CN110866997A - 一种新的电动汽车行驶工况构建方法 - Google Patents
一种新的电动汽车行驶工况构建方法 Download PDFInfo
- Publication number
- CN110866997A CN110866997A CN201911098024.4A CN201911098024A CN110866997A CN 110866997 A CN110866997 A CN 110866997A CN 201911098024 A CN201911098024 A CN 201911098024A CN 110866997 A CN110866997 A CN 110866997A
- Authority
- CN
- China
- Prior art keywords
- speed
- clustering
- vehicle
- data
- bee
- 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
Images
Classifications
-
- G—PHYSICS
- G07—CHECKING-DEVICES
- G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
- G07C5/00—Registering or indicating the working of vehicles
- G07C5/08—Registering or indicating performance data other than driving, working, idle, or waiting time, with or without registering driving, working, idle or waiting time
- G07C5/0808—Diagnosing performance data
-
- 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)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Biophysics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Probability & Statistics with Applications (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Evolutionary Biology (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Traffic Control Systems (AREA)
Abstract
行驶工况的构建多针对传统燃油汽车为对象进行构建,本发明公开了一种新的电动汽车行驶工况构建方法,包括以下步骤:首先通过对行驶数据进行预处理,对运动学片段进行划分,其次利用主成分分析法提取片段主要特征参数,然后通过聚类算法对片段进行聚类,最后利用最近邻点法筛选出各类代表性片段并合成为一条标准行驶工况曲线。本发明采用基于人工蜂群的k‑means算法,该算法对比传统k‑means算法分类精度更高,同时将聚类方法与分类算法进行有机结合提高了代表性片段与聚类结果的相似性,提高了所构建的行驶工况精度。
Description
技术领域
本发明涉及电动汽车的行驶工况构建领域,特别涉及一种新的电动汽车行驶工况构建方法。
背景技术
汽车行驶工况(Driving Cycle)又称车辆测试循环,是描述汽车行驶的速度-时间曲线。其体现汽车道路行驶的运动学特征,是汽车行业的一项重要的、共性基础技术,是车辆能耗/排放测试方法和限值标准的基础,也是汽车各项性能指标标定优化时的主要基准。
目前,汽车行驶工况构建主要针对传统燃油汽车为对象,而电动汽车的产量和销量逐年增加,在交通运输中占据的比重越来越大,因此研究电动汽车行驶工况对电动汽车能耗和零部件循环寿命的评估尤为重要。同时,大部分构建方法都采用传统k-means进行聚类,由于k-means算法对初始聚类中心选择敏感同时由于其全局搜索能力较差导致聚类精度低造成最后合成的标准工况精度较差,适用性低。
发明内容
针对上述问题,在片段划分方法和聚类方法的基础上,本发明提出一种新的电动汽车行驶工况构建方法,采用基于人工蜂群的k-means算法对运动学片段进行分类比传统k-means算法精度更高,适用性更强。
为实现上述目的,本发明提供如下方案:
一种新的电动汽车行驶工况构建方法,包括如下步骤:
(1)对电动汽车行驶数据进行采集实验,并对数据进行预处理;
(2)设定车速阈值,对运动学片段进行划分;
(3)选取特征参数,并利用主成分分析法降维提取主要参数;
(4)采用基于人工蜂群的k-means算法对片段进行聚类;
(5)采用最近邻点法提取聚类后的各类代表性片段,并合成为标准的行驶工况曲线。
进一步的,所述步骤(1)具体包括以下步骤:
采集车辆GPS车速数据,实验时间为起始时间开始24小时不间断测试,一个实验周期为周一到周日七天,试验为三个周期,数据能够真实全面的反应车辆的行驶状况;在测试过程中GPS信号可能由于车体的震动造成时间点上的数据缺失,对GPS信号缺失数据进行标记,如果片段划分后包含标记则舍弃该片段;最后对车速数据进行平滑滤波处理,删除速度异常点。
进一步的,所述步骤(2)具体包括以下步骤:
传统运动学片段是指汽车从一个怠速开始到下一个怠速所历经的状态变化过程,同时应该包含加速、减速、匀速和怠速状态。而电动汽车无怠速状态,因此按照车速对运动学片段进行划分。速度状态的划分如下:
其中vt为汽车速度,a为汽车加速度。
以停止状态作为分割界限,对车速信号进行切割,车辆从一个停止状态到下一个停止状态为一个运动学片段同时保证时长不低于20s。当片段内存在所述步骤(1)标记的缺失信号时,则舍弃该片段。
进一步的,所述步骤(3)包括以下步骤:
选取13个特征参数:运行距离、运行总时间、平均速度、平均行驶速度、平均加速度、平均减速度、怠速时间比、加速时间比、减速时间比、匀速时间比、速度标准差、加速度标准差、减速度标准差。对参数标准化后利用主成分分析法计算得出各个主要参数的累计贡献率,提取累计贡献率超过85%的主要成分作为聚类分析的变量对象。
进一步的,所述步骤(4)中,所述步骤(4)中,利用所述步骤(3)中求取主要成分作为聚类算法的变量对象。对于利用人工蜂群算法最大最小距离积法初始化产生n个初始蜂群Zi={Zi1,Zi2...Zin}(i=1,2...n),其中每个蜜蜂Zin={z1,z2...zk}表示片段数据集的划分,zi表示一个包含d维主成分特征值的向量,此为该类的中心点,k为聚类数目。
对初始蜂群进行一次聚类划分后,并根据如下公式对每个蜜蜂进行适应度计算:
其中表示片段中数据点xim和xjm的相似度,即计算两两样本欧氏距离,距离越小则相似度越高,聚类效果更好。按照适应度大小排序,前50%作为引领蜂,后50%作为跟随蜂。引领蜂在搜索领域时会不断更新位置,公式如下:
vij=xij+rij(xij-xkj)k=1,2...n (3)
其中vij为xij附近产生一个的新位置,rij为[-1,1]之间的随机数。利用贪婪原则,计算适应度如更高则顶替原位置。当所有的引领蜂都完成位置搜索更新后,计算跟随蜂概率Pi:
计算得出概率后基于堵盘原则选择引领蜂,同样通过贪婪原则对引领蜂进行邻域搜索。当所有的跟随蜂都完成搜索后,得到最优解位置即聚类中心。将此中心作为k-means的初始聚类中心,并进行k-means迭代聚类,新的聚类中心更新蜂群,两种算法交替迭代,直到达到最大迭代次数。
进一步的,所述步骤(5)通过步骤(4)得出的聚类中心,提取距离中心最近点数据,选取其作为备选片段。通过计算各类片段的总时长占比,综合考虑最近邻点和时长占比将所有备选片段进行组合,得出完整的行驶工况曲线。
本发明的有益效果如下:考虑到电动车无怠速情况构建了运动学片段划分准则,同时针对现有工况构建方法在聚类分析的精度低问题,利用改进的k-means算法提高聚类中心的准确度和全局搜索能力,缩小代表性工况曲线与实际情况的精度误差。最后综合考虑最近邻和时间占比合成最后片段。
附图说明
图1为本发明总体行驶工况构建方法示意图;
图2为本发明改进聚类算法的示意图;
图3为采用本发明方法构建的行驶工况。
具体实施措施
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,本领域普通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。
如图1所示,本发明提出的一种新的电动汽车行驶工况构建方法,包括以下步骤:
步骤一:对电动汽车行驶数据进行采集实验,并对数据进行预处理。
采集车辆GPS车速数据,实验时间为起始时间开始24小时不间断测试,一个实验周期为周一到周日七天,试验为三个周期,数据能够真实全面的反应车辆的行驶状况;在测试过程中GPS信号可能由于车体的震动造成时间点上的数据缺失,对GPS信号缺失的数据进行标记,如果片段划分后包含标记则舍弃该片段;最后对车速数据进行平滑滤波处理,删除速度异常点。
步骤二:设定车速阈值,对运动学片段进行划分。
传统运动学片段是指汽车从一个怠速开始到下一个怠速所历经的状态变化过程,同时应该包含加速、减速、匀速和怠速状态。而电动汽车无怠速状态,因此按照车速对运动学片段进行划分。速度状态的划分如下:
以停止状态作为分割界限,对车速信号进行切割,车辆从一个停止状态到下一个停止状态为一个运动学片段同时保证时长不低于20s。当片段内存在所述步骤(1)标记的缺失信号时,则舍弃该片段。
步骤三:选取特征参数,并利用主成分分析法降维提取主要参数。
选取运行距离、运行总时间、平均速度、平均行驶速度、平均加速度、平均减速度、怠速时间比、加速时间比、减速时间比、匀速时间比、速度标准差、加速度标准差、减速度标准差作为特征参数,对每个片段进行特征参数计算统计。
虽然选取了十三个特征参数,但是由于特征参数之前具有相关性,同时特征参数过多容易导致聚类误差增大,因此通过主成分分析法对特征参数降维。首先由于特征参数的量纲不统一因此需要归一化,使各个指标都处于同一量纲级别。通过计算指标的相关性矩阵与主成分矩阵得出主成分贡献率与累计贡献率。提取累计贡献率超过85%的主要成分,根据表一可知选取前五个参数为主要成分。表1为部分主成分分析结果。
表1主成分特征值方差及累计贡献率
成分 | 特征值 | 方差贡献率 | 累计方差贡献率 |
1 | 6.446 | 49.582 | 49.582 |
2 | 2.513 | 19.329 | 68.911 |
3 | 1.871 | 6.701 | 75.612 |
4 | 0.786 | 6.049 | 81.661 |
5 | 0.729 | 5.610 | 87.271 |
… | … | … | … |
步骤四:采用基于人工蜂群的k-means算法对片段进行聚类。
对于利用人工蜂群算法最大最小距离积法初始化产生n个初始蜂群Zi={Zi1,Zi2...Zin}(i=1,2...n),其中每个蜜蜂Zin={z1,z2...zk}表示片段数据集的划分,zi表示一个包含d维主成分特征值的向量,此为该类的中心点,k为聚类数目。
对初始蜂群进行一次聚类划分后,并根据如下公式对每个蜜蜂进行适应度计算:
其中表示片段中数据点xim和xjm的相似度,即计算两两样本欧氏距离,距离越小则相似度越高,聚类效果更好。按照适应度大小排序,前50%作为引领蜂,后50%作为跟随蜂。引领蜂在搜索领域时会不断更新位置,公式如下:
vij=xij+rij(xij-xkj)k=1,2...n (3)
其中vij为xij附近产生一个的新位置,rij为[-1,1]之间的随机数。利用贪婪原则,计算适应度如更高则顶替原位置。当所有的引领蜂都完成位置搜索更新后,计算跟随蜂概率Pi:
计算得出概率后基于堵盘原则选择引领蜂,同样通过贪婪原则对引领蜂进行邻域搜索。当所有的跟随蜂都完成搜索后,得到最优解位置即聚类中心。将此中心作为k-means的初始聚类中心,并进行k-means迭代聚类,新的聚类中心更新蜂群,两种算法交替迭代,直到达到最大迭代次数。如图2所示。
通过以上聚类,当设定分类数k=4,初始蜂群n=100,最大迭代次数500次。分为四类道路严重堵车时候的运行状态、道路堵车时低速运行状态、道路畅通时一般运行状态以及高速运行状态。
步骤五:采用最近邻点法提取聚类后的各类代表性片段,并合成为标准的行驶工况曲线。
提取距离中心最近点数据,选取其作为备选片段。通过计算各类片段的总时长占比,综合考虑最近邻点和市场占比将所有备选片段进行组合,得出完整的行驶工况曲线。各类片段占全部数据的时间占比如表2所示。最终合成的工况曲线图3所示。
表2各类片段时间占比
运动学片段种类 | 第一类 | 第二类 | 第三类 | 第四类 |
时间占比/% | 5.7 | 16.8 | 50.6 | 26.9 |
对人工蜂群算法改进的k-means构成的结果与传统k-means得出的结果分别提取主要特征参数进行计算,发现人工蜂群改进的k-means总体误差更小,如表3所示。与原始数据对比,平均误差由原来的传统聚类的方法6.38%降为了4.13%,工况精度与有效性得到了较大的提高和改进。
表3主成分误差比较
特征参数 | 传统方法相对误差 | 改进方法相对误差 |
V<sub>m</sub> | 0.0490 | 0.0196 |
V<sub>s</sub> | 0.0528 | 0.0361 |
A<sub>m</sub> | 0.0932 | 0.107 |
A<sub>s</sub> | 0.3740 | 0.357 |
P<sub>a</sub> | 0.0600 | 0.0026 |
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处。综上所述,本说明书内容不应理解为对本发明的限制。
Claims (6)
1.一种新的电动汽车行驶工况构建方法,其特征在于包括以下步骤:
(1)对电动汽车行驶数据进行采集实验,并对数据进行预处理;
(2)设定车速阈值,对运动学片段进行划分;
(3)选取特征参数,并利用主成分分析法降维提取主要参数;
(4)采用基于人工蜂群的k-means算法对片段进行聚类;
(5)采用最近邻点法提取聚类后的各类代表性片段,并合成为标准的行驶工况曲线。
2.根据权利要求1所述的一种新的电动汽车行驶工况构建方法,其特征在于,所述步骤(1)具体包括以下步骤:
采集车辆GPS车速数据,实验时间为起始时间开始24小时不间断测试,一个实验周期为周一到周日七天,试验为三个周期,数据能够真实全面的反应车辆的行驶状况;在测试过程中GPS信号可能由于车体的震动造成时间点上的数据缺失,对GPS信号缺失数据进行标记,如果片段划分后包含标记则舍弃该片段;最后对车速数据进行平滑滤波处理,删除速度异常点。
4.根据权利要求1所述的一种新的电动汽车行驶工况构建方法,其特征在于,所述步骤(3)选取了13个特征参数:运行距离、运行总时间、平均速度、平均行驶速度、平均加速度、平均减速度、怠速时间比、加速时间比、减速时间比、匀速时间比、速度标准差、加速度标准差、减速度标准差。对参数标准化后利用主成分分析法计算得出各个主要参数的累计贡献率,提取累计贡献率超过85%的主要成分作为聚类分析的变量对象。
5.根据权利要求1所述的一种新的电动汽车行驶工况构建方法,其特征在于,所述步骤(4)中,利用所述步骤(3)中求取主要成分作为聚类算法的变量对象。对于利用人工蜂群算法最大最小距离积法初始化产生n个初始蜂群Zi={Zi1,Zi2...Zin}(i=1,2...n),其中每个蜜蜂Zin={z1,z2...zk}表示片段数据集的划分,zi表示一个包含d维主成分特征值的向量,此为该类的中心点,k为聚类数目。
对初始蜂群进行一次聚类划分后,并根据如下公式对每个蜜蜂进行适应度计算:
其中表示片段中数据点xim和xjm的相似度,即计算两两样本欧氏距离,距离越小则相似度越高,聚类效果更好。按照适应度大小排序,前50%作为引领蜂,后50%作为跟随蜂。引领蜂在搜索领域时会不断更新位置,公式如下:
vij=xij+rij(xij-xkj) k=1,2...n (3)
其中vij为xij附近产生一个的新位置,rij为[-1,1]之间的随机数。利用贪婪原则,计算适应度如更高则顶替原位置。当所有的引领蜂都完成位置搜索更新后,计算跟随蜂概率Pi:
计算得出概率后基于堵盘原则选择引领蜂,同样通过贪婪原则对引领蜂进行邻域搜索。当所有的跟随蜂都完成搜索后,得到最优解位置即聚类中心。将此中心作为k-means的初始聚类中心,并进行k-means迭代聚类,新的聚类中心更新蜂群,两种算法交替迭代,直到达到最大迭代次数。
6.根据权利要求1所述的一种新的电动汽车行驶工况构建方法,其特征在于,所述步骤(5)通过步骤(4)得出的聚类中心,提取距离中心最近点数据,选取其作为备选片段。通过计算各类片段的总时长占比,综合考虑最近邻点和市场占比将所有备选片段进行组合,得出完整的行驶工况曲线。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911098024.4A CN110866997A (zh) | 2019-11-12 | 2019-11-12 | 一种新的电动汽车行驶工况构建方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911098024.4A CN110866997A (zh) | 2019-11-12 | 2019-11-12 | 一种新的电动汽车行驶工况构建方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110866997A true CN110866997A (zh) | 2020-03-06 |
Family
ID=69653484
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911098024.4A Pending CN110866997A (zh) | 2019-11-12 | 2019-11-12 | 一种新的电动汽车行驶工况构建方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110866997A (zh) |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111693299A (zh) * | 2020-06-16 | 2020-09-22 | 安徽江淮汽车集团股份有限公司 | 动力测试行驶工况制定方法、装置、终端设备及存储介质 |
CN111724505A (zh) * | 2020-06-24 | 2020-09-29 | 北汽福田汽车股份有限公司 | 一种行驶工况构建方法及装置 |
CN111832225A (zh) * | 2020-07-07 | 2020-10-27 | 重庆邮电大学 | 一种构建汽车行驶工况的方法 |
CN111907342A (zh) * | 2020-07-31 | 2020-11-10 | 江苏理工学院 | 纯电动汽车的工况识别控制方法 |
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 |
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 |
CN113034210A (zh) * | 2021-04-28 | 2021-06-25 | 重庆大学 | 一种基于数据驱动场景下车辆行驶成本评价方法 |
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 |
CN113761722A (zh) * | 2021-08-18 | 2021-12-07 | 航天科工海鹰集团有限公司 | 一种基于pca的航天器多工况寿命预测方法 |
CN113984406A (zh) * | 2021-10-26 | 2022-01-28 | 长安大学 | 一种电动汽车安全快速检测的短时工况构建方法及系统 |
CN114550446A (zh) * | 2022-01-27 | 2022-05-27 | 江苏理工学院 | 城市高架道路的车辆行驶工况构建方法和系统 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106650917A (zh) * | 2017-01-03 | 2017-05-10 | 华南理工大学 | 一种基于并行化混沌蜂群算法的机械臂逆运动学求解方法 |
CN107067722A (zh) * | 2017-04-24 | 2017-08-18 | 中国汽车技术研究中心 | 一种新的车辆行驶工况构建方法 |
CN108198425A (zh) * | 2018-02-10 | 2018-06-22 | 长安大学 | 一种电动汽车行驶工况的构建方法 |
WO2018198890A1 (ja) * | 2017-04-27 | 2018-11-01 | パナソニックIpマネジメント株式会社 | 車載表示装置 |
CN109376473A (zh) * | 2018-11-23 | 2019-02-22 | 北汽福田汽车股份有限公司 | 车辆控制器、车辆及其续航里程的计算方法和装置 |
CN110263988A (zh) * | 2019-06-06 | 2019-09-20 | 东南大学 | 一种基于电厂脱硫系统的数据运行优化方法 |
-
2019
- 2019-11-12 CN CN201911098024.4A patent/CN110866997A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106650917A (zh) * | 2017-01-03 | 2017-05-10 | 华南理工大学 | 一种基于并行化混沌蜂群算法的机械臂逆运动学求解方法 |
CN107067722A (zh) * | 2017-04-24 | 2017-08-18 | 中国汽车技术研究中心 | 一种新的车辆行驶工况构建方法 |
WO2018198890A1 (ja) * | 2017-04-27 | 2018-11-01 | パナソニックIpマネジメント株式会社 | 車載表示装置 |
CN108198425A (zh) * | 2018-02-10 | 2018-06-22 | 长安大学 | 一种电动汽车行驶工况的构建方法 |
CN109376473A (zh) * | 2018-11-23 | 2019-02-22 | 北汽福田汽车股份有限公司 | 车辆控制器、车辆及其续航里程的计算方法和装置 |
CN110263988A (zh) * | 2019-06-06 | 2019-09-20 | 东南大学 | 一种基于电厂脱硫系统的数据运行优化方法 |
Non-Patent Citations (2)
Title |
---|
喻金平等: "基于改进人工蜂群算法的K均值聚类算法", 《计算机应用》 * |
贺思云等: "基于改进人工蜂群算法的k-means 聚类算法", 《贵州大学学报(自然科学版)》 * |
Cited By (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111693299B (zh) * | 2020-06-16 | 2021-07-20 | 安徽江淮汽车集团股份有限公司 | 动力测试行驶工况制定方法、装置、终端设备及存储介质 |
CN111693299A (zh) * | 2020-06-16 | 2020-09-22 | 安徽江淮汽车集团股份有限公司 | 动力测试行驶工况制定方法、装置、终端设备及存储介质 |
CN111724505A (zh) * | 2020-06-24 | 2020-09-29 | 北汽福田汽车股份有限公司 | 一种行驶工况构建方法及装置 |
CN111832225A (zh) * | 2020-07-07 | 2020-10-27 | 重庆邮电大学 | 一种构建汽车行驶工况的方法 |
CN111832225B (zh) * | 2020-07-07 | 2023-01-31 | 重庆邮电大学 | 一种构建汽车行驶工况的方法 |
CN111907342A (zh) * | 2020-07-31 | 2020-11-10 | 江苏理工学院 | 纯电动汽车的工况识别控制方法 |
CN112800549B (zh) * | 2021-03-04 | 2022-05-27 | 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 |
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 |
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 |
CN113034210A (zh) * | 2021-04-28 | 2021-06-25 | 重庆大学 | 一种基于数据驱动场景下车辆行驶成本评价方法 |
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 |
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 |
CN113761722A (zh) * | 2021-08-18 | 2021-12-07 | 航天科工海鹰集团有限公司 | 一种基于pca的航天器多工况寿命预测方法 |
CN113984406A (zh) * | 2021-10-26 | 2022-01-28 | 长安大学 | 一种电动汽车安全快速检测的短时工况构建方法及系统 |
CN113984406B (zh) * | 2021-10-26 | 2023-07-14 | 长安大学 | 一种电动汽车安全快速检测的短时工况构建方法及系统 |
CN114550446A (zh) * | 2022-01-27 | 2022-05-27 | 江苏理工学院 | 城市高架道路的车辆行驶工况构建方法和系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110866997A (zh) | 一种新的电动汽车行驶工况构建方法 | |
Lee et al. | Approaching the skyline in Z order. | |
CN106570178B (zh) | 一种基于图聚类的高维文本数据特征选择方法 | |
CN106682116B (zh) | 基于Spark内存计算大数据平台的OPTICS点排序聚类方法 | |
CN103218435B (zh) | 一种中文文本数据聚类方法及系统 | |
CN105930862A (zh) | 一种基于密度自适应距离的密度峰聚类算法 | |
US11971892B2 (en) | Methods for stratified sampling-based query execution | |
CN107291895B (zh) | 一种快速的层次化文档查询方法 | |
CN113051442A (zh) | 时间序列数据处理方法、装置和计算机可读存储介质 | |
CN110826618A (zh) | 一种基于随机森林的个人信用风险评估方法 | |
CN103324929B (zh) | 基于子结构学习的手写中文识别方法 | |
CN108074025B (zh) | 基于表面缺陷分布特征的钢卷表面缺陷判定方法 | |
CN113689594A (zh) | 一种新的汽车行驶工况构造方法 | |
CN111950589B (zh) | 结合K-means聚类的点云区域生长优化分割方法 | |
CN115293290A (zh) | 一种自动识别聚类数的层次聚类算法 | |
CN113222027A (zh) | 基于加权共享最近邻的自适应聚类中心密度峰值聚类算法 | |
CN113239321A (zh) | 一种基于过滤式和封装式层次递进的特征选择方法 | |
CN104778480A (zh) | 一种基于局部密度和测地距离的分层谱聚类方法 | |
CN109389172B (zh) | 一种基于无参数网格的无线电信号数据聚类方法 | |
CN114611604A (zh) | 一种基于电驱总成载荷特征融合与聚类的用户筛选方法 | |
CN111914930A (zh) | 一种基于自适应微簇融合的密度峰值聚类方法 | |
CN115035713B (zh) | 智慧交通碳排放监测系统和方法 | |
CN110909792A (zh) | 一种基于改进K-means算法和新聚类有效性指标的聚类分析方法 | |
CN115438727A (zh) | 基于改进象群算法的时间序列高斯分割方法 | |
CN116484244A (zh) | 基于聚类模型的自动驾驶事故发生机制分析方法 |
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 | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20200306 |
|
WD01 | Invention patent application deemed withdrawn after publication |