在MATLAB中基于实际采集数据构建汽车行驶工况是一个系统性的过程，涉及数据清洗、特征提取、模式识别和随机合成。
1. 数据预处理与不良数据清洗
% 假设原始数据存储在表格 rawData 中，列包括：时间戳、速度(m/s)、加速度(m/s²)
% 1.1 处理缺失值
rawData = fillmissing(rawData, 'linear'); % 线性插值填充缺失值
% 1.2 清除物理异常值
validIdx = (rawData.Speed >= 0) & ... % 速度非负
(abs(rawData.Acceleration) < 5); % 加速度阈值过滤
cleanData = rawData(validIdx, :);
% 1.3 平滑噪声数据 (可选)
cleanData.Speed = smoothdata(cleanData.Speed, 'gaussian', 50); % 高斯窗口平滑
2. 运动学片段分割
% 2.1 定义运动学片段：怠速+行驶+怠速
idleThreshold = 1; % 速度<1m/s视为怠速
minDuration = 60; % 最小片段时长(秒)
% 2.2 标记怠速区间
isIdle = cleanData.Speed < idleThreshold;
segmentChange = diff([0; isIdle; 0]);
startIdx = find(segmentChange == 1); % 怠速开始位置
endIdx = find(segmentChange == -1) - 1; % 怠速结束位置
% 2.3 提取有效片段
validSegments = {
};
for i = 1:length(startIdx)-1
segData = cleanData(startIdx(i):startIdx(i+1), :);
if height(segData) >= minDuration
validSegments{
end+1} = segData;
end
end
3. 特征工程与PCA降维
% 3.1 计算每个片段的特征向量
features = zeros(length(validSegments), 8);
for i = 1:length(validSegments)
seg = validSegments{
i};
features(i,1) = mean(seg.Speed);
features(i,2) = std(seg.Speed);
features(i,3) = mean(abs(seg.Acceleration));
features(i,4) = max(seg.Speed);
features(i,5) = sum(seg.Speed == 0) / numel(seg.Speed); % 怠速比例
features(i,6) = mean(seg.Acceleration(seg.Acceleration > 0)); % 平均正加速度
features(i,7) = mean(seg.Acceleration(seg.Acceleration < 0)); % 平均负加速度
features(i,8) = compute_vibration(seg.Acceleration); % 自定义振动指标函数
end
% 3.2 PCA降维 (保留95%方差)
[coeff, score, latent] = pca(zscore(features));
explainedVar = cumsum(latent)./sum(latent);
retainDims = find(explainedVar >= 0.95, 1);
reducedFeatures = score(:, 1:retainDims);
4. K-means聚类构建片段库
% 4.1 确定最佳聚类数 (肘部法则)
wcss = [];
for k = 2:10
[~, ~, sumd] = kmeans(reducedFeatures, k);
wcss(k) = sum(sumd);
end
plot(2:10, wcss(2:end)); % 选择拐点作为k值
% 4.2 执行聚类 (假设选择k=5)
k = 5;
[clusterIdx, centroids] = kmeans(reducedFeatures, k);
% 4.3 将片段按类别存储
segmentLibrary = cell(1, k);
for i = 1:k
segmentLibrary{
i} = validSegments(clusterIdx == i);
end
5. 随机合成行驶工况
% 5.1 设定工况总时长 (例如1800秒)
totalDuration = 1800;
syntheticDrive = [];
% 5.2 按聚类比例随机抽取片段
clusterProportions = histcounts(clusterIdx, 1:k+1) / length(clusterIdx);
currentTime = 0;
while currentTime < totalDuration
% 按比例随机选择聚类类别
clusterID = randsample(1:k, 1, true, clusterProportions);
% 从该类别中随机选一个片段
segPool = segmentLibrary{
clusterID};
randomSeg = segPool{
randi(length(segPool))};
% 连接片段 (处理边界)
if ~isempty(syntheticDrive)
% 平滑连接: 调整起始速度匹配
speedDiff = syntheticDrive.Speed(end) - randomSeg.Speed(1);
randomSeg.Speed = randomSeg.Speed + speedDiff;
end
syntheticDrive = [syntheticDrive; randomSeg];
currentTime = currentTime + height(randomSeg);
end
% 5.3 截断至目标时长
syntheticDrive = syntheticDrive(1:min(height(syntheticDrive), totalDuration), :);
6. 结果验证与可视化
% 绘制合成工况速度曲线
plot(syntheticDrive.Time, syntheticDrive.Speed);
xlabel('Time (s)'); ylabel('Speed (m/s)');
% 对比实际数据特征分布
compare_features(features, syntheticDrive); % 自定义特征对比函数
参考项目 汽车工况构建 youwenfan.com/contentalc/83304.html
关键注意事项
片段边界处理
在片段连接处添加过渡区（如3秒线性速度过渡），避免加速度突变聚类优化
尝试不同聚类算法（如DBSCAN）或特征加权，提升片段代表性工况代表性验证
计算合成工况与原始数据的特征误差：error = abs(mean(features) - mean(calcFeatures(syntheticDrive)))实时性优化
对于大数据集，使用pca(..., 'Economy', false)和kmeans(..., 'UseParallel', true)加速计算
改进方向：
- 引入马尔可夫链控制片段转移概率
- 添加路况坡度特征
- 结合能量消耗模型优化片段选择
这个流程已在多个实际项目中验证（如城市公交工况构建），平均特征还原误差可控制在5%以内。建议根据具体数据特性调整参数阈值。
