CN112101415A - 累碳量预测方法、装置、汽车、云端服务器及计算机可读存储介质 - Google Patents

Abstract

本申请实施例公开了一种累碳量预测方法、GPF主动再生控制方法、装置、汽车及计算机可读存储介质，其中所述累碳量预测方法包括：获取至少一个规划分段道路的道路信息，所述道路信息用于描述所述分段道路的道路特征；根据各个所述分段道路的道路信息，调用累碳量预测模型对每个所述分段道路进行累碳量预测，得到每个所述分段道路的预测累碳量。在此基础上，结合道路信息筛选出最适宜进行主动再生的目标路段，继而优化主动再生控制。通过实施本申请能解决现有技术中无法预测未来的累碳量变化，并基于未来的累碳量变化来指导主动再生的问题。

Description

累碳量预测方法、装置、汽车、云端服务器及计算机可读存储 介质

技术领域

本申请涉及车辆技术领域，尤其涉及一种累碳量预测方法、装置、汽车、云端服务器及计算机可读存储介质。

背景技术

随着汽车行业的快速发展，汽车尾气已成为大气主要污染源之一。为满足国六排放标准，汽油机颗粒捕捉器(GPF)被广泛应用于国六项目中。GPF由于其吸附作用，会有累碳(soot)、积灰(ash)现象，当碳量加多时需要主动调节排温和空燃比，以燃烧的方式减少GPF内部积碳，该方式称为主动再生。

GPF中累碳量在批产车辆中无法通过测量直接获取，当前的策略是基于发动机运行参数来建立GPF的累碳模型。可见，影响累碳量的关键是发动机运行的工况数据，而由于发动机运行的未来工况数据无法直接获取，无法预知未来的累碳量变化。

发明内容

本申请实施例提供了一种累碳量预测方法、GPF主动再生控制方法、装置、汽车、云端服务器及计算机可读存储介质，以解决现有技术中无法预测未来的累碳量变化的问题。

第一方面，提供了一种累碳量预测方法，该方法包括：获取至少一个分段道路的道路信息，该道路信息用于描述分段道路的道路特征。根据各个分段道路的道路信息，调用累碳量预测模型对每个分段道路进行累碳量预测，得到每个分段道路的预测累碳量。

在一些实施例中，所述获取至少一个分段道路的道路信息包括：获取预期的规划道路的信息；根据所述规划道路的道路特征，对所述规划道路进行分段，得到至少一个分段道路以及所述至少一个分段道路的道路信息。

在一些实施例中，所述调用累碳量预测模型对每个所述分段道路进行累碳量预测，得到每个所述分段道路的预测累碳量之前，所述累碳量预测方法还包括：调用预设的累碳量真实模型对已行驶路段进行累碳量计算，得到所述已行驶路段的真实累碳量，所述已行驶路段为所述至少一个分段道路中的路段；利用所述已行驶路段的真实累碳量修正所述累碳量预测模型。

在一些实施例中，所述调用累碳量预测模型对每个所述分段道路进行累碳量预测之前，所述累碳量预测方法还包括：获取训练样本，所述训练样本包括导航数据、历史路程、汽车负载、汽车位置及环境数据；根据所述训练样本对累碳量模型进行迭代训练，得到所述累碳量预测模型。

在一些实施例中，所述根据所述训练样本对累碳量模型进行迭代训练，得到所述累碳量预测模型包括：在第一结果与第二结果之差小于第一阈值，且所述汽车的累计行驶路程大于第二阈值时，结束所述累碳量模型的迭代训练，得到所述累碳量预测模型；其中，所述第一结果为所述迭代训练的累碳量模型对同一训练样本进行累碳量计算得到的结果，所述第二结果为预设的累碳量真实模型对所述同一训练样本进行累碳量计算得到的结果。

在一些实施例中，所述调用累碳量预测模型对每个所述分段道路进行累碳量预测包括：通过直接调用部署在云端服务器中的累碳量预测模型，来对每个所述分段道路进行累碳量预测；或者，先通过云端服务器将累碳量预测模型简化并部署在汽车的嵌入式控制器中，以得到简化后的累碳量预测模型，然后，通过调用所述简化后的累碳量预测模型，来对每个所述分段道路进行累碳量预测。

第二方面，提供了一种主动再生控制方法，所述方法包括：获取预期的规划道路的信息，并对规划道路进行分段，得到至少一个分段道路的道路信息，采用第一方面描述的累碳量预测方法，获得各个分段道路各自的预测累碳量。根据各个分段道路各自的预测累碳量、各个分段道路各自的行驶路程和行驶时间，对至少一个分段道路进行再生路段评估，得到目标再生路段，该目标再生路段为至少一个分段道路中的任一个或多个。若汽车当前的真实累碳量超过累碳阈值，则在目标再生路段触发主动再生，该主动再生用于指示在目标再生路段进行碳量燃烧。

在一些实施例中，所述根据各个所述分段道路各自的预测累碳量、各个所述分段路段各自的行驶路程和行驶时间，对所述至少一个分段道路进行再生路段评估，得到目标再生路段，包括：根据各个所述分段道路各自的预测累碳量、各个所述分段路段各自的行驶路程和行驶时间，对所述至少一个分段道路进行再生路段评估，得到各个所述分段道路各自的再生路段指标；从各个所述分段道路各自的再生路段指标中选取指标超过第三阈值的分段道路，作为所述目标再生路段。

在一些实施例中，所述至少一个分段路段中的第i个所述分段道路的再生路段指标为：

其中，

为预设的第一权重系数，

为预设的第二权重系数，Δm_i为第i个分段道路中预测累碳量的质量变化量，Δt_i为第i个分段道路的行驶时间，l_i为第i个分段道路的行驶路程。

第三方面，提供了一种累碳量预测装置，可执行上述第一方面或第一方面的任意一种可选的实施例中的方法。该功能可以通过硬件实现，也可以通过硬件执行相应的软件实现。该硬件或软件包括一个或多个与上述功能相对应的单元。该单元可以是软件和/或硬件。

第四方面，提供了一种主动再生控制装置，可执行上述第二方面或第二方面任一种可选的实施例中的方法。该功能可以通过硬件实现，也可以通过硬件执行相应的软件实现。该硬件或软件包括一个或多个与上述功能相对应的单元。该单元可以是软件和/或硬件。

第五方面，提供了一种汽车，该终端包括：处理器以及和处理器相连的存储器；其中，该存储器包括计算机可读指令；该处理器用于执行该存储器中的计算机可读指令，从而使得该汽车执行上述第一方面或第二方面任一方面所描述的方案。

第六方面，提供了一种计算机程序产品，当其在计算机上运行时，使得计算机执行上述第一方面或第二方面任一方面所描述的方法。

第七方面，提供了一种芯片产品，执行上述第一方面或第二方面任一方面所描述的方法。

第八方面，提了供一种计算机可读存储介质，所述计算机可读存储介质中存储有指令，当其在计算机上运行时，使得计算机执行上述第一方面或第二方面任一方面所描述的方法。

附图说明

图1是GPF再生策略示意图。

图2是本申请实施例提供的一种系统结构示意图。

图3是本申请实施例提供的一种累碳量预测方法的流程示意图。

图4是本申请实施例提供的一种主动再生控制方法的流程示意图。

图5是本申请实施例提供的一种目标再生路段选取的示意图。

图6是本申请实施例提供的一种累碳量预测装置的结构示意图。

图7是本申请实施例提供的一种主动再生控制装置的结构示意图。

图8是本申请实施例提供的一种云端服务器的结构示意图。

图9是本申请实施例提供的一种汽车的结构示意图。

图10是本申请实施例提供的另一种汽车的结构示意图。

具体实施方式

下面结合附图对本申请具体实施例作进一步的详细描述。

申请人发现，GPF中累碳量在批产车辆中难以通过测量直接获取，当前主流的策略是基于发动机运行参数，建立GPF的累碳量模型。根据当前发动机的转速、负荷、空燃比及水温等运行参数，计算累碳(soot)的原始排放。由于GPF的捕集效率并不是100％，考虑GPF的捕集效率，计算GPF内部的累碳量。而当发动机运行工况满足累碳燃烧条件时，GPF内部的累碳量会以一定速率被燃烧消耗掉，其燃烧速率由当前的累碳量决定，并经过当前GPF温度，进行排气氧流量和排气流量的修正。在非再生工况下，累碳量的燃烧速率低于其捕集速率，所以累碳量呈增长趋势；在再生工况下，累碳量的燃烧速率高于其捕集速率，所以累碳量呈降低趋势。而再生又分为主动再生和被动再生两种，主动再生需要发动机主动调节喷油点火和空燃比以提高累碳燃烧速率，而被动再生则是由于发动机自身运行在排气温度较高且富氧的工况下，此时可以直接获得较高的累碳燃烧速率，而无需额外干预。

请参见图1示出常规GPF再生策略示意图。发动机管理系统(EMS)基于当前计算得到的累碳量和发动机工况来决定是否发出主动再生需求。主动再生需求发出后，发动机通过调整燃烧相位提升排温以及改变空燃比的方式，提高GPF中累碳量的燃烧速度，起到GPF再生效果。但目前的策略只能基于当前的累碳量和发动机运行工况来决定是否需要主动再生，而无法预知未来的累碳量变化。若汽车在短期的未来工况中有被动再生条件，此时仍发出主动再生的需求，反而会带来额外的能源消耗。此外，一旦主动再生需求发出后，若发动机工况离开预设安全阈值范围时，便会中断再生过程，直至再次满足发动机工况需求。因此主动再生过程很可能出现“进入主动再生-再生中断-进入主动再生-再生中断”这样的循环中。频繁地进入或退出主动再生流程，一方面会带来额外的燃油消耗，恶化排放，提升GPF零部件的热负荷，影响零部件寿命；另一方面，由于发动机工况数据频繁变化，也会影响驾驶体验。

为解决上述问题，本申请提出一种累碳量预测方法和主动再生控制方法，及所述方法适用的相关装置及汽车。请参见图2，是本申请提供的一种系统结构示意图。如图2所示的系统20包括云端服务器100和汽车200。其中，汽车200与云端服务器100通过网络相互通信。考虑到模型训练的复杂性及资源消耗较多等因素，累碳量预测模型的训练可放在云端服务器200中。在累碳量预测模型训练结束后，汽车200可调用云端服务器100中的累碳量预测模型进行相应累碳量的预测。

本申请汽车200中部署有汽油机颗粒捕集器GPF、导航定位系统和环境传感器等部件。该导航定位系统用于导航汽车，获取汽车的导航数据等。可选地导航定位系统还可获取汽车的当前地理位置。环境传感器用于采集汽车当前所处的环境数据，例如气温、海拔、气象条件、天气数据等等。

请参见图3，图3是本申请实施例提供的一种累碳量预测方法的流程示意图。如图3所示的方法包括：

S301、汽车获取至少一个分段道路的道路信息，该道路信息用于描述分段道路的道路特征。

本申请汽车可获取预期的规划道路的信息，该信息用于描述规划道路的道路特征，例如道路类型、道路坡度、特殊路段(隧道或桥梁)、道路限速等。该规划道路可为导航数据中的导航路径，也可为在汽车不存在导航定位系统时的历史运行路径，例如上下班路径等。进而汽车根据规划道路的道路特征，对规划道路进行分段，得到至少一个分段道路和每个分段道路的道路信息。可选地，汽车也可基于先进辅助驾驶接口说明(ADASIS)协议结合规划道路的道路特征对规划道路进行分段。

S302、根据各个分段道路的道路信息，调用累碳量预测模型对每个分段道路进行累碳量预测，得到每个分段道路的预测累碳量。

本申请汽车在使用累碳量预测模型进行GPF的累碳量预测时，与真实累碳量存在一定误差，随着累碳量的不断增加，预测模型的累计误差也会不断增大。因此本申请设计一个预设的累碳量真实模型(累碳量真实值)来实时不断地修正累碳量预测模型。具体的，汽车可调用预设的累碳量真实模型对已行驶路段进行累碳量计算，得到已行驶路段的真实累碳量，该已行驶路段为至少一个分段道路中的路段。进而利用已行驶路段的真实累碳量修正累碳量预测模型。该累碳量真实模型与累碳量预测模型存在不同，累碳量真实模型仅与发动机的运行参数(例如转速、负荷、水温等)有关，而累碳量预测模型与环境数据、导航数据等有关，具体在下文中详细介绍。汽车利用累碳量真实模型可计算获得汽车已行驶路段的真实累碳量。汽车利用累碳量预测模型可计算汽车已行驶路段的预测累碳量，由于预测累碳量与真实累碳量不同，则可利用该已行驶路段的真实累碳量去修正累碳量预测模型，这样能提升累碳量预测模型的精度。在修正累碳量预测模型后，汽车能利用修正后的累碳量预测模型来预测后面各分段路段的预测累碳量。

在实际应用中，汽车可直接调用部署在云端服务器中的累碳量预测模型，来对每个分段道路进行累碳量预测。或者，汽车可先通过云端服务器将累碳量预测模型简化并部署在汽车的嵌入式控制器(例如发动机控制单元ECU中等)，得到简化后的累碳量预测模型。然后汽车从嵌入式控制器中调用简化后的累碳量预测模型来对每个分段道路进行累碳量预测。同样可得到每个分段道路的预测累碳量。

下面介绍累碳量预测模型训练的过程。在具体实现中，训练累碳量预测模型课具体在汽车侧，也可在云端服务器侧，其训练过程都相同。本申请这里以在汽车侧训练累碳量预测模型为例进行相关内容阐述。具体的，汽车可获取训练样本，该训练样本包括导航数据、历史路程、汽车负载、汽车位置及环境数据。其中，导航数据为汽车外出导航路径规划后，地图供应商基于ADASIS协议提供规划路径中各个分段道路的道路信息。历史路程为对于没有导航路径输入的场景，采用工况数据辨别的方法识别出常用的运行路径，例如上下班路径等。汽车负载会影响发动机的负载，进而影响累碳量的产生。汽车负载由汽车基本质量和乘员或货物情况决定，在同一驾驶循环中汽车负载不会发生明显变化。因此基于车辆运动学特征信息也可重构出当前的汽车负载。汽车位置指汽车的地理位置。环境数据指用于描述汽车运行所处环境的数据，其可包括但不限于气温、海拔及气象(雨雪)条件等。

在获得训练样本后，汽车可根据训练样本对累碳量模型进行迭代训练，得到累碳量预测模型。具体的，在发动机管理系统(EMS)中，汽车以预设的累碳量真实模型的计算结果作为训练目标，通过机器学习算法训练累碳量模型。在第一结果与第二结果之差小于第一阈值，且汽车的累计行驶路程大于第二阈值时，方可结束累碳量模型的迭代训练，从而输出得到累碳量预测模型。反之在第一结果与第二结果之差大于或等于第一阈值，和/或，汽车的累计行驶路程不超过第二阈值时，仍然继续累碳量模型的迭代训练，直至第一结果与第二结果之差小于第一阈值且汽车的累计行驶路程大于第二阈值时，方可结束累碳量模型的迭代训练，得到累碳量预测模型。其中，第一结果为迭代训练的累碳量模型对同一训练样本进行累碳量计算得到的结果。第二结果为预设的累碳量真实模型对同一训练样本进行累碳量计算得到的结果。第一阈值和第二阈值为系统自定义设置的，它们可以相同，也可不相同，本申请不做限定。

可选地，在后面的汽车生命周期内，累碳量预测模型还可持续地被更新或修正，具体参见前述实施例中相关内容的描述，这样有利于保证累碳量预测模型的模型精度。

通过实施本申请，汽车获取至少一个分段道路的道路信息，该道路信息用于描述分段道路的道路特征，根据各个分段道路的道路信息调用累碳量预测模型对每个分段道路进行累碳量预测，得到每个分段道路的预测累碳量。这样能支持在线预测预期的规划道路中GPF的累碳量。从而能解决现有技术中无法预测未来的累碳量变化的问题。

请参见图4，图4是本申请提供的一种主动再生控制方法的流程示意图。如图4所示的方法包括：

S401、获取预期的规划道路的信息，根据规划道路的道路特征对规划道路进行分段，得到至少一个分段道路的道路信息。

S402、根据各个分段道路的道路信息，调用累碳量预测模型对每个分段道路进行累碳量预测，得到每个分段道路的预测累碳量。关于步骤S401及S402的介绍可参考前述图3所述实施例中的相关介绍，这里不再赘述。

S403、根据各个分段道路各自的预测累碳量、各个分段道路各自的行驶路程和行驶时间，对至少一个分段道路进行再生路段评估，得到目标再生路段，该目标再生路段为至少一个分段道路中的任一个或多个。

本申请汽车根据各个分段道路各自的预测累碳量、各个分段道路各自的行驶路程和行驶时间，对至少一个分段道路进行再生路段评估，得到各个分段道路各自的再生路段指标。然后从各个分段道路各自的再生指标中选取指标大于或等于(超过)第三阈值的分段道路作为目标再生路段。即，选取再生路段指标较高的分段路段作为目标再生路段。第三阈值为系统自定义设置的，例如0.5等。

在一种可能的实施方式中，每个分段路段的再生路段指标，以至少一个分段路段中第i个分段路段的再生路段指标R_i为例，该

其中，

为预设的第一权重系数，

为预设的第二权重系数，Δm_i为第i个分段道路中预测累碳量的质量变化量，Δt_i为第i个分段道路的行驶时间，l_i为第i个分段道路的行驶路程。在实际应用中，

和

均可为根据用户经验设置的经验常数。

S404、若汽车当前的真实累碳量超过累碳阈值，则在目标再生路段触发主动再生。该主动再生用于指示在目标再生路段继续碳量燃烧。

本申请在汽车运行过程中，如果汽车当前的真实累碳量超过一定阈值(累碳阈值)，则在目标再生路段触发主动再生，以进行一定碳量的燃烧，减少GPF中的累碳量。具体的，汽车可生成GPF主动再生指令，该指令用于指示在目标再生路段触发主动再生，并执行该指令。反之，如果汽车当前的真实累碳量不超过一定阈值，则结束流程，不触发主动再生。其中，汽车当前的真实累碳量可通过累碳量真实模型计算，例如将发动机当前的运行工况输入累碳量真实模型中进行计算，以得到汽车当前的真实累碳量。

举例来说，请参见图5示出一种目标再生路段选取的示意图。如图5中，规划道路包括20个分段道路，每个分段道路的预测累碳量、行驶时间及再生路段评价指标分别如图5所示，汽车选取再生路段指标最高的分段路段16作为目标再生路段，图示为标黑路段。

通过实施本申请，构建基于未来规划道路和环境数据等参数的GPF累碳量预测模型，在线预测未来规划道路中的GPF累碳量变化。结合规划道路中的道路分段特征，识别出最适宜进行主动再生的区段，相关结果可作为GPF主动再生优化策略的输入，有利于减少主动再生频次、优化主动再生时机，起到降低油耗和排放，降低GPF热负荷，延长GPF零部件寿命，提升驾驶感受的作用。

请参见图6，图6是本申请实施例提供的一种累碳量预测的结构示意图。如图6所示的装置600包括获取单元601和预测单元602。其中，

获取单元601用于获取至少一个分段道路的道路信息，所述道路信息用于描述所述分段道路的道路特征；

预测单元602用于根据各个所述分段道路的道路信息，调用累碳量预测模型对每个所述分段道路进行累碳量预测，得到每个所述分段道路的预测累碳量。

在一些实施例中，获取单元601具体用于获取预期的规划道路的信息；根据所述规划道路的道路特征，对所述规划道路进行分段，得到至少一个分段道路以及所述至少一个分段道路的道路信息。

在一些实施例中，该装置还包括计算单元603和修正单元604。其中，计算单元603用于调用预设的累碳量真实模型对已行驶路段进行累碳量计算，得到所述已行驶路段的真实累碳量，所述已行驶路段为所述至少一个分段道路中的路段；修正单元604用于利用所述已行驶路段的真实累碳量修正所述累碳量预测模型。

在一些实施例中，该装置还包括训练单元605，其中获取单元601还用于获取训练样本，所述训练样本包括导航数据、历史路程、汽车负载、汽车位置及环境数据；训练单元605还用于根据所述训练样本对累碳量模型进行迭代训练，得到所述累碳量预测模型。

在一些实施例中，训练单元605具体用于在第一结果与第二结果之差小于第一阈值，且所述汽车的累计行驶路程大于第二阈值时，结束所述累碳量模型的迭代训练，得到所述累碳量预测模型；其中，所述第一结果为所述迭代训练的累碳量模型对同一训练样本进行累碳量计算得到的结果，所述第二结果为预设的累碳量真实模型对所述同一训练样本进行累碳量计算得到的结果。

在一些实施例中，预测单元602具体用于通过直接调用部署在云端服务器中的累碳量预测模型来对每个所述分段道路进行累碳量预测；或者，先通过云端服务器将累碳量预测模型简化并部署在汽车的嵌入式控制器中，以得到简化后的累碳量预测模型，然后，通过调用所述简化后的累碳量预测模型来对每个所述分段道路进行累碳量预测。

请参见图7，是本申请实施例提供的一种主动再生控制装置，包括获取单元701、预测单元702、评估单元703和触发单元704。其中，

所述获取单元701，用于获取预期的规划道路的信息，并对所述规划道路进行分段，以得到至少一个分段道路的道路信息；

所述预测单元702，用于根据各个所述分段道路的道路信息，调用累碳量预测模型对每个所述分段道路进行累碳量预测，得到每个所述分段道路的预测累碳量；

所述评估单元703，用于根据各个所述分段道路各自的预测累碳量、各个所述分段路段各自的行驶路程和行驶时间，对所述至少一个分段道路进行再生路段评估，得到目标再生路段，所述目标再生路段为所述至少一个分段道路中的任一个或多个；

所述触发单元704，用于若所述目标再生路段的真实累碳量超过累碳阈值，则在所述目标再生路段触发主动再生，所述主动再生用于指示在所述目标再生路段进行碳量燃烧。

在一些实施例中，关于获取单元701和预测单元702具体可参见前述图6中的相关描述，这里不再赘述。评估单元703具体用于根据各个所述分段道路各自的预测累碳量、各个所述分段路段各自的行驶路程和行驶时间，对所述至少一个分段道路进行再生路段评估，得到各个所述分段道路各自的再生路段指标；从各个所述分段道路各自的再生路段指标中选取指标超过第三阈值的分段道路，作为所述目标再生路段。

在一些实施例中，所述至少一个分段路段中的第i个所述分段道路的再生路段指标为：

其中，

为预设的第一权重系数，

为预设的第二权重系数，Δm_i为第i个分段道路中预测累碳量的质量变化量，Δt_i为第i个分段道路的行驶时间，l_i为第i个分段道路的行驶路程。

请参见图8，图8是本申请实施例提供的一种云端服务器的结构示意图。如图8所示的云端服务器800包括获取单元801和训练单元802。其中，

获取单元801用于获取训练样本，所述训练样本包括导航数据、历史路程、汽车负载、汽车位置及环境数据；

训练单元802用于根据所述训练样本对累碳量模型进行迭代训练，得到所述累碳量预测模型。

在一些实施例中，所述训练单元802具体用于在第一结果与第二结果之差小于第一阈值，且所述汽车的累计行驶路程大于第二阈值时，结束所述累碳量模型的迭代训练，得到所述累碳量预测模型；其中，所述第一结果为所述迭代训练的累碳量模型对同一训练样本进行累碳量计算得到的结果，所述第二结果为预设的累碳量真实模型对所述同一训练样本进行累碳量计算得到的结果。

请参见图9，是本申请实施例提供的一种汽车的结构示意图。如图9所示的汽车900包括：至少一个输入设备901；至少一个输出设备902；至少一个处理器903，例如CPU；和存储器904，上述输入设备901、输出设备902、处理器903和存储器904通过总线905连接。

其中，上述输入设备901具体可为移动终端的触控面板，包括触摸屏和触控屏，用于检测终端触控面板上的操作指令。

上述输出设备902具体可为移动终端的显示屏，用于输出、显示信息。

上述存储器904可以是高速RAM存储器，也可为非不稳定的存储器(non-volatilememory)，例如磁盘存储器。上述存储器904用于存储一组程序代码，上述输入设备901、输出设备902和处理器903用于调用存储器904中存储的程序代码，执行如下操作：

处理器903用于获取至少一个分段道路的道路信息，所述道路信息用于描述所述分段道路的道路特征；根据各个所述分段道路的道路信息，调用累碳量预测模型对每个所述分段道路进行累碳量预测，得到每个所述分段道路的预测累碳量。

在一些实施例中，处理器903具体用于获取预期的规划道路的信息；根据所述规划道路的道路特征，对所述规划道路进行分段，得到至少一个分段道路以及所述至少一个分段道路的道路信息。

在一些实施例中，处理器903还用于调用预设的累碳量真实模型对已行驶路段进行累碳量计算，得到所述已行驶路段的真实累碳量，所述已行驶路段为所述至少一个分段道路中的路段；利用所述已行驶路段的真实累碳量修正所述累碳量预测模型。

在一些实施例中，处理器903还用于获取训练样本，所述训练样本包括导航数据、历史路程、汽车负载、汽车位置及环境数据；根据所述训练样本对累碳量模型进行迭代训练，得到所述累碳量预测模型。

在一些实施例中，处理器903具体用于在第一结果与第二结果之差小于第一阈值，且所述汽车的累计行驶路程大于第二阈值时，结束所述累碳量模型的迭代训练，得到所述累碳量预测模型；其中，所述第一结果为所述迭代训练的累碳量模型对同一训练样本进行累碳量计算得到的结果，所述第二结果为预设的累碳量真实模型对所述同一训练样本进行累碳量计算得到的结果。

在一些实施例中，处理器903具体用于通过直接调用部署在云端服务器中的累碳量预测模型，来对每个所述分段道路进行累碳量预测；或者，先通过云端服务器将累碳量预测模型简化并部署在汽车的嵌入式控制器中，以得到简化后的累碳量预测模型，然后，通过调用所述简化后的累碳量预测模型，来对每个所述分段道路进行累碳量预测。

通过实施本申请实施例，能解决现有无法预测未来的GPF累碳量的问题。

请参见图10，是本申请实施例提供的另一种汽车的结构示意图。如图10所示的汽车1000包括：至少一个输入设备1001；至少一个输出设备1002；至少一个处理器1003，例如CPU；和存储器1004，上述输入设备1001、输出设备1002、处理器1003和存储器1004通过总线1005连接。

其中，上述输入设备1001具体可为移动终端的触控面板，包括触摸屏和触控屏，用于检测终端触控面板上的操作指令。

上述输出设备1002具体可为移动终端的显示屏，用于输出、显示信息。

上述存储器1004可以是高速RAM存储器，也可为非不稳定的存储器(non-volatilememory)，例如磁盘存储器。上述存储器1004用于存储一组程序代码，上述输入设备1001、输出设备1002和处理器1003用于调用存储器1004中存储的程序代码，执行如下操作：

处理器1003用于获取预期的规划道路的信息，并对所述规划道路进行分段，得到至少一个分段道路的道路信息；

根据各个所述分段道路的道路信息，调用累碳量预测模型对每个所述分段道路进行累碳量预测，得到每个所述分段道路的预测累碳量；

根据各个所述分段道路各自的预测累碳量、各个所述分段路段各自的行驶路程和行驶时间，对所述至少一个分段道路进行再生路段评估，得到目标再生路段，所述目标再生路段为所述至少一个分段道路中的任一个或多个；

若所述目标再生路段的真实累碳量超过累碳阈值，则在所述目标再生路段触发主动再生，所述主动再生用于指示在所述目标再生路段进行碳量燃烧。

在一些实施例中，关于处理器1003如何获得各个分段道路的预测累碳量具体可参见前述图9所述实施例中的相关介绍，这里不再赘述。处理器1003具体可用于根据各个所述分段道路各自的预测累碳量、各个所述分段路段各自的行驶路程和行驶时间，对所述至少一个分段道路进行再生路段评估，得到各个所述分段道路各自的再生路段指标；从各个所述分段道路各自的再生路段指标中选取指标超过第三阈值的分段道路，作为所述目标再生路段。

在一些实施例中，所述至少一个分段路段中的第i个所述分段道路的再生路段指标为：

其中，

为预设的第一权重系数，

为预设的第二权重系数，Δm_i为第i个分段道路中预测累碳量的质量变化量，Δt_i为第i个分段道路的行驶时间，l_i为第i个分段道路的行驶路程。

通过实施本申请，构建基于未来规划道路和环境数据等参数的GPF累碳量预测模型，在线预测未来规划道路中的GPF累碳量变化。结合规划道路中的道路分段特征，识别出最适宜进行主动再生的区段，相关结果可作为GPF主动再生优化策略的输入，有利于减少主动再生频次、优化主动再生时机，起到降低油耗和排放，降低GPF热负荷，延长GPF零部件寿命，提升驾驶感受的作用。

基于同一发明构思，本申请实施例中提供的终端解决问题的原理与本申请方法实施例中终端解决问题的原理相似，因此各设备的实施可以参见方法的实施，为简洁描述，在这里不再赘述。

需要说明的是，在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详细描述的部分，可以参见其他实施例的相关描述。

本发明实施例方法中的步骤可以根据实际需要进行顺序调整、合并和删减。

本发明实施例终端设备中的模块可以根据实际需要进行合并、划分和删减。

最后应说明的是：以上各实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述各实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的范围。

Claims (14)

1.一种累碳量预测方法，其特征在于，所述累碳量预测方法包括：

获取至少一个分段道路的道路信息，所述道路信息用于描述所述分段道路的道路特征；

根据各个所述分段道路的道路信息，调用累碳量预测模型对每个所述分段道路进行累碳量预测，得到每个所述分段道路的预测累碳量。

2.根据权利要求1所述的累碳量预测方法，其特征在于，所述获取至少一个分段道路的道路信息包括：

获取预期的规划道路的信息；

根据所述规划道路的道路特征，对所述规划道路进行分段，得到至少一个分段道路以及所述至少一个分段道路的道路信息。

3.根据权利要求1所述的累碳量预测方法，其特征在于，所述调用累碳量预测模型对每个所述分段道路进行累碳量预测，得到每个所述分段道路的预测累碳量之前，所述累碳量预测方法还包括：

调用预设的累碳量真实模型对已行驶路段进行累碳量计算，得到所述已行驶路段的真实累碳量，所述已行驶路段为所述至少一个分段道路中的路段；

利用所述已行驶路段的真实累碳量修正所述累碳量预测模型。

4.根据权利要求1所述的累碳量预测方法，其特征在于，所述调用累碳量预测模型对每个所述分段道路进行累碳量预测之前，所述累碳量预测方法包括：

获取训练样本，所述训练样本包括导航数据、历史路程、汽车负载、汽车位置及环境数据；

根据所述训练样本对累碳量模型进行迭代训练，得到所述累碳量预测模型。

5.根据权利要求4所述的累碳量预测方法，其特征在于，所述根据所述训练样本对累碳量模型进行迭代训练，得到所述累碳量预测模型包括：

在第一结果与第二结果之差小于第一阈值，且所述汽车的累计行驶路程大于第二阈值时，结束所述累碳量模型的迭代训练，得到所述累碳量预测模型；

其中，所述第一结果为所述迭代训练的累碳量预测模型对同一训练样本进行累碳量计算得到的结果，所述第二结果为预设的累碳量真实模型对所述同一训练样本进行累碳量计算得到的结果。

6.根据权利要求1-5中任一项所述的累碳量预测方法，其特征在于，所述调用累碳量预测模型对每个所述分段道路进行累碳量预测包括：

通过直接调用部署在云端服务器中的累碳量预测模型，来对每个所述分段道路进行累碳量预测；

或者，先通过云端服务器将累碳量预测模型简化并部署在汽车的嵌入式控制器中，以得到简化后的累碳量预测模型，然后，通过调用所述简化后的累碳量预测模型，来对每个所述分段道路进行累碳量预测。

7.一种主动再生控制方法，其特征在于，包括：

获取预期的规划道路的信息，并对所述规划道路进行分段，得到至少一个分段道路的道路信息；

采用权利要求1至6中任一项所述的累碳量预测方法，获得各个所述分段道路各自的预测累碳量；

根据各个所述分段道路各自的预测累碳量、各个所述分段路段各自的行驶路程和行驶时间，对所述至少一个分段道路进行再生路段评估，得到目标再生路段，所述目标再生路段为所述至少一个分段道路中的任一个或多个；

若汽车当前的真实累碳量超过累碳阈值，则在所述目标再生路段触发主动再生，所述主动再生用于指示在所述目标再生路段进行碳量燃烧。

8.根据权利要求7所述的主动再生控制方法，其特征在于，所述根据各个所述分段道路各自的预测累碳量、各个所述分段路段各自的行驶路程和行驶时间，对所述至少一个分段道路进行再生路段评估，得到目标再生路段包括：

根据各个所述分段道路各自的预测累碳量、各个所述分段路段各自的行驶路程和行驶时间，对所述至少一个分段道路进行再生路段评估，得到各个所述分段道路各自的再生路段指标；

从各个所述分段道路各自的再生路段指标中选取指标超过第三阈值的分段道路，作为所述目标再生路段。

9.根据权利要求8所述的主动再生控制方法，其特征在于，所述至少一个分段路段中的第i个所述分段道路的再生路段指标为：

其中，

为预设的第一权重系数，

为预设的第二权重系数，Δm_i为第i个分段道路中预测累碳量的质量变化量，Δt_i为第i个分段道路的行驶时间，l_i为第i个分段道路的行驶路程。

10.一种累碳量预测装置，其特征在于，包括获取单元和预测单元，其中，

所述获取单元，用于获取至少一个分段道路的道路信息，所述道路信息用于描述所述分段道路的道路特征；

所述预测单元，用于根据各个所述分段道路的道路信息，调用累碳量预测模型对每个所述分段道路进行累碳量预测，得到每个所述分段道路的预测累碳量。

11.一种主动再生控制装置，其特征在于，包括获取单元、预测单元、评估单元和触发单元，其中，

所述获取单元，用于获取预期的规划道路的信息，并对所述规划道路进行分段，以得到至少一个分段道路的道路信息；

所述预测单元，用于根据各个所述分段道路的道路信息，调用累碳量预测模型对每个所述分段道路进行累碳量预测，得到每个所述分段道路的预测累碳量；

所述评估单元，用于根据各个所述分段道路各自的预测累碳量、各个所述分段路段各自的行驶路程和行驶时间，对所述至少一个分段道路进行再生路段评估，得到目标再生路段，所述目标再生路段为所述至少一个分段道路中的任一个或多个；

所述触发单元，用于若汽车当前的真实累碳量超过累碳阈值，则在所述目标再生路段触发主动再生，所述主动再生用于指示在所述目标再生路段进行碳量燃烧。

12.一种汽车，其特征在于，包括处理器以及与所述处理器连接的存储器，所述存储器包括计算机可读指令，所述处理器用于执行所述存储器中的计算机可读指令，用以实现如权利要求1～6中任一项所述的累碳量预测方法，或者，如权利要求7～9中任一项所述主动再生控制方法。

13.一种云端服务器，其特征在于，包括：

训练样本获取单元，用于获取训练样本，所述训练样本包括导航数据、历史路程、汽车负载、汽车位置及环境数据；

模型输出单元，用于根据所述训练样本对一累碳量模型进行迭代训练，得到相应的累碳量预测模型。

14.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机程序，所述计算机程序包括程序指令，所述程序指令被处理器执行时使所述处理器执行如权利要求1～6中任一项所述的累碳量预测方法，或者，如权利要求7～9中任一项所述主动再生控制方法。

Images