CN116596185A - 基于vsp分布的生态驾驶定量评价与轨迹优化方法 - Google Patents

基于vsp分布的生态驾驶定量评价与轨迹优化方法 Download PDF

Info

Publication number
CN116596185A
CN116596185A CN202310535977.2A CN202310535977A CN116596185A CN 116596185 A CN116596185 A CN 116596185A CN 202310535977 A CN202310535977 A CN 202310535977A CN 116596185 A CN116596185 A CN 116596185A
Authority
CN
China
Prior art keywords
vsp
track
driving
speed
interval
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
Application number
CN202310535977.2A
Other languages
English (en)
Inventor
臧金蕊
焦朋朋
宋国华
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing University of Civil Engineering and Architecture
Original Assignee
Beijing University of Civil Engineering and Architecture
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beijing University of Civil Engineering and Architecture filed Critical Beijing University of Civil Engineering and Architecture
Priority to CN202310535977.2A priority Critical patent/CN116596185A/zh
Publication of CN116596185A publication Critical patent/CN116596185A/zh
Pending legal-status Critical Current

Links

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
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W40/00—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models
    • B60W40/08—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models related to drivers or passengers
    • B60W40/09—Driving style or behaviour
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S19/00—Satellite radio beacon positioning systems; Determining position, velocity or attitude using signals transmitted by such systems
    • G01S19/38—Determining a navigation solution using signals transmitted by a satellite radio beacon positioning system
    • G01S19/39—Determining a navigation solution using signals transmitted by a satellite radio beacon positioning system the satellite radio beacon positioning system transmitting time-stamped messages, e.g. GPS [Global Positioning System], GLONASS [Global Orbiting Navigation Satellite System] or GALILEO
    • G01S19/42—Determining position
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • 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
    • G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • G06Q50/26—Government or public services
    • 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
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Human Resources & Organizations (AREA)
  • Theoretical Computer Science (AREA)
  • Strategic Management (AREA)
  • Remote Sensing (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Mathematical Physics (AREA)
  • Tourism & Hospitality (AREA)
  • Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • Educational Administration (AREA)
  • General Business, Economics & Management (AREA)
  • Development Economics (AREA)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Databases & Information Systems (AREA)
  • Algebra (AREA)
  • Computational Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Quality & Reliability (AREA)
  • Pure & Applied Mathematics (AREA)
  • Primary Health Care (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Operations Research (AREA)
  • Game Theory and Decision Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Automation & Control Theory (AREA)
  • Transportation (AREA)
  • Mechanical Engineering (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明的基于VSP分布的生态驾驶定量评价与轨迹优化方法包括：基于逐秒行驶轨迹数据构建大量驾驶员与个体驾驶员的VSP分布模型；基于大量驾驶员与个体驾驶员VSP分布差异，构建驾驶行为生态性量化评价模型；基于大量实际生态驾驶轨迹构建生态驾驶优化轨迹模型，统计出在所有速度区间内，所有驾驶员中得分为1的环保轨迹中的加速轨迹片段和减速轨迹片段，将其分别绘制为速度与时间散点图，通过对生态轨迹加减速的平均值趋势和上下限变化趋势进行曲线拟合，构建生态驾驶轨迹曲线，为驾驶员提供生态驾驶轨迹优化曲线。

Description

基于VSP分布的生态驾驶定量评价与轨迹优化方法
技术领域
本申请涉及生态驾驶行为领域，尤其涉及基于VSP分布的生态驾驶定量评价与轨迹优化方法。
背景技术
随着我国碳达峰与碳中和目标的提出，作为第三大碳排放源的交通行业，节能减排任务愈发紧迫。研究表明，生态驾驶行为可使单车油耗降低5％～10％。生态驾驶指通过驾驶培训、设备辅助等方式，改变驾驶员不良驾驶行为，降低车辆油耗和排放。驾驶行为生态性的评价与优化方法成为研究热点。现有驾驶行为评价主要基于仿真建模、驾驶模拟实验和现场实测等方法展开。其中，仿真方法通常假设驾驶员能完全遵循生态驾驶策略建议的最佳速度进行驾驶，实际驾驶中难以实现；驾驶模拟器可有效捕捉实际驾驶行为，但难以模拟复杂多变的真实道路交通条件；现场实测法能收集真实交通环境中的实际驾驶行为数据，可更为合理地评价驾驶行为，但耗费成本高且路网覆盖程度有限。目前尚缺乏快速准确的驾驶行为生态性定量评价方法。此外，改善驾驶行为的重要途径之一是生态轨迹优化，为驾驶员提供生态驾驶曲线，现有研究多基于仿真手段研究轨迹优化方法，不符合人类驾驶特征。基于机动车比功率(vehicle specific power，VSP)的排放模型，将微观驾驶轨迹和宏观能耗排放相结合，能有效刻画动态交通状态下的能耗排放变化规律。因此，如何基于VSP分布模型开发一种驾驶行为生态性的快速量化评估方法，对实测生态驾驶轨迹进行识别，构建符合人的驾驶特征的生态轨迹曲线是十分有意义的。
发明内容
本发明提出了一种基于VSP分布的生态驾驶定量评价与轨迹优化方法。该方法首先基于大量驾驶员逐秒轨迹数据，构建大量驾驶员与驾驶员个体VSP分布模型；其次，基于整体与个体VSP分布差异及其在不同速度区间的一致性，构建驾驶行为生态性定量评价模型；最后，识别大量实际生态驾驶轨迹，基于正弦函数多项式构建符合人类实际驾驶特征的生态驾驶轨迹优化方法。该发明可对驾驶行为的生态性进行快速量化评价，对不环保驾驶轨迹具有良好的节油效果，为驾驶员提供符合人类驾驶特征且易于实行的生态驾驶轨迹曲线。
为了完成本申请的发明目的，本申请采用以下技术方案：
本发明的基于VSP分布的生态驾驶定量评价与轨迹优化方法，其特征在于：它包括：
(一)、基于逐秒行驶轨迹数据构建大量驾驶员与个体驾驶员的VSP分布模型
(1)、对逐秒行驶轨迹数据的预处理
选取至少200个驾驶员的逐秒GPS速度数据，逐秒地计算每个驾驶员上述速度数据中的所有加速度，并且对上述加速度从小到大进行排序，然后删除上述排序中最大的2％加速度的数据；再逐秒检查上述加速度的数据，当上述加速度的数据存在小于或等于2s的连续缺失数据时，采用三次样条插值法进行补齐，并将总插值的加速度的数据的比例控制在所有加速度的数据的1％以内；当上述加速度的数据存在大于或等于3s的连续缺失数据时，删除该部分缺失的加速度的数据，得到逐秒的时间、速度和加速度的连续数据；
(2)、用以上述驾驶员全部轨迹数据构建的VSP分布，来构建驾驶行为生态性定量评价模型
(Ⅰ)、短行程划分及平均速度计算
将上述数据划分为包含几种运行状态的短行程，对于快速路来说，每个短行程的时长为60s，以60s为一个窗口构建连续的轨迹片段，并基于公式(1)计算每条轨迹片段的平均速度；
其中：vi为每条轨迹的第i秒速度，单位为m/s；为每条轨迹的平均速度，单位为km/h；然后将平均速度以2km/h为间隔划分多个平均速度区间；n为整数；/>为平均速度区间，单位为km/h；
(Ⅱ)、VSP的计算
VSP是机动车比功率，其定义为单位车辆质量的瞬时牵引功率，单位为kW/t，表示为：
VSP＝(Acv+B·v2+Ctv3)/m+(a+gΨsinθ)Ψv (2)
其中：VSP为瞬时牵引功率，单位为kW/t；A、B、C和m为轻型小汽车道路荷载系数，A、B、C和m取值分别为0.156 461、0.0020002、0.000493和1.4788；v为逐秒GPS瞬时速度，单位为m/s；a为逐秒加速度，单位为m/s2；g为重力加速度，取值为9.8m/s2；θ为道路坡度；
(Ⅲ)、VSP分布构建
在每个平均速度区间内，将VSP以1kW/t的间隔分成若干个k区间；
其中：Pbin为VSP区间，单位为kW/t，k为[-20,20]区间的整数；
统计在每个速度区间内,各VSP区间的数据频数占该速度区间内所有数据记录数的占比，得到每个速度区间的VSP分布；同理，在不同速度区间内，得到不同速度区间的VSP分布；
(二)、基于大量驾驶员与个体驾驶员的VSP分布差异，构建驾驶行为生态性量化评价模型
油耗量是生态驾驶评价的重要指标，使用车载尾气检测设备，采集车辆尾气的CO2排放率、CO排放率和CH排放率，采用公式(4)的碳平衡法计算出油耗率；
其中：Rfuel为油耗率，单位为g/s；ECO和ECH分别为CO2排放率、CO排放率和CH排放率，单位为g/s；
用公式(5)表示在各速度区间内的整体基准油耗量；
其中：Fzj为第j个平均速度区间的整体基准油耗量，单位为g；i为第j个平均速度区间的第i个VSP区间；Ri为第i个VSP区间油耗率，单位为g/s，在各VSP区间内的油耗率是不同的；fzij为第j个平均速度区间第i个VSP区间与整体VSP分布的行驶时间占比；为整体VSP分布的第j个平均速度区间的平均速度值，单位为km/h；
在各速度区间的个体油耗量表示为
其中：Flj为第l个驾驶员在第j个平均速度区间的油耗量，单位为g；i为第j个平均速度区间的第i个VSP区间；Ri为第i个VSP区间油耗率，单位为g/s，flij为第l个驾驶员在第j个平均速度区间内，第i个VSP区间与整体VSP分布的行驶时间占比；为第l个驾驶员在第j个平均速度区间的平均速度值，单位为km/h；
计算每位驾驶员在所有速度区间内，个体油耗量与整体基准油耗量的比值，并将其作为生态水平划分的依据，表示如下：
其中：Plj为第j个平均速度区间内，第l个驾驶员的油耗量与整体基准油耗量的百分比，当Plj接近于100％时，表示在该平均速度区间内，第l个驾驶员个体驾驶行为的生态性与整体基准水平相近；当Plj小于100％时，表示第l个驾驶员个体驾驶行为的生态性高于整体基准水平；Plj越小，说明第l个驾驶员驾驶行为越生态；当Plj大于1时，表示第l个驾驶员驾驶行为的生态性低于整体基准水平，Plj越大，说明第l个驾驶员驾驶行为越不环保；
统计出所有驾驶员在所有速度区间内的Plj数量，并按照从小到大的顺序进行依次排列，将其按百分位数以10％为间隔进行划分，来定量评价驾驶行为的生态性，分数区间为[1,10]，当得分小于或等于5时，个体驾驶员的驾驶行为与整体基准水平相比为生态，对应的驾驶轨迹为环保驾驶轨迹；当得分大于或等于6时，个体驾驶员的驾驶行为与整体基准水平相比为不生态，对应的驾驶轨迹为不环保驾驶轨迹；
(三)、基于大量实际生态驾驶轨迹构建生态驾驶优化轨迹模型
统计出在所有速度区间内，所有驾驶员中得分为1的环保轨迹中的加速轨迹片段和减速轨迹片段，将其分别绘制为速度与时间散点图，通过对生态轨迹上和下限速度变化趋势进行曲线拟合，为驾驶员提供生态驾驶轨迹的优化曲线。
本发明的基于VSP分布的生态驾驶定量评价与轨迹优化方法，其中：所述上下限变化趋势分别取对应于最大或最小速度的98％的范围内，以保证轨迹的平滑性。
本发明的基于VSP分布的生态驾驶定量评价与轨迹优化方法，其中：所述曲线拟合为用BP神经网络、多项式或正弦函数进行曲线拟合。
本发明的基于VSP分布的生态驾驶定量评价与轨迹优化方法，其中：所述BP神经网络是按误差反向传播进行训练的多层前馈网络，采用梯度下降搜索方式使输入值与期望值的均方根误差达到最小，其算法伪代码如下：
(a)、设置初始化学习率0.01，期望误差0.001，最大迭代次数2000次，2层隐含层神经元个数分别为6和3，初始化权值矩阵；
(b)、输入加速平均趋势速度与时间散点对；
(c)、正向计算各层输入与输出向量；
(d)、计算实际输出与期望输出误差，判断是否达到误差收敛或最大迭代次数结束条件，若达到，则输出结果；若未达到，转到步骤(e)；
(e)、反向调整网络权值，转到步骤(c)。
本发明的基于VSP分布的生态驾驶定量评价与轨迹优化方法，其中：所述多项式为采用多项式最小二乘法，拟合出驾驶轨迹的曲线，其拟合公式为
其中：为速度，km/h；a0、a1、a2、a3、a4、a5为曲线拟合系数；t为轨迹行驶时间。
本发明的基于VSP分布的生态驾驶定量评价与轨迹优化方法，其中：所述正弦函数为采用以下公式拟合出驾驶轨迹的曲线，
其中：n为函数形式，经测算对比，函数形式选择5；an、bn、cn为曲线拟合系数。
本发明的基于VSP分布的生态驾驶定量评价与轨迹优化方法，其中：所述三次样条插值方法如下：
当[a,b]上有插值节点，a＝x1<x2<…<xn＝b，对应函数值为y1,y2,…,yn。S(x)三次样条插值函数满足S(xj)＝yj(j＝1,2,…,n)，S(x)在[xj,xj十l](j＝l,2,…,n-1)上都是不高于三次的多项式，且在[a,b]具有二阶连续导数。S(x)在每个子区间[xj，xj+l]上确定三次多项式，设为：
Sj(x)＝ajx3+bjx2+cjx+dj，(j＝1,2,…,n-1)
其中aj,bj,cj,dj待定，并要使它满足：
S(xj)＝yj,S(xj-0)＝S(xj+0),(j＝2,…,n-1)
S’(xj-0)＝S’(xj+0),S”(xj-0)＝S”(xj+0),(j＝2,…,n-1)
且满足边界条件：S’(x1)＝yl’,S’(xn)＝yn’
对上述条件进行求解，可得所插值。本发明的一种基于VSP分布的生态驾驶定量评价与轨迹优化方法，其中：所述几种运行状态包括：加速状态、减速状态、匀速状态和怠速状态。
本发明所构建的生态轨迹优化方法具有良好的节油效果，使行驶轨迹更平稳。基于实际生态轨迹所构建的轨迹优化曲线，更符合人类驾驶习惯，有利于驾驶员遵循本发明所构建的生态轨迹优化曲线行驶。
附图说明
图1(a)为一个驾驶员在速度为24-26km/h的速度区间内VSP分布图；
图1(b)为一个驾驶员在速度为28-30km/h的速度区间内VSP分布图；
图1(c)为一个驾驶员在速度为34-36km/h的速度区间内VSP分布图；
图1(d)为一个驾驶员在速度为30-40km/h的速度区间内VSP分布；
图1(a)至图1(d)中，表示该个体驾驶员VSP分布，/>表示整体基准VSP分布。
图2(a)为另一个驾驶员在速度为24-26km/h的速度区间内VSP分布图；
图2(b)为另一个驾驶员在速度为28-30km/h的速度区间内VSP分布图；
图2(c)为另一个驾驶员在速度为34-36km/h的速度区间内VSP分布图；
图2(d)为另一个驾驶员在速度为30-40km/h的速度区间内VSP分布；
图2(a)至图2(d)中，表示该个体驾驶员VSP分布，/>表示整体基准VSP分布。
图3为油耗率与VSP关系的示意图，其中，·表示平均燃油消耗率，-表示燃油消耗率的95％置信上限，-表示燃油消耗率的95％置信下限。
图4驾驶行为生态性定量评价分数划分的示意图；
图5为环保轨迹加减速趋势的示意图；
其中图5(a)为加速趋势的示意图；
图5(b)为减速趋势的示意图；其中，表示轨迹散点，/>表示上限趋势，/>表示平均趋势，/>表示下限趋势。
图6为加速平均趋势曲线拟合效果的示意图；
其中图6(a)为用BP神经网络方法进行拟合的加速平均趋势曲线拟合效果的示意图；
图6(b)为用多项式方法进行拟合的加速平均趋势曲线拟合效果的示意图；
图6(c)为用正弦函数方法进行拟合的加速平均趋势曲线拟合效果的示意图；
其中表示实际散点，/>表示拟合曲线。
具体实施方式
本发明的基于VSP分布的生态驾驶定量评价与轨迹优化方法包括：
(一)、基于逐秒行驶轨迹数据构建大量驾驶员与个体驾驶员的VSP分布模型
(1)、对逐秒行驶轨迹数据的预处理，包括：
选取209个驾驶员的逐秒GPS数据，逐秒地计算每个驾驶员上述速度数据中的所有加速度，并且对上述加速度从小到大进行排序，然后删除上述排序中最大的2％加速度的数据；再逐秒检查上述数据，当在上述数据存在小于等于2s的连续缺失数据时，采用三次样条插值法进行补齐，并将总插值数据的比例控制在所有数据的1％以内；当在上述数据存在大于等于3s的连续缺失数据时，删除该部分缺失数据，得到逐秒的时间、速度和加速度的连续数据；
(2)、以上述驾驶员全部轨迹数据构建的VSP分布，构建驾驶行为生态性定量评价模型
(Ⅰ)、短行程划分及平均速度计算
将上述数据划分为包含几种运行状态的短行程，运行状态包括：加速状态、减速状态、匀速状态和怠速状态。对于快速路来说，每个短行程的时长为60s，以60s为一个窗口构建连续的轨迹片段，并基于公式(1)计算每条轨迹片段的平均速度；
其中：vi为每条轨迹的第i秒速度，m/s；为每条轨迹的平均速度，km/h；
然后将平均速度以2km/h为间隔划分多个平均速度区间；n为整数；为平均速度区间，km/h；
(Ⅱ)、VSP的计算
VSP是机动车比功率，其定义为单位车辆质量的瞬时牵引功率，kW/t，表示为：
VSP＝(A·v+B·v2+C·v3)/m+(a+g·sinθ)·v (2)
其中：VSP为瞬时牵引功率，kW/t；A、B、C和m为轻型小汽车道路荷载系数，A、B、C和m取值分别为0.156 461、0.0020002、0.000493和1.4788；v为逐秒GPS瞬时速度，m/s；a为逐秒加速度，m/s2；g为重力加速度，取值为9.8m/s2；θ为道路坡度；
(Ⅲ)、VSP分布构建
在每个平均速度区间内，将VSP以1kW/t的间隔分成若干个k区间；
其中：Pbin为VSP区间，kW/t，k为[-20,20]区间的整数；
统计在每个速度区间内,各VSP区间的数据频数占该速度区间内所有数据记录数的占比，得到不同速度区间的VSP分布，即不同速度条件下，各VSP区间的行驶时间占比；
图1和图2展示了2位驾驶员在不同速度区间的个体与整体基准VSP分布差异。如图3所示，在[-20,0)kW/t VSP区间，油耗率较低且变化平稳；在[0,20]kW/t VSP区间，油耗率随VSP值单调递增。如图1所示，在各速度区间中驾驶员1的VSP分布相较于整体更集中于0kW/t附近，油耗率较低，个体油耗量低于整体基准水平。如图2所示，在各速度区间中驾驶员2的VSP分布比整体更分散，在高油耗率VSP区间的行驶时间比例更高，个体油耗量高于整体基准水平。综上所述，驾驶员1驾驶行为生态性高于整体基准水平，而驾驶员2低于整体基准水平。
基于每个个体驾驶员的逐秒轨迹数据构建不同速度区间内的个体VSP分布；
基于全部驾驶员的逐秒轨迹数据构建不同速度区间内的整体VSP分布。
比较各个速度区间内的个体VSP分布与整体VSP分布差异，当个体驾驶员VSP分布比整体VSP分布更集中于低VSP区间时，该区间内燃油消耗率较低，该个体驾驶员的驾驶行为生态性高于整体基准水平；反之，个体驾驶员驾驶行为生态性低于整体基准水平。
比较个体驾驶员在不同速度区间的驾驶行为生态性，发现其具备一致性。
(二)、基于大量驾驶员与个体驾驶员VSP分布差异，构建驾驶行为生态性量化评价模型
油耗量是生态驾驶评价的重要指标，基于北京交通大学利用尾气检测设备采集车辆尾气的CO2排放率、CO排放率和CH排放率，采用碳平衡法计算出油耗率
其中：Rfuel为油耗率，g/s；ECO和ECH分别为CO2排放率、CO排放率和CH排放率，g/s；在各速度区间内的整体基准油耗量表示为
其中：Fzj为第j个平均速度区间的整体基准油耗量，g；i为第j个速度区间的第i个VSP区间；Ri为第i个VSP区间油耗率，g/s，在各VSP区间内的油耗率是不同的；在各VSP区间的Rfuel油耗率是通过尾气检测设备检测所得，fzij为整体VSP分布第j个速度区间第i个VSP区间的行驶时间占比；为整体VSP分布的第j个速度区间的平均速度值，km/h；
在各速度区间的个体油耗量表示为
其中：Flj为第l个驾驶员第j个平均速度区间的油耗量，g；i为第j个速度区间的第i个VSP区间；Ri为第i个VSP区间油耗率，g/s，flij为第l个驾驶员第j个速度区间内第i个VSP区间的行驶时间占比；为第l个驾驶员第j个速度区间的平均速度值，km/h；
计算每位驾驶员在所有速度区间内，个体油耗量与整体基准油耗量的比值，并将其作为生态水平划分的依据，表示如下：
其中Plj为第j个平均速度区间第l个驾驶员的油耗量与整体基准油耗量的百分比，Plj接近于100％时，表示在该速度区间内，第l个驾驶员个体驾驶行为生态性与整体基准水平相近；Plj小于100％时，表示第l个驾驶员个体驾驶行为生态性高于整体基准水平；Plj越小，说明第l个驾驶员驾驶行为越生态；Plj大于1时，表示第l个驾驶员驾驶行为的生态性低于整体基准水平，Plj越大，说明第l个驾驶员驾驶行为越不环保；
统计出所有驾驶员在所有速度区间内的Plj数量2171，并按照从小到大的顺序进行依次排列，将其按百分位数以10％为间隔进行划分，来定量评价驾驶行为的生态性，分数区间为[1,10]，如图4所示，当得分小于等于5时，个体驾驶员的驾驶行为较整体基准水平更生态，对应的驾驶轨迹为环保驾驶轨迹；当得分大于等于6时，个体驾驶员的驾驶行为较整体基准水平更不生态，对应驾驶轨迹为不环保驾驶轨迹。
(三)、基于大量实际生态驾驶轨迹构建生态驾驶优化轨迹模型
统计出在所有速度区间内，所有驾驶员中得分为1的环保轨迹中的加速轨迹片段683条和减速轨迹片段689条，将其分别绘制为如图5所示的速度与时间散点图，通过对生态轨迹加减速的平均值趋势和上下限变化趋势进行曲线拟合，上下限变化趋势分别取对应于最大或最小速度的98％的范围内，以保证轨迹的平滑性，用BP神经网络、多项式或正弦函数进行曲线拟合，构建生态驾驶轨迹曲线，为驾驶员提供生态驾驶轨迹优化曲线。
BP神经网络是按误差反向传播进行训练的多层前馈网络，采用梯度下降搜索方式使输入值与期望值的均方根误差达到最小，其算法伪代码如下：
(a)、设置初始化学习率0.01，期望误差0.001，最大迭代次数2000次，2层隐含层神经元个数分别为6和3，初始化权值矩阵；
(b)、输入加速平均趋势速度与时间散点对；
(c)、正向计算各层输入与输出向量；
(d)、计算实际输出与期望输出误差，判断是否达到误差收敛或最大迭代次数结束条件，若达到，则输出结果；若未达到，转到步骤(e)；
(e)、反向调整网络权值，转到步骤(c)；
通过图6(a)得到拟合曲线。
多项式为采用多项式最小二乘法，拟合出驾驶轨迹的曲线，其拟合公式为
其中：为速度，km/h；a0、a1、a2、a3、a4、a5为曲线拟合系数；t为轨迹行驶时间；
通过图6(b)得到拟合曲线。
正弦函数为采用以下公式拟合出驾驶轨迹的曲线，
其中：n为函数形式，经测算对比，函数形式选择5；an、bn、cn为曲线拟合系数；
通过图6(c)得到拟合曲线。
对轨迹优化前后总油耗量、平均油耗率和平均加速度绝对值变化如表1所示，基于本发明所构建的轨迹优化算法将行驶轨迹优化后，轨迹的油耗率和加速度变化更加平稳，3条轨迹总油耗量、平均油耗率和平均加速度绝对值分别平均下降5.63％、5.28％和42.32％。以上案例研究表明，本发明所构建的生态轨迹优化方法具有良好的节油效果，使行驶轨迹更平稳。基于实际生态轨迹所构建的轨迹优化曲线，更符合人类驾驶习惯，有利于驾驶员遵循本发明所构建的生态轨迹优化曲线行驶。
表1轨迹优化前后相关指标对比
其中步骤(1)中的三次样条插值法如下：
当[a,b]上有插值节点，a＝x1<x2<…<xn＝b，对应函数值为y1,y2,…,yn。S(x)三次样条插值函数满足S(xj)＝yj(j＝1,2,…,n)，S(x)在[xj,xj十l](j＝l,2,…,n-1)上都是不高于三次的多项式，且在[a,b]具有二阶连续导数。S(x)在每个子区间[xj，xj+l]上确定三次多项式，设为：
Sj(x)＝ajx3+bjx2+cjx+dj，(j＝1,2,…,n-1)
其中aj,bj,cj,dj待定，并要使它满足：
S(xj)＝yj,S(xj-0)＝S(xj+0),(j＝2,…,n-1)
S’(xj-0)＝S’(xj+0),S”(xj-0)＝S”(xj+0),(j＝2,…,n-1)
且满足边界条件：S’(x1)＝yl’,S’(xn)＝yn’
对上述条件进行求解，可得所插值。
三次样条插值方法可参考喻文健.《数值分析与算法(第3版).清华大学出版社.2020(ISBN:9787302544616)，页码233-234。
以上所述仅是本发明的优选实施方式，并不用于限制本发明，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和变型，这些改进和变型也应视为本发明的保护范围。

Claims (8)

1.一种基于VSP分布的生态驾驶定量评价与轨迹优化方法，其特征在于：它包括：
(一)、基于逐秒行驶轨迹数据构建大量驾驶员与个体驾驶员的VSP分布模型
(1)、对逐秒行驶轨迹数据的预处理
选取至少200个驾驶员的逐秒GPS速度数据，逐秒地计算每个驾驶员上述速度数据中的所有加速度，并且对上述加速度从小到大进行排序，然后删除上述排序中最大的2％加速度的数据；再逐秒检查上述加速度的数据，当上述加速度的数据存在小于或等于2s的连续缺失数据时，采用三次样条插值法进行补齐，并将总插值的加速度的数据的比例控制在所有加速度的数据的1％以内；当上述加速度的数据存在大于或等于3s的连续缺失数据时，删除所述连续缺失数据，得到逐秒的时间、速度和加速度的连续数据；
(2)、用以上述驾驶员全部轨迹数据构建的VSP分布，来构建驾驶行为生态性定量评价模型
(Ⅰ)、短行程划分及平均速度计算
将上述数据划分为包含几种运行状态的短行程，对于快速路来说，每个短行程的时长为60s，以60s为一个窗口构建连续的轨迹片段，并基于公式(1)计算每条轨迹片段的平均速度；
其中：vi为每条轨迹的第i秒速度，单位为m/s；为每条轨迹的平均速度，单位为km/h；然后将平均速度以2km/h为间隔划分多个平均速度区间；n为整数；/>为平均速度区间，单位为km/h；
(Ⅱ)、VSP的计算
VSP是机动车比功率，其定义为单位车辆质量的瞬时牵引功率，单位为kW/t，表示为：
VSP＝(A·v+B·v2+C·v3)/m+(a+g·sinθ)·v (2)
其中：VSP为瞬时牵引功率，单位为kW/t；A、B、C和m为轻型小汽车道路荷载系数，A、B、C和m取值分别为0.156 461、0.0020002、0.000493和1.4788；v为逐秒GPS瞬时速度，单位为m/s；a为逐秒加速度，单位为m/s2；g为重力加速度，取值为9.8m/s2；θ为道路坡度；
(Ⅲ)、VSP分布构建
在每个平均速度区间内，将VSP以1kW/t的间隔分成若干个k区间；
其中：Pbin为VSP区间，单位为kW/t，k为[-20,20]区间的整数；
统计在每个速度区间内,各VSP区间的数据频数占该速度区间内所有数据记录数的占比，得到每个速度区间的VSP分布；同理，在不同速度区间内，得到不同速度区间的VSP分布；
(二)、基于大量驾驶员与个体驾驶员的VSP分布差异，构建驾驶行为生态性量化评价模型
油耗量是生态驾驶评价的重要指标，使用车载尾气检测设备，采集车辆尾气的CO2排放率、CO排放率和CH排放率，采用公式(4)的碳平衡法计算出油耗率；
Rfuel＝(1214ECO2+1228ECO+1213ECH)×86.4％ (4)
其中：Rfuel为油耗率，单位为g/s；ECO和ECH分别为CO2排放率、CO排放率和CH排放率，单位为g/s；
用公式(5)表示在各速度区间内的整体基准油耗量；
其中：Fzj为第j个平均速度区间的整体基准油耗量，单位为g；i为第j个平均速度区间的第i个VSP区间；Ri为第i个VSP区间油耗率，单位为g/s，在各VSP区间内的油耗率是不同的；fzij为第j个平均速度区间第i个VSP区间与整体VSP分布的行驶时间占比；为整体VSP分布的第j个平均速度区间的平均速度值，单位为km/h；
在各速度区间的个体油耗量表示为：
其中：Flj为第l个驾驶员在第j个平均速度区间的油耗量，单位为g；i为第j个平均速度区间的第i个VSP区间；Ri为第i个VSP区间油耗率，单位为g/s，flij为第l个驾驶员在第j个平均速度区间内，第i个VSP区间与整体VSP分布的行驶时间占比；为第l个驾驶员在第j个平均速度区间的平均速度值，单位为km/h；
计算每位驾驶员在所有速度区间内，个体油耗量与整体基准油耗量的比值，并将其作为生态水平划分的依据，表示如下：
其中：Plj为第j个平均速度区间内，第l个驾驶员的油耗量与整体基准油耗量的百分比，当Plj接近于100％时，表示在该平均速度区间内，第l个驾驶员个体驾驶行为的生态性与整体基准水平相近；当Plj小于100％时，表示第l个驾驶员个体驾驶行为的生态性高于整体基准水平；Plj越小，说明第l个驾驶员驾驶行为越生态；当Plj大于1时，表示第l个驾驶员驾驶行为的生态性低于整体基准水平，Plj越大，说明第l个驾驶员驾驶行为越不环保；
统计出所有驾驶员在所有速度区间内的Plj数量，并按照从小到大的顺序进行依次排列，将其按百分位数以10％为间隔进行划分，来定量评价驾驶行为的生态性，分数区间为[1,10]，当得分小于或等于5时，个体驾驶员的驾驶行为与整体基准水平相比为生态，对应的驾驶轨迹为环保驾驶轨迹；当得分大于或等于6时，个体驾驶员的驾驶行为与整体基准水平相比为不生态，对应的驾驶轨迹为不环保驾驶轨迹；
(三)、基于大量实际生态驾驶轨迹构建生态驾驶优化轨迹模型
统计出在所有速度区间内，所有驾驶员中得分为1的环保轨迹中的加速轨迹片段和减速轨迹片段，将其分别绘制为速度与时间散点图，通过对生态轨迹上和下限速度变化趋势进行曲线拟合，为驾驶员提供生态驾驶轨迹的优化曲线。
2.如权利要求1所述的基于VSP分布的生态驾驶定量评价与轨迹优化方法，其特征在于：所述上和下限速度变化趋势分别取对应于最大速度或最小速度的98％的范围内，以保证轨迹的平滑性。
3.如权利要求2所述的基于VSP分布的生态驾驶定量评价与轨迹优化方法，其特征在于：所述曲线拟合为用BP神经网络、多项式或正弦函数进行曲线拟合。
4.如权利要求3所述的基于VSP分布的生态驾驶定量评价与轨迹优化方法，其特征在于：所述BP神经网络是按误差反向传播进行训练的多层前馈网络，采用梯度下降搜索方式使输入值与期望值的均方根误差达到最小，其算法伪代码采用如下步骤：
(a)、设置初始化学习率0.01，期望误差0.001，最大迭代次数2000次，2层隐含层神经元个数分别为6和3，初始化权值矩阵；
(b)、输入加速平均趋势速度与时间散点对；
(c)、正向计算各层输入与输出向量；
(d)、计算实际输出与期望输出误差，判断是否达到误差收敛或最大迭代次数结束条件，若达到，则输出结果；若未达到，转到步骤(e)；
(e)、反向调整网络权值，转到步骤(c)。
5.如权利要求3所述的基于VSP分布的生态驾驶定量评价与轨迹优化方法，其特征在于：所述多项式为采用多项式最小二乘法，拟合出生态驾驶轨迹的优化曲线；其拟合公式为：
其中：为速度，单位为km/h；a0、a1、a2、a3、a4、a5为曲线拟合系数；t为轨迹行驶时间。
6.如权利要求3所述的基于VSP分布的生态驾驶定量评价与轨迹优化方法，其特征在于：所述正弦函数采用以下公式(9)拟合出生态驾驶轨迹的优化曲线；
其中：n为函数形式，经测算对比，函数形式选择5；an、bn、cn为曲线拟合系数。
7.如权利要求4、5或6所述的基于VSP分布的生态驾驶定量评价与轨迹优化方法，其特征在于：所述三次样条插值方法如下：
当[a,b]上有插值节点，a＝x1<x2<…<xn＝b，对应函数值为y1,y2,…,yn，S(x)三次样条插值函数满足S(xj)＝yj(j＝1,2,…,n)，S(x)在[xj,xj十l](j＝l,2,…,n-1)上都是不高于三次的多项式，且在[a,b]具有二阶连续导数，S(x)在每个子区间[xj，xj+l]上确定三次多项式，设为：
Sj(x)＝ajx3+bjx2+cjx+dj，(j＝1,2,…,n-1)；
其中aj,bj,cj,dj待定，并要使它满足：
S(xj)＝yj,S(xj-0)＝S(xj+0),(j＝2,…,n-1)；
S’(xj-0)＝S’(xj+0),S”(xj-0)＝S”(xj+0),(j＝2,…,n-1)；
且满足边界条件：S’(x1)＝yl’,S’(xn)＝yn’；
对上述条件进行求解，得到所插值。
8.如权利要求7所述的基于VSP分布的生态驾驶定量评价与轨迹优化方法，其特征在于：所述几种运行状态包括：加速状态、减速状态、匀速状态和怠速状态。
CN202310535977.2A 2023-05-12 2023-05-12 基于vsp分布的生态驾驶定量评价与轨迹优化方法 Pending CN116596185A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310535977.2A CN116596185A (zh) 2023-05-12 2023-05-12 基于vsp分布的生态驾驶定量评价与轨迹优化方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310535977.2A CN116596185A (zh) 2023-05-12 2023-05-12 基于vsp分布的生态驾驶定量评价与轨迹优化方法

Publications (1)

Publication Number Publication Date
CN116596185A true CN116596185A (zh) 2023-08-15

Family

ID=87605692

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310535977.2A Pending CN116596185A (zh) 2023-05-12 2023-05-12 基于vsp分布的生态驾驶定量评价与轨迹优化方法

Country Status (1)

Country Link
CN (1) CN116596185A (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104680788A (zh) * 2015-02-11 2015-06-03 北京交通大学 一种用于交通路径选择的生态阻抗计算方法
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
CN107607436A (zh) * 2017-09-01 2018-01-19 河南中烟工业有限责任公司 一种基于标准抽吸模式的卷烟动态吸阻计算方法
CN115402331A (zh) * 2022-09-30 2022-11-29 四川野马汽车股份有限公司 一种基于动态坡道估算的陡坡缓降方法
CN115587327A (zh) * 2022-08-27 2023-01-10 长安大学 一种考虑Jerk的汽车油耗预测方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104680788A (zh) * 2015-02-11 2015-06-03 北京交通大学 一种用于交通路径选择的生态阻抗计算方法
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
CN107607436A (zh) * 2017-09-01 2018-01-19 河南中烟工业有限责任公司 一种基于标准抽吸模式的卷烟动态吸阻计算方法
CN115587327A (zh) * 2022-08-27 2023-01-10 长安大学 一种考虑Jerk的汽车油耗预测方法
CN115402331A (zh) * 2022-09-30 2022-11-29 四川野马汽车股份有限公司 一种基于动态坡道估算的陡坡缓降方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
JINRUI ZANG等: ""Method for Evaluating Eco-DrivingBehaviors Based on Vehicle Specific Power Distributions"", 《SAGE JOURNALS》, 14 June 2019 (2019-06-14), pages 1 - 10 *
孙志忠等: "《计算方法与实习》", 31 August 2022, 东南大学出版社, pages: 122 - 125 *
王辉等: "《基于计算机数字图像处理技术木材表面纹理特征提取和分类识别方法》", 30 June 2020, 北京理工大学出版社, pages: 57 - 70 *

Similar Documents

Publication Publication Date Title
Wu et al. Deep reinforcement learning of energy management with continuous control strategy and traffic information for a series-parallel plug-in hybrid electric bus
Lin et al. An ensemble learning velocity prediction-based energy management strategy for a plug-in hybrid electric vehicle considering driving pattern adaptive reference SOC
CN107169567A (zh) 一种用于车辆自动驾驶的决策网络模型的生成方法及装置
CN107958269A (zh) 一种基于隐马尔可夫模型的行车危险度预测方法
CN103246943B (zh) 基于马尔可夫链的汽车运行工况多尺度预测方法
CN106427589A (zh) 基于工况预测和模糊能耗的电动汽车续驶里程估算方法
CN103593986B (zh) 一种优化尾气排放的干线绿波协调控制信号配时方法
CN104200267A (zh) 一种车辆驾驶经济性评价系统及评价方法
CN109703548B (zh) 一种基于混合动力的汽车动力分配方法
CN105303856B (zh) 一种预测模型的可变情报板信息发布方法
CN105527110B (zh) 汽车燃油经济性的评估方法和装置
CN113158560A (zh) 一种基于场景对抗的智能驾驶车辆自主能力测试方法
CN1889114A (zh) 基于粒子群算法的交通信号离线配时优化方法
CN105930565A (zh) 基于线性策略的交叉熵算法的交通仿真模型参数标定方法
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
Yu et al. Assessing the impact of multi-dimensional driving behaviors on link-level emissions based on a Portable Emission Measurement System (PEMS)
Shi et al. Applying a WNN-HMM based driver model in human driver simulation: Method and test
CN116596185A (zh) 基于vsp分布的生态驾驶定量评价与轨迹优化方法
CN111125862B (zh) 一种基于遗传算法和比功率的跟驰模型排放测算方法
Xing et al. Driving cycle recognition for hybrid electric vehicle
Wang et al. A novel fuzzy comprehensive evaluation model for application effect of connected vehicle system in a tunnel scenario
CN114701517A (zh) 基于强化学习的多目标复杂交通场景下自动驾驶解决方法
CN111581887A (zh) 一种虚拟环境中基于仿真学习的无人车智能训练方法
Bishop et al. Real-world environmental impacts from modern passenger vehicles operating in urban settings
CN110390113A (zh) 车辆排放预测系统和方法

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