CN108681742A - 一种用于分析司机驾驶行为特征敏感性的分析方法 - Google Patents
一种用于分析司机驾驶行为特征敏感性的分析方法 Download PDFInfo
- Publication number
- CN108681742A CN108681742A CN201810327172.8A CN201810327172A CN108681742A CN 108681742 A CN108681742 A CN 108681742A CN 201810327172 A CN201810327172 A CN 201810327172A CN 108681742 A CN108681742 A CN 108681742A
- Authority
- CN
- China
- Prior art keywords
- sample
- weak classifier
- binary
- index
- feature
- 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
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/285—Selection of pattern recognition techniques, e.g. of classifiers in a multi-classifier system
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提出了一种用于分析司机驾驶行为特征敏感性的方法,包括:样本数据库的构建与数据预处理、二元弱分类器的构建与初始分界点的设定、Adaboost算法的集成与增强、分类精度计算与多岛遗传算法迭代优化等步骤。本发明具有较高的预测精度,可用于实际车辆驾驶行为评价过程中各特征参数对燃油消耗的敏感性分析与数值估计。利用皮尔逊相关性分析法进行多变量特征的筛选,并利用线性相关系数构建Adaboost算法的多级二元弱分类器,通过多岛遗传算法的寻优迭代,确定各个二元弱分类器的最佳分界点。本发明将三种不同用途的算法进行融合,形成具有自适应能力的强分类器,从系统层面更加全面、准确的理解多变量特征与多维度指标间的相互关系。
Description
技术领域
本发明涉及一种用于分析司机驾驶行为特征敏感性的分析方法,基于二元分类进行多变量特征和多维度指标间线性相关程度敏感性分析和数值预测的方法,特别涉及皮尔逊相关性分析法、多岛遗传算法和Adaboost分类器算法的耦合方法。
背景技术
司机的驾驶行为特征对车辆的能量消耗具有重要影响。然而,驾驶行为具有随机性、统计性、多变量、高维度等大数据特征,无法使用显性关系式进行相关性描述和敏感性分析。机器学习为这一问题的解决提供了手段和方法。但是,大多数机器学习算法聚焦于提高分类的准确性和回归的精度上。虽然有决策树和互信息法等算法可以进行特征和指标间的敏感性分析,但由于缺乏可读性与直观性,很难被工程人员理解和接受。因此,需要构建一种具有较高预测精度、能够将多变量特征和多维度指标间的相关性进行线性化表示的方法。
通过皮尔逊相关性分析法,所获得的相关系数能够直观反映了特征与指标间的线性相关程度的强弱,并且相关系数的正负也代表了特征与指标间的正、负相关性。但是,皮尔逊相关性分析法仅限于表征单一变量间(即单一特征对单一指标)的线性相关程度,无法描述和比较多变量特征条件下各变量特征之间对于指标的贡献度。另外,Adaboost算法预测精度的提高依赖于支撑其构成的弱分类器的构建与匹配。
综上所述,需要设计一种新的驾驶行为特征敏感性的分析方法,能够从系统层面的高度更加全面、准确的理解多变量特征与多维度指标间的相互关系,同时也可以对指标数值进行更为精确的预测。
发明内容
为了更加科学、合理的评价多变量特征与多维度指标间的线性关系程度,本发明提出了一种融合皮尔逊相关性分析法、多岛遗传算法和Adaboost分类器算法的耦合机制。通过皮尔逊相关性分析法辨识多变量条件下系统的重要特征并构建二元弱分类器;利用Adaboost算法架构,对表征多变量特征的二元弱分类器进行加权耦合;基于多岛遗传算法对二元弱分类器的初始分界点进行自适应优化。该方法不仅可以从系统层面给出多变量特征对多维度指标的敏感性影响,而且也能给出特征与指标间的正负相关关系。
本发明是根据以下技术方案实现的:
一种用于分析司机驾驶行为特征敏感性的分析方法,其特征在于,包括如下步骤:
步骤S1:样本数据库的构建与数据预处理:对司机的驾驶行为的样本数据进行整理,形成样本特征数据库和样本指标数据库,通过皮尔逊相关性分析法对样本特征进行筛选,从中选取出相关性系数大、对样本指标有显著影响的样本特征,然后分别对筛选后的样本特征和样本指标的样本点进行归一化处理;
步骤S2:二元弱分类器的构建与初始分界点的选取:以每一组特征和指标的平均值作为二元弱分类器的初始分界点,以皮尔逊相关性分析法获得的相关性系数作为二元弱分类器构建时的输出表现,构建正相关的二元弱分类器;
步骤S3:Adaboost算法的集成与增强:基于Adaboost分类器架构,对构建的诸多二元弱分类器进行集成,并利用样本数据库中的训练集对Adaboost分类器进行权值、错误率和权重等参数的计算,以获得系统的分类精度;
步骤S4:利用多岛遗传算法对二元弱分类器的初始分界点进行优化迭代:将二元弱分类器的分界点作为优化变量输入,将系统的分类精度作为优化目标输出,利用多岛遗传算法进行优化迭代,从而最终获得最佳的分类精度及其对应的二元弱分类器最优分界点。
上述技术方案中,步骤S1中的样本数据库的构建具体包括:
对原始样本数据进行整理,获得原始样本特征数据库D:
其中,原始样本特征数据库D共有多变量的特征m个,每个特征由一个n维的向量构成,以表征n个样本点数目;
而样本指标数据库Y则表示为:
其中,对原始样本特征数据库D和样本指标数据库Y的每一列进行归一化处理;
根据皮尔逊相关性分析法的计算公式,获得单个特征与指标Y之间的相关性系数:
基于相关性系数的数值大小,从原始样本特征数据库D筛选出对指标Y贡献度较大的特征,并重新构建样本特征数据库D’:
相比于原始样本特征数据库D,重新构建的样本特征数据库D’的特征数目已经缩减至s个,根据筛选得到的s个特征及其相关性系数,来构建二元弱分类器。
上述技术方案中,步骤S2中二元分类器的构建方法具体包括:
对样本特征数据库D’和样本指标数据库Y每一列求取平均值,并以此作为二元弱分类器的初始分界点,对于样本特征数据库D’,对于第j个特征,其中j=1,2,…,s,s为大于1的整数,其平均值作为特征二元弱分类器的分界点,描述为:
而样本指标数据库Y的平均值作为指标二元弱分类器的分界点,描述为:
根据皮尔逊相关性分析法所获得的相关性系数的正负值,构建二元弱分类器的决策函数,为:
其中,fp和fn分别代表的是正相关关系的决策函数和负相关关系的决策函数,根据筛选后保留下来的特征数目,依次共需要建立s个二元弱分类器,
同时,对指标也进行相应的决策函数的定义,即:
上述技术方案中,步骤S3具体包括:
将样本数据库按照一定的比例区分为:训练集和测试集。对训练集数据的权值Ti分布进行初始化,先取:
根据该权值分布,依次对s个二元弱分类器进行计算,并从中找到分类决策错误的样本点,将每个二元弱分类器下的错分样本点对应的权值进行累加求和,记为错误率e,其计算公式为:
e=∑Tj (11)
其中:j为分错样本点对应序号;
然后,根据错误率e计算该二元弱分类器的权重ω,计算公式为:
权重ω反映了在多变量特征条件下,当前二元弱分类器所表征的特征对于系统指标的敏感性与贡献度;
然后,重新计算权值分布,对于正确分类的样本点,权值更新为:
对于错分的样本点,权值更新为:
如此反复循环,直至所有二元弱分类器都被完全计算一遍;然后利用样本数据库的测试集对该二元弱分类器进行带入验算,以得到预测标签值,并计算分类精度η:
上述技术方案中,步骤S4具体包括:根据先验知识确定分界点的取值变化范围,以分类精度η为优化目标,构建多岛遗传算法的适应度函数,通过多岛遗传算法的迭代,从而获得最佳的分类精度η及其对应的二元弱分类器最优分界点。
与现有技术相比,本发明具有如下的有益效果:
相比于传统的Adaboost算法,本发明所提出的方法具有更高的预测精度,可以用于实际车辆驾驶行为评价过程中各特征参数对燃油消耗的敏感性分析与数值估计。本发明利用皮尔逊相关性分析法进行多变量特征的筛选,并将其所获得的线性相关性系数构建Adaboost算法的多级二元弱分类器,通过多岛遗传算法的寻优迭代,从而确定各个二元弱分类器的最佳分界点。本发明将三种不同用途的算法巧妙地进行了融合,形成了新的具有自适应能力的Adaboost强分类器,从而可以从系统层面更加全面、准确的理解多变量特征与多维度指标间的相互关系。
附图说明
通过阅读参照以下附图对非限制性实施例所作的详细描述,本发明的其它特征、目的和优点将会变得更明显:
图1是本发明所提出基于皮尔逊相关性分析法、多岛遗传算法和Adaboost分类器算法耦合的敏感性分析及指标预测流程图;
图2所示的是选取了若干个车辆行驶特征对插电式混合动力电动汽车单位里程油耗这一指标的皮尔逊相关系数排序图;
图3为本发明方法所提出的方法与传统的Adaboost方法的分类精度结果比较。
具体实施方式
下面以插电式混合动力电动汽车实车道路采集数据为基础,结合附图和具体实施方法进一步说明本发明方法,但本发明的保护范围不限于下述的实施例。图1所示的是本发明提出的基于皮尔逊相关性分析法、多岛遗传算法和Adaboost分类器算法耦合的敏感性分析及指标预测流程图。下面结合图1对本发明的具体实施方法进行说明。
步骤1:样本数据库的构建与数据预处理
对插电式混合动力汽车的实车道路行驶过程中产生的数据进行长时间记录,以形成具有广泛代表性的原始样本数据库。对样本数据库进行整理,提取能够描述车辆运行状态和驾驶行为的可能特征,诸如:平均车速、电池放电功率、平均加速度踏板开度、速度方差、加速度踏板方差、减速度方差、平均制动踏板位置、制动踏板方差、平均加速度、平均减速度、加速度方差等特征值。考虑到插电式混合动力汽车的能量消耗包括有燃油消耗和电能消耗(来源于电网充电),因此将系统指标确定为单位里程油耗和单位里程电耗(来源于电网充电)。基于此构建原始样本特征数据库D和样本指标数据库Y。
其中,对原始样本数据进行整理,获得原始样本特征数据库D:
其中,原始样本特征数据库D共有多变量的特征m个,每个特征由一个n维的向量构成,以表征n个样本点数目;
而样本指标数据库Y则表示为:
其中,对原始样本特征数据库D和样本指标数据库Y的每一列进行归一化处理;
根据皮尔逊相关性分析法的计算公式,获得单个特征与指标Y之间的相关性系数:
根据皮尔逊相关性分析法,计算得到皮尔逊相关系数,并按照数值大小进行排序。附图2所示的是选取了若干个车辆行驶特征对插电式混合动力电动汽车单位里程油耗这一指标的皮尔逊相关系数排序图。最后,选取皮尔逊相关系数绝对值较大(说明其对系统指标具有较大影响)的特征构建新的样本特征数据库D’。本实施方案中经综合考虑,最终选取了放电功率、平均制动踏板开度、制动踏板开度方差、平均加速度踏板位置和加速度方差五个变量作为输入特征。
具体地,基于相关性系数的数值大小,从原始样本特征数据库D筛选出对指标Y贡献度较大的特征,并重新构建样本特征数据库D’:
相比于原始样本特征数据库D,重新构建的样本特征数据库D’的特征数目已经缩减至s个,根据筛选得到的s个特征及其相关性系数,来构建二元弱分类器。
步骤2:二元弱分类器的构建与初始分界点的选取
基于皮尔逊相关性分析法得到相关性系数构建多变量特征和多维度指标的决策函数。同时,对选取的放电功率、平均制动踏板开度、制动踏板开度方差、平均加速度踏板位置和加速度方差五个变量特征进行均值求解,并将计算得到的均值作为二元弱分类器的分界点。同时,以单位里程的燃油消耗和电能消耗的均值作为指标分类器的分界点。诸如:如若输出结果大于油耗分类器的分界点即为高油耗值;如若输出结果小于油耗分类器的分界点即为低油耗值。
具体地,本发明的步骤S2中二元分类器的构建方法具体包括:
对样本特征数据库D’和样本指标数据库Y每一列求取平均值,并以此作为二元弱分类器的初始分界点,对于样本特征数据库D’,对于第j(j=1,2,…,s)个特征,其平均值作为特征二元弱分类器的分界点,描述为:
而样本指标数据库Y的平均值作为指标二元弱分类器的分界点,描述为:
根据皮尔逊相关性分析法所获得的相关性系数的正负值,构建二元弱分类器的决策函数,为:
其中,fp和fn分别代表的是正相关关系的决策函数和负相关关系的决策函数,根据筛选后保留下来的特征数目,依次共需要建立s个二元弱分类器,
同时,对指标也进行相应的决策函数的定义,即:
步骤3:Adaboost算法的集成与增强
将在步骤一中收集整理得到的样本特征数据库D’和样本指标数据库Y进行恰当区分,选取其中90%的数据作为Adaboost算法的训练集,余下的10%作为Adaboost算法的测试集。
对训练集数据的权值Ti分布进行初始化,先取:
根据该权值分布,依次对s个二元弱分类器进行计算,并从中找到分类决策错误的样本点(称之为错分样本点)。将每个二元弱分类器下的错分样本点对应的权值进行累加求和,记为错误率e,其计算公式为:
e=∑Tj (11)
其中:j为分错样本点对应序号。
然后,根据错误率e计算该二元弱分类器的权重ω,计算公式为:
权重ω反映了在多变量特征条件下,当前二元弱分类器所表征的特征对于系统指标的敏感性与贡献度。
然后,重新计算权值分布。对于正确分类的样本点,权值更新为:
对于错分的样本点,权值更新为:
如此反复循环,直至所有二元弱分类器都被完全计算一遍。然后,利用样本数据库的测试集对该二元弱分类器进行带入验算,以得到预测标签值,并计算分类精度η:
步骤S4:基于多岛遗传算法对二元弱分类器的初始分界点进行优化迭代
根据先验知识确定分界点的取值变化范围,包括:特征的分界点取值变化范围和指标的分界点取值变化范围。以分类精度η为优化目标,构建多岛遗传算法的适应度函数。需要说明的是,传统的遗传算法容易出现优化迭代的早熟现象。而多岛遗传算法在传统遗传算法的基础上将整个寻优空间换分为若干个子空间(称之为“岛”),在每个“岛”上设置有个体(individual),即所谓的sub-population,且优秀的个体可以在“岛”之间进行迁徙。多岛遗传算法的其他诸如交叉、变异的操作都与传统遗传算法相同。通过多岛遗传算法的迭代,从而获得最佳的分类精度η及其对应的二元弱分类器最优分界点。
图3为本发明方法所提出的方法与传统的Adaboost方法的分类精度结果比较。可以发现,本发明在所有测试案例下,其分类精度都要明显高于传统Adaboost方法。
以上对本发明的具体实施例进行了描述。需要理解的是,本发明并不局限于上述特定实施方式,本领域技术人员可以在权利要求的范围内做出各种变化或修改,这并不影响本发明的实质内容。在不冲突的情况下,本申请的实施例和实施例中的特征可以任意相互组合。
Claims (5)
1.一种用于分析司机驾驶行为特征敏感性的分析方法,其特征在于,包括如下步骤:
步骤S1:样本数据库的构建与数据预处理:对司机的驾驶行为的样本数据进行整理,形成样本特征数据库和样本指标数据库,通过皮尔逊相关性分析法对样本特征进行筛选,从中选取出相关性系数大、对样本指标有显著影响的样本特征,然后分别对筛选后的样本特征和样本指标的样本点进行归一化处理;
步骤S2:二元弱分类器的构建与初始分界点的选取:以每一组特征和指标的平均值作为二元弱分类器的初始分界点,以皮尔逊相关性分析法获得的相关性系数作为二元弱分类器构建时的输出表现,构建正相关的二元弱分类器;
步骤S3:Adaboost算法的集成与增强:基于Adaboost分类器架构,对构建的诸多二元弱分类器进行集成,并利用样本数据库中的训练集对Adaboost分类器进行权值、错误率和权重等参数的计算,以获得系统的分类精度;
步骤S4:利用多岛遗传算法对二元弱分类器的初始分界点进行优化迭代:将二元弱分类器的分界点作为优化变量输入,将系统的分类精度作为优化目标输出,利用多岛遗传算法进行优化迭代,从而最终获得最佳的分类精度及其对应的二元弱分类器最优分界点。
2.根据权利要求1所述的一种用于分析司机驾驶行为特征敏感性的分析方法,其特征在于,步骤S1中的样本数据库的构建具体包括:
对原始样本数据进行整理,获得原始样本特征数据库D:
其中,原始样本特征数据库D共有多变量的特征m个,每个特征由一个n维的向量构成,以表征n个样本点数目;
而样本指标数据库Y则表示为:
其中,对原始样本特征数据库D和样本指标数据库Y的每一列进行归一化处理;
根据皮尔逊相关性分析法的计算公式,获得单个特征与指标Y之间的相关性系数:
基于相关性系数的数值大小,从原始样本特征数据库D筛选出对指标Y贡献度较大的特征,并重新构建样本特征数据库D’:
相比于原始样本特征数据库D,重新构建的样本特征数据库D’的特征数目已经缩减至s个,根据筛选得到的s个特征及其相关性系数,来构建二元弱分类器。
3.根据权利要求2所述的一种用于分析司机驾驶行为特征敏感性的分析方法,其特征在于,步骤S2中二元分类器的构建方法具体包括:
对样本特征数据库D’和样本指标数据库Y每一列求取平均值,并以此作为二元弱分类器的初始分界点,对于样本特征数据库D’,对于第j个特征,其中j=1,2,…,s,s为大于1的整数,其平均值作为特征二元弱分类器的分界点,描述为:
而样本指标数据库Y的平均值作为指标二元弱分类器的分界点,描述为:
根据皮尔逊相关性分析法所获得的相关性系数的正负值,构建二元弱分类器的决策函数,为:
其中,fp和fn分别代表的是正相关关系的决策函数和负相关关系的决策函数,根据筛选后保留下来的特征数目,依次共需要建立s个二元弱分类器,
同时,对指标也进行相应的决策函数的定义,即:
4.根据权利要求3所述的一种用于分析司机驾驶行为特征敏感性的分析方法,其特征在于,步骤S3具体包括:
将样本数据库按照一定的比例区分为:训练集和测试集,对训练集数据的权值Ti分布进行初始化,先取:
根据该权值分布,依次对s个二元弱分类器进行计算,并从中找到分类决策错误的样本点,将每个二元弱分类器下的错分样本点对应的权值进行累加求和,记为错误率e,其计算公式为:
e=∑Tj (11)
其中:j为分错样本点对应序号;
然后,根据错误率e计算该二元弱分类器的权重ω,计算公式为:
权重ω反映了在多变量特征条件下,当前二元弱分类器所表征的特征对于系统指标的敏感性与贡献度;
然后,重新计算权值分布,对于正确分类的样本点,权值更新为:
对于错分的样本点,权值更新为:
如此反复循环,直至所有二元弱分类器都被完全计算一遍;然后利用样本数据库的测试集对该二元弱分类器进行带入验算,以得到预测标签值,并计算分类精度η:
5.根据权利要求4所述的一种用于分析司机驾驶行为特征敏感性的分析方法,其特征在于,步骤S4具体包括:根据先验知识确定分界点的取值变化范围,以分类精度η为优化目标,构建多岛遗传算法的适应度函数,通过多岛遗传算法的迭代,从而获得最佳的分类精度η及其对应的二元弱分类器最优分界点。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810327172.8A CN108681742B (zh) | 2018-04-12 | 2018-04-12 | 用于分析司机驾驶行为对车辆能耗敏感性的分析方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810327172.8A CN108681742B (zh) | 2018-04-12 | 2018-04-12 | 用于分析司机驾驶行为对车辆能耗敏感性的分析方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108681742A true CN108681742A (zh) | 2018-10-19 |
CN108681742B CN108681742B (zh) | 2021-09-28 |
Family
ID=63800267
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810327172.8A Active CN108681742B (zh) | 2018-04-12 | 2018-04-12 | 用于分析司机驾驶行为对车辆能耗敏感性的分析方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108681742B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109263648A (zh) * | 2018-11-16 | 2019-01-25 | 深圳市元征科技股份有限公司 | 一种驾驶行为的评价方法、装置及设备 |
CN112200932A (zh) * | 2020-09-03 | 2021-01-08 | 北京蜂云科创信息技术有限公司 | 一种评估重型柴油车能耗的方法和设备 |
CN114707037A (zh) * | 2022-03-22 | 2022-07-05 | 东风汽车集团股份有限公司 | 新能源车辆节能驾驶推荐方法、装置、设备及存储介质 |
CN115000471A (zh) * | 2022-05-18 | 2022-09-02 | 西安交通大学 | 一种基于机器学习的燃料电池催化层预测-分析-优化方法 |
CN115630318A (zh) * | 2022-11-10 | 2023-01-20 | 中电金信软件(上海)有限公司 | 风控模型的训练方法、风险预测方法、装置、计算机设备 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2012170710A1 (en) * | 2011-06-08 | 2012-12-13 | Altheadx Incorporated | Disease classification modules |
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 |
CN105678077A (zh) * | 2016-01-07 | 2016-06-15 | 北京北交新能科技有限公司 | 一种混合动力车用锂离子电池功率性能的在线预测方法 |
US20160187230A1 (en) * | 2013-04-03 | 2016-06-30 | Dalian University Of Technology | Method for determining reduction factor of bearing capacity of axial load cylindrical shell structure |
CN105989224A (zh) * | 2015-02-04 | 2016-10-05 | 南京乐行天下智能科技有限公司 | 一种针对不同出行方式的模式识别技术 |
CN107331179A (zh) * | 2017-05-27 | 2017-11-07 | 东风商用车有限公司 | 一种基于大数据云平台的经济性驾驶辅助系统及实现方法 |
CN107885891A (zh) * | 2016-09-29 | 2018-04-06 | 中国航发商用航空发动机有限责任公司 | 一种航空发动机总体性能优化方法 |
-
2018
- 2018-04-12 CN CN201810327172.8A patent/CN108681742B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2012170710A1 (en) * | 2011-06-08 | 2012-12-13 | Altheadx Incorporated | Disease classification modules |
US20160187230A1 (en) * | 2013-04-03 | 2016-06-30 | Dalian University Of Technology | Method for determining reduction factor of bearing capacity of axial load cylindrical shell structure |
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 |
CN105989224A (zh) * | 2015-02-04 | 2016-10-05 | 南京乐行天下智能科技有限公司 | 一种针对不同出行方式的模式识别技术 |
CN105678077A (zh) * | 2016-01-07 | 2016-06-15 | 北京北交新能科技有限公司 | 一种混合动力车用锂离子电池功率性能的在线预测方法 |
CN107885891A (zh) * | 2016-09-29 | 2018-04-06 | 中国航发商用航空发动机有限责任公司 | 一种航空发动机总体性能优化方法 |
CN107331179A (zh) * | 2017-05-27 | 2017-11-07 | 东风商用车有限公司 | 一种基于大数据云平台的经济性驾驶辅助系统及实现方法 |
Non-Patent Citations (4)
Title |
---|
CHUNFENG YANG ET AL.: ""High throughput computing based distributed genetic algorithm for building energy consumption optimization"", 《ENERGY AND BUILDINGS》 * |
卿雕 等: ""基于多岛遗传算法的偏置碰撞乘员约束系统优化分析"", 《装备制造技术》 * |
张子庆 等: ""基于NEDC循环油耗敏感性的发动机关键工况研究"", 《上海汽车》 * |
马桃 等: ""基于全局敏感性分析和Kriging代理模型的汽车乘员约束系统多参数优化研究"", 《中国机械工程》 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109263648A (zh) * | 2018-11-16 | 2019-01-25 | 深圳市元征科技股份有限公司 | 一种驾驶行为的评价方法、装置及设备 |
CN109263648B (zh) * | 2018-11-16 | 2021-01-15 | 深圳市元征科技股份有限公司 | 一种驾驶行为的评价方法、装置及设备 |
CN112200932A (zh) * | 2020-09-03 | 2021-01-08 | 北京蜂云科创信息技术有限公司 | 一种评估重型柴油车能耗的方法和设备 |
CN114707037A (zh) * | 2022-03-22 | 2022-07-05 | 东风汽车集团股份有限公司 | 新能源车辆节能驾驶推荐方法、装置、设备及存储介质 |
CN115000471A (zh) * | 2022-05-18 | 2022-09-02 | 西安交通大学 | 一种基于机器学习的燃料电池催化层预测-分析-优化方法 |
CN115630318A (zh) * | 2022-11-10 | 2023-01-20 | 中电金信软件(上海)有限公司 | 风控模型的训练方法、风险预测方法、装置、计算机设备 |
Also Published As
Publication number | Publication date |
---|---|
CN108681742B (zh) | 2021-09-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108681742A (zh) | 一种用于分析司机驾驶行为特征敏感性的分析方法 | |
CN110443281B (zh) | 基于hdbscan聚类的文本分类自适应过采样方法 | |
CN109214460B (zh) | 基于相对变换与核熵成分分析的电力变压器故障诊断方法 | |
CN106503689A (zh) | 基于粒子群算法的神经网络局部放电信号模式识别方法 | |
CN106980877A (zh) | 一种基于粒子群算法优化支持向量机的爆破振动预测方法 | |
CN109118013A (zh) | 一种基于神经网络的经营数据预测方法、可读存储介质和预测系统 | |
CN108921604B (zh) | 一种基于代价敏感分类器集成的广告点击率预测方法 | |
CN109214449A (zh) | 一种电网投资需求预测方法 | |
CN106250442A (zh) | 一种网络安全数据的特征选择方法及系统 | |
CN110442143B (zh) | 一种基于组合多目标鸽群优化的无人机态势数据聚类方法 | |
CN109934269A (zh) | 一种电磁信号的开集识别方法和装置 | |
CN113296009B (zh) | 一种退役动力锂离子电池剩余寿命预测及重组方法 | |
CN103440493A (zh) | 基于相关向量机的高光谱影像模糊分类方法及装置 | |
CN115828140A (zh) | 邻域互信息与随机森林相融合故障检测方法、系统及应用 | |
CN112613536A (zh) | 一种基于smote和深度学习的近红外光谱柴油牌号识别方法 | |
CN112687349A (zh) | 一种降低辛烷值损失模型的构建方法 | |
CN103886334A (zh) | 一种多指标融合的高光谱遥感影像降维方法 | |
CN112633337A (zh) | 一种基于聚类和边界点的不平衡数据处理方法 | |
CN112199862B (zh) | 纳米粒子运移的预测方法、其影响因子分析方法及系统 | |
CN111104972A (zh) | 基于遗传算法优化支持向量机多分类器的台区低电压风险识别方法 | |
CN104598774A (zh) | 基于logistic与相关信息熵的特征基因选择方法 | |
CN110738232A (zh) | 一种基于数据挖掘技术的电网电压越限成因诊断方法 | |
CN114036610A (zh) | 一种基于数据增强的侵彻深度预测方法 | |
CN110263834A (zh) | 一种新能源电能质量异常值的检测方法 | |
CN116859259A (zh) | 基于集成学习和实车大数据的电池健康状态估计方法 |
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 |