CN107194605B - 能源消耗估计系统及方法 - Google Patents
能源消耗估计系统及方法 Download PDFInfo
- Publication number
- CN107194605B CN107194605B CN201710431990.8A CN201710431990A CN107194605B CN 107194605 B CN107194605 B CN 107194605B CN 201710431990 A CN201710431990 A CN 201710431990A CN 107194605 B CN107194605 B CN 107194605B
- Authority
- CN
- China
- Prior art keywords
- vehicle
- information
- algorithm
- data analysis
- equipment
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Expired - Fee Related
Links
- 238000005265 energy consumption Methods 0.000 title claims abstract description 157
- 238000000034 method Methods 0.000 title claims abstract description 64
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 151
- 238000007405 data analysis Methods 0.000 claims abstract description 123
- 238000004458 analytical method Methods 0.000 claims abstract description 61
- 108090000623 proteins and genes Proteins 0.000 claims description 183
- 230000006870 function Effects 0.000 claims description 116
- 230000006399 behavior Effects 0.000 claims description 109
- 239000011159 matrix material Substances 0.000 claims description 100
- 238000004891 communication Methods 0.000 claims description 53
- 238000011156 evaluation Methods 0.000 claims description 32
- 230000035772 mutation Effects 0.000 claims description 27
- 210000000349 chromosome Anatomy 0.000 claims description 25
- 239000013598 vector Substances 0.000 claims description 25
- 230000005540 biological transmission Effects 0.000 claims description 23
- 230000003044 adaptive effect Effects 0.000 claims description 21
- 230000013011 mating Effects 0.000 claims description 18
- 230000006978 adaptation Effects 0.000 claims description 14
- 238000004364 calculation method Methods 0.000 claims description 14
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 claims description 10
- 238000013528 artificial neural network Methods 0.000 claims description 6
- 238000001514 detection method Methods 0.000 claims description 6
- 230000002068 genetic effect Effects 0.000 claims description 5
- 230000008774 maternal effect Effects 0.000 claims description 5
- 239000003345 natural gas Substances 0.000 claims description 5
- 230000005611 electricity Effects 0.000 claims description 4
- 101150012509 sub gene Proteins 0.000 claims description 4
- 238000012886 linear function Methods 0.000 claims description 3
- 239000013589 supplement Substances 0.000 claims description 3
- 238000012216 screening Methods 0.000 claims description 2
- 238000012163 sequencing technique Methods 0.000 claims description 2
- 239000003502 gasoline Substances 0.000 description 51
- 238000010586 diagram Methods 0.000 description 29
- 239000000446 fuel Substances 0.000 description 13
- 239000008186 active pharmaceutical agent Substances 0.000 description 9
- 238000012546 transfer Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 4
- 238000012937 correction Methods 0.000 description 3
- 108091028043 Nucleic acid sequence Proteins 0.000 description 2
- 230000007423 decrease Effects 0.000 description 2
- -1 electric power Substances 0.000 description 2
- 239000002828 fuel tank Substances 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 101150082072 14 gene Proteins 0.000 description 1
- 238000003340 combinatorial analysis Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000002620 method output Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 230000003362 replicative effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0637—Strategic management or analysis, e.g. setting a goal or target of an organisation; Planning actions based on goals; Analysis or evaluation of effectiveness of goals
- G06Q10/06375—Prediction of business process outcome or impact based on a proposed change
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/08—Logistics, e.g. warehousing, loading or distribution; Inventory or stock management
- G06Q10/083—Shipping
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Strategic Management (AREA)
- Operations Research (AREA)
- Physics & Mathematics (AREA)
- Development Economics (AREA)
- Marketing (AREA)
- Educational Administration (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Theoretical Computer Science (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Game Theory and Decision Science (AREA)
- Traffic Control Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Navigation (AREA)
Abstract
本发明有关于一种能源消耗估计系统及方法，主要是于透过一数据分析服务器设备，接收来自多个车辆设备的车辆设备信息以及多个使用者设备的能源信息，再透过一最佳组合分析算法计算驾驶人的驾驶行为消耗的能源数量，更能将搜集的所有驾驶人的该驾驶行为能源消耗估计信息集合进行排序，或进行对各该车辆设备的最佳路线规划。
Description
技术领域
本发明有关于一种能源消耗估计系统及方法，特别是一种搜集多个车辆设备及使用者设备的能源消耗信息，并综合考虑以了解各种驾驶行为对能源消耗的影响。
背景技术
根据台湾经济研究院的研究分析报告指出在汽车货运业和汽车客运业的成本结构比中，燃油料成本皆占24％～29％，是为主要成本因子之一，尤其反应在汽车货运业上，其燃油料成本更高于薪资及福利津贴成本，位居成本结构中的第一名，有鉴于此，若能发展出一种能监控燃油料消耗的系统及方法，将能有效地对应此一问题。
现有技术中，虽有利用历史数据的车辆种类、油表电压、行车速度来取得并校正油量值的技术，亦有利用侦测电瓶电压并用以运算出车辆油耗的技术，或是诊断油箱的回馈油量数据的技术等等；然而，其各自皆缺少有效的回馈方法，或是无法透过路网的车流状况、驾驶人差异等等因素来综合估计货运业所需的燃油料成本，显各有其缺失，仍待加以改良。
发明内容
为了解决现有技术无法综合考虑行车时的各种因素对能源消耗的影响，本发明提供一种能源消耗估计系统，至少包含多个车辆设备、多个使用者设备、一数据分析服务器设备、以及一数据库设备。
其中，本发明的各该车辆设备可传送时间信息和车速信息至该数据分析服务器设备，并由驾驶人于各该使用者设备输入关于补充的能源信息并传送至该数据分析服务器设备，该数据分析服务器设备则可以将传来的数据储存至该数据库设备，再由数据分析服务器设备计算每个驾驶行为消耗的能源数量。
其中，各该车辆设备各自用以在驾驶人行车时实时搜集行车时不同的车辆设备信息，所述车辆设备信息至少包括时间信息、车速信息以及位置信息；
各该车辆设备各自至少包含有一定位模组、一中间件模组以及一通讯模组；该定位模组是支持全球定位系统(Global Positioning System,GPS)或无线网络讯号定位等定位方法，使各该车辆设备可经由此模组取得位置信息和车速信息；该中间件模组可以支持超文本传输协议(HyperText Transfer Protocol,HTTP)、或讯息序列遥测传输(MessageQueuing Telemetry Transport,MQTT)或受限应用协议(Constrained ApplicationProtocol,CoAP)等传输协议其中至少一种，使各该车辆设备可经由各自的该中间件模组再经由该通讯模组与该数据分析服务器设备介接，以传送车辆设备信息至该数据分析服务器设备，所述车辆设备信息可包含车辆编号、车辆型号、驾驶人编号、时间信息、位置信息、车速信息等；而该通讯模组是可支持无线网络传输，以建立各该车辆设备与该数据分析服务器设备之间的通讯。
另外，各该车辆设备可选择性地包含一能源侦测装置，该能源侦测装置可侦测所属各该车辆设备所设置车辆所具有的能源信息，能源信息可以是关于汽油、电力、天然气等等，所述的能源信息可以被一并包含于车辆设备信息中，并经由该中间件模组和该通讯模组传送至该数据分析服务器设备。
其中，本发明的各该使用者设备各自提供驾驶人周期性或非周期性地输入对车辆进行能源补充的能源信息，所述能源信息至少包括：时间信息以及补充的能源种类数量；
本发明的各该使用者设备各自至少包含一使用者界面、一中间件模组、以及一通讯模组；该使用者界面是提供驾驶人操作各该使用者设备，以输入补充能源的车辆编号、时间信息及补充数量等与补充能源相关的能源信息，以及显示驾驶人向该数据分析服务器设备查询的分析结果；该中间件模组可以支持超文本传输协议、或讯息序列遥测传输或受限应用协议等等传输协议其中至少一种，而各该使用者设备是透过该中间件模组再经由该通讯模组与该数据分析服务器设备介接，以传送其补充的能源信息至该数据分析服务器设备，能源信息可以是关于补充汽油、电力、天然气等等；而该通讯模组可以支持网络传输，以建立各该使用者设备与该数据分析服务器设备之间的通讯。
其中，本发明的该数据库设备用以储存该数据分析服务器设备针对驾驶人的该驾驶行为能源消耗估计信息集合，以用于后续排序；
本发明的该数据库设备至少包含一储存模组、一运算模组和一通讯模组；该通讯模组是用以建立该数据库设备与该数据分析服务器设备之间的通讯；而该运算模组是经由该通讯模组接收来自该数据分析服务器设备的要求，并依要求存取该储存模组；而该储存模组是与该运算模组介接，以提供新增、修改、删除、查询等操作。
其中，本发明的该数据分析服务器设备接收来自各该车辆设备的车辆设备信息，并接收来自各该使用者设备的能源信息，透过一最佳组合分析算法计算驾驶人的驾驶行为消耗的能源数量，以得出关于驾驶人的一驾驶行为能源消耗估计信息集合，该数据分析服务器设备更能将搜集的所有驾驶人的该驾驶行为能源消耗估计信息集合进行排序，或进行对各该车辆设备的最佳路线规划；
本发明的该数据分析服务器设备至少包含一中间件模组、一通讯模组、以及一最佳组合分析模组；该中间件模组可以支持超文本传输协议、或讯息序列遥测传输、或受限应用协议等传输协议中至少一种，而该数据分析服务器设备是经由该中间件模组和通讯模组来与各该车辆设备及各该使用者设备介接，才得以接收各该车辆设备传送来的车辆设备信息和接收各该使用者设备传送的能源信息等等，并将接收到的车辆设备信息和能源信息储存至该数据库设备；该通讯模组是用以建立该数据分析服务器设备与各该车辆设备、各该使用者设备以及该数据库设备之间的通讯；而该最佳组合分析模组是用以执行一最佳组合分析算法，来分析出各种驾驶行为消耗的能源数量，即为该驾驶行为能源消耗估计信息集合，所述的驾驶行为主要是为车速信息。
另外，本发明的该数据分析服务器设备可选择性地包含一绩效评估模组；该绩效评估模组可执行绩效评估算法，以分析不同驾驶人、不同车辆设备、以及不同驾驶行为所消耗的能源数量，来评选出能源消耗最低的解决方案；而该数据分析服务器设备亦可选择性地包含一最佳路线规划模组，该最佳路线规划模组是用以执行一最佳路线规划算法，以分析其他各该车辆设备的移动状况、实时路况、预测路况等信息，再计算每个路段移动所需能源消耗数量，并规划最少能源消耗的路线。
相对应地，本发明亦提供了一种能源消耗估计方法，其是由该数据分析服务器设备执行至少包含下列步骤：
执行一收集驾驶行为算法，其是由多个车辆设备回报多个车辆设备信息至该数据分析服务器设备，再由该数据分析服务器设备分析传来的各该车辆设备信息，并将各该车辆设备信息储存至一数据库设备，且该数据分析服务器设备将计算一时段区间内各该车辆设备所对应的每种车辆型号、每个道路类型、每位驾驶人的一驾驶行为数量；
执行一收集能源信息算法，是由多个使用者设备回报补充的能源信息至该数据分析服务器设备，或由各该车辆设备所包含的能源侦测装置侦测装设车辆的能源信息后再回报能源信息至该数据分析服务器设备，再由该数据分析服务器设备分析能源信息，并将能源信息储存至该数据库设备，且该数据分析服务器设备将计算该时段区间内各该车辆设备所对应的每个车辆型号、每个道路类型、每位驾驶人的一能源消耗数量；
执行一最佳组合分析算法，其是由该数据分析服务器设备包含的一最佳组合分析模组取得该驾驶行为数量以及该能源消耗数量，再执行一基因算法分析各种驾驶行为所导致的能源消耗数量，以输出一驾驶行为能源消耗估计信息集合。
其中，该最佳组合分析算法是由该最佳组合分析模组执行至少包含下列步骤：
建立一初始数据，该初始数据报含该驾驶行为数量、该能源消耗数量、一母群基因序列数量、一演化次数、一迭带次数、一交配率以及一突变率；
执行一适应函式产生算法，以产生一适应函式用以计算基因序列的分数，该基因序列包含多个染色体；
执行一基因序列产生算法，依据该适应函式所需的各该染色体数量产生基因序列，并依该母群基因序列数量来产生母群的多个基因序列；
执行一基因序列分数计算算法，将各该基因序列输入至该适应函式，以计算各该基因序列的分数；
判断经该基因序列分数计算算法后是否已收敛，即为当判断该演化次数等于该迭带次数时，则输出一最佳基因序列，该最佳基因序列即是该驾驶行为能源消耗估计信息集合，若判断该演化次数小于该迭带次数时，则将演化次数加一；
执行一基因序列选择算法，复制各该基因序列中的两序列，以形成两个母基因序列；
执行一基因序列交配算法，根据该交配率将各该母基因序列进行交配，以产生两个第一代子基因序列；
执行一基因序列突变算法，根据该突变率将各该第一代子基因序列突变，以形成两个第二代子基因序列；
再将新产生的各该第二代子基因序列取代母群中对应各该母基因序列的两序列，其中，被取代的各该基因序列是分别对应于两个最劣分数；以及
再反复执行该基因序列分数计算算法以计算母群中其他各该基因序列的分数以尝试取代。
其中，该适应函式产生算法可产生一多元线性函式作为适应函式或产生一神经网络作为适应函式。
其中，该最佳组合分析算法中的该基因序列突变算法是以一动力法来修正各该染色体，该动力法是参考各该基因序列被代入该适应函式计算后所得出的分数来进行修正。
其中，该最佳组合分析算法中的该基因序列产生算法本身包含下列步骤：
依据该驾驶行为数量和该能源消耗数量建立多个目标函式；
随机产生各该目标函式的多个参数值，并计算各该目标函式以产生各该目标函式的误差值；
根据各该目标函式的误差值修正各该目标函式的各该参数值的最佳解；
输出各该目标函式参数值的最佳解至其他各该目标函式，并重新计算各该目标函式的误差值；以及
判断各该目标函式的误差值是否低于一收敛门坎值，若低于，则输出误差最小的参数值组合，若高于，则根据各该目标函式的误差值修正各该目标函式的各该参数值的最佳解，并输出各该目标函式的各该参数值的最佳解至其他各该目标函式及重新计算各该目标函式的误差值，以持续计算直至低于该收敛门坎值。
而本发明所提供的能源消耗估计方法，其步骤更可选择性地包含：执行一绩效评估算法，其是由该数据分析服务器设备包含的一绩效评估模组向该最佳组合分析模组取得该驾驶行为能源消耗估计信息集合，并由该绩效评估模组执行一阶层分析方法，以选择不同的特征要素来计算各个解决方案的分数，再筛选出对应于一最佳分数的一最佳解决方案。
其中，该绩效评估算法是由该绩效评估模组执行至少包含下列步骤：
选择至少一特征要素，该特征要素包含各该车辆设备所属的车辆型号、道路类型、以及驾驶人；
建构层级结构，依据选择的各该特征要素来设定各该特征要素的上层及下层关联结构；
执行一成对比较矩阵产生算法，以依据每个层级结构设定的各该特征要素来产生成对比较矩阵；
计算特征值与特征向量，运用一数值分析算法计算成对比较矩阵以找出每个层级中各该特征要素的特征向量矩阵；
选择解决方案，依各该特征要素的特征向量矩阵产生每个解决方案的分数，再筛选对应于该最佳分数的该最佳解决方案。
其中，该成对比较矩阵产生算法可以透过三种方法来生成对比较矩阵：
统计每个层级结构设定的各该特征要素的数值，并依数值的比例来产生成对比较矩阵；
运用距离函数或相似度函数计算每个层级结构设定的各该特征要素的数值，并依数值来产生成对比较矩阵；
运用模糊归属函数计算每个层级结构设定的各该特征要素的数值，并依数值来产生成对比较矩阵。
而本发明所提供的能源消耗估计方法，其步骤更可选择性地包含：执行一最佳路线规划算法，该最佳路线规划算法是由该数据分析服务器设备包含的一最佳路线规划模组向该最佳组合分析模组取得该驾驶行为能源消耗估计信息集合，并由该最佳路线规划模组向一外部交通信息服务器取得路况信息，路况信息包含各个路段的长度、车速及旅行时间等，再根据该驾驶行为能源消耗估计信息集合估计出于各路段移动的能源消耗数量，再以各该路段移动的能源消耗数量作为路段的移动成本，以最短路径法来计算最低移动成本的路段组合。
另外，该最佳路线规划模组更可以透过其他各该车辆设备估计路段上的其他车辆的路段移动成本，移动成本是为空间距离或旅行时间，再运用最短路径法为其他车辆计算移动成本以取得其他车辆各自的最低成本路径，该最佳路线规划模组并以其他车辆各自的最低成本路径作为调整因素，以为个别的各该车辆设备计算路段上最低移动成本的路段组合。
本发明透过多个车辆设备及使用者设备搜集能源消耗信息，并根据各种因素和算法综合估计各种驾驶行为对能源消耗的影响，是一种极为有效的能源消耗估计系统及方法。
附图说明
图1为本发明的能源消耗估计系统的第一实施例系统架构图。
图2为本发明的能源消耗估计系统的第二实施例系统架构图。
图3为本发明的能源消耗估计系统的第三实施例系统架构图。
图4为本发明的能源消耗估计系统的第四实施例系统架构图。
图5为本发明的能源消耗估计方法的步骤流程图。
图6为本发明的最佳组合分析算法的步骤流程图。
图7为本发明适应函式产生算法的一实施例示意图。
图8为本发明适应函式产生算法的另一实施例示意图。
图9为本发明的步骤基因序列产生算法的步骤流程图。
图10为本发明的能源消耗估计方法的另一步骤流程图。
图11为本发明的绩效评估算法的步骤流程图。
图12为本发明的绩效评估算法的一阶层结构示意图。
图13为本发明的绩效评估算法的一阶层结构示意图。
图14为本发明的能源消耗估计方法的另一步骤流程图。
图15为本发明的最佳路线规划算法的步骤流程图。
图16为本发明的最佳路线规划算法实施例的一路网信息示意图。
图17为本发明的最佳路线规划算法实施例的一路网信息示意图。
图18为本发明的最佳路线规划算法实施例的一路网信息示意图。
图19为本发明的最佳路线规划算法实施例的一路网信息示意图。
图20为本发明的最佳路线规划算法的另一步骤流程图。
图21为本发明的最佳路线规划算法实施例的一路网信息示意图。
图22为本发明的最佳路线规划算法实施例的一路网信息示意图。
图23为本发明的最佳路线规划算法实施例的一路网信息示意图。
[附图标记说明]
1-车辆设备，10-通讯模组，12-中间件模组，14-定位模组，16-能源侦测装置，2-使用者设备，20-通讯模组，22-中间件模组，24-使用者界面，3-数据分析服务器设备，30-通讯模组，32-中间件模组，34-最佳组合分析模组，36-绩效评估模组，38-最佳路线规划模组，4-数据库设备，40-通讯模组，42-运算模组，44-储存模组，S5-步骤流程，S51～S57-步骤流程，S530～S540-步骤流程，S5310～S5315-步骤流程，S550～S554-步骤流程，S571～S578-步骤流程。
具体实施方式
为使本发明的目的、技术方案及优点更加清楚明白，下面将结合附图及实施例，对本发明进行进一步详细说明；应当理解，此处所描述的具体实施例仅用以解释本发明，但并不用于限定本发明。
请参阅图1，是为本发明的能源消耗估计系统的第一实施例系统架构图，其中，本能源消耗估计系统包含多个车辆设备1(避免图式繁杂，图中仅见其中之一)、多个使用者设备2(避免图式繁杂，图中仅见其中之一)、一数据分析服务器设备3以及一数据库设备4。
车辆设备1可以传送关于其设置车辆的时间信息和车速信息等车辆设备信息至数据分析服务器设备3，并由驾驶人于使用者设备2输入能源信息，再传送至数据分析服务器设备3，数据分析服务器设备3则可以将数据储存至数据库设备4，再由数据分析服务器设备3执行本发明的能源消耗估计方法来计算每个驾驶行为消耗的能源量。
在此实施例中，该车辆设备1包含一通讯模组10、一中间件模组12以及一定位模组14，其中，该通讯模组10可支持4G(长期演进技术Long Term Evolution,LTE)通讯技术，使该车辆设备1可经由该通讯模组10链接4G网络，并建立与数据分析服务器设备3的通讯；该中间件模组12可支持超文本传输协议和具象状态传输(Representational StateTransfer,REST)，该车辆设备1可经由该中间件模组12呼叫数据分析服务器设备3的应用程序编程接口(Application Program Interfaces,APIs)，并将车辆设备信息以周期性或非周期性的方式传送至该数据分析服务器设备3，车辆设备信息可以包含车辆编号、车辆型号、驾驶人编号、时间信息、位置信息或车速信息等等；而该定位模组14可支持全球定位系统，以使车辆设备1经经由卫星讯号取得位置信息和车速信息。
而在此实施例中，共有CN台车辆设备、TN种车辆型号、DN位驾驶人，而属于其中的该车辆设备1具有专属的一车辆编号、一车辆型号以及一使用者编号，该车辆设备1可每隔30秒传送一次车辆设备信息至数据分析服务器设备3，且车辆设备1更包含了一身份识别装置，使该车辆设备1的驾驶人(即使用者)可将其身份识别证件插入该身份识别装置，以取得驾驶人身份信息，如下表一的范例所示；例如：第一驾驶人于2015/01/01驾驶车辆编号第一的车辆，该车辆设置的车辆设备的车辆型号为第一种车辆型号，并且该车辆设备可经由其定位模组于06:00:00取得该车辆设备的位置信息(即经度102.5423383度和纬度24.09490167度)和车速信息(即时速44公里/小时)，并经由所属中间件模组呼叫数据分析服务器的REST APIs，以将车辆设备信息传送至数据分析服务器。
以下为表一：
请继续参阅图1，其中，该使用者设备2包含一通讯模组20以及一中间件模组22，更包含提供使用者操作的使用者界面24，在此实施例中，该使用者设备2可以是为一种驾驶人所属的智能型手机、平板计算机、个人计算机或笔记本电脑；该通讯模组20可支持无线网络传输或有线网络传输，用以建立使用者设备2与数据分析服务器设备3之间的通讯。在此实施例中，该通讯模组可支持4G通讯，该使用者设备2可经由该通讯模组20链接4G网络，并建立与该数据分析服务器设备3的通讯；而该中间件模组22可支持超文本传输协议和具象状态传输，该使用者设备2可经由该中间件模组22呼叫该数据分析服务器设备3的REST APIs，并将驾驶人于使用者界面24输入的该车辆编号、该时间信息以及补充的能源信息经由中间件模组22传送至该数据分析服务器设备3，并可接收分析结果；而使用者界面24则可以提供使用者操作该使用者设备输入上述信息，并可向数据分析服务器设备3查询分析结果，再于该使用者界面24展示分析结果。
其中，在此实施例中，驾驶人可以非周期性地操作该使用者设备2，以经由使用者界面24输入车辆编号、时间信息及补充的油量信息，再经由该中间件模组22传送车辆编号、该时间信息及油量信息至数据分析服务器设备3，如下表二的范例所示；例如，车辆编号第一的车辆设备于2015/01/05 18:51:00加油43.04公升，驾驶人依加油发票信息操作使用者设备2，经由该使用者界面24输入车辆编号(即车辆编号第一)、时间信息(即2015/01/0518:51:00)及油量信息(即43.04公升)，该中间件模组22呼叫该数据分析服务器设备3的REST APIs，将输入的车辆编号、时间信息及即油量信息传送至该数据分析服务器设备3。
以下为表二：
可选择地，在此实施例中，驾驶人可以非周期性地操作该使用者设备2，以经由使用者界面24输入车辆编号、时间信息及补充的电量信息，再经由该中间件模组22传送车辆编号、该时间信息及电量信息至数据分析服务器设备3，如下表三的范例所示；例如，车辆编号第二的车辆于2015/01/05 12:50:00充电17.22度(千瓦小时(1kWh))，驾驶人依充电信息操作该使用者设备2，经由该使用者界面24输入车辆编号(即车辆编号第二)、时间信息(即2015/01/05 12:50:00)及电量信息(即17.22度)，且该中间件模组22呼叫数据分析服务器设备3的REST APIs，将输入的车辆编号、时间信息及电量信息传送至该数据分析服务器设备3。
以下为表三：
其中，数据分析服务器设备3包含一通讯模组30、一中间件模组32以及一最佳组合分析模组34；在此实施例中，该数据分析服务器设备3可支持Linux操作系统、微软Windows操作系统等，并可于所属操作系统上建置网络服务服务器；该通讯模组30可支持有线网络传输，以建立车辆设备1、使用者设备2、数据库设备4与数据分析服务器设备3之间的通讯；而该中间件模组32是采用Tomcat网络服务服务器实作，以建置多个REST APIs供车辆设备1和使用者设备2介接，其可经由超文本传输协议接收车辆设备1传送的车辆设备信息和接收使用者设备2传送关于补充的能源信息等，并将接收到的车辆设备信息和能源信息储存至数据库设备4，其中，车辆设备信息可以包含车辆编号、车辆型号、驾驶人编号、时间信息、位置信息或车速信息等。
而最佳组合分析模组34则可执行最佳组合分析算法，根据搜集的车辆设备信息以及补充的能源信息来分析出各种驾驶行为消耗的能源数量，再将各种驾驶行为消耗的能源数量储存至该数据库设备4，并产生一驾驶行为能源消耗估计信息集合，其中，所述的驾驶行为主要是为车速信息。
另外，该数据分析服务器设备3更可以经由该中间件模组32与外部的地理信息服务器介接，以其REST APIs询问外部地理信息服务器来取得车辆设备信息以及该车辆设备1的位置信息所对应的道路类型，再将道路类型与车辆设备信息合并为修改后的车辆设备信息，并将修改后的车辆设备信息储存至数据库设备4，所述的外部地理信息服务器可以是Google Map服务器或中华电信GeoWeb地图服务器等等，修改的范例如下表四所示。
以下为表四：
请继续参阅图1，该数据库设备4包含一通讯模组40、一运算模组42以及一储存模组44；在此实施例中，该数据库设备4是采用微软结构化查询语言(Structural QueryLanguage,SQL)服务器、MySQL、PostgreSQL、甲骨文数据库服务器、MongoDB服务器、HBase服务器等来实作；而该通讯模组40可支持有线网络传输，以建立数据库设备4与数据分析服务器设备3之间的通讯；该运算模组42可经由通讯模组40接收数据分析服务器设备3所传送的要求以存取该储存模组44；而该储存模组44是与运算模组42介接，来提供新增、修改、删除、查询等操作，该储存模组44将可储存车辆编号和车辆型号对照表(如下表五所示)、修改后车辆设备信息(如上表四所示)、油量消耗信息(如上表二所示)以及电量消耗信息等(如上表三所示)；其中，当新增车辆设备时，可由系统管理者登录新增车辆设备对应的车辆编号和车辆型号至该车辆编号和车辆型号对照表，且该车辆编号和车辆型号对照表可提供该数据分析服务器设备3查询建立修改后车辆设备信息。
以下为表五：
| 车辆编号 | 车辆型号 |
| 车辆编号1 | 车辆型号1 |
| 车辆编号2 | 车辆型号2 |
| 车辆编号3 | 车辆型号1 |
| … | … |
| 车辆编号C<sub>N</sub> | 车辆型号T<sub>N</sub> |
再请参照图2，是为本发明的能源消耗估计系统的第二实施例系统架构图，其中，系统架构如第一实施例相同地包含多个车辆设备1、多个使用者设备2、一数据分析服务器设备3以及一数据库设备4；然而，在本实施例中，该车辆设备1额外地包含一能源侦测装置16，该能源侦测装置16可侦测车辆设备1所设置车辆的能源信息，能源信息可以是油量、电量或天然气量等等信息，搜集的能源信息将被包含于车辆设备信息中以传送至数据分析服务器设备3。
其中，该能源侦测装置16可周期性或非周期性地侦测所属车辆的油量，再经由该中间件模组12传送所属车辆的车辆编号、时间信息及油量信息至数据分析服务器设备3，如下表六所示；例如，车辆编号第三的车辆设备于2015/01/0106:00:00之前，其能源侦测装置16侦测到油箱剩余油量为4公升，并在2015/01/0106:00:00时侦测到油箱剩余油量为3.973公升，即可计算得到消耗的油量是为0.027公升，再将车辆编号、时间信息及油量信息经由中间件模组12传送至该数据分析服务器设备3。
以下为表六：
| 车辆编号 | 时间 | 油量信息 |
| 车辆编号3 | 2015/01/01 06:00:00 | 0.027 |
| 车辆编号3 | 2015/01/01 06:00:30 | 0.029 |
| 车辆编号3 | 2015/01/01 06:01:00 | 0.081 |
| … | … | … |
可选择地，在本实施例中，该能源侦测装置16亦可周期性或非周期性地侦测所属车辆的电量，再经由该中间件模组12传送所属车辆的车辆编号、时间信息及电量信息等能源信息至数据分析服务器设备3，如下表七所示；在此实施例中，车辆编号第四的车辆设备1于2015/01/01 06:00:00时，其所属能源侦测装置16侦测到其车辆在2015/01/01 05:59:30到2015/01/01 06:00:00之间总共消耗了0.013度(千瓦小时1kWh)，即可纪录消耗的电量信息是0.013度，再将车辆编号、时间信息及电量信息经由中间件模组12传送至该数据分析服务器设备3。
以下为表七：
| 车辆编号 | 时间 | 电量信息 |
| 车辆编号4 | 2015/01/01 12:01:00 | 0.013 |
| 车辆编号4 | 2015/01/01 12:01:30 | 0.014 |
| 车辆编号4 | 2015/01/01 12:02:00 | 0.039 |
| … | … | … |
其中，在此实施例中，驾驶人即可不需经由该使用者设备2传输能源信息至数据分析服务器设备3，由车辆设备1的能源侦测装置16来撷取能源信息并传输即可。
再请参照图3，是为本发明的能源消耗估计系统的第三实施例系统架构图，其中，系统架构如第一实施例相同地包含多个车辆设备1、多个使用者设备2、一数据分析服务器设备3以及一数据库设备4；然而，在本实施例中，该数据分析服务器设备3额外地包含一绩效评估模组36。
在此实施例中，数据分析服务器设备3中的最佳组合分析模组34可执行最佳组合分析算法，以收集该车辆设备1所传送的车辆设备信息及该使用者设备2所传送的能源信息，根据驾驶人行为分类计算出个别驾驶人的各种驾驶行为消耗的能源数量，或可以根据车辆设备1为分类以分别计算出车辆设备上的各种驾驶行为消耗的能源数量，或可以依道路类型为分类计算出各种道路类型上各种驾驶行为消耗的能源数量，并将各种驾驶行为消耗的能源数量提供给该绩效评估模组36以分析。
其中，该绩效评估模组36是执行绩效评估算法，以依据产生的该驾驶行为能源消耗估计信息集合来分析在不同驾驶人、不同车辆设备、不同道路类型的状况下各种驾驶行为所消耗的能源数量，并评选出能源消耗最低的解决方案；其中，解决方案可以是为驾驶人，即是由绩效评估模组36执行该绩效评估算法以得到各驾驶人的分数，再依该分数评选出能源消耗最低的驾驶人；或是，解决方案亦可以是为车辆设备，即是由绩效评估模组36执行绩效评估算法以得到每个车辆设备1的分数，再依该分数评选出能源消耗最低的车辆设备1。
再请参照图4，是为本发明的能源消耗估计系统的第四实施例系统架构图，其中，系统架构如第一实施例相同地包含多个车辆设备1、多个使用者设备2、一数据分析服务器设备3以及一数据库设备4；然而，在本实施例中，该数据分析服务器设备3额外地包含一最佳路线规划模组38。
在此实施例中，数据分析服务器设备3中的最佳组合分析模组34可执行最佳组合分析算法，以收集该车辆设备1所传送的车辆设备信息及该使用者设备2所传送的能源信息，以计算出驾驶人的各种驾驶行为(主要为车速)消耗的能源数量，并将各种驾驶行为消耗的能源数量提供给该最佳路线规划模组38以分析。
其中，该最佳路线规划模组38可执行最佳路线规划算法，该最佳路线规划模组38是经由该中间件模组30与外部的交通信息服务器介接，方能以REST APIs询问外部交通信息服务器以取得路况信息，再根据产生的该驾驶行为能源消耗估计信息集合估计出车辆的各路段移动能源消耗，接着以各路段移动能源消耗用作最短路径法的路段成本，以计算最低成本的路段组合，所述外部的交通信息服务器可以是国道高速公路局开放数据服务器、公路总局开放数据服务器、各县市政府开放数据服务器或中华电信交通信息服务器，而所述路况信息包含各个路段的长度、车速、及旅行时间。
在本实施例中，路况信息可以是实时路况信息室或预测路况信息，则该最佳路线规划模组38即可以依据实时路况信息或预测路况信息，再加上该驾驶行为能源消耗估计信息集合来估计出车辆的各路段移动能源消耗，进而计算出最低成本的路段组合；另外，该最佳路线规划模组38更可以预测他人移动路线，以于了解他人移动的可能路线的状况下重新计算路况信息，再进而计算最低成本的路段组合。
再请参阅图5，是为本发明的能源消耗估计方法的步骤流程图，本发明的能源消耗估计方法S5是由数据分析服务器设备来执行，其步骤分为步骤S51收集驾驶行为算法、S52收集能源信息算法以及S53最佳组合分析算法；其中，步骤S51的收集驾驶行为算法，其步骤包含由车辆设备回报车辆设备信息至数据分析服务器设备，再由该数据分析服务器设备分析车辆设备信息，以计算一时段区间内每台车辆设备、每个车辆型号、每个道路类型、每位驾驶人的各种驾驶行为数量，并将该车辆设备信息储存至数据库设备；其中，步骤S52的收集能源信息算法，其步骤包含由使用者设备回报能源信息至数据分析服务器设备或由车辆设备能源侦测装置侦测能源信息后回报至数据分析服务器设备，再由数据分析服务器设备分析能源信息，再由数据分析服务器设备计算一时段区间内每台车辆设备、每个车辆型号、每个道路类型、每位驾驶人的能源消耗数量；最后，步骤S53的该最佳组合分析算法，其步骤包含由最佳组合分析模组取得驾驶行为数量和能源消耗数量，再由最佳组合分析模组透过基因算法分析各种驾驶行为的能源消耗数量，以输出一驾驶行为能源消耗估计信息集合。
其中，由能源消耗估计模组执行该收集驾驶行为算法，取得该修改后车辆设备信息(如上表四所示)，再依车辆设备、车辆型号、驾驶人、道路类型等等，统计各种驾驶行为数量，其中，驾驶行为主要为车速信息，在此实施例中，将车速定义为v，并以10公里的时速区间以作为驾驶行为的区隔；其中，自修改后车辆设备信息中，统计2015年各台车辆设备的各种驾驶行为数量的范例，如下表八所示；其中，表格阅读方式如下所述，共有CN个车辆设备号码，第一个车辆设备于2015年回报的车速信息为0公里/小时的数据笔数共计有
笔、车速信息介于0～10公里/小时的数据笔数共计有
笔、…、车速信息大于120公里/小时的数据笔数共计有
笔；依此类推，可知第CN个车辆设备于2015年回报的车速信息为0公里/小时的数据笔数共计有
笔、…、车速信息大于120公里/小时的数据笔数共计有
笔等。
以下为表八：
其中，自修改后车辆设备信息中，统计2015年各类车辆型号的各种驾驶行为数量的范例，如下表九所示；其中，表格阅读方式如下所述，共有TN种车辆型号，第一种车辆型号于2015年回报的车速信息为0公里/小时的数据笔数共计有
笔、车速信息介于0～10公里/小时的数据笔数共计有
笔、…、车速信息大于120公里/小时的数据笔数共计有
笔；依此类推，第TN种车辆型号于2015年回报的车速信息为0公里/小时的数据笔数共计有
笔、…、车速信息大于120公里/小时的数据笔数共计有
笔等。
以下为表九：
其中，自修改后车辆设备信息中，统计2015年各个驾驶人的各种驾驶行为数量的范例，如下表十所示；其中，表格阅读方式如下所述，共有DN个驾驶人，第一个驾驶人于2015年回报的车速信息为0公里/小时的数据笔数共计有
笔、车速信息介于0～10公里/小时的数据笔数共计有
笔、…、车速信息大于120公里/小时的数据笔数共计有
笔。依此类推，驾驶人DN于2015年回报的车速信息为0公里/小时的数据笔数共计有
笔、车速信息介于0～10公里/小时的数据笔数共计有
笔、…、车速信息大于120公里/小时的数据笔数共计有
笔等。
以下为表十：
其中，自修改后车辆设备信息中，统计2015年各种道路类型的各种驾驶行为数量的范例，如下表十一所示；其中，表格阅读方式如下所述，共有RN种道路类型，第一种道路类型于2015年回报的车速信息为0公里/小时的数据笔数共计有
笔、车速信息介于0～10公里/小时的数据笔数共计有
笔、…、车速信息大于120公里/小时的数据笔数共计有
笔。依此类推，道路类型RN于2015年回报的车速信息为0公里/小时的数据笔数共计有
笔、…、车速信息大于120公里/小时的数据笔数共计有
笔等。
以下为表十一：
承上，由数据分析服务器设备所取得的修改后车辆设备信息，亦可以综合考虑车辆设备、车辆型号、驾驶人、道路类型等不同因素，来统计各种驾驶行为数量。
其中，自修改后车辆设备信息中，统计2015年根据各个车辆设备和各驾驶人的各种驾驶行为数量的范例，如下表十二所示；其中，表格阅读方式如下所述，共有CN个车辆设备号码和DN位驾驶人，第一位驾驶人驾驶第一车辆设备于2015年回报的车速信息为0公里/小时的数据笔数共计有
笔、车速信息介于0～10公里/小时的数据笔数共计有
笔、…、车速信息大于120公里/小时的数据笔数共计有
笔。第二位驾驶人驾驶第一车辆设备于2015年回报的车速信息为0公里/小时的数据笔数共计有
笔、车速信息介于0～10公里/小时的数据笔数共计有
笔、…、车速信息大于120公里/小时的数据笔数共计有
笔，其余依此类推。
以下为表十二：
而其余的车辆型号和道路类型亦可以上述方式作为一种参考因素组合，用以分别统计各种驾驶行为数量。
另外，在统计修改后车辆设备信息产生各种驾驶行为数量时，不仅可采用年份，亦可采用某一时段区间进行统计，例如年、季、月、周、日、时、分、秒等等；以下以月为例：第一个车辆设备于2015年一月回报的车速信息为0公里/小时的数据笔数共计有
笔、第一个车辆设备于2015年M月回报的车速信息为0公里/小时的数据笔数共计有
笔、且该年度各月份的总和等于该年全年度总和(即
)，其余可依此类推。
依据相同逻辑，可统计第一种车辆型号于2015年一月回报的车速信息为0公里/小时的数据笔数共计有
笔、第一种车辆型号于2015年M月回报的车速信息为0公里/小时的数据笔数共计有
笔、且该年度各月份的总和等于该年全年度总和(即
)，其余可依此类推。
依据相同逻辑，可统计第一位驾驶人于2015年一月回报的车速信息为0公里/小时的数据笔数共计有
笔、第一位驾驶人于2015年M月回报的车速信息为0公里/小时的数据笔数共计有
笔、且该年度各月份的总和等于该年全年度总和(即
)，其余可依此类推。
依据相同逻辑，可统计第一种道路类型于2015年一月回报的车速信息为0公里/小时的数据笔数共计有
笔、第一种道路类型于2015年M月回报的车速信息为0公里/小时的数据笔数共计有
笔、且该年度各月份的总和等于该年全年度总和(即
)，其余可依此类推。
相同逻辑亦适用于利用一个以上的因素时，例如，可统计第一位驾驶人驾驶第一个车辆设备于2015年一月回报的车速信息为0公里/小时的数据笔数共计有
笔、第一位驾驶人驾驶第一个车辆设备于2015年M月回报的车速信息为0公里/小时的数据笔数共计有
笔、且该年度各月份的总和等于该年全年度总和(即
)，其余可依此类推。
而其余的车辆型号和道路类型亦可以上述方式作为一种参考因素组合，用以分别统计各种驾驶行为数量，其表示方式亦属相同逻辑，在此不再赘述。
再来，将由本发明的数据分析服务器设备执行收集能源信息算法，以向使用者设备取得油量消耗信息(如上表二范例所示)或电量消耗信息(如上表三范例所示)，并可结合车辆编号和车辆型号对照表(如上表五范例所示)以及修改后车辆设备信息(如上表四范例所示)，依据车辆设备、车辆型号、驾驶人等来搜集，其可以采用特定的一时段区间来统计能源消耗数量，例如年、季、月、周、日、时、分、秒等等。
另外，数据分析服务器设备所执行的收集能源信息算法，亦可以直接向车辆设备的能源侦测装置取得，例如油量消耗信息(如上表六范例所示)或该电量消耗信息(如上表七范例所示)，并得结合该车辆编号和车辆型号对照表(如上表五范例所示)和该修改后车辆设备信息(如上表四范例所示)，依据车辆设备、车辆型号、驾驶人等来搜集，其可以采用特定的一时段区间来统计能源消耗数量，例如年、季、月、周、日、时、分、秒等等。
在本实施例中，可利用年份为时间区间来统计能源消耗信息，所述能源消耗信息可以是该油量消耗或电量消耗，并分别依车辆设备、车辆型号、驾驶人等进行统计，如下所示。
统计第一个车辆设备于2015年全年度总能源消耗数量为
第N个车辆设备于2015年全年度总能源消耗数量为
表示方式依此类推。
相同逻辑地，统计第一种车辆型号于2015年全年度总能源消耗数量为
第N种车辆型号于2015年全年度总能源消耗数量为
依此类推；其中，若欲计算某一车辆型号的能源消耗数量，即依据车辆编号和车辆型号对照表，取出相同车辆型号的车辆设备的编号，再将取出的车辆设备于时间区间内所对应的能源消耗数量加总，即成为这种车辆型号的能源消耗数量。
其余的驾驶人和道路类型等，亦可以单一地或综合地以上述方式来加总，或根据不同时段区间来加总，用以分别统计各种组合下的驾驶行为数量，其表示方式亦属相同逻辑，在此不再赘述。
接着，在取得驾驶行为数量和能源消耗数量后，最佳组合分析模组将执行步骤S53的最佳组合分析算法，其步骤流程请参阅图6，包含：
1.步骤S530建立初始数据：初始数据报含该驾驶行为数量、能源消耗数量、一母群基因序列数量countg、一演化次数countc、一迭带次数counti、一交配率α、一突变率β；其中，演化次数countc初始值为0，每执行一次基因算法，则演化次数加一，直至演化次数countc等于迭带次数counti为止；
2.步骤S531适应函式产生算法：可产生一适应函式用以计算基因序列的分数，基因序列中包含有多个染色体；
3.步骤S532基因序列产生算法：可依该适应函式所需的染色体数量产生基因序列，并可依母群基因序列数量countg产生母群的多个基因序列；
4.步骤S533基因序列分数计算算法：将基因序列输入至该适应函式，计算该基因序列的分数；
5.步骤S534判断是否收敛：当该演化次数countc等于该迭带次数counti，则进入步骤S535输出一最佳基因序列，该最佳基因序列即是该驾驶行为能源消耗估计信息集合；当该演化次数countc小于该迭带次数counti，则将演化次数countc加上一；
6.步骤S535输出一最佳基因序列；
7.步骤S536基因序列选择算法复制两基因序列：复制基因序列其中二者，以形成两母基因序列；
8.步骤S537基因序列交配算法：可根据交配率α，将两母基因序列进行交配，产生两第一代子基因序列；
9.步骤S538基因序列突变算法：可根据突变率β，将两第一代子基因序列执行突变，而形成两第二代子基因序列；
10.步骤S539将新产生的两组基因序列取代原先群组中两组分数最小的基因序列，被取代的基因序列是分别对应于两最劣分数；
11.步骤S540取得两新基因序列：取得后再运用基因序列分数计算算法计算取得的基因序列的分数，再执行接续的基因演算步骤。
在此实施例中，最佳组合分析算法的参数设定如下，初始数据的母群基因序列数量countg设定为14、演化次数countc初始值为0、迭带次数counti为1000、交配率α为100％、其该突变率β为7％；
驾驶行为数量可以如下统计：依车辆设备统计各个驾驶行为数量(如上表八范例所示)、依车辆型号统计各个驾驶行为数量(如上表九范例所示)、依驾驶人统计各个驾驶行为数量(如上表十范例所示)、依道路类型统计各个驾驶行为数量(如上表十一范例所示)、依车辆设备和驾驶人统计各个驾驶行为数量(如上表十二范例所示)、依车辆型号和驾驶人统计各个驾驶行为数量、依车辆设备和道路类型统计各个驾驶行为数量、或依驾驶人和道路类型统计各个驾驶行为数量。
在此实施例中，驾驶行为数量是以车辆设备和驾驶人来统计(如上表十二范例所示)，对应地，能源消耗数量即是车辆设备和驾驶人消耗的能源数量，以下，以第i个驾驶人驾驶第j个车辆设备为例：
第i个驾驶人驾驶第j个车辆设备于2015年回报的车速信息为0公里/小时的数据笔数共计有
笔、车速信息介于0～10公里/小时的数据笔数共计有
笔、…、车速信息大于120公里/小时的数据笔数共计有
笔；第i个驾驶人驾驶第j个车辆设备于2015年一月回报的车速信息为0公里/小时的数据笔数共计有
笔、2015年二月回报的车速信息为0公里/小时的数据笔数共计有
笔、…、2015年十二月回报的车速信息为0公里/小时的数据笔数共计有
笔、且该年度各月份的总和等于该年全年度总和(即
)；第i个驾驶人驾驶第j个车辆设备于2015年全年度总能源消耗数量为
第i个驾驶人驾驶第j个车辆设备于2015年一月总能源消耗数量为
第i个驾驶人驾驶第j个车辆设备于2015年第M月总能源消耗数量为
且该年度各月份的总和等于该年全年度总和(即
)。
而在此实施例中，第一个驾驶人驾驶第一个车辆设备其全年度的驾驶行为数量是为一集合
其中，第一个驾驶人驾驶第一个车辆的全年度汽油消耗数量总计为10921.364公升。
而上述的步骤S531适应函式产生算法，可产生一多元线性函式作为适应函式，该适应函式可用以计算基因序列分数s；请参阅图7，若以第i个驾驶人驾驶第j个车辆设备为例，该适应函式为
而在本实施例中基因序列分数s越低越为佳，即最佳解为
其中，该基因序列产生算法是依该适应函式所需的染色体数量产生基因序列，并依母群基因序列数量countg产生母群的多个基因序列；在此实施例中，母群基因序列数量countg是为14，染色体数量亦是14，该基因序列产生算法将随机产生14个基因序列，该些基因序列皆包含14个染色体，并将该些基因序列作为母群基因序列；以第i个驾驶人驾驶第j个车辆设备为例，该些基因序列表列如下：
第一个基因序列是
第二个基因序列是
其余可依此类推，如下表十三所示。
母群基因序列是随机产生，且该些染色体是为浮点数编码数值，以第一个驾驶人驾驶第一个车辆设备为例，基因序列表列如下表十四所示：
其中，上述的步骤S533基因序列分数计算算法，可将母群基因序列的各个基因序列输入至该适应函式，以计算该基因序列分数s；其中，若以第i个驾驶人驾驶第j个车辆设备为例，第一基因序列所对应的基因序列分数是
基因序列h所对应的基因序列分数是
以第一个驾驶人驾驶第一个车辆设备为例，其母群基因序列的各基因序列所对应的基因序列分数为：s1＝|(103100×0.013249146+66752×0.018487159+…+4×0.551971137)-10921.364＝260.2534752；s2＝|(103100×0.016574516+66752×0.02331678+…+4×0.553625064)-10921.364＝1062.546744；其余可依此类推。
其中，执行完该基因序列分数计算算法后判断演化次数countc是否等于迭带次数counti，若该演化次数countc等于迭带次数counti，则输出一最佳基因序列，该最佳基因序列是母群基因序列其中之一基因序列且其基因序列对应最佳基因序列分数，该最佳基因序列即是本发明的该驾驶行为能源消耗估计信息集合；倘若演化次数counti小于该迭带次数counti，则将演化次数counti加上一，再继续反复进行。
在此实施例中，步骤S536的基因序列选择算法是一轮盘法(roulette wheelselection)，可利用轮盘法复制母群基因序列其中之二，而形成两母基因序列；若以第一个驾驶人驾驶第一个车辆设备为例，可以挑选第一个基因序列和第二个基因序列，将两者加以复制成为第一代母基因序列，如下表十五所示：
在此实施例中，步骤S537的基因序列交配算法可根据交配率α进行单点交配(1-point crossover)，并假设交配点(crossover point)
随机产生为2，进行两基因序列交配过程后，第一代母基因序列分别改变为第一代子基因序列(如下表十六所示)：
在此实施例中，步骤S538的基因序列突变算法可根据突变率β，以及随机产生的一二进制向量(binary vector)η＝{η1,η2,η3,η4,…,η14}，来执行两基因序列突变过程；若假设ηn＝1，则基因序列中第n个染色体的数值会变为非原本数值的另一数值，而所述的另一数值是随机产生的；例如，由上述第一代母基因序列所转变的第一代子基因序列作为第二代母基因序列(如下表十七所示)，并且假设η＝{1,0,0,0,0,…,0,0}，则第二代母基因序列经突变过程后转变为第二代子基因序列，如下表十八所示。
表十七为：
表十八为：
新产生的两第二代子基因序列分别取代母群中的基因序列中之二，其中，被取代的基因序列的是对应于两最劣分数；在此实施例中，以该第一个驾驶人驾驶第一个车辆设备的母群基因序列为例，其第二基因序列对应的基因序列分数是1062.54674、第十四基因序列对应的基因序列分数是1009.53678，该两基因序列为母群中分数最劣的基因序列，将以两第二代子基因序列取代母群中的第二及第十四基因序列，取代后结果如下表十九所示：
再执行步骤S533基因序列分数计算算法计算该演化一回合后的第一个驾驶人驾驶第一个车辆设备的母群基因序列中的两新增基因序列(即第二基因序列和第十四基因序列)，可得该两新增基因序列对应的基因序列分数：s2＝512.663178，s14＝183.020039。
在此实施例中，以第一个驾驶人驾驶第一个车辆设备为例，输出的最佳基因序列
是为第十四基因序列
即第一个驾驶人驾驶第一个车辆的怠速(车速信息为0公里/小时)行驶30秒的汽油消耗数量是0.012500034公升、第一个驾驶人驾驶第一个车辆车速信息为0～10公里/小时行驶30秒的汽油消耗数量是0.018487159公升，其余依此类推。
其中，步骤S538基因序列突变算法可执行动力法修正染色体，动力法是参考该基因序列代入适应函式计算所得的分数进行修正；以第一个驾驶人驾驶第一个车辆设备为例，该基因序列突变算法可根据突变率β，再随机产生一二进制向量(binary vector)η＝{η1,η2,η3,η4,…,η14}，来执行两基因序列突变过程；假设ηn＝1，则基因序列中第n个染色体的数值将参考基因序列代入适应函式计算所得的分数进行修正；举例来说，其第二代母基因序列(如上表十七所示)可以该基因序列突变算法进行突变，并且假设η＝{1,0,0,0,0,…,0,0}，其第二代母基因第一序列
的第一染色体
以及第二代母基因第二序列
的第一染色体
可运用下列计算进行突变，则其第二代母基因序列经突变过程后转变为第二代子基因序列。
上述的步骤S538基因序列突变算法，亦得设定一上限值(upper_bound)和一下限值(lower_bound)，再参考基因序列代入适应函式计算所得的分数进行修正；举例来说，以上述突变例子，可运用下列计算进行突变，其第二代母基因序列经突变过程后转变为第二代子基因序列。
再请参阅图8，是为本发明适应函式产生算法的一实施例示意图，适应函式产生算法可产生一神经网络作为适应函式，以第i个驾驶人驾驶第j个车辆设备为例，神经网络具有一隐藏层，且隐藏层具有Hn个神经元，该适应函式为
其中该基因序列分数s在实施例中越低越佳，即最佳解为s＝0，基因序列集合
包含(14×Hn+Hn)个染色体(即该集合的基数
)，其中，第一个染色体是为
该染色体为一浮点数编码，可利用基因算法得到一最佳基因序列
该最佳基因序列对应一最佳基因序列分数s，该最佳基因序列可结合驾驶行为数量
来估计能源消耗数量；在此实施例中以一神经网络具有一隐藏层进行说明，但本发明并不以此为限，利用的神经网络亦可以具有多个隐藏层，且神经元间的权重值可作为染色体，以此产生多个基因序列以运算得出一最佳基因序列。
请参阅图9，是为本发明的步骤S531基因序列产生算法的步骤流程图，其中，流程依序为步骤S5310建立多个目标函式，即为依据驾驶行为数量和能源消耗数量建立多个目标函式；步骤S5311随机产生各个目标函式的多个参数值，并计算各该目标函式，以产生各该目标函式误差值；步骤S5312计算目标函式的参数值最佳解；步骤S5313输出参数值最佳解至其他目标函式，并重新计算各该目标函式误差值；步骤S5314判断是否收敛，当各该目标函式误差值低于则进入步骤S5315输出误差最小的参数值组合，若各该目标函式误差值高于该收敛门坎值，则根据误差值修正各该目标函式参数值最佳解，并输出各该目标函式参数值最佳解至其他目标函式，及重新计算各该目标函式误差值，持续计算直到收敛。
上述的各该目标函式可以依据每个月份的驾驶行为数量和能源消耗数量来建立，在此实施例中，第i个驾驶人驾驶第j个车辆设备为例，是以下列方式产生多个目标函式：
第一目标函式：
第二目标函式：
…..
第十二目标函式：
第十三目标函式：
第十四目标函式：
在此基因序列产生算法中，亦可设定一上限值(upper_bound)和一下限值(lower_bound)，第一目标函式中的各该参数
可以采用随机产生一介于该上限值及该下限值间的数值，并于随机产生该些数值后，再依目标函式计算误差值和修正该参数
的初始值，
，第二至第十四目标函式亦可依此类推修正初始值。
完成初始值计算后，可输出各该目标函式参数值最佳解至其他各该目标函式，并重新计算各该目标函式误差值；以第一目标函式为例，其中的参数可运用下列方式重新设定，并且再依目标函式计算误差值和修正参数
，第二至第十四目标函式亦可依此类推修正参数值。
根据上述的基因序列产生算法的计算方式，判断各该目标函式误差值是否低于一收敛门坎值，当各该目标函式误差值低于则输出误差最小的参数值组合，当各该目标函式误差值高于该收敛门坎值，则重复执行参数修正，以根据误差值修正各该目标函式参数值最佳解，并输出各该目标函式参数值最佳解至其他目标函式，重新计算各该目标函式误差值，持续计算直到该误差值低于该收敛门坎值。
再请参阅图10，是为本发明的步骤S5能源消耗估计方法的步骤流程图，是为本发明的另一实施例，其步骤包含步骤S51收集驾驶行为算法、步骤S52收集能源信息算法、步骤S53最佳组合分析算法，以及步骤S55绩效评估算法，其中，与先前实施例不同的是步骤S55的绩效评估算法。
请参阅图11，是为本发明的步骤S55的绩效评估算法的步骤流程图，其步骤分别为步骤S550的选择特征要素，包含车辆设备、车辆型号、道路类型、以及驾驶人，可选择多个特征要素进行绩效评估；步骤S551建构层级结构，可依选择的该些特征要素，设定特征因子的上层和下层关联结构；步骤S552成对比较矩阵产生算法，以依每个层级设定的特征要素产生成对比较矩阵；步骤S553计算特征值与特征向量，运用数值分析计算各该层级特征要素的特征向量矩阵；步骤S554选择解决方案，依各层级特征要素特征向量矩阵产生每个解决方案的分数，再筛选出对应于一最佳分数的最佳解决方案。
其中，关于S55的绩效评估算法，于本实施例中选择特征要素中的车辆型号和驾驶人两特征要素进行分析，并且依序以最佳解决方案作为第一层级、车辆型号作为第二层级、驾驶人作为第三层级，示意图请参阅图12，其中，第二层的车辆型号可对应一成对比较矩阵，其成对比较矩阵可采用下列方式产生，可由成对比较矩阵进行各车辆型号的能源消耗的比较与分析，以及透过数值分析计算各层级特征要素特征向量矩阵；
其中，车辆型号的初始化成对比较矩阵为：
其中，车辆型号的正规化成对比较矩阵为：
其中，第二层的特征要素特征向量矩阵是各车辆型号的影响因素权重矩阵：
接续本实施例，第三层的每个车辆型号的驾驶人皆可对应一成对比较矩阵，其成对比较矩阵可采用下列方式产生；以各位驾驶人驾驶第一种车辆型号所产生的能源消耗为例：
其中，第一种车辆型号的驾驶人的初始化成对比较矩阵：
其中，第一种车辆型号的驾驶人的正规化成对比较矩阵：
其中，第一种车辆型号的各驾驶人的影响因素权重矩阵：
接续本实施例，第三层的第x种车辆型号的驾驶人可对应一成对比较矩阵，其成对比较矩阵可采用下列方式产生，可由该成对比较矩阵进行每个车辆型号的各驾驶人的能源消耗的比较与分析；
其中，第x种车辆型号的驾驶人的初始化成对比较矩阵为：
其中，第x种车辆型号的驾驶人的正规化成对比较矩阵为：
其中，第x种车辆型号的驾驶人的影响因素权重矩阵为：
依此类推，可在第三层产生TN个成对比较矩阵，即是W2,1,W2,2,...,W2,TN，并可依此建立第三层的特征要素特征向量矩阵W2：
接着，在本实施例中，各解决方案的分数可采用矩阵相乘的方式产生，各解决方案的该分数代表为其相较于其他驾驶人的能源消耗比例，υ1代表第一解决方案的分数(即第一位驾驶人的分数)、υ2代表第二解决方案的分数(即第二位驾驶人的分数)，依此类推，
代表解决方案DN的分数(即第DN驾驶人的分数)；
其中，能源消耗越低越佳，故比较每个解决方案的分数，取得最低分数的解决方案，而最低分数的解决方案所对应的驾驶人代表为最佳驾驶人，例如，最低分数是υ1，则代表第一位驾驶人优于其他驾驶人，由第一位驾驶人驾驶各种车辆型号将可以得到最少的能源消耗。
根据上述计算方式，假设TN为3、第一种车辆型号的能源消耗数量为第二种车辆型号的能源消耗数量的1.011倍、第一种车辆型号的能源消耗数量为第三种车辆型号的能源消耗数量的1.022倍，则车辆型号的初始化成对比较矩阵，如下表二十范例所示：
| 车辆型号1 | 车辆型号2 | 车辆型号3 | |
| 车辆型号1 | 1.000 | 1.011 | 1.022 |
| 车辆型号2 | 0.989 | 1.000 | 1.011 |
| 车辆型号3 | 0.978 | 0.989 | 1.000 |
再根据车辆型号的初始化成对比较矩阵计算车辆型号的正规化成对比较矩阵，如下表二十一范例所示：
| 车辆型号1 | 车辆型号2 | 车辆型号3 | |
| 车辆型号1 | 0.337 | 0.337 | 0.337 |
| 车辆型号2 | 0.333 | 0.333 | 0.333 |
| 车辆型号3 | 0.330 | 0.330 | 0.330 |
再根据车辆型号的正规化成对比较矩阵计算第二层的特征要素特征向量矩阵，如下表二十二范例所示：
| 车辆型号1 | 车辆型号2 | 车辆型号3 |
| 0.337 | 0.333 | 0.330 |
根据上述计算方式，假设DN为3、第一位驾驶人驾驶第一种车辆型号的能源消耗数量为第二位驾驶人驾驶第一种车辆型号的能源消耗数量的0.981倍、第一位驾驶人驾驶第一种车辆型号的能源消耗数量为第三位驾驶人驾驶第一种车辆型号的能源消耗数量的0.972倍，则第一种车辆型号的驾驶人初始化成对比较矩阵，如下表二十三范例所示：
| 驾驶人1 | 驾驶人2 | 驾驶人3 | |
| 驾驶人1 | 1 | 0.981 | 0.972 |
| 驾驶人2 | 1.019 | 1 | 0.991 |
| 驾驶人3 | 1.029 | 1.009 | 1 |
再根据第一种车辆型号的驾驶人初始化成对比较矩阵计算第一种车辆型号的驾驶人正规化成对比较矩阵，如下表二十四范例所示：
| 驾驶人1 | 驾驶人2 | 驾驶人3 | |
| 驾驶人1 | 0.328 | 0.328 | 0.328 |
| 驾驶人2 | 0.334 | 0.334 | 0.334 |
| 驾驶人3 | 0.338 | 0.338 | 0.338 |
再根据第一种车辆型号的驾驶人正规化成对比较矩阵计算第一种车辆型号的各驾驶人的影响因素权重矩阵，如下表二十五范例所示：
| 驾驶人1 | 驾驶人2 | 驾驶人3 |
| 0.328 | 0.334 | 0.338 |
根据上述计算方式，假设第一位驾驶人驾驶第二种车辆型号的能源消耗数量为第二位驾驶人驾驶第二种车辆型号的能源消耗数量的0.941倍、第一位驾驶人驾驶第二种车辆型号的能源消耗数量为第三位驾驶人驾驶第二种车辆型号的能源消耗数量的0.974倍，则第二种车辆型号的驾驶人的初始化成对比较矩阵，如下表二十六范例所示：
可根据第二种车辆型号的驾驶人的初始化成对比较矩阵计算第二种车辆型号的驾驶人的正规化成对比较矩阵，如下表二十七范例所示：
| 驾驶人1 | 驾驶人2 | 驾驶人3 | |
| 驾驶人1 | 0.324 | 0.324 | 0.324 |
| 驾驶人2 | 0.344 | 0.344 | 0.344 |
| 驾驶人3 | 0.332 | 0.332 | 0.332 |
可根据第二种车辆型号的驾驶人的正规化成对比较矩阵计算第二种车辆型号的各驾驶人的影响因素权重矩阵，如下表二十八范例所示：
| 驾驶人1 | 驾驶人2 | 驾驶人3 |
| 0.324 | 0.344 | 0.332 |
根据上述计算方式，假设第一位驾驶人驾驶第三种车辆型号的能源消耗数量为第二位驾驶人驾驶第三种车辆型号的能源消耗数量的0.998倍、第一位驾驶人驾驶第三种车辆型号的能源消耗数量为第三位驾驶人驾驶第三种车辆型号的能源消耗数量的0.999倍，则第三种车辆型号的驾驶人的初始化成对比较矩阵，如下表二十九范例所示：
| 驾驶人1 | 驾驶人2 | 驾驶人3 | |
| 驾驶人1 | 1 | 0.998 | 0.999 |
| 驾驶人2 | 1.002 | 1 | 1.001 |
| 驾驶人3 | 1.001 | 0.999 | 1 |
可根据第三种车辆型号的驾驶人的初始化成对比较矩阵计算第三种车辆型号的驾驶人的正规化成对比较矩阵，如下表三十范例所示：
| 驾驶人1 | 驾驶人2 | 驾驶人3 | |
| 驾驶人1 | 0.333 | 0.333 | 0.333 |
| 驾驶人2 | 0.334 | 0.334 | 0.334 |
| 驾驶人3 | 0.333 | 0.333 | 0.333 |
可根据第三种车辆型号的驾驶人的正规化成对比较矩阵计算第三种车辆型号的各驾驶人的影响因素权重矩阵，如下表三十一范例所示：
| 驾驶人1 | 驾驶人2 | 驾驶人3 |
| 0.333 | 0.334 | 0.333 |
而第三层的特征要素特征向量矩阵是结合第一种车辆型号的各驾驶人的影响因素权重矩阵、第二种车辆型号的各驾驶人的影响因素权重矩阵、第三种车辆型号的各驾驶人的影响因素权重矩阵，如下表三十二范例所示：
| 驾驶人1 | 驾驶人2 | 驾驶人3 | |
| 车辆型号1 | 0.328 | 0.334 | 0.338 |
| 车辆型号2 | 0.324 | 0.344 | 0.332 |
| 车辆型号3 | 0.333 | 0.334 | 0.333 |
各个解决方案的分数可采用矩阵相乘的方式取得，即表二十二和表三十二两矩阵相乘的结果，结果如下表三十三范例所示。
| 驾驶人1(解决方案1) | 驾驶人2(解决方案2) | 驾驶人3(解决方案3) |
| 0.328 | 0.337 | 0.334 |
其中，第一个解决方案(即第一位驾驶人)的分数最低，即能源消耗最少，代表经本发明的方法计算可得到第一位驾驶为最佳解决方案。
以图12的实施例为基础，本发明的成对比较矩阵产生算法，更可运用距离函数或相似度函数计算每个层级设定的特征要素的数值，并依该数值产生成对比较矩阵。
在本实施例中，第二层的车辆型号可对应一成对比较矩阵，其该成对比较矩阵是采用余弦相似度(Cosine Similarity)方式产生；其中，第i种车辆型号怠速(车速信息为0公里/小时)所对应的能源消耗数量为
第i种车辆型号行驶速度介于0公里/小时～10公里/小时所对应的能源消耗数量为
…、第i种车辆型号行驶速度大于120公里/小时所对应的能源消耗数量为
这些能源消耗数量可经由执行最佳组合分析算法取得；再运用上述方式分别计算各车辆型号的驾驶人的初始化及正规化成对比较矩阵，以及第三层的特征要素特征向量矩阵：
在此实施例中，第三层的各车辆型号的驾驶人皆可对应一成对比较矩阵，其成对比较矩阵采用余弦相似度方式产生，并且可由该成对比较矩阵进行每个车辆型号的各驾驶人的能源消耗的比较与分析；
以下，以各驾驶人驾驶第x种车辆型号所产生的能源消耗为例，第i个驾驶人驾驶第x种车辆型号怠速(车速信息为0公里/小时)所对应的能源消耗数量为
第i个驾驶人驾驶第x种车辆型号行驶速度介于0公里/小时～10公里/小时所对应的能源消耗数量为
…、第i个驾驶人驾驶第x种车辆型号行驶速度大于120公里/小时所对应的能源消耗数量为
其中，第x种车辆型号的驾驶人初始化成对比较矩阵为：
在此实施例中，是采用余弦相似度计算出各个解决方案的相似度，并可依此找出分数最低的解决方案，分数最低的解决方案为与其他解决方案差异最大，即可依此取得能源消耗差异最大的驾驶人。
以图12的实施例为基础，本发明的成对比较矩阵产生算法，更可运用模糊归属函数计算每个层级设定的特征要素的数值，并依该数值产生成对比较矩阵。
在此实施例中，第二层的车辆型号可对应一成对比较矩阵，其成对比较矩阵采用模糊归属函数方式产生，模糊归属函数可为一修改后的S型函式(例如修改后的Sigmoid函数)；接着，可运用上述方式分别计算车辆型号的正规化成对比较矩阵和第二层的特征要素特征向量矩阵；
其中，车辆型号的初始化成对比较矩阵：
而第三层的每个车辆型号的驾驶人亦可对应一成对比较矩阵，以即可运用上述方式分别计算第x种车辆型号的及正规化成对比较矩阵和第三层的特征要素特征向量矩阵；
其中，第x种车辆型号的初始化成对比较矩阵：
在此实施例中，是采用模糊归属函数修正成对比较矩阵，强化数值介于-1到1之间的差异性，并依此找出分数最低的解决方案。
再请参阅图13，是为本发明的绩效评估算法的一阶层结构示意图，在此实施例中，选择特征要素采用车辆设备和驾驶人两特征要素进行分析，并且依序以最佳解决方案作为第一层、车辆设备作为第二层、驾驶人作为第三层。
在此实施例中，第二层的车辆设备对应一成对比较矩阵，其是采用下列方式产生，可用以分别计算车辆设备的正规化成对比较矩阵和第二层的特征要素特征向量矩阵；
第三层的每个车辆设备的驾驶人皆可对应一成对比较矩阵，透过第x个车辆设备的驾驶人的初始化成对比较矩阵，进而计算出第x个车辆设备的驾驶人的正规化成对比较矩阵和第三层的特征要素特征向量矩阵；
其中，第x个车辆设备的驾驶人的初始化成对比较矩阵：
在此实施例中，各个解决方案的分数可经由第二层的特征要素特征向量矩阵和第三层的特征要素特征向量矩阵相乘取得，能源消耗越低越佳，即比较每个解决方案的分数，取得最低分数的解决方案，则该解决方案所对应的驾驶人代表为最佳驾驶人，最佳驾驶人驾驶各种车辆设备将可得到最少的能源消耗。
再请参阅图14，是为本发明的步骤S5能源消耗估计方法的步骤流程图，是为本发明的另一实施例，其步骤包含步骤S51收集驾驶行为算法、步骤S52收集能源信息算法、步骤S53最佳组合分析算法，以及步骤S57最佳路线规划算法，其中，与先前实施例不同的是步骤S57最佳路线规划算法。
请参阅图15，是为本发明的步骤S57最佳路线规划算法的步骤流程图，其步骤依序包含步骤S571取得路况信息，由最佳路线规划模组向外部交通信息服务器取得路况信息，路况信息包含各个路段的长度、车速、及旅行时间；步骤S572取得驾驶行为能源消耗估计信息，由最佳路线规划模组向最佳组合分析模组取得该驾驶行为能源消耗估计信息集合；步骤S573分析各路段的移动成本，依据路况信息和该驾驶行为能源消耗估计信息集合，计算各路段的移动成本，移动成本即为能源消耗数量；步骤S574最短路径法，根据各该路段的移动成本，运用最短路径法计算最低移动成本的路径；最后，步骤S575取得最低成本路径。
其中，在本实施例中，可由该最佳路线规划模组经由该中间件模组与外部交通信息服务器介接，以REST APIs询问外部交通信息服务器以取得路况信息，包含各个路段的长度、车速、及旅行时间，所述的外部交通信息服务器可以是为国道高速公路局开放数据服务器、公路总局开放数据服务器、各县市政府开放数据服务器、或中华电信交通信息服务器。
在本实施例中，向公路总局开放数据服务器取得路况信息，请参阅图16至图18的路网图，而路网中共有九个路口，分别为图中的路口编号1～8，路况信息如下：
其中，路网中的路段其长度分别为：
路段1,2是路口编号1和编号2间的路段，长度是1公里；
路段2,3是路口编号2和编号3间的路段，长度是1公里；
路段1,4是路口编号1和编号4间的路段，长度是1公里；
路段2,5是路口编号2和编号5间的路段，长度是0.99公里；
路段3,6是路口编号3和编号6间的路段，长度是1公里；
路段4,5是路口编号4和编号5间的路段，长度是1公里；
路段5,6是路口编号5和编号6间的路段，长度是1公里；
路段4,7是路口编号4和编号7间的路段，长度是1公里；
路段5,8是路口编号5和编号8间的路段，长度是0.99公里；
路段6,9是路口编号6和编号9间的路段，长度是1公里；
路段7,8是路口编号7和编号8间的路段，长度是1公里；
路段8,9是路口编号8和编号9间的路段，长度是0.99公里；
其中，各该路段的平均车速分别为：
路段1,2平均车速是45公里/小时；路段2,3平均车速是45公里/小时；路段1,4平均车速是45公里/小时；路段2,5平均车速是35公里/小时；路段3,6平均车速是45公里/小时；路段4,5平均车速是35公里/小时；路段5,6平均车速是35公里/小时；路段4,7平均车速是45公里/小时；路段5,8平均车速是35公里/小时；路段6,9平均车速是45公里/小时；路段7,8平均车速是45公里/小时；路段8,9平均车速是45公里/小时；
其中，各该路段的旅行时间分别为：
路段1,2旅行时间是1.33分钟；路段2,3旅行时间是1.33分钟；路段1,4旅行时间是1.33分钟；路段2,5旅行时间是1.70分钟；路段3,6旅行时间是1.33分钟；路段4,5旅行时间是1.71分钟；路段5,6旅行时间是1.71分钟；路段4,7旅行时间是1.33分钟；路段5,8旅行时间是1.70分钟；路段6,9旅行时间是1.33分钟；路段7,8旅行时间是1.33分钟；路段8,9旅行时间是1.32分钟。
再由最佳路线规划模组向最佳组合分析模组取得该驾驶行为能源消耗估计信息集合，以第一位驾驶人驾驶第一个车辆设备为例，该驾驶行为能源消耗估计信息集合为
其中，可得到各驾驶行为对应的汽油消耗数量，如下表三十四范例所示：
而对于分析各路段的移动成本，可根据该驾驶行为能源消耗估计信息集合和各该路段其平均车速和旅行时间进行计算；若以第一位驾驶人驾驶第一个车辆设备为例，第一位驾驶人驾驶第一个车辆设备行驶路段1,2时，路段1,2平均车速是45公里/小时，估计每30秒的汽油消耗数量是0.036826864公升，且行驶该路段旅行时间是1.33分钟，因此以第一位驾驶人驾驶第一个行驶路段1,2约需0.10公升，其他对应的油耗的示意图，请参阅图19；其中，第一位驾驶人驾驶第一个车辆设备在路网中的汽油消耗数量为：路段2,3汽油消耗数量是0.10公升；路段1,4汽油消耗数量是0.10公升；路段2,5汽油消耗数量是0.30公升；路段3,6汽油消耗数量是0.10公升；路段4,5汽油消耗数量是0.30公升；路段5,6汽油消耗数量是0.30公升；路段4,7汽油消耗数量是0.10公升；路段5,8汽油消耗数量是0.30公升；路段6,9汽油消耗数量是0.10公升；路段7,8汽油消耗数量是0.10公升；路段8,9汽油消耗数量是0.10公升。
再来，进行路线规划算法中的最短路径法可采用Dijkstra算法且以广度搜寻优先，其中，假设第一位驾驶人驾驶第一个车辆设备由路口编号1行驶至路口编号9，则其路线规划如下：
1.步骤1：由路口编号1向周围路口搜寻，并计算由路口编号1到路口编号2的路径(路口编号1→路口编号2)的汽油消耗数量是0.10公升，并将该路径列入候选路径集合、由路口编号1到路口编号4的路径(路口编号1→路口编号4)的汽油消耗数量是0.10公升，并将该路径列入候选路径集合；
2.步骤2：由路口编号2向周围路口搜寻，并计算由路口编号1到路口编号3的路径(路口编号1→路口编号2→路口编号3)的汽油消耗数量是0.20公升，并将该路径列入候选路径集合、由路口编号1到路口编号5的路径(路口编号1→路口编号2→路口编号5)的汽油消耗数量是0.40公升，并将该路径列入候选路径集合；
3.步骤3：由路口编号4向周围路口搜寻，并计算由路口编号1到路口编号5的路径(路口编号1→路口编号4→路口编号5)的汽油消耗数量是0.40公升，并将该路径列入候选路径集合、由路口编号1到路口编号7的路径(路口编号1→路口编号4→路口编号7)的汽油消耗数量是0.20公升，并将该路径列入候选路径集合；
4.步骤4：由路口编号3向周围路口搜寻，并计算由路口编号1到路口编号6的路径(路口编号1→路口编号2→路口编号3→路口编号6)的汽油消耗数量是0.30公升，并将该路径列入候选路径集合；
5.步骤5：由路口编号5向周围路口搜寻，并计算由路口编号1到路口编号4的路径(路口编号1→路口编号2→路口编号5→路口编号4)的汽油消耗数量是0.70公升，并由于该路径的汽油消耗数量该于另一候选路径集合中的由路口编号1到路口编号4的路径(路口编号1→路口编号4)的汽油消耗数量是0.10公升，故该路径(路口编号1→路口编号2→路口编号5→路口编号4)不列入候选路径集合、由路口编号1到路口编号6的路径(路口编号1→路口编号2→路口编号5→路口编号6)的汽油消耗数量是0.70公升，并由于该路径的汽油消耗数量该于另一候选路径集合中的由路口编号1到路口编号6的路径(路口编号1→路口编号3→路口编号6)的汽油消耗数量是0.30公升，故该路径(路口编号1→路口编号2→路口编号5→路口编号6)不列入候选路径集合、由路口编号1到路口编号8的路径(路口编号1→路口编号2→路口编号5→路口编号8)的汽油消耗数量是0.70公升，将该路径列入候选路径集合。
依此类推，直至每个路口编号皆向其周围路口完成搜寻，在此实施例中，路口编号1到路口编号9在候选路径集合中将有两路径：第一路径：路口编号1→路口编号2→路口编号3→路口编号6→路口编号9，该最佳路径1所对应的汽油消耗数量是0.40公升；以及，第二路径：路口编号1→路口编号4→路口编号7→路口编号8→路口编号9，该最佳路径2所对应的汽油消耗数量是0.40公升。
如此，即输出第一路径和第二路径，作为最低成本路径，可知，在此实施例中，第一位驾驶人驾驶第一个车辆设备行驶规划出的第一路径和第二路径将消耗最低的汽油消耗数量(约0.40公升)，即为最低成本路径。
再请参阅图20，是为本发明的步骤S57最佳路线规划算法的步骤流程图，是为本发明的另一实施例，其步骤依序包含步骤S571取得路况信息，由最佳路线规划模组向外部交通信息服务器取得路况信息，路况信息包含各个路段的长度、车速、及旅行时间；步骤S572取得驾驶行为能源消耗估计信息，由最佳路线规划模组向最佳组合分析模组取得该驾驶行为能源消耗估计信息集合；步骤S573估计他人的各路段的移动成本，预测他人移动路线来估计他人的各路段的移动成本，移动成本可以是空间距离或旅行时间；步骤S574最短路径法，运用最短路径法计算该移动成本，取得最低成本路径；步骤S575依预测他人移动路线调整路况信息；步骤S576再次分析各路段的移动成本；步骤S577运用最短路径法；最后，步骤S578取得最低成本路径。
同样地，路网请参阅图16至图18的路网图，路网中共有九个路口，分别为图中的路口编号1～8，路况信息如上个实施例所述，而其中，路口编号1到路口编号9的预测流量为630辆/小时；而在取得驾驶行为能源消耗估计信息上，一样以第一位驾驶人驾驶第一个车辆设备为例。
其中，在预测他人移动路线上，可设定采用一最短路径长度驾驶人比例ζ及一最短旅行时间驾驶人比例ξ，该最短路径长度驾驶人比例ζ可用以计算预测流量中有多少驾驶人会选择最短路径长度的路线规划，而该最短旅行时间驾驶人比例ξ可用以计算该预测流量中有多少驾驶人会选择最短旅行时间的路线规划。
最短路径法是采用Dijkstra算法和广度搜寻优先，其中，由路口编号1行驶至路口编号9，最短路径长度的路线规划将输出最佳路径：路口编号1→路口编号2→路口编号5→路口编号8→路口编号9，该最佳路径是3.97公里；而最短旅行时间的路线规划算法是采用Dijkstra算法和广度搜寻优先，其中，由路口编号1行驶至路口编号9，该最短旅行时间的路线规划将输出最佳路径：路口编号1→路口编号4→路口编号7→路口编号8→路口编号9，该最佳路径是5.31分钟。
在此实施例中，假设最短路径长度驾驶人比例ζ及该最短旅行时间驾驶人比例ζ分别为0％和100％，即由路口编号1到路口编号9的预测流量630辆/小时全部将采用该最短旅行时间的路线规划，该630辆车辆设备将行驶该路径(路口编号1→路口编号4→路口编号7→路口编号8→路口编号9)；并且，由于该630辆车辆设备将行驶该路径(路口编号1→路口编号4→路口编号7→路口编号8→路口编号9)，参阅交通部运输研究所的台湾公路容量手册的道路服务水平表格(如下表三十五范例所示)，可以预测最短旅行时间路径(路口编号1→路口编号4→路口编号7→路口编号8→路口编号9)的平均车速将下降至35公里/小时(即为表中的道路服务水平B)。
以下为表三十五：
| 道路服务水平 | 密度(辆/公里) | 车速(公里/小时) | 流量(辆/小时) |
| A | 10 | 40 | 400 |
| B | 18 | 35 | 630 |
| C | 31 | 30 | 930 |
| D | 43 | 25 | 1075 |
| E | 52 | 20 | 1040 |
在预测最短旅行时间路径(路口编号1→路口编号4→路口编号7→路口编号8→路口编号9)平均车速下降至35公里/小时的状况下，再分析各路段的移动成本，将各路口间的路段的路况信息调整如下，请参阅图21和图22的示意图，其中：路段1,2预测平均车速是45公里/小时；路段2,3预测平均车速是45公里/小时；路段1,4预测平均车速是35公里/小时；路段2,5预测平均车速是35公里/小时；路段3,6预测平均车速是45公里/小时；路段4,5预测平均车速是35公里/小时；路段5,6预测平均车速是35公里/小时；路段4,7预测平均车速是35公里/小时；路段5,8预测平均车速是35公里/小时；路段6,9预测平均车速是45公里/小时；路段7,8预测平均车速是35公里/小时；路段8,9预测平均车速是35公里/小时；
其中，该些路段其旅行时间分别为：路段1,2预测旅行时间是1.33分钟；路段2,3预测旅行时间是1.33分钟；路段1,4预测旅行时间是1.71分钟；路段2,5预测旅行时间是1.70分钟；路段3,6预测旅行时间是1.33分钟；路段4,5预测旅行时间是1.71分钟；路段5,6预测旅行时间是1.71分钟；路段4,7预测旅行时间是1.71分钟；路段5,8预测旅行时间是1.70分钟；路段6,9预测旅行时间是1.33分钟；路段7,8预测旅行时间是1.71分钟；路段8,9预测旅行时间是1.70分钟。
经上述调整后，再根据该驾驶行为能源消耗估计信息集合以及各该路段的预测平均车速和预测旅行时间进行计算；以第一位驾驶人驾驶第一个车辆设备为例，第一位驾驶人驾驶第一个车辆设备行驶路段1,2时，路段1,2平均车速是45公里/小时，估计每30秒的汽油消耗数量是0.036826864公升，且行驶该路段旅行时间是1.33分钟，因此以第一位驾驶人驾驶第一个车辆设备行驶路段1,2约需0.10公升，示意图请参阅图23所示，如此，即可知道在这些路段上的预测汽油消耗数量分别为：路段2,3预测汽油消耗数量是0.10公升；路段1,4预测汽油消耗数量是0.30公升；路段2,5预测汽油消耗数量是0.30公升；路段3,6预测汽油消耗数量是0.10公升；路段4,5预测汽油消耗数量是0.30公升；路段5,6预测汽油消耗数量是0.30公升；路段4,7预测汽油消耗数量是0.30公升；路段5,8预测汽油消耗数量是0.30公升；路段6,9预测汽油消耗数量是0.10公升；路段7,8预测汽油消耗数量是0.30公升；路段8,9预测汽油消耗数量是0.30公升。
再实施最短路径法，采用Dijkstra算法和广度搜寻优先，其中，第一位驾驶人驾驶第一个车辆设备由路口编号1行驶至路口编号9，则该最短路径法完成后将输出路口编号1到路口编号9在候选路径集合中的路径，该候选路径集合将储存一最佳路径，该最佳路径是路口编号1→路口编号2→路口编号3→路口编号6→路口编号9，该最佳路径所对应的汽油消耗数量是0.40公升，以该最佳路径作为该最低成本路径。
应当了解，上列详细说明是为针对本发明的可行实施例的具体说明，惟各该实施例并非用以限制本发明的专利范围，凡未脱离本发明技艺精神所为的等效实施或变更，均应包含于本案的专利范围中。
综上所述，本发明于技术思想上实属创新，也具备现有技术不及的多种功效，已充分符合新颖性及进步性的法定发明专利要件，爰依法提出专利申请，恳请贵局核准本件发明专利申请案以励发明，至感德便。
Claims (21)
1.一种能源消耗估计系统，其至少包含：
多个车辆设备，各自用以在驾驶人行车时实时搜集行车时不同的车辆设备信息，所述车辆设备信息至少包括时间信息、车速信息以及位置信息；
多个使用者设备，各自提供驾驶人周期性或非周期性地输入对车辆进行能源补充的能源信息，所述能源信息至少包括：时间信息以及补充的能源种类数量；
一数据分析服务器设备，其经配置以：
执行一收集驾驶行为算法，其是由所述多个车辆设备回报所述多个车辆设备信息至该数据分析服务器设备，再由该数据分析服务器设备分析传来的各该车辆设备信息，并将各该车辆设备信息储存至一数据库设备，且该数据分析服务器设备将计算一时段区间内各该车辆设备所对应的每种车辆型号、每个道路类型、每位驾驶人的一驾驶行为数量；
执行一收集能源信息算法，是由所述多个使用者设备回报补充的能源信息至该数据分析服务器设备，或由各该车辆设备所包含的能源侦测装置侦测装设车辆的能源信息后再回报能源信息至该数据分析服务器设备，再由该数据分析服务器设备分析能源信息，并将能源信息储存至该数据库设备，且该数据分析服务器设备将计算该时段区间内各该车辆设备所对应的每个车辆型号、每个道路类型、每位驾驶人的一能源消耗数量；
执行一最佳组合分析算法，其是由该数据分析服务器设备包含的一最佳组合分析模组取得该驾驶行为数量以及该能源消耗数量，再执行一基因算法分析各种驾驶行为所导致的能源消耗数量，以输出一驾驶行为能源消耗估计信息集合。
2.如权利要求1所述的能源消耗估计系统，其更包含：
该数据库设备，用以储存该数据分析服务器设备针对驾驶人的该驾驶行为能源消耗估计信息集合，以用于后续排序。
3.如权利要求1所述的能源消耗估计系统，其中，各该车辆设备各自包含一定位模组、一中间件模组、以及一通讯模组；
其中，该定位模组支持全球定位系统或无线网络讯号定位功能，而各该车辆设备即经由所属的该定位模组以取得车辆设备信息中的位置信息和车速信息；
其中，该通讯模组支持无线网络传输用以建立该车辆设备与该数据分析服务器设备之间的通讯；以及
其中，该中间件模组支持超文本传输协议、讯息序列遥测传输或受限应用协议中至少一种传输协议，该车辆设备是经由该中间件模组和该通讯模组与该数据分析服务器设备介接，以传送车辆设备信息至该数据分析服务器设备。
4.如权利要求3所述的能源消耗估计系统，其中，该能源侦测装置是侦测各该车辆设备所设置的车辆的能源信息，包含油量、电量或天然气量，该能源侦测装置并经由该中间件模组和该通讯模组将能源信息传送至该数据分析服务器设备。
5.如权利要求1所述的能源消耗估计系统，其中，各该使用者设备各自包含一使用者界面、一中间件模组和一通讯模组；
其中，该使用者界面提供该驾驶人操作该使用者设备，以输入车辆编号、时间信息以及补充能源数量能源信息，并用以显示该数据分析服务器设备向驾驶人反馈的分析结果；
其中，该通讯模组支持无线网络传输用以建立该使用者设备与该数据分析服务器设备之间的通讯；
其中，该中间件模组支持超文本传输协议、或讯息序列遥测传输或受限应用协议中至少一种传输协议，该使用者设备是由该中间件模组和该通讯模组与数据分析服务器设备介接，以传送能源信息至该数据分析服务器设备，并接收该数据分析服务器设备向驾驶人反馈的该驾驶行为能源消耗估计信息集合；以及
其中，能源信息包含油量、电量或天然气量。
6.如权利要求2所述的能源消耗估计系统，其中，该数据分析服务器设备还包含一中间件模组、一通讯模组；
其中，该通讯模组是用以建立各该车辆设备与该数据分析服务器设备、各该使用者设备与该数据分析服务器设备、该数据库设备以及该数据分析服务器设备之间的通讯；
其中，该中间件模组支持超文本传输协议、讯息序列遥测传输或受限应用协议中至少一种传输协议，该数据分析服务器设备是经由该中间件模组和该通讯模组与各该车辆设备、各该使用者设备介接，以接收各该车辆设备传送的车辆设备信息和接收各该使用者设备传送的能源信息，更储存至数据库设备；
其中，该最佳组合分析模组是用以执行该最佳组合分析算法，以分析出驾驶人的驾驶行为消耗的能源数量，即为该驾驶行为能源消耗估计信息集合，而该驾驶行为主要为车速信息。
7.如权利要求6所述的能源消耗估计系统，其中，该数据分析服务器设备更包含一绩效评估模组，该绩效评估模组是用以执行一绩效评估算法，以分析不同驾驶人、不同各该车辆设备以及不同的驾驶行为所消耗的能源数量，并评选出能源消耗最低的解决方案。
8.如权利要求6所述的能源消耗估计系统，其中，该数据分析服务器设备更包含一最佳路线规划模组，该最佳路线规划模组是用以执行一最佳路线规划算法，以分析各该车辆设备的移动状况、实时路况以及预测路况信息，再计算各该车辆设备所属车辆在各路段移动所需消耗的能源数量，并规划能源消耗最低的路线。
9.一种能源消耗估计方法，其是由一数据分析服务器设备执行至少包含下列步骤：
执行一收集驾驶行为算法，其是由多个车辆设备回报多个车辆设备信息至该数据分析服务器设备，再由该数据分析服务器设备分析传来的各该车辆设备信息，并将各该车辆设备信息储存至一数据库设备，且该数据分析服务器设备将计算一时段区间内各该车辆设备所对应的每种车辆型号、每个道路类型、每位驾驶人的一驾驶行为数量；
执行一收集能源信息算法，是由多个使用者设备回报补充的能源信息至该数据分析服务器设备，或由各该车辆设备所包含的能源侦测装置侦测装设车辆的能源信息后再回报能源信息至该数据分析服务器设备，再由该数据分析服务器设备分析能源信息，并将能源信息储存至该数据库设备，且该数据分析服务器设备将计算该时段区间内各该车辆设备所对应的每个车辆型号、每个道路类型、每位驾驶人的一能源消耗数量；
执行一最佳组合分析算法，其是由该数据分析服务器设备包含的一最佳组合分析模组取得该驾驶行为数量以及该能源消耗数量，再执行一基因算法分析各种驾驶行为所导致的能源消耗数量，以输出一驾驶行为能源消耗估计信息集合。
10.如权利要求9所述的能源消耗估计方法，其中，该最佳组合分析算法是由该最佳组合分析模组执行至少包含下列步骤：
建立一初始数据，该初始数据报含该驾驶行为数量、该能源消耗数量、一母群基因序列数量、一演化次数、一迭带次数、一交配率以及一突变率；
执行一适应函式产生算法，以产生一适应函式用以计算基因序列的分数，该基因序列包含多个染色体；
执行一基因序列产生算法，依据该适应函式所需的各该染色体数量产生基因序列，并依该母群基因序列数量来产生母群的多个基因序列；
执行一基因序列分数计算算法，将各该基因序列输入至该适应函式，以计算各该基因序列的分数；
判断经该基因序列分数计算算法后是否已收敛，即为当判断该演化次数等于该迭带次数时，则输出一最佳基因序列，该最佳基因序列即是该驾驶行为能源消耗估计信息集合，若判断该演化次数小于该迭带次数时，则将演化次数加一；
执行一基因序列选择算法，复制各该基因序列中的两序列，以形成两个母基因序列；
执行一基因序列交配算法，根据该交配率将各该母基因序列进行交配，以产生两个第一代子基因序列；
执行一基因序列突变算法，根据该突变率将各该第一代子基因序列突变，以形成两个第二代子基因序列；
再将新产生的各该第二代子基因序列取代母群中对应各该母基因序列的两序列，其中，被取代的各该基因序列是分别对应于两个最劣分数；以及
再反复执行该基因序列分数计算算法以计算母群中其他各该基因序列的分数以尝试取代。
11.如权利要求10所述的能源消耗估计方法，其中，该适应函式产生算法是产生一多元线性函式作为适应函式。
12.如权利要求10所述的能源消耗估计方法，其中，该适应函式产生算法是产生一神经网络作为适应函式。
13.如权利要求10所述的能源消耗估计方法，其中，该基因序列突变算法是以一动力法来修正各该染色体，该动力法是参考各该基因序列被代入该适应函式计算后所得出的分数来进行修正。
14.如权利要求10所述的能源消耗估计方法，其中，该基因序列产生算法至少包含下列步骤：
依据该驾驶行为数量和该能源消耗数量建立多个目标函式；
随机产生各该目标函式的多个参数值，并计算各该目标函式以产生各该目标函式的误差值；
根据各该目标函式的误差值修正各该目标函式的各该参数值的最佳解；
输出各该目标函式参数值的最佳解至其他各该目标函式，并重新计算各该目标函式的误差值；以及
判断各该目标函式的误差值是否低于一收敛门坎值，若低于，则输出误差最小的参数值组合，若高于，则根据各该目标函式的误差值修正各该目标函式的各该参数值的最佳解，并输出各该目标函式的各该参数值的最佳解至其他各该目标函式及重新计算各该目标函式的误差值，以持续计算直至低于该收敛门坎值。
15.如权利要求9所述的能源消耗估计方法，其步骤更包含：
执行一绩效评估算法，其是由该数据分析服务器设备包含的一绩效评估模组向该最佳组合分析模组取得该驾驶行为能源消耗估计信息集合，并由该绩效评估模组执行一阶层分析方法，以选择不同的特征要素来计算各个解决方案的分数，再筛选出对应于一最佳分数的一最佳解决方案。
16.如权利要求15所述的能源消耗估计方法，其中，该绩效评估算法是由该绩效评估模组执行至少包含下列步骤：
选择至少一特征要素，该特征要素包含各该车辆设备所属的车辆型号、道路类型、以及驾驶人；
建构层级结构，依据选择的各该特征要素来设定各该特征要素的上层及下层关联结构；
执行一成对比较矩阵产生算法，以依据每个层级结构设定的各该特征要素来产生成对比较矩阵；
计算特征值与特征向量，运用数值分析法计算成对比较矩阵以找出每个层级中各该特征要素的特征向量矩阵；
选择解决方案，依各该特征要素的特征向量矩阵产生每个解决方案的分数，再筛选对应于该最佳分数的该最佳解决方案。
17.如权利要求16所述的能源消耗估计方法，其中，该成对比较矩阵产生算法是统计每个层级结构设定的各该特征要素的数值，并依数值的比例来产生成对比较矩阵。
18.如权利要求16所述的能源消耗估计方法，其中，该成对比较矩阵产生算法是运用距离函数或相似度函数计算每个层级结构设定的各该特征要素的数值，并依数值来产生成对比较矩阵。
19.如权利要求16所述的能源消耗估计方法，其中，该成对比较矩阵产生算法是运用模糊归属函数计算每个层级结构设定的各该特征要素的数值，并依数值来产生成对比较矩阵。
20.如权利要求9所述的能源消耗估计方法，其步骤更包含：
执行一最佳路线规划算法，该最佳路线规划算法是由该数据分析服务器设备包含的一最佳路线规划模组向该最佳组合分析模组取得该驾驶行为能源消耗估计信息集合，并由该最佳路线规划模组向一外部交通信息服务器取得路况信息，路况信息至少包含各个路段的长度、车速及旅行时间，再根据该驾驶行为能源消耗估计信息集合估计出于各路段移动的能源消耗数量，再以各该路段移动的能源消耗数量作为路段的移动成本，以最短路径法来计算最低移动成本的路段组合。
21.如权利要求20所述的能源消耗估计方法，其中，该最佳路线规划算法更包含：
由该最佳路线规划模组根据其他各该车辆设备来估计路段上的其他车辆的路段移动成本，移动成本是为空间距离或旅行时间，再运用最短路径法为其他车辆计算移动成本以取得其他车辆各自的最低成本路径，该最佳路线规划模组并以其他车辆各自的最低成本路径作为调整因素，以为个别的各该车辆设备计算路段上最低移动成本的路段组合。
Applications Claiming Priority (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| TW105142008 | 2016-12-19 | ||
| TW105142008A TWI591492B (zh) | 2016-12-19 | 2016-12-19 | Energy consumption estimation system and method |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN107194605A CN107194605A (zh) | 2017-09-22 |
| CN107194605B true CN107194605B (zh) | 2020-12-01 |
Family
ID=59877972
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710431990.8A Expired - Fee Related CN107194605B (zh) | 2016-12-19 | 2017-06-09 | 能源消耗估计系统及方法 |
Country Status (2)
| Country | Link |
|---|---|
| CN (1) | CN107194605B (zh) |
| TW (1) | TWI591492B (zh) |
Families Citing this family (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| TWI661328B (zh) * | 2018-03-28 | 2019-06-01 | 中華電信股份有限公司 | 資料分析伺服器設備及其最佳組合分析方法 |
| CN109711185A (zh) * | 2019-01-04 | 2019-05-03 | 杭州卓凯科技有限公司 | 基于MongoDB的网约货运汽车平台数据存储系统及方法 |
| CN112002124B (zh) * | 2020-07-20 | 2022-07-01 | 联合汽车电子有限公司 | 车辆行程能耗预测方法及装置 |
| CN112348286B (zh) * | 2020-11-25 | 2021-07-30 | 南方电网能源发展研究院有限责任公司 | 一种基于能源模型的交通用能需求预测方法及装置 |
| TWI816146B (zh) * | 2021-06-28 | 2023-09-21 | 拓連科技股份有限公司 | 電動車之路線管理方法及系統 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102509470A (zh) * | 2011-10-14 | 2012-06-20 | 北京掌城科技有限公司 | 基于动态路径规划实现车辆节能减排的系统和方法 |
| CN102521900A (zh) * | 2011-02-24 | 2012-06-27 | 中华电信股份有限公司 | 车辆里程应用整合系统及其方法 |
| CN103605885A (zh) * | 2013-11-11 | 2014-02-26 | 清华大学 | 一种基于交通路网信息的电动车辆剩余里程估算方法 |
| CN105160883A (zh) * | 2015-10-20 | 2015-12-16 | 重庆邮电大学 | 一种基于大数据的节能驾驶行为分析方法 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US7493209B1 (en) * | 2008-04-07 | 2009-02-17 | International Business Machines Corporation | Method of calculating a route based on estimated energy consumption |
| US20140309849A1 (en) * | 2013-04-15 | 2014-10-16 | Flextronics Ap, Llc | Driver facts behavior information storage system |
-
2016
- 2016-12-19 TW TW105142008A patent/TWI591492B/zh not_active IP Right Cessation
-
2017
- 2017-06-09 CN CN201710431990.8A patent/CN107194605B/zh not_active Expired - Fee Related
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102521900A (zh) * | 2011-02-24 | 2012-06-27 | 中华电信股份有限公司 | 车辆里程应用整合系统及其方法 |
| CN102509470A (zh) * | 2011-10-14 | 2012-06-20 | 北京掌城科技有限公司 | 基于动态路径规划实现车辆节能减排的系统和方法 |
| CN103605885A (zh) * | 2013-11-11 | 2014-02-26 | 清华大学 | 一种基于交通路网信息的电动车辆剩余里程估算方法 |
| CN105160883A (zh) * | 2015-10-20 | 2015-12-16 | 重庆邮电大学 | 一种基于大数据的节能驾驶行为分析方法 |
Non-Patent Citations (2)
| Title |
|---|
| 《基于主成分分析与BP 神经元网络的驾驶》;赵晓华;《交通运输系统工程与信息》;20161031;第16卷(第5期);第185-191、204页 * |
| 交通控制与诱导递阶协调方法的研究;雷常青;《中国优秀硕士学位论文全文数据集（电子期刊）社会科学Ⅰ辑》;20050115;第J151-102页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| TWI591492B (zh) | 2017-07-11 |
| TW201824019A (zh) | 2018-07-01 |
| CN107194605A (zh) | 2017-09-22 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107194605B (zh) | 能源消耗估计系统及方法 | |
| Kanarachos et al. | Instantaneous vehicle fuel consumption estimation using smartphones and recurrent neural networks | |
| TWI638328B (zh) | 電力需求預測裝置、電力供給系統、電力需求預測方法、程式、供給電力管理裝置 | |
| CN110443314A (zh) | 基于机器学习的景区客流量预测方法及装置 | |
| EP3943890B1 (en) | A computer-implemented method of predicting energy use for a route | |
| CN110888908A (zh) | 一种可持续深度学习的充电站/桩推荐系统及推荐方法 | |
| Sengupta et al. | A gamma type-2 defuzzification method for solving a solid transportation problem considering carbon emission | |
| Vyas et al. | DriveBFR: Driver behavior and fuel-efficiency-based recommendation system | |
| Chen et al. | Online eco-routing for electric vehicles using combinatorial multi-armed bandit with estimated covariance | |
| Osaba et al. | Multi-objective optimization of bike routes for last-mile package delivery with drop-offs | |
| Fan et al. | Distributed forecasting and ant colony optimization for the bike-sharing rebalancing problem with unserved demands | |
| Ruiz et al. | Optimal battery management strategies for plug-in electric hybrid buses on routes including green corridors | |
| US20220180745A1 (en) | Systems and methods for system optimal traffic routing | |
| US20220164722A1 (en) | Systems and methods for data-driven energy management of a vehicle fleet with electric vehicles | |
| CN103106329A (zh) | 一种用于svr短期负荷预测的训练样本分组构造方法 | |
| CN116662815B (zh) | 时间预测模型的训练方法以及相关设备 | |
| Saeed et al. | A novel voting classifier for electric vehicles population at different locations using Al-Biruni earth radius optimization algorithm | |
| Abhishek et al. | Hybrid genetic algorithm and time delay neural network model for forecasting traffic flow | |
| Ye et al. | Efficient calibration of agent-based traffic simulation using variational auto-encoder | |
| Heo et al. | Optimal planning for electric vehicle fast charging stations placements in a city scale using an advantage actor-critic deep reinforcement learning and geospatial analysis | |
| CN116797126A (zh) | 一种基于双层规划的农村末端物流选址-路径规划方法 | |
| Xie | Support vector machines for land use change modeling | |
| CN114970773A (zh) | 一种城市空中交通uam流量预测方法及系统 | |
| Yuan | Emergency Transportation and Structural Optimization Issues of E-commerce Logistics Network Parcels | |
| Lin et al. | Dynamic route guidance algorithm based on improved hopfield neural network and genetic algorithm |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20201201 Termination date: 20210609 |
|
| CF01 | Termination of patent right due to non-payment of annual fee |