CN108510130B - 一种智能无人驾驶车辆极限里程智能多源评估方法及装置 - Google Patents

一种智能无人驾驶车辆极限里程智能多源评估方法及装置 Download PDF

Info

Publication number
CN108510130B
CN108510130B CN201810327801.7A CN201810327801A CN108510130B CN 108510130 B CN108510130 B CN 108510130B CN 201810327801 A CN201810327801 A CN 201810327801A CN 108510130 B CN108510130 B CN 108510130B
Authority
CN
China
Prior art keywords
speed
value
power consumption
vehicle
neural network
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.)
Active
Application number
CN201810327801.7A
Other languages
English (en)
Other versions
CN108510130A (zh
Inventor
刘辉
尹恒鑫
李燕飞
邓达华
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Central South University
Original Assignee
Central South University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Central South University filed Critical Central South University
Priority to CN201810327801.7A priority Critical patent/CN108510130B/zh
Publication of CN108510130A publication Critical patent/CN108510130A/zh
Application granted granted Critical
Publication of CN108510130B publication Critical patent/CN108510130B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Computational Linguistics (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biophysics (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Human Resources & Organizations (AREA)
  • Game Theory and Decision Science (AREA)
  • Development Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种智能无人驾驶车辆极限里程智能多源评估方法及装置，该方法结合道路环境，提出坡度能耗值、温度能耗值、风阻能耗值、不同速度路段长度指标，将复杂道路环境对无人驾驶车辆电量能耗的影响因素进行量化，建立了无人驾驶车辆电量消耗的预测模型；本方法预测电量与电池、车辆型号、车辆零部件性能无关，模型实时进行训练，预测结果不受电池和车辆的使用时间和寿命的影响；当车辆行驶速度高时，风阻占车能耗的主要部分，本方法依据风速大小选择不同的耗电量预测模型，针对高、低风速使用不同的耗电量预测模型使得模型输入参数减少，计算时间降低，能够提高模型预测精度，时效性更强。

Description

一种智能无人驾驶车辆极限里程智能多源评估方法及装置
技术领域
本发明属于人工智能领域，特别涉及一种智能无人驾驶车辆极限里程智能多源评估方法及装置。
背景技术
随着人工智能的不断发展，无人驾驶车辆越来越受到人们的关注，无人驾驶车辆储电电能装置作为驱动无人驾驶车辆的能量源泉，对无人驾驶车辆的行驶状态有着很重要的影响，不同的电量情况将影响无人驾驶车辆能行驶的极限里程，影响车辆的路径规划。在一定程度讲，车辆电量的高精度预测，对车辆极限里程实时进行评估，是实现高质量无人驾驶的核心基础。
无人驾驶车辆在行驶过程中需要实时获取无人驾驶车辆电量数据信息，无人驾驶车辆电量信息反映了无人驾驶车辆在接下来一段时间的续航里程。目前，无人驾驶车辆的储电设备的储电能力较低，储电设备的储电容量受到硬件条件的限制。因此无人驾驶车辆的实时、准确、融合多方面因素的电量预测能够让无人驾驶车辆时刻保持清醒，提高无人驾驶车辆极限里程。
目前的无人驾驶车辆电量仅仅通过车速、距离和电池容量等车辆自身因素来考虑，没有充分考虑无人驾驶车辆在不同路况尤其是风环境对电量的非线性动态影响，因此无法做到实时准确地预测出电池的实际电量和未来运行里程。因此需要一种融合复杂路况环境的无人驾驶车辆极限里程评估的新技术来实现上述目标。
发明内容
本发明提供了一种智能无人驾驶车辆极限里程智能多源评估方法及装置，依据风速大小将耗电量预测模型分类，针对不同风速大小选择不同耗电量预测模型，提高了对耗电量预测的精准度，降低了模型输入参数数量，提高了模型计算速度。
一种智能无人驾驶车辆极限里程智能多源评估方法，包括以下步骤：
步骤1：获取训练数据；
所述训练数据包括无人驾驶车辆在行驶过程中的间隔时间T内的能耗值、行驶距离和耗电量，所述能耗值包括风阻能耗值、坡度能耗值以及温度能耗值；
所述风阻能耗值由无人驾驶车辆在间隔时间T内的相对风速累加获得，所述相对风速大小是指车辆外部风速与车速的差值；
所述坡度能耗值由无人驾驶车辆在间隔时间T内的爬坡因子对时间进行积分获得，爬坡因子为β，β＝0.02*cos(α)+sin(α)，α为无人驾驶车辆在行驶过程中的对离散时刻采集的坡度角值进行线性拟合得到的随时间连续变化的坡度角；
所述温度能耗值由无人驾驶车辆在间隔时间T内的车内温度与车外温度的差值累加获得；
所述行驶距离由无人驾驶车辆在间隔时间T内的车速对时间进行积分获得；
步骤2：构建基于小波神经网络的相对风速预测模型；
利用训练数据中的无人驾驶车辆相对风速时间序列中的连续n个时刻的相对风速作为输入数据，第n+1个时刻的相对风速作为输出数据，对小波神经网络模型进行训练，构建基于小波神经网络的相对风速预测模型；
步骤3：基于能耗值和行驶距离构建耗电量预测模型；
所述耗电量预测模型包括基于小波神经网络的高速耗电量预测模型和基于Elman神经网络的低速耗电量预测模型；
以无人驾驶车辆的在设定间隔时间段内风阻能耗值、坡度能耗值、温度能耗值以及中高速行驶距离作为输入数据，以无人驾驶车辆的在设定间隔时间段内的耗电量作为输出数据，对小波神经网络模型进行训练，构建基于小波神经网络的高速耗电量预测模型；
以无人驾驶车辆的在设定间隔时间段内坡度能耗值、温度能耗值、低速行驶距离作为输入数据，以无人驾驶车辆的在设定间隔时间段内的耗电量作为输出数据，对Elman神经网络模型进行训练，构建基于Elman神经网络的低速耗电量预测模型；
以无人驾驶车辆平均车速高于40km/h时和不超过40km/h时，在设定间隔时间段内，无人驾驶车辆经过的路程分别作为中高速行驶距离和低速行驶距离；
步骤4：构建云端路径上各经纬度行车数据库；
所述云端路径上各经纬度行车数据库包括各经纬度点上的车速、坡度角以及相邻参考经纬度之间的行驶时间；
对路径上的经纬度进行等间距划分，获得参考经纬度，相邻参考经纬度之间间距为2米，将云端共享服务器中所有在该路径上行驶的车辆获取车速、坡度角时的经纬度依据距离最近原则，划分到与该路径上最近的参考经纬度，以同一参考经纬度上的所有车辆车速和坡度角均值，作为参考经纬度上的云端车速和坡度角，并按照前一参考经纬度上的云端车速行驶至下一参考经纬度，获取相邻参考经纬度之间的行驶时间；
所述车辆采集的车速、坡度角以及对应的经纬度和行驶方向数据信息会实时上传到云端共享服务器；
若所述无人驾驶车辆与云端路径上各经纬度行车数据库中坡度角数据所属车辆的行驶方向一致，则提取对应坡度角数据；若行驶方向相反，则提取对应坡度角数据的负值数据；若存在某路段空缺数据，则位于该路段上的坡度角为零；
在云端路径上各经纬度行车数据库中保存的车辆车速和坡度角均为所有车辆在同一方向行驶获得；
步骤5：采集实时无人驾驶车辆数据，利用基于小波神经网络的相对风速预测模型和云端路径数据，计算未来间隔时间T内的风阻能耗值、行驶距离、坡度能耗值和温度能耗值；
利用无人驾驶车辆实时采集的外部风速和车速，利用基于小波神经网络的相对风速预测模型，获得未来间隔时间T内的相对风速，并计算未来间隔时间T内的风阻能耗值；
同时利用无人驾驶车辆所在的经纬度，依据云端路径上的相邻参考经纬度之间的行驶时间数据，确定无人驾驶车辆在经过未来间隔时间T后所处的经纬度位置，并从云端获取在未来路径上在未来间隔时间T内的经过各经纬度时的云端车速和云端坡度角，计算未来间隔时间T内行驶距离和坡度能耗值；
利用无人驾驶车辆实时采集的车内外温度的差值在未来设定间隔时间内的累加值作为未来设定间隔时间内的温度能耗值；
从云端路径上寻找与无人驾驶车辆当前所在经纬度最近的经纬度位置，以找到的经纬度为起点，依次将相邻两个经纬度行驶时间进行累加，直到累加时间刚好大于或等于设定的间隔时间T时，以累加过程中最后一个经纬度位置确定为在设定间隔时间T后所处的经纬度位置；
步骤6：依据未来间隔时间T内的车辆外部风速，选择耗电量预测模型，利用未来间隔时间T内的行驶距离和能耗值，输入所选耗电量预测模型，获取未来间隔时间内的耗电量；
若未来间隔时间T内的车辆外部风速大于40km/s，则选择高速耗电量预测模型，否则选择低速耗电量预测模型。
所述车辆外部风速为主风速计采集的速度。
通过采集的车辆运行数据对耗电量进行预测，无需考虑电池型号以及使用情况，利用大量的运行数据训练好预测模型，同时实时更新云端路径数据，将实际运行情况与耗电量关联，以构建的预测模型对耗电量进行实时且准确的预测。
进一步地，所述基于小波神经网络的相对风速预测模型在训练时选择Morlet小波作为基函数，设置输入层节点个数为4，隐含层节点个数为8，输出层节点个数为1；训练过程中的最大迭代次数设置为500，训练学习率为0.1，阈值为0.004，且所述基于小波神经网络的相对风速预测模型的权值、阈值和伸缩平移系数采用萤火虫算法进行优化选择获得。
进一步地，所述基于小波神经网络的相对风速预测模型的权值、阈值和伸缩平移系数采用萤火虫算法进行优化选择获得的过程如下：
步骤A1：初始化萤火虫种群，设置萤火虫初始参数；
将萤火虫个体位置作为基于小波神经网络的相对风速预测模型的权值、阈值和伸缩平移系数，随机初始化萤火虫种群；
其中，设置萤火虫数目取值范围为[10,200]，最大吸引度β0＝1，光强吸收系数γ取值范围为[0.005,200]，步长因子α取值范围为[0.01,1]，最大迭代次数T取值范围为[200,2000]，搜索精度ε取值范围为[0.001,0.1]；
步骤A2：设定第一适应度函数，并确定初始最亮萤火虫个体位置和迭代次数t，t＝1；
将萤火虫个体位置对应的权值、阈值和伸缩平移系数代入基于小波神经网络的相对风速预测模型中，并利用萤火虫个体位置确定的基于小波神经网络的相对风速预测模型计算下一时刻的相对风速预测值，将相对风速预测值和实际值的差值E构建第一适应度函数f1(x)，f1(x)＝1/(E+1)；
利用第一适应度函数计算每只萤火虫个体位置的适应度，以最大适应度对应的萤火虫个体位置作为初始最亮萤火虫个体位置；
步骤A3：计算群体中萤火虫的相对亮度I和吸引度β，根据相对亮度决定萤火虫的移动方向；
萤火虫的相对亮度I为：
Figure BDA0001627115670000041
其中，I0表示最亮萤火虫的亮度，γ表示光吸收系数，rij表示萤火虫i与j之间的距离；
萤火虫的吸引度β为：
Figure BDA0001627115670000042
其中，β0表示最大吸引度；
步骤A4：更新萤火虫的空间位置，对处在最佳位置的萤火虫进行随机移动；
xi(t+1)＝xi(t)+β(xj(t)-xi(t))+α(rand-1/2)
其中，xi(t)与xj(t)表示i与j两个萤火虫的空间位置，α为步长因子，rand为[0,1]上服从均匀分布的随机因子；
步骤A5：计算当前萤火虫种群中每个萤火虫个体位置的适应度；
根据萤火虫适应度对萤火虫种群中每个萤火虫个体进行排序，查找到适应度最高的萤火虫个体位置作为最亮萤火虫个体位置；
步骤A6：判断是否达到最大迭代次数或者达到最大搜索精度，若是，则选出最亮萤火虫个体，输出最亮萤火虫个体位置对应的基于小波神经网络的相对风速预测模型的最佳权值、阈值和伸缩平移系数，否则，令t＝t+1，转到步骤A3继续下一次迭代。
进一步地，所述基于小波神经网络的高速耗电量预测模型输入层节点个数为4，隐含层小波元个数为8，输出层节点个数为1；隐层小波神经元采用Mexican Hat小波函数，输出层节点采用Sigmoid函数，训练过程中的最大迭代次数设置为500，训练学习率为0.1，阈值为0.0004；
其中，所使用的小波神经网络模型的权值、阈值和伸缩平移系数采用自适应惯性权值磷虾群算法进行优化选择获得。
进一步地，所述基于小波神经网络的高速耗电量预测模型中小波神经网络的权值、阈值和伸缩平移系数采用自适应惯性权值磷虾群算法进行优化选择获得，具体过程如下：
步骤B1：初始化磷虾种群，设置磷虾种群初始参数；
将磷虾个体位置作为所述基于小波神经网络的高速耗电量预测模型的权值、阈值和伸缩平移系数，随机初始化磷虾种群；
其中，设置磷虾数目取值范围为[15,200]，诱导惯性权重wn取值范围为[0.5,0.8]，觅食惯性权重wf取值范围为[0.5,0.8]，最大诱导速度的取值范围为[0.02,0.09]，最大觅食速度的取值范围为[0.02,0.08]，最大扩散速度的取值范围为[0.002,0.02]，步长缩放因子的取值范围为[0.1,0.5]，最大迭代次数T取值范围为[300,2000]，搜索精度ε取值范围为[0.001,0.1]；
步骤B2：设定适应度函数，并确定初始最优磷虾个体位置和迭代次数t，t＝1；
将磷虾个体位置对应的权值、阈值和伸缩平移系数代入基于小波神经网络的高速耗电量预测模型中，并利用磷虾个体位置确定的基于小波神经网络的高速耗电量预测模型计算耗电量预测值，将耗电量预测值和实际值的差值E构建第二适应度函数f2(x)，f2(x)＝1/(E+1)；
利用第二适应度函数计算每个磷虾个体位置的适应度，以最大适应度对应的磷虾个体位置作为初始最优磷虾个体位置；
步骤B3：利用每个磷虾个体的当前诱导速度、觅食速度和扩散速度，更新每个磷虾个体的运动速度和位置；
步骤B4：对每个更新后的磷虾个体位置进行基于遗传算法的交叉操作，以增加种群的多样性，交叉因子的取值范围为[0.3,0.5]；
步骤B5：计算当前磷虾种群中每个个体的适应度，以当前磷虾种群中适应度最大的磷虾个体位置作为当前最优磷虾个体位置；
步骤B6：若当前最优磷虾个体的适应度值小于前一次迭代过程中的最优磷虾个体的适应度值，则更新当前磷虾个体的诱导速度和觅食速度为初始值，否则更新当前磷虾个体的诱导速度和觅食速度为零；
步骤B7：判断是否满足达到最大迭代次数或者达到搜索精度，若不满足，则令t＝t+1，返回步骤B3，否则，输出当前最优磷虾个体的位置作为基于小波神经网络的高速耗电量预测模型的最佳权值、阈值和伸缩平移系数。
进一步地，所述基于Elman神经网络的低速耗电量预测模型输入层节点个数为3，隐含层节点个数为6，输出层节点个数为1，承接层节点个数为6；隐含层函数采用Sigmoid函数，网络的训练采用BP算法，最大迭代次数设置为1000，训练学习率为0.1，阈值为0.001；
所述基于Elman神经网络的低速耗电量预测模型的权值和阈值采用狼群算法进行优化选择获得。
进一步地，所述基于Elman神经网络的低速耗电量预测模型的权值和阈值采用狼群算法进行优化选择获得过程如下：
步骤C1：初始化狼群并设置狼群参数；
以个体狼位置作为基于Elman神经网络的低速耗电量预测模型的权值和阈值，狼群规模的取值范围为[15,100]，步长因子的取值范围为[1000,2500]，探狼比例因子的取值范围为[2,10]，最大游走次数的取值范围为[5,20]，距离判定因子的取值范围为[100,600]，最大奔袭次数的取值范围为[5,15]，更新比例因子的取值范围为[2,20]，最大迭代次数的取值范围为[200,2000]，最大搜索精度的取值范围为[0.01,0.1]；
步骤C2：设定适应度函数，并确定初始最优头狼位置和迭代次数t，t＝1；
依次个体狼位置对应的参数值带入基于Elman神经网络的低速耗电量预测模型中，并利用个体狼位置确定的基于Elman神经网络的低速耗电量预测模型的计算结果，将计算结果和实际值的均方差MSE的倒数作为第三适应度函数f3(x)，f3(x)＝1/MSE；
利用第三适应度函数计算每个个体狼位置的适应度，以最大适应度
Figure BDA0001627115670000061
对应的个体狼位置作为初始最优头狼位置
Figure BDA0001627115670000062
步骤C3：探狼游走；
从狼群中选取适应度最大的狼作为头狼，并随机选取探狼；计算探狼在各方向的适应度，并使探狼向适应度最大的方向探索，当某只探狼适应度大于头狼或者达到最大游走次数时，游走结束，进入步骤C4；
步骤C4：猛狼奔袭；
除头狼与探狼之外的个体狼均为猛狼，猛狼向头狼所在方向奔袭，并不断计算猛狼位置的适应度；
若某猛狼位置适应度高于头狼位置适应度，则更新头狼，且其余猛狼改为向当前头狼奔袭，当猛狼与当前头狼距离小于判定距离时，该猛狼奔袭停止，当所有猛狼奔袭停止或达到最大奔袭次数时，奔袭结束，狼群进入围攻状态，进入步骤C5；
步骤C5：除当前头狼以外所有个体狼均向头狼方向前进一步，依次判断向前进一步后的个体狼位置适应度是否优于未向前进一步的位置的适应度，若是，则将向前进一步的位置作为个体狼的新的位置，否则，若适应度降低，则个体狼保持原位置不变；
步骤C6：完成围攻行为后，狼群中所有个体狼按照当前适应度由高到低排序，适应度最高的个体狼设为头狼，排名靠后的人工狼被淘汰，并重新随机生成新的人工狼；
步骤C7：当达到最大搜索精度或最大迭代次数时，输出最新的头狼对应的基于Elman神经网络的低速耗电量预测模型的最优权值和阈值，否则，令t＝t+1，返回步骤C3，继续下一次迭代。
进一步地，通过在无人驾驶车辆两侧设置辅助风速计，顶部设置主风速计，采集辅助风速和主风速数据，以两个同时采集的辅助风速作为输入数据，对应时刻采集的风速数据作为输出数据，训练小波神经网络模型，得到基于小波神经网络的风速融合模型；
基于小波神经网络模型的风速融合模型输入层节点个数为2，隐含层小波元个数为4，输出层节点个数为1；隐层小波神经元采用Mexican Hat小波函数，输出层节点采用Sigmoid函数，训练过程中的最大迭代次数设置为700，训练学习率为0.01，阈值为0.0004。
风速融合模型的设置，为了避免主风速计损坏后，能够利用辅助风速计获取的数据来进行融合，获取融合风速，替代主风速；
进一步地，当需要预测耗电量的未来时间超过设定的未来间隔时间T时，将需要预测耗电量的未来时间按照设定的未来间隔时间T进行等分划分，对划分后每个未来间隔时间单元T内的行驶距离和能耗值进行预测和计算，并输入耗电量预测模型，获得每个的未来间隔时间单元T内的耗电量，将所有的未来间隔时间单元T内的耗电量按时序进行叠加，得到所需预测的未来时间内的耗电量。
将每个划分的间隔时间T的结束时间所对应的经纬度作为其下一个间隔时间T的起始时间所对应的经纬度；
一种智能无人驾驶车辆极限里程智能多源评估装置，包括：
GPRS无线通信系统，用于从云端共享服务器获取云端路径数据；
云端共享服务器，用于获取和储存所有无人驾驶车辆在相同道路上行驶时各经纬度处的坡度角、车速以及行驶方向；
车载GPS导航系统，用于获取无人驾驶车辆行驶时的当前经纬度，并计算路径长度和预测行驶时间；
路况检测系统，包括设置在无人驾驶车辆上的陀螺仪和车速检测器，其中，所述陀螺仪实时记录无人驾驶车辆在行驶过程中的仰俯角，且以所述仰俯角作为路面的坡度角，仰角为正值代表上坡，俯角为负值代表下坡；所述车速检测器实时检测无人驾驶车辆的车速；
风速检测系统，包括设置在车顶中间的主风速计和两个分别设置在车辆两侧的辅助风速计，用于测量车辆外部风速；
重力感应设备，包括三个重力感应器，分别安装在主驾驶座下，副驾驶座下，后排座位中间位置下方，用于检测各个座位重量大小判断是否有人坐下；
温度检测系统，包括一个车外温度检测器和三个车内温度传感器；车外温度传感器安装在车前保险杠上，用于检测车外温度；三个车内温度传感器分别安装在主驾驶座前，副驾驶座前，后排座位中间，用于检测车内三处位置的温度；车内温度根据所得座位重量数据是否超过设定重量阈值来选取对应座位处采集的车内温度数据，以所选座位处采集的温度取平均值作为车内温度；
电量检测设备，用于实时检测当前剩余电量信息；
耗电量预测系统，采用上述的方法，对车载GPS导航系统，路况检测系统，风速检测系统，重力感应设备，温度检测系统以及电量检测设备获取的数据进行未来间隔时间内无人驾驶车辆的耗电量预测。
有益效果
本发明提供了一种智能无人驾驶车辆极限里程智能多源评估方法及装置，该方法结合道路环境，提出坡度能耗值、温度能耗值、风阻能耗值、不同速度路段长度指标，将复杂道路环境对无人驾驶车辆电量能耗的影响因素进行量化；当车辆行驶速度高时，克服风阻的能耗占车能耗的主要部分，本方法依据车辆外部风速大小建立了两种无人驾驶车辆电量消耗的预测模型；
利用本发明所述方法进行耗电量预测的过程，与电池、车辆型号、车辆零部件性能无关，模型实时进行训练，预测结果不受电池和车辆的使用时间和寿命的影响；本方法依据车辆外部风速大小选择不同的耗电量预测模型，针对高、低风速使用不同的耗电量预测模型使得模型输入参数减少，计算时间降低，能够提高模型预测精度，时效性更强。
附图说明
图1为本发明所述方法的流程示意图；
图2为本发明所述装置的结构示意图。
具体实施方式
下面将结合附图和实例对本发明做进一步的说明。
如图1所示，一种智能无人驾驶车辆极限里程智能多源评估方法，包括以下步骤：
步骤1：获取训练数据；
所述训练数据包括无人驾驶车辆在行驶过程中的间隔时间T内的能耗值、行驶距离和耗电量，所述能耗值包括风阻能耗值、坡度能耗值以及温度能耗值；
所述风阻能耗值由无人驾驶车辆在间隔时间T内的相对风速累加获得，所述相对风速是指车辆外部风速与车速的差值；
所述坡度能耗值由无人驾驶车辆在间隔时间T内的爬坡因子对时间进行积分获得，爬坡因子为β，β＝0.02*cos(α)+sin(α)，α为无人驾驶车辆在行驶过程中的对离散时刻采集的坡度角值进行线性拟合得到的随时间连续变化的坡度角；
所述温度能耗值由无人驾驶车辆在间隔时间T内的车内温度与车外温度的差值累加获得；
所述行驶距离由无人驾驶车辆在间隔时间T内的车速对时间进行积分获得；
每隔1分钟采集一次所述无人驾驶车辆实时主风速Vf(t)和辅助风速Vf1(t)、Vf2(t)；
每隔1分钟采集一次所述无人驾驶车辆实时车速v(t)；每隔2秒获取一次坡度角数据α(longitude(t)，latitude(t))；
每隔1分钟采集一次所述无人驾驶车辆车内外温度数据kn1(t)、kn2(t)、kn3(t)、kw(t)；
重力感应设备采集主驾驶座位重量m1，副驾驶座位重量m2，后排座位重量m3；
每隔5分钟采集一次所述无人驾驶车辆剩余电量值P(t)，(0≤P≤100)；
计算相对风速vf(t)＝Vf(t)-v(t)；依据座位重量数据是否超过重量阈值选取对应座位处的车内温度数据，计算车内平均温度kn(t)，计算车内外温度差ka(t)＝|kn(t)-kw(t)|；计算每5分钟的耗电量p(t)＝P(t-1)-P(t)；
即座位重量超过重量阈值时，表示该座位有人坐下，不同位置有人坐下时会使得不同位置的空调出风口出风量有变化以满足人的需求，没人坐下的位置附近的温度对系统并不关心，因此只选取有人坐下的座位处的温度进行处理，设定重量阈值为20千克。
步骤2：构建基于小波神经网络的相对风速预测模型；
利用训练数据中的无人驾驶车辆相对风速时间序列中的连续n个时刻的相对风速作为输入数据，第n+1个时刻的相对风速作为输出数据，对小波神经网络模型进行训练，构建基于小波神经网络的相对风速预测模型；
所述基于小波神经网络的相对风速预测模型在训练时选择Morlet小波作为基函数，设置输入层节点个数为4，隐含层节点个数为8，输出层节点个数为1；训练过程中的最大迭代次数设置为500，训练学习率为0.1，阈值为0.004，且所述基于小波神经网络的相对风速预测模型的权值、阈值和伸缩平移系数采用萤火虫算法进行优化选择获得。
所述基于小波神经网络的相对风速预测模型的权值、阈值和伸缩平移系数采用萤火虫算法进行优化选择获得的过程如下：
步骤A1：初始化萤火虫种群，设置萤火虫初始参数；
将萤火虫个体位置作为基于小波神经网络的相对风速预测模型的权值、阈值和伸缩平移系数，随机初始化萤火虫种群；
其中，设置萤火虫数目取值范围为[10,200]，最大吸引度β0＝1，光强吸收系数γ取值范围为[0.005,200]，步长因子α取值范围为[0.01,1]，最大迭代次数T取值范围为[200,2000]，搜索精度ε取值范围为[0.001,0.1]；
步骤A2：设定第一适应度函数，并确定初始最亮萤火虫个体位置和迭代次数t，t＝1；
将萤火虫个体位置对应的权值、阈值和伸缩平移系数代入基于小波神经网络的相对风速预测模型中，并利用萤火虫个体位置确定的基于小波神经网络的相对风速预测模型计算下一时刻的相对风速预测值，将相对风速预测值和实际值的差值E构建第一适应度函数f1(x)，f1(x)＝1/(E+1)；
利用第一适应度函数计算每只萤火虫个体位置的适应度，以最大适应度对应的萤火虫个体位置作为初始最亮萤火虫个体位置；
步骤A3：计算群体中萤火虫的相对亮度I和吸引度β，根据相对亮度决定萤火虫的移动方向；
萤火虫的相对亮度I为：
Figure BDA0001627115670000102
其中，I0表示最亮萤火虫的亮度，γ表示光吸收系数，rij表示萤火虫i与j之间的距离；
萤火虫的吸引度β为：
Figure BDA0001627115670000101
其中，β0表示最大吸引度；
步骤A4：更新萤火虫的空间位置，对处在最佳位置的萤火虫进行随机移动；
xi(t+1)＝xi(t)+β(xj(t)-xi(t))+α(rand-1/2)
其中，xi(t)与xj(t)表示i与j两个萤火虫的空间位置，α为步长因子，rand为[0,1]上服从均匀分布的随机因子；
步骤A5：计算当前萤火虫种群中每个萤火虫个体位置的适应度；
根据萤火虫适应度对萤火虫种群中每个萤火虫个体进行排序，查找到适应度最高的萤火虫个体位置作为最亮萤火虫个体位置；
步骤A6：判断是否达到最大迭代次数或者达到最大搜索精度，若是，则选出最亮萤火虫个体，输出最亮萤火虫个体位置对应的基于小波神经网络的相对风速预测模型的最佳权值、阈值和伸缩平移系数，否则，令t＝t+1，转到步骤A3继续下一次迭代。
此外，通过在无人驾驶车辆两侧设置辅助风速计，顶部设置主风速计，采集辅助风速和主风速数据，以两个同时采集的辅助风速作为输入数据，对应时刻采集的风速数据作为输出数据，训练小波神经网络模型，得到基于小波神经网络的风速融合模型；
基于小波神经网络模型的风速融合模型输入层节点个数为2，隐含层小波元个数为4，输出层节点个数为1；隐层小波神经元采用Mexican Hat小波函数，输出层节点采用Sigmoid函数，训练过程中的最大迭代次数设置为700，训练学习率为0.01，阈值为0.0004。
风速融合模型的设置，为了避免主风速计损坏后，能够利用辅助风速计获取的数据来进行融合，获取融合风速，替代主风速；
步骤3：基于能耗值和行驶距离构建耗电量预测模型；
所述耗电量预测模型包括基于小波神经网络的高速耗电量预测模型和基于Elman神经网络的低速耗电量预测模型；
以无人驾驶车辆的在设定间隔时间段内风阻能耗值、坡度能耗值、温度能耗值以及中高速行驶距离作为输入数据，以无人驾驶车辆的在设定间隔时间段内的耗电量作为输出数据，对小波神经网络模型进行训练，构建基于小波神经网络的高速耗电量预测模型；
以无人驾驶车辆平均车速高于40km/h时，在设定间隔时间段内，无人驾驶车辆经过的路程作为中高速行驶距离；
所述基于小波神经网络的高速耗电量预测模型输入层节点个数为4，隐含层小波元个数为8，输出层节点个数为1；隐层小波神经元采用Mexican Hat小波函数，输出层节点采用Sigmoid函数，训练过程中的最大迭代次数设置为500，训练学习率为0.1，阈值为0.0004；
其中，所使用的小波神经网络模型的权值、阈值和伸缩平移系数采用自适应惯性权值磷虾群算法进行优化选择获得。
所述基于小波神经网络的高速耗电量预测模型中小波神经网络的权值、阈值和伸缩平移系数采用自适应惯性权值磷虾群算法进行优化选择获得，具体过程如下：
步骤B1：初始化磷虾种群，设置磷虾种群初始参数；
将磷虾个体位置作为所述基于小波神经网络的高速耗电量预测模型的权值、阈值和伸缩平移系数，随机初始化磷虾种群；
其中，设置磷虾数目取值范围为[15,200]，诱导惯性权重wn取值范围为[0.5,0.8]，觅食惯性权重wf取值范围为[0.5,0.8]，最大诱导速度的取值范围为[0.02,0.09]，最大觅食速度的取值范围为[0.02,0.08]，最大扩散速度的取值范围为[0.002,0.02]，步长缩放因子的取值范围为[0.1,0.5]，最大迭代次数T取值范围为[300,2000]，搜索精度ε取值范围为[0.001,0.1]；
步骤B2：设定适应度函数，并确定初始最优磷虾个体位置和迭代次数t，t＝1；
将磷虾个体位置对应的权值、阈值和伸缩平移系数代入基于小波神经网络的高速耗电量预测模型中，并利用磷虾个体位置确定的基于小波神经网络的高速耗电量预测模型计算耗电量预测值，将耗电量预测值和实际值的差值E构建第二适应度函数f2(x)，f2(x)＝1/(E+1)；
利用第二适应度函数计算每个磷虾个体位置的适应度，以最大适应度对应的磷虾个体位置作为初始最优磷虾个体位置；
步骤B3：利用每个磷虾个体的当前诱导速度、觅食速度和扩散速度，更新每个磷虾个体的运动速度和位置；
步骤B4：对每个更新后的磷虾个体位置进行基于遗传算法的交叉操作，以增加种群的多样性，交叉因子的取值范围为[0.3,0.5]；
步骤B5：计算当前磷虾种群中每个个体的适应度，以当前磷虾种群中适应度最大的磷虾个体位置作为当前最优磷虾个体位置；
步骤B6：若当前最优磷虾个体的适应度值小于前一次迭代过程中的最优磷虾个体的适应度值，则更新当前磷虾个体的诱导速度和觅食速度为初始值，否则更新当前磷虾个体的诱导速度和觅食速度为零；
步骤B7：判断是否满足达到最大迭代次数或者达到搜索精度，若不满足，则令t＝t+1，返回步骤B3，否则，输出当前最优磷虾个体的位置作为基于小波神经网络的高速耗电量预测模型的最佳权值、阈值和伸缩平移系数。
以无人驾驶车辆的在设定间隔时间段内坡度能耗值、温度能耗值、低速行驶距离作为输入数据，以无人驾驶车辆的在设定间隔时间段内的耗电量作为输出数据，对Elman神经网络模型进行训练，构建基于Elman神经网络的低速耗电量预测模型；
以无人驾驶车辆平均车速不超过40km/h时，在设定间隔时间段内，无人驾驶车辆经过的路程作为低速行驶距离；
所述基于Elman神经网络的低速耗电量预测模型输入层节点个数为3，隐含层节点个数为6，输出层节点个数为1，承接层节点个数为6；隐含层函数采用Sigmoid函数，网络的训练采用BP算法，最大迭代次数设置为1000，训练学习率为0.1，阈值为0.001；
所述基于Elman神经网络的低速耗电量预测模型的权值和阈值采用狼群算法进行优化选择获得，具体过程如下：
步骤C1：初始化狼群并设置狼群参数；
以个体狼位置作为基于Elman神经网络的低速耗电量预测模型的权值和阈值，狼群规模的取值范围为[15,100]，步长因子的取值范围为[1000,2500]，探狼比例因子的取值范围为[2,10]，最大游走次数的取值范围为[5,20]，距离判定因子的取值范围为[100,600]，最大奔袭次数的取值范围为[5,15]，更新比例因子的取值范围为[2,20]，最大迭代次数的取值范围为[200,2000]，最大搜索精度的取值范围为[0.01,0.1]；
步骤C2：设定适应度函数，并确定初始最优头狼位置和迭代次数t，t＝1；
依次个体狼位置对应的参数值带入基于Elman神经网络的低速耗电量预测模型中，并利用个体狼位置确定的基于Elman神经网络的低速耗电量预测模型的计算结果，将计算结果和实际值的均方差MSE的倒数作为第三适应度函数f3(x)，f3(x)＝1/MSE；
利用第三适应度函数计算每个个体狼位置的适应度，以最大适应度
Figure BDA0001627115670000131
对应的个体狼位置作为初始最优头狼位置
Figure BDA0001627115670000132
步骤C3：探狼游走；
从狼群中选取适应度最大的狼作为头狼，并随机选取探狼；计算探狼在各方向的适应度，并使探狼向适应度最大的方向探索，当某只探狼适应度大于头狼或者达到最大游走次数时，游走结束，进入步骤C4；
步骤C4：猛狼奔袭；
除头狼与探狼之外的个体狼均为猛狼，猛狼向头狼所在方向奔袭，并不断计算猛狼位置的适应度；
若某猛狼位置适应度高于头狼位置适应度，则更新头狼，且其余猛狼改为向当前头狼奔袭，当猛狼与当前头狼距离小于判定距离时，该猛狼奔袭停止，当所有猛狼奔袭停止或达到最大奔袭次数时，奔袭结束，狼群进入围攻状态，进入步骤C5；
步骤C5：除当前头狼以外所有个体狼均向头狼方向前进一步，依次判断向前进一步后的个体狼位置适应度是否优于未向前进一步的位置的适应度，若是，则将向前进一步的位置作为个体狼的新的位置，否则，若适应度降低，则个体狼保持原位置不变；
步骤C6：完成围攻行为后，狼群中所有个体狼按照当前适应度由高到低排序，适应度最高的个体狼设为头狼，排名靠后的人工狼被淘汰，并重新随机生成新的人工狼；
步骤C7：当达到最大搜索精度或最大迭代次数时，输出最新的头狼对应的基于Elman神经网络的低速耗电量预测模型的最优权值和阈值，否则，令t＝t+1，返回步骤C3，继续下一次迭代。
步骤4：构建云端路径上各经纬度行车数据库；
所述云端路径上各经纬度行车数据库包括各经纬度点上的车速、坡度角以及相邻参考经纬度之间的行驶时间；
对路径上的经纬度进行等间距划分，获得参考经纬度，相邻参考经纬度之间间距为2米，将云端共享服务器中所有在该路径上行驶的车辆获取车速、坡度角时的经纬度依据距离最近原则，划分到与该路径上最近的参考经纬度，以同一参考经纬度上的所有车辆车速和坡度角均值，作为参考经纬度上的云端车速和坡度角，并按照前一参考经纬度上的云端车速行驶至下一参考经纬度，获取相邻参考经纬度之间的行驶时间；
所述车辆采集的车速、坡度角以及对应的经纬度和行驶方向数据信息会实时上传到云端共享服务器；
其中，获取的坡度角数据需要对其符号进行修正，若所述无人驾驶车辆与云端路径上各经纬度行车数据库中坡度角数据所属车辆的行驶方向一致，则提取对应坡度角数据；若行驶方向相反，则提取对应坡度角数据的负值数据；若存在某路段空缺数据，则位于该路段上的坡度角为零；在云端路径上各经纬度行车数据库中保存的车辆车速和坡度角均为所有车辆在同一方向行驶获得；
步骤5：采集实时无人驾驶车辆数据，利用基于小波神经网络的相对风速预测模型和云端路径数据，计算未来间隔时间T内的风阻能耗值、行驶距离、坡度能耗值和温度能耗值；
利用无人驾驶车辆实时采集的外部风速和车速，利用基于小波神经网络的相对风速预测模型，获得未来间隔时间T内的相对风速，并计算未来间隔时间T内的风阻能耗值；
同时利用无人驾驶车辆所在的经纬度，依据云端路径上的相邻参考经纬度之间的行驶时间数据，确定无人驾驶车辆在经过未来间隔时间T后所处的经纬度位置，并从云端获取在未来路径上在未来间隔时间T内的经过各经纬度时的云端车速和云端坡度角，计算未来间隔时间T内行驶距离和坡度能耗值；
利用无人驾驶车辆实时采集的车内外温度的差值在未来设定间隔时间内的累加值作为未来设定间隔时间内的温度能耗值；
从云端路径上寻找与无人驾驶车辆当前所在经纬度最近的经纬度位置，以找到的经纬度为起点，依次将相邻两个经纬度行驶时间进行累加，直到累加时间刚好大于或等于设定的间隔时间T时，以累加过程中最后一个经纬度位置确定为在设定间隔时间T后所处的经纬度位置；
步骤6：依据未来间隔时间T内的车辆外部风速，选择耗电量预测模型，利用未来间隔时间T内的行驶距离和能耗值，输入所选耗电量预测模型，获取未来间隔时间内的耗电量；
若未来间隔时间T内的车辆外部风速大于40km/s，则选择高速耗电量预测模型，否则选择低速耗电量预测模型。
当需要预测耗电量的未来时间超过设定的未来间隔时间T时，将需要预测耗电量的未来时间按照设定的未来间隔时间T进行等分划分，对划分后每个未来间隔时间单元T内的行驶距离和能耗值进行预测和计算，并输入耗电量预测模型，获得每个的未来间隔时间单元T内的耗电量，将所有的未来间隔时间单元T内的耗电量按时序进行叠加，得到所需预测的未来时间内的耗电量。
将每个划分的间隔时间T的结束时间所对应的经纬度作为其下一个间隔时间T的起始时间所对应的经纬度；
将设定的间隔时间T定为5分钟，对未来时间按照5分钟的长度进行等分划分，定义第n个5分钟时用于输入预测模型所需的数据为a(t，n)、Lh(t，n)、Lh(t，n)、b(t，n)、k(t，n)，其中n＝(1，2，3，…)；
耗电量预测模型分为高速耗电量预测模型和低速耗电量预测模型；高速耗电量预测模型的输入数据有a(t，n)、Lh(t，n)、b(t，n)、k(t，n)；低速耗电量模型输入数据有Ls(t，n)、b(t，n)、k(t，n)；
其中，上述5种预测数据含义及获取方法如下：
(1)无人驾驶车辆在未来第n个5分钟时的风阻能耗值a(t，n)：
a)耗电量预测系统将相对风速时间序列输入至相对风速预测模型，超前一步预测风速，并将预测风速加入相对风速时间序列矩阵，输入相对风速预测模型进行超前两步预测风速，不断迭代，预测出无人驾车辆在之后一段时间每个时刻的预测风速值vff(t)；
b)定义第n个5分钟的风阻能耗预测值
Figure BDA0001627115670000151
τ为未来第n个5分钟的起始时间；当主风速计损坏或无法获取主风速时，将两个辅助风速值作为输入数据，输入至风速融合模型，将其输出值作为主风速；
(2)无人驾驶车辆在未来第n个5分钟内将行驶的中高速路段、低速路段的行驶距离Lh(t，n)、Ls(t，n)：
a)路况检测系统通过GPRS无线通信系统连接云端共享服务器；获取该条路径上所有车辆上传的速度值和速度采集时的经纬度坐标数据，设第一辆车在该条路径上共采集了j个经纬度对应的速度值，可表示为
Figure BDA0001627115670000152
b)车载GPS导航系统实时获取车辆当前位置，确定车辆当前位置到终点的路径长度L；将数据传输至路况检测系统；
c)路况检测系统将长度为L的路径分解为N个参考经纬度坐标，相邻两个参考经纬度相距2米，由于从云端共享服务器获取每辆车的速度对应的经纬度与路况检测系统分解的N个参考经纬度坐标有偏差，即j≠N；因此根据距离最近的原则将从云端共享服务器获取的速度值赋予路况检测系统将路径分解的参考经纬度坐标，即
Figure BDA0001627115670000161
对于共有i辆车，可表示为
Figure BDA0001627115670000162
d)采用均值法计算所有车辆速度的均值作为同一经纬度坐标的不同车辆速度值的代表值，即计算上述矩阵每一行的第二列到最后一列的速度均值作为代表值，例如第k行，计算[v1k′ … vik′]共i个元素的均值作为代表值vk′，得：
Figure BDA0001627115670000163
即在未来行驶的时间中，不同经纬度对应的云端速度值vk′(longitude(k)，latitude(k))，1≤k≤N；
e)计算在无人驾驶车辆在行驶过程中在5*n之后时刻所在经纬度位置，计算方法如下：
Figure BDA0001627115670000164
逐步对上式进行累加，记录当累加值刚好大于或等于5*n时的每个k值，分别定义为k(1)、k(2)、…、k(n)即无人驾驶车辆在第n个5分钟时预测的起始经纬度位置(longitude(k(n))，latitude(k(n)))；
依据路段分类方法对无人驾驶车辆在第n个5分钟中所行使的不同速度路段长度进行计算：速度值高于40km/h为中高速路段，速度值不超过40km/h为低速路段；得出无人驾驶车辆在第n个5分钟时的预测行驶的中高速路段、低速路段的距离Lh(t，n)或
Figure BDA0001627115670000165
(3)无人驾驶车辆在未来第n个5分钟时的坡度能耗值b(t，n)：
a)路况检测系统通过GPRS无线通信系统连接云端共享服务器；获取该条路径上每辆车辆采集的坡度角和坡度角采集时的经纬度坐标数据，设第一辆车在该条路径上共采集了j个经纬度对应的坡度角，可表示为：
Figure BDA0001627115670000171
其中，获取的坡度角数据需要对其符号进行修正，如果所述无人驾驶车辆与云端共享服务器中的获取数据的其他车辆行驶方向一致，则提取其坡度角数据，如果前进方向相反，则提取其坡度角数据的负值数据。如果有某路段空缺数据，则默认为平路，坡度角为零；
b)车载GPS导航系统实时获取车辆当前位置，确定车辆当前位置所在路径的起点到终点的路径长度L；将数据传输至路况检测系统；
c)路况检测系统将长度为L的路径分解为N个参考经纬度坐标，相邻的参考经纬度坐标的距离定为2米，由于从云端共享服务器获取每辆车采集的坡度角对应的经纬度与路况检测系统分解的N个参考经纬度坐标有偏差，即j≠N；因此根据距离最近的原则将从云端共享服务器获取的坡度角赋予路况检测系统分解的参考经纬度坐标，即
Figure BDA0001627115670000172
对于共有i辆车，可表示为
Figure BDA0001627115670000173
d)采用平均算法求出同一经纬度坐标的不同车辆测得坡度角的代表值，即对上述矩阵每一行的第二列到最后一列的坡度角计算其平均数作为代表值，例如第k行，计算[α1k′ … αik′]共i个元素的平均数作为代表值αk′，得
Figure BDA0001627115670000174
即在未来行驶的时间中，不同参考经纬度对应的云端坡度角为αk′(longitude(k)，latitude(k))，1≤k≤N；
e)对坡度角进行变换，计算无人驾驶车辆行驶的爬坡因子β＝0.02*cos(α)sin(α)；得到β(longitude(k)，latitude(k))，1≤k≤N；
f)计算在无人驾驶车辆在行驶过程中在5*n之后时刻所在参考经纬度位置，计算方法如下：
Figure BDA0001627115670000181
逐步对上式进行累加，记录当累加值刚好大于或等于5*n时的k值，分别定义为k(1)、k(2)、…、k(n)，即无人驾驶车辆在第n个5分钟时预测的起始经纬度位置为(longitude(k(n))，latitude(k(n)))；
g)计算无人驾驶车辆在未来第n个5分钟内的坡度能耗值，计算方法如下：
Figure BDA0001627115670000182
(4)无人驾驶车辆在未来第n个5分钟时的温度能耗值k(t，n)：
由于车辆在行驶过程中，车内外温度差变化很小，因此将车辆当前最新所计算的温度能耗值作为未来每个5分钟内的温度能耗预测值k(t，n)；
为准确预测出无人驾驶车辆耗电量，对未来每个5分钟内的绝对风速的大小进行判断，来选取不同模型预测耗电量；
模型选择方法如下：
若Vf(t)＞40km/h，选取数据a(t，n)、Lh(t，n)、b(t，n)、k(t，n)组成高速数据矩阵，使用高速耗电量预测模型；
若Vf(t)＜40km/h，选取数据Ls(t，n)、b(t，n)、k(t，n)组成低速数据矩阵，使用低速耗电量预测模型；
将第n个5分钟时所获取的用于预测的数据为a(t，n)、Lh(t，n)、Ls(t，n)、b(t，n)、k(t，n)，其中n＝(1，1，3，…，N)按照模型选择方法对数据样本进行分类得矩阵M1(t，n1)＝[a(t，n1)、Lh(t，n1)、b(t，n1)、k(t，n1)]和矩阵M2(t，n2)＝[Ls(t，n2)、b(t，n2)、k(t，n2)]；其中
Figure BDA0001627115670000183
将M1(t，n1)作为输入，输入到基于小波神经网络模型的高速耗电量预测模型得出第n1个5分钟耗电量p(t，n1)；
将M2(t，n2)作为输入，输入到基于Elman神经网络的低速耗电量预测模型得出第n2个5分钟耗电量p(t，n2；
将高速耗电量预测模型和低速耗电量预测模型输出的耗电量按照n从小到大的顺序进行累加，计算积累耗电量准确预测出所述无人驾驶车辆到目的地这段时间内每5分钟、10分钟、15分钟直到目的地的耗电量；
如图2所示，一种智能无人驾驶车辆极限里程智能多源评估装置，包括：
GPRS无线通信系统，用于从云端共享服务器获取云端路径数据；
云端共享服务器，用于获取和储存所有无人驾驶车辆在相同道路上行驶时各经纬度处的坡度角、车速以及行驶方向；
车载GPS导航系统，用于获取无人驾驶车辆行驶时的当前经纬度，并计算路径长度和预测行驶时间；
路况检测系统，包括设置在无人驾驶车辆上的陀螺仪和车速检测器，其中，所述陀螺仪实时记录无人驾驶车辆在行驶过程中的仰俯角，且以所述仰俯角作为路面的坡度角，仰角为正值代表上坡，俯角为负值代表下坡；所述车速检测器实时检测无人驾驶车辆的车速；
风速检测系统，包括设置在车顶中间的主风速计和两个分别设置在车辆两侧的辅助风速计，用于测量车辆外部风速；
重力感应设备，包括三个重力感应器，分别安装在主驾驶座下，副驾驶座下，后排座位中间位置下方，用于检测各个座位重量大小判断是否有人坐下；
温度检测系统，包括一个车外温度检测器和三个车内温度传感器；车外温度传感器安装在车前保险杠上，用于检测车外温度；三个车内温度传感器分别安装在主驾驶座前，副驾驶座前，后排座位中间，用于检测车内三处位置的温度；车内温度根据所得座位重量数据是否超过设定重量阈值来选取对应座位处采集的车内温度数据，以所选座位处采集的温度取平均值作为车内温度；
电量检测设备，用于实时检测当前剩余电量信息；
耗电量预测系统，采用上述的方法，对车载GPS导航系统，路况检测系统，风速检测系统，重力感应设备，温度检测系统以及电量检测设备获取的数据进行未来间隔时间内无人驾驶车辆的耗电量预测。
本文中所描述的具体实施例仅仅是对本发明精神作举例说明。本发明所属技术领域的技术人员可以对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代，但并不会偏离本发明的精神或者超越所附权利要求书所定义的范围。

Claims (8)

1.一种智能无人驾驶车辆极限里程智能多源评估方法，其特征在于，包括以下步骤：
步骤1：获取训练数据；
所述训练数据包括无人驾驶车辆在行驶过程中的间隔时间T内的能耗值、行驶距离和耗电量，所述能耗值包括风阻能耗值、坡度能耗值以及温度能耗值；
所述风阻能耗值由无人驾驶车辆在间隔时间T内的相对风速累加获得，所述相对风速是指车辆外部风速与车速的差值；
所述坡度能耗值由无人驾驶车辆在间隔时间T内的爬坡因子对时间进行积分获得，爬坡因子为β，β＝0.02*cos(α)+sin(α)，α为无人驾驶车辆在行驶过程中的对离散时刻采集的坡度角值进行线性拟合得到的随时间连续变化的坡度角；
所述温度能耗值由无人驾驶车辆在间隔时间T内的车内温度与车外温度的差值累加获得；
所述行驶距离由无人驾驶车辆在间隔时间T内的车速对时间进行积分获得；
步骤2：构建基于小波神经网络的相对风速预测模型；
利用训练数据中的无人驾驶车辆相对风速时间序列中的连续n个时刻的相对风速作为输入数据，第n+1个时刻的相对风速作为输出数据，对小波神经网络模型进行训练，构建基于小波神经网络的相对风速预测模型；
步骤3：基于能耗值和行驶距离构建耗电量预测模型；
所述耗电量预测模型包括基于小波神经网络的高速耗电量预测模型和基于Elman神经网络的低速耗电量预测模型；
以无人驾驶车辆的在设定间隔时间段内风阻能耗值、坡度能耗值、温度能耗值以及中高速行驶距离作为输入数据，以无人驾驶车辆的在设定间隔时间段内的耗电量作为输出数据，对小波神经网络模型进行训练，构建基于小波神经网络的高速耗电量预测模型；
以无人驾驶车辆的在设定间隔时间段内坡度能耗值、温度能耗值、低速行驶距离作为输入数据，以无人驾驶车辆的在设定间隔时间段内的耗电量作为输出数据，对Elman神经网络模型进行训练，构建基于Elman神经网络的低速耗电量预测模型；
以无人驾驶车辆平均车速高于40km/h时和不超过40km/h时，在设定间隔时间段内，无人驾驶车辆经过的路程分别作为中高速行驶距离和低速行驶距离；
步骤4：构建云端路径上各经纬度行车数据库；
所述云端路径上各经纬度行车数据库包括各经纬度点上的车速、坡度角以及相邻参考经纬度之间的行驶时间；
对路径上的经纬度进行等间距划分，获得参考经纬度，相邻参考经纬度之间间距为2米，将云端共享服务器中所有在该路径上行驶的车辆获取车速、坡度角时的经纬度依据距离最近原则，划分到与该路径上最近的参考经纬度，以同一参考经纬度上的所有车辆车速和坡度角均值，作为参考经纬度上的云端车速和坡度角，并按照前一参考经纬度上的云端车速行驶至下一参考经纬度，获取相邻参考经纬度之间的行驶时间；
若所述无人驾驶车辆与云端路径上各经纬度行车数据库中坡度角数据所属车辆的行驶方向一致，则提取对应坡度角数据；若行驶方向相反，则提取对应坡度角数据的负值数据；若存在某路段空缺数据，则位于该路段上的坡度角为零；
步骤5：采集实时无人驾驶车辆数据，利用基于小波神经网络的相对风速预测模型和云端路径数据，计算未来间隔时间T内的风阻能耗值、行驶距离、坡度能耗值和温度能耗值；
利用无人驾驶车辆实时采集的外部风速和车速，利用基于小波神经网络的相对风速预测模型，获得未来间隔时间T内的相对风速，并计算未来间隔时间T内的风阻能耗值；
同时利用无人驾驶车辆所在的经纬度，依据云端路径上的相邻参考经纬度之间的行驶时间数据，确定无人驾驶车辆在经过未来间隔时间T后所处的经纬度位置，并从云端获取在未来路径上在未来间隔时间T内的经过各经纬度时的云端车速和云端坡度角，计算未来间隔时间T内行驶距离和坡度能耗值；
利用无人驾驶车辆实时采集的车内外温度的差值在未来设定间隔时间内的累加值作为未来设定间隔时间内的温度能耗值；
步骤6：依据未来间隔时间T内的车辆外部风速，选择耗电量预测模型，利用未来间隔时间T内的行驶距离和能耗值，输入所选耗电量预测模型，获取未来间隔时间内的耗电量；
若未来间隔时间T内的车辆外部风速大于40km/s，则选择高速耗电量预测模型，否则选择低速耗电量预测模型；
所述基于小波神经网络的相对风速预测模型在训练时选择Morlet小波作为基函数，设置输入层节点个数为4，隐含层节点个数为8，输出层节点个数为1；训练过程中的最大迭代次数设置为500，训练学习率为0.1，阈值为0.004，且所述基于小波神经网络的相对风速预测模型的权值、阈值和伸缩平移系数采用萤火虫算法进行优化选择获得；
所述基于小波神经网络的高速耗电量预测模型输入层节点个数为4，隐含层小波元个数为8，输出层节点个数为1；隐层小波神经元采用Mexican Hat小波函数，输出层节点采用Sigmoid函数，训练过程中的最大迭代次数设置为500，训练学习率为0.1，阈值为0.0004；
其中，所使用的小波神经网络模型的权值、阈值和伸缩平移系数采用自适应惯性权值磷虾群算法进行优化选择获得。
2.根据权利要求1所述的方法，其特征在于，所述基于小波神经网络的相对风速预测模型的权值、阈值和伸缩平移系数采用萤火虫算法进行优化选择获得的过程如下：
步骤A1：初始化萤火虫种群，设置萤火虫初始参数；
将萤火虫个体位置作为基于小波神经网络的相对风速预测模型的权值、阈值和伸缩平移系数，随机初始化萤火虫种群；
其中，设置萤火虫数目取值范围为[10,200]，最大吸引度β0＝1，光强吸收系数γ取值范围为[0.005,200]，步长因子α取值范围为[0.01,1]，最大迭代次数T取值范围为[200,2000]，搜索精度ε取值范围为[0.001,0.1]；
步骤A2：设定第一适应度函数，并确定初始最亮萤火虫个体位置和迭代次数t，t＝1；
将萤火虫个体位置对应的权值、阈值和伸缩平移系数代入基于小波神经网络的相对风速预测模型中，并利用萤火虫个体位置确定的基于小波神经网络的相对风速预测模型计算下一时刻的相对风速预测值，将相对风速预测值和实际值的差值E构建第一适应度函数f1(x)，f1(x)＝1/(E+1)；
利用第一适应度函数计算每只萤火虫个体位置的适应度，以最大适应度对应的萤火虫个体位置作为初始最亮萤火虫个体位置；
步骤A3：计算群体中萤火虫的相对亮度I和吸引度β，根据相对亮度决定萤火虫的移动方向；
萤火虫的相对亮度I为：
Figure FDA0002448686700000031
其中，I0表示最亮萤火虫的亮度，γ表示光吸收系数，rij表示萤火虫i与j之间的距离；
萤火虫的吸引度β为：
Figure FDA0002448686700000032
其中，β0表示最大吸引度；
步骤A4：更新萤火虫的空间位置，对处在最佳位置的萤火虫进行随机移动；
xi(t+1)＝xi(t)+β(xj(t)-xi(t))+α(rand-1/2)
其中，xi(t)与xj(t)表示i与j两个萤火虫的空间位置，α为步长因子，rand为[0,1]上服从均匀分布的随机因子；
步骤A5：计算当前萤火虫种群中每个萤火虫个体位置的适应度；
根据萤火虫适应度对萤火虫种群中每个萤火虫个体进行排序，查找到适应度最高的萤火虫个体位置作为最亮萤火虫个体位置；
步骤A6：判断是否达到最大迭代次数或者达到最大搜索精度，若是，则选出最亮萤火虫个体，输出最亮萤火虫个体位置对应的基于小波神经网络的相对风速预测模型的最佳权值、阈值和伸缩平移系数，否则，令t＝t+1，转到步骤A3继续下一次迭代。
3.根据权利要求1所述的方法，其特征在于，所述基于小波神经网络的高速耗电量预测模型中小波神经网络的权值、阈值和伸缩平移系数采用自适应惯性权值磷虾群算法进行优化选择获得，具体过程如下：
步骤B1：初始化磷虾种群，设置磷虾种群初始参数；
将磷虾个体位置作为所述基于小波神经网络的高速耗电量预测模型的权值、阈值和伸缩平移系数，随机初始化磷虾种群；
其中，设置磷虾数目取值范围为[15,200]，诱导惯性权重wn取值范围为[0.5,0.8]，觅食惯性权重wf取值范围为[0.5,0.8]，最大诱导速度的取值范围为[0.02,0.09]，最大觅食速度的取值范围为[0.02,0.08]，最大扩散速度的取值范围为[0.002,0.02]，步长缩放因子的取值范围为[0.1,0.5]，最大迭代次数取值范围为[300,2000]，搜索精度ε取值范围为[0.001,0.1]；
步骤B2：设定适应度函数，并确定初始最优磷虾个体位置和迭代次数t，t＝1；
将磷虾个体位置对应的权值、阈值和伸缩平移系数代入基于小波神经网络的高速耗电量预测模型中，并利用磷虾个体位置确定的基于小波神经网络的高速耗电量预测模型计算耗电量预测值，将耗电量预测值和实际值的差值E构建第二适应度函数f2(x)，f2(x)＝1/(E+1)；
利用第二适应度函数计算每个磷虾个体位置的适应度，以最大适应度对应的磷虾个体位置作为初始最优磷虾个体位置；
步骤B3：利用每个磷虾个体的当前诱导速度、觅食速度和扩散速度，更新每个磷虾个体的运动速度和位置；
步骤B4：对每个更新后的磷虾个体位置进行基于遗传算法的交叉操作，以增加种群的多样性，交叉因子的取值范围为[0.3,0.5]；
步骤B5：计算当前磷虾种群中每个个体的适应度，以当前磷虾种群中适应度最大的磷虾个体位置作为当前最优磷虾个体位置；
步骤B6：若当前最优磷虾个体的适应度值小于前一次迭代过程中的最优磷虾个体的适应度值，则更新当前磷虾个体的诱导速度和觅食速度为初始值，否则更新当前磷虾个体的诱导速度和觅食速度为零；
步骤B7：判断是否满足达到最大迭代次数或者达到搜索精度，若不满足，则令t＝t+1，返回步骤B3，否则，输出当前最优磷虾个体的位置作为基于小波神经网络的高速耗电量预测模型的最佳权值、阈值和伸缩平移系数。
4.根据权利要求1所述的方法，其特征在于，所述基于Elman神经网络的低速耗电量预测模型输入层节点个数为3，隐含层节点个数为6，输出层节点个数为1，承接层节点个数为6；隐含层函数采用Sigmoid函数，网络的训练采用BP算法，最大迭代次数设置为1000，训练学习率为0.1，阈值为0.001；
所述基于Elman神经网络的低速耗电量预测模型的权值和阈值采用狼群算法进行优化选择获得。
5.根据权利要求4所述的方法，其特征在于，所述基于Elman神经网络的低速耗电量预测模型的权值和阈值采用狼群算法进行优化选择获得过程如下：
步骤C1：初始化狼群并设置狼群参数；
以个体狼位置作为基于Elman神经网络的低速耗电量预测模型的权值和阈值，狼群规模的取值范围为[15,100]，步长因子的取值范围为[1000,2500]，探狼比例因子的取值范围为[2,10]，最大游走次数的取值范围为[5,20]，距离判定因子的取值范围为[100,600]，最大奔袭次数的取值范围为[5,15]，更新比例因子的取值范围为[2,20]，最大迭代次数的取值范围为[200,2000]，最大搜索精度的取值范围为[0.01,0.1]；
步骤C2：设定适应度函数，并确定初始最优头狼位置和迭代次数t，t＝1；
依次个体狼位置对应的参数值带入基于Elman神经网络的低速耗电量预测模型中，并利用个体狼位置确定的基于Elman神经网络的低速耗电量预测模型的计算结果，将计算结果和实际值的均方差MSE的倒数作为第三适应度函数f3(x)，f3(x)＝1/MSE；
利用第三适应度函数计算每个个体狼位置的适应度，以最大适应度
Figure FDA0002448686700000051
对应的个体狼位置作为初始最优头狼位置
Figure FDA0002448686700000052
步骤C3：探狼游走；
从狼群中选取适应度最大的狼作为头狼，并随机选取探狼；计算探狼在各方向的适应度，并使探狼向适应度最大的方向探索，当某只探狼适应度大于头狼或者达到最大游走次数时，游走结束，进入步骤C4；
步骤C4：猛狼奔袭；
除头狼与探狼之外的个体狼均为猛狼，猛狼向头狼所在方向奔袭，并不断计算猛狼位置的适应度；
若某猛狼位置适应度高于头狼位置适应度，则更新头狼，且其余猛狼改为向当前头狼奔袭，当猛狼与当前头狼距离小于判定距离时，该猛狼奔袭停止，当所有猛狼奔袭停止或达到最大奔袭次数时，奔袭结束，狼群进入围攻状态，进入步骤C5；
步骤C5：除当前头狼以外所有个体狼均向头狼方向前进一步，依次判断向前进一步后的个体狼位置适应度是否优于未向前进一步的位置的适应度，若是，则将向前进一步的位置作为个体狼的新的位置，否则，若适应度降低，则个体狼保持原位置不变；
步骤C6：完成围攻行为后，狼群中所有个体狼按照当前适应度由高到低排序，适应度最高的个体狼设为头狼，排名靠后的人工狼被淘汰，并重新随机生成新的人工狼；
步骤C7：当达到最大搜索精度或最大迭代次数时，输出最新的头狼对应的基于Elman神经网络的低速耗电量预测模型的最优权值和阈值，否则，令t＝t+1，返回步骤C3，继续下一次迭代。
6.根据权利要求1-5任一项所述的方法，其特征在于，通过在无人驾驶车辆两侧设置辅助风速计，顶部设置主风速计，采集辅助风速和主风速数据，以两个同时采集的辅助风速作为输入数据，对应时刻采集的风速数据作为输出数据，训练小波神经网络模型，得到基于小波神经网络的风速融合模型；
基于小波神经网络模型的风速融合模型输入层节点个数为2，隐含层小波元个数为4，输出层节点个数为1；隐层小波神经元采用Mexican Hat小波函数，输出层节点采用Sigmoid函数，训练过程中的最大迭代次数设置为700，训练学习率为0.01，阈值为0.0004。
7.根据权利要求6所述的方法，其特征在于，当需要预测耗电量的未来时间超过设定的未来间隔时间T时，将需要预测耗电量的未来时间按照设定的未来间隔时间T进行等分划分，对划分后每个未来间隔时间单元T内的行驶距离和能耗值进行预测和计算，并输入耗电量预测模型，获得每个的未来间隔时间单元T内的耗电量，将所有的未来间隔时间单元T内的耗电量按时序进行叠加，得到所需预测的未来时间内的耗电量。
8.一种智能无人驾驶车辆极限里程智能多源评估装置，其特征在于，包括：
GPRS无线通信系统，用于从云端共享服务器获取云端路径数据；
云端共享服务器，用于获取和储存所有无人驾驶车辆在相同道路上行驶时各经纬度处的坡度角、车速以及行驶方向；
车载GPS导航系统，用于获取无人驾驶车辆行驶时的当前经纬度，并计算路径长度和预测行驶时间；
路况检测系统，包括设置在无人驾驶车辆上的陀螺仪和车速检测器，其中，所述陀螺仪实时记录无人驾驶车辆在行驶过程中的仰俯角，且以所述仰俯角作为路面的坡度角，仰角为正值代表上坡，俯角为负值代表下坡；所述车速检测器实时检测无人驾驶车辆的车速；
风速检测系统，包括设置在车顶中间的主风速计和两个分别设置在车辆两侧的辅助风速计，用于测量车辆外部风速；
重力感应设备，包括三个重力感应器，分别安装在主驾驶座下，副驾驶座下，后排座位中间位置下方，用于检测各个座位重量大小判断是否有人坐下；
温度检测系统，包括一个车外温度检测器和三个车内温度传感器；车外温度传感器安装在车前保险杠上，用于检测车外温度；三个车内温度传感器分别安装在主驾驶座前，副驾驶座前，后排座位中间，用于检测车内三处位置的温度；车内温度根据所得座位重量数据是否超过设定重量阈值来选取对应座位处采集的车内温度数据，以所选座位处采集的温度取平均值作为车内温度；
电量检测设备，用于实时检测当前剩余电量信息；
耗电量预测系统，采用权利要求1-7任一项所述的方法，对车载GPS导航系统，路况检测系统，风速检测系统，重力感应设备，温度检测系统以及电量检测设备获取的数据进行未来时间内无人驾驶车辆的耗电量预测。
CN201810327801.7A 2018-04-12 2018-04-12 一种智能无人驾驶车辆极限里程智能多源评估方法及装置 Active CN108510130B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810327801.7A CN108510130B (zh) 2018-04-12 2018-04-12 一种智能无人驾驶车辆极限里程智能多源评估方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810327801.7A CN108510130B (zh) 2018-04-12 2018-04-12 一种智能无人驾驶车辆极限里程智能多源评估方法及装置

Publications (2)

Publication Number Publication Date
CN108510130A CN108510130A (zh) 2018-09-07
CN108510130B true CN108510130B (zh) 2020-08-04

Family

ID=63381642

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810327801.7A Active CN108510130B (zh) 2018-04-12 2018-04-12 一种智能无人驾驶车辆极限里程智能多源评估方法及装置

Country Status (1)

Country Link
CN (1) CN108510130B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110864704B (zh) * 2018-08-28 2021-02-05 百度在线网络技术（北京）有限公司 自动驾驶里程统计方法、装置及设备
CN110286677B (zh) * 2019-06-13 2021-03-16 北京理工大学 一种用于数据采集的无人车控制方法和系统
CN111409418B (zh) * 2020-04-10 2022-04-01 中国联合网络通信集团有限公司 调节车辆温度的方法和装置
CN112686453B (zh) * 2020-12-31 2023-09-01 中南大学 机车能耗智能预测方法及系统

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2013013730A1 (de) * 2011-07-22 2013-01-31 Audi Ag Verfahren zum bestimmen einer fahrtreichweite eines kraftwagens
CN103213504A (zh) * 2013-04-27 2013-07-24 北京交通大学 一种电动汽车续驶里程估算方法
CN106427589A (zh) * 2016-10-17 2017-02-22 江苏大学 基于工况预测和模糊能耗的电动汽车续驶里程估算方法
CN106596135A (zh) * 2016-12-29 2017-04-26 吉林大学 一种纯电动汽车实际行驶能耗测试、评价和预测方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2013013730A1 (de) * 2011-07-22 2013-01-31 Audi Ag Verfahren zum bestimmen einer fahrtreichweite eines kraftwagens
CN103213504A (zh) * 2013-04-27 2013-07-24 北京交通大学 一种电动汽车续驶里程估算方法
CN106427589A (zh) * 2016-10-17 2017-02-22 江苏大学 基于工况预测和模糊能耗的电动汽车续驶里程估算方法
CN106596135A (zh) * 2016-12-29 2017-04-26 吉林大学 一种纯电动汽车实际行驶能耗测试、评价和预测方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
"Energy consumption estimation in electric vehicles considering driving style";Felipe Jiménez;《IEEE computer society》;20151212;第101-106页 *
"基于小波分析法与神经网络法的非平稳风速信号短期预测优化算法";刘辉;《中南大学学报(自然科学版)》;20110930;第42卷(第9期);第2704-2711页 *
"基于电池能量状态估计和车辆能耗预测的电动汽车续驶里程估计方法研究";刘光明;《汽车工程》;20141130;第36卷(第11期);第1302-1309页 *

Also Published As

Publication number Publication date
CN108510130A (zh) 2018-09-07

Similar Documents

Publication Publication Date Title
CN108510129B (zh) 一种无人驾驶车辆实时电量智慧预测方法及装置
CN108510737B (zh) 一种融合风环境的无人驾驶车辆电源实时监控方法及装置
CN108510130B (zh) 一种智能无人驾驶车辆极限里程智能多源评估方法及装置
CN110174117B (zh) 一种电动汽车充电路线规划方法
CN102189994B (zh) 用于电动和混合动力车辆操作的系统和方法
CN108072381B (zh) 一种路径规划的方法及装置
WO2019071909A1 (zh) 基于相对熵深度逆强化学习的自动驾驶系统及方法
CN111080018B (zh) 一种基于道路交通环境的智能网联汽车车速预测方法
CN112734097B (zh) 无人驾驶列车能耗预测方法、系统及存储介质
ES2950156T3 (es) Método implementado por ordenador para predecir el uso de energía para una ruta
CN108177648A (zh) 一种基于智能预测的插电式混合动力车辆的能量管理方法
CN110910531B (zh) 一种基于车载obd信息的路面摩擦系数快速检测方法
WO2021188647A1 (en) Systems and methods for managing velocity profiles
CN112686453A (zh) 机车能耗智能预测方法及系统
CN114819305B (zh) 一种基于碳排放度量尺度下的路径规划方法
CN115344052B (zh) 基于改进的群优化算法的车辆路径控制方法及控制系统
CN115907076A (zh) 一种山地城市充电负荷概率预测系统及方法
CN116341706A (zh) 基于综合能源感知的城市移动负荷概率预测系统与方法
CN113642768A (zh) 一种基于工况重构的车辆行驶能耗预测方法
Foiadelli et al. Energy consumption prediction of electric vehicles based on big data approach
Grubwinkler et al. A modular and dynamic approach to predict the energy consumption of electric vehicles
Palconit et al. Comparative ANFIS Models for Stochastic On-road Vehicle CO 2 Emission using Grid Partitioning, Subtractive, and Fuzzy C-means Clustering
CN112098869B (zh) 一种基于大数据的自适应电动汽车soc估计方法
CN112991801A (zh) 一种基于时变路况的最优安全路径获取方法
CN113743767B (zh) 基于时间和安全性的车辆派单方法、系统、计算机及介质

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