matlab程序复现自《电动汽车充电负荷预测方法及应用研究_曹卫涛》 规模化电动汽车充电负荷在未来某一天随时间特性的分布规律是研究电动汽车发展对配 电网影响以及充电站选址定容问题的前提与基础。电动汽车充电负荷的分布情况与车主的行为特征有关，不同类型的电动汽车车主出行规律以及充电习惯不一样，车主选择充电开始的时间、充电开始时，电池的剩余电量或者车辆行驶里程等决定了充电负荷的具体分布。因此，本章从影响电动汽车充电负荷分布的因素入手，将电动汽车按用途进行分类，分别研究探讨不同类型电动汽车的充电方式以及时间特性规律，同时综合考虑分时电价、多样的充电模式对电动汽车负荷分布的影响，建立出每一种类型的电动汽车特有的负荷计算模型，根据模型对北京某地区的电动汽车充电负荷进行时间分布预测研究，并对预测结果进行分析。

VahaNamChain-PoC：VahaNamChain的区块链概念验证。 车联网（IoV）

Solving Vehicle Routing Problems Using Constraint Programming and Metaheuristics.pdf

PD IEC TS 62196-3-1：2020 Conductive charging of electric vehicles - Part 3-1：Vehicle connector, vehicle inlet and cable assembly for DC charging intended to be used with a thermal management system - 完整英文版（65页）.pdf

yolov5关于车的模型 小汽车 巴士人 三轮车摩托车等

本文提出了一种基于神经网络（NN）的电力需求预测方法，并提出了纯电动汽车电池/超级电容器混合储能系统的电力分配策略。 为了开发有效的预测模型，首先将驾驶循环分组并区分为三种不同的驾驶模式。 对于每种驾驶模式，可以更好地提取出具有更好驾驶特性的特征参数数据，并将其用于训练NN。 预测信息及其误差相结合，随后用于功率分配。 然后，为了应对电池和超级电容器系统的不同动态，使用了一个分频器，并通过粒子群优化算法进一步优化了它的频率，以使包括每种驱动模式的电池退化和系统能量在内的总成本降至最低。 基于这些努力，最终提出了一种实时预测功率管理控制策略。 为了验证其有效性，已经进行了仿真，以与由五个标准驾驶周期组成的速度曲线下的最新控制策略进行比较。 结果表明，通过提出的控制策略可以明显提高性能。

自己对照公式搭建的车辆8自由度模型，仅供参考

\An Introduction to Modern Vehicle Design

单目纯视觉分析车辆行为 这个项目演示通过用一部手机，拍摄道路上的一段交通视频，可以提取一些有用的信息。 运行方法： 首先将YOLOv3的权重文件下载并放在yolov3_coco目录下。 wget https://pjreddie.com/media/files/yolov3.weights 如果您的python main.py有cuda加速支持的话可以在main.py中将use_gpu设置为True 。 详细文档见。

车辆检测与计数 使用opencv和Python进行车辆检测和计数 从此处下载视频数据集。