CN113221975B - 基于改进马尔可夫分析法的工况构建方法及存储介质 - Google Patents

基于改进马尔可夫分析法的工况构建方法及存储介质 Download PDF

Info

Publication number
CN113221975B
CN113221975B CN202110454379.3A CN202110454379A CN113221975B CN 113221975 B CN113221975 B CN 113221975B CN 202110454379 A CN202110454379 A CN 202110454379A CN 113221975 B CN113221975 B CN 113221975B
Authority
CN
China
Prior art keywords
state
segment
layer
time
working condition
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
Application number
CN202110454379.3A
Other languages
English (en)
Other versions
CN113221975A (zh
Inventor
康宇
李兵兵
曹洋
裴丽红
许镇义
夏秀山
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Anhui Ecological Environment Monitoring Center Anhui Heavy Pollution Weather Forecast And Early Warning Center
Institute of Advanced Technology University of Science and Technology of China
Original Assignee
Anhui Ecological Environment Monitoring Center Anhui Heavy Pollution Weather Forecast And Early Warning Center
Institute of Advanced Technology University of Science and Technology of China
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Anhui Ecological Environment Monitoring Center Anhui Heavy Pollution Weather Forecast And Early Warning Center, Institute of Advanced Technology University of Science and Technology of China filed Critical Anhui Ecological Environment Monitoring Center Anhui Heavy Pollution Weather Forecast And Early Warning Center
Priority to CN202110454379.3A priority Critical patent/CN113221975B/zh
Publication of CN113221975A publication Critical patent/CN113221975A/zh
Application granted granted Critical
Publication of CN113221975B publication Critical patent/CN113221975B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • 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
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems

Landscapes

  • Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Probability & Statistics with Applications (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Health & Medical Sciences (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明的一种基于改进马尔可夫分析法的工况构建方法及存储介质，基于改进马尔可夫分析法的工况构建方法，基于时序分割的片段划分方法，融合路段长度等信息构造二维速度场，并采用先进的transformer来直接建模各全局特征，提取时间依赖性，包括：速度场构建、切片并向量化、嵌入空间投影、编码器特征学习、解码器分类预测。由上可知，本发明不同于传统的马尔可夫法工况构建，本发明最大限度利用上行驶数据的连续性，考虑动态数据的时间依赖性。传统的马尔可夫法，逐秒切分的模型事件，构成的模型事件集过于庞大，影响运行效率，且完全破坏了数据的时间依赖性。

Description

基于改进马尔可夫分析法的工况构建方法及存储介质
技术领域
本发明涉及环境检测技术领域，具体涉及一种基于改进马尔可夫分析法的工况构建方法及存储介质。
背景技术
随着机动车保有量快速增长，由此带来的城市交通拥堵及车辆尾气污染排放问题日渐严重。机动车污染物排放主要受车辆行驶状况的影响，如车辆在交通堵塞下的怠速时间较长及加减速频率过高，都会造成较高的尾气排放。行驶工况构建是一种基于典型交通状况的汽车驾驶剖面的构建方法，在汽车排放、经济性和行驶里程的评价中具有重要的作用。
目前行驶工况构建方法主要分为两类：马尔科夫分析法和聚类分析法。马尔可夫分析法将车辆行驶过程的速度和时间关系看作随机过程，利用t时刻的状态只依赖于t-1时刻的状态的特点(即无后效性)，将不同模型事件组合在一起形成整个行驶过程。聚类分析法将所有运动学片段根据其相似程度分成若干类，再依据一定原则从每一类片段库中挑选片段组成最终的工况曲线。相比于聚类分析法，马尔科夫分析法对数据连续性要求较低，理论性较强，精度较高。
发明内容
本发明提出的一种基于改进马尔可夫分析法的工况构建方法及存储介质，利用先进时序分割方法划分数据，先进特征提取方法聚类状态空间，从而实现对行驶数据更高精度更高运行效率的动态行驶工况构建。可以解决现有方法在数据切分破坏行驶数据时间依赖关系，运行效率过低的技术问题。
为实现上述目的，本发明采用了以下技术方案：
一种基于改进马尔可夫分析法的工况构建方法，包括以下步骤，
S10、基于时序分割的片段划分方法，融合路段长度信息构造二维速度场，并采用先进的transformer来直接建模各全局特征，提取时间依赖性；
S20、基于时序聚类算法的状态归类，将划分出来的模型事件集合Y＝{y1，y2，..，ym}使用两层网络来提取模型事件的时序特征并降维，进一步在特征空间中聚类得到n个状态簇，n个状态簇共同组成马尔可夫过程中的状态空间；
S30、采用马尔可夫法利用状态空间的转移概率矩阵来选取备选片段，转移概率矩阵的设计；
S40、行驶工况的起始片段选取，根据总体特征参数偏差最小的原则来选取运动学片段；
S50、利用前述步骤S30设计并计算的转移概率矩阵，来挑选下一个状态簇，进一步选择运动学片段；
S60、在中间部分最后时刻的速度减速到静止的运动学片段中挑选，与起始片段选取过程相同，分别计算满足条件的运动学片段与整体数据的平均绝对百分比误差，选择误差最小的片段构成结尾片段；
S70、将起始片段，中间过程，结尾片段依次拼接，构成行驶工况曲线。
进一步的，所述S10基于时序分割的片段划分方法，融合路段长度信息构造二维速度场，并采用先进的transformer来直接建模各全局特征，提取时间依赖性具体包括：
S11、将行驶数据进行道路匹配，构造出各路段的行驶速度时间集合，进一步构造速度场：横坐标为时间，纵坐标为各路段的长度，速度场中任意值
Figure GDA0004207956930000021
表示为路段i上/>
Figure GDA0004207956930000022
时刻，/>
Figure GDA0004207956930000023
位置的数值为/>
Figure GDA0004207956930000024
每个路段构造出一张速度场；
S12、将一副副不等尺寸的速度场双三次插值成相同维度Xi∈RH×W×3，其中H表示为所有速度场中最长的横轴长度，W表示为所有速度场中最长的纵轴长度，3表示图像的通道数，彩色图像一般取3；将一副副速度场Xi∈RH×W×3分割成尺寸为H/16×W/16的网格，并拉平成一个个长度L为HW/256序列；
S13、进一步，使用线性投影函数：f：p→e∈RC，将每一个向量化的序列映射到一个潜在的C维嵌入空间，得到速度场Xi的一维网格嵌入序列；学习每个位置i的特定嵌入pi，将其添加到特征嵌入ei中，形成最终的序列输入：E＝{e1+p1，e2+p2，…，eL+pL}；
S14、以一维嵌入序列E作为输入Z∈RL×C，采用一个普通的transformer编码器学习特征表达；transformer编码器包含Le层的多头自注意力(MSA)和多层感知器(MLP)块组成；在每层l处，输入是从输入
Figure GDA0004207956930000031
计算得出的查询，键，值的三元组，如下所示：
query＝Zl-1WQ，key＝Zl-1WK，value＝Zl-1WV
其中，WQ\WK\WV∈RL×C为三个线性投影层的可学习参数，d为查询，键，值的维数；自注意力SA表示为：
Figure GDA0004207956930000032
多头自注意力是一个扩展，有m个独立的SA操作，并投射到连接的输出：
MSA(Zl-1)＝[SA1(Zl-1)；SA2(Zl-1)；…；SAm(Zl-1)]WO
其中WO∈Rmd×C，d通常设置为C/m；然后，MSA的输出由一个MLP块进行转换，以残差跃层连接作为层输出：
Figure GDA0004207956930000033
Transformer层的特征为：
Figure GDA0004207956930000034
S15、解码器设计，首先将Transformer特征
Figure GDA0004207956930000035
映射到类别数的维度上，采用了一个两层网络结构：1×1conv+同步BN w/ReLU+1×1 conv；
在此之后，对输出进行双线性上采样，达到完整的速度场分辨率，此处重构速度场以便训练编码器的特征提取效果，然后是一个交叉熵损失的分类层，设置分类得到的模型事件集合为4类，加速、减速、匀速、怠速；得到四类模型事件，加速、减速、匀速、怠速，所有模型事件构成集合Y＝{y1，y2，..，ym}。
进一步的，所述S20基于时序聚类算法的状态归类，将划分出来的模型事件集合Y＝{y1，y2，..，ym}使用两层网络来提取模型事件的时序特征并降维，进一步在特征空间中聚类得到n个状态簇，n个状态簇共同组成马尔可夫过程中的状态空间具体包括：
S21、编码器使用两层神经网络模块来编码时序特征：第一层使用双向门控递归单元BiGRU来提取模型事件的时序特征，保留其固有的时序依赖性并实现降维；第二层使用全连接神经网络FCN模块；
双向门控递归单元BiGRU包含两个分别从左端和右端开始的GRUs；这两个GRU在每个时间步长生成的隐藏状态被连接起来，以表示该时间步长及其上下文，以提取时序依赖性，公式表示如下：
Figure GDA0004207956930000041
其中
Figure GDA0004207956930000042
表示yi的序列时间长度；
第
Figure GDA00042079569300000411
层全连接层的输出为：/>
Figure GDA0004207956930000043
其中，
Figure GDA0004207956930000044
是全连接层的激活函数，/>
Figure GDA0004207956930000045
和/>
Figure GDA0004207956930000046
分别是编码器第/>
Figure GDA00042079569300000412
层的权重矩阵和偏差，为可学习参数；全连接神经网络模块的初始化：
Figure GDA0004207956930000047
其中
Figure GDA0004207956930000048
和/>
Figure GDA0004207956930000049
分别是编码器第1层的权重矩阵和偏差；
S22、在保留模型事件的时序依赖性并降维后的特征空间内，使用常用聚类方法K-Means，将各模型事件聚类到n个状态簇，n个状态簇共同组成马尔可夫过程中的状态空间，记为X＝{1，2，...，n}；
S23、解码器部分使用attention模型，解码器输出为重构的模型事件集合Y′＝{y′1，y′2，..，y′m}，编解码的训练损失函数定义为：
Figure GDA00042079569300000410
其中，yi为第i个模型事件，y′i为第i个重构的模型事件。
进一步的，所述S30采用马尔可夫法利用状态空间的转移概率矩阵来选取备选片段，转移概率矩阵的设计具体包括：
S31、当前运动状态只依赖于前一个运动状态，利用上汽车行驶规律的无后效性，将该性质表述为概率计算公式如下：
P(Xn+1＝x|X1＝x1，X2＝x2，…，Xn＝xn)＝P(Xn+1＝x|Xn＝xn)
其中xi为第i个运动状态，也即第i次选取的状态簇，x为当前运动状态；
S32、从运动状态xi到运动状态xj的一步转移概率写成：
pij＝P(Xn+1＝rj|Xn＝xi)
其中，Xn为第n个次序的状态，Xn+1是第n+1个次序的状态；pij根据转移事件的统计量进行计算，公式如下：
Figure GDA0004207956930000051
其中，Nij为第τ-1次选择状态i向第τ次选择状态j转变的事件数，∑jNij是从第τ-1次选择状态i到第τ次选择所有可能状态的转变的事件总数；
S33、所有的一步状态转移概率都计算出来后，填入一个矩阵，记为转移概率矩阵(TPM)：
Figure GDA0004207956930000052
其中每个元素表示从一种状态转移到另一种状态的概率，包括保持该状态；
TPM矩阵每一行的总和必须为1，描述为：
Figure GDA0004207956930000053
进一步的，所述S40行驶工况的起始片段选取，根据总体特征参数偏差最小的原则来选取运动学片段；具体包括：
S41、选取若干特征参数，包括平均速度Vm、速度标准差Vsd、平均加速度Am、加速度标准差Asd、平均减速度Dm、减速度标准差Dsd、怠速时间比例Ti、加速时间比例Ta、减速时间比例Td、巡航时间比例T；并设置以下公式：
Figure GDA0004207956930000054
Figure GDA0004207956930000061
S42、起始片段从静止状态加速的运动学片段中选择，将各从静止状态加速的运动学片段代入上表的公式中，计算各特征参数值，并将全体行驶数据代入上表的公式中，计算整体数据的特征参数值，进一步计算相对误差：
Figure GDA0004207956930000062
其中，
Figure GDA0004207956930000071
为运动学片段第i个特征参数的值，/>
Figure GDA0004207956930000072
为整体数据第i个特征参数的值；平均绝对百分比误差(MAPE)的计算如下：
Figure GDA0004207956930000073
其中，c为选择的特征参数数目；选择与整体数据的平均绝对百分比误差最小的运动学片段作为起始片段。
进一步的，所述S50利用前述步骤S30设计并计算的转移概率矩阵，来挑选下一个状态簇，进一步选择运动学片段；具体包括：
对于每次迭代,当确定前一种状态时，在范围(0,1]内产生一个随机数s，然后将s与状态i的累积状态转移概率进行比较，如果s满足一下要求：
Figure GDA0004207956930000074
则选择k作为下一个状态，从标记为k的状态簇中选择下一个运动学片段；如果所选片段的初速度与当前周期终速度之差小于1km/h，则将所选运动学片段添加到行驶工况的末端，将当前行驶状态更新为k,此过程重复执行，直到行驶工况的长度达到要求为止。
另一方面，本发明还公开一种计算机可读存储介质，存储有计算机程序，所述计算机程序被处理器执行时，使得所述处理器执行如上述方法的步骤。
由上述技术方案可知，本发明的基于改进马尔可夫分析法的工况构建方法，基于时序分割的片段划分方法，融合路段长度等信息构造二维速度场，并采用先进的transformer来直接建模各全局特征，提取时间依赖性，包括：速度场构建、切片并向量化、嵌入空间投影、编码器特征学习、解码器分类预测。
由上可知，不同于传统的马尔可夫法工况构建，本发明的一种基于改进马尔可夫分析法的工况构建方法最大限度利用上行驶数据的连续性，考虑动态数据的时间依赖性。传统的马尔可夫法，逐秒切分的模型事件，构成的模型事件集过于庞大，影响运行效率，且完全破坏了数据的时间依赖性。
附图说明
图1是本发明的方法流程图；
图2是本发明实施例的合成行驶工况曲线图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，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，所描述的实施例是本发明一部分实施例，而不是全部的实施例。
如图1所示，本实施例所述的基于改进马尔可夫分析法的工况构建方法包括以下步骤：
S10、基于时序分割的片段划分方法，融合路段长度等信息构造二维速度场，并采用先进的transformer来直接建模各全局特征，提取时间依赖性，包括：速度场构建、切片并向量化、嵌入空间投影、编码器特征学习、解码器分类预测；
S20、基于时序聚类算法的状态归类，将划分出来的模型事件集合Y＝{y1,y2,..,ym}使用两层网络来提取模型事件的时序特征并降维，进一步在特征空间中聚类得到n个状态簇，n个状态簇共同组成马尔可夫过程中的状态空间。包括：编码器时序特征提取，状态空间划分、解码器重构序列；
S30、马尔可夫法利用状态空间的转移概率矩阵来选取备选片段，转移概率矩阵的设计，包括：无后效性数学表述、转移概率计算、转移概率矩阵(TPM)计算；
S40、行驶工况的起始片段选取，为了构建的工况能更精确得描述全体行驶过程，根据总体特征参数偏差最小的原则来选取运动学片段，包括：特征选取、起始片段选取。
S50、中间部分的构造是随机过程的迭代，利用前述步骤3设计并计算的转移概率矩阵，来挑选下一个状态簇，进一步选择运动学片段。
S60、工况结尾片段的选取，尽可能遵从行驶规律，从限定的范围内选择误差较小的片段。在中间部分最后时刻的速度减速到静止的运动学片段中挑选，与起始片段选取过程相同，分别计算满足条件的运动学片段与整体数据的平均绝对百分比误差，选择误差最小的片段构成结尾片段。
S70、将起始片段，中间过程，结尾片段依次拼接，构成行驶工况曲线。
以下进一步说明：
S10包括：速度场构建、切片并向量化、嵌入空间投影、编码器特征学习、解码器分类预测；具体步骤如下：
S11、将行驶数据进行道路匹配，构造出各路段的行驶速度时间集合，进一步构造速度场：横坐标为时间，纵坐标为各路段的长度，速度场中任意值
Figure GDA0004207956930000091
表示为路段i上/>
Figure GDA0004207956930000092
时刻，/>
Figure GDA0004207956930000093
位置的数值为/>
Figure GDA0004207956930000094
每个路段构造出一张速度场。
S12、将一副副不等尺寸的速度场双三次插值成相同维度Xi∈RH×W×3，其中H表示为所有速度场中最长的横轴长度，W表示为所有速度场中最长的纵轴长度，3表示图像的通道数，彩色图像一般取3。将一副副速度场Xi∈RH×W×3分割成尺寸为H/16×W/16的网格，并拉平成一个个长度L为HW/256序列。
S13、进一步，使用线性投影函数：f：p→e∈RC，将每一个向量化的序列映射到一个潜在的C维嵌入空间，得到速度场Xi的一维网格嵌入序列。为了编码网格嵌入空间信息，学习每个位置i的特定嵌入pi，将其添加到特征嵌入ei中，形成最终的序列输入：E＝{e1+p1，e2+p2，…，eL+pL}。
S14、以一维嵌入序列E作为输入Z∈RL×C，采用一个普通的transformer编码器学习特征表达。transformer编码器包含Le层的多头自注意力(MSA)和多层感知器(MLP)块组成。在每层l处，自我注意的输入是从输入
Figure GDA0004207956930000095
计算得出的(查询，键，值)的三元组，如下所示：
query＝Zl-1WQ，key＝Zl-1WK，value＝Zl-1WV
其中，WQ\WK\WV∈RL×C为三个线性投影层的可学习参数，d为(查询，键，值)的维数。自注意力SA可以表示为：
Figure GDA0004207956930000096
多头自注意力是一个扩展，有m个独立的SA操作，并投射到连接的输出：
MSA(Zl-1)＝[SA1(Zl-1)；SA2(Zl-1)；…；SAm(Zl-1)]WO
其中Wo∈Rmd×C，d通常设置为C/m。然后，MSA的输出由一个MLP块进行转换，以残差跃层连接作为层输出：
Figure GDA0004207956930000101
Transformer层的特征为：
Figure GDA0004207956930000102
S15、解码器设计，首先将Transformer特征
Figure GDA0004207956930000103
映射到类别数的维度(可取值4：加速、减速、匀速、怠速模型事件)上，采用了一个简单的两层网络结构：1×1 conv+同步BN w/ReLU+1×1 conv；
在此之后，简单对输出进行双线性上采样，达到完整的速度场分辨率，此处重构速度场以便训练编码器的特征提取效果，然后是一个交叉熵损失的分类层，可以设置分类得到的模型事件集合为4类，加速、减速、匀速、怠速。得到四类模型事件，加速、减速、匀速、怠速，所有模型事件构成集合Y＝{y1，y2，..，ym}。
S20包括：编码器时序特征提取，状态空间划分、解码器重构序列；具体步骤如下：
S21、编码器使用两层神经网络模块来编码时序特征：第一层使用双向门控递归单元BiGRU来提取模型事件的时序特征，保留其固有的时序依赖性并实现降维。第二层使用全连接神经网络FCN模块，进一步降维，以提升算法运行效率，避免维度灾难。全连接神经网络FCN模块中具体使用几层全连接神经网络层可以根据任务来定，若数据维度过高，可多使用几层全连接来降维；
双向门控递归单元BiGRU包含两个分别从左端和右端开始的GRUs。这两个GRU在每个时间步长生成的隐藏状态被连接起来，以表示该时间步长及其上下文，以提取时序依赖性，公式表示如下：
Figure GDA0004207956930000104
其中
Figure GDA0004207956930000105
表示yi的序列时间长度。
第
Figure GDA00042079569300001010
层全连接层的输出为：/>
Figure GDA0004207956930000106
其中，
Figure GDA0004207956930000107
是全连接层的激活函数，/>
Figure GDA0004207956930000108
和/>
Figure GDA0004207956930000109
分别是编码器第/>
Figure GDA00042079569300001011
层的权重矩阵和偏差，为可学习参数。全连接神经网络模块的初始化：
Figure GDA0004207956930000111
其中
Figure GDA0004207956930000112
和/>
Figure GDA0004207956930000113
分别是编码器第1层的权重矩阵和偏差。
S22、在保留模型事件的时序依赖性并降维后的特征空间内，使用常用聚类方法K-Means，将各模型事件聚类到n个状态簇，n个状态簇共同组成马尔可夫过程中的状态空间，记为X＝{1，2，...，n}。
S23、解码器部分使用attention模型，解码器输出为重构的模型事件集合Y′＝{y′1，y′2，..，y′m}，编解码的训练损失函数定义为：
Figure GDA0004207956930000114
其中，yi为第i个模型事件，y′i为第i个重构的模型事件。
所述S30包括：无后效性数学表述、转移概率计算、转移概率矩阵(TPM)计算。具体如下：
S31、当前运动状态只依赖于前一个运动状态，利用上汽车行驶规律的无后效性，将该性质表述为概率计算公式如下：
P(Xn+1＝x|X1＝x1，X2＝x2，…，Xn＝xn)＝P(Xn+1＝x|Xn＝xn)
其中xi为第i个运动状态，也即第i次选取的状态簇，x为当前运动状态。
S32、从运动状态xi到运动状态xj的一步转移概率可以写成：
pij＝P(Xn+1＝xj|Xn＝xi)
其中，Xn为第n个次序的状态，Xn+1是第n+1个次序的状态。pij可以根据转移事件的统计量进行计算，公式如下：
Figure GDA0004207956930000115
其中，Nij为第τ-1次选择状态i向第τ次选择状态j转变的事件数，∑jNij是从第τ-1次选择状态i到第τ次选择所有可能状态的转变的事件总数。
S33、所有的一步状态转移概率都计算出来后，填入一个矩阵，记为转移概率矩阵(TPM)：
Figure GDA0004207956930000121
其中每个元素表示从一种状态转移到另一种状态的概率(包括保持该状态)。
需要注意的是，TPM矩阵每一行的总和必须为1，可以描述为：
Figure GDA0004207956930000122
所述S40包括：特征选取、起始片段选取。具体如下：
S41、选取若干特征参数，如平均速度Vm、速度标准差Vsd、平均加速度Am、加速度标准差Asd、平均减速度Dm、减速度标准差Dsd、怠速时间比例Ti、加速时间比例Ta、减速时间比例Td、巡航时间比例T。
表1
Figure GDA0004207956930000123
Figure GDA0004207956930000131
S42、起始片段从静止状态加速的运动学片段中选择，将各从静止状态加速的运动学片段代入表1的公式中，计算各特征参数值，并将全体行驶数据代入表1的公式中，计算整体数据的特征参数值，进一步计算相对误差：
Figure GDA0004207956930000132
/>
其中，
Figure GDA0004207956930000133
为运动学片段第i个特征参数的值，/>
Figure GDA0004207956930000134
为整体数据第i个特征参数的值。平均绝对百分比误差(MAPE)的计算如下：
Figure GDA0004207956930000135
其中，c为选择的特征参数数目。选择与整体数据的平均绝对百分比误差最小的运动学片段作为起始片段。
S50具体包括，对于每次迭代,当确定前一种状态时，在范围(0,1]内产生一个随机数s，然后将s与状态i的累积状态转移概率进行比较，如果s满足一下要求：
Figure GDA0004207956930000141
则选择k作为下一个状态，从标记为k的状态簇中选择下一个运动学片段。如果所选片段的初速度与当前周期终速度之差小于1km/h，则将所选运动学片段添加到行驶工况的末端，将当前行驶状态更新为k,此过程重复执行，直到行驶工况的长度达到要求为止。
S60中工况结尾片段的选取，尽可能遵从行驶规律，从限定的范围内选择误差较小的片段。在中间部分最后时刻的速度减速到静止的运动学片段中挑选，与起始片段选取过程相同，分别计算满足条件的运动学片段与整体数据的平均绝对百分比误差，选择误差最小的片段构成结尾片段。
由上述技术方案可知，本发明的基于改进马尔可夫分析法的工况构建方法具有以下有益效果：
不同于传统的马尔可夫法工况构建，本发明的一种基于改进马尔可夫分析法的工况构建方法最大限度利用上行驶数据的连续性，考虑动态数据的时间依赖性。传统的马尔可夫法，逐秒切分的模型事件，构成的模型事件集过于庞大，影响运行效率，且完全破坏了数据的时间依赖性。
如图2所示，对福州市轻型车的OBD数据进行了本发明方法的验证，展示构建的工况模型，并演示了工况模型的一个应用案例；设置的行驶工况周期为1200-1300s。
另一方面，本发明还公开一种计算机可读存储介质，存储有计算机程序，所述计算机程序被处理器执行时，使得所述处理器执行如上述方法的步骤。
可理解的是，本发明实施例提供的系统与本发明实施例提供的方法相对应，相关内容的解释、举例和有益效果可以参考上述方法中的相应部分。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：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，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (6)

1.一种基于改进马尔可夫分析法的工况构建方法，其特征在于：包括以下步骤，
S10、基于时序分割的片段划分方法，融合路段长度信息构造二维速度场，并采用先进的transformer来直接建模各全局特征，提取时间依赖性；
S20、基于时序聚类算法的状态归类，将划分出来的模型事件集合Y＝{y1,y2,..,ym}使用两层网络来提取模型事件的时序特征并降维，进一步在特征空间中聚类得到n个状态簇，n个状态簇共同组成马尔可夫过程中的状态空间；
S30、采用马尔可夫法利用状态空间的转移概率矩阵来选取备选片段，转移概率矩阵的设计；
S40、行驶工况的起始片段选取，根据总体特征参数偏差最小的原则来选取运动学片段；
S50、利用前述步骤S30设计并计算的转移概率矩阵，来挑选下一个状态簇，进一步选择运动学片段；
S60、在中间部分最后时刻的速度减速到静止的运动学片段中挑选，与起始片段选取过程相同，分别计算满足条件的运动学片段与整体数据的平均绝对百分比误差，选择误差最小的片段构成结尾片段；
S70、将起始片段，中间过程，结尾片段依次拼接，构成行驶工况曲线；
其中，所述S20基于时序聚类算法的状态归类，将划分出来的模型事件集合Y＝{y1,y2,..,ym}使用两层网络来提取模型事件的时序特征并降维，进一步在特征空间中聚类得到n个状态簇，n个状态簇共同组成马尔可夫过程中的状态空间具体包括：
S21、编码器使用两层神经网络模块来编码时序特征：第一层使用双向门控递归单元BiGRU来提取模型事件的时序特征，保留其固有的时序依赖性并实现降维；第二层使用全连接神经网络FCN模块；
双向门控递归单元BiGRU包含两个分别从左端和右端开始的GRUs；这两个GRU在每个时间步长生成的隐藏状态被连接起来，以表示该时间步长及其上下文，以提取时序依赖性，公式表示如下：
Figure FDA0004207956920000021
其中
Figure FDA0004207956920000022
表示yi的序列时间长度；
第
Figure FDA00042079569200000215
层全连接层的输出为：/>
Figure FDA0004207956920000023
其中，
Figure FDA0004207956920000024
是全连接层的激活函数，/>
Figure FDA0004207956920000025
和/>
Figure FDA0004207956920000026
分别是编码器第/>
Figure FDA00042079569200000216
层的权重矩阵和偏差，为可学习参数；全连接神经网络模块的初始化：
Figure FDA0004207956920000027
其中
Figure FDA0004207956920000028
和/>
Figure FDA0004207956920000029
分别是编码器第1层的权重矩阵和偏差；
S22、在保留模型事件的时序依赖性并降维后的特征空间内，使用常用聚类方法K-Means，将各模型事件聚类到n个状态簇，n个状态簇共同组成马尔可夫过程中的状态空间，记为X＝{1,2,…,n}；
S23、解码器部分使用attention模型，解码器输出为重构的模型事件集合Y′＝{y′1,y′2,..,y′m}，编解码的训练损失函数定义为：
Figure FDA00042079569200000210
其中，yi为第i个模型事件，y′i为第i个重构的模型事件。
2.根据权利要求1所述的基于改进马尔可夫分析法的工况构建方法，其特征在于：所述S10基于时序分割的片段划分方法，融合路段长度信息构造二维速度场，并采用先进的transformer来直接建模各全局特征，提取时间依赖性具体包括：
S11、将行驶数据进行道路匹配，构造出各路段的行驶速度时间集合,进一步构造速度场：横坐标为时间，纵坐标为各路段的长度，速度场中任意值
Figure FDA00042079569200000211
表示为路段i上
Figure FDA00042079569200000212
时刻,/>
Figure FDA00042079569200000213
位置的数值为/>
Figure FDA00042079569200000214
每个路段构造出一张速度场；
S12、将一幅幅不等尺寸的速度场双三次插值成相同维度Xi∈RH×W×3，其中H表示为所有速度场中最长的横轴长度，W表示为所有速度场中最长的纵轴长度，3表示图像的通道数，彩色图像取3；将一幅幅速度场Xi∈RH×W×3分割成尺寸为H/16×W/16的网格，并拉平成一个个长度L为HW/256序列；
S13、进一步，使用线性投影函数：f:p→e∈RC，将每一个向量化的序列映射到一个潜在的C维嵌入空间,得到速度场Xi的一维网格嵌入序列；学习每个位置i的特定嵌入pi，将其添加到特征嵌入ei中，形成最终的序列输入：E＝{e1+p1,e2+p2,…,eL+pL}；
S14、以一维嵌入序列E作为输入Z∈RL×C，采用一个普通的transformer编码器学习特征表达；transformer编码器包含Le层的多头自注意力MSA和多层感知器MLP块组成；在每层l处，输入是从输入
Figure FDA0004207956920000031
计算得出的查询，键，值的三元组，如下所示：
query＝Zl-1WQ,key＝Zl-1WK,value＝Zl-1WV
其中，WQ\WK\WV∈RL×C为三个线性投影层的可学习参数，d为查询，键，值的维数；自注意力SA表示为：
Figure FDA0004207956920000032
多头自注意力是一个扩展，有m个独立的SA操作，并投射到连接的输出：
MSA(Zl-1)＝[SA1(Zl-1)；SA2(Zl-1)；…；SAm(Zl-1)]WO
其中WO∈Rmd×C，d设置为C/m；然后，MSA的输出由一个MLP块进行转换，以残差跃层连接作为层输出：
Figure FDA0004207956920000033
Transformer层的特征为：
Figure FDA0004207956920000034
S15、解码器设计，首先将Transformer特征
Figure FDA0004207956920000035
映射到类别数的维度上，采用了一个两层网络结构：1×1conv+同步BN w/ReLU+1×1conv；
在此之后，对输出进行双线性上采样，达到完整的速度场分辨率，此处重构速度场以便训练编码器的特征提取效果，然后是一个交叉熵损失的分类层，设置分类得到的模型事件集合为4类，加速、减速、匀速、怠速；得到四类模型事件，加速、减速、匀速、怠速，所有模型事件构成集合Y＝{y1,y2,..,ym}。
3.根据权利要求2所述的基于改进马尔可夫分析法的工况构建方法，其特征在于：所述S30采用马尔可夫法利用状态空间的转移概率矩阵来选取备选片段，转移概率矩阵的设计具体包括：
S31、当前运动状态只依赖于前一个运动状态，利用上汽车行驶规律的无后效性，将该性质表述为概率计算公式如下：
P(Xn+1＝x|X1＝x1,X2＝x2,…,Xn＝xn)＝P(Xn+1＝x|Xn＝xn)
其中xi为第i个运动状态，也即第i次选取的状态簇，x为当前运动状态；
S32、从运动状态xi到运动状态xj的一步转移概率写成：
pij＝P(Xn+1＝xj|Xn＝xi)
其中，Xn为第n个次序的状态，Xn+1是第n+1个次序的状态；pij根据转移事件的统计量进行计算，公式如下：
Figure FDA0004207956920000041
其中，Nij为第τ-1次选择状态i向第τ次选择状态j转变的事件数，∑j Nij是从第τ-1次选择状态i到第τ次选择所有可能状态的转变的事件总数；
S33、所有的一步状态转移概率都计算出来后，填入一个矩阵，记为转移概率矩阵TPM：
Figure FDA0004207956920000042
其中每个元素表示从一种状态转移到另一种状态的概率，包括保持该状态；
TPM矩阵每一行的总和必须为1，描述为：
Figure FDA0004207956920000043
4.根据权利要求3所述的基于改进马尔可夫分析法的工况构建方法，其特征在于：所述S40行驶工况的起始片段选取，根据总体特征参数偏差最小的原则来选取运动学片段；具体包括：
S41、选取若干特征参数，包括平均速度Vm、速度标准差Vsd、平均加速度Am、加速度标准差Asd、平均减速度Dm、减速度标准差Dsd、怠速时间比例Ti、加速时间比例Ta、减速时间比例Td、巡航时间比例T；并设置以下公式：
Vm(km/h)，
Figure FDA0004207956920000051
Vsd(km/h)，
Figure FDA0004207956920000052
Am(m/s2)，
Figure FDA0004207956920000053
Asd(m/s2)，
Figure FDA0004207956920000054
Dm(m/s2)，
Figure FDA0004207956920000055
Dsd(m/s2)，
Figure FDA0004207956920000056
Ti(s)，
Figure FDA0004207956920000057
Ta(s)，
Figure FDA0004207956920000058
Td(s)，
Figure FDA0004207956920000059
T(s)，
Figure FDA00042079569200000510
S42、起始片段从静止状态加速的运动学片段中选择，将各从静止状态加速的运动学片段代入步骤S41中的公式中，计算各特征参数值，并将全体行驶数据代入步骤S41中的公式中，计算整体数据的特征参数值，进一步计算相对误差：
Figure FDA0004207956920000061
其中，
Figure FDA0004207956920000062
为运动学片段第i个特征参数的值，/>
Figure FDA0004207956920000063
为整体数据第i个特征参数的值；平均绝对百分比误差MAPE的计算如下：
Figure FDA0004207956920000064
其中，c为选择的特征参数数目；选择与整体数据的平均绝对百分比误差最小的运动学片段作为起始片段。
5.根据权利要求4所述的基于改进马尔可夫分析法的工况构建方法，其特征在于：所述S50利用前述步骤S30设计并计算的转移概率矩阵，来挑选下一个状态簇，进一步选择运动学片段；具体包括：
对于每次迭代,当确定前一种状态时，在范围(0,1]内产生一个随机数s，然后将s与状态i的累积状态转移概率进行比较，如果s满足一下要求：
Figure FDA0004207956920000065
则选择k作为下一个状态，从标记为k的状态簇中选择下一个运动学片段；如果所选片段的初速度与当前周期终速度之差小于1km/h，则将所选运动学片段添加到行驶工况的末端，将当前行驶状态更新为k,此过程重复执行，直到行驶工况的长度达到要求为止。
6.一种计算机可读存储介质，存储有计算机程序，所述计算机程序被处理器执行时，使得所述处理器执行如权利要求1至5中任一项所述方法的步骤。
CN202110454379.3A 2021-04-26 2021-04-26 基于改进马尔可夫分析法的工况构建方法及存储介质 Active CN113221975B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110454379.3A CN113221975B (zh) 2021-04-26 2021-04-26 基于改进马尔可夫分析法的工况构建方法及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110454379.3A CN113221975B (zh) 2021-04-26 2021-04-26 基于改进马尔可夫分析法的工况构建方法及存储介质

Publications (2)

Publication Number Publication Date
CN113221975A CN113221975A (zh) 2021-08-06
CN113221975B true CN113221975B (zh) 2023-07-11

Family

ID=77089280

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110454379.3A Active CN113221975B (zh) 2021-04-26 2021-04-26 基于改进马尔可夫分析法的工况构建方法及存储介质

Country Status (1)

Country Link
CN (1) CN113221975B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114777797B (zh) * 2022-06-13 2022-09-30 长沙金维信息技术有限公司 用于自动驾驶的高精度地图视觉定位方法及自动驾驶方法
CN115525868A (zh) * 2022-09-19 2022-12-27 北京云庐科技有限公司 隧道施工变形预测方法、装置、电子设备及存储介质
CN117636269A (zh) * 2024-01-23 2024-03-01 济南博赛网络技术有限公司 道路护栏碰撞智能检测的方法

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109919347B (zh) * 2017-12-13 2022-01-18 腾讯科技（深圳）有限公司 路况生成方法、相关装置和设备
CN111639153A (zh) * 2020-04-24 2020-09-08 平安国际智慧城市科技股份有限公司 基于法律知识图谱的查询方法、装置、电子设备及介质
CN112182962A (zh) * 2020-09-24 2021-01-05 青岛大学 一种混合动力汽车行驶车速预测方法
CN112434735B (zh) * 2020-11-23 2022-09-06 中国科学技术大学 一种动态行驶工况构建方法、系统及设备

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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

Also Published As

Publication number Publication date
CN113221975A (zh) 2021-08-06

Similar Documents

Publication Publication Date Title
CN113221975B (zh) 基于改进马尔可夫分析法的工况构建方法及存储介质
CN111400620B (zh) 基于时空嵌入Self-Attention的用户轨迹位置预测方法
CN109840660B (zh) 一种车辆特征数据处理方法及车辆风险预测模型训练方法
CN111145541B (zh) 交通流量数据预测方法、存储介质和计算机设备
Xu et al. Predicting destinations by a deep learning based approach
CN115440032A (zh) 一种长短期公共交通流量预测方法
Liang et al. NetTraj: A network-based vehicle trajectory prediction model with directional representation and spatiotemporal attention mechanisms
CN113159105A (zh) 一种驾驶行为无监督模式识别方法及数据采集监控系统
CN114360239A (zh) 一种多层时空交通知识图谱重建的交通预测方法及系统
Sikirić et al. Traffic scene classification on a representation budget
Lv et al. Digital twins based VR simulation for accident prevention of intelligent vehicle
CN115071762A (zh) 面向城市场景下行人轨迹预测方法、模型及存储介质
CN112819218B (zh) 高分辨率城市移动源污染时空预测方法、系统及存储介质
Hu et al. Trajectory prediction neural network and model interpretation based on temporal pattern attention
US20210081808A1 (en) System and method to integrate a dynamic model for agents in a simulation environment using a deep koopman model
CN116080681A (zh) 基于循环卷积神经网络的周车行为识别与轨迹预测方法
CN113119996B (zh) 一种轨迹预测方法、装置、电子设备及存储介质
CN114372627A (zh) 基于混合深度学习框架的城市车辆旅行时间估计方法
Fatkhulin et al. Analysis of the Basic Image Generation Methods by Neural Networks
Zang et al. Integrating heterogeneous sources for learned prediction of vehicular data consumption
Behnia et al. Deep generative models for vehicle speed trajectories
CN116050640B (zh) 基于自适应多图卷积的多模式交通系统短时客流预测方法
CN113627598B (zh) 一种用于加速推荐的孪生自编码器神经网络算法及系统
Salvador Analysis of Urban Intersections Using Computer Vision and Machine Learning
CN116432853A (zh) 一种旅行时间预测方法

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