CN111008505B - 城市坡道行驶工况构建方法及应用 - Google Patents

Abstract

本发明公开了一种城市坡道行驶工况构建方法及应用，首先选取含有坡道的城市道路作为试验路线，并在试验路线上进行速度、坡角信息的采集，然后对采集的数据进行预处理得到有效数据，再根据有效数据进行短行程划分、主成分分析，根据主成分分析结果采用SOM神经网络进行短行程聚类分析，再根据聚类分析结果对短行程进行筛选，最后利用筛选出的短行程组合成满足要求的城市坡道行驶工况。由于将坡道相关参数列入短行程特征参数、并将城市坡道信息包含在所构建的行驶工况中，从而使构建的行驶工况蕴含了城市坡道行驶特征，能够满足汽车城市坡道行驶性能测试的要求，在汽车台架性能实验和性能仿真实验中可作为汽车城市坡道行驶性能测试的基准工况。

Description

城市坡道行驶工况构建方法及应用

技术领域

本发明属于城市标准行驶工况构建领域，涉及具有坡道信息的城市行驶工况构建及所构建的城市坡道行驶工况的应用。

背景技术

汽车行驶工况一般是指汽车在特定交通环境(如高速公路、城市道路等)下行驶时的速度-时间曲线，主要用于在汽车新技术开发与评估中测试汽车能耗/油耗、排放等性能指标，是汽车工业的一项共性核心技术。

世界范围内被广泛应用于汽车能耗/油耗、排放测试的三大典型工况体系分别是美国行驶工况、日本行驶工况和欧洲行驶工况。美国行驶工况种类繁多，包括认证工况(FTP系)、研究工况(WVU系)和短工况(I/M系)三大体系，其中广为熟知的有联邦测试程序FTP75、洛杉矶工况(LA92)和负荷模拟工况(IM240)，还有美国环保局(EPA)用于乘用车高速公路油耗测试的循环工况(HWFET)、用于测试道路坡度对高速公路行驶汽车油耗影响而开发的可变坡道的高速公路循环工况(HWFET-MTN)等。日本行驶工况主要使用10工况、11工况和10-15工况三种工况；从2005年开始，日本轻型车尾气排放测试采用由88％的10-15工况和12％的11工况共同构成的行驶工况。欧洲行驶工况主要包括新欧洲行驶工况(NEDC)和世界轻型汽车测试循环(WLTC)；NEDC行驶工况包括(1)主要反映机动车在欧洲城市道路上行驶特征的的城市行驶工况(UDC)和(2)主要反映机动车在郊外公路上行驶特征的市郊行驶工况(EUDC)。

国内对汽车行驶工况进行了很多研究，制定了包括《汽车燃料消耗量试验方法》(GB/T12545.1-2008)、《轻型汽车污染物排放限值及测量方法(中国第五阶段)》(GB18352.5—2013)和《轻型汽车污染物排放限值及测量方法(中国第六阶段)》(GB18352.6—2016，2020-07-01实施)在内的油耗、排放测试方法，其中国五、国六排放标准分别采用NEDC和WLTC行驶工况。

由上可知，目前已有应用于不同测试目的的汽车行驶工况，通常都是基于速度-时间的工况曲线，均没有将城市坡道因素考虑进去，没有可用于测试汽车能耗/油耗、排放等性能指标的城市坡道行驶工况，不能反映城市坡道行驶特征，均不能用来测试汽车在城市坡道上行驶的性能。

发明内容

本发明的目的旨在针对上述现有技术中的不足，提供一种城市坡道行驶工况构建方法，以获得能够准确反映汽车城市坡道行驶特征的速度-时间曲线和坡角-时间工况曲线，从而为汽车在城市坡道上行驶的性能测试提供基准工况。

本发明的另一个目的在于提供上述方法所构建的城市坡道行驶工况的应用。

本发明提供的城市坡道行驶工况构建方法，将坡道相关参数增设为短行程的特征参数，利用自组织映射(Self-Organizing Mapping，SOM)神经网络对短行程的主要主成分进行聚类分析，并按衔接处坡角-时间曲线变化平滑的条件进行短行程衔接构建工况，采用该方法构建的工况曲线能够准确反映汽车城市坡道行驶特征。该城市坡道行驶工况构建方包括以下步骤：

(S1)城市坡道行驶数据采集：通过对具有坡道的城市道路调查，选取有效试验路线，并在设定试验时间内对所选取的有效试验路线进行车辆及道路数据采集，所述车辆及道路数据包括车辆行驶的车速、相应行驶时间及车辆所在位置的道路坡角信息；

(S2)车辆及道路数据预处理：对步骤(S1)采集的车辆及道路数据进行筛选并剔除异点，得到有效车辆及道路数据；

(S3)短行程划分：将车辆行驶过程中从一个怠速状态开始到下一个怠速状态开始之间的运动行程作为一个短行程，所述怠速状态为发动机或驱动电机工作且车速v＝0的行驶状态，按照前述短行程的定义将步骤(S2)得到的有效车辆及道路数据进行短行程划分；

(S4)短行程特征参数获取：对步骤(S3)划分后的每个短行程进行特征参数计算，特征参数包括与速度相关的特征参数、与加速度相关的特征参数、与坡角相关的特征参数；

(S5)主成分分析：依据步骤(S4)得到的短行程特征参数值，采用主成分分析法构建主要主成分得分矩阵，并对其进行归一化处理；

(S6)短行程聚类：根据步骤(S5)归一化后的主要主成分得分矩阵，对短行程进行聚类；

(S7)城市坡道行驶工况构建：依据步骤(S6)得到的短行程聚类结果，将属于不同类的短行程进行组合，组合后的前后短行程在衔接处坡角之差的绝对值不大于0.5°的工况作为候选工况，并以平均相对误差最小的候选工况作为城市坡道行驶工况。

上述城市坡道行驶工况构建方法，步骤(S1)是对城市坡道行驶的基础数据进行采集，主要是通过对具有坡道的城市道路调查，选取有效试验路线，然后驾驶车辆在试验路线和设定试验时间内进行数据采集，采用设置于试验汽车上的数据采集系统(例如VBOX数据采集系统)，结合惯性测量单元(用于采集试验路线的坡角信息，如型号为IMU04)，以平均车流法(不急加速、不急刹、不刻意超车)驾驶汽车，采集汽车的车速和坡角数据，同时记录数据采集系统可观测到的卫星数。每天的试验时间段包括四个周期，交通早高峰(7：30-9：30)、晚高峰(16：30-19：30)、平峰时段和低峰时段(10：00-16：00)，数据采集天数不少于7天。有效试验路线选择的实现方式包括以下分步骤：

(S11)选择初始路线：在具有地铁站或/和公交站的路段，寻找具有坡道的城市道路构成初始路线。

(S12)采集数据：在初始路线上布置交通流量调查点，在交通流量调查点进行车头间距测量，同时记录该交通流量调查点所在路段的最高限速。本步骤中，首先以地铁站或/和公交站为节点，布置交通流量调查点。对于相邻地铁站或公交站比较远的情况，可以进一步在相邻地铁站或公交站之间的火车站、汽车站、商业区、行政区、公园或医院等布置交通流量调查点。采集数据的时间分别在早晚高峰(早高峰：7：30-9：30，晚高峰：16：30-19：30)。

(S13)针对各个交通流量调查点，获取各个交通流量调查点所处路段的平均车速：依据以下速度-密度线性模型公式计算，并取方程根的最大值作为各个交通流量调查点所处路段的平均车速v：

上式中，v_f为畅行速度，取该交通流量调查点所处路段的最高限速，Q为该交通流量调查点的流量，用每小时经过该交通流量调查点的车辆数表示，k_j为阻塞密度，

辆/km，d为该交通流量调查点的平均车头间距，由该交通流量调查点测量的若干车头间距平均得到；

(S14)获取交通流量调查点覆盖区域的区域平均车速：以各个交通流量调查点的平均车速的均值作为交通流量调查点覆盖区域的区域平均车速

(S15)确定有效试验路线：选取平均车速v满足

的交通流量调查点作为有效试验路线的关键节点，将关键节点之间的线路连接，得到有效试验路线；所述z_α/2为置信度对应的标准分位数，σ为各个交通流量调查点平均车速的标准差，n′为交通流量调查点样本个数。

上述城市坡道行驶工况构建方法，步骤(S2)数据预处理的目的是剔除异点，得到有效数据。首先对数据进行筛选，然后采用移动平均滤波的方法对筛选后的数据进行平滑滤波处理得到剔除异点后的有效数据。该步骤包括以下分步骤：

(S21)数据筛选，根据数据采集系统采集的数据及记录的可观测卫星数，删除可观测卫星数少于要求的最低有效卫星数、或车速大于城市最高限速、或坡角超过城市道路坡角容许限值的数据。采集的每组数据包括车辆行驶的车速、相应行驶时间及车辆所在位置的道路坡角信息。

(S22)数据平滑滤波，对每组中的数据依次进行移动平均滤波处理。

上述城市坡道行驶工况构建方法，步骤(S3)中，短行程划分的实现方式为：依据获得的车辆行驶车速和相应行驶时间历程，计算得到车辆行驶的加速度，然后依据加速度变化，将车辆行驶过程中从一个怠速开始到下一个怠速开始之间的运动行程作为一个短行程，每个短行程均包括怠速、加速、匀速和减速四种行驶状态。按照前述短行程的定义将预处理后的有效数据分成一系列独立的短行程，每一短行程信息均包含车速及其相应的道路坡角。同时，将所有短行程从1开始顺序编号，并计算每个短行程的时间长度。

上述城市坡道行驶工况构建方法，步骤(S5)依据步骤(S4)得到的短行程特征参数值，进行主成分分析，本发明采用的主成分分析方法包括以下分步骤：

(S51)基于步骤(S4)获取的短行程特征参数，构建特征参数矩阵；

(S52)对构建的特征参数矩阵进行标准化处理，转化为无量纲参变量；

(S53)利用标准化的特征参数矩阵元素构建主成分；

(S54)计算各主成分之间的相关系数矩阵；

(S55)获取相关系数矩阵的特征值，与特征值对应的特征向量、贡献率和累计贡献率，以前p个特征值均大于1、且累计贡献率大于80％的主成分为主要主成分；

(S56)利用所得特征向量及特征参数矩阵元素构建主要主成分得分矩阵，并将其进行归一化处理。

上述城市坡道行驶工况构建方法，步骤(S6)中的短行程聚类根据归一化后的主要成分得分矩阵，采用SOM神经网络进行聚类分析。根据不同的需求，可以将短行程分为若干类别，然后根据归一化后的主要主成分得分矩阵，利用SOM神经网络对短行程进行聚类分析。

上述城市坡道行驶工况构建方法，步骤(S7)的具体实现方式包括以下分步骤：

(S71)将聚类所得每一类短行程按其相关系数由大到小排列，选择相关系数≥0.96的短行程作为候选短行程；

(S72)在每一类候选短行程中，按构建候选工况中所需的该类短行程数量进行组合，得到每类候选短行程的所有组合；具体地，根据以下公式来确定构建候选工况中所需的每一类短行程数量n′(M)，然后对每一类选取n′(M)个短行程进行组合；

上式中，round()为取整运算，N′(M)为第M类短行程中相关系数在0.96以上的短行程个数，

为第M类短行程中相关系数在0.96以上的短行程时间长度之和，t_dc(M)为第M类短行程组合预期持续时间长度，

上式中，t_sdd(M)为第M类短行程组合的总时间长度，t_overall为所有短行程总时间长度，T_p为设定的预期城市坡道行驶工况持续时间长度；

(S73)将每一类短行程组合中时间长度与t_dc(M)的偏差不大于5％t_dc(M)的组合作为候选组合；

(S74)从不同类的短行程候选组合中分别顺序各取一组进行排列，按照组别进行首尾衔接构成一个工况；遍历各类短行程候选组合，重复该操作得到所有工况；

(S75)选取前后短行程在衔接处坡角之差绝对值不大于0.5°的工况作为候选工况，候选工况包括速度-时间曲线及其对应的坡角-时间曲线；

(S76)将平均相对误差最小的候选工况作为城市坡道行驶工况。

短行程特征参数包括与速度相关的特征参数、与加速度相关的特征参数、与坡角相关的特征参数。特征参数选取如表1所示，共20个。

表1短行程特征参数

/>

各特征参数值计算如下：

①特征参数值v_m、v_mr、v_max、v_std、v_stdr：

其中，k′为该短行程采样点的总数，v_e为该短行程第e*Tsample时刻的车速，n″为该短行程运行段启始非零采样点的序号。

②特征参数值a_am、a_dm、a_max、a_min、a_std、a_stda、a_stdd：

a_max＝max{a_e},e＝1,2,...,k′-1，a_min＝min{a_e},e＝1,2,...,k′-1，

其中，a_e为该短行程第e*Tsample时刻(t_e)到第(e+1)*Tsample时刻(t_e+1)的加速度，Tsample为该短行程的采样周期，相邻两个采样点之间的时间间隔为1s，k_a′为该短行程加速度不小于0.15m/s²的采样点数，k_d′为该短行程加速度不大于-0.15m/s²的采样点数。

③特征参数值s_m、s_mup、s_mdown、s_stdup、s_stddown、s_pup、s_pdown、s_pplain：

s_pplain＝1-s_pup-s_pdown。

其中，s_e为该短行程第e*Tsample时刻坡角，k′_up为该短行程坡角不小于0.1°的采样点数，k′_down为该短行程坡角不大于-0.1°的采样点数。

每一类各短行程相关系数通过以下公式计算得到：

式中，m为特征参数的个数，

为所在类第i*个短行程的第j个特征参数值，

为所在类第i*个短行程的m个特征参数值平均值，cha_v*(j)为所在类第j个特征参数的综合特征参数值，/>

为所在类m个特征参数的综合特征参数值平均值，所在类特征参数v_max的综合特征参数值为/>

所在类特征参数a_max的综合特征参数值为/>

所在类特征参数a_min的综合特征参数值为

其余特征参数的综合特征参数值按照以下公式计算得到：

T^(i*)为所在类第i*个短行程的运行时间，n*为所在类短行程数。

通过以下公式计算各候选工况的平均相对误差E_mr：

式中，m为特征参数的个数，Δcha-v(j)为候选工况的第j个特征参数值cha-v′(j)与第j个特征参数的总特征参数值cha-v^**(j)的相对误差，

候选工况特征参数最大速度v_max的值为/>

候选工况特征参数最大加速度a_max的值为/>

候选工况特征参数最小减速度a_min的值为/>

候选工况其余特征参数的值按照以下公式计算得到：/>

为第j个特征参数在候选工况第i'个短行程的特征参数值，T^(i’)为候选工况第i'个短行程的运行时间，n'为候选工况中短行程数；特征参数最大速度v_max的总特征参数值为/>

特征参数最大加速度a_max的总特征参数值为/>

特征参数最小减速度a_min的总特征参数值为/>

其余特征参数的总特征参数值按照以下公式计算得到：/>

为第i个短行程的第j个特征参数值，T⁽ⁱ⁾为第i个短行程的运行时间，n为所有类中短行程总数。

因此使用本发明提供的方法构建的城市坡道行驶工况，可在汽车台架性能实验和性能仿真实验中应用，将其作为汽车城市坡道行驶性能测试的基准工况。

与现有技术相比，本发明所述城市坡道行驶工况构建方法及应用具有以下有益效果：

1、本发明所述城市坡道行驶工况构建方法，首先选取含有坡道的城市道路作为试验路线，并在试验路线上进行速度、坡角信息等采集，然后对采集的数据进行预处理得到有效数据，再对有效数据进行短行程划分、并对短行程数据进行主成分分析，根据主成分分析结果进行短行程聚类分析，再根据聚类分析结果对短行程进行筛选，最后利用筛选出的短行程组合成满足要求的城市坡道行驶工况；由于将城市坡道信息包含在所构建的行驶工况中，以坡道相关参数作为短行程特征参数的一部分，从而使构建的行驶工况蕴含了城市坡道行驶特征，能够满足测试汽车在城市坡道上行驶的性能要求，填补了国内乃至国际上汽车性能指标测试和评估中城市坡道行驶工况方面的技术空白。

2、本发明所述城市坡道行驶工况构建方法构建的行驶工况同时包含车速-时间曲线和坡角-时间曲线，弥补了现有城市循环工况单纯基于车速-时间曲线不能反映城市道路坡度的不足。

3、本发明所述城市坡道行驶工况构建方法，在工况构建过程中，按照衔接处坡角-时间曲线变化平稳的要求进行短行程衔接，使构建的工况曲线能够准确反映汽车在城市坡道行驶的特征，为汽车在城市坡道上行驶的性能测试提供基准工况。

4、本发明所述城市坡道行驶工况构建方法，采用SOM神经网络识别主成分特征并自动聚类，减小了短行程聚类的误差，提高了城市坡道工况构建精度。

5、本发明所述城市坡道行驶工况构建方法，在主成分分析过程中以前p个特征值均大于1、且累计贡献率大于80％的主成分为主要主成分，再根据主要主成分得分矩阵进行聚类分析，在确保工况构建精度的同时，极大的降低了数据处理难度，进而提高了城市坡道工况构建效率。

6、本发明所构建的城市坡道行驶工况，可在汽车台架性能实验和性能仿真实验中作为汽车城市坡道行驶性能测试的基准工况；在汽车台架性能实验中，可通过加载电机模拟该工况下的车辆负载、控制驱动电机或发动机使汽车按该工况规定的车速行驶，进行城市坡道行驶性能测试；在汽车性能仿真实验中，可通过建立该工况下的车辆负载模型、并以该工况所规定的车速-时间曲线为仿真车速跟踪目标去控制驱动电机或发动机模型，进行城市坡道行驶性能仿真测试，从而实现对汽车在坡道上行驶的动力性、经济性等性能指标进行测试分析，为汽车新技术开发与评估等提供依据。

附图说明

图1为本发明城市坡道行驶工况构建方法流程示意图。

图2为本发明城市坡道行驶工况构建过程中试验路线选取流程示意图。

图3为本发明实施例中初选路线示意图。

图4为本发明实施例中交通流量调查点示意图。

图5为本发明实施例最终试验路线图。

图6为本发明实施例短行程示意图，其中(a)为短行程定义示意图，(b)为第一种短行程实例图，(c)为第二种短行程实例图。

图7为本发明城市坡道行驶工况构建过程中主成分分析流程示意图。

图8为基于SOM神经网络的短行程聚类分析流程示意图。

图9为本发明城市坡道行驶工况构建过程中行驶工况构建流程示意图。

图10为本发明实施例构建的行驶工况图，(a)为速度-时间曲线，(b)为坡角-时间曲线。

具体实施方式

以下将结合附图对本发明各实施例的技术方案进行清楚、完整的描述，显然，所描述实施例仅仅是本发明的一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所得到的所有其它实施例，都属于本发明所保护的范围。

实施例

本实施以山城重庆市区道路为例，对城市坡道行驶工况构建方法进行详细说明。

本实施例使用的城市坡道行驶工况构建方法，如图1所示，包括以下步骤：

(S1)城市坡道行驶数据采集：通过对具有坡道的城市道路调查，选取有效试验路线，并在设定试验时间内对选取的试验路线进行道路数据采集，获得车辆行驶的车速、相应行驶时间及车辆所在位置的道路坡角信息。

本步骤是对城市坡道行程的基础数据进行采集，主要是通过对具有坡道的城市道路调查，选取有效试验路线，然后驾驶车辆在有效试验路线和设定试验时间内进行数据采集。本实施例在试验汽车上装载VBOX数据采集系统和惯性测量单元，数据采集系统通过接收GPS信号，实时采集汽车的位置、车速数据，并利用惯性测量单元采集相应位置的坡角数据。试验汽车上的驾驶员以平均车流法(不急加速、不急刹、不刻意超车)驾驶汽车，采集汽车的车速和坡角数据，同时记录数据采集系统可观测到的卫星数。本实施例全程64.3km，以完整地跑完整圈有效试验路线为一个周期，每天在早高峰(7：30-9：30)和晚高峰(16：30-19：30)共5个小时的时间内完成2个周期的数据采集，在平峰时段和低峰时段(10：00-16：00)共6个小时(平峰时段占3.5个小时，低峰时段占2.5个小时)的时间内完成2个周期的数据采集，共采集14天。

有效试验路线选择的实现方法，如图2所示，包括以下分步骤：

(S11)选择初始路线：在具有地铁站或/和公交站的路段，寻找具有坡道的城市道路构成初始路线。本实施例以重庆市区交通枢纽地铁线路沿线的主干道作为初始路线。

(S12)采集数据：在初始路线上布置交通流量调查点，在交通流量调查点进行车头间距测量，同时记录该交通流量调查点所在路段的最高限速。

本分步骤中，首先以地铁站或/和公交站为节点，布置交通流量调查点。对于相邻地铁站或公交站比较远的情况，可以进一步在相邻地铁站或公交站之间的火车站、汽车站、商业区、行政区、公园或医院等布置交通流量调查点。

本实施例在以重庆市区交通枢纽地铁线路沿线的主干道初始路线上，以联络紧密的地铁站、公交站为节点，寻找具有坡道的路段构成初选路线。初选路线为：大学城-内环快速-沙坪坝地铁站-石桥铺地铁站-大坪地铁站-两路口地铁站-南坪地铁站-上新桥地铁站-朝天门广场-重庆北站-红旗河沟地铁站-观音桥地铁站-大石坝-沙坪坝地铁站，含有标记点的路线见图3所示。对于初选路线中相邻地铁站或公交站比较远的情况，考虑地铁或公交周围路段，在包括火车站、汽车站、主要商业区、行政区、公园或医院等在内的初选路线上布置交通流量调查点。同时由于重庆主城区由长江和嘉陵江分隔，汽车通过跨江来达到跨区的目的已经成为主要的出行方式，故主要跨江桥梁和沿江道路也成为调查的主要目标。

采集数据的时间分别在早晚高峰(早高峰：7：30-9：30，晚高峰：16：30-19：30)。

本实施例调查区域覆盖江北区，渝北区、沙坪坝区、渝中区、九龙坡区、南岸区等。图4所示为交通流量调查点的位置。分别在早晚高峰进行小时流量调查，并在交通流量调查点进行车头间距的测量，同时记录交通流量调查点所在路段的最高限速。

本实施例采用超声测距传感器测量试验车车尾与后车车头间距，再加上试验车身的长度，即可得到车头间距。在同一交通流量调查点测量并计算车头间距3次，取平均值作为此交通流量调查点的平均车头间距d。在测量车头间距的同时，记录此路段的最高限速。

(S13)针对各个交通流量调查点，求解速度-密度线性模型方程(见下式)，取方程根的较大值作为所调查时段中各个交通流量调查点所处路段的平均车速v。

(S14)获取交通流量调查点覆盖区域的区域平均车速：以各个交通流量调查点的平均车速的均值作为交通流量调查点覆盖区域的区域平均车速

经计算，本实施例的区域平均车速/>

为39.26km/h。

(S15)确定有效试验路线：选取平均车速v满足

的交通流量调查点作为有效试验路线的关键节点，将关键节点之间的线路连接，得到有效试验路线。

根据

求得均值/>

的置信区间，其中，σ为各个交通流量调查点平均车速的标准差，n′为交通流量调查点样本个数，z_α/2为置信度对应的标准分位数。本实施例中置信度取95％，σ＝6.14，n′＝84，z_α/2＝1.96，故/>

平均车速v的置信区间为39.26±1.31km/h。因此选取偏差在1.31km/h以内的交通流量调查点作为构成最终试验路线的关键节点。再用地图进行点与点之间的线路连接，确定最终试验路线。图5中加粗路线为最终试验路线，经过以下交通流量调查点：沙坪坝地铁站、小龙坎地铁站、马家岩地铁站、高庙村地铁站、石桥铺地铁站、歇台子地铁站、石油路地铁站、大坪地铁站、南坪地铁站、龙头寺地铁站、唐家院子地铁站、郑家院子地铁站、嘉州路地铁站、红旗河沟地铁站、人兴路与昆仑大道交口、重庆安福汽车营销有限公司、松石大道字水中学、高家花园大桥、红槽房立交快速入口、沙坪坝站西路与清溪路路口、石马河立交、庐山大道与峨眉大道南段路口、木桃路与庐山大道路口、昆仑大道与木桃路路口、梧桐路与昆仑大道路口、丁香路与梧桐路路口、渝鲁大道与丁香路路口、渝鲁大道公交站、牛角沱地铁站、牛角沱立交公交站、观音桥地铁站、嘉华大桥、朝天门长江大桥、鹅公岩大桥、海峡路商社德奥奥迪4S店、重庆嘉陵江大桥。

(S2)车辆及道路数据预处理：对采集的车辆及道路数据进行预处理，剔除异点，得到有效车辆及道路数据。

本步骤首先对数据进行筛选，然后采用移动平均滤波的方法对筛选后的数据进行平滑滤波处理得到剔除异点后的有效数据。该步骤包括以下分步骤：

(S21)数据筛选，首先从原始数据中根据GPS时间数据，按1Hz的频率选取数据，然后将数据中的可观测卫星数小于7颗、或车速大于80km/h、或坡角绝对值大于8°的相关数据删掉。采集的每组数据包括车辆行驶的车速、坡角及对应时间。

(S22)数据平滑滤波，先对每组中的数据依次按照公式(2)-(5)进行跨度为4、2、5、3的中心移动平均处理，再按照公式(6)做移动平均处理。其中，median(X)为中位数函数，X*＝{X_k},k＝1,2,...,L为数据序列，可表示为一个向量，当向量维数为奇数时，取中间元素值；当向量维数为偶数时，取中间两个元素的平均值，Z代表数据处理过程中得到的中间变量序列，N为有效数据个数。

/>

然后将公式(6)所得数据

按照公式(7)得到相应的残差D_k，再对所得残差D_k依次按照公式(2)-(5)进行跨度为4、2、5、3的中心移动平均处理，再次按照公式(6)做移动平均处理得到/>

最终按照公式(8)得到平滑处理后的数据序列，即为有效车辆及道路数据。

D_k＝X_k-Z_k k＝1,2,...,L (7)

(S3)短行程划分。

本步骤对短行程划分的实现方式为：依据获得的车辆行驶车速和相应行驶时间，计算得到车辆行驶的加速度，然后依据加速度变化，将车辆行驶过程中从一个怠速开始到下一个怠速开始之间的运动行程作为一个短行程。如图6(a)所示，每个短行程均包括怠速、加速、匀速和减速四种行驶状态。

1)怠速状态：发动机或驱动电机工作且车速v＝0的行驶状态；

2)加速状态：汽车加速度a≥0.15m/s²且车速v≠0的行驶状态；

3)减速状态：汽车加速度a≤-0.15m/s²且车速v≠0的行驶状态；

4)匀速状态：汽车加速度绝对值|a|＜0.15m/s²且车速v≠0的行驶状态。

按照前述短行程的定义将预处理后的有效车辆及道路数据进行短行程划分，共划分n＝1314个短行程，每一个短行程均包含车速及其相应的道路坡角数据。同时，将所有短行程从1开始顺序编号，并计算每个短行程的时间长度。图6(b)和(c)为本实施例中的两个具体短行程。

(S4)短行程特征参数获取。

本步骤对划分后的每个短行程进行特征参数计算，特征参数包括与速度相关的特征参数、与加速度相关的特征参数、与坡角相关的特征参数。

1)特征值的选取，本实施例中表征短行程特征的参数选取如上述表1所示，共m＝20个特征参数。

2)特征参数值计算

①特征参数值v_m、v_mr、v_max、v_std、v_stdr：

v_max＝max{v_e},e＝1,2,...,k′，/>

其中，k′为该短行程采样点的总数，v_e为该短行程第e*Tsample时刻的车速，n″为该短行程运行段启始非零采样点的序号。

②特征参数值a_am、a_dm、a_max、a_min、a_std、a_stda、a_stdd：

a_max＝max{a_e},e＝1,2,...,k′-1，a_min＝min{a_e},e＝1,2,...,k′-1，

其中，a_e为该短行程第e*Tsample时刻(t_e)到第(e+1)*Tsample时刻(t_e+1)的加速度，Tsample为该短行程的采样周期，相邻两个采样点之间的时间间隔为1s，k′_a为该短行程加速度不小于0.15m/s²的采样点数，k′_d为该短行程加速度不大于-0.15m/s²的采样点数。

③特征参数值s_m、s_mup、s_mdown、s_stdup、s_stddown、s_pup、s_pdown、s_pplain：

s_pplain＝1-s_pup-s_pdown。

其中，s_e为该短行程第e*Tsample时刻坡角，k′_up为该短行程坡角不小于0.1°的采样点数，k′_down为该短行程坡角不大于-0.1°的采样点数。

按照上述计算方式，可得到本实施例所有短行程的特征参数值，限于篇幅，表2列出了部分短行程的特征参数值。

表2短行程特征参数值

(S5)主成分分析，依据步骤(S4)得到的特征参数值，采用主成分分析法进行降维处理，得到主成分及相关系数矩阵，并依据相关系数矩阵计算得到相关系数矩阵的特征值及对应的特征向量，然后将前p个特征值均大于1、且累计贡献率大于80％的主成分作为主要主成分，并利用所得特征向量构建主要主成分得分矩阵。

本实施例中以m为特征参数的个数，n为划分所得短行程个数，x_ij为第i个短行程的第j个特征参数值，i＝1,2,...,n，j＝1,2,...,m，n＝1314，m＝20。

本实施例采用的主成分分析方法，如图7所示，包括以下分步骤：

(S51)基于步骤(S4)获取的短行程特征参数，构建特征参数矩阵；

前面已经给出，x_ij为第i个短行程的第j个特征参数值，i＝1,2,...,n，j＝1,2,...,m。则由这些特征参数值构成的特征参数矩阵为：

(S52)对构建的特征参数矩阵进行标准化处理，转化为无量纲参变量；本发明采取的具体实现方式为：令

则标准化处理后的特征参数矩阵为：

(S53)利用标准化的特征参数矩阵元素构建主成分；本发明通过以下方式定义主成分C_h：

①若

满足/>

且使方差var(C₁)最大，则C₁为第一主成分；

②若

满足/>

(a₂₁,a₂₂,...,a_2m)与(a₁₁,a₁₂,...,a_1m)垂直且使方差var(C₂)最大，则C₂为第二主成分；

③若

满足/>

(a₃₁,a₃₂,...,a_3m)与(a₂₁,a₂₂,...,a_2m)、(a₁₁,a₁₂,...,a_1m)均垂直且使方差var(C₃)最大，则C₃为第三主成分；

④同理，得到第四、五、六等主成分，最多m个。

(S54)计算各主成分之间的相关系数矩阵；根据以下公式计算得到各主成分之间的相关系数矩阵：

式中，

和/>

分别为公式(10)所示特征参数矩阵中第i行第u列和第i行第o列的元素，/>

和/>

分别为特征参数矩阵中第u列和第o列的元素的均值。

(S55)获取相关系数矩阵的特征值，与特征值对应的特征向量、贡献率和累计贡献率，以前p个特征值均大于1、且累计贡献率大于80％的主成分为主要主成分。

本发明首先通过解特征方程|λ-R|＝0，得到相关系数矩阵R的m个非负特征值λ_h(h＝1，2，…，m)，并使其按大小顺序排列，即λ₁＞λ₂＞…＞λ_m≥0。然后对每个λ_h解方程组Rl_h＝λ_hl_h，分别求出特征值对应的特征向量l_h，l_hj为特征向量l_h的j个分量，j＝1,2,...,m。

然后按照以下公式计算各个主成分C_h的贡献率

将各主成分按其贡献率降序排列，并按照以下公式计算前p个主成分的累计贡献率ψ_p：

将前p个特征值均大于1、且累计贡献率大于80％的主成分为主要主成分。

(S56)利用所得特征向量及特征参数矩阵元素构建主要主成分得分矩阵，并将其进行归一化处理。

利用特征值对应的特征向量l_hj(h＝1,2,...,p；j＝1,2,...,m)构建主要主成分得分表达式，如下：

从而得到主要主成分得分矩阵：

式中，F_j＝[f_1j,f_2j,…,f_nj]′,j＝1,2,...,p。

为了便于后续操作，进一步将主要主成分得分矩阵归一化到[0,1]区间，得到的归一化矩阵为：

式中，

max(F_j)为F_j中元素的最大值，min(F_j)为F_j中元素的最小值。

表3是各主成分的贡献率以及累积贡献率。由表3可以确定本实施例前5个特征值均大于1、且累计贡献率大于80％的主成分为主要主成分，即本实施例主要主成分个数为5，选择前5个主成分作为主要主成分，表4为各短行程的主要主成分得分，并对主要主成分得分进行[0,1]区间归一化处理，归一化后的主要主成分得分见表4。

表3各主成分贡献率和累积贡献率

表4主要主成分得分

(S6)短行程聚类：根据主要主成分得分矩阵，进行短行程聚类分析。

本步骤依据得到的归一化后的主要主成分得分矩阵采用SOM神经网络对短行程进行聚类。根据不同的需求，可以将短行程分为若干类别，然后根据归一化后的主要主成分得分矩阵，利用SOM神经网络进行短行程聚类分析。

本实施例通过SOM神经网络对短行程进行聚类分析，聚类为两类：第一类为拥挤行驶工况，汽车被交通流所限制，加减速受到限制，平均速度和最大速度相对第二类工况较小；第二类为顺畅行驶工况，交通流较顺畅，加减速相对自由，平均速度和最大速度相对第一类工况较大。如图8所示，该聚类分析具体步骤如下：

(S61)初始化SOM神经网络模型，本实施例有5个主要主成分，并划分为两类，因此确定输入层神经元个数为5、输出层神经元个数为2、相邻两轮达到最大学习次数时各类短行程个数差的绝对值阈值Δn_end＝10(后简称短行程个数差绝对值阈值)、以及退出学习过程所需连续满足短行程个数差绝对值阈值条件的次数K_end＝4；对5个输入神经元到输出神经元的连接权值赋予[0,1]区间的随机初始值ω_JM,(J＝1,2,...,5；M＝1,2)；在(0,1]区间内确定学习率初值η(0)，本实施例中取η(0)＝1；确定邻域强度初值N(0)＝3；设置每一轮学习的最大学习次数初值T₁＝300，最大学习次数上限T_max＝10000，最大学习次数步长T_step＝300；

(S62)令学习轮数控制变量r＝1；令每轮学习次数控制变量t＝0；令短行程编号控制变量K＝1；

(S63)将F_K ^*＝[f_K1 ^*,f_K2 ^*,…,f_K5 ^*]输入到SOM神经网络模型中，按下式分别计算输入向量F_K ^*＝[f_K1 ^*,f_K2 ^*,…,f_K5 ^*]与输出层神各经元M之间的距离：

(S64)寻找获胜神经元，选择与输入向量距离最小的输出层神经元w作为获胜神经元(即d_Kw＝min(d_KM))；

(S65)调整权值，取邻域强度

其中round为取整运算，T_r为第r轮学习的最大学习次数；按公式(18)调整获胜神经元及其邻域强度为N_w(t)的邻域内包含的神经元在第t+1次学习过程中的权系数；并对所有权值ω_JM(t+1)进行归一化处理；

其中，学习率η(t)＝η(0)*(1-t/T_r)。

(S66)令K增加1后判断K是否满足以下关系：

若K>n(n为步骤(S3)所划分的短行程个数，这里n＝1314)，则转入下一步，否则返回步骤(S63)；

(S67)判断学习次数控制变量t是否满足以下关系：

若t＜T_r-1，则

令t增加1，K＝1，返回步骤(S63)；

否则，统计第r轮学习后的第一类短行程个数n₁(r)和第二类短行程个数n₂(r)；

然后令r增加1，并判断所得值与K_end+1的关系，若大于K_end+1，则定义参数P，若对于P＝1,2,…,K_end，均满足以下条件：

|n₁(r-P)-n₁(r-P-1)|≤Δn_end且|n₂(r-P)-n₂(r-P-1)|≤Δn_end (19)，

则结束学习，输出T_r-1及聚类结果；

否则，在第r轮学习的最大学习次数基础上增加T_step，并判断所得值(即第r+1轮学习的最大学习次数)与T_max的关系，若大于T_max，则结束学习，输出T_r-1及聚类结果；若不大于T_max，则令t＝0，K＝1，返回步骤(S63)，进行第r+1轮学习。

通过SOM神经网络聚类分析，使得特征参数值相近的短行程聚合到同一类中，聚类结果见表5所示。

表5归一化后的主成分得分及聚类情况

表中的聚类类别“1”代表“拥挤行驶工况”，“2”代表“顺畅行驶工况”。

综合特征参数与相关系数计算：

(1)每一类的各特征参数的综合特征参数值

聚类分析结束后，需要进一步对表征第一类和第二类短行程的综合特征参数进行计算。对每类短行程的任一特征参数而言，其综合特征参数值cha_v*是指该类所有短行程中该特征参数值的统计量，用于反映该类短行程的交通特征。第一类与第二类短行程的综合特征参数值计算方法相同。

对于任一类短行程，设

分别为v_max、a_max、a_min的综合特征参数值，三者的计算方法类似，分别按式(20)、式(21)和式(22)进行计算。

式中，

为所在类第i*个短行程的v_max，/>

为所在类第i*个短行程的a_max，/>

为所在类第i*个短行程的a_min，n*为所在类短行程数。

其余各特征参数的综合特征参数值按照以下公式计算得到：

式中，

为所在类第i*个短行程的第j个特征参数值，T^(i*)为所在类第i*个短行程的运行时间。

例如，平均速度的综合特征参数值

计算公式为：/>

(2)第j个特征参数的总特征参数值

总特征参数值cha_v^**(j)针对所有短行程(包括第一类和第二类短行程)进行统计计算，计算方法与前述各类短行程综合特征参数值的计算方法相同。

v_max、a_max、a_min的总特征参数值分别按以下各公式计算

其余特征参数的总特征参数值按下式计算

式中，

为第i个短行程的第j个特征参数值，T⁽ⁱ⁾为第i个短行程的运行时间，n为所有类中短行程总数。

(3)各短行程相关系数计算

短行程的相关系数是指该短行程的特征参数值与其所属类短行程综合特征参数值的相关系数，由各短行程的特征参数值cha_v^(i*)及其所属类短行程的综合特征参数值cha_v*(j)，可根据以下公式(28)计算得到：

式中，m为特征参数的个数，

为所在类第i*个短行程的第j个特征参数值，

为所在类第i*个短行程的m个特征参数值平均值，cha_v*(j)为所在类第j个综合特征参数值(由前面给出的公式计算得到)，/>

为所在类m个综合特征参数值平均值。

本实施例计算得的短行程综合特征参数值及总特征参数值见表6所示。

表6短行程综合特征参数值及总特征参数值

/>

本实施例计算得的第一类短行程相关系数和第二类短行程相关系数见表7所示。

表7第一、二类短行程相关系数

(S7)城市坡道行驶工况构建，本步骤是依据聚类结果，将属于不同类的短行程进行组合，选取前后短行程在衔接处坡角之差绝对值不大于0.5°的工况作为候选工况，并以候选工况中平均相对误差最小的的候选工况作为城市坡道行驶工况。该步骤的具体实现方式，见图9所示，包括以下分步骤：

(S71)将聚类所得每一类短行程按其相关系数由大到小排列，选择短行程相关系数≥0.96的短行程作为候选短行程。

(S72)在每一类候选短行程中，按构建候选工况中所需的该类短行程数量进行组合，得到每类候选短行程的所有组合；具体地，根据公式(29)来确定构建候选工况中所需的每一类短行程数量n′(M)，然后对每一类选取n′(M)个短行程进行组合；

上式中，round()为取整运算，N′(M)为第M类短行程中相关系数在0.96以上的短行程个数，

为第M类短行程中相关系数在0.96以上的短行程时间长度和，t_dc(M)为第M类短行程组合预期持续时间长度。

上式中，t_sdd(M)为第M类短行程组合的总时间长度，t_overall为所有短行程总时间长度，T_p为设定的预期城市坡道行驶工况持续时间长度。

本实施例中，参考国外典型行驶工况的持续时间，预取行驶工况持续时间长度T_p为1300s，计算每类短行程的总时间长度t_sdd(M)，再按式(30)计算待构建工况中该类短行程预期持续时间长度t_dc(M)。经计算可得t_sdd(1)＝38693s，t_sdd(2)＝96732s，t_dc(1)＝376s，t_dc(2)＝924s。

再根据公式(29)计算得的每类短行程组合中短行程数量n′(M)，n′(1)＝4，n′(2)＝3。

(S73)针对两类短行程，分别计算每一类的各短行程组合的时间长度，并与该类短行程组合预期持续时间长度t_dc(M)比较，选取偏差不大于5％t_dc(M)的组合作为候选组合。本实施例中，第一类短行程组合的时间长度偏差不大于19s，第二类短行程组合的时间长度偏差不大于45s。

(S74)从两类短行程候选组合中分别顺序各取一组，按照组别进行首尾衔接构成一个工况；遍历两类短行程候选组合，重复该操作得到所有工况。

本实施例中是按照第一类短行程组合在前，第二类短行程组合在后的顺序将不同类的候选组合进行首尾衔接构成一个工况。

(S75)选取前后短行程在衔接处坡角之差(即前一短行程的最后一个采样点的坡角与后一短行程的第一个采样点的坡角之差)绝对值不大于0.5°的工况作为候选工况，候选工况包括速度-时间曲线及其对应的坡角-时间曲线。

(S76)将平均相对误差最小的候选工况作为城市坡道行驶工况。

通过以下公式计算各候选工况的平均相对误差E_mr：

式中，m为特征参数的个数，Δcha_v(j)为候选工况的第j个特征参数值cha-v′(j)与第j个特征参数的总特征参数值cha_v^**(j)的相对误差，

候选工况特征参数最大速度v_max的值为/>

候选工况特征参数最大加速度a_max的值为/>

候选工况特征参数最小减速度a_min的值为/>

候选工况其余特征参数的值按照以下公式计算得到：/>

为第j个特征参数在候选工况第i'个短行程的特征参数值，T^(i’)为候选工况第i'个短行程的运行时间，n'为候选工况中短行程数。

表8列出了部分候选工况短行程组合及平均相对误差。

表8候选工况短行程组合及平均相对误差

本实施例部分候选工况短行程组合及对应的平均相对误差见表8所示。表8中序号为81158的候选工况平均相对误差最小，故将其作为本实施例城市坡道行驶工况。

通过上述过程得的城市坡道行驶工况如图10所示，其中图10(a)为车速-时间曲线，图10(b)为坡角-时间曲线。

使用本发明所述方法构建的城市坡道行驶工况，可在汽车台架性能实验和性能仿真实验中作为汽车城市坡道行驶性能测试的基准工况。具体地，在汽车台架性能实验中，可通过加载电机模拟该工况下的车辆负载、控制驱动电机或发动机使汽车按该工况规定的车速行驶，进行城市坡道行驶性能测试；在汽车性能仿真实验中，可通过建立该工况下的车辆负载模型、并以该工况所规定的车速-时间曲线为仿真车速跟踪目标去控制驱动电机或发动机模型，进行城市坡道行驶性能仿真测试。通过上述方式可对汽车在坡道上行驶的动力性、经济性等性能指标进行测试分析，为汽车新技术开发与评估等提供依据。

Claims (8)

1.一种城市坡道行驶工况构建方法，其特征在于包括以下步骤：

(S1)城市坡道行驶数据采集：通过对具有坡道的城市道路调查，选取有效试验路线，并在设定试验时间内对所选取的有效试验路线进行车辆及道路数据采集，所述车辆及道路数据包括车辆行驶的车速、相应行驶时间及车辆所在位置的道路坡角信息；

所述通过对具有坡道的城市道路调查，选取有效试验路线的实现方式包括以下分步骤：

(S11)选择初始路线：在具有地铁站或/和公交站的路段，寻找具有坡道的城市道路构成初始路线；

(S12)采集数据：在初始路线上布置交通流量调查点，在交通流量调查点进行车头间距测量，同时记录该交通流量调查点所在路段的最高限速；

(S13)获取各个交通流量调查点所处路段的平均车速；

(S14)获取交通流量调查点覆盖区域的区域平均车速：以各个交通流量调查点的平均车速的均值作为交通流量调查点覆盖区域的区域平均车速

(S15)确定有效试验路线：选取平均车速v满足

的交通流量调查点作为有效试验路线的关键节点，将关键节点之间的线路连接，得到有效试验路线；z_α/2为置信度对应的标准分位数，σ为各个交通流量调查点平均车速的标准差，n′为交通流量调查点样本个数；

(S2)车辆及道路数据预处理：对步骤(S1)采集的车辆及道路数据进行筛选并剔除异点，得到有效车辆及道路数据；

(S3)短行程划分：将车辆行驶过程中从一个怠速状态开始到下一个怠速状态开始之间的运动行程作为一个短行程，所述怠速状态为发动机或驱动电机工作且车速为0的行驶状态，按照前述短行程的定义将步骤(S2)得到的有效车辆及道路数据进行短行程划分；

(S4)短行程特征参数获取：对步骤(S3)划分后的每个短行程进行特征参数计算，特征参数包括与速度相关的特征参数、与加速度相关的特征参数、与坡角相关的特征参数；

(S5)主成分分析：依据步骤(S4)得到的短行程特征参数值，采用主成分分析法构建主要主成分得分矩阵，并对其进行归一化处理；

(S6)短行程聚类：根据步骤(S5)归一化后的主要主成分得分矩阵，对短行程进行聚类；

(S7)城市坡道行驶工况构建：依据步骤(S6)得到的短行程聚类结果，将属于不同类的短行程进行组合，组合后的前后短行程在衔接处坡角之差的绝对值不大于0.5°的工况作为候选工况，并以平均相对误差最小的候选工况作为城市坡道行驶工况。

2.根据权利要求1所述城市坡道行驶工况构建方法，其特征在于分步骤(S12)中，以地铁站或/和公交站为节点，布置交通流量调查点。

3.根据权利要求1所述城市坡道行驶工况构建方法，其特征在于分步骤(S12)中，对于相邻地铁站或公交站比较远的情况，在相邻地铁站或公交站之间的火车站、汽车站、商业区、行政区、公园或医院布置交通流量调查点。

4.根据权利要求1所述城市坡道行驶工况构建方法，其特征在于步骤(S3)中，短行程划分的方式为：依据获得的车辆行驶车速和相应行驶时间，计算得到车辆行驶的加速度，然后依据加速度变化，将车辆行驶过程中从一个怠速开始到下一个怠速开始之间的运动行程作为一个短行程，每个短行程均包括怠速、加速、匀速和减速四种行驶状态。

5.根据权利要求4所述城市坡道行驶工况构建方法，其特征在于步骤(S5)包括以下分步骤：

(S51)基于步骤(S4)获取的短行程特征参数，构建特征参数矩阵；

(S52)对构建的特征参数矩阵进行标准化处理，转化为无量纲参变量；

(S53)利用标准化的特征参数矩阵元素构建主成分；

(S54)计算各主成分之间的相关系数矩阵；

(S55)获取相关系数矩阵的特征值，与特征值对应的特征向量、贡献率和累计贡献率，以前p个特征值均大于1、且累计贡献率大于80％的主成分为主要主成分；

(S56)利用所得特征向量及特征参数矩阵元素构建主要主成分得分矩阵，并将其进行归一化处理。

6.根据权利要求5所述城市坡道行驶工况构建方法，其特征在于步骤(S6)中的短行程聚类根据归一化后的主要主成分得分矩阵，采用SOM神经网络进行聚类分析。

7.根据权利要求1至6任一权利要求所述城市坡道行驶工况构建方法，其特征在于步骤(S7)包括以下分步骤：

(S71)将聚类所得每一类短行程按其相关系数由大到小排列，选择短行程相关系数≥0.96的短行程作为候选短行程；

(S72)在每一类候选短行程中，按构建候选工况中所需的该类短行程数量进行组合，得到每类候选短行程的所有组合；具体地，根据以下公式来确定构建候选工况中所需的每一类短行程数量n′(M)，然后对每一类选取n′(M)个短行程进行组合；

上式中，round()为取整运算，N′(M)为第M类短行程中相关系数在0.96以上的短行程个数，

为第M类短行程中相关系数在0.96以上的短行程时间长度和，t_dc(M)为第M类短行程组合预期持续时间长度，

上式中，t_sdd(M)为第M类短行程组合的总时间长度，t_overall为所有短行程总时间长度，T_p为设定的预期城市坡道行驶工况持续时间长度；

(S73)将每一类短行程组合中时间长度与t_dc(M)的偏差不大于5％t_dc(M)的组合作为候选组合；

(S74)从不同类的短行程候选组合中分别顺序各取一组进行排列，按照组别进行首尾衔接构成一个工况；遍历各类短行程候选组合，重复该操作得到所有工况；

(S75)选取前后短行程在衔接处坡角之差的绝对值不大于0.5°的工况作为候选工况，候选工况包括速度-时间曲线及其对应的坡角-时间曲线；

(S76)将平均相对误差最小的候选工况作为城市坡道行驶工况。

8.权利要求1至7任一权利要求所述城市坡道行驶工况构建方法构建的城市坡道行驶工况在汽车台架性能实验和性能仿真实验中的应用。

Images