车辆性能曲线趋势拟合方法、装置、设备及存储介质与流程

1.本发明涉及交通数据分析技术领域，尤其涉及一种车辆性能曲线趋势拟合方法、装置、设备及存储介质。


背景技术：

2.汽车的电子化、智能化发展日新月异，车辆性能曲线对于交通运输智能网联的数据分析和应用具有重要意义，现有的方式是通过各种曲线平滑方法例如：移动平均线(moving average，ma)，和曲线拟合方法例如：多项式拟合对车辆性能曲线进行趋势提取。
3.但是现有的车辆性能曲线趋势提取方式存在趋势失真的缺陷，即计算出的趋势峰值不是原有曲线的峰值，而是相对于原有真实峰值显著滞后的峰值，趋势提取并不准确，并且除了最简单的移动平均外，各种平滑和拟合算法计算速度较慢，单趟执行的时间复杂度较高。


技术实现要素：

4.本发明的主要目的在于提供一种车辆性能曲线趋势拟合方法、装置、设备及存储介质，旨在解决现有技术中车辆性能曲线趋势提取速度慢，耗费时间长，且存在准确度较低造成趋势失真的技术问题。
5.第一方面，本发明提供一种车辆性能曲线趋势拟合方法，所述车辆性能曲线趋势拟合方法包括以下步骤：
6.获取车辆性能曲线的初始毛刺标尺；
7.将所述初始毛刺标尺的标量值作为唯一超参的取值，遍历所述车辆性能曲线的每一个点，获得所有拐点；
8.将所述所有拐点中的毛刺拐点剔除，并将剩余拐点进行趋势拟合，获得拐点趋势线。
9.可选地，所述获取车辆性能曲线的初始毛刺标尺，包括：
10.接收标尺指定指令，根据所述标尺指定指令确定车辆性能曲线的初始毛刺标尺；
11.或，
12.通过机器学习获取车辆性能曲线的各毛刺标尺的优化目标函数值，将最小的优化目标函数值对应的毛刺标尺作为所述车辆性能曲线的初始毛刺标尺。
13.可选地，所述通过机器学习获取车辆性能曲线的各毛刺标尺的优化目标函数值，将最小的优化目标函数值对应的毛刺标尺作为所述车辆性能曲线的初始毛刺标尺，包括：
14.以预设最小尺度单位为步长，确定车辆性能曲线中各步长对应的毛刺标尺；
15.基于机器学习获得车辆性能曲线中各毛刺标尺对应的各趋势线；
16.获取各趋势线对应的各优化目标函数值，将最小的优化目标函数值对应的毛刺标尺作为所述车辆性能曲线的初始毛刺标尺。
17.可选地，所述基于机器学习获得车辆性能曲线中各毛刺标尺对应的各趋势线，包
括：
18.基于机器学习分别以各毛刺标尺对应的标尺量为起点遍历所述车辆性能曲线的每一个点，获得各毛刺标尺分别对应的有效拐点，通过所述有效拐点形成各毛刺标尺对应的各趋势线。
19.可选地，所述获取各趋势线对应的各优化目标函数值，将最小的优化目标函数值对应的毛刺标尺作为所述车辆性能曲线的初始毛刺标尺，包括：
20.获取各趋势线对应的趋势线有效拐点数量，拐点权重及曲线均方误差，所述曲线均方误差为所述趋势线与所述车辆性能曲线的原始曲线的均方误差；
21.通过下式计算获得各趋势线的优化目标函数值：
22.优化目标函数值＝min(趋势线有效拐点数量*拐点权重 曲线均方误差)
23.从各优化目标函数值中挑选出最小的优化目标函数值，并将最小的优化目标函数值对应的毛刺标尺作为所述车辆性能曲线的初始毛刺标尺。
24.可选地，所述将所述初始毛刺标尺的标量值作为唯一超参的取值，遍历所述车辆性能曲线的每一个点，获得所有拐点，包括：
25.将所述初始毛刺标尺的标量值作为唯一超参的取值，遍历所述车辆性能曲线的每一个点，将左右趋势不同的点作为拐点，获得所述车辆性能曲线的所有拐点。
26.可选地，所述将所述所有拐点中的毛刺拐点剔除，并将剩余拐点进行趋势拟合，获得拐点趋势线，包括：
27.依次检查每一个拐点，获取每一个当前拐点与其相邻拐点的高度差；
28.在所述高度差小于预设高度差阈值时，将所述高度差对应的当前拐点作为毛刺拐点；
29.将所有拐点中的毛刺拐点剔除，获得剩余的目标拐点集合，并通过所述目标拐点集合中的所有拐点进行直线相连，生成拐点趋势线。
30.第二方面，为实现上述目的，本发明还提出一种车辆性能曲线趋势拟合装置，所述车辆性能曲线趋势拟合装置包括：
31.初始标尺获取模块，用于获取车辆性能曲线的初始毛刺标尺；
32.遍历模块，用于将所述初始毛刺标尺的标量值作为唯一超参的取值，遍历所述车辆性能曲线的每一个点，获得所有拐点；
33.拟合模块，用于将所述所有拐点中的毛刺拐点剔除，并将剩余拐点进行趋势拟合，获得拐点趋势线。
34.第三方面，为实现上述目的，本发明还提出一种车辆性能曲线趋势拟合设备，所述车辆性能曲线趋势拟合设备包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的车辆性能曲线趋势拟合程序，所述车辆性能曲线趋势拟合程序配置为实现如上文所述的车辆性能曲线趋势拟合方法的步骤。
35.第四方面，为实现上述目的，本发明还提出一种存储介质，所述存储介质上存储有车辆性能曲线趋势拟合程序，所述车辆性能曲线趋势拟合程序被处理器执行时实现如上文所述的车辆性能曲线趋势拟合方法的步骤。
36.本发明提出的车辆性能曲线趋势拟合方法，通过获取车辆性能曲线的初始毛刺标尺；将所述初始毛刺标尺的标量值作为唯一超参的取值，遍历所述车辆性能曲线的每一个
点，获得所有拐点；将所述所有拐点中的毛刺拐点剔除，并将剩余拐点进行趋势拟合，获得拐点趋势线，提高了趋势线的真实性和准确性，加快了车辆性能曲线趋势提取的速度和效率，节省了车辆性能曲线趋势提取耗费的时间，避免了趋势失真，为交通数据分析及应用提供了有效依据。
附图说明
37.图1为本发明实施例方案涉及的硬件运行环境的设备结构示意图；
38.图2为本发明车辆性能曲线趋势拟合方法第一实施例的流程示意图；
39.图3为本发明车辆性能曲线趋势拟合方法第二实施例的流程示意图；
40.图4为本发明车辆性能曲线趋势拟合方法第三实施例的流程示意图；
41.图5为本发明车辆性能曲线趋势拟合方法第四实施例的流程示意图；
42.图6为本发明车辆性能曲线趋势拟合方法第五实施例的流程示意图；
43.图7为本发明车辆性能曲线趋势拟合装置第一实施例的功能模块图。
44.本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
45.应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
46.本发明实施例的解决方案主要是：通过获取车辆性能曲线的初始毛刺标尺；将所述初始毛刺标尺的标量值作为唯一超参的取值，遍历所述车辆性能曲线的每一个点，获得所有拐点；将所述所有拐点中的毛刺拐点剔除，并将剩余拐点进行趋势拟合，获得拐点趋势线，提高了趋势线的真实性和准确性，加快了车辆性能曲线趋势提取的速度和效率，节省了车辆性能曲线趋势提取耗费的时间，避免了趋势失真，为交通数据分析及应用提供了有效依据，解决了现有技术中车辆性能曲线趋势提取速度慢，耗费时间长，且存在准确度较低造成趋势失真的技术问题。
47.参照图1，图1为本发明实施例方案涉及的硬件运行环境的设备结构示意图。
48.如图1所示，该设备可以包括：处理器1001，例如cpu，通信总线1002、用户接口1003，网络接口1004，存储器1005。其中，通信总线1002用于实现这些组件之间的连接通信。用户接口1003可以包括显示屏(display)、输入单元比如键盘(keyboard)，可选用户接口1003还可以包括标准的有线接口、无线接口。网络接口1004可选的可以包括标准的有线接口、无线接口(如wi
‑
fi接口)。存储器1005可以是高速ram存储器，也可以是稳定的存储器(non
‑
volatile memory)，例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储装置。
49.本领域技术人员可以理解，图1中示出的设备结构并不构成对该设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。
50.如图1所示，作为一种存储介质的存储器1005中可以包括操作系统、网络通信模块、用户接口模块以及车辆性能曲线趋势拟合程序。
51.获取车辆性能曲线的初始毛刺标尺；
52.将所述初始毛刺标尺的标量值作为唯一超参的取值，遍历所述车辆性能曲线的每一个点，获得所有拐点；
53.将所述所有拐点中的毛刺拐点剔除，并将剩余拐点进行趋势拟合，获得拐点趋势线。
54.本发明设备通过处理器1001调用存储器1005中存储的车辆性能曲线趋势拟合程序，还执行以下操作：
55.接收标尺指定指令，根据所述标尺指定指令确定车辆性能曲线的初始毛刺标尺；
56.或，
57.通过机器学习获取车辆性能曲线的各毛刺标尺的优化目标函数值，将最小的优化目标函数值对应的毛刺标尺作为所述车辆性能曲线的初始毛刺标尺。
58.本发明设备通过处理器1001调用存储器1005中存储的车辆性能曲线趋势拟合程序，还执行以下操作：
59.以预设最小尺度单位为步长，确定车辆性能曲线中各步长对应的毛刺标尺；
60.基于机器学习获得车辆性能曲线中各毛刺标尺对应的各趋势线；
61.获取各趋势线对应的各优化目标函数值，将最小的优化目标函数值对应的毛刺标尺作为所述车辆性能曲线的初始毛刺标尺。
62.本发明设备通过处理器1001调用存储器1005中存储的车辆性能曲线趋势拟合程序，还执行以下操作：
63.基于机器学习分别以各毛刺标尺对应的标尺量为起点遍历所述车辆性能曲线的每一个点，获得各毛刺标尺分别对应的有效拐点，通过所述有效拐点形成各毛刺标尺对应的各趋势线。
64.本发明设备通过处理器1001调用存储器1005中存储的车辆性能曲线趋势拟合程序，还执行以下操作：
65.获取各趋势线对应的趋势线有效拐点数量，拐点权重及曲线均方误差，所述曲线均方误差为所述趋势线与所述车辆性能曲线的原始曲线的均方误差；
66.通过下式计算获得各趋势线的优化目标函数值：
67.优化目标函数值＝min(趋势线有效拐点数量*拐点权重 曲线均方误差)
68.从各优化目标函数值中挑选出最小的优化目标函数值，并将最小的优化目标函数值对应的毛刺标尺作为所述车辆性能曲线的初始毛刺标尺。
69.本发明设备通过处理器1001调用存储器1005中存储的车辆性能曲线趋势拟合程序，还执行以下操作：
70.将所述初始毛刺标尺的标量值作为唯一超参的取值，遍历所述车辆性能曲线的每一个点，将左右趋势不同的点作为拐点，获得所述车辆性能曲线的所有拐点。
71.本发明设备通过处理器1001调用存储器1005中存储的车辆性能曲线趋势拟合程序，还执行以下操作：
72.依次检查每一个拐点，获取每一个当前拐点与其相邻拐点的高度差；
73.在所述高度差小于预设高度差阈值时，将所述高度差对应的当前拐点作为毛刺拐点；
74.将所有拐点中的毛刺拐点剔除，获得剩余的目标拐点集合，并通过所述目标拐点集合中的所有拐点进行直线相连，生成拐点趋势线。
75.本实施例通过上述方案，通过获取车辆性能曲线的初始毛刺标尺；将所述初始毛
刺标尺的标量值作为唯一超参的取值，遍历所述车辆性能曲线的每一个点，获得所有拐点；将所述所有拐点中的毛刺拐点剔除，并将剩余拐点进行趋势拟合，获得拐点趋势线，提高了趋势线的真实性和准确性，加快了车辆性能曲线趋势提取的速度和效率，节省了车辆性能曲线趋势提取耗费的时间，避免了趋势失真，为交通数据分析及应用提供了有效依据。
76.基于上述硬件结构，提出本发明车辆性能曲线趋势拟合方法实施例。
77.参照图2，图2为本发明车辆性能曲线趋势拟合方法第一实施例的流程示意图。
78.在第一实施例中，所述车辆性能曲线趋势拟合方法包括以下步骤：
79.步骤s10、获取车辆性能曲线的初始毛刺标尺。
80.需要说明的是，所述车辆性能曲线为车辆在运行时的各种性能曲线，所述车辆性能曲线可以是动力性能曲线，还可以是燃油经济性能曲线，也可以是制动性能曲线，当然还可以是行驶平顺性能曲线、排放污染性能曲线及噪声性能曲线等，本实施例对此不加以限制。
81.可以理解的是，所述初始毛刺标尺为初始的毛刺标量，一般来说起伏程度小于等于所述初始毛刺标尺的波峰或波谷被认为是毛刺，否则为非毛刺。
82.步骤s20、将所述初始毛刺标尺的标量值作为唯一超参的取值，遍历所述车辆性能曲线的每一个点，获得所有拐点。
83.应当理解的是，通过将所述初始毛刺标尺的标量值作为唯一超参的取值，可以遍历所述车辆性能曲线的所有发生点，即遍历所述车辆性能曲线的原始曲线的每一个点，从而获得所有拐点。
84.需要说明的是，所述拐点的定义为该点左右趋势不同的点，即左右趋势相反，即为左升右降或右升左降，或者其一侧趋势为平，另一侧趋势不为平。
85.步骤s30、将所述所有拐点中的毛刺拐点剔除，并将剩余拐点进行趋势拟合，获得拐点趋势线。
86.应当理解的是，通过将所有拐点的毛刺拐点剔除，能够避免毛刺拐点对正常拐点的干扰，避免毛刺节点影响测量性能曲线的趋势线的准确性，在获得剔除后的剩余拐点后，可以通过剩余拐点组合形成拐点趋势线。
87.本实施例通过上述方案，通过获取车辆性能曲线的初始毛刺标尺；将所述初始毛刺标尺的标量值作为唯一超参的取值，遍历所述车辆性能曲线的每一个点，获得所有拐点；将所述所有拐点中的毛刺拐点剔除，并将剩余拐点进行趋势拟合，获得拐点趋势线，能够提高趋势线的真实性和准确性，加快了车辆性能曲线趋势提取的速度和效率，节省了车辆性能曲线趋势提取耗费的时间，避免了趋势失真，为交通数据分析及应用提供了有效依据。
88.进一步地，图3为本发明车辆性能曲线趋势拟合方法第二实施例的流程示意图，如图3所示，基于第一实施例提出本发明车辆性能曲线趋势拟合方法第二实施例，在本实施例中，所述步骤s10具体包括以下步骤：
89.步骤s11、接收标尺指定指令，根据所述标尺指定指令确定车辆性能曲线的初始毛刺标尺。
90.需要说明的是，标尺指定指令为工作人员认为给定的毛刺标尺指定指令，通过所述标尺指令可以相应的在所述车辆性能曲线中选取对应的毛刺标尺作为初始毛刺标尺。
91.步骤s12、通过机器学习获取车辆性能曲线的各毛刺标尺的优化目标函数值，将最
小的优化目标函数值对应的毛刺标尺作为所述车辆性能曲线的初始毛刺标尺。
92.应当理解的是，所述优化目标函数为通过拐点表示趋势线的模型简单程度的函数，基于机器学习可以获取车辆性能曲线的各毛刺标尺的优化目标函数值，即将毛刺标尺作为超参，在机器学习开始学习之前设置的毛刺标尺，通过机器学习，能够获得最优的毛刺标尺，即为将最小的优化目标函数值对应的毛刺标尺作为所述车辆性能曲线的初始毛刺标尺。
93.本实施例通过上述方案，通过接收标尺指定指令，根据所述标尺指定指令确定车辆性能曲线的初始毛刺标尺；或，通过机器学习获取车辆性能曲线的各毛刺标尺的优化目标函数值，将最小的优化目标函数值对应的毛刺标尺作为所述车辆性能曲线的初始毛刺标尺；能够人为或者机器学习确定初始毛刺标尺，机器学习确定毛刺标尺的方式，能够优化车辆性能曲线的趋势线，提高了车辆性能曲线的趋势线的真实性和准确性。
94.进一步地，图4为本发明车辆性能曲线趋势拟合方法第三实施例的流程示意图，如图4所示，基于第二实施例提出本发明车辆性能曲线趋势拟合方法第三实施例，在本实施例中，所述步骤s12具体包括以下步骤：
95.步骤s121、以预设最小尺度单位为步长，确定车辆性能曲线中各步长对应的毛刺标尺。
96.需要说明的是，预设最小尺度单位为预先设置的标尺尺度的最小单元，一般可以设置为0.1或其他数值，本实施例对此不加以限制；通过以预设最小尺度单位为步长，确定车辆性能曲线中各步长对应的毛刺标尺，一般可以根据所述步长逐步增加相应的毛刺尺度，从而确定不同步长对应的不同的毛刺标尺。
97.步骤s122、基于机器学习获得车辆性能曲线中各毛刺标尺对应的各趋势线。
98.可以理解的是，基于机器学习能够对应各毛刺标尺在车辆性能曲线中进行全范围扫描，获得相应的有效拐点，进而生成对应的拐点趋势线。
99.进一步的，所述步骤s122具体包括以下步骤：
100.基于机器学习分别以各毛刺标尺对应的标尺量为起点遍历所述车辆性能曲线的每一个点，获得各毛刺标尺分别对应的有效拐点，通过所述有效拐点形成各毛刺标尺对应的各趋势线。
101.需要说明的是，在未人为指定毛刺标尺时，存在毛刺标尺最佳大小的机器学习过程，以1个毛刺标尺为例，可以将该毛刺标尺作为起点，遍历所述车辆性能曲线的原始曲线的每一个点，从遍历的点中选出有效拐点，有效拐点为筛除了毛刺拐点的剩余拐点，进而通过所有的有效拐点组成该毛刺标尺对应的拐点趋势线。
102.步骤s123、获取各趋势线对应的各优化目标函数值，将最小的优化目标函数值对应的毛刺标尺作为所述车辆性能曲线的初始毛刺标尺。
103.应当理解的是，各趋势线对应的各优化目标函数值，即不同的趋势线对应的拐点数据不同，相应的趋势线与车辆性能曲线的原始曲线的贴合程度不同，相应的优化目标函数值不同，通过在各优化目标函数值找寻最小值，将最小的优化目标函数值对应的毛刺标尺作为所述车辆性能曲线的初始毛刺标尺，能够最优的优化车辆性能曲线的趋势线，提高了车辆性能曲线的趋势线的真实性和准确性。
104.进一步的，所述步骤s123具体包括以下步骤：
105.获取各趋势线对应的趋势线有效拐点数量，拐点权重及曲线均方误差，所述曲线均方误差为所述趋势线与所述车辆性能曲线的原始曲线的均方误差；
106.通过下式计算获得各趋势线的优化目标函数值：
107.优化目标函数值＝min(趋势线有效拐点数量*拐点权重 曲线均方误差)
108.从各优化目标函数值中挑选出最小的优化目标函数值，并将最小的优化目标函数值对应的毛刺标尺作为所述车辆性能曲线的初始毛刺标尺。
109.需要说明的是，所述趋势线有效拐点数量为各有效拐点组成的拐点趋势线中各有效拐点的数量，所述拐点权重为预先设置的权重系数，所述曲线均方误差为所述趋势线与所述车辆性能曲线的原始曲线的均方误差，所述曲线均方误差用来衡量所述趋势线与所述车辆性能曲线的原始曲线的贴合程度。
110.可以理解的是，优化目标函数的优化目标是希望趋势线中最终保留的拐点少，拐点越少，趋势线与原始曲线的差别越大，也就是趋势线和原始曲线的贴合程度越小，但趋势线越趋于简明，相应的机器学习模型越简单，同时会希望所述趋势线与所述车辆性能曲线的原始曲线贴合程度尽可能大，最小的优化目标函数值对应的毛刺标尺作为所述车辆性能曲线的最终毛刺标尺，即初始毛刺标尺，对应的趋势线作为最终输出的趋势线。
111.本实施例通过上述方案，通过以预设最小尺度单位为步长，确定车辆性能曲线中各步长对应的毛刺标尺；基于机器学习获得车辆性能曲线中各毛刺标尺对应的各趋势线；获取各趋势线对应的各优化目标函数值，将最小的优化目标函数值对应的毛刺标尺作为所述车辆性能曲线的初始毛刺标尺；能够最优的优化车辆性能曲线的趋势线，提高了车辆性能曲线的趋势线的真实性和准确性。
112.进一步地，图5为本发明车辆性能曲线趋势拟合方法第四实施例的流程示意图，如图5所示，基于第一实施例提出本发明车辆性能曲线趋势拟合方法第四实施例，在本实施例中，所述步骤s20具体包括以下步骤：
113.步骤s21、将所述初始毛刺标尺的标量值作为唯一超参的取值，遍历所述车辆性能曲线的每一个点，将左右趋势不同的点作为拐点，获得所述车辆性能曲线的所有拐点。
114.需要说明的是，通过将所述初始毛刺标尺的标量值作为作为唯一超参的取值，可以遍历所述车辆性能曲线的所有点，所述拐点的定义为该点左右趋势不同的点，即左右趋势相反，即为左升右降或右升左降，或者其一侧趋势为平，另一侧趋势不为平。
115.本实施例通过上述方案，通过将所述初始毛刺标尺的标量值作为唯一超参的取值，遍历所述车辆性能曲线的每一个点，将左右趋势不同的点作为拐点，获得所述车辆性能曲线的所有拐点，为后续拐点趋势线的拟合做准备，能够提高趋势线的真实性和准确性，加快了车辆性能曲线趋势提取的速度和效率。
116.进一步地，图6为本发明车辆性能曲线趋势拟合方法第五实施例的流程示意图，如图6所示，基于第一实施例提出本发明车辆性能曲线趋势拟合方法第五实施例，在本实施例中，所述步骤s30具体包括以下步骤：
117.步骤s31、依次检查每一个拐点，获取每一个当前拐点与其相邻拐点的高度差。
118.需要说明的是，依次检查所有拐点，能够获得该拐点的与其左右拐点的高度差，即获取每一个当前拐点与其相邻拐点的高度差。
119.步骤s32、在所述高度差小于预设高度差阈值时，将所述高度差对应的当前拐点作
为毛刺拐点。
120.应当理解的是，所述预设高度差阈值为预先设置的拐点之间的相对高度差的阈值，通过预设高度差阈值能够筛选出毛刺拐点和非毛刺拐点，在所述高度差小于预设高度差阈值时，对应的当前拐点为毛刺拐点，在所述高度差大于等于预设高度差阈值时，对应的当前拐点为非毛刺拐点，即上述实施例中的有效拐点。
121.步骤s33、将所有拐点中的毛刺拐点剔除，获得剩余的目标拐点集合，并通过所述目标拐点集合中的所有拐点进行直线相连，生成拐点趋势线。
122.可以理解的是，将所述拐点中的毛刺拐点剔除筛除过滤后，剩余的目标拐点为有效拐点，通过将各有效拐点进行汇总，能够生成对应的目标拐点结合额，通过将所述目标拐点集合中的所有拐点进行直线相连，能够拟合生成拐点趋势线。
123.本实施例通过上述方案，通过依次检查每一个拐点，获取每一个当前拐点与其相邻拐点的高度差；在所述高度差小于预设高度差阈值时，将所述高度差对应的当前拐点作为毛刺拐点；将所有拐点中的毛刺拐点剔除，获得剩余的目标拐点集合，并通过所述目标拐点集合中的所有拐点进行直线相连，生成拐点趋势线，能够提高趋势线的真实性和准确性，加快了车辆性能曲线趋势提取的速度和效率，节省了车辆性能曲线趋势提取耗费的时间，避免了趋势失真，为交通数据分析及应用提供了有效依据。
124.相应地，本发明进一步提供一种车辆性能曲线趋势拟合装置。
125.参照图7，图7为本发明车辆性能曲线趋势拟合装置第一实施例的功能模块图。
126.本发明车辆性能曲线趋势拟合装置第一实施例中，该车辆性能曲线趋势拟合装置包括：
127.初始标尺获取模块10，用于获取车辆性能曲线的初始毛刺标尺。
128.遍历模块20，用于将所述初始毛刺标尺的标量值作为唯一超参的取值，遍历所述车辆性能曲线的每一个点，获得所有拐点。
129.拟合模块30，用于将所述所有拐点中的毛刺拐点剔除，并将剩余拐点进行趋势拟合，获得拐点趋势线。
130.所述初始标尺获取模块10，还用于接收标尺指定指令，根据所述标尺指定指令确定车辆性能曲线的初始毛刺标尺；或，通过机器学习获取车辆性能曲线的各毛刺标尺的优化目标函数值，将最小的优化目标函数值对应的毛刺标尺作为所述车辆性能曲线的初始毛刺标尺。
131.所述初始标尺获取模块10，还用于以预设最小尺度单位为步长，确定车辆性能曲线中各步长对应的毛刺标尺；基于机器学习获得车辆性能曲线中各毛刺标尺对应的各趋势线；获取各趋势线对应的各优化目标函数值，将最小的优化目标函数值对应的毛刺标尺作为所述车辆性能曲线的初始毛刺标尺。
132.所述初始标尺获取模块10，还用于基于机器学习分别以各毛刺标尺对应的标尺量为起点遍历所述车辆性能曲线的每一个点，获得各毛刺标尺分别对应的有效拐点，通过所述有效拐点形成各毛刺标尺对应的各趋势线。
133.所述初始标尺获取模块10，还用于获取各趋势线对应的趋势线有效拐点数量，拐点权重及曲线均方误差，所述曲线均方误差为所述趋势线与所述车辆性能曲线的原始曲线的均方误差；通过下式计算获得各趋势线的优化目标函数值：
134.优化目标函数值＝min(趋势线有效拐点数量*拐点权重 曲线均方误差)
135.从各优化目标函数值中挑选出最小的优化目标函数值，并将最小的优化目标函数值对应的毛刺标尺作为所述车辆性能曲线的初始毛刺标尺。
136.所述遍历模块20，还用于将所述初始毛刺标尺的标量值作为唯一超参的取值，遍历所述车辆性能曲线的每一个点，将左右趋势不同的点作为拐点，获得所述车辆性能曲线的所有拐点。
137.所述拟合模块30，还用于依次检查每一个拐点，获取每一个当前拐点与其相邻拐点的高度差；在所述高度差小于预设高度差阈值时，将所述高度差对应的当前拐点作为毛刺拐点；将所有拐点中的毛刺拐点剔除，获得剩余的目标拐点集合，并通过所述目标拐点集合中的所有拐点进行直线相连，生成拐点趋势线。
138.其中，车辆性能曲线趋势拟合装置的各个功能模块实现的步骤可参照本发明车辆性能曲线趋势拟合方法的各个实施例，此处不再赘述。
139.此外，本发明实施例还提出一种存储介质，所述存储介质上存储有车辆性能曲线趋势拟合程序，所述车辆性能曲线趋势拟合程序被处理器执行时实现如下操作：
140.获取车辆性能曲线的初始毛刺标尺；
141.将所述初始毛刺标尺的标量值作为唯一超参的取值，遍历所述车辆性能曲线的每一个点，获得所有拐点；
142.将所述所有拐点中的毛刺拐点剔除，并将剩余拐点进行趋势拟合，获得拐点趋势线。
143.进一步地，所述车辆性能曲线趋势拟合程序被处理器执行时还实现如下操作：
144.接收标尺指定指令，根据所述标尺指定指令确定车辆性能曲线的初始毛刺标尺；
145.或，
146.通过机器学习获取车辆性能曲线的各毛刺标尺的优化目标函数值，将最小的优化目标函数值对应的毛刺标尺作为所述车辆性能曲线的初始毛刺标尺。
147.进一步地，所述车辆性能曲线趋势拟合程序被处理器执行时还实现如下操作：
148.以预设最小尺度单位为步长，确定车辆性能曲线中各步长对应的毛刺标尺；
149.基于机器学习获得车辆性能曲线中各毛刺标尺对应的各趋势线；
150.获取各趋势线对应的各优化目标函数值，将最小的优化目标函数值对应的毛刺标尺作为所述车辆性能曲线的初始毛刺标尺。
151.进一步地，所述车辆性能曲线趋势拟合程序被处理器执行时还实现如下操作：
152.基于机器学习分别以各毛刺标尺对应的标尺量为起点遍历所述车辆性能曲线的每一个点，获得各毛刺标尺分别对应的有效拐点，通过所述有效拐点形成各毛刺标尺对应的各趋势线。
153.进一步地，所述车辆性能曲线趋势拟合程序被处理器执行时还实现如下操作：
154.获取各趋势线对应的趋势线有效拐点数量，拐点权重及曲线均方误差，所述曲线均方误差为所述趋势线与所述车辆性能曲线的原始曲线的均方误差；
155.通过下式计算获得各趋势线的优化目标函数值：
156.优化目标函数值＝min(趋势线有效拐点数量*拐点权重 曲线均方误差)
157.从各优化目标函数值中挑选出最小的优化目标函数值，并将最小的优化目标函数
值对应的毛刺标尺作为所述车辆性能曲线的初始毛刺标尺。
158.进一步地，所述车辆性能曲线趋势拟合程序被处理器执行时还实现如下操作：
159.将所述初始毛刺标尺的标量值作为唯一超参的取值，遍历所述车辆性能曲线的每一个点，将左右趋势不同的点作为拐点，获得所述车辆性能曲线的所有拐点。
160.进一步地，所述车辆性能曲线趋势拟合程序被处理器执行时还实现如下操作：
161.依次检查每一个拐点，获取每一个当前拐点与其相邻拐点的高度差；
162.在所述高度差小于预设高度差阈值时，将所述高度差对应的当前拐点作为毛刺拐点；
163.将所有拐点中的毛刺拐点剔除，获得剩余的目标拐点集合，并通过所述目标拐点集合中的所有拐点进行直线相连，生成拐点趋势线。
164.本实施例通过上述方案，通过获取车辆性能曲线的初始毛刺标尺；将所述初始毛刺标尺的标量值作为唯一超参的取值，遍历所述车辆性能曲线的每一个点，获得所有拐点；将所述所有拐点中的毛刺拐点剔除，并将剩余拐点进行趋势拟合，获得拐点趋势线，提高了趋势线的真实性和准确性，加快了车辆性能曲线趋势提取的速度和效率，节省了车辆性能曲线趋势提取耗费的时间，避免了趋势失真，为交通数据分析及应用提供了有效依据。
165.需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者系统不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者系统所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括该要素的过程、方法、物品或者系统中还存在另外的相同要素。
166.上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。
167.以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。