توسعه يك چرخه رانندگي براساس داده‌هاي ضبط‌ شده از يك خودروي هيبريد بنزيني- الكتريكي در دو مسير از شهر تهران با الگوريتم ميانگين كي

Development of a Driving Cycle Based on Data Recorded from an Electric-Gasoline Hybrid Vehicle on Two Routes in Tehran City with K-means Algorithm

در اين مقاله، يك چرخه رانندگي براساس داده­هاي ضبط‌شده از يك خودروي هيبريد بنزيني الكتريكي در دو مسير شهر تهران با الگوريتم ميانگين كي (K-means) توسعه داده شده است. براي اين منظور، در دو مسير متفاوت در شهر تهران، داده­هاي سرعت و مكان جغرافيايي خودرو برحسب زمان با يك نرم­افزار تلفن همراه ضبط شد و نتايج آن با استفاده از داده­ها در نمايشگر خودرو، صحه­گذاري گرديد. در ادامه، با استفاده از الگوريتم ميانگين كي، دو چرخه رانندگي براي دو مسير فوق استخراج شد و مشخصه­هاي آنها با مشخصه­هاي كل داده­ها مقايسه گرديد. نتايج به‌دست‌آمده نشان داد كه براي نرم‌افزار توسعه‌يافته، داده‌برداري از دقت و كيفيت مناسبي برخوردار است. چرخه­هاي رانندگي معرفي‌شده نهايي داراي خطاهاي نسبي كمتر از 10 درصد هستند كه نشان از انتخاب مناسب آنها در كلان داده ضبط‌شده مي‌باشند. همچنين، در مقايسه با چرخه‌هاي توليدشده با خودروهاي بنزيني در شهر تهران مي‌توان ادعا كرد كه بيش از آن‌كه نوع وسيله نقليه بر وضعيت حركت خودرو مؤثر باشد فرهنگ رانندگي و نيز ناهمواري‌هاي جاده در اين شهر تأثيرگذار هستند؛ زيرا اين چرخه‌ها همگي اعدادي بيش از 80 درصد و حدود 30 كيلومتر بر ساعت را به‌ترتيب براي درصد زمان رانندگي و ميانگين سرعت سفر ثبت كرده‌اند. نكته جالب ديگر به‌دست‌آمده از تحليل كلان داده ضبط‌شده، اين است كه با توجه به درصد زمان توقف چرخه‌ها كه همگي كمتر 20 درصد هستند، رانندگان در تهران تمايل كمي به توقف دارند و لذا براي كنترل سرعت خودرو در ترافيك، نيازمند ايجاد تغييرات شديد در سرعت خودرو مي‌شوند كه همين اتفاق سبب ثبت انحراف حدود 40 واحد از ميانگين سرعت مي‌شود كه در مقايسه با ساير چرخه‌ها اندكي بيشتر است.

In this article, a driving cycle was developed based on acquired data from a hybrid gasoline-electric vehicle on two routes in Tehran city, using the K-mean algorithm. For this objective, speed data and the geographical locations of the vehicle were acquired with a mobile application and results were validated by data in the vehicle monitor on two different routes in Tehran city. Then, using the K-mean algorithm, two driving cycles were extracted and their characteristics compared to those of big data. Obtained results demonstrated that for the developed software, data acquisition was accurate and of appropriate quality. Final introduced driving cycles had relative errors below 10%, which indicated their appropriate selection from acquired big data. Moreover, compared to extracted cycles by gasoline vehicles in Tehran city, it could be claimed that the vehicle type had impact on vehicle driving; however, this impact was more related to the driving culture and the roughness of the roads in this city. This is because these cycles all record figure of more than 80% and approximately 30 km / h for the percentage of driving time and average travel speed, respectively. Another interesting result obtained from the analysis of big data is that the stop time in cycles was less than 10% and therefore, drivers in Tehran had low tendency to stop. Thus, for controlling the vehicle speed under traffic conditions, high variations in speed was needed. This led to approximately 40% of the variations from the average speed compared to other cycles, which were a little higher.