【技术实现步骤摘要】
本专利技术涉及车辆数据分析，尤其涉及一种车辆能耗关联因素分析方法、装置、设备及存储介质。
技术介绍
1、近年来,随着车辆保有量的快速增加,能源消耗问题引起了广泛关注，而对车辆能耗进行分析可以帮助实现环境保护、节约成本、提高性能和可持续交通发展等多重目标。
2、目前分析能耗关联因素多基于汽车研发工程师经验判断，无法给出具体关联权重因子，且随着bev、rev、phev多新能源车快速发展，功能不断更新升级，经验判断常会遗漏某些关联因素，与实际存在偏差。
3、因此，如何准确分析车辆能耗关联因素，是目前亟需解决的技术问题。
技术实现思路
1、本专利技术主要目的在于提供一种车辆能耗关联因素分析方法、装置、设备及存储介质，能够准确分析车辆能耗关联因素，并且兼容性强，效率高。
2、第一方面，本申请提供了一种车辆能耗关联因素分析方法，其中该方法包括步骤：
3、计算车辆的行驶里程能耗，以对超过预设值的能耗进行标记；
4、对车辆的行驶数据进行主成分分析pca，得到降维后的行驶数据；
5、基于降维后的行驶数据与标记的能耗，以构建数据集；
6、将所述数据集输入机器学习模型中，输出预测结果，并基于优化后的预测结果，以分析车辆能耗关联因素。
7、结合上述第一方面，作为一种可选的实现方式，将所述数据集划分为测试集和训练集，并利用所述训练集对机器学习模型xgboost进行训练，以确定得分最高的机器学习模型；
9、当所述比较值不满足需求，优化所述目标函数，直至满足需求后，输出优化后的预测结果，以分析车辆能耗关联因素。
10、结合上述第一方面，作为一种可选的实现方式，根据公式：计算预测结果，其中为xgboost的基础模型，ft(xi)为弱学习器，为前t棵树预测的结果；
11、根据公式：计算正则项，其中,γ为自定的控制叶子数量的参数,t为该树中的叶子节点数，λ是控制范数的参数,||ω||2为叶子节点权重向量的范数；
12、所述目标函数为：其中l(yi,yi(t-1))为损失函数，gi为损失函数的一阶导，hi为损失函数的二阶导。
13、结合上述第一方面，作为一种可选的实现方式，基于预设数量样本和对应指标，构成样本矩阵其中n为样本个数，p为样本指标；
14、对所述样本矩阵x所有数据进行归一化处理，并根据公式：计算第j列数据的平均值xij为样本矩阵中的元素；
15、根据公式：计算第j列数据的标准差矩阵；
16、根据公式：计算标准化元素xij；
17、将所述样本矩阵x经标准化后变为标准化矩阵
18、计算标准化矩阵x的协方差矩阵并计算所述协方差矩阵的特征值；
19、基于所述特征值，根据公式：计算车辆行驶数据主成分贡献率，其中λi为第i个特征值，λk为特征值的累加值；
20、根据公式：计算车辆行驶数据主成分累积贡献率；
21、保留累计贡献率超过预设百分比的特征值对应的主成分，以构建低维空间，并将所述标准化矩阵x转换到所述低维空间中，得到降维后的行驶数据。
22、结合上述第一方面，作为一种可选的实现方式，剔除主成分分析过程中的干扰信号，所述干扰信号包括：vin号、车型和车系。
23、结合上述第一方面，作为一种可选的实现方式，根据车辆此次行程消耗的能量与此次行程行驶的路程之间的百分比值，计算车辆百公里能耗；
24、计算车辆百公里能耗的分位数，作为预设值；
25、当车辆百公里能耗大于所述预设值，对超过预设值的能耗标记为1，否则为0。
26、结合上述第一方面，作为一种可选的实现方式，基于车载t-box上传的车联网数据，通过定义的数据字典对所述车联网数据进行清洗；
27、基于清洗后的数据，对车辆每个驾驶行程进行划分；
28、提取所述每个驾驶行程特征，所述特征包括：驾驶行程内最大电流、最大电压、电荷状态soc、行驶里程和驱动电机温度；
29、基于提取的特征进行特征构建，以对所述车联网数据进行量化。
30、第二方面，本申请提供了一种车辆能耗关联因素分析装置，该装置包括：
31、处理模块，其用于计算车辆的行驶里程能耗，以对超过预设值的能耗进行标记；
32、执行模块，其用于对车辆的行驶数据进行主成分分析pca，得到降维后的行驶数据；
33、建立模块，其用于基于降维后的行驶数据与标记的能耗，以构建数据集；
34、分析模块，其用于将所述数据集输入机器学习模型中，输出预测结果，并基于优化后的预测结果，以分析车辆能耗关联因素。
35、第三方面，本申请还提供了一种电子设备，所述电子设备包括：处理器；存储器，所述存储器上存储有计算机可读指令，所述计算机可读指令被所述处理器执行时，实现第一方面任一项所述的方法。
36、第四方面，本申请还提供了一种计算机可读存储介质，其存储有计算机程序指令，当所述计算机程序指令被计算机执行时，使计算机执行第一方面任一项所述的方法。
37、本申请提供的一种车辆能耗关联因素分析方法、装置、设备及存储介质，其中该方法包括步骤：计算车辆的行驶里程能耗，以对超过预设值的能耗进行标记；对车辆的行驶数据进行主成分分析pca，得到降维后的行驶数据；基于降维后的行驶数据与标记的能耗，以构建数据集；将所述数据集输入机器学习模型中，输出预测结果，并基于优化后的预测结果，以分析车辆能耗关联因素。本申请能够准确分析车辆能耗关联因素，并且兼容性强，效率高。
38、应当理解的是，以上的一般描述和后文的细节描述仅是示例性的，并不能限制本专利技术。
本文档来自技高网...【技术保护点】
1.一种车辆能耗关联因素分析方法，其特征在于，包括：
2.根据权利要求1所述的方法，其特征在于，所述将所述数据集输入学习模型中，输出预测结果，并基于优化后的预测结果，以分析车辆能耗关联因素，包括：
3.根据权利要求2所述的方法，其特征在于，包括：
4.根据权利要求1所述的方法，其特征在于，所述对车辆的行驶数据进行主成分分析PCA，得到降维后的行驶数据，包括：
5.根据权利要求1所述的方法，其特征在于，所述对车辆的行驶数据进行主成分分析PCA之前，包括：
6.根据权利要求1所述的方法，其特征在于，所述计算车辆的行驶里程能耗，以对超过预设值的能耗进行标记，包括：
7.根据权利要求1所述的方法，其特征在于，所述计算车辆的行驶里程能耗，以对超过预设值的能耗进行标记之前，包括：
8.一种车辆能耗关联因素分析装置，其特征在于，包括：
9.一种电子设备，其特征在于，所述电子设备，包括：
10.一种计算机可读存储介质，其特征在于，其存储有计算机程序指令，当所述计算机程序指令被计算机执行时，
...【技术特征摘要】
1.一种车辆能耗关联因素分析方法，其特征在于，包括：
2.根据权利要求1所述的方法，其特征在于，所述将所述数据集输入学习模型中，输出预测结果，并基于优化后的预测结果，以分析车辆能耗关联因素，包括：
3.根据权利要求2所述的方法，其特征在于，包括：
4.根据权利要求1所述的方法，其特征在于，所述对车辆的行驶数据进行主成分分析pca，得到降维后的行驶数据，包括：
5.根据权利要求1所述的方法，其特征在于，所述对车辆的行驶数据进行主成分分析pca之前，包括：
6....
【专利技术属性】
技术研发人员：赵巍，陈紫曦，李萍，彭杨茗，
申请(专利权)人：东风汽车集团股份有限公司，
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。