CN111914138A - 基于车联网大数据的工况分析方法、装置和系统 - Google Patents
基于车联网大数据的工况分析方法、装置和系统 Download PDFInfo
- Publication number
- CN111914138A CN111914138A CN202010829517.7A CN202010829517A CN111914138A CN 111914138 A CN111914138 A CN 111914138A CN 202010829517 A CN202010829517 A CN 202010829517A CN 111914138 A CN111914138 A CN 111914138A
- Authority
- CN
- China
- Prior art keywords
- working condition
- internet
- big data
- data
- analysis
- 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.)
- Withdrawn
Links
- 238000004458 analytical method Methods 0.000 title claims abstract description 74
- 238000005265 energy consumption Methods 0.000 claims abstract description 53
- 238000000034 method Methods 0.000 claims abstract description 38
- 230000000007 visual effect Effects 0.000 claims description 19
- 238000007621 cluster analysis Methods 0.000 claims description 15
- 238000004891 communication Methods 0.000 claims description 11
- 230000006855 networking Effects 0.000 claims description 4
- 230000011218 segmentation Effects 0.000 claims description 4
- 238000002474 experimental method Methods 0.000 abstract description 17
- 238000004364 calculation method Methods 0.000 abstract description 7
- 230000006870 function Effects 0.000 description 8
- 230000007613 environmental effect Effects 0.000 description 6
- 238000004422 calculation algorithm Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 230000001133 acceleration Effects 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 238000012827 research and development Methods 0.000 description 4
- 230000002349 favourable effect Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000004134 energy conservation Methods 0.000 description 1
- 239000000446 fuel Substances 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000004171 remote diagnosis Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000011524 similarity measure Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/904—Browsing; Visualisation therefor
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Probability & Statistics with Applications (AREA)
- Traffic Control Systems (AREA)
Abstract
本申请涉及一种基于车联网大数据的工况分析方法、装置和系统，基于车联网大数据的工况分析方法包括获取实际城市路况中车辆行驶原始数据；将原始数据分割为至少一个运动片段；分析出每个运动片段中包含的主要的工况参数；对主要的工况参数进行聚类分析；将聚类分析的结果保存至数据库。本申请，不需进行实验，因此可以节省支出能耗成本和人力成本；并且可以大幅缩短数据获取与数据更新周期，由于对工况分析时的车辆数量以及行驶工况没有数量限制，基于大数据实时计算，不仅可以提高分析结果的准确性，还可以帮助环境保护部门分析交通环境和能耗、排放的关系，并可以帮助整车企业研发出更具区域适应性、能耗更低、驾驶体验更好的产品。
Description
技术领域
本申请涉及车联网技术领域，尤其是一种基于车联网大数据的工况分析方法、装置和系统。
背景技术
车联网是由车辆位置、速度和路线等信息构成的巨大交互网络。通过互联网技术，所有的车辆可以将自身的各种信息传输汇聚到中央处理器；通过计算机技术，车辆的信息可以被分析和处理，从而计算出不同车辆的最佳路线、及时汇报路况和安排信号灯周期。车联网能够实现智能化交通管理、智能动态信息服务和车辆控制的一体化网络，是物联网技术在交通系统领域的典型应用，是未来信息通信、环保、节能、安全等发展的融合性技术。
工况标准作为影响新车型动力、能耗、驾驶品质和寿命设计的核心支撑数据，多用于车辆工程人员进行仿真分析，对产品的研发质量有着直接影响。车辆行驶工况主要是指在限定范围内、交通环境下的车辆行驶、运行特征，其研究对象和主要构成为，以行程为分析单元下的速度、时间变化状态。工况分析一般基于非特定车辆的驾驶检测来实现，通过数据采集、分析、统计建模，抽取、归纳道路行驶典型特征。城市代表性的车辆工况可以应用到车辆燃油消耗和尾气排放的检测评价上，以及为新车型的开发和发动机的动力匹配提供参考。
传统的工况分析方法使用实验法进行工况搭建，不仅需额外支出能耗成本和人力成本，实验法搭建的工况模型不能贴合实际城市路况的道路实际工况，导致分析结果不够准确，并且，由于实验法搭建工况模型需要靠每次实验获取工况数据，数据量有限，且获取数据周期长，不足以满足交通管理、环境保护以及新车研发等应用部门对工况数据的需要。
发明内容
为至少在一定程度上克服传统的工况分析方法使用实验法进行工况搭建，不仅需额外支出能耗成本和人力成本，实验法搭建的工况模型不能贴合实际城市路况的道路实际工况，导致分析结果不够准确，并且，由于实验法搭建工况模型需要靠每次实验获取工况数据，数据量有限，且获取数据周期长，不足以满足交通管理、环境保护以及新车研发等应用部门对工况数据的需要的问题，本申请提供一种基于车联网大数据的工况分析方法、装置和系统。
第一方面，本申请提供一种基于车联网大数据的工况分析方法，包括：
获取实际城市路况中车辆行驶原始数据；
将所述原始数据分割为至少一个运动片段；
分析出每个所述运动片段中包含的主要的工况参数；
对所述主要的工况参数进行聚类分析；
将所述聚类分析的结果保存至数据库。
进一步的，所述将所述原始数据分割为至少一个运动片段后，还包括：
计算所述运动片段中包含的所有工况参数的特征值；
根据所述特征值分析出所述主要的工况参数。
进一步的，计算所述运动片段中包含的所有工况参数的特征值后，还包括：
制作每个所述工况参数的特征值的可视化图形并输出；
或者，
计算每个所述工况参数的特征值的综合特征值，制作所述综合特征值的可视化图形并输出。
进一步的，所述计算每个所述工况参数的特征值的综合特征值，包括：
所述综合特征值为每个所述工况参数的特征值的加权平均值。
进一步的，将所述聚类分析的结果保存至数据库后，还包括：
从所述数据库中获取聚类分析结果；
根据所述聚类分析结果制作可视化图形并输出。
进一步的，所述方法还包括：计算所述运动片段的能耗。
进一步的，所述计算所述运动片段的能耗，包括：
建立模糊能耗规则库；
根据所述模糊能耗规则库中的模糊能耗规则计算运动片段的能耗的数值区间。
进一步的，所述方法还包括：
对所述原始数据进行行程划分，每个行程中包含部分原始数据；
将每个行程中的部分原始数据分割为至少一个运动片段。
第二方面，本申请提供一种基于车联网大数据的工况分析装置，包括：
获取模块，用于获取车辆行驶原始数据；
分割模块，用于将所述原始数据分割为至少一个运动片段；
分析模块，用于分析出每个所述运动片段中包含的主要的工况参数；
聚类模块，用于对所述主要的工况参数进行聚类分析；
保存模块，用于将所述聚类分析的结果保存至数据库。
第三方面，本申请提供一种基于车联网大数据的工况分析系统，包括：
如第二方面所述装置、采集模块、通信模块和车辆模块；
所述装置和所述采集模块连接；
所述采集模块通过所述通信模块与所述车辆模块连接。
本申请的实施例提供的技术方案可以包括以下有益效果：
本申请中通过获取实际城市路况中车辆行驶原始数据，不需进行实验，因此可以节省支出能耗成本和人力成本；将原始数据分割为至少一个运动片段，分析出每个运动片段中包含的主要的工况参数，对主要的工况参数进行聚类分析，大幅缩短数据获取与数据更新周期，由于对工况分析时的车辆数量以及行驶工况没有数量限制，基于大数据实时计算，不仅可以提高分析结果的准确性，还可以帮助环境保护部门分析交通环境和能耗、排放的关系，并可以帮助整车企业研发出更具区域适应性、能耗更低、驾驶体验更好的产品。
应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本申请。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本申请的实施例，并与说明书一起用于解释本申请的原理。
图1是本申请一个实施例提供的一种基于车联网大数据的工况分析方法的流程图。
图2是本申请另一个实施例提供的一种基于车联网大数据的工况分析方法的流程图。
图3是本申请另一个实施例提供的一种基于车联网大数据的工况分析方法的流程图。
图4是本申请一个实施例提供的一种基于车联网大数据的工况分析装置的模块图。
图5是本申请一个实施例提供的一种基于车联网大数据的工况分析系统的结构图。
图6是本申请一个实施例提供的一种工况参数图。
图7是本申请一个实施例提供的一种模糊能耗规则示意图。
具体实施方式
下面结合附图和实施例对本发明进行详细的描述。
图1是本申请一个实施例提供的基于车联网大数据的工况分析方法的流程图。
如图1所示，本实施例提供的基于车联网大数据的工况分析方法，包括：
S11：获取实际城市路况中车辆行驶原始数据；
S12：将原始数据分割为至少一个运动片段；
S13：分析出每个运动片段中包含的主要的工况参数；
S14：对主要的工况参数进行聚类分析；
S15：将聚类分析的结果保存至数据库。
传统的工况分析方法使用实验法进行工况搭建，由于进行实验的车需要上路行驶，因此会产生能耗，并且，进行实验时需要有驾驶人员、记录人员等相关人员，因此会产生额外支出的能耗成本和人力成本。通过车联网的方式获取实际城市路况中车辆行驶原始数据，因此可以节省能耗成本和人力成本的支出。
另外，实验法搭建的工况模型不能贴合实际城市路况的道路实际工况，导致分析结果不够准确，并且，由于实验法搭建工况模型需要靠每次实验获取工况数据，数据量有限，且获取数据周期长，不足以满足交通管理、环境保护以及新车研发等应用部门对工况数据的需要。通过车联网的方式获取实际城市路况中车辆行驶原始数据，因此分析数据更贴合道路实际工况，由于原始数据实时上传至车联网，因此，获取数据的周期短，并且数据量不受限制，将原始数据分割为至少一个运动片段，分析出每个运动片段中包含的主要的工况参数，对主要的工况参数进行聚类分析，基于大数据实时计算，可以提高分析结果的准确性。
将聚类分析的结果保存至数据库，数据库可以设置在对外开放的服务器中，以使其他部门或机构可以获取到工况分析结果，因此可以帮助环境保护部门分析交通环境和能耗、排放的关系，并可以帮助整车企业研发出更具区域适应性、能耗更低、驾驶体验更好的产品。
本实施例中，通过获取实际城市路况中车辆行驶原始数据，不需进行实验，因此可以节省支出能耗成本和人力成本；将原始数据分割为至少一个运动片段，分析出每个运动片段中包含的主要的工况参数，对主要的工况参数进行聚类分析，大幅缩短数据获取与数据更新周期，由于对工况分析时的车辆数量以及行驶工况没有数量限制，基于大数据实时计算，不仅可以提高分析结果的准确性，还可以帮助环境保护部门分析交通环境和能耗、排放的关系，并可以帮助整车企业研发出更具区域适应性、能耗更低、驾驶体验更好的产品。
图2是本申请另一个实施例提供的基于车联网大数据的工况分析方法的流程图。
如图2所示，本实施例提供的基于车联网大数据的工况分析方法，将原始数据分割为至少一个运动片段后，还包括：
S21：计算运动片段中包含的所有工况参数的特征值；
工况参数包括：发动机启动参数、发动机关闭参数、起步参数、换挡参数、加速参数、恒速参数、减速参数、怠速参数、急踩加速踏板参数和送加速踏板参数中的一种或多种。工况参数如图6所示，特征值计算方法计算出各个工况参数的特征值。
S22：根据特征值分析出主要的工况参数。
将每个工况参数的特征值进行降序排列，筛选出排名靠前的预设数量的主要的工况参数，例如筛选出7个主要工况参数，分别为：怠速的加速度、减速的加速度、发送机启动时间、发送机启动转速正向超调时间、发动机关闭持续时间、发动机关闭加速度峰值和起步加速度峰值。
对主要的工况参数进行聚类分析，包括：利用K-means算法进行聚类分析，K-means算法是硬聚类算法，是典型的基于原型的目标函数聚类方法的代表，是数据点到原型的某种距离作为优化的目标函数，利用函数求极值的方法得到迭代运算的调整规则。K-means算法以欧式距离作为相似度测度，求对应某一初始聚类中心向量V最优分类，使得评价指标J最小。K-means算法采用误差平方和准则函数作为聚类准则函数。
作为本发明可选的一种实现方式，将所述聚类分析的结果保存至数据库后，还包括：
从数据库中获取聚类分析结果；
根据聚类分析结果制作可视化图形并输出。
通过制作可视化图形，可以使工况分析结果更加直观，更有利于其他部门或机构的工作人员理解工况的实际情况。
作为本发明可选的一种实现方式，所述方法还包括：
对原始数据进行行程划分，每个行程中包含部分原始数据；
将每个行程中的部分原始数据分割为至少一个运动片段。
通过进行行程划分，可以分析出每个行程中工况的实际情况，例如将车辆本次停车与下一次停车期间划分为一个行程，通过获取多个行程，以行程为分析单元下的速度、时间变化状态，例如，每个停车行程的间隔时间小于30秒，可判断为现在为堵车缓慢行驶状态。
可以理解的是，行程的划分可以根据所需获取的工况参数进行确定，以方便对城市时间道路做全面的工况分析。
作为本发明可选的一种实现方式，计算运动片段中包含的所有工况参数的特征值后，还包括：
制作每个所述工况参数的特征值的可视化图形并输出；
或者，
计算每个所述工况参数的特征值的综合特征值，制作所述综合特征值的可视化图形并输出。
作为本发明可选的一种实现方式，所述计算每个所述工况参数的特征值的综合特征值，包括：
综合特征值为每个工况参数的特征值的加权平均值。
本实施例中，通过计算工况参数的特征值，并进行聚类分析，对聚类结果制作可视化图形，可以使工况分析结果更加直观，更有利于其他部门或机构的工作人员理解工况的实际情况。
图3是本申请另一个实施例提供的基于车联网大数据的工况分析方法的流程图。
如图3所示，本实施例提供的基于车联网大数据的工况分析方法，所述方法还包括：计算所述运动片段的能耗，计算所述运动片段的能耗步骤包括：
S31：建立模糊能耗规则库；
S32：根据模能耗规则库中的模糊能耗规则计算运动片段的能耗的数值区间。
如图7所示，按照如果Vm为真且Pc为真且Pi为真，那么输出e的原则，建立模糊能耗规则库。当输入的Vm∈[23,45)且Pc∈[0.016,0.46)且和Pi∈[0.18,0.57)，那么可获得的能耗E∈[-0.003,0.0826)。其中，Vm、Pc、Pi表示模糊规则参数，本申请对Vm、Pc、Pi物理意义不做限定。
本实施例中，通过计算运动片段的能耗有利于获取减小能耗的方法，帮助整车企业研发出更具区域适应性、能耗更低、驾驶体验更好的产品。
图4是本申请一个实施例提供的一种基于车联网大数据的工况分析装置的模块图。
如图4所示，本实施例提供的一种基于车联网大数据的工况分析装置，包括：
获取模块41，用于获取车辆行驶原始数据；
分割模块42，用于将所述原始数据分割为至少一个运动片段；
分析模块43，用于分析出每个运动片段中包含的主要的工况参数；
聚类模块44，用于对所述主要的工况参数进行聚类分析；
保存模块45，用于将所述聚类分析的结果保存至数据库。
通过获取模块41获取车辆行驶原始数据，分割模块42将原始数据分割为至少一个运动片段，分析模块43分析出每个运动片段中包含的主要的工况参数，聚类模块44主要的工况参数进行聚类分析，保存模块45将聚类分析的结果保存至数据库，可以节省支出能耗成本和人力成本，大幅缩短数据获取与数据更新周期，并且可以提高分析结果的准确性，还可以帮助环境保护部门分析交通环境和能耗、排放的关系，并可以帮助整车企业研发出更具区域适应性、能耗更低、驾驶体验更好的产品。
所述装置还包括：特征值计算模块46，用于计算所有工况参数的特征值、主要的工况参数特征值和综合特征值。
所述装置还包括：制图模块47，用于制作可视化图形，方便用户直接查看工况。
所述装置还包括：行程划分模块48，用于对原始数据划分行程，通过将大量原始数据划分为多个行程，便于进行运动片段分割。
所述装置还包括：能耗计算模块49，用于计算能耗，有利于获取减小能耗的方法，帮助整车企业研发出更具区域适应性、能耗更低、驾驶体验更好的产品。
本实施例中，通过获取模块获取车辆行驶原始数据，分割模块将原始数据分割为至少一个运动片段，分析模块分析出每个运动片段中包含的主要的工况参数，聚类模块主要的工况参数进行聚类分析，保存模块将聚类分析的结果保存至数据库，可以节省支出能耗成本和人力成本，大幅缩短数据获取与数据更新周期，并且可以提高分析结果的准确性，还可以帮助环境保护部门分析交通环境和能耗、排放的关系，并可以帮助整车企业研发出更具区域适应性、能耗更低、驾驶体验更好的产品。
图5是本申请一个实施例提供的一种基于车联网大数据的工况分析系统的结构图。
如图5所示，本实施例提供的一种基于车联网大数据的工况分析系统，包括：
基于车联网大数据的工况分析装置51、采集模块52、通信模块53和车辆模块54；
基于车联网大数据的工况分析装置51和采集模块52连接；
采集模块52通过通信模块53与车辆模块54连接。
采集模块52通过车载T-BOX(Telematics BOX)来实现。通信模块53例如为CAN总线，车载T-BOX主要用于基于车联网大数据的工况分析装置51通过CAN总线与车辆模块54进行数据交互，实现对车辆信息显示与控制，车载T-BOX可以实现车辆对外进行远程通信或者近场通信。
所述系统还包括TSP(Telematics Service Provider))服务平台，基于车联网大数据的工况分析装置51设置在TSP服务平台上，通过采集模块52的数据上传，TSP服务平台即可以进行数据的解析和存储工作。TSP服务平台包括：数据平台、基础运营平台和核心平台，数据平台包括至少一个数据服务接口，基础运营管理平台包括基础数据与业务管理、系统监控运维、支撑管理等，核心平台包括车辆状态、位置轨迹、预约保养、消息中心、故障报警、电子围栏、远程诊断、蓝牙钥匙、车辆控制、道路救援、紧急救援等。基于车联网大数据的工况分析装置51中各模块分布在不同平台中。
TSP(Telematics Service Provider))服务平台与外部应用平台连接，应用平台例如包括：车辆监管系统、分时租赁系统、远程升级系统、其他应用程序等。通过与外部应用平台建立连接，方便外部应用平台获取数据库中存储的聚类分析结果数据以及制作的图形化表格，从而可以帮助环境保护部门分析交通环境和能耗、排放的关系，并可以帮助整车企业研发出更具区域适应性、能耗更低、驾驶体验更好的产品。
本实施例中，通过基于车联网大数据的工况分析装置和采集模块连接，采集模块通过通信模块与车辆模块连接，建立车联网大数据交互系统，可以实时实际城市路况中车辆行驶原始数据，有利于提高工况分析的准确性。
可以理解的是，上述各实施例中相同或相似部分可以相互参考，在一些实施例中未详细说明的内容可以参见其他实施例中相同或相似的内容。
需要说明的是，在本申请的描述中，术语“第一”、“第二”等仅用于描述目的，而不能理解为指示或暗示相对重要性。此外，在本申请的描述中，除非另有说明，“多个”的含义是指至少两个。
流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为，表示包括一个或更多个用于实现特定逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分，并且本申请的优选实施方式的范围包括另外的实现，其中可以不按所示出或讨论的顺序，包括根据所涉及的功能按基本同时的方式或按相反的顺序，来执行功能，这应被本申请的实施例所属技术领域的技术人员所理解。
应当理解，本申请的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如，如果用硬件来实现，和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列(PGA)，现场可编程门阵列(FPGA)等。
本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，该程序在执行时，包括方法实施例的步骤之一或其组合。
此外，在本申请各个实施例中的各功能单元可以集成在一个处理模块中，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模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。所述集成的模块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，也可以存储在一个计算机可读取存储介质中。
上述提到的存储介质可以是只读存储器，磁盘或光盘等。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本申请的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
尽管上面已经示出和描述了本申请的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本申请的限制，本领域的普通技术人员在本申请的范围内可以对上述实施例进行变化、修改、替换和变型。
需要说明的是，本发明不局限于上述最佳实施方式，本领域技术人员在本发明的启示下都可得出其他各种形式的产品，但不论在其形状或结构上作任何变化，凡是具有与本申请相同或相近似的技术方案，均落在本发明的保护范围之内。
Claims (10)
1.一种基于车联网大数据的工况分析方法，其特征在于，包括：
获取实际城市路况中车辆行驶原始数据；
将所述原始数据分割为至少一个运动片段；
分析出每个所述运动片段中包含的主要的工况参数；
对所述主要的工况参数进行聚类分析；
将所述聚类分析的结果保存至数据库。
2.根据权利要求1所述的基于车联网大数据的工况分析方法，其特征在于，所述将所述原始数据分割为至少一个运动片段后，还包括：
计算所述运动片段中包含的所有工况参数的特征值；
根据所述特征值分析出所述主要的工况参数。
3.根据权利要求2所述的基于车联网大数据的工况分析方法，其特征在于，计算所述运动片段中包含的所有工况参数的特征值后，还包括：
制作每个所述工况参数的特征值的可视化图形并输出；
或者，
计算每个所述工况参数的特征值的综合特征值，制作所述综合特征值的可视化图形并输出。
4.根据权利要求3所述的基于车联网大数据的工况分析方法，其特征在于，所述计算每个所述工况参数的特征值的综合特征值，包括：
所述综合特征值为每个所述工况参数的特征值的加权平均值。
5.根据权利要求1所述的基于车联网大数据的工况分析方法，其特征在于，将所述聚类分析的结果保存至数据库后，还包括：
从所述数据库中获取聚类分析结果；
根据所述聚类分析结果制作可视化图形并输出。
6.根据权利要求1所述的基于车联网大数据的工况分析方法，其特征在于，还包括：计算所述运动片段的能耗。
7.根据权利要求6所述的基于车联网大数据的工况分析方法，其特征在于，所述计算所述运动片段的能耗，包括：
建立模糊能耗规则库；
根据所述模糊能耗规则库中的模糊能耗规则计算运动片段的能耗的数值区间。
8.根据权利要求1所述的基于车联网大数据的工况分析方法，其特征在于，还包括：
对所述原始数据进行行程划分，每个行程中包含部分原始数据；
将每个行程中的部分原始数据分割为至少一个运动片段。
9.一种基于车联网大数据的工况分析装置，其特征在于，包括：
获取模块，用于获取车辆行驶原始数据；
分割模块，用于将所述原始数据分割为至少一个运动片段；
分析模块，用于分析出每个所述运动片段中包含的主要的工况参数；
聚类模块，用于对所述主要的工况参数进行聚类分析；
保存模块，用于将所述聚类分析的结果保存至数据库。
10.一种基于车联网大数据的工况分析系统，其特征在于，包括：
如权利要求9所述装置、采集模块、通信模块和车辆模块；
所述装置和所述采集模块连接；
所述采集模块通过所述通信模块与所述车辆模块连接。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010829517.7A CN111914138A (zh) | 2020-08-18 | 2020-08-18 | 基于车联网大数据的工况分析方法、装置和系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010829517.7A CN111914138A (zh) | 2020-08-18 | 2020-08-18 | 基于车联网大数据的工况分析方法、装置和系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111914138A true CN111914138A (zh) | 2020-11-10 |
Family
ID=73279334
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010829517.7A Withdrawn CN111914138A (zh) | 2020-08-18 | 2020-08-18 | 基于车联网大数据的工况分析方法、装置和系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111914138A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113191595A (zh) * | 2021-04-07 | 2021-07-30 | 东风畅行科技股份有限公司 | 车辆运营全生命周期成本关联数据分析方法及系统 |
| CN114596458A (zh) * | 2020-12-04 | 2022-06-07 | 中国石油天然气股份有限公司 | 脱水装置的状态检测方法及系统 |
-
2020
- 2020-08-18 CN CN202010829517.7A patent/CN111914138A/zh not_active Withdrawn
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114596458A (zh) * | 2020-12-04 | 2022-06-07 | 中国石油天然气股份有限公司 | 脱水装置的状态检测方法及系统 |
| CN113191595A (zh) * | 2021-04-07 | 2021-07-30 | 东风畅行科技股份有限公司 | 车辆运营全生命周期成本关联数据分析方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110795818B (zh) | 一种确定虚拟测试场景方法、装置、电子设备和存储介质 | |
| CN109927709B (zh) | 一种车辆行驶路线工况确定方法、能量管理方法及系统 | |
| CN113538898A (zh) | 一种基于多源数据的高速公路拥堵管控系统 | |
| CN112669597A (zh) | 一种基于云服务的城市智慧交通管理系统 | |
| CN118644990B (zh) | 一种基于大数据的智慧城市用数据控制系统 | |
| CN113159105A (zh) | 一种驾驶行为无监督模式识别方法及数据采集监控系统 | |
| CN118182256B (zh) | 车辆能耗管理方法、装置、设备及介质 | |
| KR102233723B1 (ko) | 자율 주행 차량의 운행 패턴 관리 서버 및 그것의 운행 패턴 해석 방법 | |
| CN111583699A (zh) | 一种智慧化公交汽车监控系统 | |
| CN109993966A (zh) | 一种构建用户画像的方法及装置 | |
| CN111914138A (zh) | 基于车联网大数据的工况分析方法、装置和系统 | |
| CN112862233A (zh) | 一种基于车联网数据的故障关联性分析系统及方法 | |
| CN116976120A (zh) | 一种智能汽车信息物理系统运行场景定义方法 | |
| CN114005297A (zh) | 一种基于车联网的车队协调行驶方法 | |
| Amin et al. | Big data role in improving intelligent transportation systems safety: A survey | |
| CN116824868A (zh) | 车辆非法停驻点识别及拥堵预测方法、装置、设备及介质 | |
| CN119132070A (zh) | 一种基于多元数据感知的车路协同速度控制方法及系统 | |
| CN115187072B (zh) | 垃圾点位置识别方法及设备 | |
| CN116401944A (zh) | 一种基于大数据的智慧交通管理系统 | |
| CN114463978A (zh) | 一种基于轨道交通信息处理终端的数据监测方法 | |
| CN113947326A (zh) | 一种综合车辆风险分级及测算风险保费方法 | |
| Kazinski et al. | Contribution Determination of the Statistical Loading of the Crossroads by Means of the YOLO5 Neural Network | |
| Naidu et al. | Application of Data Analytics to Decouple Historical Real-World Trip Trajectories into Representative Maneuvers for Driving Characterization | |
| CN119204692B (zh) | 重型车辆用车安全检测方法及其装置、设备、介质 | |
| Shi et al. | Traffic flow prediction model of urban traffic congestion period based on internet of vehicles technology |
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 | ||
| WW01 | Invention patent application withdrawn after publication | ||
| WW01 | Invention patent application withdrawn after publication |
Application publication date: 20201110 |