CN108269325A - 一种驾驶行为油耗经济性的分析方法及装置 - Google Patents

一种驾驶行为油耗经济性的分析方法及装置 Download PDF

Info

Publication number
CN108269325A
CN108269325A CN201611261901.1A CN201611261901A CN108269325A CN 108269325 A CN108269325 A CN 108269325A CN 201611261901 A CN201611261901 A CN 201611261901A CN 108269325 A CN108269325 A CN 108269325A
Authority
CN
China
Prior art keywords
oil consumption
driving behavior
relevant parameter
analysis
behavior pattern
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.)
Pending
Application number
CN201611261901.1A
Other languages
English (en)
Inventor
赵婷婷
张喆
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.)
China Mobile Communications Group Co Ltd
China Mobile Communications Co Ltd
Original Assignee
China Mobile Communications Group Co Ltd
China Mobile Communications Co Ltd
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 China Mobile Communications Group Co Ltd, China Mobile Communications Co Ltd filed Critical China Mobile Communications Group Co Ltd
Priority to CN201611261901.1A priority Critical patent/CN108269325A/zh
Publication of CN108269325A publication Critical patent/CN108269325A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G07—CHECKING-DEVICES
    • G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
    • G07C5/00—Registering or indicating the working of vehicles
    • G07C5/08—Registering or indicating performance data other than driving, working, idle, or waiting time, with or without registering driving, working, idle or waiting time
    • G07C5/0808—Diagnosing performance data
    • 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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Probability & Statistics with Applications (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Measuring Volume Flow (AREA)

Abstract

本发明公开了一种驾驶行为油耗经济性的分析方法及装置，由于首先通过对预先确定出的油耗经济性相关参数进行聚类分析，得到至少两类驾驶行为模式和各类驾驶行为模式对应的样本数据点集合；然后确定样本数据点集合对应的油耗经济性相关参数中的油耗参数的统计分布特性；最后基于驾驶行为模式与样本数据点集合之间的对应关系，以及样本数据点集合与油耗参数的统计分布特性之间的对应关系，建立了驾驶行为模式与油耗参数的统计分布特性之间的关联关系。因此，实现了对驾驶行为特征的油耗经济性的全面系统的分析。

Description

一种驾驶行为油耗经济性的分析方法及装置
技术领域
本发明涉及智能交通技术领域，尤其涉及一种驾驶行为油耗经济性的分析方法及装置。
背景技术
急加速、急减速、档位切换时机选择不当等驾驶行为都会导致车辆油耗的增加。为了提升驾驶员驾驶行为的油耗经济性，可以基于通过车载诊断系统(On-BoardDiagnostics，OBD)或控制器局域网络(Controller Area Network，CAN)总线获取车辆运行状态、驾驶行为、油耗等相关信息，对驾驶行为特征进行分析，进而为驾驶行为进一步优化提出建议，以达到节省油耗的目的。
现有油耗相关驾驶行为分析及优化的技术方案主要分为两类。第一类技术方案公开了基于OBD或CAN总线获取车辆运行状态、驾驶行为、油耗等相关信息的系统组成及硬件结构。但该类技术方案没有详细介绍对驾驶行为特征分析的具体方法。第二类技术方案公开了单一驾驶行为特征的油耗经济性，例如只分析驾驶行为中档位切换的时机对油耗的影响，但没有对驾驶行为特征的油耗经济性进行系统的分析。
因此，如何对驾驶行为特征的油耗经济性进行全面系统的分析，是目前亟需解决的技术问题。
发明内容
本发明实施例提供一种驾驶行为油耗经济性的分析方法及装置，用以解决现有技术中存在的如何对驾驶行为特征的油耗经济性进行全面系统的分析的问题。
本发明实施例提供了一种驾驶行为油耗经济性的分析方法，包括：
对预先确定出的油耗经济性相关参数进行聚类分析，得到至少两类驾驶行为模式和各类所述驾驶行为模式对应的样本数据点集合；
确定所述样本数据点集合对应的所述油耗经济性相关参数中的油耗参数的统计分布特性；
基于所述驶行为模式与所述样本数据点集合之间的对应关系，以及所述样本数据点集合与所述油耗参数的统计分布特性之间的对应关系，建立所述驾驶行为模式与油耗参数的统计分布特性之间的关联关系。
在一种可能的实现方式中，在本发明实施例提供的上述分析方法中，所述油耗参数的统计分布特性为以下之一或组合：概率密度函数估计，累计概率密度函数估计，直方图分析，均值，方差。
在一种可能的实现方式中，在本发明实施例提供的上述分析方法中，在对预先确定出的油耗经济性相关参数进行聚类分析之前，还包括：
确定油耗经济性相关参数，并对所述油耗经济性相关参数进行综合分析。
在一种可能的实现方式中，在本发明实施例提供的上述分析方法中，所述确定油耗经济性相关参数，具体包括：
通过车载诊断系统接口、控制器局域网络总线、重力感应器、全球定位系统、以及数据读取装置，直接读取得到车辆速度、车辆加速度、发动机转速、节气门位置、车辆位置、空气流量计数据、进气歧管绝对压力、进气温度、输出扭矩，并计算得到车辆平均速度、速度中值、最大速度、最小速度、速度方差、平均比功率、比功率中值、加速噪声、停车次数和油耗。
在一种可能的实现方式中，在本发明实施例提供的上述分析方法中，所述对所述油耗经济性相关参数进行综合分析，具体包括：
对所述油耗经济性相关参数进行预处理；
对预处理后的油耗经济性相关参数进行降维处理或关键特征参数选取。
在一种可能的实现方式中，在本发明实施例提供的上述分析方法中，所述对所述油耗经济性相关参数进行预处理，具体包括：
对所述油耗经济性相关参数进行异常数据剔除，缺失数据补偿，以及车载诊断系统数据和全球定位系统数据的时间戳对齐。
在一种可能的实现方式中，在本发明实施例提供的上述分析方法中，所述对预先确定出的油耗经济性相关参数进行聚类分析，具体包括：
采用谱系聚类方法、快速聚类方法或两阶段聚类方法对预先确定出的油耗经济性相关参数进行聚类分析。
在一种可能的实现方式中，在本发明实施例提供的上述分析方法中，还包括：
按照建立出的所述驾驶行为模式与油耗参数的统计分布特性之间的关联关系，确定各类所述驾驶行为模式对应的以节省油耗为目标的优化建议。
在一种可能的实现方式中，在本发明实施例提供的上述分析方法中，还包括：
按照预先建立的驾驶行为模式分类模型，确定新增油耗经济性相关参数对应的驾驶行为模式.
在一种可能的实现方式中，在本发明实施例提供的上述分析方法中，还包括：
按照建立出的所述驾驶行为模式与所述油耗参数的统计分布特性之间的关联关系，确定各类所述驾驶行为模式对应的以节省油耗为目标的优化建议；
按照确定出的所述新增油耗经济性相关参数对应的驾驶行为模式以及所述优化建议，确定所述驾驶行为模式对应的以节省油耗为目标的优化建议，并将所述优化建议通过车载终端或手机App进行推送。
在一种可能的实现方式中，在本发明实施例提供的上述分析方法中，通过如下方式建立所述驾驶行为模式分类模型：
以各类所述驾驶行为模式及各类所述驾驶行为模式对应的样本数据点集合作为测试样本集，进行BP神经网络的训练，得到所述驾驶行为模式分类模型。
本发明实施例还提供了一种驾驶行为油耗经济性的分析装置，包括：
聚类单元，用于对预先确定出的油耗经济性相关参数进行聚类分析，得到至少一类驾驶行为模式和各类所述驾驶行为模式对应的样本数据点集合；
第一确定单元，用于确定所述样本数据点集合对应的油耗经济性相关参数中的油耗参数的统计分布特性；
建立单元，用于基于所述驶行为模式与所述样本数据点集合之间的对应关系，以及所述样本数据点集合与所述油耗参数的统计分布特性之间的对应关系，建立所述驾驶行为模式与所述油耗参数的统计分布特性之间的关联关系。
在一种可能的实现方式中，在本发明实施例提供的上述分析装置中，所述油耗参数的统计分布特性为以下之一或组合：概率密度函数估计，累计概率密度函数估计，直方图分析，均值，方差。
在一种可能的实现方式中，在本发明实施例提供的上述分析装置中，还包括：分析单元，用于确定油耗经济性相关参数，并对所述油耗经济性相关参数进行综合分析。
在一种可能的实现方式中，在本发明实施例提供的上述分析装置中，所述分析单元，包括第一分析子单元，用于通过车载诊断系统接口、控制器局域网络总线、重力感应器、全球定位系统、以及数据读取装置，直接读取得到速度、加速度、发动机转速、节气门位置、车辆位置、空气流量计数据、进气歧管绝对压力、进气温度、输出扭矩，并计算得到平均速度、速度中值、最大速度、最小速度、速度方差、平均比功率、比功率中值、加速噪声、停车次数和油耗。
在一种可能的实现方式中，在本发明实施例提供的上述分析装置中，所述分析单元，还包括第二分析子单元，用于对所述油耗经济性相关参数进行预处理；对预处理后的油耗经济性相关参数进行降维处理或关键特征参数选取。
在一种可能的实现方式中，在本发明实施例提供的上述分析装置中，所述第二分析子单元具体用于对所述油耗经济性相关参数进行异常数据剔除，缺失数据补偿，以及车载诊断系统数据和全球定位系统数据的时间戳对齐。
在一种可能的实现方式中，在本发明实施例提供的上述分析装置中，所述聚类单元，具体用于采用谱系聚类方法、快速聚类方法或两阶段聚类方法对预先确定出的油耗经济性相关参数进行聚类分析。
在一种可能的实现方式中，在本发明实施例提供的上述分析装置中，还包括：第二确定单元，用于按照建立出的所述驾驶行为模式与所述油耗参数的统计分布特性之间的关联关系，确定各类所述驾驶行为模式对应的以节省油耗为目标的优化建议。
在一种可能的实现方式中，在本发明实施例提供的上述分析装置中，还包括：
第三确定单元，按照预先建立的驾驶行为模式分类模型，确定新增油耗经济性相关参数对应的驾驶行为模式。
在一种可能的实现方式中，在本发明实施例提供的上述分析装置中，还包括：
第二确定单元，用于按照建立出的所述驾驶行为模式与所述油耗参数的统计分布特性之间的关联关系，确定各类所述驾驶行为模式对应的以节省油耗为目标的优化建议；
推送单元，用于按照确定出的所述新增油耗经济性相关参数对应的驾驶行为模式以及所述优化建议，确定该驾驶行为模式对应的以节省油耗为目标的优化建议，并将所述优化建议通过车载终端或手机App进行推送。
在一种可能的实现方式中，在本发明实施例提供的上述分析装置中，还包括：建模单元，用于以各类所述驾驶行为模式及各类所述驾驶行为模式对应的样本数据点集合作为测试样本集，进行BP神经网络的训练，得到所述驾驶行为模式分类模型。
本发明有益效果如下：
本发明实施例提供的一种驾驶行为油耗经济性的分析方法及装置，包括：对预先确定出的油耗经济性相关参数进行聚类分析，得到至少两类驾驶行为模式和各类驾驶行为模式对应的样本数据点集合；确定样本数据点集合对应的油耗经济性相关参数中的油耗参数的统计分布特性；基于驶行为模式与样本数据点集合之间的对应关系，以及样本数据点集合与油耗参数的统计分布特性之间的对应关系，建立驾驶行为模式与油耗参数的统计分布特性之间的关联关系。由于首先对油耗经济性相关参数进行了聚类分析，然后基于聚类分析得到的各类驾驶行为模式对应的样本数据点集合，分析其对应油耗参数的统计分布特性，最后确定出了聚类分析得到的驾驶行为模式与油耗参数的统计分布特性之间的关联关系，因此，实现了对驾驶行为特征的油耗经济性进行全面系统的分析。
附图说明
图1为本发明实施例提供的驾驶行为油耗经济性的分析方法的流程图；
图2为本发明实施例提供的提出进一步优化驾驶行为建议的方法的流程图；
图3a为本发明实施例提供的针对新增的油耗经济性相关参数得到其驾驶行为模式的方法的流程图；
图3b为本发明实施例提供的针对新增的油耗经济性相关参数提出进一步优化驾驶行为建议的方法的流程图；
图4为本发明实施例中BP神经网络的结构示意图；
图5为本发明实施例提供的驾驶行为油耗经济性的分析装置的结构示意图。
具体实施方式
下面结合附图，对本发明实施例提供的驾驶行为油耗经济性的分析方法及装置的具体实施方式进行详细地说明。
本发明实施例提供的一种驾驶行为油耗经济性的分析方法，如图1所示，具体包括以下步骤：
S101、对预先确定出的油耗经济性相关参数进行聚类分析，得到至少两类驾驶行为模式和各类驾驶行为模式对应的样本数据点集合；
S102、确定样本数据点集合对应的油耗经济性相关参数中的油耗参数的统计分布特性；
S103、基于驶行为模式与样本数据点集合之间的对应关系，以及样本数据点集合与油耗参数的统计分布特性之间的对应关系，建立驾驶行为模式与油耗参数的统计分布特性之间的关联关系。
具体地，在本发明实施例提供的上述分析方法中，由于首先对油耗经济性相关参数进行了聚类分析，然后基于聚类分析得到的各类驾驶行为模式对应的样本数据点集合，分析其对应油耗经济性相关参数中的油耗参数的统计分布特性，最后确定出了聚类分析得到的驾驶行为模式与油耗参数的统计分布特性之间的关联关系，因此，实现了对驾驶行为特征的油耗经济性进行全面系统的分析。
具体地，在本发明实施例提供的上述分析方法中的步骤S101中可以采用谱系聚类(hierarchical clustering)、快速聚类(K-means)、两阶段聚类(Two-Step)等聚类方法对油耗经济性相关参数进行聚类分析，从而得到不同类型的驾驶行为模式。例如可以为加速度波动较大的驾驶行为模式，又如还可以为频繁启停的驾驶行为模式。当然，还可以采用其他聚类方法对油耗经济性相关参数进行聚类分析，在此不做限定。此外，由于谱系聚类方法、快速聚类方法和两阶段聚类方法为现有技术，因此，对采用谱系聚类方法、快速聚类方法或两阶段聚类方法油耗经济性相关参数进行聚类分析的过程，在此不做赘述。
具体地，由于每类驾驶行为模式对应的样本数据点集合中有多个样本数据点，各样本数据点分别对应一个油耗参数，因此，在本发明实施例提供的上述分析方法中的步骤S102确定样本数据点集合对应的油耗参数的统计分布特性，即确定每类驾驶行为模式对应的多个样本数据点的多个油耗参数的统计分布特性。其中，多个油耗参数的统计分布特性可以是多个油耗参数的概率密度函数估计、累计概率密度函数估计、直方图分析、均值、方差之一或组合。当然，还可以采用其他参量表征多个油耗参数的统计分布特性，在此不做限定。由于概率密度函数估计、累计概率密度函数估计、直方图分析、均值或方差的获取方法是现有技术，在此不做赘述。
具体地，在本发明实施例提供的上述分析方法的步骤S103中建立的驾驶行为模式与油耗参数的统计分布特性之间的关联关系可以根据实际情况进行确定。例如，在步骤S101中确定出一种频繁启停的驾驶行为模式，在步骤S102中采用均值作为该频繁启停的驾驶行为模式对应的油耗参数的统计分布特性，且均值比较大，则该频繁启停的驾驶行为模式与油耗之间的关联关系是：频繁启停的驾驶行为模式耗油量大。
在具体实施时，在本发明实施例提供的上述分析方法中，为了更好地实现对驾驶行为特征的油耗经济性进行全面系统的分析，在步骤S101对预先确定出的油耗经济性相关参数进行聚类分析之前，还可以包括以下步骤：
确定油耗经济性相关参数，并对油耗经济性相关参数进行综合分析。
具体地，为了从多方面多角度反映驾驶行为特征，在本发明实施例提供的上述分析方法中，可以通过如下方式但不限于如下方式确定多个油耗经济性相关参数：
通过车载诊断系统接口、控制器局域网络总线、重力感应器、全球定位系统、以及数据读取装置，直接读取得到车辆速度、车辆加速度、发动机转速、节气门位置、车辆位置、空气流量计数据、进气歧管绝对压力、进气温度、输出扭矩，并计算得到车辆平均速度、速度中值、最大速度、最小速度、速度方差、平均比功率、比功率中值、加速噪声、停车次数和油耗。其中，油耗可以是百公里油耗，或者瞬时油耗，或者在单位时间内不同等级道路上的油耗，具体可以根据实际情况来设定表征油耗的方式，在此不做限定。
具体地，在本发明实施例提供的上述分析方法中，可以通过车载终端或手持终端将上述油耗经济性相关参数以一定时间间隔上传到平台侧，由平台侧对上述油耗经济性相关参数数据进行存储。并对在一段时间内积累得到的大量油耗经济性相关参数进行综合分析，具体可以包括：
对油耗经济性相关参数进行预处理；
对预处理后的油耗经济性相关参数进行降维处理或关键特征参数选取。
具体地，在本发明实施例提供的上述分析方法中，对油耗经济性相关参数进行预处理，具体可以包括：
对油耗经济性相关参数进行异常数据剔除，缺失数据补偿，以及车载诊断系统数据和全球定位系统数据的时间戳对齐。
具体地，在本发明实施例提供的上述分析方法中，可以通过主成分分析方法、因子分析方法等对预处理后的油耗经济性相关参数进行降维处理或关键特征参数选取。例如采用主成分分析方法对对预处理后的油耗经济性相关参数进行降维处理的具体过程如下：
1)首先列出n个油耗经济性相关参数数据，得到含有n列数据的矩阵A，分别求出每列数据的平均值，然后将每列数据分别减去其对应的平均值，得到矩阵B；
2)求矩阵B的特征协方差矩阵C：协方差(i,j)＝(第i列的所有元素-第i列的均值)*(第j列的所有元素-第j列的均值)；
3)计算协方差矩阵C的特征值和特征向量；
4)将计算得到的特征值由大到小排列，当前几个特征值的和超过了所有特征值之和的预设百分比，例如95％时，可以仅选择前几个特征值及其对应的特征向量，作为新的数据集，从而实现对油耗经济性相关参数的降维处理。
进一步地，还可以根据新的数据集得出降维后的影响因子：Y1＝(n个特征值)*(x11，x21，…，xn1)；Y2＝(n个特征值)*(x12，x22，…，xn2)；…；Yn＝(n个特征值)*(x1n，x2n，…，xnn)，并将降维后的影响因子作为关键特征参数。
在具体实施时，基于建立出的驾驶行为模式与油耗之间的关联关系，可以有多种应用，例如可以对不同的驾驶行为模式提出以节省油耗为目标的优化建议，于是，在本发明实施例提供的上述分析方法中，如图2所示，还可以包括以下步骤：
S104、按照建立出的驾驶行为模式与油耗之间的关联关系，确定各类驾驶行为模式对应的以节省油耗为目标的优化建议。
例如，为节省油耗，针对上述频繁启停的驾驶行为模式与油耗之间的关联关系：频繁启停的驾驶行为模式耗油量大，可以提出减少启停次数的驾驶行为优化建议。
在具体实施时，还可以针对任意新获取的油耗经济性相关参数得到其相应的驾驶行为模式，如图3a所示，在本发明实施例提供的上述分析方法中，具体还可以包括以下步骤：
S301、按照预先建立的驾驶行为模式分类模型，确定新增油耗经济性相关参数对应的驾驶行为模式。
进一步地，在本发明实施例提供的上述分析方法中，还可以针对任意新获取的油耗经济性相关参数提出以节省油耗为目标的驾驶行为优化建议，如图3b所示，具体还可以包括以下步骤：
S302、按照确定出的新增油耗经济性相关参数对应的驾驶行为模式以及优化建议，确定该驾驶行为模式对应的以节省油耗为目标的优化建议，并将优化建议通过车载终端或手机App进行推送。
需要说明的是，步骤S302按照确定出的新增油耗经济性相关参数对应的驾驶行为模式，确定该驾驶行为模式对应的以节省油耗为目标的优化建议的具体实现方式，可以参照步骤S104按照建立出的驾驶行为模式与油耗参数的统计分布特性之间的关联关系，确定各类驾驶行为模式对应的以节省油耗为目标的优化建议，重复之处不再赘述。
具体地，在本发明实施例提供的上述分析方法中，可以基于多种神经网络分别建立步骤S301中的驾驶行为模式分类模型。例如，基于BP神经网络的建立驾驶行为模式分类模型的过程如下：
以各类驾驶行为模式及各类驾驶行为模式对应的样本数据点集合作为测试样本集，进行BP神经网络的训练，得到驾驶行为模式分类模型。
如图4所示，为BP神经网络的结构示意图。可以看出，BP神经网络结构包含输入层401、输出层403以及处于两者之间的隐层402，其中，隐层402可以有单层或多层，在隐层402中的神经元称为隐单元。虽然隐层402不与外界连接，但是它们的状态却影响着输入和输出之间的关系。因为通过改变隐层402的权系数，就可以改变整个多层神经网络的性能。
假设有一个m层的BP神经网络，并在输入层401输入样本X；第k层的i神经元的输入总和为Ui k，输出总和为Xi k；从第k-1层的第j个神经元到第k层的第i个神经元的权系数为Wij；各个神经元的激发函数为f；则上述各变量之间的关系可以表示为：
根据上述关系式，BP神经网络在进行正向传播时，输入的样本X从输入层401经过隐单元一层一层进行处理，通过所有的隐层402之后，则传向输出层403；在逐层处理的过程中，每一层神经元的状态只对下一层神经元的状态产生影响。在输出层403把现行输出和期望输出进行比较，如果现行输出不等于期望输出，则进入反向传播过程。反向传播时，把误差信号按原来正向传播的通路反向传回，并对每个隐层402中各个神经元的权系数Wij进行修改，从而使误差信号趋向最小。直至将全部样本数据点对应的驾驶行为模式进行正确分类，从而得到基于BP神经网络的驾驶行为分类模型。
基于同一发明构思，本发明实施例还提供了一种驾驶行为油耗经济性的分析装置，由于本发明实施例提供的驾驶行为油耗经济性的分析装置与上述驾驶行为油耗经济性的分析方法相似，因此，该分析装置的实施可以参见上述分析方法的实施，重复之处不再赘述。
本发明实施例提供的驾驶行为油耗经济性的分析装置，如图5所示，可以包括：
聚类单元501，用于对预先确定出的油耗经济性相关参数进行聚类分析，得到至少两类驾驶行为模式和各类驾驶行为模式对应的样本数据点集合；
第一确定单元502，用于确定样本数据点集合对应的油耗经济性相关参数中的油耗参数的统计分布特性；其中，油耗参数的统计分布特性为以下之一或组合：概率密度函数估计，累计概率密度函数估计，直方图分析，均值，方差。
建立单元503，用于基于驶行为模式与样本数据点集合之间的对应关系，以及样本数据点集合与油耗参数的统计分布特性之间的对应关系，建立驾驶行为模式与油耗参数的统计分布特性之间的关联关系。
具体地，在本发明实施例提供的上述装置中，聚类单元501，具体用于采用谱系聚类(hierarchical clustering)方法、快速聚类(K-means)方法或两阶段聚类(Two-Step)方法对预先确定出的油耗经济性相关参数进行聚类分析。
在具体实施时，在本发明实施例提供的上述装置中，还可以包括：分析单元504，用于确定油耗经济性相关参数，并对油耗经济性相关参数进行综合分析。
具体地，在本发明实施例提供的上述装置中，分析单元504，可以包括第一分析子单元5041，用于通过车载诊断系统接口、控制器局域网络总线、重力感应器、全球定位系统、以及数据读取装置，直接读取得到车辆速度、车辆加速度、发动机转速、节气门位置、车辆位置、空气流量计数据、进气歧管绝对压力、进气温度、输出扭矩，并计算得到车辆平均速度、速度中值、最大速度、最小速度、速度方差、平均比功率、比功率中值、加速噪声、停车次数和油耗。其中，油耗可以是百公里油耗，或者瞬时油耗，或者在单位时间内不同等级道路上的油耗，具体可以根据实际情况来设定表征油耗的方式，在此不做限定。
具体地，在本发明实施例提供的上述装置中，分析单元504，还可以包括第二分析子单元5042，用于对油耗经济性相关参数进行预处理；对预处理后的油耗经济性相关参数进行降维处理或关键特征参数选取。
具体地，在本发明实施例提供的上述装置中，第二分析子单元5042具体可以用于对油耗经济性相关参数进行异常数据剔除，缺失数据补偿，以及车载诊断系统数据和全球定位系统数据的时间戳对齐。
具体地，在本发明实施例提供的上述装置中，还可以包括：第二确定单元505，用于按照建立出的驾驶行为模式与油耗参数的统计分布特性之间的关联关系，确定各类驾驶行为模式对应的以节省油耗为目标的优化建议。
具体地，在本发明实施例提供的上述装置中，还可以包括：第三确定单元506，按照预先建立的驾驶行为模式分类模型，确定新增油耗经济性相关参数对应的驾驶行为模式。
具体地，在本发明实施例提供的上述装置中，还可以包括：
第二确定单元505，用于按照建立出的驾驶行为模式与油耗参数的统计分布特性之间的关联关系，确定各类驾驶行为模式对应的以节省油耗为目标的优化建议。
推送单元507，用于按照确定出的新增油耗经济性相关参数对应的驾驶行为模式以及优化建议，确定该驾驶行为模式对应的以节省油耗为目标的优化建议，并将优化建议通过车载终端或手机App进行推送。
具体地，在本发明实施例提供的上述装置中，还可以包括：建模单元508，用于以各类驾驶行为模式及各类驾驶行为模式对应的样本数据点集合作为测试样本集，进行BP神经网络的训练，得到驾驶行为模式分类模型。
本发明实施例提供的上述驾驶行为油耗经济性的分析方法及装置，包括：对预先确定出的油耗经济性相关参数进行聚类分析，得到至少两类驾驶行为模式和各类驾驶行为模式对应的样本数据点集合；确定样本数据点集合对应的油耗经济性相关参数中的油耗参数的统计分布特性；基于驶行为模式与样本数据点集合之间的对应关系，以及样本数据点集合与油耗参数的统计分布特性之间的对应关系，建立驾驶行为模式与油耗参数的统计分布之间的关联关系。由于首先对油耗经济性相关参数进行了聚类分析，然后基于聚类分析得到的各类驾驶行为模式对应的样本数据点集合，分析其对应油耗参数的统计分布特性，最后确定出了聚类分析得到的驾驶行为模式与油耗参数的统计分布特性之间的关联关系，因此，实现了对驾驶行为特征的油耗经济性进行全面系统的分析。
显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。

Claims (22)

1.一种驾驶行为油耗经济性的分析方法，其特征在于，包括：
对预先确定出的油耗经济性相关参数进行聚类分析，得到至少两类驾驶行为模式和各类所述驾驶行为模式对应的样本数据点集合；
确定所述样本数据点集合对应的油耗经济性相关参数中的油耗参数的统计分布特性；
基于所述驾驶行为模式与所述样本数据点集合之间的对应关系，以及所述样本数据点集合与所述油耗参数的统计分布特性之间的对应关系，建立所述驾驶行为模式与所述油耗参数的统计分布特性之间的关联关系。
2.如权利要求1所述的分析方法，其特征在于，所述油耗参数的统计分布特性为以下之一或组合：概率密度函数估计，累计概率密度函数估计，直方图分析，均值，方差。
3.如权利要求1所述的分析方法，其特征在于，在对预先确定出的油耗经济性相关参数进行聚类分析之前，还包括：
确定油耗经济性相关参数，并对所述油耗经济性相关参数进行综合分析。
4.如权利要求3所述的分析方法，其特征在于，所述确定油耗经济性相关参数，具体包括：
通过车载诊断系统接口、控制器局域网络总线、重力感应器、全球定位系统、以及数据读取装置，直接读取得到车辆速度、车辆加速度、发动机转速、节气门位置、车辆位置、空气流量计数据、进气歧管绝对压力、进气温度、输出扭矩，并计算得到车辆平均速度、速度中值、最大速度、最小速度、速度方差、平均比功率、比功率中值、加速噪声、停车次数和油耗。
5.如权利要求3所述的分析方法，其特征在于，所述对所述油耗经济性相关参数进行综合分析，具体包括：
对所述油耗经济性相关参数进行预处理；
对预处理后的油耗经济性相关参数进行降维处理或关键特征参数选取。
6.如权利要求5所述的分析方法，其特征在于，所述对所述油耗经济性相关参数进行预处理，具体包括：
对所述油耗经济性相关参数进行异常数据剔除，缺失数据补偿，以及车载诊断系统数据和全球定位系统数据的时间戳对齐。
7.如权利要求1-6任一项所述的分析方法，其特征在于，所述对预先确定出的油耗经济性相关参数进行聚类分析，具体包括：
采用谱系聚类方法、快速聚类方法或两阶段聚类方法对预先确定出的油耗经济性相关参数进行聚类分析。
8.如权利要求1-6任一项所述的分析方法，其特征在于，还包括：
按照建立出的所述驾驶行为模式与所述油耗参数的统计分布特性之间的关联关系，确定各类所述驾驶行为模式对应的以节省油耗为目标的优化建议。
9.如权利要求1-6任一项所述的分析方法，其特征在于，还包括：
按照预先建立的驾驶行为模式分类模型，确定新增油耗经济性相关参数对应的驾驶行为模式。
10.如权利要求9所述的分析方法，其特征在于，还包括：
按照建立出的所述驾驶行为模式与所述油耗参数的统计分布特性之间的关联关系，确定各类所述驾驶行为模式对应的以节省油耗为目标的优化建议；
按照确定出的所述新增油耗经济性相关参数对应的驾驶行为模式以及所述优化建议，确定所述驾驶行为模式对应的以节省油耗为目标的优化建议，并将所述优化建议通过车载终端或手机App进行推送。
11.如权利要求9所述的分析方法，其特征在于，通过如下方式建立所述驾驶行为模式分类模型：
以各类所述驾驶行为模式及各类所述驾驶行为模式对应的样本数据点集合作为测试样本集，进行BP神经网络的训练，得到所述驾驶行为模式分类模型。
12.一种驾驶行为油耗经济性的分析装置，其特征在于，包括：
聚类单元，用于对预先确定出的油耗经济性相关参数进行聚类分析，得到至少两类驾驶行为模式和各类所述驾驶行为模式对应的样本数据点集合；
第一确定单元，用于确定所述样本数据点集合对应的油耗经济性相关参数中的油耗参数的统计分布特性；
建立单元，用于基于所述驶行为模式与所述样本数据点之间的对应关系，以及所述样本数据点与所述油耗参数的统计分布特性之间的对应关系，建立所述驾驶行为模式与所述油耗参数的统计分布特性之间的关联关系。
13.如权利要求12所述的分析装置，其特征在于，所述油耗参数的统计分布特性为以下之一或组合：概率密度函数估计，累计概率密度函数估计，直方图分析，均值，方差。
14.如权利要求12所述的分析装置，其特征在于，还包括：分析单元，用于确定油耗经济性相关参数，并对所述油耗经济性相关参数进行综合分析。
15.如权利要求14所述的分析装置，其特征在于，所述分析单元，包括第一分析子单元，用于通过车载诊断系统接口、控制器局域网络总线、重力感应器、全球定位系统、以及数据读取装置，直接读取得到速度、加速度、发动机转速、节气门位置、车辆位置、空气流量计数据、进气歧管绝对压力、进气温度、输出扭矩，并计算得到平均速度、速度中值、最大速度、最小速度、速度方差、平均比功率、比功率中值、加速噪声、停车次数和油耗。
16.如权利要求14所述的分析装置，其特征在于，所述分析单元，还包括第二分析子单元，用于对所述油耗经济性相关参数进行预处理；对预处理后的油耗经济性相关参数进行降维处理或关键特征参数选取。
17.如权利要求16所述的分析装置，其特征在于，所述第二分析子单元具体用于对所述油耗经济性相关参数进行异常数据剔除，缺失数据补偿，以及车载诊断系统数据和全球定位系统数据的时间戳对齐。
18.如权利要求13-17任一项所述的分析装置，其特征在于，所述聚类单元，具体用于采用谱系聚类方法、快速聚类方法或两阶段聚类方法对预先确定出的油耗经济性相关参数进行聚类分析。
19.如权利要求13-17任一项所述的分析装置，其特征在于，还包括：第二确定单元，用于按照建立出的所述驾驶行为模式与所述油耗参数的统计分布特性之间的关联关系，确定各类所述驾驶行为模式对应的以节省油耗为目标的优化建议。
20.如权利要求13-17任一项所述的分析装置，其特征在于，还包括：
第三确定单元，按照预先建立的驾驶行为模式分类模型，确定新增油耗经济性相关参数对应的驾驶行为模式。
21.如权利要求20所述的分析装置，其特征在于，还包括：
第二确定单元，用于按照建立出的所述驾驶行为模式与所述油耗参数的统计分布特性之间的关联关系，确定各类所述驾驶行为模式对应的以节省油耗为目标的优化建议；
推送单元，用于按照确定出的所述新增油耗经济性相关参数对应的驾驶行为模式以及所述优化建议，确定该驾驶行为模式对应的以节省油耗为目标的优化建议，并将所述优化建议通过车载终端或手机App进行推送。
22.如权利要求20所述的分析装置，其特征在于，还包括：建模单元，用于以各类所述驾驶行为模式及各类所述驾驶行为模式对应的样本数据点集合作为测试样本集，进行BP神经网络的训练，得到所述驾驶行为模式分类模型。
CN201611261901.1A 2016-12-30 2016-12-30 一种驾驶行为油耗经济性的分析方法及装置 Pending CN108269325A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201611261901.1A CN108269325A (zh) 2016-12-30 2016-12-30 一种驾驶行为油耗经济性的分析方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201611261901.1A CN108269325A (zh) 2016-12-30 2016-12-30 一种驾驶行为油耗经济性的分析方法及装置

Publications (1)

Publication Number Publication Date
CN108269325A true CN108269325A (zh) 2018-07-10

Family

ID=62755086

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201611261901.1A Pending CN108269325A (zh) 2016-12-30 2016-12-30 一种驾驶行为油耗经济性的分析方法及装置

Country Status (1)

Country Link
CN (1) CN108269325A (zh)

Cited By (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109552338A (zh) * 2018-12-19 2019-04-02 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
CN109872075A (zh) * 2019-03-05 2019-06-11 北京经纬恒润科技有限公司 一种油耗相关驾驶行为的评估方法及系统
CN110012069A (zh) * 2019-03-05 2019-07-12 浙江吉利新能源商用车集团有限公司 一种车辆数据处理装置、方法及车辆监控平台
CN110033528A (zh) * 2019-04-17 2019-07-19 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
CN110222982A (zh) * 2019-06-06 2019-09-10 合肥工业大学 考虑机场环境因素的飞机降落油耗分析方法
CN110298374A (zh) * 2019-05-09 2019-10-01 清华大学 一种基于深度学习的驾驶轨迹能耗分析方法和装置
CN110390056A (zh) * 2019-06-18 2019-10-29 平安科技（深圳）有限公司 大数据处理方法、装置、设备及可读存储介质
CN110849411A (zh) * 2018-08-21 2020-02-28 上海博泰悦臻网络技术服务有限公司 车联网服务器、车辆及基于行驶油耗数据的车况评估方法
CN111210537A (zh) * 2019-10-10 2020-05-29 中国第一汽车股份有限公司 一种油耗分析方法、装置、设备和存储介质
CN111833480A (zh) * 2019-04-12 2020-10-27 比亚迪股份有限公司 驾驶行为检测方法、装置和车辆
CN111861077A (zh) * 2019-08-22 2020-10-30 北京嘀嘀无限科技发展有限公司 一种用户驾驶习惯确定及服务信息推送方法和系统
CN112046489A (zh) * 2020-08-31 2020-12-08 吉林大学 一种基于因子分析和机器学习的驾驶风格辨识算法
CN112378677A (zh) * 2020-11-05 2021-02-19 上汽通用五菱汽车股份有限公司 一种电动汽车经济性测试的数据处理方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104008647A (zh) * 2014-06-12 2014-08-27 北京航空航天大学 一种基于机动车行驶模式的道路交通能耗量化方法
CN104200267A (zh) * 2014-09-23 2014-12-10 清华大学 一种车辆驾驶经济性评价系统及评价方法
CN106203626A (zh) * 2016-06-30 2016-12-07 北京奇虎科技有限公司 汽车驾驶行为检测方法及装置、汽车
JP2017154725A (ja) * 2015-04-21 2017-09-07 パナソニックＩｐマネジメント株式会社 情報処理システム、情報処理方法、およびプログラム

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104008647A (zh) * 2014-06-12 2014-08-27 北京航空航天大学 一种基于机动车行驶模式的道路交通能耗量化方法
CN104200267A (zh) * 2014-09-23 2014-12-10 清华大学 一种车辆驾驶经济性评价系统及评价方法
JP2017154725A (ja) * 2015-04-21 2017-09-07 パナソニックＩｐマネジメント株式会社 情報処理システム、情報処理方法、およびプログラム
CN106203626A (zh) * 2016-06-30 2016-12-07 北京奇虎科技有限公司 汽车驾驶行为检测方法及装置、汽车

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
李仁义: "数据挖掘中聚类分析算法的研究与应用", 《中国优秀硕士学位论文全文数据库信息科技辑》 *
赵晓华，姚莹: "基于主成分分析与BP神经元网络的驾驶能耗组合预测模型研究", 《交通运输系统工程与信息》 *
赵永 朱家诚 肖献强: "基于D-S理论和BP网络的驾驶行为识别技术研究", 《机械设计与制造》 *

Cited By (18)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110849411A (zh) * 2018-08-21 2020-02-28 上海博泰悦臻网络技术服务有限公司 车联网服务器、车辆及基于行驶油耗数据的车况评估方法
CN109552338A (zh) * 2018-12-19 2019-04-02 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
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
CN109872075A (zh) * 2019-03-05 2019-06-11 北京经纬恒润科技有限公司 一种油耗相关驾驶行为的评估方法及系统
CN110012069A (zh) * 2019-03-05 2019-07-12 浙江吉利新能源商用车集团有限公司 一种车辆数据处理装置、方法及车辆监控平台
CN111833480A (zh) * 2019-04-12 2020-10-27 比亚迪股份有限公司 驾驶行为检测方法、装置和车辆
CN110033528A (zh) * 2019-04-17 2019-07-19 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
CN110298374A (zh) * 2019-05-09 2019-10-01 清华大学 一种基于深度学习的驾驶轨迹能耗分析方法和装置
CN110298374B (zh) * 2019-05-09 2021-07-20 清华大学 一种基于深度学习的驾驶轨迹能耗分析方法和装置
CN110222982A (zh) * 2019-06-06 2019-09-10 合肥工业大学 考虑机场环境因素的飞机降落油耗分析方法
CN110390056A (zh) * 2019-06-18 2019-10-29 平安科技（深圳）有限公司 大数据处理方法、装置、设备及可读存储介质
CN110390056B (zh) * 2019-06-18 2022-07-15 平安科技（深圳）有限公司 大数据处理方法、装置、设备及可读存储介质
CN111861077A (zh) * 2019-08-22 2020-10-30 北京嘀嘀无限科技发展有限公司 一种用户驾驶习惯确定及服务信息推送方法和系统
CN111210537A (zh) * 2019-10-10 2020-05-29 中国第一汽车股份有限公司 一种油耗分析方法、装置、设备和存储介质
CN112046489A (zh) * 2020-08-31 2020-12-08 吉林大学 一种基于因子分析和机器学习的驾驶风格辨识算法
CN112046489B (zh) * 2020-08-31 2021-03-16 吉林大学 一种基于因子分析和机器学习的驾驶风格辨识算法
CN112378677A (zh) * 2020-11-05 2021-02-19 上汽通用五菱汽车股份有限公司 一种电动汽车经济性测试的数据处理方法
CN112378677B (zh) * 2020-11-05 2023-03-28 上汽通用五菱汽车股份有限公司 一种电动汽车经济性测试的数据处理方法

Similar Documents

Publication Publication Date Title
CN108269325A (zh) 一种驾驶行为油耗经济性的分析方法及装置
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
CN111452619B (zh) 电动车辆在线能耗预测方法及系统
CN109552338B (zh) 一种纯电动汽车生态驾驶行为评估方法及系统
CN109840612A (zh) 用户驾驶行为分析方法及系统
CN106427589A (zh) 基于工况预测和模糊能耗的电动汽车续驶里程估算方法
CN110091751A (zh) 基于深度学习的电动汽车续航里程预测方法、设备及介质
CN105868787A (zh) 基于工况识别和模糊能耗的电动汽车续驶里程估算方法
CN109697854A (zh) 多维度的城市道路交通状态评估方法
CN110486017B (zh) 一种基于露天矿区路径的无人驾驶车辆能耗节能方法
CN111126819B (zh) 一种城市行驶工况智能分析方法
CN110910531B (zh) 一种基于车载obd信息的路面摩擦系数快速检测方法
CN113821875B (zh) 一个基于端云协同的智能车辆故障实时预测方法及系统
CN111310615A (zh) 基于多尺度信息和残差网络的小目标交通标志检测方法
CN113297795A (zh) 一种纯电动汽车行驶工况构建方法
CN113688558A (zh) 一种基于大数据库样本的汽车行驶工况构建方法及系统
CN114463868A (zh) 面向交通流管控的收费站交通流组合预测方法及系统
CN112035536A (zh) 一种考虑动态路网交通流的电动汽车能耗预测方法
CN113987927A (zh) 一种商用车车载质量检测方法
Kan et al. A deep learning engine power model for estimating the fuel consumption of heavy-duty trucks
CN116741304A (zh) 基于车联网大数据的柴油机原排氮氧化物预测方法
Xing et al. Driving cycle recognition for hybrid electric vehicle
CN115587327A (zh) 一种考虑Jerk的汽车油耗预测方法
CN114997748A (zh) 基于模型融合的新能源汽车运行安全风险预测方法及系统
CN114372640A (zh) 一种基于波动序列分类校正的风电功率预测方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20180710