汽车行驶工况是汽车油耗和排放测试的重要依据,在车辆认证中,采用的汽车行驶工况是否能真实反映汽车在实际道路中行驶的能耗和排放水平,是确保车辆认证结果准确性和相关国家标准权威性的关键。本文基于北京市小型乘用车行驶数据,对标准行驶工况开发方法以及异常行驶工况检测方法进行研究。本文主要研究工作包括:基于递归神经网络模型和蒙特卡洛模拟,提出了一种数据驱动的行驶工况开发方法。与已有的基于聚类算法或马尔科夫过程的片段分割-拼接生成备选工况的开发模式不同,该方法首先通过递归神经网络模型逼近汽车在行驶过程中随时间变化的速度分布律,实现对汽车行驶模式的建模;然后基于模型逐步产生的对未来时刻汽车速度的预测值,生成多个备选工况;最后按备选工况在14个指标上与原始数据总体水平的差异对备选工况进行筛选,生成相应的标准工况,并与已有基于单个时间点的马尔科夫法进行比较。比较结果表明,该方法所得的指标最优的行驶工况比基于单个时间点的马尔科夫法所得结果包含的速度范围更广。优化了已有文献中基于短行程聚类和拼接的标准行驶工况开发方法,在采用汽车运动学特征的基础上,增加了基于汽车动力学模型的MTF特征对行驶工况数据进行描述。采用马氏距离替换k-means指标函数中的欧氏距离,并根据不同的聚类参数分别开发了相应的标准的汽车行驶工况。聚类结果表明,新的聚类指标能够有效解决部分特征由于分布集中导致对聚类结果影响较小的问题,增加工况开发过程中来自不同类的样本在多个特征上的区分度,使得最终所得标准工况中包含的多样的行驶模式。利用无监督的离群点检测方法,提取了一些与其它数据具有显著差异的行驶模式。基于多种显著性检验的方法,对可能造成该类异常的多个因素进行了关联分析。结果表明异常行驶工况反映了动力需求显著偏高且速度变化不稳定的行驶模式,其中用户驾驶习惯,汽车变速器类型,昼夜差异和季节差异对异常行驶模式的产生具有显著影响。