孫晶云，魯東麗，郭軍，高云，陳宇峰，向鄭濤

（1.湖北汽車工業(yè)學院 電氣與信息工程學院，湖北 十堰 442002；2.浙江鴻程計算機系統(tǒng)有限公司，浙江 杭州 311100；

3.東風汽車動力零部件有限公司，湖北 十堰 442000）

車輛在行駛過程中能量消耗會受工況影響，針對不同工況制定不同的車輛能量管理策略，可以達到節(jié)能減排的效果［1-2］。目前國內外不少學者對行駛工況識別算法進行了研究，王憲彬［3］等人分析了商用車在行駛過程中的工況特點，基于樸素貝葉斯分類器對高速公路行駛工況進行識別。Lin等人［4］采用K-means算法對工況進行聚類，通過學習向量量化神經網絡實時識別行駛工況。文獻［5］基于聚類理論對3類行駛工況進行識別，并制定了混動車能量管理策略。Xie 等人［6］和Hazal 等人［7］提出利用模糊控制器結合其他模型進行工況識別。上述方法中，傳統(tǒng)聚類算法對聚類中心敏感，中心值選取對識別結果影響大；使用傳統(tǒng)的神經網絡算法時，需要預先獲得大量訓練數據，在實際操作中有一定困難，如訓練時間過長、數據量小時訓練效果不佳等［8］；傳統(tǒng)模糊識別方法對專家經驗依賴大，需要反復調整隸屬度函數。SVM通過更改重要參數影響識別精度［9］，PSO算法可以快速搜索到最優(yōu)參數，但是有陷入局部最優(yōu)的可能性［10］。為避免以上問題，文中結合SVM和PSO算法的特點，提出了基于遺傳粒子群優(yōu)化支持向量機（genetic algorithm for particle swarm optimization support vector machine，GAPSO-SVM）模型的行駛工況識別算法，并將優(yōu)化后的GAPSO-SVM 模型與K-CV-SVM 模型、PSO-SVM模型進行對比分析。

1 GAPSO-SVM模型簡介

1.1 SVM算法原理

傳統(tǒng)SVM 是經典的二分類算法，該算法將輸入的樣本特征參數變換至高維特征空間，使樣本線性可分，再求解尋找超平面，在保證識別精度的同時使該超平面與樣本間的間隔盡可能大［9］。假設給定訓練樣本：

式中：xi為輸入樣本；yi為對應樣本的標簽。超平面記作：

式中：w為超平面的法向量；b為超平面的截距。距離超平面最近的樣本點為支持向量，不同類別的支持向量間隔d為

構建Lagrange函數求解該約束優(yōu)化問題：

式中：ai為各樣本的Lagrange 乘子，是非負變量。分別對式（5）中的w和b求偏導數并置零，將該約束優(yōu)化問題轉為對偶問題，從樣本中得到超平面的決策函數：

在解決實際問題時，樣本通常是非線性可分的。針對非線性問題，SVM引入了核函數，同時定義松弛變量ξi≥0 和懲罰系數C＞0。假定存在1 個非線性轉換φ(x)，樣本通過該轉換可映射到高維特征空間，在新的特征空間中構造超平面。此時超平面的決策函數為

常用的核函數有線性核函數、多項式核函數和高斯核函數，由于高斯核函數可映射到無窮維度，且結構不復雜，文中使用經驗法選取常用的高斯核函數作為核函數［9-11］：

式中：g為核函數寬度。在SVM 求解過程中，參數C和g的選取對分類效果影響大。C越大表示容錯性越小，可能出現過擬合，C越小則可能欠擬合；g越大表示支持向量越少，g越小則支持向量越多。文中通過GAPSO算法對C和g進行參數尋優(yōu)。

1.2 PSO算法原理

標準PSO 算法中，各粒子進行信息傳遞，粒子記錄并更新個體極值pb和全局極值gb，根據個體和群體的經驗進行速度調整［12］：

式中：ω為慣性權重系數，ω越大則越傾向于全局搜索，反之則傾向于局部搜索；vti為第t次迭代時粒子i的速度；c1、c2為學習因子，是非負常數，分別調整粒子向pb和gb位置飛行的最大步長，學習因子越大粒子飛向目標區(qū)域的速度越快，存在越過目標區(qū)域的可能，反之速度越小，存在遠離目標區(qū)域的可能；r1、r2為［0,1］的隨機數。根據速度，粒子對自身位置xi進行更新：

1.3 GAPSO-SVM算法

PSO算法具有收斂速度快的特點，同時可能因為過早收斂陷入局部最優(yōu)。GAPSO算法通過引入GA 中的雜交和變異操作，允許粒子在過早收斂前跳出局部最優(yōu)搜尋其他區(qū)域［10］。雜交概率pc和變異概率pm為［0,1］的隨機數，隨機選取2個粒子xcr1、xcr2，根據pc決定該輪循環(huán)是否進行雜交操作，新粒子的位置更新公式為

若雜交后子代適應度高于父代，粒子位置更新為子代位置，否則位置不變。根據pm決定該輪循環(huán)是否進行變異操作，并隨機選取變量進行變異，新粒子的位置更新公式為

式中：隨機變量Y服從期望為0、方差為1的高斯分布，其概率密度函數為

若變異后子代適應度高于父代，粒子位置更新為子代位置，否則位置不變。GAPSO-SVM 算法中，將行駛工況識別精度作為適應度函數：

式中：n0為訓練集中正確分類樣本數；N0為訓練集樣本總數。GAPSO-SVM算法流程如圖1所示。

圖1 GAPSO-SVM算法流程

2 參數設置及仿真

使用現有的標準工況構建典型工況數據庫，在MATLAB上完成GAPSO-SVM模型仿真，并使用該模型進行行駛工況識別。

2.1 行駛工況樣本獲取

根據不同工況的特點，選定城市、郊區(qū)、高速3類典型工況進行識別［10，13］。城市工況中紅綠燈多，交通流量相對較大，偶爾會出現道路擁堵的情況，車速偏低；郊區(qū)工況中車輛能夠保持一定速度穩(wěn)定行駛，與城市工況相比怠速及停車情況更少；高速工況中速度較高且整體波動較小，幾乎不存在擁堵情況。選取各國發(fā)布的標準輕型車行駛工況進行裁剪拼接，為避免過擬合，將每個標準行駛工況分別選取80%和20%構成訓練數據和測試數據，使用標準行駛工況WLTP 低速部分、NYCC、USA_CITY_II、UDDS 構成城市工況；WLTP 中速部分、ARTEMIS_ROAD、USA_CITY_I 構成郊區(qū)工況；WLTP 高速及超高速部分、USA_FTP_HIGHWAY、ARTEMIS_MOTORWAY 構成高速工況，對數據拼接處做平滑處理［14］。拼接后的3 類工況訓練數據見圖2a，3類工況測試數據見圖2b。

圖2 不同工況數據

考慮到拼接后每類工況的總時長不同，使用隨機數法抽取樣本。實驗時取連續(xù)數據片段120 s構成1 組樣本，從每類行駛工況的訓練數據中抽取160組樣本構成訓練集，從每類行駛工況的測試數據中抽取40組樣本構成測試集，共計600組樣本。各樣本的初始時刻為

式中：α為（0,1）的隨機數；T為某類工況數據的總時長；ΔT為樣本片段時長，取120 s。

2.2 特征提取及預處理

行駛工況的特征值反應了不同工況的特點，根據文獻［10,15］，盡可能多地考慮特征參數選取，綜合分析選取最大速度、平均速度、平均加/減速度、最大加/減速度、平均運行速度、速度標準偏差、加速度標準偏差、勻/加/減速比例作為特征參數。通過計算得到每組樣本的12 個特征參數，為了統(tǒng)一特征參數的數量級，將特征值進行歸一化處理：

式中：Xmax、Xmin分別為樣本中特征值X的最大值與最小值。車輛行駛過程中特征值會隨著工況的變化而變化，且特征參數之間存在一定關系，若考慮所有特征參數進行行駛工況識別會降低識別準確率。因此使用主成分分析法對特征參數進行預處理，主成分貢獻率及累計貢獻率見表1。

表1 主成分貢獻率及累積貢獻率

根據文獻［16］，累計貢獻率達到80%以上且特征值大于1的主成分包含大部分信息。由表1可知前4個主成分的累計貢獻率為88.9021%，已超過80%，且前4個主成分的特征值均大于1，因此選取前4個主成分進行得分計算，根據排名選取最大速度、平均速度、平均加速度、平均減速度作為后續(xù)的識別模型輸入參數。

2.3 基于GAPSO-SVM模型的行駛工況識別

行駛工況識別仿真使用K-CV-SVM、PSOSVM和GAPSO-SVM分別進行模型訓練，再進行識別準確率對比。使用的行駛工況識別方法流程圖如圖3所示。

圖3 行駛工況識別方法流程圖

使用K-CV 對參數C和g進行網格尋優(yōu)時，最優(yōu)參數值為識別準確率最高時對應的參數值，設置C、g取以2為底的離散值，范圍為

根據文獻［17-19］選取3 組參數組合，分別標記為P1（ω=0.7298、c1=c2=1.49618）、P2（ω=0.6、c1=c2=1.7）、P3（ω=0.4、c1=c2=2）。最大迭代次數為100，種群數量為40，重復實驗10次，取實驗平均值作為識別結果。PSO 和GAPSO 在3 組參數組合下的實驗結果如圖4 所示。由圖4 可知，3 組參數對識別精度的影響都在1%內，并且GAPSO的識別精度都高于PSO，PSO 和GAPSO 在參數組合P2下均達到最高，因此選定P2組合作為后續(xù)實驗參數。

圖4 不同參數下PSO與GAPSO的識別精度

使用PSO模型進行參數尋優(yōu)時，設置最大迭代次數為100，種群數量為40，ω為0.6，c1、c2分別為1.7；使用GAPSO 模型進行參數尋優(yōu)時，設置最大迭代次數為100，種群數量為40，ω為0.6，c1、c2分別為1.7，Pm、Pc分別為0.3 和0.7。GAPSO 法尋優(yōu)過程見圖5。3 種模型的訓練結果對比見表2。使用GAPSO-SVM模型的訓練集最優(yōu)識別精度分別比KCV-SVM和PSO-SVM模型高出1.04%和0.21%。

圖5 GAPSO尋優(yōu)過程

表2 訓練結果對比

3 仿真結果分析

測試樣本共120組，城市工況、郊區(qū)工況、高速工況各40組，重復實驗20次，取實驗平均值作為識別結果，3 種模型的測試集識別結果見表3。使用K-CV-SVM、PSO-SVM 和GAPSO-SVM 的識別精度分別為78.79%、81.75%和84.38%，使用GAPSOSVM 模型的總識別精度相較于K-CV-SVM、PSOSVM分別提升了5.59%、2.63%。3種模型對測試集的郊區(qū)工況識別錯誤率最高，同時GAPSO-SVM模型的各工況識別精度要高于其他2種模型。

表3 不同算法的測試集工況識別精度

文獻［15］中采用PSO-SVM 算法進行識別，測試樣本識別率可達93.125%。若采用文獻［15］的樣本獲取方法，文中提出的GAPSO-SVM算法的識別率可達到97.5%。在樣本獲取階段直接采用隨機數法進行樣本抽取，訓練樣本和測試樣本重疊，識別過程中存在過擬合問題，導致識別率偏高。因此，文中提前劃分了訓練數據和測試數據，分別在訓練數據和測試數據中獲取樣本。

4 結論

利用現有標準工況構建3類典型工況，對不同類別的工況進行特征參數提取，并使用歸一化、主成分分析進行數據預處理。建立GAPSO-SVM 識別模型，并在MATLAB 上進行仿真實驗。在測試集上分別用K-CV-SVM、PSO-SVM、GAPSO-SVM模型對比識別精度，實驗結果表明，GAPSO-SVM模型的識別精度分別比K-CV-SVM、PSO-SVM 高出5.59%、2.63%。由于各地區(qū)的道路交通規(guī)則不同，車輛行駛過程中行駛工況會受路況影響，后續(xù)研究將實際采集車輛行駛工況進行模型訓練，并結合路況信息對識別結果進行修正。