基于K-Means聚类分析的汽车行驶工况构建

为构建合理的汽车行驶工况，以给定的轻型汽车行驶数据为基础，分别运用运动学片段分析法、主成分分析法和K-均值聚类分析法对实测数据进行降维和分类，并结合相关系数法从各类运动学片段库中选取具有代表性的片段，构建反映汽车行驶特征的汽车行驶工况曲线。最后，为验证所构建的汽车行驶工况的有效性和精确性，计算作为评价体系的8个特征参数的相对误差和总体误差。结果表明，构建的汽车行驶工况曲线所反映的汽车运动特征在一定程度上可以代表数据源对应的特征，所构建的行驶工况具有有效性和精确性。

汽车行驶工况(Driving Cycle)又称车辆测试循环， 是通过数据分析所构建的描述汽车行驶的速度–时间曲线(见图1 和图2)。它可以体现汽车道路行驶的运动学特征，模拟真实的交通状况，以测试车辆尾气排放和燃料消耗。此外，其在交通协同控制、新车评价、风险评估和车辆的设计、选型、匹配和控制策略等方面有着广泛的应用[1]。目前，汽车发达国家都有自己的汽车行驶工况标准，而国外的行驶工况与国内行驶特征存在较大差异，直接采用则导致检测结果与实际数据往往存在较大误差。因此有必要建立反映国内行驶特点的典型行驶工况，提高检测结果的准确性和可靠性。

Figure 1. European NEDC driving cycle 图1. 欧洲NEDC 工况 目前，构建行驶工况的常用方法有单纯的短行程法、基于聚类的方法和基于马尔可夫链的方法。短行程法将数据划分为短行程片段，通过分析片段的特征参数组合，生成相应的行驶工况。国外学者Lin等采用短片段划分以及随机过程选择方法构建了行驶工况[2]。基于聚类的工况构建主要采用主成分分析法与聚类分析法相结合的研究方法，其中K-均值聚类分析法在构建城市汽车行驶工况中应用较多，通过