CN110689131A - 一种基于朴素贝叶斯模型的车辆能耗影响分析方法 - Google Patents
一种基于朴素贝叶斯模型的车辆能耗影响分析方法 Download PDFInfo
- Publication number
- CN110689131A CN110689131A CN201910920130.XA CN201910920130A CN110689131A CN 110689131 A CN110689131 A CN 110689131A CN 201910920130 A CN201910920130 A CN 201910920130A CN 110689131 A CN110689131 A CN 110689131A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- information
- gear
- data
- 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.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N7/00—Computing arrangements based on specific mathematical models
- G06N7/01—Probabilistic graphical models, e.g. probabilistic networks
-
- 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
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Computational Mathematics (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Marketing (AREA)
- Game Theory and Decision Science (AREA)
- Probability & Statistics with Applications (AREA)
- Algebra (AREA)
- Artificial Intelligence (AREA)
- Tourism & Hospitality (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Control Of Transmission Device (AREA)
Abstract
一种基于朴素贝叶斯模型的车辆能耗影响分析方法,对车辆驾驶数据进行处理后再进行计算,得到车辆数据信息;通过联机分析处理对车辆数据信息进行多维度的分析,得到车辆因素和油耗的二维视图,通过判断各种车辆因素与油耗的二维视图是否有关联,从而筛选得到影响油耗的因素;对筛选出的影响油耗的因素进行离散化处理,然后划分为若个子类,并通过朴素贝叶斯模型计算各种影响油耗的因素的估计概率,确定对油耗影响最大的信息。本发明采用联机分析处理***进行数据分析,分析各个因素是否与油耗有关联,对与油耗有关联的因素,使用数据挖掘来确定主要的节省燃料的影响因素,从而确定司机的驾驶习惯和风格,给出驾驶建议,从而达到节能驾驶的目的。
Description
技术领域
本发明属于生态驱动领域,具体涉及一种基于朴素贝叶斯模型的车辆能耗影响分析方法。
背景技术
评价驾驶员的表现和促进节能驾驶一直是节能驾驶研究领域关注的热点,在具有一定交通条件、行程、载重等特点的环境中,司机控制着车辆的速度、加速、制动、发动机转速、离合以及行驶路线。不同的驾驶方式导致不同的油耗水平,从而影响驾驶效率。
基于数据挖掘的方式以及客观评价节能驾驶的方法受到了很多的关注。在节能驾驶的研究中,主要问题是如何将影响车辆油耗的因素准确地判定出来,以及如何给出司机节能驾驶的有效建议。传统判定方法的数据往往是通过问卷调查来获取,或者研究使用虚拟驾驶模拟器从人类驾驶员收集真实的驾驶数据,并对人类的驾驶行为进行建模,结合客观排序方法将驾驶行为分为不同的类型,传统的方法并不能有效的对影响油耗的因素做出评价。
发明内容
针对确定影响油耗主要因素问题,本发明的目的在于提出一种基于朴素贝叶斯模型的车辆能耗影响分析方法。
为实现上述目的,本发明采用如下的技术方案:
一种基于朴素贝叶斯模型的车辆能耗影响分析方法,包括以下步骤:
步骤一:通过智能车载GPS传感器获取车辆驾驶数据;
步骤二:对车辆驾驶数据进行处理后再进行计算,得到车辆数据信息;
步骤三:通过联机分析处理对车辆数据信息进行多维度的分析,得到车辆因素和油耗的二维视图,通过判断各种车辆因素与油耗的二维视图是否有关联,从而筛选得到影响油耗的因素;
步骤四:对步骤三筛选出的影响油耗的因素进行离散化处理,然后划分为若个子类,并通过朴素贝叶斯模型计算各种影响油耗的因素的估计概率,最终确定对油耗影响最大的信息。
本发明进一步的改进在于,步骤一中,车辆驾驶数据包括原始GPS数据、车辆发动机数据、车辆属性数据、车辆档位速比数据、车辆驾驶行为数据以及车辆空挡滑行数据。
本发明进一步的改进在于,步骤二的具体过程如下:检查车辆驾驶数据信息是否完整,然后对数据进行清洗去除异常数据和信息不全的数据,再进行计算得到车辆数据信息。
本发明进一步的改进在于,步骤二中,车辆数据信息包括车辆的平均速度信息、车辆的加减速信息、车辆上下坡信息、车辆的档位信息、车辆的离合信息、车辆的行驶路线、车辆的型号、车辆的怠速时长信息以及车辆的空挡滑行次数信息。
本发明进一步的改进在于,车辆的平均速度信息通过以下公式计算得到:
其中v表示每辆车每天的平均速度,s表示的为车辆每天的总行驶里程,t表示的为车辆每天的总行驶时间。
本发明进一步的改进在于,车辆的加减速信息通过以下公式计算:
其中a为车辆的加速度,a为正值,表示加速,a为负值,表示减速,vi+1表示i+1采样时刻的瞬时速度,vi表示i采样时刻的瞬时速度,t表示i+1时刻和i时刻之间的时间间隔。
本发明进一步的改进在于,车辆上下坡信息通过以下过程得到:
首先通过以下公式计算坡度:
根据车辆GPS数据提供的高程信息计算车辆行驶路线的坡度信息,公式如下:
其中,α为计算的坡度,h为前后两个采样点的里程差,s为前后两个采样点的水平距离;
车辆上下坡信息为:
1)若计算出的坡度为正值,则表示上坡;
2)若计算出的坡度为负值,则表示下坡。
本发明进一步的改进在于,车辆的行驶路线通过以下过程得到:将车辆的GPS数据信息进行地图匹配,得到车辆的行驶路线信息。
本发明进一步的改进在于,车辆的档位信息通过以下过程得到:根据车速和轮胎半径计算出轮胎转速,然后根据发动机转速、轮胎转速和驱动桥速比的比值计算出变速箱速比,然后比对输入的变速箱各档位速比,计算车辆的变速箱档位信息;
计算公式如下:
其中,ig为变速箱速比,nl为轮胎转速,ne为发动机转速,i0为驱动桥速比,v为车速,r为车辆轮胎半径。
根据计算出的变速箱速比、不同变速箱的种类以及其对应变速箱各档位标准速比和上下限值速比确定其档位,具体过程如下:
如果ig≥18或者ig≤0.5,则判断为空挡;
某挡位的i下限值<ig≤该挡位的i上限值,则判断为相应档位;
1挡的i下限值=(1挡的标准速比+2挡的标准速比)/2;1挡的i上限值=18;
2挡的i下限值=(2挡的标准速比+3挡的标准速比)/2;
2挡的i上限值=(1挡的标准速比+2挡的标准速比)/2;
最高挡的i下限值=0.5;
最高挡的i上限值=(最高挡的标准速比+次高挡的标准速比)/2。
本发明进一步的改进在于,步骤三中,影响油耗的因素包括车辆的上下坡信息、车辆的平均速度信息、车辆的加速信息、车辆的档位信息、车辆的离合信息与车辆的怠速信息。
与现有技术相比,本发明具有的有益效果为:本发明采用联机分析处理***进行数据分析,即通过引入基于数据立方体的操作,该***允许通过任何选定的数据维度进行旋转、钻取、切片和切块,分析各个因素是否与油耗有关联,对与油耗有关联的因素,使用数据挖掘来确定主要的节省燃料的影响因素。通过联机分析处理筛选出的影响车辆的油耗的因素之后,对影响油耗的各类因素进行离散化处理,按照数据离散过程的划分准则对影响油耗的因素划分为五类,通过朴素贝叶斯计算出各个因素中的每个子类的概率,对计算出来的概率进行排序,概率越大,对油耗的影响越大,通过对数据的离散化可以更加具体的确定影响油耗的每个因素的具体为那个子类。并通过对车辆数据的分析确定司机的驾驶习惯和风格,给出驾驶建议,从而达到节能驾驶的目的,同时根据主要的影响因素的可以提供一些更加客观的评价节能驾驶效率的指标。
附图说明
图1为本发明中基于等面积聚类对百公里油耗划分图。
图2为本发明判定影响油耗因素的流程框图。
图3为坡度示意图。
具体实施方式
以下结合附图对本发明提出的基于朴素贝叶斯确定影响油耗主要因素的方法进行说明,包含以下步骤:
参见图2,本发明的一种基于朴素贝叶斯模型的车辆能耗影响分析方法,包括以下步骤:
步骤一:通过智能车载GPS传感器获取车辆驾驶数据,车辆驾驶数据包括原始GPS数据、车辆发动机数据、车辆属性数据、车辆档位速比数据、车辆驾驶行为数据以及车辆空挡滑行数据;
步骤二:对车辆驾驶数据进行处理后再进行计算得到车辆数据信息;车辆数据信息包括车辆的平均速度信息、车辆的加减速信息、车辆上下坡信息、车辆的档位信息、车辆的离合信息、车辆的行驶路线、车辆的型号、车辆的怠速时长信息以及车辆的空挡滑行次数信息;
步骤二的具体过程如下:检查车辆驾驶数据信息是否完整,然后对数据进行清洗去除异常数据和信息不全的数据,再进行计算得到车辆数据信息;
(1)车辆的平均速度信息通过以下公式计算得到:
其中v表示每辆车每天的平均速度,s表示车辆每天的总行驶里程,t表示车辆每天的总行驶时间;
(2)车辆的加减速信息计算公式如下:
其中a表示车辆的加速度,a为正值,表示加速,a为负值,表示减速,vi+1表示i+1采样时刻的瞬时速度,vi表示i采样时刻的瞬时速度,t表示i+1时刻和i时刻之间的时间间隔。
(3)坡度计算如下:
根据车辆GPS数据提供的高程信息计算车辆行驶路线的坡度信息,公式如下:
其中,α为计算的坡度,h为前后两个采样点的里程差,s为前后两个采样点的水平距离。
坡度值以角度表示,是一个采样点按画线方向找到下一个采样点的连线与水平方向夹角的角度值。
参见图3,坡度有正负之分,图中,A为上一时刻的采样点,B为下一时刻的采样点;
车辆上下坡信息具体如下:
1)若B点高程比A高,则坡度为正值,则表示上坡。
2)若B点高程比A低,则坡度为负值,则表示下坡。
(4)车辆的行驶路线:将车辆的GPS数据信息进行地图匹配,可以得到车辆的行驶路线信息。
(5)车辆的档位信息:计算车辆的档位信息的具体过程如下:根据车速和轮胎半径计算出轮胎转速,然后根据发动机转速、轮胎转速和驱动桥速比的比值计算出变速箱速比,之后与相对应的变速箱各档位标准速比表进行比对,计算出车辆的变速箱档位信息。
计算公式如下:
其中,ig为变速箱速比,nl为轮胎转速,ne为发动机转速,i0为驱动桥速比,v为车速,r为车辆轮胎半径。
根据计算出的变速箱速比,不同的车辆可能会有不同的变速箱型号,不同的变速箱型号的车辆档位在计算时需要匹配相对应的变速箱标准速比表,以及其对应变速箱各档位标准速比和上下限值速比确定其档位,具体过程如下:
如果ig≥18或者ig≤0.5,则判断为空挡;
某挡位的i下限值<ig≤该挡位的i上限值,则判断为相应档位;
1挡的i下限值=(1挡的标准速比+2挡的标准速比)/2;1挡的i上限值=18;
2挡的i下限值=(2挡的标准速比+3挡的标准速比)/2;
2挡的i上限值=(1挡的标准速比+2挡的标准速比)/2;
最高挡的i下限值=0.5;
最高挡的i上限值=(最高挡的标准速比+次高挡的标准速比)/2;
以12JSD160T型号变速箱为例,各挡位标准速比及各挡位上下限值速比计算结果如下表1所示:
表1 12JSD160T变速箱各档位标准速比及上下限值速比
档位 | 标准速比 | 上限值 | 下限值 |
1 | 15.53 | 18 | 13.805 |
2 | 12.08 | 13.805 | 10.735 |
3 | 9.39 | 10.735 | 8.36 |
4 | 7.33 | 8.36 | 6.53 |
5 | 5.73 | 6.53 | 5.095 |
6 | 4.46 | 5.095 | 3.97 |
7 | 3.487 | 3.97 | 3.095 |
8 | 2.71 | 3.095 | 2.405 |
9 | 2.1 | 2.405 | 1.87 |
10 | 1.64 | 1.87 | 1.46 |
11 | 1.28 | 1.46 | 1.14 |
12 | 1 | 1.14 | 0.5 |
步骤三:联机分析处理:通过联机分析处理OLAP对车辆数据信息进行分析,得到各种车辆因素与车辆油耗多个二维曲线图,通过观察各种车辆因素与车辆油耗的多个二维曲线图(每个二维图两个因素,纵坐标表示油耗信息,横坐标为步骤二统计的各个车辆属性信息),然后判断是否有关联,若有关联,则确定为影响油耗的因素。最终对步骤二中的可能影响油耗的因素通过联机分析处理:首先将步骤二中统计的各种车辆属性信息(车辆数据信息包括车辆的平均速度信息、车辆的加减速信息、车辆上下坡信息、车辆的档位信息、车辆的离合信息、车辆的行驶路线、车辆的型号、车辆的怠速时长信息以及车辆的空挡滑行次数信息)存储到数据仓库中,OLAP以数据仓库作为基础,通过对多维数据进行切片处理成两维(一维为油耗信息,一维为步骤二中的可能影响油耗的各个车辆因素),通过决策分析各因素与油耗是否有关联并对筛选出可能影响车辆的油耗因素,最终筛选出的结果为:车辆上下坡、车辆加减速、车辆的平均速度、车辆使用离合的次数、车辆的档位、车辆的怠速时长以及车辆的空挡滑行次数会影响车辆的油耗。
步骤三中,通过联机分析处理,根据步骤二中统计出来的可能影响油耗的因素与车辆的油耗是否有关联,初步对影响油耗的因素进行一个筛选,确定哪些因素影响车辆的油耗。
相关概念
维:表示的是人们观察数据的特定角度,是考虑问题时的一类属性,此属性集合构成一个维(例如时间维、地理维等),OLAP是一种软件技术可以使分析人员快速、一致、交互地从各个方面观察数据信息,已达到深入理解数据的目的,其具有共享多维信息的快速分析特征,可以对用户的多数分析要求作出快速反应,并且用户无需编程就可以定义新的计算,并将其作为分析的一部分,并以用户所希望的方式给出报告。
步骤四:首先对步骤三筛选出的车辆的各属性信息(上下坡信息、平均速度、车辆的加速信息、车辆的档位信息、车辆的离合信息、车辆的怠速信息)进行离散化处理,将每个属性信息按照离散化划分标准将其划分为五个子类(划分子类数目可变),表2为数据离散化表,统计在AFC1、AFC2、AFC3、AFC4、AFC5中的车辆数据,并通过朴素贝叶斯模型计算各种因素的估计概率,概率的高低决定对油耗影响的大小。
表2数据离散化表
对6种数据进行离散化的过程,不同因素划分标准不同,以下为数据离散过程的划分准则:
1)基于等面积的方法聚类:(例如划分百公里油耗为五类)
车辆按照百公里油耗从20L到160L范围内按车辆数目等数量的划分为五类AFC1、AFC2、AFC3、AFC4、AFC5,ACF1:表示百公里油耗在0L~28.71L的车辆,AFC1:表示百公里油耗在0L~28.71L的车辆,AFC2:表示百公里油耗在28.71L~34.33L的车辆,AFC3:表示百公里油耗在34.33L~43.17L的车辆,AFC4:表示百公里油耗在43.17L~66.17L的车辆,AFC5:表示百公里油耗大于66.17L的车辆,如图1所示。
2)根据百分比对数据的进行划分:
一般将每个类划分为五个子类,即:平均、低于平均、高于平均、极端高于平均、极端低于平均。例如:从数据中捕获的车辆行驶路线中的坡度事件,范围从0°~50°(根据车辆所提供的数据信息计算出车辆所行驶过的路线的坡度信息)。坡度划分为:属于AFC1的坡度为:0°~1°所占所有车辆坡度统计结果的15%;属于AFC2的坡度为:1°~5°所占所有车辆坡度统计结果的20%;属于AFC3的坡度为:5°~11°所占所有车辆坡度统计结果的30%;属于AFC4的坡度为:11°~26°所占所有车辆坡度统计结果的20%;属于AFC5的坡度为:26°~55°所占所有车辆坡度统计结果的15%。
步骤四中,使用朴素贝叶斯对步骤三中筛选出来的各种影响因素按照离散化分类(两种)标准进行离散化,将各类因素划分为五类,通过朴素贝叶斯数据挖掘可以计算出每类因素的影响的油耗的大小,并对每个因素划分的每个子类的影响因素进行概率估计,最终确定影响油耗的最大因素且可以具体到此因素的具体哪个子类影响最大。
本发明利用数据挖掘技术通过联机分析处理智能车载GPS或移动设备传感器获取的驾驶数据使得分析的结果更加精确,进而可以有效地确定影响油耗的主要因素,本发明基于数据挖掘技术,根据司机的驾驶效率对其进行分类,并通过对车辆数据的分析确定司机的驾驶习惯和风格,给出驾驶建议,从而达到节能驾驶的目的,同时根据主要的影响因素的可以提供一些更加客观的评价节能驾驶效率的指标。
本发明对车辆并没有明确要求,任何型号的车辆都适应,下面以重卡为例进行说明。
实施例1
步骤一:数据收集
本发明的原始数据为重型商用车辆数据(其它类型的车辆数据也适用),包含原始GPS数据、车辆发动机数据、车辆属性数据、车辆档位速比数据、车辆驾驶行为数据以及车辆空挡滑行数据;
步骤一中,数据是通过智能车载GPS传感器获取的真实的重卡汽车驾驶数据(其他车辆数据也适用)。
本发明采用的原始数据为天行健重卡数据集,对2018年具有完整信息的4月份234辆重卡汽车数据进行分析,原始数据包含如下表3、表4、表5、表6、表7、表8所示。表3中的原始GPS数据和表4中的发动机数据以文本文件存储,每行展示一条记录数据,文件名称分别为车辆ID_YYYYMMDD_GPS和车辆ID_YYYYMMDD_SPEED,每行内以JSON格式展示,并按下表5和表6顺序输出字段值。数据以文本文件存储,每行展示一条记录数据。
表3原始的GPS数据
表4发动机数据
表5车辆属性数据
表6车辆档位速比数据
表7车辆驾驶行为数据
表8车辆空挡滑行数据
步骤二:数据预处理
数据预处理过程包括检查数据是否信息完整,对数据进行清洗去除异常数据和信息不全的数据;在数据预处理过程中,在检查车辆数据是否完整的基础上,对其各类数据进行清洗处理,由于机器故障或智能车载仪器行驶在信号较弱或者被高大建筑物阻挡信号发射和接收,可能会造成GPS数据信号中定位信息车辆的经纬度定位不精准,发生漂移现象(对于此种情况可以使用数据插补的方法对其经纬度进行校正),或者某些车辆的记录存在为连续为零(例如其车表仪盘的记录数据中车辆的速度中天记录全部为零,但是其发动机转速不为零且行驶里程数据也在发生变化),对于此类数据因为存在整天的记录数据都为异常数据,因此可以将其剔除掉。
在整合信息时,通过车牌号和车辆日期对其进行匹配,查看车辆数据是否都有上述提到的六类数据与之对应,如果缺少其中的某一维信息,则对之后的数据处理将会产生无法计算出影响因素的统计,因此此类数据应该被剔除掉,对数据进行清洗去除掉异常数据,和信息不全的数据。
例如,原始的发动机数据中存在某些车辆的数据信息中发动机转速全部为零,但是通过查看GPS数据信息发现并非车辆速度为零,在处理此类数据时,通过读取同一辆车对应的两个数据文件,在处理同一辆车同一时刻可能会出现三种情况,一种为GPS数据中的车速和发动机数据(GPS数据中的车速单位为0.1km/h,发动机中的车速单位为km/h,首先将其数据化为同一单位km/h)一致,第二种情况为GPS数据中的车速信息不为零发动机数据中的车辆速度全部为零的情况,第三种情况为GPS数据中的车速和发动机的车速信息不一致情况,针对第一种情况:则表明数据正常,针对第二种情况,使用GPS中的车速替换发动机中的车速信息,针对第三种情况,则剔除掉此类数据。在处理数据时,会遇到可能智能车载设备未开启或者出现故障的原因,导致某些车辆数据记录只有几百行,此类数据如果被考虑进去则会对最终的结果出现一些误差,因此也将此类数据进行剔除处理。
通过步骤二可以得到车辆数据信息为:车辆的平均速度信息、车辆的加减速信息、车辆上下坡信息、车辆的档位信息、车辆的离合信息、车辆的行驶路线、车辆的型号、车辆的怠速时长信息以及车辆的空挡滑行次数信息。
具体如下:
(1)车辆的平均速度信息计算公式如下:
其中v表示每辆车每天的平均速度,s表示的为车辆每天的总行驶里程,t表示的为车辆每天的总行驶时间;
(2)车辆的加减速信息计算公式如下:
其中a表示的为车辆的加速度,a为正值,表示为加速,a为负值,表示为减速,vi+1表示i+1采样时刻的瞬时速度,vi表示i采样时刻的瞬时速度,t表示的为i+1时刻和i时刻之间的时间间隔。
(3)坡度计算如下:
根据车辆GPS数据提供的高程信息可计算出车辆行驶路线的坡度信息,公式如下:
坡度值以角度表示,是一个采样点按画线方向找到下一个采样点的连线与水平方向夹角的角度值。
参见图3,坡度有正负之分,图中,A为上一时刻的采样点,B为下一时刻的采样点,坡度的计算公式如下:
其中,α为计算的坡度,h为前后两个采样点的里程差,s为前后两个采样点的水平距离。
1)若B点高程比A高,则坡度为正值,则表示为上坡。
2)若B点高程比A低,则坡度为负值,则表示为下坡。
(4)车辆的行驶路线:将车辆的GPS数据信息进行地图匹配,可以得到车辆的行驶路线信息。
(5)计算车辆档位信息,具体过程如下:变速箱档位根据速比进行判断,需要根据车速和发动机转速计算总速比,然后根据后桥速比和轮胎滚动半径计算出变速箱速比,之后比对输入的变速箱各档位速比,计算出变速箱档位,计算公式如下:
其中,ig为变速箱速比,nl为轮胎转速,ne为发动机转速,i0为驱动桥速比,v为车速,r为车辆轮胎半径。
根据计算出的变速箱速比,根据不同变速箱的种类以及其对应变速箱各档位标准速比和上下限值速比确定其档位如下:
如果ig≥18或者ig≤0.5,则判断为空挡;
某挡位的i下限值<ig≤该挡位的i上限值,则判断为相应档位;
1挡的i下限值=(1挡的标准速比+2挡的标准速比)/2;1挡的i上限值=18;
2挡的i下限值=(2挡的标准速比+3挡的标准速比)/2;
2挡的i上限值=(1挡的标准速比+2挡的标准速比)/2;
最高挡的i下限值=0.5;
最高挡的i上限值=(最高挡的标准速比+次高挡的标准速比)/2;
步骤三:联机分析处理
联机分析处理OLAP(Online Analytical Processing)过程对步骤二中统计影响油耗因素的数据进行分析,确定步骤二中的因素是否对油耗有影响;通过联机分析处理得到的二维视图,步骤二中统计的各因素作为数据立方中不同维度的数据。通过联机分析处理,根据不同维度的信息(步骤二中统计出来的可能影响油耗的因素)与车辆的油耗是否有关联,初步对影响油耗的因素进行一个筛选,确定哪些因素影响车辆的油耗。
联机分析处理工具的目的在于简化和支持交互式数据分析,可以帮助从多个角度交互地分析多维数据。联机分析数据涉及三种分析操作:切片和切块、钻取、旋转。
对步骤二中的数据进行预处理之后,将所有可能因素的数据进行整合,然后通过联机分析处理(OLAP),将数据通过数据库进行输入,对多维数据建立起的数据立方体进行下钻取操作,然后再对数据进行切片操作,将不同维的数据和油耗维的数据两个维度(一维为油耗信息,一维为步骤二中的可能影响油耗的因素),进行观察,通过分析报告,可以得到该维度的数据(步骤二中统计的因素,即车辆的平均速度信息、车辆的加减速信息、车辆上下坡信息、车辆的档位信息、车辆的离合信息、车辆的行驶路线、车辆的型号、车辆的怠速时长信息以及车辆的空挡滑行次数信息)是否和油耗数据有关联,如果有关联则确定其为影响油耗的因素,如果没有关联则确定其不会对油耗产生影响,因此在步骤四中则没有必要再去考虑此因素,通过联机分析处理确定与油耗有关联的因素:车辆上下坡、车辆加减速、车辆的平均速度、车辆使用离合的次数、车辆的档位、车辆的怠速时长、车辆的空挡滑行次数。
步骤四:使用数据挖掘过程来确定影响油耗的主要因素
该过程是基于概率估计来执行的,首先对所有车辆的百公里油耗信息统计和排序,将车辆按照油耗等量的划分为五类(可以划分为若干类),在油耗划分较低的两个子类中,通过朴素贝叶斯模型计算各种因素的估计概率,概率的高低决定对油耗影响的大小;
步骤四中,在使用朴素贝叶斯确定影响油耗的主要因素前,首先对步骤三筛选出的上下坡信息、平均速度信息、车辆的加速信息、车辆的档位信息、车辆的离合信息与车辆的怠速信息进行离散化处理,按照离散化划分标准将其划分为若个子类,并通过朴素贝叶斯模型计算各种信息的估计概率,最终确定对油耗影响最大的信息。以下为数据离散过程的划分准则:
1)基于等面积的方法聚类:(例如划分百公里油耗为五类)
车辆按照百公里油耗从20L到160L范围内按车辆数目等数量的划分为五类AFC1、AFC2、AFC3、AFC4、AFC5,ACF1:表示百公里油耗在0L~28.71L的车辆,AFC1:表示百公里油耗在0L~28.71L的车辆,AFC2:表示百公里油耗在28.71L~34.33L的车辆,AFC3:表示百公里油耗在34.33L~43.17L的车辆,AFC4:表示百公里油耗在43.17L~66.17L的车辆,AFC5:表示百公里油耗大于66.17L的车辆,如图1所示。
2)根据百分比对数据的进行划分:
一般将每个类划分为五个子类,即:平均、低于平均、高于平均、极端高于平均、极端低于平均。例如:从数据中捕获的车辆行驶路线中的坡度事件,范围从0°~50°(根据车辆所提供的数据信息计算出车辆所行驶过的路线的坡度信息)。坡度划分为:属于AFC1的坡度为:0°~1°所占所有车辆坡度统计结果的15%;属于AFC2的坡度为:1°~5°所占所有车辆坡度统计结果的20%;属于AFC3的坡度为:5°~11°所占所有车辆坡度统计结果的30%;属于AFC4的坡度为:11°~26°所占所有车辆坡度统计结果的20%;属于AFC5的坡度为:26°~55°所占所有车辆坡度统计结果的15%。
步骤四中,使用朴素贝叶斯对步骤三中筛选出来的各种影响因素按照离散化分类(两种)标准进行离散化,将各类因素划分为五类,通过朴素贝叶斯数据挖掘可以计算出每类因素的影响的油耗的大小,并对每个因素划分的每个子类的影响因素进行概率估计,最终确定影响油耗的最大因素且可以具体到此因素的具体哪个子类影响最大。
朴素贝叶斯方法处理离散数据具有更好的性能,最终使用朴素贝叶斯的方法对步骤三中与油耗有关联的数据进行挖掘确定影响油耗的主要因素。
在离散化处理之后并考虑到可用的数据,离散化的数据(一部分)报表如下表9所示:
表9离散化的数据
使用朴素贝叶斯算法来识别可能对燃料产生影响的主要因素,这个过程是基于概率估计来执行的,采用朴素贝叶斯的方法计算影响油耗因素的公式如下:
其中,P(Ck|AFCj)表示为在j类百公里油耗情况下第k种因素对油耗影响的概率,其中j表示百公里油耗AFC的五个子类中的某一类,j的取值范围从1~5,k表示影响油耗的不同因素,P(AFCj)表示为对百公里油耗划分为五个子类中的某个百公里油耗区间的概率,对于所有的P(AFCj)都是相同的,因为其是基于等面积离散化处理的。Ck表示影响油耗的某种因素。
考虑到耗油量较低的AFC1子类,可以从百公里油耗AFC1和AFC2中通过朴素贝叶斯方法计算其各种因素的概率,计算公式如下:
其中,n表示为所有的影响因素(对步骤三中的9种影响油耗的因素离散化为五类,n表示为45个子类),k表示的为某种特定的影响因素(表示为45个子类中的一种)。
通过计算百公里油耗划分在AFC1和AFC2中的各因素概率的高低,可以确定影响油耗的主要因素,根据计算出来个各种因素的概率进行排序,概率越高则表明对油耗的影响越大,概率越低,则对油耗的影响越小,最后,将计算出的各种因素的概率进行排序,因为对每个因素进行了分类,所以可以从数据中更加具体的知道影响油耗的具体参数,因此可以制定一些节能驾驶的参数指标,油耗较高的司机需要通过参加专业培训养成节能驾驶的好习惯。
实验结果如下表10:
表10实验结果
由上表的实验结果,可列出了影响车辆油耗的前十名因素(IF表示影响因素):
IF-1:地形对车辆油耗的影响,上坡行为(上坡_1);
IF-2:档位对车辆油耗的影响,高档位的使用(档位_4);
IF-3:地形对车辆油耗的影响,下坡行为(下坡_1);
IF-4:档位对车辆油耗的影响,次高档位的使用(档位_3);
IF-5:怠速对车辆油耗的影响,怠速次数(怠速);
IF-6:加速行为对车辆油耗的影响,加速行为(加速_1);
IF-7:减速行为对车辆油耗的影响,减速行为(减速_1);
IF-8:急加速行为对车辆油耗的影响,加速行为(加速_4);
IF-9:离合使用对车辆油耗的影响,离合器使用(离合_4);
IF-10:空挡滑行对车辆油耗的影响,空挡滑行次数(空档滑行);
通过对这些车辆基本属性和行驶路线的分析,为驾驶员提出以下的驾驶建议:
1、合理选择行驶路线
在进行运输行驶之前,在不影响运输目的的情况下,对所选择的路线进行判断和合理规划,通过分析我们知道在大的载重情况下,车辆的爬坡和下坡行为对车辆的油耗有很大程度上的影响占比,在运输情况允许的情况下,尽量选择行驶过程平缓的路段。同时高速、国道这些道路的行驶状况相比其他道路有一定的优势。
2、行驶过程中尽可能保持车辆使用高档位
在车辆行驶过程中高档位可以使车辆的发动机处于一个较低的转速情况,能有效降低燃油。数据中显示在高油耗的AFC4和AFC5中,车辆的挡位使用并没有像低油耗车辆那样长时间使用高档位,所以要尽量从低挡位过渡到高档位,合理适当的使用离合器,降低发动机转速,保持发动机的稳定运行。
3、减少怠速时长,尽量避免发动机空转
在车辆停等情况下,尽量避免车辆处于怠速状态,数据显示怠速情况下的发动机空转会明显加大车辆的油耗,在运输过程中的停等区域,尽量保持发动机熄火,避免发动机空转,降低油耗,降低运输成本。
4、保持车速稳定,减少加速和制动
车辆行驶过程中,需要保持一个相对平稳的车速,这样既能保障运输,稳定的车速还能使发动机也处于一个稳定的运转状态,过多的不必要的加速制动操作势必要带来不必要的油耗。
5、合理利用空挡滑行
从五类油耗的横向对比来看,AFC1和AFC2的车辆会尽可能多的去使用车辆惯性去进行缓慢制动,这样避免了紧急制动带来的不必要油耗,所以建议合理使用离合器去配合适当的空挡滑行。
Claims (10)
1.一种基于朴素贝叶斯模型的车辆能耗影响分析方法,其特征在于,包括以下步骤:
步骤一:通过智能车载GPS传感器获取车辆驾驶数据;
步骤二:对车辆驾驶数据进行处理后再进行计算,得到车辆数据信息;
步骤三:通过联机分析处理对车辆数据信息进行多维度的分析,得到车辆因素和油耗的二维视图,通过判断各种车辆因素与油耗的二维视图是否有关联,从而筛选得到影响油耗的因素;
步骤四:对步骤三筛选出的影响油耗的因素进行离散化处理,然后划分为若个子类,并通过朴素贝叶斯模型计算各种影响油耗的因素的估计概率,最终确定对油耗影响最大的信息。
2.根据权利要求1所述的一种基于朴素贝叶斯模型的车辆能耗影响分析方法,其特征在于,步骤一中,车辆驾驶数据包括原始GPS数据、车辆发动机数据、车辆属性数据、车辆档位速比数据、车辆驾驶行为数据以及车辆空挡滑行数据。
3.根据权利要求1所述的一种基于朴素贝叶斯模型的车辆能耗影响分析方法,其特征在于,步骤二的具体过程如下:检查车辆驾驶数据信息是否完整,然后对数据进行清洗去除异常数据和信息不全的数据,再进行计算得到车辆数据信息。
4.根据权利要求2所述的一种基于朴素贝叶斯模型的车辆能耗影响分析方法,其特征在于,步骤二中,车辆数据信息包括车辆的平均速度信息、车辆的加减速信息、车辆上下坡信息、车辆的档位信息、车辆的离合信息、车辆的行驶路线、车辆的型号、车辆的怠速时长信息以及车辆的空挡滑行次数信息。
8.根据权利要求4所述的一种基于朴素贝叶斯模型的车辆能耗影响分析方法,其特征在于,车辆的行驶路线通过以下过程得到:将车辆的GPS数据信息进行地图匹配,得到车辆的行驶路线信息。
9.根据权利要求4所述的一种基于朴素贝叶斯模型的车辆能耗影响分析方法,其特征在于,车辆的档位信息通过以下过程得到:根据车速和轮胎半径计算出轮胎转速,然后根据发动机转速、轮胎转速和驱动桥速比的比值计算出变速箱速比,然后比对输入的变速箱各档位速比,计算车辆的变速箱档位信息;
计算公式如下:
其中,ig为变速箱速比,nl为轮胎转速,ne为发动机转速,i0为驱动桥速比,v为车速,r为车辆轮胎半径;
根据计算出的变速箱速比、不同变速箱的种类以及其对应变速箱各档位标准速比和上下限值速比确定其档位,具体过程如下:
如果ig≥18或者ig≤0.5,则判断为空挡;
某挡位的i下限值<ig≤该挡位的i上限值,则判断为相应档位;
1挡的i下限值=(1挡的标准速比+2挡的标准速比)/2;1挡的i上限值=18;
2挡的i下限值=(2挡的标准速比+3挡的标准速比)/2;
2挡的i上限值=(1挡的标准速比+2挡的标准速比)/2;
最高挡的i下限值=0.5;
最高挡的i上限值=(最高挡的标准速比+次高挡的标准速比)/2。
10.根据权利要求4所述的一种基于朴素贝叶斯模型的车辆能耗影响分析方法,其特征在于,步骤三中,影响油耗的因素包括车辆的上下坡信息、车辆的平均速度信息、车辆的加速信息、车辆的档位信息、车辆的离合信息与车辆的怠速信息。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910920130.XA CN110689131A (zh) | 2019-09-26 | 2019-09-26 | 一种基于朴素贝叶斯模型的车辆能耗影响分析方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910920130.XA CN110689131A (zh) | 2019-09-26 | 2019-09-26 | 一种基于朴素贝叶斯模型的车辆能耗影响分析方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110689131A true CN110689131A (zh) | 2020-01-14 |
Family
ID=69110539
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910920130.XA Pending CN110689131A (zh) | 2019-09-26 | 2019-09-26 | 一种基于朴素贝叶斯模型的车辆能耗影响分析方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110689131A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113435666A (zh) * | 2021-07-20 | 2021-09-24 | 山东大学 | 一种基于车辆运行状态的商用车油耗预测方法及*** |
WO2022062569A1 (zh) * | 2020-09-24 | 2022-03-31 | 华为技术有限公司 | 车辆能耗的评分方法和装置 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103235804A (zh) * | 2013-04-17 | 2013-08-07 | 华北电力大学 | 能源经济环境数据展示方法及展示平台 |
CN104992557A (zh) * | 2015-05-13 | 2015-10-21 | 浙江银江研究院有限公司 | 一种城市交通警情等级预测方法 |
CN106203735A (zh) * | 2016-07-27 | 2016-12-07 | 北京工业大学 | 一种机动车驾驶员驾驶行为能耗特征测算方法 |
CN106777625A (zh) * | 2016-12-02 | 2017-05-31 | 潍柴动力股份有限公司 | 驾驶行为对油耗影响的评价方法及*** |
CN107180288A (zh) * | 2017-07-21 | 2017-09-19 | 东软集团股份有限公司 | 驾驶行为能耗测算方法、装置、存储介质及电子设备 |
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 |
CN107403189A (zh) * | 2017-06-30 | 2017-11-28 | 南京理工大学 | 一种基于朴素贝叶斯分类器的风偏闪络预警方法 |
CN107631019A (zh) * | 2016-07-19 | 2018-01-26 | 厦门雅迅网络股份有限公司 | 一种变速箱档位标定的方法及*** |
CN109268492A (zh) * | 2018-12-03 | 2019-01-25 | 潍柴动力股份有限公司 | 一种整车档位的自适应标定方法及装置 |
CN109858700A (zh) * | 2019-02-01 | 2019-06-07 | 华北水利水电大学 | 基于相似样本筛选的bp神经网络供暖***能耗预测方法 |
CN109872075A (zh) * | 2019-03-05 | 2019-06-11 | 北京经纬恒润科技有限公司 | 一种油耗相关驾驶行为的评估方法及*** |
-
2019
- 2019-09-26 CN CN201910920130.XA patent/CN110689131A/zh active Pending
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103235804A (zh) * | 2013-04-17 | 2013-08-07 | 华北电力大学 | 能源经济环境数据展示方法及展示平台 |
CN104992557A (zh) * | 2015-05-13 | 2015-10-21 | 浙江银江研究院有限公司 | 一种城市交通警情等级预测方法 |
CN107631019A (zh) * | 2016-07-19 | 2018-01-26 | 厦门雅迅网络股份有限公司 | 一种变速箱档位标定的方法及*** |
CN106203735A (zh) * | 2016-07-27 | 2016-12-07 | 北京工业大学 | 一种机动车驾驶员驾驶行为能耗特征测算方法 |
CN106777625A (zh) * | 2016-12-02 | 2017-05-31 | 潍柴动力股份有限公司 | 驾驶行为对油耗影响的评价方法及*** |
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 |
CN107403189A (zh) * | 2017-06-30 | 2017-11-28 | 南京理工大学 | 一种基于朴素贝叶斯分类器的风偏闪络预警方法 |
CN107180288A (zh) * | 2017-07-21 | 2017-09-19 | 东软集团股份有限公司 | 驾驶行为能耗测算方法、装置、存储介质及电子设备 |
CN109268492A (zh) * | 2018-12-03 | 2019-01-25 | 潍柴动力股份有限公司 | 一种整车档位的自适应标定方法及装置 |
CN109858700A (zh) * | 2019-02-01 | 2019-06-07 | 华北水利水电大学 | 基于相似样本筛选的bp神经网络供暖***能耗预测方法 |
CN109872075A (zh) * | 2019-03-05 | 2019-06-11 | 北京经纬恒润科技有限公司 | 一种油耗相关驾驶行为的评估方法及*** |
Non-Patent Citations (1)
Title |
---|
JOÃO C. FERREIRA等: "The Impact of Driving Styles on Fuel Consumption: A Data-Warehouse-and-Data-Mining-Based Discovery Process", 《IEEE TRANSACTIONS ON INTELLIGENT TRANSPORTATION SYSTEMS》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2022062569A1 (zh) * | 2020-09-24 | 2022-03-31 | 华为技术有限公司 | 车辆能耗的评分方法和装置 |
CN113435666A (zh) * | 2021-07-20 | 2021-09-24 | 山东大学 | 一种基于车辆运行状态的商用车油耗预测方法及*** |
CN113435666B (zh) * | 2021-07-20 | 2023-11-07 | 山东大学 | 一种基于车辆运行状态的商用车油耗预测方法及*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Andre et al. | Driving cycles for emission measurements under European conditions | |
CN104715605B (zh) | 一种基于vsp分布的交通运行数据与排放数据耦合方法与*** | |
Ferreira et al. | The impact of driving styles on fuel consumption: A data-warehouse-and-data-mining-based discovery process | |
CN110276953A (zh) | 基于北斗定位***的车辆违规行驶风险分析方法 | |
CN103813943B (zh) | 用于估算车辆燃料消耗量的方法和设备 | |
CN109552338B (zh) | 一种纯电动汽车生态驾驶行为评估方法及*** | |
CN111047179B (zh) | 一种基于频繁模式挖掘的车辆运输效率分析方法 | |
CN103180884A (zh) | 驾驶者行为诊断方法和*** | |
CN105730450A (zh) | 基于车载数据的驾驶行为分析方法及评价*** | |
CN106022846A (zh) | 车险定价及二手车定价方法和装置 | |
CN107038860B (zh) | 一种基于adas技术及回归模型的用户驾驶行为评分方法 | |
Zhang et al. | The impact of socio-demographic characteristics and driving behaviors on fuel efficiency | |
CN102044153A (zh) | 一种交通流通畅等级评价的方法与*** | |
CN113173175B (zh) | 一种车辆重量确定方法及装置 | |
CN110689131A (zh) | 一种基于朴素贝叶斯模型的车辆能耗影响分析方法 | |
CN114332825B (zh) | 基于深度学习的道路地形分布识别方法、设备和存储介质 | |
CN106126637A (zh) | 一种交通工具类别识别方法及装置 | |
CN115221234A (zh) | 一种基于动力总成数据对用户进行画像的方法及*** | |
Vámosi et al. | Development of bus driving cycle for debrecen on the basis of real-traffic data | |
Salihu et al. | Effect of road slope on driving cycle parameters of urban roads | |
CN111680888B (zh) | 基于rfid数据确定路网容量的方法 | |
Yu et al. | Approach to development and evaluation of driving cycles for classified roads based on vehicle emission characteristics | |
CN115497306A (zh) | 一种基于gis数据的速度区间权重计算方法 | |
CN104118328A (zh) | 基于综合变量的汽车能耗率估计设备和方法 | |
CN204423430U (zh) | 一种物流车辆驾驶员绩效考核*** |
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: 20200114 |