基于大數(shù)據(jù)的VAN車運行工況提取及合成研究

摘要：基于大數(shù)據(jù)技術，對VAN車的運行工況提取和合成進行了研究。通過對某市目標車輛的時間序列、經緯度序列和車速等多維度數(shù)據(jù)進行融合處理，生成了具有較高準確性的綜合路譜。結果顯示，合成路譜在細節(jié)和整體特征上與原始路譜高度吻合，表明該方法在精確度和實用性方面優(yōu)于傳統(tǒng)方法，為新能源汽車的能耗優(yōu)化和相關研究提供了重要的數(shù)據(jù)支持。

關鍵詞：新能源汽車；純電VAN車；用戶工況；大數(shù)據(jù)；綜合路譜

中圖分類號：U463 收稿日期：2024-06-22

DOI：10.19999/j.cnki.1004-0226.2024.11.010

1 前言

隨著新能源車輛的普及，純電VAN車的市場占有率持續(xù)提升，其能耗亦成為市場關注的重點，而獲取真實的用戶工況為能耗開發(fā)的關鍵。在車型開發(fā)中，用戶工況經濟譜通常需要通過用戶調研、實車跟車采集等方法來實現(xiàn)。傳統(tǒng)方法存在調研的可信度差、試驗成本高、試驗周期長等缺點［1］。本文以某市城區(qū)為例通過用戶實車運行大數(shù)據(jù)對用戶工況路譜進行提取和合成處理，最終生成綜合路譜用以指導項目開發(fā)工作。

2 大數(shù)據(jù)處理

為了研究選定城市（以某市區(qū)為例）中的目標車輛運行信息，獲取包括時間序列、經緯度序列和車速等多維度的數(shù)據(jù)。

通過對這些數(shù)據(jù)進行融合處理，生成了如圖1所示的熱力圖。具體來說，時間序列數(shù)據(jù)記錄了車輛在不同時間點的狀態(tài)，經緯度序列提供了車輛的地理位置變化，而車速序列數(shù)據(jù)則反映了車輛的行駛速度。

數(shù)據(jù)融合的過程包括數(shù)據(jù)清洗、對齊和插值等步驟，以確保最終生成的熱力圖準確且具有代表性。

熱力圖不僅能夠直觀展示車輛在城市中的活動軌跡和速度分布，還能夠為交通流量分析、城市規(guī)劃和智能交通系統(tǒng)的優(yōu)化提供重要的參考依據(jù)［2］。通過這種方法，能夠更全面地了解城市交通狀況，為相關研究和決策提供數(shù)據(jù)支持。

將抽取后的車速信息進行拼接，獲取原始拼合路譜如圖2所示。該原始拼合路譜為大數(shù)據(jù)獲取到的原始數(shù)據(jù)，包含車速和運行時間序列兩個維度。

3 路譜切片及數(shù)據(jù)清洗

獲取原始拼合路譜后通過Python編程的方式對其進行切片處理，以車速從0 km/h加速并減速到0 km/h為一個運動學片段，共獲取某市城區(qū)運動學片段4 316片。

對于每一個運動學片段進行運動學分析，統(tǒng)計出運動學特征，本案例一共統(tǒng)計21維的運動學特征，其部分內容見表1。

針對運動學片段的運動學特征進行了數(shù)據(jù)分析，并繪制相應的運動學特征分布曲線，如圖3所示。圖中陰影部分圖形表示了各維度數(shù)據(jù)的正態(tài)分布概率密度曲線，而紅色實線則表示實際分布的概率密度函數(shù)曲線［3］。此圖形展示了理論分布與實際數(shù)據(jù)分布之間的比較，以便深入分析數(shù)據(jù)的統(tǒng)計特性和分布規(guī)律。

由圖3得知，與對應的標準正態(tài)分布相比，平均速度與最高速度均出現(xiàn)明顯的雙峰特性，可能為數(shù)據(jù)存在異常偏差，需進行數(shù)據(jù)清洗。

對數(shù)據(jù)清洗過程中做出如圖4所示的切片運動學分布點圖，圖中有部分數(shù)據(jù)落入該維度的3倍標準差控制線（圖4中紅色虛線）外［4］。通過Z-score分數(shù)法進行數(shù)據(jù)清理剔除該異常數(shù)據(jù)。

4 主成份分析

本例中共有4 316個運動學片段，有21個維度的特征參數(shù)，需要通過主成份分析將數(shù)據(jù)進行降階，具體方法如下。

4.1 標準化數(shù)據(jù)

將原始數(shù)據(jù)轉化為矩陣X，其大小為n×21（n為切片樣本數(shù)，這里為4 316），將數(shù)據(jù)通過下式標準化：

[Zij=Xij-μjσj] （1）

式中，[Xij]為原始數(shù)據(jù)矩陣中第i行第j列的元素；[μj]為原始數(shù)據(jù)的均值；[σj]為原始數(shù)據(jù)的標準差。

4.2 計算協(xié)方差矩陣及特征向量

協(xié)方差矩陣為：

[C=1n-1ZTZ] （2）

求解特征值[λi]和對應的特征向量[vi]，使得：

[Cvi=λivi] （3）

選擇前三個最大特征值[λ1]、[λ2]、[λ3]對應的特征向量[v1]、[v2]、[v3]，構成特征向量矩陣[W]：

[W=v1，v2，v3] （4）

其矩陣形式為：

[W=w11w12w13w21w22w23???w21，1w21，2w21，3] （5）

4.3 計算降階后的數(shù)據(jù)矩陣

將標準化后的數(shù)據(jù)矩陣[Z]投影到特征向量矩陣[W]上，得到降階后的數(shù)據(jù)矩陣[Y]即：

[Y=ZW] （6）

設[Z]是一個n×21的矩陣：

[Z=z11z12…z1，21z21z22…z2，21???zn1zn2…zn，21] （7）

代入式（6）可得：

[Y=ZW=z11z12…z1，21z21z22…z2，21???zn1zn2…zn，21w11w12w13w21w22w23???w21，1w21，2w21，3] （8）

展開后具體計算公式如下：

[Yij=k=121 zikwkj] （9）

式中，[Yij]為降維后數(shù)據(jù)矩陣[Y]中第i行第j列的元素。

5 k-means聚類分析

k-means聚類分析是一種常用的無監(jiān)督學習算法，用于將數(shù)據(jù)集劃分成k個簇［5］，其目標是最小化各簇內數(shù)據(jù)點到簇中心的距離平方和。其基本過程分為如下兩步：

a.分配數(shù)據(jù)點到最近的簇中心：

[ki=arg minj ‖xi-μj‖2] （10）

式中，[ki]為數(shù)據(jù)點[xi]被分配的簇的索引。

b.迭代更新簇中心：

[μj=1|Cj|xi∈Cj xi] （11）

式中，[Cj]為該簇中的數(shù)據(jù)點的數(shù)量。

通過不斷重復上述兩個步驟，直到簇中心[Cj]不再發(fā)生顯著變化，算法最終收斂。

本例中最終分為3個簇，聚類前后的三維空間散點圖見圖5。

6 路譜合成及數(shù)值分析

根據(jù)最終合成的路譜目標時間為1 800 s，對數(shù)據(jù)進行了切片抽取。

具體步驟為按照每個聚類簇中的片段比例進行抽取，以確保所選片段能夠代表各個聚類簇的特征。

通過該方法，最終生成了合成路譜，如圖6所示。這一合成路譜反映了在規(guī)定時間內道路狀況的整體特征。

切片抽取過程包括對各個聚類簇的片段進行權重分配和時間對齊，以保證數(shù)據(jù)的全面性和準確性［6］，該合成路譜與原始數(shù)據(jù)對比情況如表2所示，由表2數(shù)據(jù)可看出合成工況與原始數(shù)據(jù)的運動學特征高度吻合。

7 結語

本文通過研究，不僅實現(xiàn)了對某市城區(qū)純電VAN車用戶工況的深入分析，而且提出了一種通過大數(shù)據(jù)處理方法來合成用戶工況路譜。與傳統(tǒng)的調研和實車跟車采集方法相比，生成的綜合路譜在精確度和實用性上都表現(xiàn)出顯著的優(yōu)勢。經過對時間序列、經緯度序列和車速等多維度數(shù)據(jù)的精細融合與處理，合成的路譜與原始路譜在細節(jié)和整體特征上高度吻合，展現(xiàn)出較高的準確性。這種綜合路譜不僅能夠準確模擬車輛在實際工況下的運行狀態(tài)，還具備廣泛的應用場景。它不僅為車型開發(fā)和能耗優(yōu)化提供了仿真及轉鼓試驗輸入依據(jù)，還在交通流量分析、城市規(guī)劃、智能交通系統(tǒng)優(yōu)化等多個領域具有強大的應用潛力。

參考文獻：

[1]盛驟.概率論與數(shù)理統(tǒng)計第[M].4版.北京：高等教育出版社，2023.

[2]同濟大學數(shù)學系.高等數(shù)學[M].6版.北京：高等教育出版社，2007.

[3]魏學哲.基于路譜數(shù)據(jù)采集分析解決某整車動力性問題[J].現(xiàn)代車用動力，2017，8（3）：41-45.

[4]曹騫.北方環(huán)境乘用車行駛工況和代表工況構建方法研究[D].長春：吉林大學，2020.

[5]魏學哲，2015.基于路譜數(shù)據(jù)采集分析解決某整車動力性問題[J].現(xiàn)代車用動力，2017，8（3）：41-45.

[6]Vesanto J，Alhoniemi E.Clustering of the Self-Organizing Map[J].IEEE Transactions on Neural Networks，2000，11（3）：586-600.

作者簡介：

張鵬，男，1988年生，工程師，研究方向為整車能耗開發(fā)。

余燕軍（通訊作者），男，1978年生，高級工程師，研究方向為整車性能開發(fā)。