CN110298374B - 一种基于深度学习的驾驶轨迹能耗分析方法和装置 - Google Patents
一种基于深度学习的驾驶轨迹能耗分析方法和装置 Download PDFInfo
- Publication number
- CN110298374B CN110298374B CN201910383550.9A CN201910383550A CN110298374B CN 110298374 B CN110298374 B CN 110298374B CN 201910383550 A CN201910383550 A CN 201910383550A CN 110298374 B CN110298374 B CN 110298374B
- Authority
- CN
- China
- Prior art keywords
- speed
- data
- acceleration
- torque
- energy consumption
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (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)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Electric Propulsion And Braking For Vehicles (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明实施例提供一种基于深度学习的驾驶轨迹能耗分析方法和装置。该方法包括获取目标车辆的驾驶轨迹数据,根据驾驶轨迹数据计算获得当前时刻所述目标车辆对应的速度和加速度;将速度和加速度输入至第一关系模型中,获得与速度和所述加速度对应的转速和扭矩;将第一关系模型输出的扭矩和转速输入至第二关系模型中,获得目标车辆在当前时刻对应的瞬时油耗。本发明实施例提供的基于深度学习的驾驶轨迹能耗分析方法和装置,根据深度学习的方法,分别训练两个网络模型,仅根据车辆的驾驶轨迹预测能耗,对车辆的实时能耗给予有效的监控。
Description
技术领域
本发明涉及计算机技术领域,尤其涉及一种基于深度学习的驾驶轨迹能耗分析方法和装置。
背景技术
随着工业的发展,国内外对原油的需求量逐年增加,我国作为原油消费大国,原油的对外依赖度也越来越高。而在所有原油的用途中,车辆用油占据近50%,可以说,我国每年的车辆用油量是一个极其庞大的数字。而随着环境问题与能源问题的日益突出,如何有效地分析车辆能耗,以此设计更加好的方案来节省油耗、节能减排已经成为了一个非常重要的命题。
在计算机领域,深度学习已经成为非常热门的技术,在计算机视觉、自然语言处理等领域都有极为出色的表现和一系列的应用。而卷积神经网络(CNN)、生成对抗网络(GAN)、长短期记忆网络(LSTM)作为深度学习中较为著名的网络结构,代表着其核心技术,也有着诸多的应用,大部分的深度学习网络都以这些网络为基础构成,目前,卷积神经网络、生成对抗网络等主要用于计算机视觉领域,而长短期记忆网络等主要用于自然语言处理领域。
卷积神经网络与生成对抗网络在计算机视觉领域有较为突出的表现,卷积神经网络对图像的结构特征有着非常好的提取能力,能够提取图像的高维特征,对图像进行分类、识别等操作,生成对抗网络则利用一种巧妙的结构,通过生成模型和判别模型,互相训练提高各自的精准度,最后呈现出更好的效果。
因此,如何将深度学习和神经网络应用于油耗数据的有效分析,成为业界亟待解决的技术问题。
发明内容
针对现有技术存在的问题,本发明实施例提供一种基于深度学习的驾驶轨迹能耗分析方法和装置。
第一方面,本发明实施例提供一种基于深度学习的驾驶轨迹能耗分析方法,包括:
获取目标车辆的驾驶轨迹数据,根据所述驾驶轨迹数据计算获得当前时刻所述目标车辆对应的速度和加速度;
将所述速度和所述加速度输入至第一关系模型中,获得与所述速度和所述加速度对应的转速和扭矩;其中,所述第一关系模型是基于神经网络根据多个第一样本数据进行训练获得的,所述第一样本数据包括具有对应关系的速度-加速度和转速-扭矩;
将所述第一关系模型输出的扭矩和转速输入至第二关系模型中,获得所述目标车辆在当前时刻对应的瞬时油耗;其中,所述第二关系模型是基于神经网络根据多个第二样本数据进行训练获得的,所述第二样本数据包括具有对应关系的扭矩-转速和油耗。
第二方面,本发明实施例提供一种基于深度学习的驾驶轨迹能耗分析装置,包括:
第一处理模块,用于获取目标车辆的驾驶轨迹数据,根据所述驾驶轨迹数据计算获得当前时刻所述目标车辆对应的速度和加速度;
第二处理模块,用于将所述速度和所述加速度输入至第一关系模型中,获得与所述速度和所述加速度对应的转速和扭矩;其中,所述第一关系模型是基于神经网络根据多个第一样本数据进行训练获得的,所述第一样本数据包括具有对应关系的速度-加速度和转速-扭矩;
第三处理模块,用于将所述第一关系模型输出的扭矩和转速输入至第二关系模型中,获得所述目标车辆在当前时刻对应的瞬时油耗;其中,所述第二关系模型是基于神经网络根据多个第二样本数据进行训练获得的,所述第二样本数据包括具有对应关系的扭矩-转速和油耗。
第三方面,本发明实施例提供一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现如第一方面所述的基于深度学习的驾驶轨迹能耗分析方法的步骤。
第四方面,本发明实施例提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现如第一方面所述的基于深度学习的驾驶轨迹能耗分析方法的步骤。
本发明实施例提供的基于深度学习的驾驶轨迹能耗分析方法和装置,根据深度学习的方法,分别训练两个网络模型,仅根据车辆的驾驶轨迹预测能耗,对车辆的实时能耗给予有效的监控。
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一简单地介绍,显而易见地,下面描述中的附图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为本发明实施例提供的基于深度学习的驾驶轨迹能耗分析方法的流程示意图;
图2为本发明实施例提供的驾驶轨迹能耗分析流程图;
图3为本发明实施例提供的生成对抗网络结构图;
图4为本发明实施例提供的生成器网络结构图;
图5为本发明实施例提供的分类器网络结构图
图6为本发明实施例提供的基于深度学习的驾驶轨迹能耗分析装置的结构示意图;
图7为本发明实施例提供的电子设备实体结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,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作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。
图1为本发明实施例提供的基于深度学习的驾驶轨迹能耗分析方法的流程示意图,本发明方法实施例针对现有技术通过普通设备获取到能耗数据困难,无法根据驾驶轨迹对能耗进行有效的估计和计算的缺陷,提供一种根据深度学习来利用驾驶轨迹数据计算能耗的方法,可以搭载于配有GPS系统的移动设备上,实时显示油耗,如图1所示,该方法包括如下步骤:
步骤100、获取目标车辆的驾驶轨迹数据,根据所述驾驶轨迹数据计算获得当前时刻所述目标车辆对应的速度和加速度;
本发明实施例提供的基于深度学习的驾驶轨迹能耗分析方法,可以由搭载于任何具有GPS系统的设备例如移动设备来实现。具体地,移动设备基于GPS系统获取到目标车辆的驾驶轨迹数据。例如通过GPS系统获得目标车辆的GPS数据,其主要包括目标车辆的速度、位置以及时间等数据,然后可以根据所述速度、位置和时间来计算当前时刻所述目标车辆对应的加速度,由此可以获得所述目标车辆当前时刻所述目标车辆对应的速度和加速度。
具体地,通过带有GPS的移动设备获取驾驶轨迹数据,该数据需要进行预处理,根据时间、速度、位置信息计算加速度作为另一列数据,同时对齐数据的时间戳,使得每个时间包含上述所有数据。其中的速度和加速度可以作为第一关系模型的输入,以获得对应的扭矩和转速。
步骤101、将所述速度和所述加速度输入至第一关系模型中,获得与所述速度和所述加速度对应的转速和扭矩;其中,所述第一关系模型是基于神经网络根据多个第一样本数据进行训练获得的,所述第一样本数据包括具有对应关系的速度-加速度和转速-扭矩;
在基于目标车辆的GPS驾驶轨迹数据获得当前时刻的速度和加速度后,将该速度和加速度输入至第一关系模型中。速度-加速度与扭矩-转速之间的第一关系模型利用神经网络预测速度、加速度与扭矩、转速之间的关系;所述神经网络输入层利用多个全连接层来实现对这个二元关系的预测。
速度-加速度与扭矩-转速之间的第一关系模型,该模型需要速度、加速度、扭矩和转速数据,通过训练神经网络发现速度-加速度与扭矩-转速的关系,根据速度-加速度来确定扭矩-转速,因为扭矩与加速度、转速与车速存在关系,训练该神经网络学习这个关系,可以由瞬时速度、加速度预测转速、扭矩。
速度-加速度与扭矩-转速之间的第一关系模型基于神经网络根据多个第一样本数据进行训练获得的,所述第一样本数据包括速度-加速度和转速-扭矩,其二者之间具有对应关系。
步骤102、将所述第一关系模型输出的扭矩和转速输入至第二关系模型中,获得所述目标车辆在当前时刻对应的瞬时油耗;其中,所述第二关系模型是基于神经网络根据多个第二样本数据进行训练获得的,所述第二样本数据包括具有对应关系的扭矩-转速和油耗。
在基于第一关系模型获得转速和扭矩后,将该转速和扭矩输入至第二关系模型中。所述第二关系模型即为扭矩-转速-油耗率关系模型,该模型需要扭矩、转速、油耗数据,利用生成对抗网络与卷积神经网络训练模型发现扭矩、转速与油耗值之间的关系,这个关系能够描述扭矩、转速与油耗的一一对应关系,即确定了扭矩、转速后确定该时刻的瞬时油耗,这个关系也被称为万有特性图。
扭矩-转速-油耗率关系模型是基于神经网络根据多个第二样本数据进行训练获得的,所述第二样本数据包括扭矩-转速和油耗,且二者之间具有对应关系。
本发明实施例提供的油耗分析方法中,预测油耗需要经过两个模型的流程,首先获取实时输入数据,这个数据是GPS数据。经过一定的数据处理后,输入到速度-加速度与扭矩-转速模型中,获取扭矩-转速值;下一步,将这个扭矩-转速值输入到扭矩-转速-油耗率模型中,获得瞬时油耗。而且,根据所得的瞬时油耗结果,根据驾驶轨迹上的时间累计,即可获得累计油耗值,用于对驾驶轨迹的累计能耗进行输出。
本发明实施例提供的基于深度学习的驾驶轨迹能耗分析方法,根据深度学习的方法,分别训练两个网络模型,仅根据车辆的驾驶轨迹预测能耗,对车辆的实时能耗给予有效的监控;可以搭载于任何具有GPS信息的设备上,其中主要用于手机上,提供了一种便捷的能耗预测方式。
图2为本发明实施例提供的驾驶轨迹能耗分析流程图,如图2所示,基于以上描述,本发明提供一种基于深度学习的驾驶轨迹能耗分析的方法,所述方法包括:根据深度学习的方法,根据驾驶轨迹信息预测瞬时油耗值以及累计油耗值。其中,驾驶轨迹信息主要包括速度、位置、时间等数据,用于计算速度和加速度;根据计算出的速度、加速度数据,利用深度学习的方法,建立神经网络,可以预测速度、加速度与扭矩、转速这两个工况的关系;而根据车辆的工况数据,获得扭矩、转速、油耗数据,利用生成对抗网络学习三个数据之间的关系。本发明实施例通过扭矩-转速-油耗率关系模型、速度-加速度与扭矩-转速关系模型根据驾驶轨迹分析能耗,达到对能耗值的实时输出。
图3为本发明实施例提供的生成对抗网络结构图,图4为本发明实施例提供的生成器网络结构图,图5为本发明实施例提供的分类器网络结构图,如图3、图4和图5所示,所述第二关系模型基于生成对抗网络建立;其中,所述生成对抗网络包括生成器和分类器,所述生成器和分类器均包括卷积神经网络和全连接层。具体地,扭矩-转速-油耗率关系模型利用生成对抗网络预测扭矩、转速与油耗的关系;所述生成对抗网络(GANs)中的生成器和分类器均为卷积神经网络(CNNs)与全连接层(fully connected layers)的结合。生成器利用卷积神经网络提取特征,经过全连接层对特征相互组合,通过反卷积层输出预测的结果,其输入为扭矩、转速数据经处理后的结构,输出为对应的预测油耗值;分类器利用卷积神经网络提取特征,并且经过全连接层进行分类,判别输入为真实数据或是预测数据,其输出为一个布尔值。利用生成对抗网络的结构,可以提高能耗预测的精准度。
本发明实施例中针对第二关系模型的训练过程包括,在生成对抗网络结构中,原始数据被输入到生成器中;其中,所述原始数据为真实数据的子集,所述真实数据包括扭矩-转速和对应的油耗;生成器接收输入数据,通过卷积神经网络输出对所述输入数据进行预测后获得的输出;将生成器的输出与所述真实数据合并作为分类器的输入,用于分类器进行学习真实数据和生成数据,利用反向传播来提升训练精准度;分类器的输出被返回用于训练生成器。在第二关系模型中,生成器和分类器分开训练,分类器的损失函数为分类结果的交叉熵,而生成器的损失函数为[生成器的输出与期望的误差的平方和]加上[将该生成器的输出输入到分类器中过的结果],两者并不是直接相加,而是根据一定的权重相加,这样就达到了利用分类器的结果来训练生成器的目的。
具体地,如图2所示,本发明实施例的第二关系模型为一个生成对抗网络结构图,其流程为:
1)在生成对抗网络结构中,原始数据被转换为128*128的矩阵,用来输入到生成器中;
原始数据包括实际工况获取的车辆的扭矩、转速和油耗的真实数据中的一部分数据。
2)生成器接受该输入,通过卷积神经网络输出对该输入数据进行预测后获得的输出;
将128*128的矩阵进行补零处理,即填满该128*128的矩阵。
3)生成器的输出与真实数据合并作为分类器的输入,用于分类器进行学习真实数据和生成数据,利用反向传播来提升训练精准度;
4)分类器的输出被返回用于训练生成器,使得生成数据产生的结果与真实数据更相近。
图3为依照本发明实施例的生成器网络结构,首先是6个卷积层,将128*128*1的输入矩阵转换为1*1*1024的高阶特征,输入到4个全连接层中,用于学习数据的相互结构,最后再接6个转置卷积层,用于将数据恢复到128*128*1的特征上。
图4为依照本发明实施例的分类器网络结构,首先是6个卷积层,将128*128*1的输入矩阵转换为1*1*1024的高阶特征,其次是3个全连接层,用于对结果进行分离。
在上述各实施例的基础上,本发明实施例还包括训练所述第一关系模型的步骤,包括:
获得多个第一样本数据,所述第一样本数据包括速度-加速度和转速-扭矩之间的对应关系;
对于任意一个第一样本数据,将所述第一样本数据输入至神经网络,输出所述第一样本数据对应的匹配概率;
根据预设损失函数和所述第一样本数据对应的匹配概率计算损失值;
若所述损失值小于预设阈值,则所述第一关系模型训练完成。
首先,获取大量的第一样本数据,每个第一样本数据均包括速度-加速度和转速-扭矩之间的对应关系。将多个第一样本数据依次输入至神经网络,根据神经网络的每一次输出结果对神经网络中的模型参数进行调整,最终可以完成神经网络的训练过程。
在本发明方法实施例中,可以采用900个训练样本进行神经网络的训练过程;之后,采用200个测试样本进行测试,由此获得的神经网络能够获得准确的转速-扭矩值。在本发明实施例中,反向传播(Back Propagation,简称BP)算法的训练过程由正向传播过程和反向传播过程组成。在正向传播过程中,输入信息通过输入层经隐含层,逐层处理并传向输出层。如果在输出层得不到期望的输出值,则取输出与期望的误差的平方和作为目标函数,转入反向传播,逐层求出函数对各神经元权值的偏导数,构成函数对权值向量的梯量,作为修改权值的依据,由于卷积神经网络的训练在权值修改过程中完成,当误差达到所期望值时,则训练结束。
在本发明实施例中,为了防止训练过程出现过拟合,采用L2正则化和丢弃(Dropout)算法,限制卷积神经网络的模型参数,增加了卷积神经网络的泛化能力,提高准确率。其中,卷积神经网络的预设损失函数附加L2正则化项。为了避免由于卷积神经网络的层数加深,收敛速度变慢,而导致的梯度消失或梯度爆炸,可以采用批标准化(BatchNormalization,简称BN)算法,来规范某些层或者所有层的输入,从而固定每层输入信号的均值与方差,使得卷积神经网络在训练过程中,每一层神经网络的输入保持相同分布,简化了深层神经网络的构建,加快学习收敛速度。
图6为本发明实施例提供的基于深度学习的驾驶轨迹能耗分析装置的结构示意图,如图6所示,该装置包括第一处理模块601、第二处理模块602和第三处理模块603,其中:第一处理模块601用于获取目标车辆的驾驶轨迹数据,根据所述驾驶轨迹数据计算获得当前时刻所述目标车辆对应的速度和加速度;第二处理模块602用于将所述速度和所述加速度输入至第一关系模型中,获得与所述速度和所述加速度对应的转速和扭矩;其中,所述第一关系模型是基于神经网络根据多个第一样本数据进行训练获得的,所述第一样本数据包括具有对应关系的速度-加速度和转速-扭矩;第三处理模块603用于将所述第一关系模型输出的扭矩和转速输入至第二关系模型中,获得所述目标车辆在当前时刻对应的瞬时油耗;其中,所述第二关系模型是基于神经网络根据多个第二样本数据进行训练获得的,所述第二样本数据包括具有对应关系的扭矩-转速和油耗。
本发明实施例提供的基于深度学习的驾驶轨迹能耗分析装置,具体用于执行上述各方法实施例提供的基于深度学习的驾驶轨迹能耗分析方法流程,其具体的功能和流程可以详见上述方法实施例,此处不再赘述。
本发明实施例提供的基于深度学习的驾驶轨迹能耗分析装置,根据深度学习的方法,分别训练两个网络模型,仅根据车辆的驾驶轨迹预测能耗,对车辆的实时能耗给予有效的监控。
图7为本发明实施例提供的电子设备实体结构示意图,如图7所示,该服务器可以包括:处理器(processor)710、通信接口(Communications Interface)720、存储器(memory)730和通信总线740,其中,处理器710,通信接口720,存储器730通过通信总线740完成相互间的通信。处理器710可以调用存储器730中的计算机程序,以执行上述各实施例提供的方法,例如包括:获取目标车辆的驾驶轨迹数据,根据所述驾驶轨迹数据计算获得当前时刻所述目标车辆对应的速度和加速度;将所述速度和所述加速度输入至第一关系模型中,获得与所述速度和所述加速度对应的转速和扭矩;其中,所述第一关系模型是基于神经网络根据多个第一样本数据进行训练获得的,所述第一样本数据包括具有对应关系的速度-加速度和转速-扭矩;将所述第一关系模型输出的扭矩和转速输入至第二关系模型中,获得所述目标车辆在当前时刻对应的瞬时油耗;其中,所述第二关系模型是基于神经网络根据多个第二样本数据进行训练获得的,所述第二样本数据包括具有对应关系的扭矩-转速和油耗。
此外,上述的存储器730中的计算机程序可以通过软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
本发明实施例还提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时以执行上述各实施例提供的方法,例如包括:获取目标车辆的驾驶轨迹数据,根据所述驾驶轨迹数据计算获得当前时刻所述目标车辆对应的速度和加速度;将所述速度和所述加速度输入至第一关系模型中,获得与所述速度和所述加速度对应的转速和扭矩;其中,所述第一关系模型是基于神经网络根据多个第一样本数据进行训练获得的,所述第一样本数据包括具有对应关系的速度-加速度和转速-扭矩;将所述第一关系模型输出的扭矩和转速输入至第二关系模型中,获得所述目标车辆在当前时刻对应的瞬时油耗;其中,所述第二关系模型是基于神经网络根据多个第二样本数据进行训练获得的,所述第二样本数据包括具有对应关系的扭矩-转速和油耗。
以上所描述的装置实施例仅仅是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下,即可以理解并实施。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件。基于这样的理解,上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,如ROM/RAM、磁碟、光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (9)
1.一种基于深度学习的驾驶轨迹能耗分析方法,其特征在于,包括:
获取目标车辆的驾驶轨迹数据,根据所述驾驶轨迹数据计算获得当前时刻所述目标车辆对应的速度和加速度;
将所述速度和所述加速度输入至第一关系模型中,获得与所述速度和所述加速度对应的转速和扭矩;其中,所述第一关系模型是基于神经网络根据多个第一样本数据进行训练获得的,所述第一样本数据包括具有对应关系的速度-加速度和转速-扭矩;
将所述第一关系模型输出的扭矩和转速输入至第二关系模型中,获得所述目标车辆在当前时刻对应的瞬时油耗;其中,所述第二关系模型是基于神经网络根据多个第二样本数据进行训练获得的,所述第二样本数据包括具有对应关系的扭矩-转速和油耗;
所述第二关系模型基于生成对抗网络建立;其中,所述生成对抗网络包括生成器和分类器,所述生成器和分类器均包括卷积神经网络和全连接层。
2.根据所述权利要求1所述的基于深度学习的驾驶轨迹能耗分析方法,其特征在于,所述方法还包括:
根据所述瞬时油耗,以及所述驾驶轨迹上的时间累计,获得累计油耗。
3.根据所述权利要求1所述的基于深度学习的驾驶轨迹能耗分析方法,其特征在于,所述生成器包括6个卷积层,将输入矩阵从低阶特征转换为对应的高阶特征;然后输入至4个全连接层中,用于学习数据的相互结构;最后再接6个转置卷积层,用于将数据恢复到低阶特征上;
所述分类器包括6个卷积层,将输入矩阵转换为对应的高阶特征;然后输入至3个全连接层,用于对结果进行分离。
4.根据所述权利要求1或2所述基于深度学习的驾驶轨迹能耗分析方法,其特征在于,所述获取目标车辆的驾驶轨迹数据,根据所述驾驶轨迹数据计算获得当前时刻所述目标车辆对应的速度和加速度,包括:
获取所述目标车辆的GPS数据,所述GPS数据包括速度、位置和时间;
根据所述速度、位置和时间计算加速度,以获得当前时刻所述目标车辆对应的速度和加速度。
5.根据所述权利要求1或2所述的基于深度学习的驾驶轨迹能耗分析方法,其特征在于,所述方法还包括训练所述第一关系模型的步骤,包括:
获得多个第一样本数据,所述第一样本数据包括速度-加速度和转速-扭矩之间的对应关系;
对于任意一个第一样本数据,将所述第一样本数据输入至神经网络,输出所述第一样本数据对应的匹配概率;
根据预设损失函数和所述第一样本数据对应的匹配概率计算损失值;
若所述损失值小于预设阈值,则所述第一关系模型训练完成。
6.根据所述权利要求3所述的基于深度学习的驾驶轨迹能耗分析方法,其特征在于,所述方法还包括训练所述第二关系模型的步骤,包括:
在生成对抗网络结构中,原始数据被输入到生成器中;其中,所述原始数据为真实数据的子集,所述真实数据包括扭矩-转速和对应的油耗;
生成器接收输入数据,通过卷积神经网络输出对所述输入数据进行预测后获得的输出;
将生成器的输出与所述真实数据合并作为分类器的输入,用于分类器进行学习真实数据和生成数据,利用反向传播来提升训练精准度;
分类器的输出被返回用于训练生成器。
7.一种基于深度学习的驾驶轨迹能耗分析装置,其特征在于,包括:
第一处理模块,用于获取目标车辆的驾驶轨迹数据,根据所述驾驶轨迹数据计算获得当前时刻所述目标车辆对应的速度和加速度;
第二处理模块,用于将所述速度和所述加速度输入至第一关系模型中,获得与所述速度和所述加速度对应的转速和扭矩;其中,所述第一关系模型是基于神经网络根据多个第一样本数据进行训练获得的,所述第一样本数据包括具有对应关系的速度-加速度和转速-扭矩;
第三处理模块,用于将所述第一关系模型输出的扭矩和转速输入至第二关系模型中,获得所述目标车辆在当前时刻对应的瞬时油耗;其中,所述第二关系模型是基于神经网络根据多个第二样本数据进行训练获得的,所述第二样本数据包括具有对应关系的扭矩-转速和油耗;所述第二关系模型基于生成对抗网络建立;其中,所述生成对抗网络包括生成器和分类器,所述生成器和分类器均包括卷积神经网络和全连接层。
8.一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现如权利要求1至6任一项所述的基于深度学习的驾驶轨迹能耗分析方法的步骤。
9.一种非暂态计算机可读存储介质,其上存储有计算机程序,其特征在于,该计算机程序被处理器执行时实现如权利要求1至6任一项所述的基于深度学习的驾驶轨迹能耗分析方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910383550.9A CN110298374B (zh) | 2019-05-09 | 2019-05-09 | 一种基于深度学习的驾驶轨迹能耗分析方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910383550.9A CN110298374B (zh) | 2019-05-09 | 2019-05-09 | 一种基于深度学习的驾驶轨迹能耗分析方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110298374A CN110298374A (zh) | 2019-10-01 |
CN110298374B true CN110298374B (zh) | 2021-07-20 |
Family
ID=68026717
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910383550.9A Active CN110298374B (zh) | 2019-05-09 | 2019-05-09 | 一种基于深度学习的驾驶轨迹能耗分析方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110298374B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110889444B (zh) * | 2019-11-22 | 2022-08-09 | 南京邮电大学 | 一种基于卷积神经网络的驾驶轨迹特征分类方法 |
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 |
CN112836301A (zh) * | 2021-02-19 | 2021-05-25 | 腾讯科技(深圳)有限公司 | 车辆能耗的预测方法和装置、存储介质及电子设备 |
CN113221246B (zh) * | 2021-05-17 | 2023-07-14 | 中国科学技术大学先进技术研究院 | 基于瞬态油耗修正的移动源排放估计方法、系统及介质 |
CN113408802B (zh) * | 2021-06-22 | 2022-11-25 | 南方电网数字电网研究院有限公司 | 能耗预测网络的训练、能耗预测方法、装置和计算机设备 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102567782A (zh) * | 2011-12-21 | 2012-07-11 | 浙江吉利汽车研究院有限公司 | 一种基于神经网络的汽车发动机转矩的估算方法 |
CN102717800A (zh) * | 2012-06-13 | 2012-10-10 | 吉林大学 | 基于发动机万有特性的汽车经济性巡航控制方法 |
CN105691393A (zh) * | 2014-11-25 | 2016-06-22 | 广州汽车集团股份有限公司 | 基于实时路况的车辆智能巡航控制方法及装置 |
CN106997380A (zh) * | 2017-03-21 | 2017-08-01 | 北京工业大学 | 基于dcgan深度网络的成像光谱图像安全检索方法 |
CN108269325A (zh) * | 2016-12-30 | 2018-07-10 | 中国移动通信有限公司研究院 | 一种驾驶行为油耗经济性的分析方法及装置 |
CN108909702A (zh) * | 2018-08-23 | 2018-11-30 | 北京理工大学 | 一种插电式混合动力汽车能量管理方法及系统 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102050119B (zh) * | 2009-10-29 | 2013-07-17 | 上海通用汽车有限公司 | 在装备自控手动变速箱的车辆上实现at缓行模式的方法 |
CN104008239A (zh) * | 2014-05-22 | 2014-08-27 | 中通客车控股股份有限公司 | 一种插电式混合动力客车仿真系统及方法 |
CN107813816A (zh) * | 2016-09-12 | 2018-03-20 | 法乐第(北京)网络科技有限公司 | 用于混合动力汽车的能量控制轨迹优化设备、混合动力汽车 |
-
2019
- 2019-05-09 CN CN201910383550.9A patent/CN110298374B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102567782A (zh) * | 2011-12-21 | 2012-07-11 | 浙江吉利汽车研究院有限公司 | 一种基于神经网络的汽车发动机转矩的估算方法 |
CN102717800A (zh) * | 2012-06-13 | 2012-10-10 | 吉林大学 | 基于发动机万有特性的汽车经济性巡航控制方法 |
CN105691393A (zh) * | 2014-11-25 | 2016-06-22 | 广州汽车集团股份有限公司 | 基于实时路况的车辆智能巡航控制方法及装置 |
CN108269325A (zh) * | 2016-12-30 | 2018-07-10 | 中国移动通信有限公司研究院 | 一种驾驶行为油耗经济性的分析方法及装置 |
CN106997380A (zh) * | 2017-03-21 | 2017-08-01 | 北京工业大学 | 基于dcgan深度网络的成像光谱图像安全检索方法 |
CN108909702A (zh) * | 2018-08-23 | 2018-11-30 | 北京理工大学 | 一种插电式混合动力汽车能量管理方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN110298374A (zh) | 2019-10-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110298374B (zh) | 一种基于深度学习的驾驶轨迹能耗分析方法和装置 | |
EP3940591A1 (en) | Image generating method, neural network compression method, and related apparatus and device | |
Chen et al. | Embedded system real-time vehicle detection based on improved YOLO network | |
CN113435509B (zh) | 基于元学习的小样本场景分类识别方法及系统 | |
CN110175248B (zh) | 一种基于深度学习和哈希编码的人脸图像检索方法和装置 | |
CN113761359B (zh) | 数据包推荐方法、装置、电子设备和存储介质 | |
CN109471049B (zh) | 一种基于改进堆叠自编码器的卫星电源系统异常检测方法 | |
CN115037805A (zh) | 一种基于深度聚类的未知网络协议识别方法、系统、装置及存储介质 | |
Wang et al. | A multi-dimensional aesthetic quality assessment model for mobile game images | |
CN116743555A (zh) | 一种鲁棒多模态网络运维故障检测方法、系统及产品 | |
WO2019234156A1 (en) | Training spectral inference neural networks using bilevel optimization | |
CN116827685B (zh) | 基于深度强化学习的微服务系统动态防御策略方法 | |
CN114037001A (zh) | 基于wgan-gp-c和度量学习的机械泵小样本故障诊断方法 | |
CN117375896A (zh) | 基于多尺度时空特征残差融合的入侵检测方法及系统 | |
CN112329879A (zh) | 基于反事实多智能体学习的图像场景图的生成方法和系统 | |
CN116501444A (zh) | 智能网联汽车域控制器虚拟机异常云边协同监测和恢复系统及方法 | |
CN111091102A (zh) | 一种视频分析装置、服务器、系统及保护身份隐私的方法 | |
CN115001937B (zh) | 面向智慧城市物联网的故障预测方法及装置 | |
CN115952493A (zh) | 一种黑盒模型的逆向攻击方法、攻击装置以及存储介质 | |
CN115457365A (zh) | 一种模型的解释方法、装置、电子设备及存储介质 | |
Xiang et al. | An Improved Multiple Imputation Method Based on Chained Equations for Distributed Photovoltaic Systems | |
Lan et al. | Efficient converted spiking neural network for 3d and 2d classification | |
CN113283530A (zh) | 基于级联特征块的图像分类系统 | |
Huang et al. | Network Intrusion Detection Based on Dual-Encoder Generative Adversarial Network | |
Wang | Digital Computer Modulation Signal Classification Based on Neural Network |
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 |