A menetadatok mintavételezési sűrűségének hatása a menetciklusra
The effect of the sampling frequency of the driving data on the driving cycle
Keywords:
real traffic data, micro-trip method, driving cycle, urban bus route, /, valós menetadato, mikro-trip módszer, menetciklus, városi busz járaAbstract
The driving cycle describes the change in vehicle speed as a function of time and can typically be generated using statistical procedures based on actual driving data collected over a long period of time. In this paper, we examine how the data density affects the driving cycle, how it modifies the parameters describing the representativeness of the driving cycle. In the second part of the paper, we discuss a procedure that is suitable for producing a data set of driving data, which based on the long-term data series with lower data sampling frequency and the short-term data series having higher data sampling frequency. This data set is then used for creating a driving cycle, which satisfies the requirements of representativeness. By expanding the case of the given sample task, we make general formulations for dealing with problems of this kind.
Kivonat
A menetciklus az idő függvényében írja le a jármű sebességének változását és jellemzően hosszú távon gyűjtött valós menetadatok alapján statisztikai eljárások alkalmazásával állíthatjuk elő. Ebben a dolgozatban arra keressük a választ, hogy az adatsűrűség milyen hatással van a menetciklusra, hogyan módosítja a reprezentativitást leíró paramétereket. A dolgozat másik részében egy olyan eljárást tárgyalunk, amely alkalmas arra, hogy a hosszútávú, de ritkább mintavételezéssel készült adatsor és a rövidtávú, de sűrűbb mintavételezéssel készült adatsor felhasználásával olyan adathalmazt állít elő, amely a frekvenciát és az adatmennyiséget (időintervallumot) tekintve egyaránt kielégíti a reprezentatív menetciklus elkészítésének követelményeit. Az adott mintafeladat esetét kiterjesztve általános megfogalmazásokat teszünk az ilyen jellegű problémák kezelésére.
References
D.Nemes, T. Pálfi, S. Hajdu. Vehicle Dynamic Simulation Possibilities Using AVL Cruise M. International Journal of Engineering and Management Sciences (IJEMS) Vol. 5. (2020). DOI: 10.21791/IJEMS.2020.2.35.
Dai, Z., Niemeier, D., Eisinger, D. (2008). Driving cycles: a new cycle-building method that better represents real-world emissions., https://www.academia.edu/26820568
Silvas, E. (2015). Integrated optimal design for hybrid electric vehicles. Doctor of Philosophy, Department of Mechanical Engineering, Eindhoven. https://research.tue.nl/files/8809090/20151130_Silvas.pdf
Delgado-Neira, O. F. (2012). Driving Cycle Properties and their Influence on Fuel Consumption and Emissions. Graduate Theses, Dissertations, and Problem Reports. 3568. https://researchrepository.wvu.edu/etd/3568
Lin, J, Niemeier, D. (2002). An exploratory analysis comparing a stochastic driving cycle to California’s regulatory cycle. Atmospheric Environment, 36, 5759-5770. https://doi.org/10.1016/S1352-2310(02)00695-7
Li, Y., Peng, J., He, H., Xie, S. (2017). The study on multi-scale prediction of future driving cycle based on Markov chain., Energy Procedia, 105, 3219–3224. https://doi.org/10.1016/j.egypro.2017.03.709
Vámosi, A., Czégé, L., Kocsis, I. (2022) “Development of Bus Driving Cycle for Debrecen on the Basis of Real-traffic Data”, Periodica Polytechnica Transportation Engineering, 50(2), pp. 184–190. https://doi.org/10.3311/PPtr.16109
Vámosi, A., Czégé, L., Kocsis, I.. Investigation the Effect of the Data Frequency on the Driving Cycle of an Urban Bus Route. Vehicle and Automotive Engineering 4. Select Proceedings of the 4th VAE2022, Miskolc, Hungary. DOI: 10.1007/978-3-031-15211-5_35
Ficzere, Péter ; Borbás, Lajos: Járműtrajektóriák definiálásához szükséges határértékek meghatározása klasszikus módszerekkel, ACTA PERIODICA (EDUTUS) 23 pp. 37-45. , 9 p. (2021)
Lakatos, I., Szauter, F., Pup, D.: Alternatív hajtású autóbuszok nagyvárosi közösségi közlekedésben, Műszaki Szemle 74/2019