CN110827446A - 一种电动汽车行驶状态预测方法 - Google Patents
一种电动汽车行驶状态预测方法 Download PDFInfo
- Publication number
- CN110827446A CN110827446A CN201911106798.7A CN201911106798A CN110827446A CN 110827446 A CN110827446 A CN 110827446A CN 201911106798 A CN201911106798 A CN 201911106798A CN 110827446 A CN110827446 A CN 110827446A
- Authority
- CN
- China
- Prior art keywords
- state
- state transition
- driving
- probability matrix
- running
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G07—CHECKING-DEVICES
- G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
- G07C5/00—Registering or indicating the working of vehicles
- G07C5/08—Registering or indicating performance data other than driving, working, idle, or waiting time, with or without registering driving, working, idle or waiting time
- G07C5/0808—Diagnosing performance data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2462—Approximate or statistical queries
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2465—Query processing support for facilitating data mining operations in structured databases
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2474—Sequence data queries, e.g. querying versioned data
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Probability & Statistics with Applications (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Fuzzy Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Electric Propulsion And Braking For Vehicles (AREA)
Abstract
本发明公开了一种电动汽车行驶状态预测方法,其中,包括如下步骤,S1,获取经过预处理后的行驶工况类别;S2,对各个行驶状态的行驶工况类别进行统计;S3,求出各个行驶状态的状态转移概率矩阵;S4,获取起始测试数据,确定该起始测试数据的归类;S5,根据该起始测试数据的归类及状态转移概率矩阵,确定概率最大的状态转移类别;将概率最大的状态转移类别作为预测结果。本发明能够对电动汽车行驶状态进行精准预测。
Description
技术领域
本发明涉及电动汽车技术领域,具体为一种电动汽车行驶状态预测方法。
背景技术
电动汽车是指以车载电源为动力,用电机驱动车轮行驶,符合道路交通、安全法规各项要求的车辆,由于对环境影响相对传统汽车较小,其前景被广泛看好,但当前技术尚不成熟,电动汽车的种类:电动汽车、混合动力汽车、燃料电池汽车。
为应对能源短缺和环境污染问题,新能源汽车的发展愈来愈受到各国政府和社会的关注,电动汽车具有高效、零排放等突出优点,是汽车发展的重要方向之一,现有技术中在对电动车行驶状态进行预测时无法得到精确的数据,在电动汽车行驶时由于无法及时对行驶工况类别进行统计,而影响最终预测的结果值,由于科学技术的发展和新能源的普及,这必然成为现有领域的研究项目之一。
发明内容
本发明的目的在于提供一种电动汽车行驶状态预测方法,具备可对电动汽车的行驶状态进行精准预测的优点,解决了在对电动车行驶状态进行预测时无法得到精确的数据,在电动汽车行驶时由于无法及时对行驶工况类别进行统计,而影响最终预测的结果值的问题。
为实现上述目的,本发明提供如下技术方案:一种电动汽车行驶状态预测方法,其中,包括如下步骤,
S1,获取经过预处理后的行驶工况类别;
S2,对各个行驶状态的行驶工况类别进行统计;
S3,求出各个行驶状态的状态转移概率矩阵;
S4,获取起始测试数据,确定该起始测试数据的归类;
S5,根据该起始测试数据的归类及状态转移概率矩阵,确定概率最大的状态转移类别;将概率最大的状态转移类别作为预测结果。
如上所述的电动汽车行驶状态预测方法,其中,可选的是,步骤S1具体包括:
S101,获取行驶工况及对应的时间序列;
S102,对各行驶工况和时间序列进行预处理,得到各个行驶工况类别;
S103,判断行驶工况类别是否健全;是,执行步骤S2;否,执行步骤S101。
如上所述的电动汽车行驶状态预测方法,其中,可选的是,判断行驶工况类别是否健全,具体为判断行驶工况类别是否包含所有的标准行驶工况类别。
如上所述的电动汽车行驶状态预测方法,其中,可选的是,步骤S3中,状态转移概率矩阵采用统计学方法计算;所述状态转移概率矩阵由各个状态转移概率构成,
其中,状态转移概率的计算公式为:
其中,pij为状态转矩概率矩阵中第i行第j列的概率值,X(t)为时间序列,其中,t的取值为从1到n的整数;mi表示状态si在不同时间段出现的次数,mij表示由状态si转移到状态mj的次数。
如上所述的电动汽车行驶状态预测方法,其中,可选的是,步骤S3中的状态转移概率矩阵表达示如下:
其中,P为状态转移概率矩阵。
与现有技术相比,本发明的有益效果如下:
1、本发明通过精确的获取经过预处理后的行驶工况类别时间,对归宿于各个行驶状态的行驶工况类别进行统计,求出状态转移概率并构成状态转移概率矩阵,算出各个行驶工况类别概率并得出最大概率后的行驶工况类别,以便对电动汽车行驶状态进行精准预测。
附图说明
图1为本发明实施例1的行驶状态预测流程图。
图2为本发明实施例1中步骤S1的具体步骤流程图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明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前提下所获得的所有其他实施例,都属于本发明保护的范围。
实施例1
请参照图1和图2,本实施例提出了一种电动汽车行驶状态预测方法,其中,包括如下步骤,
S1,获取经过预处理后的行驶工况类别;S2,对各个行驶状态的行驶工况类别进行统计;S3,求出各个行驶状态的状态转移概率矩阵。具体地,采集电动汽车实际道路行驶工况数据,提取运动学片段,基于主成分分析和聚类分析方法进行运动学片段特征值提取和分类处理,利用相关系数提取代表性行驶工况,构建符合电动汽车行驶工况特征的综合工况。为满足电动汽车行驶过程中通过实时获取的行驶状态进行能量在线优化管理的需要,引入多时间尺度运动学参数用于描述行驶状态处于运动学片段类内、类间及不同运动学片段间切换过程的准稳态特征,采用降维处理和模糊聚类方法,以运动学参数为特征参数对片段类内的片段进行二次聚类,实现对类内特征片段的提取和组合,完成电动汽车准稳态过程典型行驶工况构建,制定离线和在线运动学片段特征提取和分类准则。电动汽车的行驶状态呈现随机连续特性,因此制定综合工况、准稳态下的运动学片段特征提取和分类准则后,便得到随机过程的统计特性,对工况数据进行状态划分、模型事件分类、模型事件集确定,得到综合工况、准稳态工况下的行驶状态转移矩阵。
S4,获取起始测试数据,确定该起始测试数据的归类;S5,根据该起始测试数据的归类及状态转移概率矩阵,确定概率最大的状态转移类别;将概率最大的状态转移类别作为预测结果。如此,能够根据测试数据对状态转移类别进行准确预测,这种预测方法能够被充分利用在无法直接进行实车试验的仿真模型中,能够使模型更加接近实际,避免模型运行过程中的随机性。进而使模型仿真更加准确。
作为一种较佳的实施方式,请参照图2,步骤S1具体包括:
S101,获取行驶工况及对应的时间序列;
S102,对各行驶工况和时间序列进行预处理,得到各个行驶工况类别;
S103,判断行驶工况类别是否健全;是,执行步骤S2;否,执行步骤S101。如此,能够保证所构建的行驶工况类别包括所有的工况。以防止由于工况类别不全面而导致对部分的结果无法预测。
作为一种较佳的实施方式,判断行驶工况类别是否健全,具体为判断行驶工况类别是否包含所有的标准行驶工况类别。
作为一种较佳的实施方式,其中,定义集合S表示行驶工况的状态,时间序列X(t),t∈{1,2,3.....n}表示行驶工况在时间为t时的值。将行驶工况归属于不同的状态,从而构成了状态序列s(t)是一个状态集合,其包含了数目有限的状态元素,s(t)∈S,因此,行驶工况状态为:
S={s1,s2,...,sn};
每一个时间序列都要被归属于设定的状态时,即,X(t)∈S。
步骤S3中,状态转移概率矩阵采用统计学方法计算;所述状态转移概率矩阵由各个状态转移概率构成,
其中,状态转移概率的计算公式为:
其中,pij为状态转矩概率矩阵中第i行第j列的概率值,X(t)为时间序列,其中,t的取值为从1到n的整数;mi表示状态si在不同时间段出现的次数,mij表示由状态si转移到状态mj的次数。
作为一种较佳的实施方式,pij的值越精确,其得出的预测结果也就越准确。因此,历史数据的健全和实际量对转移概率的求解至关重要。转移概率求出之后,计算转移概率矩阵表达示如下:
其中,P为状态转移概率矩阵。获取工况数据并计算出转移概率矩阵后就可以进行行驶工况预测。首先对测试数据进行状态划分,假定Y(t)代表着测试数据,Y(i)代表预测的起始数据,s'i是Y(i)所处的状态。然后根据上述求得的转移概率矩阵P和当前的起始数据Y(i)所处在的状态s'i,就可以预测出起始数据下一步将处在的状态,其表达式
实施例2
本实施例提出了一种电动汽车行驶状态预测方法,其预测流程方式如下:
A、首先获取经过预处理后的行驶工况类别时间,检测该工况类别是否健全,如果不健全的话,将重复以上步骤,健全的话将直接进行以下步骤;具体地,所述工况类别是否健全,是指行驶工况类别是否包含了所有可能的工况类别,更具体地,可以通过判断行驶工况类别是否包含预设的所有标准工况类别来实现。
B、然后对归宿于各个行驶状态的行驶工况类别进行统计,求出状态转移概率并构成状态转移概率矩阵;
C、为第一个测试数据进行状态归类,并以此为开始预测后面的行驶工况类别;具体地,根据状态概率矩阵和第一个测试数据作为起始值,对下一行驶工况类别进行预测。
D、最后算出各个行驶工况类别概率并得出最大概率后的行驶工况类别,将最终预测的结果值输出。具体地,以最大概率的行驶工况类别为预测结果进行输出。然后再对下一个测试数据进行状态归类,并根据该状态归类结果和状态转移概率矩阵作出预测。当然,在预测的过程中,也可以根据需要对状态转移概率矩阵作出微调。
具体实施时,状态转移概率矩阵的微调为,将汽车实际行驶过程中由前一行驶工况类别转移到当前行驶工况类别时的次数计入到预处理后的行驶工况类别时间,然后重新计算状态转移概率矩阵。并将重新计算的状态转移概率矩阵用于下次估算。如此,能够不断增大数据量,提高状态转移概率矩阵的准确率,尤其是对于经常在同一路段行驶的汽车来说,如用于上班族的代步车,经过不断的数据累计,能够使预测结果更加准确,通过对于行驶状态的预测,能够提前为下一工况作出反应,以便将电动汽车调节到与下一工况相适配的控制策略,能够大大提高电动汽车的续航里程。
尽管已经示出和描述了本发明的实施例,对于本领域的普通技术人员而言,可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型,本发明的范围由所附权利要求及其等同物限定。
Claims (5)
1.一种电动汽车行驶状态预测方法,其特征在于:包括如下步骤,
S1,获取经过预处理后的行驶工况类别;
S2,对各个行驶状态的行驶工况类别进行统计;
S3,求出各个行驶状态的状态转移概率矩阵;
S4,获取起始测试数据,确定该起始测试数据的归类;
S5,根据该起始测试数据的归类及状态转移概率矩阵,确定概率最大的状态转移类别;将概率最大的状态转移类别作为预测结果。
2.根据权利要求1所述的电动汽车行驶状态预测方法,其特征在于:步骤S1具体包括:
S101,获取行驶工况及对应的时间序列;
S102,对各行驶工况和时间序列进行预处理,得到各个行驶工况类别;
S103,判断行驶工况类别是否健全;是,执行步骤S2;否,执行步骤S101。
3.根据权利要求2所述的电动汽车行驶状态预测方法,其特征在于:判断行驶工况类别是否健全,具体为判断行驶工况类别是否包含所有的标准行驶工况类别。
4.根据权利要求1-3任一项所述的电动汽车行驶状态预测方法,其特征在于:步骤S3中,状态转移概率矩阵采用统计学方法计算;所述状态转移概率矩阵由各个状态转移概率构成,
其中,状态转移概率的计算公式为:
其中,pij为状态转矩概率矩阵中第i行第j列的概率值,X(t)为时间序列,其中,t的取值为从1到n的整数;mi表示状态si在不同时间段出现的次数,mij表示由状态si转移到状态mj的次数。
5.根据权利要求4所述的电动汽车行驶状态预测方法,其特征在于:步骤S3中的状态转移概率矩阵表达示如下:
其中,P为状态转移概率矩阵。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911106798.7A CN110827446A (zh) | 2019-11-13 | 2019-11-13 | 一种电动汽车行驶状态预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911106798.7A CN110827446A (zh) | 2019-11-13 | 2019-11-13 | 一种电动汽车行驶状态预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110827446A true CN110827446A (zh) | 2020-02-21 |
Family
ID=69554604
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911106798.7A Pending CN110827446A (zh) | 2019-11-13 | 2019-11-13 | 一种电动汽车行驶状态预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110827446A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114248781A (zh) * | 2020-09-21 | 2022-03-29 | 比亚迪股份有限公司 | 车辆工况的预测方法、装置及车辆 |
Citations (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20060155541A1 (en) * | 2005-01-07 | 2006-07-13 | Tate Edward D Jr | Method of modeling vehicle parameter cycles |
CN103745111A (zh) * | 2014-01-15 | 2014-04-23 | 华南农业大学 | 纯电动乘用车续驶里程预测方法 |
CN103995464A (zh) * | 2014-05-26 | 2014-08-20 | 北京理工大学 | 一种估计电动车辆的动力***的参数和状态的方法 |
CN104792543A (zh) * | 2015-04-17 | 2015-07-22 | 北京理工大学 | 一种道路循环工况的构建方法 |
CN105416077A (zh) * | 2015-12-01 | 2016-03-23 | 北京理工大学 | 一种电动汽车的能量管理***及管理方法 |
CN105868787A (zh) * | 2016-03-31 | 2016-08-17 | 江苏大学 | 基于工况识别和模糊能耗的电动汽车续驶里程估算方法 |
CN106326581A (zh) * | 2016-08-29 | 2017-01-11 | 北京新能源汽车股份有限公司 | 一种续驶里程的确定方法、装置及汽车 |
CN106427589A (zh) * | 2016-10-17 | 2017-02-22 | 江苏大学 | 基于工况预测和模糊能耗的电动汽车续驶里程估算方法 |
CN107133374A (zh) * | 2017-01-23 | 2017-09-05 | 长安大学 | 一种模态工况的构建方法 |
CN107506334A (zh) * | 2017-07-26 | 2017-12-22 | 河海大学 | 一种描述电动汽车行驶行为的隐马尔可夫模型计算方法 |
CN107516107A (zh) * | 2017-08-01 | 2017-12-26 | 北京理工大学 | 一种混合动力车辆的行驶工况分类预测方法 |
CN107689161A (zh) * | 2017-09-13 | 2018-02-13 | 南京航空航天大学 | 人‑车‑交通路况互联的智能汽车实际行驶工况构建*** |
US20180165894A1 (en) * | 2016-12-13 | 2018-06-14 | The Boeing Company | Vehicle system prognosis device and method |
US20180164825A1 (en) * | 2016-12-09 | 2018-06-14 | Zendrive, Inc. | Method and system for risk modeling in autonomous vehicles |
CN108198425A (zh) * | 2018-02-10 | 2018-06-22 | 长安大学 | 一种电动汽车行驶工况的构建方法 |
CN108734810A (zh) * | 2018-04-17 | 2018-11-02 | 江苏大学 | 一种基于车联网的纯电动汽车行驶工况预测方法 |
CN110111446A (zh) * | 2019-01-25 | 2019-08-09 | 东北大学 | 一种基于运行工况的高铁列车数据自适应采集***及方法 |
US20190310618A1 (en) * | 2018-04-06 | 2019-10-10 | Hitachi, Ltd. | System and software for unifying model-based and data-driven fault detection and isolation |
-
2019
- 2019-11-13 CN CN201911106798.7A patent/CN110827446A/zh active Pending
Patent Citations (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20060155541A1 (en) * | 2005-01-07 | 2006-07-13 | Tate Edward D Jr | Method of modeling vehicle parameter cycles |
CN103745111A (zh) * | 2014-01-15 | 2014-04-23 | 华南农业大学 | 纯电动乘用车续驶里程预测方法 |
CN103995464A (zh) * | 2014-05-26 | 2014-08-20 | 北京理工大学 | 一种估计电动车辆的动力***的参数和状态的方法 |
CN104792543A (zh) * | 2015-04-17 | 2015-07-22 | 北京理工大学 | 一种道路循环工况的构建方法 |
CN105416077A (zh) * | 2015-12-01 | 2016-03-23 | 北京理工大学 | 一种电动汽车的能量管理***及管理方法 |
CN105868787A (zh) * | 2016-03-31 | 2016-08-17 | 江苏大学 | 基于工况识别和模糊能耗的电动汽车续驶里程估算方法 |
CN106326581A (zh) * | 2016-08-29 | 2017-01-11 | 北京新能源汽车股份有限公司 | 一种续驶里程的确定方法、装置及汽车 |
CN106427589A (zh) * | 2016-10-17 | 2017-02-22 | 江苏大学 | 基于工况预测和模糊能耗的电动汽车续驶里程估算方法 |
US20180164825A1 (en) * | 2016-12-09 | 2018-06-14 | Zendrive, Inc. | Method and system for risk modeling in autonomous vehicles |
US20180165894A1 (en) * | 2016-12-13 | 2018-06-14 | The Boeing Company | Vehicle system prognosis device and method |
CN107133374A (zh) * | 2017-01-23 | 2017-09-05 | 长安大学 | 一种模态工况的构建方法 |
CN107506334A (zh) * | 2017-07-26 | 2017-12-22 | 河海大学 | 一种描述电动汽车行驶行为的隐马尔可夫模型计算方法 |
CN107516107A (zh) * | 2017-08-01 | 2017-12-26 | 北京理工大学 | 一种混合动力车辆的行驶工况分类预测方法 |
CN107689161A (zh) * | 2017-09-13 | 2018-02-13 | 南京航空航天大学 | 人‑车‑交通路况互联的智能汽车实际行驶工况构建*** |
CN108198425A (zh) * | 2018-02-10 | 2018-06-22 | 长安大学 | 一种电动汽车行驶工况的构建方法 |
US20190310618A1 (en) * | 2018-04-06 | 2019-10-10 | Hitachi, Ltd. | System and software for unifying model-based and data-driven fault detection and isolation |
CN108734810A (zh) * | 2018-04-17 | 2018-11-02 | 江苏大学 | 一种基于车联网的纯电动汽车行驶工况预测方法 |
CN110111446A (zh) * | 2019-01-25 | 2019-08-09 | 东北大学 | 一种基于运行工况的高铁列车数据自适应采集***及方法 |
Non-Patent Citations (4)
Title |
---|
尹安东: "基于行驶工况识别的纯电动汽车续驶里程估算", 《汽车工程》 * |
潘登: "混合动力汽车城市循环工况构建及运行工况多尺度预测", 《中国优秀硕士学位论文全文数据库》 * |
熊瑞: "电动汽车行驶工况虚实结合实验教学***设计", 《实验技术与管理》 * |
罗玉涛: "混合动力电动汽车行驶工况分析与识别", 《华南理工大学学报(自然科学版)》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114248781A (zh) * | 2020-09-21 | 2022-03-29 | 比亚迪股份有限公司 | 车辆工况的预测方法、装置及车辆 |
CN114248781B (zh) * | 2020-09-21 | 2024-04-16 | 比亚迪股份有限公司 | 车辆工况的预测方法、装置及车辆 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111340289B (zh) | 一种基于遗传算法的公交发车与车速调整优化方法及*** | |
CN110667434A (zh) | 一种自适应工况的纯电动汽车行驶里程估计方法及*** | |
Xie et al. | A hybrid method combining Markov prediction and fuzzy classification for driving condition recognition | |
CN105160428A (zh) | 高速公路电动汽车快速充电站的规划方法 | |
CN110728772A (zh) | 一种有轨电车典型行驶工况构建方法 | |
Gong et al. | Statistical analysis of PHEV fleet data | |
Gong et al. | The role of ITS in PHEV performance improvement | |
CN114049699B (zh) | 一种基于数据分析的车辆燃油经济性评价方法 | |
CN103745110A (zh) | 纯电动公交车营运续驶里程估算方法 | |
CN114084024A (zh) | 基于充电网的电动汽车大功率充电监控与多级预报警方法 | |
CN116700296A (zh) | 基于深度学习的自主充电无人电动车智能规划方法及*** | |
Montazeri-Gh et al. | Driving condition recognition for genetic-fuzzy HEV control | |
CN115936205A (zh) | 一种用于停车场的车辆充电规划方法 | |
Yu et al. | A-EMCS for PHEV based on real-time driving cycle prediction and personalized travel characteristics | |
CN114463868A (zh) | 面向交通流管控的收费站交通流组合预测方法及*** | |
CN117746626A (zh) | 基于车流量的智慧交通管理方法及*** | |
CN110827446A (zh) | 一种电动汽车行驶状态预测方法 | |
CN111724592A (zh) | 一种基于收费数据与卡口数据的高速公路交通拥堵检测方法 | |
CN114817371A (zh) | 一种基于XGBoost的车辆行驶工况识别方法 | |
Chen et al. | A novel method of developing driving cycle for electric vehicles to evaluate the private driving habits | |
Xu et al. | Research on estimation method of mileage power consumption for electric vehicles | |
CN117408360A (zh) | 基于云域交互生成车辆管理策略的方法、装置及设备 | |
CN114545276A (zh) | 基于容量测试与车联网大数据的动力电池寿命预测方法 | |
CN111985820A (zh) | 充电运营管理***基于fnn和ds融合的故障识别方法 | |
CN113989066A (zh) | 基于大数据的电堆能耗分析 |
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 |
Application publication date: 20200221 |
|
RJ01 | Rejection of invention patent application after publication |