摘 要：《營運客車燃料消耗量限值及測量方法》和《營運貨車燃料消耗量限值及測量方法》系列標準是加快我國營運車輛綠色低碳運輸管理所依據(jù)的重要標準。修訂兩項標準一方面結(jié)合國內(nèi)外汽車技術(shù)水平的迅速提升及道路運輸?shù)难该桶l(fā)展狀況，另一方面對促進實現(xiàn)交通運輸節(jié)能減排目標、緩解石油資源短缺、降低營運車輛的碳排放量等具有重大的現(xiàn)實意義。其中，適時調(diào)整試驗各類工況時間占比系數(shù)是兩標準修訂的重要部分，需結(jié)合我國當前的地理類型、道路交通規(guī)則、道路結(jié)構(gòu)等對實際行駛工況進一步研究分析。本文以營運貨車為例，基于各大主機廠車聯(lián)網(wǎng)平臺系統(tǒng)的數(shù)據(jù)采集來源，利用數(shù)據(jù)清洗、短行程篩選、數(shù)據(jù)規(guī)約和聚類等方法分析采集數(shù)據(jù)，能夠比較準確地反映營運車輛實際道路行駛特征。為營運車輛燃料消耗量各工況系數(shù)調(diào)整提供了技術(shù)方案和有力的數(shù)據(jù)支撐。

關(guān)鍵詞：營運車輛；行駛工況；燃料消耗量；降維；聚類

中圖分類號：U412 文獻標志碼：A 文章編號：1005-2550（2024）04-0047-07

Research on the Construction of Road Driving Conditions for Commercial Vehicles Based on Principal Component Analysis and Clustering

DU Yu-cheng， LI Hui-min， SONG Shang-bin， JIN Jie

（Research Institute of Highway Ministry of Transport， Beijing 100088， China）

Abstract： The series of standards “Limits and measurement methods of fuel consumption for commercial vehicle for passenger transportation” and “Limits and measurement methods of fuel consumption for commercial vehicle for cargos transportation” are important standards for accelerating the green and low-carbon transportation management of operating vehicles in China. The revision of the two standards combines the rapid improvement of domestic and foreign automotive technology and the rapid development of road transportation， and has significant practical significance in promoting the achievement of transportation energy conservation and emission reduction goals， alleviating oil resource shortages， and reducing carbon emissions from operating vehicles. Among them， timely adjustment of the proportion coefficient of various test conditions is an important part of the revision of the two standards. It is necessary to further study and analyze the actual driving conditions in combination with the current geographical types， road traffic rules， road structure， etc. in China. This article takes operational trucks as an example， based on the data collection sources of the vehicle networking platform systems of major host factories， and analyzes the collected data using methods such as data cleaning， short travel screening， data protocol， and clustering， which can accurately reflect the actual road driving characteristics of operational vehicles. This provides technical solutions and strong data support for adjusting the fuel consumption coefficients of operating vehicles under various operating conditions.

Key Words： Operational Vehicles; Driving Conditions; Fuel Consumption; Dimensionality Reduction; Clustering

《營運貨車輛燃料消耗量限值及測量方法》（JT/T 719-2016）與《營運客車輛燃料消耗量限值及測量方法》（JT/T 711-2016）標準發(fā)布至今已有7年多的時間。作為《道路運輸車輛燃料消耗量檢測和監(jiān)督管理辦法》（交通運輸部11號部令）的配套實施標準，是落實國家《節(jié)約能源法》的重要舉措，是引導(dǎo)運輸經(jīng)營者購買和使用節(jié)能車輛的重要方式，是控制高能耗、高排放的車輛進入營運市場的重要手段。通過標準的實施，促進了道路運輸車輛燃料消耗量管理要求的有效落地，全國道路運輸車輛節(jié)能減排效果明顯，自2017年以來，至2021年累計節(jié)油量達到632.2萬噸，二氧化碳減排量達到2041.6萬噸。對引領(lǐng)行業(yè)技術(shù)發(fā)展與道路運輸行業(yè)節(jié)能減排工作發(fā)揮了重要作用，經(jīng)濟效益和社會效益顯著。

當前，營運車輛燃料消耗量限值及測量方法系列標準，提出了適應(yīng)我國道路運輸車輛行駛工況的道路試驗測試方法。隨著道路運輸車輛制造水平的不斷發(fā)展，道路運輸行業(yè)運力結(jié)構(gòu)的不斷調(diào)整，以及道路等級等基礎(chǔ)設(shè)施的不斷建設(shè)。因此，營運車輛燃料消耗量測試評價技術(shù)一方面需要結(jié)合國內(nèi)車輛技術(shù)發(fā)展與運輸行業(yè)需求現(xiàn)狀，另一方面相同測試方法下，試驗各類工況時間占比系數(shù)，需要結(jié)合我國的地理類型、道路交通規(guī)則、道路結(jié)構(gòu)等運輸實際工況進一步研究分析。

本文針對道路運輸車輛行駛工況數(shù)據(jù)的量化分析問題，以營運貨車為例，依次對原始采集數(shù)據(jù)進行預(yù)處理和統(tǒng)計分析，提出道路試驗測試方法的各工況時間占比系數(shù)的修訂建議。同時，結(jié)合道路運輸車輛的實際交通情況，劃分短行程片段并篩選后構(gòu)建有效的數(shù)據(jù)模型，基于PCA（Principal Component Analysis）主成分分析法的運動片段特征值降維模型和K均值（K-means）的聚類模型，將上述模型按照順序串聯(lián)分析，提出營運貨車行駛工況的現(xiàn)狀與分析思考，為營運車輛燃料消耗量限值及測量方法系列標準修訂和行業(yè)檢測評價技術(shù)提供有力的技術(shù)支撐。

1 數(shù)據(jù)采集及來源

數(shù)據(jù)采集由各大主機廠車聯(lián)網(wǎng)平臺系統(tǒng)負責(zé)提供數(shù)據(jù)來源，從而充分保證了所需要采集數(shù)據(jù)的真實性和準確性。采集數(shù)據(jù)主要覆蓋了載貨汽車、牽引車輛、自卸和混凝土攪拌運輸車近一周時間內(nèi)的實際行駛狀態(tài)和工況的數(shù)據(jù)采集，因各大主機廠車聯(lián)網(wǎng)平臺采集方式及用途差異，采集頻率和特征數(shù)據(jù)也有所不同，將每次采集后所獲得的數(shù)據(jù)都被單獨地保存到一個相應(yīng)的文件夾中作為原始數(shù)據(jù)庫。原始數(shù)據(jù)庫中所需要獲得的主要數(shù)據(jù)形式如表1。

2 試驗數(shù)據(jù)預(yù)處理

與乘用車輛相比，營運貨車在實際行駛中面臨更多的變化和復(fù)雜的交通狀況。車輛在行駛時會受到多種因素的影響，這導(dǎo)致車輛的各種行駛參數(shù)也在不斷地變化。所收集到的數(shù)據(jù)主要涵蓋了速度、時間以及油耗等多個特性。在數(shù)據(jù)傳輸?shù)倪^程中，可能會因為多種因素導(dǎo)致數(shù)據(jù)出現(xiàn)異常的情況。如果直接依賴這些數(shù)據(jù)進行分析，會導(dǎo)致結(jié)果出現(xiàn)偏差。因此，在進行統(tǒng)計分析前，有必要對這些數(shù)據(jù)進行數(shù)據(jù)清洗。

對數(shù)據(jù)進行清洗完成之后的數(shù)據(jù)變換、規(guī)約等一系列操作，統(tǒng)一被稱為數(shù)據(jù)的預(yù)處理階段。數(shù)據(jù)變換指的是將數(shù)據(jù)轉(zhuǎn)化為適合分析任務(wù)的適當格式，例如將速度-時間數(shù)據(jù)轉(zhuǎn)化為短行程參數(shù)特征；在進行數(shù)據(jù)規(guī)約的過程中，采用主成分分析法來進行數(shù)據(jù)規(guī)約，同時用更少的主成分數(shù)據(jù)來替代多維特征參數(shù)數(shù)據(jù)進行聚類分析。本文使用Python的Numpy、Scipy、Pandas等數(shù)據(jù)庫進行數(shù)據(jù)的挖掘和分析。其中，數(shù)據(jù)分析主要依賴于Pandas庫的數(shù)據(jù)分析函數(shù)，而數(shù)據(jù)規(guī)約和聚類分析則主要依賴于Scikit-Learn庫的數(shù)據(jù)分析函數(shù)，這確保了數(shù)據(jù)處理過程的高效性。

2.1 原始采集數(shù)據(jù)清洗

由于收集數(shù)據(jù)量較大，因為數(shù)據(jù)傳輸信號，解碼錯誤以及其他各種原因難免會出現(xiàn)異常情況，造成數(shù)據(jù)質(zhì)量降低。如何有效地把這些非清潔數(shù)據(jù)轉(zhuǎn)化為高質(zhì)量數(shù)據(jù)則需要對其進行清洗，通常有以下方式進行數(shù)據(jù)處理：通過刪除缺失部分的記錄從而繼續(xù)沿用連續(xù)部分記錄、對缺失數(shù)據(jù)進行預(yù)測插補和對數(shù)據(jù)不進行處理[1]。

在數(shù)據(jù)清洗前，抽取了部分原始數(shù)據(jù)，發(fā)現(xiàn)原始數(shù)據(jù)中存在部分數(shù)據(jù)狀態(tài)屬于只通信未采集，表現(xiàn)情況為車速與瞬時油耗量均為0的情況，利用代碼data.info（）查看數(shù)據(jù)的缺失情況，各特征采集數(shù)據(jù)基本保證了數(shù)據(jù)的連續(xù)性，其缺失值占各樣本中的比例很小，故采用刪除缺失部分的記錄從而繼續(xù)沿用連續(xù)部分記錄不會造成數(shù)據(jù)質(zhì)量下降，也大大提升了數(shù)據(jù)清洗的效率。使用pandas庫函數(shù)進行缺失數(shù)據(jù)刪除，代碼data.dropna（axis=0，how=“any”）。

2.2 原始采集數(shù)據(jù)轉(zhuǎn)換

2.2.1 行駛工況的劃分

車輛在啟動開始到目的地停止這一過程中，受道路交通條件制約，會出現(xiàn)多次加速、減速、怠速、等速等運行現(xiàn)象。根據(jù)汽車行駛方式劃分原則定義了加速工況，減速工況，怠速工況及勻速工況，并依據(jù)這些行駛參數(shù)進行了行程工況計算[2]。

（1）加速工況：加速度大于或等于正加速度閾值時（閾值一般取為0.15m/s2）且速度不等于0的連續(xù)過程；

（2）減速工況：加速度小于等于負加速度的閾值時（閾值一般取為-0.15m/s2）且速度不等于0的連續(xù)過程；

（3）勻速工況：加速度的絕對值小于加速度閾值時（閾值一般取為0.15m/s2）且速度不等于0的連續(xù)過程；

（4）怠速工況：發(fā)動機工作，但車速為0的連續(xù)過程。

根據(jù)上述行駛工況的分類標準，本文對數(shù)據(jù)集采用pandas庫中的DataFrame數(shù)據(jù)結(jié)構(gòu)，以加速度、速度、發(fā)動機轉(zhuǎn)速等主要特征參數(shù)，作為工況判定條件來劃分行駛工況。

2.2.2 特征參數(shù)選取與計算

特征參數(shù)的選取可以真實地反映出每段行程的行駛特征，其中最為重要的是加速度、速度和發(fā)動機輸出功率參數(shù)，然而僅依靠這些是不足以描述行駛特征的。通過參數(shù)的轉(zhuǎn)換，能夠反映出原始數(shù)據(jù)中的各種交通信息，包含道路的交通狀況和司機的駕駛習(xí)慣等隱藏信息，使最終構(gòu)建的工況更符合汽車實際運行情況[3]。

由此，在評價代表性行駛工況時，通常使用一些特征參數(shù)來評估該工況，選取了20個最為典型的特征參數(shù)用以較為全面地描述和表征所有短片段，并將采集到的數(shù)據(jù)通過一定的公式轉(zhuǎn)化為特征參數(shù)，以同樣的方法用于短行程的評估分析中，使用不同的特征參數(shù)代表短行程，這些特征參數(shù)能夠體現(xiàn)該短行程的交通特征。具體參數(shù)如表2：

通過python編程將每個片段的多維特征參數(shù)進行計算，得到特征參數(shù)矩陣。其部分分析結(jié)果見下表3、4、5分別為載貨汽車、自卸和攪拌運輸車、牽引車輛所計算得出的值。

2.2.3 短行程片段數(shù)據(jù)篩選

從獲得的運動特征值矩陣可以看出，收集到的數(shù)據(jù)存在著一些速度突變造成加速度過大，怠速時間過長的短行程沒有表現(xiàn)交通特征等問題，這種做法明顯不盡合理，體現(xiàn)出篩選運動學(xué)片段的必要性。為確保用于工況構(gòu)建的短行程的有效性和合理性，以國家法規(guī)為基礎(chǔ)，結(jié)合我國車輛的實際運輸特征，并參考WLTP（Worldwide Harmonized Light Vehicle Test Procedure）的相關(guān)短行程篩選原則制定5條篩選規(guī)則[4]：

（1）加速度絕對值大于4m/s2；

（2）短行程片段怠速時間超過10min，截取有效平均時長60s計算；

（3）自卸車和混凝土攪拌運輸車怠速工況中，發(fā)動機轉(zhuǎn)速＞800r/min為作業(yè)工況，視為無效片段；

（4）最高時速低于3.6km/h的短行程片段；

（5）短行程片段持續(xù)時間低于10s。

基于上述篩選規(guī)則，提取的運動學(xué)片段總數(shù)量相較于篩選前基本保持不變，但各類工況占比系數(shù)發(fā)生變化，如表6?？煽闯龊Y選后整體怠速比例明顯下降，刪除了很多怠速時間過長和作業(yè)工況的無效片段，也導(dǎo)致了加速、減速、等速工況占比有所上升。根據(jù)以上操作，更能夠充分反映營運貨車實際工況特征，為營運貨車燃料消耗量各工況系數(shù)調(diào)整提供了技術(shù)方案與有力的數(shù)據(jù)支撐。

3 主成分分析法數(shù)據(jù)降維

經(jīng)過數(shù)據(jù)清洗、計算特征參數(shù)和短行程篩選后，為了對車輛行駛工況進行統(tǒng)計分類與數(shù)據(jù)挖掘，還需對短行程進行聚類分類。但當數(shù)據(jù)量過大會出現(xiàn)計算效率低，亦或變量間有一定相關(guān)性提供信息有一定重疊等問題都不宜直接聚類。降維是應(yīng)對高維數(shù)據(jù)的有效辦法，通過特征選擇法或維度轉(zhuǎn)換法將高維空間降低到或映射到低維空間[5]。

本文使用主成分分析PCA降維法以減少變量的數(shù)目，PCA是基于降維思想下產(chǎn)生的處理高維數(shù)據(jù)的方法[6]。將20維的數(shù)據(jù)降維至4維。

3.1 主成分分析實現(xiàn)

Stepl：計算協(xié)方差矩陣。主成分的計算可采用協(xié)方差矩陣或相關(guān)系數(shù)矩陣。Scikit-Learn中的PCA默認使用協(xié)方差矩陣Cp×p，協(xié)方差矩陣元素Cij為Xi和Xj的協(xié)方差；

主成分的計算可采用協(xié)方差矩陣或相關(guān)系數(shù)矩陣。

Step2：計算特征值和特征向量。所得的特征值按由大到小排列：λ1≥λ2≥...≥λp≥0。每個特征向量ξi為單位向量；

Step3：計算主成分貢獻率及累計貢獻率。主成分Yi值的大小體現(xiàn)了該成分對原有信息的貢獻率，其值越大，越具有代表性。貢獻率是指該主成分的方差占全部p個主成分方差中的比例。計算方法：

其中，ξij表示ξi的第j個變量。

3.2 主成分編碼實現(xiàn)

使用Python的Scikit-Learn庫中的主成分分析（PCA）相關(guān)函數(shù)進行數(shù)據(jù)模型編碼。PCA編碼：

from sklearn import preprocessing

df = pd.read_excel（r”./車輛匯總表.xlsx”）

Df = preprocessing.scale（df） # 數(shù)據(jù)標準化處理

covX = np.around（np.corrcoef（df.T），decimal=3）

# 求解協(xié)方差矩陣，保留3為小數(shù)

featValue， featVec = np.linalg.eig（covX， T）

featValue = sorted（featValue）[：：-1]

# 求解系數(shù)相關(guān)矩陣特征值和特征向量，特征值由高到低排序

gx = featValue/np.sum（featValue）

Lg = np.cumsum（gx）

# 求解特征值貢獻率及累計貢獻率

k = [i for i in range（len（lg）） if lg[i]≤0.80]

# 選出累計貢獻率小于0.8的主成分

selectVec = np.matrix（featValue.T[k]）.T

selectVec = selectVec*（-1）

# 構(gòu)建主成分載荷矩陣

3.3 主成分分析結(jié)果分析

圖1展示了碎石圖中各主要成分的特征值，這些特征值的數(shù)值反映了各主要成分間的方差貢獻率及重要性[7]。通過觀察碎石圖，可以清晰地識別出選擇的4個主要成分涵蓋了絕大部分的特征參數(shù)信息，從而達到降低試驗數(shù)據(jù)維度的目的。

從表7的特征累計貢獻率圖可以看出，前四個主要成分的累計貢獻率達到了80.306%，這已經(jīng)包括了所有基本特征。因此，使用PCA選擇的所有運動片段的前四個主成分的得分作為聚類分析的參數(shù)，能夠準確地反映數(shù)據(jù)的非線性特性。

圖2給出的是主成分載荷矩陣，該矩陣反映了各主成分與20個特征參數(shù)的相關(guān)性關(guān)系。可以得出，第一主成分包括：平均加速度、加速工況占比、減速工況占比、怠速工況占比、25以下速度占比、30速度占比、40速度占比；第二主成分包括：平均減速度、等速工況25以下速度占比；第三主成分包括：怠速工況占比、等速工況25以下速度占比、80速度占比、85以上速度占比；第四主成分包括：60速度占比、70速度占比。

4 聚類分析

為了進一步研究我國營運貨車實際行駛的路況與交通特征，需要對不同的短行程按照道路交通特征分類，將擁有相同交通特征的短行程分為一類。由于短行程沒有明確的類別標簽，因此采用聚類方法對其進行分類。聚類分析就是用一定方法將具有不同特征和特性的樣本劃分為若干個類，并在每個類內(nèi)部找出最相近的同類作為該組的代表[8]。

在數(shù)據(jù)分析領(lǐng)域，聚類被廣泛認為是一種關(guān)鍵的分類技術(shù)，它允許在沒有明確分類的前提下，基于數(shù)據(jù)的相似度來對樣本進行分類[9]。鑒于每一個短行程的具體類別都是未知的，因此選擇使用聚類技術(shù)來對其進行分類。為了實現(xiàn)數(shù)據(jù)的快速和高效聚類，本研究采用了Scikit-Learn庫中專為大量數(shù)據(jù)設(shè)計的K-Means聚類算法來處理短行程數(shù)據(jù)。

4.1 K-Means算法實現(xiàn)

Step1：隨機選取k個初始中心點；

Step2：計算每個點到中心點的距離，將點分到距離最近的中心點所在的簇中；

Step3：計算每個簇的平均值作為新的中心點；

Step4：重復(fù)過程Step2和Step3，直至中心點不再變化。

KMeans算法在sklearn.cluster包里有現(xiàn)成的函數(shù)，只需調(diào)用即可。函數(shù)及其參數(shù)如下：

主要參數(shù)選?。?/p>

n_clusters=3：聚類數(shù)目；

init=’K-Means++’：初始化方法{‘K- Means++’}；

max_iter=300：最大迭代次數(shù)；

n_init=10：初始質(zhì)心運行算法的次數(shù)；

algorithm=’auto’：根據(jù)數(shù)據(jù)值稀疏或稠密，自動選擇’full’或’elkan’。

4.2 K-Means算法結(jié)果分析

在聚類分析中，各類運動片段的數(shù)量如表8所示，聚類中心如表9所示，主要成分的特征值如表10所示。

根據(jù)圖2中聚類結(jié)果的可視化分析，可以將882個運動學(xué)片段分為三個不同的類別：第一類（由紫色點表示）包含243個片段，第二類（由綠色點表示）包含184個片段，而第三類（由黃色點表示）則包含455個片段。利用聚類中心表9和表10中的主要成分所對應(yīng)的特征值，對三種聚類后的動態(tài)片段進行了綜合描述：

第一類運動片段的第一、第二類主成分指標值偏低，第三、第四類成分指標值較高?？梢杂^察到，第一類的運動片段主要描述的是汽車在高速公路上的行駛狀態(tài)；此外，怠速時間占比以及部分低速占比稍高，這也與途徑收費站點排隊等待與低速行駛的現(xiàn)狀特征相匹配?？梢源_定出，第一類的運動片段描述的是在高速公路上的高速駕駛狀態(tài)。

第二類運動片段的一、二主成分指標最為突出。通過分析這些指標與運動特性，可以推斷這一類的運動片段反映了汽車在城市交通擁堵區(qū)域的緩慢行駛狀態(tài)，也可能是出現(xiàn)在節(jié)假日或者早晚高峰時間。

第三類運動片段的第一、二、三類主成分指標值較低，第四類主成分指標值為三類中最高。結(jié)合這些指標數(shù)據(jù)和運動特征，可以判斷第三類運動片段描述組要是在城郊路段，或者是在交通較為通暢的城區(qū)的行駛工況的中速行駛工況。

綜上分析可知，當前我國營運貨車多行駛于城郊和高速路段，市內(nèi)交通擁堵路段占比較小，這也與我國營運貨車實際行駛情況及車輛管理要求相匹配。下一步，結(jié)合營運貨車行駛數(shù)據(jù)統(tǒng)計與聚類分析研究，為主管部門對營運車輛技術(shù)管理要求以及《營運車輛燃料消耗量限值及測量方法》實際工況系數(shù)調(diào)整等工作，提供了技術(shù)方案與有力的數(shù)據(jù)支撐。

5 總結(jié)

行駛工況的構(gòu)建分析能夠有效評估營運車輛的燃油消耗量，從而促進營運車輛節(jié)能減排技術(shù)的發(fā)展。本文以課題“《營運車輛燃料消耗量限值及測量方法》（JTT 711-2016、JTT 719-2016）系列標準跟蹤”項目為依托，根據(jù)營運貨車分類和使用用途，對各大主機廠車聯(lián)網(wǎng)平臺系統(tǒng)中采集到的數(shù)據(jù)，分別對原始數(shù)據(jù)進行了數(shù)據(jù)清洗、數(shù)據(jù)轉(zhuǎn)換、數(shù)據(jù)篩選，根據(jù)統(tǒng)計學(xué)原理，并對特征參數(shù)數(shù)據(jù)降維和聚類劃分，為營運貨車燃料消耗量各工況系數(shù)調(diào)整提供了技術(shù)方案與有力的數(shù)據(jù)支撐。

參考文獻：

[1]張良均，王路，譚立云等．Python數(shù)據(jù)分析與挖掘?qū)崙?zhàn)[M]．北京：機械工業(yè)出版社，2016.

[2]劉明哲.基于運動學(xué)片段和分層聚類的汽車行駛工況構(gòu)建[J].內(nèi)蒙古農(nóng)業(yè)大學(xué)學(xué)報（自然科學(xué)版）， 2021，42（02）： 73-78.

[3]李加強，王洪榮，周建文，等.基于聚類分析法的公交車行駛工況構(gòu)建研究[J].汽車工程學(xué)報，2017，7（06）：400-406.

[4]Marotta A， Pavlovic J， Ciuffo B， et al. Gaseous Emissions from Light-Duty Vehicles： Moving from NEDC to the New WLTP Test Procedure[J].Environmental Science & Technology， 2015， 49（14）：8315-22.

[5]宋天龍.Python 數(shù)據(jù)分析與數(shù)據(jù)化運營[M]．北京：機械工業(yè)出版社，2017.

[6]Lim S. Nonlinear component analysis as a kernel eigenvalue problem[J]. 2011.

[7]范金城，梅長林．數(shù)據(jù)分析（第二版）[M]．北京：科學(xué)出版社，2010.

[8]孫駿，方濤，張炳力，李傲伽，朱鶴.基于改進K-均值聚類算法的合肥市電動客車行駛工況構(gòu)建[J].汽車技術(shù)，2020（08）：56-62.

[9]高建平，任德軒，郗建國.基于全局Ｋ·means聚類算法的汽車行駛工況構(gòu)建[J].河南理工大學(xué)學(xué)報（自然科學(xué)版），2019，38（1）：112-118.

杜宇程

現(xiàn)就職于交通運輸部公路科學(xué)研究院，任助理研究員，主要從事道路運輸車輛技術(shù)與管理工作，已發(fā)表文章數(shù)篇。

專家推薦語

汪祖國

國家汽車質(zhì)量檢驗檢測中心（襄陽）

整車試驗副總工程師 研究員級高級工程師

文章依托 “《營運車輛燃料消耗量限值及測量方法》系列標準跟蹤”項目，結(jié)合道路運輸車輛的實際交通情況，收集了各大主機廠車聯(lián)網(wǎng)平臺系統(tǒng)中的數(shù)據(jù)，以營運貨車為例，按不同車輛類型分別對原始數(shù)據(jù)進行了數(shù)據(jù)清洗、轉(zhuǎn)換和篩選，并根據(jù)統(tǒng)計學(xué)原理進行特征參數(shù)數(shù)據(jù)降維和聚類劃分，提出了道路試驗方法的各工況時間占比系數(shù)的修訂建議。相關(guān)研究對于營運車輛燃料消耗量限值及測量方法系列標準的修訂提供了較為重要的理論及數(shù)據(jù)支撐，對推動運輸行業(yè)節(jié)能減排戰(zhàn)略也具有一定的現(xiàn)實意義。