WO2023240919A1 - 车辆行驶工况确定方法、设备和存储介质 - Google Patents

车辆行驶工况确定方法、设备和存储介质 Download PDF

Info

Publication number
WO2023240919A1
WO2023240919A1 PCT/CN2022/131819 CN2022131819W WO2023240919A1 WO 2023240919 A1 WO2023240919 A1 WO 2023240919A1 CN 2022131819 W CN2022131819 W CN 2022131819W WO 2023240919 A1 WO2023240919 A1 WO 2023240919A1
Authority
WO
WIPO (PCT)
Prior art keywords
traffic
traffic segment
vehicle
target
average
Prior art date
Application number
PCT/CN2022/131819
Other languages
English (en)
French (fr)
Inventor
王伟
郑宏
曲辅凡
李文博
李飞
王长青
张晓辉
刘乐
Original Assignee
中汽研汽车检验中心（天津）有限公司
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 中汽研汽车检验中心（天津）有限公司 filed Critical 中汽研汽车检验中心（天津）有限公司
Publication of WO2023240919A1 publication Critical patent/WO2023240919A1/zh

Links

Images

Classifications

    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W40/00—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models
    • B60W40/02—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models related to ambient conditions
    • B60W40/04—Traffic conditions
    • 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

Definitions

  • the present invention relates to the field of automotive technology, and in particular, to a method, equipment and storage medium for determining vehicle driving conditions.
  • the present invention provides a method, equipment and storage medium for determining vehicle driving conditions, constructs a simulation working condition that can better reflect the actual driving status of the vehicle, and provides a reference for the optimization and simulation testing of vehicle control strategies. in accordance with.
  • sample data includes traffic segments containing traffic lights and traffic segments not containing traffic lights;
  • the vehicle driving condition curve is determined with the coordinate of the vehicle driving distance as the abscissa, and the parking time and target driving speed as the ordinate.
  • the processor is configured to execute the steps of the vehicle driving condition determination method described in any embodiment by calling a program or instruction stored in the memory.
  • Embodiments of the present invention provide a computer-readable storage medium that stores programs or instructions that cause a computer to execute the steps of the vehicle driving condition determination method described in any embodiment.
  • Figure 1 is a flow chart of a method for determining vehicle driving conditions provided by an embodiment of the present invention
  • Figure 2 is a schematic diagram of the relationship between a planned path, traffic segments and traffic segments provided by an embodiment of the present invention
  • Figure 3 is a schematic diagram of a distance abscissa provided by an embodiment of the present invention.
  • Figure 4 is a schematic structural diagram of an electronic device provided by an embodiment of the present invention.
  • the vehicle driving condition determination method provided by the embodiment of the present invention can be executed by a vehicle driving condition determination device, and the device can be integrated in an electronic device.
  • Figure 1 is a flow chart of a method for determining vehicle driving conditions provided by an embodiment of the present invention.
  • the method for determining the driving conditions of the vehicle specifically includes:
  • the starting point (the starting point is the preset starting point) and the end point (the end point is the preset end point) are input through the input interface of the map application, and the map application gives an optimal plan based on the current real-time road conditions.
  • Path such as the planned path with the shortest time or the shortest distance, etc. The user can choose one according to his actual needs. Or, the map application only gives a default optimal planning path.
  • the target information associated with the planned path can also be obtained from the map application's API (Application Programming Interface, application programming interface).
  • the target information includes: the total length of the planned path, the total transit time required to pass the planned path, the first length of each traffic segment included in the planned path and the corresponding first pass. time, the second length of each traffic segment included in the planned route, the congestion coefficient corresponding to each traffic segment, the road attributes of each traffic segment, the vehicle driving action corresponding to each traffic segment, and the traffic lights included in the planned route.
  • the planned path includes one or more traffic segments
  • one traffic segment includes one or more traffic segments. Referring to a schematic diagram of the relationship between planned routes, traffic segments and traffic segments as shown in Figure 2, the planned route A includes one or more traffic segments B, and each traffic segment B includes one or more traffic segments C. .
  • the time it takes a vehicle to pass traffic section B estimated by the map application based on the current traffic conditions is the first passing time corresponding to traffic section B.
  • the total length of traffic section B is the corresponding first length.
  • the map application estimates based on the current traffic conditions
  • the estimated time it takes for a vehicle to pass traffic segment C is the second passing time corresponding to traffic segment C, and the total length of traffic segment C is the corresponding second length.
  • a traffic segment is defined as: the planned path is divided into multiple segments according to the built-in rules of the map application (the built-in rules can, for example, divide the path between any two adjacent traffic lights into one traffic segment; of course, there are also It can be other division rules), each segment is called a traffic segment, the length of each segment is called the length of the traffic segment (that is, the first length), and the passing time of each segment is the traffic segment passing time (that is, the first passing time) time), the length of the traffic segment is divided by the transit time of the traffic segment, from which the average vehicle speed of the traffic segment can be obtained.
  • the built-in rules can, for example, divide the path between any two adjacent traffic lights into one traffic segment; of course, there are also It can be other division rules
  • each segment is called a traffic segment
  • the length of each segment is called the length of the traffic segment (that is, the first length)
  • the passing time of each segment is the traffic segment passing time (that is, the first passing time) time) time)
  • traffic segments are defined as: each traffic segment is divided into multiple segments according to the built-in rules of the map application (the built-in rules can be, for example, the path distance between the front of any vehicle in the traffic segment and the rear of the parking space and the traffic segment).
  • the signal light is the midpoint and the path covered by the preset length in the front and rear directions of the position of the traffic light is divided into traffic segments; of course, other division rules can also be used).
  • Each segment is called a traffic segment, and the length of each segment is called a traffic segment. length (i.e. the second length).
  • the map application will also give the congestion coefficient of each traffic segment, called the traffic segment congestion coefficient.
  • the map application can calculate each traffic segment based on the traffic segment passage time, the ratio of the length of the traffic segment to the length of the traffic segment, and the congestion coefficient.
  • the transit time of a traffic segment (also called the second transit time). Specifically, the transit time of a traffic segment is calculated by weighting the length of the traffic segment and the congestion coefficient. For example, a traffic segment with a length of L1 contains m traffic segments, and the lengths of each traffic segment are l1, l2...
  • the average vehicle speed of each traffic segment can be obtained by dividing the length of the traffic segment by the passing time of the traffic segment.
  • the average vehicle speed vi of traffic segment i is calculated as shown in the following formula (2) formula. It should be noted that the length of the traffic segment is a natural number greater than 0.
  • Road attributes are used to define the types of roads, including urban main roads, auxiliary roads, provincial roads, national roads, and expressways.
  • Vehicle driving actions are used to describe the next driving direction of the vehicle, such as going straight, turning right, turning left, etc.
  • the total length of the planned path refers to the length of the planned path automatically generated by the map application based on the traffic conditions at that time after inputting the starting and ending points on the input interface of the map application.
  • the constructed total distance constraint of vehicle driving conditions is not limited to the length of the planned path automatically generated by the map application based on the traffic conditions at that time after inputting the starting and ending points on the input interface of the map application.
  • the total transit time of the planned route refers to the transit time automatically estimated by the map application after the start and end points are input into the input interface of the map application. It is the total time constraint of vehicle driving conditions constructed.
  • the coordinates of the distance from the starting point to the end point of the planned path are constructed, and the coordinates are used as the vehicle
  • the abscissa of the simulated driving condition curve Express the position of each traffic segment on the distance abscissa.
  • the total length of the planned path is L
  • the lengths of each traffic segment are l1, l2, l3...ln
  • the coordinate position of the first traffic segment is 0 to l1
  • the coordinate position of the second traffic segment is l1 to l2
  • the coordinate position of the nth traffic segment on the distance abscissa is ln-1 to ln.
  • S170 Perform principal component analysis on the traffic segments in the target information to obtain multiple second principal components.
  • S190 Predict the parking location and parking time of the preset vehicle when traveling along the planned path based on the congestion coefficient of the target traffic segment and the setting period of the traffic light.
  • the method for determining the location of traffic lights can be based on the road attributes, traffic segment length and passing time, traffic segment length and congestion coefficient, vehicle driving actions and other data in the above target information, using principal component analysis and clustering methods to identify the location of traffic lights. location, thereby overcoming the problem of not being able to obtain the traffic light location from the map application's API.
  • the location of the congested road section is identified based on the congestion coefficient of the traffic segment.
  • the weighted coefficient method can be used to calculate the parking time of the vehicle at the parking point.
  • Each traffic segment corresponds to the length of the traffic segment, that is, the second length, the average vehicle speed (The average vehicle speed can be determined by referring to the above-mentioned formula (1) and formula (2)), second passing time, congestion coefficient, road attributes and vehicle driving actions and other characteristic parameters.
  • the usual values of the congestion coefficient are 1, 2, 3, and 4, where 1 represents smooth traffic, 2 represents slow traffic, 3 represents congestion, and 4 represents very congestion.
  • Road attributes are usually main roads, auxiliary roads, provincial roads, national roads and expressways, which are represented by 1, 2, 3, 4 and 5 respectively in principal component analysis.
  • Vehicle driving actions are usually going straight, turning right, and turning left, which are represented by 1, 2, and 3 respectively in principal component analysis.
  • x kj is the j-th characteristic parameter of the k-th traffic segment
  • the value range of k is 1...n, is the average value of the j-th column
  • the value range of j is 1...p
  • p represents the total number of characteristic parameters of each traffic segment
  • S ij is the element of the i-th row and j-th column of the standardized matrix S.
  • the correlation coefficient matrix and the eigenvalues and characteristic parameters of the correlation coefficient matrix are calculated according to the matrix S, and the cumulative contribution rate is calculated based on the eigenvalues.
  • the principal component i.e., the first principal component
  • m principal components M1, M2...Mm were obtained.
  • cluster analysis is used to cluster the data.
  • the k-means clustering method can be used to cluster the data. There are two types of classifications, representing traffic lights included and traffic lights not included. Then the distance between each sample (ie, each traffic segment) and the cluster center is calculated. The distance is relatively small. The closest ones are grouped into one category, and the calculation formula of the Euclidean distance is as shown in the following formula (5):
  • d ij represents the distance from the i-th sample to the cluster center j
  • x ik represents the k-th principal component of the i-th sample
  • x jk represents the k-th principal component of the cluster center j
  • p represents the principal component.
  • Quantity the value range is 1...m.
  • the predicted vehicle After determining the target traffic segment containing the traffic light, it is necessary to further predict whether the predicted vehicle will have a green light or a red light when it reaches the traffic light. If it is a green light, there is no need to stop. If it is a red light, it will need to stop, and corresponding Determine parking time.
  • the period of traffic lights is T (the value of T can be 60s, 70s or 100s, etc.).
  • the green light time and red light schedule of the traffic light are constructed.
  • the congestion coefficient of the target traffic segment is greater than the set threshold, the time set corresponding to the target traffic segment is determined as the parking time, and the position of the target traffic segment is determined as the parking location.
  • S200 Determine the first average acceleration and the first average deceleration of each traffic segment based on historical statistical data.
  • the first average acceleration and the first average deceleration are corrected according to the driver's driving style characteristics to obtain the second average acceleration and the second average deceleration, including:
  • the first average deceleration is modified to a second average deceleration matching the aggressiveness level.
  • the first average acceleration is 0.5m/s 2 and the aggressiveness level of the driver's driving style is high, then the first average acceleration 0.6m/s 2 is corrected to the second average acceleration 2.4m/s 2 .
  • the first average acceleration is 2.3m/s 2 and the aggressiveness level of the driver's driving style is low, then the first average acceleration 2.3m/s 2 is corrected to the second average acceleration 0.6m/s 2 .
  • the method of correcting the first average deceleration refers to the correction process of the first average acceleration.
  • S220 Use a neural network model to predict the target driving speed of the preset vehicle when traveling in each traffic segment based on at least the parking position, the parking time, the second average acceleration and the second average deceleration.
  • the target of the preset vehicle when traveling in each traffic segment is predicted through a neural network model based on at least the parking position, the parking time, the second average acceleration and the second average deceleration.
  • Driving speed including:
  • the road attributes of each traffic segment and the vehicle driving actions corresponding to each traffic segment are input to the neural network model to obtain the target driving speed of the preset vehicle when traveling in each traffic segment.
  • establishing a multi-objective constrained neural network model specifically includes the following operations:
  • the training target can be set to 0.01.
  • the BP neural network model includes an input layer, an output layer and a hidden layer; the hidden layer is located between the input layer and the output layer.
  • the tangent S-shaped TansIg function is selected as the activation function from the input layer to the hidden layer, which is used to add nonlinear factors from the input layer to the hidden layer to fully fit the input signal, and the PureIn function is selected as the hidden layer to the output layer.
  • the excitation function is used for the linear mapping of hidden layer to output layer data to train the BP neural network model.
  • the number of training times is set to 100 times and the learning rate is 0.01.
  • the TansIg function is shown in the following equation (6):
  • k and b are constants.
  • the number of nodes in the input layer is M
  • M is the number of factors related to the speed of the traffic segment
  • factors related to the speed of the traffic segment can include the length of the traffic segment, average vehicle speed, passing time, parking time of the traffic segment, traffic Fragment road attributes, vehicle driving actions; average acceleration, average deceleration and parking position, etc.
  • the number of nodes in the output layer is L, and L is the number of control factors related to the speed of the traffic segment; the relevant control factors can specifically include the length of the traffic segment, the passage time of the traffic segment and the target driving speed of the traffic segment.
  • the number of hidden layers is N1, and N1 is 1 or 2.
  • the number of nodes in each hidden layer is N2, and N2 is 5 or 6. This results in the target driving speed for each traffic segment.
  • the target driving speed at the end of the nth traffic segment may be inconsistent with the target driving speed at the beginning of the n+1th traffic segment, this may cause a step in the target driving speed.
  • the data is used The smoothing algorithm is used to process the vehicle speed to make it excessively smooth. This results in the target driving speed.
  • a data smoothing algorithm is used to calculate the target driving speed. for processing.
  • the processor 401 may be a central processing unit (CPU) or other form of processing unit having data processing capabilities and/or instruction execution capabilities, and may control other components in the electronic device 400 to perform desired functions.
  • CPU central processing unit
  • the processor 401 may be a central processing unit (CPU) or other form of processing unit having data processing capabilities and/or instruction execution capabilities, and may control other components in the electronic device 400 to perform desired functions.
  • the electronic device 400 may also include an input device 403 and an output device 404, and these components are interconnected through a bus system and/or other forms of connection mechanisms (not shown).
  • the input device 403 may include, for example, a keyboard, a mouse, and the like.
  • the output device 404 can output various information to the outside, including early warning information, braking force, etc.
  • the output device 404 may include, for example, a display, a speaker, a printer, a communication network and its connected remote output devices, and the like.
  • embodiments of the present invention may also be computer program products, which include computer program instructions. When executed by a processor, the computer program instructions cause the processor to perform the steps provided by any embodiment of the present invention. The steps of the method for determining vehicle driving conditions.
  • embodiments of the present invention may also be a computer-readable storage medium on which computer program instructions are stored.
  • the computer program instructions When the computer program instructions are run by a processor, the computer program instructions cause the processor to execute the vehicle provided by any embodiment of the present invention. Steps of the method for determining driving conditions.

Landscapes

  • Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Probability & Statistics with Applications (AREA)
  • Automation & Control Theory (AREA)
  • Mathematical Physics (AREA)
  • Transportation (AREA)
  • Mechanical Engineering (AREA)
  • Traffic Control Systems (AREA)

Abstract

一种车辆行驶工况确定方法、设备和存储介质，该方法包括：通过地图应用获取从预设起点到预设终点的规划路径以及目标信息；基于设定距离间隔根据规划路径确定车辆行驶距离的坐标；根据样本数据以及目标信息预测预设车辆按照规划路径行驶时的停车位置和停车时间；至少基于停车位置、停车时间以及驾驶员的驾驶风格特征通过神经网络模型预测预设车辆在各交通片段行驶时的目标行驶车速；以车辆行驶距离的坐标为横坐标，分别以停车时间和目标行驶车速为纵坐标确定车辆行驶工况曲线。该车辆行驶工况确定方法构建了更能反应车辆实际行驶状态的仿真工况，为车辆控制策略的优化与仿真测试提供了参考依据。

Description

车辆行驶工况确定方法、设备和存储介质 技术领域
本发明涉及汽车技术领域，尤其涉及一种车辆行驶工况确定方法、设备和存储介质。
背景技术
工况是车辆性能提升的共性基础，对于车辆能耗优化、控制策略标定及新技术的开发具有重要意义。当前在汽车领域广泛应用的车辆工况是标准循环工况，如WLTC(WorldLight Vehicle Test Cycle，世界轻型汽车测试循环工况)、WLTP(World Light VehicleTest Procedure，世界轻量型汽车测试程序)、CLTC(China Light-dutyvehicleTestCycle-passenger，中国轻型乘用车工况)等。
但由于地域差异、道路差异、驾驶风格差异等原因，造成车辆实时工况与标准工况差异较大。
有鉴于此，特提出本发明。
发明内容
为了解决上述技术问题，本发明提供了一种车辆行驶工况确定方法、设备和存储介质，构建了更能反应车辆实际行驶状态的仿真工况，为车辆控制策略的优化与仿真测试提供了参考依据。
本发明实施例提供了一种车辆行驶工况确定方法，该方法包括：
通过地图应用获取从预设起点到预设终点的规划路径以及与所述规划路径关联的目标信息；
基于设定距离间隔根据所述规划路径确定车辆行驶距离的坐标；
根据样本数据确定特征参数矩阵；其中，所述样本数据包括包含交通信号灯的交通片段和不包含交通信号灯的交通片段；
对所述特征参数矩阵中的特征参数进行降维处理，获得标准化矩阵；
基于所述标准化矩阵进行主成分分析，获得多个第一主成分；
对所述多个第一主成分进行聚类运算，获得两个聚类中心；
对所述目标信息中的交通片段进行主成分分析，获得多个第二主成分；
根据所述多个第二主成分和所述两个聚类中心确定所述目标信息中包含交通信号灯的目标交通片段；
根据所述目标交通片段的拥堵系数以及交通信号灯的设定周期预测预设车辆按照所述规划路径行驶时的停车位置和停车时间；
结合历史统计数据确定各交通片段的第一平均加速度和第一平均减速度；
根据驾驶员的驾驶风格特征对所述第一平均加速度和第一平均减速度进行修正，获得第二平均加速度和第二平均减速度，其中，所述驾驶风格特征用于表征驾驶员驾驶车辆时速度的快慢；
至少基于所述停车位置、所述停车时间、所述第二平均加速度和所述第二平均减速度通过神经网络模型预测所述预设车辆在各交通片段行驶时的目标行驶车速；
以所述车辆行驶距离的坐标为横坐标，分别以停车时间和目标行驶车速为纵坐标确定车辆行驶工况曲线。
本发明实施例提供了一种电子设备，所述电子设备包括：
处理器和存储器；
所述处理器通过调用所述存储器存储的程序或指令，用于执行任一实施例所述的车辆行驶工况确定方法的步骤。
本发明实施例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存储程序或指令，所述程序或指令使计算机执行任一实施例所述的车辆行驶工况确定方法的步骤。
本发明实施例具有以下技术效果：
通过地图应用获取从预设起点到预设终点的规划路径以及与所述规划路径关联的目标信息；基于设定距离间隔根据所述规划路径确定车辆行驶距离的坐标；根据样本数据以及所述目标信息预测预设车辆按照所述规划路径行驶时的停车位置和停车时间，其中，所述样本数据包括包含交通信号灯的交通片段和不包含交通信号灯的交通片段；至少基于所述停车位置、所述停车时间以及驾驶员的驾驶风格特征通过神经网络模型预测所述预设车辆在各交通片段行驶时的目标行驶车速；以所述车辆行驶距离的坐标为横坐标，分别以停车时间和目标行驶车速为纵坐标确定车辆行驶工况曲线。能够在地图应用提供有限目标信息的情况下，还原交通场景，自动化构建出反应实际交通的仿真工况，为汽车能耗优化与仿真测试提供依据。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式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，下面描述中的附图是本发明的一些实施方式，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是本发明实施例提供的一种车辆行驶工况确定方法的流程图；
图2是本发明实施例提供的一种规划路径、交通段和交通片段之间关系的示意图；
图3是本发明实施例提供的一种距离横坐标的示意图；
图4为本发明实施例提供的一种电子设备的结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将对本发明的技术方案进行清楚、完整的描述。显然，所描述的实施例仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所得到的所有其它实施例，都属于本发明所保护的范围。
本发明实施例提供了一种车辆行驶工况确定方法，融合了驾驶员的驾驶风格特征与实时的交通数据，从而实现了车辆实时行驶工况的构建。一定程度上解决了车辆实时行驶工况与构建的标准工况之间差异较大的问题。
本发明实施例提供的车辆行驶工况确定方法可以由车辆行驶工况确定装置执行，该装置可集成在电子设备中。
图1是本发明实施例提供的一种车辆行驶工况确定方法的流程图。参见图1，该车辆行驶工况确定方法具体包括：
S110、通过地图应用获取从预设起点到预设终点的规划路径以及与所述规划路径关联的目标信息。
具体的，通过地图应用的输入界面输入起点(该起点即为所述预设起点)和终点(该终点即为所述预设终点)，地图应用根据当前的实时路况给出一条最优的规划路径，例如是花费时间最短的规划路径或者距离最短的规划路径等，用户可根据自己的实际需求从中选择一条。或者，地图应用只给出一条默认的最优规划路径。
除了能获得从预设起点到预设终点的规划路径，还能从地图应用的API(ApplicationProgrammingInterface，应用程序接口)获取与规划路径关联的目标信息。
示例性的，所述目标信息包括：所述规划路径的总长度、通过所述规划路径所需要的总通过时间、所述规划路径所包括的各交通段的第一长度与对应的第一通过时间、所述规划路径所包括的各交通片段的第二长度、各交通片段对应的拥堵系数、各交通片段的道路属性、各交通片段对应的车辆行驶动作以及所述规划路径所包括的交通信号灯的数量中的一种或多种，其中，所述规划路径包括一个或者多个交通段，一个交通段包括一个或者多个交通片段。参考如图2所示的一种规划路径、交通段和交通片段之间关系的示意图，其中，规划路径A包括一个或多个交通段B，每个交通段B包括一个或者多个交通片段C。地图应用根据当前的交通路况预估的车辆通过交通段B所花费的时间为交通段B对应的第一通过时间，交通段B的总长度为对应的第一长度，地图应用根据当前的交通路况预估的车辆通过交通片段C所花费的时间为交通片段C对应的第二通过时间，交通片段C的总长度为对应的第二长度。
具体的，交通段的定义为：规划路径按照地图应用的内置规则被划分为多段(该内置规则，例如可以是将任意相邻的两个红绿灯之间的路径划分为一个交通段；当然，还可以是其它划分规则)，每一段称为交通段，每一段的长度称为交通段的长度(即所述第一长度)，每一段的通过时间为交通段通过时间(即所述第一通过时间)，通过交通段的长度除以交通段通过时间，由此可以得出交通段的平均车速。
同理，交通片段的定义为：每个交通段按照地图应用内置规则被划分为多段(该内置规则，例如可以是将交通段内任意一个车辆的车头与车位尾之间的路径距离以及以交通信号灯为中点、交通信号灯所在位置前后方向预设长度所覆盖的一段路径划分为交通片段；当然，还可以是其它划分规则)，每一段称为交通片段，每一段的长度称为交通片段的长度(即所述第二长度)。
此外，地图应用还会给出每一交通片段的拥堵系数，称为交通片段拥堵系数，地图应用基于交通段通过时间、交通片段的长度与交通段长度之比、拥堵系数，可以得出每一个交通片段的通过时间(也称为第二通过时间)。具体的，交通片段的通过时间是通过交通片段的长度和拥堵系数加权求得的，例如在长度为L1的交通段内，包含m个交通片段，每个交通片段的长度分别为l1、l2……lm，则有l1+l2+……lm＝L1；交通段L1的通过时间为T1，每个交通片段的拥堵系数分别为k1，k2……km，则交通片段i的通过时间ti采用以下公式(1)求得：
Figure PCTCN2022131819-appb-000001
在获得交通片段的通过时间之后，通过交通片段的长度除以交通片段的通过时间，可以得出每一个交通片段的平均车速，如下公式(2)所示的交通片段i的平均车速vi的计算公式。需要说明的是交通片段的长度为大于0的自然数。
v i＝l i/t i   (2)
道路属性用于定义道路的类型，包括城市主干道、辅路、省道、国道和高速路等类型。
车辆行驶动作用于描述车辆下一步的行驶方向，如直行、右转、左转等。
需要说明的是，在本发明实施例中，规划路径的总长度是指在地图应用的输入界面输入起、止点的位置后，地图应用根据当时的交通路况自动生成 的规划路径的长度，是构建的车辆行驶工况总距离约束。
规划路径的总通过时间是指地图应用的输入界面输入起、止点的位置后，地图应用自动预估的通过时间，是构建的车辆行驶工况总时间约束。
S120、基于设定距离间隔根据所述规划路径确定车辆行驶距离的坐标。
具体的，以规划路径的起点为0点，以规划路径的终点为终点，以设定距离间隔(例如1m)分度，构建出从规划路径的起点到终点距离的坐标，将该坐标作为车辆的仿真行驶工况曲线的横坐标。在距离横坐标上表述出每个交通片段的位置，例如：规划路径的总长度是L，每个交通片段的长度分别是l1、l2、l3……ln，那么第一个交通片段的坐标位置为0到l1，第二个交通片段的坐标位置为l1到l2，以此类推，第n个交通片段在距离横坐标上的坐标位置为ln-1到ln。如图3所示。
S130、根据样本数据确定特征参数矩阵，其中，所述样本数据包括包含交通信号灯的交通片段和不包含交通信号灯的交通片段。
S140、对所述特征参数矩阵中的特征参数进行降维处理，获得标准化矩阵。
S150、基于所述标准化矩阵进行主成分分析，获得多个第一主成分。
S160、对所述多个第一主成分进行聚类运算，获得两个聚类中心。
S170、对所述目标信息中的交通片段进行主成分分析，获得多个第二主成分。
S180、根据所述多个第二主成分和所述两个聚类中心确定所述目标信息中包含交通信号灯的目标交通片段。
S190、根据所述目标交通片段的拥堵系数以及交通信号灯的设定周期预测预设车辆按照所述规划路径行驶时的停车位置和停车时间。
预设车辆按照所述规划路径行驶时，可能会因为遇到交通信号灯需要停车，也可能是因为道路拥堵导致需要停车。因此，确定停车位置应首先确定交通信号灯灯的位置和拥堵路段位置。交通信号灯位置的确定方法可根据上述目标信息中的道路属性、交通段长度与通过时间、交通片段长度与拥堵系数、车辆行驶动作等数据，采用主成分分析法和聚类法，识别交通灯的位置，从而克服从地图应用的API不能获取交通信号灯位置的问题。拥堵路段位置根据交通片段的拥堵系数识别。所述停车时间的确定，可采用加权系数法求解车辆在停车点的停车时间。
具体的，根据所述样本数据中交通片段的长度以及对应的拥堵系数确定对应交通片段的第二通过时间；根据交通片段的长度以及对应的第二通过时间确定对应交通片段的平均车速；至少将交通片段的平均车速作为对应交通片段的特征参数；基于所述特征参数构建所述样本数据中所有交通片段的特征参数矩阵。
假设样本数据中包含有交通信号灯的交通片段的数量是N个，不包含交通信号灯的交通片段的数量是M个，每个交通片段均对应有交通片段的长度，即第二长度，平均车速(平均车速的确定方式可以参考上述公式(1)和公式(2))、第二通过时间、拥堵系数、道路属性和车辆行驶动作等特征参数。拥堵系数的通常取值为1，2，3，4，其中，1代表畅通，2代表缓行，3代表拥堵，4代表非常拥堵。
道路属性通常为主干道、辅路、省道、国道和高速路，在主成分分析时分别用1，2，3，4，5来表示。
车辆驾驶动作通常为直行、右转、左转，在主成分分析时分别用1，2，3来表示。
交通片段各个特征参数间具有一定的相关性，所反映的交通信息有所重 叠，如果直接聚类会出现计算量大、聚类效果差的问题，因此需要将特征参数降维。
在样本数据中共有N+M个交通片段，将所有片段的特征参数记为特征参数矩阵X，如表达式(3)所示。采用公式(4)对矩阵X进行标准化处理，处理后的标准化矩阵S并不改变各参数之间的相关性。
Figure PCTCN2022131819-appb-000002
Figure PCTCN2022131819-appb-000003
式中x kj为第k个交通片段的第j个特征参数，k的取值范围是1……n，
Figure PCTCN2022131819-appb-000004
为第j列的平均值，j的取值范围是1……p，p表示每个交通片段的特征参数的总数量，S ij为标准化矩阵S的第i行第j列的元素。
具体的，根据矩阵S计算出相关系数矩阵及相关系数矩阵的特征值和特征参数，基于特征值计算出累计贡献率。选择特征值大于1，且累积贡献率在80％以上的主成分(即第一主成分)用于行驶工况构建。将以上数据主成分分析后，得出m个主成分M1、M2……Mm。然后采用聚类分析法将数据聚类 分析。可采用k均值聚类法将数据聚类，分类数量有两类，分别代表包含交通信号灯和不包含交通信号灯；接着计算各个样本(即各交通片段)到聚类中心之间的距离，距离较近的归为一类，欧式距离的计算公式如下式(5)所示：
Figure PCTCN2022131819-appb-000005
其中，d ij表示第i个样本到聚类中心j的距离，x ik表示第i个样本的第k个主成分，x jk表示聚类中心j的第k个主成分，p表述主成分的数量，取值范围为1……m。
通过计算确定每一类的中心位置，并将该位置确定为新的聚类中心，按新的聚类中心重新进行分类，重复上述操作，随着重复次数的增多，聚类中心不再发生较大的偏移，聚类结果趋于稳定，由此得出聚类中心的最终位置，获得两个聚类中心，分别代表包含交通信号灯和不包含交通信号灯。
同样，按照上述方法，将规划路径中的交通片段进行主成分分析，同样得出m个主成分(即第二主成分)，然后计算每个交通片段的主成分与样本数据聚类中心的欧式距离，按由小到大排序，从而确定包含交通信号灯的目标交通片段。
在确定出包含交通信号灯的目标交通片段之后，还需进一步预测当预测车辆行驶至交通信号灯处时是绿灯还是红灯，如果是绿灯，则不需要停车，如果是红灯则需停车，并对应确定停车时间。
具体的，根据每个交通信号灯所在位置的交通片段的拥堵系数以及每个交通信号灯的周期，获得每个交通信号灯的红灯时间和绿灯时间。首先，对 于每个交通信号灯，预先设置该交通信号灯所在位置的多个不同的交通片段拥堵系数与多个不同的绿灯时间计算系数k1以及多个不同的红灯时间计算系数k2之间的一一对应关系；然后，通过求交通信号灯的周期T与绿灯时间计算系数k1之积，获得交通信号灯的绿灯时间(即绿灯持续时间)，以及通过求交通信号灯的周期T与红灯时间计算系数k2之积，获得交通信号灯的红灯时间(即红灯持续时间)。
例如：假定交通信号灯的周期均为T(T取值可以为60s、70s或者100s等)。根据交通信号灯所在位置的交通片段的拥堵系数，构建交通信号灯的绿灯时间和红灯时间表，绿灯时间为k1*T，红灯时间为k2*T，其中k1+k2＝1，k1和k2是小于1且大于0的自然数。
将每个交通信号灯所在位置的交通片段的通过时间，与该交通信号灯的周期进行相除操作，获得余数；然后，将该余数与该交通信号灯的绿灯时间进行比较，如果余数大于交通信号灯的绿灯时间，则判断车辆行驶到交通信号灯时停车，并且将余数与绿灯时间之间的差值作为车辆在交通信号灯处的停车时间，否则，判断车辆行驶到交通信号灯时不停车(即不存在交通信号灯停车时间)。由此得出由于交通信号灯导致的停车时间。
当交通片段的拥堵状态出现严重拥堵的情况，则在严重拥堵的交通片段额外增加停车时间t，t的大小不得超过该交通片段的通过时间。若严重拥堵路段的位置有需要停车的交通信号灯，则该位置不再额外增加停车时间。综上，可得出所有需要停车的位置和停车时间。
概括性的，所述根据所述目标交通片段的拥堵系数以及交通信号灯的设定周期预测预设车辆按照所述规划路径行驶时的停车位置和停车时间，包括：
若所述目标交通片段的拥堵系数小于设定阈值，根据所述目标交通片段 的拥堵系数以及交通信号灯的设定周期确定交通信号灯的红灯时间和绿灯时间；根据所述目标交通片段的第二通过时间以及所述设定周期确定所述预设车辆在对应交通信号灯处是否停车；若确定所述预设车辆在对应交通信号灯处停车，则根据对应交通信号灯的绿灯时间确定所述预设车辆在对应交通信号灯处的停车时间。
若所述目标交通片段的拥堵系数大于设定阈值，将与所述目标交通片段对应设置的时间确定为停车时间，将所述目标交通片段的位置确定为停车位置。
S200、结合历史统计数据确定各交通片段的第一平均加速度和第一平均减速度。
具体的，结合历史统计数据确定各交通片段的平均加速度的第一取值范围以及平均减速度的第二取值范围；将所述第一取值范围内的任意取值确定为所述第一平均加速度；将所述第二取值范围内的任意取值确定为所述第一平均减速度。
按照统计规律，所述第一取值范围和所述第二取值范围根据实际驾驶行为统计值确定，例如第一取值范围一般为a∈(0.5，2.5)m/s 2，第二取值范围一般为d∈(-0.5，-2.5)m/s 2。
S210、根据驾驶员的驾驶风格特征对所述第一平均加速度和第一平均减速度进行修正，获得第二平均加速度和第二平均减速度，其中，所述驾驶风格特征用于表征驾驶员驾驶车辆时速度的快慢。
若驾驶员的驾驶风格激进，即驾驶员驾驶车辆时的速度较快，或者加、减速较快，则取较大的加、减速度，若驾驶员的驾驶风格柔和，即驾驶员驾驶车辆时的速度较慢，或者加、减速较慢，则取较小的加、减速度，若驾驶员的驾驶风格标准，则取居中的加、减速度。
可选的，所述根据驾驶员的驾驶风格特征对所述第一平均加速度和第一平均减速度进行修正，获得第二平均加速度和第二平均减速度，包括：
根据驾驶员的驾驶风格特征确定激进等级；根据所述第一取值范围将所述第一平均加速度修正为与所述激进等级匹配的第二平均加速度；根据所述第二取值范围将所述第一平均减速度修正为与所述激进等级匹配的第二平均减速度。例如第一平均加速度为0.5m/s 2，驾驶员驾驶风格的激进等级为高，则将第一平均加速度0.6m/s 2修正为第二平均加速度2.4m/s 2。再例如，第一平均加速度为2.3m/s 2，驾驶员驾驶风格的激进等级为低，则将第一平均加速度2.3m/s 2修正为第二平均加速度0.6m/s 2。即驾驶员驾驶风格的激进等级越高，修正后的第二平均加速度越大；驾驶员驾驶风格的激进等级越低，则修正后的第二平均加速度越小。同样的，对第一平均减速度进行修正的方式参考第一平均加速度的修正过程。S220、至少基于所述停车位置、所述停车时间、所述第二平均加速度和所述第二平均减速度通过神经网络模型预测所述预设车辆在各交通片段行驶时的目标行驶车速。
示例性的，所述至少基于所述停车位置、所述停车时间、所述第二平均加速度和所述第二平均减速度通过神经网络模型预测所述预设车辆在各交通片段行驶时的目标行驶车速，包括：
将所述停车位置、所述停车时间、所述第二平均加速度、所述第二平均减速度、各交通片段的第二通过时间、各交通片段的第二长度、各交通片段的平均车速、各交通片段的道路属性以及各交通片段对应的车辆驾驶动作输入至所述神经网络模型，获得所述预设车辆在各交通片段行驶时的目标行驶车速。
具体的，建立多目标约束的神经网络模型。然后，将各交通片段的长度、平均车速、通过时间、交通片段停车位置与停车时间、交通片段道路属性、 车辆驾驶动作、平均加速度、平均减速度等参数，输入到多目标约束的神经网络模型中，获得车辆在每个交通片段的目标行驶车速。即通过多目标约束的神经网络算法，获得每个交通片段的目标行驶车速。因此，本发明既可保证交通片段内总体通过时间不变，又可保证交通片段的行驶距离不变。
其中，建立多目标约束的神经网络模型，具体包括以下操作：
首先，利用MATLAB算法，建立三层或四层的BP神经网络模型并进行训练，可设置训练目标为0.01。BP神经网络模型，包括输入层、输出层和隐含层；隐含层位于输入层和输出层之间。
然后，选择正切S形TansIg函数作为输入层到隐含层的激励函数，用于加入输入层到隐含层的非线性因素，充分拟合输入信号，以及选择PurelIn函数作为隐含层到输出层的激励函数，用于隐含层到输出层数据的线性映射，对BP神经网络模型进行训练，其中，设定训练次数为100次，学习速率为0.01。其中，TansIg函数如下算式(6)所示：
Figure PCTCN2022131819-appb-000006
其中，PurelIn函数的一般表达式如下(7)所示：
Figure PCTCN2022131819-appb-000007
其中，k和b为常数。
然后，在经过训练后，BP神经网络模型成功收敛至所述训练目标(即0.01)，此时BP神经网络模型训练完成，训练完成的BP神经网络模型即为 多目标约束的神经网络模型。
其中，对于BP神经网络模型，输入层的节点数为M，M为交通片段车速相关因素的数量；交通片段车速相关因素可包括交通片段的长度、平均车速、通过时间、交通片段停车时间、交通片段道路属性、车辆驾驶动作；平均加速度、平均减速度和停车位置等。
输出层的节点数为L，L为交通片段车速相关控制因素的数量；相关控制因素具体可包括交通片段长度、交通片段通过时间和交通片段的目标行驶车速。隐含层的层数为N1，N1为1或2。每层隐含层的节点数为N2，N2为5或6。由此得出每个交通片段的目标行驶车速。
由于第n个交通片段结束时的目标行驶车速可能与第n+1个交通片段初始时的目标行驶车速存在不一致的现象，由此可能导致目标行驶车速存在阶跃的现象，此时则采用数据平滑算法进行处理，使得车速过度平稳。由此得出目标行驶车速。概括性的，若获得的第n个交通片段结束时的目标行驶车速与第n+1个交通片段初始时的目标行驶车速之差超过设定值，则采用数据平滑算法对所述目标行驶车速进行处理。
S230、以所述车辆行驶距离的坐标为横坐标，分别以停车时间和目标行驶车速为纵坐标确定车辆行驶工况曲线。
本实施例具有以下技术效果：能够构建反应车辆实际行驶状态的仿真工况；能够在地图应用的API提供有限数据的情况下，还原交通场景，构建出反应实际交通的仿真工况，为汽车能耗优化与仿真测试提供依据。具体的，根据规划路径实时读取地图应用API的数据，采用聚类的方法识别交通信号灯的位置，采用多目标约束的神经网络算法计算识别目标行驶车速，进而基于目标行驶车速构建车辆行驶工况曲线。
图4为本发明实施例提供的一种电子设备的结构示意图。如图4所示， 电子设备400包括一个或多个处理器401和存储器402。
处理器401可以是中央处理单元(CPU)或者具有数据处理能力和/或指令执行能力的其他形式的处理单元，并且可以控制电子设备400中的其他组件以执行期望的功能。
存储器402可以包括一个或多个计算机程序产品，所述计算机程序产品可以包括各种形式的计算机可读存储介质，例如易失性存储器和/或非易失性存储器。所述易失性存储器例如可以包括随机存取存储器(RAM)和/或高速缓冲存储器(cache)等。所述非易失性存储器例如可以包括只读存储器(ROM)、硬盘、闪存等。在所述计算机可读存储介质上可以存储一个或多个计算机程序指令，处理器401可以运行所述程序指令，以实现上文所说明的本发明任意实施例的车辆行驶工况确定方法以及/或者其他期望的功能。在所述计算机可读存储介质中还可以存储诸如初始外参、阈值等各种内容。
在一个示例中，电子设备400还可以包括：输入装置403和输出装置404，这些组件通过总线系统和/或其他形式的连接机构(未示出)互连。该输入装置403可以包括例如键盘、鼠标等等。该输出装置404可以向外部输出各种信息，包括预警提示信息、制动力度等。该输出装置404可以包括例如显示器、扬声器、打印机、以及通信网络及其所连接的远程输出设备等等。
当然，为了简化，图4中仅示出了该电子设备400中与本发明有关的组件中的一些，省略了诸如总线、输入/输出接口等等的组件。除此之外，根据具体应用情况，电子设备400还可以包括任何其他适当的组件。
除了上述方法和设备以外，本发明的实施例还可以是计算机程序产品，其包括计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行本发明任意实施例所提供的车辆行驶工况确定方法的步骤。
所述计算机程序产品可以以一种或多种程序设计语言的任意组合来编 写用于执行本发明实施例操作的程序代码，所述程序设计语言包括面向对象的程序设计语言，诸如Java、C++等，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设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。
此外，本发明的实施例还可以是计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行本发明任意实施例所提供的车辆行驶工况确定方法的步骤。
还需说明的是，术语“中心”、“上”、“下”、“左”、“右”、“竖直”、“水平”、“内”、“外”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，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。除非另有明确的规定和限定，术语“安装”、“相连”、“连接”等应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。
最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案。

Claims (10)

  1. 一种车辆行驶工况确定方法，其特征在于，包括：
    通过地图应用获取从预设起点到预设终点的规划路径以及与所述规划路径关联的目标信息；
    基于设定距离间隔根据所述规划路径确定车辆行驶距离的坐标；
    根据样本数据确定特征参数矩阵；其中，所述样本数据包括包含交通信号灯的交通片段和不包含交通信号灯的交通片段；
    对所述特征参数矩阵中的特征参数进行降维处理，获得标准化矩阵；
    基于所述标准化矩阵进行主成分分析，获得多个第一主成分；
    对所述多个第一主成分进行聚类运算，获得两个聚类中心；
    对所述目标信息中的交通片段进行主成分分析，获得多个第二主成分；
    根据所述多个第二主成分和所述两个聚类中心确定所述目标信息中包含交通信号灯的目标交通片段；
    根据所述目标交通片段的拥堵系数以及交通信号灯的设定周期预测预设车辆按照所述规划路径行驶时的停车位置和停车时间；
    结合历史统计数据确定各交通片段的第一平均加速度和第一平均减速度；
    根据驾驶员的驾驶风格特征对所述第一平均加速度和第一平均减速度进行修正，获得第二平均加速度和第二平均减速度，其中，所述驾驶风格特征用于表征驾驶员驾驶车辆时速度的快慢；
    至少基于所述停车位置、所述停车时间、所述第二平均加速度和所述第二平均减速度通过神经网络模型预测所述预设车辆在各交通片段行驶时的目标行驶车速；
    以所述车辆行驶距离的坐标为横坐标，分别以停车时间和目标行驶车速为纵坐标确定车辆行驶工况曲线。
  2. 根据权利要求1所述的方法，其特征在于，所述根据所述样本数据确定特征参数矩阵，包括：
    根据所述样本数据中交通片段的长度以及对应的拥堵系数确定对应交通片段的第二通过时间；
    根据交通片段的长度以及对应的第二通过时间确定对应交通片段的平均车速；
    至少将交通片段的平均车速作为对应交通片段的特征参数；
    基于所述特征参数构建所述样本数据中所有交通片段的特征参数矩阵。
  3. 根据权利要求1所述的方法，其特征在于，所述至少基于所述停车位置、所述停车时间、所述第二平均加速度和所述第二平均减速度通过神经网络模型预测所述预设车辆在各交通片段行驶时的目标行驶车速，包括：
    将所述停车位置、所述停车时间、所述第二平均加速度、所述第二平均减速度、各交通片段的第二通过时间、各交通片段的第二长度、各交通片段的平均车速、各交通片段的道路属性以及各交通片段对应的车辆驾驶动作输入至所述神经网络模型，获得所述预设车辆在各交通片段行驶时的目标行驶车速。
  4. 根据权利要求1所述的方法，其特征在于，所述结合历史统计数据确定各交通片段的第一平均加速度和第一平均减速度，包括：
    结合历史统计数据确定各交通片段的平均加速度的第一取值范围以及平均减速度的第二取值范围；
    将所述第一取值范围内的任意取值确定为所述第一平均加速度；
    将所述第二取值范围内的任意取值确定为所述第一平均减速度。
  5. 根据权利要求4所述的方法，其特征在于，所述根据驾驶员的驾驶风格特征对所述第一平均加速度和第一平均减速度进行修正，获得第二平均加速度和第二平均减速度，包括：
    根据驾驶员的驾驶风格特征确定激进等级；
    根据所述第一取值范围将所述第一平均加速度修正为与所述激进等级匹配的第二平均加速度；
    根据所述第二取值范围将所述第一平均减速度修正为与所述激进等级匹配的第二平均减速度。
  6. 根据权利要求1-5任一项所述的方法，其特征在于，还包括：
    若获得的第n个交通片段结束时的目标行驶车速与第n+1个交通片段初始时的目标行驶车速之差超过设定值，则采用数据平滑算法对所述目标行驶车速进行处理。
  7. 根据权利要求1-5任一项所述的方法，其特征在于，所述目标信息包括：所述规划路径的总长度、通过所述规划路径所需要的总通过时间、所述规划路径所包括的各交通段的第一长度与对应的第一通过时间、所述规划路径所包括的各交通片段的第二长度、各交通片段对应的拥堵系数、各交通片段的道路属性、各交通片段对应的车辆行驶动作以及所述规划路径所包括的交通信号灯的数量中的一种或多种，其中，所述规划路径包括一个或者多个交通段，一个交通段包括一个或者多个交通片段。
  8. 根据权利要求1-5任一项所述的方法，其特征在于，所述根据所述目标交通片段的拥堵系数以及交通信号灯的设定周期预测预设车辆按照所述规划路径行驶时的停车位置和停车时间，包括：
    若所述目标交通片段的拥堵系数小于设定阈值，根据所述目标交通片段的拥堵系数以及交通信号灯的设定周期确定交通信号灯的红灯时间和绿灯时间；
    根据所述目标交通片段的第二通过时间以及所述设定周期确定所述预设车辆在对应交通信号灯处是否停车；
    若确定所述预设车辆在对应交通信号灯处停车，则根据对应交通信号灯的绿灯时间确定所述预设车辆在对应交通信号灯处的停车时间；
    若所述目标交通片段的拥堵系数大于设定阈值，将与所述目标交通片段对应设置的时间确定为停车时间，将所述目标交通片段的位置确定为停车位置。
  9. 一种电子设备，其特征在于，所述电子设备包括：
    处理器和存储器；
    所述处理器通过调用所述存储器存储的程序或指令，用于执行如权利要求1至8任一项所述的车辆行驶工况确定方法的步骤。
  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存储程序或指令，所述程序或指令使计算机执行如权利要求1至8任一项所述的车辆行驶工况确定方法的步骤。
PCT/CN2022/131819 2022-06-17 2022-11-15 车辆行驶工况确定方法、设备和存储介质 WO2023240919A1 (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
CN202210683799.3 2022-06-17
CN202210683799.3A CN114771542B (zh) 2022-06-17 2022-06-17 车辆行驶工况确定方法、设备和存储介质

Publications (1)

Publication Number Publication Date
WO2023240919A1 true WO2023240919A1 (zh) 2023-12-21

Family

ID=82421903

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/CN2022/131819 WO2023240919A1 (zh) 2022-06-17 2022-11-15 车辆行驶工况确定方法、设备和存储介质

Country Status (2)

Country Link
CN (1) CN114771542B (zh)
WO (1) WO2023240919A1 (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114771542B (zh) * 2022-06-17 2022-09-20 中汽研汽车检验中心（天津）有限公司 车辆行驶工况确定方法、设备和存储介质
CN115271001B (zh) * 2022-09-29 2023-02-07 天津所托瑞安汽车科技有限公司 车辆行驶工况的识别方法、装置、车辆及存储介质
CN117931872A (zh) * 2024-03-22 2024-04-26 中国汽车技术研究中心有限公司 一种预见性汽车行驶工况构建方法、系统、设备及介质

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20100305798A1 (en) * 2009-05-29 2010-12-02 Ford Global Technologies, Llc System And Method For Vehicle Drive Cycle Determination And Energy Management
CN107067722A (zh) * 2017-04-24 2017-08-18 中国汽车技术研究中心 一种新的车辆行驶工况构建方法
CN110610260A (zh) * 2019-08-21 2019-12-24 南京航空航天大学 行车能耗预测系统、方法、存储介质和设备
CN110717147A (zh) * 2019-10-10 2020-01-21 辽宁工程技术大学 一种构建汽车行驶工况的方法
WO2021244632A1 (zh) * 2020-06-05 2021-12-09 北京理工大学 一种电动汽车能耗预测方法及系统
CN114528646A (zh) * 2022-04-24 2022-05-24 中汽研汽车检验中心（天津）有限公司 一种基于在线地图数据的车辆行驶工况构建方法
CN114778140A (zh) * 2022-06-17 2022-07-22 中汽研汽车检验中心（天津）有限公司 车辆能耗台架测试方法和系统
CN114771542A (zh) * 2022-06-17 2022-07-22 中汽研汽车检验中心（天津）有限公司 车辆行驶工况确定方法、设备和存储介质

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH10167127A (ja) * 1996-12-07 1998-06-23 Yoshinari Ono 走行自動車の走行状況の記録読出し方法
CN110672111B (zh) * 2019-09-24 2021-06-25 广州大学 车辆行车路径规划方法、装置、系统、介质和设备
US20210229657A1 (en) * 2020-01-27 2021-07-29 Ford Global Technologies, Llc Detection of vehicle operating conditions

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20100305798A1 (en) * 2009-05-29 2010-12-02 Ford Global Technologies, Llc System And Method For Vehicle Drive Cycle Determination And Energy Management
CN107067722A (zh) * 2017-04-24 2017-08-18 中国汽车技术研究中心 一种新的车辆行驶工况构建方法
CN110610260A (zh) * 2019-08-21 2019-12-24 南京航空航天大学 行车能耗预测系统、方法、存储介质和设备
CN110717147A (zh) * 2019-10-10 2020-01-21 辽宁工程技术大学 一种构建汽车行驶工况的方法
WO2021244632A1 (zh) * 2020-06-05 2021-12-09 北京理工大学 一种电动汽车能耗预测方法及系统
CN114528646A (zh) * 2022-04-24 2022-05-24 中汽研汽车检验中心（天津）有限公司 一种基于在线地图数据的车辆行驶工况构建方法
CN114778140A (zh) * 2022-06-17 2022-07-22 中汽研汽车检验中心（天津）有限公司 车辆能耗台架测试方法和系统
CN114771542A (zh) * 2022-06-17 2022-07-22 中汽研汽车检验中心（天津）有限公司 车辆行驶工况确定方法、设备和存储介质

Also Published As

Publication number Publication date
CN114771542A (zh) 2022-07-22
CN114771542B (zh) 2022-09-20

Similar Documents

Publication Publication Date Title
WO2023240919A1 (zh) 车辆行驶工况确定方法、设备和存储介质
WO2022121510A1 (zh) 基于随机策略梯度的交通信号控制方法、系统及电子设备
US10636294B1 (en) Computer system and method for state prediction of a traffic system
WO2021203972A1 (zh) 基于碰撞模型的风险预防方法、装置、设备及存储介质
WO2019114432A1 (zh) 路况生成方法、装置、设备和存储介质
US20210241616A1 (en) Method and system for multimodal deep traffic signal control
CN113160585B (zh) 交通灯配时优化方法、系统及存储介质
CN113487856B (zh) 基于图卷积网络及注意力机制的交通流组合预测模型
Guo et al. DRL-TP3: A learning and control framework for signalized intersections with mixed connected automated traffic
Yao et al. An efficient heterogeneous platoon dispersion model for real-time traffic signal control
CN113111502B (zh) 基于跟驰模型与驾驶员特征的驾驶员感知距离建模方法
CN109003442A (zh) 一种道路延误时间计算及交通拥堵情况确定方法、系统
CN114973698A (zh) 控制信息的生成方法和机器学习模型的训练方法、装置
Zhang et al. Dynamic control cycle speed limit strategy for improving traffic operation at freeway bottlenecks
CN114611383A (zh) 一种基于时空多尺度图卷积网络的交通流预测模型的构建方法以及交通流预测方法
Liu et al. Assessing the impacts of connected-and-autonomous vehicle management strategy on the environmental sustainability of urban expressway system
WO2023005681A1 (zh) 纵向跟车控制方法、装置、电子设备及存储介质
WO2023045791A1 (zh) 车道保持方法、装置、设备、介质及系统
JP7092958B1 (ja) 情報処理方法、情報処理装置、及びプログラム
CN113276860B (zh) 车辆控制方法、装置、电子设备以及存储介质
CN111489552B (zh) 一种车头时距预测方法、装置、设备及存储介质
KR20220092821A (ko) 길목 상태를 결정하는 방법, 장치, 전자 기기, 저장 매체 및 컴퓨터 프로그램
Li et al. Variable speed limit strategies based on the macro hierarchical control traffic flow model
Tong et al. Real time dynamic regulation method of main road signal lights based on data clustering in the environment of internet of vehicles.
Wang et al. Mesoscopic modelling and analysis of traffic flow based on stationary observations

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 22946585

Country of ref document: EP

Kind code of ref document: A1