CN114841283A - 新能源车辆的行驶工况确定方法、装置、设备及介质 - Google Patents
新能源车辆的行驶工况确定方法、装置、设备及介质 Download PDFInfo
- Publication number
- CN114841283A CN114841283A CN202210554232.6A CN202210554232A CN114841283A CN 114841283 A CN114841283 A CN 114841283A CN 202210554232 A CN202210554232 A CN 202210554232A CN 114841283 A CN114841283 A CN 114841283A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- determining
- type
- running
- driving
- 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.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M17/00—Testing of vehicles
- G01M17/007—Wheeled or endless-tracked vehicles
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/80—Technologies aiming to reduce greenhouse gasses emissions common to all road transportation technologies
- Y02T10/84—Data processing systems or methods, management, administration
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Electric Propulsion And Braking For Vehicles (AREA)
Abstract
本发明实施例公开了一种新能源车辆的行驶工况确定方法、装置、设备及介质。其中,所述方法包括:获取车辆的运动学片段;根据运动学片段确定行驶道路类型;确定车辆在各行驶道路类型中的运行总里程比例;根据运行总里程比例,以及各行驶道路类型关联的运动学片段的聚类结果,确定车辆在各行驶道路类型上的行驶工况。通过执行本发明实施例提供的技术方案,可以实现对新能源车辆在不同类型道路上的行驶工况进行科学客观地刻画,为后续台架试验提供了可靠的数据来源。
Description
技术领域
本发明实施例涉及新能源汽车技术领域,尤其涉及一种新能源车辆的行驶工况确定方法、装置、设备及介质。
背景技术
汽车行驶工况(Driving Cycle)又称车辆测试循环,是描述汽车行驶的速度-时间曲线。行驶工况作为车辆能耗/排放测试方法和限值标准的基础,体现汽车道路行驶的运动学特征,是汽车行业的一项重要的、共性基础技术,也是汽车各项性能指标标定优化时的主要基准。
相关技术中的整车、新能源系统及总成性能需求设计,多以国际标准工况或少数实验车辆实际采集工况为主,作为设计输入参考,缺乏用户实际使用工况作为输入。在总成设计过程中能耗、续航里程及可靠性设计指标输入过于单一,无法还原真实用户使用情况,从而造成实际用户的能耗及续航里程与产品设计公告的续航里程差距较大,用户抱怨多等问题。
发明内容
本发明实施例提供一种新能源车辆的行驶工况确定方法、装置、设备及介质,可以实现对新能源车辆在不同类型道路上的行驶工况进行科学客观地刻画,为后续台架试验提供了可靠的数据来源。
第一方面,本发明实施例提供了一种新能源车辆的行驶工况确定方法,该方法包括:
获取车辆的运动学片段;所述车辆的车型属于纯电动四驱车型、纯电动两驱车型以及混动车型中的一种;
根据所述运动学片段确定行驶道路类型;所述行驶道路类型包括城市道路、山区道路、高速道路以及郊区道路;
确定所述车辆在各所述行驶道路类型中的运行总里程比例;
根据所述运行总里程比例,以及各所述行驶道路类型关联的运动学片段的聚类结果,确定所述车辆在各所述行驶道路类型上的行驶工况。
第二方面,本发明实施例还提供了一种新能源车辆的行驶工况确定装置,该装置包括:运动学片段确定模块,用于获取车辆的运动学片段;所述车辆的车型属于纯电动四驱车型、纯电动两驱车型以及混动车型中的一种;
行驶道路类型确定模块,用于根据所述运动学片段确定行驶道路类型;所述行驶道路类型包括城市道路、山区道路、高速道路以及郊区道路;
运行总里程比例确定模块,用于确定所述车辆在各所述行驶道路类型中的运行总里程比例;
行驶工况确定模块,用于根据所述运行总里程比例,以及各所述行驶道路类型关联的运动学片段的聚类结果,确定所述车辆在各所述行驶道路类型上的行驶工况。
第三方面,本发明实施例还提供了一种电子设备,该设备包括:
一个或多个处理器;
存储装置,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本发明实施例中任一项所述的新能源车辆的行驶工况确定方法。
第四方面,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如本发明实施例中任一项所述的新能源车辆的行驶工况确定方法。
本发明实施例提供的技术方案,获取车辆的运动学片段;车辆的车型属于纯电动四驱车型、纯电动两驱车型以及混动车型中的一种;根据运动学片段确定行驶道路类型;行驶道路类型包括城市道路、山区道路、高速道路以及郊区道路;确定车辆在各行驶道路类型中的运行总里程比例;根据运行总里程比例,以及各行驶道路类型关联的运动学片段的聚类结果,确定车辆在各行驶道路类型上的行驶工况。通过执行本发明实施例提供的技术方案,可以实现对新能源车辆在不同类型道路上的行驶工况进行科学客观地刻画,为后续台架试验提供了可靠的数据来源。
附图说明
图1是本发明实施例提供的一种新能源车辆的行驶工况确定方法的流程图;
图2是本发明实施例提供的运动学片段示意图;
图3是本发明实施例提供的另一种新能源车辆的行驶工况确定方法的流程图;
图4是本发明实施例提供的又一种新能源车辆的行驶工况确定方法的流程图;
图5是本发明实施例提供的一种新能源车辆的行驶工况确定装置结构示意图;
图6是本发明实施例提供的一种电子设备结构示意图。
具体实施方式
下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是,此处所描述的具体实施例仅仅用于解释本发明,而非对本发明的限定。另外还需要说明的是,为了便于描述,附图中仅示出了与本发明相关的部分而非全部结构。
图1是本发明实施例提供的一种新能源车辆的行驶工况确定方法的流程图,所述方法可以由新能源车辆的行驶工况确定装置来执行,所述装置可以由软件和/或硬件的方式实现,所述装置可以配置在用于新能源车辆的行驶工况确定的电子设备中。所述方法应用于对新能源车辆在不同道路类型中的行驶工况进行确定的场景中。如图1所示,本发明实施例提供的技术方案具体包括:
S110:获取车辆的运动学片段。
其中,所述车辆的车型属于纯电动四驱车型、纯电动两驱车型以及混动车型中的一种。
示例性的,新能源车辆按照工作模式可以划分为纯电动四驱车型、纯电动两驱车型或者混动车型。本方案可以获取某一车型的所有车辆的全部运动学片段。
具体的,车辆的行驶数据可视为由多个运动学片段连续组成。本方案可以对车辆的行驶数据进行清洗处理,剔除无效数据、超限数据、控制数据及异常数据。然后将两个相邻怠速点之间的数据作为运动学片段。一个完整的运动学片段包括一个怠速段和一个运动段,并且一个完整的运动学片段应该包括怠速状态片段、加速状态片段、匀速状态片段、以及减速状态片段。运动学片段持续过程中高压上电信号需持续有效。其中,怠速状态可以是速度为零但高压上电信号持续有效的片段。加速状态可以是速度不等于零并且加速度大于等于0.15m/s2的片段。减速状态可以是速度不等于零并且加速度小于等于-0.15m/s2的片段。匀速状态可以是速度不等于零并且加速度的绝对值小于等于0.15m/s2的片段。
图2是本发明实施例提供的运动学片段示意图。如图2所示,在车辆行驶过程中,当高压上电信号HVPowerO为1时,表示车辆进入行驶工况,此时车速为零的区间,即t1~t2时刻片段为怠速状态片段,其余片段1-片段3为行驶片段,将会根据加速度情况细分为加速状态片段、减速状态片段、匀速状态片段。而在0~t1、t5~t6时间段内,由于高压信号HVPowerOn为0,因此该片段被作为无效片段剔除。
S120:根据所述运动学片段确定行驶道路类型。
其中,所述行驶道路类型包括城市道路、山区道路、高速道路以及郊区道路。
具体的,本方案可以根据运动学片段确定至少一个运动特征参数,例如本方案可以根据运动学片段确定车辆在该运动学片段对应的时间段内的车速、运行时间、温度、扭矩、油门状态、刹车状态、加速比例、减速比例、匀加速比例、匀减速比例、匀速比例、怠速比例、最大速度、平均速度、平均加速度、相对正加速度、速度标准偏差、加速度标准偏差等运动特征参数。然后将所有的运动特征参数输入至预先训练完成的道路类型识别模型中,得到该运动学片段所属的行驶道路类型。
其中,道路类型识别模型可以是根据历史时间段内里程活跃度高的用户车辆的运动学片段与该运动学片段所属的行驶道路类型作为训练样本输入至决策树算法中训练得到。
S130:确定所述车辆在各所述行驶道路类型中的运行总里程比例。
其中,在确定完成某车型的所有车辆的各个运动学片段所属的行驶道路类型之后,本方案可以分别确定所有车辆在各个行驶道路类型中的运行总里程。例如假设行驶道路类型为城市道路,那么本方案可以确定该车型的每辆车在城市道路上的运动学片段,进而可以将各运动学片段中的行驶里程之和确定为每辆车在城市道路上的运行总里程,从而确定该车型的所有车辆在城市道路上的运行总里程。然后将该车型的车辆在城市道路的运行总里程、山区道路的运行总里程、高速道路的运行总里程以及郊区道路的运行总里程之间的比值确定为车辆在各行驶道路类型中的运行总里程比例,例如1:2:3:4。
S140:根据所述运行总里程比例,以及各所述行驶道路类型关联的运动学片段的聚类结果,确定所述车辆在各所述行驶道路类型上的行驶工况。
示例性的,假设车辆在城市道路、山区道路、高速道路以及郊区道路中的运行总里程比例为1:2:3:4,则城市道路行驶工况、山区道路行驶工况、高速道路行驶工况以及郊区道路行驶工况对应的时间长度比例也为1:2:3:4。如果所有工况的总时间长度为1000s,则城市道路行驶工况、山区道路行驶工况、高速道路行驶工况以及郊区道路行驶工况对应的时间长度分别为100s,200s,300s和400s。前述步骤中已经确定完成某车型的所有车辆在每个行驶道路类型上的运动学片段,本方案可以将该行驶道路类型上的所有运动学片段采用聚类算法进行聚类,聚类时间长度为行驶道路类型上的行驶工况对应的时间长度,得到对应的时间长度内,车辆行驶时间与行驶速度的对应关系。即各行驶道路类型上的行驶工况。
另外,本方案在确定完成某车型的车辆在各行驶道路类型上的行驶工况之后,还可以将各行驶道路类型上的行驶工况进行拼接,得到某车型的车辆在所有行驶道路类型上的行驶工况。可以实现为后续台架试验提供可靠的数据来源。
本发明实施例提供的技术方案,获取车辆的运动学片段;车辆的车型属于纯电动四驱车型、纯电动两驱车型以及混动车型中的一种;根据运动学片段确定行驶道路类型;行驶道路类型包括城市道路、山区道路、高速道路以及郊区道路;确定车辆在各行驶道路类型中的运行总里程比例;根据运行总里程比例,以及各行驶道路类型关联的运动学片段的聚类结果,确定车辆在各行驶道路类型上的行驶工况。通过执行本发明实施例提供的技术方案,可以实现对新能源车辆在不同类型道路上的行驶工况进行科学客观地刻画,为后续台架试验提供了可靠的数据来源。
图3是本发明实施例提供的一种新能源车辆的行驶工况确定方法的流程图,本实施例在上述实施例的基础上进行优化。如图3所示,本发明实施例中的新能源车辆的行驶工况确定方法可以包括:
S210:获取车辆的运动学片段。
S220:根据所述运动学片段确定至少一个运动特征参数。
其中,本方案可以根据车辆的运动学片段确定该运动学片段对应的时间段,进而确定车辆在该时间段内的车速、运行时间、温度、扭矩、油门状态、刹车状态、加速比例、减速比例、匀加速比例、匀减速比例、匀速比例、怠速比例、最大速度、平均速度、平均加速度、相对正加速度、速度标准偏差、加速度标准偏差中的至少一个运行特征参数。
由此,通过确定运动学片段的多个运动特征参数,可以实现对运动学片段进行描述,为后续步骤提供了可靠的数据来源,进而可以提高道路类型识别模型的识别精确度。
S230:将各所述运动特征参数输入至训练完成的道路类型识别模型中确定行驶道路类型。
其中,本方案可以将运动学片段的所有的运动特征参数输入至预先训练完成的道路类型识别模型中,得到该运动学片段所属的行驶道路类型。
在另一个可行的实施方式中,可选的,道路类型识别模型的确定过程包括:按照预设时间段内行驶总里程数的排名结果确定预设数量的待训练车辆;分别确定每个待训练车辆在所述预设时间段内的待训练运动学片段;确定每个待训练运动学片段的至少一个运动特征参数;分别将每个待训练运动学片段的各所述运动特征参数和该待训练运动学片段所属的道路类型输入至决策树算法中进行训练,得到随机森林模型;对所述随机森林模型进行参数调节,得到训练完成的道路类型识别模型。
其中,预设时间段可以是历史时间段,例如在过去的一年,或者在过去的一个月。预设时间段可以根据实际需要进行设置。本方案可以选择典型城市中行驶里程活跃度高的用户车辆,将此部分用户车辆的行驶数据构建成训练集,用于细分工况的行驶片段特征识别。示例性的,对于某个车型,本方案可以对该车型的所有车辆在预设时间段内的行驶里程数据进行统计。例如假设预设时间段为过去一年,则选择过去一年内该车型的里程活跃度高的用户车辆作为待训练车辆,即将过去一年内行驶总里程数值排名靠前的车辆的行驶数据作为测试集数据,形成待分析目标车型样本库。然后将测试集数据中的车辆行驶数据进行清洗处理,剔除无效数据、超限数据、控制数据及异常数据。确定每个待训练车辆在预设时间段内的待训练运动学片段以及待训练运动学片段所属的行驶道路类型。将每个运动学片段采用车速、运行时间、温度、扭矩、油门状态、刹车状态、加速比例、减速比例、匀加速比例、匀减速比例、匀速比例、怠速比例、最大速度、平均速度、平均加速度、相对正加速度、速度标准偏差、加速度标准偏差等运动特征参数进行描述,并将描述该运动学片段的各运动特征参数以及该运动学片段所属的行驶道路类型分别作为训练样本输入至决策树算法中进行训练,得到初始的道路类型识别模型,即由很多的决策树构建的随机森林模型。然后对构建好的随机森林模型进行参数调节,主要调节的参数有子模型数、最大树深度、最大叶结点数、叶节点最小样本数、分裂所需最小样本数、最大特征数、分裂条件等参数,将随机森林模型的识别准确率提高至一定百分比,例如85%,得到训练完成的道路类型识别模型。
由此,通过采用车辆的历史行驶数据基于决策树算法进行训练得到道路类型识别模型,可以实现为后续步骤提供可靠的数据来源。
S240:确定所述车辆在各所述行驶道路类型中的运行总里程比例。
在又一个可行的实施方式中,可选的,确定所述车辆在各所述行驶道路类型中的运行总里程比例,包括:确定所述车辆在每个行驶道路类型中的运动学片段总里程;将各所述运动学片段总里程之间的比值作为所述运行总里程比例。
其中,假设行驶道路类型为城市道路,那么本方案可以确定该车型的每辆车在城市道路上的运动学片段,进而可以将各运动学片段中的行驶里程之和确定为每辆车在城市道路上的运行总里程,从而确定该车型的所有车辆在城市道路上的运行总里程。然后将该车型的车辆在城市道路的运行总里程、山区道路的运行总里程、高速道路的运行总里程以及郊区道路的运行总里程之间的比值确定为车辆在各行驶道路类型中的运行总里程比例,例如1:2:3:4。
由此,通过确定车辆在每个行驶道路类型中的运动学片段总里程;将各运动学片段总里程之间的比值作为运行总里程比例。可以实现确定每个行驶道路类型在总体行驶工况中所占据的权重比例,为后续构建不同行驶道路类型的行驶工况提供了可靠的数据来源。
S250:根据所述运行总里程比例,以及各所述行驶道路类型关联的运动学片段的聚类结果,确定所述车辆在各所述行驶道路类型上的行驶工况。
在本实施例中,可选的,根据所述运行总里程比例,以及各所述行驶道路类型关联的运动学片段的聚类结果,确定所述车辆在各所述行驶道路类型上的行驶工况,包括:根据所述运行总里程比例分别确定与每个行驶道路类型对应的时间长度;确定与每个行驶道路类型关联的运动学片段;基于K-means聚类算法对每个行驶道路类型关联的各所述运动学片段进行聚类的聚类结果以及所述时间长度,得到所述车辆在每个道路类型上的行驶工况。
其中,假设某车型的车辆在城市道路、山区道路、高速道路以及郊区道路中的运行总里程比例为1:2:3:4,则城市道路行驶工况、山区道路行驶工况、高速道路行驶工况以及郊区道路行驶工况分别对应的时间长度比例也为1:2:3:4。如果所有工况的总时间长度为1000s,则城市道路行驶工况、山区道路行驶工况、高速道路行驶工况以及郊区道路行驶工况对应的时间长度分别为100s,200s,300s和400s。前述步骤中已经确定完成某车型的所有车辆在每个行驶道路类型上的运动学片段,本方案可以将该行驶道路类型上的所有运动学片段采用K-means聚类算法进行聚类,聚类时间长度为该行驶道路类型上的行驶工况对应的时间长度,得到对应的时间长度内,车辆行驶时间作为横轴与行驶速度作为纵轴的对应关系。即各行驶道路类型上的行驶工况。
由此,通过根据运行总里程比例分别确定与每个行驶道路类型对应的时间长度;确定与每个行驶道路类型关联的运动学片段;基于K-means聚类算法对每个行驶道路类型关联的各运动学片段进行聚类的聚类结果以及时间长度,得到车辆在每个道路类型上的行驶工况。可以实现对不同行驶道路类型的行驶工况进行科学准确地确定,为后续台架试验提供了可靠的数据来源。
在本实施例中,可选的,在确定所述车辆在各所述行驶道路类型上的行驶工况之后,还包括:将各所述行驶道路类型上的行驶工况进行组合,得到所述车辆在所有行驶道路类型下的总体行驶工况。
其中,本方案在确定完成某车型的车辆在各行驶道路类型上的行驶工况之后,还可以将各行驶道路类型上的行驶工况进行拼接,得到某车型的车辆在所有行驶道路类型上的行驶工况。
由此,通过将各行驶道路类型上的行驶工况进行组合,得到车辆在所有行驶道路类型下的总体行驶工况。可以实现对新能源车辆在各个行驶道路类型上的行驶工况进行科学客观地刻画,为后续台架试验提供了可靠的数据来源。
本发明实施例提供的技术方案,获取车辆的运动学片段;根据运动学片段确定至少一个运动特征参数;将各运动特征参数输入至训练完成的道路类型识别模型中确定行驶道路类型;确定车辆在各行驶道路类型中的运行总里程比例;根据运行总里程比例,以及各行驶道路类型关联的运动学片段的聚类结果,确定车辆在各行驶道路类型上的行驶工况。通过执行本发明实施例提供的技术方案,可以实现对新能源车辆在不同类型道路上的行驶工况进行科学客观地刻画,为后续台架试验提供了可靠的数据来源。
为了更清楚地表述本发明的技术方案,图4是本发明实施例提供的新能源车辆的行驶工况确定方法的流程图,如图4所示,本发明实施例提供的技术方案还可以包括如下步骤:
步骤1、按照预设时间段内行驶总里程数的排名结果确定预设数量的待训练车辆。
其中,本方案可以对所选车型数据进行识别过滤,主要识别分类为:纯电动四驱车型、纯电动两驱车型、混动车型3种类型编号,以精准刻画车型行驶工况为目标,精细化分析数据对象。选择1-12月份一年内里程活跃度高的用户,即数值排名靠前的用户数据作为测试集数据,此部形成待分析目标车型样本库。
步骤2、对原始行车数据进行清洗处理,剔除无效数据、超限数据、控制数据及异常数据。
步骤3、分别确定每个待训练车辆在预设时间段内的待训练运动学片段。
步骤4、确定每个待训练运动学片段的至少一个运动特征参数。
其中,本方案可以将道路标签根据行驶特点划分为四类:城市道路、山区道路、高速道路以及郊区道路,采用典型城市的绕城高速或环线路作为城市郊区分界线,进而与全国道路库相交获得城市道路与郊区道路库。高速道路库为省区内道路的高速部分合集,包括郊区高速与绕城高速等。普通公路行政等级划分用G、S、X、Y、C、Z区分国道、省道、县道、乡道、村道、专用公路,主要涵盖郊区除高速,山区的其他部分道路。山区道路则利用DEM数据,在ARCGIS软件中得出典型城市内的山区面积,从而得出山区道路库。选择车辆运行特征参数如下:车速、运行时间、温度、扭矩、油门状态、刹车状态、加速比例、减速比例、匀加速比例、匀减速比例、匀速比例、怠速比例、最大速度、平均速度、平均加速度、相对正加速度、速度标准偏差、加速度标准偏差等18个运动特征参数进行辨识。
步骤5、分别将每个待训练运动学片段的各运动特征参数和该待训练运动学片段所属的道路类型输入至决策树算法中进行训练,得到随机森林模型。
其中,本方案可以针对目标车型训练样本集数据,有放回的抽取T次,每次抽取t个短行程片段,最终形成了T个样本。用来训练片段分类决策树,作为决策树根节点处的样本。每个样本有18个属性时,在决策树的每个节点需要分裂时,随机从这18个属性中选取出m个属性。然后从这m个属性中采用Gini系数增益最大来选择1个属性作为该节点的分裂属性。每个节点都要按照此来进行分裂,直到下一次该节点选出来的那一个属性是刚刚其父节点分裂时用过的属性,则该节点已经达到了叶子节点,无须继续分裂了,注意整个决策树形成过程中没有进行剪枝。按照这个过程循环进行,从而建立建立大量的决策树,构成了随机森林。
步骤6、对随机森林模型进行参数调节,得到训练完成的道路类型识别模型。
其中,本方案可以根据构建好的随机森林模型进行参数调节,主要调节的参数有子模型数、最大树深度、最大叶结点数、叶节点最小样本数、分裂所需最小样本数、最大特征数、分裂条件等参数,提高准确率至85%准确度得到训练完成的道路类型识别模型。
步骤7、获取车辆的运动学片段。
其中,本方案还可以在确定运动学片段之前对车辆行驶数据进行清洗处理,剔除无效数据、超限数据、控制数据及异常数据。
步骤8、根据运动学片段确定行驶道路类型。
步骤9、确定车辆在各行驶道路类型中的运行总里程比例。
步骤10、根据运行总里程比例,以及各行驶道路类型关联的运动学片段的聚类结果,确定车辆在各行驶道路类型上的行驶工况。
其中,本方案可以通过K-means聚类算法进行不同行驶道路类型工况聚类,并通过运行总里程比例进行全量典型谱的聚类,从而形成不同行驶道路类型的行驶工况及总体的行驶工况。
本发明实施例提供的技术方案,可以识别全量用户不同路段特征下的权重比例,通过工况聚合,形成不同道路标签下的路谱数据,以及全量用户总体路况特征谱。能够全面准确的刻画出用户车辆行驶工况,联合整车经济性仿真平台,实现续航里程仿真,获得不同地域、不同温度下的能耗预测模型,同时根据用户的工况分布及占比,形成用户实际工况载荷谱,作为设计输入,指导台架试验。
图5是本发明实施例提供的新能源车辆的行驶工况确定装置结构示意图,所述装置可以配置在用于新能源车辆的行驶工况确定的电子设备中,如图5所示,所述装置包括:
运动学片段确定模块310,用于获取车辆的运动学片段;所述车辆的车型属于纯电动四驱车型、纯电动两驱车型以及混动车型中的一种;
行驶道路类型确定模块320,用于根据所述运动学片段确定行驶道路类型;所述行驶道路类型包括城市道路、山区道路、高速道路以及郊区道路;
运行总里程比例确定模块330,用于确定所述车辆在各所述行驶道路类型中的运行总里程比例;
行驶工况确定模块340,用于根据所述运行总里程比例,以及各所述行驶道路类型关联的运动学片段的聚类结果,确定所述车辆在各所述行驶道路类型上的行驶工况。
可选的,行驶道路类型确定模块320,包括运动特征参数确定单元,用于根据所述运动学片段确定至少一个运动特征参数;行驶道路类型确定单元,用于将各所述运动特征参数输入至训练完成的道路类型识别模型中确定所述行驶道路类型。
可选的,道路类型识别模型的确定过程包括:按照预设时间段内行驶总里程数的排名结果确定预设数量的待训练车辆;分别确定每个待训练车辆在所述预设时间段内的待训练运动学片段;确定每个待训练运动学片段的至少一个运动特征参数;分别将每个待训练运动学片段的各所述运动特征参数和该待训练运动学片段所属的道路类型输入至决策树算法中进行训练,得到随机森林模型;对所述随机森林模型进行参数调节,得到训练完成的道路类型识别模型。
可选的,运行总里程比例确定模块330,包括运动学片段总里程确定单元,用于确定所述车辆在每个行驶道路类型中的运动学片段总里程;运行总里程比例确定单元,用于将各所述运动学片段总里程之间的比值作为所述运行总里程比例。
可选的,行驶工况确定模块340,包括时间长度确定单元,用于根据所述运行总里程比例分别确定与每个行驶道路类型对应的时间长度;关联运动学片段确定单元,用于确定与每个行驶道路类型关联的运动学片段;行驶工况确定单元,用于基于K-means聚类算法对每个行驶道路类型关联的各所述运动学片段进行聚类的聚类结果以及所述时间长度,得到所述车辆在每个道路类型上的行驶工况。
可选的,所述装置还包括总体行驶工况确定模块,用于在确定所述车辆在各所述行驶道路类型上的行驶工况之后,将各所述行驶道路类型上的行驶工况进行组合,得到所述车辆在所有行驶道路类型下的总体行驶工况。
可选的,所述运动特征参数包括车速、运行时间、温度、扭矩、油门状态、刹车状态、加速比例、减速比例、匀加速比例、匀减速比例、匀速比例、怠速比例、最大速度、平均速度、平均加速度、相对正加速度、速度标准偏差、加速度标准偏差中的至少一个。
上述实施例所提供的装置可以执行本发明任意实施例所提供的新能源车辆的行驶工况确定方法,具备执行方法相应的功能模块和有益效果。
图6是本发明实施例提供的一种电子设备结构示意图,如图6所示,该设备包括:
一个或多个处理器410,图6中以一个处理器410为例;
存储器420;
所述设备还可以包括:输入装置430和输出装置440。
所述设备中的处理器410、存储器420、输入装置430和输出装置440可以通过总线或者其他方式连接,图6中以通过总线连接为例。
存储器420作为一种非暂态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一种新能源车辆的行驶工况确定方法对应的程序指令/模块。处理器410通过运行存储在存储器420中的软件程序、指令以及模块,从而执行计算机设备的各种功能应用以及数据处理,即实现上述方法实施例的一种新能源车辆的行驶工况确定方法,即:
获取车辆的运动学片段;所述车辆的车型属于纯电动四驱车型、纯电动两驱车型以及混动车型中的一种;
根据所述运动学片段确定行驶道路类型;所述行驶道路类型包括城市道路、山区道路、高速道路以及郊区道路;
确定所述车辆在各所述行驶道路类型中的运行总里程比例;
根据所述运行总里程比例,以及各所述行驶道路类型关联的运动学片段的聚类结果,确定所述车辆在各所述行驶道路类型上的行驶工况。
存储器420可以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、至少一个功能所需要的应用程序;存储数据区可存储根据计算机设备的使用所创建的数据等。此外,存储器420可以包括高速随机存取存储器,还可以包括非暂态性存储器,例如至少一个磁盘存储器件、闪存器件、或其他非暂态性固态存储器件。在一些实施例中,存储器420可选包括相对于处理器410远程设置的存储器,这些远程存储器可以通过网络连接至终端设备。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430可用于接收输入的数字或字符信息,以及产生与计算机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440可包括显示屏等显示设备。
本发明实施例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如本发明实施例提供的一种新能源车辆的行驶工况确定方法,也即:
获取车辆的运动学片段;所述车辆的车型属于纯电动四驱车型、纯电动两驱车型以及混动车型中的一种;
根据所述运动学片段确定行驶道路类型;所述行驶道路类型包括城市道路、山区道路、高速道路以及郊区道路;
确定所述车辆在各所述行驶道路类型中的运行总里程比例;
根据所述运行总里程比例,以及各所述行驶道路类型关联的运动学片段的聚类结果,确定所述车辆在各所述行驶道路类型上的行驶工况。
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。
计算机可读的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。计算机可读的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,所述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)。
注意,上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解,本发明不限于这里所述的特定实施例,对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此,虽然通过以上实施例对本发明进行了较为详细的说明,但是本发明不仅仅限于以上实施例,在不脱离本发明构思的情况下,还可以包括更多其他等效实施例,而本发明的范围由所附的权利要求范围决定。
Claims (10)
1.一种新能源车辆的行驶工况确定方法,其特征在于,包括:
获取车辆的运动学片段;所述车辆的车型属于纯电动四驱车型、纯电动两驱车型以及混动车型中的一种;
根据所述运动学片段确定行驶道路类型;所述行驶道路类型包括城市道路、山区道路、高速道路以及郊区道路;
确定所述车辆在各所述行驶道路类型中的运行总里程比例;
根据所述运行总里程比例,以及各所述行驶道路类型关联的运动学片段的聚类结果,确定所述车辆在各所述行驶道路类型上的行驶工况。
2.根据权利要求1所述的方法,其特征在于,根据所述运动学片段确定行驶道路类型,包括:
根据所述运动学片段确定至少一个运动特征参数;
将各所述运动特征参数输入至训练完成的道路类型识别模型中确定所述行驶道路类型。
3.根据权利要求2所述的方法,其特征在于,道路类型识别模型的确定过程包括:
按照预设时间段内行驶总里程数的排名结果确定预设数量的待训练车辆;
分别确定每个待训练车辆在所述预设时间段内的待训练运动学片段;
确定每个待训练运动学片段的至少一个运动特征参数;
分别将每个待训练运动学片段的各所述运动特征参数和该待训练运动学片段所属的道路类型输入至决策树算法中进行训练,得到随机森林模型;
对所述随机森林模型进行参数调节,得到训练完成的道路类型识别模型。
4.根据权利要求1所述的方法,其特征在于,确定所述车辆在各所述行驶道路类型中的运行总里程比例,包括:
确定所述车辆在每个行驶道路类型中的运动学片段总里程;
将各所述运动学片段总里程之间的比值作为所述运行总里程比例。
5.根据权利要求1所述的方法,其特征在于,根据所述运行总里程比例,以及各所述行驶道路类型关联的运动学片段的聚类结果,确定所述车辆在各所述行驶道路类型上的行驶工况,包括:
根据所述运行总里程比例分别确定与每个行驶道路类型对应的时间长度;
确定与每个行驶道路类型关联的运动学片段;
基于K-means聚类算法对每个行驶道路类型关联的各所述运动学片段进行聚类的聚类结果以及所述时间长度,得到所述车辆在每个道路类型上的行驶工况。
6.根据权利要求1所述的方法,其特征在于,在确定所述车辆在各所述行驶道路类型上的行驶工况之后,还包括:
将各所述行驶道路类型上的行驶工况进行组合,得到所述车辆在所有行驶道路类型下的总体行驶工况。
7.根据权利要求2或3所述的方法,其特征在于,所述运动特征参数包括车速、运行时间、温度、扭矩、油门状态、刹车状态、加速比例、减速比例、匀加速比例、匀减速比例、匀速比例、怠速比例、最大速度、平均速度、平均加速度、相对正加速度、速度标准偏差、加速度标准偏差中的至少一个。
8.一种新能源车辆的行驶工况确定装置,其特征在于,包括:
运动学片段确定模块,用于获取车辆的运动学片段;所述车辆的车型属于纯电动四驱车型、纯电动两驱车型以及混动车型中的一种;
行驶道路类型确定模块,用于根据所述运动学片段确定行驶道路类型;所述行驶道路类型包括城市道路、山区道路、高速道路以及郊区道路;
运行总里程比例确定模块,用于确定所述车辆在各所述行驶道路类型中的运行总里程比例;
行驶工况确定模块,用于根据所述运行总里程比例,以及各所述行驶道路类型关联的运动学片段的聚类结果,确定所述车辆在各所述行驶道路类型上的行驶工况。
9.一种电子设备,其特征在于,包括:
一个或多个处理器;
存储装置,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任一项所述的新能源车辆的行驶工况确定方法。
10.一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任一项所述的新能源车辆的行驶工况确定方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210554232.6A CN114841283A (zh) | 2022-05-19 | 2022-05-19 | 新能源车辆的行驶工况确定方法、装置、设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210554232.6A CN114841283A (zh) | 2022-05-19 | 2022-05-19 | 新能源车辆的行驶工况确定方法、装置、设备及介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114841283A true CN114841283A (zh) | 2022-08-02 |
Family
ID=82572945
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210554232.6A Pending CN114841283A (zh) | 2022-05-19 | 2022-05-19 | 新能源车辆的行驶工况确定方法、装置、设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114841283A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115659154A (zh) * | 2022-12-13 | 2023-01-31 | 广汽埃安新能源汽车股份有限公司 | 数据发送方法、装置、服务器和计算机可读介质 |
-
2022
- 2022-05-19 CN CN202210554232.6A patent/CN114841283A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115659154A (zh) * | 2022-12-13 | 2023-01-31 | 广汽埃安新能源汽车股份有限公司 | 数据发送方法、装置、服务器和计算机可读介质 |
CN115659154B (zh) * | 2022-12-13 | 2023-06-27 | 广汽埃安新能源汽车股份有限公司 | 数据发送方法、装置、服务器和计算机可读介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109840660B (zh) | 一种车辆特征数据处理方法及车辆风险预测模型训练方法 | |
Ping et al. | Impact of driver behavior on fuel consumption: Classification, evaluation and prediction using machine learning | |
CN110304068B (zh) | 汽车行驶环境信息的采集方法、装置、设备和存储介质 | |
CN113688558A (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 | |
CN113689594A (zh) | 一种新的汽车行驶工况构造方法 | |
CN113378458A (zh) | 一种基于大数据的拥堵预警方法、装置、介质及设备 | |
WO2024067387A1 (zh) | 基于特征变量评分的用户画像生成方法,设备、汽车及存储介质 | |
CN111915068A (zh) | 一种基于集成学习的道路能见度短临预测方法 | |
CN111210537A (zh) | 一种油耗分析方法、装置、设备和存储介质 | |
CN113297795A (zh) | 一种纯电动汽车行驶工况构建方法 | |
CN110533094B (zh) | 一种用于驾驶员的评价方法和系统 | |
CN114841283A (zh) | 新能源车辆的行驶工况确定方法、装置、设备及介质 | |
Vychuzhanin et al. | Analysis and structuring diagnostic large volume data of technical condition of complex equipment in transport | |
Yang et al. | Prediction of traffic accident severity based on random forest | |
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 | |
Chuanxia et al. | Machine learning and IoTs for forecasting prediction of smart road traffic flow | |
CN111027859B (zh) | 基于机动车状态监控数据挖掘的驾驶风险防范方法及系统 | |
CN112035536A (zh) | 一种考虑动态路网交通流的电动汽车能耗预测方法 | |
CN112967759B (zh) | 基于内存堆栈技术的dna物证鉴定str分型比对方法 | |
CN115423600A (zh) | 数据筛选方法、装置、介质及电子设备 | |
CN111078882A (zh) | 一种文本情感测量方法和装置 | |
Mousa et al. | Comparative evaluation of tree-based ensemble algorithms for short-term travel time prediction | |
CN115271001B (zh) | 车辆行驶工况的识别方法、装置、车辆及存储介质 | |
Rahutomo et al. | South Jakarta’s Air Quality Using PM 2.5 Data at the Beginning of COVID-19 Restriction | |
Tian et al. | Understanding scenarios for cooperative v2p safety applications using connected vehicle datasets |
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 |