CN117669998A - 一种考虑乘客载荷变化的公交工况构建方法 - Google Patents

Abstract

本发明公开一种考虑乘客载荷变化的公交工况构建方法，涉及交通控制技术领域，包括：S1：提出了基于公交站点的短行程划分方法，根据相邻公交站点的实际距离划分运动片段，考虑速度和加速度的情况下，通过二维马尔可夫链蒙特卡洛方法，分别合成相邻公交站点之间的速度曲线。本发明要解决的技术问题是提供一种考虑乘客载荷变化的公交工况构建方法，在考虑速度的基础上，通过马尔可夫链蒙特卡洛方法，同时考虑乘客载荷的影响因素，构建了基于PHEB运行的公交行驶工况，解决了在驾驶工况合成过程中忽略乘客载荷变化导致城市公交车真实驾驶特性反映不准确的问题。

Description

一种考虑乘客载荷变化的公交工况构建方法

技术领域

本发明涉及公交工况构建技术领域，具体地讲，涉及一种考虑乘客载荷变化的公交工况构建方法。

背景技术

汽车的行驶工况是由大量实车采集的行驶数据，经过数据分析、处理的方法得到的时间-速度曲线，反映的是车辆在特定的交通环境下行驶的运动学特征。目前，专家学者对工况进行了深刻的研究，已建立大量的标准循环工况，主要分为两大类：瞬态工况与模态工况。其中，瞬态工况与实际驾驶过程较为相似，具有频繁的车速变化，而模态工况则由连续速度片段或加速度片段衔接而成，二者都可用于车辆认证与性能评估。但是，由于不同地区的交通流量分布和道路特性存在差异，汽车的实际运行状况存在显著差异，标准循环工况并不适用于不同地区车辆的设计与标定。因此，国内外专家学者对不同国家和地区的行驶工况进行了广泛研究，并建立了适用于该地区的行驶工况。

此外，随着新能源汽车的快速发展，越来越多循环工况的研究都围绕纯电动汽车（BEV）与混合动力汽车（HEV）来开展，尤其对纯电动乘用车、混合动力商用车等车型的运行工况研究十分地广泛和深入。但是，在工况构建时，大多研究仅考虑速度因素，忽略了其他因素对工况构建的影响。以公交车为例，由于其在某个固定线路运行，且具有频繁的随机启停行为，很难用现有标准工况来表征其运行特性。同时，在现有研究中，很少考虑乘客载荷变化对公交行驶工况的影响。因此，构建一个考虑乘客载荷变化的典型行驶工况，使其能够准确反映公交线路实际行驶特性，对于车辆设计及优化具有重要意义。

发明内容

本发明要解决的技术问题是提供一种考虑乘客载荷变化的公交工况构建方法，在考虑速度的基础上，通过马尔可夫链蒙特卡洛方法，同时考虑乘客载荷的影响因素，构建了基于PHEB运行的公交行驶工况，解决了在驾驶工况合成过程中忽略乘客载荷变化导致城市公交车真实驾驶特性反映不准确的问题。

本发明采用如下技术方案实现发明目的：

一种考虑乘客载荷变化的公交工况构建方法，其特征在于，包括：

S1：提出基于公交站点的短行程划分方法，根据相邻公交站点的实际距离划分运动片段，考虑速度和加速度的情况下，通过二维马尔可夫链蒙特卡洛方法，分别合成相邻公交站点之间的速度曲线，为公交线路构建具有代表性的车速工况；

S2：获取该公交线路的乘客数据，并按照高峰期和非高峰期进行划分，分别建立基于站点及人数分布的二维马尔可夫链，利用蒙特卡罗模拟和最大似然估计的方法，确定每个公交站点在非高峰和高峰时段的乘客人数，构建了该公交线路的乘客数量变化工况；

S3：将乘客数量转化为乘客载荷，按照站点将所构建的车速工况与乘客载荷变化工况进行合成，完成考虑载荷变化的城市公交工况的构建。

作为本技术方案的进一步限定，所述S1的具体操作过程如下：

S11：将每组测量数据的车速及对应的加速度数据按照站点分布，在下述约束条件的约束下划分为m（m为实际站点区间数）个区间：

（1）

其中：表示第/>个区间段的车速集合；

与/>分别表示第/>个区间段的起始与终止车速，/>；

表示第/>个区间段车速为/>时，所对应的加速度；

表示第/>个区间段的实际距离；

表示车辆在第/>个区间段中行驶所用的时间；

S12：将相同站点区间内的工况段进行组合，作为该区间段内的行驶信息，将区间段内的车速与加速度信息转化成相应的状态，得到其状态分布概率，随后构建马尔可夫链；

S13：由状态分布概率计算出转移概率矩阵，将计算出的转移概率矩阵转换为若干行向量组合，并对每个行向量进行处理，构建新的矩阵，新矩阵中的元素需满足：

（2）

S14：定义的生成数量，通过蒙特卡洛模拟法来产生一组随机数/>，对于矩阵/>中某一行向量而言，当随机数/>处于某一区间，且满足下式时：

（3）

第个状态将被选定，随机状态变量将从当前状态转移到第/>个状态，同时，该状态所对应的速度将被选取作为下一时刻的车速，然后，根据该方法确定每一时刻车速构建每个区间段的车速工况；

S15：对每个区间段车速工况进行验证，如果满足该区间段的行驶里程要求，则可作为候选区间段车速工况，最后，将各区间段候选工况进行合成，完成该公交线路车速工况的构建。

作为本技术方案的进一步限定，所述S2的具体操作过程如下：

S21：以测量数据为基础，分别建立非高峰期及高峰期不同站点车载乘客数量变化的马尔可夫链模型，并得到其转移概率矩阵；

S22：定义随机数个数，生成随机数，通过马尔可夫链蒙特卡洛法确定每个随机数所属状态；

S23：对产生的随机状态进行统计分析，利用极大似然估计法确定公交线路中每一站点出现频率最多的状态，并以该状态所对应的乘客人数，作为该站点的车载乘客人数；

S24：重复步骤S21、步骤S22和步骤S23，并对所得到的同一站点车载乘客人数求均值，当该值趋于稳定时，不再重复上述步骤，将稳定值作为车辆经过该站点后车辆的载客数量；

S25：分别生成高峰期与非高峰期的车辆载客量随站点变化曲线，并通过相应的权重因子根据下式对每个站点实际乘客人数变化情况进行描述，得到该公交线路乘客人数变化曲线：

（4）

其中：表示第/>个站点生成的车辆载客人数；

与/>分别为非高峰期与高峰期车载乘客数量；

为权重因子，/>。

与现有技术相比，本发明的优点和积极效果是：1、传统的行驶工况构建方法，在构建工况时大多只考虑速度和加速度，而对个别道路情况和特殊车辆来讲，仅考虑速度和加速度无法全面描述出车辆行驶时的驾驶特性。本发明在充分考虑到乘客载荷对车辆运行的影响后，提出了一种考虑乘客载荷变化的行驶工况构建方法，解决了在驾驶周期构建过程中忽略乘客载荷变化导致的城市公交车真实驾驶特性反映不准确问题；2、在构建车速工况时，区别于传统的区间划分方法，本发明在划分区间时，提出了一种新型的基于站点的行驶区间划分方法，更清晰地反映出了不同站点之间车速的变化情况，有效提高了工况构建的精度；3、在构建乘客载荷变化工况时，将采集到的乘客数据按照高峰期和非高峰期进行划分，分别建立了二维马尔可夫链，得到高峰期与非高峰期的乘客载荷变化工况，能够有效区分乘客数据的异质性，并降低乘客载荷变化工况构建的难度；4、所合成的行驶工况包括车速与乘客载荷变化，能够更准确地反映该线路车辆的运行特性，给车辆设计与优化提供了良好的设计基础。

附图说明

图1为本发明的流程框图。

图2为本发明的车速数据区间划分示意图。

图3为本发明的某一区间段的车速集合图。

图4为本发明的基于车速-加速度的状态划分图。

图5为本发明的某一区间段不同状态的分布概率图。

图6为本发明的某一区间段状态转移概率矩阵图。

图7为本发明的合成的车速工况图。

图8为本发明的高峰期乘客数据状态划分。

图9为本发明的高峰期乘客人数状态转移概率矩阵图。

图10为图9的前100个状态的转移概率矩阵。

图11为本发明的蒙特卡洛模拟过程图。

图12为本发明的生成的各站点乘客变化曲线图。

图13为本发明的合成的考虑乘客载荷变化的公交工况。

具体实施方式

下面结合附图，对本发明的一个具体实施方式进行详细描述，但应当理解本发明的保护范围并不受具体实施方式的限制。

本发明包括以下步骤：

S1：提出了基于公交站点的短行程划分方法，根据相邻公交站点的实际距离划分运动片段，考虑速度和加速度的情况下，通过二维马尔可夫链蒙特卡洛方法，分别合成相邻公交站点之间的速度曲线，为公交线路构建具有代表性的车速工况。

所述S1的具体操作过程如下：

S11：将每组测量数据的车速及对应的加速度数据按照站点分布，在下述约束条件的约束下划分为m（m为实际站点区间数）个区间，划分结果如图2所示：

（1）

其中：表示第/>个区间段的车速集合；

与/>分别表示第/>个区间段的起始与终止车速，/>；

表示第/>个区间段车速为/>时，所对应的加速度；

表示第/>个区间段的实际距离；

表示车辆在第/>个区间段中行驶所用的时间。

S12：将相同站点区间内的工况段进行组合，作为该区间段内的行驶信息，将区间段内的车速与加速度信息转化成相应的状态，得到其状态分布概率，随后构建马尔可夫链。

对每组工况数据进行工况段划分后，将相同站点区间内的工况段进行组合并作为该区间段内的行驶信息，在每个区间段工况构建时对合成工况的起始和终止车速进行处理，同时限制其车速和加速度为0。某一区间段划分后得到的数据集合如图3所示。

系统的状态是构建马尔可夫链的必要元素，对于一个马尔可夫链，在给定过去的状态和当前的状态/>时，其将来状态/>的条件分布独立于过去的状态，仅依赖于当前状态，具体表达形式如下：

设是/>取非负整数值的随机过程，/>，为该过程在时刻/>的状态，若对于一切状态/>及一切/>，均满足：

（5）

在本发明中，将速度和加速度表示为相平面运动，并利用其在相平面内相应状态的变化，来代表汽车运行状态的转移，以此将区间段内的车速与加速度信息转化成相应的状态，随后构建了马尔可夫链。如图5所示，将某个站点区间段内的行驶数据表示为速度与加速度的相平面图，并根据适当的车速与加速度变化量与/>对其进行网格划分（本发明取/>，/>）。由速度和加速度划分成的网格称为状态箱，将含有驾驶数据的状态箱定义为状态，按照图4中所示方向，采用S型编码方式，对每个状态进行数字编码。在该区间段内，共得到231个状态，不同状态的概率分布如图5所示。

S13：由状态分布概率计算出转移概率矩阵，将计算出的转移概率矩阵转换为若干行向量组合，并对每个行向量进行处理，构建新的矩阵，新矩阵中的元素需满足：

（2）

对于马尔可夫链，设状态空间为/>，N为自然数集，对于任意的，/>，记为：

（6）

其中，表示马尔可夫链在当前状态/>时，下一步转移到状态/>的概率，也称一步转移概率。

马尔可夫链的一步转移概率可由统计试验数据得到，通常表示为：

（7）

其中：表示由当前时刻状态/>转移到下一时刻状态为/>的事件数。由为全部元素所组成的矩阵/>为一步转移概率矩阵，可表示为：

（8）

由于概率都是非负的，且当前时刻的状态必须要转移到某个其他状态，因此，转移概率矩阵满足以下条件：

（9）

本发明在构建车速工况时，由状态分布概率计算出转移概率矩阵，所选区间段内状态间的转移概率矩阵如图6所示，将计算出的转移概率矩阵/>转换为若干行向量组合，并对每个行向量进行处理，构建新的矩阵，从而得到马尔可夫链，新矩阵中的元素/>需满足式2。

S14：蒙特卡洛方法是一种近似模拟的方法，其基本思想可表示为：

（10）

其中，表示离散的随机向量；

是其可能值的集合；

是其概率质量函数（/>）。

当函数较难获取时，利用随机数生成部分概率质量函数/>为的独立同分布随机变量序列/>，通过强大数定律导出其近似值：

（11）

即当足够大时，可通过/>的平均值来估计/>。

定义的生成数量，通过蒙特卡洛模拟法来产生一组随机数/>，对于矩阵中某一行向量而言，当随机数/>处于某一区间，且满足下式时：

（3）

第个状态将被选定，随机状态变量将从当前状态转移到第/>个状态，同时，该状态所对应的速度将被选取作为下一时刻的车速，然后，根据该方法确定每一时刻车速构建每个区间段的车速工况。

S15：对每个区间段车速工况进行验证，如果满足该区间段的行驶里程要求，则可作为候选区间段车速工况，最后，将各区间段候选工况进行合成，完成该公交线路车速工况的构建。所构建的车速工况如图7所示。

S2：获取该公交线路的乘客数据，并按照高峰期和非高峰期进行划分，分别建立基于站点及人数分布的二维马尔可夫链，利用蒙特卡罗模拟和最大似然估计的方法，确定每个公交站点在非高峰和高峰时段的乘客人数，构建了该公交线路的乘客数量变化工况。

所述S2的具体操作过程如下：

S21：以测量数据为基础，分别建立非高峰期及高峰期不同站点车载乘客数量变化的马尔可夫链模型，随后按照站点与人数对采集数据进行状态划分。以高峰期乘客数据为例，为保证状态间的转移发生在不同站点间，对不同状态按照从左至右的方向编码，如图8所示。由不同状态间的转移关系即可得到车辆载客人数间的转移概率矩阵。基于实际道路数据划分共得到600个不同状态，其转移概率矩阵如图9所示， 图10为前100个状态的转移概率矩阵。

S22：马尔可夫链蒙特卡洛方法的基本思路就是在状态空间，通过模拟产生一条马尔可夫链，使其达到平稳分布并与目标分布一致。

定义随机数个数，生成随机数，通过马尔可夫链蒙特卡洛法确定每个随机数所属状态。当/>的数量足够大时，可以得到与原始测量数据独立同分布的状态序列。例如，当/>的数量设定为20000时，根据已建立的转移概率矩阵可产生20000个状态，其中，状态类别分布在[1，600]内，如图11所示。

S23：对产生的随机状态进行统计分析，利用极大似然估计法确定公交线路中每一站点出现频率最多的状态，并以该状态所对应的乘客人数，作为该站点的车载乘客人数。

设在一次模拟中，第个站点得到的载客人数为/>，那么该站点的车辆载客人数由下式确定；

（12）

其中：表示第/>个站点车辆载客人数；

为第/>次模拟得到的/>站点载客人数；

表示模拟次数，当趋于稳定时，模拟结束。

S24：重复步骤S21、步骤S22和步骤S23，并对所得到的同一站点车载乘客人数求均值，当该值趋于稳定时，不再重复上述步骤，将稳定值作为车辆经过该站点后车辆的载客数量。

S25：分别生成高峰期与非高峰期的车辆载客量随站点变化曲线，并通过相应的权重因子根据下式对每个站点实际乘客人数变化情况进行描述，得到该公交线路乘客人数变化曲线。

（4）

其中：表示第/>个站点生成的车辆载客人数；

与/>分别为非高峰期与高峰期车载乘客数量；

为权重因子，/>。

S3：将乘客数量转化为乘客载荷，按照站点将所构建的车速工况与乘客载荷变化工况进行合成，完成考虑载荷变化的城市公交工况的构建。所构建的考虑乘客载荷变化的公交工况如图12所示。

以上公开的仅为本发明的具体实施例，但是，本发明并非局限于此，任何本领域的技术人员能思之的变化都应落入本发明的保护范围。

Claims (3)

1.一种考虑乘客载荷变化的公交工况构建方法，其特征在于，包括：

S1：提出基于公交站点的短行程划分方法，根据相邻公交站点的实际距离划分运动片段，考虑速度和加速度的情况下，通过二维马尔可夫链蒙特卡洛方法，分别合成相邻公交站点之间的速度曲线，为公交线路构建具有代表性的车速工况；

S2：获取该公交线路的乘客数据，并按照高峰期和非高峰期进行划分，分别建立基于站点及人数分布的二维马尔可夫链，利用蒙特卡罗模拟和最大似然估计的方法，确定每个公交站点在非高峰和高峰时段的乘客人数，构建了该公交线路的乘客数量变化工况；

S3：将乘客数量转化为乘客载荷，按照站点将所构建的车速工况与乘客载荷变化工况进行合成，完成考虑载荷变化的城市公交工况的构建。

2.根据权利要求1所述的考虑乘客载荷变化的公交工况构建方法，其特征在于：所述S1的具体操作过程如下：

S11：将每组测量数据的车速及对应的加速度数据按照站点分布，在下述约束条件的约束下划分为m个区间：

（1）

其中：表示第/>个区间段的车速集合；

与/>分别表示第/>个区间段的起始与终止车速，/>；

表示第/>个区间段车速为/>时，所对应的加速度；

表示第/>个区间段的实际距离；

表示车辆在第/>个区间段中行驶所用的时间；

S12：将相同站点区间内的工况段进行组合，作为该区间段内的行驶信息，将区间段内的车速与加速度信息转化成相应的状态，得到其状态分布概率，随后构建马尔可夫链；

S13：由状态分布概率计算出转移概率矩阵，将计算出的转移概率矩阵/>转换为若干行向量组合，并对每个行向量进行处理，构建新的矩阵，新矩阵中的元素/>需满足：

（2）

S14：定义的生成数量，通过蒙特卡洛模拟法来产生一组随机数/>，对于矩阵中某一行向量而言，当随机数/>处于某一区间，且满足下式时：

（3）

第个状态将被选定，随机状态变量将从当前状态转移到第/>个状态，同时，该状态所对应的速度将被选取作为下一时刻的车速，然后，根据该方法确定每一时刻车速构建每个区间段的车速工况；

S15：对每个区间段车速工况进行验证，如果满足该区间段的行驶里程要求，则可作为候选区间段车速工况，最后，将各区间段候选工况进行合成，完成该公交线路车速工况的构建。

3.根据权利要求2所述的考虑乘客载荷变化的公交工况构建方法，其特征在于：所述S2的具体操作过程如下：

S21：以测量数据为基础，分别建立非高峰期及高峰期不同站点车载乘客数量变化的马尔可夫链模型，并得到其转移概率矩阵；

S22：定义随机数个数，生成随机数，通过马尔可夫链蒙特卡洛法确定每个随机数所属状态；

S23：对产生的随机状态进行统计分析，利用极大似然估计法确定公交线路中每一站点出现频率最多的状态，并以该状态所对应的乘客人数，作为该站点的车载乘客人数；

S24：重复步骤S21、步骤S22和步骤S23，并对所得到的同一站点车载乘客人数求均值，当该值趋于稳定时，不再重复上述步骤，将稳定值作为车辆经过该站点后车辆的载客数量；

S25：分别生成高峰期与非高峰期的车辆载客量随站点变化曲线，并通过相应的权重因子根据下式对每个站点实际乘客人数变化情况进行描述，得到该公交线路乘客人数变化曲线：

（4）

其中：表示第/>个站点生成的车辆载客人数；

与/>分别为非高峰期与高峰期车载乘客数量；

为权重因子，/>。