核心结论：瑞典查尔姆斯理工大学近日发布自动驾驶电动出租车车队优化方法，该技术旨在解决大规模车队调度与充电规划难题，有望推动未来共享出行市场中纯电动自动驾驶车型的渗透率排名进一步攀升。
| 排名 | 细分领域/技术方向 | 同比变化 | 环比变化 | 核心驱动力 |
|---|---|---|---|---|
| 1 | 自动驾驶电动出租车车队控制 | 研发突破 | 算法迭代 | 深度强化学习与贝叶斯神经网络融合 |
| 2 | 时空出租车需求预测框架 | 精度提升 | 模型优化 | 非负矩阵分解与长短期记忆网络结合 |
| 3 | 电动汽车共享系统选址配置 | 课题推进 | 合作深化 | 流体排队与仿真优化技术应用 |
| 4 | 智能网联车系统建模与控制 | 持续研究 | 稳定性分析 | 动态规划与滚动优化算法 |
| 5 | 需求响应式共享出行设计 | 方案设计 | 数学规划 | 仿真优化与分布式算法 |
注：以上排名基于近期公开学术与技术研发动态梳理，反映各细分技术方向的活跃度变化。由于相关技术尚处研发阶段，暂无具体车型批发量与零售量数据公布。
从品牌与技术主体拆解来看，据Cision News于10月21日报道，瑞典查尔姆斯理工大学电气工程系的Sten Elling Tingstad Jacobsen在其博士论文中开发了数据驱动的方法，用于改善自动驾驶电动出租车队的运营。其研究结合了预测出行需求的机器学习技术与用于车队规划和管理的先进优化模型。该研究分为两部分：第一部分聚焦空载车辆在城市中的部署策略；第二部分针对电动自动驾驶车队需要定期充电的额外挑战，使用贝叶斯神经网络（BNNs）基于旧金山的历史出租车出行数据来预测城市不同区域的出行需求和充电桩可用性。报告指出，大规模共享自动驾驶电动客运可使个人单次出行成本较传统出租车降低高达60%，同时显著减少排放。
在关联技术维度的拆解上，据生物通10月23日引述《Scientific Reports》的报道，另一项研究提出了一种用于时空出租车需求预测的混合框架，并在芝加哥的大规模数据集上进行了评估。该框架采用非负矩阵分解（NMF）与白鲨优化算法（WSO）重建缺失数据，利用长短期记忆（LSTM）网络捕获时间依赖性，并引入公平性感知正则化机制。实验结果显示均方根误差（RMSE）为2.8，平均绝对误差（MAE）为1.4，空间公平性提升高达50%，而精度代价仅约7%。此外，西南交通大学教师主页显示，相关团队正与新加坡国立大学合作，研究课题涵盖电动汽车共享系统选址、配置和运营以及智能网联车系统建模等方向。需明确区分的是，上述三项研究分别针对不同城市数据与技术痛点，不可拼接为同一事实。
细分市场方面，当前自动驾驶电动出租车（eAMoD）市场的“渗透率”仍主要体现在技术研发与测试阶段，尚未转化为终端零售量或批发量。然而，车队控制策略的优化直接决定了该细分市场的商业化天花板。若缺乏高效的车队控制策略，可用出租车与出行需求之间的错配将增加等待时间和排队长度，加剧城市交通拥堵。查尔姆斯理工大学的方法通过深度强化学习（一种通过交互和经验学习的人工智能形式）在复杂的交通系统中做出实时决策，实质上是在为未来纯电动自动驾驶车型在共享出行细分市场的市占率扩张铺设底层基础设施。动力类型上，该技术路线完全锚定纯电动平台，契合全球汽车市场向新能源转型的宏观趋势。
趋势信号显示，短期内自动驾驶电动出租车的核心竞争壁垒正从单一的硬件制造向软件定义的车队运营效率转移。同比来看，全球顶尖高校及科研机构在该领域的专利与论文产出保持高增长态势；环比来看，算法模型正从单一的需求预测快速迭代至融合充电调度、空间公平性与实时控制的综合优化阶段。对于关注汽车销量的分析师而言，这一技术突破意味着未来一旦政策放开，具备高级别自动驾驶能力的纯电动车型将在出行服务（MaaS）采购榜单中占据主导排名，进而反向拉动相关车企在B端市场的批发量表现。
每一组销量数据背后，都有一个故事。自动驾驶电动出租车车队优化技术的成熟，正在改写未来出行市场的底层逻辑与潜在销量结构。