本文研究的是汽车行驶工况构建， 汽车行驶工况是描述汽车行驶的速度-时间曲线，反 映了汽车道路行驶的运动学特征。 由于我国国土辽阔，各个城市的交通发展、人口规模、 汽车保有量、道路复杂度存在差异性， 因此迫切需要基于城市自身的汽车行驶数据进行城 市汽车行驶工况的构建研究。 本文首先对给出的试验数据进行了预处理，去掉不良数据。
紧接着进行了运动学片段的划分，引入九个特征参数，通过主成分分析、 K-均值聚类得到 低、中、高速三类运动学片段， 再根据本文提出的“最小误差分析法”，构建出了汽车行驶 工况曲线 1。同时，还利用相关性分析得到汽车行驶工况曲线 2。 用综合参数值 CPV 对其 进行了合理性评价，得到了最优的汽车行驶工况曲线。
对于问题一，我们首先对原始数据进行了时间变量转换， 将原本的年月日时分秒的计 时方式直接转变为第 n 秒（n=1,2,3,…） 。然后是对超速情况不良数据进行处理，用前 1 秒 的正常数据替换掉不良数据。 利用 MATLAB 进行移动平均滤波去除毛刺。接下来对堵车、 断断续续的低速行驶进行状态识别，按照怠速情况处理。 对于加、减速度异常的情况，我 们对速度进行插值来使得加、减速度满足要求。最后我们对所有文件中的怠速情况进行了 超时判断，超过 180s 的时候按照 180s 处理， 获得了最终的有效试验数据。 三个文件处理 后的记录数依次为： 178372、 138909、 157089。
对于问题二， 我们利用 MATLAB 编程根据运动学片段的定义， 将预处理后三个文件 中的有效试验数据依次划分为 1186、 880、 857 段运动学片段。 同时引入了平均速度、平 均行驶速度、平均加速度、平均减速度、怠速时间比、加速时间比、减速时间比、速度标 准差、加速度标准差这九个特征参数用于后续的数据分析，建立了合理的汽车运动特征评 估体系。
对于问题三， 我们沿用问题二的运动学片段和特征参数。 通过主成分分析， 我们得到 4 个主成分，这 4 个主成分基本代表了上述 9 个特征参数的大部分信息， 并且实现了对特 征参数的降维处理。紧接着利用 K-均值聚类将所有的运动学片段分成了 A 类（低速）、 B 类（中速）、 C 类（高速）三个类别。 在本文中我们采用了两种方法来构建汽车行驶工况 曲线。第一种是根据我们自己提出的“最小误差分析法”来构建汽车行驶工况曲线。首先计 算得到每一个类别运动学片段 9 个特征参数的特征值，然后将每一个运动学片段 9 个特征 参数与所属类特征参数的特征值进行误差比较，按照误差从小到大依次排序。 计算 A、 B、 C 类运动学片段对汽车工况曲线的时长贡献，然后从各类运动学片段中依次抽取直到满足 各类运动学片段的时间要求， 得到了汽车行驶工况曲线 1。 第二种是利用相关性分析， 大 体步骤与方法一类似，只是排序的依据有所不同。 相关性分析是用每一个运动学片段 9 个 特征参数与所属类特征参数的特征值的相关性大小替代误差进行排序的， 计算得到汽车行2 驶工况曲线 2。 我们采用综合参数值 CPV（Comprehensive Parameter Value）作为所建工况 的合理性评价标准， 对两种方法都进行了合理性评价，得到的 CPV 值分别为 0.313 和 1.3873，证明了根据最小误差分析构建的汽车行驶工况曲线 1 更加合理，加上本身就是以 最小误差做为出发点考虑的，所以它更能反映实际的汽车行驶状态。
关键词:运动学片段，汽车行驶工况，主成分分析， K-均值聚类， 最小误差分析法、 综合 参数值 CPV
D19102860085链接：https://pan.baidu.com/s/1EwFIW8P53-eipnYK0A66cg
提取码：g7kv