CN110222906A - 电动车能耗预测方法、计算机可读存储介质和电子设备 - Google Patents
电动车能耗预测方法、计算机可读存储介质和电子设备 Download PDFInfo
- Publication number
- CN110222906A CN110222906A CN201910521895.6A CN201910521895A CN110222906A CN 110222906 A CN110222906 A CN 110222906A CN 201910521895 A CN201910521895 A CN 201910521895A CN 110222906 A CN110222906 A CN 110222906A
- Authority
- CN
- China
- Prior art keywords
- electric vehicle
- data
- value
- energy consumption
- driving trace
- 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
- 238000000034 method Methods 0.000 title claims abstract description 52
- 238000005265 energy consumption Methods 0.000 title claims abstract description 45
- 238000010801 machine learning Methods 0.000 claims abstract description 27
- 230000001419 dependent effect Effects 0.000 claims abstract description 14
- 238000012545 processing Methods 0.000 claims description 12
- 238000005070 sampling Methods 0.000 claims description 10
- 230000008569 process Effects 0.000 claims description 9
- 230000004044 response Effects 0.000 claims description 5
- 238000012217 deletion Methods 0.000 claims description 3
- 230000037430 deletion Effects 0.000 claims description 3
- 230000003111 delayed effect Effects 0.000 abstract description 3
- 230000005611 electricity Effects 0.000 description 9
- 238000012549 training Methods 0.000 description 8
- 238000004891 communication Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 208000019901 Anxiety disease Diseases 0.000 description 2
- 230000036506 anxiety Effects 0.000 description 2
- 238000004590 computer program Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 201000004569 Blindness Diseases 0.000 description 1
- 241001269238 Data Species 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000009194 climbing Effects 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 230000001934 delay Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000003116 impacting effect Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 230000006386 memory function Effects 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/40—Business processes related to the transportation industry
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Evolutionary Computation (AREA)
- Development Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Operations Research (AREA)
- Medical Informatics (AREA)
- Quality & Reliability (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Electric Propulsion And Braking For Vehicles (AREA)
- Navigation (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明提供一种电动车能耗预测方法、计算机可读存储介质和电子设备，其中的方法包括如下步骤：根据电动车历史行程数据获取多组历史轨迹数据；根据每一历史轨迹数据中的每一位置坐标信息得到与历史轨迹数据对应的自变量特征值；根据与每一位置坐标数据对应的电量值得到与历史轨迹对应的能耗值作为因变量特征值；将自变量特征值和因变量特征值对应地输入至预设的机器学习模型中对机器学习模型进行训练，得到用于预测电动车能耗的电能预估模型。以上方案，根据电动车历史行程数据提取出的特征对机器学习模型进行训练从而得到电能预估模型，采用电能预估模型对电动车能耗进行预测能根据车辆行驶数据预先对电能消耗进行预测，避免预测结果延时。
Description
技术领域
本发明涉及新能源车辆应用技术领域，具体涉及一种电动车能耗预测方法、计算机可读存储介质和电子设备。
背景技术
目前，电池续航里程是阻碍电动汽车发展的关键因素，尤其是冬季气温较低时，电动车的续航里程更是大打折扣。这会导致司机“里程焦虑”，甚至影响电动汽车的发展和推广。另一方面，目前已经有大量的新能源车加入到网约车行列中，如果派单平台不考虑新能源车的剩余续航里程就盲目派单，可能会造成订单里程超过电动汽车剩余续航里程的问题。这种情况下，司机也只能被迫取消订单，极大影响了平台的派单效率和司乘体验，而且进一步加剧了司机的“里程焦虑”。综上，对于司机、网约车派单平台以及汽车厂商来说，电动车能耗预测都是非常重要的事情。
现有技术中在获得电动车剩余续航里程时都要考虑电池本身的属性特征，比如电压、电流和内阻等，但是这类数据很难实时获取，其获取到这类数据后计算得到的续航里程具有一定的延迟，所以无法真正满足网约车派单平台或者司机的需求。
发明内容
本发明实施例旨在提供一种电动车能耗预测方法、计算机可读存储介质和电子设备，以解决现有技术中电动汽车电量消耗计算具有延迟性无法满足需求的技术问题。
为此，本发明提供一种电动车能耗预测方法，包括如下步骤：
根据电动车历史行程数据获取多组历史轨迹数据，每一组所述历史轨迹数据包括多个位置坐标以及与每一所述位置坐标对应的电量值；
根据每一所述历史轨迹数据中的每一所述位置坐标信息得到与所述历史轨迹数据对应的自变量特征值；根据与每一所述位置坐标数据对应的电量值得到与所述历史轨迹对应的能耗值作为因变量特征值；
将所有的所述自变量特征值和所述因变量特征值对应地输入至预设的机器学习模型中对所述机器学习模型进行训练，得到用于预测电动车能耗的电能预估模型。
可选地，上述的电动车能耗预测方法，根据电动车历史行程数据获取多组历史轨迹数据，每一组所述历史轨迹数据包括多个位置坐标以及与每一所述位置坐标对应的电量值的步骤中，所述电动车历史行程数据通过如下方式得到：
在所述电动车行驶过程中，按照预设采样时间采集所述位置坐标和所述电量值；每一组所述历史轨迹数据中还包括与所述位置坐标和所述电量值对应的采样时间；所述位置坐标包括经纬度坐标和海拔高度。
可选地，上述的电动车能耗预测方法，根据电动车历史行程数据获取多组历史轨迹数据，每一组所述历史轨迹数据包括多个位置坐标以及与每一所述位置坐标对应的电量值的步骤中，所述历史轨迹数据通过如下方式得到：
选择两个所述位置坐标分别作为起点坐标和终点坐标；所述起点坐标和所述终点坐标对应的采样时间差小于设定时长，或者所述起点坐标与所述终点坐标之间的里程值小于设定里程；
确定所述起点坐标和所述终点坐标之间的历史轨迹以及所述历史轨迹覆盖的所有位置坐标；
根据所述历史轨迹覆盖的所有位置坐标得到所述历史轨迹的里程值和海拔高度差作为所述历史轨迹数据。
可选地，上述的电动车能耗预测方法，还包括如下步骤：
响应于订单请求信息，获取订单路线，将所述订单路线划分为多段行驶轨迹；
获取每一段所述行驶轨迹的行驶轨迹数据，所述行驶轨迹数据包括所述行驶轨迹的里程值和海拔高度差；
根据每一段所述行驶轨迹的行驶轨迹数据和所述电能预估模型得到每一段所述行驶轨迹的预估能耗值；
根据每一段所述行驶轨迹的预估能耗值的和得到所述订单路线的预估能耗值。
可选地，上述的电动车能耗预测方法，响应于订单请求信息，获取订单路线，将所述订单路线划分为多段行驶轨迹的步骤中还包括：获取订单请求的发送时间；
获取每一段所述行驶轨迹的行驶轨迹数据，所述行驶轨迹数据包括所述行驶轨迹的里程值和海拔高度差的步骤中：所述行驶轨迹数据还包括所述发送时间。
可选地，上述的电动车能耗预测方法，还包括如下步骤：
发送所述订单路线的预估能耗值至派单平台。
可选地，上述的电动车能耗预测方法，根据电动车历史行程数据获取多组历史轨迹数据，每一组所述历史轨迹数据包括多个位置坐标以及与每一所述位置坐标对应的电量值的步骤中：
获取网约电动车的历史行程数据作为所述电动车历史行程数据。
可选地，上述的电动车能耗预测方法，获取网约电动车的历史行程数据作为所述电动车历史行程数据的步骤中还包括：
对所述网约电动车历史行程数据进行筛选，剔除其中的异常值；其中，若所述网约电动车历史行程数据中的电量值变化超出正常范围值则判定所述网约电动车历史行程数据为异常值；或者，若所述网约电动车历史行程数据中缺失位置坐标或者电量值则判定所述网约电动车历史行程数据为异常值。
可选地，上述的电动车能耗预测方法，所述自变量特征值包括里程值和/或海拔高度差和/或时间。
本发明还提供一种计算机可读存储介质，所述存储介质中存储有程序指令，计算机读取所述程序指令后执行以上任一项所述的电动车能耗预测方法。
本发明还提供一种电子设备，包括至少一个处理器和至少一个存储器，至少一个所述存储器中存储有程序指令，至少一个所述处理器读取所述程序指令后执行以上任一项所述的电动车能耗预测方法。
与现有技术相比，本发明实施例提供的上述技术方案至少具有以下有益效果：
本发明实施例提供的电动车能耗预测方法、计算机可读存储介质和电子设备，其中的方法包括如下步骤：根据电动车历史行程数据获取多组历史轨迹数据，每一组所述历史轨迹数据包括多个位置坐标以及与每一所述位置坐标对应的电量值；根据每一所述历史轨迹数据中的每一所述位置坐标信息得到与所述历史轨迹数据对应的自变量特征值；根据与每一所述位置坐标数据对应的电量值得到与所述历史轨迹对应的能耗值作为因变量特征值；将所有的所述自变量特征值和所述因变量特征值对应地输入至预设的机器学习模型中对所述机器学习模型进行训练，得到用于预测电动车能耗的电能预估模型。采用本发明提供的以上方案，能够利用大量的电动车历史行程数据，从中提取出训练样本数据对机器学习模型进行训练从而得到电能预估模型。采用电能预估模型对电动车能耗进行预测能够预先根据车辆行驶数据对电能消耗进行预测，避免预测结果延时所产生的问题。
附图说明
图1为本发明一个实施例所述电动车能耗预测方法的流程图，主要表明了电动车能耗预测的建模过程；
图2为本发明一个实施例所述对电动车能耗进行预测的方法流程图；
图3为本发明一个实施例所述对订单进行拆分并预估订单电量消耗的原理图；
图4为本发明一个实施例所述电子设备的硬件连接关系示意图。
具体实施方式
下面将结合附图进一步说明本发明实施例。在本发明的描述中，需要说明的是，术语“中心”、“上”、“下”、“左”、“右”、“竖直”、“水平”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明的简化描述，而不是指示或暗示所指的装置或组件必需具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一”、“第二”、“第三”仅用于描述目的，而不能理解为指示或暗示相对重要性。其中，术语“第一位置”和“第二位置”为两个不同的位置。
在本发明的描述中，需要说明的是，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个组件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。
本发明提供的以下实施例中的各个技术方案，除非彼此之间相互矛盾，否则不同技术方案之间可以相互组合，其中的技术特征可以相互替换。
实施例1
本实施例提供一种电动车能耗预测方法，可应用于云端服务器，该服务器能够与电动车行驶数据库实现数据通信，也能够与电动车上的车载控制器件实现数据通信，即该云端服务器可以获取到相关电动车的所有行驶数据，也能够获取到每一电动车的当前状态数据。具体地，如图1所示，该方法包括如下步骤：
S101：根据电动车历史行程数据获取多组历史轨迹数据，每一组所述历史轨迹数据包括多个位置坐标以及与每一所述位置坐标对应的电量值；如前所述，云端服务器能够获取每一电动车行驶过程中的历史数据，其中至少包括电动车行驶路线、其消耗电能、行驶速度、时间等。具体地，可以通过如下方式得到所述电动车历史行程数据：在所述电动车行驶过程中，按照预设采样时间采集所述位置坐标和所述电量值(所述电量值可以采用电池的SOC值来表示)；每一组所述历史轨迹数据中还包括与所述位置坐标和所述电量值对应的采样时间；所述位置坐标包括经纬度坐标和海拔高度。所述预设采样时间可以选择十秒左右。所述经纬度和海拔高度可以通过设置于车辆上的定位传感器直接采集得到。通过考虑海拔高度能将车辆行驶过程中的爬坡过程和下坡过程对电能消耗的影响也结合到电能消耗预估模型中，从而使模型与实际情况更加贴合。
S102：根据每一所述历史轨迹数据中的每一所述位置坐标信息得到与所述历史轨迹数据对应的自变量特征值；根据与每一所述位置坐标数据对应的电量值得到与所述历史轨迹对应的能耗值作为因变量特征值；通过对历史轨迹数据进行解析，能够确定和电动车能耗关联紧密的特征如行驶里程、时间等，之后将其作为自变量特征值，与自变量特征值对应的电量消耗值即可作为因变量特征值。
S103：将所有的所述自变量特征值和所述因变量特征值对应地输入至预设的机器学习模型中对所述机器学习模型进行训练，得到用于预测电动车能耗的电能预估模型。如前所述，对于电动车的行驶数据记录是每间隔一个周期获取一次的，例如每三秒钟或者每十秒钟获取一次等，因此历史行程数据中可以包括的数据量非常大，也就是说对机器学习模型进行训练时的训练样本模型量很大，能够确保机器学习模型训练的准确度。
现有技术中，机器学习模型的种类很多，在选择时可以根据历史行驶数据中自变量的种类、数量等来选择适合的机器学习模型。本实施例中可选择Wide&Deep模型，Wide&Deep模型属于现有技术中广泛应用的一种深度机器学习模型，其中的Wide分支对特征进行二阶交叉，对历史数据拥有一定的记忆功能，而Deep分支就是传统的多层感知机结构，有较好的泛化能力，两个分支组合利用，能互取所长。当选定机器学习模型之后，就可以确定好机器学习模型的输入和输出变量，采用步骤S102中选定的自变量作为机器学习模型的输入，步骤S102中选定的因变量作为机器学习模型的输出即可，机器学习模型能够在大量的样本数据输入后自行对其内部的参数值进行训练。由于机器学习的过程属于现有技术，本步骤中不再详细叙述，经过大量的迭代训练确保机器学习模型适应于电动车的电能消耗预测。
采用本实施例提供的以上方案，能够利用大量的电动车历史行程数据，对机器学习模型进行训练从而得到电能预估模型。采用电能预估模型对电动车能耗进行预测能够预先根据车辆行驶数据对电能消耗进行预测，避免预测结果延时所产生的问题。
优选地，在以上方案中，步骤S101中，获取网约电动车的历史行程数据作为所述电动车历史行程数据。在网约车调度平台中能够得到大量的网约电动车行驶数据。每一台网约电动车上都配置有移动终端与网约车调度平台进行实时通信，因此网约车调度平台可以实时获取到每一网约电动车的实际行驶数据。采用这些数据直接作为步骤S101中的电动车历史行程数据更加快捷，简化了数据获取流程。
优选地，还可以包括如下步骤：对所述网约电动车历史行程数据进行筛选，剔除其中的异常值；其中，若所述网约电动车历史行程数据中的电量值变化超出正常范围值则判定所述网约电动车历史行程数据为异常值；若所述网约电动车历史行程数据中缺失位置坐标或者电量值则判定所述网约电动车历史行程数据为异常值。对于每一电动网约车来说，其行驶路径、时间和电量消耗值之间存在特定的关系，例如当电动网约车的行驶路径越长时其对应的电量消耗值必然是越大的，如果某一历史订单数据中对于同一电动网约车来说，其行驶路径对电量消耗值的影响关系消失或者明显违背常规，则其一定是异常数据。而本实施例中的上述技术方案，需要利用历史轨迹数据中的每一个位置坐标以及对应的电量值、采集时间等数据相结合才能对机器学习模型训练，因此如果以上数据中有所缺失，则可以认为其为异常值。基于同样的原理，还可以采用其他车辆使用规律对异常值进行筛选并删除。删除异常值之后，能够确保得到的样本数据更符合实际情况，训练得到的模型也更加准确。
上述方案中，所述步骤S101中的所述历史轨迹数据可以通过如下步骤得到：
S201：选择两个所述位置坐标分别作为起点坐标和终点坐标；所述起点坐标和所述终点坐标对应的采样时间差小于设定时长，或者所述起点坐标与所述终点坐标之间的里程值小于设定里程；本步骤中主要是选定历史轨迹的起点和终点，尽可能地采用里程值较小的历史轨迹作为标准数据进行计算，如此将来预测某一计划行驶里程的耗电量时，可以将计划行驶里程拆分成多段和历史轨迹接近的行驶轨迹，以便实现电能消耗的预估。因此，以上设定时长可以选为几分钟或者半小时等，所述设定里程可以选为几公里到几十公里不等。
S202：确定所述起点坐标和所述终点坐标之间的历史轨迹以及所述历史轨迹覆盖的所有位置坐标；因为从起点到终点的路线可以有很多条，只有将二者之间的每一个坐标位置都确定下来才能得到真正的历史轨迹。因此，为了唯一确定历史轨迹，需要确定历史轨迹所覆盖的每一个坐标位置。
S203：根据所述历史轨迹覆盖的所有位置坐标得到所述历史轨迹的里程值和海拔高度差作为所述历史轨迹数据。里程值可以根据历史轨迹中每两个坐标位置之间的距离求和得到，海拔高度差可以根据历史轨迹中没两个坐标位置之间的海拔高度差求和之后得到。
也即，可以采用里程值、海拔高度差作为一段历史轨迹的自变量特征值；采用这段历史轨迹中起点坐标对应的电量值、终点坐标对应的电量值之间的差值作为因变量特征值。针对所有的历史轨迹均做上述特征分解，之后将自变量特征值和因变量特征值输入至机器学习模型中训练即可。采用以上模型训练方法，简单容易实现。
优选地，如图2所示，以上方法还包括利用电能预估模型来预测某一订单可能消耗的电量的步骤，具体地包括：
S104：响应于订单请求信息，获取订单路线，将所述订单路线划分为多段行驶轨迹；订单请求信息为乘客根据自己的实际需求发送，其采用手机等终端上安装的APP即可实现。而订单路线的划分可以根据历史轨迹的选取原则进行划分，也即划分后得到的行驶轨迹满足其所需要的行驶时间小于设定时间或者其里程值小于设定里程值。因为划分后的行驶轨迹的相关数据最后会作为自变量输入至电能预估模型，因此确保划分后的行驶轨迹的数据与训练所述电能预估模型时的历史轨迹数据具有较高的契合度。
S105：获取每一段所述行驶轨迹的行驶轨迹数据，所述行驶轨迹数据包括所述行驶轨迹的里程值和海拔高度差；当订单路线确定后，就可以在电子地图上将整条路线显示出来，因此也能够得到订单路线中每一个位置坐标的经纬度和海拔高度，所以本步骤可以直接利用车辆上的导航装置、电子地图或者其他定位传感器实现即可。
S106：根据每一段所述行驶轨迹的行驶轨迹数据和所述电能预估模型得到每一段所述行驶轨迹的预估能耗值；将订单路线中的每一行驶轨迹数据代入至电能预估模型中，就能够确定该段行驶轨迹所需要SOC值变化量。
S107：根据每一段所述行驶轨迹的预估能耗值的和得到所述订单路线的预估能耗值。将所述订单路线中的所有所述行驶轨迹的SOC值变化量取和得到与所述订单路线对应的预估能耗值。
采用以上技术方案能够在确定订单请求后迅速预估出与订单请求对应的能耗值，也即在收到订单请求时就能确定订单需要消耗的电能，不存在延时性，而且采用本步骤中的方法，能够极大地降低数据运算量，提高对订单电能消耗预测的效率。
另外，以上方案还可以变换为如下方式：
由于每一订单其对应的起点和终点都是随机的，不一定和历史行程中的数据完全重合，因此本实施例中的方案将每一历史行程中的数据划分为多个小的历史轨迹，每一段历史轨迹的电动车行驶情况可以作为一个标准化模块，当用户发来新的订单时，可以将新的订单中的路径按照标准化模块中的历史轨迹进行拆分，如果能够和历史轨迹的标准化模块重合，则当输入行驶轨迹的起点和终点后就能够直接得出该段行驶轨迹的电能消耗预估结果，当输入行驶轨迹的起点和终点后确定其属于一段新的路径，则可以利用机器学习模型来计算该新的行驶轨迹的电能消耗。如图3所示，其中订单路线A1-A102，通过将订单路线进行拆分，除了其中的A1-A2和A101-A102这两段行驶轨迹之外，其余的行驶轨迹都可以和已有的历史轨迹重合，则在计算电能消耗时，只需要重新计算A1-A2和A101-A102这两段行驶轨迹的电能消耗就可以了，其余行驶轨迹的电能消耗能够根据历史轨迹对应的电能消耗直接得出。
优选地，以上方案中还可以包括如下步骤：
S108：发送所述与所述订单路线对应的预估能耗值至派单平台。
通过本方案预测的订单电能消耗更加即时，不存在延时的问题，因此将预测结果发送至派单平台供派单平台参考，辅助派单平台选择车辆，能够提高派单效率和准确度。
进一步地，在以上方案中，在步骤S104中还包括，获取订单请求的发送时间；在所述步骤S105中，所述行驶轨迹数据还包括所述发送时间。
采用本方案，将时间作为一个自变量特征值来对机器学习模型进行训练，从而能够根据不同的季节来预测电池消耗量。例如，可以将夏季和冬季两个季节的数据进行分组，因为冬季时节气温较低，同样的电池剩余电量能够行驶的剩余续航里程会有所降低。因此，历史行程数据按照冬季和夏季分组，当获取到新的订单请求时，也首先判断订单请求是对应于夏季时间还是冬季时间，结合订单请求的发送时间代入到电能预估模型中，将时间作为一个参考因素来预估电量消耗，能得到更准确的分析结果。
实施例2
本实施例提供一种计算机可读存储介质，所述存储介质中存储有计算机程序，所述计算机程序被计算机执行后实现实施例1中任一技术方案所述的电动车能耗预测方法。
实施例3
本实施例提供一种电子设备，如图4所示，包括至少一个处理器401和至少一个存储器402，至少一个所述存储器402中存储有指令信息，至少一个所述处理器401读取所述程序指令后可执行实施例1或2中任一方案所述的电动车能耗预测方法。
上述装置还可以包括：输入装置403和输出装置404。处理器401、存储器402、输入装置403和输出装置404可以通过总线或者其他方式连接。上述产品可执行本申请实施例所提供的方法，具备执行方法相应的功能模块和有益效果。未在本实施例中详尽描述的技术细节，可参见本申请实施例所提供的方法。
最后应说明的是：以上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 (11)
1.一种电动车能耗预测方法，其特征在于，包括如下步骤：
根据电动车历史行程数据获取多组历史轨迹数据，每一组所述历史轨迹数据包括多个位置坐标以及与每一所述位置坐标对应的电量值；
根据每一组所述历史轨迹数据中的每一所述位置坐标信息得到与所述历史轨迹数据对应的自变量特征值；根据与每一所述位置坐标数据对应的电量值得到与所述历史轨迹对应的能耗值作为因变量特征值；
将所有的所述自变量特征值和所述因变量特征值对应地输入至预设的机器学习模型中对所述机器学习模型进行训练，得到用于预测电动车能耗的电能预估模型。
2.根据权利要求1所述的电动车能耗预测方法，其特征在于，根据电动车历史行程数据获取多组历史轨迹数据，每一组所述历史轨迹数据包括多个位置坐标以及与每一所述位置坐标对应的电量值的步骤中，所述电动车历史行程数据通过如下方式得到：
在所述电动车行驶过程中，按照预设采样时间采集所述位置坐标和所述电量值；每一组所述历史轨迹数据中还包括与所述位置坐标和所述电量值对应的采样时间；所述位置坐标包括经纬度坐标和海拔高度。
3.根据权利要求2所述的电动车能耗预测方法，其特征在于，根据电动车历史行程数据获取多组历史轨迹数据，每一组所述历史轨迹数据包括多个位置坐标以及与每一所述位置坐标对应的电量值的步骤中，所述历史轨迹数据通过如下方式得到：
选择两个所述位置坐标分别作为起点坐标和终点坐标；所述起点坐标和所述终点坐标对应的采样时间差小于设定时长，或者所述起点坐标与所述终点坐标之间的里程值小于设定里程；
确定所述起点坐标和所述终点坐标之间的历史轨迹以及所述历史轨迹覆盖的所有位置坐标；
根据所述历史轨迹覆盖的所有位置坐标得到所述历史轨迹的里程值和海拔高度差作为所述历史轨迹数据。
4.根据权利要求3所述的电动车能耗预测方法，其特征在于，还包括如下步骤：
响应于订单请求信息，获取订单路线，将所述订单路线划分为多段行驶轨迹；
获取每一段所述行驶轨迹的行驶轨迹数据，所述行驶轨迹数据包括所述行驶轨迹的里程值和海拔高度差；
根据每一段所述行驶轨迹的行驶轨迹数据和所述电能预估模型得到每一段所述行驶轨迹的预估能耗值；
根据每一段所述行驶轨迹的预估能耗值的和得到所述订单路线的预估能耗值。
5.根据权利要求4所述的电动车能耗预测方法，其特征在于：
响应于订单请求信息，获取订单路线，将所述订单路线划分为多段行驶轨迹的步骤中还包括：获取订单请求的发送时间；
获取每一段所述行驶轨迹的行驶轨迹数据，所述行驶轨迹数据包括所述行驶轨迹的里程值和海拔高度差的步骤中：所述行驶轨迹数据还包括所述发送时间。
6.根据权利要求4或5所述的电动车能耗预测方法，其特征在于，还包括如下步骤：
发送所述订单路线的预估能耗值至派单平台。
7.根据权利要求6所述的电动车能耗预测方法，其特征在于，根据电动车历史行程数据获取多组历史轨迹数据，每一组所述历史轨迹数据包括多个位置坐标以及与每一所述位置坐标对应的电量值的步骤中：
获取网约电动车的历史行程数据作为所述电动车历史行程数据。
8.根据权利要求7所述的电动车能耗预测方法，其特征在于，获取网约电动车的历史行程数据作为所述电动车历史行程数据的步骤中还包括：
对所述网约电动车历史行程数据进行筛选，剔除其中的异常值；其中，若所述网约电动车历史行程数据中的电量值变化超出正常范围值则判定所述网约电动车历史行程数据为异常值；或者，若所述网约电动车历史行程数据中缺失位置坐标或者电量值则判定所述网约电动车历史行程数据为异常值。
9.根据权利要求1所述的电动车能耗预测方法，其特征在于，所述自变量特征值包括里程值和/或海拔高度差和/或时间。
10.一种计算机可读存储介质，其特征在于，所述存储介质中存储有程序指令，计算机读取所述程序指令后执行权利要求1-9任一项所述的电动车能耗预测方法。
11.一种电子设备，其特征在于，包括至少一个处理器和至少一个存储器，至少一个所述存储器中存储有程序指令，至少一个所述处理器读取所述程序指令后执行权利要求1-9任一项所述的电动车能耗预测方法。
Priority Applications (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910521895.6A CN110222906A (zh) | 2019-06-17 | 2019-06-17 | 电动车能耗预测方法、计算机可读存储介质和电子设备 |
| PCT/CN2019/129473 WO2020253204A1 (zh) | 2019-06-17 | 2019-12-27 | 电动车能耗预测方法、计算机可读存储介质和电子设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910521895.6A CN110222906A (zh) | 2019-06-17 | 2019-06-17 | 电动车能耗预测方法、计算机可读存储介质和电子设备 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110222906A true CN110222906A (zh) | 2019-09-10 |
Family
ID=67817422
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910521895.6A Pending CN110222906A (zh) | 2019-06-17 | 2019-06-17 | 电动车能耗预测方法、计算机可读存储介质和电子设备 |
Country Status (2)
| Country | Link |
|---|---|
| CN (1) | CN110222906A (zh) |
| WO (1) | WO2020253204A1 (zh) |
Cited By (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111832881A (zh) * | 2020-04-30 | 2020-10-27 | 北京嘀嘀无限科技发展有限公司 | 基于路况信息预测电动车能耗的方法、介质和电子设备 |
| WO2020253204A1 (zh) * | 2019-06-17 | 2020-12-24 | 北京嘀嘀无限科技发展有限公司 | 电动车能耗预测方法、计算机可读存储介质和电子设备 |
| CN112560186A (zh) * | 2020-10-15 | 2021-03-26 | 吉林大学 | 电动汽车行程能耗预测方法、装置、设备及可存储介质 |
| CN112703518A (zh) * | 2020-07-28 | 2021-04-23 | 华为技术有限公司 | 剩余里程预测的方法和电池远程服务的系统 |
| CN112798011A (zh) * | 2021-04-15 | 2021-05-14 | 天津所托瑞安汽车科技有限公司 | 车辆里程的计算方法、装置、设备和存储介质 |
| CN113626118A (zh) * | 2021-07-30 | 2021-11-09 | 中汽创智科技有限公司 | 能耗实时显示方法、装置及设备 |
| CN113642248A (zh) * | 2021-08-30 | 2021-11-12 | 平安国际融资租赁有限公司 | 定位设备剩余使用时间的评估方法及装置 |
| CN114004546A (zh) * | 2021-12-30 | 2022-02-01 | 南京领行科技股份有限公司 | 网约车分配方法、装置、电子设备及存储介质 |
| CN115808922A (zh) * | 2022-01-07 | 2023-03-17 | 宁德时代新能源科技股份有限公司 | 商用电动车辆能耗预测方法、装置和计算机设备 |
| CN117498325A (zh) * | 2023-11-02 | 2024-02-02 | 深圳中保动力新能源科技有限公司 | 一种新能源汽车用电量预测及充电资源调度优化方法 |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115061462B (zh) * | 2022-05-18 | 2024-09-24 | 安徽亚珠金刚石股份有限公司 | 一种人造金刚石车间用agv车体自动充电规划系统 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109558988A (zh) * | 2018-12-13 | 2019-04-02 | 北京理工新源信息科技有限公司 | 一种基于大数据融合的电动汽车能耗预测方法及系统 |
| CN109658203A (zh) * | 2018-12-28 | 2019-04-19 | 永安行科技股份有限公司 | 订单分配方法、分配系统及计算机可读存储介质 |
| CN109733248A (zh) * | 2019-01-09 | 2019-05-10 | 吉林大学 | 基于路径信息的纯电动汽车剩余里程模型预测方法 |
| EP3483801A1 (en) * | 2017-11-10 | 2019-05-15 | Bayerische Motoren Werke Aktiengesellschaft | Methods and apparatuses for fuel consumption prediction |
Family Cites Families (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103213504B (zh) * | 2013-04-27 | 2016-02-10 | 北京交通大学 | 一种电动汽车续驶里程估算方法 |
| US20160137090A1 (en) * | 2014-11-14 | 2016-05-19 | Hyundai Motor Company | System and method for predicting distance to empty of electric vehicle |
| CN106448137A (zh) * | 2016-11-04 | 2017-02-22 | 东南大学 | 基于电动汽车的公交服务系统及方法 |
| CN109726838A (zh) * | 2018-12-28 | 2019-05-07 | 永安行科技股份有限公司 | 订单执行方法、执行系统及计算机可读存储介质 |
| CN110222906A (zh) * | 2019-06-17 | 2019-09-10 | 北京嘀嘀无限科技发展有限公司 | 电动车能耗预测方法、计算机可读存储介质和电子设备 |
-
2019
- 2019-06-17 CN CN201910521895.6A patent/CN110222906A/zh active Pending
- 2019-12-27 WO PCT/CN2019/129473 patent/WO2020253204A1/zh active Application Filing
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP3483801A1 (en) * | 2017-11-10 | 2019-05-15 | Bayerische Motoren Werke Aktiengesellschaft | Methods and apparatuses for fuel consumption prediction |
| CN109558988A (zh) * | 2018-12-13 | 2019-04-02 | 北京理工新源信息科技有限公司 | 一种基于大数据融合的电动汽车能耗预测方法及系统 |
| CN109658203A (zh) * | 2018-12-28 | 2019-04-19 | 永安行科技股份有限公司 | 订单分配方法、分配系统及计算机可读存储介质 |
| CN109733248A (zh) * | 2019-01-09 | 2019-05-10 | 吉林大学 | 基于路径信息的纯电动汽车剩余里程模型预测方法 |
Cited By (17)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2020253204A1 (zh) * | 2019-06-17 | 2020-12-24 | 北京嘀嘀无限科技发展有限公司 | 电动车能耗预测方法、计算机可读存储介质和电子设备 |
| CN111832881A (zh) * | 2020-04-30 | 2020-10-27 | 北京嘀嘀无限科技发展有限公司 | 基于路况信息预测电动车能耗的方法、介质和电子设备 |
| WO2022021062A1 (zh) * | 2020-07-28 | 2022-02-03 | 华为技术有限公司 | 剩余里程预测的方法和电池远程服务的系统 |
| CN112703518A (zh) * | 2020-07-28 | 2021-04-23 | 华为技术有限公司 | 剩余里程预测的方法和电池远程服务的系统 |
| CN112703518B (zh) * | 2020-07-28 | 2022-03-29 | 华为技术有限公司 | 剩余里程预测的方法和电池远程服务的系统 |
| CN112560186A (zh) * | 2020-10-15 | 2021-03-26 | 吉林大学 | 电动汽车行程能耗预测方法、装置、设备及可存储介质 |
| CN112798011A (zh) * | 2021-04-15 | 2021-05-14 | 天津所托瑞安汽车科技有限公司 | 车辆里程的计算方法、装置、设备和存储介质 |
| CN112798011B (zh) * | 2021-04-15 | 2021-07-02 | 天津所托瑞安汽车科技有限公司 | 车辆里程的计算方法、装置、设备和存储介质 |
| CN113626118B (zh) * | 2021-07-30 | 2023-07-25 | 中汽创智科技有限公司 | 能耗实时显示方法、装置及设备 |
| CN113626118A (zh) * | 2021-07-30 | 2021-11-09 | 中汽创智科技有限公司 | 能耗实时显示方法、装置及设备 |
| CN113642248A (zh) * | 2021-08-30 | 2021-11-12 | 平安国际融资租赁有限公司 | 定位设备剩余使用时间的评估方法及装置 |
| CN113642248B (zh) * | 2021-08-30 | 2023-11-07 | 平安国际融资租赁有限公司 | 定位设备剩余使用时间的评估方法及装置 |
| CN114004546A (zh) * | 2021-12-30 | 2022-02-01 | 南京领行科技股份有限公司 | 网约车分配方法、装置、电子设备及存储介质 |
| CN115808922A (zh) * | 2022-01-07 | 2023-03-17 | 宁德时代新能源科技股份有限公司 | 商用电动车辆能耗预测方法、装置和计算机设备 |
| CN115808922B (zh) * | 2022-01-07 | 2023-10-27 | 宁德时代新能源科技股份有限公司 | 商用电动车辆能耗预测方法、装置和计算机设备 |
| CN117498325A (zh) * | 2023-11-02 | 2024-02-02 | 深圳中保动力新能源科技有限公司 | 一种新能源汽车用电量预测及充电资源调度优化方法 |
| CN117498325B (zh) * | 2023-11-02 | 2024-07-23 | 深圳中保动力新能源科技有限公司 | 一种新能源汽车用电量预测及充电资源调度优化方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| WO2020253204A1 (zh) | 2020-12-24 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110222906A (zh) | 电动车能耗预测方法、计算机可读存储介质和电子设备 | |
| CN105718750B (zh) | 一种车辆行驶轨迹的预测方法及系统 | |
| CN106908075B (zh) | 大数据采集与处理系统及基于其电动汽车续航估计方法 | |
| Thibault et al. | A unified approach for electric vehicles range maximization via eco-routing, eco-driving, and energy consumption prediction | |
| Sun et al. | Dynamic traffic feedback data enabled energy management in plug-in hybrid electric vehicles | |
| CN106163862B (zh) | 用于行程规划的方法和计算机可读存储介质 | |
| Larsson et al. | Commuter route optimized energy management of hybrid electric vehicles | |
| US20180058868A1 (en) | Energy-optimized vehicle route selection | |
| US20180370537A1 (en) | System providing remaining driving information of vehicle based on user behavior and method thereof | |
| US9121720B2 (en) | System and method for providing driving information of electric vehicle | |
| CN105354278A (zh) | 一种车载加油站推荐方法、装置及系统 | |
| CN107284241A (zh) | 提供车辆的电池显示状态的服务器及设置显示状态的设备 | |
| CN111670340A (zh) | 一种车辆剩余行驶里程的获取方法、电子设备及车辆 | |
| CN111832881A (zh) | 基于路况信息预测电动车能耗的方法、介质和电子设备 | |
| WO2014016825A1 (en) | Reducing fuel consumption by accommodating to anticipated road and driving conditions | |
| CN106289297A (zh) | 一种车辆剩余油量行驶里程计算方法及系统 | |
| CN107346565A (zh) | 一种交通工具数据处理方法、装置和终端设备 | |
| CN103903468A (zh) | 道路拥堵时间预警方法及装置 | |
| CN107228679A (zh) | 一种基于路况的汽车低油量提醒方法及装置 | |
| CN106956680A (zh) | 一种电动汽车驾驶行为识别分析方法 | |
| CN103729183A (zh) | 基于智能手机的车辆绿色出行导航系统设计 | |
| JP2004145727A (ja) | 自動車エネルギ消費予測システム、自動車エネルギ消費予測サーバ、自動車エネルギ消費予測方法及び自動車エネルギ消費予測プログラム | |
| CN111210537A (zh) | 一种油耗分析方法、装置、设备和存储介质 | |
| CN105788338A (zh) | 一种交互式智能gps | |
| CN117400948A (zh) | 一种汽车能耗预测方法、装置、电子设备及存储介质 |
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 | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190910 |