本发明专利技术提供一种基于Transformer的车辆工况分类方法、产品及设备，该方法包括：基于车辆工况数据集获取真样本集；构建Transformer网络；对Transformer网络进行迭代训练获得车辆工况编码器；利用车辆工况编码器生成真样本集对应的抽象特征向量集，对抽象特征向量集进行聚类处理获得车辆工况分类结果；第t次迭代训练：编码器生成真样本子集对应的抽象特征向量子集；解码器重构真样本子集获得解码序列集；基于真样本子集对应的抽象特征向量子集计算聚类损失；基于真样本子集对应的抽象特征向量子集和解码序列集计算重构损失；求和聚类损失和重构损失获得第t次迭代的总损失。本发明专利技术还公开了一种计算机程序产品和电子设备。本发明专利技术加快了训练效率和提高了车辆工况分类准确性。
【技术实现步骤摘要】
本专利技术涉及车辆运行状态分析，尤其涉及一种基于transformer的车辆工况分类方法、产品及设备。
技术介绍
1、车辆工况数据包括车辆的速度、加速度，对于汽车甚至还包括转向角、发动机转速、油门开度等数据。由于大多数车辆工况数据都是无监督数据，因此需要进行聚类，通过聚类实现车辆工况分类。通过车辆工况分类可以帮助理解和分析车辆在不同工况下的运行状态、安全级别，从而为车辆驾驶员、车辆制造商、交通管理机构等提供有益信息和服务，是识别驾驶模式和分析汽车运行状态的基础，能够用于减少交通事故、优化车辆能源管理。
2、由于抽象特征比原始车辆工况数据更易聚类，因此现有车辆工况聚类方法中，通常基于自编码神经网络模型进行。自编码器神经网络模型主要由编码器和解码器组成。利用编码器将车辆工况数据特征降维生成抽象特征，使用k-means等传统的聚类方法对抽象特征进行聚类，效果明显优于直接用主成分分析法降维，而解码器将抽象特征还原为与输入车辆工况数据特征极其相近的向量，以此来训练编码器使其输出的抽象特征向量准确表达输入的车辆工况数据特征。
>3、但是，现有的自本文档来自技高网...
【技术保护点】
1.一种基于Transformer的车辆工况分类方法，其特征在于，包括：
2.如权利要求1所述的基于Transformer的车辆工况分类方法，其特征在于，所述基于所述车辆工况数据集获取真样本集，包括：
3.如权利要求1所述的基于Transformer的车辆工况分类方法，其特征在于，所述基于真样本子集对应的抽象特征向量子集计算聚类损失，包括：
4.如权利要求3所述的基于Transformer的车辆工况分类方法，其特征在于，所述簇指示矩阵在迭代训练中的更新方法为：
5.如权利要求1所述的基于Transformer的车辆工况分类方法，其特征在于，...
【技术特征摘要】
1.一种基于transformer的车辆工况分类方法，其特征在于，包括：
2.如权利要求1所述的基于transformer的车辆工况分类方法，其特征在于，所述基于所述车辆工况数据集获取真样本集，包括：
3.如权利要求1所述的基于transformer的车辆工况分类方法，其特征在于，所述基于真样本子集对应的抽象特征向量子集计算聚类损失，包括：
4.如权利要求3所述的基于transformer的车辆工况分类方法，其特征在于，所述簇指示矩阵在迭代训练中的更新方法为：
5.如权利要求1所述的基于transformer的车辆工况分类方法，其特征在于，第t次迭代的重构损失...
【专利技术属性】
技术研发人员：蔡斌，王佳慧，李方博，杨波，
申请(专利权)人：重庆大学，
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。