基于智能手機的純電動公交乘坐舒適性分析

馬萬良

基于智能手機的純電動公交乘坐舒適性分析

馬萬良

（長安大學 汽車學院，陜西 西安 710064）

為研究純電動公交運行過程中普遍存在的“暈車”問題，文章以智能手機為數據采集設備，實車采集10條線路82位駕駛人的逐秒運行數據。將公交車運行過程分為加速、勻速、減速三個階段，分析發現加速、減速階段分別有49.6%、30.8%的瞬時加速度超過了舒適閾值，會使乘客出現不適感，同時勻速階段速度穩定性遠低于社會車輛。此外，為研究駕駛風格與乘坐舒適性的關系，基于車輛運行參數，利用譜聚類算法將駕駛人分為三類，分析發現駕駛風格越激進，駕駛人乘坐不適感越強。通過對公交運行過程的分解與對駕駛人的有效聚類，可為純電動公交乘坐舒適性改善、運行服務質量評價、駕駛人駕駛技能改善等方面提供理論指導與數據支撐。

純電動公交；乘坐舒適性；駕駛風格；譜聚類；智能手機

根據國務院辦公廳印發的《新能源汽車產業發展規劃（2021—2035年）》，我國將加快提高公共領域新能源汽車應用比例，在2035年實現公共領域用車全面電動化[1]，截至2020年底我國新能源公交車達到46.6萬輛，占城市公交車總量的66.2%。純電動公交不僅可以實現零污染、零排放對全球環境污染與氣候治理有積極作用，同時得益于其動力源的改變，車輛運行噪音、振動與空間均有了大幅提升，大大提高了乘客的乘坐舒適性。但因為電動機可以在起步瞬間爆發出最大扭矩，動能回收系統在行駛與制動過程中頻繁介入等原因，使得其運行特性與傳統公交有較大差異，導致“暈車”現象更加普遍，乘坐不適感增強。因此，應明確純電動公交運行特性，尋找其乘坐舒適性較低的原因，同時駕駛人駕駛風格也與車輛運行特性直接相關，建立駕駛風格與乘坐舒適性的聯系，可針對性地提出改善純電動公交的乘坐舒適性的措施。

公交的乘坐舒適性是一個綜合評價問題，一般從車輛運行平順性、車內環境、個性化服務等方面進行分析，對該類問題的評價方法主要有主成分分析法、數據包絡分析法、模糊評價法以及人工神經網絡法[2]，綜合評價客觀測度指標的構建是綜合評價的基礎，因此，不少學者對公交乘車舒適性綜合評價客觀測度指標的構建進行了研究。LAURA等認為影響運行舒適性的因素有擁擠、座位舒適性、空調情況、車內噪音[3]；王煒等提出城市公共交通系統服務水平評價指標體系中運行舒適度包括平均載客率、加速度變化率、通風性、溫度、車內噪音5個因素，在此基礎上分析構建舒適性客觀測度指標[4]；高桂鳳等認為運行舒適性的評價指標為公交車滿載率和公交車座位率，但卻未將車輛運行狀態變化考慮在內[5]。總體來看，公交乘坐舒適性的研究大多針對車內環境因素，而針對公交運行平順性以及加減速振動狀態所構建的測度指標過于單一，致使部分指標缺乏合理性，對評價結果有不利影響。

駕駛人駕駛風格與車輛的燃油經濟性、行駛安全性、乘坐舒適性等息息相關，但由于駕駛風格受車輛、道路、環境等因素的共同影響，導致其內在機理的復雜性難以量化。目前對于駕駛風格的分類主要是基于試驗數據采用模式識別方法，將駕駛風格分為激進型、一般型和保守型或相似的語義解釋，駕駛風格的早期研究主要考慮對行車安全的影響。近年來，駕駛風格的應用逐漸與車輛智能控制、能源消耗管理、駕乘舒適性等結合，劉思源等采集了54名駕駛員執行換道操作時的數據，將駕駛風格劃分為激進型和保守型，并基于行駛時距建立了考慮駕駛風格的換道預測模型[6]。王鑫鵬等采集20位駕駛人試驗數據，選取車速、轉向盤轉角和油門踏板開度的標準差作為聚類特征，使用K-means聚類方法將駕駛風格分為三類：保守型、一般型、激進型，將聚類結果與智能車自主決策系統相融合[7]。劉動通過實車試驗，選取平均車速、制動次數、加速踏板平均開度、加速度絕對值的平均值、緊急制動占比，變線次數六個駕駛風格特征。使用主成分分析法降維后，用K-means聚類法將駕駛員分為三類：激進型、一般型、保守型，并將聚類結果與車輛跟隨控制算法結合[8]。

本研究以智能手機作為數據采集設備，采集與純電動公交乘坐舒適性相關的車輛運行參數，分析其運行特性，以尋找其普遍存在的暈車現象原因。然后通過機器學習聚類算法，對駕駛人進行聚類，分析不同風格駕駛人產生的車輛運行特性，探尋駕駛風格與乘坐舒適性的內在聯系。本研究彌補了以往研究中忽略車輛運行狀態對舒適性影響的不足，將車輛運行過程劃分為不同階段進行獨立分析，深化并拓展了駕駛風格與乘坐舒適性的關聯，為乘坐舒適性的研究提供了新的思路。

1 實驗設備與數據采集

純電動公交車運行特性受道路情況、交通狀況、車型特點等因素的影響，為全面分析純電動公交運行狀態特征、駕駛行為特性，選擇比亞迪K9純電動公交車為研究對象，利用智能手機跟車采集其實際運行數據。該車型大量投放于常規公交線路，所選公交運行區域包含城區道路與郊區道路，可以全面反映城市公交車的運行特征。數據采集時，采集人員乘坐正常運營公交車采集實際運行數據，駕駛人不知情，其駕駛行為完全按照自身駕駛習慣進行。為了保證數據的準確性，數據采集使用同一型號的智能手機，并將其坐標軸與公交車縱向軸線平行放置，固定在公交車尾部地板上防止手機滑動，放置方式如圖1所示。

圖1 數據采集設備放置示意圖

利用智能手機監測車輛運動數據是一種方便易行的常用措施，實驗表明通過智能手機所采集的數據精度與高精度陀螺儀基本一致[9]。研究采用裝備有GPS模塊、距離傳感器等的智能手機采集公交車運行速度、行駛距離、經緯度等信息。數據的記錄與導出借助GPS測速儀軟件，采樣頻率為1 Hz，軟件使用界面如圖2所示，其中速度采樣精度為0. 01 km/h，行駛距離采樣精度為1 m，加速度通過對速度求導得到，文中涉及的加速度均為公交車運行的縱向加速度。

圖2 GPS測速儀軟件使用界面

最終獲得10條公交線路82位駕駛人32.8萬條的逐秒運行數據，用于分析純電動公交車整體運行狀態與駕駛行為特性。另外，數據采集過程中采集人員特別關注了交叉口和進出站工況的交通狀況，結合GPS測速儀軟件的地圖功能，對進出站、通過交叉口進行標記。

2 車輛運行穩定性分析

城市公交車運行過程中站點和交叉口的存在使得公交車頻繁啟停，根據這一情況純電動公交車運行過程可分為加速、勻速、減速、怠速停車四個階段，但城市交通環境復雜，公交車運行過程中沒有完全理想的勻速狀態。實際上，所謂的勻速狀態是指公交車的行駛速度在一個速度附近輕微波動，參考TIELERT等人[10]對運行狀態的劃分，本文勻速狀態定義為瞬時加速度的絕對值小于等于0.15 m/s2的行駛過程，加速階段為瞬時加速度大于0.15 m/s2的行駛過程，減速階段為瞬時加速度絕對值大于0.15 m/s2的行駛過程，由于怠速停車過程中車輛處于靜止狀態，對乘客的乘坐舒適性無明顯影響，本部分僅對加速、勻速、減速三個階段純電動公交的運行特性進行分析。

根據國標GB/T 4970—2009汽車平順性試驗方法和以往研究，汽車平順性的評價一般通過，，三個軸向的加權加速度均方根值來評價[11]，本文研究的都是西安市城市公交客車，該地為平原城市，道路平整，故可不考慮垂向振動，另外根據實測數據橫向加速度值很小，在加權加速度均方根值的計算中可以忽略。故本文主要分析加速及減速階段的縱向加速度特性，以及勻速階段速度特性，結合以往研究討論純電動公交舒適性問題。

2.1 加速階段運行特性分析

繪制車輛在加速階段的瞬時加速度分布圖，如圖3所示，城市純電動公交車加速階段，加速度占比最高的是[0.15,1.15] m/s2區間，達到了86%，之后隨著加速度的增加占比逐漸減小，加速度大于1.65 m/s2的占比很小，僅為1.8%。馬駿對純電動公交客車不同工況下乘員乘坐舒適性的研究發現，加速階段乘員的不舒適限值為加速度小于0.53 m/s2[12]，通過統計分析得知49.6%的瞬時加速度值超過了此閾值，可認為在加速階段近一半時間車輛加速度過大，可能使乘客出現不適感。

圖3 加速階段加速度分布圖

2.2 減速階段運行特性分析

繪制車輛在減速階段的瞬時加速度絕對值分布圖，如圖4所示，城市純電動公交車減速階段，加速度絕對值占比最高的是[0.15,1.15] m/s2區間，達到了84.2%，之后隨著加速度絕對值的增加占比逐漸減小，加速度絕對值大于1.65 m/s2的占比很小，僅為2.2%。馬駿對純電動公交客車不同工況下乘員乘坐舒適性的研究發現，減速階段乘員的不舒適限值為加速度絕對值小于0.78 m/s2[12]，通過統計分析得知，30.8%的瞬時加速度絕對值超過了此閾值，可認為在減速階段近三分之一時間車輛加速度過大，可能使乘客出現不適感。

圖4 減速階段加速度分布圖

2.3 勻速階段運行特性分析

勻速階段的速度特征可以用平均速度、最大速度和速度分布情況等參數表征，對采集到的瞬時速度繪制如圖5所示的箱線圖，發現速度均值為22.14 km/h，75%分位數為32.42 km/h，說明受到逢站必停的限制，純電動公交車運行時主要以中低速為主。計算純電動公交車速度標準差為12.13 km/h，通過對社會車輛的速度計算其標準差為 6.54 km/h，相比而言，公交車標準差較大，速度波動大行駛平順性較差。

圖5 勻速階段速度分布

總體來看，純電動公交在加速階段與減速階段加速度分布基本相同，兩個階段的加速度均會導致不舒適現象，但由于乘員在加速階段的不舒適閾值較小，加速階段的不舒適占比較高，勻速階段車速波動較大，平順性比社會車輛差。針對起步階段加速度過大的問題，可通過對電機控制器的控制策略優化實現減小起步加速度的目的，減速過程中動能回收系統的介入時刻與最終停車時刻往往達到速度峰值，應選擇合理的再生制動控制策略保證乘員的舒適性。

3 基于純電動公交運行數據的駕駛風格聚類

車輛運行特性不僅與車輛本身相關，還與駕駛人駕駛風格相關，駕駛風格是駕駛人相對穩定的、習慣性的駕駛傾向，是駕駛人心理思維與行為模式的綜合表現[13]。不同風格的駕駛人產生的車輛運行特性不同，給乘客的舒適體驗也不同，對純電動公交車駕駛人的駕駛風格進行有效聚類可針對性地對駕駛人考核與改進，以提升純電動公交乘坐舒適性。

3.1 譜聚類模型

譜聚類是從圖論中演化出來的算法，后來在聚類中得到了廣泛的應用。它的主要思想是把所有的數據看做空間中的點，這些點之間用邊連接起來。連接的這些邊上有權重，距離較遠的兩個點之間的邊權重值較低，而距離較近的兩個點之間的邊權重值較高。通過對所有數據點組成的圖進行切圖，讓切圖后不同的子圖間邊權重和盡可能地低，而子圖內的邊權重和盡可能的高，從而達到聚類的目的。與傳統的聚類算法相比，譜聚類對數據分布的適應性更強，聚類效果優秀，同時聚類的計算量也小很多，能在任意形狀的樣本空間上聚類且收斂于全局最優解，這點傳統聚類算法（比如K-means）很難做到[14]。具體算法流程如下：

（1）輸入個樣本點={1,2,...,x}和聚類簇的數目；

（2）計算相似度矩陣；

（3）計算度矩陣；

（4）計算拉普拉斯矩陣=-；

（5）計算的特征值，將特征值從小到大排序，取前個特征值，并計算前個特征值的特征向量1,2,...,u，組成矩陣={1,2,...,u}，∈R；

（6）令y∈R為第行向量（=1,2,...,），使用K-means算法將新樣本點={1,2,...,y}聚類成簇1,2,...,C；

（7）輸出聚類結果。

3.2 聚類與結果分析

在純電動公交運行的三個階段中，加速與減速階段對乘客舒適性影響最大，同時勻速階段的速度穩定程度也有一定影響，最終選擇加速與減速階段加速度均值、勻速階段車速標準差三個運行參數作為聚類指標。

圖6 聚類結果

將82位駕駛人的車輛運行參數作為輸入，使用譜聚類模型進行聚類，得到如圖6所示的聚類結果，分別有49、28、5名駕駛人被分到謹慎型、正常型和激進型。

對不同風格駕駛人在加速、勻速、減速階段的車輛運行參數進行統計，結果如表1所示。在加速與減速階段駕駛人風格越激進加速度均值越大，大于乘員不舒適閾值的占比越高；在勻速階段不同風格駕駛人速度均值變化不大，但駕駛風格越激進的駕駛人產生的速度標準差越大。總體來看，駕駛人駕駛風格越激進其加減速階段的加速度都較大，且勻速階段速度穩定性較差，導致乘客出現不適感的比例增加，可認為基于公交車運行數據的譜聚類模型對駕駛人駕駛風格聚類效果良好。上述聚類結果表明，公交車駕駛人駕駛風格與乘坐舒適性有較強相關性，駕駛風格的有效聚類可為公交服務質量評價，駕駛人駕駛技能培訓、公交運行安全管理等提供理論支撐。

表1 不同風格駕駛人車輛運行參數分析

駕駛人風格加速度均值大于舒適閾值占比 謹慎型0.6545.2 正常型0.7049.9 激進型0.7356.7 駕駛人風格減速度均值大于舒適閾值占比 謹慎型-0.6528.2 正常型-0.6934.4 激進型-0.7240.1 駕駛人風格速度均值速度標準差 謹慎型22.211.3 正常型22.413.4 激進型22.515.0

4 總結

（1）基于智能手機監測的純電動公交運行數據，將公交運行過程分為加速、勻速、減速階段，研究發現純電動公交在加速階段有49.6%的瞬時加速度超過了舒適閾值，減速階段有30.8%的瞬時加速度超過了舒適閾值，勻速階段的速度穩定性遠高于社會車輛。由于純電動公交的動力特性，純電動公交的乘坐不適感主要出現在加減速階段，其中加速階段尤為嚴重。

（2）基于純電動公交運行數據，利用譜聚類算法可對公交車駕駛人駕駛風格進行有效劃分，聚類結果表明，駕駛人駕駛風格越激進，乘客乘坐舒適度越差。對駕駛人駕駛風格的有效分類，可為公交服務質量評價、駕駛人駕駛技能改善、車輛運行安全分析等提供有效支持。

[1] 國務院辦公廳.新能源汽車產業發展規劃(2021—2035)[EB/OL].(2020-10-20)[2021-12-21].http://www.gov.cn/zhengce/content/2020-11/02/content_5556716.htm.

[2] 邵琪,李園園.基于乘員心率變異性的純電動公交車乘坐舒適性主觀評價研究[J].汽車實用技術,2021, 46(23): 5-7.

[3] LAURA E, GABRIELLA M. A Methodology for Evaluating Transit Service Quality Based on Subjec- tive and Objective Measures from the Passenger’s Point of View[J].Transport Policy,2011(18):172.

[4] 王煒,楊新苗,陳學武.城市公共交通系統規劃方法與管理技術[M].北京:科學出版社, 2002.

[5] 高桂鳳,魏華,嚴寶杰.城市公交服務質量可靠性評價研究[J].武漢理工大學學報(交通科學與工程版), 2007,31(1):140.

[6] 劉思源,喻偉,劉潔瑩,等.考慮駕駛風格的車輛換道行為及預測模型[J].長沙理工大學學報(自然科學版),2019,16(1): 28-35.

[7] 王鑫鵬,陳志軍,吳超仲,等.考慮駕駛風格的智能車自主駕駛決策方法[J].交通信息與安全,2020,38(2):37-46.

[8] 劉動.基于路面附著等級和駕駛風格的車輛跟隨控制算法研究[D].長春:吉林大學, 2020.

[9] QU X,ZHANG J,WANG S.On the Stochastic Funda- mental Diagram for Freeway Traffic: Model Develop- ment, Analytical Properties, Validation, and Extensive Applications[J].Transportation Research Part B Meth- odological,2017,104: 256.

[10] TIELERT T,RIEGER D,HARTENSTEIN H, et al.Can V2X Communication Help Electric Vehicles Save Energy?[C]//2012 12th International Conference on Its Telecommunications.Piscataway: IEEE, 2012:232- 237.

[11] 全國汽車技術標準化委員會.汽車平順性試驗方法: GB/T 4970—2009[S].北京:中國標準出版社, 2009.

[12] 馬駿.純電動公交客車加速及制動舒適性研究[D].西安:長安大學, 2017.

[13] GUYONVARCH L, HERMITTE T, DUVIVIER F, et al. Driving Style Indicator Using Udrivends Data[J]. Traffic Injury Prevention,2018,19(Sl):189-191.

[14] 丁麗娟.譜聚類算法研究與應用[D].西安:陜西師范大學,2019.

Ride Comfort Analysis of Pure Electric Bus Based on Smart Phone

MA Wanliang

( School of Automobile, Chang'an University, Xi'an 710064, China )

In order to study the common problem of "carsickness" in the operation of pure electric bus, this paper uses smart phones as data acquisition equipment to collect the second by second operation data of 82 drivers on 10 lines. The bus operation process is divided into three stages: acceleration, uniform speed and deceleration. The analysis shows that 49.6% and 30.8% of the instantaneous acceleration in the acceleration and deceleration stages respectively exceed the comfort threshold, which will make passengers feel uncomfortable. At the same time, the speed stability in the uniform stage is far lower than that of social vehicles. In addition, in order to study the relationship between driving style and ride comfort, drivers are divided into three categories by using spectral clustering algorithm based on vehicle operating parameters. The analysis shows that the more aggressive the driving style is, the stronger the ride discomfort will be. Through the decomposition of the bus operation process and the effective clustering of drivers, it can provide theoretical guidance and data support for improving the riding comfort of pure electric bus, the evaluation of operation service quality, and the targeted improvement of drivers' driving skills.

Pure electric bus; Ride comfort; Driving style; Spectral clustering;Smart phones

10.16638/j.cnki.1671-7988.2022.021.001

U491

A

1671-7988(2022)21-01-06

U491

A

1671-7988(2022)21-01-06

馬萬良（1997—），男，碩士研究生，研究方向為智能駕駛與主動安全技術，E-mail:1010503402@qq.com。

長安大學研究生科研創新實踐項目（300103722022）。