【技术实现步骤摘要】
本申请涉及数据处理，尤其涉及一种路面状态预测方法、装置、设备、介质及产品。
技术介绍
1、车辆在不同路面状态下行驶会给驾驶者和乘客带来不同的体验，例如，在颠簸路面上行驶，驾驶者和乘客会感觉到震动和不稳定，体验较差。因此，如何根据路面状态对车辆进行调整，进而提高乘驾体验，是非常重要的。
2、目前，主要是对当前的路面状态进行检测，由悬挂系统根据检测到的路面状态做出相应的调整，例如调整悬挂系统的阻尼力、弹簧刚度等参数，以适应当前路面状态，进而提高乘驾体验。
3、然而，现有技术中悬挂系统的调整存在滞后性。
技术实现思路
1、本申请提供一种路面状态预测方法、装置、设备、介质及产品，以解决现有技术中悬挂系统的调整存在滞后性的问题。
2、第一方面，本申请实施例提供一种路面状态预测方法，包括：
3、在车辆行驶过程中，实时采集所述车辆的行驶时序数据，所述行驶时序数据包括底盘时序数据和路面状态时序数据；
4、根据所述行驶时序数据和路面状态预测模型，获取所述路面状态预测模型预测得到的未来时段的路面状态，所述路面状态预测模型是通过多个样本行驶时序数据以及每个样本行驶时序数据的标签进行训练得到的，每个样本行驶时序数据的标签包括下一时间段的样本路面状态时序数据；
5、根据所述未来时段的路面状态，确定所述车辆的悬挂系统的工作状态。
6、在一种可能的设计中，所述根据所述行驶时序数据和路面状态预测模型，获取所述路面状态预测模型预测得
7、根据所述路面状态预测模型的数据输入长度，对所述行驶时序数据进行切分，获取多个子行驶时序数据；
8、将所述多个子行驶时序数据输入所述路面状态预测模型，获取所述路面状态预测模型预测得到的所述未来时段的路面状态。
9、在一种可能的设计中，所述方法还包括：
10、获取多个样本行驶时序数据，每个样本行驶时序数据包括样本底盘时序数据和样本路面状态时序数据，每个样本行驶时序数据的标签包括下一时间段的样本路面状态时序数据；
11、根据所述多个样本行驶时序数据进行模型训练，生成路面状态预测模型。
12、在一种可能的设计中，所述根据所述多个样本行驶时序数据进行模型训练，生成路面状态预测模型，包括：
13、将所述多个样本行驶时序数据输入初始模型进行模型训练，生成所述路面状态预测模型；
14、其中，所述初始模型包括预测模块以及至少一个特征提取模块。
15、在一种可能的设计中，所述将所述多个样本行驶时序数据输入初始模型进行模型训练，生成所述路面状态预测模型，包括：
16、将所述多个样本行驶时序数据输入所述初始模型；
17、通过所述初始模型的第一特征提取模块对每个样本行驶时序数据的样本底盘时序数据进行特征提取，获取所述样本行驶时序数据的底盘特征；
18、通过所述初始模型的第二特征提取模块对每个样本行驶时序数据的样本路面状态时序数据进行特征提取，获取所述样本行驶时序数据的路面状态特征；
19、通过所述初始模型将每个样本行驶时序数据的底盘特征和路面状态特征进行拼接，生成拼接特征；
20、通过所述初始模型的第三特征提取模块对每个样本行驶时序数据的拼接特征进行特征提取，获取所述样本行驶时序数据的行驶特征；
21、通过所述初始模型的所述预测模块基于每个样本行驶时序数据的所述行驶特征，对所述下一时间段的路面状态时序数据进行预测，生成预测值；
22、根据每个样本行驶时序数据的所述预测值和所述标签，对所述初始模型进行模型训练，生成所述路面状态预测模型。
23、在一种可能的设计中，所述获取多个样本行驶时序数据，包括：
24、获取样本车辆的历史行驶时序数据，所述历史行驶时序数据包括历史底盘时序数据和历史路面状态时序数据；
25、根据目标滑窗，对所述历史行驶时序数据进行滑动切割，获取多个子历史行驶时序数据；
26、针对每个子历史行驶时序数据，将所述子历史行驶时序数据中前预设时长的部分，确定为样本行驶时序数据；
27、将所述子历史行驶时序数据中剩余部分的历史路面状态时序数据，确定为所述样本行驶时序数据的标签。
28、在一种可能的设计中，每个样本行驶时序数据的标签还包括所述下一时间段的样本底盘时序数据；
29、相应的，所述通过所述初始模型的所述预测模块基于每个样本行驶时序数据的所述行驶特征，对所述下一时间段的路面状态时序数据进行预测，生成预测值，包括：
30、通过所述预测模块基于每个样本行驶时序数据的所述行驶特征，对所述下一时间段的底盘时序数据和路面状态时序数据进行预测，生成所述预测值。
31、第二方面，本申请实施例提供一种路面状态预测装置，包括：
32、采集模块，用于在车辆行驶过程中，实时采集所述车辆的行驶时序数据，所述行驶时序数据包括底盘时序数据和路面状态时序数据；
33、获取模块，用于根据所述行驶时序数据和路面状态预测模型，获取所述路面状态预测模型预测得到的未来时段的路面状态，所述路面状态预测模型是通过多个样本行驶时序数据以及每个样本行驶时序数据的标签进行训练得到的，每个样本行驶时序数据的标签包括下一时间段的样本路面状态时序数据；
34、确定模块，用于根据所述未来时段的路面状态，确定所述车辆的悬挂系统的工作状态。
35、在一种可能的设计中，所述获取模块，具体用于：
36、根据所述路面状态预测模型的数据输入长度，对所述行驶时序数据进行切分，获取多个子行驶时序数据；
37、将所述多个子行驶时序数据输入所述路面状态预测模型，获取所述路面状态预测模型预测得到的所述未来时段的路面状态。
38、在一种可能的设计中，所述路面状态预测装置，还包括：
39、所述获取模块，还用于获取多个样本行驶时序数据，每个样本行驶时序数据包括样本底盘时序数据和样本路面状态时序数据，每个样本行驶时序数据的标签包括下一时间段的样本路面状态时序数据；
40、模型训练模块，用于根据所述多个样本行驶时序数据进行模型训练，生成路面状态预测模型。
41、在一种可能的设计中，所述模型训练模块，具体用于：
42、将所述多个样本行驶时序数据输入初始模型进行模型训练，生成所述路面状态预测模型；
43、其中，所述初始模型包括预测模块以及至少一个特征提取模块。
44、在一种可能的设计中，所述模型训练模块，具体用于：
45、将所述多个样本行驶时序数据输入所述初始模型；
46、通过所述初始模型的第一特征提取模块对每个样本行驶时序数据的样本底盘时序数据进行特征提取，获取所述样本行驶时序数据的底盘特征；
47、通过所述初始模型的本文档来自技高网...
【技术保护点】
1.一种路面状态预测方法，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，所述根据所述行驶时序数据和路面状态预测模型，获取所述路面状态预测模型预测得到的未来时段的路面状态，包括：
3.根据权利要求1或2所述的方法，其特征在于，所述方法还包括：
4.根据权利要求3所述的方法，其特征在于，所述根据所述多个样本行驶时序数据进行模型训练，生成路面状态预测模型，包括：
5.根据权利要求4所述的方法，其特征在于，所述将所述多个样本行驶时序数据输入初始模型进行模型训练，生成所述路面状态预测模型，包括：
6.根据权利要求3所述的方法，其特征在于，所述获取多个样本行驶时序数据，包括：
7.根据权利要求5所述的方法，其特征在于，每个样本行驶时序数据的标签还包括所述下一时间段的样本底盘时序数据；
8.一种路面状态预测装置，其特征在于，包括：
9.一种电子设备，包括：处理器、存储器及存储在所述存储器上并可在处理器上运行的计算机执行指令，其特征在于，所述处理器执行所述计算机执行指令时用于实现如权利
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质中存储有计算机执行指令，所述计算机执行指令被处理器执行时用于实现如权利要求1至7任一项所述的路面状态预测方法。
11.一种计算机程序产品，包括计算机程序，其特征在于，所述计算机程序被处理器执行时用于实现如权利要求1至7任一项所述的路面状态预测方法。
...【技术特征摘要】
1.一种路面状态预测方法，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，所述根据所述行驶时序数据和路面状态预测模型，获取所述路面状态预测模型预测得到的未来时段的路面状态，包括：
3.根据权利要求1或2所述的方法，其特征在于，所述方法还包括：
4.根据权利要求3所述的方法，其特征在于，所述根据所述多个样本行驶时序数据进行模型训练，生成路面状态预测模型，包括：
5.根据权利要求4所述的方法，其特征在于，所述将所述多个样本行驶时序数据输入初始模型进行模型训练，生成所述路面状态预测模型，包括：
6.根据权利要求3所述的方法，其特征在于，所述获取多个样本行驶时序数据，包括：
7.根据权利要求5所述的方...
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。