基于python的汽車運(yùn)行狀態(tài)參數(shù)對(duì)油耗影響的聚類

馬榮影，儲(chǔ)江偉，艾曦鋒，李宏剛，韓 銳

(東北林業(yè)大學(xué) 交通學(xué)院，黑龍江 哈爾濱 150040)

在不斷開(kāi)發(fā)應(yīng)用先進(jìn)的汽車節(jié)能技術(shù)的同時(shí)，深入研究分析汽車駕駛行為對(duì)汽車運(yùn)行能耗的影響，改善不良駕駛習(xí)慣，是提高燃油利用率降低油耗的行之有效的方法。針對(duì)汽車駕駛行為對(duì)運(yùn)行燃料消耗影響的研究，目前已開(kāi)展的主要工作有：分析影響油耗的主要因素，提出減少油耗的措施[1]；根據(jù)汽車實(shí)際運(yùn)行工況建立數(shù)據(jù)庫(kù)，構(gòu)建試驗(yàn)工況，分析汽車的燃油經(jīng)濟(jì)性[2]；通過(guò)分析各工況的時(shí)間特征參數(shù)、速度特征參數(shù)和加速度特征參數(shù)對(duì)燃油消耗的影響[3]；利用k-均值聚類方法對(duì)行駛工況的構(gòu)建方法進(jìn)行研究[4,10-11]；以曼谷某試驗(yàn)車輛在標(biāo)準(zhǔn)底盤(pán)測(cè)功機(jī)上行駛的實(shí)測(cè)數(shù)據(jù)為基礎(chǔ)，研究不同駕駛周期對(duì)汽油客車尾氣排放和油耗率的影響[5]；依托自然駕駛設(shè)備設(shè)計(jì)自然駕駛實(shí)驗(yàn)，研究測(cè)試者行駛工況與車輛能耗間的作用關(guān)系，發(fā)現(xiàn)不同運(yùn)行工況會(huì)導(dǎo)致顯著的油耗差異，測(cè)試者頻繁地加減速會(huì)增大油耗水平[6]；以合肥市典型道路為研究對(duì)象，利用粒子群優(yōu)化的模糊 C 均值聚類方法對(duì)運(yùn)動(dòng)學(xué)片段分類，建立基于運(yùn)動(dòng)學(xué)片段的工況構(gòu)建模型[7]；對(duì)典型道路上采集的百公里燃油消耗和行駛工況數(shù)據(jù)進(jìn)行劃分，獲得大量行駛片段，采用主成分分析和神經(jīng)網(wǎng)絡(luò)相結(jié)合的燃油消耗預(yù)測(cè)模型[8]；針對(duì)采集的不同駕駛員所駕駛的商用車和乘用車的行駛數(shù)據(jù)，基于 K-means 聚類，將駕駛風(fēng)格聚為 3 類具有較好的分類效果[9]。

上述研究主要是基于車輛行駛工況對(duì)車輛油耗的影響進(jìn)行分析，本文則不僅僅運(yùn)用車輛的行駛工況數(shù)據(jù)且基于發(fā)動(dòng)機(jī)工作狀態(tài)參數(shù)數(shù)據(jù)對(duì)車輛運(yùn)行油耗進(jìn)行聚類分析。定義車輛從行車開(kāi)始至行車結(jié)束為一個(gè)行程片段。利用同一個(gè)駕駛員駕駛同一輛汽車采集的89個(gè)行程片段，近20萬(wàn)條的車輛運(yùn)行狀態(tài)參數(shù)數(shù)據(jù)，基于每個(gè)行程的平均油耗，使用可代表每個(gè)行程的運(yùn)行特征參數(shù)數(shù)據(jù)，將行程片段進(jìn)行聚類，進(jìn)而找出汽車運(yùn)行狀態(tài)參數(shù)對(duì)油耗的影響。

1 數(shù)據(jù)樣本屬性描述

1.1 數(shù)據(jù)樣本采集方法

本文研究所用數(shù)據(jù)樣本是通過(guò)OBD檢測(cè)儀獲取的車輛運(yùn)行的89個(gè)行程片段共190 173條數(shù)據(jù)集，平均采樣間隔為1.1 s；采集的發(fā)動(dòng)機(jī)工作狀態(tài)參數(shù)和車輛行駛特征參數(shù)有：怠速時(shí)間(TI)、節(jié)氣門(mén)位置(TP)、發(fā)動(dòng)機(jī)轉(zhuǎn)速(ne)、熱車時(shí)間(TH)、車速(v)、加速度(a)與平均油耗(FA)等。

1.2 數(shù)據(jù)樣本屬性定義

將車輛行駛特征參數(shù)處理成可代表每個(gè)行程狀態(tài)屬性的數(shù)據(jù)，即怠速比例(IR)、勻速比例(CR)、加速比例(AR)、減速比例(RR)、平均速度(vA)、平均轉(zhuǎn)速(NA)、熱車時(shí)間(TH)、平均節(jié)氣門(mén)開(kāi)度變化率(PA)、平均節(jié)氣門(mén)開(kāi)度(TA)和平均油耗(FA)，數(shù)據(jù)樣本的行程狀態(tài)屬性見(jiàn)表1。

表1 數(shù)據(jù)樣本的行程狀態(tài)屬性

2 基于K-means算法的聚類數(shù)確定

2.1 聚類數(shù)的確定方法

因每個(gè)行程片段的類別屬性未知，所以使用聚類，即在沒(méi)有給定劃分類別情況下的分類方法。本文中使用的聚類算法是基于Python的機(jī)器學(xué)習(xí)函數(shù)庫(kù)(Scikit-learn)中的K-means算法。K-means算法實(shí)現(xiàn)簡(jiǎn)單、計(jì)算速度快、原理易于理解、具有理想的聚類效果。該算法的基本思想是以空間中K個(gè)點(diǎn)為中心進(jìn)行聚類，對(duì)最靠近它們的對(duì)象歸類。通過(guò)迭代的方法，逐次更新各聚類中心的值，直至得到最理想的聚類效果。

聚類首先要確定的是聚類數(shù)K，其選取應(yīng)以簇內(nèi)的稠密程度和簇間的離散程度為依據(jù)，并以此來(lái)評(píng)估聚類效果。本文采取聚類評(píng)價(jià)指標(biāo)是肘部法。

2.2 肘部法

K值的確定，通常是需要根據(jù)具體的問(wèn)題由人工進(jìn)行選擇，為了確定最優(yōu)聚類數(shù)K，使用“肘部法”。如圖1所示，使用數(shù)據(jù)點(diǎn)與聚類質(zhì)心的平均距離作為K值的度量，增加聚類數(shù)量總是會(huì)減少聚類點(diǎn)的距離，根據(jù)距離函數(shù)與K值的變化曲線，再選擇變化率急劇下降的“肘點(diǎn)”，即可用來(lái)確定理論的最優(yōu)K值[12]。因此，聚類效果可采用所有樣本的聚類誤差SSE來(lái)表達(dá)：

(1)

式中：Ci為第i個(gè)簇；P為Ci中的樣本點(diǎn)；mi為Ci的質(zhì)心(Ci中所有樣本的均值)。

隨著聚類數(shù)K的增大，樣本劃分會(huì)更加精細(xì)，每個(gè)簇的聚合程度會(huì)逐漸提高，那么誤差平方和SSE自然會(huì)逐漸變小。當(dāng)K小于真實(shí)聚類數(shù)時(shí)，由于K的增大會(huì)大幅增加每個(gè)簇的聚合程度，故SSE的下降幅度會(huì)很大，而當(dāng)K到達(dá)真實(shí)聚類數(shù)時(shí)，再增加K所得到的聚合程度回報(bào)會(huì)迅速變小，所以SSE的下降幅度會(huì)驟減，然后隨著K值的繼續(xù)增大而趨于平緩，也就是說(shuō)SSE和K的關(guān)系圖是一個(gè)手肘的形狀，而這個(gè)肘部對(duì)應(yīng)的K值就是數(shù)據(jù)的真實(shí)聚類數(shù)。

使用plt.plot()函數(shù)繪出K值與其相對(duì)應(yīng)的SSE值，如圖1所示。從圖1中可看出K取值為2時(shí)，聚類效果最優(yōu)。

圖1 基于肘部法K值的確定

3 基于汽車運(yùn)行工況及發(fā)動(dòng)機(jī)工作狀態(tài)的聚類

3.1 汽車運(yùn)行工況的聚類分析

調(diào)用Python語(yǔ)言平臺(tái)使用K-means算法，基于手肘法可知，設(shè)置聚類數(shù)n_clusters=2,設(shè)置n_init=10，10個(gè)不同的初始化質(zhì)心即運(yùn)行算法的次數(shù)，最大迭代次數(shù)max_iter設(shè)置為300，algorithm設(shè)置為傳統(tǒng)的K-means 算法“full”。將車輛運(yùn)行狀態(tài)參數(shù)中的汽車運(yùn)行工況與其相對(duì)應(yīng)的平均油耗進(jìn)行聚類。聚類結(jié)果見(jiàn)表2。

表2 基于工況聚類行駛片段的結(jié)果

由表2可看出，在簇1中油耗均值較整體均值低13.86%，在簇2中油耗均值相對(duì)總體油耗均值增加了25.93%，在簇2 中怠速比例占總工況比例的28.6%，相比簇1中增加了53.8%，可說(shuō)明在簇2中所采集的數(shù)據(jù)是車輛可能處于交通狀況不順暢的路段，在整個(gè)行程中28.6%的時(shí)間車輛處于怠速工況下。

3.2 發(fā)動(dòng)機(jī)工作狀態(tài)的聚類分析

將車輛運(yùn)行狀態(tài)參數(shù)中的發(fā)動(dòng)機(jī)工作狀態(tài)參數(shù)與其相對(duì)應(yīng)的平均油耗進(jìn)行聚類，其聚類參數(shù)的設(shè)置與汽車運(yùn)行工況一組聚類中相同。得到表3的聚類結(jié)果。

表3 基于發(fā)動(dòng)機(jī)工作狀態(tài)參數(shù)聚類行駛片段的結(jié)果

由表3可看出，在簇1中油耗均值較整體油耗均值低13.93%，在簇2中油耗均值較整體油耗均值增加了13.61%。在簇2中的平均速度相比整體的平均速度減少了24.62%，平均轉(zhuǎn)速相比整體的平均轉(zhuǎn)速降低了10.83%。

4 結(jié) 論

本文基于Python編程語(yǔ)言平臺(tái)的K-means算法對(duì)含有車輛運(yùn)行狀態(tài)參數(shù)數(shù)據(jù)的車輛運(yùn)行片段進(jìn)行聚類分析，找出影響油耗的汽車運(yùn)行工況和發(fā)動(dòng)機(jī)工作狀態(tài)參數(shù)，得到以下結(jié)論：

1)將車輛運(yùn)行工況與其對(duì)應(yīng)的油耗數(shù)據(jù)進(jìn)行聚類時(shí)，在平均油耗值高的簇中，怠速比例較大，勻速工況所占比例較小，即車輛處于勻速狀態(tài)下行駛比例較少，車輛處于頻繁的加減速行駛，使一部分能量轉(zhuǎn)化為加速阻力和或制動(dòng)時(shí)的熱能消失了。

2)在發(fā)動(dòng)機(jī)工作狀態(tài)參數(shù)與其對(duì)應(yīng)的油耗一組聚類中，油耗高的簇中主要是由于平均車速較低時(shí)，平均速度越小，相應(yīng)的車輛發(fā)動(dòng)機(jī)處于低負(fù)荷率運(yùn)行狀態(tài)，導(dǎo)致燃油消耗上升。