城市道路輕型汽車行駛工況構建

張 宏，姚延鋼，楊曉勤

（1.內蒙古大學交通學院，內蒙古 呼和浩特 010070；2.內蒙古自治區城市交通數據科學及應用工程技術研究中心，內蒙古 呼和浩特 010070）

汽車行駛工況研究作為汽車工業的一項共性核心技術，通過對車輛的實際行駛狀況進行調查和實驗數據進行分析，運用相關數學理論方法建立起來的典型道路車輛行駛狀況的一種定量描述.研究汽車行駛工況的主要目的是確定車輛污染物排放量和燃油消耗量，為新型車的技術開發、評估以及交通風險測定與控制等提供參考依據.自從實施機動車排放測試標準以來，我國一直采用新標歐洲循環測試工況（new European driving cycle，NEDC）[1]，但多年的實踐，暴露出了越來越多的問題，同時也忽視了新能源汽車怠速啟停、制動能量回收等新技術的節能效果[2].NEDC工況測試法基于多數勻速狀態下的油耗和排放進行測試[3]，結果與我國實際駕駛情況相差巨大，不僅影響相關部門掌握車輛的實際駕駛狀態，也影響了政府的決策和公信力.

當前，制定和開發出適合我國國情道路工況的油耗標準和排放規范是當務之急，是國家汽車產業軟實力的體現.近年來，新能源汽車發展迅速，其能量消耗一直是爭論的焦點，評價新能源汽車能源消耗性能、節能減排與開發，汽車典型工況測試是基礎.為了開發出因地制宜的汽車行駛工況，搶奪在國際市場上新能源汽車性能的領先地位，歐日美都已加快了新一代汽車典型工況的開發[4-10]，近些年國內學者也開始相應的研究[11-22]，部分城市擁有了代表本地區的行駛工況.例如，杜常清等[16]利用全球定位系統（global positioning system，GPS）和地理信息系統（geographic information system，GIS）數據篩選短行程，基于加權因子方法構建了4種工況后進行組合，得到了完整工況；秦大同等[17]提出了反映實際交通道路狀況的k-均值聚類方法，構建城市循環工況；石琴等[18]對構建的行駛工況進行了精度分析；胡志遠等[19]構建了上海市乘用車行駛工況；潘登等[20]、鐘森鳴等[21]、徐小俊等[22]對新能源汽車動態行駛工況進行了探討.

1 數據采集與預處理

本項目所采集的輕型汽車行駛工況數據的調查對象覆蓋了不同特征的駕駛員和各類道路環境，并且考慮了駕駛習慣、地形條件和天氣情況等，配合問卷調查獲得實際能耗和活動水平，綜合地反映了內蒙古地區的車輛特征和外部環境特征，以保證樣本數據的全面性.

1.1 前期準備與數據采集

前期準備階段需在征用的輕型車上安裝數據采集終端，中國汽車檢測工況研究和開發（China automotive test cycle，CATC）項目提供公共平臺數據采集設備.終端收到后，安裝用戶身份識別（subscriber identification module，SIM）卡，設置終端VIN碼，修改原則為CATC10+11位SIM卡號，呼和浩特市征用車輛均使用聯通4G的SIM卡和SD卡.確認征用車輛的車載自動診斷系統（on board diagnostics，OBD）接口位置，將數據接線圓頭一端與車輛終端接口相連，方頭一端與OBD接口相連，整理好線速并固定終端.在CATC信息化系統www.chinacatc.cn平臺中注冊，完成SIM卡-終端-車輛編號對應關系表；安裝現場打開筆記本電腦，或聯系平臺后臺服務人員確認登陸及數據上傳情況.收集的數據包括車輛行駛數據、車輛活動特征調查數據、企業歷史數據、車載尾氣檢測設備（portable emission measurement system，PEMS）測試數據.

以內蒙古呼和浩特市征用的74臺輕型汽車為數據采集對象，使用CATC項目提供的專用數據采集設備進行數據的收集，數據實時發送至數據采集平臺-車輛遠程管理服務平臺數據庫，平臺注冊后登陸頁面.

CATC信息化系統框架主要有車輛管理、工況數據管理、排放數據管理以及手機APP管理功能，主要用于征用道路試驗車輛的數據監控與數據管理.無線傳輸車載終端傳輸速率為1 Hz，可以實現車輛定位、行駛狀態監控、歷史軌跡回放、電子控制單元（electronic control system，ECU）數據監控、遠程故障診斷、數據統計與分析、條件設定與報警等功能.菜單主要功能見表1所示，系統菜單中包含車輛監控、數據管理、車輛與終端和城市監控4個子系統模塊.

表 1 CATC信息化系統菜單功能Tab.1 Menu function of CATC information system

在注冊完車輛后，可通過“車輛定位管理”下的“實時數據查詢”查看車輛的實時數據，對終端即車輛進行現場調試.在全屏地圖監視中，“車輛查詢”可對單個車輛進行狀態查詢，以及“定位該車”等操作，如圖1所示.其中車輛狀態包括行駛、停止、離線3種：

行駛（綠色）：車輛在行駛狀態；

停止（紅色）：車輛處于原地不動狀態，終端仍在通電；

離線（灰色）：車輛熄火，終端斷電狀態.

圖 1 實時數據查詢Fig.1 Real-time data query

通過“城市監控”菜單下的“單車數據監控”，依次選擇車輛編號、開始時間、結束時間，可查看該段時間內的單車數據情況，包含總行駛里程、最大車速、平均車速以及各參數的正常情況等.

截止到2018年6月30日平臺已運行1 033 d，全國41個城市車輛（輕型、重型）累計總行駛里程達46 185 471.578 2 km，采集到的數據通過記錄儀的遠程通信功能實時發送到遠程服務器，并按照車輛編號、時間段進行分類管理.

平臺在有限時間內開放了車輛歷史數據查詢與下載服務，共收集了輕型汽車48種運行特征和分布特征參數.對于車輛上傳后存儲在系統內的數據，可通過“車輛數據管理”菜單欄下進行“歷史數據查詢與下載”，如圖2所示，也可以通過“車輛定位管理”功能菜單下“實時數據”查看車輛的歷史數據.首先選取車輛編號，查詢歷史數據的開始時間、結束時間，然后點擊“參數選擇”，勾選所有參數后點擊確定.此外，點擊圖2中的“下載Excel”按鈕，可將所選時間段內歷史數據以Excel的格式下載到電腦上.

圖 2 歷史數據查詢Fig.2 Historical data query

為統計準確和獲得覆蓋率高的完整數據，采集對象原則上不加限制，覆蓋所有時段、車型、道路和駕駛員類型，輕型車分為節能與新能源汽車、常規車兩大類，本文選擇私家車、出租車和公務車所占比例分別為80%、14%和6%.優先選擇新能源車輛，車輛來源方式有出租車公司、網上征集、項目單位職工用車、參與項目單位公用車，且控制出租車的總數量不超過15輛.根據車輛清單表登記車輛信息、駕駛員信息，包括車型、排量、傳動方式、日常駕駛區域、駕駛員年齡、性別等.

輕型汽車數據采集利用自主駕駛法，要求駕駛范圍盡可能覆蓋呼和浩特市區所有的區域.74輛輕型汽車不規劃道路，自由駕駛，車輛運行一段時間后，通過CATC信息管理平臺統計行駛路線對區域的覆蓋情況，如果有區域不能覆蓋完全，則對車輛進行動態調整，根據駕駛員出行區域的分布，有選擇地輪換一批采集車輛，重新選擇合理的駕駛員.

配合問卷調查500份，形成車輛活動特征數據庫，重點調研日常出行習慣以及駕駛習慣、一次出行里程、出行時間、出行范圍、空調使用率等；測量采集城市電能質量，調研充電設施以及充電樁規格和分布.

CATC信息化系統顯示全部車輛的當前數據上傳狀態，以及最近7 d（含當天）的數據上傳情況.為積極推進CATC項目，保證各子課題有序進行，需每天通過數據平臺管理車輛、終端的運行狀態，發現故障及時處理.每周對車輛、終端的運行狀態以及故障信息進行統計、總結；每兩周提交下兩周的工作計劃，明確工作目標、內容，確保數據收集的完整與準確.車輛故障信息包括車輛編號、數據狀態、最近7 d（含當天）數據異常情況以及周故障等級等統計參數.終端數據上傳正常，故障燈標綠色；終端未有數據上傳，故障燈標灰色；有數據上傳但數據異常，故障燈標紅色.GPS狀態和控制器局域網絡（controller area network，CAN）狀態任意一個為紅色，則數據狀態顯示為紅色.車輛行駛過程中或離線前，上傳的最后一條數據對應的時間為最新數據時間.

1.2 車輛行駛數據預處理

本試驗所選擇的74個樣本數據均為社會車輛，車輛行駛路線均由駕駛員根據自身需要做出選擇，并未受到試驗人員干預，非特殊情況下24 h不間斷采集數據.考慮到近年來女性駕駛員數量不斷攀升，所以隨機選擇性別比，駕駛員25～45歲比例最大，占65%，25歲以下和45～55歲各占15%，55歲以上占5%，符合條件的駕駛員既有特定、專業駕駛員，也有普通駕駛員.典型的工況構建流程見圖3所示，數據處理是工況構建的關鍵環節，其預處理結果直接影響到工況構建成功與否，本文數據經過初選與精選兩道程序控制數據質量，數據格式要求見表2.

圖 3 城市道路輕型汽車行駛工況構建基本過程Fig.3 Basic process of constructing the automobile driving cycle on urban roads

表 2 部分數據格式要求Tab.2 Data format requirements

實時監控車輛過程中出現的異常數據被視為無效數據，例如非正常天氣行駛、數據采集設備故障等.在數據預處理階段為保障數據的有效性，對異常數據會進行特殊處理，統計后另行存放.

無效片段數據采用去除方式處理，重點關注兩類異常情況：第1類是GPS異常數據，包括監控錯誤記錄了較長時間的低速片段和某些原因通訊中斷導致的斷點片段；第2類是人為干預交通產生的細碎停頓片段，加減速異常情況.

對呼和浩特市征用的74臺輕型車連續不間斷收集了12個月的速度和加速度數據，根據短行程和短片段劃分標準，總結如下：超高速占比為0.7%，高速占比為2.1%，中速占比為24.5%，低速比例最大，為72.7%.試驗車中新能源汽車實際行駛工況的加速度平均值為0.568 m/s2，傳統汽車實際行駛工況的加速度為0.433 m/s2.

1.3 短片段篩選規則制定

車輛行駛過程中，一個完整的運動學片段通常包含怠速、加速、減速、勻速4個過程.設置運動學片段的信息參數如最大車速、平均車速、運行平均車速、加減速次數等，可用于描述運動學片段的特征.參考全球輕型車測試規程（worldwide harmonized light vehicles test procedure，WLTP）短片段篩選規則，結合車輛行駛工況的實際情況，考慮到短片段選擇的合理性和有效性，從運行時間（0～24 h）、速度（0～220 km/h，最大速度：5～150 km/h）、加速度（-8～6 m/s2）、數據缺失率（GPS數據缺失率 ＜ 10%）和勻速比例（勻速時間不超過10 s）5個參數設置了短片段篩選規則，依據此規則，既篩選出了符合工況構建要求的短片段，又控制了數據質量.

城市道路交通復雜，交叉口數量較多，輕型汽車保有量大，在市區內行駛比例較大，同時又呈現一定方向的流動性，例如早晚高峰車流，所以實際道路上的運動學片段往往是零碎的，特征各不相同，數據庫存儲的數據量龐大，需對運動學片段進行裁剪、整理、分類，然后將具有相同交通特征的運動學片段合成，減少運動特征差異.從表3可以得出，依據上述短片段篩選規則，篩選前后得到的運動學片段參數差異性較小.

表 3 參數篩選前后的對比Tab.3 The parameters are compared before and after the screening

2 城市道路輕型汽車工況規劃與構建

2.1 理論基礎

在樣本數據的預處理階段，48種運行參數數據量大且繁雜，相關參數之間存在著千絲萬縷的聯系，需分區間進行降維處理，篩選代表性變量，降低計算復雜度.對預處理后的運動學片段特征值進行分類，常見的有主成分分析法和比較成熟的k-means聚類分析法.

2.1.1 主成分分析

主成分分析法是將一組線性相關的特征值變量通過線性變換組合成另一組相互獨立的綜合指標[16]，組合后的變量不相關.通過線性變換將樣本數據預處理階段得到的48個特征值參數變量用少數、關鍵的變量所取代，從而減少了初始變量的數目，得到的這個關鍵變量即為主成分，樣本數據中有m個互不相關的初始特征值變量X1、X2、···、Xm，設向量X= (X,X, ··,X)T與 常 數 矩 陣l=(l,l,···,l)線12m12m性組合后得到主成分F為

用Excel軟件對樣本的特征值λi(i=1,2,···,m)重新排序，Fi表示Fi的期望值，SFi表示第i個主成分的方差，分配各主成分總方差，即第i個成分分配的結果為第i個主成分的方差，數值上與 λi相等，如式（2）所示.

計算各主成分的貢獻率為

計算前k（k＜m）個主成分的累計貢獻率為

本例中，運行Python軟件進行主成分分析，貢獻率從大到小依次排列并計算累計貢獻率，輸出結果見表4所示，前5個主成分累計貢獻率達94.1%，表明主成分（Fi，m=16）具備代表性，將 48個特征值參數用11個特征值參數替換，用于工況的構建.

表 4 各主成分貢獻率及累計貢獻率Tab.4 Contribution rate and cumulative contribution rate of each principal component %

標準化各特征參數值，用系數表示標準化特征值與主成分F1～F4之間的相關關系，系數越大，二者之間的關系越密切，進而用主成分代替相關特征值.

2.1.2 聚類分析

聚類分析[16-17]算法的核心是確定中心點，選取的k值決定了樣本的聚類效果.將主成分分析得到的運動學片段進行組合，提取相似交通類型的交通特征值，使其聚合為一類.

Excel結合統計產品與服務解決方案（statistical product and service solutions，SPSS）軟件對樣本數據統計和分析，采用合并層次聚類分析方法，得到反映某類交通特征的特征值曲線.例如分析私家車、出租車和公務車出行交通特征，以日均行駛里程為例，出租車日均行駛里程最大，公務車次之，私家車日均行駛里程最短，圖4反映了不同用途車輛的出行特征.車輛實際使用中，僅有20%的用戶每日出行里程（出行鏈）高于40 km，私家車月均活動時間與月均工作日一致，公務車月均出行天數一般低于15 d.雖然二者日均行駛里程之間差異較大，但在城市道路上行駛時，平均速度、速度區間比例、加速度比例等工況特征相似，區別在于片段數量不同.用類1表示低速區間，類2表示中速區間，類3表示高速區間.

圖 4 私家車、出租車、公務車出行特征分析Fig.4 Travel feature analysis of private，taxi and financing vehicles

經過降維處理后，為加快聚類分析處理速度，設置最大迭代次數為20，當距離中心點的距離是0時即可停止迭代，見表5所示，類1迭代11次停止，類2迭代9次停止，類3迭代15次停止.

表 5 聚類分析迭代表Tab.5 Cluster analysis

2.2 輕型汽車工況構建

短行程法將低速、中速、高速的行駛工況裁剪出來，可以對具體某類交通特征短行程片段進行針對性的分析，尤其在不限車型、不限時間、不限道路地理位置的情況下適用.分類得到的相同特征的運動學片段集合與實際交通狀況某一類集合相對應，與計算獲得的短行程法運動學片段速度-加速度聯合分布矩陣對比，確定最終的輕型汽車行駛工況.對建立的行駛工況進行評估，要求其與總體樣本工況數據擬合程度較好，需計算二者之間的相關系數.相關系數的計算采用計量經濟學中的最小二乘法，取值為 [0，1]，取值為0表示二者之間不相似，取值為1表示二者之間完全相關.實驗中，取相關系數最大的工況構建出如圖5所示的城市道路輕型汽車行駛工況，10個運動片段，10個怠速片段，行駛工況總時長為1 200 s.

輕型汽車實際采集數據與典型法規工況的比較如表6所示，實際行駛工況的平均速度、運行平均速度、勻速比例、怠速比例、加速比例、減速比例，與CATC吻合度較高，與NEDC差異較大.以運行平均速度為例，實際采集數據為32.60 km/h，CATC為 33.92 km/h，NEDC為 43.48 km/h，WLTP為53.15 km/h，美國車輛排放測試程序（federal test procedure，FTP75）為 40.93 km/h.CATC 輕型汽車工況與中國實際情況差異性最小，擬合出的輕型汽車行駛工況能很好地反映真實數據特征，符合中國城市道路實際工況.

圖 5 城市道路輕型汽車行駛工況Fig.5 Light-duty vehicles condition on urban roads

表 6 實際采集數據與典型法規工況比較Tab.6 Comparison of actual data and typical statutory conditions

將CATC工況與國內典型城市工況進行對比，見表7[23]所示.對比北上廣深，呼和浩特市輕型汽車平均速度低于深圳，高于北上廣；勻速比例高于深圳，低于北上廣；怠速比例高于北京、廣州、深圳；加速比例、減速比例各城市之間相差較小.

從表7中，可以得出我國城市道路輕型汽車行駛工況的一般規律和特點：加、減速比例普遍較高，勻速比例較低.呼和浩特市作為欠發達的西部城市，平均行駛速度僅為25.87 km/h，說明城市交通設施落后、交通管理不善，特別是近幾年汽車保有量增加迅速，更突顯了城市規劃設計的不足.怠速比例占23.72%，燃油經濟性差，汽車尾氣排放污染物增加；勻速比例小于加速比例和減速比例，說明車輛行駛不穩定，道路交通情況復雜，車輛經常處于加減速狀況，道路平面交叉口數量多，立體交通數量少.

表 7 不同城市輕型汽車行駛工況對比Tab.7 Comparison of driving conditions in different cities of China

3 結 論

（1）CATC數據采集設備采用GPS無線傳輸方式，方便快捷，適合樣本車輛工況大數據采集.

（2）根據我國國情確定短片段劃分方法，從運行時間、速度、加速度、數據缺失率和勻速比例5個參數設置了短片段篩選規則.

（3）與 NEDC、WLTP 工況相比，CATC輕型汽車工況在平均速度、運行平均速度、勻速比例、怠速比例、加速比例、減速比例與實際采集數據吻合度較高，擬合出的輕型汽車行駛工況能很好地反映真實數據特征，更符合城市道路實際工況.