扩展功能
文章信息
- 刘应吉, 夏鸿文, 姚羽, 刘梦雅
- LIU Ying-ji, XIA Hong-wen, YAO Yu, LIU Meng-ya
- 组合主成分分析和模糊c均值聚类的车辆行驶工况制定方法
- A Method of Vehicle Driving Cycle Development Based on Combined Principal Component Analysis and Fuzzy C Means Clustering
- 公路交通科技, 2018, 35(3): 79-85
- Journal of Highway and Transportation Research and Denelopment, 2018, 35(3): 79-85
- 10.3969/j.issn.1002-0268.2018.03.011
-
文章历史
- 收稿日期: 2016-08-15
2. 运输车辆运行安全技术交通行业重点实验室, 北京 100088
2. Key Laboratory of Operation Safety Technology of Transport Vehicles, Beijing 100088, China
车辆行驶工况是代表在一个地区或城市的驾驶模式的速度-时间曲线。它被用于在实验室的底盘测功机上模拟车辆行驶状况,用来进行评估油耗和尾气排放等工作。目前主要有2类方法用于工况制定:在第1类方法中,工况是由不同的驾驶模式包括有连续加速、减速和匀速组成。被称为“模态”或者“多边形的”,例如NEDC(New European Driving Cycle)和ECE(Economic Commission of Europe)工况。在第2类方法中,行驶工况来源于实际行驶数据并被称为实际行驶工况,例如FTP-75。实际行驶工况是更为动态的,反映在驾驶情况中所经历的更为急促的加速和减速模式[1-3]。
不同城市或地区,其驾驶模式是在不断变化。所以在一个具体城市或地区建立的可用工况往往不适用于其他城市或地区,因此,研发和制定符合具体城市或地区实际交通状况的车辆行驶工况,是目前主要的研究方向[4-18]。
文献[7]通过采集城市典型道路的试验数据,运用主成分分析和FCM聚类方法,对道路行驶工况进行分析与仿真并拟合出城市的代表性工况;文献[8]在聚类方法上采用了K均值聚类技术;文献[9]则在文献[8]的基础上,接着利用SOFM神经网络算法和K均值聚类法相结合的组合聚类技术对所有运动学片段的前3个主成分得分进行分类,再根据各类别的时间比例从各类别中选取合适片段,最终拟合出代表性工况。得出结论表明和K均值聚类法相比,组合聚类法的行驶工况拟合精度更高。以上相关学者的研究成果均为本研究开展基于组合聚类方法的工况构建提供了参考。
对比分析发现,现有公开的一些车辆行驶工况制定方法存在的部分不足:(1)采集原始行车数据的方式多采用单一试验车辆、固定线路,且采集数据时间较短,导致用于构建工况的原始行车数据来源广泛性和代表性不够理想;(2)已有方法制定的工况多为实际行驶工况,直接合成的工况曲线未进行过滤平滑处理,存在较多的尖峰点,使得这种工况很难以直接在测功机上进行遵循测试,可操作性较差。
由此,本研究给出了一种利于卫星定位数据来构建车辆行驶工况的方法,可用于选定城市或区域车辆行驶工况的制定。(1)在数据来源方面,该方法采用目前在道路运输企业已广泛应用的车辆动态监控系统所累积的海量卫星定位数据,这些数据均属于车辆日常运营的实际数据,没有特定的试验研究所给予的各种条件限制,因此数据来源有着很强的广泛性和代表性;(2)针对已有方法制定的工况曲线存在较多尖峰而难以遵循测试的问题,本方法提出采用双权核函数进行滤波平滑处理的方法,使得处理后的工况曲线易于在测功机上进行遵循测试。
1 行驶工况制定方法在本研究方法中,原始数据是来自于地方的大型客运企业动态监控系统,即车辆在行驶过程中所产生的能够真实反映当前道路交通状况的海量卫星定位数据。首先这些数据被划分为被称为“微行程”的运动学片段,接下来实施驾驶特征提取,目的是描述微行程。针对每一微行程结合改进后的主成分分析方法进行驾驶特征值计算,将微行程映射到相应的特征空间,然后利用模糊c均值聚类方法将所有的微行程聚类成不同组。每一组聚类被称为一种交通状况并生成一子工况。合成后的行驶工况包括单独的不同交通状况下的子工况,并对行驶工况进行结果平滑处理,得到能够用于遵循测试的最终行驶工况。
2 数据采集和微行程定义研究数据的采集时间和车辆走行路线对构建行驶工况的结果有很大的影响。城市及郊区交通状况一般分为3种状况:(1)拥挤的交通状况:如城市商业中心区(车流密集,怠速比例高,平均速度很低);(2)城市交通状况:如内城区(车流较多,怠速比例中等,平均速度低);(3)市区外的交通状况:如郊区(车流相对较少,怠速比例低,平均速度中等)。不同区域的车辆行驶状况存在着很大差别。所以待采集数据的车辆其选取原则是行驶路线尽可能多的覆盖上述3种交通状况。
车辆行驶时间的选取。一天之中不同时段交通状况存在着较大的差异,按交通流量大小可以划分为:高峰、正常和低峰时期。高峰时期车流量相对较大,特点:低平均车速和高怠速时间、匀速行驶时间比例较小、加减速行驶比例较大。一般取上午7:00—9:00及下午16:00—18:00时间段为交通高峰。正常时期的汽车流量相对较小,特点:平均车速在20 km/h左右、匀速行驶时间比例高于高峰时期。低峰时期特点:车流量小,平均车速髙和怠速时间很少,加减速时间比例小,匀速行驶时间比例大。低峰时期通常出现在一天上午9:00—10:00之间、午后13:00—14:00之间以及傍晚19:00以后[10]。
利用拟建立工况地区某客运公司的车辆监控系统,共筛选了具有代表性的31辆营运车辆作为数据釆集车辆,这些车辆的行驶班线能够基本覆盖上述3种交通状况以及高峰、正常、低峰时间段,采集数据字段主要包含车辆卫星定位速度、时间、行驶里程等参数。若数据采样间隔过大,将会导致较大的加速度等有影响的参数被平滑掉,因此设置每车的卫星定位车载终端每隔1 s采集卫星定位数据并向远程监控系统发送1次数据。这一方式可在监控系统数据库中积累海量的卫星定位数据,因此在工况制定方法研究中,可根据需要,在系统数据库中按照设定的车辆和时间段信息为检索条件,读取卫星定位数据作为研究用样本。
对原始数据按照微行程划分方法进行划分,受道路状况和交通流量的影响,车辆的行驶过程实质是一个起步、加速、停车的循环。通常将汽车从当次怠速开始到下一次怠速开始之间的运动过程定义为微行程,计算给出所有的微行程。本研究专门开发了相关程序,查找算法上采用双指针进行遍历,来查找和确定怠速和其他运动状态,并进行微行程分割[10]。
3 驾驶特征值提取算法及其改进针对每一微行程进行驾驶特征的计算,特征参数计算参照的标准为:(1)怠速状态:车辆发动机启动状态下且车速v=0;(2)加速状态:车辆行驶的加速度a≥0.15 m·s-2同时车速v≠0;(3)减速状态:车辆行驶的加速度a≤-0.15 m·s-2同时车速v≠0;(4)匀速状态:车辆行驶的加速度|a|≤0.15 m·s-2并且车速v≠0。
运动学片段中含有的运动学特征用来分析行驶工况的特征参数,根据相关的技术文献以及本研究试验中获取数据的特点确定了10个特征值参数[6-11],如表 1所示。
序号 | 特征值参数 | 意义/单位 |
1 | t | 持续行驶时间/s |
2 | vm | 平均速度/(m·s-1) |
3 | vmr | 平均行驶速度/(m·s-1) |
4 | amax | 最大加速度/(m·s-2) |
5 | amin | 最小加速度/(m·s-2) |
6 | Pa | 加速比例/% |
7 | Pc | 匀速比例/% |
8 | Pd | 减速比例/% |
9 | Pi | 怠速比例/% |
10 | d | 行驶距离/m |
将采集到的原始数据根据上一步骤中的方法,划分成若干个微行程,分别求出总体试验数据及各微行程的特征参数,得到以微行程为样本,样本数量(n行)×特征参数(p列)的矩阵,进行主成分分析。
传统的主成分分析方法首先需要对原始数据标准化,但标准化计算处理在消除量纲或数量级的影响的同时,各变量变异程度的差异信息也被掩盖。针对这一情况,本研究首先对原始矩阵数据进行均值化方法处理:用相应的原始数据去除以各指标的均值,即有原始数据矩阵X=(Xij)n×p,令:Yij=Xij/Xj, i=1, 2, …, n; j=1, 2, …, p。
其中
对协方差矩阵进行均值化处理后不会改变各指标间的相关系数,在消除了指标量纲与数量级的影响的同时,能够全面地包含原始数据信息。
利用改进后的主成分分析算法和传统方法与对同一份数据进行处理并比较。表 2为使用的部分数据。
序号 | 持续时间/s | 怠速比例 | 匀速比例 | 加速比例 | 减速比例 | 平均速度/(km·h-1) | 平均行驶速度/(km·h-1) | 最大加速度/(m·s-2) | 最小加速度/(m·s-2) | … |
1 | 1 020 | 0.000 98 | 0.478 431 | 0.281 373 | 0.239 216 | 18.356 47 | 18.374 49 | 1.349 839 | -2.757 18 | … |
2 | 225 | 0.293 333 | 0.275 556 | 0.262 222 | 0.168 889 | 12.876 38 | 18.221 29 | 1.644 978 | -2.460 96 | … |
3 | 170 | 0.370 588 | 0.258 824 | 0.276 471 | 0.094 118 | 10.289 14 | 16.347 23 | 1.667 763 | -0.380 86 | … |
4 | 38 | 0.026 316 | 0.263 158 | 0.289 474 | 0.421 053 | 3.687 295 | 3.786 952 | 5.985 292 | -2.350 28 | … |
5 | 61 | 0.098 361 | 0.131 148 | 0.426 23 | 0.344 262 | 5.741 308 | 6.367 633 | 1.737 21 | -1.550 58 | … |
6 | 176 | 0.306 818 | 0.170 455 | 0.267 045 | 0.255 682 | 4.993 468 | 7.203 691 | 1.459 431 | -2.632 4 | … |
7 | 139 | 0.971 223 | 0.007 194 | 0.014 388 | 0.007 194 | 0.034 902 | 1.212 846 | 1.330 306 | -0.578 35 | … |
8 | 120 | 0.083 333 | 0.141 667 | 0.358 333 | 0.416 667 | 5.922 329 | 6.460 723 | 1.737 208 | -2.363 3 | … |
9 | 64 | 0.171 875 | 0.328 125 | 0.234 375 | 0.265 625 | 2.170 139 | 2.620 546 | 1.209 862 | -0.853 96 | … |
… | … | … | … | … | … | … | … | … | … | … |
对这些数据分别采用传统主成分分析和改进后主成分分析方法,得到如下结果,如表 3所示。
改进前主成分结果 | 改进后主成分结果 |
0.521 544 35 | 0.680 486 50 |
0.193 641 31 | 0.154 428 65 |
0.122 250 75 | 0.068 041 24 |
0.052 790 72 | 0.042 377 33 |
0.048 439 86 | 0.024 359 51 |
0.024 375 99 | 0.013 595 10 |
0.019 609 20 | 0.011 203 17 |
0.015 666 50 | 0.004 202 72 |
0.001 681 09 | 0.001 305 68 |
0.000 000 24 | 0.000 000 10 |
可见经改进后的主成分分析处理后,第一主成分所包含的信息比通过采用传统方法处理得到的第一主成分所包含信息高16%,因此达到了使用较少的主成分提取更多的原始信息这一目的,如图 1所示。
![]() |
图 1 累计贡献率比较 Fig. 1 Comparison of cumulative contribution rates |
|
主成分个数选择的依据:(1)计算前N个主成分特征值的累积贡献率大于85%且满足这N个主成分的特征值均大于1时,即可选取这N个主成分进行分析。(2)当某个特征参数在某个主成分上的载荷系数绝对值越大,则说明该参数与该主成分的相关系数越高。如果前M(M≤N)个主成分已能够全面反映所有的p个特征参数,则选取前M个主成分进行下一步的分析,每个样本在各主成分上的得分为其特征参数值的投影。这里主要对前M个主成分的得分进行模糊c均值聚类分析[6-11]。
利用模糊c均值聚类方法将所有微行程聚类成不同组,每组聚类被称为一种交通状况,并为每一交通状况生成一子工况;初始合成工况包括不同交通状况下的子工况。
4 行驶工况制定和分析实例在某客运公司的卫星定位监控系统数据库中按照设定的车辆和时间段信息为检索条件,读取车辆卫星定位数据,其中车辆选择依据是其运行路线能够涵盖所建工况地区(市区、郊区及部分高速路段)的主要交通状况,时间段选择时涵盖一天中的正常时段以及高、低峰时段。采集数据用车辆和时间段如表 4所示,采集的车辆卫星定位数据(部分)如表 5所示。
编号 | 车牌号 | 时间段 |
1 | A350** | 10:30—11:30 |
2 | A6A9** | 7:00—8:00 |
3 | A6B2** | 8:00—9:10 |
4 | A036** | 9:00—10:00 |
5 | A350** | 19:30—20:00 |
6 | A352** | 9:50—10:30 |
7 | A352** | 10:30—11:30 |
8 | A208** | 8:00—9:00 |
9 | A352** | 12:00—12:30 |
10 | A330** | 7:00—8:00 |
| | |
31 | A216** | 18:30—19:30 |
编号 | 时间 | 经度 | 纬度 | GPS车速/(km·h-1) | GPS方向/(°) | … |
8895 | 6-2 16:17 | 117.299 918 3 | 31.870 672 33 | 13.4 | -63 | … |
8896 | 6-2 16:17 | 117.299 915 | 31.870 686 5 | 13.7 | -61 | … |
8897 | 6-2 16:17 | 117.299 920 7 | 31.870 721 83 | 12.5 | -71 | … |
8898 | 6-2 16:17 | 117.299 907 8 | 31.870 773 33 | 12.4 | -69 | … |
8899 | 6-2 16:17 | 117.299 899 8 | 31.8708 283 3 | 13.2 | -65 | … |
8900 | 6-2 16:17 | 117.299 913 2 | 31.870 858 17 | 9.7 | -75 | … |
8901 | 6-2 16:17 | 117.299 909 8 | 31.870 907 83 | 12.2 | -80 | … |
8902 | 6-2 16:17 | 117.299 915 7 | 31.870 953 33 | 12.3 | -92 | … |
… | … | … | … | … | … | … |
结合改进后的主成分分析及模糊c均值聚类方法,首先对获取的微行程进行主成分分析,表 6为主成分分析结果。
编号 | 特征参数 | 成分1 | 成分2 | 成分3 |
1 | 持续时间 | 0.403 | 0.749 | 0.230 |
2 | 行驶距离 | 0.691 | 0.500 | 0.357 |
3 | 怠速比例 | -0.753 | 0.596 | -0.252 |
4 | 加速比例 | 0.771 | -0.463 | -0.080 |
5 | 匀速比例 | 0.321 | -0.466 | 0.769 |
6 | 减速比例 | 0.706 | -0.410 | -0.348 |
7 | 平均速度 | 0.927 | 0.228 | 0.067 |
8 | 平均行驶速度 | 0.880 | 0.295 | -0.039 |
9 | 最大加速度 | 0.675 | -0.029 | -0.449 |
10 | 最小加速度 | -0.849 | -0.172 | 0.227 |
分析可知前3个主成分的累积贡献率达到了89.58%,可在各主成分中提取作用较大的特征参数,实现对特征参数进行降维去相关,还能有效降低行驶特性信息的损失。
通过上述聚类分析处理后,所有微行程被聚类成第3节中所述的3类交通状况,图 2是聚类给出的城区拥堵路段的子工况。由图可见给出的初始工况曲线含有高频噪声,需要对曲线进行平滑处理,才能够适合在测功机上进行遵循测试。
![]() |
图 2 城区拥堵路段工况 Fig. 2 Driving cycle of congested urban road sections |
|
针对这一问题,本研究采用一个过滤器来消除使行驶工况难以进行遵循测试的高频噪声。该过滤器是由以下公式定义:
![]() |
(1) |
式中,vs(t)为过滤器函数公式;h为平滑加权参数;s为平滑参数;t为待平滑处理的时间;v为待平滑处理速度。
K(x)为“biweigh”平滑核函数,仅在待平滑处理的时间t前后用来加权测量的速度值。在本研究中使用该函数进行平滑:
![]() |
(2) |
对原始子工况进行滤波平滑处理后,得到某城区路段的行驶工况如图 3所示。
![]() |
图 3 处理分析得到的某城区路段行驶工况 Fig. 3 Driving cycle of an urban road section after treatment |
|
由表 7可见,与试验数据相比较,本研究拟合的某城区道路行驶工况,其平均相对误差为11.87%,而通过传统的V-A矩阵法所得工况的相对误差为15.64%。可见主成分聚类方法的精度要略高于V-A矩阵法。通过本研究方法所给出的行驶工况,一定程度上能够反映该区域的实际道路交通状况。
特征参数 | 拟合工况 | 试验数据 | 误差/% |
vm/(km·h-1) | 11.79 | 12.17 | 0.032 2 |
vmr/(km·h-1) | 12.73 | 13.42 | 0.054 4 |
amax/(m·s-2) | 0.24 | 0.28 | 0.181 7 |
dmax/(m·s-2) | -0.16 | -0.19 | 0.193 2 |
pi/% | 23.83 | 27.64 | 0.160 1 |
pa/% | 38.5 | 36.14 | 0.061 3 |
pd/% | 26.34 | 30.41 | 0.154 7 |
pc/% | 11.33 | 13.95 | 0.231 0 |
5 结论
本研究提出了一种组合主成分分析和模糊c均值聚类的车辆行驶工况制定方法,可用于汽车行驶工况的制定。(1)在数据来源方面,该方法采用目前在道路运输企业已广泛应用的车辆动态监控系统累积的海量卫星定位数据,这些数据均属于车辆日常运营的实际数据,没有特定的试验研究所给予的各种条件限制,因此数据来源有着很强的广泛性和代表性;(2)通过使用改进的主成分分析方法,有效消除了传统方法在标准化处理时,掩盖各变量变异程度的差异信息的影响。(3)针对已有方法制定的工况曲线存在较多尖峰而难以遵循测试的问题,本研究提出采用双权核函数进行滤波平滑处理的方法,使得处理后的工况曲线易于在测功机上进行遵循测试。本研究提出的方法具有较好的普适性,能够降低车辆行驶工况制定的研究成本。
[1] |
LIN J, NIEMEIER D A. Regional Driving Characteristics, Regional Driving Cycles[J]. Transportation Research Part D:Transport and Environment, 2003, 8(5): 361-381. |
[2] |
HUNG W T, TONG H Y, LEE C P, et al. Development of a Practical Driving Cycle Construction Methodology:A Case Study in Hong Kong[J]. Transportation Research Part D:Transport & Environment, 2007, 12(2): 115-128. |
[3] |
KAMBLE S H, MATHEW T V, SHARMA G K. Development of Real-world Driving Cycle:Case Study of Pune, India[J]. Transportation Research Part D:Transport & Environment, 2009, 14(2): 132-140. |
[4] |
NUTRAMON T, SUPACHART C. Influence of Driving Cycles on Exhaust Emissions and Fuel Consumption of Gasoline Passenger Car in Bangkok[J]. Journal of Environmental Sciences, 2009, 21(5): 604-611. |
[5] |
MONTAZERI-GH M, FOTOUHI A, NADERPOUR A. Driving Patterns Clustering Based on Driving Feature Analysis[J]. Proceedings of the Institution of Mechanical Engineers Part C:Journal of Mechanical Engineering Science, 2011, 225(6): 1301-1317. |
[6] |
张树培, 黄璇, 王国林. 城市再生制动标准循环工况制订方法研究[J]. 公路交通科技, 2014, 31(3): 153-158. ZHANG Shu-pei, HUANG Xuan, WANG Guo-lin. Research on Formulation Method of Standard Driving Cycles of Urban Regenerative Braking[J]. Journal of Highway and Transportation Research and Development, 2014, 31(3): 153-158. |
[7] |
杜勇, 相臣, 马洪龙. 基于FCM聚类法对行驶工况的构建[J]. 农业装备与车辆工程, 2014, 52(9): 42-45. DU Yong, XIANG Chen, MA Hong-long. Building of Vehicle Driving Cycle Based on FCM Clustering Method[J]. Agricultural Equipment & Vehicle Engineering, 2014, 52(9): 42-45. |
[8] |
石琴, 郑与波, 姜平. 基于运动学片段的城市道路行驶工况的研究[J]. 汽车工程, 2011, 33(3): 256-261. SHI Qin, ZHENG Yu-bo, JIANG Ping. A Research on Driving Cycle of City Roads Based on Microtrips[J]. Automotive Engineering, 2011, 33(3): 256-261. |
[9] |
石琴, 仇多洋, 周洁瑜. 基于组合聚类法的行驶工况构建与精度分析[J]. 汽车工程, 2012, 34(2): 164-169. SHI Qin, QIU Duo-yang, ZHOU Jie-yu. Driving Cycle Construction and Accuracy Analysis Based on Combined Clustering Technique[J]. Automotive Engineering, 2012, 34(2): 164-169. |
[10] |
李敬怡. 营运车辆运行工况数据处理分析平台相关技术的研究[D]. 北京: 北京交通大学, 2014. LI Jing-yi. Research on Relevant Technology of Data Processing Analysis Platform for Driving Cycle of Intercity Bus[D]. Beijing: Beijing Jiaotong University, 2014. |
[11] |
石琴, 马洪龙, 丁建勋, 等. 改进的FCM聚类法及其在行驶工况构建中的应用[J]. 中国机械工程, 2014, 25(10): 1381-1387. SHI Qin, MA Hong-long, DING Jian-xun, et al. An Improved FCM Clustering Algorithm and Its Applications of Vehicle Driving Cycle Construction[J]. China Mechanical Engineering, 2014, 25(10): 1381-1387. |
[12] |
马洪龙, 丁建勋, 王桂龙, 等. 小波变换在道路行驶工况构建中的应用[J]. 汽车工程学报, 2014, 4(1): 56-60. MA Hong-long, DING Jian-xun, WANG Gui-long, et al. The Application of Wavelet Transform in the Construction of Vehicle Driving Cycle[J]. Chinese Journal of Automotive Engineering, 2014, 4(1): 56-60. |
[13] |
张鹏. 基于城市道路汽车行驶工况的能量利用评价方法研究[D]. 哈尔滨: 东北林业大学, 2015. ZHANG Peng. Evaluation Methodology of Energy Utilization Based on Automobile Running Conditions of City Road[D]. Haerbin: Northeast Forestry University, 2015. |
[14] |
黄粉莲, 纪威, 申立中. 基于行驶工况的货车动力传动系统优化[J]. 公路交通科技, 2016, 33(4): 142-148. HUANG Fen-lian, JI Wei, SHEN Li-zhong. Optimization of Truck Powertrain Based on Driving Condition[J]. Journal of Highway and Transportation Research and Development, 2016, 33(4): 142-148. |
[15] |
李文亮, 周炜, 张禄. 出租汽车用户可靠性目标载荷谱构建方法[J]. 公路交通科技, 2016, 33(2): 130-134. LI Wen-liang, ZHOU Wei, ZHANG Lu. A Method for Constructing Reliability Target Load Spectrum of Taxi Customer[J]. Journal of Highway and Transportation Research and Development, 2016, 33(2): 130-134. |
[16] |
张小龙, 刘鹏飞, 任平, 等. 乘用车城市道路行驶工况制定方法试验研究[J]. 汽车安全与节能学报, 2016, 7(1): 66-71. ZHANG Xiao-long, LIU Peng-fei, REN Ping, et al. Experimental Research on Development Method of Urban Driving Cycle for Passenger Vehicle[J]. Journal of Automotive Safety and Energy, 2016, 7(1): 66-71. |
[17] |
杨小娟, 王建. 北京市重型客车行驶工况的构建与研究[J]. 环境工程技术学报, 2015, 5(6): 455-463. YANG Xiao-juan, WANG Jian. Construction and Research of Heavy-Coach's Driving Cycle in Beijing City[J]. Journal of Environmental Engineering Technology, 2015, 5(6): 455-463. |
[18] |
胡志远, 秦艳, 谭丕强, 等. 基于大样本的上海市乘用车行驶工况构建[J]. 同济大学学报:自然科学版, 2015, 43(10): 1523-1527. HU Zhi-yuan, QIN Yan, TAN Pi-qiang, et al. Large-sample-based Car-driving Cycle in Shanghai City[J]. Journal of Tongji University:Natural Science Edition, 2015, 43(10): 1523-1527. |