[发明专利]一种基于机器学习和统计验证的汽车行驶工况的构建方法

说明书

本发明公开了一种基于机器学习和统计验证的汽车行驶工况的构建方法，针对各个城市的汽车行驶工况特征存在明显的不同，基于城市自身的汽车行驶数据进行城市汽车行驶工况的构建，该方法的创建采用了主成分分析法选取了若干特征参数，又运用动态聚类法将短行程进行聚类，从每个类别中运用累计频率法选取短行程，最后运用卡方检验的方式来选取最优的行驶工况。本发明提供的方法具有坚实可靠的统计学基础，模型中运用到的统计学理论和机器学习算法已经证明是构建汽车行驶工况图的最好方法。本发明方法简单易行，且适用于国内大多数城市与地区的汽车行驶工况图的绘制。

技术领域

本发明涉及一种基于机器学习和统计验证的汽车行驶工况的构建方法，属于轨迹数据处理领域。

背景技术

汽车行驶工况(DrivingCycle)又称车辆测试循环，是描述汽车行驶的速度/时间曲线，体现汽车道路行驶的运动学特征，是汽车行业的一项重要的、共性基础技术，是车辆能耗/排放测试方法和限值标准的基础，也是汽车各项性能指标标定优化时的主要基准。目前，欧、美、日等汽车发达国家，均采用适应于各自的汽车行驶工况标准进行车辆性能标定优化和能耗/排放认证。

本世纪初，我国直接采用欧洲的NEDC行驶工况对汽车产品能耗/排放的认证，有效促进了汽车节能减排和技术的发展。近年来，随着汽车保有量的快速增长，我国道路交通状况发生很大变化，政府、企业和民众日渐发现以NEDC工况为基准所优化标定的汽车,实际油耗与法规认证结果偏差越来越大，影响了政府的公信力(譬如对某型号汽车，该车标注的工信部油耗6.5升/100公里，用户体验实际油耗可能是8.5-10升/100公里)。另外，欧洲在多年的实践中也发现NEDC工况的诸多不足，转而采用世界轻型车测试循环(WLTC)。但该工况怠速时间比和平均速度这两个最主要的工况特征,与我国实际汽车行驶工况的差异更大。作为车辆开发、评价的最为基础的依据，开展深入研究，制定反映我国实际道路行驶状况的测试工况，显得越来越重要。

另一方面，我国地域辽广，各个城市的发展程度、气候条件及交通状况的不同，使得各个城市的汽车行驶工况特征存在明显的不同。因此，基于城市自身的汽车行驶数据进行城市汽车行驶工况的构建研究也越来越迫切,希望所构建的汽车行驶工况与该市汽车的行驶情况尽量吻合，理想情况下是完全代表该市汽车的行驶情况。

发明内容

本发明提供一种基于机器学习和统计验证的汽车行驶工况的构建方法，针对各个城市的汽车行驶工况特征存在明显的不同，根据提供的城市轻型汽车实际道路行驶采集的数据，构建一条能体现参与数据采集汽车行驶特征的汽车行驶工况曲线。

本发明的技术方案如下：一种基于机器学习和统计验证的汽车行驶工况的构建方法，包括以下步骤：

步骤一数据预处理：由汽车行驶数据的采集设备直接记录的原始采集数据往往会包含一些不良数据值，设计合理的方法将上述不良数据进行预处理，并给出各文件数据经处理后的记录数；

步骤二运动学片段提取：运动学片段是指汽车从怠速状态开始至下一个怠速状态开始之间的车速区间，设计合理的方法，将上述经处理后的数据划分为多个运动学片段，并给出各数据文件最终得到的运动学片段数量；

步骤三汽车行驶工况构建：根据处理后的数据，构建一条1200-1300秒间能体现参与数据采集汽车行驶特征的汽车行驶工况曲线；

步骤四汽车行驶工况合理性检验：构建合理的汽车运动特征评估体系，检验并说明所构建的汽车行驶工况的合理性。

作为对上述技术方案的进一步描述：步骤一数据预处理具体过程如下：

针对汽车加、减速度异常的问题，设定当加速段加速度大于3.97m/s²时，或减速段加速度大于8m/s²时，汽车加、减速度数据异常；通过GPS车速计算各时间下的汽车加速度，按照假定的标准，将异常加速度数据采取smooth函数进行平滑处理后，对异常数据进行替换；