CN112200932A - 一种评估重型柴油车能耗的方法和设备 - Google Patents
一种评估重型柴油车能耗的方法和设备 Download PDFInfo
- Publication number
- CN112200932A CN112200932A CN202010918106.5A CN202010918106A CN112200932A CN 112200932 A CN112200932 A CN 112200932A CN 202010918106 A CN202010918106 A CN 202010918106A CN 112200932 A CN112200932 A CN 112200932A
- Authority
- CN
- China
- Prior art keywords
- energy consumption
- data
- vehicle
- characteristic data
- feature information
- 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
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computational Linguistics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Evolutionary Biology (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种评估重型柴油车能耗的方法和设备,该方法包括:根据车辆的点火开关信号和发动机状态信号确定当前行程内的行驶里程,基于CAN总线获取所述行驶里程内的车辆行驶数据,并对所述车辆行驶数据进行分类细化提取各基本特征信息,基于皮尔逊相关系数计算同类型所述基本特征信息的相关系数,随机剔除所述相关系数中大于预设阈值的一个所述基本特征信息,获取能耗特征数据;根据所述能耗特征数据和预设关系模型确定能耗评估结果,所述预设关系模型是基于神经网络根据多个样本数据进行训练获得的,所述样本数据包括具有对应关系的能耗特征数据和能耗,从而提高了重型柴油车能耗评估的准确性。
Description
技术领域
本申请涉及车辆技术领域,更具体地,涉及一种评估重型柴油车能耗的方法和设备。
背景技术
重型柴油车属于高能耗工程机械,能耗是衡量重型柴油车工作性能的重要参数,关系到客户运营成本,因此对燃油消耗进行系统科学的评估,发现异常油耗点,可以帮助客户有针对性的改进,降低设备整体能耗,提高经济效益,减少环境污染。
现有技术中,重型柴油车能耗通常是根据车速和档位进行计算,车辆能耗评估针对性差,评估数据不准确,经常会出现车辆能耗值大幅度跳变的情况。
因此,如何提高重型柴油车能耗评估的准确性,是目前有待解决的技术问题。
发明内容
本发明公开了一种评估重型柴油车能耗的方法,用以解决现有技术中重型柴油车能耗评估不准确的技术问题,包括:
根据车辆的点火开关信号和发动机状态信号确定当前行程内的行驶里程;
基于CAN总线获取所述行驶里程内的车辆行驶数据,并对所述车辆行驶数据进行分类细化提取各基本特征信息,所述车辆行驶数据包括车辆工况特征数据,道路环境特征数据和驾驶行为特征数据;
基于皮尔逊相关系数计算同类型所述基本特征信息的相关系数,随机剔除所述相关系数中大于预设阈值的一个所述基本特征信息,获取能耗特征数据;
根据所述能耗特征数据和预设关系模型确定能耗评估结果,所述预设关系模型是基于神经网络根据多个样本数据进行训练获得的,所述样本数据包括具有对应关系的能耗特征数据和能耗。
一些实施例中,所述预设关系模型基于生成对抗网络建立,所述生成对抗网络包括生成器和分类器,所述生成器和分类器均包括卷积神经网络和全连接层,在根据所述能耗特征数据和预设关系模型确定能耗评估结果之前,所述方法还包括:
在所述生成对抗网络结构中,将原始数据输入到生成器中,所述原始数据为所述样本数据的子集;
生成器接收输入数据,通过卷积神经网络输出对所述输入数据进行预测后获得的输出;
将生成器的输出与所述真实数据合并作为分类器的输入,用于分类器进行学习真实数据和生成数据,利用反向传播来提升训练精准度;
分类器的输出被返回用于训练生成器。
一些实施例中,所述生成器包括6个卷积层,将输入矩阵从低阶特征转换为对应的高阶特征;然后输入至4个全连接层中,用于学习数据的相互结构;最后再接6个转置卷积层,用于将数据恢复到低阶特征上;
所述分类器包括6个卷积层,将输入矩阵转换为对应的高阶特征;然后输入至3个全连接层,用于对结果进行分离。
一些实施例中,基于皮尔逊相关系数计算同类型所述基本特征信息的相关系数,具体为:
其中,X和Y表示同类型的两个所述基本特征信息,ρXY表示变量X和Y的相关系数,Cov(X,Y)代表变量X和Y的协方差,D(X)和D(Y)分别代表变量X和Y的方差,ρXY取值范围[-1,1],ρXY绝对值越接近1,则相关性越大,反之则越小。
一些实施例中,在基于皮尔逊相关系数计算同类型所述基本特征信息的相关系数之前,所述方法还包括:
对所述基本特征信息进行预处理,所述预处理包括缺失值处理、噪声数据平滑和离群点识别中的至少一个。
一些实施例中,所述车辆工况特征数据包括所述车辆车身长度、车龄、里程、能耗、发动机额定功率、发动机输出功率和车辆承载率;所述道路环境特征数据包括道路拥堵程度、上坡段比例、下坡段比例、天气温度;所述驾驶行为特征数据包括油门深度、怠速时长、换挡转速控制、刹车频率。
根据所述能耗特征数据和预设关系模型确定能耗评估结果,具体为:
将所述能耗特征数据输入所述预设关系模型,以使所述预设关系模型输出对应的能耗预测值;
根据所述能耗预测值确定所述能耗评估结果。
一些实施例中,在根据所述能耗预测值确定所述能耗评估结果之后,所述方法还包括:
根据所述能耗预测值和能耗评估需求确定能耗评估指标,所述能耗评估指标包括能耗预测值分别与交通条件、总行程里程、天气环境、道路条件和驾驶行为的关系特性指标。
相应的本发明还公开了一种评估重型柴油车能耗的设备,所述设备包括:
第一确定模块,用于根据车辆的点火开关信号和发动机状态信号确定当前行程内的行驶里程;
第一获取模块,用于基于CAN总线获取所述行驶里程内的车辆行驶数据,并对所述车辆行驶数据进行分类细化提取各基本特征信息,所述车辆行驶数据包括车辆工况特征数据,道路环境特征数据和驾驶行为特征数据;
第二获取模块,用于基于皮尔逊相关系数计算同类型所述基本特征信息的相关系数,随机剔除所述相关系数中大于预设阈值的一个所述基本特征信息,获取能耗特征数据;
第二确定模块,用于根据所述能耗特征数据和预设关系模型确定能耗评估结果,所述预设关系模型是基于神经网络根据多个样本数据进行训练获得的,所述样本数据包括具有对应关系的能耗特征数据和能耗。
相应的本发明还公开了一种计算机可读存储介质,所述计算机可读存储介质中存储有指令,当所述指令在终端设备上运行时,使得所述终端设备执行如上所述的评估重型柴油车能耗的方法。
与现有技术对比,本发明具有以下有益效果:
本发明公开了一种评估重型柴油车能耗的方法和设备,该方法包括:根据车辆的点火开关信号和发动机状态信号确定当前行程内的行驶里程;基于CAN总线获取所述行驶里程内的车辆行驶数据,并对所述车辆行驶数据进行分类细化提取各基本特征信息,所述车辆行驶数据包括车辆工况特征数据,道路环境特征数据和驾驶行为特征数据;基于皮尔逊相关系数计算同类型所述基本特征信息的相关系数,随机剔除所述相关系数中大于预设阈值的一个所述基本特征信息,获取能耗特征数据;根据所述能耗特征数据和预设关系模型确定能耗评估结果,所述预设关系模型是基于神经网络根据多个样本数据进行训练获得的,所述样本数据包括具有对应关系的能耗特征数据和能耗,从而提高了重型柴油车能耗评估的准确性,避免了车辆能耗值大幅度跳变的情况。
附图说明
为了更清楚地说明本申请实施例中的技术方案,下面将对实施例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申请的一些实施例,对于本领域技术人员来讲,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示出了本发明实施例提出的一种评估重型柴油车能耗的方法的流程示意图;
图2示出了本发明另一实施例提出的一种评估重型柴油车能耗的方法的流程示意图;
图3示出了本发明实施例提出的一种评估重型柴油车能耗的设备的结构示意图。
具体实施方式
下面将结合本申请实施例中的附图,对本申请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申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
如背景技术所述,现有技术中重型柴油车能耗通常是根据车速和档位进行计算,车辆能耗评估针对性差,评估数据不准确,经常会出现车辆能耗值大幅度跳变的情况。
为解决上述问题,本申请实施例提出了一种评估重型柴油车能耗的方法,基于CAN总线获取所述行驶里程内的车辆行驶数据,并对所述车辆行驶数据进行分类细化提取各基本特征信息,基于皮尔逊相关系数计算同类型所述基本特征信息的相关系数,随机剔除所述相关系数中大于预设阈值的一个所述基本特征信息,获取能耗特征数据;根据所述能耗特征数据和预设关系模型确定能耗评估结果,从而提高重型柴油车能耗评估的准确性。
如图1所示为本发明实施例提出的一种评估重型柴油车能耗的方法的流程示意图,包括以下步骤:
步骤S101,根据车辆的点火开关信号和发动机状态信号确定当前行程内的行驶里程。
具体的,驾驶行驶里程可以以发动机点火为行程开始的判断依据,发动机熄火为行程结束的判断依据,然后当前行程内的行驶里程等于行程结束时刻的里程减去行程开始时刻的里程。优选的,可以对发动机怠速启停作剔除处理,具体可由车辆行驶数据中的点火开关信号和发动机状态信号组合判断,判断过程可以为:当首次出现点火开关位于开启挡且发动机为运行状态时即为行程开始时刻,点火开关位于关闭挡且发动机状态为停止时即为行程结束时刻。上述判断方式可以避免单纯由发动机状态判断时,因怠速停机导致发动机停止状态而实际行程尚未结束造成的行程判断错误。此外,本实施例中也可以由点火开关信号与发动机转速信号联合判断,发动机转速小于怠速转速时相当于发动机停止状态。
步骤S102,基于CAN总线获取所述行驶里程内的车辆行驶数据,并对所述车辆行驶数据进行分类细化提取各基本特征信息,所述车辆行驶数据包括车辆工况特征数据,道路环境特征数据和驾驶行为特征数据。
具体的,CAN(Controller Area Network,控制器局域网络)是ISO国际标准化的串行通信协议,CAN总线是一种有效支持分布式控制或实时控制的串行通信网络,从CAN通过高频率(200ms/条)采集行驶里程内的车辆数据,通过计算程序识别自动分类为车辆工况特征数据、道路环境特征数据和驾驶行为特征数据,对其中的车辆工况特征数据、道路环境特征数据和驾驶行为特征数据进行细化提取各基本特征数据,例如对刹车期间的驾驶行为特征信息相关特征可以细化为刹车总时长、刹车平均时长、刹车总次数、刹车间隔中位数等基本特征数据。
为了准确提取车辆行驶数据的特征信息,在一些实施例中,所述车辆工况特征数据包括所述车辆车身长度、车龄、里程、能耗、发动机额定功率、发动机输出功率和车辆承载率;所述道路环境特征数据包括道路拥堵程度、上坡段比例、下坡段比例、天气温度;所述驾驶行为特征数据包括油门深度、怠速时长、换挡转速控制、刹车频率。
具体的,车身长度,车身的长度不同,对能耗的影响也不同,车龄越长,能耗可能越快,车辆的承载率,反映车辆行驶过程中载重量的利用程度,上坡、下坡路段的比例:每部车辆的行驶线路基本固定,统计每部车往返路线中上坡和下坡路段的比例;天气温度,在炎热的夏天通常需要使用空调,室外的气温会影响空调的功率,对每日气温(早上8点、中午12点、下午5点三个时间节点)记录;怠速时长,道路拥堵会造成客车较长时间的等待,怠速时长等可在一定程度上反映道路拥堵情况,油门深度、换挡转速控制和刹车频率除了和实际行驶路况有关,驾驶技术的不同也会导致这些特征数据不同。
需要说明的是,以上优选实施例的方案仅为本申请所提出的一种具体实现方案,其他对车辆行驶数据的特征信息的分类方法都属于本发明的保护范围。
步骤S103,基于皮尔逊相关系数计算同类型所述基本特征信息的相关系数,随机剔除所述相关系数中大于预设阈值的一个所述基本特征信息,获取能耗特征数据。
具体的,皮尔逊相关系数是用于度量两个变量之间的相关(线性相关),其值介于-1与1之间,系数的值为1意味着两个变量可以很好的由直线方程来描述,所有的数据点都很好的落在一条直线上,且一个变量随着另一个的增加而增加。系数的值为-1意味着所有的数据点都落在直线上,且一个变量随着另一个变量的增加而减少。系数的值为0意味着两个变量之间没有线性关系。通过皮尔逊相关系数计算同类型所述基本特征数据的相关系数,可以很好的反应出同类型所述基本特征数据之间存在线性关系的程度,设置一个预设阈值,将相关系数大于预设阈值的对应的基本特征数据随机剔除一组,利用皮尔逊相关系数对基本特征信息进行处理,可以排除同类型的相关性较大的某些基础特征信息,并进行剔除,避免在后续构建预设关系模型步骤中,由于相关性样本太多出现效果不佳精确度不稳定等问题。
为了准确的计算同类型所述基本特征信息的相关系数,在一些实施例中,基于皮尔逊相关系数计算同类型所述基本特征信息的相关系数,具体为:
其中,X和Y表示同类型的两个所述基本特征信息,ρXY表示变量X和Y的相关系数,Cov(X,Y)代表变量X和Y的协方差,D(X)和D(Y)分别代表变量X和Y的方差,ρXY取值范围[-1,1],ρXY绝对值越接近1,则相关性越大,反之则越小。
具体的,ρXY绝对值越接近1,则相关性越大,当ρXY=1时,表示变量X和Y可以很好的由直线方程来描述,所有的数据点都很好的落在一条直线上,变量X随着变量Y的增加而增加,当ρXY=-1时表示变量X和Y可以很好的由直线方程来描述,所有的数据点都很好的落在一条直线上,变量X随着变量Y的增加而减少,当ρXY=0时表示变量X和Y没有线性关系。
需要说明的是,以上优选实施例的方案仅为本申请所提出的一种具体实现方案,其他基于皮尔逊相关系数计算同类型所述基本特征信息的相关系数的方法都属于本发明的保护范围。
为了保证获得相对稳定的特征数据,在一些实施例中,在基于皮尔逊相关系数计算同类型所述基本特征信息的相关系数之前,所述方法还包括:
对所述基本特征信息进行预处理,所述预处理包括缺失值处理、噪声数据平滑和离群点识别中的至少一个。
具体的,基于提取到的基本特征信息的特征信息类型进行多减少增的缺失值处理,对缺失值较多的特征信息进行删除,同时对于缺失值较少的样本进行增加补录,对提取到道路环境特征数据和细化后的基本特征的特征信息数据进行异常值去噪声处理,将明显存在异常的数据进行剔除或取平均替换。通过预处理方式获得相对稳定、平衡、客观的特征信息。
需要说明的是,以上优选实施例的方案仅为本申请所提出的一种具体实现方案,其他对所述基本特征信息进行预处理的方法都属于本发明的保护范围。
步骤S104,根据所述能耗特征数据和预设关系模型确定能耗评估结果,所述预设关系模型是基于神经网络根据多个样本数据进行训练获得的,所述样本数据包括具有对应关系的能耗特征数据和能耗。
具体的,根据神经网络建立待处理关系模型,然后根据取得的多个样本数据对待处理关系模型进行训练,训练完成后得到预设关系模型,这里的样本数据包括具有对应关系的能耗特征数据和能耗,可以提前通过实验进行采集,最后根据所述能耗特征数据和预设关系模型确定能耗评估结果。
为了准确的建立预设关系模型,在一些实施例中,所述预设关系模型基于生成对抗网络建立,所述生成对抗网络包括生成器和分类器,所述生成器和分类器均包括卷积神经网络和全连接层,在根据所述能耗特征数据和预设关系模型确定能耗评估结果之前,所述方法还包括:
在所述生成对抗网络结构中,将原始数据输入到生成器中,所述原始数据为所述样本数据的子集;
生成器接收输入数据,通过卷积神经网络输出对所述输入数据进行预测后获得的输出;
将生成器的输出与所述真实数据合并作为分类器的输入,用于分类器进行学习真实数据和生成数据,利用反向传播来提升训练精准度;
分类器的输出被返回用于训练生成器。
具体的,生成对抗网络是一种深度学习模型,模型通过框架中(至少)两个模块:生成模型和判别模型的互相博弈学习产生相当好的输出。生成对抗网络中的生成器和分类器均为卷积神经网络与全连接层的结合。生成器利用卷积神经网络提取特征,经过全连接层对特征相互组合,通过反卷积层输出预测的结果,其输入为能耗特征数据,输出为对应的预测能耗值;分类器利用卷积神经网络提取特征,并且经过全连接层进行分类,判别输入为真实数据或是预测数据,其输出为一个布尔值。利用生成对抗网络的结构,可以提高能耗预测的精准度。在生成对抗网络结构中,原始数据被输入到生成器中;其中,所述原始数据为真实数据的子集,所述真实数据包括能耗特征数据和对应的能耗;生成器接收输入数据,通过卷积神经网络输出对所述输入数据进行预测后获得的输出;将生成器的输出与所述真实数据合并作为分类器的输入,用于分类器进行学习真实数据和生成数据,利用反向传播来提升训练精准度;分类器的输出被返回用于训练生成器。在预设关系模型中,生成器和分类器分开训练,分类器的损失函数为分类结果的交叉熵,而生成器的损失函数为生成器的输出与期望的误差的平方和,加上将该生成器的输出输入到分类器中过的结果,两者并不是直接相加,而是根据一定的权重相加,这样就达到了利用分类器的结果来训练生成器的目的。
需要说明的是,以上优选实施例的方案仅为本申请所提出的一种具体实现方案,其他基于生成对抗网络建立预设关系模型的方法都属于本发明的保护范围。
为了进一步准确的建立预设关系模型,在一些实施例中,所述生成器包括6个卷积层,将输入矩阵从低阶特征转换为对应的高阶特征;然后输入至4个全连接层中,用于学习数据的相互结构;最后再接6个转置卷积层,用于将数据恢复到低阶特征上;
所述分类器包括6个卷积层,将输入矩阵转换为对应的高阶特征;然后输入至3个全连接层,用于对结果进行分离。
具体的,生成器网络结构首先是6个卷积层,将128*128*1的输入矩阵转换为1*1*1024的高阶特征,输入到4个全连接层中,用于学习数据的相互结构,最后再接6个转置卷积层,用于将数据恢复到128*128*1的特征上。分类器网络结构首先是6个卷积层,将128*128*1的输入矩阵转换1*1*1024的高阶特征,其次输入到3个全连接层,用于对结果进行分离。
需要说明的是,以上优选实施例的方案仅为本申请所提出的一种具体实现方案,其他基于生成对抗网络建立预设关系模型的方法都属于本发明的保护范围。
为了准确的确定能耗评估结果,在一些实施例中,根据所述能耗特征数据和预设关系模型确定能耗评估结果,具体为:
将所述能耗特征数据输入所述预设关系模型,以使所述预设关系模型输出对应的能耗预测值;
根据所述能耗预测值确定所述能耗评估结果。
具体的,在建立好预设关系模型后,将采集处理后的能耗特征数据输入所述预设关系模型,得到对应的能耗预测值,根据得到的能耗预测值确定对应的能耗评估结果。
通过应用以上技术方案,根据车辆的点火开关信号和发动机状态信号确定当前行程内的行驶里程;基于CAN总线获取所述行驶里程内的车辆行驶数据,并对所述车辆行驶数据进行分类细化提取各基本特征信息,所述车辆行驶数据包括车辆工况特征数据,道路环境特征数据和驾驶行为特征数据;基于皮尔逊相关系数计算同类型所述基本特征信息的相关系数,随机剔除所述相关系数中大于预设阈值的一个所述基本特征信息,获取能耗特征数据;根据所述能耗特征数据和预设关系模型确定能耗评估结果,所述预设关系模型是基于神经网络根据多个样本数据进行训练获得的,所述样本数据包括具有对应关系的能耗特征数据和能耗,从而提高了重型柴油车能耗评估的准确性,同时根据所述能耗预测值和能耗评估需求确定能耗评估指标,进一步满足了用户对能耗评估的不同需求。
如图2所示为本发明另一实施例提出的一种评估重型柴油车能耗的方法的流程示意图,所述方法具体步骤如下:
步骤S201,根据车辆的点火开关信号和发动机状态信号确定当前行程内的行驶里程。
具体的,驾驶行驶里程可以以发动机点火为行程开始的判断依据,发动机熄火为行程结束的判断依据,然后当前行程内的行驶里程等于行程结束时刻的里程减去行程开始时刻的里程。
步骤S202,基于CAN总线获取所述行驶里程内的车辆行驶数据,并对所述车辆行驶数据进行分类细化提取各基本特征信息。
具体的,从CAN通过高频率(200ms/条)采集行驶里程内的车辆数据,通过计算程序识别自动分类为车辆工况特征数据、道路环境特征数据和驾驶行为特征数据,对其中的车辆工况特征数据、道路环境特征数据和驾驶行为特征数据进行细化提取各基本特征数据。
步骤S203,对所述基本特征信息进行预处理,所述预处理包括缺失值处理、噪声数据平滑和离群点识别中的至少一个。
具体的,基于提取到的基本特征信息的特征信息类型进行多减少增的缺失值处理,对缺失值较多的特征信息进行删除,同时对于缺失值较少的样本进行增加补录,对提取到道路环境特征数据和细化后的基本特征的特征信息数据进行异常值去噪声处理,将明显存在异常的数据进行剔除或取平均替换。
步骤S204,基于皮尔逊相关系数计算同类型所述基本特征信息的相关系数,随机剔除所述相关系数中大于预设阈值的一个所述基本特征信息,获取能耗特征数据。
具体的,通过皮尔逊相关系数计算同类型所述基本特征数据的相关系数,可以很好的反应出同类型所述基本特征数据之间存在线性关系的程度,设置一个预设阈值,将相关系数大于预设阈值的对应的基本特征数据随机剔除一组,利用皮尔逊相关系数的对基本特征信息进行处理,可以排除同类型的相关性较大的某些基础特征信息,并进行剔除,避免在后续构建随机森林回归模型步骤中,由于相关性样本太多出现效果不佳精确度不稳定等问题。
步骤S205,基于生成对抗网络建立预设关系模型,所述生成对抗网络包括生成器和分类器,所述生成器和分类器均包括卷积神经网络和全连接层。
具体的,生成对抗网络中的生成器和分类器均为卷积神经网络与全连接层的结合。生成器利用卷积神经网络提取特征,经过全连接层对特征相互组合,通过反卷积层输出预测的结果,其输入为能耗特征数据,输出为对应的预测能耗值;分类器利用卷积神经网络提取特征,并且经过全连接层进行分类,判别输入为真实数据或是预测数据,其输出为一个布尔值。利用生成对抗网络的结构,可以提高能耗预测的精准度。
步骤S206,根据所述能耗特征数据和预设关系模型确定能耗评估结果。
具体的,在得到预设关系模型,将能耗特征数据输入预设关系模型,得到对应的能耗预测值,根据所述能耗预测值确定能耗评估结果。
步骤S207,根据能耗预测值和能耗评估需求确定能耗评估指标。
具体的,能耗评估指标可以包括能耗预测值分别与交通条件关系特性指标、能耗预测值与总行驶里程关系特性指标、能耗预测值与天气环境关系特性指标、能耗预测值与道路条件关系特性指标和能耗预测值与驾驶行为关系特性指标。
例如当能耗评估指标为能耗预测值与交通条件关系特性指标,即能耗预测值与平均车速关系特性指标,由于车辆能耗与交通环境关系较大,一般来说低速行车能耗普遍高于较高速行车,城市拥堵工况相对于畅通道路条件所消耗能耗明显要高。优选的,通过云端计算的各行程内平均车速与能耗预测值,绘制所有车辆在所有行程下的平均车速与能耗预测值相对关系分布,具体绘制方式可以根据实际情况进行设定,例如采用a*x^b+c的幂逼近方式拟合出曲线来表征能耗水平与车速水平的特性关系,也可采用按划分速度区间计算区间内的能耗预测值方式绘制结果曲线表征能耗水平与车速水平的特性关系。
当能耗评估指标为能耗预测值与总行驶里程关系特性指标,由于能耗与总行驶里程的关系呈现浴盆曲线(在磨合期和生命周期末端能耗偏高,中间里程段能耗为正常水平),因此通过对总行驶里程按阶段划分来描述能耗与总行驶里程关系特性。具体操作如下:a.划分总行驶里程区间段w1∈[0,500],w2∈(500,1000],w3∈(1000,2000],…wn∈(50000,+∞)km,总里程区间划分具体可根据实际情况进行配置;b.根据划分区间,计算所有车辆在各区间内的能耗预测值;c.绘制拟合曲线,用于描述能耗与总行驶里程关系特性。
当能耗评估指标为能耗预测值与天气环境关系特性指标,即能耗预测值与环境温度关系特性指标,由于能耗与环境温度有较大相关性,当环境温度较低时,发动机热效率下降导致喷油量增加,乘员取暖需求会增加额外耗能,路面湿滑等因素也会导致能耗上升;环境温度较高时空调制冷需求是导致能耗上升的主要因素。为量化描述能耗与天气环境关系,需取同一地区(根据GPS经纬度定位到市级或更小范围)不同月份的相关数据,增加环境温度考量维度,绘制各环境温度下的能耗预测值平均车速特性关系曲线,也可以环境温度为横坐标,能耗预测值为纵坐标绘制二者关系曲线。
当能耗评估指标为能耗预测值与道路条件关系特性指标,即能耗预测值与爬坡率关系特性指标,以用户爬坡率数据进行分组,绘制能耗与爬坡率关系分布特性,并拟合关系曲线。
当能耗评估指标为能耗预测值与驾驶行为关系特性指标,即能耗预测值与急加速、急减速特性指标,对用户按照驾驶行为数据进行分组,以百公里行驶条件下的急加速、急减速次数为分组条件,分别绘制能耗与百公里急加速、急减速次数对应关系曲线,以拟合曲线作为评判依据。
通过应用以上技术方案,根据车辆的点火开关信号和发动机状态信号确定当前行程内的行驶里程,基于CAN总线获取所述行驶里程内的车辆行驶数据,并对所述车辆行驶数据进行分类细化提取各基本特征信息,对所述基本特征信息进行预处理,所述预处理包括缺失值处理、噪声数据平滑和离群点识别中的至少一个,基于皮尔逊相关系数计算同类型所述基本特征信息的相关系数,随机剔除所述相关系数中大于预设阈值的一个所述基本特征信息,获取能耗特征数据,基于生成对抗网络建立预设关系模型,所述生成对抗网络包括生成器和分类器,所述生成器和分类器均包括卷积神经网络和全连接层,根据所述能耗特征数据和预设关系模型确定能耗评估结果,根据能耗预测值和能耗评估需求确定能耗评估指标,所述能耗评估指标包括能耗预测值分别与交通条件、总行程里程、天气环境、道路条件和驾驶行为的关系特性指标,从而提高了重型柴油车能耗评估的准确性,避免了车辆能耗值大幅度跳变的情况。
与本申请实施例中的车辆主动安全控制方法相对应,本申请实施例还提出了一种车辆主动安全控制设备,如图3所示,所述设备包括:
第一确定模块301,用于根据车辆的点火开关信号和发动机状态信号确定当前行程内的行驶里程;
第一获取模块302,用于基于CAN总线获取所述行驶里程内的车辆行驶数据,并对所述车辆行驶数据进行分类细化提取各基本特征信息,所述车辆行驶数据包括车辆工况特征数据,道路环境特征数据和驾驶行为特征数据;
第二获取模块303,用于基于皮尔逊相关系数计算同类型所述基本特征信息的相关系数,随机剔除所述相关系数中大于预设阈值的一个所述基本特征信息,获取能耗特征数据;
第二确定模块304,用于根据所述能耗特征数据和预设关系模型确定能耗评估结果,所述预设关系模型是基于神经网络根据多个样本数据进行训练获得的,所述样本数据包括具有对应关系的能耗特征数据和能耗。
最后应说明的是:以上实施例仅用以说明本申请的技术方案,而非对其限制;尽管参照前述实施例对本申请进行了详细的说明,本领域的普通技术人员当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不驱使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围。
Claims (10)
1.一种评估重型柴油车能耗的方法,其特征在于,所述方法包括:
根据车辆的点火开关信号和发动机状态信号确定当前行程内的行驶里程;
基于CAN总线获取所述行驶里程内的车辆行驶数据,并对所述车辆行驶数据进行分类细化提取各基本特征信息,所述车辆行驶数据包括车辆工况特征数据,道路环境特征数据和驾驶行为特征数据;
基于皮尔逊相关系数计算同类型所述基本特征信息的相关系数,随机剔除所述相关系数中大于预设阈值的一个所述基本特征信息,获取能耗特征数据;
根据所述能耗特征数据和预设关系模型确定能耗评估结果,所述预设关系模型是基于神经网络根据多个样本数据进行训练获得的,所述样本数据包括具有对应关系的能耗特征数据和能耗。
2.如权利要求1所述的方法,其特征在于,所述预设关系模型基于生成对抗网络建立,所述生成对抗网络包括生成器和分类器,所述生成器和分类器均包括卷积神经网络和全连接层,在根据所述能耗特征数据和预设关系模型确定能耗评估结果之前,所述方法还包括:
在所述生成对抗网络结构中,将原始数据输入到生成器中,所述原始数据为所述样本数据的子集;
生成器接收输入数据,通过卷积神经网络输出对所述输入数据进行预测后获得的输出;
将生成器的输出与所述真实数据合并作为分类器的输入,用于分类器进行学习真实数据和生成数据,利用反向传播来提升训练精准度;
分类器的输出被返回用于训练生成器。
3.如权利要求2所述的方法,其特征在于,所述生成器包括6个卷积层,将输入矩阵从低阶特征转换为对应的高阶特征;然后输入至4个全连接层中,用于学习数据的相互结构;最后再接6个转置卷积层,用于将数据恢复到低阶特征上;
所述分类器包括6个卷积层,将输入矩阵转换为对应的高阶特征;然后输入至3个全连接层,用于对结果进行分离。
5.如权利要求1所述的方法,其特征在于,在基于皮尔逊相关系数计算同类型所述基本特征信息的相关系数之前,所述方法还包括:
对所述基本特征信息进行预处理,所述预处理包括缺失值处理、噪声数据平滑和离群点识别中的至少一个。
6.如权利要求1所述的方法,其特征在于,所述车辆工况特征数据包括所述车辆车身长度、车龄、里程、能耗、发动机额定功率、发动机输出功率和车辆承载率;所述道路环境特征数据包括道路拥堵程度、上坡段比例、下坡段比例、天气温度;所述驾驶行为特征数据包括油门深度、怠速时长、换挡转速控制、刹车频率。
7.如权利要求1所述的方法,其特征在于,根据所述能耗特征数据和预设关系模型确定能耗评估结果,具体为:
将所述能耗特征数据输入所述预设关系模型,以使所述预设关系模型输出对应的能耗预测值;
根据所述能耗预测值确定所述能耗评估结果。
8.如权利要求7所述的方法,其特征在于,在根据所述能耗预测值确定所述能耗评估结果之后,所述方法还包括:
根据所述能耗预测值和能耗评估需求确定能耗评估指标,所述能耗评估指标包括能耗预测值分别与交通条件、总行程里程、天气环境、道路条件和驾驶行为的关系特性指标。
9.一种评估重型柴油车能耗的设备,其特征在于,所述设备包括:
第一确定模块,用于根据车辆的点火开关信号和发动机状态信号确定当前行程内的行驶里程;
第一获取模块,用于基于CAN总线获取所述行驶里程内的车辆行驶数据,并对所述车辆行驶数据进行分类细化提取各基本特征信息,所述车辆行驶数据包括车辆工况特征数据,道路环境特征数据和驾驶行为特征数据;
第二获取模块,用于基于皮尔逊相关系数计算同类型所述基本特征信息的相关系数,随机剔除所述相关系数中大于预设阈值的一个所述基本特征信息,获取能耗特征数据;
第二确定模块,用于根据所述能耗特征数据和预设关系模型确定能耗评估结果,所述预设关系模型是基于神经网络根据多个样本数据进行训练获得的,所述样本数据包括具有对应关系的能耗特征数据和能耗。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质中存储有指令,当所述指令在终端设备上运行时,使得所述终端设备执行如权利要求1-8任一项所述的评估重型柴油车能耗的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010918106.5A CN112200932A (zh) | 2020-09-03 | 2020-09-03 | 一种评估重型柴油车能耗的方法和设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010918106.5A CN112200932A (zh) | 2020-09-03 | 2020-09-03 | 一种评估重型柴油车能耗的方法和设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112200932A true CN112200932A (zh) | 2021-01-08 |
Family
ID=74005925
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010918106.5A Pending CN112200932A (zh) | 2020-09-03 | 2020-09-03 | 一种评估重型柴油车能耗的方法和设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112200932A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112633781A (zh) * | 2021-03-08 | 2021-04-09 | 江苏海平面数据科技有限公司 | 一种基于车联网大数据的车辆能耗评价方法 |
CN112836301A (zh) * | 2021-02-19 | 2021-05-25 | 腾讯科技(深圳)有限公司 | 车辆能耗的预测方法和装置、存储介质及电子设备 |
CN113114408A (zh) * | 2021-04-06 | 2021-07-13 | 电子科技大学 | 一种生成式欺骗干扰信号生成评估方法及装置 |
CN113125645A (zh) * | 2021-04-12 | 2021-07-16 | 陕西延长石油(集团)有限责任公司 | 一种表征泡沫体系综合性能的新方法 |
CN113361792A (zh) * | 2021-06-21 | 2021-09-07 | 吉林大学 | 一种基于多元非线性回归的城市电动公交车行程能耗估计方法 |
CN114707037A (zh) * | 2022-03-22 | 2022-07-05 | 东风汽车集团股份有限公司 | 新能源车辆节能驾驶推荐方法、装置、设备及存储介质 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108681742A (zh) * | 2018-04-12 | 2018-10-19 | 上海交通大学 | 一种用于分析司机驾驶行为特征敏感性的分析方法 |
CN109552338A (zh) * | 2018-12-19 | 2019-04-02 | 北京理工新源信息科技有限公司 | 一种纯电动汽车生态驾驶行为评估方法及系统 |
CN109733248A (zh) * | 2019-01-09 | 2019-05-10 | 吉林大学 | 基于路径信息的纯电动汽车剩余里程模型预测方法 |
CN109747427A (zh) * | 2019-02-01 | 2019-05-14 | 广州小鹏汽车科技有限公司 | 估计电动车辆到达目的地时的剩余续驶能力的方法及设备 |
CN110298374A (zh) * | 2019-05-09 | 2019-10-01 | 清华大学 | 一种基于深度学习的驾驶轨迹能耗分析方法和装置 |
CN110705774A (zh) * | 2019-09-26 | 2020-01-17 | 汉纳森(厦门)数据股份有限公司 | 一种车辆能耗分析的预测方法和系统 |
-
2020
- 2020-09-03 CN CN202010918106.5A patent/CN112200932A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108681742A (zh) * | 2018-04-12 | 2018-10-19 | 上海交通大学 | 一种用于分析司机驾驶行为特征敏感性的分析方法 |
CN109552338A (zh) * | 2018-12-19 | 2019-04-02 | 北京理工新源信息科技有限公司 | 一种纯电动汽车生态驾驶行为评估方法及系统 |
CN109733248A (zh) * | 2019-01-09 | 2019-05-10 | 吉林大学 | 基于路径信息的纯电动汽车剩余里程模型预测方法 |
CN109747427A (zh) * | 2019-02-01 | 2019-05-14 | 广州小鹏汽车科技有限公司 | 估计电动车辆到达目的地时的剩余续驶能力的方法及设备 |
CN110298374A (zh) * | 2019-05-09 | 2019-10-01 | 清华大学 | 一种基于深度学习的驾驶轨迹能耗分析方法和装置 |
CN110705774A (zh) * | 2019-09-26 | 2020-01-17 | 汉纳森(厦门)数据股份有限公司 | 一种车辆能耗分析的预测方法和系统 |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112836301A (zh) * | 2021-02-19 | 2021-05-25 | 腾讯科技(深圳)有限公司 | 车辆能耗的预测方法和装置、存储介质及电子设备 |
CN112633781A (zh) * | 2021-03-08 | 2021-04-09 | 江苏海平面数据科技有限公司 | 一种基于车联网大数据的车辆能耗评价方法 |
CN113114408A (zh) * | 2021-04-06 | 2021-07-13 | 电子科技大学 | 一种生成式欺骗干扰信号生成评估方法及装置 |
CN113114408B (zh) * | 2021-04-06 | 2022-06-24 | 电子科技大学 | 一种生成式欺骗干扰信号生成评估方法及装置 |
CN113125645A (zh) * | 2021-04-12 | 2021-07-16 | 陕西延长石油(集团)有限责任公司 | 一种表征泡沫体系综合性能的新方法 |
CN113125645B (zh) * | 2021-04-12 | 2023-09-05 | 陕西延长石油(集团)有限责任公司 | 一种表征泡沫体系综合性能的新方法 |
CN113361792A (zh) * | 2021-06-21 | 2021-09-07 | 吉林大学 | 一种基于多元非线性回归的城市电动公交车行程能耗估计方法 |
CN114707037A (zh) * | 2022-03-22 | 2022-07-05 | 东风汽车集团股份有限公司 | 新能源车辆节能驾驶推荐方法、装置、设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112200932A (zh) | 一种评估重型柴油车能耗的方法和设备 | |
CN110610260B (zh) | 行车能耗预测系统、方法、存储介质和设备 | |
CN110728396B (zh) | 一种考虑时空分布的电动汽车充电负荷综合建模方法 | |
CN109552338B (zh) | 一种纯电动汽车生态驾驶行为评估方法及系统 | |
CN105389863B (zh) | 一种对车况进行评估的车况指数计算方法 | |
CN108001453B (zh) | 一种识别高能耗驾驶行为的方法及系统 | |
CN112703518B (zh) | 剩余里程预测的方法和电池远程服务的系统 | |
CN113064939A (zh) | 一种新能源车辆三电系统安全特征数据库构建方法 | |
CN110728772A (zh) | 一种有轨电车典型行驶工况构建方法 | |
Wang et al. | A hybrid energy management strategy based on line prediction and condition analysis for the hybrid energy storage system of tram | |
CN113064089A (zh) | 动力电池的内阻检测方法、装置、介质以及系统 | |
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 | |
JP2023063233A (ja) | 作業条件識別に基づく一車用エアコンのエネルギー消費量の予測方法および予測装置 | |
CN115091963A (zh) | 基于能耗特征与工况切分的氢燃料电池汽车能耗预估方法 | |
CN111239606A (zh) | 一种新能源汽车动力电池性能衰减检测方法 | |
CN108846571A (zh) | 一种网联化电动汽车宏观能量消耗估计方法 | |
Xu et al. | Research on estimation method of mileage power consumption for electric vehicles | |
CN113997925B (zh) | 一种插电式混合动力系统能量管理方法 | |
CN116014773A (zh) | 一种基于深度强化学习的两阶段电动汽车协调配网辅助服务的调度方法 | |
CN117408360A (zh) | 基于云域交互生成车辆管理策略的方法、装置及设备 | |
CN114840916A (zh) | 整车零部件热害性能测试工况的构建方法和热害对整车使用寿命影响程度的综合判定方法 | |
CN112507518B (zh) | 一种用户综合油耗计算方法和装置 | |
Lee et al. | Real-world driving pattern recognition for adaptive HEV supervisory control: Based on representative driving cycles in Midwestern US | |
CN113095126A (zh) | 道路交通态势识别方法、系统和存储介质 | |
CN114580789B (zh) | 一种基于充电行为的多类型电动汽车负荷预测方法及系统 |
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: 20210108 |
|
RJ01 | Rejection of invention patent application after publication |