CN111815948B - 基于工况特征的车辆行驶工况预测方法 - Google Patents
基于工况特征的车辆行驶工况预测方法 Download PDFInfo
- Publication number
- CN111815948B CN111815948B CN202010533947.4A CN202010533947A CN111815948B CN 111815948 B CN111815948 B CN 111815948B CN 202010533947 A CN202010533947 A CN 202010533947A CN 111815948 B CN111815948 B CN 111815948B
- Authority
- CN
- China
- Prior art keywords
- working condition
- vehicle
- condition
- data
- characteristic parameters
- 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
- 238000000034 method Methods 0.000 title claims abstract description 45
- 238000007621 cluster analysis Methods 0.000 claims abstract description 11
- 238000013528 artificial neural network Methods 0.000 claims description 14
- 238000012549 training Methods 0.000 claims description 11
- 238000004364 calculation method Methods 0.000 claims description 5
- 230000008859 change Effects 0.000 claims description 5
- 238000004422 calculation algorithm Methods 0.000 description 10
- 238000003064 k means clustering Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 230000011218 segmentation Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000007635 classification algorithm Methods 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000011217 control strategy Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000000446 fuel Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 230000002194 synthesizing effect Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
- G08G1/0125—Traffic data processing
- G08G1/0129—Traffic data processing for creating historical data or processing based on historical data
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
- G08G1/0137—Measuring and analyzing of parameters relative to traffic conditions for specific applications
Landscapes
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Traffic Control Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开一种基于工况特征的车辆行驶工况预测方法，包括对车辆历史工况数据进行特征参数提取，进行聚类分析，并建立工况特征参数数据库；根据车辆实际工况，构建工况特征数据与道路和交通特征参数关系，建立基于道路和交通的工况特征参数预测模型；根据确定的行车路线获取该路线的道路和交通特征参数，利用预测模型进行工况特征参数预测；将预测的工况特征参数与数据库中的工况特征参数进行比较，得出将要行驶的行车线路的工况。本发明能够根据本车规划路线上的道路和交通特征通过模型预测，保证了预测模型的普适性和准确性，同时能够反映道路和交通状况对车辆行驶状态的影响。
Description
技术领域
本发明涉及一种车辆行驶工况的预测方法，具体涉及一种基于工况特征的车辆行驶工况预测方法。
背景技术
行驶工况特性是车辆功率/能量管理的根本，现有传统汽车的功率/能量控制策略主要是依据标准行驶工况或瞬时工况预测进行设计，更多的是功率的瞬时或短时控制，无法满足全局能量管理的需求，具有较大的局限性。
智能交通和车联网技术的发展使在道路交通环境下行驶的汽车成为移动智能终端，车载大数据为更长更远的工况预测提供了可能。目前，汽车行驶工况预测主要为基于历史数据的工况预测，通过对历史数据进行统计学分析，利用统计学规律结合智能算法进行预测，然而这种方法是基于车辆自身的行驶工况特性，对短时间内的工况进行预测，在应用范围上有一定的局限性。如公布号为CN107527113A，名称为一种混合动力车辆行驶工况的工况预测方法的专利申请。该发明建立了一种车辆行驶工况的工况预测方法，该方法包括：用若干个历史数据点表示历史工况信息，对这些历史数据点进行函数曲线拟合，拟合得到的函数代表了短期内历史工况的变化趋势；然后利用这个函数在时间坐标上的差值结果，得到未来时域内的工况预测值。由于是基于汽车自身运行工况的历史信息的对未来工况进行预测，所以预测结果对于车辆自身特点的依赖度高。对于其他车辆，预测结果准确性往往难以保证。因此未来工况的预测结果存在适应性较差的问题。
发明内容
为了解决上述现有技术中存在的问题，本发明的目的在于提供一种能够根据车辆规划线路的道路和交通特征进行工况特征参数预测，并以预测的工况特征参数为基础进行未来工况预测的方法。所建立的预测模型具有适应性强，普适性较好，预测结果准确性高的特点。
本发明通过以下技术方案实现这一目的。
基于工况特征的车辆行驶工况预测方法，其特征在于，包括：
步骤1、对车辆历史工况数据进行特征参数提取，进行聚类分析，并建立工况特征参数数据库；
步骤2、根据车辆实际工况，构建工况特征数据与道路和交通特征参数关系，建立基于道路和交通的工况特征参数预测模型；
步骤3、根据确定的行车路线获取该路线的道路和交通特征参数，利用所述预测模型进行工况特征参数预测；
步骤4、将步骤3中预测得到的所述工况特征参数与步骤1数据库中的工况特征参数进行比较，得出将要行驶的行车线路的工况；具体是：
步骤401、构建工况数据训练样本集X，所述训练样本集为步骤1中聚类后的工况特征参数数据库；
步骤402、设定m的初值；
步骤402、在所述工况数据训练样本集中选出与待测样本距离最近的m个工况数据样本；样本之间的距离用欧氏距离表示，公式为：
其中，xi为样本x的第i个变量的变量值，yi为样本y的第i个变量的变量值；
步骤403、依次统计所述m个工况数据样本的所属工况类别，找出包含样本数量最多的工况类别；
步骤404、将待分数据Y划分到所述样本数量最多的工况类别中。
进一步，步骤1中所述对车辆历史工况数据进行特征参数提取之前，还包括根据要提取的特征参数对车辆行驶路段进行片段划分。
进一步，所述公况特征参数包括平均车速、平均减速度、怠速比例、速度标准差和最大车速。
进一步的，步骤1中采用k-means聚类分析方法对所述车辆历史工况数据特征进行聚类分析，具体为：
步骤101、输入包含n个数据对象的车辆历史工况数据集X＝{x1，x2，…，xn}，根据随机性原则，选取出车辆工况历史数据集中的k个有效的初始聚类中心C＝{c1，c2，…，ck}；
步骤102、计算其他n-k个数据对象到初始聚类中心C＝{c1，c2，…，ck}的距离，依据距离最短原则将其他所述数据对象归类到这k个簇中，获得k个初始聚类，距离计算公式为：
其中，xi为样本x的第i个变量的变量值，yi为样本y的第i个变量的变量值；
步骤103、判断样本是否到原来所在类的距离最近，如是则仍在原类，否则移动到和其距离最近的类；
步骤104、计算每个初始聚类中数据对象的平均值，得到每个簇的质心，作为新的聚类中心；
步骤105、计算所有数据对象到新聚类中心的距离，依据距离最短原则将数据对象重新归类；
步骤106、重复步骤101～步骤105，直到新形成的聚类中心不会改变或达到最大迭代次数，聚类完成。
进一步，所述道路和交通特征参数包括道路类型、车道数、限速和交通状况。
进一步，所述预测模型为BP神经网络预测模型。
进一步，步骤S3还包括，在车辆出发前，驾驶员选择好行车路线，通过大数据云服务端GIS/ITS模块计算所述行车路线上的道路特征信息和交通信息，然后传输给所述预测模型。
本发明与现有技术相比，有益效果如下：
(1)相比于依赖车辆自身运行一定周期的历史数据积累之后作出的工况预测，该工况预测方法采用的工况特征数据获取方法，能够根据本车规划路线上的道路和交通特征通过模型预测，保证了预测模型的普适性和准确性，以此为基础进行工况预测，其方法不再局限于车辆自身，还可以应用于其他车辆。
(2)该工况预测方法采用了道路与交通特征信息相融合的行驶工况特征数据获取方法，保证预测准确度的同时能够反映道路和交通状况对车辆行驶状态的影响。
(3)由于固定线路运行的新能源车辆在利用本方法进行行驶工况路段划分、工况特征数据获取时更为准确，因此该方法在固定线路运行和稳定场景行驶的新能源车辆应用时，工况预测更加准确。如采用混合动力系统的公交车辆、固定线路物流车、清扫作业车辆等，如经常用于上下班通勤的场景等。
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简单地介绍，显而易见地，下面描述中的附图仅仅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为本发明一实施例基于工况特征的车辆行驶工况预测方法流程图；
图2为基于工况特征的车辆行驶工况预测方法方案示意图；
图3为本实施例中采用的k-means聚类方法流程图；
图4为本实施例中采用的BP神经网络结构图；
图5为本实施例的工况特征预测和预测工况识别流程图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
实施例的基于工况特征的车辆行驶工况预测方法流程如图1所示，包括，
S1、对车辆历史工况数据进行特征参数提取，进行聚类分析，并建立工况特征参数数据库；
S2、根据车辆实际工况，构建工况特征数据与道路和交通特征参数关系，建立基于道路和交通的工况特征参数预测模型；
S3、根据确定的行车路线获取该路线的道路和交通特征参数，利用所述预测模型进行工况特征参数预测；
S4、将S3中预测得到的所述工况特征参数与S1中的数据库进行比较，得出将要行驶的行车线路的工况。
通常在步骤S1中，提取特征参数前还包括对采集的工况数据进行汽车行驶片段划分。一般情况下采集的工况数据为固定线路的车辆工况数据，划分方法为变步长法，由于城市道路和高速道路交通状况相差较大，所以本实施例根据道路和交通状况的采取动态运动学片段划分，在划分时将变长划分与定长划分相结合。
动态运动学片段划分分两步进行：
第一步借助于导航地图对车辆即将行驶的路线进行基本路段划分，原则上在一些重要节点或路段处进行道路分段。具体的，将2个相邻交叉口之间的道路认定为一条基本路段，多条相邻基本路段组成合并路段。利用主要交叉口进行合并，且考虑每个合并路段包含的交叉口个数。以车辆当前所在的基本路段开始依次编号；
第二步借助车联网数据细致到未来行驶路段上每条基本路段上的具体划分，当相邻的拥堵路段距离较近时，可以对其进行合并，并适当延长分段长度；当相邻的同状况路段超过一定距离时，可将其分割开来。对于高速或高架路段，由于车速较为稳定，采取定长法，即每800米为一段进行划分。而城市路段车速变化大，采取变长法划分，具体步骤如下：第一步，基本路段划分长度为100m；第二步，计算中每小段路区间平均车速，如果相邻小路段速度偏差不超过平均速度偏差范围v时合成一段，且区间平均车速取平均值；如果相邻小路段速度偏差超过平均速度偏差范围v时则不合为一段。依次比较决定子路段的组合，完成路段划分，即基本路段内子路段的划分。
在一些实施方式中，步骤S1提取的特征参数包括平均车速、平均减速度、怠速比例、速度标准差，最大车速等。车辆工况的特征参数是对循环工况特征的表示，原则上选取的特征参数数量越多，其描述工况特征信息的能力也就越强，但是会带来计算量加大的问题。反之，选取数量过少的话会导致工况信息描述不完善。因此在总结经验的基础上，选取以上几个特征参数作为优选的参数，当然并不是在所有情况下都选取上述参数，随着人工智能和计算机技术的进步，还可能出现其他可用的特征参数，本领域技术人员应当理解此处并非对特征参数作出了限定。
步骤S1中，采用k-means聚类分析方法对根据采集的数据特征进行聚类分析，建立工况特征参数数据库。k-means聚类分析法是一种非系统聚类法，优点在于这是一种算法简便，收敛快同时数据处理效率高的快速样本聚类法；k-means聚类需要事先给定分类的数目，从理论上来说，类别数越多，分类的结果也就越为精准，然而对于工况识别来讲，如果分类过多，将导致识别难度的增加，而对燃油经济性的提高却并不明显，参考前人所做工作和普通上班族的车辆行驶工况行驶特点，本实施例中选择k为5。所建工况数据库包括五类标准工况，分别为城市畅通工况，城市一般工况，城市拥堵工况，高速一般工况和高速拥堵工况；如图3所示，k-means聚类算法的计算步骤如下：
S101、输入包含n个数据对象的车辆历史工况数据集X＝{x1，x2，…，xn}，根据随机性原则，选取出车辆工况历史数据集中的k个有效的初始聚类中心C＝{c1，c2，…，ck}；
S102、计算其他n-k个数据对象到初始聚类中心C＝{c1，c2，…，ck}的距离，依据距离最短原则将其他所述数据对象归类到这k个簇中，获得k个初始聚类，距离计算公式为：
其中，xi为样本x的第i个变量的变量值，yi为样本y的第i个变量的变量值；
S103、判断样本是否到原来所在类的距离最近，如是则仍在原类，否则移动到和其距离最近的类；
S104、计算每个初始聚类中数据对象的平均值，得到每个簇的质心，作为新的聚类中心；
S105、计算所有数据对象到新聚类中心的距离，依据距离最短原则将数据对象重新归类；
S106、重复S101～S105，直到新形成的聚类中心不会改变或达到最大迭代次数，聚类完成。
具体的，步骤S2中的道路和交通特征参数为道路类型、车道数、限速、交通状况等。道路等级、车道数、限速能够很好的反映道路状况给车辆行驶工况的影响；交通状况用平均车速来表示，道路上的平均车速能够很好的反映交通拥挤程度。
步骤S2中，所述工况特征预测模型采用的是神经网络预测模型，具体的，所采用的神经网络为BP神经网络，BP神经网络结构如图4所示。所述BP神经网络的特征如下：
BP神经网络拓扑模型为三层的前馈神经网络，根据隐含层节点经验公式
确定隐含层节点数，其中m为输入层节点数目，n为输出层节点数目，a为0～10之间的常数，在此基础上进一步根据调试经验确定隐含层节点个数。输入层节点对应输入量，假设输入层节点为5个，那么输出层节点数为6个；BP神经网络的隐含层和输出层中的神经元的激活函数均采用tansig型的双曲正切传递函数，tansig函数的表达式为f(x)＝2/(1+exp(-2*x))-1。
神经网络归一化采用默认处理方式，其处理方式如下所示：
式中，xmin为数据系列中的最小数，xmax为序列中的最大数，ymin和ymax为指定的归一化范围。
本实施例中神经网络是输入为五组关于距离序列的量，具体的为道路类型X＝{x1，x2，...，xk}、车道数N＝{n1，n2，...，nk}、限速limits＝{v1，v2，...，vk}，交通状态S＝{s1，s2，...，sk}；所述神经网络输出为平均车速、平均减速度、怠速比例、速度标准差和最大车速等；
BP神经网络模型采用BP算法计算输入层、隐含层以及输出层的误差，并统计迭代次数。判断算法迭代是否结束，若迭代结束要满足以下条件之一，则迭代结束：条件1，达到迭代次数2000次；条件2，预测的误差降到目标误差值0.05以内；条件3，连续6次验证集误差不降低或者反而增加。
如图5所示，步骤S3还包括在车辆出发前，驾驶员选择好行车路线，通过大数据云服务端GIS/ITS模块来计算其确定路线上的道路特征信息和交通信息，将相关信息传输给路况预测模型，预测模型在训练完之后利用给出的输入数据，预测得到驾驶员选好的路线上的工况特征参数。
步骤S4中，根据步骤S3中预测出的工况特征参数，通过分类算法与工况数据库中的数据进行比较，将工况归类于工况数据库中的工况类型。相比其他算法，KNN是比较简单易用、简洁明了的算法；其次，KNN算法模型训练时间快、分类效果好、对异常值不敏感。因此本实施例采用KNN算法进行分类，具体算法如下：
S401、构建训练样本集x，该训练样本集为S1中聚类后的工况特征参数数据库；
S402、设定m的初值，KNN的原理是当预测一个新的值x的时候，根据它距离最近的m个点是什么类别来判断x属于哪个类别，因此所选m值对KNN分类性能影响较大，m值选的过大或过小都可能出现问题，且一般m值为奇数，以便进行分类，综合考虑设m值为5；
S403、在工况数据训练样本集中选出与待测样本最近的m个工况数据样本。样本之间的距离一般用欧氏距离来衡量，公式为：
其中，xi为样本x的第i个变量的变量值，yi为样本y的第i个变量的变量值；
S404、依次统计出这m个数据对象的所属工况类别，找出包含最多个数的类；
S405、将待分数据Y划分到包含最多个数的类所属的类工况中。
上述实施例仅用于说明本发明，其中方法的各实施步骤等都是可以有所变化的，凡是在本发明技术方案的基础上进行的等同变换和改进，均不应排除在本发明的保护范围之外。
Claims (7)
1.一种基于工况特征的车辆行驶工况预测方法，其特征在于，包括：
步骤1、对车辆历史工况数据进行特征参数提取，进行聚类分析，并建立工况特征参数数据库；
步骤2、根据车辆实际工况，构建工况特征数据与道路和交通特征参数关系，建立基于道路和交通的工况特征参数预测模型；
步骤3、根据确定的行车路线获取该路线的道路和交通特征参数，利用所述预测模型进行工况特征参数预测；
步骤4、将步骤3中预测得到的所述工况特征参数与步骤1数据库中的工况特征参数进行比较，得出将要行驶的行车线路的工况，具体是：
步骤401、构建工况数据训练样本集X，所述训练样本集为步骤1中聚类后的工况特征参数数据库；
步骤402、设定m的初值；
步骤402、在所述工况数据训练样本集中选出与待测样本距离最近的m个工况数据样本；样本之间的距离用欧氏距离表示，公式为：
其中，xi为样本x的第i个变量的变量值，yi为样本y的第i个变量的变量值；
步骤403、依次统计所述m个工况数据样本的所属工况类别，找出包含样本数量最多的工况类别；
步骤404、将待分数据Y划分到所述样本数量最多的工况类别中。
2.根据权利要求1所述的车辆行驶工况预测方法，其特征在于，步骤1中所述对车辆历史工况数据进行特征参数提取之前，还包括根据要提取的特征参数对车辆行驶路段进行片段划分。
3.根据权利要求1所述的车辆行驶工况预测方法，其特征在于，所述工况特征参数包括平均车速、平均减速度、怠速比例、速度标准差和最大车速。
4.根据权利要求1所述的车辆行驶工况预测方法，其特征在于，步骤1中采用k-means聚类分析方法对所述车辆历史工况数据特征进行聚类分析，具体为：
步骤101、输入包含n个数据对象的车辆历史工况数据集X＝{x1,x2,…,xn}，根据随机性原则，选取出车辆工况历史数据集中的k个有效的初始聚类中心C＝{c1,c2,…,ck}；
步骤102、计算其他n-k个数据对象到初始聚类中心C＝{c1,c2,…,ck}的距离，依据距离最短原则将其他所述数据对象归类到这k个簇中，获得k个初始聚类，距离计算公式为：
其中，xi为样本x的第i个变量的变量值，yi为样本y的第i个变量的变量值；
步骤103、判断样本是否到原来所在类的距离最近，如是则仍在原类，否则移动到和其距离最近的类；
步骤104、计算每个初始聚类中数据对象的平均值，得到每个簇的质心，作为新的聚类中心；
步骤105、计算所有数据对象到新聚类中心的距离，依据距离最短原则将数据对象重新归类；
步骤106、重复步骤101～步骤105，直到新形成的聚类中心不会改变或达到最大迭代次数，聚类完成。
5.根据权利要求1所述的车辆行驶工况预测方法，其特征在于，所述道路和交通特征参数包括道路类型、车道数、限速和交通状况。
6.根据权利要求1所述的车辆行驶工况预测方法，其特征在于，所述预测模型为BP神经网络预测模型。
7.根据权利要求1所述的车辆行驶工况预测方法，其特征在于，步骤S3还包括，在车辆出发前，驾驶员选择好行车路线，通过大数据云服务端GIS/ITS模块计算所述行车路线上的道路特征信息和交通信息，然后传输给所述预测模型。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010533947.4A CN111815948B (zh) | 2020-06-12 | 2020-06-12 | 基于工况特征的车辆行驶工况预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010533947.4A CN111815948B (zh) | 2020-06-12 | 2020-06-12 | 基于工况特征的车辆行驶工况预测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111815948A CN111815948A (zh) | 2020-10-23 |
| CN111815948B true CN111815948B (zh) | 2022-04-22 |
Family
ID=72846030
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010533947.4A Active CN111815948B (zh) | 2020-06-12 | 2020-06-12 | 基于工况特征的车辆行驶工况预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111815948B (zh) |
Families Citing this family (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112163285B (zh) * | 2020-11-03 | 2024-01-23 | 浙江天行健智能科技有限公司 | 一种用于模拟驾驶系统的路面类型预测模型的建模方法 |
| CN112785845B (zh) * | 2020-12-30 | 2022-11-01 | 桂林电子科技大学 | 一种基于K-means聚类与RBF神经网络的车速预测方法 |
| CN112668799A (zh) * | 2021-01-04 | 2021-04-16 | 南京航空航天大学 | 基于行驶大数据的phev的智能能量管理方法和存储介质 |
| CN113392374A (zh) * | 2021-06-03 | 2021-09-14 | 联合汽车电子有限公司 | 数据提取方法、车辆服务方法、车辆控制系统及存储介质 |
| CN114419877B (zh) * | 2021-12-15 | 2022-11-15 | 中国科学院深圳先进技术研究院 | 基于道路特征的车辆轨迹预测数据处理方法和装置 |
| CN115188205B (zh) * | 2022-07-04 | 2024-03-29 | 武汉理工大学 | 一种基于道路信息的汽车行驶工况修正方法 |
| CN116824860A (zh) * | 2023-08-22 | 2023-09-29 | 成都智达万应科技有限公司 | 一种城市智能交通的可视化显示方法、装置、设备及介质 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2010067180A (ja) * | 2008-09-12 | 2010-03-25 | Toshiba Corp | 交通状況予測システム |
| CN107463992A (zh) * | 2017-08-01 | 2017-12-12 | 北京理工大学 | 一种混合动力车辆行驶工况基于片段波形训练的工况预测方法 |
| CN110717147A (zh) * | 2019-10-10 | 2020-01-21 | 辽宁工程技术大学 | 一种构建汽车行驶工况的方法 |
-
2020
- 2020-06-12 CN CN202010533947.4A patent/CN111815948B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2010067180A (ja) * | 2008-09-12 | 2010-03-25 | Toshiba Corp | 交通状況予測システム |
| CN107463992A (zh) * | 2017-08-01 | 2017-12-12 | 北京理工大学 | 一种混合动力车辆行驶工况基于片段波形训练的工况预测方法 |
| CN110717147A (zh) * | 2019-10-10 | 2020-01-21 | 辽宁工程技术大学 | 一种构建汽车行驶工况的方法 |
Non-Patent Citations (3)
| Title |
|---|
| LI YuFang 等.Research on optimized GA-SVM vehicle speed prediction model based on driver-vehicle-road-traffic system.《Science China Technological Sciences 》.2018,第782-790页. * |
| 基于K-均值聚类算法的行驶工况构建方法;秦大同等;《吉林大学学报(工学版)》;20160331(第02期);全文 * |
| 聚类分析法在城市公交行驶工况开发中的应用;董恩源等;《昆明理工大学学报(自然科学版)》;20131015(第05期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111815948A (zh) | 2020-10-23 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111815948B (zh) | 基于工况特征的车辆行驶工况预测方法 | |
| CN108773279B (zh) | 一种电动汽车充电路径规划方法及装置 | |
| CN109927709B (zh) | 一种车辆行驶路线工况确定方法、能量管理方法及系统 | |
| CN108761509B (zh) | 一种基于历史数据的汽车行驶轨迹及里程预测方法 | |
| CN112820108B (zh) | 一种自学习的路网交通状态分析及预测方法 | |
| CN104331422A (zh) | 一种路段类型推测方法 | |
| CN108198425A (zh) | 一种电动汽车行驶工况的构建方法 | |
| CN104121918A (zh) | 一种实时路径规划的方法和系统 | |
| CN104272328A (zh) | 用于确定机动车的预期消耗值的方法 | |
| Tseng et al. | Personalized prediction of vehicle energy consumption based on participatory sensing | |
| CN110979342B (zh) | 一种用于车辆全局能量管理控制的工况信息获取方法 | |
| CN110889444B (zh) | 一种基于卷积神经网络的驾驶轨迹特征分类方法 | |
| CN113052405B (zh) | 基于物联网和人工智能的交通拥堵预测与优化方法 | |
| Smuts et al. | A critical review of factors influencing the remaining driving range of electric vehicles | |
| CN113436433B (zh) | 一种高效的城市交通离群值检测方法 | |
| CN112182962A (zh) | 一种混合动力汽车行驶车速预测方法 | |
| CN112406875B (zh) | 一种车辆能耗的分析方法和装置 | |
| CN113642768A (zh) | 一种基于工况重构的车辆行驶能耗预测方法 | |
| CN110097757B (zh) | 一种基于深度优先搜索的交叉口群关键路径识别方法 | |
| CN110264725B (zh) | 路段流量的确定方法及装置 | |
| Festa et al. | Experimental analysis of different simulation models for motorway traffic flow | |
| CN116597649A (zh) | 一种基于高速公路收费系统的路网交通流量推演方法 | |
| CN115938155A (zh) | 一种路侧停车位的智能检测方法 | |
| Cussigh et al. | An all-electric alpine crossing: Time-optimal strategy calculation via fleet-based vehicle data | |
| CN112382087B (zh) | 交通堵塞预测方法 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |