The Use of Neural Networks to Analyse Online Automobile Monitoring Data

Применение типичных ездовых циклов автомобилей (ездовых шаблонов, скоростных профилей) не ограничено только определением показателей топливной экономичности автомобилей или выбросов вредных веществ. В последнее время актуальным является использование цикла для определения разряда аккумуляторной батареи автомобиля с гибридной силовой установкой или электромобиля при его эксплуатации. Ездовой цикл представляет собой развернутую зависимость скорости автомобиля от времени или пройденного расстояния, причем эта зависимость состоит из повторяющихся похожих элементов – отдельных фаз движения. Задача такого скоростного профиля – максимально точно воспроизвести потенциальные условия использования автомобиля. Так как в реальных условиях эксплуатации колебания скорости автомобиля в процессе движения определяются сочетанием случайных факторов, среди которых – дорожная обстановка, технологические условия, квалификация и психоэмоциональное состояние водителя, погодные условия и многое другое. Поэтому для определения каких-либо нормативных показателей автомобилей, необходим цикл, полученный на основе статистической обработки данных о скоростных профилях, полученных при заданных условиях эксплуатации, например, городских. Полученные в результате описания реальных поездок автомобилей многомерные данные, служат базой для получения синтетических или искусственных ездовых циклов. Обычно это или так называемые микро-поездки (microtrips) [8] или отдельные фазы движения, представленные числовыми характеристиками. Основная сложность в получении таких циклов состоит в получении базы данных достаточного размера.

В рамках исследования, направленного на определение характеристик городского ездового цикла [1], [2], [3], [4] был получен большой объем экспериментальных данных скоростных профилей автомобиля. Значения скорости регистрировались с помощью адаптера OBD-2 и далее обрабатывались в программе «CycleSyn» [2], [4] с целью выделения отдельных фаз движения. Накопленная база скоростных профилей перед обработкой была упорядочена в зависимости от типичных условий совершения поездок по соответствующим папкам, которые программа обрабатывала в пакетном режиме. Результаты распознавания фаз сохранялись в текстовом формате с разделителями (табл. 1).

Кроме того, каждый тестовый файл содержал итоговые показатели поездок, рассчитанные «CycleSyn». Результаты представлены ниже.

При совершении поездок в городских условиях в рабочие дни недели установлены следующие показатели.

Средняя длина поездки – 3741,7 м.

Среднее число (ед.):

- Остановок – 7,0;

- Разгонов – 25,0;

- Торможений – 25,0;

- Установившегося движения – 6,0.

Время остановок в цикле – 259,4

Средняя техническая скорость – 23,9 км/час.

Эксплуатационная скорость – 16,4 км/час.

Среднее время установившегося движения – 36,6 сек.

Среднее время разгонов в цикле – 254,4 сек.

Среднее время торможений – 268,6 сек.

Поездки, совершенные в тех же условиях, но в период низкой интенсивности движения имеют следующие параметры:

Средняя длина поездки – 3919,6 м.

Среднее число (ед.):

- Остановок – 6,0;

- Разгонов – 25,0;

- Торможений – 24,0.

Установившегося движения – 11,0

Время остановок в цикле – 33,9 сек.

Средняя техническая скорость – 24,1 км/час.

Эксплуатационная скорость – 17,1 км/час.

Среднее время установившегося движения – 22,5 сек.

Среднее время разгонов в цикле – 9,2 сек.

Среднее время торможений – 14,6 сек.

Поездки, совершенные в городских условиях, но в пиковый период интенсивности движения:

Средняя длина поездки – 3375,4

Среднее число:

- Остановок – 8,0;

- Разгонов – 24,0;

- Торможений – 23,0.

Установившегося движения – 10,0

Время остановок в цикле – 30,1 сек.

Средняя техническая скорость – 22,5 км/час.

Эксплуатационная скорость – 15,2 км/час.

Среднее время установившегося движения – 5,9 сек.

Среднее время разгонов в цикле – 9,8 сек.

Среднее время торможений – 10,6 сек.

Как видно из данных, приведенных выше, несмотря на некоторые отличия имеют место и типичные закономерности в соотношениях отдельных фаз движения.

Анализ характеристик типичных фаз движения автомобиля может помочь установить их среднюю продолжительность. Импортированный в программу Stamm [5], [6] массив значений скорости был подвергнут статистической обработке (рис. 1). Для фаз движения с изменением скорости (разгон, торможение) установлено, что случайная величина длительности фазу подчиняется экспоненциальному закону распределения (рис. 1 – 5).

Рисунок 1 - Статистический анализ длительности динамических фаз движения

DOI:10.23670/IRJ.2022.126.8.2

Обращает на себя внимание тот факт, что распределение случайной величины продолжительности разгона практически идентично распределению продолжительности торможения (рис. 1 и рис. 2). Это отражают и характеристики закона распределения этих случайных величин (табл. 2 и 3).

Рисунок 2 - Распределение случайной величины длительности фазы разгона

DOI:10.23670/IRJ.2022.126.8.3

Число входов нейросети [7] проектируемой для распознавания отдельных фаз движения транспортных средств и их характеристик по данным онлайн-мониторинга автомобилей может быть установлено на основе максимальной длительности динамических фаз (разгон, торможение). Это время определено на основе статистического анализа данных ранее выполненных исследований ездовых циклов автомобилей и не превышает 50 секунд. Однако, учитывая экспоненциальный характер изменения плотности вероятности продолжительности отдельных фаз и возможность определения характеристик фаз за несколько прогонов, можно ограничиться половиной этой величины. Учитывая неравномерный характер изменения времени в отчетах формируемых системами ГНСС-мониторинга, целесообразно использовать связанные пары входов каждый нечетный вход значение скорости, а каждый четный соответствующее календарное время. В результате число входов проектируемой нейронной сети не превышает 100.

Характер поставленной для нейросети задачи предполагает, что достаточно использовать простой трехслойный перцептрон [12]. В этом случае для выбора количества нейронов в скрытом слое можно использовать правило геометрической пирамиды [10]. По этому правилу число нейронов скрытого слоя вычисляется по следующей формуле:

(1)

где k – число нейронов в скрытом слое,

n – число нейронов во входном слое,

m – число нейронов в выходном слое.

 Для нашего случая k = √100∙5 ≈ 22, учитывая тот факт, что количество скрытых нейронов должно составлять 2/3 размера входного слоя плюс размер выходного слоя k = 100 ∙ 2/3 + 5 = 72.

В случае недостаточной точности аппроксимации данных сетью с одним скрытым слоем используем четырехслойный перцептрон число нейронов в слоях вычисляется:

(2)

(3)

(4)

где k1 – число нейронов в первом скрытом слое;

k2 – число нейронов во втором скрытом слое.

Соответственно r = 2,714.

k1 = 5 ∙ 2,7142 = 36,84 ≈ 37.

k2 = 5 ∙ 2,714 = 13,57 ≈ 14.

Таким образом, для распознавания отдельных фаз движения транспортных предлагается использовать нейронную сеть прямого распространения с числом входов не более 100. При максимальном числе входов число скрытых слоев и элементов в каждом из них будет определяться конфигурацией сети и окончательно будет установлено в результате обучения и проверки трех и четырехслойных перцептронов. Предлагаемый в работе подход использования искусственной нейросети для выделения отдельных фаз движения существенно отличается от используемых при синтезе ездовых циклов современных методик [8], [9], [11], [14] так как позволяет более эффективно использовать, искаженные в результате ошибок определения координат с помощью ГНСС, скоростные профили.