CN117922371A - 一种车辆续驶里程预测方法、装置、存储介质及车辆 - Google Patents

Abstract

本发明公开了一种车辆续驶里程预测方法、装置、存储介质及车辆，所述方法包括：获取与车辆能耗相关的基础特征，所述基础特征包括表征电池状态、整车状态、车辆工况、驾驶习惯和驾驶环境的特征；基于专家经验和电池机理特性获取经验机理特征；利用机器学习模型获取模型衍生特征；利用特征选择模型，对基础特征、经验机理特征和模型衍生特征进行重要性评估，以确定入模特征；利用续驶里程预测模型，根据入模特征预测未来第一时间段内的第一百公里能耗值和未来第二时间段内的第二百公里能耗值；根据第一百公里能耗值和第二百公里能耗值获得车辆百公里能耗预测值，以结合电池SOE获得车辆的续驶里程。本发明能够提高车辆续驶里程的预测准确度。

Description

一种车辆续驶里程预测方法、装置、存储介质及车辆

技术领域

本发明涉及新能源汽车技术领域，尤其涉及一种车辆续驶里程预测方法、装置、计算机可读存储介质及车辆。

背景技术

当前新能源汽车的续驶里程预测误差较大，原因主要在于，传统的续驶里程计算方法主要是基于经验和电池机理特性，通过BMS(电池管理系统)采集的剩余能量/当前能耗，从而计算得出可行驶的里程，但是，实际的续驶里程与不同场景、用户群体、车况、工况、外部环境等因素都息息相关，而通过经验来找到真正影响能耗的特征因素比较困难，并且传统的计算方法一般也没有考虑这些因素，从而导致计算获得的续驶里程存在较大的误差，影响续驶里程的预测准确度。

发明内容

本发明实施例的目的在于，提供一种车辆续驶里程预测方法、装置、计算机可读存储介质及车辆，能够提高车辆续驶里程的预测准确度。

为了实现上述目的，本发明实施例提供了一种车辆续驶里程预测方法，包括：

获取与车辆能耗相关的基础特征，所述基础特征包括表征电池状态、整车状态、车辆工况、驾驶习惯和驾驶环境的特征；

基于专家经验和电池机理特性，根据所述基础特征获取经验机理特征；

利用机器学习模型，根据所述基础特征和所述经验机理特征获取模型衍生特征；

利用特征选择模型，对所述基础特征、所述经验机理特征和所述模型衍生特征进行重要性评估，以确定入模特征；

利用续驶里程预测模型，根据所述入模特征预测未来第一时间段内的第一百公里能耗值和未来第二时间段内的第二百公里能耗值；

根据所述第一百公里能耗值和所述第二百公里能耗值获得车辆百公里能耗预测值，以结合电池SOE获得车辆的续驶里程。

进一步地，所述获取与车辆能耗相关的基础特征，具体包括：

从车辆的基础信号中选取与能耗相关的第一基础信号，并从大数据平台中抽取所述第一基础信号对应的基础数据；

对所述基础数据进行数据清洗处理，获得处理后的基础数据；

根据所述第一基础信号和所述处理后的基础数据，形成所述基础特征。

进一步地，所述利用机器学习模型，根据所述基础特征和所述经验机理特征获取模型衍生特征，具体包括：

利用所述机器学习模型，对所述基础特征和所述经验机理特征进行数学运算衍生、滑动窗口计算衍生和累计值计算衍生，获得所述模型衍生特征。

进一步地，所述利用特征选择模型，对所述基础特征、所述经验机理特征和所述模型衍生特征进行重要性评估，以确定入模特征，具体包括：

利用所述特征选择模型，计算所述基础特征、所述经验机理特征和所述模型衍生特征中的每一个特征因子的重要性，获得所有特征因子的初始特征重要性排名；

经过M次迭代，对应获得M组特征重要性排名；其中，M＞1，在每一次迭代中，均对所述基础特征、所述经验机理特征和所述模型衍生特征进行去重、聚合处理，获得处理后的特征，并利用所述特征选择模型，计算所述处理后的特征中的每一个特征因子的重要性，对应获得一组特征重要性排名；

根据所述初始特征重要性排名和所述M组特征重要性排名获得最终特征重要性排名；

根据所述最终特征重要性排名选择所述入模特征。

进一步地，所述根据所述第一百公里能耗值和所述第二百公里能耗值获得车辆百公里能耗预测值，以结合电池SOE获得车辆的续驶里程，具体包括：

对所述第一百公里能耗值和所述第二百公里能耗值进行加权平均处理，获得车辆百公里能耗预测值；其中，将所述第一百公里能耗值记为A，所述第二百公里能耗值记为B，所述车辆百公里能耗预测值记为C，C＝(a*A+b*B)/(a+b)，a为所述第一百公里能耗值的权重，b为所述第二百公里能耗值的权重，a+b＝1；

根据所述车辆百公里能耗预测值和车辆当前时刻的电池SOE，计算获得车辆的续驶里程；其中，将车辆的续驶里程记为D，D＝SOE/C*100。

进一步地，所述机器学习模型和所述特征选择模型均为随机森林模型，所述续驶里程预测模型为LightGBM模型。

为了实现上述目的，本发明实施例还提供了一种车辆续驶里程预测装置，用于实现上述任一项所述的车辆续驶里程预测方法，所述装置包括：

基础特征获取模块，用于获取与车辆能耗相关的基础特征，所述基础特征包括表征电池状态、整车状态、车辆工况、驾驶习惯和驾驶环境的特征；

经验机理特征获取模块，用于基于专家经验和电池机理特性，根据所述基础特征获取经验机理特征；

模型衍生特征获取模块，用于利用机器学习模型，根据所述基础特征和所述经验机理特征获取模型衍生特征；

入模特征选择模块，用于利用特征选择模型，对所述基础特征、所述经验机理特征和所述模型衍生特征进行重要性评估，以确定入模特征；

能耗值预测模块，用于利用续驶里程预测模型，根据所述入模特征预测未来第一时间段内的第一百公里能耗值和未来第二时间段内的第二百公里能耗值；

续驶里程获取模块，用于根据所述第一百公里能耗值和所述第二百公里能耗值获得车辆百公里能耗预测值，以结合电池SOE获得车辆的续驶里程。

本发明实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质包括存储的计算机程序；其中，所述计算机程序在运行时控制所述计算机可读存储介质所在的设备执行上述任一项所述的车辆续驶里程预测方法。

本发明实施例还提供了一种车辆续驶里程预测装置，包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序，所述处理器在执行所述计算机程序时实现上述任一项所述的车辆续驶里程预测方法。

本发明实施例还提供了一种车辆，包括车辆本体以及上述任一项所述的车辆续驶里程预测装置。

与现有技术相比，本发明实施例提供了一种车辆续驶里程预测方法、装置、计算机可读存储介质及车辆，首先获取与车辆能耗相关的基础特征，所述基础特征包括表征电池状态、整车状态、车辆工况、驾驶习惯和驾驶环境的特征；接着基于专家经验和电池机理特性，根据所述基础特征获取经验机理特征，并利用机器学习模型，根据所述基础特征和所述经验机理特征获取模型衍生特征；然后利用特征选择模型，对所述基础特征、所述经验机理特征和所述模型衍生特征进行重要性评估，以确定入模特征；最后利用续驶里程预测模型，根据所述入模特征预测未来第一时间段内的第一百公里能耗值和未来第二时间段内的第二百公里能耗值，并根据所述第一百公里能耗值和所述第二百公里能耗值获得车辆百公里能耗预测值，以根据车辆百公里能耗预测值和电池SOE获得车辆的续驶里程；从而能够提高车辆续驶里程的预测准确度。

附图说明

图1是本发明提供的一种车辆续驶里程预测方法的一个优选实施例的流程图；

图2是本发明提供的一种车辆续驶里程预测装置的一个优选实施例的结构框图；

图3是本发明提供的一种车辆续驶里程预测装置的另一个优选实施例的结构框图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本技术领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

本发明实施例提供了一种车辆续驶里程预测方法，参见图1所示，是本发明提供的一种车辆续驶里程预测方法的一个优选实施例的流程图，所述方法包括步骤S11至步骤S16：

步骤S11、获取与车辆能耗相关的基础特征，所述基础特征包括表征电池状态、整车状态、车辆工况、驾驶习惯和驾驶环境的特征。

具体的，可以从车辆的几千个基础信号中梳理选取与车辆能耗相关的第一基础信号，并且由于每一个基础信号都会对应一个具体的数据(例如，基础信号为电压时，对应的数据为500V)，车端采集的海量车联网数据，会上传到大数据平台进行保存，因此，可以从大数据平台中抽取每一个第一基础信号所对应的基础数据，根据第一基础型号及其对应的基础数据，相应获得基础特征。

其中，第一基础信号一般是指能够从车端直接采集到的基础信号(例如，电池电压、电池电流、电机温度、电机转速等信号，能够直接采集获得基础数据)，相应形成的基础特征即为与车辆能耗直接相关的基础特征，基础特征至少包括表征车辆的电池状态、整车状态、车辆工况、驾驶习惯和驾驶环境的特征，覆盖了电池、车况、工况、电机、驾驶行为和驾驶环境等各种因素。

示例性的，表示电池状态的特征可以包括电池电压、电池电流、电池温度和SOC(State of Charge)等，表示整车状态的特征可以包括整车参数、功率、扭矩、胎压、胎温、重量等，表示车辆工况的特征可以包括空调功率、电机转速和速度等，表示驾驶习惯的特征可以包括急加速、急减速、制动板角度、劈弯、空调状态、车灯状态和档位状态等，表示驾驶环境的特征可以包括温度、湿度、风速等天气信息以及位置、高速、限速等路况信息，此外，基础特征还可以包括充电过程中的其他相关特征，例如，电池的慢充、快充特征和充电桩特征等。

而除了需要获取与车辆能耗直接相关的基础特征之外，还需要获取与车辆能耗间接相关的其他特征(可以利用下述步骤S12、步骤S13或其他可行方式进行获取)，与车辆能耗间接相关的其他特征是指不能从车端直接采集获得，需要通过加工或计算才能获得的特征，例如，电池功率是无法直接采集到的，需要利用直接采集到的电池电压和电池电流进行计算才能得到，与车辆能耗间接相关的其他特征还包括温差、压差、平均里程和里程相对值等。

需要说明的是，在从大数据平台中抽取第一基础信号所对应的基础数据时，可以基于车辆内部电器控制域的分类，从车辆的VDCM域(动力底盘控制域)、BDCM域(车身控制域)、IDCM域(娱乐控制域)、PTCAN域(PowerTrain CAN，动力总成CAN总线域)和BCAN(BodyCAN，车身CAN总线域)域中抽取相关的基础数据，例如，如表1所示，是大数据平台中存储的VDCM域、BDCM域、PTCAN域和BCAN域的数据示例。

表1 大数据平台存储数据示例

车辆编号	开始时间	结束时间	取数天数	VDCM域数据量	BDCM域数据量	PTCAN域数据量	BCAN域数据量
								b2	1.1	12.31	365	5741153	6781909	5741210	6741209
b3	1.1	12.31	365	5298253	5300006	5298270	6298277
								b4	1.1	12.31	365	4434280	4437488	5434332	6435404
...	1.1	12.31	365	3481907	4282224	5281912	6282304
								bn	1.1	12.31	365	3983956	5987048	5983966	6383965

步骤S12、基于专家经验和电池机理特性，根据所述基础特征获取经验机理特征。

具体的，在获得与车辆能耗直接相关的基础特征之后，可以基于专家经验和电池机理特性，根据已获得的基础特征进行再加工，相应获得与车辆能耗间接相关的经验机理特征；其中，经验特征是指专家根据自有经验结合车辆特性给出的特征，例如，经验特征可以包括里程相对值；机理特征是指基于电池的物理或化学机理衍生的特征，例如，机理特征可以包括电池包输出功率，电池输出功率＝电池电压*电池电流。

步骤S13、利用机器学习模型，根据所述基础特征和所述经验机理特征获取模型衍生特征。

具体的，在获得与车辆能耗直接相关的基础特征，以及与车辆能耗间接相关的经验机理特征之后，可以利用机器学习模型，根据已获得的基础特征和经验机理特征进行再加工，相应获得与车辆能耗间接相关的模型衍生特征。

步骤S14、利用特征选择模型，对所述基础特征、所述经验机理特征和所述模型衍生特征进行重要性评估，以确定入模特征。

具体的，在获得与车辆能耗直接相关的基础特征，以及与车辆能耗间接相关的经验机理特征、模型衍生特征之后，已获得的所有特征的量比较大，并且并不能确定每一个特征的重要性，将所有特征均用于下述步骤中的续驶里程预测显然是不合适的，因此，可以利用特征选择模型，对已获得的基础特征、经验机理特征和模型衍生特征进行重要性评估，以根据每一个特征的重要性从所有特征中选择入模特征，该入模特征即为下述步骤中的续驶里程预测所需要的特征。

步骤S15、利用续驶里程预测模型，根据所述入模特征预测未来第一时间段内的第一百公里能耗值和未来第二时间段内的第二百公里能耗值。

步骤S16、根据所述第一百公里能耗值和所述第二百公里能耗值获得车辆百公里能耗预测值，以结合电池SOE获得车辆的续驶里程。

具体的，在获得入模特征之后，可以先利用续驶里程预测模型，根据已获得的入模特征预测未来第一时间段内的第一百公里能耗值和未来第二时间段内的第二百公里能耗值，即，将已获得的入模特征输入到续驶里程预测模型中，预测未来第一时间段内的百公里能耗值，并进行平滑处理，相应获得第一百公里能耗值，同理，将已获得的入模特征输入到续驶里程预测模型中，预测未来第二时间段内的百公里能耗值，并进行平滑处理，相应获得第二百公里能耗值，再根据第一百公里能耗值和第二百公里能耗值，相应获得车辆百公里能耗预测值，以根据车辆百公里能耗预测值和电池能量状态SOE(State of Energy)获得车辆的续驶里程。

需要说明的是，在获得入模特征之后，还可以进一步对入模特征进行加工处理，特征加工前，入模特征中可能存在大量空值、无效、不符合场景的数据，会对续驶里程预测模型的结果带来很大的影响，为了保证正确率，需要通过数据清洗、过滤、统计计算、工程计算、算法验证、滑动窗口计算等手段对入模特征数据进行加工处理，以获得更加稳妥、精确的特征描述。

续驶里程预测在车辆刚开始行驶时的误差较大，随着车辆不断行驶，续驶里程预测会逐渐贴合真实值，但是，即使行驶后期续驶里程预测准确率高，也不能忽视行驶前期的续驶里程误差，因此，可以对未来前T1分钟窗口(即第一时间段，例如，T1＞30min)的百公里能耗值预测进行优化，新增加一个T2分钟窗口(即第二时间段，例如，T2＜10min，优选的，T2＝5min)的滑窗模型，进一步对T2分钟窗口的百公里能耗值进行预测，再对T2分钟和T1分钟的百公里能耗值预测结果进行相应处理，以便于在更短的时间内确认本次行驶的特征，获取到准确的续驶里程预测结果。

可以理解的，本发明实施例基于大数据驱动，所有影响能耗及续驶里程的因素都有特定数据表征，如速度、加速度、制动板角度、天气温度、风速、位置、能耗部件使用功率、电机转速、电池特性参数等，这些数据实时上传大数据平台，通过历史数据及机器学习找到车辆行驶的规律，从而预测续驶里程；通过将大数据技术与能耗因果推断有机融合起来，挖掘数据关系、认清表征特征数据的本质，能够挖出影响续驶里程的关键因子；通过大数据快速迭代，能够弥补传统机理模型无法精确计算续驶里程的现实。

本发明实施例所提供的一种车辆续驶里程预测方法，通过获取与车辆能耗直接相关的基础特征，所述基础特征包括表征电池状态、整车状态、车辆工况、驾驶习惯和驾驶环境的特征，以及获取与能耗间接相关的经验机理特征和模型衍生特征，并利用特征选择模型从基础特征、经验机理特征和模型衍生特征中选择入模特征，以利用续驶里程预测模型，根据入模特征预测未来第一时间段内的第一百公里能耗值和未来第二时间段内的第二百公里能耗值，并根据第一百公里能耗值和第二百公里能耗值获得车辆百公里能耗预测值，以根据车辆百公里能耗预测值和电池SOE获得车辆的续驶里程，能够考虑多种因素对车辆能耗的影响，有效减小了续驶里程的预测误差，从而提高了车辆续驶里程的预测准确度。

在另一个优选实施例中，所述获取与车辆能耗相关的基础特征，具体包括：

从车辆的基础信号中选取与能耗相关的第一基础信号，并从大数据平台中抽取所述第一基础信号对应的基础数据；

对所述基础数据进行数据清洗处理，获得处理后的基础数据；

根据所述第一基础信号和所述处理后的基础数据，形成所述基础特征。

具体的，结合上述实施例，在从车辆的几千个基础信号中梳理选取与车辆能耗相关的第一基础信号，并从大数据平台中抽取每一个第一基础信号所对应的基础数据之后，可以先对抽取的基础数据进行数据清洗处理，以去除不符合要求的数据，相应获得处理后的基础数据，再根据第一基础型号及其对应的处理后的基础数据，相应获得基础特征。

需要说明的是，数据清洗是有规则的，清洗规则也有很多，可以根据实际需要进行设置，也可以根据不同的车辆状态进行设置；例如，以数据的取值范围为清洗规则，设置环境温度的取值范围为-40℃～80℃，如果采集到的环境温度低于-40℃或超过80℃就会被清洗；以业务规则为清洗规则，限定充电过程中，行驶中的数据(速度、加速度和电门状态等)就会被清洗。

可以理解的，经过数据清洗处理，去除了其中的空值、无效、不符合场景等不符合要求的数据，能够获得相对稳妥、精确的特征描述，从而能够降低不符合要求的数据对预测结果的负面影响，提高了车辆续驶里程的预测准确度。

此外，随着大量智能网联汽车的上路，每辆汽车每天上传的数据积累形成了大数据平台，这些数据具有数据质量高、数据量大、覆盖范围全和数据价值高的特点，并且这些数据完全表征了用户车辆在整个用车周期内的行为，从这些实际产生的大量数据中找出与能耗相关的隐含、有规律、有规则的信息，即可比较准确地计算出车辆的续驶里程。

在又一个优选实施例中，所述利用机器学习模型，根据所述基础特征和所述经验机理特征获取模型衍生特征，具体包括：

利用所述机器学习模型，对所述基础特征和所述经验机理特征进行数学运算衍生、滑动窗口计算衍生和累计值计算衍生，获得所述模型衍生特征。

具体的，结合上述实施例，在获取模型衍生特征时，可以利用机器学习模型，对已获得的基础特征和经验机理特征进行再加工，例如，通过数学公式运算衍生，采用滑动窗口计算衍生，通过累计值计算衍生等，相应获得模型衍生特征。

作为上述方案的改进，所述机器学习模型为随机森林模型。

在本发明实施例中，机器学习选择随机森林衍生特征，可以利用随机森林来获得随机森林模型，并将随机森林模型作为机器学习模型，从而利用随机森林模型来根据基础特征和经验机理特征获得模型衍生特征。

可以理解的，机器学习模型除了使用随机森林模型之外，也可以使用其他类型的模型，本发明实施例不作具体限定。

在又一个优选实施例中，所述利用特征选择模型，对所述基础特征、所述经验机理特征和所述模型衍生特征进行重要性评估，以确定入模特征，具体包括：

利用所述特征选择模型，计算所述基础特征、所述经验机理特征和所述模型衍生特征中的每一个特征因子的重要性，获得所有特征因子的初始特征重要性排名；

经过M次迭代，对应获得M组特征重要性排名；其中，M＞1，在每一次迭代中，均对所述基础特征、所述经验机理特征和所述模型衍生特征进行去重、聚合处理，获得处理后的特征，并利用所述特征选择模型，计算所述处理后的特征中的每一个特征因子的重要性，对应获得一组特征重要性排名；

根据所述初始特征重要性排名和所述M组特征重要性排名获得最终特征重要性排名；

根据所述最终特征重要性排名选择所述入模特征。

具体的，结合上述实施例，在选择入模特征时，首先，利用特征选择模型，计算已获得的基础特征、经验机理特征和模型衍生特征中的每一个特征因子的重要性评分，相应获得所有特征因子的初始特征重要性排名，接着，经过M次(M＞1)迭代，对应获得M组特征重要性排名，其中，在每一次迭代中，先通过对已获得的基础特征、经验机理特征和模型衍生特征进行去重、聚合处理，以删除部分重复特征，并将某些相似特征进行聚合，相应获得处理后的特征，再将处理后的特征重新输入到特征选择模型，计算处理后的特征中的每一个特征因子的重要性，对应获得一组特征重要性排名，最后，根据获得的初始特征重要性排名和M组特征重要性排名获得最终特征重要性排名，从而根据最终特征重要性排名选择出入模特征。

需要说明的是，在利用特征选择模型得到所有特征因子的初始特征重要性排名结果之后，为了保证排名结果的稳定性，可以进一步经过M次迭代处理，聚合全部M+1次的排名结果，得到最终的特征重要性排名结果，其中，可以使用特征重要性平均值和特征重要性排名的平均值来查看每一个特征因子的重要程度，例如，通过标准差(r表示具体排名名次，/>表示排名平均值)判断重要性评分和排名的稳定程度，标准差越小，意味着在这M+1次结果中，每次结果更为接近，表明最终结果的可靠性程度越高。

可以理解的，本发明实施例中所使用的特征选择模型为训练后的特征选择模型，例如，选择基础特征，并从大数据平台中选择包含这些基础特征的大量数据，经过经验和机理衍生计算，经过数学公式计算，滑动窗口加工，累计值计算等，生成样本数据，根据样本数据对构建的特征选择模型进行训练学习，以获得特征重要性排序，由此获得的模型即为训练后的特征选择模型。机器学习基于大数据驱动，结合统计学和机理特征，通过大量数据的计算、学习、修正和训练，生成的特征选择模型，具有准确精度高，贴合实际，应用范围广的特点。

作为上述方案的改进，所述特征选择模型为随机森林模型。

在本发明实施例中，可以先利用随机森林来获得随机森林模型，并将随机森林模型作为特征选择模型，再利用随机森林模型计算基础特征、经验机理特征和模型衍生特征中的每一个特征因子的重要性，从而选择入模特征。

随机森林模型是由一堆决策树组成的一个模型，最终的预测结果不依靠任何一个单独的树，而是依靠所有的树的投票(Voting)来决定，随机森林的建立，其实是解决了决策树模型过拟合问题，鉴于决策树容易过拟合的缺点，随机森林采用多个决策树的投票机制来改善决策树。

通过随机森林计算某个特征X的特征重要性的主要方法如下：(1)对于随机森林中的每一颗决策树，使用相应的袋外数据(OOB)数据来计算它的袋外数据误差，并记为errOOB1；(2)随机地对袋外数据OOB所有样本的特征X加入噪声干扰，就可以随机的改变样本在特征X处的值，再次计算它的袋外数据误差，并记为errOOB2；假设随机森林中有Ntree棵树，那么特征X的重要性＝∑(errOOB2-errOOB1)/Ntree，之所以可以用这个表达式来作为特征重要性的度量值，是因为若给某个特征随机加入噪声之后，袋外的准确率大幅度降低，则说明这个特征对于样本的分类结果影响很大，也就是说它的重要程度比较高。

需要说明的是，随机森林采用袋外数据(OOB)数据来计算它的袋外数据误差，而基础特征、经验机理特征和模型衍生特征可能共有几百个特征，可以采用网格调参随机选择20-300的特征数量进行循环验证，同时还加入经验判断随机个数大致在50-150之间比较合理，经过网格验证随机选择100个特征最为合理，则，针对所有特征，随机森林先随机选择100个特征计算误差，之后再从剩余的特征中选择100个特征计算误差，直到所有特征都验证完毕，即可获得所有特征中的每一个特征的重要性评分。通过调整随机森林模型的参数，每次入模特征随机选取个数为100，样本随机入模条数为样本全量的50％，因此，最终结果的稳定性较为可靠，数据量变化在2倍以内基本不会对结果产生影响。

随机森林评估特征重要性的原理：判断每个特征在随机森林中的每颗树上做了多大的贡献，然后取个平均值，最后比一比特征之间的贡献大小，其中，关于贡献的计算方式，除了上述使用袋外数据(OOB)错误率作为评估指标进行衡量之外，还可以使用基尼指数(Gini index)作为评估指标进行衡量，本发明实施例不作具体限定。

现有技术也有采用XGBoost(eXtreme Gradient Boosting)模型作为特征选择模型，但是XGBoost模型的认为因素较多，而随机森林评价特征重要性则更为客观，本发明实施例采用随机森林模型作为特征选择模型，具有以下优点：(1)模型预测效果较优；(2)具有一定的可解释性，可生成特征重要性排名；(3)泛化性强，相较于梯度提升树，随机森林需要的参数少，不会引人太多主观先验条件，而是完全随机的，因此最终得到的特征重要性排名的客观性更高；(4)符合大数据多维度场景的预测需求，最终样本数据量30万条左右，特征700多个，选取随机森林受冗余特征的影响较小，可以帮助提炼对预测能耗有意义的特征信号。

可以理解的，特征选择模型除了使用随机森林模型之外，也可以使用其他类型的模型，本发明实施例不作具体限定。

在又一个优选实施例中，所述根据所述第一百公里能耗值和所述第二百公里能耗值获得车辆百公里能耗预测值，以结合电池SOE获得车辆的续驶里程，具体包括：

对所述第一百公里能耗值和所述第二百公里能耗值进行加权平均处理，获得车辆百公里能耗预测值；其中，将所述第一百公里能耗值记为A，所述第二百公里能耗值记为B，所述车辆百公里能耗预测值记为C，C＝(a*A+b*B)/(a+b)，a为所述第一百公里能耗值的权重，b为所述第二百公里能耗值的权重，a+b＝1；

根据所述车辆百公里能耗预测值和车辆当前时刻的电池SOE，计算获得车辆的续驶里程；其中，将车辆的续驶里程记为D，D＝SOE/C*100。

具体的，结合上述实施例，在利用续驶里程预测模型相应获得第一百公里能耗值(记为A)和第二百公里能耗值(记为B)之后，可以先对第一百公里能耗值和第二百公里能耗值进行加权平均处理，相应获得车辆百公里能耗预测值(记为C)，其中，C＝(a*A+b*B)/(a+b)，a为第一百公里能耗值的权重，b为第二百公里能耗值的权重，0＜a＜1，0＜b＜1，a+b＝1；再根据获得的车辆百公里能耗预测值和车辆当前时刻的电池能量状态(记为SOE)，计算获得车辆的续驶里程(记为D)，且D＝SOE/C*100。

其中，车辆当前时刻的电池能量状态SOE可以有两种获得途径，第一种是通过车端直接采集获得，第二种是通过电压*电流安时积分计算获得，或者，先分别采用这两种途径对应获得两个SOE值，当这两个SOE值之间的误差较小时，直接选择第一种途径获得的SOE值进行续驶里程计算，当这两个SOE值之间的误差较大时，直接选择第二种途径获得的SOE值进行续驶里程计算。

可以理解的，本发明实施例中所使用的续驶里程预测模型为训练后的续驶里程预测模型，通过机器学习建模，并基于大数据驱动，结合统计学和机理特征，通过大量数据的计算、学习、修正和训练，生成的续驶里程预测模型，具有准确精度高，贴合实际，应用范围广的特点。

作为上述方案的改进，所述续驶里程预测模型为LightGBM模型。

在本发明实施例中，所使用的续驶里程预测模型为LightGBM模型，选择LightGBM(Light Gradient Boosting Machine)算法作为续驶里程预测模型的算法，并采用大量样本数据基于LightGBM算法训练建立的预测模型，最终获得该LightGBM模型。

需要说明的是，GBDT(Gradient Boosting Decision Tree)是机器学习中一个长盛不衰的模型，其主要思想是利用弱分类器(决策树)迭代训练以得到最优模型，该模型具有训练效果好、不易过拟合等优点。但是，传统的GBDT算法在特征维度较高和数据量较大的时候，存在效率和可扩展性的问题，主要原因是GBDT对于每一个特征的每一个分裂点，都需要遍历全部数据计算信息增益，这一过程非常耗时，而LightGBM是一个实现GBDT算法的框架，支持高效率的并行训练，并且具有更快的训练速度、更低的内存消耗、更好的准确率、支持分布式可以快速处理海量数据等优点。

XGBoost是属于boosting家族，是GBDT算法的一个工程实现，在模型的训练过程中是聚焦残差，在目标函数中使用了二阶泰勒展开并加入了正则，在决策树的生成过程中采用了精确贪心的思路，寻找最佳分裂点的时候，使用了预排序算法，对所有特征都按照特征的数值进行预排序，然后遍历所有特征上的所有分裂点位，计算按照这些候选分裂点位分裂后的全部样本的目标函数增益，找到最大的那个增益对应的特征和候选分裂点位，从而进行分裂，这样一层一层的完成建树过程，XGBoost训练的时候，是通过加法的方式进行训练，也就是每一次通过聚焦残差训练一棵树出来，最后的预测结果是所有树的加和表示。本发明实施例选择LightGBM，LightGBM是XGBoost的强化版本，是对XGBoost的优化，直方图算法就是为了减少分裂点的数量，单边梯度抽样算法就是为了减少样本的数量，而LightGBM里面的互斥特征捆绑算法就是为了减少特征的数量。

LightGBM采用Leaf-wise的增长策略，该策略每次从当前所有叶子中，找到分裂增益最大的一个叶子，然后分裂，如此循环，因此，同Level-wise相比，Leaf-wise的优点是：在分裂次数相同的情况下，Leaf-wise可以降低更多的误差，得到更好的精度。

作为GBDT框架内的算法，GBDT、XGBoost能够应用的场景，LightGBM也都适用，并且考虑到其对于大数据、高维特征的诸多优化，在数据量非常大、维度非常多的场景更具优势。

此外，可以通过MAPE(Mean Abolute Percentage Error，平均绝对百分比误差)、RMSE(Root Mean Square Error，均方根误差)和MAE(Mean Absolute Error，平均绝对误差)这三个参数对续驶里程预测模型的预测结果进行评估验证；其中，MAPE为0％时表示完美模型，MAPE大于100％时表示劣质模型；RMSE用于衡量观测值与真实值之间的偏差，以衡量模型预测结果；MAE是绝对误差的平均值，可以更好的反映预测值误差的实际情况，当预测值与真实值完全吻合时，MAE等于0，即完美模型，误差越大，MAE的值越大。

如表2所示，是加权前的预测数据，如表3所示，是加权后的预测数据，其中，30km、50km、100km、150km、200km、250km、300km为剩余里程，根据表2中的预测数据计算可得，MAPE：9.78％，RMSE：13.82km，MAE：24.21km，根据表3中的预测数据计算可得，MAPE：6.5％，RMSE：12.7km，MAE：9km，由此可见，加权融合后的预测结果更加准确，能够更好的应用于以下场景：(1)根据续驶里程智能控制车辆耗电部件的能耗；(2)根据续驶里程智能导航应用；(3)根据续驶里程支撑售后指导用户合理驾驶车辆；(4)根据续驶里程辅助研发提高车辆品质。

表2 加权前预测数据

表3 加权后预测数据

本发明实施例还提供了一种车辆续驶里程预测装置，用于实现上述任一实施例所述的车辆续驶里程预测方法，参见图2所示，是本发明提供的一种车辆续驶里程预测装置的一个优选实施例的结构框图，所述装置包括：

基础特征获取模块11，用于获取与车辆能耗相关的基础特征，所述基础特征包括表征电池状态、整车状态、车辆工况、驾驶习惯和驾驶环境的特征；

经验机理特征获取模块12，用于基于专家经验和电池机理特性，根据所述基础特征获取经验机理特征；

模型衍生特征获取模块13，用于利用机器学习模型，根据所述基础特征和所述经验机理特征获取模型衍生特征；

入模特征选择模块14，用于利用特征选择模型，对所述基础特征、所述经验机理特征和所述模型衍生特征进行重要性评估，以确定入模特征；

能耗值预测模块15，用于利用续驶里程预测模型，根据所述入模特征预测未来第一时间段内的第一百公里能耗值和未来第二时间段内的第二百公里能耗值；

续驶里程获取模块16，用于根据所述第一百公里能耗值和所述第二百公里能耗值获得车辆百公里能耗预测值，以结合电池SOE获得车辆的续驶里程。

优选地，所述基础特征获取模块11具体包括：

基础信号及数据获取单元，用于从车辆的基础信号中选取与能耗相关的第一基础信号，并从大数据平台中抽取所述第一基础信号对应的基础数据；

基础数据清洗单元，用于对所述基础数据进行数据清洗处理，获得处理后的基础数据；

基础特征获取单元，用于根据所述第一基础信号和所述处理后的基础数据，形成所述基础特征。

优选地，所述模型衍生特征获取模块13具体包括：

模型衍生特征获取单元，用于利用所述机器学习模型，对所述基础特征和所述经验机理特征进行数学运算衍生、滑动窗口计算衍生和累计值计算衍生，获得所述模型衍生特征。

优选地，所述入模特征选择模块14具体包括：

初始重要性排名获取单元，用于利用所述特征选择模型，计算所述基础特征、所述经验机理特征和所述模型衍生特征中的每一个特征因子的重要性，获得所有特征因子的初始特征重要性排名；

重要性排名迭代单元，用于经过M次迭代，对应获得M组特征重要性排名；其中，M＞1，在每一次迭代中，均对所述基础特征、所述经验机理特征和所述模型衍生特征进行去重、聚合处理，获得处理后的特征，并利用所述特征选择模型，计算所述处理后的特征中的每一个特征因子的重要性，对应获得一组特征重要性排名；

重要性排名综合单元，用于根据所述初始特征重要性排名和所述M组特征重要性排名获得最终特征重要性排名；

入模特征选择单元，用于根据所述最终特征重要性排名选择所述入模特征。

优选地，所述续驶里程获取模块16具体包括：

加权平均处理单元，用于对所述第一百公里能耗值和所述第二百公里能耗值进行加权平均处理，获得车辆百公里能耗预测值；其中，将所述第一百公里能耗值记为A，所述第二百公里能耗值记为B，所述车辆百公里能耗预测值记为C，C＝(a*A+b*B)/(a+b)，a为所述第一百公里能耗值的权重，b为所述第二百公里能耗值的权重，a+b＝1；

续驶里程获取单元，用于根据所述车辆百公里能耗预测值和车辆当前时刻的电池SOE，计算获得车辆的续驶里程；其中，将车辆的续驶里程记为D，D＝SOE/C*100。

优选地，所述机器学习模型和所述特征选择模型均为随机森林模型，所述续驶里程预测模型为LightGBM模型。

需要说明的是，本发明实施例所提供的一种车辆续驶里程预测装置，能够实现上述任一实施例所述的车辆续驶里程预测方法的所有流程，装置中的各个模块、单元的作用以及实现的技术效果分别与上述实施例所述的车辆续驶里程预测方法的作用以及实现的技术效果对应相同，这里不再赘述。

本发明实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质包括存储的计算机程序；其中，所述计算机程序在运行时控制所述计算机可读存储介质所在的设备执行上述任一实施例所述的车辆续驶里程预测方法。

本发明实施例还提供了一种车辆续驶里程预测装置，参见图3所示，是本发明提供的一种车辆续驶里程预测装置的另一个优选实施例的结构框图，所述车辆续驶里程预测装置包括处理器10、存储器20以及存储在所述存储器20中且被配置为由所述处理器10执行的计算机程序，所述处理器10在执行所述计算机程序时实现上述任一实施例所述的车辆续驶里程预测方法。

优选地，所述计算机程序可以被分割成一个或多个模块/单元(如计算机程序1、计算机程序2、……)，所述一个或者多个模块/单元被存储在所述存储器20中，并由所述处理器10执行，以完成本发明。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述所述计算机程序在所述车辆续驶里程预测装置中的执行过程。

所述处理器10可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、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)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等，通用处理器可以是微处理器，或者所述处理器10也可以是任何常规的处理器，所述处理器10是所述车辆续驶里程预测装置的控制中心，利用各种接口和线路连接所述车辆续驶里程预测装置的各个部分。

所述存储器20主要包括程序存储区和数据存储区，其中，程序存储区可存储操作系统、至少一个功能所需的应用程序等，数据存储区可存储相关数据等。此外，所述存储器20可以是高速随机存取存储器，还可以是非易失性存储器，例如插接式硬盘，智能存储卡(Smart Media Card，SMC)、安全数字(Secure Digital，SD)卡和闪存卡(Flash Card)等，或所述存储器20也可以是其他易失性固态存储器件。

需要说明的是，上述车辆续驶里程预测装置可包括，但不仅限于，处理器、存储器，本领域技术人员可以理解，图3结构框图仅仅是上述车辆续驶里程预测装置的示例，并不构成对车辆续驶里程预测装置的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件。

本发明实施例还提供了一种车辆，包括车辆本体以及上述任一实施例所述的车辆续驶里程预测装置。

需要说明的是，所述车辆具有上述任一实施例所述的车辆续驶里程预测装置，通过所述的车辆续驶里程预测装置即可实现上述任一实施例所述的车辆续驶里程预测方法，从而实现对车辆的续驶里程进行预测。

综上，本发明实施例所提供的一种车辆续驶里程预测方法、装置、计算机可读存储介质及车辆，通过获取与能耗直接相关的基础特征，所述基础特征包括表征电池状态、整车状态、车辆工况、驾驶习惯和驾驶环境的特征，以及获取与能耗间接相关的经验机理特征和模型衍生特征，并利用特征选择模型从基础特征、经验机理特征和模型衍生特征中选择入模特征，以利用续驶里程预测模型，根据入模特征预测未来第一时间段内的第一百公里能耗值和未来第二时间段内的第二百公里能耗值，并根据第一百公里能耗值和第二百公里能耗值获得车辆百公里能耗预测值，以根据车辆百公里能耗预测值和电池SOE获得车辆的续驶里程，能够考虑多种因素对车辆能耗的影响，有效减小了续驶里程的预测误差，从而提高了车辆续驶里程的预测准确度。

以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和变形，这些改进和变形也应视为本发明的保护范围。

Claims (10)

1.一种车辆续驶里程预测方法，其特征在于，包括：

获取与车辆能耗相关的基础特征，所述基础特征包括表征电池状态、整车状态、车辆工况、驾驶习惯和驾驶环境的特征；

基于专家经验和电池机理特性，根据所述基础特征获取经验机理特征；

利用机器学习模型，根据所述基础特征和所述经验机理特征获取模型衍生特征；

利用特征选择模型，对所述基础特征、所述经验机理特征和所述模型衍生特征进行重要性评估，以确定入模特征；

利用续驶里程预测模型，根据所述入模特征预测未来第一时间段内的第一百公里能耗值和未来第二时间段内的第二百公里能耗值；

根据所述第一百公里能耗值和所述第二百公里能耗值获得车辆百公里能耗预测值，以结合电池SOE获得车辆的续驶里程。

2.如权利要求1所述的车辆续驶里程预测方法，其特征在于，所述获取与车辆能耗相关的基础特征，具体包括：

从车辆的基础信号中选取与能耗相关的第一基础信号，并从大数据平台中抽取所述第一基础信号对应的基础数据；

对所述基础数据进行数据清洗处理，获得处理后的基础数据；

根据所述第一基础信号和所述处理后的基础数据，形成所述基础特征。

3.如权利要求1所述的车辆续驶里程预测方法，其特征在于，所述利用机器学习模型，根据所述基础特征和所述经验机理特征获取模型衍生特征，具体包括：

利用所述机器学习模型，对所述基础特征和所述经验机理特征进行数学运算衍生、滑动窗口计算衍生和累计值计算衍生，获得所述模型衍生特征。

4.如权利要求1所述的车辆续驶里程预测方法，其特征在于，所述利用特征选择模型，对所述基础特征、所述经验机理特征和所述模型衍生特征进行重要性评估，以确定入模特征，具体包括：

利用所述特征选择模型，计算所述基础特征、所述经验机理特征和所述模型衍生特征中的每一个特征因子的重要性，获得所有特征因子的初始特征重要性排名；

经过M次迭代，对应获得M组特征重要性排名；其中，M＞1，在每一次迭代中，均对所述基础特征、所述经验机理特征和所述模型衍生特征进行去重、聚合处理，获得处理后的特征，并利用所述特征选择模型，计算所述处理后的特征中的每一个特征因子的重要性，对应获得一组特征重要性排名；

根据所述初始特征重要性排名和所述M组特征重要性排名获得最终特征重要性排名；

根据所述最终特征重要性排名选择所述入模特征。

5.如权利要求1所述的车辆续驶里程预测方法，其特征在于，所述根据所述第一百公里能耗值和所述第二百公里能耗值获得车辆百公里能耗预测值，以结合电池SOE获得车辆的续驶里程，具体包括：

对所述第一百公里能耗值和所述第二百公里能耗值进行加权平均处理，获得车辆百公里能耗预测值；其中，将所述第一百公里能耗值记为A，所述第二百公里能耗值记为B，所述车辆百公里能耗预测值记为C，C＝(a*A+b*B)/(a+b)，a为所述第一百公里能耗值的权重，b为所述第二百公里能耗值的权重，a+b＝1；

根据所述车辆百公里能耗预测值和车辆当前时刻的电池SOE，计算获得车辆的续驶里程；其中，将车辆的续驶里程记为D，D＝SOE/C*100。

6.如权利要求1～5中任一项所述的车辆续驶里程预测方法，其特征在于，所述机器学习模型和所述特征选择模型均为随机森林模型，所述续驶里程预测模型为LightGBM模型。

7.一种车辆续驶里程预测装置，其特征在于，用于实现如权利要求1～6中任一项所述的车辆续驶里程预测方法，所述装置包括：

基础特征获取模块，用于获取与车辆能耗相关的基础特征，所述基础特征包括表征电池状态、整车状态、车辆工况、驾驶习惯和驾驶环境的特征；

经验机理特征获取模块，用于基于专家经验和电池机理特性，根据所述基础特征获取经验机理特征；

模型衍生特征获取模块，用于利用机器学习模型，根据所述基础特征和所述经验机理特征获取模型衍生特征；

入模特征选择模块，用于利用特征选择模型，对所述基础特征、所述经验机理特征和所述模型衍生特征进行重要性评估，以确定入模特征；

能耗值预测模块，用于利用续驶里程预测模型，根据所述入模特征预测未来第一时间段内的第一百公里能耗值和未来第二时间段内的第二百公里能耗值；

续驶里程获取模块，用于根据所述第一百公里能耗值和所述第二百公里能耗值获得车辆百公里能耗预测值，以结合电池SOE获得车辆的续驶里程。

8.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质包括存储的计算机程序；其中，所述计算机程序在运行时控制所述计算机可读存储介质所在的设备执行如权利要求1～6中任一项所述的车辆续驶里程预测方法。

9.一种车辆续驶里程预测装置，其特征在于，包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序，所述处理器在执行所述计算机程序时实现如权利要求1～6中任一项所述的车辆续驶里程预测方法。

10.一种车辆，其特征在于，包括车辆本体以及如权利要求7或9所述的车辆续驶里程预测装置。