海灣大學城汽車行駛工況與交通安全分析

劉宇， 黃俊革， 盧思同， 宋雨晴

(上海應用技術大學， 上海 201418)

汽車行駛工況是描述車輛行駛的速度-時間曲線，能體現汽車行駛的運動學特征，是車輛燃油消耗和污染物排放測試方法、限制標準和汽車性能指標標定優化的基準，對新車型開發、認證及道路風險水平評估都有重要作用。起初，歐洲的NEDC行駛工況對中國汽車節能減排技術的發展提供了有力支持，但隨著中國科學技術的發展及人們物質生活條件的提高，NEDC行駛工況與中國實際情況的偏差越來越大。中國地域遼闊，自然地理環境差異明顯，城市發展程度也不同，各地區、各城市間的汽車行駛工況存在明顯差異。近年來，研究人員主要基于主成分分析和聚類分析進行汽車行駛工況構建，有的還結合神經網絡算法進行分析，以提高聚類的精確性和所構建行駛工況的精度。

隨著中國大學城建設的蓬勃發展，大學城所在區域社會經濟迅速發展，區域建設和規劃日益加深，其中交通建設和規劃是一項重點。為評估大學城的交通狀況，預防安全事故的發生，該文以上海海灣大學城為例，選取周邊教職工、學生乘用車輛為研究對象，使用GPS設備采集汽車行駛數據，基于數據挖掘技術與運動學片段法進行汽車行駛工況構建，為該區域交通風險控制提供研究依據。

1 數據采集及預處理

汽車行駛工況構建的數據采集方式主要有車輛追蹤、平均車流統計和自主行駛法。考慮到該文研究區域范圍小且基本固定，選取大學城教職工、學生使用的小型車為研究對象，采用自主行駛法進行數據采集。

1.1 數據模型

基礎數據屬性包含時間、GPS車速和經緯度，同時增加間隔時間、加速度、是否停車(bool型)、是否怠速可能(bool型)、累計怠速時長、是否怠速及怠速起止標志(bool型)等擴展屬性。圖1為數據表E-R模型。

圖1 數據表E-R模型

1.2 數據預處理

(1) 記錄缺失。GPS信號丟失造成的數據記錄時間不連續，可理解為數據記錄中斷，稱作記錄缺失。另外，因預處理刪除的部分不良數據，也歸為記錄缺失。一般認為怠速時長超過180 s為異常情況，故對缺失時間間隔在180 s以內的按步長為10 s進行均值處理，缺失時間間隔在180 s以上的則分為兩個獨立的運動學片段。

(2) 加、減速度異常數據。按照普通小型車的加減速約束，從零加速至100 km/h的加速時間需大于7 s，即加速度不能大于3.97 m/s2；緊急剎車的最大減速度為7.5～8 m/s2。對于孤立的不滿足約束的數據記錄(記錄速度的改變不會引起下一個單位時間的加速度指標異常)進行GPS車速修正處理，對于連續的不滿足約束的多條數據記錄進行刪除處理，刪除后歸為記錄缺失異常，作進一步處理。

(3) 長期停車。對于停車不熄火，即車速為零、GPS定位經緯度無變化但發動機轉速不為零的長時間過程，及停車熄火但仍有采集記錄，即車速為零、GPS定位經緯度無變化且發動機轉速、瞬時油耗等機動車屬性指標為零的記錄，作刪除處理。

(4) 長時間怠速。對長時間堵車、斷斷續續低于10 km/h行駛的情況，按怠速情況處理，標記為怠速可能。由于怠速時間最長可按180 s處理，超過則可能存在行駛異常，將大于180 s的怠速部分劃為下一個運動學片段。若整個運動學片段只有180 s的怠速狀態，則作刪除處理。

(5) 原始數據中GPS定位偏離等不良數據。對于時間連續周期內經緯度瞬時偏離的情況，對數據作定位修復處理。若不僅定位偏離，速度也不在上述加減速約束范圍內，則按上述不良數據的情況進行預處理。

通過算法編程處理，從496 464條數據中剔除不良數據22 799條，剩余有效數據473 665條。

2 運動學片段提取

運動學片段是指汽車從怠速狀態開始至下一個怠速狀態開始之間的車速區間。經過數據預處理后，選取時間、間隔時間、GPS車速、間隔加速度4個屬性進行運動學片段提取和劃分。雖然已對不良數據進行了預處理，為保證運動學片段提取的有效性，在進行片段劃分時進行迭代處理和無效片段數據再處理。設置中間變量為是否怠速(bool型標志)，當GPS車速等于零時，視為怠速。通過怠速標志，可得到怠速起始、結束標志，一個怠速起始點到下一個怠速起始點即為一個運動學片段。考慮到長時間停車、斷斷續續低速行駛的情況，計算各運動學片段的最大速度，最大速度小于10 km/h的運動學片段按與相鄰記錄的時間間隔大小歸為前后的運動學片段。共提取有效運動學片段2 880個。

3 行駛數據分析

車輛行駛過程中，工況非常復雜，從各種特征綜合考慮，大致可分為加速工況、減速工況、怠速工況和勻速工況。其中怠速工況是指汽車停止運動但發動機保持最低轉速運轉的狀態或最高車速低于10 km/h的長時間堵車、斷斷續續低速行駛的情況。

3.1 汽車運動特征

劃分運動學片段后，不難發現采集到的數據形成運動學片段具有一定的特征關系，大量運動學片段里一定數量的片段可組成汽車行駛工況。各有效運動學片段的特征值見表1。

表1 各運動學片段的特征值

3.2 主成分分析

構建汽車行駛工況時，若選用13個特征參數展開分析，數據量大且重復性高，需選取具有代表性的參數。主成分分析法通過對大量變量進行線性重組，組合成新的等量變量，或者說將大量成分信息重組為新的等量成分，然后通過每個原本變量(成分)與新變量(成分)之間的相關性程度，在新變量(成分)里確定主要信息，即確定主成分，從而實現降維和簡化。

設共有n條數據作為待處理項目，每條數據有m個特征參數作為評價指標，構成相應的n×m維矩陣。使用MATLAB對已劃分好的2 880個運動學片段的13個特征進行主成分分析，結果見表2。

由表2可知：M1、M2、M3的主成分方差大于1，累計貢獻率達73.39%，故選取M1、M2、M3作為主成分進行進一步分析。表3為主成分載荷矩陣。

表2 各主成分的貢獻率和累積貢獻率

由表3可知：主成分M1主要反映平均行駛速度、平均速度、最大速度、怠速時間比和速度標準差等特征，主成分M2主要反映加速度標準差和平均減速度等特征，主成分M3主要反映最大加速度等特征。荷載系數的絕對值越大，特征參數與主成分的相關系數越高。3個主成分在各運動學片段中的得分見表4。

表3 主成分載荷矩陣

表4 主成分的得分

3.3 聚類分析

基于以上主成分分析結果進行聚類分析。采用K-means聚類法，該方法是一種動態聚類算法，在選取聚類中心后，不斷迭代，逐漸使聚類集中每一樣本點到該類中心的距離平方和最小。設置迭代次數為100，將2 880個片段分成3類，其中第一類共685個片段，第二類共1 221個片段，第三類共974個片段。每類運動學片段的特征值及總體特征值見表5。其中：第一類運動學片段的平均速度、平均行駛速度和最大速度最大，怠速時間比最小，符合高速路況特征；第二類運動學片段的平均速度、平均行駛速度、最大速度和怠速時間比介于其他兩類之間，其為中速路況；第三類運動學片段的平均速度、平均行駛速度和最大速度最小，怠速時間比遠大于其他兩類，其為低速路況。

表5 各類片段的特征值

4 汽車行駛工況構建與分析

為選取更具代表性的運動學片段，按式(1)計算各類運動學片段的總特征參數與該類片段中各片段的特征參數的皮爾遜相關系數，計算結果見表6。該系數接近于1，說明該運動學片段在該類片段中更具代表性。

(1)

式中：G表示每個類別總片段；H表示每個類別里的單獨片段。

表6 運動學片段與所屬類別相關系數

各類別運動學片段在最終擬合工況里的持續時間計算公式如下：

(2)

式中：ti為類別i在工況中的持續時間；tdrivingcycle為工況的總持續時間；toverall為所有記錄數據的總時間；ti,j為類別i中運動學片段j的時間；ni為類別i中的運動學片段數。

按照式(2)計算，得t1、t2、t3分別占tdrivingcycle的34.39%、52.13%和13.48%。按照該比例從第一類運動學片段中選取序號為938、1138、561的片段，從第二類中選取序號為121、893、972、1192的片段，從第三類中選取667和1097片段組成1 941 s的代表性工況(見圖2)。結合表5中各類運動學片段的特征及上述所占比例與其他典型汽車行駛工況進行對比，結果見表7。

圖2 汽車行駛工況(GPS車速)

由表7可知：大學城汽車行駛的勻速行駛比例較大、加速和減速比例及怠速比例小，說明大學城交通狀況較好；平均速度雖不及NEDC地區，但也較高，與主城區汽車行駛工況和歐洲NEDC工況存在較大差異，但符合地處市郊的大學城交通現狀。雖然大學城地處城市郊區，但在特定時段大學城生活區內的人口活動密度與頻率堪比城市。根據《道路交通安全法》及其實施條例，沒有限速標志、標線的普通城市道路的最高速度為70 km/h，而大學城道路行駛最大速度為111.5 km/h，遠超過城市郊區道路的限制，擬合的代表性工況中車速大于70 km/h的超速行駛占21.74%。超速行駛會使駕駛人的反應能力降低，增加交通事故發生概率，加大事故的嚴重程度，暗示著大學城的交通存在一定安全隱患。另外，雖然大學城工況的加、減速比例較低，但兩者之和占到整個行駛過程的1/3，高速行駛與加、減速相結合會大大增加交通安全風險。此外，大學城的公交、大巴也存在速度較快和頻繁加、減速的現象。加上大學城行人和車輛活動的時間較集中，隨著師生出行活動的頻繁，周邊的交通開始混亂，而且近年來外賣配送規模與日俱增，騎手“飛速”穿梭于大學城的大街小巷，超速、闖紅燈、闖機動車道，甚至一邊開車一邊打電話，更是增加了大學城的交通安全隱患。目前已有不少大大小小的交通事故發生，部分學校已對進入校園的外來車輛進行了管控，但校園外圍公路的管制措施、設備和設施還有待進一步加強。如在道路上增設限速標志、在路口增設測速設備，必要時在行人活動高峰期設置志愿者及交通管理人員，相關部門還可以和高校聯合進行宣傳教育活動，從而減少交通事故的發生。

表7 與其他典型汽車行駛工況的比較

5 結語

該文以上海海灣大學城為對象，采用自主行駛法采集到496 464條數據，經過處理得到有效數據473 665條，從中提取2 880個有效運動學片段，將各片段特征值通過主成分分析、K-means聚類分析和皮爾遜相關系數法比較得到1 941 s的汽車行駛工況。上海海灣大學城私人用車具有平均速度高且勻速行駛比例大、加速和減速比例及怠速比例相對較小等特點，與主城區的汽車行駛工況和歐洲NEDC標準有較大差異。結合工況特征與交通安全法分析，大學城的交通存有一定安全隱患，建議除學校以外的交通管理部門加強對大學城周邊道路的交通管制，預防交通事故的發生。