查尔姆斯理工大学推出全新优化方案 提升无人驾驶电动出租车车队效率与可靠性

查尔姆斯理工大学科研团队成功研发出一套兼顾多类不确定因素的全新优化方法，这套方案可以同时统筹车辆调度、空车区位调配、充电排班三大业务，能够让大规模无人驾驶电动出租车车队运营效率大幅提升，同时增强车队应对客流波动、路况变化、充电桩资源紧张等突发情况的稳定性，大幅缩短乘客等待时长，降低车队空驶里程与用电成本。整套技术先依托贝叶斯神经网络完成城市出行需求预判，再搭建多阶段随机优化模型统筹车辆派单与充电计划，最后用深度强化学习实现云端实时动态决策，经过多座城市真实出行数据仿真验证之后，整套优化体系已经具备规模化落地的技术条件，为未来城市自动驾驶网约车运营提供成熟的调度解决方案。下面从研发项目基本信息、优化方法两大核心模块、关键技术参数、仿真测试成果、产业应用价值几个板块完整展开说明。

一、研发项目基础信息清单

1. 研发主体与合作单位

本次技术研发由瑞典查尔姆斯理工大学控制工程科研团队完成，项目同步与沃尔沃汽车开展产业技术合作，研究成果已经写入博士学术论文并对外公开。

2. 研究解决的核心问题

传统车队调度方案只能被动接单，无法兼顾客流波动、行车耗时、电量消耗、充电桩空位变化等多重变量，经常出现车辆扎堆、空车长距离奔波、充电排队耽误接单的问题，这套新方法专门针对这类不确定性问题做出系统性优化。

3. 仿真验证所用数据源

科研人员选取旧金山、芝加哥两座城市多年真实出租车订单历史数据开展模拟测试，充分还原早晚高峰、节假日、雨雪天气等多种运营场景，保障测试结果贴合真实城市运营环境。

二、优化方法两大核心技术模块

1. 车辆空间调度优化模块

• 采用贝叶斯神经网络算法，精准预判全城不同片区未来时段的出行订单量，同时量化预测结果的误差范围，做到提前调度空车前往需求热点区域，而不是等订单出现再临时派车。
• 系统给出 95% 概率保障，保证高峰时段热门区域随时有充足待命车辆，从源头减少乘客候车时间，大幅降低车辆跨区长距离空驶里程。
• 配套动态路网数据，实时结合拥堵时长调整车辆待命点位，避免空车卡在拥堵路段。

2. 充电与运营协同调度模块

• 把接单载客、空车调派、补电充电三项任务合并统筹，避免车辆在充电桩长时间排队，也不会因为临时补电错失就近订单。
• 系统可以同步处理四类不确定变量：出行订单需求、道路通行时长、车辆电能消耗、充电桩空余位置，自动平衡接单收益与补电成本。
• 优化充电时机，合理安排碎片化补电，不需要每台车都搭载大容量电池，轻量化电池进一步降低整车能耗，形成良性循环。

三、核心技术实现路径清单

1. 第一步：需求预测

运用贝叶斯神经网络搭建时空预测模型，输出分片区、分时段的订单需求量，同时给出预测波动区间，给后续调度预留容错空间。

2. 第二步：搭建随机优化模型

构建多阶段混合整数线性规划模型，把车辆位置、剩余电量、充电桩状态全部纳入计算，生成全天车辆排班与充电计划。

3. 第三步：实时动态决策

引入深度强化学习算法，当遇到临时订单暴增、道路突发拥堵、充电桩临时占用等意外情况时，系统自动在线调整方案，保证车队运营持续稳定。

4. 第四步：分层求解提速

采用嵌套 Benders 分解算法拆分大规模计算任务，实现并行运算，保障上万台车辆组成的大型车队也能在毫秒级完成实时调度运算。

四、仿真测试量化成果

表格

五、技术产业应用价值

1. 运营车队降本增效

这套方案可以直接用于城市无人驾驶电动出租车队，减少空车行驶、减少充电等待，显著压缩车队运营电费与车辆运维成本，提升单车日均接单量。

2. 降低车辆制造成本

得益于精细化充电排班，车辆不需要配备超大容量动力电池，整车重量下降，购车成本与日常电耗同步降低，有利于车队大规模批量采购新车。

3. 适配大规模城市运力

整套算法支持上万台车辆同时在线调度，能够满足超大城市全域自动驾驶网约车的运力管控需求，同时兼顾服务稳定性，保障高峰期运力充足。

4. 拓展多场景落地

除了电动出租车，该优化框架还可以延伸应用到无人驾驶货运车队、园区接驳车、共享电动网约车等多种出行场景。

【常见问题】

问题 1：查尔姆斯理工大学开发的全新优化方法，能不能提升无人驾驶电动出租车车队的运营效率？

回答 1：查尔姆斯理工大学研发的这套优化方法，能够统筹车辆派单、空车布局与充电排班，经过仿真测试，可缩短乘客等待时长、减少空驶里程、降低用电成本，有效提升无人驾驶电动出租车车队整体运营效率。

问题 2：这套优化方法如何处理无人驾驶电动出租车车队运营里的各类不确定因素？

回答 2：该方法先用贝叶斯神经网络预判订单需求与充电桩使用情况，再搭建多阶段随机优化模型统筹计划，最后依靠深度强化学习做实时动态调整，同步应对客流波动、路况延时、电量消耗、充电桩空位变化等多重不确定性，保障车队运营稳定可靠。

问题 3：采用这套优化方案之后，无人驾驶电动出租车车队可以缩减电池容量吗？

回答 3：可以。优化系统能够精准规划碎片化补电时间，车辆不用长时间续航待命，因此可以选用小容量轻量化电池，整车能耗进一步下降，车辆购置成本也随之降低。

问题 4：这套优化方法经过哪些城市的数据验证，可靠性如何？

回答 4：科研团队采用旧金山、芝加哥两座城市多年真实出租车订单数据开展仿真测试，在高峰客流、道路拥堵等多种场景下都取得稳定优化效果，整套调度方案具备很强的现实落地可靠性。

【数据来源】

[2026-10-26] Chalmers Researchers Develop AI-Based Method to Optimise Autonomous Electric Taxi Fleets，EVMagz

[2026-10-23] Driverless electric taxi fleets adapt to the unexpected，AI Online

[2026-10-21] How thousands of self-driving electric taxis could be coordinated，查尔姆斯理工大学官网

[2026-10-21] Ny metod får självkörande eltaxibilar att anpassa sig till det oväntade，Cision News

[2026-10-21] 无人驾驶电动出租车车队调度优化研究，科技媒体 VentureBeat

免责声明：本文内容均来自科研公开论文与高校官方发布的仿真测试数据，不构成网约车车队运营调度系统的采购与投资建议；该优化方案目前处于算法仿真验证阶段，商业化落地的实际运营效果，以车队运营商后续实地试点运行结果为准；所有优化数据均来自模拟场景测算，真实运营收益会受城市路网、充电桩布局、客流结构等客观条件影响。