.png){kind=icon}
返回
Dimensionality Reduction-Based Multi-Step Optimization Method for Multi-Parameter Driving Cycles
.png){kind=icon}
PRE
AI
DOI：10.1177/03611981261437053.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
随着汽车节能与减排技术的进步，构建能够准确表征实际驾驶行为的多参数驾驶循环已成为车辆开发、性能评估和能源管理策略优化的关键。这些循环通常包含车辆速度、加速度和道路坡度等关键参数，能够全面描述车辆运行状态及外部环境。然而，构建此类多参数驾驶循环面临高维状态空间、复杂约束和高计算成本等挑战。为应对这些挑战，本研究提出了一种基于降维的多步优化方法，旨在显著降低建模复杂度并提升生成效率。该方法通过状态转换与条件约束的联合低维表示实现有效降维，建立融合分布一致性与统计特征的综合性评估框架，并采用多步遗传算法对循环序列进行高效迭代优化。验证结果表明，所提出的方法能够可靠生成高度代表性的多参数驾驶循环，在建模效率、序列生成速度和准确性方面较传统基准方法具有显著优势。该框架展现出良好的扩展性和适应性，为不同车型和驾驶场景下的多参数驾驶循环构建提供了有效解决方案。
Keyword:
multi-parameter driving cycles
dimensionality reduction modeling
state transition matrix
conditional constraint matrix
multi-step optimization
