[发明专利]基于改进马尔可夫分析法的工况构建方法及存储介质

说明书

本发明的一种基于改进马尔可夫分析法的工况构建方法及存储介质，基于改进马尔可夫分析法的工况构建方法，基于时序分割的片段划分方法，融合路段长度等信息构造二维速度场，并采用先进的transformer来直接建模各全局特征，提取时间依赖性，包括：速度场构建、切片并向量化、嵌入空间投影、编码器特征学习、解码器分类预测。由上可知，本发明不同于传统的马尔可夫法工况构建，本发明最大限度利用上行驶数据的连续性，考虑动态数据的时间依赖性。传统的马尔可夫法，逐秒切分的模型事件，构成的模型事件集过于庞大，影响运行效率，且完全破坏了数据的时间依赖性。

技术领域

本发明涉及环境检测技术领域，具体涉及一种基于改进马尔可夫分析法的工况构建方法及存储介质。

背景技术

随着机动车保有量快速增长，由此带来的城市交通拥堵及车辆尾气污染排放问题日渐严重。机动车污染物排放主要受车辆行驶状况的影响，如车辆在交通堵塞下的怠速时间较长及加减速频率过高，都会造成较高的尾气排放。行驶工况构建是一种基于典型交通状况的汽车驾驶剖面的构建方法，在汽车排放、经济性和行驶里程的评价中具有重要的作用。

目前行驶工况构建方法主要分为两类：马尔科夫分析法和聚类分析法。马尔可夫分析法将车辆行驶过程的速度和时间关系看作随机过程，利用t时刻的状态只依赖于t-1时刻的状态的特点(即无后效性)，将不同模型事件组合在一起形成整个行驶过程。聚类分析法将所有运动学片段根据其相似程度分成若干类，再依据一定原则从每一类片段库中挑选片段组成最终的工况曲线。相比于聚类分析法，马尔科夫分析法对数据连续性要求较低，理论性较强，精度较高。

发明内容

本发明提出的一种基于改进马尔可夫分析法的工况构建方法及存储介质，利用先进时序分割方法划分数据，先进特征提取方法聚类状态空间，从而实现对行驶数据更高精度更高运行效率的动态行驶工况构建。可以解决现有方法在数据切分破坏行驶数据时间依赖关系，运行效率过低的技术问题。

为实现上述目的，本发明采用了以下技术方案：

一种基于改进马尔可夫分析法的工况构建方法，包括以下步骤，

S10、基于时序分割的片段划分方法，融合路段长度信息构造二维速度场，并采用先进的transformer来直接建模各全局特征，提取时间依赖性；

S20、基于时序聚类算法的状态归类，将划分出来的模型事件集合Y＝{y₁，y₂，..，y_m}使用两层网络来提取模型事件的时序特征并降维，进一步在特征空间中聚类得到n个状态簇，n个状态簇共同组成马尔可夫过程中的状态空间；

S30、采用马尔可夫法利用状态空间的转移概率矩阵来选取备选片段，转移概率矩阵的设计；

S40、行驶工况的起始片段选取，根据总体特征参数偏差最小的原则来选取运动学片段；

S50、利用前述步骤S30设计并计算的转移概率矩阵，来挑选下一个状态簇，进一步选择运动学片段；

S60、在中间部分最后时刻的速度减速到静止的运动学片段中挑选，与起始片段选取过程相同，分别计算满足条件的运动学片段与整体数据的平均绝对百分比误差，选择误差最小的片段构成结尾片段；

S70、将起始片段，中间过程，结尾片段依次拼接，构成行驶工况曲线。

进一步的，所述S10基于时序分割的片段划分方法，融合路段长度信息构造二维速度场，并采用先进的transformer来直接建模各全局特征，提取时间依赖性具体包括：

S11、将行驶数据进行道路匹配，构造出各路段的行驶速度时间集合，进一步构造速度场：横坐标为时间，纵坐标为各路段的长度，速度场中任意值表示为路段i上时刻，位置的数值为每个路段构造出一张速度场；