CN114435138B - 一种车辆能耗预测方法、装置、车辆及存储介质 - Google Patents

Abstract

本发明实施例公开了一种车辆能耗预测方法、装置、车辆及存储介质，该方法包括：获取目标车辆在当前时刻对应的待预测信息序列，待预测信息序列包括预设长度的待预测信息，待预测信息至少包括：待预测交通信息、待预测道路信息、待预测天气信息和待预测驾驶行为信息；根据待预测信息序列确定目标行驶速度；根据目标车辆的当前位置信息和终点位置信息确定当前剩余行驶里程；根据目标行驶速度和当前剩余行驶里程结合预确定的能耗预测模型确定车辆能耗，解决了车辆能耗预测过程中预测结果不准确的问题，在预测车辆能耗时考虑交通信息、道路信息、天气信息以及驾驶行为信息，预测的结果更加准确。实现对车辆能耗的准确预测，提高用户体验。

Description

一种车辆能耗预测方法、装置、车辆及存储介质

技术领域

本发明实施例涉及能耗预测技术领域，尤其涉及一种车辆能耗预测方法、装置、车辆及存储介质。

背景技术

与传统的燃油车相比，电动车具有能量转换效率较高、动力系统成本较低,使用环节更环保和使用环节噪声小的优点，但是不足之处是续驶里程较短。传统燃油车的续驶里程为500至1000km之间。而电动汽车的续驶里程大部分在300至600km之间。加上目前各城市的充电设施不完善，充电时间长，导致驾驶员在驾驶车辆之前会评估电量与剩余里程的关系，容易产生“里程焦虑”的现象，为此驾驶员会对能耗问题的关注度增高。并且在近些年，随着共享电动汽车领域的发展，由于剩余电量预测不准确导致使用者在驾驶共享汽车未达到目的地时就遇到电量不足的问题发生。因此，准确预测车辆能耗以便驾驶员可以准确确定车辆是否可以正常行驶到目的地是电动车辆驾驶过程中的重要问题。

发明内容

本发明提供一种车辆能耗预测方法、装置、车辆及存储介质，以实现对车辆所能耗能量的准确预测。

第一方面，本发明实施例提供了一种车辆能耗预测方法，所述方法包括：

获取目标车辆在当前时刻对应的待预测信息序列，所述待预测信息序列包括预设长度的待预测信息，所述待预测信息至少包括：待预测交通信息、待预测道路信息、待预测天气信息和待预测驾驶行为信息；

根据所述待预测信息序列确定目标行驶速度；

根据目标车辆的当前位置信息和终点位置信息确定当前剩余行驶里程；

根据所述目标行驶速度和当前剩余行驶里程结合预确定的能耗预测模型确定车辆能耗。

第二方面，本发明实施例还提供了一种车辆能耗预测装置，该装置包括：

预测序列获取模块，用于获取目标车辆在当前时刻对应的待预测信息序列，所述待预测信息序列包括预设长度的待预测信息，所述待预测信息至少包括：待预测交通信息、待预测道路信息、待预测天气信息和待预测驾驶行为信息；

目标速度确定模块，用于根据所述待预测信息序列确定目标行驶速度；

剩余里程确定模块，用于根据目标车辆的当前位置信息和终点位置信息确定当前剩余行驶里程；

能耗确定模块，用于根据所述目标行驶速度和当前剩余行驶里程结合预确定的能耗预测模型确定车辆能耗。

第三方面，本发明实施例还提供了一种计算机设备，该设备包括：

一个或多个控制器；

存储器，用于存储一个或多个程序，

当所述一个或多个程序被所述一个或多个控制器执行，使得所述一个或多个控制器实现如本发明实施例中任一所述的一种车辆能耗预测方法。

第四方面，本发明实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如本发明实施例中任一所述的一种车辆能耗预测方法。

本发明实施例提供了一种车辆能耗预测方法、装置、车辆及存储介质，通过获取目标车辆在当前时刻对应的待预测信息序列，所述待预测信息序列包括预设长度的待预测信息，所述待预测信息至少包括：待预测交通信息、待预测道路信息、待预测天气信息和待预测驾驶行为信息；根据所述待预测信息序列确定目标行驶速度；根据目标车辆的当前位置信息和终点位置信息确定当前剩余行驶里程；根据所述目标行驶速度和当前剩余行驶里程结合预确定的能耗预测模型确定车辆能耗，解决了车辆能耗预测过程中预测结果不准确的问题，通过包括预设长度的待预测信息的待预测信息序列预测车辆的行驶速度，待预测信息包括待预测交通信息、待预测道路信息、待预测天气信息和待预测驾驶行为信息，在预测车辆能耗时考虑交通信息、道路信息、天气信息以及驾驶行为信息，预测的结果更加准确。通过预测得到的目标行驶速度和当前剩余行驶里程结合能耗预测模型对车辆能耗进行预测，确定目标车辆的车辆能耗，实现对车辆能耗的准确预测，以便驾驶员准确预估车辆是否可以行驶到目的地，避免车辆行驶过程中电量不足，提高用户体验。

附图说明

图1是本发明实施例一中的一种车辆能耗预测方法的流程图；

图2是本发明实施例二中的一种车辆能耗预测方法的流程图；

图3是本发明实施例三中的一种车辆能耗预测装置的结构示意图；

图4是本发明实施例四中的一种车辆的结构示意图。

具体实施方式

为使本申请的目的、技术方案和优点更加清楚，下面将结合附图对本申请实施例方式作进一步地详细描述。应当明确，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本申请保护的范围。

下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本申请相一致的所有实施方式。相反，它们仅是如所附权利要求书中所详述的、本申请的一些方面相一致的装置和方法的例子。

在本申请的描述中，需要理解的是，术语“第一”、“第二”、“第三”等仅用于区别类似的对象，而不必用于描述特定的顺序或先后次序，也不能理解为指示或暗示相对重要性。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本申请中的具体含义。此外，在本申请的描述中，除非另有说明，“多个”是指两个或两个以上。“和/或”，描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。字符“/”一般表示前后关联对象是一种“或”的关系。

实施例一

图1给出了本申请实施例一提供的一种车辆能耗预测方法的流程示意图，该方法适用于对车辆能耗进行准确预测的情况。该方法可以由计算机设备执行，该计算机设备可以安装在车辆中，也可以与车辆进行通信。该计算机设备可以是两个或多个物理实体构成，也可以是一个物理实体构成。一般而言，计算机设备可以是笔记本、台式计算机以及智能平板等。

如图1所示，本实施例一提供的一种车辆能耗预测方法，具体包括如下步骤：

S101、获取目标车辆在当前时刻对应的待预测信息序列，待预测信息序列包括预设长度的待预测信息，待预测信息至少包括：待预测交通信息、待预测道路信息、待预测天气信息和待预测驾驶行为信息。

在本实施例中，目标车辆具体可以理解为具有能耗预测需求的车辆，待预测信息序列具体可以理解为预测驾驶员驾驶车辆行驶时速度所需要的信息序列。预设长度具体可以理解为预先设置的序列长度，例如10；待预测交通信息可以是道路拥堵速度；待预测道路信息可以是道路坡度、弯道曲率等；待预测天气信息可以是降雨大小、风向、风速、雾浓度、降雪大小等影响车辆行驶速度的天气信息；待预测驾驶行为信息可以是驾驶员的平均行驶速度、最大行驶加速度、最大制动减速度、平均加速度、平均减速度等信息。

具体的，本申请在预测车辆能耗时，可以预测不同驾驶员驾驶不同车辆的能耗，因此，在进行车辆能耗预测时，需要确定当前进行预测的目标车辆以及目标车辆的驾驶员。车辆行驶过程中，实时进行能耗预测，可以预先设置进行能耗预测的条件，例如，接收到用户的触发启动能耗预测；或者，预先设置预测周期，例如，每隔一段时间预测一次，或者每隔一段距离预测一次，或者同时满足时间和距离要求时预测一次。目标车辆行驶过程中，根据目标车辆的CAN总线获取待预测驾驶行驶信息，通过地图确定待预测道路信息和待预测交通信息，通过天气预报系统确定待预测天气信息，将同一时刻的上述信息作为一个待预测信息，采集当前时刻向前设定时刻的待预测信息，例如，以采集周期等于2s为例，以当前时刻为起点，向前采集10个(即20s内)待预测信息，构成目标车辆在当前时刻对应的待预测信息序列，也可以将当前时刻对应的待预测信息也作为一个待预测信息序列中的一个待预测信息。

S102、根据待预测信息序列确定目标行驶速度。

在本实施例中，目标行驶速度具体可以理解为预测得到的目标车辆行驶速度。根据待预测信息序列对速度进行预测，例如，预先训练神经网络模型，神经网络模型通过分析待预测信息序列，结合学习经验，预测得到目标行驶速度。由于不同驾驶员的驾驶行为、习惯不同，因此，还可以针对每个驾驶员的驾驶行为进行分析，针对每个驾驶员构建对应的神经网络模型，对目标行驶速度进行预测。

S103、根据目标车辆的当前位置信息和终点位置信息确定当前剩余行驶里程。

在本实施例中，当前位置信息具体可以理解为目标车辆当前所在的坐标位置；终点位置信息具体可以理解为目标车辆行驶终点的坐标位置。当前剩余行驶里程具体可以理解为目标车辆距离终点的距离。

具体的，目标车辆上安装GPS定位模块或设备，实现GPS定位功能，或者驾驶员在驾驶目标车辆行驶过程中，通过手机、平板电脑等终端对自身进行定位，将目标车辆与驾驶员进行关联，实现对目标车辆的定位。目标车辆在行驶过程中可以通过GPS系统实时对车辆自身所在位置进行定位，得到当前位置信息。驾驶员在驾驶车辆的过程中，通常需要导航，获取驾驶员设置的终点位置信息，驾驶员在驾驶目标车辆时，可以通过登陆车载导航系统，确定驾驶员和目标车辆的关联关系，或者驾驶员通过自己的手机、平板电脑等登陆自己的账号，实现导航，针对此种情况，可以在目标车辆上设置摄像头，采集驾驶员的信息，确定驾驶员的身份，进而实现驾驶员与目标车辆的关联。如果驾驶员并没有设置目的地，可以将目标车辆当前行驶过程中下一个红路灯的位置信息作为终点位置信息，此时预测的车辆能耗即为车辆行驶到下一个红绿灯的能耗。

S104、根据目标行驶速度和当前剩余行驶里程结合预确定的能耗预测模型确定车辆能耗。

在本实施例中，能耗预测模型具体可以理解为预测车辆电量消耗的神经网络模型。车辆能耗即车辆行驶所需的电能或电量。

具体的，预先根据行驶速度、行驶里程训练神经网络模型，得到满足收敛要求的能耗预测模型，不同类型的车辆可以采用同一个能耗预测模型，也可以针对每种类型车辆，根据其车辆特性训练相应的能耗预测模型。在对目标车辆进行能耗预测时，确定目标车辆对应的能耗预测模型，将目标行驶速度和当前剩余行驶里程作为模型的输入，得到车辆能耗。实现对车辆能耗的准确预测，预测得到的车辆能耗可以用于提示驾驶员车辆的剩余电量是否够用，并在不够用的情况下为驾驶员重新规划路径，使其可以找到充电桩进行充电；或者在共享汽车行驶过程中，为其找到合适的还车点，及时还车。

本发明实施例提供了一种车辆能耗预测方法，通过获取目标车辆在当前时刻对应的待预测信息序列，所述待预测信息序列包括预设长度的待预测信息，所述待预测信息至少包括：待预测交通信息、待预测道路信息、待预测天气信息和待预测驾驶行为信息；根据所述待预测信息序列确定目标行驶速度；根据目标车辆的当前位置信息和终点位置信息确定当前剩余行驶里程；根据所述目标行驶速度和当前剩余行驶里程结合预确定的能耗预测模型确定车辆能耗，解决了车辆能耗预测过程中预测结果不准确的问题，通过包括预设长度的待预测信息的待预测信息序列预测车辆的行驶速度序列，待预测信息包括待预测交通信息、待预测道路信息、待预测天气信息和待预测驾驶行为信息，在预测车辆能耗时考虑交通信息、道路信息、天气信息以及驾驶行为信息，预测的结果更加准确。通过预测得到的目标行驶速度和当前剩余行驶里程结合能耗预测模型对车辆能耗进行预测，确定目标车辆的车辆能耗，实现对车辆能耗的准确预测，以便驾驶员准确预估车辆是否可以行驶到目的地，避免车辆行驶过程中电量不足，提高用户体验。

实施例二

图2为本发明实施例二提供的一种车辆能耗预测方法的流程图。本实施例的技术方案在上述技术方案的基础上进一步细化，具体主要包括如下步骤：

S201、获取目标车辆在当前时刻对应的驾驶行为序列、交通信息序列、道路信息序列和天气信息序列。

在本实施例中，驾驶行为序列具体可以理解为驾驶员在驾驶目标车辆时的驾驶行为构成的序列，驾驶行为可以是驾驶平均速度、加速度、减速度、平均加速度/减速度等可以表明车辆行驶情况的信息；交通信息序列具体可以理解为交通信息构成的序列，交通信息可以是道路拥堵速度；道路信息序列具体可以理解为由道路信息构成的序列，道路信息可以是道路的坡度、弯道曲率等；天气序列具体可以理解为由天气信息构成的序列，天气信息可以是降雨、降雪、雾浓度(可见度)、风速、风向等。

具体的，预先设置序列长度，即预设长度。以驾驶行为序列为例说明各序列的获取原理，假设序列长度为10，以当前时刻为起点，按照序列长度向前获取10组驾驶行为数据，每组驾驶行为数据包括以下至少一种：平均行驶速度、最大行驶加速度、最大致动减速度、平均加速度、平均减速度。上述涉及的速度、加速度或减速度由目标车辆的CAN总线采集，CAN总线采集数据时，对数据进行有效性判断，对超出有效值范围的数据进行过滤，并删除每帧间隔时间为0的异常数据。如果获取到的驾驶行为数据中存在被过滤掉的数据或异常数据，导致剩余的数据不足10组，继续向前获取驾驶行为数据，直到得到预设长度的驾驶行为数据。在驾驶行为数据确定后，根据相应的时刻获取交通信息序列、道路信息序列和天气信息序列。

可以知道的是，若目标车辆行驶后立即进行能耗预测，可能出现数据不足，即无法得到预设长度的待预测信息序列，此时可以不进行能耗预测，也可以通过采用历史数据(如，上一个驾驶循环的数据)进行能耗预测。

S202、对天气信息序列中的天气信息按照预设的划分等级进行处理，得到待预测天气信息。

在本实施例中，预设的划分等级具体可以理解为划分天气信息的等级，例如，天气信息为降雨量时，对其进行划分，得到大雨、中雨、小雨等。预先根据天气对驾驶情况的影响设定划分等级，在确定天气信息序列后，对天气信息序列中的每个天气信息采用预设的划分等级进行处理，得到划分后的信息，将其作为待预测天气信息。

作为本实施例的一个可选实施例，本可选实施例进一步对天气信息进行优化，天气信息包括雨雪信息、风向和风速，相应的，将对所述天气信息序列中的天气信息按照预设的划分等级进行处理，得到待预测天气信息优化为：

A1、针对每个天气信息，根据雨雪信息结合预设的雨雪划分等级确定雨雪强度。

在本实施例中，雨雪信息可以是降雨量、降雨量、能见度中的一种或多种。划分等级可以按照降雪、降雨、能见度分别进行划分。雨雪强度可以是暴雪、大雪、中雪、小雪、大雨、小雨、高可见度、中可见度、低可见度等。其中，可见度还可以采用雾的浓度或沙尘的浓度进行表示，例如，一级雾、二级雾、三级雾等，其中，一级雾的能见度小于二级雾，二级雾的能见度小于三级雾，等等，能见度随级别数值增大而减小，或者随级别数值增大而增大，可以自行设置。

具体的，预先针对降雨量、降雪量、能见度设置对应的划分等级，例如，降雨量划分等级、降雪量划分等级、能见度划分等级。在获取到雨雪信息后，根据其包含的信息类型确定对应的雨雪划分等级，例如，当雨雪信息为降雨量x时，确定对应的雨雪划分等级为降雨量划分等级，按照划分等级分别对降雨量进行划分，得到降雨强度，将其作为雨雪强度。此步骤得到的雨雪强度可以是一种或多种，例如，无雪，小雨，高可见度；或者，小雨，此种情况表示其他的天气情况未发生，即无雪，无雾、无沙尘。

A2、根据风速结合预设的风速划分等级确定风速强度。

在本实施例中，风速划分等级具体可以理解为对风速进行划分的规则，例如风速2-4米/秒为二级风。风速强度可以是一级风、二级风；或者，无风、微风、大风等。在获取风速后，根据预设的风速划分等级对风速进行等级划分，确定对应的风速强度。

A3、根据目标车辆的定位信息确定车辆行驶方向。

目标车辆行驶过程中，根据目标车辆在两个相邻时刻的定位信息进行计算和判断，确定目标车辆的车辆行驶方向，即车头方向。

A4、根据车辆行驶方向和风向结合给定的风向划分规则确定车辆相对风向。

在本实施例中，风向划分规则具体可以理解为目标车辆行驶过程中的风向进行划分的规则；车辆相对风向具体可以理解为目标车辆的行驶方向与风向的相对关系。本申请中将风向划分为8个方向，将车辆行驶方向按照45°为区间进行划分，判断顺逆风。通过全球定位系统的坐标系将车辆行驶方向和风向统一到同一个坐标系中，计算出相对位置或角度，然后以目标车辆的质心为原点建立坐标系，即车辆坐标系，根据车辆行驶方向和风向的相对位置或角度，确定风向在车辆坐标系中与车辆行驶方向的相对位置或角度，根据预先设置的风向划分规则确定车辆相对风向。

A5、将雨雪强度、风速强度和车辆相对风向作为待预测天气信息。

直接将按照规则划分好的雨雪强度、风速强度和车辆相对风向作为待预测天气信息。

S203、对交通信息序列中的交通信息按照预设规则进行处理，得到待预测交通信息。

在本实施例中，预设规则具体可以理解为对交通信息进行处理的规则，用于将交通信息处理成符合要求的数据信息。预先设置处理规则，在确定交通信息序列后，对交通信息序列中的每个交通信息按照预设规则进行处理，得到的数据作为待预测交通信息。

作为本实施例的一个可选实施例，本可选实施例进一步对交通信息进行优化，交通信息包括道路拥挤速度，相应的，将所述对所述交通信息序列中的交通信息按照预设规则进行处理，得到待预测交通信息优化为：

B1、针对每个道路拥挤速度，判断道路拥挤速度是否为异常信息，若否，将道路拥挤速度确定为待预测交通信息。

在本实施例中，道路拥挤速度具体可以理解为道路中的车辆行驶一定距离与所用的时间的比值。判断每个道路拥挤速度，若为空值或不在预设范围内，则为异常信息，当道路拥挤速度不为异常信息时，将道路拥挤速度直接作为待预测交通信息。

B2、否则，确定道路拥挤速度对应的当前限速区间。

在本实施例中，当前限速区间具体可以理解为目标车辆在当前位置信息处对应的限速区间。如果道路拥挤速度为异常信息，确定目标车辆的当前位置信息是，根据当前位置信息获取对应的当前限速区间。

B3、根据当前限速区间结合预确定的道路限速等级转换表确定目标道路限速。

在本实施例中，道路限速等级转换表具体可以理解为道路限速区间与道路拥挤速度之间关联关系的数据表。在确定当前限速区间后，查询道路限速等级转换表，得到对应的目标道路限速。

如果当前限速区间也为未知信息，即缺失，可将目标道路限速确定为0或空值，表示未知；也可以设置默认值，将默认值作为目标道路限速。

示例性的，表1为本申请实施例提供的一种道路限速等级转换表。

B4、将目标道路限速确定为预测交通信息。

S204、将驾驶行为序列中的待预测驾驶行为信息、道路信息序列中的待预测道路信息、各待预测天气信息和各待预测交通信息进行数据对齐，得到预设长度的待预测信息序列。

将驾驶行为序列中的各待预测驾驶行为信息、道路信息序列中的各待预测道路信息、各待预测天气信息和各待预测交通信息按照时间进行数据对齐，得到同一时刻的待预测驾驶行为信息、待预测道路信息、待预测天气信息和待预测交通信息作为一个待预测信息，实现数据对齐，得到预设长度的待预测信息序列。

S205、确定目标车辆对应的目标用户。

在本实施例中，目标用户具体可以理解为驾驶目标车辆的驾驶员。目标用户在驾驶目标车辆行驶时，登录目标车辆的车载系统，建立目标车辆与目标用户的关联关系，由此确定目标车辆对应的目标用户。或者，在目标车辆中设置摄像头，采集主驾驶位置的驾驶员图像，通过对包含驾驶员的图像进行图像识别和处理，确定驾驶员的信息，即确定目标用户，建立目标车辆与目标用户的关联关系，由此确定目标车辆对应的目标用户。采用此种方式，需预先采集大量用户的不同角度的图像，通过图像训练人脸识别模型，实现用户的准确识别。

S206、根据目标用户查找车速模型映射关系表，确定目标车速预测模型。

在本实施例中，车速模型映射关系表具体可以理解为存储车速预测模型和目标用户对应关系的数据表。目标车速预测模型具体可以理解为目标用户对应的车速预测模型。

具体的，预先根据每个用户在不同的天气信息、道路信息、交通信息的条件下的驾驶行为习惯，训练对应的车速预测模型，用于预测每个驾驶员的驾驶行为。在确定目标用户后，查找车速模型映射关系表，确定目标用户对应的目标车速预测模型。示例性的，目标车速预测模型可以是长短期记忆(Long Short-rm Memory，LSTM)模型。

S207、将待预测信息序列输入至预确定的目标车速预测模型中，根据目标车速预测模型的输出结果确定目标行驶速度。

将待预测信息序列输入至预确定的目标车速预测模型中，目标车速预测模型根据预先学习的经验对待预测信息序列进行处理，预测目标行驶速度。

作为本实施例的一个可选实施例，本可选实施例进一步对目标车速预测模型的训练步骤进行优化：

C1、获取包含至少一个训练样本的训练样本集。

在本实施例中，训练样本集具体可以理解为包含一个或者多个训练样本的数据集，通常来说，模型训练过程中，所需的训练样本数量较大。预先收集车辆行驶的历史数据，通过对历史数据进行处理，得到可用于模型训练的训练样本，一个或者多个训练样本构成训练样本集，对训练样本集进行存储。在进行模型训练时，直接从服务器或者本地存储空间获取训练样本集。

作为本实施例的一个可选实施例，本可选实施例进一步对训练样本集的确定步骤进行优化：

D1、获取历史行驶数据和历史地理信息。

在本实施例中，历史行驶数据具体可以理解为驾驶员驾驶车辆行驶时的历史数据；历史地理信息具体可以理解为车辆行驶过程中的地理信息以及环境信息，包括：交通信息、道路信息和天气信息。

具体的，记录驾驶员在驾驶车辆行驶过程中的数据，形成历史行驶数据并存储。同时通过天气预报、导航系统等记录车辆行驶过程中的天气信息、道路信息和交通信息，形成历史地理信息并存储。在进行模型训练时，直接从相应的存储空间获取历史行驶数据和历史地理信息。

D2、根据历史行驶数据和历史地理信息的时间戳进行数据对齐，得到历史数据组。

在本实施例中，历史数据组具体可以理解为由同一时刻的多种类型的历史数据构成的数据组。确定每个历史行驶数据的时间戳，同时确定每个历史地理信息的时间戳，将在历史地理信息包含多种类型信息时，确定每种类型信息的时间戳，将所有类型的信息按照时间戳进行数据对齐，将同一时刻的多种类型信息作为一个历史数据组。

D3、对各历史数据组进行过滤和切分，得到目标历史数据序列。

在本实施例中，目标历史数据序列具体可以理解为由历史数据构成的一定长度的数据序列。预先设置过滤条件和切分规则，根据过滤条件对各历史数据组进行过滤，得到满足条件的历史数据组，将过滤后的历史数据组进行切分，得到至少一个目标历史数据序列。

作为本实施例的一个可选实施例，本可选实施例进一步将对各历史数据组进行过滤和切分，得到目标历史数据序列优化为：

D31、根据预设过滤条件对历史数据组进行过滤，确定备选行驶数据组。

在本实施例中，预设过滤条件具体可以理解为预先设置的过滤条件，例如，过滤非车辆正常行驶的数据(如，倒车档位的所对应的数据)。备选行驶数据组具体可以理解为满足过滤条件，可用于作为训练样本的数据组。

具体的，预设设置过滤条件，根据过滤条件对历史数据组进行过滤，去除无关数据，例如，充电状态为充电中的数据，档位为倒车的数据，供电模式为钥匙off档的数据，得到备选行驶数据组。

D32、根据预设切分规则对各备选行驶数据组进行划分，得到至少一个备选历史数据序列。

在本实施例中，备选历史数据序列具体可以理解为由备选行驶数据组按照时间顺序排列所构成的序列。预设切分规则可以是相邻两组数据之间的时间间隔超过一定阈值后认为是两次不同的行程，以此作为分界点对备选行驶数据组进行切分，得到各备选历史数据序列。例如，当两次相邻的备选行驶数据组的时间间隔超过5分钟，认为开始了第二次行程，将这两组备选行驶数据组作为分界点，进行切分，分别划分到相邻的两个备选历史数据序列中。

D33、将满足行驶时间大于预设时间阈值和/或行驶里程大于预设里程阈值的备选历史数据序列确定为目标历史数据序列。

确定各备选历史数据序列所对应的行驶时间和行驶里程，备选历史数据序列按照时间顺序排列，行驶时间可以通过备选历史数据序列中第一组数据和最后一组数据的时间戳差值计算得到。行驶里程可以通过速度和时间积分得到行驶里程，通常车辆具有统计行驶里程的功能，同样可以根据第一数据和最后一组数据的时间戳确定分别对应的里程数，根据两个里程数的差值确定行驶里程。判断每个备选历史数据序列的行驶时间是否大于预设时间阈值，行驶里程大于预设里程阈值，当行驶时间大于预设时间阈值和/或行驶里程大于预设里程阈值时，将此备选历史数据序列确定为目标历史数据序列。示例性的，预设时间阈值可以为10分钟，预设里程阈值可以为3公里。

D4、对各目标历史数据序列中的数据按照预设的划分等级和预设规则进行处理，得到训练样本。

目标历史数据序列中包含的数据为驾驶行为信息、交通信息、道路信息和天气信息，对目标历史数据序列中的各数据按照相应的划分等级和预设规则进行处理，例如，对天气信息进行等级划分，根据降雨量确定降雨强度，将降雨强度作为模型训练所用的天气信息；对交通信息进行处理，确定道路拥挤速度，将道路拥挤速度作为模型训练所用的交通信息；对驾驶行为数据进行筛选，对无效值进行过滤，得到模型训练所用的驾驶行为信息。本步骤对目标历史数据序列中数据处理的方式与对驾驶行为序列、交通信息序列、道路信息序列和天气信息序列进行处理，得到待预测信息序列的原理相同，在此不再赘述。

D5、根据各训练样本形成训练样本集。

对各训练样本进行标准数据(如，标准速度)标注，根据历史数据中每个训练样本对应的行驶速度确定标准速度，例如，训练样本对应的为t1-t10时刻的各类型数据，将t11时刻对应的驾驶行为数据(速度、加速度、减速度等)作为标准速度；或者，将t11-t20时刻对应的驾驶行为数据的平均值、中位数等作为标准速度。

C2、将当前迭代下的训练样本输入给定的待训练车速预测模型，获得相应的预测速度。

在本实施例中，待训练车速预测模型具体可以理解为需要通过训练进行参数调整的神经网络模型；预测速度具体可以理解为待训练车速预测模型根据训练样本所预测得到的速度。

具体的，将当前迭代下的训练样本输入至待训练车速预测模型中，待训练车速预测模型根据输入的训练样本中包括的天气信息、交通信息、道路信息、驾驶行为信息进行预测，得到预测速度。

C3、采用给定的损失函数表达式，结合预测速度以及对应的标准速度，确定损失函数。

在本实施例中，标准速度具体可以理解为用于作为对照标准的速度，标准速度通常在训练样本中进行标注。

将预测得到的预测速度和对应的标准速度带入损失函数表达式中进行计算，得到损失函数。损失函数可以是一个，也可以是多个损失函数进行拟合，得到最终的损失函数。

C4、基于损失函数对待训练车速预测模型进行反向传播，得到用于下一迭代的待训练车速预测模型，直到满足迭代收敛条件，得到目标车速预测模型。

在神经网络模型的训练过程中，通过反向传播方法不断更新调整模型的参数，直至模型的输出与目标趋于一致。在确定损失函数后，通过该损失函数对待训练网络模型进行反向传播，直到得到满足收敛条件的目标车速预测模型。本发明实施例对具体的反向传播过程不做限定，可根据具体情况进行设置。

S208、根据目标车辆的当前位置信息和终点位置信息确定当前剩余行驶里程。

S209、确定目标车辆的车辆类型。

预先存储每个车辆的车辆类型，在确定目标车辆后，可根据目标车辆的名称、标识等信息直接查询目标车辆所对应的车辆类型。

S210、根据车辆类型查找预确定能耗模型映射关系表，将与车辆类型匹配的能耗预测模型作为目标能耗预测模型。

在本实施例中，能耗模型映射关系表具体可以理解为对应存储能耗预测模型和车辆类型的数据表。目标能耗预测模型具体可以理解为目标车辆对应的预测车辆能耗的能耗预测模型。

具体的，不同车辆的特性不同，因此，不同车辆采用相同的行驶速度行驶同样的距离其能耗也可能是不同的。预先根据不同车辆的车辆类型训练相应的能耗预测模型，实现对车辆能耗的准确预测。示例性的，本申请中的能耗预测模型可采用Xgboot算法。在对不同车辆分别训练相应的能耗预测模型后，对应存储每个车辆类型及其对应的能耗预测模型，形成能耗模型映射关系表。在确定目标车辆的车辆类型后，根据车辆类型查询能耗模型映射关系表，确定目标车辆的车辆类型匹配的能耗预测模型，将此能耗预测模型确定为目标能耗预测模型。

S211、将目标行驶速度和当前剩余行驶里程输入至目标能耗预测模型中，根据目标能耗预测模型的输出结果确定车辆能耗。

将目标行驶速度和当前剩余行驶里程输入至目标能耗预测模型中，目标能耗预测模型根据模型参数进行预测，预测得到车辆能耗并作为模型的输出。

作为本实施例的一个可选实施例，本可选实施例进一步优化包括了确定目标车辆的当前剩余能量；当当前剩余能量与车辆能耗的差值满足预设的差值条件时，提示目标用户电量不足。

在本实施例中，当前剩余能量具体可以理解为目标车辆当前时刻剩余的电量。计算车辆能耗与当前剩余能量的差值，当车辆能耗减去当前剩余能量的差值小于或等于一定的差值阈值时，确定满足预设的差值条件，此时车辆的当前剩余能量存在无法支撑目标车辆行驶到目的地的情况发生，因此，提示目标用户电量不足，可通过语音提示、灯光提示等方式进行提示，还可以提示目标用户距离当前位置或行驶至目的地过程中最近的充电桩，方便用户选择合适的位置进行充电。在目标车辆为共享汽车时，可以确定最近的还车点，方便目标用户及时还车。还可以根据当前剩余能量与车辆能耗的差值重新为目标用户规划行驶路径。

本发明实施例提供了一种车辆能耗预测方法，解决了车辆能耗预测过程中预测结果不准确的问题，通过包括预设长度的待预测信息的待预测信息序列预测车辆的行驶速度序列，待预测信息包括待预测交通信息、待预测道路信息、待预测天气信息和待预测驾驶行为信息，在预测车辆能耗时考虑交通信息、道路信息、天气信息以及驾驶行为信息，预测的结果更加准确。通过预测得到的目标行驶速度和当前剩余行驶里程结合能耗预测模型对车辆能耗进行预测，确定目标车辆的车辆能耗，实现对车辆能耗的准确预测，以便驾驶员准确预估车辆是否可以行驶到目的地，避免车辆行驶过程中电量不足，提高用户体验。通过目标车速预测模型描述了驾驶员在当时驾驶场景下的驾驶习惯，通过目标能耗预测模型描述了在不同车速、不同行驶里程下的各种车辆的能量消耗，涵盖了不同类型车辆的自身能耗特性。通过构造的双层模型可以实现人-车模型解耦，即驾驶员的车速预测模型可以应用在不同类型的车辆中，例如驾驶员A的车速预测模型可以应用在车型1上，也可以直接将其应用在车型2上；车型1的模型可以和驾驶员A、B结合来进行预测，使得能耗预测模型可以应用在不同场景中，提高能耗预测的准确性。

实施例三

图3为本发明实施例三提供的一种车辆能耗预测装置的结构示意图，该装置包括：预测序列获取模块31、目标速度确定模块32、剩余里程确定模块33和能耗确定模块34。

其中，预测序列获取模块31，用于获取目标车辆在当前时刻对应的待预测信息序列，所述待预测信息序列包括预设长度的待预测信息，所述待预测信息至少包括：待预测交通信息、待预测道路信息、待预测天气信息和待预测驾驶行为信息；

目标速度确定模块32，用于根据所述待预测信息序列确定目标行驶速度；

剩余里程确定模块33，用于根据目标车辆的当前位置信息和终点位置信息确定当前剩余行驶里程；

能耗确定模块34，用于根据所述目标行驶速度和当前剩余行驶里程结合预确定的能耗预测模型确定车辆能耗。

本发明实施例提供了一种车辆能耗预测方法，解决了车辆能耗预测过程中预测结果不准确的问题，通过包括预设长度的待预测信息的待预测信息序列预测车辆的行驶速度，待预测信息包括待预测交通信息、待预测道路信息、待预测天气信息和待预测驾驶行为信息，在预测车辆能耗时考虑交通信息、道路信息、天气信息以及驾驶行为信息，预测的结果更加准确。通过预测得到的目标行驶速度和当前剩余行驶里程结合能耗预测模型对车辆能耗进行预测，确定目标车辆的车辆能耗，实现对车辆能耗的准确预测，以便驾驶员准确预估车辆是否可以行驶到目的地，避免车辆行驶过程中电量不足，提高用户体验。

进一步地，该装置还包括：

序列获取模块，用于获取目标车辆在当前时刻对应的驾驶行为序列、交通信息序列、道路信息序列和天气信息序列；

天气信息处理模块，用于对所述天气信息序列中的天气信息按照预设的划分等级进行处理，得到待预测天气信息；

交通信息处理模块，用于对所述交通信息序列中的交通信息按照预设规则进行处理，得到待预测交通信息；

待预测序列确定模块，用于将所述驾驶行为序列中的待预测驾驶行为信息、道路信息序列中的待预测道路信息、各待预测天气信息和各待预测交通信息进行数据对齐，得到预设长度的待预测信息序列。

进一步地，所述天气信息包括雨雪信息、风向和风速，相应的，天气信息处理模块，包括：

雨雪强度确定单元，用于针对每个天气信息，根据所述雨雪信息结合预设的雨雪划分等级确定雨雪强度；

风速强度确定单元，用于根据所述风速结合预设的风速划分等级确定风速强度；

行驶方向确定单元，用于根据目标车辆的定位信息确定车辆行驶方向；

相对风向确定单元，用于根据所述车辆行驶方向和风向结合给定的风向划分规则确定车辆相对风向；

天气信息确定单元，用于将所述雨雪强度、风速强度和车辆相对风向作为待预测天气信息。

进一步地，所述交通信息包括道路拥挤速度，相应的，交通信息处理模块包括：

异常判断单元，用于针对每个道路拥挤速度，判断所述道路拥挤速度是否为异常信息，若否，将所述道路拥挤速度确定为待预测交通信息；否则，确定所述道路拥挤速度对应的当前限速区间；

限速确定单元，用于根据所述当前限速区间结合预确定的道路限速等级转换表确定目标道路限速；

交通信息确定单元，用于将所述目标道路限速确定为所待预测交通信息。

进一步地，目标速度确定模块32包括：

用户确定单元，用于确定所述目标车辆对应的目标用户；

车速模型确定单元，用于根据所述目标用户查找车速模型映射关系表，确定目标车速预测模型；

速度确定单元，用于将所述待预测信息序列输入至预确定的目标车速预测模型中，根据所述目标车速预测模型的输出结果确定目标行驶速度。

进一步地，该装置还包括：

样本集获取模块，用于获取包含至少一个训练样本的训练样本集；

预测速度确定模块，用于将所述各训练样本依次输入给定的待训练车速预测模型，获得相应的预测速度；

损失函数确定模块，用于采用给定的损失函数表达式，结合所述预测速度以及对应的标准速度，确定损失函数；

目标模型确定模块，用于通过所述损失函数对所述待训练车速预测模型进行反向传播，得到用于下一迭代的待训练车速预测模型，直到满足迭代收敛条件，得到目标车速预测模型。

进一步地，该装置还包括：

历史信息获取模块，用于获取历史行驶数据和历史地理信息；

历史数据组确定模块，用于根据所述历史行驶数据和历史地理信息的时间戳进行数据对齐，得到历史数据组；

目标历史序列确定模块，用于对各所述历史数据组进行过滤和切分，得到目标历史数据序列；

训练样本确定模块，用于对各所述目标历史数据序列中的数据按照预设的划分等级和预设规则进行处理，得到训练样本；

样本集形成模块，用于根据各所述训练样本形成训练样本集。

进一步地，目标历史序列确定模块，包括：

备选数据组确定单元，用于根据预设过滤条件对所述历史数据组进行过滤，确定备选行驶数据组；

备选序列确定单元，用于根据预设切分规则对各所述备选行驶数据组进行划分，得到至少一个备选历史数据序列；

目标历史序列确定单元，用于将满足行驶时间大于预设时间阈值和/或行驶里程大于预设里程阈值的备选历史数据序列确定为目标历史数据序列。

进一步地，能耗确定模块34，包括：

车辆类型确定单元，用于确定目标车辆的车辆类型；

类型查找单元，用于根据所述车辆类型查找预确定能耗模型映射关系表，将与所述车辆类型匹配的能耗预测模型作为目标能耗预测模型；

车辆能耗确定单元，用于将所述目标行驶速度和当前剩余行驶里程输入至所述目标能耗预测模型中，根据所述目标能耗预测模型的输出结果确定车辆能耗。

进一步地，该装置还包括：

能量确定模块，用于确定所述目标车辆的当前剩余能量；

提示模块，用于当所述当前剩余能量与所述车辆能耗的差值满足预设的差值条件时，提示目标用户电量不足。

本发明实施例所提供的车辆能耗预测装置可执行本发明任意实施例所提供的车辆能耗预测方法，具备执行方法相应的功能模块和有益效果。

实施例四

图4为本发明实施例四提供的一种车辆的结构示意图，如图4所示，该车辆包括控制器40、存储器41、输入装置42和输出装置43；车辆中控制器40的数量可以是一个或多个，图4中以一个控制器40为例；车辆中的控制器40、存储器41、输入装置42和输出装置43可以通过总线或其他方式连接，图4中以通过总线连接为例。

存储器41作为一种计算机可读存储介质，可用于存储软件程序、计算机可执行程序以及模块，如本发明实施例中的车辆能耗预测方法对应的程序指令/模块(例如，车辆能耗预测装置中的预测序列获取模块31、目标速度确定模块32、剩余里程确定模块33和能耗确定模块34)。控制器40通过运行存储在存储器41中的软件程序、指令以及模块，从而执行车辆的各种功能应用以及数据处理，即实现上述的车辆能耗预测方法。

存储器41可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序；存储数据区可存储根据终端的使用所创建的数据等。此外，存储器41可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实例中，存储器41可进一步包括相对于控制器40远程设置的存储器，这些远程存储器可以通过网络连接至车辆。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。

输入装置42可用于接收输入的数字或字符信息，以及产生与车辆的用户设置以及功能控制有关的键信号输入。输出装置43可包括显示屏等显示设备。

实施例五

本发明实施例五还提供一种包含计算机可执行指令的存储介质，所述计算机可执行指令在由计算机处理器执行时用于执行一种车辆能耗预测方法，该方法包括：

获取目标车辆在当前时刻对应的待预测信息序列，所述待预测信息序列包括预设长度的待预测信息，所述待预测信息至少包括：待预测交通信息、待预测道路信息、待预测天气信息和待预测驾驶行为信息；

根据所述待预测信息序列确定目标行驶速度；

根据目标车辆的当前位置信息和终点位置信息确定当前剩余行驶里程；

根据所述目标行驶速度和当前剩余行驶里程结合预确定的能耗预测模型确定车辆能耗。

当然,本发明实施例所提供的一种包含计算机可执行指令的存储介质,其计算机可执行指令不限于如上所述的方法操作,还可以执行本发明任意实施例所提供的车辆能耗预测方法中的相关操作。

通过以上关于实施方式的描述，所属领域的技术人员可以清楚地了解到，本发明可借助软件及必需的通用硬件来实现，当然也可以通过硬件实现，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如计算机的软盘、只读存储器(Read-Only Memory,ROM)、随机存取存储器(RandomAccess Memory,RAM)、闪存(FLASH)、硬盘或光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述的方法。

值得注意的是，上述车辆能耗预测装置的实施例中，所包括的各个单元和模块只是按照功能逻辑进行划分的，但并不局限于上述的划分，只要能够实现相应的功能即可；另外，各功能单元的具体名称也只是为了便于相互区分，并不用于限制本发明的保护范围。

注意，上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解，本发明不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此，虽然通过以上实施例对本发明进行了较为详细的说明，但是本发明不仅仅限于以上实施例，在不脱离本发明构思的情况下，还可以包括更多其他等效实施例，而本发明的范围由所附的权利要求范围决定。

Claims (11)

1.一种车辆能耗预测方法，其特征在于，包括：

获取目标车辆在当前时刻对应的待预测信息序列，所述待预测信息序列包括预设长度的待预测信息，所述待预测信息至少包括：待预测交通信息、待预测道路信息、待预测天气信息和待预测驾驶行为信息；

根据所述待预测信息序列确定目标行驶速度；

根据目标车辆的当前位置信息和终点位置信息确定当前剩余行驶里程；

根据所述目标行驶速度和当前剩余行驶里程结合预确定的能耗预测模型确定车辆能耗；

所述根据所述待预测信息序列确定目标行驶速度，包括：

确定所述目标车辆对应的目标用户；

根据所述目标用户查找车速模型映射关系表，确定目标车速预测模型；

将所述待预测信息序列输入至预确定的目标车速预测模型中，根据所述目标车速预测模型的输出结果确定目标行驶速度；

所述根据所述目标行驶速度和当前剩余行驶里程结合预确定的能耗预测模型确定车辆能耗，包括：

确定目标车辆的车辆类型；

根据所述车辆类型查找预确定能耗模型映射关系表，将与所述车辆类型匹配的能耗预测模型作为目标能耗预测模型；

将所述目标行驶速度和当前剩余行驶里程输入至所述目标能耗预测模型中，根据所述目标能耗预测模型的输出结果确定车辆能耗。

2.根据权利要求1所述的方法，其特征在于，还包括：

获取目标车辆在当前时刻对应的驾驶行为序列、交通信息序列、道路信息序列和天气信息序列；

对所述天气信息序列中的天气信息按照预设的划分等级进行处理，得到待预测天气信息；

对所述交通信息序列中的交通信息按照预设规则进行处理，得到待预测交通信息；

将所述驾驶行为序列中的待预测驾驶行为信息、道路信息序列中的待预测道路信息、各待预测天气信息和各待预测交通信息进行数据对齐，得到预设长度的待预测信息序列。

3.根据权利要求2所述的方法，其特征在于，所述天气信息包括雨雪信息、风向和风速，相应的，对所述天气信息序列中的天气信息按照预设的划分等级进行处理，得到待预测天气信息，包括：

针对每个天气信息，根据所述雨雪信息结合预设的雨雪划分等级确定雨雪强度；

根据所述风速结合预设的风速划分等级确定风速强度；

根据目标车辆的定位信息确定车辆行驶方向；

根据所述车辆行驶方向和风向结合给定的风向划分规则确定车辆相对风向；

将所述雨雪强度、风速强度和车辆相对风向作为待预测天气信息。

4.根据权利要求2所述的方法，其特征在于，所述交通信息包括道路拥挤速度，相应的，所述对所述交通信息序列中的交通信息按照预设规则进行处理，得到待预测交通信息，包括：

针对每个道路拥挤速度，判断所述道路拥挤速度是否为异常信息，若否，将所述道路拥挤速度确定为待预测交通信息；否则，

确定所述道路拥挤速度对应的当前限速区间；

根据所述当前限速区间结合预确定的道路限速等级转换表确定目标道路限速；

将所述目标道路限速确定为所待预测交通信息。

5.根据权利要求1所述的方法，其特征在于，所述目标车速预测模型的训练步骤包括：

获取包含至少一个训练样本的训练样本集；

将所述各训练样本依次输入给定的待训练车速预测模型，获得相应的预测速度；

采用给定的损失函数表达式，结合所述预测速度以及对应的标准速度，确定损失函数；

通过所述损失函数对所述待训练车速预测模型进行反向传播，得到用于下一迭代的待训练车速预测模型，直到满足迭代收敛条件，得到目标车速预测模型。

6.根据权利要求5所述的方法，其特征在于，所述训练样本集的确定步骤包括：

获取历史行驶数据和历史地理信息；

根据所述历史行驶数据和历史地理信息的时间戳进行数据对齐，得到历史数据组；

对各所述历史数据组进行过滤和切分，得到目标历史数据序列；

对各所述目标历史数据序列中的数据按照预设的划分等级和预设规则进行处理，得到训练样本；

根据各所述训练样本形成训练样本集。

7.根据权利要求6所述的方法，其特征在于，所述对各所述历史数据组进行过滤和切分，得到目标历史数据序列，包括：

根据预设过滤条件对所述历史数据组进行过滤，确定备选行驶数据组；

根据预设切分规则对各所述备选行驶数据组进行划分，得到至少一个备选历史数据序列；

将满足行驶时间大于预设时间阈值和/或行驶里程大于预设里程阈值的备选历史数据序列确定为目标历史数据序列。

8.根据权利要求1-7任一项所述的方法，其特征在于，还包括：

确定所述目标车辆的当前剩余能量；

当所述当前剩余能量与所述车辆能耗的差值满足预设的差值条件时，提示目标用户电量不足。

9.一种车辆能耗预测装置，其特征在于，包括：

预测序列获取模块，用于获取目标车辆在当前时刻对应的待预测信息序列，所述待预测信息序列包括预设长度的待预测信息，所述待预测信息至少包括：待预测交通信息、待预测道路信息、待预测天气信息和待预测驾驶行为信息；

目标速度确定模块，用于根据所述待预测信息序列确定目标行驶速度；

剩余里程确定模块，用于根据目标车辆的当前位置信息和终点位置信息确定当前剩余行驶里程；

能耗确定模块，用于根据所述目标行驶速度和当前剩余行驶里程结合预确定的能耗预测模型确定车辆能耗；

所述目标速度确定模块，包括：

用户确定单元，用于确定所述目标车辆对应的目标用户；

车速模型确定单元，用于根据所述目标用户查找车速模型映射关系表，确定目标车速预测模型；

速度确定单元，用于将所述待预测信息序列输入至预确定的目标车速预测模型中，根据所述目标车速预测模型的输出结果确定目标行驶速度；

所述能耗确定模块，包括：

车辆类型确定单元，用于确定目标车辆的车辆类型；

类型查找单元，用于根据所述车辆类型查找预确定能耗模型映射关系表，将与所述车辆类型匹配的能耗预测模型作为目标能耗预测模型；

车辆能耗确定单元，用于将所述目标行驶速度和当前剩余行驶里程输入至所述目标能耗预测模型中，根据所述目标能耗预测模型的输出结果确定车辆能耗。

10.一种车辆，其特征在于，所述车辆包括：

一个或多个控制器；

存储器，用于存储一个或多个程序，

当所述一个或多个程序被所述一个或多个控制器执行，使得所述一个或多个控制器实现如权利要求1-8中任一所述的车辆能耗预测方法。

11.一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，该程序被处理器执行时实现如权利要求1-8中任一所述的车辆能耗预测方法。