CN112885080B - 一种新能源汽车的行驶工况构建方法 - Google Patents
一种新能源汽车的行驶工况构建方法 Download PDFInfo
- Publication number
- CN112885080B CN112885080B CN202110032206.2A CN202110032206A CN112885080B CN 112885080 B CN112885080 B CN 112885080B CN 202110032206 A CN202110032206 A CN 202110032206A CN 112885080 B CN112885080 B CN 112885080B
- Authority
- CN
- China
- Prior art keywords
- kinematic
- speed
- ratio
- acceleration
- time
- 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
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
- G08G1/0125—Traffic data processing
-
- 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
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- 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
- G07C5/008—Registering or indicating the working of vehicles communicating information to a remotely located station
-
- 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
- G07C5/0841—Registering performance data
- G07C5/085—Registering performance data using electronic data carriers
-
- 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
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Control Of Driving Devices And Active Controlling Of Vehicle (AREA)
Abstract
本发明实施例提供了一种新能源汽车的行驶工况构建方法,以解决现有技术中构建的新能源汽车的行驶工况曲线准确性不高的问题。该方法包括:从车联网平台采集对新能源汽车的行驶数据;对行驶数据进行运动学片段划分,并选取用于描述运动学片段的特征参数;利用PCA算法对运动学片段数据进行第一次降维处理;利用t‑SNE降维算法对第一次降维处理后的运动学片段数据进行第二次降维处理;利用FCM算法对第二次降维处理后的运动学片段数据进行模糊聚类;提取模糊聚类后的各类代表性运动学片段,并合成为一条关于新能源汽车的标准行驶工况曲线。
Description
技术领域
本发明属于新能源汽车行驶工况分析领域,具体涉及一种基于新能源车联网的车辆行驶工况分析方法,为新能源汽车的研发提供理论支撑与依据。
背景技术
车辆行驶工况又称汽车运转循环,是对车辆的实际行驶状况进行调查,并对试验数据进行分析,运用多元统计理论建立的典型工况,用于代表某一类型车辆在特定交通环境下的行驶速度和时间历程。车辆行驶工况作用在于检测和评价车辆能量消耗、新车型的技术开发评估,动力匹配设计。
现有车辆行驶工况分析方法论研究普遍采用定义运动学片段基础上进行分析,包括运动学片段特征定义与计算、主成分分析算法、聚类算法,再进行运动学片段组合的方法,拟合出具有一定研究代表性的工况来反映实际道路的交通状况。
现有方法优点在于研究行驶工况的流程与思路相对成熟,不足之处包括:传统燃油车车端CAN线信号采集质量与频率不理想;因数据质量、频率与信号项维度受限,相应带来反应行驶工况特征也受限;新能源车辆由于整车架构与动力设备不同于传统燃油车,对驾驶行为、方式、行驶工况、交通路况等因素都产生较大的影响;试验路段与时机的选择会影响数据的效度,评价结果受异常情况数据影响大。
发明内容
本发明实施例提供了一种新能源汽车的行驶工况构建方法,以解决现有技术中构建的新能源汽车的行驶工况曲线准确性不高的问题。
本发明的技术方案为:
本发明实施例提供了一种新能源汽车的行驶工况构建方法,包括:
从车联网平台采集对新能源汽车的行驶数据;
对行驶数据进行运动学片段划分,并选取用于描述运动学片段的特征参数;
利用PCA算法对运动学片段数据进行第一次降维处理;
利用t-SNE降维算法对第一次降维处理后的运动学片段数据进行第二次降维处理;
利用FCM算法对第二次降维处理后的运动学片段数据进行模糊聚类;
提取模糊聚类后的各类代表性运动学片段,并合成为一条关于新能源汽车的标准行驶工况曲线。
优选地,对行驶数据进行运动学片段划分的步骤具体为:
按照预设规则将行驶数据划分为多个运动学片段;
再对所划分的运动学片段进行剔除与删除处理,并将剩余的运动学片段作为主成分分析对象;
其中,进行运动学片段划分时,所划分的任意一个运动学片段均满足:
行程起始点t1时刻Vt1=0,且行程起始点的前一秒车速Vt1-1>0;和
行程结束点t2时刻Vt2>0,且行程结束点的下一秒车速Vt2+1=0;
对于所划分的每个运动学片段,若其数据特征中包含有加速度>4m/s2、加速度<-4.5m/s2、怠速时间>900s、运行时间T<10s、或最大车速vmax<3.6km/h,则将对应的运动学片段进行剔除处理;以及
若所划分的运动学片段中的数据存在丢帧,则将对应的运动学片段删除处理。
优选地,选取用于描述运动学片段的特征参数的步骤中,
所选取的特征参数包括:用于分类的15个片段特征参数以及用于统计分析的13个片段特征参数;
用于分类的15个片段特征参数具体为:运行时间T、加速时间Ta、减速时间Td、匀速时间Tc、怠速时间Ti、运行距离S、最大速度vmax、平均速度vm、运行速度vmr、速度标准差vsd、最大加速度amax、加速段平均加速度aa、最大减速度amin、减速段平均减速度ad、加速度标准差asd;
用于统计分析的13个片段特征参数包括:0~10km/h速度段的比例P0-10、10~20km/h速度段的比例P10-20、20~30km/h速度段的比例P20-30、30~40km/h速度段的比例P30-40、40~50km/h速度段的比例P40-50、50~60km/h速度段的比例P50-60、60~70km/h速度段的比例P60-70、70~80km/h速度段的比例P70-80、80km/h速度段的比例P80、加速时间比例Pa、减速时间比例Pd、匀速时间比例Pc、怠速时间比例Pi。
优选地,用PCA算法对运动学片段数据进行第一次降维处理后得到的初始主成分包括七个,其中,根据PCA算法计算得到的各初始主成分与各所述特征参数的相关系数确定出:
第一初始主成分反映的特征参数包括:平均速度V_m、最大速度V_max、运行速度V_mr和速度标准差V_sd;
第二初始主成分反映的特征参数包括:怠速时间比例P_i和怠速时间T_i;
第三初始主成分反映的特征参数为:加速度标准差a_sd;
第四初始主成分反映的特征参数包括:40~50km/h速度段的比例P40-50、50~60km/h速度段的比例P50-60和60~70km/h速度段的比例P60-70;
第五初始主成分反映的特征参数包括:加速段平均加速度a_a、减速度段平均减速度a_d、最大加速度a_max和最大减速度a_min;
第六初始主成分反映的特征参数包括:10~20km/h速度段的比例P10-20、20~30km/h速度段的比例P20-30和30~40km/h速度段的比例P30-40;
第七初始主成分反映的特征参数包括:匀速时间比例P_c、匀速时间T_c、减速度段平均减速度a_d和30~40km/h速度段的比例P70-80。
优选地,利用t-SNE降维算法对第一次降维处理后的运动学片段数据进行第二次降维处理后得到的目标主成分为两个,其中,第一目标主成分反映的特征参数包括:平均速度vm、加速段平均加速度aa、最大加速度amax、最小加速度amin、减速时间比例Pd,第二目标主成分反映的特征参数包括:匀速时间比例Pc和怠速时间比例Pi。
本发明的有益效果为:
本方案中提供的方法面向于新能源汽车,车联网平台基于新能源车辆上携带的T-box设备来进行各新能源车辆的实际行车数据采集,车联网平台通过TSP通信协议采集车辆上更稳定、多维、高频的行驶工况相关的实际行车数据来进行;可以规避针对性的试验道路数据,采用大数据多样本方式做整体规律的推断;建立更多维的行驶工况特征;保留PCA过程用于解释特征贡献度的同时,在此基础上做t-SNE降维,在低维空间中采用了t分布替换原来的高斯分布,解决了高维空间映射到低维空间所产生的拥挤问题,优化了过于关注局部特征而忽略全局特征的问题,将更有利于提高聚类效果,简化计算,使行驶工况的构建可行性更好。
附图说明
图1是本发明实施例中方法的流程示意图;
图2为本发明实施例中构件的行驶工况曲线示意图。
具体实施方式
参照图1,本实施例提供了一种新能源汽车的行驶工况构件方法,其包括:
S1、新能源汽车数据采集
车辆上装设的T-box设备通过TPS通信协议将车端的行驶工况相关数据上传到车辆网平台上。本实施例中,选取重庆市某新能源车型车辆作为分析的对象,由于采集到的城市行驶工况数据速度的90%以上分布主要在0-80km/h之间,根据最终聚类分析结果,可将该城市行车工况分为低速和中速两种。
S2、对采集到的原始数据运动学片段划分
对于选取好的数据样本,按照以下规则进行运动学片段划分:
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运动学片段,通常由一个怠速部分和一个行驶部分构成;
短行程起始点t1时刻Vt1=0,且前一秒车速Vt1-1>0;
短行程结束点t2时刻Vt2>0,且下一秒车速Vt2+1=0;
运动学片段筛选,对于每个运动学片段,如果包含如下数据特征,应进行剔除:
加速度大于4m/s2,或者加速度小于-4.5m/s2;
怠速时间超过900s;
运行时间小于10s;
最大车速小于3.6km/h;
如果片段中的数据不是连续每秒的时间,则删除;
具体为:
城市 | 数据条数 | 去重后数据条数 | 运动学片段个数 |
重庆 | 1208117 | 1208117 | 1493 |
S3、进行特征参数选取与主成分分析
运动学片段的特征参数设计,其中,选择用于分类的15个片段特征参数,如表1:
表1
以及选择用于统计分析的13个片段特征值,如表2:
特征参数 | 特征参数的含义 | 单位 |
P<sub>0-10</sub> | 0~10km/h速度段的比例 | % |
P<sub>10-20</sub> | 10~20km/h速度段的比例 | % |
P<sub>20-30</sub> | 20~30km/h速度段的比例 | % |
P<sub>30-40</sub> | 30~40km/h速度段的比例 | % |
P<sub>40-50</sub> | 40~50km/h速度段的比例 | % |
P<sub>50-60</sub> | 50~60km/h速度段的比例 | % |
P<sub>60-70</sub> | 60~70km/h速度段的比例 | % |
P<sub>70-80</sub> | 70~80km/h速度段的比例 | % |
P<sub>80</sub> | 80km/h以上速度段的比例 | % |
P<sub>a</sub> | 加速时间比例 | % |
P<sub>d</sub> | 减速时间比例 | % |
P<sub>c</sub> | 匀速时间比例 | % |
P<sub>i</sub> | 怠速时间比例 | % |
表2
其中,主成分分析PCA进行降维处理,PCA的目标是用一组较少的不相关的变量代替大量的相关变量,同时尽可能保留初始变量的信息,这些推导所得变量称为主成分,它们是观测变量的线性组合。
主成分分析对一组变量进行线性组合,得到“成分”,这些成分捕捉了数据中的线性关系。第一个成分尽可能多的捕捉变量中的方差,第二个成分尽可能多的捕捉第一个成分未解释的方差。持续这个过程直到成分的数量和变量一样多。
通过这个过程得到新的成分,只使用其中部分成分用于分析,以便降低数据的复杂度,使用的这部分成分能够解释原数据中大部分方差。
对选取的描述运动片段的28个特征参数进行主成分分析,计算每个主成分的方差、贡献率以及其累计贡献率。
然后,选出累积贡献率达到80%的前n个主成分,作为分析对象的初始主成分(前n个主成分作为T-SNE降维方法进一步降维处理的分析对象);
然后,计算m个运动学片段(m=1493)在n个初始主成分上的值。
其中,通过主成分分析法来计算前n个初始主成分的值的具体计算方式可以参照“CN110717147A”的专利申请文件中的方式来计算n的具体数值是多少。
本实施例中,运用SPSS软件对所有运动学片段的特征参数值做主成分分析,分析后得到各主成分的特征值(如表3)以及贡献率,进一步地得到累计贡献率超过80%的初始主成分一共有7个(即n=7)。其中,本实施例中,经过主成分分析得到的7个初始主成分的贡献率分别为:[0.37478153、0.13647125、0.102283088、0.06468105、0.05172157、0.04303252、0.03656549];并且,经过主成分分析得到的7个初始主成分的特征值均大于1,7个初始主成分的特征值分别为:[10.11910135、3.68472388、3.31643373、1.74638837、1.39648234、1.16187811、0.9872683],所以选择前7个初始主成分进行进一步分析。
表3
经过主成分分析,可以得到如下结论:
第一初始主成分中,速度对应的特征值较大,代表“速度特征”:
v<sub>m</sub> | 0.30719696525988993 |
v<sub>max</sub> | 0.2992253211700721 |
v<sub>mr</sub> | 0.29446020335690065 |
v<sub>sd</sub> | 0.28956514858995513 |
第二初始主成分中,怠速对应的时间和比例特征值较大,代表“怠速特征”:
P<sub>i</sub> | 0.4065180527576506 |
T<sub>i</sub> | 0.3186292122675042 |
第三初始主成分中,加速度方差的特征值绝对值最大,代表“加速度特征”:
a<sub>sd</sub> | 0.42927627273884617 |
第四初始主成分中,中高速比例的特征值最大,代表“车速在40-70km/h的中速特征”:
P<sub>40-50</sub> | 0.5064837408656592 |
P<sub>50-60</sub> | 0.5831457435154114 |
P<sub>60-70</sub> | 0.4354272792595347 |
第五初始主成分中,加速度对应的特征值较大,代表“加速度特征”:
a<sub>a</sub> | 0.37463092977178486 |
a<sub>d</sub> | 0.37199182630471817 |
a<sub>max</sub> | 0.4992281560567222 |
a<sub>min</sub> | 0.3882631132049613 |
第六初始主成分中,车速在30-40km/h速度段的比例的特征值较大,代表“车速在10-40km/h的低速特征”:
P<sub>0-10</sub> | 0.205071679 |
P<sub>20-30</sub> | -0.243748167 |
P<sub>30-40</sub> | -0.4820356096915985 |
第七初始主成分中,匀速与速度在70-80的特征值较大,代表“速度在70-80km/h的高速特征”:
P<sub>c</sub> | -0.4753866948655999 |
T<sub>c</sub> | -0.36073075490108475 |
a<sub>d</sub> | 0.36586683548369314 |
P<sub>70-80</sub> | 0.3759475643516539 |
经过上述的PCA算法进行第一次降维处理后,输出运动学片段矩阵T。
S4、对第一次降维处理后得到的运动学片段矩阵T通过t-SNE降维方法进行第二次降维处理。
具体来说,根据得出的7个初始主成分,做t-SNE降维处理。
t-SNE的核心是基于具有多个特征的数据点的相似性识别观察到的簇来在数据中找到模式;将欧氏距离转化为条件概率来表征点间相似度;使用梯度下降算法来使低维分布来拟合高维分布,最终将高维降低到二维或三维。
首先,将经过PCA算法的输出的运动学片段集矩阵作为T-SNE算法的输入矩阵,;
通过计算经过PCA算法的输出的运动学片段集矩阵中的任意两个运动学片段xi和xj之间的相似性条件概率pi|j和pj|i;其中,
其中,xi和xj分别为第一次降维处理后得到的运动学片段矩阵中的任意两个运动学片段,σi表示经过PCA算法的输出的运动学片段集矩阵中以运动学片段xi为中心点的高斯分布的方差,σj表示经过PCA算法的输出的运动学片段集矩阵中以运动学片段xj为中心点的高斯分布的方差;
计算高维空间内运动学片段联合概率pij;
m为运动学片段的个数。
计算低维空间内运动学片段联合概率qij;
yi表示高维空间内运动学片段xi对应的低维空间内的点,yj表示高维空间内运动学片段xj对应的低维空间内的点;
计算pij和qij的KL距离作为代价函数C:
利用代价函数C对yi求梯度,通过公式:
使用随机梯度下降法进行训练,输出结果。
本实施例中,依据t-SNE方法再次降维处理得到三个目标主成分,并可以获得三个目标主成分与13个特征参数各自的相关系数,基于获得的三个目标主成分与13个特征参数各自的相关系数,进一步得出:第一目标主成分主要反映了平均速度vm、加速段平均加速度aa、最大加速度amax、最小加速度amin、减速时间比例Pd;第二目标主成分主要反映了匀速时间比例Pc和怠速时间比例Pi;第三目标主成分主要反映了加速段平均加速度aa;由于第一目标主成包含了第三目标主成分内容,所以选取第一目标主成分、第二目标主成分里选取具有代表性的6个特征参数用于进行聚类分析。
S5、聚类分析
本实施例中,使用FCM聚类方法对第二次降维处理后得到的运动学片段数据进行聚类分析,FCM聚类是一种基于目标函数的聚类算法,在FCM聚类方法中,每个数据点按照一定的模糊隶属度隶属于某一聚类中心,该方法首先选取若干聚类中心,迭代过程以极小化所有数据点到各聚类中心的距离与隶属度值的加权和为优化目标。经过FCM算法处理后,输出一个m*c的隶属度矩阵,其中,该隶属度矩阵包含m行c列,表示总共包含c个聚类,m个运动学片段,隶属度矩阵中每个元素表示第m个运动学片段对于第x个聚类(x=1,2…c)的隶属度的值。基于该隶属度矩阵便可以根据隶属度的数值对运动学片段进行多种方式的聚类。
基于实际经验将道路特征划分为3个类别(即进行FCM聚类的聚类个数为3),分别低速(加、减速频繁)、中速(加、减速正常)、高速状态相对应。
结果得知1493个运动学片段被分成3类,并可以根据这1493个运动学片段对于3个聚类的隶属度矩阵,确定每一类别所对应的运动学片段有哪些。
S6、进行运动学片段组合
将三个类别(低速、中速和高速)中的运动学片段分别组合成运动学片段族,三个运动学片段族表示三类交通特征,再将各运动学片段族的综合特征参数值和各运动学片段的特征参数值分别以G和H表示,则可根据RG,H=Cov(G,H)/(σG*σH)计算二者的相关系数R。其中,相关系数R越接近于1,说明运动学片段与该族的线性相关越显著,其数据就更具有代表性,更能反映该运动学片段族的车辆实际行驶工况。最后,按照各类别动学片段的时间长度比分别在三类运动学片段组中分别选取合适的运动学片段,组合形成如图2所示的最终具有代表性的行驶工况曲线。
Claims (4)
1.一种新能源汽车的行驶工况构建方法,其特征在于,包括:
从车联网平台采集对新能源汽车的行驶数据;
对行驶数据进行运动学片段划分,并选取用于描述运动学片段的特征参数;
利用PCA算法对运动学片段数据进行第一次降维处理;
利用t-SNE降维算法对第一次降维处理后的运动学片段数据进行第二次降维处理;
利用FCM算法对第二次降维处理后的运动学片段数据进行模糊聚类;
提取模糊聚类后的各类代表性运动学片段,并合成为一条关于新能源汽车的标准行驶工况曲线;
选取用于描述运动学片段的特征参数的步骤中,
所选取的特征参数包括:用于分类的15个片段特征参数以及用于统计分析的13个片段特征参数;
用于分类的15个片段特征参数具体为:运行时间T、加速时间Ta、减速时间Td、匀速时间Tc、怠速时间Ti、运行距离S、最大速度vmax、平均速度vm、运行速度vmr、速度标准差vsd、最大加速度amax、加速段平均加速度aa、最大减速度amin、减速段平均减速度ad、加速度标准差asd;
用于统计分析的13个片段特征参数包括:0~10km/h速度段的比例P0-10、10~20km/h速度段的比例P10-20、20~30km/h速度段的比例P20-30、30~40km/h速度段的比例P30-40、40~50km/h速度段的比例P40-50、50~60km/h速度段的比例P50-60、60~70km/h速度段的比例P60-70、70~80km/h速度段的比例P70-80、80km/h速度段的比例P80、加速时间比例Pa、减速时间比例Pd、匀速时间比例Pc、怠速时间比例Pi;
利用PCA算法对运动学片段数据进行第一次降维处理后得到的初始主成分包括七个,其中,根据PCA算法计算得到的各初始主成分与各所述特征参数的相关系数确定出:
第一初始主成分反映的特征参数包括:平均速度V_m、最大速度V_max、运行速度V_mr和速度标准差V_sd;
第二初始主成分反映的特征参数包括:怠速时间比例P_i和怠速时间T_i;
第三初始主成分反映的特征参数为:加速度标准差a_sd;
第四初始主成分反映的特征参数包括:40~50km/h速度段的比例P40-50、50~60km/h速度段的比例P50-60和60~70km/h速度段的比例P60-70;
第五初始主成分反映的特征参数包括:加速段平均加速度a_a、减速度段平均减速度a_d、最大加速度a_max和最大减速度a_min;
第六初始主成分反映的特征参数包括:10~20km/h速度段的比例P10-20、20~30km/h速度段的比例P20-30和30~40km/h速度段的比例P30-40;
第七初始主成分反映的特征参数包括:匀速时间比例P_c、匀速时间T_c、减速度段平均减速度a_d和70~80km/h速度段的比例P70-80。
2.根据权利要求1所述的方法,其特征在于,对行驶数据进行运动学片段划分的步骤具体为:
按照预设规则将行驶数据划分为多个运动学片段;
再对所划分的运动学片段进行剔除与删除处理,并将剩余的运动学片段作为主成分分析对象;
其中,进行运动学片段划分时,所划分的任意一个运动学片段均满足:
行程起始点t1时刻Vt1=0,且行程起始点的前一秒车速Vt1-1>0;和
行程结束点t2时刻Vt2>0,且行程结束点的下一秒车速Vt2+1=0。
3.根据权利要求2所述的方法,其特征在于,对所划分的运动学片段进行剔除与删除处理的步骤具体为:
对于所划分的每个运动学片段,若其数据特征中包含有加速度>4m/s2、加速度<-4.5m/s2、怠速时间>900s、运行时间T<10s、或最大车速vmax<3.6km/h的数据特征,则将对应的运动学片段进行剔除处理;
若所划分的运动学片段中的数据存在丢帧,则将对应的运动学片段删除处理。
4.根据权利要求1所述的方法,其特征在于,利用t-SNE降维算法对第一次降维处理后的运动学片段数据进行第二次降维处理后得到的目标主成分为两个,其中,第一目标主成分反映的特征参数包括:平均速度vm、加速段平均加速度aa、最大加速度amax、最小加速度amin、减速时间比例Pd,第二目标主成分反映的特征参数包括:匀速时间比例Pc和怠速时间比例Pi。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110032206.2A CN112885080B (zh) | 2021-01-11 | 2021-01-11 | 一种新能源汽车的行驶工况构建方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110032206.2A CN112885080B (zh) | 2021-01-11 | 2021-01-11 | 一种新能源汽车的行驶工况构建方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112885080A CN112885080A (zh) | 2021-06-01 |
CN112885080B true CN112885080B (zh) | 2022-06-21 |
Family
ID=76044137
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110032206.2A Active CN112885080B (zh) | 2021-01-11 | 2021-01-11 | 一种新能源汽车的行驶工况构建方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112885080B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
FR2807856A1 (fr) * | 2000-04-12 | 2001-10-19 | Peugeot Citroen Automobiles Sa | Procede d'aide a la conduite d'un vehicule automobile |
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 |
CN108596208A (zh) * | 2018-03-21 | 2018-09-28 | 上海交通大学 | 一种用于全工况道路的车辆驾驶循环构建方法 |
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 |
CN112016581A (zh) * | 2019-05-31 | 2020-12-01 | 北京京东尚科信息技术有限公司 | 一种多维数据处理方法、装置、计算机设备及存储介质 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
US11181922B2 (en) * | 2019-03-29 | 2021-11-23 | Zoox, Inc. | Extension of autonomous driving functionality to new regions |
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 |
CN110990498A (zh) * | 2020-03-04 | 2020-04-10 | 杭州信雅达数码科技有限公司 | 一种基于fcm算法的数据融合方法 |
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 |
CN111984707A (zh) * | 2020-08-21 | 2020-11-24 | 重庆大数据研究院有限公司 | 一种营运车辆多模式跨界大数据的多层次深度融合挖掘方法 |
-
2021
- 2021-01-11 CN CN202110032206.2A patent/CN112885080B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
FR2807856A1 (fr) * | 2000-04-12 | 2001-10-19 | Peugeot Citroen Automobiles Sa | Procede d'aide a la conduite d'un vehicule automobile |
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 |
CN108596208A (zh) * | 2018-03-21 | 2018-09-28 | 上海交通大学 | 一种用于全工况道路的车辆驾驶循环构建方法 |
CN112016581A (zh) * | 2019-05-31 | 2020-12-01 | 北京京东尚科信息技术有限公司 | 一种多维数据处理方法、装置、计算机设备及存储介质 |
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 |
Non-Patent Citations (1)
Title |
---|
刘应吉.组合主成分分析和模糊c均值聚类的车辆行驶工况制定方法.《公路交通科技》.2018, * |
Also Published As
Publication number | Publication date |
---|---|
CN112885080A (zh) | 2021-06-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108197647B (zh) | 一种汽车起动机耐久测试数据的快速聚类方法 | |
CN110717147A (zh) | 一种构建汽车行驶工况的方法 | |
CN111126819B (zh) | 一种城市行驶工况智能分析方法 | |
CN113222385B (zh) | 一种电动汽车行驶工况构建与评价方法 | |
CN112885080B (zh) | 一种新能源汽车的行驶工况构建方法 | |
CN113297685B (zh) | 一种车辆运行工况模式识别方法 | |
CN113689594A (zh) | 一种新的汽车行驶工况构造方法 | |
CN111523572A (zh) | 实时桥梁结构损伤状态识别方法及系统 | |
CN114091182A (zh) | 一种包含道路坡度信息的重型载货汽车行驶工况构建方法 | |
CN110826785A (zh) | 一种基于k-medoids聚类和泊松逆高斯的高风险路段识别方法 | |
CN111860775A (zh) | 基于cnn和rnn融合的船舶故障实时诊断方法 | |
CN114416707A (zh) | 工业时序数据的自动化特征工程方法和装置 | |
CN113297795A (zh) | 一种纯电动汽车行驶工况构建方法 | |
CN109858832A (zh) | 一种多属性绿色指标分级协调评价方法 | |
CN114637263A (zh) | 一种异常工况实时监测方法、装置、设备及存储介质 | |
CN114248152A (zh) | 一种基于优选特征和狮群优化svm的刀具磨损状态评估方法 | |
CN110189799B (zh) | 基于变量重要性评分和奈曼皮尔逊检验的宏基因组特征选择方法 | |
CN109408955B (zh) | 一种电动汽车的能耗分析方法及系统 | |
CN111242204A (zh) | 一种运维管控平台故障特征提取方法 | |
CN114186617A (zh) | 一种基于分布式深度学习的机械故障诊断方法 | |
CN112948965A (zh) | 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 | |
CN116502155A (zh) | 一种用于数控电动螺旋压力机的安全监管系统 | |
CN112651666A (zh) | 一种基于驾驶模式转移特征的驾驶员风险评估方法 | |
CN116702996A (zh) | 一种基于典型工况识别的电动公交车辆能量预测方法 | |
CN115718886A (zh) | 纯电动汽车行驶工况的构建方法及装置 |
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 | ||
CP01 | Change in the name or title of a patent holder | ||
CP01 | Change in the name or title of a patent holder |
Address after: 401133 room 208, 2 house, 39 Yonghe Road, Yu Zui Town, Jiangbei District, Chongqing Patentee after: Deep Blue Automotive Technology Co.,Ltd. Address before: 401133 room 208, 2 house, 39 Yonghe Road, Yu Zui Town, Jiangbei District, Chongqing Patentee before: CHONGQING CHANGAN NEW ENERGY AUTOMOBILE TECHNOLOGY Co.,Ltd. |