CN109376473A - 车辆控制器、车辆及其续航里程的计算方法和装置 - Google Patents

车辆控制器、车辆及其续航里程的计算方法和装置 Download PDF

Info

Publication number
CN109376473A
CN109376473A CN201811406534.9A CN201811406534A CN109376473A CN 109376473 A CN109376473 A CN 109376473A CN 201811406534 A CN201811406534 A CN 201811406534A CN 109376473 A CN109376473 A CN 109376473A
Authority
CN
China
Prior art keywords
course continuation
continuation mileage
data value
decision table
environment temperature
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
Application number
CN201811406534.9A
Other languages
English (en)
Other versions
CN109376473B (zh
Inventor
苗松
苗一松
张艳超
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.)
Beiqi Foton Motor Co Ltd
Original Assignee
Beiqi Foton Motor Co Ltd
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 Beiqi Foton Motor Co Ltd filed Critical Beiqi Foton Motor Co Ltd
Priority to CN201811406534.9A priority Critical patent/CN109376473B/zh
Publication of CN109376473A publication Critical patent/CN109376473A/zh
Application granted granted Critical
Publication of CN109376473B publication Critical patent/CN109376473B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/30—Circuit design
    • G06F30/36—Circuit design at the analogue level
    • G06F30/367—Design verification, e.g. using simulation, simulation program with integrated circuit emphasis [SPICE], direct methods or relaxation methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/10—Geometric CAD
    • G06F30/15—Vehicle, aircraft or watercraft design

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Computer Hardware Design (AREA)
  • Theoretical Computer Science (AREA)
  • Geometry (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Computational Mathematics (AREA)
  • Aviation & Aerospace Engineering (AREA)
  • Automation & Control Theory (AREA)
  • Microelectronics & Electronic Packaging (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明公开了一种车辆控制器、车辆及其续航里程的计算方法和装置，所述计算方法，包括：周期性采集车辆行驶过程中的车辆行车参数、环境温度和续航里程；建立采集时间、车辆行车参数、环境温度和续航里程之间的对应关系，得到二维决策表；对二维决策表中的车辆行车参数、环境温度和续航里程分别进行离散化处理，得到离散后的二维决策表；对离散后的二维决策表中的车辆行车参数、环境温度和续航里程的数据值分别进行约简处理，得到约简后的二维决策表；对约简后的二维决策表中的与续航里程强相关的因素的数据值和续航里程的数据值分别进行规则提取，得到与续航里程强相关的因素和续航里程的对应关系，从而使得计算得到的续航里程更符合实际情况。

Description

车辆控制器、车辆及其续航里程的计算方法和装置
技术领域
本发明涉及车辆技术领域，尤其涉及一种车辆续航里程的计算方法、一种车辆续航里程的计算装置、一种具有该计算装置的车辆控制器和一种具有该计算装置的车辆。
背景技术
目前新能源汽车仪表上，基本均配备续航里程参数值，其中，续航里程为新能源汽车的续航能力指标，为新能源汽车在最大的能源储备下可以连续行驶的总里程。该功能在使用过程中往往会出现续航里程与实际续航里程不符如冬天续航里程明显虚高等一系列问题。这是因为现有计算续驶里程的技术方案存在下述缺点：
(1)现有计算续驶里程的技术方案，往往受到影响因子的局限性。例如，工程师选取整车参数为影响因子进行建模，受到自身经验的局限性，整车参数选取的误差，势必会导致计算结果的偏差。
(2)针对现有的计算模型，往往受到模型自身准确度的局限。例如，工程师凭借自身经验对相关变量进行建模搭建，对续航里程的规律理解，往往与实际会有偏差。
因此，为了提高续航里程在不同工况、不同天气的适应性，增加驾驶员功能使用的满意度，有必要对续航里程的计算方法做进一步改进。
发明内容
本发明旨在至少从一定程度上解决相关技术中的技术问题之一。
为此，本发明的第一个目的在于提出一种车辆续航里程的计算方法，能够使得计算得到的续航里程更符合实际使用情况，增加驾驶员功能使用的满意度。
本发明的第二个目的在于提出一种车辆续航里程的计算装置。
本发明的第三个目的在于提出一种车辆控制器。
本发明的第四个目的在于提出一种车辆。
为达到上述目的，本发明第一方面实施例提出了一种车辆续航里程的计算方法，包括：周期性采集车辆行驶过程中的车辆行车参数、环境温度和续航里程；建立采集时间、所述车辆行车参数、所述环境温度和所述续航里程之间的对应关系，得到二维决策表；对所述二维决策表中的所述车辆行车参数、所述环境温度和所述续航里程分别进行离散化处理，得到离散后的二维决策表，所述离散后的二维决策表中包括所述采集时间，以及所述车辆行车参数、所述环境温度和所述续航里程离散化处理后的数据值；对所述离散后的二维决策表中的所述车辆行车参数、所述环境温度和所述续航里程的数据值分别进行约简处理，得到约简后的二维决策表，所述约简后的二维决策表中包括所述车辆行车参数和所述环境温度中与所述续航里程强相关的因素的数据值和所述续航里程的数据值的对应关系；对所述约简后的二维决策表中的所述与所述续航里程强相关的因素的数据值和所述续航里程的数据值分别进行规则提取，得到所述与所述续航里程强相关的因素和所述续航里程的对应关系。
根据本发明实施例的车辆续航里程的计算方法，先周期性采集车辆行驶过程中的车辆行车参数、环境温度和续航里程，并建立采集时间、车辆行车参数、环境温度和续航里程之间的对应关系，得到二维决策表，然后对二维决策表中的车辆行车参数、环境温度和续航里程分别进行离散化处理，得到离散后的二维决策表，离散后的二维决策表中包括采集时间，以及车辆行车参数、环境温度和续航里程离散化处理后的数据值，接着对离散后的二维决策表中的车辆行车参数、环境温度和续航里程的数据值分别进行约简处理，得到约简后的二维决策表，约简后的二维决策表中包括车辆行车参数和环境温度中与续航里程强相关的因素的数据值和续航里程的数据值的对应关系，最后对约简后的二维决策表中的与续航里程强相关的因素的数据值和续航里程的数据值分别进行规则提取，得到与续航里程强相关的因素和续航里程的对应关系。由此，该方法能够通过采用粗糙集方法进行数据挖掘，筛选出与续航里程强相关的因素，并发掘强相关的因素与续航里程的潜在规律进行建模，并应用于续航里程的计算，使得计算结果更符合实际使用情况，增加驾驶员功能使用的满意度。
另外，根据本发明上述实施例提出的车辆续航里程的计算方法还可以具有如下附加的技术特征：
根据本发明的一个实施例，所述对所述二维决策表中的所述车辆行车参数、所述环境温度和所述续航里程分别进行离散化处理，包括：将所述二维决策表中的所述车辆行车参数、所述环境温度和所述续航里程分别划分为多个范围区间；将同一所述范围区间内的所述车辆行车参数、所述环境温度和所述续航里程赋值为同一所述数据值，不同所述范围区间对应的所述数据值不同。
根据本发明的一个实施例，所述对所述离散后的二维决策表中的所述车辆行车参数、所述环境温度和所述续航里程的数据值分别进行约简处理，包括：在所述离散后的二维决策表中，按照所述采集时间，将相邻的所述车辆行车参数、所述环境温度和所述续航里程的相同数据值进行合并，得到合并后的二维决策表；将所述合并后的二维决策表中，与同一所述续航里程的数据值对应的同一数据值的数量大于1的所述车辆行车参数和/或所述环境温度删除。
根据本发明的一个实施例，所述对所述约简后的二维决策表中的所述与所述续航里程强相关的因素的数据值和所述续航里程的数据值分别进行规则提取，包括：将所述与所述续航里程强相关的因素的数据值和所述续航里程的数据值分别返回为对应的所述范围区间。
为达到上述目的，本发明第二方面实施例提出了一种车辆续航里程的计算装置，包括：采集模块，用于周期性采集车辆行驶过程中的车辆行车参数、环境温度和续航里程；建立模块，用于建立采集时间、所述车辆行车参数、所述环境温度和所述续航里程之间的对应关系，得到二维决策表；离散化处理模块，用于对所述二维决策表中的所述车辆行车参数、所述环境温度和所述续航里程分别进行离散化处理，得到离散后的二维决策表，所述离散后的二维决策表中包括所述采集时间，以及所述车辆行车参数、所述环境温度和所述续航里程离散化处理后的数据值；约简处理模块，用于对所述离散后的二维决策表中的所述车辆行车参数、所述环境温度和所述续航里程的数据值分别进行约简处理，得到约简后的二维决策表，所述约简后的二维决策表中包括所述车辆行车参数和所述环境温度中与所述续航里程强相关的因素的数据值和所述续航里程的数据值的对应关系；提取模块，用于对所述约简后的二维决策表中的所述与所述续航里程强相关的因素的数据值和所述续航里程的数据值分别进行规则提取，得到所述与所述续航里程强相关的因素和所述续航里程的对应关系。
根据本发明实施例的车辆续航里程的计算装置，通过采集模块周期性采集车辆行驶过程中的车辆行车参数、环境温度和续航里程，并通过建立模块建立采集时间、车辆行车参数、环境温度和续航里程之间的对应关系，得到二维决策表，然后通过离散化处理模块对二维决策表中的车辆行车参数、环境温度和续航里程分别进行离散化处理，得到离散后的二维决策表，离散后的二维决策表中包括采集时间，以及车辆行车参数、环境温度和续航里程离散化处理后的数据值，接着通过约简处理模块对离散后的二维决策表中的车辆行车参数、环境温度和续航里程的数据值分别进行约简处理，得到约简后的二维决策表，约简后的二维决策表中包括车辆行车参数和环境温度中与续航里程强相关的因素的数据值和续航里程的数据值的对应关系，最后通过提取模块对约简后的二维决策表中的与续航里程强相关的因素的数据值和续航里程的数据值分别进行规则提取，得到与续航里程强相关的因素和续航里程的对应关系。由此，该装置能够通过采用粗糙集方法进行数据挖掘，筛选出与续航里程强相关的因素，并发掘强相关的因素与续航里程的潜在规律进行建模，并应用于续航里程的计算，使得计算结果更符合实际使用情况，增加驾驶员功能使用的满意度。
另外，根据本发明上述实施例提出的车辆续航里程的计算装置还可以具有如下附加的技术特征：
根据本发明的一个实施例，所述离散化处理模块，具体用于：将所述二维决策表中的所述车辆行车参数、所述环境温度和所述续航里程分别划分为多个范围区间，并将同一所述范围区间内的所述车辆行车参数、所述环境温度和所述续航里程赋值为同一所述数据值，不同所述范围区间对应的所述数据值不同。
根据本发明的一个实施例，所述约简处理模块，具体用于：在所述离散后的二维决策表中，按照所述采集时间，将相邻的所述车辆行车参数、所述环境温度和所述续航里程的相同数据值进行合并，得到合并后的二维决策表，并将所述合并后的二维决策表中，与同一所述续航里程的数据值对应的同一数据值的数量大于1的所述车辆行车参数和/或所述环境温度删除。
根据本发明的一个实施例，所述提取模块，具体用于：将所述与所述续航里程强相关的因素的数据值和所述续航里程的数据值分别返回为对应的所述范围区间。
为达到上述目的，本发明第三方面实施例提出了一种车辆控制器，其包括上述的车辆续航里程的计算装置。
本发明实施例的车辆控制器，通过上述的计算装置，能够使得计算结果更符合实际使用情况，增加驾驶员功能使用的满意度。
为达到上述目的，本发明第四方面实施例提出了一种车辆，其包括上述的车辆续航里程的计算装置。
本发明实施例的车辆，通过上述的计算装置，能够使得计算结果更符合实际使用情况，增加驾驶员功能使用的满意度。
附图说明
图1是相关技术中知识管理过程的示意图；
图2是根据本发明实施例的车辆续航里程的计算方法的流程图；以及
图3是根据本发明实施例的车辆续航里程的计算装置的方框示意图。
具体实施方式
下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，旨在用于解释本发明，而不能理解为对本发明的限制。
下面结合附图来描述本发明实施例的车辆续航里程的计算方法、车辆续航里程的计算装置、具有该计算装置的车辆控制器和具有该计算装置的车辆。
在介绍本发明的车辆续航里程的计算方法之前，先来介绍下粗糙集理论。
粗糙集的理论基础是数据分类机制，它将分类理解为在特定空间上的等价关系，并通过等价关系划分相对应的空间。粗糙集理论利用上下近似集逼近来描述对象，通过知识的约简，获取最小知识表达。
如图1所示，知识的演进层次，可以双向演进，从原始信息中分拣出来数据，转化为信息，升级为知识，升华为智慧。这样一个过程，是信息的管理和分类过程，让信息从庞大无序到分类有序，各取所需。这就是一个知识管理的过程，也是一个让信息价值升华的过程。
粗糙集理论中的知识表达方式一般采用信息表或者信息系统的形式，它可以表示为一个四元组S＝(U，A，V，f)，其中U是非空有限集合，称为论域，其中元素称为对象；A是非空有限集合，其中元素称为属性；V＝∪a∈AVa，Va是属性a的取值构成的集合；f：U×A→V；f称为信息函数，它为每个对象的每个属性赋予一个信息值，且对于任意x∈U，a∈A，f(x，a)∈Va。
其中，粗糙集理论中的知识表达步骤主要是：
1)构造决策表：
将样本中的所有属性值按照属性划分为条件属性和决策属性两大类，并对论域中的对象根据条件属性的不同，分别划分到不同的决策属性中，然后将数据形成一个二维决策表。
2)属性的离散化：
人们己经对数据的离散化进行了大量的深入研究，取得了丰硕的研究成果。但是，离散化问题在不同领域中有不同的要求和处理方式。因此，应用于粗糙集理论的数据离散化方法要求能够保持信息系统所表达的样本分辨关系，否则将会导致个别关键信息的丢失，从而影响所得规则的精度。对于连续属性的离散，其本质就是用一定的断值点对属性空间进行划分的过程。样本属性的离散化改变了属性值的粒度，可以有效减少信息表的大小，提高分类准确性，但是离散对属性空间的过分细化就会降低其聚类能力和识别能力。因此，在保证规则精度和准确度的前提下，用尽量少的断点将属性空间划分成较少的子空间，也是属性离散化的关键，而且离散化可以有效地克服数据中隐藏的缺陷，使模型结果更加稳定。属性离散方法一般分为有监督和无监督两种类型。其中，有监督算法一般有自然算法、半自然算法、布尔推理、基于类信息熵；无监督算法一般有等距离散化，等频离散化方法。
数据中的极端值会对模型的效果产生重要影响，它可能导致模型参数和结论失真。而数据离散化，尤其是等距离散，可以有效地减弱或者降低极端值和异常值对模型的影响，因此本发明结合车辆行车参数特点拟采用等距离散的方法。
3)属性约简和规则形成：
属性的约简是粗糙集理论的核心内容之一，决策表中的属性并不是同等重要的，甚至其中某些属性是冗余的。因此，在保持知识库(决策表)分类能力不变的情况下，删除其中不相关或者不重要的知识。
综上，粗糙集算法作为一种研究不精确，不完整信息分类问题的数学工具，它有下述优点：
①它能处理不完整、不确定、不精确的数据以及拥有众多变量的数据；
②它对知识分类进行数学表达，并通过数学方法分析知识，求得知识的最小表达，并可以划分不同粒度的知识；
③在不需要任何先验信息的情况下，能够与诸多数据分析方法理论形成互补，提高问题解决方案的鲁棒性并可以降低成本；
④它生成的规则具备精确性、易于验证性等特点，对智能控制系统有重要意义。
图2是根据本发明实施例的车辆续航里程的计算方法的流程图。如图2所示，本发明实施例的车辆续航里程的计算方法，包括以下步骤：
S1，周期性采集车辆行驶过程中的车辆行车参数、环境温度和续航里程。
具体地，驾驶员需控制车辆在不同工况、温度下行驶。该车辆周期性如每隔一分钟通过传感器、实际采取驾驶员行车数据，记录车辆行车参数(例如，车速，电池SOC(State ofCharge，荷电状态)、电压、电流、电芯温度、电芯单体电压，电机转速、扭矩，驾驶员油门踏板开度、制动踏板开度，空调开启状态、PTC(Positive Temperature Coefficient，正温度系数)开启状态等)、环境温度和续驶里程。
S2，建立采集时间、车辆行车参数、环境温度和续航里程之间的对应关系，得到二维决策表。
具体地，先建立粗糙集的条件属性集，元素主要包含：环境温度、车速，电池SOC、电压、电流、电芯温度、电芯单体电压，电机转速、扭矩，驾驶员油门踏板开度、制动踏板开度，空调开启状态、PTC开启状态。对每个元素选取相应的采样间隔，形成临时条件属性集。
其中，临时条件属性集的数据以下表1为例：
表1
然后，建立粗糙集的决策属性集，以续航里程为决策属性，对续航里程选取相应的采样间隔，形成临域决策集。
其中，临域决策集的格式以下表2为例：
表2
最后，构建决策表，根据条件属性的不同，划分到不同的决策属性中，将数据形成一个二维决策表，如下表3所示。
表3
S3，二维决策表中的车辆行车参数、环境温度和续航里程分别进行离散化处理，得到离散后的二维决策表，离散后的二维决策表中包括采集时间，以及车辆行车参数、环境温度和续航里程离散化处理后的数据值。
根据本发明的一个实施例，对二维决策表中的车辆行车参数、环境温度和续航里程分别进行离散化处理，包括：将二维决策表中的车辆行车参数、环境温度和续航里程分别划分为多个范围区间；将同一范围区间内的车辆行车参数、环境温度和续航里程赋值为同一数据值，不同范围区间对应的数据值不同。
具体地，采用离散化处理的方法，在保证数据信息不丢失、保证采样精度的前提下，将二维决策表中的条件属性与决策属性进行离散化处理。
采用离散化处理的方法构建离散断值表，对决策表进行离散化处理，如下表4所示。
表4对环境温度、车速两个因素构造离散断值表
离散化处理：当环境温度＜36.5℃时，数据取A；当36.5℃≤环境温度＜37.5℃时，数据取B；当环境温度≥37.5℃时，数据取C。当车速＜32km/h时，数据取A；当32km/h≤车速＜36km/h时，数据取B；当36km/h≤车速＜40km/h时，数据取C。
按此类推，最终二维决策表可整理为离散后的二维决策表，如下表5所示。
表5
S4，对离散后的二维决策表中的车辆行车参数、环境温度和续航里程的数据值分别进行约简处理，得到约简后的二维决策表，约简后的二维决策表中包括车辆行车参数和环境温度中与续航里程强相关的因素的数据值和续航里程的数据值的对应关系。
根据本发明的一个实施例，对离散后的二维决策表中的车辆行车参数、环境温度和续航里程的数据值分别进行约简处理，包括：在离散后的二维决策表中，按照采集时间，将相邻的车辆行车参数、环境温度和续航里程的相同数据值进行合并，得到合并后的二维决策表；将合并后的二维决策表中，与同一续航里程的数据值对应的同一数据值的数量大于1的车辆行车参数和/或环境温度删除。
也就是说，对条件属性集与决策属性集进行数据的约简，在保证属性集决策能力不变的情况下，删除其中不相关或不重要的元素，发掘出影响决策属性的强相关因素。
约简过程为相邻数据的合并，数据的归纳，如下表6所示。
表6
通过约简和相同规则的合并，上表6最终归纳为：
D2(C)and V1(C)＝＞decide(B)，
D2(B)and V1(B)＝＞decide(C)，
D2(B)and V1(A)＝＞decide(B)，
D2(A)and V1(A)＝＞decide(A)。
S5，对约简后的二维决策表中的与续航里程强相关的因素的数据值和续航里程的数据值分别进行规则提取，得到与续航里程强相关的因素和续航里程的对应关系。
根据本发明的一个实施例，对约简后的二维决策表中的与续航里程强相关的因素的数据值和续航里程的数据值分别进行规则提取，包括：将与续航里程强相关的因素的数据值和续航里程的数据值分别返回为对应的范围区间。
具体地，利用粗糙集算法，对约简后的二维决策表中的与续航里程强相关的因素的数据值和续航里程的数据值分别进行规则提取，发掘出续航里程强相关因素与续航里程的潜在关系。具体先根据上表6得出的规律，参考离散化采用的断值表，将规则中的ABC等返回至原始值，得出结论。
例如，环境温度(B)，……and车速(C)≥decide(B)
转化为环境温度(36.5℃≤T＜37.5℃)，……and车速(36km/h≤v＜40km/h)≥续航里程(60km≤里程＜120km)。
因此，本发明使用粗糙集的方法进行数据挖掘，可以筛选出与续航里程强相关的因素，以为续航里程的计算提供理论依据，使计算结果更符合实际使用情况。根据上述分析，本发明主要解决的技术问题为：
(1)新能源汽车的续航里程受到复杂的、众多的因素影响，采用粗糙集的算法进行数据分析，可以在复杂的多因素中，剔除掉无关因素，提取出与续航里程强相关因素，这样能够避免由于工程师自身经验的局限性所导致的因素选择偏差。
(2)多样的行车环境、不同工况、驾驶行为的不同，使得车辆的续航里程在不断变化，直接对其进行建模，计算过程往往局限性强、复杂程度较高。采用粗糙集的算法进行规则挖掘，可以发掘出强相关因素与续航里程的潜在的对应关系进行建模，应用于续驶里程的计算，这样能够减少多样的行车环境与驾驶员行为给续航里程建模带来的复杂性。
综上所述，根据本发明实施例的车辆续航里程的计算方法，先周期性采集车辆行驶过程中的车辆行车参数、环境温度和续航里程，并建立采集时间、车辆行车参数、环境温度和续航里程之间的对应关系，得到二维决策表，然后对二维决策表中的车辆行车参数、环境温度和续航里程分别进行离散化处理，得到离散后的二维决策表，离散后的二维决策表中包括采集时间，以及车辆行车参数、环境温度和续航里程离散化处理后的数据值，接着对离散后的二维决策表中的车辆行车参数、环境温度和续航里程的数据值分别进行约简处理，得到约简后的二维决策表，约简后的二维决策表中包括车辆行车参数和环境温度中与续航里程强相关的因素的数据值和续航里程的数据值的对应关系，最后对约简后的二维决策表中的与续航里程强相关的因素的数据值和续航里程的数据值分别进行规则提取，得到与续航里程强相关的因素和续航里程的对应关系。由此，该方法能够提取与续航里程强相关的因素，并发掘强相关的因素与续航里程的潜在规律进行建模，应用于续航里程的计算，使得计算结果更符合实际使用情况，增加驾驶员功能使用的满意度。
图3是本发明实施例的车辆续航里程的计算装置的方框示意图。如图3所示，本发明实施例的车辆续航里程的计算装置，包括：采集模块10、建立模块20、离散化处理模块30、约简处理模块40和提取模块50。
其中，采集模块10用于周期性采集车辆行驶过程中的车辆行车参数、环境温度和续航里程。建立模块20用于建立采集时间、车辆行车参数、环境温度和续航里程之间的对应关系，得到二维决策表。离散化处理模块30用于对二维决策表中的车辆行车参数、环境温度和续航里程分别进行离散化处理，得到离散后的二维决策表，离散后的二维决策表中包括采集时间，以及车辆行车参数、环境温度和续航里程离散化处理后的数据值。约简处理模块40用于对离散后的二维决策表中的车辆行车参数、环境温度和续航里程的数据值分别进行约简处理，得到约简后的二维决策表，约简后的二维决策表中包括车辆行车参数和环境温度中与续航里程强相关的因素的数据值和续航里程的数据值的对应关系。提取模块50用于对约简后的二维决策表中的与续航里程强相关的因素的数据值和续航里程的数据值分别进行规则提取，得到与续航里程强相关的因素和续航里程的对应关系。
根据本发明的一个实施例，离散化处理模块30具体用于：将二维决策表中的车辆行车参数、环境温度和续航里程分别划分为多个范围区间，并将同一范围区间内的车辆行车参数、环境温度和续航里程赋值为同一数据值，不同范围区间对应的数据值不同。
根据本发明的一个实施例，约简处理模块40具体用于：在离散后的二维决策表中，按照采集时间，将相邻的车辆行车参数、环境温度和续航里程的相同数据值进行合并，得到合并后的二维决策表，并将合并后的二维决策表中，与同一续航里程的数据值对应的同一数据值的数量大于1的车辆行车参数和/或环境温度删除。
根据本发明的一个实施例，提取模块50具体用于：将与续航里程强相关的因素的数据值和续航里程的数据值分别返回为对应的范围区间。
需要说明的是，本发明实施例的车辆续航里程的计算装置中未披露的细节，请参考本发明实施例的车辆续航里程的计算方法中所披露的细节，具体这里不再详述。
根据本发明实施例的车辆续航里程的计算装置，通过采集模块周期性采集车辆行驶过程中的车辆行车参数、环境温度和续航里程，并通过建立模块建立采集时间、车辆行车参数、环境温度和续航里程之间的对应关系，得到二维决策表，然后通过离散化处理模块对二维决策表中的车辆行车参数、环境温度和续航里程分别进行离散化处理，得到离散后的二维决策表，离散后的二维决策表中包括采集时间，以及车辆行车参数、环境温度和续航里程离散化处理后的数据值，接着通过约简处理模块对离散后的二维决策表中的车辆行车参数、环境温度和续航里程的数据值分别进行约简处理，得到约简后的二维决策表，约简后的二维决策表中包括车辆行车参数和环境温度中与续航里程强相关的因素的数据值和续航里程的数据值的对应关系，最后通过提取模块对约简后的二维决策表中的与续航里程强相关的因素的数据值和续航里程的数据值分别进行规则提取，得到与续航里程强相关的因素和续航里程的对应关系。由此，该装置能够提取与续航里程强相关的因素，并发掘强相关的因素与续航里程的潜在规律进行建模，应用于续航里程的计算，使得计算结果更符合实际使用情况，增加驾驶员功能使用的满意度。
另外，本发明还提出了一种车辆控制器，其包括上述的车辆续航里程的计算装置。
本发明实施例的车辆控制器，通过上述的计算装置，能够使得计算结果更符合实际使用情况，增加驾驶员功能使用的满意度。
此外，本发明还提出了一种车辆，其包括上述的车辆续航里程的计算装置。
本发明实施例的车辆，通过上述的计算装置，能够使得计算结果更符合实际使用情况，增加驾驶员功能使用的满意度。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本发明的描述中，“多个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。
流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为，表示包括一个或更多个用于实现定制逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分，并且本发明的优选实施方式的范围包括另外的实现，其中可以不按所示出或讨论的顺序，包括根据所涉及的功能按基本同时的方式或按相反的顺序，来执行功能，这应被本发明的实施例所属技术领域的技术人员所理解。
在流程图中表示或在此以其他方式描述的逻辑和/或步骤，例如，可以被认为是用于实现逻辑功能的可执行指令的定序列表，可以具体实现在任何计算机可读介质中，以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用，或结合这些指令执行系统、装置或设备而使用。就本说明书而言，"计算机可读介质"可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。计算机可读介质的更具体的示例(非穷尽性列表)包括以下：具有一个或多个布线的电连接部(电子装置)，便携式计算机盘盒(磁装置)，随机存取存储器(RAM)，只读存储器(ROM)，可擦除可编辑只读存储器(EPROM或闪速存储器)，光纤装置，以及便携式光盘只读存储器(CDROM)。另外，计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质，因为可以例如通过对纸或其他介质进行光学扫描，接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序，然后将其存储在计算机存储器中。
应当理解，本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。如，如果用硬件来实现和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列(PGA)，现场可编程门阵列(FPGA)等。
本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，该程序在执行时，包括方法实施例的步骤之一或其组合。
此外，在本发明各个实施例中的各功能单元可以集成在一个处理模块中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。
上述提到的存储介质可以是只读存储器，磁盘或光盘等。尽管上面已经示出和描述了本发明的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本发明的限制，本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。

Claims (10)

1.一种车辆续航里程的计算方法，其特征在于，包括：
周期性采集车辆行驶过程中的车辆行车参数、环境温度和续航里程；
建立采集时间、所述车辆行车参数、所述环境温度和所述续航里程之间的对应关系，得到二维决策表；
对所述二维决策表中的所述车辆行车参数、所述环境温度和所述续航里程分别进行离散化处理，得到离散后的二维决策表，所述离散后的二维决策表中包括所述采集时间，以及所述车辆行车参数、所述环境温度和所述续航里程离散化处理后的数据值；
对所述离散后的二维决策表中的所述车辆行车参数、所述环境温度和所述续航里程的数据值分别进行约简处理，得到约简后的二维决策表，所述约简后的二维决策表中包括所述车辆行车参数和所述环境温度中与所述续航里程强相关的因素的数据值和所述续航里程的数据值的对应关系；
对所述约简后的二维决策表中的所述与所述续航里程强相关的因素的数据值和所述续航里程的数据值分别进行规则提取，得到所述与所述续航里程强相关的因素和所述续航里程的对应关系。
2.根据权利要求1所述的计算方法，其特征在于，所述对所述二维决策表中的所述车辆行车参数、所述环境温度和所述续航里程分别进行离散化处理，包括：
将所述二维决策表中的所述车辆行车参数、所述环境温度和所述续航里程分别划分为多个范围区间；
将同一所述范围区间内的所述车辆行车参数、所述环境温度和所述续航里程赋值为同一所述数据值，不同所述范围区间对应的所述数据值不同。
3.根据权利要求1所述的计算方法，其特征在于，所述对所述离散后的二维决策表中的所述车辆行车参数、所述环境温度和所述续航里程的数据值分别进行约简处理，包括：
在所述离散后的二维决策表中，按照所述采集时间，将相邻的所述车辆行车参数、所述环境温度和所述续航里程的相同数据值进行合并，得到合并后的二维决策表；
将所述合并后的二维决策表中，与同一所述续航里程的数据值对应的同一数据值的数量大于1的所述车辆行车参数和/或所述环境温度删除。
4.根据权利要求2所述的计算方法，其特征在于，所述对所述约简后的二维决策表中的所述与所述续航里程强相关的因素的数据值和所述续航里程的数据值分别进行规则提取，包括：
将所述与所述续航里程强相关的因素的数据值和所述续航里程的数据值分别返回为对应的所述范围区间。
5.一种车辆续航里程的计算装置，其特征在于，包括：
采集模块，用于周期性采集车辆行驶过程中的车辆行车参数、环境温度和续航里程；
建立模块，用于建立采集时间、所述车辆行车参数、所述环境温度和所述续航里程之间的对应关系，得到二维决策表；
离散化处理模块，用于对所述二维决策表中的所述车辆行车参数、所述环境温度和所述续航里程分别进行离散化处理，得到离散后的二维决策表，所述离散后的二维决策表中包括所述采集时间，以及所述车辆行车参数、所述环境温度和所述续航里程离散化处理后的数据值；
约简处理模块，用于对所述离散后的二维决策表中的所述车辆行车参数、所述环境温度和所述续航里程的数据值分别进行约简处理，得到约简后的二维决策表，所述约简后的二维决策表中包括所述车辆行车参数和所述环境温度中与所述续航里程强相关的因素的数据值和所述续航里程的数据值的对应关系；
提取模块，用于对所述约简后的二维决策表中的所述与所述续航里程强相关的因素的数据值和所述续航里程的数据值分别进行规则提取，得到所述与所述续航里程强相关的因素和所述续航里程的对应关系。
6.根据权利要求5所述的计算装置，其特征在于，所述离散化处理模块，具体用于：
将所述二维决策表中的所述车辆行车参数、所述环境温度和所述续航里程分别划分为多个范围区间，并将同一所述范围区间内的所述车辆行车参数、所述环境温度和所述续航里程赋值为同一所述数据值，不同所述范围区间对应的所述数据值不同。
7.根据权利要求5所述的计算装置，其特征在于，所述约简处理模块，具体用于：
在所述离散后的二维决策表中，按照所述采集时间，将相邻的所述车辆行车参数、所述环境温度和所述续航里程的相同数据值进行合并，得到合并后的二维决策表，并将所述合并后的二维决策表中，与同一所述续航里程的数据值对应的同一数据值的数量大于1的所述车辆行车参数和/或所述环境温度删除。
8.根据权利要求6所述的计算装置，其特征在于，所述提取模块，具体用于：
将所述与所述续航里程强相关的因素的数据值和所述续航里程的数据值分别返回为对应的所述范围区间。
9.一种车辆控制器，其特征在于，包括：如权利要求5-8任一项所述的车辆续航里程的计算装置。
10.一种车辆，其特征在于，包括：如权利要求5-8任一项所述的车辆续航里程的计算装置。
CN201811406534.9A 2018-11-23 2018-11-23 车辆控制器、车辆及其续航里程的计算方法和装置 Active CN109376473B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811406534.9A CN109376473B (zh) 2018-11-23 2018-11-23 车辆控制器、车辆及其续航里程的计算方法和装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811406534.9A CN109376473B (zh) 2018-11-23 2018-11-23 车辆控制器、车辆及其续航里程的计算方法和装置

Publications (2)

Publication Number Publication Date
CN109376473A true CN109376473A (zh) 2019-02-22
CN109376473B CN109376473B (zh) 2021-06-18

Family

ID=65383449

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811406534.9A Active CN109376473B (zh) 2018-11-23 2018-11-23 车辆控制器、车辆及其续航里程的计算方法和装置

Country Status (1)

Country Link
CN (1) CN109376473B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110866997A (zh) * 2019-11-12 2020-03-06 中国计量大学 一种新的电动汽车行驶工况构建方法
CN111873805A (zh) * 2020-07-24 2020-11-03 重庆长安新能源汽车科技有限公司 一种车辆能耗分析方法及系统

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102708677A (zh) * 2012-05-30 2012-10-03 杭州师范大学 基于粗糙集理论的交通状态评估规则提取方法
CN103707777A (zh) * 2013-11-20 2014-04-09 奇瑞汽车股份有限公司 增程式电动车续航里程显示系统
CN107976635A (zh) * 2017-11-17 2018-05-01 厦门大学 一种基于卡尔曼滤波的电动汽车剩余续航里程估算方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102708677A (zh) * 2012-05-30 2012-10-03 杭州师范大学 基于粗糙集理论的交通状态评估规则提取方法
CN103707777A (zh) * 2013-11-20 2014-04-09 奇瑞汽车股份有限公司 增程式电动车续航里程显示系统
CN107976635A (zh) * 2017-11-17 2018-05-01 厦门大学 一种基于卡尔曼滤波的电动汽车剩余续航里程估算方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
仲秋雁: "基于粗糙集的突发事件属性约简方法", 《运筹与管理》 *
王小凤: "一种基于粗糙集的集成算法及应用", 《计算机应用与软件》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110866997A (zh) * 2019-11-12 2020-03-06 中国计量大学 一种新的电动汽车行驶工况构建方法
CN111873805A (zh) * 2020-07-24 2020-11-03 重庆长安新能源汽车科技有限公司 一种车辆能耗分析方法及系统

Also Published As

Publication number Publication date
CN109376473B (zh) 2021-06-18

Similar Documents

Publication Publication Date Title
Ping et al. Impact of driver behavior on fuel consumption: Classification, evaluation and prediction using machine learning
Chen et al. Driving safety risk prediction using cost-sensitive with nonnegativity-constrained autoencoders based on imbalanced naturalistic driving data
CN106384282A (zh) 构建决策模型的方法和装置
CN107563426A (zh) 一种机车运行时序特征的学习方法
CN104756106A (zh) 表征数据存储系统中的数据源
KR101953190B1 (ko) 복잡한 양자 또는 다자 상대방 관계를 탐색하기 위해 이용되는 다차원 재귀적 학습 과정 및 시스템
Vong et al. Simultaneous-fault detection based on qualitative symptom descriptions for automotive engine diagnosis
CN106203296A (zh) 一种属性辅助的视频动作识别方法
CN109376473A (zh) 车辆控制器、车辆及其续航里程的计算方法和装置
Zhang et al. A novel hybrid correlation measure for probabilistic linguistic term sets and crisp numbers and its application in customer relationship management
Chu et al. A review of driving style recognition methods from short-term and long-term perspectives
Halim et al. Deep neural network-based identification of driving risk utilizing driver dependent vehicle driving features: A scheme for critical infrastructure protection
Duleba et al. Ranking the key areas for autonomous proving ground development using Pareto Analytic Hierarchy Process
Ding et al. An Extended Car‐Following Model in Connected and Autonomous Vehicle Environment: Perspective from the Cooperation between Drivers
Eggensperger et al. Surrogate Benchmarks for Hyperparameter Optimization.
Wang et al. Abnormal trajectory detection based on geospatial consistent modeling
Spiegel et al. Pattern recognition in multivariate time series: dissertation proposal
Lu et al. A bi-level distribution mixture framework for unsupervised driving performance evaluation from naturalistic truck driving data
Wang et al. Stacking based LightGBM-CatBoost-RandomForest algorithm and its application in big data modeling
Bergmeir et al. Classifying component failures of a hybrid electric vehicle fleet based on load spectrum data: Balanced random forest approaches employing uni-and multivariate decision trees
Elhenawy et al. A new approach to improve the topological stability in non-linear dimensionality reduction
CN114817693A (zh) 设备故障知识推荐方法和系统
Cui et al. Method of Collaborative Filtering Based on Uncertain User Interests Cluster.
Islam et al. Elevating Driver Behavior Understanding with RKnD: A Novel Probabilistic Feature Engineering Approach
Kranen Anytime algorithms for stream data mining

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