[發明專利]一種動態行駛工況構建方法、系統及設備

有效

• 申請號: 202011320811.1
• 申請日: 2020-11-23
• 公開（公告）號: CN112434735B
• 公開（公告）日: 2022-09-06
• 發明（設計）人: 康宇;裴麗紅;許鎮義;趙振怡;劉斌琨;曹洋;呂文君
• 申請（專利權）人: 中國科學技術大學
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06N3/04
• 代理公司: 合肥天明專利事務所(普通合伙) 34115
• 代理人: 金凱

1.一種動態行駛工況構建方法，包括以下步驟：

步驟一：獲取車輛的速度數據并進行預處理，生成輸入片段X；

步驟二：構建基于深度神經網絡和雙向長短時記憶網絡的聯合學習框架，將輸入片段輸入到聯合學習框架中，得到特征空間Z；

步驟三：利用基于相對熵的正則化項實現特征空間Z的軟分配聚類，迭代更新后得到聚類結果；

步驟四：根據聚類結果與輸入片段的對應關系，對輸入片段進行分類得到多種類型的片段庫，從各類片段庫中挑選輸入片段形成行駛工況；

步驟一中，對速度數據進行預處理時，將速度數據中的無效數據去除并填充缺失值；對速度數據進行微行程片段提取，生成微行程片段庫；對微行程片段庫進行插值處理得到等長序列庫，對等長序列庫進行歸一化處理得到輸入片段；

步驟二中，將輸入片段輸入到聯合學習框架時，所述聯合學習框架包括自編碼器，所述自編碼器包括編碼器和解碼器，編碼器通過深度神經網絡和雙向長短時記憶網絡依次對輸入片段進行處理；

所述深度神經網絡學習輸入片段中短時間尺度的波形并提取其局部特征；

所述雙向長短時記憶網絡學習輸入片段中跨越時間尺度波形之間的時間連接，提取其全局特征，進而形成所述的特征空間Z；

解碼器采用上采樣和反卷積對特征空間進行重構，形成重構片段X′；

對自編碼器進行預訓練，使解碼器輸出的重構片段X′與輸入片段具有最小的均方誤差

2.根據權利要求1所述的動態行駛工況構建方法，其特征在于：步驟三中，利用基于相對熵的正則化項實現特征序列的軟分配聚類時，所述聯合學習框架還包括用于對特征空間進行聚類的時序聚類層，編碼器和時序聚類層迭代更新，直到得到穩定的結果，最終輸入片段聚類為多種類型的片段庫其中k₀是最優聚類數，包括以下步驟：

步驟41：使用歐氏距離ED來計算特征空間各元素z_i到聚類中心c_j的距離d_ij；

步驟42：利用學生t分布將距離d_ij歸一化為概率分配，特征向量z_i屬于第j個簇的概率

其中，q_ij值越大，特征向量z_i離聚類中心越近，屬于第j簇的可能性越大，α為學生t分布的自由度數；

步驟43：目標分布p_ij設置為高于置信閾值的數據點的delta分布，并忽略其余值，其中，

步驟44：將迭代訓練的目標設定為最小化概率分配q_ij與目標分布p_ij之間的相對熵損失其中n為微行程片段的數量；

步驟45：總損失Loss_total＝Loss_C+λLoss_ae，其中λ為比例系數，Loss_C作為正則化項，防止編碼器特征提取過程過擬合。

3.根據權利要求2所述的動態行駛工況構建方法，其特征在于：根據戴維森堡丁指數DBI，選擇最優聚類數，包括以下步驟：

設置k值，分別帶入訓練編解碼及聚類網絡；

計算各k值下聚類結果的DBI值：

其中，k代表聚類數；‖c_i-c_j||₂表示聚類i質心與聚類j質心的歐式距離；表示聚類i內特征向量到其質心的平均距離，代表聚類i中數據的分散程度，表示聚類j內特征向量到其質心的平均距離，代表聚類j中數據的分散程度；M_i表示聚類i的數據個數；M_j表示聚類j的數據個數；X_is表示聚類i中的第s個數據，X_js表示聚類j中的第s個數據，c_i表示聚類i的質心，c_j表示聚類j的質心；p取2；

選取DBI值第一次出現局部最小值時的k值，作為最優聚類數k₀。

4.根據權利要求1所述的動態行駛工況構建方法，其特征在于：步驟三中，利用基于相對熵的正則化項實現特征序列的軟分配聚類時，使用K-means算法初始化聚類中心。