基于車聯(lián)網(wǎng)大數(shù)據(jù)的純電動汽車行程識別算法

卓麗　張亮　程登　黎飛　謝燕芳

【摘? 要】當(dāng)前，車聯(lián)網(wǎng)大數(shù)據(jù)驅(qū)使著智能汽車的發(fā)展，基于車聯(lián)網(wǎng)大數(shù)據(jù)分析用戶駕駛行為已成為必然趨勢，但直接分析底層數(shù)據(jù)是非常困難的，需結(jié)合用戶駕駛過程來分析。基于此目的，本課題提出一種基于車聯(lián)網(wǎng)大數(shù)據(jù)的純電動汽車行程識別算法，來實現(xiàn)對整車數(shù)據(jù)的聚合。

【關(guān)鍵詞】車聯(lián)網(wǎng)；汽車；大數(shù)據(jù)；行程識別

中圖分類號：U469.72? ? 文獻標(biāo)志碼：A? ? 文章編號：1003-8639（ 2023 ）08-0005-03

Trip Recognition Algorithm of Pure Electric Vehicle Based on Big Data of Internet of Vehicles

ZHUO Li，ZHANG Liang，CHENG Deng，LI Fei，XIE Yan-fang

（SAIC GM Wuling Automobile Co.，Ltd.，Guangxi Laboratory of New Energy Automobile，

Guangxi Key Laboratory of Automobile Four New Features，Liuzhou 545007，China）

【Abstract】At present，the big data of the Internet of vehicles drives the development of intelligent vehicles. It has become an inevitable trend to analyze users' driving behavior based on the big data of the Internet of vehicles. However，it is very difficult to directly analyze the underlying data，which needs to be analyzed in combination with the user's driving process. For this purpose，this topic proposes a pure electric vehicle travel recognition algorithm based on the big data of the Internet of vehicles to realize the aggregation of vehicle data.

【Key words】vehicle networking；automobile；big data；travel identification

1? 緒論

汽車行業(yè)已經(jīng)從機械1.0時代和電子2.0時代，步入智能3.0時代，在未來智能車載系統(tǒng)及自動駕駛技術(shù)必將引發(fā)一場革命，以汽車制造技術(shù)為代表的工業(yè)技術(shù)和以互聯(lián)網(wǎng)技術(shù)為代表的信息技術(shù)勢必將緊密融合，從而推動汽車行業(yè)技術(shù)創(chuàng)新。當(dāng)前，車聯(lián)網(wǎng)大數(shù)據(jù)驅(qū)使著智能汽車的發(fā)展。所謂車聯(lián)網(wǎng)，是以車內(nèi)網(wǎng)、車際網(wǎng)和車載移動互聯(lián)網(wǎng)為基礎(chǔ)，按照約定的通信協(xié)議和數(shù)據(jù)交互標(biāo)準(zhǔn)，實現(xiàn)車與車、人、路、服務(wù)平臺之間的網(wǎng)絡(luò)連接。車輛的運行往往涉及多項開關(guān)量、傳感器模擬量、CAN信號數(shù)據(jù)等，駕駛員在操作車輛運行過程中，產(chǎn)生的車輛數(shù)據(jù)不斷回發(fā)到后臺數(shù)據(jù)庫，由云計算平臺實現(xiàn)對數(shù)據(jù)的“過濾清洗”，數(shù)據(jù)分析平臺對數(shù)據(jù)進行報表式處理，供管理人員查看。

2? 研究背景及意義

2.1? 研究背景

經(jīng)過報表式處理的車輛數(shù)據(jù)，雖然記錄了車輛在行駛過程中產(chǎn)生的數(shù)據(jù)，但是直接分析該數(shù)據(jù)是十分困難且效率低下的。以某熱門純電動汽車為例，每臺車每天產(chǎn)生的數(shù)據(jù)可達(dá)十億數(shù)量級，直接對底層數(shù)據(jù)分析用戶特征值顯然是不現(xiàn)實的。而在數(shù)據(jù)分析的角度，一個車輛行程表征一個用戶特征，用戶的駕駛線路、駕駛行為以及出行習(xí)慣等數(shù)據(jù)標(biāo)簽都是基于一個行程來計算的。在此背景下，本課題針對CAN信號數(shù)據(jù)，提出一種基于車聯(lián)網(wǎng)大數(shù)據(jù)的純電動汽車行程識別算法，以滿足海量的數(shù)據(jù)分析需求。

2.2? 研究意義

該算法主要解決以下幾個技術(shù)問題。

1）精準(zhǔn)判斷行程過程：當(dāng)車輛處于行駛狀態(tài)時，通過車聯(lián)網(wǎng)獲取車輛狀態(tài)數(shù)據(jù)，再通過編寫一套完整的算法邏輯，精確地判斷每一個行程過程，并將其記錄。

2）提升數(shù)據(jù)分析效率：對每輛車上傳的車聯(lián)網(wǎng)數(shù)據(jù)，將其以單個行程為顆粒度聚合，即將每天1萬多條的數(shù)據(jù)匯總成幾條行程數(shù)據(jù)，通過分析用戶的行程數(shù)據(jù)，即可快速提取用戶特征值，極大地提升了數(shù)據(jù)分析效率。

3）為標(biāo)簽體系建設(shè)打下基礎(chǔ)：判斷出一個完整的行程后，在單次行程中通過算法設(shè)計、算法開發(fā)以及離線任務(wù)計算，可獲得更多有價值的數(shù)據(jù)，例如行駛里程、時長、速度等，這些計算好的數(shù)據(jù)稱之為標(biāo)簽。將各類標(biāo)簽進行整合加工，同時對標(biāo)簽屬性加以定義，建立起標(biāo)簽之間的網(wǎng)絡(luò)聯(lián)系，從而搭建起一個完善、動態(tài)的標(biāo)簽體系。

3? 算法設(shè)計

由上一章節(jié)，本課題的主要目標(biāo)為：基于車聯(lián)網(wǎng)大數(shù)據(jù)，通過算法設(shè)計來判斷車輛的行駛過程，將CAN信號數(shù)據(jù)匯總成行程數(shù)據(jù)。

3.1? 純電動汽車整車上下電的流程

在上電流程中，首先是VCU被喚醒（鑰匙喚醒、網(wǎng)絡(luò)喚醒、或者充電cc信號硬線喚醒），啟動后發(fā)送請求閉合HVIL回路使能線和必要的12V低壓繼電器的CAN報文，同時監(jiān)控HVIL回路狀態(tài)，然后DCU、DC/DC、BMS被喚醒（VCU發(fā)送的網(wǎng)絡(luò)管理報文或者IG ON信號喚醒）并進行自檢，監(jiān)控HVIL回路狀態(tài)，對于BMS還需計算絕緣阻值，確認(rèn)絕緣是否正常，無故障后進入待機模式（standby狀態(tài)）。隨后VCU請求BMS閉合主繼電器，BMS則先后閉合主負(fù)繼電器和預(yù)充繼電器，當(dāng)檢測到母線電壓達(dá)到閾值后，判斷預(yù)充電成功，然后閉合主正繼電器，并斷開預(yù)充繼電器，則高壓上電完成。

在正常下電流程中，當(dāng)檢測到鑰匙信號、硬線信號關(guān)閉或網(wǎng)絡(luò)喚醒信號停發(fā)，VCU立即請求DCU離開工作模式，并且功率器件迅速降低功率，隨后VCU請求DC/DC離開工作模式，然后VCU在請求BMS斷開高壓繼電器，BMS完成響應(yīng)后，VCU斷開HVIL回路和低壓繼電器，各節(jié)點進入下電休眠流程。

在車輛上下電的過程中，還可能包含著車輛行駛過程，即車輛上電后，有可能行駛一段時間后再下電，也有可能一直保持靜止直至下電?；谡嚿舷码姷脑?，整個行程識別算法設(shè)計將車輛的單次行程過程劃分為4個時間節(jié)點：車輛上電、車輛行駛開始、車輛行駛結(jié)束、車輛下電。

3.2? 算法整體設(shè)計思路

按照數(shù)據(jù)上傳的時間先后順序，依次讀取整車CAN信號數(shù)據(jù)。在遍歷數(shù)據(jù)的過程中，首先判斷數(shù)據(jù)是否滿足車輛上電條件，當(dāng)讀取到數(shù)據(jù)滿足車輛上電條件時，記錄車輛上電時間，同時開始計算行程數(shù)據(jù)。在車輛上電時間之后，依次判斷車輛行駛開始條件、車輛行駛結(jié)束條件、車輛下電條件，當(dāng)判斷到滿足車輛下電的條件時，整個行程過程結(jié)束。以上4個節(jié)點的判斷算法如下。

1）車輛上電判斷：按照整車CAN信號數(shù)據(jù)上傳的先后順序，依次讀取數(shù)據(jù)，當(dāng)讀取到某一條數(shù)據(jù)滿足整車高壓狀態(tài)為“動力預(yù)備”且電池包主正繼電器連接狀態(tài)為“連接”時，判斷此時車輛處于上電狀態(tài)，首條滿足上電狀態(tài)條件的數(shù)據(jù)對應(yīng)的數(shù)據(jù)采集時間定義為車輛上電時間。

如圖1所示，車輛在11：07：53時首次滿足整車高壓狀態(tài)=“動力預(yù)備”且電池包主正繼電器連接狀態(tài)=“連接”，則該車輛的上電時間為2022/5/9 11：07：53。

2）車輛行駛開始判斷：車輛上電后，在判斷到車輛上電后，持續(xù)判斷至數(shù)據(jù)滿足整車高壓狀態(tài)為“動力預(yù)備”且整車運行狀態(tài)為“行駛”且整車車速>0時，車輛開始行駛，其對應(yīng)的首條數(shù)據(jù)采集時間定義為車輛行駛開始時間。

如圖2所示，車輛在53s時上電，但車速=0，即表示此時車輛屬于靜止?fàn)顟B(tài)；在55s時車速=0.28125km/h且整車運行模式=“行駛”，表示此時車輛處于行駛狀態(tài)，則車輛行駛開始時間為2022/5/9 11：07：53。

3）車輛行駛結(jié)束判斷：若車輛下電時間對應(yīng)的整車車速≠0（此時可能是車輛上傳數(shù)據(jù)丟失導(dǎo)致，也可能是因為數(shù)據(jù)采集頻率導(dǎo)致），則車輛行駛結(jié)束時間=車輛下電時間。

如圖3所示，車輛在17：44：19時的車速為0.484375km/h，表示在數(shù)據(jù)上傳時車輛仍處于運行狀態(tài)，但此時車輛已下電，所以車輛行駛結(jié)束時間應(yīng)等于車輛下電時間。

若車輛下電時間對應(yīng)的整車車速=0，則在車輛行駛開始時間至下電時間中尋找滿足整車車速全部=0的最后一個片段，該片段的首條數(shù)據(jù)采集時間為車輛行駛結(jié)束時間。

如圖4所示，車輛在11：09：39時下電，且下電時對應(yīng)的車速為0，從下電時間往前判斷，發(fā)現(xiàn)從11：09：19開始至下電時間，車速全為0（車輛一直處于靜止?fàn)顟B(tài)），說明車輛在11：09：19時已行駛結(jié)束。

4）車輛下電判斷：若前后2條數(shù)據(jù)時間間隔≤60s，則滿足整車高壓狀態(tài)為“動力斷開”且整車運行狀態(tài)不為“行駛”持續(xù)時長>6s（防止數(shù)據(jù)出現(xiàn)跳變）的首條數(shù)據(jù)為下電時間。

如圖5所示，車輛在11：09：39滿足下電條件且一直持續(xù)至11：09：47（持續(xù)時間大于6s），則11：09：39為車輛下電時間。

若前后2條數(shù)據(jù)時間間隔>60s（數(shù)據(jù)存在丟失情況），則取數(shù)據(jù)丟失前的末條數(shù)據(jù)時間為下電時間。

如圖6所示，車輛在17：44：31時仍處于上電狀態(tài)，但由于數(shù)據(jù)丟失，下一條數(shù)據(jù)上傳時間為19：28：03，此時車輛數(shù)據(jù)上傳時間間隔大于1min，則認(rèn)為在數(shù)據(jù)丟失前車輛已行駛結(jié)束，17：44：31為車輛下電時間。

本算法將車輛的單次行程過程細(xì)分為4個階段：上電、行駛開始、行駛結(jié)束、下電，通過4個時間節(jié)點完整且精確地表達(dá)了一次行程過程。同時，基于車聯(lián)網(wǎng)大數(shù)據(jù)，通過算法邏輯將幾萬條底層數(shù)據(jù)計算成幾條行程數(shù)據(jù)，以行程為最小顆粒度來存儲車輛數(shù)據(jù)，既節(jié)約了存儲成本，又提高了數(shù)據(jù)查詢效率。

圖7為某臺車5天的數(shù)據(jù)量，共計40500條，通過行程算法計算后，可將該4萬多條的數(shù)據(jù)濃縮成22條行程數(shù)據(jù)存儲，如表1所示。再基于每次行程中計算車輛的各種數(shù)據(jù)，可以一條數(shù)據(jù)來表征用戶駕駛行為。

4? 總結(jié)

本課題針對整車CAN信號數(shù)據(jù)，設(shè)計出一個基于車聯(lián)網(wǎng)大數(shù)據(jù)的純電動汽車行程識別算法，該算法可帶來許多有益的效果。

1）精準(zhǔn)識別用戶的每一次行程，解決底層數(shù)據(jù)無法直接分析的難題。

2）通過算法將底層數(shù)據(jù)匯聚成行程數(shù)據(jù)，數(shù)據(jù)量可由原先的十億數(shù)量級降低至百萬數(shù)量級。以行程為單位存儲車聯(lián)網(wǎng)數(shù)據(jù)，極大地降低了存儲成本，同時提升了數(shù)據(jù)查詢和數(shù)據(jù)分析效率。

3）基于單次行程，可計算出各類數(shù)據(jù)標(biāo)簽，這些標(biāo)簽表征了用戶的駕駛特征，通過建設(shè)標(biāo)簽體系，將盡可能多的標(biāo)簽數(shù)據(jù)通過各種各樣的方式組合，可得到不同的用戶畫像，從而賦能業(yè)務(wù)實現(xiàn)用戶精細(xì)化運營和精準(zhǔn)營銷。

參考文獻：

[1] 蒲文杰，張戈，陳雙雙. 分析大數(shù)據(jù)在車聯(lián)網(wǎng)中的應(yīng)用[J]. 重型汽車，2021（6）：37-38.

[2] 吳金. 車聯(lián)網(wǎng)大數(shù)據(jù)處理系統(tǒng)的設(shè)計分析[J]. 電子技術(shù)，2020，49（7）：178-179.

[3] 安婧. 大數(shù)據(jù)在車聯(lián)網(wǎng)中的應(yīng)用探究[J]. 計算機產(chǎn)品與流通，2018（4）：252.

[4] 芮祥麟. 大數(shù)據(jù)在車聯(lián)網(wǎng)中的應(yīng)用[J]. 軟件和信息服務(wù)，2015（3）：61.

（編輯? 楊? 景）

作者簡介

卓麗（1999—），女，助理工程師，主要從事車聯(lián)網(wǎng)大數(shù)據(jù)應(yīng)用相關(guān)工作。