CN109410367B - 一种车辆电源管理方法、计算机可读存储介质及服务器 - Google Patents

Abstract

本发明属于计算机技术领域，尤其涉及一种基于机器学习的车辆电源管理方法、计算机可读存储介质及服务器。所述方法接收电动汽车发送的车辆状态数据包；根据车辆标识在预设的数据库中查询所述电动汽车的车辆信息；根据位置坐标确定所述电动汽车所在的道路，并在预设的路况指数列表中查询所述道路的路况指数；将剩余电量、车辆信息以及路况指数组成评估向量，并使用预设的机器学习模型对所述评估向量进行计算，得到所述电动汽车的续航里程；若所述续航里程小于预设的里程阈值，则在预设的电源更换站集合中选取与所述电动汽车距离最近的电源更换站作为优选站点；向所述电动汽车下发电源更换指令，指引所述电动汽车前往所述优选站点进行电源更换。

Description

一种车辆电源管理方法、计算机可读存储介质及服务器

技术领域

本发明属于计算机技术领域，尤其涉及一种车辆电源管理方法、计算机可读存储介质及服务器。

背景技术

随着经济的快速发展，资源匮乏和环境污染的问题越来越严重。目前庞大的汽车市场正在加剧资源的耗费，同时也为城市环境增添了更多的压力。而电动汽车因为其具有节能环保的特点正在成为汽车工业的主要发展方向。随着国家的政策支持和各大汽车厂商的积极参与，电动汽车的技术水平正日益提高。目前，己有一部分电动汽车的产品己经成型并投入示范运行，产业化和商业化的模式也在逐步完善。但是，现有技术中缺乏对电动汽车的电源的有效管理，极易出现电量耗尽却找不到充电站的情况，限制了电动汽车的进一步普及。

发明内容

有鉴于此，本发明实施例提供了一种车辆电源管理方法、计算机可读存储介质及服务器，以解决现有技术中缺乏对电动汽车的电源的有效管理，极易出现电量耗尽却找不到充电站的情况的问题。

本发明实施例的第一方面提供了一种车辆电源管理方法，可以包括：

接收电动汽车发送的车辆状态数据包，并从所述车辆状态数据包中解析出所述电动汽车的车辆标识、位置坐标及剩余电量；

根据所述车辆标识在预设的数据库中查询所述电动汽车的车辆信息；

根据所述位置坐标确定所述电动汽车所在的道路，并在预设的路况指数列表中查询所述道路的路况指数；

将所述剩余电量、所述车辆信息以及所述路况指数组成评估向量，并使用预设的机器学习模型对所述评估向量进行计算，得到所述电动汽车的续航里程；

若所述续航里程小于预设的里程阈值，则在预设的电源更换站集合中选取与所述电动汽车距离最近的电源更换站作为优选站点；

向所述电动汽车下发电源更换指令，指引所述电动汽车前往所述优选站点进行电源更换。

本发明实施例的第二方面提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机可读指令，所述计算机可读指令被处理器执行时实现如下步骤：

接收电动汽车发送的车辆状态数据包，并从所述车辆状态数据包中解析出所述电动汽车的车辆标识、位置坐标及剩余电量；

根据所述车辆标识在预设的数据库中查询所述电动汽车的车辆信息；

根据所述位置坐标确定所述电动汽车所在的道路，并在预设的路况指数列表中查询所述道路的路况指数；

将所述剩余电量、所述车辆信息以及所述路况指数组成评估向量，并使用预设的机器学习模型对所述评估向量进行计算，得到所述电动汽车的续航里程；

若所述续航里程小于预设的里程阈值，则在预设的电源更换站集合中选取与所述电动汽车距离最近的电源更换站作为优选站点；

向所述电动汽车下发电源更换指令，指引所述电动汽车前往所述优选站点进行电源更换。

本发明实施例的第三方面提供了一种服务器，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机可读指令，所述处理器执行所述计算机可读指令时实现如下步骤：

接收电动汽车发送的车辆状态数据包，并从所述车辆状态数据包中解析出所述电动汽车的车辆标识、位置坐标及剩余电量；

根据所述车辆标识在预设的数据库中查询所述电动汽车的车辆信息；

根据所述位置坐标确定所述电动汽车所在的道路，并在预设的路况指数列表中查询所述道路的路况指数；

将所述剩余电量、所述车辆信息以及所述路况指数组成评估向量，并使用预设的机器学习模型对所述评估向量进行计算，得到所述电动汽车的续航里程；

若所述续航里程小于预设的里程阈值，则在预设的电源更换站集合中选取与所述电动汽车距离最近的电源更换站作为优选站点；

向所述电动汽车下发电源更换指令，指引所述电动汽车前往所述优选站点进行电源更换。

本发明实施例与现有技术相比存在的有益效果是：本发明实施例首先接收电动汽车发送的车辆状态数据包，从其中解析出车辆标识、位置坐标及剩余电量，然后根据车辆标识在预设的数据库中查找电动汽车的车辆信息，根据位置坐标确定电动汽车所在的道路，并在预设的路况指数列表中查询该道路的路况指数，再通过机器学习模型对这些参数进行处理，得到电动汽车的续航里程，当续航里程较小时，则选取出距离最近的电源更换站，并指引电动汽车前往该站点进行电源更换。通过本发明实施例，准确地对电动汽车的续航里程进行估计，并及时指引电动汽车进行电源更换，实现了对车辆电源的有效管理，有利于促进电动汽车的进一步普及。

附图说明

为了更清楚地说明本发明实施例中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其它的附图。

图1为本发明实施例中一种车辆电源管理方法的一个实施例流程图；

图2为服务器与电动汽车、电源更换站之间的交互示意图；

图3为在预设的电源更换站集合中选取与电动汽车距离最近的电源更换站作为优选站点的示意流程图；

图4为本发明实施例中一种车辆电源管理装置的一个实施例结构图；

图5为本发明实施例中一种服务器的示意框图。

具体实施方式

为使得本发明的发明目的、特征、优点能够更加的明显和易懂，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，下面所描述的实施例仅仅是本发明一部分实施例，而非全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。

请参阅图1，本发明实施例中一种车辆电源管理方法的一个实施例可以包括：

步骤S101、接收电动汽车发送的车辆状态数据包，并从所述车辆状态数据包中解析出所述电动汽车的车辆标识、位置坐标及剩余电量。

如图2所示，本发明实施例的实施主体为进行电源管理的服务器，各个电动汽车、各个电源更换站均与该服务器保持通信连接，进行信息的交互。图中所示的电动汽车均配备可拆卸的移动电源，而电源更换站提供移动电源的更换服务，当电动汽车电量不足时，车主可以到附近的电源更换站更换移动电源，不用考虑电源充电的问题。

电动汽车每隔一定的周期(例如，5分钟、10分钟、20分钟或者其它取值)，即采集一次自身的状态数据，这些状态数据包括但不限于位置坐标、剩余电量等，并将这些状态数据与自身的车辆标识一起打包，生成车辆状态数据包，然后发送给服务器。其中，所述车辆标识可以是车牌号码、车辆识别号码(Vehicle Identification Number，VIN)、发动机号码或者其它标识，该车辆标识是电动汽车在整个系统中的唯一标识，是不会与其他车辆重复的。

服务器在接收到车辆状态数据包后，即可解析出其中包含的的车辆标识、位置坐标及剩余电量等信息。

步骤S102、根据所述车辆标识在预设的数据库中查询所述电动汽车的车辆信息。

服务器在获得车辆标识后，根据该车辆标识在数据库中查找对应的车辆信息，这些车辆信息包括但不限于车辆型号、使用年限、行驶总里程(一般地，使用年限越久、行驶总里程越长的车辆耗电量越大)等对耗电量造成影响的信息。

为了便于快速查询，车辆信息在数据库中可以通过层级存储的方式进行存储，将数据库依次划分为N个层级，具体的车辆信息调取过程为：

首先，通过哈希函数HashFunc₁对车辆标识(使用CarID表示)进行哈希运算，得到第一哈希值：

HashKey₁＝HashFunc₁(CarID)

然后确定HashKey₁在第一层级的数据库所属的子集合，例如，数据库在第一层级上共有3个子集合，分别为：子集合1，记为SubSet1＝{Key_1,1,Key_1,2,......,Key_1,N1}，N1为子集合1包含的元素个数；子集合2，记为SubSet2＝{Key_2,1,Key_2,2,......,Key_2,N2}，N2为子集合2包含的元素个数；子集合3，记为SubSet3＝{Key_3,1,Key_3,2,......,Key_3,N3}，N3为子集合3包含的元素个数。

需要注意的是，各个子集合所组成的合集中应包含了所有车辆标识经哈希运算后所得到的哈希值。

即对于任意一个HashKey₁，以下关系恒成立：

HashKey₁∈SubSet1∪SubSet2∪SubSet3

上述第一哈希值若满足：HashKey₁∈SubSet2，则可确定HashKey₁在第一层级的数据库所属的子集合为子集合2，然后，在子集合2中进行第二层级的数据库查询。

通过哈希函数HashFunc₂对车辆标识进行哈希运算，得到第二哈希值：HashKey₂＝HashFunc₂(CarID)

然后确定HashKey₂在第二层级的数据库所属的子集合，该过程与上述在第一层级的数据库所属的子集合的过程类似，具体可参照上述描述，此处不再赘述。

不断地重复上述过程，直至确定出HashKey_N在第N层级的数据库所属的子集合，其中，N为预设的哈希函数的总数。

通过以上过程，可以快速的将要查询的车辆信息锁定在一个极小的查询范围内，通过在该查询范围内进行遍历查询即可获得所述电动汽车的车辆信息。

步骤S103、根据所述位置坐标确定所述电动汽车所在的道路，并在预设的路况指数列表中查询所述道路的路况指数。

其中，所述路况指数列表的设置过程可以包括：

首先，在所述数据库中查询各条道路的历史数据记录，并根据所述历史数据记录分别计算各条道路的路况指数：

其中，p为道路的序号，1≤p≤PathNum，PathNum为道路的数目，n为电动汽车的序号，1≤n≤N_p，N_p为在第p条道路上行驶过的电动汽车的数目，c为行驶的次数序号，1≤c≤Count_p,n，Count_p,n为在第p条道路上行驶过的第n个电动汽车的行驶次数，Distance_p,n,c为在第p条道路上行驶过的第n个电动汽车第c次行驶的距离，PwLose_p,n,c为在第p条道路上行驶过的第n个电动汽车第c次行驶的耗电量，PathIndex_p为第p条道路的路况指数。某条道路的路况指数越大，则说明该道路路况越好，车辆在该道路上的耗电越少，某条道路的路况指数越小，则说明该道路路况越差，车辆在该道路上的耗电越多。

然后，将各条道路的路况指数构造为如下所示的路况指数列表：

服务器在根据所述位置坐标确定所述电动汽车所在的道路后，即可在该路况指数列表中查询到所述道路的路况指数。

步骤S104、将所述剩余电量、所述车辆信息以及所述路况指数组成评估向量，并使用预设的机器学习模型对所述评估向量进行计算，得到所述电动汽车的续航里程。

所述机器学习模型的构建过程可以包括：

首先，从所述数据库中获取各个车辆的历史统计数据，并根据所述历史统计数据构建样本库，其中，所述样本库中的任一样本均包括评估向量和续航里程。

然后，构造如下所示的机器学习模型：

其中，sn为所述样本库中的样本序号，1≤sn≤SN，SN为所述样本库中的样本总数，SampleVec_sn为第sn个样本的评估向量，且SampleVec_sn＝(SpEm_sn,1,SpEm_sn,2,...,SpEm_sn,dn,...,SpEm_sn,DN)，dn为向量维度的序号，1≤dn≤DN，SN为向量维度的总数，SpEm_sn,dn为第sn个样本的评估向量在第dn个维度上的取值，tn为样本训练的次数序号，WeightVec_tn为第tn次样本训练的权重向量，且WeightVec_tn＝(WtEm_tn,1,WtEm_tn,2,...,WtEm_tn,dn,...,WtEm_tn,DN)，WtEm_tn,dn为WeightVec_tn在第dn个维度上的取值，T为转置符号，EsMileageVec_tn为第tn次样本训练的结果向量，且EsMileageVec_tn＝(EsVal_tn,1,EsVal_tn,2,...,EsVal_tn,sn,...,EsVal_tn,SN)，

特殊地，第1次样本训练的权重向量可以根据实际情况进行设置，例如，可以将其设置为全1向量，即WeightVec₁＝(1,1,...,1,...,1)。

所述机器学习模型的训练过程包括：

根据下式计算第tn次样本训练的误差向量：

Error_tn＝EsMileageVec_tn-SpMileageVec

其中，SpMileageVec为目标结果向量，且SpMileageVec＝(SpVal₁,SpVal₂,...,SpVal_sn,...,SpVal_SN)，SpVal_sn为第sn个样本的续航里程，Error_tn为第tn次样本训练的误差向量。

在此基础上，还可以进一步计算得到第tn次样本训练的误差值：

其中，ErrVal_tn即为第tn次样本训练的误差值，若该误差值大于或等于预设的误差阈值，则需要对所述权重向量进行更新，然后继续下一次的样本训练，若该误差值小于该误差阈值，则可认为机器学习模型已训练完毕。所述误差阈值可以根据实际情况进行设置，例如，可以将其设置为5、10、20或者其它取值。

所述权重向量的更新过程如下式所示：

WeightVec_tn+1 ^T＝WeightVec_tn ^T-λ×SpMatrix^T×Error_tn ^T

其中，λ为预设的更新系数，可以根据实际情况进行设置，例如，可以将其设置为0.1、0.01、0.001或者其它取值，

在所述机器学习模型训练完成后，将所述剩余电量、所述车辆信息以及所述路况指数组成评估向量，并使用所述机器学习模型对所述评估向量进行计算，即可得到所述电动汽车的续航里程。

步骤S105、若所述续航里程小于预设的里程阈值，则在预设的电源更换站集合中选取与所述电动汽车距离最近的电源更换站作为优选站点。

所述里程阈值可以根据实际情况进行设置，例如，可以将其设置为5公里、10公里、20公里或者其它取值。

所述电源更换站集合中包括接受服务器管理进行电动汽车电源更换的所有电源更换站。

如图3所示，步骤S105具体可以包括如下过程：

步骤S1051、获取各个电源更换站的位置坐标。

服务器可以向所述电源更换站集合中的各个电源更换站分别下发位置坐标查询指令，电源更换站在接收到该指令后，通过站内的GPS装置获取其位置坐标，并将该位置坐标反馈至服务器。

步骤S1052、分别计算各个电源更换站与所述电动汽车之间的距离。

例如，可以根据下式分别计算各个电源更换站与所述电动汽车之间的距离：

其中，m为电源更换站的序号，1≤m≤M，M为所述电源更换站集合中的电源更换站的数目，

R为地球半径，(LonCar,LatCar)为所述电动汽车的位置坐标，LonCar为所述电动汽车的纬度坐标，LatCar为所述电动汽车的经度坐标，(LonPS_m,LatPS_m)为第m个电源更换站的位置坐标，LonPS_m为第m个电源更换站的纬度坐标，LatPS_m为第m个电源更换站的经度坐标，Dis_m为个第m个电源更换站与所述电动汽车之间的距离。

步骤S1053、确定所述优选站点。

例如，可以根据下式确定所述优选站点：

PwStation＝argmin(Dis₁,Dis₂,Dis₃,...,Dis_m,...,Dis_M)

其中，argmin为最小自变量函数，PwStation为所述优选站点的序号。

步骤S106、向所述电动汽车下发电源更换指令，指引所述电动汽车前往所述优选站点进行电源更换。

在电源更换指令中携带有所述优选站点的位置坐标以及前往至该优选站点的导航路径，电动汽车在接收到所述电源更换指令后，即可按照其中的指引车前往所述优选站点进行电源更换。

服务器还可以统计每天各个电源更换站的业务量，根据业务量智能分配移动电源的数量，从而让资源合理分配。

综上所述，本发明实施例首先接收电动汽车发送的车辆状态数据包，从其中解析出车辆标识、位置坐标及剩余电量，然后根据车辆标识在预设的数据库中查找电动汽车的车辆信息，根据位置坐标确定电动汽车所在的道路，并在预设的路况指数列表中查询该道路的路况指数，再通过机器学习模型对这些参数进行处理，得到电动汽车的续航里程，当续航里程较小时，则选取出距离最近的电源更换站，并指引电动汽车前往该站点进行电源更换。通过本发明实施例，准确地对电动汽车的续航里程进行估计，并及时指引电动汽车进行电源更换，实现了对车辆电源的有效管理，有利于促进电动汽车的进一步普及。

应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限定。

对应于上文实施例所述的一种车辆电源管理方法，图4示出了本发明实施例提供的一种车辆电源管理装置的一个实施例结构图。

本实施例中，一种车辆电源管理装置可以包括：

车辆状态数据接收模块401，用于接收电动汽车发送的车辆状态数据包，并从所述车辆状态数据包中解析出所述电动汽车的车辆标识、位置坐标及剩余电量；

车辆信息查询模块402，用于根据所述车辆标识在预设的数据库中查询所述电动汽车的车辆信息；

路况指数查询模块403，用于根据所述位置坐标确定所述电动汽车所在的道路，并在预设的路况指数列表中查询所述道路的路况指数；

续航里程计算模块404，用于将所述剩余电量、所述车辆信息以及所述路况指数组成评估向量，并使用预设的机器学习模型对所述评估向量进行计算，得到所述电动汽车的续航里程；

优选站点选取模块405，用于若所述续航里程小于预设的里程阈值，则在预设的电源更换站集合中选取与所述电动汽车距离最近的电源更换站作为优选站点；

电源更换指令下发模块406，用于向所述电动汽车下发电源更换指令，指引所述电动汽车前往所述优选站点进行电源更换。

进一步地，所述车辆电源管理装置还可以包括：

样本库构建模块，用于从所述数据库中获取各个车辆的历史统计数据，并根据所述历史统计数据构建样本库，其中，所述样本库中的任一样本均包括评估向量和续航里程；

机器学习模型构造模块，用于构造如下所示的机器学习模型：

其中，sn为所述样本库中的样本序号，1≤sn≤SN，SN为所述样本库中的样本总数，SampleVec_sn为第sn个样本的评估向量，且SampleVec_sn＝(SpEm_sn,1,SpEm_sn,2,...,SpEm_sn,dn,...,SpEm_sn,DN)，dn为向量维度的序号，1≤dn≤DN，SN为向量维度的总数，SpEm_sn,dn为第sn个样本的评估向量在第dn个维度上的取值，tn为样本训练的次数序号，WeightVec_tn为第tn次样本训练的权重向量，且WeightVec_tn＝(WtEm_tn,1,WtEm_tn,2,...,WtEm_tn,dn,...,WtEm_tn,DN)，WtEm_tn,dn为WeightVec_tn在第dn个维度上的取值，T为转置符号，EsMileageVec_tn为第tn次样本训练的结果向量，且EsMileageVec_tn＝(EsVal_tn,1,EsVal_tn,2,...,EsVal_tn,sn,...,EsVal_tn,SN)，

进一步地，所述车辆电源管理装置还可以包括：

误差向量计算模块，用于根据下式计算第tn次样本训练的误差向量：

Error_tn＝EsMileageVec_tn-SpMileageVec

其中，SpMileageVec为目标结果向量，且SpMileageVec＝(SpVal₁,SpVal₂,...,SpVal_sn,...,SpVal_SN)，SpVal_sn为第sn个样本的续航里程，Error_tn为第tn次样本训练的误差向量；

权重向量更新模块，用于根据下式对所述权重向量进行更新：

WeightVec_tn+1 ^T＝WeightVec_tn ^T-λ×SpMatrix^T×Error_tn ^T

其中，λ为预设的更新系数，

进一步地，所述车辆电源管理装置还可以包括：

路况指数计算模块，用于在所述数据库中查询各条道路的历史数据记录，并根据所述历史数据记录分别计算各条道路的路况指数：

其中，p为道路的序号，1≤p≤PathNum，PathNum为道路的数目，n为电动汽车的序号，1≤n≤N_p，N_p为在第p条道路上行驶过的电动汽车的数目，c为行驶的次数序号，1≤c≤Count_p,n，Count_p,n为在第p条道路上行驶过的第n个电动汽车的行驶次数，Distance_p,n,c为在第p条道路上行驶过的第n个电动汽车第c次行驶的距离，PwLose_p,n,c为在第p条道路上行驶过的第n个电动汽车第c次行驶的耗电量，PathIndex_p为第p条道路的路况指数；

列表构造模块，用于将各条道路的路况指数构造为所述路况指数列表。

进一步地，所述优选站点选取模块可以包括：

位置坐标获取单元，用于获取各个电源更换站的位置坐标；

距离计算单元，用于根据下式分别计算各个电源更换站与所述电动汽车之间的距离：

其中，m为电源更换站的序号，1≤m≤M，M为所述电源更换站集合中的电源更换站的数目，

R为地球半径，(LonCar,LatCar)为所述电动汽车的位置坐标，LonCar为所述电动汽车的纬度坐标，LatCar为所述电动汽车的经度坐标，(LonPS_m,LatPS_m)为第m个电源更换站的位置坐标，LonPS_m为第m个电源更换站的纬度坐标，LatPS_m为第m个电源更换站的经度坐标，Dis_m为个第m个电源更换站与所述电动汽车之间的距离；

优选站点确定单元，用于根据下式确定所述优选站点：

PwStation＝argmin(Dis₁,Dis₂,Dis₃,...,Dis_m,...,Dis_M)

其中，argmin为最小自变量函数，PwStation为所述优选站点的序号。

所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的装置，模块和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。

图5示出了本发明实施例提供的一种服务器的示意框图，为了便于说明，仅示出了与本发明实施例相关的部分。

在本实施例中，所述服务器5可以包括：处理器50、存储器51以及存储在所述存储器51中并可在所述处理器50上运行的计算机可读指令52，例如执行上述的车辆电源管理方法的计算机可读指令。所述处理器50执行所述计算机可读指令52时实现上述各个车辆电源管理方法实施例中的步骤，例如图1所示的步骤S101至S106。或者，所述处理器50执行所述计算机可读指令52时实现上述各装置实施例中各模块/单元的功能，例如图4所示模块401至406的功能。

示例性的，所述计算机可读指令52可以被分割成一个或多个模块/单元，所述一个或者多个模块/单元被存储在所述存储器51中，并由所述处理器50执行，以完成本发明。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机可读指令段，该指令段用于描述所述计算机可读指令52在所述服务器5中的执行过程。

所述处理器50可以是中央处理单元(Central Processing Unit，CPU)，还可以是其它通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(Field-Programmable Gate Array，FPGA)或者其它可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。

所述存储器51可以是所述服务器5的内部存储单元，例如服务器5的硬盘或内存。所述存储器51也可以是所述服务器5的外部存储设备，例如所述服务器5上配备的插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(Flash Card)等。进一步地，所述存储器51还可以既包括所述服务器5的内部存储单元也包括外部存储设备。所述存储器51用于存储所述计算机可读指令以及所述服务器5所需的其它指令和数据。所述存储器51还可以用于暂时地存储已经输出或者将要输出的数据。

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单元中，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单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。

所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干计算机可读指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储计算机可读指令的介质。

以上所述实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (8)

1.一种车辆电源管理方法，其特征在于，包括：

接收电动汽车发送的车辆状态数据包，并从所述车辆状态数据包中解析出所述电动汽车的车辆标识、位置坐标及剩余电量；

根据所述车辆标识在预设的数据库中查询所述电动汽车的车辆信息；

根据所述位置坐标确定所述电动汽车所在的道路，并在预设的路况指数列表中查询所述道路的路况指数；所述路况指数列表的设置过程包括：在所述数据库中查询各条道路的历史数据记录，并根据所述历史数据记录分别计算各条道路的路况指数：

其中，p为道路的序号，1≤p≤PathNum，PathNum为道路的数目，n为电动汽车的序号，1≤n≤N_p，N_p为在第p条道路上行驶过的电动汽车的数目，c为行驶的次数序号，1≤c≤Count_p,n，Count_p,n为在第p条道路上行驶过的第n个电动汽车的行驶次数，Distance_p,n,c为在第p条道路上行驶过的第n个电动汽车第c次行驶的距离，PwLose_p,n,c为在第p条道路上行驶过的第n个电动汽车第c次行驶的耗电量，PathIndex_p为第p条道路的路况指数；将各条道路的路况指数构造为所述路况指数列表；

将所述剩余电量、所述车辆信息以及所述路况指数组成评估向量，并使用预设的机器学习模型对所述评估向量进行计算，得到所述电动汽车的续航里程；

若所述续航里程小于预设的里程阈值，则在预设的电源更换站集合中选取与所述电动汽车距离最近的电源更换站作为优选站点；

向所述电动汽车下发电源更换指令，指引所述电动汽车前往所述优选站点进行电源更换。

2.根据权利要求1所述的车辆电源管理方法，其特征在于，所述机器学习模型的构建过程包括：

从所述数据库中获取各个车辆的历史统计数据，并根据所述历史统计数据构建样本库，其中，所述样本库中的任一样本均包括评估向量和续航里程；

构造如下所示的机器学习模型：

其中，sn为所述样本库中的样本序号，1≤sn≤SN，SN为所述样本库中的样本总数，SampleVec_sn为第sn个样本的评估向量，且SampleVec_sn＝(SpEm_sn,1,SpEm_sn,2,...,SpEm_sn,dn,...,SpEm_sn,DN)，dn为向量维度的序号，1≤dn≤DN，SN为向量维度的总数，SpEm_sn,dn为第sn个样本的评估向量在第dn个维度上的取值，tn为样本训练的次数序号，WeightVec_tn为第tn次样本训练的权重向量，且WeightVec_tn＝(WtEm_tn,1,WtEm_tn,2,...,WtEm_tn,dn,...,WtEm_tn,DN)，WtEm_tn,dn为WeightVec_tn在第dn个维度上的取值，T为转置符号，EsMileageVec_tn为第tn次样本训练的结果向量，且EsMileageVec_tn＝(EsVal_tn,1,EsVal_tn,2,...,EsVal_tn,sn,...,EsVal_tn,SN)，

3.根据权利要求2所述的车辆电源管理方法，其特征在于，所述机器学习模型的训练过程包括：

根据下式计算第tn次样本训练的误差向量：

Error_tn＝EsMileageVec_tn-SpMileageVec

其中，SpMileageVec为目标结果向量，且SpMileageVec＝(SpVal₁,SpVal₂,...,SpVal_sn,...,SpVal_SN)，SpVal_sn为第sn个样本的续航里程，Error_tn为第tn次样本训练的误差向量；

根据下式对所述权重向量进行更新：

WeightVec_tn+1 ^T＝WeightVec_tn ^T-λ×SpMatrix^T×Error_tn ^T

其中，λ为预设的更新系数，

4.根据权利要求1至3中任一项所述的车辆电源管理方法，其特征在于，所述在预设的电源更换站集合中选取与所述电动汽车距离最近的电源更换站作为优选站点包括：

获取各个电源更换站的位置坐标；

根据下式分别计算各个电源更换站与所述电动汽车之间的距离：

其中，m为电源更换站的序号，1≤m≤M，M为所述电源更换站集合中的电源更换站的数目，

R为地球半径，(LonCar,LatCar)为所述电动汽车的位置坐标，LonCar为所述电动汽车的纬度坐标，LatCar为所述电动汽车的经度坐标，(LonPS_m,LatPS_m)为第m个电源更换站的位置坐标，LonPS_m为第m个电源更换站的纬度坐标，LatPS_m为第m个电源更换站的经度坐标，Dis_m为个第m个电源更换站与所述电动汽车之间的距离；

根据下式确定所述优选站点：

PwStation＝argmin(Dis₁,Dis₂,Dis₃,...,Dis_m,...,Dis_M)

其中，argmin为最小自变量函数，PwStation为所述优选站点的序号。

5.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机可读指令，其特征在于，所述计算机可读指令被处理器执行时实现如权利要求1至4中任一项所述的车辆电源管理方法的步骤。

6.一种服务器，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机可读指令，其特征在于，所述处理器执行所述计算机可读指令时实现如下步骤：

接收电动汽车发送的车辆状态数据包，并从所述车辆状态数据包中解析出所述电动汽车的车辆标识、位置坐标及剩余电量；

根据所述车辆标识在预设的数据库中查询所述电动汽车的车辆信息；

根据所述位置坐标确定所述电动汽车所在的道路，并在预设的路况指数列表中查询所述道路的路况指数；所述路况指数列表的设置过程包括：在所述数据库中查询各条道路的历史数据记录，并根据所述历史数据记录分别计算各条道路的路况指数：

其中，p为道路的序号，1≤p≤PathNum，PathNum为道路的数目，n为电动汽车的序号，1≤n≤N_p，N_p为在第p条道路上行驶过的电动汽车的数目，c为行驶的次数序号，1≤c≤Count_p,n，Count_p,n为在第p条道路上行驶过的第n个电动汽车的行驶次数，Distance_p,n,c为在第p条道路上行驶过的第n个电动汽车第c次行驶的距离，PwLose_p,n,c为在第p条道路上行驶过的第n个电动汽车第c次行驶的耗电量，PathIndex_p为第p条道路的路况指数；将各条道路的路况指数构造为所述路况指数列表；

将所述剩余电量、所述车辆信息以及所述路况指数组成评估向量，并使用预设的机器学习模型对所述评估向量进行计算，得到所述电动汽车的续航里程；

若所述续航里程小于预设的里程阈值，则在预设的电源更换站集合中选取与所述电动汽车距离最近的电源更换站作为优选站点；

向所述电动汽车下发电源更换指令，指引所述电动汽车前往所述优选站点进行电源更换。

7.根据权利要求6所述的服务器，其特征在于，所述机器学习模型的构建过程包括：

从所述数据库中获取各个车辆的历史统计数据，并根据所述历史统计数据构建样本库，其中，所述样本库中的任一样本均包括评估向量和续航里程；

构造如下所示的机器学习模型：

其中，sn为所述样本库中的样本序号，1≤sn≤SN，SN为所述样本库中的样本总数，SampleVec_sn为第sn个样本的评估向量，且SampleVec_sn＝(SpEm_sn,1,SpEm_sn,2,...,SpEm_sn,dn,...,SpEm_sn,DN)，dn为向量维度的序号，1≤dn≤DN，SN为向量维度的总数，SpEm_sn,dn为第sn个样本的评估向量在第dn个维度上的取值，tn为样本训练的次数序号，WeightVec_tn为第tn次样本训练的权重向量，且WeightVec_tn＝(WtEm_tn,1,WtEm_tn,2,...,WtEm_tn,dn,...,WtEm_tn,DN)，WtEm_tn,dn为WeightVec_tn在第dn个维度上的取值，T为转置符号，EsMileageVec_tn为第tn次样本训练的结果向量，且EsMileageVec_tn＝(EsVal_tn,1,EsVal_tn,2,...,EsVal_tn,sn,...,EsVal_tn,SN)，

8.根据权利要求7所述的服务器，其特征在于，所述机器学习模型的训练过程包括：

根据下式计算第tn次样本训练的误差向量：

Error_tn＝EsMileageVec_tn-SpMileageVec

其中，SpMileageVec为目标结果向量，且SpMileageVec＝(SpVal₁,SpVal₂,...,SpVal_sn,...,SpVal_SN)，SpVal_sn为第sn个样本的续航里程，Error_tn为第tn次样本训练的误差向量；

根据下式对所述权重向量进行更新：

WeightVec_tn+1 ^T＝WeightVec_tn ^T-λ×SpMatrix^T×Error_tn ^T

其中，λ为预设的更新系数，

Images