面向汽车行驶工况构建的遗传模拟退火-马尔可夫链方法

本发明涉及汽车行驶工况构建领域，具体是面向汽车行驶工况构建的遗传模拟退火-马尔可夫链方法。

背景技术：

1、目前主流的汽车行驶工况构建方法可归为两类：微行程法与马尔可夫链法。

2、微行程法是按照微行程定义进行片段划分，根据片段合成工况序列，常常与聚类法相结合，通过聚类以更好地分析微行程片段之间的联系，从而提高所构工况精度。此外，部分学者还通过引入遗传算法对微行程组合进行优化，进一步提高了工况的代表性及其在排放估算中的准确性。尽管各类优化方法的使用改进了微行程法的精度，但基于微行程组合的工况设计方法仍难以准确地控制工况长度，且一旦数据量过大就会导致组合爆炸的问题，极其影响算法的效率和精度。

3、基于马尔可夫链法的工况构建方法，通常先将行驶数据离散化至状态空间，进而依据秒级状态转移构建马尔可夫链模型。该方法既能精确控制工况的时长，也能有效反映行驶过程的动态特征。与微行程法相比，马尔可夫链法能够避免因片段组合而导致的组合爆炸问题，并可进一步引入加速度、坡度等参数，从而更全面地模拟实际行驶状态。马尔可夫链法本质上是一种随机抽样技术。当状态空间较大、状态数量较多时，在有限的设计时间内往往难以获得高精度且具代表性的工况。

4、近年来，马尔可夫链与优化算法相结合的方法成为了新兴的研究热点，但相关研究主要侧重于平稳分布的性能分析，但在已知平稳分布和状态转移矩阵下，针对固定长度样本序列加速收敛至满意序列的算法研究仍较为有限。遗传算法的选择与变异过程具有较高的随机性，且交叉操作通常仅能驱动种群整体向更优方向演进，其局部搜索能力较为有限，从而制约了工况构建精度与效率的进一步提升。

技术实现思路

1、本发明的目的是提供面向汽车行驶工况构建的遗传模拟退火-马尔可夫链方法，包括以下步骤：

2、步骤1）基于车载终端及车联网平台采集车辆行驶数据，对车辆行驶数据进行预处理，对预处理后的车辆行驶数据进行微行程聚类，生成不同行驶类别的速度序列；

3、步骤2）基于速度序列，生成速度状态编码和加速度状态编码，并建立状态转移概率矩阵；

4、步骤3）根据状态转移概率矩阵随机模拟构建初始工况种群，设迭代次数为，的初始值为1；

5、步骤4）根据多目标函数计算第代种群中每条工况个体的综合误差；

6、利用选择算子、交叉算子和搜索算子对工况种群进行迭代优化，得到第代种群；

7、步骤5）判断第代种群中的单条工况综合误差是否小于第代种群对应的单条工况综合误差，若是，则将第代种群中的工况更新为第代种群中对应的工况；否则，进行更新概率判断，从更新完成后的种群中选择综合误差最小的单条工况更新为各行驶类别的最优工况；

8、步骤6）令；若小于最大迭代次数，返回步骤4）；若大于等于最大迭代次数，进入步骤7）；

9、步骤7）将各行驶类别的最优工况进行线性组合，构成完整的最优行驶工况。

10、进一步，步骤1）中，预处理包括：将拥堵路段的行驶数据视作怠速、平滑处理加速度异常时段以及怠速时长不大于t秒；

11、微行程聚类步骤为：通过主成分分析法降维提取预处理后的车辆行驶数据的特征值，基于k-means聚类法将特征值相似的微行程片段归并为同一类型，确定最优聚类数；

12、行驶类别包括低速工况、中速工况和高速工况。

13、进一步，步骤2）中，时刻的速度编码如下所示：

14、（1）

15、式中，为t时刻速度，为速度步长，为向下取整；

16、时刻的加速度编码如下所示：

17、（2）

18、式中，为时刻加速度，为加速度最小值，为加速度步长；

19、时刻的联合状态编码如下所示：

20、（3）

21、（4）

22、式中，为速度最大值，为速度状态编码数量。

23、进一步，状态转移概率矩阵如下所示：

24、（5）

25、式中，为从第个状态转移到第个状态的概率；；；为状态编码数量。

26、进一步，从第个状态转移到第个状态的概率如下所示：

27、（6）

28、（7）

29、式中，为从第个状态转移到第个状态的次数。

30、进一步，步骤4）中，多目标函数如下所示：

31、（8）

32、式中，为所有工况构成的种群，为单条工况的综合误差。

33、进一步，第代种群中每条工况个体的综合误差如下所示：

34、（9）

35、式中，为特征参数的数量，为单条工况，为单条工况的第j个特征的绝对误差；

36、单条工况的第j个特征的绝对误差如下所示：

37、（10）

38、式中，为构建工况的第个特征参数，为原始数据的第个特征参数。

39、进一步，选择算子如下所示：

40、（11）

41、式中，为种群中第条工况，为0到1之间随机生成的数，为第条工况的适应度值；

42、第条工况的适应度值如下所示：

43、（12）

44、式中，为常数，为第i条工况的综合误差；

45、交叉算子如下所示：

46、（13）

47、（14）

48、式中，和为种群中随机选取两条工况提取出等长度的子序列；

49、两条子序列发生交换需要满足条件，即：

50、（15）

51、式中，为转移到的概率，为转移到的概率，为转移到的概率，为转移到的概率；

52、搜索算子是指，在当前种群的最优工况速度序列中选取一段随机长度的速度子序列作为操作区间，以操作区间起始状态和终止状态为固定端点，依据状态转移概率矩阵重新生成两端点之间的速度子序列，并替换原速度子序列。

53、进一步，步骤5）中，更新概率判断是指，若更新概率大于判别因子，则将第代种群中的工况更新为第代种群中对应的工况；否则，不进行更新。

54、进一步，第代种群更新概率如下所示：

55、（16）

56、（16）

57、式中，为衰减系数，为初始衰减数，为第代第条工况的综合误差，为第代第条工况的综合误差；为第代对应的衰减数；为第代对应的衰减数。

58、本发明的技术效果是毋庸置疑的，本发明的有益效果如下：

59、（1）在马尔可夫链法的框架中引入了遗传模拟退火优化算法，并提出了满足马尔可夫性的搜索与更新算子设计。搜索算子通过固定端点的邻域重构，替代了传统遗传算法中高随机性的变异操作，显著增强了算法的局部精细搜索能力与稳定性；更新算子基于metropolis准则自适应调控收敛方向，在迭代初期保持种群多样性以逃离局部最优，在迭代后期抑制随机扰动以锁定全局最优解。结合微行程聚类与速度-加速度双参数状态编码，为高精度工况构建提供了新的思路。

60、（2）基于中国多城市实车大数据的验证表明，gsamc算法在工况构建精度上具有显著优势。在最大迭代次数为500的条件下，所构建的1800秒工况与原始数据相比，各项特征参数的最大误差不超过2.70%，mape低至1.01%，v-a分布的平均误差仅为0.22%，相似系数高达99.27%。对比分析显示，相较于mcmc和mce，gsamc算法的mape分别降低了7.11%和4.73%，且v-a分布误差分布更加均匀，有效克服了mce算法在平均加速度等关键参数上误差过大的缺陷。此外，本发明在10%序列长度的搜索区间设定下，实现了计算效率与构建精度的良好平衡。

61、（3）基于重庆、广州、杭州三地实际行驶数据的工况分析，所构建的区域工况能够精准捕捉不同城市交通流特征，三城市工况的特征参数平均误差分别控制在0.68%、1.18%和2.53%，均低于3%。这表明本发明能够生成与特定区域用户驾驶行为高度吻合的工况曲线，弥补了wltc、cltc等通用法规工况难以反映特定区域特征的不足，为面向特定场景的整车标定、能耗评估及排放认证提供了高精度的数据基础。