基于智能手机的纯电动公交乘坐舒适性分析

马万良

基于智能手机的纯电动公交乘坐舒适性分析

马万良

（长安大学 汽车学院，陕西 西安 710064）

为研究纯电动公交运行过程中普遍存在的“晕车”问题，文章以智能手机为数据采集设备，实车采集10条线路82位驾驶人的逐秒运行数据。将公交车运行过程分为加速、匀速、减速三个阶段，分析发现加速、减速阶段分别有49.6%、30.8%的瞬时加速度超过了舒适阈值，会使乘客出现不适感，同时匀速阶段速度稳定性远低于社会车辆。此外，为研究驾驶风格与乘坐舒适性的关系，基于车辆运行参数，利用谱聚类算法将驾驶人分为三类，分析发现驾驶风格越激进，驾驶人乘坐不适感越强。通过对公交运行过程的分解与对驾驶人的有效聚类，可为纯电动公交乘坐舒适性改善、运行服务质量评价、驾驶人驾驶技能改善等方面提供理论指导与数据支撑。

纯电动公交；乘坐舒适性；驾驶风格；谱聚类；智能手机

根据国务院办公厅印发的《新能源汽车产业发展规划（2021—2035年）》，我国将加快提高公共领域新能源汽车应用比例，在2035年实现公共领域用车全面电动化[1]，截至2020年底我国新能源公交车达到46.6万辆，占城市公交车总量的66.2%。纯电动公交不仅可以实现零污染、零排放对全球环境污染与气候治理有积极作用，同时得益于其动力源的改变，车辆运行噪音、振动与空间均有了大幅提升，大大提高了乘客的乘坐舒适性。但因为电动机可以在起步瞬间爆发出最大扭矩，动能回收系统在行驶与制动过程中频繁介入等原因，使得其运行特性与传统公交有较大差异，导致“晕车”现象更加普遍，乘坐不适感增强。因此，应明确纯电动公交运行特性，寻找其乘坐舒适性较低的原因，同时驾驶人驾驶风格也与车辆运行特性直接相关，建立驾驶风格与乘坐舒适性的联系，可针对性地提出改善纯电动公交的乘坐舒适性的措施。

公交的乘坐舒适性是一个综合评价问题，一般从车辆运行平顺性、车内环境、个性化服务等方面进行分析，对该类问题的评价方法主要有主成分分析法、数据包络分析法、模糊评价法以及人工神经网络法[2]，综合评价客观测度指标的构建是综合评价的基础，因此，不少学者对公交乘车舒适性综合评价客观测度指标的构建进行了研究。LAURA等认为影响运行舒适性的因素有拥挤、座位舒适性、空调情况、车内噪音[3]；王炜等提出城市公共交通系统服务水平评价指标体系中运行舒适度包括平均载客率、加速度变化率、通风性、温度、车内噪音5个因素，在此基础上分析构建舒适性客观测度指标[4]；高桂凤等认为运行舒适性的评价指标为公交车满载率和公交车座位率，但却未将车辆运行状态变化考虑在内[5]。总体来看，公交乘坐舒适性的研究大多针对车内环境因素，而针对公交运行平顺性以及加减速振动状态所构建的测度指标过于单一，致使部分指标缺乏合理性，对评价结果有不利影响。

驾驶人驾驶风格与车辆的燃油经济性、行驶安全性、乘坐舒适性等息息相关，但由于驾驶风格受车辆、道路、环境等因素的共同影响，导致其内在机理的复杂性难以量化。目前对于驾驶风格的分类主要是基于试验数据采用模式识别方法，将驾驶风格分为激进型、一般型和保守型或相似的语义解释，驾驶风格的早期研究主要考虑对行车安全的影响。近年来，驾驶风格的应用逐渐与车辆智能控制、能源消耗管理、驾乘舒适性等结合，刘思源等采集了54名驾驶员执行换道操作时的数据，将驾驶风格划分为激进型和保守型，并基于行驶时距建立了考虑驾驶风格的换道预测模型[6]。王鑫鹏等采集20位驾驶人试验数据，选取车速、转向盘转角和油门踏板开度的标准差作为聚类特征，使用K-means聚类方法将驾驶风格分为三类：保守型、一般型、激进型，将聚类结果与智能车自主决策系统相融合[7]。刘动通过实车试验，选取平均车速、制动次数、加速踏板平均开度、加速度绝对值的平均值、紧急制动占比，变线次数六个驾驶风格特征。使用主成分分析法降维后，用K-means聚类法将驾驶员分为三类：激进型、一般型、保守型，并将聚类结果与车辆跟随控制算法结合[8]。

本研究以智能手机作为数据采集设备，采集与纯电动公交乘坐舒适性相关的车辆运行参数，分析其运行特性，以寻找其普遍存在的晕车现象原因。然后通过机器学习聚类算法，对驾驶人进行聚类，分析不同风格驾驶人产生的车辆运行特性，探寻驾驶风格与乘坐舒适性的内在联系。本研究弥补了以往研究中忽略车辆运行状态对舒适性影响的不足，将车辆运行过程划分为不同阶段进行独立分析，深化并拓展了驾驶风格与乘坐舒适性的关联，为乘坐舒适性的研究提供了新的思路。

1 实验设备与数据采集

纯电动公交车运行特性受道路情况、交通状况、车型特点等因素的影响，为全面分析纯电动公交运行状态特征、驾驶行为特性，选择比亚迪K9纯电动公交车为研究对象，利用智能手机跟车采集其实际运行数据。该车型大量投放于常规公交线路，所选公交运行区域包含城区道路与郊区道路，可以全面反映城市公交车的运行特征。数据采集时，采集人员乘坐正常运营公交车采集实际运行数据，驾驶人不知情，其驾驶行为完全按照自身驾驶习惯进行。为了保证数据的准确性，数据采集使用同一型号的智能手机，并将其坐标轴与公交车纵向轴线平行放置，固定在公交车尾部地板上防止手机滑动，放置方式如图1所示。

图1 数据采集设备放置示意图

利用智能手机监测车辆运动数据是一种方便易行的常用措施，实验表明通过智能手机所采集的数据精度与高精度陀螺仪基本一致[9]。研究采用装备有GPS模块、距离传感器等的智能手机采集公交车运行速度、行驶距离、经纬度等信息。数据的记录与导出借助GPS测速仪软件，采样频率为1 Hz，软件使用界面如图2所示，其中速度采样精度为0. 01 km/h，行驶距离采样精度为1 m，加速度通过对速度求导得到，文中涉及的加速度均为公交车运行的纵向加速度。

图2 GPS测速仪软件使用界面

最终获得10条公交线路82位驾驶人32.8万条的逐秒运行数据，用于分析纯电动公交车整体运行状态与驾驶行为特性。另外，数据采集过程中采集人员特别关注了交叉口和进出站工况的交通状况，结合GPS测速仪软件的地图功能，对进出站、通过交叉口进行标记。

2 车辆运行稳定性分析

城市公交车运行过程中站点和交叉口的存在使得公交车频繁启停，根据这一情况纯电动公交车运行过程可分为加速、匀速、减速、怠速停车四个阶段，但城市交通环境复杂，公交车运行过程中没有完全理想的匀速状态。实际上，所谓的匀速状态是指公交车的行驶速度在一个速度附近轻微波动，参考TIELERT等人[10]对运行状态的划分，本文匀速状态定义为瞬时加速度的绝对值小于等于0.15 m/s2的行驶过程，加速阶段为瞬时加速度大于0.15 m/s2的行驶过程，减速阶段为瞬时加速度绝对值大于0.15 m/s2的行驶过程，由于怠速停车过程中车辆处于静止状态，对乘客的乘坐舒适性无明显影响，本部分仅对加速、匀速、减速三个阶段纯电动公交的运行特性进行分析。

根据国标GB/T 4970—2009汽车平顺性试验方法和以往研究，汽车平顺性的评价一般通过，，三个轴向的加权加速度均方根值来评价[11]，本文研究的都是西安市城市公交客车，该地为平原城市，道路平整，故可不考虑垂向振动，另外根据实测数据横向加速度值很小，在加权加速度均方根值的计算中可以忽略。故本文主要分析加速及减速阶段的纵向加速度特性，以及匀速阶段速度特性，结合以往研究讨论纯电动公交舒适性问题。

2.1 加速阶段运行特性分析

绘制车辆在加速阶段的瞬时加速度分布图，如图3所示，城市纯电动公交车加速阶段，加速度占比最高的是[0.15,1.15] m/s2区间，达到了86%，之后随着加速度的增加占比逐渐减小，加速度大于1.65 m/s2的占比很小，仅为1.8%。马骏对纯电动公交客车不同工况下乘员乘坐舒适性的研究发现，加速阶段乘员的不舒适限值为加速度小于0.53 m/s2[12]，通过统计分析得知49.6%的瞬时加速度值超过了此阈值，可认为在加速阶段近一半时间车辆加速度过大，可能使乘客出现不适感。

图3 加速阶段加速度分布图

2.2 减速阶段运行特性分析

绘制车辆在减速阶段的瞬时加速度绝对值分布图，如图4所示，城市纯电动公交车减速阶段，加速度绝对值占比最高的是[0.15,1.15] m/s2区间，达到了84.2%，之后随着加速度绝对值的增加占比逐渐减小，加速度绝对值大于1.65 m/s2的占比很小，仅为2.2%。马骏对纯电动公交客车不同工况下乘员乘坐舒适性的研究发现，减速阶段乘员的不舒适限值为加速度绝对值小于0.78 m/s2[12]，通过统计分析得知，30.8%的瞬时加速度绝对值超过了此阈值，可认为在减速阶段近三分之一时间车辆加速度过大，可能使乘客出现不适感。

图4 减速阶段加速度分布图

2.3 匀速阶段运行特性分析

匀速阶段的速度特征可以用平均速度、最大速度和速度分布情况等参数表征，对采集到的瞬时速度绘制如图5所示的箱线图，发现速度均值为22.14 km/h，75%分位数为32.42 km/h，说明受到逢站必停的限制，纯电动公交车运行时主要以中低速为主。计算纯电动公交车速度标准差为12.13 km/h，通过对社会车辆的速度计算其标准差为 6.54 km/h，相比而言，公交车标准差较大，速度波动大行驶平顺性较差。

图5 匀速阶段速度分布

总体来看，纯电动公交在加速阶段与减速阶段加速度分布基本相同，两个阶段的加速度均会导致不舒适现象，但由于乘员在加速阶段的不舒适阈值较小，加速阶段的不舒适占比较高，匀速阶段车速波动较大，平顺性比社会车辆差。针对起步阶段加速度过大的问题，可通过对电机控制器的控制策略优化实现减小起步加速度的目的，减速过程中动能回收系统的介入时刻与最终停车时刻往往达到速度峰值，应选择合理的再生制动控制策略保证乘员的舒适性。

3 基于纯电动公交运行数据的驾驶风格聚类

车辆运行特性不仅与车辆本身相关，还与驾驶人驾驶风格相关，驾驶风格是驾驶人相对稳定的、习惯性的驾驶倾向，是驾驶人心理思维与行为模式的综合表现[13]。不同风格的驾驶人产生的车辆运行特性不同，给乘客的舒适体验也不同，对纯电动公交车驾驶人的驾驶风格进行有效聚类可针对性地对驾驶人考核与改进，以提升纯电动公交乘坐舒适性。

3.1 谱聚类模型

谱聚类是从图论中演化出来的算法，后来在聚类中得到了广泛的应用。它的主要思想是把所有的数据看做空间中的点，这些点之间用边连接起来。连接的这些边上有权重，距离较远的两个点之间的边权重值较低，而距离较近的两个点之间的边权重值较高。通过对所有数据点组成的图进行切图，让切图后不同的子图间边权重和尽可能地低，而子图内的边权重和尽可能的高，从而达到聚类的目的。与传统的聚类算法相比，谱聚类对数据分布的适应性更强，聚类效果优秀，同时聚类的计算量也小很多，能在任意形状的样本空间上聚类且收敛于全局最优解，这点传统聚类算法（比如K-means）很难做到[14]。具体算法流程如下：

（1）输入个样本点={1,2,...,x}和聚类簇的数目；

（2）计算相似度矩阵；

（3）计算度矩阵；

（4）计算拉普拉斯矩阵=-；

（5）计算的特征值，将特征值从小到大排序，取前个特征值，并计算前个特征值的特征向量1,2,...,u，组成矩阵={1,2,...,u}，∈R；

（6）令y∈R为第行向量（=1,2,...,），使用K-means算法将新样本点={1,2,...,y}聚类成簇1,2,...,C；

（7）输出聚类结果。

3.2 聚类与结果分析

在纯电动公交运行的三个阶段中，加速与减速阶段对乘客舒适性影响最大，同时匀速阶段的速度稳定程度也有一定影响，最终选择加速与减速阶段加速度均值、匀速阶段车速标准差三个运行参数作为聚类指标。

图6 聚类结果

将82位驾驶人的车辆运行参数作为输入，使用谱聚类模型进行聚类，得到如图6所示的聚类结果，分别有49、28、5名驾驶人被分到谨慎型、正常型和激进型。

对不同风格驾驶人在加速、匀速、减速阶段的车辆运行参数进行统计，结果如表1所示。在加速与减速阶段驾驶人风格越激进加速度均值越大，大于乘员不舒适阈值的占比越高；在匀速阶段不同风格驾驶人速度均值变化不大，但驾驶风格越激进的驾驶人产生的速度标准差越大。总体来看，驾驶人驾驶风格越激进其加减速阶段的加速度都较大，且匀速阶段速度稳定性较差，导致乘客出现不适感的比例增加，可认为基于公交车运行数据的谱聚类模型对驾驶人驾驶风格聚类效果良好。上述聚类结果表明，公交车驾驶人驾驶风格与乘坐舒适性有较强相关性，驾驶风格的有效聚类可为公交服务质量评价，驾驶人驾驶技能培训、公交运行安全管理等提供理论支撑。

表1 不同风格驾驶人车辆运行参数分析

驾驶人风格加速度均值大于舒适阈值占比 谨慎型0.6545.2 正常型0.7049.9 激进型0.7356.7 驾驶人风格减速度均值大于舒适阈值占比 谨慎型-0.6528.2 正常型-0.6934.4 激进型-0.7240.1 驾驶人风格速度均值速度标准差 谨慎型22.211.3 正常型22.413.4 激进型22.515.0

4 总结

（1）基于智能手机监测的纯电动公交运行数据，将公交运行过程分为加速、匀速、减速阶段，研究发现纯电动公交在加速阶段有49.6%的瞬时加速度超过了舒适阈值，减速阶段有30.8%的瞬时加速度超过了舒适阈值，匀速阶段的速度稳定性远高于社会车辆。由于纯电动公交的动力特性，纯电动公交的乘坐不适感主要出现在加减速阶段，其中加速阶段尤为严重。

（2）基于纯电动公交运行数据，利用谱聚类算法可对公交车驾驶人驾驶风格进行有效划分，聚类结果表明，驾驶人驾驶风格越激进，乘客乘坐舒适度越差。对驾驶人驾驶风格的有效分类，可为公交服务质量评价、驾驶人驾驶技能改善、车辆运行安全分析等提供有效支持。

[1] 国务院办公厅.新能源汽车产业发展规划(2021—2035)[EB/OL].(2020-10-20)[2021-12-21].http://www.gov.cn/zhengce/content/2020-11/02/content_5556716.htm.

[2] 邵琪,李园园.基于乘员心率变异性的纯电动公交车乘坐舒适性主观评价研究[J].汽车实用技术,2021, 46(23): 5-7.

[3] LAURA E, GABRIELLA M. A Methodology for Evaluating Transit Service Quality Based on Subjec- tive and Objective Measures from the Passenger’s Point of View[J].Transport Policy,2011(18):172.

[4] 王炜,杨新苗,陈学武.城市公共交通系统规划方法与管理技术[M].北京:科学出版社, 2002.

[5] 高桂凤,魏华,严宝杰.城市公交服务质量可靠性评价研究[J].武汉理工大学学报(交通科学与工程版), 2007,31(1):140.

[6] 刘思源,喻伟,刘洁莹,等.考虑驾驶风格的车辆换道行为及预测模型[J].长沙理工大学学报(自然科学版),2019,16(1): 28-35.

[7] 王鑫鹏,陈志军,吴超仲,等.考虑驾驶风格的智能车自主驾驶决策方法[J].交通信息与安全,2020,38(2):37-46.

[8] 刘动.基于路面附着等级和驾驶风格的车辆跟随控制算法研究[D].长春:吉林大学, 2020.

[9] QU X,ZHANG J,WANG S.On the Stochastic Funda- mental Diagram for Freeway Traffic: Model Develop- ment, Analytical Properties, Validation, and Extensive Applications[J].Transportation Research Part B Meth- odological,2017,104: 256.

[10] TIELERT T,RIEGER D,HARTENSTEIN H, et al.Can V2X Communication Help Electric Vehicles Save Energy?[C]//2012 12th International Conference on Its Telecommunications.Piscataway: IEEE, 2012:232- 237.

[11] 全国汽车技术标准化委员会.汽车平顺性试验方法: GB/T 4970—2009[S].北京:中国标准出版社, 2009.

[12] 马骏.纯电动公交客车加速及制动舒适性研究[D].西安:长安大学, 2017.

[13] GUYONVARCH L, HERMITTE T, DUVIVIER F, et al. Driving Style Indicator Using Udrivends Data[J]. Traffic Injury Prevention,2018,19(Sl):189-191.

[14] 丁丽娟.谱聚类算法研究与应用[D].西安:陕西师范大学,2019.

Ride Comfort Analysis of Pure Electric Bus Based on Smart Phone

MA Wanliang

( School of Automobile, Chang'an University, Xi'an 710064, China )

In order to study the common problem of "carsickness" in the operation of pure electric bus, this paper uses smart phones as data acquisition equipment to collect the second by second operation data of 82 drivers on 10 lines. The bus operation process is divided into three stages: acceleration, uniform speed and deceleration. The analysis shows that 49.6% and 30.8% of the instantaneous acceleration in the acceleration and deceleration stages respectively exceed the comfort threshold, which will make passengers feel uncomfortable. At the same time, the speed stability in the uniform stage is far lower than that of social vehicles. In addition, in order to study the relationship between driving style and ride comfort, drivers are divided into three categories by using spectral clustering algorithm based on vehicle operating parameters. The analysis shows that the more aggressive the driving style is, the stronger the ride discomfort will be. Through the decomposition of the bus operation process and the effective clustering of drivers, it can provide theoretical guidance and data support for improving the riding comfort of pure electric bus, the evaluation of operation service quality, and the targeted improvement of drivers' driving skills.

Pure electric bus; Ride comfort; Driving style; Spectral clustering;Smart phones

10.16638/j.cnki.1671-7988.2022.021.001

U491

A

1671-7988(2022)21-01-06

U491

A

1671-7988(2022)21-01-06

马万良（1997—），男，硕士研究生，研究方向为智能驾驶与主动安全技术，E-mail:1010503402@qq.com。

长安大学研究生科研创新实践项目（300103722022）。