CN110849411A - 车联网服务器、车辆及基于行驶油耗数据的车况评估方法 - Google Patents
车联网服务器、车辆及基于行驶油耗数据的车况评估方法 Download PDFInfo
- Publication number
- CN110849411A CN110849411A CN201810956131.5A CN201810956131A CN110849411A CN 110849411 A CN110849411 A CN 110849411A CN 201810956131 A CN201810956131 A CN 201810956131A CN 110849411 A CN110849411 A CN 110849411A
- Authority
- CN
- China
- Prior art keywords
- data
- vehicle
- driving
- oil consumption
- condition
- 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
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
- G01D21/00—Measuring or testing not otherwise provided for
- G01D21/02—Measuring two or more variables by means not covered by a single other subclass
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/01—Protocols
- H04L67/02—Protocols based on web technology, e.g. hypertext transfer protocol [HTTP]
- H04L67/025—Protocols based on web technology, e.g. hypertext transfer protocol [HTTP] for remote control or remote monitoring of applications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/01—Protocols
- H04L67/12—Protocols specially adapted for proprietary or special-purpose networking environments, e.g. medical networks, sensor networks, networks in vehicles or remote metering networks
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Combined Controls Of Internal Combustion Engines (AREA)
Abstract
本申请涉及车况评估技术领域,本申请提供一种车联网服务器、车辆及基于行驶油耗数据的车况评估方法,通过采集包括车辆的加油情况的第一数据,采集包括尾气排放数据、加速度数据、发动机转速数据、喷油量数据和实际空燃比数据的第二数据,采集包括车辆行驶轨迹、天气、行驶速度和路况的第三数据,对第一数据、第二数据和/或第三数据进行大数据整理和学习,以得到行驶油耗数据,根据行驶油耗数据分析车辆的车况,以进行车况评估。本申请能够针对车辆的使用、加油、驾驶员的驾驶习惯、驾驶路况、驾驶环境等进行行驶油耗数据的综合评估,进而实现对车况的深入评估,帮助用户实现对车辆的全方位分析,得到切合实际的车况评估结果,满足用户的需求。
Description
技术领域
本申请涉及车况评估技术领域,具体涉及一种基于行驶油耗数据的车况评估方法,还涉及一种采用该基于行驶油耗数据的车况评估方法的车联网服务器、以及车辆。
背景技术
随着我国经济水平的提高,汽车对于普通老百姓来说已经不再遥不可及,伴随着我国汽车数量的与日俱增,人们对汽车的各个方面的品质要求也越来越高。
以往在车辆节油环保的技术研究基本上都集中在研发高性能发动机上了,比如通过在小排量发动机上增加一套涡轮增压装置来实现小排量大功率的目的,从而可以替换一些大排量的自然吸气发动机。但是随着人们环保理念的提升,人们已经开始关注车辆经济驾驶,即通过改善车辆的驾驶行为来实现进一步的节能环保、降低油耗。
此外,用户出于价格、车牌等原因,可能会需要购买二手车等,在二手车市场中,对于车况则需要非常精确的评估,否则容易购买到有“暗病”的坏车。另外,用户可能需要对自己的车辆进行车况评估,以考虑是否放弃手上的旧车,去购买新车等。因此,无论买卖车辆,都需要对车况进行评估。
现有技术中,一辆车的车况鉴定,主要从车身框架、各部位的车身外部构建、车身表面状况、电器元件的工作表现、轮胎的使用程度等几方面来衡量。不难理解的是,这些车况是比较直观明了的,但其无法对发动机油耗等进行深入评估,而油耗是很多用户第一关心的车况,所以现有技术难以满足用户的更高需求。
针对现有技术的多方面不足,本申请的发明人经过深入研究,提出一种新的车联网服务器、车辆及基于行驶油耗数据的车况评估方法。
发明内容
本申请的目的在于,提供一种车联网服务器、车辆及基于行驶油耗数据的车况评估方法,其能够针对车辆的使用、加油、驾驶员的驾驶习惯、驾驶路况、驾驶环境等进行行驶油耗数据的综合评估,进而实现对车况的深入评估,帮助用户实现对车辆的全方位分析评估,得到切合实际的车况评估结果,满足用户的需求。
为解决上述技术问题,本申请提供一种基于行驶油耗数据的车况评估方法,其中,所述车况评估方法包括:
采集包括车辆的加油情况的第一数据;
采集包括尾气排放数据、加速度数据、发动机转速数据、喷油量数据和实际空燃比数据的第二数据;
采集包括车辆行驶轨迹、天气、行驶速度和路况的第三数据;
对所述第一数据、第二数据和/或第三数据进行大数据整理和学习,根据大数据整理和学习进行分析以得到行驶油耗数据;
根据所述行驶油耗数据分析所述车辆的车况,以进行车况评估。
其中,所述采集包括车辆的加油情况的第一数据的步骤,具体包括:
通过车联网网关采集ECU车辆包括加油时间、数量的所述第一数据。
其中,所述车联网网关为设置有通讯模块的车机或车辆TBOX系统。
其中,所述采集包括尾气排放数据、加速度数据、发动机转速数据、喷油量数据和实际空燃比数据的第二数据的步骤,具体包括:
采集ECU车辆尾气排放系统的氧传感器信号、加速度数据、发动机转速数据、喷油量数据和实际空燃比数据的第二数据。
其中,所述采集包括车辆行驶轨迹、天气、行驶速度和路况的第三数据的步骤,具体包括:
按照预定时间段和固定路段采集包括车辆行驶轨迹、天气、行驶速度和路况的第三数据。
其中,所述对所述第一数据、第二数据和/或第三数据进行大数据整理和学习,根据大数据整理和学习进行分析以得到行驶油耗数据的步骤,具体包括:
对所述第一数据、第二数据和/或第三数据采用基于长短期记忆神经网络的学习分析方法进行大数据整理和学习,根据大数据整理和学习进行分析以得到行驶油耗数据。
其中,所述对所述第一数据、第二数据和/或第三数据采用基于长短期记忆神经网络的学习分析方法进行大数据整理和学习,根据大数据整理和学习进行分析以得到行驶油耗数据的步骤,具体包括:
获取所有用户在所述第一数据、第二数据和/或第三数据情况下的行驶油耗数据;
将所述行驶油耗数据进行数据清洗、归一化;
将清洗归一化后的行驶油耗数据按照时间划分为训练数据集与测试数据集;
对所述训练数据集的训练数据进行离线模型训练,以分别训练长短期记忆神经网络的多个神经网络模型;
获取训练数据对于训练后的多个神经网络模型输出的预测值列表,将所述预测值列表与实际的车辆油耗情况进行比较,计算得到多个神经网络模型作为组合模型时所占的权重值;
利用测试数据集的测试数据对组合模型中的多个神经网络模型评估预测效果,根据预测效果调整所述多个神经网络模型作为组合模型时所占的权重值;
根据多个神经网络模型的组合模型及其对应的权重值计算得到所述第一数据、第二数据和/或第三数据的最精确的行驶油耗数据。
为解决上述技术问题,本申请还提供一种车联网服务器,其中,与车辆进行网络连接,其配置有处理器,所述处理器用于执行车况评估应用程序,以根据上述的车况评估方法实现对所述车辆的车况评估。
其中,所述车联网服务器配置有二手车定价评估系统,所述二手车定价评估系统根据所述车况评估对所述车辆进行定价评估。
为解决上述技术问题,本申请还提供一种车辆,其中,其配置有处理器,所述处理器用于执行车况评估应用程序,以实现上述的车况评估方法。
本申请车联网服务器、车辆及基于行驶油耗数据的车况评估方法,通过采集包括车辆的加油情况的第一数据,采集包括尾气排放数据、加速度数据、发动机转速数据、喷油量数据和实际空燃比数据的第二数据,采集包括车辆行驶轨迹、天气、行驶速度和路况的第三数据,对所述第一数据、第二数据和/或第三数据进行大数据整理和学习,根据大数据整理和学习进行分析以得到行驶油耗数据,根据所述行驶油耗数据分析所述车辆的车况,以进行车况评估。通过这种方式,本申请能够针对车辆的使用、加油、驾驶员的驾驶习惯、驾驶路况、驾驶环境等进行行驶油耗数据的综合评估,进而实现对车况的深入评估,帮助用户实现对车辆的全方位分析评估,得到切合实际的车况评估结果,满足用户的需求。
上述说明仅是本申请技术方案的概述,为了能够更清楚了解本申请的技术手段,而可依照说明书的内容予以实施,并且为了让本申请的上述和其他目的、特征和优点能够更明显易懂,以下特举较佳实施例,并配合附图,详细说明如下。
附图说明
图1为本申请基于行驶油耗数据的车况评估方法的流程示意图。
图2为本申请车联网服务器的模块示意图。
图3为本申请车辆的模块示意图。
具体实施方式
为更进一步阐述本申请为达成预定申请目的所采取的技术手段及功效,以下结合附图及较佳实施例,对依据本申请车联网服务器、车辆及基于行驶油耗数据的车况评估方法的具体实施方式、方法、步骤、特征及其效果,详细说明如下。
有关本申请的前述及其他技术内容、特点及功效,在以下配合参考图式的较佳实施例的详细说明中将可清楚呈现。通过具体实施方式的说明,当可对本申请为达成预定目的所采取的技术手段得以更加深入且具体的了解,然而所附图式仅是提供参考与说明之用,并非用来对本申请加以限制。
请参阅图1,图1为本申请基于行驶油耗数据的车况评估方法的流程示意图。
在本实施方式中,所述车况评估方法包括但不限于如下几个步骤。
步骤S101,采集包括车辆的加油情况的第一数据。
需要说明的是,所述采集包括车辆的加油情况的第一数据的步骤,具体可以包括:通过车联网网关采集ECU车辆包括加油时间、数量的所述第一数据。
在本实施方式中,ECU车辆,为设有经济驾驶控制单元(ECU)的车辆。
具体而言,所述车联网网关可以为设置有通讯模块的车机或车辆TBOX系统,车机为安装在车辆里面的车载信息娱乐产品,本实施方式的车辆TBOX系统,即车辆的TelematicsBOX,简称车载TBOX或远程信息处理器,而Telematics为远距离通信的电信(Telecommunications)与信息科学(Informatics)的合成,其定义为通过内置在车辆上的计算机系统、无线通信技术、卫星导航装置、交换文字、语音等信息的互联网技术而提供信息的服务系统。简单的说就通过无线网络将车辆接入互联网,为车主提供驾驶、生活所必需的各种信息。
步骤S102,采集包括尾气排放数据、加速度数据、发动机转速数据、喷油量数据和实际空燃比数据的第二数据。
在本实施方式中,所述采集包括尾气排放数据、加速度数据、发动机转速数据、喷油量数据和实际空燃比数据的第二数据的步骤,具体可以包括:采集ECU车辆尾气排放系统的氧传感器信号、加速度数据、发动机转速数据、喷油量数据和实际空燃比数据的第二数据。
步骤S103,采集包括车辆行驶轨迹、天气、行驶速度和路况的第三数据。
需要说明的是,本实施方式所述采集包括车辆行驶轨迹、天气、行驶速度和路况的第三数据的步骤,具体可以包括:按照预定时间段和固定路段采集包括车辆行驶轨迹、天气、行驶速度和路况的第三数据。通过这种方式,可以针对指定的情况进行数据采集,而更利于得到符合实际情况的数据。
步骤S104,对所述第一数据、第二数据和/或第三数据进行大数据整理和学习,根据大数据整理和学习进行分析以得到行驶油耗数据。
在本实施方式中,所述对所述第一数据、第二数据和/或第三数据进行大数据整理和学习,根据大数据整理和学习进行分析以得到行驶油耗数据的步骤,具体可以包括:对所述第一数据、第二数据和/或第三数据采用基于长短期记忆神经网络的学习分析方法进行大数据整理和学习,根据大数据整理和学习进行分析以得到行驶油耗数据。
具体而言,所述对所述第一数据、第二数据和/或第三数据采用基于长短期记忆神经网络的学习分析方法进行大数据整理和学习,根据大数据整理和学习进行分析以得到行驶油耗数据的步骤,具体可以包括下述步骤:
步骤S1041,获取所有用户在所述第一数据、第二数据和/或第三数据情况下的行驶油耗数据;
步骤S1042,将所述行驶油耗数据进行数据清洗、归一化;
步骤S1043,将清洗归一化后的行驶油耗数据按照时间划分为训练数据集与测试数据集;
步骤S1044,对所述训练数据集的训练数据进行离线模型训练,以分别训练长短期记忆神经网络的多个神经网络模型;
步骤S1045,获取训练数据对于训练后的多个神经网络模型输出的预测值列表,将所述预测值列表与实际的车辆油耗情况进行比较,计算得到多个神经网络模型作为组合模型时所占的权重值;
步骤S1046,利用测试数据集的测试数据对组合模型中的多个神经网络模型评估预测效果,根据预测效果调整所述多个神经网络模型作为组合模型时所占的权重值;
步骤S1047,根据多个神经网络模型的组合模型及其对应的权重值计算得到所述第一数据、第二数据和/或第三数据的最精确的行驶油耗数据。
本实施方式利用长短期记忆神经网络的方式,可以进行大数据的学习和智能预测运算,得到更佳的评估结构。
步骤S105,根据所述行驶油耗数据分析所述车辆的车况,以进行车况评估。
在本实施方式中,主要对包括发动机损耗的车况进行评估,接着可以结合车辆外部、构件等进行可视化的评估,最终实现对车辆的所有车况整体评估。
本申请能够针对车辆的使用、加油、驾驶员的驾驶习惯、驾驶路况、驾驶环境等进行行驶油耗数据的综合评估,进而实现对车况的深入评估,帮助用户实现对车辆的全方位分析评估,得到切合实际的车况评估结果,满足用户的需求。
请参阅图2,图2为本申请车联网服务器的模块示意图。
在本实施方式中,所述车联网服务器可以与车辆进行网络连接,其配置有处理器21,所述处理器21用于执行车况评估应用程序,以根据上述的车况评估方法实现对所述车辆的车况评估。
此外,随着市场上二手市场的发展,所述车联网服务器还可以配置有二手车定价评估系统,所述二手车定价评估系统根据所述车况评估对所述车辆进行定价评估。
具体而言,所述处理器21采集包括车辆的加油情况的第一数据。
需要说明的是,所述处理器21采集包括车辆的加油情况的第一数据的步骤,具体可以包括:所述处理器21通过车联网网关采集ECU车辆包括加油时间、数量的所述第一数据。
所述处理器21采集包括尾气排放数据、加速度数据、发动机转速数据、喷油量数据和实际空燃比数据的第二数据。
在本实施方式中,所述处理器21采集包括尾气排放数据、加速度数据、发动机转速数据、喷油量数据和实际空燃比数据的第二数据的步骤,具体可以包括:所述处理器21采集ECU车辆尾气排放系统的氧传感器信号、加速度数据、发动机转速数据、喷油量数据和实际空燃比数据的第二数据。
所述处理器21采集包括车辆行驶轨迹、天气、行驶速度和路况的第三数据。
需要说明的是,本实施方式所述处理器21采集包括车辆行驶轨迹、天气、行驶速度和路况的第三数据的步骤,具体可以包括:所述处理器21按照预定时间段和固定路段采集包括车辆行驶轨迹、天气、行驶速度和路况的第三数据。通过这种方式,可以针对指定的情况进行数据采集,而更利于得到符合实际情况的数据。
所述处理器21对所述第一数据、第二数据和/或第三数据进行大数据整理和学习,根据大数据整理和学习进行分析以得到行驶油耗数据。
在本实施方式中,所述处理器21对所述第一数据、第二数据和/或第三数据进行大数据整理和学习,根据大数据整理和学习进行分析以得到行驶油耗数据的步骤,具体可以包括:所述处理器21对所述第一数据、第二数据和/或第三数据采用基于长短期记忆神经网络的学习分析方法进行大数据整理和学习,根据大数据整理和学习进行分析以得到行驶油耗数据。
具体而言,所述处理器21对所述第一数据、第二数据和/或第三数据采用基于长短期记忆神经网络的学习分析方法进行大数据整理和学习,根据大数据整理和学习进行分析以得到行驶油耗数据的步骤,具体可以包括下述步骤:
步骤S21,获取所有用户在所述第一数据、第二数据和/或第三数据情况下的行驶油耗数据;
步骤S22,将所述行驶油耗数据进行数据清洗、归一化;
步骤S23,将清洗归一化后的行驶油耗数据按照时间划分为训练数据集与测试数据集;
步骤S24,对所述训练数据集的训练数据进行离线模型训练,以分别训练长短期记忆神经网络的多个神经网络模型;
步骤S25,获取训练数据对于训练后的多个神经网络模型输出的预测值列表,将所述预测值列表与实际的车辆油耗情况进行比较,计算得到多个神经网络模型作为组合模型时所占的权重值;
步骤S26,利用测试数据集的测试数据对组合模型中的多个神经网络模型评估预测效果,根据预测效果调整所述多个神经网络模型作为组合模型时所占的权重值;
步骤S27,根据多个神经网络模型的组合模型及其对应的权重值计算得到所述第一数据、第二数据和/或第三数据的最精确的行驶油耗数据。
本实施方式利用长短期记忆神经网络的方式,可以进行大数据的学习和智能预测运算,得到更佳的评估结构。
所述处理器21根据所述行驶油耗数据分析所述车辆的车况,以进行车况评估。
在本实施方式中,主要对包括发动机损耗的车况进行评估,接着可以结合车辆外部、构件等进行可视化的评估,最终实现对车辆的所有车况整体评估。
本申请能够针对车辆的使用、加油、驾驶员的驾驶习惯、驾驶路况、驾驶环境等进行行驶油耗数据的综合评估,进而实现对车况的深入评估,帮助用户实现对车辆的全方位分析评估,得到切合实际的车况评估结果,满足用户的需求。
请接着参阅图3,图3为本申请车辆的模块示意图。
在本实施方式中,所述车辆可以配置有处理器31,所述处理器31用于执行车况评估应用程序,以实现上述的车况评估方法。
本申请能够针对车辆的使用、加油、驾驶员的驾驶习惯、驾驶路况、驾驶环境等进行行驶油耗数据的综合评估,进而实现对车况的深入评估,帮助用户实现对车辆的全方位分析评估,得到切合实际的车况评估结果,满足用户的需求。
值得一提的是,本实施方式可以在车辆上采用车辆TBOX系统,进一步而言,本申请可以在车辆内组建车联网系统,其中所述车联网系统可以包括主机、车载TBOX、以及车联网服务器。主机主要用于的影音娱乐,以及车辆信息显示等;车载T-BOX主要用于和上述的车联网服务器网络连接,实现车辆信息显示与控制等。
当用户通过车联网服务器(或者手机等其他控制终端)发送控制命令后,会发出监控请求指令到车载TBOX,车辆在获取到控制命令后,通过CAN总线发送控制报文并实现对车辆的控制,最后反馈操作结果给用户,通过这种方式可以帮助打开空调、调整座椅至合适位置等等。
本实施方式Telematics是无线通信技术、卫星导航系统、网络通信技术和车载电脑的综合,当车辆行驶当中出现故障时,通过无线通信连接服务中心,进行远程车辆诊断,内置在发动机上的计算机可以记录车辆主要部件的状态,并随时为维修人员提供准确的故障位置和原因。通过用户通讯终端接收信息并查看交通地图、路况介绍、交通信息、安全与治安服务以及娱乐信息服务等,另外,本实施方式的车辆还可以在后座设置电子游戏和网络应用(包括金融、新闻、E-mail等)。不难理解,本实施方式通过Telematics提供服务,可以方便用户了解交通信息、临近停车场的车位状况,确认当前位置,还可以与家中的网络服务器连接,及时了解家中的电器运转情况、安全情况以及客人来访情况等等。
本实施方式车辆还可设置ADAS(AdvancedDriverAssistantSystem,先进驾驶辅助系统),其可以利用安装于车辆上的上述各种传感器,在第一时间收集车内外的环境数据,进行静、动态物体的辨识、侦测与追踪等技术上的处理,从而能够让驾驶者在最快的时间察觉可能发生的危险,以引起注意和提高安全性。对应地,本申请ADAS还可以采用雷达、激光和超声波等传感器,可以探测光、热、压力或其它用于监测车辆状态的变量,通常位于车辆的前后保险杠、侧视镜、驾驶杆内部或者挡风玻璃上。不难看出,上述ADAS功能所使用的各种智能硬件,均可以通过以太网链路的方式接入车联网系统实现通信连接、交互。
本实施方式车辆的主机可包括适当的逻辑器件、电路和/或代码以用于实现OSI模型(OpenSystemInterconnection,开放式通信系统互联参考模型)上面五层的运行和/或功能操作。因此,主机会生成用于网络传输的数据包和/或对这些数据包进行处理,并且还会对从网络接受到的数据包进行处理。同时,主机可通过执行相应指令和/或运行一种或多种应用程序来为本地用户和/或一个或多个远程用户或网络节点提供服务。在本申请的不同实施方式中,主机可采用一种或多种安全协议。
在本申请中,用于实现车联网系统网络连接的可以为交换机,其可以具有AVB功能(AudioVideoBridging,满足IEEE802.1的标准集合),和/或包括有一条或多条非屏蔽双绞线,每一端可以具有8P8C模块连接器。
值得一提的是,本实施方式的车联网系统可以遵循SAEJ1939协议,其分为动力总线P-CAN,也称底盘动力总线和车身总线I-CAN,两个总线均可采用250Kbps的通讯速率。
本申请车联网系统具体可以包括车身控制模块BCM、动力总线P-CAN、车身总线I-CAN、组合仪表CMIC、底盘控制装置和车身控制装置。
在本实施方式中,车身控制模块BCM可以集成网关的功能,进行不同网段,即动力总线P-CAN和车身总线I-CAN之间的信号转换及报文转发等,例如,挂接在动力总线上的控制器如需要与挂接在车身总线I-CAN上的控制器进行通信,则要经过车身控制模块BCM进行两者之间的信号转换及转发等。
动力总线P-CAN和车身总线I-CAN分别与车身控制模块BCM相连。
组合仪表CMIC与动力总线P-CAN相连,且组合仪表CMIC与车身总线I-CAN相连。优选地,本实施方式的组合仪表CMIC与不同的总线,如动力总线P-CAN和车身总线I-CAN均相连,当组合仪表CMIC需要获取挂接在任意总线上的控制器信息时,均无需通过车身控制模块BCM进行信号转换以及报文转发,因此,可减轻网关压力、减少网络负载,且提高组合仪表CMIC获取信息的速度。
底盘控制装置与动力总线P-CAN相连。车身控制装置与车身总线I-CAN相连。在一些示例中,底盘控制装置和车身控制装置可分别向动力总线P-CAN和车身总线I-CAN上进行信息等数据广播,以便挂接在动力总线P-CAN或车身总线I-CAN上的其它车载控制器等设备获取该广播的信息,从而实现不同控制器等车载设备之间的通信。
此外,本实施方式车辆的车联网系统,可以使用两条CAN总线,即动力总线P-CAN和车身总线I-CAN,将车身控制模块BCM作为网关,将组合仪表CMIC与动力总线P-CAN和车身总线I-CAN均相连的结构,可以省去了传统方式中组合仪表CMIC挂接在两条总线上的一条上时的底盘控制装置或车身控制装置的信息通过网关转发给组合仪表CMIC的操作,由此,减轻了车身控制模块BCM作为网关的压力,减少了网络负载,且更加方便将多条总线,如动力总线P-CAN和车身总线I-CAN上挂接的车载设备的信息发送至组合仪表CMIC上进行显示、信息传输实时性强。
需要说明的是,本实施方式车辆在具体工作过程中,可以包括下述实施例:
1、车辆通过车联网网关,采集ECU车辆加油、时间,数量。
2、采集ECU车辆尾气排放系统的氧传感器信号、加速度、发动机转速、喷油量和实际空燃比等数据。
3、采集ECU车辆固定一段时间和路段、固定轨迹、天气、行驶速度和路况等数据。
4、通过日积月累大数据分析和学习,能够发现随着时间推移,车辆发动机的损耗程度。
其中,若在车联网服务器侧实现,其可以包括下述实施例:
1、车联网服务器通过车联网网关,采集ECU车辆加油、时间,数量。
2、车联网服务器通过车联网网关,采集ECU车辆尾气排放系统的氧传感器信号、加速度、发动机转速、喷油量和实际空燃比等数据。
3、车联网服务器通过车联网网关,采集ECU车辆固定一段时间和路段、固定轨迹、天气、行驶速度和路况等数据。
4、车联网服务器通过日积月累大数据分析和学习,能够发现随着时间推移,车辆发动机的损耗程度。
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,任何熟悉本专业的技术人员,在不脱离本申请技术方案范围内,当可利用上述揭示的技术内容作出些许更动或修饰为等同变化的等效实施例,但凡是未脱离本申请技术方案内容,依据本申请的技术实质对以上实施例所作的任何简单修改、等同变化与修饰,均仍属于本申请技术方案的范围内。
Claims (10)
1.一种基于行驶油耗数据的车况评估方法,其特征在于,所述车况评估方法包括:
采集包括车辆的加油情况的第一数据;
采集包括尾气排放数据、加速度数据、发动机转速数据、喷油量数据和实际空燃比数据的第二数据;
采集包括车辆行驶轨迹、天气、行驶速度和路况的第三数据;
对所述第一数据、第二数据和/或第三数据进行大数据整理和学习,根据大数据整理和学习进行分析以得到行驶油耗数据;
根据所述行驶油耗数据分析所述车辆的车况,以进行车况评估。
2.根据权利要求1所述的车况评估方法,其特征在于,所述采集包括车辆的加油情况的第一数据的步骤,具体包括:
通过车联网网关采集ECU车辆包括加油时间、数量的所述第一数据。
3.根据权利要求2所述的车况评估方法,其特征在于,所述车联网网关为设置有通讯模块的车机或车辆TBOX系统。
4.根据权利要求1所述的车况评估方法,其特征在于,所述采集包括尾气排放数据、加速度数据、发动机转速数据、喷油量数据和实际空燃比数据的第二数据的步骤,具体包括:
采集ECU车辆尾气排放系统的氧传感器信号、加速度数据、发动机转速数据、喷油量数据和实际空燃比数据的第二数据。
5.根据权利要求1所述的车况评估方法,其特征在于,所述采集包括车辆行驶轨迹、天气、行驶速度和路况的第三数据的步骤,具体包括:
按照预定时间段和固定路段采集包括车辆行驶轨迹、天气、行驶速度和路况的第三数据。
6.根据权利要求1-5任一项所述的车况评估方法,其特征在于,所述对所述第一数据、第二数据和/或第三数据进行大数据整理和学习,根据大数据整理和学习进行分析以得到行驶油耗数据的步骤,具体包括:
对所述第一数据、第二数据和/或第三数据采用基于长短期记忆神经网络的学习分析方法进行大数据整理和学习,根据大数据整理和学习进行分析以得到行驶油耗数据。
7.根据权利要求6所述的车况评估方法,其特征在于,所述对所述第一数据、第二数据和/或第三数据采用基于长短期记忆神经网络的学习分析方法进行大数据整理和学习,根据大数据整理和学习进行分析以得到行驶油耗数据的步骤,具体包括:
获取所有用户在所述第一数据、第二数据和/或第三数据情况下的行驶油耗数据;
将所述行驶油耗数据进行数据清洗、归一化;
将清洗归一化后的行驶油耗数据按照时间划分为训练数据集与测试数据集;
对所述训练数据集的训练数据进行离线模型训练,以分别训练长短期记忆神经网络的多个神经网络模型;
获取训练数据对于训练后的多个神经网络模型输出的预测值列表,将所述预测值列表与实际的车辆油耗情况进行比较,计算得到多个神经网络模型作为组合模型时所占的权重值;
利用测试数据集的测试数据对组合模型中的多个神经网络模型评估预测效果,根据预测效果调整所述多个神经网络模型作为组合模型时所占的权重值;
根据多个神经网络模型的组合模型及其对应的权重值计算得到所述第一数据、第二数据和/或第三数据的最精确的行驶油耗数据。
8.一种车联网服务器,其特征在于,与车辆进行网络连接,其配置有处理器,所述处理器用于执行车况评估应用程序,以根据权利要求1-7任一项所述的车况评估方法实现对所述车辆的车况评估。
9.根据权利要求8所述的车联网服务器,其特征在于,所述车联网服务器配置有二手车定价评估系统,所述二手车定价评估系统根据所述车况评估对所述车辆进行定价评估。
10.一种车辆,其特征在于,其配置有处理器,所述处理器用于执行车况评估应用程序,以实现根据权利要求1-7任一项所述的车况评估方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810956131.5A CN110849411A (zh) | 2018-08-21 | 2018-08-21 | 车联网服务器、车辆及基于行驶油耗数据的车况评估方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810956131.5A CN110849411A (zh) | 2018-08-21 | 2018-08-21 | 车联网服务器、车辆及基于行驶油耗数据的车况评估方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110849411A true CN110849411A (zh) | 2020-02-28 |
Family
ID=69595219
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810956131.5A Pending CN110849411A (zh) | 2018-08-21 | 2018-08-21 | 车联网服务器、车辆及基于行驶油耗数据的车况评估方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110849411A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111523701A (zh) * | 2020-03-27 | 2020-08-11 | 广州亚美信息科技有限公司 | 车辆运行状况的评估方法、装置、计算机设备和存储介质 |
CN112092817A (zh) * | 2020-09-23 | 2020-12-18 | 广州小鹏汽车科技有限公司 | 一种车辆的能耗分析方法、装置和车辆 |
CN112417588A (zh) * | 2020-11-04 | 2021-02-26 | 华人运通(江苏)技术有限公司 | 一种车辆结构设计方法及系统 |
CN112863165A (zh) * | 2021-01-14 | 2021-05-28 | 深圳市子瑜杰恩科技有限公司 | 基于5g的物流企业车队管理方法及系统 |
CN114954299A (zh) * | 2022-05-19 | 2022-08-30 | 李诣坤 | 一种降低汽车油耗的油耗预警方法及系统 |
CN116644865A (zh) * | 2023-07-27 | 2023-08-25 | 中汽信息科技(天津)有限公司 | 商用车油耗预测方法、电子设备和存储介质 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1579830A (zh) * | 2003-08-08 | 2005-02-16 | 米亚马株式会社 | 车辆运行状况评估系统及其评估方法 |
CN103543019A (zh) * | 2013-10-28 | 2014-01-29 | 合肥英塔信息技术有限公司 | 一种二手汽车量化鉴定评估方法及系统 |
CN103884396A (zh) * | 2014-03-21 | 2014-06-25 | 浪潮集团有限公司 | 一种基于大数据的汽车油耗智能分析方法 |
CN106779137A (zh) * | 2016-11-14 | 2017-05-31 | 上海海事大学 | 一种根据海况与操纵条件预测船舶油耗的方法 |
CN106991506A (zh) * | 2017-05-16 | 2017-07-28 | 深圳先进技术研究院 | 智能终端及其基于lstm的股票趋势预测方法 |
CN107330217A (zh) * | 2017-07-13 | 2017-11-07 | 北京市交通信息中心 | 一种基于rbfnn的中观油耗预测方法 |
CN107368913A (zh) * | 2017-06-15 | 2017-11-21 | 中国汽车技术研究中心 | 一种基于最小二乘支持向量机的油耗预测方法 |
CN107944648A (zh) * | 2018-01-08 | 2018-04-20 | 中国船舶工业系统工程研究院 | 一种大型船舶航速油耗率精准预测方法 |
CN108269325A (zh) * | 2016-12-30 | 2018-07-10 | 中国移动通信有限公司研究院 | 一种驾驶行为油耗经济性的分析方法及装置 |
-
2018
- 2018-08-21 CN CN201810956131.5A patent/CN110849411A/zh active Pending
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1579830A (zh) * | 2003-08-08 | 2005-02-16 | 米亚马株式会社 | 车辆运行状况评估系统及其评估方法 |
CN103543019A (zh) * | 2013-10-28 | 2014-01-29 | 合肥英塔信息技术有限公司 | 一种二手汽车量化鉴定评估方法及系统 |
CN103884396A (zh) * | 2014-03-21 | 2014-06-25 | 浪潮集团有限公司 | 一种基于大数据的汽车油耗智能分析方法 |
CN106779137A (zh) * | 2016-11-14 | 2017-05-31 | 上海海事大学 | 一种根据海况与操纵条件预测船舶油耗的方法 |
CN108269325A (zh) * | 2016-12-30 | 2018-07-10 | 中国移动通信有限公司研究院 | 一种驾驶行为油耗经济性的分析方法及装置 |
CN106991506A (zh) * | 2017-05-16 | 2017-07-28 | 深圳先进技术研究院 | 智能终端及其基于lstm的股票趋势预测方法 |
CN107368913A (zh) * | 2017-06-15 | 2017-11-21 | 中国汽车技术研究中心 | 一种基于最小二乘支持向量机的油耗预测方法 |
CN107330217A (zh) * | 2017-07-13 | 2017-11-07 | 北京市交通信息中心 | 一种基于rbfnn的中观油耗预测方法 |
CN107944648A (zh) * | 2018-01-08 | 2018-04-20 | 中国船舶工业系统工程研究院 | 一种大型船舶航速油耗率精准预测方法 |
Non-Patent Citations (2)
Title |
---|
张庆洪等: "基于改进RBF径向基神经网络的车载油耗软测量", 《机械科学与技术》 * |
许崇霞等: "基于RBF神经网络的农用车油耗值标定方法", 《农机化研究》 * |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111523701A (zh) * | 2020-03-27 | 2020-08-11 | 广州亚美信息科技有限公司 | 车辆运行状况的评估方法、装置、计算机设备和存储介质 |
CN112092817A (zh) * | 2020-09-23 | 2020-12-18 | 广州小鹏汽车科技有限公司 | 一种车辆的能耗分析方法、装置和车辆 |
CN112417588A (zh) * | 2020-11-04 | 2021-02-26 | 华人运通(江苏)技术有限公司 | 一种车辆结构设计方法及系统 |
CN112417588B (zh) * | 2020-11-04 | 2023-09-22 | 华人运通(江苏)技术有限公司 | 一种车辆结构设计方法及系统 |
CN112863165A (zh) * | 2021-01-14 | 2021-05-28 | 深圳市子瑜杰恩科技有限公司 | 基于5g的物流企业车队管理方法及系统 |
CN112863165B (zh) * | 2021-01-14 | 2022-09-06 | 包头钢铁(集团)铁捷物流有限公司 | 基于5g的物流企业车队管理方法及系统 |
CN114954299A (zh) * | 2022-05-19 | 2022-08-30 | 李诣坤 | 一种降低汽车油耗的油耗预警方法及系统 |
CN114954299B (zh) * | 2022-05-19 | 2023-02-17 | 李诣坤 | 一种降低汽车油耗的油耗预警方法及系统 |
CN116644865A (zh) * | 2023-07-27 | 2023-08-25 | 中汽信息科技(天津)有限公司 | 商用车油耗预测方法、电子设备和存储介质 |
CN116644865B (zh) * | 2023-07-27 | 2023-10-20 | 中汽信息科技(天津)有限公司 | 商用车油耗预测方法、电子设备和存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110849411A (zh) | 车联网服务器、车辆及基于行驶油耗数据的车况评估方法 | |
CN110853179A (zh) | 车联网服务器、车辆及基于行驶数据的车辆油耗提示方法 | |
CN110233768B (zh) | 基于uds的can总线测试系统及can总线测试方法 | |
CN110971567A (zh) | 车辆、云服务器、车机设备、媒介器件及数据整合方法 | |
CN110855558A (zh) | 车联网网关及CANoverTCP/IP协议连接实现方法、ECU及升级方法 | |
CN110956715A (zh) | 行车记录方法、行车记录系统、云端服务器及车辆 | |
CN111275920A (zh) | 车辆、用户通讯终端及碰撞事故检测处理方法 | |
CN111907437A (zh) | 车辆、车机设备及其车辆停放状态门窗控制方法 | |
CN110793537A (zh) | 一种导航路径推荐方法、车机及车辆 | |
CN111200720A (zh) | 车联网平台、车辆远程视频监控方法及系统 | |
CN103369058A (zh) | 一种车辆信息获取方法及装置 | |
CN111311939A (zh) | 车辆、车机设备及其红绿灯信息地图显示方法 | |
CN113194442A (zh) | 一种智慧用车的车联网互动平台 | |
CN110889566A (zh) | 车联网服务器、车辆及车辆配件保养服务推送方法 | |
CN110971745A (zh) | 车辆、车载支架及其手持终端语音控制模式触发方法 | |
CN111311943A (zh) | 车辆、车机设备及其信号灯车速优化方法 | |
CN110871810A (zh) | 车辆、车机设备及其基于驾驶模式的行车信息提示方法 | |
CN210109880U (zh) | 一种基于云计算的车载自动诊断系统 | |
CN111284325B (zh) | 车辆、车机设备及其车辆沿途对象详尽信息显示方法 | |
CN111026475A (zh) | 车辆、车机设备及其基于地图软件的车辆服务处理方法 | |
CN111047292A (zh) | 智能交通工具、智能设备及智能出行提醒方法 | |
CN111044065A (zh) | 车辆、导航终端及基于历史导航数据的导航数据处理方法 | |
CN111660929A (zh) | 车辆、车机设备及其基于环境的驾驶控制提示方法 | |
CN111216663A (zh) | 车辆、车机设备及车载设备智能维护方法 | |
CN110667493B (zh) | 车辆、车机设备及其车辆智能维修保养方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
CB03 | Change of inventor or designer information | ||
CB03 | Change of inventor or designer information |
Inventor after: Ying Zhenkai Inventor before: Ying Yilun |
|
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20200228 |