CN110866996B - 一种发动机起停频次控制方法、系统、车辆和存储介质 - Google Patents

Abstract

本发明属于汽车控制系统技术领域，公开一种发动机起停频次控制方法、系统、车辆和存储介质。其中该方法包括：分别获取不同拥堵程度路况下的驾驶行为，驾驶行为包括驾驶时间和驾驶速度的时间序列；将驾驶行为映射生成样本矩阵；分别设定对应不同拥堵程度路况的样本矩阵的目标值，得到目标矩阵；将样本矩阵和目标矩阵作为训练样本，训练并验证BP神经网络模型，得到网络权重，BP神经网络模型用于基于接收到的当前驾驶行为预测路况拥堵程度；根据预测的路况拥堵程度，控制发动机按照预设的起动信号滤波时间和停机信号滤波时间工作。本发明能识别路况拥堵程度，针对不同的路况拥堵程度，调整发动机起停频次，避免堵车工况下发动机频繁起停。

Description

一种发动机起停频次控制方法、系统、车辆和存储介质

技术领域

本发明涉及汽车控制系统技术领域，尤其涉及一种发动机起停频次控制方法、系统、车辆和存储介质。

背景技术

混合动力汽车是当前清洁能源汽车的发展主流，具有续航里程长、节油率高及舒适性强等特点，颇受用户青睐。目前行星混联式混合动力汽车节油的主要策略包括：发动机起停技术、发动机工作点优化、制动能量回收和驾驶行为改善。其中，发动机起停技术主要应用于堵车工况或等红绿灯过程时的发动机起停控制，当驾驶需求功率不高时，通过关闭发动机，优化燃油经济性。

堵车工况下采用发动机起停技术降低燃油消耗率，虽然提升了燃油经济性，但是势必也对起动机和发动机的可靠性提出了更高要求，发动机频繁起停，容易导致发动机故障。

发明内容

本发明的目的在于提供一种发动机起停频次控制方法、系统、车辆和存储介质，能够避免堵车工况下发动机频繁起停，保护发动机，保证整车可靠性。

为实现上述目的，提供以下技术方案：

第一方面，本发明提供了一种发动机起停频次控制方法，包括：

分别获取不同拥堵程度路况下的驾驶行为，所述驾驶行为包括驾驶时间和与所述驾驶时间对应的驾驶速度的时间序列；

将所述驾驶行为映射生成样本矩阵；

分别设定对应所述不同拥堵程度路况的所述样本矩阵的目标值，得到目标矩阵；

将所述样本矩阵和所述目标矩阵作为训练样本，训练并验证BP神经网络模型，得到网络权重，所述BP神经网络模型用于基于接收到的当前驾驶行为预测路况拥堵程度；

根据预测的所述路况拥堵程度，控制所述发动机按照预设的起动信号滤波时间和停机信号滤波时间工作。

进一步地，在将所述样本矩阵和所述目标矩阵作为训练样本，训练并验证BP神经网络模型，得到网络权重之后，并在根据预测的所述路况拥堵程度，控制所述发动机按照预设的起动信号滤波时间和停机信号滤波时间工作之前，所述方法还包括：

响应于接收到的当前驾驶行为，将所接收到的当前驾驶行为输入训练并验证后的所述BP神经网络模型，预测路况拥堵程度。

进一步地，将所述驾驶行为映射生成样本矩阵，包括：

取车辆一次起停过程为一个样本，依次计算每个所述样本的平均车速

车辆速度大于0的时间t_run以及所述样本的时间长度t，获得所述样本矩阵。

进一步地，将所述样本矩阵和所述目标矩阵作为训练样本，输入并验证BP神经网络模型，得到网络权重，包括：

以其中一部分所述样本矩阵以及与其对应的目标矩阵作为训练样本，以得到所述网络权重；

以其余所述样本矩阵以及与其对应的目标矩阵作为验证样本，验证所述BP神经网络模型。

进一步地，所述路况拥堵程度包括正常行驶、轻微堵车和严重堵车。

进一步地，根据预测的所述路况拥堵程度，控制所述发动机按照预设的起动信号滤波时间和停机信号滤波时间工作，包括：

若所述路况拥堵程度为正常行驶，所述发动机的起动信号滤波时间为Ts，所述发动机的停机信号滤波时间为Td，所述Ts和所述Td均为预设值；

若所述路况拥堵程度为轻微堵车，所述发动机的起动信号滤波时间为Ts+Δs₁，所述发动机的停机信号滤波时间为Td+Δd₁，所述Δs₁大于零，所述Δd₁小于零，且所述Δs₁和所述Δd₁均为预设值；

若所述路况拥堵程度为严重堵车，所述发动机的起动信号滤波时间为设为Ts+Δs₂，所述发动机的停机信号滤波时间为Td+Δd₂，所述Δs₂大于零，所述Δd₂小于零，所述Δs₂大于所述Δs₁，所述Δd₂小于所述Δd₁，所述Δs₂和所述Δd₂均为预设值。

第二方面，本发明还提供了一种发动机起停频次控制系统，包括：

获取模块，用于分别获取不同拥堵程度路况下的驾驶行为，所述驾驶行为包括驾驶时间和与所述驾驶时间对应的驾驶速度的时间序列；

映射模块，用于将所述驾驶行为映射生成样本矩阵；

设定模块，用于人工分别设定对应所述不同拥堵程度路况的所述样本矩阵的目标值，得到目标矩阵；

训练模块，用于将所述样本矩阵和所述目标矩阵作为训练样本，训练并验证BP神经网络模型，得到网络权重，所述BP神经网络模型用于基于接收到的当前驾驶行为预测路况拥堵程度；

滤波控制模块，用于根据预测的所述路况拥堵程度，控制所述发动机按照预设的起动信号滤波时间和停机信号滤波时间工作。

进一步地，还包括：

预测模块，用于响应于接收到的当前驾驶行为，将所接收到的当前驾驶行为输入训练并验证后的所述BP神经网络模型，以预测路况拥堵程度。

第三方面，本发明还提供了一种车辆，所述车辆包括：

一个或多个处理器；

存储装置，用于存储一个或多个程序；

当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如上所述的发动机起停频次控制方法。

第四方面，本发明还提供了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上所述的发动机起停频次控制方法。

与现有技术相比，本发明通过采集不同拥堵程度路况下的驾驶行为，将驾驶行为映射生成样本矩阵，并根据每个样本矩阵对应的拥堵路况，设定每个样本矩阵的目标值，形成目标矩阵，将样本矩阵和目标矩阵作为训练样本，训练得到BP神经网络模型，之后BP神经网络模型响应于当前的驾驶行为，预测当前路况拥堵程度，进而控制发动机的的起动信号滤波时间和停机信号滤波时间，最终调整发动机起停频次。本实施例采用人工智能算法，将BP神经网络应用于车辆路况拥堵程度识别，并针对不同的路况拥堵程度，调整发动机起停频次，能够有效避免堵车工况下发动机频繁起停，保护发动机，提高整车可靠性。

附图说明

图1为本发明实施例一中的发动机起停频次控制方法的流程图；

图2为本发明实施例二中的发动机起停频次控制方法的流程图；

图3为本发明实施例三中的发动机起停频次控制系统的示意图；

图4为本发明实施例四中的车辆的结构示意图。

具体实施方式

为使本发明解决的技术问题、采用的技术方案和达到的技术效果更加清楚，下面将结合附图对本发明实施例的技术方案作进一步地详细描述，显然，所描述的实施例仅仅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，本领域技术人员在没有做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。

实施例一

图1为本发明实施例提供的发动机起停频次控制方法的流程图，本实施例可适用于预测车辆当前行驶过程中的路况拥堵程度，并根据预测的路况拥堵程度控制发动机的起动信号滤波时间和停机信号滤波时间，进而控制发动机起停频次。其中，在严重堵车的路况时，减少发动机起动频次；处于轻微堵车的路况时，减少发动机停机频次；处于正常行驶的路况时，发动机起停频次与起停需求保持一致。该方法可以由发动机起停频次控制系统执行，该系统可以采用软件和/或硬件的方式实现，该系统可配置于车辆中。

如图1所示，该发动机起停频次控制方法包括：

S110、分别获取不同拥堵程度路况下的驾驶行为，驾驶行为包括驾驶时间和与驾驶时间对应的驾驶速度的时间序列。

其中，路况拥堵程度可以包括正常行驶、轻微堵车及严重堵车三者不同路况。当然，路况拥堵程度也可以根据具体需求，进行多级细分。

驾驶时间可由车载计时器测得。与驾驶时间对应的驾驶速度的时间序列，即在测得的驾驶时间段内，对应每个时间点的驾驶速度。驾驶速度可由车载传感器采集得到。

S120、将驾驶行为映射生成样本矩阵。

提取驾驶行为的特征值，由驾驶时间和驾驶速度的时间序列，可得知路程、平均车速及车辆速度大于0的时间等特征值。其中，平均车速越小，表明路况越拥堵；或者车辆速度大于0的时间越长，表明路况越拥堵。将测得的驾驶时间分成连续的多段，提取每段驾驶时间的驾驶行为的特征值，得到多个样本矩阵。其中，与不同拥堵程度路况对应的样本矩阵均有多个。

S130、分别设定对应不同拥堵程度路况的样本矩阵的目标值，得到目标矩阵。

根据每个样本矩阵对应的拥堵路况，设定每个样本矩阵的目标值。多个样本矩阵对应的目标值形成目标矩阵。

S140、将样本矩阵和目标矩阵作为训练样本，训练并验证BP(Back Propagation)神经网络模型，得到网络权重，BP神经网络模型用于基于接收到的当前驾驶行为预测路况拥堵程度。

将样本矩阵和与之对应的目标矩阵作为训练样本，输入BP神经网络模型。其中，以样本矩阵作为BP神经网络模型的输入层神经元，以目标矩阵作为输出层神经元，得到网络权重。BP神经网络模型用于基于接收到的当前驾驶行为预测路况拥堵程度。其中，当前驾驶行为可由车载传感器实时测得，BP神经网络模型基于接收的当前驾驶行为，预测当前行驶路况为正常行驶、轻微堵车或严重堵车等。

S150、根据预测的路况拥堵程度，控制发动机按照预设的起动信号滤波时间和停机信号滤波时间工作。

其中，“预设”的含义为预先设定。根据预测的不同的路况拥堵程度，相应通过调整发动机的起动信号滤波时间和停机信号滤波时间，进而调整发动机的起动频次和停机频次。

例如，若当前路况为正常行驶时，可设定发动机的起动信号滤波时间和停机信号滤波时间分别为一定值，发动机起停频次与起停需求保持一致，车辆执行正常的发动机起停策略；若当前路况为轻微堵车时，增加发动机起动信号滤波时间，降低发动机停机信号滤波时间，减少发动机起动频次；若当前路况为严重堵车时，则进一步增加发动机起动信号滤波时间，降低发动机停机信号滤波时间，减少发动机停机频次。

本实施例的技术方案，通过采集不同拥堵程度路况下的驾驶行为，将驾驶行为映射生成样本矩阵，并根据每个样本矩阵对应的拥堵路况，设定每个样本矩阵的目标值，形成目标矩阵，将样本矩阵和目标矩阵作为训练样本，训练得到BP神经网络模型，之后BP神经网络模型响应于当前的驾驶行为，预测路况拥堵程度，进而控制发动机的的起动信号滤波时间和停机信号滤波时间，最终调整发动机起停频次。本实施例采用人工智能算法，将BP神经网络应用于车辆路况拥堵程度识别，并针对不同的路况拥堵程度，调整发动机起停频次，能够有效避免堵车工况下发动机频繁起停，保护发动机，保证整车可靠性。

实施例二

图2为本实施例中的发动机起停频次控制方法的流程图。如图2所示，本实施例的发动机起停频次控制方法包括：

S210、分别获取不同拥堵程度路况下的驾驶行为，驾驶行为包括驾驶时间和与驾驶时间对应的驾驶速度的时间序列。

S220、取车辆一次起停过程为一个样本，依次计算每个样本的平均车速

车辆速度大于0的时间t_run以及样本的时间长度t，获得样本矩阵。

将测得的驾驶时间分成连续的多段，其中每段均为车辆的一次起停过程，即以车辆一次起停过程作为一个样本，从而得到多个驾驶时间连续的样本。可得出每个样本的时间长度t，即一个样本的驾驶时间，还可得到一个样本(即车辆一次起停过程)的路程和平均速度。针对每个样本，均选取平均车速

车辆速度大于0的时间t_run以及样本的时间长度t，作为特征值，形成样本矩阵。

针对不同拥堵程度路况的驾驶行为，均得到多个样本，从而得到多个样本矩阵。对应不同拥堵程度路况的样本，其特征值不同，其中，平均车速越小、车辆速度大于0的时间越长、样本的时间长度越长，表明该样本对应的路况拥堵程度越大。

S230、分别设定对应不同拥堵程度路况的样本矩阵的目标值，得到目标矩阵。

根据预先采集的驾驶行为，针对每个驾驶行为对应的路况拥堵程度，设定该驾驶行为映射的样本矩阵的目标值，即采用目标值表征每个样本矩阵对应的路况拥堵程度。样本矩阵的目标值，形成目标矩阵。

S240、以其中一部分样本矩阵以及与其对应的目标矩阵作为训练样本，以得到网络权重。

以其中一部分样本矩阵和与之对应的目标矩阵作为训练样本，输入BP神经网络模型。其中，以样本矩阵作为BP神经网络模型的输入层神经元，以目标矩阵作为输出层神经元，得到网络权重。

S250、以其余样本矩阵以及与其对应的目标矩阵作为验证样本，验证BP神经网络模型。

基于得到的网络权重，以其余样本矩阵作为训练后的BP神经网络的输入层神经元，得到输出值。将得到的输出值和与该其余样本矩阵对应的目标矩阵对比，计算两者误差。若误差满足要求，表明训练后的BP神经网络模型可靠。

例如，以80％的样本矩阵以及与其对应的目标矩阵作为训练样本，以得到网络权重；以剩余20％的样本矩阵以及与其对应的目标矩阵作为验证样本，验证BP神经网络模型。

S260、响应于接收到的当前驾驶行为，将所接收到的当前驾驶行为输入训练并验证后的BP神经网络模型，预测路况拥堵程度。

车辆当前运行过程中，通过车载传感器实时采集当前驾驶行为，并实时计算每次起停过程的平均车速

车速大于0的时间t_i、样本的时间长度t_s，将

t_i、t_s输入的BP神经网络模型获得路况拥堵程度。

S270、若路况拥堵程度为正常行驶，发动机的起动信号滤波时间为设为Ts，发动机的停机信号滤波时间为Td，Ts和Td均为预设值。

其中，“预设”的含义为预先设定。Ts和Td的具体数值可根据具体车型及车辆相关参数并结合发动机起停技术得到。

若路况拥堵程度不是正常行驶，则判断路况是轻微堵车还是严重堵车。

S280、若路况拥堵程度为轻微堵车，发动机的起动信号滤波时间为设为Ts+Δs₁，发动机的停机信号滤波时间为Td+Δd₁，Δs₁大于零，Δd₁小于零。

即相比与正常行驶路况，当前路况为轻微堵车时，增加发动机起动信号滤波时间，降低发动机停机信号滤波时间，减少发动机起动频次，降低燃油消耗。

Δs₁和Δd₁均为预设值，可根据具体情况进行设定。

若路况拥堵程度不是轻微堵车，则表明路况拥堵程度为严重堵车，发动机的起动信号滤波时间为为Ts+Δs₂，发动机的停机信号滤波时间为Td+Δd₂，Δs₂大于零，Δd₂小于零，Δs₂大于Δs₁，Δd₂小于Δd₁，即相比与轻微堵车路况，若当前路况为严重堵车时，则进一步增加发动机起动信号滤波时间，降低发动机停机信号滤波时间，减少发动机停机频次，降低燃油消耗。

Δs₂和Δd₂均为预设值，可根据具体情况进行设定。

针对不同的路况拥堵程度相应调整滤波因子，解决了采用单一滤波因子的不足，有效降低在堵车路况下的发动机起停次数，保证发动机寿命。

本实施例的技术方案，通过采集不同拥堵程度路况下的驾驶行为，将驾驶行为映射生成样本矩阵，并根据每个样本矩阵对应的拥堵路况，设定每个样本矩阵的目标值，形成目标矩阵，将样本矩阵和目标矩阵作为训练样本，训练得到BP神经网络模型，之后BP神经网络模型响应于当前的驾驶行为，预测路况拥堵程度，进而控制发动机的的起动信号滤波时间和停机信号滤波时间，最终调整发动机起停频次。本实施例采用人工智能算法，将BP神经网络应用于车辆路况拥堵程度识别，并针对不同的路况拥堵程度，调整发动机起停频次，能够有效避免堵车工况下发动机频繁起停，保护发动机，保证整车可靠性。

实施例三

本实施例提供一种发动机起停频次控制系统，可适用于对车辆中发动机的起停频次进行控制的情况。本发明实施例提供的发动机起停频次控制系统可执行本发明任意实施例所提供的发动机起停频次控制方法，具备执行方法相应的功能模块和有益效果。

如图3所示，该发动机起停频次控制系统包括：

获取模块，用于分别获取不同拥堵程度路况下的驾驶行为，驾驶行为包括驾驶时间和与驾驶时间对应的驾驶速度的时间序列；

映射模块，用于将驾驶行为映射生成样本矩阵；

设定模块，用于人工分别设定对应不同拥堵程度路况的样本矩阵的目标值，得到目标矩阵；

训练模块，用于将样本矩阵和目标矩阵作为训练样本，训练并验证BP神经网络模型，得到网络权重，BP神经网络模型用于基于接收到的当前驾驶行为预测路况拥堵程度；

滤波控制模块，用于根据预测的路况拥堵程度，控制发动机按照预设的起动信号滤波时间和停机信号滤波时间工作。

本发明实施例提供的技术方案，通过获取模块采集不同拥堵程度路况下的驾驶行为，通过映射模块将驾驶行为映射生成样本矩阵，通过设定模块，实现人工设定样本矩阵的目标值，得到目标矩阵，通过训练模块得到能够基于接收到的当前驾驶行为预测路况拥堵程度的BP神经网络模型，并最后通过滤波控制模块，根据预测的路况拥堵程度，执行不同的滤波侧率，调整发动机起停频次，尤其防止发动机在严重堵车工况时反复起停次数，提高发动机寿命。

进一步地，该发动机起停频次控制系统还包括预测模块，用于响应于接收到的当前驾驶行为，将所接收到的当前驾驶行为输入训练并验证后的所述BP神经网络模型，以预测路况拥堵程度。

本实施例所提供的发动机起停频次控制系统可执行本发明任意实施例所提供的发动机起停频次控制方法，具备执行方法相应的功能模块和有益效果。

实施例四

图4为本实施例中的车辆的结构示意图。图4示出了适于用来实现本发明实施方式的示例性车辆412的框图。图4显示的车辆412仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。

如图4所示，车辆412以通用终端的形式表现。车辆412的组件可以包括但不限于：车辆本体(图中未示出)、一个或者多个处理器416，存储装置428，连接不同系统组件(包括存储装置428和处理器416)的总线418。

总线418表示几类总线结构中的一种或多种，包括存储装置总线或者存储装置控制器，外围总线，图形加速端口，处理器或者使用多种总线结构中的任意总线结构的局域总线。举例来说，这些体系结构包括但不限于工业标准体系结构(Industry SubversiveAlliance，ISA)总线，微通道体系结构(Micro Channel Architecture，MAC)总线，增强型ISA总线、视频电子标准协会(Video Electronics Standards Association，VESA)局域总线以及外围组件互连(Peripheral Component Interconnect，PCI)总线。

车辆412典型地包括多种计算机系统可读介质。这些介质可以是任何能够被车辆412访问的可用介质，包括易失性和非易失性介质，可移动的和不可移动的介质。

存储装置428可以包括易失性存储器形式的计算机系统可读介质，例如随机存取存储器(Random Access Memory，RAM)430和/或高速缓存存储器432。车辆412可以进一步包括其它可移动/不可移动的、易失性/非易失性计算机系统存储介质。仅作为举例，存储系统434可以用于读写不可移动的、非易失性磁介质(图4未显示，通常称为“硬盘驱动器”)。尽管图4中未示出，可以提供用于对可移动非易失性磁盘(例如“软盘”)读写的磁盘驱动器，以及对可移动非易失性光盘，例如只读光盘(Compact Disc Read-Only Memory，CD-ROM),数字视盘(Digital Video Disc-Read Only Memory，DVD-ROM)或者其它光介质)读写的光盘驱动器。在这些情况下，每个驱动器可以通过一个或者多个数据介质接口与总线418相连。存储装置428可以包括至少一个程序产品，该程序产品具有一组(例如至少一个)程序模块，这些程序模块被配置以执行本发明各实施例的功能。

具有一组(至少一个)程序模块442的程序/实用工具440，可以存储在例如存储装置428中，这样的程序模块442包括但不限于操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。程序模块442通常执行本发明所描述的实施例中的功能和/或方法。

车辆412也可以与一个或多个外部设备414(例如键盘、指向终端、显示器424等)通信，还可与一个或者多个使得用户能与该车辆412交互的终端通信，和/或与使得该车辆412能与一个或多个其它计算终端进行通信的任何终端(例如网卡，调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口422进行。并且，车辆412还可以通过网络适配器420与一个或者多个网络(例如局域网(Local Area Network，LAN)，广域网(Wide Area Network，WAN)和/或公共网络，例如因特网)通信。如图4所示，网络适配器420通过总线418与车辆412的其它模块通信。应当明白，尽管图中未示出，可以结合车辆412使用其它硬件和/或软件模块，包括但不限于：微代码、终端驱动器、冗余处理器、外部磁盘驱动阵列、磁盘阵列(Redundant Arrays of Independent Disks，RAID)系统、磁带驱动器以及数据备份存储系统等。

处理器416通过运行存储在存储装置428中的程序，从而执行各种功能应用以及数据处理，例如实现本发明实施例所提供的发动机起停频次控制方法，该方法包括：

分别获取不同拥堵程度路况下的驾驶行为，驾驶行为包括驾驶时间和与驾驶时间对应的驾驶速度的时间序列；

将驾驶行为映射生成样本矩阵；

分别设定对应不同拥堵程度路况的样本矩阵的目标值，得到目标矩阵；

将样本矩阵和目标矩阵作为训练样本，训练并验证BP神经网络模型，得到网络权重，BP神经网络模型用于基于接收到的当前驾驶行为预测路况拥堵程度；

根据预测的路况拥堵程度，控制发动机按照预设的起动信号滤波时间和停机信号滤波时间工作。

实施例五

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本发明实施例所提供的发动机起停频次控制方法，该方法包括：

分别获取不同拥堵程度路况下的驾驶行为，驾驶行为包括驾驶时间和与驾驶时间对应的驾驶速度的时间序列；

将驾驶行为映射生成样本矩阵；

分别设定对应不同拥堵程度路况的样本矩阵的目标值，得到目标矩阵；

将样本矩阵和目标矩阵作为训练样本，训练并验证BP神经网络模型，得到网络权重，BP神经网络模型用于基于接收到的当前驾驶行为预测路况拥堵程度；

根据预测的路况拥堵程度，控制发动机按照预设的起动信号滤波时间和停机信号滤波时间工作。

本发明实施例的计算机存储介质，可以采用一个或多个计算机可读的介质的任意组合。计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本文件中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。

计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。

计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括——但不限于无线、电线、光缆、RF等等，或者上述的任意合适的组合。

可以以一种或多种程序设计语言或其组合来编写用于执行本发明操作的计算机程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或终端上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。

注意，上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解，本发明不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此，虽然通过以上实施例对本发明进行了较为详细的说明，但是本发明不仅仅限于以上实施例，在不脱离本发明构思的情况下，还可以包括更多其他等效实施例，而本发明的范围由所附的权利要求范围决定。

Claims (6)

1.一种发动机起停频次控制方法，其特征在于，包括：

分别获取不同拥堵程度路况下的驾驶行为，所述驾驶行为包括驾驶时间和与所述驾驶时间对应的驾驶速度的时间序列；

将所述驾驶行为映射生成样本矩阵；

分别设定对应所述不同拥堵程度路况的所述样本矩阵的目标值，得到目标矩阵；

将所述样本矩阵和所述目标矩阵作为训练样本，训练并验证BP神经网络模型，得到网络权重，所述BP神经网络模型用于基于接收到的当前驾驶行为预测路况拥堵程度；

根据预测的所述路况拥堵程度，控制所述发动机按照预设的起动信号滤波时间和停机信号滤波时间工作；

在将所述样本矩阵和所述目标矩阵作为训练样本，训练并验证BP神经网络模型，得到网络权重之后，并在根据预测的所述路况拥堵程度，控制所述发动机按照预设的起动信号滤波时间和停机信号滤波时间工作之前，所述方法还包括：

响应于接收到的当前驾驶行为，将所接收到的当前驾驶行为输入训练并验证后的所述BP神经网络模型，预测路况拥堵程度；

将所述样本矩阵和所述目标矩阵作为训练样本，输入并验证BP神经网络模型，得到网络权重，包括：

以其中一部分所述样本矩阵以及与其对应的目标矩阵作为训练样本，以得到所述网络权重；

以其余所述样本矩阵以及与其对应的目标矩阵作为验证样本，验证所述BP神经网络模型；

所述路况拥堵程度包括正常行驶、轻微堵车和严重堵车；

根据预测的所述路况拥堵程度，控制所述发动机按照预设的起动信号滤波时间和停机信号滤波时间工作，包括：

若所述路况拥堵程度为正常行驶，所述发动机的起动信号滤波时间为Ts，所述发动机的停机信号滤波时间为Td，所述Ts和所述Td均为预设值；

若所述路况拥堵程度为轻微堵车，所述发动机的起动信号滤波时间为Ts+Δs₁，所述发动机的停机信号滤波时间为Td+Δd₁，所述Δs₁大于零，所述Δd₁小于零，且所述Δs₁和所述Δd₁均为预设值；

若所述路况拥堵程度为严重堵车，所述发动机的起动信号滤波时间设为Ts+Δs₂，所述发动机的停机信号滤波时间为Td+Δd₂，所述Δs₂大于零，所述Δd₂小于零，所述Δs₂大于所述Δs₁，所述Δd₂小于所述Δd₁，所述Δs₂和所述Δd₂均为预设值。

2.根据权利要求1所述的发动机起停频次控制方法，其特征在于，将所述驾驶行为映射生成样本矩阵，包括：

取车辆一次起停过程为一个样本，依次计算每个所述样本的平均车速

车辆速度大于0的时间t_run以及所述样本的时间长度t，获得所述样本矩阵。

3.一种发动机起停频次控制系统，其特征在于，用于执行如权利要求1或2所述的发动机起停频次控制方法，发动机起停频次控制系统包括：

获取模块，用于分别获取不同拥堵程度路况下的驾驶行为，所述驾驶行为包括驾驶时间和与所述驾驶时间对应的驾驶速度的时间序列；

映射模块，用于将所述驾驶行为映射生成样本矩阵；

设定模块，用于人工分别设定对应所述不同拥堵程度路况的所述样本矩阵的目标值，得到目标矩阵；

训练模块，用于将所述样本矩阵和所述目标矩阵作为训练样本，训练并验证BP神经网络模型，得到网络权重，所述BP神经网络模型用于基于接收到的当前驾驶行为预测路况拥堵程度；

滤波控制模块，用于根据预测的所述路况拥堵程度，控制所述发动机按照预设的起动信号滤波时间和停机信号滤波时间工作。

4.根据权利要求3所述的发动机起停频次控制系统，其特征在于，还包括：

预测模块，用于响应于接收到的当前驾驶行为，将所接收到的当前驾驶行为输入训练并验证后的所述BP神经网络模型，以预测路况拥堵程度。

5.一种车辆，其特征在于，所述车辆包括：

一个或多个处理器；

存储装置，用于存储一个或多个程序；

当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1或2所述的发动机起停频次控制方法。

6.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1或2所述的发动机起停频次控制方法。

Images