摘要
本文对已有的车辆行驶数据进行数据清洗,根据已有条件剔除不良数据,从中提取运动学片段。构建运动学评估体系,并采用此体系对晒选出的运动学片段进行分类,从每一类中挑选具有代表性的片段,构成初始的汽车行驶工况。由于考虑到原始数据具有一定的随机性,将原始数据进行小波压缩重构与降噪,最终得到一条合理的代表性汽车行驶工况。使用Python进行数据清洗。考虑到先对数据进行预处理再进行片段的划分易造成逻辑混乱,片段划分不准确。因此我们先将原始数据划分为4746个运动学片段,根据已给条件对其进行筛选,最终得到1743个运动学片段。构建合理的汽车运动特征评估体系,根据问题以及相关资料的查阅,筛选出9个代表性特征参数。其次,考虑到每个类别的运动时长占总时长的权重不同,可能会导致选取的片段不能很好的代表每个类别。因此,我们以每个运动片段的时间占比为权重的加权平均数来替代传统的算术平均数进行聚类。采用改进的分层聚类分析将筛选后的1743个短片段聚为5类,根据欧氏距离与相关系数选取每一类的代表性片段,总共11段,构建初始的代表性汽车行驶工况。计算初始代表性汽车行驶工况与整体汽车行驶参数的相关系数、加速度分布以及速度分布。其中,相关系数高达0.9976,加速度分布与速度分布拟合的较好。因此,选取的初始汽车行驶工况在一程度上具有代表性。考虑到初始数据的随机性与不规则性,采用小波变换对初始的汽车行驶工况进行压缩重构以及软阀值降噪处理。分别采用3尺度、4尺度分解小波并进行重构,最后对降噪后的小波进行重构。将重构后的数据与初始数据进行比较,计算重构数据与原始数据的差值以及偏差,发现3层的全局软阀值降噪方法处理后的行驶工况差值的绝对值大于1的不到0.17,平均速度的偏差不到0.002。最终选取分解为3层的全局软阀值降噪处理方法,得到最终的汽车行驶工况。
出处
《营销界》
2019年第29期103-104,共2页