[go: up one dir, main page]

CN118965031A - 一种行驶工况搭建方法、装置、电子设备以及存储介质 - Google Patents

一种行驶工况搭建方法、装置、电子设备以及存储介质 Download PDF

Info

Publication number
CN118965031A
CN118965031A CN202411092310.0A CN202411092310A CN118965031A CN 118965031 A CN118965031 A CN 118965031A CN 202411092310 A CN202411092310 A CN 202411092310A CN 118965031 A CN118965031 A CN 118965031A
Authority
CN
China
Prior art keywords
clustering
kinematic
data
segment
driving condition
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
CN202411092310.0A
Other languages
English (en)
Other versions
CN118965031B (zh
Inventor
蔡斌
李方博
王佳慧
杨波
胡春强
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.)
Chongqing University
Original Assignee
Chongqing University
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 Chongqing University filed Critical Chongqing University
Priority to CN202411092310.0A priority Critical patent/CN118965031B/zh
Publication of CN118965031A publication Critical patent/CN118965031A/zh
Application granted granted Critical
Publication of CN118965031B publication Critical patent/CN118965031B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/12—Computing arrangements based on biological models using genetic models
    • G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
    • 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
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems

Landscapes

  • Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Biophysics (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • Genetics & Genomics (AREA)
  • General Health & Medical Sciences (AREA)
  • Physiology (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Computational Linguistics (AREA)
  • Biomedical Technology (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明涉及行驶工况搭建技术，揭露了一种行驶工况搭建方法，包括：获取汽车行驶数据，并将所述汽车行驶数据切分成运动学片段数据；将所述运动学片段数据进行特征编码得到运动学片段特征，并将所述运动学片段特征利用深度聚类算法进行聚类操作得到运动学片段聚类结果；将所述运动学片段聚类结果利用遗传算法进行行驶工况搭建，得到所述汽车行驶数据的行驶工况。本发明还提出一种行驶工况搭建装置、电子设备以及存储介质。本发明可以提高行驶工况搭建的准确性。

Description

一种行驶工况搭建方法、装置、电子设备以及存储介质
技术领域
本发明涉及行驶工况搭建技术领域，尤其涉及一种行驶工况搭建方法、装置、电子设备以及存储介质。
背景技术
行驶工况是一种可以反映特定地区中特定车辆类别典型驾驶行为的速度-时间曲线，它能够体现汽车道路行驶的运动学特征，是汽车行业的一项重要的、共性基础技术，是车辆能耗、排放测试和制定限值标准的基础，也是汽车各项性能指标优化时的主要基准。
现有的行驶工况搭建通常是将原始数据处理成运动学片段，然后通过聚类的方式将运动学片段处理成K个簇群，每个簇群代表着一种工况类型，然后从K个簇群中选择运动学片段，构成行驶工况。例如，现阶段采用传统参数聚类算法和传统非参数聚类方法进行行驶工况搭建，传统参数聚类算法通常采用K-means算法或HDBSCAN算法进行行驶工况搭建，采用传统参数聚类算法都需要提前设定某些参数帮助完成聚类任务，并且传统参数聚类算法的聚类结果跟参数设定关系很大，如K-means算法需要设定簇群的个数，聚类的结果十分依赖K的选择，很难获得很好的聚类结果，又如HDBSCAN需要设定领域半径R和MinPts，也很难获得很好的聚类结果，而传统非参数聚类算法常采用谱聚类算法，但是谱聚类算法聚类效果依赖于相似矩阵，不同的相似矩阵得到的最终聚类效果可能很不相同。并且如果簇类太多，谱聚类算法也很难达到良好的聚类结果。通过上述聚类算法由于都很难获得良好的聚类结果，导致行驶工况搭建的准确性较低。
发明内容
本发明提供一种行驶工况搭建方法、装置、电子设备以及存储介质，可以提高行驶工况搭建的准确性。
为实现上述目的，本发明提供的一种行驶工况搭建方法，包括：
获取汽车行驶数据，并将所述汽车行驶数据切分成运动学片段数据；
将所述运动学片段数据进行特征编码得到运动学片段特征，并将所述运动学片段特征利用深度聚类算法进行聚类操作得到运动学片段聚类结果；
将所述运动学片段聚类结果利用遗传算法进行行驶工况搭建，得到所述汽车行驶数据的行驶工况。
可选地，所述将所述汽车行驶数据切分成运动学片段数据，包括：
从所述汽车行驶数据中提取连续的运动段数据，得到运动段数据集；
根据速度和停止时间提取所述汽车行驶数据中的怠速段数据，得到怠速段数据集；
整合所述运动段数据集和所述怠速段数据集，得到所述运动学片段数据。
可选地，所述将所述运动学片段特征利用深度聚类算法进行聚类操作得到运动学片段聚类结果，包括：
利用所述深度聚类算法的聚类网络计算所述运动学片段的软簇分布，得到第一软分布值，并根据所述第一软分布值将所述运动学片段划分成多个片段子簇；
将所述多个片段子簇中每个片段子簇的第一软分布值输入至所述深度聚类算法的子聚类网络中计算每个片段子簇的第二软分布值；
根据所述第二软分布值将每个片段子簇划分为多个子簇分布，对所述子簇分布进行分裂与融合操作，得到更新聚类簇值；
根据所述更新聚类簇值对所述运动学片段重新聚类，得到所述运动学片段聚类结果。
可选地，在所述利用所述深度聚类算法的聚类网络计算所述运动学片段的软簇分布之前，还包括采用预构建的聚类损失公式对所述聚类网络进行训练。
可选地，所述采用预构建的聚类损失公式对所述聚类网络进行训练，包括：
预构建的聚类损失公式采用下述损失公式：
其中，Lcl为聚类网络损失值，N为运动学片段的样本数，K为聚类簇的类别数，ri为聚类网络的实际分布，为聚类网络的期望分布，第i个运动学片段的实际分布和期望分布的差异。
可选地，所述将所述运动学片段聚类结果利用遗传算法进行行驶工况搭建，包括：
从所述运动学片段聚类结果中选取预设数量的多组聚类结果构建种群集合，并根据种群集合构建初始行驶工况；
根据误差率公式计算所述种群集合中每个种群的适应度，并根据锦标赛选择法从所述种群集合中选择所述适应度最小的种群作为候选行驶工况；
根据随机抽取原则和交叉操作原则从所述候选行驶工况中选取运动学片段对所述初始行驶工况中相同簇下的运动学片段进行替换操作，并计算替换后的行驶工况的误差率，直到获得行驶工况的最小误差率；
将所述最小误差率的行驶工况作为汽车行驶数据的行驶工况。
可选地，所述根据随机抽取原则和交叉操作原则从所述候选行驶工况中选取运动学片段对所述初始行驶工况中相同簇下的运动学片段进行替换操作，包括：
根据随机抽取原则对所述初始行驶工况中的运动学片段进行随机抽取操作，并从所述候选行驶工况中选取相同簇下的运动学片段进行替换；
以及根据交叉操作原则中单点交叉原则，随机选择一个运动学片段，然后交换候补行驶工况中在该运动学片段位置之后的运动学片段。
为了解决上述问题，本发明还提供一种行驶工况搭建装置，所述装置包括：
汽车行驶数据处理模块，用于获取汽车行驶数据，并将所述汽车行驶数据切分成运动学片段数据；
运动学片段聚类模块，用于将所述运动学片段数据进行特征编码得到运动学片段特征，并将所述运动学片段特征利用深度聚类算法进行聚类操作得到运动学片段聚类结果；
行驶工况搭建模块，用于将所述运动学片段聚类结果利用遗传算法进行行驶工况搭建，得到所述汽车行驶数据的行驶工况。
为了解决上述问题，本发明还提供一种电子设备，所述电子设备包括：
至少一个处理器；以及，
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器能够执行上述所述的行驶工况搭建方法。
为了解决上述问题，本发明还提供一种计算机可读存储介质，所述计算机可读存储介质中存储有至少一个计算机程序，所述至少一个计算机程序被电子设备中的处理器执行以实现上述所述的行驶工况搭建方法。
本发明通过将所述运动学片段数据进行特征编码得到运动学片段特征，并将所述运动学片段特征利用深度聚类算法进行聚类操作，可以实现在不同规模的数据集上都可以实现有效的聚合，使得具有优秀的聚合效果，此外，通过深度聚类算法还可以自行调整聚类簇的多少，使其满足不同的聚类场景，不依赖于传统聚类方案中需要指定参数的限制，提升了聚类操作中的聚合的质量，进而提升了行驶工况搭建的准确性。
附图说明
图1为本发明一实施例提供的行驶工况搭建方法的流程示意图；
图2为本发明一实施例提供的行驶工况搭建方法的深度聚类算法的聚类网络模型图；
图3为本发明一实施例提供的行驶工况搭建方法的某一优选实施例的整体流程图；
图4为本发明一实施例提供的一种行驶工况搭建装置的功能模块图；
图5为本发明一实施例提供的实现所述一种行驶工况搭建方法的电子设备的结构示意图。
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
本申请实施例提供一种行驶工况搭建方法。所述一种行驶工况搭建方法的执行主体包括但不限于服务端、终端等能够被配置为执行本申请实施例提供的该方法的电子设备中的至少一种。换言之，所述一种行驶工况搭建方法可以由安装在终端设备或服务端设备的软件或硬件来执行，所述软件可以是区块链平台。所述服务端包括但不限于：单台服务器、服务器集群、云端服务器或云端服务器集群等。所述服务器可以是独立的服务器，也可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、内容分发网络(Content Delivery Network，CDN)、以及大数据和人工智能平台等基础云计算服务的云服务器。
参照图1所示，为本发明一实施例提供的行驶工况搭建方法的流程示意图。在本实施例中，所述行驶工况搭建方法包括：
S1、获取汽车行驶数据，并将所述汽车行驶数据切分成运动学片段数据。
本发明实施例中，所述汽车行驶数据是指采用运动记录设备采集到的汽车在整个行驶过程中的相关数据，例如，加速汽车行驶数据、减速汽车行驶数据或者停车等待数据等。
作为本发明一实施例，所述将所述汽车行驶数据切分成运动学片段数据，包括：
从所述汽车行驶数据中提取连续的运动段数据，得到运动段数据集；
根据速度和停止时间提取所述汽车行驶数据中的怠速段数据，得到怠速段数据集；
整合所述运动段数据集和所述怠速段数据集，得到所述运动学片段数据。
本发明实施例中，所述怠速段数据是指速度为0且怠速时间不超过180秒，在速度为0且怠速时间超过180秒时，判断此怠速段数据为异常数据，不可做为运动学片段数据，此时汽车的状态属于停车状态或损坏状态。
S2、将所述运动学片段数据进行特征编码得到运动学片段特征，并将所述运动学片段特征利用深度聚类算法进行聚类操作得到运动学片段聚类结果。
本发明实施例中，所述将所述运动学片段数据进行特征编码采用深度聚类编码器DEC进行编码，将运动学片段数据转化为运动学片段特征。
本发明实施例中，所述运动学片段特征是指表征汽车运动的特征，包括但不限于有平均速度、最大速度、行驶速度以及加速度等。
本发明实施例中，所述深度聚类算法采用变种DeepDPM与控制聚类多样性的损失Divcluster结合的深度聚类算法。
作为本发明一实施例，所述将所述运动学片段特征利用深度聚类算法进行聚类操作得到运动学片段聚类结果，包括：
利用所述深度聚类算法的聚类网络计算所述运动学片段的软簇分布，得到第一软分布值，并根据所述第一软分布值将所述运动学片段划分成多个片段子簇；
将所述多个片段子簇中每个片段子簇的第一软分布值输入至所述深度聚类算法的子聚类网络中计算每个片段子簇的第二软分布值；
根据所述第二软分布值将每个片段子簇划分为多个子簇分布，对所述子簇分布进行分裂与融合操作，得到更新聚类簇值；
根据所述更新聚类簇值对所述运动学片段重新聚类，得到所述运动学片段聚类结果。
进一步地，在所述利用所述深度聚类算法的聚类网络计算所述运动学片段的软簇分布之前，还包括采用预构建的聚类损失公式对所述聚类网络进行训练。
作为本发明一实施例，所述采用预构建的聚类损失公式对所述聚类网络进行训练，包括：
预构建的聚类损失公式采用下述损失公式：
其中，Lcl为聚类网络损失值，N为运动学片段的样本数，K为聚类簇的类别数，ri为聚类网络的实际分布，为聚类网络的期望分布，第i个运动学片段的实际分布和期望分布的差异。
进一步地，所述为聚类网络的期望分布的计算采用下述公式：
其中，πk为第k个簇的先验概率，即簇k在所有簇中的比例，为高斯分布在数据点xi处的概率密度函数值，μk为第k个簇的均值向量，∑k是第k个簇的协方差矩阵，为所有簇的概率密度函数值的加权和，加权和的值为1。
进一步地，所述∑k采用下述高斯核函数计算：
其中，Kij为运动学片段样本xj和运动学片段样本xi之间的相似性度量，σ为高斯核函数的参数。
S3、将所述运动学片段聚类结果利用遗传算法进行行驶工况搭建，得到所述汽车行驶数据的行驶工况。
本发明实施例中，所述遗传算法是指是一种模拟自然进化过程的优化算法，用于解决复杂的优化问题。
作为本发明一实施例，所述将所述运动学片段聚类结果利用遗传算法进行行驶工况搭建，包括：
从所述运动学片段聚类结果中选取预设数量的多组聚类结果构建种群集合，并根据种群集合构建初始行驶工况；
根据误差率公式计算所述种群集合中每个种群的适应度，并根据锦标赛选择法从所述种群集合中选择所述适应度最小的种群作为候选行驶工况；
根据随机抽取原则和交叉操作原则从所述候选行驶工况中选取运动学片段对所述初始行驶工况中相同簇下的运动学片段进行替换操作，并计算替换后的行驶工况的误差率，直到获得行驶工况的最小误差率；
将所述最小误差率的行驶工况作为汽车行驶数据的行驶工况。
进一步地，所述根据随机抽取原则和交叉操作原则从所述候选行驶工况中选取运动学片段对所述初始行驶工况中相同簇下的运动学片段进行替换操作，包括：
根据随机抽取原则对所述初始行驶工况中的运动学片段进行随机抽取操作，并从所述候选行驶工况中选取相同簇下的运动学片段进行替换；
以及根据交叉操作原则中单点交叉原则，随机选择一个运动学片段，然后交换候补行驶工况中在该运动学片段位置之后的运动学片段。
本发明实施例中，为解决行驶工况搭建中数据质量对结果影响较大的问题，使用数据调整的方法处理搭建好的行驶工况，优化误差率的步骤如下：
步骤1、计算原始数据的误差率，采用平均速度误差率、行驶速度误差率、加速度段平均加速度误差率、减速度段平均加速度误差率、怠速时间百分比误差率、加速时间百分比误差率、减速时间百分比误差率和匀速时间百分比误差率来构成总的误差率，其公式为可以表达成xi代表实际特征，代表标准特征，即整个数据集所求得的值；
步骤2、随机选择搭建好的行驶工况进行微小扰动，可以表示为公式V＝
V+α，α为随机数，其限制在一个设定范围中[-0.05,0.05]；
步骤3、计算加入扰动误差后的新误差率得到error1，将error和error1进行比较，如果error1变小，且数据调整后，在所有速度均大于等于0时，则接受此次调整；
步骤4、循环步骤2-3，直到达到指定的迭代次数；
步骤5、将微调后的数据和原始数据进行比较，采用公式如果error2在设定范围内，则使得这次调整可以被接受，完成调整，否则将重新调整。
在一可选实施例中，为解决行驶工况搭建中数据质量对结果影响较大的问题，所述优化误差率还可以采用下述时间序列生成方式：采用LSTM时间序列生成网络，采用自定义的损失函数，Loss＝αLosse+βLossr，其中Losse是误差率损失，用来衡量生成数据和标准数据之间的误差比例，Lossr是重建损失，用来衡量生成数据和原始数据之间的相似性，α和β是权重参数。本时间序列生成方式采用平均速度误差率、行驶速度误差率、加速度段平均加速度误差率、减速度段平均加速度误差率、怠速时间百分比误差率、加速时间百分比误差率、减速时间百分比误差率和匀速时间百分比误差率来构成误差率损失。其公式为可以表达成xi代表实际特征，代表标准特征，即整个数据集所求得的值。采用均方误差来作为重建损失，可以表示为公式为了保障生成数据的速度衡大于0，在LSTM的输出层加入一个ReLU激活函数。
本发明实施例通过将所述运动学片段数据进行特征编码得到运动学片段特征，并将所述运动学片段特征利用深度聚类算法进行聚类操作，可以实现在不同规模的数据集上都可以实现有效的聚合，使得具有优秀的聚合效果，此外，通过深度聚类算法还可以自行调整聚类簇的多少，使其满足不同的聚类场景，不依赖于传统聚类方案中需要指定参数的限制，提升了聚类操作中的聚合的质量，进而提升了行驶工况搭建的准确性。
如图2所示，为本发明一实施例提供的行驶工况搭建方法的深度聚类算法的聚类网络模型图。
示例性地，所述深度聚类算法的聚类网络模型处理流程图下，步骤1、将运动学片段数据输入到DEC编码器中，得到编码后的特征encode_feature，随后将encode_feature传递到Div-DeepDPM中，在Div-DeepDPM聚类网络中，encode_feature首先输入到聚类网络clustering net中，随后，将输出每一组数据软簇分布(即数据属于0-K类的概率分布)，这一过程可以表示为： 其中ri,k是样本点对簇k的软分布(也称为簇k对样本点x的责任值，样本点x分配到簇k的概率)。步骤2、软分布值在输入到子聚类网络之前，将会被处理为硬分布值(即每个运动学片段数据属于哪个类的分布)，然后将硬分布值输入到K个子聚类网络subclustering nets中，输出的是每个子簇的软分布值。这一过程可以用公式表示为： 步骤3、学习到的子簇分布将用来进行分裂/融合操作。(对于这1+K个网络(1个聚类网络，K个子聚类网络)，都是一个MLP(多层感知器(Multilayer Perceptron))加单层隐藏层。聚类网络的最后一层有K个神经元，子聚类网络的最后一层有2个神经元)。步骤4、分裂/融合操作允许通过Metropolis-Hastings模型改变K值，分裂操作中，将一个簇分成两个簇(即分裂一次使K增加1)。分裂操作的使用是随机被接受的，概率为min(1,Hs)，Hs是通过Metropolis-Hastings模型计算。融合同理，被接受的概率为经过分类/融合操作后，将出现一个新的K值，作为下一次迭代的聚类簇值。
如图3所示，为本发明一实施例提供的行驶工况搭建方法的某一优选实施例的整体流程图。
如图4所示，是本发明一实施例提供的一种行驶工况搭建装置的功能模块图。
本发明所述一种行驶工况搭建装置100可以安装于电子设备中。根据实现的功能，所述一种行驶工况搭建装置100可以包括汽车行驶数据处理模块101、运动学片段聚类模块102以及行驶工况搭建模块103。
本发明所述模块也可以称之为单元，是指一种能够被电子设备处理器所执行，并且能够完成固定功能的一系列计算机程序段，其存储在电子设备的存储器中。
在本实施例中，关于各模块/单元的功能如下：
所述汽车行驶数据处理模块101，用于获取汽车行驶数据，并将所述汽车行驶数据切分成运动学片段数据。
本发明实施例中，所述汽车行驶数据是指采用运动记录设备采集到的汽车在整个行驶过程中的相关数据，例如，加速汽车行驶数据、减速汽车行驶数据或者停车等待数据等。
作为本发明一实施例，所述将所述汽车行驶数据切分成运动学片段数据，包括：
从所述汽车行驶数据中提取连续的运动段数据，得到运动段数据集；
根据速度和停止时间提取所述汽车行驶数据中的怠速段数据，得到怠速段数据集；
整合所述运动段数据集和所述怠速段数据集，得到所述运动学片段数据。
本发明实施例中，所述怠速段数据是指速度为0且怠速时间不超过180秒，在速度为0且怠速时间超过180秒时，判断此怠速段数据为异常数据，不可做为运动学片段数据，此时汽车的状态属于停车状态或损坏状态。
所述运动学片段聚类模块102，用于将所述运动学片段数据进行特征编码得到运动学片段特征，并将所述运动学片段特征利用深度聚类算法进行聚类操作得到运动学片段聚类结果。
本发明实施例中，所述将所述运动学片段数据进行特征编码采用深度聚类编码器DEC进行编码，将运动学片段数据转化为运动学片段特征。
本发明实施例中，所述运动学片段特征是指表征汽车运动的特征，包括但不限于有平均速度、最大速度、行驶速度以及加速度等。
本发明实施例中，所述深度聚类算法采用变种DeepDPM与控制聚类多样性的损失Divcluster结合的深度聚类算法。
作为本发明一实施例，所述将所述运动学片段特征利用深度聚类算法进行聚类操作得到运动学片段聚类结果，包括：
利用所述深度聚类算法的聚类网络计算所述运动学片段的软簇分布，得到第一软分布值，并根据所述第一软分布值将所述运动学片段划分成多个片段子簇；
将所述多个片段子簇中每个片段子簇的第一软分布值输入至所述深度聚类算法的子聚类网络中计算每个片段子簇的第二软分布值；
根据所述第二软分布值将每个片段子簇划分为多个子簇分布，对所述子簇分布进行分裂与融合操作，得到更新聚类簇值；
根据所述更新聚类簇值对所述运动学片段重新聚类，得到所述运动学片段聚类结果。
进一步地，在所述利用所述深度聚类算法的聚类网络计算所述运动学片段的软簇分布之前，还包括采用预构建的聚类损失公式对所述聚类网络进行训练。
作为本发明一实施例，所述采用预构建的聚类损失公式对所述聚类网络进行训练，包括：
预构建的聚类损失公式采用下述损失公式：
其中，Lcl为聚类网络损失值，N为运动学片段的样本数，K为聚类簇的类别数，ri为聚类网络的实际分布，为聚类网络的期望分布，第i个运动学片段的实际分布和期望分布的差异。
进一步地，所述为聚类网络的期望分布的计算采用下述公式：
其中，πk为第k个簇的先验概率，即簇k在所有簇中的比例，为高斯分布在数据点xi处的概率密度函数值，μk为第k个簇的均值向量，∑k是第k个簇的协方差矩阵，为所有簇的概率密度函数值的加权和，加权和的值为1。
进一步地，所述∑k采用下述高斯核函数计算：
其中，Kij为运动学片段样本xj和运动学片段样本xi之间的相似性度量，σ为高斯核函数的参数。
所述行驶工况搭建模块103，用于将所述运动学片段聚类结果利用遗传算法进行行驶工况搭建，得到所述汽车行驶数据的行驶工况。
本发明实施例中，所述遗传算法是指是一种模拟自然进化过程的优化算法，用于解决复杂的优化问题。
作为本发明一实施例，所述将所述运动学片段聚类结果利用遗传算法进行行驶工况搭建，包括：
从所述运动学片段聚类结果中选取预设数量的多组聚类结果构建种群集合，并根据种群集合构建初始行驶工况；
根据误差率公式计算所述种群集合中每个种群的适应度，并根据锦标赛选择法从所述种群集合中选择所述适应度最小的种群作为候选行驶工况；
根据随机抽取原则和交叉操作原则从所述候选行驶工况中选取运动学片段对所述初始行驶工况中相同簇下的运动学片段进行替换操作，并计算替换后的行驶工况的误差率，直到获得行驶工况的最小误差率；
将所述最小误差率的行驶工况作为汽车行驶数据的行驶工况。
进一步地，所述根据随机抽取原则和交叉操作原则从所述候选行驶工况中选取运动学片段对所述初始行驶工况中相同簇下的运动学片段进行替换操作，包括：
根据随机抽取原则对所述初始行驶工况中的运动学片段进行随机抽取操作，并从所述候选行驶工况中选取相同簇下的运动学片段进行替换；
以及根据交叉操作原则中单点交叉原则，随机选择一个运动学片段，然后交换候补行驶工况中在该运动学片段位置之后的运动学片段。
本发明实施例中，为解决行驶工况搭建中数据质量对结果影响较大的问题，使用数据调整的方法处理搭建好的行驶工况，优化误差率的步骤如下：
步骤1、计算原始数据的误差率，采用平均速度误差率、行驶速度误差率、加速度段平均加速度误差率、减速度段平均加速度误差率、怠速时间百分比误差率、加速时间百分比误差率、减速时间百分比误差率和匀速时间百分比误差率来构成总的误差率，其公式为可以表达成xi代表实际特征，代表标准特征，即整个数据集所求得的值；
步骤2、随机选择搭建好的行驶工况进行微小扰动，可以表示为公式V＝V+α，α为随机数，其限制在一个设定范围中[-0.05,0.05]；
步骤3、计算加入扰动误差后的新误差率得到error1，将error和error1进行比较，如果error1变小，且数据调整后，在所有速度均大于等于0时，则接受此次调整；
步骤4、循环步骤2-3，直到达到指定的迭代次数；
步骤5、将微调后的数据和原始数据进行比较，采用公式如果error2在设定范围内，则使得这次调整可以被接受，完成调整，否则将重新调整。
在一可选实施例中，为解决行驶工况搭建中数据质量对结果影响较大的问题，所述优化误差率还可以采用下述时间序列生成方式：采用LSTM时间序列生成网络，采用自定义的损失函数，Loss＝αLosse+βLossr，其中Losse是误差率损失，用来衡量生成数据和标准数据之间的误差比例，Lossr是重建损失，用来衡量生成数据和原始数据之间的相似性，α和β是权重参数。本时间序列生成方式采用平均速度误差率、行驶速度误差率、加速度段平均加速度误差率、减速度段平均加速度误差率、怠速时间百分比误差率、加速时间百分比误差率、减速时间百分比误差率和匀速时间百分比误差率来构成误差率损失。其公式为可以表达成xi代表实际特征，代表标准特征，即整个数据集所求得的值。采用均方误差来作为重建损失，可以表示为公式为了保障生成数据的速度衡大于0，在LSTM的输出层加入一个ReLU激活函数。
如图5所示，是本发明一实施例提供的实现一种行驶工况搭建方法的电子设备的结构示意图。
所述电子设备可以包括处理器10、存储器11、通信总线12以及通信接口13，还可以包括存储在所述存储器11中并可在所述处理器10上运行的计算机程序，如一种行驶工况搭建方法程序。
其中，所述处理器10在一些实施例中可以由集成电路组成，例如可以由单个封装的集成电路所组成，也可以是由多个相同功能或不同功能封装的集成电路所组成，包括一个或者多个中央处理器(Central Processing Unit，CPU)、微处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。所述处理器10是所述电子设备的控制核心(ControlUnit)，利用各种接口和线路连接整个电子设备的各个部件，通过运行或执行存储在所述存储器11内的程序或者模块(例如执行一种行驶工况搭建方法程序等)，以及调用存储在所述存储器11内的数据，以执行电子设备的各种功能和处理数据。
所述存储器11至少包括一种类型的可读存储介质，所述可读存储介质包括闪存、移动硬盘、多媒体卡、卡型存储器(例如：SD或DX存储器等)、磁性存储器、磁盘、光盘等。所述存储器11在一些实施例中可以是电子设备的内部存储单元，例如该电子设备的移动硬盘。所述存储器11在另一些实施例中也可以是电子设备的外部存储设备，例如电子设备上配备的插接式移动硬盘、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11还可以既包括电子设备的内部存储单元也包括外部存储设备。所述存储器11不仅可以用于存储安装于电子设备的应用软件及各类数据，例如一种行驶工况搭建方法程序的代码等，还可以用于暂时地存储已经输出或者将要输出的数据。
所述通信总线12可以是外设部件互连标准(Peripheral ComponentInterconnect，简称PCI)总线或扩展工业标准结构(Extended Industry StandardArchitecture，简称EISA)总线等。该总线可以分为地址总线、数据总线、控制总线等。所述总线被设置为实现所述存储器11以及至少一个处理器10等之间的连接通信。
所述通信接口13用于上述电子设备与其他设备之间的通信，包括网络接口和用户接口。可选地，所述网络接口可以包括有线接口和/或无线接口(如WI-FI接口、蓝牙接口等)，通常用于在该电子设备与其他电子设备之间建立通信连接。所述用户接口可以是显示器(Display)、输入单元(比如键盘(Keyboard))，可选地，用户接口还可以是标准的有线接口、无线接口。可选地，在一些实施例中，显示器可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED(Organic Light-Emitting Diode，有机发光二极管)触摸器等。其中，显示器也可以适当的称为显示屏或显示单元，用于显示在电子设备中处理的信息以及用于显示可视化的用户界面。
图5仅示出了具有部件的电子设备，本领域技术人员可以理解的是，图5示出的结构并不构成对所述电子设备的限定，可以包括比图示更少或者更多的部件，或者组合某些部件，或者不同的部件布置。
例如，尽管未示出，所述电子设备还可以包括给各个部件供电的电源(比如电池)，优选地，电源可以通过电源管理装置与所述至少一个处理器10逻辑相连，从而通过电源管理装置实现充电管理、放电管理、以及功耗管理等功能。电源还可以包括一个或一个以上的直流或交流电源、再充电装置、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。所述电子设备还可以包括多种传感器、蓝牙模块、Wi-Fi模块等，在此不再赘述。
应该了解，所述实施例仅为说明之用，在专利申请范围上并不受此结构的限制。
所述电子设备中的所述存储器11存储的一种行驶工况搭建方法程序是多个指令的组合，在所述处理器10中运行时，可以实现：
获取汽车行驶数据，并将所述汽车行驶数据切分成运动学片段数据；
将所述运动学片段数据进行特征编码得到运动学片段特征，并将所述运动学片段特征利用深度聚类算法进行聚类操作得到运动学片段聚类结果；
将所述运动学片段聚类结果利用遗传算法进行行驶工况搭建，得到所述汽车行驶数据的行驶工况。
具体地，所述处理器10对上述指令的具体实现方法可参考附图对应实施例中相关步骤的描述，在此不赘述。
进一步地，所述电子设备1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存储介质中。所述计算机可读存储介质可以是易失性的，也可以是非易失性的。例如，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(ROM，Read-Only Memory)。
本发明还提供一种计算机可读存储介质，所述可读存储介质存储有计算机程序，所述计算机程序在被电子设备的处理器所执行时，可以实现：
获取汽车行驶数据，并将所述汽车行驶数据切分成运动学片段数据；
将所述运动学片段数据进行特征编码得到运动学片段特征，并将所述运动学片段特征利用深度聚类算法进行聚类操作得到运动学片段聚类结果；
将所述运动学片段聚类结果利用遗传算法进行行驶工况搭建，得到所述汽车行驶数据的行驶工况。
在本发明所提供的几个实施例中，应该理解到，所揭露的设备，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述模块的划分，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。
所述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模块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，也可以采用硬件加软件功能模块的形式实现。
对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。
因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附关联图标记视为限制所涉及的权利要求。
本发明所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(Blockchain)，本质上是一个去中心化的数据库，是一串使用密码学方法相关联产生的数据块，每一个数据块中包含了一批次网络交易的信息，用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。
本申请实施例可以基于人工智能技术对相关的数据进行获取和处理。其中，人工智能(Artificial Intelligence，AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。
此外，显然“包括”一词不排除其他单元或步骤，单数不排除复数。系统权利要求中陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第一、第二等词语用来表示名称，而并不表示任何特定的顺序。
最后应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或等同替换，而不脱离本发明技术方案的精神和范围。

Claims (10)

1.一种行驶工况搭建方法，其特征在于，所述方法包括：
获取汽车行驶数据，并将所述汽车行驶数据切分成运动学片段数据；
将所述运动学片段数据进行特征编码得到运动学片段特征，并将所述运动学片段特征利用深度聚类算法进行聚类操作得到运动学片段聚类结果；
将所述运动学片段聚类结果利用遗传算法进行行驶工况搭建，得到所述汽车行驶数据的行驶工况。
2.如权利要求1所述的行驶工况搭建方法，其特征在于，所述将所述汽车行驶数据切分成运动学片段数据，包括：
从所述汽车行驶数据中提取连续的运动段数据，得到运动段数据集；
根据速度和停止时间提取所述汽车行驶数据中的怠速段数据，得到怠速段数据集；
整合所述运动段数据集和所述怠速段数据集，得到所述运动学片段数据。
3.如权利要求1所述的行驶工况搭建方法，其特征在于，所述将所述运动学片段特征利用深度聚类算法进行聚类操作得到运动学片段聚类结果，包括：
利用所述深度聚类算法的聚类网络计算所述运动学片段的软簇分布，得到第一软分布值，并根据所述第一软分布值将所述运动学片段划分成多个片段子簇；
将所述多个片段子簇中每个片段子簇的第一软分布值输入至所述深度聚类算法的子聚类网络中计算每个片段子簇的第二软分布值；
根据所述第二软分布值将每个片段子簇划分为多个子簇分布，对所述子簇分布进行分裂与融合操作，得到更新聚类簇值；
根据所述更新聚类簇值对所述运动学片段重新聚类，得到所述运动学片段聚类结果。
4.如权利要求3所述的行驶工况搭建方法，其特征在于，在所述利用所述深度聚类算法的聚类网络计算所述运动学片段的软簇分布之前，还包括采用预构建的聚类损失公式对所述聚类网络进行训练。
5.如权利要求4所述的行驶工况搭建方法，其特征在于，所述采用预构建的聚类损失公式对所述聚类网络进行训练，包括：
预构建的聚类损失公式采用下述损失公式：
其中，Lcl为聚类网络损失值，N为运动学片段的样本数，K为聚类簇的类别数，ri为聚类网络的实际分布，为聚类网络的期望分布，第i个运动学片段的实际分布和期望分布的差异。
6.如权利要求1所述的行驶工况搭建方法，其特征在于，所述将所述运动学片段聚类结果利用遗传算法进行行驶工况搭建，包括：
从所述运动学片段聚类结果中选取预设数量的多组聚类结果构建种群集合，并根据种群集合构建初始行驶工况；
根据误差率公式计算所述种群集合中每个种群的适应度，并根据锦标赛选择法从所述种群集合中选择所述适应度最小的种群作为候选行驶工况；
根据随机抽取原则和交叉操作原则从所述候选行驶工况中选取运动学片段对所述初始行驶工况中相同簇下的运动学片段进行替换操作，并计算替换后的行驶工况的误差率，直到获得行驶工况的最小误差率；
将所述最小误差率的行驶工况作为汽车行驶数据的行驶工况。
7.如权利要求6所述的行驶工况搭建方法，其特征在于，所述根据随机抽取原则和交叉操作原则从所述候选行驶工况中选取运动学片段对所述初始行驶工况中相同簇下的运动学片段进行替换操作，包括：
根据随机抽取原则对所述初始行驶工况中的运动学片段进行随机抽取操作，并从所述候选行驶工况中选取相同簇下的运动学片段进行替换；
以及根据交叉操作原则中单点交叉原则，随机选择一个运动学片段，然后交换候补行驶工况中在该运动学片段位置之后的运动学片段。
8.一种行驶工况搭建装置，其特征在于，所述装置可以实现如权利要求1至7中任意一项所述的行驶工况搭建方法，所述装置包括：
汽车行驶数据处理模块，用于获取汽车行驶数据，并将所述汽车行驶数据切分成运动学片段数据；
运动学片段聚类模块，用于将所述运动学片段数据进行特征编码得到运动学片段特征，并将所述运动学片段特征利用深度聚类算法进行聚类操作得到运动学片段聚类结果；
行驶工况搭建模块，用于将所述运动学片段聚类结果利用遗传算法进行行驶工况搭建，得到所述汽车行驶数据的行驶工况。
9.一种电子设备，其特征在于，所述电子设备包括：
至少一个处理器；以及，
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器能够执行如权利要求1至7中任意一项所述的行驶工况搭建方法。
10.一种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中任意一项所述的行驶工况搭建方法。
CN202411092310.0A 2024-08-09 2024-08-09 一种行驶工况搭建方法、装置、电子设备以及存储介质 Active CN118965031B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202411092310.0A CN118965031B (zh) 2024-08-09 2024-08-09 一种行驶工况搭建方法、装置、电子设备以及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202411092310.0A CN118965031B (zh) 2024-08-09 2024-08-09 一种行驶工况搭建方法、装置、电子设备以及存储介质

Publications (2)

Publication Number Publication Date
CN118965031A true CN118965031A (zh) 2024-11-15
CN118965031B CN118965031B (zh) 2025-04-29

Family

ID=93403476

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202411092310.0A Active CN118965031B (zh) 2024-08-09 2024-08-09 一种行驶工况搭建方法、装置、电子设备以及存储介质

Country Status (1)

Country Link
CN (1) CN118965031B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN119622379A (zh) * 2024-11-25 2025-03-14 齐鲁工业大学(山东省科学院) 一种基于动态聚类算法DeepDPM的工业系统运行模式刻画方法

Citations (19)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP0902396A2 (en) * 1997-09-11 1999-03-17 Fujitsu Limited Moving-target tracking apparatus
JP2008042895A (ja) * 2006-08-02 2008-02-21 Fuji Xerox Co Ltd 複数のビデオをクラスタ化するための方法、装置、システム、及びプログラム
US20130013255A1 (en) * 2011-07-06 2013-01-10 Honeywell International Inc. Automatic identification of operating parameters for power plants
FR2980877A1 (fr) * 2011-10-03 2013-04-05 Inst Telecom Telecom Bretagne Dispositifs d'apprentissage et/ou de decodage de messages sequentiels, mettant en oeuvre un reseau de neurones, procedes d'apprentissage et de decodage et programmes d'ordinateur correspondants
CN110807552A (zh) * 2019-10-30 2020-02-18 合肥工业大学 一种基于改进K-means的城市电动客车行驶工况构建方法
CN111339638A (zh) * 2020-02-05 2020-06-26 江苏大学 一种基于现有数据的汽车行驶工况构建方法
CN111907342A (zh) * 2020-07-31 2020-11-10 江苏理工学院 纯电动汽车的工况识别控制方法
CN113034210A (zh) * 2021-04-28 2021-06-25 重庆大学 一种基于数据驱动场景下车辆行驶成本评价方法
CN113156963A (zh) * 2021-04-29 2021-07-23 重庆大学 基于监督信号引导的深度强化学习自动驾驶汽车控制方法
CN113743531A (zh) * 2021-09-14 2021-12-03 华润电力技术研究院有限公司 一种设备工况预警方法及相关装置
CN113780395A (zh) * 2021-08-31 2021-12-10 西南电子技术研究所（中国电子科技集团公司第十研究所） 海量高维ais轨迹数据聚类方法
CN114004993A (zh) * 2021-10-25 2022-02-01 厦门大学 基于lstm速度预测优化的ia-svm行驶工况识别方法及装置
CN114578708A (zh) * 2022-01-26 2022-06-03 吉林大学 基于Matlab/Simulink飞行汽车工况识别系统
CN115195748A (zh) * 2022-08-15 2022-10-18 中汽研（天津）汽车工程研究院有限公司 基于数据驱动的智能汽车拟人化决策规划系统及方法
CN115601855A (zh) * 2022-11-29 2023-01-13 天津所托瑞安汽车科技有限公司（Cn） 车辆行驶工况构建方法、电子设备及存储介质
CN116187161A (zh) * 2022-12-16 2023-05-30 江苏大学 一种智能网联环境下混合动力客车智能能量管理方法及系统
CN117150279A (zh) * 2023-07-27 2023-12-01 重庆大学 基于多元统计分析对实际道路排放严苛工况场景的提取方法
WO2024100443A1 (en) * 2022-11-07 2024-05-16 Volvo Truck Corporation System and method for vehicle control based on driving pattern analysis
CN118260581A (zh) * 2024-04-01 2024-06-28 重庆大学 多源数据驱动的增程式汽车行驶工况智能识别方法、系统和存储介质

Patent Citations (19)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP0902396A2 (en) * 1997-09-11 1999-03-17 Fujitsu Limited Moving-target tracking apparatus
JP2008042895A (ja) * 2006-08-02 2008-02-21 Fuji Xerox Co Ltd 複数のビデオをクラスタ化するための方法、装置、システム、及びプログラム
US20130013255A1 (en) * 2011-07-06 2013-01-10 Honeywell International Inc. Automatic identification of operating parameters for power plants
FR2980877A1 (fr) * 2011-10-03 2013-04-05 Inst Telecom Telecom Bretagne Dispositifs d'apprentissage et/ou de decodage de messages sequentiels, mettant en oeuvre un reseau de neurones, procedes d'apprentissage et de decodage et programmes d'ordinateur correspondants
CN110807552A (zh) * 2019-10-30 2020-02-18 合肥工业大学 一种基于改进K-means的城市电动客车行驶工况构建方法
CN111339638A (zh) * 2020-02-05 2020-06-26 江苏大学 一种基于现有数据的汽车行驶工况构建方法
CN111907342A (zh) * 2020-07-31 2020-11-10 江苏理工学院 纯电动汽车的工况识别控制方法
CN113034210A (zh) * 2021-04-28 2021-06-25 重庆大学 一种基于数据驱动场景下车辆行驶成本评价方法
CN113156963A (zh) * 2021-04-29 2021-07-23 重庆大学 基于监督信号引导的深度强化学习自动驾驶汽车控制方法
CN113780395A (zh) * 2021-08-31 2021-12-10 西南电子技术研究所（中国电子科技集团公司第十研究所） 海量高维ais轨迹数据聚类方法
CN113743531A (zh) * 2021-09-14 2021-12-03 华润电力技术研究院有限公司 一种设备工况预警方法及相关装置
CN114004993A (zh) * 2021-10-25 2022-02-01 厦门大学 基于lstm速度预测优化的ia-svm行驶工况识别方法及装置
CN114578708A (zh) * 2022-01-26 2022-06-03 吉林大学 基于Matlab/Simulink飞行汽车工况识别系统
CN115195748A (zh) * 2022-08-15 2022-10-18 中汽研（天津）汽车工程研究院有限公司 基于数据驱动的智能汽车拟人化决策规划系统及方法
WO2024100443A1 (en) * 2022-11-07 2024-05-16 Volvo Truck Corporation System and method for vehicle control based on driving pattern analysis
CN115601855A (zh) * 2022-11-29 2023-01-13 天津所托瑞安汽车科技有限公司（Cn） 车辆行驶工况构建方法、电子设备及存储介质
CN116187161A (zh) * 2022-12-16 2023-05-30 江苏大学 一种智能网联环境下混合动力客车智能能量管理方法及系统
CN117150279A (zh) * 2023-07-27 2023-12-01 重庆大学 基于多元统计分析对实际道路排放严苛工况场景的提取方法
CN118260581A (zh) * 2024-04-01 2024-06-28 重庆大学 多源数据驱动的增程式汽车行驶工况智能识别方法、系统和存储介质

Non-Patent Citations (7)

* Cited by examiner, † Cited by third party
Title
KIM, B: "Deep Clustering for Improved Inter-Cluster Separability and Intra-Cluster Homogeneity with Cohesive Loss", TRANSACTIONS ON INFORMATION AND SYSTEMS, 31 March 2021 (2021-03-31) *
吴卓航: "基于数据挖掘的自动变速汽车超车工况换挡策略制定方法 重", 中国优秀硕士学位论文, 31 December 2023 (2023-12-31) *
孙骏;方涛;张炳力;李傲伽;朱鹤;: "基于改进K-均值聚类算法的合肥市电动客车行驶工况构建", 汽车技术, no. 08, 31 December 2020 (2020-12-31) *
张林平: "基于主成分分析和优化聚类算法的行驶工况研究", 华南师范大学学报（自然科学版）, 31 December 2021 (2021-12-31) *
王宏伟;连捷;夏浩;: "基于切换原理的含损失数据系统的间歇式控制", 控制与决策, no. 02, 31 December 2018 (2018-12-31) *
秦大同: "基于K一均值聚类算法的行驶工况构建方法", 吉林大学学报(工学版), 31 December 2016 (2016-12-31) *
陈文兰;戴树贵;: "车辆路径安排问题算法研究综述", 滁州学院学报, no. 03, 15 May 2007 (2007-05-15) *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN119622379A (zh) * 2024-11-25 2025-03-14 齐鲁工业大学(山东省科学院) 一种基于动态聚类算法DeepDPM的工业系统运行模式刻画方法

Also Published As

Publication number Publication date
CN118965031B (zh) 2025-04-29

Similar Documents

Publication Publication Date Title
CN112148577B (zh) 数据异常检测方法、装置、电子设备及存储介质
CN112446544B (zh) 交通流预测模型训练方法、装置、电子设备及存储介质
CN107169628B (zh) 一种基于大数据互信息属性约简的配电网可靠性评估方法
CN113628043B (zh) 基于数据分类的投诉有效性判断方法、装置、设备及介质
CN111652280B (zh) 基于行为的目标物数据分析方法、装置及存储介质
CN113626606B (zh) 信息分类方法、装置、电子设备及可读存储介质
CN118965031B (zh) 一种行驶工况搭建方法、装置、电子设备以及存储介质
CN114219023B (zh) 数据聚类方法、装置、电子设备及可读存储介质
CN116306902A (zh) 时序数据环境分析及决策方法、装置、设备及存储介质
CN113658002B (zh) 基于决策树的交易结果生成方法、装置、电子设备及介质
CN114281991A (zh) 文本分类方法、装置、电子设备及存储介质
CN115099339A (zh) 欺诈行为识别方法、装置、电子设备及存储介质
CN113313211B (zh) 文本分类方法、装置、电子设备及存储介质
CN115146792A (zh) 多任务学习模型训练方法、装置、电子设备及存储介质
US20240311931A1 (en) Method, apparatus, device, and storage medium for clustering extraction of entity relationships
CN117155771B (zh) 一种基于工业物联网的设备集群故障溯源方法及装置
CN118333356A (zh) 一种服务工单分选完结系统及方法
CN112561500A (zh) 基于用户数据的薪酬数据生成方法、装置、设备及介质
CN116701635A (zh) 培训视频文本二分类方法、装置、设备及存储介质
CN116307736A (zh) 风险画像自动生成的方法、装置、设备及存储介质
CN116401606A (zh) 欺诈行为识别方法、装置、设备及介质
CN113902418B (zh) 项目审批方法、装置、电子设备及可读存储介质
CN115082736A (zh) 垃圾识别分类方法、装置、电子设备及存储介质
CN115114992A (zh) 分类模型训练的方法、装置、设备及存储介质
CN114662794A (zh) 企业违约风险的预测方法、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