CN114528646B - 一种基于在线地图数据的车辆行驶工况构建方法 - Google Patents

Abstract

本发明公开了一种基于在线地图数据的车辆行驶工况构建方法，包括步骤：步骤S1，在现有的在线地图中形成车辆的规划路径，然后从在线地图API接口中获取对应的关键信息；步骤S2，根据所述关键信息，确定车辆的仿真工况曲线的横坐标，以及计算获得车辆的交通信号灯停车时间和车辆在整个规划路径的需求车速；步骤S3，分别以车辆在整个规划路径的需求车速和车辆的交通信号灯停车时间为纵坐标，并根据车辆的仿真工况曲线的横坐标，绘制获得车辆的仿真工况曲线。本发明能够在在线地图API接口提供数据有限的情况下，真实还原汽车行驶工况，自动构建出能够反映车辆实际行驶状态的仿真工况，为汽车能耗优化与仿真测试提供依据。

Description

一种基于在线地图数据的车辆行驶工况构建方法

技术领域

本发明涉及汽车开发与测试技术领域，特别是涉及一种基于在线地图数据的车辆行驶工况构建方法。

背景技术

目前，在汽车开发与测试过程中，仿真工况（工况，是指设备在和其动作有直接关系的条件下的工作状态）是影响车辆能耗水平的重要因素，车辆的仿真工况越接近于车辆的实际行驶工况，仿真结果越可信，则基于此工况进行车辆能耗优化的结果越理想。

但是，当前采用的汽车仿真工况是标准循环工况（如新欧洲驾驶循环NEDC、全球统一轻型车辆测试循环WLTC、中国轻型汽车乘用车行驶工况CLTC-P等），与车辆实际行驶工况尚有较大差距，并没有考虑道路的实际拥堵情况、交通信号灯的分布、时间等一系列因素，使得汽车的仿真结果与实际行驶状况存在较大的差距。

因此，目前迫切需要开发出一种技术，能够解决以上技术问题。

发明内容

本发明的目的是针对现有技术存在的技术缺陷，提供一种基于在线地图数据的车辆行驶工况构建方法。

为此，本发明提供了一种基于在线地图数据的车辆行驶工况构建方法，包括以下步骤：

步骤S1，在现有的在线地图中输入起止点的位置，形成车辆的规划路径，然后从在线地图API接口中获取对应的关键信息；

其中，关键信息，至少包含规划路径总长度、规划路径总通过时间、交通段长度与通过时间、交通片段长度与拥堵系数、交通信号灯数量和道路属性；

步骤S2，根据所述关键信息，执行曲线距离横坐标的确定操作，确定车辆的仿真工况曲线的横坐标，以及计算获得车辆的交通信号灯停车时间和计算获得车辆在整个规划路径的需求车速；

步骤S3，分别以车辆在整个规划路径的需求车速和车辆的交通信号灯停车时间为纵坐标，并根据所述车辆的仿真工况曲线的横坐标，绘制获得车辆的仿真工况曲线，该车辆的仿真工况曲线为双轴坐标曲线。

由以上本发明提供的技术方案可见，与现有技术相比较，本发明提供了一种基于在线地图数据的车辆行驶工况构建方法，其设计科学，其根据规划路径实时读取在线地图API数据，能够在在线地图API接口提供数据有限的情况下，真实还原汽车行驶工况（即真实还原车辆的交通场景），自动化构建出能够反映车辆实际行驶状态（即车辆实际交通状态）的仿真工况，用于汽车仿真分析与能耗优化，为汽车能耗优化与仿真测试提供依据，具有重大的实践意义。

附图说明

图1为本发明提供的一种基于在线地图数据的车辆行驶工况构建方法的流程图；

图2为本发明提供的一种基于在线地图数据的车辆行驶工况构建方法中的规划路径示意图；

图3为本发明提供的一种基于在线地图数据的车辆行驶工况构建方法中，车辆的交通信号灯停车时间的计算流程图；

图4为本发明提供的一种基于在线地图数据的车辆行驶工况构建方法中，车辆在每个均速段的目标车速的计算流程图；

图5为本发明提供的一种基于在线地图数据的车辆行驶工况构建方法中，车辆在目标车速突变点的需求车速的计算流程图；

图6为在本发明中，所构造的一种决策树的示意图；

图7为本发明中，所构造的车辆行驶工况示意图，该图显示了车辆的目标车速突变点（速度突变点）、交通片段平均车速曲线、均速段目标车速以及车辆在整个规划路径的需求车速分布曲线。

具体实施方式

为了使本技术领域的人员更好地理解本发明方案，下面结合附图和实施方式对本发明作进一步的详细说明。

参见图1至图7，本发明提供了一种基于在线地图数据的车辆行驶工况构建方法，用于构建车辆的仿真工况曲线，包括以下步骤：

步骤S1，参见图2，在现有的在线地图（具体是在线地图软件，例如百度地图软件、高德地图软件）中输入起止点（即起点和终点）的位置，形成车辆的规划路径，然后从在线地图API接口（Application Programming Interface，应用程序接口）中获取对应的关键信息；

其中，关键信息，至少包含规划路径总长度、规划路径总通过时间、交通段长度与通过时间、交通片段长度与拥堵系数、交通信号灯数量和道路属性。

具体实现上，参见图2所示，规划路径A包含一个或多个交通段B，每个交通段B包含一个或者多个交通片段C。

需要说明的是，在本发明中，对于关键信息，规划路径总长度，是指在所述在线地图输入起止点的位置后，在线地图自动生成的路径长度，是构建的车辆行驶工况总距离约束。

规划路径总通过时间，是指在所述在线地图输入起止点的位置后，在线地图自动预估的通过时间，是构建的车辆行驶工况总时间约束。

交通段，定义为：规划路径按照在线地图内置规则划分为多段（该内置规则，例如可以是将任意相邻的两个红绿灯之间的路径，划分为交通段；当然，还可以是在线地图内置的其他划分规则），每一段称为交通段，每一段的长度称为交通段长度，每一段的通过时间为交通段通过时间，通过交通段长度除以交通段通过时间，由此可以得出交通段的平均车速。

同理，交通片段，定义为：每个交通段按照在线地图内置规则划分为多段（该内置规则，例如可以是将交通段内任意一个车辆的车头与车位之间的路径距离以及以交通信号灯为中点、交通信号灯所在位置前后方向预设长度所覆盖的一段路径，划分为交通片段；当然，还可以是在线地图内置的其他划分规则），每一段称为交通片段，每一段的长度称为交通片段长度；此外，在线地图数据会给出每一交通片段的拥堵系数，称为交通片段拥堵系数，在线地图基于交通段通过时间、交通片段长度与交通段长度之比、拥堵系数，可以得出每一个交通片段的通过时间，由此通过交通片段长度除以交通片段的通过时间，可以得出每一个交通片段的平均车速。

道路属性，用于定义道路的类型，包括城市主干道、辅路、省道、国道和高速路等类型。

步骤S2，根据所述关键信息，执行曲线距离横坐标的确定操作，确定车辆的仿真工况曲线的横坐标，以及计算获得车辆的交通信号灯停车时间和计算获得车辆在整个规划路径的需求车速（即需要的车速）；

需要说明的是，车辆的交通信号灯停车时间，以及车辆在整个规划路径的需求车速（即需要的车速），将作为车辆的仿真工况曲线的纵坐标；

步骤S3，分别以车辆在整个规划路径的需求车速和车辆的交通信号灯停车时间为纵坐标（即双纵坐标），并根据所述车辆的仿真工况曲线的横坐标，绘制获得车辆的仿真工况曲线，该车辆的仿真工况曲线为双轴坐标曲线（具体包括两条曲线）。

在本发明中，在步骤S2中，车辆的交通灯停车时间，指车辆途径交通灯时的停车时间。需要说明的是，并非途径的所有交通灯均要停车，途径交通灯是否停车、停车多长时间均需要计算得出，具体见下文所述。

在步骤S2中，车辆的需求车速，是由计算得出的目标车速及目标车速突变点位置，通过重构加减速过程融合而成。

车速突变解释如下：

如果车辆在X1位置时目标车速为V1，在X2位置时目标车速为V2， X1与X2位置相距极近（小于预设距离差值），且V1与V2差别较大（大于预设速度差值），此时判断目标车速产生了突变点，X2是目标车速突变点。鉴于车辆在行驶过程中不可能做到极小的距离内实现车速的阶跃，因此需要重新计算目标车速突变点位置的车速（即需求车速），以满足实际情况。

在步骤S2中，具体实现上，根据所述关键信息，执行曲线距离横坐标的确定操作，具体为：通过以规划路径的起点为0点，以规划路径总长度为终点，以每一个交通片段长度为分度，构建出从规划路径的起点到终点距离的横坐标，即为车辆的仿真工况曲线的横坐标。

需要说明的是，曲线的距离横坐标的范围是从规划路径的起始点到终止点的总长度，以起始点为0点，按照顺序逐步累加交通片段长度得出横坐标，例如，规划路径总长度是L，每个交通片段的长度是l₁、l₂、l₃……l_n，那么距离横坐标的第一个点为0，第二个点为l₁，第三个点为l₁+l₂，以此类推，得出曲线距离横坐标，即为车辆的仿真工况曲线的横坐标；

在步骤S2中，具体实现上，车辆的交通信号灯停车时间的计算操作，具体包括以下操作：

参见图1、图3，步骤S21A，通过交通信号灯位置计算操作，获得每个交通信号灯的位置；需要说明的是，按照计算得出的交通信号灯位置必定是在距离横坐标上的某一点，也就是某一个交通片段的终点；

步骤S22 A，根据每个交通信号灯所在位置的交通片段拥堵系数以及每个交通信号灯的周期，获得每个交通信号灯的红灯时间和绿灯时间；

步骤S22A具体包括以下操作：

首先，对于每个交通信号灯，预先设置该交通信号灯所在位置的多个不同的交通片段拥堵系数与多个不同的绿灯时间计算系数k1以及多个不同的红灯时间计算系数k2之间的一一对应关系；

然后，通过求交通信号灯的周期T与绿灯时间计算系数k1之积，获得交通信号灯的绿灯时间，以及通过求交通信号灯的周期T与红灯时间计算系数k2之积，获得交通信号灯的红灯时间。

需要说明的是，假定交通信号灯的周期均为T（T取值可以为60s、70s或者100s等）。根据交通信号灯所在位置的交通片段的拥堵系数，构建交通信号灯的绿灯时间和红灯时间表，绿灯时间为k1*T，红灯时间为k2*T，其中k1+k2=1，k1和k2是小于1且大于0的自然数，典型示例如下：

上表中，拥堵系数为1，代表畅通；拥堵系数为2，代表缓行；拥堵系数为3，代表拥堵；拥堵系数为4，代表严重拥堵。

步骤S23 A，将每个交通信号灯所在位置的交通片段的通过时间（该时间可以从步骤S1中的关键信息中获得），与该交通信号灯的周期进行相除操作，获得余数；然后，将该余数与该交通信号灯的绿灯时间进行比较，如果余数大于交通信号灯的绿灯时间，则判断车辆行驶到交通信号灯时停车，并且将余数与绿灯之间的差值作为车辆的交通信号灯停车时间，否则，判断车辆行驶到交通信号灯时不停车（即不存在交通信号灯停车时间）。

具体实现上，在步骤S21 A中，通过交通信号灯位置计算操作，获得每个交通信号灯的位置，具体操作为：采用关键信息中的交通段长度与通过时间、交通片段长度与拥堵系数以及交通信号灯数量作为训练数据，通过机器学习算法，识别每个交通信号灯所处的位置；因此，能够克服从在线地图API接口中不能获取交通信号灯位置的问题。

其中，所述机器学习算法采用决策树的分类方法（即决策树分类算法）实现，具体包括以下操作：

首先，构建样本数据（即示例数据），具体为：采用交通片段的拥堵系数（即拥堵程度）、交通片段长度、交通片段的通过时间以及道路属性，来构建交通信号灯的示例数据，并提取交通信号灯的样本数据（即示例数据）中的特征数据；该特征数据包括交通片段的拥堵系数、交通片段长度、交通片段的通过时间以及道路属性中的至少一种；

然后，根据关键信息中具有的交通片段和交通信号灯的数量，按照公式（1）计算样本数据的总熵；

，公式（1）；

在上面的公式（1）中，n有2类状态，一类是样本数据中交通片段含有交通灯，另一类是交通片段不含有交通灯；p_i为交通片段内有无交通灯的概率，i取1时，代表交通片段内有交通灯的概率，i取2时，代表交通片段内无交通灯的概率。

然后，计算获得样本数据按照特征数据分类后的多个条件熵；

其中，按照特征数据（例如特征数据是交通片段长度）分类后的条件熵的计算公式如下：

，公式（2）；

在上面的公式（2）中，p(x)为按照特征数据分类后，各类所占样本总数的比例，H（Y|X=x）为按特征分类后的熵；

例如：样本数据总计有n个交通片段，按照交通片段长度分类为：距离长、距离中等和距离短三种，其中有n1个交通片段分类到距离长，n2的交通片段分类到距离中等、n3个交通片段分类到距离段，上述三种分类中，分别有m1、m2、m3个交通片段含有交通灯，此时条件熵的计算公式如下：

然后，将按照特征数据分类后的多个条件熵，分别与样本数据的总熵求差，计算得到多个信息增益（即熵的差值）；

然后，对比全部多个信息增益（即对比按照特征数据分类后的所有信息增益），选择其中最大的信息增益所对应的特征数据（例如所对应的交通片段长度）为根节点，如此重复递推，构造决策树；参见图6，决策树的样例如图6所示。

然后，读取规划路径中包含的全部交通片段信息，输入到上述决策树中，按照决策树的判断逻辑分析，逐一判断得出每个交通片段是否包含交通灯，并记录其中含有交通灯的交通片段，即得到交通信号灯的位置，其中，含有交通灯的交通片段数量等于关键信息中获取的交通信号灯数量。

在步骤S2中，具体实现上，计算获得车辆在整个规划路径的需求车速，具体包括以下操作：

步骤S21B，计算车辆的每个交通片段的平均车速；

步骤S22B，采用循环迭代算法对比相邻交通片段（具体可以是相邻的两个或者多个）的平均车速，如果相邻交通片段的车速相等，则将相邻交通片段定义为一个匀速段，记录每个匀速段的起始和终止位置、长度和通过时间，计算车辆在每个均速段的目标车速；

需要说明的是，每个均速段的目标车速为车辆在该匀速段内的行驶车速，由于匀速段内可能存在停车时间，由此导致匀速段的平均车速与目标车速不一致，所以需要计算匀速段内的目标车速；

步骤S23B，根据车辆在每个均速段的目标车速，获得车辆在整个规划路径的需求车速（即需要的车速）。

具体实现上，在步骤S21B中，计算车辆的每个交通片段的平均车速，包括以下操作：

首先，建立多目标约束的神经网络模型；

然后，将交通段长度与通过时间以及交通片段长度与拥堵系数，输入到多目标约束的神经网络模型中，获得车辆的每个交通片段的平均车速；

即，通过多目标约束的神经网络算法，获得每个交通片段的平均车速。因此，本发明既保证交通段内总体通过时间不变，又保证交通段的行驶距离不变，从而克服从在线地图API接口中不能获取交通片段车速的问题。

其中，建立多目标约束的神经网络模型，具体包括以下操作：

首先，利用MATLAB算法，建立三层或四层的BP神经网络模型并进行训练，设置训练目标为0.01；

BP神经网络模型，包括输入层、输出层和隐含层；隐含层位于输入层和输出层之间；

然后，选择正切S形TansIg函数作为输入层到隐含层的激励函数，用于加入输入层到隐含层的非线性因素，充分拟合输入信号，以及选择PurelIn函数作为隐含层到输出层的激励函数，用于隐含层到输出层数据的线性映射，对BP神经网络模型进行训练，其中，设定训练次数为100次，学习速率为0.01；

其中，TansIg函数如下：

，公式（3）；

其中，PurelIn函数的一般表达式如下：

，公式（4）；

其中，k和b为常数。

然后，在经过训练后，BP神经网络模型成功收敛至所述训练目标（即0.01），则此时BP神经网络模型训练完成，训练完成的BP神经网络模型即为多目标约束的神经网络模型。

其中，对于BP神经网络模型，输入层的节点数为M，M为交通片段车速相关因素的数量；交通片段车速相关因素，具体包括交通段长度与通过时间、交通片段长度与拥堵系数；

输出层的节点数为L，L为交通片段车速相关控制因素的数量；相关控制因素，具体包括交通片段长度、交通片段通过时间和交通片段的平均车速；

隐含层的层数为N1，N1为1或2；

每层隐含层的节点数为N2，N2为5或6。

需要说明的是，对于本发明，通过在多目标约束的神经网络模型中，输入交通段长度与通过时间、交通片段长度与拥堵系数等参数，采用该模型计算各个交通片段的车速。

具体实现上，步骤S22B具体包括以下操作：

参见图4，首先，根据步骤S21B计算获得的车辆的每个交通片段的平均车速，通过循环迭代算法，比较相邻交通片段的平均车速，具体为：以第k个交通片段的起始点为匀速段识别的初始点，以第k个交通片段的终点为迭代量，将第k个交通片段的平均车速和第k+1个交通片段的平均车速相比较，如果两者相等，第k个交通片段的终点迭代为第k+1个交通片段的终点，继续比较，直到两者的速度不相等，则完成一次匀速段的识别，然后进行下一个匀速段的识别；其中，k为大于0的自然数；

经过上述算法识别，获取匀速段的起始位置、终止位置、匀速段的距离（即等于匀速段包含的所有的交通片段距离相加）、匀速段的通过时间（即等于匀速段包含的所有的交通片段通过时间相加），识别所述规划路径中具有的每个匀速段；

需要说明的是，匀速段，包括平均速度相同的多个相邻交通片段；

然后，逐一计算车辆在整个规划路径中每个匀速段的目标车速，然后将所有的匀速段按顺序组合，即获得车辆的整体规划路径的目标车速。

其中，所述计算车辆在整个规划路径中每个匀速段的目标车速的操作，具体包括以下操作：

识别每个匀速段的交通片段内，是否包含需要停车的交通信号灯；需要停车的交通信号灯即是停车点；具体识别操作为：对于由上述步骤S2的步骤S21A至步骤S23A所获得的交通信号灯的位置信息以及需要停车的交通信号灯位置信息和交通信号灯的停车时间，将匀速段包括的交通片段的位置信息与需要停车的交通信号灯位置信息进行对比，判断需要停车的交通信号灯位置信息是否位于匀速段包括的交通片段的位置信息内，如果是，则说明匀速段的交通片段内包含需要停车的交通信号灯，并且获得该匀速段内包含的需要停车的交通信号灯（即停车点）的数量以及该匀速段的停车时间（即等于所有的停车点的停车时间之和），否则，则说明匀速段的交通片段内，不包含需要停车的交通信号灯。

如果匀速段没有包含交通信号灯，则将匀速段包括的交通片段的平均车速，定义为该匀速段的目标车速；

如果匀速段包含交通信号灯，则实时统计车辆在该匀速段的车速减速到0的次数、从0加速的次数和每次停车时间（即每次减速到0后的停车时间），通过以下的计算公式，计算得出该匀速段的目标车速；

匀速段的目标车速的计算公式如下：

，公式（5）；

在上述公式（5）中，V_t为匀速段的目标车速，是求解的目标；n₁为车辆在该匀速段内从0加速的次数，n₂为车辆在该匀速段内减速到0的次数，加速次数n₁和减速次数n₂根据停车点落在匀速段内的位置和数量确定，如果1个停车点落在匀速段的起点，则1次加速、0次减速，如果落在匀速点的终点，则0次加速，1次减速，如果落在匀速段中间，则1次加速、1次减速，如果匀速段内含有n个停车点，则上述次数乘以n，n为自然数；

在上述公式（5）中，a为车辆在该匀速段内的平均加速度，d为车辆在该匀速段内的平均减速度，平均加速度和平均减速度根据实际驾驶行为统计值确定，一般取值为a∈（0.5,1.5）m/s²，d∈（-0.5,-1.5）m/s²；

在上述公式（5）中，T为车辆在该匀速段的通过时间，该值在匀速段识别过程中得出，等于匀速段包括的全部交通片段的通过时间之和；N_i为车辆在该匀速段内的停车次数，该值在匀速段内停车点的数量识别过程得出，即等于停车点的数量；t_i为每次停车时间，该值在匀速段内停车点个数识别过程得出，即等于停车点的停车时间；D为匀速段的距离，该值在匀速段识别过程中得出，等于匀速段包括的全部交通片段的长度之和。

在本发明中，具体实现上，步骤S23B具体包括以下步骤：

首先，根据由步骤S22B计算获得的车辆在每个均速段的目标车速，合并所有目标车速，得出整个规划路径的目标车速；

然后，识别整个规划路径的均速段中具有的目标车速突变点（即突变位置）；

然后，对于识别获得的整个规划路径的均速段中的每个目标车速突变点，分别计算每个目标车速突变点的需求车速；

然后，根据每个目标车速突变点的需求车速，对整个规划路径中具有的目标车速突变点的目标车速进行对应调整（具体是对应替换整个规划路径中的目标车速突变点的目标车速值，即将目标车速突变点的目标车速值，替换为需求车速），最终获得车辆在整个规划路径的需求车速。参见图7所示，

需要说明的是，根据车辆在每个均速段的目标车速，合并所有目标车速，得出整个规划路径的目标车速，此时的目标车速因为停车点的原因，车速产生突变，在实际行驶过程中，车辆无法做到瞬时突变，因此需要将突变位置（即突变点）的车速计算处理，处理之后的车速即为车辆在目标车速突变点的需求车速。

参见图5，在步骤S23B中，为了计算每个目标车速突变点的需求车速，具体包括以下操作：

首先，根据步骤S22B获得车辆在每个均速段的目标车速，对目标车速求导，求导结果的绝对值大于10的点为异常点，即为识别均速段中具有的目标车速突变点位置（目标车速突变点位置包含且不限于交通信号灯位置，即包含且不限于停车点位置）；

然后，根据预设的计算公式，获得每个目标车速突变点的需求车速。

具体实现上，参见图7所示，在处理目标车速突变点时，需要在目标车速突变点的位置上细化坐标分度，为每一个目标车速突变点位置上都计算出需求车速，具体实现上，在车辆的车速突变点位置，由较低车速向较高车速变化过程的距离（或者由较低车速向较高车速变化过程的距离）X的计算公式，具体如下：

，公式（6）；

具体实现上，每个目标车速突变点的需求车速V的计算公式如下：

，公式（7）；

在公式（6）和（7）中，V₀为目标车速突变点的初始车速，即V₀为车突变点位置的较低的车速。

X为在车辆的车速突变点位置，由较低车速向较高车速变化过程的距离（或者由较高车速向较低车速变化过程的距离），即是较低车速位置到规划路径起点的距离，与较高车速位置到规划路径起点的距离之差；较低车速位置和较高车速位置，可以由车辆测试厂家根据需要预先设定；

X₀为初始距离，即目标车速突变点的初始位置，与规划路径的起点（即曲线距离横坐标的零点）之间的距离，也就是：上述对目标车速的求导结果大于10的点（即异常点，也是车速突变点）与规划路径的起点（即曲线距离横坐标的零点）之间的距离；

a为平均加速度（或平均减速度），a的数值为车辆测试厂家根据需要预先设定的加速度（或减速度），a一般取值为（-3,3）m/s²；

t为突变过程（即在车辆的车速突变点位置，由较低车速向较高车速变化过程）需要的时间，具体根据突变点前后的车速差（即较低车速与较高车速之间的差值），然后除以a，然后取绝对值得出突变过程需要的时间，t的时间一般不超过100s。

需要说明的是，速度突变的大小已知（即突变点前后的车速差已知），加速度也已知，可以得出突变过程需要的时间t，这个突变过程，t每取一个数，就会得到一个车速和距离，t从0、1、2、3、4……100之内取值。

需要说明的是，对于本发明，为了获得用于仿真的车辆工况曲线，需要采用曲线距离横坐标（即交通片段长度）及目标车速、停车点及停车时间、平均加速度、平均减速度等数据，识别目标车速突变点（含停车点）位置，然后通过公式计算出每个车速突变点（含停车点）的需求车速。

综上所述，与现有技术相比较，本发明提供的一种基于在线地图数据的车辆行驶工况构建方法，其设计科学，其根据规划路径实时读取在线地图API数据，能够在在线地图API接口提供数据有限的情况下，真实还原汽车行驶工况（即真实还原车辆的交通场景），自动化构建出能够反映车辆实际行驶状态（即车辆实际交通状态）的仿真工况，用于汽车仿真分析与能耗优化，为汽车能耗优化与仿真测试提供依据，具有重大的实践意义。

以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (6)

1.一种基于在线地图数据的车辆行驶工况构建方法，其特征在于，包括以下步骤：

步骤S1，在现有的在线地图中输入起止点的位置，形成车辆的规划路径，然后从在线地图API接口中获取对应的关键信息；

其中，关键信息，至少包含规划路径总长度、规划路径总通过时间、交通段长度与通过时间、交通片段长度与拥堵系数、交通信号灯数量和道路属性；

步骤S2，根据所述关键信息，执行曲线距离横坐标的确定操作，确定车辆的仿真工况曲线的横坐标，以及计算获得车辆的交通信号灯停车时间和计算获得车辆在整个规划路径的需求车速；

步骤S3，分别以车辆在整个规划路径的需求车速和车辆的交通信号灯停车时间为纵坐标，并根据所述车辆的仿真工况曲线的横坐标，绘制获得车辆的仿真工况曲线，该车辆的仿真工况曲线为双轴坐标曲线；

在步骤S2中，车辆的交通信号灯停车时间的计算操作，具体包括以下操作：

步骤S21A，通过交通信号灯位置计算操作，获得每个交通信号灯的位置；

步骤S22A，根据每个交通信号灯所在位置的交通片段拥堵系数以及每个交通信号灯的周期，获得每个交通信号灯的红灯时间和绿灯时间；

步骤S23A，将每个交通信号灯所在位置的交通片段的通过时间，与该交通信号灯的周期进行相除操作，获得余数；然后，将该余数与该交通信号灯的绿灯时间进行比较，如果余数大于交通信号灯的绿灯时间，则判断车辆行驶到交通信号灯时停车，并且将余数与绿灯之间的差值作为车辆的交通信号灯停车时间，否则，判断车辆行驶到交通信号灯时不停车；

在步骤S2中，计算获得车辆在整个规划路径的需求车速，具体包括以下操作：

步骤S21B，计算车辆的每个交通片段的平均车速；

步骤S22B，采用循环迭代算法对比相邻交通片段的平均车速，如果相邻交通片段的车速相等，则将相邻交通片段定义为一个匀速段，记录每个匀速段的起始和终止位置、长度和通过时间，计算车辆在每个均速段的目标车速；

步骤S23B，根据车辆在每个均速段的目标车速，获得车辆在整个规划路径的需求车速；

在步骤S21B中，计算车辆的每个交通片段的平均车速，包括以下操作：

首先，建立多目标约束的神经网络模型；

然后，将交通段长度与通过时间以及交通片段长度与拥堵系数，输入到多目标约束的神经网络模型中，获得车辆的每个交通片段的平均车速；

步骤S22B具体包括以下操作：

首先，根据步骤S21B计算获得的车辆的每个交通片段的平均车速，通过循环迭代算法，比较相邻交通片段的平均车速，具体为：以第k个交通片段的起始点为匀速段识别的初始点，以第k个交通片段的终点为迭代量，将第k个交通片段的平均车速和第k+1个交通片段的平均车速相比较，如果两者相等，第k个交通片段的终点迭代为第k+1个交通片段的终点，继续比较，直到两者的速度不相等，则完成一次匀速段的识别，然后进行下一个匀速段的识别，最终识别获得所述规划路径中具有的每个匀速段；其中，k为大于0的自然数；

然后，逐一计算车辆在整个规划路径中每个匀速段的目标车速，然后将所有的匀速段按顺序组合，即获得车辆的整体规划路径的目标车速；

步骤S23B具体包括以下步骤：

首先，根据由步骤S22B计算获得的车辆在每个均速段的目标车速，合并所有目标车速，得出整个规划路径的目标车速；

然后，识别整个规划路径的均速段中具有的目标车速突变点；

然后，对于识别获得的整个规划路径的均速段中的每个目标车速突变点，分别计算每个目标车速突变点的需求车速；

然后，根据每个目标车速突变点的需求车速，对整个规划路径中具有的目标车速突变点的目标车速进行对应调整，最终获得车辆在整个规划路径的需求车速；

在步骤S23B中，为了计算每个目标车速突变点的需求车速，具体包括以下操作：

首先，根据步骤S22B获得车辆在每个均速段的目标车速，对目标车速求导，求导结果的绝对值大于10的点为异常点，即为识别均速段中具有的目标车速突变点位置；

然后，根据预设的计算公式，获得每个目标车速突变点的需求车速。

2.如权利要求1所述的基于在线地图数据的车辆行驶工况构建方法，其特征在于，在步骤S2中，根据所述关键信息，执行曲线距离横坐标的确定操作，具体为：通过以规划路径的起点为0点，以规划路径总长度为终点，以每一个交通片段长度为分度，构建出从规划路径的起点到终点距离的横坐标，即为车辆的仿真工况曲线的横坐标。

3.如权利要求1所述的基于在线地图数据的车辆行驶工况构建方法，其特征在于，在步骤S21A中，通过交通信号灯位置计算操作，获得每个交通信号灯的位置，具体操作为：采用关键信息中的交通段长度与通过时间、交通片段长度与拥堵系数以及交通信号灯数量作为训练数据，通过机器学习算法，识别每个交通信号灯所处的位置；

所述机器学习算法具体包括以下操作：

首先，构建样本数据，具体为：采用交通片段的拥堵系数、交通片段长度、交通片段的通过时间以及道路属性，来构建交通信号灯的示例数据，并提取交通信号灯的样本数据中的特征数据；

该特征数据包括交通片段的拥堵系数、交通片段长度、交通片段的通过时间以及道路属性中的至少一种；

然后，根据关键信息中具有的交通片段和交通信号灯的数量，按照公式(1)计算样本数据的总熵；

在公式(1)中，n有2类状态，一类是样本数据中交通片段含有交通灯，另一类是交通片段不含有交通灯；p_i为交通片段内有无交通灯的概率，i取1时，代表交通片段内有交通灯的概率，i取2时，代表交通片段内无交通灯的概率；

然后，计算获得样本数据按照特征数据分类后的多个条件熵；

其中，按照特征数据分类后的条件熵的计算公式如下：

在公式(2)中，p(x)为按照特征数据分类后，各类所占样本总数的比例，H(Y|X＝x)为按特征分类后的熵；

然后，将按照特征数据分类后的多个条件熵，分别与样本数据的总熵求差，计算得到多个信息增益；

然后，对比全部多个信息增益，选择其中最大的信息增益所对应的特征数据为根节点，如此重复递推，构造决策树；

然后，读取规划路径中包含的全部交通片段信息，输入到上述决策树中，按照决策树的判断逻辑分析，逐一判断得出每个交通片段是否包含交通灯，并记录其中含有交通灯的交通片段，即得到交通信号灯的位置，其中，含有交通灯的交通片段数量等于关键信息中获取的交通信号灯数量。

4.如权利要求1所述的基于在线地图数据的车辆行驶工况构建方法，其特征在于，步骤S22A具体包括以下操作：

首先，对于每个交通信号灯，预先设置该交通信号灯所在位置的多个不同的交通片段拥堵系数与多个不同的绿灯时间计算系数k1以及多个不同的红灯时间计算系数k2之间的一一对应关系；

然后，通过求交通信号灯的周期T与绿灯时间计算系数k1之积，获得交通信号灯的绿灯时间，以及通过求交通信号灯的周期T与红灯时间计算系数k2之积，获得交通信号灯的红灯时间。

5.如权利要求1所述的基于在线地图数据的车辆行驶工况构建方法，其特征在于，在步骤S21B中，建立多目标约束的神经网络模型，具体包括以下操作：

首先，利用MATLAB算法，建立三层或四层的BP神经网络模型并进行训练，设置训练目标为0.01；

BP神经网络模型，包括输入层、输出层和隐含层；隐含层位于输入层和输出层之间；

然后，选择正切S形TansIg函数作为输入层到隐含层的激励函数，用于加入输入层到隐含层的非线性因素，拟合输入信号，以及选择PurelIn函数作为隐含层到输出层的激励函数，用于隐含层到输出层数据的线性映射，对BP神经网络模型进行训练，其中，设定训练次数为100次，学习速率为0.01；

然后，在经过训练后，BP神经网络模型成功收敛至所述训练目标，则此时BP神经网络模型训练完成，训练完成的BP神经网络模型即为多目标约束的神经网络模型；

其中，对于BP神经网络模型，输入层的节点数为M，M为交通片段车速相关因素的数量；交通片段车速相关因素，具体包括交通段长度与通过时间、交通片段长度与拥堵系数；

输出层的节点数为L，L为交通片段车速相关控制因素的数量；相关控制因素，具体包括交通片段长度、交通片段通过时间和交通片段的平均车速；

隐含层的层数为N1，N1为1或2；

每层隐含层的节点数为N2，N2为5或6。

6.如权利要求1所述的基于在线地图数据的车辆行驶工况构建方法，其特征在于，在步骤S22B中，计算车辆在整个规划路径中每个匀速段的目标车速的操作，具体包括以下操作：

识别每个匀速段的交通片段内，是否包含需要停车的交通信号灯；需要停车的交通信号灯即是停车点；具体识别操作为：对于由上述步骤S2的步骤S21A至步骤S23A所获得的交通信号灯的位置信息以及需要停车的交通信号灯位置信息和交通信号灯的停车时间，将匀速段包括的交通片段的位置信息与需要停车的交通信号灯位置信息进行对比，判断需要停车的交通信号灯位置信息是否位于匀速段包括的交通片段的位置信息内，如果是，则说明匀速段的交通片段内包含需要停车的交通信号灯，并且获得该匀速段内包含的需要停车的交通信号灯的数量以及该匀速段的停车时间，否则，则说明匀速段的交通片段内，不包含需要停车的交通信号灯；

如果匀速段包含交通信号灯，则通过以下的计算公式，计算得出该匀速段的目标车速；

匀速段的目标车速的计算公式如下：

在公式(5)中，V_t为匀速段的目标车速；n₁为车辆在该匀速段内从0加速的次数，n₂为车辆在该匀速段内减速到0的次数；a为车辆在该匀速段内的平均加速度，d为车辆在该匀速段内的平均减速度；T为车辆在该匀速段的通过时间；N_i为车辆在该匀速段内的停车次数；t_i为每次停车时间；D为匀速段的距离。

Images