CN115223271B - 车辆剩余信息误差的关注度获得方法及相关装置 - Google Patents

Abstract

本申请公开了一种车辆剩余信息误差的关注度获得方法及装置，剩余信息包括剩余里程或剩余时间，该方法包括：获得车辆在目标时间段内的预测剩余信息和实际剩余信息的差值数据；获得车辆在目标时间段内的多种车辆数据，车辆数据为对预测剩余信息或实际剩余信息存在关联的数据；根据多种车辆数据和差值数据对注意力机制模型进行训练；通过训练后的注意力机制模型获得多种车辆数据分别对应的关注度，多种车辆数据中的目标车辆数据的关注度越高指示目标车辆数据对预测剩余信息和实际剩余信息的差值影响越大。可以帮助技术人员更好地了解多种车辆数据对车辆剩余信息误差的影响程度，进而辅助技术人员对车辆的剩余信息预测系统进行优化。

Description

车辆剩余信息误差的关注度获得方法及相关装置

技术领域

本申请涉及车辆领域，尤其涉及一种车辆误差的关注度获得方法及相关装置。

背景技术

随着智能车辆的发展，车辆通常会根据动力电池中剩余的电量或油箱中剩余的油量对车辆的剩余信息，例如剩余里程，进行预测并告知用户，以便用户根据剩余信息进行充电或加油的规划。但由于目前车辆行驶的车况较为复杂，例如车辆可能行驶在拥堵的道路上，此时车辆行驶同样的里程的耗油量将急剧增加，因此目前经常出现车辆的剩余信息预测不准的情况，降低了用户的使用体验。

发明内容

为了解决上述技术问题，本申请提供了一种车辆剩余信息误差的关注度获得方法及相关装置，用于帮助技术人员更好地了解多种车辆数据对车辆剩余信息误差的影响程度，从而对车辆剩余信息预测系统进行更新，提高车辆剩余信息预测系统的预测准确性。

为了实现上述目的，本申请实施例提供的技术方案如下：

本申请实施例提供一种车辆剩余信息误差的关注度获得方法，所述剩余信息包括剩余里程或剩余时间，所述方法包括：

获得车辆在目标时间段内的预测剩余信息和实际剩余信息的差值数据；

获得所述车辆在所述目标时间段内的多种车辆数据，所述车辆数据为对所述预测剩余信息或实际剩余信息存在关联的数据；

根据所述多种车辆数据和所述差值数据对注意力机制模型进行训练；

通过训练后的注意力机制模型获得所述多种车辆数据分别对应的关注度，所述多种车辆数据中的目标车辆数据的关注度越高指示所述目标车辆数据对预测剩余信息和实际剩余信息的差值影响越大。

作为一种可能的实施方式，所述车辆为电动汽车，所述多种车辆数据包括动力电池的电流数据、动力电池的电压数据和动力电池的功率数据。

作为一种可能的实施方式，所述多种车辆数据分别对应的关注度包括，所述动力电池的电流数据对应的第一关注度，所述动力电池的电压数据对应的第二关注度和所述动力电池的功率数据对应的第三关注度。

作为一种可能的实施方式，所述车辆为燃油汽车，所述多种车辆数据包括所述车辆的油门开度数据和扭矩数据。

作为一种可能的实施方式，所述多种车辆数据分别对应的关注度包括，所述车辆的油门开度对应的第四关注度和所述扭矩数据对应的第五关注度。

根据上述提供的车辆剩余信息误差的关注度获得方法，本申请还提供了一种车辆剩余信息误差的关注度获得装置，所述剩余信息包括剩余里程或剩余时间，所述装置包括：

差值数据获得模块，用于获得车辆在目标时间段内的预测剩余信息和实际剩余信息的差值数据；

车辆数据获得模块，用于获得所述车辆在所述目标时间段内的多种车辆数据，所述车辆数据为对所述预测剩余信息或实际剩余信息存在关联的数据；

训练模块，用于根据所述多种车辆数据和所述差值数据对注意力机制模型进行训练；

关注度获得模块，用于通过训练后的注意力机制模型获得所述多种车辆数据分别对应的关注度，所述多种车辆数据中的目标车辆数据的关注度越高指示所述目标车辆数据对预测剩余信息和实际剩余信息的差值影响越大。

作为一种可能的实施方式，所述车辆为电动汽车，所述多种车辆数据包括动力电池的电流数据、动力电池的电压数据和动力电池的功率数据。

作为一种可能的实施方式，所述车辆为燃油汽车，所述多种车辆数据包括所述车辆的油门开度数据和扭矩数据。

根据上述提供的车辆剩余信息误差的关注度获得方法和车辆剩余信息误差的关注度获得装置，本申请还提供了一种车辆剩余信息误差的关注度获得设备，所述设备包括：处理器和存储器；

所述存储器，用于存储指令；

所述处理器，用于执行所述存储器中的所述指令，执行上述的车辆剩余信息误差的关注度获得方法。

根据上述提供的车辆剩余信息误差的关注度获得方法和车辆剩余信息误差的关注度获得装置，本申请还提供了一种计算机可读存储介质，包括指令，当其在计算机上运行时，使得计算机执行上述的车辆剩余信息误差的关注度获得方法。

通过上述技术方案可知，本申请具有以下有益效果：

本申请实施例提供了一种车辆剩余信息误差的关注度获得方法，剩余信息包括剩余里程或剩余时间，该方法包括：获得车辆在目标时间段内的预测剩余信息和实际剩余信息的差值数据；获得车辆在目标时间段内的多种车辆数据，车辆数据为对预测剩余信息或实际剩余信息存在关联的数据；根据多种车辆数据和差值数据对注意力机制模型进行训练；通过训练后的注意力机制模型获得多种车辆数据分别对应的关注度，多种车辆数据中的目标车辆数据的关注度越高指示目标车辆数据对预测剩余信息和实际剩余信息的差值影响越大。

由此可知，本申请实施例提供的车辆剩余信息误差的关注度获得方法，可以通过多种车辆数据和差值数据对注意力机制模型进行训练，并通过训练好的注意力机制模型获得多种车辆数据分别对应的关注度，从而可以帮助技术人员更好地了解多种车辆数据对车辆剩余信息误差的影响程度，进而辅助技术人员对车辆的剩余信息预测系统进行优化，提高车辆剩余信息预测系统的预测准确性。

附图说明

为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本申请实施例提供的一种车辆剩余信息误差的关注度获得方法的流程图；

图2为本申请实施例提供的一种车辆剩余信息误差的关注度获得装置的示意图。

具体实施方式

为了帮助更好地理解本申请实施例提供的方案，在介绍本申请实施例提供的方法之前，先介绍本申请实施例方案的应用的场景。

随着智能车辆的发展，车辆通常会根据动力电池中剩余的电量或油箱中剩余的油量对车辆的剩余信息，例如剩余里程，进行预测并告知用户，以便用户根据剩余信息进行充电或加油的规划。但由于目前车辆行驶的车况较为复杂，例如车辆可能行驶在拥堵的道路上，此时车辆行驶同样的里程的耗油量将急剧增加，因此目前经常出现车辆的剩余信息预测不准的情况，降低了用户的使用体验。

为了解决上述的技术问题，本申请实施例提供了一种车辆剩余信息误差的关注度获得方法，剩余信息包括剩余里程或剩余时间，该方法包括：获得车辆在目标时间段内的预测剩余信息和实际剩余信息的差值数据；获得车辆在目标时间段内的多种车辆数据，车辆数据为对预测剩余信息或实际剩余信息存在关联的数据；根据多种车辆数据和差值数据对注意力机制模型进行训练；通过训练后的注意力机制模型获得多种车辆数据分别对应的关注度，多种车辆数据中的目标车辆数据的关注度越高指示目标车辆数据对预测剩余信息和实际剩余信息的差值影响越大。

由此可知，本申请实施例提供的车辆剩余信息误差的关注度获得方法，可以帮助技术人员更好地了解多种车辆数据对车辆剩余信息误差的影响程度，进而对车辆剩余信息预测系统进行更新，提高车辆剩余信息预测系统的预测准确性。

为使本申请的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本申请实施例作进一步详细的说明。

参见图1，该图为本申请实施例提供的一种车辆剩余信息误差的关注度获得方法的流程图。

本申请实施例提供的剩余信息包括剩余里程或剩余时间，如图1所示，车辆剩余信息误差的关注度获得方法包括：

S101：获得车辆在目标时间段内的预测剩余信息和实际剩余信息的差值数据。

S102：获得车辆在目标时间段内的多种车辆数据，车辆数据为对预测剩余信息或实际剩余信息存在关联的数据。

S103：根据多种车辆数据和差值数据对注意力机制模型进行训练。

S104：通过训练后的注意力机制模型获得多种车辆数据分别对应的关注度，多种车辆数据中的目标车辆数据的关注度越高指示目标车辆数据对预测剩余信息和实际剩余信息的差值影响越大。

需要说明的是，本申请实施例不限定步骤S101和步骤102的先后顺序，本申请实施例可以先获得预测剩余信息和实际剩余信息的差值数据，也可以先获得多种车辆数据，还可以同时获得预测剩余信息和实际剩余信息的差值数据和多种车辆数据，本申请实施例在此不做限定。本申请实施例中的注意力机制模型是通过该车辆或该种型号车辆的多种车辆数据和差值数据进行训练的。作为一个示例，本申请实施例可以将多种车辆数据作为输入，将差值数据作为输出对注意力机制模型进行训练。

本申请实施例种多种车辆数据分别对应的关注度可以为多种车辆数据中每一种车辆数据对应的关注度。在实际的应用中，每一种车辆数据通常对应着一个车辆特征，例如动力电池的电流数据对应车辆的电流特征，通过该种车辆数据对应的关注度，便可以获得该种数据对应的特征对于预测剩余信息和实际剩余信息差值的影响程度，从而帮助技术人员对车辆剩余信息预测系统进行优化。

需要说明的是，在本申请实施例中表示关注度的数值可以与关注度呈正相关，也可以与关注度呈反相关，本申请实施例在此不做限定。假设本申请实施例中表示关注度的数值与关注度呈正相关，那么目标车辆数据对应的数值越大，那么目标车辆数据对预测剩余信息和实际剩余信息的差值影响越大。相应地，如果本申请实施例中表示关注度的数值与关注度呈负相关，那么目标车辆数据对应的数值越大，那么目标车辆数据对预测剩余信息和实际剩余信息的差值影响越小。

在实际的应用中，本申请实施例中步骤的主体可以为具备计算机功能的服务器。该服务器接收多个车辆上传的预测剩余信息和实际剩余信息的差值数据，和多种车辆数据，并根据这些数据对注意力机制模型进行训练优化。然后就可以根据训练后的注意力机制模型求解多种车辆数据分别对应的关注度，帮助技术人员对车辆剩余信息预测系统进行更新，提高车辆剩余信息预测系统的预测准确性。

因为本申请实施例主要是采用表格数据进行回归操作，所以本申请实施例选用了专门用于表格数据的注意力模型结构，为序列化多步处理结构，模型具有很多个模块。为了更好地理解本申请提供的技术方案，下面从输入数据开始具体说明注意力模块以及注意力模块之前的模块。

输入的数据经过特征处理模块分离出用作第一步注意力Mask计算的部分，随后mask被用于与经过批归一化(BN)处理过的输入数据进行特征筛选，经过特征筛选的模块会通过特征处理模块f_i分成了两部份d[i]和a[i]，其中d[i]用于计算当前步的输出以及余下步的输入信息，a[i]用作注意力mask的计算

[d[i],a[i]]＝f_i(mask[i]·f)

模型整体采用循环步骤的方式进行，除了初始数据分裂方式不同以外，每一个决策步的计算方式是一样的，可以看成是一个大的模块。经过mask进行注意力处理过后的特征同时会继续进入下一步的特征处理模块然后分裂成两部分，循环次数由步数决定，步数为超参，一般为3。

下面我们介绍一下在每一步中的用于计算mask[i]的注意力模块：

mask[i]＝sparsemax(P[i-1]·h_i(a[i-1]))

其中，mask[i]表示在第i个决策步骤通过注意力模块得到的mask的数值，mask[i]可以用于计算车辆数据对应的关注度X。a为从特征处理模块中分离出来的特征，用来进行注意力的计算。h_i()表示BN+FC，即批归一化(层)(BN，BatchNorm)和全连接(层)(FC，FullyConnected)操作。为Prior scales缩放因子，第i个决策步骤的缩放因子根据前i个决策步骤的mask确定，如果一个特征在之前的步骤中被选择过很多次的话，那么应该减少他被选择的概率，缩放因子的作用就是降低这一类型的特征的权重。γ为自由度参数，当γ＝1时，特征就会被强制要求只出现在一个step中，随着γ值的增大，这种约束就会减轻，特征的出现次数也会增加。同时经过计算之后的mask处理过的特征会继续分裂出新的用于计算注意力的特征a用于下一步的注意力计算。sparsemax为softmax的稀疏化版本，softmax可以将总数为1的注意力进行分配，用于获得各特征的注意力占比，而sparsemax可以进行稀疏化处理，将接近于0的极小值都归于0，比softmax做到更坚定的决策

下面对本申请实施例中根据注意机制模型获得多种车辆数据对应的关注度X的方法进行介绍。在获得多种数据对应的关注度X时，我们将输入数据给到训练好的模型会计算得到每个决策步骤的mask[i]。

获得多个mask后，可以将多个mask进行叠加，获得该车辆数据最终的关注度X。多个mask的数量是根据决策步骤的数量确定的，通常为3。将mask叠加获得关注度X作为可解释输出：

其中step_importance[n]为第n步的重要性，即为相对于该步骤获得的mask的权重。n_step为决策步骤的数量。最终我们通过获取最终叠加mask获得关注度X，即通过累积局部信息来获取全局信息，获取一个整体的特征重要性。

由上可知，本申请实施例提供的车辆剩余信息误差的关注度获得方法，可以通过多种车辆数据和差值数据对注意力机制模型进行训练，并通过训练好的注意力机制模型获得多种车辆数据分别对应的关注度。如此，本申请实施例提供的方法可以展示不同种类的车辆数据对于车辆剩余信息误差的影响力，从而帮助技术人员对车辆剩余信息预测系统进行更新，提高车辆剩余信息预测系统的预测准确性。

作为一种可能的实施方式，本申请实施例中根据多种车辆数据和差值数据对注意力机制模型进行训练时，可以将多种车辆数据输入至注意力机制模型，然后获得注意力机制模型推测的差值数据。然后将实际的差值数据与注意力机制模型推测得到的差值数据进行比较，并将比较结果反馈至注意力机制模型，对注意力机制模型进行优化。如此，经过多次训练优化后，可以通过注意力机制模型来求解多种车辆数据中各种车辆数据的关注度。

在实际的应用中，本申请实施例中的车辆可以为电动汽车。相应的，本申请实施例中的多种车辆数据可以包括动力电池的电流数据、动力电池的电压数据和动力电池的功率数据等与电动汽车剩余电量相关的车辆数据。此时，本申请实施例中得到的多种车辆数据分别对应的关注度包括，动力电池的电流数据对应的第一关注度，动力电池的电压数据对应的第二关注度和动力电池的功率数据对应的第三关注度。本申请实施例可以根据第一关注度、第二关注度和第三关注度之间的相对大小关系，得到动力电池的电流数据、动力电池的电压数据和动力电池的功率数据对差值数据的影响系数，从而调节电动汽车中的剩余信息预测系统的预测规律，进而提高车辆剩余信息预测系统的预测准确性。

作为一种可能的实施方式，本申请实施例中的车辆也可以为燃油汽车。相应的，本申请实施例中的多种车辆数据可以包括车辆的油门开度数据和扭矩数据等与燃油汽车的剩余油量相关的车辆数据。此时，本申请实施例中得到的多种车辆数据分别对应的关注度包括，车辆的油门开度对应的第四关注度和扭矩数据对应的第五关注度。本申请实施例可以根据第四关注度和第五关注度之间的相对大小关系，得到燃油汽车的油门开度数据和扭矩数据对差值数据的影响系数，从而调节燃油汽车中的剩余信息预测系统的预测规律，进而提高车辆剩余信息预测系统的预测准确性。

综上所述，本申请实施例提供的车辆剩余信息误差的关注度获得方法，可以通过多种车辆数据和差值数据对注意力机制模型进行训练，并通过训练好的注意力机制模型解析获得多种车辆数据分别对应的关注度，从而可以帮助技术人员更好地了解多种车辆数据对车辆剩余信息误差的影响程度，进而辅助技术人员对车辆的剩余信息预测系统进行优化，提高车辆剩余信息预测系统的预测准确性。

根据上述实施例提供的车辆剩余信息误差的关注度获得方法，本申请实施例还提供了一种车辆剩余信息误差的关注度获得装置。

参见图2，该图为本申请实施例提供的一种车辆剩余信息误差的关注度获得装置的示意图。

本申请实施例中的剩余信息包括剩余里程或剩余时间，如图2所示，该装置包括：

差值数据获得模块100，用于获得车辆在目标时间段内的预测剩余信息和实际剩余信息的差值数据；

车辆数据获得模块200，用于获得车辆在目标时间段内的多种车辆数据，车辆数据为对预测剩余信息或实际剩余信息存在关联的数据；

训练模块300，用于根据多种车辆数据和差值数据对注意力机制模型进行训练；

关注度获得模块400，用于通过训练后的注意力机制模型获得多种车辆数据分别对应的关注度，多种车辆数据中的目标车辆数据的关注度越高指示目标车辆数据对预测剩余信息和实际剩余信息的差值影响越大。

作为一种可能的实施方式，车辆为电动汽车，多种车辆数据包括动力电池的电流数据、动力电池的电压数据和动力电池的功率数据。作为另一种可能的实施方式，车辆为燃油汽车，多种车辆数据包括车辆的油门开度数据和扭矩数据。

根据上述实施例提供的车辆剩余信息误差的关注度获得方法和车辆剩余信息误差的关注度获得装置，本申请还提供了一种车辆剩余信息误差的关注度获得设备，设备包括：处理器和存储器；存储器，用于存储指令；处理器，用于执行存储器中的指令，执行如上述实施例提供的车辆剩余信息误差的关注度获得方法。

根据上述提供的车辆剩余信息误差的关注度获得方法和车辆剩余信息误差的关注度获得装置，本申请还提供了一种计算机可读存储介质，包括指令，当其在计算机上运行时，使得计算机执行上述实施例提供的车辆剩余信息误差的关注度获得方法。

通过以上的实施方式的描述可知，本领域的技术人员可以清楚地了解到上述实施例方法中的全部或部分步骤可借助软件加必需的通用硬件平台的方式来实现。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存储介质中，如ROM/RAM、磁碟、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，或者诸如媒体网关等网络通信设备，等等)执行本申请各个实施例或者实施例的某些部分所述的方法。

需要说明的是，本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的方法而言，由于其与实施例公开的系统相对应，所以描述的比较简单，相关之处参见系统部分说明即可。

还需要说明的是，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、物品或者设备不仅包括那些要素，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、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。

对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本申请对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本申请的精神或范围的情况下，在其它实施例中实现。因此，本申请将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。

Claims (9)

1.一种车辆剩余信息误差的关注度获得方法，其特征在于，所述剩余信息包括剩余里程或剩余时间，所述方法包括：

获得车辆在目标时间段内的预测剩余信息和实际剩余信息的差值数据；

获得车辆在所述目标时间段内的多种车辆数据，所述车辆数据为与所述预测剩余信息或实际剩余信息存在关联的数据；

根据所述多种车辆数据和所述差值数据对注意力机制模型进行训练；

通过训练后的注意力机制模型获得所述多种车辆数据分别对应的关注度，所述多种车辆数据中的目标车辆数据的关注度越高指示所述目标车辆数据对预测剩余信息和实际剩余信息的差值影响越大；

其中，所述根据所述多种车辆数据和所述差值数据对注意力机制模型进行训练，包括：

将所述多种车辆数据作为输入，将所述差值数据作为输出对注意力机制模型进行训练，所述注意力机制模型的注意力模型结构为采用表格数据进行回归操作的序列化多步处理结构；

其中，所述注意力机制模型包括特征处理模块和注意力模块；

所述特征处理模块，用于将输入的所述多种车辆数据分成两部份d[i]和a[i]，其中d[i]用于计算当前步的输出以及余下步的输入信息，a[i]用于注意力mask的计算；

所述特征处理模块f_i通过如下公式对输入数据进行处理：

[d[i],a[i]]＝f_i(mask[i]·f)；

其中，所述注意力机制模型采用循环步骤的方式进行；经过当前第i个决策步骤注意力模块进行注意力处理过后的特征输入到下一步的特征处理模块，循环次数由步数决定，步数为超参；

所述注意力模块，用于在每一步中通过如下方式计算mask[i]：

mask[i]＝sparsemax(P[i-1]·h_i(a[i-1]))；

其中，mask[i]表示在第i个决策步骤通过注意力模块得到的mask的数值，mask[i]用于计算车辆数据对应的关注度X；

a为从特征处理模块中分离出来的特征，用来进行注意力的计算；

hi()表示批归一化和全连接操作；

P[i-1]为Priorscales缩放因子，其中，

其中，缩放因子用于降低被选择过的特征a的权重；

γ为自由度参数，当γ＝1时，特征a只出现在一个决策步骤中，随着γ值的增大，特征a的出现次数增加；

经过计算之后的注意力模块处理过的特征继续分裂出新的用于计算注意力的特征a，新的用于计算注意力的特征a用于下一步的注意力计算；

sparsemax为softmax的稀疏化版本，softmax用于将总数为1的注意力进行分配，用于获得各特征的注意力占比，sparsemax用于进行稀疏化处理；

其中，所述通过训练后的注意力机制模型获得所述多种车辆数据分别对应的关注度，包括：

将所述多种车辆数据输入到训练后的注意力机制模型，通过所述注意力机制模型得到每个决策步骤的mask[i]；

获得多个mask后，将多个mask进行叠加，多个mask的数量根据决策步骤的数量确定，通过如下方式获得多种车辆数据分别对应的关注度X；

其中，step_importance[n]为第n步获得的mask的权重；

n_step为决策步骤的数量；

mask[n]表示第n步获得的mask。

2.根据权利要求1所述的方法，其特征在于，所述车辆为电动汽车，所述多种车辆数据包括动力电池的电流数据、动力电池的电压数据和动力电池的功率数据。

3.根据权利要求2所述的方法，其特征在于，所述多种车辆数据分别对应的关注度包括，所述动力电池的电流数据对应的第一关注度，所述动力电池的电压数据对应的第二关注度和所述动力电池的功率数据对应的第三关注度。

4.根据权利要求1所述的方法，其特征在于，所述车辆为燃油汽车，所述多种车辆数据包括所述车辆的油门开度数据和扭矩数据。

5.根据权利要求4所述的方法，其特征在于，所述多种车辆数据分别对应的关注度包括，所述车辆的油门开度对应的第四关注度和所述扭矩数据对应的第五关注度。

6.一种车辆剩余信息误差的关注度获得装置，其特征在于，所述剩余信息包括剩余里程或剩余时间，所述装置包括：

差值数据获得模块，用于获得车辆在目标时间段内的预测剩余信息和实际剩余信息的差值数据；

车辆数据获得模块，用于获得所述车辆在所述目标时间段内的多种车辆数据，所述车辆数据为与所述预测剩余信息或实际剩余信息存在关联的数据；

训练模块，用于根据所述多种车辆数据和所述差值数据对注意力机制模型进行训练；

关注度获得模块，用于通过训练后的注意力机制模型获得所述多种车辆数据分别对应的关注度，所述多种车辆数据中的目标车辆数据的关注度越高指示所述目标车辆数据对预测剩余信息和实际剩余信息的差值影响越大；

其中，所述训练模块，用于所述根据所述多种车辆数据和所述差值数据对注意力机制模型进行训练，包括：

将所述多种车辆数据作为输入，将所述差值数据作为输出对注意力机制模型进行训练，所述注意力机制模型的注意力模型结构为采用表格数据进行回归操作的序列化多步处理结构；

其中，所述注意力机制模型包括特征处理模块和注意力模块；

所述特征处理模块，用于将输入的所述多种车辆数据分成两部份d[i]和a[i]，其中d[i]用于计算当前步的输出以及余下步的输入信息，a[i]用于注意力mask的计算；

所述特征处理模块f_i通过如下公式对输入数据进行处理：

[d[i],a[i]]＝f_i(mask[i]·f)；

其中，所述注意力机制模型采用循环步骤的方式进行；经过当前第i个决策步骤注意力模块进行注意力处理过后的特征输入到下一步的特征处理模块，循环次数由步数决定，步数为超参；

所述注意力模块，用于在每一步中通过如下方式计算mask[i]：

mask[i]＝sparsemax(P[i-1]·h_i(a[i-1]))；

其中，mask[i]表示在第i个决策步骤通过注意力模块得到的mask的数值，mask[i]用于计算车辆数据对应的关注度X；

a为从特征处理模块中分离出来的特征，用来进行注意力的计算；

hi()表示批归一化和全连接操作；

P[i-1]为Priorscales缩放因子，其中，

其中，缩放因子用于降低被选择过的特征a的权重；

γ为自由度参数，当γ＝1时，特征a只出现在一个决策步骤中，随着γ值的增大，特征a的出现次数增加；

经过计算之后的注意力模块处理过的特征继续分裂出新的用于计算注意力的特征a，新的用于计算注意力的特征a用于下一步的注意力计算；

sparsemax为softmax的稀疏化版本，softmax用于将总数为1的注意力进行分配，用于获得各特征的注意力占比，sparsemax用于进行稀疏化处理；

其中，所述通过训练后的注意力机制模型获得所述多种车辆数据分别对应的关注度，包括：

将所述多种车辆数据输入到训练后的注意力机制模型，通过所述注意力机制模型得到每个决策步骤的mask[i]；

获得多个mask后，将多个mask进行叠加，多个mask的数量根据决策步骤的数量确定，通过如下方式获得多种车辆数据分别对应的关注度X；

其中，step_importance[n]为第n步获得的mask的权重；

n_step为决策步骤的数量；

mask[n]表示第n步获得的mask。

7.根据权利要求6所述的装置，其特征在于，所述车辆为电动汽车，所述多种车辆数据包括动力电池的电流数据、动力电池的电压数据和动力电池的功率数据。

8.一种车辆剩余信息误差的关注度获得设备，其特征在于，所述设备包括：处理器和存储器；

所述存储器，用于存储指令；

所述处理器，用于执行所述存储器中的所述指令，执行如权利要求1-5中任一项所述的方法。

9.一种计算机可读存储介质，包括指令，当其在计算机上运行时，使得计算机执行如权利要求1-5任意一项所述的方法。