CN114771542B - 车辆行驶工况确定方法、设备和存储介质 - Google Patents

车辆行驶工况确定方法、设备和存储介质 Download PDF

Info

Publication number
CN114771542B
CN114771542B CN202210683799.3A CN202210683799A CN114771542B CN 114771542 B CN114771542 B CN 114771542B CN 202210683799 A CN202210683799 A CN 202210683799A CN 114771542 B CN114771542 B CN 114771542B
Authority
CN
China
Prior art keywords
traffic
vehicle
traffic segment
determining
target
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
CN202210683799.3A
Other languages
English (en)
Other versions
CN114771542A (zh
Inventor
王伟
郑宏
曲辅凡
李文博
李飞
王长青
张晓辉
刘乐
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.)
CATARC Automotive Test Center Tianjin Co Ltd
Original Assignee
CATARC Automotive Test Center Tianjin Co Ltd
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 CATARC Automotive Test Center Tianjin Co Ltd filed Critical CATARC Automotive Test Center Tianjin Co Ltd
Priority to CN202210683799.3A priority Critical patent/CN114771542B/zh
Publication of CN114771542A publication Critical patent/CN114771542A/zh
Application granted granted Critical
Publication of CN114771542B publication Critical patent/CN114771542B/zh
Priority to PCT/CN2022/131819 priority patent/WO2023240919A1/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W40/00—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models
    • B60W40/02—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models related to ambient conditions
    • B60W40/04—Traffic conditions
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Probability & Statistics with Applications (AREA)
  • Automation & Control Theory (AREA)
  • Mathematical Physics (AREA)
  • Transportation (AREA)
  • Mechanical Engineering (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明涉及汽车领域，公开了一种车辆行驶工况确定方法、设备和存储介质。该方法包括：通过地图应用获取从预设起点到预设终点的规划路径以及目标信息；基于设定距离间隔根据所述规划路径确定车辆行驶距离的坐标；根据样本数据以及目标信息预测预设车辆按照所述规划路径行驶时的停车位置和停车时间；至少基于停车位置、所述停车时间以及驾驶员的驾驶风格特征通过神经网络模型预测所述预设车辆在各交通片段行驶时的目标行驶车速；以车辆行驶距离的坐标为横坐标，分别以停车时间和目标行驶车速为纵坐标确定车辆行驶工况曲线。本实施例构建了更能反应车辆实际行驶状态的仿真工况，为车辆控制策略的优化与仿真测试提供了参考依据。

Description

车辆行驶工况确定方法、设备和存储介质
技术领域
本发明涉及汽车技术领域，尤其涉及一种车辆行驶工况确定方法、设备和存储介质。
背景技术
工况是车辆性能提升的共性基础，对于车辆能耗优化、控制策略标定及新技术的开发具有重要意义。当前在汽车领域广泛应用的车辆工况是标准循环工况，如WLTC（WorldLight Vehicle Test Cycle，世界轻型汽车测试循环工况）、WLTP（World Light VehicleTest Procedure，世界轻量型汽车测试程序）、CLTC（China Light-dutyvehicleTestCycle-passenger，中国轻型乘用车工况）等。
但由于地域差异、道路差异、驾驶风格差异等原因，造成车辆实时工况与标准工况差异较大。
有鉴于此，特提出本发明。
发明内容
为了解决上述技术问题，本发明提供了一种车辆行驶工况确定方法、设备和存储介质，构建了更能反应车辆实际行驶状态的仿真工况，为车辆控制策略的优化与仿真测试提供了参考依据。
本发明实施例提供了一种车辆行驶工况确定方法，该方法包括：
通过地图应用获取从预设起点到预设终点的规划路径以及与所述规划路径关联的目标信息；
基于设定距离间隔根据所述规划路径确定车辆行驶距离的坐标；
根据样本数据确定特征参数矩阵；其中，所述样本数据包括包含交通信号灯的交通片段和不包含交通信号灯的交通片段；
对所述特征参数矩阵中的特征参数进行降维处理，获得标准化矩阵；
基于所述标准化矩阵进行主成分分析，获得多个第一主成分；
对所述多个第一主成分进行聚类运算，获得两个聚类中心；
对所述目标信息中的交通片段进行主成分分析，获得多个第二主成分；
根据所述多个第二主成分和所述两个聚类中心确定所述目标信息中包含交通信号灯的目标交通片段；
根据所述目标交通片段的拥堵系数以及交通信号灯的设定周期预测预设车辆按照所述规划路径行驶时的停车位置和停车时间；
结合历史统计数据确定各交通片段的第一平均加速度和第一平均减速度；
根据驾驶员的驾驶风格特征对所述第一平均加速度和第一平均减速度进行修正，获得第二平均加速度和第二平均减速度，其中，所述驾驶风格特征用于表征驾驶员驾驶车辆时速度的快慢；
至少基于所述停车位置、所述停车时间、所述第二平均加速度和所述第二平均减速度通过神经网络模型预测所述预设车辆在各交通片段行驶时的目标行驶车速；
以所述车辆行驶距离的坐标为横坐标，分别以停车时间和目标行驶车速为纵坐标确定车辆行驶工况曲线。
本发明实施例提供了一种电子设备，所述电子设备包括：
处理器和存储器；
所述处理器通过调用所述存储器存储的程序或指令，用于执行任一实施例所述的车辆行驶工况确定方法的步骤。
本发明实施例提供了一种计算机可读存储介质，所述计算机可读存储介质存储程序或指令，所述程序或指令使计算机执行任一实施例所述的车辆行驶工况确定方法的步骤。
本发明实施例具有以下技术效果：
通过地图应用获取从预设起点到预设终点的规划路径以及与所述规划路径关联的目标信息；基于设定距离间隔根据所述规划路径确定车辆行驶距离的坐标；根据样本数据以及所述目标信息预测预设车辆按照所述规划路径行驶时的停车位置和停车时间，其中，所述样本数据包括包含交通信号灯的交通片段和不包含交通信号灯的交通片段；至少基于所述停车位置、所述停车时间以及驾驶员的驾驶风格特征通过神经网络模型预测所述预设车辆在各交通片段行驶时的目标行驶车速；以所述车辆行驶距离的坐标为横坐标，分别以停车时间和目标行驶车速为纵坐标确定车辆行驶工况曲线。能够在地图应用提供有限目标信息的情况下，还原交通场景，自动化构建出反应实际交通的仿真工况，为汽车能耗优化与仿真测试提供依据。
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车辆行驶工况确定方法的流程图；
图2是本发明实施例提供的一种规划路径、交通段和交通片段之间关系的示意图；
图3是本发明实施例提供的一种距离横坐标的示意图；
图4为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。
本发明实施例提供了一种车辆行驶工况确定方法，融合了驾驶员的驾驶风格特征与实时的交通数据，从而实现了车辆实时行驶工况的构建。一定程度上解决了车辆实时行驶工况与构建的标准工况之间差异较大的问题。
本发明实施例提供的车辆行驶工况确定方法可以由车辆行驶工况确定装置执行，该装置可集成在电子设备中。
图1是本发明实施例提供的一种车辆行驶工况确定方法的流程图。参见图1，该车辆行驶工况确定方法具体包括：
S110、通过地图应用获取从预设起点到预设终点的规划路径以及与所述规划路径关联的目标信息。
具体的，通过地图应用的输入界面输入起点（该起点即为所述预设起点）和终点（该终点即为所述预设终点），地图应用根据当前的实时路况给出一条最优的规划路径，例如是花费时间最短的规划路径或者距离最短的规划路径等，用户可根据自己的实际需求从中选择一条。或者，地图应用只给出一条默认的最优规划路径。
除了能获得从预设起点到预设终点的规划路径，还能从地图应用的API（ApplicationProgrammingInterface，应用程序接口）获取与规划路径关联的目标信息。
示例性的，所述目标信息包括：所述规划路径的总长度、通过所述规划路径所需要的总通过时间、所述规划路径所包括的各交通段的第一长度与对应的第一通过时间、所述规划路径所包括的各交通片段的第二长度、各交通片段对应的拥堵系数、各交通片段的道路属性、各交通片段对应的车辆行驶动作以及所述规划路径所包括的交通信号灯的数量中的一种或多种，其中，所述规划路径包括一个或者多个交通段，一个交通段包括一个或者多个交通片段。参考如图2所示的一种规划路径、交通段和交通片段之间关系的示意图，其中，规划路径A包括一个或多个交通段B，每个交通段B包括一个或者多个交通片段C。地图应用根据当前的交通路况预估的车辆通过交通段B所花费的时间为交通段B对应的第一通过时间，交通段B的总长度为对应的第一长度，地图应用根据当前的交通路况预估的车辆通过交通片段C所花费的时间为交通片段C对应的第二通过时间，交通片段C的总长度为对应的第二长度。
具体的，交通段的定义为：规划路径按照地图应用的内置规则被划分为多段（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一个交通段；当然，还可以是其它划分规则），每一段称为交通段，每一段的长度称为交通段的长度（即所述第一长度），每一段的通过时间为交通段通过时间（即所述第一通过时间），通过交通段的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，交通片段的定义为：每个交通段按照地图应用内置规则被划分为多段（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尾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，还可以是其它划分规则），每一段称为交通片段，每一段的长度称为交通片段的长度（即所述第二长度）。
此外，地图应用还会给出每一交通片段的拥堵系数，称为交通片段拥堵系数，地图应用基于交通段通过时间、交通片段的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（也称为第二通过时间）。具体的，交通片段的通过时间是通过交通片段的长度和拥堵系数加权求得的，例如在长度为L1的交通段内，包含m个交通片段，每个交通片段的长度分别为l1、l2……lm，则有l1+l2+……lm=L1；交通段L1的通过时间为T1，每个交通片段的拥堵系数分别为k1，k2……km，则交通片段i的通过时间ti采用以下公式（1）求得：
Figure 800956DEST_PATH_IMAGE001
（1）
在获得交通片段的通过时间之后，通过交通片段的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，如下公式（2）所示的交通片段i的平均车速vi的计算公式。需要说明的是交通片段的长度为大于0的自然数。
Figure 777746DEST_PATH_IMAGE002
（2）
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。
车辆行驶动作用于描述车辆下一步的行驶方向，如直行、右转、左转等。
需要说明的是，在本发明实施例中，规划路径的总长度是指在地图应用的输入界面输入起、止点的位置后，地图应用根据当时的交通路况自动生成的规划路径的长度，是构建的车辆行驶工况总距离约束。
规划路径的总通过时间是指地图应用的输入界面输入起、止点的位置后，地图应用自动预估的通过时间，是构建的车辆行驶工况总时间约束。
S120、基于设定距离间隔根据所述规划路径确定车辆行驶距离的坐标。
具体的，以规划路径的起点为0点，以规划路径的终点为终点，以设定距离间隔（例如1m）分度，构建出从规划路径的起点到终点距离的坐标，将该坐标作为车辆的仿真行驶工况曲线的横坐标。在距离横坐标上表述出每个交通片段的位置，例如：规划路径的总长度是L，每个交通片段的长度分别是l1、l2、l3……ln，那么第一个交通片段的坐标位置为0到l1，第二个交通片段的坐标位置为l1到l2，以此类推，第n个交通片段在距离横坐标上的坐标位置为ln-1到ln。如图3所示。
S130、根据样本数据确定特征参数矩阵，其中，所述样本数据包括包含交通信号灯的交通片段和不包含交通信号灯的交通片段。
S140、对所述特征参数矩阵中的特征参数进行降维处理，获得标准化矩阵。
S150、基于所述标准化矩阵进行主成分分析，获得多个第一主成分。
S160、对所述多个第一主成分进行聚类运算，获得两个聚类中心。
S170、对所述目标信息中的交通片段进行主成分分析，获得多个第二主成分。
S180、根据所述多个第二主成分和所述两个聚类中心确定所述目标信息中包含交通信号灯的目标交通片段。
S190、根据所述目标交通片段的拥堵系数以及交通信号灯的设定周期预测预设车辆按照所述规划路径行驶时的停车位置和停车时间。
预设车辆按照所述规划路径行驶时，可能会因为遇到交通信号灯需要停车，也可能是因为道路拥堵导致需要停车。因此，确定停车位置应首先确定交通信号灯灯的位置和拥堵路段位置。交通信号灯位置的确定方法可根据上述目标信息中的道路属性、交通段长度与通过时间、交通片段长度与拥堵系数、车辆行驶动作等数据，采用主成分分析法和聚类法，识别交通灯的位置，从而克服从地图应用的API不能获取交通信号灯位置的问题。拥堵路段位置根据交通片段的拥堵系数识别。所述停车时间的确定，可采用加权系数法求解车辆在停车点的停车时间。
具体的，根据所述样本数据中交通片段的长度以及对应的拥堵系数确定对应交通片段的第二通过时间；根据交通片段的长度以及对应的第二通过时间确定对应交通片段的平均车速；至少将交通片段的平均车速作为对应交通片段的特征参数；基于所述特征参数构建所述样本数据中所有交通片段的特征参数矩阵。
假设样本数据中包含有交通信号灯的交通片段的数量是N个，不包含交通信号灯的交通片段的数量是M个，每个交通片段均对应有交通片段的长度，即第二长度，平均车速（平均车速的确定方式可以参考上述公式（1）和公式（2））、第二通过时间、拥堵系数、道路属性和车辆行驶动作等特征参数。拥堵系数的通常取值为1，2，3，4，其中，1代表畅通，2代表缓行，3代表拥堵，4代表非常拥堵。
道路属性通常为主干道、辅路、省道、国道和高速路，在主成分分析时分别用1，2，3，4，5来表示。
车辆驾驶动作通常为直行、右转、左转，在主成分分析时分别用1，2，3来表示。
交通片段各个特征参数间具有一定的相关性，所反映的交通信息有所重叠，如果直接聚类会出现计算量大、聚类效果差的问题，因此需要将特征参数降维。
在样本数据中共有N+M个交通片段，将所有片段的特征参数记为特征参数矩阵X，如表达式（3）所示。采用公式（4）对矩阵X进行标准化处理，处理后的标准化矩阵S并不改变各参数之间的相关性。
Figure 575938DEST_PATH_IMAGE003
（3）
Figure 915783DEST_PATH_IMAGE004
（4）
式中xkj为第k个交通片段的第j个特征参数，k的取值范围是1……n，
Figure 115821DEST_PATH_IMAGE005
为第j列的平均值，j的取值范围是1……p，p表示每个交通片段的特征参数的总数量，Sij为标准化矩阵S的第i行第j列的元素。
具体的，根据矩阵S计算出相关系数矩阵及相关系数矩阵的特征值和特征参数，基于特征值计算出累计贡献率。选择特征值大于1，且累积贡献率在80%以上的主成分（即第一主成分）用于行驶工况构建。将以上数据主成分分析后，得出m个主成分M1、M2……Mm。然后采用聚类分析法将数据聚类分析。可采用k均值聚类法将数据聚类，分类数量有两类，分别代表包含交通信号灯和不包含交通信号灯；接着计算各个样本（即各交通片段）到聚类中心之间的距离，距离较近的归为一类，欧式距离的计算公式如下式（5）所示：
Figure 764977DEST_PATH_IMAGE006
（5）
其中，dij表示第i个样本到聚类中心j的距离，xik表示第i个样本的第k个主成分，xjk表示聚类中心j的第k个主成分，p表述主成分的数量，取值范围为1……m。
通过计算确定每一类的中心位置，并将该位置确定为新的聚类中心，按新的聚类中心重新进行分类，重复上述操作，随着重复次数的增多，聚类中心不再发生较大的偏移，聚类结果趋于稳定，由此得出聚类中心的最终位置，获得两个聚类中心，分别代表包含交通信号灯和不包含交通信号灯。
同样，按照上述方法，将规划路径中的交通片段进行主成分分析，同样得出m个主成分（即第二主成分），然后计算每个交通片段的主成分与样本数据聚类中心的欧式距离，按由小到大排序，从而确定包含交通信号灯的目标交通片段。
在确定出包含交通信号灯的目标交通片段之后，还需进一步预测当预测车辆行驶至交通信号灯处时是绿灯还是红灯，如果是绿灯，则不需要停车，如果是红灯则需停车，并对应确定停车时间。
具体的，根据每个交通信号灯所在位置的交通片段的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。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（即绿灯持续时间），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（即红灯持续时间）。
例如：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。
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，并且将余数与绿灯时间之间的差值作为车辆在交通信号灯处的停车时间，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）。由此得出由于交通信号灯导致的停车时间。
当交通片段的拥堵状态出现严重拥堵的情况，则在严重拥堵的交通片段额外增加停车时间t，t的大小不得超过该交通片段的通过时间。若严重拥堵路段的位置有需要停车的交通信号灯，则该位置不再额外增加停车时间。综上，可得出所有需要停车的位置和停车时间。
概括性的，所述根据所述目标交通片段的拥堵系数以及交通信号灯的设定周期预测预设车辆按照所述规划路径行驶时的停车位置和停车时间，包括：
若所述目标交通片段的拥堵系数小于设定阈值，根据所述目标交通片段的拥堵系数以及交通信号灯的设定周期确定交通信号灯的红灯时间和绿灯时间；根据所述目标交通片段的第二通过时间以及所述设定周期确定所述预设车辆在对应交通信号灯处是否停车；若确定所述预设车辆在对应交通信号灯处停车，则根据对应交通信号灯的绿灯时间确定所述预设车辆在对应交通信号灯处的停车时间。
若所述目标交通片段的拥堵系数大于设定阈值，将与所述目标交通片段对应设置的时间确定为停车时间，将所述目标交通片段的位置确定为停车位置。
S200、结合历史统计数据确定各交通片段的第一平均加速度和第一平均减速度。
具体的，结合历史统计数据确定各交通片段的平均加速度的第一取值范围以及平均减速度的第二取值范围；将所述第一取值范围内的任意取值确定为所述第一平均加速度；将所述第二取值范围内的任意取值确定为所述第一平均减速度。
按照统计规律，所述第一取值范围和所述第二取值范围根据实际驾驶行为统计值确定，例如第一取值范围一般为a∈（0.5，2.5）m/s2，第二取值范围一般为d∈（-0.5，-2.5）m/s2。
S210、根据驾驶员的驾驶风格特征对所述第一平均加速度和第一平均减速度进行修正，获得第二平均加速度和第二平均减速度，其中，所述驾驶风格特征用于表征驾驶员驾驶车辆时速度的快慢。
若驾驶员的驾驶风格激进，即驾驶员驾驶车辆时的速度较快，或者加、减速较快，则取较大的加、减速度，若驾驶员的驾驶风格柔和，即驾驶员驾驶车辆时的速度较慢，或者加、减速较慢，则取较小的加、减速度，若驾驶员的驾驶风格标准，则取居中的加、减速度。
可选的，所述根据驾驶员的驾驶风格特征对所述第一平均加速度和第一平均减速度进行修正，获得第二平均加速度和第二平均减速度，包括：
根据驾驶员的驾驶风格特征确定激进等级；根据所述第一取值范围将所述第一平均加速度修正为与所述激进等级匹配的第二平均加速度；根据所述第二取值范围将所述第一平均减速度修正为与所述激进等级匹配的第二平均减速度。例如第一平均加速度为0.5m/s2，驾驶员驾驶风格的激进等级为高，则将第一平均加速度0.6m/s2修正为第二平均加速度2.4m/s2。再例如，第一平均加速度为2.3m/s2，驾驶员驾驶风格的激进等级为低，则将第一平均加速度2.3m/s2修正为第二平均加速度0.6m/s2。即驾驶员驾驶风格的激进等级越高，修正后的第二平均加速度越大；驾驶员驾驶风格的激进等级越低，则修正后的第二平均加速度越小。同样的，对第一平均减速度进行修正的方式参考第一平均加速度的修正过程。S220、至少基于所述停车位置、所述停车时间、所述第二平均加速度和所述第二平均减速度通过神经网络模型预测所述预设车辆在各交通片段行驶时的目标行驶车速。
示例性的，所述至少基于所述停车位置、所述停车时间、所述第二平均加速度和所述第二平均减速度通过神经网络模型预测所述预设车辆在各交通片段行驶时的目标行驶车速，包括：
将所述停车位置、所述停车时间、所述第二平均加速度、所述第二平均减速度、各交通片段的第二通过时间、各交通片段的第二长度、各交通片段的平均车速、各交通片段的道路属性以及各交通片段对应的车辆驾驶动作输入至所述神经网络模型，获得所述预设车辆在各交通片段行驶时的目标行驶车速。
具体的，建立多目标约束的神经网络模型。然后，将各交通片段的长度、平均车速、通过时间、交通片段停车位置与停车时间、交通片段道路属性、车辆驾驶动作、平均加速度、平均减速度等参数，输入到多目标约束的神经网络模型中，获得车辆在每个交通片段的目标行驶车速。即通过多目标约束的神经网络算法，获得每个交通片段的目标行驶车速。因此，本发明既可保证交通片段内总体通过时间不变，又可保证交通片段的行驶距离不变。
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，可设置训练目标为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函数如下算式（6）所示：
Figure 50464DEST_PATH_IMAGE007
（6）
其中，PurelIn函数的一般表达式如下（7）所示：
Figure 194001DEST_PATH_IMAGE008
（7）
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），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可包括交通片段的长度、平均车速、通过时间、交通片段停车时间、交通片段道路属性、车辆驾驶动作；平均加速度、平均减速度和停车位置等。
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；相关控制因素具体可包括交通片段长度、交通片段通过时间和交通片段的目标行驶车速。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。由此得出每个交通片段的目标行驶车速。
由于第n个交通片段结束时的目标行驶车速可能与第n+1个交通片段初始时的目标行驶车速存在不一致的现象，由此可能导致目标行驶车速存在阶跃的现象，此时则采用数据平滑算法进行处理，使得车速过度平稳。由此得出目标行驶车速。概括性的，若获得的第n个交通片段结束时的目标行驶车速与第n+1个交通片段初始时的目标行驶车速之差超过设定值，则采用数据平滑算法对所述目标行驶车速进行处理。
S230、以所述车辆行驶距离的坐标为横坐标，分别以停车时间和目标行驶车速为纵坐标确定车辆行驶工况曲线。
本实施例具有以下技术效果：能够构建反应车辆实际行驶状态的仿真工况；能够在地图应用的API提供有限数据的情况下，还原交通场景，构建出反应实际交通的仿真工况，为汽车能耗优化与仿真测试提供依据。具体的，根据规划路径实时读取地图应用API的数据，采用聚类的方法识别交通信号灯的位置，采用多目标约束的神经网络算法计算识别目标行驶车速，进而基于目标行驶车速构建车辆行驶工况曲线。
图4为本发明实施例提供的一种电子设备的结构示意图。如图4所示，电子设备400包括一个或多个处理器401和存储器402。
处理器401可以是中央处理单元（CPU）或者具有数据处理能力和/或指令执行能力的其他形式的处理单元，并且可以控制电子设备400中的其他组件以执行期望的功能。
存储器402可以包括一个或多个计算机程序产品，所述计算机程序产品可以包括各种形式的计算机可读存储介质，例如易失性存储器和/或非易失性存储器。所述易失性存储器例如可以包括随机存取存储器（RAM）和/或高速缓冲存储器（cache）等。所述非易失性存储器例如可以包括只读存储器（ROM）、硬盘、闪存等。在所述计算机可读存储介质上可以存储一个或多个计算机程序指令，处理器401可以运行所述程序指令，以实现上文所说明的本发明任意实施例的车辆行驶工况确定方法以及/或者其他期望的功能。在所述计算机可读存储介质中还可以存储诸如初始外参、阈值等各种内容。
在一个示例中，电子设备400还可以包括：输入装置403和输出装置404，这些组件通过总线系统和/或其他形式的连接机构（未示出）互连。该输入装置403可以包括例如键盘、鼠标等等。该输出装置404可以向外部输出各种信息，包括预警提示信息、制动力度等。该输出装置404可以包括例如显示器、扬声器、打印机、以及通信网络及其所连接的远程输出设备等等。
当然，为了简化，图4中仅示出了该电子设备400中与本发明有关的组件中的一些，省略了诸如总线、输入/输出接口等等的组件。除此之外，根据具体应用情况，电子设备400还可以包括任何其他适当的组件。
除了上述方法和设备以外，本发明的实施例还可以是计算机程序产品，其包括计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行本发明任意实施例所提供的车辆行驶工况确定方法的步骤。
所述计算机程序产品可以以一种或多种程序设计语言的任意组合来编写用于执行本发明实施例操作的程序代码，所述程序设计语言包括面向对象的程序设计语言，诸如Java、C++等，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设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。
此外，本发明的实施例还可以是计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行本发明任意实施例所提供的车辆行驶工况确定方法的步骤。
还需说明的是，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。除非另有明确的规定和限定，术语“安装”、“相连”、“连接”等应做广义理解，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。
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 (10)

1.一种车辆行驶工况确定方法，其特征在于，包括：
通过地图应用获取从预设起点到预设终点的规划路径以及与所述规划路径关联的目标信息；
基于设定距离间隔根据所述规划路径确定车辆行驶距离的坐标；
根据样本数据确定特征参数矩阵；其中，所述样本数据包括包含交通信号灯的交通片段和不包含交通信号灯的交通片段；
对所述特征参数矩阵中的特征参数进行降维处理，获得标准化矩阵；
基于所述标准化矩阵进行主成分分析，获得多个第一主成分；
对所述多个第一主成分进行聚类运算，获得两个聚类中心；
对所述目标信息中的交通片段进行主成分分析，获得多个第二主成分；
根据所述多个第二主成分和所述两个聚类中心确定所述目标信息中包含交通信号灯的目标交通片段；
根据所述目标交通片段的拥堵系数以及交通信号灯的设定周期预测预设车辆按照所述规划路径行驶时的停车位置和停车时间；
结合历史统计数据确定所述目标信息中各交通片段的第一平均加速度和第一平均减速度；
根据驾驶员的驾驶风格特征对所述第一平均加速度和第一平均减速度进行修正，获得第二平均加速度和第二平均减速度，其中，所述驾驶风格特征用于表征驾驶员驾驶车辆时速度的快慢；
至少基于所述停车位置、所述停车时间、所述第二平均加速度和所述第二平均减速度通过神经网络模型预测所述预设车辆在所述目标信息中各交通片段行驶时的目标行驶车速；
以所述车辆行驶距离的坐标为横坐标，分别以停车时间和目标行驶车速为纵坐标确定车辆行驶工况曲线。
2.根据权利要求1所述的方法，其特征在于，所述根据所述样本数据确定特征参数矩阵，包括：
根据所述样本数据中交通片段的长度以及对应的拥堵系数确定对应交通片段的第二通过时间；
根据交通片段的长度以及对应的第二通过时间确定对应交通片段的平均车速；
至少将交通片段的平均车速作为对应交通片段的特征参数；
基于所述特征参数构建所述样本数据中所有交通片段的特征参数矩阵。
3.根据权利要求1所述的方法，其特征在于，所述至少基于所述停车位置、所述停车时间、所述第二平均加速度和所述第二平均减速度通过神经网络模型预测所述预设车辆在所述目标信息中各交通片段行驶时的目标行驶车速，包括：
将所述停车位置、所述停车时间、所述第二平均加速度、所述第二平均减速度、各交通片段的第二通过时间、各交通片段的第二长度、各交通片段的平均车速、各交通片段的道路属性以及各交通片段对应的车辆驾驶动作输入至所述神经网络模型，获得所述预设车辆在各交通片段行驶时的目标行驶车速。
4.根据权利要求1所述的方法，其特征在于，所述结合历史统计数据确定所述目标信息中各交通片段的第一平均加速度和第一平均减速度，包括：
结合历史统计数据确定所述目标信息中各交通片段的平均加速度的第一取值范围以及平均减速度的第二取值范围；
将所述第一取值范围内的任意取值确定为所述第一平均加速度；
将所述第二取值范围内的任意取值确定为所述第一平均减速度。
5.根据权利要求4所述的方法，其特征在于，所述根据驾驶员的驾驶风格特征对所述第一平均加速度和第一平均减速度进行修正，获得第二平均加速度和第二平均减速度，包括：
根据驾驶员的驾驶风格特征确定激进等级；
根据所述第一取值范围将所述第一平均加速度修正为与所述激进等级匹配的第二平均加速度；
根据所述第二取值范围将所述第一平均减速度修正为与所述激进等级匹配的第二平均减速度。
6.根据权利要求1-5任一项所述的方法，其特征在于，还包括：
若获得的第n个交通片段结束时的目标行驶车速与第n+1个交通片段初始时的目标行驶车速之差超过设定值，则采用数据平滑算法对所述目标行驶车速进行处理。
7.根据权利要求1-5任一项所述的方法，其特征在于，所述目标信息包括：所述规划路径的总长度、通过所述规划路径所需要的总通过时间、所述规划路径所包括的各交通段的第一长度与对应的第一通过时间、所述规划路径所包括的各交通片段的第二长度、各交通片段对应的拥堵系数、各交通片段的道路属性、各交通片段对应的车辆行驶动作以及所述规划路径所包括的交通信号灯的数量中的一种或多种，其中，所述规划路径包括一个或者多个交通段，一个交通段包括一个或者多个交通片段。
8.根据权利要求1-5任一项所述的方法，其特征在于，所述根据所述目标交通片段的拥堵系数以及交通信号灯的设定周期预测预设车辆按照所述规划路径行驶时的停车位置和停车时间，包括：
若所述目标交通片段的拥堵系数小于设定阈值，根据所述目标交通片段的拥堵系数以及交通信号灯的设定周期确定交通信号灯的红灯时间和绿灯时间；
根据所述目标交通片段的第二通过时间以及所述设定周期确定所述预设车辆在对应交通信号灯处是否停车；
若确定所述预设车辆在对应交通信号灯处停车，则根据对应交通信号灯的绿灯时间确定所述预设车辆在对应交通信号灯处的停车时间；
若所述目标交通片段的拥堵系数大于设定阈值，将与所述目标交通片段对应设置的时间确定为停车时间，将所述目标交通片段的位置确定为停车位置。
9.一种电子设备，其特征在于，所述电子设备包括：
处理器和存储器；
所述处理器通过调用所述存储器存储的程序或指令，用于执行如权利要求1至8任一项所述的车辆行驶工况确定方法的步骤。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储程序或指令，所述程序或指令使计算机执行如权利要求1至8任一项所述的车辆行驶工况确定方法的步骤。
CN202210683799.3A 2022-06-17 2022-06-17 车辆行驶工况确定方法、设备和存储介质 Active CN114771542B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202210683799.3A CN114771542B (zh) 2022-06-17 2022-06-17 车辆行驶工况确定方法、设备和存储介质
PCT/CN2022/131819 WO2023240919A1 (zh) 2022-06-17 2022-11-15 车辆行驶工况确定方法、设备和存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210683799.3A CN114771542B (zh) 2022-06-17 2022-06-17 车辆行驶工况确定方法、设备和存储介质

Publications (2)

Publication Number Publication Date
CN114771542A CN114771542A (zh) 2022-07-22
CN114771542B true CN114771542B (zh) 2022-09-20

Family

ID=82421903

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210683799.3A Active CN114771542B (zh) 2022-06-17 2022-06-17 车辆行驶工况确定方法、设备和存储介质

Country Status (2)

Country Link
CN (1) CN114771542B (zh)
WO (1) WO2023240919A1 (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114771542B (zh) * 2022-06-17 2022-09-20 中汽研汽车检验中心（天津）有限公司 车辆行驶工况确定方法、设备和存储介质
CN115271001B (zh) * 2022-09-29 2023-02-07 天津所托瑞安汽车科技有限公司 车辆行驶工况的识别方法、装置、车辆及存储介质
CN117931872A (zh) * 2024-03-22 2024-04-26 中国汽车技术研究中心有限公司 一种预见性汽车行驶工况构建方法、系统、设备及介质

Family Cites Families (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH10167127A (ja) * 1996-12-07 1998-06-23 Yoshinari Ono 走行自動車の走行状況の記録読出し方法
US20100305798A1 (en) * 2009-05-29 2010-12-02 Ford Global Technologies, Llc System And Method For Vehicle Drive Cycle Determination And Energy Management
CN107067722B (zh) * 2017-04-24 2020-04-21 中国汽车技术研究中心 一种车辆行驶工况构建方法
CN110610260B (zh) * 2019-08-21 2023-04-18 南京航空航天大学 行车能耗预测系统、方法、存储介质和设备
CN110672111B (zh) * 2019-09-24 2021-06-25 广州大学 车辆行车路径规划方法、装置、系统、介质和设备
CN110717147A (zh) * 2019-10-10 2020-01-21 辽宁工程技术大学 一种构建汽车行驶工况的方法
US20210229657A1 (en) * 2020-01-27 2021-07-29 Ford Global Technologies, Llc Detection of vehicle operating conditions
CN111666715B (zh) * 2020-06-05 2023-04-25 北京理工大学 一种电动汽车能耗预测方法及系统
CN114528646B (zh) * 2022-04-24 2022-08-19 中汽研汽车检验中心（天津）有限公司 一种基于在线地图数据的车辆行驶工况构建方法
CN114778140B (zh) * 2022-06-17 2022-08-23 中汽研汽车检验中心（天津）有限公司 车辆能耗台架测试方法和系统
CN114771542B (zh) * 2022-06-17 2022-09-20 中汽研汽车检验中心（天津）有限公司 车辆行驶工况确定方法、设备和存储介质

Also Published As

Publication number Publication date
CN114771542A (zh) 2022-07-22
WO2023240919A1 (zh) 2023-12-21

Similar Documents

Publication Publication Date Title
CN114771542B (zh) 车辆行驶工况确定方法、设备和存储介质
WO2021203972A1 (zh) 基于碰撞模型的风险预防方法、装置、设备及存储介质
US20210241616A1 (en) Method and system for multimodal deep traffic signal control
CN113160585B (zh) 交通灯配时优化方法、系统及存储介质
CN114987498B (zh) 自动驾驶车辆的拟人化轨迹规划方法、装置、车辆及介质
CN113409594A (zh) 一种基于强化学习的匝道信号控制优化方法和系统
CN115100867B (zh) 一种基于数字孪生的城市智能交通仿真方法
CN114528646B (zh) 一种基于在线地图数据的车辆行驶工况构建方法
CN114778140A (zh) 车辆能耗台架测试方法和系统
CN114021840A (zh) 换道策略生成方法和装置、计算机存储介质、电子设备
CN113111502B (zh) 基于跟驰模型与驾驶员特征的驾驶员感知距离建模方法
CN113264064B (zh) 用于交叉路口场景的自动驾驶方法及相关设备
CN116245183B (zh) 基于图神经网络的交通场景泛化理解方法及装置
WO2023005681A1 (zh) 纵向跟车控制方法、装置、电子设备及存储介质
CN113276860B (zh) 车辆控制方法、装置、电子设备以及存储介质
CN111489552B (zh) 一种车头时距预测方法、装置、设备及存储介质
CN115081227A (zh) 一种基于最优速度的车辆跟驰模型及其安全性分析方法
CN112258097B (zh) 一种基于大数据的辅助驾驶方法和系统
WO2021258847A1 (zh) 一种驾驶决策方法、装置及芯片
CN114973656A (zh) 交通交互性能的评估方法、装置、设备、介质和产品
KR20220128033A (ko) 강화학습을 이용한 교통 제어 장치 및 방법
CN114312769B (zh) 考虑周车横纵向运动意图的智能车辆紧急制动方法及系统
CN111832797B (zh) 数据处理方法、数据处理装置、存储介质和电子设备
Yu et al. Development of parametric eco-driving models for fuel savings: A novel parameter calibration approach
CN117818657A (zh) 自动驾驶车辆违反交通安全常识的风险评估方法及装置

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