CN111452794B - 一种确定能耗的方法及装置和确定驾驶策略的方法及装置 - Google Patents

一种确定能耗的方法及装置和确定驾驶策略的方法及装置 Download PDF

Info

Publication number
CN111452794B
CN111452794B CN201910058970.XA CN201910058970A CN111452794B CN 111452794 B CN111452794 B CN 111452794B CN 201910058970 A CN201910058970 A CN 201910058970A CN 111452794 B CN111452794 B CN 111452794B
Authority
CN
China
Prior art keywords
energy consumption
driving
data
parameters
power source
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
CN201910058970.XA
Other languages
English (en)
Other versions
CN111452794A (zh
Inventor
罗文发
胡启中
镇新
孙益民
项娇
安文姿
胡泽
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.)
SAIC Motor Corp Ltd
Original Assignee
SAIC Motor Corp 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 SAIC Motor Corp Ltd filed Critical SAIC Motor Corp Ltd
Priority to CN201910058970.XA priority Critical patent/CN111452794B/zh
Publication of CN111452794A publication Critical patent/CN111452794A/zh
Application granted granted Critical
Publication of CN111452794B publication Critical patent/CN111452794B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W40/00—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models
    • 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)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Automation & Control Theory (AREA)
  • Mathematical Physics (AREA)
  • Transportation (AREA)
  • Mechanical Engineering (AREA)
  • Navigation (AREA)

Abstract

本申请公开了一种确定能耗的方法及装置和确定驾驶策略的方法及装置，不仅考虑天气参数、交通路线参数、驾驶行为参数、车辆工况参数和动力源参数等多个因素对车辆能耗的影响，而且，针对不同能耗影响参数分别查询天气因子图表、整车能耗因子图表和动力源因子图表，获得不同能耗影响参数对应的能耗影响因子，以便综合不同能耗影响因子，获得当前行车环境下车辆能耗。此时，由于根据参数进行图表查询的操作简单且耗时较短，因而，能够快速获得当前行车环境下车辆能耗，以便根据当前行车环境下车辆能耗以及当前车辆的剩余油量(电量)准确确定续驶里程，使得仪表盘显示的续驶里程与实际里程相同，进而避免用户产生里程焦虑。

Description

一种确定能耗的方法及装置和确定驾驶策略的方法及装置
技术领域
本申请涉及车辆技术领域，尤其涉及一种确定能耗的方法及装置和确定驾驶策略的方法及装置。
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续驶里程。当车辆是燃油汽车时，续驶里程是指在最大的燃料储备的情况下车辆可以连续行驶的总里程；当车辆是电动汽车时，续驶里程是指在动力蓄电池充满的情况下车辆可以连续行驶的总里程。
在现有技术中，续驶里程的确定方法是：先根据预设里程内车辆的耗油量(耗电量)确定单位里程内的耗油量(耗电量)，再根据剩余油量(剩余电量)和单位里程内的耗油量(耗电量)，确定车辆还能够行驶的里程。
例如，车辆行驶50千米时，耗电量为50度，此时，可以获得车辆的单位里程内的耗电量为1度/每千米。那么，如果当前车辆的剩余电量200度时，则可以确定该车辆还可以行驶200千米，此时仪表盘上的数据将显示该车辆能够行驶200千米。
但是，如果当车辆行驶至100千米后开始堵车，且堵车期间的耗电量为10度，那么，该车辆的剩余电量实际可以再行驶90千米，并不是仪表盘上显示的100千米，此时，如果用户按照仪表盘上显示的100千米里程安排出行，将导致车辆无法到达目的地，给用户的出行带来了麻烦，易导致用户产生里程焦虑。
有上述分析可知，由于现有的单位里程内的耗油量(耗电量)仅根据预设里程内的耗油量(耗电量)和预设里程的比例关系确定，没有考虑其他因素，因而，导致不同行车环境下车辆能耗估计不准确，进一步导致仪表盘显示的续驶里程与实际里程相差较多，进而导致用户因无法根据仪表盘显示的续驶里程确定车辆的实际里程而产生里程焦虑。
发明内容
为了解决现有技术中存在的以上技术问题，本申请提供一种确定能耗的方法及装置和确定驾驶策略的方法及装置，能够根据实际情况准确地确定不同行车环境下车辆的能耗，使得仪表盘显示的续驶里程与实际里程相同，进而避免了用户因无法根据仪表盘显示的续驶里程确定车辆的实际里程而产生里程焦虑。
为了实现上述目的，本申请提供的技术方案如下：
本申请提供一种确定能耗的方法，包括：
获取能耗影响参数；其中，所述能耗影响参数，包括：天气参数、交通路线参数、驾驶行为参数、车辆工况参数和动力源参数中至少两个；所述动力源参数，包括：电池性能参数和/或燃料性能参数；
根据所述天气参数，利用天气因子图表进行查询，获得第一能耗影响因子；
根据所述交通路线参数、所述驾驶行为参数和所述车辆工况参数，利用整车能耗因子图表进行查询，获得第二能耗影响因子；
根据所述动力源参数，利用动力源因子图表进行查询，获得第三能耗影响因子；
根据所述第一能耗影响因子、所述第二能耗影响因子和所述第三能耗影响因子，得到总能耗。
可选的，所述天气因子图表是利用深度学习算法对天气训练集进行学习获得的天气因子图表；其中，所述天气训练集，包括：历史行车的天气数据及其对应的能耗数据。
可选的，所述整车能耗因子图表是利用所述深度学习算法对整车能耗训练集进行学习获得的整车能耗因子图表；其中，所述整车能耗训练集，包括：所述车辆的历史交通路线数据、历史驾驶行为数据和历史车辆工况数据。
可选的，所述动力源因子图表是利用所述深度学习算法对电池衰减训练集进行学习获得的动力源因子图表；其中，所述动力源训练集，包括：历史行车的动力源数据及其对应的能耗数据。
可选的，所述利用深度学习算法对天气训练集进行学习获得的天气因子图表，包括：
获取所述历史行车的天气数据及其对应的能耗数据；
利用聚类算法对所述历史行车的天气数据进行聚类，得到天气数据聚类结果；
利用所述深度学习算法对所述天气数据聚类结果和历史行车的天气数据对应的能耗数据进行学习，获得天气因子图表。
可选的，所述利用所述深度学习算法对电池衰减训练集进行学习获得的动力源因子图表，包括：
获取所述历史行车的动力源数据及其对应的能耗数据；
利用动力公式对所述历史行车的动力源数据进行处理，得到动力源特征数据；
利用所述深度学习算法对所述动力源特征数据、所述历史行车的动力源数据及其对应的能耗数据进行学习，获得动力源因子图表。
可选的，所述利用所述深度学习算法对整车能耗训练集进行学习获得的整车能耗因子图表，包括：
获取所述车辆的历史交通路线数据、历史驾驶行为数据和历史车辆工况数据；
利用聚类算法对所述历史交通路线数据进行聚类，得到交通路线聚类结果；
利用聚类算法对所述车辆的历史交通路线数据、历史驾驶行为数据、历史车辆工况数据进行训练，得到整车聚类结果；
利用车辆能耗公式对所述整车聚类结果、所述历史车辆工况数据和所述动力源特征数据进行处理，得到整车能耗图表；
利用深度学习算法对所述交通路线聚类结果、所述整车聚类结果和所述整车能耗图表进行学习，得到整车能耗因子图表。
可选的，所述根据所述第一能耗影响因子、所述第二能耗影响因子和所述第三能耗影响因子，得到总能耗，具体为：
根据所述第一能耗影响因子、所述第二能耗影响因子、所述第三能耗影响因子、第一权重、第二权重和第三权重，得到总能耗；其中，第一能耗影响因子与第一权重对应，第二能耗影响因子与第二权重对应，第三能耗影响因子与第三权重对应。
本申请还提供一种确定驾驶策略的方法，包括：
获取驾驶策略的影响参数；其中，所述驾驶策略的影响参数，包括：车辆的出发地以及目的地、预设行车时间、当前天气参数、交通路线参数、用户个性化驾驶行为参数、车辆工况参数和动力源参数中至少两个；所述动力源参数，包括：电池性能参数和/或燃料性能参数；
根据所述车辆的出发地以及目的地、所述预设行车时间和所述交通路线参数，确定行驶路线；将所述行驶路线划分为K段子行驶路线，并获取每段子行驶路线对应的行驶里程和行驶时间；
将第i段子行驶路线对应的行驶里程和行驶时间、当前天气参数、交通路线参数、用户个性化驾驶行为参数、车辆工况参数和动力源参数中至少两个作为能耗影响参数，执行权利要求1-8任一项所述的确定能耗的方法，得到所述第i段子行驶路线对应的总能耗；其中，i≤K，且i为正整数；
将所有子行驶路线对应的总能耗进行加和，得到所述行驶路线对应的理论总能耗；当确定所述理论总能耗超过能耗阈值时，向用户发送选择是否中途增加动力源的指令；其中，所述增加动力源，包括：充电和/或加油；
当用户选择中途增加动力源时，根据动力源增加装置的位置信息，确定驾驶策略；当用户选择中途不增加动力源时，根据所述能耗阈值、每段所述子行驶路线对应的总能耗和所述用户个性化驾驶行为参数，确定驾驶策略。
本申请还提供一种确定能耗的装置，包括：
第一获取单元，用于获取能耗影响参数；其中，所述能耗影响参数，包括：天气参数、交通路线参数、驾驶行为参数、车辆工况参数和动力源参数中至少两个；所述动力源参数，包括：电池性能参数和/或燃料性能参数；
第一查询单元，用于根据所述天气参数，利用天气因子图表进行查询，获得第一能耗影响因子；
第二查询单元，用于根据所述交通路线参数、所述驾驶行为参数和所述车辆工况参数，利用整车能耗因子图表进行查询，获得第二能耗影响因子；
第三查询单元，用于根据所述动力源参数，利用动力源因子图表进行查询，获得第三能耗影响因子；
第二获取单元，用于根据所述第一能耗影响因子、所述第二能耗影响因子和所述第三能耗影响因子，得到总能耗。
可选的，所述天气因子图表是利用深度学习算法对天气训练集进行学习获得的天气因子图表；其中，所述天气训练集，包括：历史行车的天气数据及其对应的能耗数据。
可选的，所述整车能耗因子图表是利用所述深度学习算法对整车能耗训练集进行学习获得的整车能耗因子图表；其中，所述整车能耗训练集，包括：所述车辆的历史交通路线数据、历史驾驶行为数据、历史车辆工况数据及其对应的能耗数据。
可选的，所述动力源因子图表是利用所述深度学习算法对电池衰减训练集进行学习获得的动力源因子图表；其中，所述动力源训练集，包括：历史行车的动力源数据及其对应的能耗数据。
可选的，所述利用深度学习算法对天气训练集进行学习获得的天气因子图表，包括：
获取所述历史行车的天气数据及其对应的能耗数据；
利用聚类算法对所述历史行车的天气数据及其对应的能耗数据进行聚类，得到天气数据聚类结果；
利用所述深度学习算法对所述天气数据聚类结果进行学习，获得天气因子图表。
可选的，所述利用所述深度学习算法对电池衰减训练集进行学习获得的动力源因子图表，包括：
获取所述历史行车的动力源数据及其对应的能耗数据；
利用动力公式对所述历史行车的动力源数据及其对应的能耗数据进行处理，得到动力源特征数据；
利用所述深度学习算法对所述动力源特征数据进行学习，获得动力源因子图表。
可选的，所述利用所述深度学习算法对整车能耗训练集进行学习获得的整车能耗因子图表，包括：
获取所述车辆的历史交通路线数据、历史驾驶行为数据、历史车辆工况数据及其对应的能耗数据；
利用聚类算法对所述历史交通路线数据及其对应的能耗数据进行聚类，得到交通路线聚类结果；
利用聚类算法对所述车辆的历史交通路线数据、历史驾驶行为数据、历史车辆工况数据及其对应的能耗数据进行训练，得到整车能耗聚类结果；
利用车辆能耗公式对所述整车能耗聚类结果、所述历史车辆工况数据和所述动力源特征数据进行处理，得到车辆驾驶综合图表；
利用深度学习算法对所述交通路线聚类结果、所述整车能耗聚类结果和所述车辆驾驶综合图表进行学习，得到整车能耗因子图表。
可选的，所述第二获取单元，具体为：
根据所述第一能耗影响因子、所述第二能耗影响因子、所述第三能耗影响因子、第一权重、第二权重和第三权重，得到总能耗；其中，第一能耗影响因子与第一权重对应，第二能耗影响因子与第二权重对应，第三能耗影响因子与第三权重对应。
本申请还提供一种确定驾驶策略的装置，包括：
第三获取单元，用于获取驾驶策略的影响参数；其中，所述驾驶策略的影响参数，包括：车辆的出发地以及目的地、预设行车时间、当前天气参数、交通路线参数、用户个性化驾驶行为参数、车辆工况参数和动力源参数中至少两个；所述动力源参数，包括：电池性能参数和/或燃料性能参数；
划分单元，用于根据所述车辆的出发地以及目的地、所述预设行车时间和所述交通路线参数，确定行驶路线；将所述行驶路线划分为K段子行驶路线，并获取每段子行驶路线对应的行驶里程和行驶时间；
第四获取单元，用于将第i段子行驶路线对应的行驶里程和行驶时间、当前天气参数、交通路线参数、用户个性化驾驶行为参数、车辆工况参数和动力源参数中至少两个作为能耗影响参数，执行上述提供的任一项所述的确定能耗的方法，得到所述第i段子行驶路线对应的总能耗；其中，i≤K，且i为正整数；
第五获取单元，用于将所有子行驶路线对应的总能耗进行加和，得到所述行驶路线对应的理论总能耗；当确定所述理论总能耗超过所述能耗阈值时，向用户发送选择是否中途增加动力源的指令；其中，所述增加动力源，包括：充电和/或加油；
确定单元，用于当用户选择中途增加动力源时，根据动力源增加装置的位置信息，确定驾驶策略；当用户选择中途不增加动力源时，根据所述能耗阈值和每段所述子行驶路线对应的总能耗，确定驾驶策略。
与现有技术相比，本申请至少具有以下优点：
本申请提供的确定能耗的方法，通过同时考虑天气参数、交通路线参数、驾驶行为参数、车辆工况参数和动力源参数等参数中至少两个参数对车辆能耗的影响，确定当前车辆的总能耗，以便能够根据实际情况准确地确定不同行车环境下车辆的能耗，使得仪表盘显示的续驶里程与实际里程相同，进而避免了用户因无法根据仪表盘显示的续驶里程确定车辆的实际里程而产生里程焦虑。而且，该方法还通过根据不同的能耗影响参数分别查询天气因子图表、整车能耗因子图表和动力源因子图表，获得不同能耗影响参数对应的能耗影响因子，以便综合不同能耗影响参数对应的能耗影响因子，获得当前行车环境下车辆能耗。此时，由于根据参数进行查图表查询的操作简单且耗时较短，因而，能够快速的获得当前行车环境下车辆能耗的情况，以便根据当前行车环境下车辆能耗以及当前车辆的剩余油量(电量)准确的确定续驶里程，以便能够根据实际情况准确地确定不同行车环境下车辆的能耗，使得仪表盘显示的续驶里程与实际里程相同，进而避免了用户因无法根据仪表盘显示的续驶里程确定车辆的实际里程而产生里程焦虑。
另外，本申请还提供了一种确定驾驶策略的方法，在该方法中，通过根据用户的出发地、目的地、预设行车时间以及交通路线参数，确定行驶路线；并将用户的行驶路线划分为多段子行驶路线，以便根据用户的个性化驾驶行为参数、当前天气参数、车辆工况参数以及动力源参数，确定每段子行驶路线对应的总能耗；再根据所有的子行驶路线对应的总能耗，确定该车辆此次出行所需的理论总能耗，以便当理论总能耗超过能耗阈值时，根据用户的选择确定相应的驾驶策略。在该方法中，由于每段子行驶路线对应的总能耗是根据用户的个性化驾驶行为参数、当前天气参数、车辆工况参数以及动力源参数确定的，因而每段子行驶路线对应的总能耗更接近每段子行驶路线对应的实际能耗，从而提高了每段子行驶路线对应的总能耗准确性，进而提高了该车辆此次出行所需的理论总能耗准确性，并提高了根据该理论总能耗确定的行驶策略的可靠性。另外，由于每段子行驶路线对应的总能耗是通过图表查询获得的，因而，能够快速的根据图表获得每段子行驶路线对应的总能耗，提高了获取每段子行驶路线对应的总能耗的效率，进而提高了获取该车辆此次出行所需的理论总能耗效率，能够提高了获取行驶策略的效率。
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为本申请实施例提供的确定能耗的方法的一种实施方式的流程图；
图2为本申请实施例提供的建立天气因子图表的方法流程图；
图3为本申请实施例提供的建立动力源因子图表的方法流程图；
图4为本申请实施例提供的建立整车能耗因子图表的方法流程图；
图5a为本申请实施例提供的确定能耗的方法的另一种实施方式的流程图；
图5b为本申请实施例提供的云端与车辆通信的结构示意图；
图6为本申请实施例提供的确定驾驶策略的方法流程图；
图7为本申请实施例提供的S603的一种实施方式；
图8为本申请实施例提供的S609的一种实施方式的流程图；
图9为本申请实施例提供的S6091的一种实施方式的流程图；
图10为本申请实施例提供的S610的一种实施方式的流程图；
图11为本申请实施例提供的确定能耗的装置的结构示意图；
图12为本申请实施例提供的确定驾驶策略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，该图为本申请实施例提供的确定能耗的方法的一种实施方式的流程图。
本申请提供的确定能耗的方法，包括：
S101：获取能耗影响参数；其中，所述能耗影响参数，包括：天气参数、交通路线参数、驾驶行为参数、车辆工况参数和动力源参数中至少两个；所述动力源参数，包括：电池性能参数和/或燃料性能参数。
天气参数可以包括：天气状况参数及其对应的时间参数和温度参数及其对应的时间参数。
作为一示例，天气状况参数可以包括：晴天参数、雨天参数、雪天参数、雾天参数或阴天参数。
天气参数可以通过天气参数采集单元获取，例如，温度参数可以通过温度参数传感器。
交通路线参数可以通过路线获取装置获取，例如，车载地图或手机地图。交通路线参数可以包括当前交通路线的相关参数和历史交通路线的相关参数中至少一个。而且，交通路线参数包括：交通状况、经纬度路线和路段类别中至少一个。其中，交通状况包括：交通路线是否拥堵、交通路线是否可用和交通路线是否发生事故等至少一个；路段类别包括：高速路段、高架桥路段、公路路段等。
作为一种实施方式，交通状况可以通过车流量参数、车辆密度参数和车辆平均速度参数中的至少一个确定。
驾驶行为参数是指用户驾驶车辆的行为。驾驶行为参数可以包括当前驾驶行为相关参数和历史驾驶行为相关参数中的至少一个。而且，驾驶行为参数可以包括：驾驶模式参数、档位参数、加速/减速板参数、车载空调使用参数和车载音乐使用参数中的至少一个。
其中，车载空调使用参数可以包括：车载空调设置的温度参数、车子空调设置的风力参数以及车载空调设置的模式参数中的至少一个。
车辆工况参数可以包括当前车辆工况参数和历史车辆工况参数中的至少一个。而且，车辆工况参数可以包括：行车总里程的相关参数、电池组的相关参数和电机的相关参数。
其中，作为一种实施方式，行车总里程的相关参数可以包括：行驶里程、行驶时间和车辆速度中至少一个；电池组的相关参数可以包括：电流和电压；电机的相关参数可以包括：扭矩、转速和功率中的至少一个。
动力源参数可以包括：电池性能参数和燃料性能参数中的至少一个。
电池性能参数可以包括：电流参数、电压参数和荷电状态中的至少一个。其中，由于电池的最大可充电量会随着时间发生衰减，因而，可以通过电池的荷电状态确定电池的实际电量。
燃料性能参数可以包括：燃料相关参数和燃烧效率的相关参数中的至少一个。
需要说明的是，当前的能耗影响参数可以通过相应的参数获取装置获取，历史的能耗影响参数可以从车辆的存储空间或者车联网对应的云端中获取。而且，如果本申请仅根据当前的能耗影响参数，能够实时的获取车辆在不同行车环境下的能耗状态；如果本申请根据当前的能耗影响参数和历史的能耗影响参数，能够对车辆将来的行驶路线进行预测，以便根据该预测制定相应的行驶策略。
S102：根据所述天气参数，利用天气因子图表进行查询，获得第一能耗影响因子。
天气因子图表记录了不同的天气参数对车辆的能耗产生的影响。因而，天气因子图表包括：天气参数与能耗影响因子的映射关系。
而且，天气因子图表可以预先存储在车辆内的存储空间，也可以预先存储在车联网对应的云端上，还可以预先存储在车辆内的存储空间和车联网对应的云端上。
天气因子图表的使用方法可以是：根据天气参数，在天气因子图表中进行查询，以便找到该天气参数对应的能耗影响因子。
S103：根据所述交通路线参数、所述驾驶行为参数和所述车辆工况参数，利用整车能耗因子图表进行查询，获得第二能耗影响因子。
整车能耗因子图表记录了不同的整车参数对车辆的能耗产生的影响，而且，整车能耗因子图表包括：整车参数与能耗影响因子的映射关系。其中，整车参数可以包括所述交通路线参数、所述驾驶行为参数和所述车辆工况参数中的至少一个。
而且，整车能耗因子图表可以预先存储在车辆内的存储空间，也可以预先存储在车联网对应的云端上，还可以预先存储在车辆内的存储空间和车联网对应的云端上。
整车能耗因子图表的使用方法可以是：根据整车参数，在整车能耗因子图表中进行查询，以便找到该整车参数对应的能耗影响因子。
S104：根据所述动力源参数，利用动力源因子图表进行查询，获得第三能耗影响因子。
动力源因子图表记录了不同的动力源参数对车辆的能耗产生的影响。因而，动力源因子图表包括：动力源参数与能耗影响因子的映射关系。
而且，动力源因子图表可以预先存储在车辆内的存储空间，也可以预先存储在车联网对应的云端上，还可以预先存储在车辆内的存储空间和车联网对应的云端上。
动力源因子图表的使用方法可以是：根据动力源参数，在动力源因子图表中进行查询，以便找到该动力源参数对应的能耗影响因子。
需要说明的是，S102、S103和S104没有固定的执行顺序，可以依次执行S102、S103和S104；也可以依次执行S102、S104和S103；还可以依次执行S103、S102和S104；也可以按照其他的执行顺序执行，本申请对此不做具体限定。
S105：根据所述第一能耗影响因子、所述第二能耗影响因子和所述第三能耗影响因子，得到总能耗。
作为一种实施方式，S105具体可以为：将第一能耗影响因子、第二能耗影响因子和第三能耗影响因子进行加和，得到总能耗。
作为另一种实施方式，为了进一步提高总能耗的准确率，使得总能耗更接近于实际车辆的能耗，S105还可以为：根据所述第一能耗影响因子、所述第二能耗影响因子、所述第三能耗影响因子、第一权重、第二权重和第三权重，得到总能耗；其中，第一能耗影响因子与第一权重对应，第二能耗影响因子与第二权重对应，第三能耗影响因子与第三权重对应。
其中，第一权重可以预先设定，也可以根据当前的天气参数确定；第二权重可以预先设定，也可以根据当前整车参数确定；第三权重可以预先设定，也可以根据当前的动力源参数确定。
本申请提供的确定能耗的方法，通过同时考虑天气参数、交通路线参数、驾驶行为参数、车辆工况参数和动力源参数等参数中至少两个参数对车辆能耗的影响，确定当前车辆的总能耗，以便能够根据实际情况准确地确定不同行车环境下车辆的能耗，使得仪表盘显示的续驶里程与实际里程相同，进而避免了用户因无法根据仪表盘显示的续驶里程确定车辆的实际里程而产生里程焦虑。而且，该方法还通过根据不同的能耗影响参数分别查询天气因子图表、整车能耗因子图表和动力源因子图表，获得不同能耗影响参数对应的能耗影响因子，以便综合不同能耗影响参数对应的能耗影响因子，获得当前行车环境下车辆能耗。此时，由于根据参数进行查图表查询的操作简单且耗时较短，因而，能够快速的获得当前行车环境下车辆能耗的情况，以便根据当前行车环境下车辆能耗以及当前车辆的剩余油量(电量)准确的确定续驶里程，以便能够根据实际情况准确地确定不同行车环境下车辆的能耗，使得仪表盘显示的续驶里程与实际里程相同，进而避免了用户因无法根据仪表盘显示的续驶里程确定车辆的实际里程而产生里程焦虑。
为了进一步提高通过查询图表获取车辆能耗的准确性，本申请可以通过深度学习对不同行车环境下的行车数据进行学习，进而建立对天气因子图表、整车能耗因子图和动力源因子图表。下面将在方法实施例二中进行解释和说明。
方法实施例二：
在本申请实施例中，天气因子图表、动力源因子图表和整车能耗因子图表均可以利用深度学习获得。
下面将依次介绍天气因子图表、动力源因子图表和整车能耗因子图表的建立方法。
本申请实施例提供的天气因子图表可以利用深度学习算法对天气训练集进行学习获得。其中，所述天气训练集，包括：历史行车的天气数据及其对应的能耗数据。下面将结合图2进行解释和说明。
参见图2，该图为本申请实施例提供的建立天气因子图表的方法流程图。
本申请提供的建立天气因子图表的方法，包括：
S201：获取所述历史行车的天气数据及其对应的能耗数据。
天气数据可以包括时间参数、天气状况和温度值等至少一个参数。
历史行车的天气数据及其对应的能耗数据可以预先存储在车联网对应的云端上，也可以存储在其他存储空间中。
作为一种实施方式，S201具体可以为：从车联网对应的云端上获取历史行车的天气数据及其对应的能耗数据。
S202：利用聚类算法对所述历史行车的天气数据进行聚类，得到天气数据聚类结果。
聚类算法是通过不同对象之间的相似性进行分类的算法，可以将相似性较高的对象划分为同一类，将相似性较低的对象划分为不同类。
聚类算法可以包括划分法、层次法、密度算法、图论聚类算法、网格算法和模型算法中的至少一种算法，还可以包括其他的聚类算法，本申请对此不做具体限定。
作为一种实施方式，天气数据可以按照第一预设特征进行聚类，得到天气数据聚类结果。其中，第一预设特征可以预先设定，也可以根据天气数据确定。
作为一示例，当第一预设特征为天气状况，且天气状况参数包括：晴天参数、雨天参数、雪天参数、雾天参数和阴天参数时，则天气聚类结果是根据天气状况确定的，此时，在天气数据聚类结果中，具有晴天特征的天气数据属于一类、具有雨天特征的天气数据属于一类、具有雪天特征的数据属于一类、具有雾天特征的天气数据属于一类和具有阴天特征的天气数据属于一类。
作为另一种实施方式，天气数据聚类结果还可以按照天气数据随着时间的变化趋势进行聚类，此时，天气数据聚类结果包括：温度随着时间的变化趋势和天气状况随着时间的变化趋势中的至少一个。
而且，天气数据聚类结果可以利用表格表示温度随着时间的变化趋势和天气状况随着时间的变化趋势；还可以利用曲线图表示温度随着时间的变化趋势和天气状况随着时间的变化趋势。
作为一种实施方式，S202具体可以为：利用划分法对历史行车的天气数据及其对应的能耗数据进行聚类，得到以曲线图表示的天气数据聚类结果。
由于获取的历史行车的天气数据比较杂乱，使得利用深度学习算法从该杂乱的天气数据中获取天气因子图表的过程较长，且准确率较低。而且，由于天气数据随着时间呈周期性变化，因而，可以利用聚类算法对获取的历史行车的天气数据进行整理，使得相似度较高的天气数据划分为同一类，相似性较低的天气数据划分为不同类，以便于后续深度学习算法根据聚类后的天气数据进行学习，提高了天气因子图表建立的效率，也提高了天气因子图表的准确率。
需要说明的是，天气数据聚类结果可以基于季度获取，也可以基于月份获取，也可以基于周次获取，还可以基于天数获取，还可以基于小时数获取，本申请对此不做具体限定。
S203：利用所述深度学习算法对所述天气数据聚类结果和历史行车的天气数据对应的能耗数据进行学习，获得天气因子图表。
由于在天气数据聚类结果中，具有相似度高的历史行车的天气数据属于同一类，因而，可以根据同一类中不同的历史行车的天气数据及其对应的能耗数据，获得该类天气数据对应的能耗的影响因子，并将该影响因子作为属于该类的所有天气数据对应的能耗数据。
例如，利用深度学习算法可以根据1月份对应的历史行车的天气数据对应的能耗数据，确定1月份对应的天气数据对能耗的影响因子，以便确定所有属于1月份的天气数据对应的能耗数据。
本申请实施例提供的建立天气因子图表的方法，先通过聚类算法对获取的历史行车的天气数据进行整理，以便将相似性较高的天气数据划分为同一类，相似性较低的天气数据划分为不同类，使得聚类后的天气数据呈周期性表示。此时，当利用深度学习算法对聚类后的天气数据进行学习时，能够快速准确的学习到天气数据与能耗的映射关系，从而提高了建立天气因子图表的效率，也提高了天气因子图表的准确性，从而进一步提高了根据天气数据确定能耗的准确性。
以上是建立天气因子图表的具体实施方式。在该实施方式中，天气因子图表是利用深度学习算法对天气训练集进行学习获得的。
另外，本申请提供的动力源图表也可以利用所述深度学习算法对电池衰减训练集进行学习获得。其中，所述动力源训练集，包括：历史行车的动力源数据及其对应的能耗数据。下面将结合图3进行解释和说明。
参见图3，该图为本申请实施例提供的建立动力源因子图表的方法流程图。
本申请实施例提供的建立动力源因子图表的方法，包括：
S301：获取所述历史行车的动力源数据及其对应的能耗数据。
动力源数据可以包括电池性能参数，也可以包括燃料性能参数，还可以包括电池性能参数和燃料性能参数。
作为一种实施方式，当动力源数据包括电池性能参数时，S201具体可以为：获取历史行车的电池性能参数及其对应的能耗数据；其中，电池性能参数可以包括：电流、电压和荷电状态。
作为另一种实施方式，当动力源数据包括燃料性能参数时，S201具体可以为：获取历史行车的燃料性能参数及其对应的能耗数据；其中，燃料性能参数可以包括：燃料和燃烧效率。
作为又一种实施方式，当动力源数据包括电池性能参数和燃料性能参数，则S301可以具体为：获取历史行车的电池性能参数和燃料性能参数及其对应的能耗数据。
S302：利用动力公式对所述历史行车的动力源数据进行处理，得到动力源特征数据。
动力公式是指荷电状态(state of charge，SOC)、输出功率、电流、电压和放电容量之间的计算公式。
作为一示例：第i时段的输出功率Pi可以根据第i时段的电压Vi和第i时段的电流Ii确定，具体为：Pi＝Vi*Ii。
第i时段的放电容量Wi可以根据额定输出功We、第i时段的始末荷电状态值SOCi和SOCi-1，具体为：Wi＝We*(SOCi-SOCi-1)。
由于动力源数据包括的参数较多，而且，不同的参数之间是具有关系的。如果仅利用深度学习对较多的参数进行学习，而不对不同参数之间的关系进行学习，将导致动力源因子图表的准确率较低，也将导致建立动力源因子图表的速度较低。因而，为了提高动力源因子的准确率以及建立效率，本申请需要先利用动力公式，获取不同参数之间的关系，以便后续利用深度学习算法快速准确的获得动力源因子图表。
S303：利用所述深度学习算法对所述动力源特征数据、所述历史行车的动力源数据及其对应的能耗数据进行学习，获得动力源因子图表。
由于动力源特征数据能够准确的表示不同动力源参数之间的关系，因而，深度学习算法能够基于该动力源特征参数，准确快速的确定不同的动力源数据与能耗的对应关系，进而能够准确快速的获取动力源因子图表。
本申请实施例提供的建立动力源因子图表的方法，先通过动力公式获取了不同动力源参数之间的关系，然后，利用深度学习算法基于不同动力源参数之间的关系、历史行车的动力源数据及其对应的能耗数据进行学习，从而准确快速的获得同的动力源数据与能耗的对应关系，进而能够准确快速的获取动力源因子图表。如此，提高了动力源因子图表的准确率以及建立效率。
以上实施例提供的建立动力源因子图表的实施方式，在该实施方式中，动力源因子图表可以利用所述深度学习算法对电池衰减训练集进行学习获得。另外，本申请提供的整车能耗因子图表也可以利用所述深度学习算法获得。
本申请实施例提供的整车能耗因子图表可以利用所述深度学习算法对整车能耗训练集进行学习获得；其中，所述整车能耗训练集，包括：所述车辆的历史交通路线数据、历史驾驶行为数据、历史车辆工况数据及其对应的能耗数据。下面将结合图4进行解释和说明。
参见图4，该图为本申请实施例提供的建立整车能耗因子图表的方法流程图。
本申请实施例提供的建立整车能耗因子图表的方法，包括：
S401：获取所述车辆的历史交通路线数据、历史驾驶行为数据和历史车辆工况数据。
历史交通路线数据、历史驾驶行为数据和历史车辆工况数据均可以预先存储在车联网对应的云端上，也可以存储在其他存储空间内。
作为一种实施方式，S401具体可以为：从车联网对应的云端上获取所述车辆的历史交通路线数据、历史驾驶行为数据和历史车辆工况数据。
S402：利用聚类算法对所述历史交通路线数据进行聚类，得到交通路线聚类结果。
作为一种实施方式，S402具体可以为：按照第二预设特征利用聚类算法对所述历史交通路线数据进行聚类，得到交通路线聚类结果。
其中，第二预设特征可以预先设定，也可以根据历史交通路线数据确定。
作为一示例，当第二预设特征为路段类别，且路段类别包括：高速路段、高架桥路段和公路路段时，S402具体可以为：按照路段类别利用聚类算法对所述历史交通路线数据进行聚类，得到交通路线聚类结果。其中，在交通路线聚类结果中，具有高速路段特征的交通路线数据属于一类、具有高架桥路段特征的交通路线数据属于一类和具有公路路段特征的交通路线数据属于一类。
另外，由于从出发地到目的地可以包括多条交通路线，而且，同一条交通路线在不同时间点具有不同的交通状况，导致历史交通路线数据较多且比较杂乱。而且，还由于交通路线的交通状况随着时间呈周期性变化，例如，在每个星期中，周一早晨的交通呈拥堵状态，周五下午的交通呈拥堵状态，其他时间交通状态基本相同。
因而，为了能够更准确的获取历史交通路线对车辆的整车能耗的影响，需要先通过聚类算法获取历史交通路线的随着时间的变化趋势。
作为另一种实施方式，S402具体可以为：按照时间周期利用聚类算法对所述历史交通路线数据进行聚类，得到交通路线聚类结果。
需要说明的是，时间周期可以按照季度周期，也可以是月份周期，也可以是周次周期，也可以是天数周期，本申请对此不做具体限定。
S403：利用聚类算法对所述车辆的历史交通路线数据、历史驾驶行为数据、历史车辆工况数据进行训练，得到整车聚类结果。
由于车辆的行驶里程数据、行驶时间数据、交通路线数据、驾驶行为数据和车辆工况数据之间具有耦合关系，而且，该耦合关系将影响车辆的整车能耗，因而，为了进一步提高整车能耗因子图表的准确性，本申请需要通过聚类算法对车辆的历史交通路线数据、历史驾驶行为数据、历史车辆工况数据进行训练，以便得到车辆的行驶里程数据、行驶时间数据、交通路线数据、驾驶行为数据和车辆工况数据之间的耦合关系。
S404：利用车辆能耗公式对所述整车聚类结果、所述历史车辆工况数据和所述动力源特征数据进行处理，得到整车能耗图表。
能耗公式是指机电功率、扭矩、转速、预设时间段内工况情况下的能耗、时间、预设时间段内空调开放情况下的能耗之间的计算公式。
作为一种实施方式，能耗公式可以为：机电功率可以根据扭矩和转速确定；第i时段内工况情况下的能耗可以根据功率和时间确定；第i时段内空调开放情况下的能耗可以根据功能和时间确定。
整车能耗图表是指驱动电机的功率、转速、扭矩和车速之间的综合图表。因而，当获得车辆相关参数之后，可以通过查询整车能耗图表，获得该车辆相关参数对应的能耗。
S405：利用深度学习算法对所述交通路线聚类结果、所述整车聚类结果和所述整车能耗图表进行学习，得到整车能耗因子图表。
由于交通路线聚类结果能够表示交通路线随着时间的变化趋势，整车聚类结果能够表示车辆的行驶里程数据、行驶时间数据、交通路线数据、驾驶行为数据和车辆工况数据之间的耦合关系，而且，整车能耗能够表示车辆在不同参数下对应的能耗，因而，利用深度学习算法对交通路线聚类结果、所述整车聚类结果和所述整车能耗图表进行学习，能够准确而快速的获得整车能耗因子图表。
本申请实施例提供了通过深度学习算法分别建立天气因子图表、整车能耗因子图表和动力源因子图表的过程，能够快速而准确的学习到不同的参数对能耗的影响因子，进而能够综合不同参数对能耗的影响因子，准确而快速的确定车辆在不同行车环境下的能耗，能够根据实际情况准确地确定不同行车环境下车辆的能耗，使得仪表盘显示的续驶里程与实际里程相同，进而避免了用户因无法根据仪表盘显示的续驶里程确定车辆的实际里程而产生里程焦虑。
根据上述实施例提供的建立天气因子图表的方法、建立整车能耗因子图表的方法和建立动力源因子图表的方法，为了进一步提高确定车辆在不同行车环境下的能耗的准确性，本申请还可以将每次行车数据上传至车联网对应的云端上，使得云端根据接收到的行车数据利用建立天气因子图表的方法、建立整车能耗因子图表的方法和建立动力源因子图表的方法，更新天气因子图表、整车能耗因子图表和动力源因子图表，以便利用更新后的天气因子图表、整车能耗因子图表和动力源因子图表确定能耗。
方法实施例三：
结合图5a和图5b，对本申请实施例提供的确定能耗的方法的另一种实施方式进行说明。其中，图5a本申请实施例提供的确定能耗的方法的另一种实施方式的流程图；图5b为本申请实施例提供的云端与车辆通信的结构示意图。
本申请实施例提供的确定能耗的方法，包括：
S501：当车联网对应的云端生成天气因子图表、整车能耗因子图表和动力源因子图表之后，接收云端发送的天气因子图表、整车能耗因子图表和动力源因子图表。
作为一示例：如图5b所示，云端将生成的天气因子图表、整车能耗因子图表和动力源因子图表，以便车辆接收并保存天气因子图表、整车能耗因子图表和动力源因子图表。
S502：获取能耗影响参数；其中，所述能耗影响参数，包括：天气参数、交通路线参数、驾驶行为参数、车辆工况参数和动力源参数中至少两个；所述动力源参数，包括：电池性能参数和/或燃料性能参数。
S503：根据所述天气参数，利用天气因子图表进行查询，获得第一能耗影响因子。
S504：根据所述交通路线参数、所述驾驶行为参数和所述车辆工况参数，利用整车能耗因子图表进行查询，获得第二能耗影响因子。
S505：根据所述动力源参数，利用动力源因子图表进行查询，获得第三能耗影响因子。
S506：根据所述第一能耗影响因子、所述第二能耗影响因子和所述第三能耗影响因子，得到总能耗。
作为一示例，如图5b所示，S506具体可以为：当利用天气因子图表得到第一能耗影响数据、利用整车能耗因子图表得到第二能耗影响数据以及利用动力源因子图表得到第三能耗因子数据时，根据第一能耗影响因子及其对应的权重、第二能耗影响因子及其对应的权重和第三能耗影响因子及其对应的权重，得到总能耗。
S507：当车辆完成行驶之后，将所述能耗影响参数以及车辆行驶过程中因不同能耗影响参数产生的能耗发送至云端，以便云端根据接收的数据利用建立天气因子图表的方法、建立整车能耗因子图表的方法和建立动力源因子图表的方法，更新天气因子图表、整车能耗因子图表和动力源因子图表。
作为一示例，如图5b，S507具体可以为：当云端接收到车辆发送的数据后，可以按照图5b所示的获取天气因子图表、整车能耗因子图表和动力源因子图表的流程，获取并更新天气因子图表、整车能耗因子图表和动力源因子图表，以便将更新后的天气因子图表、整车能耗因子图表和动力源因子图表均发送给车辆，使得车辆能够根据更新后的天气因子图表、整车能耗因子图表和动力源因子图表确定能耗。
作为一种实施方式，为了进一步提高确定能耗的效率，当云端确定接收的数据不会对天气因子图表、整车能耗因子图表和动力源因子图表造成影响时，云端将不会更新天气因子图表、整车能耗因子图表和动力源因子图表，也不会向车辆发送天气因子图表、整车能耗因子图表和动力源因子图表，此时，车辆将根据自身存储的天气因子图表、整车能耗因子图表和动力源因子图表确定能耗。
本申请实施例提供的确定能耗的方法，云端通过根据每次车辆完成行驶之后发送的能耗影响参数以及车辆行驶过程中因不同能耗影响参数产生的能耗，更新天气因子图表、整车能耗因子图表和动力源因子图表，以便车辆下次行驶时能够根据更新后的天气因子图表、整车能耗因子图表和动力源因子图表确定能耗，从而提高了天气因子图表、整车能耗因子图表和动力源因子图表的实时性和准确性，以便车辆能够根据实际情况准确地确定不同行车环境下车辆的能耗，使得仪表盘显示的续驶里程与实际里程相同，进而避免了用户因无法根据仪表盘显示的续驶里程确定车辆的实际里程而产生里程焦虑。
基于上述实施例提供的一种确定能耗的方法，本申请还提供了一种确定驾驶策略的方法，下面将结合附图进行解释和说明。
方法实施例四
参见图6，该图为本申请实施例提供的确定驾驶策略的方法流程图。
本申请实施例提供的确定驾驶策略的方法，包括：
S601：获取驾驶策略的影响参数；其中，所述驾驶策略的影响参数，包括：车辆的出发地以及目的地、预设行车时间、当前天气参数、交通路线参数、用户个性化驾驶行为参数、车辆工况参数和动力源参数中至少两个；所述动力源参数，包括：电池性能参数和/或燃料性能参数。
车辆的出发地以及目的地和预设行车时间是由用户根据其实际需求确定的。例如，用户需要花费2个小时从北京到天津，此时，出发地为北京、目的地为天津和预设行车时间为2个小时。
当前天气参数是根据车辆上的测温装置获取的。
用户个性化驾驶行为参数是根据用户的历史驾驶行为参数确定的，而且，用户个性化驾驶行为参数可以预先存储在车辆上的存储空间内，也可以预先存储在车联网对应的云端上。
S602：根据所述车辆的出发地以及目的地、所述预设行车时间和所述交通路线参数，确定行驶路线；将所述行驶路线划分为K段子行驶路线，并获取每段子行驶路线对应的行驶里程和行驶时间。
由于从出发地到目的地的交通路线较多，此时，为了保证用户能够顺利且按时的到达目的地，可以结合交通路线参数和预设行车时间，确定最优的行驶路线。
由于行驶路线的交通路线数据不是一成不变的，而且，不同的交通路线数据对应不同的驾驶行为，进而对应不同的能耗。例如，行驶路线的一段拥堵，另一段畅通，而且，拥堵的交通路线和畅通的交通路线均对应了不同的驾驶行为以及能耗。因而，为了提高预测车辆理论总能耗的准确性，需要将行驶路线划分为K段子行驶路线，并获取每段子行驶路线对应的行驶里程和行驶时间。
作为一种实施方式，为了进一步提高预测车辆理论总能耗的准确性，本申请可以根据交通路线参数，将所述行驶路线划分为K段子行驶路线，并获取每段子行驶路线对应的行驶里程和行驶时间。
此时，由于该实施方式中，行驶路线是通过根据交通路线参数进行划分的，使得每段子行驶路线中的交通路线参数相同或相似，因而，每段子行驶路线使用相同的交通路线参数进行图表查询时，获得的能耗影响因子更接近实际的能耗影响因子，进而进一步提高预测车辆理论总能耗的准确性，以便根据准确的理论总能耗确定准确的行驶策略。
S603：将第i段子行驶路线对应的行驶里程和行驶时间、当前天气参数、交通路线参数、用户个性化驾驶行为参数、车辆工况参数和动力源参数中至少两个作为能耗影响参数，执行上述实施例提供任一种确定能耗的方法，得到所述第i段子行驶路线对应的总能耗；其中，i≤K，且i为正整数。
S603可以按照预设顺序获得所有子行驶路线对应的总能耗，其中，预设顺序可以预先设定，也可以根据实际应用场景设定，本申请对此不做具体限定。
为了便于解释和说明，下面将以按照子行驶路线的排列顺序依次获得所有子行驶路线对应的总能耗。
参见图7，该图为本申请实施例提供的S603的一种实施方式。
作为一种实施方式，S603可以具体为：
S6031：根据第1段子行驶路线对应的行驶里程和行驶时间、当前天气参数、第1段对应的交通路线参数、第1段对应的用户个性化驾驶行为参数、车辆工况参数和动力源参数中至少两个作为能耗影响参数，利用确定能耗的方法，得到所述第1段子行驶路线对应的总能耗。
S6032：根据第2段子行驶路线对应的行驶里程和行驶时间、当前天气参数、第2段对应的交通路线参数、第2段对应的用户个性化驾驶行为参数、车辆工况参数和动力源参数中至少两个作为能耗影响参数，利用确定能耗的方法，得到所述第2段子行驶路线对应的总能耗。
S6033：根据第3段子行驶路线对应的行驶里程和行驶时间、当前天气参数、第3段对应的交通路线参数、第3段对应的用户个性化驾驶行为参数、车辆工况参数和动力源参数中至少两个作为能耗影响参数，利用确定能耗的方法，得到所述第3段子行驶路线对应的总能耗。
依次根据第i段子行驶路线对应的行驶里程和行驶时间、当前天气参数、第i段子行驶路线对应的交通路线参数、第i段子行驶路线对应的用户个性化驾驶行为参数、车辆工况参数和动力源参数中至少两个作为能耗影响参数，执行上述实施例提供任一种确定能耗的方法，得到所述第i段子行驶路线对应的总能耗；其中，i≤K，且i为正整数，直到得到所有子行驶路线对应的总能耗。
S6034：根据第K段子行驶路线对应的行驶里程和行驶时间、当前天气参数、第K段对应的交通路线参数、第K段对应的用户个性化驾驶行为参数、车辆工况参数和动力源参数中至少两个作为能耗影响参数，利用确定能耗的方法，得到所述第K段子行驶路线对应的总能耗。
需要说明的是，在S603中使用的确定能耗的方法可以采用以上实施例提供的任一种实施方式，本申请对此不做具体限定。
S604：将所有子行驶路线对应的总能耗进行加和，得到所述行驶路线对应的理论总能耗。
S605：判断所述理论总能耗是否超过能耗阈值。若是，则执行S606；若否，则执行S612。
能耗阈值表示车辆的动力源能够为车辆出行提供的最高能耗。而且，能耗阈值可以预先设定，也可以根据当前动力源参数进行确定。
如果理论总能耗超过能耗阈值时，则表示理论总能耗超过了车辆的动力源能够为车辆出行提供的最高能耗，此时，需要采取减少车辆的实际能耗或者中途添加动力源进行解决；如果理论总能耗不超过能耗阈值时，则表示理论总能耗不超过车辆的动力源能够为车辆出行提供的最高能耗，用户可以按照自身的习惯的驾驶行为进行驾驶。
S606：向用户发送选择是否中途增加动力源的指令，以便用户根据所述指令进行选择。
S607：接收用户反馈的选择信息。
S608：根据用户反馈的选择信息，判断用户是否选择中途增加动力源。若是，则执行S609；若否，则执行S610。
S609：根据动力源增加装置的位置信息，确定驾驶策略。
由于动力源增加装置的位置固定，且不同的动力源增加装置之间间隔较远的距离，因而，为了保证用户能够顺利到达动力源增加装置，需要根据用户从出发地到动力源增加装置所需的第一理论能耗，确定相应的驾驶策略。
为了便于解释和说明，下面将结合图8进行解释和说明。
参见图8，该图为本申请实施例提供的S609的一种实施方式的流程图。
作为一种实施方式，S609可以包括：
S6091：获取动力源增加装置的位置信息。
当从出发地至目的地的行驶路线上包括多个动力源增加装置时，可以随机选择一个动力源增加装置增加动力源，也可以按照预设选择策略确定动力源增加装置。其中，预设选择策略可以预先设定，也可以根据能耗阈值确定动力源增加装置。
参见图9，该图为本申请实施例提供的S6091的一种实施方式的流程图。
作为一种实施方式，S6091可以具体为：
S60911：获得每个动力源增加装置距离出发地的行驶里程。
S60912：根据能耗阈值确定车辆能够行驶的最大里程。
S60913：根据车辆能够行驶的最大里程以及到每个动力源增加装置所需行驶里程，选择动力源增加装置。
作为一种实施方式，S60913可以为：选择所需行驶里程与车辆能够行驶的最大里程最接近的动力源增加装置。
作为另一种实施方式，S60913可以为：选择所需行驶里程低于车辆能够行驶的最大里程的动力源增加装置。
S6092：根据S603获得的每段子行驶路线对应的能耗，确定从出发地到动力源增加装置之间的第一理论能耗。
由于动力源增加装置与车辆的出发地之间间隔一定距离，为了保证车辆能够顺利到达动力源增加装置，需要根据S603获得的每段子行驶路线对应的能耗，预测出第一理论能耗。
S6093：判断第一理论能耗是否超过能耗阈值。如果是，则执行S6094；如果否，则执行S6097。
如果第一理论能耗超过能耗阈值，则表示第一理论能耗超过了车辆的动力源能够为车辆出行提供的最高能耗，此时，需要采取减少车辆的实际能耗或者中途添加动力源进行解决；如果第一理论能耗不超过能耗阈值，则表示第一理论能耗不超过车辆的动力源能够为车辆出行提供的最高能耗，用户可以按照自身的习惯的驾驶行为进行驾驶。
S6094：将第一理论能耗与能耗阈值作差，获取第一差值。
S6095：根据第一差值、每段所述子行驶路线对应的总能耗和用户个性化驾驶行为参数，确定驾驶策略，以便用户执行该驾驶策略能够顺利到达动力源增加装置。
由于用户个性化驾驶行为往往是符合自身个性需求，并不符合车辆节能的要求。因而，当第一理论能耗超过能耗阈值时，需要根据第一差值、每段所述子行驶路线对应的总能耗和用户个性化驾驶行为参数，设定驾驶策略，使得该驾驶策略既符合车辆节能又能满足用户的个性化需求，从而保障用户能够在能耗阈值允许的范围内到达动力源增加装置。
为了保证用户的个性化需求，制定的驾驶策略应该在尽量满足用户个性化需求的前提下适当调整驾驶策略。
作为一示例，驾驶策略可以为：适当提高空调设定的温度，使得既能满足用户保持凉爽的需求又能减少空调能耗。
作为另一示例，驾驶策略可以为：适当减少用户踩踏加速/减速踏板的次数或者力度，使得既能满足用户对速度的个性需求又能减少能耗。
S6096：向用户发送驾驶策略以及出发地至动力源增加装置的行驶路线。
S6097：向用户发送出发地至动力源增加装置的行驶路线。
S610：根据所述能耗阈值、每段所述子行驶路线对应的总能耗和用户个性化驾驶行为参数，确定驾驶策略。
参见图10，该图为本申请实施例提供的S610的一种实施方式的流程图。
作为一种实施方式，S610可以为：
S6101：将理论总能耗与能耗阈值进行作差，得到第二差值。
S6102：根据第二差值、每段所述子行驶路线对应的总能耗和用户个性化驾驶行为参数，确定驾驶策略。
由于用户个性化驾驶行为往往是符合自身个性需求，并不符合车辆节能的要求。因而，当理论总能耗超过能耗阈值时，需要根据第二差值、每段所述子行驶路线对应的总能耗和用户个性化驾驶行为参数，设定驾驶策略，使得该驾驶策略既符合车辆节能又能满足用户的个性化需求，从而保障用户能够在能耗阈值允许的范围内到达动力源增加装置。
为了保证用户的个性化需求，制定的驾驶策略应该在尽量满足用户个性化需求的前提下适当调整驾驶策略。
作为一示例，驾驶策略可以为：适当提高空调设定的温度，使得既能满足用户保持凉爽的需求又能减少空调能耗。
作为另一示例，驾驶策略可以为：适当减少用户踩踏加速/减速踏板的次数或者力度，使得既能满足用户对速度的个性需求又能减少能耗。
S611：向用户发送驾驶策略以及从出发地到目的地的行驶路线。
S612：向用户发送从出发地到目的地的行驶路线，以便用户根据行驶路线开往目的地。
本申请实施例提供的确定驾驶策略的方法，通过根据用户的出发地、目的地、预设行车时间以及交通路线参数，确定行驶路线；并将用户的行驶路线划分为多段子行驶路线，以便根据用户的个性化驾驶行为参数、当前天气参数、车辆工况参数以及动力源参数，确定每段子行驶路线对应的总能耗；再根据所有的子行驶路线对应的总能耗，确定该车辆此次出行所需的理论总能耗，以便当理论总能耗超过能耗阈值时，根据用户的选择确定相应的驾驶策略。在该方法中，由于每段子行驶路线对应的总能耗是根据用户的个性化驾驶行为参数、当前天气参数、车辆工况参数以及动力源参数确定的，因而每段子行驶路线对应的总能耗更接近每段子行驶路线对应的实际能耗，从而提高了每段子行驶路线对应的总能耗准确性，进而提高了该车辆此次出行所需的理论总能耗准确性，并提高了根据该理论总能耗确定的行驶策略的可靠性。另外，由于每段子行驶路线对应的总能耗是通过图表查询获得的，因而，能够快速的根据图表获得每段子行驶路线对应的总能耗，提高了获取每段子行驶路线对应的总能耗的效率，进而提高了获取该车辆此次出行所需的理论总能耗效率，能够提高了获取行驶策略的效率。
基于上述提供的一种确定能耗的方法，本申请实施例还提供了一种确定能耗的装置，下面将结合附图进行解释和说明。
装置实施例一
参见图11，该图为本申请实施例提供的确定能耗的装置的结构示意图。
本申请实施例提供的确定能耗的装置，包括：
第一获取单元1101，用于获取能耗影响参数；其中，所述能耗影响参数，包括：天气参数、交通路线参数、驾驶行为参数、车辆工况参数和动力源参数中至少两个；所述动力源参数，包括：电池性能参数和/或燃料性能参数；
第一查询单元1102，用于根据所述天气参数，利用天气因子图表进行查询，获得第一能耗影响因子；
第二查询单元1103，用于根据所述交通路线参数、所述驾驶行为参数和所述车辆工况参数，利用整车能耗因子图表进行查询，获得第二能耗影响因子；
第三查询单元1104，用于根据所述动力源参数，利用动力源因子图表进行查询，获得第三能耗影响因子；
第二获取单元1105，用于根据所述第一能耗影响因子、所述第二能耗影响因子和所述第三能耗影响因子，得到总能耗。
为了进一步提高天气因子图表的准确性，进而提高获取车辆在不同行车环境下能耗的准确性，所述天气因子图表是利用深度学习算法对天气训练集进行学习获得的天气因子图表；其中，所述天气训练集，包括：历史行车的天气数据及其对应的能耗数据。
为了进一步提高整车能耗因子图表的准确性，进而提高获取车辆在不同行车环境下能耗的准确性，所述整车能耗因子图表是利用所述深度学习算法对整车能耗训练集进行学习获得的整车能耗因子图表；其中，所述整车能耗训练集，包括：所述车辆的历史交通路线数据、历史驾驶行为数据、历史车辆工况数据及其对应的能耗数据。
为了进一步提高动力源因子图表的准确性，进而提高获取车辆在不同行车环境下能耗的准确性，所述动力源因子图表是利用所述深度学习算法对电池衰减训练集进行学习获得的动力源因子图表；其中，所述动力源训练集，包括：历史行车的动力源数据及其对应的能耗数据。
为了进一步提高天气因子图表的准确性，进而提高获取车辆在不同行车环境下能耗的准确性，所述利用深度学习算法对天气训练集进行学习获得的天气因子图表，包括：
获取所述历史行车的天气数据及其对应的能耗数据；
利用聚类算法对所述历史行车的天气数据及其对应的能耗数据进行聚类，得到天气数据聚类结果；
利用所述深度学习算法对所述天气数据聚类结果进行学习，获得天气因子图表。
为了进一步提高动力源因子图表的准确性，进而提高获取车辆在不同行车环境下能耗的准确性，所述利用所述深度学习算法对电池衰减训练集进行学习获得的动力源因子图表，包括：
获取所述历史行车的动力源数据及其对应的能耗数据；
利用动力公式对所述历史行车的动力源数据及其对应的能耗数据进行处理，得到动力源特征数据；
利用所述深度学习算法对所述动力源特征数据进行学习，获得动力源因子图表。
为了进一步提高整车能耗因子图表的准确性，进而提高获取车辆在不同行车环境下能耗的准确性，所述利用所述深度学习算法对整车能耗训练集进行学习获得的整车能耗因子图表，包括：
获取所述车辆的历史交通路线数据、历史驾驶行为数据、历史车辆工况数据及其对应的能耗数据；
利用聚类算法对所述历史交通路线数据及其对应的能耗数据进行聚类，得到交通路线聚类结果；
利用聚类算法对所述车辆的历史交通路线数据、历史驾驶行为数据、历史车辆工况数据及其对应的能耗数据进行训练，得到整车能耗聚类结果；
利用车辆能耗公式对所述整车能耗聚类结果、所述历史车辆工况数据和所述动力源特征数据进行处理，得到车辆驾驶综合图表；
利用深度学习算法对所述交通路线聚类结果、所述整车能耗聚类结果和所述车辆驾驶综合图表进行学习，得到整车能耗因子图表。
为了进一步提高获取车辆在不同行车环境下能耗的准确性，所述第二获取单元1105，具体为：
根据所述第一能耗影响因子、所述第二能耗影响因子、所述第三能耗影响因子、第一权重、第二权重和第三权重，得到总能耗；其中，第一能耗影响因子与第一权重对应，第二能耗影响因子与第二权重对应，第三能耗影响因子与第三权重对应。
本申请实施例提供的确定能耗的装置，包括：第一获取单元1101、第一查询单元1102、第二查询单元1103、第三查询单元1104和第二获取单元1105，通过同时考虑天气参数、交通路线参数、驾驶行为参数、车辆工况参数和动力源参数等参数中至少两个参数对车辆能耗的影响，确定当前车辆的总能耗，以便能够根据实际情况准确地确定不同行车环境下车辆的能耗，使得仪表盘显示的续驶里程与实际里程相同，进而避免了用户因无法根据仪表盘显示的续驶里程确定车辆的实际里程而产生里程焦虑。而且，该装置还通过根据不同的能耗影响参数分别查询天气因子图表、整车能耗因子图表和动力源因子图表，获得不同能耗影响参数对应的能耗影响因子，以便综合不同能耗影响参数对应的能耗影响因子，获得当前行车环境下车辆能耗。此时，由于根据参数进行查图表查询的操作简单且耗时较短，因而，能够快速的获得当前行车环境下车辆能耗的情况，以便根据当前行车环境下车辆能耗以及当前车辆的剩余油量(电量)准确的确定续驶里程，以便能够根据实际情况准确地确定不同行车环境下车辆的能耗，使得仪表盘显示的续驶里程与实际里程相同，进而避免了用户因无法根据仪表盘显示的续驶里程确定车辆的实际里程而产生里程焦虑。
基于上述提供的一种确定能耗的方法以及确定驾驶策略的方法，本申请还提供了一种确定驾驶策略的装置，下面将结合附图进行解释和说明。
装置实施例
参见图12，该图为本申请实施例提供的确定驾驶策略的装置的结构示意图。
本申请实施例提供的确定驾驶策略的装置，包括：
第三获取单元1201，用于获取驾驶策略的影响参数；其中，所述驾驶策略的影响参数，包括：车辆的出发地以及目的地、预设行车时间、当前天气参数、交通路线参数、用户个性化驾驶行为参数、车辆工况参数和动力源参数中至少两个；所述动力源参数，包括：电池性能参数和/或燃料性能参数；
划分单元1202，用于根据所述车辆的出发地以及目的地、所述预设行车时间和所述交通路线参数，确定行驶路线；将所述行驶路线划分为K段子行驶路线，并获取每段子行驶路线对应的行驶里程和行驶时间；
第四获取单元1203，用于将第i段子行驶路线对应的行驶里程和行驶时间、当前天气参数、交通路线参数、用户个性化驾驶行为参数、车辆工况参数和动力源参数中至少两个作为能耗影响参数，执行上述实施例提供的任一种所述的确定能耗的方法，得到所述第i段子行驶路线对应的总能耗；其中，i≤K，且i为正整数；
第五获取单元1204，用于将所有子行驶路线对应的总能耗进行加和，得到所述行驶路线对应的理论总能耗；当确定所述理论总能耗超过所述能耗阈值时，向用户发送选择是否中途增加动力源的指令；其中，所述增加动力源，包括：充电和/或加油；
确定单元1205，用于当用户选择中途增加动力源时，根据动力源增加装置的位置信息，确定驾驶策略；当用户选择中途不增加动力源时，根据所述能耗阈值和每段所述子行驶路线对应的总能耗，确定驾驶策略。
本申请实施例提供的确定驾驶策略的装置，包括：第三获取单元1201、划分单元1202、第四获取单元1203、第五获取单元1204和确定单元1205。在该装置中，通过根据用户的出发地、目的地、预设行车时间以及交通路线参数，确定行驶路线；并将用户的行驶路线划分为多段子行驶路线，以便根据用户的个性化驾驶行为参数、当前天气参数、车辆工况参数以及动力源参数，确定每段子行驶路线对应的总能耗；再根据所有的子行驶路线对应的总能耗，确定该车辆此次出行所需的理论总能耗，以便当理论总能耗超过能耗阈值时，根据用户的选择确定相应的驾驶策略。在该装置中，由于每段子行驶路线对应的总能耗是根据用户的个性化驾驶行为参数、当前天气参数、车辆工况参数以及动力源参数确定的，因而每段子行驶路线对应的总能耗更接近每段子行驶路线对应的实际能耗，从而提高了每段子行驶路线对应的总能耗准确性，进而提高了该车辆此次出行所需的理论总能耗准确性，并提高了根据该理论总能耗确定的行驶策略的可靠性。另外，由于每段子行驶路线对应的总能耗是通过图表查询获得的，因而，能够快速的根据图表获得每段子行驶路线对应的总能耗，提高了获取每段子行驶路线对应的总能耗的效率，进而提高了获取该车辆此次出行所需的理论总能耗效率，能够提高了获取行驶策略的效率。
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 (10)

1.一种确定能耗的方法，其特征在于，包括：
获取能耗影响参数；其中，所述能耗影响参数，包括：天气参数、交通路线参数、驾驶行为参数、车辆工况参数和动力源参数中至少两个；所述动力源参数，包括：电池性能参数和/或燃料性能参数；
根据所述天气参数，利用天气因子图表进行查询，获得第一能耗影响因子； 所述天气因子图表是利用深度学习算法对天气训练集进行学习获得的天气因子图表；其中，所述天气训练集，包括：历史行车的天气数据及其对应的能耗数据；
根据所述交通路线参数、所述驾驶行为参数和所述车辆工况参数，利用整车能耗因子图表进行查询，获得第二能耗影响因子；所述整车能耗因子图表是利用所述深度学习算法对整车能耗训练集进行学习获得的整车能耗因子图表； 其中，所述整车能耗训练集，包括：所述车辆的历史交通路线数据、历史驾驶行为数据和历史车辆工况数据；
根据所述动力源参数，利用动力源因子图表进行查询，获得第三能耗影响因子；所述动力源因子图表是利用所述深度学习算法对电池衰减训练集进行学习获得的动力源因子图表；其中，所述动力源训练集，包括：历史行车的动力源数据及其对应的能耗数据；
根据所述第一能耗影响因子、所述第二能耗影响因子和所述第三能耗影响因子，得到总能耗；所述根据所述第一能耗影响因子、所述第二能耗影响因子和所述第三能耗影响因子，得到总能耗，具体为：根据所述第一能耗影响因子、所述第二能耗影响因子、所述第三能耗影响因子、第一权重、第二权重和第三权重，得到总能耗；其中，第一能耗影响因子与第一权重对应，第二能耗影响因子与第二权重对应，第三能耗影响因子与第三权重对应。
2.根据权利要求 1 所述的方法，其特征在于，所述利用深度学习算法对天气训练集进行学习获得的天气因子图表，包括：
获取所述历史行车的天气数据及其对应的能耗数据；
利用聚类算法对所述历史行车的天气数据进行聚类，得到天气数据聚类结果；
利用所述深度学习算法对所述天气数据聚类结果和历史行车的天气数据对应的能耗数据进行学习，获得天气因子图表。
3.根据权利要求 1 所述的方法，其特征在于，所述利用所述深度学习算法对电池衰减训练集进行学习获得的动力源因子图表，包括：
获取所述历史行车的动力源数据及其对应的能耗数据；
利用动力公式对所述历史行车的动力源数据进行处理，得到动力源特征数据；
利用所述深度学习算法对所述动力源特征数据、所述历史行车的动力源数据及其对应的能耗数据进行学习，获得动力源因子图表。
4.根据权利要求 1 所述的方法，其特征在于，所述利用所述深度学习算法对整车能耗训练集进行学习获得的整车能耗因子图表，包括：
获取所述车辆的历史交通路线数据、历史驾驶行为数据和历史车辆工况数据；
利用聚类算法对所述历史交通路线数据进行聚类，得到交通路线聚类结果；
利用聚类算法对所述车辆的历史交通路线数据、历史驾驶行为数据、历史车辆工况数据进行训练，得到整车聚类结果；
利用车辆能耗公式对所述整车聚类结果、所述历史车辆工况数据和所述动力源特征数据进行处理，得到整车能耗图表；
利用深度学习算法对所述交通路线聚类结果、所述整车聚类结果和所述整车能耗图表进行学习，得到整车能耗因子图表。
5.一种确定驾驶策略的方法，其特征在于，包括：
获取驾驶策略的影响参数；其中，所述驾驶策略的影响参数，包括：车辆的出发地以及目的地、预设行车时间、当前天气参数、交通路线参数、用户个性化驾驶行为参数、车辆工况参数和动力源参数中至少两个；所述动力源参数， 包括：电池性能参数和/或燃料性能参数；
根据所述车辆的出发地以及目的地、所述预设行车时间和所述交通路线参数，确定行驶路线；将所述行驶路线划分为 K 段子行驶路线，并获取每段子行驶路线对应的行驶里程和行驶时间；
将第 i 段子行驶路线对应的行驶里程和行驶时间、当前天气参数、交通路线参数、用户个性化驾驶行为参数、车辆工况参数和动力源参数中至少两个作为能耗影响参数，执行权利要求 1-4 任一项所述的确定能耗的方法，得到所述第 i 段子行驶路线对应的总能耗；其中，i≤K，且 i 为正整数；
将所有子行驶路线对应的总能耗进行加和，得到所述行驶路线对应的理论总能耗；当确定所述理论总能耗超过能耗阈值时，向用户发送选择是否中途增加动力源的指令；其中，所述增加动力源，包括：充电和/或加油；
当用户选择中途增加动力源时，根据动力源增加装置的位置信息，确定驾驶策略；当用户选择中途不增加动力源时，根据所述能耗阈值、每段所述子行驶路线对应的总能耗和所述用户个性化驾驶行为参数，确定驾驶策略。
6.一种确定能耗的装置，其特征在于，包括：
第一获取单元，用于获取能耗影响参数；其中，所述能耗影响参数，包括： 天气参数、交通路线参数、驾驶行为参数、车辆工况参数和动力源参数中至少两个；所述动力源参数，包括：电池性能参数和/或燃料性能参数；
第一查询单元，用于根据所述天气参数，利用天气因子图表进行查询，获得第一能耗影响因子；所述天气因子图表是利用深度学习算法对天气训练集进行学习获得的天气因子图表；其中，所述天气训练集，包括：历史行车的天气数据及其对应的能耗数据；
第二查询单元，用于根据所述交通路线参数、所述驾驶行为参数和所述车辆工况参数，利用整车能耗因子图表进行查询，获得第二能耗影响因子；所述整车能耗因子图表是利用所述深度学习算法对整车能耗训练集进行学习获得的整车能耗因子图表；其中，所述整车能耗训练集，包括：所述车辆历史交通路线数据、历史驾驶行为数据、历史车辆工况数据及其对应的能耗数据；
第三查询单元，用于根据所述动力源参数，利用动力源因子图表进行查询， 获得第三能耗影响因子；所述动力源因子图表是利用所述深度学习算法对电池衰减训练集进行学习获得的动力源因子图表；其中，所述动力源训练集，包括： 历史行车的动力源数据及其对应的能耗数据；
第二获取单元，用于根据所述第一能耗影响因子、所述第二能耗影响因子和所述第三能耗影响因子，得到总能耗；所述第二获取单元，具体为：根据所述第一能耗影响因子、所述第二能耗影响因子、所述第三能耗影响因子、第一权重、第二权重和第三权重，得到总能耗；其中，第一能耗影响因子与第一权重对应，第二能耗影响因子与第二权重对应，第三能耗影响因子与第三权重对应。
7.根据权利要求 6 所述的装置，其特征在于，所述利用深度学习算法对天气训练集进行学习获得的天气因子图表，包括：
获取所述历史行车的天气数据及其对应的能耗数据；
利用聚类算法对所述历史行车的天气数据及其对应的能耗数据进行聚类， 得到天气数据聚类结果；
利用所述深度学习算法对所述天气数据聚类结果进行学习，获得天气因子图表。
8.根据权利要求 6 所述的装置，其特征在于，所述利用所述深度学习算法对电池衰减训练集进行学习获得的动力源因子图表，包括：
获取所述历史行车的动力源数据及其对应的能耗数据；
利用动力公式对所述历史行车的动力源数据及其对应的能耗数据进行处理，得到动力源特征数据；
利用所述深度学习算法对所述动力源特征数据进行学习，获得动力源因子图表。
9.根据权利要求 6 所述的装置，其特征在于，所述利用所述深度学习算法对整车能耗训练集进行学习获得的整车能耗因子图表，包括：
获取所述车辆的历史交通路线数据、历史驾驶行为数据、历史车辆工况数据及其对应的能耗数据；
利用聚类算法对所述历史交通路线数据及其对应的能耗数据进行聚类，得到交通路线聚类结果；
利用聚类算法对所述车辆的历史交通路线数据、历史驾驶行为数据、历史车辆工况数据及其对应的能耗数据进行训练，得到整车能耗聚类结果；
利用车辆能耗公式对所述整车能耗聚类结果、所述历史车辆工况数据和所述动力源特征数据进行处理，得到车辆驾驶综合图表；
利用深度学习算法对所述交通路线聚类结果、所述整车能耗聚类结果和所述车辆驾驶综合图表进行学习，得到整车能耗因子图表。
10.一种确定驾驶策略的装置，其特征在于，包括：
第三获取单元，用于获取驾驶策略的影响参数；其中，所述驾驶策略的影响参数，包括：车辆的出发地以及目的地、预设行车时间、当前天气参数、交通路线参数、用户个性化驾驶行为参数、车辆工况参数和动力源参数中至少两个；所述动力源参数，包括：电池性能参数和/或燃料性能参数；
划分单元，用于根据所述车辆的出发地以及目的地、所述预设行车时间和所述交通路线参数，确定行驶路线；将所述行驶路线划分为 K 段子行驶路线， 并获取每段子行驶路线对应的行驶里程和行驶时间；
第四获取单元，用于将第 i 段子行驶路线对应的行驶里程和行驶时间、当前天气参数、交通路线参数、用户个性化驾驶行为参数、车辆工况参数和动力源参数中至少两个作为能耗影响参数，执行权利要求 1-4 任一项所述的确定能耗的方法，得到所述第 i 段子行驶路线对应的总能耗；其中，i≤K，且 i 为正整数；
第五获取单元，用于将所有子行驶路线对应的总能耗进行加和，得到所述行驶路线对应的理论总能耗；当确定所述理论总能耗超过所述能耗阈值时，向用户发送选择是否中途增加动力源的指令；其中，所述增加动力源，包括：充电和/或加油；
确定单元，用于当用户选择中途增加动力源时，根据动力源增加装置的位置信息，确定驾驶策略；当用户选择中途不增加动力源时，根据所述能耗阈值和每段所述子行驶路线对应的总能耗，确定驾驶策略。
CN201910058970.XA 2019-01-22 2019-01-22 一种确定能耗的方法及装置和确定驾驶策略的方法及装置 Active CN111452794B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910058970.XA CN111452794B (zh) 2019-01-22 2019-01-22 一种确定能耗的方法及装置和确定驾驶策略的方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910058970.XA CN111452794B (zh) 2019-01-22 2019-01-22 一种确定能耗的方法及装置和确定驾驶策略的方法及装置

Publications (2)

Publication Number Publication Date
CN111452794A CN111452794A (zh) 2020-07-28
CN111452794B true CN111452794B (zh) 2021-06-15

Family

ID=71674385

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910058970.XA Active CN111452794B (zh) 2019-01-22 2019-01-22 一种确定能耗的方法及装置和确定驾驶策略的方法及装置

Country Status (1)

Country Link
CN (1) CN111452794B (zh)

Families Citing this family (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112172605A (zh) * 2020-08-17 2021-01-05 珠海格力电器股份有限公司 一种电动车辆电量显示方法、装置、存储介质及电动车辆
CN112092817B (zh) * 2020-09-23 2022-03-18 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
CN114254473A (zh) * 2020-09-24 2022-03-29 华为技术有限公司 车辆能耗的评分方法和装置
EP3992023A1 (en) * 2020-10-28 2022-05-04 Hitachi, Ltd. Method and system for predicting range of an electric vehicle
CN112711794B (zh) * 2020-12-18 2024-04-09 奇瑞汽车股份有限公司 车辆的热能耗评价方法、装置及具有其的车辆
CN113264060B (zh) * 2021-05-28 2023-03-21 东风汽车集团股份有限公司 一种基于云端训练模型的自动驾驶节能系统及方法
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
CN114707037A (zh) * 2022-03-22 2022-07-05 东风汽车集团股份有限公司 新能源车辆节能驾驶推荐方法、装置、设备及存储介质
CN116946143A (zh) * 2023-07-12 2023-10-27 广州汽车集团股份有限公司 应用于混合动力汽车的能耗计算方法
CN117436595B (zh) * 2023-12-20 2024-03-29 深圳市联特微电脑信息技术开发有限公司 新能源汽车能耗预测方法、装置、设备及存储介质
CN117634051B (zh) * 2024-01-18 2024-04-09 中汽研汽车检验中心（天津）有限公司 基于真实道路环境的热泵空调系统仿真预测方法及系统

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103234544A (zh) * 2013-04-27 2013-08-07 北京交通大学 电动汽车电量消耗因子模型建立及续驶里程估算方法
CN105868787A (zh) * 2016-03-31 2016-08-17 江苏大学 基于工况识别和模糊能耗的电动汽车续驶里程估算方法
CN106585386A (zh) * 2015-10-19 2017-04-26 北京新能源汽车股份有限公司 电动汽车的续驶里程显示方法、装置和系统
CN107180288A (zh) * 2017-07-21 2017-09-19 东软集团股份有限公司 驾驶行为能耗测算方法、装置、存储介质及电子设备
CN107791854A (zh) * 2016-09-06 2018-03-13 现代自动车株式会社 用于估算电动车辆的可用行驶距离的系统和方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103234544A (zh) * 2013-04-27 2013-08-07 北京交通大学 电动汽车电量消耗因子模型建立及续驶里程估算方法
CN106585386A (zh) * 2015-10-19 2017-04-26 北京新能源汽车股份有限公司 电动汽车的续驶里程显示方法、装置和系统
CN105868787A (zh) * 2016-03-31 2016-08-17 江苏大学 基于工况识别和模糊能耗的电动汽车续驶里程估算方法
CN107791854A (zh) * 2016-09-06 2018-03-13 现代自动车株式会社 用于估算电动车辆的可用行驶距离的系统和方法
CN107180288A (zh) * 2017-07-21 2017-09-19 东软集团股份有限公司 驾驶行为能耗测算方法、装置、存储介质及电子设备

Also Published As

Publication number Publication date
CN111452794A (zh) 2020-07-28

Similar Documents

Publication Publication Date Title
CN111452794B (zh) 一种确定能耗的方法及装置和确定驾驶策略的方法及装置
US11650066B2 (en) Systems and methods for variable energy routing and tracking
US11703340B2 (en) Trip planning with energy constraint
US9090255B2 (en) Hybrid vehicle fuel efficiency using inverse reinforcement learning
CN110135632B (zh) 基于路径信息的phev自适应最优能量管理方法
CN111497679B (zh) 一种纯电动汽车能耗监测优化方法及系统
CN112208338B (zh) 一种目的地剩余续航里程计算方法和装置
CN105035076B (zh) 用于具有高混合度的混合动力车辆的控制系统
US10832498B1 (en) Vehicle telemetry device for inferring driver identity and building a vehicle history
CN110154831B (zh) 一种纯电动汽车单位时间耗电量、车辆续航里程和行驶旅程所需电量的计算系统和方法
JP5855163B2 (ja) 車両用エネルギーマネジメント装置
CN111670340A (zh) 一种车辆剩余行驶里程的获取方法、电子设备及车辆
CN102991503A (zh) 用于控制车辆的方法
Vogel et al. Improving hybrid vehicle fuel efficiency using inverse reinforcement learning
CN111891130B (zh) 一种车辆运行方法和装置
CN113085655B (zh) 一种车载电动汽车综合服务系统
CN102959358A (zh) 车辆的电力消耗量计算装置、信息提供装置及信息提供方法
CN109466375A (zh) 增程器控制方法及设备、计算机可读存储介质、车辆
CN111824117B (zh) 基于工况预测的混合动力汽车能效优化控制方法及系统
JP2022140890A (ja) 電費予測装置
Qiao et al. Vehicle powertrain connected route optimization for conventional, hybrid and plug-in electric vehicles
CN107618501B (zh) 混合动力交通工具能量管理方法、终端设备、服务器
Grubwinkler et al. A modular and dynamic approach to predict the energy consumption of electric vehicles
CN113071336B (zh) 一种车辆的增程器控制方法、系统及车辆
CN112632382B (zh) 用于为车辆推荐站点的方法、装置、设备以及存储介质

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
GR01 Patent grant
GR01 Patent grant