CN116858272A - 用于选择电动车辆的最佳行驶路线的方法和设备 - Google Patents
用于选择电动车辆的最佳行驶路线的方法和设备 Download PDFInfo
- Publication number
- CN116858272A CN116858272A CN202310971508.5A CN202310971508A CN116858272A CN 116858272 A CN116858272 A CN 116858272A CN 202310971508 A CN202310971508 A CN 202310971508A CN 116858272 A CN116858272 A CN 116858272A
- Authority
- CN
- China
- Prior art keywords
- electric vehicle
- vehicle
- data
- energy consumption
- drivable
- 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 41
- 230000007613 environmental effect Effects 0.000 claims abstract description 58
- 238000005265 energy consumption Methods 0.000 claims abstract description 55
- 238000010801 machine learning Methods 0.000 claims abstract description 32
- 230000008569 process Effects 0.000 claims abstract description 8
- 238000004891 communication Methods 0.000 claims description 17
- 238000012549 training Methods 0.000 claims description 15
- 238000012544 monitoring process Methods 0.000 claims description 6
- 238000013507 mapping Methods 0.000 claims description 5
- 238000004590 computer program Methods 0.000 claims description 2
- 238000012545 processing Methods 0.000 abstract description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000011156 evaluation Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 239000000446 fuel Substances 0.000 description 2
- 238000002372 labelling Methods 0.000 description 2
- 208000019901 Anxiety disease Diseases 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 230000036506 anxiety Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
- G01C21/26—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network
- G01C21/34—Route searching; Route guidance
- G01C21/3453—Special cost functions, i.e. other than distance or default speed limit of road segments
- G01C21/3469—Fuel consumption; Energy use; Emission aspects
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
- G01C21/26—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network
- G01C21/34—Route searching; Route guidance
- G01C21/3446—Details of route searching algorithms, e.g. Dijkstra, A*, arc-flags, using precalculated routes
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
- G01C21/26—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network
- G01C21/34—Route searching; Route guidance
- G01C21/3453—Special cost functions, i.e. other than distance or default speed limit of road segments
- G01C21/3492—Special cost functions, i.e. other than distance or default speed limit of road segments employing speed data or traffic data, e.g. real-time or historical
Landscapes
- Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Automation & Control Theory (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Electric Propulsion And Braking For Vehicles (AREA)
- Navigation (AREA)
Abstract
本发明提出一种用于选择电动车辆的最佳行驶路线的方法,所述方法包括以下步骤:获取与电动车辆的当前状态相关的车辆数据;获取与电动车辆的当前位置和目的地位置之间的所有可行驶路段的当前环境状态相关的环境特征数据;借助经训练的机器学习模型基于电动车辆的车辆数据和环境特征数据预测每个可行驶路段的能耗;根据每个可行驶路段的能耗为电动车辆选择从当前位置引导至目的地位置的最佳行驶路线,所述最佳行驶路线由所述可行驶路段中的一个或多个组成。本发明还提出一种用于选择电动车辆的最佳行驶路线的设备和一种机器可读的存储介质。在本发明中,通过引入机器学习模型,简化了数据处理过程,提高了电动车辆路线规划的科学性和有效性。
Description
技术领域
本发明涉及一种用于选择电动车辆的最佳行驶路线的方法,本发明还涉及一种用于选择电动车辆的最佳行驶路线的设备和一种机器可读的存储介质。
背景技术
相比于燃油车,大多数电动车辆都存在里程焦虑问题。目前的导航系统通常仅从路线长度、交通路况、通行时间的角度来为车辆规划行驶路线。但是对于电动车辆而言,除了需要考虑行程的便捷性和通行效率,更重要的是,必须确保车辆能够在电量充足情况下顺利到达目的地,否则,还需要在行驶期间关注充电桩位置。因此,现有导航系统的路线规划方案还不能充分满足电动车主的需求。
在现有技术中,提出通过建立代价函数来为电动车辆搜寻最优路线,在这种方法中考虑到线路能耗与多种制约因素之间的线性或逻辑组合关系,并相应地选择使代价函数具有最低成本的路线作为最优路线。但是,现有方案依赖于对数学或物理模型的复杂建模过程,所需的计算量和待处理的数据量巨大,分析效率和结论准确性不高,因此适用性有限。
在这种背景下,期待提供一种改进的电动车辆路线规划方案,以更加智能且高效地为电动车辆合理规划行驶路线。
发明内容
本发明的目的在于提供一种用于选择电动车辆的最佳行驶路线的方法、一种用于选择电动车辆的最佳行驶路线的设备和一种机器可读的存储介质,以至少解决现有技术中的部分问题。
根据本发明的第一方面,提供一种用于选择电动车辆的最佳行驶路线的方法,所述方法包括以下步骤:
获取与电动车辆的当前状态相关的车辆数据;
获取与电动车辆的当前位置和目的地位置之间的所有可行驶路段的当前环境状态相关的环境特征数据;
借助经训练的机器学习模型基于电动车辆的车辆数据和环境特征数据预测每个可行驶路段的能耗;以及
根据每个可行驶路段的能耗为电动车辆选择从当前位置引导至目的地位置的最佳行驶路线,所述最佳行驶路线由所述可行驶路段中的一个或多个组成。
本发明尤其包括以下技术构思:通过引入机器学习模型,简化了数据处理过程,提高了电动车辆路线规划的科学性和有效性,可以更加充分地利用电池电量,使得路线规划结果更贴近用户实际需求。另外,由于实时地考虑电动车辆的当前状态和环境状态,模型可灵活地对不断变化的车辆数据及环境特征数据做出反应,并更新输出结果,实现了行驶路线的动态规划,在最大程度上避免因行驶路线规划不合理而无法顺利到达目的地的情况。
可选地,所述方法还包括以下步骤:获取从电动车辆的当前位置引导至目的地位置的多个路线,将多个路线中的每个路线划分为多个节点,以使得多个节点中的相邻节点限定出相应的可行驶路段。
可选地,基于每个可行驶路段的能耗计算所述多个路线中的每个路线的总能耗,从多个路线中选择具有最低总能耗的路线作为最佳行驶路线,或者,从多个路线中选择途经充电桩且在所有途经充电桩的路线中具有最低总能耗的路线作为最佳行驶路线。
可选地,所述机器学习模型是多元回归模型,所述多元回归模型描述每个可行驶路段的能耗与车辆数据及环境特征数据之间的映射关系。
可选地,所述机器学习模型通过历史样本数据所训练,所述历史样本数据包括所述电动车辆和/或其他电动车辆在历史时间段内经过所述可行驶路段时的历史车辆数据、历史环境特征数据以及历史能耗。
可选地,在位于电动车辆外部的远程服务器中执行对所述机器学习模型的训练过程,其中,通过以下方式获取历史车辆数据和历史环境特征数据:在历史时间段内从所述电动车辆和/或其他电动车辆的车载通信单元接收历史车辆数据和/或历史环境特征数据,所述历史车辆数据和/或历史环境特征数据由所述电动车辆和/或其他电动车辆的实时监控系统所收集。
可选地,所述车辆数据包括以下各项中的至少一个:电动车辆的车型、重量、动力系效率、电池温度、电池荷电状态、电动车辆的位置以及电动车辆的速度。
可选地,所述环境特征数据包括以下各项中的至少一个:可行驶路段的环境温度、交通路况、长度、交通信号灯的状态信号、充电桩分布状态、速度限制、道路曲率、道路坡度以及路面状况。
可选地,所述方法还包括以下步骤:向电动车辆推送包含所述最佳行驶路线的数字地图,其中,在数字地图中标注有与最佳行驶路线及其他路线相关的能耗、长度、充电桩分布信息。
根据本发明的第二方面,提供一种用于选择电动车辆的最佳行驶路线的设备,所述设备用于执行根据本发明的第一方面方法,所述设备包括:
第一获取模块,其被配置为能够获取与电动车辆的当前状态相关的车辆数据;
第二获取模块,其被配置为能够获取与电动车辆的当前位置和目的地位置之间的所有可行驶路段的当前环境状态相关的环境特征数据;
预测模块,其被配置为能够借助经训练的机器学习模型基于电动车辆的车辆数据和环境特征数据预测每个可行驶路段的能耗;以及
选择模块,其被配置为能够根据每个可行驶路段的能耗为电动车辆选择从当前位置引导至目的地位置的最佳行驶路线,所述最佳行驶路线由所述可行驶路段中的一个或多个组成。
根据本发明的第三方面,提供一种机器可读的存储介质,在所述存储介质上存储有计算机程序,所述计算机程序用于当在计算机上运行时执行根据本发明的第一方面所述的方法。
附图说明
下面,通过参看附图更详细地描述本发明,可以更好地理解本发明的原理、特点和优点。附图包括:
图1示出了根据本发明的一个示例性实施例的用于选择电动车辆的最佳行驶路线的设备的框图;
图2示出了根据本发明的一个示例性实施例的用于选择电动车辆的最佳行驶路线的方法的流程图;
图3示出了图2所示方法的附加步骤的流程图;以及
图4示出了根据示例性应用场景的在电动车辆的当前位置和目的地位置之间选择最佳行驶路线的示意图。
具体实施方式
为了使本发明所要解决的技术问题、技术方案以及有益的技术效果更加清楚明白,以下将结合附图以及多个示例性实施例对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅用于解释本发明,而不是用于限定本发明的保护范围。
图1示出了根据本发明的一个示例性实施例的用于选择电动车辆的最佳行驶路线的设备的框图。
在图1的示例中,电动车辆100可以包括数据采集单元20和车载通信单元30。然而,应当理解,在实际实现中,电动车辆100还可以包括各种此处未示出的组件。
在一些实施例中,电动车辆100还可以包括各种环境传感器,比如温度传感器、湿度传感器、速度传感器、电池状态传感器等。在一些实施例中,电动车辆100还包括定位单元,定位单元可以通过各种适用的方式确定电动车辆100所处的地理位置。
数据采集单元20例如可以是电动车辆100的动力总成系统的一部分,并且例如可构造为实时监控系统RTM(Real Time Monitoring)或与实时监控系统集成地构造。在本示例中,电动车辆100尤其可以涉及新能源车辆,即,电动车辆100可以是混合动力电动车(HEV)、插电式混合动力电动车(PHEV)、增程式电动车(EREV)和纯电动车(BEV)中的一种。然而应理解,本发明的设备和方法还可应用于许多其他类型车辆。
数据采集单元20可通过各种适用的方式(比如总线、无线连接等)与电动车辆100的环境传感器连接。这样,数据采集单元20可以从不同环境传感器定期收集车辆数据,比如电动车辆100的速度、当前位置、电池温度、电池电压、电池电流、电池荷电状态(SOC)、电池健康状况(SOH)、充电速率、动力系效率、输入/输出功率等。另外,数据采集单元20还可从导航单元读取电动车辆100的导航目的地,这例如作为默认信息存储在导航单元中或者由驾驶员提前设定。在其它情况下,数据采集单元20还可以收集与电动车辆100所处环境相关的环境特征数据。
车载通信单元30的一个示例可以是T-Box。车载通信单元30可以从数据采集单元20接收车辆数据和环境特征数据。此外,车载通信单元30还可以从控制器(未示出)接收车辆型号及载荷数据。
车载通信单元30可以通过无线通信技术(比如,3G、4G、5G等)与远程服务器200进行通信。由此,车载通信单元30可以将与电动车辆100相关的各种数据发送给远程服务器200。
远程服务器200例如可实现为云服务器,其可以对所接收的数据进行处理,并根据处理的结果来向电动车辆100推送信息或对电动车辆100采取进一步的控制操作。在图1所示的实施例中,在远程服务器200上布置有用于选择电动车辆的最佳行驶路线的设备10,该设备10包括第一获取模块11、第二获取模块12、预测模块13和选择模块14,这些模块在通信技术上彼此连接。
第一获取模块11例如构造为远程服务器200侧的通信单元,借助其能够从多个电动车辆100、110、120、130接收它们各自的车辆数据。在这些所接收的车辆数据中,有一些电动车辆110、120、130的车辆数据例如仅作为历史样本数据备用,以便优化机器学习模型的训练结果,而另一些则作为实时车辆数据被提供给机器学习模型作为输入,以对有导航需求的电动车辆100执行实时能耗预测。
第二获取模块12例如可以连接到第一获取模块11,以便接收关于电动车辆100的当前位置和目的地位置的信息。在一个实施例中,第二获取模块12可以连接到互联网或者通过无线通信技术连接到位于地面的多个基础设施,以便获取与电动车辆100的当前位置和目的地位置之间的所有可行驶路段的当前环境状态相关的环境特征数据。在另一实施例中,第二获取模块12也可以与第一获取模块11集成地构造,从而第二获取模块12也可从多个电动车辆100、110、120、130接收由这些电动车辆收集的环境特征数据。
预测模块13从第一获取模块11和第二获取模块12接收车辆数据以及环境特征数据,并能够借助经训练的机器学习模型基于车辆数据和环境特征数据预测每个可行驶路段的能耗。在预测模块13中例如设置有机器学习模型,该机器学习模型已经通过历史样本数据所训练,模型的具体训练方式和调优方式将在下文中结合图3详细阐述。在训练完成后,通过将实时获取的电动车辆100的车辆数据以及环境特征数据输入至机器学习模型中,可以得到所有可行驶路段的能耗作为输出结果。
选择模块14接收由预测模块13所确定的能耗信息,并根据每个可行驶路段的能耗为电动车辆100选择从当前位置引导至目的地位置的最佳行驶路线,所述最佳行驶路线由所述可行驶路段中的一个或多个组成。例如,选择模块14可以向车载通信单元30推送最佳行驶路线,或者向电动车辆100发送用于控制的数据、命令等,以便沿着最佳行驶路线对电动车辆100进行远程引导。
应注意的是,虽然在图1所示实施例中将选择模块14与其余三个模块一起布置在远程服务器200处,但还可预期的是,将选择模块14单独设置在电动车辆100本地。也就是说,只需定期从远程服务器200将包含各个可行驶路段的能耗信息的数字地图推送并更新至电动车辆100,而在电动车辆100本地结合其自身的导航规划来选择最佳行驶路线。由此,能够在一定程度上减少电动车辆100与远程服务器200之间的通信数据量。
图2示出了根据本发明的一个示例性实施例的用于选择电动车辆的最佳行驶路线的方法的流程图。该方法示例性地包括步骤S1-S5,并且例如可以在使用图1所示的设备10的情况下实施。
在步骤S1中,获取与电动车辆的当前状态相关的车辆数据。
这里,电动车辆的当前状态例如是指电动车辆的运动状态、电池状态、位置状态、导航行程状态、载荷状态等。相应地,车辆数据例如可以包括以下各项中的至少一个:电动车辆的车型、重量、动力系效率、电池温度、电池荷电状态、电动车辆的位置以及电动车辆的速度。
如已经结合图1介绍的,可以借助构造为实时监控系统的数据采集单元来收集车辆数据,并定期将其上报至远程服务器,以便在那里进行分析处理。获取车辆数据的频率可根据当地的通信网络质量或者根据实际要求的地图更新速率来动态调整。例如,当要求以较高帧率刷新数字地图中存储的能耗信息时,则可以更频繁地从电动车辆获取车辆数据,以确保数据的实时性。又例如,在网络条件较差时或者通信不稳定时,则可以相应降低从电动车辆获取车辆数据的频率。
在步骤S2中,获取与电动车辆的当前位置和目的地位置之间的所有可行驶路段的当前环境状态相关的环境特征数据。
这里,在图1所示的远程服务器处例如存储有包含完整路网信息的道路拓扑地图,在该道路拓扑地图中除了包含各路线的走向和道路属性(例如长度、宽度、道路等级、车道数等),而且还存储有各路线上的节点信息。节点信息例如可以表示交叉路口、分岔口等多个路线交汇的交通枢纽,或者也可表示沿着各路线分布的重要建筑物(例如学校、商场、公园等)和特殊基础设施(例如充电桩、加油站等)。另外,节点信息也可不具有确切含义,而是仅起到“分割点”的作用,以将每个路线沿着一定长度划分为多个可行驶路段,相邻节点限定出相应的可行驶路段。
环境特征数据例如可以包括以下各项中的至少一个:可行驶路段的环境温度、交通路况、长度、交通信号灯的状态信号、充电桩分布状态、速度限制、道路曲率、道路坡度以及路面状况。
如已经结合图1介绍的,可以从互联网获取各可行驶路段的环境特征数据。例如,可以通过互联网获取电动车辆所在位置处的天气情况,从而得到环境温度。另外,也可以从布置于路侧的道路基础设施(例如气象传感器、温度传感器、湿度传感器等)接收环境特征数据。然而还可能的是,环境特征数据由多个电动车辆采集并上报。例如,有些电动车辆配备有相应的环境温度传感器、环境湿度传感器,从而可以测量其所在位置处的环境温度和环境湿度。又例如,可以根据多个电动车辆上报的行驶速度推断出每个可行驶路段的平均交通流速和交通流量。
在步骤S3中,借助经训练的机器学习模型基于电动车辆的车辆数据和环境特征数据预测每个可行驶路段的能耗。机器学习模型例如可以是回归模型、人工神经网络、支持向量机、决策树等,本发明对此不作具体限定。
在一个实施例中,可以采用多元回归模型作为机器学习模型,所述多元回归模型描述每个可行驶路段的能耗与车辆数据及环境特征数据之间的映射关系。具体地,可以以车辆数据和环境特征数据作为自变量,并以可行驶路段的能耗作为因变量建立多元回归模型,借助最小二乘法求解多元回归模型的参数,以使得该模型对样本数据的拟合误差最小化。
在步骤S4中,根据每个可行驶路段的能耗为电动车辆选择从当前位置引导至目的地位置的最佳行驶路线,所述最佳行驶路线由所述可行驶路段中的一个或多个组成。
在该步骤中,可以将从电动车辆的当前位置引导至目的地位置的每个路线划分为多个节点,以使得多个节点中的相邻节点限定出相应的可行驶路段,然后基于在步骤S3中针对每个可行驶路段求取的能耗计算每个路线的总能耗。例如,针对从车辆当前位置引导至目的地位置的每个路线,将组成该路线的所有可行驶路段对应的能耗叠加起来,以得到总能耗。
接着,可以判断电动车辆目前的电池剩余电量是否能够支持其沿着所有路线中具有最低总能耗的路线达到目的地位置,如果可以的话,则将所有路线中具有最低总能耗的路线选择作为最佳行驶路线。如果电动车辆目前的电池剩余电量无法支持其沿着任何一条路线顺利到达目的地位置,则可以从所有路线中选择出途经充电桩的部分路线,并将部分路线中具有最低总能耗的路线作为最佳行驶路线。
在可选的步骤S5中,向电动车辆推送所选择的最佳行驶路线。
在一个实施例中,可以向电动车辆的车载通信单元发送包含最佳行驶路线的数字地图,在该数字地图中例如标注有与最佳行驶路线及其他路线相关的能耗、长度、充电桩分布信息。由此,如果电动车辆是被手动引导的,则驾驶员可以根据数字地图中的这些信息来决定是否要接受为其推荐的最佳行驶路线,或者,驾驶员也可选择不直接接受系统推送的最佳行驶路线,而是根据数字地图上显示的预计能耗信息自行选择其他路线。
在另一实施例中,由于电动车辆的当前位置、实时车辆状态以及环境状态不断变化,所以最佳行驶路线也不一定是固定的,考虑到这一点,尤其还可以以特定频率定期对数字地图进行更新。
图3示出了图2所示方法的附加步骤的流程图。在该示例性实施例中,图2所示方法还包括附加步骤S301-S305,这些附加步骤旨在阐述上文中提到的机器学习模型的训练过程,并且例如可以在图2所示的步骤S3之前执行。
在步骤S301中,获取历史样本数据,该历史样本数据包括电动车辆和/或其他电动车辆在历史时间段内经过可行驶路段时的历史车辆数据、历史环境特征数据以及历史能耗。如上文所述,可以通过以下方式获取历史车辆数据:在历史时间段内从所述电动车辆和/或其他电动车辆的车载通信单元接收所述电动车辆和/或其他电动车辆的历史车辆数据和/或历史环境特征数据,所述历史车辆数据和/或历史环境特征数据由所述电动车辆和/或其他电动车辆的实时监控系统所收集。
在此,采集历史样本数据时应具有一定数量、并且尤其应当能够覆盖不同车型、不同天气条件(下雨、下雪、高温、道路结冰等)及不同行驶工况(严重拥堵、轻度拥堵、行驶通畅、道路施工等),以此来确保所收集的历史样本数据能够模拟出实际行驶场景的多样性,使得机器学习模型具有良好的泛化能力。
在步骤S302中,对原始获得的历史样本数据进行预处理,以使得在每个可行驶路段上收集的历史车辆数据和历史环境特征数据能够与电动车辆在该可行驶路段上的能耗对应起来。这例如可以通过人工标注实现,也可通过机器标注实现。
例如,在历史时间段内,收集到如下历史车辆数据和历史环境特征数据:一电动车辆从节点A行驶至节点B时的电池温度为10℃,车辆的行驶速度为50km/h,车型为纯电动车,环境温度为0℃;并且还了解到该电动车辆在从节点A行驶至节点B期间的电量消耗量为0.2kWH。那么,可将“0.2kWh”的电量消耗量与上面提到的历史车辆数据和历史环境特征数据绑定地存储为“训练数据对”,以供机器学习模型的训练过程使用。
在步骤S303中,使用标注有能耗信息的历史样本数据构成的训练数据对建立并调整机器学习模型的输入-输出映射关系。具体而言,针对由两个相邻节点限定出的任一可行驶路段,以历史车辆数据和历史环境特征数据作为机器学习模型的输入,并且以电动车辆在该行驶路段上的能耗作为机器学习模型的输出。由此,使机器学习模型不断自学习这种映射关系,并利用新的样本数据调整模型的参数。
在步骤S304中,检查机器学习模型的性能评价指标是否满足预设条件和/或检查是否已经达到预设的训练步数。取决于模型的不同类型,可以选择不同的性能评价指标,这例如包括均方误差(MSE)、平均绝对误差(MAE)、均方根系数(RMSE)、决定系数(R^2)等。
如果没有达到预设的训练步数或者如果性能评价指标反映模型训练效果未达要求,则需要返回步骤S303继续对模型进行训练,并在步骤S304中继续执行这种检查。
如果发现已达到预设的训练步数或者如果相应的性能评价指标的值反映模型的训练效果达到期望要求,则在步骤S305中将实时接收到的电动车辆的车辆数据和关于可行驶路段的环境特征数据输入到经训练的机器学习模型中,由此得到电动车辆在各行驶路段上的预计能耗的预测结果。
图4示出了在电动车辆的当前位置和目的地位置之间选择最佳行驶路线的示意图。
在图4中示出了可供电动车辆选择的多个路线,这些路线的起点为电动车辆的当前位置,终点为电动车辆的目的地位置,因此所示的多个路线在电动车辆的当前位置与目的地位置之间延伸。电动车辆的当前位置例如可借助车载定位单元确定,目的地位置则可由驾驶员手动设定并输入至车载导航单元。
这多个路线中的每个可被划分为多个节点N0、N1、N2、N3、N4、N5、N6,以使得任两个相邻节点(例如N0、N1)限定出具有预定路径长度的可行驶路段(例如401)。由此,每个路线都由多个可行驶路段首尾连接而成。
为了选择出电动车辆的最佳行驶路线,可借助经训练的机器学习模型基于实时获得的车辆数据以及各可行驶路段的环境特征数据求取每个可行驶路段的能耗,这在图4中示例性标注出。同时,还针对每个可行驶路段标注出对应的路段长度。
通常,对于燃油车来说可直接选择所有路线中总长度最短的路线作为最佳行驶路线,但是对于电动车辆来说,这并不一定是最优选择。因此,需要根据电池温度、环境温度、交通状况、动力系效率等因素预测每个可行驶路段的能耗,并计算所有路线中的总能耗,再从中选择具有最低总能耗的路线作为最佳行驶路线。
在图4所示实施例中,例如可以选择依次经过节点N0、N4、N2、N5、N6延伸的路线作为最佳行驶路线,并将其推送给电动车辆,这在图4中示例性地用虚线标出。举例来说,虽然节点N0、N1限定出的可行驶路段401的长度比N0、N4限定出的可行驶路段402的长度更短,但由于环境温度、交通状况等因素影响,通过机器学习模型预测出当电动车辆在可行驶路段402上行驶时会消耗更少的电池电量,因此更有利于电动车辆的行驶。同样可能的是,相比于可行驶路段401,可行驶路段402的路面状态更为平坦,这种路况特性也会导致可行驶路段402的预计能耗更小。
尽管这里详细描述了本发明的特定实施方式,但它们仅仅是为了解释的目的而给出的,而不应认为它们对本发明的范围构成限制。在不脱离本发明精神和范围的前提下,各种替换、变更和改造可被构想出来。
Claims (10)
1.一种用于选择电动车辆(100)的最佳行驶路线的方法,所述方法包括以下步骤:
获取与电动车辆(100)的当前状态相关的车辆数据;
获取与电动车辆(100)的当前位置和目的地位置之间的所有可行驶路段(401)的当前环境状态相关的环境特征数据;
借助经训练的机器学习模型基于电动车辆(100)的车辆数据和环境特征数据预测每个可行驶路段(401)的能耗;以及
根据每个可行驶路段(401)的能耗为电动车辆(100)选择从当前位置引导至目的地位置的最佳行驶路线,所述最佳行驶路线由所述可行驶路段(401)中的一个或多个组成。
2.根据权利要求1所述的方法,其中,所述方法还包括以下步骤:获取从电动车辆(100)的当前位置引导至目的地位置的多个路线,将多个路线中的每个路线划分为多个节点,以使得多个节点中的相邻节点限定出相应的可行驶路段(401)。
3.根据权利要求2所述的方法,其中,基于每个可行驶路段(401)的能耗计算所述多个路线中的每个路线的总能耗,从多个路线中选择具有最低总能耗的路线作为最佳行驶路线,或者,从多个路线中选择途经充电桩且在所有途经充电桩的路线中具有最低总能耗的路线作为最佳行驶路线。
4.根据权利要求1至3中任一项所述的方法,其中,所述机器学习模型是多元回归模型,所述多元回归模型描述每个可行驶路段(401)的能耗与车辆数据及环境特征数据之间的映射关系。
5.根据权利要求1至4中任一项所述的方法,其中,所述机器学习模型通过历史样本数据所训练,所述历史样本数据包括所述电动车辆(100)和/或其他电动车辆(110,120,130)在历史时间段内经过所述可行驶路段(401)时的历史车辆数据、历史环境特征数据以及历史能耗。
6.根据权利要求5所述的方法,其中,在位于电动车辆(100)外部的远程服务器(200)中执行对所述机器学习模型的训练过程,其中,通过以下方式获取历史车辆数据和历史环境特征数据:在历史时间段内从所述电动车辆(100)和/或其他电动车辆(110,120,130)的车载通信单元(30)接收历史车辆数据和/或历史环境特征数据,所述历史车辆数据和/或历史环境特征数据由所述电动车辆(100)和/或其他电动车辆(110,120,130)的实时监控系统(20)所收集。
7.根据权利要求1至6中任一项所述的方法,其中,
所述车辆数据包括以下各项中的至少一个:电动车辆(100)的车型、重量、动力系效率、电池温度、电池荷电状态、电动车辆(100)的位置以及电动车辆(100)的速度;和/或
所述环境特征数据包括以下各项中的至少一个:可行驶路段(401)的环境温度、交通路况、长度、交通信号灯的状态信号、充电桩分布状态、速度限制、道路曲率、道路坡度以及路面状况。
8.根据权利要求1至7中任一项所述的方法,其中,所述方法还包括以下步骤:
向电动车辆(100)推送包含所述最佳行驶路线的数字地图,其中,在数字地图中标注有与最佳行驶路线及其他路线相关的能耗、长度、充电桩分布信息。
9.一种用于选择电动车辆(100)的最佳行驶路线的设备(10),所述设备(10)用于执行根据权利要求1至8中任一项所述的方法,所述设备(10)包括:
第一获取模块(11),其被配置为能够获取与电动车辆(100)的当前状态相关的车辆数据;
第二获取模块(12),其被配置为能够获取与电动车辆(100)的当前位置和目的地位置之间的所有可行驶路段(401)的当前环境状态相关的环境特征数据;
预测模块(13),其被配置为能够借助经训练的机器学习模型基于电动车辆(100)的车辆数据和环境特征数据预测每个可行驶路段(401)的能耗;以及
选择模块(14),其被配置为能够根据每个可行驶路段(401)的能耗为电动车辆(100)选择从当前位置引导至目的地位置的最佳行驶路线,所述最佳行驶路线由所述可行驶路段(401)中的一个或多个组成。
10.一种机器可读的存储介质,在所述存储介质上存储有计算机程序,所述计算机程序用于当在计算机上运行时执行根据权利要求1至8中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310971508.5A CN116858272A (zh) | 2023-08-02 | 2023-08-02 | 用于选择电动车辆的最佳行驶路线的方法和设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310971508.5A CN116858272A (zh) | 2023-08-02 | 2023-08-02 | 用于选择电动车辆的最佳行驶路线的方法和设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116858272A true CN116858272A (zh) | 2023-10-10 |
Family
ID=88228603
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310971508.5A Pending CN116858272A (zh) | 2023-08-02 | 2023-08-02 | 用于选择电动车辆的最佳行驶路线的方法和设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116858272A (zh) |
-
2023
- 2023-08-02 CN CN202310971508.5A patent/CN116858272A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11650066B2 (en) | Systems and methods for variable energy routing and tracking | |
CN110816549B (zh) | 能源管理装置、模型管理方法以及计算机程序 | |
US20180065484A1 (en) | Vehicle destination prediction | |
US9121720B2 (en) | System and method for providing driving information of electric vehicle | |
CN106767874A (zh) | 用于通过在车辆导航系统中的群体感知的燃料消耗预测和成本估计的方法及装置 | |
US20160245662A1 (en) | System And Method For Vehicle Energy Estimation, Adaptive Control And Routing | |
US20140214267A1 (en) | Predicting consumption and range of a vehicle based on collected route energy consumption data | |
CN109615887A (zh) | 智慧交通网络系统信号指引方法 | |
CN104044593A (zh) | 利用最佳速度曲线的路线导航 | |
CN112950128A (zh) | 一种基于大数据融合的智能物流运输系统及方法 | |
CN105180952A (zh) | 车辆的导航方法及导航系统 | |
US11993281B2 (en) | Learning in lane-level route planner | |
JP2022140890A (ja) | 電費予測装置 | |
KR102671687B1 (ko) | 차량의 주행 가능 거리를 추정하기 위한 방법 및 장치 | |
CN106355915A (zh) | 一种用于提供行驶建议的方法和装置 | |
CN112818036A (zh) | 基于云端大数据的电动车剩余里程预估方法和装置 | |
CN117546218A (zh) | 用于交通预测的分布式多任务机器学习 | |
JP2023175992A (ja) | エネルギー供給システムおよび情報処理装置 | |
Grubwinkler et al. | A modular and dynamic approach to predict the energy consumption of electric vehicles | |
CN113673756B (zh) | 车辆的推荐车速确定方法、装置及计算机设备 | |
WO2022182478A1 (en) | Lane-level route planner for autonomous vehicles | |
CN111225844A (zh) | 运输工具的后来的停止点的位置的确定 | |
CN115127569A (zh) | 一种个性化联运导航方法和系统 | |
CN116858272A (zh) | 用于选择电动车辆的最佳行驶路线的方法和设备 | |
US12017592B2 (en) | Powertrain control system with state of health information |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication |