■遠(yuǎn)靜 遠(yuǎn)志偉（天津財經(jīng)大學(xué)）

一、數(shù)據(jù)處理

若先進行數(shù)據(jù)預(yù)處理再提取運動學(xué)片段，過大的數(shù)據(jù)量會導(dǎo)致數(shù)據(jù)處理復(fù)雜，邏輯混亂，對于運動學(xué)片段的提取也不夠準(zhǔn)確。對于運動學(xué)片段的定義是怠速狀態(tài)開始至下一個怠速狀態(tài)開始之間的車速區(qū)間，因此前面怠速的狀態(tài)易被歸為不合理的數(shù)據(jù)被剔除，不利于運動學(xué)片段的提取。于是，我們先將整個數(shù)據(jù)集拆分成n 個運動學(xué)片段，將每一組非零數(shù)據(jù)的后一個零數(shù)據(jù)視為下一個運動學(xué)片段的開始。劃分后，每個數(shù)據(jù)唯一的屬于某一片段。結(jié)合題目中給出的5 個條件，篩選出符合條件的運動學(xué)片段并計算該片段的各個屬性。采用先提取運動學(xué)片段后篩選的方法極大的簡化了程序的運行步驟，程序邏輯清晰明了。

二、構(gòu)建代表性汽車行駛工況

（一）汽車運動特征評估體系的確定

行駛工況是指汽車在行駛過程中所體現(xiàn)的運動特征的變化，一般選取車速作為代表性指標(biāo)對行駛過程進行刻畫。根據(jù)題目給出的指標(biāo)并查閱相關(guān)資料，我們篩選出9 個代表性行駛參數(shù)。

（二）初始汽車行駛工況的構(gòu)建

1.構(gòu)建步驟

初始數(shù)據(jù)預(yù)處理后，綜合考慮選取9 個特征指標(biāo)來表示短運動片段的特征，通過分層聚類分析將篩選后的數(shù)據(jù)分為若干類，每一類中選取運動片段的具體步驟如下：

假設(shè)分為i 類，每類中有j個運動片段,記nij為第i 類中第j個運動片段,nij的特征值參數(shù)向量為第i 類的特征值參數(shù)向量為

（2）計算第i 類中的運動時間與篩選后運動片段總時間的比值a，得到在第i類所分配的時間區(qū)間為[a1200,a1300]

（3）按照距離排列的大小，結(jié)合分配的時間區(qū)間，選取每類中距離盡可能小且時間合適的若干短運動片段。

（4）第i 類中初步選出的一些短運動片段組合，得到新的特征值參數(shù)向量計 算和的相關(guān)系數(shù)，通過相關(guān)系數(shù)檢驗每一類中選取的短運動片段的有效性，若相關(guān)系數(shù)較低則進行運動片段選取的調(diào)整[1]。

（5）將每一類中選出的短運動片段匯總，初步構(gòu)建該車的行駛工況。

2.分層聚類步驟和結(jié)果

我們采用改進的分層聚類分析方法將曬選后的1743 個運動學(xué)片段進行聚類分析，首先計算樣本之間的距離，每次將距離最近的點合并到同一個類。再計算類與類之間的距離，將距離最近的類合并為一個大類。重復(fù)合并，直到合成一個大類。因此，我們選取了一個閥值，將樣本分歸為合適的類別[1]。普通的聚類往往以平均數(shù)作為特征參數(shù)進行聚類，而考慮到每個類別的運動時長占總時長的權(quán)重不同，可能會導(dǎo)致選取的片段不能很好的代表每個類別。因此，我們以每個運動片段的時間占比為權(quán)重的加權(quán)平均數(shù)來替代傳統(tǒng)的算術(shù)平均數(shù)進行聚類。通過hclust 函數(shù)將處理后的數(shù)據(jù)分為5 類。

通過上述步驟，挑選出13 條具有代表性的短運動片段，時長1228s，符合題目要求在1200 到1300 之間，這些片段涵蓋了5 個類的特征。構(gòu)建了初始的汽車行駛工況圖。

3.行駛工況的參數(shù)對比

由表1 可知，構(gòu)建的行駛汽車工況與整體的行駛特征在偏差上很小，篩選出的指標(biāo)的偏差都較小，滿足了有效性的要求，具有代表性。

通過計算整體特征參數(shù)和代表性工況特征參數(shù)的相關(guān)系數(shù)來判斷代表工況的有效性。經(jīng)計算，兩者的相關(guān)系數(shù)為0.9976，近似完全相關(guān)，有較高的代表性。

上述計算過程中出現(xiàn)的均值采用以每個運動片段的時間占比為權(quán)重的加權(quán)平均數(shù)。

為了讓選出來的運動片段的代表性更有說服力，我們又分別計算整體汽車運動和代表行駛工況的速度分布以及加速度分布[1]。

表1 行駛工況的參數(shù)對比表

三、行駛工況重構(gòu)

為了進一步提高構(gòu)建的合理性，也根據(jù)我國交通狀況的特點，考慮到汽車在運行過程中會受到路面的干擾，進而引起速度的變化。為了使此變化的隨機性更加小，我們采用小波變換的方法對其進行處理改進通過小波重構(gòu)得到最終得汽車行駛工況如下圖1：

圖1 汽車行駛工況圖

由下表可看出，各項指標(biāo)的誤差僅有0.01%，雖然其他數(shù)據(jù)有一定的偏差，但也均不過20%。以上結(jié)果表明進行小波變換后的數(shù)據(jù)具有一定的代表性，能夠代表此車在此時間短的行駛工況。

表2 壓縮重構(gòu)后數(shù)據(jù)與初始數(shù)據(jù)特征參數(shù)比較

四、結(jié)論

本文通過構(gòu)建汽車行駛工況代表城市交通狀況，發(fā)現(xiàn)在1228s 中，超高速行駛的汽車僅占310s 約為1/4。因此，在燃油消耗方面可適按照中速行駛的汽車配置燃料。減少對低速和高速行駛的汽車的油料配置。了解汽車行駛工況更有利于城市資源的合理配置，優(yōu)化經(jīng)濟結(jié)構(gòu)，使經(jīng)濟增長穩(wěn)中求進。