CN117708632B - 车辆数据处理方法、装置和计算机可读存储介质 - Google Patents
车辆数据处理方法、装置和计算机可读存储介质 Download PDFInfo
- Publication number
- CN117708632B CN117708632B CN202410156293.6A CN202410156293A CN117708632B CN 117708632 B CN117708632 B CN 117708632B CN 202410156293 A CN202410156293 A CN 202410156293A CN 117708632 B CN117708632 B CN 117708632B
- Authority
- CN
- China
- Prior art keywords
- vehicle
- data
- speed
- data set
- vehicle speed
- 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
Links
- 238000003672 processing method Methods 0.000 title claims abstract description 35
- 238000003860 storage Methods 0.000 title claims abstract description 15
- 230000001133 acceleration Effects 0.000 claims description 27
- 230000004927 fusion Effects 0.000 claims description 21
- 230000007704 transition Effects 0.000 claims description 15
- 238000004422 calculation algorithm Methods 0.000 claims description 12
- 238000007781 pre-processing Methods 0.000 claims description 11
- 238000004590 computer program Methods 0.000 claims description 10
- 238000009826 distribution Methods 0.000 claims description 9
- 230000009466 transformation Effects 0.000 claims description 9
- 238000010276 construction Methods 0.000 claims description 7
- 238000001914 filtration Methods 0.000 claims description 7
- 230000006855 networking Effects 0.000 claims description 7
- 230000002159 abnormal effect Effects 0.000 claims description 6
- 238000010606 normalization Methods 0.000 claims description 4
- 238000000513 principal component analysis Methods 0.000 claims description 4
- 230000005856 abnormality Effects 0.000 claims 1
- 238000000034 method Methods 0.000 description 17
- 238000010586 diagram Methods 0.000 description 16
- 230000008569 process Effects 0.000 description 11
- 230000006870 function Effects 0.000 description 5
- 230000009467 reduction Effects 0.000 description 4
- 238000000605 extraction Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000005265 energy consumption Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 230000008901 benefit Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000011217 control strategy Methods 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000007935 neutral effect Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000012847 principal component analysis method Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Landscapes
- Traffic Control Systems (AREA)
Abstract
本公开涉及一种数据处理领域,涉及一种车辆数据处理方法、装置和计算机可读存储介质。车辆数据处理方法包括:对车辆行驶数据集中的多条数据进行聚类,获得车辆在每个档位下的子数据集,其中,多条数据中每条数据包括一个时刻对应的显示车速和转速,显示车速指示车辆仪表盘上显示的车速;基于每个档位下的子数据集中的显示车速和转速,确定每个档位对应的显示车速和转速的比值;根据每个档位对应的显示车速和转速的比值,确定每个档位下的子数据集中每条数据的第一估计车速;基于每个档位下的子数据集中每条数据的第一估计车速和全球定位系统GPS车速,获取更新的车辆行驶数据集;基于更新的车辆行驶数据集构建车辆的行驶工况。
Description
技术领域
本公开涉及数据处理领域,特别涉及一种车辆数据处理方法、装置和计算机可读存储介质。
背景技术
行驶工况是汽车实际道路行驶状况的反映,具有典型道路的实际驾驶特征,能够反映车辆真实的运行工况,很大程度的决定了整车能耗水平。但是虽然例如中国重型商用车辆行驶工况(CHTC)能较好地反应中国重型商用车平均行驶特征,但并不适用于所有城市或区域。因此,利用实际的车辆行驶数据构建车辆的行驶工况,能够为后续通过精细化匹配实现车辆控制策略的优化调整,进一步降低车辆能耗水平提供技术支持。
而在构建车辆的行驶工况时,对车辆数据的处理是构建车辆的行驶工况的关键步骤,能够影响构建的行驶工况的准确性。
发明内容
本公开所要解决的一个技术问题是:如何对车辆数据进行处理,以提高构建行驶工况的准确性。
根据本公开的一些实施例,提供了一种车辆数据处理方法,包括:对车辆行驶数据集中的多条数据进行聚类,获得车辆在每个档位下的子数据集,其中,多条数据中每条数据包括一个时刻对应的显示车速和转速,显示车速指示车辆仪表盘上显示的车速;基于每个档位下的子数据集中的显示车速和转速,确定每个档位对应的显示车速和转速的比值;根据每个档位对应的显示车速和转速的比值,确定每个档位下的子数据集中每条数据的第一估计车速;基于每个档位下的子数据集中每条数据的第一估计车速和全球定位系统GPS车速,获取更新的车辆行驶数据集;基于更新的车辆行驶数据集构建车辆的行驶工况。
在一些实施例中,基于每个档位下的子数据集中的显示车速和转速,确定每个档位对应的显示车速和转速的比值包括:对于每个档位,将档位下的子数据集中所有的显示车速的和、与所有的转速的和的比值,确定为档位对应的显示车速和转速的比值。
在一些实施例中,根据每个档位对应的显示车速和转速的比值,确定每个档位下的子数据集中每个数据的第一估计车速包括:对于每个档位,将档位下的子数据集中每条数据的转速与档位对应的显示车速和转速的比值的乘积,确定为每条数据的第一估计车速。
在一些实施例中,对车辆行驶数据集中的多条数据进行聚类,获得车辆在每个档位下的子数据集包括:将车辆的档位的个数确定为聚类的个数;对车辆行驶数据集中的显示车速和转速分别进行归一化处理;确定车辆行驶数据集中的每条数据的归一化后的显示车速与归一化后的转速的比值;将每条数据的归一化后的显示车速与归一化后的转速的比值、以及转速,作为每条数据的特征,对车辆行驶数据集进行聚类。
在一些实施例中,基于各个档位下的子数据集中每条数据的第一估计车速和GPS车速,获取更新的车辆行驶数据集包括:确定车辆行驶数据集中每条数据的第一估计车速与GPS车速的差值是否在预设范围内;对于第一估计车速与GPS车速的差值在预设范围内的第一数据,将第一估计车速确定为第一数据对应的融合车速;对于第一估计车速与GPS车速的差值不在预设范围内的第二数据,将GPS车速确定为第二数据对应的融合车速;基于每条数据对应的融合车速和加速度,通过卡尔曼滤波算法获得每条数据的第二估计车速,将每条数据的第二估计车速作为每条数据的车速,更新的车辆行驶数据集包括每条数据的车速。
在一些实施例中,车辆数据处理方法还包括:获取原始车辆行驶数据集,其中,原始车辆行驶数据集包括多条原始数据,多条原始数据中每条原始数据包括一个时刻对应的显示车速和转速;对原始车辆行驶数据集进行预处理,将预处理后的原始车辆行驶数据集确定为车辆行驶数据集,其中,预处理包括去除异常数据、填补缺失数据中的至少一项。
在一些实施例中,去除异常数据包括去除怠速数据、去除噪声数据中的至少一项。
在一些实施例中,去除噪声数据包括:对原始车辆行驶数据集进行小波变换,获得原始车辆行驶数据集对应的小波系数集;确定小波系数集中的高频部分和低频部分;将小于预设阈值的高频部分中的小波系数设置为0;将经过设置的小波系数集进行逆变换,以获得去除噪声数据后的原始车辆行驶数据集。
在一些实施例中,基于更新的车辆行驶数据集构建车辆的行驶工况包括:将更新的车辆行驶数据集划分成多个运动学片段;对多个运动学片段进行特征提取并聚类;基于聚类的结果,构建车辆的行驶工况。
在一些实施例中,将更新的车辆行驶数据集划分成多个运动学片段包括:将GPS车速为零的数据对应的时刻,确定更新的车辆行驶数据集中的怠速时刻;基于怠速时刻,将更新的车辆行驶数据集划分成多个运动学片段。
在一些实施例中,对多个运动学片段进行特征提取并聚类包括:提取多个运动学片段中每个运动学片段的多个特征;利用主成分分析确定每个运动学片段的多个特征中的主要特征;基于每个运动学片段的主要特征对多个运动学片段进行聚类。
在一些实施例中,主要特征包括怠速比例、加速比例、减速比例、平均速度、运行平均速度、最高运行车速、速度标准差、平均加速度、平均减速度。
在一些实施例中,基于聚类的结果,构建车辆的行驶工况包括:基于预设时长,从聚类后的各个类别的运动学片段中选取运动学片段;根据选取的运动学片段的类别、以及各个类别之间的转移概率,将选取的运动学片段进行拼接,以构建预设时长的车辆的行驶工况。
在一些实施例中,各个类别之间的转移概率采用以下方法确定:针对任意两个类别作为第一类别和第二类别,确定在更新的车辆行驶数据集中,第一类别的运动学片段与第二类别的运动学片段连续出现的第一数量,第一类别的运动学片段与第二类别以外的类别的运动学片段连续出现的第二数量;将第一数量与第二数量的比值,确定为第一类别转移为第二类别的转移概率。
在一些实施例中,车辆数据处理方法还包括:在构建车辆的行驶工况后,利用更新的车辆行驶数据集对车辆的行驶工况进行检验。
在一些实施例中,利用更新的车辆行驶数据集对车辆的行驶工况进行检验包括:基于车辆行驶数据集的特征值与行驶工况的特征值之间的差异,确定行驶工况是否合理,其中,特征值包括怠速比例值、加速比例值、减速比例值、平均速度值、运行平均速度值、最高运行车速值、速度标准差值、平均加速度值、平均减速度值;或基于车辆行驶数据集的速度-加速度联合概率分布与行驶工况的速度-加速度联合概率密度分布之间的差异,确定行驶工况是否合理。
在一些实施例中,车辆行驶数据集是基于车联网平台获取的。
根据本公开的另一些实施例,提供了一种车辆数据处理装置,包括:聚类模块,被配置为对车辆行驶数据集中的多条数据进行聚类,获得车辆在每个档位下的子数据集,其中,多条数据中每条数据包括一个时刻对应的显示车速和转速,显示车速指示车辆仪表盘上显示的车速;第一确定模块,被配置为基于每个档位下的子数据集中的显示车速和转速,确定每个档位对应的显示车速和转速的比值;第二确定模块,被配置为根据每个档位对应的显示车速和转速的比值,确定每个档位下的子数据集中每条数据的第一估计车速;获取模块,被配置为基于每个档位下的子数据集中每条数据的第一估计车速和GPS车速,获取更新的车辆行驶数据集;构建模块,被配置为基于更新的车辆行驶数据集构建车辆的行驶工况。
根据本公开的又一些实施例,提供了一种车辆数据处理装置,包括:处理器;以及耦接至处理器的存储器,用于存储指令,指令被处理器执行时,使处理器执行如前所述的车辆数据处理方法。
根据本公开的再一些实施例,提供了一种计算机可读存储介质,其上存储有计算机程序,其中,该程序被处理器执行时实现如前所述的车辆数据处理方法的步骤。
本公开在构建车辆的行驶工况时,对车辆行驶数据进行处理。首先对车辆行驶数据集中的数据进行聚类,获得每个档位下的子数据集。之后根据每个档位对应的显示车速和转速的比值,确定每条数据的第一估计车速。最后根据每条数据的第一估计车速和GPS车速,确定更新的车辆行驶数据集。本公开在对车辆行驶数据进行处理时,利用了每个档位对应的显示车速和转速的比值来确定每条数据的第一估计车速,第一估计车速融合了档位信息,能够更加准确地体现车辆的行驶状况。并且基于第一估计车速和GPS车速来确定更新的车辆行驶数据集,能够进一步结合GPS信息,进一步提升车辆行驶数据集反映车辆行驶状况的准确性,从而提高构建的行驶工况的准确性。
通过以下参照附图对本公开的示例性实施例的详细描述,本公开的其它特征及其优点将会变得清楚。
附图说明
为了更清楚地说明本公开实施例或现有技术中的技术方案,下面将对实施例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,下面描述中的附图仅仅是本公开的一些实施例,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示出了根据本公开一些实施例的车辆数据处理方法的流程示意图。
图2示出了根据本公开一些实施例的特征参数降维的示意图。
图3示出了根据本公开一些实施例的构建的车辆的行驶工况的示意图。
图4示出了根据本公开一些实施例的对车辆数据进行处理后构建车辆的行驶工况的流程示意图。
图5示出了根据本公开一些实施例的车辆数据处理装置的结构示意图。
图6示出了根据本公开另一些实施例的车辆数据处理装置的结构示意图。
图7示出了根据本公开又一些实施例的车辆数据处理装置的结构示意图。
具体实施方式
下面将结合本公开实施例中的附图,对本公开实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本公开一部分实施例,而不是全部的实施例。以下对至少一个示例性实施例的描述实际上仅仅是说明性的,决不作为对本公开及其应用或使用的任何限制。基于本公开中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本公开保护的范围。
图1示出了根据本公开一些实施例的车辆数据处理方法的流程示意图。如图1所示,车辆数据处理方法包括:步骤S102~S110。
在步骤S102中,对车辆行驶数据集中的多条数据进行聚类,获得车辆在每个档位下的子数据集,其中,多条数据中每条数据包括一个时刻对应的显示车速和转速,显示车速指示车辆仪表盘上显示的车速。
在一些实施例中,车辆行驶数据集是基于车联网平台获取的。借助车联网平台快速完成数据的实时采集和调用,采集数据全面且采集周期短,节省大量人力物力成本。
车联网平台可以实时监控统计整车运行状态数据,以真实的车辆行驶信息与环境信息为依据,对车辆动态信息进行有效利用。以车联网平台为依托,根据车辆运行轨迹采集车辆行驶数据,能够构建符合我国城市道路的商用车行驶工况,保证工况构建的精确性。
在一些实施例中,基于车联网平台获取车辆行驶数据集包括:借助DBC文件导入采集平台,数据采集通过车载数据采集终端(T-BOX)固件中的采集功能或自行编写的采集程序采集。不同类型、系列车型DBC文件需编写统型,包括:时间,车速等,便于后续数据预处理。
车辆行驶数据集包括多条数据,每条数据体现车辆在一个时刻(时间点)的行驶状况。每条数据包括车辆的显示车速、电机转速、加速度、地理位置等。
在对车辆行驶数据集中的多条数据进行聚类前,需要进行预处理,以去除不良数据的影响。
在一些实施例中,车辆数据处理方法还包括:获取原始车辆行驶数据集,其中,原始车辆行驶数据集包括多条原始数据,多条原始数据中每条原始数据包括一个时刻对应的显示车速和转速;对原始车辆行驶数据集进行预处理,将预处理后的原始车辆行驶数据集确定为车辆行驶数据集,其中,预处理包括去除异常数据、填补缺失数据中的至少一项。
在一些实施例中,去除异常数据包括去除怠速数据、去除噪声数据中的至少一项。
在一些实施例中,去除噪声数据包括:对原始车辆行驶数据集进行小波变换,获得原始车辆行驶数据集对应的小波系数集;确定小波系数集中的高频部分和低频部分;将小于预设阈值的高频部分中的小波系数设置为0;将经过设置的小波系数集进行逆变换,以获得去除噪声数据后的原始车辆行驶数据集。
通过对原始车辆行驶数据集进行预处理,利用可视化编程算法过滤车速波动、填补车速缺失、去除拥堵路段、删除长期怠速等异常数据,减小误差影响。
车辆在行驶过程中可能根据需要会采用不同的档位,通常来说车速较大时选择了较高的档位。采用相同档位行驶时,电机的转速和车辆的显示车速具有类似的关系,例如转速与显示车速具有类似的正比关系。因此可以基于转速与显示车速的比值,将车辆行驶数据集中的多条数据聚类成每个档位下的子数据集,以将相同档位下的数据归类到相同的子数据集中。
在一些实施例中,对车辆行驶数据集中的多条数据进行聚类,获得车辆在每个档位下的子数据集包括:将车辆的档位的个数确定为聚类的个数;对车辆行驶数据集中的显示车速和转速分别进行归一化处理;确定车辆行驶数据集中的每条数据的归一化后的显示车速与归一化后的转速的比值;将每条数据的归一化后的显示车速与归一化后的转速的比值、以及转速,作为每条数据的特征,对车辆行驶数据集进行聚类。
例如对于一些车辆档位的数量可能有6档(包括空挡)。以(归一化后的)转速与(归一化后的)显示车速的比值作为聚类的其中一个特征量,以显示车速作为另外一个特征量,利用k-均值算法将车辆行驶数据集中的多条数据划分成6个子数据集。
将相同档位下的数据归类到相同的子数据集中,能够将具有类似行驶状况的数据划分到相同的子数据集中,便于利用类似行驶状况的数据的共性,对现有数据进行处理,能够排除可能的异常数据的影响,提高数据的准确性。
在步骤S104中,基于每个档位下的子数据集中的显示车速和转速,确定每个档位对应的显示车速和转速的比值。
将车辆行驶数据集划分为各个档位下的子数据集后,对于每个档位下的子数据集,确定该档位对应的显示车速和转速的比值,作为该档位下的子数据集的整体信息(档位特征)。
在一些实施例中,基于每个档位下的子数据集中的显示车速和转速,确定每个档位对应的显示车速和转速的比值包括:对于每个档位,将档位下的子数据集中所有的显示车速的和、与所有的转速的和的比值,确定为档位对应的显示车速和转速的比值。
聚类结果明显的划分出了不同档位下的关系, 而且随着归一化转速与归一化显示车速的比值增大时,即档位逐渐增大时,归一化后的显示车速也随之增大。根据聚类的结果,找出组成每个类别的显示车速和转速的全部累加值,然后取其比值,得到每个类别(每个档位)对应的显示车速和转速的比值(速比结果)。
在步骤S106中,根据每个档位对应的显示车速和转速的比值,确定每个档位下的子数据集中每条数据的第一估计车速。
在获得每个档位对应的显示车速和转速的比值后,可以利用该整体信息对每个档位下的子数据集中的数据进行修正。
在一些实施例中,根据每个档位对应的显示车速和转速的比值,确定每个档位下的子数据集中每个数据的第一估计车速包括:对于每个档位,将档位下的子数据集中每条数据的转速与档位对应的显示车速和转速的比值的乘积,确定为每条数据的第一估计车速。
根据档位特征,由转速反推出第一估计车速。第一估计车速结合了档位信息、电机转速、显示车速,相比于原来的显示车速,能够更加准确地体现车辆当前时刻的行驶状况。
在步骤S108中,基于每个档位下的子数据集中每条数据的第一估计车速和全球定位系统GPS车速,获取更新的车辆行驶数据集。
第一估计车速结合了档位信息、电机转速、显示车速,依然是更多侧重中车辆本身的信息。考虑第一估计车速结合全球定位系统GPS车速,能够进一步结合车辆实际行驶的速度,进一步提高描述车辆行驶状况的准确性。
在一些实施例中,基于各个档位下的子数据集中每条数据的第一估计车速和GPS车速,获取更新的车辆行驶数据集包括:确定车辆行驶数据集中每条数据的第一估计车速与GPS车速的差值是否在预设范围内;对于第一估计车速与GPS车速的差值在预设范围内的第一数据,将第一估计车速确定为第一数据对应的融合车速;对于第一估计车速与GPS车速的差值不在预设范围内的第二数据,将GPS车速确定为第二数据对应的融合车速;基于每条数据对应的融合车速和加速度,通过卡尔曼滤波算法获得每条数据的第二估计车速,将每条数据的第二估计车速作为每条数据的车速,更新的车辆行驶数据集包括每条数据的车速。
在第一估计车速与GPS车速的差值在预设范围内时,表明根据车辆本身(例如根据电机转速、车辆传感器等)确定的速度与实际行驶的速度相符,因此可以直接利用第一估计车速作为融合车速。在第一估计车速与GPS车速的差值不在预设范围内时,表明根据车辆本身确定的速度与实际行驶的速度不符,可能出现偏差,因此采用GPS车速作为融合车速。
融合车速能够结合车辆本身确定的速度和车辆行驶的速度,减轻由于聚类错误、车速变化较大的动态过程对数据的影响。利用离散卡尔曼滤波算法对融合车速进行修正,获得的第二估计车速减轻了由于路面干扰等因素引起的加速度的变化波动造成的影响,减小数据误差,能真实的反映车辆道路实际运行状态。
在步骤S110中,基于更新的车辆行驶数据集构建车辆的行驶工况。
在一些实施例中,基于更新的车辆行驶数据集构建车辆的行驶工况包括:将更新的车辆行驶数据集划分成多个运动学片段;对多个运动学片段进行特征提取并聚类;基于聚类的结果,构建车辆的行驶工况。
车辆在行驶过程中受道路影响,可能会经历多次起步和停车等操作。将车辆从一个怠速开始到下一个怠速开始的运动定义为运动学片段。将车辆的行驶过程划分为多个运动学片段,能够针对性地分析不同速度的运动形态,在此基础上构建车辆的行驶工况更精确。
在一些实施例中,利用MATLAB将更新的车辆行驶数据集划分为多个运动学片段,得出运动学片段数量及不同时间长度的运动学片段统计,还可以对不同时间长度的运动学片段进行分类、检验,确定划分出的运动学片段合理,无长时间怠速段、无不良数据段,运动学片段分割合理。
在一些实施例中,将更新的车辆行驶数据集划分成多个运动学片段包括:将GPS车速为零的数据对应的时刻,确定更新的车辆行驶数据集中的怠速时刻;基于怠速时刻,将更新的车辆行驶数据集划分成多个运动学片段。
在将更新的车辆行驶数据集进行运动学片段划分后,仅车速与时间的关系无法全面描述各运动学片段的运动状态,需要定义若干个特征参数对各运动学片段的运动状态进行描述,以数据信息的形式代表运动学片段,以便进一步对片段进行分析。所需特征参数主要包括两部分的内容:一是描述各个运动学片段的特征参数,二是对数据进行整体统计分析的综合特征参数。
选取的特征参数较少,会造成行驶信息的丢失,不能准确的描述短行程的大部分信息;选取过多,会增加后期计算量,耗费大量的运算时间;同时特征参数之间会有一定的关联性,选取过多特征参数会使车辆行驶信息有一定程度的重叠,造成数据冗余,所以要选取适当的特征参数,有利于提高最后构建工况的准确性,并节省运算时间。
在一些实施例中,对多个运动学片段进行特征提取并聚类包括:提取多个运动学片段中每个运动学片段的多个特征;利用主成分分析确定每个运动学片段的多个特征中的主要特征;基于每个运动学片段的主要特征对多个运动学片段进行聚类。
在一些实施例中,为了构建出真实反映汽车道路行驶情况的工况曲线,同时降低运算复杂度,可以利用数理统计软件SPSS采用主成分分析法对运动学片段的多个特征参数值进行正交化处理,然后进行主成分贡献率计算主要特征。在一些实施例中,前n个特征(参数)的累计贡献率达到90%以上时,n即可作为主成分个数。
在一些实施例中,运动学片段的特征包括总时间、怠速时间比、巡航时间比、加速时间比、减速时间比、最高运行速度、平均速度、运行平均速度、速度标准差、速度均方根、0-10km/h车速占比、10-20km/h车速占比、20-30km/h车速占比、30-40km/h车速占比、40-50km/h车速占比、50-60km/h车速占比、60-70km/h车速占比、70-80km/h车速占比、平均加速度、平均减速度、最大加速度、最大减速度、加速度标准差、减速度标准差、总里程、停车次数、停车频率等。
在一些实施例中,主要特征包括怠速比例、加速比例、减速比例、平均速度、运行平均速度、最高运行车速、速度标准差、平均加速度、平均减速度。其中,怠速比例表示运动学片段中怠速时间占总时间的比例。加速比例表示运动学片段中加速时间占总时间的比例。减速比例表示运动学片段中减速时间占总时间的比例。平均速度表示运动学片段涉及的行驶期间速度的均值。运行平均速度表示运动学片段中去除怠速时间后的速度的均值。
图2示出了根据本公开一些实施例的特征参数降维的示意图。如图2所示,此时选取的9个特征(参数)能代表原始工况90%以上的相似性,这样既能保留9个特征参数的大部分信息,又起到降维的作用,减少特征参数冗余及求解计算难度。
在一些实施例中,在对多个运动学片段进行聚类的时候,可以利用多岛遗传算法与序列二次规划法对模糊C均值聚类算法进行改进,即对选取的聚类中心进行优化处理,使聚类结果更接近最优聚类。
在一些实施例中,基于聚类的结果,构建车辆的行驶工况包括:基于预设时长,从聚类后的各个类别的运动学片段中选取运动学片段;根据选取的运动学片段的类别、以及各个类别之间的转移概率,将选取的运动学片段进行拼接,以构建预设时长的车辆的行驶工况。
图3示出了根据本公开一些实施例的构建的车辆的行驶工况的示意图。如图3所示,行驶工况体现了车辆在1800秒内的车速情况。在构建预设时长为1800秒的行驶工况时,可以基于各类运动学片段的占比确定从各类运动学片段中选取的运动学片段的时长,从而从各类运动学片段选取对应的一个或多个运动学片段。之间基于各类运动学片段之间的转移概率,将选取的运动学片段拼接起来,获得1800秒的行驶工况。
在一些实施例中,各个类别之间的转移概率采用以下方法确定:针对任意两个类别作为第一类别和第二类别,确定在更新的车辆行驶数据集中,第一类别的运动学片段与第二类别的运动学片段连续出现的第一数量,第一类别的运动学片段与第二类别以外的类别的运动学片段连续出现的第二数量;将第一数量与第二数量的比值,确定为第一类别转移为第二类别的转移概率。
在一些实施例中,还可以基于汽车行驶过程中的马尔科夫性,得到各个类别的运动学片段之间的状态转移概率矩阵,基于状态转移概率矩阵将选取的运动学片段进行拼接。
在一些实施例中,车辆数据处理方法还包括:在构建车辆的行驶工况后,利用更新的车辆行驶数据集对所述车辆的行驶工况进行检验。
在一些实施例中,利用更新的车辆行驶数据集对车辆的行驶工况进行检验包括:基于车辆行驶数据集的特征值与行驶工况的特征值之间的差异,确定行驶工况是否合理,其中,特征值包括怠速比例值、加速比例值、减速比例值、平均速度值、运行平均速度值、最高运行车速值、速度标准差值、平均加速度值、平均减速度值;或基于车辆行驶数据集的速度-加速度联合概率分布与行驶工况的速度-加速度联合概率密度分布之间的差异,确定行驶工况是否合理。
例如可以在特征参数的原始值(基于更新的车辆行驶数据集中的数据确定)与构建的行驶工况的值的误差小于5%时,表示构建的行驶工况是合理的。
通过提取原始采样数据特征,从运动特征值、原始车速-加速度联合概率密度分布对合成的工况进行合理性检验,能够充分验证构建的行驶工况的科学性及合理性。
图4示出了根据本公开一些实施例的对车辆数据进行处理后构建车辆的行驶工况的流程示意图。如图4所示,包括步骤S402~S412。
在步骤S402中,基于车联网平台进行数据采集,获取原始车辆行驶数据集。
在步骤S404中,基于原始车辆行驶数据集进行预处理,获取车辆的第二估计车速,第二估计车速表示对车辆的最优估计车速,将每条数据的第二估计车速作为每条数据的车速,更新的车辆行驶数据集包括每条数据的车速。
在一些实施例中,获取车辆的第二估计车速通过步骤S4011~S4013确定。
在步骤S4011中,对原始车辆行驶数据集中的丢失数据和怠速数据进行处理,例如填补丢失数据和删除怠速数据。以及通过小波变换进行降噪处理等,获得车辆行驶数据集。
在步骤S4012中,通过K-均值(K-means)算法对车辆行驶数据集进行聚类,获得每个档位下的子数据集(即对更新的车辆行驶数据集进行档位重构)。
在步骤S4013中,结合车速和加速度获得第二估计车速。具体包括基于每个档位下的子数据集中的显示车速和转速,确定每个档位对应的显示车速和转速的比值;根据每个档位对应的显示车速和转速的比值,确定每个档位下的子数据集中每条数据的第一估计车速;基于每个档位下的子数据集中每条数据的第一估计车速和GPS车速确定每条数据的融合车速。通过卡尔曼滤波算法结合融合车速、加速度获得第二估计车速。
在步骤S406中,将更新的车辆行驶数据集划分成多个运动学片段,并对多个运动学片段进行特征提取。
在步骤S408中,基于改进的模糊C均值聚类模型,对多个运动学片段进行聚类,并且基于聚类的结果,构建车辆的行驶工况。
在步骤S410中,确定原始数据和构建的行驶工况的运动特征值、车速-加速度联合概率密度。
在步骤S412中,基于原始数据和构建的行驶工况的运动特征值、车速-加速度联合概率密度,验证构建的行驶工况的合理性。
本公开在构建车辆的行驶工况时,对车辆行驶数据进行处理。首先对车辆行驶数据集中的数据进行聚类,获得每个档位下的子数据集。之后根据每个档位对应的显示车速和转速的比值,确定每条数据的第一估计车速。最后根据每条数据的第一估计车速和GPS车速,确定更新的车辆行驶数据集。本公开在对车辆行驶数据进行处理时,利用了每个档位对应的显示车速和转速的比值来确定每条数据的第一估计车速,第一估计车速融合了档位信息,能够更加准确地体现车辆的行驶状况。并且基于第一估计车速和GPS车速来确定更新的车辆行驶数据集,能够进一步结合GPS信息,进一步提升车辆行驶数据集反映车辆行驶状况的准确性,从而提高构建的行驶工况的准确性。
图5示出了根据本公开一些实施例的车辆数据处理装置的结构示意图。如图5所示,车辆数据处理装置50包括以下模块。
聚类模块510,被配置为对车辆行驶数据集中的多条数据进行聚类,获得车辆在每个档位下的子数据集,其中,多条数据中每条数据包括一个时刻对应的显示车速和转速,显示车速指示车辆仪表盘上显示的车速。
第一确定模块520,被配置为基于每个档位下的子数据集中的显示车速和转速,确定每个档位对应的显示车速和转速的比值。
第二确定模块530,被配置为根据每个档位对应的显示车速和转速的比值,确定每个档位下的子数据集中每条数据的第一估计车速。
获取模块540,被配置为基于每个档位下的子数据集中每条数据的第一估计车速和GPS车速,获取更新的车辆行驶数据集。
构建模块550,被配置为基于更新的车辆行驶数据集构建车辆的行驶工况。
在一些实施例中,第一确定模块520被配置为对于每个档位,将档位下的子数据集中所有的显示车速的和、与所有的转速的和的比值,确定为档位对应的显示车速和转速的比值。
在一些实施例中,第二确定模块530被配置为对于每个档位,将档位下的子数据集中每条数据的转速与档位对应的显示车速和转速的比值的乘积,确定为每条数据的第一估计车速。
在一些实施例中,聚类模块510被配置为将车辆的档位的个数确定为聚类的个数;对车辆行驶数据集中的显示车速和转速分别进行归一化处理;确定车辆行驶数据集中的每条数据的归一化后的显示车速与归一化后的转速的比值;将每条数据的归一化后的显示车速与归一化后的转速的比值、以及转速,作为每条数据的特征,对车辆行驶数据集进行聚类。
在一些实施例中,获取模块540被配置为确定车辆行驶数据集中每条数据的第一估计车速与GPS车速的差值是否在预设范围内;对于第一估计车速与GPS车速的差值在预设范围内的第一数据,将第一估计车速确定为第一数据对应的融合车速;对于第一估计车速与GPS车速的差值不在预设范围内的第二数据,将GPS车速确定为第二数据对应的融合车速;基于每条数据对应的融合车速和加速度,通过卡尔曼滤波算法获得每条数据的第二估计车速,将每条数据的第二估计车速作为每条数据的车速,更新的车辆行驶数据集包括每条数据的车速。
在一些实施例中,车辆数据处理装置还包括:获取原始车辆行驶数据集,其中,原始车辆行驶数据集包括多条原始数据,多条原始数据中每条原始数据包括一个时刻对应的显示车速和转速;对原始车辆行驶数据集进行预处理,将预处理后的原始车辆行驶数据集确定为车辆行驶数据集,其中,预处理包括去除异常数据、填补缺失数据中的至少一项。
在一些实施例中,去除异常数据包括去除怠速数据、去除噪声数据中的至少一项。
在一些实施例中,车辆数据处理装置包括:对原始车辆行驶数据集进行小波变换,获得原始车辆行驶数据集对应的小波系数集;确定小波系数集中的高频部分和低频部分;将小于预设阈值的高频部分中的小波系数设置为0;将经过设置的小波系数集进行逆变换,以获得去除噪声数据后的原始车辆行驶数据集。
在一些实施例中,构建模块550被配置为将更新的车辆行驶数据集划分成多个运动学片段;对多个运动学片段进行特征提取并聚类;基于聚类的结果,构建车辆的行驶工况。
在一些实施例中,构建模块550被配置为将GPS车速为零的数据对应的时刻,确定更新的车辆行驶数据集中的怠速时刻;基于怠速时刻,将更新的车辆行驶数据集划分成多个运动学片段。
在一些实施例中,构建模块550被配置为提取多个运动学片段中每个运动学片段的多个特征;利用主成分分析确定每个运动学片段的多个特征中的主要特征;基于每个运动学片段的主要特征对多个运动学片段进行聚类。
在一些实施例中,主要特征包括怠速比例、加速比例、减速比例、平均速度、运行平均速度、最高运行车速、速度标准差、平均加速度、平均减速度。
在一些实施例中,构建模块550被配置为基于预设时长,从聚类后的各个类别的运动学片段中选取运动学片段;根据选取的运动学片段的类别、以及各个类别之间的转移概率,将选取的运动学片段进行拼接,以构建预设时长的车辆的行驶工况。
在一些实施例中,构建模块550被配置为针对任意两个类别作为第一类别和第二类别,确定在更新的车辆行驶数据集中,第一类别的运动学片段与第二类别的运动学片段连续出现的第一数量,第一类别的运动学片段与第二类别以外的类别的运动学片段连续出现的第二数量;将第一数量与第二数量的比值,确定为第一类别转移为第二类别的转移概率。
在一些实施例中,车辆数据处理装置包括:在构建车辆的行驶工况后,利用更新的车辆行驶数据集对车辆的行驶工况进行检验。
在一些实施例中,车辆数据处理装置包括:基于车辆行驶数据集的特征值与行驶工况的特征值之间的差异,确定行驶工况是否合理,其中,特征值包括怠速比例值、加速比例值、减速比例值、平均速度值、运行平均速度值、最高运行车速值、速度标准差值、平均加速度值、平均减速度值;或基于车辆行驶数据集的速度-加速度联合概率分布与行驶工况的速度-加速度联合概率密度分布之间的差异,确定行驶工况是否合理。
在一些实施例中,车辆行驶数据集是基于车联网平台获取的。
本公开在构建车辆的行驶工况时,对车辆行驶数据进行处理。首先对车辆行驶数据集中的数据进行聚类,获得每个档位下的子数据集。之后根据每个档位对应的显示车速和转速的比值,确定每条数据的第一估计车速。最后根据每条数据的第一估计车速和GPS车速,确定更新的车辆行驶数据集。本公开在对车辆行驶数据进行处理时,利用了每个档位对应的显示车速和转速的比值来确定每条数据的第一估计车速,第一估计车速融合了档位信息,能够更加准确地体现车辆的行驶状况。并且基于第一估计车速和GPS车速来确定更新的车辆行驶数据集,能够进一步结合GPS信息,进一步提升车辆行驶数据集反映车辆行驶状况的准确性,从而提高构建的行驶工况的准确性。
本公开的实施例中的车辆数据处理装置可各由各种计算设备或计算机系统来实现,下面结合图6以及图7进行描述。
图6示出了根据本公开另一些实施例的车辆数据处理装置的结构示意图。如图6所示,该实施例的装置60包括:存储器610以及耦接至该存储器610的处理器620,处理器620被配置为基于存储在存储器610中的指令,执行本公开中任意一些实施例中的车辆数据处理方法。
其中,存储器610例如可以包括系统存储器、固定非易失性存储介质等。系统存储器例如存储有操作系统、应用程序、引导装载程序(Boot Loader)、数据库以及其他程序等。
图7示出了根据本公开又一些实施例的车辆数据处理装置的结构示意图。如图7所示,该实施例的装置70包括:存储器710以及处理器720,分别与存储器610以及处理器620类似。还可以包括输入输出接口730、网络接口740、存储接口750等。这些接口730,740,750以及存储器710和处理器720之间例如可以通过总线760连接。其中,输入输出接口730为显示器、鼠标、键盘、触摸屏等输入输出设备提供连接接口。网络接口740为各种联网设备提供连接接口,例如可以连接到数据库服务器或者云端存储服务器等。存储接口750为SD卡、U盘等外置存储设备提供连接接口。
本公开的实施例还提供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前述任意一种车辆数据处理方法。
本领域内的技术人员应当明白,本公开的实施例可提供为方法、系统、或计算机程序产品。因此,本公开可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本公开可采用在一个或多个其中包含有计算机可用程序代码的计算机可用非瞬时性存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本公开是参照根据本公开实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解为可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上所述仅为本公开的较佳实施例,并不用以限制本公开,凡在本公开的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本公开的保护范围之内。
Claims (19)
1.一种车辆数据处理方法,包括:
对车辆行驶数据集中的多条数据进行聚类,获得所述车辆在每个档位下的子数据集,其中,所述多条数据中每条数据包括一个时刻对应的显示车速和转速,所述显示车速指示所述车辆仪表盘上显示的车速;
基于所述每个档位下的子数据集中的显示车速和转速,确定每个档位对应的显示车速和转速的比值;
根据所述每个档位对应的显示车速和转速的比值,确定所述每个档位下的子数据集中每条数据的第一估计车速;
基于所述每个档位下的子数据集中每条数据的第一估计车速和全球定位系统GPS车速,获取更新的车辆行驶数据集,包括:确定所述车辆行驶数据集中每条数据的第一估计车速与GPS车速的差值是否在预设范围内;对于第一估计车速与GPS车速的差值在预设范围内的第一数据,将第一估计车速确定为所述第一数据对应的融合车速;对于第一估计车速与GPS车速的差值不在预设范围内的第二数据,将GPS车速确定为所述第二数据对应的融合车速;基于每条数据对应的融合车速和加速度,通过卡尔曼滤波算法获得所述每条数据的第二估计车速,将所述每条数据的第二估计车速作为所述每条数据的车速,所述更新的车辆行驶数据集包括所述每条数据的车速;
基于所述更新的车辆行驶数据集构建所述车辆的行驶工况。
2.根据权利要求1所述的车辆数据处理方法,其中,所述基于所述每个档位下的子数据集中的显示车速和转速,确定每个档位对应的显示车速和转速的比值包括:对于每个档位,
将所述档位下的子数据集中所有的显示车速的和、与所有的转速的和的比值,确定为所述档位对应的显示车速和转速的比值。
3.根据权利要求1所述的车辆数据处理方法,其中,所述根据所述每个档位对应的显示车速和转速的比值,确定所述每个档位下的子数据集中每个数据的第一估计车速包括:对于每个档位,
将所述档位下的子数据集中每条数据的转速与所述档位对应的显示车速和转速的比值的乘积,确定为所述每条数据的第一估计车速。
4.根据权利要求1所述的车辆数据处理方法,其中,所述对车辆行驶数据集中的多条数据进行聚类,获得所述车辆在每个档位下的子数据集包括:
将所述车辆的档位的个数确定为聚类的个数;
对所述车辆行驶数据集中的显示车速和转速分别进行归一化处理;
确定所述车辆行驶数据集中的每条数据的归一化后的显示车速与归一化后的转速的比值;
将所述每条数据的归一化后的显示车速与归一化后的转速的比值、以及转速,作为所述每条数据的特征,对所述车辆行驶数据集进行聚类。
5.根据权利要求1所述的车辆数据处理方法,还包括:
获取原始车辆行驶数据集,其中,所述原始车辆行驶数据集包括多条原始数据,所述多条原始数据中每条原始数据包括一个时刻对应的显示车速和转速;
对所述原始车辆行驶数据集进行预处理,将预处理后的原始车辆行驶数据集确定为所述车辆行驶数据集,其中,所述预处理包括去除异常数据、填补缺失数据中的至少一项。
6.根据权利要求5所述的车辆数据处理方法,其中,所述去除异常数据包括去除怠速数据、去除噪声数据中的至少一项。
7.根据权利要求6所述的车辆数据处理方法,其中,所述去除噪声数据包括:
对所述原始车辆行驶数据集进行小波变换,获得所述原始车辆行驶数据集对应的小波系数集;
确定所述小波系数集中的高频部分和低频部分;
将小于预设阈值的高频部分中的小波系数设置为0;
将经过设置的小波系数集进行逆变换,以获得去除噪声数据后的原始车辆行驶数据集。
8.根据权利要求1所述的车辆数据处理方法,其中,所述基于所述更新的车辆行驶数据集构建所述车辆的行驶工况包括:
将所述更新的车辆行驶数据集划分成多个运动学片段;
对所述多个运动学片段进行特征提取并聚类;
基于聚类的结果,构建所述车辆的行驶工况。
9.根据权利要求8所述的车辆数据处理方法,其中,所述将所述更新的车辆行驶数据集划分成多个运动学片段包括:
将GPS车速为零的数据对应的时刻,确定所述更新的车辆行驶数据集中的怠速时刻;
基于所述怠速时刻,将所述更新的车辆行驶数据集划分成多个运动学片段。
10.根据权利要求8所述的车辆数据处理方法,其中,所述对所述多个运动学片段进行特征提取并聚类包括:
提取所述多个运动学片段中每个运动学片段的多个特征;
利用主成分分析确定所述每个运动学片段的多个特征中的主要特征;
基于所述每个运动学片段的主要特征对所述多个运动学片段进行聚类。
11.根据权利要求10所述的车辆数据处理方法,其中,
所述主要特征包括怠速比例、加速比例、减速比例、平均速度、运行平均速度、最高运行车速、速度标准差、平均加速度、平均减速度。
12.根据权利要求10所述的车辆数据处理方法,其中,所述基于聚类的结果,构建所述车辆的行驶工况包括:
基于预设时长,从聚类后的各个类别的运动学片段中选取运动学片段;
根据选取的运动学片段的类别、以及各个类别之间的转移概率,将所述选取的运动学片段进行拼接,以构建所述预设时长的所述车辆的行驶工况。
13.根据权利要求12所述的车辆数据处理方法,其中,各个类别之间的转移概率采用以下方法确定:针对任意两个类别作为第一类别和第二类别,
确定在所述更新的车辆行驶数据集中,第一类别的运动学片段与第二类别的运动学片段连续出现的第一数量,第一类别的运动学片段与第二类别以外的类别的运动学片段连续出现的第二数量;
将所述第一数量与所述第二数量的比值,确定为第一类别转移为第二类别的转移概率。
14.根据权利要求1所述的车辆数据处理方法,还包括:
在构建所述车辆的行驶工况后,利用所述更新的车辆行驶数据集对所述车辆的行驶工况进行检验。
15. 根据权利要求14所述的车辆数据处理方法,其中,所述利用更新的车辆行驶数据集对所述车辆的行驶工况进行检验包括:
基于所述车辆行驶数据集的特征值与所述行驶工况的特征值之间的差异,确定所述行驶工况是否合理,其中,所述特征值包括怠速比例值、加速比例值、减速比例值、平均速度值、运行平均速度值、最高运行车速值、速度标准差值、平均加速度值、平均减速度值;或
基于所述车辆行驶数据集的速度-加速度联合概率分布与所述行驶工况的速度-加速度联合概率密度分布之间的差异,确定所述行驶工况是否合理。
16.根据权利要求1所述的车辆数据处理方法,其中,所述车辆行驶数据集是基于车联网平台获取的。
17.一种车辆数据处理装置,包括:
聚类模块,被配置为对车辆行驶数据集中的多条数据进行聚类,获得所述车辆在每个档位下的子数据集,其中,所述多条数据中每条数据包括一个时刻对应的显示车速和转速,所述显示车速指示所述车辆仪表盘上显示的车速;
第一确定模块,被配置为基于所述每个档位下的子数据集中的显示车速和转速,确定每个档位对应的显示车速和转速的比值;
第二确定模块,被配置为根据所述每个档位对应的显示车速和转速的比值,确定所述每个档位下的子数据集中每条数据的第一估计车速;
获取模块,被配置为基于所述每个档位下的子数据集中每条数据的第一估计车速和GPS车速,获取更新的车辆行驶数据集,包括:确定所述车辆行驶数据集中每条数据的第一估计车速与GPS车速的差值是否在预设范围内;对于第一估计车速与GPS车速的差值在预设范围内的第一数据,将第一估计车速确定为所述第一数据对应的融合车速;对于第一估计车速与GPS车速的差值不在预设范围内的第二数据,将GPS车速确定为所述第二数据对应的融合车速;基于每条数据对应的融合车速和加速度,通过卡尔曼滤波算法获得所述每条数据的第二估计车速,将所述每条数据的第二估计车速作为所述每条数据的车速,所述更新的车辆行驶数据集包括所述每条数据的车速;
构建模块,被配置为基于所述更新的车辆行驶数据集构建所述车辆的行驶工况。
18. 一种车辆数据处理装置,包括:
处理器;以及
耦接至所述处理器的存储器,用于存储指令,所述指令被所述处理器执行时,使所述处理器执行如权利要求1至16中任一项所述的车辆数据处理方法。
19.一种计算机可读存储介质,其上存储有计算机程序,其中,该程序被处理器执行时实现如权利要求1至16中任一项所述的车辆数据处理方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410156293.6A CN117708632B (zh) | 2024-02-02 | 2024-02-02 | 车辆数据处理方法、装置和计算机可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410156293.6A CN117708632B (zh) | 2024-02-02 | 2024-02-02 | 车辆数据处理方法、装置和计算机可读存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117708632A CN117708632A (zh) | 2024-03-15 |
CN117708632B true CN117708632B (zh) | 2024-05-03 |
Family
ID=90150153
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410156293.6A Active CN117708632B (zh) | 2024-02-02 | 2024-02-02 | 车辆数据处理方法、装置和计算机可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117708632B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102358290A (zh) * | 2011-08-29 | 2012-02-22 | 潍柴动力股份有限公司 | 一种车辆信息处理方法、系统及pcu控制器 |
CN103213544A (zh) * | 2012-01-20 | 2013-07-24 | 厦门金龙联合汽车工业有限公司 | 一种发动机驱动车辆经济行驶档位确认系统和方法 |
CN104228846A (zh) * | 2014-09-03 | 2014-12-24 | 奇瑞汽车股份有限公司 | 档位提示方法及装置 |
CN110853179A (zh) * | 2018-08-21 | 2020-02-28 | 上海博泰悦臻网络技术服务有限公司 | 车联网服务器、车辆及基于行驶数据的车辆油耗提示方法 |
CN115837918A (zh) * | 2022-12-20 | 2023-03-24 | 瑞修得信息科技(无锡)有限公司 | 基于商用车科学上下坡驾驶指导的安全降油耗方法及系统 |
CN117416368A (zh) * | 2023-11-21 | 2024-01-19 | 一汽解放汽车有限公司 | 一种驾驶提示方法、装置、设备以及存储介质 |
-
2024
- 2024-02-02 CN CN202410156293.6A patent/CN117708632B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102358290A (zh) * | 2011-08-29 | 2012-02-22 | 潍柴动力股份有限公司 | 一种车辆信息处理方法、系统及pcu控制器 |
CN103213544A (zh) * | 2012-01-20 | 2013-07-24 | 厦门金龙联合汽车工业有限公司 | 一种发动机驱动车辆经济行驶档位确认系统和方法 |
CN104228846A (zh) * | 2014-09-03 | 2014-12-24 | 奇瑞汽车股份有限公司 | 档位提示方法及装置 |
CN110853179A (zh) * | 2018-08-21 | 2020-02-28 | 上海博泰悦臻网络技术服务有限公司 | 车联网服务器、车辆及基于行驶数据的车辆油耗提示方法 |
CN115837918A (zh) * | 2022-12-20 | 2023-03-24 | 瑞修得信息科技(无锡)有限公司 | 基于商用车科学上下坡驾驶指导的安全降油耗方法及系统 |
CN117416368A (zh) * | 2023-11-21 | 2024-01-19 | 一汽解放汽车有限公司 | 一种驾驶提示方法、装置、设备以及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN117708632A (zh) | 2024-03-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110084534B (zh) | 一种基于驾驶行为画像的驾驶风险因子量化方法 | |
CN113688558B (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 | |
CN111397630A (zh) | 基于云端服务器的车辆能量管理方法、车辆和能量管理系统 | |
CN114889613A (zh) | 一种车辆驾驶控制方法、装置及车辆 | |
CN117708632B (zh) | 车辆数据处理方法、装置和计算机可读存储介质 | |
WO2022110978A1 (en) | Method and apparatus for driving data search | |
CN116481560B (zh) | 车辆行驶里程的计算方法、装置、终端及存储介质 | |
CN109376473B (zh) | 车辆控制器、车辆及其续航里程的计算方法和装置 | |
CN106780049B (zh) | 一种车辆金融授信方法及装置 | |
CN115730004A (zh) | 一种汽车行驶工况曲线构建方法、装置、设备及存储介质 | |
US9245306B2 (en) | Methods and apparatus for generating and accessing information in binary files | |
CN115373366A (zh) | 一种交互式诊断系统、诊断方法及存储介质 | |
CN110413662B (zh) | 一种多通道式经济数据输入系统、采集系统与方法 | |
CN114969229A (zh) | 地图资料处理状况检测方法、装置、电子设备及存储介质 | |
CN114565031A (zh) | 基于经纬度的车队识别方法、装置及计算机设备 | |
CN116578891B (zh) | 道路信息重构方法、终端及存储介质 | |
CN115292386B (zh) | 一种关于车辆滑行状态的节省油耗计算方法及装置 | |
CN116358902B (zh) | 一种车辆功能的测试方法、装置、电子设备及存储介质 | |
CN116557521B (zh) | 一种用于高速变速器的数据处理及相关装置 | |
CN113781771B (zh) | 一种ive模型的在线运行方法 | |
CN116719812A (zh) | 时空数据评估方法、设备及计算机可读存储介质 | |
CN115169249A (zh) | 一种基于用户大数据电驱系统可靠性循环工况构建方法 | |
Pan et al. | Study of A Streamlining Method Based on Big Data | |
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 |
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 |