Tóm tắt Luận án Nghiên cứu xác định đặc trưng phát thải của xe buýt tại Hà Nội

uẩn là chu trình thử dạng chuyển tiếp của châu Âu, chu trình ETC-part 1 cho HDVs, gồm 600 điểm dữ liệu vận tốc theo thời gian với bƣớc thời gian 1 giây. Một trăm điểm 78 trong tổng số 600 điểm dữ liệu của ETC-part 1 đƣợc xóa để tạo khoảng trống một cách ngẫu nhiên. Sau đó, nghiên cứu này đã sử dụng 3 phƣơng pháp khác nhau để tìm lại các giá trị ở các vị trí tƣơng ứng trong khoảng trống dữ liệu, bao gồm các phƣơng pháp sau: - Phƣơng pháp nội suy spline bậc 3 đƣợc sử dụng trong nghiên cứu của Duran và cộng sự (2012); - Phƣơng pháp của Ivan Selesnick (2013); - Phƣơng pháp sử dụng công cụ có sẵn trong Matlab (hàm FillGap). Giá trị vận tốc tại các khoảng trống tính đƣợc theo 3 phƣơng pháp trên đã đƣợc so sánh với giá trị thực của bộ dữ liệu gốc. Toàn bộ thao tác trên đƣợc thực hiện trên phần mềm Matlab, từng bƣớc đƣợc minh họa trên Hình 3.3. a, Dữ liệu gốc của ETC-part1 79 b, Tạo các khoảng trống tín hiệu một cách ngẫu nhiên c, Bù dữ liệu vào khoảng trống 80 d, Sau khi bù dữ liệu vào khoảng trống Hình 3.3. Minh họa các bước thực hiện trên bộ dữ liệu gốc ETC-part1 Sử dụng thông số thống kê căn bậc hai của sai số toàn phƣơng trung bình (Root Mean Square Error, RMSE) để đánh giá độ lệch giữa giá trị ƣớc lƣợng và giá trị thực tại 100 điểm dữ liệu đƣợc xử lý nhƣ Hình 3.3 đối với 3 phƣơng pháp cho thấy RMSE của phƣơng pháp sử dụng hàm FillGap cao nhất (RMSE = 0,6 km/h), tiếp theo là RMSE của phƣơng pháp của Duran và cộng sự (RMSE = 0,4 km/h), thấp nhất là kết quả xử lý theo phƣơng pháp của Ivan Selesnick (RMSE = 0,2 km/h). Minh họa độ lệch giữa giá trị thực và giá trị đƣợc ƣớc lƣợng bằng 3 phƣơng pháp tại 100 điểm dữ liệu đƣợc tạo khoảng trống nhƣ Hình 3.4. 81 Hình 3.4. Độ lệch giữa giá trị thực và giá trị ước lượng Nhƣ vậy, có thể thấy hàm xử lý khoảng trống tín hiệu theo phƣơng pháp của Ivan Selesnick xây dựng có khả năng xử lý khá tốt các khoảng trống tín hiệu trong dữ liệu GPS. Ý tƣởng nhận dạng các điểm dữ liệu dị biệt, các điểm dữ liệu bằng không bị lỗi; sau đó xóa bỏ chúng để tạo ra các khoảng trống tín hiệu tại vị trí đó và bổ sung giá trị vào khoảng trống đó theo phƣơng pháp bổ sung khoảng trống tín hiệu của Ivan Selesnick là một ý tƣởng mới đã đƣợc đề xuất và sử dụng trong luận án này. 3.1.2.3. Dữ liệu GPS đã được xử lý Kết quả xử lý dữ liệu GPS theo quy trình đã đƣợc thiết kế ở trên (Hình 3.2) nhƣ sau: Hình 3.5. Đồ thị vận tốc – thời gian của dữ liệu thô và dữ liệu đã qua xử lý Pick vận tốc 82 Trên Hình 3.5, chúng ta cũng có thể thấy rõ các điểm dữ liệu bất thƣờng trong bộ dữ liệu gốc. Trong “trip” hành trình này, mặc dù các pick vận tốc không vƣợt quá giới hạn (Vlimit = 60km/h) nhƣng nó vẫn có sự đột biến khi so sánh với các giá trị vận tốc liền kề nó. Vì vậy, mặc dù bƣớc lọc các giá trị vận tốc dị biệt không xử lý đến các điểm dữ liệu này, nhƣng các điểm dữ liệu này tiếp tục đƣợc xử lý nhờ bƣớc lọc các giá trị gia tốc dị biệt. Qua đó có thể thấy bộ lọc xử lý dữ liệu đƣợc thiết kế khá chặt chẽ để có thể phát hiện và xử lý các sai số trong dữ liệu thô. Thống kê tỷ lệ phần trăm các lỗi trên 317 bộ dữ liệu thô nhƣ Bảng 3.1. Bảng 3.1. Kết quả lọc dữ liệu GPS Loại lỗi Trung bình (%) Trung vị (%) Độ lệch chuẩn (%) Sai về thời gian 1,08e-04 0 0,002 Vận tốc dị biệt 0,015 0 0,036 Sự trôi của các giá trị v = 0 3,181 1,041 3,641 Các giá trị v = 0 bị lỗi (v = 0 giả) 0,163 0,139 0,104 Khoảng trống tín hiệu 2,537 1,824 1,270 Gia tốc dị biệt 1,143 0,918 0,798 Ghi chú: Các giá trị trong bảng trên được tính dựa trên 317 kết quả xử lý dữ liệu độc lập tương ứng với 317 trip dữ liệu lái ngoài thực tế được đưa vào quá trình lọc. Kết quả trong Bảng 3.1 cho thấy các điểm dữ liệu đã đƣợc loại bỏ/thay thế hoặc bổ sung chiếm trung bình khoảng 7% trong tổng số các điểm dữ liệu đã đƣợc qua các bƣớc lọc từ bƣớc 3 đến bƣớc 8. Trong đó, lỗi do sự trôi của các giá trị v = 0 km/h là cao nhất (chiếm ~ 3,18% trong toàn tập dữ liệu). Tiếp theo là lỗi do mất tín hiệu đột ngột (chiếm ~ 2,54%), điều đó cho thấy tín hiệu GPS thu nhận đƣợc cũng hay bị gián đoạn. Hiệu quả của bộ lọc Kalman đƣợc sử dụng trong bƣớc cuối cùng của quy trình tiền xử lý dữ liệu đã đƣợc đánh giá thông qua việc tính toán một số thông số thống kê mô tả dữ liệu của một “trip” hành trình bất kỳ trƣớc và sau khi xử lý trong hai trƣờng hợp có sử dụng và không sử dụng bộ lọc Kalman (Bảng 3.2). 83 Bảng 3.2. Một số thông số thống kê mô tả của dữ liệu trước và sau khi qua bộ lọc Kalman Thông số Dữ liệu thô Dữ liệu sau khi xử lý Không sử dụng bộ lọc Kalman Có sử dụng bộ lọc Kalman Độ lệch chuẩn của vận tốc (km/h) 10,94 10,86 10,71 Phân vị 95th của vận tốc (km/h) 37 37 36,4 Hình 3.6 biểu diễn kết quả xử lý của bộ lọc Kalman trên một phân đoạn dữ liệu của một “trip” đƣợc lựa chọn ngẫu nhiên. Hình 3.6. Kết quả làm trơn và khử nhiễu của bộ lọc Kalman Kết quả trong Bảng 3.2 và Hình 3.6 cho thấy bộ lọc Kalman có vai trò rất quan trọng nhƣ là công đoạn cuối cùng để làm trơn dữ liệu, khử các nhiễu còn lại. Trƣờng hợp có sử dụng và không sử dụng bộ lọc Kalman đều cho giá trị độ lệch chuẩn của vận tốc nhỏ hơn dữ liệu ban đầu. Tuy nhiên, khi sử dụng bộ lọc Kalman thì kết quả xử lý tốt hơn, độ lệch chuẩn của các giá trị vận tốc nhỏ nhất. Phân vị 95th của vận tốc trong các trƣờng hợp cũng khá tƣơng đồng. Nhƣ vậy, bộ lọc dữ liệu đã đƣợc thiết kế khá chặt chẽ. Các thông số đặc trƣng của hoạt động lái ngoài thực tế đƣợc xác định dựa trên bộ dữ liệu thô và dữ liệu đã qua xử lý nhƣ Bảng 3.3. Do dữ liệu thô tồn tại nhiều sai số ngẫu nhiên, nên độ lệch chuẩn của tất cả các thông số đặc trƣng trong dữ liệu thô đều lớn hơn độ lệch chuẩn của các thông số tƣơng 84 ứng trong dữ liệu đã qua xử lý nhƣ trong Bảng 3.3. So sánh sự phân bố tần suất gia tốc – vận tốc của bộ dữ liệu thô và bộ dữ liệu đã qua xử lý đƣợc thể hiện trên Hình 3.7. Hình 3.7. Phân bố tần suất gia tốc – vận tốc của dữ liệu trước và sau khi xử lý (Chú thích: Hình được minh họa với độ phân giải của vận tốc và gia tốc tương ứng là 5 km/h và 0,5 m/s 2 ) Nhƣ trên Hình 3.7, chúng ta có thể thấy sự phân bố tần suất gia tốc – vận tốc của dữ liệu thô và dữ liệu đã qua xử lý có hình dáng khá tƣơng đồng. Điều đó cho thấy bộ lọc đã đƣợc thiết kế để có thể bảo toàn hình dáng của dữ liệu gốc trong khi đã bổ sung đƣợc các điểm dữ liệu bị thiếu, thay thế các giá trị dị biệt, làm trơn dữ liệu và giảm thiểu nhiễu. 85 Bảng 3.3. So sánh dữ liệu thô và dữ liệu đã qua xử lý thông qua một số thông số đặc trưng của chu trình lái Thông số đặc trƣng Dữ liệu thô Dữ liệu đã qua xử lý Trung bình Trung vị Độ lệch chuẩn Trung bình Trung vị Độ lệch chuẩn Vận tốc cực đại (km/h) 50,64 49,00 6,88 46,97 46,30 4,09 Vận tốc trung bình (km/h) 16,72 16,86 1,73 16,67 16,82 1,71 Trung bình các giá trị v≠0 17,19 17,35 1,91 17,38 17,75 1,83 Gia tốc lớn nhất (m/s2) 12,35 11,67 2,18 3,85 3,50 1,07 Gia tốc nhỏ nhất (m/s2) -10,19 -9,17 2,29 -3,39 -3,08 1,22 Gia tốc dƣơng trung bình (m/s2) 0,85 0,85 0,10 0,46 0,45 0,06 Gia tốc âm trung bình (m/s2) -0,84 -0,84 0,09 -0,45 -0,44 0,05 Tỷ lệ thời gian xe chạy ở chế độ tăng tốc (%) 40,75 40,97 1,73 46,90 47,03 1,41 Tỷ lệ thời gian xe chạy ở chế độ giảm tốc (%) 41,12 40,99 1,92 48,79 48,83 1,82 Tỷ lệ thời gian xe chạy ở chế độ ổn định (%) 18,13 17,79 3,31 4,31 3,60 2,73 Tỷ lệ thời gian xe chạy ở chế độ không tải (%) 2,80 0,54 3,63 4,05 3,37 2,62 86 3.1.3. Kết quả trích chọn các thông số đặc trƣng Trong quá trình xây dựng chu trình lái đặc trƣng, một vài tiêu chuẩn thống kê cần đƣợc tính toán để tái hiện lại các đặc tính của dữ liệu lái ngoài thực tế. Do đó, điều trƣớc tiên là cần phải xác định đƣợc số tối thiểu các thông số chu trình lái đủ mạnh để đặc trƣng cho toàn bộ chu trình lái. Bộ thông số đặc trƣng này là tập con của bộ các thông số chu trình lái nhƣ đã trình bày trong Mục 1.3.4. Các thông số đặc trƣng này sau đó đã đƣợc sử dụng để đánh giá tính đại diện của các chu trình lái đƣợc tạo ra.  Phân cụm các thông số mô tả chu trình lái Trong nghiên cứu này, 317 “trip” dữ liệu hành trình đƣợc sử dụng để xác định 33 thông số đặc trƣng cho mỗi “trip” dữ liệu tƣơng ứng. Kết quả tính toán đƣợc lƣu lại trong một bảng dữ liệu với 317 hàng, 33 cột và đƣợc đƣa vào quá trình phân cụm trên phần mềm IBM SPSS Statistics (Hình 3.8). Hình 3.8. Phân cụm các biến trên phần mềm SPSS Kết quả phân cụm nhƣ Bảng 3.4 và Hình 3.9. Bảng 3.4. Biểu đồ tích tụ các biến vào trong các cụm Stage Cluster Combined Coefficients Stage Cluster First Appears Next Stage Cluster 1 Cluster 2 Cluster 1 Cluster 2 1 23 26 1.000 0 0 5 2 21 33 .963 0 0 9 3 13 14 .958 0 0 14 87 4 31 32 .955 0 0 16 5 22 23 .955 0 1 9 6 2 3 .943 0 0 8 7 6 7 .938 0 0 17 8 1 2 .910 0 6 21 9 21 22 .908 2 5 13 10 4 10 .901 0 0 28 11 5 11 .900 0 0 14 12 27 28 .871 0 0 24 13 21 24 .840 9 0 18 14 5 13 .786 11 3 24 15 16 17 .785 0 0 23 16 25 31 .782 0 4 18 17 6 8 .764 7 0 19 18 21 25 .674 13 16 26 19 6 9 .668 17 0 27 20 18 29 .650 0 0 25 21 1 12 .622 8 0 30 22 19 30 .558 0 0 25 23 15 16 .519 0 15 29 24 5 27 .426 14 12 27 25 18 19 .282 20 22 26 26 18 21 .216 25 18 28 27 5 6 .208 24 19 29 28 4 18 .170 10 26 31 29 5 15 .035 27 23 30 30 1 5 .003 21 29 32 31 4 20 .003 28 0 32 32 1 4 .000 30 31 0 Ghi chú: Kết quả xuất trực tiếp từ phần mềm SPSS và đƣợc giữ nguyên bản gốc (không dịch). Bảng 3.4 là kết quả phân cụm dƣới dạng sơ đồ tích tụ mà nó thể hiện số cụm đƣợc kết hợp ở mỗi giai đoạn (Cột: stage). Vì trong nghiên cứu này sử dụng độ đo khoảng cách là giá trị tuyệt đối của hệ số tƣơng quan nên khi hệ số tƣơng quan giữa các biến càng nhỏ thì chúng càng khác biệt, không thể kết hợp trong cùng một cụm. Giai đoạn 1, có 32 cụm vì tổng số biến đƣa vào thuật toán HAC là 33 biến và trong giai đoạn đầu tiên chỉ hai biến số 23 và 26 đƣợc kết hợp trong một cụm (Cột: Cluster combined), do độ đo khoảng cách qua hệ số tƣơng quan là lớn nhất (Cột: Coefficients). Cụm đƣợc tạo ra ở giai đoạn 1 sẽ tiếp tục đƣợc kết hợp thêm biến khác vào cụm ở giai đoạn kế tiếp là giai đoạn thứ 5 (xem trong “Next stage”). Ở giai 88 đoạn 5, biến số 22 sẽ đƣợc kết hợp vào trong cụm 1 mà đã chứa biến số 23 và 26 (xem trong “Stage Cluster First Appears”). Hình 3.9 là biểu đồ hình cây thể hiện quá trình phân cụm mà ở đó kết quả cần đƣợc đọc từ dƣới lên trên. Đƣờng kẻ ngang đại diện cho các biến số đã đƣợc nhập vào trong cùng một cụm. Hình 3.9. Đồ thị phân cụm trên không gian các thông số mô tả chu trình lái Thuật toán HAC không đƣa ra kết luận về số cụm mà ngƣời sử dụng nó cần phải quyết định số cụm một cách hợp lý. Khi hai cụm cách nhau khá xa có nghĩa là tính chất của chúng khác nhau nhiều thì không nên nhập lại thành một cụm. Hiện nay chƣa có một quy tắc rõ ràng và chắc chắn về việc xác định số cụm [96]. Trong nghiên cứu này, số cụm đƣợc giữ lại sẽ là số các thông số mô tả chu trình lái đƣợc giữ lại làm thông số đặc trƣng. Nhƣ vậy, để tránh làm mất thông tin, số cụm càng lớn càng tốt, nhƣng điều này lại có thể khiến cho quá trình lặp để tìm ra chu trình lái phù hợp trở thành vòng lặp vô hạn. Do đó, luận án đề xuất 2 trƣờng hợp để hợp nhất các biến vào trong một cụm nhƣ sau: 89 + Trường hợp 1: r 0,8 Quá trình phân chia cụm chỉ dừng ở giai đoạn 13 (“Coefficients” r 0,840 ), số cụm kết quả là: 33 – 13 = 20 cụm. Sau khi xác định đƣợc số cụm cần đạt, chạy lại thuật toán HAC trên phần mềm SPSS với số cụm chỉ định (n= 20), luận án đã thu đƣợc kết quả phân cụm trên không gian các biến nhƣ Bảng 3.5. Bảng 3.5. Kết quả phân cụm trên không gian các biến ứng với trƣờng hợp 1 Cluster membership (Liên hệ các biến trong các cụm tƣơng ứng) stt Các biến Cụm stt Các biến Cụm 1 T_total 1 18 a_max 12 2 T_acc 1 19 a_min 13 3 T_dec 1 20 a_av 14 4 T_c 2 21 a_pos_av 15 5 T_cr 3 22 a_neg_av 15 6 T_i 4 23 RMSA 15 7 P_i 4 24 P95PosAcc 15 8 P_a 5 25 P95NegAcc 16 9 P_d 6 26 Acc_sd 15 10 P_c 2 27 N_stop 17 11 P_cr 3 28 N_rate 17 12 Dist 7 29 VSPmax 18 13 V1 8 30 VSPmin 19 14 V2 8 31 VPSpos_av 20 15 Vmax 9 32 VSPneg_av 20 16 Vsd 10 33 PKE 15 17 P95V 11 Theo Bảng 3.5, các biến T_total, T_acc, T_dec có thể kết hợp vào trong cùng một cụm (cụm 1), biến T-c và P_c có thể kết hợp vào trong cùng cụm 2,Sau khi kết hợp các biến trong cụm thích hợp, các biến đại diện cho các cụm đƣợc đƣa ra trong Bảng 3.6. Bảng 3.6. Các biến đại diện cho các cụm ứng với trường hợp 1 Cụm Biến số Cụm Biến số 1 T_total 11 P95V 2 P_c 12 a_max 90 3 P_cr 13 a_min 4 P_i 14 a_av 5 P_a 15 PKE 6 P_d 16 P95NegAcc 7 Dist 17 N_rate 8 V1 18 VSPmax 9 Vmax 19 VSPmin 10 Vsd 20 VSPpos_av + Trường hợp 2: r 0,7 Quá trình phân chia cụm chỉ dừng ở giai đoạn 17 (“Coefficients” r 0,764 ), số cụm kết quả là: 33 – 17 = 16 cụm. Tƣơng tự nhƣ trƣờng hợp 1, sau khi xác định đƣợc số cụm cần đạt, chạy lại thuật toán HAC trên phần mềm SPSS với số cụm chỉ định (n= 16), luận án đã thu đƣợc kết quả phân cụm trên không gian các biến nhƣ Bảng 3.7. Bảng 3.7. Kết quả phân cụm trên không gian các biến ứng với trƣờng hợp 2 Cluster membership (Liên hệ các biến trong các cụm tƣơng ứng) stt Các biến Cụm stt Các biến Cụm 1 T_total 1 18 a_max 9 2 T_acc 1 19 a_min 10 3 T_dec 1 20 a_av 11 4 T_c 2 21 a_pos_av 12 5 T_cr 3 22 a_neg_av 12 6 T_i 4 23 RMSA 12 7 P_i 4 24 P95PosAcc 12 8 P_a 4 25 P95NegAcc 13 9 P_d 5 26 Acc_sd 12 10 P_c 2 27 N_stop 14 11 P_cr 3 28 N_rate 14 12 Dist 6 29 VSPmax 15 13 V1 3 30 VSPmin 16 14 V2 3 31 VPSpos_av 13 15 Vmax 7 32 VSPneg_av 13 16 Vsd 8 33 PKE 12 17 P95V 8 91 Tƣơng tự nhƣ trƣờng hợp 1, các biến đại diện cho các cụm đƣợc đƣa ra trong Bảng 3.8. Bảng 3.8. Các biến đại diện cho các cụm ứng với trường hợp 2 Cụm Biến số Cụm Biến số 1 T_total 9 a_max 2 P_c 10 a_min 3 V1 11 a_av 4 P_i 12 PKE 5 P_d 13 VPSpos_av 6 Dist 14 N_rate 7 Vmax 15 VSPmax 8 P95V 16 VSPmin Như vậy, các biến trong Bảng 3.6 hoặc Bảng 3.8 là các thông số đƣợc rút gọn từ 33 thông số mô tả chu trình lái, mỗi thông số đƣợc giữ lại làm đại diện cho 1 cụm mà ở đó các biến đã đƣợc gom cụm với nhau theo các tiêu chí đặt ra.  Các thông số đặc trƣng của chu trình lái Trong các thông số đại diện cho 33 thông số mô tả đặc trƣng lái ngoài thực tế của hệ thống xe buýt Hà Nội, có thể thấy thông số khoảng cách (Dist), liên quan đến tổ chức hạ tầng sơ sở của các tuyến buýt, không phản ánh phƣơng thức di chuyển của xe ngoài thực tế nên thông số này đã không đƣa vào sử dụng để xây dựng chu trình lái đặc trƣng. Thông số tổng thời gian di chuyển (T_total) chỉ phản ánh đƣợc một phần đặc trƣng lái ngoài thực tế, liên quan đến vận tốc trung bình, vì còn phụ thuộc vào chiều dài quãng đƣờng di chuyển. Do đó, hai thông số này đã không đƣợc sử dụng làm thông số đặc trƣng cho hoạt động lái ngoài thực tế, lựa chọn này cũng phù hợp với các nghiên cứu xây dựng chu trình lái khác [52, 73]. Nhƣ vậy, các thông số đặc trƣng đƣợc giữ lại để mô tả đặc trƣng lái ngoài thực tế của hệ thống xe buýt tại Hà Nội và để tái hiện lại các đặc trƣng đó vào trong chu trình lái đặc trƣng nhƣ Bảng 3.9. 92 Bảng 3.9. Các thông số đặc trưng của chu trình lái stt Trƣờng hợp 1 Trƣờng hợp 2 1 P_c P_c 2 P_cr V1 3 P_i P_i 4 P_a P_d 5 P_d Vmax 6 V1 P95V 7 Vmax a_max 8 Vsd a_min 9 P95V a_av 10 a_max PKE 11 a_min VPSpos_av 12 a_av N_rate 13 PKE VSPmax 14 P95NegAcc VSPmin 15 N_rate 16 VSPmax 17 VSPmin 18 VSPpos_av Các thông số trong Bảng 3.9 được gọi là các thông số đặc trưng của chu trình lái. Số các thông số đặc trƣng của chu trình lái đƣợc lựa chọn càng lớn thì mức độ phù hợp của chu trình lái đề xuất với dữ liệu lái ngoài thực tế càng cao. Tuy nhiên, nếu số thông số đặc trƣng đƣợc giữ lại quá lớn thì quá trình tìm kiếm chu trình lái phù hợp với dữ liệu lái ngoài thực tế, theo giới hạn đánh giá sự phù hợp đặt ra, có thể không đạt đƣợc. Do đó, ở giai đoạn này, tác giả chƣa đƣa ra kết luận về việc giữ lại các thông số đặc trƣng theo trƣờng hợp 1 hay trƣờng hợp 2, do chƣa có cơ sở vững chắc để lựa chọn. Trong quá trình xây dựng chu trình lái dựa trên lý thuyết Markov (Mục 3.2), luận án đã đƣa ra kết luận dựa trên kết quả tìm kiếm chu trình lái đặc trƣng theo cả hai trƣờng hợp. Nếu trƣờng hợp nào mà đƣa ra đƣợc chu trình lái có mức độ phù hợp với dữ liệu lái ngoài thực tế cao hơn thì kết quả trích 93 chọn của trƣờng hợp đó sẽ đƣợc giữ lại. Hoặc nếu trƣờng hợp nào mà quá trình tìm kiếm chu trình lái phù hợp không thể kết thúc (vòng lặp vô hạn) thì trƣờng hợp đó sẽ bị loại bỏ.  So sánh kết quả trích chọn các thông số đặc trƣng của chu trình lái So sánh kết quả nghiên cứu với một số nghiên cứu khác nhƣ trong Bảng 3.10. Bảng 3.10. So sánh kết quả trích chọn thông số đặc trưng Stt Kết quả trích chọn của trƣờng hợp 2 trong nghiên cứu này (a) So sánh với các nghiên cứu khác Brady and O'Mahony (2013) [55] (b) Torp and Önnegren (2013) [73] (a) (b) 1 Tỷ lệ thời gian chạy ổn định ở Vtb (P_c)  x x 2 Vận tốc trung bình toàn bộ chu trình (V1) x x 3 Tỷ lệ thời gian không tải (P_i) x x x 4 Tỷ lệ thời gian giảm tốc (P_d) x 5 Vận tốc cực đại (Vmax) x 6 Phân vị 95th của vận tốc (P95V) 7 Gia tốc cực đại (a_max) x x x 8 Gia tốc cực tiểu (a_min) x x x 9 Gia tốc trung bình (a_av) 10 Động năng dƣơng (PKE) 11 Trung bình VSP dƣơng (VSPpos_av) 12 Số lần dừng/1 km (N_rate) x x x 13 VSP cực đại (VSPmax) x x 14 VSP cực tiểu (VSPmin) Tổng(c) 14 10 8 14 Ghi chú: (a) phƣơng pháp phân cụm phân cấp gộp; (b) phƣơng pháp phân tích hồi quy; (c) tổng các biến đƣợc lựa chọn bao gồm cả những biến không trùng với các biến đƣợc lựa chọn trong nghiên cứu này. Theo Bảng 3.10, các thông số đƣợc trích chọn làm thông số đặc trƣng, theo các phƣơng pháp khác nhau, khá tƣơng đồng. Trích chọn bằng phân tích hồi quy đã giữ lại số thông số đặc trƣng nhiều hơn phƣơng pháp phân cụm. Nghiên cứu [73] thực hiện phƣơng pháp phân cụm phân cấp trên bộ dữ liệu lái đô thị với độ đo 94 khoảng cách giữa các cụm đƣợc xác định thông qua tổng độ lệch bên trong của một cụm mà cụm đó đã đƣợc xác định là cụm đầu tiên trong quá trình phân tích thành phần chính PCA. Trong nghiên cứu này, tác giả đã áp dụng phƣơng pháp phân cụm nhƣ trong nghiên cứu của Torp (2013) [73] trên bộ dữ liệu đƣợc sử dụng trong nghiên cứu của đề tài và đã xác định đƣợc 09 thông số đặc trƣng nhƣ sau: T_total, P_c, P_cr, V_sd, a_max, a_min, a_av, P95PosAcc, N_stop. Bộ 09 thông số này khác với kết quả nhƣ trong nghiên cứu [73]. Qua đó có thể thấy rằng kết quả thu đƣợc có thể khác nhau ngay cả khi áp dụng cùng một phƣơng pháp khai phá dữ liệu nhƣng trên các bộ dữ liệu nguồn với đặc trƣng lái rất khác biệt. Kết luận này trùng với kết quả trong nghiên cứu [73]. Như vậy, việc trích chọn các thông số đặc trƣng của chu trình lái dựa trên chính bộ dữ liệu lái ngoài thực tế mà đang đƣợc sử dụng trong nghiên cứu là việc làm cần thiết, thay vì áp dụng kết quả trích trọn từ các nghiên cứu khác. Ngoài ra, có thể thấy rằng, 02 bộ thông số đặc trƣng, đƣợc rút gọn từ 33 thông số ban đầu, đã bao gồm các thông số đƣợc trích chọn trong các nghiên cứu khác, nhƣng số lƣợng các thông số đƣợc giữ lại nhiều hơn. Do đó, khả năng giữ đƣợc tính toàn vẹn các đặc trƣng lái ngoài thực tế trong quá trình xây dựng một chu trình lái cũng sẽ tốt hơn. 3.2. Chu trình lái đặc trƣng cho xe buýt tại Hà Nội Thực hiện lƣu lại xác suất chuyển dịch trạng thái từ 317 “trip” dữ liệu lái ngoài thực tế, với độ phân giải của vận tốc là 1km/h và của gia tốc là 0,1m/s2 nhƣ đã đƣợc phân tích lựa chọn ở trên (Mục 2.5.3), luận án đã thu đƣợc ma trận TPM với kích thƣớc 179 x 71. Trên phần mềm Matlab, tác giả đã sử dụng mảng cấu trúc để lƣu giữ TPM, lƣu giữ thông tin về các thông số chu trình lái của 317 trip dữ liệu đầu vào và các thông số đặc trƣng đƣợc trích chọn,nhƣ minh họa trên Hình 3.10. Ma trận TPM đã đƣợc sử dụng để xây dựng chu trình lái đặc trƣng. 95 Hình 3.10. Mảng cấu trúc chứa TPM Với việc giữ lại 18 thông số đặc trƣng (Trƣờng hợp 1) khiến vòng lặp nhƣ Hình 2.6 trở thành vòng lặp vô hạn, điều đó có nghĩa là không thể tìm ra đƣợc một chu trình lái mà có thể phù hợp với dữ liệu lái ngoài thực tế khi đƣợc đánh giá thông qua 18 thông số, với khoảng lệch cho phép [-12,5%; +12,5%] so với trung vị của dữ liệu lái ngoài thực tế (giới hạn độ lệch đƣợc lựa chọn nhƣ đã lập luận trong Mục 2.6.4). Do đó, loại bỏ kết quả trích chọn các thông số đặc trƣng của Trƣờng hợp 1 (Mục 3.1.3). Như vậy, 14 thông số đặc trƣng, kết quả trích chọn theo Trƣờng hợp 2, trong Bảng 3.9, đã đƣợc sử dụng trong quá trình xây dựng chu trình lái đặc trƣng cho xe buýt tại Hà Nội. Dựa trên TPM đã lƣu lại đặc trƣng lái ngoài thực tế và 14 thông số đặc trƣng đƣợc sử dụng trong quá trình xây dựng chu trình lái, luận án đã thu đƣợc một số chu trình lái đề xuất với giá trị SAFDdiff tƣơng ứng nhƣ Bảng 3.11. Bảng 3.11. Giá trị SAFDdiff của các chu trình đề xuất Các chu trình đề xuất 1 2 3 4 5 6 7 8 SAFDdiff, % 13,2 14,8 14,2 15,2 15,4 15,9 16,8 18,2 96 Chu trình lái đặc trƣng cho xe buýt Hà Nội đƣợc lựa chọn dựa trên giá trị SAFDdiff nhỏ nhất của các chu trình lái đề xuất. Nhƣ vậy, theo Bảng 3.11, chu trình lái đặc trƣng cho xe buýt Hà Nội đƣợc lựa chọn là chu trình mà đạt đƣợc giá trị SAFDdiff nhỏ nhất, bằng 13,2%, gọi tắt là chu trình HBDC. Chu trình HBDC đƣợc minh họa trên Hình 3.11, các thông số của chu trình HBDC đƣợc đƣa ra trong Bảng 3.12. Dữ liệu vận tốc tức thời gian của HBDC xem Phụ lục 2. Hình 3.11. Chu trình lái đặc trưng của xe buýt tại Hà Nội Hình 3.11 cho thấy: gia tốc có biên độ dao động khá lớn trong khoảng từ – 2,78 m/s 2 đến 3,06 m/s2 và có sự đan xen giữa các chế độ tăng tốc và giảm tốc một cách liên tục. Điều này phù hợp với đặc trƣng của hệ thống giao thông tại Hà Nội với nhiều điểm giao cắt (chủ yếu là các nút giao đồng mức), mật độ phƣơng tiện lớn khiến các phƣơng tiện phải thay đổi vận tốc thƣờng xuyên. Ngoài ra, trong nghiên cứu này, tác giả cũng đã kiểm định lại sự tối ƣu của giá trị giới hạn 25%, mà đƣợc sử dụng để đánh giá sự phù hợp của chu trình lái đƣợc tổng hợp so với dữ liệu gốc trong quá trình tìm kiếm chu trình lái đề xuất, khi kế thừa giá trị giới hạn này theo nghiên cứu của Torp và cộng sự (2013) [73]. Trên thực tế, giới hạn đánh giá sự phù hợp có ảnh hƣớng lớn tới quá trình xây dựng chu trình lái. Giới hạn càng nhỏ thì sự phù hợp của chu trình lái đề xuất với dữ liệu lái ngoài thực tế càng cao và ngƣợc lại. Tuy nhiên, nếu giới hạn này rất nhỏ, tức là các thông số đặc trƣng của chu trình lái đề xuất chênh lệch rất ít với trung vị của các thông số đặc trƣng tƣơng ứng của dữ liệu lái ngoài thực tế, thì quá trình lặp để tìm kiếm chu trình lái phù hợp (chu trình lái đƣợc đề xuất) có thể là một vòng lặp vô 97 hạn. Do vậy, tác giả đã thử chạy chƣơng trình với sự thay đổi của giá trị giới hạn này, kết quả thu đƣợc nhƣ sau: - Với giới hạn đánh giá sự phù hợp là 30%, tƣơng ứng với miền giới hạn ± 15% thì giá trị SAFDdiff nhỏ nhất là 13,4%. Nhƣ vậy, đã có sự tăng nhẹ trong giá trị SAFDdiff nhỏ nhất so với trƣờng hợp áp dụng giới hạn là 25% nhƣ đã đƣợc sử dụng ở trên, theo kinh nghiệm của Torp và cộng sự (2013), mà với giới hạn đó giá trị SAFDdiff nhỏ nhất đạt đƣợc là 13,2%. - Với giới hạn đánh giá sự phù hợp là 20%, tƣơng ứng với miền giới hạn ±10% thì quá trình lặp để tìm kiếm chu trình lái đề xuất phù hợp đã không thể dừng lại, vòng lặp là vô hạn. Do đó, việc áp dụng giá trị giới hạn 25% theo kinh nghiệm của Torp và cộng sự (2013) là phù hợp. Đánh giá chu trình lái HBDC Để đánh giá kết quả đạt đƣợc, chu trình HBDC đƣợc so sánh với dữ liệu lái ngoài thực tế. Việc so sánh đƣợc thực hiện dựa trên các thông số của chu trình lái (Bảng 3.12) và sự phân bố các nhóm chế độ hoạt động, gọi là bin (Hình 3.12). Trong đó, mỗi bin (ký hiệu: opModeID) đƣợc xác định bởi sự kết hợp của VSP và vận tốc tức thời theo cách định nghĩa trong phần mềm MOVES (Motor Vehicle Emission Simulator) của Cục bảo vệ môi trƣờng Mỹ (MOVES) và đƣợc đề cập đến trong nghiên cứu gần đây của Qi và cộng sự (2016) [97]. Bảng 3.12. So sánh các thông số đặc trƣng của chu trình lái giữa HBDC và dữ liệu lái ngoài thực tế Thông số Đơn vị HBDC Dữ liệu lái ngoài thực tế Phần trăm độ lệch tƣơng đối (%) Khoảng cách km 18,32 17,51 2,26 Tổng thời gian s 3936 3824 1,44 Thời gian tăng tốc s 1345 1412 2,43 98 Thời gian giảm tốc s 1287 1456 6,16 Thời gian chạy ổn định ở vận tốc trung bình s 555 316 27,44 Thời gian chạy ổn định ở vận tốc thấp s 449 320 16,78 Thời gian chạy không tải s 300 328 4,46 Tỷ lệ thời gian tăng tốc % 34,17 36,97 3,9