基于K-均值聚類和支持向量機(jī)的電動(dòng)汽車行駛工況研究

余 曼,趙煒華,吳 玲,李郁菡

(西安航空學(xué)院 車輛工程學(xué)院，陜西 西安 710077)

0 引 言

行駛工況是一個(gè)國(guó)家或地區(qū)氣候環(huán)境、道路交通特征、機(jī)動(dòng)車保有量等因素的綜合反映，是車輛能耗和排放測(cè)試標(biāo)準(zhǔn)的主要基準(zhǔn)，是引導(dǎo)和制約汽車行業(yè)發(fā)展的關(guān)鍵因素之一[1]。近年來，我國(guó)車輛能耗和排放測(cè)試標(biāo)準(zhǔn)一直沿用NEDC工況，隨著我國(guó)汽車保有量急劇增長(zhǎng)及城市道路交通環(huán)境的不斷變化，NEDC工況越來越難以反映我國(guó)車輛實(shí)際運(yùn)行情況。能源與交通創(chuàng)新中心和新能源汽車國(guó)家大數(shù)據(jù)聯(lián)盟的最新調(diào)查結(jié)果顯示，傳統(tǒng)內(nèi)燃機(jī)車實(shí)際行駛油耗與工況測(cè)試油耗差異接近30%，純電動(dòng)汽車差異約為35%，且呈現(xiàn)逐年上升趨勢(shì)[2]。此外，NEDC工況也無法評(píng)價(jià)新能源汽車循環(huán)外技術(shù)節(jié)能效果。因此，真實(shí)有效的行駛工況，對(duì)于整車能耗和排放評(píng)估、動(dòng)力系統(tǒng)參數(shù)匹配、能量管理以及技術(shù)路線選擇有重要意義。

國(guó)內(nèi)外學(xué)者和機(jī)構(gòu)對(duì)行駛工況的構(gòu)建做了大量研究。從地域和車輛因素考慮，全世界多地區(qū)建立了區(qū)域工況，如都柏林[3]、天津[4]、合肥[5]等，研究對(duì)象包括混合車型，驗(yàn)證了不同地區(qū)、不同車輛行駛工況特征的差異性及構(gòu)建針對(duì)性工況的必要性；在工況構(gòu)建方法研究方面，現(xiàn)有工況構(gòu)建方法可分為基于聚類的短行程法和馬爾科夫方法。曹騫等[6]將汽車行駛視為一個(gè)“無后效性”的馬爾科夫過程構(gòu)建工況，以體現(xiàn)行駛過程的隨機(jī)性，但存在計(jì)算量較大和不可重復(fù)性問題；王國(guó)林等[7]基于短行程的方法，采用主成分分析和K-均值聚類算法，得到了更多學(xué)者的關(guān)注和應(yīng)用s。

當(dāng)前研究多采用混合車型原始數(shù)據(jù)，有必要針對(duì)電動(dòng)汽車構(gòu)建針對(duì)性的工況，以更準(zhǔn)確評(píng)估電動(dòng)汽車在能耗、續(xù)航等方面性能。同時(shí)，目前研究的短行程法中，多采用非監(jiān)督學(xué)習(xí)方法進(jìn)行數(shù)據(jù)解析。然而，K-均值聚類或模糊聚類的非監(jiān)督學(xué)習(xí)方法多采用“貪心策略”，對(duì)數(shù)據(jù)異常值敏感且易陷入局部最優(yōu)，直接影響到擬合工況的精度。為了彌補(bǔ)以往研究的不足，筆者以國(guó)內(nèi)典型大中型城市——西安市為例，選擇純電動(dòng)汽車為研究對(duì)象，提出一種K-均值聚類和支持向量機(jī)相結(jié)合的半監(jiān)督模型，構(gòu)建真實(shí)行駛工況。

1 城市道路行駛工況數(shù)據(jù)

1.1 試驗(yàn)路線

西安市路網(wǎng)總長(zhǎng)度約2 562 km，具有“回字形布局、棋盤狀分布”等特點(diǎn)，具體分布情況如圖1，不同等級(jí)道路特征如表1。

表1 西安市不同等級(jí)道路特征

圖1 西安市路網(wǎng)結(jié)構(gòu)

1.1.1 試驗(yàn)路線樣本容量

(1)

設(shè)樣本均值的最大絕對(duì)誤差Δ如式(2)：

(2)

式中：a為顯著性水平，設(shè)為0.1。

對(duì)式(2)兩邊平方，并移項(xiàng)得式(3)：

(3)

1.1.2 試驗(yàn)路線分配

層次分析法(AHP)是一種解決多目標(biāo)決策問題的輔助分析方法。通過將復(fù)雜問題的多個(gè)影響因素劃分為不同層級(jí)，使之具有條理化，并在此基礎(chǔ)上進(jìn)行規(guī)劃、決策和評(píng)價(jià)[8]。AHP在解決復(fù)雜決策問題時(shí)，主要分為3步：① 對(duì)系統(tǒng)中各要素進(jìn)行分析，并對(duì)重要性進(jìn)行評(píng)價(jià)；② 判斷所選要素與某一準(zhǔn)則的相對(duì)權(quán)重；③ 按照總權(quán)重大小對(duì)各個(gè)層級(jí)進(jìn)行排序。

在城市道路中，由于距離遠(yuǎn)近、實(shí)時(shí)路況、經(jīng)濟(jì)程度等因素影響，即使是同一個(gè)起點(diǎn)和終點(diǎn)，也可能會(huì)產(chǎn)生多種行車路線。可見，確定試驗(yàn)路線中不同等級(jí)道路比例，是一個(gè)多目標(biāo)決策問題。筆者將確定最佳出行方式作為最終目標(biāo)，以快速出行和便捷出行作為備選措施，將不同道路類型作為待選方案，基于AHP方法，建立駕駛?cè)俗罴殉鲂蟹绞侥Ｐ?，如圖2。最終求得試驗(yàn)路線中，不同等級(jí)道路長(zhǎng)度及分配比例如表2。

圖2 駕駛?cè)俗罴殉鲂蟹绞侥Ｐ?/p>

表2 試驗(yàn)路線分配

1.1.3 試驗(yàn)路線

根據(jù)試驗(yàn)路線樣本容量，并結(jié)合西安市道路分布情況，設(shè)計(jì)的試驗(yàn)路線如圖3，具體路線信息如表3?？梢钥闯觯囼?yàn)路線包括了西安市中心商業(yè)區(qū)，主要住宅區(qū)和重要工業(yè)區(qū)，基本能夠反映西安市居民日常出行情況。

圖3 試驗(yàn)路線

表3 試驗(yàn)路線信息

1.2 試驗(yàn)方案

試驗(yàn)方案設(shè)計(jì)主要包括試驗(yàn)時(shí)間、試驗(yàn)設(shè)備以及駕駛員的選取。根據(jù)西安市城市道路交通流量，同時(shí)考慮到西安市居民的出行習(xí)慣，試驗(yàn)采用時(shí)間設(shè)計(jì)為07:30～09:30、12:30～15:00、17:00～20:00，連續(xù)一周每天按設(shè)計(jì)時(shí)間和路線完成試驗(yàn)，包含了城市交通流量的主要高峰期、一般平峰期和正常低峰期，保證各種交通狀況都能被全面適量的采集，盡可能在較短時(shí)間內(nèi)獲得較為普遍的結(jié)果。

根據(jù)行駛工況構(gòu)建需求，選擇GPS、OBD、陀螺儀、行車記錄儀、12V鉛酸蓄電池和電源逆變器等試驗(yàn)設(shè)備。此外，駕駛員是數(shù)據(jù)采集試驗(yàn)的一個(gè)重要因素，不同職業(yè)、性別、年齡的駕駛員的駕駛風(fēng)格存在差異，對(duì)試驗(yàn)數(shù)據(jù)影響顯著。因此，選擇西安市2名經(jīng)驗(yàn)豐富、熟悉路況的出租車司機(jī)作為駕駛員，模擬不同電動(dòng)汽車駕駛員的駕駛行為，結(jié)合車載測(cè)量法和車輛追蹤試驗(yàn)法完成試驗(yàn)。

2 行駛工況數(shù)據(jù)解析

2.1 行駛單元

行駛單元指車輛由一個(gè)怠速開始到下一個(gè)怠速開始之間的運(yùn)動(dòng)歷程[9]，如圖4。車輛在城市道路行駛時(shí)，由于受到實(shí)時(shí)路況影響，駕駛員需要頻繁加速或制動(dòng)車輛。為了便于量化分析，根據(jù)公式(4)將車輛運(yùn)動(dòng)劃分為加速、減速、勻速和怠速4種狀態(tài)。

圖4 行駛單元?jiǎng)澐?/p>

(4)

2.2 特征描述

行駛單元?jiǎng)澐趾?，為盡可能全面描述車輛的運(yùn)動(dòng)信息，最大程度利用數(shù)據(jù)價(jià)值，筆者從時(shí)間、速度、加速度3個(gè)方面選取了14個(gè)參數(shù)對(duì)每個(gè)單元特征進(jìn)行描述，如表4。

表4 描述行駛單元特征參數(shù)

2.3 基于主成分分析的特征提取

主成分分析(PCA)是一種考察多變量間相關(guān)性的特征提取方法?；舅枷胧歉鶕?jù)已有特征，通過正交變換得到一個(gè)抽象程度更高、互不相關(guān)的特征集合，并最大程度保留原始特征信息。由于描述行駛單元的特征參數(shù)有很多，其中部分為冗余特征，利用PCA對(duì)特征參數(shù)進(jìn)行降維，既可以避免維數(shù)災(zāi)難，又方便問題的分析和處理[10]。

設(shè)行駛單元特征參數(shù)矩陣X0如式(5)：

(5)

式中：xpn為第p個(gè)單元的第n個(gè)特征。為了消除量綱影響，利用公式(6)對(duì)X0進(jìn)行標(biāo)準(zhǔn)化：

(6)

然后求X0的相關(guān)矩陣R=XXT，并求其特征值l1,l2…,ln(l1≥l2≥…≥ln)和對(duì)應(yīng)的特征向量[ci1,ci2,…,cin]T(i=1,2,…,n)，得到特征向量矩陣，如式(7)：

(7)

則特征參數(shù)x1,x2,…,xn經(jīng)正交變換后的各主分量y1,y2,…,yn可表示為式(8)：

(8)

式中：y1,y2,…,yn分別稱為第1、2、…、n個(gè)主成分。

主成分方差貢獻(xiàn)率P和累積貢獻(xiàn)率CP的計(jì)算方式如式(9)、(10)：

(9)

(10)

PCA得到的各主成分表達(dá)式如式(11)：

特征參數(shù)PCA結(jié)果如表5。由表5可知，從第1到第14主成分，各主成分方差依次遞減，表明其所包含的信息量也逐漸減少。前4個(gè)主成分方差均大于1，且累積貢獻(xiàn)率達(dá)到90.49%，基本包含了原始特征的所有信息。因此，為了簡(jiǎn)化問題，計(jì)算前4個(gè)主成分得分，將其作為行駛單元新的綜合評(píng)價(jià)指標(biāo)，如表6。

表5 PCA結(jié)果

表6 主成分得分

(11)

2.4 半監(jiān)督分類模型

分類問題按照訓(xùn)練樣本的有無，分為監(jiān)督學(xué)習(xí)和非監(jiān)督學(xué)習(xí)兩種。K-均值聚類屬于非監(jiān)督學(xué)習(xí)方法，可以對(duì)未知樣本進(jìn)行聚類；支持向量機(jī)屬于監(jiān)督學(xué)習(xí)方法，需要訓(xùn)練樣本來建立分類模型。這兩種算法各有利弊，相互補(bǔ)充[11]。為了充分發(fā)揮這兩種算法的優(yōu)勢(shì)，筆者將K-均值聚類算法和支持向量機(jī)相結(jié)合，建立了行駛單元的半監(jiān)督分類模型?；舅枷霝椋豪肒-均值聚類算法，從所有行駛單元中篩選出信息最為豐富的樣本，作為支持向量機(jī)模型的訓(xùn)練集，模型經(jīng)過“學(xué)習(xí)”后，對(duì)待測(cè)樣本進(jìn)行預(yù)測(cè)。

2.4.1 支持向量機(jī)理論

支持向量機(jī)(SVM)是一種解決二分類問題的監(jiān)督學(xué)習(xí)方法[12]。基本思想是通過構(gòu)造一個(gè)分類超平面作為決策曲面，使不同類數(shù)據(jù)的差異最大化。由于SVM具有理論完善、魯棒性好等諸多優(yōu)點(diǎn)，得到了廣泛應(yīng)用。

設(shè)大小為l的集合{(xi,yi),i=1,2,…,l}由兩類構(gòu)成。若xi屬于第一類，記yi=1；若xi屬于第二類，則記yi=-1。若能找到如圖5的分類超平面wx+b=0，將集合內(nèi)的數(shù)據(jù)正確分為兩類，則表示該集合線性可分。

圖5 分類超平面

即滿足：

(11)

式中：w=(w1;w2;…;wd)為法向量；b為位移項(xiàng)。則集合中任一點(diǎn)xi到超平面的距離為：

(12)

由圖5可知，距離超平面最近的幾個(gè)樣本使式(11)等號(hào)成立，稱之為“支持向量”。

異類支持向量間距離γ如式(13)：

(13)

為尋找最優(yōu)分類超平面，使不同類別樣本盡可能分離開，在滿足公式(11)的條件下使得γ最大，如式(14)：

(14)

式(14)可等價(jià)寫為式(15)：

(15)

該問題可通過求解拉格朗日函數(shù)鞍點(diǎn)得到：

(16)

式中：ai>0,i=1,2,…,l，為拉格朗日系數(shù)。

按照拉格朗日理論可以將公式(16)轉(zhuǎn)化為對(duì)偶問題，如式(17)：

(17)

(18)

式中：xr和xs為支持向量。

最終得到的最優(yōu)分類函數(shù)如式(19)：

(19)

SVM最初是為二分類問題設(shè)計(jì)的，而通常城市道路行駛單元的種類一般多于兩類，無法直接進(jìn)行劃分。筆者基于MATLAB軟件，通過組合多個(gè)二分類器的方法，建立了行駛單元的多分類模型。具體過程包括：訓(xùn)練樣本篩選、參數(shù)尋優(yōu)、模型訓(xùn)練和分類預(yù)測(cè)。

2.4.2 訓(xùn)練樣本篩選

由于SVM屬于監(jiān)督學(xué)習(xí)方法，分類前需要選取合適的訓(xùn)練樣本(訓(xùn)練集)。考慮到行駛單元數(shù)量眾多，為了提高分類準(zhǔn)確率和效率，筆者利用K-均值聚類算法進(jìn)行訓(xùn)練集的篩選。K-均值算法通過計(jì)算每個(gè)樣本與各個(gè)聚類中心間距離，按照距離最近原則進(jìn)行樣本標(biāo)記，具體流程如圖6[13]。

圖6 K-Means聚類流程

采用歐幾里得距離描述樣本間的差異，如式(20)：

(20)

式中：p是特征數(shù)目；xik和xjk為樣本i和j的k-th特征。

在K-均值聚類算法中，類別數(shù)K對(duì)聚類結(jié)果的準(zhǔn)確性有著重要影響[14]，但通常K的準(zhǔn)確值最初是未知的。如果K大于真值，則將在多個(gè)類中錯(cuò)誤地劃分同一類數(shù)據(jù)，這將導(dǎo)致聚類結(jié)果的邊界模糊。反之，將不同類別的數(shù)據(jù)合并到同一類中，將導(dǎo)致集群的緊湊性降低[15]。因此，通常使用聚類穩(wěn)定性來確定K值[16]?；舅枷胧牵喝绻麑?duì)相同的樣本數(shù)據(jù)進(jìn)行重復(fù)聚類，則合適的K值應(yīng)該產(chǎn)生相同或相近的聚類結(jié)果，即穩(wěn)定性被視為K值是否合適的指標(biāo)。根據(jù)聚類穩(wěn)定性測(cè)試結(jié)果，最終確定將所有的行駛單元聚為3類。

由于K-均值屬于硬聚類算法，僅依據(jù)距離進(jìn)行數(shù)據(jù)劃分。當(dāng)多個(gè)聚類中心間的距離差異不大時(shí)，聚類效果欠佳。另外，K-均值聚類算法的收斂條件是不斷迭代直至聚類中心不再發(fā)生變化，這可能導(dǎo)致在類內(nèi)數(shù)據(jù)已經(jīng)十分接近，但未充分考慮類間距離，只保證了局部最優(yōu)，未能實(shí)現(xiàn)全局最優(yōu)。由此可見，雖然利用K-均值算法便可獲得行駛單元大致的分類信息，但效果并不十分理想，這將直接影響到各類行駛工況的特征以及綜合行駛工況的曲線構(gòu)成。

考慮到SVM較K-均值算法在解決高維模式識(shí)別方面的顯著優(yōu)勢(shì)，筆者從K-均值聚類結(jié)果中，篩選若干代表性單元作為SVM的訓(xùn)練集，然后利用訓(xùn)練好的SVM模型對(duì)剩余單元進(jìn)行精確劃分。代表性單元選取遵循2點(diǎn)原則：① 選取合適數(shù)量的訓(xùn)練集，避免模型的欠學(xué)習(xí)和過學(xué)習(xí)；② 選取的單元距同類中心的距離應(yīng)盡可能近、距異類中心距離應(yīng)盡可能遠(yuǎn)。

依照上述原則，篩選出74個(gè)行駛單元作為訓(xùn)練集，剩余部分作為測(cè)試集。

2.4.3 參數(shù)尋優(yōu)

因訓(xùn)練集數(shù)量正常，特征參數(shù)相對(duì)較少。為使算法更好地適應(yīng)訓(xùn)練集，選擇徑向基函(RBF)作為模型的核函數(shù)，如式(21)：

K(x,xi)=exp(-gamma‖xi-x‖2)

(21)

式中：xi為支持向量；x為待測(cè)樣本；‖xi-x‖2為范數(shù)距離；gamma為核函數(shù)參數(shù)g。

為了更好地提升分類器的性能，分類前需要調(diào)整SVM模型的懲罰參數(shù)c和核函數(shù)參數(shù)g。參數(shù)c決定錯(cuò)分樣本的處罰程度，參數(shù)g決定高維空間中數(shù)據(jù)的分布情況[17]。在K折交叉驗(yàn)證思想下，利用網(wǎng)格搜索算法尋找最佳參數(shù)，具體步驟如下[18]：

1)確定參數(shù)c和g的取值范圍和計(jì)算步長(zhǎng)；

2)將訓(xùn)練集均分為S份，選擇S-1份進(jìn)行模型訓(xùn)練；余下的一份用于評(píng)估分類效果。循環(huán)進(jìn)行S次，由此得到S個(gè)分類準(zhǔn)確率，將其均值作為此組c和g下最終的分類準(zhǔn)確率；

3)選擇分類準(zhǔn)確率最高的那組c和g作為SVM模型的最佳參數(shù)；

4)如果具有最高準(zhǔn)確率的參數(shù)不唯一時(shí)，由于較大的c值會(huì)降低SVM模型的泛化能力，所以選擇c值最小的那組c和g作為最佳參數(shù)。

參數(shù)尋優(yōu)3D視圖如圖7，x、y軸分別表示參數(shù)c、g取對(duì)數(shù)后的值，z軸表示取每組c和g后對(duì)應(yīng)的分類準(zhǔn)確率。最終獲得的最佳參數(shù)c=0.25，g=2.297 4，訓(xùn)練集的分類準(zhǔn)確率達(dá)到了100%。

圖7 參數(shù)尋優(yōu)

2.4.4 模型訓(xùn)練與分類預(yù)測(cè)

利用篩選得到訓(xùn)練集和最佳參數(shù)對(duì)SVM模型進(jìn)行訓(xùn)練，然后對(duì)剩余的行駛單元進(jìn)行分類預(yù)測(cè)。選取行駛單元主要的平均特征來衡量分類準(zhǔn)確率，SVM的分類結(jié)果如表7?？梢钥闯?，三類之間區(qū)別明顯，分類效果良好。

表7 SVM分類結(jié)果

3 城市道路行駛工況

3.1 工況構(gòu)建

行駛工況是通過組合各類中最具有代表性行駛單元，直至滿足預(yù)先設(shè)定的時(shí)間長(zhǎng)度而構(gòu)建。行駛工況的構(gòu)建過程分為：工況總運(yùn)行時(shí)間確定、各類行駛單元時(shí)長(zhǎng)分配以及代表性單元選取與組合。

通常國(guó)際標(biāo)準(zhǔn)工況和國(guó)內(nèi)外典型城市代表性工況的運(yùn)行時(shí)間在600～1 800 s。參考北京[19]、香港[20]、新加坡[21]等城市工況，筆者設(shè)定西安工況總運(yùn)行時(shí)間為1 200 s。然后根據(jù)每類行駛單元運(yùn)行時(shí)間，占所有行駛單元總運(yùn)行時(shí)間比例，確定每類單元在擬合成工況中的時(shí)間比例[22]，如式(22)：

(22)

式中：Ti為擬合成工況中第i類行駛單元的時(shí)間比例；n為第i類行駛單元的數(shù)目；l為類別數(shù)。

計(jì)算得到3類行駛單元在擬合成行駛工況中的時(shí)長(zhǎng)(比例)分別為170 s(14.2%)、589 s(49.1%)、441 s(36.7%)。選擇每個(gè)行駛單元與該類平均特征的相關(guān)系數(shù)作為篩選指標(biāo)，選取相關(guān)系數(shù)大的作為備選單元，如式(23)：

(23)

按照各類時(shí)長(zhǎng)和相關(guān)系數(shù)分別從3類中選取3個(gè)、5個(gè)、3個(gè)行駛單元，將其首尾連接，構(gòu)建了西安市3種交通環(huán)境下的典型行駛工況。根據(jù)每種行駛工況的特征，將它們分別定義為擁堵、一般和暢通行駛工況，最后將3種行駛工況組合在一起，構(gòu)建了西安市綜合行駛工況(西安工況)，如圖8。

圖8 行駛工況

3.2 工況驗(yàn)證

行駛工況驗(yàn)證標(biāo)準(zhǔn)是能夠以少量數(shù)據(jù)反映原始試驗(yàn)數(shù)據(jù)的綜合結(jié)果。筆者選擇3個(gè)平均特征、2個(gè)波動(dòng)特征和4個(gè)狀態(tài)特征共9個(gè)參數(shù)作為工況有效性的評(píng)價(jià)指標(biāo)。所構(gòu)建的西安工況與原始試驗(yàn)數(shù)據(jù)的對(duì)比結(jié)果如表8。根據(jù)式(24)～(26)，計(jì)算了西安工況與原始試驗(yàn)數(shù)據(jù)特征參數(shù)的相對(duì)誤差(RE)、平均相對(duì)誤差值(MRE)和均方根誤差值(RMSE)。同時(shí)，比較了二者的速度-加速度聯(lián)合概率分布，如圖9。

表8 西安工況與原始試驗(yàn)數(shù)據(jù)對(duì)比

圖9 速度-加速度聯(lián)合概率分布

(24)

(25)

(26)

式中：ac和at分別是行駛工況和原始試驗(yàn)數(shù)據(jù)的特征參數(shù)；n為特征參數(shù)個(gè)數(shù)；M和N分別是速度和加速度點(diǎn)劃分的網(wǎng)格數(shù)；xij和yij分別是第ij個(gè)網(wǎng)格對(duì)應(yīng)的概率值。

計(jì)算結(jié)果表明，西安工況與原始試驗(yàn)數(shù)據(jù)特征參數(shù)的相對(duì)誤差基本小于5%，平均相對(duì)誤差僅為2.66%，均方根誤差值為1.7%。且兩者速度-加速度聯(lián)合概率分布矩陣(SAPD)接近一致，表明西安工況與實(shí)際道路行駛的試驗(yàn)數(shù)據(jù)非常接近。因此，構(gòu)建行駛工況可較為準(zhǔn)確的反映西安市車輛的真實(shí)行駛特征。

此外，為了研究西安工況與國(guó)際標(biāo)準(zhǔn)工況[23]的差異性，筆者將西安工況與6個(gè)國(guó)際標(biāo)準(zhǔn)工況進(jìn)行對(duì)比。不同行駛工況曲線對(duì)比如圖10，特征參數(shù)對(duì)比結(jié)果如表9。可以看出，西安工況與國(guó)際標(biāo)準(zhǔn)行駛工況的差異明顯。西安工況具體特征表現(xiàn)為：平均車速較低，平均加/減速度較大，加減速比例高、勻怠速比例低?？偟膩碚f，西安工況表現(xiàn)出更激進(jìn)的變化特征。

圖10 不同行駛工況曲線對(duì)比

表9 西安工況與國(guó)際標(biāo)準(zhǔn)工況對(duì)比

西安工況特征的可以從車輛性能和道路交通因素兩方面進(jìn)行解釋：

1)車輛性能方面，西安工況基于電動(dòng)汽車，而其他國(guó)際標(biāo)準(zhǔn)行駛工況均基于傳統(tǒng)燃油車。電動(dòng)汽車與燃油車在動(dòng)力系統(tǒng)的差異導(dǎo)致了車輛行駛特征的不同，主要表現(xiàn)為：① 電機(jī)的低速恒扭矩特性可實(shí)現(xiàn)車輛在起步瞬間即輸出最大扭矩，而燃油車的動(dòng)力輸出需要結(jié)合換擋控制或液力變矩器控制，發(fā)動(dòng)機(jī)從怠速到最大扭矩的響應(yīng)時(shí)間更長(zhǎng)。因此，電動(dòng)汽車起步加速度更大，起步時(shí)間更短；② 電機(jī)響應(yīng)迅速、運(yùn)行平穩(wěn)，加速踏板的微小變化將導(dǎo)致車速的顯著變化，這是燃油車無法實(shí)現(xiàn)的；③ 電動(dòng)汽車再生制動(dòng)系統(tǒng)的控制策略較為激進(jìn)，在確保制動(dòng)安全的前提下盡可能多使用再生制動(dòng)以獲得較高的能量利用率，從而導(dǎo)致車輛變現(xiàn)出更加劇烈的加減速特征。相比之下，燃油車在制動(dòng)時(shí)車輛處于滑行狀態(tài)，制動(dòng)過程相對(duì)平穩(wěn)。

2)道路交通因素方面，西安工況反映了西安市車輛的行駛特征，其他國(guó)際標(biāo)準(zhǔn)工況是某一國(guó)家或地區(qū)道路交通特征的綜合表現(xiàn)。目前，西安市機(jī)動(dòng)車保有量和城市人口數(shù)量急劇增加，城市規(guī)模和交通基礎(chǔ)設(shè)施建設(shè)不能滿足城市發(fā)展的要求，交通擁堵工況占比較大，導(dǎo)致車輛行駛過程的頻繁急加速和急減速。

4 結(jié) 語

1)以國(guó)內(nèi)典型大中型城市——西安市為例，通過道路試驗(yàn)獲得了大量汽車行駛數(shù)據(jù)。通過試驗(yàn)數(shù)據(jù)解析法，利用K-均值 與 SVM半監(jiān)督分類模型，構(gòu)建了西安市的代表性汽車行駛工況。筆者所構(gòu)建的工況與原始試驗(yàn)數(shù)據(jù)特征參數(shù)的相對(duì)誤差基本小于5%，平均相對(duì)誤差僅為2.66%。

2)西安工況具有平均車速低、平均加/減速度大、加減速比例高、勻怠速比例低等特點(diǎn)，與國(guó)際標(biāo)準(zhǔn)工況差異明顯。這是因?yàn)槠囆旭偣r受特定地域的道路交通條件影響，也由于車輛動(dòng)力系統(tǒng)差異，電動(dòng)汽車工況比傳統(tǒng)燃油汽車工況特征表現(xiàn)更為激進(jìn)。