[发明专利]一种城市行驶工况智能分析方法

说明书

本发明公开了一种城市行驶工况智能分析方法。该方法为：对采集的汽车行驶时间速度数据进行小波分析降噪，并划分为短行程片段；对已划分的短行程片段进行k‑means聚类，划分出三大类短行程，得到短行程片段的外部状态序列；对短行程片段内部进行划分，分为加速、匀速、怠速3个状态，得到短行程片段的内部状态序列；对短行程片段建立双层马尔科夫链，得到双层马尔科夫模型，使用双层马尔科夫模型构建汽车行驶工况曲线，评估汽车行驶工况曲线误差，选取误差最小的曲线作为最终的汽车行驶工况曲线。本发明减少了汽车行驶工况分析的误差，提高了汽车行驶工况分析的准确性。

技术领域

本发明涉及小波分析与聚类分析技术领域，特别是一种城市行驶工况智能分析方法。

背景技术

汽车行驶工况体现了城市行驶车辆的速度-时间曲线，主要用于车辆性能标定和汽车油耗的标定，所以汽车行驶工况的准确性与否是反映城市特点非常重要。大多数国家以NEDC(新标欧洲循环测试)工况为基准进行优化来标定汽车，但随着我国城市道路交通状况的改变，NEDC工况越来越不符合我国实际情况。世界轻型车测试循环(WLTC)工况的怠速比例和平均速度这两个最主要的工况特征也与我国实际工况不符，因此基于城市的汽车行驶工况的构建反映当地行驶特征是很有必要的。

行驶工况的构建的方法主要有短行程法、马尔科夫链法等。传统的短行程法往往不能体现城市行驶工况的特征，而基于单纯的马尔科夫的状态片段随机选择生成，实验结果层次不齐往往差异较大。

发明内容

本发明的目的在于提供一种误差小、准确性高、符合城市道路特征的城市行驶工况智能分析方法。

实现本发明目的技术解决方案为：一种城市行驶工况智能分析方法，包括以下步骤：

步骤1、对采集的汽车行驶时间速度数据进行小波分析降噪，并划分为短行程片段；

步骤2、对已划分的短行程片段进行k-means聚类，划分出三大类短行程，得到短行程片段的外部状态序列；

步骤3、对短行程片段内部进行划分，分为加速、匀速、怠速3个状态，得到短行程片段的内部状态序列；

步骤4、对短行程片段建立双层马尔科夫链，得到双层马尔科夫模型，使用双层马尔科夫模型构建汽车行驶工况曲线，评估汽车行驶工况曲线误差，选取误差最小的曲线作为最终的汽车行驶工况曲线。

进一步地，步骤1所述的对采集的汽车行驶时间速度数据进行小波分析降噪，并划分为短行程片段，具体如下：

步骤1.1、通过车载终端采集GPS车速数据；

步骤1.2、对部分丢失数据、异常数据进行处理；

步骤1.3、对数据进行小波分析降噪处理，用Daubechies-3阶小波对信号进行尺度为4的分解，通过伸缩平移运算对信号逐步进行多尺度细化，最终得到高频处时间细分、低频处频率细分、能自动适应时频信号分析的平滑曲线；

步骤1.4、将行程分割为汽车从一个怠速状态开始到下一个怠速开始之间的运动形成区间的短行程片段。

进一步地，步骤2所述的对已划分的短行程片段进行k-means聚类，划分出三大类短行程，得到短行程片段的外部状态序列，具体如下：

步骤2.1、将平均速度、最大速度、平均行驶速度、平均加速度、平均减速度、怠速时间比、加速时间比、减速时间比、速度标准差、加速度标准差、减速度标准差共11个参数作为每个短行程片段的特征参数，对每一个短行程片段分别进行计算；

步骤2.2、采用主成分分析方法对短行程片段特征进行降维，选择了贡献率大于90％的前5个参数作为新的特征参数；

步骤2.3、对特征参数进行k-means聚类，将短行程片段分为高速类、中速类、低速类三类，得到短行程片段的外部状态序列。