CN116186570B - 一种考虑不同交通场景的生态驾驶评估方法 - Google Patents
一种考虑不同交通场景的生态驾驶评估方法 Download PDFInfo
- Publication number
- CN116186570B CN116186570B CN202310172597.7A CN202310172597A CN116186570B CN 116186570 B CN116186570 B CN 116186570B CN 202310172597 A CN202310172597 A CN 202310172597A CN 116186570 B CN116186570 B CN 116186570B
- Authority
- CN
- China
- Prior art keywords
- short
- energy consumption
- driving
- road
- track point
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 51
- 238000005265 energy consumption Methods 0.000 claims abstract description 73
- 238000011160 research Methods 0.000 claims abstract description 11
- 238000006243 chemical reaction Methods 0.000 claims abstract description 10
- 238000004364 calculation method Methods 0.000 claims abstract description 9
- 238000003064 k means clustering Methods 0.000 claims abstract description 7
- 230000001133 acceleration Effects 0.000 claims description 29
- 238000011156 evaluation Methods 0.000 claims description 12
- 238000004422 calculation algorithm Methods 0.000 claims description 11
- 238000005457 optimization Methods 0.000 claims description 11
- 230000008569 process Effects 0.000 claims description 11
- 230000009466 transformation Effects 0.000 claims description 9
- 238000004140 cleaning Methods 0.000 claims description 6
- 238000012549 training Methods 0.000 claims description 6
- 238000012795 verification Methods 0.000 claims description 6
- 238000013507 mapping Methods 0.000 claims description 4
- 238000000513 principal component analysis Methods 0.000 claims description 4
- 238000007476 Maximum Likelihood Methods 0.000 claims description 3
- 238000012847 principal component analysis method Methods 0.000 claims description 3
- 230000006399 behavior Effects 0.000 description 10
- 239000000446 fuel Substances 0.000 description 6
- 230000008859 change Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 238000010276 construction Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000004134 energy conservation Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000007621 cluster analysis Methods 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 230000000153 supplemental effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种考虑不同交通场景的生态驾驶评估方法，包括：获取GPS轨迹点数据和路网数据，匹配轨迹点路网，提取轨迹点道路等级信息；划分短行程，对不同道路等级的短行程分别进行k‑means聚类以划分不同的交通场景；计算短行程平均里程能耗，对存在偏态分布的短行程能耗进行Box‑Cox转换，选取5％与95％分位值平均能耗构建不同交通场景下的生态驾驶评分计算模型；基于XGBoost识别不同交通场景下影响能耗的关键驾驶事件。本发明能够通过划分研究地区的不同交通驾驶场景，建立生态驾驶评分模型，提供影响能耗的关键驾驶事件，帮助驾驶员理解生态驾驶模式。
Description
技术领域
本发明属于交通节能减排技术领域，尤其涉及一种考虑不同交通场景的生态驾驶评估方法。
背景技术
随着社会经济的快速发展、交通需求的日益增大，机动车出行能耗及排放增长问题越发凸显。生态驾驶规范驾驶员采用低能耗、低排放的驾驶模式，理论上可降低超过30％的平均油耗，其推广和实施无需改变车流动力结构或道路基础设施，是一种经济可控的重要节能减排途径，也是实现道路交通节能减排和可持续发展的重要手段。
目前，全球各国提出了多种生态驾驶策略并通过传单、手册、视频等面向公众宣传，同时国内外学者也在生态驾驶行为优化、驾驶辅助、路径优化等方面展开了大量研究。
公开号为CN112035536A的发明中公开了一种考虑动态路网交通流的电动汽车能耗预测方法，包括如下步骤：一：获取用户的驾驶行为信息和各个路段的历史交通数据；二：将用户的驾驶行为信息与其能耗信息进行相关性分析，选取与能耗信息相关性较高的驾驶行为因素；三：对用户的驾驶行为因素进行驾驶类型聚类，自动分类电动汽车不同驾驶行为因素组合下的驾驶工况；四：输出不同类别的驾驶工况与相对应的能耗；五：将获取的各个路段的历史交通数据，进行路网交通参数的预测；六：输出各个路段的不同时段的预测结果；七：通过预测出路段的未来路况参数与标准中的驾驶行为参数进行聚类分析。该发明考虑动态路网交通流的实时变化，在进行能耗计算时，更加准确。然而，不同交通场景下生态驾驶的评价标准和行为特征存在差别，当前的生态驾驶研究缺乏对具体交通场景的考虑，导致提出的生态驾驶评估方法与实际存在偏差，生态驾驶应用效果较差。
因此，需要结合研究地区具体的交通场景，给出相应的生态驾驶评分，并结合具体的驾驶事件以帮助驾驶者更好理解生态驾驶模式，而目前尚未有相关内容的技术文献。
发明内容
解决的技术问题：本发明为了解决当前生态驾驶评估方法实用性、推广性不足的问题，提出了一种考虑不同交通场景的生态驾驶评估方法，通过划分研究地区的不同交通驾驶场景，建立生态驾驶评分模型，提供影响能耗的关键驾驶事件，帮助驾驶员理解生态驾驶模式。
技术方案：
一种考虑不同交通场景的生态驾驶评估方法，所述生态驾驶评估方法包括以下步骤：
S1，获取GPS轨迹点数据和包含道路等级信息的地区路网数据，基于最短垂线距离算法进行轨迹点路网匹配，提取轨迹点道路等级信息；
S2，基于步骤S1的轨迹点道路等级信息进行短行程划分，采用主成分分析法选取聚类指标，对不同道路等级的短行程分别进行K-means聚类以划分不同的交通场景；
S3，基于瞬时速度计算短行程平均里程能耗，基于步骤S2划分的交通场景对存在偏态分布的短行程能耗进行Box-Cox转换，选取5％与95％分位值平均能耗构建不同交通场景下的生态驾驶评分计算模型；
S4，基于XGBoost识别步骤S2中不同交通场景下影响能耗的关键驾驶事件，辅助生态驾驶评分给出驾驶事件评估结果。
进一步地，步骤S1中，提取轨迹点道路等级信息的过程包括以下子步骤：
S11，通过全球定位系统收集并清洗研究地区的道路车辆轨迹点数据，道路车辆轨迹点数据包括驾驶员ID、行程ID、行驶时间戳、经纬度信息和速度信息；
S12，获取研究地区路网数据信息，路网数据信息包括路网结构和道路等级信息；
S13，计算轨迹点到附近路段的垂足，将轨迹点匹配至最近垂足的路段上；
S14，建立道路缓冲区，提取轨迹点所在路段道路等级信息。
进一步地，步骤S2中，对不同道路等级的短行程分别进行K-means聚类以划分不同的交通场景的过程包括以下子步骤：
S21，根据预设的短行程定义设定相应的短行程的划分依据，对轨迹点数据进行短行程划分；
S22，清洗短行程数据，剔除行程时间跨度不超过20s或行程平均速度不超过1.6km/h的短行程；标定短行程道路等级标签，标定依据为短行程中所有轨迹点标签数目最多的标签；
S23，使用主成分分析标定短行程聚类指标；
S24，采用标准化方法消除聚类指标量纲，使用手肘法确定聚类簇数量，分析聚类簇指标特征并赋予相应的交通场景含义，得到不同道路等级下划分的交通场景。
进一步地，所述短行程的划分依据包括以下几个：行程结束点；轨迹点道路等级转换处；交叉口处且累计行程距离达到600m；车辆持续30s保持静止状态；累计行程距离到达1500m。
进一步地，待选取的短行程聚类指标包括：区间速度、正加速度均值、减速度均值、正加速度方差、减速度方差、加速度方差、匀速时间比例、加速时间比例、减速时间比例和怠速时间比例。
进一步地，步骤S3中，基于瞬时速度计算短行程平均里程能耗，基于步骤S2划分的交通场景对存在偏态分布的短行程能耗进行Box-Cox转换的过程包括以下子步骤：
S31，基于平均速度计算轨迹点瞬时能耗，其中能耗计算公式为：
f＝(0.0001v2-0.00182v+0.13408)×d
式中，f表示瞬时能耗，单位为ml，v表示瞬时速度，单位为km/h，d表示行驶距离，单位为m：
S32，计算每个短行程的平均里程能耗，基于划分的不同交通场景计算短行程平均能耗分布偏度，对偏度绝对值高于0.5的交通场景短行程平均能耗进行Box-Cox正态变换，其中变换公式为：
式中，y表示短行程平均能耗，λ为采用极大似然估计法得到的估计参数。
进一步地，步骤S3中，基于划分的不同交通场景i，取短行程平均能耗5％分位值与95％分位值/>作为生态驾驶评分模型参数，得到交通场景i下短行程j的生态驾驶评分/>为：
式中，fj表示待计算评分的短行程平均能耗。
进一步地，步骤S4中，基于XGBoost识别步骤S2中不同交通场景下影响能耗的关键驾驶事件，辅助生态驾驶评分给出驾驶事件评估结果的过程包括以下子步骤：
S41，基于轨迹点速度、加速度定义短行程驾驶事件；
S42，基于不同交通场景分别提取短行程各驾驶事件平均里程发生次数，构建短行程驾驶事件-平均里程能耗数据集，选取70％数据作为训练集，30％数据作为验证集，基于XGBoost回归算法建立驾驶事件-能耗映射关系，采用贝叶斯优化算法进行模型参数调优，其中优化值为验证集回归决定系数R2，选取累计贡献度前90％的驾驶事件作为相应交通场景下影响能耗的关键驾驶事件。
进一步地，步骤S41中，短行程驾驶事件包括急加速事件、急减速事件、长时间加速、长时间怠速、低速行驶、高速巡航行驶、平稳启动、急停、急启和缓慢刹车。
有益效果：
本发明提出了一种考虑不同交通场景的生态驾驶评估方法，首先构建了基于道路等级的不同交通场景划分方法，能够得到研究地区具体的交通状况；同时基于交通场景划分构建生态驾驶评分模型，给出对应场景下关键驾驶事件的识别方法，大大增强了生态驾驶评估方法的实用性和可执行性，能够有效地帮助驾驶员理解生态驾驶行为并改进自身驾驶行为，减少汽车燃油消耗和尾气排放，提高驾驶员环保节能意识。
附图说明
图1为本发明实施例的考虑不同交通场景的生态驾驶评估方法的流程图；
图2为手肘法确定聚类数量的示意图；
图3为短行程能耗偏态分布Box-Cox变换效果示例图，其中(a)为一级道路缓行路段短行程油耗分布示意图，(b)为BoxCox转换后的一级道路缓行路段短行程油耗分布示意图。
具体实施方式
下面的实施例可使本专业技术人员更全面地理解本发明，但不以任何方式限制本发明。
本实施例公开了一种考虑不同交通场景的生态驾驶评估方法，所述生态驾驶评估方法包括以下步骤：
S1，获取GPS轨迹点数据和包含道路等级信息的地区路网数据，基于最短垂线距离算法进行轨迹点路网匹配，提取轨迹点道路等级信息。
S2，基于步骤S1的轨迹点道路等级信息进行短行程划分，采用主成分分析法选取聚类指标，对不同道路等级的短行程分别进行K-means聚类以划分不同的交通场景。
S3，基于瞬时速度计算短行程平均里程能耗，基于步骤S2划分的交通场景对存在偏态分布的短行程能耗进行Box-Cox转换，选取5％与95％分位值平均能耗构建不同交通场景下的生态驾驶评分计算模型。
S4，基于XGBoost识别步骤S2中不同交通场景下影响能耗的关键驾驶事件，辅助生态驾驶评分给出驾驶事件评估结果。
参见图1，该生态驾驶评估方法的具体过程为：
步骤1：获取基础数据，提取道路等级信息
1.1：通过全球定位系统(GPS)收集并清洗研究地区的道路车辆轨迹点数据，包括驾驶员ID、行程ID、行驶时间戳、经纬度信息和速度信息。
1.2：获取研究地区路网数据信息，包括路网结构、道路等级信息。
1.3：计算点到附近路段的垂足，将轨迹点匹配至最近垂足的路段上。
1.4：建立道路缓冲区，提取轨迹点所在路段道路等级信息。
步骤2：划分短行程，聚类划分交通场景
2.1：对轨迹点数据进行短行程划分，其中划分依据包括：
(1)行程结束点(行程结束或时间跨度大于15s)；
(2)轨迹点道路等级转换处；
(3)交叉口处且累计行程距离达到600m；
(4)车辆持续30s保持静止状态；
(5)累计行程距离到达1500m。
2.2：清洗短行程数据，剔除行程时间跨度不超过20s或行程平均速度不超过1.6km/h的短行程；标定短行程道路等级标签，标定依据为短行程中所有轨迹点标签数目最多的标签。
2.3：使用主成分分析标定短行程聚类指标，其中待选取指标包括：
(1)区间速度；
(2)正加速度均值；
(3)减速度均值；
(4)正加速度方差；
(5)减速度方差：
(6)加速度方差；
(7)匀速时间比例；
(8)加速时间比例；
(9)减速时间比例；
(10)怠速时间比例。
2.4：采用标准化方法消除聚类指标量纲，使用手肘法确定聚类簇数量，分析聚类簇指标特征并赋予相应的交通场景含义，得到不同道路等级下划分的交通场景。
步骤3：构建驾驶评分模型
3.1：基于平均速度计算轨迹点瞬时能耗，其中能耗计算公式为：
f＝(0.0001v2-0.00182v+0.13408)×d (1)
式中，f表示瞬时能耗，单位为ml，v表示瞬时速度，单位为km/h，d表示行驶距离，单位为m。
3.2：计算每个短行程的平均里程能耗(ml/km)，基于划分的不同交通场景计算短行程平均能耗分布偏度，对偏度绝对值高于0.5的交通场景短行程平均能耗进行Box-Cox正态变换，其中变换公式为：
式中，y表示短行程平均能耗，λ为采用极大似然估计法得到的估计参数；
3.3：基于划分的不同交通场景i，取短行程平均能耗5％分位值与95％分位值作为生态驾驶评分模型参数，得到交通场景i下短行程j的生态驾驶评分/>为：
式中，fj表示待计算评分的短行程平均能耗。
步骤4：关键驾驶事件提取
4.1：基于轨迹点速度、加速度定义短行程驾驶事件，包括：
(1)急加速事件：加速度大于2.22m/s2且持续2s以上，持续时间段构成一次事件；
(2)急减速事件：加速度小于-2.22m/s2且持续2s以上，持续时间段构成一次事件；
(3)长时间加速：持续加速时间高于6s，，持续时间段构成一次事件；
(4)长时间怠速：持续怠速时间高于6s，，持续时间段构成一次事件；
(5)低速行驶：20s内均速低于30km/h，持续时间段构成一次事件；
(6)高速巡航行驶：5s内，均速高于60km/h，总速度变化值与逐秒速度变化值均低于3.6km/h，速度标准差低于1.5km/h，持续时间段构成一次事件；
(7)平稳启动：车辆由静止启动10s内，速度总变化值位于10km/h～20km/h，最大加速度低于1.5m/s2；
(8)急停、启：车辆从怠速状态到启动状态的3s内，重新回到怠速状态；
(9)缓慢刹车：5s内处于持续减速状态，并且加速度位于-1.2m/s2～-0.3m/s2。
4.2：基于不同交通场景分别提取短行程各驾驶事件平均里程发生次数(次/千米)，构建短行程驾驶事件-平均里程能耗数据集，选取70％数据作为训练集，30％数据作为验证集，基于XGBoost回归算法建立驾驶事件-能耗映射关系，采用贝叶斯优化算法进行模型参数调优，其中优化值为验证集回归决定系数R2，选取累计贡献度前90％的驾驶事件作为相应交通场景下影响能耗的关键驾驶事件。
实例
本实例采用前述实施例的生态驾驶评估方法，将其应用在具体的交通场景下，得到相应的生态驾驶评估结果。具体应用过程包括：
1、获取基础数据，提取轨迹点道路等级信息
本实例选择653辆成都市网约车2016年11月15日上午的GPS行驶轨迹，时间戳间隔为3s，共计1197次行程，20万条数据；其中字段信息见表1。
表1原始数据字段信息
使用python geopy库geodesic函数根据经纬度信息计算轨迹点距离，结合时间戳计算速度、加速度信息，补充字段信息见表2。
表2补充字段信息
成都道路路网数据由四川开放数据平台获取，包含一级、二级、三级道路路网信息，轨迹点数据采用加密处理的GCJ02坐标系，提取路网交叉口位置，使用Qgis软件的geohey插件将路网采用的WGS坐标系转换为GCJ02坐标系，对路网进行“EPSG32650-WGS18450N”重投影，路段部分建立距离为4m的缓冲区，交叉口部分建立半径为5m的圆形缓冲区。
使用python编译点线垂直距离最短匹配算法进行轨迹点路网匹配：使用QGIS按位置提取功能，依据缓冲区和匹配轨迹点；使用交叉口缓冲区提取交叉口处轨迹点，赋予“label”字段值4；再分别使用一级、二级、三级道路匹配非交叉口点，分别赋予“label”字段值1，2，3；使用Index标识字段重新整合四组数据，得到含道路等级标签字段的数据集，预处理得到的197535条数据中轨迹点标签数量分布如表3所示。
表3轨迹点道路等级标签数量分布
2、划分短行程，K-means聚类划分交通场景
根据短行程划分与清洗规则对不同道路等级轨迹点分别划分短行程，最终筛选得到5922条短行程，标签和划分依据的数据量分布结果如表4所示。
表4短行程划分结果
结合2.3的聚类指标，使用主成分分析得到累计贡献度达到80％的三个主成分，成分矩阵如表5所示，由于最终的交通场景划分以直观具体的特征反映为佳，因此选取各个主成分具有代表性的指标，主成分1选用加速度标准差，主成分2选用速度均值，主成分3选用短行程匀速工况持续时间。
表5成分矩阵
采用标准化方法消除聚类指标量纲，根据手肘法确定K-means聚类簇数量，如图2所示一级道路聚类数量参数为4，二级道路为3，三级道路为3。
对聚类簇簇中心对应的簇类进行解释，速度均值指标反映路段整体车流速度水平，加速度方差指标反映基础设施的行驶条件，匀速时间比例指标反映交通场景车流的畅通水平；最终得到交通场景划分如表6所示。
表6交通场景划分结果
3、构建生态驾驶评分模型
根据能耗计算公式计算短行程平均能耗，计算不同交通场景下的短行程平均能耗分布偏度，对偏态分布的短行程平均能耗进行Box-Cox正态变换，效果如图3所示，其中(a)为一级道路缓行路段短行程油耗分布示意图，(b)为BoxCox转换后的一级道路缓行路段短行程油耗分布示意图。
对不同交通场景分别提取短行程平均能耗5％分位值与95％分位值作为生态驾驶评分模型参数，由于三级道路划分的51个短行程数量比较少，因此将三级道路单独作为一类交通场景，最终结果见表7。
表7不同交通场景生态驾驶评分模型参数
4、关键驾驶事件提取
根据4.1驾驶事件定义方法对不同交通场景分别提取短行程驾驶事件次数，调用python skleam库XGBoost算法建立驾驶事件-短行程能耗回归映射关系，贝叶斯调参结果见表8。
表8XGBoost参数调优设置
选取70％数据作为训练集，30％作为测试集，得到最终模型训练评估结果如表9所示。
表9模型训练结果
分别提取不同交通场景下累计重要度前80％的驾驶事件作为影响能耗的关键驾驶事件，最终结果见表10，黑色标注事件为贡献度达到20％以上的重要驾驶事件。
表10关键驾驶事件提取结果
以上仅是本发明的优选实施方式，本发明的保护范围并不仅局限于上述实施例，凡属于本发明思路下的技术方案均属于本发明的保护范围。应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理前提下的若干改进和润饰，应视为本发明的保护范围。
Claims (6)
1.一种考虑不同交通场景的生态驾驶评估方法，其特征在于，所述生态驾驶评估方法包括以下步骤：
S1，获取GPS轨迹点数据和包含道路等级信息的地区路网数据，基于最短垂线距离算法进行轨迹点路网匹配，提取轨迹点道路等级信息；
S2，基于步骤S1的轨迹点道路等级信息进行短行程划分，采用主成分分析法选取聚类指标，对不同道路等级的短行程分别进行K-means聚类以划分不同的交通场景；
S3，基于瞬时速度计算短行程平均里程能耗，基于步骤S2划分的交通场景对存在偏态分布的短行程能耗进行Box-Cox转换，选取5％与95％分位值平均能耗构建不同交通场景下的生态驾驶评分计算模型；
S4，基于XGBoost识别步骤S2中不同交通场景下影响能耗的关键驾驶事件，辅助生态驾驶评分给出驾驶事件评估结果；
步骤S3中，基于瞬时速度计算短行程平均里程能耗，基于步骤S2划分的交通场景对存在偏态分布的短行程能耗进行Box-Cox转换的过程包括以下子步骤：
S31，基于平均速度计算轨迹点瞬时能耗，其中能耗计算公式为：
f＝(0.0001v2-0.00182v+0.13408)×d
式中，f表示瞬时能耗，单位为ml，v表示瞬时速度，单位为km/h，d表示行驶距离，单位为m；
S32，计算每个短行程的平均里程能耗，基于划分的不同交通场景计算短行程平均能耗分布偏度，对偏度绝对值高于0.5的交通场景短行程平均能耗进行Box-Cox正态变换，其中变换公式为：
式中，y表示短行程平均能耗，λ为采用极大似然估计法得到的估计参数；
步骤S3中，基于划分的不同交通场景i，取短行程平均能耗5％分位值与95％分位值作为生态驾驶评分模型参数，得到交通场景i下短行程j的生态驾驶评分/>为：
式中，fj表示待计算评分的短行程平均能耗；
步骤S4中，基于XGBoost识别步骤S2中不同交通场景下影响能耗的关键驾驶事件，辅助生态驾驶评分给出驾驶事件评估结果的过程包括以下子步骤：
S41，基于轨迹点速度、加速度定义短行程驾驶事件；
S42，基于不同交通场景分别提取短行程各驾驶事件平均里程发生次数，构建短行程驾驶事件-平均里程能耗数据集，选取70％数据作为训练集，30％数据作为验证集，基于XGBoost回归算法建立驾驶事件-能耗映射关系，采用贝叶斯优化算法进行模型参数调优，其中优化值为验证集回归决定系数R2，选取累计贡献度前90％的驾驶事件作为相应交通场景下影响能耗的关键驾驶事件。
2.根据权利要求1所述的考虑不同交通场景的生态驾驶评估方法，其特征在于，步骤S1中，提取轨迹点道路等级信息的过程包括以下子步骤：
S11，通过全球定位系统收集并清洗研究地区的道路车辆轨迹点数据，道路车辆轨迹点数据包括驾驶员ID、行程ID、行驶时间戳、经纬度信息和速度信息；
S12，获取研究地区路网数据信息，路网数据信息包括路网结构和道路等级信息；
S13，计算轨迹点到附近路段的垂足，将轨迹点匹配至最近垂足的路段上；
S14，建立道路缓冲区，提取轨迹点所在路段道路等级信息。
3.根据权利要求1所述的考虑不同交通场景的生态驾驶评估方法，其特征在于，步骤S2中，对不同道路等级的短行程分别进行K-means聚类以划分不同的交通场景的过程包括以下子步骤：
S21，根据预设的短行程定义设定相应的短行程的划分依据，对轨迹点数据进行短行程划分；
S22，清洗短行程数据，剔除行程时间跨度不超过20s或行程平均速度不超过1.6km/h的短行程；标定短行程道路等级标签，标定依据为短行程中所有轨迹点标签数目最多的标签；
S23，使用主成分分析标定短行程聚类指标；
S24，采用标准化方法消除聚类指标量纲，使用手肘法确定聚类簇数量，分析聚类簇指标特征并赋予相应的交通场景含义，得到不同道路等级下划分的交通场景。
4.根据权利要求3所述的考虑不同交通场景的生态驾驶评估方法，其特征在于，所述短行程的划分依据包括以下几个：行程结束点；轨迹点道路等级转换处；交叉口处且累计行程距离达到600m；车辆持续30s保持静止状态；累计行程距离到达1500m。
5.根据权利要求3所述的考虑不同交通场景的生态驾驶评估方法，其特征在于，待选取的短行程聚类指标包括：区间速度、正加速度均值、减速度均值、正加速度方差、减速度方差、加速度方差、匀速时间比例、加速时间比例、减速时间比例和怠速时间比例。
6.根据权利要求1所述的考虑不同交通场景的生态驾驶评估方法，其特征在于，步骤S41中，短行程驾驶事件包括急加速事件、急减速事件、长时间加速、长时间怠速、低速行驶、高速巡航行驶、平稳启动、急停、急启和缓慢刹车。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310172597.7A CN116186570B (zh) | 2023-02-27 | 2023-02-27 | 一种考虑不同交通场景的生态驾驶评估方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310172597.7A CN116186570B (zh) | 2023-02-27 | 2023-02-27 | 一种考虑不同交通场景的生态驾驶评估方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116186570A CN116186570A (zh) | 2023-05-30 |
| CN116186570B true CN116186570B (zh) | 2024-03-12 |
Family
ID=86434341
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310172597.7A Active CN116186570B (zh) | 2023-02-27 | 2023-02-27 | 一种考虑不同交通场景的生态驾驶评估方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116186570B (zh) |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104008647A (zh) * | 2014-06-12 | 2014-08-27 | 北京航空航天大学 | 一种基于机动车行驶模式的道路交通能耗量化方法 |
| CN104778851A (zh) * | 2015-02-16 | 2015-07-15 | 北京交通大学 | 一种基于行驶轨迹的生态驾驶优化方法和系统 |
| CN106203735A (zh) * | 2016-07-27 | 2016-12-07 | 北京工业大学 | 一种机动车驾驶员驾驶行为能耗特征测算方法 |
| CN106529599A (zh) * | 2016-11-11 | 2017-03-22 | 北京工业大学 | 一种面向事件的驾驶员生态驾驶行为评估方法 |
| CN107563423A (zh) * | 2017-08-24 | 2018-01-09 | 北京交通发展研究院 | 一种轻型机动车生态驾驶行为的综合评价方法 |
| CN114677011A (zh) * | 2022-03-25 | 2022-06-28 | 黑河学院 | 一种驾驶员生态驾驶行为评估方法 |
| CN114742128A (zh) * | 2022-03-10 | 2022-07-12 | 交通运输部水运科学研究所 | 一种船舶异常行为的识别方法、装置、终端和存储介质 |
| CN115689310A (zh) * | 2022-11-09 | 2023-02-03 | 东南大学 | 城市纯电动公交系统资源配置经济性的鲁棒评估方法 |
-
2023
- 2023-02-27 CN CN202310172597.7A patent/CN116186570B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104008647A (zh) * | 2014-06-12 | 2014-08-27 | 北京航空航天大学 | 一种基于机动车行驶模式的道路交通能耗量化方法 |
| CN104778851A (zh) * | 2015-02-16 | 2015-07-15 | 北京交通大学 | 一种基于行驶轨迹的生态驾驶优化方法和系统 |
| CN106203735A (zh) * | 2016-07-27 | 2016-12-07 | 北京工业大学 | 一种机动车驾驶员驾驶行为能耗特征测算方法 |
| CN106529599A (zh) * | 2016-11-11 | 2017-03-22 | 北京工业大学 | 一种面向事件的驾驶员生态驾驶行为评估方法 |
| CN107563423A (zh) * | 2017-08-24 | 2018-01-09 | 北京交通发展研究院 | 一种轻型机动车生态驾驶行为的综合评价方法 |
| CN114742128A (zh) * | 2022-03-10 | 2022-07-12 | 交通运输部水运科学研究所 | 一种船舶异常行为的识别方法、装置、终端和存储介质 |
| CN114677011A (zh) * | 2022-03-25 | 2022-06-28 | 黑河学院 | 一种驾驶员生态驾驶行为评估方法 |
| CN115689310A (zh) * | 2022-11-09 | 2023-02-03 | 东南大学 | 城市纯电动公交系统资源配置经济性的鲁棒评估方法 |
Non-Patent Citations (4)
| Title |
|---|
| Effective and Acceptable Eco-Driving Guidance for Human-Driving Vehicles: A Review;Ran Tu等;《International Journal of Environmental Research and Public Health 》;20220614;第1-14页 * |
| From driving behavior to energy consumption: A novel method to predict the energy consumption of electric bus;Sirui Nan等;《Energy》;20220828;第1-12页 * |
| Identifying specifiations of in-use vehicles failing the inspection/maintenance emission test;Ran Tu 等;《Transportation Research Part D》;20220609;第1-16页 * |
| Real-world emissions and fuel consumption of gasoline and hybrid light duty vehicles under local and regulatory drive cycles;Ran Tu等;《Science of the Total Environment》;20210920;第1-11页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116186570A (zh) | 2023-05-30 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109927709B (zh) | 一种车辆行驶路线工况确定方法、能量管理方法及系统 | |
| 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 | |
| CN106529599B (zh) | 一种面向事件的驾驶员生态驾驶行为评估方法 | |
| CN104978853B (zh) | 一种道路交通安全评估方法及系统 | |
| CN109552338B (zh) | 一种纯电动汽车生态驾驶行为评估方法及系统 | |
| CN114435138B (zh) | 一种车辆能耗预测方法、装置、车辆及存储介质 | |
| CN103895649A (zh) | 一种驾驶员安全驾驶预警方法 | |
| CN113920732B (zh) | 一种针对特定驾驶人群的道路交通事故风险预警方法 | |
| CN115081508B (zh) | 一种基于交通数字孪生的交通运行风险平行仿真系统 | |
| CN111310280A (zh) | 汽车运动学片段提取及工况图合成方法 | |
| CN108648445A (zh) | 基于交通大数据的动态交通态势预测方法 | |
| CN111445700B (zh) | 一种基于车牌识别数据的区域行停车辆的监测方法 | |
| CN115422747A (zh) | 一种机动车尾气污染物排放量的计算方法和计算装置 | |
| CN113928333B (zh) | 基于辅助驾驶的降能耗方法及系统 | |
| CN110254435B (zh) | 一种驾驶风格识别方法 | |
| 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 | |
| CN116186570B (zh) | 一种考虑不同交通场景的生态驾驶评估方法 | |
| CN109979198A (zh) | 基于大规模浮动车数据的城市快速道路车速离散辨识方法 | |
| CN112948965A (zh) | 一种基于机器学习和统计验证的汽车行驶工况的构建方法 | |
| CN116702996A (zh) | 一种基于典型工况识别的电动公交车辆能量预测方法 | |
| Zhang et al. | Neural network based vehicle speed prediction for specific urban driving | |
| Xu et al. | Research on estimation method of mileage power consumption for electric vehicles | |
| CN113284338B (zh) | 机动车紧急避让无灯控人行横道对交通流影响的计算方法 | |
| 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 | |
| CN111914138A (zh) | 基于车联网大数据的工况分析方法、装置和系统 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |