CN112818036B - 基于云端大数据的电动车剩余里程预估方法和装置 - Google Patents

基于云端大数据的电动车剩余里程预估方法和装置 Download PDF

Info

Publication number
CN112818036B
CN112818036B CN202110126871.8A CN202110126871A CN112818036B CN 112818036 B CN112818036 B CN 112818036B CN 202110126871 A CN202110126871 A CN 202110126871A CN 112818036 B CN112818036 B CN 112818036B
Authority
CN
China
Prior art keywords
network
data
vehicle
cloud data
remaining mileage
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.)
Active
Application number
CN202110126871.8A
Other languages
English (en)
Other versions
CN112818036A (zh
Inventor
胡文政
李磊
王建强
张长水
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Tsinghua University
Original Assignee
Tsinghua University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Tsinghua University filed Critical Tsinghua University
Priority to CN202110126871.8A priority Critical patent/CN112818036B/zh
Publication of CN112818036A publication Critical patent/CN112818036A/zh
Application granted granted Critical
Publication of CN112818036B publication Critical patent/CN112818036B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G06F16/2462—Approximate or statistical queries
    • 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
    • G06F16/2474—Sequence data queries, e.g. querying versioned data
    • 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
    • G06F16/29—Geographical information databases
    • 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
    • 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
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Energy or water supply
    • 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
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/40—Business processes related to the transportation industry
    • 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
    • Y02T10/60—Other road transportation technologies with climate change mitigation effect
    • Y02T10/70—Energy storage systems for electromobility, e.g. batteries

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Linguistics (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • General Health & Medical Sciences (AREA)
  • Economics (AREA)
  • Probability & Statistics with Applications (AREA)
  • Biophysics (AREA)
  • Strategic Management (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Fuzzy Systems (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Human Resources & Organizations (AREA)
  • Marketing (AREA)
  • Primary Health Care (AREA)
  • Biomedical Technology (AREA)
  • Water Supply & Treatment (AREA)
  • Public Health (AREA)
  • Remote Sensing (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Traffic Control Systems (AREA)

Abstract

本申请提出一种基于云端大数据的电动车剩余里程预估方法和装置，涉及数据处理技术领域，其中，方法包括：接收预估请求，分别对车端和网络端进行数据采集，获取云端数据；对云端数据进行特征提取，获取特征信息；将特征信息输入已训练的剩余里程预估模型，获取剩余里程预估结果。由此，获取了更加多元化的行驶数据，结合天气、路况等环境信息，提取出更丰富的特征，利用更复杂高效云端模型来进行计算，提高预估结果的准确性和实时性。

Description

基于云端大数据的电动车剩余里程预估方法和装置
技术领域
本申请涉及数据处理技术领域，尤其涉及一种基于云端大数据的电动车剩余里程预估方法和装置。
背景技术
通常，新能源汽车是汽车产业的发展趋势和潮流，我国新能源汽车也进入到加速发展的新阶段。新能源汽车的剩余里程的准确预估在电池管理系统中具有重要的作用。比如：司机因不知道自己是否能够开到目的地产生的里程焦虑，网约车平台派单——最佳的派单应该是刚好车的剩余电量足够开到目的地，并且附近就有充电站充电。这些场景都对剩余里程的准确预估提出了需求。
相关技术中，通过CAN总线获取车辆状态信号，利用这些信号可以获取到车辆行驶信息，当车辆处于行驶状态时获取车辆能耗参数，然后根据当前剩余可用能量及所述能耗参数计算当前剩余里程。虽然获取能耗时进行了复杂的滤波和平滑计算，但是该方案只考虑了在当前时刻当前车辆行驶状态下的车辆信息，这是非常理想的状态，其缺乏对未来路况信息及外部环境变化的考量，计算公式较简单，这导致其预估的准确性较差。
发明内容
本申请旨在至少在一定程度上解决相关技术中的技术问题之一。
为此，本申请的第一个目的在于提出一种基于云端大数据的电动车剩余里程预估方法，充分利用多维度的信息，提取到了更加丰富的特征信息，进而训练出高性能的模型，并通过获取了更加多元化的行驶数据，结合天气、路况等环境信息，提取出更丰富的特征，利用已训练的模型来进行计算，提高预估结果的准确性和实时性。
本申请的第二个目的在于提出一种基于云端大数据的电动车剩余里程预估装置。
为达上述目的，本申请第一方面实施例提出了一种基于云端大数据的电动车剩余里程预估方法，包括：
接收预估请求，分别对车端和网络端进行数据采集，获取云端数据；
对所述云端数据进行特征提取，获取特征信息；
将所述特征信息输入已训练的剩余里程预估模型，获取剩余里程预估结果。
本申请实施例的基于云端大数据的电动车剩余里程预估方法，通过接收预估请求，分别对车端和网络端进行数据采集，获取云端数据；对云端数据进行特征提取，获取特征信息；将特征信息输入已训练的剩余里程预估模型，获取剩余里程预估结果。由此，获取了更加多元化的行驶数据，结合天气、路况等环境信息，提取出更丰富的特征，利用更复杂高效云端模型来进行计算，提高预估结果的准确性和实时性。
可选地，在本申请的一个实施例中，在将所述特征信息输入已训练的剩余里程预估模型之前，还包括：
获取云端数据样本，并对所述云端数据样本中离散值样本进行编码转换为连续值；
通过长短期记忆人工神经网络提取所述云端数据样本的车辆驾驶状态特征和路网特征，全连接层网络提取所述云端数据样本的驾驶行为特征和全局特征；
全连接层网络对所述路网特征和所述全局特征进行处理，获取训练能量消耗特征和能量消耗值，根据第一损失函数计算对所述能量消耗值和所述云端数据样本对应标注的标准能量消耗值进行损失计算，调整网络参数；
全连接层网络对所述车辆驾驶状态特征、所述驾驶行为特征和所述训练能量消耗特征进行处理，获取训练剩余里程，根据第二损失函数计算对所述训练剩余里程和所述云端数据样本对应标注的标准剩余里程进行损失计算，调整网络参数，生成初始剩余里程预估模型；
对所述能量消耗值和所述训练剩余里程值与所述标准注能量消耗值和所述标准剩余里程进行加权损失计算，采用端到端训练方式联合优化网络参数，生成所述已训练的剩余里程预估模型。
可选地，在本申请的一个实施例中，所述对网络端进行数据采集，获取云端数据，包括：
从天气服务商获取天气数据，以及从地图服务商获取路网数据。
可选地，在本申请的一个实施例中，所述对车端进行数据采集，获取云端数据，包括：
按照预设时间间隔通过无线网络模块、5G网络模块或者卫星网络模块获取车辆数据和驾驶行为数据。
可选地，在本申请的一个实施例中，所述对所述云端数据进行特征提取，获取特征信息，包括：
对所述云端数据进行特征提取，获取全局特征、路网特征、驾驶特征、车辆状态和当前剩余电量。
为达上述目的，本申请第二方面实施例提出了一种基于云端大数据的电动车剩余里程预估装置，包括：
接收模块，用于接收预估请求；
采集模块，用于分别对车端和网络端进行数据采集，获取云端数据；
提取模块，用于对所述云端数据进行特征提取，获取特征信息；
预估模块，用于将所述特征信息输入已训练的剩余里程预估模型，获取剩余里程预估结果。
本申请实施例的基于云端大数据的电动车剩余里程预估装置，通过接收预估请求，分别对车端和网络端进行数据采集，获取云端数据；对云端数据进行特征提取，获取特征信息；将特征信息输入已训练的剩余里程预估模型，获取剩余里程预估结果。由此，获取了更加多元化的行驶数据，结合天气、路况等环境信息，提取出更丰富的特征，利用更复杂高效云端模型来进行计算，提高预估结果的准确性和实时性。
可选地，在本申请的一个实施例中，还包括：
第一获取模块，用于获取云端数据样本，并对所述云端数据样本中离散值样本进行编码转换为连续值；
第二获取模块，用于通过长短期记忆人工神经网络提取所述云端数据样本的车辆驾驶状态特征和路网特征，全连接层网络提取所述云端数据样本的驾驶行为特征和全局特征；
计算模块，用于全连接层网络对所述路网特征和所述全局特征进行处理，获取训练能量消耗特征和能量消耗值，根据第一损失函数计算对所述能量消耗值和所述云端数据样本对应标注的标准能量消耗值进行损失计算，调整网络参数；
第一训练模块，用于全连接层网络对所述车辆驾驶状态特征、所述驾驶行为特征和所述训练能量消耗特征进行处理，获取训练剩余里程，根据第二损失函数计算对所述训练剩余里程和所述云端数据样本对应标注的标准剩余里程进行损失计算，调整网络参数，生成初始剩余里程预估模型；
第二对所述能量消耗值和所述训练剩余里程值与所述标准标注能量消耗值和所述标准剩余里程进行加权损失计算，采用端到端训练方式联合优化网络参数，生成所述已训练的剩余里程预估模型。
可选地，在本申请的一个实施例中，所述采集模块，具体用于：
从天气服务商获取天气数据，以及从地图服务商获取路网数据。
可选地，在本申请的一个实施例中，所述采集模块，具体用于：
按照预设时间间隔通过无线网络模块、5G网络模块或者卫星网络模块获取车辆数据和驾驶行为数据。
可选地，在本申请的一个实施例中，所述提取模块，具体用于：
对所述云端数据进行特征提取，获取全局特征、路网特征、驾驶特征、车辆状态和当前剩余电量。
本申请附加的方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本申请的实践了解到。
附图说明
本申请上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解，其中：
图1为本申请实施例一所提供的一种基于云端大数据的电动车剩余里程预估方法的流程示意图；
图2为本申请实施例的基于云端大数据的电动车剩余里程预估的整体架构示例图；
图3为本申请实施例的基于云端大数据的电动车剩余里程预估方法的流程示例图；
图4为本申请实施例的数据处理示例图；
图5为本申请实施例的离散值转换为连续值示例图；
图6为本申请实施例的整个模型的构成示例图；
图7为本申请实施例的在具体车辆上进行剩余里程预估示例图；
图8为本申请实施例所提供的一种基于云端大数据的电动车剩余里程预估装置的结构示意图。
具体实施方式
下面详细描述本申请的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，旨在用于解释本申请，而不能理解为对本申请的限制。
下面参考附图描述本申请实施例的基于云端大数据的电动车剩余里程预估方法和装置。
图1为本申请实施例一所提供的一种基于云端大数据的电动车剩余里程预估方法的流程示意图。
具体地，本申请主要一是利用云端系统存储大和资源共享的特性，实现汽车能耗、道路交通等信息的整合与共享；二是利用云端系统计算资源充足的特性，结合深度学习算法框架，对剩余里程进行预估。
本申请通过采集车端和网络数据，将数据保存到云端，并在云端构建剩余里程预估的深度学习模型，对数据提取出特征后对该模型进行训练，最终可以实时处理车辆发送的预估请求，并反馈回剩余里程预估结果。本申请充分利用多维度的信息，提取到了更加丰富的特征信息，进而训练出高性能的模型，这也使得方法具有较好的鲁棒性。
本申请综合利用天气、地图、路况、车辆及能耗、司机行为等多方位的信息，来进行剩余里程的估计，利用深度学习模型进行更加准确的预估；本申请收集了更多维的数据并通过深度学习模型来综合计算剩余里程，考虑到了道路坡度、路况、天气等信息，利用云端更大的计算资源和5G更快的传输速度来提高预估的准确性和实时性；本申请不仅结合了历史的能耗信息，还综合利用了预测到的未来天气、路况、司机行为等数据，这使得本发明更加符合实际情况，预估到的剩余里程更加准确；本申请通过利用云端的大规模计算资源来运算，所以可以结合更大规模的数据量，全方位考量车辆和道路及环境因素，提高预估的准确性，且本申请的实时计算也具备修正的功能；本申请不仅考虑了车辆当前的状态，其中包含了技术方案五中的各种工况，还结合了未来的道路信息、天气信息、司机行为等等，这使得本申请预估的剩余里程更加准确，具有参考价值，预估结果不会因为短时的车辆工况而发生剧烈变化；本申请通过采集复杂的车辆数据和环境信息来实现对车辆耗能的估算，比只采集SOC(State of Charge，剩余电量)和做简单修正要更加准确，并且本申请是在云端进行高效的运算，利用了云端的大型计算资源和复杂的深度学习模型，得到的预估里程更加准确；本申请获取了更加多元化的行驶数据，结合天气、路况等环境信息，提取出更丰富的特征，利用更复杂高效云端模型来进行计算，更多的信息提高了方法的鲁棒性，更复杂高效的模型提高了方法的准确性。
如图1所示，该基于云端大数据的电动车剩余里程预估方法包括以下步骤：
步骤101，接收预估请求，分别对车端和网络端进行数据采集，获取云端数据。
在本申请实施例中，从天气服务商获取天气数据，以及从地图服务商获取路网数据；按照预设时间间隔通过无线网络模块、5G网络模块或者卫星网络模块获取车辆数据和驾驶行为数据。
具体地，数据的采集主要分为从车端采集和从网络采集。网络采集主要包括天气数据和路网数据，该部分数据从现有天气服务商(如彩云天气等)和地图服务商(如百度地图、高德地图、滴滴出行等)获取实时路网数据。车端采集主要是汽车通过无线网络模块、5G网络模块或者卫星网络模块将车辆及驾驶行为信息按时间间隔T_1传输给云端数据采集服务器。T_1是一个相对较小的值，是对实时数据的离散采样近似。
天气数据主要包括但不限制于温度、降雨强度、风速、风向、PM2.5、天气类别(晴天、阴天、降雨、降雪、雾天)。每一条道路都可以看成若干段道路的拼接，路网数据就是每一小段道路的数据情况，这里称每一小段道路为一个链路。路网实时数据包括但不限制于每一个链路的长度、车道数、当前车辆通过该链路的平均速度、该链路的限速、链路唯一ID、平均海拔以及相连道路ID。车辆信息主要包括但不限制于采样时间段T_1的平均电流、平均电压、平均功率、平均速度、平均加速度、最大电流、最小电流、最大电压、最小电压、最大功率、最小功率、最大速度、最小速度、车载用电设备开关情况、车载用电设备平均使用电流、车载用电设备平均使用功率、车载设备电池健康SOH监测值、车载设备剩余电量SOC监测值、车载设备电池一致性监测值、车辆型号信息、车辆配置信息、车载电池健康管理系统型号及版本信息、电池出厂标定电压、标定功率、标定电流、出厂标定续航里程、电池组型号、车辆自重、当前GPS坐标点、车辆唯一识别码、当前车辆累计里程。驾驶行为信息主要包括但不限制于踩刹车的频数及幅度、踩油门的频数及幅度、驾驶人员个人基本信息(年龄、性别等)。
其他信息主要是除上述四个方面以外的，收集到的其他可能影响到汽车能耗和剩余里程预估的信息，比如司机个人对剩余电量的容忍程度等。
上述数据通过数据采集服务器采用分布式方式存储在云端服务器，如HDFS方式存储。
步骤102，对云端数据进行特征提取，获取特征信息。
步骤103，将特征信息输入已训练的剩余里程预估模型，获取剩余里程预估结果。
在本申请实施例中，获取云端数据样本，并对云端数据样本中离散值样本进行编码转换为连续值；通过长短期记忆人工神经网络提取云端数据样本的车辆驾驶状态特征和路网特征，全连接层网络提取云端数据样本的驾驶行为特征和全局特征；全连接层网络对路网特征和全局特征进行处理，获取训练能量消耗特征和能量消耗值，根据第一损失函数计算对能量消耗值和云端数据样本对应标注的标准能量消耗值进行损失计算，调整网络参数；全连接层网络对车辆驾驶状态特征、驾驶行为特征和训练能量消耗特征进行处理，获取训练剩余里程，根据第二损失函数计算对训练剩余里程和云端数据样本对应标注的标准剩余里程进行损失计算，调整网络参数，生成初始剩余里程预估模型。对能量消耗值和训练剩余里程值与标准注能量消耗值和标准剩余里程进行加权损失计算，采用端到端训练方式联合优化网络参数，生成已训练的剩余里程预估模型。
在本申请实施例中，对云端数据进行特征提取，获取全局特征、路网特征、驾驶特征、车辆状态和当前剩余电量。
具体地，如图2所示，一是数据信息的云端采集与存储，将多元化的信息从车端和网络上采集出来，并存储在云端。二是剩余里程的实时预估方案，通过云端的模型进行预估计算。
具体地，如图3所示，一是从车端和网络端采集数据；二是对采集到的数据进行处理，提取出特征信息；三是构建剩余里程预估模型；四是训练剩余里程预估模型；五是将模型应用到云端上，对车辆发出的预估请求进行实时处理，反馈回车辆。
针对某一辆车某一次通过某一路径的数据表示如下：
yi:表示真实能耗数据，该数据是通过对行驶过程中采样的功率做积分得到，即
Figure BDA0002924307510000071
其中Ri表示该车辆该次通过该路径的所有离散采样集合，j表示该路径下的某一采样，Pj为该采样期间的平均功率，T1表示采样间隔。
Si:表示该路径的里程长度,由车辆在路劲起点和终点累计里程表数据相减得到；Xi：表示该路劲的路网特征数据，是一个m×Ni的矩阵，其中Ni表示共有Ni个链路，m表示每个链路有m维特征。
Figure 1
其中
Figure BDA0002924307510000073
表示第i的一个链路的特征，如图4所示。
Hi：表示司机的驾驶行为统计特征，主要包括司机最近1周踩刹车的平均次数、次数方差、平均幅度、幅度方差，踩油门的平均次数、次数方差、平均幅度、幅度方差；Gi:表示全局特征，主要包括当天的天气特征数据以及车辆的固定信息，比如车辆型号信息、车辆配置信息、车载电池健康管理系统型号及版本信息、电池出厂标定电压、标定功率、标定电流、出厂标定续航里程、电池组型号、车辆自重以及车辆唯一识别编号；Ci：表示汽车最近一段时间的驾驶状态信息，是一个n×Mi的矩阵，其中Mi表示最近有Mi个记录，n表示汽车状态特征维度，
Figure 2
其ci表示第i的一个记录。
具体地，如图5所示，模型由9个部分组成，第一，如图6所示，对于Xi，Hi，Gi，Ci中的离散值做编码操作转换为连续值；第二，NetX提取路网特征，主要由序列模型LSTM组成；第三，NetC提取车辆驾驶状态特征网络，主要由序列模型LSTM组成；第四，Deep feature G提取全局深度特征，主要由全连接层(FC)组成；第五，WidefeatureG提取全局组合特征，由特征交叉和变换部分组成；第六，MLPenerge到达能量预估网络，接收提取的路网信息和提取的全局特征信息，预估到达目的地的能量消耗，由若干层FC组成；第七，Deep feature H:提取驾驶行为深度特征，主要由全连接层(FC)组成；第八，WidefeatureH：提取驾驶行为组合特征，由特征交叉和变换部分组成；第九，MLPdrivingrange：剩余里程预估，接收提取的车辆状态特征和提取驾驶行为特征信息以及到达能量特征，预估剩余里程，模型由若干层FC组成,图中“±”表示对应的输入x同时取x,-x共同输入，模型权重为非负使得模型满足非减性质。
具体地，模型的训练方式采用端到端(End-to-End)训练的方式，采用批量化随机梯度算法优化。训练过程共分成三阶段：第一阶段训练到达能量预估部分，即到达能力预估(EstimateEnergyArrival，EEA)网络结构部分，其中，EEA网络结构部分如图5所示的多个全连接层网络构成，第一阶段的损失函数为
Figure BDA0002924307510000075
第二阶段固定EEA部分，训练剩余里程预估部分，即剩余里程预估(Estimate Remain Driving Range，ERDR)网络结构部分，其中，ERDR网络结构部分如图5所示的多个全连接层网络构成，第二阶段的损失函数为
Figure BDA0002924307510000076
第三阶段则是对整个网络结构进行联合训练微调，第三阶段的损失函数为
Figure BDA0002924307510000081
其中，MAPE(Mean Absolute Percentage Error，平均绝对百分比误差)。
举例而言，如图7所示，车辆发送预估请求至云端，云端接收到请求，拉取所需数据输入到预估模型，然后模型给出剩余里程预估结果，最后通过基站将结果反馈回车辆。
由此，1)本申请利用云端充分的计算资源和存储空间，使得模型不再局限于车载的计算资源，可以构造出更加复杂和高性能的模型，实现更高的预估准确性；2)本申请不仅利用了当前车辆的信息，还获取了路上其他车辆的信息，将相关车辆和路况信息进行共享，再针对当前车辆的情况进行调整，提高了方法的泛化性和鲁棒性；3)本申请结合了多元的数据，如天气、路况、司机行为等，扩展了方法的应用场景，可以对未来路况进行准确的预估，使得预估结果更稳定；4)本申请利用深度学习模型对复杂的信息进行特征提取和处理，不局限于简单的公式化计算，这使得本方法可以进行更深层次的挖掘，大大扩展了计算空间，提高了计算效率。
本申请适用多种场景，比如可以适用于实现基于5G的车联网电池管理系统中，实现对剩余里程的准确预估；还比如可以适用于新能源汽车移动出行平台的车辆调度和系统派单问题等。
因此，通过云端共享不同车辆、路况、天气信息做预估；利用深度学习的方法综合路网信息，天气信息等对给定路径预估能量消耗；利用深度学习的方法结合路径能量预估剩余里程预估。
需要说明的是，云端数据存储方式可以是分布式、集中式等各种形式；剩余里程预估模型也可以采用不同的深度学习网络模型去实现；车辆和云端的通信方式可以是多样的，不局限于特定的网络技术。
本申请实施例的基于云端大数据的电动车剩余里程预估方法，通过接收预估请求，分别对车端和网络端进行数据采集，获取云端数据；对云端数据进行特征提取，获取特征信息；将特征信息输入已训练的剩余里程预估模型，获取剩余里程预估结果。由此，获取了更加多元化的行驶数据，结合天气、路况等环境信息，提取出更丰富的特征，利用更复杂高效云端模型来进行计算，提高预估结果的准确性和实时性。
为了实现上述实施例，本申请还提出一种基于云端大数据的电动车剩余里程预估装置。
图8为本申请实施例提供的一种基于云端大数据的电动车剩余里程预估装置的结构示意图。
如图8所示，该基于云端大数据的电动车剩余里程预估装置包括：接收模块810、采集模块820、提取模块830和预估模块840。
接收模块810，用于接收预估请求。
采集模块820，用于分别对车端和网络端进行数据采集，获取云端数据。
提取模块830，用于对所述云端数据进行特征提取，获取特征信息。
预估模块840，用于将所述特征信息输入已训练的剩余里程预估模型，获取剩余里程预估结果。
在本申请实施例中，还包括：第一获取模块，用于获取云端数据样本，并对所述云端数据样本中离散值样本进行编码转换为连续值；第二获取模块，用于通过长短期记忆人工神经网络提取所述云端数据样本的车辆驾驶状态特征和路网特征，全连接层网络提取所述云端数据样本的驾驶行为特征和全局特征；计算模块，用于全连接层网络对所述路网特征和所述全局特征进行处理，获取训练能量消耗特征和能量消耗值，根据第一损失函数计算对所述能量消耗值和所述云端数据样本对应标注的标准能量消耗值进行损失计算，调整网络参数；第一训练模块，用于全连接层网络对所述车辆驾驶状态特征、所述驾驶行为特征和所述训练能量消耗特征进行处理，获取训练剩余里程，根据第二损失函数计算对所述训练剩余里程和所述云端数据样本对应标注的标准剩余里程进行损失计算，调整网络参数，生成初始剩余里程预估模型，第二对所述能量消耗值和所述训练剩余里程值与所述标准标注能量消耗值和所述标准剩余里程进行加权损失计算，采用端到端训练方式联合优化网络参数，生成所述已训练的剩余里程预估模型。
在本申请实施例中，采集模块820，具体用于：从天气服务商获取天气数据，以及从地图服务商获取路网数据。
在本申请实施例中，采集模块820，具体用于：按照预设时间间隔通过无线网络模块、 5G网络模块或者卫星网络模块获取车辆数据和驾驶行为数据。
在本申请实施例中，提取模块830，具体用于对所述云端数据进行特征提取，获取全局特征、路网特征、驾驶特征、车辆状态和当前剩余电量。
本申请实施例的基于云端大数据的电动车剩余里程预估装置，通过接收预估请求，分别对车端和网络端进行数据采集，获取云端数据；对云端数据进行特征提取，获取特征信息；将特征信息输入已训练的剩余里程预估模型，获取剩余里程预估结果。由此，获取了更加多元化的行驶数据，结合天气、路况等环境信息，提取出更丰富的特征，利用更复杂高效云端模型来进行计算，提高预估结果的准确性和实时性。
需要说明的是，前述对基于云端大数据的电动车剩余里程预估方法实施例的解释说明也适用于该实施例的基于云端大数据的电动车剩余里程预估装置，此处不再赘述。
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必须针对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一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本申请的描述中，“多个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。
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定制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。
在流程图中表示或在此以其他方式描述的逻辑和/或步骤，例如，可以被认为是用于实现逻辑功能的可执行指令的定序列表，可以具体实现在任何计算机可读介质中，以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用，或结合这些指令执行系统、装置或设备而使用。就本说明书而言，"计算机可读介质"可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。计算机可读介质的更具体的示例(非穷尽性列表)包括以下：具有一个或多个布线的电连接部(电子装置)，便携式计算机盘盒(磁装置)，随机存取存储器(RAM)，只读存储器(ROM)，可擦除可编辑只读存储器(EPROM或闪速存储器)，光纤装置，以及便携式光盘只读存储器(CDROM)。另外，计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质，因为可以例如通过对纸或其他介质进行光学扫描，接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序，然后将其存储在计算机存储器中。
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。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。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 (6)

1.一种基于云端大数据的电动车剩余里程预估方法，其特征在于，包括以下步骤：
接收预估请求，分别对车端和网络端进行数据采集，获取云端数据；
对所述云端数据进行特征提取，获取特征信息；
将所述特征信息输入已训练的剩余里程预估模型，获取剩余里程预估结果；
在将所述特征信息输入已训练的剩余里程预估模型之前，还包括：
获取云端数据样本，并对所述云端数据样本中离散值样本进行编码转换为连续值；
通过长短期记忆人工神经网络提取所述云端数据样本的车辆驾驶状态特征和路网特征，全连接层网络提取所述云端数据样本的驾驶行为特征和全局特征；
全连接层网络对所述路网特征和所述全局特征进行处理，获取训练能量消耗特征和能量消耗值，根据第一损失函数计算对所述能量消耗值和所述云端数据样本对应标注的标准能量消耗值进行损失计算，调整网络参数；
全连接层网络对所述车辆驾驶状态特征、所述驾驶行为特征和所述训练能量消耗特征进行处理，获取训练剩余里程，根据第二损失函数计算对所述训练剩余里程和所述云端数据样本对应标注的标准剩余里程进行损失计算，调整网络参数，生成初始剩余里程预估模型；
对所述能量消耗值和所述训练剩余里程值与所述标准注能量消耗值和所述标准剩余里程进行加权损失计算，采用端到端训练方式联合优化网络参数，生成所述已训练的剩余里程预估模型；
所述对网络端进行数据采集，获取云端数据，包括：
从天气服务商获取天气数据，以及从地图服务商获取路网数据。
2.如权利要求1所述的方法，其特征在于，所述对车端进行数据采集，获取云端数据，包括：
按照预设时间间隔通过无线网络模块、5G网络模块或者卫星网络模块获取车辆数据和驾驶行为数据。
3.如权利要求1所述的方法，其特征在于，所述对所述云端数据进行特征提取，获取特征信息，包括：
对所述云端数据进行特征提取，获取全局特征、路网特征、驾驶特征、车辆状态和当前剩余电量。
4.一种基于云端大数据的电动车剩余里程预估装置，其特征在于，包括：
接收模块，用于接收预估请求；
采集模块，用于分别对车端和网络端进行数据采集，获取云端数据；
提取模块，用于对所述云端数据进行特征提取，获取特征信息；
预估模块，用于将所述特征信息输入已训练的剩余里程预估模型，获取剩余里程预估结果；
还包括：
第一获取模块，用于获取云端数据样本，并对所述云端数据样本中离散值样本进行编码转换为连续值；
第二获取模块，用于通过长短期记忆人工神经网络提取所述云端数据样本的车辆驾驶状态特征和路网特征，全连接层网络提取所述云端数据样本的驾驶行为特征和全局特征；
计算模块，用于全连接层网络对所述路网特征和所述全局特征进行处理，获取训练能量消耗特征和能量消耗值，根据第一损失函数计算对所述能量消耗值和所述云端数据样本对应标注的标准能量消耗值进行损失计算，调整网络参数；
第一训练模块，用于全连接层网络对所述车辆驾驶状态特征、所述驾驶行为特征和所述训练能量消耗特征进行处理，获取训练剩余里程，根据第二损失函数计算对所述训练剩余里程和所述云端数据样本对应标注的标准剩余里程进行损失计算，调整网络参数，生成初始剩余里程预估模型；
第二对所述能量消耗值和所述训练剩余里程值与所述标准标注能量消耗值和所述标准剩余里程进行加权损失计算，采用端到端训练方式联合优化网络参数，生成所述已训练的剩余里程预估模型；
所述采集模块，具体用于：
从天气服务商获取天气数据，以及从地图服务商获取路网数据。
5.如权利要求4所述的装置，其特征在于，所述采集模块，具体用于：
按照预设时间间隔通过无线网络模块、5G网络模块或者卫星网络模块获取车辆数据和驾驶行为数据。
6.如权利要求4所述的装置，其特征在于，所述提取模块，具体用于：
对所述云端数据进行特征提取，获取全局特征、路网特征、驾驶特征、车辆状态和当前剩余电量。
CN202110126871.8A 2021-01-29 2021-01-29 基于云端大数据的电动车剩余里程预估方法和装置 Active CN112818036B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110126871.8A CN112818036B (zh) 2021-01-29 2021-01-29 基于云端大数据的电动车剩余里程预估方法和装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110126871.8A CN112818036B (zh) 2021-01-29 2021-01-29 基于云端大数据的电动车剩余里程预估方法和装置

Publications (2)

Publication Number Publication Date
CN112818036A CN112818036A (zh) 2021-05-18
CN112818036B true CN112818036B (zh) 2022-12-30

Family

ID=75860289

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110126871.8A Active CN112818036B (zh) 2021-01-29 2021-01-29 基于云端大数据的电动车剩余里程预估方法和装置

Country Status (1)

Country Link
CN (1) CN112818036B (zh)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114043875B (zh) * 2021-11-16 2024-01-26 江苏爱玛车业科技有限公司 基于大数据的剩余里程预估偏差分析方法和系统
CN115096331B (zh) * 2022-05-16 2024-06-11 中国第一汽车股份有限公司 一种基于云端服务的车辆里程错误判断方法、装置、修正方法及装置
CN115223271B (zh) * 2022-06-28 2024-05-07 东软睿驰汽车技术（沈阳）有限公司 车辆剩余信息误差的关注度获得方法及相关装置
CN115865548A (zh) * 2022-11-28 2023-03-28 国网上海市电力公司 一种基于大数据分析的多能协同低碳能量管理系统及方法
CN116945907B (zh) * 2023-09-19 2024-01-26 江西五十铃汽车有限公司 一种新能源电动汽车里程计算方法及系统

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106515478B (zh) * 2016-10-27 2017-10-20 合肥工业大学 电动汽车剩余行驶里程在线预测方法及装置
CN106908075B (zh) * 2017-03-21 2020-05-08 福州大学 大数据采集与处理系统及基于其电动汽车续航估计方法
CN111806239B (zh) * 2019-04-16 2022-04-05 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
CN110091751B (zh) * 2019-04-30 2021-01-08 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
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

Also Published As

Publication number Publication date
CN112818036A (zh) 2021-05-18

Similar Documents

Publication Publication Date Title
CN112818036B (zh) 基于云端大数据的电动车剩余里程预估方法和装置
CN111169480B (zh) 一种动力系统能量管理方法、装置、设备和介质
Yi et al. Adaptive multiresolution energy consumption prediction for electric vehicles
CN112703518B (zh) 剩余里程预测的方法和电池远程服务的系统
EP4121329A1 (en) Systems and methods for managing velocity profiles
CN113335131B (zh) 一种车辆续航里程预测方法、装置、设备和存储介质
CN110570678A (zh) 一种公交车辆从起点到终点总行驶时间预测方法及装置
Ferreira et al. Data mining approach for range prediction of electric vehicle
EP4194249A1 (en) Method for predicting energy consumption-recovery ratio of new energy vehicle, and energy saving control method and system
CN113159435B (zh) 一种新能源车辆剩余驾驶里程预测方法及系统
CN117350519B (zh) 基于新能源乘用车充电需求预测的充电站规划方法及系统
CN117546218A (zh) 用于交通预测的分布式多任务机器学习
CN116523093A (zh) 基于随机源荷预测的能源系统的网格需求感知系统及方法
CN116523177A (zh) 融合机理和深度学习模型的车辆能耗预测方法及装置
CN113642768A (zh) 一种基于工况重构的车辆行驶能耗预测方法
Grubwinkler et al. A modular and dynamic approach to predict the energy consumption of electric vehicles
CN117863886B (zh) 增程车辆的续航预测方法、装置、电子设备及介质
CN116106761A (zh) 基于典型相关分析的锂离子电池电量实时估计方法
CN116562405A (zh) 一种增程式插电混合动力汽车预约充电智能方法、装置及计算机系统
Kim et al. A machine learning method for ev range prediction with updates on route information and traffic conditions
CN116858272A (zh) 用于选择电动车辆的最佳行驶路线的方法和设备
CN113902209A (zh) 出行路线推荐方法、边缘服务器、云服务器、设备及介质
CN113268709A (zh) 基于智能体仿真的城市电动汽车充电需求预测方法及系统
CN113344371A (zh) 一种公共交通智能调度方法
CN114435185B (zh) 新能源汽车电量控制方法及相关设备

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