本發(fā)明涉及行駛工況搭建，尤其涉及一種行駛工況搭建方法、裝置、電子設(shè)備以及存儲(chǔ)介質(zhì)。

背景技術(shù)：

1、行駛工況是一種可以反映特定地區(qū)中特定車(chē)輛類(lèi)別典型駕駛行為的速度-時(shí)間曲線，它能夠體現(xiàn)汽車(chē)道路行駛的運(yùn)動(dòng)學(xué)特征，是汽車(chē)行業(yè)的一項(xiàng)重要的、共性基礎(chǔ)技術(shù)，是車(chē)輛能耗、排放測(cè)試和制定限值標(biāo)準(zhǔn)的基礎(chǔ)，也是汽車(chē)各項(xiàng)性能指標(biāo)優(yōu)化時(shí)的主要基準(zhǔn)。

2、現(xiàn)有的行駛工況搭建通常是將原始數(shù)據(jù)處理成運(yùn)動(dòng)學(xué)片段，然后通過(guò)聚類(lèi)的方式將運(yùn)動(dòng)學(xué)片段處理成k個(gè)簇群，每個(gè)簇群代表著一種工況類(lèi)型，然后從k個(gè)簇群中選擇運(yùn)動(dòng)學(xué)片段，構(gòu)成行駛工況。例如，現(xiàn)階段采用傳統(tǒng)參數(shù)聚類(lèi)算法和傳統(tǒng)非參數(shù)聚類(lèi)方法進(jìn)行行駛工況搭建，傳統(tǒng)參數(shù)聚類(lèi)算法通常采用k-means算法或hdbscan算法進(jìn)行行駛工況搭建，采用傳統(tǒng)參數(shù)聚類(lèi)算法都需要提前設(shè)定某些參數(shù)幫助完成聚類(lèi)任務(wù)，并且傳統(tǒng)參數(shù)聚類(lèi)算法的聚類(lèi)結(jié)果跟參數(shù)設(shè)定關(guān)系很大，如k-means算法需要設(shè)定簇群的個(gè)數(shù)，聚類(lèi)的結(jié)果十分依賴k的選擇，很難獲得很好的聚類(lèi)結(jié)果，又如hdbscan需要設(shè)定領(lǐng)域半徑r和minpts，也很難獲得很好的聚類(lèi)結(jié)果，而傳統(tǒng)非參數(shù)聚類(lèi)算法常采用譜聚類(lèi)算法，但是譜聚類(lèi)算法聚類(lèi)效果依賴于相似矩陣，不同的相似矩陣得到的最終聚類(lèi)效果可能很不相同。并且如果簇類(lèi)太多，譜聚類(lèi)算法也很難達(dá)到良好的聚類(lèi)結(jié)果。通過(guò)上述聚類(lèi)算法由于都很難獲得良好的聚類(lèi)結(jié)果，導(dǎo)致行駛工況搭建的準(zhǔn)確性較低。

技術(shù)實(shí)現(xiàn)思路

1、本發(fā)明提供一種行駛工況搭建方法、裝置、電子設(shè)備以及存儲(chǔ)介質(zhì)，可以提高行駛工況搭建的準(zhǔn)確性。

2、為實(shí)現(xiàn)上述目的，本發(fā)明提供的一種行駛工況搭建方法，包括：

3、獲取汽車(chē)行駛數(shù)據(jù)，并將所述汽車(chē)行駛數(shù)據(jù)切分成運(yùn)動(dòng)學(xué)片段數(shù)據(jù)；

4、將所述運(yùn)動(dòng)學(xué)片段數(shù)據(jù)進(jìn)行特征編碼得到運(yùn)動(dòng)學(xué)片段特征，并將所述運(yùn)動(dòng)學(xué)片段特征利用深度聚類(lèi)算法進(jìn)行聚類(lèi)操作得到運(yùn)動(dòng)學(xué)片段聚類(lèi)結(jié)果；

5、將所述運(yùn)動(dòng)學(xué)片段聚類(lèi)結(jié)果利用遺傳算法進(jìn)行行駛工況搭建，得到所述汽車(chē)行駛數(shù)據(jù)的行駛工況。

6、可選地，所述將所述汽車(chē)行駛數(shù)據(jù)切分成運(yùn)動(dòng)學(xué)片段數(shù)據(jù)，包括：

7、從所述汽車(chē)行駛數(shù)據(jù)中提取連續(xù)的運(yùn)動(dòng)段數(shù)據(jù)，得到運(yùn)動(dòng)段數(shù)據(jù)集；

8、根據(jù)速度和停止時(shí)間提取所述汽車(chē)行駛數(shù)據(jù)中的怠速段數(shù)據(jù)，得到怠速段數(shù)據(jù)集；

9、整合所述運(yùn)動(dòng)段數(shù)據(jù)集和所述怠速段數(shù)據(jù)集，得到所述運(yùn)動(dòng)學(xué)片段數(shù)據(jù)。

10、可選地，所述將所述運(yùn)動(dòng)學(xué)片段特征利用深度聚類(lèi)算法進(jìn)行聚類(lèi)操作得到運(yùn)動(dòng)學(xué)片段聚類(lèi)結(jié)果，包括：

11、利用所述深度聚類(lèi)算法的聚類(lèi)網(wǎng)絡(luò)計(jì)算所述運(yùn)動(dòng)學(xué)片段的軟簇分布，得到第一軟分布值，并根據(jù)所述第一軟分布值將所述運(yùn)動(dòng)學(xué)片段劃分成多個(gè)片段子簇；

12、將所述多個(gè)片段子簇中每個(gè)片段子簇的第一軟分布值輸入至所述深度聚類(lèi)算法的子聚類(lèi)網(wǎng)絡(luò)中計(jì)算每個(gè)片段子簇的第二軟分布值；

13、根據(jù)所述第二軟分布值將每個(gè)片段子簇劃分為多個(gè)子簇分布，對(duì)所述子簇分布進(jìn)行分裂與融合操作，得到更新聚類(lèi)簇值；

14、根據(jù)所述更新聚類(lèi)簇值對(duì)所述運(yùn)動(dòng)學(xué)片段重新聚類(lèi)，得到所述運(yùn)動(dòng)學(xué)片段聚類(lèi)結(jié)果。

15、可選地，在所述利用所述深度聚類(lèi)算法的聚類(lèi)網(wǎng)絡(luò)計(jì)算所述運(yùn)動(dòng)學(xué)片段的軟簇分布之前，還包括采用預(yù)構(gòu)建的聚類(lèi)損失公式對(duì)所述聚類(lèi)網(wǎng)絡(luò)進(jìn)行訓(xùn)練。

16、可選地，所述采用預(yù)構(gòu)建的聚類(lèi)損失公式對(duì)所述聚類(lèi)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，包括：

17、預(yù)構(gòu)建的聚類(lèi)損失公式采用下述損失公式：

18、

19、其中，lcl為聚類(lèi)網(wǎng)絡(luò)損失值，n為運(yùn)動(dòng)學(xué)片段的樣本數(shù)，k為聚類(lèi)簇的類(lèi)別數(shù)，ri為聚類(lèi)網(wǎng)絡(luò)的實(shí)際分布，為聚類(lèi)網(wǎng)絡(luò)的期望分布，第i個(gè)運(yùn)動(dòng)學(xué)片段的實(shí)際分布和期望分布的差異。

20、可選地，所述將所述運(yùn)動(dòng)學(xué)片段聚類(lèi)結(jié)果利用遺傳算法進(jìn)行行駛工況搭建，包括：

21、從所述運(yùn)動(dòng)學(xué)片段聚類(lèi)結(jié)果中選取預(yù)設(shè)數(shù)量的多組聚類(lèi)結(jié)果構(gòu)建種群集合，并根據(jù)種群集合構(gòu)建初始行駛工況；

22、根據(jù)誤差率公式計(jì)算所述種群集合中每個(gè)種群的適應(yīng)度，并根據(jù)錦標(biāo)賽選擇法從所述種群集合中選擇所述適應(yīng)度最小的種群作為候選行駛工況；

23、根據(jù)隨機(jī)抽取原則和交叉操作原則從所述候選行駛工況中選取運(yùn)動(dòng)學(xué)片段對(duì)所述初始行駛工況中相同簇下的運(yùn)動(dòng)學(xué)片段進(jìn)行替換操作，并計(jì)算替換后的行駛工況的誤差率，直到獲得行駛工況的最小誤差率；

24、將所述最小誤差率的行駛工況作為汽車(chē)行駛數(shù)據(jù)的行駛工況。

25、可選地，所述根據(jù)隨機(jī)抽取原則和交叉操作原則從所述候選行駛工況中選取運(yùn)動(dòng)學(xué)片段對(duì)所述初始行駛工況中相同簇下的運(yùn)動(dòng)學(xué)片段進(jìn)行替換操作，包括：

26、根據(jù)隨機(jī)抽取原則對(duì)所述初始行駛工況中的運(yùn)動(dòng)學(xué)片段進(jìn)行隨機(jī)抽取操作，并從所述候選行駛工況中選取相同簇下的運(yùn)動(dòng)學(xué)片段進(jìn)行替換；

27、以及根據(jù)交叉操作原則中單點(diǎn)交叉原則，隨機(jī)選擇一個(gè)運(yùn)動(dòng)學(xué)片段，然后交換候補(bǔ)行駛工況中在該運(yùn)動(dòng)學(xué)片段位置之后的運(yùn)動(dòng)學(xué)片段。

28、為了解決上述問(wèn)題，本發(fā)明還提供一種行駛工況搭建裝置，所述裝置包括：

29、汽車(chē)行駛數(shù)據(jù)處理模塊，用于獲取汽車(chē)行駛數(shù)據(jù)，并將所述汽車(chē)行駛數(shù)據(jù)切分成運(yùn)動(dòng)學(xué)片段數(shù)據(jù)；

30、運(yùn)動(dòng)學(xué)片段聚類(lèi)模塊，用于將所述運(yùn)動(dòng)學(xué)片段數(shù)據(jù)進(jìn)行特征編碼得到運(yùn)動(dòng)學(xué)片段特征，并將所述運(yùn)動(dòng)學(xué)片段特征利用深度聚類(lèi)算法進(jìn)行聚類(lèi)操作得到運(yùn)動(dòng)學(xué)片段聚類(lèi)結(jié)果；

31、行駛工況搭建模塊，用于將所述運(yùn)動(dòng)學(xué)片段聚類(lèi)結(jié)果利用遺傳算法進(jìn)行行駛工況搭建，得到所述汽車(chē)行駛數(shù)據(jù)的行駛工況。

32、為了解決上述問(wèn)題，本發(fā)明還提供一種電子設(shè)備，所述電子設(shè)備包括：

33、至少一個(gè)處理器；以及，

34、與所述至少一個(gè)處理器通信連接的存儲(chǔ)器；其中，

35、所述存儲(chǔ)器存儲(chǔ)有可被所述至少一個(gè)處理器執(zhí)行的計(jì)算機(jī)程序，所述計(jì)算機(jī)程序被所述至少一個(gè)處理器執(zhí)行，以使所述至少一個(gè)處理器能夠執(zhí)行上述所述的行駛工況搭建方法。

36、為了解決上述問(wèn)題，本發(fā)明還提供一種計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)，所述計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)中存儲(chǔ)有至少一個(gè)計(jì)算機(jī)程序，所述至少一個(gè)計(jì)算機(jī)程序被電子設(shè)備中的處理器執(zhí)行以實(shí)現(xiàn)上述所述的行駛工況搭建方法。

37、本發(fā)明通過(guò)將所述運(yùn)動(dòng)學(xué)片段數(shù)據(jù)進(jìn)行特征編碼得到運(yùn)動(dòng)學(xué)片段特征，并將所述運(yùn)動(dòng)學(xué)片段特征利用深度聚類(lèi)算法進(jìn)行聚類(lèi)操作，可以實(shí)現(xiàn)在不同規(guī)模的數(shù)據(jù)集上都可以實(shí)現(xiàn)有效的聚合，使得具有優(yōu)秀的聚合效果，此外，通過(guò)深度聚類(lèi)算法還可以自行調(diào)整聚類(lèi)簇的多少，使其滿足不同的聚類(lèi)場(chǎng)景，不依賴于傳統(tǒng)聚類(lèi)方案中需要指定參數(shù)的限制，提升了聚類(lèi)操作中的聚合的質(zhì)量，進(jìn)而提升了行駛工況搭建的準(zhǔn)確性。

技術(shù)特征：

1.一種行駛工況搭建方法，其特征在于，所述方法包括：

2.如權(quán)利要求1所述的行駛工況搭建方法，其特征在于，所述將所述汽車(chē)行駛數(shù)據(jù)切分成運(yùn)動(dòng)學(xué)片段數(shù)據(jù)，包括：

3.如權(quán)利要求1所述的行駛工況搭建方法，其特征在于，所述將所述運(yùn)動(dòng)學(xué)片段特征利用深度聚類(lèi)算法進(jìn)行聚類(lèi)操作得到運(yùn)動(dòng)學(xué)片段聚類(lèi)結(jié)果，包括：

4.如權(quán)利要求3所述的行駛工況搭建方法，其特征在于，在所述利用所述深度聚類(lèi)算法的聚類(lèi)網(wǎng)絡(luò)計(jì)算所述運(yùn)動(dòng)學(xué)片段的軟簇分布之前，還包括采用預(yù)構(gòu)建的聚類(lèi)損失公式對(duì)所述聚類(lèi)網(wǎng)絡(luò)進(jìn)行訓(xùn)練。

5.如權(quán)利要求4所述的行駛工況搭建方法，其特征在于，所述采用預(yù)構(gòu)建的聚類(lèi)損失公式對(duì)所述聚類(lèi)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，包括：

6.如權(quán)利要求1所述的行駛工況搭建方法，其特征在于，所述將所述運(yùn)動(dòng)學(xué)片段聚類(lèi)結(jié)果利用遺傳算法進(jìn)行行駛工況搭建，包括：

7.如權(quán)利要求6所述的行駛工況搭建方法，其特征在于，所述根據(jù)隨機(jī)抽取原則和交叉操作原則從所述候選行駛工況中選取運(yùn)動(dòng)學(xué)片段對(duì)所述初始行駛工況中相同簇下的運(yùn)動(dòng)學(xué)片段進(jìn)行替換操作，包括：

8.一種行駛工況搭建裝置，其特征在于，所述裝置可以實(shí)現(xiàn)如權(quán)利要求1至7中任意一項(xiàng)所述的行駛工況搭建方法，所述裝置包括：

9.一種電子設(shè)備，其特征在于，所述電子設(shè)備包括：

10.一種計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)，存儲(chǔ)有計(jì)算機(jī)程序，其特征在于，所述計(jì)算機(jī)程序被處理器執(zhí)行時(shí)實(shí)現(xiàn)如權(quán)利要求1至7中任意一項(xiàng)所述的行駛工況搭建方法。

技術(shù)總結(jié)
本發(fā)明涉及行駛工況搭建技術(shù)，揭露了一種行駛工況搭建方法，包括：獲取汽車(chē)行駛數(shù)據(jù)，并將所述汽車(chē)行駛數(shù)據(jù)切分成運(yùn)動(dòng)學(xué)片段數(shù)據(jù)；將所述運(yùn)動(dòng)學(xué)片段數(shù)據(jù)進(jìn)行特征編碼得到運(yùn)動(dòng)學(xué)片段特征，并將所述運(yùn)動(dòng)學(xué)片段特征利用深度聚類(lèi)算法進(jìn)行聚類(lèi)操作得到運(yùn)動(dòng)學(xué)片段聚類(lèi)結(jié)果；將所述運(yùn)動(dòng)學(xué)片段聚類(lèi)結(jié)果利用遺傳算法進(jìn)行行駛工況搭建，得到所述汽車(chē)行駛數(shù)據(jù)的行駛工況。本發(fā)明還提出一種行駛工況搭建裝置、電子設(shè)備以及存儲(chǔ)介質(zhì)。本發(fā)明可以提高行駛工況搭建的準(zhǔn)確性。

技術(shù)研發(fā)人員：蔡斌,李方博,王佳慧,楊波,胡春強(qiáng)
受保護(hù)的技術(shù)使用者：重慶大學(xué)
技術(shù)研發(fā)日：
技術(shù)公布日：2024/11/18