CN112706777A - 一种车辆工况调整用户驾驶行为的方法及装置 - Google Patents

一种车辆工况调整用户驾驶行为的方法及装置 Download PDF

Info

Publication number
CN112706777A
CN112706777A CN202011585842.XA CN202011585842A CN112706777A CN 112706777 A CN112706777 A CN 112706777A CN 202011585842 A CN202011585842 A CN 202011585842A CN 112706777 A CN112706777 A CN 112706777A
Authority
CN
China
Prior art keywords
driving behavior
target time
user
time period
ith
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.)
Granted
Application number
CN202011585842.XA
Other languages
English (en)
Other versions
CN112706777B (zh
Inventor
刘美亿
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Neusoft Reach Automotive Technology Shenyang Co Ltd
Original Assignee
Neusoft Reach Automotive Technology Shenyang Co Ltd
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 Neusoft Reach Automotive Technology Shenyang Co Ltd filed Critical Neusoft Reach Automotive Technology Shenyang Co Ltd
Priority to CN202011585842.XA priority Critical patent/CN112706777B/zh
Publication of CN112706777A publication Critical patent/CN112706777A/zh
Application granted granted Critical
Publication of CN112706777B publication Critical patent/CN112706777B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • B60W40/08—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 drivers or passengers
    • B60W40/09—Driving style or behaviour
    • 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
    • B60W50/00—Details of control systems for road vehicle drive control not related to the control of a particular sub-unit, e.g. process diagnostic or vehicle driver interfaces
    • 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
    • B60W50/00—Details of control systems for road vehicle drive control not related to the control of a particular sub-unit, e.g. process diagnostic or vehicle driver interfaces
    • B60W50/08—Interaction between the driver and the control system
    • B60W50/14—Means for informing the driver, warning the driver or prompting a driver intervention
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • 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
    • B60W50/00—Details of control systems for road vehicle drive control not related to the control of a particular sub-unit, e.g. process diagnostic or vehicle driver interfaces
    • B60W2050/0001—Details of the control system
    • B60W2050/0019—Control system elements or transfer functions
    • B60W2050/0028—Mathematical models, e.g. for simulation
    • B60W2050/0029—Mathematical model of the driver

Landscapes

  • Engineering & Computer Science (AREA)
  • Automation & Control Theory (AREA)
  • Physics & Mathematics (AREA)
  • Transportation (AREA)
  • Mechanical Engineering (AREA)
  • Mathematical Physics (AREA)
  • Human Computer Interaction (AREA)
  • Theoretical Computer Science (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Traffic Control Systems (AREA)
  • Control Of Driving Devices And Active Controlling Of Vehicle (AREA)

Abstract

本申请公开了一种车辆工况调整用户驾驶行为的方法及装置，该方法包括：获取第一目标时间段的预处理用户驾驶行为特征和第二目标时间段的预处理车辆工况特征。基于预处理用户驾驶行为特征和预处理车辆工况特征，获得第一目标时间段的n个用户驾驶行为向量表示和第二目标时间段的目标车辆工况向量表示。利用第一目标时间段的n个用户驾驶行为向量表示、第二目标时间段的目标车辆工况向量表示和驾驶行为促进工况模型，获得n个权重系数。基于n个权重系数和n个用户驾驶行为向量表示进行分析，生成用于提示用户调整驾驶行为的提示信息。即，根据获得的权重系数确定用户驾驶行为对车辆工况的影响程度，分析并调整用户驾驶行为，实现以车辆工况调整用户驾驶行为的目的。

Description

一种车辆工况调整用户驾驶行为的方法及装置
技术领域
本申请涉及车辆技术领域，尤其涉及一种车辆工况调整用户驾驶行为的方法及装置。
背景技术
在车辆驾驶过程中，司机的驾驶行为对车辆的影响很大，正确合理的驾驶行为对车辆至关重要。
目前，并没有一套完整的能实现对司机的驾驶行为进行调整的方案。
发明内容
为了解决上述技术问题，本申请提供了一种车辆工况调整用户驾驶行为的方法及装置，用于确定驾驶行为对车辆工况的影响，以车辆工况调整用户驾驶行为。
为了实现上述目的，本申请实施例提供的技术方案如下：
本申请实施例提供一种车辆工况调整用户驾驶行为的方法，所述方法包括：
获取第一目标时间段的预处理用户驾驶行为特征和第二目标时间段的预处理车辆工况特征；
对所述第一目标时间段的预处理用户驾驶行为特征进行提取，获得n个用户驾驶行为向量表示；所述n个用户驾驶行为向量表示组成所述第一目标时间段的目标用户驾驶行为特征；n为整数；
对所述第二目标时间段的预处理车辆工况特征进行提取，获得第二目标时间段的目标车辆工况向量表示；
利用所述第一目标时间段的目标用户驾驶行为特征、所述第二目标时间段的目标车辆工况向量表示和驾驶行为促进工况模型，获得n个权重系数；所述驾驶行为促进工况模型用于获取所述n个权重系数；第i个所述权重系数和第i个用户驾驶行为向量表示相对应；i为1到n的整数；
对所述n个权重系数和所述n个用户驾驶行为向量表示进行分析，获得分析结果；
根据所述分析结果，生成提示信息；所述提示信息用于提示用户调整驾驶行为。
可选的，所述对所述第一目标时间段的预处理用户驾驶行为特征进行提取，获得n个用户驾驶行为向量表示，包括：
对第i个目标时间片的预处理用户驾驶行为特征进行提取，获得第i个用户驾驶行为向量表示；所述第一目标时间段包括n个目标时间片；所述第一目标时间段的预处理用户驾驶行为特征包括n个目标时间片的预处理用户驾驶行为特征；
获得n个用户驾驶行为向量表示。
可选的，所述对第i个目标时间片的预处理用户驾驶行为特征进行提取，获得第i个用户驾驶行为向量表示，包括：
获取第i个目标时间片的第一用户驾驶行为特征和第i个目标时间片的第二用户驾驶行为特征；所述第i个目标时间片的第一用户驾驶行为特征和所述第i个目标时间片的第二用户驾驶行为特征组成所述第i个目标时间片的预处理用户驾驶行为特征；
将所述第i个目标时间片的第一用户驾驶行为特征进行提取，获得第i个目标时间片的第三用户驾驶行为向量表示；
将所述第i个目标时间片的第三用户驾驶行为向量表示和所述第i个目标时间片的第二用户驾驶行为特征进行拼接，获得第i个用户驾驶行为向量表示。
可选的，所述利用所述第一目标时间段的目标用户驾驶行为特征、所述第二目标时间段的目标车辆工况向量表示和驾驶行为促进工况模型，获得n个权重系数，包括：
将所述第一目标时间段的目标用户驾驶行为特征和所述第二目标时间段的目标车辆工况向量表示输入到驾驶行为促进工况模型中，获得n个权重系数；所述驾驶行为促进工况模型包括所述注意力机制算法模型；所述注意力机制算法模型用于获得n个权重系数；
利用所述n个权重系数和所述第一目标时间段的目标用户驾驶行为特征获得第一目标时间段的提取用户驾驶行为向量表示；
利用所述第一目标时间段的提取用户驾驶行为向量表示和所述第二目标时间段的目标车辆工况向量表示获得输出预测值；所述输出预测值为所述驾驶行为促进工况模型的输出；
利用所述输出预测值和期望值构造损失函数；
通过所述损失函数值更新所述n个权重系数，返回执行所述利用所述n个权重系数和所述第一目标时间段的目标用户驾驶行为特征获得第一目标时间段的提取用户驾驶行为向量表示以及后续步骤，直至达到预设条件，获得所述n个权重系数。
可选的，所述对所述n个权重系数和所述n个用户驾驶行为向量表示进行分析，获得分析结果，包括：
从所述n个权重系数中确定预设数量个权重系数，所述预设数量个权重系数均大于预设阈值；
获取所述预设数量个权重系数对应的预设数量个用户驾驶行为向量表示；
将所述预设数量个用户驾驶行为向量表示确定为分析结果。
本申请实施例还提供了一种车辆工况调整用户驾驶行为的装置，其特征在于，所述装置包括：
第一获取单元，用于获取第一目标时间段的预处理用户驾驶行为特征和第二目标时间段的预处理车辆工况特征；
第一提取单元，用于对所述第一目标时间段的预处理用户驾驶行为特征进行提取，获得n个用户驾驶行为向量表示；所述n个用户驾驶行为向量表示组成所述第一目标时间段的目标用户驾驶行为特征；n为整数；
第二提取单元，用于对所述第二目标时间段的预处理车辆工况特征进行提取，获得第二目标时间段的目标车辆工况向量表示；
第二获取单元，用于利用所述第一目标时间段的目标用户驾驶行为特征、所述第二目标时间段的目标车辆工况向量表示和驾驶行为促进工况模型，获得n个权重系数；所述驾驶行为促进工况模型用于获取所述n个权重系数；第i个所述权重系数和第i个用户驾驶行为向量表示相对应；i为1到n的整数；
分析单元，用于对所述n个权重系数和所述n个用户驾驶行为向量表示进行分析，获得分析结果；
生成单元，用于根据所述分析结果，生成提示信息；所述提示信息用于提示用户调整驾驶行为。
可选的，所述第一提取单元，包括：
第一提取子单元，用于对第i个目标时间片的预处理用户驾驶行为特征进行提取，获得第i个用户驾驶行为向量表示；所述第一目标时间段包括n个目标时间片；所述第一目标时间段的预处理用户驾驶行为特征包括n个目标时间片的预处理用户驾驶行为特征；
第一获取子单元，用于获得n个用户驾驶行为向量表示。
可选的，所述第一提取子单元，包括：
第二获取子单元，用于获取第i个目标时间片的第一用户驾驶行为特征和第i个目标时间片的第二用户驾驶行为特征；所述第i个目标时间片的第一用户驾驶行为特征和所述第i个目标时间片的第二用户驾驶行为特征组成所述第i个目标时间片的预处理用户驾驶行为特征；
第二提取子单元，用于将所述第i个目标时间片的第一用户驾驶行为特征进行提取，获得第i个目标时间片的第三用户驾驶行为向量表示；
第三获取子单元，用于将所述第i个目标时间片的第三用户驾驶行为向量表示和所述第i个目标时间片的第二用户驾驶行为特征进行拼接，获得第i个用户驾驶行为向量表示。
本申请实施例还提供了一种车辆工况调整用户驾驶行为的设备，其特征在于，包括：存储器，处理器，及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时，实现所述的车辆工况调整用户驾驶行为的方法。
本申请实施例还提供了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中存储计算机程序，所述计算机程序用于执行所述的车辆工况调整用户驾驶行为的方法。
通过上述技术方案可知，本申请具有以下有益效果：
本申请实施例提供了一种车辆工况调整用户驾驶行为的方法，包括：获取第一目标时间段的预处理用户驾驶行为特征和第二目标时间段的预处理车辆工况特征。对第一目标时间段的预处理用户驾驶行为特征进行提取，获得n个用户驾驶行为向量表示，n个用户驾驶行为向量表示组成第一目标时间段的目标用户驾驶行为特征，n为整数。对第二目标时间段的预处理车辆工况特征进行提取，获得第二目标时间段的目标车辆工况向量表示。利用第一目标时间段的目标用户驾驶行为特征、第二目标时间段的目标车辆工况向量表示和驾驶行为促进工况模型，获得n个权重系数。其中，驾驶行为促进工况模型用于获取n个权重系数，第i个权重系数和第i个用户驾驶行为向量表示相对应，i为1到n的整数。对n个权重系数和n个用户驾驶行为向量表示进行分析，获得分析结果。根据分析结果，生成提示信息，该提示信息用于提示用户调整驾驶行为。通过本申请提供的技术方案，获取权重系数，根据获得的权重系数确定用户驾驶行为对车辆工况的影响程度，分析并调整用户驾驶行为，实现以车辆工况调整用户驾驶行为的目的。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例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申请的一些实施例，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为本申请实施例提供的一种车辆工况调整用户驾驶行为的方法的流程图；
图2为本申请实施例提供的获取权重系数的流程图；
图3为本申请实施例提供的一种车辆工况调整用户驾驶行为的装置的示意图。
具体实施方式
为使本申请的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本申请实施例作进一步详细的说明。
参见图1，图1为本申请实施例提供的一种车辆工况调整用户驾驶行为的方法的流程图。如图1所示，该方法包括S101-S106：
S101：获取第一目标时间段的预处理用户驾驶行为特征和第二目标时间段的预处理车辆工况特征。
从车辆电池包数据中获取有关用户驾驶行为和车辆工况的实时数据，对获取到的实时数据进行简单筛选和加工，得到第一目标时间段的预处理用户驾驶行为特征和第二目标时间段的预处理车辆工况特征。预处理车辆工况特征至少包括：车辆充电桩反馈的温度、车辆驾驶时间、车辆是否停置、车辆速度、车辆加速度、电池电流、电池电压、电池充电状态、电芯温度、电芯平均温度、最高温度、最低温度、电芯最大电压、电芯最小电压、电芯温差和电芯压差。需要说明的是，车辆工况特征具体为基于时序的车辆工况特征。预处理车辆工况特征至少包括：车辆速度、车辆加速度和车辆是否停置。
其中，第一目标时间段和第二目标时间段根据实际情况进行选取，这里不对第一目标时间段和第二目标时间段进行限定。例如，第一目标时间段为9月1号至9月30号，第二目标时间段为10月1号。则通过本申请实施例提供的方法，可以分析9月1号至9月30号的用户驾驶行为对10月1号的车辆工况的影响情况。
需要说明的是，第一目标时间段的预处理用户驾驶行为特征和第二目标时间段的预处理车辆工况特征均通过向量表示。
S102：对第一目标时间段的预处理用户驾驶行为特征进行提取，获得n个用户驾驶行为向量表示；n个用户驾驶行为向量表示组成第一目标时间段的目标用户驾驶行为特征；n为整数。
对第一目标时间段的预处理用户驾驶行为特征进行提取，获得n个用户驾驶行为向量表示。其中，针对第一目标时间段，第一目标时间段内的总用车时长为T(小时)，以时间t(秒)为用户驾驶行为特征统计的维度，则用户驾驶行为特征的数量和总用车时长及用户驾驶行为特征统计的维度相关，具体地，n＝T*3600/t。例如，第一目标时间段为9月1号至9月30号，在9月1号至9月30号的总用车时长为40个小时，维度t为300秒，则可以得到480个用户驾驶行为向量表示，即n为480。需要说明的是，每个用户驾驶行为向量表示所表征的特征个数根据实际情况确定。
具体实施时，对第一目标时间段的预处理用户驾驶行为特征进行提取，获得n个用户驾驶行为向量表示，包括：
对第i个目标时间片的预处理用户驾驶行为特征进行提取，获得第i个用户驾驶行为向量表示；第一目标时间段包括n个目标时间片；第一目标时间段的预处理用户驾驶行为特征包括n个目标时间片的预处理用户驾驶行为特征；
获得n个用户驾驶行为向量表示。
可以理解的是，目标时间片为用户驾驶行为特征统计的维度，例如300s。对第一目标时间段中的每个目标时间片的预处理用户驾驶行为特征进行提取，总计对n个目标时间片的预处理用户驾驶行为特征进行提取，最后获得n个用户驾驶行为向量表示。
具体实施时，对第i个目标时间片的预处理用户驾驶行为特征进行提取，获得第i个用户驾驶行为向量表示，包括：
获取第i个目标时间片的第一用户驾驶行为特征和第i个目标时间片的第二用户驾驶行为特征；第i个目标时间片的第一用户驾驶行为特征和第i个目标时间片的第二用户驾驶行为特征组成第i个目标时间片的预处理用户驾驶行为特征；
将第i个目标时间片的第一用户驾驶行为特征进行提取，获得第i个目标时间片的第三用户驾驶行为向量表示；
将第i个目标时间片的第三用户驾驶行为向量表示和第i个目标时间片的第二用户驾驶行为特征进行拼接，获得第i个用户驾驶行为向量表示。
需要说明的是，第一用户驾驶行为特征为非统计类驾驶行为特征，第二用户驾驶行为特征为统计类驾驶行为特征。
还需要说明的是，将第i个目标时间片的第一用户驾驶行为特征进行提取，获得第i个目标时间片的第三用户驾驶行为向量表示，具体为：将第i个目标时间片的第一用户驾驶行为特征输入到深度神经网络模型中，对第i个目标时间片的第一用户驾驶行为特征进行提取，获得第i个目标时间片的第三用户驾驶行为向量表示。
其中，深度神经网络模型的作用为对第i个目标时间片的第一用户驾驶行为特征进行提取，获得预期的向量，即第i个目标时间片的第三用户驾驶行为向量表示。该第i个目标时间片的第三用户驾驶行为向量表示的维数根据实际情况进行选取。可以理解的是，深度神经网络模型根据实际情况进行选取，这里对深度神经网络模型不做任何限定。
S103：对第二目标时间段的预处理车辆工况特征进行提取，获得第二目标时间段的目标车辆工况向量表示。
对第二目标时间段的预处理车辆工况特征进行提取，获得第二目标时间段的目标车辆工况向量表示。需要说明的是，对第二目标时间段的预处理车辆工况特征进行提取的过程和对第一目标时间段的预处理用户驾驶行为特征进行提取的过程相同。这里不再详述。
S104：利用第一目标时间段的目标用户驾驶行为特征、第二目标时间段的目标车辆工况向量表示和驾驶行为促进工况模型，获得n个权重系数；驾驶行为促进工况模型用于获取n个权重系数；第i个权重系数和第i个用户驾驶行为向量表示相对应；i为1到n的整数。
在获得第一目标时间段的目标用户驾驶行为特征和第二目标时间段的目标车辆工况向量表示之后，利用第一目标时间段的目标用户驾驶行为特征、第二目标时间段的目标车辆工况向量表示和驾驶行为促进工况模型，可以获得n个权重系数。第i个权重系数和第i个用户驾驶行为向量表示相对应，例如，第一目标时间段为9月1号至9月30号，在9月1号至9月30号的总用车时长为40个小时，维度t为300秒，则可以得到480个用户驾驶行为向量表示，即n为480。则权重系数为480个。
具体地，将第一目标时间段的目标用户驾驶行为特征和第二目标时间段的目标车辆工况向量表示输入到驾驶行为促进工况模型中，经过训练，可以获得n个权重系数。其中，第i个权重系数和第i个用户驾驶行为向量表示相对应；i为1到n的整数。权重系数用于表示用户驾驶行为对车辆工况的影响程度，则第i个权重系数表示第一目标时间段的第i个用户驾驶行为向量表示对第二目标时间段的目标车辆工况向量表示的影响程度。
需要说明的是，具体获取n个权重系数的过程参见后续实施例，在此不再详述。
S105：对n个权重系数和n个用户驾驶行为向量表示进行分析，获得分析结果。
在获得n个权重系数后，可以得知第一目标时间段的n个用户驾驶行为向量表示分别对第二目标时间段的目标车辆工况向量表示的影响程度。基于此，结合n个权重系数和n个用户驾驶行为向量表示进行分析，获得分析结果。该分析结果作为用户调整驾驶行为的依据。
具体实施时，对n个权重系数和n个用户驾驶行为向量表示进行分析，获得分析结果，包括：
从n个权重系数中确定预设数量个权重系数，预设数量个权重系数均大于预设阈值；
获取预设数量个权重系数对应的预设数量个用户驾驶行为向量表示；
将预设数量个用户驾驶行为向量表示确定为分析结果。
需要说明的是，在获取n个权重系数后，将所述n个权重系数和预先设定的预设阈值进行比较，选取大于预设阈值的预设数量个权重系数，同时获取预设数量个权重系数对应的预设数量个用户驾驶行为向量表示。则可以认为该预设数量个用户驾驶行为向量表示对第二目标时间段的目标车辆工况向量表示的影响程度较大。从实际意义上可知，预设数量个用户驾驶行为向量表示所表征的用户驾驶行为对第二目标时间段的目标车辆工况向量表示所表征的车辆工况的影响程度较大。将预设数量个用户驾驶行为向量表示确定为分析结果。
其中，预设阈值根据实际情况进行选取，这里不对预设阈值进行任何限定。
S106：根据分析结果，生成提示信息；提示信息用于提示用户调整驾驶行为。
根据获得的分析结果，即对第二目标时间段的目标车辆工况向量表示的影响程度较大的预设数量个用户驾驶行为向量表示，生成提示信息。其中，提示信息用于提示用户调整驾驶行为。提示信息至少包括目前的预设数量个用户驾驶行为，目前的预设数量个用户驾驶行为影响的车辆工况，以及用户如何调整驾驶行为的建议。
本申请实施例提供了一种车辆工况调整用户驾驶行为的方法，该方法包括：获取第一目标时间段的预处理用户驾驶行为特征和第二目标时间段的预处理车辆工况特征。对第一目标时间段的预处理用户驾驶行为特征进行提取，获得n个用户驾驶行为向量表示，n个用户驾驶行为向量表示组成第一目标时间段的目标用户驾驶行为特征，n为整数。对第二目标时间段的预处理车辆工况特征进行提取，获得第二目标时间段的目标车辆工况向量表示。利用第一目标时间段的目标用户驾驶行为特征、第二目标时间段的目标车辆工况向量表示和驾驶行为促进工况模型，获得n个权重系数。其中，驾驶行为促进工况模型用于获取n个权重系数，第i个权重系数和第i个用户驾驶行为向量表示相对应，i为1到n的整数。对n个权重系数和n个用户驾驶行为向量表示进行分析，获得分析结果。根据分析结果，生成提示信息，该提示信息用于提示用户调整驾驶行为。通过该方法可以利用驾驶行为促进工况模型获取权重系数，根据获得的权重系数确定用户驾驶行为对车辆工况的影响程度，分析并调整用户驾驶行为，实现以车辆工况调整用户驾驶行为的目的。
参见图2，图2为本申请实施例提供的获取权重系数的流程图。如图2所示，利用第一目标时间段的目标用户驾驶行为特征、第二目标时间段的目标车辆工况向量表示和驾驶行为促进工况模型，获得n个权重系数，具体包括S201-S205：
S201：将第一目标时间段的目标用户驾驶行为特征和第二目标时间段的目标车辆工况向量表示输入到驾驶行为促进工况模型中，获得n个权重系数；驾驶行为促进工况模型包括注意力机制算法模型；注意力机制算法模型用于获得n个权重系数。
将第一目标时间段的目标用户驾驶行为特征和第二目标时间段的目标车辆工况向量表示输入到驾驶行为促进工况模型中，获得n个权重系数。具体地，将第一目标时间段的目标用户驾驶行为特征和第二目标时间段的目标车辆工况向量表示输入到驾驶行为促进工况模块中的注意力机制算法模型中，获得n个权重系数。
其中，注意力机制算法模型用于获得n个权重系数。作为一种示例，注意力机制算法模型可以通过计算内积的形式获取n个权重系数。具体地，第一目标时间段的目标用户驾驶行为特征包括n个用户驾驶行为向量表示。第i个权重系数和第i个用户驾驶行为向量表示相对应，n个用户驾驶行为向量表示对应有n个权重系数。n个权重系数中的第i个权重系数的获取过程为：计算第i个用户驾驶行为向量表示和第二目标时间段的目标车辆工况向量表示的内积，将该内积作为第i个权重系数。则通过第一目标时间段的目标用户驾驶行为特征和第二目标时间段的目标车辆工况向量表示，最终获得n个权重系数。
作为另一种示例，注意力机制算法模型可以通过计算外积的形式获取n个权重系数。具体地，n个权重系数中的第i个权重系数的获取过程为：计算第i个用户驾驶行为向量表示和第二目标时间段的目标车辆工况向量表示的外积。将第i个用户驾驶行为向量表示、外积、第二目标时间段的目标车辆工况向量表示按照顺序拼接在一起，得到拼接结果，将该拼接结果输入到神经网络模型中，获得神经网络模型输出，再对神经网络模型进行线性化，最终得到的结果作为第i个权重系数。需要说明的是，注意力机制算法模型表征用户驾驶行为和车辆工况的相关性。
S202：利用n个权重系数和第一目标时间段的目标用户驾驶行为特征获得第一目标时间段的提取用户驾驶行为向量表示。
利用n个权重系数和第一目标时间段的目标用户驾驶行为特征获得第一目标时间段的提取用户驾驶行为向量表示。具体地，利用n个权重系数和第一目标时间段的目标用户驾驶行为特征获取第一目标时间段的第一向量表示，对第一目标时间段的第一向量表示进行处理，得到第一目标时间段的提取用户驾驶行为向量表示。
具体实施时，第一目标时间段的第一向量表示包括n个第一向量表示。获取第i个第一向量表示，第i个第一向量表示为第一目标时间段的目标用户驾驶行为特征中的第i个用户驾驶行为向量表示乘以第i个权重系数获得。通过获取n个第一向量表示，得到第一目标时间段的第一向量表示。
对第一目标时间段的第一向量表示进行处理得到第一目标时间段的提取用户驾驶行为向量表示，具体是对第一目标时间段的第一向量表示进行向量的再表示，获得第一目标时间段的提取用户驾驶行为向量表示。作为一种示例，对第一目标时间段的第一向量表示进行处理，得到第一目标时间段的提取用户驾驶行为向量表示，包括：将第一目标时间段的第一向量表示进行降维，将降维得到的结果输入神经网络模型中，神经网络模型的输出即为第一目标时间段的提取用户驾驶行为向量表示。
S203：利用第一目标时间段的提取用户驾驶行为向量表示和第二目标时间段的目标车辆工况向量表示获得输出预测值；输出预测值为驾驶行为促进工况模型的输出。
利用第一目标时间段的提取用户驾驶行为向量表示和第二目标时间段的目标车辆工况向量表示获得输出预测值。其中，输出预测值为驾驶行为促进工况模型的输出。作为一种示例，输出预测值为第一目标时间段的提取用户驾驶行为向量表示和第二目标时间段的目标车辆工况向量表示的余弦值。预测输出值用以表征第一目标时间段的目标用户驾驶向量表示和第二目标时间段的目标车辆工况向量表示之间的相关性，即表示了第一目标时间段的目标用户驾驶向量表示所表征的用户驾驶行为和第二目标时间段的目标车辆工况向量表示所表征的车辆工况的相关性。
S204：利用输出预测值和期望值构造损失函数。
S205：通过损失函数值更新n个权重系数，返回执行S202以及后续步骤，直至达到预设条件，获得n个权重系数。
利用损失函数更新n个权重系数，再重新执行S202以及后续步骤对n个权重系数进行更新，直至达到预设条件，获得n个权重系数。作为一种示例，预设条件可以设置为训练次数。当达到训练次数时，获得n个权重系数。作为另一种示例，预设条件可以设置为损失函数值的预设值。当达到损失函数值的预设值时，获得n个权重系数。
通过本申请实施例提供的获取权重系数的过程，可以基于第一目标时间段的目标用户驾驶行为特征、第二目标时间段的目标车辆工况向量表示和驾驶行为促进工况模型，获得n个权重系数。进而基于n个权重系数，可以确定用户驾驶行为对车辆工况的影响，分析并调整用户驾驶行为，实现以车辆工况调整用户驾驶行为的目的。
参见图3，图3为本申请实施例提供的一种车辆工况调整用户驾驶行为的装置的示意图。如图3所示，该装置包括：
第一获取单元301，用于获取第一目标时间段的预处理用户驾驶行为特征和第二目标时间段的预处理车辆工况特征；
第一提取单元302，用于对所述第一目标时间段的预处理用户驾驶行为特征进行提取，获得n个用户驾驶行为向量表示；所述n个用户驾驶行为向量表示组成所述第一目标时间段的目标用户驾驶行为特征；n为整数；
第二提取单元303，用于对所述第二目标时间段的预处理车辆工况特征进行提取，获得第二目标时间段的目标车辆工况向量表示；
第二获取单元304，用于利用所述第一目标时间段的目标用户驾驶行为特征、所述第二目标时间段的目标车辆工况向量表示和驾驶行为促进工况模型，获得n个权重系数；所述驾驶行为促进工况模型用于获取所述n个权重系数；第i个所述权重系数和第i个用户驾驶行为向量表示相对应；i为1到n的整数；
分析单元305，用于对所述n个权重系数和所述n个用户驾驶行为向量表示进行分析，获得分析结果；
生成单元306，用于根据所述分析结果，生成提示信息；所述提示信息用于提示用户调整驾驶行为。
可选的，在本申请实施例的一些实施方式中，所述第一提取单元302，包括：
第一提取子单元，用于对第i个目标时间片的预处理用户驾驶行为特征进行提取，获得第i个用户驾驶行为向量表示；所述第一目标时间段包括n个目标时间片；所述第一目标时间段的预处理用户驾驶行为特征包括n个目标时间片的预处理用户驾驶行为特征；
第一获取子单元，用于获得n个用户驾驶行为向量表示。
可选的，在本申请实施例的一些实施方式中，所述第一提取子单元，包括：
第二获取子单元，用于获取第i个目标时间片的第一用户驾驶行为特征和第i个目标时间片的第二用户驾驶行为特征；所述第i个目标时间片的第一用户驾驶行为特征和所述第i个目标时间片的第二用户驾驶行为特征组成所述第i个目标时间片的预处理用户驾驶行为特征；
第二提取子单元，用于将所述第i个目标时间片的第一用户驾驶行为特征进行提取，获得第i个目标时间片的第三用户驾驶行为向量表示；
第三获取子单元，用于将所述第i个目标时间片的第三用户驾驶行为向量表示和所述第i个目标时间片的第二用户驾驶行为特征进行拼接，获得第i个用户驾驶行为向量表示。
可选的，在本申请实施例的一些实施方式中，所述第二获取单元304，包括：
输入子单元，用于将所述第一目标时间段的目标用户驾驶行为特征和所述第二目标时间段的目标车辆工况向量表示输入到驾驶行为促进工况模型中，获得n个权重系数；所述驾驶行为促进工况模型包括所述注意力机制算法模型；所述注意力机制算法模型用于获得n个权重系数；
第四获取子单元，用于利用所述n个权重系数和所述第一目标时间段的目标用户驾驶行为特征获得第一目标时间段的提取用户驾驶行为向量表示；
第五获取子单元，用于利用所述第一目标时间段的提取用户驾驶行为向量表示和所述第二目标时间段的目标车辆工况向量表示获得输出预测值；所述输出预测值为所述驾驶行为促进工况模型的输出；
构造子单元，用于利用所述输出预测值和期望值构造损失函数；
循环子单元，用于通过所述损失函数值更新所述n个权重系数，返回执行所述利用所述n个权重系数和所述第一目标时间段的目标用户驾驶行为特征获得第一目标时间段的提取用户驾驶行为向量表示以及后续步骤，直至达到预设条件，获得所述n个权重系数。
可选的，在本申请实施例的一些实施方式中，所述分析单元305，包括：
第一确定子单元，用于从所述n个权重系数中确定预设数量个权重系数，所述预设数量个权重系数均大于预设阈值；
第六获取子单元，用于获取所述预设数量个权重系数对应的预设数量个用户驾驶行为向量表示；
第二确定子单元，用于将所述预设数量个用户驾驶行为向量表示确定为分析结果。
通过本申请提供的车辆工况调整用户驾驶行为的装置，可以获取权重系数，根据获得的权重系数确定用户驾驶行为对车辆工况的影响程度，分析并调整用户驾驶行为，实现以车辆工况调整用户驾驶行为的目的。
本申请实施例还提供了一种车辆工况调整用户驾驶行为的设备，其特征在于，包括：存储器，处理器，及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时，实现如上述实施例所述的车辆工况调整用户驾驶行为的方法。
本申请实施例还提供了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中存储计算机程序，所述计算机程序用于执行如上述实施例所述的车辆工况调整用户驾驶行为的方法。
需要说明的是，本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的方法而言，由于其与实施例公开的***相对应，所以描述的比较简单，相关之处参见***部分说明即可。
还需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本申请。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本申请的精神或范围的情况下，在其它实施例中实现。因此，本申请将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。

Claims (10)

1.一种车辆工况调整用户驾驶行为的方法，其特征在于，所述方法包括：
获取第一目标时间段的预处理用户驾驶行为特征和第二目标时间段的预处理车辆工况特征；
对所述第一目标时间段的预处理用户驾驶行为特征进行提取，获得n个用户驾驶行为向量表示；所述n个用户驾驶行为向量表示组成所述第一目标时间段的目标用户驾驶行为特征；n为整数；
对所述第二目标时间段的预处理车辆工况特征进行提取，获得第二目标时间段的目标车辆工况向量表示；
利用所述第一目标时间段的目标用户驾驶行为特征、所述第二目标时间段的目标车辆工况向量表示和驾驶行为促进工况模型，获得n个权重系数；所述驾驶行为促进工况模型用于获取所述n个权重系数；第i个所述权重系数和第i个用户驾驶行为向量表示相对应；i为1到n的整数；
对所述n个权重系数和所述n个用户驾驶行为向量表示进行分析，获得分析结果；
根据所述分析结果，生成提示信息；所述提示信息用于提示用户调整驾驶行为。
2.根据权利要求1所述的方法，其特征在于，所述对所述第一目标时间段的预处理用户驾驶行为特征进行提取，获得n个用户驾驶行为向量表示，包括：
对第i个目标时间片的预处理用户驾驶行为特征进行提取，获得第i个用户驾驶行为向量表示；所述第一目标时间段包括n个目标时间片；所述第一目标时间段的预处理用户驾驶行为特征包括n个目标时间片的预处理用户驾驶行为特征；
获得n个用户驾驶行为向量表示。
3.根据权利要求2所述的方法，其特征在于，所述对第i个目标时间片的预处理用户驾驶行为特征进行提取，获得第i个用户驾驶行为向量表示，包括：
获取第i个目标时间片的第一用户驾驶行为特征和第i个目标时间片的第二用户驾驶行为特征；所述第i个目标时间片的第一用户驾驶行为特征和所述第i个目标时间片的第二用户驾驶行为特征组成所述第i个目标时间片的预处理用户驾驶行为特征；
将所述第i个目标时间片的第一用户驾驶行为特征进行提取，获得第i个目标时间片的第三用户驾驶行为向量表示；
将所述第i个目标时间片的第三用户驾驶行为向量表示和所述第i个目标时间片的第二用户驾驶行为特征进行拼接，获得第i个用户驾驶行为向量表示。
4.根据权利要求1所述的方法，其特征在于，所述利用所述第一目标时间段的目标用户驾驶行为特征、所述第二目标时间段的目标车辆工况向量表示和驾驶行为促进工况模型，获得n个权重系数，包括：
将所述第一目标时间段的目标用户驾驶行为特征和所述第二目标时间段的目标车辆工况向量表示输入到驾驶行为促进工况模型中，获得n个权重系数；所述驾驶行为促进工况模型包括所述注意力机制算法模型；所述注意力机制算法模型用于获得n个权重系数；
利用所述n个权重系数和所述第一目标时间段的目标用户驾驶行为特征获得第一目标时间段的提取用户驾驶行为向量表示；
利用所述第一目标时间段的提取用户驾驶行为向量表示和所述第二目标时间段的目标车辆工况向量表示获得输出预测值；所述输出预测值为所述驾驶行为促进工况模型的输出；
利用所述输出预测值和期望值构造损失函数；
通过所述损失函数值更新所述n个权重系数，返回执行所述利用所述n个权重系数和所述第一目标时间段的目标用户驾驶行为特征获得第一目标时间段的提取用户驾驶行为向量表示以及后续步骤，直至达到预设条件，获得所述n个权重系数。
5.根据权利要求1所述的方法，其特征在于，所述对所述n个权重系数和所述n个用户驾驶行为向量表示进行分析，获得分析结果，包括：
从所述n个权重系数中确定预设数量个权重系数，所述预设数量个权重系数均大于预设阈值；
获取所述预设数量个权重系数对应的预设数量个用户驾驶行为向量表示；
将所述预设数量个用户驾驶行为向量表示确定为分析结果。
6.一种车辆工况调整用户驾驶行为的装置，其特征在于，所述装置包括：
第一获取单元，用于获取第一目标时间段的预处理用户驾驶行为特征和第二目标时间段的预处理车辆工况特征；
第一提取单元，用于对所述第一目标时间段的预处理用户驾驶行为特征进行提取，获得n个用户驾驶行为向量表示；所述n个用户驾驶行为向量表示组成所述第一目标时间段的目标用户驾驶行为特征；n为整数；
第二提取单元，用于对所述第二目标时间段的预处理车辆工况特征进行提取，获得第二目标时间段的目标车辆工况向量表示；
第二获取单元，用于利用所述第一目标时间段的目标用户驾驶行为特征、所述第二目标时间段的目标车辆工况向量表示和驾驶行为促进工况模型，获得n个权重系数；所述驾驶行为促进工况模型用于获取所述n个权重系数；第i个所述权重系数和第i个用户驾驶行为向量表示相对应；i为1到n的整数；
分析单元，用于对所述n个权重系数和所述n个用户驾驶行为向量表示进行分析，获得分析结果；
生成单元，用于根据所述分析结果，生成提示信息；所述提示信息用于提示用户调整驾驶行为。
7.根据权利要求6所述的装置，其特征在于，所述第一提取单元，包括：
第一提取子单元，用于对第i个目标时间片的预处理用户驾驶行为特征进行提取，获得第i个用户驾驶行为向量表示；所述第一目标时间段包括n个目标时间片；所述第一目标时间段的预处理用户驾驶行为特征包括n个目标时间片的预处理用户驾驶行为特征；
第一获取子单元，用于获得n个用户驾驶行为向量表示。
8.根据权利要求7所述的装置，其特征在于，所述第一提取子单元，包括：
第二获取子单元，用于获取第i个目标时间片的第一用户驾驶行为特征和第i个目标时间片的第二用户驾驶行为特征；所述第i个目标时间片的第一用户驾驶行为特征和所述第i个目标时间片的第二用户驾驶行为特征组成所述第i个目标时间片的预处理用户驾驶行为特征；
第二提取子单元，用于将所述第i个目标时间片的第一用户驾驶行为特征进行提取，获得第i个目标时间片的第三用户驾驶行为向量表示；
第三获取子单元，用于将所述第i个目标时间片的第三用户驾驶行为向量表示和所述第i个目标时间片的第二用户驾驶行为特征进行拼接，获得第i个用户驾驶行为向量表示。
9.一种车辆工况调整用户驾驶行为的设备，其特征在于，包括：存储器，处理器，及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时，实现如权利要求1-5任一项所述的车辆工况调整用户驾驶行为的方法。
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中存储计算机程序，所述计算机程序用于执行如权利要求1-5任一项所述的车辆工况调整用户驾驶行为的方法。
CN202011585842.XA 2020-12-28 2020-12-28 一种车辆工况调整用户驾驶行为的方法及装置 Active CN112706777B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011585842.XA CN112706777B (zh) 2020-12-28 2020-12-28 一种车辆工况调整用户驾驶行为的方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011585842.XA CN112706777B (zh) 2020-12-28 2020-12-28 一种车辆工况调整用户驾驶行为的方法及装置

Publications (2)

Publication Number Publication Date
CN112706777A true CN112706777A (zh) 2021-04-27
CN112706777B CN112706777B (zh) 2022-05-10

Family

ID=75545987

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011585842.XA Active CN112706777B (zh) 2020-12-28 2020-12-28 一种车辆工况调整用户驾驶行为的方法及装置

Country Status (1)

Country Link
CN (1) CN112706777B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113386779A (zh) * 2021-06-23 2021-09-14 华人运通(江苏)动力电池***有限公司 驾驶风格识别方法、设备及存储介质

Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2012254732A (ja) * 2011-06-09 2012-12-27 Nissan Motor Co Ltd 制駆動力制御装置および制駆動力制御方法
CN108609018A (zh) * 2018-05-10 2018-10-02 郑州天迈科技股份有限公司 用于分析危险驾驶行为的预警终端、预警***及分析算法
CN108944940A (zh) * 2018-06-25 2018-12-07 大连大学 基于神经网络的驾驶员行为建模方法
CN109035718A (zh) * 2018-07-31 2018-12-18 苏州清研微视电子科技有限公司 多因素融合的危险驾驶行为分级预警方法
CN111098861A (zh) * 2019-11-25 2020-05-05 中国第一汽车股份有限公司 一种驾驶行为反馈方法、装置、车辆及存储介质
CN111267863A (zh) * 2018-12-04 2020-06-12 广州汽车集团股份有限公司 驾驶员驾驶类型识别方法、装置、存储介质及终端设备
US20200234829A1 (en) * 2014-09-17 2020-07-23 Koninklijke Philips N.V. Systems and methods for facilitating response prediction for a condition
CN111553242A (zh) * 2020-04-24 2020-08-18 驭势（上海）汽车科技有限公司 用于预测驾驶行为的生成对抗网络的训练方法和电子设备
CN111563555A (zh) * 2020-05-11 2020-08-21 广东广顺新能源动力科技有限公司 一种司机驾驶行为分析方法及***
CN111775948A (zh) * 2020-06-09 2020-10-16 浙江吉利汽车研究院有限公司 一种驾驶行为分析方法及装置
CN111923916A (zh) * 2020-07-24 2020-11-13 江苏大学 一种基于视觉感知行为和anfis的仿人转向建模方法及转向控制***
CN111968338A (zh) * 2020-07-23 2020-11-20 南京邮电大学 基于深度学习的驾驶行为分析识别警示***及其识别方法
JP2020192824A (ja) * 2019-05-24 2020-12-03 日産自動車株式会社 運転挙動制御方法及び運転挙動制御装置

Patent Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2012254732A (ja) * 2011-06-09 2012-12-27 Nissan Motor Co Ltd 制駆動力制御装置および制駆動力制御方法
US20200234829A1 (en) * 2014-09-17 2020-07-23 Koninklijke Philips N.V. Systems and methods for facilitating response prediction for a condition
CN108609018A (zh) * 2018-05-10 2018-10-02 郑州天迈科技股份有限公司 用于分析危险驾驶行为的预警终端、预警***及分析算法
CN108944940A (zh) * 2018-06-25 2018-12-07 大连大学 基于神经网络的驾驶员行为建模方法
CN109035718A (zh) * 2018-07-31 2018-12-18 苏州清研微视电子科技有限公司 多因素融合的危险驾驶行为分级预警方法
CN111267863A (zh) * 2018-12-04 2020-06-12 广州汽车集团股份有限公司 驾驶员驾驶类型识别方法、装置、存储介质及终端设备
JP2020192824A (ja) * 2019-05-24 2020-12-03 日産自動車株式会社 運転挙動制御方法及び運転挙動制御装置
CN111098861A (zh) * 2019-11-25 2020-05-05 中国第一汽车股份有限公司 一种驾驶行为反馈方法、装置、车辆及存储介质
CN111553242A (zh) * 2020-04-24 2020-08-18 驭势（上海）汽车科技有限公司 用于预测驾驶行为的生成对抗网络的训练方法和电子设备
CN111563555A (zh) * 2020-05-11 2020-08-21 广东广顺新能源动力科技有限公司 一种司机驾驶行为分析方法及***
CN111775948A (zh) * 2020-06-09 2020-10-16 浙江吉利汽车研究院有限公司 一种驾驶行为分析方法及装置
CN111968338A (zh) * 2020-07-23 2020-11-20 南京邮电大学 基于深度学习的驾驶行为分析识别警示***及其识别方法
CN111923916A (zh) * 2020-07-24 2020-11-13 江苏大学 一种基于视觉感知行为和anfis的仿人转向建模方法及转向控制***

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113386779A (zh) * 2021-06-23 2021-09-14 华人运通(江苏)动力电池***有限公司 驾驶风格识别方法、设备及存储介质
CN113386779B (zh) * 2021-06-23 2022-10-18 华人运通(江苏)动力电池***有限公司 驾驶风格识别方法、设备及存储介质

Also Published As

Publication number Publication date
CN112706777B (zh) 2022-05-10

Similar Documents

Publication Publication Date Title
US20230004796A1 (en) Automated and adaptive design and training of neural networks
EP3483767B1 (en) Device for detecting variant malicious code on basis of neural network learning, method therefor, and computer-readable recording medium in which program for executing same method is recorded
Hancock et al. Decision field theory: Improvements to current methodology and comparisons with standard choice modelling techniques
EP4160784A1 (en) Deterioration estimation device, model generation device, deterioration estimation method, model generation method, and program
CN112365885B (zh) 唤醒模型的训练方法、装置和计算机设备
CN111191457A (zh) 自然语言语义识别方法、装置、计算机设备和存储介质
CN112706777B (zh) 一种车辆工况调整用户驾驶行为的方法及装置
US20210133576A1 (en) Method and apparatus for automatically producing an artificial neural network
CN112529104B (zh) 一种车辆故障预测模型生成方法、故障预测方法及装置
CN110348055B (zh) Chaboche粘塑性本构模型材料参数获取与优化方法
CN112182384A (zh) 基于对抗学习的内容推荐方法、装置和计算机设备
CN113177630A (zh) 一种针对深度学习模型的数据记忆消除方法和装置
CN114495152A (zh) 一种步态数据分类方法、计算机可读存储介质及装置
CN112199939A (zh) 一种评审专家智能推荐方法和存储介质
CN116086790A (zh) 氢燃料电池高压阀的性能检测方法及其***
EP4016393A1 (en) A method for building a resource-frugal neural network
JP2015038709A (ja) モデルパラメータ推定方法、装置、及びプログラム
JP5459312B2 (ja) パターン照合装置、パターン照合方法及びパターン照合プログラム
CN115099928A (zh) 流失客户识别方法及装置
Kapelner et al. Bartmachine: A powerful tool for machine learning
CN114463590A (zh) 信息处理方法、装置、设备、存储介质及程序产品
CN114441969A (zh) 电池荷电状态估算方法及装置
CN110276448B (zh) 一种模型压缩方法及装置
CN111047074A (zh) 一种电力负荷波动范围预测方法及装置
CN115877223B (zh) 锂电池检测方法、装置、设备及存储介质

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
GR01 Patent grant
GR01 Patent grant