CN110516845A - 一种续航里程预测方法及装置 - Google Patents
一种续航里程预测方法及装置 Download PDFInfo
- Publication number
- CN110516845A CN110516845A CN201910678409.1A CN201910678409A CN110516845A CN 110516845 A CN110516845 A CN 110516845A CN 201910678409 A CN201910678409 A CN 201910678409A CN 110516845 A CN110516845 A CN 110516845A
- Authority
- CN
- China
- Prior art keywords
- parameter
- mileage
- course continuation
- vehicle
- continuation mileage
- 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 39
- 230000007613 environmental effect Effects 0.000 claims abstract description 47
- 238000010801 machine learning Methods 0.000 claims abstract description 20
- 238000012549 training Methods 0.000 claims description 27
- 238000004590 computer program Methods 0.000 claims description 9
- 238000003860 storage Methods 0.000 claims description 9
- 230000004044 response Effects 0.000 claims description 4
- 230000005540 biological transmission Effects 0.000 claims description 3
- 230000032258 transport Effects 0.000 claims 1
- 241000208340 Araliaceae Species 0.000 description 10
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 10
- 235000003140 Panax quinquefolius Nutrition 0.000 description 10
- 235000008434 ginseng Nutrition 0.000 description 10
- 238000004891 communication Methods 0.000 description 6
- 238000012795 verification Methods 0.000 description 5
- 238000004422 calculation algorithm Methods 0.000 description 4
- 238000003066 decision tree Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000012512 characterization method Methods 0.000 description 3
- 230000005611 electricity Effects 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000007637 random forest analysis Methods 0.000 description 3
- 230000003068 static effect Effects 0.000 description 3
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000005299 abrasion Methods 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 230000010485 coping Effects 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000000926 separation method Methods 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
-
- G—PHYSICS
- G07—CHECKING-DEVICES
- G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
- G07C5/00—Registering or indicating the working of vehicles
- G07C5/08—Registering or indicating performance data other than driving, working, idle, or waiting time, with or without registering driving, working, idle or waiting time
-
- G—PHYSICS
- G07—CHECKING-DEVICES
- G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
- G07C5/00—Registering or indicating the working of vehicles
- G07C5/08—Registering or indicating performance data other than driving, working, idle, or waiting time, with or without registering driving, working, idle or waiting time
- G07C5/0816—Indicating performance data, e.g. occurrence of a malfunction
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (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)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明实施例提供了一种续航里程预测方法及装置。所述方法应用于服务器，所述方法包括：接收客户端发送的约车订单，获取所述约车订单中的订单参数；所述订单参数包括第一预设参数，所述第一预设参数至少包括乘客数目；确定备选车辆，获取所述备选车辆的运行参数以及环境参数；将所述第一预设参数、运行参数以及环境参数输入至预设的里程预测模型，得到所述备选车辆的预测续航里程；其中，所述里程预测模型为通过对样本数据进行机器学习得到的。本发明实施例解决了现有技术中，新能源网约车由于续航里程难以预测，影响订单派发的问题。
Description
技术领域
本发明涉及互联网技术领域，尤其涉及一种续航里程预测方法及装置。
背景技术
近年来，随着移动互联网行业的迅速发展，网络约车服务(简称网约车)已经成为用户出行的一个重要方式，网约车基于其便利性占据了大量的用户市场。同时，伴随着资源与环境的压力持续增大，以电动汽车为代表的新能源汽车已成为汽车工业发展的一个重要方向，因此，在网约车领域，新能源汽车也逐步打开市场，进入人们的生活。
由于续航里程有限，网约车服务端在为新能源汽车派单时，需要考虑新能源汽车的实际续航里程能否支持即将派发的订单的需求，因此，续航里程的准确预测，成为新能源汽车网约车在派单中的一个至关重要的问题。
现有技术中，续航里程的预测通常为新能源汽车自行上报，而新能源汽车计算续航里程时，通常基于其动力电池的荷电状态(State of Charge，SOC)来计算；出厂时，汽车厂商会在标准试验场上标定不同SOC值对应的可行驶里程。而新能源网约车，由于每日行驶里程多，导致电池衰退快，车子磨损大，且行车过程中一些环境参数对续航里程也有影响，比如路况信息；因此，常规的续航里程预测模型，难以准确预计出新能源网约车的续航里程，进而影响订单的派发。
发明内容
本发明实施例提供一种续航里程预测方法及装置，以解决现有技术中，新能源网约车由于续航里程难以预测，影响订单派发的问题。
一方面，本发明实施例提供了一种续航里程预测方法，应用于服务器，所述方法包括：
接收客户端发送的约车订单，获取所述约车订单中的订单参数；所述订单参数包括第一预设参数，所述第一预设参数至少包括乘客数目；
确定备选车辆，获取所述备选车辆的运行参数以及环境参数；
将所述第一预设参数、运行参数以及环境参数输入至预设的里程预测模型，得到所述备选车辆的预测续航里程；其中，所述里程预测模型为通过对样本数据进行机器学习得到的。
另一方面，本发明实施例还提供一种续航里程预测装置，应用于服务器，所述装置包括：
订单接收模块，用于接收客户端发送的约车订单，获取所述约车订单中的订单参数；所述订单参数包括第一预设参数，所述第一预设参数至少包括乘客数目；参数获取模块，用于确定备选车辆，获取所述备选车辆的运行参数以及环境参数；
里程预测模块，用于将所述第一预设参数、运行参数以及环境参数输入至预设的里程预测模型，得到所述备选车辆的预测续航里程；其中，所述里程预测模型为通过对样本数据进行机器学习得到的。
又一方面，本发明实施例还提供一种电子设备，该电子设备包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如上所述的续航里程预测方法中的步骤。
再一方面，本发明实施例还提供一种计算机可读存储介质，该计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如上所述的续航里程预测方法中的步骤。
在本发明实施例中，接收客户端发送的约车订单，获取所述约车订单中的订单参数；确定备选车辆，获取所述备选车辆的运行参数以及环境参数；将所述第一预设参数、运行参数以及环境参数输入至预设的里程预测模型，得到所述备选车辆的预测续航里程，后续基于预测续航里程进行订单派发；其中，所述里程预测模型为基于大量的历史数据采用机器学习算法得到的，所输出的预测续航里程满足精确度要求；且预测续航里程的得出综合参考多个对实际行车有影响的因素，使得续航里程的预测更具可靠性。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对本发明实施例的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他的附图。
图1为本发明实施例提供的续航里程预测方法的步骤流程图之一；
图2为本发明实施例的示例的示意图；
图3为本发明实施例提供的续航里程预测方法的步骤流程图之二；
图4为本发明实施例提供的续航里程预测装置的结构框图；
图5为本发明实施例提供的电子设备的结构框图。
具体实施方式
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作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
应理解，说明书通篇中提到的“一个实施例”或“一实施例”意味着与实施例有关的特定特征、结构或特性包括在本发明的至少一个实施例中。因此，在整个说明书各处出现的“在一个实施例中”或“在一实施例中”未必一定指相同的实施例。此外，这些特定的特征、结构或特性可以任意适合的方式结合在一个或多个实施例中。
在本发明的各种实施例中，应理解，下述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。
参见图1，本发明实施例提供了一种续航里程预测方法，应用于服务器，所述方法包括：
步骤101，接收客户端发送的约车订单，获取所述约车订单中的订单参数；所述订单参数包括第一预设参数，所述第一预设参数至少包括乘客数目。
其中，服务器与多个客户端通信连接；接收客户端发送的约车订单之后，获取其中的订单参数；订单参数中包括第一预设参数，第一预设参数至少包括乘客数目，其中，乘客数目不同，车辆的载重不同，因此乘客数目同样对续航里程有影响；此外，若乘客携带有较重的行李，还可由客户端将行李重量携带待订单参数中，服务器视行李重量的具体数值将其等效为乘客的重量；比如，若50千克重量的行李等效为一个乘客的重量，用户携带有20千克的行李，则可将此行李等效为0.4(乘客参数)。
可选地，订单参数中还可包括其他参数，比如约车的目标时间(即用户行程的期望出发时间)、目标路径等。
步骤102，确定备选车辆，获取所述备选车辆的运行参数以及环境参数。
其中，所述备选车辆为新能源车辆，确定符合用户订单需求的备选车辆之后，进一步获取备选车辆的运行参数以及当前的环境参数。具体地，运行参数用于指示车辆实时的运行情况的参数，可以包括车辆的行驶参数以及电池参数；电池参数包括电池剩余能量、电池剩余容量和/或SOC等表征动力电池状态的参数；行驶参数可以包括车辆当前位置和/或当前运行状态(静止或运行)等。
上述运行参数均会对动力电池的续航里程造成影响，此外，除了运行参数，环境参数也对动力电池的续航里程有影响。
因此，在确定备选车辆后，获取备选车辆的运行参数以及环境参数，以进一步对备选车辆是否适合承接所述约车订单进行进一步评估。通过采集实时的运行参数和环境参数，提高预测的精确度。
步骤103，将所述第一预设参数、运行参数以及环境参数输入至预设的里程预测模型，得到所述备选车辆的预测续航里程；其中，所述里程预测模型为通过对样本数据进行机器学习得到的。
其中，样本数据即样本文件的数据；里程预测模型为通过样本数据进行机器学习得到的，对于一备选车辆，样本数据可以取自同种车型的历史样本数据，对于一种车辆，采集大量的历史样本数据，通过有监督的机器学习方式，一部分历史数据作为训练数据用于训练里程预测模型，另一部分历史数据作为校验数据，用于对所训练的模型进行精确度校验，至精确度满足预设精确度要求，得到里程预测模型。
里程预测模型的输入为第一预设参数、运行参数以及环境参数，输出为所述备选车辆的预测续航里程，该预测续航里程为所述备选车辆若承接所述约车订单的续航里程，得到预测续航里程之后，可根据预测续航里程判断该备选车辆是否可完成该约车订单中的目标行程(即客户端用户在此约车订单中的行程)。而预测续航里程同时参考了第一预设参数、运行参数以及环境参数，综合多个对实际的续航里程产生影响的因素，使得续航里程的预测更具可靠性。
通过机器学习的方式建立里程预测模型，基于里程预测模型的精确度可准确输出备选车辆的预测续航里程，进而为约车订单的派发提供数据支持。
本发明上述实施例中，接收客户端发送的约车订单，获取所述约车订单中的订单参数；确定备选车辆，获取所述备选车辆的运行参数以及环境参数；将所述第一预设参数、运行参数以及环境参数输入至预设的里程预测模型，得到所述备选车辆的预测续航里程，后续基于预测续航里程进行订单派发；其中，所述里程预测模型为基于大量的历史数据采用机器学习算法得到的，所输出的预测续航里程满足精确度要求；且预测续航里程的得出综合参考多个对实际行车有影响的因素，使得续航里程的预测更具可靠性。本发明实施例解决了现有技术中，新能源网约车由于续航里程难以预测，影响订单派发的问题。
可选地，本发明实施例中，所述运行参数至少包括：所述备选车辆的动力电池的预设电池参数；
所述环境参数至少包括温度参数、季节参数。
其中，预设电池参数为表征动力电池状态的参数，其可包括电池剩余能量、电池剩余容量和/或SOC、允许最大放电功率、电池电压电池老化指数等参数；
环境参数至少包括温度参数、季节参数；具体地，环境参数用于指示车辆当前所处环境的状态，环境参数可以包括季节参数、车外温度参数等；季节参数指示当前所处季节，夏季与冬季在同等工况的情况下，动力电池的续航里程不同；车外温度也会对续航里程造成影响。
可选地，本发明实施例中，所述订单参数还包括第二预设参数；第二预设参数包括目标行程的起点、终点、出行时间和/或所选择的目标路径；
所述确定备选车辆的步骤，包括：
根据所述第二预设参数，确定符合预设初选规则的备选车辆。
其中，服务器接收客户端发送的约车订单之后，首先根据预设初选规则筛选满足第二预设参数的备选车辆；比如预设初选规则可以包括车辆当前的状态为空闲，则可过滤当前状态为载客的车辆；还可以包括车辆当前位置距离目标行程的起点在一预设距离范围内的车辆，以此过滤距离目标行程较远的车辆。
可选地，本发明实施例中，所述接收客户端发送的约车订单的步骤之前，所述方法还包括：
接收针对预设样本库的模型训练操作；其中，所述预设样本库包括第一预设数目个样本文件；每个所述样本文件至少包括第一预设参数、运行参数以及环境参数；
响应于所述模型训练操作，根据样本文件，按照预设规则训练里程预测模型。
其中，样本文件中的数据即前述样本数据；在接收到模型训练操作时，对预设样本库执行模型训练；可选地，可针对一具体车型训练一里程预测模型，则预设样本库中的数据为该车型车辆的历史数据。
训练模型的过程中，将第一样本文件(训练数据)输入至一初始预测模型，得到一初始预测里程；然后用第一样本文件已知的实际续航里程与初始预测里程的差值对初始预测模型进行反向优化；并将下一篇样本文件迭代至优化后的模型，如此循环至迭代次数满足要求，得到里程预测模型，使得里程预测模型满足预设精确度要求。
可选地，初始预测模型可以选用随机森林模型、支持向量机模型或其他机器学习回归模型、卷积神经网络模型。
作为示例，参见图2，利用历史数据训练机器学习回归模型，得到里程预测模型，然后应用时，将第一预设参数、运行参数以及环境参数输入里程预测模型，得到预测续航里程。
以随机森林模型为例，在随机森林中，每棵决策树的建立依赖于一个独立抽取的样本，森林中的每棵树具有相同的分布，误差取决于每一棵树的回归能力和它们之间的相关性。单棵树的回归能力可能很小，但在随机产生大量的决策树后，回归能力必然增强。通过大量的回归训练，最终得到一组决策树，每个决策树求平均值能够得到最终结果，因此基于里程预测模型得出的续航里程取值的精确度也较高。
支持向量机模型以及其他机器学习模块、卷积神经网络模型类似，本发明实施例在不再赘述。
参见图3，本发明又一实施例提供了一种续航里程预测方法，应用于服务器，所述方法包括：
步骤301，接收客户端发送的约车订单，获取所述约车订单中的订单参数；所述订单参数包括第一预设参数，所述第一预设参数至少包括乘客数目；所述订单参数中还包括目标路径的路径起点、路径里程。
其中，服务器与多个客户端通信连接；接收客户端发送的约车订单之后，获取其中的订单参数；订单参数中包括第一预设参数，第一预设参数至少包括乘客数目。订单参数还包括目标路径的路径起点、路径里程，路径里程即目标路径的轨迹里程。
步骤302，确定备选车辆，获取所述备选车辆的运行参数以及环境参数。
其中，所述备选车辆为新能源车辆，确定符合用户订单需求的备选车辆之后，进一步获取备选车辆的运行参数以及当前的环境参数。具体地，运行参数用于指示车辆实时的运行情况的参数，可以包括车辆的行驶参数以及电池参数；电池参数包括电池剩余能量、电池剩余容量和/或SOC等表征动力电池状态的参数；行驶参数可以包括车辆当前位置和/或当前运行状态(静止或运行)等。
上述运行参数均会对动力电池的续航里程造成影响，此外，除了运行参数，环境参数也对动力电池的续航里程有影响。
步骤303，将所述第一预设参数、运行参数以及环境参数输入至预设的里程预测模型，得到所述备选车辆的预测续航里程；其中，所述里程预测模型为通过对样本数据进行机器学习得到的。
其中，里程预测模型为通过样本数据进行机器学习得到的，对于一备选车辆，样本数据可以取自同种车型的历史样本数据，对于一种车辆，采集大量的历史样本数据，通过有监督的机器学习方式，一部分历史数据作为训练数据用于训练里程预测模型，另一部分历史数据作为校验数据，用于对所训练的模型进行精确度校验，至精确度满足预设精确度要求，得到里程预测模型。
步骤304，获取所述备选车辆的当前位置至所述路径起点之间的行驶里程。
其中，得到所述备选车辆的续航预测里程之后，进一步获取该备选车辆至路径起点之间的行驶里程。
步骤305，确定所述备选车辆的有效预测续航里程；所述有效预测续航里程为所述预测续航里程与所述行驶里程之差。
其中，确定行驶里程之后，通过计算预测续航里程与所述行驶里程之差，得到有效续航里程；若备选车辆距离路径起点较远，则备选车辆行驶至路径起点之间的行驶里程也同样作为预测续航里程的一部分，则备选车辆在到达路径起点之后的有效续航里程应减去行驶里程。
步骤306，判断所述有效预测续航里程是否满足预设里程要求；其中，所述预设里程要求为所述有效预测续航里程大于所述行驶里程，且所述有效预测续航里程超出所述行驶里程的数值大于预设里程阈值。
其中，预设里程阈值可以为续航里程的报警阈值，报警阈值即新能源车辆应保留的最低续航里程，避免出现动力电池耗尽等情况。
步骤307，若所述有效预测续航里程满足所述预设里程要求，则确定所述备选车辆符合承接所述约车订单的承接要求。
其中，若有效续航里程超出所述行驶里程的数值大于预设里程阈值，则确定所述备选车辆符合承接所述约车订单的承接要求；否则，该备选车辆不符合承接要求。
进一步地，若符合承接要求的备选车辆包括有多个时，还可根据其他预设的派单规则进一步计算，筛选出最优备选车辆，将订单派发给最优备选车辆；或者将订单推送给所有备选车辆，由备选车辆自行接单，最终将约车订单派发给接单成功的备选车辆。
本发明上述实施例中，接收客户端发送的约车订单，获取所述约车订单中的订单参数；确定备选车辆，获取所述备选车辆的运行参数以及环境参数；将所述第一预设参数、运行参数以及环境参数输入至预设的里程预测模型，得到所述备选车辆的预测续航里程，后续进一步确定备选车辆的有效预测续航里程，基于有效预测续航里程进行订单派发，确保备选车辆承接约车订单后可完成该订单；其中，所述里程预测模型为基于大量的历史数据采用机器学习算法得到的，所输出的预测续航里程满足精确度要求；且预测续航里程的得出综合参考多个对实际行车有影响的因素，使得续航里程的预测更具可靠性。
以上介绍了本发明实施例提供的续航里程预测方法，下面将结合附图介绍本发明实施例提供的续航里程预测装置。
参见图4，本发明实施例还提供了一种续航里程预测装置，应用于服务器，所述装置包括：
订单接收模块401，用于接收客户端发送的约车订单，获取所述约车订单中的订单参数；所述订单参数包括第一预设参数，所述第一预设参数至少包括乘客数目。
其中，服务器与多个客户端通信连接；接收客户端发送的约车订单之后，获取其中的订单参数；订单参数中包括第一预设参数，第一预设参数至少包括乘客数目，其中，乘客数目不同，车辆的载重不同，因此乘客数目同样对续航里程有影响；此外，若乘客携带有较重的行李，还可由客户端将行李重量携带待订单参数中，服务器视行李重量的具体数值将其等效为乘客的重量；比如，若50千克重量的行李等效为一个乘客的重量，用户携带有20千克的行李，则可将此行李等效为0.4(乘客参数)。
可选地，订单参数中还可包括其他参数，比如约车的目标时间(即用户行程的期望出发时间)、目标路径等。
参数获取模块402，用于确定备选车辆，获取所述备选车辆的运行参数以及环境参数。
其中，所述备选车辆为新能源车辆，确定符合用户订单需求的备选车辆之后，进一步获取备选车辆的运行参数以及当前的环境参数。具体地，运行参数用于指示车辆实时的运行情况的参数，可以包括车辆的行驶参数以及电池参数；电池参数包括电池剩余能量、电池剩余容量和/或SOC等表征动力电池状态的参数；行驶参数可以包括车辆当前位置和/或当前运行状态(静止或运行)等。
上述运行参数均会对动力电池的续航里程造成影响，此外，除了运行参数，环境参数也对动力电池的续航里程有影响。
因此，在确定备选车辆后，获取备选车辆的运行参数以及环境参数，以进一步对备选车辆是否适合承接所述约车订单进行进一步评估。通过采集实时的运行参数和环境参数，提高预测的精确度。
里程预测模块403，用于将所述第一预设参数、运行参数以及环境参数输入至预设的里程预测模型，得到所述备选车辆的预测续航里程；其中，所述里程预测模型为通过对样本数据进行机器学习得到的。
其中，里程预测模型为通过样本数据进行机器学习得到的，对于一备选车辆，样本数据可以取自同种车型的历史样本数据，对于一种车辆，采集大量的历史样本数据，通过有监督的机器学习方式，一部分历史数据作为训练数据用于训练里程预测模型，另一部分历史数据作为校验数据，用于对所训练的模型进行精确度校验，至精确度满足预设精确度要求，得到里程预测模型。
里程预测模型的输入为第一预设参数、运行参数以及环境参数，输出为所述备选车辆的预测续航里程，该预测续航里程为所述备选车辆若承接所述约车订单的续航里程，得到预测续航里程之后，可根据预测续航里程判断该备选车辆是否可完成该约车订单中的目标行程(即客户端用户在此约车订单中的行程)。而预测续航里程同时参考了第一预设参数、运行参数以及环境参数，综合多个对实际的续航里程产生影响的因素，使得续航里程的预测更具可靠性。
通过机器学习的方式建立里程预测模型，基于里程预测模型的精确度可准确输出备选车辆的预测续航里程，进而为约车订单的派发提供数据支持。
可选地，本发明实施例中，所述订单参数还包括第二预设参数；
所述参数获取模块402包括：
确定子模块，用于根据所述第二预设参数，确定符合预设初选规则的备选车辆。
可选地，本发明实施例中，所述装置还包括：
操作接收模块，用于接收针对预设样本库的模型训练操作；其中，所述预设样本库包括第一预设数目个样本文件；每个所述样本文件至少包括第一预设参数、运行参数以及环境参数；
模型训练模块，用于响应于所述模型训练操作，根据样本文件，按照预设规则训练里程预测模型。
可选地，本发明实施例中，所述订单参数中还包括目标路径的路径起点、路径里程；
所述得到所述备选车辆的预测续航里程的步骤之后，所述装置还包括：
行程获取模块，用于获取所述备选车辆的当前位置至所述路径起点之间的行驶里程；
里程确定模块，用于确定所述备选车辆的有效预测续航里程；所述有效预测续航里程为所述预测续航里程与所述行驶里程之差；
里程判断模块，用于判断所述有效预测续航里程是否满足预设里程要求；其中，所述预设里程要求为所述有效预测续航里程大于所述行驶里程，且所述有效预测续航里程超出所述行驶里程的数值大于预设里程阈值；
确定模块，用于若所述有效预测续航里程满足所述预设里程要求，则确定所述备选车辆符合承接所述约车订单的承接要求。
可选地，本发明实施例中，所述运行参数至少包括：所述备选车辆的动力电池的预设电池参数；
所述环境参数至少包括温度参数、季节参数。
本发明实施例提供的续航里程预测装置能够实现图1至图3的方法实施例中续航里程预测装置实现的各个过程，为避免重复，这里不再赘述。
本发明的实施例中，订单接收模块401接收客户端发送的约车订单，获取所述约车订单中的订单参数；参数获取模块402确定备选车辆，获取所述备选车辆的运行参数以及环境参数；里程预测模块403将所述第一预设参数、运行参数以及环境参数输入至预设的里程预测模型，得到所述备选车辆的预测续航里程，后续基于预测续航里程进行订单派发；其中，所述里程预测模型为基于大量的历史数据采用机器学习算法得到的，所输出的预测续航里程满足精确度要求；且预测续航里程的得出综合参考多个对实际行车有影响的因素，使得续航里程的预测更具可靠性。本发明实施例解决了现有技术中，新能源网约车由于续航里程难以预测，影响订单派发的问题。
另一方面，本发明实施例还提供了一种电子设备，包括存储器、处理器、总线以及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现上述续航里程预测方法中的步骤。
举个例子如下，图5示出了一种电子设备的实体结构示意图。
如图5所示，该电子设备可以包括：处理器(processor)510、通信接口(Communications Interface)520、存储器(memory)530和通信总线540，其中，处理器510，通信接口520，存储器530通过通信总线540完成相互间的通信。处理器510可以调用存储器530中的逻辑指令，以执行如下方法：
接收客户端发送的约车订单，获取所述约车订单中的订单参数；所述订单参数包括第一预设参数，所述第一预设参数至少包括乘客数目；
确定备选车辆，获取所述备选车辆的运行参数以及环境参数；
将所述第一预设参数、运行参数以及环境参数输入至预设的里程预测模型，得到所述备选车辆的预测续航里程；其中，所述里程预测模型为通过对样本数据进行机器学习得到的。
此外，上述的存储器530中的逻辑指令可以通过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取存储介质中。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程序代码的介质。
再一方面，本发明实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现以执行上述各实施例提供的续航里程预测方法，例如包括：
接收客户端发送的约车订单，获取所述约车订单中的订单参数；所述订单参数包括第一预设参数，所述第一预设参数至少包括乘客数目；
确定备选车辆，获取所述备选车辆的运行参数以及环境参数；
将所述第一预设参数、运行参数以及环境参数输入至预设的里程预测模型，得到所述备选车辆的预测续航里程；其中，所述里程预测模型为通过对样本数据进行机器学习得到的。
以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元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。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，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)执行各个实施例或者实施例的某些部分所述的方法。
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 (12)
1.一种续航里程预测方法，应用于服务器，其特征在于，所述方法包括：
接收客户端发送的约车订单，获取所述约车订单中的订单参数；所述订单参数包括第一预设参数，所述第一预设参数至少包括乘客数目；
确定备选车辆，获取所述备选车辆的运行参数以及环境参数；
将所述第一预设参数、运行参数以及环境参数输入至预设的里程预测模型，得到所述备选车辆的预测续航里程；其中，所述里程预测模型为通过对样本数据进行机器学习得到的。
2.根据权利要求1所述的续航里程预测方法，其特征在于，所述订单参数还包括第二预设参数；
所述确定备选车辆的步骤，包括：
根据所述第二预设参数，确定符合预设初选规则的备选车辆。
3.根据权利要求1所述的续航里程预测方法，其特征在于，所述接收客户端发送的约车订单的步骤之前，所述方法还包括：
接收针对预设样本库的模型训练操作；其中，所述预设样本库包括第一预设数目个样本文件；每个所述样本文件至少包括第一预设参数、运行参数以及环境参数；
响应于所述模型训练操作，根据样本文件，按照预设规则训练里程预测模型。
4.根据权利要求1所述的续航里程预测方法，其特征在于，所述订单参数中还包括目标路径的路径起点、路径里程；
所述得到所述备选车辆的预测续航里程的步骤之后，所述方法还包括：
获取所述备选车辆的当前位置至所述路径起点之间的行驶里程；
确定所述备选车辆的有效预测续航里程；所述有效预测续航里程为所述预测续航里程与所述行驶里程之差；
判断所述有效预测续航里程是否满足预设里程要求；其中，所述预设里程要求为所述有效预测续航里程大于所述行驶里程，且所述有效预测续航里程超出所述行驶里程的数值大于预设里程阈值；
若所述有效预测续航里程满足所述预设里程要求，则确定所述备选车辆符合承接所述约车订单的承接要求。
5.根据权利要求1所述的续航里程预测方法，其特征在于，所述运行参数至少包括：所述备选车辆的动力电池的预设电池参数；
所述环境参数至少包括温度参数、季节参数。
6.一种续航里程预测装置，应用于服务器，其特征在于，所述装置包括：
订单接收模块，用于接收客户端发送的约车订单，获取所述约车订单中的订单参数；所述订单参数包括第一预设参数，所述第一预设参数至少包括乘客数目；
参数获取模块，用于确定备选车辆，获取所述备选车辆的运行参数以及环境参数；
里程预测模块，用于将所述第一预设参数、运行参数以及环境参数输入至预设的里程预测模型，得到所述备选车辆的预测续航里程；其中，所述里程预测模型为通过对样本数据进行机器学习得到的。
7.根据权利要求6所述的续航里程预测装置，其特征在于，所述订单参数还包括第二预设参数；
所述参数获取模块包括：
确定子模块，用于根据所述第二预设参数，确定符合预设初选规则的备选车辆。
8.根据权利要求6所述的续航里程预测装置，其特征在于，所述装置还包括：
操作接收模块，用于接收针对预设样本库的模型训练操作；其中，所述预设样本库包括第一预设数目个样本文件；每个所述样本文件至少包括第一预设参数、运行参数以及环境参数；
模型训练模块，用于响应于所述模型训练操作，根据样本文件，按照预设规则训练里程预测模型。
9.根据权利要求6所述的续航里程预测装置，其特征在于，所述订单参数中还包括目标路径的路径起点、路径里程；
所述得到所述备选车辆的预测续航里程的步骤之后，所述装置还包括：
行程获取模块，用于获取所述备选车辆的当前位置至所述路径起点之间的行驶里程；
里程确定模块，用于确定所述备选车辆的有效预测续航里程；所述有效预测续航里程为所述预测续航里程与所述行驶里程之差；
里程判断模块，用于判断所述有效预测续航里程是否满足预设里程要求；其中，所述预设里程要求为所述有效预测续航里程大于所述行驶里程，且所述有效预测续航里程超出所述行驶里程的数值大于预设里程阈值；
确定模块，用于若所述有效预测续航里程满足所述预设里程要求，则确定所述备选车辆符合承接所述约车订单的承接要求。
10.根据权利要求6所述的续航里程预测装置，其特征在于，所述运行参数至少包括：所述备选车辆的动力电池的预设电池参数；
所述环境参数至少包括温度参数、季节参数。
11.一种电子设备，包括处理器、存储器及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述计算机程序被所述处理器执行时实现如权利要求1至5中任一项所述的续航里程预测方法的步骤。
12.一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上存储计算机程序，所述计算机程序被处理器执行时实现如权利要求1至2中任一项所述的续航里程预测方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910678409.1A CN110516845A (zh) | 2019-07-25 | 2019-07-25 | 一种续航里程预测方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910678409.1A CN110516845A (zh) | 2019-07-25 | 2019-07-25 | 一种续航里程预测方法及装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110516845A true CN110516845A (zh) | 2019-11-29 |
Family
ID=68623584
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910678409.1A Pending CN110516845A (zh) | 2019-07-25 | 2019-07-25 | 一种续航里程预测方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110516845A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112557922A (zh) * | 2020-11-24 | 2021-03-26 | 扬州亚星客车股份有限公司 | 一种针对电动公交车的剩余电量预测系统及方法 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107748941A (zh) * | 2017-11-23 | 2018-03-02 | 苏州亿科赛卓电子科技有限公司 | 一种基于电动汽车的订单分配方法及装置 |
| CN107844613A (zh) * | 2016-09-18 | 2018-03-27 | 大陆汽车投资（上海）有限公司 | 基于数据分析的电动车续航管理方法 |
| CN108417022A (zh) * | 2018-03-16 | 2018-08-17 | 千禧神骅科技（成都）有限公司 | 一种适用于新能源专车平台的用车调度方法 |
| 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 |
| CN109784560A (zh) * | 2019-01-15 | 2019-05-21 | 深圳四海万联科技有限公司 | 一种电动汽车续航里程估算方法及估算系统 |
| CN110020923A (zh) * | 2019-04-12 | 2019-07-16 | 北京嘀嘀无限科技发展有限公司 | 订单匹配方法及系统、计算机可读存储介质、电子设备 |
-
2019
- 2019-07-25 CN CN201910678409.1A patent/CN110516845A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107844613A (zh) * | 2016-09-18 | 2018-03-27 | 大陆汽车投资（上海）有限公司 | 基于数据分析的电动车续航管理方法 |
| CN107748941A (zh) * | 2017-11-23 | 2018-03-02 | 苏州亿科赛卓电子科技有限公司 | 一种基于电动汽车的订单分配方法及装置 |
| CN108417022A (zh) * | 2018-03-16 | 2018-08-17 | 千禧神骅科技（成都）有限公司 | 一种适用于新能源专车平台的用车调度方法 |
| 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 |
| CN109784560A (zh) * | 2019-01-15 | 2019-05-21 | 深圳四海万联科技有限公司 | 一种电动汽车续航里程估算方法及估算系统 |
| CN110020923A (zh) * | 2019-04-12 | 2019-07-16 | 北京嘀嘀无限科技发展有限公司 | 订单匹配方法及系统、计算机可读存储介质、电子设备 |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112557922A (zh) * | 2020-11-24 | 2021-03-26 | 扬州亚星客车股份有限公司 | 一种针对电动公交车的剩余电量预测系统及方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Beglerovic et al. | Testing of autonomous vehicles using surrogate models and stochastic optimization | |
| CN103745110B (zh) | 纯电动公交车营运续驶里程估算方法 | |
| CN111612252A (zh) | 大规模应急设施的自动选址方法、装置及可读存储介质 | |
| CN110728421B (zh) | 一种基于充电需求大数据的路网充电优化方法 | |
| CN109768340B (zh) | 一种电池放电过程电压不一致性估计方法及装置 | |
| CN111816936A (zh) | 电池梯次利用配组方法、系统、终端设备及存储介质 | |
| CN110379165A (zh) | 一种道路类型预测方法、装置、设备及存储介质 | |
| CN111191824A (zh) | 一种动力电池容量衰减预测方法及系统 | |
| CN115700717A (zh) | 一种基于电动汽车用电需求的配电分析方法 | |
| CN115610252A (zh) | 一种车辆电池热管理启用方法、装置、设备及存储介质 | |
| CN109978241B (zh) | 一种电动汽车充电负荷的确定方法及装置 | |
| CN110516845A (zh) | 一种续航里程预测方法及装置 | |
| Zhou et al. | Predictive energy management for fuel cell hybrid electric vehicles | |
| CN117407795A (zh) | 一种电池安全预测方法、装置、电子设备及存储介质 | |
| CN113139639A (zh) | 一种基于mombi面向智慧城市应用多目标计算迁移方法和装置 | |
| CN115496277B (zh) | 一种基于改进猫群算法的移动补电装置调度方法及系统 | |
| KR102601046B1 (ko) | 차량 가용도 예측 방법 및 장치 | |
| CN113393023B (zh) | 模具质量评估方法、装置、设备及存储介质 | |
| CN115514787A (zh) | 用于车联网环境的智能无人机辅助决策规划方法及装置 | |
| CN114707239A (zh) | 电能资源分配规划方法、装置和电子设备 | |
| CN113298298A (zh) | 一种充电桩短期负荷预测方法及其系统 | |
| CN115482655A (zh) | 一种基于偏最小二乘Kriging模型的路径诱导方法 | |
| CN115688957A (zh) | 一种车辆能耗确定方法、装置、电子设备及存储介质 | |
| CN113386611B (zh) | 充放电控制方法、装置、计算机设备和存储介质 | |
| CN116358902B (zh) | 一种车辆功能的测试方法、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 |
Application publication date: 20191129 |
|
| RJ01 | Rejection of invention patent application after publication |