一种基于机器学习和优化算法的新能源公交工况构建方法技术

本发明专利技术提供了一种基于机器学习和优化算法的新能源公交工况构建方法，其采用了多种方法联合，对采集到的数据进行预处理，降低了外界因素对采集的数据质量的负面影响。方法中所采用的主成分分析法对运动学片段的特征参数降维，在尽可能多地保留原始行驶数据信息的基础上，降低了计算的复杂度，消除了各特征参数之间的相关性，保证了分析结果的可靠性。通过改进的粒子群优化算法计算得到k

【技术实现步骤摘要】
一种基于机器学习和优化算法的新能源公交工况构建方法


[0001]本专利技术属于新能源汽车工况构建
，尤其涉及一种基于机器学习和优化算法实现并适用于新能源公交车辆的工况构建方法。

技术介绍

[0002]现阶段，针对新能源汽车的行驶特征分析与测试中均需要借助相应的标准工况数据，目前针对国内新能源公交汽车所主要应用的工况数据为“中国典型城市公交工况(Chinese Typical City Bus Driving Cycle,CCBC)”。然而，由于我国城市化水平的不断提高以及城市交通路网体系的逐渐完善，城市道路交通场景的多样性特征越来越明显，不同城市乃至不同线路的交通环境和驾驶特征均不尽相同，导致公交车的实际运行结果与以CCBC工况为基准认证的结果存在愈加明显的差异，因此有必要针对我国新能源公交的实际情况，构建能够反映本地区特定新能源公交路线交通状况和行驶特征的公交工况，为新能源公交车的燃油经济性和排放性提供更为精确的评价基准。
[0003]现有的工况构建方法主要分为两类：基于聚类算法的短行程构建方法和基于马尔科夫的构建方法，譬如现有技术：
①
.“基于K
‑
均值聚类算法的行驶工况构建方法”(秦大同、詹森、漆正刚、陈淑江；《吉林大学学报(工学版)》，2016,46(02):383
‑
389)；
②
.“基于LLEKM和马尔科夫链的城市轻型车行驶工况构建”(张惠玲、孔德学、余涛、敖谷昌、邵毅明；《长安大学学报(自然科学版)》，2021,41(05):118
‑
126)。其中，基于聚类算法的短行程构建方法原理简单、易于实现，因此应用更加广泛，但由于聚类结果受初始聚类中心的影响较大，而通常情况下的聚类中心都是随机选取的，因而对所构建的公交工况精确程度易产生负面影响，使其不能很好地反映真实的交通场景和行驶特征；基于马尔科夫的构建方法实现难度较大，所构建工况的准确度在很大程度上依赖于所建立的马尔科夫状态转移矩阵的精确性，同时，马尔科夫状态转移矩阵的精确程度与计算成本之间存在矛盾，这也限制了基于马尔科夫的构建方法的广泛应用。此外，由于城市公交线路的各个站点都是固定的，每两个相邻公交站点之间的区间距离也都是一定的，这也对基于马尔科夫的构建方法造成了巨大的挑战。

技术实现思路

[0004]针对上述本领域中存在的技术问题，本专利技术提供了一种基于机器学习和优化算法的新能源公交工况构建方法，具体包括以下步骤：
[0005]步骤1、针对特定公交路线上行驶的新能源公交车辆，利用工况数据采集设备获取其原始行驶数据，并对所述原始行驶数据执行必要的预处理；
[0006]步骤2、将所述路线上每两个相邻公交站点之间的车速数据片段视为一个运动学片段，根据每个所述运动学片段的起点与终点时刻将预处理后的所述数据划分为多个运动学片段；
[0007]步骤3、从各运动学片段中提取与所述路线上的交通状况以及驾驶行为相关的特
征参数，由提取的全部运动学片段的特征参数组成样本观测矩阵，并对所述样本观测矩阵执行标准化处理；
[0008]步骤4、利用主成分分析法对标准化处理后的所述样本观测矩阵执行降维，得到消除了所述特征参数之间相关性的若干主成分，用于描述不同运动学片段对应的交通状况以及驾驶行为；
[0009]步骤5、利用k
‑
means聚类算法对所述主成分进行聚类，将各运动学片段分别划分为对应于不同交通场景的多个工况类型，完成该特定公交路线的完整工况构建；
[0010]步骤6、利用该特定公交路线上实际行驶的新能源公交车辆原始行驶数据，对所构建的完整工况进行对比验证，并实现定期更新。
[0011]进一步地，步骤1中所执行的预处理具体包括但不限于：
[0012]a.剔除发车等待、始发站站内行驶、终点站站内行驶、往返公交公司以及设备故障、采集中断等各种特定、特殊情况下的无效数据；
[0013]b.对因数据采集设备信号丢失造成的采样数据不连续，进而导致车速值短暂空缺的情况，利用插值法填充丢失的车速数据；
[0014]c.对因怠速时车辆抖动导致的车速小于1km/h的数据进行怠速处理；
[0015]d.根据采集时间，对车速数据进行时间间隔为1秒的插值；
[0016]e.对于短时间内车速变化较为剧烈，即加速度过大或过小等异常情况，利用滑动平均滤波法对车速数据进行降噪。
[0017]进一步地，步骤2划分运动学片段的方法具体包括：将每两个相邻的公交站点之间的车速片段视为一个运动学片段，第一个运动学片段的起点为在始发站的发车时刻，最后一个运动学片段的终点为到终点站的停车时刻，除此之外，其余所有运动学片段的起点和终点均分别为每两个相邻的公交站点从进站停车开始到离站停车结束的中间时刻。
[0018]进一步地，步骤3所提取的特征参数具体包括：速度特征参数、加速度特征参数、急动度特征参数、时间特征参数和距离特征参数5类；其中，速度特征参数包括：最高车速、平均车速、车速标准差；加速度特征参数包括：最大正加速度、平均正加速度、正加速度标准差、最小负加速度、平均负加速度、负加速度标准差、加速度标准差；急动度特征参数包括：最大正急动度、平均正急动度、正急动度标准差、最小负急动度、平均负急动度、负急动度标准差、急动度标准差；时间特征参数包括：怠速时间比例、加速时间比例、减速时间比例、运动学片段时长；距离特征参数为每个运动学片段相应的距离；
[0019]对于特定公交路线上m个运动学片段上分别包含的n个特征参数，构建以下形式的样本观测矩阵A
m
×
n
：
[0020][0021]其中，a
ij
(i＝1,2,
…
,m；j＝1,2,
…
,n)表示第i个片段样本的第j个特征参数；
[0022]为消除由于各个特征参数之间的量纲不统一带来的负面影响，对A
m
×
n
执行标准化处理后得到以下标准化矩阵Y
m
×
n
：
[0023][0024][0025]其中，y
ij
(i＝1,2,
…
,m；j＝1,2,
…
,n)表示第i个样本经过标准化之后的第j个特征参数。
[0026]进一步地，步骤4中对样本观测矩阵执行降维具体包括执行以下过程：
[0027]4.1)计算所述标准化矩阵Y
m
×
n
的Pearson相关系数矩阵R
n
×
n
：
[0028][0029][0030]其中，r
ij
表示Pearson相关系数矩阵R的第i行第j列的元素(i＝1,2,
…
,n；j＝1,2,
…
,n)，表示标准矩阵Y第i列的平均值，表示标准矩阵Y
m...

【技术保护点】

【技术特征摘要】
1.一种基于机器学习和优化算法的新能源公交工况构建方法，其特征在于：具体包括以下步骤：步骤1、针对特定公交路线上行驶的新能源公交车辆，利用工况数据采集设备获取其原始行驶数据，并对所述原始行驶数据执行必要的预处理；步骤2、将所述路线上每两个相邻公交站点之间的车速数据片段视为一个运动学片段，根据每个所述运动学片段的起点与终点时刻将预处理后的所述数据划分为多个运动学片段；步骤3、从各运动学片段中提取与所述路线上的交通状况以及驾驶行为相关的特征参数，由提取的全部运动学片段的特征参数组成样本观测矩阵，并对所述样本观测矩阵执行标准化处理；步骤4、利用主成分分析法对标准化处理后的所述样本观测矩阵执行降维，得到消除了所述特征参数之间相关性的若干主成分，用于描述不同运动学片段对应的交通状况以及驾驶行为；步骤5、利用k
‑
means聚类算法对所述主成分进行聚类，将各运动学片段分别划分为对应于不同交通场景的多个工况类型，完成该特定公交路线的完整工况构建；步骤6、利用该特定公交路线上实际行驶的新能源公交车辆原始行驶数据，对所构建的完整工况进行对比验证，并实现定期更新。2.如权利要求1所述的方法，其特征在于：步骤1中所执行的预处理具体包括：a.剔除发车等待、始发站站内行驶、终点站站内行驶、往返公交公司以及设备故障、采集的各种无效数据；b.对因数据采集设备信号丢失造成的采样数据不连续，进而导致车速值短暂空缺的情况，利用插值法填充丢失的车速数据；c.对因怠速时车辆抖动导致的车速小于1km/h的数据进行怠速处理；d.根据采集时间，对车速数据进行时间间隔为1秒的插值；e.对于短时间内车速异常情况，利用滑动平均滤波法对车速数据进行降噪。3.如权利要求1所述的方法，其特征在于：步骤2划分运动学片段的方法具体包括：将每两个相邻的公交站点之间的车速片段视为一个运动学片段，第一个运动学片段的起点为在始发站的发车时刻，最后一个运动学片段的终点为到终点站的停车时刻，除此之外，其余所有运动学片段的起点和终点均分别为每两个相邻的公交站点从进站停车开始到离站停车结束的中间时刻。4.如权利要求1所述的方法，其特征在于：步骤3所提取的特征参数具体包括：速度特征参数、加速度特征参数、急动度特征参数、时间特征参数和距离特征参数5类；其中，速度特征参数包括：最高车速、平均车速、车速标准差；加速度特征参数包括：最大正加速度、平均正加速度、正加速度标准差、最小负加速度、平均负加速度、负加速度标准差、加速度标准差；急动度特征参数包括：最大正急动度、平均正急动度、正急动度标准差、最小负急动度、平均负急动度、负急动度标准差、急动度标准差；时间特征参数包括：怠速时间比例、加速时间比例、减速时间比例、运动学片段时长；距离特征参数为每个运动学片段相应的距离；对于特定公交路线上m个运动学片段上分别包含的n个特征参数，构建以下形式的样本观测矩阵A
m
×
n
：
其中，a
ij
(i＝1,2,
…
,m；j＝1,2,
…
,n)表示第i个片段样本的第j个特征参数；为消除由于各个特征参数之间的量纲不统一带来的负面影响，对A
m
×
n
执行标准化处理后得到以下标准化矩阵Y
m
×
n
：：其中，y
ij
(i＝1,2,
…
,m；j＝1,2,
…
,n)表示第i个样本经过标准化之后的第j个特征参数。5.如权利要求4所述的方法，其特征在于：步骤4中对样本观测矩阵执行降维具体包括执行以下过程：4.1)计算所述标准化矩阵Y
m
×
n
的Pearson相关系数矩阵R
n
×
n
：：其中，r
ij
表示Pearson相关系数矩阵R的第i行第j列的元素(i＝1,2,
…
,n；j＝1,2,
…
,n)，表示标准矩阵Y第i列的平均值，表示标准矩阵Y
m
×
n
第j列的平均值，y
ki
表示标准矩阵Y
m
×
n
的第k行第i列的元素，y
kj
表示标准矩阵Y
m
×
n
的第k行第j列的元素；4.2)计算Pearson相关系数矩阵R的非负特征值，记为λ
i
(i＝1,2,
…
,n)，将各个特征值按照从大到小的顺序排列，得到λ1>λ2>
…
>λ
n
≥0；4.3)计算各个主成分对应的贡献率μ
i
：4.4)将贡献率μ
i
逐个累加，若累计贡献率...

【专利技术属性】
技术研发人员：何洪文，黄汝臣，赵旭阳，孟祥飞，
申请(专利权)人：北京理工大学，
类型：发明
国别省市：