CN116906561A - 基于短时驾驶风格识别的车辆换挡点优化控制方法及系统 - Google Patents

基于短时驾驶风格识别的车辆换挡点优化控制方法及系统 Download PDF

Info

Publication number
CN116906561A
CN116906561A CN202311180891.9A CN202311180891A CN116906561A CN 116906561 A CN116906561 A CN 116906561A CN 202311180891 A CN202311180891 A CN 202311180891A CN 116906561 A CN116906561 A CN 116906561A
Authority
CN
China
Prior art keywords
matrix
driving style
data
driving
dimension reduction
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.)
Granted
Application number
CN202311180891.9A
Other languages
English (en)
Other versions
CN116906561B (zh
Inventor
席军强
魏瑶
张超朋
王文硕
陈炤锟
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Institute of Technology BIT
Original Assignee
Beijing Institute of Technology BIT
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beijing Institute of Technology BIT filed Critical Beijing Institute of Technology BIT
Priority to CN202311180891.9A priority Critical patent/CN116906561B/zh
Publication of CN116906561A publication Critical patent/CN116906561A/zh
Application granted granted Critical
Publication of CN116906561B publication Critical patent/CN116906561B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F16—ENGINEERING ELEMENTS AND UNITS; GENERAL MEASURES FOR PRODUCING AND MAINTAINING EFFECTIVE FUNCTIONING OF MACHINES OR INSTALLATIONS; THERMAL INSULATION IN GENERAL
    • F16H—GEARING
    • F16H61/00—Control functions within control units of change-speed- or reversing-gearings for conveying rotary motion ; Control of exclusively fluid gearing, friction gearing, gearings with endless flexible members or other particular types of gearing
    • F16H61/02—Control functions within control units of change-speed- or reversing-gearings for conveying rotary motion ; Control of exclusively fluid gearing, friction gearing, gearings with endless flexible members or other particular types of gearing characterised by the signals used
    • F16H61/0202—Control functions within control units of change-speed- or reversing-gearings for conveying rotary motion ; Control of exclusively fluid gearing, friction gearing, gearings with endless flexible members or other particular types of gearing characterised by the signals used the signals being electric
    • F16H61/0204—Control functions within control units of change-speed- or reversing-gearings for conveying rotary motion ; Control of exclusively fluid gearing, friction gearing, gearings with endless flexible members or other particular types of gearing characterised by the signals used the signals being electric for gearshift control, e.g. control functions for performing shifting or generation of shift signal
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F16—ENGINEERING ELEMENTS AND UNITS; GENERAL MEASURES FOR PRODUCING AND MAINTAINING EFFECTIVE FUNCTIONING OF MACHINES OR INSTALLATIONS; THERMAL INSULATION IN GENERAL
    • F16H—GEARING
    • F16H61/00—Control functions within control units of change-speed- or reversing-gearings for conveying rotary motion ; Control of exclusively fluid gearing, friction gearing, gearings with endless flexible members or other particular types of gearing
    • F16H61/18—Preventing unintentional or unsafe shift, e.g. preventing manual shift from highest gear to reverse gear
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F16—ENGINEERING ELEMENTS AND UNITS; GENERAL MEASURES FOR PRODUCING AND MAINTAINING EFFECTIVE FUNCTIONING OF MACHINES OR INSTALLATIONS; THERMAL INSULATION IN GENERAL
    • F16H—GEARING
    • F16H63/00—Control outputs from the control unit to change-speed- or reversing-gearings for conveying rotary motion or to other devices than the final output mechanism
    • F16H63/40—Control outputs from the control unit to change-speed- or reversing-gearings for conveying rotary motion or to other devices than the final output mechanism comprising signals other than signals for actuating the final output mechanisms
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems

Landscapes

  • Engineering & Computer Science (AREA)
  • General Engineering & Computer Science (AREA)
  • Mechanical Engineering (AREA)
  • Control Of Driving Devices And Active Controlling Of Vehicle (AREA)

Abstract

本发明公开一种基于短时驾驶风格识别的车辆换挡点优化控制方法及系统，属于智能驾驶技术领域。本发明采取基于加权欧式距离的K‑means算法对短时驾驶风格进行聚类，以准确地确定最佳变换向量和驾驶风格分类阈值，使短时驾驶风格识别结果更加准确，本发明在短时驾驶风格识别的基础上计算激进因子以优化换挡点计算公式中动力性系数和经济性系数，使优化后的车辆换挡规律能够实时满足不同驾驶员在不同时刻的个性化换挡需求，从而进行更符合驾驶员需求的车辆转矩控制。

Description

基于短时驾驶风格识别的车辆换挡点优化控制方法及系统
技术领域
本发明涉及智能驾驶技术领域，特别是涉及一种基于短时驾驶风格识别的车辆换挡点优化控制方法及系统。
背景技术
车辆自动变速器可以通过换挡来改变传动比，从而改变车辆的驱动转矩。车辆的驱动转矩是影响车辆动力性和经济性的重要因素之一，而不同风格的驾驶员对于动力性和经济性的实时期望是不同的，所以车辆转矩控制需要考虑驾驶员的驾驶风格。同时，由于车辆动力系统的工作特性，换挡规律无法在车辆的动力性和燃油经济性方面同时达到最优，故传统换挡规律通常设计为最佳动力性换挡规律、最佳经济性换挡规律或二者之间的折中，因此在转矩控制时无法满足不同驾驶员的不同偏好，即驾驶风格。并且，当前智能换挡规律多基于长时驾驶风格对换挡点进行优化，长时驾驶风格无法准确反映驾驶过程中驾驶员驾驶风格的实时变化，故系统无法在转矩控制时输出驾驶员实时期望的转矩。
发明内容
本发明的目的是提供一种基于短时驾驶风格识别的车辆换挡点优化控制方法及系统，实现短时驾驶风格的准确识别，进而实现车辆换挡点优化结果能够满足不同驾驶员的偏好，实现车辆在转矩控制时输出驾驶员实时期望的转矩。
为实现上述目的，本发明提供了如下方案。
本发明提供一种基于短时驾驶风格识别的车辆换挡点优化控制方法，所述方法包括如下步骤。
实时获取预设采样周期的驾驶数据，所述驾驶数据包括：行驶速度、行驶加速度、横摆率和横向加速度。
对预设采样周期的驾驶数据进行分段、统计特征计算和降维，获得降维后的第一标准化特征矩阵；降维后的第一标准化特征矩阵包括：每个第一数据片段对应的降维后的标准化特征向量，所述第一数据片段为对预设采样周期的驾驶数据进行分段获得的。
基于降维后的第一标准化特征矩阵，采用最佳变换向量和驾驶风格分类阈值进行每个第一数据片段的驾驶风格的识别，获得每个第一数据片段的驾驶风格识别结果；所述最佳变换向量和所述驾驶风格分类阈值通过对基于加权欧氏距离的K-means算法的聚类结果进行线性判别分析获得。
基于每个第一数据片段的驾驶风格识别结果计算激进因子。
基于所述激进因子优化车辆的换挡点。
可选的，通过对基于加权欧氏距离的K-means算法的聚类结果进行线性判别分析获得最佳变换向量和驾驶风格分类阈值的具体步骤包括。
获取多个离线训练数据样本；多个所述离线训练数据样本为不同驾驶员在预设驾驶路段的驾驶数据。
对每个离线训练数据样本采用分段时间窗进行分段，获得多个第二数据片段。
对每个所述第二数据片段分别进行统计特征计算，获得每个所述第二数据片段的统计特征向量，并构建观测样本矩阵；所述观测样本矩阵包括所有第二数据片段对应的统计特征向量。
对所述观测样本矩阵进行标准化，获得第二标准化特征矩阵。
对所述第二标准化特征矩阵进行降维，获得降维后的第二标准化特征矩阵。
基于加权欧氏距离的K-means聚类算法对降维后的第二标准化特征矩阵中的标准化特征向量进行聚类，获得聚类结果。
基于所述聚类结果运用线性判别分析算法计算最佳变换向量和驾驶风格分类阈值。
可选的，对所述第二标准化特征矩阵进行降维，获得降维后的第二标准化特征矩阵，具体包括。
计算第二标准化特征矩阵的相关系数矩阵。
基于所述相关系数矩阵中的特征值及每个特征值对应的特征向量，计算初始因子载荷矩阵为：；其中，/>为初始因子载荷矩阵，/>、/>和分别为相关系数矩阵中的第1个、第2个和第p个特征值，/>；/>、/>和分别为第1个、第2个和第p个特征值对应的特征向量。
选取初始因子载荷矩阵中的前m列组成因子载荷矩阵，并对所述因子载荷矩阵进行旋转，获得旋转后的因子载荷矩阵为：；其中，/>为旋转后的因子载荷矩阵，/>为初始因子载荷矩阵中的前m列组成的因子载荷矩阵，/>是正交矩阵，m为选取的主因子的个数。
基于所述相关系数矩阵和旋转后的因子载荷矩阵，计算权重系数矩阵为：；其中，/>为权重系数矩阵，/>为相关系数矩阵，上标T表示转置。
基于所述权重系数矩阵对第二标准化特征矩阵进行降维，获得降维后的第二标准化特征矩阵为：；其中，/>为降维后的第二标准化特征矩阵，/>为第二标准化特征矩阵。
可选的，基于加权欧氏距离的K-means聚类算法对降维后的第二标准化特征矩阵中的标准化特征向量进行聚类，获得聚类结果，具体包括。
将降维后的第二标准化特征矩阵中的每个第二数据片段对应的降维后的标准化特征向量分别作为一个样本点，随机选取k个样本点作为k个聚类中心。
分别计算每个样本点到个聚类中心的加权欧式距离为：
；其中，/>为第/>个样本点到第/>个聚类中心的加权欧式距离，/>、/>和/>分别为第/>个样本点中的第1个、第2个和第m个标准化特征值，/>、/>和/>分别为第/>个聚类中心中的第1个、第2个和第m个标准化特征值，m为选取的主因子的个数，/>、/>和/>分别为第1个、第2个和第m个标准化特征值的权重。
分别将每个样本点加入加权欧式距离最小的簇。
分别计算每个簇的中心，作为新的聚类中心，并返回分别计算每个样本点到个聚类中心的加权欧式距离的步骤，直到各样本点所属簇不再发生改变。
可选的，所述基于所述聚类结果运用线性判别分析算法计算最佳变换向量和驾驶风格分类阈值，具体包括。
基于所述聚类结果运用线性判别分析算法计算最佳变换向量为：；其中，/>为最佳变换向量，/>为观测样本矩阵中属于第1类的所有统计特征向量的均值向量，/>为观测样本矩阵中属于第2类的所有统计特征向量的均值向量，/>为总类内离散度矩阵，/>，/>为观测样本矩阵中属于第1类的所有统计特征向量的类内离散度矩阵，/>为观测样本矩阵中属于第2类的所有统计特征向量的类内离散度矩阵；其中的第1类和第2类分别对应激进风格和温和风格。
基于所述聚类结果计算驾驶风格分类阈值为：；其中，/>为驾驶风格分类阈值，/>为观测样本矩阵中属于第1类的所有统计特征向量投影到一维空间后的均值，/>为观测样本矩阵中属于第2类的所有统计特征向量投影到一维空间后的均值。
可选的，基于降维后的第一标准化特征矩阵，采用最佳变换向量和驾驶风格分类阈值进行每个第一数据片段的驾驶风格的识别，获得每个第一数据片段的驾驶风格识别结果，具体包括。
采用最佳变换向量对每个第一数据片段对应的降维后的标准化特征向量进行投影，获得每个所述第一数据片段的驾驶风格特征值为：；其中，/>为第一数据片段的驾驶风格特征值，/>为第一数据片段对应的降维后的标准化特征向量，/>为最佳变换向量。
判断公式是否成立，获得判断结果；其中，/>为驾驶风格分类阈值。
若所述判断结果表示是，则确定第一数据片段的驾驶风格识别结果为激进。
若所述判断结果表示否，则确定第一数据片段的驾驶风格识别结果为温和。
可选的，基于每个第一数据片段的驾驶风格识别结果计算激进因子为：；其中，/>为激进因子，/>为驾驶风格识别结果为激进的第一数据片段的数量，/>为驾驶风格识别结果为温和的第一数据片段的数量。
可选的，基于所述激进因子优化车辆的换挡点为：；/>；；其中，/>为优化后的换挡点，/>为最佳动力性换挡规律的换挡点，/>为最佳经济性换挡规律的换挡点，/>为动力性系数，/>为经济性系数，/>为激进因子。
一种基于短时驾驶风格识别的车辆换挡点优化控制系统，所述系统应用于上述的方法，所述系统包括。
驾驶数据获取模块，用于实时获取预设采样周期的驾驶数据，所述驾驶数据包括：行驶速度、行驶加速度、横摆率和横向加速度。
数据处理模块，用于对预设采样周期的驾驶数据进行分段、统计特征计算和降维，获得降维后的第一标准化特征矩阵；降维后的第一标准化特征矩阵包括：每个第一数据片段对应的降维后的标准化特征向量，所述第一数据片段为对预设采样周期的驾驶数据进行分段获得的。
驾驶风格识别模块，用于基于降维后的第一标准化特征矩阵，采用最佳变换向量和驾驶风格分类阈值进行每个第一数据片段的驾驶风格的识别，获得每个第一数据片段的驾驶风格识别结果；所述最佳变换向量和所述驾驶风格分类阈值通过对基于加权欧氏距离的K-means算法的聚类结果进行线性判别分析获得。
激进因子计算模块，用于基于每个第一数据片段的驾驶风格识别结果计算激进因子。
换挡点优化模块，用于基于所述激进因子优化车辆的换挡点。
一种电子设备，包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述的的方法。
根据本发明提供的具体实施例，本发明公开了以下技术效果。
本发明实施例提供一种基于短时驾驶风格识别的车辆换挡点优化控制方法及系统。本发明采取基于加权欧式距离的K-means算法对短时驾驶风格进行聚类，以准确地确定最佳变换向量和驾驶风格分类阈值，使短时驾驶风格识别结果更加准确，本发明在短时驾驶风格识别的基础上计算激进因子以优化换挡点计算公式中动力性系数和经济性系数，使优化后的车辆换挡规律能够实时满足不同驾驶员在不同时刻的个性化换挡需求，从而进行更符合驾驶员需求的车辆转矩控制。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的基于短时驾驶风格识别的车辆换挡点优化控制方法的流程图。
图2为本发明实施例提供的基于短时驾驶风格识别的车辆换挡点优化控制方法的总体框架图。
图3为本发明实施例提供的离线训练短时驾驶风格识别规则部分的流程图。
图4为本发明实施例提供的因子分析流程图。
图5为本发明实施例提供的基于加权欧式距离的K-means算法流程图。
图6为本发明实施例提供的在线驾驶风格识别的流程图。
图7为本发明实施例提供的电子设备的结构框图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本发明的目的是提供一种基于短时驾驶风格识别的车辆换挡点优化控制方法及系统，实现短时驾驶风格的准确识别，进而实现车辆换挡点优化结果能够满足不同驾驶员的偏好，实现车辆在转矩控制时输出驾驶员实时期望的转矩。
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
本发明实施例提供一种基于短时驾驶风格识别的车辆换挡点优化控制方法，如图1所示，所述方法包括如下步骤。
步骤101，实时获取预设采样周期的驾驶数据，所述驾驶数据包括：行驶速度、行驶加速度、横摆率和横向加速度。
步骤102，对预设采样周期的驾驶数据进行分段、统计特征计算和降维，获得降维后的第一标准化特征矩阵；降维后的第一标准化特征矩阵包括：每个第一数据片段对应的降维后的标准化特征向量，所述第一数据片段为对预设采样周期的驾驶数据进行分段获得的。
步骤103，基于降维后的第一标准化特征矩阵，采用最佳变换向量和驾驶风格分类阈值进行每个第一数据片段的驾驶风格的识别，获得每个第一数据片段的驾驶风格识别结果；所述最佳变换向量和所述驾驶风格分类阈值通过对基于加权欧氏距离的K-means算法的聚类结果进行线性判别分析获得。
步骤104，基于每个第一数据片段的驾驶风格识别结果计算激进因子。
步骤105，基于所述激进因子优化车辆的换挡点。
示例性的，如图2所示，本发明的技术方案分为：采用离线训练数据样本离线训练短时驾驶风格识别规则部分，根据实时驾驶数据和累心训练的规则在线识别短时驾驶风格部分，根据在线识别的短时驾驶风格得到激进因子部分，应用于转矩控制的换挡点优化部分（即根据激进因子对车辆换挡点进行优化从而优化转矩控制策略部分）。本发明实施例中的离线训练部分的数据片段为第二数据片段，在线识别部分的数据片段为第一数据片段。
如图3所示，离线训练短时驾驶风格识别规则部分包括以下步骤1-步骤7。
步骤1：采集离线训练数据样本。采集S位驾驶员在给定驾驶路段的驾驶数据，优选地，S取100，所述驾驶数据包括行驶速度、行驶加速度、横摆率和横向加速度，作为驾驶风格识别的离线训练数据样本。
步骤2：数据分段。对步骤1中每位驾驶员的驾驶数据进行分段，优选地，分段时间窗为10s，滑动步长为10s，得到所有数据片段，即第二数据片段。
步骤3：计算数据片段的统计特征。对步骤2中每位驾驶员每个数据片段进行统计特征计算，优选地，所述统计特征共12维，包括速度平均值、速度最大值、速度标准差、加速度平均值、加速度最大值、加速度标准差、横摆率平均值、横摆率最大值、横摆率标准差、横向加速度平均值、横向加速度最大值、横向加速度标准差，得到所有数据片段的观测样本矩阵。
步骤4：对统计特征进行因子分析。对步骤3中所有数据片段的观测样本矩阵进行因子分析，用以得到用于聚类分析的降维后的得分矩阵。因子分析的流程如图4所示，其具体步骤如下。
设有个数据片段作为样本，且每个数据片段均选择/>个变量作为观测指标，如第i个数据片段的观测变量（即统计特征向量），记为/>，进而可以构造观测样本矩阵：/>。
其中，为第i个统计特征向量，/>、/>和/>分别为第i个统计特征向量中的第1个、第2个和第p个观测指标，i=1，2...,n，/>为观测样本矩阵，/>表示正整数集合，表示p维的实数集。
基于该观测样本矩阵，因子分析法可以通过以下五步进行完成，即数据标准化、相关系数矩阵计算、初始因子载荷矩阵和最大方差法旋转后因子载荷矩阵计算、因子得分系数矩阵计算。具体步骤如下。
步骤401，数据标准化。利用基本的标准化处理方法对观测样本矩阵进行标准化，其相关的详细计算过程如下：首先，对于所有数据片段的每一个观测变量获得的数据进行计算，获得其平均值（/>）及方差（/>）。
。
其中，为第j个观测指标的平均值，/>为第i个统计特征向量中的第j个观测指标，/>为第j个观测指标的方差，/>。
利用计算的平均值和方差，即公式对观测样本矩阵/>进行标准化；其中，/>为标准化后的第i个统计特征向量中的第j个观测指标，i=1，2...,n，。
得到第二标准化特征矩阵：。
步骤402，计算相关系数矩阵。计算的相关系数矩阵/>，/>，/>是第/>个观测指标和第/>个观测指标的相关系数，/>，其中/>，/>，/>为标准化后的第i个统计特征向量中的第/>个观测指标。
步骤403，计算初始因子载荷矩阵：，其中，/>为初始因子载荷矩阵，/>、/>和/>分别为相关系数矩阵中的第1个、第2个和第p个特征值；、/>和/>分别为第1个、第2个和第p个特征值对应的特征向量。初始因子载荷矩阵在得到相关系数矩阵非负特征值（即p个特征值）后，按照特征值的降序排列得到，即。
步骤404，选取主因子。选择特征值大于1的个因子作为主因子。
步骤405，计算旋转后的因子载荷矩阵。用最大方差法对因子载荷矩阵进行旋转，得到旋转后的因子载荷矩阵为：/>；其中，/>为初始因子载荷矩阵中的前m列组成的因子载荷矩阵，/>是正交矩阵，m为选取的主因子的个数。
步骤406，计算权重系数矩阵为：/>，其中，/>为权重系数矩阵，/>为相关系数矩阵，上标T表示转置。
步骤407，计算降维后的第二标准化特征矩阵为：/>，第二标准化特征矩阵/>用于下一步聚类分析。
步骤5：基于加权欧式距离进行K-means聚类。在步骤4中选取个主因子后，根据旋转后的因子载荷矩阵，可以分析得到/>个主因子分别代表哪类驾驶特征。优选地，/>取3，主因子分别代表车速特征、加速度特征和转向特征。基于以上分析，对步骤4中得到的降维后的第二标准化特征矩阵/>进行基于加权欧氏距离的K-means聚类，K-means算法的基本思想是按照样本数据之间的距离大小，将样本划分为/>个簇，目标是最小化平方误差/>。优选地，本发明实施例中/>取2。
。
。
式中，为簇，/>是簇/>的中心，其数值上等于簇/>中所有样本点的均值向量，为降维后的第二标准化特征矩阵中的标准化特征向量。
本发明实施例中基于加权欧式距离的K-means算法如图5所示，其具体步骤如下。
步骤501，从样本集（本发明实施例中的样本集为步骤4中得到的降维后的第二标准化特征矩阵，/>中包含降维后的第二标准化特征矩阵中的标准化特征向量，每个标准化特征向量对应一个样本点，即样本集中包含/>个样本点，每个样本点有/>个特征）中随机选取/>个样本点作为初始化聚类中心。
步骤502，计算每个样本点到K个聚类中心的加权欧式距离，将样本点划分到加权欧式距离最近的簇中。第/>个样本点到第k个聚类中心的加权欧式距离/>计算公式为：；其中，/>为第/>个样本点到第/>个聚类中心的加权欧式距离，/>、/>和/>分别为第/>个样本点中的第1个、第2个和第m个标准化特征值，/>、/>和/>分别为第/>个聚类中心中的第1个、第2个和第m个标准化特征值，m为选取的主因子的个数，/>、/>和/>分别为第1个、第2个和第m个标准化特征值的权重。
优选地，m取3，主因子1、主因子2、主因子3分别是车速特征因子、加速度特征因子和转向特征因子。
优选地，在加权欧式距离中，取，/>，/>。
步骤503，将所有样本点归属到对应簇之后，重新计算每簇的中心，获得新的聚类中心。
步骤504，反复迭代步骤502和步骤503，直至各样本点所属簇不再发生改变。
步骤6：线性判别分析进行二分类。对步骤5中得到的2类簇进行命名，若簇中心的模大于簇中心/>的模，则簇中心/>所在簇的驾驶风格为激进风格，簇中心/>所在簇的驾驶风格为温和风格。
步骤7：获得最佳变换向量和驾驶风格分类阈值。对步骤6中得到的激进类簇和温和类簇数据应用线性判别分析进行分类，得到最佳变换向量，将样本数据投射到一维空间中，使得同类样本的投影点协方差尽可能小，而异类样例类中心的距离尽可能大，并确定投影后一维空间中的驾驶风格分类阈值/>，通过比较样本投影点和分类阈值做出分类决策。
最佳变换向量计算公式为：/>；式中，/>为观测样本矩阵中属于第1类的所有统计特征向量的均值向量，/>为观测样本矩阵中属于第2类的所有统计特征向量的均值向量，/>为总类内离散度矩阵。
，式中，/>为观测样本矩阵中属于第1类的所有统计特征向量的类内离散度矩阵，/>为观测样本矩阵中属于第2类的所有统计特征向量的类内离散度矩阵。
，其中，/>为观测样本矩阵中属于第k类的所有统计特征向量的类内离散度矩阵，/>为降维后的第二标准化特征矩阵中的标准化特征向量，/>为观测样本矩阵中属于第k类的所有统计特征向量的均值向量。
驾驶风格分类阈值根据先验知识确定为：/>；式中，/>为观测样本矩阵中属于第1类的所有统计特征向量投影到一维空间后的均值，/>为观测样本矩阵中属于第2类的所有统计特征向量投影到一维空间后的均值。
在线识别短时驾驶风格部分，如图6所示，包括以下步骤8-10。
步骤8：实时获取预设采样周期的驾驶数据。步骤1至步骤7为离线训练部分，已得到最佳变换向量和驾驶风格分类阈值/>。该步骤及之后的步骤为在线部分。在车辆驾驶时实时采集速度、加速度、横摆率和横向加速度作为在线短时驾驶风格识别的驾驶数据。
步骤9：数据分段、统计特征计算和降维。对步骤8中采集到的驾驶数据按照10s的时间窗进行储存和数据处理，数据处理包括10s数据片段的统计特征计算和因子分析，统计特征计算和因子分析分别与步骤3和步骤4相同，得到降维后的第一标准化特征矩阵。
步骤10：根据离线训练得到的最佳变换向量进行投影变换，并与离线训练得到的驾驶风格分类阈值作比较，得到该第一数据片段内的短时驾驶风格。将步骤9中得到的降维后的第一标准化特征矩阵中每个第一数据片段的数据通过步骤7中离线训练得到的最佳变换向量进行投影变换，得到：/>；其中，/>为第一数据片段的驾驶风格特征值，/>为第一数据片段对应的降维后的标准化特征向量，/>为最佳变换向量。
驾驶风格决策规则为，若，则该片段的驾驶风格为激进，否则该片段的驾驶风格为温和。/>为步骤7中离线训练得到的驾驶风格分类阈值。
获得激进因子部分包括以下步骤11-步骤12，本发明实施例中步骤11和步骤12未结合附图进行说明，参照文字说明即可。
步骤11：将步骤10中得到的10s周期内短时驾驶风格进行储存，并对给定周期（即预设采样周期）内短时驾驶风格中激进风格和温和风格的数目进行计算。优选地，给定周期取60s。在每/>周期中，驾驶风格识别结果为激进的第一数据片段的数量为/>，驾驶风格识别结果为温和的第一数据片段的数量为/>，且/>。
步骤12：对步骤11中得到的每周期内短时驾驶风格中激进风格和温和风格的数目进行计算得到激进因子/>，/>。
。
应用于转矩控制的换挡点优化部分包括以下步骤13，本发明实施例中步骤13未结合附图进行说明，参照文字说明即可。
步骤13：将步骤12中得到的“激进因子”应用于换挡点优化中，每/>周期进行一次换挡点优化，优化后的换挡点计算公式如下。
。
。
。
式中，为优化后的换挡点，/>为最佳动力性换挡规律的换挡点，/>为最佳经济性换挡规律的换挡点，/>为动力性系数，/>为经济性系数，/>为激进因子。
最佳动力性换挡规律的确定方法如下：
（1）绘制车辆在不同挡位和不同节气门开度下的驱动力曲线。驱动力计算公式为：。
式中，是驱动力，/>是发动机扭矩，/>是某挡位下变速器速比，/>是主减速器速比，/>是传动系效率，/>是车轮滚动半径。
（2）取同一节气门开度下各相邻两挡位的驱动力曲线的交点作为在该节气门开度下这两个相邻挡位的最佳动力性换挡规律的换挡点，如果相邻两挡位的驱动力曲线没有交点，则将较低挡位所能达到的最大车速作为最佳动力性换挡规律的换挡点。
（3）不同节气门开度下的最佳动力性换挡点共同组成最佳动力性升挡规律，对升挡规律应用等延迟法确定降挡规律。
最佳经济性换挡规律的确定方法如下。
（1）作出某挡位（即s挡）某一节气门开度下的比油耗随车速变化的曲线。比油耗计算公式为：；式中，/>是比油耗，/>是发动机小时油耗，/>是驱动力，/>是车速，/>是发动机扭矩，/>是发动机转速，/>是传动系效率。
（2）作出挡某一节气门开度下的比油耗随车速变化的曲线。
（3）取上述两条曲线交点处的车速作为该节气门开度下该两挡位的最佳经济性换挡规律的换挡点。
（4）同理可得其他节气门开度下其他相邻挡位的最佳经济性换挡规律的换挡点，其共同组成了最佳经济性升挡规律，对升挡规律应用等延迟法确定降挡规律。
本发明实施例还提供一种基于短时驾驶风格识别的车辆换挡点优化控制系统，所述系统应用于上述的方法，所述系统包括：
驾驶数据获取模块，用于实时获取预设采样周期的驾驶数据，所述驾驶数据包括：行驶速度、行驶加速度、横摆率和横向加速度。
数据处理模块，用于对预设采样周期的驾驶数据进行分段、统计特征计算和降维，获得降维后的第一标准化特征矩阵；降维后的第一标准化特征矩阵包括：每个第一数据片段对应的降维后的标准化特征向量，所述第一数据片段为对预设采样周期的驾驶数据进行分段获得的。
驾驶风格识别模块，用于基于降维后的第一标准化特征矩阵，采用最佳变换向量和驾驶风格分类阈值进行每个第一数据片段的驾驶风格的识别，获得每个第一数据片段的驾驶风格识别结果；所述最佳变换向量和所述驾驶风格分类阈值通过对基于加权欧氏距离的K-means算法的聚类结果进行线性判别分析获得。
激进因子计算模块，用于基于每个第一数据片段的驾驶风格识别结果计算激进因子。
换挡点优化模块，用于基于所述激进因子优化车辆的换挡点。
本发明实施例还提供一种电子设备，包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述的的方法。
如图7所示，本发明实施例中的存储器存储有可被至少一个处理器执行的计算机程序，处理器可以根据存储在只读存储器(ROM)中的计算机程序或者从存储单元加载到随机访问存储器(RAM)中的计算机程序，来执行各种适当的动作和处理。在RAM中，还可存储车辆操作所需的各种程序和数据。处理器、ROM以及RAM通过总线彼此相连。输入/输出(I/O)接口也连接至总线。车辆中的多个部件连接至I/O接口，包括：输入单元，例如按键和车载传感器等；其中，车载传感器，用于采集车辆行驶数据。输出单元，例如各种类型的显示器、扬声器等；存储单元，例如磁盘、光盘等；以及通信单元，例如网卡、调制解调器、无线通信收发机等。通信单元允许车辆通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。处理器可以是各种具有处理和计算能力的通用和/或专用处理组件。处理器的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的处理器、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。处理器执行上文所描述的各个方法和处理，例如一种基于短时驾驶风格识别的车辆换挡点优化控制方法。在一些实施例中，本发明实施例中的方法可被实现为计算机程序，其被有形地包含于计算机可读存储介质，例如存储单元。在一些实施例中，计算机程序的部分或者全部可以经由ROM和/或通信单元而被载入和/或安装到车辆上。当计算机程序加载到RAM并由处理器执行时，可以执行上文描述的方法的一个或多个步骤。备选地，在其他实施例中，处理器可以通过其他任何适当的方式(例如，借助于固件) 而被配置为执行上述的方法。本发明实施例中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、现场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、复杂可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。用于实施本发明的方法的计算机程序可以采用一个或多个编程语言的任何组合来编写。这些计算机程序可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器，使得计算机程序当由处理器执行时使流程图和/或框图中所规定的功能/操作被实施。计算机程序可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
本发明实施例中的存储器为计算机可读存储介质，其可以是有形的介质，可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的计算机程序。计算机可读存储介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的或半导体系统、装置或设备，或者上述内容的任何合适组合。备选地，计算机可读存储介质 可以是机器可读信号介质。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、 磁储存设备、或上述内容的任何合适组合。为了提供与用户的交互，可以在车辆上实施此处描述的系统和技术，该车辆具有：用于向用户显示信息的显示装置(例如，触摸屏)；以及按键，用户可以通过触摸屏或按键来将输入提供给车辆。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
基于上述实施例本发明的技术方案的有益效果为。
（1）对驾驶风格的判断更准确，大大减少了因横向激进但纵向温和而被误判为激进风格从而将换挡点优化为更偏动力性这种违背驾驶员意图的情况。
（2）提出的“激进因子”可以充分连续反映驾驶员实时的激进程度。
（3）充分考虑并应用了短时驾驶风格对换挡点优化的影响，使得优化后的车辆换挡点能够实时满足不同驾驶员的实时风格及需求，从而进行更符合驾驶员需求的车辆转矩控制。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。

Claims (10)

1.一种基于短时驾驶风格识别的车辆换挡点优化控制方法，其特征在于，所述方法包括如下步骤：
实时获取预设采样周期的驾驶数据，所述驾驶数据包括：行驶速度、行驶加速度、横摆率和横向加速度；
对预设采样周期的驾驶数据进行分段、统计特征计算和降维，获得降维后的第一标准化特征矩阵；降维后的第一标准化特征矩阵包括：每个第一数据片段对应的降维后的标准化特征向量，所述第一数据片段为对预设采样周期的驾驶数据进行分段获得的；
基于降维后的第一标准化特征矩阵，采用最佳变换向量和驾驶风格分类阈值进行每个第一数据片段的驾驶风格的识别，获得每个第一数据片段的驾驶风格识别结果；所述最佳变换向量和所述驾驶风格分类阈值通过对基于加权欧氏距离的K-means算法的聚类结果进行线性判别分析获得；
基于每个第一数据片段的驾驶风格识别结果计算激进因子；
基于所述激进因子优化车辆的换挡点。
2.根据权利要求1所述的基于短时驾驶风格识别的车辆换挡点优化控制方法，其特征在于，通过对基于加权欧氏距离的K-means算法的聚类结果进行线性判别分析获得最佳变换向量和驾驶风格分类阈值的具体步骤包括：
获取多个离线训练数据样本；多个所述离线训练数据样本为不同驾驶员在预设驾驶路段的驾驶数据；
对每个离线训练数据样本采用分段时间窗进行分段，获得多个第二数据片段；
对每个所述第二数据片段分别进行统计特征计算，获得每个所述第二数据片段的统计特征向量，并构建观测样本矩阵；所述观测样本矩阵包括所有第二数据片段对应的统计特征向量；
对所述观测样本矩阵进行标准化，获得第二标准化特征矩阵；
对所述第二标准化特征矩阵进行降维，获得降维后的第二标准化特征矩阵；
基于加权欧氏距离的K-means聚类算法对降维后的第二标准化特征矩阵中的标准化特征向量进行聚类，获得聚类结果；
基于所述聚类结果运用线性判别分析算法计算最佳变换向量和驾驶风格分类阈值。
3.根据权利要求2所述的基于短时驾驶风格识别的车辆换挡点优化控制方法，其特征在于，对所述第二标准化特征矩阵进行降维，获得降维后的第二标准化特征矩阵，具体包括：
计算第二标准化特征矩阵的相关系数矩阵；
基于所述相关系数矩阵中的特征值及每个特征值对应的特征向量，计算初始因子载荷矩阵为：
；
其中，为初始因子载荷矩阵，/>、/>和/>分别为相关系数矩阵中的第1个、第2个和第p个特征值，/>；/>、/>和/>分别为第1个、第2个和第p个特征值对应的特征向量；
选取初始因子载荷矩阵中的前m列组成因子载荷矩阵，并对所述因子载荷矩阵进行旋转，获得旋转后的因子载荷矩阵为：
；
其中，为旋转后的因子载荷矩阵，/>为初始因子载荷矩阵中的前m列组成的因子载荷矩阵，/>是正交矩阵，m为选取的主因子的个数；
基于所述相关系数矩阵和旋转后的因子载荷矩阵，计算权重系数矩阵为：
；
其中，为权重系数矩阵，/>为相关系数矩阵，上标T表示转置；
基于所述权重系数矩阵对第二标准化特征矩阵进行降维，获得降维后的第二标准化特征矩阵为：
；
其中，为降维后的第二标准化特征矩阵，/>为第二标准化特征矩阵。
4.根据权利要求2所述的基于短时驾驶风格识别的车辆换挡点优化控制方法，其特征在于，基于加权欧氏距离的K-means聚类算法对降维后的第二标准化特征矩阵中的标准化特征向量进行聚类，获得聚类结果，具体包括：
将降维后的第二标准化特征矩阵中的每个第二数据片段对应的降维后的标准化特征向量分别作为一个样本点，随机选取k个样本点作为k个聚类中心；
分别计算每个样本点到个聚类中心的加权欧式距离为：
；
其中，为第/>个样本点到第/>个聚类中心的加权欧式距离，/>、/>和/>分别为第/>个样本点中的第1个、第2个和第m个标准化特征值，/>、/>和/>分别为第/>个聚类中心中的第1个、第2个和第m个标准化特征值，m为选取的主因子的个数，/>、/>和/>分别为第1个、第2个和第m个标准化特征值的权重；
分别将每个样本点加入加权欧式距离最小的簇；
分别计算每个簇的中心，作为新的聚类中心，并返回分别计算每个样本点到个聚类中心的加权欧式距离的步骤，直到各样本点所属簇不再发生改变。
5.根据权利要求2所述的基于短时驾驶风格识别的车辆换挡点优化控制方法，其特征在于，所述基于所述聚类结果运用线性判别分析算法计算最佳变换向量和驾驶风格分类阈值，具体包括：
基于所述聚类结果运用线性判别分析算法计算最佳变换向量为：
；
其中，为最佳变换向量，/>为观测样本矩阵中属于第1类的所有统计特征向量的均值向量，/>为观测样本矩阵中属于第2类的所有统计特征向量的均值向量，/>为总类内离散度矩阵，/>，/>为观测样本矩阵中属于第1类的所有统计特征向量的类内离散度矩阵，/>为观测样本矩阵中属于第2类的所有统计特征向量的类内离散度矩阵；
基于所述聚类结果计算驾驶风格分类阈值为：
；
其中，为驾驶风格分类阈值，/>为观测样本矩阵中属于第1类的所有统计特征向量投影到一维空间后的均值，/>为观测样本矩阵中属于第2类的所有统计特征向量投影到一维空间后的均值。
6.根据权利要求1所述的基于短时驾驶风格识别的车辆换挡点优化控制方法，其特征在于，基于降维后的第一标准化特征矩阵，采用最佳变换向量和驾驶风格分类阈值进行每个第一数据片段的驾驶风格的识别，获得每个第一数据片段的驾驶风格识别结果，具体包括：
采用最佳变换向量对每个第一数据片段对应的降维后的标准化特征向量进行投影，获得每个所述第一数据片段的驾驶风格特征值为：
；
其中，为第一数据片段的驾驶风格特征值，/>为第一数据片段对应的降维后的标准化特征向量，/>为最佳变换向量，上标T表示转置；
判断公式是否成立，获得判断结果；其中，/>为驾驶风格分类阈值；
若所述判断结果表示是，则确定第一数据片段的驾驶风格识别结果为激进；
若所述判断结果表示否，则确定第一数据片段的驾驶风格识别结果为温和。
7.根据权利要求1所述的基于短时驾驶风格识别的车辆换挡点优化控制方法，其特征在于，基于每个第一数据片段的驾驶风格识别结果计算激进因子为：
；
其中，为激进因子，/>为驾驶风格识别结果为激进的第一数据片段的数量，/>为驾驶风格识别结果为温和的第一数据片段的数量。
8.根据权利要求1所述的基于短时驾驶风格识别的车辆换挡点优化控制方法，其特征在于，基于所述激进因子优化车辆的换挡点为：
；
；
；
其中，为优化后的换挡点，/>为最佳动力性换挡规律的换挡点，/>为最佳经济性换挡规律的换挡点，/>为动力性系数，/>为经济性系数，/>为激进因子。
9.一种基于短时驾驶风格识别的车辆换挡点优化控制系统，其特征在于，所述系统应用于权利要求1-8任一项所述的方法，所述系统包括：
驾驶数据获取模块，用于实时获取预设采样周期的驾驶数据，所述驾驶数据包括：行驶速度、行驶加速度、横摆率和横向加速度；
数据处理模块，用于对预设采样周期的驾驶数据进行分段、统计特征计算和降维，获得降维后的第一标准化特征矩阵；降维后的第一标准化特征矩阵包括：每个第一数据片段对应的降维后的标准化特征向量，所述第一数据片段为对预设采样周期的驾驶数据进行分段获得的；
驾驶风格识别模块，用于基于降维后的第一标准化特征矩阵，采用最佳变换向量和驾驶风格分类阈值进行每个第一数据片段的驾驶风格的识别，获得每个第一数据片段的驾驶风格识别结果；所述最佳变换向量和所述驾驶风格分类阈值通过对基于加权欧氏距离的K-means算法的聚类结果进行线性判别分析获得；
激进因子计算模块，用于基于每个第一数据片段的驾驶风格识别结果计算激进因子；
换挡点优化模块，用于基于所述激进因子优化车辆的换挡点。
10.一种电子设备，其特征在于，包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如权利要求1至8中任一项所述的方法。
CN202311180891.9A 2023-09-14 2023-09-14 基于短时驾驶风格识别的车辆换挡点优化控制方法及系统 Active CN116906561B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311180891.9A CN116906561B (zh) 2023-09-14 2023-09-14 基于短时驾驶风格识别的车辆换挡点优化控制方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311180891.9A CN116906561B (zh) 2023-09-14 2023-09-14 基于短时驾驶风格识别的车辆换挡点优化控制方法及系统

Publications (2)

Publication Number Publication Date
CN116906561A true CN116906561A (zh) 2023-10-20
CN116906561B CN116906561B (zh) 2023-12-08

Family

ID=88367259

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311180891.9A Active CN116906561B (zh) 2023-09-14 2023-09-14 基于短时驾驶风格识别的车辆换挡点优化控制方法及系统

Country Status (1)

Country Link
CN (1) CN116906561B (zh)

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20140365087A1 (en) * 2013-06-07 2014-12-11 Hyundai Motor Company Device and method for controlling shift in vehicle
CN106203856A (zh) * 2016-07-18 2016-12-07 交通运输部公路科学研究所 一种组合主成分分析和模糊c均值聚类的车辆行驶工况制定方法
CN112149796A (zh) * 2020-08-13 2020-12-29 江苏大学 基于改进遗传算法优化bp神经网络的驾驶风格辨识方法
CN113581188A (zh) * 2021-06-30 2021-11-02 桂林电子科技大学 一种基于车联网数据的商用车驾驶员驾驶风格识别方法
CN113859219A (zh) * 2021-11-15 2021-12-31 重庆大学 基于驾驶工况识别的混合动力汽车自适应能量管理方法
CN115217948A (zh) * 2021-11-08 2022-10-21 广州汽车集团股份有限公司 一种车辆换挡点的修正方法
CN115492928A (zh) * 2022-08-29 2022-12-20 西华大学 一种经济性、动力性和安全性综合最优换挡规律优化方法
CN115641160A (zh) * 2022-12-26 2023-01-24 中国汽车技术研究中心有限公司 新能源汽车的改进方法、设备和存储介质
CN115817500A (zh) * 2022-11-28 2023-03-21 中国第一汽车股份有限公司 一种驾驶风格确定方法、装置、车辆及存储介质

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20140365087A1 (en) * 2013-06-07 2014-12-11 Hyundai Motor Company Device and method for controlling shift in vehicle
CN106203856A (zh) * 2016-07-18 2016-12-07 交通运输部公路科学研究所 一种组合主成分分析和模糊c均值聚类的车辆行驶工况制定方法
CN112149796A (zh) * 2020-08-13 2020-12-29 江苏大学 基于改进遗传算法优化bp神经网络的驾驶风格辨识方法
CN113581188A (zh) * 2021-06-30 2021-11-02 桂林电子科技大学 一种基于车联网数据的商用车驾驶员驾驶风格识别方法
CN115217948A (zh) * 2021-11-08 2022-10-21 广州汽车集团股份有限公司 一种车辆换挡点的修正方法
CN113859219A (zh) * 2021-11-15 2021-12-31 重庆大学 基于驾驶工况识别的混合动力汽车自适应能量管理方法
CN115492928A (zh) * 2022-08-29 2022-12-20 西华大学 一种经济性、动力性和安全性综合最优换挡规律优化方法
CN115817500A (zh) * 2022-11-28 2023-03-21 中国第一汽车股份有限公司 一种驾驶风格确定方法、装置、车辆及存储介质
CN115641160A (zh) * 2022-12-26 2023-01-24 中国汽车技术研究中心有限公司 新能源汽车的改进方法、设备和存储介质

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
冯先泽: "基于驾驶员特性的自动变速车辆自适应换挡规律研究", 工程科技Ⅱ辑, no. 3, pages 10 - 67 *

Also Published As

Publication number Publication date
CN116906561B (zh) 2023-12-08

Similar Documents

Publication Publication Date Title
CN111038485B (zh) 基于驾驶风格识别的混合动力汽车控制方法及系统
Liang et al. Rolling bearing fault diagnosis based on one-dimensional dilated convolution network with residual connection
CN103415825A (zh) 用于手势识别的系统和方法
CN113177594B (zh) 基于贝叶斯优化的pca-极限随机树的空调故障诊断方法
CN103839033A (zh) 一种基于模糊规则的人脸识别方法
CN110705774A (zh) 一种车辆能耗分析的预测方法和系统
CN114970605A (zh) 一种多模态特征融合神经网络的制冷设备故障诊断方法
CN111504644A (zh) 基于嵌入区分性的条件对抗域自适应的轴承故障诊断方法
Zhang et al. A novel data-driven method based on sample reliability assessment and improved CNN for machinery fault diagnosis with non-ideal data
CN106570560A (zh) 基于标准化驾驶行为和相空间重构的驾驶风格定量评价方法
CN112613542B (zh) 一种基于双向lstm的企业除污设备负荷辨识方法
CN111791090A (zh) 一种基于边缘计算与粒子群算法的刀具寿命磨损判定方法
CN102103691A (zh) 一种基于主成分分析人脸的识别方法
CN111340074B (zh) 基于改进的rbf神经网络的驾驶员制动意图辨识方法
CN115817500A (zh) 一种驾驶风格确定方法、装置、车辆及存储介质
CN115290326A (zh) 一种滚动轴承故障智能诊断方法
CN114048787B (zh) 一种基于Attention CNN模型的轴承故障实时智能诊断方法与系统
CN116702076A (zh) 一种基于cnn特征融合的小样本迁移学习故障诊断方法、系统、计算机及存储介质
CN115186594A (zh) 一种人-车-路耦合影响下的节能速度优化方法
CN116906561B (zh) 基于短时驾驶风格识别的车辆换挡点优化控制方法及系统
CN113761942A (zh) 基于深度学习模型的语义分析方法、装置及存储介质
CN107609700A (zh) 一种基于机器学习的客户价值模型优化方法
CN116380438A (zh) 一种故障诊断方法、装置、电子设备及存储介质
CN114162132B (zh) 一种基于主客观评价的驾驶模式识别方法
CN115718886A (zh) 纯电动汽车行驶工况的构建方法及装置

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