CN112549970A - 车辆续航里程预测方法、装置、车辆及存储介质 - Google Patents
车辆续航里程预测方法、装置、车辆及存储介质 Download PDFInfo
- Publication number
- CN112549970A CN112549970A CN202011449319.4A CN202011449319A CN112549970A CN 112549970 A CN112549970 A CN 112549970A CN 202011449319 A CN202011449319 A CN 202011449319A CN 112549970 A CN112549970 A CN 112549970A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- endurance
- prediction model
- mileage
- data
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 59
- 238000012549 training Methods 0.000 claims abstract description 126
- 238000012360 testing method Methods 0.000 claims description 55
- 230000015654 memory Effects 0.000 claims description 21
- 238000012216 screening Methods 0.000 claims description 19
- 238000012545 processing Methods 0.000 claims description 8
- 238000000638 solvent extraction Methods 0.000 claims description 3
- 238000005265 energy consumption Methods 0.000 abstract description 11
- 239000000523 sample Substances 0.000 description 63
- 230000001133 acceleration Effects 0.000 description 19
- 238000010801 machine learning Methods 0.000 description 19
- 238000004891 communication Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 8
- 238000013135 deep learning Methods 0.000 description 7
- 238000007477 logistic regression Methods 0.000 description 7
- 238000013528 artificial neural network Methods 0.000 description 6
- 238000011084 recovery Methods 0.000 description 6
- 238000004378 air conditioning Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000012706 support-vector machine Methods 0.000 description 4
- 241000282326 Felis catus Species 0.000 description 3
- 238000003066 decision tree Methods 0.000 description 3
- 238000013136 deep learning model Methods 0.000 description 3
- 230000007613 environmental effect Effects 0.000 description 3
- 230000003993 interaction Effects 0.000 description 3
- 230000006855 networking Effects 0.000 description 3
- 238000003062 neural network model Methods 0.000 description 3
- 238000013527 convolutional neural network Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000012417 linear regression Methods 0.000 description 2
- 230000000306 recurrent effect Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000001816 cooling Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000001934 delay Effects 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000000802 evaporation-induced self-assembly Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 239000000446 fuel Substances 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000010202 multivariate logistic regression analysis Methods 0.000 description 1
- 238000011022 operating instruction Methods 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000009877 rendering Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000010187 selection method Methods 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- 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
- B60L3/00—Electric devices on electrically-propelled vehicles for safety purposes; Monitoring operating variables, e.g. speed, deceleration or energy consumption
- B60L3/12—Recording operating variables ; Monitoring of operating variables
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
-
- 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
- B60L2260/54—Energy consumption estimation
-
- 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
- Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation
- Y02T90/10—Technologies relating to charging of electric vehicles
- Y02T90/16—Information or communication technologies improving the operation of electric vehicles
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Medical Informatics (AREA)
- Sustainable Development (AREA)
- Sustainable Energy (AREA)
- Power Engineering (AREA)
- Transportation (AREA)
- Mechanical Engineering (AREA)
- Traffic Control Systems (AREA)
Abstract
本申请公开了一种车辆续航里程预测方法、装置、车辆及存储介质,上述车辆续航里程预测方法应用于云平台,该方法包括:获取车辆的历史运行数据;根据历史运行数据,训练用于估计车辆的续航里程的续航预测模型;以及发送续航预测模型至车辆,以允许车辆根据获取到的实时运行数据以及续航预测模型,对车辆的续航里程进行预测。本方法实现了根据云平台训练的续航预测模型以及车辆的实时运行数据,对车辆的续航里程进行预测,因此,避免了根据历史平均能耗估算续航里程而导致续航里程估算不够准确的现象,可提高续航里程的预测准确度。
Description
技术领域
本申请涉及车辆技术领域,更具体地,涉及一种车辆续航里程预测方法、装置、车辆及存储介质。
背景技术
电动汽车以车载电源为动力,用电机驱动车辆行驶;作为一种新能源汽车,由于其对环境的影响相对于传统的燃油汽车小,而且能源具有再生性,因此电动汽车的前景被广泛看好,并且在国内外都得到良好的发展。
纯电动汽车的驱动力采用电池供应,续航里程非常有限,因此,用户需要通过查看电动车辆显示的续航里程制定行驶计划,避免电动车辆在行驶途中因电量耗尽而抛锚。然而,传统的续航里程是根据历史平均能耗值以及当前剩余能量估算得出,由于该方法的实时性不够,从而导致续航里程估算不够准确。
发明内容
鉴于上述问题,本申请提出了一种车辆续航里程预测方法、装置、车辆及存储介质,能够实现根据云平台训练的续航预测模型以及车辆的实时运行数据,对车辆的续航里程进行预测,因此,避免了根据历史平均能耗估算续航里程而导致续航里程估算不够准确的现象,以及避免了车辆对续航预测模型进行训练花费时间过多而导致续航里程预测效率低,可提高续航里程的预测准确度的同时,提高续航里程的预测效率。
第一方面,本申请实施例提供了一种车辆续航里程预测方法,应用于云平台,车辆续航里程预测方法包括:获取车辆的历史运行数据;根据历史运行数据,训练用于估计车辆的续航里程的续航预测模型;以及发送续航预测模型至车辆,以允许车辆根据获取到的实时运行数据以及续航预测模型,对车辆的续航里程进行预测。
第二方面,本申请实施例提供了一种车辆续航里程预测方法,应用于车辆,车辆续航里程预测方法包括:采集车辆的历史运行数据;发送历史运行数据至云平台,历史运行数据用于指示云平台训练用于估计车辆的续航里程的续航预测模型;接收由云平台基于历史运行数据训练的续航预测模型;以及根据获取到的实时运行数据以及续航预测模型,确定车辆的续航里程。
第三方面,本申请实施例提供了一种车辆续航里程预测装置,应用于云平台,车辆续航里程预测装置包括:获取模块,用于获取车辆的历史运行数据;训练模块,用于根据历史运行数据,训练用于估计车辆的续航里程的续航预测模型;以及发送模块,用于发送续航预测模型至车辆,以允许车辆根据获取到的实时运行数据以及续航预测模型,对车辆的续航里程进行预测。
第四方面,本申请实施例提供了一种车辆,包括:存储器;一个或多个处理器,与存储器耦接;一个或多个应用程序,其中,一个或多个应用程序被存储在存储器中并被配置为由一个或多个处理器执行,一个或多个程序配置用于执行如上述第一方面提供的车辆续航里程预测方法。
第五方面,本申请实施例提供了一种计算机可读取存储介质,计算机可读取存储介质中存储有程序代码,程序代码可被处理器调用执行如上述第一方面提供的车辆续航里程预测方法。
本申请提供的方案,云平台通过获取车辆的历史运行数据,并根据获取到的历史运行数据,训练用于估计车辆的续航里程的续航预测模型,以及发送续航预测模型至车辆,以允许车辆根据获取到的实时运行数据以及续航预测模型,对车辆的续航里程进行预测,因此,实现了根据云平台训练的续航预测模型以及车辆的实时运行数据,对车辆的续航里程进行预测,避免了根据历史平均能耗估算续航里程而导致续航里程估算不够准确的现象,以及避免了车辆对续航预测模型进行训练花费时间过多而导致续航里程预测效率低,可提高续航里程的预测准确度的同时,提高续航里程的预测效率。
附图说明
为了更清楚地说明本申请实施例中的技术方案,下面将对实施例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的一些实施例,对于本领域技术人员来讲,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他的附图。
图1示出了本申请实施例提供的一种车联网系统的结构示意图。
图2示出了本申请实施例提供的车辆续航里程预测方法的一种流程示意图。
图3示出了本申请实施例提供的车辆续航里程预测方法的另一种流程示意图。
图4示出了本申请实施例提供的车辆续航里程预测方法的又一种流程示意图。
图5示出了本申请实施例提供的车辆续航里程预测方法的再一种流程示意图。
图6示出了本申请实施例提供的车辆续航里程预测装置的一种结构示意图。
图7示出了本申请实施例提供的车辆续航里程预测装置的另一种结构示意图。
图8示出了本申请实施例提供的一种车辆的功能模块示意图。
图9示出了本申请实施例提供的用于保存或者携带现实根据本申请实施例的车辆续航里程预测方法的程序代码的计算机可读存储介质。
具体实施方式
为了使本技术领域的人员更好地理解本申请方案,下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
为了清楚阐释本申请的方案,下面先对一些术语进行解释。
续航里程:续航里程也称为续航能力,是指动力电池以全充满状态开始到标准规定的试验结束时所走过的里程。
云平台:也称为云计算平台,是指基于硬件资源和软件资源的服务,提供计算、网络和存储能力,其由搭载了云平台服务器端软件的云服务器、搭载了云平台客户端软件的云电脑以及网络组件构成。
车联网:是以车内网、车际网和车载移动互联网为基础,按照约定的通信协议和数据交互标准,在车-车、车-路、车-人以及车-互联网等之间,进行无线通讯和信息交互的大系统网络,是能够实现智能化交通管理、智能动态信息服务和车辆智能化控制的一体化网络。
智能车载终端:又称卫星定位智能车载终端,其融合了全球定位系统(GlobalPositioning System,GPS)技术、里程定位技术及汽车黑匣技术。
荷电状态(State of Charge,SOC):用于表征电池在一定的放电倍率下,剩余电量与相同条件下额定容量的比值。
下面对本申请实施例提供的应用场景进行介绍。
请参阅图1,其示出了本申请实施例提供的应用场景的一种示意图,该应用场景包括车联网系统10。该车联网系统10包括云平台110以及车辆120,其中,云平台110通过车联网与车辆120进行通信,从而实现云平台110与车辆120之间的数据交互,进而实现对车辆120的续航里程进行预测。云平台110可以为存储型云平台、计算型云平台以及综合云计算平台等,车联网可以为无线广域网(Wireless Wide Area Network,WWAN)、无线局域网(Wireless Local Area Network,WLAN)、无线城域网(Wireless Metropolitan AreaNetwork,WMAN)以及无线个人局域网(Wireless Personal Area Network,WPAN)等,此处不做限定。
车辆120运行时,车辆120通过智能车载终端对车辆120的运行数据进行采集,并通过车联网将车辆120的历史运行数据发送至云平台110,云平台110响应接收到车辆120发送的历史运行数据,并根据历史运行数据,训练用于估计车辆120的续航流程的续航预测模型,以及通过车联网将训练好的续航预测模型发送至车辆120,车辆120响应接收到的续航预测模型,并根据智能车载终端采集的实时运行数据以及续航预测模型,对车辆120的续航里程进行预测,从而完成了对车辆续航里程的预测过程。
请参阅图2,其示出了本申请一个实施例提供的车辆续航里程预测方法的流程图,该车辆续航里程预测方法用于根据云平台训练的续航预测模型以及车辆的实时运行数据,对车辆的续航里程进行预测,避免了根据历史平均能耗估算续航里程而导致续航里程估算不够准确的现象,以及避免了车辆对续航预测模型进行训练花费时间过多而导致续航里程预测效率低,可提高续航里程的预测准确度的同时,提高续航里程的预测效率。在具体的实施例中,车辆续航里程预测方法应用于如图1所示的云平台110,下面将以云平台110为例,对图2所示的流程进行详细阐述,车辆续航里程预测方法可以包括以下步骤S210-S230。
步骤S210:获取车辆的历史运行数据。
在本申请实施例中,车辆的运行数据可以包括车辆的运动数据、电池数据、电机数据、电机控制器数据以及环境数据等。其中,车辆的运动数据可以包括但不限于:运行模式、车速、行驶里程、加速踏板行程、制动踏板行程、档位、空调状态以及充电状态等;电池数据可以包括:电池包总电压、电池包总电流、单体电池电压、单体电池电流、电池包中的多个监测点温度以及SOC等;电机数据可以包括:电机的转速、电机的转矩以及电机的温度等;电机控制器数据可以包括:电机控制器输入电压、电机控制器直流母线电流以及电机控制器温度等;环境数据可以包括:车外的温度、车外的湿度、车辆所处的位置、海拔高度以及车外的风速和风向等。车辆的历史运行数据可以包括上述所罗列的各种数据,该历史运行数据可以通过车辆上的智能车载终端采集所得,且该历史运行数据为基于车辆过去一段时间(例如半年到两年)内基于时间序列的运行数据。云平台通过车联网接收智能车载终端发送的历史运行数据。
步骤S220:根据历史运行数据,训练用于估计车辆的续航里程的续航预测模型。
在本申请实施例中,云平台可以将获取到的历史运行数据输入至预设的机器学习(Machine Learning,ML)训练模型中进行训练,以建立用于估计车辆的续航里程的续航预测模型。
在一些实施方式中,ML训练模型可以包括逻辑回归(Logistic Regression,LR)模型,云平台可以将获取到的历史运行数据输入至预设的LR模型进行训练,以建立用于估计车辆的续航里程的LR模型。
LR模型是离散选择法模型之一,属于多重变量分析范畴,是社会学、生物统计学、临床、数量心理学、计量经济学、市场营销等统计实证分析的常用方法。LR一般用于二分类(Binary Classification)问题中,给定一些输入,输出结果是离散值。例如用LR实现一个猫分类器,输入一张图片x,预测图片是否为猫,输出该图片中存在猫的概率结果y。从生物学的角度讲:就是一个模型对外界的刺激(训练样本)做出反应,趋利避害(评价标准)。应用于续航里程预测中,可以根据输入的实时运行数据预测到期望的续航里程。
在一些实施方式中,ML训练模型可以包括深度学习(Deep Learning,DL)模型,云平台可以将获取到的历史运行数据输入至预设的DL模型进行训练,以建立用于估计车辆的续航里程的DL模型。其中,DL模型可以包括:卷积神经网络(Convolutional NeuralNetwork,CNN)模型、深度信任网络(Deep Belief Nets,DBN)模型以及堆栈自编码网络(Stacked Auto-Encoder Network,SAEN)模型等。
DL是ML的一种,而ML是实现人工智能的必经路径,DL的概念源于人工神经网络的研究,含多个隐藏层的多层感知器就是一种DL结构,DL通过组合底层特征形成更加抽象的高层表示属性类别或特征,以发现数据的分布式特征表示。
在一些实施方式中,ML训练模型可以包括支持向量机(Support Vector Machine,SVM)模型,云平台可以将获取到的历史运行数据输入至预设的SVM模型进行训练,以建立用于估计车辆的续航里程的SVM模型。
在一些实施方式中,ML训练模型可以包括全连接神经网络模型,云平台可以将获取到的历史运行数据输入至预设的全连接神经网络模型进行训练,以建立用于估计车辆的续航里程的全连接神经网络模型。
在一些实施方式中,ML训练模型可以包括长短期记忆网络(Long Short-TermMemory,LSTM)模型,云平台可以将获取到的历史运行数据输入至预设的LSTM模型进行训练,以建立用于估计车辆的续航里程的LSTM模型。
LSTM是一种时间递归神经网络,适合于处理和预测时间序列中间隔和延迟相对较长的重要事件。LSTM是解决循环神经网络中存在的“梯度消失”问题而提出的,是一种特殊的循环神经网络。最常见的一个例子就是:当我们要预测“the clouds are in the(...)”的时候,这种情况下,相关的信息和预测的词位置之间的间隔很小,会使用先前的信息预测出词是“sky”。但是如果想要预测“I grew up in France...I speak fluent(...)”,语言模型推测下一个词可能是一种语言的名字,但是具体是什么语言,需要用到间隔很长的前文中France,在这种情况下,因为“梯度消失”的问题,并不能利用间隔很长的信息,然而,LSTM在设计上明确避免了长期依赖的问题,这主要归功于LSTM精心设计的“门”结构(输入门、遗忘门和输出门)消除或者增加信息到细胞状态的能力,使得LSTM能够记住长期的信息。
当然,续航预测模型还可以包括门限循环单元模型、简单循环单元模型、自动编码器模型、决策树(Decision Tree,DT)模型、随机森林模型、特征均值分类模型、分类回归树模型、隐马尔科夫模型、K最近邻(k-NearestNeighbor,KNN)算法模型、朴素贝叶斯(NaiveBayes,NB)模型、高斯模型以及KL散度(Kullback–Leibler divergence)模型等,此处不做限定。
步骤S230:发送续航预测模型至车辆。
在本申请实施例中,云平台在根据历史运行数据,训练用于估计车辆的续航里程的续航预测模型之后,可以发送训练完成的续航预测模型至车辆,以允许车辆根据获取到的实时运行数据以及续航预测模型,对车辆的续航里程进行预测。
在一些实施方式中,云平台将训练完成的续航预测模型发送至车辆,车辆响应接收到的续航预测模型,并将获取到的实时运行数据输入至续航预测模型中,得到预测的续航里程。
本申请提供的方案,云平台通过获取车辆的历史运行数据,并根据获取到的历史运行数据,训练用于估计车辆的续航里程的续航预测模型,以及发送续航预测模型至车辆,以允许车辆根据获取到的实时运行数据以及续航预测模型,对车辆的续航里程进行预测,因此,实现了根据云平台训练的续航预测模型以及车辆的实时运行数据,对车辆的续航里程进行预测,避免了根据历史平均能耗估算续航里程而导致续航里程估算不够准确的现象,以及避免了车辆对续航预测模型进行训练花费时间过多而导致续航里程预测效率低,可提高续航里程的预测准确度的同时,提高续航里程的预测效率。
请参阅图3,其示出了本申请另一个实施例提供的车辆续航里程预测方法的流程图,该车辆续航里程预测方法应用于如图1所示的云平台110,下面将以云平台110为例,对图3所示的流程进行详细的阐述,车辆续航里程预测方法可以包括以下步骤S310-S340。
步骤S310:获取车辆的历史运行数据。
在本申请实施例中,步骤S310可以参阅前述实施例中相应步骤的内容,此处不再赘述。
步骤S320:根据预设的划分规则处理历史运行数据,得到样本数据。
在本申请实施例中,对于续航预测模型的训练,需要大量的样本数据,云平台可以根据预设的划分规则,对获取到的历史运行数据进行划分,以得到大量样本数据,可避免因瞬时数据出错或者不准确而导致样本数据的误差大,进而导致续航里程的预测不准确,可提高续航预测模型的鲁棒性,进而提高续航里程的预测准确度。其中,划分规则用于表征人为规则。
例如,云平台可以根据获取到的车辆的历史运行数据,将与历史运行数据对应的一段连续行程,按照每行程X公里(X可以为1,2,5等合适的数值)将该段连续行程划分为多个行程单元,并将多个行程单元作为多个样本,并统计与多个行程单元对应的历史运行数据的多项特征,得到多个样本数据,多项特征可以包括驾驶信息、里程信息以及外界环境特征。对于新出的车型,在样本数据不够多的情况下,行程还可以重复使用,例如,分别利用不同长度的单位行程去划分历史行程,以获取多种不同单位长度的行程样本,举例而言,如按照0-1公里为单位行程将历史行程划分为多个样本,也可以按照0.5-1.5公里行程划分为多个样本,通过提取一段行程作为样本可以大幅提高数据容错率,可提高续航里程的预测准确度。
在一些实施方式中,云平台可以基于历史运行数据,获取车辆在预定区间内的连续行程数据,并根据预设的单位长度,将获取到的连续行程数据按照预设的划分规则划分为多个行程单元,以及确定每个行程单元所对应的驾驶信息和里程信息,将多个行程单元中的部分行程单元对应的驾驶信息和里程信息作为训练样本数据,以及将多个行程单元中的剩余行程单元对应的驾驶信息和里程信息作为测试样本数据;其中,每个行程单元所对应的驾驶信息包括对应于该行程单元的车辆驾驶信息、车况信息,每个行程单元所对应的里程信息包括对应于该行程单元的历史里程信息、剩余续航里程信息。
例如,云平台可以根据车联网获取到车辆的历史运行数据,将每一段连续的行程划分为多个样本,每行驶X公里划分一个样本,并构造该X公里行程的各项特征,得到样本数据,各项特征包括驾驶信息、里程信息以及外界环境数据特征等,并将获得的样本数据按照预设的划分规则划分为训练样本数据以及测试样本数据,如按照10:1的比例将样本数据划分为11份,且每份样本数据包含的特征类型均相同,则可以将10份样本数据作为训练样本数据,以及将1份样本数据作为测试样本数据。
步骤S330:根据样本数据,训练续航预测模型。
在本申请实施例中,样本数据可以包括训练样本数据以及测试样本数据,云平台可以将训练样本数据输入至预设的ML训练模型中进行训练,并将测试样本数据输入至已训练的ML训练模型,若得到的预测结果满足预设条件,则得到训练的续航预测模型。
在一些实施方式中,样本数据可以包括多个训练集以及多个测试集,训练集用于表征由训练样本数据构成的集合,测试集用于表征由测试样本数据构成的集合。云平台可以根据预设的划分规则,将样本数据进行划分,并将得到的训练样本数据作为一个训练集,且将得到的测试样本数据作为一个测试集,以及根据不同划分规则,对样本数据进行多次划分,分别获得多个训练集以及多个测试集,并将多个训练集,对ML训练模型进行训练并得到多个ML训练模型,并将多个测试集输入已训练的ML训练模型,得到多个ML测试模型,从多个ML测试模型中选取与最小均方误差对应的ML训练模型,作为目标续航预测模型。
例如,云平台可以根据获取到的历史运行数据,统计每段X公里行程的驾驶信息和里程信息,并作为特征变量,以及该X公里行程的耗电量作为目标变量,利用神经网络深度学习模型进行训练,采用不同的参数训练多个深度学习模型,深度神经网络的主要外部参数有中间层以及每一层的节点个数,如,可以设置以下三组外部参数:2层(分别8和4个结点)、3层(分别16、8、4个结点)以及3层(分别8、4、2个结点),对以上三组外部参数,用训练集分别训练出一个训练模型,并用测试集中的多个测试样本分别对上述已训练的训练模型进行测试,并获取多个测试结果,对这些测试结果进行误差估计后,在这些测试结果中将均方误差为最小值的测试结果对应的训练模型作为最终续航预测模型。其中,云平台可以根据车辆的预设行程值对续航预测模型进行更新,如云平台可以根据车辆每行驶一百公里,对续航预测模型进行更新,云平台也可以根据预设时长对续航预测模型进行更新,如云平台可以每一周或每个月对续航预测模型进行更新,云平台根据获取到的最新历史运行数据,重新训练模型,可使得续航预测模型一步步迭代,从而可提高续航预测模型的预测精度。
步骤S340:发送续航预测模型至车辆。
在本申请实施例中,步骤S340可以参阅前述实施例中相应步骤的内容,此处不再赘述。
本申请提供的方案,云平台通过获取车辆的历史运行数据,并根据获取到的历史运行数据,训练用于估计车辆的续航里程的续航预测模型,以及发送续航预测模型至车辆,以允许车辆根据获取到的实时运行数据以及续航预测模型,对车辆的续航里程进行预测,因此,实现了根据云平台训练的续航预测模型以及车辆的实时运行数据,对车辆的续航里程进行预测,避免了根据历史平均能耗估算续航里程而导致续航里程估算不够准确的现象,以及避免了车辆对续航预测模型进行训练花费时间过多而导致续航里程预测效率低,可提高续航里程的预测准确度的同时,提高续航里程的预测效率。
进一步地,云平台根据预设的划分规则,对获取到的历史运行数据进行划分,得到样本数据,且根据样本数据,训练续航预测模型,可增加续航预测模型的训练样本,从而可提高续航预测模型的鲁棒性,进而可提高续航里程的预测准确度。
请参阅图4,其示出了本申请另一个实施例提供的车辆续航里程预测方法的流程图,该车辆续航里程预测方法应用于如图1所示的云平台110,下面将以云平台110为例,对图4所示的流程进行详细的阐述,车辆续航里程预测方法可以包括以下步骤S410-S440。
步骤S410:获取车辆的历史运行数据。
在本申请实施例中,步骤S410可以参阅前述实施例中相应步骤的内容,此处不再赘述。
步骤S420:根据预设的筛选规则以及历史运行数据,得到样本数据。
在本申请实施例中,样本数据可以包括目标训练集以及目标测试集,云平台在获取到车辆的历史运行数据之后,可以根据预设的划分规则,对历史运行数据进行划分,将得到的训练样本数据作为训练集,以及将得到的测试样本数据作为测试集,并根据预设的筛选规则,对训练集以及测试集进行筛选,得到目标训练集以及目标测试集,实现了根据预设的筛选规则选取对续航里程预测产生影响的特征数据,可避免过多的特征数据使得续航预测模型过拟合,而导致预测准确度下降,可提高续航预测模型的鲁棒性,从而可提高续航里程的预测准确度。其中,筛选规则用于指示根据数据特征对历史运行数据进行筛选以获取样本数据。
在一些实施方式中,筛选规则可以包括梯度提升决策树(Gradient BoostingDecision Tree,GBDT)分类规则,云平台可以将获取到的历史运行数据按照预设的划分规则进行划分,得到训练集以及测试集,并将训练集以及测试集分别输入至预设的GBDT分类器,GBDT分类器响应接收到的训练集以及测试集,对训练集以及测试集进行训练,GBDT分类器完成对训练集以及测试的训练后,可以根据训练集以及测试集的数据特征,以及每个数据特征在树中出现的次数以及GBDT分类器对各个特征的评分输出每个特征的重要性,选出训练集中重要性前80%的特征对应的历史运行数据,作为目标训练集,以及选出测试集中重要性前80%的特征对应的历史运行,,作为目标测试集。其中,GBDT是集成树模型,通过GBDT分类器对所有特征进行预训练,每一颗树的训练都要计算特征的增益,从而选取建树特征,具体地,GBDT训练结束会根据每个特征被采用的次数,给出每个特征的一个重要程度。
在一些实施方式中,筛选规则可以包括超梯度树提升(extremeGradientBoosting,XGBoost)分类规则,云平台可以将获取到的历史运行数据按照预设的划分规则进行划分,得到训练集以及测试集,并将训练集以及测试集分别输入至预设的XGBoost分类器,XGBoost分类器响应接收到的训练集以及测试集,对训练集以及测试集进行训练,XGBoost分类器完成对训练集以及测试集的训练后,可以根据训练集以及测试集的数据特征,以及每个数据特征在树中出现的次数以及XGBoost分类器对各个特征的评分输出每个特征的重要性,选出训练集中重要性前80%的特征对应的历史运行数据,作为目标训练集,以及选出测试集中重要性前80%的特征对应的历史运行数据,作为目标测试集。
当然,筛选规则还可以包括特征均值分类规则、分类回归树规则等,此处不做限定。
以下将以一种具体的应用场景来说明本实施例的筛选规则以及步骤,应当理解的是,本说明书中提供的实施例是为了阐述技术方案而做的说明,不应对本申请造成限定。
在一种应用场景中,可以基于历史运行数据,按照预设的单位时长对历史运行数据进行划分,以获取多个样本,例如,车辆在10000-10000+X公里的X公里行程内,若行驶时长为100秒,且每秒采集一次数据,则该X公里行程总共有100份数据,去掉空值或无效数据后假设有90份数据,该90份数据即为划分后得到的样本,然后对这90份数据进行统计得到数据特征,数据特征包括以下特征的任一种或多种:车辆特征、驾驶特征、环境特征等。
车辆特征包括但不限于包括车型、固定值、空调状态、剩余电量、空调温度均值、总行驶里程、电机控制器平均温度、电池包中每个温度探针的温度均值、平均胎压等。在具体的实施例中,车型一般是固定的,因此取固定值(如预设的系数)。空调状态包括加热状态、制冷状态、关闭状态,在获取空调状态数据时,可以获取最后一秒钟的数据作为有效数据。剩余电量可以通过获取最后一秒钟的电池电量数据得到。空调温度均值为采集的所有空调温度数据的平均值,在计算空调温度均值时,可以将所有空调温度数据加和得到总温度值,再将总温度值除以有效数据数量90,则得到空调温度均值。总行驶里程可以通过读取最后一秒钟码表显示的行驶里程得到。电池包中每个温度探针的温度均值可以通过将电池包中所有温度探针的温度数据加和得到总探针温度值,再将总探针温度值除以有效数据数量90得到。电机控制器平均温度可以通过将所有电机控制器温度数据加和得到总电机控制器温度值,再将总电机控制器温度值除以有效数据数量90得到。平均胎压可以通过将所有胎压数据加和得到总胎压值,再将总胎压值除以有效数据数量90得到。
驾驶特征包括但不限于包括驾驶模式、能量回收等级、行驶时间、平均速度、最大速度、最小速度、速度为0的时长、最大加速加速度、最大急刹加速度、大于3米/二次方秒(m/s2)的急加速次数、大于3m/s2的急减速次数等。在具体的实施例中,驾驶模式可以包括节能模式、普通模式以及运动模式,在获取驾驶模式数据时,可以获取最后一秒钟的数据,作为有效数据。能量回收等级用于表征车辆的能量回收效率,在获取能量回收等级数据时,可以获取最后一秒钟的能量回收等级数据作为有效数据。行驶时间可以通过读取最后一秒钟仪表盘显示的行驶时间得到,平均速度可以通过计算总行驶里程/行驶时间的比值得到。最大速度可以通过获取所有速度值中的最大速度值得到。最小速度可以通过获取所有速度值中的最小速度值得到。速度为0时长可以通过计算车辆停止时对应的总时长得到。最大加速加速度用于表征车辆加速过程中的最大加速度,可以通过获取车辆在加速时的所有加速度,并从该所有加速度中选取最大的加速度,作为最大加速加速度。最大急刹加速度用于表征车辆在减速过程中的最大减速度,可以通过获取车辆在减速时的所有减速度,并从该所有减速度中选取最大的减速度,作为最大急刹加速度。大于3米/m/s2的急加速次数可以通过获取加速过程中加速度大于3m/s2的次数得到。大于3m/s2的急减速次数可以通过获取减速过程中减速度大于3m/s2的次数得到。其中,对速度求一阶差分可获得加速度数据,对加速度数据进行统计可获得上述四个加速度数据。
环境特征包括但不限于包括天气状况、室外温度、海拔高度。由于短时间内这几个参数几乎不会变化,上述参数均取最后一秒钟的数据,具体数据的获取可以通过时间以及经纬度调用天气接口来获取。
云平台在获取到上述90份样本数据之后,可以按照预设的划分规则,将该90份样本数据进行划分,得到训练集以及测试集,并根据预设的筛选规则,对训练集以及测试集中的数据特征的重要性进行训练,训练完成后,从训练集中选取重要性前80%的特征对应的样本数据,作为目标训练集,以及从测试集中选取重要性前80%的特征对应的样本数据,作为目标训练集。
步骤S430:根据样本数据,训练续航预测模型。
步骤S440:发送续航预测模型至车辆。
在本申请实施例中,步骤S430以及步骤S440可以参阅前述实施例中相应步骤的内容,此处不再赘述。
在一些实施方式中,历史运行数据包括历史耗电量以及历史耗电时长,续航预测模型包括耗电速度预测模型,实时运行数据可以包括实时电量、实时平均车速,云平台可以根据获取到的历史耗电量以及历史耗电时长,输入至预设的ML训练模型中进行训练,以建立用于估计车辆的耗电速度的耗电速度预测模型,并将耗电速度预测模型发送至车辆,以允许车辆根据获取到的实时电量、实时平均车速以及耗电速度预测模型,对车辆的续航里程进行预测,可实现根据车辆的耗电速度对车辆的续航里程进行预测,可提高续航里程预测的可靠性。
作为一种实施方式,云平台可以通过车联网按照预设时长获取车辆的实时运行数据,如按照每分钟或每30秒获取一次,并将获取的实时运行数据输入至耗电速度预测模型,得到每公里的耗电速度,并将该耗电速度发送至车辆,以允许车辆根据该耗电速度以及剩余电量计算可行驶里程。
作为一种实施方式,ML训练模型可以包括线性回归模型,云平台可以将获取到的历史耗电量以及历史耗电时长,输入至线性回归模型,以建立用于估计车辆的耗电速度的耗电速度预测模型。
在一些实施方式中,云平台在发送续航预测模型至车辆之后,可以接收车辆返回的对车辆进行预测的续航里程,并根据续航里程,发出行程建议信息,行程建议信息与续航里程关联,行程建议信息至少包括充电行驶线路信息,例如,云平台可以根据包含在预测的续航里程内的最近充电桩,发出充电行程线路,从而可实现根据车辆的续航里程推荐充电行程路线,可避免因车辆的续航里程不够而无法抵达行驶目的地,可提高用户的驾车体验。
在一些实施方式中,云平台在发送续航预测模型至车辆之后,可以接收车辆返回的对车辆进行预测的续航里程,并根据续航里程,发出驾驶建议信息,行程建议信息与续航里程关联,驾驶建议信息包括驾驶参数建议信息,例如,云平台可以根据预测的续航里程小于或等于需求续航里程时,可以发出关闭耗电设备(如车载空调以及车载影音设备等)以及不要急加速和急减速等的建议信息,云平台也可以根据预测的续航里程大于需求续航里程时,可以不发出驾驶参数建议信息,从而可实现根据车辆的续航里程推荐驾驶参数建议信息,可避免因车辆的续航里程不够而无法抵达行驶目的地,可提高用户的驾车体验。
本申请提供的方案,云平台通过获取车辆的历史运行数据,并根据获取到的历史运行数据,训练用于估计车辆的续航里程的续航预测模型,以及发送续航预测模型至车辆,以允许车辆根据获取到的实时运行数据以及续航预测模型,对车辆的续航里程进行预测,因此,实现了根据云平台训练的续航预测模型以及车辆的实时运行数据,对车辆的续航里程进行预测,避免了根据历史平均能耗估算续航里程而导致续航里程估算不够准确的现象,以及避免了车辆对续航预测模型进行训练花费时间过多而导致续航里程预测效率低,可提高续航里程的预测准确度的同时,提高续航里程的预测效率。
进一步地,云平台根据预设的筛选规则,对获取到的历史运行数据进行筛选,得到样本数据,且根据样本数据,训练续航预测模型,实现了根据预设的筛选规则选取对续航里程预测产生影响的特征数据,可避免过多的特征数据使得续航预测模型过拟合,而导致预测准确度下降,可提高续航预测模型的鲁棒性,从而可提高续航里程的预测准确度。
请参阅图5,其示出了本申请另一个实施例提供的车辆续航里程预测方法的流程图,该车辆续航里程预测方法应用于如图1所示的车辆120,下面将以车辆120为例,对图5所示的流程进行详细的阐述,车辆续航里程预测方法可以包括以下步骤S510-S540。
步骤S510:采集车辆的历史运行数据。
在本申请实施例中,车辆可以包括智能车载终端,智能车载终端用于采集车辆的运行数据。车辆可以通过智能车载终端采集历史运行数据。
步骤S520:发送历史运行数据至云平台。
在本申请实施例中,车辆可以通过车联网将历史运行数据发送至云平台,云平台响应接收到的历史运行数据,并根据历史运行数据,训练用于估计车辆的续航里程的续航预测模型。
步骤S530:接收由云平台基于历史运行数据训练的续航预测模型。
在本申请实施例中,车辆在发送历史运行数据至云平台之后,可以通过车联网接收由云平台返回的续航预测模型,其中,续航预测模型由云平台基于历史运行数据训练得到。
步骤S540:根据获取到的实时运行数据以及续航预测模型,确定车辆的续航里程。
在本申请实施例中,车辆在接收由云平台基于历史运行数据训练的续航预测模型之后,可以将获取到的实时运行数据输入至续航预测模型,得到车辆的续航里程。
在一些实施方式中,车辆可以包括车载显示屏,车辆可以将获取到的实时运行数据输入至续航预测模型,得到车辆的续航里程,并续航里程于车载显示屏显示。
在一些实施方式中,车辆可以根据续航里程,确定行程建议信息,行程建议信息与续航里程关联,行程建议信息至少包括充电行驶线路信息,或/及,根据续航里程根据续航里程,确定驾驶建议信息,行程建议信息与续航里程关联,驾驶建议信息包括驾驶参数建议信息。
本申请提供的方案,车辆通过采集车辆的历史运行数据,且将历史运行数据发送至云平台,历史运行数据用于指示云平台训练用于估计车辆的续航里程的续航预测模型,并接收由云平台返回的续航预测模型,以及根据获取到的实时运行数据以及续航预测模型,确定车辆的续航里程,因此,实现了根据云平台训练的续航预测模型以及车辆的实时运行数据,对车辆的续航里程进行预测,避免了根据历史平均能耗估算续航里程而导致续航里程估算不够准确的现象,以及避免了车辆对续航预测模型进行训练花费时间过多而导致续航里程预测效率低,可提高续航里程的预测准确度的同时,提高续航里程的预测效率。
请参阅图6,其示出了本申请另一个实施例提供的车辆续航里程预测装置的结构示意图,在本申请实施例中车辆续航里程预测装置600应用于如图1所示的云平台110,下面将以云平台110为例,对图6所示的车辆续航里程预测装置600进行详细的阐述,车辆续航里程预测装置600可以包括获取模块610、训练模块620以及模型发送模块630。
获取模块610用于获取车辆的历史运行数据;训练模块620用于根据历史运行数据,训练用于估计车辆的续航里程的续航预测模型;模型发送模块630用于发送续航预测模型至车辆,以允许车辆根据获取到的实时运行数据以及续航预测模型,对车辆的续航里程进行预测。
在一些实施方式中,训练模块620可以包括数据划分单元以及第一训练单元。
数据划分单元用于根据预设的划分规则处理历史运行数据,得到样本数据;第一训练单元用于根据样本数据,训练续航预测模型。
作为一种实施方式,样本数据包括多个训练集以及多个测试集,第一训练单元可以包括数据训练子单元以及数据测试子单元。
数据训练子单元用于根据多个训练集,训练并获取多个续航预测模型;数据测试子单元用于基于多个测试集对多个续航预测模型进行测试,从多个续航预测模型中选取目标续航预测模型。
作为一种实施方式,数据划分单元可以包括获取子单元、行程划分子单元以及样本确定子单元。
获取子单元用于基于历史运行数据,获取预定区间内的连续行程数据;行程划分子单元用于根据预设的单位长度,将连续行程数据划分为多个行程单元;样本确定子单元用于确定每个行程单元所对应的驾驶信息和里程信息,将多个行程单元对应的驾驶信息和里程信息作为样本数据;其中,每个行程单元所对应的驾驶信息包括对应于该行程单元的车辆驾驶信息、车况信息,每个行程单元所对应的里程信息包括对应于该行程单元的历史里程信息、剩余续航里程信息。
在一些实施方式中,训练模块620还可以包括筛选单元以及第二训练单元。
筛选单元用于根据预设的筛选规则以及历史运行数据,得到样本数据,筛选规则用于指示根据数据特征对历史运行数据进行筛选以获取样本数据;第二训练单元用于根据样本数据,训练续航预测模型。
在一些实施方式中,历史运行数据包括历史耗电量以及历史耗电时长,续航预测模型包括耗电速度预测模型,训练模块620还可以包括第三训练单元以及发送单元。
第三训练单元用于根据历史耗电量以及历史耗电时长,训练用于估计车辆的耗电速度的耗电速度预测模型;发送单元用于发送耗电速度预测模型至车辆,以允许车辆根据获取到的实时运行数据以及耗电速度预测模型,对车辆的续航里程进行预测。
在一些实施方式中,车辆续航里程预测装置600还可以包括第一接收模块以及第一发出模块。
第一接收模块用于接收车辆返回的续航里程;第一发出模块用于根据续航里程,发出行程建议信息,行程建议信息与续航里程关联,行程建议信息至少包括充电行驶线路信息。
在一些实施方式中,车辆续航里程预测装置600还可以包括第二接收模块以及第二发出模块。
第二接收模块用于接收车辆返回的续航里程;第二发出模块用于根据续航里程,发出驾驶建议信息,行程建议信息与续航里程关联,驾驶建议信息包括驾驶参数建议信息。
本申请提供的方案,云平台通过获取车辆的历史运行数据,并根据获取到的历史运行数据,训练用于估计车辆的续航里程的续航预测模型,以及发送续航预测模型至车辆,以允许车辆根据获取到的实时运行数据以及续航预测模型,对车辆的续航里程进行预测,因此,实现了根据云平台训练的续航预测模型以及车辆的实时运行数据,对车辆的续航里程进行预测,避免了根据历史平均能耗估算续航里程而导致续航里程估算不够准确的现象,以及避免了车辆对续航预测模型进行训练花费时间过多而导致续航里程预测效率低,可提高续航里程的预测准确度的同时,提高续航里程的预测效率。
请参阅图7,其示出了本申请另一个实施例提供的车辆续航里程预测装置的结构示意图,在本申请实施例中车辆续航里程预测装置700应用于如图1所示的车辆120,下面将以车辆120为例,对图7所示的车辆续航里程预测装置700进行详细的阐述,车辆续航里程预测装置700可以包括采集模块710、数据发送模块720、接收模块730以及确定模块740。
采集模块710用于采集车辆的历史运行数据;数据发送模块720用于发送历史运行数据至云平台,历史运行数据用于指示云平台训练用于估计车辆的续航里程的续航预测模型;接收模块730用于接收由云平台基于历史运行数据训练的续航预测模型;确定模块740用于根据获取到的实时运行数据以及续航预测模型,确定车辆的续航里程。
在一些实施方式中,车辆续航里程预测装置700还可以包括第一确定模块以及第二确定模块。
第一确定模块用于根据续航里程,确定行程建议信息,行程建议信息与续航里程关联,行程建议信息至少包括充电行驶线路信息;或/及,第二确定模块用于根据续航里程,确定驾驶建议信息,行程建议信息与续航里程关联,驾驶建议信息包括驾驶参数建议信息。
本申请提供的方案,车辆通过采集车辆的历史运行数据,且将历史运行数据发送至云平台,历史运行数据用于指示云平台训练用于估计车辆的续航里程的续航预测模型,并接收由云平台返回的续航预测模型,以及根据获取到的实时运行数据以及续航预测模型,确定车辆的续航里程,因此,实现了根据云平台训练的续航预测模型以及车辆的实时运行数据,对车辆的续航里程进行预测,避免了根据历史平均能耗估算续航里程而导致续航里程估算不够准确的现象,以及避免了车辆对续航预测模型进行训练花费时间过多而导致续航里程预测效率低,可提高续航里程的预测准确度的同时,提高续航里程的预测效率。
请参阅图8,其示出了本申请一个实施例提供的车辆800的功能框图,该车辆800包括处理器810、通信模块820、存储器830和总线。处理器810、通信模块820和存储器830通过总线相互连接并完成相互间的通信。总线可以是ISA总线、PCI总线或EISA总线等。总线可以分为地址总线、数据总线、控制总线等。其中:
存储器830,用于存放程序。具体地,存储器830可用于存储软件程序以及各种数据。存储器830可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作至少一个功能所需的应用程序程序可以包括程序代码,程序代码包括计算机操作指令。除了存放程序之外,存储器830还可以暂存通信模块820需要发送的消息等。
处理器810用于执行存储器830存放的程序。程序被处理器执行时实现上述各实施例的能量回收方法的步骤。可选地,处理器810可以采用数字信号处理(Digital SignalProcessing,DSP)、现场可编程门阵列(Field-Programmable Gate Array,FPGA)、可编程逻辑阵列(Programmable Logic Array,PLA)中的至少一种硬件形式来实现。处理器810可集成中央处理器(Central Processing Unit,CPU)、图像处理器(Graphics ProcessingUnit,GPU)和调制解调器等中的一种或几种的组合。其中,CPU主要处理操作系统、用户界面和应用程序等;GPU用于负责显示内容的渲染和绘制;调制解调器用于处理无线通信。可以理解的是,调制解调器也可以不集成到处理器810中,单独通过一块通信芯片进行实现。
存储器830可以包括随机存储器(Random Access Memory,RAM),也可以包括只读存储器(Read-Only Memory)。存储器830可用于存储指令、程序、代码、代码集或指令集。存储器830可包括存储程序区和存储数据区,其中,存储程序区可存储用于实现操作系统的指令、用于实现至少一个功能的指令(比如获取历史运行数据、训练续航预测模型、发送续航预测模型、获取实时运行数据、测试续航预测模型、选取目标续航预测模型、获取连续行程数据、划分行程单元、确定驾驶信息、确定里程信息、筛选样本数据、训练耗电速度预测模型、接收续航里程、发出行程建议信息、发出驾驶建议信息、采集历史运行数据、发送历史运行数据、接收续航预测模型、确定续航里程、确定行程建议信息以及确定驾驶建议信息等)、用于实现下述各个方法实施例的指令等。存储数据区还可以存储车辆800在车辆续航里程预测过程中所创建的数据(比如历史运行数据、续航预测模型、实时运行数据、续航里程、划分规则、样本数据、训练集、测试集、目标续航预测模型、连续行程数据、预设的单位长度、多个行程单元、驾驶信息、里程信息、车辆驾驶信息、车况信息、历史里程信息、剩余续航里程信息、筛选规则、历史耗电量、历史耗电时长、耗电速度预测模型、行程建议信息、充电行驶线路信息、驾驶建议信息以及驾驶参数建议信息)等。
请参阅图9,其示出了本申请一个实施例提供的计算机可读存储介质,计算机可读取存储介质900中存储有程序代码,程序代码可被处理器调用执行前述方法实施例中所描述的方法。
计算机可读存储介质900可以是诸如闪存、EEPROM(电可擦除可编程只读存储器)、EPROM、硬盘或者ROM之类的电子存储器。可选地,计算机可读存储介质900包括非易失性计算机可读介质(non-transitory computer-readable storage medium)。计算机可读存储介质900具有执行上述方法中的任何方法步骤的程序代码910的存储空间。这些程序代码可以从一个或者多个计算机程序产品中读出或者写入到这一个或者多个计算机程序产品中。程序代码910可以例如以适当形式进行压缩。
最后应说明的是:以上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,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不驱使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围。
Claims (13)
1.一种车辆续航里程预测方法,其特征在于,应用于云平台,所述方法包括:
获取车辆的历史运行数据;
根据所述历史运行数据,训练用于估计车辆的续航里程的续航预测模型;以及
发送所述续航预测模型至所述车辆,以允许所述车辆根据获取到的实时运行数据以及所述续航预测模型,对所述车辆的续航里程进行预测。
2.根据权利要求1所述的方法,其特征在于,所述根据所述历史运行数据,训练用于估计车辆的续航里程的续航预测模型,包括:
根据预设的划分规则处理所述历史运行数据,得到样本数据;以及
根据所述样本数据,训练所述续航预测模型。
3.根据权利要求2所述的方法,其特征在于,所述样本数据包括多个训练集以及多个测试集;所述根据所述样本数据,训练所述续航预测模型,包括:
根据多个所述训练集,训练并获取多个续航预测模型;以及
基于多个所述测试集对多个所述续航预测模型进行测试,从多个所述续航预测模型中选取目标续航预测模型。
4.根据权利要求2所述的方法,其特征在于,所述根据预设的划分规则处理所述历史运行数据,得到样本数据,包括:
基于所述历史运行数据,获取预定区间内的连续行程数据;
根据预设的单位长度,将所述连续行程数据划分为多个行程单元;以及
确定每个行程单元所对应的驾驶信息和里程信息,将多个所述行程单元对应的驾驶信息和里程信息作为所述样本数据;其中,每个行程单元所对应的驾驶信息包括对应于该行程单元的车辆驾驶信息、车况信息,每个行程单元所对应的里程信息包括对应于该行程单元的历史里程信息、剩余续航里程信息。
5.根据权利要求1所述的方法,其特征在于,所述根据所述历史运行数据,训练用于估计车辆的续航里程的续航预测模型,包括:
根据预设的筛选规则以及所述历史运行数据,得到样本数据,所述筛选规则用于指示根据数据特征对所述历史运行数据进行筛选以获取所述样本数据;
根据所述样本数据,训练所述续航预测模型。
6.根据权利要求1所述的方法,其特征在于,所述历史运行数据包括历史耗电量以及历史耗电时长,所述续航预测模型包括耗电速度预测模型,所述根据所述历史运行数据,训练用于估计车辆的续航里程的续航预测模型,包括:根据所述历史耗电量以及所述历史耗电时长,训练用于估计车辆的耗电速度的耗电速度预测模型;
所述发送所述续航预测模型至所述车辆,包括:发送所述耗电速度预测模型至所述车辆,以允许所述车辆根据获取到的实时运行数据以及所述耗电速度预测模型,对所述车辆的续航里程进行预测。
7.根据权利要求1至6任一项所述的方法,其特征在于,所述方法还包括:
接收所述车辆返回的续航里程;
根据所述续航里程,发出行程建议信息,所述行程建议信息与所述续航里程关联,所述行程建议信息至少包括充电行驶线路信息。
8.根据权利要求1至6任一项所述的方法,其特征在于,所述方法还包括:
接收所述车辆返回的续航里程;
根据所述续航里程,发出驾驶建议信息,所述行程建议信息与所述续航里程关联,所述驾驶建议信息包括驾驶参数建议信息。
9.一种车辆续航里程预测方法,其特征在于,应用于车辆,所述方法包括:
采集车辆的历史运行数据;
发送所述历史运行数据至云平台,所述历史运行数据用于指示所述云平台训练用于估计车辆的续航里程的续航预测模型;
接收由云平台基于所述历史运行数据训练的所述续航预测模型;以及
根据获取到的实时运行数据以及所述续航预测模型,确定所述车辆的续航里程。
10.根据权利要求9所述的方法,其特征在于,所述方法还包括:
根据所述续航里程,确定行程建议信息,所述行程建议信息与所述续航里程关联,所述行程建议信息至少包括充电行驶线路信息;或/及
根据所述续航里程,确定驾驶建议信息,所述行程建议信息与所述续航里程关联,所述驾驶建议信息包括驾驶参数建议信息。
11.一种车辆续航里程预测装置,其特征在于,应用于云平台,所述装置包括:
获取模块,用于获取车辆的历史运行数据;
确定模块,用于根据所述历史运行数据,训练用于估计车辆的续航里程的续航预测模型;以及
发送模块,用于发送所述续航预测模型至所述车辆,以允许所述车辆根据获取到的实时运行数据以及所述续航预测模型,对所述车辆的续航里程进行预测。
12.一种车辆,其特征在于,包括:存储器;
一个或多个处理器,与所述存储器耦接;
一个或多个应用程序,其中,所述一个或多个应用程序被存储在所述存储器中并被配置为由所述一个或多个处理器执行,所述一个或多个程序配置用于执行如权利要求1至10任一项所述的方法。
13.一种计算机可读取存储介质,其特征在于,所述计算机可读取存储介质中存储有程序代码,所述程序代码可被处理器调用执行如权利要求1至10任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011449319.4A CN112549970A (zh) | 2020-12-09 | 2020-12-09 | 车辆续航里程预测方法、装置、车辆及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011449319.4A CN112549970A (zh) | 2020-12-09 | 2020-12-09 | 车辆续航里程预测方法、装置、车辆及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112549970A true CN112549970A (zh) | 2021-03-26 |
Family
ID=75061572
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011449319.4A Pending CN112549970A (zh) | 2020-12-09 | 2020-12-09 | 车辆续航里程预测方法、装置、车辆及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112549970A (zh) |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113159435A (zh) * | 2021-04-29 | 2021-07-23 | 浙江吉利控股集团有限公司 | 一种新能源车辆剩余驾驶里程预测方法及系统 |
CN113361206A (zh) * | 2021-06-30 | 2021-09-07 | 上海理工大学 | 基于地图api信息和hmm的未来能耗预测方法 |
CN113459896A (zh) * | 2021-06-28 | 2021-10-01 | 东风汽车集团股份有限公司 | 一种电动汽车续航里程确定方法及装置 |
CN113849540A (zh) * | 2021-09-22 | 2021-12-28 | 广东电网有限责任公司 | 故障预测模型训练和预测方法、装置、电子设备及介质 |
CN113884961A (zh) * | 2021-09-23 | 2022-01-04 | 中国第一汽车股份有限公司 | Soc校准方法、建模方法、建模装置、计算机设备及介质 |
CN113895307A (zh) * | 2021-11-24 | 2022-01-07 | 中国第一汽车股份有限公司 | 一种剩余里程的确定方法、装置、电动汽车及介质 |
CN113895306A (zh) * | 2021-10-18 | 2022-01-07 | 南昌工程学院 | 一种新能源汽车充电定位方法和装置 |
CN114043948A (zh) * | 2021-10-18 | 2022-02-15 | 岚图汽车科技有限公司 | 车辆能耗测算方法、装置、电子设备及存储介质 |
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 |
CN114274780A (zh) * | 2022-01-10 | 2022-04-05 | 中国第一汽车股份有限公司 | 车辆续航里程预测方法、装置、设备和存储介质 |
CN115583153A (zh) * | 2022-11-17 | 2023-01-10 | 达芬骑动力科技(北京)有限公司 | 一种续航里程计算方法、装置及计算机设备 |
CN116204240A (zh) * | 2022-11-08 | 2023-06-02 | 宁波吉利汽车研究开发有限公司 | 服务实例控制方法、装置、设备及存储介质 |
WO2024082201A1 (zh) * | 2022-10-20 | 2024-04-25 | 宁德时代新能源科技股份有限公司 | 一种续航里程估算方法及装置 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107844613A (zh) * | 2016-09-18 | 2018-03-27 | 大陆汽车投资(上海)有限公司 | 基于数据分析的电动车续航管理方法 |
CN109606119A (zh) * | 2019-01-15 | 2019-04-12 | 深圳四海万联科技有限公司 | 一种电动汽车的续航里程校准方法及系统 |
CN110091751A (zh) * | 2019-04-30 | 2019-08-06 | 深圳四海万联科技有限公司 | 基于深度学习的电动汽车续航里程预测方法、设备及介质 |
CN110329266A (zh) * | 2019-07-15 | 2019-10-15 | 腾讯科技(深圳)有限公司 | 可续航里程确定方法、装置、终端及存储介质 |
CN110562096A (zh) * | 2019-08-22 | 2019-12-13 | 东软睿驰汽车技术(沈阳)有限公司 | 一种剩余里程预测方法及装置 |
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 |
CN111301426A (zh) * | 2020-03-13 | 2020-06-19 | 南通大学 | 基于gru网络模型预测未来行驶过程能耗的方法 |
US20200218270A1 (en) * | 2019-01-07 | 2020-07-09 | Wing Aviation Llc | Using machine learning techniques to estimate available energy for vehicles |
CN111806239A (zh) * | 2019-04-16 | 2020-10-23 | 北京嘀嘀无限科技发展有限公司 | 电动车辆续航里程测量方法、电子设备及存储介质 |
-
2020
- 2020-12-09 CN CN202011449319.4A patent/CN112549970A/zh active Pending
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107844613A (zh) * | 2016-09-18 | 2018-03-27 | 大陆汽车投资(上海)有限公司 | 基于数据分析的电动车续航管理方法 |
US20200218270A1 (en) * | 2019-01-07 | 2020-07-09 | Wing Aviation Llc | Using machine learning techniques to estimate available energy for vehicles |
CN109606119A (zh) * | 2019-01-15 | 2019-04-12 | 深圳四海万联科技有限公司 | 一种电动汽车的续航里程校准方法及系统 |
CN111806239A (zh) * | 2019-04-16 | 2020-10-23 | 北京嘀嘀无限科技发展有限公司 | 电动车辆续航里程测量方法、电子设备及存储介质 |
CN110091751A (zh) * | 2019-04-30 | 2019-08-06 | 深圳四海万联科技有限公司 | 基于深度学习的电动汽车续航里程预测方法、设备及介质 |
CN110329266A (zh) * | 2019-07-15 | 2019-10-15 | 腾讯科技(深圳)有限公司 | 可续航里程确定方法、装置、终端及存储介质 |
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 |
CN110562096A (zh) * | 2019-08-22 | 2019-12-13 | 东软睿驰汽车技术(沈阳)有限公司 | 一种剩余里程预测方法及装置 |
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 |
CN111301426A (zh) * | 2020-03-13 | 2020-06-19 | 南通大学 | 基于gru网络模型预测未来行驶过程能耗的方法 |
Cited By (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113159435A (zh) * | 2021-04-29 | 2021-07-23 | 浙江吉利控股集团有限公司 | 一种新能源车辆剩余驾驶里程预测方法及系统 |
CN113159435B (zh) * | 2021-04-29 | 2022-11-22 | 浙江吉利控股集团有限公司 | 一种新能源车辆剩余驾驶里程预测方法及系统 |
CN113459896A (zh) * | 2021-06-28 | 2021-10-01 | 东风汽车集团股份有限公司 | 一种电动汽车续航里程确定方法及装置 |
CN113361206A (zh) * | 2021-06-30 | 2021-09-07 | 上海理工大学 | 基于地图api信息和hmm的未来能耗预测方法 |
CN113361206B (zh) * | 2021-06-30 | 2022-07-29 | 上海理工大学 | 基于地图api信息和hmm的未来能耗预测方法 |
CN113849540A (zh) * | 2021-09-22 | 2021-12-28 | 广东电网有限责任公司 | 故障预测模型训练和预测方法、装置、电子设备及介质 |
WO2023045790A1 (zh) * | 2021-09-23 | 2023-03-30 | 中国第一汽车股份有限公司 | Soc校准方法、建模方法、建模装置、计算机设备及介质 |
CN113884961A (zh) * | 2021-09-23 | 2022-01-04 | 中国第一汽车股份有限公司 | Soc校准方法、建模方法、建模装置、计算机设备及介质 |
CN113884961B (zh) * | 2021-09-23 | 2023-09-19 | 中国第一汽车股份有限公司 | Soc校准方法、建模方法、建模装置、计算机设备及介质 |
CN114043948B (zh) * | 2021-10-18 | 2023-10-20 | 岚图汽车科技有限公司 | 车辆能耗测算方法、装置、电子设备及存储介质 |
CN113895306A (zh) * | 2021-10-18 | 2022-01-07 | 南昌工程学院 | 一种新能源汽车充电定位方法和装置 |
CN114043948A (zh) * | 2021-10-18 | 2022-02-15 | 岚图汽车科技有限公司 | 车辆能耗测算方法、装置、电子设备及存储介质 |
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 |
CN113895307A (zh) * | 2021-11-24 | 2022-01-07 | 中国第一汽车股份有限公司 | 一种剩余里程的确定方法、装置、电动汽车及介质 |
CN114274780A (zh) * | 2022-01-10 | 2022-04-05 | 中国第一汽车股份有限公司 | 车辆续航里程预测方法、装置、设备和存储介质 |
WO2024082201A1 (zh) * | 2022-10-20 | 2024-04-25 | 宁德时代新能源科技股份有限公司 | 一种续航里程估算方法及装置 |
CN116204240A (zh) * | 2022-11-08 | 2023-06-02 | 宁波吉利汽车研究开发有限公司 | 服务实例控制方法、装置、设备及存储介质 |
CN115583153A (zh) * | 2022-11-17 | 2023-01-10 | 达芬骑动力科技(北京)有限公司 | 一种续航里程计算方法、装置及计算机设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112549970A (zh) | 车辆续航里程预测方法、装置、车辆及存储介质 | |
CN107180288B (zh) | 驾驶行为能耗测算方法、装置、存储介质及电子设备 | |
CN111806239B (zh) | 电动车辆续航里程测量方法、电子设备及存储介质 | |
CN109733248B (zh) | 基于路径信息的纯电动汽车剩余里程模型预测方法 | |
CN111452619B (zh) | 电动车辆在线能耗预测方法及系统 | |
CN109840660B (zh) | 一种车辆特征数据处理方法及车辆风险预测模型训练方法 | |
US20230139003A1 (en) | Systems and methods for managing velocity profiles | |
CN106022846A (zh) | 车险定价及二手车定价方法和装置 | |
Smuts et al. | A critical review of factors influencing the remaining driving range of electric vehicles | |
CN114274780A (zh) | 车辆续航里程预测方法、装置、设备和存储介质 | |
CN116572799B (zh) | 基于深度学习的动力电池荷电续航预测方法、系统及终端 | |
CN112406875B (zh) | 一种车辆能耗的分析方法和装置 | |
CN115759462A (zh) | 一种电动汽车用户的充电行为预测方法、装置及电子设备 | |
CN111210537A (zh) | 一种油耗分析方法、装置、设备和存储介质 | |
Grubwinkler et al. | A modular and dynamic approach to predict the energy consumption of electric vehicles | |
Kim et al. | A machine learning method for ev range prediction with updates on route information and traffic conditions | |
CN117400948A (zh) | 一种汽车能耗预测方法、装置、电子设备及存储介质 | |
CN113657432A (zh) | 一种基于车联网数据的商用车驾驶行为风险等级辨识方法 | |
CN115583153A (zh) | 一种续航里程计算方法、装置及计算机设备 | |
CN115598531A (zh) | 车辆电池健康状态的估计方法及其估计模型的训练方法 | |
CN112525213B (zh) | Eta的预测方法、模型训练方法、装置及存储介质 | |
Jain et al. | Review of computational techniques for modelling eco-safe driving behavior | |
CN114043948A (zh) | 车辆能耗测算方法、装置、电子设备及存储介质 | |
JP2021124420A (ja) | バッテリ劣化判定装置、バッテリ劣化判定方法、及びバッテリ劣化判定プログラム | |
CN116772877B (zh) | 一种新能源汽车续航里程预测方法、系统、装置及介质 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210326 |
|
RJ01 | Rejection of invention patent application after publication |