CN109740213B - 车辆能耗评估方法、设备及存储介质 - Google Patents

Abstract

本申请提供一种车辆能耗评估方法、设备及存储介质。该方法包括获取待测车辆的能耗变量集，所述能耗变量集包括表征车辆行驶情况的车辆行驶变量、表征车辆部件使用情况的车辆状态变量、以及表征用户驾驶行为的驾驶行为变量；将所述待测车辆的能耗变量集作为能耗模型的输入，获得所述待测车辆的能耗，所述能耗模型是以训练车辆的能耗变量集及其对应的能耗为样本预先训练建立的。本申请的方法可针对性的获取各能耗变量对待测车辆的能耗的影响，提高评估的针对性和准确性。

Description

车辆能耗评估方法、设备及存储介质

技术领域

本申请涉及车辆导航技术领域，尤其涉及一种车辆能耗评估方法、设备及存储介质。

背景技术

车辆能耗评估主要用于车辆的续航里程评估，精确的车辆能耗评估为用户的导航路径规划提供了参考依据，具有广阔的发展前景。

现有技术中，车辆能耗通常是根据车速和档位进行计算，车辆能耗评估针对性差，评估数据不准确，经常会出现车辆能耗值大幅度跳变的情况。

发明内容

本申请提供一种车辆能耗评估方法、设备及存储介质，用以解决现有技术中车辆能耗评估针对性差、评估数据不准确的技术问题。

本申请的第一个方面是提供一种车辆能耗评估方法，包括：

获取待测车辆的能耗变量集，所述能耗变量集包括表征车辆行驶情况的车辆行驶变量、表征车辆部件使用情况的车辆状态变量、以及表征用户驾驶行为的驾驶行为变量；

将所述待测车辆的能耗变量集作为能耗模型的输入，获得所述待测车辆的能耗，所述能耗模型是以训练车辆的能耗变量集及其对应的能耗为样本预先训练建立的。

在一种可能的设计中，所述方法还包括：

将训练车辆的行程划分为多个行程片段；

获取训练车辆在各行程片段下的能耗变量集和能耗；

对训练车辆在各行程片段下的能耗变量集和能耗进行拟合，建立所述能耗模型。

在一种可能的设计中，所述训练车辆包括多种类型的车辆；所述对训练车辆在各行程片段下的能耗变量集和能耗进行拟合，建立所述能耗模型，包括：

针对每种类型的训练车辆，对该类型的训练车辆在各行程片段下的能耗变量集和能耗进行拟合，获得该类型的能耗模型；

所述将所述待测车辆的能耗变量集作为能耗模型的输入，获得所述待测车辆的能耗，包括：

确定所述待测车辆所属类型对应的第一能耗模型；

将所述待测车辆的能耗变量集作为所述第一能耗模型的输入，获得所述待测车辆的能耗。

在一种可能的设计中，所述将训练车辆的行程划分为多个行程片段之后，还包括：

剔除连续怠速时长超过第一阈值的所述行程片段，所述连续怠速时长为训练车辆的运行速度小于目标速度的时长。

在一种可能的设计中，所述将训练车辆的行程划分为多个行程片段，包括：

根据预设行程划分准则，将训练车辆的行程划分为多个行程片段；其中，所述预设行程划分准则包括，每个所述行程片段内训练车辆的车速平稳且所述车辆状态变量的值不变。

在一种可能的设计中，所述车辆状态变量包括天气环境变量；所述获取待测车辆的能耗变量集，包括：

获取所述待测车辆当前的运行状态，所述运行状态包括行驶状态或未启动状态；

若所述待测车辆当前处于行驶状态，则获取所述车辆行驶变量、所述车辆状态变量和所述驾驶行为变量的当前值；

若所述待测车辆当前处于未启动状态，则获取当前的天气环境变量，根据当前的天气环境变量和历史天气环境变量对应的车辆状态变量分析获得当前的车辆状态变量，并根据历史驾车数据获得所述车辆行驶变量和所述驾驶行为变量的当前值。

在一种可能的设计中，若所述待测车辆处于行驶状态，所述方法还包括：

若待测车辆的导航处于启用状态，则依据所述导航的路况数据更新所述能耗变量集中各变量的值。

在一种可能的设计中，所述方法还包括：

获取待测车辆的可用能量,根据所述可用能量及所述待测车辆的能耗，确定所述待测车辆的续航里程，所述待测车辆的可用能量为待测车辆的当前剩余油量或电量。

本申请的第二个方面是提供一种车辆能耗评估设备，包括：

变量集确定模块，用于获取待测车辆的能耗变量集，所述能耗变量集包括表征车辆行驶情况的车辆行驶变量、表征车辆部件使用情况的车辆状态变量、以及表征用户驾驶行为的驾驶行为变量；

能耗确定模块，用于将所述待测车辆的能耗变量集作为能耗模型的输入，获得所述待测车辆的能耗，所述能耗模型是以训练车辆的能耗变量集及其对应的能耗为样本预先训练建立的。

在一种可能的设计中，所述车辆能耗评估设备还包括能耗模型确定模块，所述能耗模型确定模块用于：

将训练车辆的行程划分为多个行程片段；

获取训练车辆在各行程片段下的能耗变量集和能耗；

对训练车辆在各行程片段下的能耗变量集和能耗进行拟合，建立所述能耗模型。

在一种可能的设计中，所述训练车辆包括多种类型的车辆；所述能耗模型确定模块还用于：

针对每种类型的训练车辆，对该类型的训练车辆在各行程片段下的能耗变量集和能耗进行拟合，获得该类型的能耗模型；

所述能耗确定模块具体用于：

确定所述待测车辆所属类型对应的第一能耗模型；

将所述待测车辆的能耗变量集作为所述第一能耗模型的输入，获得所述待测车辆的能耗。

在一种可能的设计中，所述能耗模型确定模块还用于：

剔除连续怠速时长超过第一阈值的所述行程片段，所述连续怠速时长为训练车辆的运行速度小于目标速度的时长。

在一种可能的设计中，所述能耗模型确定模块还用于根据预设行程划分准则，将训练车辆的行程划分为多个行程片段；其中，所述预设行程划分准则包括，每个所述行程片段内训练车辆的车速平稳且所述车辆状态变量的值不变。

在一种可能的设计中，所述车辆状态变量包括天气环境变量；所述变量集确定模块用于：

获取所述待测车辆当前的运行状态，所述运行状态包括行驶状态或未启动状态；

若所述待测车辆当前处于行驶状态，则获取所述车辆行驶变量、所述车辆状态变量和所述驾驶行为变量的当前值；

若所述待测车辆当前处于未启动状态，则获取当前的天气环境变量，根据当前的天气环境变量和历史天气环境变量对应的车辆状态变量分析获得当前的车辆状态变量，并根据历史驾车数据获得所述车辆行驶变量和所述驾驶行为变量的当前值。

在一种可能的设计中，所述变量参数确定模块还用于：

在待测车辆处于行驶状态时，若所述待测车辆的导航处于启用状态，则依据所述导航的路况数据更新所述能耗变量集中各变量的值。

在一种可能的设计中，所述设备还包括：

里程确定模块，用于获取所述待测车辆的可用能量,根据所述可用能量及所述能耗，确定所述待测车辆的续航里程，所述待测车辆的可用能量为待测车辆当前剩余油量或电量。

本申请的第三个方面是提供一种车辆能耗评估设备，包括：处理器和存储器；所述存储器存储有计算机程序；所述处理器执行所述存储器存储的计算机程序，以实现前述的方法。

本申请的第四个方面是提供一种计算机可读存储介质，该计算机可读存储介质中存储有计算机程序，计算机程序被执行时实现前述的方法。

本实施例提供的车辆能耗评估方法，获取待测车辆的能耗变量集，并对待测车辆的能耗变量集中各变量进行分类，包括但不限于用于表征车辆行驶情况的车辆行驶变量、表征车辆部件使用情况的车辆状态变量、以及表征用户驾驶行为的驾驶行为变量，将该多维度的能耗变量集输入待测车辆能耗模型，可针对性的获取各能耗变量对待测车辆的能耗的影响，提高评估的针对性和准确性。

附图说明

此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本公开的实施例，并与说明书一起用于解释本公开的原理。

图1为本发明实施例提供的车辆能耗评估方法的流程示意图；

图2为本发明实施例提供的车辆能耗评估方法中获取能耗模型的流程示意图；

图3为本发明实施例提供的车辆能耗评估方法中获取待测车辆能耗的流程示意图；

图4为本发明实施例提供的车辆能耗评估方法中获取待测车辆能耗变量集的流程示意图；

图5为本发明实施例提供的车辆能耗评估设备的结构示意图；

图6为本发明实施例提供的车辆能耗评估设备的硬件结构示意图。

通过上述附图，已示出本公开明确的实施例，后文中将有更详细的描述。这些附图和文字描述并不是为了通过任何方式限制本公开构思的范围，而是通过参考特定实施例为本领域技术人员说明本公开的概念。

具体实施方式

这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本公开相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本公开的一些方面相一致的装置和方法的例子。

下面以具体地实施例对本申请的技术方案以及本申请的技术方案如何解决上述技术问题进行详细说明。下面这几个具体的实施例可以相互结合，对于相同或相似的概念或过程可能在某些实施例中不再赘述。下面将结合附图，对本申请的实施例进行描述。

图1为本申请一示例性实施例提供的车辆能耗评估方法的流程示意图，本实施例的执行主体可以为车载终端、远程服务器或者移动终端，本实施例此处对执行主体不做限定。如图1所示，该方法包括：

S101：获取待测车辆的能耗变量集，所述能耗变量集包括表征车辆行驶情况的车辆行驶变量、表征车辆部件使用情况的车辆状态变量、以及表征用户驾驶行为的驾驶行为变量。

可选地，表征车辆行驶情况的车辆行驶变量包括：平均车速、总行程里程数、总行驶天数、上次保养后的行驶里程数、上次保养后行驶天数、上次保养后间隔天数。

可选地，除去平均车速外的所有的车辆行驶变量通过车机端的仪表直接获取，具体地，车机通过CAN总线与车载终端相连，车载终端通过无线通讯可以与远程服务器或者移动终端相连。

平均车速为目标行程片段内，总里程与总时间的比值，目标行程片段可以为用户最近的行程。

表征车辆部件使用情况的车辆状态变量包括用于描述空调使用情况的空调系统变量，用于描述灯光使用情况的灯光系统变量，座椅加热系统变量，用车天气环境变量，车机导航主机(Audio Video Navigation，以下简称AVN)屏幕使用变量。

本实施例中，除AVN以外的车辆状态变量均可以通过车载终端直接获取。实际应用中，由AVN车机屏幕埋点，在AVN屏幕通过时间和车架号关联，即可得到当前状态的AVN屏幕使用情况。

空调系统变量包括空调工作模式和空调风速等级，可选地，空调工作模式可以为关闭/热风/冷风，取值分别为0、1、2；空调风速等级为大于等于0的正整数，当空调工作模式为关闭时，空调风速等级为0。

灯光系统变量包括近光灯工作状态、远光灯工作状态、雾灯工作状态、顶灯工作状态及雨刮器工作状态，其中雨刮器工作状态可以为关闭/慢速/快速三种情况，取值分别为0、1、2，其他变量的工作状态均为关闭和打开两种，对应的取值分别为0、1。

座椅加热系统包括主驾加热状态和副驾加热状态，均为关闭和打开两种，取值分别为0、1。

用车环境变量包括天气类型和车外温度，天气类型可以为晴天/雨天/下雪，取值分别为0、1、2，应理解的是，天气类型可以根据实际情况进行细化；车外温度以单位摄氏度进行记录。

车机AVN屏幕使用变量包括车机屏幕工作状态、车机音频工作状态、车机视频工作状态，其中车机屏幕工作状态可以为关闭/休眠/打开，取值分别为0、1、2；其他变量的工作状态均为关闭和打开两种，对应的取值分别为0、1。

表征用户驾驶行为的驾驶行为变量包括百公里急加速次数，百公里急减速次数，百公里急转弯次数。急加速具体是指，车辆前后两秒的速度差值大于第二阈值，持续时间大于2S，并且油门开合度增长大于阈值，且在高开合度持续数秒；急减速是指，车辆前后两秒的速度差小于负的第二阈值，持续时间大于2S；且刹车开合度增长大于阈值，且在低开合度持续数秒；急转弯是指，方向盘角度大于第三阈值、且车速大于第二阈值，持续数秒以上。应理解的是，第二阈值、第三阈值均为设定值。

可选地，百公里急加速次数计算公式为：

其中，S为百公里急加速次数，s为单次行程急加速次数，L为单次行程里程(km)。

可选地，可以将车辆的行程划分为多个行程片段，统计在每个行程片段内的急加速次数，获取单位形成内行程急加速次数的平均值。

百公里急减速次数、百公里急转弯次数的计算与统计方式与百公里急加速次数的计算和统计方式相同，在此不再赘述。

可选地，百公里急加速次数、百公里急减速次数及百公里急转弯次数完成统计后作为预设值，模型拟合时可以直接调取。

本实施例中，确定待测车辆的能耗变量集之前，还包括确定待测车辆的类型。

S102：将所述待测车辆的能耗变量集作为能耗模型的输入，获得所述待测车辆的能耗，所述能耗模型是以训练车辆的能耗变量集及其对应的能耗为样本预先训练建立的。

在本实施例中，待测车辆的能耗可以为百公里能耗也可以为单位能耗，均是由多维的能耗变量集输入能耗模型获取。

在获取待测车辆的能耗之前，获取训练车辆的能耗变量集及其对应的能耗，将其作为样本进行预先训练获取能耗模型。

作为本发明的一个实施例，执行主体为车载终端，车载终端可直接获取待测车辆的能耗变量集，将待测车辆的能耗变量集作为能耗模型的输入，获得待测车辆的能耗后，车载终端可以通过无线网络发送至移动终端或服务器，便于用户可远程实时获取车辆的能耗状态。

作为本发明的另一实施例，执行主体为远程服务器或移动终端，车载终端获取待测车辆的能耗变量集后，通过无线网络发送至远程服务器或移动终端，获得待测车辆的能耗后，远程服务器或移动终端将能耗数据反馈至车载终端，便于驾驶人员了解待测车辆的能耗状态。

本实施例提供的车辆能耗评估方法，获取待测车辆的能耗变量集，并对待测车辆的能耗变量集中各变量进行分类，包括但不限于用于表征车辆行驶情况的车辆行驶变量、表征车辆部件使用情况的车辆状态变量、以及表征用户驾驶行为的驾驶行为变量，将该能耗变量集输入待测车辆能耗模型，可针对性的获取各能耗变量对待测车辆的能耗的影响，提高评估的针对性和准确性。

图2为本发明一示例性实施例提供的能耗模型建立流程图，如图2所示，该方法包括：

S201、将训练车辆的行程划分为多个行程片段。

S202、获取训练车辆在各行程片段下的能耗变量集和能耗。

可选地，每个行程片段内的能耗值可以采用加权或平均值的方式确定，消除了单位时间内取值不同造成的差异。

若训练车辆为油驱车，则能耗即为有效的喷油量，若训练车辆为电驱车，则能耗为电池的使用量。

实际应用中，可以通过设置车辆状态变量改变能耗变量集的取值，以使得能耗变量集的取值多样化。

S203、对训练车辆在各行程片段下的能耗变量集和能耗进行拟合，建立所述能耗模型。

可选地，将训练车辆能耗变量集和能耗数据分为训练集和测量集两部分，然后采用多元回归模型进行训练迭代，拟合获取能耗模型。应理解的是，模型拟合前，可以进行相关缺失值处理，即针对不能直接读取的变量值，可以通过标定量的方式进行赋值，并针对不同的车辆进行适应性修改。

本实施通过多维度的能耗变量拟合出能耗模型，最大限度的保障能耗模型的准确性，为待测车辆的能耗评估提供可靠的模型。

作为本发明的一个实施例，针对每种类型的训练车辆，对该类型的训练车辆在各行程片段下的能耗变量集和能耗进行拟合，获得该类型的能耗模型。

训练车辆有多种类型，可以按照能耗来源分为油驱车或者电驱车，也可以在油驱车或电驱车的基础上进行细分。实际应用中，针对细分的训练车辆类型，获取相应的能耗变量集及对应的能耗，然后进行拟合，极大的提高了能耗模型的准确性和针对性。

可选地，不同类型的训练车辆对不同能耗变量的敏感度不同，可以针对性的对敏感的能耗变量进行定量赋值。

图3为本发明一示例性实施例提供的获取待测车辆的能耗流程图，如图3所示，该方法包括：

S301、确定所述待测车辆所属类型对应的第一能耗模型；

S302、将所述待测车辆的能耗变量集作为所述第一能耗模型的输入，获得所述待测车辆的能耗。

按照训练车辆的分类，确定待测车辆所属类型，并获取其对应的第一能耗模型，第一能耗模型属于能耗模型中的一种。

可选地，可以调整能耗变量集中待测车辆的车辆状态变量、驾驶行为变量，获取基于特定的驾驶场景下的能耗，对驾驶人员的驾驶习惯给出修订意见。

作为本发明的一个实施例，将训练车辆的行程划分为多个行程片段之后，剔除连续怠速时长超过第一阈值的所述行程片段，所述连续怠速时长为训练车辆的运行速度小于目标速度的时长。

第一阈值和目标速度均为预设值，可以根据训练车辆的类型预设为不同的值。连续怠速时长超过第一阈值时表示训练车辆处于非正常运行状态，此时训练车辆的能耗变量集对应的能耗为噪音数据，剔除该部分数据，提高了能耗模型的准确度。

作为本发明的一个实施例，根据预设行程划分准则，将训练车辆的行程划分为多个行程片段；其中，所述预设行程划分准则包括，每个所述行程片段内训练车辆的车速平稳且所述车辆状态变量的值不变。

可选地，车速平稳可以为车速保持不变或者为在每个行程片段内车速的最大值与最小值的差值不超过设定阈值。预设行程内车速运行平稳，车辆状态变量的值保持不变，可有效排除微小干扰，保障能耗数据的准确性。

图4为本发明一示例性实施例提供的获取待测车辆的能耗变量集的流程示意图，所述车辆状态变量包括天气环境变量；本实施例为图1所示实施例中获取待测车辆的能耗变量集的具体说明，包括：

S401、获取所述待测车辆当前的运行状态，所述运行状态包括行驶状态或未启动状态。

可选地，行驶状态为待测车辆的行驶速度大于设定速度；未启动状态即待测车辆未启动，停车中。

S402、若所述待测车辆当前处于行驶状态，则获取所述车辆行驶变量、所述车辆状态变量和所述驾驶行为变量的当前值。

待测车辆处于行驶状态时，车辆行驶变量、车辆状态变量及驾驶行为变量均已经确定，可实时获取。

S403、若所述待测车辆当前处于未启动状态，则获取当前的天气环境变量，根据当前的天气环境变量和历史天气环境变量对应的车辆状态变量分析获得当前的车辆状态变量，并根据历史驾车数据获得所述车辆行驶变量和所述驾驶行为变量的当前值。

待测车辆处于未启动状态时，部分用于表征车辆状态变量的均处于关闭状态。天气环境变量可以直接依据待测车辆的位置及获取用车环境变量的时间，从网络的天气数据获取。

历史天气环境变量与车辆状态变量存在对应关系，即用户的驾驶习惯，然后可以当前的根据天气环境变量，分析获得当前的车辆状态变量。例如，用户驾车历史上，下雨天，当车外温度为15℃时，用户会打开雨刮器并使其处于快速状态，空调工作模式选为热风，车机音频处于打开状态，主驾位置处于加热状态，若当前天气环境也为下雨天，车外温度也是15℃时，则可根据对应的车辆状态变量对当前的车辆状态变量进行赋值。

可选地，历史天气环境变量对应的车辆状态以表格的方式预存储。

可选地，历史驾车数据可以为驾驶人员最近行程或里程内车辆行驶变量和驾驶行为变量，其值可以预存储。

本实施例中通过对待测车辆的运行状态的划分，针对性的调节能耗变量集的获取方式，使能耗变量集的取值更加贴近用户的实际驾驶场景，可获取可靠的能耗数据。

作为本发明的一个实施例，若所述待测车辆处于行驶状态，所述方法还包括：

若待测车辆的导航处于启用状态，则依据所述导航的路况数据更新所述能耗变量集中各变量的值。

导航的路况数据包括但不限于路基、路面及附属设施。

待测车辆处于行驶状态时，能耗变量集中的车辆行驶变量、车辆状态变量、以及驾驶行为变量均处于变化状态，其中车辆的状态变量及车辆行驶变量可以实时获取，驾驶行为变量会根据路况数据变化发生改变。

可选地，预设路况数据与驾驶行为变量的对应关系，当路况数据变化时，调取对应的驾驶行为变量进行能耗变量集的更新，进一步精度能耗取值。

作为本发明的一个实施例，所述车辆能耗评估方法还包括：

获取待测车辆的可用能量,根据所述可用能量及所述待测车辆的能耗，确定待测车辆的续航里程，所述待测车辆的可用能量为待测车辆的当前剩余油量或电量。

可选地，待测车辆可以为油驱车或电驱车，油驱车的能耗单位为L/Km，电驱车的能耗单位为KWH/Km。

若待测车辆为油驱车，读取待测车辆的当前剩余油量,单位为L；将当前剩余油量与待测车辆的能耗求商，获得待测车辆的续航里程Km，可用于导航路径规划，包括但不限于长途路径规划，确定加油时间等，为用户提供驾驶指导。可选地，若已知需继续运行的里程，可以确定待测车辆的加油量。

应理解的是，若带车车辆为电驱车，计算过程同上，再此不再赘述。

图5为本发明一示例性实施例提供的车辆能耗评估设备的结构示意图，如图5所述，该车辆能耗评估设备包括：

变量集确定模块501，用于获取待测车辆的能耗变量集，所述能耗变量集包括表征车辆行驶情况的车辆行驶变量、表征车辆部件使用情况的车辆状态变量、以及表征用户驾驶行为的驾驶行为变量；

能耗确定模块502，用于将所述待测车辆的能耗变量集作为能耗模型的输入，获得所述待测车辆的能耗，所述能耗模型是以训练车辆的能耗变量集及其对应的能耗为样本预先训练建立的。

可选地，表征车辆行驶情况的车辆行驶变量包括：平均车速、总行程里程数、总行驶天数、上次保养后的行驶里程数、上次保养后行驶天数、上次保养后间隔天数。

可选地，除去平均车速外的所有的车辆行驶变量通过车机端的仪表直接获取，具体地，车机通过CAN总线与车载终端相连，车载终端通过无线通讯可以与远程服务器或者移动终端相连。

平均车速为目标行程片段内，总里程与总时间的比值，目标行程片段可以为用户最近的行程。

表征车辆部件使用情况的车辆状态变量包括用于描述空调使用情况的空调系统变量，用于描述灯光使用情况的灯光系统变量，座椅加热系统变量，用车天气环境变量，车机导航主机(Audio Video Navigation，以下简称AVN)屏幕使用变量。

本实施例中，除车机AVN以外的车辆状态变量均可以通过车载终端直接获取。实际应用中，由AVN车机屏幕埋点，在AVN屏幕通过时间和车架号关联，即可得到当前状态的AVN屏幕使用情况。

空调系统变量包括空调工作模式和空调风速等级，可选地，空调工作模式可以为关闭/热风/冷风，取值分别为0、1、2；空调风速等级为大于等于0的正整数，当空调工作模式为关闭时，空调风速等级为0。

灯光系统变量包括近光灯工作状态、远光灯工作状态、雾灯工作状态、顶灯工作状态及雨刮器工作状态，其中雨刮器工作状态可以为关闭/慢速/快速三种情况，取值分别为0、1、2，其他变量的工作状态均为关闭和打开两种，对应的取值分别为0、1。

座椅加热系统包括主驾加热状态和副驾加热状态，均为关闭和打开两种，取值分别为0、1。

用车环境变量包括天气类型和车外温度，天气类型可以为晴天/雨天/下雪，取值分别为0、1、2，应理解的是，天气类型可以根据实际情况进行细化；车外温度以单位摄氏度进行记录。

车机AVN屏幕使用变量包括车机屏幕工作状态、车机音频工作状态、车机视频工作状态，其中车机屏幕工作状态可以为关闭/休眠/打开，取值分别为0、1、2；其他变量的工作状态均为关闭和打开两种，对应的取值分别为0、1。

表征用户驾驶行为的驾驶行为变量包括百公里急加速次数，百公里急减速次数，百公里急转弯次数。急加速具体是指，车辆前后两秒的速度差值大于第二阈值，持续时间大于2S，并且油门开合度增长大于阈值，且在高开合度持续数秒；急减速是指，车辆前后两秒的速度差小于负的第二阈值，持续时间大于2S；且刹车开合度增长大于阈值，且在低开合度持续数秒；急转弯是指，方向盘角度大于第三阈值、且车速大于第二阈值，持续数秒以上。应理解的是，第二阈值、第三阈值均为设定值。

可选地，百公里急加速次数计算公式为：

其中，S为百公里急加速次数，s为单次行程急加速次数，L为单次行程里程(km)。

可选地，变量集确定模块501可以将车辆的行程划分为多个行程片段，统计在每个行程片段内的急加速次数，获取单位形成内行程急加速次数的平均值。

百公里急减速次数、百公里急转弯次数的计算与统计方式与百公里急加速次数的计算和统计方式相同，在此不再赘述。

可选地，百公里急加速次数、百公里急减速次数及百公里急转弯次数完成统计后作为预设值，模型拟合时可以直接调取。

本实施例中，变量集确定模块501确定待测车辆的能耗变量集之前，还包括确定待测车辆的类型。

在本实施例中，待测车辆的能耗可以为百公里能耗也可以为单位能耗，均是由多维的能耗变量集输入能耗模型获取。

作为本发明的一个实施例，执行主体为车载终端，车载终端可直接获取待测车辆的能耗变量集，将待测车辆的能耗变量集作为能耗模型的输入，获得待测车辆的能耗后，车载终端可以通过无线网络发送至移动终端或服务器，便于用户可远程实时获取车辆的能耗状态。

作为本发明的另一实施例，执行主体为远程服务器或移动终端，车载终端获取待测车辆的能耗变量集后，通过无线网络发送至远程服务器或移动终端，获得待测车辆的能耗后，远程服务器或移动终端将能耗数据反馈至车载终端，便于驾驶人员了解待测车辆的能耗状态。

本实施例提供的车辆能耗评估设备，变量集确定模块获取待测车辆的能耗变量集，并对待测车辆的能耗变量集中各变量进行分类，包括但不限于用于表征车辆行驶情况的车辆行驶变量、表征车辆部件使用情况的车辆状态变量、以及表征用户驾驶行为的驾驶行为变量，将该能耗变量集输入待测车辆能耗模型，可针对性的获取各能耗变量对待测车辆的能耗的影响，提高评估的针对性和准确性。

作为本发明的一个实施例，所述车辆能耗评估设备还包括能耗模型确定模块503，所述能耗模型确定模块用于：

将训练车辆的行程划分为多个行程片段；

获取训练车辆在各行程片段下的能耗变量集和能耗；

对训练车辆在各行程片段下的能耗变量集和能耗进行拟合，建立所述能耗模型。

在获取待测车辆的能耗之前，能耗模型确定模型503获取训练车辆的能耗变量集及其对应的能耗，将其作为样本进行预先训练获取能耗模型。

可选地，每个行程片段内的能耗值可以采用加权或平均值的方式确定，消除了单位时间内取值不同造成的差异。

若训练车辆为油驱车，则能耗即为有效的喷油量，若训练车辆为电驱车，则能耗为电池的使用量。

实际应用中，能耗模型确定模块503可以通过设置车辆状态变量改变能耗变量集的取值，以使得能耗变量集的取值多样化。

可选地，能耗模型确定模块503将训练车辆能耗变量集和能耗数据分为训练集和测量集两部分，然后采用多元回归模型进行训练迭代，拟合获取能耗模型。应理解的是，模型拟合前，可以进行相关缺失值处理，即针对不能直接读取的变量值，可以通过标定量的方式进行赋值，并针对不同的车辆进行适应性修改。

本实施通过多维度的能耗变量拟合出能耗模型，最大限度的保障能耗模型的准确性，为待测车辆的能耗评估提供可靠的模型。

作为本发明的一个实施例，所述训练车辆包括多种类型的车辆；所述能耗模型确定模块503还用于：

针对每种类型的训练车辆，对该类型的训练车辆在各行程片段下的能耗变量集和能耗进行拟合，获得该类型的能耗模型；

训练车辆有多种类型，可以按照能耗来源分为油驱车或者电驱车，也可以在油驱车或电驱车的基础上进行细分。实际应用中，针对细分的训练车辆类型，获取相应的能耗变量集及对应的能耗，然后进行拟合，极大的提高了能耗模型的准确性和针对性。

可选地，不同类型的训练车辆对不同能耗变量的敏感度不同，可以针对性的对敏感的能耗变量进行定量赋值。

所述能耗确定模块502具体用于：

确定所述待测车辆所属类型对应的第一能耗模型；

将所述待测车辆的能耗变量集作为所述第一能耗模型的输入，获得所述待测车辆的能耗。

按照训练车辆的分类，能耗确定模块502确定待测车辆所属类型，并获取其对应的第一能耗模型，第一能耗模型属于能耗模型中的一种。

可选地，可以调整能耗变量集中待测车辆的车辆状态变量、驾驶行为变量，获取基于特定的驾驶场景下的能耗，对驾驶人员的驾驶习惯给出修订意见。

作为本发明的一个实施例，将训练车辆的行程划分为多个行程片段之后，剔除连续怠速时长超过第一阈值的所述行程片段，所述连续怠速时长为训练车辆的运行速度小于目标速度的时长。

第一阈值和目标速度均为预设值，可以根据训练车辆的类型预设为不同的值。连续怠速时长超过第一阈值时表示训练车辆处于非正常运行状态，此时训练车辆的能耗变量集对应的能耗为噪音数据，剔除该部分数据，提高了能耗模型的准确度。

作为本发明的一个实施例，所述能耗模型确定模块503还用于：

剔除连续怠速时长超过第一阈值的所述行程片段，所述连续怠速时长为训练车辆的运行速度小于目标速度的时长。

第一阈值和目标速度均为预设值，能耗模型确定模块503可以根据训练车辆的类型预设为不同的值。连续怠速时长超过第一阈值时表示训练车辆处于非正常运行状态，此时训练车辆的能耗变量集对应的能耗为噪音数据，剔除该部分数据，提高了能耗模型的准确度。

作为本发明的一个实施例，所述能耗模型确定模块还用于根据预设行程划分准则，将训练车辆的行程划分为多个行程片段；其中，所述预设行程划分准则包括，每个所述行程片段内训练车辆的车速平稳且所述车辆状态变量的值不变。

作为本发明的一个实施例，所述车辆状态变量包括天气环境变量；所述变量集确定模块501用于：

获取所述待测车辆当前的运行状态，所述运行状态包括行驶状态或未启动状态；

若所述待测车辆当前处于行驶状态，则获取所述车辆行驶变量、所述车辆状态变量和所述驾驶行为变量的当前值；

若所述待测车辆当前处于未启动状态，则获取当前的天气环境变量，根据当前的天气环境变量和历史天气环境变量对应的车辆状态变量分析获得当前的车辆状态变量，并根据历史驾车数据获得所述车辆行驶变量和所述驾驶行为变量的当前值。

可选地，行驶状态为待测车辆的行驶速度大于设定速度；未启动状态即待测车辆未启动，停车中。

待测车辆处于行驶状态时，车辆行驶变量、车辆状态变量及驾驶行为变量均已经确定，可实时获取。

待测车辆处于未启动状态时，部分用于表征车辆状态变量的均处于关闭状态。天气环境变量可以直接依据待测车辆的位置及获取用车环境变量的时间，从网络的天气数据获取。

历史天气环境变量与车辆状态变量存在对应关系，即用户的驾驶习惯，然后可以当前的根据天气环境变量，分析获得当前的车辆状态变量。例如，用户驾车历史上，下雨天，当车外温度为15℃时，用户会打开雨刮器并使其处于快速状态，空调工作模式选为热风，车机音频处于打开状态，主驾位置处于加热状态，若当前天气环境也为下雨天，车外温度也是15℃时，则可根据对应的车辆状态变量对当前的车辆状态变量进行赋值。

可选地，历史天气环境变量对应的车辆状态以表格的方式预存储。

可选地，历史驾车数据可以为驾驶人员最近行程或里程内车辆行驶变量和驾驶行为变量，其值可以预存储。

作为本发明的一个实施例，所述变量参数确定模块501还用于：

在待测车辆处于行驶状态时，若待测车辆的导航处于启用状态，则依据所述导航的路况数据更新所述能耗变量集中各变量的值。

导航的路况数据包括但不限于路基、路面及附属设施。

待测车辆处于行驶状态时，能耗变量集中的车辆行驶变量、车辆状态变量、以及驾驶行为变量均处于变化状态，其中车辆的状态变量及车辆行驶变量可以实时获取，驾驶行为变量会根据路况数据变化发生改变。

可选地，变量参数确定模块501预设路况数据与驾驶行为变量的对应关系，当路况数据变化时，调取对应的驾驶行为变量进行能耗变量集的更新，进一步精度能耗取值。

作为本发明的一个实施例，还包括：

里程确定模块504，用于获取待测车辆的可用能量,根据所述可用能量及所述能耗，确定待测车辆的续航里程，所述待测车辆的可用能量为待测车辆当前剩余油量或电量。

可选地，待测车辆可以为油驱车或电驱车，油驱车的能耗单位为L/Km，电驱车的能耗单位为KWH/Km。

若待测车辆为油驱车，里程确定模块504，读取待测车辆的当前剩余油量，单位为L；将当前剩余油量与待测车辆的能耗求商，获得待测车辆的续航里程Km，可用于导航路径规划，包括但不限于长途路径规划，确定加油时间等，为用户提供驾驶指导。可选地，若已知需继续运行的里程，可以确定待测车辆的加油量。

应理解的是，若带车车辆为电驱车，计算过程同上，再此不再赘述。

图6为本申请实施例提供的车辆碰撞的处理设备的硬件结构示意图。如图6所示，本实施例的车辆碰撞的处理设备60包括：处理器601以及存储器602；其中

存储器602，用于存储计算机执行指令；

处理器601，用于执行存储器存储的计算机执行指令，以实现上述实施例中接收设备所执行的各个步骤。具体可以参见前述方法实施例中的相关描述。

处理器601的具体实现过程可参见上述方法实施例，其实现原理和技术效果类似，本实施例此处不再赘述。

该过压驱动调试设备60还包括通信部件。其中，处理器1001、存储器1002以及通信部件通过总线连接。

在上述的图6所示的实施例中，应理解，处理器可以是中央处理单元(英文：Central Processing Unit，简称：CPU)，还可以是其他通用处理器、数字信号处理器(英文：Digital Signal Processor，简称：DSP)、专用集成电路(英文：Application SpecificIntegrated Circuit，简称：ASIC)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。结合发明所公开的方法的步骤可以直接体现为硬件处理器执行完成，或者用处理器中的硬件及软件模块组合执行完成。

存储器可能包含高速RAM存储器，也可能还包括非易失性存储NVM，例如至少一个磁盘存储器。

总线可以是工业标准体系结构(Industry Standard Architecture，ISA)总线、外部设备互连(Peripheral Component，PCI)总线或扩展工业标准体系结构(ExtendedIndustry Standard Architecture，EISA)总线等。总线可以分为地址总线、数据总线、控制总线等。为便于表示，本申请附图中的总线并不限定仅有一根总线或一种类型的总线。

本申请实施例还提供一种计算机可读存储介质，所述计算机可读存储介质中存储有计算机执行指令，当处理器执行所述计算机执行指令时，实现如上所述的车辆碰撞的处理方法。

在本申请所提供的几个实施例中，应该理解到，所揭露的设备和方法，可以通过其它的方式实现。例如，以上所描述的设备实施例仅仅是示意性的，例如，所述模块的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个模块可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或模块的间接耦合或通信连接，可以是电性，机械或其它的形式。

所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。

另外，在本申请各个实施例中的各功能模块可以集成在一个处理单元中，也可以是各个模块单独物理存在，也可以两个或两个以上模块集成在一个单元中。上述模块成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能单元的形式实现。

上述以软件功能模块的形式实现的集成的模块，可以存储在一个计算机可读取存储介质中。上述软件功能模块存储在一个存储介质中，包括若干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)或处理器(英文：processor)执行本申请各个实施例所述方法的部分步骤。

上述存储介质可以是由任何类型的易失性或非易失性存储设备或者它们的组合实现，如静态随机存取存储器(SRAM)，电可擦除可编程只读存储器(EEPROM)，可擦除可编程只读存储器(EPROM)，可编程只读存储器(PROM)，只读存储器(ROM)，磁存储器，快闪存储器，磁盘或光盘。存储介质可以是通用或专用计算机能够存取的任何可用介质。

一种示例性的存储介质耦合至处理器，从而使处理器能够从该存储介质读取信息，且可向该存储介质写入信息。当然，存储介质也可以是处理器的组成部分。处理器和存储介质可以位于专用集成电路(Application Specific Integrated Circuits，简称：ASIC)中。当然，处理器和存储介质也可以作为分立组件存在于电子设备或主控设备中。

本领域普通技术人员可以理解：实现上述各方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成。前述的程序可以存储于一计算机可读取存储介质中。该程序在执行时，执行包括上述各方法实施例的步骤；而前述的存储介质包括：ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。

最后应说明的是：以上各实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述各实施例对本申请进行了详细的说明，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，或者对其中部分或者全部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申请各实施例技术方案的范围。

应当理解的是，本公开并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本公开的范围仅由所附的权利要求书来限制。

Claims (14)

1.一种车辆能耗评估方法，其特征在于，包括：

获取待测车辆的能耗变量集，所述能耗变量集包括表征车辆行驶情况的车辆行驶变量、表征车辆部件使用情况的车辆状态变量、以及表征用户驾驶行为的驾驶行为变量；

将所述待测车辆的能耗变量集作为能耗模型的输入，获得所述待测车辆的能耗，所述能耗模型是以训练车辆的能耗变量集及其对应的能耗为样本预先训练建立的；

所述方法还包括：

根据预设行程划分准则，将训练车辆的行程划分为多个行程片段；所述预设行程划分准则包括：每个所述行程片段内训练车辆的车速平稳且车辆状态变量的值不变；

获取训练车辆在各行程片段下的能耗变量集和能耗；

对训练车辆在各行程片段下的能耗变量集和能耗进行拟合，建立所述能耗模型。

2.根据权利要求1所述的方法，其特征在于，所述训练车辆包括多种类型的车辆；所述对训练车辆在各行程片段下的能耗变量集和能耗进行拟合，建立所述能耗模型，包括：

针对每种类型的训练车辆，对该类型的训练车辆在各行程片段下的能耗变量集和能耗进行拟合，获得该类型的能耗模型；

所述将所述待测车辆的能耗变量集作为能耗模型的输入，获得所述待测车辆的能耗，包括：

确定所述待测车辆所属类型对应的第一能耗模型；

将所述待测车辆的能耗变量集作为所述第一能耗模型的输入，获得所述待测车辆的能耗。

3.根据权利要求1所述的方法，其特征在于，其特征在于，所述将训练车辆的行程划分为多个行程片段之后，还包括：

剔除连续怠速时长超过第一阈值的所述行程片段，所述连续怠速时长为训练车辆的运行速度小于目标速度的时长。

4.根据权利要求1-3任一项所述的方法，其特征在于，所述车辆状态变量包括天气环境变量；所述获取待测车辆的能耗变量集，包括：

获取所述待测车辆当前的运行状态，所述运行状态包括行驶状态或未启动状态；

若所述待测车辆当前处于行驶状态，则获取所述车辆行驶变量、所述车辆状态变量和所述驾驶行为变量的当前值；

若所述待测车辆当前处于未启动状态，则获取当前的天气环境变量，根据当前的天气环境变量和历史天气环境变量对应的车辆状态变量分析获得当前的车辆状态变量，并根据历史驾车数据获得所述车辆行驶变量和所述驾驶行为变量的当前值。

5.根据权利要求4所述的方法，其特征在于，若所述待测车辆处于行驶状态，所述方法还包括：

若待测车辆的导航处于启用状态，则依据所述导航的路况数据更新所述能耗变量集中各变量的值。

6.根据权利要求1所述的方法，其特征在于，还包括：

获取待测车辆的可用能量,根据所述可用能量及所述待测车辆的能耗，确定所述待测车辆的续航里程，所述待测车辆的可用能量为待测车辆的当前剩余油量或电量。

7.一种车辆能耗评估设备，包括：

变量集确定模块，用于获取待测车辆的能耗变量集，所述能耗变量集包括表征车辆行驶情况的车辆行驶变量、表征车辆部件使用情况的车辆状态变量、以及表征用户驾驶行为的驾驶行为变量；

能耗确定模块，用于将所述待测车辆的能耗变量集作为能耗模型的输入，获得所述待测车辆的能耗，所述能耗模型是以训练车辆的能耗变量集及其对应的能耗为样本预先训练建立的；

所述车辆能耗评估设备还包括能耗模型确定模块，所述能耗模型确定模块用于：

根据预设行程划分准则，将训练车辆的行程划分为多个行程片段；所述预设行程划分准则包括：每个所述行程片段内训练车辆的车速平稳且车辆状态变量的值不变；

获取训练车辆在各行程片段下的能耗变量集和能耗；

对训练车辆在各行程片段下的能耗变量集和能耗进行拟合，建立所述能耗模型。

8.根据权利要求7所述的设备，其特征在于，所述训练车辆包括多种类型的车辆；所述能耗模型确定模块还用于：

针对每种类型的训练车辆，对该类型的训练车辆在各行程片段下的能耗变量集和能耗进行拟合，获得该类型的能耗模型；

所述能耗确定模块具体用于：

确定所述待测车辆所属类型对应的第一能耗模型；

将所述待测车辆的能耗变量集作为所述第一能耗模型的输入，获得所述待测车辆的能耗。

9.根据权利要求7所述的设备，其特征在于，所述能耗模型确定模块还用于：

剔除连续怠速时长超过第一阈值的所述行程片段，所述连续怠速时长为训练车辆的运行速度小于目标速度的时长。

10.根据权利要求7-9任一项所述的设备，其特征在于，所述车辆状态变量包括天气环境变量；所述变量集确定模块用于：

获取所述待测车辆当前的运行状态，所述运行状态包括行驶状态或未启动状态；

若所述待测车辆当前处于行驶状态，则获取所述车辆行驶变量、所述车辆状态变量和所述驾驶行为变量的当前值；

若所述待测车辆当前处于未启动状态，则获取当前的天气环境变量，根据当前的天气环境变量和历史天气环境变量对应的车辆状态变量分析获得当前的车辆状态变量，并根据历史驾车数据获得所述车辆行驶变量和所述驾驶行为变量的当前值。

11.根据权利要求10所述的设备，其特征在于，所述变量参数确定模块还用于：

在待测车辆处于行驶状态时，若所述待测车辆的导航处于启用状态，则依据所述导航的路况数据更新所述能耗变量集中各变量的值。

12.根据权利要求7所述的设备，其特征在于，还包括：

里程确定模块，用于获取所述待测车辆的可用能量,根据所述可用能量及所述能耗，确定所述待测车辆的续航里程，所述待测车辆的可用能量为待测车辆当前剩余油量或电量。

13.一种车辆能耗评估设备，包括：存储器，处理器；

存储器；用于存储所述处理器可执行指令的存储器；

其中，所述处理器被配置为：执行所述可执行指令以实现如权利要求1至6任一项所述的方法。

14.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质中存储有计算机执行指令，所述计算机执行指令被处理器执行时用于实现如权利要求1至6任一项所述的方法。