(19)中华 人民共和国 国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111344869.4 (22)申请日 2021.11.15 (71)申请人 浙江飞碟汽车制造有限公司 地址 311100 浙江省杭州市余杭区五常荆 长路33号 申请人 山东五征集团有限公司 (72)发明人 姜文娟　徐礼成　崔震　王惠艺　 曹贵宝　卢东涛　张明华　 (74)专利代理 机构 北京天盾知识产权代理有限 公司 11421 代理人 郭成　解敬文 (51)Int.Cl. G07C 5/08(2006.01) G07C 5/00(2006.01) B60R 16/023(2006.01)G06Q 10/04(2012.01) G06N 20/00(2019.01) G06F 16/2458(2019.01) G06F 16/215(2019.01) (54)发明名称 一种基于数据分析的车辆燃油经济性评价 方法 (57)摘要 本发明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。 权利要求书3页 说明书7页 附图3页 CN 114049699 A 2022.02.15 CN 114049699 A 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KN N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VI N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VI N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S 3， 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， 进权　利　要　求　书 1/3 页 2 CN 114049699 A 2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KN N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。 6.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， 瞬时百公里油耗(L/10 0km)＝发动机 燃油流量(L/H)/车速(km/ H)*100； 瞬时百公里吨油耗(L/10 0t*km)＝瞬时百公里油耗(L/10 0km)/载重(t)； 功率＝发动机转速 *发动机净输出 扭矩百分比/95 50； 发动机燃油消耗 率＝发动机 燃油流量/功率； 平均百公里油耗是 所有瞬时百公里油耗的均值； 平均百公里吨油耗是 所有瞬时百公里吨油耗的均值； 平均燃油消耗 率是所有燃油消耗 率的均值。 7.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S7,燃油模型， 输出燃油 油耗预测结果和驾驶工况： 燃油模型输出燃油 油耗预测结果， 具体步骤如下： 基于当前燃油模型， 将测试行程数据输入到当前燃油模型， 触发最近邻匹配机制， 即可 估算出该段行程平均最经济的发动机燃油流量； 根据当前燃油模型估算得到的瞬时发动机 燃油流量可计算出经济情况下 的百公里油耗、 平均百公里油耗和平均燃油消 耗率， 输出燃 油油耗预测结果； 燃油模型输出驾驶工况， 具体步骤如下： 驾驶工况提取： 基于步骤S1中解析完成的车辆终端发出的原始报文数据， 根据加速度、 油门开度、 刹车离合状态、 工况最低持续时长、 同种工况最大间隔时长、 档位、 发动机转速， 对行程数据进行工况识别；权　利　要　求　书 2/3 页 3 CN 114049699 A 3