CN112785055A - 车辆加油日期预测方法及设备 - Google Patents
车辆加油日期预测方法及设备 Download PDFInfo
- Publication number
- CN112785055A CN112785055A CN202110060331.4A CN202110060331A CN112785055A CN 112785055 A CN112785055 A CN 112785055A CN 202110060331 A CN202110060331 A CN 202110060331A CN 112785055 A CN112785055 A CN 112785055A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- tested
- time
- mileage
- refueling
- 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
- 238000000034 method Methods 0.000 title claims abstract description 58
- 230000006855 networking Effects 0.000 claims abstract description 16
- 238000007781 pre-processing Methods 0.000 claims abstract description 11
- YHXISWVBGDMDLQ-UHFFFAOYSA-N moclobemide Chemical compound C1=CC(Cl)=CC=C1C(=O)NCCN1CCOCC1 YHXISWVBGDMDLQ-UHFFFAOYSA-N 0.000 claims abstract 4
- 230000006399 behavior Effects 0.000 claims description 21
- 230000002159 abnormal effect Effects 0.000 claims description 15
- 238000012937 correction Methods 0.000 claims description 6
- 238000009825 accumulation Methods 0.000 claims description 4
- 238000006243 chemical reaction Methods 0.000 claims description 4
- 238000012935 Averaging Methods 0.000 claims description 3
- 230000001133 acceleration Effects 0.000 claims description 3
- 238000004891 communication Methods 0.000 claims description 3
- 238000001514 detection method Methods 0.000 claims description 3
- 238000012216 screening Methods 0.000 claims description 3
- 238000012360 testing method Methods 0.000 claims description 2
- 239000003921 oil Substances 0.000 description 32
- 230000006870 function Effects 0.000 description 7
- 230000008569 process Effects 0.000 description 6
- 230000009471 action Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 230000001419 dependent effect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000019771 cognition Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000000295 fuel oil Substances 0.000 description 1
- 239000002828 fuel tank Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000013179 statistical model Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012731 temporal analysis Methods 0.000 description 1
- 238000000700 time series analysis Methods 0.000 description 1
- 238000010792 warming Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/21—Design, administration or maintenance of databases
- G06F16/215—Improving data quality; Data cleansing, e.g. de-duplication, removing invalid entries or correcting typographical errors
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2465—Query processing support for facilitating data mining operations in structured databases
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- 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
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Quality & Reliability (AREA)
- Computational Mathematics (AREA)
- Operations Research (AREA)
- Mathematical Analysis (AREA)
- Strategic Management (AREA)
- Software Systems (AREA)
- Mathematical Optimization (AREA)
- Economics (AREA)
- Pure & Applied Mathematics (AREA)
- Probability & Statistics with Applications (AREA)
- Marketing (AREA)
- Computational Linguistics (AREA)
- Fuzzy Systems (AREA)
- General Business, Economics & Management (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Tourism & Hospitality (AREA)
- Evolutionary Biology (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Algebra (AREA)
- Time Recorders, Dirve Recorders, Access Control (AREA)
- Traffic Control Systems (AREA)
Abstract
本申请涉及一种车辆加油日期预测方法及设备，本申请中，基于车辆联网数据，获取待测车辆在周期内多个维度的行驶记录数据；所述维度至少包括：车辆实时GPS坐标，车辆停车时间和车辆状态。对行驶记录数据进行预处理，得到待测车辆的每日驾驶里程和历史加油行为。根据待测车辆在周期内的每日驾驶里程，基于ARIMA模型，得到待测车辆在预设未来时间段内的每日行驶里程。根据待测车辆在周期内的行驶记录数据，每日驾驶里程和历史加油行为，确定待测车辆的下次加油日期。本申请中，基于车辆多个维度的行驶记录数据对车辆的下次加油日期进行预测，更加准确，且基于ARIMA模型预测待测车辆在预设未来时间段内的每日行驶里程，相对于现有技术中的均值法预测更加准确。
Description
技术领域
本申请涉及汽车剩余油量实时预测技术领域，尤其涉及一种车辆加油日期预测方法及设备。
背景技术
随着市场的推广和用户认知度的提高，网联车的产量正在爆炸式增长，网联车的用户量会保持激增状态。随着网联车保有量的持续增长，车用燃油的需求量也在快速增长，同时也催生了包括汽车能源服务在内的各类汽车生活服务。智能车辆联网技术的发展，为收集汽车状态和驾驶行为数据提供了技术基础。
现有技术中，鲜有汽车生活服务的主动推送，而汽车能源服务，是汽车生活服务的重要业务组成部分。而在车辆加油日期预测领域，现有技术中的预测方法都只能进行简单的预测，无法进行精度较高的预测。
发明内容
为至少在一定程度上克服相关技术中存在的问题，本申请提供一种车辆加油日期预测方法及设备。
本申请的方案如下：
根据本申请实施例的第一方面，提供一种车辆加油日期预测方法，包括：
基于车辆联网数据，获取待测车辆在周期内多个维度的行驶记录数据；所述维度至少包括：车辆实时GPS坐标，车辆停车时间和车辆状态；
对所述行驶记录数据进行预处理，得到所述待测车辆的每日驾驶里程和历史加油行为；
根据所述待测车辆在周期内的每日驾驶里程，基于ARIMA(AutoregressiveIntegrated Moving Average model，差分整合移动平均自回归模型)模型，得到所述待测车辆在预设未来时间段内的每日行驶里程；
根据所述待测车辆在周期内的行驶记录数据，每日驾驶里程和历史加油行为，确定所述待测车辆的下次加油日期。
优选的，在本申请一种可实现的方式中，所述基于车辆联网数据，获取待测车辆在周期内多个维度的行驶记录数据，具体包括：
通过所述待测车辆的前装、后装设备获取车辆联网数据，基于车辆联网数据，获取所述待测车辆在周期内的车辆实时GPS坐标维度，车辆停车时间维度和车辆状态维度的行驶记录数据；
所述车辆实时GPS坐标维度的行驶记录数据具体包括：车辆行驶时的GPS经纬度坐标和车辆停车点GPS经纬度坐标；
所述车辆停车时间维度的行驶记录数据具体包括：车辆停车开始时间，车辆停车结束时间；
所述车辆状态维度的行驶记录数据具体包括：VIN码，驾驶人ID，驾驶时间，驾驶里程，急加速次数，急减速次数，车速，剩余油量。
优选的，在本申请一种可实现的方式中，所述对所述行驶记录数据进行预处理，得到所述待测车辆的每日驾驶里程，具体包括：
将所述车辆实时GPS坐标从火星坐标系转化成地球坐标系，并进行坐标偏修；
将坐标偏修后的所述车辆实时GPS坐标中的异常值删除，缺失值插补；
根据所述车辆停车开始时间和所述车辆停车结束时间得到停车时长数据，将所述停车时长数据转换为时间类型，将所述时间类型的停车时长数据转化成整型数据，且若所述车辆停车开始时间大于所述车辆停车结束时间，判定为异常检测；
根据预处理后的车辆实时GPS坐标维度的行驶记录数据，得到所述待测车辆在周期内的每日驾驶里程，并对所述每日驾驶里程进行异常值检测，基于均值法对所述异常值进行替换。
优选的，在本申请一种可实现的方式中，所述对所述行驶记录数据进行预处理，得到所述待测车辆的历史加油行为，具体包括：
将预处理后的所述车辆停车点GPS经纬度坐标进行POI位置转换，根据转换后的所述POI位置确定预设距离内距离所述POI位置最近的加油站的距离，地址，名称和GPS经纬度坐标。
优选的，在本申请一种可实现的方式中，还包括：若无法获取所述待测车辆在周期内的剩余油量，则根据所述停车时长数据，距离所述POI位置最近的加油站的距离，所述车辆停车开始时间，筛选所述待测车辆的历史加油行为。
优选的，在本申请一种可实现的方式中，还包括：
根据所述VIN码解析所述待测车辆的车型；
基于各汽车网站获取所述待测车辆所属车型的平均油耗和油箱容量。
优选的，在本申请一种可实现的方式中，还包括：基于AIC准则对所述ARIMA模型的p，d，q参数实现高效自动调参，并运用最优化参数进行所述待测车辆在预设未来时间段内的每日行驶里程的预测。
优选的，在本申请一种可实现的方式中，所述根据所述待测车辆在周期内的行驶记录数据，每日驾驶里程和历史加油行为，确定所述待测车辆的下次加油日期，具体包括：
根据所述待测车辆在周期内的历史加油行为确定所述待测车辆的上次加油时间；
根据所述待测车辆的油箱容量设定低油量预警阈值；
根据所述待测车辆的平均油耗和所述低油量预警阈值，得到油箱容量预警阈值；
根据所述油箱容量预警阈值和所述待测车辆的平均油耗，得到预警里程；
从所述待测车辆的上次加油时间起，对所述待测车辆在预设未来时间段内的每日行驶里程进行累加，当累加里程大于等于所述预警里程时停止累加，并输出当前累加的每日行驶里程对应的日期作为所述待测车辆的下次加油日期。
优选的，在本申请一种可实现的方式中，还包括：
若输出的所述待测车辆的下次加油日期小于预测开始日期，则将所述待测车辆的下次加油日期确定为预测开始日期；
若总累加里程小于预警里程，则不输出所述待测车辆的下次加油日期。
根据本申请实施例的第二方面，提供一种车辆加油日期预测设备，包括：
处理器和存储器；
所述处理器与存储器通过通信总线相连接：
其中，所述处理器，用于调用并执行所述存储器中存储的程序；
所述存储器，用于存储程序，所述程序至少用于执行以上任一项所述的一种车辆加油日期预测方法。
本申请提供的技术方案可以包括以下有益效果：本申请中的车辆加油日期预测方法，基于车辆联网数据，获取待测车辆在周期内多个维度的行驶记录数据；所述维度至少包括：车辆实时GPS坐标，车辆停车时间和车辆状态。对行驶记录数据进行预处理，得到待测车辆的每日驾驶里程和历史加油行为。根据待测车辆在周期内的每日驾驶里程，基于ARIMA模型，得到待测车辆在预设未来时间段内的每日行驶里程。根据待测车辆在周期内的行驶记录数据，每日驾驶里程和历史加油行为，确定待测车辆的下次加油日期。本申请中，基于车辆多个维度的行驶记录数据对车辆的下次加油日期进行预测，更加准确，且基于ARIMA模型预测待测车辆在预设未来时间段内的每日行驶里程，相对于现有技术中的均值法预测更加准确。
应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本申请。
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，示出了符合本申请的实施例，并与说明书一起用于解释本申请的原理。
图1是本申请一个实施例提供的一种车辆加油日期预测方法的流程示意图；
图2是本申请一个实施例提供的一种车辆加油日期预测方法中对行驶记录数据进行预处理的流程示意图；
图3是本申请一个实施例提供的一种车辆加油日期预测方法中确定待测车辆的下次加油日期的流程示意；
图4是本申请一个实施例提供的一种车辆加油日期预测设备的结构示意图。
附图标记：处理器-21；存储器-22。
具体实施方式
这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本申请相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本申请的一些方面相一致的装置和方法的例子。
一种车辆加油日期预测方法，参照图1，包括：
S11：基于车辆联网数据，获取待测车辆在周期内多个维度的行驶记录数据；维度至少包括：车辆实时GPS坐标，车辆停车时间和车辆状态；
具体包括：
通过待测车辆的前装、后装设备获取车辆联网数据，基于车辆联网数据，获取待测车辆在周期内的车辆实时GPS坐标维度，车辆停车时间维度和车辆状态维度的行驶记录数据；
车辆实时GPS坐标维度的行驶记录数据具体包括：车辆行驶时的GPS经纬度坐标和车辆停车点GPS经纬度坐标；
车辆停车时间维度的行驶记录数据具体包括：车辆停车开始时间，车辆停车结束时间；
车辆状态维度的行驶记录数据具体包括：VIN码，驾驶人ID，驾驶时间，驾驶里程，急加速次数，急减速次数，车速，剩余油量。
本实施例中，可灵活运用待测车辆的前装、后装设备获取车辆联网数据。
获取的数据中，
车辆停车点GPS经纬度坐标为汽车常停点GPS经度坐标，GPS纬度坐标用来记录驾驶人的停车点记录情况，精确地显示驾驶人的活动区域，作为最重要的地理位置数据集，是聚类模型的直接参数。
停车时长：停车时长通过停车开始时间，停车结束时间的差值获取，通过汽车的停车时长可预测驾驶人的出行目的，便于更好了解驾驶人的行为习惯。
S12：对行驶记录数据进行预处理，得到待测车辆的每日驾驶里程和历史加油行为；
参照图2，具体包括：
S121：将车辆实时GPS坐标从火星坐标系(GCJ-02坐标系)转化成地球坐标系，并进行坐标偏修(WGS84)；
S122：将坐标偏修后的车辆实时GPS坐标中的异常值删除，缺失值插补；将异常值删除防止后续进行预测时出现偏差。
S123：根据车辆停车开始时间和车辆停车结束时间得到停车时长数据，将停车时长数据转换为时间类型，将时间类型的停车时长数据转化成整型数据，且若车辆停车开始时间大于车辆停车结束时间，判定为异常检测；正常情况下，车辆停车结束时间肯定大于车辆停车开始时间，所以若车辆停车开始时间大于车辆停车结束时间，证明数据可以出现异常，将其判定为异常检测。
S124：根据预处理后的车辆实时GPS坐标维度的行驶记录数据，得到待测车辆在周期内的每日驾驶里程，并对每日驾驶里程进行异常值检测，基于均值法对异常值进行替换。
S125：将预处理后的车辆停车点GPS经纬度坐标进行POI位置转换，根据转换后的POI位置确定预设距离内距离POI位置最近的加油站的距离，地址，名称和GPS经纬度坐标。
S126：若无法获取待测车辆在周期内的剩余油量，则根据停车时长数据，距离POI位置最近的加油站的距离，车辆停车开始时间，筛选待测车辆的历史加油行为。
对行驶记录数据进行预处理，还包括：
根据VIN码解析待测车辆的车型；
基于各汽车网站获取待测车辆所属车型的平均油耗和油箱容量。
S13：根据待测车辆在周期内的每日驾驶里程，基于ARIMA模型，得到待测车辆在预设未来时间段内的每日行驶里程；
预设周期可以为90天，预设未来时间段为7天。
本实施例中，基于待测车辆在90天内的每日驾驶里程，运用ARIMA模型预测待测车辆未来7天每日行驶里程。
具体如下：
时间序列分析
时间序列：在一段时间T内，按照时间顺序测量某个随机变量的取值序列,可用下式表示：
{Xt|t＝1，2，…，n}
区别于一般的时间函数y＝f(t)，一般的时间函数中，自变量为时间t，表示在f的作用法则下，将自变量t映射为因变量y。
而本实施例中的时间序列函数为：
Xt＝f(Xt-1，Xt-2，...，Xt-p)
其中自变量为Xt的前p个序列值，表示在f的作用法则下，将自变量Xt的前p个序列值映射为因变量Xt。
ARMA模型
将一个p阶的自回归模型和一个q阶的滑动平均模型组合在一起，便得到了一个阶数为(p，q)的自回归滑动平均模型，记为ARMA(p，q)模型，即：
Yi＝β0+β1Yi-1+β2Yi-2+…+βpYi-p+∈i+α1∈i-1+α2∈i-2+…+αq∈i-q
ARIMA模型是时间序列预测分析方法之一。根据原序列是否平稳以及回归中所含部分的不同，包括移动平均过程(MA)、自回归过程(AR)、自回归移动平均过程(ARMA)和自回归滑动平均混合过程(ARIMA)。
ARIMA(p，d，q)中，AR是″自回归″，p为自回归项数；MA为″滑动平均″，q为滑动平均项数，d为使之成为平稳序列所做的差分次数(阶数)。“差分”一词虽未出现在ARIMA的英文名称中，却是关键步骤。
ARIMA(p，d，q)模型是ARMA(p，q)模型的扩展。ARIMA(p，d，q)模型可以表示为：
其中L是滞后算子，
优选的，基于AIC准则对ARIMA模型的p，d，q参数实现高效自动调参，并运用最优化参数进行待测车辆在预设未来时间段内的每日行驶里程的预测。
本实施例中，运用AIC准则对ARIMA模型的p，d，q参数实现高效自动调参，并运用最优化参数进行未来7日行驶里程的预测。
AIC信息准则是衡量统计模型拟合优良性的一种标准。它建立在熵的概念基础上，可以权衡所估计模型的复杂度和此模型拟合数据的优良性。
在一般的情况下，AIC可以表示为：AIC＝2k-2ln(σ2)
其中：k是参数的数量，σ2是似然函数。
AIC准则可以辅助量化ARIMA模型的定阶，通过最小化AIC指标来搜索出模型的最优阶数p和q，从而实现模型的自动调参。
本实施例中，运用最优参数的ARIMA模型，进行未来7日行驶里程的预测。
S14：根据待测车辆在周期内的行驶记录数据，每日驾驶里程和历史加油行为，确定待测车辆的下次加油日期。
参照图3，具体包括：
S141：根据待测车辆在周期内的历史加油行为确定待测车辆的上次加油时间；
如果能获取待测车辆的剩余油量数据，则根据车辆上次油量剩余最低值及时间，得到车辆上次加油时间。如果无上次油量剩余最低值，则默认开始采集数据的日期为车辆上次加油时间。
如果不能获取待测车辆的剩余油量数据，则基于车辆停车点的POI位置，距离POI位置最近的加油站的距离，在该加油站的停车时长筛选出上次加油行为及上次加油时间作为车辆上次加油时间。
S142：根据待测车辆的油箱容量设定低油量预警阈值；
根据油箱容量full_tank，设定低油量预警百分比x。
S143：根据待测车辆的平均油耗和低油量预警阈值，得到油箱容量预警阈值；
根据待测车辆的平均油耗avg_comspt，和低油量预警阈值x，
得到油箱容量预警阈值tank_warning为
tank_warning＝full_tank*x。
S144：根据油箱容量预警阈值和待测车辆的平均油耗，得到预警里程；
根据油箱容量预警阈值tank_warning和待测车辆的平均油耗avg_comspt，得到预警里程mileage_warning为：
mileage_warning＝(tank_warning/avg_comspt)*100
S145：从待测车辆的上次加油时间起，对待测车辆在预设未来时间段内的每日行驶里程进行累加，当累加里程大于等于预警里程时停止累加，并输出当前累加的每日行驶里程对应的日期作为待测车辆的下次加油日期。
从待测车辆的上次加油时间起对待测车辆在未来7日内每日行驶里程进行累加，直至未来第7天预测里程，当累加每日里程大于等于待测车辆的预警里程mileage_warning，即停止累加，并输出该日期为预测的待测车辆的下次加油日期。
若输出的待测车辆的下次加油日期小于预测开始日期，则表示待测车辆已经没油了，预测开始日期即为下次加油日期。
若总累加里程小于预警里程，则表示待测车辆未来七天内不需要加油，认为当前时间区间内无加油预测日期，不输出待测车辆的下次加油日期。
本申请中，运用车联网数据，对待测车辆的实时传输数据进行统计汇总，并结合待测车辆其他数据进行分析计算建模，可广泛应用于安装各类车载设备的各车型。
本申请中，时间序列ARIMA模型简单，只需要内生变量而不需要借助其他外生变量。同时，需要输入的变量较少，模型运行效率高。仅需要过去90天的每日驾驶里程，准确率较传统的均值估算方法更高。
本申请中的车辆加油日期预测方法的可应用领域：
利用采集到的车主常停点及车联网其他数据，经过数据标准化、数据转换和ARIMA建模，经过定期迭代可对车主的加油时间进行预判，从而实现车辆能源服务的主动推送，实现汽车服务的业务创新，并可延伸应用到服务位置推荐的业务应用。
一种车辆加油日期预测设备，参照图4，包括：
处理器21和存储器22；
处理器21与存储器22通过通信总线相连接：
其中，处理器21，用于调用并执行存储器22中存储的程序；
存储器22，用于存储程序，程序至少用于执行以上任一实施例的一种车辆加油日期预测方法。
可以理解的是，上述各实施例中相同或相似部分可以相互参考，在一些实施例中未详细说明的内容可以参见其他实施例中相同或相似的内容。
需要说明的是，在本申请的描述中，术语“第一”、“第二”等仅用于描述目的，而不能理解为指示或暗示相对重要性。此外，在本申请的描述中，除非另有说明，“多个”的含义是指至少两个。
流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为，表示包括一个或更多个用于实现特定逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分，并且本申请的优选实施方式的范围包括另外的实现，其中可以不按所示出或讨论的顺序，包括根据所涉及的功能按基本同时的方式或按相反的顺序，来执行功能，这应被本申请的实施例所属技术领域的技术人员所理解。
应当理解，本申请的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如，如果用硬件来实现，和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列(PGA)，现场可编程门阵列(FPGA)等。
本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，该程序在执行时，包括方法实施例的步骤之一或其组合。
此外，在本申请各个实施例中的各功能单元可以集成在一个处理模块中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。
上述提到的存储介质可以是只读存储器，磁盘或光盘等。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本申请的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
尽管上面已经示出和描述了本申请的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本申请的限制，本领域的普通技术人员在本申请的范围内可以对上述实施例进行变化、修改、替换和变型。
Claims (10)
1.一种车辆加油日期预测方法，其特征在于，包括：
基于车辆联网数据，获取待测车辆在周期内多个维度的行驶记录数据；所述维度至少包括：车辆实时GPS坐标，车辆停车时间和车辆状态；
对所述行驶记录数据进行预处理，得到所述待测车辆的每日驾驶里程和历史加油行为；
根据所述待测车辆在周期内的每日驾驶里程，基于ARIMA模型，得到所述待测车辆在预设未来时间段内的每日行驶里程；
根据所述待测车辆在周期内的行驶记录数据，每日驾驶里程和历史加油行为，确定所述待测车辆的下次加油日期。
2.根据权利要求1所述的方法，其特征在于，所述基于车辆联网数据，获取待测车辆在周期内多个维度的行驶记录数据，具体包括：
通过所述待测车辆的前装、后装设备获取车辆联网数据，基于车辆联网数据，获取所述待测车辆在周期内的车辆实时GPS坐标维度，车辆停车时间维度和车辆状态维度的行驶记录数据；
所述车辆实时GPS坐标维度的行驶记录数据具体包括：车辆行驶时的GPS经纬度坐标和车辆停车点GPS经纬度坐标；
所述车辆停车时间维度的行驶记录数据具体包括：车辆停车开始时间，车辆停车结束时间；
所述车辆状态维度的行驶记录数据具体包括：VIN码，驾驶人ID，驾驶时间，驾驶里程，急加速次数，急减速次数，车速，剩余油量。
3.根据权利要求2所述的方法，其特征在于，所述对所述行驶记录数据进行预处理，得到所述待测车辆的每日驾驶里程，具体包括：
将所述车辆实时GPS坐标从火星坐标系转化成地球坐标系，并进行坐标偏修；
将坐标偏修后的所述车辆实时GPS坐标中的异常值删除，缺失值插补；
根据所述车辆停车开始时间和所述车辆停车结束时间得到停车时长数据，将所述停车时长数据转换为时间类型，将所述时间类型的停车时长数据转化成整型数据，且若所述车辆停车开始时间大于所述车辆停车结束时间，判定为异常检测；
根据预处理后的车辆实时GPS坐标维度的行驶记录数据，得到所述待测车辆在周期内的每日驾驶里程，并对所述每日驾驶里程进行异常值检测，基于均值法对所述异常值进行替换。
4.根据权利要求3所述的方法，其特征在于，所述对所述行驶记录数据进行预处理，得到所述待测车辆的历史加油行为，具体包括：
将预处理后的所述车辆停车点GPS经纬度坐标进行POI位置转换，根据转换后的所述POI位置确定预设距离内距离所述POI位置最近的加油站的距离，地址，名称和GPS经纬度坐标。
5.根据权利要求4所述的方法，其特征在于，还包括：若无法获取所述待测车辆在周期内的剩余油量，则根据所述停车时长数据，距离所述POI位置最近的加油站的距离，所述车辆停车开始时间，筛选所述待测车辆的历史加油行为。
6.根据权利要求5所述的方法，其特征在于，还包括：
根据所述VIN码解析所述待测车辆的车型；
基于各汽车网站获取所述待测车辆所属车型的平均油耗和油箱容量。
7.根据权利要求1所述的方法，其特征在于，还包括：基于AIC准则对所述ARIMA模型的p，d，q参数实现高效自动调参，并运用最优化参数进行所述待测车辆在预设未来时间段内的每日行驶里程的预测。
8.根据权利要求6所述的方法，其特征在于，所述根据所述待测车辆在周期内的行驶记录数据，每日驾驶里程和历史加油行为，确定所述待测车辆的下次加油日期，具体包括：
根据所述待测车辆在周期内的历史加油行为确定所述待测车辆的上次加油时间；
根据所述待测车辆的油箱容量设定低油量预警阈值；
根据所述待测车辆的平均油耗和所述低油量预警阈值，得到油箱容量预警阈值；
根据所述油箱容量预警阈值和所述待测车辆的平均油耗，得到预警里程；
从所述待测车辆的上次加油时间起，对所述待测车辆在预设未来时间段内的每日行驶里程进行累加，当累加里程大于等于所述预警里程时停止累加，并输出当前累加的每日行驶里程对应的日期作为所述待测车辆的下次加油日期。
9.根据权利要求8所述的方法，其特征在于，还包括：
若输出的所述待测车辆的下次加油日期小于预测开始日期，则将所述待测车辆的下次加油日期确定为预测开始日期；
若总累加里程小于预警里程，则不输出所述待测车辆的下次加油日期。
10.一种车辆加油日期预测设备，其特征在于，包括：
处理器和存储器；
所述处理器与存储器通过通信总线相连接：
其中，所述处理器，用于调用并执行所述存储器中存储的程序；
所述存储器，用于存储程序，所述程序至少用于执行权利要求1-9任一项所述的一种车辆加油日期预测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110060331.4A CN112785055B (zh) | 2021-01-18 | 2021-01-18 | 车辆加油日期预测方法及设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110060331.4A CN112785055B (zh) | 2021-01-18 | 2021-01-18 | 车辆加油日期预测方法及设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112785055A true CN112785055A (zh) | 2021-05-11 |
| CN112785055B CN112785055B (zh) | 2024-02-06 |
Family
ID=75756330
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110060331.4A Active CN112785055B (zh) | 2021-01-18 | 2021-01-18 | 车辆加油日期预测方法及设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112785055B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115086358A (zh) * | 2022-04-22 | 2022-09-20 | 江阴晟宇信息科技有限公司 | 基于物联网的企业车队加油和油耗管理系统及方法 |
Citations (15)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20070150192A1 (en) * | 2005-12-05 | 2007-06-28 | Kotaro Wakamatsu | Vehicle Position Estimating Apparatus And Vehicle Position Estimating Method |
| US20100063904A1 (en) * | 2006-11-30 | 2010-03-11 | Satlogix Inc. | Automated travel log system |
| US20110098922A1 (en) * | 2009-10-27 | 2011-04-28 | Visteon Global Technologies, Inc. | Path Predictive System And Method For Vehicles |
| US20140114556A1 (en) * | 2012-10-23 | 2014-04-24 | University Of Southern California | Traffic prediction using real-world transportation data |
| CN108447144A (zh) * | 2017-01-22 | 2018-08-24 | 北京嘀嘀无限科技发展有限公司 | 加油提示方法和加油提示装置 |
| CN108536652A (zh) * | 2018-03-15 | 2018-09-14 | 浙江大学 | 一种基于arma模型的短期车辆使用量预测方法 |
| CN109040242A (zh) * | 2018-08-02 | 2018-12-18 | 成都秦川物联网科技股份有限公司 | 基于车联网的车辆油量预警方法及车联网系统 |
| CN109410570A (zh) * | 2018-10-11 | 2019-03-01 | 北京九五智驾信息技术股份有限公司 | 车辆交通事故量预测方法 |
| 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 |
| CN109740213A (zh) * | 2018-12-24 | 2019-05-10 | 斑马网络技术有限公司 | 车辆能耗评估方法、设备及存储介质 |
| CN110222421A (zh) * | 2019-06-06 | 2019-09-10 | 优必爱信息技术（北京）有限公司 | 一种行驶路线集中度评估方法及系统 |
| CN110473085A (zh) * | 2019-08-13 | 2019-11-19 | 优必爱信息技术（北京）有限公司 | 一种车辆风险判别方法和装置 |
| CN110516823A (zh) * | 2019-08-23 | 2019-11-29 | 优必爱信息技术（北京）有限公司 | 一种基于时序模型的车辆智慧保养模型 |
| CN111612327A (zh) * | 2020-05-18 | 2020-09-01 | 广州云从人工智能技术有限公司 | 一种调度方法、系统、机器可读介质及设备 |
| CN111612536A (zh) * | 2020-05-20 | 2020-09-01 | 上海评驾科技有限公司 | 一种基于车联网数据的换车指数的计算方法 |
-
2021
- 2021-01-18 CN CN202110060331.4A patent/CN112785055B/zh active Active
Patent Citations (15)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20070150192A1 (en) * | 2005-12-05 | 2007-06-28 | Kotaro Wakamatsu | Vehicle Position Estimating Apparatus And Vehicle Position Estimating Method |
| US20100063904A1 (en) * | 2006-11-30 | 2010-03-11 | Satlogix Inc. | Automated travel log system |
| US20110098922A1 (en) * | 2009-10-27 | 2011-04-28 | Visteon Global Technologies, Inc. | Path Predictive System And Method For Vehicles |
| US20140114556A1 (en) * | 2012-10-23 | 2014-04-24 | University Of Southern California | Traffic prediction using real-world transportation data |
| CN108447144A (zh) * | 2017-01-22 | 2018-08-24 | 北京嘀嘀无限科技发展有限公司 | 加油提示方法和加油提示装置 |
| CN108536652A (zh) * | 2018-03-15 | 2018-09-14 | 浙江大学 | 一种基于arma模型的短期车辆使用量预测方法 |
| CN109040242A (zh) * | 2018-08-02 | 2018-12-18 | 成都秦川物联网科技股份有限公司 | 基于车联网的车辆油量预警方法及车联网系统 |
| CN109410570A (zh) * | 2018-10-11 | 2019-03-01 | 北京九五智驾信息技术股份有限公司 | 车辆交通事故量预测方法 |
| 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 |
| CN109740213A (zh) * | 2018-12-24 | 2019-05-10 | 斑马网络技术有限公司 | 车辆能耗评估方法、设备及存储介质 |
| CN110222421A (zh) * | 2019-06-06 | 2019-09-10 | 优必爱信息技术（北京）有限公司 | 一种行驶路线集中度评估方法及系统 |
| CN110473085A (zh) * | 2019-08-13 | 2019-11-19 | 优必爱信息技术（北京）有限公司 | 一种车辆风险判别方法和装置 |
| CN110516823A (zh) * | 2019-08-23 | 2019-11-29 | 优必爱信息技术（北京）有限公司 | 一种基于时序模型的车辆智慧保养模型 |
| CN111612327A (zh) * | 2020-05-18 | 2020-09-01 | 广州云从人工智能技术有限公司 | 一种调度方法、系统、机器可读介质及设备 |
| CN111612536A (zh) * | 2020-05-20 | 2020-09-01 | 上海评驾科技有限公司 | 一种基于车联网数据的换车指数的计算方法 |
Non-Patent Citations (5)
| Title |
|---|
| 吕承举;李萌;廖宝梁;王桂荃;纪少波;: "基于ARIMA模型的柴油客车能耗预测", 山东交通科技, no. 02, pages 122 - 125 * |
| 张岚;王睿;: "交通事故位置信息与经纬度坐标转换研究", 城市交通, no. 03, pages 118 - 122 * |
| 张雷;: "基于时间序列模型的停车场泊位特性预测研究", 南京师大学报(自然科学版), no. 02, pages 30 - 36 * |
| 贾硕;惠飞;马峻岩;彭娜;: "商用车辆异常驾驶行为检测算法研究", 公路交通科技, no. 2, pages 33 - 40 * |
| 赵鹏;李璐;: "基于ARIMA模型的城市轨道交通进站量预测研究", 重庆交通大学学报(自然科学版), no. 01, pages 44 - 48 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115086358A (zh) * | 2022-04-22 | 2022-09-20 | 江阴晟宇信息科技有限公司 | 基于物联网的企业车队加油和油耗管理系统及方法 |
| CN115086358B (zh) * | 2022-04-22 | 2024-04-09 | 江苏睿远信息科技有限公司 | 基于物联网的企业车队加油和油耗管理系统及方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112785055B (zh) | 2024-02-06 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110103719B (zh) | 电动汽车的充电提示方法、系统及车辆 | |
| CN111670340B (zh) | 一种车辆剩余行驶里程的获取方法、电子设备及车辆 | |
| US9430476B2 (en) | Method and apparatus of user recommendation system for in-vehicle apps | |
| CN111241120A (zh) | 车辆能源加注点的分析方法、装置、车载设备和存储介质 | |
| CN111210537A (zh) | 一种油耗分析方法、装置、设备和存储介质 | |
| CN112785055A (zh) | 车辆加油日期预测方法及设备 | |
| CN113665431A (zh) | 电动汽车的剩余续航里程估算方法及装置 | |
| CN211926038U (zh) | 车载空调滤芯寿命的预测系统及车辆 | |
| CN111489459A (zh) | 一种车辆数据分析方法 | |
| CN109523791B (zh) | 一种滞留车辆的预警分析方法及装置 | |
| CN111311044A (zh) | 一种车辆定损方法及其系统 | |
| CN114043875A (zh) | 基于大数据的剩余里程预估偏差分析方法和系统 | |
| CN112765726A (zh) | 一种寿命预测方法及装置 | |
| CN117400948A (zh) | 一种汽车能耗预测方法、装置、电子设备及存储介质 | |
| JP5901400B2 (ja) | データ処理装置及びデータ処理方法及びプログラム | |
| CN113246797B (zh) | 一种电池寿命预测的方法和装置 | |
| CN115100757A (zh) | 汽车数据的存储方法、装置、车辆及存储介质 | |
| CN115480944A (zh) | 车载娱乐终端的黑屏故障分析方法、装置、车辆及介质 | |
| FR3135145A1 (fr) | Systeme d’evaluation d’etat de charge ou de tension en circuit ouvert d’une batterie de vehicule automobile, procede et programme sur la base d’un tel systeme | |
| US11512994B2 (en) | Vehicle fuel volume consumption estimation and accuracy analysis systems and methods | |
| CN114764600A (zh) | 新能源车电池包的寿命预测方法、装置和电子设备 | |
| CN113128929A (zh) | 车辆载重状态的识别方法、装置、计算机设备和介质 | |
| CN112699490A (zh) | 一种车辆维修结果验证方法和装置 | |
| CN114772540B (zh) | 一种加油系统、加油控制方法 | |
| CN118259159A (zh) | 车载蓄电池的性能评估方法、装置、介质和电子设备 |
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 |