CN113361206B - 基于地图api信息和hmm的未来能耗预测方法 - Google Patents

基于地图api信息和hmm的未来能耗预测方法 Download PDF

Info

Publication number
CN113361206B
CN113361206B CN202110736835.3A CN202110736835A CN113361206B CN 113361206 B CN113361206 B CN 113361206B CN 202110736835 A CN202110736835 A CN 202110736835A CN 113361206 B CN113361206 B CN 113361206B
Authority
CN
China
Prior art keywords
energy consumption
road
future
working conditions
hmm
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
CN202110736835.3A
Other languages
English (en)
Other versions
CN113361206A (zh
Inventor
孙涛
冯礼鸿
蒋胜
徐雨文
郑岳久
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.)
University of Shanghai for Science and Technology
Original Assignee
University of Shanghai for Science and Technology
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 University of Shanghai for Science and Technology filed Critical University of Shanghai for Science and Technology
Priority to CN202110736835.3A priority Critical patent/CN113361206B/zh
Publication of CN113361206A publication Critical patent/CN113361206A/zh
Application granted granted Critical
Publication of CN113361206B publication Critical patent/CN113361206B/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
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • 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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/06—Power analysis or power optimisation
    • 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
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • Evolutionary Computation (AREA)
  • General Physics & Mathematics (AREA)
  • Medical Informatics (AREA)
  • Geometry (AREA)
  • Computer Hardware Design (AREA)
  • Software Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Remote Sensing (AREA)
  • Data Mining & Analysis (AREA)
  • Traffic Control Systems (AREA)
  • Navigation (AREA)

Abstract

本发明提供一种基于地图API信息和HMM的未来能耗预测方法，用于对电动汽车在续驶里程时进行未来能耗预测，其特征在于，包括以下步骤：步骤S1，将历史工况按所在道路类型进行分类形成多类工况类型，并提取各类工况类型的标准差；步骤S2，根据未来出行起终点，通过地图API获取未来出行道路信息；步骤S3，基于道路类型匹配与之对应的工况类型并得到相对应的标准差；步骤S4，根据该标准差以及平均车速对未来出行工况进行首次预测得到预测车速曲线；步骤S5，基于预测车速曲线，采用HMM的滚动匹配优化方法对相同道路类型工况进行优化预测得到优化车速曲线；步骤S6，将优化车速曲线输入至预定能耗计算模型进行计算，获得未来能耗预测结果。

Description

基于地图API信息和HMM的未来能耗预测方法
技术领域
本发明属于电池管理领域，涉及一种基于地图API信息和HMM的未来能耗预测方法。
背景技术
随着科技的进步与发展，电动汽车逐渐得以普及，其数量也大幅度增加，人们对电动汽车能耗的关注度也逐渐提高。电动汽车受到电池性能和容量等因素的约束，同时受到充电基础设施的约束，容易造成用户的“里程焦虑”。因此，续驶里程成为了用户关注的重要指标。准确的能耗预测可提高续驶里程估计精度，为用户出行提供可靠的参考信息。
在电动汽车实际使用场景下，未来出行工况复杂多变。简单地基于历史工况进行能耗预测，通常存在滞后性与失真性问题，因此传统能耗预测方法的能耗预测值与真实能耗值的误差也较大，不可避免的为电动汽车的出行带来不便。
发明内容
为解决上述问题，提供一种提高未来能耗预测精度和续驶里程估计精度的预测方法，本发明采用了如下技术方案：
本发明提供了一种基于地图API信息和HMM的未来能耗预测方法，用于对电动汽车在续驶里程时进行未来能耗预测，其特征在于，包括以下步骤：步骤S1，将历史工况按所在道路类型进行分类形成多类工况类型，并根据历史工况提取各类工况类型的标准差；步骤S2，根据电动汽车的未来出行起终点，通过地图API来获取该地图API基于未来出行起终点进行道路规划生成的未来出行道路信息，未来出行道路信息至少包括出行预测道路的道路类型以及平均车速；步骤S3，基于道路类型匹配与之对应的工况类型并得到相对应的标准差；步骤S4，根据该标准差以及平均车速对电动汽车未来出行工况进行首次预测得到该电动汽车在各个道路类型上的预测车速曲线；步骤S5，基于预测车速曲线，采用HMM的滚动匹配优化方法对电动汽车在相同道路类型的出行预测道路上的工况进行优化预测得到优化车速曲线；步骤S6，将优化车速曲线输入至预定能耗计算模型进行计算，获得电动汽车的在所有出行预测道路上的未来能耗预测结果。
根据本发明提供的一种基于地图API信息和HMM的未来能耗预测方法，还可以具有这样的技术特征，其中，历史工况包括经纬度信息，历史工况的分类为：根据经纬度信息，采用逆地址解析精准还原每个历史工况所在的地理位置，然后根据历史工况所在的道路类型给历史工况贴标签进行分类。
根据本发明提供的一种基于地图API信息和HMM的未来能耗预测方法，还可以具有这样的技术特征，其中，首次预测为：利用高斯分布与高斯滤波分别预测各段道路的工况：
Vi～N(μi,σi 2)
式中，Vi表示第i种道路类型对应的车速集合，该集合基数由各段道路的预计通过时间确定，μi表示各分段道路的预计平均车速，i表示第i种道路类型，而σi表示第i类历史工况的标准差，车速曲线根据车速集合得到。
根据本发明提供的一种基于地图API信息和HMM的未来能耗预测方法，还可以具有这样的技术特征，其中，HMM的滚动匹配优化方法为基于HMM不断收集本次出行工况并对出行工况进行分类，在每经历一次滚动匹配时间间隔后，HMM对每一类出行工况进行参数学习，并用于后续相同道路类型的工况预测，从而针对出行预测道路的后续相同道路的工况进行优化预测。
根据本发明提供的一种基于地图API信息和HMM的未来能耗预测方法，还可以具有这样的技术特征，其中，参数学习为基于赤池信息量准则和期望最大化算法分别对各类历史工况Vi(i＝1,2,…,6)进行参数λi＝(πi,Ai,Bi)的学习，式中，πi,Ai,Bi分别表示第i类历史工况的初始概率分布、状态转移矩阵和发射概率矩阵，优化预测为：在参数学习的基础上，基于维特比算法确定各类历史工况的隐状态序列，最后结合未来出行道路信息进行工况类型匹配得到优化车速曲线。
根据本发明提供的一种基于地图API信息和HMM的未来能耗预测方法，还可以具有这样的技术特征，其中，预定能耗模型为：
Figure BDA0003141943400000031
Figure BDA0003141943400000032
式中，eupd(i)为未来各道路类型的能耗预测值，ehis_i表示第i种历史工况的平均能耗值，epre(i)为基于工况预测计算所得的第i种道路类型对应的能耗预测值，pupd(i)为更新时刻未来各道路类型的占比，ω为权重系数。
发明作用与效果
根据本发明提供的一种基于地图API信息和HMM的未来能耗预测方法，该方法首先对历史工况进行了分类并提取了标准差，根据未来出行起终点，通过地图“驾车路线规划”API获取地图API信息即未来出行道路信息，实现了对未来出行道路的工况的首次预测，解决了传统能耗预测方法带来的失真性问题。本发明在首次工况预测的基础上，基于HMM的滚动匹配优化方法进而实现在未来出行道路的后续相同道路下的优化预测工况，解决了能耗预测的滞后性问题，再采用能耗计算模型对该优化预测工况进行计算得到未来出行的能耗预测。本发明在对未来工况预测并且优化的基础上，利用能耗计算模型实现未来能耗的计算有效提高了电动汽车在未来出行道路上的未来能耗预测精度，从而提高了电动汽车续驶里程的估计精度，为用户出行提供了更准确的指导，具有较高的实际应用价值。
附图说明
图1是本发明实施例中基于地图API信息和HMM的未来能耗预测方法的流程图；
图2是本实施例中的工况类型与对应的标准差；
图3是本发明实施例中的实车未来出行道路的行驶路径；
图4是本实施例中行驶路径的部分地图API信息；
图5是本发明实施例中首次预测出的车速曲线图；
图6是本发明实施例中基于HMM的滚动匹配优化预测的优化车速曲线图；
图7是本发明实施例中基于地图API信息和HMM的未来能耗预测方法与基于历史工况(传统法)的能耗预测结果对比图。
具体实施方式
为了使本发明实现的技术手段、创作特征、达成目的与功效易于明白了解，以下结合实施例及附图对本发明的一种基于地图API信息和HMM的未来能耗预测方法作具体阐述。
<实施例>
图1是本发明实施例中基于地图API信息和HMM的未来能耗预测方法的流程图。
如图1所示，基于地图API信息和HMM的未来能耗预测方法包括以下步骤：
步骤S1，将历史工况按所在道路类型进行分类形成多类工况类型，并根据历史工况提取各类工况类型的标准差。
本实施例中，利用实车收集的工况作为历史工况，该历史工况包括经纬度信息，根据该经纬度信息，采用逆地址解析精准还原每个历史工况所在的地理位置，然后根据历史工况所在的道路类型给历史工况贴标签进行分类，最后计算得到各类历史工况的标准差。
图2是本实施例中的工况类型与对应的标准差。
如图2所示，本实施例中的工况类型分类为0号至6号一共7类工况，每一类工况有一个对应的标准差。
步骤S2，根据电动汽车的未来出行起终点，通过地图API来获取该地图API基于未来出行起终点进行道路规划生成的未来出行道路信息，未来出行道路信息包括出行预测道路的道路类型、平均车速、分段里程以及预计通过时间。
本实施例中，未来出行道路信息可通过地图“驾车路线规划”API获取。具体地：
申请成为地图服务商的开发者并获取秘钥，搭建服务器文件并进行云端部署，使用API服务，利用所编写的Python脚本获取返回的关键信息，完成上述步骤即可得到本次未来出行的道路信息。
图3是本发明实施例中的实车未来出行道路的行驶路径。
图4是本实施例中行驶路径的部分地图API信息。
如图3和图4所示，本实施例中的未来出行起点为上海汽车博览公园，终点为上海世纪公园，以其中一段道路的工况为例，通过地图API获取的地图API信息中的部分出行道路信息包括道路名称、道路类型、分段里程、预计通过时间以及平均车速。
步骤S3，基于道路类型匹配与之对应的工况类型并得到相对应的标准差。
步骤S4，根据该标准差以及平均车速对电动汽车未来出行工况进行首次预测得到该电动汽车在各个道路类型上的预测车速曲线。
本实施例中，首次预测为：利用高斯分布与高斯滤波分别预测各段道路的工况：
Vi～N(μi,σi 2)
式中，Vi表示第i种道路类型对应的车速集合，该集合基数由各段道路的预计通过时间确定，μi表示各分段道路的预计平均车速，i表示第i种道路类型，而σi表示第i类历史工况的标准差，预测车速曲线根据上述车速集合得到。
图5是本发明实施例中首次预测出的车速曲线图。
如图5所示，首次预测的车速曲线图的横轴为时间，纵轴为车速，该车速曲线图由真实工况与由车速集合Vi得到的预测工况两条不同的曲线构成。
步骤S5，基于预测车速曲线，采用HMM的滚动匹配优化方法对电动汽车在相同道路类型的出行预测道路上的工况进行优化预测得到优化车速曲线。
本实施例中，HMM的滚动匹配优化方法为基于HMM不断收集本次出行工况并对出行工况进行分类，在每经历一次滚动匹配时间间隔后，HMM对每一类出行工况进行参数学习，并用于后续相同道路类型的工况预测，从而针对出行预测道路的后续相同道路的工况进行优化预测。具体地：
首先HMM进行参数学习，该参数学习为基于赤池信息量准则和期望最大化算法分别对各类历史工况Vi(i＝1,2,…,6)进行参数λi＝(πi,Ai,Bi)的学习，式中，πi,Ai,Bi分别表示第i类历史工况的初始概率分布、状态转移矩阵和发射概率矩阵。
然后在上述参数学习的基础上，基于维特比算法确定各类历史工况的隐状态序列。
最后HMM结合未来出行道路信息进行工况类型匹配得到优化车速曲线。
需要说明的是，本实施例中的发射概率采用的是高斯分布。
图6是本发明实施例中基于HMM的滚动匹配优化预测的优化车速曲线图。
如图6所示，优化车速曲线图与图5类似，该优化车速曲线图的横轴为时间，纵轴为车速，该车速曲线图由真实工况与优化预测工况两条不同的曲线构成。
步骤S6，将优化车速曲线输入至预定能耗计算模型进行计算，获得电动汽车的在所有出行预测道路上的未来能耗预测结果。
本实施例中，预定能耗模型为：
Figure BDA0003141943400000081
Figure BDA0003141943400000082
式中，eupd(i)为未来各道路类型的能耗预测值，ehis_i表示第i种历史工况的平均能耗值，epre(i)为基于工况预测计算所得的第i种道路类型对应的能耗预测值，pupd(i)为更新时刻未来各道路类型的占比，ω为权重系数，本实施例中，该权重系数ω取值为0.8。
图7是本发明实施例中基于地图API信息和HMM的未来能耗预测方法与基于历史工况(传统法)的能耗预测结果对比图。
如图7所示，本实施例中的基于未来工况预测方法(即基于地图API信息和HMM的未来能耗预测方法)的能耗预测值与传统法的预测值相比，在时间接近3000s时，相比于传统法，本实施例的能耗预测值明显更贴近于真实能耗值，且预测精度也从该时刻起明显优于传统法。
实施例作用与效果
根据本实施例提供的一种基于地图API信息和HMM的未来能耗预测方法，该方法首先对历史工况进行了分类并提取了标准差，根据未来出行起终点，通过地图“驾车路线规划”API获取地图API信息即未来出行道路信息，实现了对未来出行道路的工况的首次预测，解决了传统能耗预测方法带来的失真性问题。本实施例在首次工况预测的基础上，基于HMM的滚动匹配优化方法进而实现在未来出行道路的后续相同道路下的优化预测工况，解决了能耗预测的滞后性问题，再采用能耗计算模型对该优化预测工况进行计算得到未来出行的能耗预测。本实施例在对未来工况预测并且优化的基础上，利用能耗计算模型实现未来能耗的计算有效提高了电动汽车在未来出行道路上的未来能耗预测精度，从而提高了电动汽车续驶里程的估计精度，为用户出行提供了更准确的指导，具有较高的实际应用价值。
上述实施例仅用于举例说明本发明的具体实施方式，而本发明不限于上述实施例的描述范围。

Claims (4)

1.一种基于地图API信息和HMM的未来能耗预测方法，用于对电动汽车在续驶里程时进行未来能耗预测，其特征在于，包括以下步骤：
步骤S1，将历史工况按所在道路类型进行分类形成多类工况类型，并根据所述历史工况提取各类所述工况类型的标准差；
步骤S2，根据所述电动汽车的未来出行起终点，通过地图API来获取该地图API基于所述未来出行起终点进行道路规划生成的未来出行道路信息，所述未来出行道路信息至少包括出行预测道路的所述道路类型以及平均车速；
步骤S3，基于所述道路类型匹配与之对应的所述工况类型并得到相对应的标准差；
步骤S4，根据该标准差以及所述平均车速对所述电动汽车未来出行工况进行首次预测得到该电动汽车在各个所述道路类型上的预测车速曲线；
步骤S5，基于所述预测车速曲线，采用HMM的滚动匹配优化方法对所述电动汽车在相同所述道路类型的所述出行预测道路上的工况进行优化预测得到优化车速曲线；
步骤S6，将所述优化车速曲线输入至预定能耗计算模型进行计算，获得所述电动汽车的在所有所述出行预测道路上的未来能耗预测结果，
其中，所述HMM的滚动匹配优化方法为基于HMM不断收集本次出行工况并对所述出行工况进行分类，在每经历一次滚动匹配时间间隔后，所述HMM对每一类所述出行工况进行参数学习，并用于后续相同道路类型的工况预测，从而针对所述出行预测道路的后续相同道路的工况进行所述优化预测，
所述参数学习为基于赤池信息量准则和期望最大化算法分别对各类所述历史工况Vi(i＝0,1,2,…,6)进行参数λi＝(πi,Ai,Bi)的学习，
式中，πi,Ai,Bi分别表示第i类历史工况的初始概率分布、状态转移矩阵和发射概率矩阵，
所述优化预测为：在所述参数学习的基础上，基于维特比算法确定各类所述历史工况的隐状态序列，最后结合所述未来出行道路信息进行所述工况类型匹配得到所述优化车速曲线。
2.根据权利要求1所述的基于地图API信息和HMM的未来能耗预测方法，其特征在于：
其中，所述历史工况包括经纬度信息，
所述历史工况的分类为：
根据所述经纬度信息，采用逆地址解析精准还原每个所述历史工况所在的地理位置，然后根据所述历史工况所在的道路类型给所述历史工况贴标签进行分类。
3.根据权利要求1所述的基于地图API信息和HMM的未来能耗预测方法，其特征在于：
其中，所述首次预测为：
利用高斯分布与高斯滤波分别预测各段道路的工况：
Vi～N(μi,σi 2)
式中，Vi表示第i种道路类型对应的车速集合，该集合基数由各段道路的预计通过时间确定，μi表示各分段道路的预计平均车速，i表示第i种道路类型，而σi表示第i类历史工况的标准差，
所述车速曲线根据所述车速集合得到。
4.根据权利要求1所述的基于地图API信息和HMM的未来能耗预测方法，其特征在于：
其中，所述预定能耗模型为：
eupd(i)＝(1-ω)ehis_i+ωepre(i)
Figure FDA0003690083560000031
式中，eupd(i)为未来各道路类型的能耗预测值，ehis_i表示第i种历史工况的平均能耗值，epre(i)为基于工况预测计算所得的第i种道路类型对应的能耗预测值，pupd(i)为更新时刻未来各道路类型的占比，ω为权重系数，该权重系数ω取值为0.8，epre_upd为更新时刻的能耗预测值。
CN202110736835.3A 2021-06-30 2021-06-30 基于地图api信息和hmm的未来能耗预测方法 Active CN113361206B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110736835.3A CN113361206B (zh) 2021-06-30 2021-06-30 基于地图api信息和hmm的未来能耗预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110736835.3A CN113361206B (zh) 2021-06-30 2021-06-30 基于地图api信息和hmm的未来能耗预测方法

Publications (2)

Publication Number Publication Date
CN113361206A CN113361206A (zh) 2021-09-07
CN113361206B true CN113361206B (zh) 2022-07-29

Family

ID=77537606

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110736835.3A Active CN113361206B (zh) 2021-06-30 2021-06-30 基于地图api信息和hmm的未来能耗预测方法

Country Status (1)

Country Link
CN (1) CN113361206B (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108806021A (zh) * 2018-06-12 2018-11-13 重庆大学 基于物理模型和道路特征参数的电动汽车目标路段能耗预测方法
CN110126841A (zh) * 2019-05-09 2019-08-16 吉林大学 基于道路信息和驾驶风格的纯电动汽车能耗模型预测方法
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
FR3086053A1 (fr) * 2018-09-18 2020-03-20 Continental Automotive France Dispositif de prediction de trajet le plus probable d'un vehicule
CN112549970A (zh) * 2020-12-09 2021-03-26 广州橙行智动汽车科技有限公司 车辆续航里程预测方法、装置、车辆及存储介质

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20180045525A1 (en) * 2016-08-10 2018-02-15 Milemind LLC Systems and Methods for Predicting Vehicle Fuel Consumption
KR102133342B1 (ko) * 2019-11-26 2020-07-13 한양대학교 산학협력단 차량의 주변 지도 이미지를 활용하는 딥러닝 기반 차량 경로 예측 방법 및 장치
CN111753377B (zh) * 2020-07-06 2022-09-30 吉林大学 基于道路信息的纯电动汽车能耗最优路径规划方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108806021A (zh) * 2018-06-12 2018-11-13 重庆大学 基于物理模型和道路特征参数的电动汽车目标路段能耗预测方法
FR3086053A1 (fr) * 2018-09-18 2020-03-20 Continental Automotive France Dispositif de prediction de trajet le plus probable d'un vehicule
CN110126841A (zh) * 2019-05-09 2019-08-16 吉林大学 基于道路信息和驾驶风格的纯电动汽车能耗模型预测方法
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
CN112549970A (zh) * 2020-12-09 2021-03-26 广州橙行智动汽车科技有限公司 车辆续航里程预测方法、装置、车辆及存储介质

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
基于HMM的电动出租汽车行驶状态预测改进模型研究;唐飞 等;《计算机应用与软件》;20210531;第38卷(第5期);全文 *
基于危险场景聚类分析的前车随机运动状态预测研究;郭景华等;《汽车工程》;20200725(第07期);全文 *
基于实时出行需求和交通路况的电动汽车充电负荷预测;吴钉捷等;《电力建设》;20200801(第08期);全文 *
基于深度学习的混合动力汽车预测能量管理;韩少剑等;《中国公路学报》;20200831(第08期);全文 *
路网匹配算法综述;高文超等;《软件学报》;20171017(第02期);全文 *

Also Published As

Publication number Publication date
CN113361206A (zh) 2021-09-07

Similar Documents

Publication Publication Date Title
CN111666715B (zh) 一种电动汽车能耗预测方法及系统
CN108806021B (zh) 基于物理模型和道路特征参数的电动汽车目标路段能耗预测方法
CN107767659B (zh) 基于arima模型的共享单车吸引量和发生量预测方法
CN108550261B (zh) 基于rfid电子车牌的城市交通od计算方法
CN103914985B (zh) 一种混合动力客车未来车速轨迹预测方法
CN110174117A (zh) 一种电动汽车充电路线规划方法
CN109017809A (zh) 一种基于越野工况预测的能量分配方法
CN105091889A (zh) 一种热点路径的确定方法及设备
CN111670340A (zh) 一种车辆剩余行驶里程的获取方法、电子设备及车辆
CN111080018A (zh) 一种基于道路交通环境的智能网联汽车车速预测方法
CN113642768A (zh) 一种基于工况重构的车辆行驶能耗预测方法
Hua et al. Fine-grained rnn with transfer learning for energy consumption estimation on evs
CN112818036A (zh) 基于云端大数据的电动车剩余里程预估方法和装置
CN111523714A (zh) 一种电力充电站选址布局方法及装置
CN107655490B (zh) 基于移动用户轨迹分段和最热搜索的热点路径发现方法
Grubwinkler et al. A modular and dynamic approach to predict the energy consumption of electric vehicles
CN112116125A (zh) 一种基于深度强化学习的电动汽车充电导航方法
Ayevide et al. Estimation of a battery electric vehicle output power and remaining driving range under subfreezing conditions
Sun et al. A vehicle-cloud collaboration strategy for remaining driving range estimation based on online traffic route information and future operation condition prediction
CN112950926A (zh) 一种基于大数据和深度学习的城市主干道路速度预测方法
CN113361206B (zh) 基于地图api信息和hmm的未来能耗预测方法
Xu et al. Research on estimation method of mileage power consumption for electric vehicles
CN117400785A (zh) 纯电续航里程的预测方法、装置、电子设备及车辆
CN115099308A (zh) 一种基于分段轨迹聚类的车辆下一个位置预测方法
Yugank et al. Driving data classification and analysis using statistical approach & neural network

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