基于IHHO-Stacking集成模型的車輛駕駛性評估

【摘要】為解決車輛駕駛性主觀評價一致性差及客觀評價無法反映主觀感受的問題，提出了一種基于堆疊（Stacking）集成學習方法的評價模型，首先研究了車輛加速工況特性，定義了工況駕駛性客觀評價指標，使用評價指標作為輸入特征訓練Stacking集成模型，并且使用改進的哈里斯鷹優化（IHHO）算法優化了Stacking集成模型，提高了預測性能。最后通過道路試驗表明，IHHO-Stacking集成模型的性能均優于單個機器學習模型，IHHO-Stacking集成模型預測合格率達95%，能夠更有效完成駕駛性評價。

主題詞：駕駛性 主觀評價 改進的哈里斯鷹算法 Stacking集成模型 客觀評價

中圖分類號：U461" "文獻標志碼：A" "DOI： 10.19620/j.cnki.1000-3703.20230674

Drivability Evaluation Based on IHHO-Stacking Ensemble Model

Mo Yimin1， Wang Xiang1， Wang Zhe2， Jiang Hualiang2， Li Qiong2

（1. Wuhan University of Technology， Wuhan 430070; 2. SAIC-GM-Wuling Automobile Co.， Ltd.， Liuzhou 545007）

【Abstract】In order to solve the problem of inaccurate subjective evaluation of vehicle driving and the inability of objective evaluation to reflect subjective feelings， an evaluation model based on Stacking ensemble learning method is proposed. First， the acceleration condition characteristics of vehicles are studied and objective evaluation indicators of driverability are defined. Then the evaluation indicators are used as input features to train the Stacking ensemble model. Moreover， the Improved Harris Hawk Optimization" algorithm was used to optimize the hyperparameters in the Stacking ensemble model to improve the model prediction performance. Finally， the road test proves that the performance of the HHO-Stacking ensemble model is superior to that of a single machine learning model. The qualification rate of the HHO-Stacking ensemble model is 95%. The HHO-Stacking ensemble model can complete the drivability evaluation more effectively.

Key words： Drivability， Subjective evaluation， Improved Harris Hawk Optimization algorithm， Stacking ensemble model， Objective evaluation

1 前言

由于駕駛性主、客觀評價分離，不能有效評價車輛駕駛性，為此國內外學者開展了大量的研究與分析，機器學習算法逐漸成為駕駛性評價的主流評估方法。Chandrasekaran等提取了加速延遲、加速度振動劑量、加速度峰值等客觀指標與主觀評分進行線性回歸分析，完成了SUV車型的駕駛性評價[1]。Huang等人利用粒子群算法優化機器學習方法，建立了主觀評分與客觀評價指標的映射關系，能夠預測車輛駕駛性主觀評分[2]。劉海江等人利用粗糙集理論提高支持向量機預測精度，評估駕駛性評價指標重要程度[3]。上述研究均采用單一的機器學習方法構建預測模型，但單一的模型泛化能力較弱，超參數難以調整，預測效果不佳。

為解決上述問題，本文引入堆疊（Stacking）集成學習方法構建預測模型，以此整合不同類型的機器學習算法，發揮每個模型的優點[4]。本文以搭載了無級變速器（Continuously Variable Transmission，CVT）車輛的加速工況為例，首先研究加速工況駕駛性客觀評價指標的定義與計算方式，其次利用Stacking集成模型對客觀評價指標數據進行學習訓練，通過改進的哈里斯鷹算法（Improved Harris Hawk Optimization，IHHO）對所建立的Stacking集成模型中的每一個基學習器進行超參數尋優，以獲得最佳的預測結果，然后將本文提出的IHHO-Stacking集成模型的預測性能和預測結果同基學習模型進行比較，驗證IHHO-Stacking集成模型的預測精度，最后利用IHHO-Stacking集成模型對國內某主機廠2款試驗車及一款對標車的加速工況駕駛性進行評估。

2 加速工況客觀評價指標

2.1 駕駛性試驗及數據采集

為使試驗數據以及后續結果具有普遍性，選擇市場應用普遍的10款搭載CVT的緊湊車型進行駕駛性試驗，試驗場地為國內某主機廠封閉路段，試驗條件為晴朗天氣、干燥瀝青路面，其余條件與GB/T 12534—1990《汽車道路試驗方法通則》一致。試驗設備為AVL數據采集儀以及配套軟件與傳感器。為更好測量加速度信號，傳感器安裝在駕駛位頭枕處、車輛質心處以及左前輪半軸上，其余信號通過CAN總線讀取，具體設備安裝如圖1所示。

加速工況是指在車輛平穩運行以后，駕駛員意圖提高車速踩下加速踏板達到目標開度后，車輛縱向動力性得到提升的過程。為更好地反映車輛的駕駛性能，本次駕駛性試驗將加速工況分為全負荷工況和部分負荷工況[6]。其中部分負荷工況加速踏板開度為20%、25%、30%、40%、50%、60%、70%、75%、80%、90%，全負荷工況加速踏板開度為100%。其中100%開度使用D擋和S擋進行試驗，其余開度均采用D擋進行試驗。試驗開始時，在D擋或S擋以低于10 km/h的車速平穩運行至少2 s，然后以預定的加速踏板開度加速，直至車速大于120 km/h或加速度為0 m/s2時試驗結束，每種開度測試2次，由專業評車師為車輛駕駛性打分。

2.2 加速工況客觀評價指標定義

在車輛行駛過程中，加速工況是最為常見的行駛工況，當駕駛員踩下加速踏板時，車輛需要滿足駕駛員所期望的動力響應，但由于過快的動力響應會帶來平順性降低的問題，因此從響應特性和平順特性2個維度來確定相關指標[7-8]。本文結合國內外學者研究，確定具體指標如表1所示。

a. 響應延遲時間。駕駛員從踩下加速踏板到車輛有明顯加速度所需時間，表征車輛起步加速響應能力[7]，其表達式為：

[tde=ta=0.05g-tp] （1）

式中：ta=0.05g為加速度達到0.5 m/s2所需時間，tp為踩下加速踏板的時間。

b. 最大加速時間。駕駛員從踩下加速踏板到車輛達到最大速度所需時間，表征車輛加速工況完成效率，其表達式為：

[tam=ta=mp-tp] （2）

式中：ta=mp為加速度達到峰值的時間。

c. 峰值加速度。駕駛員踩下加速踏板后，加速工況所能達到的最大加速度，表征車輛最大加速能力，其表達式為：

[amax=max（dvdt），" " t∈（tp，tf）] （3）

式中：v為車輛速度，t為車輛加速時間，tf為工況結束時間。

d. 最大沖擊度。駕駛員在踩下加速踏板后，車輛加速度變化快慢表征車輛在加速行駛過程中，駕駛員所受到的最大沖擊，其表達式為：

[Jmax=max（dadt），" " t∈（tp，tf）] （4）

式中：a為車輛加速度。

e. 加速度平均值。加速度與最大加速時間的結合，表征為車輛加速過程中的動力性能，其表達式為：

[ame=tpta=mpa（t）dtta=mp-tp] （5）

f. 加速度均方根。當車輛加速度達到峰值以后，加速度出現的低頻振蕩，表征駕駛員在車輛中所受到的轟鳴與抖動，其表達式為：

[arms=ta=mptfa2（t）dt] （6）

g. 加速度沖擊劑量值。與平順性中的振動劑量值定義類似，表征車輛在加速過程中沖擊累計量，其表達式為：

[avdv=tptfa4（t）dt4] （7）

h. 峰值因子。峰值加速度與加速度均方根的比值，其表達式為：

[C=amaxarms] （8）

i. 起步加速時間。駕駛員踩下加速踏板后，車速從0到40 km/h所需時間，表征為車輛在市區擁堵路段的加速能力，其表達式為：

[tla=tv=40-tv=0] （9）

式中：tv=40為車輛速度達到40 km/h的時間，tv=0為車輛速度為0時的時間。

j. 行駛加速時間。駕駛員踩下加速踏板后，車速從40 km/h升至80 km/h所需時間，表征車輛在市區開闊路段的加速能力，其表達式為：

[tdr=tv=80-tv=40] （10）

式中：tv=80為車輛速度達到80 km/h的時間。

3 加速工況駕駛性預測模型構建

3.1 哈里斯鷹優化算法

機器學習模型的超參數會影響模型泛化性能和預測準確度，為了獲得性能良好的預測模型，利用哈里斯鷹優化（Harris Hawk Optimization，HHO）算法多輪次進行全局搜索和局部開采的切換來尋找最優超參數，哈里斯鷹算法模擬老鷹抓捕兔子的過程，該算法設置一個逃脫能量因子E，當|E|≥1時，會進入全局搜索狀態，反之則會進入局部開發，其表達式為：

[E=2E01-uU] （11）

式中：E0為（-1，1）的隨機值，u為迭代次數，U為最大迭代次數。

3.1.1 全局探索

當|E|≥1時，哈里斯鷹進行全局搜索，以2種概率均等的策略進行狩獵，其公式為：

[X（u+1）=Xran（u）-r1|Xran（u）-2r2X（u）|，q≥0.5（Xpre（u）-Xm（u））-r3（lb+r4（ub-lb）），qlt;0.5]

（12）

[Xm（u）=1Ni=1NXi（u）] （13）

式中：X（u+1）為哈里斯鷹更新后的位置，X（u）為哈里斯鷹初始位置；Xran（u）為種群中隨機個體位置；Xpre（u）為最優個體位置，即獵物的位置；r1～r4均為（0，1）的隨機數；ub和lb為種群的上下界；q為隨機數，表示等概率選擇2種狩獵策略；Xm（u）為當前種群平均位置；N為種群個數。

3.1.2 局部開發

若|E|lt;1時，即發現獵物，HHO算法會以4種策略更新位置來捕獲獵物，通過逃脫能量|E|和一個取值范圍為0～1的隨機數r來模擬獵物行為，HHO算法根據這2個參數來使用位置更新策略。

策略一：當|E|≥0.5且r≥0.5時，獵物有足夠的逃脫能量，但是沒有逃脫機會，哈里斯鷹個體會通過軟包圍消耗獵物能量，其位置更新公式為：

[X（u+1）=ΔX（u）-E|JXpre（u）-X（u）|ΔX（u）=Xpre（u）-X（u）J=2（1-r5）] （14）

式中：ΔX（t）為獵物和哈里斯鷹位置的間距，r5為0～1的隨機數，J為獵物逃跑過程中的跳躍距離。

策略二：當|E|lt;0.5且r≥0.5時，獵物既沒有足夠的逃脫能量，也沒有逃脫機會，哈里斯鷹會迅速捕獲獵物，其位置更新公式為：

[X（u+1）=Xpre（u）-E|ΔX（u）|] （15）

策略三：當|E|≥0.5且rlt;0.5時，獵物有足夠逃脫能量并且有機會逃脫，哈里斯鷹個體會使用2種捕獵方式來捕獵，第一個捕獵方式失效會使用第二個捕獵方式，其位置更新公式如下：

[Y=Xpre（u）-E|JXpre（u）-X（u）|] （16）

[Z=Y+S×LF（D）] （17）

[X（u+1）=Y，f（Y）lt;f（X（u））Z，f（Z）lt;f（X（u））] （18）

式中：Y為第一個捕獵方式，Z為第二個捕獵方式，D為空間維度，S為D維隨機行向量，LF為萊維飛行函數，f為適應度函數。

策略四：漸進式俯沖硬包圍。當|E|lt;0.5且rlt;0.5時，獵物沒有足夠的逃脫能量，但是有機會逃走，哈里斯鷹也會采用2種策略捕獵，其位置更新公式為：

[X（u+1）=Xpre（t）-E|JXpre（u）-Xm（u）|，f（Y）lt;f（X（u））Y+S×LF（D），f（Z）lt;f（X（u））]

（19）

3.2 改進的哈里斯鷹優化算法

HHO算法仍存在缺陷，首先該算法多樣性不足，收斂速度慢，易陷入局部最優解，其次逃離能量因子是線性變化的，迭代后期只進行局部搜索，易陷入局部最優解，故提出如下改進方法：

a. Tent混沌映射。為增加算法初始種群的多樣性，引入具有遍歷性、隨機性的混沌系統，改善算法的尋優能力和收斂速度，本文利用混沌映射調整HHO算法隨機參數r[9]，其公式為：

[ri+1=53ri，rilt;0.653（1-ri），ri≥0.6] （20）

式中：ri為（0，1）范圍內的隨機數（i=1，2，3，4，5）。

b. 逃脫能量因子非線性調整。逃脫能量因子從全局探索到局部開發呈線性遞減，曲線變化如圖2a所示。在迭代后期不會進行全局探索，容易陷入局部最優解，需要對式（11）進行非線性調整，讓整個迭代過程都可以進行全局搜索，改進的公式為：

[E1=2E0（1-（uU）1ea）1ea] （21）

式中：E1為改進后的能量因子，E0為（-1，1）范圍內的隨機值，ea為常數。

在改進的公式中，a取1.2。改進后的逃脫能量因子曲線如圖2b所示。

改進后的能量因子全局搜索與局部開發過渡更加平滑、分布更加均勻，在迭代后期保留了進行全局搜索的可能。

3.3 基于Stacking集成學習方法的預測模型

3.3.1 基學習器與元學習器

Stacking算法是一個整合多個機器學習方法的分層框架[10]。本文的分層框架包括2層，第一層由獨立機器學習模型組成，每個模型稱為基學習器，第二層由元學習器整合基學習器結果輸出最終結果，基學習器應該選擇不同特征的模型來提高多樣性，防止過擬合。Stacking算法中的可選擇的基學習器包括：人工神經網絡（Artificial Neural Network，ANN），是一種模擬人腦神經元的信息處理系統，有較強的非線性函數逼近能力；極限梯度提升樹（Extreme Gradient Boosting，XGBoost），是對梯度提升樹的優化，在保證精度的前提下，提升了計算速度并且防止了過擬合；隨機森林（Random Forests，RF），是一種多種決策樹聯合的集成學習，改善了單一決策樹的缺陷，模型具有更高的泛化能力和準確性；輕量梯度提升機（Light Gradient Boosting Machine，LightGBM），是一種對梯度提升樹模型的優化，降低了內存的使用，提升了運算速率；CatBoost，是一種對稱決策樹算法，具有易調參、準確率高等優點；支持向量回歸（Support Vector Regression，SVR），是一種適用于小樣本數據的回歸算法，利用核函數解決了非線性樣本分離的問題。本文Stacking集成模型選擇以上6種機器學習模型作為基學習器，第二層元學習器選擇線性回歸。

3.3.2 Stacking集成學習方法原理

Stacking集成學習方法，以6個基學習器作為第一層學習器，元學習器作為第二層學習器，通過五折交叉驗證法分別訓練各個基學習器，將第一層學習器的輸出結果作為第二層學習器的輸入特征，原始數據集的輸出作為新的輸出組成數據集，以此新的訓練集來訓練元學習器得到最終結果。Stacking算法運算步驟如下：

a. 將原始數據集以80%∶20%的比例劃分為訓練集與測試集。

b. 將訓練集劃分為5個子集，分別為t1～t5，利用五折交叉法訓練各個基學習器。

c. 在第一折交叉驗證中，t1～t4作為訓練集，訓練一個基學習器模型，訓練后的模型記為M1，將t5作為測試集輸入到模型M1中，得到結果v1。

d. 依次類推，在第二折交叉驗證中，t1～t3、t5作為測試集，得到模型M2，將t4作為測試集，得到結果v2，經過五折交叉驗證后最終得到結果v1～v5，取平均值記為V1。

e. 將原始數據集劃分出來的測試集輸入到訓練好的模型M1～M5，得到結果r1～r5，取平均值記為R1。

f. 6個基學習模型重復以上步驟b～步驟e，得到訓練集上的預測結果V1～V6和在測試集上的預測結果R1～R6，預測結果作為輸入特征，原始數據集輸出作為新的輸出組成新的訓練集與測試集。將新的訓練集與測試集輸入到二級學習器得到最終結果。

Stacking集成模型框架如圖3所示。

4 試驗驗證與駕駛性評估

4.1 車輛道路試驗

根據2.1節所述操作對10款搭載CVT的緊湊車型F1～F10進行道路試驗，共獲得240組原始數據，經過篩選，獲得225組有效數據。試驗過程中由3位專業評車師對工況進行主觀打分，主觀評價標準采用SAE J1441《車輛操控主觀評定量表》，主觀評價結果取平均值記錄，如圖4所示。

采集所得的有效數據根據2.2節各公式計算客觀指標，客觀指標作為輸入特征，主觀評分作為輸出組成初始數據集，數據集以80%∶20%的比例劃分為訓練集與測試集，為避免客觀指標與主觀評分數量級差距過大，需要對數據進行歸一化處理，具體公式如下：

[x=xi-xminxmax-xmin] （22）

式中：xi為第i個初始數據，xmin為初始數據序列中的最小值，xmax為初始數據序列中的最大值。

4.2 IHHO算法優化基模型

本文采用IHHO算法優化各基模型的超參數，根據各基模型的擬合性能，選擇不同的超參數以及尋優范圍，以均方根誤差作為適應度函數，得到各基模型的最優超參數，如表2所示。

4.3 IHHO-Stacking集成模型驗證

根據3.3.2節集成學習方法原理和IHHO算法構建IHHO-Stacking集成模型，測試集在Stacking集成模型上的預測結果如圖5所示。由圖5可以看出，模型的預測結果與主觀評分趨勢基本吻合并且分值也較為相似，說明IHHO-Stacking集成模型可以較準確地預測車輛駕駛性評分。

為了進一步驗證Stacking集成模型的預測結果和泛化性能，將單個經過IHHO算法優化的基學習模型、未經IHHO算法優化的Stacking集成模型與IHHO-Stacking集成模型進行對比分析，如圖6所示。表3為各個模型的性能評價指標，性能評價指標選取決定系數（R2），均方誤差（Mean Square Error，MSE），平均絕對誤差（Mean Absolute Error，MAE）3項。R2數值越大，MSE、MAE數值越小，模型性能越好。

結合圖6和表3可以看出，單個基學習模型的預測結果較為發散，并且R2均小于IHHO-Stacking集成模型，而MSE、MAE均大于IHHO-Stacking集成模型。因此，IHHO-Stacking集成模型的預測性能和泛化能力均高于單個學習模型，IHHO-Stacking集成模型在預測車輛駕駛性方面比單個機器學習模型更可靠。并且IHHO-Stacking集成模型各項性能指標優于未經IHHO算法優化的Stacking集成模型，證明IHHO算法優化有效。

根據SAE J1441，以預測誤差小于0.5作為預測模型合格的標準，測試集在IHHO-Stacking集成模型上的預測誤差如圖7所示。從圖中可觀察到隨機劃分的測試集在IHHO-Stacking集成模型合格率為95%。證明本文所選取的客觀評價指標能表征車輛駕駛性，所建立的預測模型能夠準確預測駕駛性評分。

4.4 駕駛性評價

對國內某主機廠的2款緊湊試驗車型A1、A2和一款對標車B進行駕駛性試驗，采集25%、50%、60%、75%、100% 5個油門開度下的加速工況原始數據，通過IHHO-Stacking集成模型得到評價結果，各車輛駕駛評分如圖8所示。從圖中可觀察出，試驗車A2各開度油門駕駛評分已超過對標車B，試驗車A1全負荷加速工況駕駛性達到對標車標準。部分負荷加速工況駕駛性弱于對標車，需繼續優化。

5 結束語

本文通過道路試驗，研究了CVT緊湊車型加速工況駕駛性，定義了一套有效的加速工況駕駛性客觀評價指標，以此為基礎建立了IHHO-Stacking集成模型，通過試驗驗證了所構建的模型預測合格率為95%，預測準確度較高，可以有效評價CVT緊湊車型加速工況的駕駛性，并且使用本文所建立的預測模型完成了3款車加速工況的駕駛性評價。評價結果表明，試驗車A2各油門開度下的加速工況評分均超過對標車B，駕駛性良好；而試驗車A1僅100%油門開度評分與對標車B持平，需要進行優化。

參 考 文 獻

[1] CHANDRASEKARAN K， RAO N， PALRAJ S， et al. Objective Drive-Ability Evaluation on Compact SUV and Comparison with Subjective Drivability[J]. SAE Technical Paper， 2017.

[2] HUANG W， LIU H J， MA Y F. Drivability Evaluation Model Using Principal Component Analysis and Optimized Extreme Learning Machine[J]. Journal of Vibration amp; Control， 2019， 25（16）： 2274-2281.

[3] 劉海江， 邢證. 基于粗糙集理論的雙離合器自動變速器 車輛換擋品質評價指標約簡[J]. 哈爾濱工業大學學報， 2021， 53（7）： 164-170.

LIU H J， XING Z. Reduction of Shift Quality Evaluation Index of Dual Clutch Automatic Transmission Vehicle Based on Rough Set Theory[J]. Journal of Harbin Institute of Technology， 2021， 53（7）： 164-170.

[4] 吳順川， 王艷超， 張化進. 基于Stacking集成算法的巖石單軸抗壓強度預測方法研究[J]. 礦業研究與開發， 2022， 42（6）： 105-111.

WU S C， WANG Y C， ZHANG H J. Study on Prediction Method of Uniaxial Compressive Strength of Rocks Based on Stacking Ensemble Algorithm Reduction of Shift Quality Evaluation Index of Dual Clutch Automatic Transmission Vehicle Based on Rough Set Theory[J]. Mining Research and Development， 2022， 42（6）： 105-110.

[5] 毛萬鑫. 微型汽車駕駛性主客觀評價方法研究[D]. 武漢： 武漢理工大學， 2022.

MAO W X. Research on Subjective and Objective Evaluation Methods[D]. Wuhan： Wuhan University of Technology， 2022.

[6] 莫易敏， 胡恒， 王駿. 基于神經網絡的車輛急加速工況駕駛性評價研究[J]. 汽車技術， 2021（4）： 12-18.

MO Y M， HU H， WANG J， et al. Research on Driveability Evaluation of Vehicles on Tip- In Condition Based on Neural Network[J]. Automobile Technology， 2021（4）： 12-18.

[7] GALVAGNO E， GUERCIONI G R， VIGLIANI A. Sensitivity Analysis of the Design Parameters of A Dual-Clutch Transmission Focused on NVH Performance[J]." SAE Technical Paper， 2016．

[8] 黃偉， 劉海江， 李敏等. 車輛起步工況駕駛性品質評價方法研究[J]. 汽車工程， 2018， 40（11）： 1324-1329.

HUANG W， LIU H J， LI M. A Research on Evaluation Method for Vehicle Drivability Quality in Start Condition[J]. Automotive Engineering， 2018， 40（11）： 1324-1329.

[9] 湯安迪， 韓統， 徐登武， 等. 混沌精英哈里斯鷹優化算法[J]. 計算機應用， 2021， 41（8）： 2265-2272.

TANG A D， HAN T， XU D W， et al. Chaotic Elite Harris Hawks Optimization Algorithm[J]. Journal of Computer Applications， 2021， 41（8）： 2265-2272.

[10] 鄒天祥，梁志鵬， 龔佳林， 等. 基于Stacking模型的土壤綜合肥力評價——以富川瑤族自治縣植煙區為例[J]. 西南農業學報， 2023， 36（7）： 1438-1446.

ZOU T X， LIANG Z P， GONG J L， et al. Soil Integrated Fertility Evaluation Based on Stacking Model： A Case Study of Tobacco Planting Areas in Fuchuan Yao Autonomous County[J]. Southwest China Journal of Agricultural Sciences， 2023， 36（7）： 1438-1446.

（責任編輯 王 一）

修改稿收到日期為2023年9月12日。