“华为杯”研究生数学建模竞赛2019年-【华为杯】D题：基于随机搜索和聚类分析以及自编码器再优化的汽车行驶工况构建研究（附优秀论文及Python代码）

目录

摘要:

1. 问题重述

1 . 1 问题背景

1 . 2 问题提出

2. 问题分析

3. 模型假设

4. 符号系统

5. 问题一：数据预处理

5 . 1 车辆行驶状态划分

5 . 2 信号丢失及其处理方法 

5 . 3 加减速度异常及其处理方法

5 . 4 长期停车及其处理方法

5 . 5 低速行驶及其处理方法

5 . 6 长时间怠速及其处理方法

5 . 7 数据预处理结果

6. 问题二：运动学片段的划分

6 . 1 运动学片段的定义

6 . 2 运动学片段的划分

7. 问题三的建模与求解

7 . 1 解题思路与建模

7 . 2 方法原理

7 . 2 . 1 随机搜索

7 . 2 . 2 主成分分析

7 . 2 . 3 核化主成分分析

7 . 2 . 4 K 均值聚类

7 . 2 . 5 BIRCH 层次聚类

7 . 2 . 6 AutoEncoder 模型

7 . 3 特征评估体系的建立

7 . 4 特征评估参数的计算

7 . 5 模型求解

7 . 5 . 1 基于随机搜索方法构建行驶工况曲线

7 . 5 . 2 基于 PCA 和 K 均值聚类模型构建行驶工况曲线 PCA 降维过程及结果

7 . 5 . 3 基于 Kernel PCA 和 BIRCH 聚类模型构建行驶工况曲线

7 . 5 . 4 基于 AutoEncoder 模型优化汽车行驶工况曲线

8. 结果分析与比较

8 . 1 各方法所得汽车行驶工况的特征参数

8 . 2 各方法所得汽车行驶工况的评估结果

8 . 2 . 1 特征参数误差定义

8 . 2 . 2 各个方法所得结果的误差比较与分析 

9. 模型评价与改进

9 . 1 模型的优点

9 . 2 模型的缺点

9 . 3 模型的改进与推广

10. 参考文献 

代码实现

 特征参数提取程序

误差计算程序

主成分分析与聚类

 邻域随机搜索

 AutoEncoder

---

摘要:

本文研究了汽车行驶工况的构建问题。主要创新点在于结合了随机搜索和

聚类分析法，并使用径向基核化主成分分析和 BIRCH 层次聚类方法进行改进，

最后首次提出使用自编码器直接优化已有工况的特征参数误差的方法。

问题一：我们对原始采集数据中的不良数据进行了预处理，主要包括 (1) 针

对 GPS 信号丢失导致的时间不连续