车辆行驶工况构建方法、电子设备及存储介质与流程

1.本技术属于车辆测试技术领域，尤其涉及一种车辆行驶工况构建方法、电子设备及存储介质。


背景技术：

2.汽车行驶工况是描述某一地区某一类车辆在特定的交通环境下，车辆行驶特征的速度-时间曲线，可用于车辆排放和油耗等性能评估，为汽车动力系统参数匹配、控制策略优化提供参考。
3.常用的行驶工况构建方法是短行程法，即将数据划分为多个短片段，通过对片段特征参数的分析组合生成对应的行驶工况。其中，在工况的建立过程中的常用方法是通过主成分分析进行数据降维，然后聚类后进行片段筛选，但传统的聚类算法容易陷入局部最优，并且片段筛选过程通常依赖专家经验，受主观因素影响较大。因此，现有技术中的行驶工况构建方法所构建的行驶工况的误差较大。


技术实现要素：

4.有鉴于此，本发明提供了一种车辆行驶工况构建方法、电子设备及存储介质，旨在解决现有技术所构建的行驶工况的误差较大的问题。
5.本发明实施例的第一方面提供了一种车辆行驶工况构建方法，包括：获取目标地区的多个车辆的行驶数据；对行驶数据进行划分，得到多个运动学片段；根据第一聚类算法对多个运动学片段进行聚类，得到每个运动学片段的类型；其中，第一聚类算法的初始聚类中心通过群体优化算法优化得到；根据马尔可夫模型和预设行驶时长对各类运动学片段进行筛选，并将筛选出的运动学片段进行组合，得到目标地区的车辆最终行驶工况。
6.本发明实施例的第二方面提供了一种车辆行驶工况构建装置，包括：获取模块，用于获取目标地区的多个车辆的行驶数据；划分模块，用于对行驶数据进行划分，得到多个运动学片段；聚类模块，用于根据第一聚类算法对多个运动学片段进行聚类，得到每个运动学片段的类型；其中，第一聚类算法的初始聚类中心通过群体优化算法优化得到；筛选模块，用于根据马尔可夫模型和预设行驶时长对各类运动学片段进行筛选，并将筛选出的运动学片段进行组合，得到目标地区的车辆最终行驶工况。
7.本发明实施例的第三方面提供了一种电子设备，包括存储器、处理器以及存储在存储器中并可在处理器上运行的计算机程序，其特征在于，处理器执行计算机程序时实现如上第一方面的车辆行驶工况构建方法的步骤。
8.本发明实施例的第四方面提供了一种计算机可读存储介质，其特征在于，计算机可读存储介质存储有计算机程序，计算机程序被处理器执行时实现如上第一方面的车辆行
驶工况构建方法的步骤。
9.本发明实施例提供的车辆行驶工况构建方法、电子设备及存储介质，首先获取目标地区的多个车辆的行驶数据；对行驶数据进行划分，得到多个运动学片段；然后根据第一聚类算法对多个运动学片段进行聚类，得到每个运动学片段的类型；其中，第一聚类算法的初始聚类中心通过群体优化算法优化得到；最终根据马尔可夫模型和预设行驶时长对各类运动学片段进行筛选，并将筛选出的运动学片段进行组合，得到目标地区的车辆最终行驶工况。通过第一聚类算法能够根据车辆的行驶特点进行分类，再结合群体优化算法避免分类结果陷入局部最优，并且，由于汽车实际行驶过程中的车速是随交通状况不断变化的，为了体现车速变化的随机性，避免人为筛选造成的主观影响，通过马尔可夫模型来实现运动学片段的筛选，从而使筛选出的运动学片段能够更贴近车辆的实际运行情况，在一定程度上反映地区交通状况对车辆行驶工况的影响，实现通过少数运动学片段准确体现电动汽车的实际行驶特征，有效提高所构建的行驶工况的准确性。
附图说明
10.为了更清楚地说明本发明实施例中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
11.图1是本发明实施例提供的车辆行驶工况构建方法的应用场景图；图2是本发明实施例提供的车辆行驶工况构建方法的实现流程图；图3是本发明实施例提供各工况对应的速度曲线图；图4是本发明和现有技术的车辆行驶工况构建方法的实现流程图；图5是本发明实施示例提供的目标地区的多个车辆的速度曲线图；图6是本发明实施示例提供的目标地区的多个车辆行驶路线经纬度；图7是本发明实施示例提供的滤波前后的速度对比曲线图；图8是本发明实施示例提供的主成分特征值碎石图；图9是本发明实施示例提供的肘部法则图；图10是本发明实施示例提供的平均轮廓系数值曲线图；图11是本发明实施示例提供的各类运动学片段的运行距离-平均速度-百公里电耗分布图；图12是本发明实施示例提供的各类运动学片段的平均速度-电机平均转矩和转速分布图；图13是本发明实施示例提供的各类运动学片段的加速-怠速-匀速时间比分布图；图14是本发明实施示例提供的目标地区的车辆最终行驶工况图；图15是本发明实施示例提供的原始样本数据速度-加速度联合分布图；图16是本发明实施示例提供的最终行驶工况速度-加速度联合分布图；图17是本发明实施例提供的车辆行驶工况构建装置的结构示意图；图18是本发明实施例提供的电子设备的结构示意图。
具体实施方式
12.以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本发明实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本发明。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本发明的描述。
13.图1是本发明实施例提供的车辆行驶工况构建方法的应用场景图。如图1所示，在一些实施例中，本发明实施例提供的车辆行驶工况构建方法可以包括但不限于应用于该应用场景。在该发明实施例中，该系统包括：多个车辆11以及电子设备12。
14.车辆11为目标地区内预先选定的车辆，该车辆可以乘用车也可以是商用车，例如，可以采用志愿招募的形式招募驾驶员与驾驶车辆，为兼顾不同驾驶员的驾驶习惯，选取不同性别、年龄、驾龄驾驶员，基于目标地区的普及车型和车辆保有率对采集数据的电动汽车进行选取、试验时间的选取涵盖一天中的上下班高峰期、平峰期和低峰期。其中，选定的车辆自主行驶，即对行驶路线不做具体的规定，驾驶员可根据自身的常行程安排随机选择行驶路线。
15.在选定完成后，车辆11通过车载gps，以预设频率实时向电子设备12上传gps信号，电子设备12在接收到多个车辆11的gps信号后，对车辆行驶工况进行构建。
16.电子设备12可以是服务器或者终端，服务器可以是云服务器或物理服务器，终端可以是电脑、笔记本等，在此不作限定。
17.图2是本发明实施例提供的车辆行驶工况构建方法的实现流程图。如图2所示，在一些实施例中，车辆行驶工况构建方法，包括：s201，获取目标地区的多个车辆的行驶数据。
18.本发明实施例中，行驶数据可以包括但不限于下述至少一项：车速、经度、纬度。
19.s202，对行驶数据进行划分，得到多个运动学片段。
20.本发明实施例中，可以通过速度v和加速度a进行运动学片段的划分。例如：加速工况：a≥0.15m
·
s-2
，减速工况：a≤-0.15m
·
s-2
，怠速工况：-0.15m
·
s-2
≤a≤0.15m
·
s-2
且v≤0.5km
·
h-1
，匀速工况：-0.15m
·
s-2
≤a≤0.15m
·
s-2
且v≥0.5km
·
h-1
。
21.图3是本发明实施例提供各工况对应的速度曲线图。如图3所示，汽车行驶过程可看作由大量的运动学片段拼接而成，运动学片段是指汽车从怠速开始至下一个怠速开始之间的车速区间，由加速、减速、匀速、怠速工况构成。
22.s203，根据第一聚类算法对多个运动学片段进行聚类，得到每个运动学片段的类型；其中，第一聚类算法的初始聚类中心通过群体优化算法优化得到。
23.本发明实施例中，在进行运动学片段的划分后，仅仅用速度和加速度两个参数是不能完全体现整个运动过程的，需要引入一些特征参数对车辆实际工况进行贴近真实状况的描述。为准确描述各个运动学片段状态和特征，选取16个特征参数作为汽车行驶特征评价指标。具体为运行时间t/s、运行距离s/m、平均速度vm/(km
·
h-1
)、平均行驶速度v
mr
/(km
·
h-1
)、最大速度v
max
/(km
·
h-1
)、速度标准差v
std
/(km
·
h-1
)、平均加速度a
am
/(m
·
s-2
)、平均减速度a
dm
/(m
·
s-2
)、最大加速度a
max
/(m
·
s-2
)、最大减速度a
min
/(m
·
s-2
)、加速度绝对值平均值a
ab_m
/(m
·
s-2
)、加速度绝对值标准差a
ab_std
/(m
·
s-2
)、加速时间比pa/%、减速时间比pd/%、怠速时间比pi/%、匀速时间比pc/%。
24.本发明实施例中，根据上述特征参数反映运动学片段的特征，可以体现车辆的性能，然后根据特征参数和第一聚类算法，对运动学片段进行聚类，从而确定运动学片段的类型。运动学片段的类型可以包括但不限于下述至少一项：低速片段、中速片段、高速片段。群体优化算法额可以是粒子群算法、蚁群算法等，在此不作限定。
25.s204，根据马尔可夫模型和预设行驶时长对各类运动学片段进行筛选，并将筛选出的运动学片段进行组合，得到目标地区的车辆最终行驶工况。
26.本发明实施例中，汽车行驶过程具有很强的随机性和无后效性，具备马尔可夫特征，即其在t 1时刻的状态仅与t时刻有关，与t-1时刻无关。因此通过马尔可夫模型利用最大似然估计计算状态转移概率矩阵，然后根据状态转移概率矩阵进行片段筛选，能够有效体现车辆的行驶特征，使组合得到的运动学片段更符合目标地区的车辆情况。
27.本发明实施例中，本发明实施例提供的车辆行驶工况构建方法、电子设备及存储介质，首先获取目标地区的多个车辆的行驶数据；对行驶数据进行划分，得到多个运动学片段；然后根据第一聚类算法对多个运动学片段进行聚类，得到每个运动学片段的类型；其中，第一聚类算法的初始聚类中心通过群体优化算法优化得到；最终根据马尔可夫模型和预设行驶时长对各类运动学片段进行筛选，并将筛选出的运动学片段进行组合，得到目标地区的车辆最终行驶工况。通过第一聚类算法能够根据车辆的行驶特点进行分类，再结合群体优化算法避免分类结果陷入局部最优，并通过马尔可夫模型体现车辆行驶的随机性，从而实现通过少数运动学片段准确体现电动汽车的实际行驶特征，有效提高所构建的行驶工况的准确性。
28.在一些实施例中，s204可以包括：对各类运动学片段进行最大似然估计，确定状态转移概率矩阵；根据状态转移概率矩阵和预设行驶时长，对各类运动学片段进行筛选。
29.本发明实施例中，可以定义电动汽车的行驶工况从状态i转化为状态j的状态转移概率矩阵为：(1)其中，(p
ij
)i×i为状态转移概率矩阵，p
ij
为当前状态为i下一状态为j的运动学片段，其中，p
ij
的值可以由最大似然估计得到，i为运动学片段的类型数目。
30.在一些实施例中，根据状态转移概率矩阵和预设行驶时长，对各类的运动学片段进行筛选，包括：从多个运动学片段中随机选择出第一个运动学片段，并根据第一个运动学片段的类型和状态转移概率矩阵，确定出从多个运动学片段中待筛选的第二个运动学片段的类型，并根据待筛选的第二个运动学片段的类型从多个运动学片段中筛选出第二个运动学片段；根据第二个运动学片段的类型和状态转移概率矩阵，确定出从多个运动学片段中待筛选的第三个运动学片段的类型，并根据待筛选的第三个运动学片段的类型从多个运动学片段中筛选出第三个运动学片段，直至从多个运动学片段中筛选出第i个运动学片段，i≥4的正整数，停止筛选；其中，筛选出的第i个运动学片段以及所有序号小于第i个运动学
片段的运动学片段的总时长，不小于预设行驶时长；状态转移概率矩阵包括多种转移概率，多种转移概率表示运动学片段在各个类型之间转移的概率。
31.本发明实施例中，首先确定第一个运动学片段，即行驶工况的初始状态。第一个运动学片段可以是预先设定的，也可以从大量运动学片段中选取特征参数与初始状态的特征相关性最高的运动学片段，在此不作限定。
32.本发明实施例中，根据第一个运动学片段和状态转移概率矩阵，可以确定第二个运动学片段的类型，从而选取第二个运动学片段，然后再根据第二个运动学片段和状态转移概率矩阵，确定第三个运动学片段的类型，不断执行上述过程，直到选取的运动学片段的总时间长度满足预设时间长度时，完成运动学片段的筛选。
33.由于状态转移矩阵只能确定筛选出的运动学片段的类型，而每类运动学片段的数量很多，因此在具体的运动学片段选取时仍是随机选取的。在一些实施例中，在根据状态转移矩阵筛选出的运动学片段的类型之后，还可以该类型中的各运动学片段的时长，按照预设划分标准对各运动学片段的时长进行划分，得到划分结果，根据划分结果确定筛选该类型中的运动学片段。
34.例如，若聚类得到3类运动学片段，分别为高速片段、中速片段、低速片段，且数量分别为200、668、619，筛选出的第一个片段为高速片段，所有高速片段被划分为时长小于t1、时长处于t1和t2之间、时长大于t2的三种高速片段a、b、c，数目比a：b：c=3：5：2，则筛选出的第一个高速片段为时长处于t1和t2之间高速片段，并且在后续筛选高速片段时，要使筛选出的a、b、c三种高速片段的比接近3：5：2。通过片段时长进行进一步的筛选，从而使最终得到的行驶工况更符合该地区汽车的实际运行情况。
35.在一些实施例中，s203可以包括：提取多个运动学片段的特征参数，并对特征参数进行主成分分析，得到特征参数矩阵。根据第一聚类算法对特征参数矩阵进行聚类，确定多个运动学片段的所属类型。
36.本发明实施例中，采用主成分分析pca算法进行运动学片段的特征参数进行降维处理，通过几个互不相关的主成分去表达原始数据的特征参数所蕴含的信息,可减少在对特征参数矩阵进行聚类分析运算的时间，通常选取累计贡献率大于85%或特征值大于1的主成分。
37.首先，将原始特征参数矩阵进行标准化处理，避免特征参数单位不统一而使特征参数取值分散程度较大，影响聚类分析的结果。
38.本发明实施例中，可以通过主成分分析降维后选取前四个主成分。
39.第一主成分反映的特征参数是：平均减速度、最大减速度、怠速时间比；第二主成分反映的特征参数是：行驶时间、行驶距离、平均速度、平均行驶速度、最大速度、匀速时间比；第三和四主成分主要反映的是加速时间比、减速时间比。
40.在一些实施例中，s203可以包括：提取多个运动学片段的特征参数，并将特征参数输入到自动编码器中，得到特征参数矩阵。根据模糊聚类算法对特征参数矩阵进行聚类，确定多个运动学片段的所属类型。
41.本发明实施例中，自动编码器是神经网络的一种，其基本思想就是直接使用一层或者多层的神经网络对输入数据进行映射，得到输出向量，作为从输入数据提取出的特征。
传统的自动编码器一般用来数据降维或者特征学习，类似于pca，但是自动编码器比pca灵活的多，因为它既能表征线性变换又能表征非线性变换。
42.在一些实施例中，第一聚类算法为k均值聚类算法。在s203之前，车辆行驶工况构建方法还包括：根据粒子群算法确定k均值聚类算法的初始聚类中心。
43.本发明实施例中，k均值聚类算法相对于基于密度的聚类算法、模糊聚类算法等，在进行运动学片段的聚类时，聚类的效果更好，但k均值聚类算法相对于其他聚类算法更容易陷入局部最优，因此可以结合粒子群算法全局搜索能力，在进行聚类之前，先根据粒子群算法确定k均值聚类算法的初始聚类中心，从而提高聚类的准确性。
44.由于系数和最大速度等参数选取不当，会影响粒子群算法收敛速度和精度。可以采用调整惯性权重来平衡全局搜索和局部搜索，再使用k均值聚类算法，使初始的聚类中心之间尽可能的远，进行分类。具体步骤如下：1.通过初始化种群。随机产生粒子初始聚类中心，初始位置xi和速度vi，学习因子bi。由式(2)计算各类内数据到聚类中心欧式距离fi，作为粒子的个体极值，最小的适应度值作为全局极值。
45.(2)其中，c
ij
表示为第i类的第j个样本，m、ci分别为第i类数据个数、聚类中心，k为聚类数，t为转置矩阵的符号。
46.2.通过式(3)的惯性权重w实现粒子从粗略的全局搜索到局部的精细搜索，式(4)和(5)更新整个粒子群的粒子位置与速度，计算更新后粒子的适应度值。
47.ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(3)
ꢀꢀꢀꢀꢀꢀꢀ
(4)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(5)其中，w
max
、w
min
分别为权重最大和最小值，f
best
、f
bad
分别为粒子最好与最差的适应度值。rand1、rand2为0～1中的随机数，p
besti
为粒子最佳位置，g
bestd
为全局极值，vi(t)为第t次迭代时粒子的速度，xi(t)为第t次迭代时粒子的位置。
48.3.由粒子群的适应度方差判断当前粒子是否达到收敛状态。fa为粒子群的平均适应度。当适应度方差小于设定阈值0.1时，则群体趋于收敛。选择10个最优粒子，进行k均值聚类。
49.4.计算每个样本与当前聚类中心的欧氏距离，根据距离的大小，进行粒子聚类划分。在轮盘法基础上选取下一个聚类中心，更新粒子的适应度值。判断适应度值是否更优或达到最大迭代次数，若适应度值最优或达到最大迭代次数则结束迭代。
50.在一些实施例中，在s203之前，车辆行驶工况构建方法还包括：根据随机算子和交叉算子自适应调整粒子群算法确定出的初始聚类中心。
51.本发明实施例中，为了增加粒子群算法的全局特性，从而进一步提高聚类效果。可以根据随机算子和交叉算子实现自适应调整。其中，在迭代优化过程中可以采用交叉算子
增加种群多样性，在得出最优解之后采用随机算子跳出最优解重新计算。传交叉算子的自适应变异粒子群算法。主要方法是通过其中，对于交叉算子，在每一次迭代中，取排序后适应度好的前一半粒子直接进入下一代，后一半粒子放入粒子选择池中两两配对，产生一个随机交叉位置进行遗传选择和交叉操作，生成和父代同样数目的子代后再和父代做比较，选择适应度好的一半进入下一代，以保持种群的粒子数目不变。因此可以通过交叉算子不但可以增加种群多样性，跳出局部最优，还可以加快收敛速度。
52.对于随机算子，考虑到粒子在当前全局极值gbest的作用下可能发现更好的位置，对满足变异条件的gbest按一定的概率pm变异。pm的计算公式如下：
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(6)其中，z为预设变异值，σ2为群体适应度方差，σ
2d
为适应度方差的最大值，f(gbest)为当前全局极值，fd为期望最优解。
53.在一些实施例中，在s203之前，车辆行驶工况构建方法还包括：根据肘部法则或者轮廓系数算法，确定k均值聚类算法的最优聚类数目。
54.本发明实施例中，轮廓系数函数为：
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(7)其中，α(i)为同一簇中，样本i与其它样本的平均距离，即簇内不相似度，b(i)为样本i的与相邻最近的一簇内所有点平均距离的最小值，即簇间不相似度。s(i)为轮廓系数，将所有点的轮廓系数求平均，就是该聚类结果总的轮廓系数，s(i)接近1，则说明样本i聚类合理；当s(i)为0时，则代表两个簇中的样本相似度一致，两个簇为同一个簇。
55.本发明实施例中，肘部法则为：随聚类数k的增大，样本划分会更精细，每个簇的聚合程度会逐渐升高，误差平方和会逐渐变小。当k小于真实聚类数时，由于k的增大会增加每个类的聚合程度，故误差平方和下降幅度会很大。当k接近真实聚类数时，再增加k，误差平方和的下降幅度会骤减，随着k值的继续增大而趋于平缓。
56.ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(8)其中，c
ij
表示为第i类的第j个样本，表示第i类样本的均值，k为聚类数，mi为第i类数据个数，ssei为第i类的误差平方和。
57.在一些实施例中，在获取目标地区的多个车辆的行驶数据之后，车辆行驶工况构建方法还包括：对目标地区的多个车辆的行驶数据进行插值填充和异常值剔除。
58.本发明实施例中，在数据采集过程中，由于采集设备精度、交通环境等影响下，使得数据存在缺失、异常等现象，数据质量有所下降。为保证数据可靠性，需对数据进行预处理分析。具体如下：(1)gps信号缺失数据。由于高层建筑物、隧道等路段的遮挡，导致gps信号定位不准或者不连续，车速数据有所缺失。采用插值的方法或剔除的方式进行处理。
59.(2)怠速数据处理。由于长时间堵车，汽车长时间处在非工作区间，采集的数据并不满足要求。将汽车断断续续行驶，最高车速小于10km
·
h-1
，视为怠速；以车速为0且持续时间小于180秒为筛选原则，超过180s之后的数据直接剔除。
60.(3)最高速度、加速度限制。汽车主要运行在城区或者郊区，汽车车速限制在120km
·
h-1
以内，加速度限制在-6～6m
·
s-2
以内。
61.(4)速度滤波。由于外界因素影响下，行驶数据存在异常噪声干扰现象，使得数据存在误差。采用滑动平均滤波算法对原始数据进行滤波处理，对原始数据用一个固定长度的滑动窗口，其邻域内几个数据的均值来代替相应位置的原始数据，形成一个均值新序列。
62.ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(9)其中，y(t')为平均值，t'=1,2...n。n为总数据长度，t0为时间步长，l=1,2...t0，x(t')为原始速度数据。
63.在一些实施例中，在s201之后，车辆行驶工况构建方法还包括：根据目标地区的车辆的行驶数据，确定目标车辆的至少一个相似车辆；其中目标车辆为行驶数据存在数据缺失的车辆；相似车辆的行驶数据与目标车辆的行驶数据的相关性大于预设阈值；根据至少一个相似车辆对应的行驶数据和奇异值阈值算法，对目标车辆的行驶数据进行填充。
64.在一些实施例中，在s204之后，车辆行驶工况构建方法还包括：提取目标地区的车辆的行驶数据的第一特征参数；提取目标地区的车辆最终行驶工况的第二特征参数；验证第一特征参数与第二特征参数之间的误差；若误差大于预设误差，则跳转至s204，对多个运动学片段重新筛选。其中，第一特征参数表示车辆的行驶数据对应的汽车性能特征；第二特征参数表示车辆最终行驶工况对应的汽车性能特征。
65.其中，反映汽车性能特征的特征参数可以包括但不限于下述至少一项：运行时间、运行距离、平均速度、平均行驶速度、最大速度、速度标准差、平均加速度、平均减速度、最大加速度、最小加速度、加速时间比、减速时间比、怠速时间比、匀速时间比。
66.本发明实施例中，通过粒子群算法与k均值聚类结合与传统k均值聚类进行工况构建对比，通过下式计算构建的工况与样本数据特征参数的相对误差。
67.ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(10)其中，δ为相对误差，c
k'
、u
k'
分别构建工况和原始样本数据的第k'个特征参数，n'为特征参数个数。
68.本发明实施例中，在每次筛选时，马尔可夫模型仅根据当前运动学片段的类型决定下一运动学片段的类型，并不决定具体所选取的运动学片段，例如当前运动学片段的类型为高速片段，下一运动学片段为中速片段时，下一运动学片段可以是中速片段b1，也可以是中速片段b2，即使重新筛选过程中所确定出的各运动片段的类型和顺序是相同的，所筛选出的也可能是不同的片段。况且，筛选出的运动学片段的类型不仅取决于状态转移概率矩阵，还取决于第一个运动学片段的选取，第一个运动学片段选取高速、中速、低速片段，其对应的下一运动学片段均不同。
69.下面提供一个实施示例对本发明的车辆行驶工况构建方法进行说明，但并不作为限定。图4是本发明和现有技术的车辆行驶工况构建方法的实现流程图。如图4所示，为了对比分析本发明的相对于现有技术的优点，分别采用本发明方法和主成分 传统k均值聚类分析方法进行行驶工况构建。在该实施示例中，本发明方法的步骤具体为：第一步，获取车速数据和经纬度数据。获取得到的数据如图5和图6所示。图5是本发明实施示例提供的目标地区的多个车辆的速度曲线图。其中横轴为时间，纵轴为速度。图6是本发明实施示例提供的目标地区的多个车辆行驶路线经纬度。其中横轴为经度，纵轴为纬度。
70.第二步，预处理，即对获取到数据进行填充、异常值剔除、滤波等处理。从而得到图7所示的处理前后的速度对比曲线。图7是本发明实施示例提供的滤波前后的速度对比曲线图。其中横轴为时间，纵轴为速度。
71.第三步，对预处理后的数据的特征参数进行主成分分析，实现数据降维，减少聚类时间。图8是本发明实施示例提供的主成分特征值碎石图。其中，横轴为主成分个数，纵轴为特征值。如图8所示，可以选取前5个主成分进行聚类分析。
72.第四步，选取聚类数目。图9是本发明实施示例提供的肘部法则图。其中，横轴为聚类数目，纵轴为误差平方和。如图9所示，当聚类数目小于3时，误差平方和急剧下降，聚类数目大于3时，误差平方和趋向于平和。因此可以选取聚类数目为3。图10是本发明实施示例提供的平均轮廓系数值曲线图。如图10所示，聚类数目为3时，平均轮廓系数最高，同样可以选取聚类数目为3。
73.第五步，根据粒子群优化算法优化初始聚类中心。
74.第六步，根据k均值聚类算法进行聚类分析。图11是本发明实施示例提供的各类运动学片段的运行距离-平均速度-百公里电耗分布图。图12是本发明实施示例提供的各类运动学片段的平均速度-电机平均转矩和转速分布图。图13是本发明实施示例提供的各类运动学片段的加速-怠速-匀速时间比分布图。如图11-图13所示，得到的3类运动学片段中，第1类中平均行驶距离最短，约77m，怠速比例最高，速度分布在0～10km
·
h-1
之间，可反映出在城市拥堵路段上运行时的交通特征。第2类中速度分布在10～20km
·
h-1
之间、加速、减速、匀速、怠速时间比较为均和，运行距离适中，可反映出在城市主干道上运行时的交通特征。第3类速度分布在20～40km
·
h-1
之间,运行时间、行驶距离、最高车速、平均行驶车速、最大加速度、最大减速度高于其余两类，可反映在城市郊区道路上行驶的交通特征。
75.第七步，根据马尔可夫模型进行运动学片段筛选，并将筛选出的运动学片段进行拼接，得到车辆的最终行驶工况。图14是本发明实施示例提供的目标地区的车辆最终行驶工况图。其中横轴为时间，纵轴为速度，车辆的最终行驶工况的时间长度为1500s。
76.图15是本发明实施示例提供的原始样本数据速度-加速度联合分布图。图16是本发明实施示例提供的最终行驶工况速度-加速度联合分布图。如图15和16所示，构建的汽车行驶工况与总体样本数据的速度-加速度联合分布整体上分布一致，多位于速度位于0～40km
·
h-1
的区间，且加速度较低的区域，表明所构建的工况与总体样本数据吻合。
77.综上，本发明的有益效果为：通过第一聚类算法能够根据车辆的行驶特点进行分类，再结合群体优化算法避免分类结果陷入局部最优，并通过马尔可夫模型体现车辆行驶的随机性，从而实现通过少数运动学片段准确体现电动汽车的实际行驶特征，有效提高所构建的行驶工况的准确性。
78.应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限定。
79.图17是本发明实施例提供的车辆行驶工况构建装置的结构示意图。如图17所示，在一些实施例中，车辆行驶工况构建装置17，包括：获取模块1710，用于获取目标地区的多个车辆的行驶数据。
80.划分模块1720，用于对行驶数据进行划分，得到多个运动学片段。
81.聚类模块1730，用于根据第一聚类算法对多个运动学片段进行聚类，得到每个运动学片段的类型；其中，第一聚类算法的初始聚类中心通过群体优化算法优化得到。
82.筛选模块1740，用于根据马尔可夫模型和预设行驶时长对各类运动学片段进行筛选，并将筛选出的运动学片段进行组合，得到目标地区的车辆最终行驶工况。
83.可选的，筛选模块1740，具体用于对各类运动学片段进行最大似然估计，确定状态转移概率矩阵；根据状态转移概率矩阵和预设行驶时长，对各类运动学片段进行筛选。
84.可选的，相应的，筛选模块1740，具体用于从多个运动学片段中随机选择出第一个运动学片段，并根据第一个运动学片段的类型和状态转移概率矩阵，确定出从多个运动学片段中待筛选的第二个运动学片段的类型，并根据待筛选的第二个运动学片段的类型从多个运动学片段中筛选出第二个运动学片段；根据第二个运动学片段的类型和状态转移概率矩阵，确定出从多个运动学片段中待筛选的第三个运动学片段的类型，并根据待筛选的第三个运动学片段的类型从多个运动学片段中筛选出第三个运动学片段，直至从多个运动学片段中筛选出第i个运动学片段，i≥4的正整数，停止筛选；其中，筛选出的第i个运动学片段以及所有序号小于第i个运动学片段的运动学片段的总时长，不小于预设行驶时长；状态转移概率矩阵包括多种转移概率，多种转移概率表示运动学片段在各个类型之间转移的概率。
85.可选的，聚类模块1730，具体用于提取多个运动学片段的特征参数，并对特征参数进行主成分分析，得到特征参数矩阵。根据第一聚类算法对特征参数矩阵进行聚类，确定多个运动学片段的类型。
86.可选的，第一聚类算法为k均值聚类算法。车辆行驶工况构建装置17，还包括：优化模块，用于根据粒子群算法确定k均值聚类算法的初始聚类中心。
87.可选的，优化模块，还用于根据随机算子和交叉算子自适应调整粒子群算法确定出的初始聚类中心。
88.可选的，车辆行驶工况构建装置17，还包括：选取模块，用于根据肘部法则或者轮
廓系数算法，确定k均值聚类算法的最优聚类数目。
89.可选的，车辆行驶工况构建装置17，还包括：预处理模块，用于对目标地区的车辆的行驶数据进行插值填充和异常值剔除。
90.可选的，预处理模块，还可以用于根据目标地区的车辆的行驶数据，确定目标车辆的至少一个相似车辆；其中目标车辆为行驶数据存在数据缺失的车辆；相似车辆的行驶数据与目标车辆的行驶数据的相关性大于预设阈值；根据至少一个相似车辆对应的行驶数据和奇异值阈值算法，对目标车辆的行驶数据进行填充。
91.可选的，辆行驶工况构建装置，还包括：判断模块，用于提取目标地区的车辆的行驶数据的第一特征参数；提取目标地区的车辆最终行驶工况的第二特征参数；验证第一特征参数与第二特征参数之间的误差；若误差大于预设误差，则跳转至根据马尔可夫模型和预设行驶时长对各类运动学片段进行筛选的步骤，对多个运动学片段重新筛选。
92.其中，所述第一特征参数表示车辆的行驶数据对应的汽车性能特征；所述第二特征参数表示车辆最终行驶工况对应的汽车性能特征；本实施例提供的车辆行驶工况构建装置，可用于执行上述方法实施例，其实现原理和技术效果类似，本实施例此处不再赘述。
93.图18是本发明实施例提供的电子设备的示意图。如图18所示，本发明的一个实施例提供的电子设备18，该实施例的电子设备18包括：处理器1800、存储器1810以及存储在存储器1810中并可在处理器1800上运行的计算机程序1820。处理器1800执行计算机程序1820时实现上述各个车辆行驶工况构建方法实施例中的步骤，例如图2所示的s210至s240。或者，处理器1800执行计算机程序1820时实现上述各系统实施例中各模块/单元的功能，例如图17所示模块1710至模块1740的功能。
94.示例性的，计算机程序1820可以被分割成一个或多个模块/单元，一个或者多个模块/单元被存储在存储器1810中，并由处理器1800执行，以完成本发明。一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述计算机程序1820在电子设备18中的执行过程。
95.电子设备18可以是服务器或终端等，在此不作限定。终端可包括，但不仅限于，处理器1800、存储器1810。本领域技术人员可以理解，图18仅仅是电子设备18的示例，并不构成对电子设备18的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如终端还可以包括输入输出设备、网络接入设备、总线等。
96.所称处理器1800可以是中央处理单元(central processing unit，cpu)，还可以是其他通用处理器、数字信号处理器 (digital signal processor，dsp)、专用集成电路 (application specific integrated circuit，asic)、现场可编程门阵列 (field-programmable gate array，fpga) 或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
97.存储器1810可以是电子设备18的内部存储单元，例如电子设备18的硬盘或内存。存储器1810也可以是电子设备18的外部存储设备，例如电子设备18上配备的插接式硬盘，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，存储器1810还可以既包括电子设备18的内部存储单元也包括外部存储
设备。存储器1810用于存储计算机程序以及终端所需的其他程序和数据。存储器1810还可以用于暂时地存储已经输出或者将要输出的数据。
98.本发明实施例提供了一种计算机可读存储介质，计算机可读存储介质存储有计算机程序，计算机程序被处理器执行时实现上述车辆行驶工况构建方法实施例中的步骤。
99.计算机可读存储介质存储有计算机程序1820，计算机程序1820包括程序指令，程序指令被处理器1800执行时实现上述实施例方法中的全部或部分流程，也可以通过计算机程序1820来指令相关的硬件来完成，计算机程序1820可存储于一计算机可读存储介质中，该计算机程序1820在被处理器1800执行时，可实现上述各个方法实施例的步骤。其中，计算机程序1820包括计算机程序代码，计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。计算机可读介质可以包括：能够携带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）、随机存取存储器（ram，random access memory）、电载波信号、电信信号以及软件分发介质等。
100.计算机可读存储介质可以是前述任一实施例的终端的内部存储单元，例如终端的硬盘或内存。计算机可读存储介质也可以是终端的外部存储设备，例如终端上配备的插接式硬盘，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，计算机可读存储介质还可以既包括终端的内部存储单元也包括外部存储设备。计算机可读存储介质用于存储计算机程序及终端所需的其他程序和数据。计算机可读存储介质还可以用于暂时地存储已经输出或者将要输出的数据。
101.应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限定。
102.所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、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，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本技术的保护范围。上述系统中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
103.在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。
104.本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
105.在本发明所提供的实施例中，应该理解到，所揭露的装置/终端和方法，可以通过其它的方式实现。例如，以上所描述的装置/终端实施例仅仅是示意性的，例如，模块或单元
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，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，可以是电性，机械或其它的形式。
106.作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元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单元来实现本实施例方案的目的。
107.另外，在本发明各个实施例中的各功能单元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，也可以采用软件功能单元的形式实现。
108.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取存储介质中。基于这样的理解，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，计算机程序包括计算机程序代码，计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。计算机可读介质可以包括：能够携带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）、随机存取存储器（ram，random access memory）、电载波信号、电信信号以及软件分发介质等。
109.以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围，均应包含在本发明的保护范围之内。