CN112744218A - 行车辅助方法和装置 - Google Patents

Abstract

本申请公开了一种行车辅助方法和装置。对获取的驾驶特征数据进行处理，生成车辆的行车数据；根据所述行车数据进行计算，获得与所述行车数据对应的驾驶行为指标；根据所述行车数据和所述驾驶行为指标计算行车能耗指标，以根据所述驾驶行为指标和所述行车能耗指标获得预测的所述车辆的续航里程。该行车辅助方法和装置能够实时在线反映用户的驾驶行为和行车能耗，为用户提供续航里程预测服务。

Description

行车辅助方法和装置

技术领域

本申请实施例涉及汽车车联网技术领域，尤其涉及一种行车辅助方法和装置。

背景技术

现有车载终端在提示用户减少激烈驾驶操作、减少能源消耗时，是以离线方式与用户进行交互，难以接入车辆的运行信息(比如正在行驶的车辆的行驶信息、能耗水平等)，未考虑用户的实际驾驶习惯、行车环境，使得交互方式流于形式，交互的效果不佳。因而，现有车载终端的这种交互方式已经难以满足用户需求，根据用户实际的驾驶情形为用户实时提供服务已成为用户与车辆进行交互的发展趋势。

发明内容

基于上述问题，本申请提供一种行车辅助方法和装置，以实时反映用户的驾驶行为和行车能耗，为用户提供续航里程预测服务。

本申请实施例提供了一种行车辅助方法，包括：对获取的驾驶特征数据进行处理，生成车辆的行车数据；根据所述行车数据进行计算，获得与所述行车数据对应的驾驶行为指标；根据所述行车数据和所述驾驶行为指标计算行车能耗指标，以根据所述驾驶行为指标和所述行车能耗指标获得预测的所述车辆的续航里程。

可选地，在本申请的任一实施例中，所述根据所述行车数据进行计算，获得与所述行车数据对应的驾驶行为指标具体为：基于驾驶行为测评模型，根据所述行车数据计算所述驾驶行为指标。

可选地，在本申请的任一实施例中，所述根据所述行车数据和驾驶行为指标计算行车能耗指标包括：基于预先建立的行车能耗分析模型，根据所述行车数据和所述驾驶行为指标计算行车能耗指标。

可选地，在本申请的任一实施例中，所述根据所述行车数据和驾驶行为指标计算行车能耗指标之前，还包括：根据样本驾驶行为指标以及样本行车数据，构建所述行车能耗分析模型。

可选地，在本申请的任一实施例中，所述行车能耗指标包括：车辆的能耗分布、用电器能耗占比或零部件能耗异常状态中的至少一种。

可选地，在本申请的任一实施例中，所述预测的所述车辆的续航里程为所述车辆在当前的能源状态下在多条备选导航路径下的续航里程。

可选地，在本申请的任一实施例中，所述方法还包括：基于零部件寿命测算模型，根据所述驾驶行为指标和所述行车能耗指标，预测所述车辆的零部件寿命。

可选地，在本申请的任一实施例中，所述方法还包括：基于车辆残值评估模型，根据所述驾驶行为指标和预测的所述零部件寿命，评估所述车辆的残值。

可选地，在本申请的任一实施例中，所述对获取的驾驶特征数据进行处理，生成车辆的行车数据之前，还包括：对采集的车辆行车数据进行边缘计算，生成所述驾驶特征数据。

本申请实施例还提供一种行车辅助方法，包括：获取驾驶行为指标和行车能耗指标；根据所述驾驶行为指标和行车能耗指标，预测所述车辆的续航里程。

可选地，在本申请的任一实施例中，所述预测的所述车辆的续航里程为所述车辆在当前的能源状态下在多条备选导航路径下的续航里程。

可选地，在本申请的任一实施例中，所述方法还包括：根据所述预测的所述续航里程，规划所述车辆的行车路径。

本申请实施例还提供一种行车辅助装置，包括：数据处理模块，用于对获取的驾驶特征数据进行处理，生成车辆的行车数据；行车测评模块，用于根据所述行车数据进行计算，获得与所述行车数据对应的驾驶行为指标；能耗分析模块，用于根据所述行车数据和所述驾驶行为指标计算行车能耗指标，以根据所述驾驶行为指标和所述行车能耗指标获得预测的所述车辆的续航里程。

本申请实施例还提供一种行车辅助装置，包括：数据获取模块，用于获取驾驶行为指标和行车能耗指标；续航分析模块，用于根据所述驾驶行为指标和所述行车能耗指标，获得预测的所述车辆的续航里程。

本申请实施例的技术方案中，对获取的驾驶特征数据进行处理，生成所述车辆的行车流数据；根据所述行车流数据计算驾驶行为指标；根据所述行车流数据和驾驶行为指标计算行车能耗指标，以根据所述驾驶行为指标和行车能耗指标预测所述车辆的续航里程。本申请实施例的行车辅助方法和装置，能够实时在线反映用户的驾驶行为和行车能耗，为用户提供续航里程预测服务。

附图说明

为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1为本申请实施例一所示的行车辅助方法的流程示意图；

图2为本申请实施例二所示的行车辅助方法的流程示意图，

图3为本申请实施例三所示的行车辅助装置的结构示意图，

图4为本申请实施例四所示的行车辅助装置的结构示意图，

图5为本申请实施例五所示的行车辅助系统的结构示意图；

图5a为本申请实施例五所示的用户车辆的架构示意图；

图5b为本申请实施例五所示的数据平台的架构示意图；

图5c为本申请实施例五所示的服务平台的架构示意图。

具体实施方式

实施本申请实施例的任一技术方案必不一定需要同时达到以上的所有优点。

为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

第一实施例

参见图1，该图为本申请实施例一所示的行车辅助方法的流程示意图。

如图1所示，本实施例提供的行车辅助方法，包括：

步骤S101、对获取的驾驶特征数据进行处理，生成车辆的行车数据；

本步骤中，用户的车辆为所有数据的来源，通过用户车辆上各控制器、传感器采集车辆状态数据，通过对实时采集的车辆状态数据进行边缘计算，确定所述驾驶特征数据。具体的，将采集到的车辆状态数据通过车辆的CAN 总线和/或LIN总线传输至网关，然后分析、帅选出所需的数据，并将所需的数据转发至具有富余算力的整车控制器进行边缘计算，得到驾驶特征数据。

驾驶特征数据反映了车辆状态、参数、实时行车、地理位置信息及用户自身特性等，包括用户身份信息、零部件能耗数据、能耗分布、元器件使用状况、车辆使用环境、车辆使用频率、车辆使用强度等状态数据。

需要说明的是，进行边缘计算的整车控制器要求具有富余的算力且同时能够通过网关收发CAN总线和/或LIN总线的数据，具体的可以为网关、用户车机等部件。也就是说，车辆上各控制器、网关、用户车机等既输出数据，又对数据进行计算，即用户的车辆即是车辆状态数据的采集终端，又是进行计算的分布式计算端。

经过边缘计算得到的驾驶特征数据一方面通过网关转发至车联网模块 (车载Telematics BOX，简称车载T-BOX)，以便由车联网模块在需要时完成驾驶特征数据的上传；另一方面在用户车机端、车辆仪表等进行实时呈现，以便由用户实时掌握车辆状态。

本步骤中，对驾驶特征数据进行处理，主要是对用户驾驶车辆时的状态数据进行处理，以实时反映车辆的行驶状态以及用户的驾驶行为。经过处理后的数据，一部分存入数据库中归档，以由其它平台、模块等计算应用的调用；另一部分进入中间库暂存，以由非实时服务类模块(如驾驶行为测评模块、能耗分析模块等)调用。其中，暂存于中间库的车辆的行车数据每隔一个时间周期就会丢弃，由新的车辆的行车数据进行替换，以不断更新中间库中的车辆的行车数据，使非实施服务类应用能够调用到最新的数据。通常，车辆的行车数据在中间库中丢弃的时间周期为一天，也就是说，中间库中暂存的车辆的行车数据每天都会进行更新。

步骤S102、根据所述行车数据进行计算，获得与所述行车数据对应的驾驶行为指标；

本步骤主要根据车辆的行车数据对用户的驾驶行为进行评价，将用户车辆的行车数据与大数据进行比对，得到反映用户驾驶行为以及驾驶风格的驾驶行为指标。进而，剖析用户实际的驾驶行为，纠正用户的不良驾驶行为，提供相应的驾驶建议与改进方案。

进一步的，步骤S102具体为：基于驾驶行为测评模型，根据所述行车数据计算所述驾驶行为指标。通常，利用驾驶行为测评模型，根据车辆的行车数据评价用户的驾驶行为，即对车辆的行车数据中关于车辆速度、加速度的数据(如不良加速度或者超速)、车辆的行车环境、频率、强度等进行统计分析，以反馈出车辆的激烈驾驶程度。将得到的反馈出车辆的激烈驾驶程度的行车数据与大数据进行比对，得到驾驶行为指标以反映用户的驾驶行为及驾驶风格。

步骤S103、根据所述行车数据和所述驾驶行为指标计算行车能耗指标，以根据所述驾驶行为指标和所述行车能耗指标获得预测的所述车辆的续航里程。

本步骤中，所述行车能耗指标包括：车辆的能耗分布、用电器能耗占比或零部件能耗异常状态中各至少一种。

本实施例中，用户的驾驶行为指标，为行车能耗分析提供影响因子，以由行车能耗分析模型根据车辆的行车数据计算出用户的行车能耗指标；用户的驾驶行为指标和行车能耗指标反映出用户的驾驶行为以及驾驶风格，为车辆的续航分析提供影响因子，以由续航分析模型根据用户实际的驾驶行为和驾驶风格，有针对性的对车辆在不同导航路径下的续航里程进行预测。本实施例中，预测的所述车辆的续航里程为所述车辆在当前能源状态下在多条备选导航路径下的续航里程。

本实施例中，在根据行车数据和驾驶行为指标计算行车能耗指标之前，还包括：根据样本驾驶行为指标以及样本行车数据，构建所述行车能耗分析模型。

本步骤中，根据所述用户的样本驾驶行为指标以及样本行车行车数据，建立用户的实际驾驶行为与车辆能耗之间的关系模型，即行车能耗分析模型。进而，利用行车能耗分析模型计算用户在不同行车条件(如道路、交通、天气、车辆的使用环境、使用频率、使用强度等)下的驾驶行为的能耗表现，得到用户在不同条件下的行车能耗指标。需要说明的是，用于分析行车能耗指标的数据与计算驾驶行为指标的数据同源。

可选地，在本实施例中还可执行以下步骤：基于零部件寿命测算模型，预测所述车辆的零部件寿命。本步骤中，车辆的使用环境、使用频率、使用强度等都与零部件寿命具有密切关系，因而，不同用户不同的驾驶行为、驾驶风格对零部件寿命具有重大影响。在本实施例中，根据车辆各易损件、定期保养件和安全类元器件等的使用状况的历史数据，结合用户的样本驾驶行为指标和样本行车能耗指标，建立用户的实际驾驶行为与车辆零部件寿命之间的关系模型，即零部件寿命测算模型，计算车辆的零部件寿命。通过车辆的零部件寿命的计算，能够为用户最大化利用零部件，对车辆进行保养提供针对性意见，保障安全行车提供服务。其中，车辆各易损件、定期保养件和安全类元器件等的实际使用状况可通过采集车辆零部件在实际行车过程中的使用损耗数据，以及基于车辆的CAN(Controller AreaNetwork)总线或LIN(Local Interconnect Network)总线上事先定义的车辆各零部件信号，对车辆各易损件、定期保养件和安全类元器件等的实际使用状况进行针对性的统计得到。

可选地，本实施例中还可执行以下步骤：基于车辆残值评估模型，根据所述驾驶行为指标和所述零部件寿命，评估所述车辆的残值。

由于用户实际的驾驶行为、驾驶风格对车辆零部件的损耗、寿命密切相关，而车辆每个零部件的寿命、损耗又影响着整车的车况、寿命，最终影响车辆的残值；因而，结合车辆历史车况数据以及用户的历史行车数据，建立用户的实际驾驶行为、驾驶风格与车辆残值之间的关系模型，即车辆残值评估模型，进而根据用户实际的驾驶行为指标和车辆的零部件寿命准确评估车辆当前残值。

可选地，在本实施例中还可执行以下步骤：在服务数据库中存储所述驾驶行为指标、行车能耗指标和零部件寿命的数据，以响应于用户移动端的数据调用请求，由所述用户移动端调用所述驾驶行为指标和/或行车能耗指标和/或零部件寿命的数据。

本步骤中，将非实时服务类模型(如驾驶行为测评、行车能耗分析、零部件寿命测算、车辆残值评估等)的计算结果存储在服务数据库中，在用户移动端发出数据调用请求时，通过API接口将服务数据库中存储的数据发送至用户移动端，在用户移动端进行显示，以便于用户根据这些结果数据作出有效决策，如进行车辆保养、明确车辆残值、改进驾驶习惯等。

在前述实施例基础上，本申请还提供另一种行车辅助方法。下面结合实施例和附图对该方法的具体实现进行描述和说明。

第二实施例

参见图2，该图为本申请实施例提供的另一种行车辅助方法的流程图。

如图2所示，本实施例提供的行车辅助方法，包括：

步骤S201、获取驾驶行为指标和行车能耗指标；

对获取的驾驶特征数据进行处理后，形成车辆的行车数据，然后非实时服务类模型对行车数据进行计算，将计算结果通过消息队列存入服务数据库，或通过消息队里传输给实时服务类模型，以供实时服务类模型进行调用。其中，通过驾驶行为测评模型、行车能耗分析模型对行车数据进行计算，分别得到驾驶行为指标和行车能耗指标。

通过消息队列存入服务数据库的实时服务类模型的计算结果，在用户需要时，可通过应用程序接口(API接口)进行调用，了解车辆的驾驶情况、能耗情况、或车辆残值等，以规范用户的驾驶习惯，为用户提供有效的驾驶意见等。

步骤S202、根据所述驾驶行为指标和所述行车能耗指标，预测所述车辆的续航里程。

本步骤中，响应用户车机端的续航分析请求，基于续航分析模型，根据所述驾驶行为指标和行车能耗指标，预测所述车辆当前的能源状态下在多条备选导航路径下的续航里程，对车辆当前能源状态在不同备选导航路径下的可能表现进行评估，并将评估结果反馈至用户车机端，为用户提供有效的可行建议。

可选地，本实施例还可以执行以下步骤：根据所述预测的所述续航里程，规划所述车辆的行车路径。本步骤中，基于路径规划模型，在对车辆的续航里程作出预测的基础上，对当前车载能源状态下在当前导航路径下无法到达目的地时，重新规划、调整用户的当前路径，在沿途加入能源补给点，以协助用户顺利到达目的地。

基于前述实施例提供的行车辅助方法，相应地，本申请还提供一种行车辅助装置。下面结合附图和实施例对该系统的具体实现进行描述。

第三实施例

参见图3，该图为本申请实施例提供的一种行车辅助装置的结构示意图。

如图3所示，本实施例提供的行车辅助装置，包括：

流处理模块，用于对获取的驾驶特征数据进行处理，生成所述车辆的的行车数据；行车测评模块，用于根据所述车辆的的行车数据计算驾驶行为指标；能耗分析模块，用于根据所述行车数据和所述驾驶行为指标计算行车能耗指标，以根据所述驾驶行为指标和所述行车能耗指标获得预测的所述车辆的续航里程。

本实施例中，对采集的所述车辆的车辆状态数据进行边缘计算，生成所述驾驶特征数据。本实施例中，通过车辆的CAN总线和/或LIN总线将车辆上各控制器、传感器所采集到的车辆状态数据传输至网关，由网关进行分析、筛选出所需的数据，并将所需的数据转发至具有富余算力的整车控制器进行边缘计算，得到驾驶特征数据。经过边缘计算得到的驾驶特征数据一方面通过网关转发至车联网模块，以由车联网模块在需要时上传至 TSP模块；另一方面在用户车机端、车辆仪表等进行实时呈现，以便由用户实时掌握车辆状态。

驾驶特征数据通过车辆远程服务模块转发至处理模块，由处理模块对驾驶特征数据进行处理，以确定车辆的行车数据。在本实施例中，经过边缘计算得到的驾驶特征数据通过网关转发至车联网模块，由车联网模块进行打包并间歇上传至车辆远程服务模块(TSP模块)，然后由TSP模块对驾驶特征数据转发至处理模块进行处理，以确定车辆的行车行车数据。

处理模块对驾驶特征数据进行处理，主要是对用户驾驶车辆时的状态数据进行处理，以实时反映车辆的行驶状态以及用户的驾驶行为。经过处理后的数据，一部分存入数据库中归档，以由其它平台、模块等计算应用的调用；另一部分进入中间库暂存，以由非实时服务类模块(如驾驶行为测评模块、能耗分析模块等)调用。其中，暂存于中间库的车辆行车行车数据每隔一个时间周期就会丢弃，由新的车辆行车行车数据进行替换，以不断更新中间库中的车辆行车行车数据，使非实施服务类应用能够调用到最新的数据。通常，车辆行车行车数据在中间库中丢弃的时间周期为一天，也就是说，中间库中暂存的车辆行车行车数据每天都会进行更新。

行车测评模块主要为用户提供专业的驾驶行为测评数据，通过将车辆行车行车数据输入驾驶行为测评模型进行计算，获得用户的驾驶行为指标。根据用户的驾驶行为指标剖析用户实际的驾驶行为，纠正用户不良的驾驶行为，并提供相应的驾驶建议与改进方案。通常，利用驾驶行为测评模型，根据车辆行车行车数据评价用户的驾驶行为，即对车辆行车行车数据中关于车辆速度、加速度传感器采集到的数据(如不良加速度或者超速)、车辆的行车环境、频率、强度等进行统计分析，以反馈出车辆的激烈驾驶程度。将得到的反馈出车辆的激烈驾驶程度的行车数据与大数据进行比对，得到驾驶行为指标以反映用户的驾驶行为及驾驶风格。

能耗分析模块主要是根据用户的驾驶行为指标和车辆的行车数据分析用户实际驾驶中车辆的能耗分布、用电器能耗占比或零部件能耗异常状态等，为用户针对性的优化能耗提供支持。基于预先建立的行车能耗分析模型，根据所述行车行车数据和所述驾驶行为指标计算行车能耗指标。需要说明的是，能耗分析模块用于分析行车能耗指标的数据与行车测评模块数据同源。

本实施例中，根据所述用户的样本驾驶行为指标以及样本行车数据，构建所述形成能耗分析模型。具体的，根据用户的样本驾驶行为指标以及样本行车行车数据，建立用户的实际驾驶行为与车辆能耗之间的关系模型，即为行车能耗分析模型，进而，利用该关系模型计算用户在不同行车条件 (如道路、交通、天气、车辆的使用环境、使用频率、使用强度等)下的驾驶行为的能耗表现，得到用户在不同条件下的行车能耗指标。

所述预测的所述车辆的续航里程为所述车辆在当前的能源状态下在多条备选导航路径下的续航里程。本实施例中，主要是在有限的车载能源情况下，利用续航分析模型，根据用户的驾驶行为指标以及行车能耗指标，预测车辆的续航里程，评估车辆当前的能源状态在多条备选导航路径下的可能表现；并将续航里程的预测结果反馈至用户车机端，为用户提供有效的可行建议，由用户选择合理的行车路径或进行其它操作。需要说明的是，续航分析模型的建立在此不再一一赘述。

本实施例中，根据车辆的行车数据得到出用户的驾驶行为指标，为行车能耗分析提供影响因子，以由行车能耗分析模型根据车辆的行车数据计算出用户的行车能耗指标；用户的驾驶行为指标和行车能耗指标反映出用户的驾驶行为以及驾驶风格，为车辆的续航分析提供影响因子，以由续航分析模型根据用户实际的驾驶行为和驾驶风格，有针对性的对车辆在不同导航路径下的续航里程进行预测，并反馈至用户车机端为用户提供有效的可行建议。

可选地，该行车辅助装置还可以包括：零部件寿命测算模块，用于基于零部件寿命测算模型，预测所述车辆的零部件寿命。通常，零部件寿命与车辆的使用环境、使用频率、使用强度等具有密切关系，因而，不同用户不同的驾驶行为、驾驶风格对零部件寿命具有重大影响。在本实施例中，根据车辆各易损件、定期保养件和安全类元器件等的使用状况的历史数据，结合用户的驾驶行为指标和行车能耗指标的历史数据，建立用户的实际驾驶行为与车辆零部件寿命之间的关系模型，即零部件寿命测算模型，计算车辆的零部件寿命。通过车辆的零部件寿命的计算，能够为用户最大化利用零部件，对车辆进行保养提供针对性意见，保障安全行车提供服务。其中，车辆各易损件、定期保养件和安全类元器件等的实际使用状况可通过采集车辆零部件在实际行车过程中的使用损耗数据，以及基于车辆的CAN(Controller Area Network)总线或LIN(Local Interconnect Network)总线上事先定义的车辆各零部件信号，对车辆各易损件、定期保养件和安全类元器件等的实际使用状况进行针对性的统计得到。

此外，本实施例中，还可以根据用户的驾驶行为指标，提供符合用户的驾驶习惯、驾驶风格，满足用户需求的车辆导航、路径规划和车辆保养等个性化服务。

可选地，该行车辅助装置还可以包括：车辆残值评估模块，用于基于车辆残值评估模型，根据所述驾驶行为指标和所述零部件寿命，评估所述车辆的残值。

车辆零部件的损耗、寿命与用户实际的驾驶行为、驾驶风格密切相关，而车辆每个零部件的寿命、损耗又影响着整车的车况、寿命，最终决定了车辆的残值。本步骤中，结合车辆历史车况数据以及用户的历史行车数据，建立用户的实际驾驶行为、驾驶风格与车辆残值之间的车辆残值评估模型，进而根据用户实际的驾驶行为指标和车辆的零部件寿命评估车辆的当前残值。需要说明的是，车辆残值评估模型的建立在此不再一一赘述。

可选地，该行车辅助装置还可以包括：服务数据库，用于存储所述驾驶行为指标、行车能耗指标和零部件寿命的数据，以响应于用户移动端的数据调用请求，由所述用户移动端调用所述驾驶行为指标和/或行车能耗指标和/或零部件寿命的数据。

在本实施例中，非实时服务类模型(如驾驶行为测评、行车能耗分析、零部件寿命测算、车辆残值评估等)的计算结果可以存储在服务数据库中，在用户移动端发出数据调用请求时，通过应用程序接口(API接口)将服务数据库中存储的非实时服务类模型的结果数据发送至用户移动端，在用户移动端进行显示，以便于用户根据这些结果数据作出有效决策，如进行车辆保养、明确车辆残值、改进驾驶习惯等。

本实施例的行车辅助装置将用户的驾驶行为、驾驶风格与车辆的能耗分析、续航分析、路径规划、零部件寿命、车辆残值等相结合，为用户提供更加精确的车辆导航、保养、残值评估等。

需要说明的是，本申请实施例的行车辅助装置的操作可参考上述第一实施例的流程，在此不再一一赘述。

基于前述实施例提供的行车辅助方法，相应地，本申请还提供另一种行车辅助装置。下面结合附图和实施例对该系统的具体实现进行描述。

第四实施例

参见图4，该图为本申请实施例提供的另一种行车辅助装置的结构示意图。

如图4所示，本实施例提供的行车辅助装置，包括：数据获取模块，用于获取驾驶行为指标和行车能耗指标；续航分析模块，用于根据所述驾驶行为指标和所述行车能耗指标，获得预测所述车辆的续航里程。

对获取的驾驶特征数据进行处理后，形成车辆的行车数据，然后非实时服务类模型对行车数据进行计算，将计算结果通过消息队列存入服务数据库，或通过消息队列传输给实时服务类模型，以供实时服务类模型进行调用。其中，通过驾驶行为测评模型、行车能耗分析模型对行车数据进行计算，分别得到驾驶行为指标和行车能耗指标。

通过消息队列存入服务数据库的实时服务类模型的计算结果，在用户需要时，可通过应用程序接口(API接口)进行调用，了解车辆的驾驶情况、能耗情况、或车辆残值等，以规范用户的驾驶习惯，为用户提供有效的驾驶意见等。

本实施例中，响应用户车机端的续航分析请求，基于续航分析模型，根据所述驾驶行为指标和行车能耗指标，预测所述车辆当前的能源状态在多条备选导航路径下的续航里程，对车辆当前能源状态在不同备选导航路径下的可能表现进行评估，并将评估结果反馈至用户车机端，为用户提供有效的可行建议。

可选地，该行车辅助装置还可以包括：路径规划模块，用于基于路径规划模型，根据外部数据和预测的所述续航里程，规划所述车辆的行车路径。在本实施例中，在作出续航里程预测的基础上，对在当前车载能源条件下无法直接到达目的地的情况作出反应，重新规划、调整用户的行车路径，沿途加入能源(燃料/电能等)补给点，以协助用户顺利到达目的地。在此，需要说明的是，外部数据为导航地图提供方所提供的导航数据。

需要说明的是，本实施的行车辅助装置的操作可参考上述实施例二的流程，在此不再一一赘述。

基于前述实施例提供的行车辅助方法和装置，相应地，本申请还提供一种行车辅助系统。下面结合附图和实施例对该系统的具体实现进行描述。

第五实施例

参见图5，该图为本申请实施例提供的一种行车辅助系统的结构示意图。如图5所示，本实施例提供的行车辅助系统，包括：

用户车辆、TSP模块、数据平台、服务平台和地图服务提供方。其中，用户车辆为车辆的状态数据的采集终端，同时对采集的状态数据进行预处理，并将预处理后的数据上传至TSP模块，由TSP模块将驾驶特征数据分发至数据平台和服务平台。数据平台的主要任务是根据业务需求对驾驶特征数据进行处理，完成数据的分析、存储；服务平台是为用户提供非实时性服务，主要完成数据平台传递的经过分析处理后的数据供用户使用，同时根据业务需求，整合数据平台传递的数据以及地图服务提供方提供的外部数据，以提供实时性服务。

图5a为本申请实施例五所示的用户车辆的架构示意图；如图5a所示，用户车辆为车辆的状态数据的采集终端，具备车载CAN总线和/或LIN总线、网关和车联网模块，为整个交互系统的数据供给侧。车辆各控制器、传感器采集车辆的状态数据，通过CAN总线和/或LIN总线传输车辆的状态数据至网关，然后由网关对车辆的状态数据进行分析、筛选，获取所需的数据并将所需的数据转发至具有富余算力的整车控制器，已进行边缘计算，得到驾驶特征数据。

进行边缘计算的整车控制器要求有富裕算力且能够通过网关转发CAN 总线和/或LIN总线的数据，可以为网关、用户车机等部件。也就是说，车辆上各控制器、网关、用户车机等既输出数据，又对数据进行计算，即用户的车辆即是车辆的状态数据的采集终端，又是进行计算的分布式计算端。

经过边缘计算得到的驾驶特征数据一方面通过网关转发至车联网模块 (车载Telematics BOX，简称车载T-BOX)，以便由车联网模块在需要时完成驾驶特征数据的上传；另一方面在用户车机端、车辆仪表等进行实时呈现，以便由用户实时掌握车辆状态。

需要说明的是，车辆的控制器包括但不限于车载通讯装置(VehicularCommunication Unit，简称VCU)、牵引力控制系统(Traction Control System 简称TCS)、车身控制模块(body control module，简称BCM)、新能源车辆 (BMS)以及用户车机；CAN总线包括但不限于动力驱动总线(power train CAN，简称PT CAN)、Hybrid CAN、车身总线(Body CAN)、info CAN。

图5b为本申请实施例五所示的数据平台的架构示意图；如图5b所示，数据平台通过消息队列接收从TSP模块转发的驾驶特征数据，在处理模块中进行处理，处理后的数据，一部分存入数据库中归档，以由其它平台、模块等计算应用通过数据接口调用；另一部分进入中间库暂存，以由非实时服务类模型调用。其中，暂存于中间库的车辆的行车数据每隔一个时间周期就会丢弃，通常，车辆的行车数据在中间库中丢弃的时间周期为一天。

需要说明的是，非实时服务类模型包括但不限于驾驶行为测评模型、能耗分析模型、零部件寿命测算模型、车辆残值评估模型等。非实时服务类模型根据需求从中间库中调用行车数据进行计算，计算结果(如驾驶行为指标、行车能耗指标、车辆的零部件寿命、车辆的残值等)通过消息队列传递至服务平台。

图5c为本申请实施例五所示的服务平台的架构示意图；如图5c所示，服务平台响应用户车机端通过TSP模块转发的实施服务请求，由实施服务类模型(如续航分析模型、路径规划模型等)根据业务种类的需求，从数据平台的数据接口调用车辆的行车数据，与地图服务提供方提供的外部数据进行整合、计算，得到计算结果(如预测的续航里程、规划的行车路径等)，并将计算结果通过消息队列返回TSP模块，由TSP模块下发至用户车机端进行显示。

服务平台通过消息队列不断接收数据平台传递的由非实时服务类模型计算得到的计算结果(如驾驶行为指标、行车能耗指标、车辆的零部件寿命、车辆的残值等)，并在服务数据库中进行存储。服务平台响应用户移动端的数据调用请求，通过API接口将服务数据库中的数据发送至用户移动端，在用户移动端进行显示，由用户根据这些结果数据作出有效决策，如进行车辆保养、明确车辆残值、改进驾驶习惯等。需要说明的是，用户移动端的数据调用请求为非实时服务请求。

需要说明的是，本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于设备及系统实施例而言，由于其基本相似于方法实施例，所以描述得比较简单，相关之处参见方法实施例的部分说明即可。以上所描述的设备及系统实施例仅仅是示意性的，其中作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块提示的部件可以是或者也可以不是物理模块，即可以位于一个地方，或者也可以分布到多个网络模块上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。

以上所述，仅为本申请的一种具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应该以权利要求的保护范围为准。

Claims (14)

1.一种行车辅助方法，其特征在于，包括：

对获取的驾驶特征数据进行处理，生成车辆的行车数据；

根据所述行车数据进行计算，获得与所述行车数据对应的驾驶行为指标；

根据所述行车数据和所述驾驶行为指标计算行车能耗指标，以根据所述驾驶行为指标和所述行车能耗指标获得预测的所述车辆的续航里程。

2.根据权利要求1所述的行车辅助方法，其特征在于，所述根据所述行车数据进行计算，获得与所述行车数据对应的驾驶行为指标具体为：基于驾驶行为测评模型，根据所述行车数据计算所述驾驶行为指标。

3.根据权利要求1所述的行车辅助方法，其特征在于，所述根据所述行车数据和驾驶行为指标计算行车能耗指标包括：基于预先建立的行车能耗分析模型，根据所述行车数据和所述驾驶行为指标计算行车能耗指标。

4.根据权利要求3所述的行车辅助方法，其特征在于，所述根据所述行车数据和驾驶行为指标计算行车能耗指标之前，还包括：根据样本驾驶行为指标以及样本行车数据，构建所述行车能耗分析模型。

5.根据权利要求1所述的行车辅助方法，其特征在于，所述行车能耗指标包括：车辆的能耗分布、用电器能耗占比或零部件能耗异常状态中的至少一种。

6.根据权利要求1所述的行车辅助方法，其特征在于，所述预测的所述车辆的续航里程为所述车辆在当前的能源状态下在多条备选导航路径下的续航里程。

7.根据权利要求1-6任一所述的行车辅助方法，其特征在于，所述方法还包括：基于零部件寿命测算模型，根据所述驾驶行为指标和所述行车能耗指标，预测所述车辆的零部件寿命。

8.根据权利要求7所述的行车辅助方法，其特征在于，所述方法还包括：基于车辆残值评估模型，根据所述驾驶行为指标和预测的所述零部件寿命，评估所述车辆的残值。

9.根据权利要求1-6任一所述的行车辅助方法，其特征在于，所述对获取的驾驶特征数据进行处理，生成车辆的行车数据之前，还包括：对采集的车辆行车数据进行边缘计算，生成所述驾驶特征数据。

10.一种行车辅助方法，其特征在于，包括：

获取驾驶行为指标和行车能耗指标；

根据所述驾驶行为指标和所述行车能耗指标，获得预测的所述车辆的续航里程。

11.根据权利要求10所述的行车辅助方法，其特征在于，所述预测的所述车辆的续航里程为所述车辆在当前的能源状态下在多条备选导航路径下的续航里程。

12.根据权利要求10-12任一所述的行车辅助方法，其特征在于，所述方法还包括：根据所述预测的所述续航里程，规划所述车辆的行车路径。

13.一种行车辅助装置，其特征在于，包括：

数据处理模块，用于对获取的驾驶特征数据进行处理，生成车辆的行车数据；

行车测评模块，用于根据所述行车数据进行计算，获得与所述行车数据对应的驾驶行为指标；

能耗分析模块，用于根据所述行车数据和所述驾驶行为指标计算行车能耗指标，以根据所述驾驶行为指标和所述行车能耗指标获得预测的所述车辆的续航里程。

14.一种行车辅助装置，其特征在于，包括：

数据获取模块，用于获取驾驶行为指标和行车能耗指标；

续航分析模块，用于根据所述驾驶行为指标和所述行车能耗指标，获得预测的所述车辆的续航里程。

Images