CN106055857B - 汽车燃油经济性的评估方法和装置 - Google Patents
汽车燃油经济性的评估方法和装置 Download PDFInfo
- Publication number
- CN106055857B CN106055857B CN201510885333.1A CN201510885333A CN106055857B CN 106055857 B CN106055857 B CN 106055857B CN 201510885333 A CN201510885333 A CN 201510885333A CN 106055857 B CN106055857 B CN 106055857B
- Authority
- CN
- China
- Prior art keywords
- fuel economy
- automobile
- sequence
- probability
- vehicle speed
- 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
- 239000000446 fuel Substances 0.000 title claims abstract description 339
- 238000000034 method Methods 0.000 title claims abstract description 185
- 230000008569 process Effects 0.000 claims abstract description 136
- 230000001133 acceleration Effects 0.000 claims abstract description 99
- 238000013507 mapping Methods 0.000 claims abstract description 29
- 238000011156 evaluation Methods 0.000 claims description 32
- 238000000611 regression analysis Methods 0.000 description 20
- 238000012417 linear regression Methods 0.000 description 17
- 230000000694 effects Effects 0.000 description 10
- 238000010586 diagram Methods 0.000 description 8
- 238000004364 calculation method Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 4
- 238000010998 test method Methods 0.000 description 4
- 230000006399 behavior Effects 0.000 description 3
- 238000013178 mathematical model Methods 0.000 description 3
- 230000001419 dependent effect Effects 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012314 multivariate regression analysis Methods 0.000 description 2
- 239000003921 oil Substances 0.000 description 2
- 238000004806 packaging method and process Methods 0.000 description 2
- 239000004576 sand Substances 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000000295 fuel oil Substances 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Landscapes
- Combined Controls Of Internal Combustion Engines (AREA)
Abstract
本发明提出一种汽车燃油经济性的评估方法和装置，该汽车燃油经济性的评估方法包括建立多元回归模型；获取汽车在行驶过程中的车速数据序列，并根据车速数据序列获取加速度数据序列；根据车速数据序列、加速度数据序列、多元回归模型，以及模糊概率映射模型获取燃油经济性概率序列；将燃油经济性概率序列中的每个燃油经济性概率依次与预设概率阈值进行比对，以得到比对结果；根据比对结果对汽车燃油经济性进行评估。通过本发明能够有效识别出汽车在行驶过程中的汽车燃油非经济性过程，根据汽车燃油非经济性过程对应的汽车行驶数据信息对汽车燃油经济性进行评估，提升汽车驾驶体验。
Description
技术领域
本发明涉及汽车技术领域，尤其涉及一种汽车燃油经济性的评估方法和装置。
背景技术
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，其运输效率的高低在很大程度上取决于汽车的动力性。同时随着我国经济的迅速发展，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，在保证动力性的前提下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％)。在驾驶行程中，由于司机的一些复杂不良驾驶行为，如不良换档驾驶(高转低档、低档高速和高档低速)、猛踩油门、频繁刹车、长时间怠速、频繁并线、频繁急加(减)速和超速行驶等，而导致产生燃油利用率降低。因此，有必要识别因不良驾驶行为产生的燃油经济性驾驶状态和综合评估行程的燃油经济性。
发明内容
本发明旨在至少在一定程度上解决相关技术中的技术问题之一。
为此，本发明的一个目的在于提出一种汽车燃油经济性的评估方法，能够有效识别出汽车在行驶过程中的汽车燃油非经济性过程，根据汽车燃油非经济性过程对应的汽车行驶数据信息对汽车燃油经济性进行评估，提升汽车驾驶体验。
本发明的另一个目的在于提出一种汽车燃油经济性的评估装置。
为达到上述目的，本发明第一方面实施例提出的汽车燃油经济性的评估方法，包括：建立多元回归模型；获取汽车在行驶过程中的车速数据序列，并根据所述车速数据序列获取加速度数据序列；根据所述车速数据序列、所述加速度数据序列、所述多元回归模型，以及模糊概率映射模型获取燃油经济性概率序列；将所述燃油经济性概率序列中的每个燃油经济性概率依次与预设概率阈值进行比对，以得到比对结果；根据所述比对结果对汽车燃油经济性进行评估。
本发明第一方面实施例提出的汽车燃油经济性的评估方法，通过根据车速数据序列、加速度数据序列、多元回归模型，以及模糊概率映射模型获取燃油经济性概率序列，以对汽车燃油经济性进行评估，能够有效识别出汽车在行驶过程中的汽车燃油非经济性过程，根据汽车燃油非经济性过程对应的汽车行驶数据信息对汽车燃油经济性进行评估，提升汽车驾驶体验。
为达到上述目的，本发明第二方面实施例提出的汽车燃油经济性的评估装置，包括：建立模块，用于建立多元回归模型；第一获取模块，用于获取汽车在行驶过程中的车速数据序列，并根据所述车速数据序列获取加速度数据序列；第二获取模块，用于根据所述车速数据序列、所述加速度数据序列、所述多元回归模型，以及模糊概率映射模型获取燃油经济性概率序列；比对模块，用于将所述燃油经济性概率序列中的每个燃油经济性概率依次与预设概率阈值进行比对，以得到比对结果；评估模块，用于根据所述比对结果对汽车燃油经济性进行评估。
本发明第二方面实施例提出的汽车燃油经济性的评估装置，通过分别将多个时间点中的每个时间点对应的车辆当前的车速数据以及车辆当前的加速度数据作为多元回归模型的输入，能够在汽车行驶过程中的多个时间点上进行检测汽车燃油经济性，提升汽车燃油经济性的评估效果。通过根据车速数据序列、加速度数据序列、多元回归模型，以及模糊概率映射模型获取燃油经济性概率序列，以对汽车燃油经济性进行评估，能够有效识别出汽车在行驶过程中的汽车燃油非经济性过程，根据汽车燃油非经济性过程对应的汽车行驶数据信息对汽车燃油经济性进行评估，提升汽车驾驶体验。通过根据汽车燃油非经济性过程对应的汽车行驶数据信息对汽车燃油经济性进行评估，能够实现对汽车行驶过程中的燃油经济性进行综合评价，提升汽车燃油经济性的评估效果。
本发明附加的方面和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，或通过本发明的实践了解到。
附图说明
本发明上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解，其中：
图1是本发明一实施例提出的汽车燃油经济性的评估方法的流程示意图；
图2是本发明另一实施例提出的汽车燃油经济性的评估方法的流程示意图；
图3是本发明实施例中二元回归分析曲线示意图；
图4a是本发明实施例中汽车在行驶过程中的汽车燃油非经济性过程的行程片段示意图；
图4b是本发明实施例中每个时间点的燃油经济性指数与当前时间点里程的对应关系示意图；
图4c是本发明实施例中每个时间点的速度与当前时间点里程的对应关系示意图；
图5是本发明另一实施例提出的汽车燃油经济性的评估装置的结构示意图；
图6是本发明另一实施例提出的汽车燃油经济性的评估装置的结构示意图。
具体实施方式
下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，仅用于解释本发明，而不能理解为对本发明的限制。相反，本发明的实施例包括落入所附加权利要求书的精神和内涵范围内的所有变化、修改和等同物。
图1是本发明一实施例提出的汽车燃油经济性的评估方法的流程示意图，该汽车燃油经济性的评估方法包括：
S101：建立多元回归模型。
其中，多元回归模型是用来进行回归分析的数学模型(含相关假设)。
具体地，假设变量x1,x2,…,xn与随机变量y之间存在相关关系，即x1,x2,…,xn取定后，y有相应的值分布与之对应。则随机变量y与变量x1,x2,…,xn的计算模型为：
y＝f(x1,x2,…,xn)+ε；
其中，随机变量y为因变量，x1,x2,…,xn为自变量，f(x1,x2,…,xn)为自变量x1,x2,…,xn的确定性关系，ε为随机误差。
本发明实施例中使用多元线性回归模型和多元二项式回归模型。
其中，多元线性回归模型是指f(x1,x2,…,xn)为自变量x1,x2,…,xn的线性确定性关系，即有理论回归方程：
f(x1,x2,…,xn)＝β0+β1x1+…+βnxn。
多元二项式回归模型主要包括纯二次回归模型、交叉二次回归模型和完全二次项回归模型，理论回归方程分别为：
纯二次回归模型：
交叉二次回归模型：
完全二次项回归模型：
对于实际问题，若有N个样本数据(xi1,xi2,…,xin；yi)，i＝1,2,…,N，则多元回归模型的理论回归方程为：
进一步，可以通过最小二乘法计算f(x1,x2,…,xn)的参数β＝[β0,β1,…]，从而可得随机误差为：
当使用多个可选择的多元回归模型做回归分析时，可以选择随机误差Es最小的多元回归模型作为最佳的多元回归模型进行回归分析。
在本发明的实施例中，可以首先利用回归分析方法建立汽车驾驶过程中的多元线性回归模型和多元二项式回归模型，然后选定其中随机误差较小的多元回归模型，将该随机误差较小的多元回归模型用以计算任意行程段中每个时刻的燃油经济性指数。
汽车燃油经济性是汽车性能和驾驶员驾驶能力的一个重要的评价指标，现有技术中，汽车燃油经济性的评估方法主要是通过行驶试验法、等速油耗试验法等，均是在消除了道路、天气等自然条件的影响下评估汽车燃油经济性，而并不通过驾驶员的实际驾驶操作方面来评估汽车燃油经济性。
而本发明实施例中，通过对驾驶员在实际驾驶汽车的过程中的车速数据和加速度数据进行多元回归分析，来评估汽车燃油经济性，能够有效识别出汽车在行驶过程中的汽车燃油非经济性过程。
建立多元回归模型，包括：
获取车速样本数据，并根据车速样本数据获取加速度样本数据，其中，车速样本数据为带有燃油经济性指数的车速数据；
根据车速样本数据和加速度样本数据建立多元回归模型。
S102：获取汽车在行驶过程中的车速数据序列，并根据车速数据序列获取加速度数据序列。
其中，车速数据序列中包含汽车在行驶过程中的n个时间点的车速数据，加速度数据序列是利用差分方法从车速数据序列中提取得到。
n个时间点中的每个时间点对应一组车辆当前的车速数据以及车辆当前的加速度数据，其中，n的取值为1～N，N为正整数。
例如，可以由安装在汽车驾驶室内的行车记录移动终端中的应用程序获取汽车在行驶过程中的车速数据序列，并利用差分方法从车速数据序列中提取得到加速度数据序列。
其中，移动终端可以是智能手机、平板电脑、个人数字助理、电子书等具有各种操作系统的硬件设备。
应用程序可以是指运行在电子设备上的软件程序，电子设备例如为个人电脑(Personal Computer，PC)，云端设备或者移动设备，移动设备例如智能手机，或者平板电脑等。
可选地，获取汽车在行驶过程中的车速数据序列，并根据车速数据序列获取加速度数据序列，包括：
获取汽车在行驶过程中的n个时间点的车速数据，以得到车速数据序列；
根据差分方法计算汽车在行驶过程中的n个时间点对应的加速度数据，以得到加速度数据序列，其中，n的取值为1～N，N为正整数。
S103：根据车速数据序列、加速度数据序列、多元回归模型，以及模糊概率映射模型获取燃油经济性概率序列。
例如，可以由安装在汽车驾驶室内的行车记录移动终端中的应用程序根据车速数据序列、加速度数据序列、多元回归模型，以及模糊概率映射模型获取燃油经济性概率序列。
具体地，分别将n个时间点中的每个时间点对应的车辆当前的车速数据以及车辆当前的加速度数据作为多元回归模型的输入，计算输出结果得到车辆当前的燃油经济性指数，对n个时间点中的每个时间点对应的车辆当前的车速数据以及车辆当前的加速度数据均做以上计算，获取n个时间点中的每个时间点对应的燃油经济性指数，则得到燃油经济性指数序列。
进一步，将n个时间点中的每个时间点对应的燃油经济性指数作为模糊概率映射模型的输入，计算输出结果得到车辆当前的燃油经济性概率，对n个时间点中的每个时间点对应的车辆当前的燃油经济性指数均做该计算，获取n个时间点中的每个时间点对应的燃油经济性概率，则得到燃油经济性概率序列，其中，n的取值为1～N，N为正整数。
可选地，根据车速数据序列、加速度数据序列、多元回归模型，以及模糊概率映射模型获取燃油经济性概率序列，包括：
将车速数据序列和加速度数据序列作为多元回归模型的输入，计算输出结果得到燃油经济性指数序列；
将燃油经济性指数序列作为模糊概率映射模型的输入，计算输出结果得到燃油经济性概率序列。
S104：将燃油经济性概率序列中的每个燃油经济性概率依次与预设概率阈值进行比对，以得到比对结果。
其中，预设概率阈值可以由行车记录移动终端中的应用程序的内置程序预先设定。
具体地，将燃油经济性概率序列中的n个时间点中的每个时间点对应的燃油经济性概率依次与预设概率阈值进行比对，以得到n个时间点中的每个时间点对应的比对结果，其中，n的取值为1～N，N为正整数。
S105：根据比对结果对汽车燃油经济性进行评估。
具体地，可以扫描燃油经济性概率序列，当n个时间点中的某一个时间点对应的燃油经济性概率小于预设概率阈值时，则将该时间点对应的行程片段识别为汽车燃油非经济性过程，并记录汽车燃油非经济性过程对应的汽车行驶数据信息，汽车行驶数据信息可以包括该汽车燃油非经济性过程的起止时间、行驶地点、最小车速数据、最大车速数据，平均车速数据，以及加速度数据。
同时，获取汽车在整个行驶过程中的汽车燃油非经济性过程，以评估汽车在整个行驶过程中的汽车燃油经济性，其中，n的取值为1～N，N为正整数。
可选地，根据比对结果对汽车燃油经济性进行评估，包括：
根据比对结果获取汽车在行驶过程中的汽车燃油非经济性过程；根据汽车燃油非经济性过程对应的汽车行驶数据信息对汽车燃油经济性进行评估。
可选地，根据比对结果获取汽车在行驶过程中的汽车燃油非经济性过程，包括：
在燃油经济性概率序列中的燃油经济性概率小于预设概率阈值时，判定小于预设概率阈值的燃油经济性概率对应的汽车行程片段为汽车燃油非经济性过程；依次扫描燃油经济性概率序列中的每个燃油经济性概率，以获取汽车在行驶过程中的汽车燃油非经济性过程。
本实施例中，通过根据车速数据序列、加速度数据序列、多元回归模型，以及模糊概率映射模型获取燃油经济性概率序列，以对汽车燃油经济性进行评估，能够有效识别出汽车在行驶过程中的汽车燃油非经济性过程，根据汽车燃油非经济性过程对应的汽车行驶数据信息对汽车燃油经济性进行评估，提升汽车驾驶体验。
图2是本发明另一实施例提出的汽车燃油经济性的评估方法的流程示意图，该汽车燃油经济性的评估方法包括：
S201：获取车速样本数据，并根据车速样本数据获取加速度样本数据，其中，车速样本数据为带有燃油经济性指数的车速数据。
燃油经济性指数是无量纲数值，其取值在0～15之间，燃油经济性指数的值越大，表示汽车的燃油经济性越好，越经济。
本发明实施例中，根据采集的车速样本数据和与车速样本数据对应的燃油经济性指数进行实例回归分析，用于实例回归分析的车速样本数据的个数为2527个，其数据形式如表1所示：
| 车速样本数据(km/h) | 燃油经济性指数ECO |
| 0 | 0 |
| 0 | 0 |
| 0 | 0 |
| …… | …… |
| 31 | 10.5 |
| 30 | 12 |
| 30 | 12 |
| …… | …… |
| 4 | 1 |
| 1 | 0 |
| 0 | 0 |
表1
具体地，可以利用差分方法从车速样本数据序列中提取得到加速度样本数据序列。
S202：根据车速样本数据和加速度样本数据建立多元回归模型。
其中，多元回归模型是用来进行回归分析的数学模型(含相关假设)。
其中，多元线性回归模型是指f(x1,x2,…,xn)为自变量x1,x2,…,xn的线性确定性关系，即有理论回归方程：
f(x1,x2,…,xn)＝β0+β1x1+…+βnxn。
多元二项式回归模型主要包括纯二次回归模型、交叉二次回归模型和完全二次项回归模型，理论回归方程分别为：
纯二次回归模型：
交叉二次回归模型：
完全二次项回归模型：
对于实际问题，若有N个样本数据(xi1,xi2,…,xin；yi)，i＝1,2,…,N，则多元回归模型的理论回归方程为：
进一步，可以通过最小二乘法计算f(x1,x2,…,xn)的参数β＝[β0,β1,…]，从而可得随机误差为：
当使用多个可选择的多元回归模型做回归分析时，可以选择随机误差Es最小的多元回归模型作为最佳的多元回归模型进行回归分析。
本发明中，基于多元回归分析的汽车燃油经济性评估主要利用汽车在行驶过程中的车速数据和加速度数据作为输入进行线性、纯二次和完全二次回归分析。
在本发明的实施例中，即f(x1,x2,…,xn)的变量个数n＝2，二元线性回归模型、纯二次回归模型，以及完全二次项回归模型的理论回归方程分别为：
二元线性回归模型：f(x1,x2)＝β0+β1x1+β2x2；
纯二次回归模型：
完全二次项回归模型：
其中，x1和x2分别表示车速样本数据(km/s)和加速度样本数据(m/s2)。
可选地，根据步骤S201获取到的车速样本数据和加速度样本数据，通过最小二乘法，二元线性回归模型、纯二次回归模型，以及完全二次项回归模型的理论回归方程的参数β分别为：
二元线性回归模型：β0＝1.173,β1＝0.190,β2＝0.185；
纯二次回归模型：β0＝0.128,β1＝0.392,β2＝-0.832,β3＝-0.003,β4＝0.075；
完全二次项回归模型：
β0＝0.052,β1＝0.392,β2＝-0.410,β3＝-0.013,β4＝-0.003,β5＝0.083。
进一步，根据以下公式：
计算出二元线性回归模型、纯二次回归模型，以及完全二次项回归模型的理论回归方程的随机误差Es分别是2.05、1.38，以及1.44，由此可见纯二次回归模型的随机误差Es最小，因此，可以将纯二次回归模型作为最佳回归计算模型用于汽车燃油经济性评估。
S203：获取汽车在行驶过程中的n个时间点的车速数据，以得到车速数据序列，其中，n的取值为1～N，N为正整数。
其中，车速数据序列中包含汽车在行驶过程中的n个时间点的车速数据，加速度数据序列是利用差分方法从车速数据序列中提取得到。n个时间点中的每个时间点对应一组车辆当前的车速数据以及车辆当前的加速度数据，其中，n的取值为1～N，N为正整数。
例如，可以由安装在汽车驾驶室内的行车记录移动终端中的应用程序获取汽车在行驶过程中的车速数据序列，并利用差分方法从车速数据序列中提取得到加速度数据序列。
例如，假设汽车行驶过程中的任意行程段的车速数据序列为：
其中，表示时刻ti的车速数据(单位：km/h)，其中，i的取值为0～n，n的取值为1～N，N为正整数。
S204：根据差分方法计算汽车在行驶过程中的n个时间点对应的加速度数据，以得到加速度数据序列，其中，n的取值为1～N，N为正整数。
例如，加速度数据序列为：
a＝[a0,a1,...,an]；
其中，a的单位为m/s2)，Δti＝ti-ti-1(单位：s)，i＝1,2,…,n，且a0＝0。
S205：将车速数据序列和加速度数据序列作为多元回归模型的输入，计算输出结果得到燃油经济性指数序列。
具体地，分别将n个时间点中的每个时间点对应的车辆当前的车速数据以及车辆当前的加速度数据作为多元回归模型的输入，计算输出结果得到车辆当前的燃油经济性指数，对n个时间点中的每个时间点对应的车辆当前的车速数据以及车辆当前的加速度数据均做以上计算，获取n个时间点中的每个时间点对应的燃油经济性指数，则得到燃油经济性指数序列，其中，n的取值为1～N，N为正整数。
例如，根据步骤S202获取到的最佳的多元回归模型，即纯二次回归模型作为最佳回归计算模型用于汽车燃油经济性评估。
根据纯二次回归模型的理论回归方程：
以及，纯二次回归模型的参数β：
β0＝0.128,β1＝0.392,β2＝-0.832,β3＝-0.003,β4＝0.075；将步骤S203和步骤S204中的车速数据序列和加速度数据序列中的每个时间点对应的车速数据和加速度数据作为纯二次回归模型f(x1,x2)的输入，即得到每一个时刻ti的燃油经济性指数λi＝f(vti,ai)，从而得到燃油经济性指数序列λ＝[λ0,λ1,...,λn]，其中，i的取值为0～n，n的取值为1～N，N为正整数。
通过本步骤，能够在汽车行驶过程中的多个时间点上进行检测汽车燃油经济性，提升汽车燃油经济性的评估效果。
S206：将燃油经济性指数序列作为模糊概率映射模型的输入，计算输出结果得到燃油经济性概率序列。
其中，燃油经济性概率越大，表示汽车燃油经济性越好。
具体地，分别将n个时间点中的每个时间点对应的燃油经济性指数作为模糊概率映射模型的输入，计算输出结果得到车辆当前的燃油经济性概率，对n个时间点中的每个时间点对应的车辆当前的燃油经济性指数均做该计算，获取n个时间点中的每个时间点对应的燃油经济性概率，则得到燃油经济性概率序列，其中，n的取值为1～N，N为正整数。
其中，模糊概率映射模型如下所示：
其中，P(λ)为燃油经济性概率，θ1和θ2分别为燃油经济性指数最小阈值和最大阈值(本实施例中纯二次回归模型的θ1＝0,θ2＝12)，k的取值为0～n，n的取值为1～N，N为正整数。
例如，对燃油经济性指数序列λi＝[λ0,λ1,...,λn]进行模糊概率映射，从而得到燃油经济性概率序列p＝[p0,p1,...,pn]，其中，
其中，k的取值为0～n，n的取值为1～N，N为正整数。
S207：将燃油经济性概率序列中的每个燃油经济性概率依次与预设概率阈值进行比对，以得到比对结果。
其中，预设概率阈值可以由行车记录移动终端中的应用程序的内置程序预先设定。
具体地，将燃油经济性概率序列中的n个时间点中的每个时间点对应的燃油经济性概率依次与预设概率阈值进行比对，以得到n个时间点中的每个时间点对应的比对结果，其中，n的取值为1～N，N为正整数。
例如，行车记录移动终端中的应用程序的内置程序可以预先设定预设概率阈值Pt，扫描燃油经济性概率序列p＝[p0,p1,...,pn]，将每个时间点对应的燃油经济性概率与预设概率阈值进行比对，以得到比对结果，其中，n的取值为1～N，N为正整数。
S208：在燃油经济性概率序列中的燃油经济性概率小于预设概率阈值时，判定小于预设概率阈值的燃油经济性概率对应的汽车行程片段为汽车燃油非经济性过程。
例如，行车记录移动终端中的应用程序的内置程序可以预先设定预设概率阈值Pt，扫描燃油经济性概率序列p＝[p0,p1,...,pn]，当pk<Pt时(k＝0,1,…,n)，则将该行程片段识别为燃油非经济性过程，并记录汽车燃油非经济性过程对应的汽车行驶数据信息，其中，n的取值为1～N，N为正整数。
S209：依次扫描燃油经济性概率序列中的每个燃油经济性概率，以获取汽车在行驶过程中的汽车燃油非经济性过程。
具体地，根据步骤S207和步骤S208依次获取汽车在行驶过程中的汽车燃油非经济性过程。
如图4所示，图4a为汽车在行驶过程中的汽车燃油非经济性过程的行程片段示意图。其中，图4a中的刻度方框表示车辆行驶过程的轨迹，横轴(X)刻度方向表示自西向东的距离(单位：m)，纵轴(Y)刻度方向表示自南向北的距离(单位：m)，左上方的方框31表示汽车行驶过程中出现的燃油非经济性驾驶片段，下方的方框32表示整个行程的燃油经济性综合评估。图4b表示汽车行驶过程中每个时间点的燃油经济性指数(0～15)与当前时间点里程(单位：km)的对应关系。图4c表示汽车行驶过程中每个时间点的速度(单位：km/h)与当前时间点里程(单位：km)的对应关系。
可选地，本发明中的汽车燃油经济性的评估方法可以算法封装库的形式嵌入到云平台，或者第三方服务平台中以中间件方式运行。
S210：根据汽车燃油非经济性过程对应的汽车行驶数据信息对汽车燃油经济性进行评估。
汽车行驶数据信息可以包括该汽车燃油非经济性过程的起止时间、行驶地点、最小车速数据、最大车速数据，平均车速数据，以及加速度数据，同时，获取汽车在整个行驶过程中的汽车燃油非经济性过程，以评估汽车在整个行驶过程中的汽车燃油经济性。
通过本步骤，能够实现对汽车行驶过程中的燃油经济性进行综合评价，提升汽车燃油经济性的评估效果。
本实施例中，通过分别将多个时间点中的每个时间点对应的车辆当前的车速数据以及车辆当前的加速度数据作为多元回归模型的输入，能够在汽车行驶过程中的多个时间点上进行检测汽车燃油经济性，提升汽车燃油经济性的评估效果。通过根据车速数据序列、加速度数据序列、多元回归模型，以及模糊概率映射模型获取燃油经济性概率序列，以对汽车燃油经济性进行评估，能够有效识别出汽车在行驶过程中的汽车燃油非经济性过程，根据汽车燃油非经济性过程对应的汽车行驶数据信息对汽车燃油经济性进行评估，提升汽车驾驶体验。通过根据汽车燃油非经济性过程对应的汽车行驶数据信息对汽车燃油经济性进行评估，能够实现对汽车行驶过程中的燃油经济性进行综合评价，提升汽车燃油经济性的评估效果。
图5是本发明另一实施例提出的汽车燃油经济性的评估装置的结构示意图，该汽车燃油经济性的评估装置50包括建立模块501，用于建立多元回归模型；第一获取模块502，用于获取汽车在行驶过程中的车速数据序列，并根据车速数据序列获取加速度数据序列；第二获取模块503，用于根据车速数据序列、加速度数据序列、多元回归模型，以及模糊概率映射模型获取燃油经济性概率序列；比对模块504，用于将燃油经济性概率序列中的每个燃油经济性概率依次与预设概率阈值进行比对，以得到比对结果；评估模块505，用于根据比对结果对汽车燃油经济性进行评估。
建立模块501，用于建立多元回归模型。
其中，多元回归模型是用来进行回归分析的数学模型(含相关假设)。
具体地，假设变量x1,x2,…,xn与随机变量y之间存在相关关系，即x1,x2,…,xn取定后，y有相应的值分布与之对应。则随机变量y与变量x1,x2,…,xn的计算模型为：
y＝f(x1,x2,…,xn)+ε；
其中，随机变量y为因变量，x1,x2,…,xn为自变量，f(x1,x2,…,xn)为自变量x1,x2,…,xn的确定性关系，ε为随机误差。
本发明实施例中使用多元线性回归模型和多元二项式回归模型。
其中，多元线性回归模型是指f(x1,x2,…,xn)为自变量x1,x2,…,xn的线性确定性关系，即有理论回归方程：
f(x1,x2,…,xn)＝β0+β1x1+…+βnxn。
多元二项式回归模型主要包括纯二次回归模型、交叉二次回归模型和完全二次项回归模型，理论回归方程分别为：
纯二次回归模型：
交叉二次回归模型：
完全二次项回归模型：
对于实际问题，若有N个样本数据(xi1,xi2,…,xin；yi)，i＝1,2,…,N，则多元回归模型的理论回归方程为：
进一步，可以通过最小二乘法计算f(x1,x2,…,xn)的参数β＝[β0,β1,…]，从而可得随机误差为：
当使用多个可选择的多元回归模型做回归分析时，可以选择随机误差Es最小的多元回归模型作为最佳的多元回归模型进行回归分析。
在本发明的实施例中，可以首先利用回归分析方法建立汽车驾驶过程中的多元线性回归模型和多元二项式回归模型，然后选定其中随机误差较小的多元回归模型，将该随机误差较小的多元回归模型用以计算任意行程段中每个时刻的燃油经济性指数。
汽车燃油经济性是汽车性能和驾驶员驾驶能力的一个重要的评价指标，现有技术中，汽车燃油经济性的评估方法主要是通过行驶试验法、等速油耗试验法等，均是在消除了道路、天气等自然条件的影响下评估汽车燃油经济性，而并不通过驾驶员的实际驾驶操作方面来评估汽车燃油经济性。
而本发明实施例中，通过对驾驶员在实际驾驶汽车的过程中的车速数据和加速度数据进行多元回归分析，来评估汽车燃油经济性，能够有效识别出汽车在行驶过程中的汽车燃油非经济性过程。
可选地，如图6所示，建立模块501包括样本数据获取子模块5011和建立子模块5012，其中，
样本数据获取子模块5011，用于获取车速样本数据，并根据车速样本数据获取加速度样本数据，其中，车速样本数据为带有燃油经济性指数的车速数据。
其中，车速样本数据为带有燃油经济性指数的车速数据。
燃油经济性指数是无量纲数值，其取值在0～15之间，燃油经济性指数的值越大，表示汽车的燃油经济性越好，越经济。
本发明实施例中，根据采集的车速样本数据和与车速样本数据对应的燃油经济性指数进行实例回归分析，用于实例回归分析的车速样本数据的个数为2527个，其数据形式如图2所述实施例中的表1所示。
具体地，可以利用差分方法从车速样本数据序列中提取得到加速度样本数据序列。
建立子模块5012，用于根据车速样本数据和加速度样本数据建立多元回归模型。
本发明中，基于多元回归分析的汽车燃油经济性评估主要利用汽车在行驶过程中的车速数据和加速度数据作为输入进行线性、纯二次和完全二次回归分析。
在本发明的实施例中，即f(x1,x2,…,xn)的变量个数n＝2，二元线性回归模型、纯二次回归模型，以及完全二次项回归模型的理论回归方程分别为：
二元线性回归模型：f(x1,x2)＝β0+β1x1+β2x2；
纯二次回归模型：
完全二次项回归模型：
其中，x1和x2分别表示车速样本数据(km/s)和加速度样本数据(m/s2)。
可选地，根据步骤S201获取到的车速样本数据和加速度样本数据，通过最小二乘法，二元线性回归模型、纯二次回归模型，以及完全二次项回归模型的理论回归方程的参数β分别为：
二元线性回归模型：β0＝1.173,β1＝0.190,β2＝0.185；
纯二次回归模型：β0＝0.128,β1＝0.392,β2＝-0.832,β3＝-0.003,β4＝0.075；
完全二次项回归模型：
β0＝0.052,β1＝0.392,β2＝-0.410,β3＝-0.013,β4＝-0.003,β5＝0.083。
进一步，根据以下公式：
计算出二元线性回归模型、纯二次回归模型，以及完全二次项回归模型的理论回归方程的随机误差Es分别是2.05、1.38，以及1.44，由此可见纯二次回归模型的随机误差Es最小，因此，可以将纯二次回归模型作为最佳回归计算模型用于汽车燃油经济性评估。
第一获取模块502，用于获取汽车在行驶过程中的车速数据序列，并根据车速数据序列获取加速度数据序列。
其中，车速数据序列中包含汽车在行驶过程中的n个时间点的车速数据，加速度数据序列是利用差分方法从车速数据序列中提取得到。n个时间点中的每个时间点对应一组车辆当前的车速数据以及车辆当前的加速度数据，其中，n的取值为1～N，N为正整数。
例如，可以由安装在汽车驾驶室内的行车记录移动终端中的应用程序获取汽车在行驶过程中的车速数据序列，并利用差分方法从车速数据序列中提取得到加速度数据序列。
其中，移动终端可以是智能手机、平板电脑、个人数字助理、电子书等具有各种操作系统的硬件设备。
应用程序可以是指运行在电子设备上的软件程序，电子设备例如为个人电脑(Personal Computer，PC)，云端设备或者移动设备，移动设备例如智能手机，或者平板电脑等。
可选地，如图6所示，第一获取模块包括车速数据序列获取子模块5021和加速度数据序列获取子模块5022，其中，
车速数据序列获取子模块5021，用于获取汽车在行驶过程中的n个时间点的车速数据，以得到车速数据序列。
其中，车速数据序列中包含汽车在行驶过程中的n个时间点的车速数据，加速度数据序列是利用差分方法从车速数据序列中提取得到。n个时间点中的每个时间点对应一组车辆当前的车速数据以及车辆当前的加速度数据，其中，n的取值为1～N，N为正整数。
例如，可以由安装在汽车驾驶室内的行车记录移动终端中的应用程序获取汽车在行驶过程中的车速数据序列，并利用差分方法从车速数据序列中提取得到加速度数据序列。
例如，假设汽车行驶过程中的任意行程段的车速数据序列为：
其中，表示时刻ti的车速数据(单位：km/h)，其中，i的取值为0～n，n的取值为1～N，N为正整数。
加速度数据序列获取子模块5022，用于根据差分方法计算汽车在行驶过程中的n个时间点对应的加速度数据，以得到加速度数据序列，其中，n的取值为1～N，N为正整数。
例如，加速度数据序列为：
a＝[a0,a1,...,an]；
其中，a的单位为m/s2)，Δti＝ti-ti-1(单位：s)，i＝1,2,…,n，且a0＝0。
第二获取模块503，用于根据车速数据序列、加速度数据序列、多元回归模型，以及模糊概率映射模型获取燃油经济性概率序列。
例如，可以由安装在汽车驾驶室内的行车记录移动终端中的应用程序根据车速数据序列、加速度数据序列、多元回归模型，以及模糊概率映射模型获取燃油经济性概率序列。
具体地，分别将n个时间点中的每个时间点对应的车辆当前的车速数据以及车辆当前的加速度数据作为多元回归模型的输入，计算输出结果得到车辆当前的燃油经济性指数，对n个时间点中的每个时间点对应的车辆当前的车速数据以及车辆当前的加速度数据均做以上计算，获取n个时间点中的每个时间点对应的燃油经济性指数，则得到燃油经济性指数序列，进一步，将n个时间点中的每个时间点对应的燃油经济性指数作为模糊概率映射模型的输入，计算输出结果得到车辆当前的燃油经济性概率，对n个时间点中的每个时间点对应的车辆当前的燃油经济性指数均做该计算，获取n个时间点中的每个时间点对应的燃油经济性概率，则得到燃油经济性概率序列，其中，n的取值为1～N，N为正整数。
可选地，第二获取模块包括燃油经济性指数序列获取子模块5031和燃油经济性概率序列获取子模块5032，其中，
燃油经济性指数序列获取子模块5031，用于将车速数据序列和加速度数据序列作为多元回归模型的输入，计算输出结果得到燃油经济性指数序列。
具体地，分别将n个时间点中的每个时间点对应的车辆当前的车速数据以及车辆当前的加速度数据作为多元回归模型的输入，计算输出结果得到车辆当前的燃油经济性指数，对n个时间点中的每个时间点对应的车辆当前的车速数据以及车辆当前的加速度数据均做以上计算，获取n个时间点中的每个时间点对应的燃油经济性指数，则得到燃油经济性指数序列，其中，n的取值为1～N，N为正整数。
例如，根据步骤S202获取到的最佳的多元回归模型，即纯二次回归模型作为最佳回归计算模型用于汽车燃油经济性评估。
根据纯二次回归模型的理论回归方程：
以及，纯二次回归模型的参数β：
β0＝0.128,β1＝0.392,β2＝-0.832,β3＝-0.003,β4＝0.075；将步骤S203和步骤S204中的车速数据序列和加速度数据序列中的每个时间点对应的车速数据和加速度数据作为纯二次回归模型f(x1,x2)的输入，即得到每一个时刻ti的燃油经济性指数从而得到燃油经济性指数序列λ＝[λ0,λ1,...,λn]，其中，i的取值为0～n，n的取值为1～N，N为正整数。
通过本步骤，能够在汽车行驶过程中的多个时间点上进行检测汽车燃油经济性，提升汽车燃油经济性的评估效果。
燃油经济性概率序列获取子模块5032，用于将燃油经济性指数序列作为模糊概率映射模型的输入，计算输出结果得到燃油经济性概率序列。
其中，燃油经济性概率越大，表示汽车燃油经济性越好。
具体地，分别将n个时间点中的每个时间点对应的燃油经济性指数作为模糊概率映射模型的输入，计算输出结果得到车辆当前的燃油经济性概率，对n个时间点中的每个时间点对应的车辆当前的燃油经济性指数均做该计算，获取n个时间点中的每个时间点对应的燃油经济性概率，则得到燃油经济性概率序列，其中，n的取值为1～N，N为正整数。
其中，模糊概率映射模型如下所示：
其中，P(λ)为燃油经济性概率，θ1和θ2分别为燃油经济性指数最小阈值和最大阈值(本实施例中纯二次回归模型的θ1＝0,θ2＝12)，k的取值为0～n，n的取值为1～N，N为正整数。
例如，对燃油经济性指数序列λ＝[λ0,λ1,...,λn]进行模糊概率映射，从而得到燃油经济性概率序列p＝[p0,p1,...,pn]，其中，
其中，k的取值为0～n，n的取值为1～N，N为正整数。
比对模块504，用于将燃油经济性概率序列中的每个燃油经济性概率依次与预设概率阈值进行比对，以得到比对结果。
其中，预设概率阈值可以由行车记录移动终端中的应用程序的内置程序预先设定。
具体地，将燃油经济性概率序列中的n个时间点中的每个时间点对应的燃油经济性概率依次与预设概率阈值进行比对，以得到n个时间点中的每个时间点对应的比对结果，其中，n的取值为1～N，N为正整数。
例如，行车记录移动终端中的应用程序的内置程序可以预先设定预设概率阈值Pt，扫描燃油经济性概率序列p＝[p0,p1,...,pn]，将每个时间点对应的燃油经济性概率与预设概率阈值进行比对，以得到比对结果，其中，n的取值为1～N，N为正整数。
评估模块505，用于根据比对结果对汽车燃油经济性进行评估。
具体地，可以扫描燃油经济性概率序列，当n个时间点中的某一个时间点对应的燃油经济性概率小于预设概率阈值时，则将该时间点对应的行程片段识别为汽车燃油非经济性过程，并记录汽车燃油非经济性过程对应的汽车行驶数据信息，汽车行驶数据信息可以包括该汽车燃油非经济性过程的起止时间、行驶地点、最小车速数据、最大车速数据，平均车速数据，以及加速度数据，同时，获取汽车在整个行驶过程中的汽车燃油非经济性过程，以评估汽车在整个行驶过程中的汽车燃油经济性，其中，n的取值为1～N，N为正整数。
可选地，评估模块505具体用于根据比对结果获取汽车在行驶过程中的汽车燃油非经济性过程；根据汽车燃油非经济性过程对应的汽车行驶数据信息对汽车燃油经济性进行评估。
汽车行驶数据信息可以包括该汽车燃油非经济性过程的起止时间、行驶地点、最小车速数据、最大车速数据，平均车速数据，以及加速度数据，同时，获取汽车在整个行驶过程中的汽车燃油非经济性过程，以评估汽车在整个行驶过程中的汽车燃油经济性。
通过本步骤，能够实现对汽车行驶过程中的燃油经济性进行综合评价，提升汽车燃油经济性的评估效果。
可选地，评估模块505还具体用于：在燃油经济性概率序列中的燃油经济性概率小于预设概率阈值时，判定小于预设概率阈值的燃油经济性概率对应的汽车行程片段为汽车燃油非经济性过程；依次扫描燃油经济性概率序列中的每个燃油经济性概率，以获取汽车在行驶过程中的汽车燃油非经济性过程。
例如，行车记录移动终端中的应用程序的内置程序可以预先设定预设概率阈值Pt，扫描燃油经济性概率序列p＝[p0,p1,...,pn]，当pk<Pt时(k＝0,1,…,n)，则将该行程片段识别为燃油非经济性过程，并记录汽车燃油非经济性过程对应的汽车行驶数据信息，其中，n的取值为1～N，N为正整数。
具体地，根据步骤S207和步骤S208依次获取汽车在行驶过程中的汽车燃油非经济性过程。
如图4所示，图4a为汽车在行驶过程中的汽车燃油非经济性过程的行程片段示意图。其中，图4a中的刻度方框表示车辆行驶过程的轨迹，横轴(X)刻度方向表示自西向东的距离(单位：m)，纵轴(Y)刻度方向表示自南向北的距离(单位：m)，左上方的方框31表示汽车行驶过程中出现的燃油非经济性驾驶片段，下方的方框32表示整个行程的燃油经济性综合评估。图4b表示汽车行驶过程中每个时间点的燃油经济性指数(0～15)与当前时间点里程(单位：km)的对应关系。图4c表示汽车行驶过程中每个时间点的速度(单位：km/h)与当前时间点里程(单位：km)的对应关系。
可选地，本发明中的汽车燃油经济性的评估方法可以算法封装库的形式嵌入到云平台，或者第三方服务平台中以中间件方式运行。
本实施例中，通过分别将多个时间点中的每个时间点对应的车辆当前的车速数据以及车辆当前的加速度数据作为多元回归模型的输入，能够在汽车行驶过程中的多个时间点上进行检测汽车燃油经济性，提升汽车燃油经济性的评估效果。通过根据车速数据序列、加速度数据序列、多元回归模型，以及模糊概率映射模型获取燃油经济性概率序列，以对汽车燃油经济性进行评估，能够有效识别出汽车在行驶过程中的汽车燃油非经济性过程，根据汽车燃油非经济性过程对应的汽车行驶数据信息对汽车燃油经济性进行评估，提升汽车驾驶体验。通过根据汽车燃油非经济性过程对应的汽车行驶数据信息对汽车燃油经济性进行评估，能够实现对汽车行驶过程中的燃油经济性进行综合评价，提升汽车燃油经济性的评估效果。
需要说明的是，在本发明的描述中，术语“第一”、“第二”等仅用于描述目的，而不能理解为指示或暗示相对重要性。此外，在本发明的描述中，除非另有说明，“多个”的含义是两个或两个以上。
流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为，表示包括一个或更多个用于实现特定逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分，并且本发明的优选实施方式的范围包括另外的实现，其中可以不按所示出或讨论的顺序，包括根据所涉及的功能按基本同时的方式或按相反的顺序，来执行功能，这应被本发明的实施例所属技术领域的技术人员所理解。
应当理解，本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如，如果用硬件来实现，和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列(PGA)，现场可编程门阵列(FPGA)等。
本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，该程序在执行时，包括方法实施例的步骤之一或其组合。
此外，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模块中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。
上述提到的存储介质可以是只读存储器，磁盘或光盘等。
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一定指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何的一个或多个实施例或示例中以合适的方式结合。
尽管上面已经示出和描述了本发明的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本发明的限制，本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。
Claims (10)
1.一种汽车燃油经济性的评估方法，其特征在于，包括以下步骤：
建立多元回归模型，其中，根据车速样本数据和加速度样本数据建立所述多元回归模型；
获取汽车在行驶过程中的车速数据序列，并根据所述车速数据序列获取加速度数据序列；
根据所述车速数据序列、所述加速度数据序列、所述多元回归模型，以及模糊概率映射模型获取燃油经济性概率序列，其中，将所述车速数据序列和所述加速度数据序列作为所述多元回归模型的输入，计算输出结果得到燃油经济性指数序列，将所述燃油经济性指数序列作为所述模糊概率映射模型的输入，计算输出结果得到燃油经济性概率序列；
将所述燃油经济性概率序列中的每个燃油经济性概率依次与预设概率阈值进行比对，以得到比对结果；
根据所述比对结果对汽车燃油经济性进行评估。
2.如权利要求1所述的汽车燃油经济性的评估方法，其特征在于，所述建立多元回归模型，包括：
获取所述车速样本数据，并根据所述车速样本数据获取所述加速度样本数据，其中，所述车速样本数据为带有燃油经济性指数的车速数据。
3.如权利要求1所述的汽车燃油经济性的评估方法，其特征在于，所述获取汽车在行驶过程中的车速数据序列，并根据所述车速数据序列获取加速度数据序列，包括：
获取所述汽车在行驶过程中的n个时间点的车速数据，以得到所述车速数据序列；
根据差分方法计算所述汽车在行驶过程中的n个时间点对应的加速度数据，以得到所述加速度数据序列，其中，n的取值为1～N，N为正整数。
4.如权利要求1所述的汽车燃油经济性的评估方法，其特征在于，所述根据所述比对结果对汽车燃油经济性进行评估，包括：
根据所述比对结果获取所述汽车在行驶过程中的汽车燃油非经济性过程；
根据所述汽车燃油非经济性过程对应的汽车行驶数据信息对所述汽车燃油经济性进行评估。
5.如权利要求4所述的汽车燃油经济性的评估方法，其特征在于，所述根据所述比对结果获取所述汽车在行驶过程中的汽车燃油非经济性过程，包括：
在所述燃油经济性概率序列中的燃油经济性概率小于所述预设概率阈值时，判定小于所述预设概率阈值的燃油经济性概率对应的汽车行程片段为汽车燃油非经济性过程；
依次扫描所述燃油经济性概率序列中的每个燃油经济性概率，以获取所述汽车在行驶过程中的汽车燃油非经济性过程。
6.一种汽车燃油经济性的评估装置，其特征在于，包括：
建立模块，用于建立多元回归模型，其中，所述建立模块根据车速样本数据和加速度样本数据建立所述多元回归模型；
第一获取模块，用于获取汽车在行驶过程中的车速数据序列，并根据所述车速数据序列获取加速度数据序列；
第二获取模块，用于根据所述车速数据序列、所述加速度数据序列、所述多元回归模型，以及模糊概率映射模型获取燃油经济性概率序列，其中，所述第二获取模块包括：燃油经济性指数序列获取子模块，用于将所述车速数据序列和所述加速度数据序列作为所述多元回归模型的输入，计算输出结果得到燃油经济性指数序列；燃油经济性概率序列获取子模块，用于将所述燃油经济性指数序列作为所述模糊概率映射模型的输入，计算输出结果得到燃油经济性概率序列；
比对模块，用于将所述燃油经济性概率序列中的每个燃油经济性概率依次与预设概率阈值进行比对，以得到比对结果；
评估模块，用于根据所述比对结果对汽车燃油经济性进行评估。
7.如权利要求6所述的汽车燃油经济性的评估装置，其特征在于，所述建立模块包括：
样本数据获取子模块，用于获取车速样本数据，并根据所述车速样本数据获取加速度样本数据，其中，所述车速样本数据为带有燃油经济性指数的车速数据；
建立子模块，用于根据所述车速样本数据和所述加速度样本数据建立多元回归模型。
8.如权利要求6所述的汽车燃油经济性的评估装置，其特征在于，所述第一获取模块包括：
车速数据序列获取子模块，用于获取所述汽车在行驶过程中的n个时间点的车速数据，以得到所述车速数据序列；
加速度数据序列获取子模块，用于根据差分方法计算所述汽车在行驶过程中的n个时间点对应的加速度数据，以得到所述加速度数据序列，其中，n的取值为1～N，N为正整数。
9.如权利要求6所述的汽车燃油经济性的评估装置，其特征在于，所述评估模块具体用于：
根据所述比对结果获取所述汽车在行驶过程中的汽车燃油非经济性过程；
根据所述汽车燃油非经济性过程对应的汽车行驶数据信息对所述汽车燃油经济性进行评估。
10.如权利要求9所述的汽车燃油经济性的评估装置，其特征在于，所述评估模块还具体用于：
在所述燃油经济性概率序列中的燃油经济性概率小于所述预设概率阈值时，判定小于所述预设概率阈值的燃油经济性概率对应的汽车行程片段为汽车燃油非经济性过程；
依次扫描所述燃油经济性概率序列中的每个燃油经济性概率，以获取所述汽车在行驶过程中的汽车燃油非经济性过程。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201510885333.1A CN106055857B (zh) | 2015-12-04 | 2015-12-04 | 汽车燃油经济性的评估方法和装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201510885333.1A CN106055857B (zh) | 2015-12-04 | 2015-12-04 | 汽车燃油经济性的评估方法和装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN106055857A CN106055857A (zh) | 2016-10-26 |
| CN106055857B true CN106055857B (zh) | 2018-08-14 |
Family
ID=57179508
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201510885333.1A Active CN106055857B (zh) | 2015-12-04 | 2015-12-04 | 汽车燃油经济性的评估方法和装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN106055857B (zh) |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1712909A (zh) * | 2004-06-24 | 2005-12-28 | 株式会社东芝 | 驾驶评估装置和驾驶评估方法 |
| CN102307743A (zh) * | 2009-02-19 | 2012-01-04 | 福特环球技术公司 | 用于显示车辆的瞬时燃油经济性的系统和方法 |
| CN102416950A (zh) * | 2011-10-31 | 2012-04-18 | 大连理工大学 | 一种基于最小等效燃油消耗的混合动力汽车控制方法 |
| CN104747302A (zh) * | 2013-12-30 | 2015-07-01 | 通用汽车环球科技运作有限责任公司 | 用于提高燃油经济性的系统和方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US8489272B2 (en) * | 2008-12-25 | 2013-07-16 | Toyota Jidosha Kabushiki Kaisha | Diagnostic system and diagnostic method for vehicle |
-
2015
- 2015-12-04 CN CN201510885333.1A patent/CN106055857B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1712909A (zh) * | 2004-06-24 | 2005-12-28 | 株式会社东芝 | 驾驶评估装置和驾驶评估方法 |
| CN102307743A (zh) * | 2009-02-19 | 2012-01-04 | 福特环球技术公司 | 用于显示车辆的瞬时燃油经济性的系统和方法 |
| CN102416950A (zh) * | 2011-10-31 | 2012-04-18 | 大连理工大学 | 一种基于最小等效燃油消耗的混合动力汽车控制方法 |
| CN104747302A (zh) * | 2013-12-30 | 2015-07-01 | 通用汽车环球科技运作有限责任公司 | 用于提高燃油经济性的系统和方法 |
Non-Patent Citations (3)
| Title |
|---|
| 《基于MATLAB的轿车动力性和燃油经济性仿真》;徐中明;《计算机仿真》;20050430;第22卷(第4期);第247-254页； * |
| 《基于万有特性的汽车燃油经济性计算方法研究》;包凡彪;《北京汽车》;20120131;第23-27页； * |
| 《基于遗传算法的发动机多元回归控制模型》;陈渝光;《农业机械学报》;20060630;第37卷(第6期);第9-12页； * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN106055857A (zh) | 2016-10-26 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN105527110B (zh) | 汽车燃油经济性的评估方法和装置 | |
| CN109932191B (zh) | 一种实际道路行驶工况库及构建方法 | |
| CN110188797B (zh) | 一种基于贝叶斯优化的智能汽车快速测试方法 | |
| CN110705774A (zh) | 一种车辆能耗分析的预测方法和系统 | |
| CN113918890B (zh) | 一种基于移动窗口库的低负荷工况构建方法 | |
| CN116229607A (zh) | 一种机动车行驶碳排放的预测方法、电子设备及存储介质 | |
| CN112406875B (zh) | 一种车辆能耗的分析方法和装置 | |
| CN114662954A (zh) | 车辆性能评估系统 | |
| CN112486962A (zh) | 一种提取组合短片段计算重型柴油车NOx排放的方法 | |
| CN112948965A (zh) | 一种基于机器学习和统计验证的汽车行驶工况的构建方法 | |
| US9664595B2 (en) | Engine RPM monitoring method using mode of priority and engine RPM monitoring controller therefore | |
| CN114896325A (zh) | 一种用于预期功能安全的场景测试评价方法与系统 | |
| CN112993344A (zh) | 基于神经网络的燃料电池系统输出性能预测方法及装置 | |
| CN112800549B (zh) | 基于水平车速和垂直车速的汽车路谱合成方法及系统 | |
| CN117400948A (zh) | 一种汽车能耗预测方法、装置、电子设备及存储介质 | |
| CN106055857B (zh) | 汽车燃油经济性的评估方法和装置 | |
| CN111348029B (zh) | 一种考虑工况的混合动力汽车标定参数最优值确定方法 | |
| CN115079663A (zh) | 一种基于数字孪生技术的车辆动力系统的监控方法及装置 | |
| CN115266135A (zh) | 基于用户工况测试数据的油耗量化分析方法 | |
| CN114088416A (zh) | 液力缓速器消音器故障诊断方法、装置及计算机设备 | |
| CN113920737A (zh) | 一种rde工况随机生成器 | |
| CN117454779B (zh) | 道路交通移动源能耗预测方法、电子设备及存储介质 | |
| CN118015727A (zh) | 一种基于车载can数据的车辆油耗预测方法及系统 | |
| Lobato et al. | Quantifying Repeatability of Real-World On-Road Driving Using Dynamic Time Warping | |
| JP2019035585A (ja) | 代表データ選択装置、機器診断装置、プログラム及び代表データ選択方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |