CN113076697B - 典型驾驶工况的构建方法、相关装置及计算机存储介质 - Google Patents

典型驾驶工况的构建方法、相关装置及计算机存储介质 Download PDF

Info

Publication number
CN113076697B
CN113076697B CN202110423665.3A CN202110423665A CN113076697B CN 113076697 B CN113076697 B CN 113076697B CN 202110423665 A CN202110423665 A CN 202110423665A CN 113076697 B CN113076697 B CN 113076697B
Authority
CN
China
Prior art keywords
target
target data
typical driving
working condition
data group
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.)
Active
Application number
CN202110423665.3A
Other languages
English (en)
Other versions
CN113076697A (zh
Inventor
孙翠迎
程博
王建伟
杨文凯
朱汇龙
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.)
Weichai Power Co Ltd
Original Assignee
Weichai Power 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 Weichai Power Co Ltd filed Critical Weichai Power Co Ltd
Priority to CN202110423665.3A priority Critical patent/CN113076697B/zh
Publication of CN113076697A publication Critical patent/CN113076697A/zh
Application granted granted Critical
Publication of CN113076697B publication Critical patent/CN113076697B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • 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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/08—Probabilistic or stochastic CAD

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Computational Mathematics (AREA)
  • Algebra (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Computing Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Physics (AREA)
  • Mathematical Analysis (AREA)
  • Probability & Statistics with Applications (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Traffic Control Systems (AREA)

Abstract

本申请提供了一种典型驾驶工况的构建方法、相关装置及计算机存储介质，所述典型驾驶工况的构建方法包括：首先，获取目标市场数据集合；然后，对所述目标市场数据集合中的数据进行预处理，得到至少一个目标数据组；最后，针对每一个所述目标数据组，将所述目标数据组输入至典型驾驶工况的构建模型中，得到所述目标数据组对应的典型驾驶工况；其中，所述典型驾驶工况的构建模型由至少一个机型和训练样本细分市场的组合，以及所述训练样本细分市场的各类别指标对应的原始工况，对基于非均匀网格的马尔科夫‑蒙特卡洛模型进行训练得到。从而达到精确的构建典型驾驶工况的目的。

Description

典型驾驶工况的构建方法、相关装置及计算机存储介质
技术领域
本申请涉及计算机技术领域，特别涉及一种典型驾驶工况的构建方法、相关装置及计算机存储介质。
背景技术
在现有技术中，通常采用马尔可夫-蒙特卡洛模拟的方法，基于市场上商用车的大量数据，提取并构建某一车型用途等最小粒度的典型驾驶工况，为后续测试车辆的尾气污染物排放，燃料消耗，评估新车型的开发技术等提供输入。
但是，现有技术中在采用马尔可夫-蒙特卡洛模拟的方法的对典型驾驶工况构建的过程中，对网格进行划分的方法为均匀划分，在实际的应用过程中在均匀网格中会将同一状态下的信息编码为同一个状态，从而引入较大的误差，进而导致影响后续构建的模型的精度。
发明内容
有鉴于此，本申请提供了一种典型驾驶工况的构建方法、相关装置及计算机存储介质，用于精确的构建典型驾驶工况。
本申请第一方面提供了一种典型驾驶工况的构建方法，包括：
获取目标市场数据集合；
对所述目标市场数据集合中的数据进行预处理，得到至少一个目标数据组；
针对每一个所述目标数据组，将所述目标数据组输入至典型驾驶工况的构建模型中，得到所述目标数据组对应的典型驾驶工况；其中，所述典型驾驶工况的构建模型由至少一个机型和训练样本细分市场的组合，以及所述训练样本细分市场的各类别指标对应的原始工况，对基于非均匀网格的马尔科夫-蒙特卡洛模型进行训练得到。
可选的，所述典型驾驶工况的构建模型的训练方法，包括：
获取目标机型以及细分市场的目标典型工况长度；其中，所述目标机型为用户需要提取的机型；所述目标典型工况长度为用户需要提取的典型工况长度；
根据速度的累计函数分布或加速度的累计函数分布，在速度-加速度分布密集区间自动生成加密网格，并在速度-加速度分布稀疏区间进行稀疏划分，从而得到速度-加速度的联合二维区间；
将所述速度-加速度的联合二维区间按照预设的编解码方式进行一维编码，得到一维状态空间；其中，所述一维状态空间中的每一个编码代表一个状态；
将时间和车速以及加速度序列，与所述状态建立对应关系，得到时间-状态一维序列；
根据所述时间-状态一维序列确定状态转移关系，得到状态转移矩阵；
采用蒙特卡洛模拟的方式对所述状态转移矩阵进行状态转移的模拟，得到至少一个满足所述目标典型工况长度的状态序列数据；
针对每一个所述状态序列数据，按照所述预设的编解码方式对所述状态序列数据进行解码，得到解码后的数据；
对所述解码后的数据，进行对目标机型和所述训练样本市场中细分市场大数据代表性指标的统计，生成至少一个对目标机型和细分市场的原始工况数据的代表性评估的指标结果集；
针对每一个所述代表性评估指标结果集，分别计算所述指标结果集中的每一项与原始工况对应项的偏差值，并计算所有偏差值的方差大小，将所有偏差绝对值和方差值求和，将结果最小项对应的解码后的目标工况长度的数据作为输入的原始机型和细分市场的典型驾驶工况；
将原始工况与典型驾驶工况在同种情况下进行油耗经济性测试，得到所述典型驾驶工况测试结果以及所述原始工况的测试结果；
判断所述典型驾驶工况的测试结果与所述原始工况的测试结果之间是否满足预设的误差；
若判断出所述典型驾驶工况的测试结果与所述原始工况的测试结果之间不满足预设的误差，则对所述基于非均匀网格的马尔科夫-蒙特卡洛模型进行优化，直至所述典型驾驶工况测试结果与所述原始工况的测试结果之间满足预设的误差。
可选的，所述对所述目标市场数据集合中的数据进行预处理，得到至少一个目标数据组，包括：
对所述目标市场数据集合中的数据按照预设的类别进行划分，得到至少一个数据组；
针对每一个所述数据组，对数据组中的数据进行清洗，得到第一类目标数据组；
其中，所述针对每一个所述目标数据组，将所述目标数据组输入至典型驾驶工况的构建模型中，得到所述目标数据组对应的典型驾驶工况，包括：
针对每一个所述第一类目标数据组，将所述第一类目标数据组输入至典型驾驶工况的构建模型中，得到所述第一类目标数据组对应的典型驾驶工况。
可选的，所述针对每一个所述数据组，对数据组中的数据进行清洗，得到第一类目标数据组之后，还包括：
对所述第一类目标数据组进行短行程划分，得到短行程的第一类目标数据组；
剔除所述短行程的第一类目标数据组中的异常值以及对所述短行程的第一类目标数据组中的异常数据进行清洗，得到清洗后的第一类目标数据组；
提取所述清洗后的第一类目标数据组的特征，并根据所述特征对所有所述清洗后的第一类目标数据组进行聚类，得到第二类目标数据组；
其中，所述针对每一个所述目标数据组，将所述目标数据组输入至典型驾驶工况的构建模型中，得到所述目标数据组对应的典型驾驶工况，包括：
针对每一个所述第二类目标数据组，将所述第二类目标数据组输入至典型驾驶工况的构建模型中，得到所述第二类目标数据组对应的典型驾驶工况。
本申请第二方面提供了一种典型驾驶工况的构建装置，包括：
第一获取单元，用于获取目标市场数据集合；
预处理单元，用于对所述目标市场数据集合中的数据进行预处理，得到至少一个目标数据组；
输入单元，用于针对每一个所述目标数据组，将所述目标数据组输入至典型驾驶工况的构建模型中，得到所述目标数据组对应的典型驾驶工况；其中，所述典型驾驶工况的构建模型由至少一个机型和训练样本细分市场的组合，以及所述训练样本细分市场的各类别指标对应的原始工况，对基于非均匀网格的马尔科夫-蒙特卡洛模型进行训练得到。
可选的，所述典型驾驶工况的构建模型的训练单元，包括：
第二获取单元，用于获取目标机型以及细分市场的目标典型工况长度；其中，所述目标机型为用户需要提取的机型；所述目标典型工况长度为用户需要提取的典型工况长度；
生成单元，用于根据速度的累计函数分布或加速度的累计函数分布，在速度-加速度分布密集区间自动生成加密网格，并在速度-加速度分布稀疏区间进行稀疏划分，从而得到速度-加速度的联合二维区间；
编码单元，用于将所述速度-加速度的联合二维区间按照预设的编解码方式进行一维编码，得到一维状态空间；其中，所述一维状态空间中的每一个编码代表一个状态；
建立单元，用于将时间和车速以及加速度序列，与所述状态建立对应关系，得到时间-状态一维序列；
转移矩阵计算单元，用于根据时间-状态序列，便可以确定状态转移关系，得到状态转移矩阵；
模拟单元，用于采用蒙特卡洛模拟的方式对所述状态转移矩阵进行状态转移的模拟，得到至少一个满足所述目标典型工况长度的状态序列数据；
解码单元，用于针对每一个所述状态序列数据，按照所述预设的编解码方式对所述状态序列数据进行解码，得到解码后的数据；
统计单元，用于对所述解码后的数据，进行对目标机型和所述训练样本市场中细分市场大数据代表性指标的统计，生成至少一个对目标机型和细分市场的原始工况数据的代表性评估的指标结果集；
确定单元，用于针对每一个所述代表性评估指标结果集，分别计算所述指标结果集中的每一项与原始工况对应项的偏差值，并计算所有偏差值的方差大小，将所有偏差绝对值和方差值求和，将结果最小项对应的解码后的目标工况长度的数据作为输入的原始机型和细分市场的典型驾驶工况；
测试单元，用于将原始工况与典型驾驶工况在同种情况下进行油耗经济性测试，得到所述典型驾驶工况测试结果以及所述原始工况的测试结果；
判断单元，用于判断所述典型驾驶工况的测试结果与所述原始工况的测试结果之间是否满足预设的误差；
优化单元，用于若所述判断单元判断出，所述典型驾驶工况的测试结果与所述原始工况的测试结果之间不满足预设的误差，则对所述基于非均匀网格的马尔科夫-蒙特卡洛模型进行优化，直至所述典型驾驶工况测试结果与所述原始工况的测试结果之间满足预设的误差。
可选的，所述预处理单元，包括：
第一划分单元，用于对所述目标市场数据集合中的数据按照预设的类别进行划分，得到至少一个数据组；
第一清洗单元，用于针对每一个所述数据组，对数据组中的数据进行清洗，得到第一类目标数据组；
其中，所述输入单元，用于：
针对每一个所述第一类目标数据组，将所述第一类目标数据组输入至典型驾驶工况的构建模型中，得到所述第一类目标数据组对应的典型驾驶工况。
可选的，所述典型驾驶工况的构建装置，还包括：
第二划分单元，用于对所述第一类目标数据组进行短行程划分，得到短行程的第一类目标数据组；
第二清洗单元，用于剔除所述短行程的第一类目标数据组中的异常值以及对所述短行程的第一类目标数据组中的异常数据进行清洗，得到清洗后的第一类目标数据组；
聚类单元，用于提取所述清洗后的第一类目标数据组的特征，并根据所述特征对所有所述清洗后的第一类目标数据组进行聚类，得到第二类目标数据组；
其中，所述输入单元，用于：
针对每一个所述第二类目标数据组，将所述第二类目标数据组输入至典型驾驶工况的构建模型中，得到所述第二类目标数据组对应的典型驾驶工况。
本申请第三方面提供了一种电子设备，包括：
一个或多个处理器；
存储装置，其上存储有一个或多个程序；
当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器实现如第一方面任意一项所述的典型驾驶工况的构建方法。
本申请第四方面提供了一种计算机存储介质，其上存储有计算机程序，其中，所述计算机程序被处理器执行时实现如第一方面任意一项所述的典型驾驶工况的构建方法。
由上述方案可知，本申请提供的一种典型驾驶工况的构建方法、相关装置及计算机存储介质中，所述典型驾驶工况的构建方法包括：首先，获取目标市场数据集合；然后，对所述目标市场数据集合中的数据进行预处理，得到至少一个目标数据组；最后，针对每一个所述目标数据组，将所述目标数据组输入至典型驾驶工况的构建模型中，得到所述目标数据组对应的典型驾驶工况；其中，所述典型驾驶工况的构建模型由至少一个机型和训练样本细分市场的组合，以及所述训练样本细分市场的各类别指标对应的原始工况，对基于非均匀网格的马尔科夫-蒙特卡洛模型进行训练得到。从而达到精确的构建典型驾驶工况的目的。
附图说明
为了更清楚地说明本发明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，下面描述中的附图仅仅是本发明的实施例，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，还可以根据提供的附图获得其他的附图。
图1为本申请实施例提供的一种FTP驾驶工况的速度-加速度的相平面的示意图；
图2为本申请实施例提供的一种状态编码方法的示意图；
图3为本申请实施例提供的一种均匀网格的速度和加速度的分布图的示意图；
图4为本申请实施例提供的一种某一重卡基于市场高速路况10万个点的数据画出的速度和加速的分布情况；
图5为本申请实施例提供的一种典型驾驶工况的构建方法的具体流程图；
图6为本申请实施例提供的一种对目标市场数据集合中的数据进行预处理的方法的流程图；
图7为本申请另一实施例提供的一种对目标市场数据集合中的数据进行预处理的方法的流程图；
图8为本申请另一实施例提供的一种典型驾驶工况的构建模型的训练方法的流程图；
图9为本申请另一实施例提供的一种均匀网格的速度和加速度的分布图的示意图；
图10为本申请另一实施例提供的一种典型驾驶工况的构建装置的示意图；
图11为本申请另一实施例提供的一种实现典型驾驶工况的构建方法的电子设备的示意图。
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。
需要注意，本申请中提及的“第一”、“第二”等概念仅用于对不同的装置、模块或单元进行区分，并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系，而术语“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。
现有技术中对典型驾驶工况进行构建的方法通常为：获取速度-时间序列数据，并根据车辆类型(如乘用车、商用车、电动车等)进行异常值剔除、数据清洗和预处理等操作。
可以理解的是，汽车驾驶工况的速度-时间序列数据，也可以表示为速度和加速度状态的相对平面运动，以FTP驾驶工况为例，FTP驾驶工况的速度-加速度的相平面可以如图1所示。
根据汽车驾驶工况的马尔科性分析，可以利用速度-加速度状态(v,a)表达汽车驾驶工况的状态转移关系。汽车驾驶工况的状态划分可以通过状态编码实现。
具体的，对于速度-时间序列，设速度的取值区间为[v1，v2]，加速度的取值区间为[a1，a2]，则可以将其分为m*n个取值区间，每个区间就是一个集合，即一个状态，所有状态便构成了该驾驶工况的状态区间，具体可以参见图3状态编码方法的示意图；将编码后的速度-加速度联合二维区间进行一维编码后，利用蒙特卡咯模拟进行状态转移的模拟，从而得到至少一个状态序列数据，并按照前面的编码规则进行界面，得到解码后的速度-时间序列。对接码后的数据进行怠速占比的统计，得到与原始速度-时间序列最接近的代表性工况即为构建得到典型驾驶工况。
参阅图2以及上述内容，对于速度-加速度联合二维区间，假设(v，a)是汽车运行过程中的一个状态，那么就可以通过网格划分，找到这个状态(v，a)所在的网格。需要说明的是，网格划分法关键在于网格尺寸(步长)的选取，如果划分过大，会使得后面解码步骤精度降低；如果划分过小，会导致算法效率降低。因此，根据参考工况的速度和加速度的分布求出二维空间速度和加速度的边界值，并规定一定的步长，按照边界值将速度和加速度的分布网格化，得到如图3所示的均匀网格的速度和加速度的分布图。
由于上述网格划分方法设计的网格是均匀网格，参见图3中a区域和b区域可知，如果采用均匀网格的方法，在同一步长的情况下，a区域和b区域同一个网格内包含的速度和加速度信息数目是不相同的，即便将分辨率设置比较高，a和b两个区域中的速度和加速度信息还是会有明显差异，但是均匀网格会将同一状态下的信息编码为同一个状态，这样会引入较大的误差，影响模型的精度。
因此，采用均匀网格方式仅仅在速度和加速度分布较为均匀的工况的适应性较好，但是在实际的应用场景中，速度和加速度的分布随着车辆的机型以及细分市场的变化而变化，大多数车辆的机型和细分市场都有着自己独有的作业工况，速度和加速度的分布情况，速度和加速度均匀分布在各个速度区间的情况少之又少。如图4所示，为某一重卡基于市场高速路况10万个点的数据画出的速度和加速的分布情况，在这样的速度和加速的分布情况下，均匀网格法的不适用性尤为突出。主要表现为：在均匀网格下，c、d、e分别代表一个状态，由于落入c、d、e的点数差距较大，对应c、d、e状态的概率差距较大，在对状态转移矩阵进行模拟时，d、e由于其概率高而被模拟复现的几率较大，但是c状态由于其发生概率较小被模拟复现的概率非常小，这时候模拟结果会一直在d、e及其附近等高速区转移，模拟到点火加速到高速和从高速减速到熄火这两个过程的几率非常非常小。从而导致1800s或者3600s的工况提取结果非常难涵盖点火-加速-高速稳定运行-减速-熄火的完整过程，简而言之就是均匀网格法不适用于有细分市场独特行驶特征的工况提取。
另外，当面对百万甚至千万级别的大量数据或者实时性要求较高的情境时，为了增加精度而缩小步长将网格设计的比较精细时，这样势必会导致状态的指数级增加，均匀网格法不论该网格中是否有速度和加速度数据都会逐个网格进行轮询，轮询会增加计算机内存的开销，延长模型的运行时间，导致算法的效率降低。
最后，虽然典型工况怠速占比在驾驶工况中影响巨大，但是并不能作为唯一选择标准；在实际驾驶中怠速占比、加减速占比、平均速度、最大最小速度加速度、速度加速度分布特别是油耗表现等都是评估驾驶工况结果的重要因素。
因此，本申请实施例提供了的一种典型驾驶工况的构建方法，如图5所示，具体包括以下步骤：
S501、获取目标市场数据集合。
S502、对目标市场数据集合中的数据进行预处理，得到至少一个目标数据组。
可选的，在本申请的另一实施例中，步骤S502的一种实施方式，如图6所示，包括：
S601、对目标市场数据集合中的数据按照预设的类别进行划分，得到至少一个数据组。
需要说明的是，预设的类别包括但不限于怠速(Idle)工况、加速(Accelerate)工况、减速(Deceleration)工况、匀速(Cruise)工况、平均速度(Average speed)、运行平均速度(Average running speed)、加速段平均加速度(Average acceleration)、减速段平均减速度(Average deceleration)、加速比例(Acceleration ratio)、减速比例(Decelerationratio)、匀速比例(Cruise ratio)、怠速比例(Idle ratio)等。
其中，怠速工况表示车辆行驶过程中的加速度a的绝对值小于0.15m/s2，即-0.15m/s2<a<0.15m/s2，且车辆的行驶速度v<0.5km/h的工况；加速工况表示车辆行驶过程中的加速度a≥0.15m/s2的工况；减速工况表示车辆行驶过程中的加速度a≤-0.15m/s2的工况；匀速工况表示车辆行驶过程中的加速度a的绝对值小于0.15m/s2，即-0.15m/s2<a<0.15m/s2，且车辆的行驶速度v≥0.5km/h的工况；平均速度即车辆行驶过程中所有工况点速度的平均值；运行平均速度表示车辆行驶里程除以非怠速工况点总时长；加速段平均加速度表示车辆行驶过程中的所有加速工况点的平均加速度；减速段平均减速度表示车辆行驶过程中的所有减速度工况点的平均减速度；加速比例表示车辆行驶过程中的加速度工况点占总工况时长的比例；减速比例表示车辆行驶过程中的减速度工况点占总工况时长的比例；匀速比例表示车辆行驶过程中的匀速度工况点占总工况时长的比例；怠速比例表示车辆行驶过程中的怠速度工况点占总工况时长的比例。
S602、针对每一个数据组，对数据组中的数据进行清洗，得到第一类目标数据组。
需要说明的是，对数据组中的数据进行清洗，包括但不限于对怠速占比大于90％的驾驶循环进行清洗、清除开始或结束时车速不为零的驾驶循环。其中，车辆从一次点火上电到熄火下电表示一个驾驶循环。
可选的，在本申请的另一实施例中，步骤S502的一种实施方式，如图7所示，包括：
S701、对目标市场数据集合中的数据按照预设的类别进行划分，得到至少一个数据组。
S702、针对每一个数据组，对数据组中的数据进行清洗，得到第一类目标数据组。
需要说明的是，步骤S701以及步骤S702的执行方式可以对应的参见步骤S601以及步骤S602，此处不再赘述。
S703、对第一类目标数据组进行短行程划分，得到短行程的第一类目标数据组。
其中，一个驾驶循环可能会包含个短行程，N为正整数。短行程是指一个驾驶循环从一次车速为0至下一次车速为0。
S704、剔除短行程的第一类目标数据组中的异常值以及对短行程的第一类目标数据组中的异常数据进行清洗，得到清洗后的第一类目标数据组。
例如：大多数速度数据都在0～120km/h，但是出现了一个速度值170km/h，那么就可以判定170km/h这个速度为异常值，将其剔除。
S705、提取清洗后的第一类目标数据组的特征，并根据特征对所有清洗后的第一类目标数据组进行聚类，得到第二类目标数据组。
其中，特征可以分为但不限于短行程参数特征、速度参数特征以及加速度参数特征，此处不做限定。
短行程参数特征可以包括但不限于时间、距离、怠速时间、加速时间、减速时间、匀速时间、怠速占比、加速占比、减速占比等；速度参数特征可以包括但不限于最大速度、平均速度、速度标准差等；加速度参数可以是但不限于最大加速度、平均加速度、加速次数、最大减速度、平均减速度、加速次数、加速度标准差等，此处不做限定。
需要说明的是，聚类的方式是可以采用但不限于kmeans聚类、som、高斯聚类、层次聚类、无监督聚类、人为根据业务知识的打标签后有监督聚类等，方式十分多样化且成熟，此处不做限定。
S503、针对每一个目标数据组，将目标数据组输入至典型驾驶工况的构建模型中，得到目标数据组对应的典型驾驶工况。
其中，典型驾驶工况的构建模型由至少一个机型和训练样本细分市场，以及训练样本细分市场的各类别指标对应的原始工况，对基于非均匀网格的马尔科夫-蒙特卡洛模型进行训练得到。
需要说明的是，目标数据组可以是上述实施例中的第一类目标数据组，也可以是上述实施例中的第二类目标数据组，此处不做限定。但可以理解的是，第二类目标数据组相较于第一类目标数据组的划分方式更为细致，因此，构建的得到对应的典型驾驶工况会更加精确。
可选的，在本申请的另一实施例中，典型驾驶工况的构建模型的训练方法的一种实施方式，如图8所示，具体包括以下步骤：
S801、获取目标机型以及细分市场的目标典型工况长度。
其中，目标机型为用户需要提取的机型；目标典型工况长度为用户需要提取的典型工况长度。
S802、根据速度的累计函数分布或加速度的累计函数分布，在速度-加速度分布密集区间自动生成加密网格，并在速度-加速度分布稀疏区间进行稀疏划分，从而得到速度-加速度的联合二维区间。
参见图9按照本方法生成的速度-加速度的联合二维区间中，可以明显看出a、b两个区域网格密度的不一致，a对应网格密度明显比b对应的小，那么使得稀疏位置对应状态的概率相比于均匀网格有所提升，使得密集位置对应状态的概率相比于均匀网格有所减少，在一定程度上减少了不同状态间的概率差距，进而使得密集区域的状态在转移到与稀疏区域具有转移关系的状态时，转移到稀疏区域的概率会增大。这样做可以解决现有技术中在遇到有图4所示的速度和加速度分布特征的典型工况提取时无法提出涵盖点火-加速-高速稳定运行-减速-熄火的完整过程工况的问题。
S803、将速度-加速度的联合二维区间按照预设的编解码方式进行一维编码，得到一维状态空间。
其中，一维状态空间中的每一个编码代表一个状态。
S804、将时间和车速以及加速度序列，与状态建立对应关系，得到时间-状态一维序列。
S805、根据时间-状态一维序列确定状态转移关系，得到状态转移矩阵。
S806、采用蒙特卡洛模拟的方式对状态转移矩阵进行状态转移的模拟，得到至少一个满足目标典型工况长度的状态序列数据。
S807、针对每一个状态序列数据，按照预设的编解码方式对状态序列数据进行解码，得到解码后的数据。
S808、对解码后的数据，进行对目标机型和训练样本市场中细分市场大数据代表性指标的统计，生成至少一个对目标机型和细分市场的原始工况数据的代表性评估的指标结果集。
S809、针对每一个代表性评估指标结果集，分别计算指标结果集中的每一项与原始工况对应项的偏差值，并计算所有偏差值的方差大小，将所有偏差绝对值和方差值求和，将结果最小项对应的解码后的目标工况长度的数据作为输入的原始机型和细分市场的典型驾驶工况。
S810、将原始工况与典型驾驶工况在同种情况下进行油耗经济性测试，得到典型驾驶工况测试结果以及原始工况的测试结果。
S811、判断典型驾驶工况的测试结果与原始工况的测试结果之间是否满足预设的误差。
其中，预设的误差为技术人员等根据实际情况进行设定的，且是可以变更的，此处不做限定。
具体的，若判断出典型驾驶工况的测试结果与原始工况的测试结果之间不满足预设的误差，则执行步骤S812；若判断出典型驾驶工况的测试结果与原始工况的测试结果之间满足预设的误差S813。
S812、对基于非均匀网格的马尔科夫-蒙特卡洛模型进行优化。
S813、将基于非均匀网格的马尔科夫-蒙特卡洛模型作为典型驾驶工况的构建模型。
由上述方案可知，本申请提供的一种典型驾驶工况的构建方法中：首先，获取目标市场数据集合；然后，对目标市场数据集合中的数据进行预处理，得到至少一个目标数据组；最后，针对每一个目标数据组，将目标数据组输入至典型驾驶工况的构建模型中，得到目标数据组对应的典型驾驶工况；其中，典型驾驶工况的构建模型由至少一个机型和训练样本细分市场，以及训练样本细分市场的各类别指标对应的原始工况，对基于非均匀网格的马尔科夫-蒙特卡洛模型进行训练得到。从而达到精确的构建典型驾驶工况的目的。
本申请另一实施例提供了一种典型驾驶工况的构建装置，如图10所示，具体包括：
第一获取单元1001，用于获取目标市场数据集合。
预处理单元1002，用于对目标市场数据集合中的数据进行预处理，得到至少一个目标数据组。
输入单元1003，用于针对每一个目标数据组，将目标数据组输入至典型驾驶工况的构建模型中，得到目标数据组对应的典型驾驶工况。
其中，典型驾驶工况的构建模型由至少一个机型和训练样本细分市场，以及训练样本细分市场的各类别指标对应的原始工况，对基于非均匀网格的马尔科夫-蒙特卡洛模型进行训练得到。
本申请上述实施例公开的单元的具体工作过程，可参见对应的方法实施例内容，如图5所示，此处不再赘述。
可选的，在本申请的另一实施例中，预处理单元1002的一种实施方式，包括：
第一划分单元，用于对目标市场数据集合中的数据按照预设的类别进行划分，得到至少一个数据组。
第一清洗单元，用于针对每一个数据组，对数据组中的数据进行清洗，得到第一类目标数据组。
其中，输入单元1003，用于：
针对每一个第一类目标数据组，将第一类目标数据组输入至典型驾驶工况的构建模型中，得到第一类目标数据组对应的典型驾驶工况。
本申请上述实施例公开的单元的具体工作过程，可参见对应的方法实施例内容，如图6所示，此处不再赘述。
可选的，在本申请的另一实施例中，预处理单元1002的一种实施方式，还包括：
第二划分单元，用于对第一类目标数据组进行短行程划分，得到短行程的第一类目标数据组。
第二清洗单元，用于剔除短行程的第一类目标数据组中的异常值以及对短行程的第一类目标数据组中的异常数据进行清洗，得到清洗后的第一类目标数据组。
聚类单元，用于提取清洗后的第一类目标数据组的特征，并根据特征对所有清洗后的第一类目标数据组进行聚类，得到第二类目标数据组。
其中，输入单元1003，用于：
针对每一个第二类目标数据组，将第二类目标数据组输入至典型驾驶工况的构建模型中，得到第二类目标数据组对应的典型驾驶工况。
本申请上述实施例公开的单元的具体工作过程，可参见对应的方法实施例内容，如图7所示，此处不再赘述。
可选的，在本申请的另一实施例中，典型驾驶工况的构建模型的训练单元的一种实施方式，包括：
第二获取单元，用于获取目标机型以及细分市场的目标典型工况长度。
其中，目标机型为用户需要提取的机型；目标典型工况长度为用户需要提取的典型工况长度。
生成单元，用于根据速度的累计函数分布或加速度的累计函数分布，在速度-加速度分布密集区间自动生成加密网格，并在速度-加速度分布稀疏区间进行稀疏划分，从而得到速度-加速度的联合二维区间。
编码单元，用于将速度-加速度的联合二维区间按照预设的编解码方式进行一维编码，得到一维状态空间。
其中，一维状态空间中的每一个编码代表一个状态。
建立单元，用于将时间和车速以及加速度序列，与状态建立对应关系，得到时间-状态一维序列。
转移矩阵计算单元，用于根据时间-状态序列，便可以确定状态转移关系，得到状态转移矩阵。
模拟单元，用于采用蒙特卡洛模拟的方式对状态转移矩阵进行状态转移的模拟，得到至少一个满足目标典型工况长度的状态序列数据。
解码单元，用于针对每一个状态序列数据，按照预设的编解码方式对状态序列数据进行解码，得到解码后的数据。
统计单元，用于对解码后的数据，进行对目标机型和训练样本市场中细分市场大数据代表性指标的统计，生成至少一个对目标机型和细分市场的原始工况数据的代表性评估的指标结果集。
确定单元，用于针对每一个代表性评估指标结果集，分别计算指标结果集中的每一项与原始工况对应项的偏差值，并计算所有偏差值的方差大小，将所有偏差绝对值和方差值求和，将结果最小项对应的解码后的目标工况长度的数据作为输入的原始机型和细分市场的典型驾驶工况。
测试单元，用于将原始工况与典型驾驶工况在同种情况下进行油耗经济性测试，得到典型驾驶工况测试结果以及原始工况的测试结果。
判断单元，用于判断典型驾驶工况的测试结果与原始工况的测试结果之间是否满足预设的误差。
优化单元，用于若判断单元判断出，典型驾驶工况的测试结果与原始工况的测试结果之间不满足预设的误差，则对基于非均匀网格的马尔科夫-蒙特卡洛模型进行优化，直至典型驾驶工况测试结果与原始工况的测试结果之间满足预设的误差。
本申请上述实施例公开的单元的具体工作过程，可参见对应的方法实施例内容，如图8所示，此处不再赘述。
由上述方案可知，本申请提供的一种典型驾驶工况的构建装置中：首先，获取单元1001获取目标市场数据集合；然后，预处理单元1002对目标市场数据集合中的数据进行预处理，得到至少一个目标数据组；最后，输入单元1003针对每一个目标数据组，将目标数据组输入至典型驾驶工况的构建模型中，得到目标数据组对应的典型驾驶工况；其中，典型驾驶工况的构建模型由至少一个机型和训练样本细分市场，以及训练样本细分市场的各类别指标对应的原始工况，对基于非均匀网格的马尔科夫-蒙特卡洛模型进行训练得到。从而达到精确的构建典型驾驶工况的目的。
本申请另一实施例提供了一种电子设备，如图11所示，包括：
一个或多个处理器1101。
存储装置1102，其上存储有一个或多个程序。
当所述一个或多个程序被所述一个或多个处理器1101执行时，使得所述一个或多个处理器1101实现如上述实施例中任意一项所述的典型驾驶工况的构建方法。
本申请另一实施例提供了一种计算机存储介质，其上存储有计算机程序，其中，计算机程序被处理器执行时实现如上述实施例中任意一项所述的典型驾驶工况的构建方法。
在本申请公开的上述实施例中，应该理解到，所揭露的装置和方法，也可以通过其它的方式实现。以上所描述的装置和方法实施例仅仅是示意性的，例如，附图中的流程图和框图显示了根据本公开的多个实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现方式中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的***来实现，或者可以用专用硬件与计算机指令的组合来实现。
另外，在本公开各个实施例中的各功能模块可以集成在一起形成一个独立的部分，也可以是各个模块单独存在，也可以两个或两个以上模块集成形成一个独立的部分。所述功能如果以软件功能模块的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本公开的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，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，直播设备，或者网络设备等)执行本公开各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，RandomAccess Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
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 (8)

1.一种典型驾驶工况的构建方法，其特征在于，包括：
获取目标市场数据集合；
对所述目标市场数据集合中的数据进行预处理，得到至少一个目标数据组；
针对每一个所述目标数据组，将所述目标数据组输入至典型驾驶工况的构建模型中，得到所述目标数据组对应的典型驾驶工况；其中，所述典型驾驶工况的构建模型由至少一个机型和训练样本细分市场的组合，以及所述训练样本细分市场的各类别指标对应的原始工况，对基于非均匀网格的马尔科夫-蒙特卡洛模型进行训练得到；
其中，所述典型驾驶工况的构建模型的训练方法，包括：
获取目标机型以及细分市场的目标典型工况长度；其中，所述目标机型为用户需要提取的机型；所述目标典型工况长度为用户需要提取的典型工况长度；
根据速度的累计函数分布或加速度的累计函数分布，在速度-加速度分布密集区间自动生成加密网格，并在速度-加速度分布稀疏区间进行稀疏划分，从而得到速度-加速度的联合二维区间；
将所述速度-加速度的联合二维区间按照预设的编解码方式进行一维编码，得到一维状态空间；其中，所述一维状态空间中的每一个编码代表一个状态；
将时间和车速以及加速度序列，与所述状态建立对应关系，得到时间-状态一维序列；
根据所述时间-状态一维序列确定状态转移关系，得到状态转移矩阵；
采用蒙特卡洛模拟的方式对所述状态转移矩阵进行状态转移的模拟，得到至少一个满足所述目标典型工况长度的状态序列数据；
针对每一个所述状态序列数据，按照所述预设的编解码方式对所述状态序列数据进行解码，得到解码后的数据；
对所述解码后的数据，进行对目标机型和细分市场大数据代表性指标的统计，生成至少一个对目标机型和细分市场的原始工况数据的代表性评估的指标结果集；
针对每一个所述代表性评估指标结果集，分别计算所述指标结果集中的每一项与原始工况对应项的偏差值，并计算所有偏差值的方差大小，将所有偏差绝对值和方差值求和，将结果最小项对应的解码后的目标工况长度的数据作为输入的原始机型和细分市场的典型驾驶工况；
将原始工况与典型驾驶工况在同种情况下进行油耗经济性测试，得到所述典型驾驶工况测试结果以及所述原始工况的测试结果；
判断所述典型驾驶工况的测试结果与所述原始工况的测试结果之间是否满足预设的误差；
若判断出所述典型驾驶工况的测试结果与所述原始工况的测试结果之间不满足预设的误差，则对所述基于非均匀网格的马尔科夫-蒙特卡洛模型进行优化，直至所述典型驾驶工况测试结果与所述原始工况的测试结果之间满足预设的误差。
2.根据权利要求1所述的构建方法，其特征在于，所述对所述目标市场数据集合中的数据进行预处理，得到至少一个目标数据组，包括：
对所述目标市场数据集合中的数据按照预设的类别进行划分，得到至少一个数据组；
针对每一个所述数据组，对数据组中的数据进行清洗，得到第一类目标数据组；
其中，所述针对每一个所述目标数据组，将所述目标数据组输入至典型驾驶工况的构建模型中，得到所述目标数据组对应的典型驾驶工况，包括：
针对每一个所述第一类目标数据组，将所述第一类目标数据组输入至典型驾驶工况的构建模型中，得到所述第一类目标数据组对应的典型驾驶工况。
3.根据权利要求2所述的构建方法，其特征在于，所述针对每一个所述数据组，对数据组中的数据进行清洗，得到第一类目标数据组之后，还包括：
对所述第一类目标数据组进行短行程划分，得到短行程的第一类目标数据组；
剔除所述短行程的第一类目标数据组中的异常值以及对所述短行程的第一类目标数据组中的异常数据进行清洗，得到清洗后的第一类目标数据组；
提取所述清洗后的第一类目标数据组的特征，并根据所述特征对所有所述清洗后的第一类目标数据组进行聚类，得到第二类目标数据组；
其中，所述针对每一个所述目标数据组，将所述目标数据组输入至典型驾驶工况的构建模型中，得到所述目标数据组对应的典型驾驶工况，包括：
针对每一个所述第二类目标数据组，将所述第二类目标数据组输入至典型驾驶工况的构建模型中，得到所述第二类目标数据组对应的典型驾驶工况。
4.一种典型驾驶工况的构建装置，其特征在于，包括：
第一获取单元，用于获取目标市场数据集合；
预处理单元，用于对所述目标市场数据集合中的数据进行预处理，得到至少一个目标数据组；
输入单元，用于针对每一个所述目标数据组，将所述目标数据组输入至典型驾驶工况的构建模型中，得到所述目标数据组对应的典型驾驶工况；其中，所述典型驾驶工况的构建模型由至少一个机型和训练样本细分市场的组合，以及所述训练样本细分市场的各类别指标对应的原始工况，对基于非均匀网格的马尔科夫-蒙特卡洛模型进行训练得到；
其中，所述典型驾驶工况的构建模型的训练单元，包括：
第二获取单元，用于获取目标机型以及细分市场的目标典型工况长度；其中，所述目标机型为用户需要提取的机型；所述目标典型工况长度为用户需要提取的典型工况长度；
生成单元，用于根据速度的累计函数分布或加速度的累计函数分布，在速度-加速度分布密集区间自动生成加密网格，并在速度-加速度分布稀疏区间进行稀疏划分，从而得到速度-加速度的联合二维区间；
编码单元，用于将所述速度-加速度的联合二维区间按照预设的编解码方式进行一维编码，得到一维状态空间；其中，所述一维状态空间中的每一个编码代表一个状态；
建立单元，用于将时间和车速以及加速度序列，与所述状态建立对应关系，得到时间-状态一维序列；
转移矩阵计算单元，用于根据时间-状态序列，便可以确定状态转移关系，得到状态转移矩阵；
模拟单元，用于采用蒙特卡洛模拟的方式对所述状态转移矩阵进行状态转移的模拟，得到至少一个满足所述目标典型工况长度的状态序列数据；
解码单元，用于针对每一个所述状态序列数据，按照所述预设的编解码方式对所述状态序列数据进行解码，得到解码后的数据；
统计单元，用于对所述解码后的数据，进行对目标机型和所述训练样本市场中细分市场大数据代表性指标的统计，生成至少一个对目标机型和细分市场的原始工况数据的代表性评估的指标结果集；
确定单元，用于针对每一个所述代表性评估指标结果集，分别计算所述指标结果集中的每一项与原始工况对应项的偏差值，并计算所有偏差值的方差大小，将所有偏差绝对值和方差值求和，将结果最小项对应的解码后的目标工况长度的数据作为输入的原始机型和细分市场的典型驾驶工况；
测试单元，用于将原始工况与典型驾驶工况在同种情况下进行油耗经济性测试，得到所述典型驾驶工况测试结果以及所述原始工况的测试结果；
判断单元，用于判断所述典型驾驶工况的测试结果与所述原始工况的测试结果之间是否满足预设的误差；
优化单元，用于若所述判断单元判断出，所述典型驾驶工况的测试结果与所述原始工况的测试结果之间不满足预设的误差，则对所述基于非均匀网格的马尔科夫-蒙特卡洛模型进行优化，直至所述典型驾驶工况测试结果与所述原始工况的测试结果之间满足预设的误差。
5.根据权利要求4所述的构建装置，其特征在于，所述预处理单元，包括：
第一划分单元，用于对所述目标市场数据集合中的数据按照预设的类别进行划分，得到至少一个数据组；
第一清洗单元，用于针对每一个所述数据组，对数据组中的数据进行清洗，得到第一类目标数据组；
其中，所述输入单元，用于：
针对每一个所述第一类目标数据组，将所述第一类目标数据组输入至典型驾驶工况的构建模型中，得到所述第一类目标数据组对应的典型驾驶工况。
6.根据权利要求5所述的构建装置，其特征在于，还包括：
第二划分单元，用于对所述第一类目标数据组进行短行程划分，得到短行程的第一类目标数据组；
第二清洗单元，用于剔除所述短行程的第一类目标数据组中的异常值以及对所述短行程的第一类目标数据组中的异常数据进行清洗，得到清洗后的第一类目标数据组；
聚类单元，用于提取所述清洗后的第一类目标数据组的特征，并根据所述特征对所有所述清洗后的第一类目标数据组进行聚类，得到第二类目标数据组；
其中，所述输入单元，用于：
针对每一个所述第二类目标数据组，将所述第二类目标数据组输入至典型驾驶工况的构建模型中，得到所述第二类目标数据组对应的典型驾驶工况。
7.一种电子设备，其特征在于，包括：
一个或多个处理器；
存储装置，其上存储有一个或多个程序；
当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器实现如权利要求1至3中任一所述的典型驾驶工况的构建方法。
8.一种计算机存储介质，其特征在于，其上存储有计算机程序，其中，所述计算机程序被处理器执行时实现如权利要求1至3中任一所述的典型驾驶工况的构建方法。
CN202110423665.3A 2021-04-20 2021-04-20 典型驾驶工况的构建方法、相关装置及计算机存储介质 Active CN113076697B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110423665.3A CN113076697B (zh) 2021-04-20 2021-04-20 典型驾驶工况的构建方法、相关装置及计算机存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110423665.3A CN113076697B (zh) 2021-04-20 2021-04-20 典型驾驶工况的构建方法、相关装置及计算机存储介质

Publications (2)

Publication Number Publication Date
CN113076697A CN113076697A (zh) 2021-07-06
CN113076697B true CN113076697B (zh) 2022-11-29

Family

ID=76618335

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110423665.3A Active CN113076697B (zh) 2021-04-20 2021-04-20 典型驾驶工况的构建方法、相关装置及计算机存储介质

Country Status (1)

Country Link
CN (1) CN113076697B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113297685B (zh) * 2021-07-27 2021-11-02 中汽研（天津）汽车工程研究院有限公司 一种车辆运行工况模式识别方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102881060A (zh) * 2012-10-17 2013-01-16 潍柴动力股份有限公司 一种实现车辆典型工况获取的方法及***
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***
CN111775925A (zh) * 2020-06-09 2020-10-16 同济大学 一种功率分流混合动力汽车的工作模式决策方法和装置

Family Cites Families (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107464007A (zh) * 2016-06-02 2017-12-12 南京理工大学 基于马尔科夫理论和比例分配原理的连续时段概率潮流预测方法
CN107274086A (zh) * 2017-06-09 2017-10-20 东莞市毅豪电子科技有限公司 一种基于隐马尔可夫模型的网格化社会治理信息方法
CN108128309A (zh) * 2017-09-01 2018-06-08 特百佳动力科技有限公司 一种车辆工况实时预测的方法
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
CN108596208B (zh) * 2018-03-21 2020-12-29 上海交通大学 一种用于全工况道路的车辆驾驶循环构建方法
US11126199B2 (en) * 2018-04-16 2021-09-21 Baidu Usa Llc Learning based speed planner for autonomous driving vehicles
CN108806021B (zh) * 2018-06-12 2020-11-06 重庆大学 基于物理模型和道路特征参数的电动汽车目标路段能耗预测方法
CN108802845B (zh) * 2018-07-16 2019-06-28 燕山大学 一种基于红外阵列传感器的室内人员占有率估计方法
CN109409672A (zh) * 2018-09-25 2019-03-01 深圳市元征科技股份有限公司 一种汽车维修技师分类评级建模方法及装置
CN109409008B (zh) * 2018-11-23 2022-06-17 哈尔滨理工大学 一种城市轨道交通工具线路典型速度-时间行驶工况构建方法
CN110728772A (zh) * 2019-10-15 2020-01-24 西南交通大学 一种有轨电车典型行驶工况构建方法
CN111008505B (zh) * 2019-11-18 2023-05-23 西华大学 城市坡道行驶工况构建方法及应用
CN111126819B (zh) * 2019-12-18 2022-08-16 南京理工大学 一种城市行驶工况智能分析方法
CN111666715B (zh) * 2020-06-05 2023-04-25 北京理工大学 一种电动汽车能耗预测方法及***
CN112182962A (zh) * 2020-09-24 2021-01-05 青岛大学 一种混合动力汽车行驶车速预测方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102881060A (zh) * 2012-10-17 2013-01-16 潍柴动力股份有限公司 一种实现车辆典型工况获取的方法及***
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***
CN111775925A (zh) * 2020-06-09 2020-10-16 同济大学 一种功率分流混合动力汽车的工作模式决策方法和装置

Also Published As

Publication number Publication date
CN113076697A (zh) 2021-07-06

Similar Documents

Publication Publication Date Title
Chen et al. BLOCK-DBSCAN: Fast clustering for large scale data
CN112487617A (zh) 基于碰撞模型的风险预防方法、装置、设备及存储介质
CN113076697B (zh) 典型驾驶工况的构建方法、相关装置及计算机存储介质
CN110827326A (zh) 模拟人车冲突场景模型生成方法、装置、设备和存储介质
CN114842645B (zh) 一种基于k-means的路网速度态势规律提取方法
CN114971156A (zh) 一种基于大数据危险场景的驾驶风格分析方法
CN113221975A (zh) 基于改进马尔可夫分析法的工况构建方法及存储介质
Le Rhun et al. A stochastic data-based traffic model applied to vehicles energy consumption estimation
CN115761599A (zh) 一种视频异常检测方法及***
Abdelatif et al. Vehicular-cloud simulation framework for predicting traffic flow data
Naing et al. Dynamic data-driven microscopic traffic simulation using jointly trained physics-guided long short-term memory
Barr et al. A real-time data-driven method for battery health prognostics in electric vehicle use
Torp et al. Driving cycle generation using statistical analysis and markov chains
CN116438434A (zh) 用于基于概率对车辆进行速度预测的计算机辅助的方法和装置
Xu et al. Traversing the local polytopes of relu neural networks
CN111079940B (zh) 用于实时***分析的决策树模型建立方法和使用方法
CN115563020B (zh) 危险测试场景的生成方法及***、电子设备、存储介质
CN115080450B (zh) 自动驾驶测试数据生成方法及***、电子设备、存储介质
Zhang et al. Improved driver clustering framework by considering the variability of driving behaviors across traffic operation conditions
CN110148298B (zh) 基于机动车电子标识数据的私家车规律出行行为发现方法
CN115761551A (zh) 一种自动驾驶仿真场景生成方法、装置、设备及介质
CN111538752A (zh) 基于车联网的车辆用途识别方法、***及存储介质
CN113095126A (zh) 道路交通态势识别方法、***和存储介质
CN105043786A (zh) 一种含道路坡度的汽车运行工况马尔可夫链设计方法
CN116680517B (zh) 一种自动驾驶仿真测试中失败概率的确定方法及装置

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
GR01 Patent grant
GR01 Patent grant