張 超徐 鵬李程宇吳正斌

1（重慶車輛檢測研究院有限公司 國家客車質(zhì)量監(jiān)督檢驗中心 重慶 401122）

2（中國科學(xué)院深圳先進技術(shù)研究院電動汽車研發(fā)中心 深圳 518055）

深圳市公交車行駛工況研究

張 超1徐 鵬2李程宇2吳正斌2

1（重慶車輛檢測研究院有限公司 國家客車質(zhì)量監(jiān)督檢驗中心 重慶 401122）

2（中國科學(xué)院深圳先進技術(shù)研究院電動汽車研發(fā)中心 深圳 518055）

車輛在特定道路工況條件下的性能能夠為汽車系統(tǒng)的設(shè)計和改進提供參考。目前，深圳市還沒有建立起典型的城市道路工況。文章基于深圳市 M347 路公交車的行駛數(shù)據(jù)，利用主成分分析法和聚類分析法來構(gòu)建公交車線路行駛工況。由聚類分析將原始短行程數(shù)據(jù)分為兩類，可以體現(xiàn)公交線路中擁擠和暢通兩種不同行駛狀況。文章所構(gòu)建的綜合工況能較好地反映該線路的道路工況，對于研究分析具有深圳特點的行駛工況和優(yōu)化車輛性能具有一定參考意義。

公交車；行駛工況；主成分分析；聚類分析；短行程

1 引 言

行駛工況是一系列的數(shù)據(jù)點，代表著車輛速度隨時間的變化情況。它是由各個國家和組織建立的，用于評估車輛的性能。目前，行駛工況在交通、環(huán)境科學(xué)、車輛試驗等領(lǐng)域廣泛地應(yīng)用。不同地區(qū)和典型城市都有著各自的實際行駛工況，這種工況對研究特定地區(qū)或城市環(huán)境具有特殊的指導(dǎo)意義［1］。公交車是城市最為普遍的大眾運輸工具。隨著我國城市化的進展，城市交通的壓力隨之上升，公交車的數(shù)量也在不斷增加。國外常見的行駛工況有 US06、UDDS、JA1015、ECE、HWFET、FTP、CBD、Manhattan、NYCC等。目前在我國大部分城市，對公交車的經(jīng)濟性、動力性和排放等各項性能指標的評估，都是采用城市四工況 CYC_4STATUS［2］。此方法于上世紀 70 年代制定，雖于 2001 年進行少量修改，但它仍是以 70 年代各個城市道路實測數(shù)據(jù)的統(tǒng)計為基礎(chǔ)而建立。我國近幾十年發(fā)展迅速，城市規(guī)模、道路交通狀況與車輛保有量等都有了很大的變化，繼續(xù)采用四工況顯然不能滿足實際公交車開發(fā)的需要。因此，開發(fā)基于我國城市現(xiàn)階段實際道路狀況的公交車行駛工況具有重要的意義。

國內(nèi)外對于道路工況構(gòu)建方法的研究由來已久，且方法多樣。由于研究目的及評價目標的不同，形成了種類繁多、不同用途的工況。Neubauer 等［3］通過道路工況的研究方法來對比電動汽車與傳統(tǒng)汽車的經(jīng)濟性。Fan 等［4］通過研究實際工況下動力系統(tǒng)和車輛結(jié)構(gòu)各個特征參數(shù)的變化，提出優(yōu)化方案。即使是相同城市，由于研究的方法和目的不同，所構(gòu)建出的工況也有所區(qū)別［5］。在構(gòu)建工況方面，有利用分割運動學(xué)片段，找出與整體特征參數(shù)相近的運動學(xué)片段，然后直接隨機構(gòu)建工況的方式［6］；也有從運動學(xué)片段中匹配速度加速度聯(lián)合分布于整體樣本最相近的進行構(gòu)建；還有直接截取一定長度原始數(shù)據(jù)，并與真實道路特征相比較，選出特征值相關(guān)性最大的作為其工況。但現(xiàn)在國內(nèi)外對于工況構(gòu)建更傾向于分割短行程與統(tǒng)計學(xué)方法相結(jié)合的方式。如 Bishop 等［7］提出數(shù)據(jù)驅(qū)動的馬爾可夫鏈方法來獲取真實行駛工況；Lin 等［8］結(jié)合最大似然估計法提出新的隨機方法構(gòu)建加州行駛工況。

目前中國各城市公交工況的研究已陸續(xù)展開［9］，但針對深圳地區(qū)的公交工況構(gòu)建及分析，特別是在 M347 線路運行的這種新能源公交車并未多見。本文以公交車實際行駛數(shù)據(jù)為基礎(chǔ)，建立深圳市 M347 公交線路的行駛工況。構(gòu)建過程主要包括原始數(shù)據(jù)的采集、短行程分割、特征值計算、主成分分析、聚類分析，最后構(gòu)成工況。

2 構(gòu)建方法

2.1 數(shù)據(jù)獲取和短行程分割

本文中原始數(shù)據(jù)來自 M347 路公交車車載GPS，行駛數(shù)據(jù)共采集 5 天，包括星期六、星期天和三個工作日。線路單程約 42 公里，平均單程行駛耗時約 130 分鐘，每天三個往返，包含了上下班高峰時段與夜晚低峰時段。路線連接深圳市月亮灣綜合車場站和深圳北站，途經(jīng)寶安區(qū)、羅湖區(qū)和南山區(qū)（如圖 1 所示），既有沿海較為通暢路段，又有市區(qū)比較擁堵的路段，是一條很具有代表性的公交行駛路線［10］。

采集得到的原始數(shù)據(jù)是很多組時間-速度的對應(yīng)序列。為了后文的數(shù)據(jù)分析和最終工況的構(gòu)建需要，先將原始數(shù)據(jù)分割為若干個短行程。以一個速度為 0 的時間點為開始，經(jīng)過一個或幾個加速、減速和勻速過程，到速度再次降到 0 的時間點結(jié)束，為一個短行程。每個短行程都包含了怠速、加速、勻速和減速四個基本的運動狀態(tài)［11］。圖 2 為短行程分割的一個截取樣本，此段行駛過程被分為 6 個短行程。

圖2 短行程樣本Fig. 2 Sample micro-trips

本文所測得的全部數(shù)據(jù)最后被分為 1560 個短行程，并計算各個短行程的特征值，特征值的類型如表 1 所示［12］。這些短行程及其特征值將會用于后面的主成分分析、聚類分析和最后的工況構(gòu)建。

表1 短行程特征值及其意義Table 1 Characteristic values of micro-trips

2.2 主成分分析

主成分分析法是一種分析、簡化數(shù)據(jù)的統(tǒng)計學(xué)方法。影響研究結(jié)果的變量往往很多，而這些變量之間具有一定的相關(guān)關(guān)系。當兩個變量之間有相關(guān)關(guān)系時，可以解釋為這兩個變量反映所研究問題的信息有一定的重疊。主成分分析方法就是為了消除這種重疊，將原來的變量線性組合成相互不相關(guān)的新變量［13］。

本文對工況數(shù)據(jù)分析計算了 15 個特征值。過少的特征值并不能完整地反映完整道路狀況，而太多特征值又會增加計算分析的復(fù)雜性，主成分分析法正是解決此類問題非常有效的多元統(tǒng)計方法［14］。文中主成分分析主要包括以下四個步驟：

（1）標準化原數(shù)據(jù)中的特征值；

（2）將標準化后的數(shù)據(jù)組成矩陣，并求出其協(xié)方差和相關(guān)陣；

（3）求出協(xié)方差矩陣的特征值及其特征向量；

（4）確定主成分，并根據(jù)數(shù)據(jù)實際情況找出各主成分所代表的意義。

由于數(shù)據(jù)量較大，在對特征值進行主成分分析時，采用專業(yè)統(tǒng)計學(xué)軟件 SPSS 進行分析［15］，得到的 15 個特征值方差、貢獻率及累計貢獻率結(jié)果如表 2 所示。

表2 主成分分析結(jié)果Table 2 Results of principal component analysis

表 2 中的主成分都是由原變量經(jīng)過線性組合而成，使各主成分在相互不相關(guān)的情況下反應(yīng)工況數(shù)據(jù)的信息，其累計貢獻率達到 80% 以上即可代表原數(shù)據(jù)。前四個主成分的累計貢獻率達到86.34%，顯然可以反映原數(shù)據(jù)特征。

表3 特征值主成分得分Table 3 Principal component scores of characteristic values

各特征值的主成分得分如表 3 所示，可以看出各個主成分與原特征值呈線型關(guān)系。根據(jù)特征值的主成分得分能夠得到各個主成分所代表的特征值信息，如表 4 所示。

表4 各主成分反映特征值Table 4 Characteristic values

表 5 為部分短行程主成分得分，原始特征值信息被成功降維為 4 個主成分信息，全部短行程主成分得分組成的主成分得分矩陣將被用來做進一步的聚類分析。

表5 主成分得分矩陣Table 5 The score matrix of principal components

2.3 聚類分析

聚類分析就是通過各種描述距離和相似性的方法區(qū)分各聚點元素間的差異性，從而實現(xiàn)分類的目的。在統(tǒng)計學(xué)中，聚類分析是通過數(shù)據(jù)建模簡化數(shù)據(jù)的一種方法。本文使用 K 均值聚類法。SPSS 聚類過程中默認采用這種距離度量。具體的步驟如下：

（1）先確定所需聚類的類型數(shù)量，這里對應(yīng)公交行駛實際情況分為兩類；

（2）根據(jù)數(shù)據(jù)結(jié)構(gòu)，確定初始中心點；

（3）計算每個點到各類別中心點的距離，離得最近的歸為這一類，然后計算形成類別的新的中心點，用平均數(shù)表示；

（4）重新計算各點到新的中心點的距離，并重新形成中心點。反復(fù)計算指定次數(shù)后，或達到收斂標準為止。迭代過程中聚類中心的變化如圖3 所示。

由圖 3 可知，在第 16 次迭代后，聚類中心沒有改動或者改動較小達到收斂。

將主成分分析得到的主成分矩陣進行聚類分析后，短行程被分為兩類。根據(jù)公交車道路工況數(shù)據(jù)分析可知，公交車行駛一般可分為通暢路段和擁擠路段兩種，所以其分類數(shù)是合理的。

圖3 迭代過程Fig. 3 Iteration history

由表 6 可以看出，第一類短行程為通暢類工況，其平均速度較高，達到 23.43 km/h，運行時間占比 82%；第二類短行程為擁擠狀況下的工況，怠速時間達到 57%，平均速度遠低于第一類，僅為 12.1 km/h。由這兩類聚類點的特征值亦可知聚類分析結(jié)果正確。

表6 兩類工況特征值Table 6 Characteristic values of two driving cycle classes

2.4 構(gòu)建工況

由聚類分析所得到的兩類短行程及其特征值，從各類短行程中隨機抽取并計算其同類特征值，各項誤差在 10% 之內(nèi)的便可作為此類的代表性短行程，為構(gòu)建工況的備選短行程［16］。由備選短行程中選出總時長滿足標準工況 1200 s 的短行程，作為最后所構(gòu)建的道路工況［17］。最終構(gòu)建出的工況參數(shù)見表 7，其速度時間圖像如圖4 所示。

表7 深圳 M347 路公交工況參數(shù)Table 7 Driving cycle characteristic values of M347 bus route

圖4 M347路公交工況Fig. 4 Driving cycle of M347 bus route

為驗證所構(gòu)建工況的有效性，計算得出表7 中除時長外所有參數(shù)的相對誤差都在 10% 之內(nèi)，說明所構(gòu)建的工況能較為真實的反映 M347路公交車的行駛工況［18］。

3 結(jié)果與討論

表 8 是所構(gòu)建工況與各城市綜合公交工況的對比表?？梢?，與其它工況相比，深圳市M347 路公交車具有以下特點：平均車速較其他城市高，達到 22.76 km/h；最大車速低于武漢與南京兩個城市，但高于廣州和上海，且高于平均水平，這與城市的類型相符，也表明這條公交線路在同等城市中屬較通暢線路；勻速時間占比最小，怠速時間占比 31.7%，超過其他城市，表明該線路在居民區(qū)交通擁堵，停車十分頻繁。

4 結(jié) 論

由 M347 路公交工況構(gòu)建過程及與各城市工況數(shù)據(jù)對比可以得出以下結(jié)論：

（1）利用主成分分析法和聚類分析法相結(jié)合最后所構(gòu)建的公交工況參數(shù)與實際道路工況相對比誤差值在 10% 以內(nèi)，能很好代表此線路道路狀況。

（2）由所構(gòu)建工況可知，深圳 M347 路公交路線具有總體怠速時間長、平均車速高、最大車速高的特點，與實際情況接近。

（3）由聚類分析方法將原始短行程數(shù)據(jù)自動分為兩類，很好地體現(xiàn)了公交車路況中郊區(qū)通暢、居民區(qū)擁堵的特點。

表8 各公交工況特征參數(shù)對比Table 8 Characteristic values of different driving cycles

［1］ 李孟良， 李洧， 方茂東， 等. 道路車輛實際行駛工況解析方法研究 ［J］. 武漢理工大學(xué)學(xué)報: 交通科學(xué)與工程版， 2003， 27（1）: 69-72.

［2］ 駱元， 王杰， 王猶松. 武漢城市公交車工況測定及分析 ［J］. 機械工程學(xué)報， 2005， 41（12）: 96-100.

［3］ Neubauer J， Brooker A， Wood E. Sensitivity of battery electric vehicle economics to drive patterns，vehicle range， and charge strategies ［J］. Journal of Power Sources， 2012， 209: 269-277.

［4］ Fan JX， Zhang CN， Wang ZF， et al. Thermal analysis of permanent magnet motor for the electric vehicle application considering driving duty cycle ［J］. IEEE Transactions on Magnetics， 2010， 46（6）: 2493-2496.

［5］ Tong HY， Hung WT， Cheung CS. Development of a driving cycle for HongKong ［J］. Atmospheric Environment， 1999， 33（15）: 2323-2335.

［6］ Kamble SH， Mathew TV， Sharma GK. Development of real-world driving cycle: case study of Pune，India ［J］. Transportation Research Part D: Transport and Environment， 2009， 14（2）: 132-140.

［7］ Bishop JDK， Axon CJ， McCulloch MD. A robust，data-driven methodology for real-world driving cycle development ［J］. Transportation Research part D: Transport and Environment， 2012， 17（5）: 389-397.

［8］ Lin J， Niemeier DA. An exploratory analysis comparing a stochastic driving cycle to California’s regulatory cycle ［J］. Atmospheric Environment，2002， 36（38）: 5759-5770.

［9］ 潘姝月. 城市公交車行駛工況的研究 ［D］. 大連:大連理工大學(xué)， 2009.

［10］ 張全， 靳文舟. 大城市公交車行駛工況研究中的實驗路線選擇 ［J］. 華南理工大學(xué)學(xué)報: 自然科學(xué)版， 2005， 33（4）: 59-62.

［11］ 姜平， 石琴， 陳無畏， 等. 基于小波分析的城市道路行駛工況構(gòu)建的研究 ［J］. 汽車工程， 2011，33（1）: 70-73.

［12］ Fotouhi A， Montazeri-Gh M. Tehran driving cycle development using the k-means clustering method ［J］. Scientia Iranica， 2013， 20（2）: 286-293.

［13］ 黃萬友， 程勇， 李闖. 基于車輛能耗狀態(tài)的濟南市道路行駛工況構(gòu)建 ［J］. 西南交通大學(xué)學(xué)報，2012， 47（6）: 989-995.

［14］ 鄭與波. 城市道路汽車行駛工況的仿真與分析［D］. 合肥: 合肥工業(yè)大學(xué)， 2011.

［15］ 張文彤. SPSS 11 統(tǒng)計分析教程 ［M］. 北京: 北京希望電子出版社， 2002.

［16］ 杜愛民， 步曦， 陳禮璠， 等. 上海市公交車行駛工況的調(diào)查和研究 ［J］. 同濟大學(xué)學(xué)報（自然科學(xué)版）， 2006， 34（7）: 943-946.

［17］ 莊繼暉， 謝輝， 嚴英. 基于 GPRS 的電動汽車道路行駛工況自學(xué)習(xí) ［J］. 天津大學(xué)學(xué)報（自然科學(xué)版）， 2010， 43（4）: 283-286.

［18］ Hung WT， Tong HY， Lee CP， et al. Development of a practical driving cycle construction methodology: a case study in Hong Kong ［J］. Transportation Research Part D: Transport and Environment， 2007，12（2）: 115-128.

Study on Shenzhen Bus Route Driving Cycle

ZHANG Chao1XU Peng2LI Chengyu2WU Zhengbin2

1（ Chongqing Vehicle Test & Research Institute CO.， LTD， National Coach Quality Supervision and Test Center， Chongqing 401122， China ）

2（ Electric Vehicle Research and Development Center， Shenzhen Institutes of Advanced Technology， Chinese Academy of Sciences，Shenzhen 518055， China ）

The performance of automotive under specific drive cycles can provide a reference for the development and improvement of vehicle systems. At present， there is no representative typical driving cycle in Shenzhen. In this paper，the development of M347 bus route driving cycle in Shenzhen was reported， combining principal component analysis and clustering analysis methods， and the rationality and the validity of the driving cycle were tested and verified. The original micro-trips are divided into two series by the clustering analysis method， which may explain traffic jam and smooth traffic driving conditions of M347 bus route. The M347 route multiple driving cycle constructed at last can reflect the real-world road conditions.

bus； driving cycle； principal component analysis； clustering analysis； micro-trip

TG 156

A

2014-10-21

2014-10-29

國家新能源汽車產(chǎn)業(yè)技術(shù)創(chuàng)新工程整車項目（Y3Z0221001）； 廣東省省院合作項目（2011B090300095，2012B09040018）；深圳市科技研發(fā)項目（CXZZ20130322161447244）

張超，中級工程師，研究方向為新能源汽車檢測與研究；徐鵬，碩士研究生，研究方向為道路工況研究；李程宇，高級工程師，研究方向為電動汽車動力系統(tǒng)集成與測試；吳正斌（通訊作者），博士，研究員，博士生導(dǎo)師，研究方向為動力和儲能電池系統(tǒng)集成和應(yīng)用技術(shù)、新能源汽車動力系統(tǒng)和整車集成與優(yōu)化技術(shù)，E-mail：zb.wu@siat.ac.cn。