CN110717147A - 一种构建汽车行驶工况的方法 - Google Patents
一种构建汽车行驶工况的方法 Download PDFInfo
- Publication number
- CN110717147A CN110717147A CN201910959710.XA CN201910959710A CN110717147A CN 110717147 A CN110717147 A CN 110717147A CN 201910959710 A CN201910959710 A CN 201910959710A CN 110717147 A CN110717147 A CN 110717147A
- Authority
- CN
- China
- Prior art keywords
- automobile
- data
- driving
- constructing
- principal component
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 36
- 238000000513 principal component analysis Methods 0.000 claims abstract description 25
- 238000004458 analytical method Methods 0.000 claims abstract description 24
- 238000003064 k means clustering Methods 0.000 claims abstract description 18
- 230000008569 process Effects 0.000 claims abstract description 14
- 230000002159 abnormal effect Effects 0.000 claims abstract description 11
- 238000007781 pre-processing Methods 0.000 claims abstract description 11
- 230000001502 supplementing effect Effects 0.000 claims abstract 2
- 239000011159 matrix material Substances 0.000 claims description 31
- 238000012545 processing Methods 0.000 claims description 13
- 230000009467 reduction Effects 0.000 claims description 10
- 230000008859 change Effects 0.000 claims description 5
- 238000003672 processing method Methods 0.000 claims description 5
- 238000012847 principal component analysis method Methods 0.000 claims description 3
- 238000010276 construction Methods 0.000 abstract description 11
- 239000012634 fragment Substances 0.000 abstract description 7
- 238000011160 research Methods 0.000 abstract description 7
- 230000007547 defect Effects 0.000 abstract description 6
- 238000013461 design Methods 0.000 abstract description 2
- 230000001133 acceleration Effects 0.000 description 8
- 238000012360 testing method Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 230000001186 cumulative effect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 238000004134 energy conservation Methods 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 239000003344 environmental pollutant Substances 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 239000003337 fertilizer Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 231100000719 pollutant Toxicity 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 238000001308 synthesis method Methods 0.000 description 1
- 238000003786 synthesis reaction Methods 0.000 description 1
- 230000002194 synthesizing effect Effects 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
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
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- 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
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
- G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
-
- 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)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Algebra (AREA)
- Software Systems (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Operations Research (AREA)
- Probability & Statistics with Applications (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种构建汽车行驶工况的方法,包括数据预处理,采用Python语言编程来补充和修改汽车行驶数据中缺失和异常的数据;划分运动学片段,将车辆实际行驶时相邻两个停车点之间的行驶过程分为短行程,短行程由怠速部分和行驶部分构成;构建汽车行驶工况,以主成分分析和K‑均值聚类分析处理短行程特征参数为依据,在聚类结果中以随机方式选择短行程。本发明主要研究在车辆实际行驶工况的构建过程中,为了得到相应道路交通上特征值的实际行驶工况,将运动学片断按照道路交通特征参数进行分类。针对人工分类的不足,研究了主成分分析和K‑均值聚类分析方法在某市实际车辆行驶工况构建中的应用,设计合理,易于实现,具有很好的实用价值。
Description
技术领域
本发明属于交通的技术领域,尤其涉及一种构建汽车行驶工况的方法。
背景技术
汽车行驶工况又称车辆测试循环,是针对某一类型的车辆(如乘用车、公交车等)在某一特定的交通环境(如高速公路、城市道路等)下描述车辆行驶特征的速度-时间曲线。行驶工况是对车辆在实际道路中的行驶状况进行调查,采集数据,并对采集到的数据进行数据的处理及分析。目前,欧、美、日等汽车发达国家,均采用汽车行驶工况的标准来进行车辆性能优化和能耗/排放的认证。
目前,我国采用欧洲的NEDC行驶工况的标准,但随着汽车保有量的逐渐增长以及城市道路状况发生巨大的变化,NEDC标准慢慢的暴露了它的缺点:实际油耗与法规认证的结果偏差越来越大。进而转用世界轻型车测试循环(WLTC),其最主要的特征就是怠速时间比和平均速度。但是这与我国实际的车辆行驶工况相比还是存在巨大的差距。由此可见,制定一个能真实反映我国道路行驶工况就显得十分重要。同时,我国地域辽阔,不同城市的发展程度、气候条件以及道路交通状况不尽相同,因此对一个能基于城市自身的汽车行驶工况的研究也越来越迫切。
现如今,我国北京、上海、合肥等城市都已经构建了适应各城市道路情况的汽车行驶工况,建立工况和油耗与排放之间的关系,出台了相关的法律法规,实现车辆的节能减排,降低车辆的污染物排放水平,保护大气环境。所以调查研究车辆行驶工况具有十分重要的意义。
发明内容
基于以上现有技术的不足,本发明所解决的技术问题在于提供一种构建汽车行驶工况的方法,运用主成分分析对数据进行系统分析,构建主成分载荷矩阵,并计算矩阵相关特征值,得出并保存对应主成分得分,再利用K-均值聚类分析原理,对特征值进行分类,最终构建汽车行驶工况。
为了解决上述技术问题,本发明通过以下技术方案来实现:本发明提供一种构建汽车行驶工况的方法,主要研究在车辆实际行驶工况的构建过程中,为了得到相应道路交通上特征值的实际行驶工况,将运动学片断按照道路交通特征参数进行分类。针对人工分类的不足,研究了主成分分析和K-均值聚类分析方法在某市实际车辆行驶工况构建中的应用,其包括:数据预处理、划分运动学片段、构建汽车行驶工况。
所述数据预处理是指对汽车行驶数据中缺失和异常的数据需要采用Python语言编程来补充和修改数据,主要是利用标记异常数据和拉格朗日插值处理法来将不良数据进行修复,最后得到完整的记录数。
所述划分运动学片段是指车辆实际行驶时相邻两个停车点之间的行驶过程称为一个短行程,通常由一个怠速部分和一个行驶部分构成,车辆行驶的总行程可视为各运动学片段(短行程)的组合。
所述构建汽车行驶工况是指以短行程为基础,以主成分分析和K-均值聚类分析处理短行程特征参数为依据,在聚类结果中以随机方式选择短行程。
进一步的,所述步骤S20包括:
S21、特征参数标准化,依据每个运动学片段中汽车行驶速度的变化,计算得到特征参数值,对特征参数值进行降维处理前进行特征参数标准化;
S22、特征参数降维,采用主成分分析法对特征参数进行降维处理。
具体地,所述步骤S30的主成分分析包括:
S31、对原始数据进行标准化无量纲处理;
S32、计算相关系数数据矩阵;
S33、计算特征值与特征向量;
S34、确定主成分个数;
S35、计算主成分得分分值。
进一步的,步骤S30中的K-均值聚类分析流程如下:
a、从原数据集S={x1,x2,…,xn}中随机选取k个输入初始聚类中心z1,z2,…,zk;
b、根据每个聚类中所有样本点的均值计算样本集中每个样本点与这些均值的距离,并根据最小距离重新对样本进行划分;
c、重新计算每个聚类的均值;
循环执行步骤b和步骤c,直到每个聚类不再发生变化为止。
由上,本发明的构建汽车行驶工况的方法主要研究在车辆实际行驶工况的构建过程中,为了得到相应道路交通上特征值的实际行驶工况,将运动学片断按照道路交通特征参数进行分类。针对人工分类的不足,研究了主成分分析和K-均值聚类分析方法在某市实际车辆行驶工况构建中的应用。
本发明设计合理,易于实现,具有很好的实用价值。
上述说明仅是本发明技术方案的概述,为了能够更清楚了解本发明的技术手段,而可依照说明书的内容予以实施,并且为了让本发明的上述和其他目的、特征和优点能够更明显易懂,以下结合优选实施例,并配合附图,详细说明如下。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例的附图作简单地介绍。
图1为本发明短行程结构示意图;
图2为本发明行驶工况构建方案图;
图3为本发明行驶工况验证图;
图4为本发明行驶工况解析流程图;
图5为本发明数据预处理流程图;
图6为本发明主成分分析流程图;
图7为本发明行驶工况的速度-时间曲线图;
图8为本发明行驶工况的SAFD分布图;
其中SAFD(Speed Acceleration Frequency Distribution)是指速度加速频率分布。
具体实施方式
下面结合附图详细说明本发明的具体实施方式,其作为本说明书的一部分,通过实施例来说明本发明的原理,本发明的其他方面、特征及其优点通过该详细说明将会变得一目了然。在所参照的附图中,不同的图中相同或相似的部件使用相同的附图标号来表示。
如图1-8所示,本发明提出一种构建汽车行驶工况的方法,包括数据预处理、划分运动学片段、构建汽车行驶工况;
所述数据预处理是指对汽车行驶数据中缺失和异常的数据需要采用Python语言编程来补充和修改数据,主要是利用标记异常数据和拉格朗日插值处理法来将不良数据进行修复,最后得到完整的记录数;
所述划分运动学片段是指车辆实际行驶时相邻两个停车点之间的行驶过程称为一个短行程如图1所示,通常由一个怠速部分和一个行驶部分构成,车辆行驶的总行程可视为各运动学片段(短行程)的组合;
所述构建汽车行驶工况是指以短行程为基础,以主成分分析和K-均值聚类分析处理短行程特征参数为依据,在聚类结果中以随机方式选择短行程,具体过程如图2、3、4所示。
本发明提出了一种构建汽车行驶工况的方法,主要研究在车辆实际行驶工况的构建过程中,为了得到相应道路交通上特征值的实际行驶工况,将运动学片断按照道路交通特征参数进行分类。针对人工分类的不足,研究了主成分分析和K-均值聚类分析方法在某市实际车辆行驶工况构建中的应用。
1、数据预处理
通过查找相关资料进行归纳分析可知,道路实测数据的预处理是数据处理的关键环节,从所给出的Excel表格数据可以看出是以时间间隔1s为步距的全部试验速度数据。在数据采集过程中,可能会出现数据丢失和异常的现象,造成这种现象的原因也有多种可能的结果。因此,对于缺失和异常的数据,需要采用Python语言编程来补充和修改数据,主要是利用标记异常数据和拉格朗日插值处理法来将不良数据进行修复,最后得到完整的记录数,数据预处理具体流程如图5所示。
2、划分运动学片段
(1)特征参数标准化
依据每个运动学片段中汽车行驶速度的变化,可相应的计算得到几个重要的特征参数值。而不同的特征参数的量纲也是不同的,因而会增大各变量取值的分散程度的差异,所以后续进行降维分析和聚类分析过程中优先选择方差较大的变量,极大影响处理结果的稳定性。为此,需在对特征参数进行降维处理前进行特征参数标准化Am×n:
式中,aij是矩阵Am×n中随机的任何一个元素,即第i个运动片段的第j个参数,其中i=1,2,…,m,j=1,2,…,n。
对矩阵(1)进行标准化得到标准化矩阵X:
(2)特征参数降维
利用特征参数对运动学片段进行描述的过程中,为保证运动学片段的特征信息不丢失,选取的几个特征参数必然存在所反映的信息重叠,为此采用主成分分析法对特征参数进行降维处理。由矩阵(2)计算协方差矩阵Σ:
由矩阵(1)得相关矩阵Rm×n:
其中,rxy是相关矩阵Rm×n第x行第y列的元素,sx和sy是关于x和y的标准差。
用λi表示矩阵R(即为n*n阶矩阵)的特征参数λ1≥λ2≥…≥λn≥0,计算出相应的正交化特征参数向量为:
(3)短行程的原理
短行程实质上就是一个运动学片段,故采用运动学的特征参数来描述其特征,对这几个特征参数的定义形式如下:
at=vt+1-vt t=1,2,…n (13)
vmax=max(vi) (16)
amax=max(ai) (17)
amin=min(ai) (18)
pc=100-pi-pa-pd (23)
其中,n为短行程的持续时间,N为运行段的持续时间。at是后一时刻减前一时刻的加速度,vm是平均速度,vmr是平均行驶速度,vmax是最大速度,vN为持续时间的速度,vi代表i时刻的速度,amax是最大加速度,amin是最大减速度,aam平均加速度,pi是怠速时间比,pa是加速时间比,pd是减速时间比,pc是匀速时间比。
3、构建汽车行驶工况
(1)主成分分析原理
主成分分析是对具有一定相关性的原变量(比如n个指标)进行提取,建立尽可能少的新变量,使得这些新变量是两两不相关,而且这些新变量所反映的信息尽可能多的保持原变量所反映的信息。通常数学上的处理是将原n个指标作线性组合,作为新的综合指标。主成分分析只依赖于X1,X2,…,Xm的协方差矩阵Σ(或相关矩阵ρ)。设随机向量X=[X1,X2,…,Xm]有协方差矩阵Σ,其特征值λ1≥λ2≥…≥λm≥0,a′1,a′2,…,a′m为随机向量X=[X1,X2,…,Xm]的矩阵系数,考虑线性组合:
由线性代数矩阵知识可知
主成分分析是构建不相关的线性组合Y1,Y2,…,Ym(代表m个指标),它们能使在式(25)中的方差尽可能的大,主成分分析的计算步骤:设原始数据包含m个指标,样本容量为n,xij为第i个样本的第j个指标,原始数据矩阵为:
a、对原始数据进行标准化无量纲处理
为了消除量纲对结果的影响,在进行主成分分析时先对数据进行标准化处理。使得每个变量标准化后的平均值均为0,标准差为1,标准化的数据矩阵为式(27)所示:
b、计算相关系数数据矩阵R
c、计算特征值与特征向量
特征方程|λI-R|=0,解此方程得到相关系数矩阵R的m个非负特征值λi,i=1,2,…,m,并使其按大小顺序排列,即λ1>λ2>…>λm≥0。分别求出特征值λi对应的特征向量li。lij为特征向量li的j个分量,j=1,2,…,m。
d、确定主成分个数
前p个主成分的累计贡献率为ψp:
当累计贡献率达到85%或者特征值大于1,即可确定主成分的个数p。
e、计算主成分载荷矩阵T:
f、计算主成分得分分值
主成分的系统表达式如式(37),其中Z1,Z1,…,Zm是原始变量经过标准变化后的变量。
将式(27)的每行数据代入式(37)中,即可以得到主成分得分矩阵F:
主成分分析具体流程如图6所示。通过对采集的大量车辆运行工况数据进行筛选和运动学片段的划分得到了运动学片段的总体样本,然后通过计算得到运动学片段总体样本的特征值样本,利用SPSS统计分析软件对运动学片段的特征参数值样本进行了主成分分析。由于各个特征值变量量纲不同,在主成分分析前需要对原始特征值变量进行标准化,利用SPSS软件进行主成分分析,原始变量的标准化在SPSS中是自动完成的,直接把原始特征参数值输入SPSS统计分析软件完成特征值参数变量的主成分分析。通过主成分分析得到了各个主成分的特征值、贡献率和累计贡献率,如表1所示的总方差解释表和表2所示的主成分载荷矩阵。
表1总方差解释表
解释的总方差
表2主成分载荷矩阵
成份矩阵a
(2)K-均值聚类分析原理
K-均值聚类分析法是根据对所研究问题的了解程度确定分类数,这样即可在每一类中选择1个有代表性的样品作为聚点(初始聚点),其它样品根据与该点的“亲疏程度”进行分类,这种“亲疏程度”可以用欧氏距离、欧氏平方距离、明可夫斯基距离、切比雪夫距离和布洛克距离5种片段差异程度表示。
在K-均值聚类分析过程中,采用殴氏平方距离表示各类中的“亲疏程度”,其定义如下:设xik表示第i个片段的第k个变量,xjk表示第j个片段的第k个变量,每个片段定义了p个变量,dik表示不同片段之间的距离,则欧氏平方距离为:
基于特征参数的第1、第2和第3主成分,运用K-均值聚类分析方法对所有的运动学片段进行分析,得到分为两类、3类和4类的聚类分析结果。根据K-均值聚类分析结果,运用Silhouette函数绘制轮廓图,从轮廓图上判断每个运动学片段的分类是否合理。其中Silhouette函数L(i)的定义如下:
式中,a为第i个运动学片段与同类运动学片段之间的平均距离;b为一个向量,其元素是第i个运动学片段与不同类的各运动学片段间的平均距离。
式(40)中,L(i)的取值范围为[-1,1],L(i)值越大,说明第i个运动学片段分类越合理;当L(i)<0时,说明第i个运动学片段的分类不合理。
根据提取的行驶工况特征,车辆的行驶工况可划分为多类,不同类之间的样本行驶工况特征差异明显,而同类样本的行驶工况特征类似。样本进行分类后,再从不同类中选取具有代表性的典型样本,最后构成合成行驶工况。显然,行驶工况分析是一个典型的无监督聚类问题,在事先不确定样本类别的前提下,对行驶工况样本聚类的精确程度将直接影响后续的工况合成。将K-均值聚类算法用于降维后的短行程工况特征参数聚类。K-均值聚类分析流程如下:
a、从原数据集S={x1,x2,…,xn}中随机选取k个输入初始聚类中心z1,z2,…,zk;
b、根据每个聚类中所有样本点的均值计算样本集中每个样本点与这些均值的距离,并根据最小距离重新对样本进行划分;
c、重新计算每个聚类的均值;
循环执行步骤b和步骤c,直到每个聚类不再发生变化为止。
不同聚类的样本特征平均值如表3所列,由表3可知,不同聚类的样本代表不同的短行程工况,各样本特征平均值差异明显。其中聚类1样本的行驶距离L和行驶时间T最短,怠速比例最高,相应的平均行驶速度和最大加速度最小,表明聚类1样本为典型的城市拥堵行驶工况样本;而聚类3样本特性相反,其行驶距离和行驶时间最长,怠速比例最低,相应的平均行驶速度和最大加速度最大,样本3应为典型的城市道路通畅行驶工况样本;聚类2样本的特性介于聚类样本1和聚类3样本之间,其代表的是介于拥堵与通畅之间的城市道路综合行驶工况样本。
表3不同聚类的样本特征平均值
根据前述工况合成方法和筛选标准,运用MATLAB软件合成如图7所示的1300s的汽车代表行驶工况,包括4个短行程,其行驶工况的SAFD分布如图8所示。
本发明首先将汽车行驶数据进行预处理,利用Python语言进行编程,使其时间具有连续性,并应用拉格朗日插值处理法对空缺数据进行填充,得到完整记录数;其次,对处理后的数据进行短行程划分并进行特征提取,对其特征参数进行标准化和降维,通过特征参数算出短行程的片段数量;最后,运用主成分分析对处理后的数据进行系统分析,构建主成分载荷矩阵,并计算矩阵相关特征值,得出并保存对应主成分得分,再利用K-均值聚类分析原理,对特征值进行分类,最终构建汽车行驶工况。
以上所述是本发明的优选实施方式而已,当然不能以此来限定本发明之权利范围,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和变动,这些改进和变动也视为本发明的保护范围。
Claims (5)
1.一种构建汽车行驶工况的方法,其特征在于,包括以下步骤:
S10、数据预处理,采用Python语言编程来补充和修改汽车行驶数据中缺失和异常的数据;
S20、划分运动学片段,将车辆实际行驶时相邻两个停车点之间的行驶过程分为短行程,短行程由怠速部分和行驶部分构成;
S30、构建汽车行驶工况,以主成分分析和K-均值聚类分析处理短行程特征参数为依据,在聚类结果中以随机方式选择短行程。
2.如权利要求1所述的构建汽车行驶工况的方法,其特征在于,在所述步骤一中,利用标记异常数据和拉格朗日插值处理法来将缺失和异常数据进行修复,最后得到完整的记录数。
3.如权利要求1所述的构建汽车行驶工况的方法,其特征在于,所述步骤S20包括:
S21、特征参数标准化,依据每个运动学片段中汽车行驶速度的变化,计算得到特征参数值,对特征参数值进行降维处理前进行特征参数标准化;
S22、特征参数降维,采用主成分分析法对特征参数进行降维处理。
4.如权利要求1所述的构建汽车行驶工况的方法,其特征在于,所述步骤S30的主成分分析包括:
S31、对原始数据进行标准化无量纲处理;
S32、计算相关系数数据矩阵;
S33、计算特征值与特征向量;
S34、确定主成分个数;
S35、计算主成分得分分值。
5.如权利要求1所述的构建汽车行驶工况的方法,其特征在于,所述步骤S30中的K-均值聚类分析流程如下:
a、从原数据集S={x1,x2,…,xn}中随机选取k个输入初始聚类中心z1,z2,…,zk;
b、根据每个聚类中所有样本点的均值计算样本集中每个样本点与这些均值的距离,并根据最小距离重新对样本进行划分;
c、重新计算每个聚类的均值;
循环执行步骤b和步骤c,直到每个聚类不再发生变化为止。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910959710.XA CN110717147A (zh) | 2019-10-10 | 2019-10-10 | 一种构建汽车行驶工况的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910959710.XA CN110717147A (zh) | 2019-10-10 | 2019-10-10 | 一种构建汽车行驶工况的方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110717147A true CN110717147A (zh) | 2020-01-21 |
Family
ID=69211397
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910959710.XA Pending CN110717147A (zh) | 2019-10-10 | 2019-10-10 | 一种构建汽车行驶工况的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110717147A (zh) |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111339638A (zh) * | 2020-02-05 | 2020-06-26 | 江苏大学 | 一种基于现有数据的汽车行驶工况构建方法 |
CN111381170A (zh) * | 2020-05-15 | 2020-07-07 | 上海工程技术大学 | 基于大数据的电动汽车电池包健康状态预测方法及系统 |
CN111815948A (zh) * | 2020-06-12 | 2020-10-23 | 南京航空航天大学 | 基于工况特征的车辆行驶工况预测方法 |
CN112885080A (zh) * | 2021-01-11 | 2021-06-01 | 重庆长安新能源汽车科技有限公司 | 一种新能源汽车的行驶工况构建方法 |
CN112948965A (zh) * | 2021-02-02 | 2021-06-11 | 昆明理工大学 | 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 |
CN113032898A (zh) * | 2021-03-10 | 2021-06-25 | 中国重汽集团济南动力有限公司 | 一种半挂牵引车工况的构建方法 |
CN113297795A (zh) * | 2021-05-28 | 2021-08-24 | 长安大学 | 一种纯电动汽车行驶工况构建方法 |
CN113689594A (zh) * | 2021-08-10 | 2021-11-23 | 南通大学 | 一种新的汽车行驶工况构造方法 |
CN114841292A (zh) * | 2022-07-04 | 2022-08-02 | 岚图汽车科技有限公司 | 一种汽车转向系统台架耐久试验载荷的获取方法及装置 |
WO2023240919A1 (zh) * | 2022-06-17 | 2023-12-21 | 中汽研汽车检验中心(天津)有限公司 | 车辆行驶工况确定方法、设备和存储介质 |
-
2019
- 2019-10-10 CN CN201910959710.XA patent/CN110717147A/zh active Pending
Non-Patent Citations (1)
Title |
---|
王志强: "太原市轻型车道路行驶工况构建与分析" * |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111339638A (zh) * | 2020-02-05 | 2020-06-26 | 江苏大学 | 一种基于现有数据的汽车行驶工况构建方法 |
CN111339638B (zh) * | 2020-02-05 | 2024-05-14 | 江苏大学 | 一种基于现有数据的汽车行驶工况构建方法 |
CN111381170A (zh) * | 2020-05-15 | 2020-07-07 | 上海工程技术大学 | 基于大数据的电动汽车电池包健康状态预测方法及系统 |
CN111815948A (zh) * | 2020-06-12 | 2020-10-23 | 南京航空航天大学 | 基于工况特征的车辆行驶工况预测方法 |
CN111815948B (zh) * | 2020-06-12 | 2022-04-22 | 南京航空航天大学 | 基于工况特征的车辆行驶工况预测方法 |
CN112885080A (zh) * | 2021-01-11 | 2021-06-01 | 重庆长安新能源汽车科技有限公司 | 一种新能源汽车的行驶工况构建方法 |
CN112948965A (zh) * | 2021-02-02 | 2021-06-11 | 昆明理工大学 | 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 |
CN113032898B (zh) * | 2021-03-10 | 2022-08-12 | 中国重汽集团济南动力有限公司 | 一种半挂牵引车工况的构建方法 |
CN113032898A (zh) * | 2021-03-10 | 2021-06-25 | 中国重汽集团济南动力有限公司 | 一种半挂牵引车工况的构建方法 |
CN113297795A (zh) * | 2021-05-28 | 2021-08-24 | 长安大学 | 一种纯电动汽车行驶工况构建方法 |
CN113689594A (zh) * | 2021-08-10 | 2021-11-23 | 南通大学 | 一种新的汽车行驶工况构造方法 |
WO2023240919A1 (zh) * | 2022-06-17 | 2023-12-21 | 中汽研汽车检验中心(天津)有限公司 | 车辆行驶工况确定方法、设备和存储介质 |
CN114841292A (zh) * | 2022-07-04 | 2022-08-02 | 岚图汽车科技有限公司 | 一种汽车转向系统台架耐久试验载荷的获取方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110717147A (zh) | 一种构建汽车行驶工况的方法 | |
US20210197851A1 (en) | Method for building virtual scenario library for autonomous vehicle | |
CN111523579B (zh) | 一种基于改进深度学习的车型识别方法及系统 | |
CN106203330A (zh) | 一种基于卷积神经网络的车辆分类方法 | |
CN106127747A (zh) | 基于深度学习的汽车表面损伤分类方法及装置 | |
CN108960055B (zh) | 一种基于局部线段模式特征的车道线检测方法 | |
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 | |
CN106066907B (zh) | 基于多零件多模型判断的定损分等级方法 | |
CN103426004B (zh) | 基于纠错输出编码的车型识别方法 | |
CN112966709B (zh) | 一种基于深度学习的精细车型识别方法及系统 | |
CN111126868B (zh) | 一种道路交通事故发生风险确定方法及系统 | |
CN111209923A (zh) | 一种基于深度学习技术的渣土车是否盖盖识别方法 | |
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 | |
CN113689594A (zh) | 一种新的汽车行驶工况构造方法 | |
CN113297795A (zh) | 一种纯电动汽车行驶工况构建方法 | |
CN101964061B (zh) | 一种基于二类核函数支持向量机的车型识别方法 | |
Saisree et al. | Pothole detection using deep learning classification method | |
CN116824543A (zh) | 一种基于od-yolo的自动驾驶目标检测方法 | |
CN114817371A (zh) | 一种基于XGBoost的车辆行驶工况识别方法 | |
CN112651666A (zh) | 一种基于驾驶模式转移特征的驾驶员风险评估方法 | |
CN116946183A (zh) | 一种考虑驾驶能力的商用车驾驶行为预测方法及车用设备 | |
CN115718886A (zh) | 纯电动汽车行驶工况的构建方法及装置 | |
CN113744530B (zh) | 一种车辆工况的构建方法 | |
CN113392695B (zh) | 一种公路货车及其轮轴识别方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200121 |
|
RJ01 | Rejection of invention patent application after publication |