买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网恭喜南京依维柯汽车有限公司;南京理工大学申请的专利一种基于XGBoost的车辆行驶工况识别方法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN114817371B 。

龙图腾网通过国家知识产权局官网在2025-03-07发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202210522785.3，技术领域涉及：G06F18/2431；该发明授权一种基于XGBoost的车辆行驶工况识别方法是由石少健;宋伟;张明月;张平;陶鹤鸣;王陶设计研发完成，并于2022-05-13向国家知识产权局提交的专利申请。

本一种基于XGBoost的车辆行驶工况识别方法在说明书摘要公布了：本发明涉及一种基于XGBoost的车辆行驶工况识别方法，首先通过车联网服务云平台数据库中获取车辆有效历史行车数据，并进行处理，形成适用XGBoost分类算法模型的车辆行驶数据样本；再对XGBoost分类识别模型进行训练数据集准备，经处理形成适用于无监督学习算法的初始数据集；分析确定出初始数据集中各样本数据行驶工况类型标签，形成分类识别模型训练数据集；利用带有行驶工况类别标签的数据集训练XGBoost分类识别模型，经超参数调整后，准确率达到最优；最终利用训练好的XGBoost车辆行驶工况识别模型对车辆行驶数据样本进行识别，并对行驶工况类型进行统计。本发明简单高效，具有较强的泛化能力，可在多种平台下进行部署应用，利于实际生产应用。

本发明授权一种基于XGBoost的车辆行驶工况识别方法在权利要求书中公布了：1.一种基于XGBoost的车辆行驶工况识别方法，其特征在于：包括如下具体步骤：步骤1，由现有车联网服务云平台数据库中获取车辆某一天24小时有效历史行车数据，所述行车历史数据至少包括数据采集时间、车辆行驶车速、经纬度位置信息；步骤2，对前述步骤中的历史行驶数据进行处理，形成适用XGBoost分类算法模型的车辆行驶数据样本；步骤3，对XGBoost分类识别模型进行训练数据集准备，通过采集某一地区道路或者采用车辆标准行驶循环工况数据，经处理形成适用于无监督学习算法的初始数据集；XGBoost分类识别模型进行训练数据集准备的具体步骤为：步骤3.1，采集某一区域道路或者采用车辆标准行驶循环工况数据作为初始模型训练数据；步骤3.2，将模型训练数据经步骤2的窗口化处理，并进一步进行复合划分，增加数据集样本数目，以及降低训练数据的事件偶然性和随机性，得到训练数据DataTraining；步骤3.3，对步骤3.2中获得的训练数据DataTraining进行无监督学习，获取训练样本的真实标签，对训练样本进行归一化处理，计算公式为： 步骤3.4，经步骤3.3归一化处理后的数据进行数据降维，数据降维方法至少包括主成分分析法、自动编码器、线性判别分析、奇异值分解及局部线性嵌入方法，选用合适的降维方法对数据进行数据降维，降低模型的研究复杂度，最终获取降维数据DataDimensionalityReduction；步骤3.5，对前述步骤中的降维数据进行聚类分析，找出数据中的类别标签，根据SSE和聚类轮廓系数以及结合日常驾驶环境类型，将行驶工况分为四类，即城市拥堵、城市、郊区、高速四种行驶工况，采用K-Means++聚类算法进行聚类分析，为了对应前述四类行驶工况，将初始聚类类别设为四种，在聚类初始时需要定义要聚类个数，然后按照四种类型聚类，聚类后对最终聚类中心进行数值分析每一类对应上述具体哪一种行驶工况类型，得到每个数据样本的真实标签，将数据标签返回至步骤3.2的训练数据DataTraining中，最终使训练数据中每条样本对应一条行驶工况类型标签；步骤4，前述步骤中形成的初始数据集经无监督学习算法学习后，分析确定出初始数据集中各样本数据行驶工况类型标签，形成分类识别模型训练数据集；分析训练数据集中行驶工况类型标签的具体步骤为：步骤4.1，经步骤3.5聚类分析后的标签返回到训练数据DataTraining中，以返回数据标签进行分类，对每一类数据中15种特征参数求取平均值，作为最终聚类中心；步骤4.2，对四个聚类中心数据进行分析比较，通过分析比较对各数据标签赋予相对应的类型；步骤5，利用带有行驶工况类别标签的数据集训练XGBoost分类识别模型，经超参数调整后，准确率达到最优；步骤6，利用训练好的XGBoost车辆行驶工况识别模型对车辆行驶数据样本进行识别，并对行驶工况类型进行统计。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人南京依维柯汽车有限公司;南京理工大学，其通讯地址为：211806 江苏省南京市浦口经济开发区百合路8号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。