CN104809160B - 一种基于换档行为的高油耗分析方法及设备 - Google Patents
一种基于换档行为的高油耗分析方法及设备 Download PDFInfo
- Publication number
- CN104809160B CN104809160B CN201510144934.7A CN201510144934A CN104809160B CN 104809160 B CN104809160 B CN 104809160B CN 201510144934 A CN201510144934 A CN 201510144934A CN 104809160 B CN104809160 B CN 104809160B
- Authority
- CN
- China
- Prior art keywords
- gear
- speed
- behavior
- feature
- low
- 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
Landscapes
- Control Of Transmission Device (AREA)
Abstract
本发明提供一种基于换档行为的高油耗分析方法及设备,其中,方法包括:按照预定时间间隔采集汽车的发动机转速、车速以及瞬时油耗;利用所述发动机转速和车速获取档位信息;由所述档位信息判断汽车行驶过程中发生的不良驾驶行为,由所述不良驾驶行为对应的瞬时油耗计算对应的高油耗。通过档位信息可以判断当前是否发生不良驾驶行为,如果发生了不良驾驶行为,则不良驾驶行为时对应的油耗便是高油耗,可以利用瞬时油耗获得对应的高油耗。从而提醒驾驶人员何时发生了由于不良驾驶行为产生了高油耗,避免不良驾驶行为,降低油耗。
Description
技术领域
本发明涉及汽车油耗技术领域,特别涉及一种基于换档行为的高油耗分析方法及设备。
背景技术
伴随着我国经济的迅速发展,能源紧张已经成为一个必须关注的问题,如何节约燃料,减少能源消耗成为我国必须面临的问题。汽车是我国现代化社会中必不可少的一种高效率交通运输工具,其运输效率的高低很大程度上取决于汽车的动力性。汽车作为消耗燃料的主体,首当其冲面临着降低燃油消耗、提高燃油经济性的诸多技术要求。因此,在保证汽车动力性的前提下如何尽量减少汽车燃油消耗量显得尤为重要。
在车辆技术状况相同的条件下,驾驶技术高低对油料的节约影响很大,正确合理的驾驶行为可以大大降低汽车的燃料消耗(平均油耗可减少20%-40%)。其中,驾驶员的合理换档驾驶行为对提高汽车燃油经济性起着重要作用,因为低档高速、高档低速和高转低档等驾驶行为的频繁发生会造成燃油消耗较高。
但是,汽车上的终端不能直接采集到驾驶行程中的详细档位信息,从而导致换档驾驶行为无法自动识别,这样因不良换档驾驶行为产生的额外油耗(高油耗)不能得到计算。
因此,本领域技术人员需要提供一种方法,能够分析出低档高速、高档低速和高转低档等不良驾驶行为何时发生,从而提醒驾驶员进行改善,降低油耗。
发明内容
本发明要解决的技术问题是提供一种基于换档行为的高油耗分析方法及设备,能够分析出低档高速、高档低速和高转低档等不良驾驶行为何时发生,从而提醒驾驶员进行改善,降低油耗。
本发明实施例提供一种基于换档行为的高油耗分析方法,包括:
按照预定时间间隔采集汽车的发动机转速、车速以及瞬时油耗;
利用所述发动机转速和车速获取档位信息;
由所述档位信息判断汽车行驶过程中发生的不良驾驶行为,由所述不良驾驶行为对应的瞬时油耗计算对应的高油耗。
优选地,利用所述发动机转速和车速获取档位信息,包括:
利用所述发动机转速和车速提取档位特征Fg;
将所述档位特征输入支持向量机模型分类器中,获取对应的档位信息;所述支持向量机模型分类器中的支持向量机模型已经预先通过发动机转速和车速的样本训练获得;
其中:
其中,v代表车速,r代表发动机转速;K为预先选定的比例因子常数。
优选地,将所述档位特征输入支持向量机模型分类器之前,还包括:
将所述档位特征进行归一化处理,将归一化后的档位特征输入支持向量机模型分类器中。
优选地,预先通过发动机转速和车速的样本训练获得支持向量机模型,具体为:利用K-means聚类算法获得k个聚类中心;
所述利用K-means聚类算法获得k个聚类中心,包括:
i、从发动机转速和车速组成的档位特征集合中选取k个档位特征作为初始的k个聚类中心c1,c2,...,ck;所述n、k和N均为整数;
ii、计算所述档位特征集合中的每个档位特征xi与各个所述初始的k个聚类中心的距离,根据计算出的距离为每个档位特征添加档位标号Label(i);
将所有档位特征按照所述档位标号分为档位类别集合:Lj={i|Label(i)=j},i=1,2,...,N,j=1,2,...,k;
iii、按下式重新计算k个聚类中心,其中Nj为集合Lj的大小;
iv、重复步骤ii和步骤iii,直到达到最大迭代次数为止,最终获得k个聚类中心。
优选地,从发动机转速和车速组成的档位特征集合中选取k个档位特征作为初始的k个聚类中心c1,c2,...,ck,具体包括:
i、计算n个样本间的余弦相似度:
m为样本的维数;
由所述余弦相似度获得n个样本的相似度矩阵S:
其中,sij表示样本Xi与样本Xj之间的相似度,sij=sji,sii=1;
ii、根据所述相似度矩阵S构造一个平均相似度集合P:
P={a1,a2,...,an};
其中,ai=(si1+si2+...+sin)/n,ai表示样本间的平均相似度;
iii、将所述P中的元素进行升序排序,选择所述P中的最大元素对应的样本Xj作为初始聚类中心;
iv、删除所述P中与选中样本Xj所有簇相关的样本;
v、重复iii、iv直到得到全部k个初始聚类中心。
优选地,由所述档位判断汽车行驶过程中发生的不良驾驶行为,所述不良驾驶行为包括:高转低档、低档高速和高档低速,具体为:
当前一档位减去当前档位的差值大于第一预定阈值时判定为高转低档驾驶行为,直到当前档位减去前一档位的差值大于第二预设阈值时判定为高转低档驾驶行为停止;
当前档位低于第一预定档位且当前车速超过第一预定车速时判定为低档高速驾驶行为;
当前档位高于第二预定档位且当前车速低于第二预定车速时判定为高档低速驾驶行为。
本发明实施例还提供一种基于换档行为的高油耗分析设备,包括:采集单元、提取单元和驾驶行为判断单元;
所述采集单元,用于按照预定时间间隔采集汽车的发动机转速、车速以及瞬时油耗;
所述提取单元,用于利用所述发动机转速和车速获取档位信息;
所述驾驶行为判断单元,用于由所述档位信息判断汽车行驶过程中发生的不良驾驶行为,由所述不良驾驶行为对应的瞬时油耗计算对应的高油耗。
优选地,所述提取单元包括提取子单元和获取子单元;
所述提取子单元,用于利用公式提取档位特征;其中,v代表车速,r代表发动机转速;K为预先选定的比例因子常数;
所述获取子单元,用于将所述档位特征输入支持向量机模型分类器中,获取对应的档位信息;所述支持向量机模型分类器中的支持向量机模型已经预先通过发动机转速和车速的样本训练获得。
优选地,还包括:归一化单元,用于将所述档位特征进行归一化处理,将归一化后的档位特征输入支持向量机模型分类器中。
优选地,还包括:支持向量机模型获取单元,用于通过发动机转速和车速的样本利用K-means聚类算法获得支持向量机模型中的k个聚类中心;
所述支持向量机模型获取单元包括:初始聚类中心选择子单元、距离计算子单元和最终聚类中心获取子单元;
所述初始聚类中心选择子单元,用于从发动机转速和车速组成的档位特征集合中选取k个档位特征作为初始的k个聚类中心c1,c2,...,ck;所述n、k和N均为整数;
所述距离计算子单元,用于计算所述档位特征集合中的每个档位特征xi与各个所述初始的k个聚类中心的距离,根据计算出的距离为每个档位特征添加档位标号Label(i);
将所有档位特征按照所述档位标号分为档位类别集合:Lj={i|Label(i)=j},i=1,2,...,N,j=1,2,...,k;
所述最终聚类中心获取子单元,按下式重新计算k个聚类中心,其中Nj为集合Lj的大小;直到达到最大迭代次数为止,最终获得k个聚类中心。
优选地,所述驾驶行为判断单元包括:高转低档驾驶行为判断子单元、低档高速驾驶行为判断子单元和高档低速驾驶行为判断子单元;
所述高转低档驾驶行为判断单元,用于当前一档位减去当前档位的差值大于第一预定阈值时判定为高转低档驾驶行为,直到当前档位减去前一档位的差值大于第二预设阈值时判定为高转低档驾驶行为停止;
所述低档高速驾驶行为判断子单元,用于当前档位低于第一预定档位且当前车速超过第一预定车速时判定为低档高速驾驶行为;
所述高档低速驾驶行为判断子单元,用于当前档位高于第二预定档位且当前车速低于第二预定车速时判定为高档低速驾驶行为。
与现有技术相比,本发明具有以下优点:
本实施例中,从采集的发动机转速和车速中提取档位特征,将档位特征输入支持向量机模型中,获取对应的档位信息。通过档位信息可以判断当前是否发生不良驾驶行为,如果发生了不良驾驶行为,则不良驾驶行为时对应的油耗便是高油耗,可以利用瞬时油耗获得对应的高油耗。从而提醒驾驶人员何时发生了由于不良驾驶行为产生了高油耗,避免不良驾驶行为,降低油耗。
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,下面将对实施例或现有技术描述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的前提下,还可以根据这些附图获得其他的附图。
图1是本发明提供的基于换档行为的高油耗分析方法实施例一流程图;
图2是本发明提供的基于换档行为的高油耗分析方法实施例二流程图;
图3是本发明提供的基于换档行为的高油耗分析设备实施例一示意图;
图4是本发明提供的基于换档行为的高油耗分析设备实施例二示意图;
图5是本发明提供的支持向量机模型获取单元示意图;
图6是本发明提供的驾驶行为判断单元示意图。
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。
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图对本发明的具体实施方式做详细的说明。
方法实施例一:
参见图1,该图为本发明提供的基于换档行为的高油耗分析方法实施例一流程图。
本实施例提供的基于换档行为的高油耗分析方法,包括以下步骤:
S101:按照预定时间间隔采集汽车的发动机转速、车速以及瞬时油耗;
由于发动机转速和车速可以间接地反映汽车的档位。并且发动机转速和车速较高时,对应的油耗也较高。因此,本实施例中采集的数据包括汽车的发动机转速、车速和瞬时油耗。
S102:利用所述发动机转速和车速获取档位信息;
需要说明的是,本实施例中并不是直接将发动机转速和车速输入支持向量机模型,而是将发动机转速和车速经过变化以后得到档位特征,将档位特征输入到支持向量机模型的。
S103:由所述档位信息判断汽车行驶过程中发生的不良驾驶行为,由所述不良驾驶行为对应的瞬时油耗计算对应的高油耗;
通过前后档位的变化可以判断是否发生不良驾驶行为,例如,前一档位为高档,而当前档位为低档,并且前一档位比当前档位高出预定档位数时,则认为发生了高转低档的不良驾驶行为。由于不良驾驶行为时会造成高油耗,因此,此时对应的油耗便是高油耗。
本实施例中,从采集的发动机转速和车速中提取档位特征,将档位特征输入支持向量机模型中,获取对应的档位信息。通过档位信息可以判断当前是否发生不良驾驶行为,如果发生了不良驾驶行为,则不良驾驶行为时对应的油耗便是高油耗,可以利用瞬时油耗获得对应的高油耗。从而提醒驾驶人员何时发生了由于不良驾驶行为产生了高油耗,避免不良驾驶行为,降低油耗。
方法实施例二:
参见图2,该图为本发明提供的基于换档行为的高油耗分析方法实施例二流程图。
本实施例中介绍如何利用所述发动机转速和车速获取档位信息,包括以下两个步骤:
利用所述发动机转速和车速提取档位特征Fg;
将所述档位特征输入支持向量机模型分类器中,获取对应的档位信息;所述支持向量机模型分类器中的支持向量机模型已经预先通过发动机转速和车速的样本训练获得;
本实施例中,利用所述发动机转速和车速提取档位特征Fg,具体为:
其中,v代表车速,r代表发动机转速;K为预先选定的比例因子常数。
需要说明的是,本步骤中是通过预先训练得到的支持向量机模型来估算当前的档位。
可以理解的是,支持向量机模型是预先经过样本训练获得的,具体可以通过采集汽车的发动机转速和车速,然后将发动机转速和车速变换为对应的档位特征,这样支持向量机模型中的样本是带有档位特征的样本。然后将采集的发动机转速和车速提取档位特征后与支持向量机模型中的档位特征进行比对,获得当前档位特征对应的档位。例如,预先在支持向量机模型中保存10个档位对应的档位特征,每个档位特征覆盖一个范围,当档位特征落入该档位对应的档位特征范围时,则说明汽车目前处于该档位特征范围对应的档位。一般进行比对之前,需要对档位特征进行标准化,标准化后的档位特征的范围是在[-1,+1]之间。
本实施例中,为了计算的方便,将所述档位特征输入支持向量机模型分类器之前,还包括:
将所述档位特征进行归一化处理,将归一化后的档位特征输入支持向量机模型分类器中。
需要说明的是,支持向量机模型中的档位特征也是经过归一化处理之后的。
下面介绍本发明实施例中的归一化过程:
训练集合:U={Fg1,Fg2,...,FgN},Fgmin为U中的最小元素,Fgmax为U中的最大元素,设置标准化(或归一化)区间为[lower,upper],则标准化(或归一化)过程为:
本模型中lower=-1,upper=1。
预先通过发动机转速和车速的样本训练获得支持向量机模型,具体为:利用K-means聚类算法获得k个聚类中心;
所述利用K-means聚类算法获得k个聚类中心,包括:
i、从发动机转速和车速组成的档位特征集合中选取k个档位特征作为初始的k个聚类中心c1,c2,...,ck;所述n、k和N均为整数;
ii、计算所述档位特征集合中的每个档位特征xi与各个所述初始的k个聚类中心的距离,根据计算出的距离为每个档位特征添加档位标号Label(i);
将所有档位特征按照所述档位标号分为档位类别集合:Lj={i|Label(i)=j},i=1,2,...,N,j=1,2,...,k;
需要说明的是,档位标号就代表档位,例如分为10个档位,档位标号分别是1-10,对应的档位分别是1-10。
iii、按下式重新计算k个聚类中心,其中Nj为集合Lj的大小;
iv、重复步骤ii和步骤iii,直到达到最大迭代次数为止,最终获得k个聚类中心。
本实施例中利用聚类算法来获得k个聚类中心,k可以根据需要来进行选择,例如,设置10个档位,则对应的k为10。
判断样本离哪个聚类中心最近,即样本与该聚类中心的距离最小,则该样本归为该聚类中心的集合,对应的档位就是该聚类中心对应的档位。
下面结合采集的原始样本数据来详细说明获得k个聚类中心的过程。
1、原始样本及其档位特征
2、对档位特征的数据(档位特征标号和索引与原始样本数据是一一对应的)进行聚类,以聚成5个类别为例;
i、初始化聚类中心:c1=0;c2=3.5987;c3=16.3170;c4=23.0352;c5=30.8133;
ii、判断距离聚类中心最近的样本并加入对应Lj集合:L1={1,2,3,4,5,8,10};L2={6,7,9,11};L3={12,13,14,15,16,17,18,21,22,23};L4={19,20,24};L5={25,26,27,28,29,30};
iii、重新计算聚类中心:c1=0;c2=2.6185;c3=13.2656;c4=22.6460;c5=33.8562;
iv、重复ii到iii:
判断距离聚类中心最近的样本并加入对应Lj集合:L1={1,2,3,4,5,8,10};
L2={6,7,9,11};
L3={12,13,14,15,16,17,18,21,22,23};
L4={19,20,24};
L5={25,26,27,28,29,30};
重新计算聚类中心:c1=0;c2=2.6185;c3=13.2656;c4=22.6460;c5=33.8562;
由于聚类中心收敛或达到最大迭代次数,因此聚类计算结束,由此获得如下聚类结果:
需要说明的是,从档位特征集合中选取k个档位特征作为初始的聚类中心,可以任意来选择。下面介绍本发明提供的一种优选的选择初始聚类中心的方式。本实施例提供的选择初始聚类中心的方法能够比较准确地估算初始聚类中心在整个样本中的大概分布,且能在很大程度上减少计算迭代次数,并且能使聚类计算的收敛速度较快。
从发动机转速和车速组成的档位特征集合中选取k个档位特征作为初始的k个聚类中心c1,c2,...,ck,具体包括:
i)、计算n个样本间的余弦相似度:
m为样本的维数;
由所述余弦相似度获得n个样本的相似度矩阵S:
其中,sij表示样本Xi与样本Xj之间的相似度,sij=sji,sii=1;
ii)、根据所述相似度矩阵S构造一个平均相似度集合P:
P={a1,a2,...,an};
其中,ai=(si1+si2+...+sin)/n,ai表示样本间的平均相似度;
iii)、将所述P中的元素进行升序排序,选择所述P中的最大元素对应的样本Xj作为初始聚类中心;
例如,P中的最大元素为aj,则j对应的样本Xj作为初始聚类中心;
iv)、删除所述P中与选中样本Xj所有簇相关的样本;
v)、重复iii、iv直到得到全部k个初始聚类中心。
下面介绍本实施例中如何判断何时发生不良驾驶行为。
由所述档位信息判断汽车行驶过程中发生的不良驾驶行为,所述不良驾驶行为包括:高转低档、低档高速和高档低速,具体为:
当前一档位减去当前档位的差值大于第一预定阈值时判定为高转低档驾驶行为,直到当前档位减去前一档位的差值大于第二预定阈值时判定为高转低档驾驶行为停止;例如第一预定阈值为3,第二预定阈值为2。可以理解的是,10个档位的档位标号为1,2,……9,10。
可以理解的是,第一预定阈值和第二预定阈值是可以根据需要来选择的,本实施例中不做具体的限定。
当前档位低于第一预定档位且当前车速超过第一预定车速时判定为低档高速驾驶行为;例如,第一预定档位可以设定为4,第一预定车速可以设定为70km/h。
当前档位高于第二预定档位且当前车速低于第二预定车速时判定为高档低速驾驶行为。例如,第二预定档位可以设定为5,第二预定车速可以设定为30km/h。
本实施例中通过以上不良驾驶行为计算出对应的高油耗,从而计算高油耗占总油耗的比例,从而提醒驾驶员改善驾驶行为,降低油耗。
由于汽车的车速和发动机的转速不能直接反映档位信息,因此,本实施例中通过将汽车的车速和发动机的转速提前出档位特征,利用档位特征来反映档位信息。并且本实施例中将聚类分析和支持向量机模型分类器有机地融合在一起来对原始样本进行分类,从而判断原始样本对应的档位。根据档位判断当前是否发生了不良驾驶行为。
基于以上实施例提供的一种基于换档行为的高油耗分析方法,本发明实施例还提供了一种基于换档行为的高油耗分析设备,下面结合附图来进行详细的介绍。
设备实施例一:
参见图3,该图为本发明提供的基于换档行为的高油耗分析设备实施例一示意图。
本实施例提供的基于换档行为的高油耗分析设备,包括:采集单元301、提取单元302和驾驶行为判断单元303;
所述采集单元301,用于按照预定时间间隔采集汽车的发动机转速、车速以及瞬时油耗;
由于发动机转速和车速可以间接地反映汽车的档位。并且发动机转速和车速较高时,对应的油耗也较高。因此,本实施例中采集的数据包括汽车的发动机转速、车速和瞬时油耗。
所述提取单元302,用于利用所述发动机转速和车速提取档位信息;
需要说明的是,本实施例中并不是直接将发动机转速和车速输入支持向量机模型,而是将发动机转速和车速经过变化以后得到档位特征,将档位特征输入到支持向量机模型的。
所述驾驶行为判断单元303,用于由所述档位信息判断汽车行驶过程中发生的不良驾驶行为,由所述不良驾驶行为对应的瞬时油耗计算对应的高油耗。
通过前后档位的变化可以判断是否发生不良驾驶行为,例如,前一档位为高档,而当前档位为低档,并且前一档位比当前档位高出预定档位数时,则认为发生了高转低档的不良驾驶行为。由于不良驾驶行为时会造成高油耗,因此,此时对应的油耗便是高油耗。
本实施例中,从采集的发动机转速和车速中提取档位特征,将档位特征输入支持向量机模型中,获取对应的档位信息。通过档位信息可以判断当前是否发生不良驾驶行为,如果发生了不良驾驶行为,则不良驾驶行为时对应的油耗便是高油耗,可以利用瞬时油耗获得对应的高油耗。从而提醒驾驶人员何时发生了由于不良驾驶行为产生了高油耗,避免不良驾驶行为,降低油耗。
设备实施例二;
参见图4,该图为本发明提供的基于换档行为的高油耗分析设备实施例二示意图。
本实施例中,所述提取单元包括提取子单元302a和获取子单元302b;
所述提取子单元302a,用于利用公式提取档位特征;其中,v代表车速,r代表发动机转速;K为预先选定的比例因子常数;
所述获取子单元302b,用于将所述档位特征输入支持向量机模型分类器中,获取对应的档位信息;所述支持向量机模型分类器中的支持向量机模型已经预先通过发动机转速和车速的样本训练获得。
需要说明的是,本步骤中是通过预先训练得到的支持向量机模型来估算当前的档位。
可以理解的是,支持向量机模型是预先经过样本训练获得的,具体可以通过采集汽车的发动机转速和车速,然后将发动机转速和车速变换为对应的档位特征,这样支持向量机模型中的样本是带有档位特征的样本。然后将采集的发动机转速和车速提取档位特征后与支持向量机模型中的档位特征进行比对,获得当前档位特征对应的档位。例如,预先在支持向量机模型中保存10个档位对应的档位特征,每个档位特征覆盖一个范围,当档位特征落入该档位对应的档位特征范围时,则说明汽车目前处于该档位特征范围对应的档位。一般进行比对之前,需要对档位特征进行标准化,标准化后的档位特征的范围是在[-1,+1]之间。
为了计算的方便,还包括:归一化单元401,用于将所述档位特征进行归一化处理,将归一化后的档位特征输入支持向量机模型分类器中。
需要说明的是,支持向量机模型中的档位特征也是经过归一化处理之后的。
本实施例提供的设备,还包括:支持向量机模型获取单元501,用于通过发动机转速和车速的样本利用K-means聚类算法获得支持向量机模型中的k个聚类中心;
参见图5,所述支持向量机模型获取单元501包括:初始聚类中心选择子单元501a、距离计算子单元501b和最终聚类中心获取子单元501c;
所述初始聚类中心选择子单元501a,用于从发动机转速和车速组成的档位特征集合中选取k个档位特征作为初始的k个聚类中心c1,c2,...,ck;所述n、k和N均为整数;
所述距离计算子单元501b,用于计算所述档位特征集合中的每个档位特征xi与各个所述初始的k个聚类中心的距离,根据计算出的距离为每个档位特征添加档位标号Label(i);
需要说明的是,档位标号就代表档位,例如分为10个档位,档位标号分别是1-10,对应的档位分别是1-10。
将所有档位特征按照所述档位标号分为档位类别集合:Lj={i|Label(i)=j},i=1,2,...,N,j=1,2,...,k;
所述最终聚类中心获取子单元501c,按下式重新计算k个聚类中心,其中Nj为集合Lj的大小;直到达到最大迭代次数为止,最终获得k个聚类中心。
本实施例中利用聚类算法来获得k个聚类中心,k可以根据需要来进行选择,例如,设置10个档位,则对应的k为10。
判断样本离哪个聚类中心最近,即样本与该聚类中心的距离最小,则该样本归为该聚类中心的集合,对应的档位就是该聚类中心对应的档位。
需要说明的是,从档位特征集合中选取k个档位特征作为初始的聚类中心,可以任意来选择。也可以按照方法实施例二中的方式来选择。
参见图6,该图为本发明提供的驾驶行为判断单元示意图。
所述驾驶行为判断单元304包括:高转低档驾驶行为判断子单元304a、低档高速驾驶行为判断子单元304b和高档低速驾驶行为判断子单元304c;
所述高转低档驾驶行为判断单元304a,用于当前一档位减去当前档位的差值大于第一预定阈值时判定为高转低档驾驶行为,直到当前档位减去前一档位的差值大于第二预设阈值时判定为高转低档驾驶行为停止;例如第一预定阈值为3,第二预定阈值为2。可以理解的是,10个档位的档位标号为1,2,……9,10。
可以理解的是,第一预定阈值和第二预定阈值是可以根据需要来选择的,本实施例中不做具体的限定。
所述低档高速驾驶行为判断子单元304b,用于当前档位低于第一预定档位且当前车速超过第一预定车速时判定为低档高速驾驶行为;例如,第一预定档位可以设定为4,第一预定车速可以设定为70km/h。
所述高档低速驾驶行为判断子单元304c,用于当前档位高于第二预定档位且当前车速低于第二预定车速时判定为高档低速驾驶行为。例如,第二预定档位可以设定为5,第二预定车速可以设定为30km/h。
本实施例中通过以上不良驾驶行为计算出对应的高油耗,从而计算高油耗占总油耗的比例,从而提醒驾驶员改善驾驶行为,降低油耗。
由于汽车的车速和发动机的转速不能直接反映档位信息,因此,本实施例中通过将汽车的车速和发动机的转速提前出档位特征,利用档位特征来反映档位信息。并且本实施例中将聚类分析和支持向量机模型分类器有机地融合在一起来对原始样本进行分类,从而判断原始样本对应的档位。根据档位判断当前是否发生了不良驾驶行为。
以上所述,仅是本发明的较佳实施例而已,并非对本发明作任何形式上的限制。虽然本发明已以较佳实施例揭露如上,然而并非用以限定本发明。任何熟悉本领域的技术人员,在不脱离本发明技术方案范围情况下,都可利用上述揭示的方法和技术内容对本发明技术方案做出许多可能的变动和修饰,或修改为等同变化的等效实施例。因此,凡是未脱离本发明技术方案的内容,依据本发明的技术实质对以上实施例所做的任何简单修改、等同变化及修饰,均仍属于本发明技术方案保护的范围内。
Claims (9)
1.一种基于换档行为的高油耗分析方法,其特征在于,包括:
按照预定时间间隔采集汽车的发动机转速、车速以及瞬时油耗;
利用所述发动机转速和车速获取档位信息;
由所述档位信息判断汽车行驶过程中发生的不良驾驶行为,由所述不良驾驶行为对应的瞬时油耗计算对应的高油耗;
其中,利用所述发动机转速和车速获取档位信息,包括:
利用所述发动机转速和车速提取档位特征Fg;
将所述档位特征输入支持向量机模型分类器中,获取对应的档位信息;所述支持向量机模型分类器中的支持向量机模型已经预先通过发动机转速和车速的样本训练获得;
其中:
其中,v代表车速,r代表发动机转速;K为预先选定的比例因子常数。
2.根据权利要求1所述的基于换档行为的高油耗分析方法,其特征在于,将所述档位特征输入支持向量机模型分类器之前,还包括:
将所述档位特征进行归一化处理,将归一化后的档位特征输入支持向量机模型分类器中。
3.根据权利要求2所述的基于换档行为的高油耗分析方法,其特征在于,预先通过发动机转速和车速的样本训练获得支持向量机模型,具体为:利用K-means聚类算法获得k个聚类中心;
所述利用K-means聚类算法获得k个聚类中心,包括:
i、从发动机转速和车速组成的档位特征集合中选取k个档位特征作为初始的k个聚类中心c1,c2,…,ck;所述n、k和N均为整数;
ii、计算所述档位特征集合中的每个档位特征xi与各个所述初始的k个聚类中心的距离,根据计算出的距离为每个档位特征添加档位标号Label(i);
将所有档位特征按照所述档位标号分为档位类别集合:Lj={i|Label(i)=j},i=1,2,…,N,j=1,2,…,k;
iii、按下式重新计算k个聚类中心,其中Nj为集合Lj的大小;
iv、重复步骤ii和步骤iii,直到达到最大迭代次数为止,最终获得k个聚类中心。
4.根据权利要求3所述的基于换档行为的高油耗分析方法,其特征在于,从发动机转速和车速组成的档位特征集合中选取k个档位特征作为初始的k个聚类中心c1,c2,…,ck,具体包括:
i、计算n个样本间的余弦相似度:
m为样本的维数;
由所述余弦相似度获得n个样本的相似度矩阵S:
其中,sij表示样本Xi与样本Xj之间的相似度,sij=sji,sii=1;
ii、根据所述相似度矩阵S构造一个平均相似度集合P:
P={a1,a2,…,an};
其中,ai=(si1+si2+…+sin)/n,ai表示样本间的平均相似度;
iii、将所述P中的元素进行升序排序,选择所述P中的最大元素对应的样本Xj作为初始聚类中心;
iv、删除所述P中与选中样本Xj所有簇相关的样本;
v、重复iii、iv直到得到全部k个初始聚类中心。
5.根据权利要求1-4任意一项所述的基于换档行为的高油耗分析方法,其特征在于,由所述档位判断汽车行驶过程中发生的不良驾驶行为,所述不良驾驶行为包括:高转低档、低档高速和高档低速,具体为:
当前一档位减去当前档位的差值大于第一预定阈值时判定为高转低档驾驶行为,直到当前档位减去前一档位的差值大于第二预设阈值时判定为高转低档驾驶行为停止;
当前档位低于第一预定档位且当前车速超过第一预定车速时判定为低档高速驾驶行为;
当前档位高于第二预定档位且当前车速低于第二预定车速时判定为高档低速驾驶行为
6.一种基于换档行为的高油耗分析设备,其特征在于,包括:采集单元、提取单元和驾驶行为判断单元;
所述采集单元,用于按照预定时间间隔采集汽车的发动机转速、车速以及瞬时油耗;
所述提取单元,用于利用所述发动机转速和车速获取档位信息;
所述驾驶行为判断单元,用于由所述档位信息判断汽车行驶过程中发生的不良驾驶行为,由所述不良驾驶行为对应的瞬时油耗计算对应的高油耗;
其中,所述提取单元包括提取子单元和获取子单元;
所述提取子单元,用于利用公式提取档位特征;其中,v代表车速,r代表发动机转速;K为预先选定的比例因子常数;
所述获取子单元,用于将所述档位特征输入支持向量机模型分类器中,获取对应的档位信息;所述支持向量机模型分类器中的支持向量机模型已经预先通过发动机转速和车速的样本训练获得。
7.根据权利要求6所述的基于换档行为的高油耗分析设备,其特征在于,还包括:归一化单元,用于将所述档位特征进行归一化处理,将归一化后的档位特征输入支持向量机模型分类器中。
8.根据权利要求7所述的基于换档行为的高油耗分析设备,其特征在于,还包括:支持向量机模型获取单元,用于通过发动机转速和车速的样本利用K-means聚类算法获得支持向量机模型中的k个聚类中心;
所述支持向量机模型获取单元包括:初始聚类中心选择子单元、距离计算子单元和最终聚类中心获取子单元;
所述初始聚类中心选择子单元,用于从发动机转速和车速组成的档位特征集合中选取k个档位特征作为初始的k个聚类中心c1,c2,…,ck;所述n、k和N均为整数;
所述距离计算子单元,用于计算所述档位特征集合中的每个档位特征xi与各个所述初始的k个聚类中心的距离,根据计算出的距离为每个档位特征添加档位标号Label(i);
将所有档位特征按照所述档位标号分为档位类别集合:Lj={i|Label(i)=j},i=1,2,…,N,j=1,2,…,k;
所述最终聚类中心获取子单元,按下式重新计算k个聚类中心,其中Nj为集合Lj的大小;直到达到最大迭代次数为止,最终获得k个聚类中心。
9.根据权利要求6-8任意一项所述的基于换档行为的高油耗分析设备,其特征在于,所述驾驶行为判断单元包括:高转低档驾驶行为判断子单元、低档高速驾驶行为判断子单元和高档低速驾驶行为判断子单元;
所述高转低档驾驶行为判断单元,用于当前一档位减去当前档位的差值大于第一预定阈值时判定为高转低档驾驶行为,直到当前档位减去前一档位的差值大于第二预设阈值时判定为高转低档驾驶行为停止;
所述低档高速驾驶行为判断子单元,用于当前档位低于第一预定档位且当前车速超过第一预定车速时判定为低档高速驾驶行为;
所述高档低速驾驶行为判断子单元,用于当前档位高于第二预定档位且当前车速低于第二预定车速时判定为高档低速驾驶行为。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510144934.7A CN104809160B (zh) | 2015-03-30 | 2015-03-30 | 一种基于换档行为的高油耗分析方法及设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510144934.7A CN104809160B (zh) | 2015-03-30 | 2015-03-30 | 一种基于换档行为的高油耗分析方法及设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104809160A CN104809160A (zh) | 2015-07-29 |
CN104809160B true CN104809160B (zh) | 2019-01-11 |
Family
ID=53693982
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510144934.7A Active CN104809160B (zh) | 2015-03-30 | 2015-03-30 | 一种基于换档行为的高油耗分析方法及设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104809160B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105527110B (zh) * | 2015-12-03 | 2018-06-19 | 东软集团股份有限公司 | 汽车燃油经济性的评估方法和装置 |
AT520185B1 (de) * | 2017-12-04 | 2019-02-15 | Avl List Gmbh | Prüfstand und Verfahren zur Durchführung eines Prüfversuchs |
CN109872075B (zh) * | 2019-03-05 | 2021-02-02 | 北京经纬恒润科技股份有限公司 | 一种油耗相关驾驶行为的评估方法及系统 |
CN114704636A (zh) * | 2022-03-17 | 2022-07-05 | 潍柴动力股份有限公司 | 车辆档位自学习自修正方法、电子设备和存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8341659B2 (en) * | 2000-07-13 | 2012-12-25 | Lg Electronics, Inc. | Multimedia service system based on user history |
CN103413436A (zh) * | 2013-06-21 | 2013-11-27 | 中国航天系统工程有限公司 | 一种基于油耗采集的路网运行状态分析系统 |
CN103413359A (zh) * | 2013-07-18 | 2013-11-27 | 江苏中科天安智联科技有限公司 | 不良驾驶行为分析评价系统 |
CN104132704A (zh) * | 2014-07-16 | 2014-11-05 | 深圳市凯伦圣科技有限公司 | 一种油耗的分析方法及分析系统 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN100462264C (zh) * | 2007-01-08 | 2009-02-18 | 东风汽车股份有限公司 | 汽车节油提示方法 |
CN103818384B (zh) * | 2014-03-17 | 2016-02-24 | 安徽江淮汽车股份有限公司 | 一种汽车节油提醒方法及系统 |
-
2015
- 2015-03-30 CN CN201510144934.7A patent/CN104809160B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8341659B2 (en) * | 2000-07-13 | 2012-12-25 | Lg Electronics, Inc. | Multimedia service system based on user history |
CN103413436A (zh) * | 2013-06-21 | 2013-11-27 | 中国航天系统工程有限公司 | 一种基于油耗采集的路网运行状态分析系统 |
CN103413359A (zh) * | 2013-07-18 | 2013-11-27 | 江苏中科天安智联科技有限公司 | 不良驾驶行为分析评价系统 |
CN104132704A (zh) * | 2014-07-16 | 2014-11-05 | 深圳市凯伦圣科技有限公司 | 一种油耗的分析方法及分析系统 |
Non-Patent Citations (1)
Title |
---|
公交驾驶员驾驶行为对油耗的影响极其评价指标;刘轩等;《汽车工程》;20141130;第36卷(第11期);期刊摘要,第2节,图6、7 |
Also Published As
Publication number | Publication date |
---|---|
CN104809160A (zh) | 2015-07-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104809160B (zh) | 一种基于换档行为的高油耗分析方法及设备 | |
CN111038485B (zh) | 基于驾驶风格识别的混合动力汽车控制方法及系统 | |
CN107845039A (zh) | 一种无尺度自适应的车联网车险评分模型 | |
CN106203330A (zh) | 一种基于卷积神经网络的车辆分类方法 | |
CN104484911A (zh) | 基于QoE的个性化自动驾驶参数优化设定方法 | |
CN109034469A (zh) | 一种基于机器学习的游客流量预测方法 | |
CN102184414B (zh) | 泵示功图的识别和判断方法及其系统 | |
CN107563280A (zh) | 基于多模型的人脸识别方法和装置 | |
CN101937510B (zh) | 基于类Haar和AdaBoost分类器的快速增量学习方法 | |
CN103839057A (zh) | 一种锑浮选工况识别方法及系统 | |
CN109278758B (zh) | 一种基于智能手机的智能车个性化驾驶学习系统 | |
CN101980210A (zh) | 一种标的词分类分级方法及系统 | |
CN104598885A (zh) | 街景图像中的文字标牌检测与定位方法 | |
CN109920251B (zh) | 一种城市道路交叉口交通组织合理性诊断分析方法及系统 | |
CN110194041A (zh) | 多源信息融合的自适应车身高度调节方法 | |
CN108647836A (zh) | 一种驾驶员节能评价方法和系统 | |
CN103207998A (zh) | 一种基于支持向量机的车牌字符分割方法 | |
CN108256498A (zh) | 一种基于EdgeBoxes和FastR-CNN的非机动车辆目标检测方法 | |
CN107274668A (zh) | 一种基于车辆检测的道路拥堵建模方法 | |
CN110486017A (zh) | 一种基于露天矿区路径的无人驾驶车辆能耗节能方法 | |
CN108573600A (zh) | 一种驾驶员行为诱导与局部交通流优化方法 | |
CN106600044A (zh) | 一种车辆销售量预测模型确定的方法及装置 | |
CN102938053A (zh) | 一种基于计算机视觉的甘蔗特征提取与识别方法 | |
CN115158345A (zh) | 一种车辆高油耗驾驶的纠正提示方法及装置 | |
CN101996326A (zh) | 多类目标的检测装置及检测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
EXSB | Decision made by sipo to initiate substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |