基于主成分分析和优化聚类算法的行驶工况研究

张林平， 李风军

(宁夏大学数学统计学院， 银川 750021)

随着经济的快速发展，汽车保有量不断增加,给城市交通带来了沉重的压力，并使得汽车排放成为中国主要城市空气污染的主要来源[1]. 行驶工况是量化汽车排放的一个重要概念，能充分反映汽车的实际行驶模式，从而获得可靠的汽车排放估计. 随着路网密度的改善，研究者越来越关注实际驾驶条件与各种车辆认证和监管机构所使用的标准行驶工况之间的差距.

汽车行驶工况作为一种被广泛采用的燃油经济性、排放和行驶里程评价基准，可以方便车辆设计和对新兴车辆技术性能评价，得到学者的广泛研究. 如：采用马尔科夫随机过程理论，构建了行驶工况图[2-4]；采用一种改进的马尔科夫蒙特卡罗方法构建了北京市的行驶工况图[5]；利用主成分分析和K均值聚类算法构建了行驶工况图[6-9]；提出了一种构造“行程段”的方法，构造了印度客车的行驶工况图[10]；利用多岛遗传算法(MIGA)与序列二次规划法(SQP)组合优化，对FCM聚类的初始聚类中心进行优化，从而构建了汽车行驶工况图[11]；利用粒子群优化算法优化了FCM的聚类中心，从而构建了行驶工况图[12]；利用主成分分析法和模糊C均值聚类算法，拟合了汽车行驶工况图[13]；利用自组织映射神经网络与粒子群聚类相结合的方法构建了汽车行驶工况图[14]. 上述研究方法虽然均构建了较理想的行驶工况图，但仍有需要改进的地方. 如：传统的主成分分析法可以达到降维的目的，但是没有完全体现出用数量较少的综合指标来代替原来多个指标的目的；……