CN108647836B - 一种驾驶员节能评价方法和系统 - Google Patents
一种驾驶员节能评价方法和系统 Download PDFInfo
- Publication number
- CN108647836B CN108647836B CN201810587429.3A CN201810587429A CN108647836B CN 108647836 B CN108647836 B CN 108647836B CN 201810587429 A CN201810587429 A CN 201810587429A CN 108647836 B CN108647836 B CN 108647836B
- Authority
- CN
- China
- Prior art keywords
- energy
- saving
- driving
- characteristic parameter
- kinematic
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000011156 evaluation Methods 0.000 title claims abstract description 54
- 238000013210 evaluation model Methods 0.000 claims abstract description 61
- 238000013145 classification model Methods 0.000 claims abstract description 28
- 238000000034 method Methods 0.000 claims abstract description 20
- 230000001133 acceleration Effects 0.000 claims description 41
- 238000004422 calculation algorithm Methods 0.000 claims description 22
- 239000000446 fuel Substances 0.000 claims description 21
- 238000004364 calculation method Methods 0.000 claims description 20
- 238000012545 processing Methods 0.000 claims description 14
- 238000007781 pre-processing Methods 0.000 claims description 12
- 238000012549 training Methods 0.000 claims description 9
- 238000010801 machine learning Methods 0.000 claims description 6
- 238000004134 energy conservation Methods 0.000 claims description 5
- 238000004458 analytical method Methods 0.000 claims description 2
- 230000000694 effects Effects 0.000 abstract description 4
- 230000008569 process Effects 0.000 description 5
- 238000006243 chemical reaction Methods 0.000 description 4
- 238000012847 principal component analysis method Methods 0.000 description 4
- 238000007621 cluster analysis Methods 0.000 description 3
- 238000005265 energy consumption Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000007635 classification algorithm Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000013077 scoring method Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/40—Business processes related to the transportation industry
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Evolutionary Biology (AREA)
- Marketing (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Business, Economics & Management (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Tourism & Hospitality (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Development Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Probability & Statistics with Applications (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Combined Controls Of Internal Combustion Engines (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明特别涉及一种驾驶员节能评价方法,首先将车辆行驶路线划分为至少一个运动学片段,通过预设的行驶工况分类模型生成每个运动学片段的行驶工况类型,然后根据不同行驶工况类型对应的节能程度评价模型生成每个运动学片段的节能等级,最后根据所有运动学片段的节能等级以及每个节能等级的预设分值生成该车辆行驶路线的驾驶员节能评价分数。本发明将运动学片段作为对驾驶员进行节能评价的基本单位,通过识别运动学片段所属的行驶工况类型可以减轻道路交通状况对节能驾驶评价的影响,具有普适性。同时,本发明还可以根据行驶工况类型自动选择效果最好的节能程度评价模型生成节能等级,从而更加客观合理地量化驾驶员的节能驾驶水平。
Description
技术领域
本发明涉及驾驶员驾驶水平评价领域,特别涉及一种驾驶员节能评价方法和系统。
背景技术
驾驶员的驾驶操作直接影响车辆燃料消耗量,即便是职业驾驶员,不同驾驶操作方式也会导致车辆燃料消耗量有所差别。驾驶员节能评价方法的研究和推广应用,对于汽车行业实现节能减排的目标,具有非常重要的现实意义。目前常用的评价驾驶员节能优劣的方法,忽略车辆行驶工况对评价结果的影响,而且一段驾驶行程的燃油消耗不仅受驾驶行为的影响,还会受到交通流量的影响。为了消除这种影响,部分研究在选定的路段进行实验,但是这种研究不具有普适性,无法在实际应用中推广。
发明内容
本发明提供了一种驾驶员节能评价方法和系统,解决了现有技术的评价方法准确度不高且不具有普适性的技术问题。
本发明解决上述技术问题的技术方案如下:一种驾驶员节能评价方法,包括以下步骤:
步骤1,设定行驶特征参数和节能特征参数,并根据行驶特征参数建立行驶工况分类模型,根据节能特征参数建立不同行驶工况类型分别对应的节能程度评价模型;
步骤2,采集目标车辆的行驶数据,所述行驶数据至少包括停车时间、行驶特征参数值和节能特征参数值;
步骤3,根据所述停车时间将目标车辆的车辆行驶路线划分为至少一个运动学片段;
步骤4,获取每个运动学片段的行驶特征参数值,根据所述行驶工况分类模型生成每个运动学片段对应的目标行驶工况类型,并根据所述目标行驶工况类型生成每个运动学片段对应的节能程度评价模型;
步骤5,获取每个运动学片段的节能特征参数值,并根据对应的节能程度评价模型生成每个运动学片段的节能等级;
步骤6,根据所有运动学片段的节能等级以及每个节能等级对应的预设分值生成所述车辆行驶路线对应的驾驶员节能评价分数。
本发明的有益效果是:本发明的驾驶员节能评价方法将运动学片段作为对驾驶员进行节能评价的基本单位,通过识别运动学片段所属的行驶工况类型可以减轻道路交通状况对节能驾驶评价的影响,具有普适性,可在实际应用中推广;同时,本发明还可以根据不同的行驶工况类型自动选择精确度最高、效果最好的节能程度评价模型生成节能等级,从而更加客观合理地量化驾驶员的节能驾驶水平。
在上述技术方案的基础上,本发明还可以做如下改进。
进一步,所述行驶特征参数包括片段时长、平均速度、最大速度、平均加速度、最大加速度、平均减速度、最大减速度、速度标准差、加速数目比、减速数目比、加速时长比和减速时长比中的至少一个;所述节能特征参数包括低速行驶时长占比、平均速度、最大速度、急加速占比、滑行减速占比、经济转速占比、驾驶员预见性判断行驶路况能力、片段时长、速度标准差、平均加速度、平均减速度、匀速数目比和匀速时长比中的至少一个。
进一步,所述步骤6具体为:
根据所述行驶数据提取每个运动学片段对应的行驶距离,并计算所有行驶距离之和为m;
根据每个运动学片段的行驶距离和节能等级生成每个节能等级对应的总行驶距离,记为W1、W2……Wi,其中i为节能程度评价模型包括的节能等级个数;
生成每个节能等级的计算权重,记为W1/m、W2/m……Wi/m;
根据所有节能等级对应的平均百公里油耗比设定每个节能等级的分值,记为A1、A2……Ai;
采用预设公式计算所述车辆行驶路线对应的驾驶员节能评价分数,所述预设公式为:
S=W1/m*A1+W2/m*A2+……+Wi/m*Ai,其中S为驾驶员节能评价分数。
进一步,步骤1中根据行驶特征参数建立行驶工况分类模型具体包括以下步骤:
采集多个运动学片段分别对应的车辆行驶样本数据,从每个车辆行驶样本数据中分别提取行驶特征参数值,并对所述行驶特征参数值进行标准化处理;
采用第一预设聚类方法以及标准化后的行驶特征参数值将所述多个运动学片段聚类为n类,每一类表示一种车辆行驶工况类型,所述n为大于1的整数;
采用预设机器学习算法对所述多个运动学片段对应的行驶特征参数值进行训练,生成用于识别车辆行驶工况类型的行驶工况分类模型。
进一步,步骤1中根据行驶特征参数建立行驶工况分类模型还包括以下步骤:采用主成分分析方法,将所有的行驶特征参数转化为至少一种综合特征,并利用所述至少一种综合特征将所述多个运动学片段聚类为n类。
进一步,步骤1中根据节能特征参数建立不同行驶工况类型分别对应的节能程度评价模型具体包括以下步骤:
从所述车辆行驶样本数据中提取每个运动学片段对应的节能特征参数值,并对所述节能特征参数值进行标准化处理;
采用第二预设聚类算法以及标准化后的节能特征参数值对所述多个运动学片段的平均百公里油耗进行聚类分析,将所述多个运动学片段聚类为t个节能等级,所述t为大于1的整数;
选用多个预设机器算法对所述多个运动学片段对应的行驶特征参数值进行训练,以对每种行驶工况类型分别建立多个初始节能程度评价模型,并选择精确度最高的初始节能程度评价模型作为各个行驶工况类型对应的节能程度评价模型。
为了解决本发明的技术问题,还提供了一种驾驶员节能评价系统,包括第一模型建立模块、第二模型建立模块、数据采集模块、片段划分模块、第一分类模块、第二分类模块和计算模块,
所述第一模型建立模块用于设定行驶特征参数,并根据行驶特征参数建立行驶工况分类模型;
所述第二模型建立模块用于设定节能特征参数,并根据节能特征参数建立不同行驶工况类型分别对应的节能程度评价模型;
所述数据采集模块用于采集目标车辆的行驶数据,所述行驶数据至少包括停车时间、行驶特征参数值和节能特征参数值;
所述片段划分模块用于根据所述停车时间将目标车辆的车辆行驶路线划分为至少一个运动学片段;
所述第一分类模块用于获取每个运动学片段的行驶特征参数值,根据所述行驶工况分类模型生成每个运动学片段对应的目标行驶工况类型,并根据所述目标行驶工况类型生成每个运动学片段对应的节能程度评价模型;
所述第二分类模块用于获取每个运动学片段的节能特征参数值,并根据对应的节能程度评价模型生成每个运动学片段的节能等级;
所述计算模块用于根据所有运动学片段的节能等级以及每个节能等级对应的预设分值生成所述车辆行驶路线对应的驾驶员节能评价分数。
进一步,所述行驶特征参数包括片段时长、平均速度、最大速度、平均加速度、最大加速度、平均减速度、最大减速度、速度标准差、加速数目比、减速数目比、加速时长比和减速时长比中的至少一个;所述节能特征参数包括低速行驶时长占比、平均速度、最大速度、急加速占比、滑行减速占比、经济转速占比、驾驶员预见性判断行驶路况能力、片段时长、速度标准差、平均加速度、平均减速度、匀速数目比和匀速时长比中的至少一个。
进一步,所述计算模块具体包括:
权重计算单元,用于根据所述行驶数据提取每个运动学片段对应的行驶距离,并计算所有行驶距离之和为m,然后根据每个运动学片段的行驶距离和节能等级生成每个节能等级对应的总行驶距离,记为W1、W2……Wi,并生成每个节能等级的计算权重,记为W1/m、W2/m……Wi/m,其中i为节能程度评价模型包括的节能等级个数;
分值设定单元,用于根据所有节能等级对应的平均百公里油耗比设定每个节能等级的分值,记为A1、A2……Ai;
分数计算单元,用于采用预设公式计算所述车辆行驶路线对应的驾驶员节能评价分数,所述预设公式为:
S=W1/m*A1+W2/m*A2+……+Wi/m*Ai,其中S为驾驶员节能评价分数。
进一步,所述第一模型建立模块具体包括:
样本数据采集单元,用于采集多个运动学片段分别对应的车辆行驶样本数据;
第一预处理单元,用于从每个车辆行驶样本数据中分别提取行驶特征参数值,并对所述行驶特征参数值进行标准化处理;
第一聚类单元,用于采用第一预设聚类方法以及标准化后的行驶特征参数值将所述多个运动学片段聚类为n类,每一类表示一种车辆行驶工况类型,所述n为大于1的整数;
第一模型建立单元,用于采用预设机器学习算法对所述多个运动学片段对应的行驶特征参数值进行训练,生成用于识别车辆行驶工况类型的行驶工况分类模型。
进一步,所述第一模型建立模块还包括转化单元,所述转化单元用于采用主成分分析方法,将所有的行驶特征参数转化为至少一种综合特征,并利用所述至少一种综合特征将所述多个运动学片段聚类为n类。
进一步,所述第二模型建立模块具体包括:
第二预处理单元,用于从所述车辆行驶样本数据中提取每个运动学片段对应的节能特征参数值,并对所述节能特征参数值进行标准化处理;
第二聚类单元,用于采用第二预设聚类算法以及标准化后的节能特征参数值对所述多个运动学片段的平均百公里油耗进行聚类分析,将所述多个运动学片段聚类为t个节能等级,所述t为大于1的整数;
第二模型建立单元,用于选用多个预设机器算法对所述多个运动学片段对应的行驶特征参数值进行训练,以对每种行驶工况类型分别建立多个初始节能程度评价模型,并选择精确度最高的初始节能程度评价模型作为各个行驶工况类型对应的节能程度评价模型。
本发明附加的方面的优点将在下面的描述中部分给出,部分将从下面的描述中变得明显,或通过本发明实践了解到。
附图说明
图1为本发明实施例1提供的一种驾驶员节能评价方法的流程示意图;
图2为本发明实施例2提供的一种驾驶员节能评价系统的结构示意图。
具体实施方式
以下结合附图对本发明的原理和特征进行描述,所举实例只用于解释本发明,并非用于限定本发明的范围。
图1为实施例1提供的一种驾驶员节能评价方法的流程示意图,如图1所示,包括以下步骤:
步骤1,设定行驶特征参数和节能特征参数,并根据行驶特征参数建立行驶工况分类模型,根据节能特征参数建立不同行驶工况类型分别对应的节能程度评价模型;
步骤2,采集目标车辆的行驶数据,所述行驶数据至少包括停车时间、行驶特征参数值和节能特征参数值;
步骤3,根据所述停车时间将目标车辆的车辆行驶路线划分为至少一个运动学片段;
步骤4,获取每个运动学片段的行驶特征参数值,根据所述行驶工况分类模型生成每个运动学片段对应的目标行驶工况类型,并根据所述目标行驶工况类型生成每个运动学片段对应的节能程度评价模型;
步骤5,获取每个运动学片段的节能特征参数值,并根据对应的节能程度评价模型生成每个运动学片段的节能等级;
步骤6,根据所有运动学片段的节能等级以及每个节能等级对应的预设分值生成所述车辆行驶路线对应的驾驶员节能评价分数。
上述实施例将运动学片段作为对驾驶员进行节能评价的基本单位,通过识别运动学片段所属的行驶工况类型可以减轻道路交通状况对节能驾驶评价的影响,具有普适性,可在实际应用中推广;同时,本发明还可以根据不同的行驶工况类型自动选择精确度最高、效果最好的节能程度评价模型生成节能等级,从而更加客观合理地量化驾驶员的节能驾驶水平。
以下对上述实施例的每个步骤进行具体说明。
首先需要选取行驶特征参数,并根据行驶特征参数建立行驶工况分类模型。比如一个优选实施例中,可以选取片段时长、平均速度、最大速度、平均加速度、最大加速度、平均减速度、最大减速度、速度标准差、加速数目比、减速数目比、加速时长比和减速时长比等12种行驶特征参数来建立行驶工况分类模型,具体包括以下步骤:
S101,采集多个运动学片段分别对应的车辆行驶样本数据,比如采集车辆的CAN总线数据,然后从每个车辆行驶样本数据中分别提取行驶特征参数值,并对所述行驶特征参数值进行标准化处理。步骤中所指的运动学片段是车辆从一次停车到下一次停车的运动过程,根据车辆行驶样本数据中的停车时间就可以获取所有的运动学片段。优选实施例中,还可以采用主成分分析方法,将所有的行驶特征参数转化为至少一种综合特征,比如将上述12种行驶特征参数转换为5种综合特征,然后利用所述5种综合特征对多个运动学片段进行聚类,这样可以降低聚类分析的复杂度,同时损失信息也较少。
S102,采用第一预设聚类方法以及标准化后的行驶特征参数值将所述多个运动学片段聚类为n类,每一类表示一种车辆行驶工况类型,所述n为大于1的整数。比如优选实施例中,可以采用系统聚类方法将多个运动学片段聚类为3类,分别为主干道工况、拥堵工况和城郊工况,然后在后续步骤中,针对上述3种车辆行驶工况类型分别建立节能程度评价模型。
S103,采用预设机器学习算法对所述多个运动学片段对应的行驶特征参数值进行训练,生成用于识别车辆行驶工况类型的行驶工况分类模型。比如优选实施例中,基于k近邻算法,以构建行驶工况时用到的上述12种参数为特征,在多个运动学片段的车辆行驶样本数据上训练,从而建立用于对运动学片段所属行驶工况进行预测的驶工况分类模型。
然后需要选取节能特征参数,并根据节能特征参数建立不同行驶工况类型下的节能程度评价模型。本发明以运动学片段的平均百公里油耗作为车辆燃油消耗的评价指标,分别从速度、加速度、发动机转速和车速稳定性等方面研究节能特征对燃油消耗的影响,从而确定节能特征参数。
将车辆以不同速度行驶的瞬时百公里油耗取平均值,可得到不同车速下的平均百公里油耗值。研究发现,当车速低于25km/h时,平均百公里油耗随着车速的增加而逐渐降低,当车速超过25km/h后,平均百公里油耗趋于平稳。因此可将25km/h以下的车速视为低速,当车辆低速行驶时,受到来自摩擦和空气的阻力较小,克服阻力行驶的功率较小,但是发动机的负荷率较小,平均百公里油耗较高。因此,提出低速行驶时长占比、平均速度和最大速度作为节能特征参数。
当车辆急加速或急减速时,由于速度变化过于剧烈,不仅影响车辆燃油消耗,还为行车安全带来隐患。将瞬时加速度大于特定值的情况定义为急加速,使用急加速占比表示各运动学片段中急加速的次数占所有加速情况的比例。驾驶员在减速过程中可采用制动减速或滑行减速两种方式,制动减速常在车流量较大,因行驶预见性低而出现突发状况时采用,而滑行减速在行驶预见性好的道路畅通条件下使用。使用滑行减速占比表示各运动学片段中滑行减速的时长占所有减速时长的比例。
发动机转速在经济转速区间时,其对应的瞬时油耗较低并且油耗波动幅度不大,使用经济转速占比描述各运动学片段中处于经济转速区间的时长占运动学片段时长的比例,可反映驾驶员合理控制发动机转速的能力。驾驶员可通过及时调整变速器挡位,控制加速踏板,将发动机转速调整至经济转速区间内,从而减少燃油消耗。
PKE(Positive Kinetic Energy)反映驾驶员预见性判断行驶路况的能力,驾驶员进行预见性驾驶时,要对前方路况和车辆附近的情况作出判断,预见到稍后可能遇到的交通状况,并采取对应的操作。PKE的计算公式如下:
式中,x为行驶里程,vf和vi是运动学片段中各时间间隔的起始速度和终止速度。可以将运动学片段的PKE数值作为节能特征参数,车辆在行驶过程中,驾驶员应注意观察前方交通状况,合理加减速,避免车辆频繁起停,维持车辆匀速行驶,以提高燃油经济性。
除上述节能特征参数外,本发明的优选实施例还选取片段时长、速度标准差、平均加速度、平均减速度、匀速数目比和匀速时长比等6个参数作为节能特征参数。然后根据上述节能特征参数建立不同行驶工况类型分别对应的节能程度评价模型,具体为:
S105,从所述车辆行驶样本数据中提取每个运动学片段对应的节能特征参数值,并对所述节能特征参数值进行标准化处理。
S106,采用第二预设聚类算法以及标准化后的节能特征参数值对所述多个运动学片段的平均百公里油耗进行聚类分析,将所述多个运动学片段聚类为t个节能等级,所述t为大于1的整数。优选实施例中,可以采用K-means算法对多个运动学片段的平均百公里油耗进行聚类分析,确定聚类中心及片段数量,将所述多个运动学片段聚类为能耗依次增大的3个能耗等级,分别为节能型、一般型和非节能型。
S107,选用多个预设机器算法对所述多个运动学片段对应的行驶特征参数值进行训练,以对每种行驶工况类型分别建立多个初始节能程度评价模型,并选择精确度最高的初始节能程度评价模型作为各个行驶工况类型对应的节能程度评价模型。比如优选实施例中,可以采用随机森林、支持向量机、k近邻和XGBoost等分类算法对主干道工况、拥堵工况和城郊工况等三种行驶工况类型分别建立多个初始节能程度评价模型,然后根据实验结果,选择每种行驶工况类型下最优的,比如精确度最高的初始节能程度评价模型,从而实现多种算法的组合,得到更加准确的节能评价结果。
在采集多个运动学片段分别对应的车辆行驶样本数据时,会出现得到的行驶工况类型比较单一的情况,比如采集的样本数据为公交车驾驶员的样本数据时,因为公交车驾驶员是经过节能驾驶培训上岗的,具备一定的节能驾驶意识,因此高能耗片段,即评价结果为非节能型的样本数量和其他类别相比相对较少,在数量上处于劣势。对于这种情况,可以通过SMOTE算法对所述不平衡的车辆行驶样本数据进行处理,从而有效防止过拟合现象的出现,在一定程度上提高对少数类的预测精度,增强模型的泛化能力。
同时,在建立运动学片段的节能程度评价模型时,节能特征参数通常有很多,并且参数之间的组合较为复杂,因此可以采用基于交叉验证思想的网格搜索法对节能程度评价模型的参数进行优化。
在通过大量训练建立行驶工况分类模型和节能程度评价模型后,可以对上述模型进行存储,并建立对应关系表,通过查询对应关系表即可获取不同行驶工况类别对应的节能程度评价模型,从而进行后续的节能分数计算。
具体的,当获取目标车辆的行驶数据后,首先提取行驶数据的停车时间、行驶特征参数值和节能参数特征值,然后根据停车时间将车辆行驶路线划分为若干个运动学片段,通过预设的行驶工况分类模型生成每个运动学片段的行驶工况类型,然后根据不同行驶工况类型对应的节能程度评价模型生成每个运动学片段的节能等级,最后根据所有运动学片段的节能等级以及每个节能等级的预设分值生成该车辆行驶路线的驾驶员节能评价分数,比如可以采用加权评分的方法对多项因素进行综合考察,利用不同指标加权数值之和综合表示整体性能,从而实现根据不同行驶工况下运动学片段的节能情况进行综合驾驶评价。
具体的,一个优选实施例可以根据每个运动学片段的行驶路程确定权重,所述步骤6具体为:
S601,根据所述行驶数据提取每个运动学片段对应的行驶距离,并计算所有行驶距离之和为m;
S602,根据每个运动学片段的行驶距离和节能等级生成每个节能等级对应的总行驶距离,记为W1、W2……Wi,其中i为节能程度评价模型包括的节能等级个数;
S603,生成每个节能等级的计算权重,记为W1/m、W2/m……Wi/m;
根据所有节能等级对应的平均百公里油耗比设定每个节能等级的分值,记为A1、A2……Ai;
S604,采用预设公式计算所述车辆行驶路线对应的驾驶员节能评价分数,所述预设公式为:
S=W1/m*A1+W2/m*A2+……+Wi/m*Ai,其中S为驾驶员节能评价分数。
一个驾驶员一天的行驶里程为m,通过对运动学片段的计算处理,将运动学片段的行驶特征参数输入到行驶工况分类模型,可预测各运动学片段属于哪种行驶工况。随后将不同行驶工况下的运动学片段汇总,将其节能特征参数输入到相应的节能程度评价模型中,可得到运动学片段的节能程度分类结果,统计出节能型片段有a个,一般型片段有b个,非节能型片段有c个。
而不同节能等级的分值和其平均百公里油耗成反比,即平均百公里油耗越高,其分值越低。通过计算聚类中心比得到节能型、一般型和非节能型的平均百公里油耗比为x:y:z,且以节能型片段得100分为基准,得到一般型片段的得分为100x/y,非节能型片段的得分为100x/z,该驾驶员最后得分为:
式中,各节能型片段的行驶距离为xi,各一般型片段的行驶距离为yi,各非节能型片段的行驶距离为zi,m为总行驶里程。通过分析运动学片段的能耗差异,结合运动学片段的行驶路程确定权重,可对驾驶员的节能技术进行量化考评。
图2为本发明实施例2提供的一种驾驶员节能评价系统的结构示意图,如图2所示,包括第一模型建立模块、第二模型建立模块、数据采集模块、片段划分模块、第一分类模块、第二分类模块和计算模块,
所述第一模型建立模块用于设定行驶特征参数,并根据行驶特征参数建立行驶工况分类模型;
所述第二模型建立模块用于设定节能特征参数,并根据节能特征参数建立不同行驶工况类型分别对应的节能程度评价模型;
所述数据采集模块用于采集目标车辆的行驶数据,所述行驶数据至少包括停车时间、行驶特征参数值和节能特征参数值;
所述片段划分模块用于根据所述停车时间将目标车辆的车辆行驶路线划分为至少一个运动学片段;
所述第一分类模块用于获取每个运动学片段的行驶特征参数值,根据所述行驶工况分类模型生成每个运动学片段对应的目标行驶工况类型,并根据所述目标行驶工况类型生成每个运动学片段对应的节能程度评价模型;
所述第二分类模块用于获取每个运动学片段的节能特征参数值,并根据对应的节能程度评价模型生成每个运动学片段的节能等级;
所述计算模块用于根据所有运动学片段的节能等级以及每个节能等级对应的预设分值生成所述车辆行驶路线对应的驾驶员节能评价分数。
上述实施例将运动学片段作为对驾驶员进行节能评价的基本单位,通过识别运动学片段所属的行驶工况类型可以减轻道路交通状况对节能驾驶评价的影响,具有普适性,可在实际应用中推广;同时,本发明还可以根据不同的行驶工况类型自动选择精确度最高、效果最好的节能程度评价模型生成节能等级,从而更加客观合理地量化驾驶员的节能驾驶水平。
优选实施例中,所述行驶特征参数包括片段时长、平均速度、最大速度、平均加速度、最大加速度、平均减速度、最大减速度、速度标准差、加速数目比、减速数目比、加速时长比和减速时长比中的至少一个;所述节能特征参数包括低速行驶时长占比、平均速度、最大速度、急加速占比、滑行减速占比、经济转速占比、驾驶员预见性判断行驶路况能力、片段时长、速度标准差、平均加速度、平均减速度、匀速数目比和匀速时长比中的至少一个。
另一优选实施例中,可以根据每个运动学片段的行驶路程确定权重从而计算驾驶员的节能驾驶分数,此时所述计算模块具体包括:
权重计算单元,用于根据所述行驶数据提取每个运动学片段对应的行驶距离,并计算所有行驶距离之和为m,然后根据每个运动学片段的行驶距离和节能等级生成每个节能等级对应的总行驶距离,记为W1、W2……Wi,并生成每个节能等级的计算权重,记为W1/m、W2/m……Wi/m,其中i为节能程度评价模型包括的节能等级个数;
分值设定单元,用于根据所有节能等级对应的平均百公里油耗比设定每个节能等级的分值,记为A1、A2……Ai;
分数计算单元,用于采用预设公式计算所述车辆行驶路线对应的驾驶员节能评价分数,所述预设公式为:
S=W1/m*A1+W2/m*A2+……+Wi/m*Ai,其中S为驾驶员节能评价分数。
一个优选实施例中,所述第一模型建立模块具体包括:
样本数据采集单元,用于采集多个运动学片段分别对应的车辆行驶样本数据;
第一预处理单元,用于从每个车辆行驶样本数据中分别提取行驶特征参数值,并对所述行驶特征参数值进行标准化处理;
第一聚类单元,用于采用第一预设聚类方法以及标准化后的行驶特征参数值将所述多个运动学片段聚类为n类,每一类表示一种车辆行驶工况类型,所述n为大于1的整数;
第一模型建立单元,用于采用预设机器学习算法对所述多个运动学片段对应的行驶特征参数值进行训练,生成用于识别车辆行驶工况类型的行驶工况分类模型。
所述第二模型建立模块具体包括:
第二预处理单元,用于从所述车辆行驶样本数据中提取每个运动学片段对应的节能特征参数值,并对所述节能特征参数值进行标准化处理;
第二聚类单元,用于采用第二预设聚类算法以及标准化后的节能特征参数值对所述多个运动学片段的平均百公里油耗进行聚类分析,将所述多个运动学片段聚类为t个节能等级,所述t为大于1的整数;
第二模型建立单元,用于选用多个预设机器算法对所述多个运动学片段对应的行驶特征参数值进行训练,以对每种行驶工况类型分别建立多个初始节能程度评价模型,并选择精确度最高的初始节能程度评价模型作为各个行驶工况类型对应的节能程度评价模型。
在另一优选实施例中,所述第一模型建立模块还包括转化单元,所述转化单元用于采用主成分分析方法,将所有的行驶特征参数转化为至少一种综合特征,并利用所述至少一种综合特征将所述多个运动学片段聚类为n类。
读者应理解,在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不必针对的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外,在不相互矛盾的情况下,本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,上述描述的装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在本申请所提供的几个实施例中,应该理解到,所揭露的装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。
作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本发明实施例方案的目的。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以是两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分,或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到各种等效的修改或替换,这些修改或替换都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以权利要求的保护范围为准。
以上所述仅为本发明的较佳实施例,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种驾驶员节能评价方法,其特征在于,包括以下步骤:
步骤1,设定行驶特征参数和节能特征参数,并根据行驶特征参数建立行驶工况分类模型,根据节能特征参数建立不同行驶工况类型分别对应的节能程度评价模型;
步骤2,采集目标车辆的行驶数据,所述行驶数据至少包括停车时间、行驶特征参数值和节能特征参数值;
步骤3,根据所述停车时间将目标车辆的车辆行驶路线划分为至少一个运动学片段;
步骤4,获取每个运动学片段的行驶特征参数值,根据所述行驶工况分类模型生成每个运动学片段对应的目标行驶工况类型,并根据所述目标行驶工况类型生成每个运动学片段对应的节能程度评价模型;
步骤5,获取每个运动学片段的节能特征参数值,并根据对应的节能程度评价模型生成每个运动学片段的节能等级;
步骤6,根据所有运动学片段的节能等级以及每个节能等级对应的预设分值生成所述车辆行驶路线对应的驾驶员节能评价分数。
2.根据权利要求1所述的驾驶员节能评价方法,其特征在于,所述行驶特征参数包括片段时长、平均速度、最大速度、平均加速度、最大加速度、平均减速度、最大减速度、速度标准差、加速数目比、减速数目比、加速时长比和减速时长比中的至少一个;所述节能特征参数包括低速行驶时长占比、平均速度、最大速度、急加速占比、滑行减速占比、经济转速占比、驾驶员预见性判断行驶路况能力、片段时长、速度标准差、平均加速度、平均减速度、匀速数目比和匀速时长比中的至少一个。
3.根据权利要求1所述的驾驶员节能评价方法,其特征在于,所述步骤6具体为:
根据所述行驶数据提取每个运动学片段对应的行驶距离,并计算所有行驶距离之和为m;
根据每个运动学片段的行驶距离和节能等级生成每个节能等级对应的总行驶距离,记为W1、W2……Wi,其中i为节能程度评价模型包括的节能等级个数;
生成每个节能等级的计算权重,记为W1/m、W2/m……Wi/m;
根据所有节能等级对应的平均百公里油耗比设定每个节能等级的分值,记为A1、A2……Ai;
采用预设公式计算所述车辆行驶路线对应的驾驶员节能评价分数,所述预设公式为:
S=W1/m*A1+W2/m*A2+……+Wi/m*Ai,其中S为驾驶员节能评价分数。
4.根据权利要求1-3任一所述的驾驶员节能评价方法,其特征在于,步骤1中根据行驶特征参数建立行驶工况分类模型具体包括以下步骤:
采集多个运动学片段分别对应的车辆行驶样本数据,从每个车辆行驶样本数据中分别提取行驶特征参数值,并对所述行驶特征参数值进行标准化处理;
采用第一预设聚类方法以及标准化后的行驶特征参数值将所述多个运动学片段聚类为n类,每一类表示一种车辆行驶工况类型,所述n为大于1的整数;
采用预设机器学习算法对所述多个运动学片段对应的行驶特征参数值进行训练,生成用于识别车辆行驶工况类型的行驶工况分类模型。
5.根据权利要求4所述的驾驶员节能评价方法,其特征在于,步骤1中根据节能特征参数建立不同行驶工况类型分别对应的节能程度评价模型具体包括以下步骤:
从所述车辆行驶样本数据中提取每个运动学片段对应的节能特征参数值,并对所述节能特征参数值进行标准化处理;
采用第二预设聚类算法以及标准化后的节能特征参数值对所述多个运动学片段的平均百公里油耗进行聚类分析,将所述多个运动学片段聚类为t个节能等级,所述t为大于1的整数;
选用多个预设机器算法对所述多个运动学片段对应的行驶特征参数值进行训练,以对每种行驶工况类型分别建立多个初始节能程度评价模型,并选择精确度最高的初始节能程度评价模型作为各个行驶工况类型对应的节能程度评价模型。
6.一种驾驶员节能评价系统,其特征在于,包括第一模型建立模块、第二模型建立模块、数据采集模块、片段划分模块、第一分类模块、第二分类模块和计算模块,
所述第一模型建立模块用于设定行驶特征参数,并根据行驶特征参数建立行驶工况分类模型;
所述第二模型建立模块用于设定节能特征参数,并根据节能特征参数建立不同行驶工况类型分别对应的节能程度评价模型;
所述数据采集模块用于采集目标车辆的行驶数据,所述行驶数据至少包括停车时间、行驶特征参数值和节能特征参数值;
所述片段划分模块用于根据所述停车时间将目标车辆的车辆行驶路线划分为至少一个运动学片段;
所述第一分类模块用于获取每个运动学片段的行驶特征参数值,根据所述行驶工况分类模型生成每个运动学片段对应的目标行驶工况类型,并根据所述目标行驶工况类型生成每个运动学片段对应的节能程度评价模型;
所述第二分类模块用于获取每个运动学片段的节能特征参数值,并根据对应的节能程度评价模型生成每个运动学片段的节能等级;
所述计算模块用于根据所有运动学片段的节能等级以及每个节能等级对应的预设分值生成所述车辆行驶路线对应的驾驶员节能评价分数。
7.根据权利要求6所述的驾驶员节能评价系统,其特征在于,所述行驶特征参数包括片段时长、平均速度、最大速度、平均加速度、最大加速度、平均减速度、最大减速度、速度标准差、加速数目比、减速数目比、加速时长比和减速时长比中的至少一个;所述节能特征参数包括低速行驶时长占比、平均速度、最大速度、急加速占比、滑行减速占比、经济转速占比、驾驶员预见性判断行驶路况能力、片段时长、速度标准差、平均加速度、平均减速度、匀速数目比和匀速时长比中的至少一个。
8.根据权利要求6所述的驾驶员节能评价系统,其特征在于,所述计算模块具体包括:
权重计算单元,用于根据所述行驶数据提取每个运动学片段对应的行驶距离,并计算所有行驶距离之和为m,然后根据每个运动学片段的行驶距离和节能等级生成每个节能等级对应的总行驶距离,记为W1、W2……Wi,并生成每个节能等级的计算权重,记为W1/m、W2/m……Wi/m,其中i为节能程度评价模型包括的节能等级个数;
分值设定单元,用于根据所有节能等级对应的平均百公里油耗比设定每个节能等级的分值,记为A1、A2……Ai;
分数计算单元,用于采用预设公式计算所述车辆行驶路线对应的驾驶员节能评价分数,所述预设公式为:
S=W1/m*A1+W2/m*A2+……+Wi/m*Ai,其中S为驾驶员节能评价分数。
9.根据权利要求6-8任一所述的驾驶员节能评价系统,其特征在于,所述第一模型建立模块具体包括:
样本数据采集单元,用于采集多个运动学片段分别对应的车辆行驶样本数据;
第一预处理单元,用于从每个车辆行驶样本数据中分别提取行驶特征参数值,并对所述行驶特征参数值进行标准化处理;
第一聚类单元,用于采用第一预设聚类方法以及标准化后的行驶特征参数值将所述多个运动学片段聚类为n类,每一类表示一种车辆行驶工况类型,所述n为大于1的整数;
第一模型建立单元,用于采用预设机器学习算法对所述多个运动学片段对应的行驶特征参数值进行训练,生成用于识别车辆行驶工况类型的行驶工况分类模型。
10.根据权利要求9所述的驾驶员节能评价系统,其特征在于,所述第二模型建立模块具体包括:
第二预处理单元,用于从所述车辆行驶样本数据中提取每个运动学片段对应的节能特征参数值,并对所述节能特征参数值进行标准化处理;
第二聚类单元,用于采用第二预设聚类算法以及标准化后的节能特征参数值对所述多个运动学片段的平均百公里油耗进行聚类分析,将所述多个运动学片段聚类为t个节能等级,所述t为大于1的整数;
第二模型建立单元,用于选用多个预设机器算法对所述多个运动学片段对应的行驶特征参数值进行训练,以对每种行驶工况类型分别建立多个初始节能程度评价模型,并选择精确度最高的初始节能程度评价模型作为各个行驶工况类型对应的节能程度评价模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810587429.3A CN108647836B (zh) | 2018-06-06 | 2018-06-06 | 一种驾驶员节能评价方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810587429.3A CN108647836B (zh) | 2018-06-06 | 2018-06-06 | 一种驾驶员节能评价方法和系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108647836A CN108647836A (zh) | 2018-10-12 |
CN108647836B true CN108647836B (zh) | 2021-11-12 |
Family
ID=63751994
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810587429.3A Active CN108647836B (zh) | 2018-06-06 | 2018-06-06 | 一种驾驶员节能评价方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108647836B (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109552338B (zh) * | 2018-12-19 | 2020-04-07 | 北京理工新源信息科技有限公司 | 一种纯电动汽车生态驾驶行为评估方法及系统 |
CN110033528B (zh) * | 2019-04-17 | 2021-02-26 | 洛阳智能农业装备研究院有限公司 | 一种基于gps和发动机数据的农机作业状态判断方法 |
CN110239556B (zh) * | 2019-05-23 | 2020-07-24 | 重庆大学 | 一种驾驶员即时操控能力感知方法 |
CN110738754B (zh) * | 2019-07-16 | 2021-02-23 | 北京航空航天大学 | 车辆运动学片段提取方法、车辆工况分析方法及相应装置 |
CN114637283A (zh) * | 2020-12-16 | 2022-06-17 | 郑州宇通客车股份有限公司 | 一种基于动态避障的车辆路径规划方法及装置 |
CN115965189A (zh) * | 2022-07-22 | 2023-04-14 | 希望知舟技术(深圳)有限公司 | 数据处理方法及相关装置、存储介质和计算机程序产品 |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2013156937A (ja) * | 2012-01-31 | 2013-08-15 | Hitachi Ltd | エネルギーネットワークの最適運転制御装置 |
CN104118328A (zh) * | 2013-04-27 | 2014-10-29 | 日电(中国)有限公司 | 基于综合变量的汽车能耗率估计设备和方法 |
CN104471219A (zh) * | 2012-06-27 | 2015-03-25 | 三菱电机株式会社 | 行驶模式评价装置 |
CN105046070A (zh) * | 2015-07-07 | 2015-11-11 | 吉林大学 | 带有转弯特性的城市综合工况构建方法 |
CN105160883A (zh) * | 2015-10-20 | 2015-12-16 | 重庆邮电大学 | 一种基于大数据的节能驾驶行为分析方法 |
CN106503804A (zh) * | 2016-10-11 | 2017-03-15 | 南京理工大学 | 一种基于Pareto多目标遗传算法的列车定时节能运行方法 |
CN106530692A (zh) * | 2016-10-25 | 2017-03-22 | 黑龙江省城市规划勘测设计研究院 | 一种基于交通拥堵评价指标的机动车油耗排放强度测算方法 |
CN106985627A (zh) * | 2017-02-24 | 2017-07-28 | 江苏大学 | 一种车辆路面识别系统以及悬架模式切换方法 |
CN107272407A (zh) * | 2017-06-15 | 2017-10-20 | 清华大学 | 一种ato系统行程方案的评价方法及系统 |
CN107330217A (zh) * | 2017-07-13 | 2017-11-07 | 北京市交通信息中心 | 一种基于rbfnn的中观油耗预测方法 |
CN107563423A (zh) * | 2017-08-24 | 2018-01-09 | 北京交通发展研究院 | 一种轻型机动车生态驾驶行为的综合评价方法 |
CN108116455A (zh) * | 2017-12-07 | 2018-06-05 | 交控科技股份有限公司 | 城市轨道交通综合节能系统及基于该系统的综合节能方法 |
-
2018
- 2018-06-06 CN CN201810587429.3A patent/CN108647836B/zh active Active
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2013156937A (ja) * | 2012-01-31 | 2013-08-15 | Hitachi Ltd | エネルギーネットワークの最適運転制御装置 |
CN104471219A (zh) * | 2012-06-27 | 2015-03-25 | 三菱电机株式会社 | 行驶模式评价装置 |
CN104118328A (zh) * | 2013-04-27 | 2014-10-29 | 日电(中国)有限公司 | 基于综合变量的汽车能耗率估计设备和方法 |
CN105046070A (zh) * | 2015-07-07 | 2015-11-11 | 吉林大学 | 带有转弯特性的城市综合工况构建方法 |
CN105160883A (zh) * | 2015-10-20 | 2015-12-16 | 重庆邮电大学 | 一种基于大数据的节能驾驶行为分析方法 |
CN106503804A (zh) * | 2016-10-11 | 2017-03-15 | 南京理工大学 | 一种基于Pareto多目标遗传算法的列车定时节能运行方法 |
CN106530692A (zh) * | 2016-10-25 | 2017-03-22 | 黑龙江省城市规划勘测设计研究院 | 一种基于交通拥堵评价指标的机动车油耗排放强度测算方法 |
CN106985627A (zh) * | 2017-02-24 | 2017-07-28 | 江苏大学 | 一种车辆路面识别系统以及悬架模式切换方法 |
CN107272407A (zh) * | 2017-06-15 | 2017-10-20 | 清华大学 | 一种ato系统行程方案的评价方法及系统 |
CN107330217A (zh) * | 2017-07-13 | 2017-11-07 | 北京市交通信息中心 | 一种基于rbfnn的中观油耗预测方法 |
CN107563423A (zh) * | 2017-08-24 | 2018-01-09 | 北京交通发展研究院 | 一种轻型机动车生态驾驶行为的综合评价方法 |
CN108116455A (zh) * | 2017-12-07 | 2018-06-05 | 交控科技股份有限公司 | 城市轨道交通综合节能系统及基于该系统的综合节能方法 |
Also Published As
Publication number | Publication date |
---|---|
CN108647836A (zh) | 2018-10-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108647836B (zh) | 一种驾驶员节能评价方法和系统 | |
CN110775065B (zh) | 一种基于工况识别的混合动力汽车电池寿命预测方法 | |
CN109552338B (zh) | 一种纯电动汽车生态驾驶行为评估方法及系统 | |
CN107563423B (zh) | 一种轻型机动车生态驾驶行为的综合评价方法 | |
CN105644563B (zh) | 一种油门瞬变工况驾驶性评价方法及系统 | |
CN108198425A (zh) | 一种电动汽车行驶工况的构建方法 | |
CN105160883A (zh) | 一种基于大数据的节能驾驶行为分析方法 | |
CN110893853B (zh) | 一种基于前方坡度信息的车辆控制方法以及系统 | |
CN108001453B (zh) | 一种识别高能耗驾驶行为的方法及系统 | |
JP2012242894A (ja) | 車両データの解析方法及び車両データの解析システム | |
CN106956680B (zh) | 一种电动汽车驾驶行为识别分析方法 | |
CN112026744B (zh) | 一种基于dqn变体的混联式混合动力系统能量管理方法 | |
CN111931810A (zh) | 一种基于多车的节能驾驶行为分析系统 | |
Yu et al. | Assessing the impact of multi-dimensional driving behaviors on link-level emissions based on a Portable Emission Measurement System (PEMS) | |
CN114526930A (zh) | 一种智能网联汽车故障检测方法及系统 | |
CN113173175B (zh) | 一种车辆重量确定方法及装置 | |
Zhang et al. | Environmental screening model of driving behavior for an electric bus entering and leaving stops | |
CN115221234A (zh) | 一种基于动力总成数据对用户进行画像的方法及系统 | |
Puchalski et al. | Driving style analysis and driver classification using OBD data of a hybrid electric vehicle | |
CN113657432A (zh) | 一种基于车联网数据的商用车驾驶行为风险等级辨识方法 | |
CN113128120A (zh) | 一种汽车起重机典型行驶工况构建方法 | |
KR20200072268A (ko) | 차량 운행 패턴 결정 방법 | |
CN112937639B (zh) | 一种基于物联网的铁路机车自动控制系统 | |
Peng et al. | Shifting control optimisation of automatic transmission with congested conditions identification based on the support vector machine | |
Wen et al. | Analysis of vehicle driving styles at freeway merging areas using trajectory data |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |