[发明专利]基于先验信息和大数据的汽车运行工况设计方法

说明书

本发明涉及基于先验信息和大数据的汽车运行工况设计方法，包括以下三个阶段：一、确定表达代表性的特征参数；二、把典型工况数据库和重采样数据库作为先验工况数据库，统计其状态和状态转移信息，作为设计工况的先验信息；三、利用基于先验信息的新遗传算法设计工况；本发明是一种利用低采样频率的大数据设计汽车运行工况的新方法，有效解决了当前汽车运行工况设计方法对小于1Hz的低采样频率数据无效的问题。

技术领域

本发明涉及汽车运行工况设计方法，特别是一种基于先验信息和大数据的汽车运行工况设计方法。

背景技术

随着定位技术、移动设备的发展和智能终端的普及，城市交通每天产生海量数据，而且数据在随着时间增加迅速增长。在海量的交通信息数据为代表的大数据背景下，城市交通系统中采用浮动车采集技术采集出租车的实时运行状态为城市工况的设计带来新机遇。与数据微观的相邻变化甚至瞬间的变化相比，交通部门较为关心的是浮动车数据的宏观现象，例如交通流量等，所以浮动车采集频率多为0.1Hz甚至更低。

汽车运行工况是车辆大量采集数据浓缩的结果，需要通过合理的工况设计方法获得。为了满足汽车发展中各种需求，研究者们对汽车运行工况设计方法进行了深入的研究。其研究主要围绕两种方法。一种是基于组合微行程，匹配原始采集数据的评价指标，生成目标工况的方法。Shi Shuming等人为克服不考虑长时间段微行程的限制，引入非零端点的微行程，并推广微行程定义，利用微行程组合优化方法研究了中国北京城市工况；另外一种是基于马尔科夫链模型生成工况的方法。Lin Jie等人基于马尔科夫链随机模型，将行驶片段定义为状态，利用构建加利福尼亚Unified工况的原始数据，设计了新的对比工况。由于考虑了状态发生的概率以及转移概率，其对比工况较原始工况更具有代表性。

微行程组合优化方法中微行程是组合的基本单元，它代表起止为怠速的连续时间序列，该方法通过聚类微行程单元组合优化出一条具有代表性的工况；基于马尔科夫链模型方法中以车辆实际行驶的连续速度和加速度时间序列为分析对象，将离散的速度和加速度定义为状态，统计当前时刻状态到下一时刻状态的转移矩阵，由随机模拟方法得到符合条件的代表性工况。工况设计过程中，无论微行程单元还是连续速度、加速度时间序列均是以1s为时间间隔，即数据频率为1Hz，而且数据采集中采样频率往往高于1Hz。当原始数据的频率小于1Hz时，微行程单元或速度、加速度时间序列就无法保证时间上连续，也即无法获得真实环境下的加速度信息。同时，从信号恢复的香农采样定理出发，当采样频率小于信号的最大频率2倍时，无法重建原始信号。综上，当前的设计工况方法将不再适用于采样频率小于1Hz的原始数据。

发明内容

本发明的目的是提供一种基于先验信息和大数据的汽车运行工况的设计方法，利用交通系统中浮动车大数据设计运行工况，针对低频大数据的工况设计，有效解决了当工况采样频率小于1Hz时，当前汽车运行工况设计方法不适用问题。

本发明的目的通过以下技术方案实现：

基于先验信息和大数据的汽车运行工况设计方法，包括以下三个阶段：

一、确定表达代表性的特征参数

根据马尔科夫链的遍历性理论以及大数据重采样的统计分析，确定设计工况具有代表性的特征参数；具体步骤如下：

1)根据马尔科夫链遍历性理论确定速度的特征参数：

马尔科夫链在任一时刻n∈T₁的一维分布：

p(n)＝p(0)P(n) (1)

式中，p(n)为马尔科夫链任一时刻n∈T₁时的一维分布，p(0)为初始分布，P(n)为第n步转移概率矩阵；

由C-K方程可知，第n步转移概率矩阵为

P(n)＝Pⁿ (2)