CN112035942A - 一种基于驾驶行为的能耗仿真方法和装置 - Google Patents

Abstract

本发明实施例公开了一种基于驾驶行为的能耗仿真方法和装置，根据采集的驾驶行为数据构建样本数据库，驾驶行为数据包括多组驾驶行为特征；对样本数据库进行主成分分析PCA处理，获得主成分得分矩阵，并根据主成分得分矩阵确定主成分；通过对主成分进行处理，获得目标速度曲线，目标速度曲线为对采集的驾驶行为数据进行拟合得到的曲线；对目标速度曲线进行仿真，得到驾驶行为对应的仿真能耗。这样，对驾驶人员的任何驾驶行为，都能够有效的仿真出该驾驶行为对应的能耗，实现驾驶行为和能耗之间对应关系的量化，从而为根据仿真结果可以针对性的指导用户的实际驾驶行为，为良好的、低能耗的驾驶行为提供了参考依据。

Description

一种基于驾驶行为的能耗仿真方法和装置

技术领域

本发明涉及车辆技术领域，特别是涉及一种基于驾驶行为的能耗仿真方法和装置。

背景技术

目前，作为新型的混合动力电动汽车，插电式混合动力汽车(英文：Plug-inHybrid Electric Vehicle，简称：PHEV)，PHEV虽然动力电池包容量较大，可以为用户提供较长的续航里程，但是，不同于传统的混合动力汽车，PHEV的电量用尽后，无法通过发动机工作为该动力电池包充电，所以，需要在使用PHEV时对其动力电池包的剩余电量进行合理、准确的评估。

由于驾驶人员的驾驶行为和PHEV动力电池包能耗之间存在一定的关联关系，良好的驾驶行为可能消耗较少的动力电池包的能耗，反之，恶劣的驾驶行为可能会造成超高的动力电池包能耗的浪费，因此，急需基于各种不同的驾驶行为对动力电池包的能耗的影响进行研究，量化驾驶行为和能耗之间的关系，以便PHEV可以更好的得到推广，并且为驾驶人员的驾驶行为提供一定的依据。

发明内容

为了解决上述问题，本发明实施例提供了一种基于驾驶行为的能耗仿真方法和装置，对驾驶人员的任何驾驶行为，都能够仿真出该驾驶行为对应的能耗，实现了驾驶行为和能耗之间对应关系的量化，从而为针对性的指导用户的实际驾驶行为提供了依据。

第一方面，提供了一种基于驾驶行为的能耗仿真方法，包括：

根据采集的驾驶行为数据构建样本数据库，所述驾驶行为数据包括多组驾驶行为特征；

对所述样本数据库进行主成分分析PCA处理，获得主成分得分矩阵，并根据所述主成分得分矩阵确定主成分；所述主成分的个数小于所述驾驶行为特征的组的个数；

通过对所述主成分进行处理，获得目标速度曲线；所述目标速度曲线为对采集的所述驾驶行为数据进行拟合得到的曲线；

对所述目标速度曲线进行仿真，得到驾驶行为对应的仿真能耗。

可选地，所述根据所述主成分得分矩阵确定主成分，包括：

分别查找所述主成分得分矩阵的每一列中绝对值最大的前预设个数的数值；

根据每一列所查找到的所述数值对应的驾驶行为特征，确定每一列对应的主成分。

可选地，所述通过对所述主成分进行处理获得目标速度曲线，包括：

统计所述样本数据库，获得预设实现次数的目标值；

对当前实际速度曲线进行短行程算法处理，获得候选速度曲线；

若所述候选速度曲线中特征参数和所述目标值匹配，则将所述候选速度曲线记作目标速度曲线。

可选地，所述若所述候选速度曲线中特征参数和所述目标值匹配，则将所述候选速度曲线记作目标速度曲线，包括：

计算各候选速度曲线的特征参数和所述目标值的平均相对误差；

确定所述平均相对误差中的最小值对应的候选速度曲线，记作所述目标速度曲线。

可选地，所述对所述目标速度曲线进行仿真得到驾驶行为对应的仿真能耗，包括：

将所述目标速度曲线输入到预设的驾驶员模型中，输出所述驾驶行为对应的仿真能耗；

其中，所述驾驶员模型为通过大量的用于训练的数据样本训练后的神经网络模型，所述用于训练的数据样本包括历史驾驶行为数据和对应的实际能耗。

可选地，所述仿真能耗为将电量消耗和/或油量消耗进行折算后的货币数值。

可选地，该方法还包括：

对于不同的能耗仿真过程，根据所述仿真能耗和所述主成分，计算驾驶行为的敏感度；所述敏感度用于表示所述仿真能耗和所述主成分之间相互影响的程度。

可选地，所述根据所述仿真能耗和所述主成分计算驾驶行为的敏感度，包括：

计算所述仿真能耗和所述主成分之间的协方差；

将所述协方差记作所述驾驶行为的敏感度；

其中，所述敏感度越大，表示所述主成分的变化越容易影响所述仿真能耗的变化；所述敏感度越小，表示所述主成分的变化越不容易影响所述仿真能耗的变化。

第二方面，还提供了一种基于驾驶行为的能耗仿真装置，包括：

构建模块，用于根据采集的驾驶行为数据构建样本数据库，所述驾驶行为数据包括多组驾驶行为特征；

确定模块，用于对所述样本数据库进行主成分分析PCA处理，获得主成分得分矩阵，并根据所述主成分得分矩阵确定主成分；所述主成分的个数小于所述驾驶行为特征的组的个数；

获取模块，用于通过对所述主成分进行处理，获得目标速度曲线；所述目标速度曲线为对采集的所述驾驶行为数据进行拟合得到的曲线；

仿真模块，用于对所述目标速度曲线进行仿真，得到驾驶行为对应的仿真能耗。

可选地，所述确定模块，包括：

查找单元，用于分别查找所述主成分得分矩阵的每一列中绝对值最大的前预设个数的数值；

第一确定单元，用于根据每一列所查找到的所述数值对应的驾驶行为特征，确定每一列对应的主成分。

可选地，所述获取模块，包括：

统计单元，用于统计所述样本数据库，获得预设实现次数的目标值；

获取单元，用于对当前实际速度曲线进行短行程算法处理，获得候选速度曲线；

比较单元，用于若所述候选速度曲线中特征参数和所述目标值匹配，则将所述候选速度曲线记作目标速度曲线。

可选地，所述比较单元，包括：

计算子单元，用于计算各候选速度曲线的特征参数和所述目标值的平均相对误差；

确定子单元，用于确定所述平均相对误差中的最小值对应的候选速度曲线，记作所述目标速度曲线。

可选地，所述仿真模型，具体用于：

将所述目标速度曲线输入到预设的驾驶员模型中，输出所述驾驶行为对应的仿真能耗；

其中，所述驾驶员模型为通过大量的用于训练的数据样本训练后的神经网络模型，所述用于训练的数据样本包括历史驾驶行为数据和对应的实际能耗。

可选地，所述仿真能耗为将电量消耗和/或油量消耗进行折算后的货币数值。

可选地，该装置还包括：

敏感度计算模型，用于对于不同的能耗仿真过程，根据所述仿真能耗和所述主成分，计算驾驶行为的敏感度；所述敏感度用于表示所述仿真能耗和所述主成分之间相互影响的程度。

可选地，所述敏感度计算模型，包括：

计算单元，用于计算所述仿真能耗和所述主成分之间的协方差；

第二确定单元，用于将所述协方差记作所述驾驶行为的敏感度；

其中，所述敏感度越大，表示所述主成分的变化越容易影响所述仿真能耗的变化；所述敏感度越小，表示所述主成分的变化越不容易影响所述仿真能耗的变化。

在本发明实施例中，首先，根据采集的驾驶行为数据构建样本数据库，所述驾驶行为数据包括多组驾驶行为特征；然后，对所述样本数据库进行主成分分析PCA处理，获得主成分得分矩阵，并根据所述主成分得分矩阵确定主成分，其中，所述主成分的个数小于所述驾驶行为特征的组的个数；接着，通过对所述主成分进行处理，获得目标速度曲线，所述目标速度曲线为对采集的所述驾驶行为数据进行拟合得到的曲线；最终，对所述目标速度曲线进行仿真，得到驾驶行为对应的仿真能耗。这样，对驾驶人员的任何驾驶行为，都能够利用本发明实施例提供的方法有效的仿真出该驾驶行为对应的能耗，实现驾驶行为和能耗之间对应关系的量化，从而为根据仿真结果可以针对性的指导用户的实际驾驶行为，为良好的、低能耗的驾驶行为提供了参考依据。

附图说明

为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明中记载的一些实施例，对于本领域普通技术人员来讲，还可以根据这些附图获得其他的附图。

图1为本发明实施例中一种基于驾驶行为的能耗仿真方法的流程示意图；

图2为本发明实施例中步骤103中的一示例性方法的流程示意图；

图3为本发明实施例中一种仿真***的结构示意图；

图4为本发明实施例中一种基于驾驶行为的能耗仿真装置的结构示意图。

具体实施方式

PHEV的能耗，不仅受到PHEV车型的影响，还会受到用户驾驶行为的影响，而PHEV能耗和用户驾驶行为之间的关系，由于驾驶行为的随机性和不确定性，以及车辆***的非线性，导致量化PHEV能耗和用户驾驶行为之间的关系较为困难。

目前，依据大量的驾驶行为和能耗数据去统计和分析并对统计分析结果进行实验佐证的方式，可以一定程度上呈现出能耗和驾驶行为之间的联系，但是，该方式需要遍历所有的驾驶行为以及外界因素等影响能耗的因素，进行大量的实验，不仅耗时耗力，而且获得的对应关系不够可靠。

基于此，为了提供一种可以简便的获得能耗和驾驶行为之间可靠的对应关系的方法，本发明实施例基于主成分分析和短行程算法，构建仿真模型，可以较为准确的仿真出用户的驾驶行为对应的能耗，实现了驾驶行为和能耗之间对应关系的量化，从而为根据仿真结果可以针对性的指导用户的实际驾驶行为，为良好的、低能耗的驾驶行为提供了参考依据。

下面结合附图，通过实施例来详细说明本发明实施例中一种基于驾驶行为的能耗仿真方法和装置的具体实现方式。

图1为本发明实施例中提供的一种基于驾驶行为的能耗仿真方法的流程示意图。参见图1，该方法具体可以包括：

步骤101，根据采集的驾驶行为数据构建样本数据库，所述驾驶行为数据包括多组驾驶行为特征。

可以理解的是，驾驶行为数据可以是用户在驾驶车辆的过程中，由车辆上的各个传感器或者采集装置在同一时段内采集到的一组数据，用于表示用户在该时段内的多组驾驶行为特征。例如采集的驾驶行为数据可以包括21个驾驶行为特征，具体包括：平均车速、最大车速、怠速时间、怠速时间占比、匀速时间、匀速时间占比、减速度时间、减速度时间占比、加速度时间、加速度时间占比、最大加速度、最大减速度、速度方差、加速度方差、减速度方差、平均加速度踏板位置、平均减速度、平均制动踏板压力、制动踏板压力方差、平均加速度、加速度踏板位置方差。

具体实现时，可以采集一个用户的多组驾驶行为数据，并对采集的驾驶行为数据进行数据预处理，例如：归一化处理，并将处理后的驾驶行为数据构建样本数据库。

作为一个示例，假设采集的21个驾驶行为特征组成的驾驶行为数据共10组，即，对10个驾驶时段内的21个驾驶行为特征分别进行了采集和整理，获得的样本数据库D具体可以是：

可以理解的是，该样本数据库D，其中包括10个样本y_i(i＝1，2，…，21)，每个样本y_i中包括21组驾驶行为特征，那么，该样本数据库D还可以表示为：

需要说明的是，对样本数据库D，可以视作原始样本数据库，可以对该原始样本数据库的每一列进行归一化处理，获得处理后的样本数据库，作为步骤101所构建的样本数据库。

步骤102，对所述样本数据库进行主成分分析PCA处理，获得主成分得分矩阵，并根据所述主成分得分矩阵确定主成分；所述主成分的个数小于所述驾驶行为特征的组的个数。

主成分分析(英文：Principal Component Analysis，简称PCA)，是数据分析领域中经常用到的一种数据降维工具，该方法通过线性变换的方式将原有数据映射到新的特征空间，在新的特征空间中大多数维度的数据会呈现出聚集的特征(即方差较小)，因此方差较大的维度将被选择为新的特征，以此达到降维的目的。

具体实现时，对样本数据库D进行PCA处理，获得主成分得分矩阵，具体包括：第一步、构建样本数据库的协方差矩阵；第二步、计算该协方差矩阵的特征向量和特征值；第三步、确定主成分。

作为一个示例，当样本数据库为矩阵D_n*m时，获得该样本数据库的协方差矩阵的具体过程包括：

S1，构建样本数据库D_n*m的协方差矩阵为：

S2，计算该协方差矩阵X_n*n的特征向量为：C＝EXE^T；并计算该协方差矩阵X_n*n的特征值：λ_i(i＝1,2，…，m)；

可以理解的是，根据PCA算法，特征值λ_i的大小代表某一维度上的方差，而方差值的大小代表了该维度上信息量的多少。

S3，确定经过PCA处理后的主成分。

具体实现时，可以预设一个阈值(例如：80％)，作为主成分的筛选条件，即，选取每个维度上信息量达到该预设阈值的若干个驾驶行为特征作为主成分。

例如：假设预设阈值为80％，那么，计算信息量：

确定I≥80％时j的取值，即为确定了主成分的个数。

可以理解的是，通过PCA降维处理后得到的特征向量，即可确定出主成分得分矩阵，例如获得的主成分得分矩阵可以是C。主成分得分矩阵，是指驾驶行为特征与主成分之间的线性变换矩阵，那么，在确定了主成分得分矩阵之后，即可根据该主成分得分矩阵确定主成分。

在一些实现方式中，根据所述主成分得分矩阵确定主成分，具体可以包括：分别查找所述主成分得分矩阵的每一列中绝对值最大的前预设个数的数值；根据每一列所查找到的所述数值对应的驾驶行为特征，确定每一列对应的主成分。

例如：假设得到的主成分得分矩阵如下表1所示，包括5个主成分，21个驾驶行为特征对应于各个主成分的值，为样本数据库D中的权重(即，得分)，对权重进行加和即为主成分对应的值，也可以认为是将样本数据库进行PCA处理后得到的新驾驶行为特征。

表1主成分得分矩阵

其中，对于主成分1，根据绝对值最大的前预设个数(例如：4个)的数值，即排名在前4的驾驶行为特征，即表1中第三列中加粗的数字对应的特征：平均车速、最大车速、平均加速度和加速度踏板位置方差，确定新的驾驶行为特征，即，确定主成分1为：车辆加速度信息；相应的，可以确定出主成分2为：驾驶行为激进程度；主成分3为：路况拥堵情况；主成分4为：制动意图；主成分5为：路况拥堵情况行驶中车辆启停状态。

如此，根据包括较多驾驶行为特征的样本数据库，进行PCA算法处理，得到了数量较少且可以体现驾驶行为的综合数据，记作主成分，如此，一方面可以为后续仿真以及计算过程中节约计算资源和时间，另一方面，可以简化后续仿真模型，从而使后续仿真结果更加可靠。

步骤103，通过对所述主成分进行处理，获得目标速度曲线；所述目标速度曲线为对采集的所述驾驶行为数据进行拟合得到的曲线。

具体实现时，步骤103中通过对所述主成分进行处理获得目标速度曲线，如图2所示，具体可以包括：

步骤201，统计所述样本数据库，获得预设实现次数的目标值。

可以理解的是，可以对原始样本数据库D中包括的驾驶行为数据进行统计；然后根据主成分得分矩阵C计算出主成分个数j(即，预设实现次数)，再对每个驾驶行为数据的统计值设定一定的变化范围，并将统计值在该变化范围内的数值均作为目标速度曲线的目标值

步骤202，对当前实际速度曲线进行短行程算法处理，获得候选速度曲线。

短行程算法，是一种基于目标统计值人为构建速度曲线的方法，通过将不同的短行程拼接构建新的循环工况，直至统计值与目标值收敛结束，该方法可以有效快速地生成目标速度曲线。

具体实现时，步骤202具体可以包括：首先，将输入的速度曲线划分为若干片段；然后，将划分后的片段随机组合为短行程，当组合的短行程达到规定的长度后(例如：1000s对应的行程)，形成为候选速度曲线。

步骤203，若所述候选速度曲线中特征参数和所述目标值匹配，则将所述候选速度曲线记作目标速度曲线。

可以理解的是，候选速度曲线中具有特征参数，此时，可以将每条候选速度曲线中的特征参数与目标值相比较，如果发现候选速度曲线中的特征参数和目标值匹配，那么，该候选速度曲线即可被作为目标速度曲线。

作为一个示例，步骤203的实现方式具体可以包括：计算各候选速度曲线的特征参数和所述目标值的平均相对误差；确定所述平均相对误差中的最小值对应的候选速度曲线，记作所述目标速度曲线。

通过步骤103，可以在包括多个驾驶行为数据的样本数据库中，选择具有代表性的行驶工况，为后续驾驶员模型中仿真确定了输入的速度曲线。

步骤104，对所述目标速度曲线进行仿真，得到驾驶行为对应的仿真能耗。

具体实现时，步骤104具体可以是：将所述目标速度曲线输入到预设的驾驶员模型中，输出所述驾驶行为对应的仿真能耗；其中，所述驾驶员模型为通过大量的用于训练的数据样本训练后的神经网络模型，所述用于训练的数据样本包括历史驾驶行为数据和对应的实际能耗。

可以理解的是，驾驶员模型是预先建立的神经网络模型，例如可以是递归神经网络RNN、卷积神经网络CNN等。该驾驶员模型的输入为驾驶行为数据，输出为能耗。收集大量在实际驾驶过程中的历史驾驶行为数据和对应产生的实际能耗，作为训练数据样本；通过大量的数据样本对该驾驶员模型进行训练，得到了可以准确反馈驾驶行为对应的能耗的成熟模型，被步骤104使用。

具体实现时，由于PHEV的能耗包括：电量消耗和油量消耗两种，那么，可以在该驾驶员模型中将电量消耗和油量消耗均折算为对应的货币数值，这样，可以直观和全面的了解到当前驾驶行为对应的能耗多少。

例如，可以预设电量消耗和货币数值以及电量消耗和货币数值之间的对应关系，假设一个油量消耗对应折算为x个货币，一个电量消耗对应折算为y个货币，那么当驾驶行为实际消耗一个电量消耗和一个油量消耗时，可以直接仿真得到仿真能耗为(x+y)个货币，可以直观的得出唯一的数值量化该驾驶行为对应的能耗。

需要说明的是，对于本发明实施例提供的仿真，可以基于MATLAB/Simulink开发，具体的仿真模型可以包括：发动机模型、电机模型、P2离合器模型，电池模型，DCT模型，动力学模型以及驾驶员模型，具体的仿真***可以参见图3所示的框图。

可见，通过本发明实施例，首先，根据采集的驾驶行为数据构建样本数据库，所述驾驶行为数据包括多组驾驶行为特征；然后，对所述样本数据库进行主成分分析PCA处理，获得主成分得分矩阵，并根据所述主成分得分矩阵确定主成分，其中，所述主成分的个数小于所述驾驶行为特征的组的个数；接着，通过对所述主成分进行处理，获得目标速度曲线，所述目标速度曲线为对采集的所述驾驶行为数据进行拟合得到的曲线；最终，对所述目标速度曲线进行仿真，得到驾驶行为对应的仿真能耗。这样，对驾驶人员的任何驾驶行为，都能够利用本发明实施例提供的方法有效的仿真出该驾驶行为对应的能耗，实现驾驶行为和能耗之间对应关系的量化，从而为根据仿真结果可以针对性的指导用户的实际驾驶行为，为良好的、低能耗的驾驶行为提供了参考依据。

此外，为了进一步了解到该仿真***的敏感度，本发明实施例在图1所示的实施例的基础上，还包括计算驾驶行为的敏感度的实施方式。具体方式可以包括：对于不同的能耗仿真过程，根据所述仿真能耗和所述主成分，计算驾驶行为的敏感度；所述敏感度用于表示所述仿真能耗和所述主成分之间相互影响的程度。

作为一个示例，所述根据所述仿真能耗和所述主成分计算驾驶行为的敏感度，包括：计算所述仿真能耗和所述主成分之间的协方差；将所述协方差记作所述驾驶行为的敏感度；其中，所述敏感度越大，表示所述主成分的变化越容易影响所述仿真能耗的变化；所述敏感度越小，表示所述主成分的变化越不容易影响所述仿真能耗的变化。

例如，假设X代表主成分值，

代表主成分值均值，Y代表能耗值，

代表能耗值均值，那么，该敏感度V决堤可以是：

可见，通过对仿真结果的敏感性分析，可以确定各个驾驶行为中，对于仿真能耗影响程度的大小，从而可以针对性的对驾驶员的驾驶行为进行指导，提高了研究驾驶行为和能耗之间关系的实际意义。

相应的，本发明实施例还提供了一种基于驾驶行为的能耗仿真装置，如图4所示，该装置具体可以包括：

构建模块401，用于根据采集的驾驶行为数据构建样本数据库，所述驾驶行为数据包括多组驾驶行为特征；

确定模块402，用于对所述样本数据库进行主成分分析PCA处理，获得主成分得分矩阵，并根据所述主成分得分矩阵确定主成分；所述主成分的个数小于所述驾驶行为特征的组的个数；

获取模块403，用于通过对所述主成分进行处理，获得目标速度曲线；所述目标速度曲线为对采集的所述驾驶行为数据进行拟合得到的曲线；

仿真模块404，用于对所述目标速度曲线进行仿真，得到驾驶行为对应的仿真能耗。

可选地，所述确定模块402，包括：

查找单元，用于分别查找所述主成分得分矩阵的每一列中绝对值最大的前预设个数的数值；

第一确定单元，用于根据每一列所查找到的所述数值对应的驾驶行为特征，确定每一列对应的主成分。

可选地，所述获取模块403，包括：

统计单元，用于统计所述样本数据库，获得预设实现次数的目标值；

获取单元，用于对当前实际速度曲线进行短行程算法处理，获得候选速度曲线；

比较单元，用于若所述候选速度曲线中特征参数和所述目标值匹配，则将所述候选速度曲线记作目标速度曲线。

可选地，所述比较单元，包括：

计算子单元，用于计算各候选速度曲线的特征参数和所述目标值的平均相对误差；

确定子单元，用于确定所述平均相对误差中的最小值对应的候选速度曲线，记作所述目标速度曲线。

可选地，所述仿真模型404，具体用于：

将所述目标速度曲线输入到预设的驾驶员模型中，输出所述驾驶行为对应的仿真能耗；

其中，所述驾驶员模型为通过大量的用于训练的数据样本训练后的神经网络模型，所述用于训练的数据样本包括历史驾驶行为数据和对应的实际能耗。

可选地，所述仿真能耗为将电量消耗和/或油量消耗进行折算后的货币数值。

可选地，该装置还包括：

敏感度计算模型，用于对于不同的能耗仿真过程，根据所述仿真能耗和所述主成分，计算驾驶行为的敏感度；所述敏感度用于表示所述仿真能耗和所述主成分之间相互影响的程度。

可选地，所述敏感度计算模型，包括：

计算单元，用于计算所述仿真能耗和所述主成分之间的协方差；

第二确定单元，用于将所述协方差记作所述驾驶行为的敏感度；

其中，所述敏感度越大，表示所述主成分的变化越容易影响所述仿真能耗的变化；所述敏感度越小，表示所述主成分的变化越不容易影响所述仿真能耗的变化。

上述描述为一种基于驾驶行为的能耗仿真装置，其中，具体实现方式和达到的效果可以参见图1对应的一种基于驾驶行为的能耗仿真方法的相关描述，这里不再赘述。

通过以上的实施方式的描述可知，本领域的技术人员可以清楚地了解到上述实施例方法中的全部或部分步骤可借助软件加通用硬件平台的方式来实现。基于这样的理解，本发明的技术方案可以以软件产品的形式体现出来，该计算机软件产品可以存储在存储介质中，如只读存储器(英文：read-only memory，ROM)/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者诸如路由器等网络通信设备)执行本发明各个实施例或者实施例的某些部分所述的方法。

本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于装置实施例而言，由于其基本相似于方法实施例，所以描述得比较简单，相关之处参见方法实施例的部分说明即可。以上所描述的装置实施例仅仅是示意性的，其中作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理模块，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。

以上所述仅是本发明的优选实施方式，并非用于限定本发明的保护范围。应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明的前提下，还可以作出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (16)

1.一种基于驾驶行为的能耗仿真方法，其特征在于，包括：

根据采集的驾驶行为数据构建样本数据库，所述驾驶行为数据包括多组驾驶行为特征；

对所述样本数据库进行主成分分析PCA处理，获得主成分得分矩阵，并根据所述主成分得分矩阵确定主成分；所述主成分的个数小于所述驾驶行为特征的组的个数；

通过对所述主成分进行处理，获得目标速度曲线；所述目标速度曲线为对采集的所述驾驶行为数据进行拟合得到的曲线；

对所述目标速度曲线进行仿真，得到驾驶行为对应的仿真能耗。

2.根据权利要求1所述的方法，其特征在于，所述根据所述主成分得分矩阵确定主成分，包括：

分别查找所述主成分得分矩阵的每一列中绝对值最大的前预设个数的数值；

根据每一列所查找到的所述数值对应的驾驶行为特征，确定每一列对应的主成分。

3.根据权利要求1所述的方法，其特征在于，所述通过对所述主成分进行处理获得目标速度曲线，包括：

统计所述样本数据库，获得预设实现次数的目标值；

对当前实际速度曲线进行短行程算法处理，获得候选速度曲线；

若所述候选速度曲线中特征参数和所述目标值匹配，则将所述候选速度曲线记作目标速度曲线。

4.根据权利要求3所述的方法，其特征在于，所述若所述候选速度曲线中特征参数和所述目标值匹配，则将所述候选速度曲线记作目标速度曲线，包括：

计算各候选速度曲线的特征参数和所述目标值的平均相对误差；

确定所述平均相对误差中的最小值对应的候选速度曲线，记作所述目标速度曲线。

5.根据权利要求1所述的方法，其特征在于，所述对所述目标速度曲线进行仿真得到驾驶行为对应的仿真能耗，包括：

将所述目标速度曲线输入到预设的驾驶员模型中，输出所述驾驶行为对应的仿真能耗；

其中，所述驾驶员模型为通过大量的用于训练的数据样本训练后的神经网络模型，所述用于训练的数据样本包括历史驾驶行为数据和对应的实际能耗。

6.根据权利要求1所述的方法，其特征在于，所述仿真能耗为将电量消耗和/或油量消耗进行折算后的货币数值。

7.根据权利要求1所述的方法，其特征在于，还包括：

对于不同的能耗仿真过程，根据所述仿真能耗和所述主成分，计算驾驶行为的敏感度；所述敏感度用于表示所述仿真能耗和所述主成分之间相互影响的程度。

8.根据权利要求7所述的方法，其特征在于，所述根据所述仿真能耗和所述主成分计算驾驶行为的敏感度，包括：

计算所述仿真能耗和所述主成分之间的协方差；

将所述协方差记作所述驾驶行为的敏感度；

其中，所述敏感度越大，表示所述主成分的变化越容易影响所述仿真能耗的变化；所述敏感度越小，表示所述主成分的变化越不容易影响所述仿真能耗的变化。

9.一种基于驾驶行为的能耗仿真装置，其特征在于，包括：

构建模块，用于根据采集的驾驶行为数据构建样本数据库，所述驾驶行为数据包括多组驾驶行为特征；

确定模块，用于对所述样本数据库进行主成分分析PCA处理，获得主成分得分矩阵，并根据所述主成分得分矩阵确定主成分；所述主成分的个数小于所述驾驶行为特征的组的个数；

获取模块，用于通过对所述主成分进行处理，获得目标速度曲线；所述目标速度曲线为对采集的所述驾驶行为数据进行拟合得到的曲线；

仿真模块，用于对所述目标速度曲线进行仿真，得到驾驶行为对应的仿真能耗。

10.根据权利要求9所述的装置，其特征在于，所述确定模块，包括：

查找单元，用于分别查找所述主成分得分矩阵的每一列中绝对值最大的前预设个数的数值；

第一确定单元，用于根据每一列所查找到的所述数值对应的驾驶行为特征，确定每一列对应的主成分。

11.根据权利要求9所述的装置，其特征在于，所述获取模块，包括：

统计单元，用于统计所述样本数据库，获得预设实现次数的目标值；

获取单元，用于对当前实际速度曲线进行短行程算法处理，获得候选速度曲线；

比较单元，用于若所述候选速度曲线中特征参数和所述目标值匹配，则将所述候选速度曲线记作目标速度曲线。

12.根据权利要求11所述的装置，其特征在于，所述比较单元，包括：

计算子单元，用于计算各候选速度曲线的特征参数和所述目标值的平均相对误差；

确定子单元，用于确定所述平均相对误差中的最小值对应的候选速度曲线，记作所述目标速度曲线。

13.根据权利要求9所述的装置，其特征在于，所述仿真模型，具体用于：

将所述目标速度曲线输入到预设的驾驶员模型中，输出所述驾驶行为对应的仿真能耗；

其中，所述驾驶员模型为通过大量的用于训练的数据样本训练后的神经网络模型，所述用于训练的数据样本包括历史驾驶行为数据和对应的实际能耗。

14.根据权利要求9所述的装置，其特征在于，所述仿真能耗为将电量消耗和/或油量消耗进行折算后的货币数值。

15.根据权利要求9所述的装置，其特征在于，还包括：

敏感度计算模型，用于对于不同的能耗仿真过程，根据所述仿真能耗和所述主成分，计算驾驶行为的敏感度；所述敏感度用于表示所述仿真能耗和所述主成分之间相互影响的程度。

16.根据权利要求15所述的装置，其特征在于，所述敏感度计算模型，包括：

计算单元，用于计算所述仿真能耗和所述主成分之间的协方差；

第二确定单元，用于将所述协方差记作所述驾驶行为的敏感度；

其中，所述敏感度越大，表示所述主成分的变化越容易影响所述仿真能耗的变化；所述敏感度越小，表示所述主成分的变化越不容易影响所述仿真能耗的变化。

Images