CN108556682B - 一种续驶里程预测方法、装置及设备 - Google Patents

Abstract

本发明公开了一种续驶里程预测方法、装置及设备，该续驶里程预测方法包括：从车联网池中的有效数据中划分有效行程片段，并分析提取相关特征信号，所述有效行程片段是指车辆行驶速度大于零的行驶片段；根据所述特征信号计算得到多个特征指标；构建所述特征指标的回归模型，利用所述特征信号的数据对该回归模型进行训练，得到所述特征指标的权重值；根据所述权重值构建续驶里程计算公式；将所述特征指标的尝试值代入所述续驶里程计算公式，得到续驶里程。本发明的续驶里程预测方法，基于大量历史数据进行模型训练，提炼出影响续驶里程的最相关特征值，从而提升了预测准确率，提升了预测精度。

Description

一种续驶里程预测方法、装置及设备

技术领域

本发明涉及电动汽车续驶里程计算领域，尤其涉及一种续驶里程预测方法、装置及设备。

背景技术

纯电动车辆实际运行过程中，电池续驶里程会受到各种环境因素影响，而现有续驶里程计算方法仅根据百公里耗电进行预测，并没有考虑当前的环境及使用情况等多种因素对续驶里程的影响，同时现有的续驶里程计算方法没有针对大量数据进行模型训练，计算精度不高，导致客户感知到的剩余续驶里程跟实际行驶里程有较大偏差。

发明内容

为了解决上述技术问题，本发明提供了一种续驶里程预测方法、装置及设备，解决了续驶里程计算不精确的问题。

依据本发明的一个方面，提供了一种续驶里程预测方法，包括：

从车联网池中的有效数据中划分有效行程片段，并分析提取相关特征信号，所述有效行程片段是指车辆行驶速度大于零的行驶片段；

根据所述特征信号计算得到多个特征指标；

构建所述特征指标的回归模型，利用所述特征信号的数据对该回归模型进行训练，得到所述特征指标的权重值；

根据所述权重值构建续驶里程计算公式；

将所述特征指标的尝试值代入所述续驶里程计算公式，得到续驶里程。

可选地，在所述从车联网池中的有效数据中划分有效行程片段，并分析提取相关特征信号的步骤之前，所述方法还包括：

从车联网池中抽取车辆行程中的数据样本；

对所述数据样本进行清洗得到有效数据。

可选地，对所述数据样本进行清洗得到有效数据的步骤包括：

清洗所述数据样本中的缺失值、异常值以及重复记录得到有效数据。

可选地，从车联网池中的有效数据中划分有效行程片段，并分析提取相关特征信号的步骤包括：

对车辆行程进行片段切割划分，确定有效行程片段；

对所述有效行程片段中的数据进行相关性分析，得到多个影响续驶里程的特征信号。

可选地，所述特征信号包括：动力电池充电电流、动力电池充电电压、动力电池放电电流、动力电池放电电压、驱动电机当前转矩、驱动电机当前转速、行驶里程、车速、时间、动力电池荷电状态(State of Charge，简称SOC)、汽车正温度系数(Positive TemperatureCoefficient，简称PTC)加热器状态、电子防盗系统(Electronic Article Surveillance，简称EAS)状态、电池平均温度和环境平均温度。

可选地，所述特征指标包括：能量回收率、百公里电机功率、超速率、起始荷电状态、荷电状态变化量、汽车正温度系数PTC加热器时间占比、电子防盗系统EAS时间占比、电池平均温度、环境平均温度、路况平均车速以及行驶里程。

可选地，所述续驶里程计算公式为：

y＝a+b₁x₁+b₂x₂+b₃x₃+...b₁₀x₁₀；

其中，y表示续驶里程，a表示行驶里程的权重值；x₁～x₁₀分别表示能量回收率、百公里电机功率、超速率、起始荷电状态、荷电状态变化量、汽车正温度系数PTC加热器时间占比、电子防盗系统EAS时间占比、电池平均温度、环境平均温度以及路况平均车速；b₁～b₁₀分别表示能量回收率、百公里电机功率、超速率、起始荷电状态、荷电状态变化量、汽车正温度系数PTC加热器时间占比、电子防盗系统EAS时间占比、电池平均温度、环境平均温度以及路况平均车速的权重值。

依据本发明的另一个方面，提供了一种续驶里程预测装置，包括：

信号提取模块，用于从车联网池中的有效数据中划分有效行程片段，并分析提取相关特征信号，所述有效行程片段是指车辆行驶速度大于零的行驶片段；

第一计算模块，用于根据所述特征信号计算得到多个特征指标；

第一构建模块，用于构建所述特征指标的回归模型，利用所述特征信号的数据对该回归模型进行训练，得到所述特征指标的权重值；

第二构建模块，用于根据所述权重值构建续驶里程计算公式；

第二计算模块，用于将所述特征指标的尝试值代入所述续驶里程计算公式，得到续驶里程。

可选地，所述续驶里程预测装置还包括：

数据抽取模块，用于从车联网池中抽取车辆行程中的数据样本；

清洗模块，用于对所述数据样本进行清洗得到有效数据。

可选地，所述清洗模块具体用于：

清洗所述数据样本中的缺失值、异常值以及重复记录得到有效数据。

可选地，所述信号提取模块包括：

片段划分单元，用于对车辆行程进行片段切割划分，确定有效行程片段；

提取单元，用于对所述有效行程片段中的数据进行相关性分析，得到多个影响续驶里程的特征信号。

可选地，所述特征信号包括：动力电池充电电流、动力电池充电电压、动力电池放电电流、动力电池放电电压、驱动电机当前转矩、驱动电机当前转速、行驶里程、车速信号、时间、动力电池荷电状态SOC、汽车正温度系数PTC加热器状态、电子防盗系统EAS状态、电池平均温度和环境平均温度。

可选地，所述特征指标包括：能量回收率、百公里电机功率、超速率、起始荷电状态、荷电状态变化量、汽车正温度系数PTC加热器时间占比、电子防盗系统EAS时间占比、电池平均温度、环境平均温度、路况平均车速以及行驶里程。

可选地，所述续驶里程计算公式为：

y＝a+b₁x₁+b₂x₂+b₃x₃+...b₁₀x₁₀；

其中，y表示续驶里程，a表示行驶里程的权重值；x₁～x₁₀分别表示能量回收率、百公里电机功率、超速率、起始荷电状态、荷电状态变化量、汽车正温度系数PTC加热器时间占比、电子防盗系统EAS时间占比、电池平均温度、环境平均温度以及路况平均车速；b₁～b₁₀分别表示能量回收率、百公里电机功率、超速率、起始荷电状态、荷电状态变化量、汽车正温度系数PTC加热器时间占比、电子防盗系统EAS时间占比、电池平均温度、环境平均温度以及路况平均车速的权重值。

依据本发明的再一个方面，提供了一种续驶里程预测设备，包括处理器、存储器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述计算机程序被所述处理器执行时实现上述的续驶里程预测方法的步骤。

本发明的实施例的有益效果是：

上述方案中的续驶里程预测方法，通过对车联网大数据的数据挖掘确定影响续驶里程偏差的主要参数，基于大量历史数据进行回归模型训练，提升预测准确率，结合当前耗电因素数据进行回归计算，可以得出最佳续驶里程预测值，提升了预测精度。

附图说明

图1表示本发明实施例的续驶里程预测方法的流程图；

图2表示本发明实施例的续驶里程预测方法的具体流程示意图；

图3表示本发明实施例的续驶里程预测装置的结构框图；

图4表示本发明实施例的续驶里程预测装置的具体结构框图。

具体实施方式

下面将参照附图更详细地描述本发明的示例性实施例。虽然附图中显示了本发明的示例性实施例，然而应当理解，可以以各种形式实现本发明而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本发明，并且能够将本发明的范围完整的传达给本领域的技术人员。

如图1所示，本发明的实施例提供了一种续驶里程预测方法，包括：

步骤11、从车联网池中的有效数据中划分有效行程片段，并分析提取相关特征信号，所述有效行程片段是指车辆行驶速度大于零的行驶片段；

该实施例中，所述有效数据是指车联网池中所有数据经缺失值处理、异常值处理以及重复记录处理等数据清洗后得到的数据，所述有效行程片段是指车辆行驶速度大于零的行驶片段。从有效数据中划分出有效行程片段后，对有效行程片段中的数据进行分析提取出相关的特征信号，即从有效数据中提取车辆真正行驶时的数据信息，通过对这些数据信息进行相关性分析可以得到影响续驶里程的特征信号，从而预测续驶里程，更具有代表性，有利于提升预测的准确率。

具体的，所述特征信号包括：动力电池充电电流、动力电池充电电压、动力电池放电电流、动力电池放电电压、驱动电机当前转矩、驱动电机当前转速、行驶里程、车速、时间、动力电池荷电状态SOC、汽车正温度系数PTC加热器状态、电子防盗系统EAS状态、电池平均温度和环境平均温度。

步骤12、根据所述特征信号计算多个特征指标；

具体的，所述特征指标包括：能量回收率、百公里电机功率、超速率、起始荷电状态、荷电状态变化量、汽车正温度系数PTC加热器时间占比、电子防盗系统EAS时间占比、电池平均温度、环境平均温度、路况平均车速以及行驶里程。

所述特征指标为对续驶里程计算影响较大的的影响因素，所述特征指标由有效行程片段中的特征信号计算得到，根据特征信号计算特征指标的计算方法如下表所示：

步骤13、构建所述特征指标的回归模型，利用所述特征信号的数据对该回归模型进行训练，得到所述特征指标的权重值；

步骤14、根据所述权重值构建续驶里程计算公式；

步骤15、将所述特征指标的尝试值代入所述续驶里程计算公式，得到续驶里程。

该实施例中，考虑到提取单个特征指标的修正系数时无法剔除其他特征指标的影响，例如空调开启时，驾驶员风格、环境温度以及路况等其他因素都会影响当前的续驶里程，故而采用回归组合模型来进行续驶里程预测。回归组合模型算法是基于概率近似正确的学习模型下提出的一种提升算法。在回归问题中，组合模型通过修改训练样本的权值分布，学习多个弱回归器，并将这些归回器进行线性组合，构成一个强回归器，提高回归性能。其中强回归器可理解为回归预测精确度高的算法，弱回归器可理解为回归精度低的算法。回归组合模型算法的特点是通过迭代每次学习一个基本回归器(即弱回归器)。每次迭代中，提高那些被前一轮回归器误差偏大数据样本的权值，而降低那些被预测误差小的数据样本的权值。最后算法将基本回归器的线性组合作为强回归器，其中给回归误差率小的基本回归器以大的权值，给回归误差率大的基本回归器以小的权值。

该方案将特征指标作为回归模型训练的样本，利用所述特征信号的数据对回归模型进行训练，可以得到不同特征指标在行驶里程中占的比重，即特征指标的权重，所述特征指标的权重即为续驶里程计算公式中的系数，已知续驶里程计算公式中的系数，可以得到续驶里程的函数公式，在进行续驶里程预测时，将需要考虑的特征指标的尝试值代入所述续驶里程计算公式，即可得到包含多种影响因素下的续驶里程。

该续驶里程预测方法相较于现有技术中根据百公里耗电进行预测续驶里程，该方法利用大数据平台对大量历史数据进行分析建模，可以大幅度减小电动汽车续驶里程计算偏差，结合当前耗电因素数据进行回归计算，得出最佳续驶里程预测值，提升了预测精度。

具体的，如图2所示，在所述步骤11之前，所述方法还包括：

步骤100、从车联网池中抽取车辆行程中的数据样本；

步骤101、对所述数据样本进行清洗得到有效数据。

该实施例中，基于车联网大数据平台进行数据抽取和数据清洗，从车联网池中抽取车辆行程中的数据样本可以利用增量抽取机制，增量抽取采用比较时间戳的方式进行，抽取进程通过比较系统时间或者源表上次抽取时的最大时间戳与抽取源表的时间戳字段的值来决定抽取哪些数据。

具体的，对所述数据样本进行清洗得到有效数据的步骤包括：清洗所述数据样本中的缺失值、异常值以及重复记录得到有效数据。

其中，清洗所述数据样本中的缺失值的方法为：对于缺失值一般用平均值、最大值、最小值来替换，但是对于车联网数据，由于时间序列的特殊性，这里可以使用移动平均算法、滤波算法或者根据业务规则来替补缺失的值，从而达到清理的目的。

对于异常值的检测和清洗方法为：用统计分析的方法识别可能的错误值或异常值，如偏差分析、识别不遵守分布或回归方程的值，也可以用简单规则库(常识性规则、业务特定规则等)检查数据值，或使用不同属性间的约束、外部的数据来检测和清理数据。

重复记录的检测和清洗方法为：数据库中属性值相同的记录被认为是重复记录，通过判断记录间的属性值是否相等来检测记录是否相等，相等的记录合并为一条记录，即合并或清除。

如图2所示，步骤11包括：

步骤111、对车辆行程进行片段切割划分，确定有效行程片段；

步骤112、对所述有效行程片段中的数据进行相关性分析，得到多个影响续驶里程的特征信号。

该实施例中，由于在车联网数据中，包含车辆在一时间段内行驶和未行驶的所有数据，在该段时间内，车辆行驶的片段可能仅为一部分，通过对车辆行程进行片段切割划分，可以确定车辆真正行驶的片段，即有效行程片段，从有效数据内提取有效行程片段包含的数据，再对有效行程片段包含的数据进行相关性分析可以得到影响续驶里程的特征信号，根据特征信号分析计算得到特征指标，能够确定在有效行程片段内影响行驶里程的因素，从而确定影响续驶里程计算偏差的主要参数。通过对有效行程片段的特征信号进行分析计算从而预测续驶里程，更具有代表性，有利于提升预测的准确率。

具体的，所述续驶里程计算公式为：

y＝a+b₁x₁+b₂x₂+b₃x₃+...b₁₀x₁₀；

其中，y表示续驶里程，a表示行驶里程的权重值；x₁～x₁₀分别表示能量回收率、百公里电机功率、超速率、起始荷电状态、荷电状态变化量、汽车正温度系数PTC加热器时间占比、电子防盗系统EAS时间占比、电池平均温度、环境平均温度以及路况平均车速；b₁～b₁₀分别表示能量回收率、百公里电机功率、超速率、起始荷电状态、荷电状态变化量、汽车正温度系数PTC加热器时间占比、电子防盗系统EAS时间占比、电池平均温度、环境平均温度以及路况平均车速的权重值。

该实施例中，在进行续驶里程预测时，将需要考虑的特征指标的尝试值代入所述续驶里程计算公式，即可得到包含多种影响因素下的续驶里程。其中，在续驶里程预测前，可以对该续驶里程预测方法的预测精度进行验证，验证方法为：将车联网数据中没有参与回归模型训练的有效行程片段中的特征指标的数据代入所述续驶里程计算公式，可以得到各个指标影响后的预测续驶里程，将预测续驶里程与该有效行程片段的实际行驶里程数据对比，由验证结果可知，预测续驶里程与实际行驶里程的偏差较小，相对于现有技术中通过百公里耗电进行预测续驶里程，预测准确率有较大提高。

如图3所示，本发明的实施例提供了一种续驶里程预测装置，包括：

信号提取模块31，用于从车联网池中的有效数据中划分有效行程片段，并分析提取相关特征信号，所述有效行程片段是指车辆行驶速度大于零的行驶片段；

该实施例中，所述有效数据是指车联网池中所有数据经缺失值处理、异常值处理以及重复记录处理等数据清洗后得到的数据，所述有效行程片段是指车辆行驶速度大于零的行驶片段。从有效数据中划分出有效行程片段后，对有效行程片段中的数据进行分析提取出相关的特征信号，即从有效数据中提取车辆真正行驶时的数据信息，通过对这些数据信息进行相关性分析可以得到影响续驶里程的特征信号，从而预测续驶里程，更具有代表性，有利于提升预测的准确率。

具体的，所述特征信号包括：动力电池充电电流、动力电池充电电压、动力电池放电电流、动力电池放电电压、驱动电机当前转矩、驱动电机当前转速、行驶里程、车速、时间、动力电池荷电状态SOC、汽车正温度系数PTC加热器状态、电子防盗系统EAS状态、电池平均温度和环境平均温度。

第一计算模块32，用于根据所述特征信号计算得到多个特征指标；

具体的，所述特征指标包括：能量回收率、百公里电机功率、超速率、起始荷电状态、荷电状态变化量、汽车正温度系数PTC加热器时间占比、电子防盗系统EAS时间占比、电池平均温度、环境平均温度、路况平均车速以及行驶里程。

所述特征指标为对续驶里程计算影响较大的的影响因素，所述特征指标由有效行程片段中的特征信号计算得到，根据特征信号计算特征指标的计算方法如下表所示：

第一构建模块33，用于构建所述特征指标的回归模型，利用所述特征信号的数据对该回归模型进行训练，得到所述特征指标的权重值；

第二构建模块34，用于根据所述权重值构建续驶里程计算公式；

第二计算模块35，用于将所述特征指标的尝试值代入所述续驶里程计算公式，得到续驶里程。

该实施例中，考虑到提取单个特征指标的修正系数时无法剔除其他特征指标的影响，例如空调开启时，驾驶员风格、环境温度以及路况等其他因素都会影响当前的续驶里程，故而采用回归组合模型来进行续驶里程预测。回归组合模型算法是基于概率近似正确的学习模型下提出的一种提升算法。在回归问题中，组合模型通过修改训练样本的权值分布，学习多个弱回归器，并将这些归回器进行线性组合，构成一个强回归器，提高回归性能。其中强回归器可理解为回归预测精确度高的算法，弱回归器可理解为回归精度低的算法。回归组合模型算法的特点是通过迭代每次学习一个基本回归器(即弱回归器)。每次迭代中，提高那些被前一轮回归器误差偏大数据样本的权值，而降低那些被预测误差小的数据样本的权值。最后算法将基本回归器的线性组合作为强回归器，其中给回归误差率小的基本回归器以大的权值，给回归误差率大的基本回归器以小的权值。

该方案将特征指标作为回归模型训练的样本，利用所述特征信号的数据对回归模型进行训练，可以得到不同特征指标在行驶里程中占的比重，即特征指标的权重，所述特征指标的权重即为续驶里程计算公式中的系数，已知续驶里程计算公式中的系数，可以得到续驶里程的函数公式，在进行续驶里程预测时，将需要考虑的特征指标的尝试值代入所述续驶里程计算公式，即可得到包含多种影响因素下的续驶里程。

该续驶里程预测装置对应的方法相较于现有技术中根据百公里耗电进行预测续驶里程，该方案利用大数据平台对大量历史数据进行分析建模，可以大幅度减小电动汽车续驶里程计算偏差，结合当前耗电因素数据进行回归计算，得出最佳续驶里程预测值，提升了预测精度。

如图4所示，所述续驶里程预测装置还包括：

数据抽取模块301，用于从车联网池中抽取车辆行程中的数据样本；

清洗模块302，用于对所述数据样本进行清洗得到有效数据。

该实施例中，基于车联网大数据平台进行数据抽取和数据清洗，从车联网池中抽取车辆行程中的数据样本可以利用增量抽取机制，增量抽取采用比较时间戳的方式进行，抽取进程通过比较系统时间或者源表上次抽取时的最大时间戳与抽取源表的时间戳字段的值来决定抽取哪些数据。

具体的，所述清洗模块302具体用于：

清洗所述数据样本中的缺失值、异常值以及重复记录得到有效数据。

其中，清洗所述数据样本中的缺失值的方法为：对于缺失值一般用平均值、最大值、最小值来替换，但是对于车联网数据，由于时间序列的特殊性，这里可以使用移动平均算法、滤波算法或者根据业务规则来替补缺失的值，从而达到清理的目的。

对于异常值的检测和清洗方法为：用统计分析的方法识别可能的错误值或异常值，如偏差分析、识别不遵守分布或回归方程的值，也可以用简单规则库(常识性规则、业务特定规则等)检查数据值，或使用不同属性间的约束、外部的数据来检测和清理数据。

重复记录的检测和清洗方法为：数据库中属性值相同的记录被认为是重复记录，通过判断记录间的属性值是否相等来检测记录是否相等，相等的记录合并为一条记录，即合并或清除。

如图4所示，所述信号提取模块31包括：

片段划分单元311，用于对车辆行程进行片段切割划分，确定有效行程片段；

提取单元312，用于对所述有效行程片段中的数据进行相关性分析，得到多个影响续驶里程的特征信号。

该实施例中，由于在车联网数据中，包含车辆在一时间段内行驶和未行驶的所有数据，在该段时间内，车辆行驶的片段可能仅为一部分，通过对车辆行程进行片段切割划分，可以确定车辆真正行驶的片段，即有效行程片段，从有效数据内提取有效行程片段包含的数据，再对有效行程片段包含的数据进行相关性分析可以得到影响续驶里程的特征信号，根据特征信号分析计算得到特征指标，能够确定在有效行程片段内影响行驶里程的因素，从而确定影响续驶里程计算偏差的主要参数。通过对有效行程片段的特征信号进行分析计算从而预测续驶里程，更具有代表性，有利于提升预测的准确率。

本发明的上述实施例中，所述续驶里程计算公式为：

y＝a+b₁x₁+b₂x₂+b₃x₃+...b₁₀x₁₀；

其中，y表示续驶里程，a表示行驶里程的权重值；x₁～x₁₀分别表示能量回收率、百公里电机功率、超速率、起始荷电状态、荷电状态变化量、汽车正温度系数PTC加热器时间占比、电子防盗系统EAS时间占比、电池平均温度、环境平均温度以及路况平均车速；b₁～b₁₀分别表示能量回收率、百公里电机功率、超速率、起始荷电状态、荷电状态变化量、汽车正温度系数PTC加热器时间占比、电子防盗系统EAS时间占比、电池平均温度、环境平均温度以及路况平均车速的权重值。

该实施例中，在进行续驶里程预测时，将需要考虑的特征指标的尝试值代入所述续驶里程计算公式，即可得到包含多种影响因素下的续驶里程。其中，在续驶里程预测前，可以对该续驶里程预测方法的预测精度进行验证，验证方法为：将车联网数据中没有参与回归模型训练的有效行程片段中的特征指标的数据代入所述续驶里程计算公式，可以得到各个指标影响后的预测续驶里程，将预测续驶里程与该有效行程片段的实际行驶里程数据对比，由验证结果可知，预测续驶里程与实际行驶里程的偏差较小，相对于现有技术中通过百公里耗电进行预测续驶里程，预测准确率有较大提高。

需要说明的是，该装置是与上述个体推荐方法对应的装置，上述方法实施例中所有实现方式均适用于该装置的实施例中，也能达到相同的技术效果。

本发明的实施例提供了一种续驶里程预测设备，处理器、存储器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述计算机程序被所述处理器执行时实现上述的续驶里程预测方法的步骤。需要说明的是，该设备是与上述个体推荐方法对应的设备，上述方法实施例中所有实现方式均适用于该设备的实施例中，也能达到相同的技术效果。

本发明的该实施例，通过对车联网大数据的数据挖掘确定影响续驶里程偏差的主要参数，基于大量历史数据进行回归模型训练，提升预测准确率，结合当前耗电因素数据进行回归计算，可以得出最佳续驶里程预测值，提升了预测精度。

以上所述的是本发明的优选实施方式，应当指出对于本技术领域的普通人员来说，在不脱离本发明所述的原理前提下还可以作出若干改进和润饰，这些改进和润饰也在本发明的保护范围内。

Claims (15)

1.一种续驶里程预测方法，其特征在于，包括：

从车联网池中的有效数据中划分有效行程片段，并分析提取相关特征信号，所述有效行程片段是指车辆行驶速度大于零的行驶片段；

根据所述特征信号计算得到多个特征指标；

构建所述特征指标的回归模型，利用所述特征信号的数据对该回归模型进行训练，得到所述特征指标的权重值；

根据所述权重值构建续驶里程计算公式；

将所述特征指标的尝试值代入所述续驶里程计算公式，得到续驶里程。

2.根据权利要求1所述的续驶里程预测方法，其特征在于，在所述从车联网池中的有效数据中划分有效行程片段，并分析提取相关特征信号的步骤之前，所述方法还包括：

从车联网池中抽取车辆行程中的数据样本；

对所述数据样本进行清洗得到有效数据。

3.根据权利要求2所述的续驶里程预测方法，其特征在于，对所述数据样本进行清洗得到有效数据的步骤包括：

清洗所述数据样本中的缺失值、异常值以及重复记录得到有效数据。

4.根据权利要求1所述的续驶里程预测方法，其特征在于，从车联网池中的有效数据中划分有效行程片段，并分析提取相关特征信号的步骤包括：

对车辆行程进行片段切割划分，确定有效行程片段；

对所述有效行程片段中的数据进行相关性分析，得到多个影响续驶里程的特征信号。

5.根据权利要求1所述的续驶里程预测方法，其特征在于，所述特征信号包括：动力电池充电电流、动力电池充电电压、动力电池放电电流、动力电池放电电压、驱动电机当前转矩、驱动电机当前转速、行驶里程、车速、时间、动力电池荷电状态SOC、汽车正温度系数PTC加热器状态、电子防盗系统EAS状态、电池平均温度和环境平均温度。

6.根据权利要求1所述的续驶里程预测方法，其特征在于，所述特征指标包括：能量回收率、百公里电机功率、超速率、起始荷电状态、荷电状态变化量、汽车正温度系数PTC加热器时间占比、电子防盗系统EAS时间占比、电池平均温度、环境平均温度、路况平均车速以及行驶里程。

7.根据权利要求6所述的续驶里程预测方法，其特征在于，所述续驶里程计算公式为：

y＝a+b₁x₁+b₂x₂+b₃x₃+...b₁₀x₁₀；

其中，y表示续驶里程，a表示行驶里程的权重值；x₁～x₁₀分别表示能量回收率、百公里电机功率、超速率、起始荷电状态、荷电状态变化量、汽车正温度系数PTC加热器时间占比、电子防盗系统EAS时间占比、电池平均温度、环境平均温度以及路况平均车速；b₁～b₁₀分别表示能量回收率、百公里电机功率、超速率、起始荷电状态、荷电状态变化量、汽车正温度系数PTC加热器时间占比、电子防盗系统EAS时间占比、电池平均温度、环境平均温度以及路况平均车速的权重值。

8.一种续驶里程预测装置，其特征在于，包括：

信号提取模块，用于从车联网池中的有效数据中划分有效行程片段，并分析提取相关特征信号，所述有效行程片段是指车辆行驶速度大于零的行驶片段；

第一计算模块，用于根据所述特征信号计算得到多个特征指标；

第一构建模块，用于构建所述特征指标的回归模型，利用所述特征信号的数据对该回归模型进行训练，得到所述特征指标的权重值；

第二构建模块，用于根据所述权重值构建续驶里程计算公式；

第二计算模块，用于将所述特征指标的尝试值代入所述续驶里程计算公式，得到续驶里程。

9.根据权利要求8所述的续驶里程预测装置，其特征在于，所述续驶里程预测装置还包括：

数据抽取模块，用于从车联网池中抽取车辆行程中的数据样本；

清洗模块，用于对所述数据样本进行清洗得到有效数据。

10.根据权利要求9所述的续驶里程预测装置，其特征在于，所述清洗模块具体用于：

清洗所述数据样本中的缺失值、异常值以及重复记录得到有效数据。

11.根据权利要求8所述的续驶里程预测装置，其特征在于，所述信号提取模块包括：

片段划分单元，用于对车辆行程进行片段切割划分，确定有效行程片段；

提取单元，用于对所述有效行程片段中的数据进行相关性分析，得到多个影响续驶里程的特征信号。

12.根据权利要求8所述的续驶里程预测装置，其特征在于，所述特征信号包括：动力电池充电电流、动力电池充电电压、动力电池放电电流、动力电池放电电压、驱动电机当前转矩、驱动电机当前转速、行驶里程、车速信号、时间、动力电池荷电状态SOC、汽车正温度系数PTC加热器状态、电子防盗系统EAS状态、电池平均温度和环境平均温度。

13.根据权利要求8所述的续驶里程预测装置，其特征在于，所述特征指标包括：能量回收率、百公里电机功率、超速率、起始荷电状态、荷电状态变化量、汽车正温度系数PTC加热器时间占比、电子防盗系统EAS时间占比、电池平均温度、环境平均温度、路况平均车速以及行驶里程。

14.根据权利要求13所述的续驶里程预测装置，其特征在于，所述续驶里程计算公式为：

y＝a+b₁x₁+b₂x₂+b₃x₃+...b₁₀x₁₀；

其中，y表示续驶里程，a表示行驶里程的权重值；x₁～x₁₀分别表示能量回收率、百公里电机功率、超速率、起始荷电状态、荷电状态变化量、汽车正温度系数PTC加热器时间占比、电子防盗系统EAS时间占比、电池平均温度、环境平均温度以及路况平均车速；b₁～b₁₀分别表示能量回收率、百公里电机功率、超速率、起始荷电状态、荷电状态变化量、汽车正温度系数PTC加热器时间占比、电子防盗系统EAS时间占比、电池平均温度、环境平均温度以及路况平均车速的权重值。

15.一种续驶里程预测设备，其特征在于，包括处理器、存储器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述计算机程序被所述处理器执行时实现如权利要求1～7中任一项所述的续驶里程预测方法的步骤。

Images