CN113239963A - 车辆数据的处理方法、装置、设备、车辆和存储介质 - Google Patents

Abstract

本申请公开了一种车辆数据的处理方法、装置、设备、车辆和存储介质，该方法包括：获取车辆数据，车辆数据包括与车辆的状态相关的数据；调用数字孪生模型对车辆数据进行处理，得到目标数据；根据目标数据对车辆的控制参数进行匹配；其中，数字孪生模型是根据抽样数据训练得到的，抽样数据是从数据集中抽样得到的，数据集是将K个数据片段根据其中的输出数据的类型聚类得到，该输出数据与目标数据的类型相同，K个数据片段是将当前时刻前的不同工况下的车辆数据按照其时序划分得到的，K为自然数，K≥2。由于数字孪生模型是基于车辆数据进行聚类、特征选择和抽样后训练得到的，因此能够更加准确地预测得到目标数据。

Description

车辆数据的处理方法、装置、设备、车辆和存储介质

技术领域

本申请涉及车辆控制技术领域，具体涉及一种车辆数据的处理方法、装置、设备、车辆和存储介质。

背景技术

随着电子技术、计算机技术和信息技术的应用，车辆控制技术得到了迅猛的发展，尤其在控制精度、控制范围、智能化和网络化等多方面有了较大突破，其已成为衡量现代机动车发展水平的重要标志。

通常，对车辆进行控制的电子控制系统(automotive electronic control)包括电子控制器(electronic control unit，ECU)、传感器、通信装置等，电子控制器可对获取得到的车辆数据(例如，通过传感器采集到的节气门数据，通过通信装置接收的道路信息等)进行处理计算得到对车辆控制所需要的目标数据(例如，车辆的空燃比、功耗、速度等)，从而根据计算得到的目标数据对车辆进行控制。

然而，由于获取得到的车辆数据存在响应延迟，且在某些情况(例如一些复杂工况)下获取得到的车辆数据并不准确，从而导致计算得到的目标数据的准确率较低。

发明内容

本申请提供了一种车辆数据的处理方法、装置、设备、车辆和存储介质，可以解决相关技术中提供的车辆数据的处理方法对目标数据的计算准确率较低的问题。

一方面，本申请实施例提供了一种车辆数据的处理方法，包括：

获取车辆数据，所述车辆数据包括与所述车辆的状态相关的数据；

调用数字孪生模型对所述车辆数据进行处理，得到目标数据；

根据所述目标数据对所述车辆的控制参数进行匹配；

其中，所述数字孪生模型是根据抽样数据训练得到的，所述抽样数据是从数据集中抽样得到的，所述数据集是将K个数据片段根据其中的输出数据的类型聚类得到，所述输出数据与所述目标数据的类型相同，所述K个数据片段是将当前时刻前的不同工况下的车辆数据按照其时序划分得到的，K为自然数，K≥2。

可选的，所述车辆数据包括所述车辆的发动机的工作参数。

可选的，所述目标数据包括空燃比数据，所述空燃比是可燃混合气中空气质量与燃油质量之比。

可选的，所述根据所述目标数据对所述车辆进行控制，包括：

根据所述空燃比数据的控制逻辑中的标定参数，使所述车辆在动态工况下满足排放要求。

另一方面，本申请实施例提供了一种数字孪生模型的建立方法，包括：

将车辆数据划分为K个数据片段，所述车辆数据包括在不同工况下与所述车辆的状态相关的数据，每个所述数据片段包括输入数据和输出数据，K为自然数，K≥2；

根据所述输出数据的类型将所述K个数据片段聚类为N_c个数据集，N_c为自然数，N_c≥2；

对所述数据集根据所述输出数据进行特征选择，得到需要提取的N_f个特征，N_f为自然数，N_f≥1；

对每个所述数据集进行抽样，得到抽样数据；

根据所述抽样数据和所述需要提取的N_f个特征，训练和测试原始模型，得到所述数字孪生模型。

可选的，所述根据所述输出数据的类型将所述K个数据片段聚类为N_c个数据集，包括：

根据所述输出数据的直方图，将直方图的类型相似的输出数据以及其对应的输入数据合并为一个数据集，得到所述N_c个数据集。

可选的，所述对每个所述数据集进行特征选择，得到需要提取的N_f个特征，包括：

对每个数据集进行特征提取，得到N个特征集，N为自然数，N≥N_f；

对所述N个特征集中的每个特征集的重要性进行排序；

去除排名倒数n位的特征集，重复上述步骤，直至得到剩余的N_f个特征集，将N_f个特征集对应的特征确定为需要在训练中进行提取的特征，n为自然数，n≥1。

可选的，所述对所述N个特征集中的每个特征集的重要性进行排序，包括：

在所述N个特征集上生成决策树；

累积每个所述特征在每个所述决策树的节点上的方差衰减，得到方差衰减的累积值；

根据所述每个决策树上的数据个数对所述方差衰减的累积值进行归一化，得到所述每个特征集的重要性；

根据所述重要性对所述每个特征集进行排序。

可选的，所述根据所述抽样数据和所述需要提取的N_f个特征，训练和测试原始模型，得到所述数字孪生模型，包括：

获取至少一组训练数据以及每组所述训练数据的标定结果，所述训练数据是所述抽样数据中用于进行模型训练的输入数据，所述标定结果是所述抽样数据中的输出数据；

调用原始模型对所述训练数据进行特征提取，得到N_f个特征集；

调用所述原始模型对所述N_f个特征集进行处理，得到训练结果；

对于所述每组训练数据，将所述训练结果与所述标定结果进行比较，得到计算损失，所述计算损失用于指示所述训练结果与所述标定结果之间的误差；

根据至少一组所述训练数据组各自对应的所述计算损失训练得到所述数字孪生模型。

另一方面，本申请实施例提供了一种数据处理装置，包括：

获取模块，用于获取车辆数据，所述车辆数据包括与所述车辆的状态相关的数据；

处理模块，用于调用数字孪生模型对所述车辆数据进行处理，得到目标数据；根据所述目标数据对所述车辆进行控制；

其中，所述数字孪生模型是根据抽样数据训练得到的，所述抽样数据是从数据集中抽样得到的，所述数据集是将K个数据片段根据所述目标数据的直方图类型聚类得到，所述数据片段包括历史车辆数据，所述历史车辆数据包括当前时刻前在不同工况下的车辆数据，K为自然数，K≥2。

另一方面，本申请实施例提供了一种数据处理装置，包括：

聚类模块，用于将车辆数据划分为K个数据片段，所述车辆数据包括在不同工况下与所述车辆的状态相关的数据，每个所述数据片段包括输入数据和输出数据，K为自然数，K≥2；根据所述输出数据的类型将所述K个数据片段聚类为N_c个数据集，N_c为自然数，N_c≥2；

特征选择模块，用于对每个所述数据集进行特征选择，得到需要提取的N_f个特征，N_f为自然数，N_f≥1；

抽样模块，用于对每个所述数据集进行抽样，得到抽样数据；

训练模块，用于根据所述抽样数据和所述需要提取的N_f个特征，训练和测试原始模型，得到所述数字孪生模型。

另一方面，本申请实施例提供了一种电子控制器，所述设备包括处理器和存储器，所述存储器中存储有至少一条指令或程序，所述指令或程序由所述处理器加载并执行以实现如上任一所述的车辆数据的处理方法。

另一方面，本申请实施例提供了一种计算机设备，所述设备包括处理器和存储器，所述存储器中存储有至少一条指令或程序，所述指令或程序由所述处理器加载并执行以实现如上任一所述的数字孪生模型的建立方法。

另一方面，本申请实施例提供了一种车辆，所述车辆包括如上所述的电子控制器。

另一方面，本申请实施例提供了一种计算机可读存储介质，所述存储介质中存储有至少一条指令，所述指令由处理器加载并执行以实现如上任一所述的车辆数据的处理方法。

另一方面，本申请实施例提供了一种计算机可读存储介质，所述存储介质中存储有至少一条指令，所述指令由处理器加载并执行以实现如上任一所述的数字孪生模型的建立方法。

本申请技术方案，至少包括如下优点：

通过调用数字孪生模型对车辆数据进行处理，得到目标数据，由于数字孪生模型是基于车辆数据进行聚类、特征选择和抽样后，训练得到的，因此能够更加准确地预测得到目标数据。

附图说明

为了更清楚地说明本申请具体实施方式或现有技术中的技术方案，下面将对具体实施方式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，下面描述中的附图是本申请的一些实施方式，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是本申请一个示例性实施例提供的车辆数据的处理方法的实施环境的拓扑图；

图2是本申请一个示例性实施例提供的数字孪生模型的建立方法的流程图；

图3是本申请一个示例性实施例提供的车辆数据的处理方法的流程图；

图4是本申请一个示例性实施例提供的车辆数据的处理方法的流程图；

图5是本申请一个示例性实施例提供的车辆数据的处理方法的流程图；

图6是本申请一个示例性实施例提供的数据处理装置的框图；

图7是本申请一个示例性实施例提供的数据处理装置的框图；

图8是本申请一个示例性实施例提供的计算机设备的框图。

具体实施方式

下面将结合附图，对本申请中的技术方案进行清楚、完整的描述，显然，所描述的实施例是本申请的一部分实施例，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不做出创造性劳动的前提下所获得的所有其它实施例，都属于本申请保护的范围。

在本申请的描述中，需要说明的是，术语“中心”、“上”、“下”、“左”、“右”、“竖直”、“水平”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本申请和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本申请的限制。此外，术语“第一”、“第二”、“第三”仅用于描述目的，而不能理解为指示或暗示相对重要性。

在本申请的描述中，需要说明的是，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电气连接；可以是直接相连，也可以通过中间媒介间接相连，还可以是两个元件内部的连通，可以是无线连接，也可以是有线连接。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本申请中的具体含义。

此外，下面所描述的本申请不同实施方式中所涉及的技术特征只要彼此之间未构成冲突就可以相互结合。

参考图1，其示出了本申请一个示例性实施例提供的车辆数据的处理方法的实施环境的拓扑图，其包括车辆110和服务器120，车辆110中配备有电子控制器111，和通信设备112。其中：

通信设备112和服务器120之间可通过采用第三代移动通信(3rd generationmobile networks，3G)协议、长期演进(long term evolution，LTE)协议或第五代移动通信(5th generation mobile networks，5G)协议的移动网络，采用无线保真(Wireless-Fidelity，Wi-Fi)协议、紫蜂(Zigbee)协议的无线局域网络，近场通信(near fieldcommunication，NFC)技术或蓝牙(bluetooth)技术建立无线通信连接。

电子控制器111和车辆中的其它设备和/或器件之间可通过控制器局域网络(controller area network，CAN)协议或以太(ethernet)协议建立通信连接。

电子控制器111，用于获取车辆数据；调用数字孪生(digital twin)模型(该数字孪生模型是服务器120根据在此之前获取的车辆数据训练和测试得到的)对车辆数据进行处理，得到目标数据，该车辆数据包括与车辆的状态相关的数据；根据目标数据对车辆110的控制参数进行匹配。

可选的，电子控制器111，还用于通过通信设备112向服务器120发送车辆数据。

服务器120，用于根据车辆数据训练和/或测试数字孪生模型。

在一个可选的实施例中，电子控制器111，用于获取车辆数据；通过通信设备112向服务器120发送车辆数据。

服务器120，用于调用数字孪生模型对车辆数据进行处理，得到目标数据；向电子控制器111发送目标数据；可选的，服务器120，还用于根据车辆数据训练和/或测试数字孪生模型。

电子控制器111，还用于通过通信设备112接收目标数据；根据目标数据对车辆110的控制参数进行匹配。

其中，数字孪生(又可被称为“数字双胞胎”)模型指的是实体空间的对象(装置、设备、系统等)在虚拟空间的数字映射，该虚拟空间通常是指计算机模型。设备或系统通常会配备有一定数量的装置或器件(例如，传感器)以获取设备的工作状态(例如，压力、温度、转速等)，基于反馈的工作状态的数据，可以建立数据驱动的数字孪生模型，进而可以根据数字孪生模型快速的进行参数预测、性能分析或参数优化，用模型反馈指导控制。

以下，以目标数据为车辆的可燃混合气中的空气质量与燃油质量的比值(又可被称为过量空气系数，以下简称为“可燃比”)为例，对本申请实施例的方案进行说明：

车辆的油路控制可以通过控制进入发动机的可燃比以实现控制尾气排放，优化发动机燃烧效率等目的。然而在某些情况下(例如，过渡工况下)，空燃比的精准控制存在如下的挑战：(1)氧传感器存在响应延迟，来不及响应节气门位置的快速变化；(2)节气门突变，导致进气系统里的流型比较复杂，进气流量传感器测不准；(3)进气管内的油膜动态变化特性，造成实际缸内参与燃烧的燃油量部分来自于进气管上蒸发的液态油膜。鉴于上述原因，相关技术中提供的空燃比控制策略并不能很好地应对过渡工况。

本申请实施例中提供了一种车辆的数据处理方法，其根据不同工况下采集到的车辆数据(例如，发动机的工作参数)建立数字孪生模型用于拟合空燃比曲线，调用该模型对车辆数据进行处理，能够输出拟合精度较高的空燃比曲线，可以用于空燃比的虚拟标定，优化油膜补偿策略。

参考图2，其示出了本申请一个示例性实施例提供的数字孪生模型的建立方法的流程图，该方法可由图1实施例中的服务器120或其它计算机设备(例如个人电脑(personalcomputer，PC))执行，该方法包括：

步骤201，将车辆数据划分为K个数据片段，每个数据片段包括输入数据和输出数据，K为自然数，K≥2。

其中，车辆数据从车辆中获取的，包括在不同工况下与车辆的状态相关的数据(例如，该车辆的电子控制器向服务器上传的车辆数据，或，通过人工的方式从车辆获取的车辆数据)，输入数据是车辆数据中拟输入数字孪生模型的数据，输出数据是车辆数据中训练和测试数字孪生模型的标定结果。可选的，可根据车辆数据的时序将其划分为K个数据片段。

步骤202，根据输出数据的类型将K个数据片段聚类为N_c个数据集，N_c为自然数，N_c≥2。

其中，输出数据的类型可用输出数据的曲线进行描述，例如，该曲线可以是输出数据的直方图。以输出数据为空燃比数据为例，可通过每个片段的空燃比数据的直方图进行聚类。

示例性的，步骤202包括但不限于：根据输出数据的直方图，将直方图的类型相似的输出数据以及其对应的输入数据合并为一个数据集，得到N_c个数据集。例如，第j个数据片段中的输出数据的直方图和第k个数据片段中的输出数据的直方图的类型相似，则将第j个数据片段和第k个数据片段合并为一个数据集，j、k为自然数，1≤j≤K，1≤k≤K。

假设，可使用预定个数N_b个(N_b为自然数，N_b≥2)的Bin文件(直方图的数值区间)形成的直方图对每个片段的空燃比数据进行描述，可以获得一个K×N_b的整型矩阵，用于描述该历史车辆数据，通过聚类，将历史车辆数据聚成N_c个数据集(每个数据集可作为一个空燃比亚型)。

步骤203，对数据集根据输出数据进行特征选择，得到需要提取的N_f个特征，N_f为自然数，N_f≥1。

示例性的，可通过特征选择算法模型(例如，随机森林模型)对每个数据集进行特征选择，从而确定需要提取的特征。至此，得到了一个K×N_i(i为自然数，i＝1，2,3…，K)×N_f的特征矩阵，用来描述该历史车辆数据，且每个数据组N_i×N_f具有唯一的数据标识∈[1，2，3，…，N_c]。

步骤204，对每个数据集进行抽样，得到抽样数据。

示例性的，以空燃比数据的直方图的类型进行聚类得到N_c个数据集，从每个数据集中的数据进行抽样，因此数据覆盖的范围更加全面，从而训练得到的模型更为准确。可选的，可将抽样数据划分为训练数据和测试数据，例如，可将70％的抽样数据作为训练数据，将30％的数据作为测试数据。

步骤205，根据抽样数据和需要提取的N_f个特征，训练和测试原始模型，得到数字孪生模型。

示例性，在确定需要输入原始模型的数据(即步骤204中的抽样数据)和需要提取的N_f个特征后，即可对原始模型进行训练和测试，得到本申请实施例中提供的数字孪生模型。

综上所述，本申请实施例中，通过根据输出数据的类型将历史车辆数据聚类，对数据集进行特征选择和抽样，对抽样数据提取特征后训练和测试原始模型得到数字孪生，由于抽样数据是根据不同类型的输出数据聚类抽样得到的，因此数据覆盖的范围更加全面，从而训练得到的模型更为准确；同时，由于进行了特征选择，去除了噪声，从而提高了训练效率，且进一步提高了训练得到的模型的准确度。

参考图3，其示出了本申请一个示例性实施例提供的车辆数据的处理方法的流程图，该方法可以是图2实施例中步骤203的一种可选的实施方式，该方法可由图1实施例中的服务器120或其它计算机设备(例如PC)执行，该方法包括：

步骤301，对每个数据集进行特征提取，得到N个特征集，N为自然数，N≥N_f。

可选的，本申请实施例中的车辆数据为时序数据，其包括基础特征和时序特征，其中，时序特征是与时序相关的特征，基础特征是除时序特征以外的其它特征。

可选的，步骤301还包括：基于基础特征，生成每个数据集的时序特征。其中，该时序特征包括每个特征的最大值(max)、平均值(mean)、argmax函数、平均变化值(mean ofchange)、斜率(skewness)和熵值(entropy)中的至少一种。

示例性的，对于时序为第t时刻的基础特征，可通过[t-△t，t]、[t-△t，t+△t]和[t，t+△t]三个窗口截取该基础特征在第t时刻的时序特征，其中，△t为预设的时间间隔。这些时序特征从当前采样时刻t起，截取[t-Δt，t]，[t-Δt，t+Δt]和[t，t+Δt]三个窗计算获得。由于Δt可以取两个值，分别对应该基础特征和目标数据，在时间互相关谱峰值集合中对应的最大延迟和延迟中值，可将生成的时序特征和基础特征一起，代入进行特征选择。

步骤302，对N个特征集中的每个特征集的重要性进行排序。

示例性的，可通过递归式特征消除(recursive feature elimination)进行特征选择。

步骤302包括但不限于：在N个特征集上生成决策树；累积每个特征在每个决策树的节点上的方差衰减(variance reduction)，得到方差衰减的累积值；根据每个决策树上的数据个数对方差衰减的累积值进行归一化，得到每个特征集的重要性；根据重要性对每个特征集进行排序。

步骤303，去除排名倒数n位的特征集，重复上述步骤，直至得到剩余的N_f个特征集，将N_f个特征集对应的特征确定为需要在训练中进行提取的特征，n为自然数，n≥1。

示例性的，可将重要性排序在最后一位的特征集去除，重复上述的特征提取和重要性排序过程后，再将重要性排序在最后一位的特征集去除，反复迭代，直至剩余的特征集个数为N_f。

参考图4，其示出了本申请一个示例性实施例提供的车辆数据的处理方法的流程图，该方法可以是图2实施例中步骤205的一种可选的实施方式，该方法可由图1实施例中的服务器120或其它计算机设备(例如PC)执行，该方法包括：

步骤401，获取至少一组训练数据以及每组训练数据的标定结果，该训练数据是抽样数据中用于进行模型训练的输入数据。

示例性的，在图2实施例的步骤205中，可将抽样数据划分为训练数据和测试数据，每一组训练数据和测试数据都具有对应的标定结果。例如，第i个数据片段为抽样数据中的一组训练数据，第i个数据片段中的输出数据即为其标定结果。

步骤402，调用原始模型对训练数据进行特征提取，得到N_f个特征集。

示例性的，该原始模型包括提升树(boosting tree)模型，通过调用提升树模型对训练数据进行特征提取，得到N_f个特征集。

步骤403，调用原始模型对N_f个特征集进行处理，得到训练结果。

示例性的，通过调用提升树模型对N_f个特征集中的每一个特征集进行处理，输出每一个特征集的训练结果，该训练结果可以是输出数据的直方图。

步骤404，对于每组训练数据，将训练结果与标定结果进行比较，得到计算损失，该计算损失用于指示训练结果与标定结果之间的误差。

步骤405，根据至少一组训练数据组各自对应的计算损失训练得到数字孪生模型。

参考图5，其示出了本申请一个示例性实施例提供的车辆数据的处理方法的流程图，该方法可应用图1实施例提供的应用环境中，该方法包括：

步骤501，获取车辆数据，该车辆数据是与车辆的工作状态相关的数据。

示例性的，可通过车辆中的传感器获取车辆在运行中产生的数据，得到车辆数据。

步骤502，调用数字孪生模型对车辆数据进行处理，得到目标数据。

其中，该数字孪生模型是上述任一方法实施例中建立的数字孪生模型。示例性的，车辆数据包括车辆的发动机的工作参数，目标数据包括空燃比数据，通过调用数字孪生模型对车辆数据进行处理，输出空燃比数据。

步骤502可通过两种方式执行：(1)车辆中的电子控制器调用存储在其本地的数字孪生模型对车辆数据进行处理，得到目标数据；(2)电子控制器通过车辆中的通信设备向服务器发送车辆数据，服务器调用存储在其本地的的数字孪生模型对车辆数据进行处理，得到目标数据。

步骤503，根据目标数据对车辆的控制参数进行匹配。

示例性的，该目标数据包括空燃比数据，可根据空燃比数据的控制逻辑(该控制逻辑可以是人为调节的)中的标定参数，使车辆在动态工况下满足排放要求。

综上所述，本申请实施例中，通过调用数字孪生模型对车辆数据进行处理，得到目标数据，由于数字孪生模型是基于车辆数据进行聚类、特征选择和抽样后，训练得到的，因此能够更加准确地预测得到目标数据。

参考图6，其示出了本申请一个示例性实施例提供的车辆的控制装置的框图，该装置可以通过软件、硬件或者两者的结合实现成为上述实施例中的电子控制器，该装置包括获取模块610和处理模块620。

获取模块610，用于获取车辆数据，该车辆数据包括与车辆的状态相关的数据。

处理模块620，用于调用上述任一实施例提供的数字孪生模型对车辆数据进行处理，得到目标数据；根据目标数据对车辆的控制参数进行匹配。

可选的，该车辆数据包括车辆的发动机的工作参数。

可选的，目标数据包括空燃比数据。

可选的，处理模块620，还用于根据空燃比数据的控制逻辑中的标定参数，使车辆在动态工况下满足排放要求。

参考图7，其示出了本申请一个示例性实施例提供的车辆的控制装置的框图，该装置可以通过软件、硬件或者两者的结合实现成为上述实施例中的服务器或其它计算机设备，该装置包括聚类模块710、特征选择模块720、抽样模块730和训练模块740。

聚类模块710，用于将车辆数据划分为K个数据片段，该车辆数据包括在不同工况下与所述车辆的状态相关的数据，每个数据片段包括输入数据和输出数据，K为自然数，K≥2；根据输出数据的类型将K个数据片段聚类为N_c个数据集，N_c为自然数，N_c≥2。

特征选择模块720，用于对数据集根据输出数据进行特征选择，得到需要提取的N_f个特征，N_f为自然数，N_f≥1。

抽样模块730，用于对每个数据集进行抽样，得到抽样数据。

训练模块740，用于根据抽样数据和需要提取的N_f个特征，训练和测试原始模型，得到数字孪生模型。

可选的，聚类模块710，还用于根据输出数据的直方图，将直方图的类型相似的输出数据以及其对应的输入数据合并为一个数据集，得到N_c个数据集。

可选的，特征选择模块720，还用于对每个数据集进行特征提取，得到N个特征集，N为自然数，N≥N_f；对N个特征集中的每个特征集的重要性进行排序；去除排名倒数n位的特征集，重复上述步骤，直至得到剩余的N_f个特征集，将N_f个特征集对应的特征确定为需要在训练中进行提取的特征，n为自然数，n≥1。

可选的，特征选择模块720，还用于在N个特征集上生成决策树；累积每个特征在每个决策树的节点上的方差衰减，得到方差衰减的累积值；根据每个决策树上的数据个数对方差衰减的累积值进行归一化，得到每个特征集的重要性；根据重要性对每个特征集进行排序。

可选的，训练模块740，还用于获取至少一组训练数据以及每组训练数据的标定结果，训练数据是抽样数据中用于进行模型训练的输入数据，标定结果是抽样数据中的输出数据；调用原始模型对训练数据进行特征提取，得到N_f个特征集；调用原始模型对N_f个特征集进行处理，得到训练结果；对于每组训练数据，将训练结果与标定结果进行比较，得到计算损失，该计算损失用于指示训练结果与标定结果之间的误差；根据至少一组训练数据组各自对应的计算损失训练得到数字孪生模型。

参考图8，其示出了本申请一个示例性的实施例提供的计算机设备的框图。该计算机设备可以是上述任一实施例中提供的电子控制器或服务器，其包括：处理器810以及存储器820。

处理器810可以是中央处理器(central processing unit，CPU)，网络处理器(network processor，NP)或者CPU和NP的组合。处理器810还可以进一步包括硬件芯片。上述硬件芯片可以是专用集成电路(application-specific integrated circuit，ASIC)，可编程逻辑器件(programmable logic device，PLD)或其组合。上述PLD可以是复杂可编程逻辑器件(complex programmable logic device，CPLD)，现场可编程逻辑门阵列(field-programmable gate array，FPGA)，通用阵列逻辑(generic array logic，GAL)或其任意组合。

存储器820通过总线或其它方式与处理器810相连，存储器820中存储有至少一条指令、至少一段程序、代码集或指令集，上述至少一条指令、至少一段程序、代码集或指令集由处理器810加载并执行以实现如上任一实施例中提供的车辆数据的处理方法或数字孪生模型的建立方法。存储器820可以为易失性存储器(volatile memory)，非易失性存储器(non-volatile memory)或者它们的组合。易失性存储器可以为随机存取存储器(random-access memory，RAM)，例如静态随机存取存储器(static random access memory，SRAM)，动态随机存取存储器(dynamic random access memory，DRAM)。非易失性存储器可以为只读存储器(read only memory image，ROM)，例如可编程只读存储器(programmable readonly memory，PROM)，可擦除可编程只读存储器(erasable programmable read onlymemory，EPROM)，电可擦除可编程只读存储器(electrically erasable programmableread-only memory，EEPROM)。非易失性存储器也可以为快闪存储器(flash memory)，磁存储器，例如磁带(magnetic tape)，软盘(floppy disk)，硬盘。非易失性存储器也可以为光盘。

本申请还提供了一种车辆，该车辆中配备有以上任一实施例中提供的电子控制器。

本申请还提供一种计算机可读存储介质，该存储介质中存储有至少一条指令、至少一段程序、代码集或指令集，所述至少一条指令、所述至少一段程序、所述代码集或指令集由所述处理器加载并执行以实现如上述任一实施例所述的车辆数据的处理方法或数字孪生模型的建立方法。

本申请还提供了一种计算机程序产品，当计算机程序产品在计算机上运行时，使得计算机执行上述各个方法实施例提供的车辆数据的处理方法或数字孪生模型的建立方法。

显然，上述实施例仅仅是为清楚地说明所作的举例，而并非对实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。而由此所引伸出的显而易见的变化或变动仍处于本申请创造的保护范围之中。

Claims (17)

1.一种车辆数据的处理方法，其特征在于，包括：

获取车辆数据，所述车辆数据包括与所述车辆的状态相关的数据；

调用数字孪生模型对所述车辆数据进行处理，得到目标数据；

根据所述目标数据对所述车辆的控制参数进行匹配；

其中，所述数字孪生模型是根据抽样数据训练得到的，所述抽样数据是从数据集中抽样得到的，所述数据集是将K个数据片段根据其中的输出数据的类型聚类得到，所述输出数据与所述目标数据的类型相同，所述K个数据片段是将当前时刻前的不同工况下的车辆数据按照其时序划分得到的，K为自然数，K≥2。

2.根据权利要求1所述的方法，其特征在于，所述车辆数据包括所述车辆的发动机的工作参数。

3.根据权利要求2所述的方法，其特征在于，所述目标数据包括空燃比数据，所述空燃比是可燃混合气中空气质量与燃油质量之比。

4.根据权利要求3所述的方法，其特征在于，所述根据所述目标数据对所述车辆的控制参数进行匹配，包括：

根据所述空燃比数据的控制逻辑中的标定参数，使所述车辆在动态工况下满足排放要求。

5.一种数字孪生模型的建立方法，其特征在于，包括：

将车辆数据划分为K个数据片段，所述车辆数据包括在不同工况下与所述车辆的状态相关的数据，每个所述数据片段包括输入数据和输出数据，K为自然数，K≥2；

根据所述输出数据的类型将所述K个数据片段聚类为N_c个数据集，N_c为自然数，N_c≥2；

对所述数据集根据所述输出数据进行特征选择，得到需要提取的N_f个特征，N_f为自然数，N_f≥1；

对每个所述数据集进行抽样，得到抽样数据；

根据所述抽样数据和所述需要提取的N_f个特征，训练和测试原始模型，得到所述数字孪生模型。

6.根据权利要求5所述的方法，其特征在于，所述根据所述输出数据的类型将所述K个数据片段聚类为N_c个数据集，包括：

根据所述输出数据的直方图，将直方图的类型相似的输出数据以及其对应的输入数据合并为一个数据集，得到所述N_c个数据集。

7.根据权利要求5所述的方法，其特征在于，所述对每个所述数据集进行特征选择，得到需要提取的N_f个特征，包括：

对数据集进行特征提取，得到N个特征集，N为自然数，N≥N_f；

对所述N个特征集中的每个特征集的重要性进行排序；

去除排名倒数n位的特征集，重复上述步骤，直至得到剩余的N_f个特征集，将N_f个特征集对应的特征确定为需要在训练中进行提取的特征，n为自然数，n≥1。

8.根据权利要求7所述的方法，其特征在于，所述车辆数据是时序数据，所述车辆数据包括基础特征和时序特征；

所述对数据集进行特征提取，包括：

基于所述基础特征，生成所述每个数据集的时序特征；

对所述数据集的基础特征和时序特征进行特征提取，得到所述N个特征集。

9.根据权利要求8所述的方法，其特征在于，所述对所述N个特征集中的每个特征集的重要性进行排序，包括：

在所述N个特征集上生成决策树；

累积每个所述特征在每个所述决策树的节点上的方差衰减，得到方差衰减的累积值；

根据所述每个决策树上的数据个数对所述方差衰减的累积值进行归一化，得到所述每个特征集的重要性；

根据所述重要性对所述每个特征集进行排序。

10.根据权利要求5所述的方法，其特征在于，所述根据所述抽样数据和所述需要提取的N_f个特征，训练和测试原始模型，得到所述数字孪生模型，包括：

获取至少一组训练数据以及每组所述训练数据的标定结果，所述训练数据是所述抽样数据中用于进行模型训练的输入数据，所述标定结果是所述抽样数据中的输出数据；

调用原始模型对所述训练数据进行特征提取，得到N_f个特征集；

调用所述原始模型对所述N_f个特征集进行处理，得到训练结果；

对于所述每组训练数据，将所述训练结果与所述标定结果进行比较，得到计算损失，所述计算损失用于指示所述训练结果与所述标定结果之间的误差；

根据至少一组所述训练数据组各自对应的所述计算损失训练得到所述数字孪生模型。

11.一种数据处理装置，其特征在于，包括：

获取模块，用于获取车辆数据，所述车辆数据包括与所述车辆的状态相关的数据；

处理模块，用于调用数字孪生模型对所述车辆数据进行处理，得到目标数据；根据所述目标数据对所述车辆进行控制；

其中，所述数字孪生模型是根据抽样数据训练得到的，所述抽样数据是从数据集中抽样得到的，所述数据集是将K个数据片段根据所述目标数据的直方图类型聚类得到，所述数据片段包括历史车辆数据，所述历史车辆数据包括当前时刻前在不同工况下的车辆数据，K为自然数，K≥2。

12.一种数据处理装置，其特征在于，包括：

聚类模块，用于将车辆数据划分为K个数据片段，所述车辆数据包括在不同工况下与所述车辆的状态相关的数据，所述车辆数据包括输入数据和输出数据，K为自然数，K≥2；根据所述输出数据的类型将所述K个数据片段聚类为N_c个数据集，N_c为自然数，N_c≥2；

特征选择模块，用于对整个数据集进行特征选择，得到需要提取的N_f个特征，N_f为自然数，N_f≥1；

抽样模块，用于根据聚类模块习得的聚类算法，对每个所述数据集进行聚类和抽样，得到抽样数据；

训练模块，用于根据所述抽样数据和所述需要提取的N_f个特征，训练和测试原始模型，得到所述数字孪生模型。

13.一种电子控制器，其特征在于，所述设备包括处理器和存储器，所述存储器中存储有至少一条指令或程序，所述指令或程序由所述处理器加载并执行以实现如权利要求1至4中任一所述的车辆数据的处理方法。

14.一种计算机设备，其特征在于，所述设备包括处理器和存储器，所述存储器中存储有至少一条指令或程序，所述指令或程序由所述处理器加载并执行以实现如权利要求5至10中任一所述的数字孪生模型的建立方法。

15.一种车辆，所述车辆包括如权利要求13所述的电子控制器。

16.一种计算机可读存储介质，其特征在于，所述存储介质中存储有至少一条指令，所述指令由处理器加载并执行以实现如权利要求1至4中任一所述的车辆数据的处理方法。

17.一种计算机可读存储介质，其特征在于，所述存储介质中存储有至少一条指令，所述指令由处理器加载并执行以实现如权利要求5至10中任一所述的数字孪生模型的建立方法。

Images