CN115266135A - 基于用户工况测试数据的油耗量化分析方法 - Google Patents
基于用户工况测试数据的油耗量化分析方法 Download PDFInfo
- Publication number
- CN115266135A CN115266135A CN202210887680.8A CN202210887680A CN115266135A CN 115266135 A CN115266135 A CN 115266135A CN 202210887680 A CN202210887680 A CN 202210887680A CN 115266135 A CN115266135 A CN 115266135A
- Authority
- CN
- China
- Prior art keywords
- vehicle speed
- working condition
- oil consumption
- data
- user
- 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
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Mathematical Physics (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Operations Research (AREA)
- Probability & Statistics with Applications (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Algebra (AREA)
- Evolutionary Biology (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Time Recorders, Dirve Recorders, Access Control (AREA)
Abstract
本发明公开了一种基于用户工况测试数据的油耗量化分析方法,结合用户工况测试数据与标准测试数据,通过细分车速段的时间占比偏差,锁定导致油耗差异的异常车速段,并基于异常车速段反观测试阶段以该异常车速区间行驶时表现出的行驶工况特点,然后结合该行驶工况对应的时长、车速、瞬时油耗、形式距离等数据进行统计分析,得出用户工况测试中该行驶工况的油耗定量数值,为后续实际道路油耗优化指明方向。本发明在传统的基于用户工况的定性分析基础上,增加了针对性的定量指标分析,不仅大大缩短测试数据分析时间、提高工作效率,尤其能够更为客观、准确地分析油耗差异,从而为在研车型及后续车型明确实际道路工况油耗分析提供可靠依据。
Description
技术领域
本发明涉及汽车油耗测试技术领域,尤其涉及一种基于用户工况测试数据的油耗量化分析方法。
背景技术
在汽车研发过程中,燃油经济性开发初期一般是利用转毂模拟标准工况测试其油耗结果,开发后期则要进行用户工况油耗测试,用户工况与标准工况油耗有明显差异,用户工况油耗测试是一种道路实测方法,通常是利用加油法(以加油跳枪为准,加油量除以行驶里程,计算得出百公里油耗)分析油耗结果,只能定性描述用户群体油耗情况,而无法量化具体指标,难以据此明确提出车辆的油耗优化方案。
具体来说,用户工况油耗测试,通常先选择测试路线并规划具体方案,在测试前一天,所有测评车需加满油(所有测评车均以跳枪为准),同时仪表里程清零,统一停放规定的位置;测试当天,出发时统一取车并连接电脑和581设备,利用INCA软件采集ECU数据;测试结束后,分析INCA采集的全过程数据,定性给出油耗差异结果。基于此测试方式的分析方法,其中包括如下步骤:1)用MDA软件打开INCA采集的数据,将VKPH车速、EPEDPOSN油门踏板开度、PE加浓开关及EXHMPACT排温加浓等信号调出,确认过程数据是否存在异常;2)将用户工况的VKPH车速、EPEDPOSN油门踏板开度、PE加浓开关及EXHMPACT排温加浓等数据与标准工况WLTC的对应数据进行定性对比,给出油耗分析结论。
在实际测试分析操作中,为保证动力进入PE加浓提升动力需要分析特定油门开度下的工况,而测试全程油门为50%,无法触发PE加浓,因此在测试行驶中大油门触发频率较,为保证动力性进入PE加浓油门开度可高于80%,这就导致实际油耗可能会增加;此外,由于车辆行驶数据量大,定性分析不仅处理较慢,而且无法客观、准确地反映真实的油耗情况,因此难以为油耗整改提供可靠的定量支撑。
发明内容
鉴于上述,本发明旨在提供一种基于用户工况测试数据的油耗量化分析方法,以解决前述提及的技术问题。
本发明采用的技术方案如下:
本发明提供了一种基于用户工况测试数据的油耗量化分析方法,其中包括:
将用户工况油耗测试中采集的过程数据与标准工况中的车速段进行关联,识别出标准工况与用户工况的对应车速段;
将所述过程数据中的车速数据按预设的多个车速阈值进行细化分段,且在标准工况中的所述对应车速段内进行相应的细化分段;
比对用户工况与标准工况对应的细化分段的时间占比偏差,确定异常车速段;
判断车辆在所述异常车速段中的行驶状态类型;
结合所述过程数据中对应所述行驶状态类型的瞬时油耗数据、时长数据以及行驶距离数据,求取所述行驶状态类型下的油耗数值,并作为指导油耗优化的量化指标。
在其中至少一种可能的实现方式中,所述将用户工况油耗测试中采集的过程数据与标准工况中的车速段进行关联包括:
获取所述过程数据中的第一最高车速和第一平均车速;
在标准工况中预设的车速段中获取第二最高车速和第二平均车速;
若第一最高车速与第二最高车速的差值小于或等于第一下限值,且第一平均车速与第二平均车速的差值小于或等于第二下限值,则确定出标准工况与用户工况的车速段的对应关联。
在其中至少一种可能的实现方式中,所述获取所述过程数据中的第一最高车速和第一平均车速包括:预先将所述过程数据进行初始车速分段,并在初始车速分段中计算所述第一最高车速以及所述第一平均车速。
在其中至少一种可能的实现方式中,所述确定异常车速段包括:
分别获取用户工况与标准工况各细化分段中的行驶时间占比数据;
若用户工况与标准工况对应的细化分段的时间占比之差的绝对值大于或等于预设时间占比偏差阈值,则将该细化分段判定为所述异常车速段。
在其中至少一种可能的实现方式中,所述判断车辆在所述异常车速段中的行驶状态类型包括:
利用所述过程数据,获取测试车辆在所述异常车速段中的行驶特征;维澳
基于所述行驶特征,确定所述行驶状态类型。
在其中至少一种可能的实现方式中,所述求取所述行驶状态类型下的油耗数值包括按下述公式计算所述行驶状态类型下的油耗数值:Q=L*T/36S,其中,Q为所述行驶状态类型的油耗、L为所述行驶状态类型的瞬时油耗,T为所述行驶状态类型的时长,S为所述行驶状态类型的行驶距离。
在其中至少一种可能的实现方式中,所述行驶状态类型包括:怠速、加速、等速及减速。
本发明的主要设计构思在于,结合用户工况测试数据与标准测试数据,通过细分车速段的时间占比偏差,锁定导致油耗差异的异常车速段,并基于异常车速段反观测试阶段以该异常车速区间行驶时表现出的行驶工况特点,然后结合该行驶工况对应的时长、车速、瞬时油耗、形式距离等数据进行统计分析,得出用户工况测试中该行驶工况的油耗定量数值,为后续实际道路油耗优化指明方向。本发明在传统的基于用户工况的定性分析基础上,增加了针对性的定量指标分析,不仅大大缩短测试数据分析时间、提高工作效率,尤其能够更为客观、准确地分析油耗差异,从而为在研车型及后续车型明确实际道路工况油耗分析提供可靠依据。
附图说明
为使本发明的目的、技术方案和优点更加清楚,下面将结合附图对本发明作进一步描述,其中:
图1为本发明实施例提供的基于用户工况测试数据的油耗量化分析方法的流程图。
具体实施方式
下面详细描述本发明的实施例,实施例的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的,仅用于解释本发明,而不能解释为对本发明的限制。
本发明提出了一种基于用户工况测试数据的油耗量化分析方法的实施例,具体来说,如图1所示,其中包括:
步骤S1、将用户工况油耗测试中采集的过程数据与标准工况中的车速段进行关联,识别出标准工况与用户工况的对应车速段;
步骤S2、将所述过程数据中的车速数据按预设的多个车速阈值进行细化分段,且在标准工况中的所述对应车速段内进行相应的细化分段;
步骤S3、比对用户工况与标准工况对应的细化分段的时间占比偏差,确定异常车速段;
步骤S4、判断车辆在所述异常车速段中的行驶状态类型;
步骤S5、结合所述过程数据中对应所述行驶状态类型的瞬时油耗数据、时长数据以及行驶距离数据,求取所述行驶状态类型下的油耗数值,并作为指导油耗优化的量化指标。
进一步地,所述将用户工况油耗测试中采集的过程数据与标准工况中的车速段进行关联包括:
获取所述过程数据中的第一最高车速和第一平均车速;
在标准工况中预设的车速段中获取第二最高车速和第二平均车速;
若第一最高车速与第二最高车速的差值小于或等于第一下限值,且第一平均车速与第二平均车速的差值小于或等于第二下限值,则确定出标准工况与用户工况的车速段的对应关联。
基于此构思,所述获取所述过程数据中的第一最高车速和第一平均车速包括:预先将所述过程数据进行初始车速分段,并在初始车速分段中计算所述第一最高车速以及所述第一平均车速。
进一步地,所述确定异常车速段包括:
分别获取用户工况与标准工况各细化分段中的行驶时间占比数据;
若用户工况与标准工况对应的细化分段的时间占比之差的绝对值大于或等于预设时间占比偏差阈值,则将该细化分段判定为所述异常车速段。
进一步地,所述判断车辆在所述异常车速段中的行驶状态类型包括:
利用所述过程数据,获取测试车辆在所述异常车速段中的行驶特征;
基于所述行驶特征,确定所述行驶状态类型。
基于此,所述求取所述行驶状态类型下的油耗数值包括按下述公式计算所述行驶状态类型下的油耗数值:Q=L*T/36S,其中,Q为所述行驶状态类型的油耗、L为所述行驶状态类型的瞬时油耗,T为所述行驶状态类型的时长,S为所述行驶状态类型的行驶距离。
最后还可以说明的是,前述行驶状态类型包括:怠速、加速、等速及减速。
关于步骤S1,具体地,将用户工况油耗测试所采集的过程数据以最高车速Vmax和平均车速Vavg两个变量来识别与标准工况的对应段。以某车型某段实际路况为例,最高车速79km/h,平均车速32km/h,而标准工况(WLTC)中预设有低速段(如0~60km/h)和中速段(如60~90km/h),且标准工况中预设的低速及中速段的第二最高车速为76.6km/h以及第二平均车速为27.6km/h,将前述示例中的过程数据与标准工况的上述数据相比可知,二者基本相当(即最高车速与平均车速均小于或等于各自的预设下限),由此可建立二者关联,识别出所述对应分段为0~90km/h(预设的低速段和中速段)。
关于步骤S2,具体地,将所述过程数据按预设的多个车速阈值进行细化分段,得到若干个第一细化车速分段(如下表1示意的七个第一细化车速分段),并计算出各个所述第一细化车速分段的第一时间占比;同样地,将标准工况中的所述对应分段按相应于各所述第一细化车速分段进行划分,得到标准工况的若干个第二细化车速分段,并求取出各个所述第二细化车速分段的第二时间占比。
关于步骤S3,具体地,将对应车速段的所述第一时间占比与所述第二时间占比进行对比,以二者之差的绝对值大于或等于预设时间占比偏差阈值(如10%)的车速段判定为差异较大细化车速分段。由细化车速分段时间占比表(即表1)可知,与标准工况相比,用户工况车速在20km/h以内分段的时间占比差异较大,表明该细化车速分段造成油耗高于标准,因此后续可针对车速低于20km/h的车速段进行将进一步处理,从而分析油耗的具体差异量(后文将做说明)。
表1细化车速分段时间占比表
细化车速分段 | 用户工况时间占比 | 标准工况时间占比 |
0≤v<10 | 36.0% | 24.1% |
10≤v<20 | 5.4% | 16.2% |
20≤v<30 | 7.5% | 17.0% |
30≤v<40 | 11.7% | 10.9% |
40≤v<50 | 16.1% | 14.3% |
50≤v<60 | 14.1% | 9.9% |
60≤v | 9.2% | 8% |
为了便于说明上述方案,以真实的用户工况油耗数据为例进行说明:
测试日期2022.03.05,路段环境温度15℃-20℃,测试车1在用户工况下的油耗为8.6L/100km,测试车1的标准工况油耗为7.98L/100km;同款的测试车2在用户工况下的油耗为7.4L/100km,测试车2的标准工况油耗为7.24L/100km。两车用户工况的实测百公里油耗之差1.2L,而两车标准工况下测得的百公里油耗差为0.74,可见实际道路油耗存在明显的优化空间,需要进行油耗分析给出定量的优化指导。
据此,按前述实施例,对上述测试车1和测试车2两台车的过程数据进行分析,测试车1的最高车速56km/h、平均车速15km/h;测试车2的最高车速54km/h、平均车速约15km/h;两车油门开度基本在25%以下(驾驶风格相近),由二者最高速及平均车速,可以识别并关联到标准工况中某个对应分段(如预设的低速段)。接着,将上述测试车1和测试车2的过程数据进行细化分段,并将WLTC工况中识别出的对应低速段进行细化分段,统计相应细化车速分段的时间占比数据,如表2示出两车实测时间占比表。
表2两车实测时间占比表
细化车速分段 | 标准工况时间占比 | 测试车1时间占比 | 测试车2时间占比 |
0≤v<10 | 32.1% | 49% | 48.1% |
10≤v<20 | 21.9% | 12.6% | 12.0% |
20≤v<30 | 22.4% | 15.4% | 14.6% |
30≤v<40 | 11.9% | 14.5% | 15.2% |
40≤v<50 | 8.8% | 8.0% | 8.9% |
50≤v<60 | 2.9% | 0.6% | 1.3% |
60≤v | 0.0% | 0.0% | 0.0% |
由表2对比WLTC工况低速段中的各细化车速分段的时间占比情况可知,用户工况位于车速段0≤v<10的两车时间占比均较大偏离标准工况时间占比,于是可以判定细化车速分段0≤v<10是造成两车相比标准工况油耗存在差异的主要原因。
继续前文,关于步骤S4及步骤S5,具体地,针对确定出的异常车速段,判断车辆在该异常车速段中的行驶状态类型(如可以通过用户工况测试的过程数据中的预设驾驶特征,确定车辆在该车速段中是以怠速、加速、等速或减速状态行驶,此外可以理解地,在某个车速段内车辆也可以不是以唯一行驶状态行进,因此可以是统计行驶状态特征更多的类型,以此作为后续依据),之后,再结合所述过程数据中对应该行驶状态类型的瞬时油耗、时长以及行驶距离,计算出该行驶状态下的百公里油耗,基于此便可以为实际道路油耗优化提供可靠的指导方向,例如通过某行驶状态的油耗数据可以进一步计算得到量化的差异数值。
结合前例来说,在实际操作中,以异常的0≤v<10车速段,分析出用户工况测试过程中在该车速段的行驶特征,更多地体现为怠速状态类型,因而利用测试过程数据分别读取出测试车1和测试车2各自的怠速状态瞬时油耗、怠速状态时长以及怠速状态行驶距离(当然,也可以获取车辆以0≤v<10车速行驶时的瞬时油耗、时长、行驶距离,作为便捷实施方式),并按如下公式计算怠速状态油耗及两车差异:Q=L*T/36S,其中,Q为怠速状态下的百公里油耗,单位L/100km;L为怠速状态下的瞬时油耗,单位L/h;T为怠速时长,单位s;S为怠速状态下的行驶距离,单位km。通过上述计算,可求取出测试车1的怠速油耗相比测试车2的怠速油耗高约0.8L/100km,这就为后续针对性进行实际道路油耗优化提供了可靠的数据分析基础。
综上所述,本发明的主要设计构思在于,结合用户工况测试数据与标准测试数据,通过细分车速段的时间占比偏差,锁定导致油耗差异的异常车速段,并基于异常车速段反观测试阶段以该异常车速区间行驶时表现出的行驶工况特点,然后结合该行驶工况对应的时长、车速、瞬时油耗、形式距离等数据进行统计分析,得出用户工况测试中该行驶工况的油耗定量数值,为后续实际道路油耗优化指明方向。本发明在传统的基于用户工况的定性分析基础上,增加了针对性的定量指标分析,不仅大大缩短测试数据分析时间、提高工作效率,尤其能够更为客观、准确地分析油耗差异,从而为在研车型及后续车型明确实际道路工况油耗分析提供可靠依据。
本发明实施例中,“至少一个”是指一个或者多个,“多个”是指两个或两个以上。“和/或”,描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B,可以表示单独存在A、同时存在A和B、单独存在B的情况。其中A,B可以是单数或者复数。字符“/”一般表示前后关联对象是一种“或”的关系。“以下至少一项”及其类似表达,是指的这些项中的任意组合,包括单项或复数项的任意组合。例如,a,b和c中的至少一项可以表示:a,b,c,a和b,a和c,b和c或a和b和c,其中a,b,c可以是单个,也可以是多个。
以上依据图式所示的实施例详细说明了本发明的构造、特征及作用效果,但以上仅为本发明的较佳实施例,需要言明的是,上述实施例及其优选方式所涉及的技术特征,本领域技术人员可以在不脱离、不改变本发明的设计思路以及技术效果的前提下,合理地组合搭配成多种等效方案;因此,本发明不以图面所示限定实施范围,凡是依照本发明的构想所作的改变,或修改为等同变化的等效实施例,仍未超出说明书与图示所涵盖的精神时,均应在本发明的保护范围内。
Claims (7)
1.一种基于用户工况测试数据的油耗量化分析方法,其特征在于,包括:
将用户工况油耗测试中采集的过程数据与标准工况中的车速段进行关联,识别出标准工况与用户工况的对应车速段;
将所述过程数据中的车速数据按预设的多个车速阈值进行细化分段,且在标准工况中的所述对应车速段内进行相应的细化分段;
比对用户工况与标准工况对应的细化分段的时间占比偏差,确定异常车速段;
判断车辆在所述异常车速段中的行驶状态类型;
结合所述过程数据中对应所述行驶状态类型的瞬时油耗数据、时长数据以及行驶距离数据,求取所述行驶状态类型下的油耗数值,并作为指导油耗优化的量化指标。
2.根据权利要求1所述的基于用户工况测试数据的油耗量化分析方法,其特征在于,所述将用户工况油耗测试中采集的过程数据与标准工况中的车速段进行关联包括:
获取所述过程数据中的第一最高车速和第一平均车速;
在标准工况中预设的车速段中获取第二最高车速和第二平均车速;
若第一最高车速与第二最高车速的差值小于或等于第一下限值,且第一平均车速与第二平均车速的差值小于或等于第二下限值,则确定出标准工况与用户工况的车速段的对应关联。
3.根据权利要求2所述的基于用户工况测试数据的油耗量化分析方法,其特征在于,所述获取所述过程数据中的第一最高车速和第一平均车速包括:预先将所述过程数据进行初始车速分段,并在初始车速分段中计算所述第一最高车速以及所述第一平均车速。
4.根据权利要求1所述的基于用户工况测试数据的油耗量化分析方法,其特征在于,所述确定异常车速段包括:
分别获取用户工况与标准工况各细化分段中的行驶时间占比数据;
若用户工况与标准工况对应的细化分段的时间占比之差的绝对值大于或等于预设时间占比偏差阈值,则将该细化分段判定为所述异常车速段。
5.根据权利要求1所述的基于用户工况测试数据的油耗量化分析方法,其特征在于,所述判断车辆在所述异常车速段中的行驶状态类型包括:
利用所述过程数据,获取测试车辆在所述异常车速段中的行驶特征;维澳
基于所述行驶特征,确定所述行驶状态类型。
6.根据权利要求1所述的基于用户工况测试数据的油耗量化分析方法,其特征在于,所述求取所述行驶状态类型下的油耗数值包括按下述公式计算所述行驶状态类型下的油耗数值:Q=L*T/36S,其中,Q为所述行驶状态类型的油耗、L为所述行驶状态类型的瞬时油耗,T为所述行驶状态类型的时长,S为所述行驶状态类型的行驶距离。
7.根据权利要求1~6任一项所述的基于用户工况测试数据的油耗量化分析方法,其特征在于,所述行驶状态类型包括:怠速、加速、等速及减速。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210887680.8A CN115266135A (zh) | 2022-07-26 | 2022-07-26 | 基于用户工况测试数据的油耗量化分析方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210887680.8A CN115266135A (zh) | 2022-07-26 | 2022-07-26 | 基于用户工况测试数据的油耗量化分析方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115266135A true CN115266135A (zh) | 2022-11-01 |
Family
ID=83768812
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210887680.8A Pending CN115266135A (zh) | 2022-07-26 | 2022-07-26 | 基于用户工况测试数据的油耗量化分析方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115266135A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117168558A (zh) * | 2023-11-03 | 2023-12-05 | 山东奥斯登房车有限公司 | 一种高端智能房车油耗实时监测方法 |
-
2022
- 2022-07-26 CN CN202210887680.8A patent/CN115266135A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117168558A (zh) * | 2023-11-03 | 2023-12-05 | 山东奥斯登房车有限公司 | 一种高端智能房车油耗实时监测方法 |
CN117168558B (zh) * | 2023-11-03 | 2024-01-16 | 山东奥斯登房车有限公司 | 一种高端智能房车油耗实时监测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107067722B (zh) | 一种车辆行驶工况构建方法 | |
CN103562978B (zh) | 车辆数据分析方法和车辆数据分析系统 | |
Abas et al. | Development of Malaysian urban drive cycle using vehicle and engine parameters | |
CN108198425A (zh) | 一种电动汽车行驶工况的构建方法 | |
CN107145989A (zh) | 基于人‑车‑交通路况的实际行驶工况构建方法 | |
CN105730450A (zh) | 基于车载数据的驾驶行为分析方法及评价系统 | |
CN106956680B (zh) | 一种电动汽车驾驶行为识别分析方法 | |
CN110705774A (zh) | 一种车辆能耗分析的预测方法和系统 | |
CN109506946B (zh) | 一种rde工况库开发及使用方法 | |
JP7331184B2 (ja) | 道路勾配情報を含む大型トラック標準的走行モードの構築方法 | |
Yang et al. | Time dimension analysis: Comparison of Nanjing local driving cycles in 2009 and 2017 | |
CN112406875B (zh) | 一种车辆能耗的分析方法和装置 | |
CN115266135A (zh) | 基于用户工况测试数据的油耗量化分析方法 | |
CN110222421A (zh) | 一种行驶路线集中度评估方法及系统 | |
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 | |
Wang et al. | Development of a typical urban driving cycle for battery electric vehicles based on kernel principal component analysis and random forest | |
Vámosi et al. | Development of bus driving cycle for Debrecen on the basis of real-traffic data | |
CN115221234A (zh) | 一种基于动力总成数据对用户进行画像的方法及系统 | |
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 | |
Reddy | Driving behaviour classification: An eco-driving approach | |
CN114136656B (zh) | 一种纯电动营运汽车电机台架试验工况的构建方法 | |
CN110689131A (zh) | 一种基于朴素贝叶斯模型的车辆能耗影响分析方法 | |
CN109783893B (zh) | 一种考虑路段上下游线形设计参数的连续建模方法 | |
CN113008563A (zh) | 基于物联网和人工智能的汽车行驶安全监测方法 | |
CN117238131B (zh) | 一种车联网环境下交通流特性分析方法 |
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 |