《广西师范大学学报(自然科学版) 》

第七届编辑委员会

主任委员: 邓 军 贺祖斌

副主任委员: 苏桂发 孙杰远

秘书长: 苏曦凌

副秘书长: 苏良亿 王龙杰

委员(按姓氏笔画排序):

马姜明 马殷华 王 宁 王龙杰 韦笃取 卢家宽 邝 华 刘可慧

苏桂发 李友邦 李先贤 李廷会 杨瑞云 吴佃华 何 云 邹艳丽

沈星灿 宋树祥 张军舰 陈振锋 武正军 罗晓曙 周岐海 胡维平

秦永松 唐振军 黄文韬 梁 宏 彭峰林 温桂清 蒙志明 蒙冕武

特约委员: 李家明 沈允钢 陈关荣

主编: 苏桂发

副主编: 王龙杰 马殷华

学报(自然科学版) 第 40 卷 第 2 期

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

目 次

基于文献计量学分析的好氧颗粒污泥研究进展………………………………………… 肖 飞,丁旭升,王维红( 1 )

基于系统关联性的高速公路大中型货车到达量多尺度预测 ………………………… 林培群,何伙华,林旭坤( 15 )

基于改进符号回归算法和 XGBoost 算法的剩余续驶里程预测 ……………………… 田 晟,甘志恒,吕 清( 27 )

基于多模态特征融合的无人驾驶系统车辆检测 ………………………………………………… 薛其威,伍锡如( 37 )

基于改进 YOLOv5 的道路车辆跟踪算法…………………………………………………………… 张文龙,南新元( 49 )

低功耗高精度 Sigma-Delta 调制器的建模与设计 …………………… 刘振宇,宋树祥,岑明灿,蒋品群,蔡超波( 58 )

基于动量因子 DD-LMS 算法在高速相干接收机中的应用

…………………………………………………………………… 龚 闯,刘志强,陆 叶,周 鹏,武康康,李传起( 71 )

基于卷积神经网络的逆光图像增强研究………………………………………… 马铖旭,曾上游,赵俊博,陈红阳( 81 )

基于多信息集成的药物靶标预测方法研究 ………………… 谭 凯,李永杰,潘海明,黄可馨,邱 杰,陈庆锋( 91 )

一类具有迁移和 Allee 效应的食饵-捕食者系统稳定性 ……………………… 徐王军,曹进德,伍代勇,申传胜(103)

一类非线性 p-Laplace 方程的 Liouville 定理 ……………………………………………………… 蒋群群,王林峰(116)

模拟趋化现象的三维双曲-抛物系统的最优衰减率……………………………………………… 王 涵,张映辉(125)

增长区域上一类寄生虫-宿主模型的 Turing 不稳定 …………………………………………… 张琬婧,林支桂(132)

纳米金催化甲酸还原磷钼酸耦合电置换反应-共振瑞利散射测定痕量汞

…………………………………………………………………………… 刘奇文,李 丹,黄小芳,梁爱惠,蒋治良(140)

基于水库调蓄和地灾协同控制的地下水资源高效利用研究 ……… 袁冬梅,齐跃明,黄光明,王俊萍,马仪鹏(149)

裂解多糖单加氧酶纳米花固定化研究 …………………………………………………… 任文文,孙云泽,李 蓉(158)

华南西部土壤 Cd、Pb 地球化学基线研究及评价 ………………………………………………… 毛政利,赵华美(170)

缺氧生物膜法处理光伏高硝态氮废水研究 ……………………………………………… 魏世勋,何成达,张 淼(182)

正常来源 CD4

+

CD25

+细胞在小鼠肺癌模型中的抗肿瘤作用

………………………………………………… 周 俊,陈舒曼,邢 兵,陈雅静,李银玲,何 柳,周祖平,蒲仕明(191)

急性肺损伤模型中 Sdr9c7 基因的作用研究 …………… 贺思诺, 李银玲, 周 晶, 周 洁, 林万华, 杨文贤(200)

广西白头叶猴和黑叶猴理毛行为的比较研究 ………………………………… 冯月婷,韦周全,黄中豪,李友邦(208)

四川大凉山中部蚂蚁物种多样性研究 ……………… 陈 超,徐正会,张新民,郭宁妍,刘 霞,钱怡顺,祁 彪 (218)

AMF 与根瘤菌对间作大豆光合与呼吸代谢的影响 …… 吴艳芬, 刘秋鸣, 刘卫欢, 蒙爱萍, 陈振翔, 刘 灵(231)

饲粮支链氨基酸比例对 28~63 日龄攸县麻鸭肠道菌群的影响

………………………………………………… 孙 悦,戴求仲,蒋桂韬,黄 璇,李 闯,邓 萍,孙 涛 (242)

封面设计: 席志新 英文审校: 秦永松, 徐德兰, 蒋业梅 执行编辑: 苏凯敏

期刊基本参数: 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 François’ 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

广西师范大学学报(自然科学版)

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

肖飞,丁旭升,王维红. 基于文献计量学分析的好氧颗粒污泥研究进展[J]. 广西师范大学学报(自然科学版), 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.

基于文献计量学分析的好氧颗粒污泥研究进展

肖 飞, 丁旭升, 王维红∗

(新疆农业大学 水利与土木工程学院, 新疆 乌鲁木齐 830052)

摘 要: 为深入了解好氧颗粒污泥(aerobic granular sludge, AGS)的研究现状与研究热点, 本文基于中国知网(CNKI)数

据库和 Web of Science 核心合集数据库, 采用文献计量学方法对 2008—2021 年间发表的 AGS 研究文献进行梳理和总结,

并结合 VOSviewer 可视化工具进行关键词共现聚类分析, 绘制了展现国内外 AGS 研究领域知识演化的各类知识图谱。 关

键词分析表明, AGS 在处理不同类型污水的应用、 利用 AGS 多重生物功效(脱氮除磷) 以及 AGS 形成机理条件、 强化造

粒和连续稳定性培养是 AGS 的主要研究热点。 国内 AGS 研究呈快速增长趋势, 以 “AGS 形成机理” 为主; 国外研究热

点主要以 “AGS 启动反应器类型和解体恢复” 为脉络。 AGS 快速造粒与稳定性培养、 各类功能性微生物协同方式, 以及

继续拓宽 AGS 在不同领域的高效利用可能成为今后的研究热点。

关键词: 好氧颗粒污泥; 文献计量学; VOSviewer; 聚类分析; 知识图谱

中图分类号: X703 文献标志码: A 文章编号: 1001-6600(2022)02-0001-14

好氧颗粒污泥(aerobic granular sludge,AGS)技术作为近年来兴起的污水处理技术[1]

,具有良好的沉

降性能、高生物相、高耐毒性、抗冲击负荷强、多重生物功效等大多数普通活性污泥难以比拟的优点,已成

为废水处理领域的研究热点。 研究表明[2-3]

,该技术与荷兰 Nereda 工艺相结合,应用于实际工程,通过中

试和生产性试验,取得了良好的实际效果。 然而,在实际工程中,AGS 的快速形成是制约该技术工业化应

用的主要瓶颈,且现有研究多集中在实验室规模下进行。

近年来,AGS 相关的研究成果日益增多,但这些成果仅从 AGS 的形成机制、影响因素等方面来阐述,

很少有研究收集关于 AGS 快速形成、应用以及稳定性的系列数据。 因此,有必要针对近十几年来国内外

AGS 的研究进展进行全面梳理,进一步明晰 AGS 快速培养和应用研究领域的发展动态。 文献计量学是采

用数学和统计学的计量方法对某一研究领域的大规模文献进行时空分析,可以实现该领域技术的研究现

状与发展趋势。 有关生物炭[4]

、食品大数据[5]

、物联网研究[6]

、营养基因组学[7] 等文献计量分析已有报

道,但基于 AGS 的文献计量学分析尚未见报道。

基于此,本文基于中国知网(CNKI)数据库和 Web of Science(WOS)核心合集数据库,采用文献计量学

方法对 2008—2021 年间收录的 AGS 研究领域的文献进行量化分析,同时运用 VOSviewer 可视化分析工具

对 AGS 研究领域的高频关键词进行重点梳理和总结,以期深入了解影响 AGS 的形成机制、颗粒污泥的快

速形成及其应用的因素,推动 AGS 技术的基础性研究以及工业化应用。

1 数据与方法

1.1 数据来源

本文数据来源于 CNKI 数据库和 WOS 核心合集数据库,以“好氧颗粒污泥” 和“ aerobic granular

收稿日期: 2021-04-15 修回日期: 2021-06-30

基金项目: 国家自然科学基金(51968071)

通信作者: 王维红(1967—), 女, 新疆奇台人, 新疆农业大学教授。 E-mail: 2209319288@qq.com

广西师范大学学报(自然科学版),2022,40(2)

sludge”作为检索项,共检索得到 2008—2021 年间发表的文献 4 070 篇,其中 CNKI 收录 2 079 篇,WOS 核

心合集收录 1 991 篇;CNKI 国内发表和国外发表分别为 765 和 1 314 篇,占总发文量的 18.8%和 32.3%。

1.2 研究方法

利用文献计量学方法对文献进行量化分析。 使用 CNKI 和 WOS 系统自带统计分析功能,对收集到的

发文量进行统计分析及筛选分类。 同时,运用 VOSviewer 1.6.16 可视化分析软件,将文献进行关键词共现

聚类分析,以揭示 AGS 研究热点和研究现状及趋势。

2 研究热点分析

关键词是论文的核心,对关键词的计量分析,不仅有助于快速了解该领域的研究热点,且可预测未来

的研究方向。 知识图谱中以圆的大小表示研究热度,曲线代表热点间的共现关系,不同颜色代表不同的聚

类分析,如图 1 和图 2 所示。

2.1 国内 AGS 领域研究热点

图 1 为 CNKI 数据库绘制的 AGS 领域研究热点知识图谱。 红色表示聚类 1,核心内容为有关 AGS 形

成机制的研究,如明婕等[8]基于群体感应为核心的“信号分子假说”,从分子生物学角度阐释 AGS 的形成

机制。 绿色表示聚类 2,核心内容为有关影响颗粒污泥快速形成的研究,如常笑丽等[9] 研究表明,施入细

土和厌氧颗粒均有助于 AGS 快速形成,同时培养出的 AGS 不仅具有致密的空间结构和高孔隙率,而且在

颗粒外表面还富集大量微生物。 橙色表示聚类 3,核心内容为有关颗粒污泥稳定性丢失的研究,如黄思琦

等[10]研究证实,当含盐质量分数为 2.5%时,AGS 开始出现颗粒解体及污水去除效果减弱,含盐质量分数

增加到 5%时,颗粒污泥解体、上浮现象有所缓解。 黄色表示聚类 4,核心内容为 AGS 对不同环境条件的

响应研究,如王琳等[11]实验结果表明,酸度是影响 AGS 生物吸附 Pb

2+的关键因素。 也有研究发现,不同

碳氮比(C / N)条件下也能培养出 AGS,且 C / N 为 4 的系统脱碳硝化效果较好,抗冲击负荷能力强。 此外,

在低温环境(15 ℃ )培养出的成熟 AGS 具有良好短程硝化功能[12]

;在常温环境( <30 ℃ )下,AGS 富集更

多硝化菌,提高硝化菌的活性和生长速率,促进脱氮效果。 相反,在高温环境(≥30 ℃ )培养出的 AGS 对

COD、氨氮和磷酸盐具有优异的去除效果,尤其是在 C / N 为 8、进水负荷率为 1.6、温度为 50 ℃ 形成的

AGS。 研究还证实,AGS 在不同温度下的成功颗粒化也可能与铁、铝、钙等元素的积累相关[13]

。 在低曝气

量下,AGS 具有较高处理效能,对废水中 COD、氨氮和磷的去除率最高[14]

;在高曝气量下,当溶解氧(DO)

为 7~8 mg / L 时,颗粒仍保持长期稳定性,对系统除磷效果影响不大。 但是,将曝气策略调整为低/ 高后,

系统的脱氮除磷性能恶化,同时形成的颗粒结构疏松,沉降性和稳定性均恶化[15-16]

。 紫色表示聚类 5,核

心内容为有关 AGS 应用的研究,如陈启伟等[17]采用 AGS 处理人工番茄酱废水,取得较好效果。 同时,有

学者对 AGS 处理畜禽养殖沼液进行研究,发现沼液和猪场废水中含有的高浓度污染物不会对 AGS 结构

产生显著毒性胁迫,可实现有机物和氨氮的稳定去除[18-19]

。 此外,还有学者利用成熟的高盐 AGS 处理高

盐榨菜废水,发现高盐 AGS 对 COD 有较好的降解效果,去除率在 97%以上,但对 TN 的去除效果较差。 这

主要是因为,硝化菌所利用的能量仅来自于有机物的同化作用[20]

。 Hou 等[21] 试验结果表明,不同盐度

(1%、2%、4%)的耐盐 AGS 对 COD 的去除均有良好效果,与空白试验相比(不投加盐),交替盐度不仅显

著提高了反应器的 COD 去除率,而且还能富集更多的微生物。

2.2 国外 AGS 领域研究热点

图 2 为 WOS 核心合集数据库绘制的 AGS 领域研究热点知识图谱。 从图 2 可以看出,以“ aerobic

granular sludge”为中心的其他关键词节点包括“ nitrificationg” “ biological treatment” “wastewater treatment”

“SBR”“biosorption”“active recovery”等。 可以发现,国内外研究热点大致相同,同样包括 AGS 培养反应器

的类型、不同类型废水处理的应用以及生物脱氮除磷的研究内容 3 个方面。

2

http:∥xuebao.gxnu.edu.cn

图 1 国内 AGS 领域研究热点知识图谱

Fig. 1 Knowledge map of domestic AGS research hotspots

图 2 国外 AGS 领域研究热点知识图谱

Fig. 2 Knowledge map of AGS research hotspots at abroad

3

广西师范大学学报(自然科学版),2022,40(2)

2.3 国内外 AGS 领域研究热点高频词

采用 VOSviewer 软件导入数据库数据,通过人工筛除部分中文和英文词义相同以及相近的关键词,按

照关键词出现频次和中心度高低,得到国内外 AGS 领域排名前 16 的关键词,见表 1。 对比国内外 AGS 领

域高频词表,发现有以下异同点:①主要研究热点都是“AGS 启动的反应器类型” “形成机理”,以及“AGS

的应用”;②在实验室培养 AGS 的过程中,AGS 的稳定性主要受到两种荷载的作用,一个是“水动力”,另

一个是“气动力”,国内外研究热点都集中于这两点,以及多荷载耦合动力分析;③整体来说,国内的研究

重点偏向于 AGS 形成机理方向,但是从关键词“microbial community”“pilot scale”“activity recovery”等可以

看出国际上研究热点会更加偏向 AGS 工业化应用以及解体恢复。

表 1 国内外 AGS 领域研究热点高频词比较

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

序号

国内

高频词 频次 中心度

国外

高频词 频次 中心度

1 好氧颗粒污泥 330 0.51 aerobic granules 21 0.16

2 形成机理 50 0.09 sequencing batch reactor 20 0.22

3 SBR 反应器 36 0.06 microbial community 13 0.09

4 稳定性 31 0.06 wastewater treatment 12 0.13

5 胞外聚合物 25 0.05 denitrification 11 0.09

6 脱氮除磷 21 0.04 extracellular polymeric substances 11 0.07

7 连续流 16 0.03 biodegradation 10 0.07

8 废水处理 13 0.03 aerobic granulation 8 0.10

9 高通量测序 12 0.02 nitrogen removal 8 0.05

10 生活污水 10 0.02 activated sludge 7 0.07

11 温度 8 0.02 membrane bioreactor 7 0.04

12 快速培养 8 0.01 nutrient removal 6 0.05

13 强化造粒 7 0.01 stability 6 0.04

14 动力学 6 0.01 selective pressure 5 0.04

15 EGSB 反应器 6 0.01 pilot scale 5 0.04

16 储存 5 0.01 activity recovery 5 0.03

3 好氧颗粒污泥的形成、特性

3.1 好氧颗粒污泥形成的影响因素

目前,国内外学者公认影响 AGS 形成的因素较多,过程较复杂。 其中,与培养污泥的种类、水力剪切

力、反应器构型、诱导核、曝气量、进水方式、沉降时间、底物成分及有机负荷等因素息息相关,污泥种类、底

物基质及反应器控制条件是决定颗粒污泥快速造粒的主要因素。 因此,控制相对精确的反应条件是成功

培养 AGS 的关键。

3.1.1 接种种泥

有研究表明[22]

,接种污泥浓度与 AGS 的形成无必然关联,而只与接种污泥特性有关。 在大量的文献

研究中[23]

,颗粒污泥主要是以活性污泥为接种污泥,活性污泥的微生物种群类型较为丰富,附着在活性污

泥表面/ 内层的微生物类型是形成 AGS 的重要条件。 不同类型的微生物具有亲水和疏水的特性,疏水微

生物越多,颗粒污泥的沉降性能越好,AGS 越容易形成。 主要是因为疏水性微生物对污泥絮体粘附能力

较强,易于吸附在活性污泥絮体表面,同时接种污泥中含有大量的荚膜菌和丝状菌,有助于沉降性能优越

4

http:∥xuebao.gxnu.edu.cn

的颗粒污泥快速颗粒化。 市政污水厂[24]

、番茄酱废水处理厂[17]和啤酒废水处理厂[25] 的污泥均可作为接

种污泥,选用番茄酱废水处理厂污泥作为种泥时,培养出的 AGS 粒径较大;选用啤酒废水处理厂污泥时,

种泥中含有较高自凝聚的菌群,能分泌较多胞外聚合物(EPS),更易形成结构紧密、稳定性较好的 AGS。

3.1.2 底物基质(碳源和金属离子)

研究发现,采用合成有机废水[26-27]

(葡萄糖、乙酸钠、苯酚、蔗糖)、市政污水[24] 以及部分工业废

水[28-30]

(马铃薯加工废水、屠宰废水、奶制品废水)等基质培养活性污泥,也能成功颗粒化。 但不同基质条

件下培养的颗粒污泥在其形成过程、物化性能、结构及微生物种类组成方面存在明显差别。 当以苯酚为碳

源时,反应体系中仅培养出含单一菌种的 AGS,优势菌为变形菌门 Proteobacterium;以蔗糖为碳源培养出

的 AGS,微生物主要由硝化菌群和短杆菌组成,具有良好的脱氮能力;而以葡萄糖为底物时,反应体系中

的丝状菌将过度增殖,引起污泥膨胀,不利于 AGS 的形成。 此外,当以工业废水作为唯一碳源时,颗粒污

泥主要形成好氧亚硝酸盐颗粒(ANG),ANG 具有良好的沉降性能和脱氮性能,优势菌为亚硝酸菌。

金属阳离子可与污泥表面负电荷通过结合或架桥方式形成稳定的三维立体结构,加速污泥成粒过程

并维持其稳定结构,即形成微生物核心,如 Fe

3+

、Mg

2+

、Ca

2+等。 Fe

3+具有絮凝作用,可使活性污泥絮体增

大,增强絮体中氧的传质阻力,限制了内层微生物对氧的利用率,从而改善污泥的稳定性,降低污泥的厚

度,提高处理效率[31]

。 Mg

2+和 Ca

2+对污泥颗粒促进成粒主要与 EPS 有关,Mg

2+易与 EPS 中多糖(PN)的酰

胺基络合,Ca

2+易与蛋白质(PS)中 OH

-结合,形成疏水性强且黏性较大的 AGS

[32]

。 也有学者发现,在适当

的浓度范围内,Al

3+

、Cu

2+

、Hg

2+和 Ni

2+的加入对污泥活性有促进作用,促进 AGS 凝聚。 李洋媚[33]以铝盐探

究活性污泥中微生物活性,发现添加铝絮凝剂的装置微生物类型更多。 周橄等[34] 也指出,纳米氧化铜

(CuO NPs)能释放微量游离 Cu

2+

,可促进微生物的聚集和生长,提高了污泥浓度。 李娟英等[35] 实验结果

显示,当 Hg

2+浓度分别为 5 mg / L 和 40 mg / L 时,活性污泥的硝化抑制率分别大于 30%和 70%。 对于 Ni

2+

离子而言,其可改善污泥絮体的形成[36]

。

陈颖等[37]从成粒模型角度总结了 AGS 的典型结构,并从宏观和微观两个层面论述了影响 AGS 结构

稳定性的条件,其指出 AGS 的结构形态主要受宏观尺度(反应器、反应体系)的影响,微生物和污泥理化性

质受微观尺度的影响。 提出 AGS 的快速粒化和维持长期结构稳定是加快 AGS 技术产业化的关键。

3.1.3 有机负荷

据报道[38]

,AGS 可承受有机负荷(OLR)的范围为 2.5~15 kg / (m

3·d),不同的 OLR 对污泥颗粒化进

程的影响存在差异,较高的 OLR 更有助于促进细胞分泌 EPS,增加其 PS 和 PN 含量;低 OLR 条件下,PS

和 PN 含量增加相对较少,虽然过高的 OLR 也能成功颗粒化,但是颗粒结构稳定性较差,长时间运行易发

生失稳解体现象,影响反应体系除污效果。 Yang 等[39]通过调控 OLR 会产生相应的选择压,选择压的存在

可以促进 AGS 的快速形成,其形成经历了驯化、颗粒化、生长和成熟 4 个阶段。 也有研究发现,OLR 和反

应器高径比(RH/ D)呈线性相关[40]

,RH/ D值越大,AGS 生物质产量比例越高;RH/ D值越小,动力学参数(Ks)

测量的 AGS 的有效性降低,生物质产量比例减小。

3.1.4 水力剪切力

水力剪切力主要为序批式活性污泥(SBR)装置提供上升气流[41-43]

,AGS 颗粒化过程的速率取决于剪

切力的强度。 在较低的气体流速时,不利于颗粒污泥形成,主要是由于反应器内丝状菌过度繁殖造成;气

体流速较高时,污泥颗粒化加快,粒径越大,污泥结构稳定性越高,这是因为较高的水力剪切力刺激细胞分

泌大量的 EPS,同时颗粒表面还富集了更多的疏水性微生物,不仅改善了 AGS 的稳定性,也增强了颗粒结

构的抗剪性能。 研究证实,只有当表观气速大于 1.2 cm / s 时,才能形成 AGS,但 AGS 的形成不仅与表观气

速有关,还与底物浓度有关[37]

。 当颗粒污泥在相同的水力剪切力作用下培养时,在低浓度废水中能够颗

粒化,但在高浓度废水中却无法形成。

3.1.5 沉淀时间

一般而言,与絮体污泥相比,颗粒污泥相对密实度较高,具有一定传质阻力,两者在反应器中共存时,

由于底物基质一定,但絮体污泥内部的空间较大,微生物生长速率较快,导致颗粒污泥的生长受到抑制,长

时间得不到营养物质补给,难以在反应器内存活。 Bindhu 等[44] 报道,在 SBR 装置中,好氧颗粒污泥仅在

5

广西师范大学学报(自然科学版),2022,40(2)

沉降时间为 5 min 时能成功培养且占优势,而在沉降时间为 10、15 和 20 min 时,反应器中为颗粒污泥与絮

状污泥的混合物,这是因为较长的水力停留时间会降低悬浮、絮体污泥的洗脱频率,抑制颗粒污泥的形成,

这与 Zhao 等[45] 研究结果类似。 杨月乔等[46] 研究结果也证实,当反应器的沉淀时间由 15 min 缩短至 5

min 时,污泥沉淀性能更好。 主要原因是随着沉淀时间的减少,污泥流失减弱,促进了污泥 EPS 含量的增

加,有利于污泥颗粒化。 此外,减少沉淀时间还可富集更高的微生物量,进而影响系统除污能力[47]

。 唐堂

等[48]研究发现,在含海藻酸钠和不含海藻酸钠的两组 AGS 反应器中,可通过改变沉降时间,逐步实现颗

粒化过程中污泥特性的变化,并且两组反应器分别在 20、40 d 后可实现絮体污泥颗粒化。 海藻酸钠的投

加有利于 EPS 的增加,颗粒表面具有更高的微生物量。

3.1.6 反应器高径比

现有研究证实,AGS 的形成主要在 RH/ D >5 的培养器中驯化。 较高的 RH/ D可以提供更高的水力剪切

力、循环途径以及污泥碰撞频率,使微生物絮体或颗粒污泥更快地形成结构致密、形貌规则、粒径较大的

AGS。 然而,在 RH/ D <5 的 SBR 反应器中培养 AGS,则需要较大的曝气量,成本较高。 曲新月等[49] 采用

RH/ D

= 1.2 的 SBR 反应器成功实现了颗粒污泥的粒化,这与 Van Loosdrecht 等[50]采用 RH/ D

= 1.29 的结果一

致。 研究还表明,当 RH/ D

= 2.67 时,采用厌氧-好氧的运行方式,可成功培养 AGS

[51]

。 此外,李冬等[52]采用

RH/ D分别为 3 ∶ 1、4.5 ∶ 1 和 6 ∶ 1 的 3 组 SBR 反应器也成功培养出 AGS,且颗粒相对聚集。

3.1.7 反应器运行方式

现有研究表明,活性污泥的驯化主要采用 SBR 反应器进行。 SBR 系统的间歇式进水方式易发生贫营

养状态。 在该状态下,AGS 表面疏水性增强,细胞间黏附作用增强,微生物形成聚集体以抵抗饥饿。 同

时,细胞表面疏水性与贫营养状态的时间呈正相关[53-54]

。 因此,有学者在 SBR 系统中采用不同的进水时

间来改变贫-富营养交替的循环周期,且在 3 min 厌氧进水的条件下,成功培养出光滑、致密的 AGS。 这是

由于贫-富营养化的周期性交替,更有利于 EPS 的分泌,促进颗粒状絮凝体的形成,同时决定了 DO 向颗粒

内部的传递深度[55]

。 在曝气阶段,适当的曝气强度不仅使 AGS 结构更加密实,还能提供足够的 DO,减少

丝状菌的生长,维持污泥的稳定性,这与沈忱等[14]的结果一致。 低曝气量有利于磷的去除,但 DO 变化不

显著;高曝气量时,较大的水力剪切力造成污泥颗粒被冲刷破坏,颗粒失稳解体。 当曝气深度小于 50 cm

时,氧的传质阻力增加,颗粒化率和 EPS 降低,颗粒易解体;当曝气深度大于等于 70 cm 时,AGS 受到的水

力剪切力增强,颗粒化率和污泥浓度提高,污染物去除效果较好,同时颗粒仍能保持结构的完整性[56]

。 据

最新研究发现, AGS 培养装置的类型还包括气提式间歇(SBAR)反应器等,尹志文[57]试验结果表明,在投

加菌丝球数量相同的情况下,SBAR 反应器培养出的 AGS 优于其他反应器,且颗粒污泥结构更加致密、稳

定性强。 此外,颗粒周围的菌胶团聚集程度高,表面含有丰富的菌群结构,杆菌和球菌相互交错排列。

3.1.8 其他因素

温度也是影响 AGS 形成的因素,主要影响微生物活性,大部分微生物的适宜生存温度为 20 ~ 25 ℃ 。

当温度过低时,系统内丝状菌过度生长,生物质流失严重,颗粒破碎解体;温度过高时,PS 变性甚至蛋白酶

失活,造成整个系统崩溃[37]

。 污泥停留时间(SRT)是维持颗粒结构稳定性的关键参数。 SRT 过长,反应

器内老化污泥无法排出,导致新生污泥更替时间变长,易造成 AGS 解体[58]

。 此外,有学者通过投加黏土

和改性粉煤灰(MFA)也成功培养出 AGS。 冯殿宝等[59] 通过番茄自身携带的黏土作为媒介,证实黏土有

利于 AGS 的形成,且形成的 AGS 微生物相丰富,主要为 Proteobacteria(变形菌门)。 伍昌年等[60] 将 MFA

添加到 SBR 装置中,发现其微生物以 MFA 为载体而富集,改善了污泥性能,强化了对各基质的去除。

综上所述,通过调整水力剪切力、沉降时间、有机负荷、反应器构型、饥饿期等参数可促进微生物的快

速凝聚[61]

。

3.2 好氧颗粒污泥的特性

3.2.1 好氧颗粒污泥的物理特性

AGS 的物理特性包括污泥形态变化、沉降速率、色度、密度和污泥容积指数等。 颗粒的沉降性能是污

水处理系统的关键因素,决定了泥水分离效率。 较高的沉降速度对微生物截留量和有机物的降解能力具

有促进作用。 此外,沉降速率为 20~70 m / h,AGS 成粒较好,结构致密,这与 Adav 等[62]结果一致。 张新喜

6

http:∥xuebao.gxnu.edu.cn

等[63]采用人工建立的相关模型检测污泥容积指数(SVI),发现判别污泥沉降性能的正确率较高。 这是因

为,污泥的水阻系数较颗粒的水阻系数小。 然而,杨雄等[64]研究发现,氮、磷缺乏对污泥沉降性能有影响。

当进水缺乏氮元素、SVI 小于 100 mL / g 时,系统内菌胶团分泌大量 EPS,污泥沉降性能良好,镜检可见颗

粒物质存在;短期进水缺乏氮磷、SVI 大于 120 mL / g 时,污泥沉降性能恶化,丝状菌数量减少,系统滋生大

量球状菌;当进水缺乏磷元素、SVI 大于 120 且小于 250 mL / g 时,系统内聚磷菌大量流失,限制菌胶团对

碳源的利用,EPS 分泌减少,引发污泥膨胀。 因此,培养 AGS 过程中氮、磷正常供给至关重要。 AGS 的 SVI

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

3 时,具有较好的沉降性能。

3.2.2 好氧颗粒污泥的化学特性

AGS 的化学特性主要以 EPS 和比氧耗速率(SOUR)为主,它是控制微生物活性的主要因素。 细胞表

面疏水性在颗粒化过程中起着关键作用。 较高的细胞表面疏水性会增强细胞间的相互作用,促进致密聚

集体的形成[50]

,并分泌大量 EPS,EPS 的变化对 AGS 的形成过程及其稳定性均具有较大的影响。 EPS 可

划分为紧密型、松散型和溶解型,它们主要分布在颗粒稳定期、解体期和颗粒初期。 初期时,EPS 和细菌分

布均匀,AGS 表层聚集大量的细菌,内部组成成分是 EPS;稳定期时,松散型 EPS 含量较低,紧密型 EPS 含

量较高,PN 含量高于 PS,紧密型 EPS 中 PS 和 PN 含量增加,增强了 AGS 的稳定;解体期,颗粒中 EPS 含

量显著减少,内部菌体之间排斥力升高,出现内层空化现象。 究其原因,是由于解体期颗粒粒径较大,传输

通道受限,AGS 内部厌氧内核及生物衰亡水解,导致内部空洞出现[65]

。 蒋勗欣等[66]阐述了影响 EPS 含量

的主要因素,EPS 中其他组分通过共价、絮凝作用与其他无机物结合。 张云霞等[67]发现,EPS 分为不可生

物降解和可生物降解,不可生物降解 EPS 与颗粒立体结构有关,可生物降解 EPS 可作为颗粒污泥自身能

源。 但在 AGS 的培养过程中,反应器内的底物基质处于缺乏期时,颗粒内微生物通过内源呼吸作用消耗

EPS,过度消耗则 AGS 无法形成。 因此,较高的 EPS 含量是 AGS 形成的关键因素。 但 EPS 不宜过多,太

多可能阻塞营养物质和溶解氧通道,使颗粒内矿化,稳定性下降。 朱珂辰[68] 在研究中证实,SOUR 突跃作

为丝状菌在活性污泥中膨胀的预警信号,可以判定活性污泥沉降性恶化,有利于 AGS 的培养。

3.2.3 好氧颗粒污泥的生物特性

有研究表明,采用高通量测序技术和扫描电镜(SEM)、光学显微镜、实时荧光定量 PCR 等显微技术可

以研究 AGS 培养过程中相应细菌丰度的变化。 此外,还可通过高通量测序技术观察 AGS 的微生物群落

结构[69]

。 AGS 存在多种细菌,如异养菌、硝化菌、反硝化菌和聚磷菌等,其微生物多样性与培养基质成分、

反应器类型和颗粒结构密切相关。 表 2 表明不同培养基质中 AGS 微生物组成也不同[70-80]

。 通过对比发

现,不同培养基质条件下形成的 AGS 微生物种类存在差异, 主要以 Proteobacteria、 Sphingobacteria、

Actinobacteria 和 Bacteroidetes 等微生物为主,Proteobacteria 和 Bacteroidetes 是降解人工合成废水的优势

菌。 反应器类型也是影响 AGS 微生物多样性的原因。 研究表明[81-82]

, 在 SBAR 装置中接种普通絮状污

泥,采用人工配制的模拟生活污水,成功培养出 AGS,通过 SEM 发现培养出的 AGS 颗粒粗糙,表面以杆菌

和球菌为主;而采用 SBR 驯化出的 AGS,颗粒表面更加粗糙,微生物主要以球菌为主,有少量的杆菌。 也

有报道,在 SBAR 装置中经 2,4-二氯酚废水驯化出的 AGS 结构致密,并且含有一定数量的反硝化菌、

Flavobacteria 和酸杆菌门 Acidobacteria。 Abdullah 等[83]研究发现,以棕榈油加工废水为碳源的 BASR 装置

也能将絮体污泥成功颗粒化。 经 SEM 和高通量测序结果表明,AGS 微生物分布以球形细菌和产氢产乙酸

菌群为主。一些研究还发现,AGS 处理橄榄油废水时,微生物菌群主要以好氧变形菌为主,随着橄榄油供

应量增加到 600 mg / L 时,好氧降解菌数量减少[84]

。

AGS 空间结构的不同也是造成微生物多样性的原因之一。 目前,AGS 外观一般为圆形或椭圆形,但

是王维红等[85]试验结果发现,培养出的 AGS 呈“稻壳状”。 “稻壳状”AGS 外层包裹的微生物主要以聚磷

菌(90%以上)占优势,其次是钟虫属 Vorticella,同时颗粒内部空洞较大,缺氧区与好氧区共存,形成了鲜明

的微生物分布区。 另外,还发现了少量发硫菌属 Thiothrix 和绿弯菌门 Chloroflexi。 而一般形态的 AGS 核

心部分主要为聚糖菌、Flavobacteria、微杆菌科 Microbacteriaceae 及球形细菌。

7

广西师范大学学报(自然科学版),2022,40(2)

表 2 不同培养基质中 AGS 微生物组成

Tab. 2 AGS microbial composition in different culture substrates

废水种类

(特殊物质)

分析方法

主要微生物

门、纲、目 科、属、种

SBR 人工配水[70]

(番茄酱)

高通量测序

变 形 菌 门 ( Proteobacteria ), 拟 杆 菌 门

(Bacteroidetes),硬壁菌门( Firmicutes),黄

杆菌目(Flavobacteria)

放线菌属( Actinobacterium),黄单胞菌科

( Xanthomonadaceae ), 氢 嗜 胞 菌 属

(Hydrogenophaga)

SBR 人工配水[71]

(乙酸钠)

高通量测序

γ 变形菌纲(γ-Proteobacteria),α 变形菌纲

( α-Proteobacteria ), β 变 形 菌 纲 ( βProteobacteria ), 鞘 脂 杆 菌 纲

(Sphingobacteria)

Xanthomonadales _ norank, 腐 螺 旋 菌 科

(Saprospiraceae)

SBR 畜产污水[72] 高通量测序

γ-Proteobacteria, α-Proteobacteri, βProteobacteria, Sphingobacteria, 放 线 菌 门

(Actinobacteria)

红 环 菌 科 ( rhodocyclaceae ),

Xanthomonadaceae, 丛 毛 单 胞 菌 科

(Comamonadaceae)

SBR 人工配水[73]

(吡啶)

高通量测序 Proteobacteria,Bacteroidetes

丛毛单胞菌属( Comamonas),副球菌属

(Paracoccus)

SBR 人工配水[74]

(苯酚)

高通量测序 Flavobacteria,Proteobacteria,Actinobacteria

不动杆菌属 ( Acinetobacter),草酸降解菌

(Pandoraea sp)

SBR 人工配水[75]

(印染废水)

高通量测序

Firmicutes, Proteobacteria, Actinobacteria,

Bacteroidetes, 疣 微 菌 门

(Verrucomicrobia),Chloroflexi

磁螺菌属 ( Magnetospirillum), 红螺菌科

(Rhodospirillaceae)

SBR 人工配水[76]

(高盐)

PCR-DGGE β-Proteobacteria,Actinobacteria Actinobacterium,链霉菌属(Streptomyces)

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

聚磷菌属(Candidatus accumulibacter),陶

厄氏 菌 属 ( Thauera ), 亚 硝 化 单 胞 菌

(Nitrosomonas)

SBR 人工配水[78]

(甲基叔丁基醚)

DGGE

Flavobacteria,γ-Proteobacteria,

α-Proteobacteri,Actinobacteria

甲基杆菌属(Methylobacterium),假交替单

胞菌属(Pseudoalteromonas)

SBR 人工配水[79]

(氟苯酚)

DGGE

β-Proteobacteria,γ-Proteobacteria,

α-Proteobacteri, Actinobacteria, 根 瘤 菌 目

(Rhizobiales),硝化螺旋菌门(Nitrospirae)

Xanthomonadaceae, 硝 化 螺 旋 菌 属

( Nitrospira ), 假 黄 单 胞 菌

(Pseudoxanthomonas)

SBR 人工配水[80]

(葡萄糖)

克隆文库

β-Proteobacteria,Sphingobacteria,

γ-Proteobacteria, Flavobacteria, Candidate

division TM7

食酸菌属( Acidovorax),Comamonadaceae,

假 单 胞 菌 ( Pseudomonas ),

Micropruina glycogenica

4 好氧颗粒污泥技术的应用

4.1 印染废水的处理

纺织印染废水色度深、高有机负荷、pH 变化大、水质成分复杂且含芳香环及苯环结构。 马登月[86] 研

究发现,以葡萄糖和乙酸钠为底物,亚甲基蓝、刚果红染料为模拟废水,可成功培养出两种不同性状的

AGS。 亚甲基蓝 AGS 的中、外层富集大量丝状菌和真菌,内层以杆菌为主;刚果红 AGS 颗粒表面光滑,结

8

http:∥xuebao.gxnu.edu.cn

构紧密,两种 AGS 对亚甲基蓝、刚果红的最大吸附量分别为 256.41、175.44 mg / g。 Franca 等[87] 试验结果

表明,采用递加偶氮染料的方式,培养出特异性 AGS。 在 AGS 中,附着在内层的偶氮染料还原菌可在厌氧

条件下还原偶氮染料的偶氮键,并在后续好氧生物阶段矿化有毒的磺化芳香胺,使染料去除率高达 93%

以上,成功生物脱色。 李黔花等[75]考察了 AGS 处理印染废水的效果,发现 AGS 对阳离子染料降解和 CDD

去除的功能菌为磁螺菌属,这与 Lotito 等[88] 研究结果一致。 也有学者研究发现,染料废水的去除不仅依

赖于 AGS 中细菌的作用,还与 EPS 有关,EPS 对染料废水的生物吸附具有一定贡献,颗粒内的厌氧微生物

通过消耗紧密结合的 EPS 作为碳源和能量源,使染料降解。

pH 值是影响 AGS 对染料废水吸附效率的主要因素,表现在:pH 值较低时,AGS 对酸性红、橘黄吸附

较好;中性时,对孔雀绿吸附较好;pH 值较大时,对结晶紫吸附较好。 这是因为 pH 值主要影响颗粒与染

料分子间的作用力及 AGS 表面吸附位点。 此外,AGS 对纺织印染废水中染料的吸附量还与染料初始浓度

有关。 AGS 作为具有高生物相的活性吸附材料,不仅有效克服了普通生物吸附剂存在的固液分离问题,

而且有望成为一种有利于染料废水处理的环保型生物吸附剂。

4.2 高浓度有机废水的处理

众所周知, AGS 在实验室中的生物降解能力与实际废水处理存在显著差异(实际的有机废水中含有

多种高浓度的有机物,会抑制 AGS 的生物降解能力),其实际应用案例报道不多。 乳制品废水含有较高浓

度的营养物质,对地表水污染较为严重,因此对其研究具有极大的必要性。 范骏洋等[89] 以乳品废水培养

颗粒污泥,发现培养 30 d 后,粒径在 0.2~2 mm 占比较大,沉降速度最快,沉降性能最好,并且对乳制品废

水中 COD 去除率高达 85%。 张志[90]利用 AGS 处理实际乳品废水,发现系统在运行 6 ~ 8 h 时,对 COD 具

有高效去除能力,去除率可保持在 93% 以上。 这是因为 AGS 对水质变化适应性强,具有独特的结构空

间。 Wichern 等[91]研究表明,AGS 处理乳制品废水时,成熟颗粒粒径平均在 2.5 mm,废水容积负荷在 4.5

kg / d,这与范骏洋等[89]部分结果一致。 Bumbac 等[92]研究表明,利用 AGS 处理乳品废水时,COD、BOD 和

NH

+

4

-N 的去除率分别为 87%、89.5%和 91%。 然而,采用 AGS 技术在处理高浓度有机废水方面存在一定

局限性,使用前需要将高浓度有机废水进行稀释。

4.3 有毒有机废水的处理

有研究表明,AGS 独特的结构已被证实对外界有毒物质具有抗性。 苯酚作为微生物的碳源之一,但

也具有毒性,易造成微生物的死亡。 刘前进等[93]研究表明,苯酚溶液为 60 mg / L 时,AGS 具有较好的颗粒

状,结构密实;大于 300 mg / L 时,颗粒结构强度较差,易解体。 这是由于苯酚溶液浓度过高,微生物死亡,

颗粒结构疏松,内层结构破坏,菌胶团溶解。 然而,适当浓度的苯酚溶液可以防止 AGS 解体,为 AGS 的储

存提供有价值的参考。 刘国洋等[94]试验表明,当进水苯酚浓度为 3 g / L 时,AGS 对苯酚去除率为 98.33%,

去除效果较好。 扫描电镜显示,加入苯酚溶液的 AGS 颗粒表面更加光滑,结构致密,粒径更大,表明苯酚

毒性刺激了更多的 EPS 分泌。 除此之外,AGS 也对嘧啶类[95]

、甲基叔丁基醚[96-97]和三甲基甲醇废水[98]具

有良好的去除性能。 田世烜等[99]研究表明,AGS 对嘧啶废水的降解能力较好。 魏永军[100]实验表明,AGS

对甲醇废水吸附性能较好,COD 去除率高。

4.4 重金属废水的处理

海藻、真菌生物质、活性污泥和天然高分子材料可被作为生物吸附剂。 目前使用的生物吸附剂大多为

悬浮微生物,但存在处理后难以分离、生物吸附剂稳定性差、回收困难等缺点[101]

。 AGS 作为吸附剂时,对

Pb

2+

、Cu

2+

、Cd

2+的吸附作用与 pH、金属离子浓度有关[102]

。 pH 过低时,溶液中游离的 H

+会在 EPS 上占据

少量的吸附位点,并使 EPS 表面质子化,增加表面斥力,导致吸附效率低;pH 过高时,EPS 的电荷 ζ 电位降

低,颗粒表面呈负电性,金属离子的吸附量随电势的减小而增大。 金属离子初始浓度越低,AGS 对金属离

子吸附能力越小,吸附量越少;随着初始含量升高,金属离子吸附量也升高,吸附驱动力更强,但是吸附容

量不可能是无限的,因此吸附量会趋于饱和。 当 Pb

2+

、Cu

2+ 和 Cd

2+

3 种离子共存时,其吸附量分别为

43.80%、43.01%和 18.95%。 马明海等[103]以絮状污泥为种泥,考察了 AGS 对 Zn

2+

、Cu

2+和 Pb

2+的影响,结

果表明,AGS 对 Zn

2+和 Cu

2+的吸附量与基质浓度有关,当重金属离子浓度为 250 mg / L 时,氨氮去除率降

低,COD 去除率提高,对金属离子的最大吸附量分别为 246.1 和 180 mg / g。 此外,重金属离子的加入还会

9

广西师范大学学报(自然科学版),2022,40(2)

使污泥颗粒变小。 李姝等[104]发现,经干燥失活的 AGS 对 Pb

2+

、Cu

2+

、Cd

2+的吸附效果均较好,吸附能力依

次为 Pb

2+

<Cu

2+

<Cd

2+

,吸附过程符合 Langmuir 等温吸附方程,这与江孟等[102]结果类似。

4.5 核废水的处理

核废水的影响非常之大,不仅破坏生态环境,还会对人类造成致命打击,产生基因突变、致癌和致畸的

后果,特别是铀元素,其能够以粉尘和气溶胶的形式通过呼吸进入人体,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铀[105]

。 郭栋清等[106]综述了含铀废水的去除方法,其中生物修复主要是

利用微生物的特性将铀离子进行沉淀。 Martins 等[107]将 AGS 与含铀废水共同培养,发现成熟的颗粒污泥

对铀、铬去除效果较好。 采用 16S rRNA 基因分析表明,肠杆菌科和红环菌科成员对含铬废水去除有益,并

且具有一定生物修复能力。 研究还表明,铀浓度与 pH 呈负相关,pH 值在 1 ~ 6 时,AGS 的摄铀速率最快。

苑士超等[108]试验表明,pH 值在 5.2~6.6 时,铀去除率高达 95%;pH 值大于 6.6 时,铀去除率降低到 50%。

其中,含铀废水的去除主要依赖于颗粒污泥的氧化和吸附的共同作用。

5 结语与展望

AGS 作为一种新型的污水处理技术,具有结构紧凑、沉降性能好、微生物相丰富、生物截留率高等优

点,可以在一定程度上弥补传统活性污泥法的缺陷(进水水质变化的适应性较低)。 然而,在好氧颗粒污

泥的培养和应用中,也存在着稳定性差、能耗高、反硝化能力差等问题。 若能系统地研究好氧颗粒污泥的

形成机理、微生物群体关系以及有机物降解过程的协同效应,加大中试和产业化研发力度,将更好推动好

氧颗粒污泥的工业化应用。

针对前人所做的研究以及目前的现状,未来 AGS 技术可以围绕以下 3 点展开。 ①高抗逆性 AGS 的培

养研究。 目前已有研究证实,AGS 在低温和低 pH 条件下均能成功培养,但高 pH 条件下的 AGS 培养尚未

见报道。 高 pH 值 AGS 的潜在优势有:脱 NH

+

4

-N 彻底、富集聚磷菌以及杀死致病菌,可用于铀废水的处

理。 ②基因工程菌 AGS 的培养。 利用基因工程技术,将能降解环境中有毒、难降解污染物的基因移植到

相应的细菌体内,使其具有降解不同污染物的能力,在未来具有广阔的前景。 ③耦合技术的研发与应用。

将颗粒污泥技术与其他生物反应器相结合,提高其性能,弥补其缺陷。 有研究表明,AGS 与厌氧工艺、RO

工艺耦合,可以优化工艺性能[66]

。 因此,开发耦合工艺是 AGS 应用的热点领域。

参 考 文 献

[1] 苏海佳, 王陆玺, 邓爽, 等. 好氧颗粒污泥技术及研究进展[J]. 化工进展, 2016, 35(6): 1914-1922.

[2] 郝晓地, 孙晓明, LOOSDRECHT M. 好氧颗粒污泥技术工程化进展一瞥[J]. 中国给水排水, 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] 肖鹏飞, 安璐, 吴德东. 基于文献计量学分析的全球生物质炭研究进展[ J]. 农业工程学报, 2020, 36( 18):

292-300.

[5] 骆靖阳, 陆柏益. 基于文献计量学的食品大数据技术研究分析[J]. 食品科学, 2021, 42(5): 278-287.

[6] 史进程, 郭洪飞, 张儒, 等. 基于知识图谱的物联网研究文献计量分析[ J]. 计算机集成制造系统, 2021, 27(1):

228-239.

[7] 许智勇, 马爱民. 基于文献计量的全球营养基因组学研究态势分析[J]. 食品科学, 2020, 41(5): 237-245.

[8] 明婕, 黄子萌, 董清林, 等. 好氧颗粒污泥的性质及形成机制[J]. 水处理技术, 2019, 45(7): 1-5.

[9] 常笑丽, 何士龙, 刘浩. 好氧颗粒污泥快速培养的方法研究[J]. 环境工程, 2015, 33(8): 27-31.

[10] 黄思琦, 邓风, 佘谱颖, 等. 好氧颗粒污泥快速培养及其稳定性研究[J]. 工业水处理, 2018, 38(7): 66-69, 73.

[11] 王琳, 李煜. 酸度对好氧颗粒污泥生物吸附含铅废水影响的研究[J]. 环境工程学报, 2009, 3(7): 1160-1164.

[12] 梁东博, 卞伟, 王文啸, 等. 低温条件下好氧颗粒污泥培养及其脱氮性能研究[ J]. 中国环境科学, 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, 张玉蓉, 李艾莉, 等. 低曝气量下好氧颗粒污泥的性能分析[J]. 工业水处理, 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] 陈启伟, 苏馈足, 陈丁丁, 等. 处理番茄酱加工废水的活性污泥颗粒化过程[ J]. 环境科学研究, 2018, 31(2):

369-378.

[18] 廖杰, 叶嘉琦, 曾志超, 等. 好氧颗粒污泥处理畜禽养殖沼液污染物的特性[ J]. 环境科学, 2019, 40 ( 6):

2821-2826.

[19] 饶钦富, 郑博福, 万金保. 好氧颗粒污泥处理猪场废水研究进展[J]. 水处理技术, 2016, 42(10): 25-29.

[20] 陈垚, 黄鹏程, 杨威, 等. 好氧颗粒污泥处理高盐榨菜废水除污特性研究[J]. 工业水处理, 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] 赵锡锋, 李兴强, 李军. 好氧颗粒污泥技术中试研究及应用进展[J]. 中国给水排水, 2020, 36(8): 30-37.

[23] 王明阳, 曹素兰, 王孙艳, 等. 好氧颗粒污泥的工程应用及其研究进展[J]. 水处理技术, 2018, 44(11): 11-18.

[24] 王峰. 好氧颗粒污泥在污水处理中的研究进展[J]. 应用化工, 2016, 45(6): 1129-1133.

[25] 张传兵. 啤酒生产中部分工序产生的废水对污泥活性的影响研究[ J]. 河南理工大学学报(自然科学版), 2020, 39

(5): 68-72.

[26] 郭承元, 操家顺, 王耀增. 混合碳源的好氧颗粒污泥培养及微生物特性研究[ J]. 中国给水排水, 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] 刘头水. 基于以 Fe(OH)3 絮体为晶核的好氧颗粒污泥的培养及脱氮性能研究[D]. 衡阳: 东华大学, 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. 铝盐在好氧污泥颗粒化过程中的强化作用及其分布特征[D]. 西安: 西安建筑科技大学, 2017.

[34] 周橄, 郑晓英, 周翔, 等. CuO NPs 对好氧颗粒污泥形成的影响研究 [ J]. 应用化工, 2018, 47 ( 8): 1581-

1586, 1599.

[35] 李娟英, 赵庆祥, 王静, 等. 重金属对活性污泥微生物毒性的比较研究[ J]. 环境污染与防治, 2009, 31(11): 17-

20, 25.

[36] 张春晖, 鲁文静, 苏长罗, 等. Ni

2+对好氧颗粒污泥系统性能的影响[J]. 中国环境科学, 2020, 40(11): 4721-4727.

[37] 陈颖, 陈垚, 李聪, 等. 好氧颗粒污泥结构特点及稳定性研究进展[J]. 工业水处理, 2021, 41(10): 28-35.

[38] 陆佳, 刘永军, 刘喆, 等. 有机负荷对污泥胞外聚合物分泌特性及颗粒形成的影响[ J]. 化工进展, 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

广西师范大学学报(自然科学版),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] 王陆玺, 周楠, 王晨旭, 等. 流体流速对好氧颗粒污泥快速培养的影响[ J]. 中国环境科学, 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] 杨月乔, 刘永军, 王晓慧, 等. 强化造粒初期 SBR 沉淀时间对颗粒污泥形成的影响[ J]. 中国给水排水, 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, 王硕, 王玉莹, 等. SBR 不同沉降时间的污泥特性研究[J]. 中国给水排水, 2018, 34(3): 85-90.

[49] 曲新月, 范文雯, 袁林江, 等. 水平搅拌下低高径比 SBR 中好氧活性污泥的颗粒化[ J]. 中国环境科学, 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] 吴昌永, 王然登, 彭永臻. 污水处理颗粒污泥技术原理与应用[M]. 北京: 中国建筑工业出版社, 2011.

[52] 李冬, 王樱桥, 张杰, 等. 高径比对生活污水好氧颗粒污泥系统的影响[J]. 中国环境科学, 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] 罗应东. 污泥颗粒化过程及曝气条件对好氧颗粒的影响研究[D]. 武汉: 华中科技大学, 2011.

[56] 赵珏, 程媛媛, 宣鑫鹏, 等. 曝气深度对好氧颗粒污泥稳定性的影响[J]. 化工进展, 2018, 37(4): 1623-1630.

[57] 尹志文. 菌丝球促进好氧污泥快速颗粒化的研究[D]. 沈阳: 沈阳大学, 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] 冯殿宝, 王维红, 王燕杉, 等. 以黏土为载体的好氧颗粒污泥培养及其对番茄废水的处理[ J]. 应用与环境生物学

报, 2019, 25(1): 199-205.

[60] 伍昌年, 凌琪, 唐玉朝, 等. 改性粉煤灰强化 SBR 工艺处理污水实验研究[ J]. 应用化工, 2017, 46( 6): 1071-

1073, 1077.

[61] 王磊, 湛含辉, 王晴晴, 等. 好氧颗粒污泥快速培养影响参数及方法研究进展[ J]. 环境工程, 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] 张新喜, 完颜健飞, 胡小兵, 等. 基于活性污泥絮体微观参数的污泥沉降性能判别[ J]. 环境科学学报, 2015, 35

(12): 3815-3823.

[64] 杨雄, 彭永臻, 郭建华, 等. 氮/ 磷缺乏对污泥沉降性能及丝状菌生长的影响[ J]. 化工学报, 2014, 65 ( 3):

1040-1048.

[65] 袁莎莎. 好氧颗粒污泥形成、 解体及储存过程研究[D]. 济南: 山东大学, 2017.

[66] 蒋勗欣, 李军, 马挺, 等. 好氧污泥颗粒化中胞外聚合物(EPS) 的动态变化[ J]. 环境科学学报, 2014, 34( 5):

1192-1198.

[67] 张云霞, 季民, 李超, 等. 好氧颗粒污泥胞外聚合物(EPS)的生化性研究[J]. 环境科学, 2008, 29(11): 3124-3127.

[68] 朱珂辰. 以比耗氧速率预警丝状菌膨胀的研究与应用[D]. 西安: 西安建筑科技大学, 2015.

12

http:∥xuebao.gxnu.edu.cn

[69] 唐琳钦, 王安柳, 宿程远, 等. 不同氮源对好氧颗粒污泥理化特性及微生物群落影响[J]. 广西师范大学学报(自然

科学版), 2021, 39(2): 144-153.

[70] 王燕杉. 好氧颗粒污泥处理番茄酱生产废水及微生物群落演替[D]. 乌鲁木齐: 新疆农业大学, 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, 李志华, 岳秀, 等. 好氧颗粒污泥处理印染废水的效能及其微生物特征[ J]. 工业水处理, 2020, 40(3):

43-48.

[76] 林兵. 盐胁迫下好氧颗粒污泥微生物种群变化及生态响应机制[D]. 镇江: 江苏科技大学, 2014.

[77] 侯爱月, 李军, 王昌稳, 等. 不同好氧颗粒污泥中微生物群落结构特点[ J]. 中国环境科学, 2016, 36 ( 4):

1136-1144.

[78] 方芳, 朱润晔, 张丽丽, 等. 好氧颗粒污泥共代谢降解 MTBE 及微生物群落研究[ J]. 环境科学学报, 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, 纪树兰, 刘志培, 等. 16S rDNA 克隆文库方法分析好氧颗粒污泥细菌组成[ J]. 环境科学研究, 2009, 22

(10): 1218-1223.

[81] 黄国富, 王成端. 2 种反应器中好氧颗粒污泥培养的比较研究[J]. 环境污染与防治, 2009, 31(4): 48-52.

[82] 蒋俊令. 好氧颗粒污泥降解 2, 4-二氯酚的研究[D]. 济南: 山东师范大学, 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] 王维红, 王燕杉, 郑晓英, 等. 长时间低温储存好氧颗粒污泥的再生研究[J]. 水处理技术, 2020, 46(10): 33-38.

[86] 马登月. 好氧颗粒污泥对两种典型染料处理作用的机制研究[D]. 济南: 山东大学, 2014.

[87] FRANCA R D G, PINHEIRO H M, LOURENÇO 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] 范骏洋, 张善林, 邹海晴, 等. 乳品废水厌氧反应器快速启动及颗粒污泥形成[ J]. 工业水处理, 2020, 40(11):

66-69.

[90] 张志. 运行条件对好氧颗粒污泥处理乳品废水的影响[J]. 内蒙古水利, 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] 刘前进, 刘立凡. 室温下苯酚溶液浓度对好氧颗粒污泥储存稳定性的影响[ J]. 中国环境科学, 2021, 41( 12):

5620-5626.

[94] 刘国洋, 赵白航, 李军, 等. 好氧颗粒污泥降解苯酚[J]. 环境工程学报, 2014, 8(9): 3645-3650.

[95] 万小平. 环境相关浓度磺胺嘧啶对好氧颗粒污泥的影响及其去除机制[D]. 济南: 山东大学, 2018.

[96] 项正心, 张丽丽, 陈建孟. 好氧颗粒污泥降解甲基叔丁醚的实验研究[ J]. 环境污染与防治, 2008, 30(11): 66-

13

广西师范大学学报(自然科学版),2022,40(2)

69, 74.

[97] 方芳. 降解 MTBE 好氧颗粒污泥的培养及微生物群落结构研究[D]. 杭州: 浙江工业大学, 2008.

[98] 陈丁丁. 毒性抑制下好氧颗粒污泥的响应研究[D]. 合肥: 合肥工业大学, 2017.

[99] 田世烜, 张萌, 陈亮, 等. 3 种污泥对磺胺二甲基嘧啶的吸附性能[J]. 环境工程学报, 2012, 6(3): 1020-1024.

[100] 魏永军. 工业废水中有机毒物治理技术的初步研究及其应用[D]. 南京: 南京理工大学, 2012.

[101] 马春, 李玲, 俞津津, 等. 好氧颗粒污泥的应用[J]. 化工进展, 2011, 30(6): 1369-1373.

[102] 江孟, 胡学伟, TRUNG N D, 等. 好氧颗粒污泥对 Pb

2+

、 Cu

2+

、 Cd

2+的吸附[J]. 水处理技术, 2013, 39(2): 53-56.

[103] 马明海, 彭书传, 徐圣友, 等. 重金属对好氧颗粒污泥性能的影响[J]. 环境科学与技术, 2011, 34(2): 159-161.

[104] 李姝, 胡学伟, TRUNG N D, 等. 干燥好氧颗粒污泥对重金属的吸附研究[J]. 工业水处理, 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] 郭栋清, 李静, 张利波, 等. 核工业含铀废水处理技术进展[J]. 工业水处理, 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, 谢水波, 李仕友, 等. 厌氧活性污泥处理废水中的 U(Ⅵ)[J]. 环境工程学报, 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

(责任编辑 王龙杰)

14

第 40 卷 第 2 期

2022 年 3 月

广西师范大学学报(自然科学版)

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,何伙华,林旭坤. 基于系统关联性的高速公路大中型货车到达量多尺度预测[J]. 广西师范大学学报(自然科学版), 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.

基于系统关联性的高速公路大中型货车

到达量多尺度预测

林培群1∗

, 何伙华1

, 林旭坤2

(1. 华南理工大学 土木与交通学院, 广东 广州 510641; 2. 广东省交通运输厅 综合规划处, 广东 广州 510101)

摘 要: 近年来, 交通流中大中型货车流量占比逐渐增大, 对城市交通的影响日愈增加, 准确、 及时的大中型货车到达

量预测对精确的城市交通管控具有重要意义。 针对该问题, 本文提出了考虑系统关联性的高速公路大中型货车到达量多

尺度预测方法: 考虑高速公路网的系统关联性, 对高速公路收费站进、 出口大中型货车流量的时空关联性进行分析, 构

建神经网络模型学习空间权重与时间权重; 每一时间步将输入与空间权重、 时间权重融合, 并设置偏置项修正后得到该

时间步预测结果; 各时间步预测结果对应求和得到最终预测结果。 实验结果表明: 所用方法在 15、 30、 60 min 的时间尺

度下预测精度分别达到 90.92%、 92.48%、 94.33%, 优于其他对比模型, 实用性和有效性均得到了保证。

关键词: 交通流预测; 系统关联性; 神经网络; 高速公路; 大中型货车流量

中图分类号: U491 文献标志码: A 文章编号: 1001-6600(2022)02-0015-12

城市交通拥堵和交通安全问题仍然是现代城市主要的交通问题,近年来交通流中大中型货车流量占

比的增加是加剧以上交通问题的重要因素。 首先,交通流中大中型货车流量占比值过高,将对道路通行能

力产生一定的消极影响。 《道路通行能力手册》

[1]指出,在混合交通流中,由于大中型车辆惯性较大,变速

不灵活,导致大中型车辆难以适应速度多变的交通流,在交通流中形成的大间隙很难由超车来填补,造成

无法避免的道路空间的低效利用。 其次,大中型货车存在视野盲区较大、转弯半径较大等问题,在繁忙的

城市交通中,造成了一定的交通安全隐患。 此外,超重超载货车也使得城市道路使用年限降低。 随着现代

技术的不断提高、交通管控水平的不断提升,交通行业管理人员对交通拥堵问题、交通安全问题的认识不

断加强,大中型货车对城市交通的影响越来越受到交通管理人员的重视,准确、及时的大中型货车到达量

预测,可以为交通管理人员实施实时交通管控提供数据依据。

交通量预测是智能交通系统重要的研究内容之一,历经多年的研究与发展,取得了大量的研究结

果[2-4]

。 按照不同的研究思路可将交通量预测方法分为:基于周期性的预测方法、基于自回归的预测方

法、基于系统关联的预测方法。 基于周期性的预测方法将历史同期流量值作为未来预测值的参考信息,如

K 最近邻算法(KNN)

[5-8]

;基于自回归的预测方法考虑交通流自身历史序列在未来短时间的延续,从而拟

合自身历史序列与预测值的关系,如求和自回归移动平均模型(ARIMA)

[9-11]

、支持向量机(SVM)

[12-14]等;

基于系统关联的预测方法考虑目标交通量不仅与自身历史时序存在关联,还与周边一定路网范围内其他

因素存在关联,基于系统关联的方法多利用机器学习模型求解,如 LSTM

[15-16]

、GRU

[17-18] 等对时间维度特

征学习、GNN

[19-21]在空间维度进行信息的聚合等。

基于周期性的预测方法的准确性取决于交通量序列自身的周期性强弱,基于自回归的预测方法仅使

用交通量序列自身历史数据,以上 2 种方法具有一定局限性,所能达到的精度有限。 基于系统关联的预测

收稿日期: 2021-02-03 修回日期: 2021-03-23

基金项目: 国家自然科学基金(52072130, U1811463); 广东省自然科学基金(2020A1515010349); 中央高校基本科

研业务费(2020ZYGXZR085)

通信作者: 林培群(1980—), 男, 广东饶平人, 华南理工大学教授, 博士。 E-mail: pqlin@scut.edu.cn

广西师范大学学报(自然科学版),2022,40(2)

方法充分考虑路网的系统关联性,采用神经网络方法提取有效的系统关联特征,往往可以获得非常理想的

预测精度和鲁棒性。

考虑系统关联性的神经网络方法国内外学者进行了较多的研究,但由于神经网络方法的理论基础尚

不完善,神经网络模型的可解释性往往较差,在高速公路交通流中,未能充分挖掘交通流序列的时空关联

性,预测精度仍有提升空间。 此外,在现有对道路交通量的研究中,研究对象基本为全样本交通流,大中型

货车由于样本量较少,预测难度较大,相关研究较少。

高速公路交通量的时空关联性是高速公路网系统关联性的重要特征,本文提出的考虑系统关联性的

高速公路大中型货车到达量多尺度预测方法,在充分挖掘高速公路收费站进、出口大中型货车流量时空关

联性的基础上,构建空间权重、时间权重学习高速公路收费站进、出口大中型货车流量的时空关联性,提高

本文神经网络模型的可解释性,并以京港澳高速北兴收费站一定范围内的区域为例进行大中型货车到达

量预测的实例分析。

1 高速公路交通流数据分析

1.1 数据来源

本文数据来源于广东省高速公路收费系统产生的高速公路出口收费站流水表,由广东省交通运输厅

提供,源数据暂未公开,本文模型所用训练数据已公开于 https:∥github.com / SCUTWason / STNN.git。

源数据包含出入口路段编号、出入口站编号、出入口日期及时间、车型、车种、行驶里程等信息,部分字

段的出口流水表数据结构如表 1 所示。

入口路段编号、入口站编号确定具体入口收费站;出口路段编号、出口站编号确定具体出口收费站;入

口、出口日期及时间为车辆进出高速公路的时间;车型分为 1、2、3、4、5 型车,是交通部统一标准的一至五

类车;车种仅包含:0 客车、1 货车;行驶里程一般为入口收费站到出口收费站的最短距离;源数据实例(部

分字段)如表 2 所示。 本文所研究大中型货车交通量为交通部统一标准的三至五类货车(车型标识为 3 ~

5,即核载为 5 t 及以上货车)交通量。

本文以京港澳高速北兴收费站 25 km 行程范围内的高速公路收费站所在区域作为目标区域进行研

究,包含 14 个高速公路收费站,图 1 所示虚线范围内区域为目标区域,圆点标记点为目标区域内包含的

14 个高速公路收费站,目标区域位于广州核心市区北部———广东省高速公路网密度最高的区域内部,区

内有较多物流仓库,收费站出入流量在省内所有收费站中处于中等偏高水平[22]

。

表 1 数据集说明

Tab. 1 Data set description

字段名 数据类型 含义

InRoadNo Smallint 入口路段编号

InStationNo Integer 入口站编号

InOpTime Datetime 入口日期及时间

OutRoadNo Smallint 出口路段编号

OutStationNo Integer 出口站编号

OutOpTime Datetime 出口日期及时间

VehType TinyInt 车型

VehKindFlag TinyInt 车种

Miles Integer 行驶里程

16

http:∥xuebao.gxnu.edu.cn

表 2 源数据实例

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

图 1 实验目标区域及区域内高速公路收费站

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

1.2 高速公路入口收费站的选择———流量来源分布

高速公路收费站在某段时间内出口流量来源于此前一定时段内从一定空间范围内的入口收费站驶入

高速路网的车辆[22]

。 在出口收费站流量来源分布中,入口收费站流量占出口收费站流量比例越高,说明

两者之间关联性越大。

为了方便分析,本文对高速公路收费站进行编号:

1)出口收费站:编号仅为区分收费站,无编号规律。

2)入口收费站:按高速公路出口收费站大中型货车流量来源比例对相应的入口收费站进行逆序排序

并编号。

首先,分析全省范围内高速公路出口收费站大中型货车流量来源分布,对高速公路收费站进行抽样分

析。 随机抽取 120 个出口收费站,对所有出口收费站作大中型货车流量来源累计比例散点图(如图 2 所

示),前 50 个入口收费站流量累计比例基本达到 70%以上,前 100 个入口收费站流量累计比例基本达到

80%以上,前 150 个入口收费站流量累计比例基本达到 90%以上,而广东有超过 1 000 个高速公路收费

站,说明高速公路出口收费站大中型货车流量主要来源于其中少部分入口收费站。

进一步地,分析到达图 1 所示目标区域的大中型货车流量来源分布。 如图 3 所示,可以发现目标区

域的高速公路出口收费站大中型货车流量来源较为集中。 在来源入口收费站中,流量占比最高达 8.1%,

随后急剧降低,到第 50 个入口收费站流量仅占比 0.4%,此后流量占比下降趋于缓和。 目标区域大中型货

17

广西师范大学学报(自然科学版),2022,40(2)

车流量来源累计比例增长幅度先快后慢,且流量来源分布最高的前 50 个入口收费站总流量占目标区域出

口收费站流量的 72.3%,因此可选择到达目标区域的大中型货车流量最高的前 50 个入口收费站大中型货

车流量作为模型的输入,不仅保证了模型输入与输出的关联性,且控制了输入的数据量,避免输入数据过

多而产生的数据噪声影响。

图 2 广东省部分高速公路出口收费站大中型货车流量来源累计比例

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

trucks at some expressway stations in Guangdong Province

图 3 目标区域出口收费站大中型货车流量来源累计比例

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

trucks in the target area

图 2、图 3 中,“入口收费站流量比例”表示“从入口收费站前往出口收费站(或目标区域)的大中型货

车流量占出口收费站(或目标区域)大中型货车总流量的比例”,x 轴为入口收费站编号,y 轴中 P(x)为出

口收费站流量来源比例、 ∑P(x)为出口收费站流量来源累计比例。

1.3 系统关联性分析———空间关联

对图 1 所示目标区域大中型货车流量来源比例最高的前 50 个入口收费站大中型货车流量进行统计,

入口流量中以目标区域收费站为出口的流量平均占比如图 4 所示,x 轴为入口收费站编号。 大部分入口

收费站大中型货车流量前往目标区域的比例不超 15%,50 个入口收费站中仅有 4 个收费站比例超 30%,

表明多数入口收费站大中型货车流量中仅有较小比例流量对目标区域高速公路大中型货车到达量产生

影响。

道路交通流变化趋势具有周期性,随机抽取某入口收费站进行分析,该入口收费站大中型货车前往目

标区域的流量平均占比为 22.8%。 选取该站一周内各小时大中型货车前往目标区域流量占比进行分析,

如图 5 所示, x 轴为 2019 年 8 月 7 日 0 时—2019 年 8 月 13 日 23 时各小时。 由图可以看出,入口收费站前

往目标区域的大中型货车流量占比呈现周期性特征。

18

http:∥xuebao.gxnu.edu.cn

图 4 入口收费站大中型货车流量前往目标区域比例

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

trucks to the target area

图 5 某入口收费站一周内各小时大中型货车前往目标区域流量占比

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 系统关联性分析———时间关联

不同收费站到目标区域收费站所需时间与路程、实时道路交通流状态和外界环境因素有关。 如果仅

考虑路程、不考虑道路交通流状态和外界环境因素,从某入口收费站(标记为 Si)到达某出口收费站(标记

为 So)的行程时间满足独立同分布条件,根据伯努利大数定律,车辆在 t

j 时间段内到达的频率近似于其发

生的概率,通过统计得到某入口收费站 Si 到达某出口收费站 So 的行程时间频率分布如图 6 所示,可知固

定 2 个收费站出入口之间行程时间分布满足一定规律;如果同时考虑路程、道路交通流状态,若忽略外界

环境因素且道路交通无突发事件(如车祸、节假日等),道路交通流基本呈周期性的、稳定的渐进态势不断

演变,那么车辆从入口收费站 Si 到出口收费站 So 的行程时间仍可视为满足一定分布规律,该分布规律随

时间变化呈周期性变化。

图 6 为某一入口收费站大中型货车到目标区域某一出口站行程时间分布曲线及分布直方图,并拟合

F 分布以观察行程时间分布与 F 分布的关系。 从图中可见,固定 2 个收费站出入口之间行程时间分布满

足一定规律,该分布一定程度上符合 F 分布。

2 模型构建

目标区域内高速公路大中型货车到达量预测是典型的时空序列预测问题,本文根据 N 个入口收费站

的前 T 个时间步、时间尺度为 τ 的历史货车流量对后续 T′ 个时间步、时间尺度为 τ′ 的货车流量进行预测。

19

广西师范大学学报(自然科学版),2022,40(2)

图 6 某一入口收费站大中型货车到目标区域某一出口站行程时间分布

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

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

定义输入流量矩阵 X= (x·1 ,x·2 ,…,x·T )

T∈R

N×T

,输入流量对应的小时标签序列 Φ = (φ1 ,φ2 ,…,φT )∈

R

T

,输入流量对应的星期天数标签序列 Ψ= (ψ1 ,ψ2 ,…,ψT )∈R

T

,各入口收费站前往目标区域流量的历史

平均空间权重 S

h = (s

h

1 , s

h

2 ,…,s

h

N)

T∈R

N

,目标区域收费站自身历史出口流量向量 y = (y1 ,y2 ,...,yT )∈R

T

,

预测流量向量 ^y = (

^y1 ,

^y2 ,…,

^yT′)∈R

T′

。

由于目标区域出口收费站流量与各入口收费站流量的时空关联性随时间的推移而发生变化,为学习

此变化,将神经网络设置为时间维度的循环网络。

2.1 空间关联性学习

输入与输出的空间关联性体现在各入口收费站仅有一定比例流量前往目标区域,因此构建模型学习

该比例,各入口收费站流量序列乘上相应的比例权重后,才进行下一步的时间关联性学习。

各入口收费站流量空间权重构建步骤如下:

步骤 1 对于每一时间步 t,将输入 X、所在小时φt、所在星期天数ψt 通过广播机制进行融合后的融合

向量分别经线性层[23]

、Tanh 层[24]

、线性层进行非线性变换,得到空间调整向量 S。

步骤 2 利用 Tanh 激活函数将向量 S 映射到[ -1, 1]区间,并除以超参数 0<σ<1,将值域调整至

[-σ,σ]区间。

步骤 3 各入口收费站前往目标区域流量的历史平均空间权重 S

h

,加上缩小值域范围的空间调整向

量 S′,所得向量经 ReLU

[25]层得到各入口收费站流量空间权重向量 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是线性层的权重矩阵,bs1

、bs2是线性层的偏置项,以上为需要学习的参数;S

h 是各入口收费

站前往目标区域流量的历史平均空间权重,σ 是控制空间权重调整范围的超参数。

此后,将 t 时间步的输入 xt 与空间权重 S″融合后的 x′t进行时间关联性的学习,

x′t

= xt☉S″, (6)

式中☉表示哈达玛积。

2.2 时间关联性学习

输入与输出的时间关联性体现在各入口收费站流量到达目标区域出口收费站所花费时间符合一定分

布,因此在 t 时间步内某入口收费站 i 的入口流量在 t

j 时间段内到达目标区域出口收费站的概率为 Pj,其

中 j ={1,2,…,M} ,∑

j

Pj

= 1,M 为时间尺度为 τ 但区别于输入时间步 T 和输出时间步 T′的行程时间分布

20

http:∥xuebao.gxnu.edu.cn

时间步。 各概率组成时间权重向量 Ei·

= (P1 ,P2 ,…,PM )∈R

M

,所有入口收费站时间权重向量组成时间

权重矩阵 E= (E1·,E2·,…,EN·)

T∈R

N×M

。

各入口收费站流量时间权重构建步骤如下:

步骤 1 对于每一时间步 t,将输入 X、所在小时 φt、所在星期天数 ψt 通过广播机制进行融合后的融合

向量分别经线性层、Tanh 层、线性层进行非线性变换,得到的时间权重矩阵 E;

步骤 2 时间权重矩阵 E 经 Softmax

[26]归一化处理,得到归一化时间权重矩阵 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是线性层的权重矩阵,be1

、be2是线性层的偏置项,以上为需要学习的参数;Eij、E′ij分别表示时

间权重矩阵 E、归一化时间权重矩阵 E′中的元素。

此后,将 t 时间步的输入 x′t与时间权重矩阵 E′融合,得到 t 时间步输出向量 Yt,

Yt

= x′tE′。 (11)

2.3 偏置项学习

由于目标区域流量不仅与输入的入口收费站流量有关,还与其他入口收费站流量有关,且交通流具有

随机性、波动性特征,因此在模型中设置偏置项学习,对 t 时间步输出进行修正。

考虑交通流的时变特征和总体趋势的延续性,在每一时间步中,将输入 X、所在小时 φt、所在星期天数

ψt、目标区域收费站自身历史出口流量向量 y,通过广播机制进行融合后再进行线性变换,得到的向量作

为偏置项。 公式为

b =W′ [X;φt;ψt;y] +b′, (12)

式中 W′、b′为需要学习的参数。

t 时间步的修正输出为

Y′t

=Yt

+b。 (13)

2.4 预测结果

t 时间步的输出向量 Y′t为 t 时间步后 M 个时间段内的预测结果,因此各时间步预测结果需要变换为

相同时间段内的预测结果:

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

所有时间步预测结果 ^y′t求和得到 M 个时间步、时间尺度为 τ 的预测向量

^y′ = ∑t

^y′t。 (15)

最后将 M 个时间步、时间尺度为 τ 的预测向量 ^y′转换为 T′个时间步、时间尺度为 τ′的预测结果 ^y。

3 实例验证

3.1 数据说明与实验设置

3.1.1 数据说明

以京港澳高速北兴收费站 25 km 行程范围内收费站所在区域作为目标区域,包含 14 个高速公路收费

站,如图 1 所示,以目标区域出口收费站大中型货车总流量作为输出,以到达目标区域的大中型货车流量

最高的前 50 个入口收费站大中型货车流量作为输入。

21

广西师范大学学报(自然科学版),2022,40(2)

实验采用 2019 年 5 月—2019 年 9 月的高速公路收费站收费流水数据,其中 2019 年 5 月—2019 年 8

月数据作为训练集,2019 年 9 月数据作为测试集。 实验采用过去 120 min 作为历史时段,未来 60 min 作

为预测时段,输入数据时间尺度取 5 min,预测时间尺度分别采用 15、30、60 min 进行对比。

实验采用 Min-Max 归一化公式[27]分别将输入、输出数据映射到[0,1]区间,归一化公式为

z =

x-xmin

xmax

-xmin

, (16)

式中:z 为归一化后数据,x 为原始数据,xmin 、xmax分别为 x 的最小值、最大值。

3.1.2 评价指标

为了评价模型的预测性能,本文采用均方根误差(RMSE)、平均绝对误差(MAE)、平均绝对百分比误

差(MAPE)

[28]作为评价指标。

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 实验设置

实验中模型批处理大小为 256,学习率采用梯级下降的动态学习率,初始值为 0.001,每迭代 1 000 次

衰减 5%

[22]

:

l

r

(i) = 0.001×0.95

i

1 000 。 (20)

模型损失函数采用均方误差(MSE)

[28]

,计算公式为

eMSE

=

1

N∑

N

i = 1

(yi

- ^yi)

2

。 (21)

此外,为减小模型的过拟合,实验中添加值为 0.000 1 的权重衰减(weight decay)。

3.2 实验结果

3.2.1 实验结果分析

本文所提出模型在 15、30、60 min 预测时间尺度下预测值与实际值对比结果如图 7 所示。 在 3 个时

间尺度下,模型预测结果均能较好贴合实际值,且贴合效果随时间尺度增大而更优。

3.2.2 模型对比分析

实验采用 GRU、LSTM、STGCN

[29]

、AGCRN

[30] 模型与本文提出的模型进行比较,以验证模型性能的

优劣。

1)GRU:门控循环单元,隐藏层单元数为 128。

2)LSTM:长短期记忆网络,隐藏层单元数为 128。

3)STGCN:时空图卷积神经网络,取所有入口收费站及出口收费站作为节点构建图,邻接矩阵采用依

距离衰减的 Dijkstra 矩阵,图卷积操作采用 1 阶切比雪夫多项式进行求解。

4)AGCRN:自适应图卷积递归网络,一种基于图卷积网络设计节点自适应参数学习模块和自适应图

生成模块、并结合递归网络自动捕获交通流序列时空关联性的图神经网络,取所有入口收费站及出口收费

站作为节点构建图。

为保证公平,所有模型都在相同环境下运行,基于 Python 3.7 开发,调用 Pytorch 1.6.0 深度学习函数

库,并使用 GPU 加速。 实验结果如表 3 所示。

从表 3 中可以看出,在 15、30、60 min 预测时间尺度下,本文提出的模型均达到了较好的预测结果,平

均百分比误差(MAPE)分别降到 9.08%、7.52%、5.67%,MAPE 随时间尺度的增大而降低。 这是因为随着

时间尺度的增大,大中型货车到达量的随机性、波动性越小,数据噪声越小,预测精度越高。

22

http:∥xuebao.gxnu.edu.cn

对比各个模型实验结果,GRU 和 LSTM 能够学习交通流序列时间维度特征,但未能捕捉空间维度关

系,在 5 个实验模型中效果最差;STGCN 采用图卷积操作提取空间维度特征、采用普通卷积操作提取时间

维度特征,预测结果优于 GRU 和 LSTM;AGCRN 基于图卷积网络设计节点自适应参数学习模块和自适应

图生成模块,并结合递归网络自动捕获交通流序列时空关联性,预测结果更优于 STGCN。 相比于其他模

型,本文提出的模型实验结果均达到了最好:当时间尺度为 15 min 时,本文提出的模型 RMSE、MAE、

MAPE 精度分别比 AGCRN 提高 6.21%、7.07%、9.33%;当时间尺度为 30 min 时,RMSE、MAE、MAPE 精度

分别比 AGCRN 提高 6. 68%、7. 57%、8. 48%;当时间尺度为 60 min 时,RMSE、MAE、MAPE 精度分别比

AGCRN 提高 12.14%、14.04%、16.13%。

图 7 目标区域高速公路大中型货车到达量预测值与实际值对比

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

trucks arriving on expressways in target areas

表 3 不同模型的均方根误差(RMSE)、平均绝对误差(MAE)和平均绝对百分比误差(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

本文模型与 AGCRN 对比 +6.21% +7.07% +9.33% +6.68% +7.57% +8.48% +12.14% +14.04% +16.13%

注:“∗”表示 4 个对比模型中各评价指标误差最低的模型;“ +”表示本文模型相对于精度最高的对比模型的精度提升百分比。

23

广西师范大学学报(自然科学版),2022,40(2)

4 结语

本文通过分析目标区域高速公路大中型货车到达量与高速公路入口收费站大中型货车流量的时空关

联性,提出考虑系统关联性的高速公路大中型货车到达量多尺度预测模型,并设置实验对模型进行验证,

本文主要研究结论:

1)目标区域大中型货车主要来源于其中较少一部分入口收费站,即这较少部分入口收费站大中型货

车流量对目标区域大中型货车流量产生较大影响,因此可以选择到达目标区域的大中型货车流量最高的

前 n 个(本文实例 n = 50)入口收费站流量作为预测模型的输入。

2)多数入口收费站大中型货车流量中仅有较小比例流量对目标区域高速公路大中型货车到达量产

生影响,该比例随时间变化呈现周期性特征。

3)某入口收费站大中型货车到达目标区域出口收费站的行程时间满足一定分布规律,该分布规律随

时间变化呈周期性变化。

4)根据高速公路收费站出入口大中型货车流量的时空关联性,构建考虑时空关联性的神经网络预测

模型对目标区域大中型货车到达量进行预测,实验结果表明,在 15、30、60 min 的时间尺度上,本文模型均

达到了较高的预测精度,优于 GRU、LSTM 等基准模型和 STGCN、AGRCN 等前沿模型,证明考虑高速公路

收费站出入口大中型货车流量的时空关联性、提升神经网络模型的可解释性,模型的预测精度得到了

提高。

本文虽然在高速公路大中型货车到达量多尺度预测方面取得了一定成果,预测效果相比对比模型有

明显提升,但本文选择到达目标区域的大中型货车流量最高的前 50 个(n = 50)入口收费站流量作为预测

模型的输入,并未深入探究 n 的取值(或前 n 个入口收费站流量累计占目标区域高速公路出口收费站大

中型货车流量比例)对预测结果的影响,后续可对该问题进行研究,以获得最佳 n 值(或入口收费站流量

累计占目标区域高速公路出口收费站大中型货车流量比例),提高预测精度和模型的实用价值。

参 考 文 献

[1] 美国交通研究委员会. 道路通行能力手册[ M]. 任福田, 刘小明, 荣建, 等译. 北京: 人民交通出版社, 2007:

56-150.

[2] 刘欣, 王洪涛, 林洋. 交通量预测研究方法评述[J]. 吉林建筑工程学院学报, 2009, 26(4): 35-38. DOI: 10.3969 / j.

issn.1009-0185.2009.04.010.

[3] 唐秋生, 王川. 基于云遗传算法优化 BP 神经网络的轨道客流预测[ J]. 桂林理工大学学报, 2021, 41 ( 2):

403-408.

[4] 刘铭, 鱼昕. 基于改进 LSTM 算法的短时交通流量预测[J]. 桂林理工大学学报, 2021, 41(2): 409-414.

[5] 林培群, 陈丽甜, 雷永巍. 基于 K 近邻模式匹配的地铁客流量短时预测[ J]. 华南理工大学学报(自然科学版),

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 的短时交通流预测方法研究[D]. 成都: 西南交通大学, 2011.

[14] 刘剑, 刘丽华, 赵悦. 基于 KPCA 与 SVM 的混合核交通流数据检测[J]. 沈阳建筑大学学报(自然科学版), 2018,

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

[15] 谈苗苗. 基于 LSTM 和灰色模型集成的短期交通流预测[D]. 南京: 南京邮电大学, 2017.

[16] 王嘉琪. 基于 CNN 和 LSTM 的城市区域交通流量预测[D]. 大连: 大连理工大学, 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, 邱实, 周户星, 等. 基于 GRU-RNN 模型的交叉口短时交通流预测研究[J]. 公路工程, 2020, 45(4): 109-

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

[19] 李朝阳, 李琳, 陶晓辉. 面向动态交通流预测的双流图卷积网络[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] 黄子敬. 基于时空注意力机制的高速公路多收费站多时段出口流量预测方法研究[D]. 广州: 华南理工大学, 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] 扬波尔斯基 A P. 双曲函数[M]. 邢富冲, 译. 北京: 中央民族学院出版社, 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] 袁华, 陈泽濠. 基于时间卷积神经网络的短时交通流预测算法[ J]. 华南理工大学学报(自然科学版), 2020, 48

(11): 107-113, 122.

[28] 贾俊平, 何晓群, 金勇进. 统计学[M]. 4 版. 北京: 中国人民大学出版社, 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

广西师范大学学报(自然科学版),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

(责任编辑 苏凯敏)

26

第 40 卷 第 2 期

2022 年 3 月

广西师范大学学报(自然科学版)

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,吕清. 基于改进符号回归算法和 XGBoost 算法的剩余续驶里程预测[ J]. 广西师范大学学报(自然科学版), 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.

基于改进符号回归算法和 XGBoost 算法的

剩余续驶里程预测

田 晟∗

, 甘志恒, 吕 清

(华南理工大学 土木与交通学院, 广东 广州 510641)

摘 要: 提高剩余续驶里程预测精度可以缓解驾驶人的“续航焦虑”, 帮助车厂开发精细的电池管理系统, 提高纯电动汽

车的接受度。 基于改进符号回归算法自动生成与标签字段高度相关的新数据特征字段, 实现数据维度扩充。 再将维度扩

充后的数据传入经过超参数调优的 XGBoost 模型预测剩余续驶里程。 对比仅使用经典特征字段的原始数据, 维度扩充后

的数据在预测精度上最大相对绝对误差下降 4.9%, 平均绝对误差和均方根误差下降超过 20%, 且随着时间的增加, 使

用维度扩充后的数据进行预测的误差下降更快。 结果证明提出的方法可以优化数据集质量, 提高预测结果的精确度并减

小误差, 为纯电动汽车剩余续驶里程预测提供了新的思路。

关键词: 纯电动汽车; 剩余续驶里程预测; 改进符号回归; 特征构造; XGBoost 算法

中图分类号: TP181; U469.72 文献标志码: A 文章编号: 1001-6600(2022)02-0027-10

目前动力电池技术尚未取得重大突破,纯电动车的续驶里程受到限制,充电时间较长、充电桩密度低

导致纯电动车驾驶人不可避免地出现“续航焦虑”,降低了人们对于纯电动车的接受度[1-3]

。 动力电池系

统高度非线性,使得当前的车辆剩余续驶里程预测方案效果不佳,车厂不能准确地获取车辆的剩余续驶里

程,在制定车辆能量管理策略时需保留一定的能量冗余量,导致续航能力指标下降。 因此,准确地预测纯

电动车的剩余续驶里程能有效缓解驾驶人的“续航焦虑”并合理规划出行,有助于汽车厂商开发更精细化

的车辆能量管理策略,优化续航能力指标。

剩余续驶里程定义为纯电动车在当前荷电状态(state of charge, SOC)下,以某一特定工况行驶至车辆

能量管理策略设定的截止 SOC 时,车辆所能行驶的最大距离[4]

。 预测纯电动车剩余行驶里程可以大致分

为基于模型预测和基于数据驱动预测。 基于模型预测需要对电池模型、车辆能耗模型以及车辆工况等进

行研究,通过计算动力电池组剩余能量与预估的纯电动车每公里能耗之比来预测车辆的剩余续驶里

程[5-6]

。 陈德海等[7]建立优化 OCV 法数学模型并在电池包静止足够长时间后且 SOC 较大时进行实验,预

测值与实际值最大相对误差为 5.2%。 林仕立等[8]通过建立纯电动汽车供需功率模型基于 SOE 预测车辆

续驶里程,相较于采用 SOC 指标预测精度提升 4.09%。 上述方法要对电池模型、能耗模型等深入研究,达

到一定预测精度所需时间与资源较多。 基于数据驱动预测是从车辆历史运行数据学习得到预测模型,得

到的模型泛化能力强且精度较高,但可解释性稍有欠缺[9-10]

。 特征选择上,考虑驾驶员无法直接获取的指

标参数对模型进行训练,可以提高预测精度[11-13]

。 Sun 等[14]基于梯度提升树(GBDT)以温度、速度和 SOC

等作为特征,预测结果最大相对误差仅为 1.58 km。 基于数据驱动对剩余续驶里程进行预测的精度会受到

使用数据集质量、特征探查、特征构建的影响[15]

。 Modi 等[16]提出袋式决策树(CNN-BDT)方法,在缺失车

辆内部参数前提下平均绝对误差为 0.14。 上述研究均以人工先验知识为基础,利用数据集中现有的特征

字段与标签的映射关系进行建模,尚未考虑利用算法自动生成与标签高度相关的新字段扩充数据维度从

收稿日期: 2021-04-21 修回日期: 2021-05-18

基金项目: 广东省自然科学基金(2021A1515011587, 2020A1515010382)

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

广西师范大学学报(自然科学版),2022,40(2)

而实现预测精度提升。

数据的质量决定了模型预测结果精度的上限,为进一步提高预测剩余续驶里程的精度,本文提出基于

改进符号回归算法来实现高质量数据特征的自动生成。 构建 XGBoost 算法预测模型并进行模型训练,得

到一个描述车辆运行动态指标参数与剩余续驶里程映射关系的经验模型,对比初始数据集和维度扩充数

据集以验证本文提出方法的可行性。

1 算法理论依据

1.1 改进符号回归算法原理

改进符号回归算法不直接预测标签变量,而是生成一个表征数据集中特征字段与标签字段之间隐藏

关系的转换函数,从原有的特征字段自动生成与标签字段高度相关的新数据特征。 改进符号回归算法用

于特征构建阶段,通过扩充数据集维度提高数据质量,不直接参与标签预测但能提高后续预测模型的精

度,本质算法原理参考遗传程序设计算法[17-18]

。 算法实施过程总结如下:设计一组实现简单函数功能的

程序,无需先验知识和事先指定目标函数的形式和参数,设置适应度规则,让程序按照遗传算法的步骤进

行选择,保留每一代中最合适的程序,继续参与下一轮的迭代,最后生成一个转换函数,根据初始特征变量

自动换算与标签变量高度相关的新数据特征。 遗传程序设计流程如图 1 所示。

$BE3

U

!?+KM

@@M?

.4

@0E

7



/

D?



图 1 遗传程序设计流程

Fig. 1 Genetic programming flowchart

典型遗传算法编码方式是二进制编码,变异以固定概率将所有染色体的基因位点翻转[19]

。 首先,选

择邻近个体,以设定概率判断是否交叉,若需交叉,则随机选择某个基因位点,交换该基因位点及之后的所

有基因。 其次,新一代种群依据概率进行选择,有放回地采样出原种群大小的新一代种群,个体 Ii采样的

概率为

p(Ii) =

f(Ii)

∑

m

i = 1

f(Ii)

。 (1)

遗传算法会自动平衡因选择导致的收敛性和变异交叉带来的多样性,基因模式呈指数增长[20]

。 适应度高

于种群平均适应度的模式 H 原理为

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 为基因变异概率;pc 为基因交叉概率;L(H)为模式的长度;O(H)为模式的阶;?f(H)为模式的平

均适应度;p(H)

t 为在第 t 代种群中模式 H 出现的概率。 最后,遗传算法会在选择操作引起的收敛性和变

异交叉操作引起的多样性之间取得平衡。 适应度高于种群平均适应度的模式 H 为

?f(H)

?f

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

L(H)

L-1

( ) ≥1。 (3)

1.2 极限梯度提升算法 XGBoost

XGBoost 属于集成学习算法,由多个互相关联的基学习器共同决策[21-22]

。 XGBoost 在分类与回归问题

上表现顶尖,具有对输入数据要求不敏感、计算效率高和允许进行分布式训练等特点,支持在分布式环境

28

http:∥xuebao.gxnu.edu.cn

上运行,可用于处理大规模数据[23-24]

。 XGBoost 广泛用于各类预测问题求解,其最终效果受数据本身影响

极大,为了进一步提高剩余续驶里程预测精度,首先使用改进符号回归算法扩充数据维度,其次将多维数

据作为 XGBoost 的输入预测标签值,将 2 种算法的优势相结合,从而降低预测误差。 本文采用基学习器为

分类和回归树(classification and regression tree, CART)的 XGBoost 算法,目标函数为

O

(t) ≈ ∑

n

i = 1

gi

f

t(xi) +

1

2

hi

f

2

t(xi)

é

ë

ê

ê

ù

û

ú

ú

+ ∑

t

i = 1

Ω(f

i)。 (4)

式中:gi 为对第 t-1 步模型得到的预测值所求的一阶导数,hi 为所求的二阶导数, f

t(x)表示组成 XGBoost

模型的第 t 个基学习器。

设 CART 决策树为 f

t(x)= wq(x) ,其中,x 表示一个样本,q(x)表示该样本在某一取值为 w 的叶子节点

上,wq(x)表示每个落在该叶子节点上的样本取值均为 w。 CART 决策树的复杂程度与叶子数 T 成正相关,

叶子节点越多则模型越复杂,目标函数中的正则项 Ω(f

i)取决于所采用的基学习器,正则项 Ω(f

i)定义为

Ω(f

t(x)) = γT +

1

2 ∑

T

j = 1

w

2

j 。 (5)

式中 γ 为一个大于等于 0 的常量,作为惩罚系数用以权衡模型的经验风险与模型复杂度。 遍历叶子节点,

每个叶子节点多个样本记作一个集合,因此目标函数可表示为

O

(t) = ∑

T

j = 1

(∑i∈I

j

gi)wj

+

1

2

(∑i∈I

j

hi

+ λ)w

2

j

é

ë

ê

ê

ù

û

ú

ú

+ γT。 (6)

式中:∑i∈I

j

gi 和∑i∈I

j

hi 分别为一个叶子节上所有样本的 gi 和 hi 之和,wj 为第 j 个叶子节点值。 由于∑i∈I

j

gi 和

∑i∈I

j

hi 是模型输出的前 t - 1 步的结果,其值应为一确定的常量,在最后一棵树的叶子节点 wj 不确定时,可

将式(6) 对 wj 求一阶导,令目标函数为 0,可得到叶子节点 j 对应的取值

w

∗

j

=

∑i∈I

j

gi

∑i∈I

j

hi

+ λ

。 (7)

此时,目标函数可简化为

O =

1

2 ∑

T

j = 1

∑i∈I

j

g

2

i

∑i∈I

j

hi

+ λ

+ γT。 (8)

遍历所有 CART 决策树,计算每个节点每个样本的 gi 和 hi,然后对每个节点所包含的样本求和,得到

∑i∈I

j

gi 和∑i∈I

j

hi, 按照目标函数最小化原则,求解每一步的 CART 决策树 f

t(xi),最后依次加上每一棵树,得

到整体 XGBoost 模型[25]

。

基于改进符号回归算法和 XGBoost 模型预测剩余续驶里程的技术路线如图 2 所示。

2 数据特征工程

2.1 数据预处理

数据预处理包括异常值筛选、缺失值填充和剩余续驶里程字段构造。 数据异常筛选主要从 3 个方向

展开:1)数据字段描述中规定值的有效范围,使用该方法对所有字段进行筛选;2)字段含义的逻辑关系,

如里程应随时间增加而增加等;3)3σ 准则判断,若字段大致服从正态分布,在 3σ 范围(μ-3σ,μ+3σ)外的

数据判为异常,其中 μ 为该字段的均值,σ 为标准差。 数据缺失是指数据记录部分特征字段值缺失,采用

的填充方法是取前后各 3 个采样点的值,一个采样点的采样间隔一般为 10 s,取 6 个点的均值进行填充,

同时对于按时间排序采样值存在大小关系的字段,在填充时加入验证规则,如果前后 6 个点的均值不符合

29

广西师范大学学报(自然科学版),2022,40(2)

验证规则,则该缺失值使用距离最近一个采样点值填充。

'/





M)

0 

'

E0 '

9(#PPTU

BA

 @3

@3 A

@0@

 $BM

D

\"A

DM\"4@

\"AK

@3K

O@K

图 2 预测剩余续驶里程技术路线

Fig. 2 Technology roadmap for remaining range prediction

由于原始数据中剩余续驶里程字段是缺失的,因此需按剩余续驶里程的定义构造剩余续驶里程字段。

在理想的完整车辆行驶过程中,车辆剩余续驶里程(remaining mileage)是由 SOC 为 0 时对应的 mileage 与

各条车辆运行记录 mileage 之间的差值,而实际行驶过程中的电池放电过程难以实现理想中的放电过程。

因此本文选择 SOC 为 10% ~80%的片段区间,剩余续驶里程对应 SOC 为 10%时对应里程与各条车辆运行

记录里程之间的差值。 剩余续驶里程计算公式为

Mi

=msoc为10%

-mi。 (9)

式中:Mi 指车辆剩余续驶里程,mi 指累计里程数,msoc为10%指 SOC 达到 10%时的累计行驶里程数原始数据

为超过四百万条广州地区一个月内各类电动车的历史运行数据,按照上述步骤进行处理。 综合现有研究

及个人先验知识进行特征选择,其含义及范例如表 1 所示。

表 1 数据预处理后的车辆运行数据

Tab. 1 Vehicle operation data after data pre-processing

字段名 含义 范例

t_volt 总电压/ V 377.8 377.0 … 342.5

t_current 总电流/ A 7.78 14.35 … 12.55

max_cell_volt 电池最大单体电压/ V 3.90 3.45 … 3.54

min_cell_volt 电池最小单体电压/ V 3.85 3.42 … 3.51

max_temp 电池最高温度值/ ℃ 42 42 … 39

min_temp 电池最低温度值/ ℃ 38 38 … 35

speed 速度/ (km·h

-1

) 23.9 19.4 … 0

SOC 电池荷电状态/ % 80 80 … 10

mileage 累计行驶里程/ km 42 581 42 581 … 42 776

r_mileage 片段行驶里程/ km 195 194 … 0

30

http:∥xuebao.gxnu.edu.cn

所用数据集大部分字段不严格符合正态分布,引入 Spearman 相关系数对特征字段与标签字段的相关

性进行量化,以两组连续变量的单调性是否一致来衡量变量的相关度,对数据是否符合正态分布不做要

求。 Spearman 相关系数的计算为

ρ = 1 -

6 ∑

n

i = 1

d

2

i

n(n

2 - 1)

。 (10)

式中:n 为样本数量,di 为 2 个变量排序后成对的变量位置值之差。 为减少字段量纲和数量级带来的影

响,计算 Spearman 相关系数前先对字段进行标准化和 log1p 转换。 对于取值分布接近正态分布的字段采

用标准化处理:对于分布不近似正态分布则采用 log1p 转换,log1p 转换可以保证原始数据 x 的有效性,保

护了数据的多样性。 标准化计算以及 log1p 计算为

x′= (x-xmin ) / (xmax

-xmin ) x″= ln(x+1)。 (11)

式中:x 为原数据,x′为标准化后的数据,x″为 log1p 转换后的数据。

逐一计算所有变量两两之间的 Spearman 相关系数值,得到的结果如图 3 所示。 图中矩形框的颜色越

深,则说明计算的两组变量的 Spearman 系数值越大,单调性越一致,如 SOC 与标签字段相关系数为 1。 由

图 3 可知,电压字段(t_volt、max_cell_volt、min_cell_volt)、温度字段(max_temp、min_temp)不仅与标签相关

性很强,而且其所在分组内部存在很强共线性:max_cell_volt 和 min_cell_volt 之间的 Spearman 相关系数为

1,max_temp 和 min_temp 的相关系数为 0.94,max_cell_volt 和 min_cell_volt、max_temp 和 min_temp 之间分

布规律类似,通过特征构造将分布类似且含义相关的字段进行处理可以得到方差更大的新特征字段。 上

述分析证明初步选择的 9 个特征的合理性,为后文基于上述特征利用改进符号回归算法构建新的数据特

征提供了理论基础和数据支撑。

2.2 改进符号回归算法构建新特征

数据特征构建是通过从原数据中提取出与需要建模解决问题相关的信息进行分析,指导构建新数据

特征,以达到对建模效果的改善作用[26-27]

。 根据纯电动车运行数据的字段特征与数据结构,基于车辆动

力学以及动力电池等领域的先验知识进行物理含义相关的人工特征构建,再基于遗传程序设计理论开发

的改进符号回归算法应用,进行纯电动车运行关键参数数据特征构建的研究,通过计算机自动生成大量特

征并进行特征筛选。

图 3 特征字段 Spearman 相关系数

Fig. 3 Plot of Spearman correlation coefficients between features

31

广西师范大学学报(自然科学版),2022,40(2)

人工构建字段是凭借人工先验知识对动力电池组相关的数据特征进行组合构建新特征。 温度对电池

组性能会产生重要影响,为了得到方差更大的温度相关字段构造单体温差特征:电池单体温差 diff_temp;

电池组的各个单体之间会存在电压上的差异,对单体最高电压和单体最低电压求差,构造一组波动较大的

数据以放大电压字段蕴含的信息量,得到单体压差 diff_volt;功率是描述物体做功快慢的物理量,能更直观

地体现行驶中电池组放电情况。 对电池组总电压和总电流求积,得到反映车辆行驶过程中做功变化的总

功率 t_power。

基于改进符号回归算法特征生成,首先需设计一组实现简单函数功能以及实现参数正态分布化

boxcox 变换运算的程序,输入经过预处理的原始数据集 D= {(x(1),y(1)),…,(x(i),y(i))}作为初始特

征集;本文选择 Spearman 相关系数作为适应度规则并设置迭代终止条件;通过交叉、变异、复制等操作不

断生成下一代程序,依照适应性规则对子代进行筛选,保留每一代中最合适的程序迭代直至满足终止条

件,输出生成的新数据特征 F = {x′(1),x′(2),…,x′(3),…,x′(n)}。 生成的新特征字段部分结果如表 2

所示。 由表 2 可知,新生成的特征字段中存在特征共线现象,如 F1 与 F4 、F5 、F6 、F7 。 随着迭代次数的增

加,与标签字段相关系数越大新特征在接下来的迭代适应度系数更大,生存的机会越高,如果增加迭代次

数会导致生成的字段数量减少,降低了特征构造的意义[28]

。 为增加数据特征多样性,将迭代次数设置为

3 代,得到 4 组不共线的 4 组新特征字段,记为 F0 、F1 、F2 和 F3 。

表 2 改进符号回归算法生成的新数据特征

Tab. 2 New data features generated by improved symbolic regression

迭代次数 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 中原数据的 8 组特征,结合构建的 7 组新数据特征,得到一个由 15 个特征字段和 1 个标签

字段剩余续驶里程组成新的纯电动车运行数据集。

进一步筛选连续放电行驶片段组成数据集,经筛选得到 8 个连续放电行驶片段,本文以此 8 个片段作

为数据集,开展基于模型的纯电动车剩余续驶里程预测研究。 将该 8 个片段按时序从 S0 到 S7进行排序编

号,其中:S0 到 S5作为训练集,进行模型普通参数求解的过程;S6作为验证集,用于超参数调优;S7作为测

试集,用来客观评价模型性能及检验预测效果。 划分结果如图 4 所示。

图 4 数据集划分结果

Fig. 4 Data set segmentation result

32

http:∥xuebao.gxnu.edu.cn

3 模型构造及结果对比

构造 XGBoost 模型,使用新的数据集进行验证,具体步骤为:

步骤 1 对数据进行预处理,筛选异常值、填充缺失值并构造剩余续驶里程字段。

步骤 2 首先基于人工先验知识生成 3 个新特征,之后基于改进符号回归算法生成 4 组互不共线的

新特征字段,最后整合成新的数据集并按照 6 ∶ 1 ∶ 1 的比例划分为训练集、验证集和测试集。

步骤 3 初始化 XGBoost 算法模型,设定预期指标为相对绝对误差小于 3%,先按照默认超参数(最大

树深为 6,学习率为 0.3,子模型为 100,L1 正则项权重默认为 0,L2 正则项权重默认为 1)进行训练初代模

型,使用验证集计算该模型的各项评价指标,若指标达到预期则保存该模型并命名为最优参数模型,不达

预期则按“高学习率确定树的数量→单棵树调优→正则参数调优→低学习率确定理想参数”的顺序重新

调节超参数后重复训练及验证过程。

步骤 4 基于最优参数模型预测剩余续驶里程,输出评价指标并与相关研究进行对比,验证改进符号

回归算法和 XGBoost 算法的有效性。

为评估对剩余续驶里程的预测效果,本文采用相对绝对误差( relative absolute error,RAE)、均方根误

差(root mean squard error,RMSE)以及平均绝对误差(mean absolute error,MAE)3 个指标,从不同维度评估

不同模型预测的车辆剩余续驶里程值与真实值的偏差情况。 3 个指标的具体定义为:

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)为当给定输入样本 xi,模型输出的预测剩余续驶里程值;yi 为样本 xi 相对应的真实剩余续驶

里程;Mtotal为车辆标定的总续驶里程。

采用原始数据和维度扩充后的数据加工而成的验证集和测试集,基于 XGBoost 算法建立模型预测剩

余续驶里程,其结果与真实剩余续驶里程之间的相对绝对误差 RAE 曲线如图 5 所示。 利用构建的新特征

对原数据进行维度扩充,预测结果的相对误差曲线总体是低于原数据建模预测结果的相对误差曲线,在测

试集中维度扩充后的数据在 40 min 后 RAE 值就已经下降到 2%,相比原数据提前了 20 min,可以更快实

现预测精度提升,且随着车辆行驶时间的增长,RAE 值下降趋势更加明显。

基于 XGBoost 模型使用维度扩充后的新数据集预测结果的 3 项评价指标及相比使用原始数据集变化

百分比如表 3 所示。 利用维度扩充后数据集预测剩余续驶里程结果中,RAE 指标降至 4%以内,MAE 值为

2.28 km,RMSE 值为 3.24,相较于使用原始数据的预测结果,RAE 最大值降低了 4.90%,MAE 和 RMSE 降

幅均超过 20%。 与相关研究的预测结果进行对比,陈德海等[7] 基于 STM32-OCV 法预测剩余续驶里程,

RAE 最大值为 5.2%,且误差会随着时间增加而增加;Wang 等[10]使用 PSO-LSSVM 方法,MAE 为5.99%,误

差均超过 5%。 上述结果说明基于改进符号回归算法构造新特征可以提高数据集质量,最终提高 XGBoost

模型的预测性能,能更准确地预测剩余续驶里程。

33

广西师范大学学报(自然科学版),2022,40(2)

图 5 原数据和基于 XGBoost 回归模型维度扩充后数据预测结果的相对误差曲线

Fig. 5 Relative error curves of prediction results for original data and dimensionally expanded data

表 3 预测评价指标对比

Tab. 3 Comparison of prediction evaluation indicators

数据类型 数据集

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/ %

原始数据

验证集 3.88 2.28 2.86 — — —

测试集 4.08 3.06 4.08 — — —

维度扩充数据

验证集 2.10 1.43 1.78 45.88 37.28 37.76

测试集 3.88 2.28 3.24 4.90 25.49 20.59

注:“—”表示此处无数据。

4 结论

本文提出基于改进符号回归算法进行特征构造,从原数据中自动生成高质量新数据特征,选择

XGBoost 算法进行纯电动车剩余续驶里程预测。 结果表明,基于维度扩充后数据预测剩余续驶里程相对

绝对误差下降了 4.9%,预测值与真实值相比误差低于 3.5%,说明提出的数据特征构建方法能改善建模所

用的数据质量,有助于提升剩余续驶里程预测精度,可以为驾驶员提供更准确的剩余续驶里程参考值,缓

解“续航焦虑”。 后续工作中可以进一步使用多源数据,弥补对外部环境如天气、路况等动态数据研究的

空缺,覆盖更多的车辆使用场景。

参 考 文 献

[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, 宋树祥, 夏海英. 融合阻抗模型与扩展卡尔曼滤波的锂离子电池荷电状态估算[ J]. 广西师范大学学报(自然

科学版), 2021, 39(3): 1-10. DOI: 10.16088 / j.issn.1001-6600.2020061109.

[3] 李小霞, 赵金镭. 电动汽车电池荷电状态估算方法研究[J]. 电子设计工程, 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] 陈德海, 任永昌, 华铭, 等. 基于 STM32-OCV 法的纯电动汽车剩余里程预测[J]. 电子技术应用, 2017, 43(12): 33-

35, 39. DOI: 10.16157 / j.issn.0258-7998.172168.

[8] 林仕立, 宋文吉, 吕杰, 等. 基于电池 SOE 预测电动汽车的续驶里程[ J]. 电池, 2017, 47(3): 137-139. DOI: 10.

19535 / j.1001-1579.2017.03.003.

[9] 熊瑞. 动力电池管理系统核心算法[M]. 北京: 机械工业出版社, 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, 刘培玉, 等.一种面向不平衡分类的改进多决策树算法[ J]. 广西师范大学学报(自然科学版),

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] 张伟彬, 吴军, 易见兵. 基于 RFB 网络的特征融合管制物品检测算法研究[ J]. 广西师范大学学报(自然科学版),

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] 马炫, 李星, 唐荣俊, 等.一种求解符号回归问题的粒子群优化算法[ J]. 自动化学报, 2020, 46(8): 1714-1726.

DOI: 10.16383 / j.aas.c180035.

[19] 韩博文. 考虑实时需求的需求响应式公交调度方法研究[J]. 广西师范大学学报(自然科学版), 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, 周鹏, 陆叶, 等. 基于小批量梯度下降法的 FIR 滤波器[ J]. 广西师范大学学报(自然科学版), 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

广西师范大学学报(自然科学版),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] 张灿龙, 李燕茹, 李志欣, 等. 基于核相关滤波与特征融合的分块跟踪算法[ J]. 广西师范大学学报(自然科学版),

2020, 38(5): 12-23. DOI: 10.16088 / j.issn.1001-6600.2020.05.002.

[28] 杨弦, 党延忠, 吴江宁. 基于符号回归的产品评论数量与购买数量关系分析[J]. 系统工程学报, 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

(责任编辑 苏凯敏)

36

第 40 卷 第 2 期

2022 年 3 月

广西师范大学学报(自然科学版)

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, 伍锡如. 基于多模态特征融合的无人驾驶系统车辆检测[J]. 广西师范大学学报(自然科学版), 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.

基于多模态特征融合的无人驾驶系统车辆检测

薛其威1,2

, 伍锡如1,2∗

(1. 桂林电子科技大学 电子工程与自动化学院, 广西 桂林 541004;

2. 广西高校非线性电路与光通信重点实验室(广西师范大学), 广西 桂林 541004)

摘 要: 针对无人驾驶系统环境感知中的车辆检测精度低的问题, 本文提出一种基于多模态特征融合的三维车辆检测算

法。 该算法通过毫米波雷达与摄像机联合标定, 匹配 2 个传感器间的坐标关系并减小采样误差; 采用统计滤波剔除毫米

波雷达数据冗余点, 减少离群点干扰; 构造多模态特征融合模块, 利用逐像素平均融合点云与图像信息; 加入特征金字

塔提取融合后的高级特征信息提升复杂道路场景下的检测精度; 建立特征融合区域建议结构, 根据高级特征信息生成区

域建议; 使用非极大值抑制去除冗余检测框后, 通过检测框顶点匹配输出车辆检测结果。 经 KITTI 数据集实验结果表

明: 所提出的方法能够快速、 准确地实现车辆检测, 平均检测时间为 0.14 s, 平均检测精度为 84.71%。 该算法具有重要

的理论和应用价值, 可为无人驾驶系统的车辆检测提供有效方案。

关键词: 毫米波雷达; 环境感知; 多模态融合; 车辆检测; 无人驾驶系统

中图分类号: TP391.41;U463.6 文献标志码: A 文章编号: 1001-6600(2022)02-0037-12

随着人工智能和机器人技术的不断发展与深入,无人驾驶系统作为人工智能领域的一个重要分支已

经成为国内外的研究热点[1-3]

。 无人驾驶系统通过三维车辆检测对主体实现路径规划与决策控制,其中

雷达、摄像机、GPS 等传感器的多模态特征融合是三维车辆检测中的重要内容[4-6]

。

毫米波雷达和摄像机的多模态特征融合因其检测分辨率和精度高、抗干扰性强、感知范围广、不受光

照和阴影遮挡的特性,有利于实现复杂交通环境下的无人驾驶[7-9]

。 因此基于多模态特征融合的车辆检

测算法在过去几年里发展得较为迅速,大量优秀算法广泛应用[10-12]

。

Nie 等[13]利用多模态融合深度神经网络对不同模态的特征进行多通道分层,并在隐藏层提取多通道

特征张量实现特征融合以预测车辆位姿、转向角以及速度。 Zhang 等[14] 根据归一化像素距离加权平均值

对点云插值处理并与像素点融合,通过注意力机制分配特征通道权重,抑制干扰通道并增强车辆特征通道

信息。 王肖等[15]通过随机样本一致性算法定位校准稀疏点云,提取点云结构并与像素直接对齐,避免多

坐标转换以及校准的误差累积,根据图像中目标角点与点云位置匹配确定车辆位置。 李明磊等[16]先将点

云实时栅格化筛选路面信息,再根据道路粗粒度特性将特征拓展到扇形检测单元格减少路面纹理的干扰,

最后通过八叉树的三维占用栅格融合障碍物检测结果。 吴毅华等[17] 采用定向包围体来描述目标障碍物

并用 RANSAC 算法找出点云分布与方向航向角。 上述算法为无人驾驶系统的障碍物检测提供了重要的

参考依据,但存在精度低、多尺度车辆检测困难、遮挡车辆检测框合并等状况,因此针对多模态特征融合的

车辆检测精度低与时间长的问题亟需解决[18-23]

。

本文采用基于多模态特征融合的方法,通过摄像头和毫米波雷达的多模态特征融合完成车辆检测。

对传感器联合标定实现时空间配准减小采样误差,加入统计滤波算法剔除点云离群点降低干扰;预处理后

传入车辆检测模块,通过多模态特征融合模块结合特征金字塔对采集到的特征进行融合并提取,提升多尺

收稿日期: 2021-07-20 修回日期: 2021-09-26

基金项目: 国家自然科学基金(61863007, 61603107); 广西自然科学基金(2020GXNSFDA238029); 桂林电子科技大

学研究生教育创新计划项目(2020YCXS103)

通信作者: 伍锡如(1981—), 男, 湖南娄底人, 桂林电子科技大学教授, 博士。 E-mail: xiru520@163.com

广西师范大学学报(自然科学版),2022,40(2)

度对车辆的检测精度;最后,融合特征传入检测框生成模块筛选车辆位置,使用非极大值抑制去除冗余的

三维检测框,将检测框与车辆位置匹配输出三维车辆检测结果。

1 数据采集

1.1 算法框架及数据采集平台

本文算法框架如图 1 所示,毫米波雷达与摄像机联合标定后对道路环境采集,收集点云及图像信息,

将多模态数据输入车辆检测模块,融合后进行车辆检测并输出结果。

FK



5 

4@$\"

M) 

FK

/KF

K.4%

DD\"

DD

\"

4

'

< 

4DD

\"

'

'<

图 1 车辆检测算法总体框架

Fig. 1 Overall framework of vehicle detection algorithm

采用海康威视摄像机和 24 GHz 毫米波雷达联合对车辆进行检测。 毫米波雷达通过可调螺栓固定于

车辆前保险杠中央,摄像机固定于后视镜下方,如图 2 所示。 NRA24 毫米波雷达采样频率为 20 Hz,每帧

数据的采集时间间隔为 50 ms,每秒采集 20 帧雷达数据;摄像机采样频率是 50 Hz,每帧数据采集间隔为 20 ms。

图 2 传感器装配位置

Fig. 2 Diagram of sensor installation

1.2 毫米波雷达和摄像机联合标定

联合标定是多模态融合的准备条件,毫米波雷达与摄像机存在不同采样频率及坐标系,因此要把传感

器坐标转换到相同坐标系并时间配准才可融合。 毫米波雷达和摄像机的空间标定需要找到同一时刻点云

和图像中对应的像素点。

假设车体坐标系中物点 P 为(xl,yl,zl),对应图像坐标系中像点 Q 为(x,y),其像素级融合方程为

zc

(x,y,1)

T =K Rc

xl,yl,zl

( )

T +Tc

( ) 。 (1)

式中:zc 为物点 P 在摄像机坐标系中 Z 轴方向的坐标;K 为摄像机内部参数矩阵;Rc 和 Tc 为摄像机外部

参数,分别代表旋转矩阵和平移向量。

毫米波雷达将三维信息呈现为极坐标系的二维信息。 毫米波雷达与目标径向距离为 R,与中心所成

角度为 α,坐标系所在的平面与环境坐标系平行,且两者之间的距离为 H0 ,则环境坐标系中的物点 P 的坐

标 xn ,yn ,zn

( ) 与毫米波雷达坐标系中物点 P 的坐标(R,α) 的相互转化关系为

38

http:∥xuebao.gxnu.edu.cn

xn

=Rsinα,

yn

= -H0 ,

zn

= -Rcosα。

ì

î

í

ï

ï

ïï

(2)

联立式(1)与式(2)可得毫米波雷达坐标系与图像像素坐标系的转化关系为

zc

x

y

1

é

ë

ê

ê

ê

ù

û

ú

ú

ú

=

f

x 0 u0

0 f

y

v0

0 0 1

é

ë

ê

ê

ê

ê

ù

û

ú

ú

ú

ú

R

∗

c

Rsinα

-H0

-Rcosα

é

ë

ê

ê

êê

ù

û

ú

ú

úú

+T

∗

c ( )

。 (3)

空间标定的车体坐标系和像素坐标系之间转换关系如图 3 所示。



2

D

2 2

2

2

DLD

42 LDL2



F F

  

%



图 3 坐标系转换关系

Fig. 3 Coordinate system conversion diagram

时间配准包含总数据采集、毫米波雷达数据采集和图像采集,对每一帧数据给定一个以系统时间为准

的标签,将数据传输到缓冲区队列。 在总数据采集中启动毫米波雷达数据采集和图像采集,以采样频率低

的毫米波雷达数据为基准,每采集到 1 帧毫米波雷达数据则触发图像采集,从缓冲区队列中选取相同时间

标签的图像数据,以实现数据的同步采集和存储,流程如图 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
  

图 4 时间配准流程

Fig. 4 Time registration flowchart

39

广西师范大学学报(自然科学版),2022,40(2)

1.3 统计滤波预处理

毫米波雷达对目标物体扫描时,软硬件的误差使得某个点集区域内点的三维坐标产生偏移,会出现离

群点,产生多余的特征信息,使算法模型训练达不到全局最优。

通过最小二乘迭代方法来估计曲率张量,并在迭代的时候根据点云周围的邻域为样本分配权重,细化

每个点周围的每一个邻域。 利用计算获得的曲率以及统计权重来重新校正正态分布[24]

。 求得全局量的

最小化,并计算出曲率和法线把离群点剔除,从而较好地保持车辆点云的纹理特征。

在笛卡尔坐标系下,点云的每个点以 x、y、z 三维坐标形式存在。 假设某个点云样本为

D= pi∈R

3

{ } i = 1,2,…,n , (4)

式中:n 表示采样点云点的总个数;pi 表示采样样本 D 中的无序点,只取每个无序点的 x、y、z 三维坐标。

计算点的距离阈值 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 为两两无序点间距;?di 点云样本无序点的平均距离;σ 为样本标准差;α 为阈值系数。 若某点与点

的距离大于 dmax则判定其为离群点,将其剔除于点集。 其中每个点的临近点个数设为 50,距离阈值为 1,

阈值系数 α 为 0.2。

图 5 为点云样本的初始视图,近端点云分布分散,地面点云不清晰,远端点云在障碍物周边存在较为

杂乱的离群点且分布不均,给车辆检测增加检测难度;图 6 为数据预处理后的视图,局部区域的点分布较

为均匀,近端地面点云平整,易于后续的地面分割实现,远端点仅保留车辆及墙面点云信息,分布均匀。

图 5 点云数据过滤前

Fig. 5 Point cloud data before filtering

图 6 点云数据过滤后

Fig. 6 Point cloud data after filtering

2 三维车辆检测算法

2.1 算法总体思路

针对车辆特征的多样性和复杂性,引入深度神经网络以实现车辆检测,算法框架如图 7 所示。 首先,

将预处理后的点云与图像信息使用 ResNet

[25]进行特征提取;通过缩放点云和图像特征图大小,实现多视

图具有相同长宽比进行特征匹配;然后,传入多模态特征融合模块对多模态特征进行逐像素平均操作,实

现多模态特征融合并加入特征金字塔[26]提取高阶特征;最后,将高阶特征输入检测框生成模块,与剪裁后

视图聚合生成三维车辆检测框。

40

http:∥xuebao.gxnu.edu.cn

图 7 算法框架

Fig. 7 Algorithm framework

2.2 多模态特征融合模块

多模态特征融合模块由特征融合、特征金字塔、1×1 卷积组成。 将特征提取后的稀疏点云与图片匹

配,同步输入特征金字塔中,实现目标特征的提取,最后通过 1×1 卷积降维处理。

本文采用多模态特征融合模块对输入的特征值进行剪裁实现区域选取并调整大小,将统一分辨率的

多视图特征图做逐像素平均,融合点云信息与图像信息高级特征。 融合图像传入特征金字塔中并进行上

采样,采用横向结构将其连接至前一层特征,使特征增强,结构如图 8 所示。

图 8 特征金字塔

Fig. 8 Feature pyramid Network

P1~ P5 每一层输出所用特征图融合不同分辨率、不同语义强度的特征,实现对不同分辨率车辆进行

检测,保证每一层都有合适的分辨率以及强语义特征,以解决车辆检测中的多尺度问题。 如图 9 所示,由

于特征金字塔在 256 维的特征地图上会提取 10 万个 7×7 的特征,大大增加计算量,因此在特征金字塔后

方加入 1×1 卷积降维处理。 通过 1×1 的卷积减少卷积核的个数,用于在不改变特征图尺寸大小的前提下

减少特征数量实现降维。

最后将聚合的融合特征投影至分辨率为 0.1 m 的 6 通道栅格中,前 5 个通道为栅格单元最大高度内

的相同切片生成,第 6 个通道由每个栅格单元的密度信息组成。

2.3 检测框生成模块

融合后的特征信息传入车辆检测模块完成回归与分类。 车辆检测模块由区域建议、RoI pooling 和全

连接层构成。

本文提出特征融合区域建议结构,如图 10 所示。 通过投影到栅格的俯视图与主视图融合传入区域建

议生成建议特征图,RoI pooling 将建议特征图缩放至 7×7 传入全连接层,以输出每个车辆检测框回归、方

向估计和类别分类,最后使用非极大值抑制去除冗余的三维检测框。

41

广西师范大学学报(自然科学版),2022,40(2)

图 9 高级特征提取

Fig. 9 Advanced feature extraction

图 10 特征融合区域建议模块

Fig. 10 Feature pyramid Network

本文采用了一个多任务损失,设计为

L =

1

Nc

∑i

Lc

si,ui

( ) + λ1

1

Np

∑ [ui > 0] Lr

+ λ2

1

N

∗

p

Ls, (8)

式中 Nc 与 Np 分别为点云点的个数和下采样后点云个数。

分类损失 Lc 为交叉熵损失,其中 si 为预测分类得分,ui 为中心点 i 的标签。

H(p,q) = - ∑i

(si

log ui

+ (1 - si)log(1 - ui))。 (9)

回归损失 Lr 包括距离回归损失 Ldist、大小回归损失 Lsize。 Ldist和 Lsize使用 SmoothL1函数使得损失函数对

离群点鲁棒性更强,其中

SmoothL1

=

0.5x

2

, if x <1,

x -0.5, otherwise。 { (10)

角度损失 Ls 包括角损失 Lcorner和角度回归损失 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 与 d

a

r 分别表示回归的残差和预测值;t

a

r 和 t

a

c 为对应点云的样本点;角损失表示 8 个预测角与标

注值的差值,其中 Pm 为点 m 的标注值,Gm 为点 m 的预测值。

为了消除重叠的检测,使用阈值为 0.7 的非极大值抑制删除车辆附近重叠较大的边界框。 最终采用检测

框顶点匹配的方式对齐减少计算参数,并利用车辆相对于地平面的偏移,得到更精确的三维矩形框定位。

42

http:∥xuebao.gxnu.edu.cn

3 实验结果与分析

3.1 平台及参数

本实验在 TensorFlow 框架下进行,计算机处理器为 Intel Core i7-6700,内存 32 GiB,同时使用 NVIDIA

GeForce RTX 2080Ti 来实现 GPU 加速训练。 学习率为 0.001,在 KITTI 数据集[27]上训练 120 个周期,每个

周期为 1 000,衰减系数为 0.8。

3.2 实验结果

为了验证改进网络模型在不同交通场景下的多目标检测能力,选择训练周期数为 120 的网络模型进

行测试,在 10%测试样本集中分类选取样本开展多组对比实验,结果如图 11~14 所示。

图 11 为自然交通场景下车辆检测结果。 从检测结果可知,三维车辆检测算法能够有效实现车辆检

测,检测结果与实际判定结果相符合,且目标的标定框范围较精准。

图 11 自然场景实验结果

Fig. 11 Natural scene experiment results

图 12 为光照交通场景下实验结果,图 12(a)为阴影遮挡情况,图 12( b)为光照遮挡情况。 从图中可

以看出,即使图像中车辆的摄像机受光照影响变化较大,颜色以及纹理受到干扰,但由于加入多模态特征

融合使点云弥补了图像信息的缺失,本文提出的方法可以很好地完成车辆检测任务。

图 13 为复杂场景下的实验结果,针对图 12(a)远距离车辆、图 12(b)遮挡车辆,本文方法对于多目标

也能够有效检测,在应对多目标的复杂状况下,具有较好的鲁棒性。

图 14 给出了复杂路段场景检测结果,图 14( a)为单向路段,图 14( b)为交叉路段。 由于道路环境错

综复杂,同时存在来向车辆、去向车辆以及侧向来车,车辆方向各不相同且存在车辆遮挡,导致车辆点云特

征不明显。 由实验结果可知,通过摄像机对车辆二维信息的采集以及毫米波雷达对车辆在三维环境的位

43

广西师范大学学报(自然科学版),2022,40(2)

姿匹配,车辆检测能够保证复杂环境下的车辆检测精度。

图 12 光照场景实验结果

Fig. 12 Illumination scene experiment results

图 13 多目标场景实验结果

Fig. 13 Multi-target scene experiment results

图 14 复杂路段场景检测结果

Fig. 14 Complex road section scene detection results

实验结果表明,对于自然道路环境以及复杂道路环境,本文算法通过多模态融合弥补摄像机与毫米波

雷达不足,对遮挡车辆、光照车辆以及多尺度多目标车辆能够有效检测。

网络训练时,分别选取迭代周期为 60、80、100 以及 120 的模型进行评估,网络训练损失与检测精度如

图 15 所示。 随着网络训练周期的增加以及学习率的改变,网络损失能够有效下降且趋于收敛,这表明改

44

http:∥xuebao.gxnu.edu.cn

进网络模型检测精度是不断提升的(如表 1)。

图 15 训练损失图

Fig. 15 Training loss chart

表 1 网络训练损失与检测精度

Tab. 1 Network training loss and detection accuracy

训练周期 网络损失 检测精度/ %

60 1.652 73.32

80 1.271 79.46

100 1.393 83.84

120 1.132 84.71

本文算法在同数据集同环境下与目前主流算法进行对比,测试结果如表 2 所示。 对比实验根据三维

检测方法分为原始点云方法、多视角方法、图像点云融合方法。 选择不同方法中主流算法在本文实验平台

上用 KITTI 数据集进行测试。 本文算法检测平均精度为 84.71%,毫米波雷达数据信息相比于图像信息,

冗余数据量小、分类特征维度低的特点使本文算法精确度高于其他方法。 由于加入特征金字塔导致检测

时间略有上升,检测时间略高于基于原始点云方法的 Complexer-YOLO 与 3DSSD 算法,但仍优于其他主流

算法。

表 2 主流算法时间及精度对比

Tab. 2 Comparison of time and accuracy of mainstream algorithms

检测方法 算法

精度/ %

简单 普通 困难

时间/ s 平均精度/ %

原始点云

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

多视角

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

图像点云

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

在原始点云方法、多视角方法、图像点云融合方法中各选择一种算法与本文算法进行结果对比,如图

16 所示。 在阴影遮挡、车辆遮挡以及远距离车辆的情况下,本文算法的误检率及漏检率均低于其他算法,

对车辆的三维检测框匹配准确度也高于其他算法。 实验结果表明,本文算法能够快速准确地完成自然场

景以及复杂场景的车辆三维检测,该方法有效可行。

45

广西师范大学学报(自然科学版),2022,40(2)

图 16 算法效果对比

Fig. 16 Algorithm effect comparison diagram

4 结论

本文采用基于多模态特征融合的方法,通过摄像头和毫米波雷达的多模态特征融合完成车辆检测。

该算法采用统计滤波算法预处理剔除点云冗余信息;通过多模态特征融合并结合特征金字塔提取高层特

征,提高复杂道路场景下车辆检测精度;最终使用区域建议与三维检测框匹配生成车辆检测框。 该算法的

车辆识别准确率为 84.71%,对自然道路以及复杂道路场景表现出良好的稳定性。 单帧融合数据的平均总

处理时间为 0.14 s,具有较好的实时性。 本文算法使无人驾驶系统能在复杂道路场景下实现三维车辆

检测。

参 考 文 献

[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] 刘英璇, 伍锡如, 雪刚刚. 基于深度学习的道路交通标志多目标实时检测[ J]. 广西师范大学学报(自然科学版),

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