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。     

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。     

K均值聚类改进与行驶工况构建研究

采集了广州市2 800万个样本数据,采用相关指标比较分析K均值聚类、K中心点聚类、模糊聚类、高斯混合聚类4种方法,并以90%置信区间作为初始中心选取范围提高K均值聚类稳定性。运用改进后的K均值聚类构建广州市行驶工况,平均相对误差小于6%,并与美国、欧洲、日本、中国等地区的典型行驶工况进行比较。结果表明,广州市行驶工况具有车辆加减速频繁、怠速与低速段工况占比高的特点,与国内现行NEDC以及中国QC/T 759—2006工况存在一定差异。     

低温城市行驶工况的构建与研究

通过大量低温城市地区的车辆道路行驶数据,统计出每个运动学片段的特征参数,应用主成分分析和聚类算法提炼出运动学片段的主要特征和类别,按相应类的比例选取运动学片段,根据统计分析的概率随机选择并重组选取的运动学片段,构建出相应的低温城市行驶工况。最终计算低温城市行驶工况与原始数据样本的相关系数,得出两者之间相关系数大于0.95的结论。     

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。     

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.     

汽车运行工况的构建方法

为快速准确地构建汽车运行工况,使用行车记录仪采集设备记录了上海市某辆轻型汽车的行驶数据,连续3次采集了包括3个不同时间段的信息,采样频率为1 Hz。为研究汽车行驶工况,首先使用平滑处理、剔除、划归滑窗法对庞大的汽车运行工况数据进行了预处理,将724处时间不连续的情况进行了调查,分为3类进行不同处理。采用移动平均滤波器Smooth函数进行了平滑处理,以消除速度异常值。将长期停车进行怠速处理后,使用滑窗法处理了怠速数据。然后对运动学片段进行切取并提取特征值,将13个特征降维得到4个主成分。接着在轮廓系数法等3种方法选择类别的基础上,应用K-means聚类分析法,不断验证确定将数据集划分成了3类最优情况,分别为走走停停、高速行驶和低速行驶,与现实情况基本吻合。最后根据每类的时间占比,从中选取最具代表性的15个片段,构建出了时长为1 254 s的汽车运行工况,得到的结果误差很低,误差率不超过10%。此汽车运行工况的构建模型对汽车运行工况数据处理过程十分细致,且能在初始聚类中心的基础上不断寻优。     

海湾大学城汽车行驶工况与交通安全分析

为更好地评估大学城交通安全情况,以上海海湾大学城行驶车辆为研究对象,利用GPS设备进行行驶数据采集,通过数据预处理,提取出有效的运动学片段;通过主成分分析法和K-means聚类分析法将运动学片段划分成3类,利用皮尔逊相关系数拟合出1941 s的汽车行驶工况.结果表明,大学城行驶车辆具有平均速度高、匀速行驶比例大、加减速...     

太原市轻型车实际行驶工况构建

为了构建基于实际情况的太原市轻型车道路行驶工况,采用自主行驶法采集试验数据并从中提取出2 208个有效运动学片段,通过因子分析、K-means聚类分析方法以及相关系数比较最终拟合出长度为1 184 s的太原市轻型车实际行驶工况,将之与国内其他城市以及国际4类标准工况进行对比分析,得出太原市轻型车行驶工况具有加减速比例高、匀速行驶比例低和低速行驶比例高等特点。     

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%。     

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。     

基于我国典型城市工况的小型纯电动汽车传动系优化匹配研究

为了快速评估选择更优的传动系统匹配方案,基于FCM聚类法及小波分析法构建代表我国典型城市道路的行驶工况,利用Cruise软件建立各传动系方案整车仿真模型。通过内置矩阵运算功能对模型参数进行组合计算,并插值拟合求出各方案最佳传动比。引入综合评价方程对各传动系匹配方案整车综合性能进行对比分析和定量评价,与国标工况进行对比。结果表明,构建我国典型城市工况是必要的,该方法能够快速有效地评估出综合性能更优的传动系统匹配方案。     

典型工况构建方法对新能源汽车能耗评价的影响分析

新能源汽车的能耗及其经济性与行驶工况高度关联。为了对新能源汽车的能耗进行合理评估，以西安市为例，分别应用聚类分析法、聚类马尔可夫分析法、短行程车速-加速度(Velocity-Acceleration,V-A)矩阵法和变步长V-A矩阵法构建城市客车运行工况，并进一步提出基于自组织映射(Self-organizing Maps,SOM)神经网络聚类的V-A矩阵法。对5种方法构建的工况进行对比和误差分析。在此基础上，基于一款插电式混合动力城市客车，应用全局优化方法——庞特里亚金最小值原理设计能量管理策略，分析车辆能耗和经济性以及5种工况的优缺点。研究结果表明：聚类分析法构建工况的平均特征值误差最大，计算量较大；变步长V-A矩阵法的平均特征值误差小于聚类法，计算量最小；短行程V-A矩阵法与变步长V-A矩阵法误差接近；聚类马尔可夫法的误差居中，计算量最大；基于SOM聚类的V-A矩阵法的平均特征值误差最小，能反映不同路段以及运行时间的差异，且能在聚类之后快速提取短行程的同时兼顾速度和加速度的分布；从能耗角度来看，基于SOM聚类的V-A矩阵法的能耗在5种方法中居中；聚类分析法构建的工况平均车速低于其他工况，但加减速频繁，能耗成本最高；聚类马尔可夫法由于对车速进行平滑处理，加减速频繁程度最小，能耗成本最低。     

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。     

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。     

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。     

基于有序聚类的发动机温度划分研究

提出了基于Fisher有序聚类对汽车行驶时的发动机温度进行划分的研究方法,将发动机的出水温度作为聚类指标对发动机工况进行划分,经实例验证发现,通过Fisher有序聚类分析方法划分发动机出水温度的结果能够很好地反映发动机工况的变化,采取对应措施即可起到提升发动机性能,延长发动机寿命,降低发动机油耗的重要作用。     

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%。