CN114707037A - 新能源车辆节能驾驶推荐方法、装置、设备及存储介质 - Google Patents
新能源车辆节能驾驶推荐方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN114707037A CN114707037A CN202210288795.5A CN202210288795A CN114707037A CN 114707037 A CN114707037 A CN 114707037A CN 202210288795 A CN202210288795 A CN 202210288795A CN 114707037 A CN114707037 A CN 114707037A
- Authority
- CN
- China
- Prior art keywords
- energy
- energy consumption
- vehicle
- driving
- saving
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 53
- 238000005265 energy consumption Methods 0.000 claims abstract description 279
- 238000012544 monitoring process Methods 0.000 claims abstract description 56
- 238000004458 analytical method Methods 0.000 claims abstract description 52
- 238000010586 diagram Methods 0.000 claims description 21
- 238000010219 correlation analysis Methods 0.000 claims description 18
- 239000011159 matrix material Substances 0.000 claims description 17
- 238000004364 calculation method Methods 0.000 claims description 15
- 238000011156 evaluation Methods 0.000 claims description 11
- 230000006870 function Effects 0.000 claims description 8
- 238000007477 logistic regression Methods 0.000 claims description 8
- 238000012545 processing Methods 0.000 claims description 6
- 230000000694 effects Effects 0.000 abstract description 13
- 230000008569 process Effects 0.000 description 7
- 238000004146 energy storage Methods 0.000 description 6
- 238000004891 communication Methods 0.000 description 4
- 230000007613 environmental effect Effects 0.000 description 4
- 239000000178 monomer Substances 0.000 description 4
- 239000000523 sample Substances 0.000 description 4
- 230000008859 change Effects 0.000 description 2
- 239000000446 fuel Substances 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 238000004134 energy conservation Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000009413 insulation Methods 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000000844 transformation Methods 0.000 description 1
- 238000009423 ventilation Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/906—Clustering; Classification
-
- 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
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2462—Approximate or statistical queries
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/903—Querying
- G06F16/9035—Filtering based on additional data, e.g. user or group profiles
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Databases & Information Systems (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Computational Linguistics (AREA)
- Probability & Statistics with Applications (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Fuzzy Systems (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种新能源车辆节能驾驶推荐方法、装置、设备及存储介质，所述方法通过从大数据平台获取新能源车的监控数据，对所述监控数据进行划分，获得能耗分析基础数据；获取所述能耗分析基础数据对应的能耗影响因子信息，根据所述能耗影响因子信息对各类分组车辆进行标识，获得能耗消耗标识结果；根据所述能耗消耗标识结果向各类车辆推送用于调整车辆驾驶状态的控制信号，能够避免了凭经验设定影响因子的局限性，保证了影响因子确定的全面性、及时性和精确性，提高了节能驾驶推荐效果，缩短了新能源车辆节能驾驶推荐计算的时间，提升了新能源车辆节能驾驶推荐的速度和效率。
Description
技术领域
本发明涉及车辆节能技术领域，尤其涉及一种新能源车辆节能驾驶推荐方法、装置、设备及存储介质。
背景技术
近年，大数据、云计算以及车联网的发展正逐渐影响甚至改变汽车行业，同时，随着人们对环境和能源的关注，越来越多的研究开始关注利用大数据分析来降低能耗；在其中一类技术方案中，通过获取车辆型号、工况以及对应能耗，通过将同一车型在每一个工况下合理的能耗信息分别按照大小进行排名，每一个工况均选取一个能耗低的最佳能耗组，将每一个工况下最佳能耗组的能耗分别求平均值获得每一个工况下的最佳能耗，并输出同一车型在每一个工况下的最佳能耗至对应车型的控制单元，控制单元通过比对不同工况下的最佳能耗信息引导车辆向最佳能耗状态工作；但是这种方式的工况分组是预设分组，通过引导车辆改变预设分组信号中的车速和空调开关状态来改变能耗，最终也是通过引导车辆改变预设分组信号中的车速和空调开关状态来改变能耗；而车辆实际工况远比上述预设分组复杂得多，分组引导进行能耗控制的方式不够准确，最佳能耗估计有偏差，车辆节能驾驶引导的效果较差。
发明内容
本发明的主要目的在于提供一种新能源车辆节能驾驶推荐方法、装置、设备及存储介质，旨在解决现有技术中分组引导进行能耗控制的方式不够准确，最佳能耗估计有偏差，车辆节能驾驶引导的效果较差的技术问题。
第一方面，本发明提供一种新能源车辆节能驾驶推荐方法，所述新能源车辆节能驾驶推荐方法包括以下步骤：
从大数据平台获取新能源车的监控数据，对所述监控数据进行划分，获得能耗分析基础数据；
获取所述能耗分析基础数据对应的能耗影响因子信息，根据所述能耗影响因子信息对各类分组车辆进行标识，获得能耗消耗标识结果；
根据所述能耗消耗标识结果向各类车辆推送用于调整车辆驾驶状态的控制信号。
可选地，所述从大数据平台获取新能源车的监控数据，对所述监控数据进行划分，获得能耗分析基础数据，包括：
从大数据平台获取不同新能源车的监控数据和行车行程；
根据所述行车行程对所述监控数据进行划分，获得对应不同行车行程的能耗分析基础数据。
可选地，所述获取所述能耗分析基础数据对应的能耗影响因子信息，根据所述能耗影响因子信息对各类分组车辆进行标识，获得能耗消耗标识结果，包括：
从所述能耗分析基础数据中剔除无效信号，对剩余信号进行统计学计算，获得与能耗相关的驾驶特征；
对所述驾驶特征进行相关性分析，获得能耗影响因子信息；
根据所述能耗影响因子信息对各类分组车辆进行标识，获得能耗消耗标识结果。
可选地，所述对所述驾驶特征进行相关性分析，获得能耗影响因子信息，包括：
对所述驾驶特征进行相关性分析，计算各驾驶特征的各特征值的皮尔逊相关系数；
根据所述皮尔逊相关系数生成相关系数矩阵热力图，根据所述相关系数矩阵热力图获得各驾驶特征的皮尔逊系数绝对值；
将所述皮尔逊系数绝对值大于预设系数阈值的驾驶特征作为影响能耗的潜在因子，并获取所述潜在因子对应的能耗影响因子信息。
可选地，所述将所述皮尔逊系数绝对值大于预设系数阈值的驾驶特征作为影响能耗的潜在因子，并获取所述潜在因子对应的能耗影响因子信息，包括：
将所述皮尔逊系数绝对值大于预设系数阈值的驾驶特征作为影响能耗的潜在因子；
通过逻辑回归算法获得所述潜在因子中各影响因子的影响权重值、影响方向以及各影响因子的推荐工况区间，将所述影响权重值、所述影响方向以及所述推荐工况区间作为所述潜在因子对应的能耗影响因子信息。
可选地，所述根据所述能耗影响因子信息对各类分组车辆进行标识，获得能耗消耗标识结果，包括：
按照车型、车辆电池型号、车辆累计驾驶里程及环境温度对所述新能源车进行分组，获得各类分组车辆；
根据所述能耗影响因子信息按照预设能耗消耗等级对各类分组车辆进行能耗消耗标识，获得能耗消耗标识结果。
可选地，所述根据所述能耗消耗标识结果向各类车辆推送用于调整车辆驾驶状态的控制信号，包括：
根据所述能耗消耗标识结果获得各类车辆对应的节能操作和节能数值；
在检测到驾驶模式评估功能开启时，根据所述节能操作和所述节能数值生成对应的控制信号，并向各类车辆推送用于调整车辆驾驶状态的所述控制信号。
第二方面，为实现上述目的，本发明还提出一种新能源车辆节能驾驶推荐装置，所述新能源车辆节能驾驶推荐装置包括：
划分模块，用于从大数据平台获取新能源车的监控数据，对所述监控数据进行划分，获得能耗分析基础数据；
标识模块，用于获取所述能耗分析基础数据对应的能耗影响因子信息，根据所述能耗影响因子信息对各类分组车辆进行标识，获得能耗消耗标识结果；
推送模块，用于根据所述能耗消耗标识结果向各类车辆推送用于调整车辆驾驶状态的控制信号。
第三方面，为实现上述目的，本发明还提出一种新能源车辆节能驾驶推荐设备，所述新能源车辆节能驾驶推荐设备包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的新能源车辆节能驾驶推荐程序，所述新能源车辆节能驾驶推荐程序配置为实现如上文所述的新能源车辆节能驾驶推荐方法的步骤。
第四方面，为实现上述目的，本发明还提出一种存储介质，所述存储介质上存储有新能源车辆节能驾驶推荐程序，所述新能源车辆节能驾驶推荐程序被处理器执行时实现如上文所述的新能源车辆节能驾驶推荐方法的步骤。
本发明提出的新能源车辆节能驾驶推荐方法，通过从大数据平台获取新能源车的监控数据，对所述监控数据进行划分，获得能耗分析基础数据；获取所述能耗分析基础数据对应的能耗影响因子信息，根据所述能耗影响因子信息对各类分组车辆进行标识，获得能耗消耗标识结果；根据所述能耗消耗标识结果向各类车辆推送用于调整车辆驾驶状态的控制信号，能够避免了凭经验设定影响因子的局限性，保证了影响因子确定的全面性、及时性和精确性，提高了节能驾驶推荐效果，缩短了新能源车辆节能驾驶推荐计算的时间，提升了新能源车辆节能驾驶推荐的速度和效率。
附图说明
图1为本发明实施例方案涉及的硬件运行环境的设备结构示意图；
图2为本发明新能源车辆节能驾驶推荐方法第一实施例的流程示意图；
图3为本发明新能源车辆节能驾驶推荐方法第二实施例的流程示意图；
图4为本发明新能源车辆节能驾驶推荐方法第三实施例的流程示意图；
图5为本发明新能源车辆节能驾驶推荐方法第四实施例的流程示意图；
图6为本发明新能源车辆节能驾驶推荐方法第五实施例的流程示意图；
图7为本发明新能源车辆节能驾驶推荐方法第六实施例的流程示意图；
图8为本发明新能源车辆节能驾驶推荐装置第一实施例的功能模块图。
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
本发明实施例的解决方案主要是：通过从大数据平台获取新能源车的监控数据，对所述监控数据进行划分，获得能耗分析基础数据；获取所述能耗分析基础数据对应的能耗影响因子信息，根据所述能耗影响因子信息对各类分组车辆进行标识，获得能耗消耗标识结果；根据所述能耗消耗标识结果向各类车辆推送用于调整车辆驾驶状态的控制信号，能够避免了凭经验设定影响因子的局限性，保证了影响因子确定的全面性、及时性和精确性，提高了节能驾驶推荐效果，缩短了新能源车辆节能驾驶推荐计算的时间，提升了新能源车辆节能驾驶推荐的速度和效率，解决了现有技术中分组引导进行能耗控制的方式不够准确，最佳能耗估计有偏差，车辆节能驾驶引导的效果较差的技术问题。
参照图1，图1为本发明实施例方案涉及的硬件运行环境的设备结构示意图。
如图1所示，该设备可以包括：处理器1001，例如CPU，通信总线1002、用户接口1003，网络接口1004，存储器1005。其中，通信总线1002用于实现这些组件之间的连接通信。用户接口1003可以包括显示屏(Display)、输入单元比如键盘(Keyboard)，可选用户接口1003还可以包括标准的有线接口、无线接口。网络接口1004可选的可以包括标准的有线接口、无线接口(如Wi-Fi接口)。存储器1005可以是高速RAM存储器，也可以是稳定的存储器(Non-Volatile Memory)，例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储装置。
本领域技术人员可以理解，图1中示出的设备结构并不构成对该设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。
如图1所示，作为一种存储介质的存储器1005中可以包括操作装置、网络通信模块、用户接口模块以及新能源车辆节能驾驶推荐程序。
本发明设备通过处理器1001调用存储器1005中存储的新能源车辆节能驾驶推荐程序，并执行以下操作：
从大数据平台获取新能源车的监控数据，对所述监控数据进行划分，获得能耗分析基础数据；
获取所述能耗分析基础数据对应的能耗影响因子信息，根据所述能耗影响因子信息对各类分组车辆进行标识，获得能耗消耗标识结果；
根据所述能耗消耗标识结果向各类车辆推送用于调整车辆驾驶状态的控制信号。
本发明设备通过处理器1001调用存储器1005中存储的新能源车辆节能驾驶推荐程序，还执行以下操作：
从大数据平台获取不同新能源车的监控数据和行车行程；
根据所述行车行程对所述监控数据进行划分，获得对应不同行车行程的能耗分析基础数据。
本发明设备通过处理器1001调用存储器1005中存储的新能源车辆节能驾驶推荐程序，还执行以下操作：
从所述能耗分析基础数据中剔除无效信号，对剩余信号进行统计学计算，获得与能耗相关的驾驶特征；
对所述驾驶特征进行相关性分析，获得能耗影响因子信息；
根据所述能耗影响因子信息对各类分组车辆进行标识，获得能耗消耗标识结果。
本发明设备通过处理器1001调用存储器1005中存储的新能源车辆节能驾驶推荐程序，还执行以下操作：
对所述驾驶特征进行相关性分析，计算各驾驶特征的各特征值的皮尔逊相关系数；
根据所述皮尔逊相关系数生成相关系数矩阵热力图，根据所述相关系数矩阵热力图获得各驾驶特征的皮尔逊系数绝对值；
将所述皮尔逊系数绝对值大于预设系数阈值的驾驶特征作为影响能耗的潜在因子，并获取所述潜在因子对应的能耗影响因子信息。
本发明设备通过处理器1001调用存储器1005中存储的新能源车辆节能驾驶推荐程序，还执行以下操作：
将所述皮尔逊系数绝对值大于预设系数阈值的驾驶特征作为影响能耗的潜在因子；
通过逻辑回归算法获得所述潜在因子中各影响因子的影响权重值、影响方向以及各影响因子的推荐工况区间，将所述影响权重值、所述影响方向以及所述推荐工况区间作为所述潜在因子对应的能耗影响因子信息。
本发明设备通过处理器1001调用存储器1005中存储的新能源车辆节能驾驶推荐程序，还执行以下操作：
按照车型、车辆电池型号、车辆累计驾驶里程及环境温度对所述新能源车进行分组，获得各类分组车辆；
根据所述能耗影响因子信息按照预设能耗消耗等级对各类分组车辆进行能耗消耗标识，获得能耗消耗标识结果。
本发明设备通过处理器1001调用存储器1005中存储的新能源车辆节能驾驶推荐程序，还执行以下操作：
根据所述能耗消耗标识结果获得各类车辆对应的节能操作和节能数值；
在检测到驾驶模式评估功能开启时，根据所述节能操作和所述节能数值生成对应的控制信号，并向各类车辆推送用于调整车辆驾驶状态的所述控制信号。
本实施例通过上述方案，通过从大数据平台获取新能源车的监控数据，对所述监控数据进行划分，获得能耗分析基础数据；获取所述能耗分析基础数据对应的能耗影响因子信息，根据所述能耗影响因子信息对各类分组车辆进行标识，获得能耗消耗标识结果；根据所述能耗消耗标识结果向各类车辆推送用于调整车辆驾驶状态的控制信号，能够避免了凭经验设定影响因子的局限性，保证了影响因子确定的全面性、及时性和精确性，提高了节能驾驶推荐效果，缩短了新能源车辆节能驾驶推荐计算的时间，提升了新能源车辆节能驾驶推荐的速度和效率。
基于上述硬件结构，提出本发明新能源车辆节能驾驶推荐方法实施例。
参照图2，图2为本发明新能源车辆节能驾驶推荐方法第一实施例的流程示意图。
在第一实施例中，所述新能源车辆节能驾驶推荐方法包括以下步骤：
步骤S10、从大数据平台获取新能源车的监控数据，对所述监控数据进行划分，获得能耗分析基础数据。
需要说明的是，从大数据平台中可以获取不同车型的新能源车的相关监控数据，将所述监控数据进行划分，能够获得新能源车的能耗分析基础数据。
在具体实现中，大数据平台可以接入由远程信息处理器(Telematics BOX，T-BOX)上传的新能源车监控数据，对所述监控数据进行划分后能够获得能耗分析基础数据，所述监控数据包括但不限于：车辆识别代码(Vehicle Identification Number，VIN)、发送时间、车系、车型、报文类型、车速、车辆状态、运行模式、累计里程、档位、充电状态、加速踏板行程值、制动踏板状态、最高电压电池子系统号、最高电压电池单体代号、电池单体电压最高值、最低电压电池子系统号、最低电压电池单体代号、电池单体电压最低值、最高温度子系统号、最高温度探针序号、最高温度值、最低温度子系统号、最低温度探针序号、最低温度值、总电压、总电流、可充电储能子系统个数-电压、可充电储能装置电压、可充电储能装置电流、单体电池总数、单体电池电压、可充电储能子系统个数-温度、可充电储能子系统号-温度、可充电储能温度探针个数、电池探针温度、荷电状态(State Of Charge，SOC)、绝缘电阻、定位状态、经度、维度、DC-DC状态、电机控制器直流母线电流、驱动电机个数、驱动电机序号、驱动电机状态、驱动电机控制器温度、驱动电机转速、驱动电机转矩、驱动电机温度、电机控制器输入电压、最高报警等级、通用报警标志、可充电储能装置故障总数、驱动电机故障总数、发动机故障总数以及其他故障总数。
步骤S20、获取所述能耗分析基础数据对应的能耗影响因子信息，根据所述能耗影响因子信息对各类分组车辆进行标识，获得能耗消耗标识结果。
可以理解的是，所述能耗影响因子信息为影响新能源车驾驶能耗的影响因子对应的信息，从所述能耗分析基础数据中可以筛选出相应的能耗影响因子信息，进而可以根据所述能耗影响因子信息对不同类型的新能源车，即对各类分组车辆进行标识，从而获得能耗消耗标识结果。
步骤S30、根据所述能耗消耗标识结果向各类车辆推送用于调整车辆驾驶状态的控制信号。
应当理解的是，根据所述能耗消耗标识结果可以在驾驶员驾驶期间主动向各类车辆推送调整车辆驾驶状态的控制信号，控制信号包括但不限于对车内空调的控制信号、对当前车速的控制信号、对车窗和天窗的控制信号以及对驾驶模式的控制信号，还可以是对动力回收装置的控制信号等，本实施例对此不加以限制。
本实施例通过上述方案，通过从大数据平台获取新能源车的监控数据，对所述监控数据进行划分，获得能耗分析基础数据；获取所述能耗分析基础数据对应的能耗影响因子信息，根据所述能耗影响因子信息对各类分组车辆进行标识，获得能耗消耗标识结果；根据所述能耗消耗标识结果向各类车辆推送用于调整车辆驾驶状态的控制信号，能够避免了凭经验设定影响因子的局限性，保证了影响因子确定的全面性、及时性和精确性，提高了节能驾驶推荐效果，缩短了新能源车辆节能驾驶推荐计算的时间，提升了新能源车辆节能驾驶推荐的速度和效率。
进一步地，图3为本发明新能源车辆节能驾驶推荐方法第二实施例的流程示意图，如图3所示，基于第一实施例提出本发明新能源车辆节能驾驶推荐方法第二实施例，在本实施例中，所述步骤S10具体包括以下步骤：
步骤S11、从大数据平台获取不同新能源车的监控数据和行车行程。
需要说明的是，从大数据平台可以获得监控不同新能源车的监控数据和以及新能源车行车过程中实时采集的行车行程对应的数据。
在具体实现中，所述监控数据会经过数据预处理过程，即经过解析、标准化、异常值处理等数据清洗过程，从而方便进行后续数据的划分，提高数据处理的速度和效率；车端向大数据平台上传车辆监控数据，监控数据为每10秒记录一条，当然也可以是其他监控周期，本实施例对此不加以限制；一般可以对车辆行程进行划分，选取其中车辆状态为1的作为行驶行程，当两次收到报文的时间间隔超过15分钟，则划分为新的行程。
步骤S12、根据所述行车行程对所述监控数据进行划分，获得对应不同行车行程的能耗分析基础数据。
可以理解的是，通过所述行车行程可以对所述监控数据进行划分，能够获得不同行车行程对应的能耗分析基础数据。
本实施例通过上述方案，通过从大数据平台获取不同新能源车的监控数据和行车行程；根据所述行车行程对所述监控数据进行划分，获得对应不同行车行程的能耗分析基础数据，能够精确获得不同行程的新能源车的能耗相关数据，进一步提高了新能源车辆节能驾驶推荐的准确性。
进一步地，图4为本发明新能源车辆节能驾驶推荐方法第三实施例的流程示意图，如图4所示，基于第一实施例提出本发明新能源车辆节能驾驶推荐方法第三实施例，在本实施例中，所述步骤S20具体包括以下步骤：
步骤S21、从所述能耗分析基础数据中剔除无效信号，对剩余信号进行统计学计算，获得与能耗相关的驾驶特征。
需要说明的是，从所述能耗分析基础数据中能够剔除与能耗不相干的无效信号，所述无效信号可以为VIN号、车型及车系等无效信号，本实施例对此不加以限制；对剩余信号进行统计学计算后，能够获得与能耗相关的驾驶特征，统计学计算一般可以为计算最大值、最小值、平均值及方差等运算，当然还可以为其他统计学计算，例如中值、中位数及离散系数等，本实施例对此不加以限制。
步骤S22、对所述驾驶特征进行相关性分析，获得能耗影响因子信息。
可以理解的是，对所述驾驶特征进行相关性分析后，能够获得各个驾驶特征对应的影响能耗的潜在因子的信息，即能耗影响因子信息。
步骤S23、根据所述能耗影响因子信息对各类分组车辆进行标识，获得能耗消耗标识结果。
应当理解的是，通过所述能耗影响因子信息可以对各类分组车辆进行能耗等级高低的标识，从而获得对应的能耗消耗标识结果
本实施例通过上述方案，通过从所述能耗分析基础数据中剔除无效信号，对剩余信号进行统计学计算，获得与能耗相关的驾驶特征；对所述驾驶特征进行相关性分析，获得能耗影响因子信息；根据所述能耗影响因子信息对各类分组车辆进行标识，获得能耗消耗标识结果；能够避免了无效信号对影响因子确定的干扰，对不同新能源车辆进行能耗等级标识，提高了节能驾驶推荐效果，缩短了新能源车辆节能驾驶推荐计算的时间。
进一步地，图5为本发明新能源车辆节能驾驶推荐方法第四实施例的流程示意图，如图5所示，基于第三实施例提出本发明新能源车辆节能驾驶推荐方法第四实施例，在本实施例中，所述步骤S22具体包括以下步骤：
步骤S221、对所述驾驶特征进行相关性分析，计算各驾驶特征的各特征值的皮尔逊相关系数。
需要说明的是，对所述驾驶特征进行相关性分析，计算各驾驶特征的各特征值的皮尔逊相关系数；皮尔逊相关系数用于度量两个变量(X和Y)之间的线性相关程度，其值介于-1与1之间；用来判别随着X增大，Y是否同时增大或者减小；系数绝对值越大，相关性越强，系数为0则表示无相关性，正负表示是正/负相关。
步骤S222、根据所述皮尔逊相关系数生成相关系数矩阵热力图，根据所述相关系数矩阵热力图获得各驾驶特征的皮尔逊系数绝对值。
可以理解的是，根据所述皮尔逊相关系数生成不同相关系数与不同能耗相关度对应的矩阵热力图，一般矩阵热力图中颜色越深表示两个驾驶特征之间正相关性越大，颜色越浅表示负相关性越大，根据所述相关系数矩阵热力图获得各驾驶特征的皮尔逊系数绝对值。
步骤S223、将所述皮尔逊系数绝对值大于预设系数阈值的驾驶特征作为影响能耗的潜在因子，并获取所述潜在因子对应的能耗影响因子信息。
应当理解的是，所述预设系数阈值为预先设置筛选驾驶特征的系数值，将所述皮尔逊系数绝对值大于预设系数阈值的驾驶特征作为影响能耗的潜在因子，从而可以获得所述潜在因子对应的能耗影响因子信息。
在具体实现中，对于皮尔逊系数绝对值大于0.8的两个驾驶特征，由于会产生共性线干扰，因此仅选取其中一个作为影响能耗的潜在因子，同时对于皮尔逊系统绝对值小于0.2的驾驶特征认为与能耗弱相关，不作为潜在因子，据此得到能耗的潜在因子，当然也可以将所述预设系数阈值设置为其他数值，本实施例对此不加以限制。
进一步的，所述步骤S223具体包括以下步骤：
将所述皮尔逊系数绝对值大于预设系数阈值的驾驶特征作为影响能耗的潜在因子；
通过逻辑回归算法获得所述潜在因子中各影响因子的影响权重值、影响方向以及各影响因子的推荐工况区间，将所述影响权重值、所述影响方向以及所述推荐工况区间作为所述潜在因子对应的能耗影响因子信息。
可以理解的是，将潜在因子导入基于逻辑回归算法的计算模型，得到能耗影响因子权重图，一般可以用红色表示正影响(即能耗高)，绿色表示负影响(即能耗低)，权重值越大表示影响越大，权重值越低表示影响越小，当然也可以采取其他颜色标识，本实施例对此不加以限制。
在具体实现中，通过搭建基于逻辑回归的判别模型，可以量化高耗能驾驶行为/状态影响系数；假设有一个因变量y和一组自变量x1，x2，x3，...，xn，其中y为连续变量，我们可以拟合一个线性方程：
y＝β0+β1*x1+β2*x2+β3*x3+...+βn*xn
并通过最小二乘法估计各个皮尔逊系数β系数的值；对于二分类问题，将线性回归方程改写为：
y＝1/(1+e-z)，
其中，z＝β0+β1*x1+β2*x2+β3*x3+...+βn*xn
此时方程两边的取值都在0和1之间；
进一步数学变换，可以写为：
Ln(y/(1-y))＝β0+β1*x1+β2*x2+β3*x3+...+βn*xn
Ln(y/(1-y))称为Logit变换，再将y视为y取值为1的概率p(y＝1)，因此，1-y就是y取值为0的概率p(y＝0)；
相应步骤为：
1)制作Y标签，判定高耗能(高能耗置1，否则置0)
2)特征因子抽取(取出弱关联性特征)
3)构建回归方程
4)评价模型并解释系数
输入：行程各特征值；
输出：百公里油耗类别(高为1，否则为0)，各特征对油耗的影响因素权重。
本实施例通过上述方案，通过对所述驾驶特征进行相关性分析，计算各驾驶特征的各特征值的皮尔逊相关系数；根据所述皮尔逊相关系数生成相关系数矩阵热力图，根据所述相关系数矩阵热力图获得各驾驶特征的皮尔逊系数绝对值；将所述皮尔逊系数绝对值大于预设系数阈值的驾驶特征作为影响能耗的潜在因子，并获取所述潜在因子对应的能耗影响因子信息，能够进一步提升新能源车辆节能驾驶推荐的准确性，提高了节能驾驶推荐效果，缩短了新能源车辆节能驾驶推荐计算的时间。
进一步地，图6为本发明新能源车辆节能驾驶推荐方法第五实施例的流程示意图，如图6所示，基于第三实施例提出本发明新能源车辆节能驾驶推荐方法第五实施例，在本实施例中，所述步骤S23具体包括以下步骤：
步骤S231、按照车型、车辆电池型号、车辆累计驾驶里程及环境温度对所述新能源车进行分组，获得各类分组车辆。
需要说明的是，新能源车能耗很大程度上跟电池性能和驾驶环境有关，因此按照车型、车辆电池型号、车辆累计驾驶里程、环境温度可以对车辆进行了分组，从而获得各类分组车辆。
在具体实现中，大数据平台根据分组的不同，向车辆下发对应分组的主要影响因子的推荐控制信号值；整合车辆监控数据、车辆基础信息和环境信息，可以按照车辆累计驾驶时长对车辆进行分组，每1万公里为一个区间，比如0～1万公里为一组，1～2万公里为一组等等；可以按照环境温度对行程进行分组，环境温度低于10℃标记为冬季，环境温度高于22℃标记为夏季，环境温度位于10℃～22℃标记为其他。
步骤S232、根据所述能耗影响因子信息按照预设能耗消耗等级对各类分组车辆进行能耗消耗标识，获得能耗消耗标识结果。
可以理解的是，通过预先设置的能耗消耗等级，可以对各类分组车辆进行能耗消耗标识，从而获得相应的能耗消耗标识结果。
在具体实现中，对于同一车型、同一电池型号、同一累计里程分组、同一环境温度分组、同一地区的车辆，计算该分组内车辆所有行程的能耗分布情况，能耗计算公式为(行程开始SOC–行程结束SOC)/行程行驶里程*100，将能耗大于整体七十分位的行程标记为高能耗行程，其他标记为正常能耗行程；可以根据车辆的能耗情况对车辆打标签，对于百公里SOC能耗大于整体七十分位数的车辆，将被标记为高能耗车辆，对于此类型车辆，将会在驾驶员驾驶期间主动推送建议开启“节能驾驶评估”的提醒，当车辆驾驶人员在车端选择“驾驶模式评估”时，大数据平台向车端推送对应的控制信号值作为调整车辆驾驶状态的参考，从而达到降低能耗的目的；通过个分组区间的能耗表现，可以计算各影响因子的推荐取值范围。
本实施例通过上述方案，通过按照车型、车辆电池型号、车辆累计驾驶里程及环境温度对所述新能源车进行分组，获得各类分组车辆；根据所述能耗影响因子信息按照预设能耗消耗等级对各类分组车辆进行能耗消耗标识，获得能耗消耗标识结果，能够对不同新能源车辆进行能耗等级标识，提高了节能驾驶推荐效果，缩短了新能源车辆节能驾驶推荐计算的时间。
进一步地，图7为本发明新能源车辆节能驾驶推荐方法第六实施例的流程示意图，如图7所示，基于第一实施例提出本发明新能源车辆节能驾驶推荐方法第六实施例，在本实施例中，所述步骤S30具体包括以下步骤：
步骤S31、根据所述能耗消耗标识结果获得各类车辆对应的节能操作和节能数值。
需要说明的是，不同的能耗消耗标识结果对应不同的节能操作，以及相应的节能数值，节能操作可以是调整车速、调整空调温度、调整通风口风速大小、调整车窗和天窗位置等，本实施例对此不加以限制，不同的节能操作对应不同的节能数值。
步骤S32、在检测到驾驶模式评估功能开启时，根据所述节能操作和所述节能数值生成对应的控制信号，并向各类车辆推送用于调整车辆驾驶状态的所述控制信号。
可以理解的是，在检测到驾驶模式评估功能开启时，可以根据节能操作和所述节能数值生成对应的控制信号，进而进行信号推送。
在具体实现中，当车辆驾驶人员在车端选择“驾驶模式评估”时，大数据平台根据该车型所在的分组(同一车型、同一电池型号、同一累计里程分组、同一环境温度分组、同一地区的车辆)，向车辆下发对应的控制信号值，告知驾驶员当前车辆能耗处于所在分组的整体分位数，并且建议驾驶员将能耗影响因子对应的驾驶特征控制在推荐值范围内(比如车速控制在30～35)，并实时反馈车辆当前驾驶状态与推荐值得匹配度，作为调整车辆驾驶状态的参考，从而达到降低能耗的目的。
本实施例通过上述方案，通过根据所述能耗消耗标识结果获得各类车辆对应的节能操作和节能数值；在检测到驾驶模式评估功能开启时，根据所述节能操作和所述节能数值生成对应的控制信号，并向各类车辆推送用于调整车辆驾驶状态的所述控制信号；能够避免了凭经验设定影响因子的局限性，保证了影响因子确定的全面性、及时性和精确性，提高了节能驾驶推荐效果，缩短了新能源车辆节能驾驶推荐计算的时间，提升了新能源车辆节能驾驶推荐的速度和效率。
相应地，本发明进一步提供一种新能源车辆节能驾驶推荐装置。
参照图8，图8为本发明新能源车辆节能驾驶推荐装置第一实施例的功能模块图。
本发明新能源车辆节能驾驶推荐装置第一实施例中，该新能源车辆节能驾驶推荐装置包括：
划分模块10，用于从大数据平台获取新能源车的监控数据，对所述监控数据进行划分，获得能耗分析基础数据。
标识模块20，用于获取所述能耗分析基础数据对应的能耗影响因子信息，根据所述能耗影响因子信息对各类分组车辆进行标识，获得能耗消耗标识结果。
推送模块30，用于根据所述能耗消耗标识结果向各类车辆推送用于调整车辆驾驶状态的控制信号。
所述划分模块10，还用于从大数据平台获取不同新能源车的监控数据和行车行程；根据所述行车行程对所述监控数据进行划分，获得对应不同行车行程的能耗分析基础数据。
所述标识模块20，还用于从所述能耗分析基础数据中剔除无效信号，对剩余信号进行统计学计算，获得与能耗相关的驾驶特征；对所述驾驶特征进行相关性分析，获得能耗影响因子信息；根据所述能耗影响因子信息对各类分组车辆进行标识，获得能耗消耗标识结果。
所述标识模块20，还用于对所述驾驶特征进行相关性分析，计算各驾驶特征的各特征值的皮尔逊相关系数；根据所述皮尔逊相关系数生成相关系数矩阵热力图，根据所述相关系数矩阵热力图获得各驾驶特征的皮尔逊系数绝对值；将所述皮尔逊系数绝对值大于预设系数阈值的驾驶特征作为影响能耗的潜在因子，并获取所述潜在因子对应的能耗影响因子信息。
所述标识模块20，还用于将所述皮尔逊系数绝对值大于预设系数阈值的驾驶特征作为影响能耗的潜在因子；通过逻辑回归算法获得所述潜在因子中各影响因子的影响权重值、影响方向以及各影响因子的推荐工况区间，将所述影响权重值、所述影响方向以及所述推荐工况区间作为所述潜在因子对应的能耗影响因子信息。
所述标识模块20，还用于按照车型、车辆电池型号、车辆累计驾驶里程及环境温度对所述新能源车进行分组，获得各类分组车辆；根据所述能耗影响因子信息按照预设能耗消耗等级对各类分组车辆进行能耗消耗标识，获得能耗消耗标识结果。
所述推送模块30，还用于根据所述能耗消耗标识结果获得各类车辆对应的节能操作和节能数值；在检测到驾驶模式评估功能开启时，根据所述节能操作和所述节能数值生成对应的控制信号，并向各类车辆推送用于调整车辆驾驶状态的所述控制信号。
其中，新能源车辆节能驾驶推荐装置的各个功能模块实现的步骤可参照本发明新能源车辆节能驾驶推荐方法的各个实施例，此处不再赘述。
此外，本发明实施例还提出一种存储介质，所述存储介质上存储有新能源车辆节能驾驶推荐程序，所述新能源车辆节能驾驶推荐程序被处理器执行时实现如下操作：
从大数据平台获取新能源车的监控数据，对所述监控数据进行划分，获得能耗分析基础数据；
获取所述能耗分析基础数据对应的能耗影响因子信息，根据所述能耗影响因子信息对各类分组车辆进行标识，获得能耗消耗标识结果；
根据所述能耗消耗标识结果向各类车辆推送用于调整车辆驾驶状态的控制信号。
进一步地，所述新能源车辆节能驾驶推荐程序被处理器执行时还实现如下操作：
从大数据平台获取不同新能源车的监控数据和行车行程；
根据所述行车行程对所述监控数据进行划分，获得对应不同行车行程的能耗分析基础数据。
进一步地，所述新能源车辆节能驾驶推荐程序被处理器执行时还实现如下操作：
从所述能耗分析基础数据中剔除无效信号，对剩余信号进行统计学计算，获得与能耗相关的驾驶特征；
对所述驾驶特征进行相关性分析，获得能耗影响因子信息；
根据所述能耗影响因子信息对各类分组车辆进行标识，获得能耗消耗标识结果。
进一步地，所述新能源车辆节能驾驶推荐程序被处理器执行时还实现如下操作：
对所述驾驶特征进行相关性分析，计算各驾驶特征的各特征值的皮尔逊相关系数；
根据所述皮尔逊相关系数生成相关系数矩阵热力图，根据所述相关系数矩阵热力图获得各驾驶特征的皮尔逊系数绝对值；
将所述皮尔逊系数绝对值大于预设系数阈值的驾驶特征作为影响能耗的潜在因子，并获取所述潜在因子对应的能耗影响因子信息。
进一步地，所述新能源车辆节能驾驶推荐程序被处理器执行时还实现如下操作：
将所述皮尔逊系数绝对值大于预设系数阈值的驾驶特征作为影响能耗的潜在因子；
通过逻辑回归算法获得所述潜在因子中各影响因子的影响权重值、影响方向以及各影响因子的推荐工况区间，将所述影响权重值、所述影响方向以及所述推荐工况区间作为所述潜在因子对应的能耗影响因子信息。
进一步地，所述新能源车辆节能驾驶推荐程序被处理器执行时还实现如下操作：
按照车型、车辆电池型号、车辆累计驾驶里程及环境温度对所述新能源车进行分组，获得各类分组车辆；
根据所述能耗影响因子信息按照预设能耗消耗等级对各类分组车辆进行能耗消耗标识，获得能耗消耗标识结果。
进一步地，所述新能源车辆节能驾驶推荐程序被处理器执行时还实现如下操作：
根据所述能耗消耗标识结果获得各类车辆对应的节能操作和节能数值；
在检测到驾驶模式评估功能开启时，根据所述节能操作和所述节能数值生成对应的控制信号，并向各类车辆推送用于调整车辆驾驶状态的所述控制信号。
本实施例通过上述方案，通过从大数据平台获取新能源车的监控数据，对所述监控数据进行划分，获得能耗分析基础数据；获取所述能耗分析基础数据对应的能耗影响因子信息，根据所述能耗影响因子信息对各类分组车辆进行标识，获得能耗消耗标识结果；根据所述能耗消耗标识结果向各类车辆推送用于调整车辆驾驶状态的控制信号，能够避免了凭经验设定影响因子的局限性，保证了影响因子确定的全面性、及时性和精确性，提高了节能驾驶推荐效果，缩短了新能源车辆节能驾驶推荐计算的时间，提升了新能源车辆节能驾驶推荐的速度和效率。
需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者装置不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者装置所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素。
上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。
以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。
Claims (10)
1.一种新能源车辆节能驾驶推荐方法，其特征在于，所述新能源车辆节能驾驶推荐方法，包括：
从大数据平台获取新能源车的监控数据，对所述监控数据进行划分，获得能耗分析基础数据；
获取所述能耗分析基础数据对应的能耗影响因子信息，根据所述能耗影响因子信息对各类分组车辆进行标识，获得能耗消耗标识结果；
根据所述能耗消耗标识结果向各类车辆推送用于调整车辆驾驶状态的控制信号。
2.如权利要求1所述的新能源车辆节能驾驶推荐方法，其特征在于，所述从大数据平台获取新能源车的监控数据，对所述监控数据进行划分，获得能耗分析基础数据，包括：
从大数据平台获取不同新能源车的监控数据和行车行程；
根据所述行车行程对所述监控数据进行划分，获得对应不同行车行程的能耗分析基础数据。
3.如权利要求1所述的新能源车辆节能驾驶推荐方法，其特征在于，所述获取所述能耗分析基础数据对应的能耗影响因子信息，根据所述能耗影响因子信息对各类分组车辆进行标识，获得能耗消耗标识结果，包括：
从所述能耗分析基础数据中剔除无效信号，对剩余信号进行统计学计算，获得与能耗相关的驾驶特征；
对所述驾驶特征进行相关性分析，获得能耗影响因子信息；
根据所述能耗影响因子信息对各类分组车辆进行标识，获得能耗消耗标识结果。
4.如权利要求3所述的新能源车辆节能驾驶推荐方法，其特征在于，所述对所述驾驶特征进行相关性分析，获得能耗影响因子信息，包括：
对所述驾驶特征进行相关性分析，计算各驾驶特征的各特征值的皮尔逊相关系数；
根据所述皮尔逊相关系数生成相关系数矩阵热力图，根据所述相关系数矩阵热力图获得各驾驶特征的皮尔逊系数绝对值；
将所述皮尔逊系数绝对值大于预设系数阈值的驾驶特征作为影响能耗的潜在因子，并获取所述潜在因子对应的能耗影响因子信息。
5.如权利要求4所述的新能源车辆节能驾驶推荐方法，其特征在于，所述将所述皮尔逊系数绝对值大于预设系数阈值的驾驶特征作为影响能耗的潜在因子，并获取所述潜在因子对应的能耗影响因子信息，包括：
将所述皮尔逊系数绝对值大于预设系数阈值的驾驶特征作为影响能耗的潜在因子；
通过逻辑回归算法获得所述潜在因子中各影响因子的影响权重值、影响方向以及各影响因子的推荐工况区间，将所述影响权重值、所述影响方向以及所述推荐工况区间作为所述潜在因子对应的能耗影响因子信息。
6.如权利要求3所述的新能源车辆节能驾驶推荐方法，其特征在于，所述根据所述能耗影响因子信息对各类分组车辆进行标识，获得能耗消耗标识结果，包括：
按照车型、车辆电池型号、车辆累计驾驶里程及环境温度对所述新能源车进行分组，获得各类分组车辆；
根据所述能耗影响因子信息按照预设能耗消耗等级对各类分组车辆进行能耗消耗标识，获得能耗消耗标识结果。
7.如权利要求1-6中任一项所述的新能源车辆节能驾驶推荐方法，其特征在于，所述根据所述能耗消耗标识结果向各类车辆推送用于调整车辆驾驶状态的控制信号，包括：
根据所述能耗消耗标识结果获得各类车辆对应的节能操作和节能数值；
在检测到驾驶模式评估功能开启时，根据所述节能操作和所述节能数值生成对应的控制信号，并向各类车辆推送用于调整车辆驾驶状态的所述控制信号。
8.一种新能源车辆节能驾驶推荐装置，其特征在于，所述新能源车辆节能驾驶推荐装置包括：
划分模块，用于从大数据平台获取新能源车的监控数据，对所述监控数据进行划分，获得能耗分析基础数据；
标识模块，用于获取所述能耗分析基础数据对应的能耗影响因子信息，根据所述能耗影响因子信息对各类分组车辆进行标识，获得能耗消耗标识结果；
推送模块，用于根据所述能耗消耗标识结果向各类车辆推送用于调整车辆驾驶状态的控制信号。
9.一种新能源车辆节能驾驶推荐设备，其特征在于，所述新能源车辆节能驾驶推荐设备包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的新能源车辆节能驾驶推荐程序，所述新能源车辆节能驾驶推荐程序配置为实现如权利要求1至7中任一项所述的新能源车辆节能驾驶推荐方法的步骤。
10.一种存储介质，其特征在于，所述存储介质上存储有新能源车辆节能驾驶推荐程序，所述新能源车辆节能驾驶推荐程序被处理器执行时实现如权利要求1至7中任一项所述的新能源车辆节能驾驶推荐方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210288795.5A CN114707037A (zh) | 2022-03-22 | 2022-03-22 | 新能源车辆节能驾驶推荐方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210288795.5A CN114707037A (zh) | 2022-03-22 | 2022-03-22 | 新能源车辆节能驾驶推荐方法、装置、设备及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114707037A true CN114707037A (zh) | 2022-07-05 |
Family
ID=82168799
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210288795.5A Pending CN114707037A (zh) | 2022-03-22 | 2022-03-22 | 新能源车辆节能驾驶推荐方法、装置、设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114707037A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117892009A (zh) * | 2024-03-11 | 2024-04-16 | 集度科技(武汉)有限公司 | 车辆电池包的推荐方法、装置、计算机设备及存储介质 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107180288A (zh) * | 2017-07-21 | 2017-09-19 | 东软集团股份有限公司 | 驾驶行为能耗测算方法、装置、存储介质及电子设备 |
| 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 |
| CN108681742A (zh) * | 2018-04-12 | 2018-10-19 | 上海交通大学 | 一种用于分析司机驾驶行为特征敏感性的分析方法 |
| CN110033112A (zh) * | 2018-01-12 | 2019-07-19 | 吉旗物联科技（上海）有限公司 | 一种百公里油耗预估分析方法 |
| CN110949393A (zh) * | 2019-12-06 | 2020-04-03 | 中国第一汽车股份有限公司 | 一种驾驶行为分析方法、装置、车辆及存储介质 |
| CN111452794A (zh) * | 2019-01-22 | 2020-07-28 | 上海汽车集团股份有限公司 | 一种确定能耗的方法及装置和确定驾驶策略的方法及装置 |
| CN112078431A (zh) * | 2020-08-19 | 2020-12-15 | 大众问问(北京)信息科技有限公司 | 一种车辆能耗预测和能源补充方法及相关设备 |
| CN112200932A (zh) * | 2020-09-03 | 2021-01-08 | 北京蜂云科创信息技术有限公司 | 一种评估重型柴油车能耗的方法和设备 |
-
2022
- 2022-03-22 CN CN202210288795.5A patent/CN114707037A/zh active Pending
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| CN107180288A (zh) * | 2017-07-21 | 2017-09-19 | 东软集团股份有限公司 | 驾驶行为能耗测算方法、装置、存储介质及电子设备 |
| CN110033112A (zh) * | 2018-01-12 | 2019-07-19 | 吉旗物联科技（上海）有限公司 | 一种百公里油耗预估分析方法 |
| CN108681742A (zh) * | 2018-04-12 | 2018-10-19 | 上海交通大学 | 一种用于分析司机驾驶行为特征敏感性的分析方法 |
| CN111452794A (zh) * | 2019-01-22 | 2020-07-28 | 上海汽车集团股份有限公司 | 一种确定能耗的方法及装置和确定驾驶策略的方法及装置 |
| CN110949393A (zh) * | 2019-12-06 | 2020-04-03 | 中国第一汽车股份有限公司 | 一种驾驶行为分析方法、装置、车辆及存储介质 |
| CN112078431A (zh) * | 2020-08-19 | 2020-12-15 | 大众问问(北京)信息科技有限公司 | 一种车辆能耗预测和能源补充方法及相关设备 |
| CN112200932A (zh) * | 2020-09-03 | 2021-01-08 | 北京蜂云科创信息技术有限公司 | 一种评估重型柴油车能耗的方法和设备 |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117892009A (zh) * | 2024-03-11 | 2024-04-16 | 集度科技(武汉)有限公司 | 车辆电池包的推荐方法、装置、计算机设备及存储介质 |
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 | |
| CN110570014B (zh) | 一种基于蒙特卡洛和深度学习的电动汽车充电负荷预测方法 | |
| CN111301426B (zh) | 基于gru网络模型预测未来行驶过程能耗的方法 | |
| CN108556682B (zh) | 一种续驶里程预测方法、装置及设备 | |
| DE102011117218A1 (de) | Elektrischer Fahrreichweitenrechner | |
| CN112526351B (zh) | 一种评估电动汽车的动力电池健康状态及剩余寿命的方法 | |
| CN112327168A (zh) | 一种基于XGBoost的电动汽车电池消耗预测方法 | |
| CN113352899B (zh) | 一种基于XGBoost算法的氢燃料电池汽车续航里程预测方法 | |
| CN113895307B (zh) | 一种剩余里程的确定方法、装置、电动汽车及介质 | |
| CN114829961A (zh) | 利用机器学习模型预测电池健康状况的方法和系统 | |
| JP2023063233A (ja) | 作業条件識別に基づく一車用エアコンのエネルギー消費量の予測方法および予測装置 | |
| CN114707037A (zh) | 新能源车辆节能驾驶推荐方法、装置、设备及存储介质 | |
| CN115817183A (zh) | 一种纯电动汽车续驶里程预测方法及预测装置 | |
| CN116562405A (zh) | 一种增程式插电混合动力汽车预约充电智能方法、装置及计算机系统 | |
| CN114924203A (zh) | 一种电池soh预测分析方法及电动汽车 | |
| CN112765726A (zh) | 一种寿命预测方法及装置 | |
| CN116011995A (zh) | 车辆保养信息推送方法、装置、电子设备及存储介质 | |
| CN116118571A (zh) | 一种车辆续航里程的预测方法和装置 | |
| CN116080470A (zh) | 电动汽车的动力电池监控方法、装置、服务器及介质 | |
| CN115222145A (zh) | 基于新能源汽车运行大数据的续驶里程预测方法及系统 | |
| DE102022202882A1 (de) | Verfahren und Vorrichtung zum Bereitstellen eines prädizierten Alterungszustands einer Gerätebatterie basierend auf einem prädizierten Nutzungsmuster | |
| CN115688957A (zh) | 一种车辆能耗确定方法、装置、电子设备及存储介质 | |
| CN112364082A (zh) | 车辆的能耗分析方法和装置 | |
| CN111538752A (zh) | 基于车联网的车辆用途识别方法、系统及存储介质 | |
| CN116238337A (zh) | 一种基于高速行驶的电动汽车能耗预测方法和系统 |
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 |