CN114248781B - 车辆工况的预测方法、装置及车辆 - Google Patents

车辆工况的预测方法、装置及车辆 Download PDF

Info

Publication number
CN114248781B
CN114248781B CN202010994319.6A CN202010994319A CN114248781B CN 114248781 B CN114248781 B CN 114248781B CN 202010994319 A CN202010994319 A CN 202010994319A CN 114248781 B CN114248781 B CN 114248781B
Authority
CN
China
Prior art keywords
vehicle
time period
working condition
current time
state
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
CN202010994319.6A
Other languages
English (en)
Other versions
CN114248781A (zh
Inventor
冯天宇
杜冠浩
邓林旺
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.)
BYD Co Ltd
Original Assignee
BYD Co Ltd
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 BYD Co Ltd filed Critical BYD Co Ltd
Priority to CN202010994319.6A priority Critical patent/CN114248781B/zh
Publication of CN114248781A publication Critical patent/CN114248781A/zh
Application granted granted Critical
Publication of CN114248781B publication Critical patent/CN114248781B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W40/00—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models
    • B60W40/10—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models related to vehicle motion
    • B60W40/105—Speed
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W50/00—Details of control systems for road vehicle drive control not related to the control of a particular sub-unit, e.g. process diagnostic or vehicle driver interfaces
    • B60W50/0097—Predicting future conditions
    • 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
    • G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
    • G—PHYSICS
    • G07—CHECKING-DEVICES
    • G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
    • G07C5/00—Registering or indicating the working of vehicles
    • G07C5/08—Registering or indicating performance data other than driving, working, idle, or waiting time, with or without registering driving, working, idle or waiting time
    • G07C5/0808—Diagnosing performance data

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Mechanical Engineering (AREA)
  • Computational Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Transportation (AREA)
  • Mathematical Analysis (AREA)
  • Data Mining & Analysis (AREA)
  • Automation & Control Theory (AREA)
  • Pure & Applied Mathematics (AREA)
  • Algebra (AREA)
  • Human Computer Interaction (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Traffic Control Systems (AREA)
  • Electric Propulsion And Braking For Vehicles (AREA)

Abstract

本公开的实施例公开了车辆工况的预测方法、装置及车辆，该方法包括：在车辆行驶过程中，获取车辆在当前时间段的特征参数，所述特征参数用于反映车辆的行驶状态；根据预先建立的典型工况数据库和所述特征参数识别车辆在当前时间段的工况状态；根据预定的更新策略、车辆在上一时间段和当前时间段的工况状态对预设的转移概率矩阵进行更新，获得更新后的转移概率矩阵，所述转移概率矩阵包括车辆从当前时间段到下一时间段的工况状态的转移概率；根据车辆在当前时间段的工况状态和所述更新后的转移概率矩阵预测车辆在下一时间段的工况状态。

Description

车辆工况的预测方法、装置及车辆
技术领域
本公开的实施例涉及车辆控制的技术领域，尤其涉及车辆工况的预测方法、装置及车辆。
背景技术
目前，随着能源危机、环境问题的日益严重，国家对电动汽车的推动力度越来越大。而续驶里程一直是影响电动汽车进一步推广的关键因素。续驶里程是指电动汽车从蓄电池充满电后在一定行驶工况下的连续行驶里程。车辆在不同行驶工况下耗电情况是不同的，因此，续驶里程计算的准确度受到车辆的行驶工况的预测的准确度的影响。
而现有的预测车辆的行驶工况的方式通常是根据车辆行驶工况的历史数据对未来行驶工况进行预测，预测的实时性较差，未来工况预测结果存在滞后性、准确率低，参考性差等问题。
因此，有必要提供一种车辆工况的预测方法，以提高车辆工况预测的准确性。
发明内容
本公开的实施例的目的在于提供一种车辆工况的预测的技术方案，以提高车辆工况预测的准确性。
根据本公开的第一方面，提供了一种车辆工况的预测方法，包括：
在车辆行驶过程中，获取车辆在当前时间段的特征参数，所述特征参数用于反映车辆的行驶状态；
根据预先建立的典型工况数据库和所述特征参数，识别车辆在当前时间段的工况状态；
根据预定的更新策略、车辆在上一时间段和当前时间段的工况状态对预设的转移概率矩阵进行更新，获得更新后的转移概率矩阵，所述转移概率矩阵包括车辆从当前时间段到下一时间段的工况状态的转移概率；
根据车辆在当前时间段的工况状态和所述更新后的转移概率矩阵预测车辆在下一时间段的工况状态。
根据本公开的第二方面，提供了一种车辆工况的预测装置，包括：
获取模块，用于在车辆行驶过程中，获取车辆在当前时间段的特征参数，所述特征参数用于反映车辆的行驶状态；
识别模块，用于根据预先建立的典型工况数据库和所述特征参数识别车辆在当前时间段的工况状态；
更新模块，用于根据预定的更新策略、车辆在上一时间段和当前时间段的工况状态对预设的转移概率矩阵进行更新，获得更新后的转移概率矩阵，所述转移概率矩阵是车辆从当前时间段到下一时间段的工况状态转移的概率；
预测模块，用于根据车辆在当前时间段的工况状态和所述更新后的转移概率矩阵预测车辆在下一时间段的工况状态。
根据本公开的第三方面，提供了一种车辆，包括存储器和处理器，所述存储器用于存储计算机程序，所述处理器用于在所述计算机程序的控制下，控制所述车辆执行本公开第一方面所述的方法。
根据本公开实施例，通过实时采集车辆在当前时间段的特征参数，根据特征参数识别出车辆在当前时间段的工况状态，并根据预定的更新策略和当前时间段的工况状态对预设的转移概率矩阵进行更新，得到用于预测车辆在下一时间段的工况状态的转移概率矩阵，达到了对车辆的工况状态进行预测的目的。
本公开实施例提供的车辆工况的预测方法具有自学习性，可以根据预定的更新策略和实时识别出的当前时间段的工况状态对预设的转移概率矩阵进行不断更新，从而保持预测的准确性。
本公开实施例提供的车辆工况的预测方法是根据实时采集本车辆的特征参数进行工况状态的识别和预测，不需要获取本车辆的周围车辆的行驶数据，在保证识别和预测的准确性的同时，更便捷。本公开实施例提供的车辆工况的预测方法还可以用于离线车辆。
通过以下参照附图对本说明书的示例性实施例的详细描述，本说明书的其它特征及其优点将会变得清楚。
附图说明
被结合在说明书中并构成说明书的一部分的附图示出了本公开的实施例，并且连同其说明一起用于解释本公开的实施例的原理。
图1为本公开实施例的车辆系统的硬件配置的框图；
图2为本公开实施例的车辆工况的预测方法的流程示意图一；
图3为本公开实施例的典型混合工况的示意图；
图4为本公开实施例的获取特征参数的示意图；
图5为本公开实施例的车辆工况的预测方法的流程示意图二；
图6为本公开实施例的车辆工况的预测装置的框图；
图7为本公开实施例的车辆的框图。
具体实施方式
现在将参照附图来详细描述本说明书的各种示例性实施例。
以下对至少一个示例性实施例的描述实际上仅仅是说明性的，决不作为对本说明书及其应用或使用的任何限制。
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。
<硬件配置>
图1是可用于实现本发明实施例的车辆系统100的硬件配置的框图。
参见图1所示，车辆系统100包括车辆1000、服务器2000和网络3000。应当意识到总体架构、设置和操作，以及如此处所示的系统的单独部件是本领域公知的。因此，以下段落仅提供对一个此类示范性环境的概述，其他系统中包含或采用本实施环境所示的控制系统架构或具有本文所述的相关功能时也可以作为本技术方案的实施环境。
车辆1000例如可以是各种类型的汽车、多功能交通工具(MPV：multi-PurposeVehicles)、运动型多用途交通工具(SUV：sport/suburban utility vehicle)、交叉多功能交通工具(CUV：Crossover Utility Vehicle)、休闲娱乐交通工具(RV：RecreationalVehicle)、自主交通工具(AV：Autonomous Vehicles)、卡车、用于运输人员或货物的其他移动机器等。在许多情况下，车辆1000的动力提供方式例如可以是由内燃发动机提供动力。车辆1000还可以是由内燃发动机和一个或多个电动马达这两者提供动力的混合动力电动交通工具(HEV：Hybrid Electric Vehicle)，例如串联式混合动力电动交通工具(SHEV：Series Hybrid Electric Vehicle)、并联式混合动力电动交通工具(PHEV：ParallelHybrid Electric Vehicle)、并联和串联混合动力电动交通工具(PSHEV：Power-SplitHybrid Electric Vehicle)等。车辆1000的类型和动力提供方式等可以是任何形式，前述举例不是限定。
车辆1000可以包括处理器1100、存储器1200、接口装置1300、通信装置1400、输出装置1500、输入装置1600、导航装置1700等等。处理器1100可以是微处理器MCU等。存储器1200例如包括ROM(只读存储器)、RAM(随机存取存储器)、诸如硬盘的非易失性存储器等。接口装置1300例如包括USB接口、耳机接口等。通信装置1400例如能够进行有线或无线通信，又例如能够进行短距离(例如蓝牙通信等)和远程通信。输出装置1500例如可以是输出信号的装置，可以是显示装置，例如液晶显示屏、触摸显示屏等，也可以是扬声器等输出语音信息。输入装置1600例如可以包括触摸屏、键盘等，也可以是麦克风输入语音信息。输入装置1600还可以包括一个或多个按钮或控制装部件，以用于使车辆乘员能够制动，或用来发起与服务器2000的语音通信的电子下压按钮等。导航装置1700例如具备全球导航卫星系统GNSS(Global Navigation Satellite System)、全球定位系统GPS(Global PositioningSystem)或者北斗卫星导航系统BDS(BeiDou Navigation Satellite System)等的接收机、导航HMI(Human Machine Interface)及路径决定部等。车辆电子系统可以通过导航装置确定车辆所处的地理位置，规划的行车路径，也可以将地理位置数据上传给服务器。
尽管在图1中示出了车辆1000的多个装置，但是，本技术方案可以仅使用到其中的部分装置，例如，车辆1000只涉及导航装置1700。
服务器2000提供处理、数据库、通讯设施等的业务点。服务器2000可以包括整体式服务器或是跨多计算机或计算机数据中心的分散式服务器。服务器可以是各种类型的，例如但不限于，网络服务器，新闻服务器，邮件服务器，消息服务器，广告服务器，文件服务器，应用服务器，交互服务器，数据库服务器，或代理服务器。在一些实施例中，每个服务器可以包括硬件，软件，或用于执行服务器所支持或实现的合适功能的内嵌逻辑组件或两个或多个此类组件的组合。例如，服务器例如刀片服务器、云端服务器等，或者可以是由多台服务器组成的服务器群组，可以包括上述类型的服务器中的一种或多种等等。
在一个实施例中，服务器2000可以如图1所示，包括处理器2100、存储器2200、接口装置2300、通信装置2400、显示装置2500、输入装置2600。在另外的实施例中，服务器2000还可以包括扬声器、麦克风等等，在此不做限定。
处理器2100可以是专用的服务器处理器，也可以是满足性能要求的台式机处理器、移动版处理器等，在此不做限定。存储器2200例如包括ROM(只读存储器)、RAM(随机存取存储器)、诸如硬盘的非易失性存储器等。接口装置2300例如包括各种总线接口，例如串行总线接口(包括USB接口)、并行总线接口等。通信装置2400例如能够进行有线或无线通信。显示装置2500例如是液晶显示屏、触摸显示屏等。输入装置2600例如可以包括触摸屏、键盘等。尽管在图1中示出了服务器2000的多个装置，但是，本发明可以仅涉及其中的部分装置，例如，服务器2000只涉及存储器2200和处理器2100。
网络3000不仅可以包括无线通信网络、有线通信网络，还泛指可以进行通信的所有通信方式，例如，光纤通信，普通微波通信，电力线载波通信，有线音频电缆通信，特高频无线电台通信，无线扩频通信、红外线、蓝牙、射频识别(RFID)、无钥匙进入和智能钥匙中的一个或多个等。在图1所示的车辆系统100中，车辆1000与服务器2000间的通信方式例如可以通过网络3000进行无线通信。
应当理解的是，尽管图1仅示出一个车辆1000、服务器2000、网络3000，但不意味着限制各自的数量，车辆系统100中可以包含多个车辆1000、多个服务器2000、多个网络3000。
在上述描述中，技术人员可以根据本公开所提供的方案设计指令。指令如何控制处理器进行操作，这是本领域公知，故在此不再详细描述。
图1所示的计算系统仅是解释性的，并且决不是为了要限制本发明、其应用或用途。
<方法实施例>
参见图2所示，说明本公开的实施例提供的车辆工况的预测方法。该车辆工况的预测方法，包括S202-S208。
S202、在车辆行驶过程中，获取车辆在当前时间段的特征参数，特征参数用于反映车辆的行驶状态。
在本实施例中，当前时间段可以是指从当前时刻到当前时刻之前的某一时刻之间的时间段，该当前时间段的时长可以根据工程经验或者试验仿真结果来设定。例如当前时间段的时长(△t)为300s～450s。车辆在当前时间段的特征参数可以反映车辆在当前时间段的行驶状态。根据车辆在当前时间段的特征参数可以实时识别车辆在当前时间段所处的工况。
车辆的特征参数可以反映车辆的行驶状态。该特征参数是与车辆的行驶速度、加速度、减速度相关的参数。车辆所处的工况不同，车辆行驶过程中的行驶速度、加速度、减速度存在差异。车辆的特征参数可以用于识别车辆所处的工况。
在一个实施例中，可以通过车载数据采集盒采集车辆在当前时间段的行驶数据，该行驶数据包括车辆的行驶速度、加速度、减速度等。从采集到的车辆在当前时间段的行驶数据中可以提取出车辆的特征参数。例如，车辆的处理器可以从采集到的当前时间段的行驶数据中提取出车辆的特征参数。还例如，车辆可以与服务器建立通信连接，将采集到的车辆在当前时间段的行驶数据发送到服务器，服务器根据车辆在当前时间段的行驶数据确定出车辆在当前时间段的特征参数。
在一个实施例中，该特征参数可以包括车辆的平均行驶速度、车辆的最大行驶速度、车辆的不同行驶速度的时间占比、车辆的平均减速度、车辆的最小减速度、车辆的不同减速度的时间占比、车辆的平均加速度、车辆的最大加速度、车辆的不同加速度的时间占比、车辆的怠速时间比、车辆的不同比功率的时间占比中的任意一个或者任意组合。
车辆的不同行驶速度的时间占比是指不同的行驶速度占总时间比。车辆的不同减速度的时间占比是指不同的减速度占总时间比。车辆的不同加速度的时间占比是指不同的加速度占总时间比。车辆的不同比功率的时间占比是指不同比功率占总时间比。该总时间可以是当前时间段的时长。车辆的比功率(Vehicle Specific Power，VSP)是指车辆发动机最大功率与车辆总质量的比值。车辆的比功率可以反映功率需求随车辆行驶状态的变化。
车辆的特征参数的数量可以是根据实际情况而设定。例如可以根据车辆行驶的历史数据进行设定，也可以根据用户的驾驶习惯进行设定。
在一个更具体的例子中，该特征参数可以如表1所示。
表1车辆的特征参数
序号 特征参数 序号 特征参数
1 平均行驶速度Vmean(km/h) 11 平均减速度dmean(m/s2)
2 最大行驶速度Vmax(km/h) 12 最小减速度dmin(m/s2)
3 0～V1行驶速度占总时间比 13 0～da1减速度占总时间比
4 V1～V2行驶速度占总时间比 14 da1～da2减速度占总时间比
5 V2～V3行驶速度占总时间比 15 da2～da3减速度占总时间比
6 平均加速度amean(m/s2) 16 怠速时间比ri
7 最大加速度amax(m/s2) 17 VSP1～VSP2比功率占总时间比
8 0～a1加速度占总时间比 18 VSP2～VSP3比功率占总时间比
9 a1～a2加速度占总时间比 19 VSP3～VSP4比功率占总时间比
10 a2～a3加速度占总时间比 20 VSP4～VSP5比功率占总时间比
其中，V1、V2、V3表示不同的行驶速度；a1、a2、a3表示不同的加速度值；da1、da2、da3表示不同的减速度值；VSP1、VSP2、VSP3、VSP4、VSP5表示不同的比功率值。
S204、根据预先建立的典型工况数据库和特征参数识别车辆在当前时间段的工况状态。
在一个实施例中，该车辆工况的预测方法还可以包括：建立典型工况数据库的步骤。在一个更具体的例子中，建立典型工况数据库的步骤可以进一步包括：S302-S304。
S302、按照预定的第一时长将预设的典型混合工况划分为n个典型工况状态，n大于1且n为整数。预定的第一时长是根据当前时间段的时长确定的。
预设的典型混合工况可以体现出车辆的各种行驶状态，例如低速、中速、高速、平缓、急加速、急减速以及频繁启动等。
预设的典型混合工况包括多种标准工况。标准工况包括例如美国的市内测功机测试工况﹙UDDS，Urban Dynamometer Driving Schedule﹚、纽约城市运行工况﹙NYCC，The NewYork City Cycle﹚、美国环保局用作认证车辆排放的测试工况(FTP，Federal TestProcedure)、US06工况(US06Supplemental FTP Driving Schedule)；欧洲的城市循环工况(UDC，Urban Driving Cycle)、市郊循环工况(EUDC，Extra Urban Driving Cycle)、新欧洲汽车法规循环工况(NEDC，New Europe Driving Cycle)；日本的十五工况(J10-15，Japanese 10-15)；全球统一轻载试验循环工况(WLTC，World-wide harmonized Lightduty Test Cycle)。多种标准工况可以根据车辆的类型进行选取。例如，针对乘用车，预设的典型混合工况可以包括NYCC、FTP、J10-15、NEDC、WLTC和US06六种标准工况。
预定的第一时长是根据当前时间段的时长确定的。例如第一时长与当前时间段的时长相等，即第一时长为每次采集车辆的特征参数的时长。以预定的第一时长为划分长度将预设的典型混合工况划分为不同的典型工况状态。也就是说，按照每次采集特征参数的时长将预设的典型混合工况划分为不同的工况片段，每一工况片段表示一种典型工况状态。每一典型工况状态可以包括一种标准工况，也可以包括多种标准工况。例如，参见图3所示，图3示出了一种典型混合工况的示意图，根据第一时长将该典型混合工况划分为20个典型工况状态，包括状态1(state1)～状态20(state20)。
S304、根据典型工况状态对应的特征参数，建立典型工况数据库。
每一典型工况状态对应不同的特征参数，根据典型工况状态对应的特征参数可以建立典型工况数据库。通过将车辆在当前时间段的特征参数与典型工况数据库中每一典型工况状态对应的特征参数进行对比，可以识别出车辆在当前时间段的工况状态。
根据本公开实施例，按照每次采集车辆的特征参数时长将典型混合工况划分为不同的典型工况状态，从而可以识别出车辆在当前时间段的工况状态，可以提高识别的准确性。
在一个实施例中，根据预先建立的典型工况数据库和特征参数识别车辆在当前时间段的工况状态的步骤可以进一步包括：S402-S404。
S402、计算车辆在当前时间段的特征参数与每一典型工况状态对应的特征参数的贴近度。
贴近度可以反映车辆在当前时间段的特征参数与典型工况状态对应的特征参数的相似程度。通过计算贴近度，可以识别出车辆在当前时间段的工况状态。
S404、将贴近度为最大值的典型工况状态确定为车辆在当前时间段的工况状态。
如果车辆在当前时间段的特征参数与典型工况状态对应的特征参数的贴近度越大，表明车辆在当前时间段的实时工况与该典型工况状态越接近。基于此，认为贴近度为最大值的典型工况状态与车辆在当前时间段的实时工况状态，即将贴近度为最大值的典型工况状态确定为车辆在当前时间段的工况状态。
在一个更具体的例子中，该贴近度可以是欧几里得贴近度。具体地，基于如下公式(1)-(3)确定车辆在当前时间段的工况状态。
Ai＝A1，A2，…，An 公式(2)
σ(Ai，X)＝max{σ(A1，X)，σ(A2，X)，…，σ(An，X)} 公式(3)
其中，σ(Ai，X)为车辆在当前时间段的特征参数与典型工况状态对应的特征参数的贴近度；Ai(k)为典型工况状态Ai中第k个特征参数的值；X(k)为车辆在当前时间段的第k个特征参数的值；m为特征参数的数量，特征参数的数量可以根据实际情况而设定，例如，参见表1，m为20。
S206、根据预定的更新策略、车辆在上一时间段和当前时间段的工况状态对预设的转移概率矩阵进行更新，获得更新后的转移概率矩阵。
转移概率矩阵包括车辆从当前时间段到下一时间段的工况状态的转移概率。车辆的工况状态实际上并不是独立，取决于周围环境的变化和附近路段的路况以及各种交通异常情况，根据预定的更新策略、车辆在上一时间段和当前时间段的工况状态对预设的转移概率矩阵不断进行更新，才能保持下一时间段的工况状态预测的准确性。
转移概率矩阵例如可以是马尔科夫转移概率矩阵。
在一个实施例中，转移概率矩阵可以表示为
其中，pij表示状态i转移至状态j的转移概率，i大于1且为整数，j大于1且为整数。在一个更具体的例子，参见图3所示的典型混合工况包括20种不同的工况状态，车辆在当前时间段的工况状态为状态i，车辆在下一时间段的工况状态为状态j，pij表示车辆从当前时间段到下一时间段的工况状态的转移概率，i＝1，2，…，19，20；j＝1，2，…，19，20。例如，p22表示车辆从当前时间段的状态2到下一时间段的状态2的转移概率，p12表示车辆从当前时间段的状态1到下一时间段的状态2的转移概率。
预设的转移概率矩阵为初始化状态下的转移概率矩阵。在一个例子中，预设的转移概率矩阵可以根据车辆的历史行驶数据进行设定。在一个例子中，预设的转移概率矩阵可以根据工程经验设定的，例如预设的转移概率矩阵中不同工况状态的转移概率可以是相同的。
在一个实施例中，该车辆工况的预测方法还可以包括：预设的转移概率矩阵的获取步骤，具体地，获取预设的转移频数矩阵，将该转移频数矩阵进行转换，得到预设的转移概率矩阵。
例如，预设的转移频数矩阵可以表示为
其中，表示初始化状态下状态i转移至状态j的频数，i大于1且为整数，j大于1且为整数。
预设的转移概率矩阵可以表示为
其中，表示初始化状态下状态i转移至状态j的概率，i大于1且为整数，j大于1且为整数。
基于如下公式(4)可以将预设的转移频数矩阵转换为预设的转移概率矩阵。
其中，表示初始化状态下状态i转移至状态j的频数，/>表示初始化状态下状态i转移至状态j的概率，i大于1且为整数，j大于1且为整数。
在一个实施例中，根据预定的更新策略、车辆在上一时间段和当前时间段的工况状态对预设的转移概率矩阵进行更新，获得更新后的转移概率矩阵的步骤可以进一步包括：S502-S506。
S502、根据车辆在上一时间段的工况状态和在当前时间段的工况状态确定车辆的工况状态转移信息。
车辆在上一时间段的工况状态可以是根据预先建立的典型工况数据库识别出的上一时间段的工况状态。在车辆行驶开始时，启动车辆工况预测，车辆在上一时间段的工况状态可以是车辆的初始工况状态，初始工况状态可以根据历史行驶数据设定的，例如初始工况状态为状态1。
S504、根据工况状态转移信息确定待更新的行信息。
待更新的行信息为工况状态转移信息对应的转移频数或者转移概率所在的行。例如，假设车辆在上一时间段的工况状态为状态1，车辆在当前时间段的工况状态为状态2，工况状态转移信息为状态1转移至状态2，待更新的行信息为第1行。
S506、根据待更新的行信息，将预设的转移概率矩阵中对应行的转移概率进行更新，获得更新后的转移概率矩阵。
在一个实施例中，根据待更新的行信息，将预设的转移概率矩阵中对应行的转移概率进行更新，获得更新后的转移概率矩阵的步骤可以包括：将预设的转移频数矩阵中对应行的转移频数进行更新，获得更新后的转移频数矩阵；将更新后的转移频数矩阵进行转换，获得更新后的转移概率矩阵。
在一个更具体的例子中，假设车辆在上一时间段的工况状态为状态i、车辆在当前时间段的工况状态为状态j，基于如下公式(5)更新预设的转移频数矩阵中状态i转移至状态j的频数，基于公式(6)更新预设的转移频数矩阵中第i行的其他频数，以获得更新后的转移频数矩阵。
更新后的转移频数＝更新前的转移频数*ρ+μ 公式(5)
更新后的转移频数＝更新前的转移频数*ρ 公式(6)
其中，ρ为第一权重，0＜ρ＜1；μ为第二权重，0＜μ＜1；例如，ρ取0.7，μ取0.3。
S208、根据车辆在当前时间段的工况状态和更新后的转移概率矩阵预测车辆在下一时间段的工况状态。
在一个实施例中，基于蒙特卡洛随机模型，根据车辆在当前时间段的工况状态和更新后的转移概率矩阵，预测出车辆在下一时间段的工况状态。
例如，取一个随机数，根据该随机数和公式(7)可以预测车辆在下一时间段的工况状态。
其中，Random(a)为随机数，Pij表示状态i转移至状态j的概率，1≤i≤n且i为正整数，1≤j≤n且j为正整数。
下面以一个具体例子对转移概率矩阵的更新过程进行说明。
在车辆行驶开始时，启动车辆工况预测。车辆的初始工况状态为状态1。预设的转移频数矩阵为
假设识别出车辆在当前时间段的工况状态为状态3，可以确定工况状态转移信息对应的转移频数根据上述公式(5)和(6)将/>所在行的转移频数进行更新，其中，ρ取0.7，μ取0.3，更新后的转移频数矩阵为
基于上述公式(4)对更新后的转移频数矩阵进行转换，得到更新后的转移概率矩阵，具体为
基于蒙特卡洛随机模型，根据车辆在当前时间段的工况状态(状态3)和更新后的转移概率矩阵，预测下一时间段的工况状态为状态。
例如，取随机数为0.4，根据公式(7)和更新后的转移概率矩阵M1可知即预测下一时间段的工况状态为状态4。
还例如，取随机数为0.05，根据公式(7)和更新后的转移概率矩阵M1可知即预测下一时间段的工况状态为状态1。
根据本公开实施例，通过实时采集车辆在当前时间段的特征参数，根据特征参数识别出车辆在当前时间段的工况状态，并根据预定的更新策略和当前时间段的工况状态对预设的转移概率矩阵进行更新，得到用于预测车辆在下一时间段的工况状态的转移概率矩阵，达到了对车辆的工况状态进行预测的目的。
本公开实施例提供的车辆工况的预测方法具有自学习性，可以根据预定的更新策略和实时识别出的当前时间段的工况状态对预设的转移概率矩阵进行不断更新，从而保持预测的准确性。
本公开实施例提供的车辆工况的预测方法是根据实时采集本车辆的特征参数进行工况状态的识别和预测，不需要获取本车辆的周围车辆的行驶数据，在保证识别和预测的准确性的同时，更便捷。本公开实施例提供的车辆工况的预测方法还可以用于离线车辆。
在本实施例中，在预测出车辆在下一时间段的工况状态后，可以进一步计算车辆在下一时间段的能耗值，从而根据车辆的能耗值确定续驶里程，从而减小乘客的里程焦虑。
在一个实施例中，在根据车辆在当前时间段的工况状态和所述更新后的转移概率矩阵预测车辆在下一时间段的工况状态之后，该车辆工况的预测方法还可以包括：基于车辆的工况状态与能耗值的函数关系，根据车辆在下一时间段的工况状态和能耗相关系数确定车辆在下一时间段的能耗值。
能耗相关系数可以反映车辆处于不同的工况状态时能耗的大小。根据预先建立的工况状态与能耗相关系数的映射关系，查找与工况状态对应的能耗相关系数。根据能耗相关系数可以计算不同工况状态对应的单位时间能耗率，进而可以计算出车辆在下一时间段的能耗值。
在一个更具体的例子中，可以基于如下公式(8)和(9)计算车辆在下一时间段的能耗值。
Eforecast＝Eci*Δt 公式(8)
Eci＝C*i 公式(9)
其中，Eforecast为预测出的车辆在下一时间段的能耗值；Eci为第i个工况状态对应的单位时间能耗率；C为工况状态与单位时间能耗率之间的能耗相关系数；i为工况状态的序号，例如，参见图3所示的状态1(state1)的序号为1。
本公开实施例提供的车辆工况的预测方法是在预测出车辆在下一时间段的工况状态后，进一步计算车辆在下一时间段的能耗值，可以提高能耗值计算的准确性。
在一个实施例中，获取车辆在当前时间段的特征参数的步骤可以进一步包括：每隔预定的第二时长获取车辆在当前时间段的特征参数。
根据预定的第二时长可以控制车辆间隔一定时间识别一次车辆在当前时间段的工况状态，并预测下一时间段的工况状态。预定的第二时长可以根据工程经验和实际情况而设定。
该实施例中在车辆行驶开始时，启动车辆工况预测流程。车辆工况的预测过程可以是在车辆的行驶过程中，每隔一定时间采集一次当前时间段的特征参数，根据该特征参数识别车辆在当前时间段的工况状态，并预测下一时间段的工况状态。例如，参见图4所示，在车辆行驶开始时，启动车辆工况预测流程；在当前时刻为t1时刻时，获取当前时间段((t1-Δt)时刻～t1时刻)的特征参数，根据该特征参数识别出车辆在当前时间段的工况状态，并根据转移概率矩阵预测车辆在下一时间段(t1时刻～(t1+Δt)时刻)的工况状态。间隔预定的第二时长(Δp)，即当前时刻到达t2时刻时，获取当前时间段((t2-Δt)时刻～t2时刻)的特征参数，根据该特征参数识别出车辆在当前时间段的工况状态，并根据转移概率矩阵预测车辆在下一时间段(t2时刻～(t2+Δt)时刻)的工况状态。其中，当前时间段的时长(Δt)可以为300s～450s，预定的第二时长(Δp)可以为30s～50s。
根据本公开实施例，每隔一定时间识别一次车辆在当前时间段的工况状态，可以对车辆的工况状态实时识别，从而可以提高识别的准确性，并且在识别出当前时间段的工况状态后预测车辆在下一时间段的工况状态，可以提高预测的准确性。
在本实施例中，在车辆行驶开始时，启动车辆工况预测流程。在车辆的电池电量不足时或者车辆行驶结束时，停止识别和预测车辆的工况状态。
在一个实施例中，该车辆工况的预测方法还可以包括：S602-S604。
S602、获取车辆的电池荷电状态。
S604、在电池荷电状态到达截止荷电状态的情况下，停止获取车辆在当前时间段的特征参数。
电池的荷电状态(State of Charge，SOC)可以反映车辆的动力电池的电量状态。截止荷电状态可以是放电截止荷电状态，在电池荷电状态到达截止荷电状态的情况下，说明车辆的电池电量不足，停止获取车辆在当前时间段的特征参数，即停止识别和预测车辆的工况状态。
在一个实施例中，该车辆工况的预测方法还可以包括：S702-S704。
S702、判断车辆是否行驶结束。
S704、在确定车辆行驶结束的情况下，停止获取车辆在当前时间段的特征参数。
在一个更具体的例子中，获取车辆的行驶速度，根据车辆的行驶速度判断车辆是否行驶结束。在确定车辆行驶结束的情况下，停止获取车辆在当前时间段的特征参数，即停止识别和预测车辆的工况状态。
在一个更具体的例子中，获取车辆的工作电流，根据车辆的工作电流判断车辆是否行驶结束。在确定车辆行驶结束的情况下，停止获取车辆在当前时间段的特征参数，即停止识别和预测车辆的工况状态。
<例子>
下面以一个具体例子对车辆工况的预测方法进行说明。参见图5所示，该车辆工况的预测方法包括：S901-S909。
S901、在车辆行驶开始时，启动车辆工况预测流程；
S902、获取当前时间段车辆的特征参数；
S903、根据当前时间段车辆的特征参数识别车辆在当前时间段的工况状态；
S904、根据预定的更新策略、车辆的初始工况状态和车辆在当前时间段的工况状态对预设的转移概率矩阵进行更新，获得更新后的转移概率矩阵；
S905、根据车辆在当前时间段的工况状态和更新后的转移概率矩阵预测车辆在下一时间段的工况状态；
S906、根据车辆在下一时间段的工况状态和能耗相关系数确定车辆在下一时间段的能耗值；
S907、判断车辆是否行驶结束，如果是，进入S909，如果否，进入S908；
S908、判断当前时刻是否满足采集间隔时长(预定的第二时长)，如果是，返回S902，如果否，进入S909；
S909、停止车辆工况预测流程。
<装置实施例>
参见图6所示，本公开实施例还提供了一种车辆工况的预测装置60。该车辆工况的预测装置60包括获取模块61、识别模块62、更新模块63和预测模块64。
该获取模块61用于在车辆行驶过程中，获取车辆在当前时间段的特征参数，特征参数用于反映车辆的行驶状态。
在一个实施例中，该获取模块61具体用于每隔预定的第二时长获取车辆在当前时间段的特征参数。
在一个实施例中，该特征参数包括以下任一或者任意组合：车辆的平均行驶速度、车辆的最大行驶速度、车辆的不同行驶速度的时间占比、车辆的平均减速度、车辆的最小减速度、车辆的不同减速度的时间占比、车辆的平均加速度、车辆的最大加速度、车辆的不同加速度的时间占比、车辆的怠速时间比、车辆的不同比功率的时间占比。
在一个实施例中，该获取模块61还用于，获取车辆的电池荷电状态；在所述电池荷电状态到达截止荷电状态的情况下，停止获取车辆在当前时间段的特征参数。
在一个实施例中，该获取模块61还用于，判断所述车辆是否行驶结束；在确定所述车辆行驶结束的情况下，停止获取车辆在当前时间段的特征参数。
该识别模块62用于根据预先建立的典型工况数据库和特征参数识别车辆在当前时间段的工况状态。
在一个实施例中，该建立典型工况数据库的步骤可以包括：按照预定的第一时长将预设的典型混合工况划分为n个典型工况状态，n大于1且n为整数，所述预定的第一时长是根据所述当前时间段的时长确定的；根据所述典型工况状态对应的特征参数，建立典型工况数据库。
在一个实施例中，该识别模块62具体用于计算所述车辆在当前时间段的特征参数与每一典型工况状态对应的特征参数的贴近度。
该识别模块62具体还用于将所述贴近度为最大值的典型工况状态确定为车辆在当前时间段的工况状态。
该更新模块63用于根据预定的更新策略、车辆在上一时间段和当前时间段的工况状态对预设的转移概率矩阵进行更新，获得更新后的转移概率矩阵，转移概率矩阵是车辆从当前时间段到下一时间段的工况状态转移的概率。
在一个实施例中，该更新模块63具体用于根据车辆在上一时间段的工况状态和在当前时间段的工况状态确定车辆的工况状态转移信息。
该更新模块63具体还用于根据所述工况状态转移信息确定待更新的行信息。
该更新模块63具体还用于根据所述待更新的行信息，将所述预设的转移概率矩阵中对应行的转移概率进行更新，获得更新后的转移概率矩阵。
该预测模块64用于根据车辆在当前时间段的工况状态和更新后的转移概率矩阵预测车辆在下一时间段的工况状态。
在一个实施例中，该车辆工况的预测装置60还包括：能耗值确定模块65。该能耗值确定模块65用于基于车辆的工况状态与能耗值的函数关系，根据所述车辆在下一时间段的工况状态和能耗相关系数确定车辆在下一时间段的能耗值。
参见图7所示，本公开实施例还提供了一种车辆70。该车辆可以是电动车或者混合动力车。该车辆70包括存储器71和处理器72，所述存储器71用于存储计算机程序，所述处理器72用于在所述计算机程序的控制下，控制所述车辆执行本公开实施例提供的车辆工况的预测方法。
本发明可以是系统、方法和/或计算机程序产品。计算机程序产品可以包括计算机可读存储介质，其上载有用于使处理器实现本发明的各个方面的计算机可读程序指令。
计算机可读存储介质可以是可以保持和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质例如可以是——但不限于——电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意合适的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、静态随机存取存储器(SRAM)、便携式压缩盘只读存储器(CD-ROM)、数字多功能盘(DVD)、记忆棒、软盘、机械编码设备、例如其上存储有指令的打孔卡或凹槽内凸起结构、以及上述的任意合适的组合。这里所使用的计算机可读存储介质不被解释为瞬时信号本身，诸如无线电波或者其他自由传播的电磁波、通过波导或其他传输媒介传播的电磁波(例如，通过光纤电缆的光脉冲)、或者通过电线传输的电信号。
这里所描述的计算机可读程序指令可以从计算机可读存储介质下载到各个计算/处理设备，或者通过网络、例如因特网、局域网、广域网和/或无线网下载到外部计算机或外部存储设备。网络可以包括铜传输电缆、光纤传输、无线传输、路由器、防火墙、交换机、网关计算机和/或边缘服务器。每个计算/处理设备中的网络适配卡或者网络接口从网络接收计算机可读程序指令，并转发该计算机可读程序指令，以供存储在各个计算/处理设备中的计算机可读存储介质中。
用于执行本发明操作的计算机程序指令可以是汇编指令、指令集架构(ISA)指令、机器指令、机器相关指令、微代码、固件指令、状态设置数据、或者以一种或多种编程语言的任意组合编写的源代码或目标代码，所述编程语言包括面向对象的编程语言-诸如Smalltalk、C++等，以及常规的过程式编程语言-诸如“C”语言或类似的编程语言。计算机可读程序指令可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络-包括局域网(LAN)或广域网(WAN)-连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。在一些实施例中，通过利用计算机可读程序指令的状态信息来个性化定制电子电路，例如可编程逻辑电路、现场可编程门阵列(FPGA)或可编程逻辑阵列(PLA)，该电子电路可以执行计算机可读程序指令，从而实现本发明的各个方面。
这里参照根据本发明实施例的方法、装置(系统)和计算机程序产品的流程图和/或框图描述了本发明的各个方面。应当理解，流程图和/或框图的每个方框以及流程图和/或框图中各方框的组合，都可以由计算机可读程序指令实现。
这些计算机可读程序指令可以提供给通用计算机、专用计算机或其它可编程数据处理装置的处理器，从而生产出一种机器，使得这些指令在通过计算机或其它可编程数据处理装置的处理器执行时，产生了实现流程图和/或框图中的一个或多个方框中规定的功能/动作的装置。也可以把这些计算机可读程序指令存储在计算机可读存储介质中，这些指令使得计算机、可编程数据处理装置和/或其他设备以特定方式工作，从而，存储有指令的计算机可读介质则包括一个制造品，其包括实现流程图和/或框图中的一个或多个方框中规定的功能/动作的各个方面的指令。
也可以把计算机可读程序指令加载到计算机、其它可编程数据处理装置、或其它设备上，使得在计算机、其它可编程数据处理装置或其它设备上执行一系列操作步骤，以产生计算机实现的过程，从而使得在计算机、其它可编程数据处理装置、或其它设备上执行的指令实现流程图和/或框图中的一个或多个方框中规定的功能/动作。
附图中的流程图和框图显示了根据本发明的多个实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或指令的一部分，所述模块、程序段或指令的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。对于本领域技术人物来说公知的是，通过硬件方式实现、通过软件方式实现以及通过软件和硬件结合的方式实现都是等价的。
以上已经描述了本发明的各实施例，上述说明是示例性的，并非穷尽性的，并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下，对于本技术领域的普通技术人物来说许多修改和变更都是显而易见的。本文中所用术语的选择，旨在最好地解释各实施例的原理、实际应用或对市场中的技术改进，或者使本技术领域的其它普通技术人物能理解本文披露的各实施例。本发明的范围由所附权利要求来限定。

Claims (9)

1.一种车辆工况的预测方法，其特征在于，包括：
在车辆行驶过程中，获取车辆在当前时间段的特征参数，所述特征参数用于反映车辆的行驶状态；
根据预先建立的典型工况数据库和所述特征参数识别车辆在当前时间段的工况状态；
根据预定的更新策略、车辆在上一时间段和当前时间段的工况状态对预设的转移概率矩阵进行更新，获得更新后的转移概率矩阵，所述转移概率矩阵包括车辆从当前时间段到下一时间段的工况状态的转移概率；
根据车辆在当前时间段的工况状态和所述更新后的转移概率矩阵预测车辆在下一时间段的工况状态；
基于车辆的工况状态与能耗值的函数关系，根据所述车辆在下一时间段的工况状态和能耗相关系数确定车辆在下一时间段的能耗值，
其中，所述典型工况数据库的建立，包括：
按照预定的第一时长将预设的典型混合工况划分为n个典型工况状态，n大于1且n为整数，所述预定的第一时长是根据所述当前时间段的时长确定的，每一典型工况状态包括一种标准工况或多种标准工况；
根据所述典型工况状态对应的特征参数，建立典型工况数据库。
2.根据权利要求1所述的方法，其中，所述根据预先建立的典型工况数据库和所述特征参数识别车辆在当前时间段的工况状态，包括：
计算所述车辆在当前时间段的特征参数与每一典型工况状态对应的特征参数的贴近度；
将所述贴近度为最大值的典型工况状态确定为车辆在当前时间段的工况状态。
3.根据权利要求1所述的方法，其中，所述根据预定的更新策略、车辆在上一时间段和当前时间段的工况状态对预设的转移概率矩阵进行更新，获得更新后的转移概率矩阵，包括：
根据车辆在上一时间段的工况状态和在当前时间段的工况状态确定车辆的工况状态转移信息；
根据所述工况状态转移信息确定待更新的行信息；
根据所述待更新的行信息，将所述预设的转移概率矩阵中对应行的转移概率进行更新，获得更新后的转移概率矩阵。
4.根据权利要求1所述的方法，其中，所述获取车辆在当前时间段的特征参数包括：
每隔预定的第二时长获取车辆在当前时间段的特征参数。
5.根据权利要求1所述的方法，其中，所述方法还包括：
获取车辆的电池荷电状态；
在所述电池荷电状态到达截止荷电状态的情况下，停止获取车辆在当前时间段的特征参数。
6.根据权利要求1所述的方法，其中，所述方法还包括：
判断所述车辆是否行驶结束；
在确定所述车辆行驶结束的情况下，停止获取车辆在当前时间段的特征参数。
7.根据权利要求1所述的方法，其中，所述特征参数包括以下任一或者任意组合：
所述车辆的平均行驶速度；
所述车辆的最大行驶速度；
所述车辆的不同行驶速度的时间占比；
所述车辆的平均减速度；
所述车辆的最小减速度；
所述车辆的不同减速度的时间占比；
所述车辆的平均加速度；
所述车辆的最大加速度；
所述车辆的不同加速度的时间占比；
所述车辆的怠速时间比；
所述车辆的不同比功率的时间占比。
8.一种车辆工况的预测装置，其特征在于，包括：
获取模块，用于在车辆行驶过程中，获取车辆在当前时间段的特征参数，所述特征参数用于反映车辆的行驶状态；
识别模块，用于根据预先建立的典型工况数据库和所述特征参数识别车辆在当前时间段的工况状态；所述典型工况数据库的建立，包括：按照预定的第一时长将预设的典型混合工况划分为n个典型工况状态，n大于1且n为整数，所述预定的第一时长是根据所述当前时间段的时长确定的，每一典型工况状态包括一种标准工况或多种标准工况；根据所述典型工况状态对应的特征参数，建立典型工况数据库；
更新模块，用于根据预定的更新策略、车辆在上一时间段和当前时间段的工况状态对预设的转移概率矩阵进行更新，获得更新后的转移概率矩阵，所述转移概率矩阵是车辆从当前时间段到下一时间段的工况状态转移的概率；
预测模块，用于根据车辆在当前时间段的工况状态和所述更新后的转移概率矩阵预测车辆在下一时间段的工况状态；
能耗值确定模块，用于基于车辆的工况状态与能耗值的函数关系，根据所述车辆在下一时间段的工况状态和能耗相关系数确定车辆在下一时间段的能耗值。
9.一种车辆，其特征在于，包括存储器和处理器，所述存储器用于存储计算机程序，所述处理器用于在所述计算机程序的控制下，控制所述车辆执行权利要求1-7任一项所述的方法。
CN202010994319.6A 2020-09-21 2020-09-21 车辆工况的预测方法、装置及车辆 Active CN114248781B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010994319.6A CN114248781B (zh) 2020-09-21 2020-09-21 车辆工况的预测方法、装置及车辆

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010994319.6A CN114248781B (zh) 2020-09-21 2020-09-21 车辆工况的预测方法、装置及车辆

Publications (2)

Publication Number Publication Date
CN114248781A CN114248781A (zh) 2022-03-29
CN114248781B true CN114248781B (zh) 2024-04-16

Family

ID=80788267

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010994319.6A Active CN114248781B (zh) 2020-09-21 2020-09-21 车辆工况的预测方法、装置及车辆

Country Status (1)

Country Link
CN (1) CN114248781B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117033160B (zh) * 2023-10-10 2024-01-19 中国电子信息产业集团有限公司第六研究所 一种数据采集设备故障时间的预测方法

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2011014037A (ja) * 2009-07-03 2011-01-20 Fuji Heavy Ind Ltd リスク予測システム
CN104986043A (zh) * 2015-07-30 2015-10-21 深圳东风汽车有限公司 一种电动汽车续航里程预测方法
CN108128309A (zh) * 2017-09-01 2018-06-08 特百佳动力科技有限公司 一种车辆工况实时预测的方法
CN110281904A (zh) * 2019-06-18 2019-09-27 浙江吉利控股集团有限公司 一种混合动力车辆的能量管理方法、装置及终端
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
CN110533262A (zh) * 2019-09-09 2019-12-03 合肥工业大学 一种多维度的工况滚动识别方法
CN110562096A (zh) * 2019-08-22 2019-12-13 东软睿驰汽车技术（沈阳）有限公司 一种剩余里程预测方法及装置
CN110827446A (zh) * 2019-11-13 2020-02-21 北京理工大学 一种电动汽车行驶状态预测方法
CN110979342A (zh) * 2019-12-30 2020-04-10 吉林大学 一种用于车辆全局能量管理控制的工况信息获取方法

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2011014037A (ja) * 2009-07-03 2011-01-20 Fuji Heavy Ind Ltd リスク予測システム
CN104986043A (zh) * 2015-07-30 2015-10-21 深圳东风汽车有限公司 一种电动汽车续航里程预测方法
CN108128309A (zh) * 2017-09-01 2018-06-08 特百佳动力科技有限公司 一种车辆工况实时预测的方法
CN110281904A (zh) * 2019-06-18 2019-09-27 浙江吉利控股集团有限公司 一种混合动力车辆的能量管理方法、装置及终端
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
CN110562096A (zh) * 2019-08-22 2019-12-13 东软睿驰汽车技术（沈阳）有限公司 一种剩余里程预测方法及装置
CN110533262A (zh) * 2019-09-09 2019-12-03 合肥工业大学 一种多维度的工况滚动识别方法
CN110827446A (zh) * 2019-11-13 2020-02-21 北京理工大学 一种电动汽车行驶状态预测方法
CN110979342A (zh) * 2019-12-30 2020-04-10 吉林大学 一种用于车辆全局能量管理控制的工况信息获取方法

Also Published As

Publication number Publication date
CN114248781A (zh) 2022-03-29

Similar Documents

Publication Publication Date Title
CN110146100B (zh) 轨迹预测方法、装置及存储介质
CN112867628B (zh) 显示电动车辆的充电选项
CN107791854B (zh) 用于估算电动车辆的可用行驶距离的系统和方法
CN111220168A (zh) 一种电动汽车充电路径规划方法、装置和存储介质
US9020743B2 (en) Methods and apparatus for predicting a driver destination
WO2011158547A1 (ja) 情報提供装置および情報提供方法
CN105083042A (zh) 用于管理电池容量的电动车辆操作
US9151632B2 (en) Method and system for providing driving route information of electric vehicle
CN106548246B (zh) 一种电动车辆实时充电推荐方法及其系统
CN109765895B (zh) 无人驾驶车辆控制方法、装置、无人驾驶车辆及存储介质
CN104044462A (zh) 基于日历事件的用户接口系统和方法
JP2006113892A (ja) 電気自動車自動運行マネジメントシステム
EP4191443A1 (en) Vehicle data processing method and apparatus, computer device and storage medium
CN102254421A (zh) 用于多模式车辆的基于路线的推进模式控制
CN105245956A (zh) 一种音视频数据推荐方法、装置及系统
JP6912213B2 (ja) 連絡先情報アクセスのためのシステム及び方法
US11953914B2 (en) Systems and methods for vehicle platooning
CN103294887A (zh) 用于分析并优化燃料/能量消耗的方法和设备
CN113263954A (zh) 电动汽车续驶里程预测方法、装置、设备和可读存储介质
CN109857085A (zh) 模拟生成行车数据的方法、系统、模拟终端及测试系统
CN114248781B (zh) 车辆工况的预测方法、装置及车辆
KR102522516B1 (ko) 전기버스 배터리를 효율적으로 충전하고 관리하는 시스템 및 방법
CN110704745A (zh) 一种车载终端的信息搜索方法和装置
US20170345113A1 (en) Ride trading availability using vehicle telematics
CN111483289A (zh) 用于执行远程命令的机器学习方法和系统

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