CN110675619A - 一种车辆行程能耗预测方法和装置 - Google Patents

Abstract

本申请公开了一种车辆行程能耗预测的方法和装置，该方法包括：根据出发地和目的地，确定车辆行驶路径；获取当前时刻的车辆状态信息、路网交通状态信息和车辆位置；根据上述数据，生成当前时刻的车辆行驶路径的路段交通状态输入向量、路网交通状态矩阵和车辆状态输入向量；根据上述生成数据，通过车辆行程能耗预测模型获得车辆行程能耗预测值。可见，充分考虑交通状态信息对车辆行程能耗的影响，由车辆行驶路径对应的路网交通状态信息获得车辆行驶路径的路段交通状态输入向量和路网交通状态矩阵，将其也作为车辆行程能耗预测模型输入，获得更为准确的车辆行程能耗预测值，从而提高用户预判电动汽车的剩余电量是否能够到达目的地的准确度。

Description

一种车辆行程能耗预测方法和装置

技术领域

本申请涉及车辆数据分析处理技术领域，尤其涉及一种车辆行程能耗预测的方法和装置。

背景技术

随着电动汽车技术的不断发展，电动汽车逐渐成为了许多用户的购车选择，普及范围越来越广。由于电动汽车的动力电池电量较低时需要充电，相较于普通汽车燃料不足时加燃料而言，充电速度较慢、耗时长，出行中途馈电时道路救援难度较高。也就是说，在用户驾驶电动汽车出行时，最大的担忧就是电动汽车的剩余电量是否可以支撑电动汽车行驶到达目的地。

现有技术中，电动汽车的某固定行程的能耗是采用传统算法推算的，即，根据历史行程、历史车辆状态信息与对应的行程消耗电量推算获得该固定行程的能耗，用户根据推算获得的能耗判断剩余电量是否可以支撑电动汽车行驶到达目的地，从而合理做出出行安排。

但是，发明人经过研究发现，行程中电动汽车所处交通状态的信息会引起该行程能耗的变化，而传统算法推算行程能耗并没有考虑到交通状态信息对行程能耗的影响，只考虑行程与车辆状态信息，导致推算出的行程能耗准确度较低，从而影响用户预判电动汽车的剩余电量是否能够到达目的地的准确性。

发明内容

本申请所要解决的技术问题是，提供一种车辆行程能耗预测的方法和装置，获得更为准确的车辆行程能耗预测值，从而提高用户预判电动汽车的剩余电量是否能够到达目的地的准确度，减少用户驾车行驶过程中的焦虑心理，为用户合理安排驾驶出行提供准确依据。

第一方面，本申请实施例提供了一种车辆行程能耗预测的方法，该方法包括：

根据出发地和目的地，确定车辆行驶路径；

获取当前时刻的车辆状态信息、路网交通状态信息和车辆位置，所述路网交通状态信息为所述车辆行驶路径所在区域路段的交通状态信息；

根据所述车辆行驶路径、所述当前时刻的所述车辆状态信息、路网交通状态信息和车辆位置，生成当前时刻的车辆行驶路径的路段交通状态输入向量、路网交通状态矩阵和车辆状态输入向量；

根据所述当前时刻的车辆行驶路径的路段交通状态输入向量、路网交通状态矩阵和车辆状态输入向量，通过车辆行程能耗预测模型预测获得车辆行程能耗预测值；所述车辆行程能耗预测模型是利用递归神经网络和深度神经网络机器学习历史时刻的路段交通状态信息、路网交通状态信息、车辆状态信息和对应的历史实际行程能耗值得到的。

优选的，所述车辆状态信息包括电池电压、电池内阻、电池温度和剩余电量。

优选的，所述路网交通状态信息包括所述车辆行驶路径所在区域的路段交通状态参数，所述路段交通状态参数包括路段的流量、速度、密度和长度。

优选的，所述车辆行程能耗预测模型包括第一子模型、第二子模型和第三子模型，所述根据所述当前时刻的车辆行驶路径的路段交通状态输入向量、路网交通状态矩阵和车辆状态输入向量，通过车辆行程能耗预测模型预测获得车辆行程能耗预测值，包括：

根据所述当前时刻的车辆行驶路径的路段交通状态输入向量和路网交通状态矩阵，采用注意力算法通过所述第一子模型获得所述车辆行驶路径的交通状态特征向量，所述第一子模型是利用递归神经网络机器学习历史时刻的路段交通状态信息和路网交通状态信息对路段交通状态信息影响结果得到的；

根据所述当前时刻的车辆状态输入向量，通过所述第二子模型获得车辆状态特征向量，所述第二子模型为映射模型；

将所述车辆行驶路径的交通状态特征向量和所述车辆状态特征向量融合作为第三子模型的输入，预测获得车辆行程能耗预测值，所述第一子模型是利用递归神经网络机器学习历史时刻的路网交通状态信息对路段交通状态信息影响结果、车辆状态信息和对应的历史实际行程能耗值得到的。

优选的，所述根据所述当前时刻的车辆行驶路径的路段交通状态输入向量和路网交通状态矩阵，采用注意力算法通过所述第一子模型获得所述车辆行驶路径的交通状态特征向量，包括：

根据所述当前时刻的车辆行驶路径的路段交通状态输入向量，经过加权运算和激活运算获得车辆行驶路径的路段对应的注意力向量；

根据所述车辆行驶路径的路段对应的注意力向量、所述当前时刻的车辆行驶路径的路段交通状态输入向量和路网交通状态矩阵，通过所述第一子模型获得所述车辆行驶路径的交通状态特征向量。

优选的，所述激活运算采用softmax函数。

优选的，所述将所述车辆行驶路径的交通状态特征向量和所述车辆状态特征向量融合作为第三子模型的输入，预测获得车辆行程能耗预测值，包括：

将所述车辆行驶路径的交通状态特征向量和所述车辆状态特征向量进行向量拼接，获得交通状态与车辆状态的融合特征向量；

根据所述交通状态与车辆状态的融合特征向量和所述第三子模型，预测获得车辆行程能耗预测值。

优选的，在所述预测获得车辆行程能耗预测值后，还包括：

每间隔预设时间段，返回执行所述获取当前时刻的车辆状态信息、路网交通状态信息和车辆位置步骤及以后步骤，直至所述车辆位置为所述目的地。

优选的，还包括：

根据车辆行程能耗预测值和实际行程能耗值，调整所述车辆行程能耗预测模型；

对应地，所述根据所述当前时刻的车辆行驶路径的路段交通状态输入向量、路网交通状态矩阵和车辆状态输入向量，通过车辆行程能耗预测模型预测获得车辆行程能耗预测值，具体为：

根据所述当前时刻的车辆行驶路径的路段交通状态输入向量、路网交通状态矩阵和车辆状态输入向量，通过调整后的车辆行程能耗预测模型预测获得车辆行程能耗预测值。

第二方面，本申请实施例提供了一种车辆行程能耗预测的装置，该装置包括：

确定单元，用于根据出发地和目的地，确定车辆行驶路径；

获取单元，用于获取当前时刻的车辆状态信息、路网交通状态信息和车辆位置，所述路网交通状态信息为所述车辆行驶路径所在区域路段的交通状态信息；

生成单元，用于根据所述车辆行驶路径、所述当前时刻的所述车辆状态信息、路网交通状态信息和车辆位置，生成当前时刻的车辆行驶路径的路段交通状态输入向量、路网交通状态矩阵和车辆状态输入向量；

预测获得单元，用于根据所述当前时刻的车辆行驶路径的路段交通状态输入向量、路网交通状态矩阵和车辆状态输入向量，通过车辆行程能耗预测模型预测获得车辆行程能耗预测值；所述车辆行程能耗预测模型是利用递归神经网络和深度神经网络机器学习历史时刻的路段交通状态信息、路网交通状态信息、车辆状态信息和对应的历史实际行程能耗值得到的。

与现有技术相比，本申请至少具有以下优点：

采用本申请实施例的技术方案，首先，根据出发地和目的地，确定车辆行驶路径；然后，获取当前时刻的车辆状态信息、路网交通状态信息和车辆位置；接着，根据所述车辆行驶路径、所述当前时刻的所述车辆状态信息、路网交通状态信息和车辆位置，生成当前时刻的车辆行驶路径的路段交通状态输入向量、路网交通状态矩阵和车辆状态输入向量；最后，根据所述当前时刻的车辆行驶路径的路段交通状态输入向量、路网交通状态矩阵和车辆状态输入向量，通过利用递归神经网络和深度神经网络机器学习历史时刻的路段交通状态信息、路网交通状态信息、车辆状态信息和对应的历史实际行程能耗值得到的车辆行程能耗预测模型预测获得车辆行程能耗预测值。可见，在基于车辆状态信息获得的车辆状态输入向量基础上，根据车辆行驶路径对应的路网交通状态信息获得了车辆行驶路径的路段交通状态输入向量、路网交通状态矩阵；同时作为车辆行程能耗预测模型输入，充分考虑交通状态信息对车辆行程能耗的影响，获得的车辆行程能耗预测值更为准确，从而提高用户预判电动汽车的剩余电量是否能够到达目的地的准确度，减少用户驾车行驶过程中的焦虑心理，为用户合理安排驾驶出行提供准确依据。

附图说明

为了更清楚地说明本申请实施例的技术方案，下面将对本申请实施例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为本申请实施例中一种应用场景所涉及的系统框架示意图；

图2为本申请实施例提供的一种车辆行程能耗预测的方法的流程示意图；

图3为本申请实施例提供的一种车辆行程能耗预测模型结构示意图；

图4为本申请实施例提供的一种车辆行程能耗预测的装置的结构示意图。

具体实施方式

为了使本技术领域的人员更好地理解本申请方案，下面将结合本申请实施例中的附图，对本申请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申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，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，都属于本申请保护的范围。

发明人经过研究发现，在用户驾驶电动汽车出行时，最大的担忧就是电动汽车的剩余电量是否可以支撑电动汽车行驶到达目的地。现有技术中，可以基于历史行程、历史车辆状态信息与对应的行程消耗电量推算获得某固定行程的能耗。但是，行程中电动汽车所处交通状态的信息会引起该行程能耗的变化，而上述利用传统算法推算行程能耗并没有考虑到交通状态信息对行程能耗的影响，只考虑行程与车辆状态信息，导致推算出的行程能耗准确度较低，从而影响用户预判电动汽车的剩余电量是否能够到达目的地的准确性。

为了解决这一问题，在本申请实施例中，首先，根据出发地和目的地，确定车辆行驶路径；然后，获取当前时刻的车辆状态信息、路网交通状态信息和车辆位置；接着，根据所述车辆行驶路径、所述当前时刻的所述车辆状态信息、路网交通状态信息和车辆位置，生成当前时刻的车辆行驶路径的路段交通状态输入向量、路网交通状态矩阵和车辆状态输入向量；最后，根据所述当前时刻的车辆行驶路径的路段交通状态输入向量、路网交通状态矩阵和车辆状态输入向量，通过利用递归神经网络和深度神经网络机器学习历史时刻的路段交通状态信息、路网交通状态信息、车辆状态信息和对应的历史实际行程能耗值得到的车辆行程能耗预测模型预测获得车辆行程能耗预测值。可见，在基于车辆状态信息获得的车辆状态输入向量基础上，根据车辆行驶路径对应的路网交通状态信息获得了车辆行驶路径的路段交通状态输入向量、路网交通状态矩阵；同时作为车辆行程能耗预测模型输入，充分考虑交通状态信息对车辆行程能耗的影响，获得的车辆行程能耗预测值更为准确，从而提高用户预判电动汽车的剩余电量是否能够到达目的地的准确度，减少用户驾车行驶过程中的焦虑心理，为用户合理安排驾驶出行提供准确依据。

举例来说，本申请实施例的场景之一，可以是应用到如图1所示的场景中，该场景包括车载传感器101、处理器102和人机交互屏103。用户在人机交互屏103上输入出发地和目的地之后，处理器102获得出发地和目的地，并根据出发地和目的地确定车辆行驶路径。处理器102通过车载传感器101获取当前时刻的车辆状态信息、车辆位置，并通过大数据平台获得路网交通状态信息。处理器102根据所述车辆行驶路径、所述当前时刻的所述车辆状态信息、路网交通状态信息和车辆位置，生成当前时刻的车辆行驶路径的路段交通状态输入向量、路网交通状态矩阵和车辆状态输入向量。处理器102根据所述当前时刻的车辆行驶路径的路段交通状态输入向量、路网交通状态矩阵和车辆状态输入向量，通过车辆行程能耗预测模型预测获得车辆行程能耗预测值；处理器102将所述车辆行程能耗预测值发送至人机交互屏103，以便人机交互屏103显示所述车辆行程能耗预测值给用户。其中，处理器102既可以是集成在车辆中的处理器，也可以是在集成在后台的处理器。

可以理解的是，在上述应用场景中，虽然将本申请实施方式的动作描述由处理器102执行，但是，本申请在执行主体方面不受限制，只要执行了本申请实施方式所公开的动作即可。

可以理解的是，上述场景仅是本申请实施例提供的一个场景示例，本申请实施例并不限于此场景。

下面结合附图，通过实施例来详细说明本申请实施例中车辆行程能耗预测的方法和装置的具体实现方式。

示例性方法

参见图2，示出了本申请实施例中一种车辆行程能耗预测的方法的流程示意图。在本实施例中，所述方法例如可以包括以下步骤：

步骤201：根据出发地和目的地，确定车辆行驶路径。

可以理解的是，在用户输入了出发地和目的地之后，基于出发地和目的地可以确定从出发地到目的地之间的车辆行驶路径。其中，出发地和目的地既可以是用户手动输入的，也可以是用户语音输入的。例如，在用户手动输入出发地A和目的地B之后，会呈现多条A至B的路径，可以从中确定一条路径为车辆行驶路径。

步骤202：获取当前时刻的车辆状态信息、路网交通状态信息和车辆位置，所述路网交通状态信息为所述车辆行驶路径所在区域路段的交通状态信息。

可以理解的是，现有技术中只考虑行程与车辆状态信息，并没有考虑到交通状态信息对行程能耗的影响，推算出的行程能耗准确度较低，在本实施例中，在获取车辆状态信息的基础上，还获取增加路网交通状态信息和车辆位置，以便充分考虑交通状态信息对行程能耗的影响。

其中，需要说明的是，由于电动汽车的车辆行程能耗是指行程完成后动力电池的能耗，因此，获取的车辆状态信息主要是指获取车辆的动力电池所具有的信息，例如，电池电压、电池内阻、电池温度和剩余电量等。即，在本实施例的一些实施方式中，所述当前时刻的车辆状态信息包括当前时刻的电池电压、电池内阻、电池温度和剩余电量。

还需要说明的是，路网指的是在一定区域内由各种道路组成的相互联络、交织成网状分布的道路系统，交通状态信息是指道路有关的流量、速度、密度和长度等交通状态参数。因此，在本实施例的一些实施方式中，所述路网交通状态信息包括所述车辆行驶路径所在区域的路段交通状态参数，所述路段交通状态参数包括路段的流量、速度、密度和长度。

步骤203：根据所述车辆行驶路径、所述当前时刻的所述车辆状态信息、路网交通状态信息和车辆位置，生成当前时刻的车辆行驶路径的路段交通状态输入向量、路网交通状态矩阵和车辆状态输入向量。

需要说明的是，在确定得到车辆行驶路径以及获取得到当前时刻的车辆状态信息、路网交通状态信息和车辆位置之后，首先，基于当前时刻的车辆状态信息可以构建生成当前时刻的车辆状态输入向量V∈R^m，其中，m表示当前时刻的车辆状态输入向量V的维度；然后，基于当前时刻的路网交通状态信息可以构建生成路网交通状态矩阵TS∈R^N×M，其中，N表示车辆行驶路径所在区域中的路段数目，M表示路段交通状态参数个数；最后，基于车辆行驶路径、当前时刻的路网交通状态信息和当前时刻的车辆位置可以构建生成当前时刻的车辆行驶路径的路段交通状态输入向量{x₁,...x_i,...x_n}，其中，X_i∈R^k，由车辆行驶路径的路段交通状态参数和车辆位置组成，n表示车辆行驶路径所经过的路段数目，k表示交通状态输入向量x_i的维度。

例如，若当前时刻的车辆状态信息包括当前时刻的电池电压、电池内阻、电池温度和剩余电量，则当前时刻的车辆状态输入向量V的维度为4；若车辆行驶路径所在区域中的路段数目为12，所述路段交通状态参数包括路段的流量、速度、密度和长度，则N＝12，M＝4，即，路网交通状态矩阵TS为12×4的矩阵；若车辆行驶路径所经过的路段数目为4，所述路段交通状态参数仍然包括路段的流量、速度、密度和长度，则n＝4，k＝5，即，当前时刻的车辆行驶路径的路段交通状态输入向量为4个，路段交通状态输入向量x_i的维度为5。

步骤204：根据所述当前时刻的车辆行驶路径的路段交通状态输入向量、路网交通状态矩阵和车辆状态输入向量，通过车辆行程能耗预测模型预测获得车辆行程能耗预测值；所述车辆行程能耗预测模型是利用递归神经网络和深度神经网络机器学习历史时刻的路段交通状态信息、路网交通状态信息、车辆状态信息和对应的历史实际行程能耗值得到的。

需要说明的是，预测车辆行程能耗需要知道交通状态信息与车辆状态信息，即，基于交通状态信息与车辆状态信息预测得到车辆行程能耗。在本实施例中，将车辆行程能耗预测模型模型分如下两部分：

其中，第一部分是对交通状态信息与车辆状态信息的特征表达模型，具体分为交通状态信息特征表达模型和车辆状态信息的特征表达模型两个模型。交通状态信息特征表达模型将当前时刻的车辆行驶路径的路段交通状态输入向量和路网交通状态矩阵融合作为输入，利用递归神经网络进行交通状态信息的特征表达；车辆状态信息的特征表达模型基于当前时刻的车辆状态输入向量，采用映射模型进行车辆状态信息的特征表达。

其中，第二部分为基于交通状态信息与车辆状态信息的能耗预测模型，其采用深度神经网络进行车辆行程能耗预测；其将车辆行驶路径的交通状态特征向量和车辆状态特征向量融合作为输入，采用深度神经网络进行车辆行程能耗的预测。

根据上述说明可知，在本实施例的一些实施方式中，将交通状态信息特征表达模型、车辆状态信息的特征表达模型和基于交通状态信息与车辆状态信息的能耗预测模型分别作为车辆行程能耗模型的第一子模型、第二子模型和第三子模型。例如，如图3所示的车辆行程能耗预测模型结构示意图，虚线方框301中内容为第一子模型结构，虚线方框302中内容为第二子模型结构，虚线方框303中内容为第三子模型结构，则所述步骤204例如可以包括如下步骤：

步骤2041：根据所述当前时刻的车辆行驶路径的路段交通状态输入向量和路网交通状态矩阵，采用注意力算法通过所述第一子模型获得所述车辆行驶路径的交通状态特征向量，所述第一子模型是利用递归神经网络机器学习历史时刻的路段交通状态信息和路网交通状态信息对路段交通状态信息影响结果得到的。

可以理解的是，车辆在行驶过程中，单纯利用当前时刻的车辆行驶路径路段交通状态输入向量不能很好的衡量独断交通变化的状况，本实施例中加入当前时刻的路网交通状态矩阵，以得到表示未来车辆行驶路径的交通状态的交通状态特征向量。

其中，为了确定路网交通状态矩阵中不同路段交通状态对车辆行驶路径路段交通状态输入向量的影响大小，引入注意力机制来进行学习路网交通状态矩阵中不同路段交通状态对车辆行驶路径路段交通状态输入向量的影响，提高获得车辆行驶路径的交通状态特征向量的准确性，进而提高获得车辆行程能耗预测值的准确性，可以得到生成对应车辆行驶路径路段的注意力向量的运算过程。则根据当前时刻的车辆行驶路径的路段交通状态输入向量，经过对应的生成注意力向量的运算过程能够获得对应的注意力向量，表示路网交通状态矩阵中不同路段交通状态对车辆行驶路径路段交通状态输入向量的影响大小，根据该注意力向量与当前时刻的路网交通状态矩阵和当前时刻的车辆行驶路径的路段交通状态输入向量进行结合，通过第一子模型得到表示未来车辆行驶路径的交通状态的交通状态特征向量。因此，在本实施例的一些实施方式中，所述步骤2041例如可以包括如下步骤：

步骤A：根据所述当前时刻的车辆行驶路径的路段交通状态输入向量，经过加权运算和激活运算获得车辆行驶路径的路段对应的注意力向量。

步骤B：根据所述车辆行驶路径的路段对应的注意力向量、所述当前时刻的车辆行驶路径的路段交通状态输入向量和路网交通状态矩阵，通过所述第一子模型获得所述车辆行驶路径的交通状态特征向量。

例如，如图3所示的虚线方框301中内容，通过递归神经网络中前一层的隐层h_i-1与权值向量w_hz相乘，当前时刻的车辆行驶路径的路段交通状态输入向量x_i与权值向量w_xz相乘，两者相加与权值向量w_za相乘，并用激活运算获得注意力向量A_i。其中，注意力向量的维度与路网交通状态矩阵中车辆行驶路径所在区域中的路段数目相同。具体地，例如，激活算法可以采用softmax函数，则注意力函数的函数表达如下所示：

A_i＝f_att(x_i,h_i-1)＝soft max{tanh[(x_iw_xz+h_i-1w_hz)w_za]}；

再利用注意力向量A_i与路网交通状态矩阵TS相乘，当前时刻的车辆行驶路径的路段交通状态输入向量x_i与权值向量w_s相乘，将两者进行向量拼接作为递归神经网络的输入。然后与传统的递归神经网络相似，利用前一层的隐层h_i-1和递归神经网络的输入，得到当前这一层的隐层h_i，一层一层最后，隐层h_n为车辆行驶路径的交通状态特征向量。具体地，隐层计算公式为：

其中，

表示向量拼接，·表示向量与矩阵之间的点乘，w对应的h_i-1权值向量，b₁为对应h_i-1的偏置值，f表示激活函数，例如，可以为Relu函数或者tanh函数等非线性激活函数。步骤2042：根据所述当前时刻的车辆状态输入向量，通过所述第二子模型获得车辆状态特征向量，所述第二子模型为映射模型。

其中，如图3所示的虚线方框302中内容，在车辆状态信息特征表达模型中，可以直接将当前时刻的车辆状态输入向量V通过w_vh进行特征映射得到车辆状态特征向量V_h，计算公式如下：

V_h＝f(w_vhV+b₂)；

其中，w_vh为对应V的权值向量；b₂为对应V的偏置值；f表示激活函数，例如，可以为Relu函数或者tanh函数等非线性激活函数。

步骤2043：将所述车辆行驶路径的交通状态特征向量和所述车辆状态特征向量融合作为第三子模型的输入，预测获得车辆行程能耗预测值，所述第一子模型是利用递归神经网络机器学习历史时刻的路网交通状态信息对路段交通状态信息影响结果、车辆状态信息和对应的历史实际行程能耗值得到的。

在实际应用中，如图3所示的虚线方框303中内容，将最后一层得到的隐层向量(车辆行驶路径的交通状态特征向量)h_n与车辆状态特征向量V_h进行向量拼接，作为车辆行程能耗预测模型的输入，采用深度神经网络，输出为车辆行程能耗预测值。因此，在本实施例的一些实施方式中，所述步骤2043例如可以包括如下步骤：

步骤C：将所述车辆行驶路径的交通状态特征向量和所述车辆状态特征向量进行向量拼接，获得交通状态与车辆状态的融合特征向量；

步骤D：根据所述交通状态与车辆状态的融合特征向量和所述第三子模型，预测获得车辆行程能耗预测值。

需要说明的是，有可能利用递归神经网络和深度神经网络机器学习历史时刻的路段交通状态信息、路网交通状态信息、车辆状态信息和对应的历史实际行程能耗值得到的车辆行程能耗预测模型的预测准确度不满足预设要求，此时可以根据车辆行程能耗预测值和实际行程能耗值的比较，修正调整之前机器学习得到的车辆行程能耗预测模型，直至调整后的车辆行程能耗预测模型的预测准确度满足预设要求。当然，利用调整后的车辆行程能耗预测模型预测获得车辆行程能耗预测值更接近与实际行程能耗值。因此，在本实施例的一些实施方式中，例如还可以包括：根据车辆行程能耗预测值和实际行程能耗值，调整所述车辆行程能耗预测模型；对应地，所述步骤204具体可以为：根据所述当前时刻的车辆行驶路径的路段交通状态输入向量、路网交通状态矩阵和车辆状态输入向量，通过调整后的车辆行程能耗预测模型预测获得车辆行程能耗预测值。

还需要说明的是，考虑到车辆在行驶过程中，车辆状态信息、路网交通状态信息和车辆位置不断地发生变化，因此，在采用滚动的预测方法进行车辆行程能耗的预测，即，每间隔一段时间，重新获取车辆状态信息、路网交通状态信息和车辆位置，利用重新获取的上述信息再次进行车辆行程能耗的预测，以实现根据实时相关状态信息对于车辆行程能耗预测进行实时更新。因此，在本实施例的一些实施方式中，在所述步骤204之后例如还可以包括：每间隔预设时间段，返回执行所述获取当前时刻的车辆状态信息、路网交通状态信息和车辆位置步骤及以后步骤，直至所述车辆位置为所述目的地。例如，每间隔5分钟，返回执行步骤202值步骤204。

通过本实施例提供的各种实施方式，首先，根据出发地和目的地，确定车辆行驶路径；然后，获取当前时刻的车辆状态信息、路网交通状态信息和车辆位置；接着，根据所述车辆行驶路径、所述当前时刻的所述车辆状态信息、路网交通状态信息和车辆位置，生成当前时刻的车辆行驶路径的路段交通状态输入向量、路网交通状态矩阵和车辆状态输入向量；最后，根据所述当前时刻的车辆行驶路径的路段交通状态输入向量、路网交通状态矩阵和车辆状态输入向量，通过利用递归神经网络和深度神经网络机器学习历史时刻的路段交通状态信息、路网交通状态信息、车辆状态信息和对应的历史实际行程能耗值得到的车辆行程能耗预测模型预测获得车辆行程能耗预测值。可见，在基于车辆状态信息获得的车辆状态输入向量基础上，根据车辆行驶路径对应的路网交通状态信息获得了车辆行驶路径的路段交通状态输入向量、路网交通状态矩阵；同时作为车辆行程能耗预测模型输入，充分考虑交通状态信息对车辆行程能耗的影响，获得的车辆行程能耗预测值更为准确，从而提高用户预判电动汽车的剩余电量是否能够到达目的地的准确度，减少用户驾车行驶过程中的焦虑心理，为用户合理安排驾驶出行提供准确依据。

示例性设备

参见图4，示出了本申请实施例中一种车辆行程能耗预测的装置的结构示意图。在本实施例中，所述装置例如具体可以包括：

确定单元401，用于根据出发地和目的地，确定车辆行驶路径；

获取单元402，用于获取当前时刻的车辆状态信息、路网交通状态信息和车辆位置，所述路网交通状态信息为所述车辆行驶路径所在区域路段的交通状态信息；

生成单元403，用于根据所述车辆行驶路径、所述当前时刻的所述车辆状态信息、路网交通状态信息和车辆位置，生成当前时刻的车辆行驶路径的路段交通状态输入向量、路网交通状态矩阵和车辆状态输入向量；

预测获得单元404，用于根据所述当前时刻的车辆行驶路径的路段交通状态输入向量、路网交通状态矩阵和车辆状态输入向量，通过车辆行程能耗预测模型预测获得车辆行程能耗预测值；所述车辆行程能耗预测模型是利用递归神经网络和深度神经网络机器学习历史时刻的路段交通状态信息、路网交通状态信息、车辆状态信息和对应的历史实际行程能耗值得到的。

可选的，所述车辆状态信息包括电池电压、电池内阻、电池温度和剩余电量。

可选的，所述路网交通状态信息包括所述车辆行驶路径所在区域的路段交通状态参数，所述路段交通状态参数包括路段的流量、速度、密度和长度。

可选的，所述车辆行程能耗预测模型包括第一子模型、第二子模型和第三子模型，所述预测获得单元404包括：

第一获得子单元，用于根据所述当前时刻的车辆行驶路径的路段交通状态输入向量和路网交通状态矩阵，采用注意力算法通过所述第一子模型获得所述车辆行驶路径的交通状态特征向量，所述第一子模型是利用递归神经网络机器学习历史时刻的路段交通状态信息和路网交通状态信息对路段交通状态信息影响结果得到的；

第二获得子单元，用于根据所述当前时刻的车辆状态输入向量，通过所述第二子模型获得车辆状态特征向量，所述第二子模型为映射模型；

第三获得子单元，用于将所述车辆行驶路径的交通状态特征向量和所述车辆状态特征向量融合作为第三子模型的输入，预测获得车辆行程能耗预测值，所述第一子模型是利用递归神经网络机器学习历史时刻的路网交通状态信息对路段交通状态信息影响结果、车辆状态信息和对应的历史实际行程能耗值得到的。

可选的，所述第一获得子单元包括：

第一获得模块，用于根据所述当前时刻的车辆行驶路径的路段交通状态输入向量，经过加权运算和激活运算获得车辆行驶路径的路段对应的注意力向量；

第二获得模块，用于根据所述车辆行驶路径的路段对应的注意力向量、所述当前时刻的车辆行驶路径的路段交通状态输入向量和路网交通状态矩阵，通过所述第一子模型获得所述车辆行驶路径的交通状态特征向量。

可选的，所述激活运算采用softmax函数。

可选的，所述第三获得子单元包括：

第三获得模块，用于将所述车辆行驶路径的交通状态特征向量和所述车辆状态特征向量进行向量拼接，获得交通状态与车辆状态的融合特征向量；

第四获得模块，用于根据所述交通状态与车辆状态的融合特征向量和所述第三子模型，预测获得车辆行程能耗预测值。

可选的，所述装置还包括：

返回执行单元，用于每间隔预设时间段，返回进入获取单元402、生成单元403和预测获得单元404。

可选的，所述装置还包括：

调整单元，用于根据车辆行程能耗预测值和实际行程能耗值，调整所述车辆行程能耗预测模型；

对应地，所述预测获得单元404具体用于：

根据所述当前时刻的车辆行驶路径的路段交通状态输入向量、路网交通状态矩阵和车辆状态输入向量，通过调整后的车辆行程能耗预测模型预测获得车辆行程能耗预测值。

通过本实施例提供的各种实施方式，确定单元用于根据出发地和目的地，确定车辆行驶路径；获取单元用于获取当前时刻的车辆状态信息、路网交通状态信息和车辆位置，所述路网交通状态信息为所述车辆行驶路径所在区域路段的交通状态信息；生成单元用于根据所述车辆行驶路径、所述当前时刻的所述车辆状态信息、路网交通状态信息和车辆位置，生成当前时刻的车辆行驶路径的路段交通状态输入向量、路网交通状态矩阵和车辆状态输入向量；预测获得单元用于根据所述当前时刻的车辆行驶路径的路段交通状态输入向量、路网交通状态矩阵和车辆状态输入向量，通过车辆行程能耗预测模型预测获得车辆行程能耗预测值；所述车辆行程能耗预测模型是利用递归神经网络和深度神经网络机器学习历史时刻的路段交通状态信息、路网交通状态信息、车辆状态信息和对应的历史实际行程能耗值得到的。可见，在基于车辆状态信息获得的车辆状态输入向量基础上，根据车辆行驶路径对应的路网交通状态信息获得了车辆行驶路径的路段交通状态输入向量、路网交通状态矩阵；同时作为车辆行程能耗预测模型输入，充分考虑交通状态信息对车辆行程能耗的影响，获得的车辆行程能耗预测值更为准确，从而提高用户预判电动汽车的剩余电量是否能够到达目的地的准确度，减少用户驾车行驶过程中的焦虑心理，为用户合理安排驾驶出行提供准确依据。

本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。

专业人员还可以进一步意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。

需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。

以上所述，仅是本申请的较佳实施例而已，并非对本申请作任何形式上的限制。虽然本申请已以较佳实施例揭露如上，然而并非用以限定本申请。任何熟悉本领域的技术人员，在不脱离本申请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申请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，凡是未脱离本申请技术方案的内容，依据本申请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，均仍属于本申请技术方案保护的范围内。

Claims (10)

1.一种车辆行程能耗预测的方法，其特征在于，包括：

根据出发地和目的地，确定车辆行驶路径；

获取当前时刻的车辆状态信息、路网交通状态信息和车辆位置，所述路网交通状态信息为所述车辆行驶路径所在区域路段的交通状态信息；

根据所述车辆行驶路径、所述当前时刻的所述车辆状态信息、路网交通状态信息和车辆位置，生成当前时刻的车辆行驶路径的路段交通状态输入向量、路网交通状态矩阵和车辆状态输入向量；

根据所述当前时刻的车辆行驶路径的路段交通状态输入向量、路网交通状态矩阵和车辆状态输入向量，通过车辆行程能耗预测模型预测获得车辆行程能耗预测值；所述车辆行程能耗预测模型是利用递归神经网络和深度神经网络机器学习历史时刻的路段交通状态信息、路网交通状态信息、车辆状态信息和对应的历史实际行程能耗值得到的。

2.根据权利要求1所述的方法，其特征在于，所述车辆状态信息包括电池电压、电池内阻、电池温度和剩余电量。

3.根据权利要求1所述的方法，其特征在于，所述路网交通状态信息包括所述车辆行驶路径所在区域的路段交通状态参数，所述路段交通状态参数包括路段的流量、速度、密度和长度。

4.根据权利要求1所述的方法，其特征在于，所述车辆行程能耗预测模型包括第一子模型、第二子模型和第三子模型，所述根据所述当前时刻的车辆行驶路径的路段交通状态输入向量、路网交通状态矩阵和车辆状态输入向量，通过车辆行程能耗预测模型预测获得车辆行程能耗预测值，包括：

根据所述当前时刻的车辆行驶路径的路段交通状态输入向量和路网交通状态矩阵，采用注意力算法通过所述第一子模型获得所述车辆行驶路径的交通状态特征向量，所述第一子模型是利用递归神经网络机器学习历史时刻的路段交通状态信息和路网交通状态信息对路段交通状态信息影响结果得到的；

根据所述当前时刻的车辆状态输入向量，通过所述第二子模型获得车辆状态特征向量，所述第二子模型为映射模型；

将所述车辆行驶路径的交通状态特征向量和所述车辆状态特征向量融合作为第三子模型的输入，预测获得车辆行程能耗预测值，所述第一子模型是利用递归神经网络机器学习历史时刻的路网交通状态信息对路段交通状态信息影响结果、车辆状态信息和对应的历史实际行程能耗值得到的。

5.根据权利要求4所述的方法，其特征在于，所述根据所述当前时刻的车辆行驶路径的路段交通状态输入向量和路网交通状态矩阵，采用注意力算法通过所述第一子模型获得所述车辆行驶路径的交通状态特征向量，包括：

根据所述当前时刻的车辆行驶路径的路段交通状态输入向量，经过加权运算和激活运算获得车辆行驶路径的路段对应的注意力向量；

根据所述车辆行驶路径的路段对应的注意力向量、所述当前时刻的车辆行驶路径的路段交通状态输入向量和路网交通状态矩阵，通过所述第一子模型获得所述车辆行驶路径的交通状态特征向量。

6.根据权利要求1所述的方法，其特征在于，所述激活运算采用softmax函数。

7.根据权利要求4所述的方法，其特征在于，所述将所述车辆行驶路径的交通状态特征向量和所述车辆状态特征向量融合作为第三子模型的输入，预测获得车辆行程能耗预测值，包括：

将所述车辆行驶路径的交通状态特征向量和所述车辆状态特征向量进行向量拼接，获得交通状态与车辆状态的融合特征向量；

根据所述交通状态与车辆状态的融合特征向量和所述第三子模型，预测获得车辆行程能耗预测值。

8.根据权利要求1所述的方法，其特征在于，在所述预测获得车辆行程能耗预测值后，还包括：

每间隔预设时间段，返回执行所述获取当前时刻的车辆状态信息、路网交通状态信息和车辆位置步骤及以后步骤，直至所述车辆位置为所述目的地。

9.根据权利要求1所述的方法，其特征在于，还包括：

根据车辆行程能耗预测值和实际行程能耗值，调整所述车辆行程能耗预测模型；

对应地，所述根据所述当前时刻的车辆行驶路径的路段交通状态输入向量、路网交通状态矩阵和车辆状态输入向量，通过车辆行程能耗预测模型预测获得车辆行程能耗预测值，具体为：

根据所述当前时刻的车辆行驶路径的路段交通状态输入向量、路网交通状态矩阵和车辆状态输入向量，通过调整后的车辆行程能耗预测模型预测获得车辆行程能耗预测值。

10.一种车辆行程能耗预测的装置，其特征在于，包括：

确定单元，用于根据出发地和目的地，确定车辆行驶路径；

获取单元，用于获取当前时刻的车辆状态信息、路网交通状态信息和车辆位置，所述路网交通状态信息为所述车辆行驶路径所在区域路段的交通状态信息；

生成单元，用于根据所述车辆行驶路径、所述当前时刻的所述车辆状态信息、路网交通状态信息和车辆位置，生成当前时刻的车辆行驶路径的路段交通状态输入向量、路网交通状态矩阵和车辆状态输入向量；

预测获得单元，用于根据所述当前时刻的车辆行驶路径的路段交通状态输入向量、路网交通状态矩阵和车辆状态输入向量，通过车辆行程能耗预测模型预测获得车辆行程能耗预测值；所述车辆行程能耗预测模型是利用递归神经网络和深度神经网络机器学习历史时刻的路段交通状态信息、路网交通状态信息、车辆状态信息和对应的历史实际行程能耗值得到的。

Images