利用全局K-means聚类算法构建汽车行驶工况

简介：
本研究采用全局K-means聚类算法，旨在优化汽车行驶工况分类，通过数据驱动的方法识别并建立典型驾驶模式，以支持车辆性能评估和节能减排策略开发。 为了构建符合郑州市交通特点的乘用车典型行驶工况,我们选取了60辆乘用车进行数据采集，并将收集到的有效行驶数据划分成120744条运动学片段，通过主成分分析法对特征参数矩阵进行了降维和非线性化处理。采用戴维森-堡丁指数确定最佳聚类数后，利用全局K-means聚类算法将提取的四个主要成分分为三类，并运用相关系数法从各类片段中选取具有代表性的运动学片段，最终构建出郑州市乘用车典型循环工况(ZZ_DC)。 与传统K-means聚类方法相比，使用全局K-means聚类能够更准确地反映郑州地区乘用车在实际道路上的行驶状态。将ZZ_DC工况与国内常用的NEDC（新欧洲驾驶周期）测试工况进行对比后发现两者存在显著差异，因此开发出适应郑州市交通特征的乘用车行驶工况显得十分必要。