电动自行车的智能动力控制方法技术

本发明专利技术公开了电动自行车的智能动力控制方法，涉及电动自行车动力控制技术领域，包括以下步骤：步骤一、在每次骑行结束后，记录用户的骑行数据和习惯；步骤二、利用人工智能和机器学习技术，依据用户的骑行习惯和喜好进行学习；步骤三、根据用户的骑行习惯和喜好，自动调节电动助力、巡航速度和制动力度参数，提高骑行体验和舒适性。本发明专利技术根据骑行者的需求和路段情况等因素，智能地调节电动助力的大小，可有效减轻骑行者的体力负担，根据路段的起伏、坡度、路况等因素，调节电动自行车的巡航速度和制动力度，使其保持稳定的速度和舒适的骑行体验，提高了骑行的稳定性和舒适性。提高了骑行的稳定性和舒适性。提高了骑行的稳定性和舒适性。

【技术实现步骤摘要】
电动自行车的智能动力控制方法


[0001]本专利技术涉及电动自行车动力控制
，具体涉及电动自行车的智能动力控制方法。

技术介绍

[0002]随着城市化进程的加快和汽车尾气对环境带来的影响日益显著，电动自行车作为城市出行的一种重要交通工具，受到越来越多的关注和重视，智能动力控制方法作为电动自行车技术的一项重要方向，可以实现电动自行车的智能化控制和优化，提高其使用体验和人机交互的便捷性。
[0003]如中国专利公开号：CN104709429B的一种助力自行车的动力控制方法，其包括：步骤一，首先通过智能控制器设定车速档次；步骤二，无线智能转矩传感器模块将由脚蹬传递来的动力以力矩的方式输送给智能控制器；步骤三，智能控制器根据所设定的车速档次和力矩值计算出所需的助力级别；步骤四，智能控制器将计算出的助力级别输送给所述电机驱动器；步骤五，电机驱动器驱动所述电动机产生相应级别的助力；步骤六，助力经由所述齿轮组传递至所述外壳B，并与从脚蹬经由所述飞轮传递至所述外壳A的动力一起直接或经由所述辐条传递至所述轮圈。通过本专利技术优化骑行者的感受，使骑行者能够根据自己的体力进行调整而轻松地骑行很远，既能快速到达目的地，又可以根据自身状况适当锻炼。
[0004]针对现有技术存在以下问题：电动自行车缺乏有效的控制手段，来根据骑行者的需求情况，智能地调节电动助力的大小，并且在电动自行车的实际使用中，需要考虑路段的起伏、坡度、路况等因素对骑行稳定、舒适以及电池寿命等的影响，缺乏有效的巡航速度、制动力度的调节手段，会影响电动自行车的骑行安全和使用寿命。

技术实现思路

[0005]本专利技术目的在于提供电动自行车的智能动力控制方法，以解决上述
技术介绍
中提出的问题。
[0006]为解决上述技术问题，本专利技术所采用的技术方案是：
[0007]电动自行车的智能动力控制方法，包括以下步骤：
[0008]步骤一、在每次骑行结束后，记录用户的骑行数据和习惯；
[0009]步骤二、利用人工智能和机器学习技术，依据用户的骑行习惯和喜好进行学习；
[0010]步骤三、根据用户的骑行习惯和喜好，自动调节电动助力、巡航速度和制动力度参数，提高骑行体验和舒适性。
[0011]本专利技术技术方案的进一步改进在于：所述步骤二还包括有，
[0012]采集骑行数据，包括骑行时间、速度、路程、里程，通过传感器和GPS系统进行数据采集，存储到数据库中；
[0013]对采集到的数据进行清洗和处理，去掉无用的数据和错误的数据，检查数据中是否存在重复数据，如有，则将其删除，保证数据的唯一性，使用行去重函数进行处理，如在
Python中使用pandas库的drop_duplicates()函数，对于缺失的数据或异常值，通过插值法(线性插值法或多项式插值法，或者使用均值、中位数或众数等算法进行填充，在Python中使用fillna()函数进行处理)的方法进行填充和补全，提高数据的完整性，检测并处理数据中的异常值、极端值和噪声，保证数据的准确和可靠(使用箱线图等统计方法检测和处理异常值，或者使用滤波器等信号处理方法进行去噪，如在Python中使用scipy库的signal模块、statsmodels库的robust模块等进行处理)；
[0014]通过特征提取技术，将采集到的速度数据转换为可以处理的平均速度、最大速度、速度标准差、起伏度等数学特征；
[0015]利用机器学习算法，选择合适的模型进行训练和拟合，描述骑行数据与骑行习惯、喜好之间的关系；
[0016]利用真实数据对模型进行测试和验证，并不断优化模型；
[0017]利用训练好的模型，对新的骑行数据进行预测和分析，根据分析结果，自动调节电动助力、巡航速度和制动力度参数。
[0018]本专利技术技术方案的进一步改进在于：所述采集的骑行数据中，骑行时间通过使用计时器来记录骑行开始和结束的时间，然后计算两者时间差；
[0019]速度通过使用距离和时间的比值来计算平均值；
[0020]路程使用GPS定位系统计算两个地点之间的距离，或者累加骑行的里程数来计算；
[0021]里程利用骑行计数器来记录骑行的里程，或者使用GPS定位系统累加骑行的路程长度。
[0022]本专利技术技术方案的进一步改进在于：所述速度数据转换的数学特征中，平均速度反映骑行活动的整体水平，通过速度值的平均数来计算；
[0023]最大速度反映骑行活动的最高水平，通过速度值的最大值来计算；
[0024]速度标准差反映速度数据的分布情况；
[0025]起伏度反映骑行路线的崎岖程度，通过速度值的波动幅度来计算。
[0026]本专利技术技术方案的进一步改进在于：所述机器学习算法包括有线性回归模型、逻辑回归模型、决策树模型、神经网络模型。
[0027]本专利技术技术方案的进一步改进在于：所述线性回归模型用于建立自变量(骑行数据)和因变量(骑行习惯、喜好)之间的线性关系，其计算公式如下：
[0028]$y＝\beta0+\beta1x1+\beta2x2+
…
+\betapx_p$；
[0029]其中，$y$表示预测的因变量值，$\beta0$表示截距，$\beta1$到$\betap$表示自变量系数，$x1$到$x_p$表示自变量的值。
[0030]本专利技术技术方案的进一步改进在于：所述模型的测试、验证及优化中，将采集到的数据集分为训练集和测试集，以70％的数据作为训练集，30％的数据作为测试集，训练集用于训练模型，测试集用于评估模型的预测能力；
[0031]根据训练集的数据，利用机器学习算法进行模型训练，根据训练后的模型对测试集进行预测，并计算预测误差，采用均方误差(MSE)、平均绝对误差(MAE)、区分度(ROC曲线)指标对模型的预测精度进行评估；
[0032]根据模型评估结果，调整和优化计算公式，如增加更多的特征项、调整模型参数、更换不同的算法；
[0033]采用交叉验证的方法进行测试和验证，进一步评估模型的泛化能力，常用的交叉验证方法有k折交叉验证、留一交叉验证；
[0034]在测试和验证阶段后，根据模型的预测精度、泛化能力指标，选取最优的模型，并用所有数据进行模型训练，进行实际应用，提高模型的准确性和可靠性。
[0035]由于采用了上述技术方案，本专利技术相对现有技术来说，取得的技术进步是：
[0036]1、本专利技术提供电动自行车的智能动力控制方法，根据骑行者的需求和路段情况等因素，智能地调节电动助力的大小，可有效减轻骑行者的体力负担。
[0037]2、本专利技术提供电动自行车的智能动力控制方法，根据路段的起伏、坡度、路况等因素，调节电动自行车的巡航速度和制动力度，使其保持稳定的速度和舒适的骑行体验，提高了骑行的稳定性和舒适性。
附图说明
[0038]为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.电动自行车的智能动力控制方法，其特征在于：包括以下步骤：步骤一、在每次骑行结束后，记录用户的骑行数据和习惯；步骤二、利用人工智能和机器学习技术，依据用户的骑行习惯和喜好进行学习；步骤三、根据用户的骑行习惯和喜好，自动调节电动助力、巡航速度和制动力度参数。2.根据权利要求1所述的电动自行车的智能动力控制方法，其特征在于：所述步骤二还包括有，采集骑行数据，包括骑行时间、速度、路程、里程，通过传感器和GPS系统进行数据采集，存储到数据库中；对采集到的数据进行清洗和处理，去掉无用的数据和错误的数据，检查数据中是否存在重复数据，如有，则将其删除，保证数据的唯一性，对于缺失的数据或异常值，通过插值法的方法进行填充和补全，提高数据的完整性，检测并处理数据中的异常值、极端值和噪声，保证数据的准确和可靠；通过特征提取技术，将采集到的速度数据转换为可以处理的平均速度、最大速度、速度标准差、起伏度数学特征；利用机器学习算法，选择合适的模型进行训练和拟合，描述骑行数据与骑行习惯、喜好之间的关系；利用真实数据对模型进行测试和验证，并不断优化模型；利用训练好的模型，对新的骑行数据进行预测和分析，根据分析结果，自动调节电动助力、巡航速度和制动力度参数。3.根据权利要求2所述的电动自行车的智能动力控制方法，其特征在于：所述采集的骑行数据中，骑行时间通过使用计时器来记录骑行开始和结束的时间，然后计算两者时间差；速度通过使用距离和时间的比值来计算平均值；路程使用GPS定位系统计算两个地点之间的距离，或者累加骑行的里程数来计算；里程利用骑行计数器来记录骑行的里程，或者使用GPS定位系统累加骑行的路程长度。4.根据权利要求2...

【专利技术属性】
技术研发人员：彭伟义，
申请(专利权)人：依米克车业昆山有限公司，
类型：发明
国别省市：