于 謙，肖 雄，楊鳴鵬，劉海海

(1. 長安大學(xué) 運(yùn)輸工程學(xué)院，陜西 西安 710064； 2. 生態(tài)安全屏障區(qū)交通網(wǎng)設(shè)施管控及循環(huán)修復(fù)技術(shù)交通運(yùn)輸行業(yè)重點(diǎn)實(shí)驗(yàn)室，陜西 西安 710064； 3. 林同棪國際工程咨詢(中國)有限公司，重慶 401120)

20世紀(jì)90年代提出的生態(tài)駕駛理念，旨在改善駕駛?cè)笋{駛操作行為，引導(dǎo)駕駛員在駕駛模式上的決策偏好，養(yǎng)成更節(jié)能環(huán)保的駕駛習(xí)慣，從而減少行車過程中燃料消耗及尾氣排放.2010—2013年，歐盟能源部開展了ECOWILL項(xiàng)目，通過對(duì)駕駛員的生態(tài)駕駛培訓(xùn)，有效減少了15%左右的油耗，同時(shí)使污染物排放大幅度減少[1].改善駕駛員駕駛行為，倡導(dǎo)生態(tài)駕駛，成為道路交通節(jié)能減排的一條可行之路.典型的生態(tài)駕駛建議有柔和駕駛(輕點(diǎn)油門平緩起步、保持勻速、避免突然加減速、減少不必要的怠速、不空加油門、盡量少用空調(diào)、減輕車載、及時(shí)檢查胎壓)、預(yù)見性駕駛以及做好車輛的維修與保養(yǎng)等[2].

在生態(tài)駕駛推廣普及過程中發(fā)現(xiàn)，定性的生態(tài)駕駛建議并不能有效地指導(dǎo)駕駛員，由于不同國家車輛技術(shù)、車用能源、道路交通基礎(chǔ)設(shè)施和道路交通環(huán)境千差萬別，不同國家的生態(tài)駕駛建議甚至存在相互矛盾的現(xiàn)象，皆因駕駛行為對(duì)機(jī)動(dòng)車排放影響機(jī)理尚未闡明.駕駛行為與車輛尾氣排放間的關(guān)聯(lián)關(guān)系有待進(jìn)一步研究，從而為駕駛員生態(tài)駕駛培訓(xùn)，以及生態(tài)輔助駕駛系統(tǒng)研發(fā)提供科學(xué)的評(píng)價(jià)方法及理論依據(jù).

國內(nèi)外學(xué)者從人、車、路和行車環(huán)境4方面開展了大量的生態(tài)駕駛研究工作.在駕駛行為方面，主要選取油耗指標(biāo)，建立甄別-優(yōu)化-反饋模型，利用駕駛模擬艙，對(duì)駕駛員培訓(xùn)以及動(dòng)態(tài)輔助情況下的生態(tài)駕駛節(jié)能有效性進(jìn)行評(píng)價(jià)，及基于先驗(yàn)規(guī)則優(yōu)秀駕駛行為分析及聚類等[3-4].在車輛及發(fā)動(dòng)機(jī)控制方面，主要基于車輛動(dòng)力學(xué)、發(fā)動(dòng)機(jī)模型、整車燃油經(jīng)濟(jì)性及最優(yōu)控制理論，通過理論推導(dǎo)、實(shí)證研究，實(shí)現(xiàn)對(duì)發(fā)動(dòng)機(jī)工作效率最優(yōu)控制，得出汽車最優(yōu)節(jié)能駕駛策略[5-6].在路側(cè)設(shè)施方面，主要集中在交叉口，探討利用車輛與路側(cè)設(shè)施通信技術(shù)(V2I)，實(shí)現(xiàn)交叉口信號(hào)控制新方法.改變駕駛員在交叉口的行駛軌跡，減少車輛在交叉口的油耗及排放，對(duì)電動(dòng)車交叉口軌跡進(jìn)行優(yōu)化等[7-8].在行車環(huán)境方面，主要通過微觀仿真模擬，設(shè)計(jì)不同交通量及車聯(lián)網(wǎng)比例交通場(chǎng)景，提出優(yōu)化車輛行車軌跡算法，設(shè)計(jì)實(shí)時(shí)輔助駕駛系統(tǒng)，對(duì)車輛通過坡道的生態(tài)駕駛軌跡進(jìn)行優(yōu)化等[9-10].

就目前查閱的資料分析，國內(nèi)外學(xué)者從多個(gè)角度對(duì)生態(tài)駕駛進(jìn)行了大量有意義的探索.但是目前生態(tài)駕駛行為的研究主要選取油耗指標(biāo)，較少考慮CO、NOx、HC等污染物排放.已有的以減排為導(dǎo)向的研究主要基于排放模型MOVES、CMEM、VT-Micro等，在一定程度上，還不能有效反映我國駕駛員在實(shí)際道路上動(dòng)態(tài)行為變化對(duì)車輛真實(shí)排放特征的影響，尚缺少同時(shí)采集駕駛行為及排放瞬時(shí)數(shù)據(jù)的研究.此外，對(duì)駕駛行為的分析主要集中在駕駛操作階段的特性分析.筆者則從駕駛行為鏈層面開展分析研究，針對(duì)駕駛行為多維度特性，分析駕駛行為對(duì)路段排放的影響.基于車載排放測(cè)試采集的排放數(shù)據(jù)，通過計(jì)算路段排放因子，建立駕駛片段是否生態(tài)的特征標(biāo)簽，以駕駛行為多維度特性參數(shù)為自變量，建立判別模型.

1 車載排放測(cè)試

為了獲取實(shí)際道路行駛條件下的實(shí)時(shí)排放及駕駛行為數(shù)據(jù)，利用車載排放測(cè)試設(shè)備以及車輛CAN總線采集設(shè)備，收集駕駛行為、車輛瞬時(shí)工況及機(jī)動(dòng)車瞬時(shí)排放數(shù)據(jù).獲取駕駛?cè)宋⒂^駕駛操作數(shù)據(jù)包括實(shí)時(shí)的駕駛?cè)藢?duì)加速踏板、制動(dòng)踏板、擋位使用等多項(xiàng)微觀駕駛操作數(shù)據(jù).通過對(duì)多設(shè)備采集到的初始數(shù)據(jù)對(duì)齊、濾波清洗，提取車輛連續(xù)行駛數(shù)據(jù)序列，重構(gòu)駕駛行為鏈.

1.1 汽油小汽車排放測(cè)試

汽油小汽車車載排放測(cè)試主要采用Sensor公司第4代車載排放測(cè)試設(shè)備SEMTECH-ECOSTAR及CAN總線設(shè)備，在北京市城區(qū)展開排放及駕駛行為數(shù)據(jù)收集工作.考慮CAN總線設(shè)備接口限制，選擇國V排放標(biāo)準(zhǔn)大眾速騰自動(dòng)擋汽油車，排量為1.4 L，整備質(zhì)量為1 840 kg，累積行駛里程為3×104km，車輛配置有三元催化轉(zhuǎn)換器等尾氣后處理裝置.測(cè)試時(shí)，車輛尾氣由尾氣管排出進(jìn)入流量計(jì)，測(cè)得排出尾氣總流量，再通過采樣管，進(jìn)入SEMTECH-ECOSTAR主機(jī)進(jìn)行成分分析，得出各污染物排放濃度及排放率，測(cè)試設(shè)備如圖1所示，其中：溫濕度計(jì)用來測(cè)量周圍環(huán)境的溫度及濕度，校正污染物的排放數(shù)據(jù)，在試驗(yàn)開始前，需要利用標(biāo)準(zhǔn)氣體對(duì)儀器進(jìn)行標(biāo)定及調(diào)零；全球定位系統(tǒng)(global positioning system,GPS )用來對(duì)汽車進(jìn)行定位導(dǎo)航.

圖1 汽油小汽車及測(cè)試設(shè)備

車載排放測(cè)試主要采集駕駛員在駕駛汽油輕型車過程中的不同駕駛行為及排放數(shù)據(jù).綜合考慮道路平均車速、交通量大小、道路擁堵情況以及有無交叉口信號(hào)控制的影響，選取2條測(cè)試路線，如圖2所示，試驗(yàn)線路1全長11 km，試驗(yàn)線路2全長 20 km.選取2位不同駕齡的駕駛員，分別在平峰、高峰時(shí)段按照路線進(jìn)行實(shí)測(cè)數(shù)據(jù)采集.

圖2 小汽車排放測(cè)試路線

1.2 駕駛行為數(shù)據(jù)處理及指標(biāo)選取

在搜集和總結(jié)國內(nèi)外生態(tài)駕駛研究成果的基礎(chǔ)上，從駕駛行為鏈多維度特性入手，結(jié)合車載測(cè)試能夠獲取的微觀數(shù)據(jù)，對(duì)駕駛行為特征及車輛運(yùn)行表現(xiàn)細(xì)化，初步構(gòu)建駕駛行為及車輛運(yùn)行評(píng)價(jià)指標(biāo)體系[11]，如圖3所示.

圖3 駕駛行為及車輛運(yùn)行評(píng)價(jià)指標(biāo)

選取CO2、NOx和HC基于距離的排放因子作為汽油小汽車排放指標(biāo).正動(dòng)能指數(shù)為

(1)

式中：vf為加速狀態(tài)下最后一秒的速度；vi為加速狀態(tài)下第1秒的速度；s為在加速狀態(tài)下車輛行駛的距離；v為t時(shí)刻的速度.

平均升擋轉(zhuǎn)速為

ng=t0n01+t1n12+…,

(2)

式中：t0為空擋時(shí)間百分比；n01為0擋到1擋升擋平均轉(zhuǎn)速；t1為擋位1使用時(shí)間百分比；n12為1擋到2擋升擋平均轉(zhuǎn)速；其余類推.

測(cè)試車輛為自動(dòng)擋汽油小汽車，行駛過程中，駕駛員不直接操作換擋，駕駛員對(duì)車輛油門踏板及剎車的控制會(huì)通過自動(dòng)變速箱變換行駛擋位.換擋次數(shù)等擋位使用指標(biāo)，同樣是衡量駕駛員駕駛行為的重要指標(biāo).

2 汽油小汽車多維度駕駛行為分析

通過車載排放測(cè)試數(shù)據(jù)處理分析，得到4.5萬條逐秒排放和駕駛行為數(shù)據(jù)，根據(jù)時(shí)間序列及測(cè)試記錄整合得到201組有效駕駛行為鏈.

2.1 不同道路服務(wù)水平下車輛運(yùn)行狀態(tài)

為了分析動(dòng)態(tài)交通流約束下的生態(tài)駕駛行為，根據(jù)車輛運(yùn)行速度及道路類型，將道路服務(wù)水平分為自由流、穩(wěn)定流上段、穩(wěn)定流、飽和流和強(qiáng)制流.通過對(duì)試驗(yàn)路段服務(wù)水平的觀察記錄，結(jié)合CJJ 37—2012《城市道路工程設(shè)計(jì)規(guī)范》[12]，對(duì)201組數(shù)據(jù)所在路段服務(wù)水平進(jìn)行分級(jí)，不同服務(wù)水平下車輛排放因子如圖4所示，其中：S為道路服務(wù)水平；EFCO2、EFNOx、EFHC分別為CO2、NOx和HC的排放因子.CO2、NOx和HC的排放因子基本隨著道路服務(wù)水平的增大而增大，特別是在4級(jí)、5級(jí)服務(wù)水平下，CO2、NOx排放因子有顯著的增大.可見在飽和流和強(qiáng)制流，這2種交通流狀態(tài)下，測(cè)試車輛無法保持

平穩(wěn)的行駛狀態(tài)，導(dǎo)致車輛排放有顯著的增加.為了進(jìn)一步探究導(dǎo)致排放增加的原因，分析不同動(dòng)態(tài)交通流約束下的駕駛行為，對(duì)不同服務(wù)水平下的車輛運(yùn)行指標(biāo)進(jìn)行測(cè)算比較.不同服務(wù)水平車輛運(yùn)行狀態(tài)如圖5所示，其中：ne為發(fā)動(dòng)機(jī)平均轉(zhuǎn)速；a為車輛的平均加速度.

圖4 不同服務(wù)水平下車輛排放因子

圖5 不同服務(wù)水平車輛運(yùn)行狀態(tài)

從圖5可以看出：平均升擋轉(zhuǎn)速、發(fā)動(dòng)機(jī)平均轉(zhuǎn)速、車輛正動(dòng)能指數(shù)在1-3級(jí)服務(wù)水平狀態(tài)下，都趨于平穩(wěn)狀態(tài)，但在4、5級(jí)服務(wù)水平狀態(tài)下有明顯的變化；平均加速度在3-5級(jí)服務(wù)水平下明顯增加.當(dāng)交通量不斷增加，汽車的行駛自由度降低，受到了周圍車輛的干擾，當(dāng)?shù)缆方煌ㄚ呌陲柡蜖顟B(tài)或者強(qiáng)制狀態(tài)時(shí)，車輛運(yùn)行狀態(tài)及駕駛員駕駛行為發(fā)生了顯著變化.結(jié)合不同服務(wù)水平下車輛排放因子變化可以看出，駕駛行為的改變導(dǎo)致了車輛工況變化，從而使得排放因子在飽和流和強(qiáng)制流時(shí)有顯著的增加.

2.2 統(tǒng)計(jì)分析

為了進(jìn)一步分析生態(tài)駕駛指標(biāo)對(duì)車輛排放的影響，采用因子分析法揭示影響車輛排放的駕駛行為潛在多維度特性.因子分析結(jié)果如表1所示，提取方法為主成分法.旋轉(zhuǎn)法為具有 Kaiser 標(biāo)準(zhǔn)化的正交旋轉(zhuǎn)法，旋轉(zhuǎn)在 6 次迭代后收斂.取前6個(gè)公共因子，累計(jì)占比為78.787%.從表1可以看出：第1個(gè)主成分中，較大負(fù)荷值為0.796和0.731，對(duì)應(yīng)指標(biāo)為平均標(biāo)準(zhǔn)負(fù)荷和平均油門踏板位置，第1個(gè)公共因子可以命名為加速行為操作強(qiáng)度因子，該因子得分越大說明駕駛員加速操作強(qiáng)度越大；第2個(gè)主成分中，負(fù)荷較大值有0.896、0.846及0.670，對(duì)應(yīng)指標(biāo)分別為平均制動(dòng)壓力、剎車時(shí)間百分比和平均減速度，第2個(gè)公共因子可以命名為減速行為操作強(qiáng)度因子，該因子得分越大，說明駕駛員減速操作強(qiáng)度越大；第3個(gè)主成分中，負(fù)荷絕對(duì)值較大的為0.860和-0.768，對(duì)應(yīng)加速比例及勻速比例，第3個(gè)因子可以命名為加速狀態(tài)持續(xù)長度因子，該因子得分越大，說明駕駛員加速狀態(tài)持續(xù)時(shí)間越長；第4個(gè)主成分中，較大值為0.897和0.906，對(duì)應(yīng)指標(biāo)為空擋滑行距離和空擋滑行時(shí)間百分比，第4個(gè)因子可以命名為空擋滑行狀態(tài)持續(xù)長度因子，該因子得分越大，說明駕駛員利用空擋滑行持續(xù)時(shí)間越長；第5主成分中，較大值為0.924和0.904，對(duì)應(yīng)指標(biāo)為停車次數(shù)和換擋次數(shù)，第5個(gè)因子可以命名為駕駛模式轉(zhuǎn)移頻度因子，該因子得分越大，說明駕駛員變換行駛狀態(tài)頻率越大；第6個(gè)主成分中較大值為0.861，對(duì)應(yīng)指標(biāo)為減速比例，可以將第6個(gè)因子命名為減速狀態(tài)持續(xù)長度因子，該因子得分越大，說明駕駛員減速狀態(tài)持續(xù)時(shí)間越長.

表1 旋轉(zhuǎn)成分矩陣

3 生態(tài)駕駛行為辨別模型

基于車載排放測(cè)試采集到的逐秒排放數(shù)據(jù)，計(jì)算不同駕駛片段的CO2、NOx、HC排放因子，將201組有效駕駛片段劃分為生態(tài)駕駛及非生態(tài)駕駛2類.然后利用5種機(jī)器學(xué)習(xí)算法，建立生態(tài)駕駛行為辨別模型，最終尋找準(zhǔn)確率最佳的模型.

3.1 駕駛片段分類

基于駕駛片段的排放因子EF的數(shù)值，將駕駛片段劃分為A、B、C等級(jí)，其對(duì)應(yīng)的駕駛片段的平均排放因子EFav的范圍為

(3)

(4)

(5)

此處，結(jié)合樣本數(shù)據(jù)及文獻(xiàn)[3-4]，將A級(jí)的駕駛片段定義為生態(tài)駕駛，B級(jí)、C級(jí)定義為非生態(tài)駕駛.

3.2 模型的建立

將獲得的各駕駛片段駕駛行為生態(tài)特性作為特征標(biāo)簽，選取1.2節(jié)中影響排放的主要指標(biāo)作為樣本特征.將201組有效片段按照3 ∶7的比例劃分為測(cè)試集和訓(xùn)練集數(shù)據(jù)，依托邏輯回歸、樸素貝葉斯、神經(jīng)網(wǎng)絡(luò)、支持向量機(jī)和決策樹這5種機(jī)器學(xué)習(xí)算法，建立生態(tài)駕駛行為辨別模型.其中：神經(jīng)網(wǎng)絡(luò)包含了基于修正線性單元激活函數(shù)(relu)、雙曲正切激活函數(shù)(tanh)、sigmoid激活函數(shù)(sigmoid)以及對(duì)數(shù)激活函數(shù)(softplus)的4種算法；支持向量機(jī)包含了基于線性核函數(shù)(linear)、徑向基核函數(shù)(rbf)、sigmoid核函數(shù)(sigmoid)及多項(xiàng)式核函數(shù)(poly)的4種算法；決策樹包含了基于基尼指數(shù)(gini)和熵(entropy)的2種算法.以基于CO2排放因子得出的生態(tài)駕駛行為為例，對(duì)各模型參數(shù)進(jìn)行調(diào)整，尋找生態(tài)駕駛行為辨別準(zhǔn)確率最佳的機(jī)器學(xué)習(xí)分類模型，機(jī)器學(xué)習(xí)模型參數(shù)調(diào)整及準(zhǔn)確率如圖6所示，其中：Ad為辨別準(zhǔn)確率；α為拉普拉斯平滑系數(shù)；N為迭代次數(shù)；C為懲罰項(xiàng)系數(shù)；hmax為最大數(shù)深度.

圖6 機(jī)器學(xué)習(xí)模型參數(shù)調(diào)整及準(zhǔn)確率

在邏輯回歸模型(圖6a)中，使用L1正則化比L2正則化效果好，當(dāng)懲罰項(xiàng)系數(shù)C大于0.8時(shí)，模型逐漸收斂，訓(xùn)練集及測(cè)試集準(zhǔn)確率平均值最大為86.00%.在樸素貝葉斯模型(圖6b)中，當(dāng)拉普拉斯平滑系數(shù)為0時(shí)，多項(xiàng)式和伯努利貝葉斯準(zhǔn)確率分別為64.42%和67.64%.在神經(jīng)網(wǎng)絡(luò)模型(圖6c)中，使用relu函數(shù)作為激活函數(shù)，準(zhǔn)確率最大為91.04%.在支持向量機(jī)模型(圖6d)中，使用線性核函數(shù)并且懲罰項(xiàng)系數(shù)為1.0時(shí)，準(zhǔn)確率為84.31%.而在決策樹模型(圖6e)中，當(dāng)最大數(shù)深度hmax=8時(shí)，模型效果最好，訓(xùn)練集及測(cè)試集平均準(zhǔn)確率最大為92.68%，最終使用基尼指數(shù)建立的決策樹模型準(zhǔn)確率可達(dá)94.00%.通過對(duì)比各模型準(zhǔn)確率，選取基于基尼指數(shù)的決策樹建立生態(tài)駕駛行為辨別模型，模型的分類結(jié)果如下:基于實(shí)測(cè)CO2排放因子分類為生態(tài)駕駛的有165個(gè)片段，用建立的辨別模型分類結(jié)果辨別為生態(tài)駕駛的有162個(gè)片段，非生態(tài)駕駛的有3個(gè)片段; 基于實(shí)測(cè)CO2排放因子分類為非生態(tài)駕駛的有36個(gè)片段，用建立的辨別模型分類結(jié)果辨別為生態(tài)駕駛的有9個(gè)片段，非生態(tài)駕駛的有27個(gè)片段.

4 結(jié) 論

1) 當(dāng)?shù)缆方煌ㄚ呌陲柡蜖顟B(tài)或者強(qiáng)制狀態(tài)時(shí)，駕駛員駕駛行為會(huì)發(fā)生顯著變化.駕駛行為的改變導(dǎo)致了車輛工況變化，從而使得排放因子在飽和流和強(qiáng)制流時(shí)有顯著的增加.

2) 不僅駕駛操作強(qiáng)度對(duì)機(jī)動(dòng)車污染物排放會(huì)產(chǎn)生影響，駕駛模式轉(zhuǎn)移頻度及駕駛狀態(tài)持續(xù)長度都會(huì)對(duì)污染物排放產(chǎn)生不同程度的影響.因此，為減少機(jī)動(dòng)車尾氣排放，可以從減少加減速強(qiáng)度、加速狀態(tài)持續(xù)時(shí)間，以及駕駛模式轉(zhuǎn)移頻度角度出發(fā)，尋找改善駕駛行為途徑.

3) 利用決策樹建立辨別生態(tài)駕駛行為的模型，具有良好的準(zhǔn)確性，可以基于建立模型，在識(shí)別非生態(tài)駕駛行為的基礎(chǔ)上，開發(fā)實(shí)時(shí)生態(tài)駕駛誘導(dǎo)系統(tǒng)，助力生態(tài)駕駛的發(fā)展.

4) 以減排為導(dǎo)向，通過實(shí)測(cè)排放及駕駛行為數(shù)據(jù)，探討了駕駛行為特性與排放的關(guān)聯(lián)關(guān)系，但是受到試驗(yàn)條件限制，結(jié)合可獲取數(shù)據(jù)，選取了有限的評(píng)價(jià)指標(biāo).只考慮了單車在不同交通流狀態(tài)下的指標(biāo)來描述駕駛行為多維度特性.今后將結(jié)合跟馳、換道等交通流模型，深入分析多車交互作用下駕駛行為特性與排放特征的關(guān)系.

5) 本研究中車載排放測(cè)試涉及的測(cè)試車輛、路線及測(cè)試駕駛員受到了試驗(yàn)條件限制，今后將進(jìn)一步拓展數(shù)據(jù)樣本，使得研究結(jié)果更具普適性，更好地服務(wù)于生態(tài)駕駛培訓(xùn)及輔助駕駛系統(tǒng)的開發(fā).