一种基于数据分析的车辆燃油经济性评价方法技术

本发明专利技术公开了一种基于数据分析的车辆燃油经济性评价方法，通过数据处理和带有增强学习机制的燃油模型，对燃油消耗预测和驾驶行为分析并提升建议输出，随着模型的不断增强学习和长期动态改进，对经济燃油消耗的预测会越来越准确，配合具体直观的驾驶行为建议，为司机进行经济驾驶提供帮助。进行经济驾驶提供帮助。进行经济驾驶提供帮助。

【技术实现步骤摘要】
一种基于数据分析的车辆燃油经济性评价方法


[0001]本专利技术属于车机系统
，具体地说，本专利技术涉及一种基于数据分析的车辆燃油经济性评价方法。

技术介绍

[0002]汽车燃油经济性是指在保证动力性的前提下，汽车消耗尽量少的燃油进行经济行驶的能力。由于汽车的燃油费是汽车运输成本的重要组成部分，提高燃油经济性是节省汽车运输成本的关键。
[0003]同时，汽车保有量的逐年增长和石油能源的日渐短缺以及环境保护法规的日益严格，也要求提高燃油经济性。所以，如何提高燃油经济性并加以利用已成为全社会共同关注的重大问题。
[0004]影响汽车燃油经济性的因素除了汽车自身结构，包括发动机结构，整备质量和外形等，车辆的使用方式也是影响燃油经济性的重要因素，其中驾驶员操作行为和汽车工作强度是汽车燃油消耗的两个重要因素。
[0005]因此，基于大数据和AI技术，利用汽车行程数据分析驾驶员操作行为及汽车工作强度，并构建燃油消耗预测模型，从汽车的使用方面提高燃油经济性非常有必要。
[0006]当前市面上已出现许多燃油经济性的评价系统，如：基于车辆自身结构配置的燃油经济性评价方法，或者需要预先主观设置的道路评价参数及其他参数和权重的燃油经济性评价方法，又如通过根据基于万有特性图计算出的瞬时油耗和实际油耗比较的燃油经济性评价方法。
[0007]目前的驾驶员操作行为与燃油经济性的评价系统存在的问题有：
[0008]1、当前市面相关技术缺乏经济的长期动态改进能力，虽然市面上存在如通过长短期记忆神经网络，根据更新数据进行分析学习，获得更有节省油耗的建议，但此种方法在时间跨度大网络层次深的情况下，计算量大且耗时，不够经济。
[0009]2、受到人为预先设定道路环境参数及其他参数和权重影响
[0010]3、驾驶行为建议较为笼统，且针对性不强。

技术实现思路

[0011]本专利技术提供一种基于数据分析的车辆燃油经济性评价方法，以解决上述
技术介绍
中存在的问题。
[0012]为了实现上述目的，本专利技术采取的技术方案为：一种基于数据分析的车辆燃油经济性评价方法，具体包括以下步骤，
[0013]步骤S1：数据处理，对车辆终端发出的原始报文数据进行解析，获得行驶时间、车辆VIN码、载重、发动机转速、发动机燃油流量、瞬时油耗、车速、发动机净输出扭矩百分比、油门踏板开度、离合状态和刹车状态数据；
[0014]步骤S2：判断是否为训练模式，若是，则依次执行步骤S3、步骤S4和步骤S5和；若
否，则执行步骤S6；
[0015]步骤S3：构建训练数据集并存放在配置文件中；
[0016]步骤S4：训练数据灌入基于KNN模型构建燃油经济性模型；
[0017]步骤S5：部署模型；
[0018]步骤S6：行程实际燃油指标计算；
[0019]步骤S7：燃油模型，输出燃油油耗预测结果和驾驶工况；
[0020]步骤S8：根据步骤S7输出的燃油油耗预测结果判断是否是经济行程，若是，则执行步骤S9；若否，则执行步骤S10后结束；
[0021]步骤S9：进行增量学习；
[0022]步骤S10：不增量学习；
[0023]步骤S11：根据步骤S7燃油模型输出的驾驶工况做驾驶行为图像；
[0024]步骤S12：判断图像中工况统计指标是否超过阀值，若是，则执行步骤S13；若否，则执行步骤S14；
[0025]步骤S13：输出驾驶行为提升建议；
[0026]步骤S14：无建议输出。
[0027]优选的，所述步骤S1具体包括以下步骤，
[0028]步骤S100：原始报文数据进行解析；
[0029]步骤S101：数据预处理，是指对行驶数据字段类型的定义和转换及数据的归一化处理，具体包括：
[0030]第一：将行驶时间定义并转换为时间戳类型；
[0031]第二：将除行驶时间和车辆VIN码以外的字段转换成数字类型；
[0032]第三：对油门开度的归一化处理；
[0033]步骤S102：数据清洗，具体包括：
[0034]第一：对车速、发动机转速和瞬时油耗进行异常点过滤；
[0035]第二：对车速使用箱型图法进行过滤，只保留数据中处于合理范围的数据；
[0036]第三：将车辆VIN码和时间戳设为索引后对剩余所有其他数据的去重；
[0037]步骤S103：数据对齐，是指通过线性插值或临近插值进行数据填充和插值；
[0038]步骤S104：数据精度限制，是指根据数据精度需求对数据保留几位小数；
[0039]步骤S105：档位识别，是指根据车速比区间进行档位识别，每个车速比区间对应一个档位；
[0040]步骤S106：生成衍生特征，是指根据速度和时间计算得到加速度，单位为m/s2。
[0041]优选的，所述步骤S3，构建训练数据集并存放在配置文件中，为减少被用作训练数据集的数据量，进而优化模型效率，对行程数据进行小区间切割和区间平均值计算，具体处理方式如下：
[0042]将行程数据中三个变量(速度、加速度和载重)均切割成小区间段,在本方法中，速度以1km/h的间隔切分，加速度以0.1m/s2的间隔切分,载重以500kg的间隔切分；此种对行程数据进行小区间切割和区间平均值的方法可将多条属于同一小区间的行驶数据通过采用其区间平均值的方法体现为一条行驶数据，从而达到减少数据集的数据量的目的，然后存储构建好的数据集到模型配置文件中。
[0043]优选的，所述步骤S4，训练数据灌入基于KNN模型构建燃油经济性模型，具体步骤如下：
[0044]将训练数据集灌入python机器学习scikit
‑
learn库中的K近邻回归(KNN：KNeighborsRegressor)模型，将模型调整到合适的参数，本方法中采用算术平均方式，为每个邻居分配相等的权重，完成燃油模型的构建，学习并统计在某车速、加速度和载重条件下经济驾驶行为平均的发动机燃油流量。
[0045]优选的，所述步骤S5，部署模型，具体步骤如下：
[0046]将燃油模型及其配置文件部署到云服务器上，利用服务化代码构建Docker镜像，并推送至车联网Docker镜像仓库；在车联网云平台中，Docker镜像仓库中的服务化镜像通过设定的规则自动创建Docker容器，为调用方提供模型服务的API访问接口；通过API访问接口可调用燃油模型服务，并将燃油消耗预测结果和驾驶行为提升建议结果返回给调用方。
[0047]优选的，所述步骤S6，行程实际燃油指标计算，基于步骤S1中处理完成的行程数据进行以下燃油指标计算，
[0048]瞬时百公里油耗(L/100km)＝发动机燃油流量(L/H)/车速(km/H)*100；
[0049]瞬时百公里吨油耗(L/100t*km)＝瞬时百公里油耗(L/100km)/载重(t)；
[0050]功率本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于数据分析的车辆燃油经济性评价方法，其特征在于：具体包括以下步骤，步骤S1：数据处理，对车辆终端发出的原始报文数据进行解析，获得行驶时间、车辆VIN码、载重、发动机转速、发动机燃油流量、瞬时油耗、车速、发动机净输出扭矩百分比、油门踏板开度、离合状态和刹车状态数据；步骤S2：判断是否为训练模式，若是，则依次执行步骤S3、步骤S4和步骤S5和；若否，则执行步骤S6；步骤S3：构建训练数据集并存放在配置文件中；步骤S4：训练数据灌入基于KNN模型构建燃油经济性模型；步骤S5：部署模型；步骤S6：行程实际燃油指标计算；步骤S7：燃油模型，输出燃油油耗预测结果和驾驶工况；步骤S8：根据步骤S7输出的燃油油耗预测结果判断是否是经济行程，若是，则执行步骤S9；若否，则执行步骤S10后结束；步骤S9：进行增量学习；步骤S10：不增量学习；步骤S11：根据步骤S7燃油模型输出的驾驶工况做驾驶行为图像；步骤S12：判断图像中工况统计指标是否超过阀值，若是，则执行步骤S13；若否，则执行步骤S14；步骤S13：输出驾驶行为提升建议；步骤S14：无建议输出。2.根据权利要求1所述的一种基于数据分析的车辆燃油经济性评价方法，其特征在于：所述步骤S1具体包括以下步骤，步骤S100：原始报文数据进行解析；步骤S101：数据预处理，是指对行驶数据字段类型的定义和转换及数据的归一化处理，具体包括：第一：将行驶时间定义并转换为时间戳类型；第二：将除行驶时间和车辆VIN码以外的字段转换成数字类型；第三：对油门开度的归一化处理；步骤S102：数据清洗，具体包括：第一：对车速、发动机转速和瞬时油耗进行异常点过滤；第二：对车速使用箱型图法进行过滤，只保留数据中处于合理范围的数据；第三：将车辆VIN码和时间戳设为索引后对剩余所有其他数据的去重；步骤S103：数据对齐，是指通过线性插值或临近插值进行数据填充和插值；步骤S104：数据精度限制，是指根据数据精度需求对数据保留几位小数；步骤S105：档位识别，是指根据车速比区间进行档位识别，每个车速比区间对应一个档位；步骤S106：生成衍生特征，是指根据速度和时间计算得到加速度，单位为m/s2。3.根据权利要求1所述的一种基于数据分析的车辆燃油经济性评价方法，其特征在于：所述步骤S3，构建训练数据集并存放在配置文件中，为减少被用作训练数据集的数据量，进
而优化模型效率，对行程数据进行小区间切割和区间平均值计算，具体处理方式如下：将行程数据中三个变量(速度、加速度和载重)均切割成小区间段,在本方法中，速度以1km/h的间隔切分，加速度以0.1m/s2的间隔切分,载重以500kg的间隔切分；此种对行程数据进行小区间切割和区间平均值的方法可将多条属于同一小区间的行驶数据通过采用其区间平均值的方法体现为一条行驶数据，从而达到减少数据集的数据量的目的，然后存储构建好的数据集到模型配置文件中。4.根据权利要求1所述的一种基于数据分析的车辆燃油经济性评价方法，其特征在于：所述步骤S4，训练数据灌入基于KNN模型构建燃油经济性模型，具体步骤如下：将训练数据集灌入python机器学习scikit
‑
learn库中的K近邻回归(KNN：KNeighborsRegressor)模型，将模型调整到合适的参数，本方法中采用算术平均方式，为每个邻居分配相等的权重，完成燃油模型的构建，学习并统计在某车速、加速度和载重条件下经济驾驶行为平均的发动机燃油流量。5.根据权利要求1所述的一种基于数据分析的车辆燃油经济性评价方法，其特征在于：所述步骤S5，部署模型，具体步骤如下：将燃油模型及其配置文件部署到云服务器上，利用服务化代码构建Docker镜像，并推送至车联网Docker镜像仓库；在车联网云平台中，Docker镜像仓库中的服务化镜像通过设定的规则自动创建Docker容器，为调用方提供模...

【专利技术属性】
技术研发人员：姜文娟，徐礼成，崔震，王惠艺，曹贵宝，卢东涛，张明华，
申请(专利权)人：山东五征集团有限公司，
类型：发明
国别省市：