城市道路汽车行驶工况的构建简要：摘 要：汽车行驶工况是汽车各项性能指标进行标定优化时的主要基准。文章根据某城市实时采集的乘用车数据，在对数据进行预处理的根底上，基于K均值聚类分析法对汽车运动学片段摘 要：汽车行驶工况是汽车各项性能指标进行标定优化时的主要基准。文章根据某城市实时采集的乘用车数据，在对数据进行预处理的根底上，基于K均值聚类分析法对汽车运动学片段曲线的特征极值进行划分，利用运动学片段间的“亲疏程度筛选出汽车行驶工况的候选片段，从而构建出一条最贴合该城市内车辆实际运行情况的行驶工况曲线。关键词：汽车行驶工况;预处理;特征提取;K均值聚类分析前言汽車行驶工况又称车辆测试循环，它本是用汽车在一定时间段内(一般时间范围为1800s)的行驶时速度-时间曲线图。因其能表达出汽车在道路行驶时的运动学特征，所以成为车辆能耗/排放测试方法和限值标准的根底，更是汽车各项性能指标标定优化时的主要基准。本世纪以来，我国汽车行业相关技术标准多以引用国外标准为主，而行驶工况采用的是欧洲的NEDC行驶工况1。随着经济的快速开展，我国汽车保有量迅速上升，国内城市的交通状况发生很大改变，原先采用的NEDC行驶工况标准已经开始不适应新时代的交通状况。汽车行驶工况作为汽车行业创新开发、指标评价的重要根底依据，本身就具有极高的深入研究价值，而我国由于社会开展差异化及国情的特殊性，对汽车行驶工况普遍特征的总结和特殊特征的深度挖掘更存在着迫切需要。本文利用某城市实时采集的同一辆轻型汽车实际行驶数据(采样频率1Hz)，搭建了一个符合城市道路情况的汽车行驶工况模型。在经过对离散数据的插值拟合与不良数据的剔除后，划分提取出符合实际运动特性的运动学片段，然后基于运动学片段分析法、主成分分析法对实测汽车数据进行降维，经模式识别提取运动学片段曲线的特征极值。在此根底上，基于K均值聚类分析法对汽车运动学片段曲线的特征极值进行划分，利用运动学片段间的“亲疏程度筛选出汽车行驶工况的候选片段，从而构建出一条最贴合该城市内车辆实际运行情况的行驶工况曲线。1 数据预处理在汽车行驶工况的构建过程中，由于传输信号不稳定、电磁干扰、解码错误等各种原因会不可防止地导致所采集数据的质量严重下降。为提高数据质量，同时确保研究结果的可信度，本文使用MATLAB软件对原始数据进行预处理工作。(1)数据转换为了将给定的日期字符串(date)转换为日期数字(Time)，实现对时间项的处理，使用MATLAB软件中的自带函数datenum按照如下格式进行强制转换：(1)(2)数据过滤由于直接记录的原始数据中存在一定的误差，本文根据不良数据的结构类型进行分析、归纳后分批次处理。对于离散数据进行拟合插值，对异常数据进行修正迭代，对于非正常状态数据进行剔除。2 模型构建在数据预处理的根底上可以实现将行驶工况的数据划分为运动学片段，并经屡次筛选出不同数量的特征参数做为主成分分析，最终本文选出11个特征参数进行研究，这11个特征参数具体展示如表1所示。2.1 主成分分析法主成分分析(PCA)于1901年被Pearson第一次提出，主要用于处理多维数据。其在数学上的常规处理是将原始n个指标做线性组合，作为新的综合指标2。推荐阅读：城市道路建设给排水施工非开挖技术的应用