CN115222145A - 基于新能源汽车运行大数据的续驶里程预测方法及系统 - Google Patents
基于新能源汽车运行大数据的续驶里程预测方法及系统 Download PDFInfo
- Publication number
- CN115222145A CN115222145A CN202210961082.0A CN202210961082A CN115222145A CN 115222145 A CN115222145 A CN 115222145A CN 202210961082 A CN202210961082 A CN 202210961082A CN 115222145 A CN115222145 A CN 115222145A
- Authority
- CN
- China
- Prior art keywords
- data
- vehicle
- scene
- driving range
- new energy
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Computational Linguistics (AREA)
- Development Economics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Game Theory and Decision Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Electric Propulsion And Braking For Vehicles (AREA)
Abstract
本公开提供了一种基于新能源汽车运行大数据的续驶里程预测方法及系统,属于新能源运行大数据领域,获取车辆运行数据、环境数据、车型静态、动力电池健康状态的多种核心数据,并对数据进行预处理;对车辆核心数据进行数据场景划分,划分场景为用车行为场景、环境类场景、车辆静态场景;将每个场景的数据划分为训练集、验证集和测试集,提取核心数据特征值,根据每个场景下的特征计算相应的车辆续驶里程,作为不同场景类别下的目标值;将每个场景的特征值与目标值一同输入至决策树模型中进行训练,根据权值最大原则选择最优模型输出最终预测的续驶里程。
Description
技术领域
本公开涉及新能源运行大数据技术领域,具体涉及一种基于新能源汽车运行大数据的续驶里程预测方法及系统。
背景技术
本部分的陈述仅仅是提供了与本公开相关的背景技术信息,不必然构成在先技术。
随着新能源汽车应用规模越越来越大,车辆续费里程衰退逐渐凸显,引发了车主和社会对新能源汽车忧虑。因此,准确的对新能源汽车续驶里程进行预测,及时进行维修和保养,可以有效的避免进入快速衰退期,保证新能源汽车运行安全。
目前对于新能源汽车的续驶里程的预测引起关注,新能源汽车续驶里程的预测主要分为两类,一类是基于车辆运行机理,通过建立物理方程模型的方式,如车辆功率模型、车辆行驶能耗模型,来实现对新能源汽车续驶里程进行预测,另一类是基于车辆运行大数据,使用大数据分析挖掘和机器学习模型的方法来预测续驶里程,常见的机器学习模型如线性回归、随机森林、梯度提升树等,但是现有的方法没有考虑到新能源汽车续驶里程会受驾驶员的驾驶习惯、车辆的行驶工况、环境气温等因素的影响,导致预测预估的精度误差较大。
发明内容
本公开为了解决上述问题,提出了基于新能源汽车运行大数据的续驶里程预测方法及系统,充分考虑新能源汽车驾驶员习惯、车辆行驶工况、环境气温因素对汽车续驶里程预测的影响,并将动力电池健康状态引入分析,提高预测的准确性。
根据一些实施例,本公开采用如下技术方案:
基于新能源汽车运行大数据的续驶里程预测方法,包括:
获取车辆运行数据、环境数据、车型静态、动力电池健康状态的多种核心数据,并对数据进行预处理;
对车辆核心数据进行数据场景划分,划分场景为用车行为场景、环境类场景、车辆静态场景;
将每个场景的数据划分为训练集、验证集和测试集,提取核心数据特征值,根据每个场景下的特征计算相应的车辆续驶里程,作为不同场景类别下的目标值;
将每个场景的特征值与目标值一同输入至决策树模型中进行训练,根据权值最大原则选择最优模型输出最终预测的续驶里程。
根据另一些实施例,本公开采用如下技术方案:
基于新能源汽车运行大数据的续驶里程预测系统,包括:
数据获取模块,用于获取车辆运行数据、环境数据、车型静态、动力电池健康状态的多种核心数据,并对数据进行预处理;
数据处理模块,用于对车辆核心数据进行数据场景划分;
特征划分模块,用于将每个场景的数据划分为训练集、验证集和测试集,并根据每个场景下的特征计算相应的车辆续驶里程,作为不同场景类别下的目标值;
里程预测模块,用于将每个场景的特征值与目标值一同输入至决策树模型中进行训练,根据权值最大原则选择最优模型输出最终预测的续驶里程。
根据另一些实施例,本公开还采用如下技术方案:
一种计算机可读存储介质,其中存储有多条指令,所述指令适于由终端设备的处理器加载并执行所述的基于新能源汽车运行大数据的续驶里程预测方法。
根据另一些实施例,本公开还采用如下技术方案:
一种终端设备,包括处理器和计算机可读存储介质,处理器用于实现各指令;计算机可读存储介质用于存储多条指令,所述指令适于由处理器加载并执行所述的基于新能源汽车运行大数据的续驶里程预测方法。
与现有技术相比,本公开的有益效果为:
本公开基于运行大数据分析用车的行为类特征、环境类特征以及车辆静态数据特征,并在用车行为类将动力电池健康状态引入分析,构建特征对应的多种决策树模型,并对模型进行优化,确定最优的参数进行优化,有效的实现对新能源汽车续驶里程精准的预测。
附图说明
构成本公开的一部分的说明书附图用来提供对本公开的进一步理解,本公开的示意性实施例及其说明用于解释本公开,并不构成对本公开的不当限定。
图1为本公开实施例中的续驶里程预测过程图;
图2为本公开实施例的场景划分结构图;
图3为本公开实施例的决策树模型。
具体实施方式:
下面结合附图与实施例对本公开作进一步说明。
应该指出,以下详细说明都是例示性的,旨在对本公开提供进一步的说明。除非另有指明,本文使用的所有技术和科学术语具有与本公开所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是,这里所使用的术语仅是为了描述具体实施方式,而非意图限制根据本公开的示例性实施方式。如在这里所使用的,除非上下文另外明确指出,否则单数形式也意图包括复数形式,此外,还应当理解的是,当在本说明书中使用术语“包含”和/或“包括”时,其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
实施例1
本公开的一种实施例中提供了一种基于新能源汽车运行大数据的续驶里程预测方法,包括:
S101:获取车辆运行数据、环境数据、车型静态、动力电池健康状态的多种核心数据,并对数据进行预处理;预处理方法包含数据清洗、数据重构、数据切片和数据整合;
S102:对车辆核心数据进行数据场景划分,基于划分的场景进行数据字段提取与重组;划分场景为用车行为场景、环境类场景、车辆静态场景;
S103:将每个场景的数据划分为训练集、验证集和测试集,提取特征值,根据每个场景下的特征计算相应的车辆续驶里程,作为不同场景类别下的目标值;将每个场景的数据划分为训练集、验证集和测试集,并根据每个场景下的特征计算相应的车辆续驶里程,作为不同场景下的目标值;
S104:将每个场景的特征值与目标值一同输入至决策树模型中进行训练,根据权值最大原则选择最优模型输出最终预测的续驶里程。
具体的,作为一种实施例,预测方法实现的流程为:
获取车辆运行数据、环境数据、车型静态的多种核心数据,并进行预处理,所述预处理的过程为:按照时间、VIN码和车辆状态对数据进行合规性检测,去掉不合规的数据,所述不合规的数据包括空值、错误值以及异常值。
对车辆核心数据按照充电行为、驾驶行为、电池健康状态、天气、道路情况、能耗效率等方面进行数据场景划分,所述数据场景包括用车行为场景、环境类场景、车辆静态场景。
基于划分的场景将数据分为训练集、验证集和测试集,提取核心数据特征值,根据每一场景下的特征计算相应的车辆续驶里程,作为不同场景下的目标值;所述特征值包括用车行为类特征、环境类特征以及车辆静态数据特征。
再基于提取数据进行特征值的提取,根据每一类别的特征计算对应的车辆续驶里程,作为不同特征类别的目标值;所述特征值包括用车行为类特征、环境类特征以及车辆静态数据特征。
所述用车行为类特征包括充电行为、驾驶行为以及电池健康状态;环境类特征包括环境温度、天气以及道路状况;车辆静态特征包括车辆类型、标称里程以及能耗效率。
按照对应的场景分类,构建多个决策树模型,将其特征值与目标值一同输入至决策树模型中,输出按照模型选择规则输出最终预测的续驶里程。
具体的,作为一种实施例,构建所述决策树模型的方法为:
获取每种场景下的多种核心数据,进行预处理,划分为训练集、验证集以及测试集,训练集数据用于决策树模型的参数训练,通过输入测试集数据进行模型参数优化,通过误差值最小的方式,得到决策树模型的最优参数。
式中error为误差值,y为目标值,f(x)为输出值。
验证集数据用于检验模型的平均预测误差,测试集数据用于测试模型的预测精度。
按照对应的特征值分类,构建3个决策树模型,然后根据基础决策树的输出结果进行模型选择,输出最终预测行驶里程:
基础决策树可以表示为如下公式:
式中ci为每个小单源里面的样本的输出值,Di为样本子集。
通过验证集计算决策树模型的平均误差,通过误差最小的方式,输出每个基础决策树模型的输出结果,最后采用如下公式进行模型选择:
max(c1,c2,c3)
对选择的最优模型进行迭代优化,输入特征值与目标值后预测当前车辆的续驶里程。
实施例2
本公开的一种实施例中提供了一种基于新能源汽车运行大数据的续驶里程预测系统,包括:
基于新能源汽车运行大数据的续驶里程预测系统,包括:
数据获取模块,用于获取车辆运行数据、环境数据、车型静态、动力电池健康状态的多种核心数据,并对数据进行预处理;
数据处理模块,用于对车辆核心数据进行数据场景划分;
特征划分模块,用于将每个场景的数据划分为训练集、验证集和测试集,并根据每个场景下的特征计算相应的车辆续驶里程,作为不同场景类别下的目标值;
里程预测模块,用于将每个场景的特征值与目标值一同输入至决策树模型中进行训练,根据权值最大原则选择最优模型输出最终预测的续驶里程。
具体的,作为一种实施例,上述系统执行如下预测方法:
获取车辆运行数据、环境数据、车型静态的多种核心数据,并进行预处理,所述预处理的过程为:按照时间、VIN码和车辆状态对数据进行合规性检测,去掉不合规的数据,所述不合规的数据包括空值、错误值以及异常值。
对车辆核心数据按照车辆状态与充电状态标识进行数据场景划分,所述数据场景包括充电场景、驾驶场景、静置场景。
基于划分的场景进行数据字段提取与重组,
再基于提取和重组的数据进行特征值的提取并分类,根据每一类别的特征计算对应的车辆续驶里程,作为不同特征类别的目标值;所述特征值包括用车行为类特征、环境类特征以及车辆静态数据特征。
所述用车行为类特征包括充电行为、驾驶行为以及电池健康状态;环境类特征包括环境温度、天气以及道路状况;车辆静态特征包括车辆类型、标称里程以及能耗效率。
将每个场景的特征值与目标值一同输入至决策树模型中进行训练,根据权值最大原则选择最优模型输出最终预测的续驶里程。
实施例3
本公开的一种实施例中提供一种计算机可读存储介质,其中存储有多条指令,所述指令适于由终端设备的处理器加载并执行所述的基于新能源汽车运行大数据的续驶里程预测方法。
实施例4
本公开的一种实施例中提供一种终端设备,其特征在于,包括处理器和计算机可读存储介质,处理器用于实现各指令;计算机可读存储介质用于存储多条指令,所述指令适于由处理器加载并执行所述的基于新能源汽车运行大数据的续驶里程预测方法。
本公开是参照根据本公开实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
上述虽然结合附图对本公开的具体实施方式进行了描述,但并非对本公开保护范围的限制,所属领域技术人员应该明白,在本公开的技术方案的基础上,本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本公开的保护范围以内。
Claims (10)
1.基于新能源汽车运行大数据的续驶里程预测方法,其特征在于,包括:
获取车辆运行数据、环境数据、车型静态、动力电池健康状态的多种核心数据,并对数据进行预处理;
对车辆核心数据进行数据场景划分,划分场景为用车行为场景、环境类场景、车辆静态场景;
将每个场景的数据划分为训练集、验证集和测试集,提取核心数据特征值,根据每个场景下的特征计算相应的车辆续驶里程,作为不同场景类别下的目标值;
将每个场景的特征值与目标值一同输入至决策树模型中进行训练,根据权值最大原则选择最优模型输出最终预测的续驶里程。
2.如权利要求1所述基于新能源汽车运行大数据的续驶里程预测方法,其特征在于,所述预处理过程为:按照时间、VIN码和车辆状态对数据进行合规性检测,去掉不合规的数据,所述不合规的数据包括空值、错误值以及异常值。
3.如权利要求1所述基于新能源汽车运行大数据的续驶里程预测方法,其特征在于,对车辆核心数据按照车辆状态与充电状态标识进行数据场景划分,所述数据场景包括充电场景、驾驶场景、静置场景。
4.如权利要求1所述基于新能源汽车运行大数据的续驶里程预测方法,其特征在于,特征值包括用车行为类特征、环境类特征以及车辆静态数据特征。
5.如权利要求4所述基于新能源汽车运行大数据的续驶里程预测方法,其特征在于,所述用车行为类特征包括充电行为、驾驶行为以及电池健康状态;环境类特征包括环境温度、天气以及道路状况;车辆静态特征包括车辆累心、标称里程以及能耗效率。
6.如权利要求1所述基于新能源汽车运行大数据的续驶里程预测方法,其特征在于,按照对应的特征值分类,构建多个决策树模型,对决策树模型进行参数训练,将核心数据分为训练集、验证集和测试集,通过测试集数据进行模型参数优化,通过误差值最小的方式,得到决策树模型的最优参数。
7.如权利要求1所述基于新能源汽车运行大数据的续驶里程预测方法,其特征在于,通过验证评价决策树模型的预测准确性,选择最优模型进行迭代优化,输入特征值与目标值后预测当前车辆的续驶里程。
8.基于新能源汽车运行大数据的续驶里程预测系统,其特征在于,包括:
数据获取模块,用于获取车辆运行数据、环境数据、车型静态的多种核心数据,并对数据进行预处理;
数据处理模块,用于对车辆核心数据进行数据场景划分,基于划分的场景进行数据字段提取与重组;
特征划分模块,用于将每个场景的数据划分为训练集、验证集和测试集,并根据每个场景下的特征计算相应的车辆续驶里程,作为不同场景类别下的目标值;
里程预测模块,用于将每个场景的特征值与目标值一同输入至决策树模型中进行训练,根据权值最大原则选择最优模型输出最终预测的续驶里程。
9.一种计算机可读存储介质,其特征在于,其中存储有多条指令,所述指令适于由终端设备的处理器加载并执行权利要求1-7中任一项所述的基于新能源汽车运行大数据的续驶里程预测方法。
10.一种终端设备,其特征在于,包括处理器和计算机可读存储介质,处理器用于实现各指令;计算机可读存储介质用于存储多条指令,所述指令适于由处理器加载并执行如权利要求1-7中任一项所述的基于新能源汽车运行大数据的续驶里程预测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210961082.0A CN115222145A (zh) | 2022-08-11 | 2022-08-11 | 基于新能源汽车运行大数据的续驶里程预测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210961082.0A CN115222145A (zh) | 2022-08-11 | 2022-08-11 | 基于新能源汽车运行大数据的续驶里程预测方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115222145A true CN115222145A (zh) | 2022-10-21 |
Family
ID=83616535
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210961082.0A Pending CN115222145A (zh) | 2022-08-11 | 2022-08-11 | 基于新能源汽车运行大数据的续驶里程预测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115222145A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117436595A (zh) * | 2023-12-20 | 2024-01-23 | 深圳市联特微电脑信息技术开发有限公司 | 新能源汽车能耗预测方法、装置、设备及存储介质 |
-
2022
- 2022-08-11 CN CN202210961082.0A patent/CN115222145A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117436595A (zh) * | 2023-12-20 | 2024-01-23 | 深圳市联特微电脑信息技术开发有限公司 | 新能源汽车能耗预测方法、装置、设备及存储介质 |
CN117436595B (zh) * | 2023-12-20 | 2024-03-29 | 深圳市联特微电脑信息技术开发有限公司 | 新能源汽车能耗预测方法、装置、设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111241154B (zh) | 一种基于大数据的蓄电池故障预警方法及系统 | |
CN111999657A (zh) | 一种电动汽车的锂离子电池剩余寿命的行驶里程评估方法 | |
CN113884961B (zh) | Soc校准方法、建模方法、建模装置、计算机设备及介质 | |
CN110826772A (zh) | 车辆尾气排放预测方法、装置、设备及存储介质 | |
CN110705774A (zh) | 一种车辆能耗分析的预测方法和系统 | |
CN112258251A (zh) | 基于灰色关联的电动汽车换电需求的集成学习预测方法及系统 | |
CN112419268A (zh) | 一种输电线路图像缺陷检测方法、装置、设备及介质 | |
CN108614778B (zh) | 基于高斯过程回归的安卓App程序演化变更预测方法 | |
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 | |
CN113688558A (zh) | 一种基于大数据库样本的汽车行驶工况构建方法及系统 | |
CN115049019A (zh) | 金属有机框架对砷的吸附性能评估方法、装置及相关设备 | |
CN112070180B (zh) | 基于信息物理双侧数据的电网设备状态判断方法及装置 | |
CN117310500A (zh) | 电池状态分类模型构建方法及电池状态分类方法 | |
CN116012019B (zh) | 一种基于大数据分析的金融风控管理系统 | |
CN115358348B (zh) | 一种车辆直通率影响特征确定方法、装置、设备及介质 | |
CN110968518A (zh) | 自动化测试日志文件的分析方法及装置 | |
CN115616408A (zh) | 电池热管理数据处理方法及系统 | |
CN111985782B (zh) | 基于环境感知的自动驾驶有轨电车运行风险评估方法 | |
CN114722487A (zh) | 一种基于大数据的新能源汽车车型参数预测估计方法 | |
CN114707037A (zh) | 新能源车辆节能驾驶推荐方法、装置、设备及存储介质 | |
CN114741972A (zh) | 一种空气污染物浓度季节性预测模型的构建方法 | |
CN111538752A (zh) | 基于车联网的车辆用途识别方法、系统及存储介质 | |
CN114091540B (zh) | 柴油机冷试智能检测模型构建方法、检测方法及系统 | |
CN117435870B (zh) | 一种负荷数据实时填充方法、系统、设备和介质 | |
CN116740900B (zh) | 一种基于svm的电力施工预警方法及系统 |
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 |