CN114332825B - 基于深度学习的道路地形分布识别方法、设备和存储介质 - Google Patents
基于深度学习的道路地形分布识别方法、设备和存储介质 Download PDFInfo
- Publication number
- CN114332825B CN114332825B CN202210227949.XA CN202210227949A CN114332825B CN 114332825 B CN114332825 B CN 114332825B CN 202210227949 A CN202210227949 A CN 202210227949A CN 114332825 B CN114332825 B CN 114332825B
- Authority
- CN
- China
- Prior art keywords
- driving
- road
- motor vehicle
- deep learning
- 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
- 238000013135 deep learning Methods 0.000 title claims abstract description 51
- 238000000034 method Methods 0.000 title claims abstract description 45
- 238000009826 distribution Methods 0.000 title claims abstract description 42
- 238000003860 storage Methods 0.000 title claims abstract description 21
- 238000000605 extraction Methods 0.000 claims abstract description 13
- 238000010606 normalization Methods 0.000 claims abstract description 9
- 238000012876 topography Methods 0.000 claims description 45
- 238000012549 training Methods 0.000 claims description 34
- 230000006870 function Effects 0.000 claims description 23
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 claims description 11
- 229910052799 carbon Inorganic materials 0.000 claims description 11
- 230000007935 neutral effect Effects 0.000 claims description 7
- 230000008569 process Effects 0.000 claims description 7
- 238000004590 computer program Methods 0.000 claims description 6
- 230000009467 reduction Effects 0.000 claims description 6
- 239000000126 substance Substances 0.000 claims description 3
- 238000013459 approach Methods 0.000 claims description 2
- 238000010586 diagram Methods 0.000 description 10
- 230000007246 mechanism Effects 0.000 description 7
- 238000003062 neural network model Methods 0.000 description 5
- 239000000446 fuel Substances 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000012795 verification Methods 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000004140 cleaning Methods 0.000 description 2
- 238000013136 deep learning model Methods 0.000 description 2
- 230000000994 depressogenic effect Effects 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 238000002372 labelling Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 239000013307 optical fiber Substances 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 241000208340 Araliaceae Species 0.000 description 1
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 1
- 235000003140 Panax quinquefolius Nutrition 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 230000009194 climbing Effects 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000003912 environmental pollution Methods 0.000 description 1
- 235000008434 ginseng Nutrition 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000004321 preservation Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Landscapes
- Traffic Control Systems (AREA)
Abstract
本发明实施例公开了一种基于深度学习的道路地形分布识别方法、设备和存储介质。其中，方法包括：获取机动车在一时间段内的行驶数据，以及用于区分不同道路地形的多个行驶状态；根据所述行驶数据，计算所述时间段内每个行驶状态的时间占比；将所述多个行驶状态的时间占比输入训练好的深度学习网络，预测所述时间段内所述机动车在每种道路地形的行驶里程占比；其中，所述深度学习网络包括：多头自注意力编码层、特征提取层、全连接层和归一化层。本实施例提高了识别准确度。
Description
技术领域
本发明实施例涉及深度学习领域，尤其涉及一种基于深度学习的道路地形分布识别方法、设备和存储介质。
背景技术
随着机动车的保有量的日益提升，碳排放带来的环境污染问题日益严重，对机动车的远程实时监控越来越重要。道路地形识别是机动车远程实时监控的基础，机动车在不同道路地形行驶时产生的碳排放量也不相同。
现有技术中，通常将道路地形的识别视为分类问题，将不同的道路地形作为不同的分类，识别某一时段或路段最有可能属于的一种道路地形。但在实际应用中，某一时段或路段内机动车行驶的道路地形有可能是变化的，采用分类方式难以识别出真实的道路地形。
发明内容
本发明实施例提供一种基于深度学习的道路地形分布识别方法、设备和存储介质，以提高地形识别的准确度。
第一方面，本发明实施例提供了一种基于深度学习的道路地形分布识别方法，包括：
获取机动车在一时间段内的行驶数据，以及用于区分不同道路地形的多个行驶状态；
根据所述行驶数据，计算所述时间段内每个行驶状态的时间占比；
将所述多个行驶状态的时间占比输入训练好的深度学习网络，预测所述时间段内所述机动车在每种道路地形的行驶里程占比；
其中，所述深度学习网络包括：多头自注意力编码层、特征提取层、全连接层和归一化层；所述多头自注意力编码层用于计算所述多个行驶状态的时间占比之间的关系；所述特征提取层用于提取所述关系的局部特征；所述全连接层用于对所述特征提取层的输出进行全连接与降维，得到所述机动车在每种道路地形的行驶里程；所述归一化层用于计算每种道路地形的行驶里程占比。
第二方面，本发明实施例还提供了一种电子设备，所述电子设备包括：
一个或多个处理器；
存储器，用于存储一个或多个程序，
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现任一实施例所述的基于深度学习的道路地形分布识别方法。
第三方面，本发明实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现任一实施例所述的基于深度学习的道路地形分布识别方法。
本发明实施例使用基于自注意力机制的深度学习神经网络模型对机动车的行驶数据进行分析，通过多种行驶状态的时间占比识别机动车在一段时间内行驶的道路地形分布，识别结果相比于地形分类更加精细，提高了地形识别的精度；同时，无需对具体的时间地点进行识别分类，加强了对用户隐私的保护。此外，本实施例根据行驶数据间复杂的耦合性，在深度学习模型中通过多层自注意力编码层提取各时间占比之间的全局内在关系，通过特征提取层提取各时间占比之间的局部关系，实现了特征关系的全覆盖，进一步提高了模型的识别精度。
附图说明
为了更清楚地说明本发明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发明的一些实施方式，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是本发明实施例提供的一种基于深度学习的道路地形分布识别方法的流程图；
图2是本发明实施例提供的深度学习网络的结构示意图；
图3是本发明实施例提供的一种多头自注意力编码层的结构示意图；
图4是本发明实施例提供的一种x与x-logx的函数对比图；
图5是本发明实施例提供的机动车在不同道路地形上的行驶速度分布图；
图6是本发明实施例提供的机动车在不同道路地形上的行驶档位分布图；
图7是本发明实施例提供的一种电子设备的结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将对本发明的技术方案进行清楚、完整的描述。显然，所描述的实施例仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所得到的所有其它实施例，都属于本发明所保护的范围。
在本发明的描述中，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发明和简化描述，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发明的限制。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。
在本发明的描述中，还需要说明的是，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，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。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发明中的具体含义。
本发明实施例提供基于深度学习的道路地形分布识别方法，适用于对机动车在某一时段内的行驶道路地形分布进行识别的情况，本实施例由电子设备执行。该方法的流程图如图1所示，本实施例提供的方法具体包括：
S110、获取机动车在一时间段内的行驶数据，以及用于区分不同道路地形的多个行驶状态。
行驶数据指机动车在行驶过程中产生的运行数据。可选地，所述行驶数据包括：行驶速度、发动机转速、发动机扭矩、发动机节气门开度、行驶档位和油门踏板踩合状态；道路地形包括：高速公路、国道和山路；用于区分不同道路地形的多个行驶状态：高速行驶、低速行驶、低转速行驶、高档位行驶、驻车怠速行驶、带档滑行行驶、空挡滑行行驶、发动机外特性行驶、低速大扭矩行驶。
这些行驶状态能够较好地区分不同的道路地形。例如，高速行驶指速度超过一阈值（例如每小时70公里）的行驶状态，通常出现在高速公路中，能够用于区分高速公路和其他两种道路地形；发动机外特性行驶指发动机转速在2000转以下并且节气门开度为100%的行驶状态，在山路中通常不会出现，能够用于区分山路和其他两种道路地形。
S120、根据所述行驶数据，计算所述时间段内每个行驶状态的时间占比。
由于机动车的行驶状态和行驶道路都是实时变化的，因此本实施例计算每个行驶状态在所述时间段内的时间占比，用于预测该时间段内机动车在每种道路地形的行驶里程占比。
计算得到的多个行驶状态的时间占比包括：高速行驶的时间占比、低速行驶的时间占比、低转速行驶的时间占比、高档位行驶的时间占比、驻车怠速行驶的时间占比、带档滑行行驶的时间占比、空挡滑行行驶的时间占比、发动机外特性行驶的时间占比、低速大扭矩行驶的时间占比。
以高速行驶的时间占比为例，用机动车处于高速行驶状态的总时间除以所述一个时间段，就得到高速行驶的时间占比。其它行驶状态的时间占比类似，不再赘述。
S130、将所述多个行驶状态的时间占比输入训练好的深度学习网络，预测所述时间段内所述机动车在每种道路地形的行驶里程占比。
本实施例采用深度学习网络来建立该时间段内多个行驶状态的时间占比与每种道路地形的行驶里程占比之间的关系。所述深度学习网络包括：多头自注意力编码层、特征提取层、全连接层和归一化层。图2是本发明实施例提供的深度学习网络的结构示意图，如图2所示，多个行驶状态的时间占比输入多头自注意力编码层后，依次经过特征提取层、全连接层和归一化层（图中未显示），最终得到每种道路地形的行驶里程占比。
所述多头自注意力编码层用于计算所述多个行驶状态的时间占比之间的关系。图3是本发明实施例提供的一种多头自注意力编码层的结构示意图，如图3所示，采用4个自注意力层组合成为多头自注意力编码层，可选地，网络深度为6层。
由于机动车的不同行驶状态的时间占比之间相互存在内在关系，因此综合分析所有时间占比的内在关系能准确识别车辆行驶的道路地形。而基于多头自注意力机制的神经网络能够对所有时间占比进行多维度多层次的矩阵运算，准确捕捉各时间占比间的内在关系，挖掘不同的时间占比之间的关联性。与基于局部计算的卷积神经网络模型相比，基于多头自注意力机制的神经网络模型准确度更高，训练速度更快。因此本实施例采用基于多头自注意力机制的神经网络模型作为主干网络。
所述特征提取层用于提取所述多个行驶状态的时间占比之间的关系的局部特征。可选地，所述特征提取层为卷积层。多头自注意力编码层擅长提取全局内在关系，但缺少捕获局部关系的能力。为提升算法的表征能力，此处使用卷积层处理经多头自注意力编码层的输出结果，以捕捉相应的局部特征。可选地，采用3层3×3×128的卷积层，每层的激活函数使用Relu函数。
所述全连接层用于对提取了局部特征的多个时间占比之间的关系进行全连接与降维，得到所述机动车在每种道路地形的行驶里程。可选地，采用两层1024维全连接层，在多个尺度更好地计算用于降维的加权权重，对提取了局部特征的多个时间占比之间的关系进行全连接和加权降维，得到n维输出。其中，n表示道路地形的数量，每一维输出代表了一种道路地形的行驶里程。
所述归一化层用于计算每种道路地形的行驶里程占比。可选地，归一化层为Softmax层，通过以下公式计算所述机动车在每种道路地形的行驶里程占比：
其中，S i 表示第i种道路地形的行驶里程占比，f i 表示第i种道路地形的行驶里程。
本实施例的技术效果：本实施例使用基于自注意力机制的深度学习神经网络模型对机动车的行驶数据进行分析，通过多种行驶状态的时间占比识别机动车在一段时间内行驶的道路地形分布，识别结果相比于地形分类更加精细，提高了地形识别的精度；同时，无需对具体的时间地点进行识别分类，加强了对用户隐私的保护。此外，本实施例根据行驶数据间复杂的耦合性，在深度学习模型中通过多层自注意力编码层提取各时间占比之间的全局内在关系，通过特征提取层提取各时间占比之间的局部关系，实现了特征关系的全覆盖，进一步提高了模型的识别精度。
可选地，将所述多个行驶状态的时间占比输入训练好的深度学习网络，预测所述时间段内所述机动车在每种道路地形的行驶里程占比之后，还包括：根据预测的每种道路地形的行驶里程占比，计算所述机动车在所述时间段内的碳排放量。
具体来说，用机动车在每种道路地形的碳排放因子，乘以机动车在该时间段内总的行驶里程，再乘以每种道路地形的形式列成占比，就可以得到机动车在该时间段的碳排放量。其中，碳排放因子用于表征机动车在单位里程中的碳排放量，可以通过大数据方式进行标定。
本实施例根据不同道路地形的行驶里程占比计算机动车的碳排放量，便于考虑机动车在不同道路地形的碳排放量特性，提高了碳排放量计算的准确度和效率。
在上述实施例和下述实施例的基础上，本实施例对模型的训练过程进行细化。可选地，将所述多个行驶状态的时间占比输入训练好的深度学习网络之前，还包括如下步骤：
步骤一、根据所述机动车在多个时间段中每个时间段内的行驶数据，计算每个时间段内每个行驶状态的时间占比。
此处多个时间段内的行驶数据为训练数据，用于训练所述深度学习网络。
步骤二、依次将每个时间段内所述多个行驶状态的时间占比作为训练样本，输入待训练的深度学习网络进行训练，使所述待训练的深度学习网络预测的每种道路地形的行驶里程占比逼近标注的每种道路地形的行驶里程占比。
标注的行驶里程占比代表真实的行驶里程占比，可以来自于人工标注，也可以来自于计算机自动标注。
其中，训练过程中根据如下损失函数更新所述待训练的深度学习网络的参数：
其中，n表示道路地形的数量，y i 表示标注的第i种道路地形的行驶里程占比，a i 表示预测的第i种道路地形的行驶里程占比。
具体来说，本实施例搭建的深度学习网络是前馈神经网络，通过链式反向传播逐级往上进行参数的更新调整从而完成模型训练。传统的训练方式使用欧式距离损失函数作为网络的损失函数，公式如下：
若直接使用此损失函数，当存在样本不均衡的情况时，会出现模型容易过拟合，泛化能力差等缺点，导致识别准确度降低。例如，如果机动车在国道行驶的时间远超于在高速公路和山路行驶的时间，则训练样本中在国道的行驶里程占比远远大于在高速公路和山路行驶的行驶里程占比，会出现由于样本不均衡而导致的过拟合现象。
有鉴于此，本实施例通过对标注结果y i 和预测结果a i 进行如下改进：若将任一识别结果（标注结果或预测结果）记为x，则在损失函数（2）中将x优化为x-logx，得到公式（1）所示的优化损失函数。
图4是本发明实施例提供的一种x与x-logx的函数对比图。-logx的函数曲线在[0,1]取值区间呈现负相关性，取值随着x的增大而减小。当存在样本不均衡的情况时，-logx能够放大小样本（对应小的行驶里程占比的样本）在整体训练中的影响，缩小大样本（对应大的行驶里程占比的样本）在整体训练中的影响，以缓解占比失衡的问题。但当x取值接近1的时候，-logx接近0，会导致训练时该样本被忽略。为了避免这一问题，在-logx前增加了x，形成了x-logx的最终形式。
此外，优化后的损失函数计算的仍是同一个样本的预测结果和标注结果之间的相似性，并没有进行多个样本之间的交叉计算，与传统的交叉熵损失函数不同。
在一具体实施方式中，训练过程首先初始化深度学习网络中的所有网络参数，然后向初始化后的网络中输入训练样本集进行训练。训练时进行反向传播，使用公式（1）所示的损失函数，利用基于多头注意力机制的神经网络作为主干网络，进行参数调整。直到深度学习网络在验证集上的准确率达到设定阈值（如0.001）时停止训练。训练好的深度学习网络用于预测机动车的行驶道路地形分布。
本实施例采用优化的损失函数解决样本不均衡时导致的占比失衡问题，避免大量同类样本存在导致的模型容易过拟合，提高深度学习网络的泛化能力，提高识别准确度。
可选地，将每个时间段内所述多个行驶状态的时间占比作为训练样本，输入待训练的深度学习网络进行训练之前，还包括：获取所述机动车在每个时间段内的经纬度位置；根据所述经纬度位置，标注每个时间段内所述机动车在每种道路地形的行驶里程占比。
本实施例通过机动车的经纬度位置对训练样本进行标注。具体来说，可以通过经纬度位置和地形数据库，确定机动车在每个经纬度位置的道路地形；根据多个经纬度位置的道路地形和多个经纬度位置之间的行驶里程，计算每种道路地形的行驶里程占比，实现对道路地形的行驶里程占比的标注。
在上述实施例和下述实施例的基础上，本实施例对行驶状态的确定进行细化。本实施例通过不同行驶状态的时间占比预测每种道路地形的行驶里程占比，因此确定能够准确区分不同道路地形的行驶状态，有利于提高地形识别的准确性。本实施例提供两种行驶状态确定方式，通过行驶数据在不同道路地形的分布差异来确定行驶状态。
方式一、根据一种类型的行驶数据在不同道路地形的分布差异确定行驶状态。
可选地，获取机动车在一时间段内的行驶数据，以及用于区分不同道路地形的多个行驶状态之前，还包括：根据所述机动车的一种类型的行驶数据在不同道路地形上的分布差异，确定对应于所述类型的、用于区分不同道路地形的行驶状态。
如果一种类型的行驶数据在不同道路地形上的分布差异较大，则通过所述一种类型的行驶数据的分布就可以区分不同道路地形。具体来说，根据所述一种类型的行驶数据在不同道路地形上的分布差异，确定对应于所述类型的阈值；根据所述阈值构建对应于所述类型的、用于区分不同道路地形的行驶状态。
在一具体实施方式中，机动车的行驶速度在不同道路地形上的分布差异较大，则根据行车速度在不同道路地形上的分布差异，确定对应于车速的阈值；根据所述阈值构建对应于车速的、用于区分不同道路地形的行驶状态。
图5是本发明实施例提供的机动车在不同道路地形上的行驶速度分布图。如图5所示，当机动车行驶在高速公路时，由于高速公路要求机动车的行驶速度较快，因此车速普遍高于70公里每小时。当机动车在山路行驶时，由于山路道路较窄，行驶时较危险，因此车速普遍小于30公里每小时。当机动车行驶在国道上时，速度分布较为均匀，普遍低于70公里每小时。
因此，本实施例确定每小时70公里和每小时30公里为对应于行驶速度的阈值，根据所述阈值构建对应于行驶速度的行驶状态，包括高速行驶和低速行驶。其中，高速行驶指速度超过每小时70公里的行驶状态，能够用于区分高速公路和其他两种道路地形；低速行驶指速度小于每小时30公里的行驶状态，低速行驶在三种道路地形中的分布具有明显区别，能够用于区分三种道路地形。
在另一具体实施方式中，机动车的行驶档位在不同道路地形上的分布差异较大，则根据行驶档位在不同道路地形上的分布差异，确定对应于行驶档位的阈值；根据所述阈值构建对应于行驶档位的、用于区分不同道路地形的行驶状态。
可选地，本实施例用行驶速度和发动机转速的比值作为行驶档位。图6是本发明实施例提供的机动车在不同道路地形上的行驶档位分布图。如图6所示，当机动车行驶在高速公路时，由于高速公路要求机动车的行驶速度较快，因此普遍以高档位行驶。当机动车在山路行驶时，由于山路道路较窄，行驶时较危险，因此普遍以低档位行驶。当机动车行驶在国道上时，倾向于使用中低挡位。
因此，本实施例确定0.025为对应于行驶档位的阈值，根据所述阈值构建对应于行驶档位的行驶状态。其中，行驶档位高于0.025的行驶状态为高档位行驶，高档位行驶在三种道路地形中的分布具有明显区别，能够用于区分三种道路地形。
类似的一种类型的行驶数据还包括：发动机转速。对应于发动机转速的行驶状态包括：低转速行驶，指发动机转速低于一定阈值（例如，1200转）的行驶状态。
方式二、根据多种类型的行驶数据在不同道路地形的分布差异确定行驶状态。
可选地，获取机动车在一时间段内的行驶数据，以及用于区分不同道路地形的多个行驶状态之前，还包括：根据所述机动车的多种类型的行驶数据组合在不同道路地形上的分布差异，确定对应于所述多种类型的、用于区分不同道路地形的行驶状态。
机动车行驶过程中，不同类型的行驶数据间存在复杂的耦合性，会产生多种多样的行驶状态。如果多种类型行驶数据的组合在不同道路地形上的分布差异较大，则通过该组合的分布就可以区分不同道路地形。具体来说，为所述组合中每种类型的行驶数据分别设定阈值；根据多个阈值构建对应于所述多种类型的、用于区分不同道路地形的行驶状态。
在一具体实施方式中，将行驶速度低于一阈值（例如，每小时30公里）且发动机扭矩与最大扭矩的比值大于另一阈值（例如，0.7）的行驶状态确定为低速大扭矩行驶，将发动机转速不为0且行驶速度为0的行驶状态确定为驻车怠速行驶，将行驶档位大于0、行驶速度不为0且油门踏板被踩下的行驶状态确定为带档滑行行驶，将行驶档位为0、行驶速度不为0且发动机踏板未被踩下的行驶状态确定为空挡滑行行驶，将发动机转速小于2000转且节气门开度为100%的行驶状态确定为发动机外特性行驶。
表1显示了以上几种行驶状态在不同道路地形中的时间占比。其中，第一行数据显示了机动车行驶在高速公路时，各种行驶状态出现的时间占比。同理，第二行数据和第三行数据分别对应机动车行驶在国道和山路时，各种行驶状态出现的时间占比。
表1
| 低速大扭矩行驶的时间占比 | 空档滑行行驶的时间占比 | 驻车怠速行驶的时间占比 | 发动机外特性行驶的时间占比 | |
| 高速公路 | 0% | 1.26% | 0% | 16.12% |
| 国道 | 0.26% | 0.34% | 3.64% | 4.25% |
| 山路 | 11.234% | 6.35% | 0.12% | 0% |
从表1可以看出，这些组合起来的行驶状态在不同道路地形上的分布均有明显不同，均能够有效区分不同的道路地形。结合机动车的实际行驶特性进一步分析：由于山路地势起伏，爬坡较多，上坡时机动车在山路以低速大扭矩和发动机外特性行驶的时间较多，下坡时以空挡滑行行驶的时间较多；国道会出现堵车等情况，且部分地区有红绿灯，因此机动车在国道行驶时会出现驻车怠速等情况；此外，机动车在高速公路行驶时，速度较快且很少有堵车等现象，充分发挥发动机效率，因此发动机外特性实行的时间占比多于国道和山路。可见，表1所示的分布规律与机动车的实际行驶特性相符，能够用于区分不同的道路地形。
在一具体实施方式中，采用方式一和方式二共同确定出以下行驶状态，用于区分一种道路类型：
（1）通过高速行驶、高档位行驶和低速大扭矩行驶三种行驶状态，共同区分高速公路与其它两种道路地形；
（2）通过低速行驶、低转速行驶、高档位行驶和驻车怠速行驶四种行驶状态，共同区分国道与其它两种道路地形；
（3）通过带档滑行行驶、空挡滑行行驶、发动机外特性行驶和低速大扭矩行驶四种行驶状态，共同区分山路与其它两种道路地形；
可以看出，各行驶状态与各道路地形是交叉映射的关系。每种行驶状态可以用于区分至少一种道路地形，每种道路地形也可以通过至少一种行驶状态进行区分。
下面通过一个具体的应用实施例来说明上述识别方法的具体过程和有效性。该应用实施例包括如下步骤：
S1、通过车载T-BOX获取机动车在一个月内的实际行驶数据和经纬度位置。
S2、对所述实际行驶数据进行滤波，得到最终的行驶数据。
由于换挡、急加速、急刹车等因素导致实际行驶数据存在噪音和无效数据。因此，使用卡尔曼滤波对实际行驶数据进行清洗，剔除无效数据。
S3、将最终的行驶数据按照30分钟的时间间隔进行切分，得到多组样本数据；并根据经纬度位置标注每组样本数据中不同道路地形的行驶里程占比。
S4、对多组样本数据进行清洗，根据清洗后的数据计算每组样本数据中每个行驶状态的时间占比。
S5、搭建基于多头自注意力机制和全连接层的深度学习网络。
S6、将多组样本数据分为训练集和验证集。基于训练集开展网络训练，得到训练好的深度学习网络。
S7、利用验证集对训练好的深度学习网络进行评估。
可选地，采用平均绝对误差（MAE）值和均方根误差（RMSE）作为评价指标。表2显示了本实施例的深度学习网络和其它两种网络模型的评价指标对比。可以看出，本实施例采用的深度学习网络比传统的VGG16和ResNet50相比，参数量更小，训练速度更快，准确率更高。
表2
| 参数量（百万） | 训练时间（小时） | 1-MAE | 1-RMSE | |
| 本实施例算法 | 1.19 | 0.49 | 0.965 | 0.958 |
| VGG16 | 138 | 9.54 | 0.832 | 0.826 |
| ResNet50 | 25.5 | 6.78 | 0.895 | 0.889 |
表3显示了使用上述实施例中优化的损失函数与传统的欧式距离损失函数对本实施例的深度学习网络进行训练的评价指标对比。可以看出，本发明实施例使用优化的损失函数解决了样本不均衡的问题，识别准确率更高。
表3
| MAE | RMSE | |
| 优化的损失函数 | 0.965 | 0.958 |
| 传统的欧式距离损失函数 | 0.907 | 0.893 |
图7为本发明实施例提供的一种电子设备的结构示意图，如图7所示，该设备包括处理器40、存储器41、输入装置42和输出装置43；设备中处理器40的数量可以是一个或多个，图7中以一个处理器40为例；设备中的处理器40、存储器41、输入装置42和输出装置43可以通过总线或其他方式连接，图7中以通过总线连接为例。
存储器41作为一种计算机可读存储介质，可用于存储软件程序、计算机可执行程序以及模块，如本发明实施例中的燃料电池仿真流阻值预测建模方法对应的程序指令/模块。处理器40通过运行存储在存储器41中的软件程序、指令以及模块，从而执行设备的各种功能应用以及数据处理，即实现上述的燃料电池仿真流阻值预测建模方法。
存储器41可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序；存储数据区可存储根据终端的使用所创建的数据等。此外，存储器41可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实例中，存储器41可进一步包括相对于处理器40远程设置的存储器，这些远程存储器可以通过网络连接至设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
输入装置42可用于接收输入的数字或字符信息，以及产生与设备的用户设置以及功能控制有关的键信号输入。输出装置43可包括显示屏等显示设备。
本发明实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现任一实施例的燃料电池流阻值函数训练方法或燃料电池流阻值预测方法。
本发明实施例的计算机存储介质，可以采用一个或多个计算机可读的介质的任意组合。计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质。计算机可读存储介质例如可以是但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子（非穷举的列表）包括：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器（RAM）、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本文件中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。
计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于无线、电线、光缆、RF等等，或者上述的任意合适的组合。
可以以一种或多种程序设计语言或其组合来编写用于执行本发明操作的计算机程序代码，程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络，包括局域网(LAN)或广域网(WAN)，连接到用户计算机，或者，可以连接到外部计算机（例如利用因特网服务提供商来通过因特网连接）。
最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各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，或者对其中部分或者全部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。
Claims (9)
1.一种基于深度学习的道路地形分布识别方法，其特征在于，包括：
获取机动车在一时间段内的行驶数据，以及用于区分不同道路地形的多个行驶状态；
根据所述行驶数据，计算所述时间段内每个行驶状态的时间占比；
将所述多个行驶状态的时间占比输入训练好的深度学习网络，预测所述时间段内所述机动车在每种道路地形的行驶里程占比；
其中，所述深度学习网络包括：多头自注意力编码层、特征提取层、全连接层和归一化层；所述多头自注意力编码层用于计算所述多个行驶状态的时间占比之间的关系；所述特征提取层用于提取所述关系的局部特征；所述全连接层用于对所述特征提取层的输出进行全连接与降维，得到所述机动车在每种道路地形的行驶里程；所述归一化层用于计算每种道路地形的行驶里程占比；
将所述多个行驶状态的时间占比输入训练好的深度学习网络之前，还包括：
根据所述机动车在多个时间段中每个时间段内的行驶数据，计算每个时间段内每个行驶状态的时间占比；
依次将每个时间段内所述多个行驶状态的时间占比作为训练样本，输入待训练的深度学习网络进行训练，使所述待训练的深度学习网络预测的每种道路地形的行驶里程占比逼近标注的每种道路地形的行驶里程占比；
其中，训练过程中根据如下损失函数更新所述待训练的深度学习网络的参数：
其中，n表示道路地形的数量，y i 表示标注的第i种道路地形的行驶里程占比，a i 表示预测的第i种道路地形的行驶里程占比。
2.根据权利要求1所述的道路地形分布识别方法，将每个时间段内所述多个行驶状态的时间占比作为训练样本，输入待训练的深度学习网络进行训练之前，还包括：
获取所述机动车在每个时间段内的经纬度位置；
根据所述经纬度位置，标注每个时间段内所述机动车在每种道路地形的行驶里程占比。
3.根据权利要求1所述的道路地形分布识别方法，其特征在于，所述不同道路地形包括：高速公路、国道和山路；
所述行驶数据包括：行驶速度、发动机转速、发动机扭矩、发动机节气门开度、行驶档位和油门踏板踩合状态。
4.根据权利要求3所述的道路地形分布识别方法，其特征在于，所述多个行驶状态包括：高速行驶、低速行驶、低转速行驶、高档位行驶、驻车怠速行驶、带档滑行行驶、空挡滑行行驶、发动机外特性行驶、低速大扭矩行驶。
5.根据权利要求3所述的道路地形分布识别方法，其特征在于，获取机动车在一时间段内的行驶数据，以及用于区分不同道路地形的多个行驶状态之前，还包括：
根据所述机动车的一种类型的行驶数据在不同道路地形上的分布差异，确定对应于所述类型的、用于区分不同道路地形的行驶状态；和/或
根据所述机动车的多种类型的行驶数据组合在不同道路地形上的分布差异，确定对应于所述多种类型的、用于区分不同道路地形的行驶状态。
6.根据权利要求3所述的道路地形分布识别方法，其特征在于，获取机动车在一时间段内的行驶数据，包括：
根据机动车在一时间段内的行驶速度和发动机转速，估算所述机动车在所述一时间段内的档位。
7.根据权利要求1所述的道路地形分布识别方法，其特征在于，将所述多个行驶状态的时间占比输入训练好的深度学习网络，预测所述时间段内所述机动车在每种道路地形的行驶里程占比之后，还包括：
根据预测的每种道路地形的行驶里程占比，计算所述机动车在所述时间段内的碳排放量。
8.一种电子设备，其特征在于，包括：
一个或多个处理器；
存储器，用于存储一个或多个程序，
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-7中任一所述的基于深度学习的道路地形分布识别方法。
9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1-7中任一所述的基于深度学习的道路地形分布识别方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210227949.XA CN114332825B (zh) | 2022-03-10 | 2022-03-10 | 基于深度学习的道路地形分布识别方法、设备和存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210227949.XA CN114332825B (zh) | 2022-03-10 | 2022-03-10 | 基于深度学习的道路地形分布识别方法、设备和存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114332825A CN114332825A (zh) | 2022-04-12 |
| CN114332825B true CN114332825B (zh) | 2022-06-17 |
Family
ID=81033314
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210227949.XA Active CN114332825B (zh) | 2022-03-10 | 2022-03-10 | 基于深度学习的道路地形分布识别方法、设备和存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114332825B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114509679B (zh) * | 2022-04-20 | 2022-07-12 | 中汽信息科技(天津)有限公司 | 基于深度学习的电池soh预测模型构建方法 |
| CN116226787B (zh) * | 2023-05-04 | 2023-08-01 | 中汽信息科技(天津)有限公司 | 商用车出险概率预测方法、设备和介质 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110956154A (zh) * | 2019-12-11 | 2020-04-03 | 哈尔滨高斯触控科技有限公司 | 一种基于cnn-lstm的振动信息地形分类识别方法 |
| CN111038334A (zh) * | 2019-12-31 | 2020-04-21 | 华人运通(江苏)技术有限公司 | 一种电动汽车续驶里程预测方法及装置 |
Family Cites Families (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106092600B (zh) * | 2016-05-31 | 2018-12-14 | 东南大学 | 一种针对汽车试验场强化道路的路面识别方法 |
| CN107161151B (zh) * | 2017-04-27 | 2019-05-28 | 广州汽车集团股份有限公司 | 车辆的动力分配控制方法、装置及系统 |
| CN108734306A (zh) * | 2018-04-03 | 2018-11-02 | 四川隧唐科技股份有限公司 | 一种数据处理方法、装置、道路维护系统及存储介质 |
| CN108873096A (zh) * | 2018-04-27 | 2018-11-23 | 四川隧唐科技股份有限公司 | 地质预测确认方法以及装置 |
| CN111114550B (zh) * | 2018-10-30 | 2021-11-23 | 长城汽车股份有限公司 | 车辆控制方法和控制装置及车辆和存储介质 |
| CN110789527A (zh) * | 2019-01-29 | 2020-02-14 | 长城汽车股份有限公司 | 车辆全地形自动控制方法及装置 |
| CN110091751B (zh) * | 2019-04-30 | 2021-01-08 | 深圳四海万联科技有限公司 | 基于深度学习的电动汽车续航里程预测方法、设备及介质 |
| CN110738754B (zh) * | 2019-07-16 | 2021-02-23 | 北京航空航天大学 | 车辆运动学片段提取方法、车辆工况分析方法及相应装置 |
| CN110834639A (zh) * | 2019-10-24 | 2020-02-25 | 中国第一汽车股份有限公司 | 车辆控制方法、装置、设备和存储介质 |
| CN111598142B (zh) * | 2020-04-26 | 2023-07-14 | 南京工业大学 | 一种用于轮式移动机器人的室外地形分类方法 |
| CN111721535B (zh) * | 2020-06-23 | 2021-11-30 | 中国人民解放军战略支援部队航天工程大学 | 一种基于卷积多头自注意力机制的轴承故障检测方法 |
| CN112016459B (zh) * | 2020-08-28 | 2024-01-16 | 上海大学 | 一种基于自注意力机制的驾驶员动作识别方法 |
| CN113057633B (zh) * | 2021-03-26 | 2022-11-01 | 华南理工大学 | 多模态情绪压力识别方法、装置、计算机设备及存储介质 |
| CN113468978B (zh) * | 2021-05-26 | 2023-11-24 | 北京邮电大学 | 基于深度学习的细粒度车身颜色分类方法、装置和设备 |
-
2022
- 2022-03-10 CN CN202210227949.XA patent/CN114332825B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110956154A (zh) * | 2019-12-11 | 2020-04-03 | 哈尔滨高斯触控科技有限公司 | 一种基于cnn-lstm的振动信息地形分类识别方法 |
| CN111038334A (zh) * | 2019-12-31 | 2020-04-21 | 华人运通(江苏)技术有限公司 | 一种电动汽车续驶里程预测方法及装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114332825A (zh) | 2022-04-12 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN114332825B (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 | |
| CN110610260B (zh) | 行车能耗预测系统、方法、存储介质和设备 | |
| Chen et al. | Sdcae: Stack denoising convolutional autoencoder model for accident risk prediction via traffic big data | |
| CN109697854B (zh) | 多维度的城市道路交通状态评估方法 | |
| CN110188797B (zh) | 一种基于贝叶斯优化的智能汽车快速测试方法 | |
| CN110738855B (zh) | 一种数据稀疏时间段的道路交通流状况预测方法 | |
| CN102087788A (zh) | 基于浮动车车速置信度的交通状态参数估计方法 | |
| CN110705774A (zh) | 一种车辆能耗分析的预测方法和系统 | |
| CN111339638B (zh) | 一种基于现有数据的汽车行驶工况构建方法 | |
| CN115422747A (zh) | 一种机动车尾气污染物排放量的计算方法和计算装置 | |
| CN114817371A (zh) | 一种基于XGBoost的车辆行驶工况识别方法 | |
| CN113657432A (zh) | 一种基于车联网数据的商用车驾驶行为风险等级辨识方法 | |
| CN111680888B (zh) | 基于rfid数据确定路网容量的方法 | |
| 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 | |
| CN110689131A (zh) | 一种基于朴素贝叶斯模型的车辆能耗影响分析方法 | |
| Xing et al. | Driving cycle recognition for hybrid electric vehicle | |
| CN114841283A (zh) | 新能源车辆的行驶工况确定方法、装置、设备及介质 | |
| CN111985782B (zh) | 基于环境感知的自动驾驶有轨电车运行风险评估方法 | |
| CN116884225B (zh) | 评估自动驾驶车辆比例对交通效率影响的方法及装置 | |
| CN114013285B (zh) | 一种电动汽车实际续驶里程评估方法 | |
| CN112035546B (zh) | 一种车况信号数据的油耗相关性因子分析方法 | |
| CN116881796B (zh) | 基于卡尔曼滤波的燃油车续航里程预测方法 | |
| CN116978232B (zh) | 一种基于车联网的车辆数据管理系统及方法 | |
| CN111833601B (zh) | 一种低通信开销的宏观交通规律建模方法 | |
| Lobato et al. | Quantifying Repeatability of Real-World On-Road Driving Using Dynamic Time Warping |
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 | ||
| EE01 | Entry into force of recordation of patent licensing contract |
Application publication date: 20220412 Assignee: Zhongqi Intellectual Property (Guangzhou) Co.,Ltd. Assignor: China automobile information technology (Tianjin) Co.,Ltd. Contract record no.: X2024440000002 Denomination of invention: Road terrain distribution recognition method, equipment, and storage medium based on deep learning Granted publication date: 20220617 License type: Common License Record date: 20240105 |
|
| EE01 | Entry into force of recordation of patent licensing contract |