[發明專利]基于先驗信息和大數據的汽車運行工況設計方法

有效

• 申請號: 201711100950.1
• 申請日: 2017-11-10
• 公開（公告）號: CN107908853B
• 公開（公告）日: 2020-07-31
• 發明（設計）人: 施樹明;張曼;林楠;李文茹
• 申請（專利權）人: 吉林大學
• 主分類號: G06F30/15
• 分類號: G06F30/15;G06F30/20
• 代理公司: 長春吉大專利代理有限責任公司 22201
• 代理人: 姜姍姍;趙炳仁

本發明涉及基于先驗信息和大數據的汽車運行工況設計方法，包括以下三個階段：一、確定表達代表性的特征參數；二、把典型工況數據庫和重采樣數據庫作為先驗工況數據庫，統計其狀態和狀態轉移信息，作為設計工況的先驗信息；三、利用基于先驗信息的新遺傳算法設計工況；本發明是一種利用低采樣頻率的大數據設計汽車運行工況的新方法，有效解決了當前汽車運行工況設計方法對小于1Hz的低采樣頻率數據無效的問題。

技術領域

本發明涉及汽車運行工況設計方法，特別是一種基于先驗信息和大數據的汽車運行工況設計方法。

背景技術

隨著定位技術、移動設備的發展和智能終端的普及，城市交通每天產生海量數據，而且數據在隨著時間增加迅速增長。在海量的交通信息數據為代表的大數據背景下，城市交通系統中采用浮動車采集技術采集出租車的實時運行狀態為城市工況的設計帶來新機遇。與數據微觀的相鄰變化甚至瞬間的變化相比，交通部門較為關心的是浮動車數據的宏觀現象，例如交通流量等，所以浮動車采集頻率多為0.1Hz甚至更低。

汽車運行工況是車輛大量采集數據濃縮的結果，需要通過合理的工況設計方法獲得。為了滿足汽車發展中各種需求，研究者們對汽車運行工況設計方法進行了深入的研究。其研究主要圍繞兩種方法。一種是基于組合微行程，匹配原始采集數據的評價指標，生成目標工況的方法。Shi Shuming等人為克服不考慮長時間段微行程的限制，引入非零端點的微行程，并推廣微行程定義，利用微行程組合優化方法研究了中國北京城市工況；另外一種是基于馬爾科夫鏈模型生成工況的方法。Lin Jie等人基于馬爾科夫鏈隨機模型，將行駛片段定義為狀態，利用構建加利福尼亞Unified工況的原始數據，設計了新的對比工況。由于考慮了狀態發生的概率以及轉移概率，其對比工況較原始工況更具有代表性。

微行程組合優化方法中微行程是組合的基本單元，它代表起止為怠速的連續時間序列，該方法通過聚類微行程單元組合優化出一條具有代表性的工況；基于馬爾科夫鏈模型方法中以車輛實際行駛的連續速度和加速度時間序列為分析對象，將離散的速度和加速度定義為狀態，統計當前時刻狀態到下一時刻狀態的轉移矩陣，由隨機模擬方法得到符合條件的代表性工況。工況設計過程中，無論微行程單元還是連續速度、加速度時間序列均是以1s為時間間隔，即數據頻率為1Hz，而且數據采集中采樣頻率往往高于1Hz。當原始數據的頻率小于1Hz時，微行程單元或速度、加速度時間序列就無法保證時間上連續，也即無法獲得真實環境下的加速度信息。同時，從信號恢復的香農采樣定理出發，當采樣頻率小于信號的最大頻率2倍時，無法重建原始信號。綜上，當前的設計工況方法將不再適用于采樣頻率小于1Hz的原始數據。

發明內容

本發明的目的是提供一種基于先驗信息和大數據的汽車運行工況的設計方法，利用交通系統中浮動車大數據設計運行工況，針對低頻大數據的工況設計，有效解決了當工況采樣頻率小于1Hz時，當前汽車運行工況設計方法不適用問題。

本發明的目的通過以下技術方案實現：

基于先驗信息和大數據的汽車運行工況設計方法，包括以下三個階段：

一、確定表達代表性的特征參數

根據馬爾科夫鏈的遍歷性理論以及大數據重采樣的統計分析，確定設計工況具有代表性的特征參數；具體步驟如下：

1)根據馬爾科夫鏈遍歷性理論確定速度的特征參數：

馬爾科夫鏈在任一時刻n∈T₁的一維分布：

p(n)＝p(0)P(n) (1)

式中，p(n)為馬爾科夫鏈任一時刻n∈T₁時的一維分布，p(0)為初始分布，P(n)為第n步轉移概率矩陣；

由C-K方程可知，第n步轉移概率矩陣為

P(n)＝Pⁿ (2)