KR102127567B1 - Mileage prediction system for electric vehicle and prediction method therefor - Google Patents

Mileage prediction system for electric vehicle and prediction method therefor Download PDF

Info

Publication number
KR102127567B1
KR102127567B1 KR1020180097543A KR20180097543A KR102127567B1 KR 102127567 B1 KR102127567 B1 KR 102127567B1 KR 1020180097543 A KR1020180097543 A KR 1020180097543A KR 20180097543 A KR20180097543 A KR 20180097543A KR 102127567 B1 KR102127567 B1 KR 102127567B1
Authority
KR
South Korea
Prior art keywords
vehicle
prediction
driving
road section
energy consumption
Prior art date
Application number
KR1020180097543A
Other languages
Korean (ko)
Other versions
KR20200021770A (en
Inventor
허권
Original Assignee
주식회사 투비원솔루션즈
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by 주식회사 투비원솔루션즈 filed Critical 주식회사 투비원솔루션즈
Priority to KR1020180097543A priority Critical patent/KR102127567B1/en
Publication of KR20200021770A publication Critical patent/KR20200021770A/en
Application granted granted Critical
Publication of KR102127567B1 publication Critical patent/KR102127567B1/en

Links

Images

Classifications

    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
    • B60L53/00—Methods of charging batteries, specially adapted for electric vehicles; Charging stations or on-board charging equipment therefor; Exchange of energy storage elements in electric vehicles
    • B60L53/60—Monitoring or controlling charging stations
    • B60L53/66—Data transfer between charging stations and vehicles
    • B60L53/665—Methods related to measuring, billing or payment
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
    • B60L2260/00—Operating Modes
    • B60L2260/40—Control modes
    • B60L2260/50—Control modes by future state prediction
    • B60L2260/52—Control modes by future state prediction drive range estimation, e.g. of estimation of available travel distance
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
    • B60L2260/00—Operating Modes
    • B60L2260/40—Control modes
    • B60L2260/50—Control modes by future state prediction
    • B60L2260/54—Energy consumption estimation
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60Y—INDEXING SCHEME RELATING TO ASPECTS CROSS-CUTTING VEHICLE TECHNOLOGY
    • B60Y2200/00—Type of vehicle
    • B60Y2200/90—Vehicles comprising electric prime movers
    • B60Y2200/91—Electric vehicles
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/60—Other road transportation technologies with climate change mitigation effect
    • Y02T10/70—Energy storage systems for electromobility, e.g. batteries
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/60—Other road transportation technologies with climate change mitigation effect
    • Y02T10/7072—Electromobility specific charging systems or methods for batteries, ultracapacitors, supercapacitors or double-layer capacitors
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation
    • Y02T90/10—Technologies relating to charging of electric vehicles
    • Y02T90/12—Electric charging stations

Landscapes

  • Engineering & Computer Science (AREA)
  • Power Engineering (AREA)
  • Transportation (AREA)
  • Mechanical Engineering (AREA)
  • Navigation (AREA)
  • Traffic Control Systems (AREA)

Abstract

전기 자동차 연비 예측 시스템을 이용한 연비 예측 방법은, (a) 실제 차량의 주행 시의 이력 정보를 이용하여 주행 도로 구간별 차량의 에너지 소모와 관련된 정보로 가공하여 저장하는 단계; (b) 상기 (a) 단계에서 저장된 주행 도로 구간별 차량의 에너지 소모와 관련된 정보에 대한 예측 조건을 설정하고 평가하는 단계; 및 (c) 상기 (b) 단계에서 설정된 예측 조건을 이용하여, 차량의 연비를 예측하는 단계;를 더 포함하되, 상기 차량의 에너지 소모와 관련된 정보는 적어도 하나의 인자를 포함하는 것을 특징으로 한다.A fuel efficiency prediction method using an electric vehicle fuel efficiency prediction system includes: (a) processing and storing information related to energy consumption of a vehicle for each road section using history information when driving an actual vehicle; (b) setting and evaluating prediction conditions for information related to energy consumption of a vehicle for each road section stored in the step (a); And (c) predicting the fuel efficiency of the vehicle using the prediction conditions set in step (b), wherein the information related to energy consumption of the vehicle includes at least one factor. .

Description

전기 자동차 연비 예측 시스템 및 그 연비 예측 방법{MILEAGE PREDICTION SYSTEM FOR ELECTRIC VEHICLE AND PREDICTION METHOD THEREFOR}Electric vehicle fuel economy prediction system and fuel economy prediction method {MILEAGE PREDICTION SYSTEM FOR ELECTRIC VEHICLE AND PREDICTION METHOD THEREFOR}

본 발명은 전기 자동차 연비 예측 시스템 및 그 연비 예측 방법에 관한 것으로, 더욱 상세하게는 저장된 유사 주행 이력을 조회하는 것에 의해 소요 연비를 예측할 수 있는 전기 자동차 연비 예측 시스템 및 그 연비 예측 방법에 관한 것이다.The present invention relates to an electric vehicle fuel efficiency prediction system and a fuel efficiency prediction method thereof, and more particularly, to an electric vehicle fuel efficiency prediction system and a fuel efficiency prediction method that can predict required fuel efficiency by querying a stored similar driving history.

친환경 자동차로서, 전기 자동차에 대한 수요가 증가하고 있다. 그런데 전기 자동차의 문제점은, 충전소가 충분하지 않고, 충전에 시간이 걸린다는 점이다. 이러한 전기 자동차의 충전의 문제점을 극복하기 위해서는 더욱 정확하게 연비를 예측하여 배터리의 소진에 의한 사고를 발생시키지 않고, 안전한 운행을 도모할 필요가 있다.As an eco-friendly vehicle, the demand for electric vehicles is increasing. However, the problem with the electric vehicle is that the charging station is not sufficient and charging takes time. In order to overcome the problem of charging of the electric vehicle, it is necessary to more accurately predict fuel efficiency and not cause an accident due to exhaustion of the battery, and to promote safe operation.

국내공개특허공보 제10-2018-0027719호(전기 자동차의 주행가능거리 예측방법 및 그 시스템)에는 출발지로부터 목적지까지의 도로에 포함된 구간에 대해 구축한 연비 데이터에 대상 차량의 차량 상태 정보, 기상 정보 및 도로교통상황정보를 반영하여 대상 차량의 예상 연비 및 예상 주행가능거리를 연산하는 특징이 개시되어 있다. 그런데, 국내공개특허공보 제10-2018-0027719호의 경우, 데이터 베이스는 모든 도로를 소정 구간별로 정의하고, 정의된 구간들에 대해 도로 데이터 및 정의된 구간을 주행하는 각 차량들의 배터리 소모 정보를 전송받아 해당 구간에 대한 배터리의 소모 데이터를 구축하여 저장하게 된다. 이 경우, 각 조건별로 데이터의 개수가 적게 구축될 수 있어, 초기 구간별 연비 데이터가 기설정된 데이터 수 미만이면, 초기 설정치 데이터 또는 해당 구간과 인접한 구간의 데이터 또는 해당 구간 및 인접구간의 복합 데이터를 사용하게 된다.In Korean Patent Publication No. 10-2018-0027719 (a method for predicting the mileage distance of an electric vehicle and its system), the vehicle status information and the weather of the target vehicle are included in the fuel efficiency data for the section included in the road from the origin to the destination. Disclosed is a feature that calculates expected fuel efficiency and expected driving distance of a target vehicle by reflecting information and road traffic situation information. By the way, in the case of Korean Patent Publication No. 10-2018-0027719, the database defines all roads for each predetermined section, and transmits road data and battery consumption information of each vehicle driving the defined section for the defined sections. It receives and builds and stores the battery consumption data for the corresponding section. In this case, a small number of data may be constructed for each condition, and if the fuel efficiency data for each initial section is less than a preset number of data, initial setpoint data or data of a section adjacent to the section or composite data of the section and adjacent section To use.

다만, 연비 데이터가 적게 구축된 경우에도 해당 구간의 데이터를 이용하여 연비를 예측할 수 있는 방법이 있다면, 초기 설정치 데이터 또는 해당 구간과 인접한 구간의 데이터 또는 해당 구간 및 인접 구간의 복합 데이터를 사용할 필요가 없을 것이다.However, if there is a method to predict fuel efficiency using the data of the relevant section even if the fuel economy data is low, it is necessary to use the initial setpoint data or data of the section adjacent to the section or composite data of the section and adjacent section. Will not.

본 발명은 전술한 바와 같은 기술적 과제를 해결하는 데 목적이 있는 발명으로서, 차량의 주행과 관련된 예측 조건을 설정하여 유사 주행 이력을 조회하는 것에 의해 적은 데이터 개수에 대해서도 연비를 예측할 수 있는 전기 자동차 연비 예측 시스템 및 그 연비 예측 방법을 제공하는 것에 그 목적이 있다.The present invention is an invention aimed at solving the technical problems as described above, and it is possible to predict fuel efficiency even for a small number of data by querying similar driving history by setting prediction conditions related to driving of the vehicle. The aim is to provide a prediction system and a method for predicting fuel efficiency.

본 발명의 전기 자동차 연비 예측 시스템을 이용한 연비 예측 방법은, (a) 실제 차량의 주행 시의 이력 정보를 이용하여 주행 도로 구간별 차량의 에너지 소모와 관련된 정보로 가공하여 저장하는 단계; 상기 (a) 단계에서 저장된 주행 도로 구간별 차량의 에너지 소모와 관련된 정보에 대한 예측 조건을 설정하고 평가하는 단계; 및 (c) 상기 (b) 단계에서 설정된 예측 조건을 이용하여, 차량의 연비를 예측하는 단계;를 포함하되, 상기 차량의 에너지 소모와 관련된 정보는 적어도 하나의 인자를 포함하는 것을 특징으로 한다.The fuel efficiency prediction method using the electric vehicle fuel efficiency prediction system of the present invention includes: (a) processing and storing information related to energy consumption of vehicles for each road section using history information when driving an actual vehicle; Setting and evaluating prediction conditions for information related to energy consumption of the vehicle for each road section stored in the step (a); And (c) predicting the fuel efficiency of the vehicle using the prediction condition set in the step (b), wherein the information related to energy consumption of the vehicle includes at least one factor.

구체적으로, 상기 (a) 단계는, (a-1) 해당 차량의 위도 및 경도 좌표를 이용하여 주행 도로 구간별 고유번호를 추출하는 단계;를 포함하는 것을 특징으로 한다. 아울러, 상기 (a-1) 단계는, 이전 단계의 고유번호와 현재 단계의 고유번호가 연속적인 값을 가지지 않는 경우, 이전 단계의 고유번호와 현재 단계의 고유번호가 연속적인 값을 가지도록 고유번호를 보정하여, 주행 도로 구간별 고유번호를 추출하는 것이 바람직하다.Specifically, the (a) step, (a-1) using the latitude and longitude coordinates of the vehicle to extract the unique number for each road section; characterized in that it comprises a. In addition, in step (a-1), if the unique number of the previous step and the unique number of the current step do not have a continuous value, the unique number of the previous step and the unique number of the current step have a unique value. It is preferable to correct the number and extract a unique number for each road section.

또한, 상기 (b) 단계는, (b-1) 상기 (a) 단계에서 저장된 주행 도로 구간별 차량의 에너지 소모와 관련된 정보에 대해 설정된 예측 조건을 이용하여 차량의 연비 예측 결과를 평가하는 단계; 및 (b-2) 상기 (b-1) 단계의 차량의 연비 예측 결과를 평가한 결과, 미리 설정된 평가 조건을 만족하지 못할 경우, 주행 도로 구간별 차량의 에너지 소모와 관련된 정보에 대한 예측 조건을 재설정하는 단계;를 포함하는 것을 특징으로 한다. 상기 (b-2) 단계의 미리 설정된 평가 조건을 만족하지 못할 경우는, 해당 주행 도로 구간에 대한 예측 연비가 표준 연비와 일정값 이상의 차이를 나타내는 경우인 것을 특징으로 한다. In addition, the step (b) may include: (b-1) evaluating a fuel economy prediction result of the vehicle using a prediction condition set for information related to energy consumption of the vehicle for each road section stored in the step (a); And (b-2) as a result of evaluating the fuel consumption prediction result of the vehicle in step (b-1), if the preset evaluation condition is not satisfied, prediction conditions for information related to energy consumption of the vehicle for each road section are determined. It characterized in that it comprises a; resetting step. When the preset evaluation condition of step (b-2) is not satisfied, it is characterized in that the predicted fuel efficiency for the corresponding driving road section is a difference between a standard fuel efficiency and a predetermined value or more.

아울러, 상기 (b-2) 단계는, (b-2-1) 해당 주행 도로 구간별로 차량의 에너지 소모와 관련된 정보에 포함된 인자의 값을 변경하며, 연비를 시뮬레이션하는 단계; 및 (b-2-2) 상기 (b-2-1) 단계의 시뮬레이션 결과에 따른 표준 점수를 이용하여, 예측 조건을 재설정하는 단계;를 포함하는 것이 바람직하다.In addition, the step (b-2) includes: (b-2-1) changing a value of a factor included in information related to energy consumption of a vehicle for each driving road section, and simulating fuel efficiency; And (b-2-2) using the standard score according to the simulation result of the step (b-2-1), resetting the prediction conditions; preferably comprises.

상기 차량의 에너지 소모와 관련된 정보에 포함된 인자에 대한 예측 조건은, 일정 범위 내에 해당 차량의 에너지 소모와 관련된 정보에 포함된 인자의 값의 포함 여부로 설정되는 것을 특징으로 한다. 또한, 상기 차량의 에너지 소모와 관련된 정보에 포함된 인자에 대한 예측 조건은, 설정된 하나의 값과 해당 차량의 에너지 소모와 관련된 정보에 포함된 인자의 값의 일치 여부로 설정될 수 있다. The prediction condition for the factor included in the information related to the energy consumption of the vehicle is set to whether or not the value of the factor included in the information related to the energy consumption of the vehicle is included within a predetermined range. In addition, the prediction condition for the factor included in the information related to the energy consumption of the vehicle may be set as whether or not the value of the factor included in the information related to the energy consumption of the corresponding vehicle is set.

또한, 상기 (c) 단계는, (c-1) 출발지 및 도착지 정보를 이용하여, 실제 주행 거리를 연산하는 단계; (c-2) 해당 주행 경로의 주행 도로 구간별 실시간 교통 상황 정보를 조회하는 단계; 및 (c-3) 해당 차량의 연비를 예측하는 단계;를 포함하는 것을 특징으로 한다. 아울러, 상기 (c-3) 단계의 연비의 예측은, 미리 설정된 다수의 순위에 따라 연비를 예측하되, 다수의 순위는, 해당 주행 도로 구간에 대한 자차의 주행 이력이 존재하고, 자차에 대해 설정된 예측 조건이 있는 경우를 제 1 순위; 해당 주행 도로 구간에 대한 자차의 주행 이력이 없는 경우, 해당 주행 도로 구간에 대한 타차의 주행 이력이 존재하고, 타차에 대해 설정된 예측 조건이 있는 경우를 제 2 순위; 해당 주행 도로 구간에 대한 자차의 주행 이력이 존재하고, 자차에 대해 설정된 예측 조건이 없고, 타차에 대해 설정된 예측 조건이 있는 경우를 제 3 순위; 해당 주행 도로 구간에 대한 자차의 주행 이력이 없는 경우, 해당 주행 도로 구간에 대한 타차의 주행 이력이 존재하고, 자차 및 타차에 대해 설정된 예측 조건이 없는 경우를 제 4 순위; 및 해당 주행 도로 구간에 대한 자차 및 타차의 주행 이력이 없고, 자차 및 타차에 대해 설정된 예측 조건이 없는 경우를 제 5 순위;로 설정되는 것을 특징으로 한다.In addition, the step (c), (c-1) using the departure and destination information, calculating the actual driving distance; (c-2) querying real-time traffic condition information for each section of the driving route of the corresponding driving route; And (c-3) estimating the fuel efficiency of the corresponding vehicle. In addition, the prediction of the fuel efficiency in the step (c-3) predicts fuel efficiency according to a plurality of preset rankings, wherein a plurality of rankings have a driving history of the own vehicle for the corresponding driving road section and are set for the own vehicle. A first rank when there is a prediction condition; If there is no driving history of the host vehicle for the driving road section, the second ranking is the case where the driving history of the other vehicle for the driving road section exists and there is a prediction condition set for the other vehicle; A third rank when the driving history of the host vehicle for the corresponding driving road section exists, there is no prediction condition set for the host vehicle, and there is a prediction condition set for the other vehicle; If there is no driving history of the own vehicle for the driving road section, the fourth ranking is when the driving history of the other vehicle for the driving road section exists, and there is no prediction condition set for the own vehicle and the other vehicle; And a case in which there is no driving history of the own vehicle and the other vehicle with respect to the corresponding driving road section, and there is no predicted condition set for the own vehicle and the other vehicle.

본 발명의 전기 자동차 연비 예측 시스템은, 실제 차량의 주행 시의 이력 정보를 이용하여 주행 도로 구간별 차량의 에너지 소모와 관련된 정보로 가공하여 저장하는 가공 데이터 저장부; 상기 가공 데이터 저장부에 저장된 주행 도로 구간별 차량의 에너지 소모와 관련된 정보에 대한 예측 조건을 설정하고 평가하는 예측 조건 설정부; 및 상기 예측 조건 설정부에 의해 설정된 예측 조건을 이용하여, 차량의 연비를 예측하는 예측부;를 포함하고, 상기 차량의 에너지 소모와 관련된 정보는 적어도 하나의 인자를 포함하는 것을 특징으로 한다.The electric vehicle fuel economy prediction system of the present invention includes: a processing data storage unit that processes and stores information related to energy consumption of a vehicle for each road section using history information when driving a real vehicle; A prediction condition setting unit for setting and evaluating prediction conditions for information related to energy consumption of vehicles for each road section stored in the processing data storage unit; And a prediction unit that predicts fuel efficiency of the vehicle using the prediction condition set by the prediction condition setting unit, wherein the information related to energy consumption of the vehicle includes at least one factor.

구체적으로, 상기 가공 데이터 저장부는, 해당 차량의 위도 및 경도 좌표를 이용하여 주행 도로 구간별 고유번호를 추출하는 것을 특징으로 한다. 아울러, 상기 가공 데이터 저장부는, 이전 단계의 고유번호와 현재 단계의 고유번호가 연속적인 값을 가지지 않는 경우, 이전 단계의 고유번호와 현재 단계의 고유번호가 연속적인 값을 가지도록 고유번호를 보정하여, 주행 도로 구간별 고유번호를 추출하는 것이 바람직하다.Specifically, the processing data storage unit is characterized by extracting a unique number for each road section using the latitude and longitude coordinates of the vehicle. In addition, if the unique number of the previous step and the unique number of the current step do not have consecutive values, the processing data storage unit corrects the unique number so that the unique number of the previous step and the unique number of the current step have continuous values. Therefore, it is preferable to extract the unique number for each section of the driving road.

아울러, 상기 예측 조건 설정부는, 상기 가공 데이터 저장부에 저장된 주행 도로 구간별 차량의 에너지 소모와 관련된 정보를 이용하여 연비의 예측 조건을 설정하고, 설정된 예측 조건을 이용한 차량의 연비 예측 결과를 평가하는 것을 특징으로 한다. 또한, 상기 예측 조건 설정부는, 차량의 연비 예측 결과를 평가한 결과, 미리 설정된 평가 조건을 만족하지 못할 경우, 주행 도로 구간별 차량의 에너지 소모와 관련된 정보에 대한 예측 조건을 재설정하는 것이 바람직하다. 미리 설정된 평가 조건을 만족하지 못할 경우는, 해당 주행 도로 구간에 대한 예측 연비가 표준 연비와 일정값 이상의 차이를 나타내는 경우인 것을 특징으로 한다.In addition, the prediction condition setting unit sets fuel condition prediction conditions using information related to energy consumption of vehicles for each road section stored in the processing data storage unit, and evaluates a vehicle fuel consumption prediction result using the set prediction conditions It is characterized by. In addition, the predicted condition setting unit, as a result of evaluating the fuel consumption prediction result of the vehicle, if the preset evaluation condition is not satisfied, it is preferable to reset the prediction condition for information related to energy consumption of the vehicle for each road section. When the preset evaluation condition is not satisfied, it is characterized in that the predicted fuel efficiency for the corresponding driving road section is a difference between a standard fuel efficiency and a predetermined value or more.

또한, 상기 예측 조건 설정부는, 해당 주행 도로 구간별로 차량의 에너지 소모와 관련된 정보에 포함된 인자의 값을 변경하며, 연비를 시뮬레이션하고, 시뮬레이션 결과에 따른 표준 점수를 이용하여 예측 조건을 재설정하는 것이 바람직하다.In addition, the prediction condition setting unit, by changing the value of the factor included in the information related to the energy consumption of the vehicle for each section of the driving road, simulate the fuel economy, and reset the prediction condition using a standard score according to the simulation results desirable.

상기 차량의 에너지 소모와 관련된 정보에 포함된 인자에 대한 예측 조건은, 일정 범위 내에 해당 차량의 에너지 소모와 관련된 정보에 포함된 인자의 값의 포함 여부로 설정되는 것을 특징으로 한다. 또한, 상기 차량의 에너지 소모와 관련된 정보에 포함된 인자에 대한 예측 조건은, 설정된 하나의 값과 해당 차량의 에너지 소모와 관련된 정보에 포함된 인자의 값의 일치 여부로 설정될 수 있다. The prediction condition for the factor included in the information related to the energy consumption of the vehicle is set to whether or not the value of the factor included in the information related to the energy consumption of the vehicle is included within a predetermined range. In addition, the prediction condition for the factor included in the information related to the energy consumption of the vehicle may be set as whether or not the value of the factor included in the information related to the energy consumption of the corresponding vehicle is set.

아울러, 상기 예측부는, 출발지 및 도착지 정보를 이용하여 실제 주행 거리를 연산하고, 해당 주행 경로의 주행 도로 구간별 실시간 교통 상황 정보를 조회하고, 해당 차량의 연비를 예측하는 것을 특징으로 한다. 구체적으로, 상기 예측부는, 미리 설정된 다수의 순위에 따라 연비를 예측하되, 다수의 순위는, 해당 주행 도로 구간에 대한 자차의 주행 이력이 존재하고, 자차에 대해 설정된 예측 조건이 있는 경우를 제 1 순위; 해당 주행 도로 구간에 대한 자차의 주행 이력이 없는 경우, 해당 주행 도로 구간에 대한 타차의 주행 이력이 존재하고, 타차에 대해 설정된 예측 조건이 있는 경우를 제 2 순위; 해당 주행 도로 구간에 대한 자차의 주행 이력이 존재하고, 자차에 대해 설정된 예측 조건이 없고, 타차에 대해 설정된 예측 조건이 있는 경우를 제 3 순위; 해당 주행 도로 구간에 대한 자차의 주행 이력이 없는 경우, 해당 주행 도로 구간에 대한 타차의 주행 이력이 존재하고, 자차 및 타차에 대해 설정된 예측 조건이 없는 경우를 제 4 순위; 및 해당 주행 도로 구간에 대한 자차 및 타차의 주행 이력이 없고, 자차 및 타차에 대해 설정된 예측 조건이 없는 경우를 제 5 순위;로 설정되는 것을 특징으로 한다.In addition, the predicting unit is characterized in that it calculates the actual driving distance using the information of the departure and destination, querying the real-time traffic situation information for each road section of the driving route, and predicting the fuel efficiency of the corresponding vehicle. Specifically, the predicting unit predicts fuel efficiency according to a plurality of preset rankings, but in a plurality of rankings, a case in which a driving history of the host vehicle for a corresponding driving road section exists and there is a prediction condition set for the host vehicle is first ranking; If there is no driving history of the host vehicle for the driving road section, the second ranking is the case where the driving history of the other vehicle for the driving road section exists and there is a prediction condition set for the other vehicle; A third rank when the driving history of the host vehicle for the corresponding driving road section exists, there is no prediction condition set for the host vehicle, and there is a prediction condition set for the other vehicle; If there is no driving history of the host vehicle for the driving road section, the fourth ranking is the case where the driving history of the other vehicle for the driving road section exists, and there is no prediction condition set for the own vehicle and the other vehicle; And a case in which there is no driving history of the own vehicle and the other vehicle with respect to the corresponding driving road section, and there is no predicted condition set for the own vehicle and the other vehicle.

본 발명의 전기 자동차 연비 예측 시스템 및 그 연비 예측 방법에 따르면, 차량의 주행과 관련된 예측 조건을 설정하여 유사 주행 이력을 조회하는 것에 의해 적은 데이터 개수에 대해서도 연비를 예측할 수 있다.According to the electric vehicle fuel efficiency prediction system and the fuel efficiency prediction method of the present invention, it is possible to predict fuel efficiency even for a small number of data by setting a prediction condition related to driving of the vehicle and querying the similar driving history.

도 1은 본 발명의 바람직한 일실시예에 따른 전기 자동차 연비 예측 시스템의 구성도.
도 2는 예측 조건의 초기 설정에 대한 설명도.
도 3은 에너지맵 생성부에 의해 저장된 주행 도로 구간별로 산출된 예측 연비 등의 예시도.
도 4는 본 발명의 바람직한 일실시예에 따른 전기 자동차의 연비 예측 방법의 흐름도.
도 5는 S200 단계의 흐름도.1 is a block diagram of an electric vehicle fuel economy prediction system according to an exemplary embodiment of the present invention.
2 is an explanatory diagram for initial setting of prediction conditions.
3 is an exemplary view of predicted fuel efficiency calculated for each driving road section stored by the energy map generating unit.
4 is a flowchart of a method for predicting fuel efficiency of an electric vehicle according to an exemplary embodiment of the present invention.
5 is a flowchart of step S200.

이하, 첨부된 도면을 참조하면서 본 발명의 실시예에 따른 전기 자동차 연비 예측 시스템 및 그 연비 예측 방법에 대해 상세히 설명하기로 한다.Hereinafter, an electric vehicle fuel efficiency prediction system and a fuel efficiency prediction method according to an embodiment of the present invention will be described in detail with reference to the accompanying drawings.

본 발명의 하기의 실시예는 본 발명을 구체화하기 위한 것일 뿐 본 발명의 권리 범위를 제한하거나 한정하는 것이 아님은 물론이다. 본 발명의 상세한 설명 및 실시예로부터 본 발명이 속하는 기술 분야의 전문가가 용이하게 유추할 수 있는 것은 본 발명의 권리 범위에 속하는 것으로 해석된다.It goes without saying that the following examples of the present invention are only intended to embody the present invention and do not limit or limit the scope of the present invention. From the detailed description and examples of the present invention, what can be easily inferred by experts in the technical field to which the present invention pertains is interpreted as belonging to the scope of the present invention.

먼저, 도 1은 본 발명의 바람직한 일실시예에 따른 전기 자동차 연비 예측 시스템(100)의 구성도를 나타낸다.First, FIG. 1 shows a configuration diagram of an electric vehicle fuel economy prediction system 100 according to an exemplary embodiment of the present invention.

도 1로부터 알 수 있는 바와 같이, 본 발명의 바람직한 일실시예에 따른 전기 자동차 연비 예측 시스템(100)은, 원본 데이터 저장부(10), 가공 데이터 저장부(20), 예측 조건 설정부(30), 예측부(40) 및 에너지맵 생성부(50)를 포함한다.As can be seen from Figure 1, the electric vehicle fuel economy prediction system 100 according to an embodiment of the present invention, the original data storage unit 10, the processing data storage unit 20, the prediction condition setting unit 30 ), a prediction unit 40 and an energy map generation unit 50.

참고로 본 발명의 바람직한 일실시예에 따른 전기 자동차 연비 예측 시스템(100)은, 메모리 및 프로세서를 포함하는 컴퓨팅 장치를 이용하여 구현될 수 있다.For reference, the electric vehicle fuel economy prediction system 100 according to an exemplary embodiment of the present invention may be implemented using a computing device including a memory and a processor.

원본 데이터 저장부(10)는, 실제 차량의 주행 시의 이력 정보를 저장하는 역할을 한다. 원본 데이터 저장부(10)에 저장되는 이력 정보는, 실제 차량의 주행시 일정 시간 간격으로 차량으로부터 전기 자동차 연비 예측 시스템(100)으로 송신되는 것이 바람직하다. 아울러, 주행 이력 정보에는, 차량의 위치 정보, 차량 배터리 잔량 정보, 차량의 에너지 소모와 관련된 정보가 포함된다. 또한, 차량의 에너지 소모와 관련된 정보는 차량의 상태 정보 및 차량 외부 정보를 포함할 수 있다. 아울러, 차량 외부 정보는 차량으로부터가 아닌 기상청 서버 등 외부 서버로부터 전기 자동차 연비 예측 시스템(100)으로 송신될 수도 있다.The original data storage unit 10 serves to store history information when the actual vehicle is running. It is preferable that the history information stored in the original data storage unit 10 is transmitted from the vehicle to the electric vehicle fuel economy prediction system 100 at regular time intervals when the actual vehicle is running. In addition, the driving history information includes information regarding the location of the vehicle, the remaining battery information of the vehicle, and information related to energy consumption of the vehicle. Also, information related to energy consumption of the vehicle may include vehicle status information and vehicle exterior information. In addition, the vehicle exterior information may be transmitted to the electric vehicle fuel economy prediction system 100 from an external server such as a weather station server, not from a vehicle.

이때 차량 상태 정보는, 공조전원의 온오프 여부, 후방창문성애제거 기능의 온오프 여부, 공조온도, 회류 기능의 온오프 여부, 에어컨의 온오프 여부, 공기청정 기능의 온오프 여부, 안개등의 온오프 여부, 전조등의 온오프 여부, 상향등의 온오프 여부 및 공조단계 등의 다수의 인자를 예를 들 수 있다.At this time, the vehicle status information includes whether the air conditioning power is on or off, whether the rear window defrosting function is on or off, the air conditioning temperature, whether the on/off function is on or off, whether the air conditioner is on or off, whether the air cleaning function is on or off, or whether fog is on or off. Examples include a number of factors such as whether to turn off, whether to turn on the headlight, whether to turn on or off the high beam, and the air conditioning step.

아울러, 차량 외부 정보는, 날씨에 관련된 외부 온도 및 우천 정보 등의 다수의 인자를 예로 들 수 있다. In addition, the vehicle exterior information may include, for example, a number of factors, such as external temperature and rain information related to weather.

가공 데이터 저장부(20)는, 원본 데이터 저장부(10)에 저장된 실제 차량의 주행 시의 이력 정보를 이용하여 주행 도로 구간별 차량의 에너지 소모와 관련된 정보로 가공하여 저장하는 역할을 한다.The processing data storage unit 20 serves to process and store the information related to the energy consumption of the vehicle for each road section by using the history information of driving of the actual vehicle stored in the original data storage unit 10.

일반적으로 전국 도로에는 정부에서 링크 아이디라고도 불리우는 고유번호가 부여되어 있다. 가공 데이터 저장부(20)는, 해당 차량의 위도 및 경도 좌표를 이용하여 주행 도로 구간별 고유번호를 추출한다.In general, national roads are given unique numbers, also called link IDs, by the government. The processing data storage unit 20 extracts a unique number for each road section using the latitude and longitude coordinates of the corresponding vehicle.

아울러, 가공 데이터 저장부(20)는, 이전 단계의 고유번호와 현재 단계의 고유번호가 연속적인 값을 가지지 않는 경우, 이전 단계의 고유번호와 현재 단계의 고유번호가 연속적인 값을 가지도록 고유번호를 보정하여, 주행 도로 구간별 고유번호를 추출하는 역할을 한다. In addition, the processing data storage unit 20, the unique number of the previous step and the unique number of the current step does not have a continuous value, the unique number of the previous step and the unique number of the current step has a unique value By correcting the number, it serves to extract the unique number for each section of the driving road.

예를 들면, 교차로를 수평 방향으로 지나는 차량에 대해, 교차로 부근에서 수직 방향의 도로의 고유번호로 오류에 의해 인식될 수 있어, 교차로 부근의 전후 고유번호를 고려하여 주행 도로 구간별 고유번호를 추출하게 된다. For example, for vehicles passing in an intersection in a horizontal direction, it may be recognized by an error as a unique number of a road in the vertical direction in the vicinity of the intersection, and the unique number for each section of the driving road is extracted in consideration of the unique number in the vicinity of the intersection. Is done.

아울러, 가공 데이터 저장부(20)는, 추출된 고유번호를 기반으로 고유번호에 대한 차량의 이동 시간에 따라 순차적으로 링크 인덱스를 부여하게 된다. 또한, 가공 데이터 저장부(20)는, 링크 인덱스의 순서대로 주행 도로 구간별로 차량의 에너지 소모와 관련된 정보를 차량의 운행 정보와 더불어 가공하고 저장하게 된다.In addition, the processing data storage unit 20 sequentially gives a link index according to the travel time of the vehicle with respect to the unique number based on the extracted unique number. In addition, the processing data storage unit 20 processes and stores information related to energy consumption of the vehicle for each driving road section in the order of the link index together with the driving information of the vehicle.

차량 운행 정보는, 주행 도로 구간별, 즉 고유번호별 구간 거리, 주행 도로 구간별 차량의 이동 거리, 주행 도로 구간별 차량의 이동 시간 및 주행 도로 구간별 차량의 에너지 소모량을 포함한다. 이러한 주행 도로 구간별 차량의 이동 거리 및 주행 도로 구간별 차량의 이동 시간은, 차량의 위치 정보 및 차량 배터리 잔량 정보를 이용하여 산출될 수 있다. 참고로, 주행 도로 구간별 구간 거리 및 주행 도로 구간별 차량의 이동 거리는 대부분의 경우 동일하지만, 출발 지점과 도착 지점에서는 해당 구간의 중간 지점에서 출발하거나 도착할 수 있어, 주행 도로 구간별 구간 거리가 주행 도로 구간별 차량의 이동 거리 보다 길어지게 된다.The vehicle driving information includes a driving distance for each driving road section, that is, a section distance for each unique number, a moving distance for a vehicle for each driving road section, a moving time for a vehicle for each driving road section, and an energy consumption of a vehicle for each driving road section. The moving distance of the vehicle for each traveling road section and the moving time of the vehicle for each traveling road section may be calculated using location information of the vehicle and remaining battery information. For reference, the section distance for each driving road section and the moving distance of the vehicle for each driving road section are the same in most cases, but at the starting point and the arrival point, it is possible to depart or arrive at an intermediate point of the corresponding section, so the section distance for each driving road section runs It will be longer than the moving distance of the vehicle for each road section.

구체적으로 주행 도로 구간별 차량의 이동 거리는, 전 단계의 차량 위도 및 경도 좌표와 현재의 위도 및 경도 좌표를 이용하여 미터 단위로 산출될 수 있다. 다만, 전 단계의 차량 위도 및 경도 좌표로부터 현재의 위도 및 경도 좌표로 이동하기 위한 차량의 속도가 일정값, 예를 들면 300km/h를 초과하는 경우는 오류가 발생한 것으로 판단하여, 주행 도로 구간별 차량의 이동 거리를 '0'으로 처리하게 된다.Specifically, the moving distance of the vehicle for each road section may be calculated in meters using the vehicle latitude and longitude coordinates of the previous step and the current latitude and longitude coordinates. However, when the speed of the vehicle for moving from the vehicle latitude and longitude coordinates of the previous step to the current latitude and longitude coordinates exceeds a certain value, for example, 300 km/h, it is determined that an error has occurred, and it is determined for each section of the driving road. The moving distance of the vehicle is treated as '0'.

아울러, 가공 데이터 저장부(20)는, 주행 도로 구간별 차량의 이동 거리와 이동 시간을 이용하여 주행 도로 구간별 속도를 차량 상태 정보에 추가할 수 있다.In addition, the processing data storage unit 20 may add the speed of each traveling road section to the vehicle state information by using the moving distance and the moving time of the vehicle for each traveling road section.

또한, 차량의 에너지 소모와 관련된 정보는 적어도 하나의 인자를 포함하는 것을 특징으로 한다.In addition, the information related to the energy consumption of the vehicle is characterized by including at least one factor.

구체적으로, 차량 상태 정보는, 차량의 속도, 공조전원의 온오프 여부, 후방창문성애제거 기능의 온오프 여부, 공조온도, 회류 기능의 온오프 여부, 에어컨의 온오프 여부, 공기청정 기능의 온오프 여부, 안개등의 온오프 여부, 전조등의 온오프 여부, 상향등의 온오프 여부 및 공조단계 등의 다수의 인자를 포함할 수 있다. 아울러, 차량 외부 정보는, 외부 온도 및 우천 정보 등의 다수의 인자를 예로 들 수 있다. Specifically, the vehicle status information includes: vehicle speed, air conditioning power on/off, rear window defrosting function on/off, air conditioning temperature, circulating function on/off, air conditioner on/off, air cleaning function on/off It may include a number of factors such as whether it is off, whether the fog light is on or off, whether the headlight is on or off, whether the high light is on or off, and the air conditioning step. In addition, a number of factors, such as external temperature and rain information, are exemplified as the vehicle exterior information.

예측 조건 설정부(30)는, 가공 데이터 저장부(20)에 저장된 주행 도로 구간별 차량의 에너지 소모와 관련된 정보에 대한 예측 조건을 설정하고 평가하는 역할을 한다.The prediction condition setting unit 30 serves to set and evaluate prediction conditions for information related to energy consumption of vehicles for each road section stored in the processing data storage unit 20.

구체적으로 예측 조건 설정부(30)는, 예측 조건 설정기(31) 및 평가기(32)를 포함한다.Specifically, the prediction condition setting unit 30 includes a prediction condition setter 31 and an evaluator 32.

예측 조건 설정기(31)는, 가공 데이터 저장부(20)에 저장된 주행 도로 구간별 차량의 주행 상태 정보를 이용하여 연비의 예측 조건을 설정하는 역할을 한다. The prediction condition setter 31 serves to set a prediction condition of fuel efficiency by using driving state information of a vehicle for each road section stored in the processing data storage unit 20.

예측 조건 설정기(31)에 의해 가공 데이터 저장부(20)에 저장된 차량의 에너지 소모와 관련된 정보와 실제 주행시 차량의 차량의 에너지 소모와 관련된 정보가 완전 동일하게 일치하지 않더라도, 실제 주행시 차량의 차량의 에너지 소모와 관련된 정보가 가공 데이터 저장부(20)에 저장된 차량의 에너지 소모와 관련된 정보와 유사한 범위에 속하게 되면, 가공 데이터 저장부(20)에 저장된 차량의 에너지 소모와 관련된 정보를 이용하여 연비를 예측할 수 있게 된다.Even if the information related to the energy consumption of the vehicle stored in the processing data storage unit 20 by the prediction condition setter 31 and the information related to the energy consumption of the vehicle during actual driving do not exactly match, the vehicle of the vehicle during actual driving If the information related to the energy consumption of the car falls within a range similar to the information related to the energy consumption of the vehicle stored in the processing data storage unit 20, the fuel consumption by using the information related to the energy consumption of the vehicle stored in the processing data storage unit 20 Will be predictable.

구체적으로 예측 조건은, 각각의 차량의 에너지 소모와 관련된 정보에 포함된 인자의 특성에 따라 달리 설정될 수 있다. Specifically, the prediction condition may be set differently according to characteristics of factors included in information related to energy consumption of each vehicle.

차량의 속도, 공조 온도 및 외부 온도 등은, 예측 조건으로 일정 범위를 설정하고, 실제 주행 시 해당 인자가 일정 범위 내에 포함 여부를 판단하는 것에 의해 예측 조건을 만족하는 지를 판단할 수 있다.The vehicle speed, air conditioning temperature, and outside temperature may be determined by setting a predetermined range as a prediction condition, and determining whether a corresponding factor is included in a predetermined range when actually driving.

아울러, 온 또는 오프로 해당 인자가 동작하는 경우에는 온일 경우 '1'로 오프일 경우 '0'으로 해당 인자의 값을 설정할 수 있다. 즉, 이 경우 예측 조건은 하나의 값에 의해 설정될 수 있고, 실제 주행 시 해당 인자가 설정된 값과 일치하는 지를 판단하는 것에 의해 예측 조건을 만족하는 지를 판단할 수 있다.In addition, when the corresponding factor operates on or off, the value of the corresponding factor may be set to '1' when on or '0' when off. That is, in this case, the prediction condition may be set by one value, and it may be determined whether the prediction condition is satisfied by determining whether the corresponding factor matches the set value when actually driving.

아울러, 우천 정보와 같이 다수의 값을 가질 수 있는 인자의 경우에는, 예측 조건은 다수의 값 중 하나의 값에 의해 설정될 수 있고, 실제 주행 시 해당 인자가 설정된 하나의 값과 일치하는 지를 판단하는 것에 의해 예측 조건을 만족하는 지를 판단할 수 있다. 참고로, 우천 정보는 정보없음, 맑음, 구름, 흐름, 비, 천둥, 눈, 진눈깨비에 대해, '0' 내지 '7'로 값을 부여하여 상태가 설정될 수 있다.In addition, in the case of factors that can have multiple values, such as rainy weather information, the prediction condition can be set by one of the multiple values, and it is determined whether the corresponding factor coincides with the set one value when actually driving. By doing so, it is possible to judge whether the prediction condition is satisfied. For reference, the rainy weather information can be set by assigning a value of '0' to '7' for no information, clear, cloud, flow, rain, thunder, snow, and sleet.

또한, 차량의 에너지 소모와 관련된 정보 중 어떤 인자의 경우에는, 모든 경우의 값에 대해 예측 조건을 만족하는 것으로 판단할 수도 있을 것이다.In addition, in the case of certain factors of information related to energy consumption of the vehicle, it may be determined that the prediction conditions are satisfied for the values in all cases.

정리하자면, 차량의 에너지 소모와 관련된 정보에 포함된 인자에 대한 예측 조건은, 일정 범위 내에 해당 차량의 에너지 소모와 관련된 정보에 포함된 인자의 값의 포함 여부로 설정되는 것을 특징으로 한다. 아울러, 차량의 에너지 소모와 관련된 정보에 포함된 인자에 대한 예측 조건은, 설정된 하나의 값과 해당 차량의 에너지 소모와 관련된 정보에 포함된 인자의 값의 일치 여부로 설정될 수 있다. 또한, 차량의 에너지 소모와 관련된 정보에 포함된 인자에 대한 예측 조건은, 설정된 다수의 값 중 하나와 해당 차량의 에너지 소모와 관련된 정보에 포함된 인자의 값의 일치 여부로 설정되는 것을 특징으로 한다. 바람직하게는 차량의 에너지 소모와 관련된 정보에 포함된 인자에 대한 예측 조건은, 모든 경우의 값에 대해 예측 조건을 만족하는 것으로 판단할 수 있다.In summary, the prediction condition for the factor included in the information related to the energy consumption of the vehicle is set to include the value of the factor included in the information related to the energy consumption of the corresponding vehicle within a certain range. In addition, the prediction condition for the factor included in the information related to the energy consumption of the vehicle may be set as whether or not the value of the factor included in the information related to the energy consumption of the corresponding vehicle is set. In addition, the prediction condition for the factor included in the information related to the energy consumption of the vehicle is set to whether the value of the factor included in the information related to the energy consumption of the corresponding vehicle is set or not. . Preferably, the prediction condition for the factor included in the information related to the energy consumption of the vehicle may be determined to satisfy the prediction condition for all values.

아울러, 평가기(32)는, 예측 조건 설정기(31)에서 설정된 예측 조건을 이용한 차량의 연비 예측 결과를 평가하는 역할을 한다.In addition, the evaluator 32 serves to evaluate the fuel economy prediction result of the vehicle using the prediction conditions set by the prediction condition setter 31.

예측 조건 설정기(31)는 사용자로부터의 입력 또는 미리 설정된 초기값에 의해 초기 예측 조건을 설정할 수 있다. 도 2는 예측 조건의 초기 설정에 대한 설명도이다.The prediction condition setter 31 may set an initial prediction condition based on input from a user or a preset initial value. 2 is an explanatory diagram for initial setting of prediction conditions.

예측 조건 설정기(31)는, 평가기(32)에 의한 차량의 연비 예측 결과를 평가한 결과, 미리 설정된 평가 조건을 만족하지 못할 경우, 주행 도로 구간별 차량의 에너지 소모와 관련된 정보에 대한 예측 조건을 재설정하여, 최적의 예측 조건을 설정할 수 있게 된다.Prediction condition setter 31, as a result of evaluating the fuel efficiency prediction result of the vehicle by the evaluator 32, if the predetermined evaluation condition is not satisfied, predicts information related to energy consumption of the vehicle for each road section By resetting the condition, it is possible to set the optimum prediction condition.

평가기(32)에 의한 차량의 연비 예측 결과를 평가한 결과, 미리 설정된 평가 조건을 만족하지 못할 경우라는 것은, 해당 주행 도로 구간에 대한 예측 연비가 표준 연비와 일정값 이상의 차이를 나타내는 경우를 예로 들 수 있다.As a result of evaluating the fuel economy prediction result of the vehicle by the evaluator 32, when the preset evaluation condition is not satisfied, an example in which the predicted fuel economy for the corresponding driving road section indicates a difference between the standard fuel efficiency and a predetermined value or more Can be lifted.

또한, 예측 조건 설정기(31)는, 해당 주행 도로 구간별로 차량의 에너지 소모와 관련된 정보에 포함된 인자의 값을 변경하며, 연비를 시뮬레이션하고, 시뮬레이션 결과에 따른 표준 점수를 이용하여 차량의 주행 상태 정보에 대한 예측 조건을 재설정하는 것이 바람직하다.In addition, the prediction condition setter 31 changes the value of a factor included in information related to energy consumption of the vehicle for each driving road section, simulates fuel efficiency, and uses the standard score according to the simulation result to drive the vehicle. It is desirable to reset the prediction condition for the status information.

상술한 바와 같은 차량 상태 정보의 인자와 차량 외부 정보의 인자에 대해서는, 약 22만 가지의 인자의 값이 조합이 발생할 수 있어, 시뮬레이션은 주행 도로 구간별로 약 22만회 수행되게 된다.As for the factors of the vehicle state information and the parameters of the vehicle exterior information as described above, a combination of values of about 220,000 factors may occur, and the simulation is performed about 220,000 times for each road section.

예측 조건 설정기(31)는, 약 22만회의 연비 시뮬레이션 결과에 대해, 표준 점수에 해당하는 인자의 값을 최적의 인자의 값으로 설정하여 해당 주행에 대해 예측 조건을 설정하게 된다. The predictive condition setter 31 sets the predictive condition for the driving by setting the value of the factor corresponding to the standard score to the optimal factor value for the result of the fuel consumption simulation of about 220,000 times.

참고로, 표준 점수의 종류에는 Z점수, T점수, 스테나인(stanine) 점수 등이 있고 가장 흔히 사용되는 표준 점수는 Z점수이다. 이러한 표준 점수를 산출하기 위해, 시뮬레이션 결과에 대해 예측 연비의 평균, 편차, 분산, 표준 편차와 같은 통계값을 산출할 필요가 있을 것이다. For reference, the types of standard scores include Z score, T score, and stanine score, and the most commonly used standard score is Z score. In order to calculate these standard scores, it is necessary to calculate statistical values such as average, deviation, variance, and standard deviation of predicted fuel efficiency for the simulation results.

예측부(40)는, 가공 데이터 저장부(20)에 저장된 주행 도로 구간별 차량의 에너지 소모와 관련된 정보를 이용하여 설정된 예측 조건을 이용하여, 차량의 연비를 예측하는 역할을 한다.The prediction unit 40 serves to predict the fuel efficiency of the vehicle using prediction conditions set by using information related to energy consumption of vehicles for each road section stored in the processing data storage unit 20.

예측부(40)는, 차량의 주행 개시 시점에서 차량으로부터 출발지 및 도착지 정보를 수신하고, 출발지 및 도착지 정보를 이용하여 실제 주행 거리를 연산하고, 해당 주행 경로의 주행 도로 구간별 실시간 교통 상황 정보를 조회하고, 해당 차량의 연비를 예측하는 것을 특징으로 한다. 주행 도로 구간별 실시간 교통 상황 정보에 의해 차량 상태 정보에 포함된 차량의 속도를 예측할 수 있게 된다. The prediction unit 40 receives departure and destination information from the vehicle at the start of driving of the vehicle, calculates the actual driving distance using the departure and destination information, and provides real-time traffic situation information for each section of the driving route of the corresponding driving route. It is characterized by inquiring and predicting the fuel efficiency of the corresponding vehicle. It is possible to predict the speed of the vehicle included in the vehicle status information by real-time traffic condition information for each driving road section.

예측부(40)는, 주행 도로 구간별로 연비를 예측하여, 출발지로부터 도착지까지의 모든 주행 도로 구간별로 예측된 연비를 합산하는 것에 의해 전체 연비를 예측하게 된다.The prediction unit 40 predicts the fuel efficiency for each driving road section, and predicts the total fuel efficiency by adding up the estimated fuel efficiency for each driving road section from the starting point to the destination.

아울러, 차량의 속도 이외의 공조전원의 온오프 여부, 후방창문성애제거 기능의 온오프 여부, 공조온도, 회류 기능의 온오프 여부, 에어컨의 온오프 여부, 공기청정 기능의 온오프 여부, 안개등의 의 온오프 여부, 전조등의 온오프 여부, 상향등의 온오프 여부 및 공조단계 등의 차량 상태 정보에 포함된 다수의 인자와 외부 온도 및 우천 정보 등의 차량 외부 정보에 포함된 다수의 인자는 차량 또는 기상청 서버로부터 출발 지점으로부터 수신된 값을 이용할 수 있다.In addition, whether air conditioning power other than the vehicle speed is turned on or off, the rear window defrosting function is turned on or off, the air conditioning temperature, the circulating function is turned on or off, the air conditioner is turned on or off, the air cleaning function is turned on or off, fog, etc. A number of factors included in vehicle status information, such as whether the vehicle is on or off, whether the headlight is on or off, whether the high beam is on or off, and the air conditioning stage, and a number of factors included in the vehicle exterior information such as external temperature and rain information are The value received from the starting point from the weather station server can be used.

다만, 해당 주행 도로 구간별로 온/오프와 같이 빈도가 변경될 수 있고, 빈도가 카운팅 될 수 있는 인자는 빈도가 가장 많은 값을 인자의 값으로 이용할 수 있다. 아울러, 온도의 경우에는, 해당 주행 도로 구간별 평균값을 인자의 값으로 이용할 수 있을 것이다.However, the frequency may be changed, such as on/off for each driving road section, and a factor in which the frequency can be counted may use a value having the most frequency as a factor value. In addition, in the case of temperature, the average value for each section of the driving road may be used as the value of the factor.

예측부(40)는, 미리 설정된 다수의 순위에 따라 연비를 예측한다. 다수의 순위는, 제 1 순위 내지 제 5 순위를 포함할 수 있고, 제 1 순위에 의한 예측이 불가능한 경우 제 2 순위로, 제 2 순위에 의한 예측이 불가능한 경우 제 3 순위로, 제 3 순위에 의한 예측이 불가능한 경우 제 4 순위로, 제 4 순위에 의한 예측이 불가능한 경우 제 5 순위로, 순차적으로 넘어가게 된다. 아울러, 예측부(40)는, 주행 도로 구간별로 제 1 순위 내지 제 5 순위 중 하나를 이용하여 주행 도로 구간별 연비를 예측할 수 있다.The prediction unit 40 predicts fuel efficiency according to a plurality of preset rankings. The plurality of rankings may include first to fifth rankings, and if prediction by the first ranking is impossible, to the second ranking, and if prediction by the second ranking is impossible, to the third ranking, to the third ranking. If the prediction by is impossible, the fourth rank, and if the prediction by the fourth rank is not possible, the fifth rank is sequentially passed. In addition, the prediction unit 40 may predict fuel efficiency for each driving road section using one of the first to fifth rankings for each driving road section.

구체적으로, 제 1 순위는 해당 주행 도로 구간에 대한 자차의 주행 이력이 존재하고, 자차에 대해 설정된 예측 조건이 있는 경우이다. 제 2 순위는, 해당 주행 도로 구간에 대한 자차의 주행 이력이 없는 경우, 해당 주행 도로 구간에 대한 타차의 주행 이력이 존재하고, 타차에 대해 설정된 예측 조건이 있는 경우이다, 제 3 순위는, 해당 주행 도로 구간에 대한 자차의 주행 이력이 존재하고, 자차에 대해 설정된 예측 조건이 없고, 타차에 대해 설정된 예측 조건이 있는 경우이다. 제 4 순위는, 해당 주행 도로 구간에 대한 자차의 주행 이력이 없는 경우, 해당 주행 도로 구간에 대한 타차의 주행 이력이 존재하고, 자차 및 타차에 대해 설정된 예측 조건이 없는 경우이다. 아울러, 제 5 순위는, 해당 주행 도로 구간에 대한 자차 및 타차의 주행 이력이 없고, 자차 및 타차에 대해 설정된 예측 조건이 없는 경우이다. 제 5 순위의 경우에는 표준 연비를 이용하여 연비를 예측하게 된다.Specifically, the first rank is a case where the driving history of the host vehicle for the corresponding driving road section exists, and there is a prediction condition set for the host vehicle. The second rank is a case in which there is no driving history of the own vehicle for the corresponding travel road section, and a driving history of the other car for the corresponding travel road section exists, and there is a prediction condition set for the other car. It is the case that the driving history of the host vehicle for the driving road section exists, there is no prediction condition set for the host vehicle, and there is a prediction condition set for the other vehicle. The fourth rank is when there is no driving history of the own vehicle for the corresponding driving road section, when the driving history of the other vehicle for the corresponding driving road section exists, and there is no prediction condition set for the own vehicle and the other vehicle. In addition, the fifth rank is a case in which there is no driving history of the own vehicle and the other vehicle for the corresponding driving road section, and there is no prediction condition set for the own vehicle and the other vehicle. In the case of the fifth rank, fuel efficiency is predicted using standard fuel efficiency.

에너지맵 생성부(50)는, 주행 도로 구간별로 산출된 예측 연비를 관리하는 역할을 한다. The energy map generation unit 50 serves to manage the predicted fuel efficiency calculated for each driving road section.

도 3은 에너지맵 생성부(50)에 의해 저장된 주행 도로 구간별로 산출된 예측 연비 등의 예시도이다. 도 3으로부터 알 수 있는 바와 같이, 본 발명에서는 주로 도로 구간별, 즉 고유번호(링크)별 이동 거리, 소모 에너지, 주행 연비 등을 저장하고 있는 것이 바람직하다.3 is an exemplary diagram of predicted fuel efficiency calculated for each section of a driving road stored by the energy map generating unit 50. As can be seen from FIG. 3, in the present invention, it is preferable to mainly store movement distances for each road section, that is, unique numbers (links), energy consumption, and driving mileage.

도 4는 본 발명의 바람직한 일실시예에 따른 전기 자동차의 연비 예측 방법의 흐름도를 나타낸다.4 is a flowchart of a method for predicting fuel efficiency of an electric vehicle according to an exemplary embodiment of the present invention.

본 발명의 바람직한 일실시예에 따른 전기 자동차의 연비 예측 방법은, 상술한 본 발명의 바람직한 일실시예에 따른 전기 자동차 연비 예측 시스템(100)을 이용하므로 별도의 설명이 없더라도 전기 자동차 연비 예측 시스템(100)의 모든 특징을 포함하고 있음은 물론이다. 아울러, 전기 자동차 연비 예측 시스템(100) 또한 별도의 설명이 없더라도 전기 자동차의 연비 예측 방법의 모든 특징을 포함하고 있음은 물론이다.The fuel efficiency prediction method of the electric vehicle according to the preferred embodiment of the present invention uses the electric vehicle fuel efficiency prediction system 100 according to the preferred embodiment of the present invention described above. Of course, it includes all the features of 100). In addition, the electric vehicle fuel economy prediction system 100 also includes all the features of the electric vehicle fuel efficiency prediction method even if there is no separate description.

도 4로부터 알 수 있는 바와 같이, 본 발명의 바람직한 일실시예에 따른 전기 자동차의 연비 예측 방법은, 실제 차량의 주행 시의 이력 정보를 이용하여 주행 도로 구간별 차량의 에너지 소모와 관련된 정보로 가공하여 저장하는 단계(S100); S100 단계에서 저장된 주행 도로 구간별 차량의 에너지 소모와 관련된 정보에 대한 예측 조건을 설정하고 평가하는 단계(S200); S200 단계에서 저장된 주행 도로 구간별 차량의 에너지 소모와 관련된 정보를 이용하여 설정된 예측 조건을 이용하여, 차량의 연비를 예측하는 단계(S300); 및 주행 도로 구간별로 산출된 예측 연비를 관리하는 단계(S400);를 포함한다.As can be seen from FIG. 4, the fuel efficiency prediction method of an electric vehicle according to an exemplary embodiment of the present invention is processed into information related to energy consumption of a vehicle for each section of a driving road by using history information when driving the actual vehicle. To save (S100); Setting and evaluating prediction conditions for information related to energy consumption of the vehicle for each road section stored in step S100 (S200); Predicting the fuel efficiency of the vehicle by using the prediction condition set by using information related to energy consumption of the vehicle for each road section stored in operation S200 (S300 ); And managing the predicted fuel efficiency calculated for each section of the driving road (S400).

아울러, 차량의 에너지 소모와 관련된 정보는 적어도 하나의 인자를 포함하는 것을 특징으로 한다.In addition, the information related to the energy consumption of the vehicle is characterized by including at least one factor.

구체적으로 S100 단계는, 해당 차량의 위도 및 경도 좌표를 이용하여 주행 도로 구간별 고유번호를 추출하는 단계(S110); 추출된 고유번호를 기반으로 고유번호에 대한 차량의 이동 시간에 따라 순차적으로 링크 인덱스를 부여하는 단계(S120); 및 링크 인덱스의 순서대로 주행 도로 구간별로 차량의 에너지 소모와 관련된 정보를 차량의 운행 정보와 더불어 가공하고 저장하는 단계(S130);를 포함한다.Specifically, the step S100 includes: extracting a unique number for each road section using the latitude and longitude coordinates of the corresponding vehicle (S110); Sequentially assigning a link index according to the travel time of the vehicle with respect to the unique number based on the extracted unique number (S120); And processing and storing information related to energy consumption of the vehicle for each driving road section in the order of the link index along with the driving information of the vehicle (S130).

S110 단계는, 이전 단계의 고유번호와 현재 단계의 고유번호가 연속적인 값을 가지지 않는 경우, 이전 단계의 고유번호와 현재 단계의 고유번호가 연속적인 값을 가지도록 고유번호를 보정하여, 주행 도로 구간별 고유번호를 추출하는 것이 바람직하다. In step S110, when the unique number of the previous step and the unique number of the current step do not have a continuous value, the unique number of the previous step and the unique number of the current step are corrected to the unique number to have a continuous value, the driving road It is desirable to extract the unique number for each section.

도 5는 S200 단계의 흐름도이다.5 is a flowchart of step S200.

도 5로부터 알 수 있는 바와 같이, S200 단계는, S100 단계에서 저장된 주행 도로 구간별 차량의 에너지 소모와 관련된 정보에 대해 설정된 예측 조건을 이용한 차량의 연비 예측 결과를 평가하는 단계(S210); S210 단계의 차량의 연비 예측 결과를 평가한 결과, 미리 설정된 평가 조건을 만족하지 못할 경우, 주행 도로 구간별 차량의 에너지 소모와 관련된 정보에 대한 예측 조건을 재설정하는 단계(S220); 및 S210 단계의 차량의 연비 예측 결과를 평가한 결과, 미리 설정된 평가 조건을 만족하는 경우, 해당 예측 조건을 적용하는 단계(S230);를 포함한다. 아울러, S220 단계에서 예측 조건이 재설정되게 되면, S210 단계는 재설정된 예측 조건을 이용하게 된다. As can be seen from FIG. 5, the step S200 includes: evaluating a fuel efficiency prediction result of the vehicle using a prediction condition set for information related to energy consumption of the vehicle for each road section stored in step S100 (S210 ); As a result of evaluating the fuel consumption prediction result of the vehicle in step S210, if the preset evaluation condition is not satisfied, resetting the prediction condition for the information related to energy consumption of the vehicle for each road section (S220); And when evaluating the fuel consumption prediction result of the vehicle in step S210, if the predetermined evaluation condition is satisfied, applying the corresponding prediction condition (S230). In addition, if the prediction condition is reset in step S220, the reset prediction condition is used in step S210.

S220 단계의 미리 설정된 평가 조건을 만족하지 못할 경우는, 해당 주행 도로 구간에 대한 예측 연비가 표준 연비와 일정값 이상의 차이를 나타내는 경우를 예로 들 수 있다.When the preset evaluation condition in step S220 is not satisfied, an example is a case in which the predicted fuel efficiency for the corresponding driving road section represents a difference greater than a standard fuel efficiency and a predetermined value.

아울러, S220 단계는, 해당 주행 도로 구간별로 차량의 에너지 소모와 관련된 정보에 포함된 인자의 값을 변경하며, 연비를 시뮬레이션하는 단계(S221) 및 S221 단계의 시뮬레이션 결과에 따른 표준 점수를 이용하여, 예측 조건을 재설정하는 단계(S222);를 포함하는 것을 특징으로 한다.In addition, step S220, by changing the value of the factor included in the information related to the energy consumption of the vehicle for each driving road section, using the standard scores according to the simulation results of step (S221) and step S221 to simulate fuel economy, And resetting the prediction condition (S222).

차량의 에너지 소모와 관련된 정보에 포함된 인자에 대한 예측 조건은, 일정 범위 내에 해당 차량의 에너지 소모와 관련된 정보에 포함된 인자의 값의 포함 여부로 설정되는 것이 바람직하다.It is preferable that a prediction condition for a factor included in information related to energy consumption of a vehicle is set to include a value of a factor included in information related to energy consumption of a corresponding vehicle within a certain range.

차량의 에너지 소모와 관련된 정보에 포함된 인자에 대한 예측 조건은, 일정 범위 내에 해당 차량의 에너지 소모와 관련된 정보에 포함된 인자의 값의 포함 여부로 설정되는 것을 특징으로 한다. 아울러, 차량의 에너지 소모와 관련된 정보에 포함된 인자에 대한 예측 조건은, 설정된 하나의 값과 해당 차량의 에너지 소모와 관련된 정보에 포함된 인자의 값의 일치 여부로 설정될 수 있다. 또한, 차량의 에너지 소모와 관련된 정보에 포함된 인자에 대한 예측 조건은, 설정된 다수의 값 중 하나와 해당 차량의 에너지 소모와 관련된 정보에 포함된 인자의 값의 일치 여부로 설정되는 것을 특징으로 한다. 바람직하게는 차량의 에너지 소모와 관련된 정보에 포함된 인자에 대한 예측 조건은, 모든 경우의 값에 대해 예측 조건을 만족하는 것으로 판단할 수 있다.The predictive condition for the factor included in the information related to the energy consumption of the vehicle is set to include the value of the factor included in the information related to the energy consumption of the vehicle within a certain range. In addition, the prediction condition for the factor included in the information related to the energy consumption of the vehicle may be set as whether or not the value of the factor included in the information related to the energy consumption of the corresponding vehicle is set. In addition, the prediction condition for the factor included in the information related to the energy consumption of the vehicle is set to whether the value of the factor included in the information related to the energy consumption of the corresponding vehicle is set or not. . Preferably, the prediction condition for the factor included in the information related to the energy consumption of the vehicle may be determined to satisfy the prediction condition for all values.

아울러, S300 단계는, 출발지 및 도착지 정보를 이용하여, 실제 주행 거리를 연산하는 단계(S310); 해당 주행 경로의 주행 도로 구간별 실시간 교통 상황 정보를 조회하는 단계(S320); 및 해당 차량의 연비를 예측하는 단계(S330);를 포함하는 것을 특징으로 한다.In addition, step S300, using the origin and destination information, calculating the actual driving distance (S310); Querying real-time traffic condition information for each section of the driving route of the corresponding driving route (S320); And estimating the fuel efficiency of the corresponding vehicle (S330).

S330 단계의 연비의 예측은, 미리 설정된 다수의 순위에 따라 연비를 예측한다. 다수의 순위는, 제 1 순위 내지 제 5 순위를 포함할 수 있고, 제 1 순위에 의한 예측이 불가능한 경우 제 2 순위로, 제 2 순위에 의한 예측이 불가능한 경우 제 3 순위로, 제 3 순위에 의한 예측이 불가능한 경우 제 4 순위로, 제 4 순위에 의한 예측이 불가능한 경우 제 5 순위로, 순차적으로 넘어가게 된다.The prediction of fuel efficiency in step S330 predicts fuel efficiency according to a plurality of preset rankings. The plurality of rankings may include first to fifth rankings, and if prediction by the first ranking is impossible, to the second ranking, and if prediction by the second ranking is impossible, to the third ranking, to the third ranking. If the prediction by is impossible, the fourth rank, and if the prediction by the fourth rank is not possible, the fifth rank is sequentially passed.

구체적으로, 제 1 순위는 해당 주행 도로 구간에 대한 자차의 주행 이력이 존재하고, 자차에 대해 설정된 예측 조건이 있는 경우이다. 제 2 순위는, 해당 주행 도로 구간에 대한 자차의 주행 이력이 없는 경우, 해당 주행 도로 구간에 대한 타차의 주행 이력이 존재하고, 타차에 대해 설정된 예측 조건이 있는 경우이다, 제 3 순위는, 해당 주행 도로 구간에 대한 자차의 주행 이력이 존재하고, 자차에 대해 설정된 예측 조건이 없고, 타차에 대해 설정된 예측 조건이 있는 경우이다. 제 4 순위는, 해당 주행 도로 구간에 대한 자차의 주행 이력이 없는 경우, 해당 주행 도로 구간에 대한 타차의 주행 이력이 존재하고, 자차 및 타차에 대해 설정된 예측 조건이 없는 경우이다. 아울러, 제 5 순위는, 해당 주행 도로 구간에 대한 자차 및 타차의 주행 이력이 없고, 자차 및 타차에 대해 설정된 예측 조건이 없는 경우이다. 제 5 순위의 경우에는 표준 연비를 이용하여 연비를 예측하게 된다.Specifically, the first rank is a case where the driving history of the host vehicle for the corresponding driving road section exists, and there is a prediction condition set for the host vehicle. The second rank is a case in which there is no driving history of the own vehicle for the corresponding travel road section, and a driving history of the other car for the corresponding travel road section exists, and there is a prediction condition set for the other car. It is the case that the driving history of the host vehicle for the driving road section exists, there is no prediction condition set for the host vehicle, and there is a prediction condition set for the other vehicle. The fourth rank is when there is no driving history of the own vehicle for the corresponding driving road section, when the driving history of the other vehicle for the corresponding driving road section exists, and there is no prediction condition set for the own vehicle and the other vehicle. In addition, the fifth rank is a case in which there is no driving history of the own vehicle and the other vehicle for the corresponding driving road section, and there is no prediction condition set for the own vehicle and the other vehicle. In the case of the fifth rank, fuel efficiency is predicted using standard fuel efficiency.

상술한 바와 같이, 본 발명의 전기 자동차 연비 예측 시스템(100) 및 그 연비 예측 방법에 따르면, 차량의 주행과 관련된 예측 조건을 설정하여 유사 주행 이력을 조회하는 것에 의해 적은 데이터 개수에 대해서도 연비를 예측할 수 있음을 알 수 있다.As described above, according to the electric vehicle fuel efficiency prediction system 100 and the fuel efficiency prediction method of the present invention, fuel efficiency can be predicted even for a small number of data by setting a prediction condition related to driving of the vehicle and querying similar driving history. You can see that you can.

100 : 자동차 연비 예측 시스템
10 : 원본 데이터 저장부
20 : 가공 데이터 저장부
30 : 예측 조건 설정부
40 : 예측부
50 : 에너지맵 생성부
31 : 예측 조건 설정기
32 : 평가기100: car fuel economy prediction system
10: original data storage
20: processing data storage
30: prediction condition setting unit
40: prediction unit
50: energy map generation unit
31: Prediction condition setter
32: evaluator

Claims (22)

전기 자동차 연비 예측 시스템을 이용한 연비 예측 방법에 있어서,
(a) 실제 차량의 주행 시의 이력 정보를 이용하여 주행 도로 구간별 차량의 에너지 소모와 관련된 정보로 가공하여 저장하는 단계; (b) 상기 (a) 단계에서 저장된 주행 도로 구간별 차량의 에너지 소모와 관련된 정보에 대한 예측 조건을 설정하고 평가하는 단계; 및 (c) 상기 (b) 단계에서 설정된 예측 조건을 이용하여, 차량의 연비를 예측하는 단계;를 포함하되,
상기 차량의 에너지 소모와 관련된 정보는, 적어도 하나의 인자를 포함하고,
상기 (b) 단계는, (b-1) 상기 (a) 단계에서 저장된 주행 도로 구간별 차량의 에너지 소모와 관련된 정보에 대해 설정된 예측 조건을 이용한 차량의 연비 예측 결과를 평가하는 단계; 및 (b-2) 상기 (b-1) 단계의 차량의 연비 예측 결과를 평가한 결과, 미리 설정된 평가 조건을 만족하지 못할 경우, 주행 도로 구간별 차량의 에너지 소모와 관련된 정보에 대한 예측 조건을 재설정하는 단계;를 포함하고,
상기 (b-2) 단계는, (b-2-1) 해당 주행 도로 구간별로 차량의 에너지 소모와 관련된 정보에 포함된 인자의 값을 변경하며, 연비를 시뮬레이션하는 단계; 및 (b-2-2) 상기 (b-2-1) 단계의 시뮬레이션 결과에 따른 표준 점수를 이용하여, 예측 조건을 재설정하는 단계;를 포함하는 것을 특징으로 하는 연비 예측 방법.In the fuel economy prediction method using the electric vehicle fuel economy prediction system,
(a) processing and storing information related to energy consumption of a vehicle for each road section using history information when driving the vehicle; (b) setting and evaluating prediction conditions for information related to energy consumption of a vehicle for each road section stored in the step (a); And (c) predicting the fuel efficiency of the vehicle using the prediction conditions set in step (b).
The information related to energy consumption of the vehicle includes at least one factor,
The step (b) includes: (b-1) evaluating a fuel efficiency prediction result of a vehicle using a prediction condition set for information related to energy consumption of a vehicle for each road section stored in the step (a); And (b-2) as a result of evaluating the fuel consumption prediction result of the vehicle in step (b-1), if the preset evaluation condition is not satisfied, prediction conditions for information related to energy consumption of the vehicle for each road section are determined. Resetting; includes,
The step (b-2) may include: (b-2-1) changing a value of a factor included in information related to energy consumption of a vehicle for each driving road section, and simulating fuel efficiency; And (b-2-2) using the standard score according to the simulation result of the step (b-2-1), resetting the prediction conditions; fuel economy prediction method comprising a. 제1항에 있어서,
상기 (a) 단계는,
(a-1) 해당 차량의 위도 및 경도 좌표를 이용하여 주행 도로 구간별 고유번호를 추출하는 단계;를 포함하는 것을 특징으로 하는 연비 예측 방법.According to claim 1,
Step (a) is,
(a-1) extracting a unique number for each road section using the latitude and longitude coordinates of the vehicle; a fuel efficiency prediction method comprising the. 제2항에 있어서,
상기 (a-1) 단계는,
이전 단계의 고유번호와 현재 단계의 고유번호가 연속적인 값을 가지지 않는 경우, 이전 단계의 고유번호와 현재 단계의 고유번호가 연속적인 값을 가지도록 고유번호를 보정하여, 주행 도로 구간별 고유번호를 추출하는 것을 특징으로 하는 연비 예측 방법.According to claim 2,
Step (a-1) is,
If the unique number of the previous step and the unique number of the current step do not have continuous values, the unique number of the driving road section is corrected by correcting the unique number so that the unique number of the previous step and the unique number of the current step have continuous values. Fuel consumption prediction method characterized in that the extraction. 삭제delete 삭제delete 제1항에 있어서,
상기 (b-2) 단계의 미리 설정된 평가 조건을 만족하지 못할 경우는,
해당 주행 도로 구간에 대한 예측 연비가 표준 연비와 일정값 이상의 차이를 나타내는 경우인 것을 특징으로 하는 연비 예측 방법.According to claim 1,
When the preset evaluation condition of step (b-2) is not satisfied,
A fuel efficiency prediction method characterized in that the predicted fuel efficiency for a corresponding road section represents a difference between a standard fuel efficiency and a predetermined value or more. 삭제delete 제1항에 있어서,
상기 차량의 에너지 소모와 관련된 정보에 포함된 인자에 대한 예측 조건은,
일정 범위 내에 해당 차량의 에너지 소모와 관련된 정보에 포함된 인자의 값의 포함 여부로 설정되는 것을 특징으로 하는 연비 예측 방법.According to claim 1,
Prediction conditions for factors included in the information related to the energy consumption of the vehicle,
A fuel efficiency prediction method characterized in that it is set to include a value of a factor included in information related to energy consumption of a corresponding vehicle within a certain range. 제1항에 있어서,
상기 차량의 에너지 소모와 관련된 정보에 포함된 인자에 대한 예측 조건은,
설정된 하나의 값과 해당 차량의 에너지 소모와 관련된 정보에 포함된 인자의 값의 일치 여부로 설정되는 것을 특징으로 하는 연비 예측 방법.According to claim 1,
Prediction conditions for factors included in the information related to the energy consumption of the vehicle,
A fuel efficiency prediction method characterized in that it is set as a match between a set value and a value of a factor included in information related to energy consumption of the corresponding vehicle. 삭제delete 전기 자동차 연비 예측 시스템을 이용한 연비 예측 방법에 있어서,
(a) 실제 차량의 주행 시의 이력 정보를 이용하여 주행 도로 구간별 차량의 에너지 소모와 관련된 정보로 가공하여 저장하는 단계; (b) 상기 (a) 단계에서 저장된 주행 도로 구간별 차량의 에너지 소모와 관련된 정보에 대한 예측 조건을 설정하고 평가하는 단계; 및 (c) 상기 (b) 단계에서 설정된 예측 조건을 이용하여, 차량의 연비를 예측하는 단계;를 포함하되,
상기 차량의 에너지 소모와 관련된 정보는, 적어도 하나의 인자를 포함하고,
상기 (c) 단계는, (c-1) 출발지 및 도착지 정보를 이용하여, 실제 주행 거리를 연산하는 단계; (c-2) 해당 주행 경로의 주행 도로 구간별 실시간 교통 상황 정보를 조회하는 단계; 및 (c-3) 해당 차량의 연비를 예측하는 단계;를 포함하고,
상기 (c-3) 단계의 연비의 예측은, 미리 설정된 다수의 순위에 따라 연비를 예측하되,
다수의 순위는, 해당 주행 도로 구간에 대한 자차의 주행 이력이 존재하고, 자차에 대해 설정된 예측 조건이 있는 경우를 제 1 순위; 해당 주행 도로 구간에 대한 자차의 주행 이력이 없는 경우, 해당 주행 도로 구간에 대한 타차의 주행 이력이 존재하고, 타차에 대해 설정된 예측 조건이 있는 경우를 제 2 순위; 해당 주행 도로 구간에 대한 자차의 주행 이력이 존재하고, 자차에 대해 설정된 예측 조건이 없고, 타차에 대해 설정된 예측 조건이 있는 경우를 제 3 순위; 해당 주행 도로 구간에 대한 자차의 주행 이력이 없는 경우, 해당 주행 도로 구간에 대한 타차의 주행 이력이 존재하고, 자차 및 타차에 대해 설정된 예측 조건이 없는 경우를 제 4 순위; 및 해당 주행 도로 구간에 대한 자차 및 타차의 주행 이력이 없고, 자차 및 타차에 대해 설정된 예측 조건이 없는 경우를 제 5 순위;로 설정되는 것을 특징으로 하는 연비 예측 방법.In the fuel economy prediction method using the electric vehicle fuel economy prediction system,
(a) processing and storing information related to energy consumption of a vehicle for each road section using history information when driving the vehicle; (b) setting and evaluating prediction conditions for information related to energy consumption of a vehicle for each road section stored in the step (a); And (c) predicting the fuel efficiency of the vehicle using the prediction conditions set in step (b).
The information related to energy consumption of the vehicle includes at least one factor,
The step (c) includes: (c-1) calculating actual driving distance using departure and destination information; (c-2) querying real-time traffic condition information for each section of the driving route of the corresponding driving route; And (c-3) predicting the fuel efficiency of the vehicle; includes,
In the prediction of the fuel efficiency in step (c-3), the fuel efficiency is predicted according to a plurality of preset rankings,
The plurality of rankings include: a first ranking when a driving history of the own vehicle exists for the corresponding driving road section and there is a prediction condition set for the own vehicle; If there is no driving history of the host vehicle for the driving road section, the second ranking is the case where the driving history of the other vehicle for the driving road section exists and there is a prediction condition set for the other vehicle; A third rank when the driving history of the host vehicle for the corresponding driving road section exists, there is no prediction condition set for the host vehicle, and there is a prediction condition set for the other vehicle; If there is no driving history of the own vehicle for the driving road section, the fourth ranking is when the driving history of the other vehicle for the driving road section exists, and there is no prediction condition set for the own vehicle and the other vehicle; And a case in which there is no driving history of the own vehicle and the other vehicle for the corresponding driving road section, and there is no prediction condition set for the own vehicle and the other vehicle. 전기 자동차 연비 예측 시스템에 있어서,
실제 차량의 주행 시의 이력 정보를 이용하여 주행 도로 구간별 차량의 에너지 소모와 관련된 정보로 가공하여 저장하는 가공 데이터 저장부; 상기 가공 데이터 저장부에 저장된 주행 도로 구간별 차량의 에너지 소모와 관련된 정보에 대한 예측 조건을 설정하고 평가하는 예측 조건 설정부; 및 상기 예측 조건 설정부에 의해 설정된 예측 조건을 이용하여, 차량의 연비를 예측하는 예측부;를 포함하고,
상기 차량의 에너지 소모와 관련된 정보는, 적어도 하나의 인자를 포함하고,
상기 예측 조건 설정부는, 상기 가공 데이터 저장부에 저장된 주행 도로 구간별 차량의 에너지 소모와 관련된 정보를 이용하여 연비의 예측 조건을 설정하고, 설정된 예측 조건을 이용한 차량의 연비 예측 결과를 평가하고,
상기 예측 조건 설정부는, 차량의 연비 예측 결과를 평가한 결과, 미리 설정된 평가 조건을 만족하지 못할 경우, 주행 도로 구간별 차량의 에너지 소모와 관련된 정보에 대한 예측 조건을 재설정하고,
상기 예측 조건 설정부는, 해당 주행 도로 구간별로 차량의 에너지 소모와 관련된 정보에 포함된 인자의 값을 변경하며, 연비를 시뮬레이션하고, 시뮬레이션 결과에 따른 표준 점수를 이용하여 예측 조건을 재설정하는 것을 특징으로 하는 연비 예측 시스템.In the electric vehicle fuel economy prediction system,
A processing data storage unit that processes and stores information related to energy consumption of vehicles for each road section using history information when driving a real vehicle; A prediction condition setting unit for setting and evaluating prediction conditions for information related to energy consumption of vehicles for each road section stored in the processing data storage unit; And a prediction unit for predicting fuel efficiency of the vehicle using the prediction condition set by the prediction condition setting unit.
The information related to energy consumption of the vehicle includes at least one factor,
The prediction condition setting unit, using the information related to the energy consumption of the vehicle for each road section stored in the processing data storage unit sets the prediction conditions of fuel efficiency, evaluates the fuel economy prediction results of the vehicle using the set prediction conditions,
The prediction condition setting unit resets a prediction condition for information related to energy consumption of a vehicle for each section of a driving road when the fuel efficiency prediction result of the vehicle is evaluated and the preset evaluation condition is not satisfied.
The prediction condition setting unit is characterized by changing the value of the factor included in the information related to the energy consumption of the vehicle for each section of the driving road, simulating fuel efficiency, and resetting the prediction condition using a standard score according to the simulation result Fuel economy prediction system. 제12항에 있어서,
상기 가공 데이터 저장부는,
해당 차량의 위도 및 경도 좌표를 이용하여 주행 도로 구간별 고유번호를 추출하는 것을 특징으로 하는 연비 예측 시스템.The method of claim 12,
The processing data storage unit,
A fuel economy prediction system characterized by extracting a unique number for each road section using the latitude and longitude coordinates of the vehicle. 제13항에 있어서,
상기 가공 데이터 저장부는,
이전 단계의 고유번호와 현재 단계의 고유번호가 연속적인 값을 가지지 않는 경우, 이전 단계의 고유번호와 현재 단계의 고유번호가 연속적인 값을 가지도록 고유번호를 보정하여, 주행 도로 구간별 고유번호를 추출하는 것을 특징으로 하는 연비 예측 시스템.The method of claim 13,
The processing data storage unit,
If the unique number of the previous step and the unique number of the current step do not have continuous values, the unique number of the driving road section is corrected by correcting the unique number so that the unique number of the previous step and the unique number of the current step have continuous values. Fuel consumption prediction system characterized in that the extraction. 삭제delete 삭제delete 제12항에 있어서,
미리 설정된 평가 조건을 만족하지 못할 경우는,
해당 주행 도로 구간에 대한 예측 연비가 표준 연비와 일정값 이상의 차이를 나타내는 경우인 것을 특징으로 하는 연비 예측 시스템.The method of claim 12,
If the preset evaluation condition is not satisfied,
A fuel efficiency prediction system characterized in that the predicted fuel efficiency for a corresponding road section represents a difference between a standard fuel efficiency and a predetermined value or more. 삭제delete 제12항에 있어서,
상기 차량의 에너지 소모와 관련된 정보에 포함된 인자에 대한 예측 조건은,
일정 범위내에 해당 차량의 에너지 소모와 관련된 정보에 포함된 인자의 값의 포함 여부로 설정되는 것을 특징으로 하는 연비 예측 시스템.The method of claim 12,
Prediction conditions for factors included in the information related to the energy consumption of the vehicle,
A fuel efficiency prediction system characterized in that it is set to include a value of a factor included in information related to energy consumption of a corresponding vehicle within a certain range. 제12항에 있어서,
상기 차량의 에너지 소모와 관련된 정보에 포함된 인자에 대한 예측 조건은,
설정된 하나의 값과 해당 차량의 에너지 소모와 관련된 정보에 포함된 인자의 값의 일치 여부로 설정되는 것을 특징으로 하는 연비 예측 시스템.The method of claim 12,
Prediction conditions for factors included in the information related to the energy consumption of the vehicle,
A fuel efficiency prediction system, characterized in that it is set to whether a value of a factor included in information related to energy consumption of a corresponding vehicle is set. 삭제delete 전기 자동차 연비 예측 시스템에 있어서,
실제 차량의 주행 시의 이력 정보를 이용하여 주행 도로 구간별 차량의 에너지 소모와 관련된 정보로 가공하여 저장하는 가공 데이터 저장부; 상기 가공 데이터 저장부에 저장된 주행 도로 구간별 차량의 에너지 소모와 관련된 정보에 대한 예측 조건을 설정하고 평가하는 예측 조건 설정부; 및 상기 예측 조건 설정부에 의해 설정된 예측 조건을 이용하여, 차량의 연비를 예측하는 예측부;를 포함하고,
상기 차량의 에너지 소모와 관련된 정보는, 적어도 하나의 인자를 포함하고,
상기 예측부는, 출발지 및 도착지 정보를 이용하여 실제 주행 거리를 연산하고, 해당 주행 경로의 주행 도로 구간별 실시간 교통 상황 정보를 조회하고, 해당 차량의 연비를 예측하고,
상기 예측부는, 미리 설정된 다수의 순위에 따라 연비를 예측하되,
다수의 순위는, 해당 주행 도로 구간에 대한 자차의 주행 이력이 존재하고, 자차에 대해 설정된 예측 조건이 있는 경우를 제 1 순위; 해당 주행 도로 구간에 대한 자차의 주행 이력이 없는 경우, 해당 주행 도로 구간에 대한 타차의 주행 이력이 존재하고, 타차에 대해 설정된 예측 조건이 있는 경우를 제 2 순위; 해당 주행 도로 구간에 대한 자차의 주행 이력이 존재하고, 자차에 대해 설정된 예측 조건이 없고, 타차에 대해 설정된 예측 조건이 있는 경우를 제 3 순위; 해당 주행 도로 구간에 대한 자차의 주행 이력이 없는 경우, 해당 주행 도로 구간에 대한 타차의 주행 이력이 존재하고, 자차 및 타차에 대해 설정된 예측 조건이 없는 경우를 제 4 순위; 및 해당 주행 도로 구간에 대한 자차 및 타차의 주행 이력이 없고, 자차 및 타차에 대해 설정된 예측 조건이 없는 경우를 제 5 순위;로 설정되는 것을 특징으로 하는 연비 예측 시스템.In the electric vehicle fuel economy prediction system,
A processing data storage unit that processes and stores information related to energy consumption of vehicles for each road section using history information when driving a real vehicle; A prediction condition setting unit for setting and evaluating prediction conditions for information related to energy consumption of vehicles for each road section stored in the processing data storage unit; And a prediction unit for predicting fuel efficiency of the vehicle using the prediction condition set by the prediction condition setting unit.
The information related to energy consumption of the vehicle includes at least one factor,
The predicting unit calculates the actual driving distance using the information of the origin and the destination, queries real-time traffic situation information for each section of the driving route of the corresponding driving route, predicts the fuel efficiency of the corresponding vehicle,
The prediction unit predicts fuel efficiency according to a plurality of preset rankings,
The plurality of rankings include: a first ranking when a driving history of the own vehicle exists for the corresponding driving road section and there is a prediction condition set for the own vehicle; If there is no driving history of the host vehicle for the driving road section, the second ranking is the case where the driving history of the other vehicle for the driving road section exists and there is a prediction condition set for the other vehicle; A third rank when the driving history of the host vehicle for the corresponding driving road section exists, there is no prediction condition set for the host vehicle, and there is a prediction condition set for the other vehicle; If there is no driving history of the own vehicle for the driving road section, the fourth ranking is when the driving history of the other vehicle for the driving road section exists, and there is no prediction condition set for the own vehicle and the other vehicle; And a case in which there is no driving history of the own vehicle and the other vehicle for the corresponding driving road section, and there is no prediction condition set for the own vehicle and the other vehicle.
KR1020180097543A 2018-08-21 2018-08-21 Mileage prediction system for electric vehicle and prediction method therefor KR102127567B1 (en)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020180097543A KR102127567B1 (en) 2018-08-21 2018-08-21 Mileage prediction system for electric vehicle and prediction method therefor

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020180097543A KR102127567B1 (en) 2018-08-21 2018-08-21 Mileage prediction system for electric vehicle and prediction method therefor

Publications (2)

Publication Number Publication Date
KR20200021770A KR20200021770A (en) 2020-03-02
KR102127567B1 true KR102127567B1 (en) 2020-06-29

Family

ID=69805730

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020180097543A KR102127567B1 (en) 2018-08-21 2018-08-21 Mileage prediction system for electric vehicle and prediction method therefor

Country Status (1)

Country Link
KR (1) KR102127567B1 (en)

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20160100264A (en) * 2015-02-13 2016-08-23 국민대학교산학협력단 Method for generating fuel consumption prediction model using dtg big data
KR101897339B1 (en) * 2016-09-06 2018-09-11 현대자동차주식회사 Avilable driving distance estimation method for electric vehicle and the system thereof

Also Published As

Publication number Publication date
KR20200021770A (en) 2020-03-02

Similar Documents

Publication Publication Date Title
KR101897339B1 (en) Avilable driving distance estimation method for electric vehicle and the system thereof
JP6045846B2 (en) Traffic accident occurrence prediction device, method and program
CN107273520B (en) Goods loading and unloading site identification method based on truck monitoring data
CN109213153B (en) Automatic vehicle driving method and electronic equipment
CN113219933B (en) Strip mine unmanned truck dispatching system and method based on digital twin prediction
CN108346317B (en) Road risk early warning method and device
US11661067B2 (en) Method for ascertaining driving profiles
JP7016676B2 (en) Vehicle control device and its operation method
US11199419B2 (en) Method for reducing exhaust gas emissions of a drive system of a vehicle including an internal combustion engine
CN114829225A (en) Conditional behavior prediction for autonomous vehicles
CN113415288A (en) Sectional type longitudinal vehicle speed planning method, device, equipment and storage medium
CN112836917A (en) Risk rating system composed of two sets of risk rating models
CN115862322A (en) Vehicle variable speed limit control optimization method, system, medium and equipment
JPWO2016047591A1 (en) Train operation prediction system, train operation prediction method, operation time calculation device, and operation time calculation method
SE540155C2 (en) Device and method for classification of road segment based on their suitability for platooning
KR102127567B1 (en) Mileage prediction system for electric vehicle and prediction method therefor
CN111582527A (en) Travel time estimation method and device, electronic equipment and storage medium
CN117854301A (en) Bus travel route dynamic adjustment method, device, equipment and medium
CN114413923B (en) Driving route recommendation method, device, storage medium and system
JP2017151545A (en) Traffic accident forecast system, and accident forecast method
WO2023197409A1 (en) Speed control model generation method and apparatus, and vehicle control method and apparatus
CN113724490B (en) Road congestion detection method
CN113902427B (en) Method, device and equipment for determining estimated arrival time and storage medium
CN113610059B (en) Vehicle control method and device based on regional assessment and intelligent traffic management system
CN115493599A (en) Safety-based aircraft path planning method

Legal Events

Date Code Title Description
A201 Request for examination
E902 Notification of reason for refusal
E701 Decision to grant or registration of patent right
GRNT Written decision to grant