CN112356822A - 混动车辆及其发电量的预测方法、装置和预测系统 - Google Patents
混动车辆及其发电量的预测方法、装置和预测系统 Download PDFInfo
- Publication number
- CN112356822A CN112356822A CN202011260684.0A CN202011260684A CN112356822A CN 112356822 A CN112356822 A CN 112356822A CN 202011260684 A CN202011260684 A CN 202011260684A CN 112356822 A CN112356822 A CN 112356822A
- Authority
- CN
- China
- Prior art keywords
- historical
- data
- path
- current
- travel
- 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
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
- B60W20/00—Control systems specially adapted for hybrid vehicles
- B60W20/10—Controlling the power contribution of each of the prime movers to meet required power demand
- B60W20/11—Controlling the power contribution of each of the prime movers to meet required power demand using model predictive control [MPC] strategies, i.e. control methods based on models predicting performance
-
- 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
- B60W2556/00—Input parameters relating to data
- B60W2556/10—Historical data
Landscapes
- Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Transportation (AREA)
- Mechanical Engineering (AREA)
- Hybrid Electric Vehicles (AREA)
- Electric Propulsion And Braking For Vehicles (AREA)
Abstract
本公开涉及混动车辆及其发电量的预测方法、装置和预测系统。该方法包括:获取车辆的历史行程,以及车辆的当前位置数据;基于所述历史行程和所述当前位置数据,预测当前行驶路径;获取所述当前行驶路径的路况信息,以及历史车速分布数据和历史发电量分布数据;基于所述当前行驶路径、所述当前行驶路径的路况信息、所述历史车速分布数据和所述历史发电量分布数据,预测所述当前行驶路径中发电机的发电量数据。如此,可结合当前位置数据和预测的当前行驶路径的路况信息,以及结合历史车速分布数据和历史发电量分布数据,预测当前行驶路径中的发电量,包括对发电总量和发电量分布的预测,预测准确性较高,对车辆驾驶的指导实用性较高。
Description
技术领域
本公开涉及车辆技术领域,尤其涉及一种混动车辆及其发电量的预测方法、装置和预测系统。
背景技术
近些年来,随着社会的不断发展,人们的生活水平不断提高,人们对于汽车的需求量也越来越大,由于能源短缺以及传统汽车带来的环境污染问题日益严重,以电能为动力的电动汽车应运而生。虽然,纯电动汽车具有零排放、零污染等特点,但是,由于现阶段无法有效提高动力电池的能量密度,从而导致纯电动汽车的动力无法满足人们的出行需求,混合动力车辆(本文中可简称为“混动车辆”)的出现在一定程度上解决了这一问题。
混合动力车辆的辅助驾驶方法中,通常基于历史数据,通过深度学习算法实现车速预测,但该预测方式的准确性较差,对车辆驾驶的指导性较差。
发明内容
为了解决上述技术问题或者至少部分地解决上述技术问题,本公开提供了一种混动车辆及其发电量的预测方法、装置和预测系统。
本公开提供了一种混动车辆的发电量的预测方法,包括:
获取车辆的历史行程,以及车辆的当前位置数据;
基于所述历史行程和所述当前位置数据,预测当前行驶路径;
获取所述当前行驶路径的路况信息,以及历史车速分布数据和历史发电量分布数据;
基于所述当前行驶路径、所述当前行驶路径的路况信息、所述历史车速分布数据和所述历史发电量分布数据,预测所述当前行驶路径中发电机的发电量数据。
在一些实施例中,获取车辆的历史行程,包括:
获取车辆的历史位置数据,以及与所述历史位置数据关联的历史时间数据;
基于所述历史时间数据,从所述历史位置数据中筛选出与当前时间段关联的所述历史位置数据;
基于筛选出的所述历史位置数据,确定所述历史行程;
和/或,获取车辆的历史行程,包括:
获取车辆的历史位置数据,以及与所述历史位置数据关联的历史时间数据;
基于所述历史位置数据,以及与所述历史位置数据关联的历史时间数据,确定所述车辆的历史可能行程;
基于所述历史可能行程的行驶里程和预设里程阈值,筛选出满足所述预设里程阈值的历史行程。
在一些实施例中,所述基于历史行程和当前位置数据,预测当前行驶路径,包括:
基于所述历史行程,生成训练样本数据;
基于所述训练样本数据,对路径预测模型进行训练,获取训练后的路径预测模型;
基于训练后的所述路径预测模型和所述当前位置数据,确定所述当前行驶路径可预测时,输出所述当前行驶路径的路径信息。
在一些实施例中,该方法还包括:
基于训练后的所述路径预测模型和所述当前位置数据,确定所述当前行驶路径不可预测时,输出行程不可预测标识。
在一些实施例中,所述基于历史行程,生成训练样本数据,包括:
基于所述历史行程的出现频率,筛选出所述出现频率等于或大于预设频率的所述历史行程;
基于筛选出的所述历史行程,确定所述历史行程的行程特征节点,以及与所述历史行程的行程特征节点关联的历史时间数据;
基于所述历史行程的行程特征节点,生成所述训练样本数据。
在一些实施例中,所述基于训练后的路径预测模型和所述当前位置数据,确定所述当前行驶路径可预测时,输出所述当前行驶路径的路径信息,包括:
基于所述当前位置数据,确定当前行驶路径的行程特征节点,以及与所述当前行驶路径的行程特征节点关联的当前时间数据;
基于所述当前行驶路径的行程特征节点、所述当前时间数据和训练后的所述路径预测模型,确定当前行驶路径可预测时,输出所述当前行驶路径的路径信息。
在一些实施例中,所述历史行程和所述当前行驶路径均包括多个所述行程特征节点,相邻的两个所述行程特征节点确定一个行程路段,所述输出当前行驶路径的路径信息包括:
输出所述当前行驶路径中的各行程路段的路径信息。
在一些实施例中,基于所述当前行驶路径、所述路况信息、所述历史车速分布数据和所述历史发电量分布数据,预测所述当前行驶路径中发电机的发电量数据,包括:
基于所述当前行驶路径和所述路况信息,预测所述当前行驶路径的车速分布数据;
基于所述当前行驶路径的车速分布数据、所述历史车速分布数据和所述历史发电量分布数据,确定所述当前行驶路径所需的发电总量。
在一些实施例中,该方法还包括:
基于所述当前行驶路径的车速分布数据和所述发电总量,确定所述当前行驶路径中发电机的发电量分布数据;
其中,所述发电量分布数据中,车速小于或等于速度阈值时,发电机不启动;车速大于所述车速阈值时,发电机启动。
在一些实施例中,所述路况信息包括道路特征数据和道路拥堵程度数据,所述基于当前行驶路径和所述路况信息,预测所述当前行驶路径的车速分布数据,包括:
基于所述道路特征数据和所述道路拥挤程度数据,预测所述当前行驶路径的车速分布数据;
其中,所述当前行驶路径的车速分布数据中,道路平直段的车速大于道路弯折段的车速,道路通畅段的车速大于道路拥堵段的车速。
本公开还提供了一种混动车辆的发电量预测装置,包括:
第一获取模块,用于获取车辆的历史行程,以及车辆的当前位置数据;
路径预测模块,用于基于所述历史行程和所述当前位置数据,预测当前行驶路径;
第二获取模块,用于获取所述当前行驶路径的路况信息,以及历史车速分布数据和历史发电量分布数据;
发电量预测模块,用于基于所述当前行驶路径、所述当前行驶路径的路况信息、所述历史车速分布数据和所述历史发电量分布数据,预测所述当前行驶路径中发电机的发电量数据。
在一些实施例中,所述第一获取模块,包括:
第一获取子模块,用于获取车辆的历史位置数据,以及与所述历史位置数据关联的历史时间数据;
第一数据筛选子模块,用于基于所述历史时间数据,从所述历史位置数据中筛选出与当前时间段关联的所述历史位置数据;
历史行程确定子模块,用于基于筛选出的所述历史位置数据,确定所述历史行程;
和/或,所述第一获取模块,包括:
第一获取子模块,用于获取车辆的历史位置数据,以及与所述历史位置数据关联的历史时间数据;
第二数据筛选子模块,用于基于所述历史位置数据,以及与所述历史位置数据关联的历史时间数据,确定所述车辆的历史可能行程;
所述历史行程确定子模块,还用于基于所述历史可能行程的行驶里程和预设里程阈值,筛选出满足所述预设里程阈值的历史行程。
在一些实施例中,所述路径预测模块,包括:
训练样本数据生成子模块,用于基于所述历史行程,生成训练样本数据;
路径预测模型获取子模块,用于基于所述训练样本数据,对路径预测模型进行训练,获取训练后的路径预测模型;
路径信息输出子模块,用于基于训练后的所述路径预测模型和所述当前位置数据,确定所述当前行驶路径可预测时,输出所述当前行驶路径的路径信息。
在一些实施例中,该装置还包括:
行程不可预测标识输出模块,用于基于训练后的所述路径预测模型和所述当前位置数据,确定所述当前行驶路径不可预测时,输出行程不可预测标识。
在一些实施例中,所述训练样本数据生成子模块,包括:
历史行程筛选单元,用于基于所述历史行程的出现频率,筛选出所述出现频率等于或大于预设频率的所述历史行程;
历史特征节点确定单元,用于基于筛选出的所述历史行程,确定所述历史行程的行程特征节点,以及与所述历史行程的行程特征节点关联的历史时间数据;
样本数据生成单元,用于基于所述历史行程的行程特征节点,生成所述训练样本数据。
在一些实施例中,所述路径信息输出子模块,包括:
当前特征节点确定单元,用于基于所述当前位置数据,确定当前行驶路径的行程特征节点,以及与所述当前行驶路径的行程特征节点关联的当前时间数据;
当前路径信息输出单元,用于基于所述当前行驶路径的行程特征节点、所述当前时间数据和训练后的所述路径预测模型,确定当前行驶路径可预测时,输出所述当前行驶路径的路径信息。
在一些实施例中,所述历史行程和所述当前行驶路径均包括多个所述行程特征节点,相邻的两个所述行程特征节点确定一个行程路段,所述当前路径信息输出单元具体用于:
输出当前行驶路径中的各行程路段的路径信息。
在一些实施例中,所述发电量预测模块,包括:
车速分布预测子模块,用于基于所述当前行驶路径和所述路况信息,预测所述当前行驶路径的车速分布数据;
发电总量确定子模块,用于基于所述当前行驶路径的车速分布数据、所述历史车速分布数据和所述历史发电量分布数据,确定所述当前行驶路径所需的发电总量。
在一些实施例中,该装置还包括:
发电量分布确定子模块,用于基于所述当前行驶路径的车速分布数据和所述发电总量,确定所述当前行驶路径中发电机的发电量分布数据;
其中,所述发电量分布数据中,车速小于或等于速度阈值时,发电机不启动;车速大于所述车速阈值时,发电机启动。
在一些实施例中,所述路况信息包括道路特征数据和道路拥堵程度数据,所述车速分布预测子模块,具体用于:
基于所述道路特征数据和所述道路拥挤程度数据,预测所述当前行驶路径的车速分布数据;
其中,所述当前行驶路径的车速分布数据中,道路平直段的车速大于道路弯折段的车速,道路通畅段的车速大于道路拥堵段的车速。
本公开还提供了一种预测系统,用于执行上述任一种方法,该预测系统包括:大数据预测系统、地图导航系统和云处理系统;
所述云处理系统用于存储历史数据,并传输至所述大数据预测系统;所述历史数据包括历史行程、历史车速分布数据和历史发电量分布数据;
所述地图导航系统用于实时数据,并传输至所述大数据预测系统;所述实时数据包括当前位置数据和路况信息;
所述大数据预测系统用于基于所述历史行程和所述当前位置数据,预测当前行驶路径;以及基于所述当前行驶路径、所述路况信息、所述历史车速分布数据和所述历史发电量分布数据,预测所述当前行驶路径中发电机的发电量分布数据。
本公开还提供了一种混合动力车辆,该车辆包括上述预测系统中的大数据预测系统和地图导航系统。
本公开实施例提供的技术方案与现有技术相比具有如下优点:
本公开实施例提供的混合动力车辆的发电量的预测方法中,在历史数据的基础上,结合车辆的当前位置数据预测当前行驶路径;进一步地,结合当前行驶路径的路况信息、历史车速分布数据以及历史发电量分布数据,预测当前行驶路径中的发电机的发电量数据,如此可结合历史数据和实时数据实现对车辆的发电机的发电量的预测,预测准确性较高,从而对车辆驾驶的指导实用性较高。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本公开的实施例,并与说明书一起用于解释本公开的原理。
为了更清楚地说明本公开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,对于本领域普通技术人员而言,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本公开实施例的一种预测方法的流程示意图;
图2为本公开实施例的一种当前行驶路径的预测流程示意图;
图3为本公开实施例的一种训练样本数据的示意图;
图4为本公开实施例的一种历史行程与当前行驶路径的示意图;
图5为本公开实施例的历史发电量分布数据与预测的发电量分布数据的对比示意图;
图6为本公开实施例的一种当前行驶路径的示意图;
图7为本公开实施例的另一种预测方法的流程示意图;
图8为本公开实施例的一种预测装置的结构示意图;
图9为本公开实施例的一种预测系统的结构示意图;
图10为本公开实施例所示预测系统的一种应用场景示意图。
具体实施方式
为了能够更清楚地理解本公开的上述目的、特征和优点,下面将对本公开的方案进行进一步描述。需要说明的是,在不冲突的情况下,本公开的实施例及实施例中的特征可以相互组合。
在下面的描述中阐述了很多具体细节以便于充分理解本公开,但本公开还可以采用其他不同于在此描述的方式来实施;显然,说明书中的实施例只是本公开的一部分实施例,而不是全部的实施例。
本公开实施例提供的混合动力车辆的发电量的预测方法,实质包括对当前行驶路径中的车速分布数据、发电机的发电量数据(即发电总量)和发电机的发电量分布数据的预测,可适用于油电混合动力车辆,例如插电式混合动力车辆,可包括发电机不能直接驱动车辆的增程式混合动力车辆和发电机可以直接驱动车辆的混合动力车辆;还可适用于其他类型的采用电能作为动力能源之一的混合动力车辆。
该预测方法可基于车辆的历史行程和当前位置数据,预测得到当前行驶路径;其后,获取该当前行驶路径下的路况信息(即当前路况)、历史车速分布数据和历史发电量分布数据,并基于此预测当前行驶路径中发电机的发电量数据,如此可结合历史数据和实时数据,实现对车辆当前行驶路径的发电量数据的预测,预测准确性较高,有利于增强对车辆驾驶的指导实用性。
并且具体地,基于车辆的历史位置数据和与之关联的历史时间数据,统计得到备选行驶轨迹,即基于车辆历史行驶数据统计得到车辆的潜在行程(即历史行程);其后结合车辆的当前位置数据和路况信息,可预测得到当前行驶路径以及该路径下的车速分布数据;结合预测得到的车速分布数据,并基于对应的备选行驶轨迹下的历史车速分布数据和历史发电量分布数据,预测当前行驶路径中发电量数据,从而实现对完成当前行驶路径所需的发电总量的预测,利于实现辅助驾驶,同时利于实现对车辆油量较低时的需要加油的提醒,或者电量较低时的需要充电的提醒,从而有利于实现车辆的智能管理。
进一步地,可在发电总量不变的前提下,基于结合路况信息得到的车速分布数据,对当前行驶路径对应的历史发电量分布数据进行调整,得到当前行驶路径中发电机的发电量分布数据,当前的发电量分布数据中,可在低车速段采用动力电池提供驱动车辆行驶的能量,在高车速段采用发电机提供驱动车辆行驶的能量,从而有利于提高发电机的发电利用效率,有利于降低车辆行驶过程中的整体油耗,提高车辆的经济性。
下面结合图1-图10对本公开实施例提供的混合动力车辆及其发电量分布的预测方法、装置和预测系统进行示例性说明。
示例性地,图1为本公开实施例的一种预测方法的流程示意图。参照图1,该方法可包括:
S110、获取车辆的历史行程,以及车辆的当前位置数据。
其中,车辆的实时数据包括车辆的当前位置数据,当前位置数据用于表征车辆的当前实时位置,可包括当前地理位置和与之关联的当前时间数据。示例性地,该步骤可包括通过车载定位系统或地图导航系统,例如GPS监测得到当前位置数据,并传输至大数据预测系统。
其中,车辆的历史数据包括车辆的历史行程,历史行程也可称为备选行驶轨迹、潜在规律行驶路径、潜在行程或可能的行程,代表车辆曾经行驶过的行程,可基于历史位置数据和历史时间数据统计得到(下文中进行示例性说明);历史行程中的其中之一可被匹配为当前行驶路径,可结合实时数据进行预测,下文中详述。
S120、基于历史行程和当前位置数据,预测当前行驶路径。
其中,通过机器学习算法或相似度对比原则,可利用当前位置数据和历史行程,确定出车辆当前所在的路径,即完成当前行驶路径的预测。
示例性地,采用机器学习算法的方式在下文中结合图2和图3进行示例性说明。采用相似度对比原则可为:通过将当前位置数据与历史行程中包括的行程特征节点与当前行驶路径中包括的行程特征节点的位置数据和时间数据进行比对,可确定一条与当前位置数据匹配度最高的历史行程,即预测出当前行驶路径。在其他实施方式中,还可采用其他方式实现当前行驶路径的预测,本公开实施例对此不限定。
S130、获取当前行驶路径的路况信息,以及历史车速分布数据和历史发电量分布数据。
其中,当前行驶路径的路况信息可包括当前行驶路径的道路特征、拥堵程度、红绿灯数量和位置、学校附近路段、居民区附近路段等可影响车辆行驶速度的信息,为后续预测车速分布和发电量分布做准备。
示例性地,该步骤可基于GPS监测得到当前行驶路径的路况信息,并传输至大数据预测系统。
其中,历史车速分布数据和历史发电量分布数据也为车辆的历史数据,用于表征车辆在当前时刻之前的,车辆行驶过程中存在的车速分布和发电量分布情况。基于此,可确定车辆在当前行驶路径的耗能情况,为后续预测车辆在当前行驶路径中发电机的发电量分布数据提供数据支持。
S140、基于当前行驶路径、当前行驶路径的路况信息、历史车速分布数据和历史发电量分布数据,预测当前行驶路径中发电机的发电量数据。
其中,基于历史车速分布数据和历史发电量分布数据和确定车辆在当前行驶路径下的总耗能数据(下文中以“发电总量”表示),从而实现对发电量数据的预测,利于实现辅助驾驶和车辆的智能控制。
进一步地,结合当前行驶路径及其路况信息,可确定当前行驶路径下的车速分布数据和该车速分布数据对应的发电量分布数据,由此,结合历史数据和实时数据,实现对车速分布的发电量分布数据的预测。
本公开实施例提供的混合动力车辆的发电量预测方法中,在历史数据的基础上,结合车辆的当前位置数据预测当前行驶路径;进一步地,结合当前行驶路径的路况信息、历史数据中的历史车速分布数据和历史发电量分布数据,预测当前行驶路径中发电机的发电量数据,包括发电总量和发电量分布,如此可结合历史数据和实时数据实现对车辆的当前行驶路径中发电量的预测,有利于提高预测准确性,从而对车辆驾驶的指导实用性较高。
在上述实施方式的基础上,车辆的历史行程可基于车辆的历史位置数据以及与其关联的历史时间数据统计得到,下文中示例性说明。其中,与车辆的历史位置数据关联的历史时间数据,用于对历史位置数据进行筛选,以得到用于确定历史行程的历史位置数据,而并不基于历史时间数据实现对车辆的实时位置的定位。
在一些实施例中,S110中的获取车辆的历史行程,可包括:
步骤一:获取车辆的历史位置数据,以及与历史位置数据关联的历史时间数据。
其中,车辆的历史位置数据及与其关联的历史时间数据可表征车辆在历史时刻下的历史位置情况,基于此,通过车辆在连续的历史时刻下的历史位置的变化,可确定车辆的历史行程;或者,采用对车辆的历史位置数据的出现概率进行统计的方式,将出现概率在预设频率范围内的历史位置进行连线,即可得到车辆的历史行程;通过设置多个预设频率,可确定多条不同历史行程。
步骤二:基于历史时间数据,从历史位置数据中筛选出与当前时间段关联的历史位置数据。
该步骤中,对历史时间数据和历史位置数据进行筛选,即进行数据清洗,得到与当前时间段关联的历史位置数据,从而有利于减少后续数据处理过程中的数据量,简化数据处理过程,提高数据处理效率。
示例性地,当前时间段为通勤早高峰时,该步骤中筛选出对应于通勤早高峰的历史位置数据;或者当前时间段为通勤晚高峰时,该步骤中筛选出对应于通勤晚高峰的历史位置数据。此仅为示例性地说明。
在其他实施方式中,当前时间段为其他时段时,还可基于当前时间段的需求进行数据筛选,本公开实施例对此不限定。
步骤三:基于筛选出的历史位置数据,确定历史行程。
该步骤中,基于筛选出的与当前时间段关联的历史位置数据,进行数据处理,确定历史行程,从而可仅利用对于当前时间段有效的数据进行数据处理,可减少数据处理过程中要处理的数据量,提高数据处理效率。
上述数据筛选的过程中,先基于历史事件数据进行数据筛选,其后基于筛选后的历史位置数据,确定历史行程。在其他实施方式中,还可先基于历史位置数据确定历史可能行程,在基于历史可能行程筛选出历史行程,下文中进行示例性说明。
在一些实施例中,S110中的获取车辆的历史行程,可包括:
步骤一:获取车辆的历史位置数据,以及与历史位置数据关联的历史时间数据。
步骤二:基于历史位置数据,以及与历史位置数据关联的历史时间数据,确定车辆的历史可能行程。
该步骤中,可基于历史时间数据的延续性,即基于时间不间断的时段内,历史位置数据随历史时间数据的先后顺序的变化,确定历史可能行程。
步骤三:基于历史可能行程的行驶里程和预设里程阈值,筛选出满足预设里程阈值的历史行程。
其中,预设里程阈值可为1km、2km或其他里程,可根据用户的用车习惯设置,当历史可能行程对应的行驶里程小于或等于预设里程阈值时,该历史可能行程被筛除,即不作为有效的历史行程;当历史可能行程的行驶里程大于预设里程阈值时,历史可能行程作为有效的历史行程,如此可根据用户用车习惯,提高历史行程的有效性,有利于减少当前行驶路径预测过程中的数据量,从而有利于简化预测过程。
在上述实施方式的基础上,可基于机器学习预测当前行驶路径,下文中进行示例性说明。
在一些实施例中,S120可包括:
步骤一:基于历史行程,生成训练样本数据。
其中,训练样本数据用于训练路径预测模型。该步骤中,可通过对历史行程提取行程特征节点,以形成训练样本数据。
示例性地,该步骤可包括:
基于历史行程的出现频率,筛选出出现频率等于或大于预设频率的历史行程;
基于筛选出的历史行程,确定历史行程的行程特征节点,以及与历史行程的行程特征节点关联的历史时间数据;
基于历史行程的行程特征节点,生成训练样本数据。
即,该步骤中可根据历史行程的出现频率进行路径筛选,并提取筛选出的历史行程的行程特征节点(包括出发位置)、时间等特征,生成训练样品数据。
其中,历史行程的出现频率大于预设频率,则表明车辆在该历史行程对应的路径经过的次数较多。即该步骤中仅将高频历史行程作为备选的历史行程,而不将出现频率小于或等于预设频率的历史行程作为备选的历史行程。由此,可基于高频的历史行程提取行程特征节点,有利于提高后续模型训练的有效性和准确性。
示例性地,预设频率可为80%、88%、90%或其他频率值,本公开实施例对此不限定。
步骤二:基于训练样本数据,对路径预测模型进行训练,获取训练后的路径预测模型。
该步骤中,基于训练样品数据的类型,获取合适的路径预测模型,例如可为概率模型;利用训练样本数据对路径预测模型进行训练,调整模型参数,以提高路径预测模型对当前行驶路径预测的准确性。
步骤三:基于训练后的路径预测模型和当前位置数据,确定当前行驶路径可预测时,输出当前行驶路径的路径信息。
其中,将当前位置数据输入上述训练后的路径预测模型中,并判断当前行驶路径是否可预测,若当前行驶路径可预测,则输出当前行驶路径的路径信息,包括行驶轨迹、行驶里程以及路径终点等信息。
示例性地,该步骤可包括:
基于当前位置数据,确定当前行驶路径的行程特征节点,以及与当前行驶路径的行程特征节点关联的当前时间数据;
基于当前行驶路径的行程特征节点、当前时间数据和训练后的路径预测模型,确定当前行驶路径可预测时,输出当前行驶路径的路径信息。
如此,可基于当前位置数据相关的当前行驶路径中的行程特征节点及其关联的当前时间数据,结合训练后的路径预测模型,即可在当前行驶路径可预测时,输出对应的路径信息。
需要说明的是,上述路径预测模型的训练时机可为每次获取到车辆的行车数据(包括当前位置数据和与之关联的当前时间数据)时均对模型进行训练,从而随着训练数据量的累积,有利于提高路径预测模型的准确性。
或者,还可每隔一段时间(例如一周、一个月或其他时段),对车辆的行车数据进行统计,得到该时段的历史数据,或该时段以及该时段以前的时间的历史数据,利用上述历史数据(可选的,进行了数据清洗之后的历史数据)对路径预测模型进行训练,得到训练后的路径预测模型,利用该路径预测模型,结合当前位置数据,对车辆的当前行驶路径进行预测。如此,可在当前行驶路径预测准确性较高的同时,减少模型训练次数,有利于减少模型训练过程占用的车辆中的车机内存,从而有利于提高车辆辅助驾驶的反馈及时性。
在一些实施例中,该方法还包括:
基于训练后的路径预测模型和当前位置数据,进行可预测性判断,若当前行驶路径不可预测,则输出行程不可预测标识。
此时,可选的,用户可手动输入目的地,即当前行驶路径的终点,并基于当前位置数据和当前行驶路径的终点,确定当前行驶路径,并继续进行后续车速分布数据和发电量分布数据的预测。
在上述实施方式的基础上,图2为本公开实施例的一种当前行驶路径的预测流程示意图,示出了基于机器学习算法的当前行驶路径的预测流程。参照图2,该流程可包括:
S211、获取历史数据的原始数据。
其中,历史数据可包括在当前时刻之前的,车辆启停或行驶过程中的全部或部分数据;当采用部分数据时,该部分数据可基于时间、路程等进行数据筛选得到,下文中详述。
示例性地,历史数据可包括历史时间数据、历史位置数据,例如经纬度数据、发电机的历史发电量分布数据、车辆的历史车速分布数据以及其他可表征车辆状态的数据;历史数据可存储于云处理系统(即云端)中,并被大数据预测系统调用。
其中,原始数据可为监测车辆状态过程中形成、并上传至云处理系统的原始文件,示例性地,可为逗号分割文件(csv files)或其他类型的文件,本公开实施例对此不限定。
示例性地,该步骤可包括:大数据预测系统调用云处理系统中的原始数据。
S212、清洗原始数据,得到可用数据。
其中,云处理系统中的原始数据可能存在错乱或丢失的情况,该步骤中需要清洗掉错乱或无用的数据。即执行数据清洗的过程,包括筛除无效/异常数据,以及基于车辆识别号码(Vehicle Identification Number,VIN)、档位、位置(即历史位置数据,包括经纬度数据)、车辆车速(包括在历史车速分布数据内)、时间信号(即历史时间数据)等信息,提取历史行程相关信息,生成可用数据。
示例性地,可通过VIN筛选出对应于当前车辆的数据。或者,可通过历史时间数据筛选出对应于当前用车时段的数据,例如时间分类可包括工作日和休息日,进一步地,工作日可包括早高峰或晚高峰,或其他用车时段,本公开实施例对此不限定。或者,可筛除车辆被启动,但其位置并未移动的数据,以及筛除里程较短的历史行程对应的数据;示例性地,结合上文,预测里程阈值可为1km、2km或其他里程,可根据用户的用车习惯设置,当历史可能行程对应的里程小于或等于预设里程阈值时,该历史可能行程对应的历史数据被筛除,即不作为机器学习的有效数据。
由此,可通过档位、位置、时间等信息确定该部分可用数据。
在其他实施方式中,还可基于历史数据的原始数据的多维度属性,筛选出进行机器学习的有效数据,可根据当前行驶路径的预测需求设置,本公开实施例对此不限定。
如此,可筛选出满足特定需求的历史数据,有利于减少机器学习的时间,有利于提高数据处理效率,且提高处理结果准确性。
示例性地,可用数据的文件类型与S211中的文件类型可保持一致。
S213、训练可用数据,生成训练数据。
该步骤中的训练数据指训练样本数据。示例性地,该步骤中,可根据常用路径频次进行路径筛选;提取出发位置、行程特征节点(例如行程中的路口位置、拐弯位置等)及关联的历史时间数据等特征,生成训练样本数据。
示例性地,结合历史数据中的历史时间数据和历史位置数据,经过数据解析,确定出车辆行驶过的所有路径,即确定出历史行程。
示例性地,确定方式可选为:按照时间的先后顺序,将经纬度信号代表的位置依次连线,从而确定出车辆行驶过的路径;或为,将经纬度信号代表的位置统计至二维地图中,基于相同位置(这里指一定范围内相同)出现的频率高低,将在多个不同频率范围内的位置各自分别连线,形成车辆行驶过的路径,从而确定历史行程。在其他实施方式中,还可基于历史数据,采用其他方式确定历史行程,本公开实施例对此不限定。
在一些实施例中,示例性地,图3为本公开实施例的一种训练数据的示意图,示例性地示出了包括多条路径的训练样本数据。
在其他实施方式中,基于不同的历史数据,或结合不同的数据清洗方式,还可生成其他的训练样本数据,本公开实施例对此不限定。
S221、获取实时数据。
即获取当前数据,包括获取当前位置数据和路况信息,该路况信息为预测得到的当前行驶路径的实时路况。
S222、输入适配。
即对实时数据进行处理,提取当前位置数据、行程特征节点以及其关联的当前时间数据等信息;例如,可将可预测车辆及其出发经纬度和时间进行适配。
S230、路径预测模型(机器学习)。
即选用合适的模型,例如概率模型,对输入的历史数据相关的训练样本数据进行模型训练,生成并调整训练参数。
示例性地,该步骤可包括基于图3中示出的训练样本数据,找出其中的高频(例如出现频率大于88%)路径,确定其为历史行程。
S240、输出预测结果。
其中,预测结果可包括车辆的当前行驶路径可预测和不可预测;当车辆的当前行驶路径可预测时,预测结果还包括路径信息,具体可包括轨迹(即当前行驶路径)、行驶里程及路径终点等信息。
本公开实施例提供的当前行驶路径预测流程,经过数据清洗,确定进行机器学习的有效数据,一方面可减少数据量,使得机器学习的数据量较少,效率较高;另一方面,仅采用有效数据进行机器学习,其结果准确性较高;进一步地,结合清洗后的历史数据生成训练样本数据,并与获取的实时数据进行机器学习,可提高当前行驶路径预测的准确性,同时对训练参数进行调整,提高训练模型的准确性。此外,该预测流程中,无需用户手动输入终点,而是大数据预测系统基于历史数据和实时数据,自动确定终点和当前行驶路径,自动化程度较高,用户操作较少,用户体验较好。
在上述实施方式的基础上,历史行程和当前行驶路径均包括多个行程特征节点,相邻的两个行程特征节点一个行程路段(下文中可简称为路段),输出当前行驶路径的路径信息包括:输出当前行驶路径中的各行程路段的路径信息。即,历史行程和当前行驶路径均被行程特征节点划分为多个依次连接的路段,输出当前行驶路径的路径信息包括:输出当前行驶路径中的各路段的路径信息。
其中,行程特征节点为可预测车辆是否在该路段的节点。历史行程和当前行驶路径中的行程特征节点的数量和位置可根据当前行驶路径和历史行程的路段划分需求设置,本公开实施例对此不限定。
在一些实施例中,图4为本公开实施例的一种历史行程与当前行驶路径的示意图。参照图4,其中示出的历史行程中的路段可包括路段A、路段B、路段C、路段D及路段E,对应的行程特征节点可包括节点1、节点2、节点3、节点4及节点5。
示例性地,该步骤可包括:基于行程特征节点,确定当前行驶路径可预测时,输出各路段的路径信息。其中,基于当前时间数据和历史时间数据可确定同一路段上的去程或返程,从而在位置相同或相近时,利用时间进行路径往返的区分。示例性地,基于行程特征节点的历史位置数据和当前位置数据,结合早高峰或晚高峰对应的时间段,可预测出当前行驶路径是上班路径还是下班路径。
其中,历史行程被行程特征节点划分为多个依次连接的路段。基于此,预测当前行驶路径可包括:基于各路段的起始位置处的行程特征节点,逐段预测当前行驶路径中的各路段,并输出对应的路径信息。
其中,路段的起始位置处的特征节点可包括起始位置节点(即起点)以及起始位置附近的其他特征节点,例如起点附近的节点1。
示例性地,参照图4,对比其中示出的备选行驶轨迹和当前行驶路径可得:备选行驶轨迹可包括:路段A+路段B+路段E;路段A+路段C+路段E;路段A+路段D。基于此,结合起点或节点A,可确定当前行驶路径中包括路段A;结合节点2,可确定当前行驶路径中包括路段B;结合节点3,可确定当前行驶路径中包括路段E;由此,当前行驶路径可为:路段A+路段B+路段E。
如此,基于对各路段的分段预测,实现对当前行驶路径的预测。
在上述实施方式中,可结合历史数据(包括历史车速分布数据和历史发电量分布数据)和实时数据(包括当前行驶路径的路况信息),实现对车速分布数据和发电机的发电量分布数据的预测,下文中进行示例性说明。
在一些实施例中,图1中的S140可包括:
步骤一:基于当前行驶路径和路况信息,预测当前行驶路径的车速分布数据。
其中,在预测得到了当前行驶路径之后,可基于地图导航系统或其他系统获取到当前行驶路径的路况信息,以预测对应的车速分布。
示例性地,当前行驶路径的路况信息可包括道路拥挤程度、学校附近路段、居民区附近路段等可影响车辆行驶速度的信息。在当前行驶路径中,某路段中车辆较多,道路较拥挤时,对应的车速较慢;当道路中车辆较少,道路不拥挤时,对应的车速可较快。在学校附件路段、居民区附近路段或其他人流较多的路段中,对应的车速较慢。
在其他实施方式中,当前行驶路径的路况信息还可包括其他路况特征,结合多种不同维度的路况特征,还可对车速分布数据进行细化调整,本公开实施例对此不限定。
步骤二:基于当前行驶路径的车速分布数据、历史车速分布数据和历史发电量分布数据,确定当前行驶路径所需的发电总量。
其中,可在历史数据中查找对应于当前行驶路径的车速分布数据的历史车速分布数据,关联该历史车速分布数据对应的历史发电量数据,并基于历史车速分布数据和历史发电量分布数据,将各车速所需要的的发电量进行加和,得到采用当前行驶路径的车速分布数据,完成当前行驶路径所需的发电总量,为后续调整历史发电量分布数据,以得到当前行驶路径的发电量分布数据提供数据支撑。同时,通过对发电总量进行预测,可预先确定完成当前行驶路径的总耗能量,从而有利于实现辅助驾驶,以及有利于实现车辆的智能管理。
在此基础上,该方法还可包括对发电量分布数据进行预测,即:
基于当前行驶路径的车速分布数据和发电总量,确定当前行驶路径中发电机的发电量分布数据。
其中,发电量分布数据中,车速小于或等于速度阈值时,发电机不启动;车速大于车速阈值时,发电机启动。
如此,可使得车辆在较低车速时,采用纯电行驶,即仅采用动力电池提供驱动车辆行驶的能量;在较高车速时,结合发电机发电量共同为车辆驱动提供能量。由此可提高发电机的发电量的利用效率,有利于降低油耗,提高整车的经济性。
其中,速度阈值可基于发电总量数据和车速分布数据设定。具体执行过程中,可将低于速度阈值的车速对应的发电量转移至车速高于速度阈值对应的路段,满足基于发电量分布数据确定的发电总量与基于历史发电量数据确定的发电总量相等,且速度阈值尽可能大。
示例性地,图5为本公开实施例的历史发电量分布数据与预测的发电量分布数据的对比示意图。参照图5,横向代表里程,按照图中示出的方位,由左至右依次增大,该图中并不对里程的具体数值进行限定;短横线代表分段平均车速,分别以V1、V2、V3、V4、V5、V6、V7、V8及V9示出,速度阈值可为V6;纵向的条形框代表发电机发电功率(还体现为动力电池充电功率)或动力电池放电功率,其中,45°斜线填充的条形框代表发电机发电功率,交叉线填充的条形框代表动力电池放电功率;条形框下方的电池图形中,填充图案的占比大小代表电池当时的储电状态,与两条曲线L01和L02分别对应;曲线L01和L02分别代表对应发电量分布下的动力电池的荷电状态(StateofCharge,SOC)。
由图5中的历史发电量分布数据和预测的发电量分布数据对比可知,发电机的历史发电控制策略为:在每个分段平均速度下,发电机均发电,且动力电池均放电;频繁交替的进行动力电池充电和放电的过程,动力电池的SOC在一定范围内波动。发电机的当前发电控制策略可为:发电机仅在车速大于速度阈值时发电,而在车速小于或等于速度阈值时,发电机不发电,利用动力电池放电,为车辆提供驱动能量。此时,动力电池的SOC在车辆行驶过程中波动较大,但结束点(即终点)与起始点(即起点)的动力电池的SOC相等。如此,可避免发电机在低速时频繁启停,有利于提升整车的噪声、振动与声振粗糙度(Noise、Vibration、Harshness NVH)性能。
本实施例提供的混动车辆的车速分布和发电量分布的预测方法,可基于地图导航系统获得的当前位置数据和当前行驶路径的路况信息,云处理系统可存储历史行程、历史车速分布数据和历史发电量分布数据,大数据预测系统可基于当前位置数据和历史行程,确定车辆的当前行驶路径及其行驶总里程、分段车速(即车速分布数据)、分段发电量(即发电量分布数据)等信息,进而估算车辆所需的耗能总量。在保证动力电池的SOC平衡的前提下,全行程规划发电,得到当前行驶路径中发动机的发电量分布数据,选用最优经济点(即中高转速工作点,对应于速度阈值)实现,有利于提高发电机的发电利用功率,降低油耗,提升NVH性能。
同时,该发电量分布数据的预测方法对应于全局能量管理方法,与传统的发电控制方法相比,更集中在中高车速段发电,低车速段纯电行驶;动力电池的SOC在整个行程中时波动变化的,行程结束时与行程开始时的动力电池的SOC保持相等,即SOC平衡。基于此,该预测方法在具有长纯电行驶里程(例如市区结合市郊的里程)的混合动力车中应用时,节油效果较明显。
在一些实施例中,路况信息包括道路特征数据和道路拥堵程度数据,基于当前行驶路径和路况信息,预测当前行驶路径的车速分布数据,可包括:基于道路特征数据和道路拥挤程度数据,预测当前行驶路径的车速分布数据。
其中,道路拥堵程度数据代表道路拥堵程度,可结合上文中的解释说明进行理解,此处不赘述。
其中,道路特征数据可代表道路的特征,例如平直、拐弯、上坡或下坡等,下文中结合平直与拐弯对应位置处的车速差异性设置,示例性地说明道路特征数据对车速分布数据的影响。
示例性地,图6为本公开实施例的一种当前行驶路径的示意图。参照图6,箭头方向代表车辆在该路径中的车辆行进方向;该路径中包括依次连续的道路平直段、道路弯折段、道路平直段和道路弯折段及道路平直段。此仅为示例性地说明,并不构成对本公开实施例提供的发电量预测方法中,当前路况的限定。
基于上述,车速分布数据中,道路平直段的车速大于道路弯折段的车速,道路通畅段的车速大于道路拥堵段的车速。如此,可确保安全驾驶。
示例性地,继续参照图6,V01代表道路平直段的车速,V02代表道路弯折段的车速,V01大于V02。
在其他实施方式中,还可结合当前路况中的其他参数,基于多维度的参数,实现对车速分布的预测,有利于提高车速预测的准确性,本公开实施例对此不限定。
在上述实施方式的基础上,图7为本公开实施例的另一种预测方法的流程示意图。参照图7,该方法可包括:
S300、开始。
示例性地,该步骤可包括开始执行预测方法对应的软件程序。
S310、分析用户历史数据。
示例性地,该步骤可包括大数据预测系统获取云处理系统下发的历史数据,并对历史数据进行数据清洗和数据解析,提取有用数据,并进行行程划分,确定对应于行程的分组数据。
S320、行程的时间序列、位置序列、速度序列及发电机发电量序列。
示例性地,该步骤可包括基于分组数据,确定各历史行程的时间信息、经纬度信息、车辆车速以及发电机发电量;上述各信息以参数序列的形式存储,便于后续处理。
S330、建立行程预测模型。
示例性地,该步骤可包括基于S320中得到的参数序列建立行程预测模型。
S331、用户实时信息。
示例性地,该步骤可包括地图导航系统获取车辆的当前位置数据和路况信息。
S340、路径是否能预测。
示例性地,该步骤可包括基于用户实时信息和路径预测模型,判断车辆的行驶路径是否可预测。
若判断结果为是(Y),则执行S350及后续步骤;若判断结果为否(N),则执行S380和S39。
S350、预测的路径。
示例性地,该步骤可包括在车辆的行驶路径可预测时,基于当前位置数据和路径预测模型,预测得到当前行驶路径。
S351、地图导航信息。
示例性地,该步骤可包括地图导航系统获取地图导航信息,以确定当前行驶路径的当前路况,并传输至大数据预测系统。
S360、预测车速分布。
示例性地,该步骤可包括基于当前行驶路径及其路况信息,预测车速分布数据。
S370、预测发电机发电量分布。
示例性地,该步骤可包括基于当前行驶路径对应的历史车速分布数据、历史发电量分布数据、预测得到的车速分布数据,对历史发电量分布数据进行调整,得到当前的发电量分布数据,从而实现发电量分布的预测,有利于实现对车辆能量管理的指导和优化。
S380、输出。
示例性地,当S340的判断结果为否,即当前行驶路径不可预测时,该步骤中输出行车不可预测标志位。当S340的判断结果为是时,顺序执行上述S350-S370之后,该步骤中输出行车可预测标志位、预测的路径信息和发电量分布信息。
S390、结束。
即程序结束。
本公开实施例提供的混动车辆的发电量的预测方法,可基于存储于云端的车辆的历史数据,利用大数据预测系统统计出车辆的潜在行程;获取车辆的当前位置数据,基于当前位置数据和潜在行程,预测本地驾驶的当前行驶路径;将当前行驶路径发送给地图导航,地图导航基于该当前行驶路径获取当前路况,并传输至大数据预测系统;其后,基于预测的车速分布,结合历史数据,调整发电量分布,即预测当前行驶路径的发电量分布,使得低车速段多采用动力电池提供能量,中高车速段多采用发电机提供能量,并在行程开始和结束时保持动力电池的SOC相同,从而有利于发电机的发电利用率,降低油耗,对车辆驾驶及其过程中的能量管理具有指导意义;且结合实时数据和历史数据,实现对发电量分布的预测,预测准确性较高。
在上述实施方式的基础上,本公开还提供了一种混动车辆的发电量预测装置,该装置可用于执行上述实施方式中的任一种方法。因此,该装置也具有上述实施方式中的任一种方法所具有的有益效果,相同之处可参照上文中对方法的解释说明进行理解,下文中不再赘述。
示例性地,图8为本公开实施例的一种预测装置的结构示意图。参照图8,该装置可包括:第一获取模块410,用于获取车辆的历史行程,以及车辆的当前位置数据;路径预测模块420,用于基于历史行程和当前位置数据,预测当前行驶路径;第二获取模块430,用于获取当前行驶路径的路况信息,以及历史车速分布数据和历史发电量分布数据;发电量预测模块440,用于基于当前行驶路径、当前行驶路径的路况信息、历史车速分布数据和历史发电量分布数据,预测当前行驶路径中发电机的发电量数据。
本公开实施例提供的混动车辆的发电量预测装置中,第一获取模块410可获取车辆的历史行程,以及车辆的当前位置数据;路径预测模块420可基于历史行程和当前位置数据,预测当前行驶路径;第二获取模块430可获取当前行驶路径的路况信息,以及历史车速分布数据和历史发电量分布数据;发电量预测模块440可基于当前行驶路径、当前行驶路径的路况信息、历史车速分布数据和历史发电量分布数据,预测当前行驶路径中发电机的发电量数据,由此可在历史行程的基础上,结合车辆的当前位置数据预测当前行驶路径;进一步地,结合当前行驶路径的路况信息、历史车速分布数据和历史发电量分布数据,预测当前行驶路径中发电机的发电量数据,发电量数据可包括发电总量,还可包括发电量分布数据,如此可结合历史数据和实时数据实现对发电量数据的预测,预测准确性较高,从而对车辆驾驶的指导实用性较高。
在一些实施例中,在图8的基础上,第一获取模块410可包括:第一获取子模块,用于获取车辆的历史位置数据,以及与历史位置数据关联的历史时间数据;第一数据筛选子模块,用于基于历史时间数据,从历史位置数据中筛选出与当前时间段关联的历史位置数据;历史行程确定子模块,用于基于筛选出的历史位置数据,确定历史行程;和/或,第一获取模块410可包括:第一获取子模块,用于获取车辆的历史位置数据,以及与历史位置数据关联的历史时间数据;第二数据筛选子模块,用于基于历史位置数据,以及与历史位置数据关联的历史时间数据,确定车辆的历史可能行程;历史行程确定子模块,还用于基于历史可能行程的行驶里程和预设里程阈值,筛选出满足预设里程阈值的历史行程。
如此,用于确定历史行程的历史数据可包括历史时间数据和历史位置数据,并且可利用筛选出来的历史数据确定历史行程,而并非利用与该车辆行车相关的所有数据确定历史行程,有利于减少确定历史行程时所采用的历史数据的数据量,提高数据有效性,且提高数据处理速度。与之并列的,或者进一步地,可对基于历史数据或筛选后的历史数据,确定的历史可能行程进行筛选,以利于提高历史行程的有效性,便于简化后续确定当前行驶路径的过程。
在一些实施例中,在图8的基础上,路径预测模块420可包括:训练样本数据生成子模块,用于基于历史行程,生成训练样本数据;路径预测模型获取子模块,用于基于训练样本数据,对路径预测模型进行训练,获取训练后的路径预测模型;路径信息输出子模块,用于基于训练后的路径预测模型和当前位置数据,确定当前行驶路径可预测时,输出当前行驶路径的路径信息。
如此,可基于机器学习算法,结合历史行程相关的训练样本数据和实时获取的当前位置数据,预测当前行驶路径,从而提高路径预测的准确性。同时,随着历史数据的增多,不断对路径预测模型进行验证和调整,有利于提高路径预测模型的准确性,从而进一步提高路径预测的准确性。
在一些实施例中,该装置还包括:行程不可预测标识输出模块,用于基于训练后的路径预测模型和当前位置数据,确定当前行驶路径不可预测时,输出行程不可预测标识。
其中,若当前行驶路径不可预测,则输出行程不可预测标识,从而提醒用户当前行驶路径不可自动预测,需要人为介入进行路劲规划。
在一些实施例中,训练样本数据生成子模块可包括:历史行程筛选单元,用于基于历史行程的出现频率,筛选出出现频率等于或大于预设频率的历史行程;历史特征节点确定单元,用于基于筛选出的历史行程,确定历史行程的行程特征节点,以及与历史行程的行程特征节点关联的历史时间数据;样本数据生成单元,用于基于历史行程的行程特征节点,生成训练样本数据。
如此,可基于出现频率较高的历史行程,生成基于行程特征节点及其关联的历史时间数据的训练样本数据。即,可仅利用高频历史行程生成训练样本数据,而舍弃掉低频历史路径,从而在一定程度上可减少后续数据处理量,提高数据处理的效率;同时,排除偶发性的小频率的历史行程,使得当前行驶路径的预测有效性较高。
在一些实施例中,路径信息输出子模块可包括:当前特征节点确定单元,用于基于当前位置数据,确定当前行驶路径的行程特征节点,以及与当前行驶路径的行程特征节点关联的当前时间数据;当前路径信息输出单元,用于基于当前行驶路径的行程特征节点、当前时间数据和训练后的路径预测模型,确定当前行驶路径可预测时,输出当前行驶路径的路径信息。
如此,可基于训练后的路径预测模型和当前位置数据相关的行程特征节点及其关联的当前时间数据,基于机器学习算法,得到当前行驶路径的可预测性信息,预测准确性较高。
在一些实施例中,历史行程和当前行驶路径均包括多个行程特征节点,相邻的两个行程特征节点确定一个行程路段,即历史行程和当前行驶路径都可被行程特征节点划分为多个依次连接的行程路段,当前路径信息输出单元具体用于:输出当前行驶路径中的各行程路段的路径信息。
如此,可基于行程特征节点逐段确定当前行驶路径中的各行程路段,从而确定完整的当前行驶路径。
在一些实施例中,在图8的基础上,发电量预测模块440可包括:车速分布预测子模块,用于基于当前行驶路径和路况信息,预测当前行驶路径的车速分布数据;发电总量确定子模块,用于基于当前行驶路径的车速分布数据、历史车速分布数据和历史发电量分布数据,确定当前行驶路径所需的发电总量。
如此,可实现对当前行驶路径中发电机的发电总量的预测,从而有利于实现辅助驾驶和车辆的加油或充电的智能管理。
在一些实施例中,在图8的基础上,该装置还可包括:发电量分布确定子模块,用于基于当前行驶路径的车速分布数据和发电总量,确定当前行驶路径中发电机的发电量分布数据;其中,发电量分布数据中,车速小于或等于速度阈值时,发电机不启动;车速大于车速阈值时,发电机启动。
如此,可实现对车辆的当前行驶路径的车速分布数据和发电量分布数据的预测,便于实现辅助驾驶以及车辆的能量管理,降低油耗,提高整车经济性。
发电量分布确定子模块,可独立于发电量预测模块440设置,或与发电量预测模块440集成设置,或内嵌设置于发电量预测模块440中,本公开实施例对此不限定。
在一些实施例中,路况信息包括道路特征数据和道路拥堵程度数据,车速分布预测子模块,具体用于:基于道路特征数据和道路拥挤程度数据,预测当前行驶路径的车速分布数据;其中,当前行驶路径的车速分布数据中,道路平直段的车速大于道路弯折段的车速,道路通畅段的车速大于道路拥堵段的车速。
如此设置,可基于多维度的路况信息,预测车速分布,使得预测准确性较高。
在上述实施方式的基础上,本公开实施例还提供了一种预测系统,该预测系统可用于执行上述任一种预测方法。因此,该预测系统也具有上述预测方法和装置所具有的有益效果,相同之处可参照上文中对预测方法和装置的解释说明进行理解,下文中不再赘述。
示例性地,图9为本公开实施例的一种预测系统的结构示意图。参照图9,该预测系统包括:大数据预测系统510、地图导航系统520和云处理系统530;云处理系统530用于存储历史数据,并传输至大数据预测系统510;历史数据包括历史行程、历史车速分布数据和历史发电量分布数据;地图导航系统520用于获取实时数据,并传输至大数据预测系统510;实时数据包括当前位置数据和路况信息;大数据预测系统510用于基于历史行程和当前位置数据,预测当前行驶路径;以及基于当前行驶路径、路况信息、历史车速分布数据和历史发电量分布数据,预测当前行驶路径中发电机的发电量分布数据。
示例性的,云处理系统530用于存储并实现历史数据打包下发,历史数据可包括车辆车速、发电机发电量、时间信号及经纬度信号。地图导航系统520可用于获取路况信息或直接下发基于地图导航信息的车速分布。
大数据预测系统510基于接收到的云端的打包数据,进行数据清洗,提取有用数据,基于数据解析后的信息,统计出车辆可能的行程;结合可能的行程,再根据车辆实时数据,预测车辆当前行程路径;并将预测的当前行程路径发送给地图导航系统520,地图导航系统520向大数据预测系统反馈车速分布。
大数据预测系统5110基于预测的车速分布,计算出达成上述车速需要的发电总量,并降低历史发电量分布中的低车速发电量,提升高车速发电量,以降低油耗。
在上述实施方式的基础上,图10为本公开实施例所示预测系统的一种应用场景示意图。参照图10,该预测系统可用于车辆全局能量管理方案中。其中,车端数据上传系统用于将行车状态相关的数据上传至云服务,形成历史数据,基于历史数据可统计得到潜在规律行驶路径,例如可包括路径1、路径2和路径3;车端路径预测系统基于实时位置和潜在规律行驶路径,预测行驶路径(即当前行驶路径),例如可为路径1;车端地图系统可基于预测的行驶路径和导航路径,实现该特定路径的车速计算,得到车速分布;车端能量管理系统可结合目标SOC和目标发电功率,实现全局能量预测,包括预测发电量分布,并将发电机控制信号传输至车端发电机控制系统,实现发电机的发电控制。
在上述实施方式的基础上,本公开实施例还提供了一种混合动力车辆,该车辆包括上述预测系统中的大数据预测系统和地图导航系统,通过与云处理系统结合,可执行上述实施方式中的预测方法。因此,该车辆也具有上述实施方式中的预测方法、装置和系统所具有的有益效果,相同之处可参照上文中对预测方法、装置和系统的解释说明进行理解,下文中不再赘述。
在其他实施方式中,混合动力车辆还可包括驾舱调节系统、车辆行驶状态监控系统等本领域技术人员可知的其他功能系统及结构部件,本公开实施例对此不赘述也不限定。
需要说明的是,在本文中,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。
以上所述仅是本公开的具体实施方式,使本领域技术人员能够理解或实现本公开。对这些实施例的多种修改对本领域的技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本公开的精神或范围的情况下,在其它实施例中实现。因此,本公开将不会被限制于本文所述的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (15)
1.一种混合动力车辆的发电量预测方法,其特征在于,包括:
获取车辆的历史行程,以及车辆的当前位置数据;
基于所述历史行程和所述当前位置数据,预测当前行驶路径;
获取所述当前行驶路径的路况信息,以及历史车速分布数据和历史发电量分布数据;
基于所述当前行驶路径、所述当前行驶路径的路况信息、所述历史车速分布数据和所述历史发电量分布数据,预测所述当前行驶路径中发电机的发电量数据。
2.根据权利要求1所述的方法,其特征在于,获取车辆的历史行程,包括:
获取车辆的历史位置数据,以及与所述历史位置数据关联的历史时间数据;
基于所述历史时间数据,从所述历史位置数据中筛选出与当前时间段关联的所述历史位置数据;
基于筛选出的所述历史位置数据,确定所述历史行程;
和/或,获取车辆的历史行程,包括:
获取车辆的历史位置数据,以及与所述历史位置数据关联的历史时间数据;
基于所述历史位置数据,以及与所述历史位置数据关联的历史时间数据,确定所述车辆的历史可能行程;
基于所述历史可能行程的行驶里程和预设里程阈值,筛选出满足所述预设里程阈值的历史行程。
3.根据权利要求2所述的方法,其特征在于,所述基于历史行程和所述当前位置数据,预测当前行驶路径,包括:
基于所述历史行程,生成训练样本数据;
基于所述训练样本数据,对路径预测模型进行训练,获取训练后的路径预测模型;
基于训练后的所述路径预测模型和所述当前位置数据,确定所述当前行驶路径可预测时,输出所述当前行驶路径的路径信息。
4.根据权利要求3所述的方法,其特征在于,还包括:
基于训练后的所述路径预测模型和所述当前位置数据,确定所述当前行驶路径不可预测时,输出行程不可预测标识。
5.根据权利要求3所述的方法,其特征在于,所述基于历史行程,生成训练样本数据,包括:
基于所述历史行程的出现频率,筛选出所述出现频率等于或大于预设频率的所述历史行程;
基于筛选出的所述历史行程,确定所述历史行程的行程特征节点,以及与所述历史行程的行程特征节点关联的历史时间数据;
基于所述历史行程的行程特征节点,生成所述训练样本数据。
6.根据权利要求3所述的方法,其特征在于,所述基于训练后的路径预测模型和所述当前位置数据,确定所述当前行驶路径可预测时,输出所述当前行驶路径的路径信息,包括:
基于所述当前位置数据,确定当前行驶路径的行程特征节点,以及与所述当前行驶路径的行程特征节点关联的当前时间数据;
基于所述行驶路径的行程特征节点、所述当前时间数据和训练后的所述路径预测模型,确定当前行驶路径可预测时,输出所述当前行驶路径的路径信息。
7.根据权利要求6所述的方法,其特征在于,所述历史行程和所述当前行驶路径均被包括多个所述行程特征节点,相邻的两个所述行程特征节点确定一个行程路段,所述输出当前行驶路径的路径信息包括:
输出所述当前行驶路径中的各行程路段的路径信息。
8.根据权利要求1所述的方法,其特征在于,基于所述当前行驶路径、所述当前行驶路径的路况信息、所述历史车速分布数据和所述历史发电量分布数据,预测所述当前行驶路径中发电机的发电量数据,包括:
基于所述当前行驶路径和所述路况信息,预测所述当前行驶路径的车速分布数据;
基于所述当前行驶路径的车速分布数据、所述历史车速分布数据和所述历史发电量分布数据,确定所述当前行驶路径所需的发电总量。
9.根据权利要求8所述的方法,其特征在于,还包括:
基于所述当前行驶路径的车速分布数据和所述发电总量,确定所述当前行驶路径中发电机的发电量分布数据;
其中,所述发电量分布数据中,车速小于或等于速度阈值时,发电机不启动;车速大于所述车速阈值时,发电机启动。
10.根据权利要求8所述的方法,其特征在于,所述路况信息包括道路特征数据和道路拥堵程度数据,所述基于当前行驶路径和所述路况信息,预测所述当前行驶路径的车速分布数据,包括:
基于所述道路特征数据和所述道路拥挤程度数据,预测所述当前行驶路径的车速分布数据;
其中,所述当前行驶路径的车速分布数据中,道路平直段的车速大于道路弯折段的车速,道路通畅段的车速大于道路拥堵段的车速。
11.一种混合动力车辆的发电量预测装置,其特征在于,包括:
第一获取模块,用于获取车辆的历史行程,以及车辆的当前位置数据;
路径预测模块,用于基于所述历史行程和所述当前位置数据,预测当前行驶路径;
第二获取模块,用于获取所述当前行驶路径的路况信息,以及历史车速分布数据和历史发电量分布数据;
发电量预测模块,用于基于所述当前行驶路径、所述当前行驶路径的路况信息、所述历史车速分布数据和所述历史发电量分布数据,预测所述当前行驶路径中发电机的发电量数据。
12.根据权利要求11所述的装置,其特征在于,所述路径预测模块,包括:
训练样本数据生成子模块,用于基于所述历史行程,生成训练样本数据;
路径预测模型获取子模块,用于基于所述训练样本数据,对路径预测模型进行训练,获取训练后的路径预测模型;
路径信息输出子模块,用于基于训练后的所述路径预测模型和所述当前位置数据,确定所述当前行驶路径可预测时,输出所述当前行驶路径的路径信息。
13.根据权利要求12所述的装置,其特征在于,还包括:
行程不可预测标识输出模块,用于基于训练后的所述路径预测模型和所述当前位置数据,确定所述当前行驶路径不可预测时,输出行程不可预测标识。
14.一种预测系统,其特征在于,用于执行权利要求1-10任一项所述的方法,所述预测系统包括:大数据预测系统、地图导航系统和云处理系统;
所述云处理系统用于存储历史数据,并传输至所述大数据预测系统;所述历史数据包括历史行程、历史车速分布数据和历史发电量分布数据;
所述地图导航系统用于实时数据,并传输至所述大数据预测系统;所述实时数据包括当前位置数据和路况信息;
所述大数据预测系统用于基于所述历史行程和所述当前位置数据,预测当前行驶路径;以及基于所述当前行驶路径、所述路况信息、所述历史车速分布数据和所述历史发电量分布数据,预测所述当前行驶路径中发电机的发电量分布数据。
15.一种混合动力车辆,其特征在于,包括权利要求14所述的预测系统中的所述大数据预测系统和所述地图导航系统。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011260684.0A CN112356822B (zh) | 2020-11-12 | 2020-11-12 | 混动车辆及其发电量的预测方法、装置和预测系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011260684.0A CN112356822B (zh) | 2020-11-12 | 2020-11-12 | 混动车辆及其发电量的预测方法、装置和预测系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112356822A true CN112356822A (zh) | 2021-02-12 |
CN112356822B CN112356822B (zh) | 2022-04-19 |
Family
ID=74515367
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011260684.0A Active CN112356822B (zh) | 2020-11-12 | 2020-11-12 | 混动车辆及其发电量的预测方法、装置和预测系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112356822B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113673815A (zh) * | 2021-07-08 | 2021-11-19 | 三一智矿科技有限公司 | 基于车辆数据处理的矿车调度方法及装置 |
CN113704116A (zh) * | 2021-08-30 | 2021-11-26 | 阿波罗智联(北京)科技有限公司 | 自动驾驶车辆的数据处理方法、装置、电子设备和介质 |
CN114084122A (zh) * | 2021-11-17 | 2022-02-25 | 浙江吉利控股集团有限公司 | 基于非插电式混动车辆的能量管理控制方法及控制装置 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2008184077A (ja) * | 2007-01-31 | 2008-08-14 | Hitachi Ltd | ハイブリッド走行制御システム |
CN102887144A (zh) * | 2011-07-18 | 2013-01-23 | 通用汽车环球科技运作有限责任公司 | 混合动力车辆中的适应性能量管理 |
US20170120890A1 (en) * | 2015-10-30 | 2017-05-04 | Toyota Motor Engineering & Manufacturing North America, Inc. | Systems and methods for traffic learning |
CN109466375A (zh) * | 2018-12-05 | 2019-03-15 | 北京车和家信息技术有限公司 | 增程器控制方法及设备、计算机可读存储介质、车辆 |
CN109606286A (zh) * | 2018-12-10 | 2019-04-12 | 英华达(上海)科技有限公司 | 车辆油耗预测方法、车辆导航方法及电子设备 |
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 |
CN110901648A (zh) * | 2018-09-13 | 2020-03-24 | 通用汽车环球科技运作有限责任公司 | 用于实时生态路线选择和自适应驱动控制的车辆、系统和逻辑 |
CN111670340A (zh) * | 2018-09-07 | 2020-09-15 | 深圳配天智能技术研究院有限公司 | 一种车辆剩余行驶里程的获取方法、电子设备及车辆 |
CN111832881A (zh) * | 2020-04-30 | 2020-10-27 | 北京嘀嘀无限科技发展有限公司 | 基于路况信息预测电动车能耗的方法、介质和电子设备 |
-
2020
- 2020-11-12 CN CN202011260684.0A patent/CN112356822B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2008184077A (ja) * | 2007-01-31 | 2008-08-14 | Hitachi Ltd | ハイブリッド走行制御システム |
CN102887144A (zh) * | 2011-07-18 | 2013-01-23 | 通用汽车环球科技运作有限责任公司 | 混合动力车辆中的适应性能量管理 |
US20170120890A1 (en) * | 2015-10-30 | 2017-05-04 | Toyota Motor Engineering & Manufacturing North America, Inc. | Systems and methods for traffic learning |
CN111670340A (zh) * | 2018-09-07 | 2020-09-15 | 深圳配天智能技术研究院有限公司 | 一种车辆剩余行驶里程的获取方法、电子设备及车辆 |
CN110901648A (zh) * | 2018-09-13 | 2020-03-24 | 通用汽车环球科技运作有限责任公司 | 用于实时生态路线选择和自适应驱动控制的车辆、系统和逻辑 |
CN109466375A (zh) * | 2018-12-05 | 2019-03-15 | 北京车和家信息技术有限公司 | 增程器控制方法及设备、计算机可读存储介质、车辆 |
CN109606286A (zh) * | 2018-12-10 | 2019-04-12 | 英华达(上海)科技有限公司 | 车辆油耗预测方法、车辆导航方法及电子设备 |
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 |
CN111832881A (zh) * | 2020-04-30 | 2020-10-27 | 北京嘀嘀无限科技发展有限公司 | 基于路况信息预测电动车能耗的方法、介质和电子设备 |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113673815A (zh) * | 2021-07-08 | 2021-11-19 | 三一智矿科技有限公司 | 基于车辆数据处理的矿车调度方法及装置 |
CN113704116A (zh) * | 2021-08-30 | 2021-11-26 | 阿波罗智联(北京)科技有限公司 | 自动驾驶车辆的数据处理方法、装置、电子设备和介质 |
CN114084122A (zh) * | 2021-11-17 | 2022-02-25 | 浙江吉利控股集团有限公司 | 基于非插电式混动车辆的能量管理控制方法及控制装置 |
Also Published As
Publication number | Publication date |
---|---|
CN112356822B (zh) | 2022-04-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112356822B (zh) | 混动车辆及其发电量的预测方法、装置和预测系统 | |
CN109808541B (zh) | 一种电动汽车充电方法及系统 | |
CN112703518B (zh) | 剩余里程预测的方法和电池远程服务的系统 | |
CN104931063B (zh) | 路径规划方法 | |
JP6183244B2 (ja) | 移動支援装置及び移動支援方法 | |
DE102019115030A1 (de) | Intelligente kraftfahrzeuge, systeme und steuerlogik für coaching des fahrerverhaltens und mobiles on-demand-laden | |
Wang et al. | A real-time vehicle-specific eco-routing model for on-board navigation applications capturing transient vehicle behavior | |
CN108909702A (zh) | 一种插电式混合动力汽车能量管理方法及系统 | |
CN108199100A (zh) | 智能交通中电动汽车长途运行充电规划方法 | |
CN109612488B (zh) | 基于大数据微服务的混合出行方式路径规划系统及方法 | |
CN104121918A (zh) | 一种实时路径规划的方法和系统 | |
CN109959388A (zh) | 一种基于栅格扩展模型的智能交通精细化路径规划方法 | |
JP2018521894A (ja) | ハイブリッドモータ車両の燃料および電気消費を管理するための設定点を計算するための方法 | |
Smuts et al. | A critical review of factors influencing the remaining driving range of electric vehicles | |
CN110758377A (zh) | 对于前面的行驶路程的路段测定混动车辆的行驶状态的方法和混动车辆 | |
JP7186254B2 (ja) | 電費予測装置 | |
CN116946107B (zh) | 一种能量轨迹跟随下的混动系统模式决策与功率分配方法 | |
CN112406875A (zh) | 一种车辆能耗的分析方法和装置 | |
Kessler et al. | Dynamic traffic information for electric vehicles as a basis for energy-efficient routing | |
JP2022500307A (ja) | ハイブリッド自動車による燃料および電流の消費に対する管理設定値を計算する方法 | |
CN112149906B (zh) | 一种计及充电时间的电动车出行线路综合优化方法 | |
CN114676867A (zh) | 车辆路线预测方法和装置 | |
JP5919614B2 (ja) | 電気自動車用情報の処理装置及びコンピュータプログラム | |
CN115689083A (zh) | 一种预见性能量管理方法、装置、电子设备及存储介质 | |
JP2007143267A (ja) | 回生制御装置 |
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 |