CN114013284A - 一种车辆续航里程的计算方法和系统 - Google Patents
一种车辆续航里程的计算方法和系统 Download PDFInfo
- Publication number
- CN114013284A CN114013284A CN202111292062.0A CN202111292062A CN114013284A CN 114013284 A CN114013284 A CN 114013284A CN 202111292062 A CN202111292062 A CN 202111292062A CN 114013284 A CN114013284 A CN 114013284A
- Authority
- CN
- China
- Prior art keywords
- data
- vehicle
- driving
- habit
- road
- 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
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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Mechanical Engineering (AREA)
- Power Engineering (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Sustainable Energy (AREA)
- Transportation (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Sustainable Development (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明提供一种车辆续航里程的计算方法和系统,所述方法包括以下步骤:获取车辆行驶区域的天气数据、车辆行驶道路交通数据、车辆驾驶者的驾驶习惯数据和车辆零部件的运行状态数据作为非线性模型的第一输入数据;获取车速数据、车重数据和车辆制动数据作为线性模型的第二输入数据;将所述非线性模型的输出结果和所述线性模型的输出结果进行加权求和,得到所述车辆的续航里程数据。
Description
技术领域
本发明主要涉及互联网汽车领域,尤其涉及一种车辆续航里程的计算方法和系统。
背景技术
现阶段,新能源车用户在驾驶时存在里程焦虑。仪表盘显示的续航里程与实际行驶情况往往差距较大,导致车主经常无法正常规划行程,更有甚者会出现无电可用需要出动道路救援的情况。
目前新能源汽车的续航里程计算往往依赖于车内ECU的计算公式,而计算公式的入参数据(记作参数的数据)来自实验室模拟数据。实际情形表明,这种计算能耗的方式往往不理想。
发明内容
本发明要解决的技术问题是提供一种车辆续航里程的计算方法和系统,提高车辆续航里程计算的准确性。
为解决上述技术问题,本发明提供了一种车辆续航里程的计算方法,包括以下步骤:
获取车辆行驶区域的天气数据、车辆行驶道路交通数据、车辆驾驶者的驾驶习惯数据和车辆零部件的运行状态数据作为非线性模型的第一输入数据;
获取车速数据、车重数据和车辆制动数据作为线性模型的第二输入数据;
将所述非线性模型的输出结果和所述线性模型的输出结果进行加权求和,得到所述车辆的续航里程数据。
在本发明的一实施例中,所述车辆行驶区域的天气数据包括温度、风力、雨雪等级和霜冻等级数据。
在本发明的一实施例中,所述车辆行驶道路交通数据包括道路等级、行驶轨迹标示方式、道路坡度、路面曲率和通行状态数据。
在本发明的一实施例中,所述驾驶者的驾驶习惯数据包括市区道路行车速度数据、高速公路行车速度数据、实际车速与道路限速的差值数据、加速习惯数据、减速习惯数据、转弯加减速习惯数据、拥堵路段加减速习惯数据、空调使用习惯数据和/或座椅加热使用习惯数据。
在本发明的一实施例中,所述车辆零部件的运行状态数据包括零部件性能和寿命数据、零部件已使用时长数据和零部件故障记录数据。
在本发明的一实施例中,对所述第一输入数据进行数据转换、数据标注和数据清洗操作。
在本发明的一实施例中,所述非线性模型包括神经网络模型,基于所述第一输入数据对所述神经网络模型进行训练和迭代操作,确定和更新所述神经网络模型的参数。
在本发明的一实施例中,所述加速习惯数据、减速习惯数据、转弯加减速习惯数据、拥堵路段加减速习惯数据、空调使用习惯数据和/或座椅加热使用习惯数据通过实际操作和使用数据与预设阈值的比较后计算得到。
本发明还提供一种车辆续航里程的计算系统,包括:
数据获取模块,被配置为:
从服务器端获取车辆行驶区域的天气数据、车辆行驶道路交通数据、车辆驾驶者的驾驶习惯数据和车辆零部件的运行状态数据作为非线性模型的第一输入数据;
从车机系统端获取车速数据、车重数据和车辆制动数据作为线性模型的第二输入数据;
数据计算模块,用于将所述非线性模型的输出结果和所述线性模型的输出结果进行加权求和,得到所述车辆的续航里程数据。
数据输出模块,用于将所述车辆的续航里程数据输出至车机系统的交互界面。
与现有技术相比,本发明具有以下优点:通过在基础计算公式的基础上增加道路、天气状况与用车行为对能耗的影响因素,得到基于车辆工况的精准能耗数据,从而提高车辆续航里程计算的准确性,提高行车安全,改善用户用车体验。
附图说明
附图是为提供对本申请进一步的理解,它们被收录并构成本申请的一部分,附图示出了本申请的实施例,并与本说明书一起起到解释本申请原理的作用。附图中:
图1是本申请一实施例的车辆续航里程的计算方法流程图。
图2是本申请一实施例的车辆续航里程的计算系统运行示意图。
图3是本申请一实施例的非线性模型的示意图。
图4是本申请一实施例的输出结果计算示意图。
具体实施方式
为了更清楚地说明本申请的实施例的技术方案,下面将对实施例描述中所需要使用的附图作简单的介绍。显而易见地,下面描述中的附图仅仅是本申请的一些示例或实施例,对于本领域的普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图将本申请应用于其他类似情景。除非从语言环境中显而易见或另做说明,图中相同标号代表相同结构或操作。
如本申请和权利要求书中所示,除非上下文明确提示例外情形,“一”、“一个”、“一种”和/或“该”等词并非特指单数,也可包括复数。一般说来,术语“包括”与“包含”仅提示包括已明确标识的步骤和元素,而这些步骤和元素不构成一个排它性的罗列,方法或者设备也可能包含其他的步骤或元素。
除非另外具体说明,否则在这些实施例中阐述的部件和步骤的相对布置、数字表达式和数值不限制本申请的范围。同时,应当明白,为了便于描述,附图中所示出的各个部分的尺寸并不是按照实际的比例关系绘制的。对于相关领域普通技术人员已知的技术、方法和设备可能不作详细讨论,但在适当情况下,所述技术、方法和设备应当被视为授权说明书的一部分。在这里示出和讨论的所有示例中,任何具体值应被解释为仅仅是示例性的,而不是作为限制。因此,示例性实施例的其它示例可以具有不同的值。应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步讨论。
在本申请的描述中,需要理解的是,方位词如“前、后、上、下、左、右”、“横向、竖向、垂直、水平”和“顶、底”等所指示的方位或位置关系通常是基于附图所示的方位或位置关系,仅是为了便于描述本申请和简化描述,在未作相反说明的情况下,这些方位词并不指示和暗示所指的装置或元件必须具有特定的方位或者以特定的方位构造和操作,因此不能理解为对本申请保护范围的限制;方位词“内、外”是指相对于各部件本身的轮廓的内外。
此外,需要说明的是,使用“第一”、“第二”等词语来限定零部件,仅仅是为了便于对相应零部件进行区别,如没有另行声明,上述词语并没有特殊含义,因此不能理解为对本申请保护范围的限制。此外,尽管本申请中所使用的术语是从公知公用的术语中选择的,但是本申请说明书中所提及的一些术语可能是申请人按他或她的判断来选择的,其详细含义在本文的描述的相关部分中说明。此外,要求不仅仅通过所使用的实际术语,而是还要通过每个术语所蕴含的意义来理解本申请。
应当理解,当一个部件被称为“在另一个部件上”、“连接到另一个部件”、“耦合于另一个部件”或“接触另一个部件”时,它可以直接在该另一个部件之上、连接于或耦合于、或接触该另一个部件,或者可以存在插入部件。相比之下,当一个部件被称为“直接在另一个部件上”、“直接连接于”、“直接耦合于”或“直接接触”另一个部件时,不存在插入部件。同样的,当第一个部件被称为“电接触”或“电耦合于”第二个部件,在该第一部件和该第二部件之间存在允许电流流动的电路径。该电路径可以包括电容器、耦合的电感器和/或允许电流流动的其它部件,甚至在导电部件之间没有直接接触。
本申请中使用了流程图用来说明根据本申请的实施例的系统所执行的操作。应当理解的是,前面或下面操作不一定按照顺序来精确地执行。相反,可以按照倒序或同时处理各种步骤。同时,或将其他操作添加到这些过程中,或从这些过程移除某一步或数步操作。
本申请的实施例描述一种车辆续航里程的计算方法和系统。
图1是本申请一实施例的车辆续航里程的计算方法流程图。
图2是本申请一实施例的车辆续航里程的计算系统运行示意图。
如图1所示,本申请的车辆续航里程的计算方法包括,步骤101,获取车辆行驶区域的天气数据、车辆行驶道路交通数据、车辆驾驶者的驾驶习惯数据和车辆零部件的运行状态数据作为非线性模型的第一输入数据;步骤102,获取车速数据、车重数据和车辆制动数据作为线性模型的第二输入数据;步骤103,将所述非线性模型的输出结果和所述线性模型的输出结果进行加权求和,得到所述车辆的续航里程数据。
具体地,在步骤101,获取车辆行驶区域的天气数据、车辆行驶道路交通数据、车辆驾驶者的驾驶习惯数据和车辆零部件的运行状态数据作为非线性模型的第一输入数据。
在一些实施例中,所述车辆行驶区域的天气数据包括温度、风力、雨雪等级和霜冻等级数据。车辆行驶区域的天气数据例如可从外部专业机构提供的气象服务平台获取。气象服务平台例如图2中的206所示。
在一些实施例中,所述车辆行驶道路交通数据包括道路等级、行驶轨迹标示方式、道路坡度、路面曲率和通行状态数据。行驶轨迹标示方式与不同道路节点对应的里程计算方式相关,例如立交桥、匝道、道路交叉口等道路节点对应的里程计算方式。
在一些实施例中,所述驾驶者的驾驶习惯数据包括市区道路行车速度数据、高速公路行车速度数据、实际车速与道路限速的差值数据、加速习惯数据、减速习惯数据、转弯加减速习惯数据、拥堵路段加减速习惯数据、空调使用习惯数据和/或座椅加热使用习惯数据。
在一实施例中,所述加速习惯数据、减速习惯数据、转弯加减速习惯数据、拥堵路段加减速习惯数据、空调使用习惯数据和/或座椅加热使用习惯数据通过实际操作和使用数据与预设阈值的比较后计算得到。
例如,加速习惯数据是将用户的加速频次和加速持续时间,与加速的频次和加速持续的时间的预设阈值进行比较,得到差值,再在与所述预设阈值对应的基准值的基础上,根据所述差值得到加速习惯数据。空调使用习惯数据是将用户的空调使用频次和使用持续时间与预设阈值进行比较,得到差值,再在与所述预设阈值对应的基准值的基础上,根据所述差值得到空调使用习惯数据。其他的用户使用习惯数据的计算与获取的方式与此类似。
在一些实施例中,所述车辆零部件的运行状态数据包括零部件性能和寿命数据、零部件已使用时长数据和零部件故障记录数据。所述车辆零部件包括电池包、电控组件、轮轴部件等。
在一些实施例中,本申请的技术方案还包括,对所述第一输入数据进行数据转换、数据标注和数据清洗操作。
数据转换例如为将驾驶者(即车辆用户)的驾驶习惯数据转换为便于处理的计数与呈现形式,例如量化(与量纲等相关)后形成矩阵或向量形式。在此基础上,进行数据标注和数据清洗,以便于后续输入非线性模型进行处理。
在一些实施例中,所述非线性模型例如包括神经网络模型,基于所述第一输入数据对所述神经网络模型进行训练和迭代操作,确定和更新所述神经网络模型的参数。
图3是本申请一实施例的非线性模型的示意图。
参考图3,非线性模型例如包括神经网络模型301。神经网络模型301包括SM(Supplementary Model,辅助模型)层311、MM(Master Model主模型)层312和聚合层313。
其中,SM层中还可包括第一SM层和第二SM层。MM层中还包括MM第一层、MM第二层和MM第三层。ReLu表示线性整流函数函数(Rectified Linear Unit)。神经网络模型301得到计算能耗结果321。
在一些实施例中,还可进一步基于目标能耗结果331为基础,通过损失函数继续进行训练和迭代操作340。
图3中,351表示驾驶行为习惯采集数据。352表示道路交通采集数据。353表示天气采集数据。361-364表示经过数据转换、标注和清洗后的数据,361表示车辆零部件运行状态向量数据,362表示驾驶行为向量数据,363表示道路交通向量数据,364表示天气向量数据。在此过程中,如果数据在量化过程中出现稀疏向量或稀疏矩阵,可采用嵌入(Embedding)技术将数据稠密化处理。
在步骤102,获取车速数据、车重数据和车辆制动数据作为线性模型的第二输入数据。线性模型例如通过数据回归、参量统计等方式进行形式化描述,计算得到线性模型的输出结果。
接下来,在步骤103,将所述非线性模型的输出结果和所述线性模型的输出结果进行加权求和,得到所述车辆的续航里程数据。
图4是本申请一实施例的输出结果计算示意图。
参考图4,将线性模型401的输出结果401a和非线性模型402的输出结果402a通过加权求和(f(x))计算408得到计算结果412,即车辆的续航里程数据。
图4中,421-424、431-434分别表示输入至线性模型和非线性模型的数据。例如,421表示车速数据,422表示车重数据,423、424表示车辆零部件参数。431-434分别表示天气数据、驾驶习惯数据、零部件运行状态数据和道路交通数据。
本申请还提供一种车辆续航里程的计算系统。
如前述,图2是本申请一实施例的车辆续航里程的计算系统运行示意图。
参考图2,本申请的车辆续航里程的计算系统212包括,数据获取模块214、数据计算模块216和数据输出模块218。
在一些实施例中,数据获取模块,被配置为:从服务器端获取车辆行驶区域的天气数据、车辆行驶道路交通数据、车辆驾驶者的驾驶习惯数据和车辆零部件的运行状态数据作为非线性模型的第一输入数据;从车机系统端获取车速数据、车重数据和车辆制动数据作为线性模型的第二输入数据。图2中,204表示车机系统端。202表示服务器端。
数据计算模块用于将所述非线性模型的输出结果,和所述线性模型的输出结果进行加权求和,得到所述车辆的续航里程数据。
数据输出模块,用于将所述车辆的续航里程数据输出至车机系统的交互界面。
在一些实施例中,车辆续航里程的计算系统也可归属于车机系统的整体的一部分。
参考图2,服务器端202例如包括数据收集模块、数据服务接口和模型算法及参数下发模块等。车机系统端204例如包括信息通信模块、信息回传模块和模型算法加载模块等。
本申请的车辆续航里程的计算方法和系统,在线性模型对应的基础计算公式的基础上,增加道路、天气状况和用车行为等对车辆能耗的影响因素,得到基于车辆工况的精准能耗数据,从而减少车主驾驶焦虑,提高行车安全,改善用户用车体验。
本申请的技术方案中,通过数据更新持续迭代计算模型,使得电池衰减等影响因素也被考虑在模型内,保证计算模型能够在车辆的整个生命周期都能计算精准。
上文已对基本概念做了描述,显然,对于本领域技术人员来说,上述发明披露仅仅作为示例,而并不构成对本申请的限定。虽然此处并没有明确说明,本领域技术人员可能会对本申请进行各种修改、改进和修正。该类修改、改进和修正在本申请中被建议,所以该类修改、改进、修正仍属于本申请示范实施例的精神和范围。
同时,本申请使用了特定词语来描述本申请的实施例。如“一个实施例”、“一实施例”、和/或“一些实施例”意指与本申请至少一个实施例相关的某一特征、结构或特点。因此,应强调并注意的是,本说明书中在不同位置两次或多次提及的“一实施例”或“一个实施例”或“一替代性实施例”并不一定是指同一实施例。此外,本申请的一个或多个实施例中的某些特征、结构或特点可以进行适当的组合。
本申请的一些方面可以完全由硬件执行、可以完全由软件(包括固件、常驻软件、微码等)执行、也可以由硬件和软件组合执行。以上硬件或软件均可被称为“数据块”、“模块”、“引擎”、“单元”、“组件”或“系统”。处理器可以是一个或多个专用集成电路(ASIC)、数字信号处理器(DSP)、数字信号处理器件(DAPD)、可编程逻辑器件(PLD)、现场可编程门阵列(FPGA)、处理器、控制器、微控制器、微处理器或者其组合。此外,本申请的各方面可能表现为位于一个或多个计算机可读介质中的计算机产品,该产品包括计算机可读程序编码。例如,计算机可读介质可包括,但不限于,磁性存储设备(例如,硬盘、软盘、磁带……)、光盘(例如,压缩盘CD、数字多功能盘DVD……)、智能卡以及闪存设备(例如,卡、棒、键驱动器……)。
计算机可读介质可能包含一个内含有计算机程序编码的传播数据信号,例如在基带上或作为载波的一部分。该传播信号可能有多种表现形式,包括电磁形式、光形式等等、或合适的组合形式。计算机可读介质可以是除计算机可读存储介质之外的任何计算机可读介质,该介质可以通过连接至一个指令执行系统、装置或设备以实现通讯、传播或传输供使用的程序。位于计算机可读介质上的程序编码可以通过任何合适的介质进行传播,包括无线电、电缆、光纤电缆、射频信号、或类似介质、或任何上述介质的组合。
同理,应当注意的是,为了简化本申请披露的表述,从而帮助对一个或多个发明实施例的理解,前文对本申请实施例的描述中,有时会将多种特征归并至一个实施例、附图或对其的描述中。但是,这种披露方法并不意味着本申请对象所需要的特征比权利要求中提及的特征多。实际上,实施例的特征要少于上述披露的单个实施例的全部特征。
虽然本申请已参照当前的具体实施例来描述,但是本技术领域中的普通技术人员应当认识到,以上的实施例仅是用来说明本申请,在没有脱离本申请精神的情况下还可作出各种等效的变化或替换,因此,只要在本申请的实质精神范围内对上述实施例的变化、变型都将落在本申请的权利要求书的范围内。
Claims (10)
1.一种车辆续航里程的计算方法,包括以下步骤:
获取车辆行驶区域的天气数据、车辆行驶道路交通数据、车辆驾驶者的驾驶习惯数据和车辆零部件的运行状态数据作为非线性模型的第一输入数据;
获取车速数据、车重数据和车辆制动数据作为线性模型的第二输入数据;
将所述非线性模型的输出结果和所述线性模型的输出结果进行加权求和,得到所述车辆的续航里程数据。
2.根据权利要求1所述的车辆续航里程的计算方法,其特征在于,所述车辆行驶区域的天气数据包括温度、风力、雨雪等级和霜冻等级数据。
3.根据权利要求1所述的车辆续航里程的计算方法,其特征在于,所述车辆行驶道路交通数据包括道路等级、行驶轨迹标示方式、道路坡度、路面曲率和通行状态数据。
4.根据权利要求1所述的车辆续航里程的计算方法,其特征在于,所述驾驶者的驾驶习惯数据包括市区道路行车速度数据、高速公路行车速度数据、实际车速与道路限速的差值数据、加速习惯数据、减速习惯数据、转弯加减速习惯数据、拥堵路段加减速习惯数据、空调使用习惯数据和/或座椅加热使用习惯数据。
5.根据权利要求1所述的车辆续航里程的计算方法,其特征在于,所述车辆零部件的运行状态数据包括零部件性能和寿命数据、零部件已使用时长数据和零部件故障记录数据。
6.根据权利要求1所述的车辆续航里程的计算方法,其特征在于,还包括,对所述第一输入数据进行数据转换、数据标注和数据清洗操作。
7.根据权利要求1所述的车辆续航里程的计算方法,其特征在于,所述非线性模型包括神经网络模型,基于所述第一输入数据对所述神经网络模型进行训练和迭代操作,确定和更新所述神经网络模型的参数。
8.根据权利要求4所述的车辆续航里程的计算方法,其特征在于,所述加速习惯数据、减速习惯数据、转弯加减速习惯数据、拥堵路段加减速习惯数据、空调使用习惯数据和/或座椅加热使用习惯数据通过实际操作和使用数据与预设阈值的比较后计算得到。
9.一种车辆续航里程的计算系统,包括:
数据获取模块,被配置为:
从服务器端获取车辆行驶区域的天气数据、车辆行驶道路交通数据、车辆驾驶者的驾驶习惯数据和车辆零部件的运行状态数据作为非线性模型的第一输入数据;
从车机系统端获取车速数据、车重数据和车辆制动数据作为线性模型的第二输入数据;
数据计算模块,用于将所述非线性模型的输出结果和所述线性模型的输出结果进行加权求和,得到所述车辆的续航里程数据;
数据输出模块,用于将所述车辆的续航里程数据输出至车机系统的交互界面。
10.根据权利要求9所述的车辆续航里程的计算系统,其特征在于,所述非线性模型包括神经网络模型,基于所述第一输入数据对所述神经网络模型进行训练和迭代操作,确定和更新所述神经网络模型的参数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111292062.0A CN114013284B (zh) | 2021-11-02 | 2021-11-02 | 一种车辆续航里程的计算方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111292062.0A CN114013284B (zh) | 2021-11-02 | 2021-11-02 | 一种车辆续航里程的计算方法和系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114013284A true CN114013284A (zh) | 2022-02-08 |
CN114013284B CN114013284B (zh) | 2023-09-22 |
Family
ID=80059927
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111292062.0A Active CN114013284B (zh) | 2021-11-02 | 2021-11-02 | 一种车辆续航里程的计算方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114013284B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20230228226A1 (en) * | 2020-09-11 | 2023-07-20 | Robert Bosch Gmbh | Method and apparatus for operating a fuel injection valve with the aid of machine learning methods |
WO2024082227A1 (zh) * | 2022-10-20 | 2024-04-25 | 宁德时代新能源科技股份有限公司 | 车辆续航里程的预测方法、装置、设备及计算机存储介质 |
Citations (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE10302504A1 (de) * | 2003-01-23 | 2004-09-02 | Zf Friedrichshafen Ag | Verfahren zum Ermitteln der Reichweite eines Elektrofahrzeuges |
US20070112475A1 (en) * | 2005-11-17 | 2007-05-17 | Motility Systems, Inc. | Power management systems and devices |
US20150127199A1 (en) * | 2013-11-01 | 2015-05-07 | Ford Global Technologies, Llc | Spatial domain optimal electric and hybrid electric vehicle control with path forecasting |
US20180118033A1 (en) * | 2016-10-27 | 2018-05-03 | Hefei University Of Technology | Method and device for on-line prediction of remaining driving mileage of electric vehicle |
CN108875270A (zh) * | 2018-07-09 | 2018-11-23 | 上汽大众汽车有限公司 | 新能源汽车基础参数的计算方法 |
US20190100110A1 (en) * | 2017-09-29 | 2019-04-04 | Nio Usa, Inc. | Real-Time Nonlinear Receding Horizon Control of Batteries for Power Systems |
CN109747427A (zh) * | 2019-02-01 | 2019-05-14 | 广州小鹏汽车科技有限公司 | 估计电动车辆到达目的地时的剩余续驶能力的方法及设备 |
CN109784560A (zh) * | 2019-01-15 | 2019-05-21 | 深圳四海万联科技有限公司 | 一种电动汽车续航里程估算方法及估算系统 |
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 |
CN110435429A (zh) * | 2019-08-14 | 2019-11-12 | 福州大学 | 一种融合能耗预测的双电机电动汽车续航里程估计方法 |
CN111038334A (zh) * | 2019-12-31 | 2020-04-21 | 华人运通(江苏)技术有限公司 | 一种电动汽车续驶里程预测方法及装置 |
CN111452619A (zh) * | 2020-01-22 | 2020-07-28 | 北京理工大学 | 电动车辆在线能耗预测方法及系统 |
WO2020211456A1 (zh) * | 2019-04-16 | 2020-10-22 | 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 |
CN112124146A (zh) * | 2020-09-10 | 2020-12-25 | 华人运通(江苏)技术有限公司 | 车辆续驶里程的预测方法、装置、系统及存储介质 |
CN112208338A (zh) * | 2020-09-29 | 2021-01-12 | 广州小鹏自动驾驶科技有限公司 | 一种目的地剩余续航里程计算方法和装置 |
CN112389213A (zh) * | 2020-11-25 | 2021-02-23 | 中国第一汽车股份有限公司 | 一种续驶里程预测方法、装置、设备及存储介质 |
-
2021
- 2021-11-02 CN CN202111292062.0A patent/CN114013284B/zh active Active
Patent Citations (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE10302504A1 (de) * | 2003-01-23 | 2004-09-02 | Zf Friedrichshafen Ag | Verfahren zum Ermitteln der Reichweite eines Elektrofahrzeuges |
US20070112475A1 (en) * | 2005-11-17 | 2007-05-17 | Motility Systems, Inc. | Power management systems and devices |
US20150127199A1 (en) * | 2013-11-01 | 2015-05-07 | Ford Global Technologies, Llc | Spatial domain optimal electric and hybrid electric vehicle control with path forecasting |
US20180118033A1 (en) * | 2016-10-27 | 2018-05-03 | Hefei University Of Technology | Method and device for on-line prediction of remaining driving mileage of electric vehicle |
US20190100110A1 (en) * | 2017-09-29 | 2019-04-04 | Nio Usa, Inc. | Real-Time Nonlinear Receding Horizon Control of Batteries for Power Systems |
CN108875270A (zh) * | 2018-07-09 | 2018-11-23 | 上汽大众汽车有限公司 | 新能源汽车基础参数的计算方法 |
CN109784560A (zh) * | 2019-01-15 | 2019-05-21 | 深圳四海万联科技有限公司 | 一种电动汽车续航里程估算方法及估算系统 |
CN109747427A (zh) * | 2019-02-01 | 2019-05-14 | 广州小鹏汽车科技有限公司 | 估计电动车辆到达目的地时的剩余续驶能力的方法及设备 |
WO2020211456A1 (zh) * | 2019-04-16 | 2020-10-22 | 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 |
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 |
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 |
CN110435429A (zh) * | 2019-08-14 | 2019-11-12 | 福州大学 | 一种融合能耗预测的双电机电动汽车续航里程估计方法 |
CN111038334A (zh) * | 2019-12-31 | 2020-04-21 | 华人运通(江苏)技术有限公司 | 一种电动汽车续驶里程预测方法及装置 |
CN111452619A (zh) * | 2020-01-22 | 2020-07-28 | 北京理工大学 | 电动车辆在线能耗预测方法及系统 |
CN112124146A (zh) * | 2020-09-10 | 2020-12-25 | 华人运通(江苏)技术有限公司 | 车辆续驶里程的预测方法、装置、系统及存储介质 |
CN112208338A (zh) * | 2020-09-29 | 2021-01-12 | 广州小鹏自动驾驶科技有限公司 | 一种目的地剩余续航里程计算方法和装置 |
CN112389213A (zh) * | 2020-11-25 | 2021-02-23 | 中国第一汽车股份有限公司 | 一种续驶里程预测方法、装置、设备及存储介质 |
Non-Patent Citations (3)
Title |
---|
杜常清: "电动汽车续驶里程动态估算及影响因素研究", no. 8, pages 10 - 14 * |
王维莉: "实时交通信息在车载导航中的应用及优化方法", pages 134 - 135 * |
陈清平;岳现杰;宁亮;: "附件能耗对电动汽车续驶里程和能量消耗率的影响研究", 内燃机与配件, no. 19 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20230228226A1 (en) * | 2020-09-11 | 2023-07-20 | Robert Bosch Gmbh | Method and apparatus for operating a fuel injection valve with the aid of machine learning methods |
US11846244B2 (en) * | 2020-09-11 | 2023-12-19 | Robert Bosch Gmbh | Method and apparatus for operating a fuel injection valve with the aid of machine learning methods |
WO2024082227A1 (zh) * | 2022-10-20 | 2024-04-25 | 宁德时代新能源科技股份有限公司 | 车辆续航里程的预测方法、装置、设备及计算机存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN114013284B (zh) | 2023-09-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110091751B (zh) | 基于深度学习的电动汽车续航里程预测方法、设备及介质 | |
CN107169567B (zh) | 一种用于车辆自动驾驶的决策网络模型的生成方法及装置 | |
CN114013284B (zh) | 一种车辆续航里程的计算方法和系统 | |
CN110288096B (zh) | 预测模型训练及预测方法、装置、电子设备、存储介质 | |
CN112465395A (zh) | 一种面向自动驾驶汽车的多维度综合评价方法及装置 | |
CN103745111B (zh) | 纯电动乘用车续驶里程预测方法 | |
Yi et al. | Effects of environmental factors on electric vehicle energy consumption: a sensitivity analysis | |
CN108556682A (zh) | 一种续驶里程预测方法、装置及设备 | |
CN106553550A (zh) | 电动汽车的剩余里程估算方法、系统及电动汽车 | |
CN111552926A (zh) | 基于车联网的驾驶行为评价方法、系统及存储介质 | |
CN108177528A (zh) | 纯电动汽车续驶里程估算方法、系统、设备及存储介质 | |
Singh et al. | Deep learning in the automotive industry: Recent advances and application examples | |
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 | |
CN110910531A (zh) | 一种基于车载obd信息的路面摩擦系数快速检测方法 | |
CN106323331A (zh) | 预测车辆行驶里程的方法及装置 | |
CN105719359B (zh) | 车辆信息的获取方法和装置 | |
CN116703612A (zh) | 一种汽车保险风险等级评估方法 | |
CN104616066B (zh) | 一种行车用量数据的采集方法及系统 | |
Han et al. | Evaluate good bus driving behavior with lstm | |
KR20160073899A (ko) | 전기 자동차의 배터리 충전 정보 추정 장치 및 방법 | |
CN115952899B (zh) | 基于实际工况提取的电动公交车能耗估计方法 | |
CN116340767B (zh) | 一种电动汽车行程能耗概率分布预测方法、系统及产品 | |
Huang et al. | A novel gru-akf fusion method for online range estimation of electric vehicle | |
CN115206095B (zh) | 一种卡口过车轨迹数据重构方法 | |
Garcıa et al. | Modeling the Driving Behavior of Electric Vehicles Using Smartphones and Neural Networks |
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 |