CN105292120A - 群源化来预测车辆能量消耗 - Google Patents

Abstract

一种群源化用于车辆的能量消耗数据的示例方法包括响应于预测能量消耗来控制车辆，所述预测能量消耗是基于前一预测能量消耗和前一实际基础能量消耗之间的差持续更新。为车辆规划路线的另一示例方法包括响应于当行驶所述路线时用于所述车辆的预测能量消耗改变用于车辆的路线，所述预测能量消耗是基于前一预测能量消耗和前一实际基础能量消耗之间的差。

Description

群源化来预测车辆能量消耗

背景技术

车辆能量消耗可能受许多因素的影响，如交通、道路条件、天气、风速和风向等。这些因素可以具有每天与每天不同的变化，其必须被补偿，以准确预测车辆能量消耗。

例如混合动力电动车辆的电气化车辆的预测能量消耗例如可用于确定从电动切换至发动机动力的时间点或者电池电荷是否足以行驶所期望的路线。

发明内容

根据本公开的示例性方面的方法包括，其中，响应于预测能量消耗控制车辆，所述预测能量消耗是基于前一预测能量消耗和前一实际基础能量消耗之间的差持续更新的。

在上述方法的进一步的非限制性实施例中，预测能量消耗还基于能量消耗模型。

在任何上述方法的进一步的非限制性实施例中，方法进一步包括响应于所述差而更新能量消耗模型。

在任何上述方法的进一步的非限制性实施例中，控制包括选择用于车辆从起点位置行驶到目的地的路线，路线从多个可能的路线中来选择。

在任何上述方法的进一步的非限制性实施例中，方法进一步包括计算车辆的当前位置，并使用当前位置作为路线的起始位置。

在任何上述方法的进一步的非限制性实施例中，方法进一步包括基于车辆的当前位置计算当前道路段。

在任何上述方法的进一步的非限制性实施例中，控制包括响应于识别与车辆、时间、位置、道路段、或它们的某些组合有关的信息来控制车辆。

在任何上述方法的进一步的非限制性实施例中，车辆的控制进一步是响应于车辆的特征或车辆的驾驶员的特征中的至少一个。

根据本公开的另一示例性方面的方法包括，响应于当行驶路线时用于车辆的预测能量消耗而改变用于车辆的路线，以及其他，预测能量消耗是基于前一预测能量消耗和前一实际基础能量消耗之间的差。

在任何上述方法的进一步的非限制性实施例中，方法包括将路线划分为一组道路段，并针对该组道路段中的每个道路段执行改变步骤。

在任何上述方法的进一步的非限制性实施例中，改变包括基于对应于沿着路线的道路的第一组数据条目和对应于与该沿着路线的道路类似的道路的第二组数据条目计算关联因数。

在任何上述方法的进一步的非限制性实施例中，计算是相对于沿着路线的道路的一个或多个特征。

在任何上述方法的进一步的非限制性实施例中，特征包括地理位置、速度限制、车道数量、道路分类、交通灯数量或停止标志中的至少一个。

在任何上述方法的进一步的非限制性实施例中，计算关联因数是相对于自从数据条目被采集时以来的时间。

在任何上述方法的进一步的非限制性实施例中，预定数量的具有最高关联因数的数据条目被用于预测步骤。

在任何上述方法的进一步的非限制性实施例中，方法包括改变路线为最节能的路线。

根据本公开的又一示例性方面的系统包括，车辆群、与车辆群通信的服务器、以及服务器上的数据库、以及其他。服务器和数据库中的至少一个从车辆群收集对应于车辆能量消耗的数据、更新数据库中的数据、以及向车辆群提供对应于车辆能量消耗的数据。

在上述系统的进一步的非限制性实施例中，在群中的车辆还与彼此进行通信。

在任何上述系统的进一步的非限制性实施例中，车辆经由移动设备与服务器进行通信。

可以独立地或以任何组合采用上述段落、权利要求书、或下面的描述和附图中的实施例、示例和备选方案，包括任何它们的各个方面或相应的单独特征。结合一个实施例所描述的特征适用于所有实施例，除非这些特征是互相矛盾的。

附图说明

对于本领域普通技术人员，本公开的各种特征和优点将从下面的详细描述中变得显而易见。附随详细描述的附图能够简要描述如下:

图1示意性示出了用于基于群源化(crowd-sourecd)数据预测车辆能量消耗的系统；

图2示出了使用图1的系统群源化(crowd-sourcing)信息以预测车辆能量消耗的另一种方法；

图3示出了使用图1的系统群源化(crowd-sourcing)信息以预测车辆能量消耗的一种方法；

图4示出了使用例如图2和图3的方法为车辆规定路线的方法。

具体实施方式

本公开总体上涉及用于预测车辆的能量消耗的群源化信息。

图1示出了用于群源化信息以预测车辆能量消耗的系统100的示意图。系统100包括一个或多个车辆102的群101和服务器104。在图1的示例中，群101包括三个车辆102。在其它示例中，群101可能包括三个以上的车辆102。

示例车辆102是电气化车辆，例如混合动力电动车辆。电气化车辆能够受益于能量消耗的预测。例如，电气化车辆有选择使用电动马达或者汽油发动机来驱动车辆向前(即，产生推进力)。在某些情况下，一个可能比另一个更有效。然而，由于没有用于产生推进力的无限量的能量(并且常规混合动力电动车辆必须在驾驶时“产生”其电力)，能够预测未来能量需求的智能车辆能够更有效地选择何时使用哪种推进力。

在示例系统100中，车辆102经由服务器通信链接106与服务器104进行通信。服务器104可能是物理服务器或者基于云的主机托管服务。在一个具体示例中，车辆102经由内置通信链接106a与服务器104直接通信。在另一示例中，服务器通信链接106b包括带入式(brought-in)移动设备108，例如驾驶员的移动电话。

移动设备108能够经由无线连接，如(蓝牙)连接(美国华盛顿州柯克兰的BluetoothSIG公司)，或有线连接，如通过通用串行总线(USB)电缆，与车辆102进行通信。移动设备108也经由无线连接，例如通过经过移动设备108蜂窝数据提供商的数据传输，例如3G或4G移动网络，与服务器104进行通信。移动设备108能够包括软件来使其能够执行这些通信功能。

除了或代替经由服务器通信链接106连接至服务器104，示例车辆102可操作地经由例如DSRC(专用短程通信)的车辆通信链接110连接至彼此。应当理解，服务器通信链接106的上述描述也适用于车辆通信链接110。尽管车辆到车辆的通信在逻辑上是直接的，其能够通过附加的中间基于云的服务器(未示出)中继，这将不会是服务器104，而是仅提供车辆102之间的路由功能。这种中继链接可能使用例如DSRC的直接车辆到基础设施的技术或与直接链接106相同种类的通信。

服务器104包括数据库112。数据库112接收并存储与群101中的车辆102的实际能量消耗有关的数据。在一示例中，从车辆102向服务器104或其他车辆102传送的数据包括识别信息，诸如，例如，车辆品牌或型号、车辆识别码(VIN)、等等。在另一示例中，从车辆102传送的数据包括与车辆102行驶的道路段有关的识别信息，例如地理位置、速度限制、车道数量、道路分类、指示灯数量或停止标志等。传送至服务器104的附加数据使得与车辆102的能量消耗有关的数据能够链接至车辆102和/或车辆102行驶的道路段的识别数据。

能量消耗数据能够进一步被时间标记，并且能够包括附加数据，例如与在数据收集的时间和地点上的天气或交通状况有关的数据。服务器104和数据库112处理数据来做出与车辆102的能量消耗有关的预测。服务器104和数据库112还可以包括用于特定车辆102的附加的基础能量消耗数据。基础能量消耗数据能够由群源化数据来修正。

服务器通信链接106和车辆通信链接110能够允许双向数据传送，从而使车辆102能够通过链接106、110即发送也接收数据。即，车辆102能够向服务器104或另一车辆102发送与其实际能够消耗有关的数据，也能够从服务器104或其它车辆102接收与其预测能量消耗有关的数据。

参考图2，预测用于群101中的车辆102的能量消耗数据的示例方法200被示出。方法200的步骤202确定起点(例如，基于用户输入的起点或车辆102的当前位置)和结束点(例如，基于用户输入的结束点或由方法200预测的结束点)之间的路线。在步骤204中，方法200生成一组沿路线的道路段。在步骤206中，方法200基于个性化的能量消耗模型确定在每个道路段上的用于车辆102的基础能量消耗率。个性化的能量消耗模型能够考虑到，例如，驾驶员的习惯、车辆品牌和型号等。

在步骤208中，方法200识别对应于路线中的道路段的数据库112中的条目。在步骤210中，方法200识别对应于类似于该路线中的道路段的道路段的数据库112中的条目。在步骤208和210中所考虑的数据可以是来源于群101。方法200将随后执行步骤212，其中，方法200确定关联因数。在将来的步骤214中，关联因数对数据库112的条目排列优先顺序来进行使用。关联因数能够取决于道路特征，例如车道数量、速度限制、道路坡度、道路分类、交通灯数量或停止标志等。关联因数还能够取决于自从数据条目被收集时以来的时间。当道路特征的相似性较高并且自从数据条目被收集以来时的时间较低时，关联因数是最高的，在步骤212中所述数据被优先使用。在一示例中，在步骤212中使用预定数量的具有最高关联因数的数据条目。

在步骤214中，方法200基于来自步骤208和/或210的数据确定预期能量消耗率的差。在一示例中，预期能量消耗率差包括用于产生估计的数据的数量，以确定所述估计的准确性。

在步骤216中，方法200增加所估计的能量消耗率差到用于每个道路段的来自步骤206的基础能量消耗率，以确定校正的能量消耗估计。在步骤218中，方法200以来自步骤216的校正的能量消耗率乘以来自步骤202的道路段的距离，以确定在道路段上的车辆102的能量消耗。

参考图3并继续参考图1，示例方法300计算并上载用于群101中的车辆102的能量消耗差，并上载该数据到数据库112。在步骤302中，方法300识别车辆102当前正在行驶的道路段。在步骤304中，方法300基于个性化的能量消耗模型预测用于正行驶在道路段上的车辆102的基础能量消耗。步骤304中的预测使用与406相同的能量消耗模型。如果道路段是已知路线的一部分，则来自304的估计将匹配用于相应段的来自406的估计。在步骤306中，方法300观察在道路段上的车辆102的实际能量消耗。在步骤308中，方法300确定预测的基础能量消耗和实际能量消耗之间的差。在步骤310中，方法300上载所述差到数据库112。在步骤312中，方法300在不间断学习过程中更新模型。

图4示出了使用示例方法200、300(图2和3)为车辆102规定路线的方法400。在步骤402中，方法400识别出发点和目的地，这可能由用户给出或基于车辆102的位置来预测。类似地，目的地可能由用户给出或由方法400来预测。在任选的步骤404中，方法400禁用经由链接106、110的车辆到服务器和车辆到车辆的通信。在步骤406中，方法400——例如，由方法200、300(图2和3)——在各种条件下确定从出发点到目的地的能量消耗优化路线。各种条件可能是，例如，下雪条件、刮风条件、正常条件、交通条件等。在步骤408中，方法400识别最节能的路线。在任选的步骤410中，方法400允许经由链接106、110的车辆到服务器和车辆到车辆的通信。在步骤412中，方法400使用方法200来更新用于剩余部分路线的能量消耗估计。具体地，方法400确定使用步骤214更新的预期能量消耗差和使用步骤206更新的基础能量消耗。在步骤414中，方法400确定预期能量消耗差和/或基础能量消耗是否有显著改变。例如，用于在步骤408中计算最节能路线的信息——例如与路线上的交通和天气条件有关的信息，或者与驾驶员有关的信息——可以与更多的当前信息进行比较，以确定是否发生了改变。如果是，在步骤416中，方法400更新最节能的路线。

当前的说明实质上是说明性的而并非限制。对本公开的示例做出的不必脱离本发明实质的变形和变化对本领域技术人员是显而易见的。因此，本发明的法律保护范围只由下面的权利要求所确定。

Claims (8)

1.一种用于车辆的群源化能量消耗数据的方法，包括：

响应于预测能量消耗而控制车辆，所述预测能量消耗是基于前一预测能量消耗和前一实际基础能量消耗之间的差持续更新的。

2.权利要求1所述的方法，其中，所述预测能量消耗还基于能量消耗模型。

3.权利要求2所述的方法，还包括响应于所述差而更新所述能量消耗模型。

4.权利要求1所述的方法，其中，所述控制包括选择用于车辆从起始位置行驶到不同于所述起始位置的目的地的路线，所述路线从多个可能的路线中来选择。

5.权利要求4所述的方法，还包括计算所述车辆的当前位置，并使用所述当前位置作为所述路线的所述起始位置。

6.权利要求5所述的方法，还包括基于所述车辆的所述当前位置计算当前道路段。

7.权利要求6所述的方法，还包括响应于识别与所述车辆、时间、位置、道路段、或它们的某些组合有关的信息来控制所述车辆。

8.权利要求1所述的方法，其中，所述车辆的所述控制进一步响应于所述车辆的特征或所述车辆的驾驶员的特征中的至少一个。