CN115115073A - 一种续驶里程预测方法及装置 - Google Patents

Abstract

本申请公开了一种续驶里程预测方法及装置，涉及数据处理技术领域，以提高对续驶里程进行预测的准确性。该方法包括：获取第一预测模型；利用所述第一预测模型获得第一续驶里程预测值；当所述第一续驶里程预测值不满足第一预设要求时，对所述第一预测模型进行调整，得到第二预测模型；利用所述第二预测模型预测续驶里程。本申请实施例可提高对续驶里程进行预测的准确性。

Description

一种续驶里程预测方法及装置

技术领域

本申请涉及数据处理技术领域，尤其涉及一种续驶里程预测方法及装置。

背景技术

近年来，电动汽车市场飞速增长。其中，纯电动车是最主要的销售车型。纯电动汽车的续驶里程是电动汽车产品销售的最重要特点之一，也在实际使用过程中直接影响用户的体验。

目前可采用NEDC(New European Driving Cycle，新欧洲驾驶周期)预测续驶里程。但这一标准规定的测试工况与城市实际的用车情况偏离较远。在实际过程中，续驶里程进一步受汽车自身运行的情况(如整车质量、速度、是否开窗、是否开空调制冷加热等)和所处环境(如温度、湿度、海拔高度等)的影响而发生变化。

现有技术CN111806239A提供了一种电动车辆续驶里程测量方法。根据其记载，可根据车辆测试功耗、出厂建立好的电量剩余水平与续驶里程的对应关系，查表获得续驶里程，且不支持OTA(Over-the-Air Technology，空中下载技术)的车辆无法更新上述对应关系。现有技术还提出了可以基于机器学习提高续驶里程预测精度的方法。

但是，在使用现有技术提供的续驶里程的预测方法进行预测时，一旦出现预测不准确时，无法进行调整，从而影响了对续驶里程预测的准确性。

发明内容

本申请实施例提供一种续驶里程预测方法及装置，以提高对续驶里程进行预测的准确性。

第一方面，本申请实施例提供了一种续驶里程预测方法，应用于车载终端，其特征在于，包括：

获取第一预测模型；

利用所述第一预测模型获得第一续驶里程预测值；

当所述第一续驶里程预测值不满足第一预设要求时，对所述第一预测模型进行调整，得到第二预测模型；

利用所述第二预测模型预测续驶里程。

其中，在对所述第一预测模型进行调整，得到第二预测模型之前，所述方法还包括：

基于SOA(Service Oriented Architecture，面向服务的架构)，与目标域建立服务订阅和发布关系；

其中，所述目标域包括以下域中的一个或者多个：底盘域，车身域，辅助驾驶域，信息娱乐域。

其中，所述与目标域建立服务订阅和发布关系，包括：

当在服务管理中间件完成注册后，向所述服务管理中间件发送辅助驾驶服务订阅请求，所述辅助驾驶服务订阅请求用于从所述目标域订阅所述目标域的可用计算资源的信息；

接收所述目标域发送的服务发布消息，所述服务发布消息包括所述目标域的可用计算资源的信息。

其中，所述对所述第一预测模型进行调整，得到第二预测模型，包括：

获取可用计算资源，其中，所述可用空闲计算资源包括本域的可用计算资源或所述目标域的可用计算资源；

若所述可用计算资源满足第二预设要求，则利用所述可用计算资源进行模型训练，得到所述第二预测模型；

若所述可用计算资源不满足所述第二预设要求，则从云端获取所述第二预测模型。

其中，所述若所述可用计算资源满足第二预设要求，则利用所述可用计算资源进行模型训练，得到所述第二预测模型，包括：

若本域的可用计算资源满足所述第二预设要求，则利用本域的可用计算资源进行模型训练，得到所述第二预测模型；

若所述目标域的可用计算资源满足所述第二预设要求，则向所述目标域发送训练数据并从所述目标域获得所述第二预测模型，其中，所述目标域根据所述训练数据进行模型训练，得到所述第二预测模型。

其中，若利用本域的可用计算资源进行模型训练，得到所述第二预测模型，或者，向所述目标域发送训练数据并从所述目标域获得所述第二预测模型，所述利用所述第二预测模型预测续驶里程，包括：

若在第一预设时间内成功得到了所述第二预测模型，则利用所述第二预测模型预测续驶里程。

其中，所述方法还包括：

若在所述第一预设时间内未成功获得所述第二预测模型，则从云端获取所述第二预测模型。

其中，所述从云端获取所述第二预测模型，包括：

向所述云端发送模型获取请求；

接收所述云端根据所述模型获取请求发送的模型参数，并根据所述模型参数进行模型更新，得到所述第二预测模型，其中，所述模型参数与所述车载终端所处的车辆的行驶场景对应。

其中，在所述利用所述第二预测模型预测续驶里程之后，所述方法还包括：

确定利用所述第二预测模型获得的第二续驶里程预测值是否满足所述第一预设要求；

当所述第二续驶里程预测值满足所述第一预设要求时，利用所述第二预测模型预测续驶里程；

当所述第二续驶里程预测值不满足所述第一预设要求时，若所述第一预测模型是从云端获取的，则利用所述第一预测模型预测续驶里程；当所述第二续驶里程预测值不满足所述第一预设要求时，若所述第一预测模型不是从云端获取的，则从云端获取预测模型。

其中，所述方法还包括：

当所述第二续驶里程预测值满足所述第一预设要求时，向所述云端发送所述第二预测模型的模型参数。

第二方面，本申请实施例还提供一种续驶里程预测方法，应用于云端，其特征在于，包括：

接收车载终端发送的模型获取请求；

根据所述模型获取请求向所述车载终端发送模型参数，所述模型参数用于由所述车载终端对第一预测模型进行调整，得到第二预测模型；

其中，所述模型参数与所述车载终端所处的车辆的行驶场景对应。

其中，所述方法还包括：

生成单车预测模型和定义场景的预测模型；

向车载终端发送所述单车预测模型。

其中，所述方法还包括：

当满足以下至少一个条件时，对所述单车预测模型进行更新：

接收到所述车载终端发送的调整后的模型参数；

根据所述车载终端发送的行驶状态信息确定所述车载终端所处的车辆新增的行驶里程大于第一数值；

根据所述车载终端发送的行驶状态信息确定所述车载终端所处的车辆新增的充放电次数大于第二数值。

其中，所述方法还包括：

当满足以下至少一个条件时，对所述定义场景的预测模型进行更新：

确定出现新的行驶场景；

已有行驶场景的数据大于第三数值。

第三方面，本申请实施例还提供了一种续驶里程预测装置，应用于车载终端，包括：

第一获取模块，用于获取第一预测模型；

第一预测模块，用于利用所述第一预测模型获得第一续驶里程预测值；

第二获取模块，用于当所述第一续驶里程预测值不满足第一预设要求时，对所述第一预测模型进行调整，得到第二预测模型；

第二预测模块，用于利用所述第二预测模型预测续驶里程。

其中，所述装置还包括：

第一建立模块，用于基于SOA，与目标域建立服务订阅和发布关系；

其中，所述目标域包括以下域中的一个或者多个：底盘域，车身域，辅助驾驶域，信息娱乐域。

第四方面，本申请实施例还提供了一种续驶里程预测装置，应用于云端，包括：

第一接收模块，用于接收车载终端发送的模型获取请求；

第一发送模块，用于根据所述模型获取请求向所述车载终端发送模型参数，所述模型参数用于由所述车载终端对第一预测模型进行调整，得到第二预测模型；

其中，所述模型参数与所述车载终端所处的车辆的行驶场景对应。

其中，所述装置还包括：

生成模块，用于生成单车预测模型和定义场景的预测模型；

第二发送模块，用于向车载终端发送所述单车预测模型。

在本申请实施例中，当利用第一预测模型获得的第一续驶里程预测值不满足第一预设要求时，对第一预测模型进行调整，获得第二预测模型，并利用第二预测模型预测续驶里程。由于当利用第一预测模型预测不满足第一预设要求时可第一预测模型进行调整，因此，利用本申请实施例的方案可通过对预测模型进行调整而获得更符合预设要求的预测模型，进而也提高了对续驶里程进行预测的准确性。

附图说明

图1是本申请实施例提供的续驶里程预测方法的流程图之一；

图2是包含续驶里程预测服务的SOA架构图；

图3是本申请实施例提供的续驶里程预测方法的流程图之二；

图4是本申请实施例提供的续驶里程预测方法的流程图之三；

图5是本申请实施例中云端训练模型的过程示意图；

图6是本申请实施例中车端调整预测模型的过程示意图；

图7是本申请实施例中动力域向其他域订阅服务的过程示意图；

图8是本申请实施例提供的续驶里程预测装置的结构图之一；

图9是本申请实施例提供的续驶里程预测装置的结构图之二；

图10是本申请实施例提供的续驶里程预测装置中的第一建立模块的结构图；

图11是本申请实施例提供的续驶里程预测装置中的第二获取模块的结构图；

图12是本申请实施例提供的续驶里程预测装置中的第二处理子模块的结构图；

图13是本申请实施例提供的续驶里程预测装置的结构图之三；

图14是本申请实施例提供的续驶里程预测装置的结构图之四；

图15是本申请实施例提供的续驶里程预测装置的结构图之五；

图16是本申请实施例提供的续驶里程预测装置的结构图之六；

图17是本申请实施例提供的续驶里程预测装置的结构图之七；

图18是本申请实施例提供的续驶里程预测装置的结构图之八；

图19是本发明实施例提供的电子设备的结构图。

具体实施方式

本申请实施例中术语“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。

本申请实施例中术语“多个”是指两个或两个以上，其它量词与之类似。

下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，并不是全部的实施例。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他实施例，都属于本申请保护的范围。

参见图1，图1是本申请实施例提供的续驶里程预测方法的流程图，应用于车载终端。如图1所示，该方法包括以下步骤：

步骤101、获取第一预测模型。

在本申请实施例中，所述第一预测模型指的是当前用于预测续驶里程的模型。该第一预测模型可以是从云端获得的，还可能是车载终端自身进行模型调整后获得的预测模型。

步骤102、利用所述第一预测模型获得第一续驶里程预测值。

通过运行第一预测模型，可获得第一续驶第一续驶里程预测值。

步骤103、当所述第一续驶里程预测值不满足第一预设要求时，对所述第一预测模型进行调整，得到第二预测模型。

其中，所述第一预设要求可以是预测精度要求，具体可根据实际需要设置。例如，累计行驶30km范围内(又或者电量下降5千瓦时范围内)，续驶里程的预测精度需准确率大于80％。如果不满足该第一预设要求，那么，可对所述第一预测模型进行调整，得到第二预测模型。

其中，对第一预测模型进行调整包括车载终端自身对模型进行调整以及从云端获得模型参数并利用模型参数对模型进行调整等。

在实际应用中，汽车的大量控制功能均通过ECU(Electronic Control Unit，电子控制单元)实现。由于实现控制的汽车部件逐渐增多，车内通常运行着几十到上百个ECU。如今由于辅助驾驶、智能座舱等新兴功能逐渐进入汽车市场得到认可，汽车出现向域控制器架构，甚至中央计算架构演进的趋势。由于中央计算架构需要的算力极高、合规性和安全性要求也更高，目只是作为未来汽车可能的演进方向。而基于域控制器的汽车架构是现今及近期较为可能实现的电子电气架构。为此，业界提出了一种基于SOA的架构。SOA目前广泛被汽车行业认可作为与未来域控制器相结合使用的应用架构。SOA可支持整合规划OEM(Original Equipment Manufacture，原始设备制造商)在不同操作系统，硬件平台上(控制器)上的业务功能。

基于以上设计，本申请实施例可基于SOA架构实现模型的调整。具体的，在步骤103之前，本申请实施例的方法还可包括：基于SOA，与目标域建立服务订阅和发布关系；其中，所述目标域包括以下域中的一个或者多个：底盘域，车身域，辅助驾驶域，信息娱乐域。

如图2所示，为包含续驶里程预测服务的SOA架构图。在图2中，车端可包括动力域、底盘域，车身域，辅助驾驶域，信息娱乐域等。续驶里程预测服务应用于动力域。每个域都具有相应的服务，例如，续驶里程估计服务应用于动力域。动力域即为下文描述的本域，它可向其他域订阅服务，与其他域建立服务订阅和发布关系。车载终端通过动力域来执行相应的操作。

当本域的服务在服务管理中间件完成注册后，向所述服务管理中间件发送辅助驾驶服务订阅请求，所述辅助驾驶服务订阅请求用于从所述目标域订阅所述目标域的可用计算资源的信息。之后，本域的服务接收所述目标域发送的服务发布消息，所述服务发布消息包括所述目标域的可用计算资源的信息。

具体的，在这种情况下，本域的服务可获取可用计算资源，其中，所述可用空闲计算资源包括本域的可用计算资源或所述目标域的可用计算资源。若所述可用计算资源满足第二预设要求，则利用所述可用计算资源进行模型训练，得到所述第二预测模型；若所述可用计算资源不满足所述第二预设要求，则从云端获取所述第二预测模型。其中，所述第二预设要求可以根据需要设置，例如可以是计算空间是否足够等等。

若本域的可用计算资源满足所述第二预设要求，则利用本域的可用计算资源进行模型训练，得到所述第二预测模型。若所述目标域的可用计算资源满足所述第二预设要求，则向所述目标域发送训练数据并从所述目标域获得所述第二预测模型，其中，所述目标域根据所述训练数据进行模型训练，得到所述第二预测模型。通过这种方式，优先考虑本域的计算资源，可使得其他域更好的发挥各自的作用，减少对其他域的影响。

如果从云端获取模型，在此过程中，可向所述云端发送模型获取请求，并接收所述云端根据所述模型获取请求发送的模型参数，并根据所述模型参数进行模型更新，得到所述第二预测模型，其中，所述模型参数与所述车载终端所处的车辆的行驶场景对应。在所述模型获取请求中，还可携带与车辆驾驶相关的信息，如车辆行驶道路场景(包含车辆地理坐标)，车速，车外环境温度，空调设置温度，座椅加热使用档位，车窗开启标识等信息，以便于云端选择匹配的模型参数，从而进一步提高对模型调整的准确性，提高续驶里程预测的准确性。

步骤104、利用所述第二预测模型预测续驶里程。

可选的，为了提高模型预测效率并减少对续驶里程预测的影响，若在第一预设时间内成功得到了所述第二预测模型，则利用所述第二预测模型预测续驶里程。若在所述第一预设时间内未成功获得所述第二预测模型，则从云端获取所述第二预测模型。所述第一预设时间可根据需要设置，例如，设置为5分钟等。

在本申请实施例中，当利用第一预测模型获得的第一续驶里程预测值不满足第一预设要求时，对第一预测模型进行调整，获得第二预测模型，并利用第二预测模型预测续驶里程。由于当利用第一预测模型预测不满足第一预设要求时可第一预测模型进行调整，因此，利用本申请实施例的方案可通过对预测模型进行调整而获得更符合预设要求的预测模型，进而也提高了对续驶里程进行预测的准确性。

在以上实施例的基础上，为了进一步保证获得的第二预测模型的适用性，在步骤104之后，还可确定利用所述第二预测模型获得的第二续驶里程预测值是否满足所述第一预设要求。当所述第二续驶里程预测值满足所述第一预设要求时，利用所述第二预测模型预测续驶里程；当所述第二续驶里程预测值不满足所述第一预设要求时，若所述第一预测模型是从云端获取的，则利用所述第一预测模型预测续驶里程；当所述第二续驶里程预测值不满足所述第一预设要求时，若所述第一预测模型不是从云端获取的，则从云端获取预测模型。

而当所述第二续驶里程预测值满足所述第一预设要求时，向所述云端发送所述第二预测模型的模型参数，从而使得云端可更新自身的模型参数，保证云端和车端参数的一致性。

参见图3，图3是本申请实施例提供的续驶里程预测方法的流程图，应用于云端。如图3所示，该方法包括以下步骤：

步骤301、接收车载终端发送的模型获取请求。

步骤302、根据所述模型获取请求向所述车载终端发送模型参数，所述模型参数用于由所述车载终端对第一预测模型进行调整，得到第二预测模型；

其中，所述模型参数与所述车载终端所处的车辆的行驶场景对应。

可选的，在所述模型获取请求中，还可携带与车辆驾驶相关的信息，如车辆行驶道路场景(包含车辆地理坐标)，车速，车外环境温度，空调设置温度，座椅加热使用档位，车窗开启标识等信息，以便于云端选择匹配的模型参数，从而进一步提高对模型调整的准确性，提高续驶里程预测的准确性。因此，云端可根据模型获取请求从自身存储的定义场景的预测模型中获取匹配的模型。

在本申请实施例中，云端生成有单车预测模型和定义场景的预测模型，其中，单车预测模型是利用从单个车辆收集的数据训练得出的，定义场景的预测模型是通过从多个车辆收集的数据训练得出的。其中，定义场景的预测模型主要指能耗特征区别明显的驾驶场景，例如温暖/寒冷的城市道路、高速公路、山地等。在生成了模型之后，云端向车载终端发送所述单车预测模型，自身存储定义场景的预测模型。

此外，为了保证模型的准确性，云端还可对自身的模型进行更新。具体的，当满足以下至少一个条件时，对所述单车预测模型进行更新：

接收到所述车载终端发送的调整后的模型参数；

根据所述车载终端发送的行驶状态信息确定所述车载终端所处的车辆新增的行驶里程大于第一数值；

根据所述车载终端发送的行驶状态信息确定所述车载终端所处的车辆新增的充放电次数大于第二数值。

当满足以下至少一个条件时，对所述定义场景的预测模型进行更新：

确定出现新的行驶场景；

已有行驶场景的数据大于第三数值。

其中，所述第一数值、所述第二数值和所述第三数值可根据需要设置。新的场景，指的是不同于已有场景的场景。

在本申请实施例中，当利用第一预测模型获得的第一续驶里程预测值不满足第一预设要求时，对第一预测模型进行调整，获得第二预测模型，并利用第二预测模型预测续驶里程。由于当利用第一预测模型预测不满足第一预设要求时可第一预测模型进行调整，因此，利用本申请实施例的方案可通过对预测模型进行调整而获得更符合预设要求的预测模型，进而也提高了对续驶里程进行预测的准确性。

参见图4，图4是本申请实施例提供的续驶里程预测方法的流程图。如图4所示，该方法可包括：

步骤401、云端使用机器学习方法进行模型训练，得到单车模型训练和定义场景的模型训练。

步骤402、云端将生成的单车模型发布到相应车端。

步骤403、车端在使用单车模型推断续驶里程的同时，基于一定条件判断是否需要更新模型，并在需要更新时，启动模型调整过程。

其中，模型调整可能包括本地调整或请求云端调整(如请求云端的定义场景模型)。新模型生成后，车端进行模型更新，并启用新模型预测续驶里程。

步骤404、车端将本地模型调整后的新模型参数发送给云端。

步骤405、云端记录模型调整参数，用于单车模型和对应场景模型的优化。

如图5所示，为云端训练模型的过程示意图。云端根据从车端收集的历史行驶数据，分别训练单车预测模型和定义场景的预测模型。

具体的，训练单车预测模型的过程可包括：

步骤501、挑选单台车辆用于续驶里程预测的数据，生成机器学习特征，开始模型训练。

步骤502、生成当前车辆的续驶里程预测模型，通过OTA发送给当前车辆。

具体的，当前车辆可通过车载终端接收该模型。

步骤503、当满足以下任一条件时，云端更新模型，将新增数据加入数据集，或记录自行调整模型的参数：

当前车辆自行调整过模型；当前车辆新增里程超过N万公里；当前车辆新增充放电循环超过M次。M，N为大于0的整数。

具体的，训练定义场景的预测模型的过程可包括：

步骤504、基于多台车辆挑选数据，针对定义的不同驾驶场景分别开始模型训练。

步骤505、生成各场景的续驶里程预测模型，按需求发送给指定车辆。

步骤506、当满足以下任一条件时，云端更新模型，将新增数据加入数据集：

识别出新场景；原有场景新增数据量超过L万条。L为大于0的整数。

如图6所示，为车端调整预测模型的过程示意图，包括：

步骤601、车端通过OTA接收云端发布的续驶里程预测模型。

步骤602、续驶里程预测服务发起SOA服务注册，且与其他域的相关服务建立服务订阅/发布关系。

相关服务主要指，与车辆能耗特征相关的服务，如空调、车窗控制所在车身域的服务、车速和定位相关的辅助驾驶域，以及计算资源较多的计算服务，如辅助驾驶域、信息娱乐/智能座舱域的计算服务等。在建立好的SOA服务订阅基础上，续驶里程预测服务可获得相关服务发布的能耗、车速、定位或计算资源信息。

步骤603、根据电池状态估算SoC(State of Charge，电池充电状态)，并且根据SoC及其他相关车辆参数，估计续驶里程并显示在屏幕上。

步骤604、车端基于一定条件判断是否需要更新续驶里程预测模型。例如，可通过判断预测精度是否下降到低于阈值来确定是否需要更新。若低于阈值，则需要更新。

例如，若累计行驶30km范围内(又或者电量下降5千瓦时范围内)，续驶里程预测精度准确率<80％，此时需要更新模型。

若是，则执行后续过程。否则，可持续根据设置进行判断。

步骤605、判断车端计算资源是否足够。

若车端资源足够，则执行步骤606；否则执行步骤613。

步骤606、通过订阅的服务，获取辅助驾驶、信息娱乐等域的计算资源，用来支持在车上的模型训练，并保存原始模型参数。

步骤607、车端利用当前一段时间发生的数据进行模型训练，并启动计时器。

步骤608、判断计时器到期时是否产生新模型。

步骤609、若是，则车端进行模型更新。否则执行步骤613。

步骤610、判断新模型精度是否高于阈值。

步骤611、若是，则车端保持使用更新模型，并将新模型参数按照定义条件发送给云端。

其中，所述定义条件例如可以是车端和云端之间的通信稳定等。

步骤612、若否，如果车端当前使用的是云端模型，则退回到原始模型。

如果车端当前使用的不是云端模型，执行步骤613。

步骤613、车端向云端发送请求，用于更新模型。

步骤614、云端确定是否有匹配模型。

步骤615、若是，则云端将匹配模型的参数通过通信网络发送给车端。

步骤616、若否，云端向终端发送响应消息，指示车端退回到原始模型。

其中，所述原始模型可以指的是在进行模型更新之前，车端所使用的模型。

如图7所示，为动力域向其他域订阅服务的过程示意图。其中，图7所示的服务订阅过程可包括：

步骤701、续驶里程估计服务根据需要进行服务设计及实现。

步骤702、续驶里程估计服务、辅助驾驶域相关服务、信息娱乐域相关服务向服务管理中间件发送服务注册请求。

步骤703、服务管理中间件根据服务注册请求进行服务注册管理。

步骤704、续驶里程估计服务向服务管理中间件发送辅助驾驶服务以及其他相关服务的订阅请求，用于订阅驾驶状态信息以及其他域的计算资源信息等。

步骤705、服务管理中间件进行服务订阅管理。

步骤706、服务管理中间件向辅助驾驶域相关服务、信息娱乐域相关服务等发送服务订阅建立请求。

在步骤705和706中，服务管理中间件可根据辅助驾驶服务以及其他相关服务的订阅请求查询相应服务的管理规则，同意转发步骤704的订阅请求至相应服务，或者发送拒绝该订阅请求的响应至续驶里程估计服务。

若同意转发，则服务管理中间件可向相应的服务发送服务订阅建立请求。若服务管理中间件得到相应服务的同意该服务订阅建立请求的响应后，则在服务管理中间件更新服务订阅状态，并向续驶里程估计服务发送服务订阅成功响应。

步骤707、若有动态服务信息需要发布，则辅助驾驶域相关服务、信息娱乐域相关服务向续驶里程估计服务发送服务发布响应，包括各自的可用计算资源的信息。

步骤708、当续驶里程估计服务需要利用其它域的计算资源训练模型时，根据服务发布响应的信息选择合适的服务。假设在此实施例中，选择辅助驾驶域相关服务进行模型训练。

步骤709、续驶里程估计服务向辅助驾驶域相关服务、信息娱乐域相关服务发送用于模型训练的训练数据。

步骤710、辅助驾驶域相关服务进行模型训练。

步骤711、辅助驾驶域相关服务向续驶里程估计服务发送模型训练的结果。

在以上的过程中，机器学习用于预测续驶里程的精度通常可达到90％。当电动汽车出发时显示续驶里程400公里，当从出发时刻起，实际累计行驶里程＝30公里时(可从车辆里程表可获得实际发生里程)，车机显示续驶里程变为367-373之间时，可认为精度满足高于90％。假如将预测精度下降阈值定义为80％，则当实际累计行驶里程＝30公里时，显示里程>376或<364时，可认为精度低于80％，即精度低于阈值。

假设，城市A驾驶为主的电动汽车VID＝2，冬季将使用区域更换到北方地区时，续驶预测不准，影响充电规划和出行体验。地理场景与日常驾驶场景主要区别：环境温度显著变化、附件能耗显著变化，此时，能耗显著增加，原有续驶预测精度变差明显，需要重新调整精度。

在实际应用中，假设城区通勤为主的电动汽车VID＝1，在假期以高速为主的场景中，续驶里程预测不准，影响充电规划和出行体验。其中，高速场景与城区通勤场景主要区别：高车速占比显著升高且风阻因此增加、整车质量高于平日、海拔高度可能有所变化。此时，能耗显著增加，原有续驶预测精度变差明显，需要重新调整精度。车端识别到续驶里程估计的精度约70％，低于阈值(定义为90％)，发起模型调整。因当前车辆在高速行驶过程中正在使用辅助驾驶功能，辅助驾驶域的计算资源正被占用，信息娱乐域的计算资源也暂时不足以支持续驶里程模型训练，则车辆与云端交互请求调整模型。云端收到车端发来的位置、车速、当前累计若干公里消耗总能量等参数后(反映附件能耗)，将相近的模型参数通过通信网络发给车端。车端收到新模型参数后，备份原始模型，并使用新模型推断续驶里程，当精度满足90％时保持使用新模型，并在车内通过屏幕显示及语音提醒等方式通知给车辆用户“结合当前使用情况，续驶里程已更新A公里”，提醒车辆规划充电。此外，还可协助自动调整耗电较大的空调、座椅通风等附件功能，例如结合用户交互，实现自动调整或基于用户倾向的调整。

在实际应用中，假设车端识别到续驶里程估计的精度约80％，低于阈值(定义为90％)，发起模型调整。续驶里程预测服务收到辅助驾驶域相关服务发布的计算资源信息，认为计算资源足够支持续驶里程模型训练，则车辆尝试在本地开启调整模型过程(当前车辆状态可能为停泊或正在行驶且辅助驾驶功能未启用)。车端将近期行驶数据作为训练数据，开始训练续驶里程估计模型，得到新模型后，备份原始模型并使用新模型推断续驶里程。当精度满足90％时保持使用新模型，并在车内通过屏幕显示及语音提醒等方式通知给车辆用户“结合当前区域的能耗使用情况，当前续驶里程已更新A公里”，以提醒车辆更新充电规划。也可在此次驾驶行程结束时，提醒用户“结合当前区域的能耗使用情况，当前车型充满电续驶里程更新为B公里，请适当增加充电频次”。

通过以上描述可以看出，利用本申请实施例的方案，不但能够保证行驶里程预测的准确性，而且由于基于SOA建立可域之间的服务发布和订阅关系，终端不但可以本地调整模型，还可以通过云端调整模型，因此，利用此方案提高了模型更新的效率，节约了时间，也更加灵活便捷。

本申请实施例还提供了一种续驶里程预测装置，应用于车载终端。参见图8，图8是本申请实施例提供的续驶里程预测装置的结构图。如图8所示，续驶里程预测装置800包括：

第一获取模块801，用于获取第一预测模型；第一预测模块802，用于利用所述第一预测模型获得第一续驶里程预测值；第二获取模块803，用于当所述第一续驶里程预测值不满足第一预设要求时，对所述第一预测模型进行调整，得到第二预测模型；第二预测模块804，用于利用所述第二预测模型预测续驶里程。

可选的，如图9所示，所述装置还包括：

第一建立模块805，用于基于SOA，与目标域建立服务订阅和发布关系；

其中，所述目标域包括以下域中的一个或者多个：底盘域，车身域，辅助驾驶域，信息娱乐域。

可选的，如图10所示，所述第一建立模块805可包括：

第一发送子模块8051，用于当在服务管理中间件完成注册后，向所述服务管理中间件发送辅助驾驶服务订阅请求，所述辅助驾驶服务订阅请求用于从所述目标域订阅所述目标域的可用计算资源的信息；第一接收子模块8052，用于接收所述目标域发送的服务发布消息，所述服务发布消息包括所述目标域的可用计算资源的信息。

可选的，如图11所示，所述第二获取模块803可包括：

第一获取子模块8031，用于获取可用计算资源，其中，所述可用空闲计算资源包括本域的可用计算资源或所述目标域的可用计算资源；

第一处理子模块8032，用于若所述可用计算资源满足第二预设要求，则利用所述可用计算资源进行模型训练，得到所述第二预测模型；

第二处理子模块8033，用于若所述可用计算资源不满足所述第二预设要求，则从云端获取所述第二预测模型。

可选的，如图12所示，所述第二处理子模块8033可包括：

第一发送单元80331，用于向所述云端发送模型获取请求；

第一接收单元80332，用于接收所述云端根据所述模型获取请求发送的模型参数，并根据所述模型参数进行模型更新，得到所述第二预测模型，其中，所述模型参数与所述车载终端所处的车辆的行驶场景对应。

可选的，所述第一处理子模块8032，用于若本域的可用计算资源满足所述第二预设要求，则利用本域的可用计算资源进行模型训练，得到所述第二预测模型；若所述目标域的可用计算资源满足所述第二预设要求，则向所述目标域发送训练数据并从所述目标域获得所述第二预测模型，其中，所述目标域根据所述训练数据进行模型训练，得到所述第二预测模型。

可选的，所述第二预测模块804，用于若在第一预设时间内成功得到了所述第二预测模型，则利用所述第二预测模型预测续驶里程。

可选的，如图13所示，所述装置还可包括：

第三获取模块806，用于若在所述第一预设时间内未成功获得所述第二预测模型，则从云端获取所述第二预测模型。

可选的，如图14所示，所述装置还可包括：

第一确定模块807，用于确定利用所述第二预测模型获得的第二续驶里程预测值是否满足所述第一预设要求；

第一处理模块808，用于当所述第二续驶里程预测值满足所述第一预设要求时，利用所述第二预测模型预测续驶里程；

第二处理模块809，用于当所述第二续驶里程预测值不满足所述第一预设要求时，若所述第一预测模型是从云端获取的，则利用所述第一预测模型预测续驶里程；当所述第二续驶里程预测值不满足所述第一预设要求时，若所述第一预测模型不是从云端获取的，则从云端获取预测模型。

可选的，如图15所示，所述装置还可包括：

第一发送模块810，用于当所述第二续驶里程预测值满足所述第一预设要求时，向所述云端发送所述第二预测模型的模型参数。

本申请实施例提供的装置，可以执行上述方法实施例，其实现原理和技术效果类似，本实施例此处不再赘述。

本申请实施例还提供了一种续驶里程预测装置，应用于云端。参见图16，图16是本申请实施例提供的续驶里程预测装置的结构图。如图16所示，续驶里程预测装置1600包括：

第一接收模块1601，用于接收车载终端发送的模型获取请求；

第一发送模块1602，用于根据所述模型获取请求向所述车载终端发送模型参数，所述模型参数用于由所述车载终端对第一预测模型进行调整，得到第二预测模型；

其中，所述模型参数与所述车载终端所处的车辆的行驶场景对应。

可选的，如图17所示，所述装置还包括：

生成模块1603，用于生成单车预测模型和定义场景的预测模型；

第二发送模块1604，用于向车载终端发送所述单车预测模型。

可选的，如图18所示，所述装置还包括：

第一更新模块1605，用于当满足以下至少一个条件时，对所述单车预测模型进行更新：

接收到所述车载终端发送的调整后的模型参数；

根据所述车载终端发送的行驶状态信息确定所述车载终端所处的车辆新增的行驶里程大于第一数值；

根据所述车载终端发送的行驶状态信息确定所述车载终端所处的车辆新增的充放电次数大于第二数值。

第一更新模块1605，用于当满足以下至少一个条件时，对所述定义场景的预测模型进行更新：

确定出现新的行驶场景；

已有行驶场景的数据大于第三数值。

本申请实施例提供的装置，可以执行上述方法实施例，其实现原理和技术效果类似，本实施例此处不再赘述。

需要说明的是，本申请实施例中对单元的划分是示意性的，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式。另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。

所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个处理器可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，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)或处理器(processor)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(Read-Only Memory，ROM)、随机存取存储器(Random Access Memory，RAM)、磁碟或者光盘等各种可以存储程序代码的介质。

参见图19，图19是本发明实施例提供的电子设备的结构图。该电子设备可包括存储器1901、处理器1902及存储在所述存储器上并可在所述处理器上运行的程序。所述处理器1902，用于读取存储器中的程序实现如前所述的续驶里程预测方法中的步骤。

本申请实施例还提供一种可读存储介质，可读存储介质上存储有程序，该程序被处理器执行时实现上述续驶里程预测方法实施例的各个过程，且能达到相同的技术效果，为避免重复，这里不再赘述。其中，所述的可读存储介质，可以是处理器能够存取的任何可用介质或数据存储设备，包括但不限于磁性存储器(例如软盘、硬盘、磁带、磁光盘(MO)等)、光学存储器(例如CD、DVD、BD、HVD等)、以及半导体存储器(例如ROM、EPROM、EEPROM、非易失性存储器(NAND FLASH)、固态硬盘(SSD))等。

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。

通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。根据这样的理解，本申请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，该计算机软件产品存储在一个存储介质(如ROM/RAM、磁盘、光盘)中，包括若干指令用以使得一台终端(可以是手机，计算机，服务器，空调器，或者网络设备等)执行本申请各个实施例所述的方法。

上面结合附图对本申请的实施例进行了描述，但是本申请并不局限于上述的具体实施方式，上述的具体实施方式仅仅是示意性的，而不是限制性的，本领域的普通技术人员在本申请的启示下，在不脱离本申请宗旨和权利要求所保护的范围情况下，还可做出很多形式，均属于本申请的保护之内。

Claims (18)

1.一种续驶里程预测方法，应用于车载终端，其特征在于，包括：

获取第一预测模型；

利用所述第一预测模型获得第一续驶里程预测值；

当所述第一续驶里程预测值不满足第一预设要求时，对所述第一预测模型进行调整，得到第二预测模型；

利用所述第二预测模型预测续驶里程。

2.根据权利要求1所述的方法，其特征在于，在对所述第一预测模型进行调整，得到第二预测模型之前，所述方法还包括：

基于面向服务的架构SOA，与目标域建立服务订阅和发布关系；

其中，所述目标域包括以下域中的一个或者多个：底盘域，车身域，辅助驾驶域，信息娱乐域。

3.根据权利要求2所述的方法，其特征在于，所述与目标域建立服务订阅和发布关系，包括：

当在服务管理中间件完成注册后，向所述服务管理中间件发送辅助驾驶服务订阅请求，所述辅助驾驶服务订阅请求用于从所述目标域订阅所述目标域的可用计算资源的信息；

接收所述目标域发送的服务发布消息，所述服务发布消息包括所述目标域的可用计算资源的信息。

4.根据权利要求3所述的方法，其特征在于，所述对所述第一预测模型进行调整，得到第二预测模型，包括：

获取可用计算资源，其中，所述可用空闲计算资源包括本域的可用计算资源或所述目标域的可用计算资源；

若所述可用计算资源满足第二预设要求，则利用所述可用计算资源进行模型训练，得到所述第二预测模型；

若所述可用计算资源不满足所述第二预设要求，则从云端获取所述第二预测模型。

5.根据权利要求4所述的方法，其特征在于，所述若所述可用计算资源满足第二预设要求，则利用所述可用计算资源进行模型训练，得到所述第二预测模型，包括：

若本域的可用计算资源满足所述第二预设要求，则利用本域的可用计算资源进行模型训练，得到所述第二预测模型；

若所述目标域的可用计算资源满足所述第二预设要求，则向所述目标域发送训练数据并从所述目标域获得所述第二预测模型，其中，所述目标域根据所述训练数据进行模型训练，得到所述第二预测模型。

6.根据权利要求5所述的方法，其特征在于，若利用本域的可用计算资源进行模型训练，得到所述第二预测模型，或者，向所述目标域发送训练数据并从所述目标域获得所述第二预测模型，所述利用所述第二预测模型预测续驶里程，包括：

若在第一预设时间内成功得到了所述第二预测模型，则利用所述第二预测模型预测续驶里程。

7.根据权利要求6所述的方法，其特征在于，所述方法还包括：

若在所述第一预设时间内未成功获得所述第二预测模型，则从云端获取所述第二预测模型。

8.根据权利要求4或7所述的方法，其特征在于，所述从云端获取所述第二预测模型，包括：

向所述云端发送模型获取请求；

接收所述云端根据所述模型获取请求发送的模型参数，并根据所述模型参数进行模型更新，得到所述第二预测模型，其中，所述模型参数与所述车载终端所处的车辆的行驶场景对应。

9.根据权利要求1所述的方法，其特征在于，在所述利用所述第二预测模型预测续驶里程之后，所述方法还包括：

确定利用所述第二预测模型获得的第二续驶里程预测值是否满足所述第一预设要求；

当所述第二续驶里程预测值满足所述第一预设要求时，利用所述第二预测模型预测续驶里程；

当所述第二续驶里程预测值不满足所述第一预设要求时，若所述第一预测模型是从云端获取的，则利用所述第一预测模型预测续驶里程；当所述第二续驶里程预测值不满足所述第一预设要求时，若所述第一预测模型不是从云端获取的，则从云端获取预测模型。

10.根据权利要求9所述的方法，其特征在于，所述方法还包括：

当所述第二续驶里程预测值满足所述第一预设要求时，向所述云端发送所述第二预测模型的模型参数。

11.一种续驶里程预测方法，应用于云端，其特征在于，包括：

接收车载终端发送的模型获取请求；

根据所述模型获取请求向所述车载终端发送模型参数，所述模型参数用于由所述车载终端对第一预测模型进行调整，得到第二预测模型；

其中，所述模型参数与所述车载终端所处的车辆的行驶场景对应。

12.根据权利要求11所述的方法，其特征在于，所述方法还包括：

生成单车预测模型和定义场景的预测模型；

向车载终端发送所述单车预测模型。

13.根据权利要求12所述的方法，其特征在于，所述方法还包括：

当满足以下至少一个条件时，对所述单车预测模型进行更新：

接收到所述车载终端发送的调整后的模型参数；

根据所述车载终端发送的行驶状态信息确定所述车载终端所处的车辆新增的行驶里程大于第一数值；

根据所述车载终端发送的行驶状态信息确定所述车载终端所处的车辆新增的充放电次数大于第二数值。

14.根据权利要求12所述的方法，其特征在于，所述方法还包括：

当满足以下至少一个条件时，对所述定义场景的预测模型进行更新：

确定出现新的行驶场景；

已有行驶场景的数据大于第三数值。

15.一种续驶里程预测装置，应用于车载终端，其特征在于，包括：

第一获取模块，用于获取第一预测模型；

第一预测模块，用于利用所述第一预测模型获得第一续驶里程预测值；

第二获取模块，用于当所述第一续驶里程预测值不满足第一预设要求时，对所述第一预测模型进行调整，得到第二预测模型；

第二预测模块，用于利用所述第二预测模型预测续驶里程。

16.根据权利要求15所述的装置，其特征在于，所述装置还包括：

第一建立模块，用于基于SOA，与目标域建立服务订阅和发布关系；

其中，所述目标域包括以下域中的一个或者多个：底盘域，车身域，辅助驾驶域，信息娱乐域。

17.一种续驶里程预测装置，应用于云端，其特征在于，包括：

第一接收模块，用于接收车载终端发送的模型获取请求；

第一发送模块，用于根据所述模型获取请求向所述车载终端发送模型参数，所述模型参数用于由所述车载终端对第一预测模型进行调整，得到第二预测模型；

其中，所述模型参数与所述车载终端所处的车辆的行驶场景对应。

18.根据权利要求17所述的装置，其特征在于，所述装置还包括：

生成模块，用于生成单车预测模型和定义场景的预测模型；

第二发送模块，用于向车载终端发送所述单车预测模型。

Images