CN117520912A - 一种用户行驶工况构建方法、装置、电子设备及存储介质 - Google Patents

一种用户行驶工况构建方法、装置、电子设备及存储介质 Download PDF

Info

Publication number
CN117520912A
CN117520912A CN202311471065.XA CN202311471065A CN117520912A CN 117520912 A CN117520912 A CN 117520912A CN 202311471065 A CN202311471065 A CN 202311471065A CN 117520912 A CN117520912 A CN 117520912A
Authority
CN
China
Prior art keywords
speed
segment
driving
user
running
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
Application number
CN202311471065.XA
Other languages
English (en)
Inventor
张岚清
秦建华
李科迪
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.)
SAIC Volkswagen Automotive Co Ltd
Original Assignee
SAIC Volkswagen Automotive 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 SAIC Volkswagen Automotive Co Ltd filed Critical SAIC Volkswagen Automotive Co Ltd
Priority to CN202311471065.XA priority Critical patent/CN117520912A/zh
Publication of CN117520912A publication Critical patent/CN117520912A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G07—CHECKING-DEVICES
    • G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
    • G07C5/00—Registering or indicating the working of vehicles
    • G07C5/08—Registering or indicating performance data other than driving, working, idle, or waiting time, with or without registering driving, working, idle or waiting time
    • G07C5/0808—Diagnosing performance data
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/10—Pre-processing; Data cleansing
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G—PHYSICS
    • G07—CHECKING-DEVICES
    • G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
    • G07C5/00—Registering or indicating the working of vehicles
    • G07C5/08—Registering or indicating performance data other than driving, working, idle, or waiting time, with or without registering driving, working, idle or waiting time
    • G07C5/0841—Registering performance data
    • G07C5/085—Registering performance data using electronic data carriers
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L67/00—Network arrangements or protocols for supporting network services or applications
    • H04L67/01—Protocols
    • H04L67/12—Protocols specially adapted for proprietary or special-purpose networking environments, e.g. medical networks, sensor networks, networks in vehicles or remote metering networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • General Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Medical Informatics (AREA)
  • Signal Processing (AREA)
  • Health & Medical Sciences (AREA)
  • Probability & Statistics with Applications (AREA)
  • Electric Propulsion And Braking For Vehicles (AREA)

Abstract

本申请涉及汽车行驶工况分析领域，具体为一种用户行驶工况构建方法、用户行驶工况构建系统、电子设备及存储介质，该方法包括：步骤1：获取用户行驶数据，所述用户行驶数据包括高频行驶数据和低频行驶数据；步骤2：对所述行驶数据清洗并将清洗后的行驶数据进行预处理，确定高频行驶数据和低频行驶数据分别对应的车辆加速度；步骤3：基于怠速和行驶规则，对所述用户行驶数据处理，生成运动学片段样本；步骤4：对所述运动学片段样本进行聚类处理，生成行驶片段样本库，所述行驶片段样本库包括低速类、中速类和高速类；步骤5：基于所述行驶片段样本库、所述车辆加速度，构建用户行驶工况。

Description

一种用户行驶工况构建方法、装置、电子设备及存储介质
技术领域
本发明涉及汽车行驶工况分析领域，具体涉及一种用户行驶工况构建方法、户行驶工况构建装置、电子设备及存储介质。
背景技术
整车测试工况是汽车续驶里程、能耗认证、耐久考核的重要基础标准，是汽车产品开发过程的重要设计输入，也是汽车各项性能指标标定优化的主要基准，应尽可能反应用户真实用车特性。一般而言续驶里程与能耗认证采用标准工况(WLTC，CLTC，NEDC)耐久考核各整车企业会采用专门耐久工况。
然而实际中国用户工况有如下几个特点：首先中国幅员辽阔，不同地区间道路条件、气候条件差异很大、工况复杂，统一的标准工况无法照顾到各个地区间的路况差异；其次不同用户类型，不同车辆类型的用车场景差异大、统一的标准工况无法构建细分场景工况；再次随着城市发展，交通状况道路条件都有很大的变化，他们对工况影响不容忽视，统一标准工况都是基于数年前采集的道路数据制作而成，并不能完全真实反映目前用户的真实工况特性。用统一的标准工况作为车辆研发的能耗优化，零部件耐久设计基准不符合用户实际情况，很容易产生过设计，亟需一种能真实反映用户行驶特性的工况作为新车型的技术开发和评估以及车辆设计动力匹配的重要输入。
一般而言，续驶里程与能耗认证采用标准工况(WLT，CLTC等)耐久考核各整车企业会采用专门耐久工况，上汽大众采用VW标准下的SWP工况作为耐久考核标准。
CLTC是指中国轻型汽车行驶工况，CLTC工况制作于2017年正式启动，由中国汽车技术研究中心有限公司牵头组织国内外主要汽车生产企业、检测机构和高校共同开展。主要步骤为1、数据采集与预处理:在41个代表性城市，收集了3832辆车的(覆盖传统乘用车、轻型商用车和新能源汽车)的车辆行驶数据，以及41个城市一年的全路网交通低频动态大数据。2、基于权重因子建立速度-加速度联立分布。3、工况短片段组合确定。4、工况验证。引用自：《中国汽车行驶工况》国家标准第1部分：轻型汽车征求意见稿编制说明
WLTC工况即全球轻型车测试工况，由轻型汽车全球排放法规(WLTP，WorldwideLight-dutyTestProcedure)开发工作小组开发。WLTC的工况开发主要有以下几部分工作：基础数据收集、行驶工况开发、行驶工况验证等。收集了包含2009年至2011年4月所有成员国(日，韩，欧盟，美国，印度)道路行驶数据，2013年底工况验证完成，形成了最终WLTC测试工况。引用自：《中国汽车行驶工况》国家标准第1部分：轻型汽车征求意见稿编制说明
SWP工况VW集团基于WLTC工况收集到的原始数据，挑选出欧洲用户最激烈工况的1％的行驶数据作为数据源，在进行进一步的强化，制作而成。
根据国标GBT32960要求所有新能源车需要上传行驶过程中的关键数据包括电池SOC，速度电机电池信息等，该数据为新能源车运行大数据(简称RTM数据)。此外，各大整车厂为了提供车联网服务，会在法律允许范围内收集车辆一些行驶、关键零部件运行、系统设置等数据，简称MOS数据。此两种数据都反映了用户真实的用车情况，蕴含巨大价值，但是数据量往往极大(TB级别)。提取其中关键行驶特性，关键用户行为特性，并将此汇总提炼成研发可用的用户工况成为一项重要的工作。
可以看出这几种现有整车测试工况的共同特点：1、采集道路行驶数据源比较久远，没有考虑城市发展，交通状况道路条件变化对用户实际工况的影响。2、采集数据源仅来自部分国家，地区的，没有细分地区、用户类型的工况，也无法全面的反映出中国真实用户驾驶特性。3、原始数据采集车辆包含ICE、(P)HEV、EV等多种类型，模糊了电动车油门响应速度快，制动能量回收强等特性对车辆行驶的影响。
发明内容
有鉴于此，本发明目的是为了提供一种用户行驶工况构建方法、装置、电子设备及存储介质，用于改善上述问题。
为改善上述技术问题，本发明采用下述技术方案：
第一方面，本申请提供一种用户行驶工况构建方法，包括：步骤1：获取用户行驶数据，用户行驶数据包括高频行驶数据和低频行驶数据；步骤2：对行驶数据清洗并将清洗后的行驶数据进行预处理，确定高频行驶数据和低频行驶数据分别对应的车辆加速度；步骤3：基于怠速和行驶规则，对用户行驶数据处理，生成运动学片段样本；步骤4：对运动学片段样本进行聚类处理，生成行驶片段样本库，行驶片段样本库包括低速类、中速类和高速类；步骤5：基于行驶片段样本库、车辆加速度，构建用户行驶工况。
进一步的，步骤2具体包括:步骤2-1：清洗行驶数据，筛除异常行驶数据；步骤2-2：对清洗后的高频行驶数据进行车速差计算，确定高频行驶数据对应的车辆加速度；步骤2-3：通过预先训练好的模型计算清洗后的低频行驶数据，确定低频行驶数据对应的车辆加速度。
进一步的，步骤3具体包括：步骤3-1：根据怠速和行驶规则，划分用户行驶数据，生成多个行驶片段；步骤3-2：根据用户行驶数据，计算各行驶片段对应的特征，生成运动学片段样本。
进一步的，步骤4具体包括：步骤4-1：基于主成分分析算法对运动学片段样本进行降维处理；步骤4-2：将降维处理后的运动学片段样本进行聚类处理，并根据运动学片段样本的平均运行速度将运动学片段样本分为对应的低速类、中速类和高速类，生成行驶片段样本库。
进一步的，步骤5具体包括：步骤5-1：根据各用户单次行驶的时长分布，确定总用户工况时长；步骤5-2：根据总用户工况时长和行驶片段样本库中对应的低速类、中速类和高速类的时长比例，确定低速段、中速段和高速段的运动持续时长；步骤5-3：根据低速段、中速段和高速段对应的运动段数量时长和怠速段数量时长比例，确定低速段、中速段和高速段各自对应的运动片段数量；步骤5-4：根据行驶片段样本库中各个速度段的样本的运动段持续时长频率分布，确定各运动片段的行驶时间、怠速时间、行驶时长和怠速时长；步骤5-5：根据行驶片段样本库，确定低速类、中速类和高速类各自对应的加速度-速度分布；步骤5-6：基于低速段和中速段对应的加速度-速度分布、行驶时间、怠速时间、行驶时长和怠速时长，构建低速段和中速段对应的工况；步骤5-7：基于高速段对应的加速度-速度分布、行驶时间、怠速时间、行驶时长和怠速时长，构建高速段对应的工况。步骤5-8：将低速段样本、中速段样本和高速段样本分别对应的工况拼接，生成用户行驶工况。
进一步的，步骤5-6具体包括：步骤5-6-1：根据预设的行驶时长阈值，对低速段和中速段筛选，作为中低速备选片段；步骤5-6-2：计算中低速备选片段的加速度-速度分布与低速类、中速类和高速类各自对应的加速度-速度分布的卡方值，以卡方值最小的运动片段作为中低速最优片段；步骤5-6-3：根据行驶时间和怠速时间对中低速最优片段排序拼接，构建低速段和中速段对应的工况。
进一步的，步骤5-7具体包括：步骤5-7-1：将高速段切分为至少两类不同的加速、巡航、减速的segment；步骤5-7-2：根据各类segment的总时长占比，确定各segment的时长；步骤5-7-3：根据预设的行驶时长阈值，对segment筛选，作为备选片段；步骤5-7-4：在各类的备选片段中随机挑选，合成备选高速片段，并计算备选高速段的加速度-速度分布；步骤5-7-5：计算备选高速段的加速度-速度分布与高速段的加速度-速度分布的卡方值，以卡方值最小的segment作为最优segment；步骤5-7-6：根据预设的加速度、巡航、减速对最优segment排序拼接，构建高速段对应的工况。
第二方面，本申请提供一种用户行驶工况构建装置，该装置包括：获取模块，用于获取用户行驶数据，用户行驶数据包括高频行驶数据和低频行驶数据；处理模块，用于对行驶数据清洗并将清洗后的行驶数据进行预处理，确定高频行驶数据和低频行驶数据分别对应的车辆加速度；处理模块，用于基于怠速和行驶规则，对用户行驶数据处理，生成运动学片段样本；模块，用于对运动学片段样本进行聚类处理，生成行驶片段样本库，行驶片段样本库包括低速类、中速类和高速类；构建模块，用于基于行驶片段样本库、车辆加速度，构建用户行驶工况。
第三方面，本申请提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，处理器执行计算机程序时实现如上述第一方面的用户行驶工况构建方法。
第四方面，本申请提供一种存储有计算机可读指令的非易失性可读存储介质，计算机可读指令被处理器执行时，使得处理器执行如上述第一方面实施的用户行驶工况构建方法或实现如第二方面实施的用户行驶工况构建装置的功能。
短行程法是车辆瞬态行驶工况制作的一种重要方法，其主要思路为：将车辆行驶速度数据划分为独立的运动学片段，即从一个怠速开始到下一个怠速开始作为一个运动学片段，然后计算这些片段的特征值，形成具有特征值的片段数据库；根据各片段的特征值利用主成分分析方法降维处理这些片段，根据聚类分析理论把运动学片段分类；根据不同类片段的数量和特征，在满足目标工况的要求下提取运动学片段组成具有一定时间或行程长度的目标工况；对于形成的目标工况根据相关准则进行验证，得到最终的代表性行驶工况。
PCA(Principal Component Analysis)，即主成分分析方法，是一种使用最广泛的数据降维算法。PCA的主要思想是将n维特征映射到k维上，这k维是全新的正交特征也被称为主成分，是在原有n维特征的基础上重新构造出来的k维特征。PCA的工作就是从原始的空间中顺序地找一组相互正交的坐标轴，新的坐标轴的选择与数据本身是密切相关的。其中，第一个新坐标轴选择是原始数据中方差最大的方向，第二个新坐标轴选取是与第一个坐标轴正交的平面中使得方差最大的，第三个轴是与第1,2个轴正交的平面中方差最大的。依次类推，可以得到n个这样的坐标轴。通过这种方式获得的新的坐标轴，我们发现，大部分方差都包含在前面k个坐标轴中，后面的坐标轴所含的方差几乎为0。于是，我们可以忽略余下的坐标轴，只保留前面k个含有绝大部分方差的坐标轴。事实上，这相当于只保留包含绝大部分方差的维度特征，而忽略包含方差几乎为0的特征维度，实现对数据特征的降维处理。
聚类分析：聚类(Clustering)就是一种寻找数据之间内在结构的技术。聚类把全体数据实例组织成一些相似组，而这些相似组被称作簇。处于相同簇中的数据实例彼此相同，处于不同簇中的实例彼此不同。聚类模型可以建立在无类标记的数据上，是一种非监督的学习算法，根据数据自身的距离或相似度将他们划分为若干组，划分原则是组内样本最小化而组间距离最大化。
卡方检验：统计样本的实际观测值与理论推断值之间的偏离程度，实际观测值与理论推断值之间的偏离程度就决定卡方值的大小，卡方值越大，越不符合；卡方值越小，偏差越小，越趋于符合，若两个值完全相等时，卡方值就为0，表明理论值完全符合。
由上述技术方案可知，本发明提出的用户行驶工况构建方法的优点和积极效果在于：
本发明提供了利用RTM数据构建用户工况的方法，收集用户的真实行驶数据，采用机器学习模型完成加减速度估算，而后进行行驶片段切分，并基于运动片段的各个特征进行降维聚类，最后进行片段选取及工况拼接。在工况构建中，基于加速度-速度(a-v)分布及所有用户的a-v分布的卡方值，取卡方值最小的片段作为最优片段进行片段拼接，得到车辆行驶工况。基于RTM数据，克服数据源低频信号的困难，采用以上方法进行工况构建，最后提供了以一款车型一个月的行驶数据构建出的行驶工况样例SEVC，并将此工况进行续驶里程与能耗仿真验证与整车测试验证，结果表明该方法能有效反应用户行驶特性。利用RTM数据(或MOS数据)，可以构建出反映真实用户行驶特征的用户工况。此工况构建方法可针对细分地区，构建不同地区用户工况，可针对不同用户类型、车型，构建细分场景工况，使用当前用户真实行驶数据构建工况更贴近用户，并且符合当下交通状况。使用真实用户数据，可以开发出针对当下交通状况下的体现中国电动车用户真实行驶特性的工况，此外本方法还可根据需求制作指定细分地区、细分用户类型的覆盖50％\99％的行驶工况，用于不同的零部件研发场景输入。
附图说明
本发明的以上内容以及下面的具体实施方式在结合附图阅读时会得到更好的理解。需要说明的是，附图仅作为所请求保护的技术方案的示例。
图1是本发明一实施提供的用户行驶工况构建方法的流程图；
图2是本发明一实施例提供的主成分分析结果的示意图；
图3是本发明一实施例提供的用户trip的时长分布的示意图；
图4是本发明一实施例提供的低速片段的a_v分布的示意图；
图5是本发明一实施例提供的中速片段的a_v分布的示意图；
图6是本发明一实施例提供的高速片段的a_v分布的示意图；
图7是本发明一实施例提供的的电动汽车用户工况的时长分布的示意图；
图8是本发明一实施提供的用户行驶工况构建装置的结构示意图。
其中，附图标记说明如下：
用户行驶工况构建装置100；
获取模块10；
处理模块20；
构建模块30。
具体实施方式
以下在具体实施方式中详细叙述本发明的详细特征以及优点，其内容足以使任何本领域技术人员了解本发明的技术内容并据以实施，且根据本说明书所揭露的说明书、权利要求及附图，本领域技术人员可轻易地理解本发明相关的目的及优点。
应注意的是，在本说明书中，相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。
在本实施例的描述中，需要说明的是，术语“上”、“下”、“内”、“底”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，或者是该产品使用时惯常摆放的方位或位置关系，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。
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的实施方式作进一步地详细描述。
请参照图1所示，在本发明的一种实施方式中，提供一种用户行驶工况构建方法，该方法具体可以包括以下步骤。
步骤1：获取用户行驶数据，用户行驶数据包括高频行驶数据和低频行驶数据。
步骤2：对行驶数据清洗并将清洗后的行驶数据进行预处理，确定高频行驶数据和低频行驶数据分别对应的车辆加速度。
步骤3：基于怠速和行驶规则，对用户行驶数据处理，生成运动学片段样本。
步骤4：对运动学片段样本进行聚类处理，生成行驶片段样本库，行驶片段样本库包括低速类、中速类和高速类。
步骤5：基于行驶片段样本库、车辆加速度，构建用户行驶工况。
一实施例中，步骤1中采集的用户行驶数据可以来自国标GBT 32960要求的新能源车运行大数据，也可以是个主机厂收集的车联网服务数据。收集数据的信号可以包括以下一项或者多个项目：行驶时间、车速、电池SOC、累计里程、油门踏板开度、制动踏板开度、电池包电流、电池包电压、前后电机电压、电流、空调压缩机电流电压、PTC电流电压、环境温度、驾驶挡位及模式设置。
一般的，采集频率越高越好，但考虑到数据存储以及后续处理算力要求，数据频率建议在1Hz～0.03Hz之间为宜。考虑工况制作需要瞬态行驶数据拼接，采集的用户行驶数据中须有一小部分是高频行驶数据，数据量应不小于10万条trip。
示例性地，本申请将采集频率低于0.5Hz的行驶数据，作为低频行驶数据，而高于0.5Hz的行驶数据，作为高频行驶数据。
可以理解，高频行驶数据和低频行驶数据的区别频率数值可以根据具体应用进行设置，本申请并不以此为限制。
一实施例中，步骤2具体包括：步骤2-1：清洗行驶数据，筛除异常行驶数据。步骤2-2：对清洗后的高频行驶数据进行车速差计算，确定高频行驶数据对应的车辆加速度。步骤2-3：通过预先训练好的模型计算清洗后的低频行驶数据，确定低频行驶数据对应的车辆加速度。
可以理解，针对高频行驶数据(>0.5Hz)，可以通过车速差分计算加速度。而针对低频行驶数据(<0.5Hz)，可以用训练好的模型进行加减速度估算，该模型可以来自专利《一种基于低频行驶数据的加速度识别方法、识别装置、识别设备及计算机可读存储介质》。
一实施例中，步骤3具体包括：步骤3-1：根据怠速和行驶规则，划分用户行驶数据，生成多个行驶片段。步骤3-2：根据用户行驶数据，计算各行驶片段对应的特征，生成运动学片段样本。
一实施例中，行驶片段的特征可以包括:行驶距离、最高车速、平均速度、平均运行车速、速度标准差、怠速时间、巡航时间、片段时间、最大加速度、最小减速度、平均加速度、平均减速度、加速度标准差、减速时间、加速时间。
一实施例中，步骤4具体包括：步骤4-1：基于主成分分析算法对运动学片段样本进行降维处理。步骤4-2：将降维处理后的运动学片段样本进行聚类处理，并根据运动学片段样本的平均运行速度将运动学片段样本分为对应的低速类、中速类和高速类，生成行驶片段样本库。
可以理解，由于运动学片段样本的各个特征不是互相解耦的，因此可以通过PCA主成分分析算法对运动学片段样本进行降维处理。优选地，可以提取累计贡献率超过90％的n个主成分。
再对降维后的样本进行无监督机器学习。示例性地，可以采用k-means聚类，也可采用其他聚类方法。根据运动学片段的样本特征，可以将数据聚成三类，根据片段的平均运行速度大小，将三类分别定义成：高速类，中速类和低速类，再把对应的运动学片段样本分别存储在相应类别中，形成行驶片段样本库。
需要说明的是，通过主成分分析算法降维和聚类的具体过程为本领域技术人员所熟知，在此不再赘述。
一实施例中，步骤5具体包括：步骤5-1：根据各用户单次行驶的时长分布，确定总用户工况时长。步骤5-2：根据总用户工况时长和行驶片段样本库中对应的低速类、中速类和高速类的时长比例，确定低速段、中速段和高速段的运动持续时长。步骤5-3：根据低速段、中速段和高速段对应的运动段数量时长和怠速段数量时长比例，确定低速段、中速段和高速段各自对应的运动片段数量。步骤5-4：根据行驶片段样本库中各个速度段的样本的运动段持续时长频率分布，确定各运动片段的行驶时间、怠速时间、行驶时长和怠速时长。步骤5-5：根据行驶片段样本库，确定低速类、中速类和高速类各自对应的加速度-速度分布。步骤5-6：基于低速段和中速段对应的加速度-速度分布、行驶时间、怠速时间、行驶时长和怠速时长，构建低速段和中速段对应的工况。步骤5-7：基于高速段对应的加速度-速度分布、行驶时间、怠速时间、行驶时长和怠速时长，构建高速段对应的工况。步骤5-8：将低速段样本、中速段样本和高速段样本分别对应的工况拼接，生成用户行驶工况。
一实施例中，步骤5-6具体包括：步骤5-6-1：根据预设的行驶时长阈值，对低速段和中速段筛选，作为中低速备选片段。步骤5-6-2：计算中低速备选片段的加速度-速度分布与低速类、中速类和高速类各自对应的加速度-速度分布的卡方值，以卡方值最小的运动片段作为中低速最优片段。步骤5-6-3：根据行驶时间和怠速时间对中低速最优片段排序拼接，构建低速段和中速段对应的工况。
一实施例中，步骤5-7具体包括：步骤5-7-1：将高速段切分为至少两类不同的加速、巡航、减速的segment。步骤5-7-2：根据各类segment的总时长占比，确定各segment的时长。步骤5-7-3：根据预设的行驶时长阈值，对segment筛选，作为备选片段。步骤5-7-4：在各类的备选片段中随机挑选，合成备选高速片段，并计算备选高速段的加速度-速度分布。步骤5-7-5：计算备选高速段的加速度-速度分布与低速类、中速类和高速类各自对应的加速度-速度分布的卡方值，以卡方值最小的segment作为最优segment。步骤5-7-6：根据预设的加速度、巡航、减速对最优segment排序拼接，构建高速段对应的工况。
示例性地，可以将数据库中高速段拆分成0～65加速度，65～65巡航，65～80加速，80～80巡航，80～65减速，65～0减速6种segment，根据数据库中6种segment的总时长占比，确定高速段中各种segment的时长，在数据库中挑选满足行驶时长的segment作为备选片段，按照0～65加速度，65～65巡航，65～80加速，80～80巡航，80～65减速，65～0减速的顺序随机挑选各备选segment，生成备选高速片段，计算所有备选高速工况的加速度-速度分布与高速段的加速度-速度分布的卡方值，卡方值最小的高速segment组合作为最优高速工况。
需要说明的是，如果需要制作覆盖99％用户驾驶强度的加强用户工况进行耐久分析，数据源应先根据出用户行驶数据，计算所有样本的工况强度CI(cycle intensity)，然后筛选工况强度CI在所有行驶数据中排名前2％的用户行驶数据对应的行驶样本，基于数据样本，按照如上2～5步骤完成耐久工况制作。
其中，工况强度CI(cycle intensity)的定义为：CI＝RPA2+RPD2
RPA(Relative Positive Acceleration，相对正加速度)，可以按如下公式计算：
RPD(Relative Positive Deceleration，相对减速度)，可以按如下公式计算：
其中，i—采样时刻，单位为秒(s)；vi—车辆在第i秒的速度，单位米每秒(m/s)；——加速度大于0m/s2的加速度值，单位为米每二次方秒(m/s2)；x—车辆运行里程，单位为米(m)。
为进一步说明用户行驶工况构建方法，以下将某电动车型A一个月的RTM数据为数据源，制作反映该车型用户平均行驶特性SEVC工况为例进行说明：
1、用户真实行驶数据采集
采集的电动车型A用户行驶数据(来自国标GBT32960要求的新能源车运行大数据，RTM数据)，收集数据信号包括时间，车速，电池SOC，累计里程，油门踏板开度，制动踏板开度，电池包电流，电池包电压，前后电机电压、电流。现有RTM数据频率为1/28hz，数据种包含少量的高频行驶数据(0.5hz)，高频行驶数据量大于10万条。
2、行驶数据清洗和预处理。
2.1数据清洗，剔除异常数。
2.2本例中高频行驶数据通过车速差分计算加速度，低频行驶数据用模型进行加减速度估算，该模型来自专利《一种基于低频行驶数据的加速度识别方法、识别装置、识别设备及计算机可读存储介质》。
3、行驶片段划分，各行驶片段特征。
3.1按照怠速，行驶的规则，划分所有用户行驶数据。本例一共获得1420，615个行驶片段。
3.2根据行驶数据计算每个行驶片段的特征,包括:行驶距离、最高车速、平均速度、平均运行车速、速度标准差、怠速时间、巡航时间、片段时间、最大加速度、最小减速度、平均加速度、平均减速度、加速度标准差、减速时间、加速时间。至此形成运动学片段样本。
4、行驶片段降维、聚类。
4.1因为运动学片段的各个特征不是互相解耦的，需将运动学片段样本进行PCA主成分分析。本例主成分分析结果如图2所示：
前5个主成分的累积贡献率达到85％，为了简化问题、减少计算量最终确定采用前5个主成分进行分析。
4.2将降维后的样本进行k-means聚类,根据样本特征，将数据聚成三类，根据片段的平均运行速度大小，将三类分别定义成：高速类，中速类和低速类。分好类的片段数据库存储好。这三类样本的聚类中心如下所示。
表1：聚类中心相关特征
速度段 低速段 中速段 高速段
平均里程km 0.686 2.182 23.336
平均时长s 168.58 238.24 1460.15
平均速度km/h 13.4 29.7 55.1
5、片段选取及工况拼接
5.1确定总用户工况时长：请参考图3，统计了用户每次trip的时长分布的平均值为1860s，取整为1800s。
5.2确定工况中各个速度段(中速段，低速段，高速段)持续时间：统计片段数据库中所有高速类，中速类和低速类的时长和，速度段时间＝工况总时长*各分类片段时间和/数据库所有片段时间和。
5.3确定工况中各个速度段内运动片段数量：分别计算各个速度段内的运动段数量和怠速段数量。运动片段数量为N＝(速度段时间-平均怠速时间)/平均片段时间，怠速段数量为N+1。
表2：各速度段持续时间
速度段 低速段 中速段 高速段 总时长
目标工况速度段持续时间 800 628 372 1800
怠速片段数量 5 3 2 -
运动段数量 4 2 1 -
5.4确定各运动片段和怠速片段时间：以低速段为例，低速段工况中包含了3个运动段和4个怠速段，做出数据库低速类样本的运动段持续时间频率分布，将累积频率分布进行3等分，分别计算出累积频率在[0,0.33)、[0.33,0.66)时的“运动段平均持续时间”，结果分别为t_r1,t_r2,同理做出数据库低速类样本的怠速段持续时间频率分布，将其累积频率分布进行4等分，分别计算出累积频率在[0,0.25)、[0.25,0.5)、[0.5,0.75)、[0.75,1]时的“怠速段平均持续时间”，结果分别为t_d1,t_d2,t_d3,然后按照以下方程组确定t_r3和t_d4(t_r1+t_r2+t_r3)/(t_d1+t_d2+t_d3+t_d4)＝数据库中的低速类样本运行时间和/数据库中的低速类样本怠速时间和t_r1+t_r2+t_r3+t_d1+t_d2+t_d3+t_d4＝低速段总时间(5.2中确定)。
5.5工况拼接准备：请参考图4-图6，分别统计数据库中三类运动学片段的a-v分布(分别称为，低速段\中速段\高速段所有用户的a-v分布)，并存储。将片段数据库中的高频行驶数据挑选出来，作为备选数据库。
5.6中速段、低速段工况构建：在高频行驶数据库中挑选运行时长为t_r1的所有运动片段，作为备选片段，计算所有备选片段的a-v分布与低速段所有用户的a-v分布的卡方值，取卡方值最小的片段作为最优片段，同理分别挑出符合运行时长的低速和中速的最优运动片段，并按照5.4中确定的各运动片段和怠速片段时间拼接形成中速段于低速段工况。
5.7高速段工况构建：将数据库中高速片段拆分成0～65加速度，65～65巡航，65～80加速，80～80巡航，80～65减速，65～0减速6种segment，根据数据库中6个segment的总时长占比确定高速段中每个segment的时长，在数据库中挑选满足时长的segment作为备选片段，按照0～65加速度，65～65巡航，65～80加速，80～80巡航，80～65减速，65～0减速的顺寻随机挑选各备选segment生成备选拼接高速工况，计算所有备选高速工况的a_v分布与高速类总体a_v分布卡方值,卡方值最小的高速segment组合作为最优高速工况。
如图7所示，至此完成基于所有用户行驶数据的电动车用户工况(SEVC)构建。此例中基于全部用户数据构建工况，其结果反映了所有用户的平均行驶强度的工况特性。
结果检验：
1、对各个标准工况及SEVC的a-v分布与电动汽车用户实际行驶大数据a-v分布进行卡方检验。
表3：标准工况与a-v分布卡方值
与实际用户行驶大数据a-v分布卡方值
CLTC 0.48
NEDC 4.9
WLTC 3.2
SEVC 0.45
可以发现SEVC的a-v分布于实际用户大数据的a-v分布卡方值最小，说明SEVCa-v分布越接近实际分布，更符合用户实际用户情况。
2、续驶里程仿真验证：通过车辆动力学仿真软件GT分别对CLTC与SEVC工况进行能耗与续驶里程仿真测试。
表4：续驶里程仿真验证
电动车型A的CLTC续驶里程仿真结果 607km
车型A的SEVC续驶里程仿真结果 462km
车型A用户在2022年四月的满电续驶里程统计均值 460km
*统计2万用户续驶里程均值
仿真结果表明：基于用户真实行驶数据构建的SEVC工况的续驶里程比CLTC工况里程更接近实际统计值，侧面反映SEVC工况更能表现用户实际使用场景。
3、续驶里程实车转毂测试验证：通过转毂测试某SVW志愿者车主车辆的CLTC工况与SEVC工况的续驶里程与能耗。
测试车辆：某电动车型B,累计续驶里程13000km。
测试结果：
表5：CLTC工况与SEVC工况的续驶里程对照表
实车测试结果也表明：基于用户真实行驶数据构建的SEVC工况的续驶里程比CLTC工况里程更接近实际统计值，侧面反映SEVC工况更能表现用户实际使用场景
基于上述发明构思，本申请还提供一种用户行驶工况构建装置，该装置包括：获取模块、处理模块和构建模块。其中，获取模块用于获取用户行驶数据，用户行驶数据包括高频行驶数据和低频行驶数据。处理模块用于行驶数据清洗并将清洗后的行驶数据进行预处理，确定高频行驶数据和低频行驶数据分别对应的车辆加速度；处理模块，用于基于怠速和行驶规则，对用户行驶数据处理，生成运动学片段样本；模块，用于对运动学片段样本进行聚类处理，生成行驶片段样本库，行驶片段样本库包括低速类、中速类和高速类。构建模块用于基于行驶片段样本库、车辆加速度，构建用户行驶工况。
一实施例中，处理模块还用于清洗行驶数据，筛除异常行驶数据；对清洗后的高频行驶数据进行车速差计算，确定高频行驶数据对应的车辆加速度；通过预先训练好的模型计算清洗后的低频行驶数据，确定低频行驶数据对应的车辆加速度。
一实施例中，处理模块还用于根据怠速和行驶规则，划分用户行驶数据，生成多个行驶片段；根据用户行驶数据，计算各行驶片段对应的特征，生成运动学片段样本。
一实施例中，处理模块还用于基于主成分分析算法对运动学片段样本进行降维处理；将降维处理后的运动学片段样本进行聚类处理，并根据运动学片段样本的平均运行速度将运动学片段样本分为对应的低速类、中速类和高速类，生成行驶片段样本库。
一实施例中，处理模块还用于根据各用户单次行驶的时长分布，确定总用户工况时长；根据总用户工况时长和行驶片段样本库中对应的低速类、中速类和高速类的时长比例，确定低速段、中速段和高速段的运动持续时长；根据低速段、中速段和高速段对应的运动段数量时长和怠速段数量时长比例，确定低速段、中速段和高速段各自对应的运动片段数量；根据行驶片段样本库中各个速度段的样本的运动段持续时长频率分布，确定各运动片段的行驶时间、怠速时间、行驶时长和怠速时长；根据行驶片段样本库，确定低速类、中速类和高速类各自对应的加速度-速度分布；基于低速段和中速段对应的加速度-速度分布、行驶时间、怠速时间、行驶时长和怠速时长，构建低速段和中速段对应的工况；基于高速段对应的加速度-速度分布、行驶时间、怠速时间、行驶时长和怠速时长，构建高速段对应的工况；将低速段样本、中速段样本和高速段样本分别对应的工况拼接，生成用户行驶工况。
一实施例中，处理模块还用于根据预设的行驶时长阈值，对低速段和中速段筛选，作为中低速备选片段；计算中低速备选片段的加速度-速度分布与低速类、中速类和高速类各自对应的加速度-速度分布的卡方值，以卡方值最小的运动片段作为中低速最优片段；根据行驶时间和怠速时间对中低速最优片段排序拼接，构建低速段和中速段对应的工况。
一实施例中，处理模块还用于将高速段切分为至少两类不同的加速、巡航、减速的segment；根据各类segment的总时长占比，确定各segment的时长；根据预设的行驶时长阈值，对segment筛选，作为备选片段；在各类的备选片段中随机挑选，合成备选高速片段，并计算备选高速段的加速度-速度分布；计算备选高速段的加速度-速度分布与高速段对应的加速度-速度分布的卡方值，以卡方值最小的segment作为最优segment；根据预设的加速度、巡航、减速对最优segment排序拼接，构建高速段对应的工况。
一实施例中，本申请还提供一种电子设备，包括：处理器；用于存储处理器可执行指令的存储器；其中，处理器通过运行可执行指令以实现上述的用户行驶工况建设方法。
需要说明的是，上述实施例阐明的系统、装置或模块，具体可以由计算机芯片或实体实现，或者由具有某种功能的产品来实现。一种典型的实现设备为计算机，计算机的具体形式可以是个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件收发设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任意几种设备的组合。
在一个典型的配置中，计算机包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带、磁盘存储、量子存储器、基于石墨烯的存储介质或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。
这里基于的术语和表述方式只是用于描述，本发明并不应局限于这些术语和表述。使用这些术语和表述并不意味着排除任何示意和描述(或其中部分)的等效特征，应认识到可能存在的各种修改也应包含在权利要求范围内。其他修改、变化和替换也可能存在。相应的，权利要求应视为覆盖所有这些等效物。
同样，需要指出的是，虽然本发明已参照当前的具体实施例来描述，但是本技术领域中的普通技术人员应当认识到，以上的实施例仅是用来说明本发明，在没有脱离本发明精神的情况下还可做出各种等效的变化或替换，因此，只要在本发明的实质精神范围内对上述实施例的变化、变型都将落在本发明的权利要求书的范围内。

Claims (10)

1.一种用户行驶工况构建方法，其特征在于，包括：
步骤1：获取用户行驶数据，所述用户行驶数据包括高频行驶数据和低频行驶数据；
步骤2：对所述行驶数据清洗，将清洗后的行驶数据进行预处理，确定高频行驶数据和低频行驶数据分别对应的车辆加速度；
步骤3：基于怠速和行驶规则，对所述用户行驶数据处理，生成运动学片段样本；
步骤4：对所述运动学片段样本进行聚类处理，生成行驶片段样本库，所述行驶片段样本库包括低速类、中速类和高速类；
步骤5：基于所述行驶片段样本库、所述车辆加速度，构建用户行驶工况。
2.根据权利要求1所述的用户行驶工况构建方法，其特征在于，所述步骤2具体包括：
步骤2-1：清洗所述行驶数据，筛除异常行驶数据；
步骤2-2：对清洗后的所述高频行驶数据进行车速差计算，确定所述高频行驶数据对应的车辆加速度；
步骤2-3：通过预先训练好的模型计算清洗后的所述低频行驶数据，确定所述低频行驶数据对应的车辆加速度。
3.根据权利要求1所述的用户行驶工况构建方法，其特征在于，所述步骤3具体包括：
步骤3-1：根据所述怠速和所述行驶规则，划分所述用户行驶数据，生成多个行驶片段；
步骤3-2：根据所述用户行驶数据，计算各行驶片段对应的特征，生成所述运动学片段样本。
4.根据权利要求1所述的用户行驶工况构建方法，其特征在于，所述步骤4具体包括：
步骤4-1：基于主成分分析算法对所述运动学片段样本进行降维处理；
步骤4-2：将降维处理后的运动学片段样本进行聚类处理，并根据所述运动学片段样本的平均运行速度将所述运动学片段样本分为对应的低速类、中速类和高速类，生成所述行驶片段样本库。
5.根据权利要求1所述的用户行驶工况构建方法，其特征在于，所述步骤5具体包括：
步骤5-1：根据各用户单次行驶的时长分布，确定总用户工况时长；
步骤5-2：根据所述总用户工况时长和所述行驶片段样本库中对应的低速类、中速类和高速类的时长比例，确定低速段、中速段和高速段的运动持续时长；
步骤5-3：根据所述低速段、所述中速段和所述高速段对应的运动段数量时长和怠速段数量时长比例，确定所述低速段、所述中速段和所述高速段各自对应的运动片段数量；
步骤5-4：根据所述行驶片段样本库中各个速度段的样本的运动段持续时长频率分布，确定各运动片段的行驶时间、怠速时间、行驶时长和怠速时长；
步骤5-5：根据所述行驶片段样本库，确定所述低速类、所述中速类和所述高速类各自对应的加速度-速度分布；
步骤5-6：基于所述低速段和所述中速段对应的加速度-速度分布、行驶时间、怠速时间、行驶时长和怠速时长，构建所述低速段和所述中速段对应的工况；
步骤5-7：基于所述高速段对应的加速度-速度分布、行驶时间、怠速时间、行驶时长和怠速时长，构建所述高速段对应的工况；
步骤5-8：将所述低速段样本、所述中速段样本和所述高速段样本分别对应的工况拼接，生成用户行驶工况。
6.根据权利要求5所述的用户行驶工况构建方法，其特征在于，所述步骤5-6具体包括：
步骤5-6-1：根据预设的行驶时长阈值，对所述低速段和所述中速段筛选，作为中低速备选片段；
步骤5-6-2：计算所述中低速备选片段的加速度-速度分布与所述低速类、所述中速类和所述高速类各自对应的加速度-速度分布的卡方值，以卡方值最小的运动片段作为中低速最优片段；
步骤5-6-3：根据所述行驶时间和所述怠速时间对所述中低速最优片段排序拼接，构建所述低速段和所述中速段对应的工况。
7.根据权利要求5所述的用户行驶工况构建方法，其特征在于，所述步骤5-7具体包括：
步骤5-7-1：将所述高速段切分为至少两类不同的加速、巡航、减速的segment；
步骤5-7-2：根据各类segment的总时长占比，确定各segment的时长；
步骤5-7-3：根据预设的行驶时长阈值，对所述segment筛选，作为备选片段；
步骤5-7-4：在各类的备选片段中随机挑选，合成备选高速片段，并计算所述备选高速段的加速度-速度分布；
步骤5-7-5：计算所述备选高速段的加速度-速度分布与所述高速段对应的加速度-速度分布的卡方值，以卡方值最小的segment作为最优segment；
步骤5-7-6：根据预设的加速度、巡航、减速对所述最优segment排序拼接，构建所述高速段对应的工况。
8.一种用户行驶工况构建装置，其特征在于，包括：
获取模块，用于获取用户行驶数据，所述用户行驶数据包括高频行驶数据和低频行驶数据；
处理模块，用于对所述行驶数据清洗并将清洗后的行驶数据进行预处理，确定高频行驶数据和低频行驶数据分别对应的车辆加速度；
所述处理模块，用于基于怠速和行驶规则，对所述用户行驶数据处理，生成运动学片段样本；
所述模块，用于对所述运动学片段样本进行聚类处理，生成行驶片段样本库，所述行驶片段样本库包括低速类、中速类和高速类；
构建模块，用于基于所述行驶片段样本库、所述车辆加速度，构建用户行驶工况。
9.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1-7中任一项所述的用户行驶工况构建方法的步骤。
10.一种存储有计算机可读指令的非易失性可读存储介质，所述计算机可读指令被处理器执行时，使得所述处理器执行如权利要求1-7任一项所述的一种被配置为用户行驶工况构建方法或实现如权利要求8所述的一种被配置为用户行驶工况构建设备的功能。
CN202311471065.XA 2023-11-07 2023-11-07 一种用户行驶工况构建方法、装置、电子设备及存储介质 Pending CN117520912A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311471065.XA CN117520912A (zh) 2023-11-07 2023-11-07 一种用户行驶工况构建方法、装置、电子设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311471065.XA CN117520912A (zh) 2023-11-07 2023-11-07 一种用户行驶工况构建方法、装置、电子设备及存储介质

Publications (1)

Publication Number Publication Date
CN117520912A true CN117520912A (zh) 2024-02-06

Family

ID=89763654

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311471065.XA Pending CN117520912A (zh) 2023-11-07 2023-11-07 一种用户行驶工况构建方法、装置、电子设备及存储介质

Country Status (1)

Country Link
CN (1) CN117520912A (zh)

Similar Documents

Publication Publication Date Title
Ping et al. Impact of driver behavior on fuel consumption: Classification, evaluation and prediction using machine learning
CN109635830B (zh) 用于估算汽车质量的有效数据的筛选方法
CN110866997A (zh) 一种新的电动汽车行驶工况构建方法
CN109635852B (zh) 一种基于多维属性的用户画像构建与聚类方法
CN113232669B (zh) 一种基于机器学习的驾驶风格辨识方法
CN109189876B (zh) 一种数据处理方法及装置
CN113222385B (zh) 一种电动汽车行驶工况构建与评价方法
CN105320764A (zh) 一种基于增量慢特征的3d模型检索方法及其检索装置
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
CN113297795A (zh) 一种纯电动汽车行驶工况构建方法
CN112463898A (zh) 一种结合速度与噪声监测数据的噪声地图更新方法
CN113689594A (zh) 一种新的汽车行驶工况构造方法
CN114140903A (zh) 一种基于决策树生成规则的道路类型识别车载装置
CN106126637A (zh) 一种交通工具类别识别方法及装置
CN115422747A (zh) 一种机动车尾气污染物排放量的计算方法和计算装置
Hamed et al. Fuel consumption prediction model using machine learning
Vámosi et al. Development of bus driving cycle for debrecen on the basis of real-traffic data
CN113761084B (zh) 一种poi搜索排序模型训练方法、排序装置与方法及介质
CN117400948A (zh) 一种汽车能耗预测方法、装置、电子设备及存储介质
CN112035536A (zh) 一种考虑动态路网交通流的电动汽车能耗预测方法
CN115035713B (zh) 智慧交通碳排放监测系统和方法
CN117520912A (zh) 一种用户行驶工况构建方法、装置、电子设备及存储介质
CN113743466B (zh) 一种基于决策树的道路类型识别方法及系统
CN115718886A (zh) 纯电动汽车行驶工况的构建方法及装置
CN113591780A (zh) 一种驾驶员行车风险鉴定方法及系统

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