CN110562096B - 一种剩余里程预测方法及装置 - Google Patents

一种剩余里程预测方法及装置 Download PDF

Info

Publication number
CN110562096B
CN110562096B CN201910779349.2A CN201910779349A CN110562096B CN 110562096 B CN110562096 B CN 110562096B CN 201910779349 A CN201910779349 A CN 201910779349A CN 110562096 B CN110562096 B CN 110562096B
Authority
CN
China
Prior art keywords
working condition
condition data
predicted
mileage
time period
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.)
Active
Application number
CN201910779349.2A
Other languages
English (en)
Other versions
CN110562096A (zh
Inventor
王尧峰
高雁飞
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Neusoft Reach Automotive Technology Shenyang Co Ltd
Original Assignee
Neusoft Reach Automotive Technology Shenyang Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Neusoft Reach Automotive Technology Shenyang Co Ltd filed Critical Neusoft Reach Automotive Technology Shenyang Co Ltd
Priority to CN201910779349.2A priority Critical patent/CN110562096B/zh
Publication of CN110562096A publication Critical patent/CN110562096A/zh
Application granted granted Critical
Publication of CN110562096B publication Critical patent/CN110562096B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
    • B60L58/00—Methods or circuit arrangements for monitoring or controlling batteries or fuel cells, specially adapted for electric vehicles
    • B60L58/10—Methods or circuit arrangements for monitoring or controlling batteries or fuel cells, specially adapted for electric vehicles for monitoring or controlling batteries
    • B60L58/12—Methods or circuit arrangements for monitoring or controlling batteries or fuel cells, specially adapted for electric vehicles for monitoring or controlling batteries responding to state of charge [SoC]
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60R—VEHICLES, VEHICLE FITTINGS, OR VEHICLE PARTS, NOT OTHERWISE PROVIDED FOR
    • B60R16/00—Electric or fluid circuits specially adapted for vehicles and not otherwise provided for; Arrangement of elements of electric or fluid circuits specially adapted for vehicles and not otherwise provided for
    • B60R16/02—Electric or fluid circuits specially adapted for vehicles and not otherwise provided for; Arrangement of elements of electric or fluid circuits specially adapted for vehicles and not otherwise provided for electric constitutive elements
    • B60R16/023—Electric or fluid circuits specially adapted for vehicles and not otherwise provided for; Arrangement of elements of electric or fluid circuits specially adapted for vehicles and not otherwise provided for electric constitutive elements for transmission of signals between vehicle parts or subsystems
    • B60R16/0231—Circuits relating to the driving or the functioning of the vehicle
    • B60R16/0232—Circuits relating to the driving or the functioning of the vehicle for measuring vehicle parameters and indicating critical, abnormal or dangerous conditions
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C22/00—Measuring distance traversed on the ground by vehicles, persons, animals or other moving solid bodies, e.g. using odometers, using pedometers
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
    • B60L2260/00—Operating Modes
    • B60L2260/40—Control modes
    • B60L2260/50—Control modes by future state prediction
    • B60L2260/52—Control modes by future state prediction drive range estimation, e.g. of estimation of available travel distance
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/60—Other road transportation technologies with climate change mitigation effect
    • Y02T10/70—Energy storage systems for electromobility, e.g. batteries

Landscapes

  • Engineering & Computer Science (AREA)
  • Mechanical Engineering (AREA)
  • Remote Sensing (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Automation & Control Theory (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Sustainable Development (AREA)
  • Sustainable Energy (AREA)
  • Power Engineering (AREA)
  • Transportation (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本申请公开了一种剩余里程预测方法及装置，根据目标车辆在第一时间段内的历史工况数据，预测未来第二时间段内的预测工况数据，并根据该预测工况数据预测未来目标车辆的单位里程内能源消耗值，以便根据该单位里程内能源消耗值和历史工况数据中的能源状态数据，预测目标车辆的剩余里程。其中，由于预测工况数据能够准确地表示出目标车辆在未来第二时间段内工况情况，而且单位里程内能源消耗值能够准确地表示出目标车辆在未来第二时间段内的能源消耗情况，从而使得基于该单位里程能源消耗值预测的剩余里程更准确，从而避免了用户因无法根据预测的剩余里程确定实际的剩余里程而产生里程焦虑，提高了用户体验感。

Description

一种剩余里程预测方法及装置
技术领域
本申请涉及车辆技术领域，尤其涉及一种剩余里程预测方法及装置。
背景技术
当驾驶车辆出行时，用户需要关注该车内仪表盘上显示的参数，尤其需要关注仪表盘上显示的剩余里程。当车辆是燃油汽车时，剩余里程是指在当前剩余燃料下车辆可以连续行驶的里程；当车辆是电动汽车时，剩余里程是指在当前剩余电量下车辆可以连续行驶的里程。
在现有技术中，剩余里程通常可以根据当前剩余电量(或当前剩余燃料)，从剩余电量(或剩余燃料)与剩余里程的映射关系表中进行查询，以便预测得到剩余里程。
然而，由于剩余电量(或剩余燃料)与剩余里程的映射关系表是由车辆生产厂家根据待出厂车辆的测试数据构建的，因而，剩余电量(或剩余燃料)与剩余里程的映射关系表更适用于预测刚出厂车辆的剩余里程，如此导致了在利用剩余电量(或剩余燃料)与剩余里程的映射关系表预测其他状态下车辆(例如，使用多年的车辆)的剩余里程时，该预测的剩余里程通常不准，而且预测的剩余里程通常高于实际的剩余里程，使得用户因无法根据预测的剩余里程确定实际的剩余里程而产生里程焦虑，严重影响了用户体验感。
发明内容
为了解决现有技术中存在的以上技术问题，本申请提供一种剩余里程预测方法及装置，能够准确地预测出剩余里程，从而避免了用户因无法根据预测的剩余里程确定实际的剩余里程而产生里程焦虑，提高了用户体验感。
为了实现上述目的，本申请提供的技术方案如下：
本申请提供一种剩余里程预测方法，包括：
获取目标车辆在第一时间段内的历史工况数据；其中，所述历史工况数据包括车辆状态数据和能源状态数据；
根据所述历史工况数据，预测未来第二时间段内的预测工况数据；
根据所述预测工况数据，预测未来目标车辆的单位里程内能源消耗值，并根据所述单位里程内能源消耗值和所述能源状态数据，预测所述目标车辆的剩余里程。
可选的，所述车辆状态数据包括车速、档位、油门状态、刹车状态、电机转速、电机扭矩、电机功率、空调开启状态、车厢温度和室外温度中的至少一个。
可选的，当所述预测工况数据包括预测车辆状态数据和预测能源状态数据时，所述根据所述预测工况数据，预测未来目标车辆的单位里程内能源消耗值，具体包括：
根据所述预测车辆状态数据，预测未来第二时间段内的预测行驶里程；
根据所述预测行驶里程和所述预测能源状态数据，预测未来目标车辆的单位里程内能源消耗值。
可选的，所述根据所述历史工况数据，预测未来第二时间段内的预测工况数据，具体包括：
对所述历史工况数据进行统计分析，获取所述历史工况数据的统计参数；
根据所述历史工况数据的统计参数，预测未来第二时间段内的预测工况数据的统计参数；
则，所述根据所述预测工况数据，预测未来目标车辆的单位里程内能源消耗值，具体包括：
根据所述预测工况数据的统计参数，预测未来目标车辆的单位里程内能源消耗值。
可选的，所述根据所述历史工况数据，预测未来第二时间段内的预测工况数据，具体包括：根据所述历史工况数据，利用预先构建的工况数据预测模型，预测未来第二时间段内的预测工况数据；
其中，所述工况数据预测模型的构建方法，具体包括：
获取至少一个工况训练数据；其中，每一工况训练数据包括第三时间段内的实际工况数据和第四时间段内的实际工况数据，且第三时间段内的实际工况数据的采集时间早于第四时间段内的实际工况数据的采集时间；
将每一第三时间段内的实际工况数据，输入到工况数据预测模型中进行预测，得到每一第四时间段内的预测工况数据；
根据每一第四时间段内的预测工况数据，对工况数据预测模型进行更新，以完成本轮训练。
可选的，所述根据每一第四时间段内的预测工况数据，对工况数据预测模型进行更新，具体包括：
确定每一第四时间段内的预测工况数据与实际工况数据之间的差异，作为第一差异；
根据所述第一差异以及第一目标函数，对工况数据预测模型进行更新。
可选的，所述根据所述预测车辆状态数据，预测未来第二时间段内的预测行驶里程，具体包括：根据所述预测车辆状态数据，利用预先构建的行驶里程预测模型，预测未来第二时间段内的预测行驶里程；
其中，所述行驶里程预测模型的构建方法，具体包括：
获取至少一个里程训练数据；其中，每一里程训练数据包括第五时间段内的实际工况数据以及实际行驶里程；
将每一第五时间段内的实际工况数据，输入到行驶里程预测模型中进行预测，得到每一第五时间段内的预测行驶里程；
根据每一第五时间段内的预测行驶里程，对行驶里程预测模型进行更新，以完成本轮训练。
可选的，所述根据每一第五时间段内的预测行驶里程，对行驶里程预测模型进行更新，具体包括：
确定每一第五时间段内的预测行驶里程与实际行驶里程之间的差异，作为第二差异；
根据所述第二差异以及第二目标函数，对行驶里程预测模型进行更新。
可选的，当所述能源状态数据包括剩余能源时，则所述根据所述单位里程内能源消耗值和所述能源状态数据，预测所述目标车辆的剩余里程，具体包括：
将所述剩余能源与所述单位里程内能源消耗值的比值，作为所述目标车辆的剩余里程。
本申请还提供了一种剩余里程预测装置，包括：
数据获取单元，用于获取目标车辆在第一时间段内的历史工况数据；其中，所述历史工况数据包括车辆状态数据和能源状态数据；
第一预测单元，用于根据所述历史工况数据，预测未来第二时间段内的预测工况数据；
第二预测单元，用于根据所述预测工况数据，预测未来目标车辆的单位里程内能源消耗值，并根据所述单位里程内能源消耗值和所述能源状态数据，预测所述目标车辆的剩余里程。
本申请还提供了一种设备，所述设备包括处理器以及存储器：
所述存储器用于存储计算机程序；
所述处理器用于根据所述计算机程序执行上述提供的剩余里程预测方法的任一实施方式。
本申请还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用于存储计算机程序，所述计算机程序用于执行上述提供的剩余里程预测方法的任一实施方式。
与现有技术相比，本申请至少具有以下优点：
本申请提供的剩余里程预测方法及装置中，根据目标车辆在第一时间段内的历史工况数据，预测未来第二时间段内的预测工况数据，并根据该预测工况数据预测未来目标车辆的单位里程内能源消耗值，以便根据该单位里程内能源消耗值和历史工况数据中的能源状态数据，预测目标车辆的剩余里程。其中，由于该方法能够根据第一时间段内的历史工况数据准确地预测出未来第二时间段内的预测工况数据，使得预测工况数据能够准确地表示出目标车辆在未来第二时间段内工况情况，而且单位里程内能源消耗值是基于未来第二时间段内的预测工况数据确定的，因而，单位里程内能源消耗值能够准确地表示出目标车辆在未来第二时间段内的能源消耗情况，从而使得基于该单位里程能源消耗值预测的剩余里程更准确，从而避免了用户因无法根据预测的剩余里程确定实际的剩余里程而产生里程焦虑，提高了用户体验感。
附图说明
为了更清楚地说明本申请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简单地介绍，显而易见地，下面描述中的附图仅仅是本申请中记载的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它的附图。
图1为本申请方法实施例提供的剩余里程预测方法的流程图；
图2为本申请实施例提供的一种工况数据预测模型的构建方法的流程图；
图3为本申请实施例提供的另一种工况数据预测模型的构建方法的流程图；
图4为本申请实施例提供的一种行驶里程预测模型的构建方法的流程图；
图5为本申请实施例提供的另一种行驶里程预测模型的构建方法的流程图；
图6为本申请实施例提供的剩余里程预测装置的结构示意图。
具体实施方式
经过研究发现，上述背景技术部分的技术问题的产生原因为：由于实际的车辆运行工况会影响车辆的剩余里程，而且，在剩余能源相同的情况下，不同的车辆运行工况对应于不同的剩余里程，因而，为了能够精确地预测出剩余里程，需要结合实际的车辆运行工况进行剩余里程的预测。如此，本申请提供了一种剩余里程预测方法，该方法通过根据目标车辆在第一时间段内的历史工况数据，预测未来第二时间段内的预测工况数据，并根据该预测工况数据预测未来目标车辆的单位里程内能源消耗值，以便根据该单位里程内能源消耗值和历史工况数据中的能源状态数据，预测目标车辆的剩余里程。其中，由于该方法能够根据第一时间段内的历史工况数据准确地预测出未来第二时间段内的预测工况数据，使得预测工况数据能够准确地表示出目标车辆在未来第二时间段内工况情况，而且单位里程内能源消耗值是基于未来第二时间段内的预测工况数据确定的，因而，单位里程内能源消耗值能够准确地表示出目标车辆在未来第二时间段内的能源消耗情况，从而使得基于该单位里程能源消耗值预测的剩余里程更准确，从而避免了用户因无法根据预测的剩余里程确定实际的剩余里程而产生里程焦虑，提高了用户体验感。
为了使本技术领域的人员更好地理解本发明方案，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，所描述的实施例仅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他实施例，都属于本发明保护的范围。
方法实施例一
参见图1，该图为本申请方法实施例提供的剩余里程预测方法的流程图。
本申请实施例提供的剩余里程预测方法，包括步骤S11-S14：
S11：获取目标车辆在第一时间段内的历史工况数据。
S12：根据历史工况数据，预测未来第二时间段内的预测工况数据。
S13：根据预测工况数据，预测未来目标车辆的单位里程内能源消耗值。
S14：根据单位里程内能源消耗值和能源状态数据，预测目标车辆的剩余里程。
以上为本申请方法实施例一提供的剩余里程预测方法的具体执行步骤，为了便于理解和解释本申请方法实施例一提供的剩余里程预测方法，下面将依次介绍步骤S11至步骤S14的具体实施方式。
首先介绍步骤S11的具体实施方式。
在步骤S11中，第一时间段是指在当前时间之前的一段时间，而且，第一时间段可以预先设定，尤其可以根据应用场景设定。例如，假设当前时间为2019年1月3日10:00，且第一时间段的时长为60分钟，则第一时间段是指2019年1月3日9:00至10:00之间的60分钟。
历史工况数据是指在第一时间段内从目标车辆上采集的车辆工况数据，而且，历史工况数据包括至少一条工况数据。例如，当第一时间段为2019年1月3日9:00至10:00之间的60分钟，且工况数据采集间隔为1分钟时，则第一时间段内的历史工况数据包括在2019年1月3日9:00至10:00之间采集的60条数据。
另外，历史工况数据可以包括至少一种类型的数据，例如，历史工况数据可以包括车辆状态数据和能源状态数据。
其中，车辆状态数据是指与车辆状态相关的数据，例如，车辆状态数据可以包括车速、档位、油门状态、刹车状态、电机转速、电机扭矩、电机功率、空调开启状态、车厢温度和室外温度中的至少一个。
能源状态数据是指与车辆能源状态相关的数据，例如，能源状态数据可以包括能源消耗相关数据以及能源剩余数据等。另外，能源状态数据与车辆能源类型相关，其具体为：若车辆能源包括电池，则能源状态数据包括电池状态数据；若车辆能源包括燃料，则能源状态数据包括燃料状态数据；若车辆能源包括电池和燃料，则能源状态数据包括电池状态数据和燃料状态数据。此外，电池状态数据可以包括至少一种类型的数据，例如，电池状态数据包括电池输出电压、电池输出电流和剩余电量(State of Charge，SOC)中的至少一个。燃料状态数据也可以包括至少一种类型的数据，例如，燃料状态数据包括燃料消耗参数和燃料剩余量中的至少一个。
此外，本申请提供的剩余里程预测方法可以应用于车载计算机或远程服务器，而且，当剩余里程预测方法的应用场景不同时，步骤S11采用不同的实施方式，下面结合两个实施方式进行说明。
作为第一种实施方式，当剩余里程预测方法应用于车载计算机时，则步骤S11具体可以为：采集目标车辆在第一时间段内的历史工况数据。
在S11的第一种实施方式中，通常利用目标车辆内部的各种数据采集部件(例如，传感器等)采集目标车辆在第一时间段内的历史工况数据。例如，利用速度传感器采集目标车辆在第一时间段内的车速。
以上为S11的第一种实施方式
作为第二种实施方式，当剩余里程预测方法应用于远程服务器时，则步骤S11具体可以为：接收目标车辆发送的第一时间段内的历史工况数据。
在S11的第二种实施方式中，通常是由目标车辆将采集到的第一时间段内的历史工况数据利用预设通信方式发送给远程服务器，以便远程服务器能够利用这些历史工况数据进行剩余里程的预测。
其中，预设通信方式可以预先设定，而且，预设通信方式可以是任一种能够实现目标车辆与远程服务器进行通信的通信方式。例如，预设通信方式可以是无线网络。
需要说明的是，在S11的第二种实施方式中不限定目标车辆将采集的工况数据发送给远程服务器时的发送时间以及发送方式。例如，目标车辆可以在采集到每一条工况数据后，立即将该工况数据发送至远程服务器；目标车辆也可以在采集到预设数目(或预设时间)的工况数据后，将该预设数目(或预设时间)的工况数据发送至远程服务器；目标车辆还可以在采集到第一时间段内的历史工况数据后，将第一时间段内的历史工况数据一起发送至远程服务器。
以上为步骤S11的具体实施方式。
下面介绍步骤S12的具体实施方式。
在步骤S12中，第二时间段是指在当前时间之后的一段时间，而且，第二时间段可以预先设定，尤其可以根据应用场景设定。例如，假设当前时间为2019年1月3日10:00，且第二时间段的时长为20分钟，则第二时间段是指2019年1月3日10:00至10:20之间的20分钟。
预测工况数据是指在第二时间段内目标车辆上的预测工况数据，而且，预测工况数据包括至少一条工况数据。例如，当第二时间段为2019年1月3日10:00至10:20之间的20分钟，且工况数据采集间隔为1分钟时，则第二时间段内的预测工况数据包括在2019年1月3日10:00至10:20之间预测到的20条数据。
另外，预测工况数据所包括的数据类型与历史工况数据所包括的数据类型相同，因而，当历史数据包括车辆状态数据和能源状态数据时，则利用步骤S12预测得到的预测工况数据可以包括预测车辆状态数据和预测能源状态数据。
作为一种实施方式，S12具体可以为：根据历史工况数据，利用预先构建的工况数据预测模型，预测未来第二时间段内的预测工况数据。
工况数据预测模型可以用于根据历史工况数据获取预测工况数据，而且，工况数据预测模型的输入为第一时间段内的历史工况数据，输出为未来第二时间段内的预测工况数据。另外，工况数据预测模型可以预先构建，而且工况数据预测模型的构建方法将在方法 实施例二中进行介绍，技术详情请参见方法实施例二。
本申请不限定第一时间段的时长和第二时间段的时长之间的长短大小，第一时间段的时长可以比第二时间段长的时长(例如，第一时间段的时长为60分钟且第二时间段的时长为20分钟)；第一时间段的时长可以与第二时间段的时长相同(例如，第一时间段的时长为20分钟且第二时间段的时长为20分钟)，本申请对此不做具体限定。
另外，为了提高工况数据预测模型的预测准确性，可以根据时长较长的历史工况数据预测未来时长较短的工况数据，因而，本申请实施例提供了步骤S12的第一种实施方式，在该实施方式中，S12具体可以为：根据第一时间段内的历史工况数据，利用预先构建的工况数据预测模型，预测未来第二时间段内的预测工况数据；其中，第一时间段的时长大于第二时间段的时长。
为了便于理解和解释S12的第一种实施方式，下面结合示例进行说明。
作为示例，当第一时间段为2019年1月3日9:00至10:00之间的60分钟，且第二时间段为2019年1月3日10:00至10:20之间的20分钟时，则S12具体可以为：根据在2019年1月3日9:00至10:00内采集到的历史工况数据，利用预先构建的工况数据预测模型，预测在未来2019年1月3日10:00至10:20内的预测工况数据。
以上为步骤S12的第一种实施方式的相关内容。
另外，为了提高预测工况数据的预测效率，可以将大量第一时间段内的历史工况数据进行统计分析，以便工况数据预测模型只需根据少量的统计参数进行预测即可。如此，本申请还提供了步骤S12的第二种实施方式，在该实施方式中，S12具体可以包括步骤S121-S122：
S121：对历史工况数据进行统计分析，获取历史工况数据的统计参数。
本申请不限定统计分析方法，可以是任一种现有或未来出现的能够对历史工况数据进行统计分析的统计分析方法。
历史工况数据的统计参数是指能够代表历史工况数据的分布情况的参数，而且，本申请不限定历史工况数据的统计参数的类型。例如，历史工况数据的统计参数可以是均值、方差、峰度、偏度、以及第0-10十分位数中的至少一种类型。
另外，为了提高预测工况数据的预测准确性，可以按照数据采集时间将历史工况数据划分成多组数据，以便后续能够计算每一组数据的统计参数。因此，本申请提供了S121的一种实施方式，在该实施方式中，S121具体可以为：根据第一时间段内的历史工况数据，得到每一预设时间段内的历史工况数据的统计参数。
预设时间段可以预先设定，而且，预设时间段的时长小于第一时间段的时长。例如，预设时间段的时长可以是1分钟至20分钟。
另外，为了提高预测准确性，预设时间段的时长应该等于第二时间段的时长，以便后续能够多个预设时间段内的历史工况数据预测一个未来第二时间段内的预测工况数据。
为了便于理解和解释S121的具体实施方式，下面结合示例进行说明。
假设，第一时间段为2019年1月3日9:00至10:00之间的60分钟，且第二时间段为2019年1月3日10:00至10:20之间的20分钟，且预设时间段的时长为20分钟。
作为示例，基于上述假设，S121具体可以为：对在2019年1月3日9:00至9:20内的历史工况数据进行统计分析，得到第一统计参数；对在2019年1月3日9:20至9:40内的历史工况数据进行统计分析，得到第二统计参数；对在2019年1月3日9:40至10:00内的历史工况数据，进行统计分析，得到第三统计参数。
以上为步骤S121的具体实施方式。
S122：根据历史工况数据的统计参数，预测未来第二时间段内的预测工况数据的统计参数。
作为一种实施方式，S122具体可以为：根据历史工况数据的统计参数，利用预先构建的工况数据预测模型，预测未来第二时间段内的预测工况数据的统计参数。
作为示例，在步骤S121所提供的示例的基础上，S122具体可以为：将第一统计参数、第二统计参数以及第三统计参数输入到预先构建的工况数据预测模型中，预测得到在2019年1月3日10:00至10:20内的预测工况数据的统计参数。
需要说明的是，在步骤S122中的工况数据预测模型可以用于根据历史工况数据的统计参数获取预测工况数据的统计参数，而且，工况数据预测模型的输入为第一时间段内的历史工况数据的统计参数，输出为未来第二时间段内的预测工况数据的统计参数。另外，步骤S122中的工况数据预测模型的构建方法与上述提供的工况数据预测模型的构建方法相同，区别仅在于：步骤S122中的工况数据预测模型的训练数据是工况数据的统计参数，但上述提供的工况数据预测模型的训练数据为工况数据。此外，步骤S122中的工况数据预测模型的构建方法也将在方法实施例二中进行介绍，技术详情请参见方法实施例二。
以上为步骤S12的具体实施方式。
下面介绍步骤S13的具体实施方式。
单位里程内能源消耗值是指在当前时间之后目标车辆每行驶单位里程所需消耗的能源值，而且，本申请不限定单位里程的表示形式，例如，单位里程可以利用1公里进行表示。作为示例，假设当前时间为2019年1月3日10:00，且单位里程利用1公里进行表示时，则单位里程内能源消耗值具体可以为：在2019年1月3日10:00之后目标车辆每行驶1公里所需消耗的能源值。
S13可以采用多种实施方式，下面将以两种实施方式为例进行说明。
作为第一种实施方式，当预测工况数据包括预测车辆状态数据和预测能源状态数据时，S13具体可以包括步骤S13A1-S13A2：
S13A1：根据预测车辆状态数据，预测未来第二时间段内的预测行驶里程。
预测车辆状态数据是指在未来第二时间段内与车辆状态相关的数据，例如，预测车辆状态数据可以包括车速、档位、油门状态、刹车状态、电机转速、电机扭矩、电机功率、空调开启状态、车厢温度和室外温度中的至少一个。
第二时间段内的预测行驶里程是指目标车辆在未来第二时间段内的行驶里程。
作为一种实施方式，S13A1具体可以为：根据预测车辆状态数据，利用预先构建的行驶里程预测模型，预测未来第二时间段内的预测行驶里程。
行驶里程预测模型可以用于根据预测车辆状态数据获取预测行驶里程，而且，行驶里程预测模型的输入为未来第二时间段内的预测车辆状态数据，输出为未来第二时间段内的预测行驶里程。另外，行驶里程预测模型可以预先构建，而且行驶里程预测模型构建方法将在方法实施例三中进行介绍，技术详情请参见方法实施例三。
作为示例，假设第二时间段为2019年1月3日10:00至10:20之间的20分钟，则S13A1具体可以为：将在2019年1月3日10:00至10:20内的预测车辆状态数据，输入预先构建的行驶里程预测模型中进行预测，得到2019年1月3日10:00至10:20内的预测行驶里程。
以上为步骤S13A1的具体实施方式。
S13A2：根据预测行驶里程和预测能源状态数据，预测未来目标车辆的单位里程内能源消耗值。
预测能源状态数据是指在未来第二时间段内与车辆能源状态相关的数据，例如，预测能源状态数据可以包括预测能源消耗数据以及预测能源剩余数据等。
作为一种实施方式，当预测能源状态数据可以包括预测能源消耗数据以及预测能源剩余数据时，S13A2具体可以为：根据预测行驶里程和预测能源消耗数据，预测未来目标车辆的单位里程内能源消耗值。
另外，预测能源状态数据也与车辆能源类型相关，其具体为：若车辆能源包括电池，则预测能源状态数据包括预测电池状态数据；若车辆能源包括燃料，则预测能源状态数据包括预测燃料状态数据；若车辆能源包括电池和燃料，则预测能源状态数据包括电池状态数据和燃料状态数据。此外，预测电池状态数据可以包括至少一种类型的数据，例如，预测电池状态数据包括预测电池输出电压、预测电池输出电流、预测消耗电量、和预测剩余电量(State of Charge，SOC)中的至少一个。预测燃料状态数据也可以包括至少一种类型的数据，例如，预测燃料状态数据包括预测燃料消耗量和预测燃料剩余量中的至少一个。
作为示例，当车辆能源包括电池，且预测能源状态数据包括预测电池消耗数据时，则步骤S13A2具体可以为：根据预测行驶里程和预测电池消耗数据，利用公式(1)，预测未来目标车辆的单位里程内能源消耗值。
Figure BDA0002176082520000121
式中，Sunit为未来目标车辆的单位里程内能源消耗值；STime 2为未来第二时间段内的预测电池消耗数据；M为未来第二时间段内的预测行驶里程。
以上为步骤S13的第一种实施方式。
作为第二种实施方式，当在步骤S12中得到预测工况数据的统计参数时，还可以根据预测工况数据的统计参数预测未来目标车辆的单位里程内能源消耗值，此时S13具体可以为：根据预测工况数据的统计参数，预测未来目标车辆的单位里程内能源消耗值。
在S13的第二种实施方式中，为了提高单位里程内能源消耗值的预测准确性，当预测工况数据的统计参数包括预测车辆状态数据的统计参数和预测能源状态数据的统计参数时，S13具体可以包括S13B1-S13B3：
S13B1：根据预测车辆状态数据的统计参数，利用预先构建的行驶里程预测模型，预测未来第二时间段内的预测行驶里程。
需要说明的是，在步骤S13B1中的行驶里程预测模型可以用于根据预测车辆状态数据的统计参数获取预测行驶里程，而且，行驶里程预测模型的输入为未来第二时间段内的预测车辆状态数据的统计参数，输出为未来第二时间段内的预测行驶里程。另外，步骤S13B1中的行驶里程预测模型的构建方法与上述提供的行驶里程预测模型的构建方法相同，区别仅在于：步骤S13B1中的行驶里程预测模型的训练数据是车辆状态数据的统计参数，但上述提供的行驶里程预测模型的训练数据是车辆状态数据。此外，步骤S13B1中的行驶里程预测模型的构建方法将在方法实施例三中进行介绍，技术详情请参见方法实施例 三。
S13B2：根据预测能源状态数据的统计参数，得到预测能源状态数据。
S13B3：根据预测行驶里程和预测能源状态数据，预测未来目标车辆的单位里程内能源消耗值。
步骤S13B3的具体实施方式与步骤S13A2的具体实施方式相同，为了简要起见，在此不再赘述。
以上为步骤S13的具体实施方式。
下面介绍步骤S14的具体实施方式。
在步骤S14中，由于能源状态数据能够表示在当前时间下目标车辆中的能源状态，而且，单位里程内能源消耗值能够表示在当前时间之后目标车辆在单位里程内所消耗的能源，因而，可以根据单位里程内能源消耗值和能源状态数据，预测目标车辆的剩余里程。
作为一种实施方式，当能源状态数据包括剩余能源时，则步骤S14具体可以为：将剩余能源与单位里程内能源消耗值的比值(如公式(2)所示)，作为目标车辆的剩余里程。其中，剩余能源是指在当前时间下目标车辆中所剩余的能源量。
Figure BDA0002176082520000131
式中，Mall为目标车辆的剩余里程；Sall为目标车辆的剩余能源；Sunit为未来目标车辆的单位里程内能源消耗值。
作为示例，当剩余能源包括剩余电量SOC时，则步骤S14具体可以为：将剩余能源SOC与单位里程内能源消耗值的比值，作为目标车辆的剩余里程。
以上为步骤S14的具体实施方式。
以上为方法实施例提供的剩余里程预测方法的具体实施方式，在该实施方式中，根据目标车辆在第一时间段内的历史工况数据，预测未来第二时间段内的预测工况数据，并根据该预测工况数据预测未来目标车辆的单位里程内能源消耗值，以便根据该单位里程内能源消耗值和历史工况数据中的能源状态数据，预测目标车辆的剩余里程。其中，由于该方法能够根据第一时间段内的历史工况数据准确地预测出未来第二时间段内的预测工况数据，使得预测工况数据能够准确地表示出目标车辆在未来第二时间段内工况情况，而且单位里程内能源消耗值是基于未来第二时间段内的预测工况数据确定的，因而，单位里程内能源消耗值能够准确地表示出目标车辆在未来第二时间段内的能源消耗情况，从而使得基于该单位里程能源消耗值预测的剩余里程更准确，从而避免了用户因无法根据预测的剩余里程确定实际的剩余里程而产生里程焦虑，提高了用户体验感。
方法实施例二
需要说明的是，在本实施例中将介绍上述方法实施例一中的工况数据预测模型的构建方法。
参见图2，该图为本申请实施例提供的工况数据预测模型的构建方法的流程图。
本申请实施例提供的工况数据预测模型的构建方法，可以包括步骤S21-S23：
S21：获取至少一个工况训练数据。
每一个工况训练数据是指在目标时间段内从车辆上采集的实际工况数据，而且，每一工况训练数据所对应的目标时间段的时长是相同的。例如，目标时间段的时长为60分钟。
另外，每一工况训练数据包括第三时间段内的实际工况数据和第四时间段内的实际工况数据，且第三时间段内的实际工况数据的采集时间早于第四时间段内的实际工况数据的采集时间。其中，第三时间段的时长可以预先设定，第四时间段的时长也可以预先设定。例如，假设一个工况训练数据为在2019年1月1日6:00至7:20之间的80分钟内采集的工况数据，则在2019年1月1日6:00至7:00之间的60分钟内采集的实际工况数据，可以作为第三时间段内的实际工况数据；而且，在2019年1月1日7:00至7:20之间的20分钟内采集的实际工况数据，可以作为第四时间段内的实际工况数据，如此使得第三时间段内的实际工况数据的采集时间早于第四时间段内的实际工况数据的采集时间。
另外，为了提高预测工况数据的预测准确性，可以预先设定第三时间段的时长等于第一时间段的时长，第四时间段的时长等于第二时间段的时长，如此能够使得训练所得的工况数据预测模型后续可以准确的根据第一时间段内的历史工况数据获取未来第二时间段内的预测工况数据。作为示例，假设第一时间段的时长为60分钟，第二时间段的时长为20分钟时，则可以设定第三时间段的时长为60分钟，且第四时间段的时长为20分钟。
此外，工况训练数据可以至少一种类型的数据，例如，工况训练数据可以包括车辆状态数据(内容详情请参见步骤S11中的“车辆状态数据”)和能源状态数据(内容详情请参见步骤S11中的“能源状态数据”)。
基于上述介绍的工况训练数据的相关内容，为了便于解释和理解，下面结合示例对步骤S21进行说明。
作为示例，当每一工况训练数据包括在60分钟内采集的实际工况数据时，则S21具体可以为：在第一个目标时间段内采集第1个工况训练数据，从第二个目标时间段内采集第2个工况训练数据，……，从第N个目标时间段内采集第N个工况训练数据。其中，N为正整数，且N≥1。
需要说明的是，第一个目标时间段、第二个目标时间段、……、第N个目标时间段是不相同的时间段。例如，当目标时间段的时长为60分钟时，则第一个目标时间段可以是2019年1月1日1:00至2:00、第二个目标时间段可以是2019年1月1日2:00至3:00、……、第N个目标时间段可以是2019年1月1日22:00至23:00。
以上为步骤S21的具体实施方式。
S22：将每一第三时间段内的实际工况数据，输入到工况数据预测模型中进行预测，得到每一第四时间段内的预测工况数据。
工况数据预测模型可以是原始搭建的模型，也可以是经过至少一轮训练后的模型。
工况数据预测模型可以使用变分自动编码器(Variational Autoencoder，VAE)网络、长短期记忆网络(Long Short-Term Memory，LSTM)、条件神经过程(ConditionalNeural Processes，CNP)中的至少一个进行搭建。
作为示例，假设在步骤S21中获取了第1个工况训练数据至第N个工况训练数据，则S22具体可以为：将第1个工况训练数据中第三时间段内的实际工况数据、第2个工况训练数据中第三时间段内的实际工况数据、……、以及第N个工况训练数据中第三时间段内的实际工况数据，输入到况数据预测模型中进行预测，分别得到第1个工况训练数据中第四时间段内的预测工况数据、第2个工况训练数据中第四时间段内的预测工况数据、……、第N个工况训练数据中第四时间段内的预测工况数据。
S23：根据每一第四时间段内的预测工况数据，对工况数据预测模型进行更新，以完成本轮训练。
在本申请中，由于在步骤S22中预测得到的每一第四时间段内的预测工况数据与该第四时间段内的实际工况数据之间是存在差异的，因而，为了提高工况数据预测模型的预测准确性，可以根据每一第四时间段内的预测工况数据与该第四时间段内的实际工况数据之间的差异，对工况数据预测模型进行更新，以便使得更新后的工况数据预测模型能够预测出的预测工况数据更接近于每一第四时间段内的实际工况数据。
另外，本申请还提供了步骤S23的一种实施方式，在该实施方式中，S23具体包括步骤S231-S232：
S231：确定每一第四时间段内的预测工况数据与实际工况数据之间的差异，作为第一差异。
作为示例，基于上述步骤S22中示例的内容，S231具体可以为：确定第1个工况训练数据中第四时间段内的预测工况数据与实际工况数据之间的差异、第2个工况训练数据中第四时间段内的预测工况数据与实际工况数据之间的差异、……、第N个工况训练数据中第四时间段内的预测工况数据与实际工况数据之间的差异，并将这些差异均作为第一差异。
S232：根据所述第一差异以及第一目标函数，对工况数据预测模型进行更新。
第一目标函数用于衡量工况数据预测模型的预测准确性，如果第一目标函数的函数值越大，则表示利用工况数据预测模型输出的预测工况数据与实际工况数据之间的差异越小，进而表示工况数据预测模型的预测准确性越高。
本申请不限定第一目标函数的具体实施方式，第一目标函数可以是任一种能够衡量工况数据预测模型的预测准确性的函数。
以上为本申请实施例提供的工况数据预测模型的一轮训练过程的具体实施方式。
另外，为了提高工况数据预测模型的预测准确性，还可以对工况数据预测模型进行多轮训练，因而，本申请还提供了工况数据预测模型的另一种构建方法，该方法包括步骤S31-35：
S31：获取至少一个工况训练数据。
S32：将每一第三时间段内的实际工况数据，输入到工况数据预测模型中进行预测，得到每一第四时间段内的预测工况数据。
S33：判断每一第四时间段内的预测工况数据是否达到第一预测条件，若是，则执行步骤S35；若否，则执行步骤S34。
其中，第一预测条件可以预先设定，尤其可以根据应用场景设定。例如，第一预测条件可以是预测工况数据与实际工况数据的差异小于第一目标差异值。
S34：根据每一第四时间段内的预测工况数据，对工况数据预测模型进行更新，并返回执行步骤S32。
S35：结束工况数据预测模型的训练过程。
需要说明的是，上述步骤S31、S32、S34分别可以采用上述步骤S21、S22、S33中的具体实施方式，为了简要起见，在此不再赘述。
在上述提供的工况数据预测模型的两种构建方法中，均是利用车辆工况数据作为训练数据，此时训练得到的工况数据预测模型能够根据历史工况数据获取预测工况数据。
另外，本申请实施例还提供了另外一种能够根据历史工况数据的统计参数获取预测工况数据的统计参数的工况数据预测模型，该工况数据预测模型可以采用上述提供的两种工况数据预测模型的构建方法进行构建，只需将上述提供的两种工况数据预测模型的构建方法中的“工况训练数据”替换为“工况训练数据的统计参数”即可。其中，工况训练数据的统计参数是指能够代表工况训练数据的分布情况的参数，而且，本申请不限定工况训练数据的统计参数的类型。例如，工况训练数据的统计参数可以是均值、方差、峰度、偏度、以及第0-10十分位数中的至少一种类型。
以上为本申请方法实施例二提供的工况数据预测模型的构建方法的具体实施方式，在该实施方式中，可以利用采集的至少一个工况训练数据，对工况数据预测模型进行训练更新，使得更新后的工况数据预测模型所输出的预测工况数据更接近于实际工况数据，从而提高了工况数据预测模型的准确性。
方法实施例三
需要说明的是，在本实施例中将介绍上述方法实施例一中的行驶里程预测模型的构建方法。
参见图4，该图为本申请实施例提供的行驶里程预测模型的构建方法的流程图。
本申请实施例提供的行驶里程预测模型的构建方法，可以包括步骤S41-S43：
S41：获取至少一个里程训练数据；其中，每一里程训练数据包括第五时间段内的实际工况数据以及实际行驶里程。
每一里程训练数据是指在第五时间段从车辆上采集的实际工况数据，而且，每一里程训练数据所对应的第五时间段的时长是相同的。例如，第五时间段的时长为20分钟。
第五时间段的时长是预先设定的，而且，为了提高行驶里程预测模型的预测准确性，可以预先设定第五时间段的时长等于第二时间段的时长。例如，当第二时间段的时长为20分钟时，则第五时间段的时长为20分钟。
第五时间段内的实际工况数据可以至少一种类型的数据，例如，工况训练数据可以包括车辆状态数据(内容详情请参见步骤S11中的“车辆状态数据”)和能源状态数据(内容详情请参见步骤S11中的“能源状态数据”)。
第五时间段内的实际行驶里程是指车辆在第五时间段内实际行驶的里程。
基于上述介绍的工况训练数据的相关内容，为了便于解释和理解，下面结合示例对步骤S41进行说明。
作为示例，步骤S41具体包括：在第一个第五时间段内采集第1个里程训练数据，从第二个第五时间段内采集第2个里程训练数据，……，从第T个第五时间段内采集第T个里程训练数据。其中，T为正整数，且T≥1。
需要说明的是，第一个第五时间段、第二个第五时间段、……、第T个第五时间段是不相同的时间段。例如，当第五时间段的时长为20分钟时，则第一个第五时间段可以是2019年1月1日10:20至10:40、第二个第五时间段可以是2019年1月1日10:40至11:00、……、第T个第五时间段可以是2019年1月1日21:40至22:00。
以上为步骤S41的具体实施方式。
S42：将每一第五时间段内的实际工况数据，输入到行驶里程预测模型中进行预测，得到每一第五时间段内的预测行驶里程。
行驶里程预测模型可以是原始搭建的模型，也可以是经过至少一轮训练后的模型。
行驶里程预测模型可以使用多层感知器(Multi-Layer Perception，MLP)进行搭建。
作为示例，基于上述步骤S41所提供的示例的内容，S42具体可以包括：将第1个里程训练数据、第2个里程训练数据、……、第T个里程训练数据，输入到行驶里程预测模型中进行预测，得到第1个里程训练数据中第五时间段内的预测行驶里程、第2个里程训练数据中第五时间段内的预测行驶里程、……、第T个里程训练数据中第五时间段内的预测行驶里程。
以上为步骤S42的具体实施方式。
S43：根据每一第五时间段内的预测行驶里程，对行驶里程预测模型进行更新，以完成本轮训练。
在本申请中，由于在步骤S42中预测得到每一第五时间段内的预测行驶里程与该第五时间段内的实际行驶里程之间是存在差异的，因而，为了提高行驶里程预测模型的预测准确性，可以根据每一第五时间段内的预测行驶里程与该第五时间段内的实际行驶里程之间的差异，对行驶里程预测模型进行更新，以便使得更新后的行驶里程预测模型能够预测出的预测行驶里程更接近于每一第五时间段内的实际行驶里程。
另外，本申请实施例还提供了步骤S43的一种实施方式，在该实施方式中，S43具体包括步骤S431-S432：
S431：确定每一第五时间段内的预测行驶里程与实际行驶里程之间的差异，作为第二差异。
作为示例，基于上述步骤S42所提供的示例的内容，S431具体可以为：确定第1个第五时间段内的预测行驶里程与实际行驶里程之间的差异、确定第2个第五时间段内的预测行驶里程与实际行驶里程之间的差异、……、确定第T个第五时间段内的预测行驶里程与实际行驶里程之间的差异，并将这些差异均作为第二差异。
S432：根据所述第二差异以及第二目标函数，对行驶里程预测模型进行更新。
第二目标函数用于衡量行驶里程预测模型的预测准确性，如果第二目标函数的函数值越大，则表示利用行驶里程预测模型输出的预测行驶里程与实际行驶里程之间的差异越小，进而表示行驶里程预测模型的预测准确性越高。
本申请不限定第二目标函数的具体实施方式，第二目标函数可以是任一种能够衡量行驶里程预测模型的预测准确性的函数。
以上为本申请实施例提供的行驶里程预测模型的一轮训练过程的具体实施方式。
另外，为了提高行驶里程预测模型的预测准确性，还可以对行驶里程预测模型进行多轮训练，因而，本申请还提供了行驶里程预测模型的另一种构建方法，该方法包括步骤S51-S55：
S51：获取至少一个里程训练数据，其中，每一里程训练数据包括第五时间段内的实际工况数据以及实际行驶里程。
S52：将每一第五时间段内的实际工况数据，输入到行驶里程预测模型中进行预测，得到每一第五时间段内的预测行驶里程。
S53：判断每一第五时间段内的预测行驶里程是否达到第二预测条件，若是，则执行步骤S55；若否，则执行步骤S54。
其中，第二预测条件可以预先设定，尤其可以根据应用场景设定。例如，第二预测条件可以是预测行驶里程与实际行驶里程的差异小于第二目标差异值。
S54：根据每一第五时间段内的预测行驶里程，对行驶里程预测模型进行更新，并返回执行步骤S52。
S55：结束行驶里程预测模型的训练过程。
需要说明的是，上述步骤S51、S52、S54分别可以采用上述步骤S41、S42、S43中的具体实施方式，为了简要起见，在此不再赘述。
在上述提供的行驶里程预测模型的两种构建方法中，均是利用实际工况数据作为训练数据，此时训练得到的行驶里程预测模型能够根据实际工况数据获取预测行驶里程。
另外，本申请实施例还提供了另外一种能够根据实际工况数据的统计参数获取预测行驶里程的行驶里程预测模型，该行驶里程预测模型可以采用上述提供的行驶里程预测模型的两种构建方法进行构建，只需将上述提供的两种行驶里程预测模型的构建方法中的“实际工况数据”替换为“实际工况数据的统计参数”即可。其中，实际工况数据的统计参数是指能够代表实际工况数据的分布情况的参数，而且，本申请不限定实际工况数据的统计参数的类型。例如，实际工况数据的统计参数可以是均值、方差、峰度、偏度、以及第0-10十分位数中的至少一种类型。
以上为本申请方法实施例三提供的行驶里程预测模型的构建方法的具体实施方式，在该实施方式中，可以利用采集的至少一个里程训练数据，对行驶里程预测模型进行训练更新，使得更新后的行驶里程预测模型所输出的预测行驶里程更接近于实际行驶里程，从而提高了行驶里程预测模型的预测准确性。
基于上述方法实施例提供的剩余里程预测方法的任一实施方式，本申请还提供了一种剩余里程预测装置，下面结合附图进行解释和说明。
装置实施例一
本实施例提供了一种剩余里程预测装置，其技术详情请参照上述方法实施例提供的剩余里程预测方法。
参见图6，该图为本申请实施例提供的剩余里程预测装置的结构示意图。
本申请实施例提供的剩余里程预测装置60，包括：
数据获取单元61，用于获取目标车辆在第一时间段内的历史工况数据；其中，所述历史工况数据包括车辆状态数据和能源状态数据；
第一预测单元62，用于根据所述历史工况数据，预测未来第二时间段内的预测工况数据；
第二预测单元63，用于根据所述预测工况数据，预测未来目标车辆的单位里程内能源消耗值，并根据所述单位里程内能源消耗值和所述能源状态数据，预测所述目标车辆的剩余里程。
作为一种实施方式，为了提高剩余里程的预测准确性，所述车辆状态数据包括车速、档位、油门状态、刹车状态、电机转速、电机扭矩、电机功率、空调开启状态、车厢温度和室外温度中的至少一个。
作为一种实施方式，为了提高剩余里程的预测准确性，当所述预测工况数据包括预测车辆状态数据和预测能源状态数据时，所述第二预测单元63，具体包括：
第一预测子单元，用于根据所述预测车辆状态数据，预测未来第二时间段内的预测行驶里程；
第二预测子单元，用于根据所述预测行驶里程和所述预测能源状态数据，预测未来目标车辆的单位里程内能源消耗值。
作为一种实施方式，为了提高剩余里程的预测准确性，所述第一预测单元62，具体包括：
第一获取子单元，用于对所述历史工况数据进行统计分析，获取所述历史工况数据的统计参数；
第三预测子单元，用于根据所述历史工况数据的统计参数，利用预先构建的工况数据预测模型，预测未来第二时间段内的预测工况数据的统计参数；
所述第二预测单元63，具体包括：
第四预测子单元，用于根据所述预测工况数据的统计参数，预测未来目标车辆的单位里程内能源消耗值。
作为一种实施方式，为了提高剩余里程的预测准确性，所述第一预测单元62，具体用于：根据所述历史工况数据，利用预先构建的工况数据预测模型，预测未来第二时间段内的预测工况数据；
其中，所述工况数据预测模型的构建方法，具体包括：
获取至少一个工况训练数据；其中，每一工况训练数据包括第三时间段内的实际工况数据和第四时间段内的实际工况数据，且第三时间段内的实际工况数据的采集时间早于第四时间段内的实际工况数据的采集时间；
将每一第三时间段内的实际工况数据，输入到工况数据预测模型中进行预测，得到每一第四时间段内的预测工况数据；
根据每一第四时间段内的预测工况数据，对工况数据预测模型进行更新，以完成本轮训练。
作为一种实施方式，为了提高剩余里程的预测准确性，所述根据每一第四时间段内的预测工况数据，对工况数据预测模型进行更新，具体包括：
确定每一第四时间段内的预测工况数据与实际工况数据之间的差异，作为第一差异；
根据所述第一差异以及第一目标函数，对工况数据预测模型进行更新。
作为一种实施方式，为了提高剩余里程的预测准确性，所述第一预测子单元，具体用于：根据所述预测车辆状态数据，利用预先构建的行驶里程预测模型，预测未来第二时间段内的预测行驶里程；
其中，所述行驶里程预测模型的构建方法，具体包括：
获取至少一个里程训练数据；其中，每一里程训练数据包括第五时间段内的实际工况数据以及实际行驶里程；
将每一第五时间段内的实际工况数据，输入到行驶里程预测模型中进行预测，得到每一第五时间段内的预测行驶里程；
根据每一第五时间段内的预测行驶里程，对行驶里程预测模型进行更新，以完成本轮训练。
作为一种实施方式，为了提高剩余里程的预测准确性，所述根据每一第五时间段内的预测行驶里程，对行驶里程预测模型进行更新，具体包括：
确定每一第五时间段内的预测行驶里程与实际行驶里程之间的差异，作为第二差异；
根据所述第二差异以及第二目标函数，对行驶里程预测模型进行更新。
作为一种实施方式，为了提高剩余里程的预测准确性，当所述能源状态数据包括剩余能源时，则所述第二预测单元63，具体包括：
第二获取子单元，用于将所述剩余能源与所述单位里程内能源消耗值的比值，作为所述目标车辆的剩余里程。
以上为本申请装置实施例提供的剩余里程预测方法的具体实施方式，在该实施方式中，根据目标车辆在第一时间段内的历史工况数据，预测未来第二时间段内的预测工况数据，并根据该预测工况数据预测未来目标车辆的单位里程内能源消耗值，以便根据该单位里程内能源消耗值和历史工况数据中的能源状态数据，预测目标车辆的剩余里程。其中，由于该装置能够根据第一时间段内的历史工况数据准确地预测出未来第二时间段内的预测工况数据，使得预测工况数据能够准确地表示出目标车辆在未来第二时间段内工况情况，而且单位里程内能源消耗值是基于未来第二时间段内的预测工况数据确定的，因而，单位里程内能源消耗值能够准确地表示出目标车辆在未来第二时间段内的能源消耗情况，从而使得基于该单位里程能源消耗值预测的剩余里程更准确，从而避免了用户因无法根据预测的剩余里程确定实际的剩余里程而产生里程焦虑，提高了用户体验感。
另外，基于上述方法实施例提供的剩余里程预测方法的任一实施方式，本申请实施例还提供了一种设备，所述设备包括处理器以及存储器：
所述存储器用于存储计算机程序；
所述处理器用于根据所述计算机程序执行上述方法实施例提供的剩余里程预测方法的任一实施方式。
此外，基于上述方法实施例提供的剩余里程预测方法的任一实施方式，本申请还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用于存储计算机程序，所述计算机程序用于执行上述方法实施例提供的剩余里程预测方法的任一实施方式。
应当理解，在本申请中，“至少一个(项)”是指一个或者多个，“多个”是指两个或两个以上。“和/或”，用于描述关联对象的关联关系，表示可以存在三种关系，例如，“A和/或B”可以表示：只存在A，只存在B以及同时存在A和B三种情况，其中A，B可以是单数或者复数。字符“/”一般表示前后关联对象是一种“或”的关系。“以下至少一项(个)”或其类似表达，是指这些项中的任意组合，包括单项(个)或复数项(个)的任意组合。例如，a，b或c中的至少一项(个)，可以表示：a，b，c，“a和b”，“a和c”，“b和c”，或“a和b和c”，其中a，b，c可以是单个，也可以是多个。
以上所述，仅是本发明的较佳实施例而已，并非对本发明作任何形式上的限制。虽然本发明已以较佳实施例揭露如上，然而并非用以限定本发明。任何熟悉本领域的技术人员，在不脱离本发明技术方案范围情况下，都可利用上述揭示的方法和技术内容对本发明技术方案做出许多可能的变动和修饰，或修改为等同变化的等效实施例。因此，凡是未脱离本发明技术方案的内容，依据本发明的技术实质对以上实施例所做的任何简单修改、等同变化及修饰，均仍属于本发明技术方案保护的范围内。

Claims (11)

1.一种剩余里程预测方法，其特征在于，包括：
获取目标车辆在第一时间段内的历史工况数据；其中，所述历史工况数据包括车辆状态数据和能源状态数据；
根据所述历史工况数据，预测未来第二时间段内的预测工况数据，具体包括：根据所述历史工况数据，利用预先构建的工况数据预测模型，预测未来第二时间段内的预测工况数据；其中，所述预测工况数据包括预测车辆状态数据和预测能源状态数据；所述工况数据预测模型的构建方法，具体包括：
获取至少一个工况训练数据；其中，每一工况训练数据包括第三时间段内的实际工况数据和第四时间段内的实际工况数据，且第三时间段内的实际工况数据的采集时间早于第四时间段内的实际工况数据的采集时间；
将每一第三时间段内的实际工况数据，输入到工况数据预测模型中进行预测，得到每一第四时间段内的预测工况数据；
根据每一第四时间段内的预测工况数据，对工况数据预测模型进行更新，以完成本轮训练；
根据所述预测工况数据，预测未来目标车辆的单位里程内能源消耗值，并根据所述单位里程内能源消耗值和所述能源状态数据，预测所述目标车辆的剩余里程。
2.根据权利要求1所述的方法，其特征在于，所述车辆状态数据包括车速、档位、油门状态、刹车状态、电机转速、电机扭矩、电机功率、空调开启状态、车厢温度和室外温度中的至少一个。
3.根据权利要求1所述的方法，其特征在于，当所述预测工况数据包括预测车辆状态数据和预测能源状态数据时，所述根据所述预测工况数据，预测未来目标车辆的单位里程内能源消耗值，具体包括：
根据所述预测车辆状态数据，预测未来第二时间段内的预测行驶里程；
根据所述预测行驶里程和所述预测能源状态数据，预测未来目标车辆的单位里程内能源消耗值。
4.根据权利要求1-3中任一项所述的方法，其特征在于，所述根据所述历史工况数据，预测未来第二时间段内的预测工况数据，具体包括：
对所述历史工况数据进行统计分析，获取所述历史工况数据的统计参数；
根据所述历史工况数据的统计参数，预测未来第二时间段内的预测工况数据的统计参数；
则，所述根据所述预测工况数据，预测未来目标车辆的单位里程内能源消耗值，具体包括：
根据所述预测工况数据的统计参数，预测未来目标车辆的单位里程内能源消耗值。
5.根据权利要求1所述的方法，其特征在于，所述根据每一第四时间段内的预测工况数据，对工况数据预测模型进行更新，具体包括：
确定每一第四时间段内的预测工况数据与实际工况数据之间的差异，作为第一差异；
根据所述第一差异以及第一目标函数，对工况数据预测模型进行更新。
6.根据权利要求3所述的方法，其特征在于，所述根据所述预测车辆状态数据，预测未来第二时间段内的预测行驶里程，具体包括：根据所述预测车辆状态数据，利用预先构建的行驶里程预测模型，预测未来第二时间段内的预测行驶里程；
其中，所述行驶里程预测模型的构建方法，具体包括：
获取至少一个里程训练数据；其中，每一里程训练数据包括第五时间段内的实际工况数据以及实际行驶里程；
将每一第五时间段内的实际工况数据，输入到行驶里程预测模型中进行预测，得到每一第五时间段内的预测行驶里程；
根据每一第五时间段内的预测行驶里程，对行驶里程预测模型进行更新，以完成本轮训练。
7.根据权利要求6所述的方法，其特征在于，所述根据每一第五时间段内的预测行驶里程，对行驶里程预测模型进行更新，具体包括：
确定每一第五时间段内的预测行驶里程与实际行驶里程之间的差异，作为第二差异；
根据所述第二差异以及第二目标函数，对行驶里程预测模型进行更新。
8.根据权利要求1-3中任一项所述的方法，其特征在于，当所述能源状态数据包括剩余能源时，则所述根据所述单位里程内能源消耗值和所述能源状态数据，预测所述目标车辆的剩余里程，具体包括：
将所述剩余能源与所述单位里程内能源消耗值的比值，作为所述目标车辆的剩余里程。
9.一种剩余里程预测装置，其特征在于，包括：
数据获取单元，用于获取目标车辆在第一时间段内的历史工况数据；其中，所述历史工况数据包括车辆状态数据和能源状态数据；
第一预测单元，用于根据所述历史工况数据，预测未来第二时间段内的预测工况数据；其中，所述预测工况数据包括预测车辆状态数据和预测能源状态数据；
第二预测单元，用于根据所述预测工况数据，预测未来目标车辆的单位里程内能源消耗值，并根据所述单位里程内能源消耗值和所述能源状态数据，预测所述目标车辆的剩余里程；
所述第一预测单元，具体用于：根据所述历史工况数据，利用预先构建的工况数据预测模型，预测未来第二时间段内的预测工况数据；其中，所述工况数据预测模型的构建方法，具体包括：获取至少一个工况训练数据；其中，每一工况训练数据包括第三时间段内的实际工况数据和第四时间段内的实际工况数据，且第三时间段内的实际工况数据的采集时间早于第四时间段内的实际工况数据的采集时间；将每一第三时间段内的实际工况数据，输入到工况数据预测模型中进行预测，得到每一第四时间段内的预测工况数据；根据每一第四时间段内的预测工况数据，对工况数据预测模型进行更新，以完成本轮训练。
10.一种设备，其特征在于，所述设备包括处理器以及存储器：
所述存储器用于存储计算机程序；
所述处理器用于根据所述计算机程序执行权利要求1-8中任一项所述的方法。
11.一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用于存储计算机程序，所述计算机程序用于执行权利要求1-8中任一项所述的方法。
CN201910779349.2A 2019-08-22 2019-08-22 一种剩余里程预测方法及装置 Active CN110562096B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910779349.2A CN110562096B (zh) 2019-08-22 2019-08-22 一种剩余里程预测方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910779349.2A CN110562096B (zh) 2019-08-22 2019-08-22 一种剩余里程预测方法及装置

Publications (2)

Publication Number Publication Date
CN110562096A CN110562096A (zh) 2019-12-13
CN110562096B true CN110562096B (zh) 2021-05-07

Family

ID=68774395

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910779349.2A Active CN110562096B (zh) 2019-08-22 2019-08-22 一种剩余里程预测方法及装置

Country Status (1)

Country Link
CN (1) CN110562096B (zh)

Families Citing this family (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111275185A (zh) * 2020-01-16 2020-06-12 珠海格力电器股份有限公司 一种能源使用状态预警方法、装置、设备和存储介质
CN111497624B (zh) * 2020-04-27 2022-02-25 中国第一汽车股份有限公司 一种车辆剩余里程确定方法、装置及车辆
CN114248781B (zh) * 2020-09-21 2024-04-16 比亚迪股份有限公司 车辆工况的预测方法、装置及车辆
CN112396127B (zh) * 2020-12-04 2024-06-11 东软睿驰汽车技术（沈阳）有限公司 一种车辆零部件选型方法、装置及相关产品
CN112549970A (zh) * 2020-12-09 2021-03-26 广州橙行智动汽车科技有限公司 车辆续航里程预测方法、装置、车辆及存储介质
CN112560994B (zh) * 2020-12-26 2024-05-03 东软睿驰汽车技术（沈阳）有限公司 一种基于时序的车辆工况分类方法及装置
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
CN114056187B (zh) * 2021-12-13 2024-04-05 爱驰汽车有限公司 车辆续航里程计算方法、装置、设备及存储介质
CN115223271B (zh) * 2022-06-28 2024-05-07 东软睿驰汽车技术（沈阳）有限公司 车辆剩余信息误差的关注度获得方法及相关装置
CN115293055B (zh) * 2022-10-08 2023-05-09 江苏徐工工程机械研究院有限公司 矿区车辆的油耗预测模型的训练方法、装置及电子设备
CN115742855A (zh) * 2022-11-29 2023-03-07 重庆长安汽车股份有限公司 电动汽车剩余里程预测方法、装置、电动汽车及介质

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103273921A (zh) * 2013-06-14 2013-09-04 清华大学 电动汽车续驶里程估计方法
CN103802675A (zh) * 2014-02-20 2014-05-21 安徽江淮汽车股份有限公司 一种电动汽车剩余里程检测方法及系统
CN104802660A (zh) * 2015-05-05 2015-07-29 台州赛盈电机科技有限公司 一种全自动电动车驱动系统用显示剩余里程的方法
CN104986043A (zh) * 2015-07-30 2015-10-21 深圳东风汽车有限公司 一种电动汽车续航里程预测方法
CN107463992A (zh) * 2017-08-01 2017-12-12 北京理工大学 一种混合动力车辆行驶工况基于片段波形训练的工况预测方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103273921A (zh) * 2013-06-14 2013-09-04 清华大学 电动汽车续驶里程估计方法
CN103802675A (zh) * 2014-02-20 2014-05-21 安徽江淮汽车股份有限公司 一种电动汽车剩余里程检测方法及系统
CN104802660A (zh) * 2015-05-05 2015-07-29 台州赛盈电机科技有限公司 一种全自动电动车驱动系统用显示剩余里程的方法
CN104986043A (zh) * 2015-07-30 2015-10-21 深圳东风汽车有限公司 一种电动汽车续航里程预测方法
CN107463992A (zh) * 2017-08-01 2017-12-12 北京理工大学 一种混合动力车辆行驶工况基于片段波形训练的工况预测方法

Also Published As

Publication number Publication date
CN110562096A (zh) 2019-12-13

Similar Documents

Publication Publication Date Title
CN110562096B (zh) 一种剩余里程预测方法及装置
WO2020027203A1 (ja) 推定システム、推定装置、推定方法、プログラム、及び記憶媒体
JP2024001341A (ja) バッテリーサービス提供システム及び方法
US20130096858A1 (en) System, method, and program for predicting state of battery
US11125822B2 (en) Method for evaluating an electric battery state of health
US20100312744A1 (en) System for battery prognostics
CN113335131B (zh) 一种车辆续航里程预测方法、装置、设备和存储介质
US20200108732A1 (en) Physical model-guided machine learning framework for energy management of vehicles
CN110658460B (zh) 一种电池包的电池寿命预测方法及装置
US20210276531A1 (en) Vehicle power management system and method
CN113219336B (zh) 电池劣化判断系统、方法及存储有程序的非临时性存储介质
CN113895307B (zh) 一种剩余里程的确定方法、装置、电动汽车及介质
CN111832869A (zh) 一种车辆调度方法、装置、电子设备及存储介质
US20220381848A1 (en) Method and system for detecting vehicle battery cell imbalance
CN112907173B (zh) 矿车运行工况的获取方法及装置
CN116562405A (zh) 一种增程式插电混合动力汽车预约充电智能方法、装置及计算机系统
CN113147506B (zh) 基于大数据的车与车互学习充电剩余时间预测方法和装置
KR20220075123A (ko) 전기 버스의 배터리 상태 분석 서비스 시스템
CN114676870A (zh) 车速预测方法、车速预测模型训练方法和相关装置
CN114043875B (zh) 基于大数据的剩余里程预估偏差分析方法和系统
CN112020451A (zh) 用于确定涉及机动车电池的状态的参量的方法，计数器装置及机动车
CN114629153A (zh) 一种基于v2g模式的电动车智能云计算调峰系统
CN112632382A (zh) 用于为车辆推荐站点的方法、装置、设备以及存储介质
US20230306803A1 (en) Method and apparatus for the user-dependent selection of a battery operated technical device depending on a user usage profile
Eissa et al. Machine Learning-based Electric Vehicle Battery State of Charge Prediction and Driving Range Estimation for Rural Applications

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
GR01 Patent grant
GR01 Patent grant