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。

V2G（Vehicle-to-Grid）研究综述，荆朝霞，钟童科，电动汽车大规模的推广，将给电网带来新的挑战，而V2G（电动汽车到电网）技术的发展，也给解决峰谷差等电网问题提供新的思路。本文

Tejal Carwalo，Jerin Thankappan，Jerin Thankappan容量受限的VRP

The topic of electric vehicles is rather more interdisciplinary than a consideration of ordinary internal combustion engine vehicles. It covers many aspects of science and engineering. This is reflected in the diversity of companies that have helped with advice, information and pictures for this book. The authors would like to put on record their thanks to the following companies and organisations that have made this book possible.

electric_vehicle_routing_problem_with_time_windows 维也纳技术大学的带时间窗的电动车辆路线问题（EVRPTW），用于优化运输和物流业夏季课程2018年夏季 伪代码构造启发式 从距离保持器（getInterCustomerDistances）获取客户地图客户->潜在邻居 遍历这些客户 如果一个客户用于一条路线-跟踪该信息，以便在合并时不浪费客户两次 如果客户没有潜在的邻居（铅笔路径），请检查返回途中是否需要充电 如果客户有潜在邻居，请遍历所有邻居并检查 如果能量仍然足够（计算使用的功率并使用） 插入下一个客户 计算剩余电量并跟踪时间 当要为下一个客户提供服务时，请使用剩余的电池和新的时间 如果没有，请检查最近的充电站是否可以完全填满时间窗口 如果是，请前往充电站并计算由于充电而引起的时间偏移 如果没有，请尝试列表中的下一个客户

Intelligent Vehicle Technologies: Theory and Applications (Automotive Engineering Series) By Ljubo Vlacic, M. Parent, Fumio Harashima