惠 飛 吳麗寧 景首才 魏 誠 李 敬

(長安大學(xué)信息工程學(xué)院 陜西 西安 710064)

0 引 言

近年來，汽車產(chǎn)業(yè)成為國民經(jīng)濟的重要支柱，因此交通也已成為我國乃至全世界能源消耗量最高的行業(yè)，其中道路交通最為嚴重。2013年葡萄牙運輸部門使用的石油資源占全國一年總量的40%，其中道路交通占81%[1]；2014年我國清潔能源、可再生能源以及電力在車用燃料替代中超過了500萬噸[2]；2015年北京市交通運輸業(yè)能源消耗占全市能源消耗的18.23%[3]；2016年在乘用車保有量繼續(xù)增長、新型城鎮(zhèn)化不斷推進的背景下，我國石油需求同比增長4.3%左右[4]；2017年我國消耗的能源高達110.8億噸，并且2018年的消耗量比上年增長4.6%[5]。從當(dāng)前情況觀察到，道路交通方面使用石油比例逐年增長，若再不對機動車的能耗進行研究和治理，能源短缺問題將會越來越嚴重。

國內(nèi)外學(xué)者基于機動車行駛參數(shù)在能源消耗碳排放方面做了大量研究：文獻[6]在分析安全輔助系統(tǒng)對能耗的影響時，排除了速度變化的影響，將加速度波動作為能耗增加的主要原因進行研究。文獻[7]分析了在交通限制下速度和加速度兩個參數(shù)對能耗的影響。文獻[8]通過燃油密度、發(fā)動機轉(zhuǎn)矩、轉(zhuǎn)速計算油電混動汽車的單位耗油率。文獻[9]通過t-檢驗證明了減少能耗及碳排放的措施不會影響汽車行駛速度，并且分析出空調(diào)溫度、輪胎、燃油密度、車輛阻力、車重等可能影響能耗的因素。文獻[10]收集了一些在行駛過程中利于減少能耗的因素，分析出提供中等頻率的評估信息可以使用戶長期處于低能耗階段。文獻[11]發(fā)現(xiàn)合理的駕駛風(fēng)格可以節(jié)省5%～20%的能耗。文獻[12]在高速、主干道、二級公路上比較能耗的變化情況，并建立了以速度作為唯一參數(shù)的能耗模型。文獻[13]通過對所有道路環(huán)境中的交通流量進行控制和管理，發(fā)現(xiàn)駕駛員能源消耗明顯降低。文獻[14]通過跟弛模型對速度進行優(yōu)化，發(fā)現(xiàn)該模型能有效降低車輛能耗。文獻[15]在交叉口停車線以及上游下游處，通過改變駕駛行為，研究排放的變化情況，并基于每個路段構(gòu)建不同的排放模型。

綜上，由于行駛參數(shù)與能耗之間存在直接關(guān)聯(lián)且易于獲得，因此國內(nèi)外學(xué)者在研究減少能耗的生態(tài)駕駛行為時多以行駛參數(shù)為出發(fā)點。但是駕駛員因素也是能耗和排放增加的最主要成因，若要從駕駛員角度出發(fā)，則能達到緩解交通擁堵、減少能源消耗和污染物排放的目的，對交通行業(yè)的發(fā)展具有重要意義?；诖?，本文分析了在多工況下，急加速、急減速、正常加速、正常減速、勻速這五種典型駕駛行為的能源消耗情況，并且提出一個基于多工況的駕駛行為能耗評估模型，期望可為政府部門制定節(jié)能減排政策以及交通部門實施交通管控方面提供參考。

1 多工況駕駛行為能耗評估模型

本文提出一個多工況駕駛行為能耗評估模型，如圖1所示。該模型實現(xiàn)過程包括：數(shù)據(jù)預(yù)處理、多工況駕駛行為識別、能耗分析與模型驗證三個部分。第一部分：進行數(shù)據(jù)采集和預(yù)處理；第二部分：利用K-means對駕駛工況進行分類，形成低速、中速、高速三類，然后參考行駛參數(shù)對駕駛行為進行特征提取，最后進行兩級聚類算法，即首先對特征參數(shù)進行譜聚類，然后對一級聚類結(jié)果使用AGNES算法進行二次聚類，得到急加速、急減速、正常加速、正常減速、勻速五類；第三部分：量化分析不同駕駛行為的能耗，并且通過將實際能耗與模型計算的能耗進行對比來驗證模型精度。

圖1 多工況典型駕駛行為能耗評估框架

2 數(shù)據(jù)采集與預(yù)處理

2.1 實驗數(shù)據(jù)采集

為獲取可復(fù)現(xiàn)的實驗數(shù)據(jù)，本研究邀請不同駕駛員在相同天氣狀況下以市內(nèi)相同路段為基礎(chǔ)，把駕駛行為作為唯一變量進行實驗。

實驗在西安市如圖2所示的線路上(粗線是軌跡，起點為長安大學(xué)本部，終點為西安城西客運站)，由5名駕駛員進行數(shù)據(jù)采集，GPS設(shè)備按照20Hz采集信息。部分原始數(shù)據(jù)如表1所示。

圖2 實車實驗路線圖

表1 部分原始數(shù)據(jù)

2.2 VT-Micro能耗模型

目前VT-Micro微觀能耗模型是被大家公認的一種車輛瞬時能耗計算模型[16-17]，本文選取VT-Micro來計算補充瞬時能耗數(shù)據(jù)。模型計算如下：

(1)

式中:MOEe為瞬時能耗；Li,j為a≥0的回歸系數(shù)；Mi,j為a<0的回歸系數(shù)；s為瞬時速度；a為瞬時加速度?；谒矔r能耗可計算出在駕駛行為i狀態(tài)時的平均能耗，計算如下：

(2)

(3)

式中：FC指工況內(nèi)的百公里油耗；v指均速度；D指燃油密度，93#汽油密度為725 g/l。

2.3 數(shù)據(jù)預(yù)處理

GPS設(shè)備可以采集經(jīng)緯度、速度等信息，但是由于采集過程可能會受測試儀器、環(huán)境、駕駛員等影響，因此必須通過預(yù)處理移除不可信的數(shù)據(jù)，從而保證后續(xù)實驗數(shù)據(jù)的有效性。另外本文假設(shè)在30分鐘內(nèi)車輛位置的變化范圍不超過50 m被認為是停車。

本文預(yù)處理包括數(shù)據(jù)清洗、地圖匹配、軌跡分段。數(shù)據(jù)清洗方面具體操作如下：

1) 刪除超出實驗路段經(jīng)緯度范圍的采樣點；

2) 由于本文選取VT-Micro補充能耗，所以必須首先依據(jù)VT-Micro的參數(shù)標(biāo)準(zhǔn)，剔除無效數(shù)據(jù)；

3) 剔除具有相同時間戳的冗余采樣點；

4) 本文駕駛行為不包含停車，因此要剔除無堵塞停車采樣點；

5) 將原始數(shù)據(jù)切分成多個微觀行程，每段時長不超過3分鐘。

進行地圖匹配時需要將GPS數(shù)據(jù)與標(biāo)準(zhǔn)經(jīng)緯度信息匹配，剔除無效樣本點。本文將選取一種針對大規(guī)模GPS數(shù)據(jù)的地圖匹配算法[18]。

本文把軌跡段作為識別駕駛行為的基本單元，由于行駛過程中會產(chǎn)生有效與無效軌跡段，因此引入凈曲率和平均距離指標(biāo)來對此進行劃分。用于計算凈曲率和平均距離的因子如圖3所示。

圖3 計算軌跡凈曲率和平均距離的指標(biāo)

凈曲率：表示實際軌跡與路網(wǎng)的匹配度，l/l′值為1表示完全匹配，反之表明差異性高。l表示軌跡原始長度，l′表示匹配到路網(wǎng)上的長度。

實驗基于以上兩個指標(biāo)，利用隨機森林分類器進行訓(xùn)練，然后根據(jù)訓(xùn)練后的模型對剩余軌跡段進行劃分，最后基于有效軌跡段識別駕駛行為。

3 多工況典型駕駛行為聚類識別

3.1 不同駕駛工況的聚類研究

聚類在類標(biāo)簽未知時自動進行劃分，是一種無監(jiān)督學(xué)習(xí)算法，它盡可能將相似數(shù)據(jù)劃分到同一個類，反之劃分到不同的類。目前在交通類的研究項目中也廣泛運用到聚類算法[19-21]。

3.1.1 基于Eros距離的相似度度量方式

目前最常用的度量方式是歐氏距離和動態(tài)時間彎曲距離[22]。利用歐式距離處理時間序列的相似度時，計算結(jié)果與實際距離有較大差異，因此本文不采用歐氏距離度量。動態(tài)時間彎曲距離曾經(jīng)主要運用于語音識別[23]，目的是尋找任意兩個向量之間的最短距離，但在處理時間序列時，時間軸的微小變化也會對結(jié)果產(chǎn)生較大影響，因此本文也不選用動態(tài)時間彎曲距離進行度量。

本文選擇借鑒多維時序相似性的度量思想，利用基于Eros(Extended Frobenius Norm)距離的度量方式對本文采樣點進行相似性度量。Eros距離是基于矩陣加權(quán)F范數(shù)進行擴展的，矩陣Am×n的加權(quán)F范數(shù)如下[24]：

(4)

式中：w表示權(quán)重向量矩陣，跡為1。特征向量A-VA=[a1,a2,…,an]和B-VB=[b1,b2,…,bn]的Eros距離如下:

(5)

3.1.2 Eros距離中權(quán)值的計算方法

常見的權(quán)值計算方法有：和法、根法、特征根法、對數(shù)最小二乘法、最小二乘法[25]。本文在Eros距離中的權(quán)值計算過程如算法1所示。

算法1 計算權(quán)值向量

輸入：特征值矩陣Sn×N

輸出：加權(quán)向量

1) 將矩陣按列進行單位化

2) 計算矩陣每一行的和{sum1,sum2,…,sumn}

3) 計算整個矩陣的和Sum

4) 計算加權(quán)向量=sumi/Sum

3.1.3 基于K-means的工況聚類

本文針對采樣點，利用基于Eros距離度量的K-means算法對駕駛工況進行聚類。實驗部分研究低、中、高速三種駕駛工況，聚類中心見表2，各個工況的時間百分比見表3，聚類結(jié)果見圖4，其中X軸為瞬時速度，Y軸為瞬時能耗。

表2 駕駛工況劃分結(jié)果

表3 駕駛工況時間百分比

圖4 駕駛工況聚類

3.2 不同駕駛行為的聚類研究

3.2.1 五種典型駕駛行為定義

本文基于行駛速度、加速度、持續(xù)時間與能耗之間的關(guān)系，提出五種與能耗相關(guān)的駕駛事件，分別是勻速、正常加速、正常減速、急加速、急減速，它們加速度的變化如圖5所示。由于本文將軌跡段作為識別事件的基本單元，因此要求所有有效軌跡段的持續(xù)時長Δt≥2 s。

圖5 加速度隨時間變化圖

3.2.2 駕駛行為特征提取

為了保證聚類效果的高效性，首先需要對以上五種典型駕駛行為進行特征提取。本文用于特征提取的參數(shù)見表4。

表4 用于特征提取的行駛參數(shù)

1) 勻速行為。勻速事件指在一段時間內(nèi)加速度變化幅度較小的過程，它的變化如圖5(a)所示。該事件的識別條件[26]如下：

-0.27 m/s2≤a≤0.27 m/s2

(6)

std(a)≤0.41 m/s2

(7)

2) 正常加速行為。正常加速指速度隨時間緩慢增加的過程，它的變化如圖5(b)所示。由于加速行駛時能耗量與持續(xù)時長呈正相關(guān)，因此在識別時除了考慮加速度還要考慮持續(xù)時間。該事件的識別條件[26]如下：

0.27 m/s2

(8)

Δt≥2 s

(9)

3) 正常減速行為。正常減速指速度隨時間變化緩慢降低的過程，它的變化如圖5(c)所示。該事件的識別條件[26]如下：

-1.38 m/s2≤a<-0.27 m/s2

(10)

4) 急加速行為。急加速事件指駕駛員操作使行駛速度瞬間得到提升的過程，它的變化如圖5(d)所示。該事件的識別條件[26]如下：

a>1.11 m/s2

(11)

5) 急減速行為。急減速事件指駕駛員操作使行駛速度瞬間降低的過程，它的變化如圖5(e)所示。該事件的識別條件[26]如下：

a<-1.38 m/s2

(12)

3.2.3 基于AGNES譜聚類的行為識別及準(zhǔn)確度分析

本節(jié)基于AGNES譜聚類算法對提出的5種駕駛事件進行識別，由于原始實驗樣本具備屬性廣、數(shù)據(jù)量大、存在無效數(shù)據(jù)等特點，因此采用該方法對樣本進行聚類分析。首先在對以上事件進行特征提取的基礎(chǔ)上進行譜聚類，然后使用AGNES進行二次聚類，最后得到五個駕駛行為類。

在對每種駕駛工況進行行為識別時，首先利用譜聚類得到樣本特征值和特征向量，然后用AGNES算法對上級結(jié)果進行聚類分析，其中AGNES算法可以減少人為因素的影響、提高聚類的準(zhǔn)確率。實驗整體流程如算2所示。

算法2 基于Eros距離的聚類算法實現(xiàn)

輸入：高速、中速、低速工況中的有效軌跡段

輸出：不同的駕駛行為類

1) 利用閔可夫斯基距離構(gòu)建基于樣本集的鄰接矩陣；

2) 利用KNN算法獲取相似矩陣W；

3) 基于W生成度矩陣D；

4) 利用W和D構(gòu)建拉普拉斯矩陣L=W-D；

5) 對L的特征向量實現(xiàn)凝聚層次聚類算法；

6) 利用Eros距離計算特征向量的初始距離矩陣；

7) Loop

8) 獲取距離矩陣中值最小的兩個類；

9) 合并8)中的類，并覆蓋以上索引值較小的類；

10)計算新類和其余類的距離，重新生成距離矩陣；

11) 重復(fù)8)-10)步，直到滿足各工況下的類個數(shù)退出循環(huán)。

本文實驗部分在低速時，由于車輛處于起步階段因此沒發(fā)生急加速、急減速，而在中速和高速時，為及時應(yīng)對交通狀況，以上五種行為都會發(fā)生。

本文方法與K-means算法、FCM算法的準(zhǔn)確度對比結(jié)果如下：由本文方法在高速工況下識別到的各類行為樣本量見表5，算法準(zhǔn)確度比較見表6；中速工況下樣本量見表7，準(zhǔn)確度比較見表8；低速工況樣本量見表9，準(zhǔn)確度比較見表10。其中H指檢測為某類駕駛行為的數(shù)據(jù)，J指正確檢測為該類駕駛行為的數(shù)據(jù)。由表可知本文提出的基于Eros度量的兩級聚類算法相對于K-means算法和FCM算法具有較高的準(zhǔn)確度。

表6 高速工況下算法準(zhǔn)確度比較

表7 本文方法在中速工況下識別的各類行為樣本量

表8 中速工況下算法準(zhǔn)確度對比

表9 本文方法在低速工況下識別的各類行為樣本量

表10 低速工況下算法準(zhǔn)確度對比

4 多工況下典型駕駛行為的能耗分析

實驗部分針對個人出行軌跡數(shù)據(jù)進行分析，實現(xiàn)不同工況的聚類，其中高速工況的能耗占全部能耗的56.6%，中速工況能耗占38.6%，低速工況能耗僅占總能耗的4.8%。多工況下典型駕駛行為的累計能耗對比如圖6所示，平均能耗分析如圖7所示，評估模型準(zhǔn)確度分析見表11。

圖6 累計能耗對比圖

圖7 多工況下駕駛行為的平均能耗

表11 本文評估模型準(zhǔn)確度分析

從圖7觀察到：高速工況的駕駛行為平均能耗高于中速、低速時任何行為的平均能耗。在高速工況下進行分析得到：急加速行為的平均能耗最高，比正常加速時高31%；急減速行為的平均能耗次之，比正常減速行為的平均能耗高35.4%；而中速工況時急加速行為的平均能耗比正常加速高11%，急減速行為的平均能耗比正常減速高85.9%。

5 結(jié) 語

本文主要工作是提出一個基于多工況典型駕駛行為的能耗評估模型，針對出行軌跡數(shù)據(jù)識別出高速、中速、低速三種駕駛工況以及急加速、急減速、加速、減速、勻速五種與能耗相關(guān)駕駛行為，并在每種情況下，分析機動車的能耗變化情況。實驗在三種不同駕駛工況下，將該模型與K-means和FCM算法對同一數(shù)據(jù)集的行為識別精度進行比較，發(fā)現(xiàn)本文算法的識別度高達92%以上，優(yōu)于其他兩種算法。從機動車的能耗變化情況中發(fā)現(xiàn)：高速工況時急加速行為的平均能耗比正常加速高31%，急減速行為比正常減速高35.4%；中速工況時急加速行為的平均能耗比正常加速高11%，急減速行為比正常減速高85.9%。將實際能耗與模型能耗對比發(fā)現(xiàn)，該模型的能耗評估誤差在±4%內(nèi)。由此可見，該模型可以為交通部門的道路能耗評估提供有效方法，并且為交通部門實施交通管控提供參考。