CN108749596A - 车机端启动方法、系统及装置 - Google Patents
车机端启动方法、系统及装置 Download PDFInfo
- Publication number
- CN108749596A CN108749596A CN201810319679.9A CN201810319679A CN108749596A CN 108749596 A CN108749596 A CN 108749596A CN 201810319679 A CN201810319679 A CN 201810319679A CN 108749596 A CN108749596 A CN 108749596A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- engine end
- period
- trip
- threshold value
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 63
- 230000006399 behavior Effects 0.000 claims abstract description 84
- 230000006870 function Effects 0.000 claims abstract description 40
- 238000010801 machine learning Methods 0.000 claims abstract description 17
- 238000012360 testing method Methods 0.000 claims description 33
- 238000012549 training Methods 0.000 claims description 28
- 238000012795 verification Methods 0.000 claims description 28
- 238000012546 transfer Methods 0.000 claims description 7
- 238000005516 engineering process Methods 0.000 abstract description 4
- 230000004913 activation Effects 0.000 description 18
- 238000004378 air conditioning Methods 0.000 description 11
- 238000013481 data capture Methods 0.000 description 11
- 238000012545 processing Methods 0.000 description 9
- 238000009423 ventilation Methods 0.000 description 8
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000007405 data analysis Methods 0.000 description 2
- 238000007418 data mining Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000010438 heat treatment Methods 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000003792 electrolyte Substances 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60H—ARRANGEMENTS OF HEATING, COOLING, VENTILATING OR OTHER AIR-TREATING DEVICES SPECIALLY ADAPTED FOR PASSENGER OR GOODS SPACES OF VEHICLES
- B60H1/00—Heating, cooling or ventilating [HVAC] devices
- B60H1/00357—Air-conditioning arrangements specially adapted for particular vehicles
- B60H1/00385—Air-conditioning arrangements specially adapted for particular vehicles for vehicles having an electrical drive, e.g. hybrid or fuel cell
- B60H1/00392—Air-conditioning arrangements specially adapted for particular vehicles for vehicles having an electrical drive, e.g. hybrid or fuel cell for electric vehicles having only electric drive means
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60H—ARRANGEMENTS OF HEATING, COOLING, VENTILATING OR OTHER AIR-TREATING DEVICES SPECIALLY ADAPTED FOR PASSENGER OR GOODS SPACES OF VEHICLES
- B60H1/00—Heating, cooling or ventilating [HVAC] devices
- B60H1/00642—Control systems or circuits; Control members or indication devices for heating, cooling or ventilating devices
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/60—Other road transportation technologies with climate change mitigation effect
- Y02T10/70—Energy storage systems for electromobility, e.g. batteries
Abstract
本发明涉及计算机控制技术领域,具体提供了一种车机端启动方法、系统及装置,旨在解决如何预估电动汽车使用时间,进而根据预估时间对动力电池预加热的技术问题。为此目的,本发明中的车机端启动方法,可以基于车辆行为预测模型预测车辆在下一时段的出行概率,进而根据预测结果,判断车辆在下一时段是否出行,并在判断车辆在下一时段出行的情况下,启动车机端中的相关出行准备功能。本发明利用机器学习算法(如GBDT算法)构建车辆行为预测模型,进而能够准确预测车辆的出行概率,即能够准确预估车辆的使用时间。同时,本发明中的装置和系统能够执行并实现上述方法。
Description
技术领域
本发明涉及计算机控制技术领域,具体涉及一种车机端启动方法、系统及装置。
背景技术
由于动力电池材料所限,在低温环境下(如严寒天气)动力电池的电解液黏度上升,会导致动力电池的充放电性能下降,进而影响电动汽车的动力性和安全性。采用动力电池预加热方法,将动力电池的环境温度上升至一定值后再启动动力电池,可以保证动力电池能够可靠运行。但是由于无法准确预估电动汽车的使用时间,若预加热启动时间远远早于电动汽车使用时间,势必会增加电动汽车的性能损耗。
发明内容
为了解决现有技术中的上述问题,即为了解决如何预估电动汽车使用时间,进而根据预估时间对动力电池预加热的技术问题。为此目的,本发明提供了一种车机端启动方法、系统及装置。
在第一方面,本发明中车机端启动方法包括如下步骤:
基于预先构建的车辆行为预测模型,并根据车辆的车辆特征和相关用户的用户特征,预测车辆在下一时段的出行概率;
根据预测结果,判断所述车辆在下一时段是否出行,
若所述车辆在下一时段出行,则启动所述车机端中的相关出行准备功能;
其中,所述车辆行为预测模型为基于所述车辆的历史行车数据,并利用机器学习算法所构建的出行概率预测模型。
进一步地,本发明提供的一个优选技术方案为:
“基于预先构建的车辆行为预测模型,并根据车辆的车辆特征和相关用户的用户特征,预测车辆在下一时段的出行概率”的步骤之前包括:
获取当前预测时段之前一段时间内所述车辆的历史行车数据;
根据所获取的历史行车数据,生成所述车辆的车辆特征和相关用户的用户特征;
根据所生成的车辆特征与用户特征,并利用机器学习算法对所述车辆行为预测模型进行模型训练。
进一步地,本发明提供的一个优选技术方案为:
“根据所生成的车辆特征与用户特征,并利用机器学习算法对所述车辆行为预测模型进行模型训练”的步骤包括:
根据所述车辆特征与用户特征,并利用GBDT算法对所述车辆行为预测模型进行模型训练。
进一步地,本发明提供的一个优选技术方案为:
所述方法还包括对车辆特征与用户特征进行更新的步骤,并且该步骤包括:
基于低时延的数据传输算法,定时获取所述车辆的历史行车数据;
根据当前时段获取的历史行车数据生成车辆特征和用户特征,并对前一时段生成的车辆特征和用户特征进行更新;
在此情况下,“根据车辆的车辆特征和相关用户的用户特征,预测车辆在下一时段的出行概率”是利用更新后的车辆特征和用户特征来预测车辆在下一时段的出行概率。
进一步地,本发明提供的一个优选技术方案为:
“根据预测结果,判断所述车辆在下一时段是否出行”的步骤包括:
若Pg≥Pth,则判断为车辆在下一时段出行;
若Pg<Pth,则判断为车辆在下一时段不出行;
其中,所述Pg为出行概率,所述Pth为预设的概率阈值。
进一步地,本发明提供的一个优选技术方案为:
所述方法还包括:
针对每个预设的候选概率阈值,通过预设的测试集对所述车辆行为预测模型进行测试,得到每个所述候选概率阈值对应的测试集准确率;
针对每个所述候选概率阈值,通过预设的验证集对所述车辆行为预测模型进行验证,得到每个所述候选概率阈值对应的验证集准确率;
选取所述测试集准确率和验证集准确率中最大准确率所对应的候选概率阈值,并将所选取的候选概率阈值作为概率阈值Pth。
进一步地,本发明提供的一个优选技术方案为:
所述方法还包括:
在判断出所述车辆在下一时段出行的情况下,向所述车机端发送唤醒指令,以使所述车机端能够根据所述唤醒指令启动相关出行准备功能。
进一步地,本发明提供的一个优选技术方案为:
“获取当前预测时段之前一段时间内所述车辆的历史行车数据”的步骤包括:
获取当前预测时段之前6个月内所述车辆的历史行车数据。
进一步地,本发明提供的一个优选技术方案为:
所述车辆特征与用户特征的更新频率为1天。
进一步地,本发明提供的一个优选技术方案为:
所述车辆特征包括车辆在特定时段的出行次数、车辆在特定时段特定位置的出行次数和当前所有被监测车辆在特定时段的出行次数;
所述用户特征包括用户画像。
进一步地,本发明提供的一个优选技术方案为:
所述相关出行准备功能包括电池预加热功能、空调预加热/通风功能。
在第二方面,本发明中车机端启动系统包括:
车辆行为预测模型,配置为根据车辆的车辆特征和相关用户的用户特征,预测车辆在下一时段的出行概率;
车机端启动模块,配置为根据所述车辆行为预测模型的预测结果,判断所述车辆在下一时段是否出行,若是则启动所述车机端中的相关出行准备功能;
其中,所述车辆行为预测模型为基于所述车辆的历史行车数据,并利用机器学习算法所构建的出行概率预测模型。
进一步地,本发明提供的一个优选技术方案为:
所述系统还包括第一数据获取模块和车辆行为预测模型训练模块;
所述第一数据获取模块,配置为获取当前预测时段之前一段时间内所述车辆的历史行车数据,并根据所获取的历史行车数据生成所述车辆的车辆特征和相关用户的用户特征;
所述车辆行为预测模型训练模块,配置为根据所述第一数据获取模块所生成的车辆特征与用户特征,并利用机器学习算法对车辆行为预测模型进行模型训练。
进一步地,本发明提供的一个优选技术方案为:
所述车辆行为预测模型训练模块,进一步配置为根据所述车辆特征与用户特征所述历史行车数据,并利用GBDT算法对车辆行为预测模型进行模型训练。
进一步地,本发明提供的一个优选技术方案为:
所述系统还包括第二数据获取模块和车辆/用户特征更新模块;
所述第二数据获取模块,配置为基于低时延的数据传输算法,定时获取所述车辆的历史行车数据;
所述车辆/用户特征更新模块,配置为根据当前时段所述第二数据获取模块所生成的历史行车数据生成车辆特征和用户特征,并对前一时段生成的车辆特征和用户特征进行更新;
在此情况下,所述车辆行为预测模型,进一步配置为利用所述车辆/用户特征更新模块所更新的车辆特征和用户特征来预测车辆在下一时段的出行概率。
进一步地,本发明提供的一个优选技术方案为:
所述车机端启动模块包括预测结果判断单元;
所述预测结果判断单元,配置为执行如下操作:
若Pg≥Pth,则判断为车辆在下一时段出行;
若Pg<Pth,则判断为车辆在下一时段不出行;
其中,所述Pg为出行概率,所述Pth为预设的概率阈值。
进一步地,本发明提供的一个优选技术方案为:
所述系统还包括概率阈值获取模块;所述概率阈值获取模块包括第一数据获取单元、第二数据获取单元和概率阈值获取单元;
所述第一数据获取单元,配置为针对每个预设的候选概率阈值,通过预设的测试集对所述车辆行为预测模型进行测试,得到每个所述候选概率阈值对应的测试集准确率;
所述第二数据获取单元,配置为针对每个所述候选概率阈值,通过预设的验证集对所述车辆行为预测模型进行验证,得到每个所述候选概率阈值对应的验证集准确率;
所述概率阈值获取单元,配置为选取所述测试集准确率和验证集准确率中最大准确率所对应的候选概率阈值,并将所选取的候选概率阈值作为概率阈值Pth。
进一步地,本发明提供的一个优选技术方案为:
所述车机端启动模块,进一步配置为在判断出车辆在下一时段出行的情况下,向所述车机端发送唤醒指令,以使所述车机端能够根据所述唤醒指令启动相关出行准备功能。
进一步地,本发明提供的一个优选技术方案为:
所述第一数据获取模块,进一步配置为获取当前预测时段之前6个月内所述车辆的历史行车数据。
进一步地,本发明提供的一个优选技术方案为:
所述车辆特征与用户特征的更新频率为1天。
进一步地,本发明提供的一个优选技术方案为:
所述车辆特征包括车辆在特定时段的出行次数、车辆在特定时段特定位置的出行次数和当前所有被监测车辆在特定时段的出行次数;
所述用户特征包括用户画像。
进一步地,本发明提供的一个优选技术方案为:
所述相关出行准备功能包括电池预加热功能、空调预加热/通风功能。
在第三方面,本发明中的存储装置存储有多条程序,所述程序适于由处理器加载并执行以实现上述技术方案所述的车机端启动方法。
在第四方面,本发明中的控制装置包括:
处理器,适于执行各条程序;
存储设备,适于存储多条程序;
所述程序适于由处理器加载并执行以实现上述技术方案所述的车机端启动方法。
方案1、一种车机端启动方法,其特征在于,包括:
基于预先构建的车辆行为预测模型,并根据车辆的车辆特征和相关用户的用户特征,预测车辆在下一时段的出行概率;
根据预测结果,判断所述车辆在下一时段是否出行,
若所述车辆在下一时段出行,则启动所述车机端中的相关出行准备功能;
其中,所述车辆行为预测模型为基于所述车辆的历史行车数据,并利用机器学习算法所构建的出行概率预测模型。
方案2、根据方案1所述的车机端启动方法,其特征在于,“基于预先构建的车辆行为预测模型,并根据车辆的车辆特征和相关用户的用户特征,预测车辆在下一时段的出行概率”的步骤之前包括:
获取当前预测时段之前一段时间内所述车辆的历史行车数据;
根据所获取的历史行车数据,生成所述车辆的车辆特征和相关用户的用户特征;
根据所生成的车辆特征与用户特征,并利用机器学习算法对所述车辆行为预测模型进行模型训练。
方案3、根据方案2所述的车机端启动方法,其特征在于,“根据所生成的车辆特征与用户特征,并利用机器学习算法对所述车辆行为预测模型进行模型训练”的步骤包括:
根据所述车辆特征与用户特征,并利用GBDT算法对所述车辆行为预测模型进行模型训练。
方案4、根据方案1所述的车机端启动方法,其特征在于,所述方法还包括对车辆特征与用户特征进行更新的步骤,并且该步骤包括:
基于低时延的数据传输算法,定时获取所述车辆的历史行车数据;
根据当前时段获取的历史行车数据生成车辆特征和用户特征,并对前一时段生成的车辆特征和用户特征进行更新;
在此情况下,“根据车辆的车辆特征和相关用户的用户特征,预测车辆在下一时段的出行概率”是利用更新后的车辆特征和用户特征来预测车辆在下一时段的出行概率。
方案5、根据方案1-4任一项所述的车机端启动方法,其特征在于,“根据预测结果,判断所述车辆在下一时段是否出行”的步骤包括:
若Pg≥Pth,则判断为车辆在下一时段出行;
若Pg<Pth,则判断为车辆在下一时段不出行;
其中,所述Pg为出行概率,所述Pth为预设的概率阈值。
方案6、根据方案5所述的车机端启动方法,其特征在于,所述方法还包括:
针对每个预设的候选概率阈值,通过预设的测试集对所述车辆行为预测模型进行测试,得到每个所述候选概率阈值对应的测试集准确率;
针对每个所述候选概率阈值,通过预设的验证集对所述车辆行为预测模型进行验证,得到每个所述候选概率阈值对应的验证集准确率;
选取所述测试集准确率和验证集准确率中最大准确率所对应的候选概率阈值,并将所选取的候选概率阈值作为概率阈值Pth。
方案7、根据方案1-4任一项所述的车机端启动方法,其特征在于,所述方法还包括:
在判断出所述车辆在下一时段出行的情况下,向所述车机端发送唤醒指令,以使所述车机端能够根据所述唤醒指令启动相关出行准备功能。
方案8、根据方案2或3所述的车机端启动方法,其特征在于,“获取当前预测时段之前一段时间内所述车辆的历史行车数据”的步骤包括:
获取当前预测时段之前6个月内所述车辆的历史行车数据。
方案9、根据方案4所述的车机端启动方法,其特征在于,
所述车辆特征与用户特征的更新频率为1天。
方案10、根据方案1、2、3、4和9任一项所述的车机端启动方法,其特征在于,
所述车辆特征包括车辆在特定时段的出行次数、车辆在特定时段特定位置的出行次数和当前所有被监测车辆在特定时段的出行次数;
所述用户特征包括用户画像。
方案11、根据方案1-4任一项所述的车机端启动方法,其特征在于,所述相关出行准备功能包括电池预加热功能和空调预加热/通风功能。
方案12、一种车机端启动系统,其特征在于,所述系统包括:
车辆行为预测模型,配置为根据车辆的车辆特征和相关用户的用户特征,预测车辆在下一时段的出行概率;
车机端启动模块,配置为根据所述车辆行为预测模型的预测结果,判断所述车辆在下一时段是否出行,若是则启动所述车机端中的相关出行准备功能;
其中,所述车辆行为预测模型为基于所述车辆的历史行车数据,并利用机器学习算法所构建的出行概率预测模型。
方案13、根据方案12所述的车机端启动系统,其特征在于,所述系统还包括第一数据获取模块和车辆行为预测模型训练模块;
所述第一数据获取模块,配置为获取当前预测时段之前一段时间内所述车辆的历史行车数据,并根据所获取的历史行车数据生成所述车辆的车辆特征和相关用户的用户特征;
所述车辆行为预测模型训练模块,配置为根据所述第一数据获取模块所生成的车辆特征与用户特征,并利用机器学习算法对车辆行为预测模型进行模型训练。
方案14、根据方案13所述的车机端启动系统,其特征在于,所述车辆行为预测模型训练模块,进一步配置为根据所述车辆特征与用户特征,并利用GBDT算法对车辆行为预测模型进行模型训练。
方案15、根据方案12所述的车机端启动系统,其特征在于,所述系统还包括第二数据获取模块和车辆/用户特征更新模块;
所述第二数据获取模块,配置为基于低时延的数据传输算法,定时获取所述车辆的历史行车数据;
所述车辆/用户特征更新模块,配置为根据当前时段所述第二数据获取模块所生成的历史行车数据生成车辆特征和用户特征,并对前一时段生成的车辆特征和用户特征进行更新;
在此情况下,所述车辆行为预测模型,进一步配置为利用所述车辆/用户特征更新模块所更新的车辆特征和用户特征来预测车辆在下一时段的出行概率。
方案16、根据方案12-15任一项所述的车机端启动系统,其特征在于,所述车机端P启动模块包括预测结果判断单元;
所述预测结果判断单元,配置为执行如下操作:
若Pg≥Pth,则判断为车辆在下一时段出行;
若Pg<Pth,则判断为车辆在下一时段不出行;
其中,所述Pg为出行概率,所述Pth为预设的概率阈值。
方案17、根据方案16所述的车机端启动系统,其特征在于,所述系统还包括概率阈值获取模块;所述概率阈值获取模块包括第一数据获取单元、第二数据获取单元和概率阈值获取单元;
所述第一数据获取单元,配置为针对每个预设的候选概率阈值,通过预设的测试集对所述车辆行为预测模型进行测试,得到每个所述候选概率阈值对应的测试集准确率;
所述第二数据获取单元,配置为针对每个所述候选概率阈值,通过预设的验证集对所述车辆行为预测模型进行验证,得到每个所述候选概率阈值对应的验证集准确率;
所述概率阈值获取单元,配置为选取所述测试集准确率和验证集准确率中最大准确率所对应的候选概率阈值,并将所选取的候选概率阈值作为概率阈值Pth。
方案18、根据方案12-15任一项所述的车机端启动方法,其特征在于,所述车机端启动模块,进一步配置为在判断出车辆在下一时段出行的情况下,向所述车机端发送唤醒指令,以使所述车机端能够根据所述唤醒指令启动相关出行准备功能。
方案19、根据方案13或14所述的车机端启动系统,其特征在于,
所述第一数据获取模块,进一步配置为获取当前预测时段之前6个月内所述车辆的历史行车数据。
方案20、根据方案15所述的车机端启动系统,其特征在于,
所述车辆特征与用户特征的更新频率为1天。
方案21、根据方案12、13、14、15和20任一项所述的车机端启动系统,其特征在于,
所述车辆特征包括车辆在特定时段的出行次数、车辆在特定时段特定位置的出行次数和当前所有被监测车辆在特定时段的出行次数;
所述用户特征包括用户画像。
方案22、根据方案12-15任一项所述的车机端启动系统,其特征在于,所述相关出行准备功能包括电池预加热功能和空调预加热/通风功能。
方案23、一种存储装置,其中存储有多条程序,其特征在于,所述程序适于由处理器加载并执行以实现方案1-11任一项所述的车机端启动方法。
方案24、一种控制装置,包括:
处理器,适于执行各条程序;
存储设备,适于存储多条程序;
其特征在于,所述程序适于由处理器加载并执行以实现方案1-11任一项所述的车机端启动方法。
与最接近的现有技术相比,上述技术方案至少具有如下有益效果:
1、本发明中的车机端启动方法,可以基于车辆的历史行车数据,能够利用机器学习算法(如GBDT算法)构建车辆行为预测模型,进而根据所构建的车辆行为预测模型能够预测车辆的出行概率。
2、本发明中的车机端启动方法,通过定时获取车辆的历史行车数据,可以根据当前时段获取的历史行车数据生成车辆特征和用户特征,并对前一时段生成的车辆特征和用户特征进行更新,从而保证每次预测车辆出行概率时,车辆行为预测模型都可以根据最新的车辆特征与用户特征预测出行概率,提高了预测结果的准确性。
3、本发明中的车机端启动方法,可以根据测试集准确率与验证集准确率选取概率阈值,进而根据所选取的概率阈值判断车辆是否出行。具体地,首先,针对每个候选概率阈值,通过测试集对车辆行为预测模型进行测试,得到每个候选概率阈值对应的测试集准确率。其次,针对每个候选概率阈值,通过验证集对车辆行为预测模型进行验证,得到每个候选概率阈值对应的验证集准确率。再次,选取测试集准确率和验证集准确率中最大准确率所对应的候选概率阈值作为概率阈值Pth。最后,比较概率阈值Pth与车辆行为预测模型的预测结果Pg,若Pg≥Pth,则判断为车辆在下一时段出行。
4、本发明中的车机端启动方法,可以获取当前预测时段之前一段时间内的历史行车数据,并根据所获取的历史行车数据对车辆行为预测模型进行模型训练,从而避免获取无效的历史行车数据(即对当前出行概率影响较小的历史行车数据,如距当前预测时间较远的行车数据),有利于提高车辆行为预测模型的预测准确性。
附图说明
图1是本发明实施例中一种车机端启动方法的主要步骤示意图;
图2是本发明实施例中一种车机端启动系统的主要结构示意图。
具体实施方式
下面参照附图来描述本发明的优选实施方式。本领域技术人员应当理解的是,这些实施方式仅仅用于解释本发明的技术原理,并非旨在限制本发明的保护范围。
参阅附图1,图1示例性示出了本实施例中车机端启动方法的主要步骤。如图1所示,本实施例中可以按照如下步骤启动车机端中的相关出行准备功能:
步骤S101:获取车辆的历史行车数据。
具体地,本实施例中可以获取当前预测时段之前一段时间的历史行车数据。在本实施例的一个优选实施方案中,可以获取当前预测时段之前6个月内车辆的历史行车数据。例如,若当前预测时段为2017年6月2日,则所获取的历史行车数据为2017年1月1日~2017年6月1日期间的行车数据。若当前预测时段为2017年7月2日,则所获取的历史行车数据为2017年2月1日~2017年7月1日期间的行车数据。
步骤S102:基于所获取的历史行车数据,并利用机器学习算法构建车辆行为预测模型。具体地,本实施例可以按照如下步骤构建车辆行为预测模型:
步骤S1021:采用预设的大数据处理算法,对所获取的历史行车数据进行处理,得到训练集、测试集和验证集,并针对每个数据集生成车辆特征和相关用户的用户特征。在本实施例中,大数据处理算法可以为基于Spark计算框架、Storm计算框架、Samza计算框架或Hadoop计算框架等能够处理大规模历史行车数据的数据处理算法。
本实施例中车辆特征可以包括车辆在特定时段的出行次数(如车辆A在下午1点的出行次数)、车辆在特定时段特定位置的出行次数(如车辆B在周三早10点从位置P出行的次数)和当前所有被监测车辆在特定时段的出行次数(如车辆A和B在下午1点的出行次数)。
本实施例中用户特征可以包括用户画像,用户画像指的是能够表征用户的社会属性和出行习惯等信息的特征标识,因此利用用户特征能够更加准确地预测车辆的出行概率。具体地,在本实施例中,首先采用大数据处理算法(如基于Spark计算框架的大数据处理算法)对某个用户的历史行车数据进行数据挖掘与分析,将用户的社会属性和出行习惯等信息抽象为一个能够表征这些信息的标签。然后根据这个标签生成用户画像。例如,针对用户A得到的标签包括“男”、“80后”、“白领”和“工作日出行率较大”等,根据这些标签生成的用户画像可以描述当前用户为经常在工作日出行的80后男性白领。又例如,针对用户B得到的标签包括“男”、“80后”、“白领”和“休息日出行率较大”等,根据这些标签生成的用户画像可以描述当前用户为经常在休息日出行的80后男性白领。
步骤S1022:根据训练集所对应的车辆特征与用户特征,并利用梯度提升树(Gradient Boosting Decison Tree,GBDT)的回归算法进行数据学习,对车辆行为预测模型进行模型训练。
在本实施例的一个优选实施方案中,可以按照如下式(1)所示的目标函数Obj对车辆行为预测模型进行模型训练:
公式(1)中各参数含义为:
n为训练集中的样本数量,yi表示第i个样本的真实值,为车辆行为预测模型针对第i个样本的输出值,表示yi与的均方误差;Ω表示正则化函数,K为回归树的数量,fk为第k颗回归树。
步骤S1023:将验证集对应的车辆特征与用户特征输入至车辆行为预测模型,对车辆行为预测模型进行验证,得到最优的车辆行为预测模型。
步骤S1024:将测试集对应的车辆特征与用户特征输入至上述最优的车辆行为预测模型,对其进行测试,判断该车辆行为预测模型是否满足预设的测试要求。
需要说明的是,本发明虽然仅公开了一种基于GBDT算法构建的车辆行为预测模型,但是本发明的保护范围显然不局限于这一具体实施方式。在不偏离本发明的原理的前提下,本领域技术人员可以采用基于Logistic多元回归、概率神经网络、递归神经网络或支持向量机等算法构建的车辆行为预测模型,这些更改或替换之后的技术方案都将落入本发明的保护范围之内。
步骤S103:定时获取车辆的历史行车数据,并根据所获取的历史行车数据生成车辆特征和用户特征。具体地,本实施例中可以按照如下步骤获取车辆特征和用户特征:
步骤S1031:基于低时延的数据传输算法,定时获取车辆的历史行车数据。本实施例中采用基于低时延的数据传输算法获取历史行车数据,可以减少数据传输过程中的延时时间。同时,通过定时获取车辆的历史行车数据,可以获取最新的历史行车数据,从而生成能够更好地表征用户行车习惯的车辆特征和用户特征。
步骤S1032:采用预设的大数据处理算法,对所获取的历史行车数据进行分析,得到车辆特征和用户特征。在本实施例中,大数据处理算法可以为基于Spark计算框架、Storm计算框架、Samza计算框架或Hadoop计算框架等能够处理大规模历史行车数据的数据处理算法。
步骤S1033:根据当前时段获取的历史行车数据生成车辆特征和用户特征,并对前一时段生成的车辆特征和用户特征进行更新。
本实施例中车辆特征与用户特征的更新频率可以为1天,从而保证车辆行为预测模型能够以最新的车辆特征与用户特征预测车辆的出行概率。
步骤S104:基于车辆行为预测模型,并根据车辆特征和用户特征,预测车辆在下一时段的出行概率。
步骤S105:根据预测结果,判断车辆在下一时段是否出行。具体地,本实施例中可以按照如下步骤判断车辆是否出行:
对车辆行为预测模型预测的出行概率Pg与概率阈值Pth进行比较,根据比较结果判断车辆是否出行,具体为:若Pg≥Pth,则判断为车辆在下一时段出行。若Pg<Pth,则判断为车辆在下一时段不出行。
在本实施例的一个优选实施方案中,图1所示的车机端启动方法还可以按照如下步骤先获取概率阈值Pth,然后再根据所获取的概率阈值Pth和预测结果,判断车辆在下一时段是否出行,具体为:
首先,针对每个预设的候选概率阈值,通过预设的测试集对车辆行为预测模型进行测试,得到每个候选概率阈值对应的测试集准确率。
其次,针对每个候选概率阈值,通过预设的验证集对车辆行为预测模型进行验证,得到每个候选概率阈值对应的验证集准确率。
最后,选取测试集准确率和验证集准确率中最大准确率所对应的候选概率阈值,并将所选取的候选概率阈值作为概率阈值Pth。
参阅表1,表1示例性示出了针对每个候选概率阈值,测试集准确率与验证集准确率。如表1所示,本实施例中最大准确率为验证集准确率“0.807540410806997”,其所对应的候选概率阈值为“0.5966584953623906”。因此,本实施例中概率阈值Pth=0.59。
表1
步骤S106:启动车机端中的相关出行准备功能。
本实施例中车机端指的是能够实现特定功能的操控系统,在某些情况下,可能直接指代该操控系统的控制器。相关出行准备功能可以包括电池预加热功能、空调预加热/通风功能。
具体地,电池预加热功能启动后,可以获取车辆状态信息并根据所获取的车辆状态信息,来判断是否对动力电池进行加热。其中,车辆状态信息可以包括温度信息和动力电池状态信息,当温度较低并且动力电池未发生异常时对动力电池加热,从而保证车辆启动时动力电池能够可靠工作。
空调预加热/通风功能启动后,也可以获取车辆状态信息并根据所获取的车辆状态信息,控制空调制冷、通风或制热。其中,车辆状态信息可以包括温度信息和空调状态信息。当温度较高并且空调未发生异常时控制空调制冷或通风,或者当温度较低并且空调未发生异常时控制空调制热,保证车辆启动时车内温度处于预设的温度范围(如人类的体感舒适温度范围)。
在本实施例中,当通过车机端执行并实现图1所示的车机端启动方法时,车机端可以在判断出车辆在下一时段出行后,立即启动相关出行准备功能。基于此,车机端能够快速完成出行准备功能的启动。
可选的,当通过远端设备执行并实现图1所示的车机端启动方法时,该远端设备可以在判断出车辆在下一时段出行后,立即向车机端发送唤醒指令,进而车机端再根据接收到的唤醒指令启动相关出行准备功能。具体地,本实施例中远端设备指的是能够与车机端建立长连接通讯,以便将唤醒指令发送至车机端的服务器。例如,远端设备可以为车联网内的云服务器。基于此,利用远端设备对大规模历史行车数据进行数据挖掘与分析,减轻了车机端的数据处理压力。
上述实施例中虽然将各个步骤按照上述先后次序的方式进行了描述,但是本领域技术人员可以理解,为了实现本实施例的效果,不同的步骤之间不必按照这样的次序执行,其可以同时(并行)执行或以颠倒的次序执行,这些简单的变化都在本发明的保护范围之内。
基于上述车机端启动方法实施例,本发明还提供了一种存储装置,该存储装置存储有多条程序,并且这些程序适于由处理器加载并执行以实现上述方法实施例所述的车机端启动方法。
进一步地,基于上述车机端启动方法实施例,本发明还提供了一种控制装置,该控制装置包括处理器和存储设备,其中,处理器可以适于执行各条程序,存储设备可以适于存储多条程序,并且这些程序可以适于由处理器加载并执行以实现上述方法实施例所述的车机端启动方法。
再进一步地,基于与方法实施例相同的技术构思,本发明还提供了一种车机端启动系统。下面结合附图对该车机端启动系统进行具体说明。
参阅附图2,图2示例性示出了本实施例中车机端启动系统的主要结构。如图2所示,本实施例中车机端启动系统可以包括车辆行为预测模型11和车机端启动模块12。车辆行为预测模型11可以配置为根据车辆的车辆特征和相关用户的用户特征,预测车辆在下一时段的出行概率。其中,车辆行为预测模型为基于车辆的历史行车数据,并利用机器学习算法所构建的出行概率预测模型。车机端启动模块12可以配置为根据车辆行为预测模型的预测结果,判断车辆在下一时段是否出行,若是则启动车机端中的相关出行准备功能。
本实施例中用户特征可以包括用户画像。车辆特征可以包括车辆在特定时段的出行次数(如车辆A在下午1点的出行次数)、车辆在特定时段特定位置的出行次数(如车辆B在周三早10点从位置P出行的次数)和当前所有被监测车辆在特定时段的出行次数(如车辆A和B在下午1点的出行次数)。
进一步地,本实施例中图2所示的车机端启动系统还可以包括第一数据获取模块和车辆行为预测模型构训练块。具体地,第一数据获取模块可以配置为获取当前预测时段之前一段时间内车辆的历史行车数据,并根据所获取的历史行车数据生成车辆的车辆特征和相关用户的用户特征。车辆行为预测模型训练模块可以配置为基于第一数据获取模块所生成的车辆特征与用户特征,并利用机器学习算法对车辆行为预测模型进行模型训练。在本实施例的一个优选实施方案中,第一数据获取模块可以配置为获取当前预测时段之前6个月内车辆的历史行车数据。
进一步地,本实施例中车辆行为预测模型训练模块还可以配置为根据车辆特征与用户特征,并利用GBDT算法对车辆行为预测模型进行模型训练。
进一步地,本实施例中图2所示的车机端启动系统还可以包括第二数据获取模块和车辆/用户特征更新模块。具体地,车辆/用户特征更新模块可以配置为根据当前时段第二数据获取模块所生成的历史行车数据生成车辆特征和用户特征,并对前一时段生成的车辆特征和用户特征进行更新。其中,车辆特征与用户特征的更新频率可以为1天。在此情况下,车辆行为预测模型还可以配置为利用车辆/用户特征更新模块所更新的车辆特征和用户特征来预测车辆在下一时段的出行概率。
进一步地,本实施例中车机端启动模块可以包括预测结果判断单元。预测结果判断单元可以配置为执行如下操作:若Pg≥Pth,则判断为车辆在下一时段出行;若Pg<Pth,则判断为车辆在下一时段不出行。其中,Pg为出行概率,Pth为预设的概率阈值。
进一步地,本实施例中图2所示的车机端启动系统还可以包括概率阈值获取模块,并且概率阈值获取模块可以包括第一数据获取单元、第二数据获取单元和概率阈值获取单元。
具体地,第一数据获取单元可以配置为针对每个预设的候选概率阈值,通过预设的测试集对车辆行为预测模型进行测试,得到每个候选概率阈值对应的测试集准确率。第二数据获取单元可以配置为针对每个候选概率阈值,通过预设的验证集对车辆行为预测模型进行验证,得到每个候选概率阈值对应的验证集准确率。概率阈值获取单元可以配置为选取测试集准确率和验证集准确率中最大准确率所对应的候选概率阈值,并将所选取的候选概率阈值作为概率阈值Pth。
进一步地,本实施例中相关出行准备功能包括电池预加热功能、空调预加热功能和车辆通风功能。
应该注意的是上述实施例对本发明进行说明而不是对本发明进行限制,并且本领域技术人员在不脱离所附权利要求的范围的情况下可设计出替换实施例。在权利要求中,不应将位于括号之间的任何参考符号构造成对权利要求的限制。单词“包括”不排除存在未列在权利要求中的元件或步骤。位于元件之前的单词“一”或“一个”不排除存在多个这样的元件。
此外,本领域的技术人员能够理解,尽管在此所述的一些实施例包括其它实施例中所包括的某些特征而不是其它特征,但是不同实施例的特征的组合意味着处于本发明的范围之内并且形成不同的实施例。例如,在本发明的权利要求书中,所要求保护的实施例的任意之一都可以以任意的组合方式来使用。
至此,已经结合附图所示的优选实施方式描述了本发明的技术方案,但是,本领域技术人员容易理解的是,本发明的保护范围显然不局限于这些具体实施方式。在不偏离本发明的原理的前提下,本领域技术人员可以对相关技术特征作出等同的更改或替换,这些更改或替换之后的技术方案都将落入本发明的保护范围之内。
Claims (10)
1.一种车机端启动方法,其特征在于,包括:
基于预先构建的车辆行为预测模型,并根据车辆的车辆特征和相关用户的用户特征,预测车辆在下一时段的出行概率;
根据预测结果,判断所述车辆在下一时段是否出行,
若所述车辆在下一时段出行,则启动所述车机端中的相关出行准备功能;
其中,所述车辆行为预测模型为基于所述车辆的历史行车数据,并利用机器学习算法所构建的出行概率预测模型。
2.根据权利要求1所述的车机端启动方法,其特征在于,“基于预先构建的车辆行为预测模型,并根据车辆的车辆特征和相关用户的用户特征,预测车辆在下一时段的出行概率”的步骤之前包括:
获取当前预测时段之前一段时间内所述车辆的历史行车数据;
根据所获取的历史行车数据,生成所述车辆的车辆特征和相关用户的用户特征;
根据所生成的车辆特征与用户特征,并利用机器学习算法对所述车辆行为预测模型进行模型训练。
3.根据权利要求2所述的车机端启动方法,其特征在于,“根据所生成的车辆特征与用户特征,并利用机器学习算法对所述车辆行为预测模型进行模型训练”的步骤包括:
根据所述车辆特征与用户特征,并利用GBDT算法对所述车辆行为预测模型进行模型训练。
4.根据权利要求1所述的车机端启动方法,其特征在于,所述方法还包括对车辆特征与用户特征进行更新的步骤,并且该步骤包括:
基于低时延的数据传输算法,定时获取所述车辆的历史行车数据;
根据当前时段获取的历史行车数据生成车辆特征和用户特征,并对前一时段生成的车辆特征和用户特征进行更新;
在此情况下,“根据车辆的车辆特征和相关用户的用户特征,预测车辆在下一时段的出行概率”是利用更新后的车辆特征和用户特征来预测车辆在下一时段的出行概率。
5.根据权利要求1-4任一项所述的车机端启动方法,其特征在于,“根据预测结果,判断所述车辆在下一时段是否出行”的步骤包括:
若Pg≥Pth,则判断为车辆在下一时段出行;
若Pg<Pth,则判断为车辆在下一时段不出行;
其中,所述Pg为出行概率,所述Pth为预设的概率阈值。
6.根据权利要求5所述的车机端启动方法,其特征在于,所述方法还包括:
针对每个预设的候选概率阈值,通过预设的测试集对所述车辆行为预测模型进行测试,得到每个所述候选概率阈值对应的测试集准确率;
针对每个所述候选概率阈值,通过预设的验证集对所述车辆行为预测模型进行验证,得到每个所述候选概率阈值对应的验证集准确率;
选取所述测试集准确率和验证集准确率中最大准确率所对应的候选概率阈值,并将所选取的候选概率阈值作为概率阈值Pth。
7.根据权利要求1-4任一项所述的车机端启动方法,其特征在于,所述方法还包括:
在判断出所述车辆在下一时段出行的情况下,向所述车机端发送唤醒指令,以使所述车机端能够根据所述唤醒指令启动相关出行准备功能。
8.根据权利要求2或3所述的车机端启动方法,其特征在于,“获取当前预测时段之前一段时间内所述车辆的历史行车数据”的步骤包括:
获取当前预测时段之前6个月内所述车辆的历史行车数据。
9.根据权利要求4所述的车机端启动方法,其特征在于,
所述车辆特征与用户特征的更新频率为1天。
10.根据权利要求1、2、3、4和9任一项所述的车机端启动方法,其特征在于,
所述车辆特征包括车辆在特定时段的出行次数、车辆在特定时段特定位置的出行次数和当前所有被监测车辆在特定时段的出行次数;
所述用户特征包括用户画像。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810319679.9A CN108749596B (zh) | 2018-04-11 | 2018-04-11 | 车机端启动方法、系统及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810319679.9A CN108749596B (zh) | 2018-04-11 | 2018-04-11 | 车机端启动方法、系统及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108749596A true CN108749596A (zh) | 2018-11-06 |
CN108749596B CN108749596B (zh) | 2020-12-04 |
Family
ID=63981384
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810319679.9A Active CN108749596B (zh) | 2018-04-11 | 2018-04-11 | 车机端启动方法、系统及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108749596B (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111156657A (zh) * | 2019-12-25 | 2020-05-15 | 珠海格力电器股份有限公司 | 空调结霜状态确定方法和装置 |
CN111284301A (zh) * | 2020-04-07 | 2020-06-16 | 宁波吉利汽车研究开发有限公司 | 一种基于大数据的车载空调控制方法、车辆和控制系统 |
CN111483289A (zh) * | 2019-01-28 | 2020-08-04 | 通用汽车环球科技运作有限责任公司 | 用于执行远程命令的机器学习方法和系统 |
CN111623486A (zh) * | 2020-05-22 | 2020-09-04 | 海尔优家智能科技(北京)有限公司 | 开机时间的确定方法和装置、存储介质及电子装置 |
CN111660755A (zh) * | 2019-12-04 | 2020-09-15 | 摩登汽车有限公司 | 汽车空调的控制方法、装置、整车控制器及汽车 |
CN112677730A (zh) * | 2020-12-23 | 2021-04-20 | 泰州可以信息科技有限公司 | 车载空调优先级管理系统 |
CN113442675A (zh) * | 2021-06-28 | 2021-09-28 | 重庆长安汽车股份有限公司 | 一种基于用户大数据分析的汽车智能出行功能的控制方法及系统 |
CN113829962A (zh) * | 2020-06-23 | 2021-12-24 | 北京新能源汽车股份有限公司 | 一种车辆的控制方法及装置 |
GB2613786A (en) * | 2021-12-14 | 2023-06-21 | Jaguar Land Rover Ltd | Battery charging protocols |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100332541A1 (en) * | 2008-01-30 | 2010-12-30 | France Telecom | Method for identifying a multimedia document in a reference base, corresponding computer program and identification device |
JP2011111140A (ja) * | 2009-11-30 | 2011-06-09 | Hitachi Ltd | 車両用空調システム |
CN103034910A (zh) * | 2012-12-03 | 2013-04-10 | 北京农业信息技术研究中心 | 基于多源信息的区域尺度病虫害预测方法 |
US9002612B2 (en) * | 2012-03-20 | 2015-04-07 | Toyota Motor Engineering & Manufacturing North America, Inc. | Prediction of driver-specific cruise speed using dynamic modeling |
CN104510475A (zh) * | 2014-12-15 | 2015-04-15 | 中国科学院计算技术研究所 | 一种人体跌倒检测方法及系统 |
CN104766484A (zh) * | 2015-03-23 | 2015-07-08 | 南京邮电大学 | 基于进化多目标优化和蚁群算法的交通控制与诱导系统和方法 |
CN105183800A (zh) * | 2015-08-25 | 2015-12-23 | 百度在线网络技术(北京)有限公司 | 信息预测的方法和装置 |
US20170217328A1 (en) * | 2016-01-29 | 2017-08-03 | Toyota Motor Engineering & Manufacturing North America, Inc. | Systems and methods for charging and warming vehicle components |
CN107463633A (zh) * | 2017-07-17 | 2017-12-12 | 中国航天系统科学与工程研究院 | 一种基于eemd‑神经网络的实时数据异常值检测方法 |
CN107487205A (zh) * | 2016-12-26 | 2017-12-19 | 宝沃汽车(中国)有限公司 | 控制电池系统加热的方法及装置 |
CN107867295A (zh) * | 2017-11-08 | 2018-04-03 | 广东翼卡车联网服务有限公司 | 基于车辆出险概率的事故预警方法、存储设备及车载终端 |
-
2018
- 2018-04-11 CN CN201810319679.9A patent/CN108749596B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100332541A1 (en) * | 2008-01-30 | 2010-12-30 | France Telecom | Method for identifying a multimedia document in a reference base, corresponding computer program and identification device |
JP2011111140A (ja) * | 2009-11-30 | 2011-06-09 | Hitachi Ltd | 車両用空調システム |
US9002612B2 (en) * | 2012-03-20 | 2015-04-07 | Toyota Motor Engineering & Manufacturing North America, Inc. | Prediction of driver-specific cruise speed using dynamic modeling |
CN103034910A (zh) * | 2012-12-03 | 2013-04-10 | 北京农业信息技术研究中心 | 基于多源信息的区域尺度病虫害预测方法 |
CN104510475A (zh) * | 2014-12-15 | 2015-04-15 | 中国科学院计算技术研究所 | 一种人体跌倒检测方法及系统 |
CN104766484A (zh) * | 2015-03-23 | 2015-07-08 | 南京邮电大学 | 基于进化多目标优化和蚁群算法的交通控制与诱导系统和方法 |
CN105183800A (zh) * | 2015-08-25 | 2015-12-23 | 百度在线网络技术(北京)有限公司 | 信息预测的方法和装置 |
US20170217328A1 (en) * | 2016-01-29 | 2017-08-03 | Toyota Motor Engineering & Manufacturing North America, Inc. | Systems and methods for charging and warming vehicle components |
CN107487205A (zh) * | 2016-12-26 | 2017-12-19 | 宝沃汽车(中国)有限公司 | 控制电池系统加热的方法及装置 |
CN107463633A (zh) * | 2017-07-17 | 2017-12-12 | 中国航天系统科学与工程研究院 | 一种基于eemd‑神经网络的实时数据异常值检测方法 |
CN107867295A (zh) * | 2017-11-08 | 2018-04-03 | 广东翼卡车联网服务有限公司 | 基于车辆出险概率的事故预警方法、存储设备及车载终端 |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111483289A (zh) * | 2019-01-28 | 2020-08-04 | 通用汽车环球科技运作有限责任公司 | 用于执行远程命令的机器学习方法和系统 |
US11586159B2 (en) * | 2019-01-28 | 2023-02-21 | GM Global Technology Operations LLC | Machine learning method and system for executing remote commands to control functions of a vehicle |
CN111660755A (zh) * | 2019-12-04 | 2020-09-15 | 摩登汽车有限公司 | 汽车空调的控制方法、装置、整车控制器及汽车 |
CN111156657A (zh) * | 2019-12-25 | 2020-05-15 | 珠海格力电器股份有限公司 | 空调结霜状态确定方法和装置 |
CN111284301A (zh) * | 2020-04-07 | 2020-06-16 | 宁波吉利汽车研究开发有限公司 | 一种基于大数据的车载空调控制方法、车辆和控制系统 |
CN111623486A (zh) * | 2020-05-22 | 2020-09-04 | 海尔优家智能科技(北京)有限公司 | 开机时间的确定方法和装置、存储介质及电子装置 |
CN111623486B (zh) * | 2020-05-22 | 2022-01-28 | 海尔优家智能科技(北京)有限公司 | 开机时间的确定方法和装置、存储介质及电子装置 |
CN113829962A (zh) * | 2020-06-23 | 2021-12-24 | 北京新能源汽车股份有限公司 | 一种车辆的控制方法及装置 |
CN113829962B (zh) * | 2020-06-23 | 2023-07-25 | 北京新能源汽车股份有限公司 | 一种车辆的控制方法及装置 |
CN112677730A (zh) * | 2020-12-23 | 2021-04-20 | 泰州可以信息科技有限公司 | 车载空调优先级管理系统 |
CN113442675A (zh) * | 2021-06-28 | 2021-09-28 | 重庆长安汽车股份有限公司 | 一种基于用户大数据分析的汽车智能出行功能的控制方法及系统 |
GB2613786A (en) * | 2021-12-14 | 2023-06-21 | Jaguar Land Rover Ltd | Battery charging protocols |
Also Published As
Publication number | Publication date |
---|---|
CN108749596B (zh) | 2020-12-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108749596A (zh) | 车机端启动方法、系统及装置 | |
CN106642534B (zh) | 空调控制方法和装置 | |
US9409533B2 (en) | System and method for monitoring and controlling energy system | |
CN104676836B (zh) | 多联机空调系统运行模式的确定方法 | |
EP3025099B1 (en) | Control device and method for buildings | |
CN109100655B (zh) | 一种动力电池的数据处理方法和装置 | |
KR102103006B1 (ko) | 기계학습모델 기반 설비 기기의 최적 운전 방법 및 장치 | |
CN110011994A (zh) | 一种基于大数据的环境检测系统 | |
CN108427393A (zh) | 检测电池耗尽的方法和装置 | |
EP4174505A1 (en) | Battery state determination method, and battery state determination apparatus | |
US10692302B2 (en) | Servicing schedule method based on prediction of degradation in electrified vehicles | |
CN103915659A (zh) | 用以获得和使用电池系统中的温度信息的系统及方法 | |
CN111890933A (zh) | 车辆的电池管理方法和系统、车辆和服务器 | |
US11087238B2 (en) | Thermal displacement compensation device | |
CN110414724A (zh) | 用于预测耗电量的方法、装置、可读存储介质及电子设备 | |
CN105140886B (zh) | 继电保护系统和利用其来收集数据的方法 | |
GB2557073A (en) | Monitoring the health of a vehicle battery | |
CN113406539A (zh) | 一种智能电缆接头的运行监测方法及装置 | |
CN107461881B (zh) | 一种医院空调机房的制冷主机能效诊断方法及其系统 | |
CN113783707A (zh) | 基于智能网关的传感器供电方法、装置和计算机设备 | |
CN116244975B (zh) | 一种基于数字孪生技术的输电线路导线状态模拟系统 | |
KR101807210B1 (ko) | 차량 소모품 관리 장치 및 방법 | |
WO2023052685A1 (en) | Forecasting charging time of electric vehicles | |
CN117295960A (zh) | 电池性能评价装置及电池性能评价方法 | |
CN114254798A (zh) | 输电线路的监控方法、装置、计算机设备和存储介质 |
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 | ||
TA01 | Transfer of patent application right | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20200825 Address after: Susong Road West and Shenzhen Road North, Hefei Economic and Technological Development Zone, Anhui Province Applicant after: Weilai (Anhui) Holding Co., Ltd Address before: 30 Floor of Yihe Building, No. 1 Kangle Plaza, Central, Hong Kong, China Applicant before: NIO NEXTEV Ltd. |
|
GR01 | Patent grant | ||
GR01 | Patent grant |