一种用于构建代表性公交驾驶循环的混合MMAS-ABC算法：以意大利摩德纳市为例并与马尔可夫链蒙特卡洛方法比较

为解决标准化测试循环无法准确反映地区性真实驾驶模式的问题，本研究开发了一种新型混合算法MMAS-ABC（MAX-MIN蚁群系统与人工蜂群算法结合），用于生成意大利摩德纳市的公交驾驶循环。结果表明，该算法相比传统MCMC方法，在10个关键性能参数上的平均误差仅为0.76%，显著提升了驾驶循环的代表性，为车辆能耗和排放的精准评估提供了可靠基础。

　　

在全球能源消耗与温室气体排放中，交通运输业占据重要地位。国际能源署（IEA）报告指出，燃料燃烧产生的二氧化碳（CO₂）排放中有24%直接来自交通运输部门。尽管卡车和巴士在车辆总数中占比不足8%（不包括两轮和三轮车），但其道路运输排放贡献却超过35%。车辆的实际能耗和排放特性很大程度上取决于特定地区的独特驾驶行为，这些行为可通过驾驶循环（Driving Cycle）来表征。驾驶循环通常定义为随时间变化的车辆速度数据序列，反映特定地理区域的典型驾驶行为特征。然而，许多发展中国家缺乏针对本地区的驾驶循环，通常采用国际公认的标准化循环（如NEDC和WLTP）进行型式认证测试。但大量研究表明，实验室中使用这些标准循环进行的燃油效率评估往往过于乐观，导致官方测试结果与实际道路驾驶中的燃油消耗存在显著差异。

随着GPS轨迹数据的日益丰富，构建具有代表性的驾驶循环显得尤为重要。定制化的驾驶循环在需要标准化和可重复测试条件时至关重要，例如在准确评估车辆能耗、新车技术或交通政策，以及为动力总成仿真和设计任务提供高效的简化输入数据时。因此，开发本地化驾驶循环（如本研究）是进行预测建模和比较评估的关键步骤，这无法完全通过回顾性数据分析来解决。

在此背景下，研究人员针对意大利摩德纳（Modena）市的特定城市环境，开发了一个公交驾驶循环，以促进更可靠的区域燃油使用和排放评估。该研究采用了两类随机优化方法：成熟的马尔可夫链蒙特卡洛（MCMC）技术和一种新型混合元启发式算法（称为MMAS-ABC），即MAX-MIN蚁群系统（MMAS）与人工蜂群（ABC）算法的结合。据作者所知，这代表了MMAS与ABC算法的首次整合，是对计算智能领域的一个独特贡献。

为开展研究，作者选取了摩德纳市最受欢迎的公交线路“Linea 7”，利用搭载“GPS Logger”应用的安卓移动设备，以1 Hz采样率采集了10次完整行程的GPS数据，总行驶距离约76公里。数据经过预处理后，分别应用MCMC和混合MMAS-ABC方法生成驾驶循环，并通过10个关键性能参数（KPIs）、速度-加速度分布和总行程距离来严格评估生成循环的代表性。

研究的关键技术方法主要包括：1）基于GPS的原始数据采集与预处理，校正了零速漂移和异常值；2）利用MCMC方法构建状态转移概率矩阵，通过蒙特卡洛模拟生成候选驾驶循环；3）提出混合MMAS-ABC框架，其中ABC算法用于优化MMAS的关键参数（α, β, ρ, Q），以最小化表征循环与原始数据差异的成本函数（Cost Function），MMAS则基于优化参数生成驾驶循环；4）使用10个关键性能指标（包括平均速度v_a、平均行驶速度v_r、平均加速度a、平均减速度d、怠速时间百分比P_i、加速时间百分比P_a、巡航时间百分比P_c、减速时间百分比P_d、爬行时间百分比P_cr和均方根加速度RMS）进行验证。

4.1. 原始聚合驾驶数据的特征

对采集的10次行程数据分析表明，摩德纳公交驾驶呈现典型的城市模式：平均速度（v_a）为12.85 km/h，平均行驶速度（v_r）为18.96 km/h，存在大量怠速时间（P_i平均32.24%）。加速（P_a）和减速（P_d）相位分别约占25.56%和28.74%的时间，巡航（P_c）仅占8.02%，爬行（P_cr）时间极少（0.56%）。速度分布高度集中在0-5 km/h区间（37.71%），加速度分布则在0-0.5 m/s2区间出现峰值（47.92%），体现了频繁启停的 urban traffic特性。

4.2. 生成的驾驶循环特性

4.2.1. MCMC生成的驾驶循环

通过测试不同蒙特卡洛试验（MCT）次数，发现随着MCT增加（至100,000），平均误差逐渐降低至1.16%。因此选定该循环作为MCMC方法的代表循环。其速度-时间曲线呈现出预期的 urban driving波动模式。

4.2.2. 混合MMAS-ABC生成的驾驶循环

研究首先揭示了MMAS参数（如Q）的敏感性——其取值显著影响生成循环的误差（可在13.85%到39.74%之间波动）。这凸显了参数优化的必要性。ABC算法在定义的搜索空间（α∈[0.1,5.0], β∈[0.1,5.0], ρ∈[0.01,1.0], Q∈[1,1000]）内，经过25个循环的优化，收敛至一组最优参数：α=0.1, β=0.98, ρ=0.01, Q=200。使用该参数集运行的MMAS生成了Modena Bus Driving Cycle (MBDC)，其在10个KPI上的平均误差仅为0.76%，显著优于MCMC结果。其速度-时间曲线也很好地再现了原始数据的动态特征。

4.3. 性能评估与比较

对MCMC和MMAS-ABC生成循环的详细对比表明，混合方法在多数关键参数上更接近原始数据。例如，MMAS-ABC循环的v_a误差仅为0.44%（MCMC为1.71%），v_r误差为0.70%（MCMC为1.87%），加速度a误差为0.26%（MCMC为1.30%）。虽然在减速度d上MCMC略优（1.52% vs 1.86%），但MMAS-ABC在RMS加速度（0.13% vs 0.19%）和巡航时间P_c（0.87% vs 2.04%）等方面表现更好。速度与加速度分布对比也证实了MMAS-ABC循环在整体形态和关键特征点上与原始数据的高度一致性。

4.4. 计算成本分析

MCMC方法生成最精确循环（100,000次试验）耗时约1008秒（17分钟）。MMAS核心算法在优化参数下，使用50只蚂蚁和100次迭代生成代表循环仅需153秒，显示出良好的计算效率。但需注意，整个MMAS-ABC优化过程（参数调优）耗时约9小时，这是一次性的前期投资，换取的是后续高效且准确的循环生成能力。

4.5. 参数敏感性与对比分析

参数敏感性分析表明，MMAS性能对参数β（启发式信息权重）尤其敏感，轻微偏离最优值即可导致误差大幅上升。α、ρ、Q也表现出相当的敏感性。与文献中常用参数集的对比进一步证明，直接套用他人参数可能效果不佳（误差可达28.30%甚至79.88%），凸显了本研究采用ABC进行问题特异性参数优化的必要性和优越性。分析还指出，核心参数的选择对最终精度的影响远大于单次MMAS运行的计算投入（蚂蚁和迭代次数）。

4.6. 与标准化驾驶循环的基准测试

将MBDC与来自香港、芬兰埃斯波、越南河内、印度金奈、中国福州和上海等其他城市的公交驾驶循环进行比较，发现其参数（如v_a=12.79 km/h, P_i=32.06%）存在显著差异。这强调了 localized驾驶循环的重要性，因为标准化循环或其他城市的循环可能无法充分反映特定本地环境（如摩德纳Linea 7线路的特定运营要求、交通信号等待时间、速度限制等）的独特运营要求和动态特性。

结论与意义

本研究成功为意大利摩德纳市开发了首个基于真实GPS数据的公交代表性驾驶循环（MBDC）。研究结果表明，虽然传统的MCMC方法能够生成具有代表性的驾驶循环（平均误差1.16%），但新提出的混合MMAS-ABC算法表现更优，实现了更高的精度（平均误差0.76%）。

该研究的核心贡献在于：1）开发了针对摩德纳城市公交线路的区域特异性驾驶循环；2）提出了一种新颖的混合MMAS-ABC方法论，为驾驶循环生成提供了更强大、更准确的框架；3）基于真实世界GPS数据，确保了循环能够准确捕捉城市交通典型的启停动力学、速度分布和加速度模式；4）所采用的方法论框架具有可转移性，可适用于为其他区域合成驾驶循环。

这项研究的意义在于，生成的MBDC为未来本地化的车辆能耗和排放研究提供了更精确的基础。精确的驾驶循环对于电动汽车的续航里程预测、混合动力系统的能量管理策略优化、排放控制技术的评估以及城市交通政策的制定都至关重要。混合MMAS-ABC算法作为一种有效的计算智能工具，不仅解决了驾驶循环生成这一特定问题，其框架也有潜力应用于其他需要复杂序列优化和参数调优的领域。论文发表在《Sustainable Cities and Society》期刊上。