引 言
由于我國機動車保有量逐年遞增,使得車輛燃油消耗在石油消耗總量和進口總量中的占比也隨之逐年提高,又因為我國汽車燃油消耗水準平均比發(fā)達國家高 10% ~20%[1],所以降低燃油消耗刻不容緩。在利用車輛進行貨物運輸的方式中, 重型汽車所占的比例較大,所以可以通過降低重型車燃油消耗來降低機動車燃油消耗。從之前國內外有關降低燃油消耗的研究來看,主要從改善道路狀況、優(yōu)化車輛結構、駕駛員培訓這三個方面來實現(xiàn),而當前的研究趨向于以人—車—環(huán)境為綜合系統(tǒng)進行研究。
在一定條件下,轉速、車速、冷卻液溫度、瞬時油耗、扭矩、油門開度、擋位都可以用來做油耗大小的參考,但這七個數據卻不能對油耗做出一個明確的評價,因此有必要通過這七個參數確定一個綜合評價指標。
1 數據篩選與預處理
在大數據背景下,以中國重汽智能通(車隊管理系統(tǒng))提供的數據為來源進行分析。為了較準確的反應人—車—環(huán)境的綜合系統(tǒng),保證不會因人、車、環(huán)境中的任意一個因素的異常對數據造成偏差,本文做了以下篩選:
(1) 選擇了行駛道路相對簡單的掛車來保證不會因為道路的惡劣情況對采集的數據產生影響;
(2)選擇運送貨物為危險品的物流公司,以保證智能通 系統(tǒng)不會出現(xiàn)大量的停車數據,又因為運送危險品的駕駛員有 良好的駕車習慣,避免了因司機操作不當對結果產生影響 ;
(3)研究時間為 2016 年 1月1日至 2016 年 1月15日,運 輸距離累計大于 11 000 km。本次研究利用 Matlab 進行數據 處理,主要達到格式標準化、清除異常數據、糾正錯誤、清 除重復數據的目的。表 1 所列是經處理后的部分數據。
2 利用SPSS進行油耗因子分析
運用因子分析方法的前提是變量之間存在線性關系,以達到減少變量、方便分析的目的。通過觀察表 2 中變量的相關矩陣可知,大多數變量的相關系數大于 0.3,具有較強的相關性,同時,對上述變量進行 KMO 和Bartlett 檢驗。由表 3 可知, Bartlett 的球形度檢驗為 174 800.951,相應的概率為 0,應拒絕零假設,認為相關矩陣與單位矩陣有顯著差異,KMO 值為0.792,較好的達到了標準,可以運用因子分析的方法。
表 4 給出了提取公共因子前后各變量的共同度,例如,提取公共因子后,發(fā)動機扭矩的共同度為 0.915,即提取的公共因子對發(fā)動機扭矩方差做出了 91.5% 的貢獻。從該列的數值可以看出,各變量的共同度都比較大,說明變量空間轉化為因子空間時,保留了較多的信息,因此,因子分析的效果十分顯著。
從表 5 的第二列可以看出,初始特征值有兩個大于 1,分別是 4.403 和 1.267,它們一起解釋了原始數據情況的 80.988%,因此提取兩個公共因子是恰當的,能夠比較全面的 反應情況。
表 6 給出了因子載荷矩陣,右邊的兩列分別代表第一、 第二主因子的載荷,如發(fā)動機轉速是第一個主因子的載荷的 0.878,第二個主因子的載荷的- 0.277??梢钥闯龈饕蜃拥牡?型代表變量并不突出,不能對因子做出很好的解釋,因此,對 因子載荷矩陣實施旋轉是非常有必要的。表 7 是對表 6 的因 子載荷施行方差最大正交旋轉后的結果,可以看出,第一主 因子主要由轉速、擋位、車速、冷卻液溫度決定,第二主因子 則由瞬時油耗、扭矩、油門開度決定。
表 8 所列是因子轉換矩陣,旋轉前的因子載荷乘以因子 轉化矩陣等于旋轉后的因子載荷矩陣。表 9 列出了因子得分的 協(xié)方差矩陣,發(fā)現(xiàn)是個單位矩陣,說明提取的兩個公因子是 不相關的。