【技术实现步骤摘要】
本专利技术属于油耗预测的，具体地涉及一种基于车载can数据的车辆油耗预测方法及系统。
技术介绍
1、随着社会高速发展和交通需求的持续增长，公路货物运输量呈现逐年上升的趋势，这使得车辆油耗的准确预测显得尤为重要。公路货运卡车的燃油消耗不仅与车辆的自身特性、行驶状况、货物类型和装载量等因素有关，还受到实际行驶环境和外部条件的影响。尤其在交通拥堵时，因频繁的加减速和降低的平均速度，油耗和排放量都会显著增加，在过去，尽管许多技术尝试使用各种传感器和专业设备来直接测量和预测油耗，但它们常常因高昂的成本、实施复杂性和实时性问题而受到限制，而单独依赖车辆动力学模型和神经网络的油耗估算方法，由于数据噪声、非线性系统的特性以及大量的计算资源需求，也难以避免误差，在面对复杂的驾驶环境和路况时，传统方法的预测偏差也较为明显。
2、例如，申请号为202010918106.5的中国专利申请《一种评估重型柴油车能耗的方法和设备》采用车辆的点火开关信号和发动机状态信号确定行驶里程，并基于can总线收集行驶数据。通过细化并提取关键特征，并使用皮尔逊相关系数筛选出与能耗高度相关的特征。随后，利用预先训练的基于神经网络的模型，结合这些特征进行能耗评估。其缺点为：皮尔逊相关系数存在局限性，可能会忽略某些非线性的或更复杂的特征关系。需要大量数据训练神经网络，且对某些特定驾驶情境或未涉及的车型可能存在评估偏差。
3、申请号为202210310009.7的中国专利申请《基于油耗强相关参数修正的瞬态汽车油耗估计方法及系统》提出了一种基于车辆稳态和非稳
4、申请号为cn202010234278.0的专利《基于高斯过程回归的多工况燃油车油耗预测方法及系统》提供了一个燃油车油耗的预测方案，运用高斯过程回归模型进行训练，并通过序贯采样算法优化数据集，反复执行直至达到预定停止条件后输出预测结果。其缺点为：反复使用的序贯采样可能延长计算时间，基于高斯过程的模型可能需求较大的计算资源。
技术实现思路
1、为了解决上述技术问题，本专利技术提供了一种基于车载can数据的车辆油耗预测方法及系统，用于解决现有技术中的技术问题。
2、第一方面，本专利技术提供以下技术方案，一种基于车载can数据的车辆油耗预测方法，包括：
3、实时获取车辆的原始can参数，对所述原始can参数进行特征提取，以得到第一输入特征，所述原始can参数至少包括车速、发动机转速、油门位置、油耗、制动压力、行驶经纬度数据、行驶里程、发动机关键参数；
4、构建司机运行与驾驶风险特征集，采用k-means无监督聚类分析算法对所述司机运行与驾驶风险特征集中的特征变量进行聚类分析处理，以得到第二输入特征；
5、基于所述行驶经纬度数据确定车辆的行驶参数与道路参数，基于所述行驶参数与所述道路参数确定行驶路段拥堵等级数据；
6、构建预设油耗预测模型，将所述第一输入特征、所述第二输入特征与所述行驶路段拥堵等级数据存入处理数据集中，将所述处理数据集划分为训练集与测试集；
7、将所述训练集输入所述预设油耗预测模型中进行训练，以得到训练油耗预测模型，将所述测试集输入所述训练油耗预测模型中，以得到预测油耗结果。
8、相比现有技术，本专利技术的有益效果为：本专利技术首先实时获取车辆的原始can参数，对原始can参数进行特征提取，以得到第一输入特征，而后构建司机运行与驾驶风险特征集，采用k-means无监督聚类分析算法对司机运行与驾驶风险特征集中的特征变量进行聚类分析处理，以得到第二输入特征；然后基于行驶经纬度数据确定车辆的行驶参数与道路参数，基于行驶参数与道路参数确定行驶路段拥堵等级数据；然后构建预设油耗预测模型，将第一输入特征、第二输入特征与行驶路段拥堵等级数据存入处理数据集中，将处理数据集划分为训练集与测试集；最后将训练集输入预设油耗预测模型中进行训练，以得到训练油耗预测模型，将测试集输入训练油耗预测模型中，以得到预测油耗结果，本专利技术实时读取车载can数据，通过对海量数据的全面分析，确保了油耗预测的实时性和准确性。这解决了数据准确性和训练需求中的问题，同时采用mi方法精准地筛选与油耗高度相关的关键车况特征，显著降低了特征冗余，避免了局部特性限制的问题，且利用实车运行数据构建司机运输行为画像作为独立特征，为预测提供了宏观和微观的视角，有助于更全面地考虑实际驾驶环境因素，同时基于自由流速度与can速度的比值，有效地计算车辆行驶路段的道路拥堵指数，使油耗预测更为精确，且本专利技术与传统其他方法相比，只需获取车辆的can数据，无需额外传感器或专业监测设备，也不必依赖大量计算资源。
9、较佳的，所述实时获取车辆的原始can参数，对所述原始can参数进行特征提取，以得到第一输入特征的步骤包括：
10、实时获取车辆的原始can参数，对所述原始can参数依次进行平滑滤波、插值补缺、异常数据处理，以得到处理can参数；
11、计算油耗变量与所述处理can参数之间的互信息：
12、；
13、式中，为所有处理can参数构成的参数集，为参数和参数的联合概率分布，和分别为参数和参数的边缘概率分布；
14、基于互信息将所述处理can参数从大至小进行排序，以得到排序can参数，选取所述排序can参数中前若干个参数作为第一输入特征。
15、较佳的，所述构建司机运行与驾驶风险特征集，采用k-means无监督聚类分析算法对所述司机运行与驾驶风险特征集中的特征变量进行聚类分析处理，以得到第二输入特征的步骤包括：
16、构建司机运行与驾驶风险特征集，所述司机运行与驾驶风险特征集中至少包括运营天数、总运营时长、日均运营时长、总停留时长、日均停留时长、总运营效率、总行驶里程、日均行驶里程、夜间驾驶总时长、夜间驾驶时长比例、夜间驾驶频率、疲劳驾驶频率；
17、确定所述司机运行与驾驶风险特征集中数据点数量与待划分的簇数量，选定一组聚类的中心点并最小化每个数据点到其最近中心点的距离，不断迭代直至聚类的中心不再改变或者满足迭代停止条件；
18、基于手肘法确定不同簇数量与对应的误差平方和，基于不同簇数量与对应的误差平方和绘制k-sse曲线；
19、在所述k-sse曲线中确定急剧减缓的最优k值，并将所述最优k值对应的特征数据作为第二输入特征。
20、较佳的，所述基于所述行驶经纬度数据确定车辆的行驶参数与道路参数的步骤包括：
21、基于所述行驶经纬度数据将车辆行驶轨迹在地图上进行可视化处理，以得到行驶路线图；
22、将地理信息系统与行驶路线图进行匹配本文档来自技高网...
【技术保护点】
1.一种基于车载CAN数据的车辆油耗预测方法，其特征在于，包括：
2.根据权利要求1所述的基于车载CAN数据的车辆油耗预测方法，其特征在于，所述实时获取车辆的原始CAN参数，对所述原始CAN参数进行特征提取，以得到第一输入特征的步骤包括：
3.根据权利要求1所述的基于车载CAN数据的车辆油耗预测方法，其特征在于，所述构建司机运行与驾驶风险特征集，采用K-Means无监督聚类分析算法对所述司机运行与驾驶风险特征集中的特征变量进行聚类分析处理，以得到第二输入特征的步骤包括：
4.根据权利要求1所述的基于车载CAN数据的车辆油耗预测方法，其特征在于，所述基于所述行驶经纬度数据确定车辆的行驶参数与道路参数的步骤包括：
5.根据权利要求1所述的基于车载CAN数据的车辆油耗预测方法，其特征在于，所述基于所述行驶参数与所述道路参数确定行驶路段拥堵等级数据的步骤包括：
6.根据权利要求1所述的基于车载CAN数据的车辆油耗预测方法，其特征在于，所述将所述训练集输入所述预设油耗预测模型中进行训练，以得到训练油耗预测模型的步骤包括：
<...【技术特征摘要】
1.一种基于车载can数据的车辆油耗预测方法，其特征在于，包括：
2.根据权利要求1所述的基于车载can数据的车辆油耗预测方法，其特征在于，所述实时获取车辆的原始can参数，对所述原始can参数进行特征提取，以得到第一输入特征的步骤包括：
3.根据权利要求1所述的基于车载can数据的车辆油耗预测方法，其特征在于，所述构建司机运行与驾驶风险特征集，采用k-means无监督聚类分析算法对所述司机运行与驾驶风险特征集中的特征变量进行聚类分析处理，以得到第二输入特征的步骤包括：
4.根据权利要求1所述的基于车载can数据的车辆油耗预测方法，其特征在于，所述基于所述行驶经纬度数据确定车辆的行驶参数与道路参数的步骤包括：
5.根据权利要求1所述的基于车载can数据的车辆油耗预测方法，其特征在于，所述基于所述行驶参数与所述道路参数确定行驶路段拥...
【专利技术属性】
技术研发人员：张周平，樊华春，王宁，许钧奇，聂辽栋，尚凯，徐佳祥，廖程亮，林小刚，
申请(专利权)人：南昌智能新能源汽车研究院，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。