基于粒子群优化支持向量机算法的行驶工况识别及应用

基于粒子群优化支持向量机算法的行驶工况识别及应用
石琴;仇多洋;吴冰;李一鸣;刘炳姣
【摘要】实车采集4种典型行驶工况数据,采用随机数法提取并扩充行驶工况识别训练及测试样本,利用多元统计理论对数据进行处理,基于粒子群优化的支持向量机(PSO-SVM)算法来进行行驶工况识别,分析了识别周期及更新周期对行驶工况在线识别精度的影响.将行驶工况识别技术应用在插电式混合动力汽车的能量管理策略中.仿真结果表明,相对于未采用行驶工况识别技术以及采用传统SVM算法进行工况识别的能量管理策略,基于PSO-SVM算法工况识别的能量管理策略使整车燃油经济性分别提高9.836％和4.348％,并且电池荷电状态(SOC)变化相对平稳,有利于提高系统效率和延长电池寿命.
【期刊名称】《中国机械工程》
【年(卷),期】2018(029)015
【总页数】9页(P1875-1883)
【关键词】行驶工况识别;粒子群优化;支持向量机(SVM);插电式混合动力汽车【作者】石琴;仇多洋;吴冰;李一鸣;刘炳姣
【作者单位】合肥工业大学汽车与交通工程学院,合肥,230009;合肥工业大学汽车与交通工程学院,合肥,230009;合肥工业大学汽车与交通工程学院,合肥,230009;合肥工业大学汽车与交通工程学院,合肥,230009;合肥工业大学汽车与交通工程学院,合肥,230009
【正文语种】中文
【中图分类】U467
0 引言
在新能源汽车的研发过程中，行驶工况识别得到越来越广泛的应用。

对于混合动力汽车，在制定的能量管理策略中，如果能够识别当前行驶工况的特点，实时调整能量控制参数值，实现不同动力源之间功率分配最优，则可进一步提高整车燃油经济性［1-7］。

而对于纯电动汽车，准确识别出实时行驶工况类型，获得相应类型工况下电耗水平，有助于提高纯电动汽车剩余续驶里程估算的准确性［8-9］。

当前行驶工况识别方法大致可分为三类：①采用神经网络算法进行识别。

WANG 等［10］利用数理统计方法筛选出识别参数，并用学习向量量化（learning vector quantization，LVQ）神经网络算法进行行驶工况识别；JEON等［11］定义一系列特征参数来描述行驶工况，采用Hamming网络进行行驶工况识别；周楠等［12］应用竞争型神经网络算法确定实时行驶工况隶属的标准工况类型。

②采用模糊控制器进行识别。

田毅等［13］采用遗传算法优化的模糊控制器对广州和上海主干道行驶工况进行识别。

③利用聚类理论进行识别。

RAVEY等［14］将平均车速、停车次数、停车时间、加速度和减速度5个参数及其权重的乘积作为聚类参数，利用动态聚类理论判断实际行驶工况所属的标准工况类别；秦大同等［7］通过计算待识别工况与标准工况特征参数的欧几里得距离确认行驶工况所属类型；詹森等［3］利用遗传算法优化的K均值聚类算法进行行驶工况识别。

上述研究中，采用神经网络算法识别行驶工况时，训练过程中隐含层神经元个数存在不确定性，导致识别结果存在较大差异，很难得到最优识别模型；采用模糊控制器进行行驶工况识别时，隶属度函数大多根据经验选择，只有反复调试才可以提高识别精度；采用聚类理论进行行驶工况识别时，聚类中心初始值对识别结果影响较大，容易陷入局部最优解的情况，同时对输入参数的个数比较敏感。

支持向量机（support vector machine，SVM）是根据统计学习理论的VC理论
和结构风险最小化原则提出的一种针对有限样本情况的机器学习方法［15］，大
大简化了通常的分类和回归问题，且具有较好的鲁棒性。

SVM作为有监督的学习
理论，没有聚类理论中初始聚类中心的设置问题，同时避免了人工神经网络等理论的网络结构选择、过学习和欠学习等问题，可广泛用于模式识别。

为了提高SVM算法识别精度，本文将粒子群优化（particle swarm optimization，PSO）算法和SVM算法相结合，建立最优的行驶工况识别模型，分析了识别周期和更新周期对实时在线识别精度的影响；将行驶工况识别技术应用在插电式混合动力汽车的能量管理策略中，验证了行驶工况识别有助于整车实时最优控制，并提高了混合动力的汽车燃油经济性。

1 理论基础
1.1 支持向量机识别算法
SVM算法基本思想是：通过非线性映射将低维空间的输入数据映射到高维的特征
空间，使其成为线性可分，在高维空间求解最优判别函数，确定分类边界。

已知线性可分情况下训练样本集：{（xi，yi）}其中，xi∈Rn，yi∈{-1，+1}（i=1，2，…，l）。

利用最优分类超平面ωxi+b=0对样本进行分类，离最优分类超平面
最近的两类样本称之为支持向量。

支持向量与最优超平面之间的距离之和为根据结构风险最小化原则，应使该距离之和最大，因此求解最优超平面的问题转化为下述优化问题：
式中，ω为最优分类超平面的法向量；b为阈值，b∈R。

针对训练样本集大多数情况是线性不可分的，SVM引入非负松弛因子ξi，同时加
入惩罚系数C。

通过核函数进行非线性映射后，将上述目标函数变化为
使用Lagrange乘子法求解上述最小值问题。

建立Lagrange函数如下：
式中，αi为Lagrange乘子，是辅助非负变量。

分别对式（3）中的ω和b求偏导并置零，将结果代入式（3）可得到原问题的对偶问题：
求解上述对偶问题，得到最优的拉格朗日乘子进一步得到判别函数：
式中，x为测试样本。

定义K（xi，x）=(φ(xi))Tφ(x)为核函数，应用最广泛的核函数即高斯径向基函数：
式中，g为核函数宽度。

上述推导过程可以看出，惩罚系数C与核函数宽度g的取值是影响SVM识别性
能的主要因素，因此，若要提高识别精度，需确定最优惩罚系数C与核函数宽度
g的取值，通常是利用k-cv交叉验证法选择最优的C与g。

本文将C与g作为优化对象，以识别精度为适应度函数，利用粒子群优化算法寻找最优的C与g，建
立最优的行驶工况识别模型。

1.2 基于粒子群优化的SVM识别算法
粒子群优化（PSO）算法具有搜索机制简单，收敛速度快，运算量小等优点，且
能够减少和避免陷入局部最优解的情况。

利用基于PSO优化的SVM算法（简称PSO-SVM算法）寻找最优的C和g，可避免k-cv交叉验证法计算量大、精度不
高等问题，PSO-SVM算法流程见图1。

图1PSO-SVM算法流程Fig.1 PSO-SVM algorithm flow
PSO-SVM算法的基本步骤如下。

（1）设置种群粒子个数为m。

（2）初始化种群中各粒子的速度和位置，得到第1代种群u（1）=［u(1)1，
u(1)2 ，…，u(1)j，…，u(1)m］。

本文的搜索空间为2维，则每个粒子包含2个
变量。

并将各粒子的历史最优位置pbest设为初始位置，取粒子群全局最优位置gbest中的最优值。

（3）根据得到的种群，更新SVM算法中的惩罚系数C和核函数宽度g。

（4）利用训练样本训练SVM算法模型。

（5）利用测试样本测试SVM算法精度，即适应度函数值。

适应度函数值计算表
示式如下：
式中，Zrec为识别的工况类型；Zact为实际的工况类型；n为测试样本数量。

（6）更新粒子速度和位置，表达式分别如下：
式中，w为惯性权重；r1和r2为分布于区间［0，1］内的随机数；k为当前迭代次数，初始值为1；p(k)best为第k代个体最优粒子位置；g(k)best为第k代全
局最优粒子位置；c1、c2为常数；v为粒子速度；u为粒子位置。

进而得到k+1代种群的位置：
（7）计算更新后的每个粒子的适应度，并与之前经历过的最优位置pbest所对应的适应度比较，若当前位置更好，则将其当前位置作为该粒子的pbest。

（8）将每一个粒子的适应度与全体粒子所经历过的最优位置gbest比较，若当前位置更好，则更新gbest的值。

（9）检查终值条件，若精度满足预设条件，则停止迭代；若精度未满足预设条件，则返回步骤（3）；若超出最大迭代次数，同样停止迭代。

（10）输出最优解。

2 算法实例分析
2.1 数据采集
在行驶工况识别的研究中，诸多文献都定义了3类典型行驶工况［4，14，16］，即市区工况、郊区工况和高速公路工况。

但随着城市立体交通网络逐渐形成，高架桥数量逐渐增多。

而高架桥道路的行驶工况特点又有别于以上3类行驶工况，因
此本文定义4类典型行驶工况，每种工况特点如下：
（1）市区工况。

主要集中在城市中心地带，十字路口多，红绿灯多，车辆数目多，交通流量大，道路经常拥堵，车辆频繁启动，车速较低且停车间隙长，工况类型编号为1。

（2）郊区工况。

车辆常以中速行驶，停车次数较少且停车时间较短，由于限速，车速不会超过60 km/h，工况类型编号为2。

（3）高架桥工况。

车辆常以较高速行驶，双向分割行驶，在无行人或非机动车辆的工况下行驶，无交通信号灯，限速80 km/h，工况类型编号为3。

（4）高速公路工况。

与高架桥工况类似，区别在于出入口完全被控制，限制时速比高架桥工况的限速高，通常为120 km/h，工况类型编号为4。

为建立工况数据库，需大量采集符合以上4种工况特征的行驶工况数据。

本文以
典型中等城市合肥市为例，进行实车道路实验，采集4类典型行驶工况数据。

通
过整车CAN信号采集设备读取CAN信号中的车辆速度、运行时间、行驶里程等
信号，利用车辆综合性能记录仪将信号实时保存在车载电脑中，形成行驶工况数据库。

每类行驶工况的道路实验分别采集6 000组数据，每组数据时长为1 s。

对采集的数据进行预处理，对于个别缺失的数据利用插值方法补全，对于产生的奇异值作删除处理，处理后的各典型行驶工况数据见图2。

图2 典型行驶工况实验数据Fig.2 Experimental data of typical driving cycle 2.2 样本抽取
为使样本数量充足，保证识别精度，采用随机数法抽取工况样本，具体方法见图3。

抽取的样本数据80组，每组数据时长为1 s，即识别周期为80 s。

图3 样本抽取Fig.3 Sample extraction
图3中，ΔT为识别周期；Δω为更新周期；T为该类行驶工况数据总量；t0为样
本抽取的起始时刻。

每类行驶工况抽取400个样本，共计1 600个样本，抽取的
样本起始时刻的表达式如下：
式中，α为产生的随机数，α∈（0，1）。

2.3 样本特征分析
若要保证行驶工况识别的准确性，需确定足够且有效的工况识别输入参数，全面统计和分析工况特征，尤其市区工况行驶速度波动大，经常出现走走停停的状况，因此特征参数既要反映车辆运行快慢特性，又要反映速度波动特性。

根据文献［1，17］，本文定义14个特征参数描述各工况样本，见表1。

利用MATLAB编程分别求出各典型工况样本的特征参数值，得到样本数量n（行）×特征参数m（列）的矩阵，并按下式进行归一化处理：
式中，Xmax、Xmin分别为样本数据X的最大值和最小值。

表1 行驶工况特征参数Tab.1 Characteristic parameters of driving cycle序号
单位序号%%%%1 2 3 4 5 6 7参数加速比例Pa减速比例Pd匀速比例Pc怠速比例Pi平均速度vm平均运行速度vmr最大速度vmax 8 9 1 0 km/h km/h km/h 11 12 13 14参数最大加速度+amax最大减速度-amax速度标准偏差Δv加速度
标准偏差Δa累积行驶距离s平均加速度+am平均减速度-am单位m/s2 m/s2
km/h m/s2 m m/s2 m/s2
定义的14个特征参数之间存在相关性，会对识别模型造成负面干扰，降低识别精度。

而主成分分析能够很好地克服参数间的相关性，把多个指标转化为几个综合指标，因此对典型工况样本的特征参数应用主成分分析，得到14个主成分（用Mn 表示，n=1，2，…，14）。

各主成分的贡献率和累积贡献率见表2。

通常选取累计贡献率达到80%以上时所对应的主成分代表所有原始变量进行分析。

同时若主成分的特征值小于或等于1，说明该主成分包含的信息量少于或等于直接引入1个原变量的信息量，故选用主成分时，一般要求特征值大于1。

由表2可以看出，前3个主成分的特征值均大于1且累积贡献率达到了84.772%，因此选取前3个主成分作为PSO-SVM识别算法的输入参数。

各典型工况样本前3个主成分得分见图4。

表2 各主成分贡献率和累积贡献率Tab.2 The contribution rate and cumulative contribution rate of principal component主成分M1 M2 M3 M4 M5 M6 M7 M8 M9 M10 M11 M12 M13 M14特征值8.956 1.707 1.198 0.783 0.632 0.475 0.156 0.063 0.019 0.010 0.001 2.944×10-4 1.403×10-6
8.145×10-16贡献率（%）63.974 12.192 8.557 5.590 4.512 3.392 1.117
0.449 0.136 0.072 0.007 0.002 1.002×10-5 5.818×10-15累计贡献率（%）63.974 76.165 84.772 90.312 94.824 98.216 99.333 99.782 99.918 99.991 99.998 100.000 100.000 100.000
2.4 基于PSO-SVM算法的行驶工况识别模型
图4 各典型工况样本主成分得分Fig.4 The principal component scores of typical driving cycle sample
上述3个主成分作为PSO-SVM算法的输入参数。

从1 600个主成分得分样本中随机抽取80%作为训练样本，建立识别模型；剩下20%作为测试样本，验证识别
模型的精度。

粒子群算法种群规模设置为20，最大迭代次数为100。

将基于
PSO-SVM算法和基于k-cv交叉验证法建立的SVM识别算法进行比较，以评价PSO优化后的识别效果。

k-cv交叉验证法中将C、g分别取以2为底的指数离散值，即C∈{2-10，2-9，…，29，210}，g∈{2-10，2-9，…，29，210}，进行
网格寻优，分别取识别精度最高时所对应的C、g值作为最优值。

PSOSVM算法
的迭代过程和k-cv交叉验证法寻优过程分别见图5和图6。

图5 PSO-SVM算法的迭代过程Fig.5 The iteration process of PSO-SVM algorithm
图6 k-cv交叉验证法寻优过程Fig.6 The optimization process of cross validation based on k-cv
由图5可以看出，经过100次迭代，PSO-SVM算法寻得最优粒子时的识别精度
为93.125%，对应的最优粒子C=4.433，g=7.126。

而k-cv交叉验证法识别精
度最高为88.994%，对应的最优粒子C=0.25，g=16。

由此可见，基于PSO-SVM算法的行驶工况识别精度提高了4.131%。

两种算法的320个测试样本的识
别结果见图7，可以看出，两种情形下，高速公路工况的识别错误率最低，郊区工况的识别错误率最高。

而基于PSOSVM算法建立的识别模型在市区、郊区和高架桥工况的识别精度均高于k-cv交叉验证法的识别精度，而在高速公路工况下，2
种算法的识别精度接近。

图7 测试样本识别结果Fig.7 Test sample recognition results
3 识别周期及更新周期对行驶工况识别精度的影响分析
在识别模型的建立过程和在线应用中，识别周期ΔT和更新周期Δω存在不确定性。

ΔT的大小决定样本数据时长，进而决定样本所含信息量，ΔT过小，获得的工况
信息量较少，可信度降低；ΔT过大，无用的信息增多，不利于反映参数特征。

而Δω的大小决定工况信息更新的快慢，Δω过小，则计算量增加，对处理器要求提
高，且可能导致识别的工况频繁切换；Δω过大，则工况识别的灵敏度降低，不利于实时最优控制。

由此可知，选取合适的识别周期和更新周期是准确识别工况的保证。

本文分别选取ΔT=30 s、80 s、130 s、180 s抽取样本，应用PSO-SVM识别算法和基于k-cv交叉验证法的SVM识别算法建立识别模型，并以一段随机组
合行驶工况为例，分别考虑Δω=5 s、10 s、20 s时，对随机工况进行实时在线
识别，比较识别结果，并确定最优ΔT和Δω，随机行驶工况见图8。

篇幅限制，
只列举了ΔT=80 s、Δω=10 s时的情况，2种算法在线识别结果见图9。

根据式（7）对识别结果进行统计，其中PSO-SVM算法的识别精度达到了91.089%，
而基于k-cv的SVM算法的识别精度为83.168%，PSO-SVM算法的精度提高了7.921%。

图8 随机行驶工况Fig.8 Random driving cycle
图9 在Δ T=80 s、Δ ω=10 s时的在线识别结果Fig.9 Online recognition results when ΔT=80 s，Δ ω=10 s
通过一系列重复交叉试验来获取最优ΔT和Δω，2种算法下所有组合在线识别结
果见图10和图11，可以看出，PSO-SVM识别算法的精度普遍高于基于k-cv的SVM识别算法的精度。

ΔT增大时，PSO-SVM算法的识别精度均有所提高，但当ΔT进一步增大时，PSO-SVM算法的识别精度有下降的趋势，这也符合前文提及
的识别周期过小或过大均不利于实时在线识别的分析。

当ΔT=30 s和180 s时，
2种算法的识别精度均随Δω的增大而降低；当ΔT=80 s和130 s时，PSO-SVM算法的Δω取中间值10 s时，识别精度最高。

综合以上分析，在ΔT=80 s、Δω=10 s时，PSO-SVM算法的识别精度达到90%以上，可依据此确定ΔT和
Δω数值。

图10 PSO-SVM算法在线识别精度Fig.10 PSO-SVM algorithm online recognition results
图11 基于k-cv的SVM算法在线识别精度Fig.11 SVM algorithm online recognition results based on k-cv
4 行驶工况识别在混合动力汽车能量管理策略的应用分析
4.1 基于行驶工况识别的能量管理策略
行驶工况对混合动力汽车的燃油经济性有较大的影响［1］，因此为进一步提高整车燃油经济性，能量管理策略应根据当前行驶工况的特点，实时调整策略控制参数值，以实现不同动力源功率分配的实时最优。

等效燃油消耗最小策略（equivalent fuel consumption minimization strategy，ECMS）具有结构简单、运算量小、无需先验知识的优点，且通过引入惩罚函数，使得该策略具有良好的电量保持特性，可较好地适用于插电式混合动力汽车的电量保持阶段的能量管理，因此被广泛研究［18-19］。

ECMS控制思想是：根据整车的实际驾驶员需求功率，在发动机和电机的功率范
围内合理分配发动机和电机的实际输出功率，使得发动机瞬时燃油消耗率和电机消耗电量的等效燃油消耗率的总和最小，即
式中，(t)为t时刻系统总燃油消耗率；Ssoc（t）为t时刻电池荷电状态（SOC）
数值；Pm为电机的功率；HL为汽油质量热值常数；ηdis(t)、ηchg(t)分别为t时刻电池放电和充电的效率；φ为保持电池电量平衡的惩罚系数；λdis、λchg分别
为电机驱动和发电模式时放电等效因子和充电等效因子，其值与行驶工况类型有关，Star为目标SOC值；Shigh、Slow分别为SOC维持范围的上下限。

综上所述，若要将行驶工况识别应用到ECMS中，需提前获得各典型工况下ECMS最优充电等效因子和放电等效因子。

针对以上问题，以降低燃油消耗量为
优化目标，建立基于P2构型的某插电式混合动力汽车Simulink模型，整车构型
见图12，整车及能量管理策略顶层Simulink模块见图13，动力及传动系统参数
见表3。

图12 某插电式混合动力汽车整车构型Fig.12 Configuration of a plug-in hybrid electric vehicle
图13 整车及能量管理策略顶层模块Fig.13 Top-level module of vehicle and energy management strategy
利用Simulink模型描述充放电等效因子与目标参数之间的非线性关系，并采用智能优化算法获得各典型工况及综合工况下ECMS最优充电等效因子和放电等效因子，见表4。

表3 动力及传动系统参数Tab.3 Power and transmission system parameters 项目数值1 590 2.030 0.290 0.287 0.013 160 93 0.440～2.390 5.141 55 160 25 346整车参数发动机CVT变速器减速器ISG电机电池参数整备质量（kg）迎风面积（m2）风阻系数轮胎滚动半径（m）滚动阻力系数最大扭矩（N·m）最大功率（kW）传动比主减速比最大功率（kW）最大扭矩（N·m）电池最大容量（A·h）标称电压（V）
表4 各典型工况最佳充放电等效因子Tab.4 The optimal charge and discharge equivalent factor in the typical driving cycle工况类型市区工况郊区工况高架桥工况高速公路工况综合工况放电等效因子λdis 1.923 2.211 2.446 1.514 2.250充电等效因子λchg 1.659 2.348 2.825 3.537 1.830
4.2 基于行驶工况识别的ECMS仿真分析
为了对比分析，考虑3种情形，即未采用行驶工况识别的ECMS、基于k-cv的SVM行驶工况识别的ECMS及基于PSO-SVM算法行驶工况识别的ECMS（简称为模式一、模式二和模式三）。

将随机行驶工况在ΔT=80 s、Δω=10 s时的各识别结果序列导入Simulink整车模型中的能量管理策略模块内，利用Switch模块切换充放电等效因子数值。

仿真整车在电量保持阶段的性能，初始SOC值设定为
0.63，电池SOC值上下限分别为0.7和0.6。

仿真过程车速跟随情况见图14，可以看出，3种模式下的ECMS均满足车辆需求功率，实际车速与目标车速基本吻合，车速跟随误差较小。

图14 车速跟随情况Fig.14 Velocity following condition
图15 累积燃油消耗量Fig.15 Cumulative fuel consumption
图16 SOC变化曲线Fig.16 The curves of SOC
模式一～模式三时的累积燃油消耗量和SOC变化曲线分别见图15和图16。

分析图15可知，模式一时策略累积燃油消耗量为732 g，百公里油耗为5.343 L；模
式二时策略累积燃油消耗量为690 g，百公里油耗为5.042 L，相对于模式一，燃油经济性提高了5.634%；模式三时策略累积燃油消耗量为660 g，百公里油耗为4.817 L，相对于模式一，燃油经济性提高了9.836%，而相对于模式二亦提高了4.348%。

电池荷电状态（SOC）用参数Ssoc表示，其数值表示剩余电量占比，1表示电池充满电，0表示电池放完电。

由图16可知，3种模式下的SOC保持性能均较好，与目标SOC值偏差均在5%以内，但模式一时的电池SOC波动较大，充放电次数较多。

模式二与模式三时的SOC变化相对平稳，且电池充放电次数减少，有利于提高系统效率和延长电池寿命。

5 结论
（1）分析了合肥市交通特征与道路特征，分别在代表市区工况、郊区工况、高架桥工况和高速公路工况的道路进行实车实验，采集大量行驶工况数据。

定义了描述行驶工况特性的特征参数，利用多元统计理论对数据进行了处理，提取出可用于行驶工况识别的参数。

（2）建立基于粒子群优化的SVM识别算法，并通过实例分析可知，PSO-SVM
算法识别精度比基于k-cv交叉验证法的SVM算法的识别精度高。

讨论了行驶工
况识别过程中，识别周期和更新周期对识别精度的影响，结果表明在识别周期为
80 s、更新周期为10 s时，识别精度最高，但仍需进一步提高。

（3）将行驶工况识别技术应用到插电式混合动力汽车的能量管理策略中。

仿真结果表明，相对于未采用行驶工况识别及基于k-cv交叉验证法的SVM识别，PSO-SVM算法可有效提高整车燃油经济性，且电池SOC的波动相对平稳，可提高系
统效率。

【相关文献】
［1］石琴，仇多洋，周洁瑜.基于组合聚类法的行驶工况构建与精度分析［J］.汽车工程，2012，34（2）：164-169.SHI Qin，QIU Duoyang，ZHOU Jieyu.The Construction and Accuracy Analysis of Driving Cycle Based on Combinatorial Clustering Method［J］.Automotive Engineering，2012，34（2）：164-169.
［2］邓涛，卢任之，李亚南，等.基于LVQ工况识别的混合动力汽车自适应能量管理控制策略［J］.中国机械工程，2016，27（3）：420-425.DENG Tao，LU Renzhi，LI Yanan，et
al.Adaptive Energy Control Strategy of HEV Based on Driving Cycle Recognition by LVQ Algorithm［J］.China Mechanical Engineering，2016，27（3）：420-425.
［3］詹森，秦大同，曾育平.基于多循环工况的混合动力汽车参数优化研究［J］.汽车工程，2016，38（8）：922-928.ZHAN Sen，QIN Datong，ZENG Yuping，et al.A Study on the Parameter Optimization of Hybrid Electric Vehicle Based on Multiple Driving Cycles ［J］.Automotive Engineering，2016，38（8）：922-928.
［4］欧阳，周舟，唐国强，等.自适应路况的插电式混合动力汽车能量管理策略［J］.中国公路学报，2016，29（9）：152-158.OU Yang，ZHOU Zhou，TANG Guoqiang，et al.Control Strategy for Plug-in Hybrid Electric Vehicle Based on Self-adaptive Road Condition ［J］.China Journal of Highway and Transport，2016，29（9）：152-158.
［5］高建平，孙中博，张磊敏，等.基于实际工况的插电式混合动力公交车参数自适应控制策略研究［J］.西安交通大学学报，2017，51（7）：130-139.GAO Jianping，SUN Zhongbo，ZHANG Leimin，et al.Plug-in Hybrid Electric Bus Variable Parameter Control Strategy Considering Influence of Driving Cycle［J］.Journal of Xi'an Jiaotong University，2017，
51（7）：130-139.
［6］林歆悠，孙冬野.基于工况识别的混联式混合动力客车控制策略研究［J］.中国机械工程，2012，23（7）：869-874.LIN Xinyou，SUN Dongye.Development of Control Strategy for
a Series-parallel Hybrid Electric City Bus Based on Road Way Type Recognition［J］.China
Mechanical Engineering，2012，23（7）：869-874.
［7］秦大同，彭志远，刘永刚，等.基于工况识别的混合动力汽车动态能量管理策略［J］.中国机械工程，2014，25（11）：1550-1555.QIN Datong，PENG Zhiyuan，LIU Yonggang，et al.Dynamic Energy Management Strategy of HEV Based on Driving Pattern Recognition ［J］.China Mechanical Engineering，2014，25（11）：1550-1555.
［8］连静，郑宁安，周雅夫，等.基于电池荷电状态和行驶工况辨识的电动汽车续驶里程估算［J］.科学技术与工程，2016，16（13）：113-117.LIAN Jing，ZHENG Ning'an，ZHOU Yafu，et al.Driving RangeEstimation forElectricVehicles Based on Battery SOC and Driving Cycle Identification［J］.Science Technology&Engineering，2016，16（13）：113-117.
［9］刘伟龙，王丽芳，王立业.基于电动汽车工况识别预测的锂离子电池SOE估计［J］.电工技
术学报，2017，32（1）：18-25.LIU Weilong，WANG Lifang，WANG Liye.Estimation of State of Energy for Electric Vehicles Based on the Identification and Prediction of Driving Condition［J］.Transactions of China Electrotechnical Society，2017，32（1）：18-25. ［10］ WANG J，WANG Q N，ZENG X H，et al.Driving Cycle Recognition NeuralNetwork Algorithm Based on the Sliding Time Window for Hybrid Electric Vehicles
［J］.International Journal of Automotive Technology，2015，16（4）：685-695.
［11］ JEON S，JO S，PARK Y，et al.Mutimode Driving Control of a Parallel Hybrid Electric Vehicle Using Driving Condition Recognition［J］.Journal of Dynamics Systems，Measurement and Control，2008，124（1）：141-149.
［12］周楠，王庆年，曾小华.基于工况识别的HEV自适应能量管理算法［J］湖南大学学报（自
然科学版），2009，36（9）：37-41.ZHOU Nan，WANG Qingnian，ZENG
Xiaohua.Adaptive HEV Energy Management Algorithms Based on Drive Cycle Recognition ［J］.Journal of Hunan University（Natural Sciences），2009，36（9）：37-41.
［13］田毅，张欣，张良，等.神经网络工况识别的混合动力电动汽车模糊控制策略［J］控制理论与应用.2011，28（3）：363-369.TIAN Yi，ZHANG Xin，ZHANG Liang，et al.Fuzzy Control Strategy for Hybrid Electric Vehicle Based on Neural Network Identification of Driving Conditions［J］.Control Theory&Applications，2011，28（3）：363-369.
［14］ RAVEY A，BLUNIER B，LUKIC S，et，al.Control Strategy of Fuel Cell Hybrid Electric Vehicle Based on Driving Cycle Recognition［C］//Transportation Electrification Conference and Expo（ITEC）.Michigan：IEEE，2012：1-5.
［15］贺岩松，涂梨娥，徐中明，等.支持向量机在汽车加速车内声品质预测中的应用［J］.汽车
工程，2015，37（11）：1328-1333.HE Yansong，TU Li'e，XU Zhongming，et al.The Application of Support Vector Machine to the Prediction of Vehicle Interior Sound Quality During Acceleration［J］.Automotive Engineering，2015，37（11）：1328-1333.
［16］高建平，赵金宝，孙中博，等.基于工况识别的插电式混合动力公交车控制策略［J］.科学
技术与工程，2016，16（21）：99-105.GAO Jianping，ZHAO Jinbao，SUN Zhongbo，et al.Control Strategy of Plug-in Hybrid Electric Bus Based on Drive Cycle Recognition。