基于大數據的VAN車運行工況提取及合成研究

摘要：基于大數據技術，對VAN車的運行工況提取和合成進行了研究。通過對某市目標車輛的時間序列、經緯度序列和車速等多維度數據進行融合處理，生成了具有較高準確性的綜合路譜。結果顯示，合成路譜在細節和整體特征上與原始路譜高度吻合，表明該方法在精確度和實用性方面優于傳統方法，為新能源汽車的能耗優化和相關研究提供了重要的數據支持。

關鍵詞：新能源汽車；純電VAN車；用戶工況；大數據；綜合路譜

中圖分類號：U463 收稿日期：2024-06-22

DOI：10.19999/j.cnki.1004-0226.2024.11.010

1 前言

隨著新能源車輛的普及，純電VAN車的市場占有率持續提升，其能耗亦成為市場關注的重點，而獲取真實的用戶工況為能耗開發的關鍵。在車型開發中，用戶工況經濟譜通常需要通過用戶調研、實車跟車采集等方法來實現。傳統方法存在調研的可信度差、試驗成本高、試驗周期長等缺點［1］。本文以某市城區為例通過用戶實車運行大數據對用戶工況路譜進行提取和合成處理，最終生成綜合路譜用以指導項目開發工作。

2 大數據處理

為了研究選定城市（以某市區為例）中的目標車輛運行信息，獲取包括時間序列、經緯度序列和車速等多維度的數據。

通過對這些數據進行融合處理，生成了如圖1所示的熱力圖。具體來說，時間序列數據記錄了車輛在不同時間點的狀態，經緯度序列提供了車輛的地理位置變化，而車速序列數據則反映了車輛的行駛速度。

數據融合的過程包括數據清洗、對齊和插值等步驟，以確保最終生成的熱力圖準確且具有代表性。

熱力圖不僅能夠直觀展示車輛在城市中的活動軌跡和速度分布，還能夠為交通流量分析、城市規劃和智能交通系統的優化提供重要的參考依據［2］。通過這種方法，能夠更全面地了解城市交通狀況，為相關研究和決策提供數據支持。

將抽取后的車速信息進行拼接，獲取原始拼合路譜如圖2所示。該原始拼合路譜為大數據獲取到的原始數據，包含車速和運行時間序列兩個維度。

3 路譜切片及數據清洗

獲取原始拼合路譜后通過Python編程的方式對其進行切片處理，以車速從0 km/h加速并減速到0 km/h為一個運動學片段，共獲取某市城區運動學片段4 316片。

對于每一個運動學片段進行運動學分析，統計出運動學特征，本案例一共統計21維的運動學特征，其部分內容見表1。

針對運動學片段的運動學特征進行了數據分析，并繪制相應的運動學特征分布曲線，如圖3所示。圖中陰影部分圖形表示了各維度數據的正態分布概率密度曲線，而紅色實線則表示實際分布的概率密度函數曲線［3］。此圖形展示了理論分布與實際數據分布之間的比較，以便深入分析數據的統計特性和分布規律。

由圖3得知，與對應的標準正態分布相比，平均速度與最高速度均出現明顯的雙峰特性，可能為數據存在異常偏差，需進行數據清洗。

對數據清洗過程中做出如圖4所示的切片運動學分布點圖，圖中有部分數據落入該維度的3倍標準差控制線（圖4中紅色虛線）外［4］。通過Z-score分數法進行數據清理剔除該異常數據。

4 主成份分析

本例中共有4 316個運動學片段，有21個維度的特征參數，需要通過主成份分析將數據進行降階，具體方法如下。

4.1 標準化數據

將原始數據轉化為矩陣X，其大小為n×21（n為切片樣本數，這里為4 316），將數據通過下式標準化：

[Zij=Xij-μjσj] （1）

式中，[Xij]為原始數據矩陣中第i行第j列的元素；[μj]為原始數據的均值；[σj]為原始數據的標準差。

4.2 計算協方差矩陣及特征向量

協方差矩陣為：

[C=1n-1ZTZ] （2）

求解特征值[λi]和對應的特征向量[vi]，使得：

[Cvi=λivi] （3）

選擇前三個最大特征值[λ1]、[λ2]、[λ3]對應的特征向量[v1]、[v2]、[v3]，構成特征向量矩陣[W]：

[W=v1，v2，v3] （4）

其矩陣形式為：

[W=w11w12w13w21w22w23???w21，1w21，2w21，3] （5）

4.3 計算降階后的數據矩陣

將標準化后的數據矩陣[Z]投影到特征向量矩陣[W]上，得到降階后的數據矩陣[Y]即：

[Y=ZW] （6）

設[Z]是一個n×21的矩陣：

[Z=z11z12…z1，21z21z22…z2，21???zn1zn2…zn，21] （7）

代入式（6）可得：

[Y=ZW=z11z12…z1，21z21z22…z2，21???zn1zn2…zn，21w11w12w13w21w22w23???w21，1w21，2w21，3] （8）

展開后具體計算公式如下：

[Yij=k=121 zikwkj] （9）

式中，[Yij]為降維后數據矩陣[Y]中第i行第j列的元素。

5 k-means聚類分析

k-means聚類分析是一種常用的無監督學習算法，用于將數據集劃分成k個簇［5］，其目標是最小化各簇內數據點到簇中心的距離平方和。其基本過程分為如下兩步：

a.分配數據點到最近的簇中心：

[ki=arg minj ‖xi-μj‖2] （10）

式中，[ki]為數據點[xi]被分配的簇的索引。

b.迭代更新簇中心：

[μj=1|Cj|xi∈Cj xi] （11）

式中，[Cj]為該簇中的數據點的數量。

通過不斷重復上述兩個步驟，直到簇中心[Cj]不再發生顯著變化，算法最終收斂。

本例中最終分為3個簇，聚類前后的三維空間散點圖見圖5。

6 路譜合成及數值分析

根據最終合成的路譜目標時間為1 800 s，對數據進行了切片抽取。

具體步驟為按照每個聚類簇中的片段比例進行抽取，以確保所選片段能夠代表各個聚類簇的特征。

通過該方法，最終生成了合成路譜，如圖6所示。這一合成路譜反映了在規定時間內道路狀況的整體特征。

切片抽取過程包括對各個聚類簇的片段進行權重分配和時間對齊，以保證數據的全面性和準確性［6］，該合成路譜與原始數據對比情況如表2所示，由表2數據可看出合成工況與原始數據的運動學特征高度吻合。

7 結語

本文通過研究，不僅實現了對某市城區純電VAN車用戶工況的深入分析，而且提出了一種通過大數據處理方法來合成用戶工況路譜。與傳統的調研和實車跟車采集方法相比，生成的綜合路譜在精確度和實用性上都表現出顯著的優勢。經過對時間序列、經緯度序列和車速等多維度數據的精細融合與處理，合成的路譜與原始路譜在細節和整體特征上高度吻合，展現出較高的準確性。這種綜合路譜不僅能夠準確模擬車輛在實際工況下的運行狀態，還具備廣泛的應用場景。它不僅為車型開發和能耗優化提供了仿真及轉鼓試驗輸入依據，還在交通流量分析、城市規劃、智能交通系統優化等多個領域具有強大的應用潛力。

參考文獻：

[1]盛驟.概率論與數理統計第[M].4版.北京：高等教育出版社，2023.

[2]同濟大學數學系.高等數學[M].6版.北京：高等教育出版社，2007.

[3]魏學哲.基于路譜數據采集分析解決某整車動力性問題[J].現代車用動力，2017，8（3）：41-45.

[4]曹騫.北方環境乘用車行駛工況和代表工況構建方法研究[D].長春：吉林大學，2020.

[5]魏學哲，2015.基于路譜數據采集分析解決某整車動力性問題[J].現代車用動力，2017，8（3）：41-45.

[6]Vesanto J，Alhoniemi E.Clustering of the Self-Organizing Map[J].IEEE Transactions on Neural Networks，2000，11（3）：586-600.

作者簡介：

張鵬，男，1988年生，工程師，研究方向為整車能耗開發。

余燕軍（通訊作者），男，1978年生，高級工程師，研究方向為整車性能開發。