CN114943403A - 一种基于大数据的公交驾驶员生态驾驶评价系统及方法 - Google Patents
一种基于大数据的公交驾驶员生态驾驶评价系统及方法 Download PDFInfo
- Publication number
- CN114943403A CN114943403A CN202210314716.3A CN202210314716A CN114943403A CN 114943403 A CN114943403 A CN 114943403A CN 202210314716 A CN202210314716 A CN 202210314716A CN 114943403 A CN114943403 A CN 114943403A
- Authority
- CN
- China
- Prior art keywords
- micro
- data
- long
- bus
- travel
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06395—Quality analysis or management
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06398—Performance of employee with respect to a job function
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/80—Technologies aiming to reduce greenhouse gasses emissions common to all road transportation technologies
- Y02T10/84—Data processing systems or methods, management, administration
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Development Economics (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Educational Administration (AREA)
- Operations Research (AREA)
- Marketing (AREA)
- Game Theory and Decision Science (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种基于大数据的公交驾驶员生态驾驶评价系统,包括:数据预处理模块,其能够基于匹配结果划分长行程和微行程;质量估算模块,其接收所述数据预处理模块传递的信息,并对微行程的车辆质量进行估算,对长行程进行质量等级划分;工况识别分类模块,其接收所述数据预处理模块传递的信息,用于确定微行程的交通类别和长行程的交通状况划分结果;评分模块,其接收并输入所述质量估算模块以及所述工况识别分类模块的量化结果,建立能耗与驾驶员水平的对应关系,对驾驶员的生态驾驶水平进行评价。该系统采用评分的方式对公交车司机的生态驾驶水平做出评价。本发明还提供一种基于大数据的公交驾驶员生态驾驶评价方法。
Description
技术领域
本发明涉及一种基于大数据的公交驾驶员生态驾驶评价系统及方法,属于驾驶行为评价技术领域。
背景技术
交通运输行业是能源消耗大户,巨大的能源消耗也带来了大量二氧化碳等温室气体的排放。为尽早实现碳达峰和碳中和的“双碳”目标,必须要推动交通运输业绿色转型。但是受限于几乎达到节油潜力极限的传统节油技术、城市拥堵状态短期内难以改观以及较慢的电动汽车市场渗透率,生态驾驶成为一种在短时期内可以减少车辆能耗的好方法。
生态驾驶是指从驾驶员自身出发,改变不良驾驶行为,养成节能驾驶习惯。相关研究表明,不同驾驶员的驾驶行为习惯所造成的能耗差异最高可达32%。生态驾驶可以减少车辆能耗和二氧化碳排放,但是生态驾驶的衰退特性也使得起需要持续的反馈。研究指出,除非人们可以及时看到自身行为所带来的有益后果,否则很难随时间的推移保持这种行为,因此通过将公平合理的驾驶行为生态性评价结反馈给驾驶员,有助于生态驾驶行为的长期保持。同时,对于公交公司而言,为激励驾驶员节能驾驶以减少其能源成本,通常设立经济激励制度。但是这种制度所面临的最大问题是,如何公平合理的评价驾驶员生态驾驶水平,因此,建立一套面向公交营运公司驾驶员的生态驾驶评估方法具有重要意义。
目前的一些研究主要是基于驾驶事件或特征指标来对驾驶员进行生态驾驶评价,却忽略了对驾驶过程的深入分析,因为例如交通、天气等与驾驶行为无关的外界因素都影响着驾驶事件或特征指标。如果采用传统的生态评估方法,一个节能水平较高的驾驶员,是有可能在拥堵的交通环境中由于频繁加速或减速而获得较低的生态评分。除此之外,传统评估方法需要过多的专家经验,这就增加了评价结果的主观性。
发明内容
本发明设计开发了一种基于大数据的公交驾驶员生态驾驶评价系统,该系统综合考虑了车重变化、道路交通状况以及天气对公交车能耗的影响,采用评分的方式对公交车司机的生态驾驶水平做出评价。
本发明还设计开发了一种基于大数据的公交驾驶员生态驾驶评价方法,利用公交车的运营特征,建立了能耗与驾驶员生态驾驶水平之间的对应关系,将驾驶行为生态性评价总结反馈给驾驶员。
本发明提供的技术方案为:
一种基于大数据的公交驾驶员生态驾驶评价系统,包括:
数据预处理模块,其用于对公交车大数据进行数据清洗和数据补全,并对公交车运营路线进行地图匹配,进而基于匹配结果划分长行程和微行程;
质量估算模块,其接收所述数据预处理模块传递的信息,并对微行程的车辆质量进行估算,对长行程进行质量等级划分;
工况识别分类模块,其接收所述数据预处理模块传递的信息,用于确定微行程的交通类别和长行程的交通状况划分结果;
评分模块,其接收并输入所述质量估算模块以及所述工况识别分类模块的量化结果,建立能耗与驾驶员水平的对应关系,对驾驶员的生态驾驶水平进行评价。
优选的是,其特征在于,
所述数据预处理模块包括:数据清洗部分、数据补全部分、地图匹配部分以及行程划分部分;
所述质量估算模块包括:微行程质量估算部分与长行程质量等级划分部分;
所述工况识别分类模块包括:历史数据聚类分析部分与长行程交通状况划分部分。
优选的是,使用所述的基于大数据的公交驾驶员生态驾驶评价系统,包括:
步骤一、获取公交车的原始运营数据,通过数据预处理模块得到微行程和长行程;
步骤二、基于数据预处理结果输出的微行程和长行程,在质量估算模块中估算微行程质量,并划分长行程的质量等级;
步骤三、在工况识别分类模块中输出微行程的交通类别,并进行长行程交通状况的划分;
步骤四、将长行程的质量等级和长行程交通状况划分结果按照分组原则进行分组,利用公交车大数据中的能耗,在每组内对驾驶员生态驾驶水平进行评分,评分公式为:
式中,i为温度、车重等级、交通类别相同的情况,j为i中的任意公交车长行程,xij为i中任意公交车长行程j的单位里程能耗,Soreij表示该长行程的生态驾驶水平得分。
优选的是,所述步骤一包括:
对采样点速度值超过车辆设计最高时速以及采样点经纬度值异常的异常数据进行处理:
对采样点数据字段空缺以及采样点数据丢失这两种数据缺陷进行数据补齐;
进行地图匹配,确定公交车站点的实际经纬度坐标值,根据日期以及公交车辆的充电状态划分出长行程,通过比较数据段中采样点坐标与实际站点坐标之间的空间距离,将数据集划分为相邻站点之间的微行程,包括:
通过查询地图并结合数据集获得各个站点对应的经纬度数值。
优选的是,所述数据段中采样点坐标与实际站点坐标之间的空间距离的计算方法包括:
设定经纬度坐标为XA(LongA,LatA)和XB(LongB,LatB),两坐标之间的空间距离可通过距离公式计算:
式中,Lx为A、B两点沿东西方向上的距离,Ly为A、B两点沿南北方向上的距离,rad为弧度单位,值为180/π;R为地球半径,值为6371004m;
计算出数据集中采样点坐标与实际站点坐标之间的空间距离,将距离最小的采样点认定为相邻站点之间数据段的分界点,目标函数为:
Lj=min[Distance(Xi,X′j)],i=1,2,...,N.j=1,2,...,M;
式中:Xi为数据集中采样点的经纬度坐标;X′j为提取的站点经纬度坐标;N为数据集的采样量;M为公交车站点的数量;
若存在路段重合,则在计算距离时引入带惩罚项的目标函数:
Lj=min[Distance(Xi,Xj′)+α|Si-S1-β|],i=1,2,...,N.j=8,9;
式中:α为惩罚系数;Si为各采样点的累计里程;β为起始点至各采样点的平均行驶距离;
计算出目标函数的最优解即为相邻站点之间数据段的分界点,便可将数据集划分为相邻站点之间的微行程;划分之后的微行程可分为有效微行程和不良微行程;
其中,不良微行程的标准为:数据段内部出现连续的采样点数据空缺或丢失的情况且无法进行缺失数据补全。
优选的是,各个所述采样点与公交站点的最小空间距离小于等于65m。
优选的是,所述步骤二中,所述质量估算模块对微行程质量进行估算,包括:
基于公交车大数据,通过功率平衡得到公交车质量,采用纯电动公交车,通过功率平衡得到公交车质量,
式中,T为电机转矩,n为电机转速,ua为车速,由公交车大数据获取,ηT为传动系的机械效率,f为滚动阻力系数,CD为空气阻力系数,A为迎风面积,δ为旋转质量换算系数;
加速度a的公式为:
式中,i为采集到的第i个点,vi为第i个点对应的速度,ai为第i个点对应的加速度,Δt=ti-ti-1,Δt为第i个点与第i-1个点之间的时间间隔。
优选的是,所述步骤二中,所述通过长行程质量等级划分为四级包括:
一级为长行程平均质量最小,多数微行程载客量情况为空载;
二级为多数微行程质量不是空载,载客量较少;
三级为微行程载客量较多,但是没有达到满载;
四级为长行程平均质量最大,多数微行程载客量为满载,对应高峰时段的载客量状况。
优选的是,所述步骤三包括:
通过K-means聚类将具有相似特征的微行程归为一类,每一类特征参数的平均值代表对应工况的参数特征,将交通类别定义为:通畅、正常、拥堵;
长行程的交通状况划分定义为微行程不同交通类别的占比,包括:
式中,num1表示通畅微行程的个数,Num表示长行程中所含微行程的总数,k1表示通畅微行程占微行程总数的比例;
式中,num2表示通畅微行程的个数,Num表示长行程中所含微行程的总数,k2表示正常微行程占微行程总数的比例;
式中,num3表示通畅微行程的个数,Num表示长行程中所含微行程的总数,k3表示通畅微行程占微行程总数的比例,且
num1+num2+num3=Num,k1+k2+k3=100%;
得到每个长行程k1、k2、k3的数值,作为对长行程交通状况的描述以及分组标准之一;
其中,长行程交通状况通过k1、k2、k3的数值进行描述,不同长行程按照k1、k2、k3的数值不超过4%判别为同一种交通状况。
优选的是,所述步骤四中的分组原则为:
同一组中车重等级相同,表示车重对能耗的影响程度近似相同;
每组中交通状况划分结果为近似相同时,则按照长行程中k1,k2,k3相差4%进行判别,同时,所述评分模块对每组温度进行统一,将温度划分为5个区间,分别为-10℃以下、-10℃~-1℃、0℃~12℃、13℃~26℃、26℃以上,在每组中温度区间保持一致,在相同温度区间内视为温度对能耗的影响程度相同;
评分模块输出以长行程为单位的驾驶员经济驾驶评分,同时记录长行程的起止时间、起止SOC,完成对驾驶员的生态驾驶评价。
本发明所述的有益效果:
1、本发明所述的一种基于大数据的公交驾驶员生态驾驶评价系统,其数据预处理模块以相邻站点划分微行程,有效利用了公交车的运营特征;
2、本发明所述的一种基于大数据的公交驾驶员生态驾驶评价系统,其工况识别分类模块通过聚类分析划分了道路交通状况,量化了产生能耗差异的道路因素;
3、本发明所述的一种基于大数据的公交驾驶员生态驾驶评价系统,其评分模块利用了控制变量的思想,综合考虑了车重以及道路条件对能耗的影响,建立了能耗与驾驶员生态驾驶水平之间的对应关系;
4、本发明所述的一种基于大数据的公交驾驶员生态驾驶评价系统,可反馈给公交公司和驾驶员,帮助公交公司建立合理的奖惩机制并促使驾驶员提高生态驾驶水平,降低公交车能耗以及公交公司运营成本。
附图说明
图1为本发明所述的公交车驾驶员生态驾驶评分系统的示意图。
图2为本发明所述的长行程与微行程划分流程图。
图3为本发明所述的杠杆法示意图。
图4为本发明经数据预处理模块处理后的车速曲线对比图。
图5为本发明所述的质量估算模块流程图。
图6为本发明所述的聚类效果图1。
图7为本发明所述的聚类效果图2。
图8为本发明所述的公交车驾驶员生态驾驶评分示例图。
具体实施方式
下面结合附图对本发明做进一步的详细说明,以令本领域技术人员参照说明书文字能够据以实施。
如图1-8所示,本发明提供一种基于大数据的公交驾驶员生态驾驶评价系统,该系统综合考虑了车重变化、道路交通状况以及天气对公交车能耗的影响,建立能耗与驾驶员生态驾驶水平的对应关系,采用评分的方式对公交车司机的生态驾驶水平做出评价。该系统首先对公交车大数据进行数据预处理,划分公交车长行程与微行程。在微行程中,利用质量计算公式估算公交车质量,同时建立工况识别分类定义微行程交通类别。基于微行程的质量估算结果以及交通类别定义,划分长行程的车辆质量等级以及交通状况。该系统基于控制变量的方法,控制除驾驶员以外的因素对能耗的影响近似相同。由于公交车运行里程的差异,将单位里程能耗代入生态驾驶评分公式计算驾驶员得分,实现评价公交车司机生态驾驶的目的。
如图1所示,基于大数据的公交驾驶员生态驾驶评价系统包括:数据预处理模块、质量估算模块、工况识别分类模块以及评分模块其中,质量估算模块基于质量计算公式对微行程的车辆质量进行估算,不同微行程之间的车辆质量差异体现公交车运营过程中的载客量变化;工况识别分类模块对微行程的交通类别进行定义,交通类别即表征道路的拥堵程度。质量估算模块以及工况识别分类模块输出的结果将输入评分模块,在此模块中建立能耗与驾驶员生态驾驶水平的对应关系,实现对驾驶员的生态驾驶水平的评价。
数据预处理模块包括:数据清洗、数据补全、地图匹配以及行程划分。数据预处理模块解决由于外界环境的干扰与波动带来的噪声,提取公交车运营期间的有效数据,并将数据划分为行程片段;其中,数据清洗、数据补全、地图匹配以及行程部分可能根据需要穿插进行。
数据清洗部分用于删除异常数据值,异常值指超出公交车最高时速的车速异常值与偏离公交车正常运营路线的经纬度异常值;其中,超出公交车最高时速的车速异常值替换为公交车最高时速;偏离公交车正常运营路线的经纬度异常值直接进行删除,删除指删除异常值所在行的所有数据字段。
数据补全部分对缺失数据以及部分缺失数据字段进行补全;缺失数据指不符合正常采样频率的数据段;其中,若出现长时间范围的数据缺失,对该缺失数据段进行删除;否则对该缺失数据段进行插值填补,插值方法可以选用线性插值、三次样条插值等。另外,部分缺失数据字段指符合正常采样频率但采集信息不完全的数据段。其中,速度以缺失前后采样点的空间距离除以采样时间差后的平均速度补齐,若缺失数据前后采样点车辆状态不相同,则以相邻采样点中车辆为熄火状态的数据补全空缺或丢失的数据;加速踏板和制动踏板状态由于两者在车辆行驶过程中一般不会同时处于受力状态,因此加速踏板和制动踏板开度通过杠杆法补全。
地图匹配部分用于识别公交车正常运营路线,排除由于公交车充电、维修保养和意外情况造成的路线偏移;其中,公交车正常运营路线指公交车由始发站至终点站,经过正常线路中所有站点的单向运行轨迹;经纬度值为主要参考值,车速为辅助参考值。由于地图软件中显示的经纬度与实际采集经纬度存在偏差,根据车长、道路车道数及宽度、站牌长度设置了合理的偏差值,在合理偏差范围内,匹配实际采样点在地图中的位置。
如图1所示,行程划分部分将公交车大数据划分为公交车长行程和微行程,其中,长行程指公交车由始发站至终点站的单向行驶片段,主要方法为确定始发站与终点站经纬度值,并提取始发站与终点站之间的所有有效数据;微行程指相邻公交站点之间的行驶片段,主要方法为确定站点经纬度,提取相邻站点之间的所有有效数据。长行程由一定数量的微行程组成,可以不考虑微行程在长行程中的排列顺序。通常情况下,公交车单次长行程可保证为同一驾驶员驾驶车辆,因此,以长行程为最小单位对驾驶员生态驾驶水平进行打分;在质量估算模块和工况识别分类模块中,以微行程为最小单位进行质量估算和交通类别定义,然后对长行程进行质量等级划分以及交通状况识别。
本发明还提供一种基于大数据的公交驾驶员生态驾驶评价方法,使用所述的基于大数据的公交驾驶员生态驾驶评价系统对驾驶员进行生态驾驶评价,包括:
步骤一、获取公交车的原始运营数据,通过数据预处理模块得到微行程和长行程;
针对采样点速度值超过车辆设计最高时速以及采样点经纬度值异常的异常数据进行处理:
针对采样点数据字段空缺以及采样点数据丢失这两种数据缺陷进行数据补齐;
进行地图匹配,确定公交车站点的实际经纬度坐标值,根据日期以及公交车辆的充电状态划分出长行程,通过比较数据段中采样点坐标与实际站点坐标之间的空间距离,将数据集划分为相邻站点之间的微行程,包括:
通过查询地图并结合数据集获得各个站点对应的经纬度数值;
数据段中采样点坐标与实际站点坐标之间的空间距离的计算方法包括:
以经纬度坐标XA(LongA,LatA)和经纬度坐标XB(LongB,LatB)为例,两坐标之间的空间距离可通过距离公式计算:
式中,Lx为A、B两点沿东西方向上的距离,Ly为A、B两点沿南北方向上的距离,rad为弧度单位,值为180/π;R为地球半径,值为6371004m;
计算出数据集中采样点坐标与实际站点坐标之间的空间距离,将距离最小的采样点认定为相邻站点之间数据段的分界点,目标函数为:
Lj=min[Distance(Xi,X′j)],i=1,2,...,N.j=1,2,...,M;
式中:Xi为数据集中采样点的经纬度坐标;X′j为提取的站点经纬度坐标;N为数据集的采样量;M公交车站点的数量;
若存在路段重合,则在计算距离时引入带惩罚项的目标函数:
Lj=min[Distance(Xi,Xj′)+α|Si-S1-β|],i=1,2,...,N.j=8,9;式中:α为惩罚系数;Si为各采样点的累计里程;β为起始点至各采样点的平均行驶距离;
计算出目标函数的最优解即为相邻站点之间数据段的分界点,便可将数据集划分为相邻站点之间的微行程;划分之后的微行程可分为有效微行程和不良微行程;
其中,不良微行程的标准为:数据段内部出现连续的采样点数据空缺或丢失的情况且无法进行缺失数据补全;各个采样点与公交站点的最小空间距离小于等于65m,不足以满足分界点识别要求;
步骤二、基于数据预处理结果输出的微行程和长行程,在质量估算模块中估算微行程质量,并划分长行程的质量等级;
基于公交车大数据,通过功率平衡得到公交车质量,质量估算模块的质量估算部分对微行程质量进行估算公交车质量,汽车功率方程式如下式:
式中,ηT表示传动系的机械效率,m代表汽车质量,f表示滚动阻力系数,ua表示车速,i表示坡度,CD为空气阻力系数,A为迎风面积,δ为旋转质量换算系数,a为加速度;
在本发明中,作为一种优选,采用纯电动公交车,功率由电机提供,则:
式中,T为电机转矩,n为电机转速。
通过功率平衡得到公交车质量,
式中,T为电机转矩、n为电机转速、ua为车速,由公交车大数据获取;ηT为传动系的机械效率、f为滚动阻力系数、CD为空气阻力系数、A为迎风面积、δ为旋转质量换算系数;
加速度a的公式为:
式中,i为采集到的第i个点,vi为第i个点对应的速度,ai为第i个点对应的加速度,Δt=ti-ti-1,Δt为第i个点与第i-1个点之间的时间间隔;
通过长行程质量等级划分为四级包括:
一级为长行程平均质量最小,多数微行程载客量情况为空载;
二级为多数微行程质量不是空载,载客量较少;
三级为微行程载客量较多,但是没有达到满载;
四级为长行程平均质量最大,多数微行程载客量为满载,对应高峰时段的载客量状况。
步骤三、在工况识别分类模块中输出微行程的交通类别,并进行长行程交通状况的划分;
通过K-means聚类将具有相似特征的微行程归为一类,每一类该典型特征参数的平均值代表该类工况的参数特征,将交通类别定义为:通畅、正常、拥堵;
长行程的交通状况划分为微行程不同交通类别的占比,包括:
式中,num1表示通畅微行程的个数,Num表示长行程中所含微行程的总数,k1表示通畅微行程占微行程总数的比例;
式中,num2表示通畅微行程的个数,Num表示长行程中所含微行程的总数,k2表示正常微行程占微行程总数的比例;
式中,num3表示通畅微行程的个数,Num表示长行程中所含微行程的总数,k3表示通畅微行程占微行程总数的比例,且
num1+num2+num3=Num,k1+k2+k3=100%;
其中,长行程交通状况通过k1、k2、k3的数值进行描述,不同长行程按照k1、k2、k3的数值不超过4%判别为同一种交通状况。
式中,i为温度、车重等级、交通类别相同的情况,j为i中的任意公交车长行程,xij为i中任意公交车长行程j的单位里程能耗,Soreij表示该长行程的生态驾驶水平得分;
分组原则为;
同一组中车重等级相同,表示车重对能耗的影响程度近似相同;
每组中交通状况划分结果为近似相同时,则按照长行程中k1,k2,k3相差4%进行判别,同时,所述评分模块对每组温度进行统一,将温度划分为5个区间,分别为-10℃以下、-10℃~-1℃、0℃~12℃、13℃~26℃、26℃以上,在每组中温度区间保持一致,在相同温度区间内视为温度对能耗的影响程度相同;
评分模块输出以长行程为单位的驾驶员经济驾驶评分,同时记录长行程的起止时间、起止SOC,完成对驾驶员的生态驾驶评价。
实施例
本实施例的数据来源于某市同一路纯电动公交车的运营数据,采集时间跨度为1年,车载终端按照15s时间间隔进行采样并将采集到的实时数据进行保存,其中数据字段包括运行的时间、车速、车辆状态、充电状态、总电压、总电流、累计里程、电池SOC、驱动电机转速、驱动电机转矩、驱动电机速度、驱动电机控制器温度、电机控制器输入电压、电机控制器直流母线电压、电机控制器直流母线电流、经纬度、加速踏板状态和制动踏板状态。
步骤一:获取公交车原始运营数据,经由数据预处理模块得到微行程与长行程;
针对数据存在的问题,在数据清洗与数据补全部分对原始数据进行了如下清洗以及补全处理:
(1)针对部分采样点速度值超过车辆设计最高时速以及采样点经纬度值异常的异常数据进行了如下处理:
①部分采样点的速度值超过车辆设计的最高时速69km/h,将这些速度异常值的数据统一改为了车辆的最高时速69km/h。
②根据经纬度坐标筛选出偏离公交车正常运营线路的数据段,对此类异常数据点进行了剔除。剔除后的数据,只含有公交车在正常运营路线的有效数据。
(2)针对大量采样点数据字段空缺以及采样点丢失的情况,从以下两种数据缺陷情况进行数据补齐:
①一个采样点出现数据空缺或丢失一个采样点:判断缺陷数据前后采样点车辆状态是否相同,若相同则利用线性插值法进行数据补齐。其中,速度以缺陷数据前后采样点的空间距离除以采样时间差后的平均速度补齐;加速踏板和制动踏板状态由于两者在车辆行驶过程中一般不会同时处于受力状态,因此加速踏板和制动踏板开度通过杠杆法补全;若缺陷数据前后采样点车辆状态不相同,则以相邻采样点中车辆为熄火状态的数据补全空缺或丢失的数据,如图3所示。
②连续多个采样点出现数据空缺或连续丢失多个采样点:判断缺陷数据段前后采样点之间经纬度的空间距离是否小于65m,若小于65m则以缺陷数据段前一个采样点相同的数据每隔15s补齐缺陷数据,其中速度值以0km/h补齐。若空间距离大于或等于65m将不进行缺陷数据补全操作。空间距离的上限选取65m的原因是通过分析原始数据集发现车辆在15s时间平均行驶距离为61.75m,考虑到GPS设备精度受环境等因素的影响,将补齐操作容许的范围扩大到65m。
在地图匹配部分确定公交车站点的实际经纬度坐标值,之后在行程划分部分根据日期以及车辆的充电状态划分出长行程,进而通过比较数据段中采样点坐标与实际站点坐标之间的空间距离,并将距离最小且不大于65m的采样点认定为微行程的分界点,将数据集划分为相邻站点之间的微行程,具体步骤如下:
(1)提取站点经纬度
通过查询地图并结合数据集获得各个站点对应的经纬度数值。
数据段中采样点坐标与实际站点坐标之间的空间距离的计算方法如下。以经纬度坐标XA(LongA,LatA)和经纬度坐标XB(LongB,LatB)为例,两坐标之间的空间距离可通过距离公式计算:
式中,Lx为A、B两点沿东西方向上的距离,Ly为A、B两点沿南北方向上的距离,rad为弧度单位,值180/π;R为地球半径,值为6371004米。
计算出数据集中采样点坐标与实际站点坐标之间的空间距离,将距离最小的采样点认定为相邻站点之间数据段的分界点。目标函数如下:
Lj=min[Distance(Xi,X′j)],i=1,2,...,N.j=1,2,...,M;
式中:Xi为数据集中采样点的经纬度坐标;X′j为提取的站点经纬度坐标;N为数据集的采样量;M公交车站点的数量;
若存在路段重合,则在计算距离时引入带惩罚项的目标函数:
Lj=min[Distance(Xi,Xj′)+α|Si-S1-β|],i=1,2,...,N.j=8,9
式中:α为惩罚系数;Si为各采样点的累计里程;β为起始点至各采样点的平均行驶距离。
计算出目标函数的最优解即为相邻站点之间数据段的分界点,便可将数据集划分为相邻站点之间的微行程,划分之后的微行程可分为有效微行程和不良微行程,不良微行程的标准为:数据段内部出现连续的采样点数据空缺或丢失的情况且无法进行缺失数据补全;各个采样点与公交站点的最小空间距离大于65m,不足以满足分界点识别要求。
步骤二:基于数据预处理结果输出的微行程与长行程,在质量估算模块中估算微行程质量以及划分长行程质量等级;
由于Δt通常在0~30s之间,因此采样点的平均加速度不一定是该点的真实加速度。除此之外,还存在不符合汽车行驶阻力方程式的采样点。因此在进行质量估算之前,还需先对采样点进行筛选。
(1)筛选所有驱动点,根据汽车行驶方程式可知,在计算质量时考虑到的行驶阻力分别为滚动阻力、空气阻力和加速阻力,纯电动车在制动时电机会进行制动能量回收,在未知车型的回收策略时,无法准确地计算再生制动时的车辆功率,因此此时制动点可以不予考虑;同时,滑行点也属于减速工况,因此也进行了排除;判断行驶状态采用的数据为加速踏板开度和制动踏板开度,其状态可由公交车大数据直接获取。
驱动点判断原则为:加速踏板开度大于0且制动踏板开度等于0时为驱动点;两个踏板开度均为0时是滑行点;加速踏板开度等于0且制动踏板开度大于0时为制动点,由此筛选出所有驱动点。
(2)筛选可能的匀加速点,根据加速度计算公式可知,计算得到的每一点的加速度实际是两个采样点之间的平均加速度,可能会存在加速度与状态不匹配的数据,如下表所示:
表1加速度与状态不匹配数据示例
如以上示例,前一采样点的速度高于后一采样点,平均加速度为负值,与驱动状态不匹配,此时需在筛选时附加条件vi>vi-1,以匹配加速度与相应状态。
(3)剔除不满足汽车行驶方程式的点,汽车发生转向、离合器分离、制动器发生制动、实际档位为空挡状态时均不满足汽车行驶方程式,方法为逐点进行质量计算,判断质量是否在理论质量范围内;由于公交车大数据采样频率低,根据以上步骤筛选出的匀加速点计算得到的质量也可能不在理论质量范围内,删除不在理论质量范围内的采样点,则认为剩余点全部为有效匀加速点,可计算得到公交车质量。
其中,判断行驶状态采用的数据是加速踏板开度和制动踏板开度,如下表所示:
表2行驶状态与踏板开度对照表
计算每个长行程的车辆平均质量,由小至大划分为以下四个等级:
表3车重等级划分表
由此完成公交车长行程车重等级划分。
步骤三:基于数据预处理结果输出的微行程与长行程,在工况识别分类模块进行长行程交通状况的划分;在工况识别分类模块的历史数据聚类分析部分,随机抽取一周的公交车运行数据作为聚类样本,每个微行程可提取如下12个特征参数:
表4特征参数表
各个参数的计算公式如下所示:
式中,n为工况片段的总时间,vi表示第i时刻的车速。
(2)车速标准差vstd;
式中,ai为第i时刻的加速度;
(5)加速时间比例Tacc;
(6)减速时间比例Tdec;
(7)匀速时间比例Tcons;
(8)怠速时间比Tidle:
Tidle=1-Tacc-Tdec-Tcons;
式中,tidle表示工况片段中怠速的时间总和,tacc表示工况片段中加速时间总和,tdec表示工况片段中减速时间总和,tall表示工况片段时间总和。
式中,n为工况片段的总时间,ui指的是不包含怠速阶段的车速。
对以上12个特征参数进行主成分分析:
首先用x1,.x2,.....xm分别表示上述提取的特征参数,m=12;聚类样本中包含的n个样本用i=1,2...n表示,第i个样本的行驶片段的特征参数记作[xi1,xi2,....xim],其特征参数矩阵可以表示为:
计算步骤如下:
(1)对原始特征参数矩阵X进行标准化无量纲处理,消除各个特征参数之间由于量纲不同所带来的数量级差异:
(2)计算相关系数矩阵:
式中,rii=1,rij=rji,rij是第i个特征参数与第j个特征参数的相关系数,
(3)计算特征值λ和特征向量l:
求解相关系数矩阵R的特征值λ和特征向量l,将特征值λ按照从大到小的顺序进行排序。进而可以得到各主成分的表达式,第i个主成分Ei表达式前面的系数对应其特征值λi的特征向量[li1 li2 li3 … lim]。
(4)利用求解得到的特征值λ计算贡献率并且确定主成分的个数:
理论上,主成分累计贡献率超过85%,即可认为主成分可以较好的保留原始数据信息,因此选择累计贡献率αq大于85%的前q个主成分作为新的特征参数代表原始特征参数矩阵,将特征值由大至小排列,λk定义为第k个特征值。
(5)计算新的特征参数:
基于主成分分析结果,选取K-means聚类分析方法将微行程的交通类别进行分类并定义。
其主要步骤如下所示:
(1)首先确定分成的类别数,用k1表示,从原始的数据集中随机选择k1个数据点作为聚类的中心;
(2)对于数据集中的每一个点,计算其与每一个聚类中心的欧式距离,距离哪个聚类中心近,就将其划分到那个聚类中心所属于的集合;
欧氏距离的计算公式如下:
(3)将所有数据归类好集合以后,一共有k1个集合,然后重新计算每个集合的中心;
(4)对于所有k1个聚类中心,利用(2)(3)的迭代法更新后,数值保持不变,目标函数趋于收敛状态,可以认为聚类已经达到期望的结果,算法终止,如果新的聚类中心和原来的聚类中心距离变化很大则重复步骤二到步骤五的过程。
按照以下步骤确定任意微行程的交通类别:
(1)对于任意微行程,进行特征参数的提取以及特征参数的主成分降维;
(2)比较该微行程的主成分得分与三种交通类别聚类中心的距离,以距离最近为原则确定其所属类别。其距离计算公式如下所示:
式中,x1表示样本数据,x2表示各类行驶工况的聚类中心,x1k、x2k中的k表示第k维分量;
历史数据聚类分析部分对所有微行程的交通类别进行定义,按照上述分析,以微行程不同交通类别所占比例描述长行程交通状况,在长行程交通状况划分部分,利用以下比例公式,得到不同交通状况的描述,即在同一长行程中,通畅、正常、拥堵的比例情况:
式中,num1表示通畅微行程的个数,Num表示长行程中所含微行程的总数,k1表示通畅微行程占微行程总数的比例
式中,num2表示通畅微行程的个数,Num表示长行程中所含微行程的总数,k2表示正常微行程占微行程总数的比例。
式中,num3表示通畅微行程的个数,Num表示长行程中所含微行程的总数,k3表示通畅微行程占微行程总数的比例,且
num1+num2+num3=Num,k1+k2+k3=100%
得到每个长行程k1、k2、k3的数值,作为对长行程交通状况的描述以及分组标准之一。
步骤四:在评分模块中基于上述结果进行分组,实现组内除驾驶员以外的变量对能耗的影响程度相同,在组内利用评分公式对驾驶员生态驾驶水平进行评分;
式中,i表示温度、车重等级、交通类别相同的情况;j表示i中的任意公交车长行程;xij表示i中任意公交车长行程j的单位里程能耗;Soreij表示该长行程的生态驾驶水平得分。
最终得到所有以长行程为单位的驾驶员生态驾驶评分。
尽管本发明的实施方案已公开如上,但其并不仅仅限于说明书和实施方式中所列运用,它完全可以被适用于各种适合本发明的领域,对于熟悉本领域的人员而言,可容易地实现另外的修改,因此在不背离权利要求及等同范围所限定的一般概念下,本发明并不限于特定的细节和这里示出与描述的图例。
Claims (10)
1.一种基于大数据的公交驾驶员生态驾驶评价系统,其特征在于,包括:
数据预处理模块,其用于对公交车大数据进行数据清洗和数据补全,并对公交车运营路线进行地图匹配,进而基于匹配结果划分长行程和微行程;
质量估算模块,其接收所述数据预处理模块传递的信息,并对微行程的车辆质量进行估算,对长行程进行质量等级划分;
工况识别分类模块,其接收所述数据预处理模块传递的信息,用于确定微行程的交通类别和长行程的交通状况划分结果;
评分模块,其接收并输入所述质量估算模块以及所述工况识别分类模块的量化结果,建立能耗与驾驶员水平的对应关系,对驾驶员的生态驾驶水平进行评价。
2.根据权利要求1所述的基于大数据的公交驾驶员生态驾驶评价系统,其特征在于,
所述数据预处理模块包括:数据清洗部分、数据补全部分、地图匹配部分以及行程划分部分;
所述质量估算模块包括:微行程质量估算部分与长行程质量等级划分部分;
所述工况识别分类模块包括:历史数据聚类分析部分与长行程交通状况划分部分。
3.一种基于大数据的公交驾驶员生态驾驶评价方法,其特征在于,使用所述的基于大数据的公交驾驶员生态驾驶评价系统,包括:
步骤一、获取公交车的原始运营数据,通过数据预处理模块得到微行程和长行程;
步骤二、基于数据预处理结果输出的微行程和长行程,在质量估算模块中估算微行程质量,并划分长行程的质量等级;
步骤三、在工况识别分类模块中输出微行程的交通类别,并进行长行程交通状况的划分;
步骤四、将长行程的质量等级和长行程交通状况划分结果按照分组原则进行分组,利用公交车大数据中的能耗,在每组内对驾驶员生态驾驶水平进行评分,评分公式为:
式中,i为温度、车重等级、交通类别相同的情况,j为i中的任意公交车长行程,xij为i中任意公交车长行程j的单位里程能耗,Soreij表示该长行程的生态驾驶水平得分。
4.根据权利要求3所述的基于大数据的公交驾驶员生态驾驶评价方法,其特征在于,所述步骤一包括:
对采样点速度值超过车辆设计最高时速以及采样点经纬度值异常的异常数据进行处理:
对采样点数据字段空缺以及采样点数据丢失这两种数据缺陷进行数据补齐;
进行地图匹配,确定公交车站点的实际经纬度坐标值,根据日期以及公交车辆的充电状态划分出长行程,通过比较数据段中采样点坐标与实际站点坐标之间的空间距离,将数据集划分为相邻站点之间的微行程,包括:
通过查询地图并结合数据集获得各个站点对应的经纬度数值。
5.根据权利要求4所述的基于大数据的公交驾驶员生态驾驶评价方法,其特征在于,
所述数据段中采样点坐标与实际站点坐标之间的空间距离的计算方法包括:
设定经纬度坐标为XA(LongA,LatA)和XB(LongB,LatB),两坐标之间的空间距离可通过距离公式计算:
式中,Lx为A、B两点沿东西方向上的距离,Ly为A、B两点沿南北方向上的距离,rad为弧度单位,值为180/π;R为地球半径,值为6371004m;
计算出数据集中采样点坐标与实际站点坐标之间的空间距离,将距离最小的采样点认定为相邻站点之间数据段的分界点,目标函数为:
Lj=min[Distance(Xi,X′j)],i=1,2,...,N.j=1,2,...,M;
式中:Xi为数据集中采样点的经纬度坐标;X′j为提取的站点经纬度坐标;N为数据集的采样量;M为公交车站点的数量;
若存在路段重合,则在计算距离时引入带惩罚项的目标函数:
Lj=min[Distance(Xi,Xj′)+α|Si-S1-β|],i=1,2,...,N.j=8,9;
式中:α为惩罚系数;Si为各采样点的累计里程;β为起始点至各采样点的平均行驶距离;
计算出目标函数的最优解即为相邻站点之间数据段的分界点,便可将数据集划分为相邻站点之间的微行程;划分之后的微行程可分为有效微行程和不良微行程;
其中,不良微行程的标准为:数据段内部出现连续的采样点数据空缺或丢失的情况且无法进行缺失数据补全。
6.根据权利要求5所述的基于大数据的公交驾驶员生态驾驶评价方法,其特征在于,各个所述采样点与公交站点的最小空间距离小于等于65m。
8.根据权利要求7所述的基于大数据的公交驾驶员生态驾驶评价方法,其特征在于,所述步骤二中,所述通过长行程质量等级划分为四级包括:
一级为长行程平均质量最小,多数微行程载客量情况为空载;
二级为多数微行程质量不是空载,载客量较少;
三级为微行程载客量较多,但是没有达到满载;
四级为长行程平均质量最大,多数微行程载客量为满载,对应高峰时段的载客量状况。
9.根据权利要求8所述的基于大数据的公交驾驶员生态驾驶评价方法,其特征在于,
所述步骤三包括:
通过K-means聚类将具有相似特征的微行程归为一类,每一类特征参数的平均值代表对应工况的参数特征,将交通类别定义为:通畅、正常、拥堵;
长行程的交通状况划分定义为微行程不同交通类别的占比,包括:
式中,num1表示通畅微行程的个数,Num表示长行程中所含微行程的总数,k1表示通畅微行程占微行程总数的比例;
式中,num2表示通畅微行程的个数,Num表示长行程中所含微行程的总数,k2表示正常微行程占微行程总数的比例;
式中,num3表示通畅微行程的个数,Num表示长行程中所含微行程的总数,k3表示通畅微行程占微行程总数的比例,且
num1+num2+num3=Num,k1+k2+k3=100%;
得到每个长行程k1、k2、k3的数值,作为对长行程交通状况的描述以及分组标准之一;
其中,长行程交通状况通过k1、k2、k3的数值进行描述,不同长行程按照k1、k2、k3的数值不超过4%判别为同一种交通状况。
10.根据权利要求9所述的基于大数据的公交驾驶员生态驾驶评价方法,其特征在于,所述步骤四中的分组原则为:
同一组中车重等级相同,表示车重对能耗的影响程度近似相同;
每组中交通状况划分结果为近似相同时,则按照长行程中k1,k2,k3相差4%进行判别,同时,所述评分模块对每组温度进行统一,将温度划分为5个区间,分别为-10℃以下、-10℃~-1℃、0℃~12℃、13℃~26℃、26℃以上,在每组中温度区间保持一致,在相同温度区间内视为温度对能耗的影响程度相同;
评分模块输出以长行程为单位的驾驶员经济驾驶评分,同时记录长行程的起止时间、起止SOC,完成对驾驶员的生态驾驶评价。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210314716.3A CN114943403A (zh) | 2022-03-29 | 2022-03-29 | 一种基于大数据的公交驾驶员生态驾驶评价系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210314716.3A CN114943403A (zh) | 2022-03-29 | 2022-03-29 | 一种基于大数据的公交驾驶员生态驾驶评价系统及方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114943403A true CN114943403A (zh) | 2022-08-26 |
Family
ID=82906056
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210314716.3A Pending CN114943403A (zh) | 2022-03-29 | 2022-03-29 | 一种基于大数据的公交驾驶员生态驾驶评价系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114943403A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115662143A (zh) * | 2022-11-21 | 2023-01-31 | 吉林大学 | 一种公交企业运营安全态势动态预测系统及方法 |
-
2022
- 2022-03-29 CN CN202210314716.3A patent/CN114943403A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115662143A (zh) * | 2022-11-21 | 2023-01-31 | 吉林大学 | 一种公交企业运营安全态势动态预测系统及方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110126841B (zh) | 基于道路信息和驾驶风格的纯电动汽车能耗模型预测方法 | |
Zhao et al. | Development of a representative urban driving cycle construction methodology for electric vehicles: A case study in Xi’an | |
CN111452619B (zh) | 电动车辆在线能耗预测方法及系统 | |
CN108761509B (zh) | 一种基于历史数据的汽车行驶轨迹及里程预测方法 | |
EP2701959B1 (en) | Fuel saving-aimed motor vehicle driving style evaluation | |
CN110395245B (zh) | 一种基于固定路线驾驶信息的混动汽车能量管理系统 | |
CN109552338A (zh) | 一种纯电动汽车生态驾驶行为评估方法及系统 | |
CN105160883A (zh) | 一种基于大数据的节能驾驶行为分析方法 | |
EP3348964A1 (de) | Verfahren zur vorhersage zukünftiger fahrbedingungen für ein fahrzeug | |
CN108489500A (zh) | 一种基于能耗经济性的全局路径规划方法及系统 | |
CN113222385B (zh) | 一种电动汽车行驶工况构建与评价方法 | |
DE102022118589A1 (de) | Verfahren und systeme zur vorhersage des energieverbrauchs eines fahrzeugs für seine fahrt entlang einer definierten route und zur routenplanung | |
CN115907076A (zh) | 一种山地城市充电负荷概率预测系统及方法 | |
CN116946107B (zh) | 一种能量轨迹跟随下的混动系统模式决策与功率分配方法 | |
CN116187161A (zh) | 一种智能网联环境下混合动力客车智能能量管理方法及系统 | |
CN115935672A (zh) | 一种融合工况预测信息的燃料电池汽车能耗计算方法 | |
CN111348029B (zh) | 一种考虑工况的混合动力汽车标定参数最优值确定方法 | |
CN114943403A (zh) | 一种基于大数据的公交驾驶员生态驾驶评价系统及方法 | |
CN112406875A (zh) | 一种车辆能耗的分析方法和装置 | |
EP3495193A1 (de) | Verfahren zum betreiben eines kraftfahrzeugs | |
CN115221234A (zh) | 一种基于动力总成数据对用户进行画像的方法及系统 | |
CN110796374A (zh) | 具有典型变道和转弯工况的城市综合行驶工况的构建方法 | |
CN117261904B (zh) | 一种自适应场景与风格的混动汽车驾驶模式决策方法 | |
CN117128966B (zh) | 一种基于多因素耦合的车辆充电路径规划方法及设备 | |
CN113128120A (zh) | 一种汽车起重机典型行驶工况构建方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |