CN117313426A - 一种车辆数据的生成方法、装置、设备及存储介质 - Google Patents
一种车辆数据的生成方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN117313426A CN117313426A CN202311588440.9A CN202311588440A CN117313426A CN 117313426 A CN117313426 A CN 117313426A CN 202311588440 A CN202311588440 A CN 202311588440A CN 117313426 A CN117313426 A CN 117313426A
- Authority
- CN
- China
- Prior art keywords
- vehicle data
- gaussian mixture
- groups
- historical vehicle
- parameters
- 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
- 238000000034 method Methods 0.000 title claims abstract description 48
- 239000000203 mixture Substances 0.000 claims abstract description 94
- 238000004088 simulation Methods 0.000 claims abstract description 58
- 230000002776 aggregation Effects 0.000 claims abstract description 53
- 238000004220 aggregation Methods 0.000 claims abstract description 53
- 238000011156 evaluation Methods 0.000 claims abstract description 29
- 238000007781 pre-processing Methods 0.000 claims abstract description 15
- 238000012216 screening Methods 0.000 claims abstract description 10
- 230000000875 corresponding effect Effects 0.000 claims description 59
- 238000006116 polymerization reaction Methods 0.000 claims description 12
- 238000004590 computer program Methods 0.000 claims description 9
- 230000002596 correlated effect Effects 0.000 claims description 6
- 238000010276 construction Methods 0.000 claims description 5
- 238000010586 diagram Methods 0.000 description 6
- 238000004891 communication Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 239000007787 solid Substances 0.000 description 3
- 230000001133 acceleration Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000036461 convulsion Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 238000013500 data storage Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000000802 evaporation-induced self-assembly Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Traffic Control Systems (AREA)
Abstract
本申请公开一种车辆数据的生成方法、装置、设备及存储介质，涉及车辆技术领域，该方法包括：获取目标场景所需要的多组第一历史车辆数据；基于第一历史车辆数据的多个参数之间的相关度进行预处理，得到多组第二历史车辆数据，多组第二历史车辆数据的多个参数之间的相关度低于预设相关度阈值；基于多组第二历史车辆数据，构建多组高斯混合模型，每个高斯混合模型对应的聚合点个数不同；基于贝叶斯信息量准则和/或赤池信息量准则，对多个高斯混合模型进行评价；根据评价结果，从多个高斯混合模型中筛选出目标高斯混合模型；在目标高斯混合模型的每个聚合点对应的范围内，生成多组车辆模拟数据。该方法能够减少生成的车辆数据的失真问题。
Description
技术领域
本申请涉及车辆技术领域，尤其涉及一种车辆数据的生成方法、装置、设备及存储介质。
背景技术
在对车辆的真实场景进行仿真过程中，需要提供多种车辆数据，例如，车辆速度、油门位置、刹车位置等数据。基于这些车辆数据对车辆的行驶过程进行仿真。
目前，可以通过随机生成的方式，来得到车辆数据，但是，由于这些数据是随机生成的，随机生成的车辆数据往往会存在失真的问题，如，车辆速度为800km/h。
发明内容
本申请提供一种车辆数据的生成方法、装置、设备及存储介质，能够减少生成的车辆数据的失真问题。
为达到上述目的，本申请采用如下技术方案：
第一方面，本申请提供了一种车辆数据的生成方法，包括：
获取目标场景所需要的多组第一历史车辆数据，每组第一历史车辆数据包括多个参数；
基于所述第一历史车辆数据的多个参数之间的相关度，对多组所述第一历史车辆数据进行预处理，得到多组第二历史车辆数据，多组所述第二历史车辆数据的多个参数之间的相关度低于预设相关度阈值；
基于多组所述第二历史车辆数据，构建多组高斯混合模型，每个高斯混合模型对应的聚合点个数不同；
基于贝叶斯信息量准则和/或赤池信息量准则，对多个所述高斯混合模型进行评价，得到评价结果；
根据所述评价结果，从多个所述高斯混合模型中筛选出目标高斯混合模型；
在所述目标高斯混合模型的每个聚合点对应的范围内，生成多组车辆模拟数据。
在一些可能的实现方式中，所述第一历史车辆数据的多个参数之间的相关度通过以下方式确定：
分别两两计算第一历史车辆数据的多个参数之间的皮尔逊相关系数；
根据第一历史车辆数据的多个参数之间的皮尔逊相关系数，确定第一历史车辆数据的不同参数之间的相关度，其中，所述相关度与所述皮尔逊相关系数的大小正相关。
在一些可能的实现方式中，所述在所述目标高斯混合模型的每个聚合点对应的范围内，生成多组车辆模拟数据，包括：
获取车辆模拟数据的需求量；
根据所述需求量和各个聚合点对应的权重，确定各个聚合点对应的子需求量；
根据所述各个聚合点对应的子需求量，在所述目标高斯混合模型的各个聚合点对应的范围内，生成各自对应的子需求量组车辆模拟数据。
在一些可能的实现方式中，所述方法还包括：
根据多组所述车辆模拟数据，对车辆的行驶场景进行仿真。
在一些可能的实现方式中，所述方法还包括：
对车辆的行驶场景的仿真结果进行展示。
在一些可能的实现方式中，所述目标高斯混合模型为多个所述高斯混合模型中准确度最高的模型。
第二方面，本申请提供了一种车辆数据的生成装置，包括：
获取模块，用于获取目标场景所需要的多组第一历史车辆数据，每组第一历史车辆数据包括多个参数；
预处理模块，用于基于所述第一历史车辆数据的多个参数之间的相关度，对多组所述第一历史车辆数据进行预处理，得到多组第二历史车辆数据，多组所述第二历史车辆数据的多个参数之间的相关度低于预设相关度阈值；
构建模块，用于基于多组所述第二历史车辆数据，构建多组高斯混合模型，每个高斯混合模型对应的聚合点个数不同；
评价模块，用于基于贝叶斯信息量准则和/或赤池信息量准则，对多个所述高斯混合模型进行评价，得到评价结果；
筛选模块，用于根据所述评价结果，从多个所述高斯混合模型中筛选出目标高斯混合模型；
生成模块，用于在所述目标高斯混合模型的每个聚合点对应的范围内，生成多组车辆模拟数据。
在一些可能的实现方式中，所述预处理模块，具体用于通过以下方式确定第一历史车辆数据的多个参数之间的相关度：
分别两两计算第一历史车辆数据的多个参数之间的皮尔逊相关系数；根据第一历史车辆数据的多个参数之间的皮尔逊相关系数，确定第一历史车辆数据的不同参数之间的相关度，其中，所述相关度与所述皮尔逊相关系数的大小正相关。
在一些可能的实现方式中，所述生成模块，具体用于获取车辆模拟数据的需求量；根据所述需求量和各个聚合点对应的权重，确定各个聚合点对应的子需求量；根据所述各个聚合点对应的子需求量，在所述目标高斯混合模型的各个聚合点对应的范围内，生成各自对应的子需求量组车辆模拟数据。
在一些可能的实现方式中，所述装置还包括仿真模块，所述仿真模块，用于根据多组所述车辆模拟数据，对车辆的行驶场景进行仿真。
在一些可能的实现方式中，所述装置还包括展示模块，所述展示模块，用于对车辆的行驶场景的仿真结果进行展示。
在一些可能的实现方式中，所述目标高斯混合模型为多个所述高斯混合模型中准确度最高的模型。
第三方面，本申请提供了一种计算设备，包括存储器和处理器；
其中，在所述存储器中存储有一个或多个计算机程序，所述一个或多个计算机程序包括指令；当所述指令被所述处理器执行时，使得所述计算设备执行如第一方面中任一项所述的方法。
第四方面，本申请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用于存储计算机程序，所述计算机程序用于执行如第一方面中任一项所述的方法。
由上述技术方案可知，本申请至少具有如下有益效果：
本申请提供了一种车辆数据的生成方法，该方法包括获取目标场景所需要的多组第一历史车辆数据，每组第一历史车辆数据包括多个参数，基于第一历史车辆数据的多个参数之间的相关度，对多组第一历史车辆数据进行预处理，得到多组第二历史车辆数据，多组第二历史车辆数据的多个参数之间的相关度低于预设相关度阈值，然后基于多组第二历史车辆数据，构建多组高斯混合模型，每个高斯混合模型对应的聚合点个数不同，再基于贝叶斯信息量准则和/或赤池信息量准则，对多组高斯混合模型进行评价，得到评价结果，再根据评价结果，从多个高斯混合混合模型中选出目标高斯混合模型，再在目标高斯混合模型的每个聚合点对应的范围内，生成多组车辆模拟数据。该方法中，通过对多组高斯混合模型进行评价，确定出最为合适的目标高斯混合模型，然后在该目标高斯混合模型的聚合点对应的范围内生成多组车辆模拟数据，所生成的车辆模拟数据与车辆真实数据更加接近，能够减少仿真场景与真实场景的偏差。
应当理解的是，本申请中对技术特征、技术方案、有益效果或类似语言的描述并不是暗示在任意的单个实施例中可以实现所有的特点和优点。相反，可以理解的是对于特征或有益效果的描述意味着在至少一个实施例中包括特定的技术特征、技术方案或有益效果。因此，本说明书中对于技术特征、技术方案或有益效果的描述并不一定是指相同的实施例。进而，还可以任何适当的方式组合本实施例中所描述的技术特征、技术方案和有益效果。本领域技术人员将会理解，无需特定实施例的一个或多个特定的技术特征、技术方案或有益效果即可实现实施例。在其他实施例中，还可在没有体现所有实施例的特定实施例中识别出额外的技术特征和有益效果。
附图说明
图1为本申请实施例提供的一种车辆数据的生成方法的流程图；
图2为本申请实施例提供的一种仿真结果的示意图；
图3为本申请实施例提供的一种车辆数据的生成装置的示意图；
图4为本申请实施例提供的一种计算设备的示意图。
具体实施方式
本申请说明书和附图说明中的术语“第一”、“第二”和“第三”等是用于区别不同对象，而不是用于限定特定顺序。
在本申请实施例中，“示例性的”或者“例如”等词用于表示作例子、例证或说明。本申请实施例中被描述为“示例性的”或者“例如”的任何实施例或设计方案不应被解释为比其它实施例或设计方案更优选或更具优势。确切而言，使用“示例性的”或者“例如”等词旨在以具体方式呈现相关概念。
目前，可以通过随机生成的方式，来生成车辆数据，但是，由于是随机生成的，这些车辆数据往往会存在失真的问题，与真实情况不相符。利用这些失真的车辆数据进行车辆行驶场景的仿真，会导致仿真场景与真实场景存在较大的偏差。
有鉴于此，本申请实施例提供了一种车辆数据的生成方法，该方法包括获取目标场景所需要的多组第一历史车辆数据，每组第一历史车辆数据包括多个参数，基于第一历史车辆数据的多个参数之间的相关度，对多组第一历史车辆数据进行预处理，得到多组第二历史车辆数据，多组第二历史车辆数据的多个参数之间的相关度低于预设相关度阈值，再基于多组第二历史车辆数据，构建多组高斯混合模型，每个高斯混合模型对应的聚合点个数不同，基于贝叶斯信息量准则和/或赤池信息量准则，对多组高斯混合模型进行评价，得到评价结果，然后根据该评价结果，从多个高斯混合模型中筛选出目标高斯混合模型，在该目标高斯混合模型的每个聚合点对应的范围内，生成多组车辆模拟数据。
该方法中，通过对多组高斯混合模型进行评价，确定出最为合适的目标高斯混合模型，然后在该目标高斯混合模型的聚合点对应的范围内生成多组车辆模拟数据，所生成的车辆模拟数据与车辆真实数据更加接近，能够减少仿真场景与真实场景的偏差。
需要说明的是，本申请实施例提供的车辆数据的生成方法可以由处理设备执行，也可以由其他设备执行，本申请并不限定具体的执行主体。
为了使得本申请的技术方案更加清楚、易于理解，下面结合附图对本申请的技术方案进行详细介绍。
如图1所示，该图为本申请实施例提供的一种车辆数据的生成方法的流程图，该方法包括：
S101、获取目标场景所需要的多组第一历史车辆数据。
目标场景可以是待仿真的场景，例如可以是车辆的碰撞场景、行驶场景等。在对该目标场景进行仿真过程中，需要多组第一历史车辆数据。每组第一历史车辆数据包括多个参数。在一些示例中，多个参数可以是车辆速度、横向加速度、纵向加速度、方向盘转角、油门位置、刹车位置、本车纵向急动度、本车横向急动度等。上述参数能够体现车辆在行驶过程中的动态信息，每组第一历史车辆数据均包括上述多个参数。
S102、基于第一历史车辆数据的多个参数之间的相关度，对多组第一历史车辆数据进行预处理，得到多组第二历史车辆数据。
多组第二历史车辆数据的多个参数之间的相关度低于预设相关度阈值。
在一些示例中，第一历史车辆数据包括参数1、参数2、参数3以及参数4，其中，参数1和参数2之间的相关度比较高，即高于预设相关度阈值，而参数1、参数3和参数4之间的相关度均低于预设相关度阈值，进而可以将参数2从第一历史车辆数据中去除，进而得到该第一历史车辆数据对应的第二历史车辆数据，即，第二历史车辆数据包括参数1、参数3和参数4。
在一些实施例中，可以分别两两计算第一历史车辆数据的多个参数之间的皮尔逊相关系数，根据第一历史车辆数据的多个参数之间的皮尔逊相关系数，确定第一历史车辆数据的不同参数之间的相关度，其中，相关度与皮尔逊相关系数的大小正相关。
延续上例，可以分别计算参数1与参数2的皮尔逊相关系数、参数1与参数3的皮尔逊相关系数、参数1与参数4的皮尔逊相关系数、参数2与参数3的皮尔逊相关系数、参数2与参数4的皮尔逊相关系数、参数3与参数4的皮尔逊相关系数。然后再基于皮尔逊相关系数确定相应的相关度，该相关度与皮尔逊相关系数的大小正相关，皮尔逊相关系数的数值越大，则表征两个参数之间的相关度越大，皮尔逊相关系数的数值越小，则表征两个参数之间的相关度越小。在另一些示例中，还可以预先设置相关度与皮尔逊系数之间的函数关系，在得到两个参数之间的皮尔逊相关系数后，基于该函数关系，确定这两个参数之间的相关度。由于第二历史车辆数据中的多个参数之间相关度较低，因此该第二历史车辆数据更具有代表性。
S103、基于多组第二历史车辆数据，构建多个高斯混合模型。
每个高斯混合模型对应的聚合点个数不同。在一些实施例中，可以通过高斯混合模型构建函数，以及第二历史车辆数据和聚合点个数，构建高斯混合模型。例如，可以是构建聚合点个数分别是1-20的高斯混合模型，即，构建20个高斯混合模型。
S104、基于贝叶斯信息量准则和/或赤池信息量准则，对多个高斯混合模型进行评价，得到评价结果。
贝叶斯信息量准则（Bayesian information criterion，BIC）是统计学中用于在有限模型集合中选择最佳模型的方式。赤池信息量准则（Akaike information criterion，AIC）是另一种评价模型的方式。
在本申请实施例中，可以通过BIC的方式，对多个高斯混合模型进行评价，得到评价结果；也可以通过AIC的方式，对多个高斯混合模型进行评价，得到评价结果；也可以分别通过BIC和AIC的方式，对多个高斯混合模型进行评价，然后综合BIC和AIC的评价结果，得到最终的评价结果。
S105、根据评价结果，从多个高斯混合模型中筛选出目标高斯混合模型。
下面以通过BIC的方式，对多个高斯混合模型进行评价为例。评价结果可以包括多个高斯混合模型对应的BIC值。在得到该评价结果后，可以将BIC值最小的高斯混合模型作为目标高斯混合模型。由于因变量中未解释的变量和解释变量的数量增加都会增加BIC的值。因此，较低的BIC值表示较少的解释变量、并且拟合更好。所述目标高斯混合模型为多个所述高斯混合模型中准确度最高的模型。BIC值越小，表征该高斯混合模型的准确度越高。
S106、在目标高斯混合模型的每个聚合点对应的范围内，生成多组车辆模拟数据。
目标高斯混合模型的聚合点个数为目标个数，例如可以是5个。在确定目标高斯混合模型后，可以在聚合点对应的范围内，生成多组车辆模拟数据，其中聚合点对应的范围可以是预先设定。
在一些实施例中，可以先获取车辆模拟数据的需求量，然后再基于该需求量和各个聚合点对应的权重，确定各个聚合点对应的子需求量，再根据各个聚合点对应的子需求量，在目标高斯混合模型的各个聚合点对应的范围内，生成各自对应的子需求组车辆模拟数据。
举例说明，车辆模拟数据的需求量为50，各个聚合点的权重分布为P=[0.3,0.3,0.2,0.1,0.1]，即，聚合点1的权重为0.3、聚合点2的权重为0.3、聚合点3的权重为0.2、聚合点4的权重为0.1、聚合点5的权重为0.1。接着，在聚合点1对应的范围内生成15组车辆模拟数据、在聚合点2对应的范围内生成15组车辆模拟数据、在聚合点3对应的范围内生成10组车辆模拟数据、在聚合点4对应的范围内生成5组车辆模拟数据、在聚合点5对应的范围内生成5组车辆模拟数据。
在得到多组车辆模拟数据后，对车辆的行驶场景进行仿真。例如可以将多组车辆模拟数据写入到仿真文件中，从而实现对车辆的行驶场景进行仿真。接着，还可以对车辆的行驶场景的仿真结果进行展示。如图2所示，该图为本申请实施例提供的一种仿真结果的示意图。图中所示的车辆行驶速度71.76km/h，该行驶速度在合理范围内，从而更好得出边缘场景和危险场景，有利于进行不同需求的场景构建。
本申请实施例提供的一种车辆数据的生成方法具有如下有益效果：
本申请提供了一种车辆数据的生成方法，该方法包括获取目标场景所需要的多组第一历史车辆数据，每组第一历史车辆数据包括多个参数，基于第一历史车辆数据的多个参数之间的相关度，对多组第一历史车辆数据进行预处理，得到多组第二历史车辆数据，多组第二历史车辆数据的多个参数之间的相关度低于预设相关度阈值，然后基于多组第二历史车辆数据，构建多组高斯混合模型，每个高斯混合模型对应的聚合点个数不同，再基于贝叶斯信息量准则和/或赤池信息量准则，对多组高斯混合模型进行评价，得到评价结果，再根据评价结果，从多个高斯混合混合模型中选出目标高斯混合模型，再在目标高斯混合模型的每个聚合点对应的范围内，生成多组车辆模拟数据。该方法中，通过对多组高斯混合模型进行评价，确定出最为合适的目标高斯混合模型，然后在该目标高斯混合模型的聚合点对应的范围内生成多组车辆模拟数据，所生成的车辆模拟数据与车辆真实数据更加接近，能够减少仿真场景与真实场景的偏差。
上文结合图1至图2对本申请实施例提供的车辆数据的生成方法进行了详细介绍，下面将结合附图对本申请实施例提供的装置、设备进行介绍。
如图3所示，该图为本申请实施例提供的一种车辆数据的生成装置的示意图，该装置包括：
获取模块301，用于获取目标场景所需要的多组第一历史车辆数据，每组第一历史车辆数据包括多个参数；
预处理模块302，用于基于所述第一历史车辆数据的多个参数之间的相关度，对多组所述第一历史车辆数据进行预处理，得到多组第二历史车辆数据，多组所述第二历史车辆数据的多个参数之间的相关度低于预设相关度阈值；
构建模块303，用于基于多组所述第二历史车辆数据，构建多组高斯混合模型，每个高斯混合模型对应的聚合点个数不同；
评价模块304，用于基于贝叶斯信息量准则和/或赤池信息量准则，对多个所述高斯混合模型进行评价，得到评价结果；
筛选模块305，用于根据所述评价结果，从多个所述高斯混合模型中筛选出目标高斯混合模型；
生成模块306，用于在所述目标高斯混合模型的每个聚合点对应的范围内，生成多组车辆模拟数据。
在一些可能的实现方式中，所述预处理模块302，具体用于通过以下方式确定第一历史车辆数据的多个参数之间的相关度：
分别两两计算第一历史车辆数据的多个参数之间的皮尔逊相关系数；根据第一历史车辆数据的多个参数之间的皮尔逊相关系数，确定第一历史车辆数据的不同参数之间的相关度，其中，所述相关度与所述皮尔逊相关系数的大小正相关。
在一些可能的实现方式中，所述生成模块306，具体用于获取车辆模拟数据的需求量；根据所述需求量和各个聚合点对应的权重，确定各个聚合点对应的子需求量；根据所述各个聚合点对应的子需求量，在所述目标高斯混合模型的各个聚合点对应的范围内，生成各自对应的子需求量组车辆模拟数据。
在一些可能的实现方式中，所述装置还包括仿真模块，所述仿真模块，用于根据多组所述车辆模拟数据，对车辆的行驶场景进行仿真。
在一些可能的实现方式中，所述装置还包括展示模块，所述展示模块，用于对车辆的行驶场景的仿真结果进行展示。
在一些可能的实现方式中，所述目标高斯混合模型为多个所述高斯混合模型中准确度最高的模型。
根据本申请实施例的车辆数据的生成装置可对应于执行本申请实施例中描述的方法，并且车辆数据的生成装置的各个模块/单元的上述和其它操作和/或功能分别为了实现图1所示实施例中的各个方法的相应流程，为了简洁，在此不再赘述。
如图4所示，该图为本申请实施例提供的一种计算设备的示意图，如图4所示，计算设备40包括总线401、处理器402、通信接口403和存储器404。处理器402、存储器404和通信接口403之间通过总线401通信。
总线401可以是外设部件互连标准（peripheral component interconnect，PCI）总线或扩展工业标准结构（extended industry standard architecture，EISA）总线等。总线可以分为地址总线、数据总线、控制总线等。为便于表示，图4中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。
处理器402可以为中央处理器(central processing unit，CPU)、图形处理器（graphics processing unit，GPU）、微处理器（micro processor，MP）或者数字信号处理器（digital signal processor，DSP）等处理器中的任意一种或多种。
通信接口403用于和外部通信。例如，获取多组第一历史车辆数据等。
存储器404可以包括易失性存储器(volatile memory)，例如随机存取存储器(random access memory，RAM)。存储器404还可以包括非易失性存储器(non-volatilememory)，例如只读存储器(read-only memory，ROM)，快闪存储器，硬盘驱动器（hard diskdrive， HDD）或固态驱动器（solid state drive，SSD）。
存储器404中存储有可执行代码，处理器402执行该可执行代码以执行前述车辆数据的生成方法。
具体地，在实现图3所示实施例的情况下，且图3实施例中所描述的车辆数据的生成装置的各模块或单元为通过软件实现的情况下，执行图3中的各模块/单元功能所需的软件或程序代码可以部分或全部存储在存储器404中。处理器402执行存储器404中存储的各单元对应的程序代码，执行前述车辆数据的生成方法。
本申请实施例还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可以是计算设备能够存储的任何可用介质或者是包含一个或多个可用介质的数据中心等数据存储设备。所述可用介质可以是磁性介质（例如软盘、硬盘、磁带）、光介质（例如DVD）、或者半导体介质（例如固态硬盘）等。该计算机可读存储介质包括指令，所述指令指示计算设备执行上述应用于车辆数据的生成装置的车辆数据的生成方法。
本申请实施例还提供了一种计算机程序产品，所述计算机程序产品包括一个或多个计算机指令。在计算设备上加载和执行所述计算机指令时，全部或部分地产生按照本申请实施例所述的流程或功能。
所述计算机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一计算机可读存储介质传输，例如，所述计算机指令可以从一个网站站点、计算机或数据中心通过有线（例如同轴电缆、光纤、数字用户线（DSL））或无线（例如红外、无线、微波等）方式向另一个网站站点、计算机或数据中心进行传输。
所述计算机程序产品被计算机执行时，所述计算机执行前述车辆数据的生成方法的任一方法。该计算机程序产品可以为一个软件安装包，在需要使用前述车辆数据的生成方法的任一方法的情况下，可以下载该计算机程序产品并在计算机上执行该计算机程序产品。
上述各个附图对应的流程或结构的描述各有侧重，某个流程或结构中没有详述的部分，可以参见其他流程或结构的相关描述。
以上所述，仅为本申请的具体实施方式，但本申请的保护范围并不局限于此，任何在本申请揭露的技术范围内的变化或替换，都应涵盖在本申请的保护范围之内。
Claims (10)
1.一种车辆数据的生成方法，其特征在于，包括：
获取目标场景所需要的多组第一历史车辆数据，每组第一历史车辆数据包括多个参数；
基于所述第一历史车辆数据的多个参数之间的相关度，对多组所述第一历史车辆数据进行预处理，得到多组第二历史车辆数据，多组所述第二历史车辆数据的多个参数之间的相关度低于预设相关度阈值；
基于多组所述第二历史车辆数据，构建多组高斯混合模型，每个高斯混合模型对应的聚合点个数不同；
基于贝叶斯信息量准则和/或赤池信息量准则，对多个所述高斯混合模型进行评价，得到评价结果；
根据所述评价结果，从多个所述高斯混合模型中筛选出目标高斯混合模型；
在所述目标高斯混合模型的每个聚合点对应的范围内，生成多组车辆模拟数据。
2.根据权利要求1所述的方法，其特征在于，所述第一历史车辆数据的多个参数之间的相关度通过以下方式确定：
分别两两计算第一历史车辆数据的多个参数之间的皮尔逊相关系数；
根据第一历史车辆数据的多个参数之间的皮尔逊相关系数，确定第一历史车辆数据的不同参数之间的相关度，其中，所述相关度与所述皮尔逊相关系数的大小正相关。
3.根据权利要求1所述的方法，其特征在于，所述在所述目标高斯混合模型的每个聚合点对应的范围内，生成多组车辆模拟数据，包括：
获取车辆模拟数据的需求量；
根据所述需求量和各个聚合点对应的权重，确定各个聚合点对应的子需求量；
根据所述各个聚合点对应的子需求量，在所述目标高斯混合模型的各个聚合点对应的范围内，生成各自对应的子需求量组车辆模拟数据。
4.根据权利要求1所述的方法，其特征在于，所述方法还包括：
根据多组所述车辆模拟数据，对车辆的行驶场景进行仿真。
5.根据权利要求4所述的方法，其特征在于，所述方法还包括：
对车辆的行驶场景的仿真结果进行展示。
6.根据权利要求1-5任一项所述的方法，其特征在于，所述目标高斯混合模型为多个所述高斯混合模型中准确度最高的模型。
7.一种车辆数据的生成装置，其特征在于，包括：
获取模块，用于获取目标场景所需要的多组第一历史车辆数据，每组第一历史车辆数据包括多个参数；
预处理模块，用于基于所述第一历史车辆数据的多个参数之间的相关度，对多组所述第一历史车辆数据进行预处理，得到多组第二历史车辆数据，多组所述第二历史车辆数据的多个参数之间的相关度低于预设相关度阈值；
构建模块，用于基于多组所述第二历史车辆数据，构建多组高斯混合模型，每个高斯混合模型对应的聚合点个数不同；
评价模块，用于基于贝叶斯信息量准则和/或赤池信息量准则，对多个所述高斯混合模型进行评价，得到评价结果；
筛选模块，用于根据所述评价结果，从多个所述高斯混合模型中筛选出目标高斯混合模型；
生成模块，用于在所述目标高斯混合模型的每个聚合点对应的范围内，生成多组车辆模拟数据。
8.根据权利要求7所述的装置，其特征在于，所述预处理模块，具体用于通过以下方式确定第一历史车辆数据的多个参数之间的相关度：
分别两两计算第一历史车辆数据的多个参数之间的皮尔逊相关系数；根据第一历史车辆数据的多个参数之间的皮尔逊相关系数，确定第一历史车辆数据的不同参数之间的相关度，其中，所述相关度与所述皮尔逊相关系数的大小正相关。
9.一种计算设备，其特征在于，包括存储器和处理器；
其中，在所述存储器中存储有一个或多个计算机程序，所述一个或多个计算机程序包括指令；当所述指令被所述处理器执行时，使得所述计算设备执行如权利要求1至6中任一项所述的方法。
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用于存储计算机程序，所述计算机程序用于执行如权利要求1至6任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311588440.9A CN117313426A (zh) | 2023-11-27 | 2023-11-27 | 一种车辆数据的生成方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311588440.9A CN117313426A (zh) | 2023-11-27 | 2023-11-27 | 一种车辆数据的生成方法、装置、设备及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117313426A true CN117313426A (zh) | 2023-12-29 |
Family
ID=89281403
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311588440.9A Pending CN117313426A (zh) | 2023-11-27 | 2023-11-27 | 一种车辆数据的生成方法、装置、设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117313426A (zh) |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109670225A (zh) * | 2018-12-10 | 2019-04-23 | 百度在线网络技术（北京）有限公司 | 车辆尺寸模板库生成方法及装置 |
| CN110879828A (zh) * | 2019-11-20 | 2020-03-13 | 上海眼控科技股份有限公司 | 雷达回波图的处理方法、装置、计算机设备及存储介质 |
| CN112749508A (zh) * | 2020-12-29 | 2021-05-04 | 浙江天行健智能科技有限公司 | 一种基于gmm和bp神经网络的路感模拟方法 |
| CN113486822A (zh) * | 2021-07-12 | 2021-10-08 | 吉林大学 | 一种基于驾驶意图的周围车辆轨迹预测方法及系统 |
| CN115327979A (zh) * | 2022-08-11 | 2022-11-11 | 河南中能智慧大数据科技有限公司 | 基于高斯建模及线性贝叶斯估计的状态监测方法及组件 |
-
2023
- 2023-11-27 CN CN202311588440.9A patent/CN117313426A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109670225A (zh) * | 2018-12-10 | 2019-04-23 | 百度在线网络技术（北京）有限公司 | 车辆尺寸模板库生成方法及装置 |
| CN110879828A (zh) * | 2019-11-20 | 2020-03-13 | 上海眼控科技股份有限公司 | 雷达回波图的处理方法、装置、计算机设备及存储介质 |
| CN112749508A (zh) * | 2020-12-29 | 2021-05-04 | 浙江天行健智能科技有限公司 | 一种基于gmm和bp神经网络的路感模拟方法 |
| CN113486822A (zh) * | 2021-07-12 | 2021-10-08 | 吉林大学 | 一种基于驾驶意图的周围车辆轨迹预测方法及系统 |
| CN115327979A (zh) * | 2022-08-11 | 2022-11-11 | 河南中能智慧大数据科技有限公司 | 基于高斯建模及线性贝叶斯估计的状态监测方法及组件 |
Non-Patent Citations (3)
| Title |
|---|
| 刘扬;张海萍;邓扬;江楠;: "公路桥梁车辆荷载建模方法及疲劳寿命评估", 应用力学学报, no. 04 * |
| 吴俊等: "参数自动优化的特征选择融合算法", 《计算机系统应用》, pages 2 * |
| 张江红: "多分类主动学习方法在地表分类中的应用", 《硕士电子期刊》, pages 4 * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111009153B (zh) | 一种轨迹预测模型的训练方法、装置和设备 | |
| US11897494B2 (en) | Method and a device for generating a dynamic speed profile of a motor vehicle | |
| CN107038478B (zh) | 路况预测方法及装置、计算机设备与可读介质 | |
| EP3796112A1 (en) | Virtual vehicle control method, model training method, control device and storage medium | |
| US10839112B2 (en) | Wind simulation device | |
| CN116627793A (zh) | 软件在环仿真测试的真实度评估方法及装置 | |
| US20230236088A1 (en) | Computer-aided method and device for predicting speeds for vehicles on the basis of probability | |
| CN111368409A (zh) | 车辆流的模拟处理方法、装置、设备和存储介质 | |
| CN111899283A (zh) | 一种视频目标跟踪方法 | |
| CN117313426A (zh) | 一种车辆数据的生成方法、装置、设备及存储介质 | |
| CN111881121A (zh) | 一种自动驾驶数据填充方法和装置 | |
| CN116776288A (zh) | 一种智能驾驶感知模型的优化方法、装置及存储介质 | |
| CN116244974A (zh) | 仿真交通流数据真实性评价方法及装置 | |
| CN115366891A (zh) | 一种驾驶风格识别方法、系统及存储介质 | |
| CN115743168A (zh) | 用于换道决策的模型训练方法、目标车道确定方法及装置 | |
| CN112158195B (zh) | 泊车路径规划方法、系统、车辆及存储介质 | |
| CN114996116A (zh) | 一种针对自动驾驶系统的拟人性评价方法 | |
| CN114692295A (zh) | 车辆性能边界的确定方法、装置、终端设备及存储介质 | |
| CN112784442A (zh) | 一种基于大数据的仿真分析方法及系统 | |
| CN112434573A (zh) | 一种评价驾驶员空间感知能力的方法及装置 | |
| CN111091581A (zh) | 基于生成对抗网络的行人轨迹模拟方法、装置和存储介质 | |
| CN115687164B (zh) | 测试用例泛化筛选方法、设备和存储介质 | |
| CN117523818A (zh) | 交通流模型的校正方法、装置、电子设备及存储介质 | |
| CN113479197A (zh) | 车辆的控制方法及其装置、计算机可读存储介质 | |
| CN116486036A (zh) | 三维隧道场景的还原方法、装置、车辆及存储介质 |
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 |