CN111582596A - 融合交通状态信息的纯电动汽车续航里程风险预警方法 - Google Patents

融合交通状态信息的纯电动汽车续航里程风险预警方法 Download PDF

Info

Publication number
CN111582596A
CN111582596A CN202010406405.0A CN202010406405A CN111582596A CN 111582596 A CN111582596 A CN 111582596A CN 202010406405 A CN202010406405 A CN 202010406405A CN 111582596 A CN111582596 A CN 111582596A
Authority
CN
China
Prior art keywords
data
speed
vehicle
road section
energy consumption
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.)
Granted
Application number
CN202010406405.0A
Other languages
English (en)
Other versions
CN111582596B (zh
Inventor
孔晨晨
张沛
姜良维
黄淑兵
周云龙
赵磊
姜鉴铎
黄瑛
陆杨
曹鹏
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.)
Traffic Management Research Institute of Ministry of Public Security
Original Assignee
Traffic Management Research Institute of Ministry of Public Security
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 Traffic Management Research Institute of Ministry of Public Security filed Critical Traffic Management Research Institute of Ministry of Public Security
Priority to CN202010406405.0A priority Critical patent/CN111582596B/zh
Publication of CN111582596A publication Critical patent/CN111582596A/zh
Application granted granted Critical
Publication of CN111582596B publication Critical patent/CN111582596B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/24323—Tree-organised classifiers
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Business, Economics & Management (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Development Economics (AREA)
  • Game Theory and Decision Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明提供一种融合交通状态信息的纯电动汽车续航里程风险预警方法，其能应对各种复杂交通状态从而具备实际可用性，且预测模型具有很强的泛化能力和精准性。本发明技术方案中，基于历史交通数据训练数据样本重构模型，用以获得异常交通状态样本数据集；基于待检测电动汽车的车载GPS数据和动力电池数据的历史数据，构样本集；通过样本集、异常交通状态样本数据集，训练车辆耗能预测模型；然后基于车辆耗能预测模型，输入待检测电动汽车实时所在的路段编号和行驶速度后，获得行驶能耗信息，最后通过行驶能耗信息与待检测电动汽车的电池剩余能量的比较，进行续航里程不足预警。

Description

融合交通状态信息的纯电动汽车续航里程风险预警方法
技术领域
本发明涉及智能交通控制技术领域，具体为融合交通状态信息的纯电动汽车续航里程风险预警方法。
背景技术
受限于电池技术，纯电动汽车的续航里程一直是阻碍其发展的最大障碍。在电池技术没有取得突破性进展之前，知晓实时准确的纯电动汽车续航里程风险预警信息对于汽车驾驶人而言显得尤为重要。现有的大部分续航里程风险预警技术大多是基于电池本身的状态参数从而对车辆行驶里程进行估计，并没有考虑交通拥堵等异常交通状况的情形，因此现有续航里程风险预警方法不具有实际可用性。也有少数技术人员在研究续航里程风险预警技术时考虑了交通状况，但是只是将交通状态数据作为新特征添加到续航里程预测模型中，而没有考虑正常交通状态和异常交通样本数量差别悬殊，由此导致续航里程预测模型不具备精准性。
发明内容
为了解决现有的纯电动车续航里程风险预警方法可用性不强以及精准度不足的问题，本发明提供一种融合交通状态信息的纯电动汽车续航里程风险预警方法，其能应对各种复杂交通状态从而具备实际可用性，且预测模型具有很强的泛化能力和精准性。
本发明的技术方案是这样的：融合交通状态信息的纯电动汽车续航里程风险预警方法，其特征在于，其包括以下步骤：
S1:获得待检测电动汽车的车载GPS数据和动力电池数据的历史数据，作为原始数据；
S2:基于原始数据，构建样本集；所述样本集的数据包括：路段编号、车辆速度、路段行驶能耗；
S3:基于生成式对抗网络构建数据样本重构模型；所述数据样本重构模型包括生成器G(z)和辨别器D(x)；
S4:基于历史交通数据，识别、提取每一个所述路段编号对应的异常交通状态数据；
S5：利用高斯随机变量生成器生成高斯分布数据输入到所述生成器G(z)中，生成假样本数据；
S6：将所述异常交通状态数据、所述假样本数据输入到所述辨别器D(x)中，训练所述数据样本重构模型；
根据所述辨别器D(x)的判别结果优化所述生成器G(z)，直至所述生成器G(z)生成的所述假样本数据与所述异常交通状态数据的误差小于一定范围，则停止对所述数据样本重构模型的训练；
S7：利用高斯随机变量生成器生成高斯分布数据，输入到训练好的所述数据样本重构模型中的所述生成器G(z)中，即可得到异常交通状态样本数据集；
S8：基于机器学习算法构建车辆耗能预测模型；
通过所述样本集、所述异常交通状态样本数据集，训练所述车辆耗能预测模型；
输入所述待检测电动汽车所在的路段编号和行驶速度到训练好的所述车辆耗能预测模型中，输出所述待检测电动汽车在所述路段编号下的行驶能耗信息；
S9:确定待预测路段的行驶起点和终点，对所述待检测电动汽车进行路径规划选择；
S10：预先设置预测时间间隔，在每一个所述预测时间间隔内，获取所述待检测电动汽车即将经过的路段，得到目标路段编号；获取所述待检测电动汽车的实时车速作为目标车辆速度；
将所述目标路段编号、所述目标车辆速度输入到训练好的所述车辆耗能预测模型中，得到对应的预测行驶能耗；
S11:获得所述待检测电动汽车的电池的实时工作电压和实时工作电流，计算得到电池剩余能量；
S12:比较所述预测行驶能耗和所述电池剩余能量；
如果，所述预测行驶能耗大于所述电池剩余能量，则发出续航里程不足预警；
如果，所述预测行驶能耗小于所述电池剩余能量，则循环执行步骤S10～S12，持续进行实时预测。
其进一步特征在于：
所述GPS数据包括：车辆经纬度信息、车辆行驶方向角、车辆速度；
所述动力电池数据包括：每个采样时刻的工作电压和工作电流数据；
所述原始数据：采样时间、车辆经度、车辆纬度、车辆速度、车辆方向角、工作电压、工作电流；
步骤S2中，基于原始数据，构建所述样本集的操作包括如下步骤：
a1：基于电子地图，输入所述原始数据中的车辆经度、车辆纬度，获得对应的路段的编号信息，即获得所述样本集中的路段编号；
a2：根据所述原始数据中的工作电压、工作电流、车辆速度，计算所述样本集中的路段行驶能耗：
E＝U×I×T
其中，E为路段行驶能耗，U为工作电压，I为工作电流，T为路段行驶时间；
T的计算公式为：
T＝路段公里数/车辆速度
其中，路段公里数基于所述路段编号可以从电子地图中获得；
步骤S4中，基于历史交通数据，识别、提取所述异常交通状态数据，包括如下步骤：
b1：预先设置一个标准拥堵速度阈值，所述标准拥堵速度阈值表示平均车速低于此车速值时，道路段会处于交通处于拥堵状态，单位为km/h；
b2：根据所述路段编号，将每个所述路段编号对应的路段上的车速的速度数据从大到小进行排序，获取路段车速队列；
b3：基于85％分位数方法，获取位于85％分位数对应的速度，赋值为待确认速度；
b4：比较所述待确认速度和所述标准拥堵速度阈值；
如果所述待确认速度的值大于所述标准拥堵速度阈值，则所述路段编号对应的速度阈值设置为所述待确认速度的值；否则将所述标准拥堵速度阈值赋值给所述路段编号对应的所述速度阈值；
b5：根据所述路段编号，将每一个所述路段车速队列中，数值小于其对应的所述速度阈值的速度值都取出，即为所述路段编号对应的异常交通状态速度；
b6：所述异常交通状态数据包括所述路段编号以及对应的所述异常交通状态速度；
所述标准拥堵速度阈值设置为30km/h；
步骤S6中，优化所述生成器G(z)的过程是最小化交叉熵的过程，其损失函数的数学表达式为：
Figure BDA0002491486880000021
式中，Pr为输入的真实的数据类，Pg为生成器G(z)生成的数据类；
步骤S8中，基于机器学习算法构建所述车辆耗能预测模型，具体为采用树回归算法构建所述车辆耗能预测模型，包括如下步骤：
c1：获取数据集S，数据集S包括：所述样本集、所述异常交通状态样本数据集；
c2：选取特征值，依次对p+1个特征划分数据集的结果计算一次信息熵，然后判断按照哪个特征划分数据集是最好的；
c3：通过分类阈值来对数据集S进行分类，将S分为两类：
设第j个特征下能对数据集进行最有效的划分：
Figure BDA0002491486880000035
Figure BDA0002491486880000036
其中：i＝1,...l，m代表第m个节点，θm0为能让下一代子节点中数据集纯度最小的分类阈值；、
c4：在第j个特征值下，计算Lm和Rm的纯度Em是否小于阈值E，或者样本数量是否小于预设的最小样本数量N；
当Em＜E，或者所述样本数量小于所述最小样本数量N时，分类过程终止；
否则，循环执行步骤c2～c4；
c5：分类过程终止后的节点即设置为叶节点；设叶节点的数据集为{xi,yi}，其中，xi包括路段编号、行驶速度，yi为行驶能耗信息；
c6：用线性回归模型对自变量xi和yi进行拟合，得到模型Mi；
设数据集S最终被分为z个类，则数据集S对应的所述车辆耗能预测模型共包含z个现行回归模型Mi；
所述阈值E是预设的阈值与Em比较来衡量分类好坏；Em的计算公式如下：
Figure BDA0002491486880000031
式中，Nm是节点m的样本容量，
Figure BDA0002491486880000032
是通过线性回归模型得出的预测值；
Figure BDA0002491486880000033
表达式：
Figure BDA0002491486880000034
其中，xm为输入样本数据，wm为线性回归模型参数。
本发明提供的融合交通状态信息的纯电动汽车续航里程风险预警方法，基于历史交通数据训练数据样本重构模型，用以获得异常交通状态样本数据集；基于待检测电动汽车的车载GPS数据和动力电池数据的历史数据，构样本集；通过样本集、异常交通状态样本数据集，训练车辆耗能预测模型；然后基于车辆耗能预测模型，输入待检测电动汽车实时所在的路段编号和行驶速度后，获得行驶能耗信息，最后通过行驶能耗信息与待检测电动汽车的电池剩余能量的比较，进行续航里程不足预警；本发明的基数方案中，预测行驶能耗信息的模型是基于历史交通数据和待检测电动汽车自身的历史数据训练而得的，考虑了实际的交通状况和车辆自身的状态参数，确保了车辆耗能预测模型的泛化能力和精准性，使预测结果更加准确和贴合实际情况；与现行的各种预警方法相比，本发明中的预警方法能应对各种复杂交通状态从而具备实际可用性；通过训练数据样本重构模型丰富异常交通状态样本量，用以得到与正常交通状态样本数量均衡的异常交通状态样本数据，从而确保了本发明技术方案中的预测值的精准性。
附图说明
图1为本发明中基于生成式对抗网络的数据样本重构模型的原理图；
图2为采用树回归算法构建车辆耗能预测模型的原理图；
图3为本发明技术方案中数据流转示意图。
具体实施方式
如图1～图3所示，本发明融合交通状态信息的纯电动汽车续航里程风险预警方法，其特征在于，其包括以下步骤：
S1:获得待检测电动汽车的车载GPS数据和动力电池数据的历史数据，作为原始数据；
GPS数据包括：车辆经纬度信息、车辆行驶方向角、车辆速度；
动力电池数据包括：每个采样时刻的工作电压和工作电流数据；
原始数据：采样时间、车辆经度、车辆纬度、车辆速度、车辆方向角、工作电压、工作电流；
具体实施的时候，假设m时刻是当前时刻，则m时刻之前所有时刻的数据为历史数据，m时刻及之后的所有数据为实时数据。
S2:基于原始数据，构建样本集；样本集的数据包括：路段编号、车辆速度、路段行驶能耗；
基于原始数据，构建样本集的操作包括如下步骤：
a1：基于电子地图，输入原始数据中的车辆经度、车辆纬度，获得对应的路段的编号信息，即获得样本集中的路段编号；对车辆GPS数据进行地图匹配获得对应的路段编号，使用任何现有的开源的地图匹配算法，如百度地图API、高德、GPS等开源算法，都能实现；
a2：根据原始数据中的工作电压、工作电流、车辆速度，计算样本集中的路段行驶能耗：
E＝U×I×T
其中，E为路段行驶能耗，U为工作电压，I为工作电流，T为路段行驶时间；
T的计算公式为：
T＝路段公里数/车辆速度
其中，路段公里数基于路段编号可以从电子地图中直接获得。
S3:基于生成式对抗网络构建数据样本重构模型；如图1所示，数据样本重构模型包括生成器G(z)和辨别器D(x)。
S4:基于历史交通数据，识别、提取每一个路段编号对应的异常交通状态数据；
基于历史交通数据，识别、提取异常交通状态数据，包括如下步骤：
b1：预先设置一个标准拥堵速度阈值，标准拥堵速度阈值表示平均车速低于此车速值时，道路段会处于交通处于拥堵状态，单位为km/h；本实施例中标准拥堵速度阈值设置为30km/h；
b2：根据路段编号，将每个路段编号对应的路段上的车速的速度数据从大到小进行排序，获取路段车速队列；
b3：基于85％分位数方法，获取位于85％分位数对应的速度，赋值为待确认速度；
如某个路段的车速排序队列中，速度从大到小排列，位于第85％分位数的速度是27km/h，则待确认速度即为27km/h；
b4：比较待确认速度和标准拥堵速度阈值；
如果待确认速度的值大于标准拥堵速度阈值，则路段编号对应的速度阈值设置为待确认速度的值；否则将标准拥堵速度阈值赋值给路段编号对应的速度阈值；
如，待确认速度即为27km/h的时候，27<30，则此时的速度阈值设置为30；
如，待确认速度即为33km/h的时候，33>30，则此时的速度阈值设置为33；
b5：根据路段编号，将每一个路段车速队列中，数值小于其对应的速度阈值的速度值都取出，即为路段编号对应的异常交通状态速度；
b6：异常交通状态数据包括路段编号以及对应的异常交通状态速度。
S5：利用高斯随机变量生成器生成高斯分布数据输入到生成器G(z)中，生成假样本数据。
S6：将异常交通状态数据、假样本数据输入到辨别器D(x)中，训练数据样本重构模型；
根据辨别器D(x)的判别结果优化生成器G(z)，直至生成器G(z)生成的假样本数据与异常交通状态数据的误差小于一定范围，则停止对数据样本重构模型的训练；
训练过程为：预先设置一个范围值，当假样本数据与异常交通状态数据的误差大于预设的范围值的时候，辨别器D(x)判别结果为假，则调整生成器G(z)；用调整后的生成器G(z)再次生成假样本数据，将假样本数据再次输入到辨别器D(x)进行判别，直至假样本数据与异常交通状态数据的误差小于预设的范围值，辨别器D(x)判别结果为真，即，生成器G(z)生成的假样本数据与真实的异常交通状态数据的误差在可接受范围内了，代表生成器G(z)优化完成，则停止对数据样本重构模型的训练；
优化生成器G(z)的过程是最小化交叉熵的过程，其损失函数的数学表达式为：
Figure BDA0002491486880000051
式中，Pr为输入的真实的数据类，Pg为生成器G(z)生成的数据类。
S7：利用高斯随机变量生成器生成高斯分布数据，输入到训练好的数据样本重构模型中的生成器G(z)中，即可得到异常交通状态样本数据集。
在实际生活中，交通拥堵等异常交通状态并不是频繁发生，因此数据集中正常与异常的交通状态样本量比例极不均衡。如果直接用原始数据集对纯电动汽车耗能模型进行训练将带来正负样本不均衡问题，从而影响预测模型的泛化能力。因此，为了能够使预测模型具备更好的泛化能力，针对样本不均衡问题，本发明采用生成式对抗网络对异常交通状态小样本数据进行重构；
如图1所示，生成式对抗神经网路的基本原理是基于纳什博弈论，利用生成器G(z)和辨别器D(x)相互博弈，最终让生成模型学习到真实数据分布；生成式网络是以伪造分布形态类似于真实样本的数据为目标，而判断别网络的目标是区别真实数据和生成的伪造数据；将筛选好的数据作为真实数据Pdata(x)，利用高斯随机变量生成器生成高斯分布数据Pz(z)；
本发明的数据样本重构模型在训练阶段，利用高斯随机变量生成器生成高斯分布数据Pz(z)输入到生成器G(z)中，生成假样本数据；判别器D(x)判别真实数据Pdata(x)和生成数据的真假，当假数据和真数据的误差小于一定范围时即完成生成网络的训练；然后在样本生成阶段，再次对生成器输入高斯噪声数据即可得到异常交通状态重构数据，从而确保获得的异常交通状态样本量与正常交通状态样本量相同；本发明的数据样本重构模型是基于真实的交通数据训练而获得，由其生成的异常交通状态样本数据与真实的交通数据样本更为贴近；用获得的异常交通状态样本进行后续的车辆耗能预测模型的训练，确保车辆耗能预测模型的泛化能力和精准性，确保用户能够获得精准的预测结果。
S8：基于机器学习算法构建车辆耗能预测模型；
通过样本集、异常交通状态样本数据集，训练车辆耗能预测模型；
输入待检测电动汽车所在的路段编号和行驶速度到训练好的车辆耗能预测模型中，输出待检测电动汽车在路段编号下的行驶能耗信息；
基于机器学习算法构建车辆耗能预测模型，本实施例中具体为采用树回归算法构建车辆耗能预测模型，如图2所示，假设样本集S只被分裂到了第三层，S是全部的训练样本集即为树的根节点，S1、S2、S4、S6是S的子集，所对应的节点是中间节点。当节点里面的数据满足设定的纯度要求时，中间节点不继续进行分类，进而成为叶节点；S3、S7、S8、S9、S10也是S的子集，所对应的是叶节点。
车辆耗能预测模型的构建过程具体如下步骤：
c1：获取数据集S，数据集S包括：样本集、异常交通状态样本数据集；
c2：选取特征值，依次对p+1个特征划分数据集的结果计算一次信息熵，然后判断按照哪个特征划分数据集是最好的；其中p为训练数据的特征数，本发明技术方案中训练数据有两个特征因此p为2；
c3：通过分类阈值来对数据集S进行分类，将S分为两类：
设第j个特征下能对数据集进行最有效的划分：
Figure BDA0002491486880000061
Figure BDA0002491486880000062
其中：i＝1,...l，m代表第m个节点，θm0为能让下一代子节点中数据集纯度最小的分类阈值；、
c4：预设阈值E，与Em比较来衡量分类好坏；Em的计算公式如下：
Figure BDA0002491486880000071
式中，Nm是节点m的样本容量，
Figure BDA0002491486880000072
是通过线性回归模型得出的预测值；
Figure BDA0002491486880000073
表达式：
Figure BDA0002491486880000074
其中，xm为输入样本数据，wm为线性回归模型参数；
在第j个特征值下，计算Lm和Rm的纯度Em是否小于阈值E，或者样本数量是否小于预设的最小样本数量N；
当Em＜E，或者样本数量小于最小样本数量N时，分类过程终止；
否则，循环执行步骤c2～c4；
c5：分类过程终止后的节点即设置为叶节点；设叶节点的数据集为{xi,yi}，其中，xi包括路段编号、行驶速度，yi为行驶能耗信息；
c6：用线性回归模型对自变量xi和yi进行拟合，得到模型Mi；
设数据集S最终被分为z个类，则数据集S对应的车辆耗能预测模型共包含z个现行回归模型Mi；
综上，构建过程中，通过决策树算法对数据集进行分组，将历史训练数据中性质类似的一组归为一类，接着对每组的组内数据用线性回归进行拟合，获得z个现行回归模型Mi，对每类数据利用线性回归模型训练出路段编号、行驶速度和路段能耗的关系；进行预测的时候，输入实时的路段编号和车辆速度，算法将匹配与之最为类似的一组历史值和训练好的线性回归模型，即，在模型中找出与输入数据最为类似的历史数据分组，用该组的线性回归模型Mi进行耗能预测，就可得到相应的行驶能耗预测值。
S9:确定待预测路段的行驶起点和终点，对待检测电动汽车进行路径规划选择；
S10：预先设置预测时间间隔，在每一个预测时间间隔内，获取待检测电动汽车即将经过的路段，得到目标路段编号；获取待检测电动汽车的实时车速作为目标车辆速度；现有的开源的数字地图中，都会将一段路分成很多小段，每个小段会有一个唯一的路段编号；在电子地图中输入待预测路段的行驶起点和终点后，数字地图会进行路径规划，同时返回对应的所有路段编号；
将目标路段编号、目标车辆速度输入到训练好的车辆耗能预测模型中，得到对应的预测行驶能耗。
S11:获得待检测电动汽车的电池的实时工作电压和实时工作电流，计算得到电池剩余能量；如步骤S1中，假设m时刻是当前时刻，则m时刻之前所有时刻的数据为历史数据，m时刻及之后的所有数据为实时数据；
电池的剩余电量无法直接测量，现有的SOC(State of Charge,荷电状态,也叫剩余电量)的计算方法如下所示：
Ec＝U0×C0×(SOC-SOC0)×SOH
其中：U0为动力电池额定电压，C0为额定容量，SOH(State of Health)为电池健康状态，SOC0为电池允许的最低放电值；
除SOC和SOH，其他参数均可测量得到；而SOC和SOH需要通过电池的工作电压、电流和内阻等电池状态参数进行估计，可以使用电池、能源行业有很多现行的计算SOC和SOH的方法，本文中的SOC和SOH可以采用任何一种现行的方法获得。
S12:比较预测行驶能耗和电池剩余能量；
如果，预测行驶能耗大于电池剩余能量，则发出续航里程不足预警；
如果，预测行驶能耗小于电池剩余能量，则循环执行步骤S10～S12，持续进行实时预测。
如说明书附图的图3所示，本发明技术方案可以分为离线训练模块和在线预警模块，即，本发明技术方案中的数据样本重构模型、车辆耗能预测模型的训练是基于历史数据，通过离线的方式训练而成的；而训练好的车辆耗能预测模型，是通过输入实时数据，对待检测电动汽车进行在线实时的预警。
其中，待检测电动汽车的车载GPS数据和动力电池数据的历史数据、路段编号关联的历史交通数据经过识别、提取后，用于离线训练模块中车辆耗能预测模型和电池剩余能量模型的参数训练；
其中，关于电池剩余能量的获取方式，现行有很多成熟的电池剩余能量预测模型，可以直接拿来使用在本发明的技术方案中，对于电池剩余能量预测模型的预测，也是通过待检测电动汽车的动力电池数据的历史数据，通过离线方式进行的；
对在线预警模块中的训练好的车辆耗能预测模型和训练好的电池剩余能量预测模型，输入实时数据，得到并对比行驶能耗和电池剩余电量大小，并判断是否产生预警信息。

Claims (8)

1.融合交通状态信息的纯电动汽车续航里程风险预警方法，其特征在于，其包括以下步骤：
S1:获得待检测电动汽车的车载GPS数据和动力电池数据的历史数据，作为原始数据；
S2:基于原始数据，构建样本集；所述样本集的数据包括：路段编号、车辆速度、路段行驶能耗；
S3:基于生成式对抗网络构建数据样本重构模型；所述数据样本重构模型包括生成器G(z)和辨别器D(x)；
S4:基于历史交通数据，识别、提取每一个所述路段编号对应的异常交通状态数据；
S5：利用高斯随机变量生成器生成高斯分布数据输入到所述生成器G(z)中，生成假样本数据；
S6：将所述异常交通状态数据、所述假样本数据输入到所述辨别器D(x)中，训练所述数据样本重构模型；
根据所述辨别器D(x)的判别结果优化所述生成器G(z)，直至所述生成器G(z)生成的所述假样本数据与所述异常交通状态数据的误差小于一定范围，则停止对所述数据样本重构模型的训练；
S7：利用高斯随机变量生成器生成高斯分布数据，输入到训练好的所述数据样本重构模型中的所述生成器G(z)中，即可得到异常交通状态样本数据集；
S8：基于机器学习算法构建车辆耗能预测模型；
通过所述样本集、所述异常交通状态样本数据集，训练所述车辆耗能预测模型；
输入所述待检测电动汽车所在的路段编号和行驶速度到训练好的所述车辆耗能预测模型中，输出所述待检测电动汽车在所述路段编号下的行驶能耗信息；
S9:确定待预测路段的行驶起点和终点，对所述待检测电动汽车进行路径规划选择；
S10：预先设置预测时间间隔，在每一个所述预测时间间隔内，获取所述待检测电动汽车即将经过的路段，得到目标路段编号；获取所述待检测电动汽车的实时车速作为目标车辆速度；
将所述目标路段编号、所述目标车辆速度输入到训练好的所述车辆耗能预测模型中，得到对应的预测行驶能耗；
S11:获得所述待检测电动汽车的电池的实时工作电压和实时工作电流，计算得到电池剩余能量；
S12:比较所述预测行驶能耗和所述电池剩余能量；
如果，所述预测行驶能耗大于所述电池剩余能量，则发出续航里程不足预警；
如果，所述预测行驶能耗小于所述电池剩余能量，则循环执行步骤S10～S12，持续进行实时预测。
2.根据权利要求1所述融合交通状态信息的纯电动汽车续航里程风险预警方法，其特征在于：所述GPS数据包括：车辆经纬度信息、车辆行驶方向角、车辆速度；
所述动力电池数据包括：每个采样时刻的工作电压和工作电流数据；
所述原始数据：采样时间、车辆经度、车辆纬度、车辆速度、车辆方向角、工作电压、工作电流。
3.根据权利要求1所述融合交通状态信息的纯电动汽车续航里程风险预警方法，其特征在于：步骤S2中，基于原始数据，构建所述样本集的操作包括如下步骤：
a1：基于电子地图，输入所述原始数据中的车辆经度、车辆纬度，获得对应的路段的编号信息，即获得所述样本集中的路段编号；
a2：根据所述原始数据中的工作电压、工作电流、车辆速度，计算所述样本集中的路段行驶能耗：
E＝U×I×T
其中，E为路段行驶能耗，U为工作电压，I为工作电流，T为路段行驶时间；
T的计算公式为：
T＝路段公里数/车辆速度
其中，路段公里数基于所述路段编号可以从电子地图中获得。
4.根据权利要求1所述融合交通状态信息的纯电动汽车续航里程风险预警方法，其特征在于：步骤S4中，基于历史交通数据，识别、提取所述异常交通状态数据，包括如下步骤：
b1：预先设置一个标准拥堵速度阈值，所述标准拥堵速度阈值表示平均车速低于此车速值时，道路段会处于交通处于拥堵状态，单位为km/h；
b2：根据所述路段编号，将每个所述路段编号对应的路段上的车速的速度数据从大到小进行排序，获取路段车速队列；
b3：基于85％分位数方法，获取位于85％分位数对应的速度，赋值为待确认速度；
b4：比较所述待确认速度和所述标准拥堵速度阈值；
如果所述待确认速度的值大于所述标准拥堵速度阈值，则所述路段编号对应的速度阈值设置为所述待确认速度的值；否则将所述标准拥堵速度阈值赋值给所述路段编号对应的所述速度阈值；
b5：根据所述路段编号，将每一个所述路段车速队列中，数值小于其对应的所述速度阈值的速度值都取出，即为所述路段编号对应的异常交通状态速度；
b6：所述异常交通状态数据包括所述路段编号以及对应的所述异常交通状态速度。
5.根据权利要求4所述融合交通状态信息的纯电动汽车续航里程风险预警方法，其特征在于：所述标准拥堵速度阈值设置为30km/h。
6.根据权利要求1所述融合交通状态信息的纯电动汽车续航里程风险预警方法，其特征在于：步骤S6中，优化所述生成器G(z)的过程是最小化交叉熵的过程，其损失函数的数学表达式为：
Figure FDA0002491486870000021
式中，Pr为输入的真实的数据类，Pg为生成器G(z)生成的数据类。
7.根据权利要求1所述融合交通状态信息的纯电动汽车续航里程风险预警方法，其特征在于：步骤S8中，基于机器学习算法构建所述车辆耗能预测模型，具体为采用树回归算法构建所述车辆耗能预测模型，包括如下步骤：
c1：获取数据集S，数据集S包括：所述样本集、所述异常交通状态样本数据集；
c2：选取特征值，依次对p+1个特征划分数据集的结果计算一次信息熵，然后判断按照哪个特征划分数据集是最好的；
c3：通过分类阈值来对数据集S进行分类，将S分为两类：
设第j个特征下能对数据集进行最有效的划分：
Figure FDA0002491486870000022
Figure FDA0002491486870000023
其中：i＝1,...l，m代表第m个节点，θm0为能让下一代子节点中数据集纯度最小的分类阈值；、
c4：在第j个特征值下，计算Lm和Rm的纯度Em是否小于阈值E，或者样本数量是否小于预设的最小样本数量N；
当Em<E，或者所述样本数量小于所述最小样本数量N时，分类过程终止；
否则，循环执行步骤c2～c4；
c5：分类过程终止后的节点即设置为叶节点；设叶节点的数据集为{xi,yi}，其中，xi包括路段编号、行驶速度，yi为行驶能耗信息；
c6：用线性回归模型对自变量xi和yi进行拟合，得到模型Mi；
设数据集S最终被分为z个类，则数据集S对应的所述车辆耗能预测模型共包含z个现行回归模型Mi。
8.根据权利要求7所述融合交通状态信息的纯电动汽车续航里程风险预警方法，其特征在于：所述阈值E是预设的阈值与Em比较来衡量分类好坏；Em的计算公式如下：
Figure FDA0002491486870000031
式中，Nm是节点m的样本容量，
Figure FDA0002491486870000032
是通过线性回归模型得出的预测值；
Figure FDA0002491486870000033
表达式：
Figure FDA0002491486870000034
其中，xm为输入样本数据，wm为线性回归模型参数。
CN202010406405.0A 2020-05-14 2020-05-14 融合交通状态信息的纯电动汽车续航里程风险预警方法 Active CN111582596B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010406405.0A CN111582596B (zh) 2020-05-14 2020-05-14 融合交通状态信息的纯电动汽车续航里程风险预警方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010406405.0A CN111582596B (zh) 2020-05-14 2020-05-14 融合交通状态信息的纯电动汽车续航里程风险预警方法

Publications (2)

Publication Number Publication Date
CN111582596A true CN111582596A (zh) 2020-08-25
CN111582596B CN111582596B (zh) 2022-07-01

Family

ID=72125019

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010406405.0A Active CN111582596B (zh) 2020-05-14 2020-05-14 融合交通状态信息的纯电动汽车续航里程风险预警方法

Country Status (1)

Country Link
CN (1) CN111582596B (zh)

Cited By (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112215497A (zh) * 2020-10-14 2021-01-12 公安部交通管理科学研究所 一种纯电动汽车运行风险预警方法
CN112348224A (zh) * 2020-09-10 2021-02-09 小灵狗出行科技有限公司 一种车辆电瓶寿命的预测方法、装置、电子设备和存储介质
CN113030763A (zh) * 2021-02-20 2021-06-25 武汉云衡智能科技有限公司 一种车用动力电池一致性差异的潜在风险诊断系统
CN113053107A (zh) * 2020-12-23 2021-06-29 沈阳世纪高通科技有限公司 一种结合自由流计算道路拥缓状态的方法及装置
CN113135208A (zh) * 2021-05-27 2021-07-20 西南交通大学 一种能量受限且时间自由的列车运行优化方法
CN114091735A (zh) * 2021-10-28 2022-02-25 华人运通(上海)云计算科技有限公司 一种电动车续航里程预测方法
WO2022048432A1 (zh) * 2020-09-04 2022-03-10 腾讯科技（深圳）有限公司 构建推荐模型的方法、构建神经网络模型的方法、装置、电子设备及存储介质
CN114565148A (zh) * 2022-02-23 2022-05-31 广州市城市规划勘测设计研究院 一种充电需求预测方法及装置
CN115348190A (zh) * 2022-08-17 2022-11-15 郑州华泰联合工业自动化有限公司 一种物联网设备检测方法、系统和设备
CN116109025A (zh) * 2023-04-04 2023-05-12 深圳天溯计量检测股份有限公司 基于大数据的电池续航测试方法
CN116572799A (zh) * 2023-07-13 2023-08-11 四川轻化工大学 基于深度学习的动力电池荷电续航预测方法、系统及终端
CN117851788A (zh) * 2024-03-04 2024-04-09 泓浒(苏州)半导体科技有限公司 一种基于天车的晶圆传送自动化调度方法及系统

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109558988A (zh) * 2018-12-13 2019-04-02 北京理工新源信息科技有限公司 一种基于大数据融合的电动汽车能耗预测方法及系统
CN110610260A (zh) * 2019-08-21 2019-12-24 南京航空航天大学 行车能耗预测系统、方法、存储介质和设备
CN110667434A (zh) * 2019-09-11 2020-01-10 南京航空航天大学 一种自适应工况的纯电动汽车行驶里程估计方法及系统

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109558988A (zh) * 2018-12-13 2019-04-02 北京理工新源信息科技有限公司 一种基于大数据融合的电动汽车能耗预测方法及系统
CN110610260A (zh) * 2019-08-21 2019-12-24 南京航空航天大学 行车能耗预测系统、方法、存储介质和设备
CN110667434A (zh) * 2019-09-11 2020-01-10 南京航空航天大学 一种自适应工况的纯电动汽车行驶里程估计方法及系统

Cited By (18)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2022048432A1 (zh) * 2020-09-04 2022-03-10 腾讯科技（深圳）有限公司 构建推荐模型的方法、构建神经网络模型的方法、装置、电子设备及存储介质
CN112348224A (zh) * 2020-09-10 2021-02-09 小灵狗出行科技有限公司 一种车辆电瓶寿命的预测方法、装置、电子设备和存储介质
CN112215497A (zh) * 2020-10-14 2021-01-12 公安部交通管理科学研究所 一种纯电动汽车运行风险预警方法
CN112215497B (zh) * 2020-10-14 2022-07-01 公安部交通管理科学研究所 一种纯电动汽车运行风险预警方法
CN113053107B (zh) * 2020-12-23 2022-08-02 沈阳世纪高通科技有限公司 一种结合自由流计算道路拥缓状态的方法及装置
CN113053107A (zh) * 2020-12-23 2021-06-29 沈阳世纪高通科技有限公司 一种结合自由流计算道路拥缓状态的方法及装置
CN113030763A (zh) * 2021-02-20 2021-06-25 武汉云衡智能科技有限公司 一种车用动力电池一致性差异的潜在风险诊断系统
CN113135208A (zh) * 2021-05-27 2021-07-20 西南交通大学 一种能量受限且时间自由的列车运行优化方法
CN113135208B (zh) * 2021-05-27 2022-01-11 西南交通大学 一种能量受限且时间自由的列车运行优化方法
CN114091735A (zh) * 2021-10-28 2022-02-25 华人运通(上海)云计算科技有限公司 一种电动车续航里程预测方法
CN114565148A (zh) * 2022-02-23 2022-05-31 广州市城市规划勘测设计研究院 一种充电需求预测方法及装置
CN114565148B (zh) * 2022-02-23 2022-11-15 广州市城市规划勘测设计研究院 一种充电需求预测方法及装置
CN115348190A (zh) * 2022-08-17 2022-11-15 郑州华泰联合工业自动化有限公司 一种物联网设备检测方法、系统和设备
CN116109025A (zh) * 2023-04-04 2023-05-12 深圳天溯计量检测股份有限公司 基于大数据的电池续航测试方法
CN116572799A (zh) * 2023-07-13 2023-08-11 四川轻化工大学 基于深度学习的动力电池荷电续航预测方法、系统及终端
CN116572799B (zh) * 2023-07-13 2023-09-05 四川轻化工大学 基于深度学习的动力电池荷电续航预测方法、系统及终端
CN117851788A (zh) * 2024-03-04 2024-04-09 泓浒(苏州)半导体科技有限公司 一种基于天车的晶圆传送自动化调度方法及系统
CN117851788B (zh) * 2024-03-04 2024-05-07 泓浒(苏州)半导体科技有限公司 一种基于天车的晶圆传送自动化调度方法及系统

Also Published As

Publication number Publication date
CN111582596B (zh) 2022-07-01

Similar Documents

Publication Publication Date Title
CN111582596B (zh) 融合交通状态信息的纯电动汽车续航里程风险预警方法
CN106371427B (zh) 基于层次分析法和模糊融合的工业过程故障分类方法
CN107688343B (zh) 一种混合动力车辆的能量控制方法
CN110610260A (zh) 行车能耗预测系统、方法、存储介质和设备
CN110070060B (zh) 一种轴承设备的故障诊断方法
CN108492557A (zh) 基于多模型融合的高速公路拥堵等级判断方法
CN111145546B (zh) 一种城市全域交通态势分析方法
CN107346460A (zh) 基于智能网联系统下前车运行信息的未来工况预测方法
CN111063204B (zh) 一种基于收费站流量的高速公路车速预测模型训练方法
WO2021129464A1 (zh) 信道识别方法、装置、传输方法、传输设备、基站、介质
CN113436433B (zh) 一种高效的城市交通离群值检测方法
CN107025468A (zh) 基于pca‑ga‑svm算法的高速公路拥堵识别方法
CN111191824B (zh) 一种动力电池容量衰减预测方法及系统
CN113222385B (zh) 一种电动汽车行驶工况构建与评价方法
CN112904219A (zh) 一种基于大数据的动力电池健康状态的预测方法
CN108764346A (zh) 一种基于熵的混合采样集成分类器
CN113642768A (zh) 一种基于工况重构的车辆行驶能耗预测方法
CN116524712A (zh) 融合时空关联数据的高速公路拥堵预测方法、系统及装置
CN112860782A (zh) 一种基于大数据分析的纯电动车续驶里程估计方法
CN112560915A (zh) 一种基于机器学习的城市快速路交通状态识别方法
CN109147320B (zh) 一种基于卡口数据的路段交通状态判别方法
CN112749508B (zh) 一种基于gmm和bp神经网络的路感模拟方法
Zhao et al. A driving risk prediction algorithm based on PCA-BP neural network in vehicular communication
CN112098869B (zh) 一种基于大数据的自适应电动汽车soc估计方法
CN113640690A (zh) 一种电动汽车动力电池剩余寿命预测方法

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