【技术实现步骤摘要】
本申请涉及智能驾驶领域，尤其涉及一种行驶工况识别方法、装置、设备及存储介质。
技术介绍
1、在车辆领域，准确识别车辆行驶的工况是一个重要的问题，因为不同的行驶工况需要采取不同的驾驶策略和车辆控制方法。
2、然而，现有的车辆行驶工况识别方案通常基于新增的图像传感器，或者采用深度神经网络进行建模实现工况识别，而深度神经网络部署在车端占用资源较大，对车端处理器性能要求较高，从而增加了识别成本，并且现有识别方案在具体识别工况场景时并未涉及对山区工况的划分。
3、因此现有技术在实现对车辆行驶工况识别时，在识别成本以及识别的工况场景范围方面仍有所欠缺。
技术实现思路
1、本申请提供一种行驶工况识别方法、装置、设备及存储介质，用以解决现有技术在实现对车辆行驶工况识别时，在识别成本以及识别的工况场景范围方面仍有所欠缺的问题。
2、第一方面，本申请提供一种行驶工况识别方法，包括：
3、获取关键指标数据集，所述关键指标数据集包括多组关键指标数据，所述关键指标数据用于指示历史时间段内的车辆关键行驶数据；
4、通过自适应粒子群算法对所述关键指标数据集进行聚类，以获取多个初始聚类中心，基于多个所述初始聚类中心，通过k-means算法对所述关键指标数据集进行训练，以获取包括目标聚类中心的工况识别模型；
5、获取当前时间段内的车辆行驶数据，所述车辆行驶数据包括当前关键指标数据和当前坡度，其中，所述当前关键指标数据包括当前平均车速、当前制动频
6、在一种可能的设计中，所述获取关键指标数据集，包括：获取历史数据集，所述历史数据集包括多组历史指标数据，所述历史指标数据用于指示历史时间段内的车辆详细行驶数据，所述车辆详细行驶数据包括平均车速、制动频率、制动时间、最大车速、怠速比例、平均加速度和平均减速度；
7、对各所述历史指标数据进行归一化处理后，在各所述历史指标数据中，提取所述平均车速、制动频率和最大车速，作为对应的所述关键指标数据，并将多个所述关键指标数据作为所述关键指标数据集。
8、在一种可能的设计中，所述获取多个初始聚类中心，包括：
9、在所述关键指标数据集中，随机获取多个所述关键指标数据，作为对应的初始中心向量；
10、以各所述关键指标数据与各所述初始中心向量的距离最小为优化目标，通过自适应粒子群算法对各所述初始中心向量进行更新后，将满足所述优化目标的各中心向量作为对应的所述初始聚类中心；
11、根据各所述初始聚类中心和所述关键指标数据集，通过k-means算法获取所述目标聚类中心。
12、在一种可能的设计中，所述通过k-means算法获取目标聚类中心，包括：
13、获取各所述关键指标数据与各所述初始聚类中心的距离，并将各所述关键指标数据分配至距离最短对应的各聚类簇中，各所述聚类簇包括多个靠近的所述关键指标数据，各所述聚类簇与各所述初始聚类中心对应；
14、根据各所述聚类簇中多个所述关键指标数据的平均值，获取各所述聚类簇的平均坐标位置，并作为新的聚类中心，根据各所述新的聚类中心获取各所述目标聚类中心，其中，各所述目标聚类中心分别与不同的行驶工况对应，所述行驶工况包括高速、郊区和市区。
15、在一种可能的设计中，所述根据各所述新的聚类中心获取各所述目标聚类中心，包括：
16、获取各所述新的聚类中心与对应所述初始聚类中心的差值，作为各所述新的聚类中心的变化差值，检测各所述变化差值是否均小于或等于变化阈值；
17、若是，将各所述新的聚类中心作为所述工况识别模型的目标聚类中心；
18、若否，则将大于所述变化阈值的所述新的聚类中心，标记为待更新聚类中心，并基于各所述关键指标数据与所述待更新聚类中心，重新获取所述待更新聚类中心对应的新的聚类簇，根据所述新的聚类簇的平均坐标位置，更新所述待更新聚类中心，如此循环，直至所述待更新聚类中心小于或等于所述变化阈值。
19、在一种可能的设计中，若所述当前坡度处于预设坡度区间时，通过所述行驶工况信息指示山区工况。
20、第二方面，本申请提供一种行驶工况识别装置，包括：
21、获取模块，用于获取关键指标数据集，所述关键指标数据集包括多组关键指标数据，所述关键指标数据用于指示历史时间段内的车辆关键行驶数据；
22、处理模块，用于通过自适应粒子群算法对所述关键指标数据集进行聚类，以获取多个初始聚类中心，基于多个所述初始聚类中心，通过k-means算法对所述关键指标数据集进行训练，以获取包括目标聚类中心的工况识别模型；
23、执行模块，用于获取当前时间段内的车辆行驶数据，所述车辆行驶数据包括当前关键指标数据和当前坡度，其中，所述当前关键指标数据包括当前平均车速、当前制动频率和当前最大车速，若所述当前坡度不处于预设坡度区间时，将所述当前关键指标数据输入至所述工况识别模型中，并通过所述工况识别模型输出行驶工况信息，所述行驶工况信息包括高速、郊区或市区。
24、第三方面，本申请提供一种电子设备，包括：处理器，以及与所述处理器通信连接的存储器；
25、所述存储器存储计算机执行指令；
26、所述处理器执行所述存储器存储的计算机执行指令，以实现行驶工况识别方法。
27、第四方面，本申请提供一种计算机可读存储介质，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行驶工况识别方法。
28、本申请提供的行驶工况识别方法、装置、设备及存储介质，通过自适应粒子群算法，对指示历史时间段内的车辆关键行驶数据的关键指标数据集进行寻优，以获取多个初始聚类中心，并基于多个初始聚类中心，通过k-means算法对关键指标数据集进行训练，以获取包括目标聚类中心的工况识别模型后，获取当前时间段内当前平均车速、当前制动频率、当前最大车速和当前坡度，并在当前坡度不处于预设坡度区间时，将当前关键指标数据输入至工况识别模型中，并通过工况识别模型中的目标聚类中心输出行驶工况信息，从而相较于现有识别方案，本方案基于现有传感器获取的数据，更加简单高效易实现，部署时占用资源小，识别成本低。
本文档来自技高网...【技术保护点】
1.一种行驶工况识别方法，其特征在于，所述方法包括：
2.根据权利要求1所述的方法，其特征在于，所述获取关键指标数据集，包括：
3.根据权利要求1所述的方法，其特征在于，所述获取多个初始聚类中心，包括：
4.根据权利要求3所述的方法，其特征在于，所述通过K-means算法获取目标聚类中心，包括：
5.根据权利要求4所述的方法，其特征在于，所述根据各所述新的聚类中心获取各所述目标聚类中心，包括：
6.根据权利要求1所述的方法，其特征在于，若所述当前坡度处于预设坡度区间时，通过所述行驶工况信息指示山区工况。
7.一种行驶工况识别装置，其特征在于，包括：
8.一种电子设备，其特征在于，包括：处理器，以及与所述处理器通信连接的存储器；
9.一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6任一项所述的方法。
【技术特征摘要】
1.一种行驶工况识别方法，其特征在于，所述方法包括：
2.根据权利要求1所述的方法，其特征在于，所述获取关键指标数据集，包括：
3.根据权利要求1所述的方法，其特征在于，所述获取多个初始聚类中心，包括：
4.根据权利要求3所述的方法，其特征在于，所述通过k-means算法获取目标聚类中心，包括：
5.根据权利要求4所述的方法，其特征在于，所述根据各所述新的聚类中心获取各所述目标聚类中心，包括：<...
【专利技术属性】
技术研发人员：张琳琳，翟霄雁，冯超，孙广迪，
申请(专利权)人：中国重汽集团济南动力有限公司，
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。