[發明專利]一種城市行駛工況智能分析方法

有效

• 申請號: 201911312807.8
• 申請日: 2019-12-18
• 公開（公告）號: CN111126819B
• 公開（公告）日: 2022-08-16
• 發明（設計）人: 王永利;羅靖杰;卜凡;張偉;劉森淼;彭姿容;郭相威;朱亞濤;朱根偉
• 申請（專利權）人: 南京理工大學
• 主分類號: G06Q10/06
• 分類號: G06Q10/06;G06Q50/26;G06K9/62
• 代理公司: 南京理工大學專利中心 32203
• 代理人: 薛云燕

本發明公開了一種城市行駛工況智能分析方法。該方法為：對采集的汽車行駛時間速度數據進行小波分析降噪，并劃分為短行程片段；對已劃分的短行程片段進行k?means聚類，劃分出三大類短行程，得到短行程片段的外部狀態序列；對短行程片段內部進行劃分，分為加速、勻速、怠速3個狀態，得到短行程片段的內部狀態序列；對短行程片段建立雙層馬爾科夫鏈，得到雙層馬爾科夫模型，使用雙層馬爾科夫模型構建汽車行駛工況曲線，評估汽車行駛工況曲線誤差，選取誤差最小的曲線作為最終的汽車行駛工況曲線。本發明減少了汽車行駛工況分析的誤差，提高了汽車行駛工況分析的準確性。

技術領域

本發明涉及小波分析與聚類分析技術領域，特別是一種城市行駛工況智能分析方法。

背景技術

汽車行駛工況體現了城市行駛車輛的速度-時間曲線，主要用于車輛性能標定和汽車油耗的標定，所以汽車行駛工況的準確性與否是反映城市特點非常重要。大多數國家以NEDC(新標歐洲循環測試)工況為基準進行優化來標定汽車，但隨著我國城市道路交通狀況的改變，NEDC工況越來越不符合我國實際情況。世界輕型車測試循環(WLTC)工況的怠速比例和平均速度這兩個最主要的工況特征也與我國實際工況不符，因此基于城市的汽車行駛工況的構建反映當地行駛特征是很有必要的。

行駛工況的構建的方法主要有短行程法、馬爾科夫鏈法等。傳統的短行程法往往不能體現城市行駛工況的特征，而基于單純的馬爾科夫的狀態片段隨機選擇生成，實驗結果層次不齊往往差異較大。

發明內容

本發明的目的在于提供一種誤差小、準確性高、符合城市道路特征的城市行駛工況智能分析方法。

實現本發明目的技術解決方案為：一種城市行駛工況智能分析方法，包括以下步驟：

步驟1、對采集的汽車行駛時間速度數據進行小波分析降噪，并劃分為短行程片段；

步驟2、對已劃分的短行程片段進行k-means聚類，劃分出三大類短行程，得到短行程片段的外部狀態序列；

步驟3、對短行程片段內部進行劃分，分為加速、勻速、怠速3個狀態，得到短行程片段的內部狀態序列；

步驟4、對短行程片段建立雙層馬爾科夫鏈，得到雙層馬爾科夫模型，使用雙層馬爾科夫模型構建汽車行駛工況曲線，評估汽車行駛工況曲線誤差，選取誤差最小的曲線作為最終的汽車行駛工況曲線。

進一步地，步驟1所述的對采集的汽車行駛時間速度數據進行小波分析降噪，并劃分為短行程片段，具體如下：

步驟1.1、通過車載終端采集GPS車速數據；

步驟1.2、對部分丟失數據、異常數據進行處理；

步驟1.3、對數據進行小波分析降噪處理，用Daubechies-3階小波對信號進行尺度為4的分解，通過伸縮平移運算對信號逐步進行多尺度細化，最終得到高頻處時間細分、低頻處頻率細分、能自動適應時頻信號分析的平滑曲線；

步驟1.4、將行程分割為汽車從一個怠速狀態開始到下一個怠速開始之間的運動形成區間的短行程片段。

進一步地，步驟2所述的對已劃分的短行程片段進行k-means聚類，劃分出三大類短行程，得到短行程片段的外部狀態序列，具體如下：

步驟2.1、將平均速度、最大速度、平均行駛速度、平均加速度、平均減速度、怠速時間比、加速時間比、減速時間比、速度標準差、加速度標準差、減速度標準差共11個參數作為每個短行程片段的特征參數，對每一個短行程片段分別進行計算；

步驟2.2、采用主成分分析方法對短行程片段特征進行降維，選擇了貢獻率大于90％的前5個參數作為新的特征參數；

步驟2.3、對特征參數進行k-means聚類，將短行程片段分為高速類、中速類、低速類三類，得到短行程片段的外部狀態序列。