CN117261904B - 一种自适应场景与风格的混动汽车驾驶模式决策方法 - Google Patents

Abstract

本发明属于混合动力汽车驾驶模式决策技术领域，公开了一种自适应场景与风格的混动汽车驾驶模式决策方法。该决策方法首先构建驾驶场景与驾驶风格和驾驶模式的关联模型；然后，获取驾驶行程信息，确定驾驶风格量化识别模型，并确定混动汽车的驱动模式和制动模式；利用全局能量管理算法确定不同驾驶场景和驾驶风格下的电量利用模式；训练驾驶场景与驾驶风格和驾驶模式的关联模型；最后，实现自适应场景与风格的混动汽车驾驶模式智能决策和迁移学习。本发明的决策方法不仅能够实现驾驶模式的自适应决策，充分发挥不同驾驶模式的动力性和经济性优势，而且能够真正实现千人千车千面的目标功能，有效提升驾乘体验。

Description

一种自适应场景与风格的混动汽车驾驶模式决策方法

技术领域

本发明属于混合动力汽车驾驶模式决策技术领域，尤其涉及一种自适应场景与风格的混动汽车驾驶模式决策方法。

背景技术

相比于传统汽车具有单一动力源，混合动力汽车具有发动机、电机等多动力源，所对应的驾驶模式组合更是丰富多样，包括驱动模式、制动模式以及电量利用模式。驱动模式根据踏板扭矩需求的不同，分为经济模式、普通模式和运动模式；制动模式根据能量回收强度的不同，分为低强度、中强度和高强度模式；电量利用模式根据能源利用形式不同，分为以电为主模式、以油为主模式。事实上，同一驾驶人在不同驾驶场景下的驾驶操作特征是可变的，如在城市拥堵场景和高速畅通场景下的驾驶操作特征表现具有明显异质性，驾驶人对不同场景下的行驶要求和驾乘感受也不同，城市拥堵场景更期望实现高经济性，高速畅通场景更期望实现高动力性。如果在驾驶出行过程中驾驶模式能够自适应匹配不同驾驶场景特征和风格，则能够有效发挥不同驾驶模式的动力性和经济性优势，不仅提升驾乘体验，而且能够真正实现千人千车千面的目标功能。

随着摄像头、雷达等环境感知传感器逐渐成为混动汽车的标配产品，在单车信息的基础上又能够获取周车环境信息，如前车状态、道路环境等信息，为驾驶场景识别和风格识别提供了较为全面的信息数据。此外，虽然云端能够感知更多源且超视距的信息，但由于信息缺失和通讯问题，在实际驾驶模式功能开发过程中难以直接利用。因此，在驾驶模式功能开发过程中，应尽可能采用更直接、更可靠的车端信息。

另一方面，目前混动汽车驾驶模式的确定通常是由驾驶人通过人机交互界面手动选择，且在驾驶全行程中通常会保持同一驾驶模式完成出行任务，在可变驾驶场景下，驾驶人难以在行程中根据驾驶场景条件的变化不断手动调整驾驶模式，同时，分心调节驾驶模式也会对驾驶安全产生影响。

发明内容

针对现有技术中的不足，本发明提出了一种自适应场景与风格的混动汽车驾驶模式决策方法。该决策方法首先构建驾驶场景与驾驶风格和驾驶模式的关联模型，并确定待识别驾驶场景、驾驶风格以及驾驶模式的类型；然后，通过车载传感器获取驾驶行程信息，确定驾驶风格量化识别模型，并确定混动汽车的驱动模式和制动模式；进一步，利用全局能量管理算法获取不同驾驶场景和驾驶风格下的最优能量利用表现，确定不同驾驶场景和驾驶风格下的电量利用模式；随后，训练驾驶场景与驾驶风格和驾驶模式的关联模型；最后，实现自适应场景与风格的混动汽车驾驶模式智能决策和迁移学习。

本发明利用车端可靠信息实现驾驶场景与驾驶风格的在线识别，不仅能够实现驾驶模式的自适应决策，充分发挥不同驾驶模式的动力性和经济性优势，而且能够真正实现千人千车千面的目标功能，有效提升驾乘体验。

本发明的技术方案具体如下：

一种自适应场景与风格的混动汽车驾驶模式决策方法，包括以下步骤：

步骤S1、构建驾驶场景、驾驶风格和驾驶模式的关联模型；

步骤S2、通过车载传感器获取不同驾驶风格驾驶人在不同驾驶场景下的自然驾驶数据，并确定驾驶风格量化识别模型；

步骤S3、利用全局最优能量管理策略获取不同驾驶场景和驾驶风格下的驾驶模式；

步骤S4、训练所述关联模型；

步骤S5、识别实时驾驶行程信息，采用训练好的关联模型实现自适应场景与风格的混动汽车驾驶模式在线决策，并对所述关联模型进行迁移学习。

优选的，所述步骤S1的关联模型中驾驶场景分为城市道路有前车、城市道路无前车、城郊道路有前车、城郊道路无前车、高速公路有前车和高速公路无前车，共6类。

优选的，所述步骤S1的关联模型中驾驶风格按照驾驶激进程度划分为1-10级，并归为3类，其中1-3级为第一类驾驶风格，4-6级为第二类驾驶风格，7-10级为第三类驾驶风格。

优选的，所述步骤S1的关联模型中驾驶模式包括驱动模式、制动模式以及电量利用模式。

优选的，所述驱动模式根据踏板扭矩需求的不同，分为经济驱动模式、普通驱动模式和运动驱动模式；制动模式根据能量回收强度的不同，分为低强度制动模式、中强度制动模式和高强度制动模式；电量利用模式根据能源利用形式不同，分为以电为主模式、以油为主模式。

优选的，所述步骤S2具体包括：

步骤S2-1、设定一条包含6类驾驶场景的行驶路线，选取至少20名不同驾驶风格的驾驶员，在相同时间段完成所述行驶路线，并获取自然驾驶数据；

步骤S2-2、随车驾驶专家对驾驶人的驾驶风格激进程度进行评级；依据驾驶场景的不同类型，将自然驾驶数据分割成多个片段，提取每类驾驶场景中每类驾驶风格对应的3个驾驶特征参数，分别为实时车速与基线速度的偏差比值，踏板操作次数，踏板开度的变化率；

步骤S2-3、通过自组织映射神经网络SOM无监督聚类方法对每类驾驶场景中每类驾驶风格对应的3个驾驶特征参数进行聚类，获取每类驾驶场景中每类驾驶风格下3个驾驶特征参数的基准阈值，作为驾驶风格量化识别的判断基准值。

优选的，所述步骤S3具体包括：

步骤S3-1、基于步骤S2-2中随车驾驶专家对驾驶人的驾驶风格激进程度的评级结果，确定各片段的驱动模式和制动模式；驾驶风格激进程度1-3级，对应经济驱动模式和低强度制动模式，驾驶风格激进程度4-6级，对应经普通驱动模式和中强度制动模式，驾驶风格激进程度7-10级，对应运动驱动模式和高强度制动模式；

步骤S3-2、设定电池SoC初始状态为30%，电池SoC终值状态为30%；

步骤S3-3、以步骤2的自然驾驶数据中的全局驾驶速度、电池SoC初始状态和电池SoC终值状态作为全局最优能量管理策略的输入，全局最优能量管理策略选用动态规划算法，输出结果为全局驾驶行程对应的电量利用模式；

步骤S3-4、获取各片段对应的电量利用模式，并进行标记；

步骤S3-5、若电池SoC初始状态等于50%，则执行步骤S3-6；否则令电池SoC初始状态增加1%，并返回步骤S3-3；

步骤S3-6、令电池SoC状态大于50%时标记为以电为主模式，电池SoC状态小于30%时标记为以油为主模式。

优选的，所述步骤S4具体包括：

基于自然驾驶数据，以驾驶场景类型、驾驶风格类型、3个驾驶特征参数和电池SoC状态为输入，以驱动模式、制动模式和电量利用模式为输出，利用Adaboost算法对所述关联模型进行训练。

优选的，所述步骤S5具体包括：

将训练好的所述关联模型设置于车端控制器中，实时驾驶时，将车载传感器识别的当前驾驶场景类型、前一次识别的驾驶风格类型、前一次识别的3个驾驶特征参数和当前电池SoC状态输入关联模型中，自适应确定驱动模式、制动模式和电量利用模式；且每次驾驶行程结束后，车端控制器接收新的驾驶行程数据，对关联模型进行迁移训练。

相比于现有技术，本发明的有益效果在于：

（1）目前混动汽车驾驶模式的选择方式均为驾驶人通过人机交互界面确定，在驾驶全程中驾驶模式选择单一。然而，驾驶人在不同驾驶场景下表现的驾驶操作特征具有明显异质性，单一驾驶模式难以适应不同驾驶场景和驾驶风格。本发明提出了一种自适应驾驶场景与风格的驾驶模式决策方法，有效解决了现有驾驶模式单一的问题。

（2）针对同一驾驶人在不同驾驶场景下的风格具有稳定性，本发明基于三类驾驶操作特征参数，通过插值方式量化确定不同驾驶场景下驾驶风格的保守或激进程度，能够准确、快速地对驾驶风格进行量化识别。

（3）本发明仅针对有限数量下的驾驶场景和风格识别，随着驾驶行程数据的积累，本发明在不同驾驶场景和风格下的驾驶模式选择将趋于稳定，同时，也避免了驾驶模式频繁切换造成驾乘体验差的问题发生。

（4）本发明所提出的一种自适应场景与风格的混动汽车驾驶模式决策方法，能够充分发挥不同驾驶模式的动力性和经济性优势，而且能够真正实现千人千车千面的目标功能，有效提升驾乘体验。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，通过参考附图可以更加清楚的理解本发明的特征和优点，附图是示意性的而不应理解为对本发明进行任何限制，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，可以根据这些附图获得其他的附图。

图1为本发明提出的一种自适应场景与风格的混动汽车驾驶模式决策方法的流程图。

具体实施方式

为了能够更清楚地理解本发明的上述目的、特征和优点，下面结合附图和具体实施方式对本发明进行进一步的详细描述。需要说明的是，在不冲突的情况下，本发明的实施例及实施例中的特征可以相互组合。

在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是，本发明还可以采用其他不同于在此描述的其他方式来实施，因此，本发明的保护范围并不受下面公开的具体实施例的限制。

本发明提出的一种自适应场景与风格的混动汽车驾驶模式决策方法，能够在驾驶行程中实现驾驶模式的自适应决策，并充分考虑驾驶场景特征和驾驶操作特征信息，有效解决了目前驾驶行程中仅采用单一驾驶模式而造成的工况适应性差的问题。具体方案如图1所示，包括以下步骤：

步骤一、构建驾驶场景、驾驶风格和驾驶模式的关联模型；

依据车载传感器感知信息将驾驶场景分为6类，驾驶风格按驾驶激进程度进行量化分为1-10级，驾驶模式包括驱动模式、制动模式以及电量利用模式。

其中，依据摄像头与雷达车载传感器判断驾驶场景，包括有无前车状态，以及城市道路、城郊道路和高速公路三种道路类型，共组合形成城市道路有前车、城市道路无前车、城郊道路有前车、城郊道路无前车、高速公路有前车和高速公路无前车共6类驾驶场景。

进一步确定不同驾驶场景下的基线速度作为驾驶风格识别的信息决策量，当有前车状态时，能够获取前车车速并以前车车速为基线速度，当无前车状态时，以识别道路类型对应的道路限速为基线速度。

其中，驾驶风格识别的驾驶特征参数包括三个，第一个为实时车速与基线速度的偏差比值，第二个为不同驾驶场景下的踏板操作次数，以踏板变化由谷值向峰值再向谷值为一个周期记录，第三个为踏板开度的变化率，即在一个踏板周期内，踏板从谷值向峰值发展的变化率或由峰值向谷值发展的变化率。对应驾驶风格按连续离散值进行量化，1-10级代表驾驶风格按驾驶激进程度，并归为3类，其中1-3级为第一类驾驶风格，4-6级为第二类驾驶风格，7-10级为第三类驾驶风格。

其中，驾驶模式包括驱动模式、制动模式以及电量利用模式。驱动模式根据踏板扭矩需求的不同，分为经济驱动模式、普通驱动模式和运动驱动模式，分别对应驾驶风格1-3级，4-6级，7-10级；制动模式根据能量回收强度的不同，分为低强度制动模式、中强度制动模式和高强度制动模式，分别对应驾驶风格1-3级，4-6级，7-10级；电量利用模式根据能源利用形式不同，分为以电为主模式、以油为主模式。

驾驶场景与驾驶风格和驾驶模式的关联模型对应选择数目为，分别代表具有6类驾驶场景、10种驾驶风格、3种驱动模式、3种制动模式和2种电量利用模式。

步骤二、通过车载传感器获取不同驾驶风格驾驶人在不同驾驶场景下的自然驾驶数据，并确定驾驶风格量化识别模型；

首先，针对所构建的驾驶场景、驾驶风格和驾驶模式的关联模型，选取覆盖6类驾驶场景的行驶路线，均衡选取保守、激进等不同驾驶风格的驾驶员各至少10名，在相同时间段完成行驶路线，获取自然驾驶数据。并根据不同驾驶场景类型对自然驾驶数据进行切片，并获取步骤一所提到的三个驾驶特征参数。此外，根据随车驾驶专家客观评价并量化驾驶人的驾驶风格；其次，对每类驾驶场景中每类驾驶风格对应的3个驾驶特征参数进行聚类，获取每类驾驶场景中每类驾驶风格下3个驾驶特征参数的基准阈值，作为驾驶风格量化识别的判断基准值；最后，通过获取典型驾驶特征参数并插值量化识别驾驶风格。

其中，由两位随车驾驶专家评测驾驶员在不同驾驶场景下的驾驶风格。进一步，通过对不同驾驶场景下的自然驾驶数据进行切片，提取同一驾驶场景同一驾驶风格下的3个驾驶特征参数。

其中，通过自组织映射神经网络SOM无监督聚类方法对同一驾驶场景下不同驾驶风格的3个驾驶特征参数进行聚类，SOM根据相似性原则对应数值映射至SOM神经网络的中心点，形成同一驾驶场景下不同驾驶风格的聚类结果。具体步骤如下：

（1）随机初始化SOM节点权重参数，节点参数个数为3个，对应输入为同一驾驶场景下不同驾驶风格的3个驾驶特征参数。

（2）遍历SOM中每一个神经网络节点，利用欧几里得距离函数进行判别，确定最相似性的SOM节点进行匹配，即距离最小的节点作为优胜节点。

（1）

其中，为第/>个驾驶特征参数/>距离SOM神经网络/>节点的欧几里得距离，/>为第/>个驾驶特征参数/>距离SOM神经网络/>节点的权重参数。

（3）设置SOM节点领域半径，迭代更新领域内节点的权重参数，直至满足设定的迭代次数，完成同一驾驶场景下不同驾驶风格的三个驾驶特征参数的聚类。

（4）根据主观驾驶风格量表确定不同聚类结果的特征数据表现，获得不同驾驶风格下的驾驶特征参数的阈值。

（5）采用上述步骤（1）-（4），确定6类不同驾驶场景下不同驾驶风格下的不同驾驶特征参数的阈值，作为驾驶风格识别的判断基准值。

步骤三、利用全局最优能量管理策略获取不同驾驶场景和驾驶风格下的驾驶模式；

首先，基于步骤二所采集的自然驾驶数据，以全局驾驶速度作为全局最优能量管理策略的输入，全局最优能量管理策略选用动态规划算法，输出结果为全局驾驶行程对应的电量利用模式；其次，通过对不同驾驶场景下的自然驾驶数据进行切片，获取不同片段对应的电量利用模式，包括以电为主模式和以油为主模式，并进行标记；最后，遍历电池SoC初始状态在30%~50%下的输出结果，获取在不同电池SoC初始状态下的电量利用模式，并进行标记。

其中，全局最优能量管理策略选用动态规划算法，其输入量为自然驾驶数据中的全局驾驶速度、电池SoC初始状态和电池SoC终值状态，输出量为全局驾驶行程对应的电量利用模式。

其中，通过获取切片后的自然驾驶数据，对于每一片段以工作模式持续时间最长的模式进行标记，纯电工作模式持续时长大于发动机介入工作模式持续时长，则对应电量利用模式标记为1；当纯电工作模式持续时长小于发动机介入工作模式持续时长，则对应电量利用模式标记为2。

其中，混动汽车模式选择受电池SoC状态影响，当电池SoC在50%以上时选用以电为主的工作模式，电池SoC在30%以下时选用以油为主的工作模式。对于电池SoC初始状态在30-50%范围内，以1%为间隔重复采用全局最优能量管理策略进行计算并标记不同驾驶场景和驾驶风格对应的电量利用模式。

步骤四、训练驾驶场景、驾驶风格和驾驶模式的关联模型；

首先，基于所述关联模型，填充不同驾驶场景和驾驶风格，依据步骤二所获取的驾驶风格确定对应的驱动模式和制动模式，依据步骤三确定的电量利用模式；其次，每一个关联模型对应驾驶数据存储单元，包括驾驶操作特征数据，即步骤一所提到驾驶风格识别所涉及三个驾驶特征参数以及电池SoC状态，共同组成训练集，进而确定关联模型的输入量和输出量；最后，利用Adaboost算法对关联模型进行训练，从而根据驾驶场景和驾驶风格的输入量，确定自适应驾驶场景和驾驶风格的驾驶模式。

其中，训练驾关联模型的输入量为驾驶场景类型、驾驶风格类型、3个驾驶特征参数和电池SoC状态，输出结果为驱动模式、制动模式和电量利用模式。

其中，利用Adaboost算法通过训练每个弱分类器及其权重/>，通过确定/>个弱分类器的差异，实现输入量重要程度排序，训练所得权重越大，输入量越重要，从而确定准确率高的集成分类器，具体如式（2）所示。

（2）

其中，为驾驶场景与驾驶风格和驾驶模式的关联模型的强分类器，/>为输入量，迭代次数为/>。

步骤五、识别实时驾驶行程信息，采用训练好的关联模型实现自适应场景与风格的混动汽车驾驶模式在线决策，并对所述关联模型进行迁移学习；

将步骤四训练好的驾驶场景与驾驶风格和驾驶模式的关联模型烧录至车端控制器中，当车载传感器预知前方驾驶场景类型以及在不同驾驶场景下的驾驶风格时，自适应确定唯一的驱动模式、制动模式和电量利用模式，从而完成实现自适应驾驶场景与驾驶风格的混动汽车驾驶模式智能决策与组合。

进一步，当每次驾驶行程结束后，车端控制器接收新的驾驶行程数据，对驾驶场景与驾驶风格和驾驶模式的关联模型进行迁移训练，随着驾驶行程数据积累越多，得到的驾驶模式自适应决策更准确。

其中，驾驶场景根据车载传感器进行实时识别，驾驶风格识别并不是实时更新，其所采用的驾驶风格识别结果是在最新一次同一驾驶场景的风格确定。随着驾驶行程数据的积累，对应同一驾驶员在不同驾驶场景下的驾驶风格表现趋于稳定，避免了实时驾驶风格发生突变造成的驾驶模式频繁切换。

在本发明中，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”、“固定”等术语应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或成一体；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通或两个元件的相互作用关系。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本发明中的具体含义。

在本发明中，除非另有明确的规定和限定，第一特征在第二特征之“上”或之“下”可以包括第一和第二特征直接接触，也可以包括第一和第二特征不是直接接触而是通过它们之间的另外的特征接触。而且，第一特征在第二特征“之上”、“上方”和“上面”包括第一特征在第二特征正上方和斜上方，或仅仅表示第一特征水平高度高于第二特征。第一特征在第二特征“之下”、“下方”和“下面”包括第一特征在第二特征正下方和斜下方，或仅仅表示第一特征水平高度小于第二特征。

在本发明中，术语“第一”、“第二”、“第三”、“第四”仅用于描述目的，不能理解为指示或暗示相对重要性。术语“多个”指两个或两个以上，除非另有明确的限定。

以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (3)

1.一种自适应场景与风格的混动汽车驾驶模式决策方法，其特征在于，包括以下步骤：

步骤S1、构建驾驶场景、驾驶风格和驾驶模式的关联模型；

步骤S2、通过车载传感器获取不同驾驶风格驾驶人在不同驾驶场景下的自然驾驶数据，并确定驾驶风格量化识别模型；

步骤S3、利用全局最优能量管理策略获取不同驾驶场景和驾驶风格下的驾驶模式；

步骤S4、训练所述关联模型；

步骤S5、识别实时驾驶行程信息，采用训练好的关联模型实现自适应场景与风格的混动汽车驾驶模式在线决策，并对所述关联模型进行迁移学习；

所述步骤S1的关联模型中驾驶场景分为城市道路有前车、城市道路无前车、城郊道路有前车、城郊道路无前车、高速公路有前车和高速公路无前车，共6类；

所述步骤S1的关联模型中驾驶风格按照驾驶激进程度划分为1-10级，并归为3类，其中1-3级为第一类驾驶风格，4-6级为第二类驾驶风格，7-10级为第三类驾驶风格；

所述步骤S1的关联模型中驾驶模式包括驱动模式、制动模式以及电量利用模式；

所述驱动模式根据踏板扭矩需求的不同，分为经济驱动模式、普通驱动模式和运动驱动模式；制动模式根据能量回收强度的不同，分为低强度制动模式、中强度制动模式和高强度制动模式；电量利用模式根据能源利用形式不同，分为以电为主模式、以油为主模式；

所述步骤S2具体包括：

步骤S2-1、设定一条包含6类驾驶场景的行驶路线，选取至少20名不同驾驶风格的驾驶员，在相同时间段完成所述行驶路线，并获取自然驾驶数据；

步骤S2-2、随车驾驶专家对驾驶人的驾驶风格激进程度进行评级；依据驾驶场景的不同类型，将自然驾驶数据分割成多个片段，提取每类驾驶场景中每类驾驶风格对应的3个驾驶特征参数，分别为实时车速与基线速度的偏差比值，踏板操作次数，踏板开度的变化率；

步骤S2-3、通过自组织映射神经网络SOM无监督聚类方法对每类驾驶场景中每类驾驶风格对应的3个驾驶特征参数进行聚类，获取每类驾驶场景中每类驾驶风格下3个驾驶特征参数的基准阈值，作为驾驶风格量化识别的判断基准值；

所述步骤S3具体包括：

步骤S3-1、基于步骤S2-2中随车驾驶专家对驾驶人的驾驶风格激进程度的评级结果，确定各片段的驱动模式和制动模式；驾驶风格激进程度1-3级，对应经济驱动模式和低强度制动模式，驾驶风格激进程度4-6级，对应经普通驱动模式和中强度制动模式，驾驶风格激进程度7-10级，对应运动驱动模式和高强度制动模式；

步骤S3-2、设定电池SoC初始状态为30%，电池SoC终值状态为30%；

步骤S3-3、以步骤2的自然驾驶数据中的全局驾驶速度、电池SoC初始状态和电池SoC终值状态作为全局最优能量管理策略的输入，全局最优能量管理策略选用动态规划算法，输出结果为全局驾驶行程对应的电量利用模式；

步骤S3-4、获取各片段对应的电量利用模式，并进行标记；

步骤S3-5、若电池SoC初始状态等于50%，则执行步骤S3-6；否则令电池SoC初始状态增加1%，并返回步骤S3-3；

步骤S3-6、令电池SoC状态大于50%时标记为以电为主模式，电池SoC状态小于30%时标记为以油为主模式。

2.根据权利要求1所述的混动汽车驾驶模式决策方法，其特征在于，所述步骤S4具体包括：

基于自然驾驶数据，以驾驶场景类型、驾驶风格类型、3个驾驶特征参数和电池SoC状态为输入，以驱动模式、制动模式和电量利用模式为输出，利用Adaboost算法对所述关联模型进行训练。

3.根据权利要求2所述的混动汽车驾驶模式决策方法，其特征在于，所述步骤S5具体包括：

将训练好的所述关联模型设置于车端控制器中，实时驾驶时，将车载传感器识别的当前驾驶场景类型、前一次识别的驾驶风格类型、前一次识别的3个驾驶特征参数和当前电池SoC状态输入关联模型中，自适应确定驱动模式、制动模式和电量利用模式；且每次驾驶行程结束后，车端控制器接收新的驾驶行程数据，对关联模型进行迁移训练。