《廣西師范大學學報(自然科學版) 》

第七屆編輯委員會

主任委員: 鄧 軍 賀祖斌

副主任委員: 蘇桂發(fā) 孫杰遠

秘書長: 蘇曦凌

副秘書長: 蘇良億 王龍杰

委員(按姓氏筆畫排序):

馬姜明 馬殷華 王 寧 王龍杰 韋篤取 盧家寬 鄺 華 劉可慧

蘇桂發(fā) 李友邦 李先賢 李廷會 楊瑞云 吳佃華 何 云 鄒艷麗

沈星燦 宋樹祥 張軍艦 陳振鋒 武正軍 羅曉曙 周岐海 胡維平

秦永松 唐振軍 黃文韜 梁 宏 彭峰林 溫桂清 蒙志明 蒙冕武

特約委員: 李家明 沈允鋼 陳關(guān)榮

主編: 蘇桂發(fā)

副主編: 王龍杰 馬殷華

學報(自然科學版) 第 40 卷 第 2 期

Guangxi Shifan Daxue Xuebao (Ziran Kexue Ban) 2022 年 3 月

目 次

基于文獻計量學分析的好氧顆粒污泥研究進展………………………………………… 肖 飛,丁旭升,王維紅( 1 )

基于系統(tǒng)關(guān)聯(lián)性的高速公路大中型貨車到達量多尺度預(yù)測 ………………………… 林培群,何伙華,林旭坤( 15 )

基于改進符號回歸算法和 XGBoost 算法的剩余續(xù)駛里程預(yù)測 ……………………… 田 晟,甘志恒,呂 清( 27 )

基于多模態(tài)特征融合的無人駕駛系統(tǒng)車輛檢測 ………………………………………………… 薛其威,伍錫如( 37 )

基于改進 YOLOv5 的道路車輛跟蹤算法…………………………………………………………… 張文龍,南新元( 49 )

低功耗高精度 Sigma-Delta 調(diào)制器的建模與設(shè)計 …………………… 劉振宇,宋樹祥,岑明燦,蔣品群,蔡超波( 58 )

基于動量因子 DD-LMS 算法在高速相干接收機中的應(yīng)用

…………………………………………………………………… 龔 闖,劉志強,陸 葉,周 鵬,武康康,李傳起( 71 )

基于卷積神經(jīng)網(wǎng)絡(luò)的逆光圖像增強研究………………………………………… 馬鋮旭,曾上游,趙俊博,陳紅陽( 81 )

基于多信息集成的藥物靶標預(yù)測方法研究 ………………… 譚 凱,李永杰,潘海明,黃可馨,邱 杰,陳慶鋒( 91 )

一類具有遷移和 Allee 效應(yīng)的食餌-捕食者系統(tǒng)穩(wěn)定性 ……………………… 徐王軍,曹進德,伍代勇,申傳勝(103)

一類非線性 p-Laplace 方程的 Liouville 定理 ……………………………………………………… 蔣群群,王林峰(116)

模擬趨化現(xiàn)象的三維雙曲-拋物系統(tǒng)的最優(yōu)衰減率……………………………………………… 王 涵,張映輝(125)

增長區(qū)域上一類寄生蟲-宿主模型的 Turing 不穩(wěn)定 …………………………………………… 張琬婧,林支桂(132)

納米金催化甲酸還原磷鉬酸耦合電置換反應(yīng)-共振瑞利散射測定痕量汞

…………………………………………………………………………… 劉奇文,李 丹,黃小芳,梁愛惠,蔣治良(140)

基于水庫調(diào)蓄和地災(zāi)協(xié)同控制的地下水資源高效利用研究 ……… 袁冬梅,齊躍明,黃光明,王俊萍,馬儀鵬(149)

裂解多糖單加氧酶納米花固定化研究 …………………………………………………… 任文文,孫云澤,李 蓉(158)

華南西部土壤 Cd、Pb 地球化學基線研究及評價 ………………………………………………… 毛政利,趙華美(170)

缺氧生物膜法處理光伏高硝態(tài)氮廢水研究 ……………………………………………… 魏世勛,何成達,張 淼(182)

正常來源 CD4

+

CD25

+細胞在小鼠肺癌模型中的抗腫瘤作用

………………………………………………… 周 俊,陳舒曼,邢 兵,陳雅靜,李銀玲,何 柳,周祖平,蒲仕明(191)

急性肺損傷模型中 Sdr9c7 基因的作用研究 …………… 賀思諾, 李銀玲, 周 晶, 周 潔, 林萬華, 楊文賢(200)

廣西白頭葉猴和黑葉猴理毛行為的比較研究 ………………………………… 馮月婷,韋周全,黃中豪,李友邦(208)

四川大涼山中部螞蟻物種多樣性研究 ……………… 陳 超,徐正會,張新民,郭寧妍,劉 霞,錢怡順,祁 彪 (218)

AMF 與根瘤菌對間作大豆光合與呼吸代謝的影響 …… 吳艷芬, 劉秋鳴, 劉衛(wèi)歡, 蒙愛萍, 陳振翔, 劉 靈(231)

飼糧支鏈氨基酸比例對 28~63 日齡攸縣麻鴨腸道菌群的影響

………………………………………………… 孫 悅,戴求仲,蔣桂韜,黃 璇,李 闖,鄧 萍,孫 濤 (242)

封面設(shè)計: 席志新 英文審校: 秦永松, 徐德蘭, 蔣業(yè)梅 執(zhí)行編輯: 蘇凱敏

期刊基本參數(shù): CN45-1067 / N?1957?b?A4?250?zh?P? ￥ 12.00?1 500?24?2022-03?n

Journal of Guangxi Normal University (Natural Science Edition)

Vol. 40 No. 2, Mar. 2022

Contents

Research Progress of Aerobic Granular Sludge Based on Bibliometric Analysis

……………………………………………………………………… XIAO Fei, DING Xusheng, WANG Weihong ( 1 )

Multi-scale Prediction of Expressways’ Arrival Volume of Large and Medium-sized Trucks Based on

System Relevance ………………………………………………………… LIN Peiqun, HE Huohua, LIN Xukun ( 15 )

Remaining Driving Range Prediction Based on Symbol Conversion and XGBoost Algorithm

……………………………………………………………………………… TIAN Sheng, GAN Zhiheng, Lü Qing ( 27 )

Vehicle Detection for Autonomous Vehicle System Based on Multi-modal Feature Fusion

………………………………………………………………………………………………… XUE Qiwei, WU Xiru ( 37 )

Road Vehicle Tracking Algorithm Based on Improved YOLOv5 …………… ZHANG Wenlong, NAN Xinyuan ( 49 )

Modeling and Design of Low Power and High Precision Sigma-Delta Modulator

……………………………………… LIU Zhenyu, SONG Shuxiang, CEN Mingcan, JIANG Pinqun, CAI Chaobo ( 58 )

Application of Momentum Factor DD-LMS Algorithm in High Speed Coherent Receiver

………………………………… GONG Chuang, LIU Zhiqiang, LU Ye, ZHOU Peng, WU Kangkang, LI Chuanqi ( 71 )

Research on Backlight Image Enhancement Based on Convolutional Neural Network

…………………………………………………… MA Chengxu, ZENG Shangyou, ZHAO Junbo, CHEN Hongyang ( 81 )

Study on Multi-information Integration for Drug Target Prediction

………………………………… TAN Kai, LI Yongjie, PAN Haiming, HUANG Kexin, QIU Jie, CHEN Qingfeng ( 91 )

Stability of a Prey-predator Model with Migration and Allee Effects

……………………………………………………… XU Wangjun, CAO Jinde, WU Daiyong, SHEN Chuansheng (103)

Liouville Theorems for a Nonlinear p-Laplace Equation ……………………… JIANG Qunqun, WANG Linfeng (116)

Optimal Time-decay Rates of the Hyperbolic-parabolic System Modeling Chemotaxis in R

3

……………………………………………………………………………………… WANG Han, ZHANG Yinghui (125)

Turing Instability of a Parasite-host Model on Growing Domains ……………… ZHANG Wanjing, LIN Zhigui (132)

A New Strategy for the Determination of Trace Mercury by Resonance Rayleigh Scattering Method Based

on Nano-gold Catalytic Amplification and Galvanic Replacement Reaction-phosphomolybdic Acid

…………………………………………… LIU Qiwen, LI Dan,HUANG Xiaofang, LIANG Aihui, JIANG Zhiliang (140)

Efficient Utilization of Groundwater Resources Based on Reservoir Regulation and Coordinated Control of

Geological Disasters ……… YUAN Dongmei, QI Yueming, HUANG Guangming, WANG Junping, MA Yipeng (149)

Study on Lytic Polysaccharide Monooxygenase Nanoflower for Immobilization

……………………………………………………………………………… REN Wenwen, SUN Yunze, LI Rong (158)

Study on Geochemical Baseline and Pollution Assessment of Heavy Metals Cd and Pb in Soil of

Western South China …………………………………………………………… MAO Zhengli, ZHAO Huamei (170)

Treatment of Photovoltaic High Nitrate Wastewater by Anoxic Biofilm Process

…………………………………………………………………………… WEI Shixun, HE Chengda, ZHANG Miao (182)

Antitumor Effect of Normal Mice Derived CD4

+

CD25

+

Cells in Mice Lung Cancer Model

…… ZHOU Jun, CHEN Shuman, XING Bing, CHEN Yajing, LI Yinling, HE Liu, ZHOU Zuping, PU Shiming (191)

Changes of Sdr9c7 Gene Expression in Acute Lung Injury Model

…………………………………… HE Sinuo, LI Yinling, ZHOU Jing, ZHOU Jie, LIN Wanhua, YANG Wenxian (200)

Comparative Study on Allgrooming Behavior of White-headed Langur (Trachypithecus leucocephalus)

and Fran?ois’ langur (Trachypithecus francoisi) Living in Guangxi, China

………………………………………………… FENG Yueting, WEI Zhouquan, HUANG Zhonghao, LI Youbang (208)

Ant Species Diversity of Middle Daliangshan in Sichuan, China

………………… CHEN Chao, XU Zhenghui, ZHANG Xinmin, GUO Ningyan, LIU Xia, QIAN Yishun, QI Biao (218)

Effects of Inoculation of AMF and Rhizobium on Photosynthetic and Respiratory Metabolism and

Growth of Intercropping Glycine max

………………………… WU Yanfen, LIU Qiuming, LIU Weihuan, MENG Aiping, CHEN Zhenxiang, LIU Ling (231)

Effect of Dietary Branched-chain Amino Acid Ratio on Intestinal Flora of 28-63 Days Old Youxian Duck

………………… SUN Yue, DAI Qiuzhong, JIANG Guitao, HUANG Xuan,LI Chuang, DENG Ping, SUN Tao (242)

第 40 卷 第 2 期

2022 年 3 月

廣西師范大學學報(自然科學版)

Journal of Guangxi Normal University (Natural Science Edition)

Vol. 40 No. 2

Mar. 2022

DOI: 10.16088 / j.issn.1001-6600.2021041501 http: xuebao.gxnu.edu.cn

肖飛,丁旭升,王維紅. 基于文獻計量學分析的好氧顆粒污泥研究進展[J]. 廣西師范大學學報(自然科學版), 2022, 40(2): 1-14. XIAO F,

DING X S, WANG W H. Research progress of aerobic granular sludge based on bibliometric analysis[ J]. Journal of Guangxi Normal University

(Natural Science Edition), 2022, 40(2): 1-14.

基于文獻計量學分析的好氧顆粒污泥研究進展

肖 飛, 丁旭升, 王維紅?

(新疆農(nóng)業(yè)大學 水利與土木工程學院, 新疆 烏魯木齊 830052)

摘 要: 為深入了解好氧顆粒污泥(aerobic granular sludge, AGS)的研究現(xiàn)狀與研究熱點, 本文基于中國知網(wǎng)(CNKI)數(shù)

據(jù)庫和 Web of Science 核心合集數(shù)據(jù)庫, 采用文獻計量學方法對 2008—2021 年間發(fā)表的 AGS 研究文獻進行梳理和總結(jié),

并結(jié)合 VOSviewer 可視化工具進行關(guān)鍵詞共現(xiàn)聚類分析, 繪制了展現(xiàn)國內(nèi)外 AGS 研究領(lǐng)域知識演化的各類知識圖譜。 關(guān)

鍵詞分析表明, AGS 在處理不同類型污水的應(yīng)用、 利用 AGS 多重生物功效(脫氮除磷) 以及 AGS 形成機理條件、 強化造

粒和連續(xù)穩(wěn)定性培養(yǎng)是 AGS 的主要研究熱點。 國內(nèi) AGS 研究呈快速增長趨勢, 以 “AGS 形成機理” 為主; 國外研究熱

點主要以 “AGS 啟動反應(yīng)器類型和解體恢復(fù)” 為脈絡(luò)。 AGS 快速造粒與穩(wěn)定性培養(yǎng)、 各類功能性微生物協(xié)同方式, 以及

繼續(xù)拓寬 AGS 在不同領(lǐng)域的高效利用可能成為今后的研究熱點。

關(guān)鍵詞: 好氧顆粒污泥; 文獻計量學; VOSviewer; 聚類分析; 知識圖譜

中圖分類號: X703 文獻標志碼: A 文章編號: 1001-6600(2022)02-0001-14

好氧顆粒污泥(aerobic granular sludge,AGS)技術(shù)作為近年來興起的污水處理技術(shù)[1]

,具有良好的沉

降性能、高生物相、高耐毒性、抗沖擊負荷強、多重生物功效等大多數(shù)普通活性污泥難以比擬的優(yōu)點,已成

為廢水處理領(lǐng)域的研究熱點。 研究表明[2-3]

,該技術(shù)與荷蘭 Nereda 工藝相結(jié)合,應(yīng)用于實際工程,通過中

試和生產(chǎn)性試驗,取得了良好的實際效果。 然而,在實際工程中,AGS 的快速形成是制約該技術(shù)工業(yè)化應(yīng)

用的主要瓶頸,且現(xiàn)有研究多集中在實驗室規(guī)模下進行。

近年來,AGS 相關(guān)的研究成果日益增多,但這些成果僅從 AGS 的形成機制、影響因素等方面來闡述,

很少有研究收集關(guān)于 AGS 快速形成、應(yīng)用以及穩(wěn)定性的系列數(shù)據(jù)。 因此,有必要針對近十幾年來國內(nèi)外

AGS 的研究進展進行全面梳理,進一步明晰 AGS 快速培養(yǎng)和應(yīng)用研究領(lǐng)域的發(fā)展動態(tài)。 文獻計量學是采

用數(shù)學和統(tǒng)計學的計量方法對某一研究領(lǐng)域的大規(guī)模文獻進行時空分析,可以實現(xiàn)該領(lǐng)域技術(shù)的研究現(xiàn)

狀與發(fā)展趨勢。 有關(guān)生物炭[4]

、食品大數(shù)據(jù)[5]

、物聯(lián)網(wǎng)研究[6]

、營養(yǎng)基因組學[7] 等文獻計量分析已有報

道,但基于 AGS 的文獻計量學分析尚未見報道。

基于此,本文基于中國知網(wǎng)(CNKI)數(shù)據(jù)庫和 Web of Science(WOS)核心合集數(shù)據(jù)庫,采用文獻計量學

方法對 2008—2021 年間收錄的 AGS 研究領(lǐng)域的文獻進行量化分析,同時運用 VOSviewer 可視化分析工具

對 AGS 研究領(lǐng)域的高頻關(guān)鍵詞進行重點梳理和總結(jié),以期深入了解影響 AGS 的形成機制、顆粒污泥的快

速形成及其應(yīng)用的因素,推動 AGS 技術(shù)的基礎(chǔ)性研究以及工業(yè)化應(yīng)用。

1 數(shù)據(jù)與方法

1.1 數(shù)據(jù)來源

本文數(shù)據(jù)來源于 CNKI 數(shù)據(jù)庫和 WOS 核心合集數(shù)據(jù)庫,以“好氧顆粒污泥” 和“ aerobic granular

收稿日期: 2021-04-15 修回日期: 2021-06-30

基金項目: 國家自然科學基金(51968071)

通信作者: 王維紅(1967—), 女, 新疆奇臺人, 新疆農(nóng)業(yè)大學教授。 E-mail: 2209319288@qq.com

廣西師范大學學報(自然科學版),2022,40(2)

sludge”作為檢索項,共檢索得到 2008—2021 年間發(fā)表的文獻 4 070 篇,其中 CNKI 收錄 2 079 篇,WOS 核

心合集收錄 1 991 篇;CNKI 國內(nèi)發(fā)表和國外發(fā)表分別為 765 和 1 314 篇,占總發(fā)文量的 18.8%和 32.3%。

1.2 研究方法

利用文獻計量學方法對文獻進行量化分析。 使用 CNKI 和 WOS 系統(tǒng)自帶統(tǒng)計分析功能,對收集到的

發(fā)文量進行統(tǒng)計分析及篩選分類。 同時,運用 VOSviewer 1.6.16 可視化分析軟件,將文獻進行關(guān)鍵詞共現(xiàn)

聚類分析,以揭示 AGS 研究熱點和研究現(xiàn)狀及趨勢。

2 研究熱點分析

關(guān)鍵詞是論文的核心,對關(guān)鍵詞的計量分析,不僅有助于快速了解該領(lǐng)域的研究熱點,且可預(yù)測未來

的研究方向。 知識圖譜中以圓的大小表示研究熱度,曲線代表熱點間的共現(xiàn)關(guān)系,不同顏色代表不同的聚

類分析,如圖 1 和圖 2 所示。

2.1 國內(nèi) AGS 領(lǐng)域研究熱點

圖 1 為 CNKI 數(shù)據(jù)庫繪制的 AGS 領(lǐng)域研究熱點知識圖譜。 紅色表示聚類 1,核心內(nèi)容為有關(guān) AGS 形

成機制的研究,如明婕等[8]基于群體感應(yīng)為核心的“信號分子假說”,從分子生物學角度闡釋 AGS 的形成

機制。 綠色表示聚類 2,核心內(nèi)容為有關(guān)影響顆粒污泥快速形成的研究,如常笑麗等[9] 研究表明,施入細

土和厭氧顆粒均有助于 AGS 快速形成,同時培養(yǎng)出的 AGS 不僅具有致密的空間結(jié)構(gòu)和高孔隙率,而且在

顆粒外表面還富集大量微生物。 橙色表示聚類 3,核心內(nèi)容為有關(guān)顆粒污泥穩(wěn)定性丟失的研究,如黃思琦

等[10]研究證實,當含鹽質(zhì)量分數(shù)為 2.5%時,AGS 開始出現(xiàn)顆粒解體及污水去除效果減弱,含鹽質(zhì)量分數(shù)

增加到 5%時,顆粒污泥解體、上浮現(xiàn)象有所緩解。 黃色表示聚類 4,核心內(nèi)容為 AGS 對不同環(huán)境條件的

響應(yīng)研究,如王琳等[11]實驗結(jié)果表明,酸度是影響 AGS 生物吸附 Pb

2+的關(guān)鍵因素。 也有研究發(fā)現(xiàn),不同

碳氮比(C / N)條件下也能培養(yǎng)出 AGS,且 C / N 為 4 的系統(tǒng)脫碳硝化效果較好,抗沖擊負荷能力強。 此外,

在低溫環(huán)境(15 ℃ )培養(yǎng)出的成熟 AGS 具有良好短程硝化功能[12]

;在常溫環(huán)境( <30 ℃ )下,AGS 富集更

多硝化菌,提高硝化菌的活性和生長速率,促進脫氮效果。 相反,在高溫環(huán)境(≥30 ℃ )培養(yǎng)出的 AGS 對

COD、氨氮和磷酸鹽具有優(yōu)異的去除效果,尤其是在 C / N 為 8、進水負荷率為 1.6、溫度為 50 ℃ 形成的

AGS。 研究還證實,AGS 在不同溫度下的成功顆?；部赡芘c鐵、鋁、鈣等元素的積累相關(guān)[13]

。 在低曝氣

量下,AGS 具有較高處理效能,對廢水中 COD、氨氮和磷的去除率最高[14]

;在高曝氣量下,當溶解氧(DO)

為 7~8 mg / L 時,顆粒仍保持長期穩(wěn)定性,對系統(tǒng)除磷效果影響不大。 但是,將曝氣策略調(diào)整為低/ 高后,

系統(tǒng)的脫氮除磷性能惡化,同時形成的顆粒結(jié)構(gòu)疏松,沉降性和穩(wěn)定性均惡化[15-16]

。 紫色表示聚類 5,核

心內(nèi)容為有關(guān) AGS 應(yīng)用的研究,如陳啟偉等[17]采用 AGS 處理人工番茄醬廢水,取得較好效果。 同時,有

學者對 AGS 處理畜禽養(yǎng)殖沼液進行研究,發(fā)現(xiàn)沼液和豬場廢水中含有的高濃度污染物不會對 AGS 結(jié)構(gòu)

產(chǎn)生顯著毒性脅迫,可實現(xiàn)有機物和氨氮的穩(wěn)定去除[18-19]

。 此外,還有學者利用成熟的高鹽 AGS 處理高

鹽榨菜廢水,發(fā)現(xiàn)高鹽 AGS 對 COD 有較好的降解效果,去除率在 97%以上,但對 TN 的去除效果較差。 這

主要是因為,硝化菌所利用的能量僅來自于有機物的同化作用[20]

。 Hou 等[21] 試驗結(jié)果表明,不同鹽度

(1%、2%、4%)的耐鹽 AGS 對 COD 的去除均有良好效果,與空白試驗相比(不投加鹽),交替鹽度不僅顯

著提高了反應(yīng)器的 COD 去除率,而且還能富集更多的微生物。

2.2 國外 AGS 領(lǐng)域研究熱點

圖 2 為 WOS 核心合集數(shù)據(jù)庫繪制的 AGS 領(lǐng)域研究熱點知識圖譜。 從圖 2 可以看出,以“ aerobic

granular sludge”為中心的其他關(guān)鍵詞節(jié)點包括“ nitrificationg” “ biological treatment” “wastewater treatment”

“SBR”“biosorption”“active recovery”等。 可以發(fā)現(xiàn),國內(nèi)外研究熱點大致相同,同樣包括 AGS 培養(yǎng)反應(yīng)器

的類型、不同類型廢水處理的應(yīng)用以及生物脫氮除磷的研究內(nèi)容 3 個方面。

2

http:∥xuebao.gxnu.edu.cn

圖 1 國內(nèi) AGS 領(lǐng)域研究熱點知識圖譜

Fig. 1 Knowledge map of domestic AGS research hotspots

圖 2 國外 AGS 領(lǐng)域研究熱點知識圖譜

Fig. 2 Knowledge map of AGS research hotspots at abroad

3

廣西師范大學學報(自然科學版),2022,40(2)

2.3 國內(nèi)外 AGS 領(lǐng)域研究熱點高頻詞

采用 VOSviewer 軟件導(dǎo)入數(shù)據(jù)庫數(shù)據(jù),通過人工篩除部分中文和英文詞義相同以及相近的關(guān)鍵詞,按

照關(guān)鍵詞出現(xiàn)頻次和中心度高低,得到國內(nèi)外 AGS 領(lǐng)域排名前 16 的關(guān)鍵詞,見表 1。 對比國內(nèi)外 AGS 領(lǐng)

域高頻詞表,發(fā)現(xiàn)有以下異同點:①主要研究熱點都是“AGS 啟動的反應(yīng)器類型” “形成機理”,以及“AGS

的應(yīng)用”;②在實驗室培養(yǎng) AGS 的過程中,AGS 的穩(wěn)定性主要受到兩種荷載的作用,一個是“水動力”,另

一個是“氣動力”,國內(nèi)外研究熱點都集中于這兩點,以及多荷載耦合動力分析;③整體來說,國內(nèi)的研究

重點偏向于 AGS 形成機理方向,但是從關(guān)鍵詞“microbial community”“pilot scale”“activity recovery”等可以

看出國際上研究熱點會更加偏向 AGS 工業(yè)化應(yīng)用以及解體恢復(fù)。

表 1 國內(nèi)外 AGS 領(lǐng)域研究熱點高頻詞比較

Tab. 1 Comparison of high frequency words in AGS research at domestic and abroad

序號

國內(nèi)

高頻詞 頻次 中心度

國外

高頻詞 頻次 中心度

1 好氧顆粒污泥 330 0.51 aerobic granules 21 0.16

2 形成機理 50 0.09 sequencing batch reactor 20 0.22

3 SBR 反應(yīng)器 36 0.06 microbial community 13 0.09

4 穩(wěn)定性 31 0.06 wastewater treatment 12 0.13

5 胞外聚合物 25 0.05 denitrification 11 0.09

6 脫氮除磷 21 0.04 extracellular polymeric substances 11 0.07

7 連續(xù)流 16 0.03 biodegradation 10 0.07

8 廢水處理 13 0.03 aerobic granulation 8 0.10

9 高通量測序 12 0.02 nitrogen removal 8 0.05

10 生活污水 10 0.02 activated sludge 7 0.07

11 溫度 8 0.02 membrane bioreactor 7 0.04

12 快速培養(yǎng) 8 0.01 nutrient removal 6 0.05

13 強化造粒 7 0.01 stability 6 0.04

14 動力學 6 0.01 selective pressure 5 0.04

15 EGSB 反應(yīng)器 6 0.01 pilot scale 5 0.04

16 儲存 5 0.01 activity recovery 5 0.03

3 好氧顆粒污泥的形成、特性

3.1 好氧顆粒污泥形成的影響因素

目前,國內(nèi)外學者公認影響 AGS 形成的因素較多,過程較復(fù)雜。 其中,與培養(yǎng)污泥的種類、水力剪切

力、反應(yīng)器構(gòu)型、誘導(dǎo)核、曝氣量、進水方式、沉降時間、底物成分及有機負荷等因素息息相關(guān),污泥種類、底

物基質(zhì)及反應(yīng)器控制條件是決定顆粒污泥快速造粒的主要因素。 因此,控制相對精確的反應(yīng)條件是成功

培養(yǎng) AGS 的關(guān)鍵。

3.1.1 接種種泥

有研究表明[22]

,接種污泥濃度與 AGS 的形成無必然關(guān)聯(lián),而只與接種污泥特性有關(guān)。 在大量的文獻

研究中[23]

,顆粒污泥主要是以活性污泥為接種污泥,活性污泥的微生物種群類型較為豐富,附著在活性污

泥表面/ 內(nèi)層的微生物類型是形成 AGS 的重要條件。 不同類型的微生物具有親水和疏水的特性,疏水微

生物越多,顆粒污泥的沉降性能越好,AGS 越容易形成。 主要是因為疏水性微生物對污泥絮體粘附能力

較強,易于吸附在活性污泥絮體表面,同時接種污泥中含有大量的莢膜菌和絲狀菌,有助于沉降性能優(yōu)越

4

http:∥xuebao.gxnu.edu.cn

的顆粒污泥快速顆粒化。 市政污水廠[24]

、番茄醬廢水處理廠[17]和啤酒廢水處理廠[25] 的污泥均可作為接

種污泥,選用番茄醬廢水處理廠污泥作為種泥時,培養(yǎng)出的 AGS 粒徑較大;選用啤酒廢水處理廠污泥時,

種泥中含有較高自凝聚的菌群,能分泌較多胞外聚合物(EPS),更易形成結(jié)構(gòu)緊密、穩(wěn)定性較好的 AGS。

3.1.2 底物基質(zhì)(碳源和金屬離子)

研究發(fā)現(xiàn),采用合成有機廢水[26-27]

(葡萄糖、乙酸鈉、苯酚、蔗糖)、市政污水[24] 以及部分工業(yè)廢

水[28-30]

(馬鈴薯加工廢水、屠宰廢水、奶制品廢水)等基質(zhì)培養(yǎng)活性污泥,也能成功顆?；?。 但不同基質(zhì)條

件下培養(yǎng)的顆粒污泥在其形成過程、物化性能、結(jié)構(gòu)及微生物種類組成方面存在明顯差別。 當以苯酚為碳

源時,反應(yīng)體系中僅培養(yǎng)出含單一菌種的 AGS,優(yōu)勢菌為變形菌門 Proteobacterium;以蔗糖為碳源培養(yǎng)出

的 AGS,微生物主要由硝化菌群和短桿菌組成,具有良好的脫氮能力;而以葡萄糖為底物時,反應(yīng)體系中

的絲狀菌將過度增殖,引起污泥膨脹,不利于 AGS 的形成。 此外,當以工業(yè)廢水作為唯一碳源時,顆粒污

泥主要形成好氧亞硝酸鹽顆粒(ANG),ANG 具有良好的沉降性能和脫氮性能,優(yōu)勢菌為亞硝酸菌。

金屬陽離子可與污泥表面負電荷通過結(jié)合或架橋方式形成穩(wěn)定的三維立體結(jié)構(gòu),加速污泥成粒過程

并維持其穩(wěn)定結(jié)構(gòu),即形成微生物核心,如 Fe

3+

、Mg

2+

、Ca

2+等。 Fe

3+具有絮凝作用,可使活性污泥絮體增

大,增強絮體中氧的傳質(zhì)阻力,限制了內(nèi)層微生物對氧的利用率,從而改善污泥的穩(wěn)定性,降低污泥的厚

度,提高處理效率[31]

。 Mg

2+和 Ca

2+對污泥顆粒促進成粒主要與 EPS 有關(guān),Mg

2+易與 EPS 中多糖(PN)的酰

胺基絡(luò)合,Ca

2+易與蛋白質(zhì)(PS)中 OH

-結(jié)合,形成疏水性強且黏性較大的 AGS

[32]

。 也有學者發(fā)現(xiàn),在適當

的濃度范圍內(nèi),Al

3+

、Cu

2+

、Hg

2+和 Ni

2+的加入對污泥活性有促進作用,促進 AGS 凝聚。 李洋媚[33]以鋁鹽探

究活性污泥中微生物活性,發(fā)現(xiàn)添加鋁絮凝劑的裝置微生物類型更多。 周橄等[34] 也指出,納米氧化銅

(CuO NPs)能釋放微量游離 Cu

2+

,可促進微生物的聚集和生長,提高了污泥濃度。 李娟英等[35] 實驗結(jié)果

顯示,當 Hg

2+濃度分別為 5 mg / L 和 40 mg / L 時,活性污泥的硝化抑制率分別大于 30%和 70%。 對于 Ni

2+

離子而言,其可改善污泥絮體的形成[36]

。

陳穎等[37]從成粒模型角度總結(jié)了 AGS 的典型結(jié)構(gòu),并從宏觀和微觀兩個層面論述了影響 AGS 結(jié)構(gòu)

穩(wěn)定性的條件,其指出 AGS 的結(jié)構(gòu)形態(tài)主要受宏觀尺度(反應(yīng)器、反應(yīng)體系)的影響,微生物和污泥理化性

質(zhì)受微觀尺度的影響。 提出 AGS 的快速?；途S持長期結(jié)構(gòu)穩(wěn)定是加快 AGS 技術(shù)產(chǎn)業(yè)化的關(guān)鍵。

3.1.3 有機負荷

據(jù)報道[38]

,AGS 可承受有機負荷(OLR)的范圍為 2.5~15 kg / (m

3·d),不同的 OLR 對污泥顆粒化進

程的影響存在差異,較高的 OLR 更有助于促進細胞分泌 EPS,增加其 PS 和 PN 含量;低 OLR 條件下,PS

和 PN 含量增加相對較少,雖然過高的 OLR 也能成功顆?；?但是顆粒結(jié)構(gòu)穩(wěn)定性較差,長時間運行易發(fā)

生失穩(wěn)解體現(xiàn)象,影響反應(yīng)體系除污效果。 Yang 等[39]通過調(diào)控 OLR 會產(chǎn)生相應(yīng)的選擇壓,選擇壓的存在

可以促進 AGS 的快速形成,其形成經(jīng)歷了馴化、顆?；?、生長和成熟 4 個階段。 也有研究發(fā)現(xiàn),OLR 和反

應(yīng)器高徑比(RH/ D)呈線性相關(guān)[40]

,RH/ D值越大,AGS 生物質(zhì)產(chǎn)量比例越高;RH/ D值越小,動力學參數(shù)(Ks)

測量的 AGS 的有效性降低,生物質(zhì)產(chǎn)量比例減小。

3.1.4 水力剪切力

水力剪切力主要為序批式活性污泥(SBR)裝置提供上升氣流[41-43]

,AGS 顆?；^程的速率取決于剪

切力的強度。 在較低的氣體流速時,不利于顆粒污泥形成,主要是由于反應(yīng)器內(nèi)絲狀菌過度繁殖造成;氣

體流速較高時,污泥顆?；涌?粒徑越大,污泥結(jié)構(gòu)穩(wěn)定性越高,這是因為較高的水力剪切力刺激細胞分

泌大量的 EPS,同時顆粒表面還富集了更多的疏水性微生物,不僅改善了 AGS 的穩(wěn)定性,也增強了顆粒結(jié)

構(gòu)的抗剪性能。 研究證實,只有當表觀氣速大于 1.2 cm / s 時,才能形成 AGS,但 AGS 的形成不僅與表觀氣

速有關(guān),還與底物濃度有關(guān)[37]

。 當顆粒污泥在相同的水力剪切力作用下培養(yǎng)時,在低濃度廢水中能夠顆

粒化,但在高濃度廢水中卻無法形成。

3.1.5 沉淀時間

一般而言,與絮體污泥相比,顆粒污泥相對密實度較高,具有一定傳質(zhì)阻力,兩者在反應(yīng)器中共存時,

由于底物基質(zhì)一定,但絮體污泥內(nèi)部的空間較大,微生物生長速率較快,導(dǎo)致顆粒污泥的生長受到抑制,長

時間得不到營養(yǎng)物質(zhì)補給,難以在反應(yīng)器內(nèi)存活。 Bindhu 等[44] 報道,在 SBR 裝置中,好氧顆粒污泥僅在

5

廣西師范大學學報(自然科學版),2022,40(2)

沉降時間為 5 min 時能成功培養(yǎng)且占優(yōu)勢,而在沉降時間為 10、15 和 20 min 時,反應(yīng)器中為顆粒污泥與絮

狀污泥的混合物,這是因為較長的水力停留時間會降低懸浮、絮體污泥的洗脫頻率,抑制顆粒污泥的形成,

這與 Zhao 等[45] 研究結(jié)果類似。 楊月喬等[46] 研究結(jié)果也證實,當反應(yīng)器的沉淀時間由 15 min 縮短至 5

min 時,污泥沉淀性能更好。 主要原因是隨著沉淀時間的減少,污泥流失減弱,促進了污泥 EPS 含量的增

加,有利于污泥顆?；?此外,減少沉淀時間還可富集更高的微生物量,進而影響系統(tǒng)除污能力[47]

。 唐堂

等[48]研究發(fā)現(xiàn),在含海藻酸鈉和不含海藻酸鈉的兩組 AGS 反應(yīng)器中,可通過改變沉降時間,逐步實現(xiàn)顆

粒化過程中污泥特性的變化,并且兩組反應(yīng)器分別在 20、40 d 后可實現(xiàn)絮體污泥顆?；?海藻酸鈉的投

加有利于 EPS 的增加,顆粒表面具有更高的微生物量。

3.1.6 反應(yīng)器高徑比

現(xiàn)有研究證實,AGS 的形成主要在 RH/ D >5 的培養(yǎng)器中馴化。 較高的 RH/ D可以提供更高的水力剪切

力、循環(huán)途徑以及污泥碰撞頻率,使微生物絮體或顆粒污泥更快地形成結(jié)構(gòu)致密、形貌規(guī)則、粒徑較大的

AGS。 然而,在 RH/ D <5 的 SBR 反應(yīng)器中培養(yǎng) AGS,則需要較大的曝氣量,成本較高。 曲新月等[49] 采用

RH/ D

= 1.2 的 SBR 反應(yīng)器成功實現(xiàn)了顆粒污泥的?；?這與 Van Loosdrecht 等[50]采用 RH/ D

= 1.29 的結(jié)果一

致。 研究還表明,當 RH/ D

= 2.67 時,采用厭氧-好氧的運行方式,可成功培養(yǎng) AGS

[51]

。 此外,李冬等[52]采用

RH/ D分別為 3 ∶ 1、4.5 ∶ 1 和 6 ∶ 1 的 3 組 SBR 反應(yīng)器也成功培養(yǎng)出 AGS,且顆粒相對聚集。

3.1.7 反應(yīng)器運行方式

現(xiàn)有研究表明,活性污泥的馴化主要采用 SBR 反應(yīng)器進行。 SBR 系統(tǒng)的間歇式進水方式易發(fā)生貧營

養(yǎng)狀態(tài)。 在該狀態(tài)下,AGS 表面疏水性增強,細胞間黏附作用增強,微生物形成聚集體以抵抗饑餓。 同

時,細胞表面疏水性與貧營養(yǎng)狀態(tài)的時間呈正相關(guān)[53-54]

。 因此,有學者在 SBR 系統(tǒng)中采用不同的進水時

間來改變貧-富營養(yǎng)交替的循環(huán)周期,且在 3 min 厭氧進水的條件下,成功培養(yǎng)出光滑、致密的 AGS。 這是

由于貧-富營養(yǎng)化的周期性交替,更有利于 EPS 的分泌,促進顆粒狀絮凝體的形成,同時決定了 DO 向顆粒

內(nèi)部的傳遞深度[55]

。 在曝氣階段,適當?shù)钠貧鈴姸炔粌H使 AGS 結(jié)構(gòu)更加密實,還能提供足夠的 DO,減少

絲狀菌的生長,維持污泥的穩(wěn)定性,這與沈忱等[14]的結(jié)果一致。 低曝氣量有利于磷的去除,但 DO 變化不

顯著;高曝氣量時,較大的水力剪切力造成污泥顆粒被沖刷破壞,顆粒失穩(wěn)解體。 當曝氣深度小于 50 cm

時,氧的傳質(zhì)阻力增加,顆?；屎?EPS 降低,顆粒易解體;當曝氣深度大于等于 70 cm 時,AGS 受到的水

力剪切力增強,顆?；屎臀勰酀舛忍岣?污染物去除效果較好,同時顆粒仍能保持結(jié)構(gòu)的完整性[56]

。 據(jù)

最新研究發(fā)現(xiàn), AGS 培養(yǎng)裝置的類型還包括氣提式間歇(SBAR)反應(yīng)器等,尹志文[57]試驗結(jié)果表明,在投

加菌絲球數(shù)量相同的情況下,SBAR 反應(yīng)器培養(yǎng)出的 AGS 優(yōu)于其他反應(yīng)器,且顆粒污泥結(jié)構(gòu)更加致密、穩(wěn)

定性強。 此外,顆粒周圍的菌膠團聚集程度高,表面含有豐富的菌群結(jié)構(gòu),桿菌和球菌相互交錯排列。

3.1.8 其他因素

溫度也是影響 AGS 形成的因素,主要影響微生物活性,大部分微生物的適宜生存溫度為 20 ~ 25 ℃ 。

當溫度過低時,系統(tǒng)內(nèi)絲狀菌過度生長,生物質(zhì)流失嚴重,顆粒破碎解體;溫度過高時,PS 變性甚至蛋白酶

失活,造成整個系統(tǒng)崩潰[37]

。 污泥停留時間(SRT)是維持顆粒結(jié)構(gòu)穩(wěn)定性的關(guān)鍵參數(shù)。 SRT 過長,反應(yīng)

器內(nèi)老化污泥無法排出,導(dǎo)致新生污泥更替時間變長,易造成 AGS 解體[58]

。 此外,有學者通過投加黏土

和改性粉煤灰(MFA)也成功培養(yǎng)出 AGS。 馮殿寶等[59] 通過番茄自身攜帶的黏土作為媒介,證實黏土有

利于 AGS 的形成,且形成的 AGS 微生物相豐富,主要為 Proteobacteria(變形菌門)。 伍昌年等[60] 將 MFA

添加到 SBR 裝置中,發(fā)現(xiàn)其微生物以 MFA 為載體而富集,改善了污泥性能,強化了對各基質(zhì)的去除。

綜上所述,通過調(diào)整水力剪切力、沉降時間、有機負荷、反應(yīng)器構(gòu)型、饑餓期等參數(shù)可促進微生物的快

速凝聚[61]

。

3.2 好氧顆粒污泥的特性

3.2.1 好氧顆粒污泥的物理特性

AGS 的物理特性包括污泥形態(tài)變化、沉降速率、色度、密度和污泥容積指數(shù)等。 顆粒的沉降性能是污

水處理系統(tǒng)的關(guān)鍵因素,決定了泥水分離效率。 較高的沉降速度對微生物截留量和有機物的降解能力具

有促進作用。 此外,沉降速率為 20~70 m / h,AGS 成粒較好,結(jié)構(gòu)致密,這與 Adav 等[62]結(jié)果一致。 張新喜

6

http:∥xuebao.gxnu.edu.cn

等[63]采用人工建立的相關(guān)模型檢測污泥容積指數(shù)(SVI),發(fā)現(xiàn)判別污泥沉降性能的正確率較高。 這是因

為,污泥的水阻系數(shù)較顆粒的水阻系數(shù)小。 然而,楊雄等[64]研究發(fā)現(xiàn),氮、磷缺乏對污泥沉降性能有影響。

當進水缺乏氮元素、SVI 小于 100 mL / g 時,系統(tǒng)內(nèi)菌膠團分泌大量 EPS,污泥沉降性能良好,鏡檢可見顆

粒物質(zhì)存在;短期進水缺乏氮磷、SVI 大于 120 mL / g 時,污泥沉降性能惡化,絲狀菌數(shù)量減少,系統(tǒng)滋生大

量球狀菌;當進水缺乏磷元素、SVI 大于 120 且小于 250 mL / g 時,系統(tǒng)內(nèi)聚磷菌大量流失,限制菌膠團對

碳源的利用,EPS 分泌減少,引發(fā)污泥膨脹。 因此,培養(yǎng) AGS 過程中氮、磷正常供給至關(guān)重要。 AGS 的 SVI

值為 37~70 mL / g、沉降速率為 10~42 m / h、密度保持在 1.029~1.036 g / cm

3 時,具有較好的沉降性能。

3.2.2 好氧顆粒污泥的化學特性

AGS 的化學特性主要以 EPS 和比氧耗速率(SOUR)為主,它是控制微生物活性的主要因素。 細胞表

面疏水性在顆?；^程中起著關(guān)鍵作用。 較高的細胞表面疏水性會增強細胞間的相互作用,促進致密聚

集體的形成[50]

,并分泌大量 EPS,EPS 的變化對 AGS 的形成過程及其穩(wěn)定性均具有較大的影響。 EPS 可

劃分為緊密型、松散型和溶解型,它們主要分布在顆粒穩(wěn)定期、解體期和顆粒初期。 初期時,EPS 和細菌分

布均勻,AGS 表層聚集大量的細菌,內(nèi)部組成成分是 EPS;穩(wěn)定期時,松散型 EPS 含量較低,緊密型 EPS 含

量較高,PN 含量高于 PS,緊密型 EPS 中 PS 和 PN 含量增加,增強了 AGS 的穩(wěn)定;解體期,顆粒中 EPS 含

量顯著減少,內(nèi)部菌體之間排斥力升高,出現(xiàn)內(nèi)層空化現(xiàn)象。 究其原因,是由于解體期顆粒粒徑較大,傳輸

通道受限,AGS 內(nèi)部厭氧內(nèi)核及生物衰亡水解,導(dǎo)致內(nèi)部空洞出現(xiàn)[65]

。 蔣勗欣等[66]闡述了影響 EPS 含量

的主要因素,EPS 中其他組分通過共價、絮凝作用與其他無機物結(jié)合。 張云霞等[67]發(fā)現(xiàn),EPS 分為不可生

物降解和可生物降解,不可生物降解 EPS 與顆粒立體結(jié)構(gòu)有關(guān),可生物降解 EPS 可作為顆粒污泥自身能

源。 但在 AGS 的培養(yǎng)過程中,反應(yīng)器內(nèi)的底物基質(zhì)處于缺乏期時,顆粒內(nèi)微生物通過內(nèi)源呼吸作用消耗

EPS,過度消耗則 AGS 無法形成。 因此,較高的 EPS 含量是 AGS 形成的關(guān)鍵因素。 但 EPS 不宜過多,太

多可能阻塞營養(yǎng)物質(zhì)和溶解氧通道,使顆粒內(nèi)礦化,穩(wěn)定性下降。 朱珂辰[68] 在研究中證實,SOUR 突躍作

為絲狀菌在活性污泥中膨脹的預(yù)警信號,可以判定活性污泥沉降性惡化,有利于 AGS 的培養(yǎng)。

3.2.3 好氧顆粒污泥的生物特性

有研究表明,采用高通量測序技術(shù)和掃描電鏡(SEM)、光學顯微鏡、實時熒光定量 PCR 等顯微技術(shù)可

以研究 AGS 培養(yǎng)過程中相應(yīng)細菌豐度的變化。 此外,還可通過高通量測序技術(shù)觀察 AGS 的微生物群落

結(jié)構(gòu)[69]

。 AGS 存在多種細菌,如異養(yǎng)菌、硝化菌、反硝化菌和聚磷菌等,其微生物多樣性與培養(yǎng)基質(zhì)成分、

反應(yīng)器類型和顆粒結(jié)構(gòu)密切相關(guān)。 表 2 表明不同培養(yǎng)基質(zhì)中 AGS 微生物組成也不同[70-80]

。 通過對比發(fā)

現(xiàn),不同培養(yǎng)基質(zhì)條件下形成的 AGS 微生物種類存在差異, 主要以 Proteobacteria、 Sphingobacteria、

Actinobacteria 和 Bacteroidetes 等微生物為主,Proteobacteria 和 Bacteroidetes 是降解人工合成廢水的優(yōu)勢

菌。 反應(yīng)器類型也是影響 AGS 微生物多樣性的原因。 研究表明[81-82]

, 在 SBAR 裝置中接種普通絮狀污

泥,采用人工配制的模擬生活污水,成功培養(yǎng)出 AGS,通過 SEM 發(fā)現(xiàn)培養(yǎng)出的 AGS 顆粒粗糙,表面以桿菌

和球菌為主;而采用 SBR 馴化出的 AGS,顆粒表面更加粗糙,微生物主要以球菌為主,有少量的桿菌。 也

有報道,在 SBAR 裝置中經(jīng) 2,4-二氯酚廢水馴化出的 AGS 結(jié)構(gòu)致密,并且含有一定數(shù)量的反硝化菌、

Flavobacteria 和酸桿菌門 Acidobacteria。 Abdullah 等[83]研究發(fā)現(xiàn),以棕櫚油加工廢水為碳源的 BASR 裝置

也能將絮體污泥成功顆?；?。 經(jīng) SEM 和高通量測序結(jié)果表明,AGS 微生物分布以球形細菌和產(chǎn)氫產(chǎn)乙酸

菌群為主。一些研究還發(fā)現(xiàn),AGS 處理橄欖油廢水時,微生物菌群主要以好氧變形菌為主,隨著橄欖油供

應(yīng)量增加到 600 mg / L 時,好氧降解菌數(shù)量減少[84]

。

AGS 空間結(jié)構(gòu)的不同也是造成微生物多樣性的原因之一。 目前,AGS 外觀一般為圓形或橢圓形,但

是王維紅等[85]試驗結(jié)果發(fā)現(xiàn),培養(yǎng)出的 AGS 呈“稻殼狀”。 “稻殼狀”AGS 外層包裹的微生物主要以聚磷

菌(90%以上)占優(yōu)勢,其次是鐘蟲屬 Vorticella,同時顆粒內(nèi)部空洞較大,缺氧區(qū)與好氧區(qū)共存,形成了鮮明

的微生物分布區(qū)。 另外,還發(fā)現(xiàn)了少量發(fā)硫菌屬 Thiothrix 和綠彎菌門 Chloroflexi。 而一般形態(tài)的 AGS 核

心部分主要為聚糖菌、Flavobacteria、微桿菌科 Microbacteriaceae 及球形細菌。

7

廣西師范大學學報(自然科學版),2022,40(2)

表 2 不同培養(yǎng)基質(zhì)中 AGS 微生物組成

Tab. 2 AGS microbial composition in different culture substrates

廢水種類

(特殊物質(zhì))

分析方法

主要微生物

門、綱、目 科、屬、種

SBR 人工配水[70]

(番茄醬)

高通量測序

變 形 菌 門 ( Proteobacteria ), 擬 桿 菌 門

(Bacteroidetes),硬壁菌門( Firmicutes),黃

桿菌目(Flavobacteria)

放線菌屬( Actinobacterium),黃單胞菌科

( Xanthomonadaceae ), 氫 嗜 胞 菌 屬

(Hydrogenophaga)

SBR 人工配水[71]

(乙酸鈉)

高通量測序

γ 變形菌綱(γ-Proteobacteria),α 變形菌綱

( α-Proteobacteria ), β 變 形 菌 綱 ( βProteobacteria ), 鞘 脂 桿 菌 綱

(Sphingobacteria)

Xanthomonadales _ norank, 腐 螺 旋 菌 科

(Saprospiraceae)

SBR 畜產(chǎn)污水[72] 高通量測序

γ-Proteobacteria, α-Proteobacteri, βProteobacteria, Sphingobacteria, 放 線 菌 門

(Actinobacteria)

紅 環(huán) 菌 科 ( rhodocyclaceae ),

Xanthomonadaceae, 叢 毛 單 胞 菌 科

(Comamonadaceae)

SBR 人工配水[73]

(吡啶)

高通量測序 Proteobacteria,Bacteroidetes

叢毛單胞菌屬( Comamonas),副球菌屬

(Paracoccus)

SBR 人工配水[74]

(苯酚)

高通量測序 Flavobacteria,Proteobacteria,Actinobacteria

不動桿菌屬 ( Acinetobacter),草酸降解菌

(Pandoraea sp)

SBR 人工配水[75]

(印染廢水)

高通量測序

Firmicutes, Proteobacteria, Actinobacteria,

Bacteroidetes, 疣 微 菌 門

(Verrucomicrobia),Chloroflexi

磁螺菌屬 ( Magnetospirillum), 紅螺菌科

(Rhodospirillaceae)

SBR 人工配水[76]

(高鹽)

PCR-DGGE β-Proteobacteria,Actinobacteria Actinobacterium,鏈霉菌屬(Streptomyces)

SBR 生活污水[77] DGGE β-Proteobacteria,Bacteroidetes

聚磷菌屬(Candidatus accumulibacter),陶

厄氏 菌 屬 ( Thauera ), 亞 硝 化 單 胞 菌

(Nitrosomonas)

SBR 人工配水[78]

(甲基叔丁基醚)

DGGE

Flavobacteria,γ-Proteobacteria,

α-Proteobacteri,Actinobacteria

甲基桿菌屬(Methylobacterium),假交替單

胞菌屬(Pseudoalteromonas)

SBR 人工配水[79]

(氟苯酚)

DGGE

β-Proteobacteria,γ-Proteobacteria,

α-Proteobacteri, Actinobacteria, 根 瘤 菌 目

(Rhizobiales),硝化螺旋菌門(Nitrospirae)

Xanthomonadaceae, 硝 化 螺 旋 菌 屬

( Nitrospira ), 假 黃 單 胞 菌

(Pseudoxanthomonas)

SBR 人工配水[80]

(葡萄糖)

克隆文庫

β-Proteobacteria,Sphingobacteria,

γ-Proteobacteria, Flavobacteria, Candidate

division TM7

食酸菌屬( Acidovorax),Comamonadaceae,

假 單 胞 菌 ( Pseudomonas ),

Micropruina glycogenica

4 好氧顆粒污泥技術(shù)的應(yīng)用

4.1 印染廢水的處理

紡織印染廢水色度深、高有機負荷、pH 變化大、水質(zhì)成分復(fù)雜且含芳香環(huán)及苯環(huán)結(jié)構(gòu)。 馬登月[86] 研

究發(fā)現(xiàn),以葡萄糖和乙酸鈉為底物,亞甲基藍、剛果紅染料為模擬廢水,可成功培養(yǎng)出兩種不同性狀的

AGS。 亞甲基藍 AGS 的中、外層富集大量絲狀菌和真菌,內(nèi)層以桿菌為主;剛果紅 AGS 顆粒表面光滑,結(jié)

8

http:∥xuebao.gxnu.edu.cn

構(gòu)緊密,兩種 AGS 對亞甲基藍、剛果紅的最大吸附量分別為 256.41、175.44 mg / g。 Franca 等[87] 試驗結(jié)果

表明,采用遞加偶氮染料的方式,培養(yǎng)出特異性 AGS。 在 AGS 中,附著在內(nèi)層的偶氮染料還原菌可在厭氧

條件下還原偶氮染料的偶氮鍵,并在后續(xù)好氧生物階段礦化有毒的磺化芳香胺,使染料去除率高達 93%

以上,成功生物脫色。 李黔花等[75]考察了 AGS 處理印染廢水的效果,發(fā)現(xiàn) AGS 對陽離子染料降解和 CDD

去除的功能菌為磁螺菌屬,這與 Lotito 等[88] 研究結(jié)果一致。 也有學者研究發(fā)現(xiàn),染料廢水的去除不僅依

賴于 AGS 中細菌的作用,還與 EPS 有關(guān),EPS 對染料廢水的生物吸附具有一定貢獻,顆粒內(nèi)的厭氧微生物

通過消耗緊密結(jié)合的 EPS 作為碳源和能量源,使染料降解。

pH 值是影響 AGS 對染料廢水吸附效率的主要因素,表現(xiàn)在:pH 值較低時,AGS 對酸性紅、橘黃吸附

較好;中性時,對孔雀綠吸附較好;pH 值較大時,對結(jié)晶紫吸附較好。 這是因為 pH 值主要影響顆粒與染

料分子間的作用力及 AGS 表面吸附位點。 此外,AGS 對紡織印染廢水中染料的吸附量還與染料初始濃度

有關(guān)。 AGS 作為具有高生物相的活性吸附材料,不僅有效克服了普通生物吸附劑存在的固液分離問題,

而且有望成為一種有利于染料廢水處理的環(huán)保型生物吸附劑。

4.2 高濃度有機廢水的處理

眾所周知, AGS 在實驗室中的生物降解能力與實際廢水處理存在顯著差異(實際的有機廢水中含有

多種高濃度的有機物,會抑制 AGS 的生物降解能力),其實際應(yīng)用案例報道不多。 乳制品廢水含有較高濃

度的營養(yǎng)物質(zhì),對地表水污染較為嚴重,因此對其研究具有極大的必要性。 范駿洋等[89] 以乳品廢水培養(yǎng)

顆粒污泥,發(fā)現(xiàn)培養(yǎng) 30 d 后,粒徑在 0.2~2 mm 占比較大,沉降速度最快,沉降性能最好,并且對乳制品廢

水中 COD 去除率高達 85%。 張志[90]利用 AGS 處理實際乳品廢水,發(fā)現(xiàn)系統(tǒng)在運行 6 ~ 8 h 時,對 COD 具

有高效去除能力,去除率可保持在 93% 以上。 這是因為 AGS 對水質(zhì)變化適應(yīng)性強,具有獨特的結(jié)構(gòu)空

間。 Wichern 等[91]研究表明,AGS 處理乳制品廢水時,成熟顆粒粒徑平均在 2.5 mm,廢水容積負荷在 4.5

kg / d,這與范駿洋等[89]部分結(jié)果一致。 Bumbac 等[92]研究表明,利用 AGS 處理乳品廢水時,COD、BOD 和

NH

+

4

-N 的去除率分別為 87%、89.5%和 91%。 然而,采用 AGS 技術(shù)在處理高濃度有機廢水方面存在一定

局限性,使用前需要將高濃度有機廢水進行稀釋。

4.3 有毒有機廢水的處理

有研究表明,AGS 獨特的結(jié)構(gòu)已被證實對外界有毒物質(zhì)具有抗性。 苯酚作為微生物的碳源之一,但

也具有毒性,易造成微生物的死亡。 劉前進等[93]研究表明,苯酚溶液為 60 mg / L 時,AGS 具有較好的顆粒

狀,結(jié)構(gòu)密實;大于 300 mg / L 時,顆粒結(jié)構(gòu)強度較差,易解體。 這是由于苯酚溶液濃度過高,微生物死亡,

顆粒結(jié)構(gòu)疏松,內(nèi)層結(jié)構(gòu)破壞,菌膠團溶解。 然而,適當濃度的苯酚溶液可以防止 AGS 解體,為 AGS 的儲

存提供有價值的參考。 劉國洋等[94]試驗表明,當進水苯酚濃度為 3 g / L 時,AGS 對苯酚去除率為 98.33%,

去除效果較好。 掃描電鏡顯示,加入苯酚溶液的 AGS 顆粒表面更加光滑,結(jié)構(gòu)致密,粒徑更大,表明苯酚

毒性刺激了更多的 EPS 分泌。 除此之外,AGS 也對嘧啶類[95]

、甲基叔丁基醚[96-97]和三甲基甲醇廢水[98]具

有良好的去除性能。 田世烜等[99]研究表明,AGS 對嘧啶廢水的降解能力較好。 魏永軍[100]實驗表明,AGS

對甲醇廢水吸附性能較好,COD 去除率高。

4.4 重金屬廢水的處理

海藻、真菌生物質(zhì)、活性污泥和天然高分子材料可被作為生物吸附劑。 目前使用的生物吸附劑大多為

懸浮微生物,但存在處理后難以分離、生物吸附劑穩(wěn)定性差、回收困難等缺點[101]

。 AGS 作為吸附劑時,對

Pb

2+

、Cu

2+

、Cd

2+的吸附作用與 pH、金屬離子濃度有關(guān)[102]

。 pH 過低時,溶液中游離的 H

+會在 EPS 上占據(jù)

少量的吸附位點,并使 EPS 表面質(zhì)子化,增加表面斥力,導(dǎo)致吸附效率低;pH 過高時,EPS 的電荷 ζ 電位降

低,顆粒表面呈負電性,金屬離子的吸附量隨電勢的減小而增大。 金屬離子初始濃度越低,AGS 對金屬離

子吸附能力越小,吸附量越少;隨著初始含量升高,金屬離子吸附量也升高,吸附驅(qū)動力更強,但是吸附容

量不可能是無限的,因此吸附量會趨于飽和。 當 Pb

2+

、Cu

2+ 和 Cd

2+

3 種離子共存時,其吸附量分別為

43.80%、43.01%和 18.95%。 馬明海等[103]以絮狀污泥為種泥,考察了 AGS 對 Zn

2+

、Cu

2+和 Pb

2+的影響,結(jié)

果表明,AGS 對 Zn

2+和 Cu

2+的吸附量與基質(zhì)濃度有關(guān),當重金屬離子濃度為 250 mg / L 時,氨氮去除率降

低,COD 去除率提高,對金屬離子的最大吸附量分別為 246.1 和 180 mg / g。 此外,重金屬離子的加入還會

9

廣西師范大學學報(自然科學版),2022,40(2)

使污泥顆粒變小。 李姝等[104]發(fā)現(xiàn),經(jīng)干燥失活的 AGS 對 Pb

2+

、Cu

2+

、Cd

2+的吸附效果均較好,吸附能力依

次為 Pb

2+

<Cu

2+

<Cd

2+

,吸附過程符合 Langmuir 等溫吸附方程,這與江孟等[102]結(jié)果類似。

4.5 核廢水的處理

核廢水的影響非常之大,不僅破壞生態(tài)環(huán)境,還會對人類造成致命打擊,產(chǎn)生基因突變、致癌和致畸的

后果,特別是鈾元素,其能夠以粉塵和氣溶膠的形式通過呼吸進入人體,引起呼吸道疾病。 有研究表明,成

熟的 AGS 可用于去除水中溶解性鈾[105]

。 郭棟清等[106]綜述了含鈾廢水的去除方法,其中生物修復(fù)主要是

利用微生物的特性將鈾離子進行沉淀。 Martins 等[107]將 AGS 與含鈾廢水共同培養(yǎng),發(fā)現(xiàn)成熟的顆粒污泥

對鈾、鉻去除效果較好。 采用 16S rRNA 基因分析表明,腸桿菌科和紅環(huán)菌科成員對含鉻廢水去除有益,并

且具有一定生物修復(fù)能力。 研究還表明,鈾濃度與 pH 呈負相關(guān),pH 值在 1 ~ 6 時,AGS 的攝鈾速率最快。

苑士超等[108]試驗表明,pH 值在 5.2~6.6 時,鈾去除率高達 95%;pH 值大于 6.6 時,鈾去除率降低到 50%。

其中,含鈾廢水的去除主要依賴于顆粒污泥的氧化和吸附的共同作用。

5 結(jié)語與展望

AGS 作為一種新型的污水處理技術(shù),具有結(jié)構(gòu)緊湊、沉降性能好、微生物相豐富、生物截留率高等優(yōu)

點,可以在一定程度上彌補傳統(tǒng)活性污泥法的缺陷(進水水質(zhì)變化的適應(yīng)性較低)。 然而,在好氧顆粒污

泥的培養(yǎng)和應(yīng)用中,也存在著穩(wěn)定性差、能耗高、反硝化能力差等問題。 若能系統(tǒng)地研究好氧顆粒污泥的

形成機理、微生物群體關(guān)系以及有機物降解過程的協(xié)同效應(yīng),加大中試和產(chǎn)業(yè)化研發(fā)力度,將更好推動好

氧顆粒污泥的工業(yè)化應(yīng)用。

針對前人所做的研究以及目前的現(xiàn)狀,未來 AGS 技術(shù)可以圍繞以下 3 點展開。 ①高抗逆性 AGS 的培

養(yǎng)研究。 目前已有研究證實,AGS 在低溫和低 pH 條件下均能成功培養(yǎng),但高 pH 條件下的 AGS 培養(yǎng)尚未

見報道。 高 pH 值 AGS 的潛在優(yōu)勢有:脫 NH

+

4

-N 徹底、富集聚磷菌以及殺死致病菌,可用于鈾廢水的處

理。 ②基因工程菌 AGS 的培養(yǎng)。 利用基因工程技術(shù),將能降解環(huán)境中有毒、難降解污染物的基因移植到

相應(yīng)的細菌體內(nèi),使其具有降解不同污染物的能力,在未來具有廣闊的前景。 ③耦合技術(shù)的研發(fā)與應(yīng)用。

將顆粒污泥技術(shù)與其他生物反應(yīng)器相結(jié)合,提高其性能,彌補其缺陷。 有研究表明,AGS 與厭氧工藝、RO

工藝耦合,可以優(yōu)化工藝性能[66]

。 因此,開發(fā)耦合工藝是 AGS 應(yīng)用的熱點領(lǐng)域。

參 考 文 獻

[1] 蘇海佳, 王陸璽, 鄧爽, 等. 好氧顆粒污泥技術(shù)及研究進展[J]. 化工進展, 2016, 35(6): 1914-1922.

[2] 郝曉地, 孫曉明, LOOSDRECHT M. 好氧顆粒污泥技術(shù)工程化進展一瞥[J]. 中國給水排水, 2011, 27(20): 9-12.

[ 3] PRONK M, DE KREUK M K, DE BRUIN B, et al. Full scale performance of the aerobic granular sludge process for sewage

treatment[J]. Water Research, 2015, 84: 207-217.

[4] 肖鵬飛, 安璐, 吳德東. 基于文獻計量學分析的全球生物質(zhì)炭研究進展[ J]. 農(nóng)業(yè)工程學報, 2020, 36( 18):

292-300.

[5] 駱靖陽, 陸柏益. 基于文獻計量學的食品大數(shù)據(jù)技術(shù)研究分析[J]. 食品科學, 2021, 42(5): 278-287.

[6] 史進程, 郭洪飛, 張儒, 等. 基于知識圖譜的物聯(lián)網(wǎng)研究文獻計量分析[ J]. 計算機集成制造系統(tǒng), 2021, 27(1):

228-239.

[7] 許智勇, 馬愛民. 基于文獻計量的全球營養(yǎng)基因組學研究態(tài)勢分析[J]. 食品科學, 2020, 41(5): 237-245.

[8] 明婕, 黃子萌, 董清林, 等. 好氧顆粒污泥的性質(zhì)及形成機制[J]. 水處理技術(shù), 2019, 45(7): 1-5.

[9] 常笑麗, 何士龍, 劉浩. 好氧顆粒污泥快速培養(yǎng)的方法研究[J]. 環(huán)境工程, 2015, 33(8): 27-31.

[10] 黃思琦, 鄧風, 佘譜穎, 等. 好氧顆粒污泥快速培養(yǎng)及其穩(wěn)定性研究[J]. 工業(yè)水處理, 2018, 38(7): 66-69, 73.

[11] 王琳, 李煜. 酸度對好氧顆粒污泥生物吸附含鉛廢水影響的研究[J]. 環(huán)境工程學報, 2009, 3(7): 1160-1164.

[12] 梁東博, 卞偉, 王文嘯, 等. 低溫條件下好氧顆粒污泥培養(yǎng)及其脫氮性能研究[ J]. 中國環(huán)境科學, 2019, 39(2):

10

http:∥xuebao.gxnu.edu.cn

634-640.

[13] AB HALIM M H, NOR ANUAR A, ABDUL JAMAL N S, et al. Influence of high temperature on the performance of

aerobic granular sludge in biological treatment of wastewater[ J]. Journal of Environmental Management, 2016, 184( 2):

271-280.

[14] 沈忱, 張玉蓉, 李艾莉, 等. 低曝氣量下好氧顆粒污泥的性能分析[J]. 工業(yè)水處理, 2015, 35(10): 76-79.

[15] WANG H Y, SONG Q, WANG J, et al. Simultaneous nitrification, denitrification and phosphorus removal in an aerobic

granular sludge sequencing batch reactor with high dissolved oxygen: effects of carbon to nitrogen ratios[J]. Science of the

Total Environment, 2018, 642: 1145-1152.

[16] LI D, WEI Z Q, LAO H M, et al. Effect of step aeration on a municipal sewage aerobic granular sludge system[ J].

Environmental Science, 2019, 40(12): 5456-5464.

[17] 陳啟偉, 蘇饋足, 陳丁丁, 等. 處理番茄醬加工廢水的活性污泥顆?；^程[ J]. 環(huán)境科學研究, 2018, 31(2):

369-378.

[18] 廖杰, 葉嘉琦, 曾志超, 等. 好氧顆粒污泥處理畜禽養(yǎng)殖沼液污染物的特性[ J]. 環(huán)境科學, 2019, 40 ( 6):

2821-2826.

[19] 饒欽富, 鄭博福, 萬金保. 好氧顆粒污泥處理豬場廢水研究進展[J]. 水處理技術(shù), 2016, 42(10): 25-29.

[20] 陳垚, 黃鵬程, 楊威, 等. 好氧顆粒污泥處理高鹽榨菜廢水除污特性研究[J]. 工業(yè)水處理, 2015, 35(11): 29-32.

[21] HOU M, LI W, LI H, et al. Performance and bacterial characteristics of aerobic granular sludge in response to alternating

salinity[J]. International Biodeterioration & Biodegradation, 2019, 142: 211-217.

[22] 趙錫鋒, 李興強, 李軍. 好氧顆粒污泥技術(shù)中試研究及應(yīng)用進展[J]. 中國給水排水, 2020, 36(8): 30-37.

[23] 王明陽, 曹素蘭, 王孫艷, 等. 好氧顆粒污泥的工程應(yīng)用及其研究進展[J]. 水處理技術(shù), 2018, 44(11): 11-18.

[24] 王峰. 好氧顆粒污泥在污水處理中的研究進展[J]. 應(yīng)用化工, 2016, 45(6): 1129-1133.

[25] 張傳兵. 啤酒生產(chǎn)中部分工序產(chǎn)生的廢水對污泥活性的影響研究[ J]. 河南理工大學學報(自然科學版), 2020, 39

(5): 68-72.

[26] 郭承元, 操家順, 王耀增. 混合碳源的好氧顆粒污泥培養(yǎng)及微生物特性研究[ J]. 中國給水排水, 2012, 28(21):

75-78.

[27] LIU Y, WOON K H, YANG S F, et al. Influence of phenol on cultures of acetate-fed aerobic granular sludge[J]. Letters in

Applied Microbiology, 2010, 35(2): 162-165.

[28] DOBBELEERS T, DAENS D, MIELE S, et al. Performance of aerobic nitrite granules treating an anaerobic pre-treated

wastewater originating from the potato industry[J]. Bioresource Technology, 2017, 226: 211-219.

[29] LIU Y L, KANG X R, LI X, et al. Performance of aerobic granular sludge in a sequencing batch bioreactor for

slaughterhouse wastewater treatment[J]. Bioresource Technology, 2015, 190: 487-491.

[30] IONESCU I A, BUMBAC C, CORNEA P. Formation of aerobic granules in sequencing batch reactor SBR treating dairy

industry wastewater[J]. Scientific Bulletin. Series F. Biotechnologies, 2015, 19: 235-238.

[31] 劉頭水. 基于以 Fe(OH)3 絮體為晶核的好氧顆粒污泥的培養(yǎng)及脫氮性能研究[D]. 衡陽: 東華大學, 2018.

[32] SAJJAD M, KIM K S. Studies on the interactions of Ca

2+

and Mg

2+

with EPS and their role in determining the

physicochemical characteristics of granular sludges in SBR system[J]. Process Biochemistry, 2015, 50(6): 966-972.

[33] 李洋媚. 鋁鹽在好氧污泥顆粒化過程中的強化作用及其分布特征[D]. 西安: 西安建筑科技大學, 2017.

[34] 周橄, 鄭曉英, 周翔, 等. CuO NPs 對好氧顆粒污泥形成的影響研究 [ J]. 應(yīng)用化工, 2018, 47 ( 8): 1581-

1586, 1599.

[35] 李娟英, 趙慶祥, 王靜, 等. 重金屬對活性污泥微生物毒性的比較研究[ J]. 環(huán)境污染與防治, 2009, 31(11): 17-

20, 25.

[36] 張春暉, 魯文靜, 蘇長羅, 等. Ni

2+對好氧顆粒污泥系統(tǒng)性能的影響[J]. 中國環(huán)境科學, 2020, 40(11): 4721-4727.

[37] 陳穎, 陳垚, 李聰, 等. 好氧顆粒污泥結(jié)構(gòu)特點及穩(wěn)定性研究進展[J]. 工業(yè)水處理, 2021, 41(10): 28-35.

[38] 陸佳, 劉永軍, 劉喆, 等. 有機負荷對污泥胞外聚合物分泌特性及顆粒形成的影響[ J]. 化工進展, 2018, 37(4):

1616-1622.

[39] YANG G J, LI X M, YANG Q, et al. Formation and characteristics of aerobic granular sludge for simultaneous phosphorus

and nitrogen removal in a SBR[J]. Advanced Materials Research, 2011, 356 / 360: 1630-1636.

[40] AWANG N A, SHAABAN M G. Effect of reactor height / diameter ratio and organic loading rate on formation of aerobic

11

廣西師范大學學報(自然科學版),2022,40(2)

granular sludge in sewage treatment[J]. International Biodeterioration & Biodegradation, 2016, 112: 1-11.

[41] JI B, CHEN W, FAN J, et al. Research progress on microbes in aerobic granular sludge[ J]. Chinese Science Bulletin,

2017, 62(23): 2639-2648.

[42] XUE Y Q, GUO J B, LIAN J, et al. Effects of a higher hydraulic shear force on denitrification granulation in upflow anoxic

sludge blanket reactors[J]. Biochemical Engineerirg Journal, 2016, 105(Part A): 136-143.

[43] 王陸璽, 周楠, 王晨旭, 等. 流體流速對好氧顆粒污泥快速培養(yǎng)的影響[ J]. 中國環(huán)境科學, 2018, 38 ( 6):

2090-2096.

[44] BINDHU B K, MADHU G. Influence of three selection pressures on aerobic granulation in sequencing batch reactor[ J].

Indian Journal of Chemical Technology, 2015, 22(5): 241-247.

[45] ZHAO Q, LIU Q X, ZOU X. Research on aerobic granular sludge cultivated under selective pressure [ J]. Advanced

Materials Research, 2014, 1004 / 1005: 908-913.

[46] 楊月喬, 劉永軍, 王曉慧, 等. 強化造粒初期 SBR 沉淀時間對顆粒污泥形成的影響[ J]. 中國給水排水, 2016, 32

(7): 36-39.

[47] AWANG N A, SHAABAN M G. The impact of reactor height / diameter ( H/ D) ratio on aerobic granular sludge (AGS)

formation in sewage[J]. Journal Teknologi, 2015, 77(32): 95-103.

[48] 唐堂, 王碩, 王玉瑩, 等. SBR 不同沉降時間的污泥特性研究[J]. 中國給水排水, 2018, 34(3): 85-90.

[49] 曲新月, 范文雯, 袁林江, 等. 水平攪拌下低高徑比 SBR 中好氧活性污泥的顆?；痆 J]. 中國環(huán)境科學, 2018, 38

(9): 3358-3366.

[50] VAN LOOSDRECHT M C M, BRDJANOVIC D. Water treatment. Anticipating the next century of wastewater treatment[J].

Science, 2014, 344(6191): 1452-1453.

[51] 吳昌永, 王然登, 彭永臻. 污水處理顆粒污泥技術(shù)原理與應(yīng)用[M]. 北京: 中國建筑工業(yè)出版社, 2011.

[52] 李冬, 王櫻橋, 張杰, 等. 高徑比對生活污水好氧顆粒污泥系統(tǒng)的影響[J]. 中國環(huán)境科學, 2019, 39(1): 141-148.

[53] JALALI S, SHAYEGAN J, REZASOLTANI S. Rapid start-up and improvement of granulation in SBR[ J]. Journal of

Environmental Health Science & Engineering, 2015, 13: 36.

[54] NANCHARAIAH Y V, REDDY K K. Aerobic granular sludge technology: Mechanisms of granulation and biotechnological

applications[J]. Bioresource Technology, 2018, 247: 1128-1143.

[55] 羅應(yīng)東. 污泥顆粒化過程及曝氣條件對好氧顆粒的影響研究[D]. 武漢: 華中科技大學, 2011.

[56] 趙玨, 程媛媛, 宣鑫鵬, 等. 曝氣深度對好氧顆粒污泥穩(wěn)定性的影響[J]. 化工進展, 2018, 37(4): 1623-1630.

[57] 尹志文. 菌絲球促進好氧污泥快速顆?；难芯縖D]. 沈陽: 沈陽大學, 2019.

[58] DE SOUSA ROLLEMBERG S L, MENDES BARROS A R, MILEN FIRMINO P I, et al. Aerobic granular sludge:

cultivation parameters and removal mechanisms[J]. Bioresource Technology, 2018, 270: 678-688.

[59] 馮殿寶, 王維紅, 王燕杉, 等. 以黏土為載體的好氧顆粒污泥培養(yǎng)及其對番茄廢水的處理[ J]. 應(yīng)用與環(huán)境生物學

報, 2019, 25(1): 199-205.

[60] 伍昌年, 凌琪, 唐玉朝, 等. 改性粉煤灰強化 SBR 工藝處理污水實驗研究[ J]. 應(yīng)用化工, 2017, 46( 6): 1071-

1073, 1077.

[61] 王磊, 湛含輝, 王晴晴, 等. 好氧顆粒污泥快速培養(yǎng)影響參數(shù)及方法研究進展[ J]. 環(huán)境工程, 2020, 38( 5): 1-

7, 29.

[62] ADAV S S, LEE D J, LAI J Y. Aerobic granulation in sequencing batch reactors at different settling times[J]. Bioresource

Technology, 2009, 100(21): 5359-5361.

[63] 張新喜, 完顏健飛, 胡小兵, 等. 基于活性污泥絮體微觀參數(shù)的污泥沉降性能判別[ J]. 環(huán)境科學學報, 2015, 35

(12): 3815-3823.

[64] 楊雄, 彭永臻, 郭建華, 等. 氮/ 磷缺乏對污泥沉降性能及絲狀菌生長的影響[ J]. 化工學報, 2014, 65 ( 3):

1040-1048.

[65] 袁莎莎. 好氧顆粒污泥形成、 解體及儲存過程研究[D]. 濟南: 山東大學, 2017.

[66] 蔣勗欣, 李軍, 馬挺, 等. 好氧污泥顆?；邪饩酆衔?EPS) 的動態(tài)變化[ J]. 環(huán)境科學學報, 2014, 34( 5):

1192-1198.

[67] 張云霞, 季民, 李超, 等. 好氧顆粒污泥胞外聚合物(EPS)的生化性研究[J]. 環(huán)境科學, 2008, 29(11): 3124-3127.

[68] 朱珂辰. 以比耗氧速率預(yù)警絲狀菌膨脹的研究與應(yīng)用[D]. 西安: 西安建筑科技大學, 2015.

12

http:∥xuebao.gxnu.edu.cn

[69] 唐琳欽, 王安柳, 宿程遠, 等. 不同氮源對好氧顆粒污泥理化特性及微生物群落影響[J]. 廣西師范大學學報(自然

科學版), 2021, 39(2): 144-153.

[70] 王燕杉. 好氧顆粒污泥處理番茄醬生產(chǎn)廢水及微生物群落演替[D]. 烏魯木齊: 新疆農(nóng)業(yè)大學, 2018.

[71] HE Q L, ZHOU J, WANG H Y, et al. Microbial population dynamics during sludge granulation in an A/ O/ A sequencing

batch reactor[J]. Bioresource Technology, 2016, 214: 1-8.

[72] LIU L, YOU Q Y, GIBSON V, et al. Treatment of swine wastewater in aerobic granular reactors: comparison of different

seed granules as factors[J]. Frontiers of Environmental Science and Engineering, 2015, 9(6): 1139-1148.

[73] LIU X D, CHEN Y, ZHANG X, et al. Aerobic granulation strategy for bioaugmentation of a sequencing batch reactor

(SBR) treating high strength pyridine wastewater[J]. Journal of Hazardous Materials, 2015, 295: 153-160.

[74] CAI F R, LEI L R, LI Y M, et al. A review of aerobic granular sludge(AGS) treating recalcitrant wastewater: refractory

organics removal mechanism, application and prospect[J]. Science of the Total Environment, 2021, 782: 146852.

[75] 李黔花, 李志華, 岳秀, 等. 好氧顆粒污泥處理印染廢水的效能及其微生物特征[ J]. 工業(yè)水處理, 2020, 40(3):

43-48.

[76] 林兵. 鹽脅迫下好氧顆粒污泥微生物種群變化及生態(tài)響應(yīng)機制[D]. 鎮(zhèn)江: 江蘇科技大學, 2014.

[77] 侯愛月, 李軍, 王昌穩(wěn), 等. 不同好氧顆粒污泥中微生物群落結(jié)構(gòu)特點[ J]. 中國環(huán)境科學, 2016, 36 ( 4):

1136-1144.

[78] 方芳, 朱潤曄, 張麗麗, 等. 好氧顆粒污泥共代謝降解 MTBE 及微生物群落研究[ J]. 環(huán)境科學學報, 2008, 28

(11): 2206-2212.

[79] DUQUE A F, BESSA V S, CASTRO P M L. Characterization of the bacterial communities of aerobic granules in a 2-

fluorophenol degrading process[J]. Biotechnology Reports, 2015, 5: 98-104.

[80] 李建婷, 紀樹蘭, 劉志培, 等. 16S rDNA 克隆文庫方法分析好氧顆粒污泥細菌組成[ J]. 環(huán)境科學研究, 2009, 22

(10): 1218-1223.

[81] 黃國富, 王成端. 2 種反應(yīng)器中好氧顆粒污泥培養(yǎng)的比較研究[J]. 環(huán)境污染與防治, 2009, 31(4): 48-52.

[82] 蔣俊令. 好氧顆粒污泥降解 2, 4-二氯酚的研究[D]. 濟南: 山東師范大學, 2014.

[83] ABDULLAH N, UJANG Z, YAHYA A. Aerobic granular sludge formation for high strength agro-based wastewater treatment

[J]. Bioresource Technology, 2011, 102(12): 6778-6781.

[84] NAVARRO R R, HORI T, SATO Y, et al. High susceptibility of aerobic microbiota in membrane bioreactor (MBR) sludge

towards olive oil as revealed by high-throughput sequencing of 16S rRNA genes [ J]. Journal of Environmental Chemical

Engineering, 2016, 4(4): 4392-4399.

[85] 王維紅, 王燕杉, 鄭曉英, 等. 長時間低溫儲存好氧顆粒污泥的再生研究[J]. 水處理技術(shù), 2020, 46(10): 33-38.

[86] 馬登月. 好氧顆粒污泥對兩種典型染料處理作用的機制研究[D]. 濟南: 山東大學, 2014.

[87] FRANCA R D G, PINHEIRO H M, LOUREN?O N D. Recent developments in textile wastewater biotreatment: dye

metabolite fate, aerobic granular sludge systems and engineered nanoparticles[ J]. Reviews in Environmental Science and

Biotechnology, 2020, 19: 149-190.

[88] LOTITO A M, FRATINO U, MANCINI A, et al. Effective aerobic granular sludge treatment of a real dyeing textile

wastewater[J]. International Biodeterioration and Biodegradation, 2012, 69: 62-68.

[89] 范駿洋, 張善林, 鄒海晴, 等. 乳品廢水厭氧反應(yīng)器快速啟動及顆粒污泥形成[ J]. 工業(yè)水處理, 2020, 40(11):

66-69.

[90] 張志. 運行條件對好氧顆粒污泥處理乳品廢水的影響[J]. 內(nèi)蒙古水利, 2015(6): 188-189.

[91] WICHERN M, LüBKEN M, HORN H. Optimizing sequencing batch reactor(SBR) reactor operation for treatment of dairy

wastewater with aerobic granular sludge[J]. Water Science and Technology, 2008, 58(6): 1199-1206.

[92] BUMBAC C, IONESCU I A, TIRON O, et al. Continuous flow aerobic granular sludge reactor for dairy wastewater

treatment[J]. Water Science and Technology, 2015, 71(3): 440-445.

[93] 劉前進, 劉立凡. 室溫下苯酚溶液濃度對好氧顆粒污泥儲存穩(wěn)定性的影響[ J]. 中國環(huán)境科學, 2021, 41( 12):

5620-5626.

[94] 劉國洋, 趙白航, 李軍, 等. 好氧顆粒污泥降解苯酚[J]. 環(huán)境工程學報, 2014, 8(9): 3645-3650.

[95] 萬小平. 環(huán)境相關(guān)濃度磺胺嘧啶對好氧顆粒污泥的影響及其去除機制[D]. 濟南: 山東大學, 2018.

[96] 項正心, 張麗麗, 陳建孟. 好氧顆粒污泥降解甲基叔丁醚的實驗研究[ J]. 環(huán)境污染與防治, 2008, 30(11): 66-

13

廣西師范大學學報(自然科學版),2022,40(2)

69, 74.

[97] 方芳. 降解 MTBE 好氧顆粒污泥的培養(yǎng)及微生物群落結(jié)構(gòu)研究[D]. 杭州: 浙江工業(yè)大學, 2008.

[98] 陳丁丁. 毒性抑制下好氧顆粒污泥的響應(yīng)研究[D]. 合肥: 合肥工業(yè)大學, 2017.

[99] 田世烜, 張萌, 陳亮, 等. 3 種污泥對磺胺二甲基嘧啶的吸附性能[J]. 環(huán)境工程學報, 2012, 6(3): 1020-1024.

[100] 魏永軍. 工業(yè)廢水中有機毒物治理技術(shù)的初步研究及其應(yīng)用[D]. 南京: 南京理工大學, 2012.

[101] 馬春, 李玲, 俞津津, 等. 好氧顆粒污泥的應(yīng)用[J]. 化工進展, 2011, 30(6): 1369-1373.

[102] 江孟, 胡學偉, TRUNG N D, 等. 好氧顆粒污泥對 Pb

2+

、 Cu

2+

、 Cd

2+的吸附[J]. 水處理技術(shù), 2013, 39(2): 53-56.

[103] 馬明海, 彭書傳, 徐圣友, 等. 重金屬對好氧顆粒污泥性能的影響[J]. 環(huán)境科學與技術(shù), 2011, 34(2): 159-161.

[104] 李姝, 胡學偉, TRUNG N D, 等. 干燥好氧顆粒污泥對重金屬的吸附研究[J]. 工業(yè)水處理, 2013, 33(10): 40-43.

[105] WANG X L, LI Y, HUANG J, et al. Efficiency and mechanism of sorption of low concentration uranium in water by

powdery aerobic activated sludge[J]. Ecotoxicology and Environmental Safety, 2019, 180: 483-490.

[106] 郭棟清, 李靜, 張利波, 等. 核工業(yè)含鈾廢水處理技術(shù)進展[J]. 工業(yè)水處理, 2019, 39(1): 14-20.

[107] MARTINS M, FALEIRO M L, CHAVES S, et al. Anaerobic bio-removal of uranium ( VI) and chromium ( VI):

comparison of microbial community structure[J]. Journal of Hazardous Materials, 2010, 176(1 / 3): 1065-1072.

[108] 苑士超, 謝水波, 李仕友, 等. 厭氧活性污泥處理廢水中的 U(Ⅵ)[J]. 環(huán)境工程學報, 2013, 7(6): 2081-2086.

Research Progress of Aerobic Granular Sludge Based on Bibliometric Analysis

XIAO Fei, DING Xusheng, WANG Weihong

?

(College of Water Conservancy and Civil Engineering, Xinjiang Agricultural University, Urumqi Xinjiang 830052, China)

Abstract: In order to understand the research status and hotspot of aerobic granular sludge (AGS) at home and

abroad, bibliometrics was used to review and summarize the global literatures on AGS published between 2008

and 2021 based on the China National Knowledge Network ( CNKI) database and the Web of Science core

database. At the same time, VosViewer visualization tool was used to conduct keyword co-occurrence cluster

analysis, and various knowledge graphs were drawn to show the evolution of knowledge in AGS research field at

home and abroad. Key words analysis showed that the application of AGS in the treatment of different types of

wastewater, the utilization of AGS multiple biological functions ( nitrogen and phosphorus removal ), the

formation mechanism and conditions of AGS, enhanced granulation and continuous stability cultivation were the

main research hotspots of AGS. The research progress of AGS in China has been increasing rapidly, mainly

focusing on the formation mechanism of AGS. Overseas research focuses on the types of AGS start-up reactor and

disintegration and recovery. The rapid granulation and stable culture of AGS, the synergisation of various

functional microorganisms, and the continued expansion of the efficient utilization of AGS in different fields may

become the research hotspots in the future.

Keywords: aerobic granular sludge; bibliometrics; VOSviewer; cluster analysis; knowledge map

(責任編輯 王龍杰)

14

第 40 卷 第 2 期

2022 年 3 月

廣西師范大學學報(自然科學版)

Journal of Guangxi Normal University (Natural Science Edition)

Vol. 40 No. 2

Mar. 2022

DOI: 10.16088 / j.issn.1001-6600.2021020301 http: xuebao.gxnu.edu.cn

林培群,何伙華,林旭坤. 基于系統(tǒng)關(guān)聯(lián)性的高速公路大中型貨車到達量多尺度預(yù)測[J]. 廣西師范大學學報(自然科學版), 2022, 40(2):

15-26. LIN P Q, HE H H, LIN X K. Multi-scale prediction of expressways’arrival volume of large and medium-sized trucks based on system

relevance[J]. Journal of Guangxi Normal University (Natural Science Edition), 2022, 40(2): 15-26.

基于系統(tǒng)關(guān)聯(lián)性的高速公路大中型貨車

到達量多尺度預(yù)測

林培群1?

, 何伙華1

, 林旭坤2

(1. 華南理工大學 土木與交通學院, 廣東 廣州 510641; 2. 廣東省交通運輸廳 綜合規(guī)劃處, 廣東 廣州 510101)

摘 要: 近年來, 交通流中大中型貨車流量占比逐漸增大, 對城市交通的影響日愈增加, 準確、 及時的大中型貨車到達

量預(yù)測對精確的城市交通管控具有重要意義。 針對該問題, 本文提出了考慮系統(tǒng)關(guān)聯(lián)性的高速公路大中型貨車到達量多

尺度預(yù)測方法: 考慮高速公路網(wǎng)的系統(tǒng)關(guān)聯(lián)性, 對高速公路收費站進、 出口大中型貨車流量的時空關(guān)聯(lián)性進行分析, 構(gòu)

建神經(jīng)網(wǎng)絡(luò)模型學習空間權(quán)重與時間權(quán)重; 每一時間步將輸入與空間權(quán)重、 時間權(quán)重融合, 并設(shè)置偏置項修正后得到該

時間步預(yù)測結(jié)果; 各時間步預(yù)測結(jié)果對應(yīng)求和得到最終預(yù)測結(jié)果。 實驗結(jié)果表明: 所用方法在 15、 30、 60 min 的時間尺

度下預(yù)測精度分別達到 90.92%、 92.48%、 94.33%, 優(yōu)于其他對比模型, 實用性和有效性均得到了保證。

關(guān)鍵詞: 交通流預(yù)測; 系統(tǒng)關(guān)聯(lián)性; 神經(jīng)網(wǎng)絡(luò); 高速公路; 大中型貨車流量

中圖分類號: U491 文獻標志碼: A 文章編號: 1001-6600(2022)02-0015-12

城市交通擁堵和交通安全問題仍然是現(xiàn)代城市主要的交通問題,近年來交通流中大中型貨車流量占

比的增加是加劇以上交通問題的重要因素。 首先,交通流中大中型貨車流量占比值過高,將對道路通行能

力產(chǎn)生一定的消極影響。 《道路通行能力手冊》

[1]指出,在混合交通流中,由于大中型車輛慣性較大,變速

不靈活,導(dǎo)致大中型車輛難以適應(yīng)速度多變的交通流,在交通流中形成的大間隙很難由超車來填補,造成

無法避免的道路空間的低效利用。 其次,大中型貨車存在視野盲區(qū)較大、轉(zhuǎn)彎半徑較大等問題,在繁忙的

城市交通中,造成了一定的交通安全隱患。 此外,超重超載貨車也使得城市道路使用年限降低。 隨著現(xiàn)代

技術(shù)的不斷提高、交通管控水平的不斷提升,交通行業(yè)管理人員對交通擁堵問題、交通安全問題的認識不

斷加強,大中型貨車對城市交通的影響越來越受到交通管理人員的重視,準確、及時的大中型貨車到達量

預(yù)測,可以為交通管理人員實施實時交通管控提供數(shù)據(jù)依據(jù)。

交通量預(yù)測是智能交通系統(tǒng)重要的研究內(nèi)容之一,歷經(jīng)多年的研究與發(fā)展,取得了大量的研究結(jié)

果[2-4]

。 按照不同的研究思路可將交通量預(yù)測方法分為:基于周期性的預(yù)測方法、基于自回歸的預(yù)測方

法、基于系統(tǒng)關(guān)聯(lián)的預(yù)測方法。 基于周期性的預(yù)測方法將歷史同期流量值作為未來預(yù)測值的參考信息,如

K 最近鄰算法(KNN)

[5-8]

;基于自回歸的預(yù)測方法考慮交通流自身歷史序列在未來短時間的延續(xù),從而擬

合自身歷史序列與預(yù)測值的關(guān)系,如求和自回歸移動平均模型(ARIMA)

[9-11]

、支持向量機(SVM)

[12-14]等;

基于系統(tǒng)關(guān)聯(lián)的預(yù)測方法考慮目標交通量不僅與自身歷史時序存在關(guān)聯(lián),還與周邊一定路網(wǎng)范圍內(nèi)其他

因素存在關(guān)聯(lián),基于系統(tǒng)關(guān)聯(lián)的方法多利用機器學習模型求解,如 LSTM

[15-16]

、GRU

[17-18] 等對時間維度特

征學習、GNN

[19-21]在空間維度進行信息的聚合等。

基于周期性的預(yù)測方法的準確性取決于交通量序列自身的周期性強弱,基于自回歸的預(yù)測方法僅使

用交通量序列自身歷史數(shù)據(jù),以上 2 種方法具有一定局限性,所能達到的精度有限。 基于系統(tǒng)關(guān)聯(lián)的預(yù)測

收稿日期: 2021-02-03 修回日期: 2021-03-23

基金項目: 國家自然科學基金(52072130, U1811463); 廣東省自然科學基金(2020A1515010349); 中央高?；究?/p>

研業(yè)務(wù)費(2020ZYGXZR085)

通信作者: 林培群(1980—), 男, 廣東饒平人, 華南理工大學教授, 博士。 E-mail: pqlin@scut.edu.cn

廣西師范大學學報(自然科學版),2022,40(2)

方法充分考慮路網(wǎng)的系統(tǒng)關(guān)聯(lián)性,采用神經(jīng)網(wǎng)絡(luò)方法提取有效的系統(tǒng)關(guān)聯(lián)特征,往往可以獲得非常理想的

預(yù)測精度和魯棒性。

考慮系統(tǒng)關(guān)聯(lián)性的神經(jīng)網(wǎng)絡(luò)方法國內(nèi)外學者進行了較多的研究,但由于神經(jīng)網(wǎng)絡(luò)方法的理論基礎(chǔ)尚

不完善,神經(jīng)網(wǎng)絡(luò)模型的可解釋性往往較差,在高速公路交通流中,未能充分挖掘交通流序列的時空關(guān)聯(lián)

性,預(yù)測精度仍有提升空間。 此外,在現(xiàn)有對道路交通量的研究中,研究對象基本為全樣本交通流,大中型

貨車由于樣本量較少,預(yù)測難度較大,相關(guān)研究較少。

高速公路交通量的時空關(guān)聯(lián)性是高速公路網(wǎng)系統(tǒng)關(guān)聯(lián)性的重要特征,本文提出的考慮系統(tǒng)關(guān)聯(lián)性的

高速公路大中型貨車到達量多尺度預(yù)測方法,在充分挖掘高速公路收費站進、出口大中型貨車流量時空關(guān)

聯(lián)性的基礎(chǔ)上,構(gòu)建空間權(quán)重、時間權(quán)重學習高速公路收費站進、出口大中型貨車流量的時空關(guān)聯(lián)性,提高

本文神經(jīng)網(wǎng)絡(luò)模型的可解釋性,并以京港澳高速北興收費站一定范圍內(nèi)的區(qū)域為例進行大中型貨車到達

量預(yù)測的實例分析。

1 高速公路交通流數(shù)據(jù)分析

1.1 數(shù)據(jù)來源

本文數(shù)據(jù)來源于廣東省高速公路收費系統(tǒng)產(chǎn)生的高速公路出口收費站流水表,由廣東省交通運輸廳

提供,源數(shù)據(jù)暫未公開,本文模型所用訓(xùn)練數(shù)據(jù)已公開于 https:∥github.com / SCUTWason / STNN.git。

源數(shù)據(jù)包含出入口路段編號、出入口站編號、出入口日期及時間、車型、車種、行駛里程等信息,部分字

段的出口流水表數(shù)據(jù)結(jié)構(gòu)如表 1 所示。

入口路段編號、入口站編號確定具體入口收費站;出口路段編號、出口站編號確定具體出口收費站;入

口、出口日期及時間為車輛進出高速公路的時間;車型分為 1、2、3、4、5 型車,是交通部統(tǒng)一標準的一至五

類車;車種僅包含:0 客車、1 貨車;行駛里程一般為入口收費站到出口收費站的最短距離;源數(shù)據(jù)實例(部

分字段)如表 2 所示。 本文所研究大中型貨車交通量為交通部統(tǒng)一標準的三至五類貨車(車型標識為 3 ~

5,即核載為 5 t 及以上貨車)交通量。

本文以京港澳高速北興收費站 25 km 行程范圍內(nèi)的高速公路收費站所在區(qū)域作為目標區(qū)域進行研

究,包含 14 個高速公路收費站,圖 1 所示虛線范圍內(nèi)區(qū)域為目標區(qū)域,圓點標記點為目標區(qū)域內(nèi)包含的

14 個高速公路收費站,目標區(qū)域位于廣州核心市區(qū)北部———廣東省高速公路網(wǎng)密度最高的區(qū)域內(nèi)部,區(qū)

內(nèi)有較多物流倉庫,收費站出入流量在省內(nèi)所有收費站中處于中等偏高水平[22]

。

表 1 數(shù)據(jù)集說明

Tab. 1 Data set description

字段名 數(shù)據(jù)類型 含義

InRoadNo Smallint 入口路段編號

InStationNo Integer 入口站編號

InOpTime Datetime 入口日期及時間

OutRoadNo Smallint 出口路段編號

OutStationNo Integer 出口站編號

OutOpTime Datetime 出口日期及時間

VehType TinyInt 車型

VehKindFlag TinyInt 車種

Miles Integer 行駛里程

16

http:∥xuebao.gxnu.edu.cn

表 2 源數(shù)據(jù)實例

Tab. 2 Instance of data source

InRoadNo InStationNo InOpTime OutRoadNo OutStationNo OutOpTime VehType VehKindFlag Miles

80 5 2019 / 8 / 31 23:41:15 80 2 2019 / 9 / 1 0:01:04 1 1 30.800

125 5 2019 / 8 / 31 23:38:26 25 19 2019 / 9 / 1 0:02:24 1 0 30.310

40 7 2019 / 8 / 31 23:30:22 152 3 2019 / 9 / 1 0:01:55 5 1 25.228

106 7 2019 / 8 / 31 23:34:51 61 19 2019 / 9 / 1 0:02:41 3 1 29.700

圖 1 實驗?zāi)繕藚^(qū)域及區(qū)域內(nèi)高速公路收費站

Fig. 1 Experimental target area and expressway stations in the area

1.2 高速公路入口收費站的選擇———流量來源分布

高速公路收費站在某段時間內(nèi)出口流量來源于此前一定時段內(nèi)從一定空間范圍內(nèi)的入口收費站駛?cè)?/p>

高速路網(wǎng)的車輛[22]

。 在出口收費站流量來源分布中,入口收費站流量占出口收費站流量比例越高,說明

兩者之間關(guān)聯(lián)性越大。

為了方便分析,本文對高速公路收費站進行編號:

1)出口收費站:編號僅為區(qū)分收費站,無編號規(guī)律。

2)入口收費站:按高速公路出口收費站大中型貨車流量來源比例對相應(yīng)的入口收費站進行逆序排序

并編號。

首先,分析全省范圍內(nèi)高速公路出口收費站大中型貨車流量來源分布,對高速公路收費站進行抽樣分

析。 隨機抽取 120 個出口收費站,對所有出口收費站作大中型貨車流量來源累計比例散點圖(如圖 2 所

示),前 50 個入口收費站流量累計比例基本達到 70%以上,前 100 個入口收費站流量累計比例基本達到

80%以上,前 150 個入口收費站流量累計比例基本達到 90%以上,而廣東有超過 1 000 個高速公路收費

站,說明高速公路出口收費站大中型貨車流量主要來源于其中少部分入口收費站。

進一步地,分析到達圖 1 所示目標區(qū)域的大中型貨車流量來源分布。 如圖 3 所示,可以發(fā)現(xiàn)目標區(qū)

域的高速公路出口收費站大中型貨車流量來源較為集中。 在來源入口收費站中,流量占比最高達 8.1%,

隨后急劇降低,到第 50 個入口收費站流量僅占比 0.4%,此后流量占比下降趨于緩和。 目標區(qū)域大中型貨

17

廣西師范大學學報(自然科學版),2022,40(2)

車流量來源累計比例增長幅度先快后慢,且流量來源分布最高的前 50 個入口收費站總流量占目標區(qū)域出

口收費站流量的 72.3%,因此可選擇到達目標區(qū)域的大中型貨車流量最高的前 50 個入口收費站大中型貨

車流量作為模型的輸入,不僅保證了模型輸入與輸出的關(guān)聯(lián)性,且控制了輸入的數(shù)據(jù)量,避免輸入數(shù)據(jù)過

多而產(chǎn)生的數(shù)據(jù)噪聲影響。

圖 2 廣東省部分高速公路出口收費站大中型貨車流量來源累計比例

Fig. 2 Accumulative proportion of exit volume sources of large and medium-sized

trucks at some expressway stations in Guangdong Province

圖 3 目標區(qū)域出口收費站大中型貨車流量來源累計比例

Fig. 3 Accumulative proportion of exit volume sources of large and medium-sized

trucks in the target area

圖 2、圖 3 中,“入口收費站流量比例”表示“從入口收費站前往出口收費站(或目標區(qū)域)的大中型貨

車流量占出口收費站(或目標區(qū)域)大中型貨車總流量的比例”,x 軸為入口收費站編號,y 軸中 P(x)為出

口收費站流量來源比例、 ∑P(x)為出口收費站流量來源累計比例。

1.3 系統(tǒng)關(guān)聯(lián)性分析———空間關(guān)聯(lián)

對圖 1 所示目標區(qū)域大中型貨車流量來源比例最高的前 50 個入口收費站大中型貨車流量進行統(tǒng)計,

入口流量中以目標區(qū)域收費站為出口的流量平均占比如圖 4 所示,x 軸為入口收費站編號。 大部分入口

收費站大中型貨車流量前往目標區(qū)域的比例不超 15%,50 個入口收費站中僅有 4 個收費站比例超 30%,

表明多數(shù)入口收費站大中型貨車流量中僅有較小比例流量對目標區(qū)域高速公路大中型貨車到達量產(chǎn)生

影響。

道路交通流變化趨勢具有周期性,隨機抽取某入口收費站進行分析,該入口收費站大中型貨車前往目

標區(qū)域的流量平均占比為 22.8%。 選取該站一周內(nèi)各小時大中型貨車前往目標區(qū)域流量占比進行分析,

如圖 5 所示, x 軸為 2019 年 8 月 7 日 0 時—2019 年 8 月 13 日 23 時各小時。 由圖可以看出,入口收費站前

往目標區(qū)域的大中型貨車流量占比呈現(xiàn)周期性特征。

18

http:∥xuebao.gxnu.edu.cn

圖 4 入口收費站大中型貨車流量前往目標區(qū)域比例

Fig. 4 Proportion of entrance volume of large and medium-sized

trucks to the target area

圖 5 某入口收費站一周內(nèi)各小時大中型貨車前往目標區(qū)域流量占比

Fig. 5 Proportion of an entrance station’s volume of large and medium-sized

trucks to the target area in each hour in a week

1.4 系統(tǒng)關(guān)聯(lián)性分析———時間關(guān)聯(lián)

不同收費站到目標區(qū)域收費站所需時間與路程、實時道路交通流狀態(tài)和外界環(huán)境因素有關(guān)。 如果僅

考慮路程、不考慮道路交通流狀態(tài)和外界環(huán)境因素,從某入口收費站(標記為 Si)到達某出口收費站(標記

為 So)的行程時間滿足獨立同分布條件,根據(jù)伯努利大數(shù)定律,車輛在 t

j 時間段內(nèi)到達的頻率近似于其發(fā)

生的概率,通過統(tǒng)計得到某入口收費站 Si 到達某出口收費站 So 的行程時間頻率分布如圖 6 所示,可知固

定 2 個收費站出入口之間行程時間分布滿足一定規(guī)律;如果同時考慮路程、道路交通流狀態(tài),若忽略外界

環(huán)境因素且道路交通無突發(fā)事件(如車禍、節(jié)假日等),道路交通流基本呈周期性的、穩(wěn)定的漸進態(tài)勢不斷

演變,那么車輛從入口收費站 Si 到出口收費站 So 的行程時間仍可視為滿足一定分布規(guī)律,該分布規(guī)律隨

時間變化呈周期性變化。

圖 6 為某一入口收費站大中型貨車到目標區(qū)域某一出口站行程時間分布曲線及分布直方圖,并擬合

F 分布以觀察行程時間分布與 F 分布的關(guān)系。 從圖中可見,固定 2 個收費站出入口之間行程時間分布滿

足一定規(guī)律,該分布一定程度上符合 F 分布。

2 模型構(gòu)建

目標區(qū)域內(nèi)高速公路大中型貨車到達量預(yù)測是典型的時空序列預(yù)測問題,本文根據(jù) N 個入口收費站

的前 T 個時間步、時間尺度為 τ 的歷史貨車流量對后續(xù) T′ 個時間步、時間尺度為 τ′ 的貨車流量進行預(yù)測。

19

廣西師范大學學報(自然科學版),2022,40(2)

圖 6 某一入口收費站大中型貨車到目標區(qū)域某一出口站行程時間分布

Fig. 6 Travel time distribution of large and medium-sized trucks

from an entrance station to an exit station in the target area

定義輸入流量矩陣 X= (x·1 ,x·2 ,…,x·T )

T∈R

N×T

,輸入流量對應(yīng)的小時標簽序列 Φ = (φ1 ,φ2 ,…,φT )∈

R

T

,輸入流量對應(yīng)的星期天數(shù)標簽序列 Ψ= (ψ1 ,ψ2 ,…,ψT )∈R

T

,各入口收費站前往目標區(qū)域流量的歷史

平均空間權(quán)重 S

h = (s

h

1 , s

h

2 ,…,s

h

N)

T∈R

N

,目標區(qū)域收費站自身歷史出口流量向量 y = (y1 ,y2 ,...,yT )∈R

T

,

預(yù)測流量向量 ^y = (

^y1 ,

^y2 ,…,

^yT′)∈R

T′

。

由于目標區(qū)域出口收費站流量與各入口收費站流量的時空關(guān)聯(lián)性隨時間的推移而發(fā)生變化,為學習

此變化,將神經(jīng)網(wǎng)絡(luò)設(shè)置為時間維度的循環(huán)網(wǎng)絡(luò)。

2.1 空間關(guān)聯(lián)性學習

輸入與輸出的空間關(guān)聯(lián)性體現(xiàn)在各入口收費站僅有一定比例流量前往目標區(qū)域,因此構(gòu)建模型學習

該比例,各入口收費站流量序列乘上相應(yīng)的比例權(quán)重后,才進行下一步的時間關(guān)聯(lián)性學習。

各入口收費站流量空間權(quán)重構(gòu)建步驟如下:

步驟 1 對于每一時間步 t,將輸入 X、所在小時φt、所在星期天數(shù)ψt 通過廣播機制進行融合后的融合

向量分別經(jīng)線性層[23]

、Tanh 層[24]

、線性層進行非線性變換,得到空間調(diào)整向量 S。

步驟 2 利用 Tanh 激活函數(shù)將向量 S 映射到[ -1, 1]區(qū)間,并除以超參數(shù) 0<σ<1,將值域調(diào)整至

[-σ,σ]區(qū)間。

步驟 3 各入口收費站前往目標區(qū)域流量的歷史平均空間權(quán)重 S

h

,加上縮小值域范圍的空間調(diào)整向

量 S′,所得向量經(jīng) ReLU

[25]層得到各入口收費站流量空間權(quán)重向量 S″。

S1

=Ws1

X;φt;ψt

[ ] +bs1

, (1)

S2

= Tanh(S1 ), (2)

S =Ws2

S2

+bs2

, (3)

S′=σTanh(S), (4)

S″=ReLU (S

h+S′)。 (5)

式中:Ws1

、Ws2是線性層的權(quán)重矩陣,bs1

、bs2是線性層的偏置項,以上為需要學習的參數(shù);S

h 是各入口收費

站前往目標區(qū)域流量的歷史平均空間權(quán)重,σ 是控制空間權(quán)重調(diào)整范圍的超參數(shù)。

此后,將 t 時間步的輸入 xt 與空間權(quán)重 S″融合后的 x′t進行時間關(guān)聯(lián)性的學習,

x′t

= xt☉S″, (6)

式中☉表示哈達瑪積。

2.2 時間關(guān)聯(lián)性學習

輸入與輸出的時間關(guān)聯(lián)性體現(xiàn)在各入口收費站流量到達目標區(qū)域出口收費站所花費時間符合一定分

布,因此在 t 時間步內(nèi)某入口收費站 i 的入口流量在 t

j 時間段內(nèi)到達目標區(qū)域出口收費站的概率為 Pj,其

中 j ={1,2,…,M} ,∑

j

Pj

= 1,M 為時間尺度為 τ 但區(qū)別于輸入時間步 T 和輸出時間步 T′的行程時間分布

20

http:∥xuebao.gxnu.edu.cn

時間步。 各概率組成時間權(quán)重向量 Ei·

= (P1 ,P2 ,…,PM )∈R

M

,所有入口收費站時間權(quán)重向量組成時間

權(quán)重矩陣 E= (E1·,E2·,…,EN·)

T∈R

N×M

。

各入口收費站流量時間權(quán)重構(gòu)建步驟如下:

步驟 1 對于每一時間步 t,將輸入 X、所在小時 φt、所在星期天數(shù) ψt 通過廣播機制進行融合后的融合

向量分別經(jīng)線性層、Tanh 層、線性層進行非線性變換,得到的時間權(quán)重矩陣 E;

步驟 2 時間權(quán)重矩陣 E 經(jīng) Softmax

[26]歸一化處理,得到歸一化時間權(quán)重矩陣 E′。

E1

=We1

X;φt;ψt

[ ] +be1

, (7)

E2

= Tanh(E1 ), (8)

E=We2

E2

+be2

, (9)

E′ij

=

exp Eij

( )

∑

M

j = 1

exp Eij

( )

。 (10)

式中:We1

、We2是線性層的權(quán)重矩陣,be1

、be2是線性層的偏置項,以上為需要學習的參數(shù);Eij、E′ij分別表示時

間權(quán)重矩陣 E、歸一化時間權(quán)重矩陣 E′中的元素。

此后,將 t 時間步的輸入 x′t與時間權(quán)重矩陣 E′融合,得到 t 時間步輸出向量 Yt,

Yt

= x′tE′。 (11)

2.3 偏置項學習

由于目標區(qū)域流量不僅與輸入的入口收費站流量有關(guān),還與其他入口收費站流量有關(guān),且交通流具有

隨機性、波動性特征,因此在模型中設(shè)置偏置項學習,對 t 時間步輸出進行修正。

考慮交通流的時變特征和總體趨勢的延續(xù)性,在每一時間步中,將輸入 X、所在小時 φt、所在星期天數(shù)

ψt、目標區(qū)域收費站自身歷史出口流量向量 y,通過廣播機制進行融合后再進行線性變換,得到的向量作

為偏置項。 公式為

b =W′ [X;φt;ψt;y] +b′, (12)

式中 W′、b′為需要學習的參數(shù)。

t 時間步的修正輸出為

Y′t

=Yt

+b。 (13)

2.4 預(yù)測結(jié)果

t 時間步的輸出向量 Y′t為 t 時間步后 M 個時間段內(nèi)的預(yù)測結(jié)果,因此各時間步預(yù)測結(jié)果需要變換為

相同時間段內(nèi)的預(yù)測結(jié)果:

^y′t,j

=

Y′t,j+t-1 , j≤M-t+1,

0, j>M-t+1。 { (14)

式中 Y′t,j、

^y′t,j分別表示向量 Y′t、向量 ^y′t中的元素,j ={1,2,…,M} 。

所有時間步預(yù)測結(jié)果 ^y′t求和得到 M 個時間步、時間尺度為 τ 的預(yù)測向量

^y′ = ∑t

^y′t。 (15)

最后將 M 個時間步、時間尺度為 τ 的預(yù)測向量 ^y′轉(zhuǎn)換為 T′個時間步、時間尺度為 τ′的預(yù)測結(jié)果 ^y。

3 實例驗證

3.1 數(shù)據(jù)說明與實驗設(shè)置

3.1.1 數(shù)據(jù)說明

以京港澳高速北興收費站 25 km 行程范圍內(nèi)收費站所在區(qū)域作為目標區(qū)域,包含 14 個高速公路收費

站,如圖 1 所示,以目標區(qū)域出口收費站大中型貨車總流量作為輸出,以到達目標區(qū)域的大中型貨車流量

最高的前 50 個入口收費站大中型貨車流量作為輸入。

21

廣西師范大學學報(自然科學版),2022,40(2)

實驗采用 2019 年 5 月—2019 年 9 月的高速公路收費站收費流水數(shù)據(jù),其中 2019 年 5 月—2019 年 8

月數(shù)據(jù)作為訓(xùn)練集,2019 年 9 月數(shù)據(jù)作為測試集。 實驗采用過去 120 min 作為歷史時段,未來 60 min 作

為預(yù)測時段,輸入數(shù)據(jù)時間尺度取 5 min,預(yù)測時間尺度分別采用 15、30、60 min 進行對比。

實驗采用 Min-Max 歸一化公式[27]分別將輸入、輸出數(shù)據(jù)映射到[0,1]區(qū)間,歸一化公式為

z =

x-xmin

xmax

-xmin

, (16)

式中:z 為歸一化后數(shù)據(jù),x 為原始數(shù)據(jù),xmin 、xmax分別為 x 的最小值、最大值。

3.1.2 評價指標

為了評價模型的預(yù)測性能,本文采用均方根誤差(RMSE)、平均絕對誤差(MAE)、平均絕對百分比誤

差(MAPE)

[28]作為評價指標。

eRMSE

=

1

N ∑

N

i = 1

(yi

- ^yi)

2

, (17)

eMAE

=

1

N∑

N

i = 1

yi

- ^yi , (18)

eMAPE

=

1

N∑

N

i = 1

yi

- ^yi

yi

× 100%。 (19)

3.1.3 實驗設(shè)置

實驗中模型批處理大小為 256,學習率采用梯級下降的動態(tài)學習率,初始值為 0.001,每迭代 1 000 次

衰減 5%

[22]

:

l

r

(i) = 0.001×0.95

i

1 000 。 (20)

模型損失函數(shù)采用均方誤差(MSE)

[28]

,計算公式為

eMSE

=

1

N∑

N

i = 1

(yi

- ^yi)

2

。 (21)

此外,為減小模型的過擬合,實驗中添加值為 0.000 1 的權(quán)重衰減(weight decay)。

3.2 實驗結(jié)果

3.2.1 實驗結(jié)果分析

本文所提出模型在 15、30、60 min 預(yù)測時間尺度下預(yù)測值與實際值對比結(jié)果如圖 7 所示。 在 3 個時

間尺度下,模型預(yù)測結(jié)果均能較好貼合實際值,且貼合效果隨時間尺度增大而更優(yōu)。

3.2.2 模型對比分析

實驗采用 GRU、LSTM、STGCN

[29]

、AGCRN

[30] 模型與本文提出的模型進行比較,以驗證模型性能的

優(yōu)劣。

1)GRU:門控循環(huán)單元,隱藏層單元數(shù)為 128。

2)LSTM:長短期記憶網(wǎng)絡(luò),隱藏層單元數(shù)為 128。

3)STGCN:時空圖卷積神經(jīng)網(wǎng)絡(luò),取所有入口收費站及出口收費站作為節(jié)點構(gòu)建圖,鄰接矩陣采用依

距離衰減的 Dijkstra 矩陣,圖卷積操作采用 1 階切比雪夫多項式進行求解。

4)AGCRN:自適應(yīng)圖卷積遞歸網(wǎng)絡(luò),一種基于圖卷積網(wǎng)絡(luò)設(shè)計節(jié)點自適應(yīng)參數(shù)學習模塊和自適應(yīng)圖

生成模塊、并結(jié)合遞歸網(wǎng)絡(luò)自動捕獲交通流序列時空關(guān)聯(lián)性的圖神經(jīng)網(wǎng)絡(luò),取所有入口收費站及出口收費

站作為節(jié)點構(gòu)建圖。

為保證公平,所有模型都在相同環(huán)境下運行,基于 Python 3.7 開發(fā),調(diào)用 Pytorch 1.6.0 深度學習函數(shù)

庫,并使用 GPU 加速。 實驗結(jié)果如表 3 所示。

從表 3 中可以看出,在 15、30、60 min 預(yù)測時間尺度下,本文提出的模型均達到了較好的預(yù)測結(jié)果,平

均百分比誤差(MAPE)分別降到 9.08%、7.52%、5.67%,MAPE 隨時間尺度的增大而降低。 這是因為隨著

時間尺度的增大,大中型貨車到達量的隨機性、波動性越小,數(shù)據(jù)噪聲越小,預(yù)測精度越高。

22

http:∥xuebao.gxnu.edu.cn

對比各個模型實驗結(jié)果,GRU 和 LSTM 能夠?qū)W習交通流序列時間維度特征,但未能捕捉空間維度關(guān)

系,在 5 個實驗?zāi)Ｐ椭行Ч畈?STGCN 采用圖卷積操作提取空間維度特征、采用普通卷積操作提取時間

維度特征,預(yù)測結(jié)果優(yōu)于 GRU 和 LSTM;AGCRN 基于圖卷積網(wǎng)絡(luò)設(shè)計節(jié)點自適應(yīng)參數(shù)學習模塊和自適應(yīng)

圖生成模塊,并結(jié)合遞歸網(wǎng)絡(luò)自動捕獲交通流序列時空關(guān)聯(lián)性,預(yù)測結(jié)果更優(yōu)于 STGCN。 相比于其他模

型,本文提出的模型實驗結(jié)果均達到了最好:當時間尺度為 15 min 時,本文提出的模型 RMSE、MAE、

MAPE 精度分別比 AGCRN 提高 6.21%、7.07%、9.33%;當時間尺度為 30 min 時,RMSE、MAE、MAPE 精度

分別比 AGCRN 提高 6. 68%、7. 57%、8. 48%;當時間尺度為 60 min 時,RMSE、MAE、MAPE 精度分別比

AGCRN 提高 12.14%、14.04%、16.13%。

圖 7 目標區(qū)域高速公路大中型貨車到達量預(yù)測值與實際值對比

Fig. 7 Comparison of predicted and true values of large and medium-sized

trucks arriving on expressways in target areas

表 3 不同模型的均方根誤差(RMSE)、平均絕對誤差(MAE)和平均絕對百分比誤差(MAPE)值

Tab. 3 RMSE, MAE and MAPE values for different models

模型

15 min 30 min 60 min

RMSE MAE MAPE/ % RMSE MAE MAPE/ % RMSE MAE MAPE/ %

GRU 19.418 15.891 13.08 33.714 27.826 11.45 56.801 47.579 9.86

LSTM 19.338 15.81 12.92 33.557 27.555 11.27 58.722 48.936 10.18

STGCN 17.796 14.501 11.66 30.891 25.437 10.15 48.079 38.762 7.18

AGCRN 16.391

?

13.073

?

10.02

?

26.568

?

21.360

?

8.22

?

44.358

?

35.874

?

6.76

?

本文模型 15.373 12.149 9.08 24.794 19.743 7.52 38.974 30.839 5.67

本文模型與 AGCRN 對比 +6.21% +7.07% +9.33% +6.68% +7.57% +8.48% +12.14% +14.04% +16.13%

注:“?”表示 4 個對比模型中各評價指標誤差最低的模型;“ +”表示本文模型相對于精度最高的對比模型的精度提升百分比。

23

廣西師范大學學報(自然科學版),2022,40(2)

4 結(jié)語

本文通過分析目標區(qū)域高速公路大中型貨車到達量與高速公路入口收費站大中型貨車流量的時空關(guān)

聯(lián)性,提出考慮系統(tǒng)關(guān)聯(lián)性的高速公路大中型貨車到達量多尺度預(yù)測模型,并設(shè)置實驗對模型進行驗證,

本文主要研究結(jié)論:

1)目標區(qū)域大中型貨車主要來源于其中較少一部分入口收費站,即這較少部分入口收費站大中型貨

車流量對目標區(qū)域大中型貨車流量產(chǎn)生較大影響,因此可以選擇到達目標區(qū)域的大中型貨車流量最高的

前 n 個(本文實例 n = 50)入口收費站流量作為預(yù)測模型的輸入。

2)多數(shù)入口收費站大中型貨車流量中僅有較小比例流量對目標區(qū)域高速公路大中型貨車到達量產(chǎn)

生影響,該比例隨時間變化呈現(xiàn)周期性特征。

3)某入口收費站大中型貨車到達目標區(qū)域出口收費站的行程時間滿足一定分布規(guī)律,該分布規(guī)律隨

時間變化呈周期性變化。

4)根據(jù)高速公路收費站出入口大中型貨車流量的時空關(guān)聯(lián)性,構(gòu)建考慮時空關(guān)聯(lián)性的神經(jīng)網(wǎng)絡(luò)預(yù)測

模型對目標區(qū)域大中型貨車到達量進行預(yù)測,實驗結(jié)果表明,在 15、30、60 min 的時間尺度上,本文模型均

達到了較高的預(yù)測精度,優(yōu)于 GRU、LSTM 等基準模型和 STGCN、AGRCN 等前沿模型,證明考慮高速公路

收費站出入口大中型貨車流量的時空關(guān)聯(lián)性、提升神經(jīng)網(wǎng)絡(luò)模型的可解釋性,模型的預(yù)測精度得到了

提高。

本文雖然在高速公路大中型貨車到達量多尺度預(yù)測方面取得了一定成果,預(yù)測效果相比對比模型有

明顯提升,但本文選擇到達目標區(qū)域的大中型貨車流量最高的前 50 個(n = 50)入口收費站流量作為預(yù)測

模型的輸入,并未深入探究 n 的取值(或前 n 個入口收費站流量累計占目標區(qū)域高速公路出口收費站大

中型貨車流量比例)對預(yù)測結(jié)果的影響,后續(xù)可對該問題進行研究,以獲得最佳 n 值(或入口收費站流量

累計占目標區(qū)域高速公路出口收費站大中型貨車流量比例),提高預(yù)測精度和模型的實用價值。

參 考 文 獻

[1] 美國交通研究委員會. 道路通行能力手冊[ M]. 任福田, 劉小明, 榮建, 等譯. 北京: 人民交通出版社, 2007:

56-150.

[2] 劉欣, 王洪濤, 林洋. 交通量預(yù)測研究方法評述[J]. 吉林建筑工程學院學報, 2009, 26(4): 35-38. DOI: 10.3969 / j.

issn.1009-0185.2009.04.010.

[3] 唐秋生, 王川. 基于云遺傳算法優(yōu)化 BP 神經(jīng)網(wǎng)絡(luò)的軌道客流預(yù)測[ J]. 桂林理工大學學報, 2021, 41 ( 2):

403-408.

[4] 劉銘, 魚昕. 基于改進 LSTM 算法的短時交通流量預(yù)測[J]. 桂林理工大學學報, 2021, 41(2): 409-414.

[5] 林培群, 陳麗甜, 雷永巍. 基于 K 近鄰模式匹配的地鐵客流量短時預(yù)測[ J]. 華南理工大學學報(自然科學版),

2018, 46(1): 50-57. DOI: 103969 / jissn1000-565X201801007.

[6] ZHENG Z D, SU D C. Short-term traffic volume forecasting: A k-nearest neighbor approach enhanced by constrained

linearly sewing principle component algorithm[J]. Transportation Research Part C: Emerging Technologies, 2014, 43(Part

1): 143-157. DOI: 10.1016 / j.trc.2014.02.009.

[7] CHENG S F, LU F, PENG P, et al. Short-term traffic forecasting: An adaptive ST-KNN model that considers spatial

heterogeneity[J]. Computers, Environment and Urban Systems, 2018, 71: 186-198. DOI: 10.1016 / j.compenvurbsys.2018.

05.009.

24

http:∥xuebao.gxnu.edu.cn

[8] HABTEMICHAEL F G, CETIN M. Short-term traffic flow rate forecasting based on identifying similar traffic patterns[ J].

Transportation Research Part C: Emerging Technologies, 2016, 66: 61-78. DOI: 10.1016 / j.trc.2015.08.017.

[9] WILLIAMS B M, HOEL L A. Modeling and forecasting vehicular traffic flow as a seasonal ARIMA process: Theoretical

basis and empirical results[J]. Journal of Transportation Engineering, 2003, 129(6): 664-672. DOI: 10.1061 / (ASCE)

0733-947X(2003)129: 6(664).

[10] VAN DER VOORT M, DOUGHERTY M, WATSON S. Combining Kohonen maps with ARIMA time series models to

forecast traffic flow[J]. Transportation Research Part C: Emerging Technologies, 1996, 4(5): 307-318. DOI: 10.1016 /

S0968-090X(97)82903-8.

[11] SMITH B L, WILLIAMS B M, OSWALD R K. Comparison of parametric and nonparametric models for traffic flow

forecasting[J]. Transportation Research Part C: Emerging Technologies, 2002, 10(4): 303-321. DOI: 10.1016 / S0968-

090X(02)00009-8.

[12] JEONG Y S, BYON Y J, CASTRO-NETO M M, et al. Supervised weighting-online learning algorithm for short-term traffic

flow prediction[ J]. IEEE Transactions on Intelligent Transportation Systems, 2013, 14(4): 1700-1707. DOI: 10.1109 /

TITS.2013.2267735.

[13] 徐永俊. 基于混沌和 SVR 的短時交通流預(yù)測方法研究[D]. 成都: 西南交通大學, 2011.

[14] 劉劍, 劉麗華, 趙悅. 基于 KPCA 與 SVM 的混合核交通流數(shù)據(jù)檢測[J]. 沈陽建筑大學學報(自然科學版), 2018,

34(5): 921-928. DOI: 10.11717 / j.issn:2095-1922.2018.05.19.

[15] 談苗苗. 基于 LSTM 和灰色模型集成的短期交通流預(yù)測[D]. 南京: 南京郵電大學, 2017.

[16] 王嘉琪. 基于 CNN 和 LSTM 的城市區(qū)域交通流量預(yù)測[D]. 大連: 大連理工大學, 2019.

[17] ZHANG D, KABULA M R. Combining weather condition data to predict traffic flow: a GRU-based deep learning approach

[J]. IET Intelligent Transport Systems, 2018, 12(7): 578-585. DOI: 10.1049 / iet-its.2017.0313.

[18] 于德新, 邱實, 周戶星, 等. 基于 GRU-RNN 模型的交叉口短時交通流預(yù)測研究[J]. 公路工程, 2020, 45(4): 109-

114. DOI: 10.19782 / j.cnki.1674-0610.2020.04.018.

[19] 李朝陽, 李琳, 陶曉輝. 面向動態(tài)交通流預(yù)測的雙流圖卷積網(wǎng)絡(luò)[EB/ OL]. (2020-11-06) [2021-03-23]. http:∥kns.

cnki.net / kcms/ detail / 11.5602.TP.20201105.1009.008.html.

[20] LV M Q, HONG Z X, CHEN L, et al. Temporal multi-graph convolutional network for traffic flow prediction[ J]. IEEE

Transactions on Intelligent Transportation Systems, 2021, 22(6): 3337-3348. DOI: 10.1109 / TITS.2020.2983763.

[21] GUO K, HU Y L, QIAN Z, et al. Dynamic graph convolution network for traffic forecasting based on latent network of

Laplace matrix estimation[ J]. IEEE Transactions on Intelligent Transportation Systems, 2022, 23(2): 1009-1018. DOI:

10.1109 / TITS.2020.3019497.

[22] 黃子敬. 基于時空注意力機制的高速公路多收費站多時段出口流量預(yù)測方法研究[D]. 廣州: 華南理工大學, 2020.

[23] COHEN J, COHEN P, WEST S G, et al. Applied multiple regression / correlation analysis for the behavioral sciences[M].

3rd ed. London: Routledge, 2013: 52-138.

[24] 揚波爾斯基 A P. 雙曲函數(shù)[M]. 邢富沖, 譯. 北京: 中央民族學院出版社, 1987: 23-96.

[25] NAIR V, HINTON G E. Rectified linear units improve restricted Boltzmann machines [ C]∥ Proceedings of the 27th

International Conference on Machine Learning. NY, New York: Association for Computing Machinery, 2010: 807-814.

[26] ANDERSEN L N, LARSEN J, HANSEN L K, et al. Adaptive regularization of neural classifiers[C]∥ Neural Netwrorks for

Signal Processing VII: Proceedings of the 1997 IEEE Signal Processing Society Workshop. Piscataway, NJ: IEEE, 1997:

24-33. DOI: 10.1109 / NNSP.1997.622380.

[27] 袁華, 陳澤濠. 基于時間卷積神經(jīng)網(wǎng)絡(luò)的短時交通流預(yù)測算法[ J]. 華南理工大學學報(自然科學版), 2020, 48

(11): 107-113, 122.

[28] 賈俊平, 何曉群, 金勇進. 統(tǒng)計學[M]. 4 版. 北京: 中國人民大學出版社, 2009: 1-165.

[29] YU B, YIN H T, ZHU Z X. Spatio-temporal graph convolutional networks: A deep learning framework for traffic forecasting

[C]∥ Proceedings of the Twenty-Seventh International Joint Conference on Artificial Intelligence. California: International

25

廣西師范大學學報(自然科學版),2022,40(2)

Joint Conferences on Artificial Intelligence Organization, 2018: 3634-3640. DOI: 10.24963 / ijcai.2018 / 505.

[30] BAI L, YAO L N, LI C, et al. Adaptive graph convolutional recurrent network for traffic forecasting[EB/ OL]. (2020-07-

06)[2021-03-23]. https:∥arxiv.org / pdf / 2007.02842v1.pdf.

Multi-scale Prediction of Expressways’ Arrival Volume of Large and

Medium-sized Trucks Based on System Relevance

LIN Peiqun

1?

, HE Huohua

1

, LIN Xukun

2

(1. School of Civil and Transportation, South China University of Technology, Guangzhou Guangdong 510641, China;

2. Department of Transportation of Guangdong Province, Guangzhou Guangdong 510101, China)

Abstract: In recent years, the proportion of large and medium-sized trucks in the traffic flow has gradually

increased, and the impact on urban traffic is increasing day by day. Accurate and timely prediction of the arrival

of large and medium-sized trucks is of great significance to accurate urban traffic control. To solve this problem, a

multi-scale prediction method for the arrival volume of large and medium-sized trucks on expressway based on the

system correlation is proposed: the spatio-temporal correlation of the flow of large and medium-sized trucks at the

entrance and exit of expressway toll stations is analyzed, and a neural network model is constructed to learn the

spatial weight and time weight. In each step of time, the input is fused with spatial weight and time weight, and

the offset term is set to obtain the prediction result of the time step after correction.The final prediction result is

obtained by summing the prediction results of each step of time. The experimental results show that the prediction

accuracy of the method is 90.92%, 92.48% and 94.33% respectively at the time scales of 15, 30 and 60 mins,

which is better than other models, and the practicability and effectiveness are guaranteed.

Keywords: traffic flow prediction; system relevance; neural networks; expressways; large and medium-sized

trucks volume

(責任編輯 蘇凱敏)

26

第 40 卷 第 2 期

2022 年 3 月

廣西師范大學學報(自然科學版)

Journal of Guangxi Normal University (Natural Science Edition)

Vol. 40 No. 2

Mar. 2022

DOI: 10.16088 / j.issn.1001-6600.2021042106 http: xuebao.gxnu.edu.cn

田晟,甘志恒,呂清. 基于改進符號回歸算法和 XGBoost 算法的剩余續(xù)駛里程預(yù)測[ J]. 廣西師范大學學報(自然科學版), 2022, 40( 2):

27-36. TIAN S, GAN Z H, Lü Q. Remaining driving range prediction based on symbol conversion and XGBoost algorithm[ J]. Journal of Guangxi

Normal University (Natural Science Edition), 2022, 40(2): 27-36.

基于改進符號回歸算法和 XGBoost 算法的

剩余續(xù)駛里程預(yù)測

田 晟?

, 甘志恒, 呂 清

(華南理工大學 土木與交通學院, 廣東 廣州 510641)

摘 要: 提高剩余續(xù)駛里程預(yù)測精度可以緩解駕駛?cè)说摹袄m(xù)航焦慮”, 幫助車廠開發(fā)精細的電池管理系統(tǒng), 提高純電動汽

車的接受度。 基于改進符號回歸算法自動生成與標簽字段高度相關(guān)的新數(shù)據(jù)特征字段, 實現(xiàn)數(shù)據(jù)維度擴充。 再將維度擴

充后的數(shù)據(jù)傳入經(jīng)過超參數(shù)調(diào)優(yōu)的 XGBoost 模型預(yù)測剩余續(xù)駛里程。 對比僅使用經(jīng)典特征字段的原始數(shù)據(jù), 維度擴充后

的數(shù)據(jù)在預(yù)測精度上最大相對絕對誤差下降 4.9%, 平均絕對誤差和均方根誤差下降超過 20%, 且隨著時間的增加, 使

用維度擴充后的數(shù)據(jù)進行預(yù)測的誤差下降更快。 結(jié)果證明提出的方法可以優(yōu)化數(shù)據(jù)集質(zhì)量, 提高預(yù)測結(jié)果的精確度并減

小誤差, 為純電動汽車剩余續(xù)駛里程預(yù)測提供了新的思路。

關(guān)鍵詞: 純電動汽車; 剩余續(xù)駛里程預(yù)測; 改進符號回歸; 特征構(gòu)造; XGBoost 算法

中圖分類號: TP181; U469.72 文獻標志碼: A 文章編號: 1001-6600(2022)02-0027-10

目前動力電池技術(shù)尚未取得重大突破,純電動車的續(xù)駛里程受到限制,充電時間較長、充電樁密度低

導(dǎo)致純電動車駕駛?cè)瞬豢杀苊獾爻霈F(xiàn)“續(xù)航焦慮”,降低了人們對于純電動車的接受度[1-3]

。 動力電池系

統(tǒng)高度非線性,使得當前的車輛剩余續(xù)駛里程預(yù)測方案效果不佳,車廠不能準確地獲取車輛的剩余續(xù)駛里

程,在制定車輛能量管理策略時需保留一定的能量冗余量,導(dǎo)致續(xù)航能力指標下降。 因此,準確地預(yù)測純

電動車的剩余續(xù)駛里程能有效緩解駕駛?cè)说摹袄m(xù)航焦慮”并合理規(guī)劃出行,有助于汽車廠商開發(fā)更精細化

的車輛能量管理策略,優(yōu)化續(xù)航能力指標。

剩余續(xù)駛里程定義為純電動車在當前荷電狀態(tài)(state of charge, SOC)下,以某一特定工況行駛至車輛

能量管理策略設(shè)定的截止 SOC 時,車輛所能行駛的最大距離[4]

。 預(yù)測純電動車剩余行駛里程可以大致分

為基于模型預(yù)測和基于數(shù)據(jù)驅(qū)動預(yù)測。 基于模型預(yù)測需要對電池模型、車輛能耗模型以及車輛工況等進

行研究,通過計算動力電池組剩余能量與預(yù)估的純電動車每公里能耗之比來預(yù)測車輛的剩余續(xù)駛里

程[5-6]

。 陳德海等[7]建立優(yōu)化 OCV 法數(shù)學模型并在電池包靜止足夠長時間后且 SOC 較大時進行實驗,預(yù)

測值與實際值最大相對誤差為 5.2%。 林仕立等[8]通過建立純電動汽車供需功率模型基于 SOE 預(yù)測車輛

續(xù)駛里程,相較于采用 SOC 指標預(yù)測精度提升 4.09%。 上述方法要對電池模型、能耗模型等深入研究,達

到一定預(yù)測精度所需時間與資源較多。 基于數(shù)據(jù)驅(qū)動預(yù)測是從車輛歷史運行數(shù)據(jù)學習得到預(yù)測模型,得

到的模型泛化能力強且精度較高,但可解釋性稍有欠缺[9-10]

。 特征選擇上,考慮駕駛員無法直接獲取的指

標參數(shù)對模型進行訓(xùn)練,可以提高預(yù)測精度[11-13]

。 Sun 等[14]基于梯度提升樹(GBDT)以溫度、速度和 SOC

等作為特征,預(yù)測結(jié)果最大相對誤差僅為 1.58 km。 基于數(shù)據(jù)驅(qū)動對剩余續(xù)駛里程進行預(yù)測的精度會受到

使用數(shù)據(jù)集質(zhì)量、特征探查、特征構(gòu)建的影響[15]

。 Modi 等[16]提出袋式?jīng)Q策樹(CNN-BDT)方法,在缺失車

輛內(nèi)部參數(shù)前提下平均絕對誤差為 0.14。 上述研究均以人工先驗知識為基礎(chǔ),利用數(shù)據(jù)集中現(xiàn)有的特征

字段與標簽的映射關(guān)系進行建模,尚未考慮利用算法自動生成與標簽高度相關(guān)的新字段擴充數(shù)據(jù)維度從

收稿日期: 2021-04-21 修回日期: 2021-05-18

基金項目: 廣東省自然科學基金(2021A1515011587, 2020A1515010382)

通信作者: 田晟(1969—), 男, 江西九江人, 華南理工大學副教授, 博士。 E-mail: shitian1@scut.edu.cn

廣西師范大學學報(自然科學版),2022,40(2)

而實現(xiàn)預(yù)測精度提升。

數(shù)據(jù)的質(zhì)量決定了模型預(yù)測結(jié)果精度的上限,為進一步提高預(yù)測剩余續(xù)駛里程的精度,本文提出基于

改進符號回歸算法來實現(xiàn)高質(zhì)量數(shù)據(jù)特征的自動生成。 構(gòu)建 XGBoost 算法預(yù)測模型并進行模型訓(xùn)練,得

到一個描述車輛運行動態(tài)指標參數(shù)與剩余續(xù)駛里程映射關(guān)系的經(jīng)驗?zāi)Ｐ?對比初始數(shù)據(jù)集和維度擴充數(shù)

據(jù)集以驗證本文提出方法的可行性。

1 算法理論依據(jù)

1.1 改進符號回歸算法原理

改進符號回歸算法不直接預(yù)測標簽變量,而是生成一個表征數(shù)據(jù)集中特征字段與標簽字段之間隱藏

關(guān)系的轉(zhuǎn)換函數(shù),從原有的特征字段自動生成與標簽字段高度相關(guān)的新數(shù)據(jù)特征。 改進符號回歸算法用

于特征構(gòu)建階段,通過擴充數(shù)據(jù)集維度提高數(shù)據(jù)質(zhì)量,不直接參與標簽預(yù)測但能提高后續(xù)預(yù)測模型的精

度,本質(zhì)算法原理參考遺傳程序設(shè)計算法[17-18]

。 算法實施過程總結(jié)如下:設(shè)計一組實現(xiàn)簡單函數(shù)功能的

程序,無需先驗知識和事先指定目標函數(shù)的形式和參數(shù),設(shè)置適應(yīng)度規(guī)則,讓程序按照遺傳算法的步驟進

行選擇,保留每一代中最合適的程序,繼續(xù)參與下一輪的迭代,最后生成一個轉(zhuǎn)換函數(shù),根據(jù)初始特征變量

自動換算與標簽變量高度相關(guān)的新數(shù)據(jù)特征。 遺傳程序設(shè)計流程如圖 1 所示。

$BE3

U

!?+KM

@@M?

.4

@0E

7



/

D?



圖 1 遺傳程序設(shè)計流程

Fig. 1 Genetic programming flowchart

典型遺傳算法編碼方式是二進制編碼,變異以固定概率將所有染色體的基因位點翻轉(zhuǎn)[19]

。 首先,選

擇鄰近個體,以設(shè)定概率判斷是否交叉,若需交叉,則隨機選擇某個基因位點,交換該基因位點及之后的所

有基因。 其次,新一代種群依據(jù)概率進行選擇,有放回地采樣出原種群大小的新一代種群,個體 Ii采樣的

概率為

p(Ii) =

f(Ii)

∑

m

i = 1

f(Ii)

。 (1)

遺傳算法會自動平衡因選擇導(dǎo)致的收斂性和變異交叉帶來的多樣性,基因模式呈指數(shù)增長[20]

。 適應(yīng)度高

于種群平均適應(yīng)度的模式 H 原理為

p(H)

t+1 ≥ p(H)

t?f(H)

?f

(1 - pm O(H)) 1 - pc

L(H)

L - 1

( )

p

。 (2)

式中:pm 為基因變異概率;pc 為基因交叉概率;L(H)為模式的長度;O(H)為模式的階;?f(H)為模式的平

均適應(yīng)度;p(H)

t 為在第 t 代種群中模式 H 出現(xiàn)的概率。 最后,遺傳算法會在選擇操作引起的收斂性和變

異交叉操作引起的多樣性之間取得平衡。 適應(yīng)度高于種群平均適應(yīng)度的模式 H 為

?f(H)

?f

(1-pm O(H)) 1-pc

L(H)

L-1

( ) ≥1。 (3)

1.2 極限梯度提升算法 XGBoost

XGBoost 屬于集成學習算法,由多個互相關(guān)聯(lián)的基學習器共同決策[21-22]

。 XGBoost 在分類與回歸問題

上表現(xiàn)頂尖,具有對輸入數(shù)據(jù)要求不敏感、計算效率高和允許進行分布式訓(xùn)練等特點,支持在分布式環(huán)境

28

http:∥xuebao.gxnu.edu.cn

上運行,可用于處理大規(guī)模數(shù)據(jù)[23-24]

。 XGBoost 廣泛用于各類預(yù)測問題求解,其最終效果受數(shù)據(jù)本身影響

極大,為了進一步提高剩余續(xù)駛里程預(yù)測精度,首先使用改進符號回歸算法擴充數(shù)據(jù)維度,其次將多維數(shù)

據(jù)作為 XGBoost 的輸入預(yù)測標簽值,將 2 種算法的優(yōu)勢相結(jié)合,從而降低預(yù)測誤差。 本文采用基學習器為

分類和回歸樹(classification and regression tree, CART)的 XGBoost 算法,目標函數(shù)為

O

(t) ≈ ∑

n

i = 1

gi

f

t(xi) +

1

2

hi

f

2

t(xi)

é

?

ê

ê

ù

?

ú

ú

+ ∑

t

i = 1

Ω(f

i)。 (4)

式中:gi 為對第 t-1 步模型得到的預(yù)測值所求的一階導(dǎo)數(shù),hi 為所求的二階導(dǎo)數(shù), f

t(x)表示組成 XGBoost

模型的第 t 個基學習器。

設(shè) CART 決策樹為 f

t(x)= wq(x) ,其中,x 表示一個樣本,q(x)表示該樣本在某一取值為 w 的葉子節(jié)點

上,wq(x)表示每個落在該葉子節(jié)點上的樣本取值均為 w。 CART 決策樹的復(fù)雜程度與葉子數(shù) T 成正相關(guān),

葉子節(jié)點越多則模型越復(fù)雜,目標函數(shù)中的正則項 Ω(f

i)取決于所采用的基學習器,正則項 Ω(f

i)定義為

Ω(f

t(x)) = γT +

1

2 ∑

T

j = 1

w

2

j 。 (5)

式中 γ 為一個大于等于 0 的常量,作為懲罰系數(shù)用以權(quán)衡模型的經(jīng)驗風險與模型復(fù)雜度。 遍歷葉子節(jié)點,

每個葉子節(jié)點多個樣本記作一個集合,因此目標函數(shù)可表示為

O

(t) = ∑

T

j = 1

(∑i∈I

j

gi)wj

+

1

2

(∑i∈I

j

hi

+ λ)w

2

j

é

?

ê

ê

ù

?

ú

ú

+ γT。 (6)

式中:∑i∈I

j

gi 和∑i∈I

j

hi 分別為一個葉子節(jié)上所有樣本的 gi 和 hi 之和,wj 為第 j 個葉子節(jié)點值。 由于∑i∈I

j

gi 和

∑i∈I

j

hi 是模型輸出的前 t - 1 步的結(jié)果,其值應(yīng)為一確定的常量,在最后一棵樹的葉子節(jié)點 wj 不確定時,可

將式(6) 對 wj 求一階導(dǎo),令目標函數(shù)為 0,可得到葉子節(jié)點 j 對應(yīng)的取值

w

?

j

=

∑i∈I

j

gi

∑i∈I

j

hi

+ λ

。 (7)

此時,目標函數(shù)可簡化為

O =

1

2 ∑

T

j = 1

∑i∈I

j

g

2

i

∑i∈I

j

hi

+ λ

+ γT。 (8)

遍歷所有 CART 決策樹,計算每個節(jié)點每個樣本的 gi 和 hi,然后對每個節(jié)點所包含的樣本求和,得到

∑i∈I

j

gi 和∑i∈I

j

hi, 按照目標函數(shù)最小化原則,求解每一步的 CART 決策樹 f

t(xi),最后依次加上每一棵樹,得

到整體 XGBoost 模型[25]

。

基于改進符號回歸算法和 XGBoost 模型預(yù)測剩余續(xù)駛里程的技術(shù)路線如圖 2 所示。

2 數(shù)據(jù)特征工程

2.1 數(shù)據(jù)預(yù)處理

數(shù)據(jù)預(yù)處理包括異常值篩選、缺失值填充和剩余續(xù)駛里程字段構(gòu)造。 數(shù)據(jù)異常篩選主要從 3 個方向

展開:1)數(shù)據(jù)字段描述中規(guī)定值的有效范圍,使用該方法對所有字段進行篩選;2)字段含義的邏輯關(guān)系,

如里程應(yīng)隨時間增加而增加等;3)3σ 準則判斷,若字段大致服從正態(tài)分布,在 3σ 范圍(μ-3σ,μ+3σ)外的

數(shù)據(jù)判為異常,其中 μ 為該字段的均值,σ 為標準差。 數(shù)據(jù)缺失是指數(shù)據(jù)記錄部分特征字段值缺失,采用

的填充方法是取前后各 3 個采樣點的值,一個采樣點的采樣間隔一般為 10 s,取 6 個點的均值進行填充,

同時對于按時間排序采樣值存在大小關(guān)系的字段,在填充時加入驗證規(guī)則,如果前后 6 個點的均值不符合

29

廣西師范大學學報(自然科學版),2022,40(2)

驗證規(guī)則,則該缺失值使用距離最近一個采樣點值填充。

'/





M)

0 

'

E0 '

9(#PPTU

BA

 @3

@3 A

@0@

 $BM

D

\"A

DM\"4@

\"AK

@3K

O@K

圖 2 預(yù)測剩余續(xù)駛里程技術(shù)路線

Fig. 2 Technology roadmap for remaining range prediction

由于原始數(shù)據(jù)中剩余續(xù)駛里程字段是缺失的,因此需按剩余續(xù)駛里程的定義構(gòu)造剩余續(xù)駛里程字段。

在理想的完整車輛行駛過程中,車輛剩余續(xù)駛里程(remaining mileage)是由 SOC 為 0 時對應(yīng)的 mileage 與

各條車輛運行記錄 mileage 之間的差值,而實際行駛過程中的電池放電過程難以實現(xiàn)理想中的放電過程。

因此本文選擇 SOC 為 10% ~80%的片段區(qū)間,剩余續(xù)駛里程對應(yīng) SOC 為 10%時對應(yīng)里程與各條車輛運行

記錄里程之間的差值。 剩余續(xù)駛里程計算公式為

Mi

=msoc為10%

-mi。 (9)

式中:Mi 指車輛剩余續(xù)駛里程,mi 指累計里程數(shù),msoc為10%指 SOC 達到 10%時的累計行駛里程數(shù)原始數(shù)據(jù)

為超過四百萬條廣州地區(qū)一個月內(nèi)各類電動車的歷史運行數(shù)據(jù),按照上述步驟進行處理。 綜合現(xiàn)有研究

及個人先驗知識進行特征選擇,其含義及范例如表 1 所示。

表 1 數(shù)據(jù)預(yù)處理后的車輛運行數(shù)據(jù)

Tab. 1 Vehicle operation data after data pre-processing

字段名 含義 范例

t_volt 總電壓/ V 377.8 377.0 … 342.5

t_current 總電流/ A 7.78 14.35 … 12.55

max_cell_volt 電池最大單體電壓/ V 3.90 3.45 … 3.54

min_cell_volt 電池最小單體電壓/ V 3.85 3.42 … 3.51

max_temp 電池最高溫度值/ ℃ 42 42 … 39

min_temp 電池最低溫度值/ ℃ 38 38 … 35

speed 速度/ (km·h

-1

) 23.9 19.4 … 0

SOC 電池荷電狀態(tài)/ % 80 80 … 10

mileage 累計行駛里程/ km 42 581 42 581 … 42 776

r_mileage 片段行駛里程/ km 195 194 … 0

30

http:∥xuebao.gxnu.edu.cn

所用數(shù)據(jù)集大部分字段不嚴格符合正態(tài)分布,引入 Spearman 相關(guān)系數(shù)對特征字段與標簽字段的相關(guān)

性進行量化,以兩組連續(xù)變量的單調(diào)性是否一致來衡量變量的相關(guān)度,對數(shù)據(jù)是否符合正態(tài)分布不做要

求。 Spearman 相關(guān)系數(shù)的計算為

ρ = 1 -

6 ∑

n

i = 1

d

2

i

n(n

2 - 1)

。 (10)

式中:n 為樣本數(shù)量,di 為 2 個變量排序后成對的變量位置值之差。 為減少字段量綱和數(shù)量級帶來的影

響,計算 Spearman 相關(guān)系數(shù)前先對字段進行標準化和 log1p 轉(zhuǎn)換。 對于取值分布接近正態(tài)分布的字段采

用標準化處理:對于分布不近似正態(tài)分布則采用 log1p 轉(zhuǎn)換,log1p 轉(zhuǎn)換可以保證原始數(shù)據(jù) x 的有效性,保

護了數(shù)據(jù)的多樣性。 標準化計算以及 log1p 計算為

x′= (x-xmin ) / (xmax

-xmin ) x″= ln(x+1)。 (11)

式中:x 為原數(shù)據(jù),x′為標準化后的數(shù)據(jù),x″為 log1p 轉(zhuǎn)換后的數(shù)據(jù)。

逐一計算所有變量兩兩之間的 Spearman 相關(guān)系數(shù)值,得到的結(jié)果如圖 3 所示。 圖中矩形框的顏色越

深,則說明計算的兩組變量的 Spearman 系數(shù)值越大,單調(diào)性越一致,如 SOC 與標簽字段相關(guān)系數(shù)為 1。 由

圖 3 可知,電壓字段(t_volt、max_cell_volt、min_cell_volt)、溫度字段(max_temp、min_temp)不僅與標簽相關(guān)

性很強,而且其所在分組內(nèi)部存在很強共線性:max_cell_volt 和 min_cell_volt 之間的 Spearman 相關(guān)系數(shù)為

1,max_temp 和 min_temp 的相關(guān)系數(shù)為 0.94,max_cell_volt 和 min_cell_volt、max_temp 和 min_temp 之間分

布規(guī)律類似,通過特征構(gòu)造將分布類似且含義相關(guān)的字段進行處理可以得到方差更大的新特征字段。 上

述分析證明初步選擇的 9 個特征的合理性,為后文基于上述特征利用改進符號回歸算法構(gòu)建新的數(shù)據(jù)特

征提供了理論基礎(chǔ)和數(shù)據(jù)支撐。

2.2 改進符號回歸算法構(gòu)建新特征

數(shù)據(jù)特征構(gòu)建是通過從原數(shù)據(jù)中提取出與需要建模解決問題相關(guān)的信息進行分析,指導(dǎo)構(gòu)建新數(shù)據(jù)

特征,以達到對建模效果的改善作用[26-27]

。 根據(jù)純電動車運行數(shù)據(jù)的字段特征與數(shù)據(jù)結(jié)構(gòu),基于車輛動

力學以及動力電池等領(lǐng)域的先驗知識進行物理含義相關(guān)的人工特征構(gòu)建,再基于遺傳程序設(shè)計理論開發(fā)

的改進符號回歸算法應(yīng)用,進行純電動車運行關(guān)鍵參數(shù)數(shù)據(jù)特征構(gòu)建的研究,通過計算機自動生成大量特

征并進行特征篩選。

圖 3 特征字段 Spearman 相關(guān)系數(shù)

Fig. 3 Plot of Spearman correlation coefficients between features

31

廣西師范大學學報(自然科學版),2022,40(2)

人工構(gòu)建字段是憑借人工先驗知識對動力電池組相關(guān)的數(shù)據(jù)特征進行組合構(gòu)建新特征。 溫度對電池

組性能會產(chǎn)生重要影響,為了得到方差更大的溫度相關(guān)字段構(gòu)造單體溫差特征:電池單體溫差 diff_temp;

電池組的各個單體之間會存在電壓上的差異,對單體最高電壓和單體最低電壓求差,構(gòu)造一組波動較大的

數(shù)據(jù)以放大電壓字段蘊含的信息量,得到單體壓差 diff_volt;功率是描述物體做功快慢的物理量,能更直觀

地體現(xiàn)行駛中電池組放電情況。 對電池組總電壓和總電流求積,得到反映車輛行駛過程中做功變化的總

功率 t_power。

基于改進符號回歸算法特征生成,首先需設(shè)計一組實現(xiàn)簡單函數(shù)功能以及實現(xiàn)參數(shù)正態(tài)分布化

boxcox 變換運算的程序,輸入經(jīng)過預(yù)處理的原始數(shù)據(jù)集 D= {(x(1),y(1)),…,(x(i),y(i))}作為初始特

征集;本文選擇 Spearman 相關(guān)系數(shù)作為適應(yīng)度規(guī)則并設(shè)置迭代終止條件;通過交叉、變異、復(fù)制等操作不

斷生成下一代程序,依照適應(yīng)性規(guī)則對子代進行篩選,保留每一代中最合適的程序迭代直至滿足終止條

件,輸出生成的新數(shù)據(jù)特征 F = {x′(1),x′(2),…,x′(3),…,x′(n)}。 生成的新特征字段部分結(jié)果如表 2

所示。 由表 2 可知,新生成的特征字段中存在特征共線現(xiàn)象,如 F1 與 F4 、F5 、F6 、F7 。 隨著迭代次數(shù)的增

加,與標簽字段相關(guān)系數(shù)越大新特征在接下來的迭代適應(yīng)度系數(shù)更大,生存的機會越高,如果增加迭代次

數(shù)會導(dǎo)致生成的字段數(shù)量減少,降低了特征構(gòu)造的意義[28]

。 為增加數(shù)據(jù)特征多樣性,將迭代次數(shù)設(shè)置為

3 代,得到 4 組不共線的 4 組新特征字段,記為 F0 、F1 、F2 和 F3 。

表 2 改進符號回歸算法生成的新數(shù)據(jù)特征

Tab. 2 New data features generated by improved symbolic regression

迭代次數(shù) F0 F1 F2 F3 F4 F5 F6 F7 F8 F9

0 2.096 3 4.394 4 0.227 6 -0.949 9 -4.394 4 4.394 4 4.394 4 -4.394 4 4.394 4 -0.947 9

1 2.096 3 4.394 4 0.227 6 -0.949 9 -4.394 4 4.394 4 4.394 4 -4.394 4 4.394 4 -0.947 9

2 2.096 3 4.394 4 0.227 6 -0.949 9 -4.394 4 4.394 4 4.394 4 -4.394 4 4.394 4 -0.947 9

3 2.096 3 4.394 4 0.227 6 -0.949 9 -4.394 4 4.394 4 4.394 4 -4.394 4 4.394 4 -0.947 9

4 2.096 3 4.394 4 0.227 6 -0.949 9 -4.394 4 4.394 4 4.394 4 -4.394 4 4.394 4 -0.947 9

5 2.096 3 4.394 4 0.227 6 -0.949 9 -4.394 4 4.394 4 4.394 4 -4.394 4 4.394 4 -0.947 9

6 2.095 8 4.392 4 0.227 7 -0.949 2 -4.392 4 4.392 4 4.392 4 -4.392 4 4.392 4 -0.944 0

7 2.093 3 4.382 0 0.228 2 -0.945 9 -4.382 0 4.382 0 4.382 0 -4.382 0 4.382 0 -0.924 6

8 2.093 3 4.382 0 0.228 2 -0.945 9 -4.382 0 4.382 0 4.382 0 -4.382 0 4.382 0 -0.924 6

? ? ? ? ? ? ? ? ? ? ?

保留表 1 中原數(shù)據(jù)的 8 組特征,結(jié)合構(gòu)建的 7 組新數(shù)據(jù)特征,得到一個由 15 個特征字段和 1 個標簽

字段剩余續(xù)駛里程組成新的純電動車運行數(shù)據(jù)集。

進一步篩選連續(xù)放電行駛片段組成數(shù)據(jù)集,經(jīng)篩選得到 8 個連續(xù)放電行駛片段,本文以此 8 個片段作

為數(shù)據(jù)集,開展基于模型的純電動車剩余續(xù)駛里程預(yù)測研究。 將該 8 個片段按時序從 S0 到 S7進行排序編

號,其中:S0 到 S5作為訓(xùn)練集,進行模型普通參數(shù)求解的過程;S6作為驗證集,用于超參數(shù)調(diào)優(yōu);S7作為測

試集,用來客觀評價模型性能及檢驗預(yù)測效果。 劃分結(jié)果如圖 4 所示。

圖 4 數(shù)據(jù)集劃分結(jié)果

Fig. 4 Data set segmentation result

32

http:∥xuebao.gxnu.edu.cn

3 模型構(gòu)造及結(jié)果對比

構(gòu)造 XGBoost 模型,使用新的數(shù)據(jù)集進行驗證,具體步驟為:

步驟 1 對數(shù)據(jù)進行預(yù)處理,篩選異常值、填充缺失值并構(gòu)造剩余續(xù)駛里程字段。

步驟 2 首先基于人工先驗知識生成 3 個新特征,之后基于改進符號回歸算法生成 4 組互不共線的

新特征字段,最后整合成新的數(shù)據(jù)集并按照 6 ∶ 1 ∶ 1 的比例劃分為訓(xùn)練集、驗證集和測試集。

步驟 3 初始化 XGBoost 算法模型,設(shè)定預(yù)期指標為相對絕對誤差小于 3%,先按照默認超參數(shù)(最大

樹深為 6,學習率為 0.3,子模型為 100,L1 正則項權(quán)重默認為 0,L2 正則項權(quán)重默認為 1)進行訓(xùn)練初代模

型,使用驗證集計算該模型的各項評價指標,若指標達到預(yù)期則保存該模型并命名為最優(yōu)參數(shù)模型,不達

預(yù)期則按“高學習率確定樹的數(shù)量→單棵樹調(diào)優(yōu)→正則參數(shù)調(diào)優(yōu)→低學習率確定理想?yún)?shù)”的順序重新

調(diào)節(jié)超參數(shù)后重復(fù)訓(xùn)練及驗證過程。

步驟 4 基于最優(yōu)參數(shù)模型預(yù)測剩余續(xù)駛里程,輸出評價指標并與相關(guān)研究進行對比,驗證改進符號

回歸算法和 XGBoost 算法的有效性。

為評估對剩余續(xù)駛里程的預(yù)測效果,本文采用相對絕對誤差( relative absolute error,RAE)、均方根誤

差(root mean squard error,RMSE)以及平均絕對誤差(mean absolute error,MAE)3 個指標,從不同維度評估

不同模型預(yù)測的車輛剩余續(xù)駛里程值與真實值的偏差情況。 3 個指標的具體定義為:

RRAE

=

h(xi)-yi

Mtotal

, (12)

RRMSE

=

1

n ∑

n

i = 1

(h(xi) - yi)

2

, (13)

MMAE

=

1

n ∑

n

i = 1

h(xi) - yi 。 (14)

式中:h(xi)為當給定輸入樣本 xi,模型輸出的預(yù)測剩余續(xù)駛里程值;yi 為樣本 xi 相對應(yīng)的真實剩余續(xù)駛

里程;Mtotal為車輛標定的總續(xù)駛里程。

采用原始數(shù)據(jù)和維度擴充后的數(shù)據(jù)加工而成的驗證集和測試集,基于 XGBoost 算法建立模型預(yù)測剩

余續(xù)駛里程,其結(jié)果與真實剩余續(xù)駛里程之間的相對絕對誤差 RAE 曲線如圖 5 所示。 利用構(gòu)建的新特征

對原數(shù)據(jù)進行維度擴充,預(yù)測結(jié)果的相對誤差曲線總體是低于原數(shù)據(jù)建模預(yù)測結(jié)果的相對誤差曲線,在測

試集中維度擴充后的數(shù)據(jù)在 40 min 后 RAE 值就已經(jīng)下降到 2%,相比原數(shù)據(jù)提前了 20 min,可以更快實

現(xiàn)預(yù)測精度提升,且隨著車輛行駛時間的增長,RAE 值下降趨勢更加明顯。

基于 XGBoost 模型使用維度擴充后的新數(shù)據(jù)集預(yù)測結(jié)果的 3 項評價指標及相比使用原始數(shù)據(jù)集變化

百分比如表 3 所示。 利用維度擴充后數(shù)據(jù)集預(yù)測剩余續(xù)駛里程結(jié)果中,RAE 指標降至 4%以內(nèi),MAE 值為

2.28 km,RMSE 值為 3.24,相較于使用原始數(shù)據(jù)的預(yù)測結(jié)果,RAE 最大值降低了 4.90%,MAE 和 RMSE 降

幅均超過 20%。 與相關(guān)研究的預(yù)測結(jié)果進行對比,陳德海等[7] 基于 STM32-OCV 法預(yù)測剩余續(xù)駛里程,

RAE 最大值為 5.2%,且誤差會隨著時間增加而增加;Wang 等[10]使用 PSO-LSSVM 方法,MAE 為5.99%,誤

差均超過 5%。 上述結(jié)果說明基于改進符號回歸算法構(gòu)造新特征可以提高數(shù)據(jù)集質(zhì)量,最終提高 XGBoost

模型的預(yù)測性能,能更準確地預(yù)測剩余續(xù)駛里程。

33

廣西師范大學學報(自然科學版),2022,40(2)

圖 5 原數(shù)據(jù)和基于 XGBoost 回歸模型維度擴充后數(shù)據(jù)預(yù)測結(jié)果的相對誤差曲線

Fig. 5 Relative error curves of prediction results for original data and dimensionally expanded data

表 3 預(yù)測評價指標對比

Tab. 3 Comparison of prediction evaluation indicators

數(shù)據(jù)類型 數(shù)據(jù)集

RAE 最

大值/ %

MAE/ km RMSE/ km

RAE 最大值

降低百分比/ %

MAE 降低

百分比/ %

RMSE 降低

百分比/ %

原始數(shù)據(jù)

驗證集 3.88 2.28 2.86 — — —

測試集 4.08 3.06 4.08 — — —

維度擴充數(shù)據(jù)

驗證集 2.10 1.43 1.78 45.88 37.28 37.76

測試集 3.88 2.28 3.24 4.90 25.49 20.59

注:“—”表示此處無數(shù)據(jù)。

4 結(jié)論

本文提出基于改進符號回歸算法進行特征構(gòu)造,從原數(shù)據(jù)中自動生成高質(zhì)量新數(shù)據(jù)特征,選擇

XGBoost 算法進行純電動車剩余續(xù)駛里程預(yù)測。 結(jié)果表明,基于維度擴充后數(shù)據(jù)預(yù)測剩余續(xù)駛里程相對

絕對誤差下降了 4.9%,預(yù)測值與真實值相比誤差低于 3.5%,說明提出的數(shù)據(jù)特征構(gòu)建方法能改善建模所

用的數(shù)據(jù)質(zhì)量,有助于提升剩余續(xù)駛里程預(yù)測精度,可以為駕駛員提供更準確的剩余續(xù)駛里程參考值,緩

解“續(xù)航焦慮”。 后續(xù)工作中可以進一步使用多源數(shù)據(jù),彌補對外部環(huán)境如天氣、路況等動態(tài)數(shù)據(jù)研究的

空缺,覆蓋更多的車輛使用場景。

參 考 文 獻

[1] XIONG R, CAO J Y, YU Q Q, et al. Critical review on the battery state of charge estimation methods for electric vehicles[J].

IEEE Access, 2017, 6: 1832-1843. DOI: 10.1109 / ACCESS.2017.2780258.

[2] 王瑞, 宋樹祥, 夏海英. 融合阻抗模型與擴展卡爾曼濾波的鋰離子電池荷電狀態(tài)估算[ J]. 廣西師范大學學報(自然

科學版), 2021, 39(3): 1-10. DOI: 10.16088 / j.issn.1001-6600.2020061109.

[3] 李小霞, 趙金鐳. 電動汽車電池荷電狀態(tài)估算方法研究[J]. 電子設(shè)計工程, 2021, 29(4): 177-180, 185.

34

http:∥xuebao.gxnu.edu.cn

[4] BI J, WANG Y X, SAI Q Y, et al. Estimating remaining driving range of battery electric vehicles based on real-world data:

A case study of Beijing, China[J]. Energy, 2019, 169: 833-843. DOI: 10.1016 / j.energy.2018.12.061.

[5] ZHAI G R, LIU S J, WANG Z G, et al. State of energy estimation of lithium titanate battery for rail transit application[J].

Energy Procedia, 2017, 105: 3146-3151. DOI: 10.1016 / j.egypro.2017.03.681.

[6] LI K Y, WEI F, TSENG K J, et al. A practical lithium-ion battery model for state of energy and voltage responses prediction

incorporating temperature and ageing effects[ J]. IEEE Transactions on Industrial Electronics, 2018, 65( 8): 6696-6708.

DOI: 10.1109 / TIE.2017.2779411.

[7] 陳德海, 任永昌, 華銘, 等. 基于 STM32-OCV 法的純電動汽車剩余里程預(yù)測[J]. 電子技術(shù)應(yīng)用, 2017, 43(12): 33-

35, 39. DOI: 10.16157 / j.issn.0258-7998.172168.

[8] 林仕立, 宋文吉, 呂杰, 等. 基于電池 SOE 預(yù)測電動汽車的續(xù)駛里程[ J]. 電池, 2017, 47(3): 137-139. DOI: 10.

19535 / j.1001-1579.2017.03.003.

[9] 熊瑞. 動力電池管理系統(tǒng)核心算法[M]. 北京: 機械工業(yè)出版社, 2018: 87-88.

[10] WANG Z, WANG X H, WANG L Z, et al. Research on electric vehicle (EV) driving range prediction method based on

PSO-LSSVM[C]∥ 2017 IEEE International Conference on Prognostics and Health Management (ICPHM). Piscataway, NJ:

IEEE, 2017: 260-265. DOI: 10.1109 / ICPHM.2017.7998338.

[11] 段化娟, 尉永清, 劉培玉, 等.一種面向不平衡分類的改進多決策樹算法[ J]. 廣西師范大學學報(自然科學版),

2020, 38(2): 72-80. DOI: 10.16088 / j.issn.1001-6600.2020.02.008.

[12] SARRAFAN K, MUTTAQI K M, SUTANTO D, et al. A real-time range indicator for EVs using web-based environmental

data and sensorless estimation of regenerative braking power [ J]. IEEE Transactions on Vehicular Technology, 2018, 67

(6): 4743-4756. DOI: 10.1109 / TVT.2018.2829728.

[13] 張偉彬, 吳軍, 易見兵. 基于 RFB 網(wǎng)絡(luò)的特征融合管制物品檢測算法研究[ J]. 廣西師范大學學報(自然科學版),

2021, 39(4): 34-46. DOI: 10.16088 / j.issn.1001-6600.2020080902.

[14] SUN S, ZHANG J, BI J, et al. A machine learning method for predicting driving range of battery electric vehicles[ J].

Journal of Advanced Transportation, 2019, 2019: 4109148. DOI: 10.1155 / 2019 / 4109148.

[15] ZHAO L, YAO W, WANG Y, et al. Machine learning-based method for remaining range prediction of electric vehicles[J].

IEEE Access, 2020, 8: 212423-212441. DOI: 10.1109 / ACCESS.2020.3039815.

[16] MODI S, BHATTACHARYA J, BASAK P. Convolutional neural network-bagged decision tree: a hybrid approach to reduce

electric vehicle's driver's range anxiety by estimating energy consumption in real-time[ J]. Soft Computing, 2021, 25 (3):

2399-2416. DOI: 10.1007 / s00500-020-05310-y.

[17] MURARI A, PELUSO E, LUNGARONI M, et al. Application of symbolic regression to the derivation of scaling laws for

tokamak energy confinement time in terms of dimensionless quantities[J]. Nuclear Fusion, 2016, 56(2): 026005. DOI: 10.

1088 / 0029-5515 / 56 / 2 / 026005.

[18] 馬炫, 李星, 唐榮俊, 等.一種求解符號回歸問題的粒子群優(yōu)化算法[ J]. 自動化學報, 2020, 46(8): 1714-1726.

DOI: 10.16383 / j.aas.c180035.

[19] 韓博文. 考慮實時需求的需求響應(yīng)式公交調(diào)度方法研究[J]. 廣西師范大學學報(自然科學版), 2019, 37(3): 9-20.

DOI: 10.16088 / j.issn.1001-6600.2019.03.002.

[20] NEMBHARD D A, SUN Y Z. A symbolic genetic programming approach for identifying models of learning-by-doing[ J].

Computers & Industrial Engineering, 2019, 131: 524-533. DOI: 10.1016 / j.cie.2018.08.020.

[21] PAN B Y. Application of XGBoost algorithm in hourly PM2. 5 concentration prediction[ J]. IOP Conference Series: Earth

and Environmental Science, 2018, 113: 012127. DOI: 10.1088 / 1755-1315 / 113 / 1 / 012127.

[22] 武康康, 周鵬, 陸葉, 等. 基于小批量梯度下降法的 FIR 濾波器[ J]. 廣西師范大學學報(自然科學版), 2021, 39

(4): 9-20. DOI: 10.16088 / j.issn.1001-6600.2020062602.

[23] DHALIWAL S S, NAHID A A, ABBAS R. Effective intrusion detection system using XGBoost[ J]. Information, 2018, 9

(7): 149. DOI: 10.3390 / info9070149.

[24] LI W, YIN Y B, QUAN X W, et al. Gene expression value prediction based on XGBoost algorithm [ J]. Frontiers in

Genetics, 2019, 10: 1027. DOI: 10.3389 / fgene.2019.01077.

[25] DONG W, HUANG Y M, LEHANE B, et al. XGBoost algorithm-based prediction of concrete electrical resistivity for

structural health monitoring[J]. Automation in Construction, 2020, 114: 103155. DOI: 10.1016 / j.autcon.2020.103155.

35

廣西師范大學學報(自然科學版),2022,40(2)

[26] MA J B, GAO X Y. A filter-based feature construction and feature selection approach for classification using Genetic

Programming[J]. Knowledge-Based Systems, 2020, 196: 105806. DOI: 10.1016 / j.knosys.2020.105806.

[27] 張燦龍, 李燕茹, 李志欣, 等. 基于核相關(guān)濾波與特征融合的分塊跟蹤算法[ J]. 廣西師范大學學報(自然科學版),

2020, 38(5): 12-23. DOI: 10.16088 / j.issn.1001-6600.2020.05.002.

[28] 楊弦, 黨延忠, 吳江寧. 基于符號回歸的產(chǎn)品評論數(shù)量與購買數(shù)量關(guān)系分析[J]. 系統(tǒng)工程學報, 2020, 35(3): 289-

300. DOI: 10.13383 / j.cnki.jse.2020.03.001.

Remaining Driving Range Prediction Based on Symbol Conversion and

XGBoost Algorithm

TIAN Sheng

?

, GAN Zhiheng, Lü Qing

(School of Civil and Transportation, South China University of Technology, Guangzhou Guangdong 510641, China)

Abstract: Improving the prediction accuracy of remaining driving range can alleviate the “ driving anxiety” of

drivers, help vehicle manufacturers develop fine battery management system and improve the acceptance of pure

electric vehicles. Based on the improved symbolic regression algorithm, a new data feature field closely related to

the label field is automatically generated to expand the data dimension. Then the dimension expanded data is

transmitted to the xgboost model optimized by super parameters to predict the remaining driving range. Compared

with the original data using only classical feature fields, the maximum relative absolute error of the dimension

expanded data in the prediction accuracy decreases by 4. 9%, and the average absolute error and root mean

square error decrease by more than 20%. With the increase of time, the error of prediction using the dimension

expanded data decreases faster. The results show that the proposed method can optimize the quality of the data

set, improve the accuracy of the prediction results and reduce the error, which provides a new idea for the

prediction of the remaining driving range of pure electric vehicles.

Keywords: electric vehicle; remaining driving range prediction; improved symbolic regression; feature

construction; XGBoost

(責任編輯 蘇凱敏)

36

第 40 卷 第 2 期

2022 年 3 月

廣西師范大學學報(自然科學版)

Journal of Guangxi Normal University (Natural Science Edition)

Vol. 40 No. 2

Mar. 2022

DOI:10.16088 / j.issn.1001-6600.2021072002 http: xuebao.gxnu.edu.cn

薛其威, 伍錫如. 基于多模態(tài)特征融合的無人駕駛系統(tǒng)車輛檢測[J]. 廣西師范大學學報(自然科學版), 2022, 40(2): 37-48. XUE Q W,

WU X R. Vehicle detection for autonomous vehicle system based on multi-modal feature fusion[ J]. Journal of Guangxi Normal University (Natural

Science Edition), 2022, 40(2): 37-48.

基于多模態(tài)特征融合的無人駕駛系統(tǒng)車輛檢測

薛其威1,2

, 伍錫如1,2?

(1. 桂林電子科技大學 電子工程與自動化學院, 廣西 桂林 541004;

2. 廣西高校非線性電路與光通信重點實驗室(廣西師范大學), 廣西 桂林 541004)

摘 要: 針對無人駕駛系統(tǒng)環(huán)境感知中的車輛檢測精度低的問題, 本文提出一種基于多模態(tài)特征融合的三維車輛檢測算

法。 該算法通過毫米波雷達與攝像機聯(lián)合標定, 匹配 2 個傳感器間的坐標關(guān)系并減小采樣誤差; 采用統(tǒng)計濾波剔除毫米

波雷達數(shù)據(jù)冗余點, 減少離群點干擾; 構(gòu)造多模態(tài)特征融合模塊, 利用逐像素平均融合點云與圖像信息; 加入特征金字

塔提取融合后的高級特征信息提升復(fù)雜道路場景下的檢測精度; 建立特征融合區(qū)域建議結(jié)構(gòu), 根據(jù)高級特征信息生成區(qū)

域建議; 使用非極大值抑制去除冗余檢測框后, 通過檢測框頂點匹配輸出車輛檢測結(jié)果。 經(jīng) KITTI 數(shù)據(jù)集實驗結(jié)果表

明: 所提出的方法能夠快速、 準確地實現(xiàn)車輛檢測, 平均檢測時間為 0.14 s, 平均檢測精度為 84.71%。 該算法具有重要

的理論和應(yīng)用價值, 可為無人駕駛系統(tǒng)的車輛檢測提供有效方案。

關(guān)鍵詞: 毫米波雷達; 環(huán)境感知; 多模態(tài)融合; 車輛檢測; 無人駕駛系統(tǒng)

中圖分類號: TP391.41;U463.6 文獻標志碼: A 文章編號: 1001-6600(2022)02-0037-12

隨著人工智能和機器人技術(shù)的不斷發(fā)展與深入,無人駕駛系統(tǒng)作為人工智能領(lǐng)域的一個重要分支已

經(jīng)成為國內(nèi)外的研究熱點[1-3]

。 無人駕駛系統(tǒng)通過三維車輛檢測對主體實現(xiàn)路徑規(guī)劃與決策控制,其中

雷達、攝像機、GPS 等傳感器的多模態(tài)特征融合是三維車輛檢測中的重要內(nèi)容[4-6]

。

毫米波雷達和攝像機的多模態(tài)特征融合因其檢測分辨率和精度高、抗干擾性強、感知范圍廣、不受光

照和陰影遮擋的特性,有利于實現(xiàn)復(fù)雜交通環(huán)境下的無人駕駛[7-9]

。 因此基于多模態(tài)特征融合的車輛檢

測算法在過去幾年里發(fā)展得較為迅速,大量優(yōu)秀算法廣泛應(yīng)用[10-12]

。

Nie 等[13]利用多模態(tài)融合深度神經(jīng)網(wǎng)絡(luò)對不同模態(tài)的特征進行多通道分層,并在隱藏層提取多通道

特征張量實現(xiàn)特征融合以預(yù)測車輛位姿、轉(zhuǎn)向角以及速度。 Zhang 等[14] 根據(jù)歸一化像素距離加權(quán)平均值

對點云插值處理并與像素點融合,通過注意力機制分配特征通道權(quán)重,抑制干擾通道并增強車輛特征通道

信息。 王肖等[15]通過隨機樣本一致性算法定位校準稀疏點云,提取點云結(jié)構(gòu)并與像素直接對齊,避免多

坐標轉(zhuǎn)換以及校準的誤差累積,根據(jù)圖像中目標角點與點云位置匹配確定車輛位置。 李明磊等[16]先將點

云實時柵格化篩選路面信息,再根據(jù)道路粗粒度特性將特征拓展到扇形檢測單元格減少路面紋理的干擾,

最后通過八叉樹的三維占用柵格融合障礙物檢測結(jié)果。 吳毅華等[17] 采用定向包圍體來描述目標障礙物

并用 RANSAC 算法找出點云分布與方向航向角。 上述算法為無人駕駛系統(tǒng)的障礙物檢測提供了重要的

參考依據(jù),但存在精度低、多尺度車輛檢測困難、遮擋車輛檢測框合并等狀況,因此針對多模態(tài)特征融合的

車輛檢測精度低與時間長的問題亟需解決[18-23]

。

本文采用基于多模態(tài)特征融合的方法,通過攝像頭和毫米波雷達的多模態(tài)特征融合完成車輛檢測。

對傳感器聯(lián)合標定實現(xiàn)時空間配準減小采樣誤差,加入統(tǒng)計濾波算法剔除點云離群點降低干擾;預(yù)處理后

傳入車輛檢測模塊,通過多模態(tài)特征融合模塊結(jié)合特征金字塔對采集到的特征進行融合并提取,提升多尺

收稿日期: 2021-07-20 修回日期: 2021-09-26

基金項目: 國家自然科學基金(61863007, 61603107); 廣西自然科學基金(2020GXNSFDA238029); 桂林電子科技大

學研究生教育創(chuàng)新計劃項目(2020YCXS103)

通信作者: 伍錫如(1981—), 男, 湖南婁底人, 桂林電子科技大學教授, 博士。 E-mail: xiru520@163.com

廣西師范大學學報(自然科學版),2022,40(2)

度對車輛的檢測精度;最后,融合特征傳入檢測框生成模塊篩選車輛位置,使用非極大值抑制去除冗余的

三維檢測框,將檢測框與車輛位置匹配輸出三維車輛檢測結(jié)果。

1 數(shù)據(jù)采集

1.1 算法框架及數(shù)據(jù)采集平臺

本文算法框架如圖 1 所示,毫米波雷達與攝像機聯(lián)合標定后對道路環(huán)境采集,收集點云及圖像信息,

將多模態(tài)數(shù)據(jù)輸入車輛檢測模塊,融合后進行車輛檢測并輸出結(jié)果。

FK



5 

4@$\"

M) 

FK

/KF

K.4%

DD\"

DD

\"

4

'

< 

4DD

\"

'

'<

圖 1 車輛檢測算法總體框架

Fig. 1 Overall framework of vehicle detection algorithm

采用?？低晹z像機和 24 GHz 毫米波雷達聯(lián)合對車輛進行檢測。 毫米波雷達通過可調(diào)螺栓固定于

車輛前保險杠中央,攝像機固定于后視鏡下方,如圖 2 所示。 NRA24 毫米波雷達采樣頻率為 20 Hz,每幀

數(shù)據(jù)的采集時間間隔為 50 ms,每秒采集 20 幀雷達數(shù)據(jù);攝像機采樣頻率是 50 Hz,每幀數(shù)據(jù)采集間隔為 20 ms。

圖 2 傳感器裝配位置

Fig. 2 Diagram of sensor installation

1.2 毫米波雷達和攝像機聯(lián)合標定

聯(lián)合標定是多模態(tài)融合的準備條件,毫米波雷達與攝像機存在不同采樣頻率及坐標系,因此要把傳感

器坐標轉(zhuǎn)換到相同坐標系并時間配準才可融合。 毫米波雷達和攝像機的空間標定需要找到同一時刻點云

和圖像中對應(yīng)的像素點。

假設(shè)車體坐標系中物點 P 為(xl,yl,zl),對應(yīng)圖像坐標系中像點 Q 為(x,y),其像素級融合方程為

zc

(x,y,1)

T =K Rc

xl,yl,zl

( )

T +Tc

( ) 。 (1)

式中:zc 為物點 P 在攝像機坐標系中 Z 軸方向的坐標;K 為攝像機內(nèi)部參數(shù)矩陣;Rc 和 Tc 為攝像機外部

參數(shù),分別代表旋轉(zhuǎn)矩陣和平移向量。

毫米波雷達將三維信息呈現(xiàn)為極坐標系的二維信息。 毫米波雷達與目標徑向距離為 R,與中心所成

角度為 α,坐標系所在的平面與環(huán)境坐標系平行,且兩者之間的距離為 H0 ,則環(huán)境坐標系中的物點 P 的坐

標 xn ,yn ,zn

( ) 與毫米波雷達坐標系中物點 P 的坐標(R,α) 的相互轉(zhuǎn)化關(guān)系為

38

http:∥xuebao.gxnu.edu.cn

xn

=Rsinα,

yn

= -H0 ,

zn

= -Rcosα。

ì

?

í

?

?

??

(2)

聯(lián)立式(1)與式(2)可得毫米波雷達坐標系與圖像像素坐標系的轉(zhuǎn)化關(guān)系為

zc

x

y

1

é

?

ê

ê

ê

ù

?

ú

ú

ú

=

f

x 0 u0

0 f

y

v0

0 0 1

é

?

ê

ê

ê

ê

ù

?

ú

ú

ú

ú

R

?

c

Rsinα

-H0

-Rcosα

é

?

ê

ê

êê

ù

?

ú

ú

úú

+T

?

c ( )

。 (3)

空間標定的車體坐標系和像素坐標系之間轉(zhuǎn)換關(guān)系如圖 3 所示。



2

D

2 2

2

2

DLD

42 LDL2



F F

  

%



圖 3 坐標系轉(zhuǎn)換關(guān)系

Fig. 3 Coordinate system conversion diagram

時間配準包含總數(shù)據(jù)采集、毫米波雷達數(shù)據(jù)采集和圖像采集,對每一幀數(shù)據(jù)給定一個以系統(tǒng)時間為準

的標簽,將數(shù)據(jù)傳輸?shù)骄彌_區(qū)隊列。 在總數(shù)據(jù)采集中啟動毫米波雷達數(shù)據(jù)采集和圖像采集,以采樣頻率低

的毫米波雷達數(shù)據(jù)為基準,每采集到 1 幀毫米波雷達數(shù)據(jù)則觸發(fā)圖像采集,從緩沖區(qū)隊列中選取相同時間

標簽的圖像數(shù)據(jù),以實現(xiàn)數(shù)據(jù)的同步采集和存儲,流程如圖 4 所示。


)[K?

LD0

K?

LD0

?

LD

3

4K

4K

A LD

4K

4/

FK

LD

?3/

FK



).

LDFK3/

)3/U3/U

FK3/

N

N

N

Y

Y

Y

N N1
  

圖 4 時間配準流程

Fig. 4 Time registration flowchart

39

廣西師范大學學報(自然科學版),2022,40(2)

1.3 統(tǒng)計濾波預(yù)處理

毫米波雷達對目標物體掃描時,軟硬件的誤差使得某個點集區(qū)域內(nèi)點的三維坐標產(chǎn)生偏移,會出現(xiàn)離

群點,產(chǎn)生多余的特征信息,使算法模型訓(xùn)練達不到全局最優(yōu)。

通過最小二乘迭代方法來估計曲率張量,并在迭代的時候根據(jù)點云周圍的鄰域為樣本分配權(quán)重,細化

每個點周圍的每一個鄰域。 利用計算獲得的曲率以及統(tǒng)計權(quán)重來重新校正正態(tài)分布[24]

。 求得全局量的

最小化,并計算出曲率和法線把離群點剔除,從而較好地保持車輛點云的紋理特征。

在笛卡爾坐標系下,點云的每個點以 x、y、z 三維坐標形式存在。 假設(shè)某個點云樣本為

D= pi∈R

3

{ } i = 1,2,…,n , (4)

式中:n 表示采樣點云點的總個數(shù);pi 表示采樣樣本 D 中的無序點,只取每個無序點的 x、y、z 三維坐標。

計算點的距離閾值 dmax:

?di

=

1

n ∑

n

i = 1

di, (5)

σ =

1

n ∑

n

i = 1

di

-?di

( )

2

, (6)

dmax

=

1

n ∑

n

i = 1

di

+ α × σ。 (7)

式中:di 為兩兩無序點間距;?di 點云樣本無序點的平均距離;σ 為樣本標準差;α 為閾值系數(shù)。 若某點與點

的距離大于 dmax則判定其為離群點,將其剔除于點集。 其中每個點的臨近點個數(shù)設(shè)為 50,距離閾值為 1,

閾值系數(shù) α 為 0.2。

圖 5 為點云樣本的初始視圖,近端點云分布分散,地面點云不清晰,遠端點云在障礙物周邊存在較為

雜亂的離群點且分布不均,給車輛檢測增加檢測難度;圖 6 為數(shù)據(jù)預(yù)處理后的視圖,局部區(qū)域的點分布較

為均勻,近端地面點云平整,易于后續(xù)的地面分割實現(xiàn),遠端點僅保留車輛及墻面點云信息,分布均勻。

圖 5 點云數(shù)據(jù)過濾前

Fig. 5 Point cloud data before filtering

圖 6 點云數(shù)據(jù)過濾后

Fig. 6 Point cloud data after filtering

2 三維車輛檢測算法

2.1 算法總體思路

針對車輛特征的多樣性和復(fù)雜性,引入深度神經(jīng)網(wǎng)絡(luò)以實現(xiàn)車輛檢測,算法框架如圖 7 所示。 首先,

將預(yù)處理后的點云與圖像信息使用 ResNet

[25]進行特征提取;通過縮放點云和圖像特征圖大小,實現(xiàn)多視

圖具有相同長寬比進行特征匹配;然后,傳入多模態(tài)特征融合模塊對多模態(tài)特征進行逐像素平均操作,實

現(xiàn)多模態(tài)特征融合并加入特征金字塔[26]提取高階特征;最后,將高階特征輸入檢測框生成模塊,與剪裁后

視圖聚合生成三維車輛檢測框。

40

http:∥xuebao.gxnu.edu.cn

圖 7 算法框架

Fig. 7 Algorithm framework

2.2 多模態(tài)特征融合模塊

多模態(tài)特征融合模塊由特征融合、特征金字塔、1×1 卷積組成。 將特征提取后的稀疏點云與圖片匹

配,同步輸入特征金字塔中,實現(xiàn)目標特征的提取,最后通過 1×1 卷積降維處理。

本文采用多模態(tài)特征融合模塊對輸入的特征值進行剪裁實現(xiàn)區(qū)域選取并調(diào)整大小,將統(tǒng)一分辨率的

多視圖特征圖做逐像素平均,融合點云信息與圖像信息高級特征。 融合圖像傳入特征金字塔中并進行上

采樣,采用橫向結(jié)構(gòu)將其連接至前一層特征,使特征增強,結(jié)構(gòu)如圖 8 所示。

圖 8 特征金字塔

Fig. 8 Feature pyramid Network

P1~ P5 每一層輸出所用特征圖融合不同分辨率、不同語義強度的特征,實現(xiàn)對不同分辨率車輛進行

檢測,保證每一層都有合適的分辨率以及強語義特征,以解決車輛檢測中的多尺度問題。 如圖 9 所示,由

于特征金字塔在 256 維的特征地圖上會提取 10 萬個 7×7 的特征,大大增加計算量,因此在特征金字塔后

方加入 1×1 卷積降維處理。 通過 1×1 的卷積減少卷積核的個數(shù),用于在不改變特征圖尺寸大小的前提下

減少特征數(shù)量實現(xiàn)降維。

最后將聚合的融合特征投影至分辨率為 0.1 m 的 6 通道柵格中,前 5 個通道為柵格單元最大高度內(nèi)

的相同切片生成,第 6 個通道由每個柵格單元的密度信息組成。

2.3 檢測框生成模塊

融合后的特征信息傳入車輛檢測模塊完成回歸與分類。 車輛檢測模塊由區(qū)域建議、RoI pooling 和全

連接層構(gòu)成。

本文提出特征融合區(qū)域建議結(jié)構(gòu),如圖 10 所示。 通過投影到柵格的俯視圖與主視圖融合傳入?yún)^(qū)域建

議生成建議特征圖,RoI pooling 將建議特征圖縮放至 7×7 傳入全連接層,以輸出每個車輛檢測框回歸、方

向估計和類別分類,最后使用非極大值抑制去除冗余的三維檢測框。

41

廣西師范大學學報(自然科學版),2022,40(2)

圖 9 高級特征提取

Fig. 9 Advanced feature extraction

圖 10 特征融合區(qū)域建議模塊

Fig. 10 Feature pyramid Network

本文采用了一個多任務(wù)損失,設(shè)計為

L =

1

Nc

∑i

Lc

si,ui

( ) + λ1

1

Np

∑ [ui > 0] Lr

+ λ2

1

N

?

p

Ls, (8)

式中 Nc 與 Np 分別為點云點的個數(shù)和下采樣后點云個數(shù)。

分類損失 Lc 為交叉熵損失,其中 si 為預(yù)測分類得分,ui 為中心點 i 的標簽。

H(p,q) = - ∑i

(si

log ui

+ (1 - si)log(1 - ui))。 (9)

回歸損失 Lr 包括距離回歸損失 Ldist、大小回歸損失 Lsize。 Ldist和 Lsize使用 SmoothL1函數(shù)使得損失函數(shù)對

離群點魯棒性更強,其中

SmoothL1

=

0.5x

2

, if x <1,

x -0.5, otherwise。 { (10)

角度損失 Ls 包括角損失 Lcorner和角度回歸損失 Langle,表示如下:

Lcorner

= ∑

8

m = 1

‖Pm

- Gm‖, (11)

Langle

= Lc d

a

c,t

a

c

( ) + D d

a

r ,t

a

r

( ) 。 (12)

式中:d

a

c 與 d

a

r 分別表示回歸的殘差和預(yù)測值;t

a

r 和 t

a

c 為對應(yīng)點云的樣本點;角損失表示 8 個預(yù)測角與標

注值的差值,其中 Pm 為點 m 的標注值,Gm 為點 m 的預(yù)測值。

為了消除重疊的檢測,使用閾值為 0.7 的非極大值抑制刪除車輛附近重疊較大的邊界框。 最終采用檢測

框頂點匹配的方式對齊減少計算參數(shù),并利用車輛相對于地平面的偏移,得到更精確的三維矩形框定位。

42

http:∥xuebao.gxnu.edu.cn

3 實驗結(jié)果與分析

3.1 平臺及參數(shù)

本實驗在 TensorFlow 框架下進行,計算機處理器為 Intel Core i7-6700,內(nèi)存 32 GiB,同時使用 NVIDIA

GeForce RTX 2080Ti 來實現(xiàn) GPU 加速訓(xùn)練。 學習率為 0.001,在 KITTI 數(shù)據(jù)集[27]上訓(xùn)練 120 個周期,每個

周期為 1 000,衰減系數(shù)為 0.8。

3.2 實驗結(jié)果

為了驗證改進網(wǎng)絡(luò)模型在不同交通場景下的多目標檢測能力,選擇訓(xùn)練周期數(shù)為 120 的網(wǎng)絡(luò)模型進

行測試,在 10%測試樣本集中分類選取樣本開展多組對比實驗,結(jié)果如圖 11~14 所示。

圖 11 為自然交通場景下車輛檢測結(jié)果。 從檢測結(jié)果可知,三維車輛檢測算法能夠有效實現(xiàn)車輛檢

測,檢測結(jié)果與實際判定結(jié)果相符合,且目標的標定框范圍較精準。

圖 11 自然場景實驗結(jié)果

Fig. 11 Natural scene experiment results

圖 12 為光照交通場景下實驗結(jié)果,圖 12(a)為陰影遮擋情況,圖 12( b)為光照遮擋情況。 從圖中可

以看出,即使圖像中車輛的攝像機受光照影響變化較大,顏色以及紋理受到干擾,但由于加入多模態(tài)特征

融合使點云彌補了圖像信息的缺失,本文提出的方法可以很好地完成車輛檢測任務(wù)。

圖 13 為復(fù)雜場景下的實驗結(jié)果,針對圖 12(a)遠距離車輛、圖 12(b)遮擋車輛,本文方法對于多目標

也能夠有效檢測,在應(yīng)對多目標的復(fù)雜狀況下,具有較好的魯棒性。

圖 14 給出了復(fù)雜路段場景檢測結(jié)果,圖 14( a)為單向路段,圖 14( b)為交叉路段。 由于道路環(huán)境錯

綜復(fù)雜,同時存在來向車輛、去向車輛以及側(cè)向來車,車輛方向各不相同且存在車輛遮擋,導(dǎo)致車輛點云特

征不明顯。 由實驗結(jié)果可知,通過攝像機對車輛二維信息的采集以及毫米波雷達對車輛在三維環(huán)境的位

43

廣西師范大學學報(自然科學版),2022,40(2)

姿匹配,車輛檢測能夠保證復(fù)雜環(huán)境下的車輛檢測精度。

圖 12 光照場景實驗結(jié)果

Fig. 12 Illumination scene experiment results

圖 13 多目標場景實驗結(jié)果

Fig. 13 Multi-target scene experiment results

圖 14 復(fù)雜路段場景檢測結(jié)果

Fig. 14 Complex road section scene detection results

實驗結(jié)果表明,對于自然道路環(huán)境以及復(fù)雜道路環(huán)境,本文算法通過多模態(tài)融合彌補攝像機與毫米波

雷達不足,對遮擋車輛、光照車輛以及多尺度多目標車輛能夠有效檢測。

網(wǎng)絡(luò)訓(xùn)練時,分別選取迭代周期為 60、80、100 以及 120 的模型進行評估,網(wǎng)絡(luò)訓(xùn)練損失與檢測精度如

圖 15 所示。 隨著網(wǎng)絡(luò)訓(xùn)練周期的增加以及學習率的改變,網(wǎng)絡(luò)損失能夠有效下降且趨于收斂,這表明改

44

http:∥xuebao.gxnu.edu.cn

進網(wǎng)絡(luò)模型檢測精度是不斷提升的(如表 1)。

圖 15 訓(xùn)練損失圖

Fig. 15 Training loss chart

表 1 網(wǎng)絡(luò)訓(xùn)練損失與檢測精度

Tab. 1 Network training loss and detection accuracy

訓(xùn)練周期 網(wǎng)絡(luò)損失 檢測精度/ %

60 1.652 73.32

80 1.271 79.46

100 1.393 83.84

120 1.132 84.71

本文算法在同數(shù)據(jù)集同環(huán)境下與目前主流算法進行對比,測試結(jié)果如表 2 所示。 對比實驗根據(jù)三維

檢測方法分為原始點云方法、多視角方法、圖像點云融合方法。 選擇不同方法中主流算法在本文實驗平臺

上用 KITTI 數(shù)據(jù)集進行測試。 本文算法檢測平均精度為 84.71%,毫米波雷達數(shù)據(jù)信息相比于圖像信息,

冗余數(shù)據(jù)量小、分類特征維度低的特點使本文算法精確度高于其他方法。 由于加入特征金字塔導(dǎo)致檢測

時間略有上升,檢測時間略高于基于原始點云方法的 Complexer-YOLO 與 3DSSD 算法,但仍優(yōu)于其他主流

算法。

表 2 主流算法時間及精度對比

Tab. 2 Comparison of time and accuracy of mainstream algorithms

檢測方法 算法

精度/ %

簡單 普通 困難

時間/ s 平均精度/ %

原始點云

方法

Complexer-YOLO 24.27 18.53 17.31 0.09 20.04

3DSSD 88.36 79.57 74.55 0.10 80.83

VOXEL3D 86.45 77.69 72.20 0.24 78.78

多視角

方法

SARPNET 85.63 76.64 71.31 0.12 77.86

SIENet 88.22 81.71 77.22 0.15 82.38

MVOD 88.53 80.01 77.24 0.16 81.93

圖像點云

融合方法

F-PointNet 82.19 69.79 60.59 0.17 70.86

AVOD 83.07 71.76 65.73 0.22 73.52

MV3D 74.97 63.63 54.00 0.36 64.20

本文算法 88.75 85.52 79.86 0.14 84.71

在原始點云方法、多視角方法、圖像點云融合方法中各選擇一種算法與本文算法進行結(jié)果對比,如圖

16 所示。 在陰影遮擋、車輛遮擋以及遠距離車輛的情況下,本文算法的誤檢率及漏檢率均低于其他算法,

對車輛的三維檢測框匹配準確度也高于其他算法。 實驗結(jié)果表明,本文算法能夠快速準確地完成自然場

景以及復(fù)雜場景的車輛三維檢測,該方法有效可行。

45

廣西師范大學學報(自然科學版),2022,40(2)

圖 16 算法效果對比

Fig. 16 Algorithm effect comparison diagram

4 結(jié)論

本文采用基于多模態(tài)特征融合的方法,通過攝像頭和毫米波雷達的多模態(tài)特征融合完成車輛檢測。

該算法采用統(tǒng)計濾波算法預(yù)處理剔除點云冗余信息;通過多模態(tài)特征融合并結(jié)合特征金字塔提取高層特

征,提高復(fù)雜道路場景下車輛檢測精度;最終使用區(qū)域建議與三維檢測框匹配生成車輛檢測框。 該算法的

車輛識別準確率為 84.71%,對自然道路以及復(fù)雜道路場景表現(xiàn)出良好的穩(wěn)定性。 單幀融合數(shù)據(jù)的平均總

處理時間為 0.14 s,具有較好的實時性。 本文算法使無人駕駛系統(tǒng)能在復(fù)雜道路場景下實現(xiàn)三維車輛

檢測。

參 考 文 獻

[1] CAI P D, WANG S K, SUN Y X, et al. Probabilistic end-to-end vehicle navigation in complex dynamic environments with

multimodal sensor fusion [ J]. IEEE Robotics and Automation Letters, 2020, 5 ( 3): 4218-4224. DOI: 10. 1109 / LRA.

2020.2994027.

[2] 劉英璇, 伍錫如, 雪剛剛. 基于深度學習的道路交通標志多目標實時檢測[ J]. 廣西師范大學學報(自然科學版),

2020, 38(2): 96-106. DOI: 10.16088 / j.issn.1001-6600.2020.02.011.

[3] ZHANG Y, SONG B, DU X J, et al. Vehicle tracking using surveillance with multimodal data fusion[J]. IEEE Transactions

on Intelligent Transportation Systems, 2018, 19(7): 2353-2361. DOI: 10.1109 / TITS.2017.2787101.

[4] STANISLAS L, DUNBABIN M. Multimodal sensor fusion for robust obstacle detection and classification in the maritime

46