CN113688558B - 一种基于大数据库样本的汽车行驶工况构建方法及系统 - Google Patents
一种基于大数据库样本的汽车行驶工况构建方法及系统 Download PDFInfo
- Publication number
- CN113688558B CN113688558B CN202110677337.6A CN202110677337A CN113688558B CN 113688558 B CN113688558 B CN 113688558B CN 202110677337 A CN202110677337 A CN 202110677337A CN 113688558 B CN113688558 B CN 113688558B
- Authority
- CN
- China
- Prior art keywords
- vehicle
- kinematic
- speed
- data
- 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
- 238000010276 construction Methods 0.000 title claims abstract description 28
- 238000000034 method Methods 0.000 claims abstract description 61
- 230000001133 acceleration Effects 0.000 claims description 58
- 239000011159 matrix material Substances 0.000 claims description 42
- 238000012216 screening Methods 0.000 claims description 33
- 238000007781 pre-processing Methods 0.000 claims description 31
- 238000004422 calculation algorithm Methods 0.000 claims description 19
- 230000002159 abnormal effect Effects 0.000 claims description 18
- 238000005457 optimization Methods 0.000 claims description 18
- 238000003064 k means clustering Methods 0.000 claims description 16
- 238000004458 analytical method Methods 0.000 claims description 14
- 239000012634 fragment Substances 0.000 claims description 13
- 238000012360 testing method Methods 0.000 claims description 12
- 238000004364 calculation method Methods 0.000 claims description 11
- 238000012706 support-vector machine Methods 0.000 claims description 10
- 238000000605 extraction Methods 0.000 claims description 7
- 238000000513 principal component analysis Methods 0.000 claims description 7
- 238000012847 principal component analysis method Methods 0.000 claims description 6
- 230000008521 reorganization Effects 0.000 claims description 6
- 238000012549 training Methods 0.000 claims description 6
- 239000002245 particle Substances 0.000 claims description 4
- 230000006798 recombination Effects 0.000 claims description 3
- 238000005215 recombination Methods 0.000 claims description 3
- 238000010219 correlation analysis Methods 0.000 abstract description 4
- 238000012545 processing Methods 0.000 description 12
- 238000005516 engineering process Methods 0.000 description 6
- 238000011156 evaluation Methods 0.000 description 6
- 238000011161 development Methods 0.000 description 5
- 239000000446 fuel Substances 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 238000005070 sampling Methods 0.000 description 4
- 238000004088 simulation Methods 0.000 description 4
- 230000015572 biosynthetic process Effects 0.000 description 3
- 230000000903 blocking effect Effects 0.000 description 3
- 238000007635 classification algorithm Methods 0.000 description 3
- 238000011217 control strategy Methods 0.000 description 3
- 230000001186 cumulative effect Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000005265 energy consumption Methods 0.000 description 3
- 238000013439 planning Methods 0.000 description 3
- 230000009467 reduction Effects 0.000 description 3
- 238000003786 synthesis reaction Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000007405 data analysis Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000007619 statistical method Methods 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 230000006399 behavior Effects 0.000 description 1
- 230000009194 climbing Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000005094 computer simulation Methods 0.000 description 1
- 239000013256 coordination polymer Substances 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000004134 energy conservation Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000013210 evaluation model Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000006911 nucleation Effects 0.000 description 1
- 238000010899 nucleation Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Geometry (AREA)
- Probability & Statistics with Applications (AREA)
- Computer Hardware Design (AREA)
- Software Systems (AREA)
- Medical Informatics (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明属于交通技术领域,公开了一种基于大数据库样本的汽车行驶工况构建方法及系统。本发明提出车辆行驶特征相关度分析方法确定合理的原始数据量,建立基于优化的工况构建模型,先获得每个车的独立工况重新组合成优化后的原始数据,最后生成代表性工况,保证用于代表性工况构建的数据与每一代表车辆运动特征的相关度都较高,并且单个车辆数据进行单机运行对计算机要求较低。
Description
技术领域
本发明属于交通技术领域,具体涉及一种基于大数据库样本的汽车行驶工 况构建方法及系统。
背景技术
汽车行驶工况可以用来描述特定类型车在特定交通环境下的运动学特征, 具体表现为速度-时间曲线。研究汽车行驶工况与分析某地区交通拥堵情况、 车辆运行情况,设计合理交通网络,计算汽车有害物质排放情况、油耗情况、 能源利用率,制定汽车能效、环保、动力性能标准,评定车辆各类性能指标等 级,研发和检验新型汽车等环节关系紧密,是汽车行业乃至道路规划行业的共 性基础技术。
汽车工况构建主要有三种方法:数据采集法、计算机仿真法和人工经验法。 目前关于行驶工况的研究大多采用数据采集法,基于自主行驶法设计采集试 验,采集汽车实际道路行驶数据构建工况。由于汽车行驶工况试验数据采集规 划、调研分析以及实车采集的难度和工作量较大,需耗费大量时间、人力、物 力、财力,通常只能针对少量试验车辆作为代表车型采集行驶数据,试验中所能考虑到的真实驾驶因素和条件有限。
同时,原始数据样本数量和样本特征增加会带来的问题是:从海量数据中 筛选出用于工况合成的几个片段与部分车辆原始数据的相关度差异较大,需保 证数据的筛选不会改变原始数据特征。但若直接对海量数据进行工况构建时会 带来的计算负荷大、成本高、速度慢的问题。
而随着网络通信、大数据等技术的发展,可以基于大数据采集系统获取某 一类型汽车在特定地区的实际行驶数据,可获取该车型的更多车辆数据作为样 本,可以包含更多不同驾驶行为、更大行驶地域跨度和更复杂的行驶路线、道 路环境的大量性、多样性、随机性的样本数据库,不仅可大大降低工况开发成 本,且数据样本多样性的特征保证了所构建工况的代表性和有效性,对所要分析的某一特定类型车辆动力总成进行参数匹配和控制策略优化的结果更准确。
基于大数据系统可以保证获得足够数量、多样性、随机性原始数据,但在 现有同类的基于大数据库样本的工况构建技术方案中,仍存在如下问题:现有 技术中直接对海量数据进行计算分析,带来了计算负荷大、成本高、速度慢的 问题有待解决;同时,由于原始数据样本数量和样本特征增加,如何从海量数 据中筛选出用于工况合成的代表性片段,保证代表性片段与原始数据有较强的相关度是影响工况构建精度的关键,而现有技术中仍未提出有效的筛选和评价 方法。
发明内容
本发明的目的在于提供一种基于大数据库样本的汽车行驶工况构建方法 及系统,用以解决现有技术中进行规划实车道路试验时获取数据的成本较高、 难度较大、样本特征多样性和代表性不足的问题。
为了实现上述任务,本发明采用以下技术方案:
一种基于大数据库样本的汽车行驶工况构建方法,包括以下步骤:
步骤1:获取多个同车型车辆在同地区的实际行驶数据,对实际行驶数据 进行数据预处理,获得每个车辆的车速-时间曲线;
步骤2:从每条车速-时间曲线中提取运动特征参数,并对每个车辆的运动 特征参数进行筛选获得每辆汽车的P个汽车工况特征,获得所有车辆的汽车工 况特征数据集,P为正整数;
步骤3:对汽车工况特征数据集采用式Ⅰ进行相关度分析,依次增加车辆 数获得不同车辆数的汽车工况特征对应的收敛系数f(q),当f(q)收敛至0时 q=m,获取此时的m个车辆;
其中,为第1到第q个车辆的第p个汽车 工况特征的平均值,p∈[1,P],q∈[1,M],m∈[1,M],M为总车辆数,M、p、q、 m为正整数;
步骤4:获得m个车辆对应的车速-时间曲线,将每条车速-时间曲线通过 重构方法转换为行驶工况曲线,获得m条行驶工况曲线;
所述的重构方法包括如下子步骤:
步骤4.1:将每条车速-时间曲线划分为多个运动学片段,提取每个运动学 片段的运动特征参数获得特征指标矩阵,根据特征指标矩阵计算每个运动学片 段的综合特征以及每个运动学片段类别的综合特征;
步骤4.2:采用核化主成分分析法根据特征指标矩阵计算每个运动学片段 的主成分得分矩阵;
步骤4.3:采用K-Means聚类方法对每个运动学片段的主成分得分矩阵进 行预分类并采用支持向量机算法对预分类结果进行优化,获得每条车速-时间 曲线的运动学片段类别;
步骤4.4:计算每个运动学片段类别所包含的的运动学片段的总时长在实 际行驶数据总时长中所占的比例,根据所占比例和目标时长获得每个运动学片 段类别的总时长;
从每个运动学片段类别内挑选运动学片段的综合指标与运动学片段类别 的综合指标之差最小的一个或多个运动学片段,至每个运动学片段类别内挑选 的运动学片段总时长为每个运动学片段类别的总时长,对挑选出来的运动学片 段进行拼接,得到该车速-时间曲线对应的行驶工况曲线;
步骤5:将m条行驶工况曲线进行拼接,获得重组车速-时间曲线,将重 组车速-时间曲线通过重构方法进行转换,获得代表性行驶工况曲线。
进一步的,步骤1中数据预处理包括:总体异常车辆数据筛选和单个车辆 数据预处理;
所述的总体异常车辆筛选规则为,满足以下两种异常情况则删除所对应车 辆数据:其中,N为连续数 据点,nengine为发动机转速,V为车速,Q为瞬时油耗;
所述的单个车辆数据预处理包括:速度异常处理、加减速度异常处理、堵 车怠速异常处理和毛刺处理。
进一步的,所述的运动特征参数为:行驶时间、加速时间、减速时间、匀 速时间、怠速时间、最大速度、平均速度、运行速度、速度标准差、最大加速 度、平均加速度、最大减速度和平均减速度、加减速度标准差、加速时间比例、 减速时间比例、匀速时间比例和怠速时间比例;
所述的汽车工况特征共8个包括:运行速度、加速比例、减速比例、怠速 比例、匀速比例、平均速度、加速度段平均加速度和减速度段平均减速度。
进一步的,所述目标时长为1200s~1800s。
一种基于大数据库样本的汽车行驶工况构建系统,包括:数据采集及预处 理模块、特征提取模块、数据筛选模块、行驶工况建立模块和重组模块
所述的数据采集及预处理模块用于获取多个同车型车辆在同地区的实际 行驶数据,对实际行驶数据进行数据预处理,获得每个车辆的车速-时间曲线;
所述的特征提取模块用于从每条车速-时间曲线中提取运动特征参数,并 对每个车辆的运动特征参数进行筛选获得每辆汽车的P个汽车工况特征,获得 所有车辆的汽车工况特征数据集,P为正整数;
所述的数据筛选模块用于对汽车工况特征数据集采用式Ⅰ进行相关度分 析,依次增加车辆数获得不同车辆数的汽车工况特征对应的收敛系数f(q),当 f(q)收敛至0时q=m,获取此时的m个车辆;
其中,为第1到第q个车辆的第p个汽车 工况特征的平均值,p∈[1,P],q∈[1,M],m∈[1,M],M为总车辆数,M、p、q、 m为正整数;
所述的行驶工况建立模块用于获得m个车辆对应的车速-时间曲线,将每 条车速-时间曲线通过重构方法转换为行驶工况曲线,获得m条行驶工况曲线;
所述的重构方法包括如下子模块:
第一子模块用于将每条车速-时间曲线划分为多个运动学片段,提取每个 运动学片段的运动特征参数获得特征指标矩阵;
第二子模块用于采用核化主成分分析法根据特征指标矩阵计算每个运动 学片段的主成分得分矩阵;
第三子模块用于采用K-Means聚类方法对每个运动学片段的主成分得分 矩阵进行预分类并采用支持向量机算法对预分类结果进行优化,获得每条车速 -时间曲线的运动学片段类别;
第四子模块用于从计算每个运动学片段类别所包含的的运动学片段的总 时长在实际行驶数据总时长中所占的比例,设定目标时长,根据所占比例和目 标时长获得每个运动学片段类别的总时长;
计算每个运动学片段的综合特征以及每个运动学片段类别的综合特征,从 每个运动学片段类别内挑选运动学片段的综合指标与运动学片段类别的综合 指标之差最小的一个或多个运动学片段,至每个运动学片段类别内挑选的运动 学片段总时长为每个运动学片段类别的总时长,对挑选出来的运动学片段进行 拼接,得到该车速-时间曲线对应的行驶工况曲线;
所述的重组模块用于将m条行驶工况曲线进行拼接,获得重组车速-时间 曲线,将重组车速-时间曲线通过重构方法进行转换,获得代表性行驶工况曲 线。
进一步的,所述的数据预处理包括:总体异常车辆数据筛选和单个车辆数 据预处理;
所述的总体异常车辆筛选规则为,满足以下两种异常情况则删除所对应车 辆数据:其中,N为连续数 据点,nengine为发动机转速,V为车速,Q为瞬时油耗;
所述的单个车辆数据预处理包括:速度异常处理、加减速度异常处理、堵 车怠速异常处理和毛刺处理。
进一步的,所述的运动特征参数为:行驶时间、加速时间、减速时间、匀 速时间、怠速时间、最大速度、平均速度、运行速度、速度标准差、最大加速 度、平均加速度、最大减速度和平均减速度、加减速度标准差、加速时间比例、 减速时间比例、匀速时间比例和怠速时间比例;
所述的汽车工况特征共8个包括:运行速度、加速比例、减速比例、怠速 比例、匀速比例、平均速度、加速度段平均加速度和减速度段平均减速度。
进一步的,所述目标时长为1200s~1800s。
本发明与现有技术相比具有以下技术特点:
(1)本发明的原始数据采集方法更具科学性和合理性,充分利用当前多 数汽车企业具备的大数据采集系统,获取某一目标车型在特定地区的多辆汽车 行驶数据作为样本,具有足够数量、多样性、随机性特征,大大降低工况构建 时进行试验采集的成本和难度,且数据样本多样性保证了对所要分析的某一特定类型车辆动力总成进行参数匹配和控制策略优化的结果更准确。
(2)本发明提出车辆行驶数据特征相关度分析方法确定合理的原始数据 量,既保证了数据筛选的有效性和代表性,且避免了数据量过饱和对计算精度 无提高,又造成计算量增加和资源浪费的问题。
(3)本发明提出先获得各个车辆的独立工况数据,使单机运行对计算机 要求较低;再组合成的与每辆车行驶数据特征相关度都较高且有效的新原始数 据,避免了直接对海量数据进行分析构建工况造成计算的超负荷,又避免了数 据筛选造成对原始数据特征的改变。
(4)本发明提出基于优化的工况构建模型,其中包括对原始数据进行一 系列统计分析、数据处理,建立数据特征评估模型、采用基于综合指标的运动 学片段分类准则和基于优化的数据分析算法构建工况模型,保证了较高的工况 构建精度。
附图说明
图1为本发明提出的一种基于大数据库采样的汽车行驶工况构建方法流 程图;
图2为本发明提出的数据预处理步骤设计流程图;
图3为本发明提出的工况构建模型中对分类结果进行预测优化的流程图;
图4为本发明实施例中车辆行驶特征参数相关度分析结果图;
图5为本发明实施例只运动学片段分类结果图;
图6为本发明实施例中分车辆构建的独立工况曲线;
图7为本发明实施例中各独立工况组合成优化后相关度较高的新原始数 据;
图8为本发明实施例中最终所构建的一条汽车代表性行驶工况曲线;
图9为本发明实施例中所构建代表性工况与原始数据特征误差对比图;
图10为本发明实施例中行驶工况仿真下的发动机转速与燃油消耗量示意 图。
具体实施方式
首先对本发明中出现的技术词语进行解释:
代表性工况:针对特定地域、特定车型获取海量的汽车行驶数据,通过数 理统计分析和数据解析方法,从而获得一条能代表目标车辆在特定交通条件下行驶特征的典型工况曲线
在本实施例中公开了一种基于大数据库样本的汽车行驶工况构建方法,包 括以下步骤:
步骤1:获取多个同车型车辆在同地区的实际行驶数据,对实际行驶数据 进行数据预处理,获得每个车辆的车速-时间曲线;
数据预处理包括:总体异常车辆数据筛选;单个车辆数据预处理:速度异 常处理、加减速度异常处理、堵车怠速异常处理、毛刺处理;
步骤2:从每条车速-时间曲线中提取运动特征参数,并对每个车辆的运动 特征参数进行筛选获得每辆汽车的P个汽车工况特征,获得所有车辆的汽车工 况特征数据集,P为正整数;
所述的运动特征参数共18个,包括:时间相关特征——行驶时间、加速 时间、减速时间、匀速时间、怠速时间;速度相关特征——最大速度、平均速 度、运行速度、速度标准差;加速度相关特征——最大加速度、平均加速度、最大减速度和平均减速度、加减速度标准差;时间比例特征——加速时间比例、 减速时间比例、匀速时间比例和怠速时间比例;
所述的汽车工况特征共8个,包括:运行速度、加速比例、减速比例、怠 速比例、匀速比例、平均速度、加速度段平均加速度和减速度段平均减速度;
步骤3:对汽车工况特征数据集采用式Ⅰ进行相关度分析,依次增加车辆 数获得不同车辆数的汽车工况特征对应的收敛系数f(q),当f(q)收敛至0时 q=m,获取此时的m个车辆;
其中,为第1到第q个车辆的第p个汽车 工况特征的平均值,p∈[1,P],q∈[1,M],m∈[1,M],M为总车辆数,M、p、q、 m为正整数;
步骤4:获得m个车辆对应的车速-时间曲线,将每条车速-时间曲线通过 重构方法转换为行驶工况曲线,获得m条行驶工况曲线;
所述的重构方法包括如下子步骤:
步骤4.1:将每条车速-时间曲线划分为多个运动学片段,提取每个运动学 片段的运动特征参数获得特征指标矩阵,根据特征指标矩阵计算每个运动学片 段的综合特征以及每个运动学片段类别的综合特征;
步骤4.2:采用核化主成分分析法根据特征指标矩阵计算每个运动学片段 的主成分得分矩阵;
步骤4.3:采用K-Means聚类方法对每个运动学片段的主成分得分矩阵进 行预分类并采用支持向量机算法对预分类结果进行优化,获得每条车速-时间 曲线的运动学片段类别;
步骤4.4:计算每个运动学片段类别所包含的的运动学片段的总时长在实 际行驶数据总时长中所占的比例,根据所占比例和目标时长获得每个运动学片 段类别的总时长;
从每个运动学片段类别内挑选运动学片段的综合指标与运动学片段类别 的综合指标之差最小的一个或多个运动学片段,至每个运动学片段类别内挑选 的运动学片段总时长为每个运动学片段类别的总时长,对挑选出来的运动学片 段进行拼接,所述拼接是指将得到的运动学片段首尾相接,得到该车速-时间 曲线对应的行驶工况曲线;
步骤5:将m条行驶工况曲线进行拼接,所述拼接是指将m条行驶工况 曲线首尾相接,获得重组车速-时间曲线,将重组车速-时间曲线通过重构方法 进行转换,获得代表性行驶工况曲线。
具体的,步骤1中数据预处理包括:总体异常车辆数据筛选和单个车辆数 据预处理;
所述的总体异常车辆筛选规则为,满足以下两种异常情况则删除所对应车 辆数据:其中,N为连续数 据点,nengine为发动机转速,V为车速,Q为瞬时油耗;
所述的单个车辆数据预处理包括:速度异常处理、加减速度异常处理、堵 车怠速异常处理和毛刺处理。
具体的,步骤1中对速度、加速度异常处理规则为:规定最大速度、最大 加速度和最小加速度,超出则插值处理;
所述步骤1中对堵车怠速异常处理规则为:长期停车不熄火却在采集数 据,删去;
所述步骤1中毛刺处理为将速度不为零但持续时间不大10s的数据片段删 去,采用移动平均滤波,假设输入为x,输出为y,将连续的采样数据N在新 的一次测量后首数据去掉,其余N-1个数据依次前移,并将新的采样数据插入 作为新队列的尾,对这个队列进行算术运算;
具体的,所述运动特征参数包括描述性特征参数和统计性特征参数;
表1描述性特征参数
表2统计性特征参数
具体的,步骤4.1中所述的运动学片段的划分规则包括如下子步骤:
首先定义一个怠速状态开始到下一个怠速开始的一段行驶过程,包含加 速、减速、匀速、怠速四种片段,各片段划分规则如下,分段时的加速度阈值 一般选取为0.15m/s2;
步骤4.1.1:扫描各个车速数据,判断此时是否处于怠速运行,如果是, 记做开始,向下扫描,直至出现下一个怠速状态时停止,把这个时间区间记录 下来,重复操作,直至找到所有相邻怠速区间;
步骤4.1.2:对每一个相邻怠速区间,判断其是否存在加减速过程,即加 速度绝对值大于0.15m/s2,把不满足要求的区间剔除;
步骤4.1.3:再对区间内怠速过程外,是否存在匀速过程进行判断,即加 速度绝对值小于0.15m/s2,把不满足要求的区间剔除,得到初始运动学片段;
步骤4.1.4:对初始的运动学片段进行处理,判断片段总时长是否大于20s, 把不满足最低时长限制的片段剔除;
步骤4.1.5:计算剩余片段内车速的数据缺失率,如果存在10%以上的数 据缺失,那么把该运动学片段剔除,遍历处理,得到最终的有效运动学片段数 为n。
运动学片段特征指标重构为,计算各运动学片段的18个运动特征参数, 考虑到汽车行驶数据中18个特征参数间存在特征冗余和非线性特征,采用核 化主成分分析法(KPCA分析)进行非线性降维,转化成能够高度涵盖这14 个指标包含的信息但个数却远远降低的综合指标;
具体的,步骤4.2中主成分分析包括如下子步骤:
步骤4.2.1:为消除数量级对结果的影响,对n×14个的特征参数矩阵进行 标准化,n为输入的运动学片段数;
步骤4.2.2:计算核矩阵K(n):
其中,x为输入样本,xi,xj分别为车速-时间曲线上的第i、j个样本点,σ 代表高斯函数宽度,通过参数优化得到相对合适的参数σ;
步骤4.2.3:计算K(n)中心化后的矩阵Kc其中A为元素均为1/n的n×n矩 阵:
Kc=Kn-A×Kn-Kn×A+A×Kn×A;
步骤4.2.4:计算Kc特征值和特征向量,输入样本x在特征向量上的投影即为主成分作为新的特征值,计算其累积贡献率,取累计贡献率85%的 前p个主成分作为后续分类的依据;
步骤4.2.5:最后计算主成分得分矩阵Kp=n×p作为输出变量。
具体的,步骤4.3中运动学片段分类的详细步骤为:
步骤4.3.1:将核化主成分得分矩阵Kp替代原始运动学片段数据,采用 K-Means聚类进行预分类,聚类数为s,将运动学片段分成s个聚类集合 (D1,D2,…,Ds),第s个聚类集合的质心为
步骤4.3.2:采用支持向量机算法对K-Means结果进行优化,提高分类精 度;
步骤4.3.3:获得优化后分类结果,将运动学片段分为ks类。
具体的,采用支持向量机算法对K-Means结果进行优化的步骤如下:
(1)训练集筛选,依据dOD,ks最小原则,从K-Means聚类结果的各类中分 别选择远离其聚类中心的样本点{1,…,p1}作为训练集,其余为测试集;
其中dOD,ks为第k个数据点到第s类聚类中心的距离;
(2)SVM算法核函数筛选,K(x,xi)=exp(-gamma||xi-x||2),其中gamma 为核参数宽度g;
(3)影响SVM分类性能的主要核函数参数:惩罚因子C和核参数宽度g, 通过粒子群优化(PSO)算法完成对C和g的参数寻优;
(4)利用最佳的参数C和g对测试集{1,…,p1}进行SVM网络训练,并 对剩余样本进行分类预测,输出分类准确率,获取最优分类结果。
具体的,所述的目标时长通常为1200s~1800s。
具体的,步骤4.4包括如下子步骤:
步骤4.4.1:由于特征指标矩阵单位不同,需要对特征指标矩阵内的元素 进行归一化处理,处理后的归一化指标矩阵元素计算式为:
式中,i为第i个运动学片段,j为运动学片段对应的第j个特征参数,bi,j为第i个片段的第j个特征参数值,bj为所有运动学片段的第j个特征参数值, xi,j为第i个片段中第j个特征参数归一化后的值;
则用于描述第i个运动学片段的综合指标xi定义为该片段所有经归一化处 理的运动特征参数之和,其中f为运动特征参数总个数:
步骤4.4.2:获取一个运动学片段类别内所有运动学片段的综合指标Ys也可 以定义为该集合里各片段经归一化处理后的指标之和:
式中,yj,s表示第s个运动学片段类别中所有运动学片段的第j个特征参数 归一化后的均值,为第s个运动学片 段类别中所有运动学片段的第j个特征参数的均值;
步骤4.4.3:在每一个运动学片段类别内,将第i个运动学片段的综合指标 xi与该类运动学片段的综合指标Ys做差,按照差值绝对值从小到大的顺序对运 动学片段进行排序,优先选择偏差绝对值最小的片段,即min|Ys-xi|最小的片 段;
步骤4.4.4:分别计算出ks个运动学片段类别中所包含运动学片段的总时 长在原始数据总时长中所占比例,设最终构建的汽车行驶工况总时长 Ttotal=1800s,则得到从各类中需要提取的运动学片段总长度作为运 动学片段提取数目的依据。如第k1个聚类集合中提取的总长度Tk为:
表示第k1个集合中包含的所有运动学片段数m的总时长,/>表 示ks个总集合中包含的所有运动学片段总时长。
在本实施例中还公开了一种基于大数据库样本的汽车行驶工况构建系统, 包括:数据采集及预处理模块、特征提取模块、数据筛选模块、行驶工况建立 模块和重组模块
所述的数据采集及预处理模块用于获取多个同车型车辆在同地区的实际 行驶数据,对实际行驶数据进行数据预处理,获得每个车辆的车速-时间曲线;
所述的特征提取模块用于从每条车速-时间曲线中提取运动特征参数,并 对每个车辆的运动特征参数进行筛选获得每辆汽车的P个汽车工况特征,获得 所有车辆的汽车工况特征数据集,P为正整数;
所述的数据筛选模块用于对汽车工况特征数据集采用式Ⅰ进行相关度分 析,依次增加车辆数获得不同车辆数的汽车工况特征对应的收敛系数f(q),当 f(q)收敛至0时q=m,获取此时的m个车辆;
其中,为第1到第q个车辆的第p个汽车 工况特征的平均值,p∈[1,P],q∈[1,M],m∈[1,M],M为总车辆数,M、p、q、 m为正整数;
所述的行驶工况建立模块用于获得m个车辆对应的车速-时间曲线,将每 条车速-时间曲线通过重构方法转换为行驶工况曲线,获得m条行驶工况曲线;
所述的重构方法包括如下子模块:
第一子模块用于将每条车速-时间曲线划分为多个运动学片段,提取每个 运动学片段的运动特征参数获得特征指标矩阵;
第二子模块用于采用核化主成分分析法根据特征指标矩阵计算每个运动 学片段的主成分得分矩阵;
第三子模块用于采用K-Means聚类方法对每个运动学片段的主成分得分 矩阵进行预分类并采用支持向量机算法对预分类结果进行优化,获得每条车速 -时间曲线的运动学片段类别;
第四子模块用于从每个运动学片段类别中选取足够时间长度的一个或多 个运动学片段,再依据目标工况的总时长和各类片段的时间占比完成片段的拼 接组合,得到该车速-时间曲线对应的行驶工况曲线;
所述的重组模块用于将m条行驶工况曲线进行拼接,获得重组车速-时间 曲线,将重组车速-时间曲线通过重构方法进行转换,获得代表性行驶工况曲 线。
具体的,第一子模块至第四子模块与本实施例中方法的步骤4.1至步骤4.4 对应。
实施例1
本实施例中以国内某大型企业汽车的某一代表车型为例,通过该企业的大 数据采集系统获取原始数据,构建代表性的汽车行驶工况。本实施例公开了一 种基于大数据库样本的汽车行驶工况构建方法,再上述实施例的基础上还包括 以下技术特征:
本实施例中,步骤1基于大数据采集系统,数据采样频率为1Hz,即1s 采集一次汽车的GPS车速、XYZ轴加速度、经纬度、发动机转速、扭矩百分 比、瞬时油耗、油门踏板开度、空燃比、发动机负荷百分比、进气流量数据, 共计13个数据量指标,包含50辆同车型汽车运行数据;
数据预处理时异常数据占原始数据的14.9%;
总体数据特征分析结果如表3,车辆相关度分析结果如附图4,当车辆数 m为25-30辆时,收敛系数K值稳定为0,确定工况构建部分数据为27辆数 据,剩余部分为工况验证数据;
工况求解结果为:
(1)运动学片段划分及运动学片段特征指标重构结果;
表3核化主成分及累计贡献率
主成分分析结果表3所示,经K-PCA分析后,得到5个主成分,累积方差 贡献率为87.104%。作为比较,采用PCA主成分分析得到4个主成分,累计 方差贡献率为85.32%。从而得出结论,本发明采用的K-PCA对短行程片段数 据进行非线性降维,获得的低维数据包含更多有效的原始数据信息;
(2)运动学片段分类结果如附图5所示,将运动学片段分为5类;考虑到 K-Means算法实现简单、计算速度快,在待分类点分类特征明显的时候效果较 好,但当在聚类类别较多且类间聚类中心距离较近时聚类效果较差,不易达到 全局最优,因此采用基于粒子群优化进行参数寻优后的SVM算法对K-Means 聚类结果进行优化后,可以提高分类边界的模糊性,从附图5可以看出该方法获得的分类效果较好;
(3)分类精度评价结果,表4是K-means和本发明提出的组合分类算法的 分类有效性评价指标。与K-Means聚类相比,本发明分类算法的CP和DB较 小,表明类内距离越近;而SP和DVI值较大,表明类间距离越远。结果表明, 本发明所提出的分类算法能够有效提高同类内的相似度,降低不同类间的相似 度;
表4分类有效性评价结果
工况解析后,最终获得27条行驶工况曲线,其中列举出部分曲线如附图 6,优化后组合的新原始数据如图7所示,可以看出组合后的新数据总体相关 度都较高;
代表性行驶工况曲线构建曲线如图8,工况特征结果如表5所示;
表5代表工况特征参数对比
对工况构建结果分析可以得出,本发明所构建的代表性行驶工况曲线与传 统短行程法构建的工况数据特征相比,与原始数据的拟合性更强,证明本发明 所提出的工况构建方法精度更高;且所构建工况能反映大数据系统统计下的汽 车行驶特征,与实际行驶工况的一致性更好,证明了该方法的有效性与可靠性。
本发明提出的汽车行驶工况构建方法可推广适用于不同类型汽车在不同 地区、交通条件、运输用途等条件下的工况构建,为某一特定汽车的能耗评估 和排放测试提供更准确的输入依据,为基于行驶工况的汽车新车型和新技术开 发提供可靠的数据支持。
本实施例中在下游领域的实际应用场景包括以下两种:
(1)因为大数据技术的发展,各企业已经有能力获取特定车辆的行驶工 况数据,再使用行驶工况研究方法可以有效地进行车辆动力总成参数匹配和控 制策略优化,在车辆研发设计时决策分析出合理的技术参数,及时准确的校准 技术参数,评估整车性能,为新技术的创新和评估验证提供真实依据。
(2)基于汽车行驶工况技术,还可以从大数据库样本获取特定用户的行 驶数据构建特定行驶工况,进行汽车的能耗评估和排放测试,可以为特定用户 量身定制更符合其节能经济的降能耗措施与方案,具有较强的应用前景。
基于本发明对特定目标车辆构建的汽车行驶工况,可以作为整车及动力系 统性能分析的输入条件,对车辆的油耗性能、排放、动力(起步加速时间、超 车加速时间、爬坡度)、制动性能等计算优化。以本实施例构建的工况为例,将所构建的汽车行驶工况数据导入AVL-Cruise动力系统性能仿真分析平台, 建立了仿真模型如图9所示,分析计算了在特定行驶工况下车辆的油耗特性, 统计分析发动机的工作循环分布,在行驶工况仿真下的发动机转速与燃油消耗 量如图9所示。基于此分析结果,可以进一步对该车型油耗性能及动力性等方 面进行优化。
Claims (8)
1.一种基于大数据库样本的汽车行驶工况构建方法,其特征在于,包括以下步骤:
步骤1:获取多个同车型车辆在同地区的实际行驶数据,对实际行驶数据进行数据预处理,获得每个车辆的车速-时间曲线;
步骤2:从每条车速-时间曲线中提取运动特征参数,并对每个车辆的运动特征参数进行筛选获得每辆汽车的P个汽车工况特征,获得所有车辆的汽车工况特征数据集,P为正整数;
步骤3:对汽车工况特征数据集采用式Ⅰ进行相关度分析,依次增加车辆数获得不同车辆数的汽车工况特征对应的收敛系数f(q),当f(q)收敛至0时q=m,获取此时的m个车辆;
其中, 为第1到第q个车辆的第p个汽车工况特征的平均值,p∈[1,P],q∈[1,M],m∈[1,M],M为总车辆数,M、p、q、m为正整数;
步骤4:获得m个车辆对应的车速-时间曲线,将每条车速-时间曲线通过重构方法转换为行驶工况曲线,获得m条行驶工况曲线;
所述的重构方法包括如下子步骤:
步骤4.1:将每条车速-时间曲线划分为多个运动学片段,提取每个运动学片段的运动特征参数获得特征指标矩阵,根据特征指标矩阵计算每个运动学片段的综合特征以及每个运动学片段类别的综合特征;
步骤4.2:采用核化主成分分析法根据特征指标矩阵计算每个运动学片段的主成分得分矩阵;其中,主成分分析包括如下子步骤:
步骤4.2.1:为消除数量级对结果的影响,对n×14个的特征参数矩阵进行标准化,n为输入的运动学片段数;
步骤4.2.2:计算核矩阵K(n):
其中,x为输入样本,xi,xj分别为车速-时间曲线上的第i、j个样本点,σ代表高斯函数宽度,通过参数优化得到相对合适的参数σ;
步骤4.2.3:计算K(n)中心化后的矩阵Kc其中A为元素均为1/n的n×n矩阵:
Kc=Kn-A×Kn-Kn×A+A×Kn×A;
步骤4.2.4:计算Kc特征值和特征向量,输入样本x在特征向量上的投影即为主成分作为新的特征值,计算其累积贡献率,取累计贡献率85%的前p个主成分作为后续分类的依据;
步骤4.2.5:最后计算主成分得分矩阵Kp=n×p作为输出变量;
步骤4.3:采用K-Means聚类方法对每个运动学片段的主成分得分矩阵进行预分类并采用支持向量机算法对预分类结果进行优化,获得每条车速-时间曲线的运动学片段类别;
其中,对运动学片段预分类的详细步骤为:
步骤4.3.1:将核化主成分得分矩阵Kp替代原始运动学片段数据,采用K-Means聚类进行预分类,聚类数为s,将运动学片段分成s个聚类集合(D1,D2,…,Ds),第s个聚类集合的质心为
步骤4.3.2:采用支持向量机算法对K-Means结果进行优化;步骤如下:
(1)训练集筛选,依据dOD,ks最小原则,从K-Means聚类结果的各类中分别选择远离其聚类中心的样本点{1,…,p1}作为训练集,其余为测试集;
其中dOD,ks为第k个数据点到第s类聚类中心的距离;
(2)SVM算法核函数筛选,K(x,xi)=exp(-gamma||xi-x||2),其中gamma为核参数宽度g;
(3)影响SVM分类性能的主要核函数参数:惩罚因子C和核参数宽度g,通过粒子群优化(PSO)算法完成对C和g的参数寻优;
(4)利用最佳的参数C和g对测试集{1,…,p1}进行SVM网络训练,并对剩余样本进行分类预测,输出分类准确率,获取最优分类结果;
步骤4.3.3:获得优化后分类结果,将运动学片段分为ks类;
步骤4.4:计算每个运动学片段类别所包含的的运动学片段的总时长在实际行驶数据总时长中所占的比例,根据所占比例和目标时长获得每个运动学片段类别的总时长;
从每个运动学片段类别内挑选运动学片段的综合指标与运动学片段类别的综合指标之差最小的一个或多个运动学片段,至每个运动学片段类别内挑选的运动学片段总时长为每个运动学片段类别的总时长,对挑选出来的运动学片段进行拼接,得到该车速-时间曲线对应的行驶工况曲线;
步骤5:将m条行驶工况曲线进行拼接,获得重组车速-时间曲线,将重组车速-时间曲线通过重构方法进行转换,获得代表性行驶工况曲线。
2.如权利要求1所述的基于大数据库样本的汽车行驶工况构建方法,其特征在于,步骤1中数据预处理包括:总体异常车辆数据筛选和单个车辆数据预处理;
所述的总体异常车辆筛选规则为,满足以下两种异常情况则删除所对应车辆数据:
其中,N为连续数据点,nengine为发动机转速,V为车速,Q为瞬时油耗;
所述的单个车辆数据预处理包括:速度异常处理、加减速度异常处理、堵车怠速异常处理和毛刺处理。
3.如权利要求1所述的基于大数据库样本的汽车行驶工况构建方法,其特征在于,所述的运动特征参数为:行驶时间、加速时间、减速时间、匀速时间、怠速时间、最大速度、平均速度、运行速度、速度标准差、最大加速度、平均加速度、最大减速度和平均减速度、加减速度标准差、加速时间比例、减速时间比例、匀速时间比例和怠速时间比例;
所述的汽车工况特征共8个包括:运行速度、加速比例、减速比例、怠速比例、匀速比例、平均速度、加速度段平均加速度和减速度段平均减速度。
4.如权利要求1所述的基于大数据库样本的汽车行驶工况构建方法,其特征在于,所述目标时长为1200s~1800s。
5.一种基于大数据库样本的汽车行驶工况构建系统,包括:数据采集及预处理模块、特征提取模块、数据筛选模块、行驶工况建立模块和重组模块
所述的数据采集及预处理模块用于获取多个同车型车辆在同地区的实际行驶数据,对实际行驶数据进行数据预处理,获得每个车辆的车速-时间曲线;
所述的特征提取模块用于从每条车速-时间曲线中提取运动特征参数,并对每个车辆的运动特征参数进行筛选获得每辆汽车的汽车工况特征,获得所有车辆的汽车工况特征数据集;
所述的数据筛选模块用于对汽车工况特征数据集采用式Ⅰ进行相关度分析,依次增加车辆数获得不同车辆数的汽车工况特征对应的收敛系数K,获得当K收敛至0时的m个车辆;
其中, 为第1到第q个车辆的第p个汽车工况特征的平均值,p∈[1,8],q∈[1,M],m∈[1,M],p、q、m为正整数;
所述的行驶工况建立模块用于获得m个车辆对应的车速-时间曲线,将每条车速-时间曲线通过重构方法转换为行驶工况曲线,获得m条行驶工况曲线;
所述的重构方法包括如下子模块:
第一子模块用于将每条车速-时间曲线划分为多个运动学片段,提取每个运动学片段的运动特征参数获得特征指标矩阵;
第二子模块用于采用核化主成分分析法根据特征指标矩阵计算每个运动学片段的主成分得分矩阵;
其中,主成分分析包括如下子步骤:
步骤a:为消除数量级对结果的影响,对n×14个的特征参数矩阵进行标准化,n为输入的运动学片段数;
步骤b:计算核矩阵K(n):
其中,x为输入样本,xi,xj分别为车速-时间曲线上的第i、j个样本点,σ代表高斯函数宽度,通过参数优化得到相对合适的参数σ;
步骤c:计算K(n)中心化后的矩阵Kc其中A为元素均为1/n的n×n矩阵:
Kc=Kn-A×Kn-Kn×A+A×Kn×A;
步骤d:计算Kc特征值和特征向量,输入样本x在特征向量上的投影即为主成分作为新的特征值,计算其累积贡献率,取累计贡献率85%的前p个主成分作为后续分类的依据;
步骤e:最后计算主成分得分矩阵Kp=n×p作为输出变量;
第三子模块用于采用K-Means聚类方法对每个运动学片段的主成分得分矩阵进行预分类并采用支持向量机算法对预分类结果进行优化,获得每条车速-时间曲线的运动学片段类别;
其中,对运动学片段预分类的详细步骤为:
步骤A:将核化主成分得分矩阵Kp替代原始运动学片段数据,采用K-Means聚类进行预分类,聚类数为s,将运动学片段分成s个聚类集合(D1,D2,…,Ds),第s个聚类集合的质心为
步骤B:采用支持向量机算法对K-Means结果进行优化;步骤如下:
(1)训练集筛选,依据dOD,ks最小原则,从K-Means聚类结果的各类中分别选择远离其聚类中心的样本点{1,…,p1}作为训练集,其余为测试集;
其中dOD,ks为第k个数据点到第s类聚类中心的距离;
(2)SVM算法核函数筛选,K(x,xi)=exp(-gamma||xi-x||2),其中gamma为核参数宽度g;
(3)影响SVM分类性能的主要核函数参数:惩罚因子C和核参数宽度g,通过粒子群优化(PSO)算法完成对C和g的参数寻优;
(4)利用最佳的参数C和g对测试集{1,…,p1}进行SVM网络训练,并对剩余样本进行分类预测,输出分类准确率,获取最优分类结果;
步骤C:获得优化后分类结果,将运动学片段分为ks类;
第四子模块用于从计算每个运动学片段类别所包含的的运动学片段的总时长在实际行驶数据总时长中所占的比例,设定目标时长,根据所占比例和目标时长获得每个运动学片段类别的总时长;
计算每个运动学片段的综合特征以及每个运动学片段类别的综合特征,从每个运动学片段类别内挑选运动学片段的综合指标与运动学片段类别的综合指标之差最小的一个或多个运动学片段,至每个运动学片段类别内挑选的运动学片段总时长为每个运动学片段类别的总时长,对挑选出来的运动学片段进行拼接,得到该车速-时间曲线对应的行驶工况曲线;
所述的重组模块用于将m条行驶工况曲线进行拼接,获得重组车速-时间曲线,将重组车速-时间曲线通过重构方法进行转换,获得代表性行驶工况曲线。
6.如权利要求5所述的基于大数据库样本的汽车行驶工况构建系统,其特征在于,所述的数据预处理包括:总体异常车辆数据筛选和单个车辆数据预处理;
所述的总体异常车辆筛选规则为,满足以下两种异常情况则删除所对应车辆数据:
其中,N为连续数据点,nengine为发动机转速,V为车速,Q为瞬时油耗;
所述的单个车辆数据预处理包括:速度异常处理、加减速度异常处理、堵车怠速异常处理和毛刺处理。
7.如权利要求5所述的基于大数据库样本的汽车行驶工况构建系统,其特征在于,所述的运动特征参数为:行驶时间、加速时间、减速时间、匀速时间、怠速时间、最大速度、平均速度、运行速度、速度标准差、最大加速度、平均加速度、最大减速度和平均减速度、加减速度标准差、加速时间比例、减速时间比例、匀速时间比例和怠速时间比例;
所述的汽车工况特征共8个包括:运行速度、加速比例、减速比例、怠速比例、匀速比例、平均速度、加速度段平均加速度和减速度段平均减速度。
8.如权利要求5所述的基于大数据库样本的汽车行驶工况构建系统,其特征在于,所述目标时长为1200s~1800s。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110677337.6A CN113688558B (zh) | 2021-06-18 | 2021-06-18 | 一种基于大数据库样本的汽车行驶工况构建方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110677337.6A CN113688558B (zh) | 2021-06-18 | 2021-06-18 | 一种基于大数据库样本的汽车行驶工况构建方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113688558A CN113688558A (zh) | 2021-11-23 |
CN113688558B true CN113688558B (zh) | 2024-03-29 |
Family
ID=78576567
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110677337.6A Active CN113688558B (zh) | 2021-06-18 | 2021-06-18 | 一种基于大数据库样本的汽车行驶工况构建方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113688558B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114462857B (zh) * | 2022-02-09 | 2022-08-30 | 中国汽车工程研究院股份有限公司 | 在用新能源汽车的高风险车辆筛选方法及存储介质 |
CN115906282B (zh) * | 2022-11-14 | 2024-05-24 | 昆山适途模型科技有限公司 | 一种基于整车仿真的汽车模拟方法及系统 |
CN115798239B (zh) * | 2022-11-17 | 2023-09-22 | 长安大学 | 一种车辆运行道路区域类型辨识方法 |
CN115601855B (zh) * | 2022-11-29 | 2023-04-07 | 天津所托瑞安汽车科技有限公司 | 车辆行驶工况构建方法、电子设备及存储介质 |
CN117109934A (zh) * | 2023-06-07 | 2023-11-24 | 上汽通用五菱汽车股份有限公司 | 一种能耗测试方法、装置、设备及存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110126845A (zh) * | 2019-05-22 | 2019-08-16 | 浙江吉利控股集团有限公司 | 一种基于行驶工况的车辆控制方法和控制系统及车辆 |
CN111339638A (zh) * | 2020-02-05 | 2020-06-26 | 江苏大学 | 一种基于现有数据的汽车行驶工况构建方法 |
WO2020187100A1 (zh) * | 2019-03-15 | 2020-09-24 | 中国汽车技术研究中心有限公司 | 一种实际道路行驶工况库及构建方法 |
CN111832225A (zh) * | 2020-07-07 | 2020-10-27 | 重庆邮电大学 | 一种构建汽车行驶工况的方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8463718B2 (en) * | 2000-08-07 | 2013-06-11 | Health Discovery Corporation | Support vector machine-based method for analysis of spectral data |
-
2021
- 2021-06-18 CN CN202110677337.6A patent/CN113688558B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2020187100A1 (zh) * | 2019-03-15 | 2020-09-24 | 中国汽车技术研究中心有限公司 | 一种实际道路行驶工况库及构建方法 |
CN110126845A (zh) * | 2019-05-22 | 2019-08-16 | 浙江吉利控股集团有限公司 | 一种基于行驶工况的车辆控制方法和控制系统及车辆 |
CN111339638A (zh) * | 2020-02-05 | 2020-06-26 | 江苏大学 | 一种基于现有数据的汽车行驶工况构建方法 |
CN111832225A (zh) * | 2020-07-07 | 2020-10-27 | 重庆邮电大学 | 一种构建汽车行驶工况的方法 |
Non-Patent Citations (2)
Title |
---|
基于PCA主成分分析和K-means算法的汽车行驶工况数据量化研究;王沛;陈劲杰;;软件工程(第03期);全文 * |
基于主成分和BP神经网络的行驶工况辨别研究;王楠楠;徐小东;李建松;;长春师范大学学报(第06期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN113688558A (zh) | 2021-11-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113688558B (zh) | 一种基于大数据库样本的汽车行驶工况构建方法及系统 | |
CN112966853B (zh) | 基于时空残差混合模型的城市路网短时交通流预测方法 | |
CN110705774A (zh) | 一种车辆能耗分析的预测方法和系统 | |
CN116681176B (zh) | 一种基于聚类和异构图神经网络的交通流预测方法 | |
Vychuzhanin et al. | Analysis and structuring diagnostic large volume data of technical condition of complex equipment in transport | |
CN113011559A (zh) | 基于kubernetes的自动机器学习方法及系统 | |
Qiu et al. | A Clustering-Based optimization method for the driving cycle construction: A case study in fuzhou and Putian, China | |
CN114817371A (zh) | 一种基于XGBoost的车辆行驶工况识别方法 | |
CN114332825A (zh) | 基于深度学习的道路地形分布识别方法、设备和存储介质 | |
Chehida et al. | Learning and analysis of sensors behavior in IoT systems using statistical model checking | |
CN116307298B (zh) | 一种基于多源异构张量数据的组合碳排放预测方法 | |
Guo et al. | Application of PCA-K-means++ combination model to construction of light vehicle driving conditions in intelligent traffic | |
Xu et al. | Analysis and prediction of vehicle exhaust emission using ann | |
CN112035536A (zh) | 一种考虑动态路网交通流的电动汽车能耗预测方法 | |
CN114826764B (zh) | 一种基于集成学习的边缘计算网络攻击识别方法及系统 | |
CN116663742A (zh) | 基于多因素和模型融合的区域运力预测方法 | |
CN114841283A (zh) | 新能源车辆的行驶工况确定方法、装置、设备及介质 | |
CN111985526B (zh) | 一种基于相似场景聚类的尾随间隔管理策略生成方法及其系统 | |
CN111626508B (zh) | 基于xgboost模型的轨道交通车载数据预测方法 | |
CN115169630A (zh) | 一种电动汽车充电负荷预测方法及装置 | |
Sun et al. | Freeway traffic safety state classification method based on multi-parameter fusion clustering | |
CN113191569A (zh) | 一种基于大数据的企业管理方法及系统 | |
Wang | Vehicle refueling behavior model based on spatio-temporal big data monitoring platform | |
CN116701912B (zh) | 基于一维卷积神经网络的轴承故障诊断方法及系统 | |
Yıldırım et al. | Use of Fpga for Real-Time K-Means Clustering Algorithm |
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 |