基于数据协整分析的油耗计量系统及其方法

摘要

本申请涉及数据分析领域，其具体地公开了一种基于数据协整分析的油耗计量系统及其方法，通过使用基于深度神经网络模型的特征提取器来挖掘影响耗油量的所有相关数据项之间的高维隐含非线性关联，同时，以基于深度神经网络模型的特征提取器提取油耗量序列的高维隐含关联特征，继而对所述油耗量序列的高维特征和测量参数特征进行协整分析以挖掘测量参数与油耗量之间的深度隐含关联，基于此构建具有更高测量精度的基于数据协整分析的油耗计量方案。

说明书

技术领域

本申请涉及数据分析领域，且更为具体地，涉及一种基于数据协整分析的油耗计量系统及其方法。

背景技术

用户在购买车辆时或者使用车辆时，会关注车辆的油耗值，因为这与用户用车成本息息相关。针对于汽车油耗值，工信部会给予耗油参考值，但是在实际产业和生活中，该参考值与汽车实际耗油值之间存在较大偏差，影响用户对车性能和车辆使用成本的准确评估。

专利申请201922008287.3公开了一种农机油耗计量系统，该系统也达不到准确评估的效果。

因此，期待一种更为优化的基于数据协整分析的油耗计量方案。

发明内容

为了解决上述技术问题，提出了本申请。本申请的实施例提供了一种基于数据协整分析的油耗计量系统及其方法，通过使用基于深度神经网络模型的特征提取器来挖掘影响耗油量的所有相关数据项之间的高维隐含非线性关联，同时，以基于深度神经网络模型的特征提取器提取油耗量序列的高维隐含关联特征，继而对所述油耗量序列的高维特征和测量参数特征进行协整分析以挖掘测量参数与油耗量之间的深度隐含关联，基于此构建具有更高测量精度的基于数据协整分析的油耗计量方案。

根据本申请的一个方面，提供了一种基于数据协整分析的油耗计量系统，其包括：

测试数据采集模块，用于获取多组车辆检测数据，其中，每一组所述车辆检测数据包括车速、行驶时间、风阻、总做功、功率、热效能、热值和油耗值；

相关数据编码模块，用于将所述多组车辆检测数据中的车速、行驶时间、风阻、总做功、功率、热效能和热值按照数据项维度和组别维度排列为测量输入矩阵后通过作为过滤器的卷积神经网络模型以得到测量特征向量；

油耗数据编码模块，用于将所述多组车辆检测数据中的油耗值排列为油耗输入向量后通过多尺度邻域特征提取模块以得到多尺度邻域油耗特征向量；

协整分析模块，用于对所述测量特征向量和所述多尺度邻域油耗特征向量进行协整分析以得到协整特征矩阵；

检测数据采集模块，用于获取待检测车辆在预定时间段内多个预定时间点的车速值；

检测数据编码模块，用于将所述多个预定时间点的车速值通过包含一维卷积层的时序编码器以得到车速特征向量；

向量查询模块，用于将所述车速特征向量作为查询特征向量与所述协整特征矩阵进行相乘以得到解码特征向量；

解码优化模块，用于基于所述解码特征向量的所有位置的特征值的均值的倒数，对所述解码特征向量中各个位置的特征值进行校正以得到校正后解码特征向量；以及

油耗计量模块，用于将所述校正后解码特征向量通过解码器以得到解码值，所述解码值为油耗值。

在上述基于数据协整分析的油耗计量系统中，所述相关数据编码模块，包括：行向量构造单元，用于将各组所述车辆检测数据中的车速、行驶时间、风阻、总做功、功率、热效能和热值排列为行向量以得到多个行向量；以及，二维排列单元，用于将所述多个行向量进行二维排列以得到所述测量输入矩阵；以及，深度卷积编码单元，用于使用所述作为过滤器的卷积神经网络模型的各层在层的正向传递中分别对输入数据进行卷积处理、基于特征矩阵的池化处理和非线性激活处理以由所述作为过滤器的卷积神经网络模型的最后一层输出所述测量特征向量，其中，所述作为过滤器的卷积神经网络模型的第一层的输入为所述测量输入矩阵。

在上述基于数据协整分析的油耗计量系统中，所述油耗数据编码模块，包括：第一尺度邻域卷积编码单元，用于将所述油耗输入向量输入所述多尺度邻域特征提取模块的第一卷积层以得到第一尺度油耗特征向量，其中，所述第一卷积层具有第一长度的第一一维卷积核；第二尺度邻域卷积编码单元，用于将所述油耗输入向量输入所述多尺度邻域特征提取模块的第二卷积层以得到第二尺度油耗特征向量，其中，所述第二卷积层具有第二长度的第二一维卷积核，所述第一长度不同于所述第二长度；以及，级联单元，用于将所述第一尺度油耗特征向量和第二尺度油耗特征向量进行级联以得到所述油耗特征向量。

在上述基于数据协整分析的油耗计量系统中，所述第一尺度邻域卷积编码单元，进一步用于：使用所述多尺度邻域特征提取模块的第一卷积层以如下公式对所述油耗输入向量进行一维卷积编码以得到所述第一尺度油耗特征向量；

其中，所述公式为：

其中，a为第一卷积核在x方向上的宽度、F(a)为第一卷积核参数向量、G(x-a)为与卷积核函数运算的局部向量矩阵，w为第一卷积核的尺寸，X表示所述油耗输入向量。

在上述基于数据协整分析的油耗计量系统中，所述第二尺度邻域卷积编码单元，进一步用于：使用所述多尺度邻域特征提取模块的第二卷积层以如下公式对所述油耗输入向量进行一维卷积编码以得到所述第二尺度油耗特征向量；

其中，所述公式为：

其中，b为第二卷积核在x方向上的宽度、F(b)为第二卷积核参数向量、G(x-b)为与卷积核函数运算的局部向量矩阵，m为第二卷积核的尺寸，X表示所述油耗输入向量。

在上述基于数据协整分析的油耗计量系统中，所述协整分析模块，进一步用于以如下公式对所述测量特征向量和所述多尺度邻域油耗特征向量进行协整分析以得到所述协整特征矩阵；

其中，所述公式为：

其中，v

在上述基于数据协整分析的油耗计量系统中，所述解码优化模块，进一步用于：基于所述解码特征向量的所有位置的特征值的均值的倒数，以如下公式对所述解码特征向量中各个位置的特征值进行校正以得到所述校正后解码特征向量；其中，所述公式为：

其中，V表示解码特征向量，

在上述基于数据协整分析的油耗计量系统中，所述油耗计量模块，进一步用于使用所述解码器以如下公式对所述校正后解码特征向量进行解码回归以得到所述解码值；其中，所述公式为：

根据本申请的另一方面，提供了一种基于数据协整分析的油耗计量方法，其包括：

获取多组车辆检测数据，其中，每一组所述车辆检测数据包括车速、行驶时间、风阻、总做功、功率、热效能、热值和油耗值；

将所述多组车辆检测数据中的车速、行驶时间、风阻、总做功、功率、热效能和热值按照数据项维度和组别维度排列为测量输入矩阵后通过作为过滤器的卷积神经网络模型以得到测量特征向量；

将所述多组车辆检测数据中的油耗值排列为油耗输入向量后通过多尺度邻域特征提取模块以得到多尺度邻域油耗特征向量；

对所述测量特征向量和所述多尺度邻域油耗特征向量进行协整分析以得到协整特征矩阵；

获取待检测车辆在预定时间段内多个预定时间点的车速值；

将所述多个预定时间点的车速值通过包含一维卷积层的时序编码器以得到车速特征向量；

将所述车速特征向量作为查询特征向量与所述协整特征矩阵进行相乘以得到解码特征向量；

基于所述解码特征向量的所有位置的特征值的均值的倒数，对所述解码特征向量中各个位置的特征值进行校正以得到校正后解码特征向量；以及

将所述校正后解码特征向量通过解码器以得到解码值，所述解码值为油耗值。

根据本申请的再一方面，提供了一种电子设备，包括：处理器；以及，存储器，在所述存储器中存储有计算机程序指令，所述计算机程序指令在被所述处理器运行时使得所述处理器执行如上所述的油耗计量方法。

根据本申请的又一方面，提供了一种计算机可读介质，其上存储有计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行如上所述的油耗计量方法。

与现有技术相比，本申请提供的一种基于数据协整分析的油耗计量系统及其方法，通过使用基于深度神经网络模型的特征提取器来挖掘影响耗油量的所有相关数据项之间的高维隐含非线性关联，同时，以基于深度神经网络模型的特征提取器提取油耗量序列的高维隐含关联特征，继而对所述油耗量序列的高维特征和测量参数特征进行协整分析以挖掘测量参数与油耗量之间的深度隐含关联，基于此构建具有更高测量精度的基于数据协整分析的油耗计量方案。

附图说明

通过结合附图对本申请实施例进行更详细的描述，本申请的上述以及其他目的、特征和优势将变得更加明显。附图用来提供对本申请实施例的进一步理解，并且构成说明书的一部分，与本申请实施例一起用于解释本申请，并不构成对本申请的限制。在附图中，相同的参考标号通常代表相同部件或步骤。

图1图示了根据本申请实施例的基于数据协整分析的油耗计量系统的应用场景图；

图2图示了根据本申请实施例的基于数据协整分析的油耗计量系统的框图；

图3图示了根据本申请实施例的基于数据协整分析的油耗计量系统的系统架构图；

图4图示了根据本申请实施例的基于数据协整分析的油耗计量系统中相关数据编码模块的框图；

图5图示了根据本申请实施例的基于数据协整分析的油耗计量系统中油耗数据编码模块的框图；

图6图示了根据本申请实施例的基于数据协整分析的油耗计量方法的流程图；

图7图示了根据本申请实施例的电子设备的框图。

具体实施方式

下面，将参考附图详细地描述根据本申请的示例实施例。显然，所描述的实施例仅仅是本申请的一部分实施例，而不是本申请的全部实施例，应理解，本申请不受这里描述的示例实施例的限制。

场景概述

如上所述，工信部会给予耗油参考值，但是在实际产业和生活中，该参考值与汽车实际耗油值之间存在较大偏差，影响用户对车性能和车辆使用成本的准确评估。因此，期待一种更为优化的油耗计量方案。

经研究与测试发现，车辆的实际耗油量与诸多因素相关，包括但不限于车速、行驶时间、风阻、总做功、功率、热效能和热值等，并且，油耗值与上述影响因素之间的关联是复杂的非线性关联。一些厂商尝试通过统计模型来构建更为精准的油耗统计模型，但这些统计模型一方面为了便于运算忽略了一些参数项，例如将风阻忽略掉，另一方面，其在建模过程中，把非线性的关联简单地理解为多个线性段的组合，例如，以速度为分界，设置不同的影响系数。上述统计模型虽然能够通过相对更为准确地油耗统计量，但在精度上仍有所欠缺，同时因忽略了一些参数项，而当这些参数项成为重要影响因素时，会使得油耗量的计算精度产生较大的偏差，例如，在大风天气时，风阻就会成为重要的影响要素。

针对上述问题，在本申请的技术方案中，使用基于深度神经网络模型的特征提取器来挖掘影响耗油量的所有相关数据项之间的高维隐含非线性关联，同时，以基于深度神经网络模型的特征提取器提取油耗量序列的高维隐含关联特征，继而对所述油耗量序列的高维特征和测量参数特征进行协整分析以挖掘测量参数与油耗量之间的深度隐含关联，基于此来构建具有更高测量精度的油耗计量方案。

具体地，首先获取多组车辆检测数据，其中，每一组所述车辆检测数据包括车速、行驶时间、风阻、总做功、功率、热效能、热值和油耗值。然后，将将所述多组车辆检测数据中的车速、行驶时间、风阻、总做功、功率、热效能和热值按照数据项维度和组别维度排列为测量输入矩阵后通过作为过滤器的卷积神经网络模型以得到测量特征向量。也就是，将所述多组车辆检测数据中的油耗量影响参数项进行二维结构化，例如，首先将各组所述车辆检测数据中的车速、行驶时间、风阻、总做功、功率、热效能和热值排列为行向量以得到多个行向量，然后，将所述多个行向量进行二维排列以得到所述测量输入矩阵；然后，使用在局部特征提取领域具有优异性能表现的卷积神经网络模型作为特征过滤器来提取所述测量输入矩阵中的高维局部隐含特征，即，不同油耗量影响参数项之间的关联的高维隐含关联特征。

同时，将所述多组车辆检测数据中的油耗值排列为油耗输入向量后通过多尺度邻域特征提取模块以得到多尺度邻域油耗特征向量。也就是，在将所述多组车辆检测数据中的油耗值进行一维向量化后，使用所述多尺度邻域特征提取模块对所述油耗输入向量进行多尺度一维卷积编码以提取所述油耗输入向量中不同跨度的油耗值之间的关联模式特征。应可以理解，通过不同尺度的一维卷积核对所述油耗输入向量进行不同尺度的一维卷积编码可利用不用的感受野来捕捉所述油耗输入向量中更为丰富且更具层次的特征表示。

接着，对所述测量特征向量和所述多尺度邻域油耗特征向量进行协整分析以得到协整特征矩阵。也就是，基于协整分析来挖掘油耗特征与测量特征之间的深度隐含多维关联。在本申请一个具体的示例中，以如下公式对所述测量特征向量和所述多尺度邻域油耗特征向量进行协整分析以得到所述协整特征矩阵；其中，所述公式为：

在得到所述协整特征矩阵，可以将所述协整特征矩阵视为特征库，而将实际测量得到的特征向量作为查询向量，这样就可以基于特征查询检索来得到解码特征向量，继而使用解码器就可以得到用于表示油耗值的解码结果。

在本申请的技术方案中，由于实际最方便测量的要素为车速值，因此，在本申请的技术方案中，以车速值作为输入向量，并使用包含一维卷积层的时序编码器将所获得的多个预定时间点的车速值映射到高维特征空间中以得到车速特征向量。接着，将所述车速特征向量作为查询特征向量与所述协整特征矩阵进行相乘以得到解码特征向量。应可以理解，虽然以车辆特征向量作为查询向量，但是其所匹配的解码特征向量中蕴含其他影响油耗量的参数特征与信息，因此，使用解码器对所述解码特征向量进行解码能得到更为精准的用于表示油耗量的解码值。

特别地，在本申请的技术方案中，由于对所述测量特征向量和所述多尺度邻域油耗特征向量进行协整分析得到的协整特征矩阵的各个特征值具有位置属性，例如，转移矩阵中的每个位置表示了向量相对应位置之间的关系信息，因此在将所述车速特征向量作为查询特征向量与所述协整特征矩阵进行矩阵相乘后，得到的解码特征向量的各个位置也具有位置属性。

但是，在将所述解码特征向量通过解码器进行解码回归时，所述解码回归属于无位置属性的实质回归任务，从而由于不考虑所述解码特征向量的位置属性信息而可能导致解码数值偏差。

基于此，在本申请的技术方案中，优选地对所述解码特征向量进行相位感知的向量按位置聚合，表示为：

这里，向量的相位感知的表征引入了幅值-相位的类实值-虚值表征，以基于欧拉公式的原理将向量进行实值向量的按位置拼接展开，从而以多层感知的形式补偿对向量进行无位置属性的实值回归任务时可能导致的回归数值偏差。这样，提高解码回归的精度，即，得到更为精准的油耗量计算值。

基于此，本申请提出了一种基于数据协整分析的油耗计量系统，其包括：测试数据采集模块，用于获取多组车辆检测数据，其中，每一组所述车辆检测数据包括车速、行驶时间、风阻、总做功、功率、热效能、热值和油耗值；相关数据编码模块，用于将所述多组车辆检测数据中的车速、行驶时间、风阻、总做功、功率、热效能和热值按照数据项维度和组别维度排列为测量输入矩阵后通过作为过滤器的卷积神经网络模型以得到测量特征向量；油耗数据编码模块，用于将所述多组车辆检测数据中的油耗值排列为油耗输入向量后通过多尺度邻域特征提取模块以得到多尺度邻域油耗特征向量；协整分析模块，用于对所述测量特征向量和所述多尺度邻域油耗特征向量进行协整分析以得到协整特征矩阵；检测数据采集模块，用于获取待检测车辆在预定时间段内多个预定时间点的车速值；检测数据编码模块，用于将所述多个预定时间点的车速值通过包含一维卷积层的时序编码器以得到车速特征向量；向量查询模块，用于将所述车速特征向量作为查询特征向量与所述协整特征矩阵进行相乘以得到解码特征向量；解码优化模块，用于基于所述解码特征向量的所有位置的特征值的均值的倒数，对所述解码特征向量中各个位置的特征值进行校正以得到校正后解码特征向量；以及油耗计量模块，用于将所述校正后解码特征向量通过解码器以得到解码值，所述解码值为油耗值。

图1图示了根据本申请实施例的基于数据协整分析的油耗计量系统的应用场景图。如图1所示，在该应用场景中，通过车辆检测传感器(例如，如图1中所示意的C1-Cn)获取多组车辆检测数据，其中，每一组所述车辆检测数据包括车速、行驶时间、风阻、总做功、功率、热效能、热值和油耗值；同时，通过车速传感器(例如，如图1中所示意的Sp)获取待检测车辆在预定时间段内多个预定时间点的车速值；然后，将所多组车辆检测数据和所述在预定时间段内多个预定时间点的车速值输入至部署有用于基于数据协整分析的油耗计量算法的服务器(例如，图1中的S)中，其中，所述服务器能够以所述基于数据协整分析的油耗计量算法对上述数据进行处理以生成油耗值。

在介绍了本申请的基本原理之后，下面将参考附图来具体介绍本申请的各种非限制性实施例。

示例性系统

图2图示了根据本申请实施例的基于数据协整分析的油耗计量系统的框图。如图2所示，根据本申请实施例的基于数据协整分析的油耗计量系统300，包括：测试数据采集模块310；相关数据编码模块320；油耗数据编码模块330；协整分析模块340；检测数据采集模块350；检测数据编码模块360；向量查询模块370；解码优化模块380；以及，油耗计量模块390。

其中，所述测试数据采集模块310，用于获取多组车辆检测数据，其中，每一组所述车辆检测数据包括车速、行驶时间、风阻、总做功、功率、热效能、热值和油耗值；所述相关数据编码模块320，用于将所述多组车辆检测数据中的车速、行驶时间、风阻、总做功、功率、热效能和热值按照数据项维度和组别维度排列为测量输入矩阵后通过作为过滤器的卷积神经网络模型以得到测量特征向量；所述油耗数据编码模块330，用于将所述多组车辆检测数据中的油耗值排列为油耗输入向量后通过多尺度邻域特征提取模块以得到多尺度邻域油耗特征向量；所述协整分析模块340，用于对所述测量特征向量和所述多尺度邻域油耗特征向量进行协整分析以得到协整特征矩阵；所述检测数据采集模块350，用于获取待检测车辆在预定时间段内多个预定时间点的车速值；所述检测数据编码模块360，用于将所述多个预定时间点的车速值通过包含一维卷积层的时序编码器以得到车速特征向量；所述向量查询模块370，用于将所述车速特征向量作为查询特征向量与所述协整特征矩阵进行相乘以得到解码特征向量；所述解码优化模块380，用于基于所述解码特征向量的所有位置的特征值的均值的倒数，对所述解码特征向量中各个位置的特征值进行校正以得到校正后解码特征向量；以及，所述油耗计量模块390，用于将所述校正后解码特征向量通过解码器以得到解码值，所述解码值为油耗值。

图3图示了根据本申请实施例的基于数据协整分析的油耗计量系统300的系统架构图。如图3所示，首先通过所述测试数据采集模块310获取多组车辆检测数据，其中，每一组所述车辆检测数据包括车速、行驶时间、风阻、总做功、功率、热效能、热值和油耗值；然后，所述相关数据编码模块320将所述多组车辆检测数据中的车速、行驶时间、风阻、总做功、功率、热效能和热值按照数据项维度和组别维度排列为测量输入矩阵后通过作为过滤器的卷积神经网络模型以得到测量特征向量；所述油耗数据编码模块330将所述多组车辆检测数据中的油耗值排列为油耗输入向量后通过多尺度邻域特征提取模块以得到多尺度邻域油耗特征向量；接着，所述协整分析模块340对所述测量特征向量和所述多尺度邻域油耗特征向量进行协整分析以得到协整特征矩阵；所述检测数据采集模块350获取待检测车辆在预定时间段内多个预定时间点的车速值；所述检测数据编码模块360将所述多个预定时间点的车速值通过包含一维卷积层的时序编码器以得到车速特征向量；所述向量查询模块370将所述车速特征向量作为查询特征向量与所述协整特征矩阵进行相乘以得到解码特征向量；所述解码优化模块380基于所述解码特征向量的所有位置的特征值的均值的倒数，对所述解码特征向量中各个位置的特征值进行校正以得到校正后解码特征向量；进而，所述油耗计量模块390将所述校正后解码特征向量通过解码器以得到解码值，所述解码值为油耗值。

具体地，在所述基于数据协整分析的油耗计量系统300的运行过程中，所述测试数据采集模块310，用于获取多组车辆检测数据，其中，每一组所述车辆检测数据包括车速、行驶时间、风阻、总做功、功率、热效能、热值和油耗值。车辆的实际耗油量与众多因素有关，其中包括车速、行驶时间、风阻、总做功、功率、热效能、热值，采取尽可能多的有关数据，实际耗油量的计量精确度会更高，在本申请的技术方案中，可通过车辆检测传感器来检测上述数据。

具体地，在所述基于数据协整分析的油耗计量系统300的运行过程中，所述相关数据编码模块320，用于将所述多组车辆检测数据中的车速、行驶时间、风阻、总做功、功率、热效能和热值按照数据项维度和组别维度排列为测量输入矩阵后通过作为过滤器的卷积神经网络模型以得到测量特征向量。应可以理解，油耗值与所述车速、行驶时间、风阻、总做功、功率、热效能和热值等因素之间关联是复杂的非线性关联，所述将上述影响因素按照数据项维度和组别维度排列为测量输入矩阵后通过作为过滤器的卷积神经网络模型以得到测量特征向量，也就是，将所述多组车辆检测数据中的油耗量影响参数项进行二维结构化，例如，首先将各组所述车辆检测数据中的车速、行驶时间、风阻、总做功、功率、热效能和热值排列为行向量以得到多个行向量，然后，将所述多个行向量进行二维排列以得到所述测量输入矩阵；然后，使用在局部特征提取领域具有优异性能表现的卷积神经网络模型作为特征过滤器来提取所述测量输入矩阵中的高维局部隐含特征，即，不同油耗量影响参数项之间的关联的高维隐含关联特征。

图4图示了根据本申请实施例的基于数据协整分析的油耗计量系统中相关数据编码模块的框图。如图4所示，所述相关数据编码模块320，包括：行向量构造单元321，用于将各组所述车辆检测数据中的车速、行驶时间、风阻、总做功、功率、热效能和热值排列为行向量以得到多个行向量；二维排列单元322，用于将所述多个行向量进行二维排列以得到所述测量输入矩阵；以及，深度卷积编码单元323，用于使用所述作为过滤器的卷积神经网络模型的各层在层的正向传递中分别对输入数据进行卷积处理、基于特征矩阵的池化处理和非线性激活处理以由所述作为过滤器的卷积神经网络模型的最后一层输出所述测量特征向量，其中，所述作为过滤器的卷积神经网络模型的第一层的输入为所述测量输入矩阵。

具体地，在所述基于数据协整分析的油耗计量系统300的运行过程中，所述油耗数据编码模块330，用于将所述多组车辆检测数据中的油耗值排列为油耗输入向量后通过多尺度邻域特征提取模块以得到多尺度邻域油耗特征向量。应可以理解，通过不同尺度的一维卷积核对所述油耗输入向量进行不同尺度的一维卷积编码可利用不用的感受野来捕捉所述油耗输入向量中更为丰富且更具层次的特征表示。在本申请的技术方案中，在将所述多组车辆检测数据中的油耗值进行一维向量化后，使用所述多尺度邻域特征提取模块对所述油耗输入向量进行多尺度一维卷积编码以提取所述油耗输入向量中不同跨度的油耗值之间的关联模式特征。

图5图示了根据本申请实施例的基于数据协整分析的油耗计量系统中油耗数据编码模块的框图。如图5所示，所述油耗数据编码模块330，包括：第一尺度邻域卷积单元331，用于将所述油耗输入向量输入所述多尺度邻域特征提取模块的第一卷积层以得到第一尺度油耗特征向量，其中，所述第一卷积层具有第一长度的第一一维卷积核；第二尺度邻域卷积编码单元332，用于将所述油耗输入向量输入所述多尺度邻域特征提取模块的第二卷积层以得到第二尺度油耗特征向量，其中，所述第二卷积层具有第二长度的第二一维卷积核，所述第一长度不同于所述第二长度；以及，级联单元333，用于将所述第一尺度油耗特征向量和第二尺度油耗特征向量进行级联以得到所述油耗特征向量。

更具体地，所述第一尺度邻域卷积单元，进一步用于：使用所述多尺度邻域特征提取模块的第一卷积层以如下公式对所述油耗输入向量进行一维卷积编码以得到所述第一尺度油耗特征向量；

其中，所述公式为：

其中，a为第一卷积核在x方向上的宽度、F(a)为第一卷积核参数向量、G(x-a)为与卷积核函数运算的局部向量矩阵，w为第一卷积核的尺寸，X表示所述油耗输入向量。

更具体地，所述第一尺度邻域卷积单元，进一步用于：使用所述多尺度邻域特征提取模块的第一卷积层以如下公式对所述油耗输入向量进行一维卷积编码以得到所述第一尺度油耗特征向量；

其中，所述公式为：

其中，a为第一卷积核在x方向上的宽度、F(a)为第一卷积核参数向量、G(x-a)为与卷积核函数运算的局部向量矩阵，w为第一卷积核的尺寸，X表示所述油耗输入向量。

具体地，在所述基于数据协整分析的油耗计量系统300的运行过程中，所述协整分析模块340，用于对所述测量特征向量和所述多尺度邻域油耗特征向量进行协整分析以得到协整特征矩阵。应可以理解，基于深度神经网络模型的特征提取器提取油耗量序列的高维隐含关联特征，继而对所述油耗量序列的高维特征和测量参数特征进行协整分析以挖掘测量参数与油耗量之间的深度隐含关联，基于此来构建具有更高测量精度的油耗计量方案。在本申请一个具体的示例中，以如下公式对所述测量特征向量和所述多尺度邻域油耗特征向量进行协整分析以得到所述协整特征矩阵；其中，所述公式为：

具体地，在所述基于数据协整分析的油耗计量系统300的运行过程中，所述检测数据采集模块350，用于获取待检测车辆在预定时间段内多个预定时间点的车速值。在得到所述协整特征矩阵，可以将所述协整特征矩阵视为特征库，而将实际测量得到的特征向量作为查询向量，这样就可以基于特征查询检索来得到解码特征向量，继而使用解码器就可以得到用于表示油耗值的解码结果。由于车速的检测最为便捷，采用车速作为输入向量，设置不同的影响系数。因此，在本申请的一个技术方案中，首先，可通过车速传感器来获取待检测车辆在预定时间段内多个预定时间点的车速值。但由于与车速相关联的风阻因素是重要关联因素，因此，在进行测量时，应选择汽车外型较为接近的车型作为被测车辆，提高测量精度。

具体地，在所述基于数据协整分析的油耗计量系统300的运行过程中，所述检测数据编码模块360，用于将所述多个预定时间点的车速值通过包含一维卷积层的时序编码器以得到车速特征向量。也就是，将所述检测到的车速值作为输入向量，并使用包含一维卷积层的时序编码器将所获得的多个预定时间点的车速值映射到高维特征空间中以得到车速特征向量。

具体地，在所述基于数据协整分析的油耗计量系统300的运行过程中，所述向量查询模块370，用于将所述车速特征向量作为查询特征向量与所述协整特征矩阵进行相乘以得到解码特征向量。应可以理解，虽然以车辆特征向量作为查询向量，但是其所匹配的解码特征向量中蕴含其他影响油耗量的参数特征与信息，因此，使用解码器对所述解码特征向量进行解码能得到更为精准的用于表示油耗量的解码值。特别地，在本申请的技术方案中，由于对所述测量特征向量和所述多尺度邻域油耗特征向量进行协整分析得到的协整特征矩阵的各个特征值具有位置属性，例如，转移矩阵中的每个位置表示了向量相对应位置之间的关系信息，因此在将所述车速特征向量作为查询特征向量与所述协整特征矩阵进行矩阵相乘后，得到的解码特征向量的各个位置也具有位置属性。

具体地，在所述基于数据协整分析的油耗计量系统300的运行过程中，所述解码优化模块380，用于基于所述解码特征向量的所有位置的特征值的均值的倒数，对所述解码特征向量中各个位置的特征值进行校正以得到校正后解码特征向量。由于在将所述解码特征向量通过解码器进行解码回归时，所述解码回归属于无位置属性的实质回归任务，从而由于不考虑所述解码特征向量的位置属性信息而可能导致解码数值偏差。基于此，在本申请的技术方案中，优选地对所述解码特征向量进行相位感知的向量按位置聚合，表示为：

其中，V表示解码特征向量，

具体地，在所述基于数据协整分析的油耗计量系统300的运行过程中，所述油耗计量模块390，用于将所述校正后解码特征向量通过解码器以得到解码值，所述解码值为油耗值。在本申请的一个具体示例中，所述油耗计量模块，进一步用于使用所述解码器以如下公式对所述校正后解码特征向量进行解码回归以得到所述解码值；其中，所述公式为：

综上，根据本申请实施例的基于数据协整分析的油耗计量系统300被阐明，通过使用基于深度神经网络模型的特征提取器来挖掘影响耗油量的所有相关数据项之间的高维隐含非线性关联，同时，以基于深度神经网络模型的特征提取器提取油耗量序列的高维隐含关联特征，继而对所述油耗量序列的高维特征和测量参数特征进行协整分析以挖掘测量参数与油耗量之间的深度隐含关联，基于此构建具有更高测量精度的基于数据协整分析的油耗计量方案。

如上所述，根据本申请实施例的基于数据协整分析的油耗计量系统可以实现在各种终端设备中。在一个示例中，根据本申请实施例的基于数据协整分析的油耗计量系统300可以作为一个软件模块和/或硬件模块而集成到终端设备中。例如，该基于数据协整分析的油耗计量系统300可以是该终端设备的操作系统中的一个软件模块，或者可以是针对于该终端设备所开发的一个应用程序；当然，该基于数据协整分析的油耗计量系统300同样可以是该终端设备的众多硬件模块之一。

替换地，在另一示例中，该基于数据协整分析的油耗计量系统300与该终端设备也可以是分立的设备，并且该基于数据协整分析的油耗计量系统300可以通过有线和/或无线网络连接到该终端设备，并且按照约定的数据格式来传输交互信息。

示例性方法

图6图示了根据本申请实施例的基于数据协整分析的油耗计量方法的流程图。如图6所示，根据本申请实施例的基于数据协整分析的油耗计量方法，包括步骤：S110，获取多组车辆检测数据，其中，每一组所述车辆检测数据包括车速、行驶时间、风阻、总做功、功率、热效能、热值和油耗值；S120，将所述多组车辆检测数据中的车速、行驶时间、风阻、总做功、功率、热效能和热值按照数据项维度和组别维度排列为测量输入矩阵后通过作为过滤器的卷积神经网络模型以得到测量特征向量；S130，将所述多组车辆检测数据中的油耗值排列为油耗输入向量后通过多尺度邻域特征提取模块以得到多尺度邻域油耗特征向量；S140，对所述测量特征向量和所述多尺度邻域油耗特征向量进行协整分析以得到协整特征矩阵；S150，获取待检测车辆在预定时间段内多个预定时间点的车速值；S160，将所述多个预定时间点的车速值通过包含一维卷积层的时序编码器以得到车速特征向量；S170，将所述车速特征向量作为查询特征向量与所述协整特征矩阵进行相乘以得到解码特征向量；S180，基于所述解码特征向量的所有位置的特征值的均值的倒数，对所述解码特征向量中各个位置的特征值进行校正以得到校正后解码特征向量；以及，S190，将所述校正后解码特征向量通过解码器以得到解码值，所述解码值为油耗值。

在一个示例中，在上述基于数据协整分析的油耗计量方法中，所述步骤S120，包括：行向量构造单元，用于将各组所述车辆检测数据中的车速、行驶时间、风阻、总做功、功率、热效能和热值排列为行向量以得到多个行向量；以及，二维排列单元，用于将所述多个行向量进行二维排列以得到所述测量输入矩阵；以及，深度卷积编码单元，用于使用所述作为过滤器的卷积神经网络模型的各层在层的正向传递中分别对输入数据进行卷积处理、基于特征矩阵的池化处理和非线性激活处理以由所述作为过滤器的卷积神经网络模型的最后一层输出所述测量特征向量，其中，所述作为过滤器的卷积神经网络模型的第一层的输入为所述测量输入矩阵。

在一个示例中，在上述基于数据协整分析的油耗计量方法中，所述步骤S130，包括：第一尺度邻域卷积单元，用于将所述油耗输入向量输入所述多尺度邻域特征提取模块的第一卷积层以得到第一尺度油耗特征向量，其中，所述第一卷积层具有第一长度的第一一维卷积核；第二尺度邻域卷积编码单元，用于将所述油耗输入向量输入所述多尺度邻域特征提取模块的第二卷积层以得到第二尺度油耗特征向量，其中，所述第二卷积层具有第二长度的第二一维卷积核，所述第一长度不同于所述第二长度；以及，级联单元，用于将所述第一尺度油耗特征向量和第二尺度油耗特征向量进行级联以得到所述油耗特征向量。

具体地，所述将所述油耗输入向量输入所述多尺度邻域特征提取模块的第二卷积层以得到第二尺度油耗特征向量，其中，所述第二卷积层具有第二长度的第二一维卷积核，所述第一长度不同于所述第二长度，进一步用于：使用所述多尺度邻域特征提取模块的第一卷积层以如下公式对所述油耗输入向量进行一维卷积编码以得到所述第一尺度油耗特征向量；

其中，所述公式为：

其中，a为第一卷积核在x方向上的宽度、F(a)为第一卷积核参数向量、G(x-a)为与卷积核函数运算的局部向量矩阵，w为第一卷积核的尺寸，X表示所述油耗输入向量。

更具体地，所述将所述油耗输入向量输入所述多尺度邻域特征提取模块的第二卷积层以得到第二尺度油耗特征向量，其中，所述第二卷积层具有第二长度的第二一维卷积核，所述第一长度不同于所述第二长度，进一步用于：使用所述多尺度邻域特征提取模块的第二卷积层以如下公式对所述油耗输入向量进行一维卷积编码以得到所述第二尺度油耗特征向量；

其中，所述公式为：

其中，b为第二卷积核在x方向上的宽度、F(b)为第二卷积核参数向量、G(x-b)为与卷积核函数运算的局部向量矩阵，m为第二卷积核的尺寸，X表示所述油耗输入向量。

在一个示例中，在上述基于数据协整分析的油耗计量方法中，所述步骤S140，进一步用于以如下公式对所述测量特征向量和所述多尺度邻域油耗特征向量进行协整分析以得到所述协整特征矩阵；

其中，所述公式为：

其中，v

在一个示例中，在上述基于数据协整分析的油耗计量方法中，所述步骤S180，进一步用于：基于所述解码特征向量的所有位置的特征值的均值的倒数，以如下公式对所述解码特征向量中各个位置的特征值进行校正以得到所述校正后解码特征向量；

其中，所述公式为：

其中，V表示解码特征向量，

在一个示例中，在上述基于数据协整分析的油耗计量方法中，所述步骤S190，进一步用于使用所述解码器以如下公式对所述校正后解码特征向量进行解码回归以得到所述解码值；

其中，所述公式为：

综上，根据本申请实施例的基于数据协整分析的油耗计量方法被阐明，通过使用基于深度神经网络模型的特征提取器来挖掘影响耗油量的所有相关数据项之间的高维隐含非线性关联，同时，以基于深度神经网络模型的特征提取器提取油耗量序列的高维隐含关联特征，继而对所述油耗量序列的高维特征和测量参数特征进行协整分析以挖掘测量参数与油耗量之间的深度隐含关联，基于此构建具有更高测量精度的基于数据协整分析的油耗计量方案。

示例性电子设备

下面，参考图7来描述根据本申请实施例的电子设备。

图7图示了根据本申请实施例的电子设备的框图。

如图7所示，电子设备10包括一个或多个处理器11和存储器12。

处理器11可以是中央处理单元(CPU)或者具有数据处理能力和/或指令执行能力的其他形式的处理单元，并且可以控制电子设备10中的其他组件以执行期望的功能。

存储器12可以包括一个或多个计算机程序产品，所述计算机程序产品可以包括各种形式的计算机可读存储介质，例如易失性存储器和/或非易失性存储器。所述易失性存储器例如可以包括随机存取存储器(RAM)和/或高速缓冲存储器(cache)等。所述非易失性存储器例如可以包括只读存储器(ROM)、硬盘、闪存等。在所述计算机可读存储介质上可以存储一个或多个计算机程序指令，处理器11可以运行所述程序指令，以实现上文所述的本申请的各个实施例的基于数据协整分析的油耗计量系统中的功能以及/或者其他期望的功能。在所述计算机可读存储介质中还可以存储诸如协整特征矩阵等各种内容。

在一个示例中，电子设备10还可以包括：输入装置13和输出装置14，这些组件通过总线系统和/或其他形式的连接机构(未示出)互连。

该输入装置13可以包括例如键盘、鼠标等等。

该输出装置14可以向外部输出各种信息，包括解码值等。该输出装置14可以包括例如显示器、扬声器、打印机、以及通信网络及其所连接的远程输出设备等等。

当然，为了简化，图7中仅示出了该电子设备10中与本申请有关的组件中的一些，省略了诸如总线、输入/输出接口等等的组件。除此之外，根据具体应用情况，电子设备10还可以包括任何其他适当的组件。

示例性计算机程序产品和计算机可读存储介质

除了上述方法和设备以外，本申请的实施例还可以是计算机程序产品，其包括计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“示例性系统”部分中描述的根据本申请各种实施例的基于数据协整分析的油耗计量方法中的功能中的步骤。

所述计算机程序产品可以以一种或多种程序设计语言的任意组合来编写用于执行本申请实施例操作的程序代码，所述程序设计语言包括面向对象的程序设计语言，诸如Java、C++等，还包括常规的过程式程序设计语言，诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。

此外，本申请的实施例还可以是计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“示例性系统”部分中描述的根据本申请各种实施例的基于数据协整分析的油耗计量方法中的功能中的步骤。

所述计算机可读存储介质可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以包括但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。

以上结合具体实施例描述了本申请的基本原理，但是，需要指出的是，在本申请中提及的优点、优势、效果等仅是示例而非限制，不能认为这些优点、优势、效果等是本申请的各个实施例必须具备的。另外，上述公开的具体细节仅是为了示例的作用和便于理解的作用，而非限制，上述细节并不限制本申请为必须采用上述具体的细节来实现。

本申请中涉及的器件、装置、设备、系统的方框图仅作为例示性的例子并且不意图要求或暗示必须按照方框图示出的方式进行连接、布置、配置。如本领域技术人员将认识到的，可以按任意方式连接、布置、配置这些器件、装置、设备、系统。诸如“包括”、“包含”、“具有”等等的词语是开放性词汇，指“包括但不限于”，且可与其互换使用。这里所使用的词汇“或”和“和”指词汇“和/或”，且可与其互换使用，除非上下文明确指示不是如此。这里所使用的词汇“诸如”指词组“诸如但不限于”，且可与其互换使用。

还需要指出的是，在本申请的装置、设备和方法中，各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本申请的等效方案。

提供所公开的方面的以上描述以使本领域的任何技术人员能够做出或者使用本申请。对这些方面的各种修改对于本领域技术人员而言是非常显而易见的，并且在此定义的一般原理可以应用于其他方面而不脱离本申请的范围。因此，本申请不意图被限制到在此示出的方面，而是按照与在此公开的原理和新颖的特征一致的最宽范围。

为了例示和描述的目的已经给出了以上描述。此外，此描述不意图将本申请的实施例限制到在此公开的形式。尽管以上已经讨论了多个示例方面和实施例，但是本领域技术人员将认识到其某些变型、修改、改变、添加和子组合。