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、電子設備以及存儲介質(zhì)。

背景技術(shù)：

1、行駛工況是一種可以反映特定地區(qū)中特定車輛類別典型駕駛行為的速度-時間曲線，它能夠體現(xiàn)汽車道路行駛的運動學特征，是汽車行業(yè)的一項重要的、共性基礎(chǔ)技術(shù)，是車輛能耗、排放測試和制定限值標準的基礎(chǔ)，也是汽車各項性能指標優(yōu)化時的主要基準。

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

技術(shù)實現(xiàn)思路

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

2、為實現(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、獲取汽車行駛數(shù)據(jù)，并將所述汽車行駛數(shù)據(jù)切分成運動學片段數(shù)據(jù)；

4、將所述運動學片段數(shù)據(jù)進行特征編碼得到運動學片段特征，并將所述運動學片段特征利用深度聚類算法進行聚類操作得到運動學片段聚類結(jié)果；

5、將所述運動學片段聚類結(jié)果利用遺傳算法進行行駛工況搭建，得到所述汽車行駛數(shù)據(jù)的行駛工況。

6、可選地，所述將所述汽車行駛數(shù)據(jù)切分成運動學片段數(shù)據(jù)，包括：

7、從所述汽車行駛數(shù)據(jù)中提取連續(xù)的運動段數(shù)據(jù)，得到運動段數(shù)據(jù)集；

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

9、整合所述運動段數(shù)據(jù)集和所述怠速段數(shù)據(jù)集，得到所述運動學片段數(shù)據(jù)。

10、可選地，所述將所述運動學片段特征利用深度聚類算法進行聚類操作得到運動學片段聚類結(jié)果，包括：

11、利用所述深度聚類算法的聚類網(wǎng)絡計算所述運動學片段的軟簇分布，得到第一軟分布值，并根據(jù)所述第一軟分布值將所述運動學片段劃分成多個片段子簇；

12、將所述多個片段子簇中每個片段子簇的第一軟分布值輸入至所述深度聚類算法的子聚類網(wǎng)絡中計算每個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片段子簇劃分為多個子簇分布，對所述子簇分布進行分裂與融合操作，得到更新聚類簇值；

14、根據(jù)所述更新聚類簇值對所述運動學片段重新聚類，得到所述運動學片段聚類結(jié)果。

15、可選地，在所述利用所述深度聚類算法的聚類網(wǎng)絡計算所述運動學片段的軟簇分布之前，還包括采用預構(gòu)建的聚類損失公式對所述聚類網(wǎng)絡進行訓練。

16、可選地，所述采用預構(gòu)建的聚類損失公式對所述聚類網(wǎng)絡進行訓練，包括：

17、預構(gòu)建的聚類損失公式采用下述損失公式：

18、

19、其中，lcl為聚類網(wǎng)絡損失值，n為運動學片段的樣本數(shù)，k為聚類簇的類別數(shù)，ri為聚類網(wǎng)絡的實際分布，為聚類網(wǎng)絡的期望分布，第i個運動學片段的實際分布和期望分布的差異。

20、可選地，所述將所述運動學片段聚類結(jié)果利用遺傳算法進行行駛工況搭建，包括：

21、從所述運動學片段聚類結(jié)果中選取預設數(shù)量的多組聚類結(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)誤差率公式計算所述種群集合中每個種群的適應度，并根據(jù)錦標賽選擇法從所述種群集合中選擇所述適應度最小的種群作為候選行駛工況；

23、根據(jù)隨機抽取原則和交叉操作原則從所述候選行駛工況中選取運動學片段對所述初始行駛工況中相同簇下的運動學片段進行替換操作，并計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行駛數(shù)據(jù)的行駛工況。

25、可選地，所述根據(jù)隨機抽取原則和交叉操作原則從所述候選行駛工況中選取運動學片段對所述初始行駛工況中相同簇下的運動學片段進行替換操作，包括：

26、根據(jù)隨機抽取原則對所述初始行駛工況中的運動學片段進行隨機抽取操作，并從所述候選行駛工況中選取相同簇下的運動學片段進行替換；

27、以及根據(jù)交叉操作原則中單點交叉原則，隨機選擇一個運動學片段，然后交換候補行駛工況中在該運動學片段位置之后的運動學片段。

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

29、汽車行駛數(shù)據(jù)處理模塊，用于獲取汽車行駛數(shù)據(jù)，并將所述汽車行駛數(shù)據(jù)切分成運動學片段數(shù)據(jù)；

30、運動學片段聚類模塊，用于將所述運動學片段數(shù)據(jù)進行特征編碼得到運動學片段特征，并將所述運動學片段特征利用深度聚類算法進行聚類操作得到運動學片段聚類結(jié)果；

31、行駛工況搭建模塊，用于將所述運動學片段聚類結(jié)果利用遺傳算法進行行駛工況搭建，得到所述汽車行駛數(shù)據(jù)的行駛工況。

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

33、至少一個處理器；以及，

34、與所述至少一個處理器通信連接的存儲器；其中，

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

36、為了解決上述問題，本發(fā)明還提供一種計算機可讀存儲介質(zhì)，所述計算機可讀存儲介質(zhì)中存儲有至少一個計算機程序，所述至少一個計算機程序被電子設備中的處理器執(zhí)行以實現(xiàn)上述所述的行駛工況搭建方法。

37、本發(fā)明通過將所述運動學片段數(shù)據(jù)進行特征編碼得到運動學片段特征，并將所述運動學片段特征利用深度聚類算法進行聚類操作，可以實現(xiàn)在不同規(guī)模的數(shù)據(jù)集上都可以實現(xiàn)有效的聚合，使得具有優(yōu)秀的聚合效果，此外，通過深度聚類算法還可以自行調(diào)整聚類簇的多少，使其滿足不同的聚類場景，不依賴于傳統(tǒng)聚類方案中需要指定參數(shù)的限制，提升了聚類操作中的聚合的質(zhì)量，進而提升了行駛工況搭建的準確性。

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，所述將所述汽車行駛數(shù)據(jù)切分成運動學片段數(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，所述將所述運動學片段特征利用深度聚類算法進行聚類操作得到運動學片段聚類結(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算法的聚類網(wǎng)絡計算所述運動學片段的軟簇分布之前，還包括采用預構(gòu)建的聚類損失公式對所述聚類網(wǎng)絡進行訓練。

5.如權(quán)利要求4所述的行駛工況搭建方法，其特征在于，所述采用預構(gòu)建的聚類損失公式對所述聚類網(wǎng)絡進行訓練，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，所述將所述運動學片段聚類結(jié)果利用遺傳算法進行行駛工況搭建，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)隨機抽取原則和交叉操作原則從所述候選行駛工況中選取運動學片段對所述初始行駛工況中相同簇下的運動學片段進行替換操作，包括：

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

9.一種電子設備，其特征在于，所述電子設備包括：

10.一種計算機可讀存儲介質(zhì)，存儲有計算機程序，其特征在于，所述計算機程序被處理器執(zhí)行時實現(xiàn)如權(quán)利要求1至7中任意一項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：獲取汽車行駛數(shù)據(jù)，并將所述汽車行駛數(shù)據(jù)切分成運動學片段數(shù)據(jù)；將所述運動學片段數(shù)據(jù)進行特征編碼得到運動學片段特征，并將所述運動學片段特征利用深度聚類算法進行聚類操作得到運動學片段聚類結(jié)果；將所述運動學片段聚類結(jié)果利用遺傳算法進行行駛工況搭建，得到所述汽車行駛數(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、電子設備以及存儲介質(zhì)。本發(fā)明可以提高行駛工況搭建的準確性。

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