CN109740802A - 蓄电池亏电预测处理方法、装置、设备以及可读存储介质 - Google Patents
蓄电池亏电预测处理方法、装置、设备以及可读存储介质 Download PDFInfo
- Publication number
- CN109740802A CN109740802A CN201811578782.1A CN201811578782A CN109740802A CN 109740802 A CN109740802 A CN 109740802A CN 201811578782 A CN201811578782 A CN 201811578782A CN 109740802 A CN109740802 A CN 109740802A
- Authority
- CN
- China
- Prior art keywords
- information
- power shortage
- feature information
- battery
- voltage
- 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.)
- Pending
Links
Landscapes
- Secondary Cells (AREA)
Abstract
本发明提供的一种蓄电池亏电预测处理方法、装置、设备以及可读存储介质，通过获取车辆的车辆信息，其中，所述车辆信息包括蓄电池的电压信息和车辆行驶状态信息；将所述车辆信息，输入到预设的亏电预测模型中，输出所述蓄电池亏电风险预测结果；根据所述亏电风险预测结果，获取亏电风险预测信息，在车辆发生亏电之前，实现了对车辆可能亏电的预测，降低了亏电发生的可能性，并且在已有的车辆信息进行特征挖掘，结合亏电预测模块，从而提高亏电预测的准确性。
Description
技术领域
本发明实施例涉及车辆技术领域，尤其涉及一种蓄电池亏电预测处理方法、装置、设备以及可读存储介质。
背景技术
随着车辆技术的发展，车辆已经成为人们生活和工作中的必需的出行工具，车辆给人们的出行带来了极大的便捷。在车辆中会设置蓄电池，蓄电池是车辆起动环节中很重要的一个零件。随着蓄电池的不正确使用、蓄电池的本身电特性等等问题，可能会出现发电机充电系统出现故障，造成不能及时补充由于起动机及其它电路用电消耗的蓄电池电量(称之为亏电)，进而导致车辆无法起动。
现有技术中，在车辆的蓄电池出现亏电的时候，车辆可以发出报警信号，进而提示用户。
然而现有技术中，在用户接收到报警信号的时候，车辆的蓄电池已经出现了亏电，从而用户无法及时的使用车辆，依然给用户用车带来很大的不便，用户体验较低。
发明内容
本发明实施例提供一种蓄电池亏电预测处理方法、装置、设备以及可读存储介质，在发生亏电之前对车辆的亏电风险进行预测，降低了亏电发生的可能性。
本发明实施例的第一方面提供一种蓄电池亏电预测处理方法，包括：
获取车辆的车辆信息，其中，所述车辆信息包括蓄电池的电压信息和车辆行驶状态信息；
将所述车辆信息，输入到预设的亏电预测模型中，输出所述蓄电池亏电风险预测结果；
根据所述亏电风险预测结果，获取亏电风险预测信息。
可选地，所述车辆信息中还包括用户行驶习惯信息。
可选地，在将所述车辆信息，输入到预设的亏电预测模型中，输出所述蓄电池亏电风险预测结果之前，还包括：
获取亏电风险样本和正常样本，其中，所述亏电风险样本中包括至少一个亏电信息，所述亏电信息表征了所述蓄电池的电压在M天内出现多次低于预设电压阈值的情况，所述正常样本中包括至少一个正常电压信息，所述正常电压信息表征了所述蓄电池的电压在N天内均大于所述预设电压阈值的情况，其中，M、N为正整数；
根据所述亏电风险样本和所述正常样本，确定与每一个亏电信息对应的第一特征信息、与每一个正常电压信息对应的第二特征信息；
将所述第一特征信息和所述第二特征信息输入到预设的初始模型中进行训练，得到所述亏电预测模型。
可选地，在将所述第一特征信息和所述第二特征信息输入到预设的初始模型中进行训练，得到所述亏电预测模型之前，还包括：
分别对所述第一特征信息和所述第二特征信息进行特征预处理，得到预处理后的第一特征信息和预处理后的第二特征信息；
所述将所述第一特征信息和所述第二特征信息输入到预设的初始模型中进行训练，得到所述亏电预测模型，包括：
将所述预处理后的第一特征信息和所述预处理后的第二特征信息输入到预设的初始模型中进行训练，得到所述亏电预测模型。
可选地，根据所述亏电风险样本和所述正常样本，确定与每一个亏电信息对应的第一特征信息、与每一个正常电压信息对应的第二特征信息，包括：
从预设的数据库中，确定与每一个亏电信息对应的第一特征信息、与每一个正常电压信息对应的第二特征信息，其中，所述数据库中包括与不同的亏电信息对应的第一特征信息、与不同的正常电压信息对应的第二特征信息。
可选地，所述第一特征信息、所述第二特征信息都分别包括以下的至少一种：
用户的用电行为特征、蓄电池的电压特征、车辆行驶特征、环境特征。
可选地，所述特征预处理的方式包括以下至少一种：缺失值填充、相关性分析、方差分析、均值填充、常量填充。
可选地，所述根据所述亏电风险预测结果，获取亏电风险预测信息，包括：
在获取到指示有亏电风险的亏电预测结果时，获取与所述蓄电池的电压信息和所述车辆行驶状态信息相对应的用车建议信息；
根据所述用车建议信息和所述指示有亏电风险的亏电预测结果，获取亏电风险预测信息，向用户显示所述亏电风险预测信息。
本发明实施例的第二方面提供一种蓄电池的亏电预测处理装置，包括：
获取模块，用于获取车辆的车辆信息，其中，所述车辆信息包括蓄电池的电压信息和车辆行驶状态信息；
处理模块，用于将所述车辆信息，输入到预设的亏电预测模型中，输出所述蓄电池亏电风险预测结果；
预测模块，用于根据所述亏电风险预测结果，获取亏电风险预测信息。
可选地，所述车辆信息中还包括用户行驶习惯信息。
可选地，所述处理模块，还用于在将所述车辆信息，输入到预设的亏电预测模型中，输出所述蓄电池亏电风险预测结果之前，获取亏电风险样本和正常样本，其中，所述亏电风险样本中包括至少一个亏电信息，所述亏电信息表征了所述蓄电池的电压在M天内出现多次低于预设电压阈值的情况，所述正常样本中包括至少一个正常电压信息，所述正常电压信息表征了所述蓄电池的电压在N天内均大于所述预设电压阈值的情况，其中，M、N为正整数；根据所述亏电风险样本和所述正常样本，确定与每一个亏电信息对应的第一特征信息、与每一个正常电压信息对应的第二特征信息；将所述第一特征信息和所述第二特征信息输入到预设的初始模型中进行训练，得到所述亏电预测模型。
可选地，所述处理模块，还用于在将所述第一特征信息和所述第二特征信息输入到预设的初始模型中进行训练，得到所述亏电预测模型之前，分别对所述第一特征信息和所述第二特征信息进行特征预处理，得到预处理后的第一特征信息和预处理后的第二特征信息；
所述处理模块，用于将所述预处理后的第一特征信息和所述预处理后的第二特征信息输入到预设的初始模型中进行训练，得到所述亏电预测模型。
可选地，所述处理模块，用于从预设的数据库中，确定与每一个亏电信息对应的第一特征信息、与每一个正常电压信息对应的第二特征信息，其中，所述数据库中包括与不同的亏电信息对应的第一特征信息、与不同的正常电压信息对应的第二特征信息。
可选地，所述第一特征信息、所述第二特征信息都分别包括以下的至少一种：
用户的用电行为特征、蓄电池的电压特征、车辆行驶特征、环境特征。
可选地，所述特征预处理的方式包括以下至少一种：缺失值填充、相关性分析、方差分析、均值填充、常量填充。
可选地，所述预测模块，用于在获取到指示有亏电风险的亏电预测结果时，获取与所述蓄电池的电压信息和所述车辆行驶状态信息相对应的用车建议信息；根据所述用车建议信息和所述指示有亏电风险的亏电预测结果，获取亏电风险预测信息，向用户显示所述亏电风险预测信息。
本发明实施例的第三方面，提供一种设备，包括：存储器、处理器以及计算机程序，所述计算机程序存储在所述存储器中，所述处理器运行所述计算机程序执行本发明第一方面及第一方面各种可能设计的所述蓄电池的亏电预测处理方法。
本发明实施例的第四方面，提供一种可读存储介质，所述可读存储介质中存储有计算机程序，所述计算机程序被处理器执行时用于实现本发明第一方面及第一方面各种可能设计的所述蓄电池的亏电预测处理方法。
本发明提供的一种蓄电池亏电预测处理方法、装置、设备以及可读存储介质，通过获取车辆的车辆信息，其中，所述车辆信息包括蓄电池的电压信息和车辆行驶状态信息；将所述车辆信息，输入到预设的亏电预测模型中，输出所述蓄电池亏电风险预测结果；根据所述亏电风险预测结果，获取亏电风险预测信息，在车辆发生亏电之前，实现了对车辆可能亏电的预测，降低了亏电发生的可能性，并且在已有的车辆信息进行特征挖掘，结合亏电预测模块，从而提高亏电预测的准确性。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图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是本发明实施例提供的一种应用场景示意图；
图2是本发明实施例提供的一种蓄电池亏电预测处理方法的流程示意图；
图3是本发明实施例提供的一种亏电预测模型训练方法流程示意图；
图4是本发明实施例提供的一种蓄电池的亏电预测处理装置的结构示意图；
图5是本发明实施例提供的一种设备的硬件结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，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，所描述的实施例是本发明一部分实施例，而不是全部的实施例。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。
本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。
应当理解，在本发明的各种实施例中，各过程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。
应当理解，在本发明中，“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
应当理解，在本发明中，“多个”是指两个或两个以上。“和/或”仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。字符“/”一般表示前后关联对象是一种“或”的关系。“包含A、B和C”、“包含A、B、C”是指A、B、C三者都包含，“包含A、B或C”是指包含A、B、C三者之一，“包含A、B和/或C”是指包含A、B、C三者中任1个或任2个或3个。
应当理解，在本发明中，“与A对应的B”、“与A相对应的B”、“A与B相对应”或者“B与A相对应”，表示B与A相关联，根据A可以确定B。根据A确定B并不意味着仅仅根据A确定B，还可以根据A和/或其他信息确定B。
取决于语境，如在此所使用的“若”可以被解释成为“在……时”或“当……时”或“响应于确定”或“响应于检测”。
现有技术中多是在发生亏电后或者电压低于某个阈值时，向用户发出亏电预警或启动亏电保护装置，但预警时可能已经是难以避免亏电的时刻，而亏电保护装置的方案需要设置有亏电保护装置，这无疑是增加了成本，这些方案的用户体验都不高。本发明下面各种实施例针对现有技术中存在的问题，提供了一种蓄电池亏电预测处理方法、装置、设备以及可读存储介质，可以根据对车辆信息的分析预测车辆的亏电风险，在发生亏电之前的早期获得亏电风险预测信息，降低了亏电发生的可能性。
下面以具体地实施例对本发明的技术方案进行详细说明。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不再赘述。
参见图1，是本发明实施例提供的一种应用场景示意图。作为本发明的一种应用场景，车辆1将自己的车辆1信息上报至服务器3，服务器3在接收到车辆1信息后，以服务器3预先存储的亏电预测模型对车辆信息进行分析，获得亏电风险的预测结果，如果发现该车辆1有亏电风险，则向该车辆1或者该车辆1的车主终端2发送提示信息。其中，向服务器3发送车辆1信息的车辆1可以是有多个，每个车辆1对应一个具有唯一性的车辆ID，服务器3在得到亏电风险的预测结果后，获取需要发送提示信息的车辆ID，据此进行提示信息的发送。其中，车辆1可以是实时地将自己的车辆信息上报至服务器3，也可以是周期性地上报至服务器3。
在另一些应用场景中，本发明的方法也可以是由车辆自己的控制系统执行的，从而根据车辆实时产生的车辆信息进行离线状态(即与服务器等外部设备没有连接)下的蓄电池亏电预测处理。
本发明的应用场景中，执行主体可以是一个设备也可以是多个设备，例如本实施例中的某些步骤是一些设备执行的，另一些步骤又是另一些设备执行的，但为了描述方便，本发明的实施例中以一个执行主体进行举例。
参见图2，是本发明实施例提供的一种蓄电池亏电预测处理方法的流程示意图，如图2所示，该方案的执行主体可以是车辆的控制系统、或者是与车辆连接的服务器等，在本实施例中以服务器为执行主体进行说明。图1所示的蓄电池亏电预测处理方法包括步骤S101至步骤S103，具体如下：
S101，获取车辆的车辆信息，其中，所述车辆信息包括蓄电池的电压信息和车辆行驶状态信息。
其中，蓄电池的电压信息用于反映车辆上蓄电池的最近使用情况，蓄电池的电压信息例如可以是最近一段时间的最低电压值、最近一个月电压低于某个阈值的天数、和/或最后一次下电时的电压值。由于亏电的发生不是毫无征兆的，而蓄电池的电压信息与发生亏电具有较大的关联性。
车辆行驶状态信息反映车辆的行驶情况，车辆行驶状态信息例如可以是车辆累计运行天数、行驶环境温度信息、行驶环境湿度信息、和/或发动机排量等信息。由于车辆的行驶情况很大程度上会对电池的使用和老化产生影响，因此获取车辆行驶状态信息也能购提高最终预测的准确性。
在一些实施例中，所述车辆信息中还可以包括用户行驶习惯信息。考虑到长时间停留(车辆处于不使用状态)和多次短行程对蓄电池都会有不良影响，用户行驶习惯信息例如可以是在最近的预设时间端内(例如一个月内或2个月内)车辆行程时长小于3分钟的行程次数、车辆单次连续停留时长超过3天的次数、车辆单次连续停留时长最大值、和/或车辆产生单次连续停留时长最大值距离当前时间的天数等。除此以外，用户行驶习惯信息还可以包括车辆发动机熄火状态下使用车载主机、空调、大灯等车内用电设备的记录数据，其中，还可以包括远程操控等的埋点记录数据。
服务器获取车辆的车辆信息的方式，可以是服务器向车辆询问获取的，也可以是车辆主动上报给服务器的，在此不做限定。
S102，将所述车辆信息，输入到预设的亏电预测模型中，输出所述蓄电池亏电风险预测结果。
服务器中可以预存储有亏电预测模型，该亏电预测模型是服务器或其他设备提前以大数据进行模型参数学习和训练好的，也可以是不断更新的模型，该模型具有亏电预测功能。服务器将获取到的对某一辆车辆的车辆信息生成输入矩阵，输入矩阵中包含有车辆信息中的各种值，然后以该输入矩阵作为亏电预测模型的输入量，经过亏电预测模型的处理后可以得到模型输出量。模型输出量指示了蓄电池亏电风险预测结果。
在一些实施例中，亏电预测模型只能得到有亏电风险和无亏电风险两种预测结果，例如模型可以输出0(对应无亏电风险)或1(对应有亏电风险)。在另一些实施例中，亏电预测模型能得到有亏电风险无亏电风险，且亏电风险的预测概率，例如模型可以输出0(对应无亏电风险)或0.5(对应有亏电风险，且概率为50％)。
以能得到有亏电风险和无亏电风险两种预测结果的亏电预测模型为例，在步骤S102(将所述车辆信息，输入到预设的亏电预测模型中，输出所述蓄电池亏电风险预测结果)之前，还可以包括模型训练的过程。参见图3，是本发明实施例提供的一种亏电预测模型训练方法流程示意图。图3所示的亏电预测模型训练方法包括步骤S201至步骤S203，具体如下：
S201，获取亏电风险样本和正常样本。
其中，所述亏电风险样本中可以包括至少一个亏电信息，所述亏电信息表征了所述蓄电池的电压在M天内出现多次低于预设电压阈值的情况，所述正常样本中包括至少一个正常电压信息，所述正常电压信息表征了所述蓄电池的电压在N天内均大于所述预设电压阈值的情况，其中，M、N为正整数。
例如，服务器可以是从其他车辆上报的从近7天蓄电池电压出现2次以上低于预设电压阈值(有风险)的记录数据，以及从救援服务器获取到的亏电道路救援记录数据中，提取亏电风险样本。亏电风险样本是对亏电预测模型训练用的正样本(对应输出1)的数据来源。服务器可以是从其他车辆上报的近15天蓄电池电压平均大于预设电压阈值的数据中，提取正常样本。正常样本是对亏电预测模型训练用的负样本(对应输出0)的数据来源。
S202，根据所述亏电风险样本和所述正常样本，确定与每一个亏电信息对应的第一特征信息、与每一个正常电压信息对应的第二特征信息。
从预设的数据库中，确定与每一个亏电信息对应的第一特征信息、与每一个正常电压信息对应的第二特征信息，其中，所述数据库中包括与不同的亏电信息对应的第一特征信息、与不同的正常电压信息对应的第二特征信息。
预设的数据库例如是一个特征库，用于存储和记录亏电风险样本中亏电信息的第一特征信息，以及正常样本中正常电压信息的第二特征信息。
在一些实施例中，所述第一特征信息、所述第二特征信息都分别包括以下的至少一种：
用户的用电行为特征、蓄电池的电压特征、车辆行驶特征、环境特征。
用户的用电行为特征例如可以是从车辆发动机熄火后使用空调、大灯、车载主机(AVN)的信息中，或者远程操控使用信息中提取的特征。以由AVN得到的用户的用电行为特征为例，可以是如下几种特征值中的一种或多种：最近1/3/7/14/30天发动机熄火后使用AVN的总时长；最近1/3/7/14/30天发动机熄火后使用AVN的日时长超过a分钟的天数，其中，a∈[10，20，30，40，60]；最近1/3/7/14/30天发动机熄火后使用AVN的日时长超过a分钟且日发动机运转时长不足b分钟的天数，其中，a∈[10，20，30，40，60]，b∈[10，20，30，40，60，120]。
蓄电池的电压特征例如可以是包括以下特征值的一个或多个：最近1/3/7/14/30天最低电压、最近30天电压低于某阈值的天数、以及最后一次下电电压。
车辆行驶特征例如可以是包括以下特征值的一个或多个：近60天行程时长<3分钟的总行程数、近60天行程时长<3分钟或者行程里程<8km的总行程数、近60天单次连续停留时长在3-6天/7-13天、14天及以上的次数、最近60天的最长一次停留的时长、最近60天的最长一次停留距离计算日的天数、当前日期前一天的最近一次停留时长(以当前日期前一天为停留截止日期的)。
环境特征例如可以是包括以下特征值的一个或多个：发动机排量、车辆累计运行天数、行驶环境(温度、湿度)信息。
S203，将所述第一特征信息和所述第二特征信息输入到预设的初始模型中进行训练，得到所述亏电预测模型。
本实施例中的初始模型可以是分类模块可以是支持向量机算法(SVM)模型、朴素贝叶斯算法(NB)模型、卷积神经网络算法(CNN)模型或者逻辑回归分类算法模型等分类算法模型，在此不做限定。
以所述第一特征信息和所述第二特征信息作为训练的输入量，并以第一特征信息和第二特征信息对应的亏电结果或者不亏电结果作为对应的输出，对初始模型进行训练并学习得到合适的模型参数，由此得到亏电预测模型。
可选地，在将所述第一特征信息和所述第二特征信息输入到预设的初始模型中进行训练，得到所述亏电预测模型之前，还可以分别对所述第一特征信息和所述第二特征信息进行特征预处理，得到预处理后的第一特征信息和预处理后的第二特征信息。然后将所述预处理后的第一特征信息和所述预处理后的第二特征信息输入到预设的初始模型中进行训练，得到所述亏电预测模型。
其中，所述特征预处理的方式包括以下至少一种：缺失值填充、相关性分析、方差分析、均值填充、常量填充。
S103，根据所述亏电风险预测结果，获取亏电风险预测信息。
在一些实施例中，亏电风险预测结果指示了有亏电风险或者无亏电风险，由此可以直接将有亏电风险或者无亏电风险的提示信息作为亏电风险预测信息。
在另一些实施例中，亏电风险预测信息可以是在亏电风险预测信息的基础上再增加一些建议信息，例如针对得到的风险建议用户如何操作以降低亏电风险。具体地，可以是在获取到指示有亏电风险的亏电预测结果时，获取与所述蓄电池的电压信息和所述车辆行驶状态信息相对应的用车建议信息，然后根据所述用车建议信息和所述指示有亏电风险的亏电预测结果，获取亏电风险预测信息，向用户显示所述亏电风险预测信息。例如亏电风险预测结果为亏电概率，那么针对不同的亏电概率可以预设置相应的用车建议。
如果执行主体是服务器，获取亏电风险预测信息之后，可以存储在风险预测库中，并向车辆或者车主终端发送获取得到的亏电风险预测信息，以实现向用户显示亏电风险预测信息。如果执行主体是车辆自己的控制系统或其他车载终端，那么获取亏电风险预测信息之后，可以实时向用户显示该亏电风险预测信息。
本实施例提供的一种蓄电池亏电预测处理方法，通过获取车辆的车辆信息，其中，所述车辆信息包括蓄电池的电压信息和车辆行驶状态信息；将所述车辆信息，输入到预设的亏电预测模型中，输出所述蓄电池亏电风险预测结果；根据所述亏电风险预测结果，获取亏电风险预测信息，在车辆发生亏电之前，实现了对车辆可能亏电的预测，降低了亏电发生的可能性，并且在已有的车辆信息进行特征挖掘，结合亏电预测模块，从而提高亏电预测的准确性。
参见图4，是本发明实施例提供的一种蓄电池的亏电预测处理装置的结构示意图，如图4所示的蓄电池的亏电预测处理装置40包括：
获取模块41，用于获取车辆的车辆信息，其中，所述车辆信息包括蓄电池的电压信息和车辆行驶状态信息。
处理模块42，用于将所述车辆信息，输入到预设的亏电预测模型中，输出所述蓄电池亏电风险预测结果。
预测模块43，用于根据所述亏电风险预测结果，获取亏电风险预测信息。
图4所示实施例的蓄电池的亏电预测处理装置40对应地可用于执行图2所示方法实施例中的步骤，其实现原理和技术效果类似，此处不再赘述。
在一些实施例中，所述车辆信息中还包括用户行驶习惯信息。
在一些实施例中，所述处理模块42，还用于在将所述车辆信息，输入到预设的亏电预测模型中，输出所述蓄电池亏电风险预测结果之前，获取亏电风险样本和正常样本，其中，所述亏电风险样本中包括至少一个亏电信息，所述亏电信息表征了所述蓄电池的电压在M天内出现多次低于预设电压阈值的情况，所述正常样本中包括至少一个正常电压信息，所述正常电压信息表征了所述蓄电池的电压在N天内均大于所述预设电压阈值的情况，其中，M、N为正整数；根据所述亏电风险样本和所述正常样本，确定与每一个亏电信息对应的第一特征信息、与每一个正常电压信息对应的第二特征信息；将所述第一特征信息和所述第二特征信息输入到预设的初始模型中进行训练，得到所述亏电预测模型。
在一些实施例中，所述处理模块42，还用于在将所述第一特征信息和所述第二特征信息输入到预设的初始模型中进行训练，得到所述亏电预测模型之前，分别对所述第一特征信息和所述第二特征信息进行特征预处理，得到预处理后的第一特征信息和预处理后的第二特征信息；
所述处理模块，用于将所述预处理后的第一特征信息和所述预处理后的第二特征信息输入到预设的初始模型中进行训练，得到所述亏电预测模型。
在一些实施例中，所述处理模块42，用于从预设的数据库中，确定与每一个亏电信息对应的第一特征信息、与每一个正常电压信息对应的第二特征信息，其中，所述数据库中包括与不同的亏电信息对应的第一特征信息、与不同的正常电压信息对应的第二特征信息。
在一些实施例中，所述第一特征信息、所述第二特征信息都分别包括以下的至少一种：
用户的用电行为特征、蓄电池的电压特征、车辆行驶特征、环境特征。
在一些实施例中，所述特征预处理的方式包括以下至少一种：缺失值填充、相关性分析、方差分析、均值填充、常量填充。
在一些实施例中，所述预测模块43，用于在获取到指示有亏电风险的亏电预测结果时，获取与所述蓄电池的电压信息和所述车辆行驶状态信息相对应的用车建议信息；根据所述用车建议信息和所述指示有亏电风险的亏电预测结果，获取亏电风险预测信息，向用户显示所述亏电风险预测信息。
本发明提供的一种蓄电池亏电预测处理装置，通过获取车辆的车辆信息，其中，所述车辆信息包括蓄电池的电压信息和车辆行驶状态信息；将所述车辆信息，输入到预设的亏电预测模型中，输出所述蓄电池亏电风险预测结果；根据所述亏电风险预测结果，获取亏电风险预测信息，在车辆发生亏电之前，实现了对车辆可能亏电的预测，降低了亏电发生的可能性，并且在已有的车辆信息进行特征挖掘，结合亏电预测模块，从而提高亏电预测的准确性。
参见图5，是本发明实施例提供的一种设备的硬件结构示意图，该设备50包括：处理器51、存储器52和计算机程序；其中
存储器52，用于存储所述计算机程序，该存储器还可以是闪存(flash)。所述计算机程序例如是实现上述方法的应用程序、功能模块等。
处理器51，用于执行所述存储器存储的计算机程序，以实现上述蓄电池亏电预测处理方法中服务器执行的各个步骤。具体可以参见前面方法实施例中的相关描述。
可选地，存储器52既可以是独立的，也可以跟处理器51集成在一起。
当所述存储器52是独立于处理器51之外的器件时，所述设备还可以包括：
总线53，用于连接所述存储器52和处理器51。图5的设备还可以进一步包括发送器(图中未画出)，用于向车辆或车主终端发送处理器51生成的亏电风险预测信息。
本发明还提供一种可读存储介质，所述可读存储介质中存储有计算机程序，所述计算机程序被处理器执行时用于实现上述的各种实施方式提供的方法。
其中，可读存储介质可以是计算机存储介质，也可以是通信介质。通信介质包括便于从一个地方向另一个地方传送计算机程序的任何介质。计算机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。例如，可读存储介质耦合至处理器，从而使处理器能够从该可读存储介质读取信息，且可向该可读存储介质写入信息。当然，可读存储介质也可以是处理器的组成部分。处理器和可读存储介质可以位于专用集成电路(ApplicationSpecific Integrated Circuits，简称：ASIC)中。另外，该ASIC可以位于用户设备中。当然，处理器和可读存储介质也可以作为分立组件存在于通信设备中。可读存储介质可以是只读存储器(ROM)、随机存取存储器(RAM)、CD-ROM、磁带、软盘和光数据存储设备等。
本发明还提供一种程序产品，该程序产品包括执行指令，该执行指令存储在可读存储介质中。设备的至少一个处理器可以从可读存储介质读取该执行指令，至少一个处理器执行该执行指令使得设备实施上述的各种实施方式提供的方法。
在上述设备的实施例中，应理解，处理器可以是中央处理单元(英文：CentralProcessing Unit，简称：CPU)，还可以是其他通用处理器、数字信号处理器(英文：DigitalSignal Processor，简称：DSP)、专用集成电路(英文：Application Specific IntegratedCircuit，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。结合本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。
最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各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发明各实施例技术方案的范围。
Claims (18)
1.一种蓄电池亏电预测处理方法，其特征在于，包括：
获取车辆的车辆信息，其中，所述车辆信息包括蓄电池的电压信息和车辆行驶状态信息；
将所述车辆信息，输入到预设的亏电预测模型中，输出所述蓄电池亏电风险预测结果；
根据所述亏电风险预测结果，获取亏电风险预测信息。
2.根据权利要求1所述的方法，其特征在于，所述车辆信息中还包括用户行驶习惯信息。
3.根据权利要求1或2所述的方法，其特征在于，在将所述车辆信息，输入到预设的亏电预测模型中，输出所述蓄电池亏电风险预测结果之前，还包括：
获取亏电风险样本和正常样本，其中，所述亏电风险样本中包括至少一个亏电信息，所述亏电信息表征了所述蓄电池的电压在M天内出现多次低于预设电压阈值的情况，所述正常样本中包括至少一个正常电压信息，所述正常电压信息表征了所述蓄电池的电压在N天内均大于所述预设电压阈值的情况，其中，M、N为正整数；
根据所述亏电风险样本和所述正常样本，确定与每一个亏电信息对应的第一特征信息、与每一个正常电压信息对应的第二特征信息；
将所述第一特征信息和所述第二特征信息输入到预设的初始模型中进行训练，得到所述亏电预测模型。
4.根据权利要求3所述的方法，其特征在于，在将所述第一特征信息和所述第二特征信息输入到预设的初始模型中进行训练，得到所述亏电预测模型之前，还包括：
分别对所述第一特征信息和所述第二特征信息进行特征预处理，得到预处理后的第一特征信息和预处理后的第二特征信息；
所述将所述第一特征信息和所述第二特征信息输入到预设的初始模型中进行训练，得到所述亏电预测模型，包括：
将所述预处理后的第一特征信息和所述预处理后的第二特征信息输入到预设的初始模型中进行训练，得到所述亏电预测模型。
5.根据权利要求4所述的方法，其特征在于，根据所述亏电风险样本和所述正常样本，确定与每一个亏电信息对应的第一特征信息、与每一个正常电压信息对应的第二特征信息，包括：
从预设的数据库中，确定与每一个亏电信息对应的第一特征信息、与每一个正常电压信息对应的第二特征信息，其中，所述数据库中包括与不同的亏电信息对应的第一特征信息、与不同的正常电压信息对应的第二特征信息。
6.根据权利要求4所述的方法，其特征在于，所述第一特征信息、所述第二特征信息都分别包括以下的至少一种：
用户的用电行为特征、蓄电池的电压特征、车辆行驶特征、环境特征。
7.根据权利要求4所述的方法，其特征在于，所述特征预处理的方式包括以下至少一种：缺失值填充、相关性分析、方差分析、均值填充、常量填充。
8.根据权利要求1或2所述的方法，其特征在于，所述根据所述亏电风险预测结果，获取亏电风险预测信息，包括：
在获取到指示有亏电风险的亏电预测结果时，获取与所述蓄电池的电压信息和所述车辆行驶状态信息相对应的用车建议信息；
根据所述用车建议信息和所述指示有亏电风险的亏电预测结果，获取亏电风险预测信息，向用户显示所述亏电风险预测信息。
9.一种蓄电池的亏电预测处理装置，其特征在于，包括：
获取模块，用于获取车辆的车辆信息，其中，所述车辆信息包括蓄电池的电压信息和车辆行驶状态信息；
处理模块，用于将所述车辆信息，输入到预设的亏电预测模型中，输出所述蓄电池亏电风险预测结果；
预测模块，用于根据所述亏电风险预测结果，获取亏电风险预测信息。
10.根据权利要求9所述的装置，其特征在于，所述车辆信息中还包括用户行驶习惯信息。
11.根据权利要求9或10所述的装置，其特征在于，
所述处理模块，还用于在将所述车辆信息，输入到预设的亏电预测模型中，输出所述蓄电池亏电风险预测结果之前，获取亏电风险样本和正常样本，其中，所述亏电风险样本中包括至少一个亏电信息，所述亏电信息表征了所述蓄电池的电压在M天内出现多次低于预设电压阈值的情况，所述正常样本中包括至少一个正常电压信息，所述正常电压信息表征了所述蓄电池的电压在N天内均大于所述预设电压阈值的情况，其中，M、N为正整数；根据所述亏电风险样本和所述正常样本，确定与每一个亏电信息对应的第一特征信息、与每一个正常电压信息对应的第二特征信息；将所述第一特征信息和所述第二特征信息输入到预设的初始模型中进行训练，得到所述亏电预测模型。
12.根据权利要求11所述的装置，其特征在于，
所述处理模块，还用于在将所述第一特征信息和所述第二特征信息输入到预设的初始模型中进行训练，得到所述亏电预测模型之前，分别对所述第一特征信息和所述第二特征信息进行特征预处理，得到预处理后的第一特征信息和预处理后的第二特征信息；
所述处理模块，用于将所述预处理后的第一特征信息和所述预处理后的第二特征信息输入到预设的初始模型中进行训练，得到所述亏电预测模型。
13.根据权利要求12所述的装置，其特征在于，
所述处理模块，用于从预设的数据库中，确定与每一个亏电信息对应的第一特征信息、与每一个正常电压信息对应的第二特征信息，其中，所述数据库中包括与不同的亏电信息对应的第一特征信息、与不同的正常电压信息对应的第二特征信息。
14.根据权利要求12所述的装置，其特征在于，所述第一特征信息、所述第二特征信息都分别包括以下的至少一种：
用户的用电行为特征、蓄电池的电压特征、车辆行驶特征、环境特征。
15.根据权利要求12所述的装置，其特征在于，所述特征预处理的方式包括以下至少一种：缺失值填充、相关性分析、方差分析、均值填充、常量填充。
16.根据权利要求9或10所述的装置，其特征在于，
所述预测模块，用于在获取到指示有亏电风险的亏电预测结果时，获取与所述蓄电池的电压信息和所述车辆行驶状态信息相对应的用车建议信息；根据所述用车建议信息和所述指示有亏电风险的亏电预测结果，获取亏电风险预测信息，向用户显示所述亏电风险预测信息。
17.一种设备，其特征在于，包括：存储器、处理器以及计算机程序，所述计算机程序存储在所述存储器中，所述处理器运行所述计算机程序执行权利要求1至8任一所述的蓄电池亏电预测处理方法。
18.一种可读存储介质，其特征在于，所述可读存储介质中存储有计算机程序，所述计算机程序被处理器执行时用于实现权利要求1至8任一所述的蓄电池亏电预测处理方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811578782.1A CN109740802A (zh) | 2018-12-24 | 2018-12-24 | 蓄电池亏电预测处理方法、装置、设备以及可读存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811578782.1A CN109740802A (zh) | 2018-12-24 | 2018-12-24 | 蓄电池亏电预测处理方法、装置、设备以及可读存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN109740802A true CN109740802A (zh) | 2019-05-10 |
Family
ID=66361093
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811578782.1A Pending CN109740802A (zh) | 2018-12-24 | 2018-12-24 | 蓄电池亏电预测处理方法、装置、设备以及可读存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109740802A (zh) |
Cited By (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111209979A (zh) * | 2020-04-21 | 2020-05-29 | 摩拜(北京)信息技术有限公司 | 监控车辆电压的方法、装置及电子设备 |
| CN111301222A (zh) * | 2020-02-17 | 2020-06-19 | 北京嘀嘀无限科技发展有限公司 | 车辆电芯电压下降预警方法、电子设备及存储介质 |
| CN111551855A (zh) * | 2020-03-24 | 2020-08-18 | 广州亚美信息科技有限公司 | 车辆蓄电池状态检测方法、装置、计算机设备和存储介质 |
| CN111551856A (zh) * | 2020-03-24 | 2020-08-18 | 广州亚美信息科技有限公司 | 车辆蓄电池状态检测方法、装置、计算机设备和存储介质 |
| CN111856299A (zh) * | 2020-07-29 | 2020-10-30 | 中国联合网络通信集团有限公司 | 电源状态的确定方法、装置及设备 |
| CN111896883A (zh) * | 2020-07-30 | 2020-11-06 | 重庆长安汽车股份有限公司 | 一种车载蓄电池可支持的停车时长预测方法及预警方法 |
| CN114004026A (zh) * | 2021-10-30 | 2022-02-01 | 重庆长安汽车股份有限公司 | 无蓄电池传感器汽车可停车时长预测方法、系统及计算机可读存储介质 |
| CN114202821A (zh) * | 2020-09-02 | 2022-03-18 | 上海汽车集团股份有限公司 | 一种车辆数据处理方法及装置 |
| CN117150276A (zh) * | 2023-11-01 | 2023-12-01 | 宁德时代新能源科技股份有限公司 | 机器学习模型构建方法、车辆行驶风险预测方法以及装置 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101894185A (zh) * | 2010-06-29 | 2010-11-24 | 北京航空航天大学 | 一种基于动态双极mpnn的小样本数据对象的寿命预测方法 |
| CN107219463A (zh) * | 2017-05-12 | 2017-09-29 | 浙江工业大学 | 基于电瓶车状态数据的电池使用寿命预测方法 |
-
2018
- 2018-12-24 CN CN201811578782.1A patent/CN109740802A/zh active Pending
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101894185A (zh) * | 2010-06-29 | 2010-11-24 | 北京航空航天大学 | 一种基于动态双极mpnn的小样本数据对象的寿命预测方法 |
| CN107219463A (zh) * | 2017-05-12 | 2017-09-29 | 浙江工业大学 | 基于电瓶车状态数据的电池使用寿命预测方法 |
Cited By (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111301222B (zh) * | 2020-02-17 | 2021-07-16 | 北京嘀嘀无限科技发展有限公司 | 车辆电芯电压下降预警方法、电子设备及存储介质 |
| CN111301222A (zh) * | 2020-02-17 | 2020-06-19 | 北京嘀嘀无限科技发展有限公司 | 车辆电芯电压下降预警方法、电子设备及存储介质 |
| CN111551856A (zh) * | 2020-03-24 | 2020-08-18 | 广州亚美信息科技有限公司 | 车辆蓄电池状态检测方法、装置、计算机设备和存储介质 |
| CN111551855A (zh) * | 2020-03-24 | 2020-08-18 | 广州亚美信息科技有限公司 | 车辆蓄电池状态检测方法、装置、计算机设备和存储介质 |
| CN111551855B (zh) * | 2020-03-24 | 2022-08-16 | 广州亚美信息科技有限公司 | 车辆蓄电池状态检测方法、装置、计算机设备和存储介质 |
| CN111209979A (zh) * | 2020-04-21 | 2020-05-29 | 摩拜(北京)信息技术有限公司 | 监控车辆电压的方法、装置及电子设备 |
| CN111856299A (zh) * | 2020-07-29 | 2020-10-30 | 中国联合网络通信集团有限公司 | 电源状态的确定方法、装置及设备 |
| CN111896883A (zh) * | 2020-07-30 | 2020-11-06 | 重庆长安汽车股份有限公司 | 一种车载蓄电池可支持的停车时长预测方法及预警方法 |
| CN114202821A (zh) * | 2020-09-02 | 2022-03-18 | 上海汽车集团股份有限公司 | 一种车辆数据处理方法及装置 |
| CN114004026A (zh) * | 2021-10-30 | 2022-02-01 | 重庆长安汽车股份有限公司 | 无蓄电池传感器汽车可停车时长预测方法、系统及计算机可读存储介质 |
| CN114004026B (zh) * | 2021-10-30 | 2024-09-20 | 重庆长安汽车股份有限公司 | 无蓄电池传感器汽车可停车时长预测方法、系统及计算机可读存储介质 |
| CN117150276A (zh) * | 2023-11-01 | 2023-12-01 | 宁德时代新能源科技股份有限公司 | 机器学习模型构建方法、车辆行驶风险预测方法以及装置 |
| CN117150276B (zh) * | 2023-11-01 | 2024-04-09 | 宁德时代新能源科技股份有限公司 | 机器学习模型构建方法、车辆行驶风险预测方法以及装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109740802A (zh) | 蓄电池亏电预测处理方法、装置、设备以及可读存储介质 | |
| CN109492832A (zh) | 蓄电池的寿命预测方法、装置、设备以及存储介质 | |
| US20220340148A1 (en) | Method for estimating an accident risk of an autonomous vehicle | |
| US20210049480A1 (en) | Predictive maintenance of automotive battery | |
| US11719753B2 (en) | Method and system for predicting energy consumption of a vehicle through application of a statistical model utilizing environmental and road condition information | |
| EP3076512B1 (en) | Electricity-demand prediction device, electricity supply system, electricity-demand prediction method, and program | |
| CN109163913A (zh) | 一种汽车故障诊断方法及相关设备 | |
| CN109724812B (zh) | 车辆故障预警的方法、装置、存储介质和终端设备 | |
| US11201486B2 (en) | Battery control device, charge and discharge system, parking lot system, secondary battery reuse system, battery control method, and non-transitory storage medium | |
| CN111511622A (zh) | 以编程方式识别自主车辆的个性 | |
| US20230303053A1 (en) | Control Device and Method for the Predictive Operation of an On-Board Power Supply System | |
| US20230328488A1 (en) | Systems and methods for verifying reliability of sensor data received from mobile devices | |
| CN115330275B (zh) | 一种退役电池的梯次利用方法及装置 | |
| CN103914882A (zh) | 作为货币金额的能源消耗的驾驶员显示器 | |
| KR20230040253A (ko) | 전기차 주행 정보 기반의 충전소 추천 시스템 및 그 방법 | |
| US11620519B2 (en) | Big data-based driving information provision system and method thereof | |
| CN116323306A (zh) | 对于高压电动车辆电池的智能预调节 | |
| CN111897702B (zh) | 用于业务系统的预警处理方法和装置、计算机系统和介质 | |
| CN117786452A (zh) | 车辆用户客户群分类的分析方法、装置、电子设备及介质 | |
| CN116756509A (zh) | 能量管理优化方法、装置、设备及存储介质 | |
| JP7538236B2 (ja) | 商用電気車両のエネルギー消費予測方法、装置及びコンピュータ機器 | |
| CN116703353A (zh) | 一种新能源汽车预测保养方法、电子设备及存储介质 | |
| CN115583153A (zh) | 一种续航里程计算方法、装置及计算机设备 | |
| CN115534756A (zh) | 一种电动汽车续航里程异常识别方法、系统、设备和介质 | |
| JP2021124420A (ja) | バッテリ劣化判定装置、バッテリ劣化判定方法、及びバッテリ劣化判定プログラム |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190510 |
|
| RJ01 | Rejection of invention patent application after publication |