基于深度学习的道路地形分布识别方法、设备和存储介质技术

本发明专利技术实施例公开了一种基于深度学习的道路地形分布识别方法、设备和存储介质。其中，方法包括：获取机动车在一时间段内的行驶数据，以及用于区分不同道路地形的多个行驶状态；根据所述行驶数据，计算所述时间段内每个行驶状态的时间占比；将所述多个行驶状态的时间占比输入训练好的深度学习网络，预测所述时间段内所述机动车在每种道路地形的行驶里程占比；其中，所述深度学习网络包括：多头自注意力编码层、特征提取层、全连接层和归一化层。本实施例提高了识别准确度。实施例提高了识别准确度。实施例提高了识别准确度。

【技术实现步骤摘要】
基于深度学习的道路地形分布识别方法、设备和存储介质


[0001]本专利技术实施例涉及深度学习领域，尤其涉及一种基于深度学习的道路地形分布识别方法、设备和存储介质。

技术介绍

[0002]随着机动车的保有量的日益提升，碳排放带来的环境污染问题日益严重，对机动车的远程实时监控越来越重要。道路地形识别是机动车远程实时监控的基础，机动车在不同道路地形行驶时产生的碳排放量也不相同。
[0003]现有技术中，通常将道路地形的识别视为分类问题，将不同的道路地形作为不同的分类，识别某一时段或路段最有可能属于的一种道路地形。但在实际应用中，某一时段或路段内机动车行驶的道路地形有可能是变化的，采用分类方式难以识别出真实的道路地形。

技术实现思路

[0004]本专利技术实施例提供一种基于深度学习的道路地形分布识别方法、设备和存储介质，以提高地形识别的准确度。
[0005]第一方面，本专利技术实施例提供了一种基于深度学习的道路地形分布识别方法，包括：获取机动车在一时间段内的行驶数据，以及用于区分不同道路地形的多个行驶状态；根据所述行驶数据，计算所述时间段内每个行驶状态的时间占比；将所述多个行驶状态的时间占比输入训练好的深度学习网络，预测所述时间段内所述机动车在每种道路地形的行驶里程占比；其中，所述深度学习网络包括：多头自注意力编码层、特征提取层、全连接层和归一化层；所述多头自注意力编码层用于计算所述多个行驶状态的时间占比之间的关系；所述特征提取层用于提取所述关系的局部特征；所述全连接层用于对所述特征提取层的输出进行全连接与降维，得到所述机动车在每种道路地形的行驶里程；所述归一化层用于计算每种道路地形的行驶里程占比。
[0006]第二方面，本专利技术实施例还提供了一种电子设备，所述电子设备包括：一个或多个处理器；存储器，用于存储一个或多个程序，当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现任一实施例所述的基于深度学习的道路地形分布识别方法。
[0007]第三方面，本专利技术实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现任一实施例所述的基于深度学习的道路地形分布识别方法。
[0008]本专利技术实施例使用基于自注意力机制的深度学习神经网络模型对机动车的行驶数据进行分析，通过多种行驶状态的时间占比识别机动车在一段时间内行驶的道路地形分布，识别结果相比于地形分类更加精细，提高了地形识别的精度；同时，无需对具体的时间地点进行识别分类，加强了对用户隐私的保护。此外，本实施例根据行驶数据间复杂的耦合性，在深度学习模型中通过多层自注意力编码层提取各时间占比之间的全局内在关系，通过特征提取层提取各时间占比之间的局部关系，实现了特征关系的全覆盖，进一步提高了模型的识别精度。
附图说明
[0009]为了更清楚地说明本专利技术具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本专利技术的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0010]图1是本专利技术实施例提供的一种基于深度学习的道路地形分布识别方法的流程图；图2是本专利技术实施例提供的深度学习网络的结构示意图；图3是本专利技术实施例提供的一种多头自注意力编码层的结构示意图；图4是本专利技术实施例提供的一种x与x
‑
logx的函数对比图；图5是本专利技术实施例提供的机动车在不同道路地形上的行驶速度分布图；图6是本专利技术实施例提供的机动车在不同道路地形上的行驶档位分布图；图7是本专利技术实施例提供的一种电子设备的结构示意图。
具体实施方式
[0011]为使本专利技术的目的、技术方案和优点更加清楚，下面将对本专利技术的技术方案进行清楚、完整的描述。显然，所描述的实施例仅是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所得到的所有其它实施例，都属于本专利技术所保护的范围。
[0012]在本专利技术的描述中，需要说明的是，术语“中心”、“上”、“下”、“左”、“右”、“竖直”、“水平”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本专利技术和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本专利技术的限制。此外，术语“第一”、“第二”、“第三”仅用于描述目的，而不能理解为指示或暗示相对重要性。
[0013]在本专利技术的描述中，还需要说明的是，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本专利技术中的具体含义。
[0014]本专利技术实施例提供基于深度学习的道路地形分布识别方法，适用于对机动车在某一时段内的行驶道路地形分布进行识别的情况，本实施例由电子设备执行。该方法的流程
图如图1所示，本实施例提供的方法具体包括：S110、获取机动车在一时间段内的行驶数据，以及用于区分不同道路地形的多个行驶状态。
[0015]行驶数据指机动车在行驶过程中产生的运行数据。可选地，所述行驶数据包括：行驶速度、发动机转速、发动机扭矩、发动机节气门开度、行驶档位和油门踏板踩合状态；道路地形包括：高速公路、国道和山路；用于区分不同道路地形的多个行驶状态：高速行驶、低速行驶、低转速行驶、高档位行驶、驻车怠速行驶、带档滑行行驶、空挡滑行行驶、发动机外特性行驶、低速大扭矩行驶。
[0016]这些行驶状态能够较好地区分不同的道路地形。例如，高速行驶指速度超过一阈值（例如每小时70公里）的行驶状态，通常出现在高速公路中，能够用于区分高速公路和其他两种道路地形；发动机外特性行驶指发动机转速在2000转以下并且节气门开度为100%的行驶状态，在山路中通常不会出现，能够用于区分山路和其他两种道路地形。
[0017]S120、根据所述行驶数据，计算所述时间段内每个行驶状态的时间占比。
[0018]由于机动车的行驶状态和行驶道路都是实时变化的，因此本实施例计算每个行驶状态在所述时间段内的时间占比，用于预测该时间段内机动车在每种道路地形的行驶里程占比。
[0019]计算得到的多个行驶状态的时间占比包括：高速行驶的时间占比、低速行驶的时间占比、低转速行驶的时间占比、高档位行驶的时间占比、驻车怠速行驶的时间占比、带档滑行行驶的时间占比、空挡滑行行驶的时间占比、发动机外特性行驶的时间占比、低速大扭矩行驶的时间占比。
[0020]以高速行驶的时间占比为例，用机动车处于高速行驶状态的总时间除以所述一个时间段，就得到高速行驶的时间占比。其它行驶状态的时间占比类似，不再赘述。
[0021]S130、将本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习的道路地形分布识别方法，其特征在于，包括：获取机动车在一时间段内的行驶数据，以及用于区分不同道路地形的多个行驶状态；根据所述行驶数据，计算所述时间段内每个行驶状态的时间占比；将所述多个行驶状态的时间占比输入训练好的深度学习网络，预测所述时间段内所述机动车在每种道路地形的行驶里程占比；其中，所述深度学习网络包括：多头自注意力编码层、特征提取层、全连接层和归一化层；所述多头自注意力编码层用于计算所述多个行驶状态的时间占比之间的关系；所述特征提取层用于提取所述关系的局部特征；所述全连接层用于对所述特征提取层的输出进行全连接与降维，得到所述机动车在每种道路地形的行驶里程；所述归一化层用于计算每种道路地形的行驶里程占比。2.根据权利要求1所述的道路地形分布识别方法，其特征在于，将所述多个行驶状态的时间占比输入训练好的深度学习网络之前，还包括：根据所述机动车在多个时间段中每个时间段内的行驶数据，计算每个时间段内每个行驶状态的时间占比；依次将每个时间段内所述多个行驶状态的时间占比作为训练样本，输入待训练的深度学习网络进行训练，使所述待训练的深度学习网络预测的每种道路地形的行驶里程占比逼近标注的每种道路地形的行驶里程占比；其中，训练过程中根据如下损失函数更新所述待训练的深度学习网络的参数：（1）其中，n表示道路地形的数量，y
i
表示标注的第i种道路地形的行驶里程占比，a
i
表示预测的第i种道路地形的行驶里程占比。3.根据权利要求2所述的道路地形分布识别方法，将每个时间段内所述多个行驶状态的时间占比作为训练样本，输入待训练的深度学习网络进行训练之前，还包括：获取所述机动车在每个时间段内的经纬度位置；根据所述经纬度位置，标注每个时间段内所述机动车在每种道路地形的行驶里程占比。4.根据权利要求1所述的道路地形分布识别方法，其特征在于，所述不同道路...

【专利技术属性】
技术研发人员：杨亮，王军雷，王文斌，王铁，王华珺，
申请(专利权)人：中汽信息科技天津有限公司，
类型：发明
国别省市：