基于軌跡數(shù)據(jù)的多工況典型駕駛行為能耗評(píng)估

惠 飛 吳麗寧 景首才 魏 誠 李 敬

(長安大學(xué)信息工程學(xué)院 陜西 西安 710064)

0 引 言

近年來，汽車產(chǎn)業(yè)成為國民經(jīng)濟(jì)的重要支柱，因此交通也已成為我國乃至全世界能源消耗量最高的行業(yè)，其中道路交通最為嚴(yán)重。2013年葡萄牙運(yùn)輸部門使用的石油資源占全國一年總量的40%，其中道路交通占81%[1]；2014年我國清潔能源、可再生能源以及電力在車用燃料替代中超過了500萬噸[2]；2015年北京市交通運(yùn)輸業(yè)能源消耗占全市能源消耗的18.23%[3]；2016年在乘用車保有量繼續(xù)增長、新型城鎮(zhèn)化不斷推進(jìn)的背景下，我國石油需求同比增長4.3%左右[4]；2017年我國消耗的能源高達(dá)110.8億噸，并且2018年的消耗量比上年增長4.6%[5]。從當(dāng)前情況觀察到，道路交通方面使用石油比例逐年增長，若再不對(duì)機(jī)動(dòng)車的能耗進(jìn)行研究和治理，能源短缺問題將會(huì)越來越嚴(yán)重。

國內(nèi)外學(xué)者基于機(jī)動(dòng)車行駛參數(shù)在能源消耗碳排放方面做了大量研究：文獻(xiàn)[6]在分析安全輔助系統(tǒng)對(duì)能耗的影響時(shí)，排除了速度變化的影響，將加速度波動(dòng)作為能耗增加的主要原因進(jìn)行研究。文獻(xiàn)[7]分析了在交通限制下速度和加速度兩個(gè)參數(shù)對(duì)能耗的影響。文獻(xiàn)[8]通過燃油密度、發(fā)動(dòng)機(jī)轉(zhuǎn)矩、轉(zhuǎn)速計(jì)算油電混動(dòng)汽車的單位耗油率。文獻(xiàn)[9]通過t-檢驗(yàn)證明了減少能耗及碳排放的措施不會(huì)影響汽車行駛速度，并且分析出空調(diào)溫度、輪胎、燃油密度、車輛阻力、車重等可能影響能耗的因素。文獻(xiàn)[10]收集了一些在行駛過程中利于減少能耗的因素，分析出提供中等頻率的評(píng)估信息可以使用戶長期處于低能耗階段。文獻(xiàn)[11]發(fā)現(xiàn)合理的駕駛風(fēng)格可以節(jié)省5%～20%的能耗。文獻(xiàn)[12]在高速、主干道、二級(jí)公路上比較能耗的變化情況，并建立了以速度作為唯一參數(shù)的能耗模型。文獻(xiàn)[13]通過對(duì)所有道路環(huán)境中的交通流量進(jìn)行控制和管理，發(fā)現(xiàn)駕駛員能源消耗明顯降低。文獻(xiàn)[14]通過跟弛模型對(duì)速度進(jìn)行優(yōu)化，發(fā)現(xiàn)該模型能有效降低車輛能耗。文獻(xiàn)[15]在交叉口停車線以及上游下游處，通過改變駕駛行為，研究排放的變化情況，并基于每個(gè)路段構(gòu)建不同的排放模型。

綜上，由于行駛參數(shù)與能耗之間存在直接關(guān)聯(lián)且易于獲得，因此國內(nèi)外學(xué)者在研究減少能耗的生態(tài)駕駛行為時(shí)多以行駛參數(shù)為出發(fā)點(diǎn)。但是駕駛員因素也是能耗和排放增加的最主要成因，若要從駕駛員角度出發(fā)，則能達(dá)到緩解交通擁堵、減少能源消耗和污染物排放的目的，對(duì)交通行業(yè)的發(fā)展具有重要意義?；诖?，本文分析了在多工況下，急加速、急減速、正常加速、正常減速、勻速這五種典型駕駛行為的能源消耗情況，并且提出一個(gè)基于多工況的駕駛行為能耗評(píng)估模型，期望可為政府部門制定節(jié)能減排政策以及交通部門實(shí)施交通管控方面提供參考。

1 多工況駕駛行為能耗評(píng)估模型

本文提出一個(gè)多工況駕駛行為能耗評(píng)估模型，如圖1所示。該模型實(shí)現(xiàn)過程包括：數(shù)據(jù)預(yù)處理、多工況駕駛行為識(shí)別、能耗分析與模型驗(yàn)證三個(gè)部分。第一部分：進(jìn)行數(shù)據(jù)采集和預(yù)處理；第二部分：利用K-means對(duì)駕駛工況進(jìn)行分類，形成低速、中速、高速三類，然后參考行駛參數(shù)對(duì)駕駛行為進(jìn)行特征提取，最后進(jìn)行兩級(jí)聚類算法，即首先對(duì)特征參數(shù)進(jìn)行譜聚類，然后對(duì)一級(jí)聚類結(jié)果使用AGNES算法進(jìn)行二次聚類，得到急加速、急減速、正常加速、正常減速、勻速五類；第三部分：量化分析不同駕駛行為的能耗，并且通過將實(shí)際能耗與模型計(jì)算的能耗進(jìn)行對(duì)比來驗(yàn)證模型精度。

圖1 多工況典型駕駛行為能耗評(píng)估框架

2 數(shù)據(jù)采集與預(yù)處理

2.1 實(shí)驗(yàn)數(shù)據(jù)采集

為獲取可復(fù)現(xiàn)的實(shí)驗(yàn)數(shù)據(jù)，本研究邀請(qǐng)不同駕駛員在相同天氣狀況下以市內(nèi)相同路段為基礎(chǔ)，把駕駛行為作為唯一變量進(jìn)行實(shí)驗(yàn)。

實(shí)驗(yàn)在西安市如圖2所示的線路上(粗線是軌跡，起點(diǎn)為長安大學(xué)本部，終點(diǎn)為西安城西客運(yùn)站)，由5名駕駛員進(jìn)行數(shù)據(jù)采集，GPS設(shè)備按照20Hz采集信息。部分原始數(shù)據(jù)如表1所示。

圖2 實(shí)車實(shí)驗(yàn)路線圖

表1 部分原始數(shù)據(jù)

2.2 VT-Micro能耗模型

目前VT-Micro微觀能耗模型是被大家公認(rèn)的一種車輛瞬時(shí)能耗計(jì)算模型[16-17]，本文選取VT-Micro來計(jì)算補(bǔ)充瞬時(shí)能耗數(shù)據(jù)。模型計(jì)算如下：

(1)

式中:MOEe為瞬時(shí)能耗；Li,j為a≥0的回歸系數(shù)；Mi,j為a<0的回歸系數(shù)；s為瞬時(shí)速度；a為瞬時(shí)加速度。基于瞬時(shí)能耗可計(jì)算出在駕駛行為i狀態(tài)時(shí)的平均能耗，計(jì)算如下：

(2)

(3)

式中：FC指工況內(nèi)的百公里油耗；v指均速度；D指燃油密度，93#汽油密度為725 g/l。

2.3 數(shù)據(jù)預(yù)處理

GPS設(shè)備可以采集經(jīng)緯度、速度等信息，但是由于采集過程可能會(huì)受測試儀器、環(huán)境、駕駛員等影響，因此必須通過預(yù)處理移除不可信的數(shù)據(jù)，從而保證后續(xù)實(shí)驗(yàn)數(shù)據(jù)的有效性。另外本文假設(shè)在30分鐘內(nèi)車輛位置的變化范圍不超過50 m被認(rèn)為是停車。

本文預(yù)處理包括數(shù)據(jù)清洗、地圖匹配、軌跡分段。數(shù)據(jù)清洗方面具體操作如下：

1) 刪除超出實(shí)驗(yàn)路段經(jīng)緯度范圍的采樣點(diǎn)；

2) 由于本文選取VT-Micro補(bǔ)充能耗，所以必須首先依據(jù)VT-Micro的參數(shù)標(biāo)準(zhǔn)，剔除無效數(shù)據(jù)；

3) 剔除具有相同時(shí)間戳的冗余采樣點(diǎn)；

4) 本文駕駛行為不包含停車，因此要剔除無堵塞停車采樣點(diǎn)；

5) 將原始數(shù)據(jù)切分成多個(gè)微觀行程，每段時(shí)長不超過3分鐘。

進(jìn)行地圖匹配時(shí)需要將GPS數(shù)據(jù)與標(biāo)準(zhǔn)經(jīng)緯度信息匹配，剔除無效樣本點(diǎn)。本文將選取一種針對(duì)大規(guī)模GPS數(shù)據(jù)的地圖匹配算法[18]。

本文把軌跡段作為識(shí)別駕駛行為的基本單元，由于行駛過程中會(huì)產(chǎn)生有效與無效軌跡段，因此引入凈曲率和平均距離指標(biāo)來對(duì)此進(jìn)行劃分。用于計(jì)算凈曲率和平均距離的因子如圖3所示。

圖3 計(jì)算軌跡凈曲率和平均距離的指標(biāo)

凈曲率：表示實(shí)際軌跡與路網(wǎng)的匹配度，l/l′值為1表示完全匹配，反之表明差異性高。l表示軌跡原始長度，l′表示匹配到路網(wǎng)上的長度。

實(shí)驗(yàn)基于以上兩個(gè)指標(biāo)，利用隨機(jī)森林分類器進(jìn)行訓(xùn)練，然后根據(jù)訓(xùn)練后的模型對(duì)剩余軌跡段進(jìn)行劃分，最后基于有效軌跡段識(shí)別駕駛行為。

3 多工況典型駕駛行為聚類識(shí)別

3.1 不同駕駛工況的聚類研究

聚類在類標(biāo)簽未知時(shí)自動(dòng)進(jìn)行劃分，是一種無監(jiān)督學(xué)習(xí)算法，它盡可能將相似數(shù)據(jù)劃分到同一個(gè)類，反之劃分到不同的類。目前在交通類的研究項(xiàng)目中也廣泛運(yùn)用到聚類算法[19-21]。

3.1.1 基于Eros距離的相似度度量方式

目前最常用的度量方式是歐氏距離和動(dòng)態(tài)時(shí)間彎曲距離[22]。利用歐式距離處理時(shí)間序列的相似度時(shí)，計(jì)算結(jié)果與實(shí)際距離有較大差異，因此本文不采用歐氏距離度量。動(dòng)態(tài)時(shí)間彎曲距離曾經(jīng)主要運(yùn)用于語音識(shí)別[23]，目的是尋找任意兩個(gè)向量之間的最短距離，但在處理時(shí)間序列時(shí)，時(shí)間軸的微小變化也會(huì)對(duì)結(jié)果產(chǎn)生較大影響，因此本文也不選用動(dòng)態(tài)時(shí)間彎曲距離進(jìn)行度量。

本文選擇借鑒多維時(shí)序相似性的度量思想，利用基于Eros(Extended Frobenius Norm)距離的度量方式對(duì)本文采樣點(diǎn)進(jìn)行相似性度量。Eros距離是基于矩陣加權(quán)F范數(shù)進(jìn)行擴(kuò)展的，矩陣Am×n的加權(quán)F范數(shù)如下[24]：

(4)

式中：w表示權(quán)重向量矩陣，跡為1。特征向量A-VA=[a1,a2,…,an]和B-VB=[b1,b2,…,bn]的Eros距離如下:

(5)

3.1.2 Eros距離中權(quán)值的計(jì)算方法

常見的權(quán)值計(jì)算方法有：和法、根法、特征根法、對(duì)數(shù)最小二乘法、最小二乘法[25]。本文在Eros距離中的權(quán)值計(jì)算過程如算法1所示。

算法1 計(jì)算權(quán)值向量

輸入：特征值矩陣Sn×N

輸出：加權(quán)向量

1) 將矩陣按列進(jìn)行單位化

2) 計(jì)算矩陣每一行的和{sum1,sum2,…,sumn}

3) 計(jì)算整個(gè)矩陣的和Sum

4) 計(jì)算加權(quán)向量=sumi/Sum

3.1.3 基于K-means的工況聚類

本文針對(duì)采樣點(diǎn)，利用基于Eros距離度量的K-means算法對(duì)駕駛工況進(jìn)行聚類。實(shí)驗(yàn)部分研究低、中、高速三種駕駛工況，聚類中心見表2，各個(gè)工況的時(shí)間百分比見表3，聚類結(jié)果見圖4，其中X軸為瞬時(shí)速度，Y軸為瞬時(shí)能耗。

表2 駕駛工況劃分結(jié)果

表3 駕駛工況時(shí)間百分比

圖4 駕駛工況聚類

3.2 不同駕駛行為的聚類研究

3.2.1 五種典型駕駛行為定義

本文基于行駛速度、加速度、持續(xù)時(shí)間與能耗之間的關(guān)系，提出五種與能耗相關(guān)的駕駛事件，分別是勻速、正常加速、正常減速、急加速、急減速，它們加速度的變化如圖5所示。由于本文將軌跡段作為識(shí)別事件的基本單元，因此要求所有有效軌跡段的持續(xù)時(shí)長Δt≥2 s。

圖5 加速度隨時(shí)間變化圖

3.2.2 駕駛行為特征提取

為了保證聚類效果的高效性，首先需要對(duì)以上五種典型駕駛行為進(jìn)行特征提取。本文用于特征提取的參數(shù)見表4。

表4 用于特征提取的行駛參數(shù)

1) 勻速行為。勻速事件指在一段時(shí)間內(nèi)加速度變化幅度較小的過程，它的變化如圖5(a)所示。該事件的識(shí)別條件[26]如下：

-0.27 m/s2≤a≤0.27 m/s2

(6)

std(a)≤0.41 m/s2

(7)

2) 正常加速行為。正常加速指速度隨時(shí)間緩慢增加的過程，它的變化如圖5(b)所示。由于加速行駛時(shí)能耗量與持續(xù)時(shí)長呈正相關(guān)，因此在識(shí)別時(shí)除了考慮加速度還要考慮持續(xù)時(shí)間。該事件的識(shí)別條件[26]如下：

0.27 m/s2

(8)

Δt≥2 s

(9)

3) 正常減速行為。正常減速指速度隨時(shí)間變化緩慢降低的過程，它的變化如圖5(c)所示。該事件的識(shí)別條件[26]如下：

-1.38 m/s2≤a<-0.27 m/s2

(10)

4) 急加速行為。急加速事件指駕駛員操作使行駛速度瞬間得到提升的過程，它的變化如圖5(d)所示。該事件的識(shí)別條件[26]如下：

a>1.11 m/s2

(11)

5) 急減速行為。急減速事件指駕駛員操作使行駛速度瞬間降低的過程，它的變化如圖5(e)所示。該事件的識(shí)別條件[26]如下：

a<-1.38 m/s2

(12)

3.2.3 基于AGNES譜聚類的行為識(shí)別及準(zhǔn)確度分析

本節(jié)基于AGNES譜聚類算法對(duì)提出的5種駕駛事件進(jìn)行識(shí)別，由于原始實(shí)驗(yàn)樣本具備屬性廣、數(shù)據(jù)量大、存在無效數(shù)據(jù)等特點(diǎn)，因此采用該方法對(duì)樣本進(jìn)行聚類分析。首先在對(duì)以上事件進(jìn)行特征提取的基礎(chǔ)上進(jìn)行譜聚類，然后使用AGNES進(jìn)行二次聚類，最后得到五個(gè)駕駛行為類。

在對(duì)每種駕駛工況進(jìn)行行為識(shí)別時(shí)，首先利用譜聚類得到樣本特征值和特征向量，然后用AGNES算法對(duì)上級(jí)結(jié)果進(jìn)行聚類分析，其中AGNES算法可以減少人為因素的影響、提高聚類的準(zhǔn)確率。實(shí)驗(yàn)整體流程如算2所示。

算法2 基于Eros距離的聚類算法實(shí)現(xiàn)

輸入：高速、中速、低速工況中的有效軌跡段

輸出：不同的駕駛行為類

1) 利用閔可夫斯基距離構(gòu)建基于樣本集的鄰接矩陣；

2) 利用KNN算法獲取相似矩陣W；

3) 基于W生成度矩陣D；

4) 利用W和D構(gòu)建拉普拉斯矩陣L=W-D；

5) 對(duì)L的特征向量實(shí)現(xiàn)凝聚層次聚類算法；

6) 利用Eros距離計(jì)算特征向量的初始距離矩陣；

7) Loop

8) 獲取距離矩陣中值最小的兩個(gè)類；

9) 合并8)中的類，并覆蓋以上索引值較小的類；

10)計(jì)算新類和其余類的距離，重新生成距離矩陣；

11) 重復(fù)8)-10)步，直到滿足各工況下的類個(gè)數(shù)退出循環(huán)。

本文實(shí)驗(yàn)部分在低速時(shí)，由于車輛處于起步階段因此沒發(fā)生急加速、急減速，而在中速和高速時(shí)，為及時(shí)應(yīng)對(duì)交通狀況，以上五種行為都會(huì)發(fā)生。

本文方法與K-means算法、FCM算法的準(zhǔn)確度對(duì)比結(jié)果如下：由本文方法在高速工況下識(shí)別到的各類行為樣本量見表5，算法準(zhǔn)確度比較見表6；中速工況下樣本量見表7，準(zhǔn)確度比較見表8；低速工況樣本量見表9，準(zhǔn)確度比較見表10。其中H指檢測為某類駕駛行為的數(shù)據(jù)，J指正確檢測為該類駕駛行為的數(shù)據(jù)。由表可知本文提出的基于Eros度量的兩級(jí)聚類算法相對(duì)于K-means算法和FCM算法具有較高的準(zhǔn)確度。

表6 高速工況下算法準(zhǔn)確度比較

表7 本文方法在中速工況下識(shí)別的各類行為樣本量

表8 中速工況下算法準(zhǔn)確度對(duì)比

表9 本文方法在低速工況下識(shí)別的各類行為樣本量

表10 低速工況下算法準(zhǔn)確度對(duì)比

4 多工況下典型駕駛行為的能耗分析

實(shí)驗(yàn)部分針對(duì)個(gè)人出行軌跡數(shù)據(jù)進(jìn)行分析，實(shí)現(xiàn)不同工況的聚類，其中高速工況的能耗占全部能耗的56.6%，中速工況能耗占38.6%，低速工況能耗僅占總能耗的4.8%。多工況下典型駕駛行為的累計(jì)能耗對(duì)比如圖6所示，平均能耗分析如圖7所示，評(píng)估模型準(zhǔn)確度分析見表11。

圖6 累計(jì)能耗對(duì)比圖

圖7 多工況下駕駛行為的平均能耗

表11 本文評(píng)估模型準(zhǔn)確度分析

從圖7觀察到：高速工況的駕駛行為平均能耗高于中速、低速時(shí)任何行為的平均能耗。在高速工況下進(jìn)行分析得到：急加速行為的平均能耗最高，比正常加速時(shí)高31%；急減速行為的平均能耗次之，比正常減速行為的平均能耗高35.4%；而中速工況時(shí)急加速行為的平均能耗比正常加速高11%，急減速行為的平均能耗比正常減速高85.9%。

5 結(jié) 語

本文主要工作是提出一個(gè)基于多工況典型駕駛行為的能耗評(píng)估模型，針對(duì)出行軌跡數(shù)據(jù)識(shí)別出高速、中速、低速三種駕駛工況以及急加速、急減速、加速、減速、勻速五種與能耗相關(guān)駕駛行為，并在每種情況下，分析機(jī)動(dòng)車的能耗變化情況。實(shí)驗(yàn)在三種不同駕駛工況下，將該模型與K-means和FCM算法對(duì)同一數(shù)據(jù)集的行為識(shí)別精度進(jìn)行比較，發(fā)現(xiàn)本文算法的識(shí)別度高達(dá)92%以上，優(yōu)于其他兩種算法。從機(jī)動(dòng)車的能耗變化情況中發(fā)現(xiàn)：高速工況時(shí)急加速行為的平均能耗比正常加速高31%，急減速行為比正常減速高35.4%；中速工況時(shí)急加速行為的平均能耗比正常加速高11%，急減速行為比正常減速高85.9%。將實(shí)際能耗與模型能耗對(duì)比發(fā)現(xiàn)，該模型的能耗評(píng)估誤差在±4%內(nèi)。由此可見，該模型可以為交通部門的道路能耗評(píng)估提供有效方法，并且為交通部門實(shí)施交通管控提供參考。