CN110414584A - 混合粒子群及人工鱼群算法的汽车路谱聚类合成方法及系统 - Google Patents
混合粒子群及人工鱼群算法的汽车路谱聚类合成方法及系统 Download PDFInfo
- Publication number
- CN110414584A CN110414584A CN201910661816.1A CN201910661816A CN110414584A CN 110414584 A CN110414584 A CN 110414584A CN 201910661816 A CN201910661816 A CN 201910661816A CN 110414584 A CN110414584 A CN 110414584A
- Authority
- CN
- China
- Prior art keywords
- clustering
- road spectrum
- data
- algorithm
- road
- 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
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 76
- 239000002245 particle Substances 0.000 title claims abstract description 62
- 230000003595 spectral effect Effects 0.000 title claims abstract 7
- 238000010189 synthetic method Methods 0.000 title abstract 2
- 239000011159 matrix material Substances 0.000 claims abstract description 73
- 230000009467 reduction Effects 0.000 claims abstract description 21
- 238000000034 method Methods 0.000 claims abstract description 19
- 239000013598 vector Substances 0.000 claims abstract description 13
- 238000001914 filtration Methods 0.000 claims abstract description 4
- 238000001228 spectrum Methods 0.000 claims description 118
- 241000251468 Actinopterygii Species 0.000 claims description 38
- 230000002194 synthesizing effect Effects 0.000 claims description 22
- 230000001133 acceleration Effects 0.000 claims description 12
- 238000007781 pre-processing Methods 0.000 claims description 12
- 230000015572 biosynthetic process Effects 0.000 claims description 10
- 238000003786 synthesis reaction Methods 0.000 claims description 10
- 238000012545 processing Methods 0.000 claims description 8
- 238000004590 computer program Methods 0.000 claims description 6
- 239000012634 fragment Substances 0.000 claims description 4
- 230000006870 function Effects 0.000 claims description 2
- 238000005457 optimization Methods 0.000 claims 2
- 238000011156 evaluation Methods 0.000 claims 1
- 238000001308 synthesis method Methods 0.000 description 6
- 230000000007 visual effect Effects 0.000 description 5
- 238000011217 control strategy Methods 0.000 description 4
- 230000001186 cumulative effect Effects 0.000 description 3
- 238000007621 cluster analysis Methods 0.000 description 2
- 238000004134 energy conservation Methods 0.000 description 2
- 238000005265 energy consumption Methods 0.000 description 2
- 230000019637 foraging behavior Effects 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 230000004931 aggregating effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012847 principal component analysis method Methods 0.000 description 1
- 238000012827 research and development Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
-
- 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
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Pure & Applied Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Optimization (AREA)
- Evolutionary Computation (AREA)
- Mathematical Analysis (AREA)
- Software Systems (AREA)
- Computational Mathematics (AREA)
- Computing Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Algebra (AREA)
- Databases & Information Systems (AREA)
- Probability & Statistics with Applications (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Control Of Driving Devices And Active Controlling Of Vehicle (AREA)
- Traffic Control Systems (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明公开提供了一种混合粒子群及人工鱼群算法的汽车路谱聚类合成方法及系统，该方法包括以下步骤：通过实车进行路谱数据采集，并对采集的数据进行包括去除噪声点和滤波的预处理；对获取的数据进行路谱片段划分得到m个路谱片段，确定路谱片段的n个特征参数，获得特征参数矩阵；对特征参数矩阵进行标准化，计算相关系数矩阵及其特征值和特征向量，确定p个主成分，获得主成分载荷矩阵，将数据降维；采用混合粒子群及人工鱼群算法改进聚类算法，然后对降维的数据进行聚类，根据聚类结果合成城市的典型路谱。
Description
技术领域
本公开涉及新能源汽车技术领域，具体涉及一种混合粒子群及人工鱼群算法的汽车路谱聚类合成方法及系统。
背景技术
近年来，随着能源危机的日益严峻，使得我国对汽车产业的要求愈加严格。新能源汽车有能耗及排放较低的优点已成为当前主要新兴市场核心产品，其控制策略的好坏直接影响到整车的排放及油耗，而具有代表性的汽车路谱又是研发新能源汽车控制策略的前提。我国地域辽阔，不同城市间交通状况差异较大，因此会造成相同的新能源车辆在不同城市行驶时其能耗及排放等性能差异较大。国外典型的工况数据已不能适应我国复杂的道路交通状况，如何合成符合我国交通状况的路谱已成为新能源汽车发展的迫切需求。
现有的城市典型路谱的合成一般都运用主成分分析法，但是在聚类部分大多数都采用K-means算法，该算法需要随机生成初始聚类中心，发明人在研发过程中发现，如果聚类中心选择不当，会造成算法陷入局部最优无法达到全局最优，使得聚类效果变差造成合成的城市路谱不能代表该城市的交通状况。
发明内容
为了克服上述现有技术的不足，本公开提供了一种混合粒子群及人工鱼群算法的汽车路谱聚类合成方法及系统，对K-means算法进行改进，使得聚类更准确，合成的新能源汽车典型路谱更加符合该城市的实际交通状况。
本公开一方面提供的一种混合粒子群及人工鱼群算法的汽车路谱聚类合成方法的技术方案是：
一种混合粒子群及人工鱼群算法的汽车路谱聚类合成方法，该方法包括以下步骤：
采集路谱数据并对其进行预处理；
对预处理后的路谱数据进行路谱片段划分，得到若干个路谱片段，确定每个路谱片段的多个特征参数，构建特征参数矩阵；
对特征参数矩阵进行标准化处理，计算相关系数矩阵及其特征值和特征向量，确定多个主成分，构建主成分载荷矩阵，并进行数据降维；
采用混合粒子群及人工鱼群算法改进聚类算法，利用改进后的聚类算法对降维的数据进行聚类，根据聚类结果合成城市的典型路谱。
本公开另一方面提供的一种混合粒子群及人工鱼群算法的汽车路谱聚类合成系统的技术方案是：
一种混合粒子群及人工鱼群算法的汽车路谱聚类合成系统，该系统包括：
数据采集模块，用于采集路谱数据并对其进行预处理；
特征确定模块，用于对预处理后的路谱数据进行路谱片段划分，得到若干个路谱片段，确定每个路谱片段的多个特征参数，构建特征参数矩阵；
数据降维模块，用于对特征参数矩阵进行标准化处理，计算相关系数矩阵及其特征值和特征向量，确定多个主成分，构建主成分载荷矩阵，并进行数据降维；
路谱合成模块，用于采用混合粒子群及人工鱼群算法改进聚类算法，利用改进后的聚类算法对降维的数据进行聚类，根据聚类结果合成城市的典型路谱。
本公开另一方面提供的一种计算机可读存储介质的技术方案是：
一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如下步骤：
采集路谱数据并对其进行预处理；
对预处理后的路谱数据进行路谱片段划分，得到若干个路谱片段，确定每个路谱片段的多个特征参数，构建特征参数矩阵；
对特征参数矩阵进行标准化处理，计算相关系数矩阵及其特征值和特征向量，确定多个主成分，构建主成分载荷矩阵，并进行数据降维；
采用混合粒子群及人工鱼群算法改进聚类算法，利用改进后的聚类算法对降维的数据进行聚类，根据聚类结果合成城市的典型路谱。
本公开另一方面提供的一种处理装置的技术方案是：
一种处理装置，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下步骤：
采集路谱数据并对其进行预处理；
对预处理后的路谱数据进行路谱片段划分，得到若干个路谱片段，确定每个路谱片段的多个特征参数，构建特征参数矩阵；
对特征参数矩阵进行标准化处理，计算相关系数矩阵及其特征值和特征向量，确定多个主成分，构建主成分载荷矩阵，并进行数据降维；
采用混合粒子群及人工鱼群算法改进聚类算法，利用改进后的聚类算法对降维的数据进行聚类，根据聚类结果合成城市的典型路谱。
通过上述技术方案，本公开的有益效果是：
(1)本公开对K-means算法进行改进，使得聚类更准确，合成的新能源汽车典型路谱更加符合该城市的实际交通状况。
(2)本公开选用混合粒子群及人工鱼群算法改进的聚类算法对采集的路谱数据进行聚类分析，合成的典型路谱更加符合我国城市的实际运行状况，为研发汽车的控制策略提供了依据，对节能减排具有重要意义。
(3)本公开选用混合的粒子群和人工鱼群算法选择聚类中心，聚类中心更具有代表性。
附图说明
构成本公开的一部分的说明书附图用来提供对本公开的进一步理解，本公开的示意性实施例及其说明用于解释本申请，并不构成对本公开的不当限定。
图1是实施例一混合粒子群及人工鱼群算法的汽车路谱聚类合成方法的流程图。
具体实施方式
下面结合附图与实施例对本公开作进一步说明。
应该指出，以下详细说明都是例示性的，旨在对本公开提供进一步的说明。除非另有指明，本公开使用的所有技术和科学术语具有与本公开所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本申请的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
实施例一
本实施例提供一种混合粒子群及人工鱼群算法的汽车路谱聚类合成方法，通过采集城市的路谱数据并对数据预处理，获得多个路谱片段，确定描述片段的特征参数，对获得的特征参数进行标准化，计算其相关系数矩阵，计算相关系数矩阵的特征值(主成分方差)与特征向量及主成分方差累计贡献率确定主成分，获得主成分载荷矩阵，之后将数据降维，运用混合粒子群及人工鱼群算法改进聚类算法，然后对降维的数据进行聚类，根据聚类结果合成城市的典型路谱。
请参阅附图1，所述汽车路谱聚类合成方法包括以下步骤：
S101，采集路谱数据并对其进行预处理。
具体地，通过实车采集路谱数据，并对采集的路谱数据进行去除噪声点和滤波的预处理。
在本实施例中，所述去除噪声点方法为：
其中，vt为t时刻的车速，其单位为km/h；
所述滤波方法为：
其中，代表在t+x时刻的车速权重，T的值取4秒。
S102，对预处理后的路谱数据进行路谱片段划分，得到m个路谱片段，确定每个路谱片段的n个特征参数，构建特征参数矩阵。
具体地，所述步骤102中，将汽车相邻两个停车点之间的车速数据划分为一个路谱片段。
在本实施例中，所述n个特征参数包括行驶平均车速(km/h)，平均车速(km/h)，车速标准差(km/h)，最高车速(km/h)，平均加速度(m/s2)，最大加速度(m/s2)，加速度标准差(m/s2)，平均减速度(m/s2)，最大减速度(m/s2)，减速度标准差(m/s2)，片段时长(s)，停车时长(s)，加速时长(s)，匀速时长(s)，减速时长(s)，停车时长比例，加速时长比例，匀速时长比例，减速时长比例共19个特征参数。
利用每个路谱片段的n个特征参数，组合成特征参数矩阵，所述特征参数矩阵为m×n矩阵。
S103，对特征参数矩阵进行标准化处理，计算相关系数矩阵及其特征值和特征向量，确定p个主成分，构建主成分载荷矩阵，并进行数据降维。
具体地，所述步骤103中，对特征参数矩阵进行标准化处理方法具体为：
其中，A为标准化的特征参数矩阵，aij为特征参数矩阵第i行的第j个特征值，和分别为所有路谱片段第j个特征值的均值和标准差。
在步骤103中，计算标准化特征参数矩阵中任意两列的相关系数，利用所有相关系数组合成相关系数矩阵。其中，所述相关系数的计算方法为：
其中，rij为标准化参数矩阵第j和k列的相关系数，和分别为标准化参数矩阵第j和k列的平均值，i＝1,2,...m；j＝1,2,...,n。
在步骤103中，所述相关系数矩阵的特征值逆序(从大到小)排列为λ1,λ2,...,λn，并计算累计贡献率为：
在步骤103中，选取特征值大于1且累计贡献率大于85％的前p个特征值作为所述确定的p个主成分。利用所确定的p个主成分对应的特征向量组合成主成分载荷矩阵。
在步骤103中，将所述归一化后的特征参数矩阵与主成分载荷矩阵点乘进行所述数据降维。
S104，采用混合粒子群及人工鱼群算法改进聚类算法，基于改进后的聚类算法对降维后得到的数据进行聚类，根据聚类结果合成城市的典型路谱。
所述降维后得到的数据是进行点乘后得到的片段数与主成分数的矩阵相乘后的数据。
在步骤104中，以混合的粒子群和人工鱼群算法对K-means算法进行改进，得到所述改进后的聚类算法。
所述混合的粒子群和人工鱼群算法表示为：
当粒子群进行觅食行为，在粒子xi的视野范围visual(取值为0.1)内寻找适应度较优的个体xi0＝xi+rands·visual，以xi0及群体最优位置更新粒子的速度及粒子的位置其中vi为粒子的速度，l1＝l2为加速常数，取值为1.5，rands为[-1,1]之间的随机数，rand为[0,1]之间的随机数，step为粒子移动步长，取值为1，ω为惯性权重，其中ωmax和ωmin分别为惯性权重的初始值与最终值，取值分别为0.9和0.4，iter为当前迭代次数，itermax为最大迭代次数，设为200。
如果在视野范围内尝试次数(设为50次)仍未找到合适的个体则进行随机行为：在所有适应度优于或等于该粒子的所有粒子中随机选择一个粒子xj，以此更新粒子的速度及粒子的位置
当粒子的速度更新为位置更新为其中为粒子的历史最优位置。
在步骤104中，采用混合粒子群及人工鱼群算法改进聚类算法，然后对降维的数据进行聚类，根据聚类结果合成城市典型路谱的具体实现方法为：
设定所述改进的聚类算法的聚类中心个数为k，本实施例设为3；待聚类的数据为m个p维向量，m为路谱片段数，范围可为200-1000；p为主因素个数，一般选为3-4个；设置算法参数惯性权重最大值ωmax和最小值ωmin，取值分别为0.9和0.4；加速常数l1和l2、取值均为1.5；最大迭代次数itermax，设为200；觅食行为的视野范围visual及步长step，分别取值为0.1和1；粒子个数M，M一般取值为20-50，随机产生粒子的位置和速度，位置编码方式为xi＝[d1,d2,...,dk]，其中dj＝[dj1,dj2,...djp]，速度编码方式为vi＝[v1,v2,...,vk]，其中vj＝[vj1,vj2,...,vjn]，i＝1,2,...,M，j＝1,2,...,k。
根据每个数据离该粒子所代表的k个聚类中心欧几里得距离的大小将该数据分类，并计算m个数据到各聚类中心的距离和，以此作为评价所述粒子i的适应度函数其中yjo为所述m×p维特征参数矩阵中的元素，根据适应度值可按照所述混合的粒子群和人工鱼群算法更新粒子的位置和速度，最终将数据聚为k类。
挑选每类中离该聚类中心距离较小的路谱片段组合得到所述的城市典型路谱。
本实施例选用混合的粒子群和人工鱼群算法选择K-means算法的聚类中心，聚类中心更具有代表性；选用混合粒子群及人工鱼群算法改进的聚类算法对采集的路谱数据进行聚类分析，合成的典型路谱更加符合城市的实际交通状况，为研发新能源汽车的控制策略提供了依据，对节能减排具有重要意义。
实施例二
本实施例提供一种汽车路谱聚类合成系统，该系统包括：
数据采集模块，用于采集路谱数据并其进行预处理；
特征确定模块，用于对预处理后的路谱数据进行路谱片段划分，得到若干个路谱片段，确定每个路谱片段的多个特征参数，构建特征参数矩阵；
数据降维模块，用于对特征参数矩阵进行标准化处理，计算相关系数矩阵及其特征值和特征向量，确定多个主成分，构建主成分载荷矩阵，并进行数据降维；
路谱合成模块，用于采用混合粒子群及人工鱼群算法改进聚类算法，利用改进后的聚类算法对降维的数据进行聚类，根据聚类结果合成城市的典型路谱。
实施例三
本实施例提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如下步骤：
采集路谱数据并其进行预处理；
对预处理后的路谱数据进行路谱片段划分，得到若干个路谱片段，确定每个路谱片段的多个特征参数，构建特征参数矩阵；
对特征参数矩阵进行标准化处理，计算相关系数矩阵及其特征值和特征向量，确定多个主成分，构建主成分载荷矩阵，并进行数据降维；
采用混合粒子群及人工鱼群算法改进聚类算法，利用改进后的聚类算法对降维的数据进行聚类，根据聚类结果合成城市的典型路谱。
实施例四
本实施例提供一种处理装置，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下步骤：
采集路谱数据并其进行预处理；
对预处理后的路谱数据进行路谱片段划分，得到若干个路谱片段，确定每个路谱片段的多个特征参数，构建特征参数矩阵；
对特征参数矩阵进行标准化处理，计算相关系数矩阵及其特征值和特征向量，确定多个主成分，构建主成分载荷矩阵，并进行数据降维；
采用混合粒子群及人工鱼群算法改进聚类算法，利用改进后的聚类算法对降维的数据进行聚类，根据聚类结果合成城市的典型路谱。
上述虽然结合附图对本公开的具体实施方式进行了描述，但并非对本公开保护范围的限制，所属领域技术人员应该明白，在本公开的技术方案的基础上，本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本公开的保护范围以内。
Claims (9)
1.一种混合粒子群及人工鱼群算法的汽车路谱聚类合成方法，其特征是，包括以下步骤：
采集路谱数据并对其进行预处理；
对预处理后的路谱数据进行路谱片段划分，得到若干个路谱片段，确定每个路谱片段的多个特征参数，构建特征参数矩阵；
对特征参数矩阵进行标准化处理，计算相关系数矩阵及其特征值和特征向量，确定多个主成分，构建主成分载荷矩阵，并进行数据降维；
采用混合粒子群及人工鱼群算法改进聚类算法，利用改进后的聚类算法对降维的数据进行聚类，根据聚类结果合成城市的典型路谱。
2.根据权利要求1所述的混合粒子群及人工鱼群算法的汽车路谱聚类合成方法，其特征是，对采集的路谱数据进行去除噪声点和滤波预处理。
3.根据权利要求1所述的混合粒子群及人工鱼群算法的汽车路谱聚类合成方法，其特征是，所述路谱片段的特征参数包括行驶平均车速、平均车速、车速标准差、最高车速、平均加速度、最大加速度、加速度标准差、平均减速度、最大减速度、减速度标准差、片段时长、停车时长、加速时长、匀速时长、减速时长、停车时长比例、加速时长比例、匀速时长比例和减速时长比例。
4.根据权利要求1所述的混合粒子群及人工鱼群算法的汽车路谱聚类合成方法，其特征是，所述计算相关系数矩阵及其特征值和特征向量，确定多个主成分的方法为：
利用标准化特征参数矩阵中任意两列的相关系数组合成相关系数矩阵；
将相关系数矩阵的特征值按照由大到小进行排列，并计算每个特征值的累计贡献率；
将所有特征值及其累计贡献率相比，选取特征值大于1且累计贡献率大于85％的前p个特征值作为主成分；
利用所有主成分对应的特征向量组合成主成分载荷矩阵。
5.根据权利要求1所述的混合粒子群及人工鱼群算法的汽车路谱聚类合成方法，其特征是，将标准化后的特征参数矩阵与主成分载荷矩阵进行点乘，实现数据降维。
6.根据权利要求1所述的混合粒子群及人工鱼群算法的汽车路谱聚类合成方法，其特征是，所述利用改进后的聚类算法对降维的数据进行聚类，根据聚类结果合成城市的典型路谱的步骤包括：
设置聚类中心个数、粒子个数以及相应的参数；
随机生成粒子的位置和速度，计算所有数据到各聚类中心的欧几里得距离和，将其作为评价粒子的适应度函数；
根据适应度值，使用混合的粒子群和人工鱼群算法更新粒子群的位置和速度，获取最优聚类结果和聚类中心位置；
选择每类中距离该聚类中心距离较小的路谱片段，合成城市的典型路谱。
7.一种混合粒子群及人工鱼群算法的汽车路谱聚类合成系统，其特征是，包括：
数据采集模块，用于采集路谱数据并其进行预处理；
特征确定模块，用于对预处理后的路谱数据进行路谱片段划分，得到若干个路谱片段，确定每个路谱片段的多个特征参数，构建特征参数矩阵；
数据降维模块，用于对特征参数矩阵进行标准化处理，计算相关系数矩阵及其特征值和特征向量，确定多个主成分，构建主成分载荷矩阵，并进行数据降维；
路谱合成模块，用于采用混合粒子群及人工鱼群算法改进聚类算法，利用改进后的聚类算法对降维的数据进行聚类，根据聚类结果合成城市的典型路谱。
8.一种计算机可读存储介质，其上存储有计算机程序，其特征是，该程序被处理器执行时实现如权利要求1-6中任一项所述的混合粒子群及人工鱼群算法的汽车路谱聚类合成方法中的步骤。
9.一种处理装置，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，其特征是，所述处理器执行所述程序时实现如权利要求1-6中任一项所述的混合粒子群及人工鱼群算法的汽车路谱聚类合成方法中的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910661816.1A CN110414584B (zh) | 2019-07-22 | 2019-07-22 | 汽车路谱聚类合成方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910661816.1A CN110414584B (zh) | 2019-07-22 | 2019-07-22 | 汽车路谱聚类合成方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110414584A true CN110414584A (zh) | 2019-11-05 |
| CN110414584B CN110414584B (zh) | 2022-02-11 |
Family
ID=68362317
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910661816.1A Active CN110414584B (zh) | 2019-07-22 | 2019-07-22 | 汽车路谱聚类合成方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110414584B (zh) |
Cited By (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112004208A (zh) * | 2020-06-07 | 2020-11-27 | 西南民族大学 | 车联网中人工鱼群分簇方法、存储介质和装置 |
| CN112800549A (zh) * | 2021-03-04 | 2021-05-14 | 山东大学 | 基于水平车速和垂直车速的汽车路谱合成方法及系统 |
| CN113343487A (zh) * | 2021-06-29 | 2021-09-03 | 山推工程机械股份有限公司 | 基于大数据分析的电动推土机用电池试验方案的生成方法 |
| CN113804454A (zh) * | 2021-08-06 | 2021-12-17 | 中汽研汽车检验中心（天津）有限公司 | 用于燃油箱总成动态通气性测试的路谱采集及滤波方法 |
| CN113959448A (zh) * | 2021-10-26 | 2022-01-21 | 江苏海洋大学 | 一种基于改进樽海鞘群算法的水下地形辅助导航方法 |
| CN114093055A (zh) * | 2021-11-26 | 2022-02-25 | 海南小鲨鱼智能科技有限公司 | 一种路谱生成的方法、装置、电子设备及介质 |
| CN114610030A (zh) * | 2022-03-08 | 2022-06-10 | 山东大学 | 基于组合智能算法的作业调配路径规划方法及系统 |
| CN114936607A (zh) * | 2022-06-14 | 2022-08-23 | 山东大学 | 基于混合粒子群和灰狼算法的载荷谱合成方法及系统 |
| CN115641160A (zh) * | 2022-12-26 | 2023-01-24 | 中国汽车技术研究中心有限公司 | 新能源汽车的改进方法、设备和存储介质 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104599501A (zh) * | 2015-01-26 | 2015-05-06 | 大连理工大学 | 一种混合人工鱼群算法优化支持向量回归的交通流预测方法 |
| CN106203856A (zh) * | 2016-07-18 | 2016-12-07 | 交通运输部公路科学研究所 | 一种组合主成分分析和模糊c均值聚类的车辆行驶工况制定方法 |
| CN106340181A (zh) * | 2015-07-10 | 2017-01-18 | 广西网纪诺立信息工程有限公司 | 智能交通运输数据挖掘算法 |
| CN109190851A (zh) * | 2018-10-25 | 2019-01-11 | 上海电机学院 | 一种基于改进鱼群算法的独立风光储微网的优化配置算法 |
| CN109307511A (zh) * | 2018-09-04 | 2019-02-05 | 山东理工大学 | 一种人工鱼群算法优化的容积粒子滤波导航方法 |
-
2019
- 2019-07-22 CN CN201910661816.1A patent/CN110414584B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104599501A (zh) * | 2015-01-26 | 2015-05-06 | 大连理工大学 | 一种混合人工鱼群算法优化支持向量回归的交通流预测方法 |
| CN106340181A (zh) * | 2015-07-10 | 2017-01-18 | 广西网纪诺立信息工程有限公司 | 智能交通运输数据挖掘算法 |
| CN106203856A (zh) * | 2016-07-18 | 2016-12-07 | 交通运输部公路科学研究所 | 一种组合主成分分析和模糊c均值聚类的车辆行驶工况制定方法 |
| CN109307511A (zh) * | 2018-09-04 | 2019-02-05 | 山东理工大学 | 一种人工鱼群算法优化的容积粒子滤波导航方法 |
| CN109190851A (zh) * | 2018-10-25 | 2019-01-11 | 上海电机学院 | 一种基于改进鱼群算法的独立风光储微网的优化配置算法 |
Non-Patent Citations (4)
| Title |
|---|
| 刘薇: "基于人工鱼群的聚类算法在读者行为分析的应用研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
| 刘逸: "粒子群优化算法的改进及应用研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
| 姚正华: "改进人工鱼群智能优化算法及其应用研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
| 罗德相 等: "粒子群和人工鱼群混合优化算法", 《计算机与应用化李》 * |
Cited By (15)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112004208B (zh) * | 2020-06-07 | 2021-07-20 | 西南民族大学 | 车联网中人工鱼群分簇方法、存储介质和装置 |
| CN112004208A (zh) * | 2020-06-07 | 2020-11-27 | 西南民族大学 | 车联网中人工鱼群分簇方法、存储介质和装置 |
| CN112800549A (zh) * | 2021-03-04 | 2021-05-14 | 山东大学 | 基于水平车速和垂直车速的汽车路谱合成方法及系统 |
| CN113343487B (zh) * | 2021-06-29 | 2023-08-22 | 山推工程机械股份有限公司 | 基于大数据分析的电动推土机用电池试验方案的生成方法 |
| CN113343487A (zh) * | 2021-06-29 | 2021-09-03 | 山推工程机械股份有限公司 | 基于大数据分析的电动推土机用电池试验方案的生成方法 |
| CN113804454A (zh) * | 2021-08-06 | 2021-12-17 | 中汽研汽车检验中心（天津）有限公司 | 用于燃油箱总成动态通气性测试的路谱采集及滤波方法 |
| CN113804454B (zh) * | 2021-08-06 | 2024-03-15 | 中汽研汽车检验中心（天津）有限公司 | 用于燃油箱总成动态通气性测试的路谱采集及滤波方法 |
| CN113959448A (zh) * | 2021-10-26 | 2022-01-21 | 江苏海洋大学 | 一种基于改进樽海鞘群算法的水下地形辅助导航方法 |
| CN113959448B (zh) * | 2021-10-26 | 2023-08-29 | 江苏海洋大学 | 一种基于改进樽海鞘群算法的水下地形辅助导航方法 |
| CN114093055A (zh) * | 2021-11-26 | 2022-02-25 | 海南小鲨鱼智能科技有限公司 | 一种路谱生成的方法、装置、电子设备及介质 |
| CN114610030A (zh) * | 2022-03-08 | 2022-06-10 | 山东大学 | 基于组合智能算法的作业调配路径规划方法及系统 |
| CN114610030B (zh) * | 2022-03-08 | 2024-05-28 | 山东大学 | 基于组合智能算法的作业调配路径规划方法及系统 |
| CN114936607B (zh) * | 2022-06-14 | 2023-04-07 | 山东大学 | 基于混合粒子群和灰狼算法的载荷谱合成方法及系统 |
| CN114936607A (zh) * | 2022-06-14 | 2022-08-23 | 山东大学 | 基于混合粒子群和灰狼算法的载荷谱合成方法及系统 |
| CN115641160A (zh) * | 2022-12-26 | 2023-01-24 | 中国汽车技术研究中心有限公司 | 新能源汽车的改进方法、设备和存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110414584B (zh) | 2022-02-11 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110414584B (zh) | 汽车路谱聚类合成方法及系统 | |
| CN106021961B (zh) | 基于遗传算法优化的城市标准循环工况构建方法 | |
| CN104008647B (zh) | 一种基于机动车行驶模式的道路交通能耗量化方法 | |
| CN105160883A (zh) | 一种基于大数据的节能驾驶行为分析方法 | |
| CN113297795A (zh) | 一种纯电动汽车行驶工况构建方法 | |
| CN113222385B (zh) | 一种电动汽车行驶工况构建与评价方法 | |
| CN106203856A (zh) | 一种组合主成分分析和模糊c均值聚类的车辆行驶工况制定方法 | |
| CN114912195B (zh) | 一种商用车空气动力学序列优化方法 | |
| CN112327168A (zh) | 一种基于XGBoost的电动汽车电池消耗预测方法 | |
| CN113581188A (zh) | 一种基于车联网数据的商用车驾驶员驾驶风格识别方法 | |
| CN110751101A (zh) | 基于无监督极限学习机多重聚类算法的疲劳驾驶判断方法 | |
| CN113486698B (zh) | 一种氢燃料电池工作的识别预测方法、存储介质及系统 | |
| CN115759462A (zh) | 一种电动汽车用户的充电行为预测方法、装置及电子设备 | |
| 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 | |
| CN113744530B (zh) | 一种车辆工况的构建方法 | |
| Guo et al. | Application of PCA-K-means++ combination model to construction of light vehicle driving conditions in intelligent traffic | |
| CN118439034B (zh) | 驾驶风格识别方法、装置、计算机设备和存储介质 | |
| CN117261904B (zh) | 一种自适应场景与风格的混动汽车驾驶模式决策方法 | |
| 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 | |
| CN112862160B (zh) | 一种基于深度学习的电单车剩余里程估计方法及系统 | |
| CN117634806A (zh) | 电动汽车负荷聚合方法、系统、设备及介质 | |
| CN114048798A (zh) | 基于改进降噪自编码器的汽车行驶工况构建方法 | |
| CN113673827A (zh) | 一种区域水资源脆弱性预警系统及方法 | |
| CN116702996A (zh) | 一种基于典型工况识别的电动公交车辆能量预测方法 | |
| CN115601855B (zh) | 车辆行驶工况构建方法、电子设备及存储介质 |
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 |