基于机器学习的生态驾驶辅助

基于机器学习的手动变速公交车生态驾驶辅助系统

摘要

驾驶辅助系统（DAS）是提高在用车辆燃油经济性的关键技术，同时也可降低此类车辆车队（如城市公交车）的运营成本。本文基于以往关于燃油消耗对驾驶风格敏感性的研究，提出一种基于机器学习的手动变速公交车白箱评价模型。利用所提出的评价模型，还设计了一种针对驾驶风格的学习路径规划（LPP）算法。该LPP方法为不同驾驶风格规划逐步实现生态驾驶的最短学习路径，同时提升驾驶员对驾驶辅助系统（DAS）的接受度与适应性。基于车辆和发动机物理模型的仿真结果表明，所提出的纯数据模型可作为生态驾驶提示策略中物理模型的替代方案。验证结果表明，所提策略能够逐步引导驾驶员，在对驾驶员驾驶任务和驾驶风格影响最小的前提下，将燃油消耗降低6.25%。

索引词

生态驾驶，驾驶风格，驾驶员评价，驾驶辅助系统，决策树。

一、引言

ECO-DRIVING 是一种经济且生态的驾驶方式。采用这种方式可以实现更优的燃油经济性并降低车辆排放。研究表明，生态驾驶有望节省约25%的燃油，这一节油效果大约是发动机调校和轮胎优化所能实现节油量的三倍[1]。调查结果还表明，驾驶员非常希望从这种生态型驾驶方式中获益[2]。然而，过去制造商和研究界在探索和推广生态驾驶方面所做的努力较少[3]。鉴于生态驾驶对燃油经济性的重要意义，近年来该技术发展迅速，当前关于生态驾驶的研究可分为三个层次的优化：a) 任务级别的规划与优化，b) 策略级别的优化，以及 c) 操作级别的优化 [4]。

任务级别的规划与优化

任务级别的规划与优化研究主要集中在燃油经济性路线规划上。46%的车辆选择的驾驶路线并未实现最佳燃油经济性，因为最短时间或最短距离的路线未必是燃油经济性最优的路线[5],[6]。最短时间路线的燃油消耗可能比最佳燃油经济性路线高出9.3% [7]。本文提出了一种采用遍历优化方法的路线优化方法，该方法在5英里的驾驶路线上最多可实现8.2%的燃油消耗节省[5]。文献[8]中提出了考虑不同类型车辆的类似方法。然而，这些方法适用于非固定路线的车辆，而不适用于公交车或物流车辆等固定路线车辆。

策略级别的优化

策略级别的规划与优化侧重于优化发动机控制单元（ECU）的控制策略，以使ECU性能与道路状况和/或驾驶风格相匹配，从而实现更优的燃油经济性。文献[9]提出了一种基于自学习控制器的不同驾驶风格下发动机标定参数自动优化方法，该方法通过调整喷油定时、循环喷油量等参数，优化发动机能耗特性与驾驶风格的匹配。文献[10]提出了利用马尔可夫决策过程对发动机运行条件进行建模，以针对不同驾驶风格优化发动机控制参数的方法。尽管这些方法在生态驾驶方面具有前景，但目前仅适用于车辆控制系统在设计阶段的深度定制与优化。

操作级别的优化

操作级别的优化侧重于借助驾驶员辅助技术（DAS）来优化驾驶员操作，以改善驾驶风格。相较于其他两种在用车辆的优化方法，这种生态驾驶的优化方法具有更广泛的应用和更大的潜力。原因在于，在城市环境中，不同驾驶风格导致的平均油耗差异可达30%，在高速公路上则达到17%[11]。驾驶风格甚至对电动汽车的能耗也有显著影响。Bingham et al.[12]发现温和驾驶与激进驾驶风格之间的能耗差异约为30%。

操作级别的优化可以通过对车辆驾驶员进行培训或使用实时DAS技术[13],[14]来实现。这两种方法均对燃油经济性有良好效果[15]。在实时DAS技术出现之前，公共交通和物流公司广泛采用驾驶员培训，此类培训可使燃油消耗节省高达11.6%[16]。其中一些培训规则来源于表现优良驾驶员的经验，而另一些则源于对大数据技术的统计分析[17]。

实时DAS技术通过图形单元或声音向驾驶员提供实时辅助，以提高燃油经济性。该技术还可与传统培训方法结合，进一步提升燃油经济性[14]。实时DAS通常由提示算法和人机界面（HMI）组成。提示算法可分为两类：速度规划算法和运行规划算法。速度规划算法实时输出目标速度供驾驶员跟随，而运行规划算法则提供关于实时操作的指导。文献[18]提出了一种基于车辆模型和发动机燃油经济性图谱、采用动态规划的最优速度算法。除了车辆配置外，交通信息对速度规划也十分重要，[19]将交通信息作为约束边界用于规划最优速度曲线。文献[20]提出了基于交通信号灯信息在减速过程中规划速度曲线的类似方法。

速度规划算法的前提是假设经济速度曲线对应于经济操作。这一假设非常苛刻，因为相同的速度曲线可以通过不同的操作组合实现。这将导致不同驾驶员即使遵循相同的速度曲线，也会产生不同的燃油消耗。

基于运行规划的算法需要更多参数，而这些参数很难通过物理模型获得。原因在于发动机燃油消耗模型中，很难在复杂性与精度之间取得平衡[21]。由于每种发动机类型都有其独特的模型，这也限制了基于物理模型的运行规划算法的应用。目前，大多数运行规划算法通过统计驾驶员的历史道路驾驶数据，参考驾驶员的“正常操作”来提供操作反馈[22]。然而，“正常操作”并不一定始终是最优操作，此类算法可能导致对燃油经济性产生更差影响的驾驶风格。一些更智能的算法则基于模糊逻辑或贝叶斯算法，并结合每位用户的历史道路驾驶数据，提供个性化辅助[23],[24]。

DAS技术面临的另一个挑战是该技术的广泛接受度。DAS的指导信息与驾驶员固有的驾驶习惯和风格差异越大，驾驶员对DAS指导的接受度/采纳率就越低。为解决这一问题，采用闭环速度建议模型生成加油经济速度曲线如[25]所示。然而，对于采用运行规划算法的DAS技术，尚未开发出考虑驾驶员学习能力和DAS采纳的方法。本文针对这一挑战，提出了一种在考虑驾驶员学习和DAS采纳情况下的运行规划算法。

驾驶员辅助系统（DAS）的人机界面（HMI）选择也是研究的重点。DAS的人机界面通常包括视觉、听觉、视听[26]和触觉[27]。部署成本、驾驶员表现、接受度以及交互相关的工作负荷是评估不同人机界面的四项标准 [28]。基于触觉的方案在工作负荷方面优于基于视听的方案，而其余三项标准则相反[29]。尽管如此，基于视听的方案所产生的工作负荷远小于导航或换CD操作[30]。因此，本研究选择视听作为人机界面。

如图1所示，通过OBD接口采集驾驶员的操作及其对应的燃油消耗率。基于这些原始数据，计算车辆负载（包括坡度和车辆质量）、驾驶风格特征参数（如表1所示）以及相应的燃油消耗率。这三类相互关联的数据构成一个独立的历史样本。尽管交通拥堵、交通信号灯、道路状况、风速和风向等随机因素会对每个单独样本的燃油消耗产生影响，但需要注意的是，在样本足够的情况下，这些随机因素对燃油消耗的整体影响将被消除。因此，采用机器学习方法基于大量历史样本构建驾驶风格评价模型（第二节 A）。随后，提出一种基于该评价模型的学习路径规划（LPP）算法，为经典基于规则的生态驾驶辅助算法提供阈值，从而通过实时提示帮助驾驶员实现更优的燃油经济性（第二节 B）。最后，驾驶风格

表I 手动变速公交车的驾驶风格特征参数

特征参数	描述
每个挡位的换挡时机	驾驶员在各个挡位间切换时的速度
平均油门踏板深度	驾驶过程中油门踏板的平均开度
平均油门踏板正变化率	油门踏板开度增加的平均速率

II. 生态驾驶辅助算法

在我们之前的研究中，如表1所示，研究了一组描述与手动变速公交车驾驶员燃油经济性相关的驾驶风格的特征参数，并分析了这些参数在不同交通状况和负载下对燃油消耗的影响。该参数集包括每个挡位的换挡时机、平均油门踏板深度以及平均油门踏板正变化率。研究还表明，在特定情况下，基于至少2500公里的道路驾驶数据[31]，可以获得驾驶风格对手动变速公交车燃油消耗的影响。这些特征参数是构建驾驶风格评价模型的基础。基于这些特征参数，我们开展了以下创新工作：
a) 基于机器学习算法和道路驾驶数据构建了驾驶风格评价模型；
b) 基于该评价模型，开发了一种LPP算法，可逐步引导驾驶员改善驾驶行为。

该模型可根据驾驶风格的特征参数，确定驾驶员在特定车辆配置下的燃油经济性水平，LPP能够为驾驶员规划一条学习路径，以最少的操作改变实现燃油经济性提升。根据该路径，驾驶员可逐步改善操作习惯，提高驾驶驾驶辅助系统的接受度和采纳程度，同时提升燃油经济性。

A. 手动变速公交车驾驶员驾驶风格评价模型

驾驶风格评价模型是一个具有多耦合输入的分类模型。该模型以驾驶风格特征参数作为输入，生成相应的燃油经济性等级作为输出。本文采用机器学习来构建该模型，所选用的机器学习算法需要具备以下特性以满足LPP的要求：

1. 评估过程是可追溯的 ，这意味着模型应为白箱模型。模型应同时提供分类结果和燃油经济性的判定过程。存在三种典型的决策树（ID3、C4.5、C5.0）可以满足这一要求。
2. 该算法应支持默认属性 ，以应对只有部分输入可用的情况。例如，在某些交通状况下，驾驶员无法表达出所有的操作特性。ID3 无法满足这一要求。
3. 算法的计算复杂度应尽可能低 。该模型可能运行在计算能力相对较弱的嵌入式系统中。

C4.5和C5.0决策树均能满足要求。C5.0相比C4.5的改进在于建模速度。C4.5算法的优势在于与C5.0相比，它是一种开源算法。在本研究中，我们采用了C4.5用于驾驶风格评价模型[32]。

$$ H(D) = -\sum_{i=1}^{n} p_i \log_2 p_i $$ (1)

$$ gR(D, A) = \frac{H(D) - H(D|A)}{H(D)} $$ (2)

$$ H(D|A) = \sum_{i=1}^{k} p_i H(D|A = T_i) $$ (3)

建模数据来源于上述历史样本。C4.5算法如公式1–3所述，其中 $ gR(D, A) $ 表示在驾驶风格特征参数A进行划分时系统信息熵的增加率。D代表由驾驶风格及相应燃油消耗组成的历史样本数据集，公式1中的 $ p_i $ 表示所有样本中燃油经济性水平属于级别Lx的概率，n表示用户划分的燃油经济性等级总数，k表示A可能取值的个数，公式3中的 $ p_i $ 表示 $ A = T_i $ 的概率，T和H分别表示A的判别阈值和决策系统的不确定性[33]。

决策树C4.5构建的模型结构示意图如图2所示，其中 Rxi是一个非叶节点，如公式4所示，表示驾驶风格特征的二元判别结果

$$ R_{xi} = \begin{cases}
1 & P_j \leq T_{xi} \
0 & P_j > T_{xi}
\end{cases}, i \in [1, m], j \in [1, t], x \in [1, k] $$ (4)

参数（Pxi）。例如，“G2到G3速度是否大于25km/h”是一个非叶节点（R1），其中G2到G3速度是驾驶风格的特征参数（P1），25km/h是该节点的判别阈值（T1）。该节点的判别结果决定了树的分支。经过一系列非叶节点的判断后，决策树可以给出一个叶节点Lx（图2中的“好”或“坏”），代表对应驾驶风格的燃油经济性水平。从该示例中可以看出决策树的可追溯的白盒特征。例如，当前驾驶风格对应的燃油经济性以及具有更优的燃油经济性的潜在目标驾驶风格都可以在模型中体现。这意味着驾驶员从决策链路[R1= 0、Bad],调整为目标链路选项 1[R1= 1、 R2= 0、R3= 0、Good]或选项 2[R1= 1、R2= 1、 R4= 1、R5= 1、Good]即可实现更优的燃油经济性。这是LPP算法的基础。

B. 学习路径规划

从图2可以看出，驾驶员有两种选择来实现更优的燃油经济性（Good）。因此，LPP算法应具备选择最接近当前驾驶风格且能逐步向驾驶员提示该选择的能力。这将减少驾驶员驾驶风格的变化，并提高生态驾驶辅助系统的接受度。

1) 目标决策链选择

为了从具有最佳燃油经济性的决策链集合中选择与当前驾驶风格最接近的决策链，需要测量决策链之间的距离。本文提出的方法是对决策树进行填充，使所有决策分支具有相同长度，从而能够测量不同决策链之间的距离。

图3是图2所示示例的填充的决策树模型。在图中，红色决策链代表使用生态驾驶之前的驾驶风格。在此决策链中，非叶节点R2,R3, R4和R5不参与目标决策链的选择。如图3所示，在填充的决策模型中，当前决策链为[R1= 0，R2= 1，R3= 0，R4= 1，R5= 1，Bad]，两个可选目标链分别为[R1= 1，R2= 0，R3= 0，R4= 1，R5= 1，Good]和[R1= 1，R2= 1，R3= 0，R4= 1，R5= 1，Good]。尽管在图2示例中的第二个选项比第一个选项的链更长，但可以很容易发现，驾驶员对第二个选项只需改变一个操作（R1= 0 → R1= 1），而对第一个选项则需要改变两个操作（R1= 0 → R1= 1 和 R2= 1 → R2= 0）。因此，第二个选项实际上优于第一个选项。

$$ E_{xi} = \begin{cases}
1 & \text{Effective} \
0 & \text{Not effective}
\end{cases}, i \in [1, m], x \in [1, k] $$ (5)

$$ R_x = [R_{x1}, R_{x2}, …, R_{xm}], x \in [1, k] $$ (6)

$$ E_x = \begin{bmatrix}
E_{x1} & 0 & 0 & 0 \
0 & E_{x2} & 0 & 0 \
0 & 0 & \ddots & 0 \
0 & 0 & 0 & E_{xm}
\end{bmatrix}, x \in [1, k] $$ (7)

$$ C_x = [R_x \cdot E_x, L_x], x \in [1, k], L_x \in {L_1, L_2, …, L_n} $$ (8)

$$ DT_{model} = {C_1, C_2, …, C_k} $$ (9)

上述示例的数学表示如方程4–8所示。符号说明见表2。决策树可以转换为决策链集合$DT_{model}$，如方程9所示。

$$ TG = DT_{model}|_{\max(L_x)} $$ (10)

$$ DS_{x \to y} = \sqrt{\sum_{i=1}^{k} (R_{xi} - R_{yi})^2 \cdot E_{yi}} $$ (11)

$$ TL = TG| {\min(DS {x \to y})}, y \in TG $$ (12)

确定目标的标准有两个：燃油经济性在历史数据中达到最优值；且驾驶风格的变化尽可能小。如公式10所示，首先，从决策链集合中选择若干条燃油经济性等级最优的路径，构成目标集合TG。显然，驾驶员学习的最终学习目标必须包含在集合TG中。然后，根据第二个准则，求解在目标集合TG中距离当前驾驶风格最近的目标$\hat{TL}$。

为了衡量驾驶风格之间的差异，如公式11所示，我们定义了距离指标$DS_{x \to y}$，用于表征从决策链路Cx到Cy的差异。该值越大，表示驾驶员为从当前链路x提升至链路y所需进行的操作改变越多。这是一个方向性距离指标，即$DS_{x \to y}$不等同于$DS_{y \to x}$。该距离指标是基于欧几里得距离进行了改进，引入了基于欧几里得距离的距离元素有效性参数$E_{yi}$。因此，LPP算法的学习目标$\hat{TL}$可以表示为公式12。

2) LPP提示

如图4所示，LPP将代表当前驾驶风格的决策链与目标决策链之间的差异分为三类。这些信息将依次提示给驾驶员。规则如下：

a) 这三类提示分别为换挡提示、油门踏板正梯度提示和平均油门踏板深度提示。这三类提示的优先级为：挡位 > 油门踏板正梯度 > 平均油门踏板深度。
b) 每次只向驾驶员提供一类提示，以减少驾驶员分心。这意味着在前一个提示完成之前，LPP 不会向驾驶员提供其他类别的提示。
c) 每个类别中的每个特征具有相同的优先级，并将在驾驶过程的不同阶段呈现给驾驶员。以换挡提示为例，在驾驶过程中，三个换挡时机将在三个不同的速度点提示给驾驶员。
d) 每个特定类别中特征的阶段目标由决策树模型中相应特征的决策阈值确定。

该推广的实施包括以下步骤：
a) 车载单元在启动期间加载一个包含所有提示信息的文件。该文件由运行在远程服务器上的LPP算法更新。更新周期约为20天，由车辆运行的里程决定。
b) 驾驶员已掌握的提示信息在开始驾驶后的一段时间内会被跳过。
c) 之前已掌握但当前遗忘的提示信息将在下一个循环中再次提示。

C. 系统实现

生态驾驶辅助系统的实现如图5所示。该系统由三部分组成：安卓平板、车载单元和远程服务器。该系统的关键部分是车载单元。如图所示，系统的工作流程如下：
[1] 车载单元通过J1939和CAN校准协议与车辆及发动机的电子控制单元进行通信。
[2] 这些实时数据在重建模块中用于重构车辆质量、道路坡度、燃油经济性和换挡指数。
[3] 随后，利用原始数据和重建后的数据提取驾驶风格参数。
[4] 上述所有数据连同GPS位置信息通过无线网络传输至远程服务器。
[5] 在无线网络中断期间的数据将缓存在本地SD卡上，并在网络恢复后重新上传至服务器。
[6] 由远程服务器上运行的算法生成的XML文件被下载到车载单元中以供推广使用。
[7] 实时驾驶提示通过蓝牙传输到平板电脑上，以视听方式向驾驶员呈现。

III. 结果与讨论

为了验证所提出算法的有效性，本文从两个方面进行了验证：首先验证驾驶风格评价模型的精度，然后验证LPP算法的有效性。

A. 驾驶风格评价模型验证

驾驶风格评估建模的数据来自三辆在相同公交线路运行且具有相同配置的公交车。在为期19个月的数据采集中，共有13名驾驶员参与，并且排班均匀。数据的采样间隔为100毫秒。该数据集包含1.472亿条记录，覆盖了102,200公里的里程。相同的路线和车辆配置可消除车辆类型、交通信号灯和交通状况带来的影响。100毫秒的采样间隔能够充分保留驾驶风格的运行特征，而13名驾驶员轮流驾驶三辆车辆的方式可以排除偶然天气或乘客负载波动因素对结果和分析的影响。

如上所述，对于固定线路手动挡公交车，2500公里的运行数据可以反映驾驶风格对燃油消耗的影响。考虑到数据集包含13名司机，采用总记录的30%（共计30,660公里，每名司机2358公里）来构建驾驶风格评价模型，其余70%的样用于验证目的。这些驾驶员中，最短的公交车驾驶经验为9年，最长为25年。公交公司为他们提供了生态驾驶的薪资激励。即使是这些有积极性且驾驶经验丰富的驾驶员，其绝对燃油消耗差异仍高达14%，这也表明生态驾驶辅助系统具有良好的市场前景。通过比较每位驾驶员的平均预测燃油经济性水平与实际燃油经济性水平，对驾驶员评估模型的精度进行验证。

如图6所示，该评价模型的平均绝对误差为5.53%。此外，从图中可以看出，平均燃油经济性水平的预测趋势与实际平均燃油经济性水平非常接近，两者之间的相关性为0.89，对应的显著性水平为0.999943。这意味着基于C4.5决策树算法构建的驾驶风格评价模型能够实现预期目标。

B. LPP验证

在GT‐SUITE®和Simulink®中进行了仿真，其中详细的物理模型在GT‐SUITE中实现，而驾驶风格评价模型和LPP算法在Simulink®中实现。

1) 仿真平台

用于验证的仿真模型架构如图7所示，包括四个子模型：动力总成、驾驶员、车辆和环境。动力总成子模型包含发动机控制、变速箱和发动机模型。车辆子模型包含车辆控制器和车辆纵向动力学模型，而环境子模型包含风速、温度和道路等输入。驾驶员模型支持导入实际驾驶员综合操作，以模拟真实驾驶员操作对应的燃油经济性行为。该驾驶员模型还支持在Simulink环境中与LPP算法协同工作，以模拟驾驶员对LPP提示的预期响应。

用于能耗研究的车辆模型验证了包括空气阻力和滚动阻力在内的行驶阻力。车辆的滚动阻力由车辆质量决定，空气阻力由车速决定。模型标定确保车辆在滑行过程中的减速度速度曲线与实际曲线一致。如图8所示，车辆从37.4公里/小时自由滑行40秒。仿真模型与实测数据曲线之间的平均误差为0.29%。

发动机及其控制器模型根据制造商的实验数据进行了标定，标定结果如图9所示。可以看出，模型的外特性扭矩平均误差为0.12%，燃油经济性平均误差为1.51%。发动机的燃油喷射特性图和控制器模型中的驾驶特性图采用了实际发动机电子控制单元的标定数据。发动机的动态响应特性和燃油经济性特性与原机发动机一致。

由于动力传动系统模型和车辆模型表现出良好的验证精度，因此使用上述仿真平台来验证LPP算法。

2) LPP算法验证结果

为了验证LPP算法的有效性，我们选取了一段250秒驾驶段的实际运行数据作为基准，用以模拟LPP提示的接受与适应过程，逐步实现更优的燃油经济性。该驾驶段包含三个典型过程：1）从停车连续加速至最高速度，2）匀速行驶，以及3）减速，这有助于评估所提出的该算法在不同工况下的表现。

如图10所示，LPP提示的提示数量为76，意味着当前驾驶风格与理想状态之间存在76个微调步骤。这些步骤可进一步分为三类：换挡速度等级包含16个调整步骤，加速踏板变化率等级包含32个调整步骤，平均油门踏板深度包含28个调整步骤。操作调整前后快照用于对比分析。快照1与快照2的比较显示，4个挡位的换挡速度分别从16.2公里/小时、26.1公里/小时、39.8公里/小时调整为14.1公里/小时、21.9公里/小时、36.3公里/小时，表明初始驾驶风格的各挡位换挡时机均偏晚。类似地，如快照3和快照4所示，加速踏板变化率等级和平局油门踏板深度也进行了相应调整。如图所示，经过上述调整后，车辆的燃油经济性提高了6.25%。

如图11所示，四个快照的车速曲线基本相同，表明LPP对驾驶任务影响较小。快照1和快照2的比较显示，由于换挡时机的变化，加速过程中的车速曲线偏差比其他阶段更大。快照2与快照3的车速曲线基本重合，表明该LPP提供的加速踏板变化率调整策略对车速影响较小。快照3与快照4的比较显示，在62s ∼ 85s范围内，快照3的车速有所降低，表明该时段的车速对发动机而言效率不高。

为了进一步分析LPP算法实现节油的原理，我们对比了四个快照的发动机工作点分布。如图12所示，驾驶行为的变化会直接导致发动机工作点轨迹发生显著变化，尽管最终的速度曲线基本相同。不同的发动机工作点分布将导致不同的燃油效率。通过比较快照1和快照2的箱线图可以看出，图12中发动机转速中位数从1458 rpm降低到1388 rpm，扭矩由于换挡时机的变化从346Nm增加到376 Nm。这种分布的变化会使发动机运行工况向更高效的燃油区域移动。快照2与快照3的比较表明，虽然扭矩和转速的统计分布在箱线图中基本相同，但后者发动机轨迹的波动明显减少。发动机工作点波动的降低可以减少由发动机瞬态行为引起的额外燃油消耗。图12还显示，在快照4中加速踏板的平均深度降低，在转速超过1794 rpm时低燃油效率区的工作点显著减少。由此我们可以得出结论：第一，基于机器学习方法的纯数据模型可以替代物理模型提供生态驾驶指导；第二，LPP能够逐步引导驾驶员提升燃油经济性。

IV. 结论与未来工作

基于C4.5决策树，建立了一种驾驶风格的白箱评价模型。13名司机的结果显示，预测结果与实车驾驶数据的趋势一致，具有高相关性（0.89）和良好的显著性水平（0.999943）。这表明基于机器学习的纯数据模型具备表达驾驶员燃油经济性水平的能力。在此模型基础上，提出了一种用于改善驾驶风格的LPP，以定向距离作为指标。借助所提出的LPP，驾驶员可在驾驶风格变化最小的情况下实现最佳燃油经济性。

基于车辆与发动机仿真平台的仿真结果，LPP算法能够在驾驶任务基本不变的前提下，指导驾驶员将燃油经济性提高6.25%。进一步分析发动机工作点轨迹表明，所提出的LPP算法可以从三个方面帮助驾驶员改善燃油经济性：
a）通过改变换挡时机，将发动机工作点分布转移到更优燃油经济性区域；
b）通过限制加速踏板的正变化率，减少发动机瞬态行为；
c）减少超出经济车速的驾驶行为。

该分析结果验证了驾驶辅助优化算法的有效性。

我们所提出算法的性能可进一步提升：
a）在更多应用场景下进行测试，例如非固定线路车辆，以提高算法的通用性；
b）与电子控制单元的控制策略集成，增强其自优化能力；
c）在实际场景下评估该算法的节油性能。