基于GPS/GIS数据的短行程工况构建方法研究*
2016-11-14杜常清汪雨航
杜常清 汪雨航 张 佩
(武汉理工大学汽车工程学院 武汉 430070)
基于GPS/GIS数据的短行程工况构建方法研究*
杜常清 汪雨航 张 佩
(武汉理工大学汽车工程学院 武汉 430070)
基于GPS/GIS数据的短行程工况构建方法,根据统计结果计算得到城市区域、道路等级和运行时间段的加权因子，并阐述了加权因子的运用方法.针对城市道路等级的特点，将工况分为支路、干道、主干道和快速路4个部分，根据短行程的方法分别构建.将各部分构建的工况组合得到完整的城市工况.计算构建工况的特征参数，并与整个城市短行程数据库的特征参数比较，发现平均相对误差为2.12%，能代表道路的实际行驶工况.
工况构建；GPS/GIS；加权因子
0 引 言
汽车行驶工况是汽车行业的一项重要的、共性基础技术，是车辆能耗与排放测试方法和标准的基础，是汽车各项性能指标标定优化时的主要基准.目前，欧、美、日等汽车发达国家，均采用适应于各自的汽车行驶工况标准进行车辆性能标定优化和能耗与排放认证.本世纪初，我国政府为了促进汽车节能减排技术进步和保护环境，在没有基础数据积累的情况下，直接采用欧洲的行驶工况，实施汽车产品能耗和排放的认证，有效地促进了汽车节能减排和技术的发展[1].但是，以欧洲工况为基准所优化标定的汽车，实际使用中的排放性能和燃油消耗与优化标定值相差也越来越大.以此为基础实施的排放法规和能耗标准，直接影响我国节能减排政策的实施效果.因此，构建出基于国内基础数据的城市工况循环迫在眉睫.
目前用于构建城市工况的方法有短行程方法、马尔科夫方法、小波变换方法和聚类的方法等[2]，其中短行程的方法为各种方法的基础.本文提出的基于GPS/GIS的短行程构建方法，创新性地将交通领域的大数据应用于城市工况构建中，在不引入复杂数学方法的前提下，利用传统的短行程方法得到代表性强的城市工况循环.
1 短行程的工况构建方法
短行程是指从一个怠速开始到下一个怠速开始的运动行程，通常包含一个怠速部分和一个行驶部分.每一行程被定义为一段行驶路径，收集了试验车的速度和时间.
传统的短行程构建方法为：利用试验车辆在选取的城市道路上行驶，并利用设备记录速度和时间等数据.对获取的数据进行短行程分割，将具有相同交通特征的短行程归为一类，从每一类中随机抽取短行程构建备选工况.计算所有备选工况和原实验数据的特征参数，选择特征参数平均误差最小的工况作为最终构建工况.该方法具有构建过程简单的特点，但是往往由于采集的数据量有限，路线规划不合理，路线覆盖范围小等，而导致构建的工况不能真实地反映城市中车辆实际运行的特点，构建工况和实际车辆运行工况差别大.
因此，在工况构建之前，利用GPS/GIS数据统计出城市内车辆使用特征，运用该统计结果确定构建工况各部分的权值.再运用短行程的方法，根据城市道路等级，选取短行程构建各等级道路的备选工况.合并各等级最终工况，得到完整的工况循环.通过加权，使不同来源(区域、道路等级和时间段)的短行程数据在构建工况时被获取的概率不同，即让市区实际工况中越多出现的短行程越有可能被纳入最终的工况循环中，使得构建的工况能真实有效地反映城市车辆运行的实际工况.
2 GPS/GIS数据处理方法
传统的工况构建研究中为保证工况的代表性，需要收集城市道路的交通量信息以进行路径规划.道路流量获取手段有视频检测、感应线圈检测、红外检测等，这些方法不仅投入大，而且灵活性差，不可能获取到大范围的道路流量数据.文中借助GPS/GIS数据估算道路实时的交通量，以统计出城市中车辆的使用特征，即城市中车辆在不同区域、不同道路和不同时间段中的分布.
2.1 数据来源
GPS/GIS数据来自某出租车公司的运行车辆，设备记录下车辆实时运行的时间、速度、方向和位置信息，通过与基于GIS平台的数字地图匹配，将车辆位置关联到实际的城市道路上，获得城市道路的实时车速[3-4].该数据每5 min更新一次，每条道路每天可以获取288次速度数据.
2.2 流量模型构建
2.2.1 交通运行指数
为了更加直观地反应道路的拥堵情况，部分城市提出了指数化的道路运行评价指标，北京市和上海市都提出了适应于自己城市的道路交通拥堵指数(traffic performance index, TPI).由文献[5]可知，将道路交通运行指数定义为：能综合反映道路交通运行状况的指标.交通运行指数是通过交通调查并对路况进行标定得到的，其目的是建立道路车辆运行速度与道路拥堵程度的关系.表1为TPI赋值依据.
表1 交通运行指数赋值表
2.2.2 车辆行驶时间
车辆行驶时间(vehicle-hours traveled,VHT)是指路段上平均交通量与车辆平均时间的乘积，包含了路段长度和交通拥堵的双重影响.不仅体现了交通负荷和交通强度，同时也能够反映出出行者对于道路的交通需求[6].因此，在文中用VHT代替传统交通量，作为后文权重计算的基础.
对于任意道路，在统计时段内的VHT的计算公式为
(1)
式中：VHTi为统计时段内的车辆行驶时间；qi为该路段的车流量；ti为车辆的平均行程时间；Li为该路段的长度；vi为平均行程车速.
2.2.3 速度-流量模型
速度-流量模型是将GPS/GIS数据中得到的速度信息，转换为流量信息.
根据交通指数的大小将道路的拥堵情况分为3个等级分别为：畅通(VHT≤4)、缓行(4
式中：q为小时交通量；u为平均车速；kj为道路的堵塞密度；uf为道路的自由流速度；n为道路的车道数.
对于不同等级的道路，其特征参数kj和uf是各不相同的.在确定模型的过程中，认为道路一天最高的车速是自由流的车速.对于每种等级的道路，其阻塞密度的取值可以通过小范围的道路抽样，得到实测的交通流数据，再进行反推计算得到[8].
需要指出的是该模型是理论模型，其计算结果与实测的交通量一定有差异，但是考虑到建立该模型的目的并不是为了获取准确无误的交通量数据，而是在于反映出不同道路等级、不同区域和不同时间段交通量之间的差异，因此认为该模型符合使用要求.
2.2.4 区域VHT以及各等级道路VHT的计算方法
将计算得到的小时交通量转化为5 min交通量并由其求得5 min的VHT.累计每个5 min的交通量，可得到1 d总的交通量.在计算的过程中，还应根据道路等级分类计算相应的VHT总量.计算公式如下.
(3)
(4)
(5)
式中：q5 min为5 min交通量；vt为测试路段的平均车速；VHTid,day为代号为id的道路1 d的车辆行驶时间.
而在实际获得的数据中，会存在一定的数据丢失或者在某些时间段道路上并没有浮动车驶过的情况，于是这些路段1 d的数据记录没有达到288次，此时将计算得到的结果按一定的比例放大.
(6)
式中：VHTi,day为按比例放大后道路的车辆行驶时间；k为道路数据的记录次数；
按照道路等级计算1 d中每个等级道路的VHT总量为该等级所有道路的VHT的总和，即:
(7)
式中：i为某一个道路等级；n为该道路等级的道路数目.
累计每个道路等级的VHT就可以得到整个地区1 d总的车辆行驶时间，即:
(8)
GPS/GIS数据的处理方法流程见图1.
图1 数据处理流程图
3 数据处理结果在工况构建中的应用
3.1 区域加权
城市不同区域由于地理条件、区域功能、常住人口以及经济因素，引发居民的出行行为并不相同[9].同时，由于区域的道路网络结构不一致，道路条件不相同，车辆在不同城市区域的道路上行驶，会处于不同的工况.为了构建的城市工况能够反映整个城市中车辆的运行状态，需要将试验车辆采集数据的范围覆盖到城市的所有区域，并且在构建城市短行程数据库时进行区域加权，以反映出不同区域的特点.
3.1.1VHT的区域分布差异
由数据处理过程得到统计时段内每个区域所有道路的VHT信息.为保证图像的可读性，每个等级选择了5条来自不同区域的道路，以30 min为观测时间单位，作VHT随时间变化折线图，见图2.
图2 城市不同区域VHT-时间曲线图
由图2可知，来自不同城市区域的相同等级的道路，其VHT随时间变化规律不同；并且相同等级道路承担的交通量差别也很大.
3.1.2 区域权重的计算方法
利用m程序计算统计时段内每个区域的VHT和城市总VHT，区域加权因子即为该区域VHT与城市总VHT之比.
(9)
式中：WFarea为某区域的加权因子；VHTarea为该区域的VHT量；VHTcity为城市的VHT总量.
3.1.3 区域权值的应用方法
在城市不同区域采集到的数据进行汇合得到城市的工况数据库之前，需要对数据进行预处理，剔除无效的数据.预处理之后，统计出每个区域有效数据的总时长，即该区域所有短行程总的时间长度.调整各个区域的数据量(用总的时间长度表示)，使各区域的数据量之比等于加权因子之比.
3.2 道路等级加权
在市区不同速度等级的道路上行驶的车辆，由于道路本身的设计不同[10]，车辆的运行状态及相应采集的数据必然会存在差异.因此，构建的工况中将分为4个部分，对应于城市中4个等级的道路.
3.2.1 不同等级道路上车速的分布
利用SPSS软件，根据车辆的速度和时间数据绘制出1 d内不同等级道路上车速随时间(单位为分钟)变化的散点图，见图3.
图3 不同等级道路速度随时间变化图
由图3可知，等级越高的道路，车辆行驶速度越趋于高，出现堵车(车速为0)的几率更小；而道路等级越低，车辆行驶的速度越趋于分布较低的位置；在不同等级的道路上运行的车辆具有不同的速度特性.所以，给不同等级的道路施以不同的权重是必要的，能够反应出城市不同等级道路上车辆运行的特点.
3.2.2 道路等级权重计算方法
由数据处理得到的每个城市在统计时段内各道路等级的VHT以及该城市总的VHT.计算出各个等级道路的VHT在城市总的VHT中的比例，就可以得到各个道路等级的加权因子.统计时段内的加权因子计算公式为：
(10)
式中：WFrate为rate等级道路的加权因子；VHTrate为rate等级道路在统计时段内总的VHT；VHTall为统计时段内所有等级VHT的重量，也就是城市总VHT.
3.2.3 道路等级权重运用方法
1) 工况循环中的各道路等级部分 根据城市道路等级，将工况循环分为快速路段、主干道段、干道段和支路段.每个部分的工况由来自该等级道路的数据来构建，四个部分合起来构成整个工况循环.
2) 道路等级权重施加 在进行道路等级加权之前需要先确定工况循环的长度，如在WLTC项目中将工况将总时长设置为1 800 s，NEDC将工况设置为1 200 s[11].文中将循环总时长设定为1 200 s，利用率越高的速度等级应该在循环中占据越长的时间.由此可得各道路等级部分的时间长度为
(11)
式中：rate为不同的道路等级；T为整个工况循环的时间长度；WFrate为该道路等级的加权.
3.3 时间段加权
将高峰时段定义为早6点至晚10点，其余时间定义为非高峰时段，并且只针对来自干道和支路的数据进行时间段加权.计算流程见图4.
图4 时间段权重计算流程图
3.3.1 权重计算方法
(12)
(13)
式中：WFi,peak为i等级道路高峰时间段的加权因子；VHTi,peak为该等级道路高峰时间段的VHT；VHTirate为该等级道路总的VHT；WFi,no-peak为该等级道路非高峰时段的加权因子.
3.3.2 时间段权重的运用
道路等级加权完成之后，工况循环的各个部分的时间长度已经被确定.根据实验车辆采集得到的短行程数据，计算出每个道路等级的平均短行程时间长度，就能得到每个道路等级需要的短行程的数目.
在构建工况之前，使用于构建主干道和支路工况的数据库中，高峰时段数据与非高峰时段数据的时间长度(该道路等级所有短行程时间长度之和)之比等于不同时段的加权因子之比.
当时间段加权完成后，每个道路等级的代表性短行程数据库就构建完成了.
4 工况构建
在后续的构建工作中，因为各项加权完成，整个工况循环的框架已经搭建起来，并得到各等级道路的短行程数据库.此后，针对每一个道路等级部分，运用传统短行程的方法，从相应的短行程数据库中选取短行程构建备选工况，计算每部分备选工况的特征参数和特征参数的平均相对误差，选择平均相对误差最小的作为该部分的最终工况.组合各部分的最终工况得到完整的城市工况.
利用基于GPS/GIS数据的短行程方法构建的城市工况见图5.计算该工况的特征参数与城市短行程库的特征参数，如表2.计算得到平均相对误差为2.12%，最大的相对误差为5.72%，表明利用该方法构建的城市工况具有良好的代表性.
图5 基于GPS/GIS数据的短行程方法构建的工况
特征参数全体短行程库构建工况相对误差/%Vm/(km·h-1)37.337.450.40Vmr/(km·h-1)41.8542.822.27δv/(km·h-1)20.8519.970.4amax/(m·s-2)2.952.960.34amin/(m·s-2)-3.11-3.071.30Pm/kW2.152.202.27pi/%14.6814.531.02pa/%30.9729.823.86pc/%22.5623.935.72pd/%30.5131.753.28aa/(m·s-2)0.830.852.35ad/(m·s-2)-0.71-0.71.43
5 结 论
1) 根据城市交通的特点，提出了基于道路拥堵指数的三段式速度-流量模型；
2) 提出了GPS/GIS数据的处理方法，利用VHT代替交通量来反应道路的交通负荷和需求；
3) 提出了不同种类权重的计算方法和在工况构建中的运用方法；
由于采用的速度-流量模型是基于传统的交通流理论中速度、密度和流量三者的关系，与实际道路交通量有一定的差异，可能造成权值的偏差.同时，在将来构建各部分工况的过程中，可以引入聚类分析和主成分分析降维，以减少构建过程中随机抽取造成的较大的计算量.
[1]张富兴．城市车辆行驶工况的研究[D]．武汉：武汉理工大学，2005．
[2]姜平．城市混合道路行驶工况的构建研究[D]．合肥：合肥工业大学，2011．
[3]张建华．基于GPS浮动车获取道路实时车速的方法研究[D]．昆明：昆明理工大学，2013．
[4]RUEY L, CHEU C X. Probe vehicle population and sample size for arterial speed estimation[J].Computer Aided Civil and Infrastructure Engineering,2002(1)：55-58.
[5]深圳市交通运输委员会.深圳市道路交通运行指数解读[EB/OL].[2016-4-23].http://szmap.sutpc.com/conginfo.aspx．
[6]张雪莲，于雷，刘梦涵.基于交通需求的路网交通拥堵评价模型[J].现代交通技术，2008(6)：71-75．
[7]邵春福，魏丽英．交通流理论[M]．北京：电子工业出版社，2012．
[8]朱倩茹，刘永红，曾伟良，等．基于GPS浮动车法的机动车尾气排放量分布特征[J]．环境科学研究，2011(10):1097-1103.
[9]季珏，高晓路．基于行为视角的北京城市交通空间结构[J]．地理学报，2015(12):2001-2010.
[10]中华人民共和国住房和城乡结合部.城市道路工程设计规范:CJJ37-2012[S].北京：中国建筑工业出版社，2012.
[11]BIELACZYC P, WOODBURN J, SZCZOTKA A. A comparison of carbon dioxide exhaust emissions and fuel consumption for vehicles tested over the NEDC, FTP-75 and WLTC chassis dynamometer test cycles[J]. SAE Technical Paper,2015(1):1065-1076.
Research on Short Trip Driving Cycle Development Based on GPS/GIS Data
DU Changqing WANG Yuhang ZHANG Pei
(SchoolofAutomotiveEngineering,WuhanUniversityofTechnology,Wuhan430070,China)
A modified short trip cycle development method is proposed, based on GPS/GIS data，different weighting factors to area, road level and running period are given according to the statistic result, and the ways to apply these weighting factors are defined. In accordance with different road levels in urban area, the driving cycle consists of four phases which respectively represent the fast road, main artery, artery and trail. All phases are developed via shot trip method and the whole driving cycle is achieved by combining the four phases. Characteristic parameters of the developed cycle are calculated and compared with that of the urban short trip database, with the finding that the average relative error is 2.12%, which proved the representatives of the cycle developed.
driving cycle development; GPS/GIS; weighting factor
2016-08-26
*国家自然科学基金项目(51275367)、国家科技支撑计划项目(2013BAG09B00)资助
U491.11 doi:10.3963/j.issn.2095-3844.2016.05.009
杜常清(1975- )：男，博士，副教授，主要研究领域为车辆新能源及其动力装置
