CN118095361A - 续航时序数据的生成方法及装置、电子设备和存储介质 - Google Patents
续航时序数据的生成方法及装置、电子设备和存储介质 Download PDFInfo
- Publication number
- CN118095361A CN118095361A CN202211501782.8A CN202211501782A CN118095361A CN 118095361 A CN118095361 A CN 118095361A CN 202211501782 A CN202211501782 A CN 202211501782A CN 118095361 A CN118095361 A CN 118095361A
- Authority
- CN
- China
- Prior art keywords
- time sequence
- model
- predicted
- data
- prediction
- 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 59
- 238000012360 testing method Methods 0.000 claims abstract description 76
- 238000012545 processing Methods 0.000 claims abstract description 37
- 238000000605 extraction Methods 0.000 claims abstract description 24
- 238000012549 training Methods 0.000 claims abstract description 22
- 230000008859 change Effects 0.000 claims abstract description 12
- 238000005070 sampling Methods 0.000 claims description 18
- 238000004590 computer program Methods 0.000 claims description 12
- 230000006870 function Effects 0.000 claims description 9
- 238000013528 artificial neural network Methods 0.000 claims description 6
- 230000008569 process Effects 0.000 abstract description 10
- 238000010586 diagram Methods 0.000 description 11
- 238000005516 engineering process Methods 0.000 description 9
- 238000004891 communication Methods 0.000 description 8
- 238000013473 artificial intelligence Methods 0.000 description 5
- 238000013527 convolutional neural network Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 238000009826 distribution Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000004088 simulation Methods 0.000 description 3
- 238000012937 correction Methods 0.000 description 2
- 230000004927 fusion Effects 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 230000001174 ascending effect Effects 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013499 data model Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000003631 expected effect Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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"
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Biomedical Technology (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Operations Research (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本公开提供了一种续航时序数据的生成方法及装置、电子设备和存储介质，获取目标车辆的续航测试数据；利用变分自编码模型中的特征提取网络，对续航测试数据进行特征处理，得到隐变量集合；基于变分自编码模型中的预设解码模型，对至少两个隐变量之间的关联关系进行时序预测，得到预测续航时序数据，其中，预测续航时序数据用于训练剩余里程模型，剩余里程模型用于进行剩余里程预测。本公开实施例利用特征提取网络对续航测试数据进行特征提取；利用预设解码模型对至少两个隐变量进行时序预测，生成预测续航时序数据；根据预测续航时序数据进行训练的剩余里程模型，可以预测出相邻数据帧之间的时序关系，能够更好的模拟实际剩余里程的变化过程。
Description
技术领域
本公开涉及数据处理技术领域，尤其涉及一种续航时序数据的生成方法及装置、电子设备和存储介质。
背景技术
车辆的剩余行驶里程是指车辆剩余的能源能够维持车辆继续行驶的最大里程，准确的预测车辆的剩余行驶里程可以为驾驶员在旅途中提供更好的保障。车辆的剩余行驶里程可以利用剩余里程模型来进行预测，剩余里程模型一般基于相关的行驶数据进行训练得到。
相关技术中的剩余里程模型一般是基于单点输入数据和单点输出数据等行驶数据进行训练，基于单点输入数据和单点输出数据得到的模型；剩余里程模型只能进行单点预测，则无法得到两帧间的关系，进而导致预测得到的剩余里程数据与预期不符，有待改进。
发明内容
本公开提供了一种续航时序数据的生成方法及装置、电子设备和存储介质。其主要目的在于实现对变分自编码模型的优化，来生成更加精确的续航时序数据。
根据本公开的第一方面，提供了一种续航时序数据的生成方法，包括：
获取目标车辆的续航测试数据；
利用变分自编码模型中的特征提取网络，对所述续航测试数据进行特征处理，得到隐变量集合；
基于所述变分自编码模型中的预设解码模型，对所述隐变量集合中的至少两个隐变量之间的关联关系进行时序预测，得到预测续航时序数据，其中，预测续航时序数据用于训练剩余里程模型，剩余里程模型用于进行剩余里程预测。
可选的，所述利用变分自编码模型中的特征提取网络，对续航测试数据进行特征处理，得到隐变量集合包括：
将所述续航测试数据输入特征提取网络中的预设编码子网络，获取所述续航测试数据对应的至少一个特征值；
对所述至少一个特征值进行采样得到对应的所述隐变量集合。
可选的，所述将所述续航测试数据输入预设编码模型，获取所述续航测试数据对应的至少一个特征值包括：
在所述预设编码模型内，利用至少一个卷积层，分别提取所述续航测试数据对应的至少一个特征均值及至少一个特征方差；
将所述至少一个特征均值及所述至少一个特征方差作为所述续航测试数据对应的至少一个特征值。
可选的，所述对所述至少一个特征值进行采样得到对应的所述隐变量集合包括：
在所述预测续航时序数据样本容量内，对所述至少一个特征值，通过随机采样的方式生成所述隐变量集合。
可选的，所述基于所述变分自编码模型中的预设解码模型，对所述隐变量集合中的至少两个隐变量之间的关联关系进行时序预测，得到预测续航时序数据包括：
在所述预设解码模型内，对所述隐变量集合进行水平值预测，得到预测水平值；
对所述隐变量集合进行趋势预测，得到变化幅度值；
对所述隐变量集合进行残差预测，得到预测残差值；
对所述预测水平值、所述变化幅度值及所述预测残差值进行处理，生成预测续航时序数据。
可选的，所述对所述预测水平值、所述变化幅度值及所述预测残差值进行处理，生成预测续航时序数据包括：
将所述预测水平值、所述变化幅度值及所述预测残差值进行融合，得到第一隐变量集合；
基于预设损失函数，利用全连接神经网络对所述第一隐变量集合进行修正，生成所述预测续航时序数据。
可选的，在基于所述变分自编码模型中的预设解码模型，对所述隐变量集合中的至少两个隐变量之间的关联关系进行时序预测，得到预测续航时序数据之后，所述方法还包括：
利用所述测续航时序数据，对所述剩余里程模型进行训练；
若所述剩余里程模型生成的剩余里程数据符合预设预测续航测试数据的变化需求，则训练完成，得到训练好的剩余里程模型。
根据本公开的第二方面，提供了一种续航时序数据的生成装置，包括：
获取单元，用于获取目标车辆的续航测试数据；
处理单元，用于利用变分自编码模型中的特征提取网络，对所述续航测试数据进行特征处理，得到隐变量集合；
预测单元，用于基于所述变分自编码模型中的预设解码模型，对所述隐变量集合中的至少两个隐变量之间的关联关系进行时序预测，得到预测续航时序数据，其中，预测续航时序数据用于训练剩余里程模型，剩余里程模型用于进行剩余里程预测。
可选的，所述处理单元包括：
获取模块，用于将所述续航测试数据输入特征提取网络中的预设编码子网络，获取所述续航测试数据对应的至少一个特征值；
采样模块，用于对所述至少一个特征值进行采样得到对应的所述隐变量集合。
可选的，所述获取模块包括：
提取子模块，用于在所述预设编码模型内，利用至少一个卷积层，分别提取所述续航测试数据对应的至少一个特征均值及至少一个特征方差；
确定子模块，用于将所述至少一个特征均值及所述至少一个特征方差作为所述续航测试数据对应的至少一个特征值。
可选的，所述采样模块还用于：
在所述预测续航时序数据样本容量内，对所述至少一个特征值，通过随机采样的方式生成所述隐变量集合。
可选的，所述预测单元包括：
第一预测模块，用于在所述预设解码模型内，对所述隐变量集合进行水平值预测，得到预测水平值；
第二预测模块，用于对所述隐变量集合进行趋势预测，得到变化幅度值；
第三预测模块，用于对所述隐变量集合进行残差预测，得到预测残差值；
生成模块，用于对所述预测水平值、所述变化幅度值及所述预测残差值进行处理，生成预测续航时序数据。
可选的，所述生成模块包括：
融合子模块，用于将所述预测水平值、所述变化幅度值及所述预测残差值进行融合，得到第一隐变量集合；
修正子模块，用于基于预设损失函数，利用全连接神经网络对所述第一隐变量集合进行修正，生成所述预测续航时序数据。
可选的，所述装置还包括：
训练单元，用于在基于剩余里程模型中的预设解码模型，对至少两个隐变量之间的关联关系进行时序预测，得到预测续航时序数据之后，利用所述测续航时序数据，对所述剩余里程模型进行训练；
判断单元，用于若所述剩余里程模型生成的剩余里程数据符合预设预测续航测试数据的变化需求，则训练完成，得到训练好的剩余里程模型。
根据本公开的第三方面，提供了一种电子设备，包括：
至少一个处理器；以及
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行前述第一方面所述的方法。
根据本公开的第四方面，提供了一种存储有计算机指令的非瞬时计算机可读存储介质，其中，所述计算机指令用于使所述计算机执行前述第一方面所述的方法。
根据本公开的第五方面，提供了一种计算机程序产品，包括计算机程序，所述计算机程序在被处理器执行时实现如前述第一方面所述的方法。
本公开提供了一种续航时序数据的生成方法及装置、电子设备和存储介质，获取目标车辆的续航测试数据；利用变分自编码模型中的特征提取网络，对所述续航测试数据进行特征处理，得到隐变量集合；基于所述变分自编码模型中的预设解码模型，对至少两个隐变量之间的关联关系进行时序预测，得到预测续航时序数据，其中，预测续航时序数据用于训练剩余里程模型，剩余里程模型用于进行剩余里程预测。与相关技术相比，本公开实施例利用特征提取网络对续航测试数据进行特征提取，获得隐变量集合；利用预设解码模型对至少两个隐变量进行时序预测，进而生成预测续航时序数据；根据预测续航时序数据进行训练的剩余里程模型，可以预测出相邻数据帧之间的时序关系，能够更好的模拟实际剩余里程的变化过程。
应当理解，本部分所描述的内容并非旨在标识本申请的实施例的关键或重要特征，也不用于限制本申请的范围。本申请的其它特征将通过以下的说明书而变得容易理解。
附图说明
附图用于更好地理解本方案，不构成对本公开的限定。其中：
图1为本公开实施例提供的一种续航时序数据的生成方法的流程示意图；
图2为本公开实施例提供的另一种续航时序数据的生成方法的流程示意图；
图3为本公开实施例提供的一种预设编码模型的结构示意图；
图4为本公开实施例提供的一种预设解码模型的结构示意图；
图5为本公开实施例提供的一种生成预测续航时序数据模型结构示意图；
图6为本公开实施例提供的一种续航时序数据的生成装置的结构示意图；
图7为本公开实施例提供的另一种续航时序数据的生成装置的结构示意图；
图8为本公开实施例提供的示例电子设备400的示意性框图。
具体实施方式
以下结合附图对本公开的示范性实施例做出说明，其中包括本公开实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本公开的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。
下面参考附图描述本公开实施例的续航时序数据的生成方法及装置、电子设备和存储介质。
图1为本公开实施例所提供的一种续航时序数据的生成方法的流程示意图。
如图1所示，该方法包含以下步骤：
步骤101，获取目标车辆的续航测试数据。
车辆的剩余里程是时序数据，现有技术中的生成模型需要模型大都是单点输入和单点输出的，只是单点生成剩余里程结果是无法达到预期的效果，无法学习到两帧数据之间的关联。因此，本公开实施例的变分自编码模型在预测生成从而在生成续航时序数据时，通过对续航测试数据之间的时序关系进行学习，进而达到生成时序数据的效果。
车辆的剩余行驶主要受到车辆本身配置的装置、驾驶员的使用习惯以及车辆的道路环境等因素的影响。在本公开实施例中，目标车辆为新型车辆的测试车辆，通过对目标车辆的各种工况下的测试获取目标车辆的续航测试数据。所述续航测试数据包括车辆本身配置的装置、驾驶员的使用习惯以及车辆的道路环境等数据。
步骤102，利用变分自编码模型中的特征提取网络，对所述续航测试数据进行特征处理，得到隐变量集合。
在获取到目标车辆的续航测试数据后，利用变分自编码模型中的特征提取网络对续航测试数据的特征进行提取，获得至少一个特征值。利用特征值的取值的概率分布来描述提取到的特征。从续航测试数据的特征中提取新的特征，可以理解为预设编码模型将续航测试数据进行降维处理(从初始空间到编码空间，编码空间也称为“隐空间”)。
利用步骤101获取到的续航测试数据的特征值，通过采样的方式获取的更多的隐变量，得到隐变量集合。
步骤103，基于所述变分自编码模型中的预设解码模型，对所述隐变量集合中的至少两个隐变量之间的关联关系进行时序预测，得到预测续航时序数据，其中，预测续航时序数据用于训练剩余里程模型，剩余里程模型用于进行剩余里程预测。
在现有技术中，通过对隐变量集合进行解码处理可以得到新的数据；但是生成的数据无法描述两帧数据之间时序关系，因此生成的数据不适合剩余里程模型来进行剩余行驶里程的预测。本公开实施例通过预设解码模型对隐变量集合进行处理，对获得的隐变量集合中的至少两个隐变量进行时序预测，得到预测续航时序数据；经过预设解码模型处理得到的时序数据可以描述出任意两帧数据之间的时序关系，可以为剩余里程模型提供更准确的数据支撑。
本公开提供了一种续航时序数据的生成方法，获取目标车辆的续航测试数据；利用变分自编码模型中的特征提取网络，对所述续航测试数据进行特征处理，得到隐变量集合；基于所述变分自编码模型中的预设解码模型，对至少两个隐变量之间的关联关系进行时序预测，得到预测续航时序数据，其中，预测续航时序数据用于训练剩余里程模型，剩余里程模型用于进行剩余里程预测。与相关技术相比，本公开实施例利用特征提取网络对续航测试数据进行特征提取，获得隐变量集合；利用预设解码模型对至少两个隐变量进行时序预测，进而生成预测续航时序数据；根据预测续航时序数据进行训练的剩余里程模型，可以预测出相邻数据帧之间的时序关系，能够更好的模拟实际剩余里程的变化过程。
为了清楚说明本公开实施例，本公开实施例提供了图2所示的另一种续航时序数据的生成方法的流程示意图。
如图2所示，该方法包含以下步骤：
步骤201，将所述续航测试数据输入特征提取网络中的预设编码子网络，获取所述续航测试数据对应的至少一个特征值。
作为本公开实施例的一种可实现的方式，所述将所述续航测试数据输入预设编码模型，获取所述续航测试数据对应的至少一个特征值包括：在所述预设编码模型内，利用至少一个卷积层，分别提取所述续航测试数据对应的至少一个特征均值及至少一个特征方差；将所述至少一个特征均值及所述至少一个特征方差作为所述续航测试数据对应的至少一个特征值。
利用预设编码模型对续航测试数据进行处理得到与续航测试数据对应的至少一个特征均值和至少一个特征方差，在本公开实施例中，使用至少一层卷积神经网络对续航测试数据进行处理，需要说明的是，本公开实施例并不构成对预设编码模型中使用多少层的卷积神经网络构成限定。在一些实施例中，预设编码模型的处理流程如图3所示，将续航测试数据输入预设编码模型中，使用三层卷积神经网络对续航测试数据进行处理；使用三层卷积神经网络能够在保证获取到合适的特征的前提下，可以使得计算量尽可能的少。
步骤202，对所述至少一个特征值进行采样得到对应的所述隐变量集合。
作为本公开实施例的一种可实现的方式，所述对所述至少一个特征值进行采样得到对应的所述隐变量集合包括：在所述预测续航时序数据样本容量内，对所述至少一个特征值，通过随机采样的方式生成所述隐变量集合。
假设当前获得的续航测试数据为100、200，那么需要根据当前获得的测试数据对100-200区间内的数据进行预测生成模拟数据。那么预测续航时序数据样本容量就是100-200之间的98个预测续航时序数据。基于步骤201获得的至少一个特征均值与至少一个特征方差，由于获取到的至少一个特征均值与至少一个特征方差为概率分布，并不是特定的某个数值，并且至少一个特征均值与至少一个特征方差服从高斯分布。可以通过随机采样的方式生成隐变量集合。
步骤203，在所述预设解码模型内，对所述隐变量集合进行水平值预测，得到预测水平值。
图4为本公开实施例提供的一种预设解码模型的结构示意图，如图4所示，在预设解码模型内，相较于现有技术中的解码模型主要是增加了水平值预测模块、趋势预测模块以及残差预测模块。水平值预测主要是预测当前要生成的隐变量数据的基础区间。示例性的，假设当前预测续航时序数据是在100-200区间，那么水平值就会预测150。
步骤204，对所述隐变量集合进行趋势预测，得到变化幅度值。
利用趋势预测模块进行趋势预测，主要是预测当前要生成的时序数据的趋势走势，由此可以得到上升或下降的幅度值。示例性的，当电动汽车在进行充电时，其剩余续航里程数据是在上升的，通过计算可以模拟车辆续航里程上升的幅度值。
步骤205，对所述隐变量集合进行残差预测，得到预测残差值。
利用残差预测模块对隐变量集合进行残差预测，由此可以更好的优化模型，计算模拟值与观测值之间的误差，提高预测的准确度。
步骤206，对所述预测水平值、所述变化幅度值及所述预测残差值进行处理，生成预测续航时序数据。
作为本公开实施例的一种可实现的方式，所述对所述预测水平值、所述变化幅度值及所述预测残差值进行处理，生成预测续航时序数据包括：将所述预测水平值、所述变化幅度值及所述预测残差值进行融合，得到第一隐变量集合；基于预设损失函数，利用全连接神经网络对所述第一隐变量集合进行修正，生成所述预测续航时序数据。
将步骤203至步骤205计算得到的预测水平值、变化幅度值及预测残差值合并，得到的第一隐变量集合。对隐变量集合进行水平值预测、趋势预测以及残差预测可以提取到数据之间的时序关系，使得最终生成的模拟数据能够贴合车辆实际使用过程中续航里程数据的变化。
通过预设损失函数来衡量输入的续航测试数据与输出的预测续航时序数据之间的相似程度，利用全连接神经网络对第一隐变量集合进行修正处理，生成续航时序数据。与现有技术相比，本公开实施例提供的预设解码模型可以更精确的模拟生成的数据之间的时序关系。
作为本公开实施例的一种可实现的方式，在基于剩余里程模型中的预设解码模型，对至少两个隐变量之间的关联关系进行时序预测，得到预测续航时序数据之后，所述方法还包括：
利用所述预测续航时序数据，对所述剩余里程模型进行训练；
若所述剩余里程模型生成的剩余里程数据符合预设预测续航测试数据的变化需求，则训练完成，得到训练好的剩余里程模型。
根据生成的预测续航时序数据，对剩余里程模型进行训练。根据获得的续航测试数据来对剩余里程模型生成的剩余里程数据进行判定分析；若生成的剩余里程数据符合预设预测续航测试数据的变化需求，则训练完成，得到训练好的剩余里程模型。在一些实施例中，如图5所示，图5为本公开实施例提供的一种生成预测续航时序数据模型结构示意图；在获得目标车辆的续航测试数据后将所述续航测试数据输入生成预测续航时序数据模型来生成预测续航时序数据，将获得的所述预测续航时序数据再输入所述剩余里程模型进行训练。特征提取网络获取至少两个隐变量之间的关联关系，进而生成预测续航时序数据；由此可以解决现有技术中单点输入与单点输出的问题，使得剩余里程模型根据生成的预测续航时序数据能更好的模拟实际剩余里程的变化过程。
与上述的续航时序数据的生成方法相对应，本发明还提出一种续航时序数据的生成装置。由于本发明的装置实施例与上述的方法实施例相对应，对于装置实施例中未披露的细节可参照上述的方法实施例，本发明中不再进行赘述。
图6为本公开实施例提供的一种续航时序数据的生成装置的结构示意图，如图6所示，包括：获取单元31、处理单元32以及预测单元33。
获取单元31，用于获取目标车辆的续航测试数据；
处理单元32，用于利用变分自编码模型中的特征提取网络，对所述续航测试数据进行特征处理，得到隐变量集合；
预测单元33，用于基于所述变分自编码模型中的预设解码模型，对所述隐变量集合中的至少两个隐变量之间的关联关系进行时序预测，得到预测续航时序数据，其中，预测续航时序数据用于训练剩余里程模型，剩余里程模型用于进行剩余里程预测。
进一步地，在本实施例一种可能的实现方式中，如图7所示，所述处理单元32包括：
获取模块321，用于将所述续航测试数据输入特征提取网络中的预设编码子网络，获取所述续航测试数据对应的至少一个特征值；
采样模块322，用于对所述至少一个特征值进行采样得到对应的所述隐变量集合。
进一步地，在本实施例一种可能的实现方式中，如图7所示，所述获取模块321包括：
提取子模块3211，用于在所述预设编码模型内，利用至少一个卷积层，分别提取所述续航测试数据对应的至少一个特征均值及至少一个特征方差；
确定子模块3212，用于将所述至少一个特征均值及所述至少一个特征方差作为所述续航测试数据对应的至少一个特征值。
进一步地，在本实施例一种可能的实现方式中，如图7所示，所述采样模块322还用于：
在所述预测续航时序数据样本容量内，对所述至少一个特征值，通过随机采样的方式生成所述隐变量集合。
进一步地，在本实施例一种可能的实现方式中，如图7所示，所述预测单元33包括：
第一预测模块331，用于在所述预设解码模型内，对所述隐变量集合进行水平值预测，得到预测水平值；
第二预测模块332，用于对所述隐变量集合进行趋势预测，得到变化幅度值；
第三预测模块333，用于对所述隐变量集合进行残差预测，得到预测残差值；
生成模块334，用于对所述预测水平值、所述变化幅度值及所述预测残差值进行处理，生成预测续航时序数据。
进一步地，在本实施例一种可能的实现方式中，如图7所示，所述生成模块334包括：
融合子模块3341，用于将所述预测水平值、所述变化幅度值及所述预测残差值进行融合，得到所述第一隐变量集合；
修正子模块3342，用于基于预设损失函数，利用全连接神经网络对所述第一隐变量集合进行修正，生成所述预测续航时序数据。
进一步地，在本实施例一种可能的实现方式中，如图7所示，所述装置还包括：
训练单元34，用于在基于剩余里程模型中的预设解码模型，对至少两个隐变量之间的关联关系进行时序预测，得到预测续航时序数据之后，利用所述测续航时序数据，对所述剩余里程模型进行训练；
判断单元35，用于若所述剩余里程模型生成的剩余里程数据符合预设预测续航测试数据的变化需求，则训练完成，得到训练好的剩余里程模型。
需要说明的是，前述对方法实施例的解释说明，也适用于本实施例的装置，原理相同，本实施例中不再限定。
根据本公开的实施例，本公开还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。
图8示出了可以用来实施本公开的实施例的示例电子设备400的示意性框图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本公开的实现。
如图8所示，设备400包括计算单元401，其可以根据存储在ROM(Read-OnlyMemory，只读存储器)402中的计算机程序或者从存储单元408加载到RAM(Random AccessMemory，随机访问/存取存储器)403中的计算机程序，来执行各种适当的动作和处理。在RAM403中，还可存储设备400操作所需的各种程序和数据。计算单元401、ROM 402以及RAM 403通过总线404彼此相连。I/O(Input/Output，输入/输出)接口405也连接至总线404。
设备400中的多个部件连接至I/O接口405，包括：输入单元406，例如键盘、鼠标等；输出单元407，例如各种类型的显示器、扬声器等；存储单元408，例如磁盘、光盘等；以及通信单元409，例如网卡、调制解调器、无线通信收发机等。通信单元409允许设备400通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
计算单元401可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元401的一些示例包括但不限于CPU(Central Processing Unit，中央处理单元)、GPU(Graphic Processing Units，图形处理单元)、各种专用的AI(Artificial Intelligence，人工智能)计算芯片、各种运行机器学习模型算法的计算单元、DSP(Digital SignalProcessor，数字信号处理器)、以及任何适当的处理器、控制器、微控制器等。计算单元401执行上文所描述的各个方法和处理，例如续航时序数据的生成方法。例如，在一些实施例中，续航时序数据的生成方法可被实现为计算机软件程序，其被有形地包含于机器可读介质，例如存储单元408。在一些实施例中，计算机程序的部分或者全部可以经由ROM 402和/或通信单元409而被载入和/或安装到设备400上。当计算机程序加载到RAM 403并由计算单元401执行时，可以执行上文描述的方法的一个或多个步骤。备选地，在其他实施例中，计算单元401可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行前述续航时序数据的生成方法。
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、FPGA(Field Programmable Gate Array，现场可编程门阵列)、ASIC(Application-Specific Integrated Circuit，专用集成电路)、ASSP(Application Specific StandardProduct，专用标准产品)、SOC(System On Chip，芯片上系统的系统)、CPLD(ComplexProgrammable Logic Device，复杂可编程逻辑设备)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器，使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本公开的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、RAM、ROM、EPROM(Electrically Programmable Read-Only-Memory，可擦除可编程只读存储器)或快闪存储器、光纤、CD-ROM(Compact Disc Read-Only Memory，便捷式紧凑盘只读存储器)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互，可以在计算机上实施此处描述的系统和技术，该计算机具有：用于向用户显示信息的显示装置(例如，CRT(Cathode-Ray Tube，阴极射线管)或者LCD(LiquidCrystal Display，液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：LAN(LocalArea Network，局域网)、WAN(Wide Area Network，广域网)、互联网和区块链网络。
计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器，又称为云计算服务器或云主机，是云计算服务体系中的一项主机产品，以解决了传统物理主机与VPS服务("Virtual Private Server"，或简称"VPS")中，存在的管理难度大，业务扩展性弱的缺陷。服务器也可以为分布式系统的服务器，或者是结合了区块链的服务器。
其中，需要说明的是，人工智能是研究使计算机来模拟人的某些思维过程和智能行为(如学习、推理、思考、规划等)的学科，既有硬件层面的技术也有软件层面的技术。人工智能硬件技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理等技术；人工智能软件技术主要包括计算机视觉技术、语音识别技术、自然语言处理技术以及机器学习/深度学习、大数据处理技术、知识图谱技术等几大方向。
应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本公开中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本公开公开的技术方案所期望的结果，本文在此不进行限制。
上述具体实施方式，并不构成对本公开保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本公开的精神和原则之内所作的修改、等同替换和改进等，均应包含在本公开保护范围之内。
Claims (11)
1.一种续航时序数据的生成方法，其特征在于，包括：
获取目标车辆的续航测试数据；
利用变分自编码模型中的特征提取网络，对所述续航测试数据进行特征处理，得到隐变量集合；
基于所述变分自编码模型中的预设解码模型，对所述隐变量集合中的至少两个隐变量之间的关联关系进行时序预测，得到预测续航时序数据，其中，预测续航时序数据用于训练剩余里程模型，剩余里程模型用于进行剩余里程预测。
2.根据权利要求1所述的方法，其特征在于，所述利用变分自编码模型中的特征提取网络，对续航测试数据进行特征处理，得到隐变量集合包括：
将所述续航测试数据输入特征提取网络中的预设编码子网络，获取所述续航测试数据对应的至少一个特征值；
对所述至少一个特征值进行采样得到对应的所述隐变量集合。
3.根据权利要求2所述的方法，其特征在于，所述将所述续航测试数据输入预设编码模型，获取所述续航测试数据对应的至少一个特征值包括：
在所述预设编码模型内，利用至少一个卷积层，分别提取所述续航测试数据对应的至少一个特征均值及至少一个特征方差；
将所述至少一个特征均值及所述至少一个特征方差作为所述续航测试数据对应的至少一个特征值。
4.根据权利要求1所述的方法，其特征在于，所述对所述至少一个特征值进行采样得到对应的所述隐变量集合包括：
在所述预测续航时序数据样本容量内，对所述至少一个特征值，通过随机采样的方式生成所述隐变量集合。
5.根据权利要求1所述的方法，其特征在于，所述基于所述变分自编码模型中的预设解码模型，对所述隐变量集合中的至少两个隐变量之间的关联关系进行时序预测，得到预测续航时序数据包括：
在所述预设解码模型内，对所述隐变量集合进行水平值预测，得到预测水平值；
对所述隐变量集合进行趋势预测，得到变化幅度值；
对所述隐变量集合进行残差预测，得到预测残差值；
对所述预测水平值、所述变化幅度值及所述预测残差值进行处理，生成预测续航时序数据。
6.根据权利要求5所述的方法，其特征在于，所述对所述预测水平值、所述变化幅度值及所述预测残差值进行处理，生成预测续航时序数据包括：
将所述预测水平值、所述变化幅度值及所述预测残差值进行融合，得到第一隐变量集合；
基于预设损失函数，利用全连接神经网络对所述第一隐变量集合进行修正，生成所述预测续航时序数据。
7.根据权利要求1所述的方法，其特征在于，在基于所述变分自编码模型中的预设解码模型，对所述隐变量集合中的至少两个隐变量之间的关联关系进行时序预测，得到预测续航时序数据之后，所述方法还包括：
利用所述测续航时序数据，对所述剩余里程模型进行训练；
若所述剩余里程模型生成的剩余里程数据符合预设预测续航测试数据的变化需求，则训练完成，得到训练好的剩余里程模型。
8.一种续航时序数据的生成装置，其特征在于，包括：
获取单元，用于获取目标车辆的续航测试数据；
处理单元，用于利用变分自编码模型中的特征提取网络，对所述续航测试数据进行特征处理，得到隐变量集合；
预测单元，用于基于所述变分自编码模型中的预设解码模型，对所述隐变量集合中的至少两个隐变量之间的关联关系进行时序预测，得到预测续航时序数据，其中，预测续航时序数据用于训练剩余里程模型，剩余里程模型用于进行剩余里程预测。
9.一种电子设备，其特征在于，包括：
至少一个处理器；以及
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1-7中任一项所述的方法。
10.一种存储有计算机指令的非瞬时计算机可读存储介质，其特征在于，所述计算机指令用于使所述计算机执行根据权利要求1-7中任一项所述的方法。
11.一种计算机程序产品，其特征在于，包括计算机程序，所述计算机程序在被处理器执行时实现根据权利要求1-7中任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211501782.8A CN118095361A (zh) | 2022-11-28 | 2022-11-28 | 续航时序数据的生成方法及装置、电子设备和存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211501782.8A CN118095361A (zh) | 2022-11-28 | 2022-11-28 | 续航时序数据的生成方法及装置、电子设备和存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN118095361A true CN118095361A (zh) | 2024-05-28 |
Family
ID=91164360
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211501782.8A Pending CN118095361A (zh) | 2022-11-28 | 2022-11-28 | 续航时序数据的生成方法及装置、电子设备和存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN118095361A (zh) |
-
2022
- 2022-11-28 CN CN202211501782.8A patent/CN118095361A/zh active Pending
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113642431B (zh) | 目标检测模型的训练方法及装置、电子设备和存储介质 | |
| CN113657465A (zh) | 预训练模型的生成方法、装置、电子设备和存储介质 | |
| CN112541122A (zh) | 推荐模型的训练方法、装置、电子设备及存储介质 | |
| CN112508120B (zh) | 学生模型训练方法、装置、设备、介质和程序产品 | |
| CN113705628B (zh) | 预训练模型的确定方法、装置、电子设备以及存储介质 | |
| CN112949433B (zh) | 视频分类模型的生成方法、装置、设备和存储介质 | |
| EP4040421B1 (en) | Method and apparatus for predicting traffic data and electronic device | |
| CN114973279B (zh) | 手写文本图像生成模型的训练方法、装置和存储介质 | |
| CN113361572A (zh) | 图像处理模型的训练方法、装置、电子设备以及存储介质 | |
| CN115145812A (zh) | 测试用例生成方法、装置、电子设备和存储介质 | |
| CN113657466A (zh) | 预训练模型的生成方法、装置、电子设备和存储介质 | |
| CN114715145B (zh) | 一种轨迹预测方法、装置、设备及自动驾驶车辆 | |
| CN112949818A (zh) | 模型蒸馏方法、装置、设备以及存储介质 | |
| CN114037052A (zh) | 检测模型的训练方法、装置、电子设备及存储介质 | |
| CN113657468A (zh) | 预训练模型的生成方法、装置、电子设备和存储介质 | |
| CN113191261A (zh) | 图像类别的识别方法、装置和电子设备 | |
| CN114783597B (zh) | 多类疾病诊断的诊断方法及装置、电子设备和存储介质 | |
| CN114416941B (zh) | 融合知识图谱的对话知识点确定模型的生成方法及装置 | |
| CN118095361A (zh) | 续航时序数据的生成方法及装置、电子设备和存储介质 | |
| CN115099163A (zh) | 荷电状态确定方法、装置、电子设备及存储介质 | |
| CN114141236A (zh) | 语言模型更新方法、装置、电子设备及存储介质 | |
| CN113807391A (zh) | 任务模型的训练方法、装置、电子设备及存储介质 | |
| CN114067805A (zh) | 声纹识别模型的训练与声纹识别方法及装置 | |
| CN109255432B (zh) | 神经网络模型构建方法及装置、存储介质、电子设备 | |
| CN113031600B (zh) | 一种轨迹生成方法、装置、存储介质及电子设备 |
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 |