CN115271001B - 车辆行驶工况的识别方法、装置、车辆及存储介质 - Google Patents
车辆行驶工况的识别方法、装置、车辆及存储介质 Download PDFInfo
- Publication number
- CN115271001B CN115271001B CN202211194619.1A CN202211194619A CN115271001B CN 115271001 B CN115271001 B CN 115271001B CN 202211194619 A CN202211194619 A CN 202211194619A CN 115271001 B CN115271001 B CN 115271001B
- Authority
- CN
- China
- Prior art keywords
- vehicle
- speed
- characteristic parameter
- average
- time ratio
- 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
Links
Images
Classifications
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明提供车辆行驶工况的识别方法、装置、车辆及存储介质,该方法包括:采集车辆在行驶过程中预设特征参数组合的行驶数据;将预设特征参数组合的行驶数据输入到经过训练的车辆工况识别模型中,以获得车辆的行驶工况;其中,车辆工况识别模型为基于预设特征参数组合的训练样本对预先构建的神经网络训练得到的;预设特征参数组合为基于每种候选特征参数组合的测试结果,从多种候选特征参数组合中筛选得到的;每种候选特征参数组合的测试结果为使用与其对应的候选车辆工况识别模型进行测试的测试结果,每种候选车辆工况识别模型为基于该种候选特征参数组合的训练样本训练得到的。本发明提供的车辆行驶工况的识别方法具有较高的识别准确率。
Description
技术领域
本发明涉及车辆行驶技术领域,尤其涉及一种车辆行驶工况的识别方法、装置、车辆及存储介质。
背景技术
车辆行驶工况即车辆运行工况,是指车辆运输行驶中的工作状况,体现了城市行驶车辆的速度-时间曲线,主要用于车辆性能标定和车辆油耗的标定。
行驶工况对车辆的燃油经济性、电池电耗、续航里程有很大的影响,针对不同工况,可以制定不同的车辆能量管理策略。对于混合动力车辆,在能量管理策略的制定过程中,若能识别当前行驶工况的类型,实时调整和切换控制策略,实现不同动力源之间功率分配最优,进一步提高车辆的燃油经济性。对于纯电动车辆,识别出工况类型,获得不同的类型工况下电池消耗水平,有助于提高纯电动车辆剩余续驶里程估算的准确性。
然而,现有的工况识别模型的识别准确率较低,无法准确的识别车辆的行驶工况。
发明内容
本发明实施例提供了一种车辆行驶工况的识别方法、装置、车辆及存储介质,以解决目前工况识别模型的识别准确率较低的问题。
第一方面,本发明实施例提供了一种车辆行驶工况的识别方法,包括:
采集车辆在行驶过程中预设特征参数组合的行驶数据;
将预设特征参数组合的行驶数据输入到经过训练的车辆工况识别模型中,以获得车辆的行驶工况;
其中,车辆工况识别模型为基于预设特征参数组合的训练样本对预先构建的神经网络训练得到的;预设特征参数组合为基于每种候选特征参数组合的测试结果,从多种候选特征参数组合中筛选得到的;每种候选特征参数组合的测试结果为使用与其对应的候选车辆工况识别模型进行测试的测试结果,每种候选车辆工况识别模型为基于该种候选特征参数组合的训练样本训练得到的。
在一种可能的实现方式中,每种候选特征参数组合包含多个特征参数,多个特征参数为基于对车辆的历史行驶数据进行特征提取得到的;多种候选特征参数组合为基于主成分分析法对多个特征参数进行筛选,并将筛选后保留的几个特征参数进行组合得到的。
在一种可能的实现方式中,每种候选特征参数组合的训练样本为基于该种候选特征参数组合,对车辆的历史行驶数据进行聚类分析,得到该种候选特征参数组合的预设多种工况类型的数据集;并从该种候选特征参数组合中的每种工况类型的数据集中分别挑选出全部或部分数据作为训练样本;其中,工况类型包括下述至少一项:拥堵工况、城市工况、郊区工况和高速工况。
在一种可能的实现方式中,车辆的历史行驶数据在进行特征提取之前,还需要对车辆的历史行驶数据进行预处理,并将预处理后的行驶数据划分为多个短工况片段。
在一种可能的实现方式中,预处理为对车辆的历史行驶数据进行GPS信号缺失处理,并将处理得到的数据进行滑动平均滤波处理;其中,车辆的历史行驶数据包括多种不同路段和多个不同驾驶员的行驶数据。
在一种可能的实现方式中,多个特征参数包括下述至少一项:行驶距离、平均速度、平均行驶速度、最高车速、速度标准差、加速度绝对值平均值、加速度绝对值标准差、加速度时间比、减速时间比、怠速时间比、匀速时间比;其中,所述平均速度为某一片段内的速度平均值,所述平均行驶速度为该片段内的速度大于0的速度的平均值;
多种候选特征参数组合包括下述7种候选特征参数组合中的至少一种:平均速度和加速度绝对值平均值组合;平均速度和怠速时间比组合;平均速度、加速度绝对值平均值和怠速时间比组合;平均速度、匀速时间比和怠速时间比组合;平均速度、加速度绝对值平均值、匀速时间比和怠速时间比组合;平均速度、最高车速、加速度绝对值平均值、匀速时间比和行驶距离组合;平均速度、最高车速、加速度绝对值平均值、怠速时间比、匀速时间比和行驶距离组合。
在一种可能的实现方式中,测试结果包括识别正确率和/或识别所用时间;
预设特征参数组合为平均速度、加速度绝对值平均值、匀速时间比和怠速时间比的组合。
第二方面,本发明实施例提供了一种车辆行驶工况的识别装置,包括:
采集数据模块,用于采集车辆在行驶过程中预设特征参数组合的行驶数据;
工况识别模块,用于将预设特征参数组合的行驶数据输入到经过训练的车辆工况识别模型中,以获得车辆的行驶工况;
其中,车辆工况识别模型为基于预设特征参数组合的训练样本对预先构建的神经网络训练得到的;预设特征参数组合为基于每种候选特征参数组合的测试结果,从多种候选特征参数组合中筛选得到的;每种候选特征参数组合的测试结果为使用与其对应的候选车辆工况识别模型进行测试的测试结果,每种候选车辆工况识别模型为基于该种候选特征参数组合的训练样本训练得到的。
在一种可能的实现方式中,每种候选特征参数组合包含多个特征参数,多个特征参数为基于对车辆的历史行驶数据进行特征提取得到的;多种候选特征参数组合为基于主成分分析法对多个特征参数进行筛选,并将筛选后保留的几个特征参数进行组合得到的。
在一种可能的实现方式中,每种候选特征参数组合的训练样本为基于该种候选特征参数组合,对车辆的历史行驶数据进行聚类分析,得到该种候选特征参数组合的预设多种工况类型的数据集;并从该种候选特征参数组合中的每种工况类型的数据集中分别挑选出全部或部分数据作为训练样本;其中,工况类型包括下述至少一项:拥堵工况、城市工况、郊区工况和高速工况。
在一种可能的实现方式中,车辆的历史行驶数据在进行特征提取之前,还需要对车辆的历史行驶数据进行预处理,并将预处理后的行驶数据划分为多个短工况片段。
在一种可能的实现方式中,预处理为对车辆的历史行驶数据进行GPS信号缺失处理,并将处理得到的数据进行滑动平均滤波处理;其中,车辆的历史行驶数据包括多种不同路段和多个不同驾驶员的行驶数据。
在一种可能的实现方式中,多个特征参数包括下述至少一项:行驶距离、平均速度、平均行驶速度、最高车速、速度标准差、加速度绝对值平均值、加速度绝对值标准差、加速度时间比、减速时间比、怠速时间比、匀速时间比;其中,所述平均速度为某一片段内的速度平均值,所述平均行驶速度为该片段内的速度大于0的速度的平均值;
多种候选特征参数组合包括下述7种候选特征参数组合中的至少一种:平均速度和加速度绝对值平均值组合;平均速度和怠速时间比组合;平均速度、加速度绝对值平均值和怠速时间比组合;平均速度、匀速时间比和怠速时间比组合;平均速度、加速度绝对值平均值、匀速时间比和怠速时间比组合;平均速度、最高车速、加速度绝对值平均值、匀速时间比和行驶距离组合;平均速度、最高车速、加速度绝对值平均值、怠速时间比、匀速时间比和行驶距离组合。
在一种可能的实现方式中,测试结果包括识别正确率和/或识别所用时间;
预设特征参数组合为平均速度、加速度绝对值平均值、匀速时间比和怠速时间比的组合。
第三方面,本申请提供了一种车辆,该车辆包括电子设备,该电子设备包括存储器、处理器以及存储在所述存储器中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第一方面或第一方面的任一种可能的实现方式所述车辆行驶工况的识别方法的步骤。
第四方面,本发明实施例提供了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现如上第一方面或第一方面的任一种可能的实现方式所述车辆行驶工况的识别方法的步骤。
本发明实施例提供一种车辆行驶工况的识别方法、装置、车辆及存储介质,首先,采集车辆在行驶过程中预设特征参数组合的行驶数据,然后,将预设特征参数组合的行驶数据输入到经过训练的车辆工况识别模型中,以获得车辆的行驶工况。其中,车辆工况识别模型为基于预设特征参数组合的训练样本对预先构建的神经网络训练得到的。从而,在对车辆工况进行识别时,只需要将车辆在行驶过程中预设特征参数组合的行驶数据输入至车辆工况识别模型中,即可获得车辆的行驶工况。
本发明通过从多种候选特征参数组合中筛选出可以准确表征工况的最优的预设特征参数组合,并将采用该最优的预设特征参数组合训练得到的神经网络确定为车辆工况识别模型。通过只将预设特征参数组合的行驶数据输入至车辆工况识别模型中,不仅可以缩短车辆工况识别模型的处理时间,而且还可以提高工况的识别准确率,可以更加准确地对车辆的行驶工况进行识别。
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性的前提下,还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的预设特征参数组合和车辆工况识别模型的确定方法的实现流程图;
图2是本发明实施例提供的采用滑动平均滤波处理车辆历史行驶速度数据的示意图;
图3是本发明实施例提供的车辆行驶工况的识别方法的实现流程图;
图4是本发明实施例提供的车辆工况识别模型对测试集的测试结果示意图;
图5是本发明实施例提供的车辆工况识别模型对实时采集的行驶数据的测试结果示意图
图6是对图5中的工况进行识别的结果示意图;
图7是本发明实施例提供的车辆行驶工况的识别装置的结构示意图;
图8是本发明实施例提供的一种车辆的电子设备的示意图;
图9是本发明实施例提供的一种车辆的示意图。
具体实施方式
以下描述中,为了说明而不是为了限定,提出了诸如特定***结构、技术之类的具体细节,以便透彻理解本发明实施例。然而,本领域的技术人员应当清楚,在没有这些具体细节的其它实施例中也可以实现本发明。在其它情况中,省略对众所周知的***、装置、电路以及方法的详细说明,以免不必要的细节妨碍本发明的描述。
为使本发明的目的、技术方案和优点更加清楚,下面将结合附图通过具体实施例来进行说明。
行驶工况对车辆的燃油经济性、电池电耗、续航里程有很大的影响。对于混合动力车辆,在能量管理策略的制定过程中,若能准确的识别当前行驶工况的类型,实时调整和切换控制策略,实现不同动力源之间功率分配最优,进一步提高车辆的燃油经济性。对于纯电动车辆,识别出工况类型,获得不同的类型工况下电池消耗水平,有助于提高纯电动车辆剩余续驶里程估算的准确性。
若能根据实际的行驶工况的变化,实时调整和切换控制策略从而能增加车辆燃油经济性并降低有害污染物的排放。然而,目前的识别模型的识别准确率较低。
为了解决现有技术问题,本发明实施例提供了一种车辆行驶工况的识别方法、装置、车辆及存储介质。下面首先对本发明实施例所提供的车辆行驶工况的识别方法进行介绍。
车辆行驶工况的识别方法的执行主体,可以是车辆行驶工况的识别装置,该车辆行驶工况的识别装置可以是具有处理器和存储器的电子设备,例如移动电子设备或者非移动电子设备。本发明实施例不作具体限定。
在介绍本发明实施例提供的车辆行驶工况的识别方法之前,需要首先介绍预设特征参数组合的确定过程,以及车辆工况识别模型的训练过程。当预设特征参数组合和车辆工况识别模型确定后,即可对车辆工况进行识别。
在一些实施例中,预设特征参数组合为基于每种候选特征参数组合的测试结果,从多种候选特征参数组合中筛选得到的。车辆工况识别模型为基于预设特征参数组合的训练样本对预先构建的神经网络训练得到的。
其中,每种候选特征参数组合的测试结果为对基于该种候选特征参数组合的训练样本所训练得到的候选车辆工况识别模型进行测试的测试结果。
如图1所示,其示出了本发明实施例提供的预设特征参数组合和车辆工况识别模型的确定方法的实现流程图,详述如下:
步骤S110、从车辆的历史行驶数据中提取多个特征参数,并从多个特征参数中选取多种候选特征参数组合。
这里的车辆可以为代步车、载货汽车、客车、出租车、商用车、或乘用车等,此处不做限定。
其中,每种候选特征参数组合包括多个特征参数中的至少两个。
在一些实施例中,车辆的历史行驶数据包括行车记录仪、车辆数据采集***等采集到的不同路段、不同驾驶员的车辆历史行驶数据。
具体的,可以选取商业区、住宅区、郊区、城镇农村,快速路、主干路、高速路等不同路段的历史行驶数据。还可以选取不同性别、年龄、驾龄的驾驶员的历史行驶数据。
在一些实施例中,在车辆的历史行驶数据采集过程中,由于采集设备精度、交通环境等影响下,使得数据存在缺失、异常等现象,数据质量有所下降。为保证车辆的历史行驶数据的可靠性,需对车辆的历史行驶数据进行预处理分析。
在此实施例中,由于高层建筑、隧道等路段,导致车载GPS信号有所缺失或定位不准,车辆的行驶数据会有所缺失,因此需要对获取到的车辆的历史行驶数据进行GPS信号缺失处理。
具体的,可以采用插值的方法或剔除的方式对车辆的历史行驶数据进行处理。
此外,由于外界因素的影响,车辆的历史行驶数据的速度会存在异常噪声干扰,使得车辆的历史行驶速度存在误差,因此需要进行滤波处理。
具体的,可以采用滑动平均滤波算法对车辆的历史行驶数据中的原始速度进行滤波处理,对原始速度用一个固定长度的滑动窗口,其邻域内几个数据的平均值来代替相应位置的原始数据,形成一个均值新序列。
y(t)为平均值,t=1,2...n。n为总数据长度,T为时间步长,x(t)为车辆的历史行驶速度数据。
图2中实线为原始速度,点划线为滤波后速度,从图2中可以看出,在滑动平均滤波之前,原始速度数据存在尖点峰值,而在滤波处理之后,速度曲线变得平滑,滤波前后的车速曲线较吻合。
在一些实施例中,对车辆的历史行驶数据进行预处理后,首先,需要将预处理后的行驶数据划分为多个短工况片段。
具体的,可以以150s为时间周期,将预处理后的行驶数据划分多个短工况片段。
然后,从车辆的历史行驶数据中提取多个特征参数,并从多个特征参数中选取多种特征参数组合。
特征参数是用于描述工况特征的参数,具体的,多个特征参数可以包括下述至少一项:行驶距离、平均速度、平均行驶速度、最高车速、速度标准差、加速度绝对值平均值、加速度绝对值标准差、加速度时间比、减速时间比、怠速时间比和匀速时间比。其中,平均速度为某一工况片段内的速度平均值,平均行驶速度为该工况片段内的速度大于0的速度的平均值。
在一些实施例中,由于所有的特征参数之间并不是相互独立的,而是有一定的相关性的,因此,可以选取多种特征参数组合,用于表征工况信息。可以采用主成分分析法对上面的多个特征参数进行处理,选取累计贡献率高于预设阈值的多个特征参数作为保留的特征参数,并将保留的几个特征参数进行组合,得到多种特征参数组合。
在此实施例中,以上述的11种特征参数为例来说,共有2047种组合,数量很多,且2047种组合中会存在许多影响较小的组合。可以采用主成分分析法对上面的11个特征参数进行处理,选取到累计贡献率高于预设阈值的几个特征参数,并将保留的几个特征参数进行组合,得到多种特征参数组合。
例如,通过主成分分析法保留了6个特征参数,包括:平均速度、最高车速、加速度绝对值平均值、怠速时间比、匀速时间比和行驶距离组合。然后,将这6个特征参数进行组合。
具体的,可以选取6个特征参数组成的以下7种候选特征参数组合中的至少一种:平均速度和加速度绝对值平均值组合;平均速度和怠速时间比组合;平均速度、加速度绝对值平均值和怠速时间比组合;平均速度、匀速时间比和怠速时间比组合;平均速度、加速度绝对值平均值、匀速时间比和怠速时间比组合;平均速度、最高车速、加速度绝对值平均值、匀速时间比和行驶距离组合;平均速度、最高车速、加速度绝对值平均值、怠速时间比、匀速时间比和行驶距离组合。
步骤S120、针对每种候选特征参数组合,基于该候选特征参数组合,对车辆的历史行驶数据进行聚类分析,得到该候选特征参数组合的预设多种工况类型的数据集。从该候选特征参数组合中的每种工况类型的数据集中分别挑选出全部或部分数据作为训练样本,并基于该训练样本对预先构建的神经网络进行训练和测试,得到该候选特征参数组合对应的测试结果。
在一些实施例中,基于该候选特征参数组合,对所有短工况片段进行聚类分析,得到该候选特征参数组合的预设工况类型的数据集。
具体的,可以采用K均值聚类算法对所有短工况片段进行聚类分析。K均值聚类算法的核心思想通过选定聚类数目k与初始聚类中心,计算各样本数据与聚类中心之间的最小欧氏距离,根据距离远近,分配样本数据到最近的聚类中心,不断迭代选取新的聚类中心并调整各数据类别。
在此实施例中,可以通过K均值聚类算法将上述每种候选特征参数组合分别聚类成四种工况类型中的至少一项,分别为拥堵工况、城市工况、郊区工况及高速工况。当然,也可以根据实际使用场景,聚类为其他类型的工况,可以根据实际使用情况进行工况类型的设定。
具体的,可以针对每种候选特征参数组合分别聚类为拥堵工况、城市工况、郊区工况和高速工况的四种数据集。并分别从每种候选特征参数组合中将全部或随机挑选部分片段作为训练样本,并且将训练样本中的一部分数据用于训练,另一部分数据用于测试。
在一些实施例中,预先构建的神经网络可以选取概率神经网络作为工况识别的神经网络。用户也可以根据应用场景选取其他神经网络。
概率神经网络是一种前馈神经网络,由输入层、隐含层及输出层组成。第一层为输入层,用来接收训练样本的值,将数据层传递给隐含层。第二层为隐含层,计算输入特征向量与训练集中各个模式的匹配关系,隐含层神经元的个数等于各个类别训练样本数之和。第三层为输出层,求取相同类别测试样本对应的模式层节点输出之和,进行归一化处理求取测试样本对应不同类别的概率,根据概率大小判断测试样本的类别。
在确定工况识别的神经网络选用概率神经网络后,选取合适的训练样本对概率神经网络进行训练。
将每种候选特征参数组合中的每种工况类型的数据集中分别挑选出全部或部分数据作为训练样本,并将上述训练样本输入至预先构建的概率神经网络中,然后对每种候选特征参数组合对应的概率神经网络进行训练。训练完成后,即可对每种候选特征参数组合对应的候选车辆工况识别模型进行测试。
如可以从每种候选特征参数组合的每一类工况中选取300个片段作为训练样本,并选取其中的280个作为训练集,另外的20个样本作为测试集。
在一些实施例中,测试结果可以为识别正确率和/或识别所用时间。可以根据不同的要求,选取不同的测试结果作为判断特征参数组合和概率神经网络性能的依据。
步骤S130、基于多种候选特征参数组合在神经网络中的测试结果,确定预设特征参数组合以及与其对应的训练好的车辆工况识别模型。
基于多种候选特征参数组合在神经网络中的识别正确率和/或识别所用时间,确定预设特征参数组合以及车辆工况识别模型。
具体的,预设特征参数组合可以为将多种候选特征参数组合在神经网络中的识别正确率最高的作为预设特征参数组合。也可以为将多种候选特征参数组合在神经网络中的识别所用时间最短的作为预设特征参数组合。还可以将识别正确率和识别所用时间同时作为判断的标准,按照预设权重对识别正确率和识别所用时间进行组合,选取最优的作为预设特征参数组合。
预设特征参数组合确定后,选用采用预设特征参数组合训练的神经网络,即为车辆工况识别模型。
示例性的,预设特征参数组合为平均速度、加速度绝对值平均值、匀速时间比和怠速时间比的组合。
预设特征参数组合以及车辆工况识别模型确定后,即可基于实时采集的车辆行驶数据进行行驶工况的识别。通过实时提取过去一段时间的车速变化规律就可以预测未来的行驶趋势。
通过首先从车辆的历史行驶数据中选取多种候选特征参数组合,并针对每种候选特征参数组合对历史行驶数据进行聚类分析,得到与该候选特征参数组合对应的数据集,并采用该数据集的全部或部分对预先构建的神经网络进行训练和测试,最终选出预设特征参数组合和车辆工况识别模型用于对实时采集到的数据进行测试,从而可以更加准确地识别出车辆的行驶工况。筛选出的预设特征参数组合可以更加准确地包含车辆在行驶过程中的的路况信息,而无需将更多的特征参数组合全部输入至车辆工况识别模型,不仅可以减少车辆工况识别模型的处理时间,而且可以提高工况的识别准确率。
基于上述实施例提供的预设特征参数组合以及车辆工况识别模型的确定后,即可实时对车辆的行驶工况进行识别。
参见图3,其示出了本发明实施例提供的车辆行驶工况的识别方法的实现流程图,详述如下:
步骤S310、采集车辆在行驶过程中预设特征参数组合的行驶数据。
其中,车辆可以为代步车、载货汽车、客车、出租车、商用车、或乘用车等,此处不做限定。
采集设备可以是车辆上的行车记录仪、车辆数据采集***等可以实时采集车辆在行驶过程中的相关行驶数据的设备。
根据前面提供的预设特征参数组合和车辆工况识别模型的确定方法中确定的预设特征参数组合,采集车辆在行驶过程中预设特征参数组合的行驶数据。
示例性的,预设特征参数组合为平均速度、加速度绝对值平均值、匀速时间比和怠速时间比的组合。可以采集车辆在行驶过程中的平均速度、加速度绝对值平均值、匀速时间比和怠速时间比的行驶数据。
步骤S320、将预设特征参数组合的行驶数据输入到经过训练的车辆工况识别模型中,以获得车辆的行驶工况。
其中,车辆工况识别模型为基于预设特征参数组合的训练样本对预先构建的神经网络训练得到的。预设特征参数组合为基于每种候选特征参数组合的测试结果,从多种候选特征参数组合中筛选得到的。每种候选特征参数组合的测试结果为使用与其对应的候选车辆工况识别模型进行测试的测试结果,每种候选车辆工况识别模型为基于该种候选特征参数组合的训练样本训练得到的。
将上面采集到的的预设特征参数组合的行驶数据输入到车辆工况识别模型中,得出的结果作为未来一段时间的工况类型。
在一些实施例中,为了提高车辆工况识别模型的识别准确度,还可以通过多次的识别结果不断地更新工况识别类型,进一步的提高车辆工况识别模型识别的准确度。
本发明通过从多种候选特征参数组合中筛选出可以准确表征工况的最优的预设特征参数组合,并将采用该最优的预设特征参数组合训练得到的神经网络确定为车辆工况识别模型。通过只将预设特征参数组合的行驶数据输入至车辆工况识别模型中,不仅可以缩短车辆工况识别模型的处理时间,而且还可以提高工况的识别准确率,可以更加准确地对车辆的行驶工况进行识别。在对车辆工况进行识别时,只需要将车辆在行驶过程中预设特征参数组合的行驶数据输入至车辆工况识别模型中,即可获得车辆的行驶工况。
下面,以一个具体实施例对本发明提供的车辆行驶工况的识别方法进行详细的说明:
S410、获取商业区、住宅区、郊区、城镇农村,快速路、主干路、高速路等路段的,不同性别、年龄及驾龄的驾驶员的车辆历史行驶数据。
S420、对采集的车辆历史行驶数据进行GPS信号缺失处理和滑动平均滤波处理。将处理得到的数据划分为多个以150s为时间周期的短工况片段。
S430、选取行驶距离、平均速度、平均行驶速度、最高车速、速度标准差、加速度绝对值平均值、加速度绝对值标准差、加速度时间比、减速时间比、怠速时间比以及匀速时间比这11个特征参数,用于描述工况。
S440、基于主成分分析法对上述11个特征参数进行处理,选取累计贡献率高于预设阈值的6个特征参数保留,这6个特征参数为平均速度、最高车速、加速度绝对值平均值、怠速时间比、匀速时间比和行驶距离组合。可以选取这6个特征参数组成的7种候选特征参数组合,继续对车辆历史行驶数据进行处理。其中,这7种候选特征参数组合分别为:平均速度和加速度绝对值平均值组合;平均速度和怠速时间比组合;平均速度、加速度绝对值平均值和怠速时间比组合;平均速度、匀速时间比和怠速时间比组合;平均速度、加速度绝对值平均值、匀速时间比和怠速时间比组合;平均速度、最高车速、加速度绝对值平均值、匀速时间比和行驶距离组合;平均速度、最高车速、加速度绝对值平均值、怠速时间比、匀速时间比和行驶距离组合。
S450、基于上述7种候选特征参数组合,通过K均值聚类,分成四种工况类型,分别为拥堵工况、城市工况、郊区工况和高速工况。分别从这7种候选特征参数组合的每一种工况中随机选取300个片段作为训练样本,每种候选特征参数组合共有1200个片段样本。
S460、从每种候选特征参数组合中的每一种工况中300个片段中选取280个作为训练集,另外20个作为测试集。分别将每种候选特征参数组合的训练样本输入至预先构建的概率神经网络中,对概率神经网络进行训练和测试。
S470、通过对比分析这7种候选特征参数组合在概率神经网络中的识别正确率及识别所用时间,得出最优特征参数组合即预设特征参数组合为平均速度、平均加速度绝对值、怠速时间比以及匀速时间比。与此预设特征参数组合对应的概率神经网络为车辆工况识别模型。
将平均速度、平均加速度绝对值、怠速时间比以及匀速时间比作为预设特征参数组合,四种工况共80个片段,如图4的测试结果所示,输入至车辆工况识别模型PNN中的测试结果为100%识别。需要说明的是,图4中的纵轴表示的是4种不同的工况类型。
S480、利用车辆工况识别模型对实时采集的车辆的平均速度、平均加速度绝对值、怠速时间比以及匀速时间比的行驶数据进行识别。
具体的,如图5所示,ΔT为识别周期,选取为150s,ΔP为预测时间,选取为3s。在识别1中,将过去ΔT的平均速度、平均加速度绝对值、怠速时间比、匀速时间比的工况信息,通过训练好的车辆工况识别模型进行识别,将识别的结果作为未来3秒的工况类型。举例而言,1s~150s的预设特征参数组合的数据输入到车辆工况识别模型中进行识别,将识别结果作为151s~153s的类型。以此下去,在4s~153s的预设特征参数组合的数据输入到车辆工况识别模型进行识别,将识别结果作为154s~156s的类型,以下循环识别,得出如图6所示的预测信息。图6中的纵坐标为4种工况类型。
通过采用以平均速度、平均加速度绝对值、怠速时间比、匀速时间比四个预设特征参数为输入,输入至采用这4个特征参数组合训练的车辆工况识别模型,对实时采集的行驶数据进行识别及预测,具有很高的识别精度高,且运行时间短。
应理解,上述实施例中各步骤的序号的大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本发明实施例的实施过程构成任何限定。
基于上述实施例提供的车辆行驶工况的识别方法,相应地,本发明还提供了应用于该车辆行驶工况的识别方法的车辆行驶工况的识别装置的具体实现方式。请参见以下实施例。
如图7所示,提供了一种车辆行驶工况的识别装置700,该装置包括:
采集数据模块710,用于采集车辆在行驶过程中预设特征参数组合的行驶数据;
工况识别模块720,用于将预设特征参数组合的行驶数据输入到经过训练的车辆工况识别模型中,以获得车辆的行驶工况;
其中,车辆工况识别模型为基于预设特征参数组合的训练样本对预先构建的神经网络训练得到的;预设特征参数组合为基于每种候选特征参数组合的测试结果,从多种候选特征参数组合中筛选得到的;每种候选特征参数组合的测试结果为使用与其对应的候选车辆工况识别模型进行测试的测试结果,每种候选车辆工况识别模型为基于该种候选特征参数组合的训练样本训练得到的。
在一种可能的实现方式中,每种候选特征参数组合包含多个特征参数,多个特征参数为基于对车辆的历史行驶数据进行特征提取得到的;多种候选特征参数组合为基于主成分分析法对多个特征参数进行筛选,并将筛选后保留的几个特征参数进行组合得到的。
在一种可能的实现方式中,每种候选特征参数组合的训练样本为基于该种候选特征参数组合,对车辆的历史行驶数据进行聚类分析,得到该种候选特征参数组合的预设多种工况类型的数据集;并从该种候选特征参数组合中的每种工况类型的数据集中分别挑选出全部或部分数据作为训练样本;其中,工况类型包括下述至少一项:拥堵工况、城市工况、郊区工况和高速工况。
在一种可能的实现方式中,车辆的历史行驶数据在进行特征提取之前,还需要对车辆的历史行驶数据进行预处理,并将预处理后的行驶数据划分为多个短工况片段。
在一种可能的实现方式中,预处理为对车辆的历史行驶数据进行GPS信号缺失处理,并将处理得到的数据进行滑动平均滤波处理;其中,车辆的历史行驶数据包括多种不同路段和多个不同驾驶员的行驶数据。
在一种可能的实现方式中,多个特征参数包括下述至少一项:行驶距离、平均速度、平均行驶速度、最高车速、速度标准差、加速度绝对值平均值、加速度绝对值标准差、加速度时间比、减速时间比、怠速时间比、匀速时间比;其中,所述平均速度为某一片段内的速度平均值,所述平均行驶速度为该片段内的速度大于0的速度的平均值;
多种候选特征参数组合包括下述7种候选特征参数组合中的至少一种:平均速度和加速度绝对值平均值组合;平均速度和怠速时间比组合;平均速度、加速度绝对值平均值和怠速时间比组合;平均速度、匀速时间比和怠速时间比组合;平均速度、加速度绝对值平均值、匀速时间比和怠速时间比组合;平均速度、最高车速、加速度绝对值平均值、匀速时间比和行驶距离组合;平均速度、最高车速、加速度绝对值平均值、怠速时间比、匀速时间比和行驶距离组合。
在一种可能的实现方式中,测试结果包括识别正确率和/或识别所用时间;
预设特征参数组合为平均速度、加速度绝对值平均值、匀速时间比和怠速时间比的组合。
图8是本发明实施例提供的车辆的电子设备的示意图。如图8所示,该实施例的电子设备8包括:处理器80、存储器81以及存储在所述存储器81中并可在所述处理器80上运行的计算机程序82。所述处理器80执行所述计算机程序82时实现上述各个车辆行驶工况的识别方法实施例中的步骤,例如图3所示的步骤310至步骤320。或者,所述处理器80执行所述计算机程序82时实现上述各装置实施例中各模块的功能,例如图7所示模块710至720的功能。
示例性的,所述计算机程序82可以被分割成一个或多个模块,所述一个或者多个模块被存储在所述存储器81中,并由所述处理器80执行,以完成本发明。所述一个或多个模块可以是能够完成特定功能的一系列计算机程序指令段,该指令段用于描述所述计算机程序82在所述电子设备8中的执行过程。例如,所述计算机程序82可以被分割成图7所示的模块710至720。
所述电子设备8可包括,但不仅限于,处理器80、存储器81。本领域技术人员可以理解,图8仅仅是电子设备8的示例,并不构成对电子设备8的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件,例如所述电子设备还可以包括输入输出设备、网络接入设备、总线等。
所称处理器80可以是中央处理单元(Central Processing Unit,CPU),还可以是其他通用处理器、数字信号处理器 (Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现场可编程门阵列 (Field-Programmable Gate Array,FPGA) 或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
所述存储器81可以是所述电子设备8的内部存储单元,例如电子设备8的硬盘或内存。所述存储器81也可以是所述电子设备8的外部存储设备,例如所述电子设备8上配备的插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(Flash Card)等。进一步地,所述存储器81还可以既包括所述电子设备8的内部存储单元也包括外部存储设备。所述存储器81用于存储所述计算机程序以及所述电子设备所需的其他程序和数据。所述存储器81还可以用于暂时地存储已经输出或者将要输出的数据。
本申请实施例还提供了一种车辆,如图9所示,该车辆9包括前述的电子设备8。
所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,仅以上述各功能单元、模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能单元、模块完成,即将所述装置的内部结构划分成不同的功能单元或模块,以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中,上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。另外,各功能单元、模块的具体名称也只是为了便于相互区分,并不用于限制本申请的保护范围。上述***中单元、模块的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述或记载的部分,可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
在本发明所提供的实施例中,应该理解到,所揭露的装置/电子设备和方法,可以通过其它的方式实现。例如,以上所描述的装置/电子设备实施例仅仅是示意性的,例如,所述模块或单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个***,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口,装置或单元的间接耦合或通讯连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,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单元来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
所述集成的模块/单元如果以软件功能单元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,本发明实现上述实施例方法中的全部或部分流程,也可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一计算机可读存储介质中,该计算机程序在被处理器执行时,可实现上述各个车辆行驶工况的识别方法实施例的步骤。其中,所述计算机程序包括计算机程序代码,所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括:能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(Read-Only Memory,ROM)、随机存取存储器(Random Access Memory,RAM)、电载波信号、电信信号以及软件分发介质等。
以上所述实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围,均应包含在本发明的保护范围之内。
Claims (10)
1.一种车辆行驶工况的识别方法,其特征在于,包括:
采集车辆在行驶过程中预设特征参数组合的行驶数据;其中,所述预设特征参数组合为平均速度、加速度绝对值平均值、匀速时间比和怠速时间比的组合;
将所述预设特征参数组合的行驶数据输入到经过训练的车辆工况识别模型中,以获得所述车辆的行驶工况;
其中,所述车辆工况识别模型为基于所述预设特征参数组合的训练样本对预先构建的神经网络训练得到的;所述预设特征参数组合为基于每种候选特征参数组合的测试结果,从多种候选特征参数组合中筛选得到的;每种候选特征参数组合的测试结果为使用与其对应的候选车辆工况识别模型进行测试的测试结果,每种候选车辆工况识别模型为基于该种候选特征参数组合的训练样本训练得到的;
所述多种候选特征参数组合包括下述7种候选特征参数组合中的至少一种:平均速度和加速度绝对值平均值组合;平均速度和怠速时间比组合;平均速度、加速度绝对值平均值和怠速时间比组合;平均速度、匀速时间比和怠速时间比组合;平均速度、加速度绝对值平均值、匀速时间比和怠速时间比组合;平均速度、最高车速、加速度绝对值平均值、匀速时间比和行驶距离组合;平均速度、最高车速、加速度绝对值平均值、怠速时间比、匀速时间比和行驶距离组合。
2.如权利要求1所述的识别方法,其特征在于,所述每种候选特征参数组合包含多个特征参数,所述多个特征参数为基于对所述车辆的历史行驶数据进行特征提取得到的;所述多种候选特征参数组合为基于主成分分析法对所述多个特征参数进行筛选,并将筛选后保留的几个特征参数进行组合得到的。
3.如权利要求2所述的识别方法,其特征在于,所述每种候选特征参数组合的训练样本为基于该种候选特征参数组合,对车辆的历史行驶数据进行聚类分析,得到该种候选特征参数组合的预设多种工况类型的数据集;并从该种候选特征参数组合中的每种工况类型的数据集中分别挑选出全部或部分数据作为训练样本;其中,所述工况类型包括下述至少一项:拥堵工况、城市工况、郊区工况和高速工况。
4.如权利要求2所述的识别方法,其特征在于,所述车辆的历史行驶数据在进行特征提取之前,还需要对所述车辆的历史行驶数据进行预处理,并将预处理后的行驶数据划分为多个短工况片段。
5.如权利要求4所述的识别方法,其特征在于,所述预处理为对所述车辆的历史行驶数据进行GPS信号缺失处理,并将处理得到的数据进行滑动平均滤波处理;其中,所述车辆的历史行驶数据包括多种不同路段和多个不同驾驶员的行驶数据。
6.如权利要求2至5任一项所述的识别方法,其特征在于,所述多个特征参数包括下述至少一项:行驶距离、平均速度、平均行驶速度、最高车速、速度标准差、加速度绝对值平均值、加速度绝对值标准差、加速度时间比、减速时间比、怠速时间比、匀速时间比;其中,所述平均速度为某一片段内的速度平均值,所述平均行驶速度为该片段内的速度大于0的速度的平均值。
7.如权利要求1至5任一项所述的识别方法,其特征在于,所述测试结果包括识别正确率和/或识别所用时间。
8.一种车辆行驶工况的识别装置,其特征在于,包括:
采集数据模块,用于采集车辆在行驶过程中预设特征参数组合的行驶数据;其中,所述预设特征参数组合为平均速度、加速度绝对值平均值、匀速时间比和怠速时间比的组合;
工况识别模块,用于将所述预设特征参数组合的行驶数据输入到经过训练的车辆工况识别模型中,以获得所述车辆的行驶工况;
其中,所述车辆工况识别模型为基于所述预设特征参数组合的训练样本对预先构建的神经网络训练得到的;所述预设特征参数组合为基于每种候选特征参数组合的测试结果,从多种候选特征参数组合中筛选得到的;每种候选特征参数组合的测试结果为使用与其对应的候选车辆工况识别模型进行测试的测试结果,每种候选车辆工况识别模型为基于该种候选特征参数组合的训练样本训练得到的;
所述多种候选特征参数组合包括下述7种候选特征参数组合中的至少一种:平均速度和加速度绝对值平均值组合;平均速度和怠速时间比组合;平均速度、加速度绝对值平均值和怠速时间比组合;平均速度、匀速时间比和怠速时间比组合;平均速度、加速度绝对值平均值、匀速时间比和怠速时间比组合;平均速度、最高车速、加速度绝对值平均值、匀速时间比和行驶距离组合;平均速度、最高车速、加速度绝对值平均值、怠速时间比、匀速时间比和行驶距离组合。
9.一种车辆,包括电子设备,所述电子设备包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1至7任一项所述的车辆行驶工况的识别方法的步骤。
10.一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至7任一项所述车辆行驶工况的识别方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211194619.1A CN115271001B (zh) | 2022-09-29 | 2022-09-29 | 车辆行驶工况的识别方法、装置、车辆及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211194619.1A CN115271001B (zh) | 2022-09-29 | 2022-09-29 | 车辆行驶工况的识别方法、装置、车辆及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115271001A CN115271001A (zh) | 2022-11-01 |
CN115271001B true CN115271001B (zh) | 2023-02-07 |
Family
ID=83757061
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211194619.1A Active CN115271001B (zh) | 2022-09-29 | 2022-09-29 | 车辆行驶工况的识别方法、装置、车辆及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115271001B (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111008505A (zh) * | 2019-11-18 | 2020-04-14 | 西华大学 | 城市坡道行驶工况构建方法及应用 |
CN111999657A (zh) * | 2020-10-29 | 2020-11-27 | 北京航空航天大学 | 一种电动汽车的锂离子电池剩余寿命的行驶里程评估方法 |
CN114771542A (zh) * | 2022-06-17 | 2022-07-22 | 中汽研汽车检验中心(天津)有限公司 | 车辆行驶工况确定方法、设备和存储介质 |
-
2022
- 2022-09-29 CN CN202211194619.1A patent/CN115271001B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111008505A (zh) * | 2019-11-18 | 2020-04-14 | 西华大学 | 城市坡道行驶工况构建方法及应用 |
CN111999657A (zh) * | 2020-10-29 | 2020-11-27 | 北京航空航天大学 | 一种电动汽车的锂离子电池剩余寿命的行驶里程评估方法 |
CN114771542A (zh) * | 2022-06-17 | 2022-07-22 | 中汽研汽车检验中心(天津)有限公司 | 车辆行驶工况确定方法、设备和存储介质 |
Non-Patent Citations (3)
Title |
---|
基于工况与驾驶风格识别的混合动力汽车能量管理策略研究;詹森;《中国博士学位论文全文数据库工程科技Ⅱ辑》;20170315;C035-17 * |
基于神经网络的行驶工况智能识别方法研究;罗婷;《拖拉机与农用运输车》;20210430;10-15页 * |
汽车行驶工况识别模型搭建的方法研究;余卓平;《汽车行驶工况识别模型搭建的方法研究》;20200225;39-42页 * |
Also Published As
Publication number | Publication date |
---|---|
CN115271001A (zh) | 2022-11-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112396093B (zh) | 驾驶场景分类方法、装置、设备及可读存储介质 | |
CN110705774A (zh) | 一种车辆能耗分析的预测方法和*** | |
CN108229567B (zh) | 驾驶员身份识别方法及装置 | |
CN111723854B (zh) | 一种高速公路交通拥堵检测方法、设备及可读存储介质 | |
CN111144446B (zh) | 一种基于时空网格的司机身份识别方法和*** | |
CN113297795A (zh) | 一种纯电动汽车行驶工况构建方法 | |
CN111881243A (zh) | 一种出租车轨迹热点区域分析方法及*** | |
CN117542195A (zh) | 一种交通运行状态识别方法、装置、设备及介质 | |
CN115271001B (zh) | 车辆行驶工况的识别方法、装置、车辆及存储介质 | |
CN117400948A (zh) | 一种汽车能耗预测方法、装置、电子设备及存储介质 | |
CN117523900A (zh) | 一种停车场占有率预测方法及*** | |
CN115204755B (zh) | 服务区入区率测算方法、装置、电子设备及可读存储介质 | |
Van Hinsbergh et al. | Vehicle point of interest detection using in-car data | |
CN113538735B (zh) | 一种车辆用途识别方法及装置 | |
CN115691139A (zh) | 一种新能源汽车大数据路况预测*** | |
CN115718886A (zh) | 纯电动汽车行驶工况的构建方法及装置 | |
CN114841283A (zh) | 新能源车辆的行驶工况确定方法、装置、设备及介质 | |
CN112200052B (zh) | 轨迹偏移识别、车辆行驶分析方法、装置、设备及介质 | |
CN110544378B (zh) | 一种手机用户拥车情况的判断方法 | |
CN114485826A (zh) | 一种车辆里程油耗数据确定方法及装置 | |
CN112927497A (zh) | 一种浮动车识别方法、相关方法和装置 | |
Wen et al. | Analysis of vehicle driving styles at freeway merging areas using trajectory data | |
CN117894192B (zh) | 一种基于手机信令数据的路段车辆平均载客数估计方法 | |
CN115083162B (zh) | 路况预测方法、装置、设备以及存储介质 | |
CN112927117B (zh) | 基于区块链的车辆管理通信方法、管理***、设备及介质 |
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 |