[发明专利]一种基于机器学习和优化算法的新能源公交工况构建方法

权利要求书

1.一种基于机器学习和优化算法的新能源公交工况构建方法，其特征在于：具体包括以下步骤：

步骤1、针对特定公交路线上行驶的新能源公交车辆，利用工况数据采集设备获取其原始行驶数据，并对所述原始行驶数据执行必要的预处理；

步骤2、将所述路线上每两个相邻公交站点之间的车速数据片段视为一个运动学片段，根据每个所述运动学片段的起点与终点时刻将预处理后的所述数据划分为多个运动学片段；

步骤3、从各运动学片段中提取与所述路线上的交通状况以及驾驶行为相关的特征参数，由提取的全部运动学片段的特征参数组成样本观测矩阵，并对所述样本观测矩阵执行标准化处理；

步骤4、利用主成分分析法对标准化处理后的所述样本观测矩阵执行降维，得到消除了所述特征参数之间相关性的若干主成分，用于描述不同运动学片段对应的交通状况以及驾驶行为；

步骤5、利用k-means聚类算法对所述主成分进行聚类，将各运动学片段分别划分为对应于不同交通场景的多个工况类型，完成该特定公交路线的完整工况构建；

步骤6、利用该特定公交路线上实际行驶的新能源公交车辆原始行驶数据，对所构建的完整工况进行对比验证，并实现定期更新。

2.如权利要求1所述的方法，其特征在于：步骤1中所执行的预处理具体包括：

a.剔除发车等待、始发站站内行驶、终点站站内行驶、往返公交公司以及设备故障、采集的各种无效数据；

b.对因数据采集设备信号丢失造成的采样数据不连续，进而导致车速值短暂空缺的情况，利用插值法填充丢失的车速数据；

c.对因怠速时车辆抖动导致的车速小于1km/h的数据进行怠速处理；

d.根据采集时间，对车速数据进行时间间隔为1秒的插值；

e.对于短时间内车速异常情况，利用滑动平均滤波法对车速数据进行降噪。

3.如权利要求1所述的方法，其特征在于：步骤2划分运动学片段的方法具体包括：将每两个相邻的公交站点之间的车速片段视为一个运动学片段，第一个运动学片段的起点为在始发站的发车时刻，最后一个运动学片段的终点为到终点站的停车时刻，除此之外，其余所有运动学片段的起点和终点均分别为每两个相邻的公交站点从进站停车开始到离站停车结束的中间时刻。

4.如权利要求1所述的方法，其特征在于：步骤3所提取的特征参数具体包括：速度特征参数、加速度特征参数、急动度特征参数、时间特征参数和距离特征参数5类；其中，速度特征参数包括：最高车速、平均车速、车速标准差；加速度特征参数包括：最大正加速度、平均正加速度、正加速度标准差、最小负加速度、平均负加速度、负加速度标准差、加速度标准差；急动度特征参数包括：最大正急动度、平均正急动度、正急动度标准差、最小负急动度、平均负急动度、负急动度标准差、急动度标准差；时间特征参数包括：怠速时间比例、加速时间比例、减速时间比例、运动学片段时长；距离特征参数为每个运动学片段相应的距离；

对于特定公交路线上m个运动学片段上分别包含的n个特征参数，构建以下形式的样本观测矩阵A_m×n：

其中，a_ij(i＝1,2,…,m；j＝1,2,…,n)表示第i个片段样本的第j个特征参数；

为消除由于各个特征参数之间的量纲不统一带来的负面影响，对A_m×n执行标准化处理后得到以下标准化矩阵Y_m×n：

其中，y_ij(i＝1,2,…,m；j＝1,2,…,n)表示第i个样本经过标准化之后的第j个特征参数。