一种车辆典型运行场景生成方法、装置、设备及存储介质与流程

本发明涉及智能交通与车辆大数据分析，具体涉及一种车辆典型运行场景生成方法、装置、设备及存储介质。

背景技术：

1、随着新能源汽车技术的快速发展，车辆能量管理策略的优化、电池寿命预测以及动力系统的匹配设计，均高度依赖于对车辆实际运行工况的准确认知。路谱数据（roadspectrum），即车辆在行驶过程中采集的车速、加速度、电机转矩、坡度等多变量时序数据，是反映车辆真实运行状态的核心载体。通过对海量原始路谱数据进行切片、特征提取与聚类分析，提取出具有代表性的典型工况场景，是构建车辆仿真测试库、标定控制参数以及评估整车能耗的基础环节。

2、现有技术中，针对路谱数据的处理与典型工况提取，通常采用固定窗口分段、统计特征提取、传统聚类的技术路线。具体而言，在数据分段阶段，普遍采用等时间长度的滑动窗口或固定切割方式将连续行驶数据划分为若干片段。在特征提取与聚类阶段，多依赖人工构造的统计特征指标，如平均速度、速度标准差、加速度均值、坡度方差等，并结合传统聚类算法或层次聚类算法进行工况分类。

3、但是，车辆的实际行驶工况切换往往具有随机性和突发性，固定长度的分段方式难以自适应地匹配工况变化的物理边界，导致单个数据片段内可能混杂了多种不同的行驶状态，降低了后续分析的物理一致性，而统计特征主要反映数据的分布特性，丢失了数据在时间维度上的动态演变信息，可能导致特征区分度不足，另外，传统聚类算法通常需要预先指定聚类类别数，且对噪声点和异常值较为敏感，在面对分布不均匀或含有大量异常驾驶行为的实际路谱数据时，容易出现过分割或聚类中心偏移，难以自动剔除无效数据噪声，存在难以从复杂多变的实际道路场景中准确、自动化地提取出高代表性的典型路谱，进而影响了车辆控制策略标定的准确性及能耗评估的可靠性的问题。

技术实现思路

1、本技术提供一种车辆典型运行场景生成方法、装置、设备及存储介质，可以解决现有技术中车辆的实际行驶工况切换往往具有随机性和突发性，固定长度的分段方式难以自适应地匹配工况变化的物理边界，导致单个数据片段内可能混杂了多种不同的行驶状态，降低了后续分析的物理一致性，而统计特征主要反映数据的分布特性，丢失了数据在时间维度上的动态演变信息，可能导致特征区分度不足，另外，传统聚类算法通常需要预先指定聚类类别数，且对噪声点和异常值较为敏感，在面对分布不均匀或含有大量异常驾驶行为的实际路谱数据时，容易出现过分割或聚类中心偏移，难以自动剔除无效数据噪声，存在难以从复杂多变的实际道路场景中准确、自动化地提取出高代表性的典型路谱，进而影响了车辆控制策略标定的准确性及能耗评估的可靠性的问题。

2、第一方面，本技术实施例提供了一种车辆典型运行场景生成方法，其包括：

3、获取车辆行驶过程中的时序运行数据；

4、根据时序运行数据中运行状态的变化特征，将时序运行数据划分为多个运行片段；

5、利用序列处理模型提取各运行片段的时序特征向量，对时序特征向量进行聚类处理，得到典型场景类别；

6、基于典型场景类别生成车辆典型运行场景。

7、在一种实施方式中，所述的根据时序运行数据中运行状态的变化特征，将时序运行数据划分为多个运行片段，包括：

8、通过滑动窗口机制提取时序运行数据的运行状态特征；

9、计算连续时刻前后反映运行状态变化程度的状态差异值；

10、基于状态差异值识别工况切换点，并根据工况切换点对时序运行数据进行切割，划分为多个运行片段。

11、在一种实施方式中，所述的基于状态差异值识别工况切换点，包括：

12、利用熵权法根据各运行状态特征的数据波动程度确定特征权重；

13、基于特征权重计算连续时刻前后的加权状态差异值；

14、对加权状态差异值进行峰值搜索与持续性验证，将满足预设条件的峰值点确定为工况切换点。

15、在一种实施方式中，所述的对加权状态差异值进行峰值搜索与持续性验证，将满足预设条件的峰值点确定为工况切换点，包括：

16、在加权状态差异值的预设邻域范围内进行局部峰值搜索，基于预设邻域范围内加权状态差异值的统计量确定局部参考水平，计算局部峰值点相对于局部参考水平的变化幅度，将变化幅度超过预设显著性阈值的局部峰值点确定为候选工况切换点；

17、在候选工况切换点附近构建持续性检测区间，若持续性检测区间内加权状态差异值持续超过预设差异阈值且持续时间大于预设持续时间阈值，将对应候选工况切换点确定为工况切换点。

18、在一种实施方式中，还包括：

19、当相邻工况切换点之间形成的运行片段长度小于预设最小长度时，删除对应的工况切换点并合并相邻运行片段；

20、当相邻工况切换点之间形成的运行片段长度大于预设最大长度时，在对应运行片段内部重新执行峰值搜索并选择变化幅度最大的位置进行划分。

21、在一种实施方式中，所述的利用序列处理模型提取各运行片段的时序特征向量，包括：

22、对时序运行数据进行位置编码，得到包含时间顺序信息的初始特征向量；

23、将初始特征向量输入至序列处理模型的编码器，通过多层多头自注意力机制计算不同时间步上的关联权重，并结合前馈网络进行处理，得到潜空间特征表示；

24、将潜空间特征表示作为时序特征向量。

25、在一种实施方式中，所述的对时序特征向量进行聚类处理，得到典型场景类别，包括：

26、采用基于密度的聚类算法计算时序特征向量在特征空间中的局部密度；

27、将局部密度高于预设密度阈值的时序特征向量划分为同一典型场景类别，并将局部密度低于或等于预设密度阈值的时序特征向量识别为噪声数据；

28、剔除噪声数据，基于剩余时序特征向量得到典型场景类别。

29、第二方面，本技术实施例还提供了一种车辆典型运行场景生成装置，其包括：

30、数据获取模块，其用于获取车辆行驶过程中的时序运行数据；

31、片段划分模块，其用于根据时序运行数据中运行状态的变化特征，将时序运行数据划分为多个运行片段；

32、场景获取模块，其用于利用序列处理模型提取各运行片段的时序特征向量，对时序特征向量进行聚类处理，得到典型场景类别；

33、生成模块，其用于基于典型场景类别生成车辆典型运行场景。

34、第三方面，本技术实施例还提供了一种车辆典型运行场景生成设备，所述车辆典型运行场景生成设备包括处理器、存储器、以及存储在所述存储器上并可被所述处理器执行的车辆典型运行场景生成程序，其中所述车辆典型运行场景生成程序被所述处理器执行时，实现上述的车辆典型运行场景生成方法的步骤。

35、第四方面，本技术实施例还提供了一种存储介质，所述存储介质上存储有车辆典型运行场景生成程序，其中所述车辆典型运行场景生成程序被处理器执行时，实现上述的车辆典型运行场景生成方法的步骤。

36、本技术实施例提供的技术方案带来的有益效果包括：

37、通过根据时序运行数据中运行状态的变化特征将数据划分为多个运行片段，克服了现有技术固定时长分段导致片段内工况混杂的缺陷，确保了运行片段内部的物理状态一致性；利用序列处理模型提取各运行片段的时序特征向量，能够捕捉数据在时间维度上的动态演变依赖关系，相较于传统统计特征显著提升了工况特征的区分度与表达能力；通过对时序特征向量进行聚类处理得到典型场景类别，实现了工况场景的自动化分类与异常数据剔除，提高了场景提取的鲁棒性；最终基于典型场景类别生成车辆典型运行场景，不仅保证了生成场景的代表性与真实工况分布的反映，还可为车辆控制策略标定、动力系统集成及性能评估提供高可靠性数据支撑，有效降低了测试成本并提升了开发效率。解决了现有技术中车辆的实际行驶工况切换往往具有随机性和突发性，固定长度的分段方式难以自适应地匹配工况变化的物理边界，导致单个数据片段内可能混杂了多种不同的行驶状态，降低了后续分析的物理一致性，而统计特征主要反映数据的分布特性，丢失了数据在时间维度上的动态演变信息，可能导致特征区分度不足，另外，传统聚类算法通常需要预先指定聚类类别数，且对噪声点和异常值较为敏感，在面对分布不均匀或含有大量异常驾驶行为的实际路谱数据时，容易出现过分割或聚类中心偏移，难以自动剔除无效数据噪声，存在难以从复杂多变的实际道路场景中准确、自动化地提取出高代表性的典型路谱，进而影响了车辆控制策略标定的准确性及能耗评估的可靠性的问题。