基于运动学片段的城市道路行驶工况的研究

以合肥市典型道路为例,将大量行驶工况的实验数据划分为运动学片段,并选出11个特征参数进行研究.首先用主成分分析法对运动学片段进行降维处理;接着利用K均值聚类技术对其进行分类.分析结果验证了在城市道路行驶工况研究中应用主成分分析法和K均值聚类法的町行性和有效性;最后拟合出合肥市典型道路的代表性行驶工况.与实验数据的对比结...     

基于K-均值聚类分析的城市道路汽车行驶工况构建方法研究

以实时采集的乘用车行驶数据为数据源,进行了城市道路汽车行驶工况构建方法的研究。分别运用运动学片段分析法、主成分分析法和K均值聚类分析法对实测数据进行降维和分类,提出以Silhouette函数实现对聚类结果的筛选,以减少人为选择的误差,并根据聚类中心的大小筛选所需运动学片段构建候选工况。在目标代表工况的遴选方面,提出了综合6个特征参数和最大SAFD差异值的评价标准。最后通过试验验证了该行驶工况构建方法的有效性和精确性。     

某重型燃气车行驶工况构建研究

行驶工况是一段复杂的运动特征的集合,受到动力总成、车辆载荷、驾驶员行为、天气等多种因素的影响。文章通过对400余台重型燃气车运行数据的分析处理,通过改变初始簇中心位置迭代计算出固定的聚类中心,对K-均值聚类进行优化,构建出行驶工况。所构建的行驶工况与原样本的相关性达到了0.999和0.942。     

Driving Cycle Construction and Accuracy Analysis Based on Combined Clustering Technique

基于通过实车试验采集的城市典型道路行驶工况数据,首先用主成分分析法对选取的12个表征道路运行特性的特征参数进行减缩,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.通过对各工况加速度分布的K-S检验和采用ADVISOR软件进行的发动机载荷谱和燃油消耗量仿真分析,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,更能综合反映城市交通真实状况.     

基于改进K-均值聚类算法的合肥市电动客车行驶工况构建

为构建合肥市电动客车行驶工况,选取合肥市4条典型线路的12辆电动公交车进行连续一周的数据采集,基于短行程分析法将经过处理的有效数据分割成24 595个片段并计算特征值,采用主成分分析法和改进K-均值(K-Means)聚类算法对短行程特征值进行降维与聚类,根据类中心距离从聚类结果中选出类代表短行程,从而构建出合肥市电动客车的行驶工况。将所构建的工况与实车采集数据及国内外典型行驶工况进行对比,结果表明,构建的行驶工况能更准确地反映合肥市电动客车的行驶特征。     

基于K-均值聚类算法的西安市汽车行驶工况合成技术研究

为提供排放试验所需的车速曲线,基于划分的短行程数据,采用K-均值聚类算法构建了西安市汽车行驶合成工况。首先对采集的原始数据进行短行程划分并进行特征提取,针对提取的高维特征向量之间的冗余性和非线性关系,采用核主分量分析法进行降维。然后基于K-均值的聚类算法,对降维后特征向量进行划分,按照离聚类中心最近的原则选择各聚类的短行程样本,将其合成为平均速度为21.51 km/h、持续时间为1 166 s、距离为6.9 km的西安市汽车行驶工况。对比表明,西安市汽车行驶工况接近于日本J10-15标准,但加速度参数要高很多。     

基于马尔可夫链的车辆规划行驶工况构建方法研究

为准确反映车辆在实际道路上的行驶运动特征，提出马尔可夫链融合在线地图信息的车辆行驶工况构建方法。对实际采集的车辆行驶数据进行清洗、分段，通过主成分分析（PCA）法和K均值（K-Means）聚类法对数据进行聚类分析，建立了基于马尔可夫链的典型工况片段库。将在线地图规划路径的道路信息融入片段库，构建了车辆行驶工况。以某款纯电动车为研究对象进行了仿真分析，仿真结果表明：与在线地图基础规划工况相比，采用基于马尔可夫链片段库构建的在线地图规划行驶工况，车辆能耗更接近实际道路工况，特征参数平均误差仅为4.29%，能耗误差仅为4.09%。     

驾驶员避撞转向行为的改进K-means聚类与识别

本文中根据不同工况驾驶员转向行为数据,提出了基于驾驶员避撞转向行为特征的聚类算法。首先搭建驾驶模拟器,采集了定半径转向、常规换道和紧急避撞转向工况下的驾驶行为数据,通过对比正常行驶和紧急避障工况下驾驶员转向行为数据,定性分析了紧急避撞转向特点。之后,利用皮尔逊相关系数法分析了描述驾驶员转向行为的观测变量与紧急避撞转向行为的相关性,得出转向盘转速与转向工况的相关性最高。接着,以转向盘转速作为聚类特征参数,利用改进K均值(K-means++)聚类方法对转向行为数据进行了聚类,将转向行为划分为正常转向和紧急避撞转向,实现了紧急避撞转向工况的识别。最后,通过实车试验验证了所提出的紧急避撞转向行为K-means++聚类方法可有效识别驾驶员紧急避撞转向行为,聚类精度达96.7%。     

小波变换在道路行驶工况构建中的应用

目前通常用聚类的方法构建行驶工况,虽然聚类法有很高的精度,但是构建汽车行驶工况的数据含有波动性、不规则性的部分。为了进一步提高构建精度,首先用FCM聚类方法对行驶工况数据进行聚类,然后采用小波变换对构建好的工况进行压缩重构。理论分析及试验结果表明,与用传统方法构建的行驶工况相比,小波变换得到的行驶工况能有效提高所构建行驶工况的精度。     

基于运行大数据的重型卡车行驶工况研究

采用企业车辆运行大数据为数据来源,进行典型重卡工况构建方法的研究。通过K均值聚类分析方法进行实测数据的处理,优化初始聚类中心选取保证聚类的可靠性和收敛性,提出以速度区间进行划分运动学片段,更加客观的表征工况特征。并通过马尔可夫原理实现特征工况的构建,最后通过试验验证了该工况构建方法的可行性和精准性。     

混合动力汽车工况识别及动态协调策略研究

为降低多模式混合动力汽车的动态油耗,设计了在线工况分类的动态协调控制策略,采用改进粒子群优化K均值聚类(K-means)算法进行工况分类,将行驶工况分为平缓工况和突变工况,并实现在线工况的识别;针对平缓工况,建立一阶马尔科夫链模型对车速进行预测,实时优化扭矩的分配;针对突变工况,设计了动态协调控制程序,通过调节节气门开度变化率,减少动态油耗,改善模式切换过程中的冲击。仿真结果表明:采用工况分类的动态协调控制策略有效减小了发动机扭矩和车速的波动,提高了行驶平顺性,综合油耗下降10.88%,电池荷电状态能够维持在效率较高的区域。     

基于聚类分析法的公交车行驶工况构建研究

针对昆明市公交车道路行驶状况,选取5条具有代表性的公交车线路并采集大量行驶数据,将数据划分为运动学片段,选用8个特征参数进行表征,使用主成分分析法进行降维处理,提取具有代表性的特征参数用作K均值聚类分析。依据分类结果,综合考虑各类别时间比例、欧式距离和相关系数选择合适的运动学片段,构建昆明市公交车行驶工况。与试验值对比,结果表明拟合工况平均相对误差为5.67%,能够代表昆明市公交车行驶工况,并将拟合工况与国内常用的四工况、ECE+EUCD工况进行对比,说明昆明市公交车行驶工况与两者存在较大差别。     

基于FCM聚类算法的电动车城市循环工况构建

针对传统循环工况难以表征电动汽车特性的问题,以典型大中型城市西安为研究对象,对电动汽车城市循环工况构建方法进行了研究。研究工作主要体现在试验路线构建、试验数据处理和循环工况合成。在试验路线构建过程中,首先以2016年西安市城市道路交通地图为参考,应用ArcGIS软件计算了西安市城市道路总长度及各种类型道路长度,然后采集了西安市各种类型道路进行交通流量,采用重复抽样假设检验法确定了试验路线长度,采用层次分析法获得了试验路线中各种类型道路的长度和比例,并且基于西安市城市道路整体综合特征构建了试验路线。在试验数据处理过程中,首先采用小波分解和重构法对原始数据进行去噪,然后基于主成分分析法确定了运动学片段特征参数,基于模糊C均值(FCM)聚类分析法将试验数据划分成稳定流动工况、拥堵工况、畅通工况3种运动学片段。在循环工况合成过程中,根据3种运动学片段类的比例,选取离聚类中心最近的运动学片段合成一个完整的行驶工况。最后将西安市城市循环工况与中国典型工况,NEDC,UDDS,ECE15,EUDC,FTP-15等行驶工况的特征参数进行了对比,并且进行了试验对比研究。试验结果表明:西安城市工况下的续驶里程与实际续驶里程相差11. 72 km,相对误差为3. 91%,说明所建立的电动汽车城市循环工况能够真实反映西安市交通总体特征,所构建的行驶工况具有较高的真实性。     

基于实车道路数据的插电式混合动力能耗敏感性分析

为评价插电式混合动力(PHEV)在实际行驶过程中的能耗水平,分析影响PHEV能耗水平的关键因素,本文中基于180人次的实车行驶记录数据,构建车辆行驶状态和驾驶员驾驶行为与PHEV整车综合能耗之间的相关关系。首先,利用主成分分析法,对行驶工况参数矩阵进行特征解耦,提取对整体信息累计贡献度达84%的5项主成分,并根据影响系数矩阵的数值分布对主成分进行指标定义。然后,基于运动学片段,利用K均值聚类算法对各主成分进行依次约束,从而形成目标实车道路工况,并将其代入整车能量流仿真模型中计算综合能耗水平。最后,计算各主成分与综合能耗水平之间的皮尔逊相关系数和协方差值,并对其进行聚类和敏感性定义。结果表明,本文中提取出的人-车-路3项代表性指标与能耗呈现出较强的敏感性关系。本文中的结论对于插电式混合动力汽车整车参数和控制参数的选取有重要的指导意义。     

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

目前国内不同规模城市和地区的机动车行驶特征,与欧美采用的标准工况相比存在着较大的差异。为完善车辆行驶工况制定方法,开发了适合我国城市和地区交通特点的车辆行驶工况制定方法,研究采用道路运输企业营运车辆运行时产生的海量卫星定位数据,作为工况建立使用的源数据,这些数据能够真实反映拟建工况地区的各类型道路交通状况。方法首先将源数据计算划分为运动学片段即微行程,针对每一微行程进行平均速度和怠速时间占比等特征值的计算,利用改进后的主成分分析方法对特征矩阵进行降维处理,然后在特征空间利用模糊c均值聚类方法将这些微行程聚类成不同组。每一组聚类代表和生成一类交通状况,然后将各类子工况合成为初始合成工况。利用带有双权平滑核函数的滤波器来平滑初始工况,使其易于在实验室设备上开展车辆工况试验的遵循测试。最后选取在某地区行驶且时间段和路段较具代表性的道路运输车辆,利用其正常运行过程中产生的卫星定位数据,对所提出的工况制定方法进行了验证,并将所得工况与通过传统的V-A矩阵法所得工况进行结果的比较分析。试验数据的对比结果表明,应用该方法给出的合成工况能够反映出所建工况地区的交通状况,可以为开发符合当地交通特点的行驶工况提供依据。     

高原山区乘用车行驶工况构建方法研究

针对传统的行驶工况构建方法不适用于道路环境复杂的高原山区这一问题,提出了一种新的行驶工况构建方法——改进的短行程法。选定青藏高原G318川藏公路南段(得达乡—海子山段)为试验道路,试验车辆为乘用车,进行多次数据采集试验。先采用马尔可夫蒙特卡洛模拟法构建行驶工况,根据预处理后的试验数据计算出状态转移矩阵,再按照蒙特卡洛模拟法构建出高原山区汽车行驶工况1。又采用改进的短行程法,根据试验数据的特点,按照固定时长50 s划分运动学片段并进行标号,根据高原山区汽车行驶特性选取了7个参数作为特征值进行主成分分析,再通过k-means聚类算法将运动学片段聚为3簇,结合特征值分析聚类结果,第1簇表示加速路段,第2簇表示匀速路段,第3簇表示道路线形复杂路段。根据各运动学片段到聚类中心的距离选择16个片段,按照时间序列构建出高原山区汽车行驶工况2,并将异常值采取中位值平均滤波法进行滤波。将两种方法构建的行驶工况的特征值与实际工况对比,结果表明采用改进的短行程法构建的高原山区汽车行驶工况特征值与实际工况的误差更小,且车速变化更符合实际情况,更能反映高原山区道路线形复杂的特点。     

二分K-FCM结合算法在交通运行状态判别中的应用

正确判别交通运行状态是交通运营管理的理论依据。以高速公路交通状态判别为研究对象,综合考虑交通流三参数(流量、速度、占有率)的基础上,应用模糊C均值(FCM)与二分K均值结合算法对交通运行状态进行判别。首先,对交通数据集分布特征及交通运行状态特征进行分析,确定以V05~V85为最小欧氏距离判别的数据范围。其次,为解决算法收敛较慢及任意初始化质心对聚类结果的不良影响,对传统模糊C均值聚类算法进行了改进,将运行二分K均值算法的聚类结果矩阵作为FCM的初始聚类中心。经检验,改进的FCM可以有效减少算法迭代次数,得到的目标路段交通状态判别矩阵能较精准地划分高速公路不同的交通状态。     

DHSSA优化的K均值互补迭代车型信息数据聚类

针对传统方法在车型信息数据聚类过程中受初始化中心点的影响较大导致聚类精度低、鲁棒性差以及在迭代过程中求取均值选择聚类中心受离群点影响大的问题，提出了一种DHSSA优化的K均值互补迭代车型信息数据聚类方法。首先，针对SSA算法中发现者位置更新不足和种群多样性不足的问题，设计了一种扰动因子-领头雀优化策略，通过自适应领头雀策略加强了最优个体的影响力，利用扰动因子扩大搜索空间，提升了寻找聚类中心的准确率；其次，设计了基于筛选最大最小距离积方法 SMMP优化聚类中心的初始化，在MMP基础上增加了筛选机制，使初始化的中心尽可能更均匀地分布在每个簇中；最后，融合DHSSA和SMMP来优化K均值互补迭代，在减小迭代次数的同时增加搜索效率，得到较好的聚类结果。利用多种数据集进行测试，通过试验结果中的收敛曲线和性能指标可以看出，提出的DHSSA-KMC方法相对于SSA-KMC、IMFO-KMC、KMC和KMC++具有更高的搜索精度、收敛速度和更低的聚类代价，并且耗时相对于SSA-KMC和IMFO-KMC有所减少，证明了算法的有效性和优越性。在车型信息数据处理过程中，DHSSA-KMC可以高效聚类生成竞品...     

基于大数据的驾驶风格识别算法研究

开展了基于大数据识别驾驶员驾驶风格的方法,建立驾驶风格识别数据库,包含80名驾驶员并覆盖不同性别、年龄、驾龄、驾驶习惯等属性,从数据库中提取能够反映驾驶风格的工况,包括换道、转弯、跟车等7种工况总计万余条工况数据,最后利用K均值聚类方法和D-S证据理论决策融合方法进行聚类分析,训练并测试了驾驶风格识别模型。经过验证,所提出的驾驶风格识别方法查准率达到80%。     

哈尔滨城区乘用车行驶工况的构建

以哈尔滨市乘用车作为研究对象,利用GPS设备对哈尔滨主城区运行的乘用车工况数据进行了测试,将采集到的车速数据曲线分割为多个短行程片段,提取了片段中最具有代表性的11个工况特征参数,利用主成分分析法和聚类分析法对特征参数进行了降维和分类处理。利用相关系数提取了代表性行驶工况片段,进而构建了具有代表性的哈尔滨市主城区乘用车典型行驶工况,并与NEDC和Japan10-15乘用车道路工况进行了对比分析。分析结果表明:哈尔滨城区乘用车工况的平均车速为15 km/h,低于NEDC和Japan10-15乘用车行驶工况;加速、减速特征参数比例分别为33.57%和29.70%,高于NEDC和Japan10-15乘用车行驶工况的相关参数;现有的欧洲和日本道路工况参数与构建的哈尔滨市城区乘用车行驶工况具有较大的差异,利用基于运行数据构建的行驶工况可以更好地反映地方乘用车的运行特征。