CN116993037A - 基于车辆电量确定行驶路线方法及装置 - Google Patents
基于车辆电量确定行驶路线方法及装置 Download PDFInfo
- Publication number
- CN116993037A CN116993037A CN202310965085.6A CN202310965085A CN116993037A CN 116993037 A CN116993037 A CN 116993037A CN 202310965085 A CN202310965085 A CN 202310965085A CN 116993037 A CN116993037 A CN 116993037A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- data
- electric quantity
- determining
- driving
- 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 50
- 230000001133 acceleration Effects 0.000 claims description 23
- 238000004590 computer program Methods 0.000 claims description 17
- 238000010276 construction Methods 0.000 claims description 13
- 238000003860 storage Methods 0.000 claims description 8
- 238000010801 machine learning Methods 0.000 claims description 6
- 238000005265 energy consumption Methods 0.000 abstract description 12
- 238000012545 processing Methods 0.000 description 11
- 238000012549 training Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 5
- 230000005611 electricity Effects 0.000 description 4
- 238000012423 maintenance Methods 0.000 description 4
- 238000012544 monitoring process Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 230000006399 behavior Effects 0.000 description 2
- 230000000903 blocking effect Effects 0.000 description 2
- 238000007405 data analysis Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012806 monitoring device Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
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"
- G06Q10/047—Optimisation of routes or paths, e.g. travelling salesman problem
-
- 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
- G06F16/2465—Query processing support for facilitating data mining operations in structured databases
-
- 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
- G06F16/2474—Sequence data queries, e.g. querying versioned data
-
- 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
- G06F16/29—Geographical information databases
-
- 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
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Databases & Information Systems (AREA)
- General Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (AREA)
- Probability & Statistics with Applications (AREA)
- Software Systems (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Operations Research (AREA)
- Remote Sensing (AREA)
- Quality & Reliability (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Navigation (AREA)
Abstract
本申请提供了一种基于车辆电量确定行驶路线方法及装置,该方法包括:获取车辆的疲劳数据和车辆的驾驶习惯数据,根据车辆的疲劳数据和车辆的驾驶习惯数据,确定车辆在每百公里的平均电量消耗数据;获取车辆的剩余电量数据;根据车辆在每百公里的平均电量消耗数据和车辆的剩余电量数据,从待推荐的行驶路线中确定目标行驶路线。本申请的技术方案可以对用车使用习惯的分析和对车辆性能的评估,这样通过综合考虑这些因素,可以更准确地预测车辆在行驶过程中的能耗,从而规划出更合理的行驶路线。
Description
技术领域
本申请涉及车辆导航技术领域,尤其涉及一种基于车辆电量确定行驶路线方法及装置。
背景技术
随着互联网技术的快速发展,新能源汽车在行驶路线规划方面可以根据初始电量来做出相应的安排。然而,目前的基于当前车辆电量规划路线的方法仅仅考虑了初始电量和规划路线距离,没有考虑到车辆行驶过程中所遇到的复杂情况。这些情况包括用车使用习惯、车辆性能以及本次行驶过程中的行为信息等。由于缺乏对这些复杂情况的考虑,目前的行驶路线规划方式可能存在一定的不准确性。这也意味着,基于这样的行驶路线规划,车辆在行驶过程中的剩余电量可能无法支持车辆到达目的地。
发明内容
有鉴于此,本申请实施例提供了一种基于车辆电量确定行驶路线方法及装置,以解决现有技术中由于缺乏对这些复杂情况的考虑,目前的行驶路线规划方式可能存在一定的不准确性的技术问题。
本申请实施例的第一方面,提供了一种基于车辆电量确定行驶路线方法,包括:获取车辆的疲劳数据和车辆的驾驶习惯数据;根据车辆的疲劳数据和车辆的驾驶习惯数据,确定车辆在每百公里的平均电量消耗数据;获取车辆的剩余电量数据;根据车辆在每百公里的平均电量消耗数据和车辆的剩余电量数据,从待推荐的行驶路线中确定目标行驶路线。
本申请实施例的第二方面,提供了一种基于车辆电量确定行驶路线装置,包括:第一获取模块,用于获取车辆的疲劳数据和车辆的驾驶习惯数据;第一确定模块,用于根据车辆的疲劳数据和车辆的驾驶习惯数据,确定车辆在每百公里的平均电量消耗数据;第二获取模块,用于获取车辆的剩余电量数据;第二确定模块,用于根据车辆在每百公里的平均电量消耗数据和车辆的剩余电量数据,从待推荐的行驶路线中确定目标行驶路线。
本申请实施例的第三方面,提供了一种电子设备,包括存储器、处理器以及存储在存储器中并且可在处理器上运行的计算机程序,处理器执行计算机程序时实现如上述第一方面提供的方法的步骤。
本申请实施例的第四方面,提供了一种计算机可读存储介质,计算机可读存储介质存储有计算机程序,计算机程序被处理器执行时实现如上述第一方面提供的方法的步骤。
本申请实施例与现有技术相比存在的有益效果至少包括:本申请实施例通过获取车辆的疲劳数据和车辆的驾驶习惯数据,根据车辆的疲劳数据和车辆的驾驶习惯数据,确定车辆在每百公里的平均电量消耗数据,获取车辆的剩余电量数据,根据车辆在每百公里的平均电量消耗数据和车辆的剩余电量数据,从待推荐的行驶路线中确定目标行驶路线,以此方式可以对用车使用习惯的分析和对车辆性能的评估,这样通过综合考虑这些因素,可以更准确地预测车辆在行驶过程中的能耗,从而规划出更合理的行驶路线。
附图说明
为了更清楚地说明本申请实施例中的技术方案,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,下面描述中的附图仅仅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它的附图。
图1是本申请实施例的一种基于车辆电量确定行驶路线系统的示意图;
图2是本申请实施例的一种基于车辆电量确定行驶路线方法的流程图;
图3是本申请实施例的另一种基于车辆电量确定行驶路线方法的流程图;
图4是本申请实施例的一种基于车辆电量确定行驶路线装置的框图;
图5是本申请实施例的一种电子设备的结构示意图。
具体实施方式
以下描述中,为了说明而不是为了限定,提出了诸如特定系统结构、技术之类的具体细节,以便透彻理解本申请实施例。然而,本领域的技术人员应当清楚,在没有这些具体细节的其它实施例中也可以实现本申请。在其它情况中,省略对众所周知的系统、装置、电路以及方法的详细说明,以免不必要的细节妨碍本申请的描述。
图1是本申请实施例的一种基于车辆电量确定行驶路线系统的示意图。
如图1所示,系统架构100可以包括第一车端101、第二车端102、第三车端103、网络104和服务器105。网络104用以在第一车端101、第二车端102、第三车端103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型,例如有线、无线通信链路或者光纤电缆等等。
应该理解,图1中的车端、网络和服务器的数目仅仅是示意性的。根据实现需要,可以具有任意数目的车端、网络和服务器。比如服务器105可以是多个服务器组成的服务器集群等。
用户可以使用第一车端101、第二车端102、第三车端103通过网络104与服务器105进行交互,以接收或发送数据等。第一车端101、第二车端102、第三车端103可以是安装在车辆用于接收或发送数据的各种电子设备。
服务器105可以是提供各种服务的车联网云端。例如服务器105可以从第一车端101(也可以是第二车端102或第三车端103)获取车辆的疲劳数据和车辆的驾驶习惯数据,根据车辆的疲劳数据和车辆的驾驶习惯数据,确定车辆在每百公里的平均电量消耗数据,获取车辆的剩余电量数据,根据车辆在每百公里的平均电量消耗数据和车辆的剩余电量数据,从待推荐的行驶路线中确定目标行驶路线,以此方式可以对用车使用习惯的分析和对车辆性能的评估,这样通过综合考虑这些因素,可以更准确地预测车辆在行驶过程中的能耗,从而规划出更合理的行驶路线。
下面将结合附图详细说明根据本申请实施例的基于车辆电量确定行驶路线方法和装置。
图2是本申请实施例的一种基于车辆电量确定行驶路线方法的流程图,本申请实施例提供的方法可以由任意具备计算机处理能力的电子设备执行,例如图1所示的服务器。
如图2所示,基于车辆电量确定行驶路线方法包括步骤S210至步骤S240。
在步骤S210中,获取车辆的疲劳数据和车辆的驾驶习惯数据。
在步骤S220中,根据车辆的疲劳数据和车辆的驾驶习惯数据,确定车辆在每百公里的平均电量消耗数据。
在步骤S230中,获取车辆的剩余电量数据。
在步骤S240中,根据车辆在每百公里的平均电量消耗数据和车辆的剩余电量数据,从待推荐的行驶路线中确定目标行驶路线。
该方法可以获取车辆的疲劳数据和车辆的驾驶习惯数据,根据车辆的疲劳数据和车辆的驾驶习惯数据,确定车辆在每百公里的平均电量消耗数据,获取车辆的剩余电量数据,根据车辆在每百公里的平均电量消耗数据和车辆的剩余电量数据,从待推荐的行驶路线中确定目标行驶路线,以此方式可以对用车使用习惯的分析和对车辆性能的评估,这样通过综合考虑这些因素,可以更准确地预测车辆在行驶过程中的能耗,从而规划出更合理的行驶路线。
在一些实施例中,上述车辆疲劳数据包括车辆的振动频次和车辆的振幅,上述车辆的驾驶习惯数据包括车辆在不同道路类型的不同路况的平均车速、加速次数、减速次数、刹车次数、变道次数。例如,车辆疲劳数据可以通过车辆的加速度传感器、陀螺仪等设备获取车辆的频率、振幅、周期,车联网云端可以基于频率、振幅、周期计算车辆每加速1m/s陀螺仪的平均振动频次以及平均振幅。车辆的驾驶习惯数据可以通过加速度传感器、刹车踏板、转向等设备获取车辆的加速、减速、转向等数据,提取出驾驶习惯的特征,将驾驶习惯按照拥堵情况以及道路类型进行划分,其中,拥堵情况包括通畅、拥挤、堵塞,通畅的具体定义可以为单车道下每100米车辆数量小于10,拥挤包括每100米车辆数量介于10至20之间,堵塞包括每100米车辆数量大于20,道路类型包括高速公路、快速路、城市公路、山路,车联网云端分析得到车辆在不同拥堵情况以及不同道路类型下的平均车速、加速次数、减速次数、刹车次数、变道次数,作为用户的驾驶习惯特征。
在一些实施例中,在确定车辆在每百公里的平均电量消耗数据之前,方法还包括:获取历史车辆的疲劳数据和历史车辆在不同道路类型的不同路况的驾驶习惯数据;基于历史车辆的疲劳数据和历史车辆在不同道路类型的不同路况的驾驶习惯数据进行机器学习,得到第一回归模型。
基于前述实施例,通过上述采集的大量不同路况、不同驾驶习惯、不同道路类型等条件下的车辆能量消耗数据,将这些数据用于训练机器学习模型(回归模型)。如:通过数据采集模块收集到了在高速公路、快速路、城市公路、山区上行驶的车辆的数据,其中包括车辆行驶速度、车辆电量消耗等信息。经过数据处理模块的处理,可以得到在高速公路、快速路、城市公路、山区上行驶的车辆的平均速度、平均电量消耗等信息。根据数据分析,可以得出在高速公路、快速路、城市公路、山区上行驶的车辆每100公里的平均电量消耗分别为A、B、C、D度。同时,通过数据采集模块收集到了车辆在行驶过程中的加速度、减速度和变道数据。经过数据处理模块的处理,可以得到车辆的急刹车次数、每次急刹车时的电量消耗量、急加速次数、每次急加速时的电量消耗量、变道次数、每次变道时的电量消耗量。根据具体的数据分析,可以得出车辆每进行一次急刹车、急加速、变道,会额外消耗E、F、G度电量
具体地,训练模型的具体过程可以包括:数据收集:首先需要获取历史车辆的疲劳数据和历史车辆在不同道路类型的不同路况的驾驶习惯数据。这些数据可以来自于车辆传感器、行驶记录仪、车辆管理系统等。确保数据的准确性和完整性非常重要。数据清洗和预处理:对收集到的数据进行清洗和预处理,包括去除异常值、处理缺失值、数据标准化等。这些步骤有助于提高数据质量和模型训练效果。特征工程:根据本申请实际的需求,从数据中提取有用的特征。例如,可以从疲劳数据中提取疲劳程度指标(例如,车辆的振动频次和每次振动的振幅),从驾驶习惯数据中提取驾驶行为指标(例如,车辆在不同拥堵情况以及不同道路类型下的平均车速、加速次数、减速次数、刹车次数、变道次数),以及从道路类型和路况数据中提取相应的特征。这些特征将用于训练机器学习模型。数据划分:将数据集划分为训练集和测试集。训练集用于模型的训练和参数调整,而测试集用于评估模型的性能和泛化能力。选择模型:根据本申请实际需求的特点和数据的特征,选择适合的回归模型。常见的回归模型包括线性回归、决策树回归、支持向量回归等。模型训练和调优:使用训练集对选择的回归模型进行训练,并通过调整模型的超参数来提高模型的性能。这可以通过交叉验证、网格搜索等技术来实现。模型评估:使用测试集对训练好的模型进行评估。常见的评估指标包括均方误差(Mean Squared Error)、均方根误差(Root Mean Squared Error)等。模型应用:使用训练好的回归模型对新的数据进行预测。将模型应用于实际场景中,根据输入的历史车辆的疲劳数据和历史车辆在不同道路类型的不同路况的驾驶习惯数据,预测出相应的结果(例如,车辆每百公里的平均电量消耗数据)。
基于前述实施例,历史车辆的疲劳数据可以通过车辆的加速度传感器、陀螺仪等设备获取车辆的振动、倾斜等数据提取出车辆疲劳程度的特征,如频率、振幅、周期,具体的,车联网云端获取车辆每次加速时陀螺仪的振动数据,并筛选出符合要求的数据,其中符合要求的数据包括每加速1m/s陀螺仪的振动频次以及每次的振幅,获取振动频次的中位数,并将与中位数相差较大的频次剔除,避免异常数据的干扰。车联网云端计算车辆每加速1m/s陀螺仪的平均振动频次以及平均振幅,并找到平均振动频次以及平均振幅下对应的车辆疲劳程度,其中,车联网云端存储了大量车辆的平均振动频次以及平均振幅,以及对应的车辆疲劳程度,车辆疲劳程度具体可以由检修人员在车辆检修过程中上传至车联网车联网云端。
在一些实施例中,车辆疲劳数据包括车辆的振动频次和车辆的振幅,车辆的驾驶习惯数据包括车辆在不同道路类型的不同路况的平均车速、加速次数、减速次数、刹车次数、变道次数;根据车辆的疲劳数据和车辆的驾驶习惯数据,确定车辆在每百公里的平均电量消耗数据包括:将车辆的振动频次和车辆的振幅、以及车辆在不同道路类型的不同路况的平均车速、加速次数、减速次数、刹车次数、变道次数输入到第一回归模型,通过第一回归模型对车辆的疲劳数据和车辆的驾驶习惯数据进行处理,得到车辆在每百公里的平均电量消耗数据。例如,通过第一回归模型中的预测算法,根据车辆的振动频次和车辆的振幅,车辆的驾驶习惯数据包括车辆在不同道路类型的不同路况的平均车速、加速次数、减速次数、刹车次数、变道次数,计算该车辆在每百公里的平均电量消耗数据。
在一些实施例中,方法还包括:判读车辆的振动频次和车辆的振幅是否大于预设阈值;如果车辆的振动频次和车辆的振幅大于预设阈值,向车辆发送提示信息,提示信息用于提示车辆需要检修。例如,通过监测车辆的疲劳程度,例如车辆行驶时间、陀螺仪振动频次、每次振动的振幅等,来判断是否需要安排车辆检修。当车辆的疲劳程度超过一定阈值时,模块可以向驾驶员推荐附近的充电站,以便驾驶员进行休息和车辆检修及充电。或者可以向车辆发送提示信息,以使得采用该提示信息来提示驾驶员车辆需要检修。具体地,为了判断车辆的振动频次和振幅是否大于预设阈值,可以使用车载传感器或其他振动监测设备来实时监测和记录车辆的振动数据。这些传感器可以安装在车辆的底盘、车轮或其他关键部位,以便捕捉到车辆在行驶过程中产生的振动信号。当获取到车辆的振动数据,就可以对其进行分析和处理。首先,可以通过信号处理技术,如傅里叶变换,将振动信号转换为频域表示,以获取振动频次的信息。然后,可以将振动频次与预设阈值进行比较,以确定是否超过了设定的限制。同时,还可以通过分析振动信号的幅值来评估振幅的大小。振幅可以表示车辆在振动过程中的位移或加速度的大小。将振幅与预设阈值进行比较,可以确定是否超过了设定的限制。如果车辆的振动频次和振幅大于预设阈值,即超过了设定的限制,系统可以触发相应的操作。例如,可以通过车载通信系统向车辆发送提示信息,提醒驾驶员或车辆维护人员注意车辆的振动情况,并建议进行检修。提示信息可以通过车载显示屏、声音提示或移动设备等方式进行传达。需要注意的是,具体的预设阈值和提示信息内容可以根据车辆类型、振动特征以及安全标准等因素进行定制。
在一些实施例中,根据车辆在每百公里的平均电量消耗数据和车辆的剩余电量数据,从待推荐的行驶路线中确定目标行驶路线包括:根据车辆在不同道路类型的不同路况的每百公里的平均电量消耗数据和车辆的剩余电量数据,确定车辆在不同道路类型的不同路况的续航距离;根据车辆在不同道路类型的不同路况的续航距离,从待推荐的行驶路线中确定目标行驶路线。以此方式可以根据车辆的性能、车辆驾驶的习惯、以及不同道路和不同路况计算出续航距离,该续航距离与车辆当前所处的场景更为接近,这样使得车辆可以根据车联网云端确定的目标行驶路线进行导航。例如,为了确定目标行驶路线,需要根据车辆在不同道路类型的不同路况下的每百公里的平均电量消耗数据和车辆的剩余电量数据,计算出车辆在不同道路类型的不同路况下的续航距离。这可以通过将车辆的平均电量消耗数据和剩余电量数据与不同道路类型和路况的能耗模型相结合来实现。具体地,能耗模型可以基于历史数据或实时数据进行建立。它可以考虑到不同道路类型(如高速公路、城市道路、乡村道路)和不同路况(如平坦道路、上坡、下坡、拥堵交通)对车辆能耗的影响。通过分析历史数据或实时数据,可以建立道路类型和路况对能耗的影响模型,并根据车辆的平均电量消耗数据计算出不同道路类型和路况下的续航距离。当获得了车辆在不同道路类型和路况下的续航距离数据,就可以根据目标行驶路线的要求来确定最佳的行驶路线。这可以通过将目标行驶路线分解为不同的道路类型和路况段落,并计算每个路况段落的续航距离来实现。然后,可以选择具有足够续航距离的路线段落,以确保车辆在行驶过程中有足够的电量支持,并能够到达目的地。需要注意的是,具体的能耗模型、道路类型和路况的分类以及目标行驶路线的要求可以根据实际情况进行定制。
在一些实施例中,方法还包括;实时获取目标行驶路线的道路交通数据,道路交通数据包括道路拥堵数据和道路施工数据;根据目标行驶路线的道路交通数据和当前车辆的剩余电量数据,更新目标行驶路线,这样可以及时根据道路的拥堵情况和道路施工情况实时优化该车辆的行驶路线,即更新该目标行驶路线。在本申请实施例中,通过实时监控道路交通状况,包括路面拥堵情况、车流量以及道路施工等情况,从而为车辆驾驶员提供更为准确的导航信息和路线选择建议。如:在一个交通繁忙的路口,监控模块可以通过车辆前方的交通信号灯状态来提醒驾驶员减速,避免车辆急刹车消耗过多电量。此外,当路面出现事故或道路施工时,监控模块也可以提前为驾驶员提供相应的路线选择建议,避免路面堵塞和浪费车辆电量。例如,为了更新目标行驶路线,首先需要实时获取道路交通数据,其中包括道路拥堵数据和道路施工数据。这可以通过交通管理机构、导航系统或其他相关数据提供商获取。道路拥堵数据提供了当前道路段的交通流量、速度和拥堵程度等信息,道路施工数据则提供了道路维护和施工活动的信息。当获取到道路交通数据,可以将其与目标行驶路线进行匹配和比较。通过分析道路拥堵数据,可以确定目标行驶路线上是否存在拥堵区域。如果道路拥堵程度较高,可能会导致能耗增加和行驶时间延长。此时,可以考虑更新目标行驶路线,以避开拥堵区域,选择更畅通的道路段落。另外,道路施工数据提供了道路维护和施工活动的信息。如果目标行驶路线上存在道路施工区域,可能会导致道路封闭、交通限制或行驶困难。在这种情况下,同样可以考虑更新目标行驶路线,选择绕过施工区域,以确保行驶的顺利进行。在更新目标行驶路线时,除了考虑道路交通数据外,还需要结合当前车辆的剩余电量数据进行决策。如果剩余电量较低,可能需要优先选择经济能耗、距离较短或充电设施更便利的路线段落,以确保车辆能够安全到达目的地或充电站。更新目标行驶路线可以通过导航系统、智能交通平台或相关应用程序来实现。这些系统可以实时获取道路交通数据,并根据车辆的当前位置、目的地和剩余电量等信息进行路径规划。
图3是本申请实施例的另一种基于车辆电量确定行驶路线方法的流程图。
如图3所示,基于车辆电量确定行驶路线方法还包括步骤S310和步骤S320。
在步骤S310中,获取车辆的历史充电数据,历史充电数据包括以下任意一项或多项:车辆行驶短途后充电的次数、车辆行驶长途后的充电次数、车辆充电的历史时段、以及车辆充电的历史速度。
在步骤S320中,根据历史充电数据,从目标行驶路线途中经过的多个充电站中确定用于车辆进行充电的目标充电站。
该方法可以根据历史充电数据,从目标行驶路线途中经过的多个充电站中确定用于车辆进行充电的目标充电站,以此方式可以向驾驶员推荐与自己偏好更为接近的充电站,即目标充电站,提高用户体验。
在一些实施例中,根据导航系统规划的路线,如需要在途中进行充电。充电站建议模块通过获取历史充电信息来向驾驶员推荐行驶路线途中的目标充电站。例如,该历史充电数据可以通过采集和处理模块获取车辆当前电量、路况信息、历史用电情况等数据,并结合机器学习分析预测用户行驶路线和充电需求。通过考虑诸如车辆行驶速度、电量消耗量、行驶距离、路线拥堵程度等因素,以实现更为准确的充电站推荐。如根据用户的驾驶习惯,例如平均行驶距离、行驶速度、充电时间等数据,来推断用户对充电的需求。如果用户通常在短距离行驶后进行充电,充电站建议模块可以推荐附近距离较近的充电站。如果用户通常在长途行驶后进行充电,充电站建议模块可以推荐适合长时间充电的充电站。考虑用户的个人偏好和需求,例如用户的充电时间段偏好、对充电速度的要求等。根据用户的需求,充电站建议模块可以向用户推荐满足其需求的充电站,例如推荐24小时开放的充电站,或具备快速充电设施的充电站。
通过本申请提供的方法,可以基于车辆当前电量规划路线,提高电动汽车的行驶效率,避免电量不足导致的无法到达目的地或者需要频繁充电的问题,提高用户的使用体验。此外,本申请可应用于各类电动汽车导航软件、车载导航系统等领域,具有广泛的应用前景。根据车辆电量和行车需求,避免出现电量不足、充电站推荐不准确等问题,提高行车安全。通过实时监控车辆电量和路况变化,提供最优路线和充电建议,降低车辆能源消耗,提高能源利用效率。根据用户的驾驶习惯和行车需求,提供个性化的路线规划和充电建议,提高用户出行体验。通过电量预测和路线优化,降低能源消耗和行车时间,提高行车效率。
图4是本申请实施例的一种基于车辆电量确定行驶路线装置的框图。
如图4所示,基于车辆电量确定行驶路线装置400包括第一获取模块410、第一确定模块420、第二获取模块430和第二确定模块440。
具体地,第一获取模块410,用于获取车辆的疲劳数据和车辆的驾驶习惯数据。
第一确定模块420,用于根据车辆的疲劳数据和车辆的驾驶习惯数据,确定车辆在每百公里的平均电量消耗数据。
第二获取模块430,用于获取车辆的剩余电量数据。
第二确定模块440,用于根据车辆在每百公里的平均电量消耗数据和车辆的剩余电量数据,从待推荐的行驶路线中确定目标行驶路线。
该基于车辆电量确定行驶路线装置400可以获取车辆的疲劳数据和车辆的驾驶习惯数据,根据车辆的疲劳数据和车辆的驾驶习惯数据,确定车辆在每百公里的平均电量消耗数据,获取车辆的剩余电量数据,根据车辆在每百公里的平均电量消耗数据和车辆的剩余电量数据,从待推荐的行驶路线中确定目标行驶路线,以此方式可以对用车使用习惯的分析和对车辆性能的评估,这样通过综合考虑这些因素,可以更准确地预测车辆在行驶过程中的能耗,从而规划出更合理的行驶路线。
在一些实施例中,在确定车辆在每百公里的平均电量消耗数据之前,基于车辆电量确定行驶路线装置400还用于:获取历史车辆的疲劳数据和历史车辆在不同道路类型的不同路况的驾驶习惯数据;基于历史车辆的疲劳数据和历史车辆在不同道路类型的不同路况的驾驶习惯数据进行机器学习,得到第一回归模型。
在一些实施例中,车辆疲劳数据包括车辆的振动频次和车辆的振幅,车辆的驾驶习惯数据包括车辆在不同道路类型的不同路况的平均车速、加速次数、减速次数、刹车次数、变道次数;上述第一确定模块420被配置为:将车辆的振动频次和车辆的振幅、以及车辆在不同道路类型的不同路况的平均车速、加速次数、减速次数、刹车次数、变道次数输入到第一回归模型,通过第一回归模型对车辆的疲劳数据和车辆的驾驶习惯数据进行处理,得到车辆在每百公里的平均电量消耗数据。
在一些实施例中,基于车辆电量确定行驶路线装置400还用于:判读车辆的振动频次和车辆的振幅是否大于预设阈值;如果车辆的振动频次和车辆的振幅大于预设阈值,向车辆发送提示信息,提示信息用于提示车辆需要检修。
在一些实施例中,上述第二确定模块440被配置为:根据车辆在不同道路类型的不同路况的每百公里的平均电量消耗数据和车辆的剩余电量数据,确定车辆在不同道路类型的不同路况的续航距离;根据车辆在不同道路类型的不同路况的续航距离,从待推荐的行驶路线中确定目标行驶路线。
在一些实施例中,基于车辆电量确定行驶路线装置400还用于:实时获取目标行驶路线的道路交通数据,道路交通数据包括道路拥堵数据和道路施工数据;根据目标行驶路线的道路交通数据和当前车辆的剩余电量数据,更新目标行驶路线。
图5是本申请实施例的一种电子设备的结构示意图,如图5所示,该实施例的电子设备500包括:处理器510、存储器520以及存储在该存储器520中并且可在处理器510上运行的计算机程序530。处理器510执行计算机程序530时实现上述各个方法实施例中的步骤。或者,处理器510执行计算机程序530时实现上述各装置实施例中各模块的功能。
电子设备500可以是桌上型计算机、笔记本、掌上电脑及云端服务器等电子设备。电子设备500可以包括但不仅限于处理器510和存储器520。本领域技术人员可以理解,图5仅仅是电子设备500的示例,并不构成对电子设备500的限定,可以包括比图示更多或更少的部件,或者不同的部件。
处理器510可以是中央处理单元(Central Processing Unit,CPU),也可以是其它通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现场可编程门阵列(Field-Programmable Gate Array,FPGA)或者其它可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。
存储器520可以是电子设备500的内部存储单元,例如,电子设备500的硬盘或内存。存储器520也可以是电子设备500的外部存储设备,例如,电子设备500上配备的插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(Flash Card)等。存储器520还可以既包括电子设备500的内部存储单元也包括外部存储设备。存储器520用于存储计算机程序以及电子设备所需的其它程序和数据。
所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,仅以上述各功能单元、模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能单元、模块完成,即将装置的内部结构划分成不同的功能单元或模块,以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块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。
集成的模块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,可以存储在一个计算机可读存储介质中。基于这样的理解,本申请实现上述实施例方法中的全部或部分流程,也可以通过计算机程序来指令相关的硬件来完成,计算机程序可以存储在计算机可读存储介质中,该计算机程序在被处理器执行时,可以实现上述各个方法实施例的步骤。计算机程序可以包括计算机程序代码,计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。计算机可读介质可以包括:能够携带计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(Read-Only Memory,ROM)、随机存取存储器(Random Access Memory,RAM)、电载波信号、电信信号以及软件分发介质等。需要说明的是,计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减,例如,在某些司法管辖区,根据立法和专利实践,计算机可读介质不包括电载波信号和电信信号。
以上实施例仅用以说明本申请的技术方案,而非对其限制;尽管参照前述实施例对本申请进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围,均应包含在本申请的保护范围之内。
Claims (10)
1.一种基于车辆电量确定行驶路线方法,其特征在于,包括:
获取车辆的疲劳数据和车辆的驾驶习惯数据;
根据车辆的疲劳数据和车辆的驾驶习惯数据,确定车辆在每百公里的平均电量消耗数据;
获取车辆的剩余电量数据;
根据车辆在每百公里的平均电量消耗数据和车辆的剩余电量数据,从待推荐的行驶路线中确定目标行驶路线。
2.根据权利要求1的所述方法,其特征在于,在确定车辆在每百公里的平均电量消耗数据之前,方法还包括:
获取历史车辆的疲劳数据和历史车辆在不同道路类型的不同路况的驾驶习惯数据;
基于历史车辆的疲劳数据和历史车辆在不同道路类型的不同路况的驾驶习惯数据进行机器学习,得到第一回归模型。
3.根据权利要求2的所述方法,其特征在于,车辆疲劳数据包括车辆的振动频次和车辆的振幅,车辆的驾驶习惯数据包括车辆在不同道路类型的不同路况的平均车速、加速次数、减速次数、刹车次数、变道次数;
根据车辆的疲劳数据和车辆的驾驶习惯数据,确定车辆在每百公里的平均电量消耗数据包括:
将车辆的振动频次和车辆的振幅、以及车辆在不同道路类型的不同路况的平均车速、加速次数、减速次数、刹车次数、变道次数输入到第一回归模型,通过第一回归模型对车辆的疲劳数据和车辆的驾驶习惯数据进行处理,得到车辆在每百公里的平均电量消耗数据。
4.根据权利要求1的所述方法,其特征在于,根据车辆在每百公里的平均电量消耗数据和车辆的剩余电量数据,从待推荐的行驶路线中确定目标行驶路线包括:
根据车辆在不同道路类型的不同路况的每百公里的平均电量消耗数据和车辆的剩余电量数据,确定车辆在不同道路类型的不同路况的续航距离;
根据车辆在不同道路类型的不同路况的续航距离,从待推荐的行驶路线中确定目标行驶路线。
5.根据权利要求1的所述方法,其特征在于,方法还包括;
实时获取目标行驶路线的道路交通数据,道路交通数据包括道路拥堵数据和道路施工数据;
根据目标行驶路线的道路交通数据和当前车辆的剩余电量数据,更新目标行驶路线。
6.根据权利要求1的所述方法,其特征在于,方法还包括:
获取车辆的历史充电数据,历史充电数据包括以下任意一项或多项:车辆行驶短途后充电的次数、车辆行驶长途后的充电次数、车辆充电的历史时段、以及车辆充电的历史速度;
根据历史充电数据,从目标行驶路线途中经过的多个充电站中确定用于车辆进行充电的目标充电站。
7.根据权利要求3的所述方法,其特征在于,方法还包括:
判读车辆的振动频次和车辆的振幅是否大于预设阈值;
如果车辆的振动频次和车辆的振幅大于预设阈值,向车辆发送提示信息,提示信息用于提示车辆需要检修。
8.一种基于车辆电量确定行驶路线装置,其特征在于,包括:
第一获取模块,用于获取车辆的疲劳数据和车辆的驾驶习惯数据;
第一确定模块,用于根据车辆的疲劳数据和车辆的驾驶习惯数据,确定车辆在每百公里的平均电量消耗数据;
第二获取模块,用于获取车辆的剩余电量数据;
第二确定模块,用于根据车辆在每百公里的平均电量消耗数据和车辆的剩余电量数据,从待推荐的行驶路线中确定目标行驶路线。
9.一种电子设备,包括存储器、处理器以及存储在存储器中并且可在处理器上运行的计算机程序,其特征在于,处理器执行计算机程序时实现如权利要求1至7中任一项方法的步骤。
10.一种计算机可读存储介质,计算机可读存储介质存储有计算机程序,其特征在于,计算机程序被处理器执行时实现如权利要求1至7中任一项方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310965085.6A CN116993037A (zh) | 2023-07-31 | 2023-07-31 | 基于车辆电量确定行驶路线方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310965085.6A CN116993037A (zh) | 2023-07-31 | 2023-07-31 | 基于车辆电量确定行驶路线方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116993037A true CN116993037A (zh) | 2023-11-03 |
Family
ID=88522862
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310965085.6A Pending CN116993037A (zh) | 2023-07-31 | 2023-07-31 | 基于车辆电量确定行驶路线方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116993037A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117521938A (zh) * | 2024-01-08 | 2024-02-06 | 广东车卫士信息科技有限公司 | 电动车辆运营管理方法、系统及存储介质 |
-
2023
- 2023-07-31 CN CN202310965085.6A patent/CN116993037A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117521938A (zh) * | 2024-01-08 | 2024-02-06 | 广东车卫士信息科技有限公司 | 电动车辆运营管理方法、系统及存储介质 |
CN117521938B (zh) * | 2024-01-08 | 2024-05-14 | 广东车卫士信息科技有限公司 | 电动车辆运营管理方法、系统及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
TWI638328B (zh) | 電力需求預測裝置、電力供給系統、電力需求預測方法、程式、供給電力管理裝置 | |
CN111532166A (zh) | 一种电动汽车充电路径规划方法、装置、汽车及计算机存储介质 | |
Li et al. | Identifying important variables for predicting travel time of freeway with non-recurrent congestion with neural networks | |
CN103206958A (zh) | 路径预测系统、路径预测方法以及程序 | |
CN116935654B (zh) | 一种基于数据分配值的智慧城市数据分析方法及系统 | |
Kumar et al. | A model based approach to predict stream travel time using public transit as probes | |
CN116993037A (zh) | 基于车辆电量确定行驶路线方法及装置 | |
Anya et al. | Application of AIMSUN microsimulation model to estimate emissions on signalized arterial corridors | |
Gebhard et al. | Range prediction for electric bicycles | |
EP4075408A1 (fr) | Procédé de détermination de la quantité d'émission polluantes émises par un véhicule sur un brin d'un réseau routier | |
Zambrano et al. | Using real traffic data for its simulation: Procedure and validation | |
CN116386316A (zh) | 交通风险的预测方法和装置、电子设备及存储介质 | |
CN111582527A (zh) | 行程时间的预估方法、装置、电子设备和存储介质 | |
CN111723871B (zh) | 一种公交车实时车厢满载率的估算方法 | |
JP2008282161A (ja) | 旅行時間推計方法,旅行時間推計装置,その方法を実装した旅行時間推計プログラム及びそのプログラムを格納した記録媒体、旅行時間予測方法,旅行時間予測装置,その方法を実装した旅行時間予測プログラム及びそのプログラムを格納した記録媒体 | |
CN115583153A (zh) | 一种续航里程计算方法、装置及计算机设备 | |
JP2023092971A (ja) | 交通状況予測装置、および、交通状況予測方法 | |
CN113902209A (zh) | 出行路线推荐方法、边缘服务器、云服务器、设备及介质 | |
Laubis | Crowd-based road surface monitoring and its implications on road users and road authorities | |
JP2023005015A (ja) | 交通状況予測装置、および、交通状況予測方法 | |
CN114627643A (zh) | 一种高速公路事故风险预测方法、装置、设备及介质 | |
CN113525385A (zh) | 一种车辆行程能耗的预测方法及装置 | |
Fan et al. | Optimizing location of variable message signs using GPS probe vehicle data | |
Rivera et al. | Analysis of Energy Demand of Passenger Buses in the City of Cuenca | |
KR20220057552A (ko) | 차량 인터넷 기반의 인간-기계 상호작용 방법 및 장치 |
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 | ||
TA01 | Transfer of patent application right | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20240116 Address after: No. 13 Xingxiang Road, Zengjia Town, High tech Zone, Shapingba District, Chongqing, 400039 Applicant after: Chongqing Selis Phoenix Intelligent Innovation Technology Co.,Ltd. Address before: 618 Liangjiang Avenue, Longxing Town, Yubei District, Chongqing Applicant before: Chongqing Celes New Energy Automobile Design Institute Co.,Ltd. |