CN110414818A - 一种乘用车节能竞争力评价方法及*** - Google Patents
一种乘用车节能竞争力评价方法及*** Download PDFInfo
- Publication number
- CN110414818A CN110414818A CN201910656107.4A CN201910656107A CN110414818A CN 110414818 A CN110414818 A CN 110414818A CN 201910656107 A CN201910656107 A CN 201910656107A CN 110414818 A CN110414818 A CN 110414818A
- Authority
- CN
- China
- Prior art keywords
- factor
- matrix
- passenger car
- power saving
- data
- 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
- 238000011156 evaluation Methods 0.000 title claims abstract description 32
- 238000004134 energy conservation Methods 0.000 title claims abstract description 24
- 238000000034 method Methods 0.000 claims abstract description 40
- 238000004458 analytical method Methods 0.000 claims abstract description 23
- 239000000446 fuel Substances 0.000 claims abstract description 15
- 239000011159 matrix material Substances 0.000 claims description 50
- 238000000513 principal component analysis Methods 0.000 claims description 11
- 238000007476 Maximum Likelihood Methods 0.000 claims description 7
- 238000000556 factor analysis Methods 0.000 claims description 7
- 238000010606 normalization Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 4
- 108010001267 Protein Subunits Proteins 0.000 claims description 2
- 238000005265 energy consumption Methods 0.000 abstract description 3
- 230000008569 process Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 241001146702 Candidatus Entotheonella factor Species 0.000 description 1
- 241001269238 Data Species 0.000 description 1
- FFBHFFJDDLITSX-UHFFFAOYSA-N benzyl N-[2-hydroxy-4-(3-oxomorpholin-4-yl)phenyl]carbamate Chemical compound OC1=C(NC(=O)OCC2=CC=CC=C2)C=CC(=C1)N1CCOCC1=O FFBHFFJDDLITSX-UHFFFAOYSA-N 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 238000013523 data management Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Development Economics (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Educational Administration (AREA)
- Operations Research (AREA)
- Marketing (AREA)
- Game Theory and Decision Science (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Combined Controls Of Internal Combustion Engines (AREA)
Abstract
本发明提出一种乘用车节能竞争力评价方法及***,从车辆整体性能中的空间实用性、燃油经济性、车辆动力性三个方面选取若干维度的数据;通过因子分析的方法,找到乘用车各技术参数背后隐含的节能因子,构建合理的评价方法。本发明可以有效规避单一工况油耗指标评价的局限性,将处于不用整备质量、不同功率、不同尺寸的乘用车放在一起综合比较整车能耗水平。
Description
技术领域
本发明属于汽车信息化领域,特别是涉及到一种对于乘用车节能竞争力的评价方法及评价***。
背景技术
汽车节能问题既关系到国家能源安全,也关系到消费者的切身利益。由于市场产品多样化,新车型层出不穷,同时汽车产品的节能由于涉及到诸多技术参数,单车燃料消耗量这一指标已无法满足消费需求。目前,国内常用的汽车燃油经济性水平指标有市区工况油耗、市郊工况油耗、综合工况油耗、90km/h等速油耗等几项指标。由于乘用车燃油经济性与整备质量、功率、外部尺寸等有较强的相关性,因此,仅基于汽车整备质量、空间或者尺寸来进行车辆之间节能水平的比较就显得较为片面,在此背景下,需要构建综合指标体系评价汽车产品的节能竞争力,因此如何选择构建合理的评价方法,科学合理引导消费者绿色环保消费成为亟需要解决的问题。
发明内容
本发明提供了一种乘用车节能竞争力评价方法及***,通过因子分析的方法,找到乘用车各技术参数背后隐含的节能因子,进行合理评价。
为达到上述目的,本发明的技术方案是这样实现的:
一种乘用车节能竞争力评价方法,包括:
S1、从车辆整体性能中的空间实用性、燃油经济性、车辆动力性三个方面选取若干维度的数据;
S2、划分车型,将各车型各个维度的数据标准化;
S3、针对标准化后的数据做因子分析,得到因子载荷矩阵,并选取节能因子;
S4、采用节能因子得分系数进行线性计算,得到各车型的节能因子得分。
进一步的,步骤S1所述数据包括:整车整备质量、长、宽、高、空间体积、综合工况油耗、市区工况油耗、市郊工况油耗、最高车速、扭矩、功率、比功率;其中所述比功率为功率/整备质量。
进一步的,步骤S2所述数据标准化的方法包括但不限于:正态标准化、规范标准化。
进一步的,步骤S3所述因子分析的方法包括:
S3.1、根据标准化数据,求得因子载荷矩阵,求得因子载荷矩阵的方法包含但不限于:主成分法、主因子法、极大似然法;
S3.2、因子载荷矩阵经过正交旋转,得到方差最大因子载荷矩阵;
S3.3、根据方差最大因子载荷矩阵选取节能因子。
进一步的,步骤S4所述节能因子得分系数计算的方法包括但不限于:加权最小二乘法、回归法。
本发明另一方面还提供了一种乘用车节能竞争力评价***,包括:
数据选取模块,从车辆整体性能中的空间实用性、燃油经济性、车辆动力性三个方面选取若干维度的数据;
标准化模块,用于划分车型,将各车型各个维度的数据标准化;
因子分析模块,针对标准化后的数据做因子分析,得到因子载荷矩阵并选取节能因子;
节能因子分析模块,采用节能因子得分系数进行线性计算,得到各车型的节能因子得分。
进一步的,数据选取模块包括选取单元,用于选取整车整备质量、长、宽、高、空间体积、综合工况油耗、市区工况油耗、市郊工况油耗、最高车速、扭矩、功率、比功率;其中所述比功率为功率/整备质量。
进一步的,标准化模块包括:标准化单元,所述标准化单元对数据进行标准化包括但不限于:正态标准化、规范标准化。
进一步的,因子分析模块包括:
求取因子载荷矩阵单元,用于根据标准化数据,求得因子载荷矩阵;求得因子载荷矩阵的方法包含但不限于:主成分法、主因子法、极大似然法;
正交旋转单元,用于因子载荷矩阵经过正交旋转,得到方差最大因子载荷矩阵;
得分单元,用于通过方差最大因子载荷矩阵和线性相关矩阵,即得到各因子得分。
进一步的,节能因子分析模块包括节能因子得分系数计算单元,所述节能因子得分系数计算单元进行节能因子得分系数计算包括但不限于:加权最小二乘法、回归法。
与现有技术相比,本发明具有如下的有益效果:
本发明建立一套完整的乘用车产品节能竞争力评价体系,从燃油经济性、动力性能、空间属性等方面,通过因子分析的方法,找到乘用车各技术参数背后隐含的节能因子、实用性因子、动力性因子。节能因子就是乘用车节能竞争力评价的关键指标,代表了乘用车的能耗水平。这一指标可以有效规避单一工况油耗指标评价的局限性,将处于不用整备质量、不同功率、不同尺寸的乘用车放在一起综合比较整车能耗水平。
附图说明
图1是本发明实施例的因子分析流程示意图。
具体实施方式
需要说明的是,在不冲突的情况下,本发明中的实施例及实施例中的特征可以相互组合。
因子分析是目前应用范围非常广泛的一种数据降维分析方法。因子分析旨在挖掘表面数据背后隐含的因子信息,并通过这些隐含因子对相应研究对象进行评价排名。因此本发明将因子分析引入乘用车节能竞争力评价是极具可操作性的。
本发明以传统汽油乘用车作为研究对象,从车辆的整体性能角度出发,从空间实用性、燃油经济性、车辆动力性三个方面选取12项数据指标,即整车整备质量、长、宽、高、空间体积(以“长×宽×高”作为近似替代)、综合工况油耗、市区工况油耗、市郊工况油耗、最高车速、扭矩、功率、比功率等。
根据2017年企业上报的燃料消耗量数据管理***数据,以车辆型号为单位汇总产量数据,依据市场占有率,保留年产量大于1000辆的轿车车辆型号和年产量大于500辆的SUV及MPV车辆型号,并分车型分别进行因子分析得到节能因子排名。交叉型乘用车由于年产量较小且呈现明显的下滑趋势,故不在本次评价考虑范围之内。
在车辆型号层面对国产汽油乘用车分轿车、SUV和MPV三个车型做因子分析。
如图1所示,数据标准化的因子分析过程具体说明如下:
(1)因子分析模型结构
计X=(X1,X2,…,X12)T是所选取各车型的12个维度车型数据,且
E(X)=μ
var(X)=∑
其中,μ为车型各维度数据的期望,∑为车型各维度数据的协方差矩阵。则构建因子分析模型的基本形式为
X=μ+AF+ε
其中F=(f1,f2,f3)T为公共因子,ε=(ε1,ε2,…,ε12)T为特殊因子,A=(aij)12×3为因子载荷矩阵,也就是说cov(X,F)=A,即因子载荷aij是第i个变量与第j个公共因子的相关系数。
通常假设
E(F)=0
var(F)=Im
E(ε)=0
cov(F,ε)=0
(2)因子分析流程
1.对样本数据X=(X1,X2,…,X12)T进行标准化,得到标准化数据Y=(Y1,Y2,…,Y12)T。标准化方法包含但不限于正态标准化、规范标准化。
正态标准化:
此时有
E(Y)=0
var(Y)=R=(σij)12×12
规范标准化:
上式中,Xi为各车型第i个维度数据,Yi为各车型第i个维度数据经过标准化后的数据。为各车型第i个维度数据的均值,var(Xi)为各车型第i个维度数据的方差,max(Xi)为各车型第i个维度数据的最大值,min(Xi)为各车型第i个维度数据的最小值。
2.求取因子载荷矩阵A。求取因子载荷矩阵A的方法包含但不限于主成分法、主因子法、极大似然法。
主成分法:
记协方差矩阵R的特征值为λ=(λ1,λ2,…λ12),其中λ1≥λ2≥…≥λ12≥0。各特征值相应单位正交特征向量分别为l1,l2,…l12,则方差阵∑可分解为
通常前3个特征值较大,后9个特征值较小,则
其中
D中
由此,即根据主成分法,求得因子载荷矩阵A。
主因子法:
主因子法是在主成分法的基础上进行循环迭代,是对主成分法的修正。
由主成分法可得
对重复主成分法的求解过程,取前3个特征值相应特征向量为由此可求得
其中
则矩阵就是修正后的因子载荷矩阵,可重复这一过程,直到因子载荷矩阵收敛。
极大似然法:
假设公共因子F~N3(0,I3),特殊因子ε~N12(0,I12),且相互独立。设观测数据X(1)X(2)…X(n)为来自X~N12(μ,∑)的n个车型样本,样本的对数似然函数L(A,D),则(A,D)的极大似然估计值满足条件
应满足如下方程组
其中
针对该方程组的求解,通常采用迭代求解的方法。先选取初始矩阵
的前3个特征值θ1≥θ2≥θ3>0,相应的特征向量为l1,l2,l3,令Θ=diag(θ1,θ2,θ3),L=(l1,l2,l3),令
进而可求得
重复上述过程即可求得A1,重复这一过程,直到满足使似然函数最大化的方程组。
3.对步骤2求得的因子载荷矩阵A进行正交旋转,得到方差最大的因子载荷矩阵A′。
首先选取因子载荷矩阵的第一列和第二列
取正交矩阵则
是ΦF的因子载荷矩阵,此处应满足
其中
而
则B为A按照第一、二列经过正交旋转得到的方差最大因子载荷矩阵。在本因子分析过程中,因子载荷矩阵B依次按照第二、三列和第一、三列进行正交旋转,即为完成一轮正交选装,经过多次正交旋转,当总方差改变不大时,即可得到方差最大的因子载荷矩阵A′。
4.根据方差最大因子载荷矩阵A′,求各车型的因子得分。求因子得分的方法包含但不限于:加权最小二乘法、回归法。
加权最小二乘法:
最小二乘函数为
求F的估计值使得可得
将前述步骤得到的A、D估计值带入即可求得各车型的因子得分。
回归法:
以变量的线性组合计算各车型的因子的分,则因子得分具有如下形式
F=BY
根据相关性分析,显然有
A=RBT
其中R为Y的相关相关矩阵,则
B=ATR-1
由此各车型的因子的分可表示为
(3)评价因子含义
由于因子分析模型是建立在相关性基础上的,轿车、SUV、MPV车型之间差异明显,因此分为3个独立的体系构建因子分析模型,下面以轿车为例介绍评价因子的含义。
将某557款轿车12个维度基准数据,经过正态标准化、极大似然估计、正交旋转后(如前面步骤中所述),得到轿车的方差最大因子载荷矩阵如下表:
因子1 | 因子2 | 因子3 | |
质量 | 0.817 | 0.444 | 0.363 |
长 | 0.681 | 0.389 | 0.273 |
宽 | 0.773 | 0.313 | 0.262 |
高 | -0.124 | 0.096 | -0.123 |
空间 | 0.734 | 0.421 | 0.259 |
综合 | 0.298 | 0.938 | 0.163 |
市区 | 0.226 | 0.928 | 0.136 |
市郊 | 0.385 | 0.83 | 0.204 |
车速 | 0.636 | 0.146 | 0.636 |
扭矩 | 0.612 | 0.249 | 0.701 |
功率 | 0.519 | 0.363 | 0.771 |
比功率 | 0.159 | 0.195 | 0.96 |
因子2与综合工况油耗、市区工况油耗、市郊工况油耗相关性较大,定义为节能因子。采用回归法(如前面步骤四所述),得到轿车节能因子的因子得分系数如下表:
节能因子系数 | |
质量 | 0.343 |
长 | 0.004 |
宽 | 0.011 |
高 | -0.002 |
空间 | 0.006 |
综合 | -1.15 |
市区 | -0.088 |
市郊 | -0.036 |
车速 | 0.018 |
扭矩 | 0.028 |
功率 | 0.098 |
比功率 | -0.031 |
将12个维度标准化后的数据经过节能因子得分系数计算,即可得到各车型的节能因子得分。依据各车型的节能因子得分,对乘用车的节能竞争力进行评价排名。
根据节能竞争力因子得分对2017年量产轿车车型进行排名,共计173个通用名称中557个车辆型号纳入了轿车节能竞争力评价范围。轿车排名前十车型中,有9款应用涡轮增压技术,6款应用3缸发动机。
以上所述仅是本发明的优选实施方式,对于本技术领域的普通技术人员,在不脱离本发明构思的前提下,做出的任何改进和润饰也属于本发明保护范围内。
Claims (10)
1.一种乘用车节能竞争力评价方法,其特征在于,包括:
S1、从车辆整体性能中的空间实用性、燃油经济性、车辆动力性三个方面选取若干维度的数据;
S2、划分车型,将各车型各个维度的数据标准化;
S3、针对标准化后的数据做因子分析,得到因子载荷矩阵,并选取节能因子;
S4、采用节能因子得分系数进行线性计算,得到各车型的节能因子得分。
2.根据权利要求1所述的一种乘用车节能竞争力评价方法,其特征在于,步骤S1所述数据包括:整车整备质量、长、宽、高、空间体积、综合工况油耗、市区工况油耗、市郊工况油耗、最高车速、扭矩、功率、比功率;其中所述比功率为功率/整备质量。
3.根据权利要求1所述的一种乘用车节能竞争力评价方法,其特征在于,步骤S2所述数据标准化的方法包括:正态标准化、规范标准化。
4.根据权利要求1所述的一种乘用车节能竞争力评价方法,其特征在于,步骤S3所述因子分析的方法包括:
S3.1、根据标准化数据,求得因子载荷矩阵,求得因子载荷矩阵的方法包含:主成分法、主因子法、极大似然法;
S3.2、因子载荷矩阵经过正交旋转,得到方差最大因子载荷矩阵;
S3.3、根据方差最大因子载荷矩阵选取节能因子。
5.根据权利要求1所述的一种乘用车节能竞争力评价方法,其特征在于,步骤S4所述节能因子得分系数计算的方法包括:加权最小二乘法、回归法。
6.一种乘用车节能竞争力评价***,其特征在于,包括:
数据选取模块,从车辆整体性能中的空间实用性、燃油经济性、车辆动力性三个方面选取若干维度的数据;
标准化模块,将各类车型各个维度的数据标准化;
因子分析模块,针对标准化后的数据做因子分析,得到因子载荷矩阵并选取节能因子;
节能因子分析模块,采用节能因子得分系数进行线性计算,得到各车型的节能因子得分。
7.根据权利要求6所述的一种乘用车节能竞争力评价***,其特征在于,数据选取模块包括选取单元,用于选取整车整备质量、长、宽、高、空间体积、综合工况油耗、市区工况油耗、市郊工况油耗、最高车速、扭矩、功率、比功率;其中所述比功率为功率/整备质量。
8.根据权利要求6所述的一种乘用车节能竞争力评价***,其特征在于,标准化模块包括:标准化单元,所述标准化单元对数据进行标准化包括:正态标准化、规范标准化。
9.根据权利要求6所述的一种乘用车节能竞争力评价***,其特征在于,因子分析模块包括:
求取因子载荷矩阵单元,用于根据标准化数据,求得因子载荷矩阵;求得因子载荷矩阵的方法包含:主成分法、主因子法、极大似然法;
正交旋转单元,用于因子载荷矩阵经过正交旋转,得到方差最大因子载荷矩阵;
得分单元,用于通过方差最大因子载荷矩阵和线性相关矩阵,即得到各因子得分。
10.根据权利要求6所述的一种乘用车节能竞争力评价***,其特征在于,节能因子分析模块包括节能因子得分系数计算单元,所述节能因子得分系数计算单元进行节能因子得分系数计算包括:加权最小二乘法、回归法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910656107.4A CN110414818A (zh) | 2019-07-19 | 2019-07-19 | 一种乘用车节能竞争力评价方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910656107.4A CN110414818A (zh) | 2019-07-19 | 2019-07-19 | 一种乘用车节能竞争力评价方法及*** |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110414818A true CN110414818A (zh) | 2019-11-05 |
Family
ID=68360353
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910656107.4A Pending CN110414818A (zh) | 2019-07-19 | 2019-07-19 | 一种乘用车节能竞争力评价方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110414818A (zh) |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103577681A (zh) * | 2013-06-26 | 2014-02-12 | 长沙理工大学 | 基于因子分析锅炉效率影响指标的定量评价方法 |
US20140249959A1 (en) * | 2010-08-06 | 2014-09-04 | Hitoshi Ishida | Vehicle evaluation device and vehicle evaluation method |
CN104156605A (zh) * | 2014-08-18 | 2014-11-19 | 浙江群力电气有限公司 | 机动车状态综合评估体系的建立方法及装置 |
US9121722B1 (en) * | 2014-03-19 | 2015-09-01 | Ford Global Technologies, Llc | Trip partitioning based on driving pattern energy consumption |
CN105975757A (zh) * | 2016-04-28 | 2016-09-28 | 彩虹无线(北京)新技术有限公司 | 一种基于车辆行驶数据的急减速行为识别方法 |
CN107239873A (zh) * | 2017-04-26 | 2017-10-10 | 广西电网有限责任公司电力科学研究院 | 一种面向轨道交通的能耗影响因素的分析方法 |
CN107239874A (zh) * | 2017-04-26 | 2017-10-10 | 广西电网有限责任公司电力科学研究院 | 一种面向轨道交通的电能质量及节能分析*** |
CN107368913A (zh) * | 2017-06-15 | 2017-11-21 | 中国汽车技术研究中心 | 一种基于最小二乘支持向量机的油耗预测方法 |
CN107884717A (zh) * | 2017-09-30 | 2018-04-06 | 中国汽车技术研究中心 | 一种动力电池***热管理性能测试方法 |
KR20180037769A (ko) * | 2016-10-05 | 2018-04-13 | (주) 케이티지 | 글로벌 특허가치평가 시스템 및 방법 |
CN109408955A (zh) * | 2018-10-23 | 2019-03-01 | 北京理工大学 | 一种电动汽车的能耗分析方法及*** |
CN109858738A (zh) * | 2018-12-19 | 2019-06-07 | 青岛科技大学 | 一种车辆跟驰状态驾驶员情感动态特征提取及辨识方法 |
-
2019
- 2019-07-19 CN CN201910656107.4A patent/CN110414818A/zh active Pending
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140249959A1 (en) * | 2010-08-06 | 2014-09-04 | Hitoshi Ishida | Vehicle evaluation device and vehicle evaluation method |
CN103577681A (zh) * | 2013-06-26 | 2014-02-12 | 长沙理工大学 | 基于因子分析锅炉效率影响指标的定量评价方法 |
US9121722B1 (en) * | 2014-03-19 | 2015-09-01 | Ford Global Technologies, Llc | Trip partitioning based on driving pattern energy consumption |
CN104156605A (zh) * | 2014-08-18 | 2014-11-19 | 浙江群力电气有限公司 | 机动车状态综合评估体系的建立方法及装置 |
CN105975757A (zh) * | 2016-04-28 | 2016-09-28 | 彩虹无线(北京)新技术有限公司 | 一种基于车辆行驶数据的急减速行为识别方法 |
KR20180037769A (ko) * | 2016-10-05 | 2018-04-13 | (주) 케이티지 | 글로벌 특허가치평가 시스템 및 방법 |
CN107239873A (zh) * | 2017-04-26 | 2017-10-10 | 广西电网有限责任公司电力科学研究院 | 一种面向轨道交通的能耗影响因素的分析方法 |
CN107239874A (zh) * | 2017-04-26 | 2017-10-10 | 广西电网有限责任公司电力科学研究院 | 一种面向轨道交通的电能质量及节能分析*** |
CN107368913A (zh) * | 2017-06-15 | 2017-11-21 | 中国汽车技术研究中心 | 一种基于最小二乘支持向量机的油耗预测方法 |
CN107884717A (zh) * | 2017-09-30 | 2018-04-06 | 中国汽车技术研究中心 | 一种动力电池***热管理性能测试方法 |
CN109408955A (zh) * | 2018-10-23 | 2019-03-01 | 北京理工大学 | 一种电动汽车的能耗分析方法及*** |
CN109858738A (zh) * | 2018-12-19 | 2019-06-07 | 青岛科技大学 | 一种车辆跟驰状态驾驶员情感动态特征提取及辨识方法 |
Non-Patent Citations (4)
Title |
---|
吴晓伟等: "因子分析模型在企业竞争力评价中的应用", 《工业技术经济》 * |
徐国虎等: "新能源汽车购买决策的影响因素研究", 《中国人口.资源与环境》 * |
研究报告: "中国节能与新能源汽车发展研究报告(2017)", 《豆丁网》 * |
陈希镇, 国防工业出版社 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105183767B (zh) | 一种基于企业网络的企业业务相似度计算方法与*** | |
CN103425994B (zh) | 一种用于模式分类的特征选择方法 | |
CN106067034A (zh) | 一种基于高维矩阵特征根的配电网负荷曲线聚类方法 | |
CN106296315A (zh) | 基于用户用电数据的情境感知*** | |
CN111562541B (zh) | 一种应用cart算法实现电能表检测数据管理的软件平台 | |
CN105787259A (zh) | 一种多元气象因素对负荷变化影响相关性的分析方法 | |
Zhang et al. | Cumulative prospect theory integrated CRITIC and TOPSIS methods for intuitionistic fuzzy multiple attribute group decision making | |
CN114613124B (zh) | 交通信息处理方法、装置、终端及计算机可读存储介质 | |
Gao et al. | Jointly low-rank tensor completion for estimating missing spatiotemporal values in logistics systems | |
Rui et al. | High-accuracy transient fuel consumption model based on distance correlation analysis | |
CN114239962A (zh) | 一种基于开源信息的精细化空间负荷预测方法 | |
CN110414818A (zh) | 一种乘用车节能竞争力评价方法及*** | |
Li et al. | Asymptotic normality of location invariant heavy tail index estimator | |
CN109345136A (zh) | 基于我国机动车登记制度的车辆存活曲线模型优化方法 | |
CN104699747A (zh) | 一种基于高维数据过滤器的近似成员查询方法 | |
CN109738807A (zh) | 基于蚁群算法优化后的bp神经网络来估算soc的方法 | |
Wang et al. | Spatial and temporal distribution and statistic method applied in crime events analysis | |
CN113609303A (zh) | 一种基于知识图谱的国内外电力市场研究热点追踪方法 | |
Guo et al. | Research on Customer Market Segmentation of Electric Vehicle Rental Sites Based on Latent Class Modeling | |
CN104391866A (zh) | 一种基于高维数据过滤器的近似成员查询方法 | |
Wang et al. | A novel systematic algorithm paradigm for the electric vehicle data anomaly detection based on association data mining | |
CN105825237B (zh) | 一种基于图测度的子图相似查询方法 | |
Nazareth et al. | Visualizing attribute interdependencies using mutual information, hierarchical clustering, multidimensional scaling, and self-organizing maps | |
CN116628525B (zh) | 一种新能源汽车产业链供应链的空间特征提取方法及*** | |
CN109006076A (zh) | 霜冻预警方法、装置、可读存储介质及人机交互装置 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20191105 |