CN114274780A

CN114274780A - 车辆续航里程预测方法、装置、设备和存储介质

Info

Publication number: CN114274780A
Application number: CN202210019963.0A
Authority: CN
Inventors: 刘相超; 陈博; 徐海强; 梁小明
Original assignee: FAW Group Corp
Current assignee: FAW Group Corp
Priority date: 2022-01-10
Filing date: 2022-01-10
Publication date: 2022-04-05

Abstract

本申请涉及一种车辆续航里程预测方法、装置、设备和存储介质。该方法包括：获取目标车辆的当前运行数据；其中，所述当前运行数据包括当前SOC和除所述当前SOC以外的影响续航里程的工况数据；按照预设划分策略对所述当前SOC进行分段，得到多个SOC区间段；根据所述工况数据、所述多个SOC区间段以及预先训练好的续航预测模型，分别预测所述多个SOC区间段对应的续航里程；基于所述多个SOC区间段对应的续航里程，确定所述目标车辆的目标续航里程。该方法实现了对目标车辆续航里程的分段预测，减小了环境变化带来的偶然误差，进一步提高了续航里程预测的精准度。

Description

车辆续航里程预测方法、装置、设备和存储介质

技术领域

本申请涉及新能源车辆技术领域，特别是涉及一种车辆续航里程预测方法、装置、设备和存储介质。

背景技术

新能源汽车由于其对环境的影响相对于传统的燃气汽车小，而且能源具有再生性，因此新能源汽车在当下得到了大力推广。新能源汽车的续航里程受环境因素影响较大，目前车辆仪表盘上展示的剩余续航里程往往与实际续航里程差异较大，给新能源车车主造成一定的里程焦虑。因此，精度更高的续航里程估算方法，可以为车主的行车提供更具意义的参考，能够在一定程度上解决续航里程焦虑问题。

传统的续航里程的估算过程是：根据历史运行数据计算车辆的平均能耗，然后根据平均能耗和当前剩余电量计算剩余续航里程。由于车辆历史的工况无法精确代表车辆未来一段时间的工况，导致传统方式预测的续航里程的准确性较低。

发明内容

基于此，有必要针对传统方式预测的续航里程的准确性较低的技术问题，提供一种车辆续航里程预测方法、装置、设备和存储介质。

第一方面，本申请实施例提供一种车辆续航里程预测方法，包括：

获取目标车辆的当前运行数据；其中，所述当前运行数据包括当前荷电状态SOC和除所述当前SOC以外的影响续航里程的工况数据；

按照预设划分策略对所述当前SOC进行分段，得到多个SOC区间段；

根据所述工况数据、所述多个SOC区间段以及预先训练好的续航预测模型，分别预测所述多个SOC区间段对应的续航里程；

基于所述多个SOC区间段对应的续航里程，确定所述目标车辆的目标续航里程。

第二方面，本申请实施例提供一种车辆续航里程预测装置，包括：

第一获取模块，用于获取目标车辆的当前运行数据；其中，所述当前运行数据包括当前荷电状态SOC和除所述当前SOC以外的影响续航里程的工况数据；

分段模块，用于按照预设划分策略对所述当前SOC进行分段，得到多个SOC区间段；

预测模块，用于根据所述工况数据、所述多个SOC区间段以及预先训练好的续航预测模型，分别预测所述多个SOC区间段对应的续航里程；

第一确定模块，用于基于所述多个SOC区间段对应的续航里程，确定所述目标车辆的目标续航里程。

第三方面，本申请实施例提供一种电子设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现本申请实施例第一方面提供的车辆续航里程预测方法的步骤。

第四方面，本申请实施例提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现本申请实施例第一方面提供的车辆续航里程预测方法的步骤。

本申请实施例提供的技术方案，在获取到目标车辆的当前运行数据之后，按照预设划分策略对当前运行数据中的当前SOC进行分段，得到多个SOC区间段，接着，根据除当前SOC以外的影响续航里程的工况数据、多个SOC区间段以及预先训练好的续航预测模型，分别预测多个SOC区间段对应的续航里程，并基于多个SOC区间段对应的续航里程，确定目标车辆的目标续航里程，实现了对目标车辆续航里程的分段预测。由于各SOC区间段内的起始点和终止点在时间上更接近，整个SOC区间段内不确定工况的影响更小，即使有的SOC区间段预测值较真实值稍大，有的SOC区间段预测值较真实值稍小，但是，基于所有SOC区间段的预测值来确定目标预测值后这种偏差很可能得到消解或者部分消解，相较于非分段方式，预测精确度更高。除此以外，使用分段预测的方式能够减小环境变化带来的偶然误差，进一步提高了续航里程预测的精准度。

附图说明

图1为本申请实施例提供的车辆续航里程预测方法的一种流程示意图；

图2为本申请实施例提供的续航预测模型的训练过程的一种流程示意图；

图3为本申请实施例提供的车辆续航里程预测装置的一种结构示意图；

图4为本申请实施例提供的电子设备的一种结构示意图。

具体实施方式

为了使本申请的目的、技术方案及优点更加清楚明白，通过下述实施例并结合附图，对本申请实施例中的技术方案进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本申请，并不用于限定本申请。

需要说明的是，下述方法实施例的执行主体可以是车辆续航里程预测装置，该装置可以通过软件、硬件或者软硬件结合的方式实现成为电子设备的部分或者全部。可选的，该电子设备可以为客户端，包括但不限于智能手机、平板电脑以及车载设备等。当然，该电子设备也可以是云端设备，本公开实施例对电子设备的具体形式不做限定。下述方法实施例以执行主体是电子设备为例进行说明。

为了清楚阐述本申请实施例提供的技术方案，下面先对一些术语进行解释。

续航里程：用于反映电动车辆在当前工况下保持现有驾驶模式还能行驶的里程。

荷电状态(State of Charge，SOC)，用于表征电池在一定的放电倍率下，剩余电量与相同条件下额定容量的比值。

接下来，具体介绍本申请提供的技术方案。

图1为本申请实施例提供的车辆续航里程预测方法的一种流程示意图。如图1所示，该方法可以包括：

S101、获取目标车辆的当前运行数据。

其中，所述当前运行数据包括当前SOC和除所述当前SOC以外的影响续航里程的工况数据。

目标车辆是指需要进行续航里程预测的车辆。可选地，上述工况数据至少包括：车速数据、电池温度数据、运行时间数据、道路数据以及电池放电电流数据。也就是说，当前SOC可以影响目标车辆的续航里程，除此之外，目标车辆的行驶速度、电池温度、运行时间数据、所处的环境数据、行驶的道路数据以及电池放电电流数据均能够影响目标车辆的续航里程。

其中，上述电池温度是指电池包中多个测温点的温度。上述运行时间数据的粒度可以是年、月、日、时、分、秒等。通常，可以以月份作为特征变量。在不同的月份，用户对当前SOC的消耗也是不相同的，如6、7、8份的平均温度较其他月份较高，由于温度过高会降低车辆的续航里程，因此，可以将目标车辆运行的月份数据作为续航里程预测的特征变量。上述环境数据可以是车外的温度、车外的湿度、目标车辆所处的位置、海拔高度以及车外的风速和风向等。在不同的环境下，用户会开启或关闭车内的空调系统。例如天气冷，用户会开启暖气，天气热，用户会开启冷气。同时，在雨天时，用户会开启雨刷。这些不同的环境因素，都会增加对当前SOC的额外损耗。因此，本实施例将目标车辆所处的环境数据作为续航里程预测的特征变量。上述道路数据可以是路况指数和/或拥堵指数等。路况指数为不同的道路类型所对应的指数。道路类型包括但不限于：泥泞道路、城市道路、高速公路等。道路指数可以通过获取目标车辆的定位信号，然后从地图服务器中获取目标车辆所在道路的道路指数。拥堵指数为不同的道路拥堵情况所对应的指数。道路拥堵情况包括但不限于：通畅、轻微拥堵、拥堵、非常拥堵等。拥堵指数可以通过获取目标车辆的定位信号，然后从地图服务器中获取目标车辆所在道路的拥堵指数。由于在不同的道路情况下目标车辆所消耗的能量也是不同的，因此，本实施例可以将道路指数作为预测续航里程的特征变量。

S102、按照预设划分策略对所述当前SOC进行分段，得到多个SOC区间段。

在本实施例中，可以对目标车辆的续航里程进行分段预测，因此，需要对目标车辆的当前SOC进行分段，即按照预设划分策略将当前SOC到预设电量值之间形成的总区间划分成多个SOC区间段。其中，上述预设电量值可以为0，也可以为一个保护值。

可选地，电子设备可以按照下述过程对当前SOC进行分段：按照预设的划分间隔，将所述当前SOC划分为多个SOC区间段；或者，按照预设划分数量对所述当前SOC进行分段，得到所述预设划分数量个SOC区间段。

其中，上述划分间隔可以是一个固定间隔，如该固定间隔为10％，即每间隔10％将当前SOC划分为一个SOC区间段，直至划分到预设电量值。当然，也可以按照多个划分间隔对当前SOC进行分段，该多个划分间隔的长度可以相同，也可以不相同。另外，还可以预先设置预设划分数量，电子设备按照预设划分数量对当前SOC进行分段，如将当前SOC到预设电量值之间形成的总区间划分成三个SOC区间段。

示例性地，假设目标车辆的当前SOC为50％，以固定划分间隔为10％对当前SOC进行分段，则得到的SOC区间段可以为区间段1(50％-40％)、区间段2(40％-30％)、区间段3(30％-20％)、区间段4(20％-10％)以及区间段5(10％-0％)。可以理解的是，将当前SOC到预设电量值之间形成的总区间划分成多个SOC区间段，相比总区间来说，各区间段内的不确定工况的影响更小以及偶然误差会更小。

S103、根据所述工况数据、所述多个SOC区间段以及预先训练好的续航预测模型，分别预测所述多个SOC区间段对应的续航里程。

其中，在得到目标车辆的当前工况数据以及多个SOC区间段之后，电子设备将当前工况数据和多个SOC区间段输入至预先训练好的续航预测模型中，通过续航预测模型分别预测多个SOC区间段对应的续航里程。上述续航预测模型可以为机器学习模型，如决策树模型(如LightGBM、CatBoost)等。并且，上述续航预测模型是经过预先划分好的样本SOC区间段内的样本车辆的历史运行数据训练得到的。

S104、基于所述多个SOC区间段对应的续航里程，确定所述目标车辆的目标续航里程。

在得到多个SOC区间段对应的续航里程之后，电子设备便可以根据多个SOC区间段对应的续航里程，确定目标车辆的目标续航里程。可选地，电子设备可以将多个SOC区间段对应的续航里程进行求和，并将求和结果确定为目标车辆的目标续航里程。即使有的SOC区间段预测值较真实值稍大，有的SOC区间段预测值较真实值稍小，但是，对所有SOC区间段预测值求和后这种偏差很可能得到消解或者部分消解，相较于非分段方式，预测精确度更高。示例性地，以S102中的例子为例，假设通过续航预测模型预测的区间段1、区间段2、区间段3、区间段4以及区间段5对应的续航里程分别为m1、m2、m3、m4和m5，基于此，电子设备可以对m1、m2、m3、m4和m5进行求和，将得到的求和结果确定为目标车辆的目标续航里程。

本申请实施例提供的车辆续航里程预测方法，在获取到目标车辆的当前运行数据之后，按照预设划分策略对当前运行数据中的当前SOC进行分段，得到多个SOC区间段，接着，根据除当前SOC以外的影响续航里程的工况数据、多个SOC区间段以及预先训练好的续航预测模型，分别预测多个SOC区间段对应的续航里程，并基于多个SOC区间段对应的续航里程，确定目标车辆的目标续航里程，实现了对续航里程的分段预测。由于各SOC区间段内的起始点和终止点在时间上更接近，整个SOC区间段内不确定工况的影响更小，即使有的SOC区间段预测值较真实值稍大，有的SOC区间段预测值较真实值稍小，但是，基于所有SOC区间段的预测值来确定目标预测值后这种偏差很可能得到消解或者部分消解，相较于非分段方式，预测精确度更高。除此以外，使用分段预测的方式能够减小环境变化带来的偶然误差，进一步提高了续航里程预测的精准度。

在一些实施方式中，在得到目标车辆的目标续航里程之后，电子设备还可以判断目标续航里程是否小于或等于预设阈值，若是，则输出告警信息，并结合目标车辆的当前位置以及预设环境地图输出行程建议信息；其中，所述行程建议信息至少包括充电行驶线路信息。

其中，在目标续航里程小于或等于预设阈值时，电子设备可以输出告警信息，以提醒用户及时对车辆充电。该告警信息可以通过文字显示、图像显示、语音提醒或者指示灯闪烁等方式进行输出。同时，电子设备还可以智能化地向用户提供充电行驶线路，即结合目标车辆的当前位置以及预设环境地图，确定包含在预测的目标续航里程内距离目标车辆最近的充电桩，并输出充电行程线路，从而可实现根据车辆的目标续航里程推荐充电行程路线，避免因目标车辆的续航里程不够而无法抵达目的地，从而提高用户的驾车体验，满足用户的驾驶需求。

在一个实施例中，还提供了上述续航预测模型的训练过程。在上述实施例的基础上，可选地，如图2所示，在上述S101之前，该方法还包括：

S201、获取预先划分好的多个样本SOC区间段。

其中，多个样本SOC区间段是按照预设划分策略得到的。例如，可以按照固定间隔划分样本SOC区间段，如每间隔10％划分一个样本SOC区间段，即划分的多个样本SOC区间段可以为100％-90％、90％-80％、……、10％-0％；也可以按照多个划分间隔划分样本SOC区间段，多个划分间隔可以相同，也可以不相同，如划分的多个样本SOC区间段可以为100％-81％、80％-21以及20％-0％，再如划分的多个样本SOC区间段可以为100％-91％、90％-11％以及10％-0％。

S202、获取样本车辆在所述多个样本SOC区间段内的历史运行数据。

具体的，历史运行数据可以是基于时间序列的流式数据，包括时间序列、随着时间变化的样本车辆的电池运行数据以及样本车辆的行驶工况数据。其中，电池运行数据可以包括电池的SOC、电池包中多个测温点的温度以及电池的放电电流等。行驶工况数据可以包括行驶车速、行驶道路数据、行驶环境数据以及行驶时间数据等能够体现样本车辆实际运行工况的数据。

上述历史运行数据可以定期采集，如每间隔10秒采集一次。在样本车辆的不同整车状态中，如行驶、充电过程中都会定期采集样本车辆的运行数据，从而获取到大量的历史运行数据。在得到历史运行数据之后，电子设备还可以对历史运行数据进行清洗以及转换处理。如采集到的原始数据字段中可能会存在一些过大、过小或者超过范围的异常值、空值以及重复数据，此时可以对采集到的原始数据字段中的过大或者过小的异常值、空值以及重复数据等进行删除操作或者替换操作等。另外，历史运行数据中还存在一些类别特征变量，如样本车辆运行的月份数据，该类数据无法直接投入模型中训练，因此，还可以对样本车辆运行的月份数据进行独热编码等。

S203、根据所述历史运行数据，确定各样本SOC区间段对应的续航里程。

具体的，历史运行数据还包括：样本SOC区间段内的起始SOC对应的所述样本车辆的第一累计行驶里程，以及所述样本SOC区间段内的终止SOC对应的所述样本车辆的第二累计行驶里程。其中，第一累计行驶里程可以理解为样本车辆在达到起始SOC时已经行驶的里程，第二累计行驶里程可以理解为样本车辆在达到终止SOC时已经行驶的里程。这样，电子设备便可以基于样本SOC区间段内的起始SOC对应的所述样本车辆的第一累计行驶里程以及样本SOC区间段内的终止SOC对应的所述样本车辆的第二累计行驶里程，确定样本SOC区间段对应的续航里程。可选地，上述S203的过程可以为：针对每个样本SOC区间段，确定所述第一累计行驶里程与所述第二累计行驶里程之间的差值；将所述差值确定为所述样本SOC区间段对应的续航里程。

示例性的，假设样本SOC区间段为“90％-80％”，电子设备对起始SOC“90％”对应的样本车辆的第一累计行驶里程和终止SOC“80％”对应的样本车辆的第二累计行驶里程做差，将得到的差值确定为样本SOC区间段“90％-80％”对应的续航里程。另外，在确定样本SOC区间段“10％-0％”对应的续航里程时，若样本SOC区间段“10％-0％”内的历史运行数据较少，则可以采用样本区间段“10％-6％”对应的续航里程的两倍来近似代替样本SOC区间段“10％-0％”对应的续航里程。

由此可见，每个样本SOC区间段对应的续航里程都可以通过历史运行数据准确获得，不仅增加了用于模型训练的样本数量，也能够获得精确的训练标签。由于具有精确的训练标签，因此，基于精确的训练标签训练续航预测模型，能够提高续航预测模型的预测精确度。

S204、以所述多个样本SOC区间段以及所述历史运行数据中与所述多个样本SOC区间段对应的样本工况数据作为输入，以所述多个样本SOC区间段对应的续航里程作为标签，训练生成所述续航预测模型。

其中，将多个样本SOC区间段以及历史运行数据中与多个样本SOC区间段对应的样本工况数据(如月份数据、电池温度、电池放电电流以及行驶车速等)作为输入，以多个样本SOC区间段对应的续航里程作为期望输出，采用预设的损失函数对续航预测模型进行反复训练，不断优化模型参数，直至达到模型收敛条件，从而形成完善且精确的续航里程预测模型。具体的，可以采用网格搜索调参以及5折交叉验证的方式进行模型参数优化。

在本实施例中，通过获取预先划分的多个样本SOC区间段以及样本车辆在多个样本SOC区间段内的历史运行数据，并通过历史运行数据准确获得每个样本SOC区间段对应的续航里程，并将获取的样本SOC区间段对应的续航里程作为标签。如此一来，不仅增加了用于模型训练的样本数量，也能够获得精确的训练标签。由于具有精确的训练标签，因此，基于精确的训练标签训练续航预测模型，提高了续航预测模型的预测精确度。

图3为本申请实施例提供的车辆续航里程预测装置的一种结构示意图。如图3所示，该装置可以包括：第一获取模块301、分段模块302、预测模块303和第一确定模块304。

具体的，第一获取模块301用于获取目标车辆的当前运行数据；其中，所述当前运行数据包括当前SOC和除所述当前SOC以外的影响续航里程的工况数据；

分段模块302用于按照预设划分策略对所述当前SOC进行分段，得到多个SOC区间段；

预测模块303用于根据所述工况数据、所述多个SOC区间段以及预先训练好的续航预测模型，分别预测所述多个SOC区间段对应的续航里程；

第一确定模块304用于基于所述多个SOC区间段对应的续航里程，确定所述目标车辆的目标续航里程。

本申请实施例提供的车辆续航里程预测装置，在获取到目标车辆的当前运行数据之后，按照预设划分策略对当前运行数据中的当前SOC进行分段，得到多个SOC区间段，接着，根据除当前SOC以外的影响续航里程的工况数据、多个SOC区间段以及预先训练好的续航预测模型，分别预测多个SOC区间段对应的续航里程，并基于多个SOC区间段对应的续航里程，确定目标车辆的目标续航里程，实现了对续航里程的分段预测。由于各SOC区间段内的起始点和终止点在时间上更接近，整个SOC区间段内不确定工况的影响更小，即使有的SOC区间段预测值较真实值稍大，有的SOC区间段预测值较真实值稍小，但是，基于所有SOC区间段的预测值来确定目标预测值后这种偏差很可能得到消解或者部分消解，相较于非分段方式，预测精确度更高。除此以外，使用分段预测的方式能够减小环境变化带来的偶然误差，进一步提高了续航里程预测的精准度。

在上述实施例的基础上，可选地，分段模块302具体用于按照预设的划分间隔，将所述当前SOC划分为多个SOC区间段；或者，按照预设划分数量对所述当前SOC进行分段，得到所述预设划分数量个SOC区间段。

在上述实施例的基础上，可选地，第一确定模块304具体用于将所述多个SOC区间段对应的续航里程进行求和，并将求和结果确定为所述目标车辆的目标续航里程。

可选地，所述工况数据至少包括：车速数据、电池温度数据、运行时间数据、道路数据以及电池放电电流数据。

在上述实施例的基础上，可选地，该装置还包括：判断模块和输出模块。

具体的，判断模块用于判断所述目标续航里程是否小于或等于预设阈值；

输出模块用于在判断模块判断所述目标续航里程小于或等于预设阈值时，输出告警信息，并结合所述目标车辆的当前位置以及预设环境地图输出行程建议信息；其中，所述行程建议信息至少包括充电行驶线路信息。

在上述实施例的基础上，可选地，该装置还包括：第二获取模块、第三获取模块、第二确定模块和训练模块。

具体的，第二获取模块用于在所述第一获取模块301获取目标车辆的当前运行数据之前，获取预先划分好的多个样本SOC区间段；

第三获取模块用于获取样本车辆在所述多个样本SOC区间段内的历史运行数据；

第二确定模块用于根据所述历史运行数据，确定各样本SOC区间段对应的续航里程；

训练模块用于以所述多个样本SOC区间段以及所述历史运行数据中与所述多个样本SOC区间段对应的样本工况数据作为输入，以所述多个样本SOC区间段对应的续航里程作为标签，训练生成所述续航预测模型。

在上述实施例的基础上，可选地，所述历史运行数据包括：样本SOC区间段内的起始SOC对应的所述样本车辆的第一累计行驶里程，以及所述样本SOC区间段内的终止SOC对应的所述样本车辆的第二累计行驶里程；

对应地，第二确定模块具体用于针对每个样本SOC区间段，确定所述第一累计行驶里程与所述第二累计行驶里程之间的差值；将所述差值确定为所述样本SOC区间段对应的续航里程。

在一个实施例中，提供了一种电子设备，该电子设备可以是装设于电动车辆中的设备或者是云端设备。参见图4，该电子设备可以包括通过系统总线连接的处理器和存储器、网络接口和数据库。其中，该电子设备的处理器用于提供计算和控制能力。该电子设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该电子设备的数据库用于存储车辆续航里程预测过程中的数据。该电子设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种车辆续航里程预测方法。

本领域技术人员可以理解，图4中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的电子设备的限定，具体的电子设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。

在一个实施例中，提供了一种电子设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现以下步骤：

获取目标车辆的当前运行数据；其中，所述当前运行数据包括当前SOC和除所述当前SOC以外的影响续航里程的工况数据；

在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：

上述实施例中提供的车辆续航里程预测装置、设备以及存储介质可执行本公开任意实施例所提供的车辆续航里程预测方法，具备执行该方法相应的功能模块和有益效果。未在上述实施例中详尽描述的技术细节，可参见本公开任意实施例所提供的车辆续航里程预测方法。

本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。

以上所述实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。

以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本申请专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。

Claims

1.一种车辆续航里程预测方法，其特征在于，包括：

2.根据权利要求1所述的方法，其特征在于，所述按照预设划分策略对所述当前SOC进行分段，得到多个SOC区间段，包括：

按照预设的划分间隔，将所述当前SOC划分为多个SOC区间段；

或者，按照预设划分数量对所述当前SOC进行分段，得到所述预设划分数量个SOC区间段。

3.根据权利要求1所述的方法，其特征在于，所述基于所述多个SOC区间段对应的续航里程，确定所述目标车辆的目标续航里程，包括：

将所述多个SOC区间段对应的续航里程进行求和，并将求和结果确定为所述目标车辆的目标续航里程。

4.根据权利要求1至3中任一项所述的方法，其特征在于，所述工况数据至少包括：车速数据、电池温度数据、运行时间数据、道路数据以及电池放电电流数据。

5.根据权利要求1至3中任一项所述的方法，其特征在于，还包括：

判断所述目标续航里程是否小于或等于预设阈值；

若是，则输出告警信息，并结合所述目标车辆的当前位置以及预设环境地图输出行程建议信息；其中，所述行程建议信息至少包括充电行驶线路信息。

6.根据权利要求1至3中任一项所述的方法，其特征在于，在所述获取目标车辆的当前运行数据之前，所述方法还包括：

获取预先划分好的多个样本SOC区间段；

获取样本车辆在所述多个样本SOC区间段内的历史运行数据；

根据所述历史运行数据，确定各样本SOC区间段对应的续航里程；

以所述多个样本SOC区间段以及所述历史运行数据中与所述多个样本SOC区间段对应的样本工况数据作为输入，以所述多个样本SOC区间段对应的续航里程作为标签，训练生成所述续航预测模型。

7.根据权利要求6所述的方法，其特征在于，所述历史运行数据包括：样本SOC区间段内的起始SOC对应的所述样本车辆的第一累计行驶里程，以及所述样本SOC区间段内的终止SOC对应的所述样本车辆的第二累计行驶里程；

对应地，所述确定各样本SOC区间段对应的续航里程，包括：

针对每个样本SOC区间段，确定所述第一累计行驶里程与所述第二累计行驶里程之间的差值；

将所述差值确定为所述样本SOC区间段对应的续航里程。

8.一种车辆续航里程预测装置，其特征在于，包括：

9.一种电子设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述方法的步骤。

10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至7中任一项所述方法的步骤。