TWI591492B - Energy consumption estimation system and method - Google Patents
Energy consumption estimation system and method Download PDFInfo
- Publication number
- TWI591492B TWI591492B TW105142008A TW105142008A TWI591492B TW I591492 B TWI591492 B TW I591492B TW 105142008 A TW105142008 A TW 105142008A TW 105142008 A TW105142008 A TW 105142008A TW I591492 B TWI591492 B TW I591492B
- Authority
- TW
- Taiwan
- Prior art keywords
- vehicle
- information
- energy consumption
- algorithm
- energy
- Prior art date
Links
- 238000005265 energy consumption Methods 0.000 title claims description 162
- 238000000034 method Methods 0.000 title claims description 85
- 108090000623 proteins and genes Proteins 0.000 claims description 171
- 238000004422 calculation algorithm Methods 0.000 claims description 145
- 230000006870 function Effects 0.000 claims description 118
- 238000007405 data analysis Methods 0.000 claims description 108
- 230000006399 behavior Effects 0.000 claims description 104
- 239000011159 matrix material Substances 0.000 claims description 103
- 238000004458 analytical method Methods 0.000 claims description 59
- 238000004891 communication Methods 0.000 claims description 56
- 238000011156 evaluation Methods 0.000 claims description 33
- 230000035772 mutation Effects 0.000 claims description 27
- 230000006978 adaptation Effects 0.000 claims description 25
- 210000000349 chromosome Anatomy 0.000 claims description 21
- 230000005540 biological transmission Effects 0.000 claims description 19
- 101150012509 sub gene Proteins 0.000 claims description 15
- 230000013011 mating Effects 0.000 claims description 14
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 claims description 10
- 238000012546 transfer Methods 0.000 claims description 10
- 230000003044 adaptive effect Effects 0.000 claims description 9
- 238000013528 artificial neural network Methods 0.000 claims description 6
- 238000001514 detection method Methods 0.000 claims description 5
- 230000005611 electricity Effects 0.000 claims description 5
- 239000003345 natural gas Substances 0.000 claims description 5
- 230000002068 genetic effect Effects 0.000 claims description 4
- 238000012886 linear function Methods 0.000 claims description 3
- 108700005078 Synthetic Genes Proteins 0.000 claims 1
- 230000008774 maternal effect Effects 0.000 claims 1
- 239000013589 supplement Substances 0.000 claims 1
- 230000009469 supplementation Effects 0.000 claims 1
- 239000003502 gasoline Substances 0.000 description 50
- 238000010586 diagram Methods 0.000 description 26
- 239000000446 fuel Substances 0.000 description 14
- 238000004364 calculation method Methods 0.000 description 12
- 239000008186 active pharmaceutical agent Substances 0.000 description 9
- 230000000153 supplemental effect Effects 0.000 description 5
- 238000012937 correction Methods 0.000 description 3
- 239000002828 fuel tank Substances 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 229930091051 Arenine Natural products 0.000 description 2
- 108091028043 Nucleic acid sequence Proteins 0.000 description 2
- 238000004043 dyeing Methods 0.000 description 2
- -1 electric power Substances 0.000 description 2
- 238000007667 floating Methods 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 230000000737 periodic effect Effects 0.000 description 2
- 101150082072 14 gene Proteins 0.000 description 1
- 101150090724 3 gene Proteins 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 108091008053 gene clusters Proteins 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000010186 staining Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001502 supplementing effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0637—Strategic management or analysis, e.g. setting a goal or target of an organisation; Planning actions based on goals; Analysis or evaluation of effectiveness of goals
- G06Q10/06375—Prediction of business process outcome or impact based on a proposed change
-
- 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
- G06Q10/08—Logistics, e.g. warehousing, loading or distribution; Inventory or stock management
- G06Q10/083—Shipping
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Strategic Management (AREA)
- Operations Research (AREA)
- Physics & Mathematics (AREA)
- Development Economics (AREA)
- Marketing (AREA)
- Educational Administration (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Theoretical Computer Science (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Game Theory and Decision Science (AREA)
- Traffic Control Systems (AREA)
- Navigation (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Description
本發明有關於一種能源消耗估計系統及方法,特別是一種蒐集複數車輛設備及使用者設備的能源消耗資訊,並綜合考量以瞭解各種駕駛行為對能源消耗的影響。
根據台灣經濟研究院之研究分析報告指出在汽車貨運業和汽車客運業的成本結構比中,燃油料成本皆佔24%~29%,係為主要成本因子之一,尤其反應在汽車貨運業上,其燃油料成本更高於薪資及福利津貼成本,位居成本結構中的第一名,有鑒於此,若能發展出一種能監控燃油料消耗的系統及方法,將能有效地對應此一問題。
先前技術中,雖有利用歷史資料之車輛種類、油表電壓、行車速度來取得並校正油量值的技術,亦有利用偵測電瓶電壓並用以運算出車輛油耗的技術,或是診斷油箱的回饋油量數據的技術等等;然而,其各自皆缺少有效的回饋方法,或是無法透過路網的車流狀況、駕駛人差異等等因素來綜合估計貨運業所需的燃油料成本,顯各有其缺失,仍待加以改良。
而本發明透過複數車輛設備及使用者設備蒐集能源消耗資訊,並根據各種因素和演算法綜合估計各種駕駛
行為對能源消耗的影響,係一種極為有效之能源消耗估計系統及方法。
為了解決先前技術無法綜合考量行車時的各種因素對能源消耗的影響,本發明提供一種能源消耗估計系統,至少包含複數個車輛設備、複數個使用者設備、一資料分析伺服器設備、以及一資料庫設備。
其中,本發明的各該車輛設備可傳送時間資訊和車速資訊至該資料分析伺服器設備,並由駕駛人於各該使用者設備輸入關於補充的能源資訊並傳送至該資料分析伺服器設備,該資料分析伺服器設備則可以傳來的資料儲存至該資料庫設備,再由資料分析伺服器設備計算每個駕駛行為消耗的能源數量。
其中,各該車輛設備各自至少包含有一定位模組、一中介軟體模組以及一通訊模組;該定位模組係支援全球定位系統(Global Positioning System,GPS)或無線網路訊號定位等定位方法,使各該車輛設備可經由此模組取得位置資訊和車速資訊;該中介軟體模組可以支援超文本傳輸協定(HyperText Transfer Protocol,HTTP)、或訊息序列遙測傳輸(Message Queuing Telemetry Transport,MQTT)或受限應用協定(Constrained Application Protocol,CoAP)等傳輸協定其中至少一種,使各該車輛設備可經由各自的該中介軟體模組再經由該通訊模組與該資料分析伺服器設備介接,以傳送車輛設備資訊至該資料分析伺服器設備,所述車輛設備資訊可包含車輛編號、車輛型號、駕駛人編號、時間資訊、位置資訊、
車速資訊等;而該通訊模組係可支援無線網路傳輸,以建立各該車輛設備與該資料分析伺服器設備之間的通訊。
另外,各該車輛設備可選擇性地包含一能源偵測裝置,該能源偵測裝置可偵測所屬各該車輛設備所設置車輛所具有的能源資訊,能源資訊可以是關於汽油、電力、天然氣等等,所述的能源資訊可以被一併包含於車輛設備資訊中,並經由該中介軟體模組和該通訊模組傳送至該資料分析伺服器設備。
其中,本發明的各該使用者設備各自至少包含一使用者介面、一中介軟體模組、以及一通訊模組;該使用者介面係提供駕駛人操作各該使用者設備,以輸入補充能源的車輛編號、時間資訊及補充數量等與補充能源相關的能源資訊,以及顯示駕駛人向該資料分析伺服器設備查詢的分析結果;該中介軟體模組可以支援超文本傳輸協定、或訊息序列遙測傳輸或受限應用協定等等傳輸協定其中至少一種,而各該使用者設備係透過該中介軟體模組再經由該通訊模組與該資料分析伺服器設備介接,以傳送其補充的能源資訊至該資料分析伺服器設備,能源資訊可以是關於補充汽油、電力、天然氣等等;而該通訊模組可以支援網路傳輸,以建立各該使用者設備與該資料分析伺服器設備之間的通訊。
其中,本發明的該資料庫設備至少包含一儲存模組、一運算模組和一通訊模組;該通訊模組係用以建立該資料庫設備與該資料分析伺服器設備之間的通訊;而該運算模組係經由該通訊模組接收來自該資料分析伺服器設備的要求,並依要求存取該儲存模組;而該儲存模組係與該運算模組介接,以提供新增、修改、刪除、查詢等操作。
其中,本發明的該資料分析伺服器設備至少包含一中介軟體模組、一通訊模組、以及一最佳組合分析模組;該中介軟體模組可以支援超文本傳輸協定、或訊息序列遙測傳輸、或受限應用協定等傳輸協定中至少一種,而該資料分析伺服器設備係經由該中介軟體模組和通訊模組來與各該車輛設備及各該使用者設備介接,才得以接收各該車輛設備傳送來的車輛設備資訊和接收各該使用者設備傳送的能源資訊等等,並將接收到的車輛設備資訊和能源資訊儲存至該資料庫設備;該通訊模組係用以建立該資料分析伺服器設備與各該車輛設備、各該使用者設備以及該資料庫設備之間的通訊;而該最佳組合分析模組係用以執行一最佳組合分析演算法,來分析出各種駕駛行為消耗的能源數量,所述的駕駛行為主要係為車速資訊。
另外,本發明的該資料分析伺服器設備可選擇性地包含一績效評估模組;該績效評估模組可執行績效評估演算法,以分析不同駕駛人、不同車輛設備、以及不同駕駛行為所消耗的能源數量,來評選出能源消耗最低的解決方案;而該資料分析伺服器設備亦可選擇性地包含一最佳路線規劃模組,該最佳路線規劃模組係用以執行一最佳路線規劃演算法,以分析其他各該車輛設備的移動狀況、即時路況、預測路況等資訊,再計算每個路段移動所需能源消耗數量,並規劃最少能源消耗的路線。
相對應地,本發明亦提供了一種能源消耗估計方法,其係由該資料分析伺服器設備執行至少包含下列步驟:1.執行一收集駕駛行為演算法,其係由複數車輛設備回報複數車輛設備資訊至該資料分析伺服器設備,再由
該資料分析伺服器設備分析傳來的各該車輛設備資訊,並將各該車輛設備資訊儲存至一資料庫設備,且該資料分析伺服器設備將計算一時段區間內各該車輛設備所對應的每種車輛型號、每個道路類型、每位駕駛人的一駕駛行為數量;2.執行一收集能源資訊演算法,係由複數使用者設備回報補充的能源資訊至該資料分析伺服器設備,或由各該車輛設備所包含的能源偵測裝置偵測裝設車輛的能源資訊後再回報能源資訊至該資料分析伺服器設備,再由該資料分析伺服器設備分析能源資訊,並將能源資訊儲存至該資料庫設備,且該資料分析伺服器設備將計算該時段區間內各該車輛設備所對應的每個車輛型號、每個道路類型、每位駕駛人的一能源消耗數量;3.執行一最佳組合分析演算法,其係由該資料分析伺服器設備包含的一最佳組合分析模組取得該駕駛行為數量以及該能源消耗數量,再執行一基因演算法分析各種駕駛行為所導致的能源消耗數量,以輸出一駕駛行為能源消耗估計資訊集合。
其中,該最佳組合分析演算法係由該最佳組合分析模組執行至少包含下列步驟:1.建立一初始資料,該初始資料包含該駕駛行為數量、該能源消耗數量、一母群基因序列數量、一演化次數、一迭帶次數、一交配率以及一突變率;2.執行一適應函式產生演算法,以產生一適應函式用以計算基因序列的分數,該基因序列包含複數染色體;3.執行一基因序列產生演算法,依據該適應函式所需之
各該染色體數量產生基因序列,並依該母群基因序列數量來產生母群的複數基因序列;4.執行一基因序列分數計算演算法,將各該基因序列輸入至該適應函式,以計算各該基因序列的分數;5.判斷經該基因序列分數計算演算法後是否已收斂,即為當判斷該演化次數等於該迭帶次數時,則輸出一最佳基因序列,該最佳基因序列即係該駕駛行為能源消耗估計資訊集合,若判斷該演化次數小於該迭帶次數時,則將演化次數加一;6.執行一基因序列選擇演算法,複製各該基因序列中的兩序列,以形成兩個母基因序列;7.執行一基因序列交配演算法,根據該交配率將各該母基因序列進行交配,以產生兩個第一代子基因序列;8.執行一基因序列突變演算法,根據該突變率將各該第一代子基因序列突變,以形成兩個第二代子基因序列;9.再將新產生的各該第二代子基因序列取代母群中對應各該母基因序列的兩序列,其中,被取代的各該基因序列係分別對應於兩個最劣分數;以及10.再反覆執行該基因序列分數計算演算法以計算母群中其他各該基因序列的分數以嘗試取代。
其中,該適應函式產生演算法可產生一多元線性函式作為適應函式或產生一神經網路作為適應函式。
其中,該最佳組合分析演算法中的該基因序列突變演算法係以一動力法來修正各該染色體,該動力法係參考各該基因序列被代入該適應函式計算後所得出之分數來進行
修正。
其中,該最佳組合分析演算法中的該基因序列產生演算法本身包含下列步驟:1.依據該駕駛行為數量和該能源消耗數量建立複數目標函式;2.隨機產生各該目標函式之複數參數值,並計算各該目標函式以產生各該目標函式的誤差值;3.根據各該目標函式的誤差值修正各該目標函式的各該參數值之最佳解;4.輸出各該目標函式參數值之最佳解至其他各該目標函式,並重新計算各該目標函式的誤差值;以及5.判斷各該目標函式的誤差值是否低於一收斂門檻值,若低於,則輸出誤差最小之參數值組合,若高於,則根據各該目標函式的誤差值修正各該目標函式之各該參數值之最佳解,並輸出各該目標函式的各該參數值之最佳解至其他各該目標函式及重新計算各該目標函式的誤差值,以持續計算直至低於該收斂門檻值。
而本發明所提供的能源消耗估計方法,其步驟更可選擇性地包含:執行一績效評估演算法,其係由該資料分析伺服器設備包含的一績效評估模組向該最佳組合分析模組取得該駕駛行為能源消耗估計資訊集合,並由該績效評估模組執行一階層分析方法,以選擇不同的特徵要素來計算各個解決方案的分數,再篩選出對應於一最佳分數的一最佳解決方案。
其中,該績效評估演算法係由該績效評估模組執行至少包含下列步驟:
1.選擇至少一特徵要素,該特徵要素包含各該車輛設備所屬的車輛型號、道路類型、以及駕駛人;2.建構層級結構,依據選擇的各該特徵要素來設定各該特徵要素的上層及下層關聯結構;3.執行一成對比較矩陣產生演算法,以依據每個層級結構設定的各該特徵要素來產生成對比較矩陣;4.計算特徵值與特徵向量,運用一數值分析演算法計算成對比較矩陣以找出每個層級中各該特徵要素的特徵向量矩陣;5.選擇解決方案,依各該特徵要素的特徵向量矩陣產生每個解決方案的分數,再篩選對應於該最佳分數的該最佳解決方案。
其中,該成對比較矩陣產生演算法可以透過三種方法來生成對比較矩陣:1.統計每個層級結構設定的各該特徵要素之數值,並依數值的比例來產生成對比較矩陣;2.運用距離函數或相似度函數計算每個層級結構設定的各該特徵要素之數值,並依數值來產生成對比較矩陣;3.運用模糊歸屬函數計算每個層級結構設定的各該特徵要素之數值,並依數值來產生成對比較矩陣。
而本發明所提供的能源消耗估計方法,其步驟更可選擇性地包含:執行一最佳路線規劃演算法,該最佳路線規劃演算法係由該資料分析伺服器設備包含的一最佳路線規劃模組向該最佳組合分析模組取得該駕駛行為能源消耗估計資訊集合,並由該最佳路線規劃模組向一外部交通資訊伺服
器取得路況資訊,路況資訊包含各個路段的長度、車速及旅行時間等,再根據該駕駛行為能源消耗估計資訊集合估計出於各路段移動的能源消耗數量,再以各該路段移動的能源消耗數量作為路段的移動成本,以最短路徑法來計算最低移動成本之路段組合。
另外,該最佳路線規劃模組更可以透過其他各該車輛設備估計路段上的其他車輛的路段移動成本,移動成本係為空間距離或旅行時間,再運用最短路徑法為其他車輛計算移動成本以取得其他車輛各自的最低成本路徑,該最佳路線規劃模組並以其他車輛各自的最低成本路徑作為調整因素,以為個別的各該車輛設備計算路段上最低移動成本之路段組合。
1‧‧‧車輛設備
10‧‧‧通訊模組
12‧‧‧中介軟體模組
14‧‧‧定位模組
16‧‧‧能源偵測裝置
2‧‧‧使用者設備
20‧‧‧通訊模組
22‧‧‧中介軟體模組
24‧‧‧使用者介面
3‧‧‧資料分析伺服器設備
30‧‧‧通訊模組
32‧‧‧中介軟體模組
34‧‧‧最佳組合分析模組
36‧‧‧績效評估模組
38‧‧‧最佳路規劃模組
4‧‧‧資料庫設備
40‧‧‧通訊模組
42‧‧‧運算模組
44‧‧‧儲存模組
S5‧‧‧步驟流程
S51~S57‧‧‧步驟流程
S530~S540‧‧‧步驟流程
S5310~S5315‧‧‧步驟流程
S550~S554‧‧‧步驟流程
S571~S578‧‧‧步驟流程
圖1為本發明之能源消耗估計系統的第一實施例系統架構圖。
圖2為本發明之能源消耗估計系統的第二實施例系統架構圖。
圖3為本發明之能源消耗估計系統的第三實施例系統架構圖。
圖4為本發明之能源消耗估計系統的第四實施例系統架構圖。
圖5為本發明之能源消耗估計方法的步驟流程圖。
圖6為本發明之最佳組合分析演算法的步驟流程圖。
圖7為本發明適應函式產生演算法的一實施例示意圖。
圖8為本發明適應函式產生演算法的另一實施例示意圖。
圖9為本發明的步驟基因序列產生演算法之步驟流程圖。
圖10為本發明之能源消耗估計方法的另一步驟流程圖。
圖11為本發明之績效評估演算法的步驟流程圖。
圖12為本發明之績效評估演算法的一階層結構示意圖。
圖13為本發明之績效評估演算法的一階層結構示意圖。
圖14為本發明之能源消耗估計方法的另一步驟流程圖。
圖15為本發明之最佳路線規劃演算法之步驟流程圖。
圖16為本發明之最佳路線規劃演算法實施例的一路網資訊示意圖。
圖17為本發明之最佳路線規劃演算法實施例的一路網資訊示意圖。
圖18為本發明之最佳路線規劃演算法實施例的一路網資訊示意圖。
圖19為本發明之最佳路線規劃演算法實施例的一路網資訊示意圖。
圖20為本發明之最佳路線規劃演算法之另一步驟流程圖。
圖21為本發明之最佳路線規劃演算法實施例的一路網資訊示意圖。
圖22為本發明之最佳路線規劃演算法實施例的一路網資訊示意圖。
圖23為本發明之最佳路線規劃演算法實施例的一路網資訊示意圖。
為使本發明的目的、技術方案及優點更加清楚明白,下面將結合附圖及實施例,對本發明進行進一步詳細說明;應當理解,此處所描述的具體實施例僅用以解釋本發明,但並不用於限定本發明。
請參閱圖1,係為本發明之能源消耗估計系統的第一實施例系統架構圖,其中,本能源消耗估計系統包含複數個車輛設備1(避免圖式繁雜,圖中僅見其中之一)、複數個使用者設備2(避免圖式繁雜,圖中僅見其中之一)、一資料分析伺服器設備3以及一資料庫設備4。
車輛設備1可以傳送關於其設置車輛的時間資訊和車速資訊等車輛設備資訊至資料分析伺服器設備3,並由駕駛人於使用者設備2輸入能源資訊,再傳送至資料分析伺服器設備3,資料分析伺服器設備3則可以將資料儲存至資料庫設備4,再由資料分析伺服器設備3執行本發明的能源消耗估計方法來計算每個駕駛行為消耗的能源量。
在此實施例中,該車輛設備1包含一通訊模組10、一中介軟體模組12以及一定位模組14,其中,該通訊模組10可支援4G(長期演進技術Long Term Evolution,LTE)通訊技術,使該車輛設備1可經由該通訊模組10連結4G網路,並建立與資料分析伺服器設備3的通訊;該中介軟體模組12可支援超文本傳輸協定和具象狀態傳輸(Representational State Transfer,REST),該車輛設備1可經由該中介軟體模組12呼叫資料分析伺服器設備3的應用程式介面(Application Program Interfaces,APIs),並將車輛設備資訊以週期性或非週期性的方式傳送至該資料分析伺服器設備3,車輛設備資訊可
以包含車輛編號、車輛型號、駕駛人編號、時間資訊、位置資訊或車速資訊等等;而該定位模組14可支援全球定位系統,以使車輛設備1經經由衛星訊號取得位置資訊和車速資訊。
而在此實施例中,共有C N 台車輛設備、T N 種車輛型號、D N 位駕駛人,而屬於其中的該車輛設備1具有專屬的一車輛編號、一車輛型號以及一使用者編號,該車輛設備1可每隔30秒傳送一次車輛設備資訊至資料分析伺服器設備3,且車輛設備1更包含了一身份識別裝置,使該車輛設備1的駕駛人(即使用者)可將其身份識別證件插入該身份識別裝置,以取得駕駛人身份資訊,如下表一的範例所示;例如:第一駕駛人於2015/01/01駕駛車輛編號第一之車輛,該車輛設置的車輛設備的車輛型號為第一種車輛型號,並且該車輛設備可經由其定位模組於06:00:00取得該車輛設備的位置資訊(即經度102.5423383度和緯度24.09490167度)和車速資訊(即時速44公里/小時),並經由所屬中介軟體模組呼叫資料分析伺服器的REST APIs,以將車輛設備資訊傳送至資料分析伺服器。
以下為表一:
請繼續參閱圖1,其中,該使用者設備2包含一通訊模組20以及一中介軟體模組22,更包含提供使用者操作的使用者介面24,在此實施例中,該使用者設備2可以係為一種駕駛人所屬的智慧型手機、平板電腦、個人電腦或筆記型電腦;該通訊模組20可支援無線網路傳輸或有線網路傳輸,用以建立使用者設備2與資料分析伺服器設備3之間的通訊。在此實施例中,該通訊模組可支援4G通訊,該使用者設備3可經由該通訊模組20連結4G網路,並建立與該資料分析伺服器設備3的通訊;而該中介軟體模組22可支援超文本傳輸協定和具象狀態傳輸,該使用者設備2可經由該中介軟體模組22呼叫該資料分析伺服器設備3的REST APIs,並將駕駛人於使用者介面24輸入之該車輛編號、該時間資訊以及補充的能源資訊經由中介軟體模組22傳送至該資料分析伺服器設備3,並可接收分析結果;而使用者介面24則可以提供使用者操作該使用者設備輸入上述資訊,並可向資料分析伺服器設備3查詢分析結果,再於該使用者介面24展示分析結果。
其中,在此實施例中,駕駛人可以非週期性地操作該使用者設備2,以經由使用者介面24輸入車輛編號、時間資訊及補充的油量資訊,再經由該中介軟體模組22傳送車輛編號、該時間資訊及油量資訊至資料分析伺服器設備3,如下表二之範例所示;例如,車輛編號第一之車輛設備於
2015/01/05 18:51:00加油43.04公升,駕駛人依加油發票資訊操作使用者設備2,經由該使用者介面24輸入車輛編號(即車輛編號第一)、時間資訊(即2015/01/05 18:51:00)及油量資訊(即43.04公升),該中介軟體模組22呼叫該資料分析伺服器設備3的REST APIs,將輸入之車輛編號、時間資訊及即油量資訊傳送至該資料分析伺服器設備3。
以下為表二:
可選擇地,在此實施例中,駕駛人可以非週期性地操作該使用者設備2,以經由使用者介面24輸入車輛編號、時間資訊及補充的電量資訊,再經由該中介軟體模組22傳送車輛編號、該時間資訊及電量資訊至資料分析伺服器設備3,如下表三之範例所示;例如,車輛編號第二之車輛於2015/01/05 12:50:00充電17.22度(千瓦小時(1kWh)),駕駛人依充電資訊操作該使用者設備2,經由該使用者介面24輸入車輛編號(即車輛編號第二)、時間資訊(即2015/01/05 12:50:00)及電量資訊(即17.22度),且該中介軟體模組22呼叫資料分析伺服器設備3的REST APIs,將輸入之車輛編號、時間資訊及電量資訊傳送至該資料分析伺服器設備3。
以下為表三:
其中,資料分析伺服器設備3包含一通訊模組30、一中介軟體模組32以及一最佳組合分析模組34;在此實施例中,該資料分析伺服器設備3可支援Linux作業系統、微軟Windows作業系統等,並可於所屬作業系統上建置網路服務伺服器;該通訊模組30可支援有線網路傳輸,以建立車輛設備1、使用者設備2、資料庫設備4與資料分析伺服器設備3之間的通訊;而該中介軟體模組32係採用Tomcat網路服務伺服器實作,以建置複數個REST APIs供車輛設備1和使用者設備2介接,其可經由超文本傳輸協定接收車輛設備1傳送的車輛設備資訊和接收使用者設備2傳送關於補充的能源資訊等,並將接收到的車輛設備資訊和能源資訊儲存至資料庫設備4,其中,車輛設備資訊可以包含車輛編號、車輛型號、駕駛人編號、時間資訊、位置資訊或車速資訊等。
而最佳組合分析模組34則可執行最佳組合分析演算法,根據蒐集的車輛設備資訊以及補充的能源資訊來分析出各種駕駛行為消耗的能源數量,再將各種駕駛行為消耗的能源數量儲存至該資料庫設備4,並產生一駕駛行為能源消耗估計資訊集合,其中,所述的駕駛行為主要係為車速資訊。
另外,該資料分析伺服器設備3更可以經由該中介軟體模組32與外部的地理資訊伺服器介接,以其REST
APIs詢問外部地理資訊伺服器來取得車輛設備資訊以及該車輛設備1的位置資訊所對應的道路類型,再將道路類型與車輛設備資訊合併為修改後之車輛設備資訊,並將修改後之車輛設備資訊儲存至資料庫設備4,所述的外部地理資訊伺服器可以是Google Map伺服器或中華電信GeoWeb地圖伺服器等等,修改的範例如下表四所示。
以下為表四:
請繼續參閱圖1,該資料庫設備4包含一通訊模組40、一運算模組42以及一儲存模組44;在此實施例中,該資料庫設備4係採用微軟結構化查詢語言(Structural Query Language,SQL)伺服器、MySQL、PostgreSQL、甲骨文資料庫伺服器、MongoDB伺服器、HBase伺服器等來實作;而該通
訊模組40可支援有線網路傳輸,以建立資料庫設備4與資料分析伺服器設備3之間的通訊;該運算模組42可經由通訊模組40接收資料分析伺服器設備3所傳送的要求以存取該儲存模組44;而該儲存模組44係與運算模組42介接,來提供新增、修改、刪除、查詢等操作,該儲存模組44將可儲存車輛編號和車輛型號對照表(如下表五所示)、修改後車輛設備資訊(如上表四所示)、油量消耗資訊(如上表二所示)以及電量消耗資訊等(如上表三所示);其中,當新增車輛設備時,可由系統管理者登錄新增車輛設備對應的車輛編號和車輛型號至該車輛編號和車輛型號對照表,且該車輛編號和車輛型號對照表可提供該資料分析伺服器設備3查詢建立修改後車輛設備資訊。
以下為表五:
再請參照圖2,係為本發明之能源消耗估計系統的第二實施例系統架構圖,其中,系統架構如第一實施例相同地包含複數個車輛設備1、複數個使用者設備2、一資料分析伺服器設備3以及一資料庫設備4;然而,在本實施例中,該車輛設備1額外地包含一能源偵測裝置16,該能源偵測裝置16可偵測車輛設備1所設置車輛的能源資訊,能源資訊可以係油量、電量或天然氣量等等資訊,蒐集的能源資訊將被包含於車輛設備資訊中以傳送至資料分析伺服器設備3。
其中,該能源偵測裝置16可週期性或非週期性
地偵測所屬車輛的油量,再經由該中介軟體模組12傳送所屬車輛的車輛編號、時間資訊及油量資訊至資料分析伺服器設備3,如下表六所示;例如,車輛編號第三之車輛設備於2015/01/01 06:00:00之前,其能源偵測裝置16偵測到油箱剩餘油量為4公升,並在2015/01/01 06:00:00時偵測到油箱剩餘油量為3.973公升,即可計算得到消耗的油量係為0.027公升,再將車輛編號、時間資訊及油量資訊經由中介軟體模組12傳送至該資料分析伺服器設備3。
以下為表六:
可選擇地,在本實施例中,該能源偵測裝置16亦可週期性或非週期性地偵測所屬車輛的電量,再經由該中介軟體模組12傳送所屬車輛的車輛編號、時間資訊及電量資訊等能源資訊至資料分析伺服器設備3,如下表七所示;在此實施例中,車輛編號第四之車輛設備1於2015/01/01 06:00:00時,其所屬能源偵測裝置16偵測到其車輛在2015/01/01 05:59:30到2015/01/01 06:00:00之間總共消耗了0.013度(千瓦小時1kWh),即可紀錄消耗的電量資訊係0.013度,再將車輛編號、時間資訊及電量資訊經由中介軟體模組12傳送至該資料分析伺服器設備3。
以下為表七:
其中,在此實施例中,駕駛人即可不需經由該使用者設備2傳輸能源資訊至資料分析伺服器設備3,由車輛設備1的能源偵測裝置16來擷取能源資訊並傳輸即可。
再請參照圖3,係為本發明之能源消耗估計系統的第三實施例系統架構圖,其中,系統架構如第一實施例相同地包含複數個車輛設備1、複數個使用者設備2、一資料分析伺服器設備3以及一資料庫設備4;然而,在本實施例中,該資料分析伺服器設備3額外地包含一績效評估模組36。
在此實施例中,資料分析伺服器設備3中的最佳組合分析模組34可執行最佳組合分析演算法,以收集該車輛設備1所傳送之車輛設備資訊及該使用者設備2所傳送之能源資訊,根據駕駛人行為分類計算出個別駕駛人的各種駕駛行為消耗的能源數量,或可以根據車輛設備1為分類以分別計算出車輛設備上的各種駕駛行為消耗的能源數量,或可以依道路類型為分類計算出各種道路類型上各種駕駛行為消耗的能源數量,並將各種駕駛行為消耗的能源數量提供給該績效評估模組36以分析。
其中,該績效評估模組36係執行績效評估演算法,以依據產生的該駕駛行為能源消耗估計資訊集合來分析在不同駕駛人、不同車輛設備、不同道路類型的狀況下各種駕駛行為所消耗的能源數量,並評選出能源消耗最低的解決方案;其中,解決方案可以係為駕駛人,即係由績效評估模組36執行該績效評估演算法以得到各駕駛人的分數,再依該分數評選出能源消耗最低的駕駛人;或是,解決方案亦可以係為車輛設備,即係由績效評估模組36執行績效評估演算法以得到每個車輛設備1的分數,再依該分數評選出能源消耗
最低的車輛設備1。
再請參照圖4,係為本發明之能源消耗估計系統的第四實施例系統架構圖,其中,系統架構如第一實施例相同地包含複數個車輛設備1、複數個使用者設備2、一資料分析伺服器設備3以及一資料庫設備4;然而,在本實施例中,該資料分析伺服器設備3額外地包含一最佳路線規劃模組38。
在此實施例中,資料分析伺服器設備3中的最佳組合分析模組34可執行最佳組合分析演算法,以收集該車輛設備1所傳送之車輛設備資訊及該使用者設備2所傳送之能源資訊,以計算出駕駛人的各種駕駛行為(主要為車速)消耗的能源數量,並將各種駕駛行為消耗的能源數量提供給該最佳路線規劃模組38以分析。
其中,該最佳路線規劃模組38可執行最佳路線規劃演算法,該最佳路線規劃模組38係經由該中介軟體模組30與外部的交通資訊伺服器介接,方能以REST APIs詢問外部交通資訊伺服器以取得路況資訊,再根據產生的該駕駛行為能源消耗估計資訊集合估計出車輛的各路段移動能源消耗,接著以各路段移動能源消耗用作最短路徑法的路段成本,以計算最低成本的路段組合,所述外部的交通資訊伺服器可以是國道高速公路局開放資料伺服器、公路總局開放資料伺服器、各縣市政府開放資料伺服器或中華電信交通資訊伺服器,而所述路況資訊包含各個路段的長度、車速、及旅行時間。
在本實施例中,路況資訊可以是即時路況資訊室或預測路況資訊,則該最佳路線規劃模組38即可以依據即時路況資訊或預測路況資訊,再加上該駕駛行為能源消耗估計
資訊集合來估計出車輛的各路段移動能源消耗,進而計算出最低成本之路段組合;另外,該最佳路線規劃模組38更可以預測他人移動路線,以於瞭解他人移動的可能路線之狀況下重新計算路況資訊,再進而計算最低成本之路段組合。
再請參閱圖5,係為本發明之能源消耗估計方法的步驟流程圖,本發明之能源消耗估計方法S5係由資料分析伺服器設備來執行,其步驟分為步驟S51收集駕駛行為演算法、S52收集能源資訊演算法以及S53最佳組合分析演算法;其中,步驟S51之收集駕駛行為演算法,其步驟包含由車輛設備回報車輛設備資訊至資料分析伺服器設備,再由該資料分析伺服器設備分析車輛設備資訊,以計算一時段區間內每台車輛設備、每個車輛型號、每個道路類型、每位駕駛人之各種駕駛行為數量,並將該車輛設備資訊儲存至資料庫設備;其中,步驟S52的收集能源資訊演算法,其步驟包含由使用者設備回報能源資訊至資料分析伺服器設備或由車輛設備能源偵測裝置偵測能源資訊後回報至資料分析伺服器設備,再由資料分析伺服器設備分析能源資訊,再由資料分析伺服器設備計算一時段區間內每台車輛設備、每個車輛型號、每個道路類型、每位駕駛人之能源消耗數量;最後,步驟S53的該最佳組合分析演算法,其步驟包含由最佳組合分析模組取得駕駛行為數量和能源消耗數量,再由最佳組合分析模組透過基因演算法分析各種駕駛行為的能源消耗數量,以輸出一駕駛行為能源消耗估計資訊集合。
其中,由能源消耗估計模組執行該收集駕駛行為演算法,取得該修改後車輛設備資訊(如上表四所示),再依車輛設備、車輛型號、駕駛人、道路類型等等,統計各種駕駛
行為數量,其中,駕駛行為主要為車速資訊,在此實施例中,將車速定義為v,並以10公里的時速區間以作為駕駛行為的區隔;其中,自修改後車輛設備資訊中,統計2015年各台車輛設備的各種駕駛行為數量之範例,如下表八所示;其中,表格閱讀方式如下所述,共有C N 個車輛設備號碼,第一個車輛設備於2015年回報之車速資訊為0公里/小時的資料筆數共計有筆、車速資訊介於0~10公里/小時的資料筆數共計有筆、…、車速資訊大於120公里/小時的資料筆數共計有筆;依此類推,可知第C N 個車輛設備於2015年回報之車速資訊為0公里/小時的資料筆數共計有筆、…、車速資訊大於120公里/小時的資料筆數共計有筆等。
以下為表八:
其中,自修改後車輛設備資訊中,統計2015年各類車輛型號的各種駕駛行為數量之範例,如下表九所示;其中,表格閱讀方式如下所述,共有T N 種車輛型號,第一種車輛型號於2015年回報之車速資訊為0公里/小時的資料筆數共計有筆、車速資訊介於0~10公里/小時的資料筆數共計有筆、…、車速資訊大於120公里/小時的資料筆數共計有筆;依此類推,第T N 種車輛型號於2015年回報之車速資訊為0公里/小時的資料筆數共計有筆、…、車速資訊大於120公里/小時的資料筆數共計有筆等。
以下為表九:
其中,自修改後車輛設備資訊中,統計2015年各個駕駛人的各種駕駛行為數量之範例,如下表十所示;其中,表格閱讀方式如下所述,共有D N 個駕駛人,第一個駕駛人於2015年回報之車速資訊為0公里/小時的資料筆數共計有筆、車速資訊介於0~10公里/小時的資料筆數共計有筆、…、車速資訊大於120公里/小時的資料筆數共計有筆。依此類推,駕駛人DN於2015年回報之車速資訊為0公里/小時的資料筆數共計有筆、車速資訊介於0~10公里/小時的資料筆數共計有筆、…、車速資訊大於120公里/小時的資料筆數共計有筆等。
以下為表十:
其中,自修改後車輛設備資訊中,統計2015年各種道路類型的各種駕駛行為數量之範例,如下表十一所示;其中,表格閱讀方式如下所述,共有R N 種道路類型,第一種
道路類型於2015年回報之車速資訊為0公里/小時的資料筆數共計有筆、車速資訊介於0~10公里/小時的資料筆數共計有筆、…、車速資訊大於120公里/小時的資料筆數共計有筆。依此類推,道路類型RN於2015年回報之車速資訊為0公里/小時的資料筆數共計有筆、…、車速資訊大於120公里/小時的資料筆數共計有筆等。
以下為表十一:
承上,由資料分析伺服器設備所取得的修改後車輛設備資訊,亦可以綜合考量車輛設備、車輛型號、駕駛人、道路類型等不同因素,來統計各種駕駛行為數量。
其中,自修改後車輛設備資訊中,統計2015年根據各個車輛設備和各駕駛人的各種駕駛行為數量之範例,如下表十二所示;其中,表格閱讀方式如下所述,共有C N 個車輛設備號碼和D N 位駕駛人,第一位駕駛人駕駛第一車輛設備於2015年回報之車速資訊為0公里/小時的資料筆數共計有筆、車速資訊介於0~10公里/小時的資料筆數共計有筆、…、車速資訊大於120公里/小時的資料筆數共計有筆。第二位駕駛人駕駛第一車輛設備於2015年回報之車速資訊為0公里/小時的資料筆數共計有 筆、車速資訊介於0~10公里/小時的資料筆數共計有筆、…、車速資訊大於120公里/小時的資料筆數共計有筆,其餘依此類推。
以下為表十二:
而其餘的車輛型號和道路類型亦可以上述方式作為一種參考因素組合,用以分別統計各種駕駛行為數量。
另外,在統計修改後車輛設備資訊產生各種駕駛行為數量時,不僅可採用年份,亦可採用某一時段區間進行統計,例如年、季、月、週、日、時、分、秒等等;以下以月為例:第一個車輛設備於2015年一月回報之車速資訊為0公里/小時的資料筆數共計有筆、第一個車輛設備於2015年M月回報之車速資訊為0公里/小時的資料筆數共計有筆、且該年度各月份之總和等於該年全年度總和(即),其餘可依此類推。
依據相同邏輯,可統計第一種車輛型號於2015年一月回報之車速資訊為0公里/小時的資料筆數共計有筆、第一種車輛型號於2015年M月回報之車速資訊為0公里/小時的資料筆數共計有筆、且該年度各月份之總和等於該年全年度總和(即),其餘可依此類推。
依據相同邏輯,可統計第一位駕駛人於2015年
一月回報之車速資訊為0公里/小時的資料筆數共計有筆、第一位駕駛人於2015年M月回報之車速資訊為0公里/小時的資料筆數共計有筆、且該年度各月份之總和等於該年全年度總和(即),其餘可依此類推。
依據相同邏輯,可統計第一種道路類型於2015年一月回報之車速資訊為0公里/小時的資料筆數共計有筆、第一種道路類型於2015年M月回報之車速資訊為0公里/小時的資料筆數共計有筆、且該年度各月份之總和等於該年全年度總和(即),其餘可依此類推。
相同邏輯亦適用於利用一個以上的因素時,例如,可統計第一位駕駛人駕駛第一個車輛設備於2015年一月回報之車速資訊為0公里/小時的資料筆數共計有筆、第一位駕駛人駕駛第一個車輛設備於2015年M月回報之車速資訊為0公里/小時的資料筆數共計有筆、且該年度各月份之總和等於該年全年度總和(即),其餘可依此類推。
而其餘的車輛型號和道路類型亦可以上述方式作為一種參考因素組合,用以分別統計各種駕駛行為數量,其表示方式亦屬相同邏輯,在此不再贅述。
再來,將由本發明的資料分析伺服器設備執行收集能源資訊演算法,以向使用者設備取得油量消耗資訊(如上表二範例所示)或電量消耗資訊(如上表三範例所示),並可結合車輛編號和車輛型號對照表(如上表五範例所示)以及修改後車輛設備資訊(如上表四範例所示),依據車輛設備、車輛型號、駕駛人等來蒐集,其可以採用特定的一時段區間來統計能源消耗數量,例如年、季、月、週、日、時、分、秒等等。
另外,資料分析伺服器設備所執行的收集能源資
訊演算法,亦可以直接向車輛設備的能源偵測裝置取得,例如油量消耗資訊(如上表六範例所示)或該電量消耗資訊(如上表七範例所示),並得結合該車輛編號和車輛型號對照表(如上表五範例所示)和該修改後車輛設備資訊(如上表四範例所示),依據車輛設備、車輛型號、駕駛人等來蒐集,其可以採用特定的一時段區間來統計能源消耗數量,例如年、季、月、週、日、時、分、秒等等。
在本實施例中,可利用年份為時間區間來統計能源消耗資訊,所述能源消耗資訊可以是該油量消耗或電量消耗,並分別依車輛設備、車輛型號、駕駛人等進行統計,如下所示。
統計第一個車輛設備於2015年全年度總能源消耗數量為、第N個車輛設備於2015年全年度總能源消耗數量為,表示方式依此類推。
相同邏輯地,統計第一種車輛型號於2015年全年度總能源消耗數量為、第N種車輛型號於2015年全年度總能源消耗數量為,依此類推;其中,若欲計算某一車輛型號的能源消耗數量,即依據車輛編號和車輛型號對照表,取出相同車輛型號的車輛設備之編號,再將取出的車輛設備於時間區間內所對應之能源消耗數量加總,即成為這種車輛型號的能源消耗數量。
其餘的駕駛人和道路類型等,亦可以單一地或綜合地以上述方式來加總,或根據不同時段區間來加總,用以分別統計各種組合下的駕駛行為數量,其表示方式亦屬相同邏輯,在此不再贅述。
接著,在取得駕駛行為數量和能源消耗數量後,
最佳組合分析模組將執行步驟S53的最佳組合分析演算法,其步驟流程請參閱圖6,包含:1.步驟S530建立初始資料:初始資料包含該駕駛行為數量、能源消耗數量、一母群基因序列數量count g 、一演化次數count c 、一迭帶次數count i 、一交配率α、一突變率β;其中,演化次數count c 初始值為0,每執行一次基因演算法,則演化次數加一,直至演化次數count c 等於迭帶次數count i 為止;2.步驟S531適應函式產生演算法:可產生一適應函式用以計算基因序列的分數,基因序列中包含有複數個染色體;3.步驟S532基因序列產生演算法:可依該適應函式所需之染色體數量產生基因序列,並可依母群基因序列數量count g 產生母群之複數個基因序列;4.步驟S533基因序列分數計算演算法:將基因序列輸入至該適應函式,計算該基因序列的分數;5.步驟S534判斷是否收斂:當該演化次數count c 等於該迭帶次數count i ,則進入步驟S535輸出一最佳基因序列,該最佳基因序列即係該駕駛行為能源消耗估計資訊集合;當該演化次數count c 小於該迭帶次數count i ,則將演化次數count c 加上一;6.步驟S535輸出一最佳基因序列;7.步驟S536基因序列選擇演算法複製兩基因序列:複製基因序列其中二者,以形成兩母基因序列8.步驟S537基因序列交配演算法:可根據交配率α,將兩母基因序列進行交配,產生兩第一代子基因序列;
9.步驟S538基因序列突變演算法:可根據突變率β,將兩第一代子基因序列執行突變,而形成兩第二代子基因序列;10.步驟S539將新產生之兩組基因序列取代原先群組中兩組分數最小之基因序列,被取代的基因序列係分別對應於兩最劣分數;11.步驟S540取得兩新基因序列:取得後再運用基因序列分數計算演算法計算取得的基因序列的分數,再執行接續的基因演算步驟。
在此實施例中,最佳組合分析演算法的參數設定如下,初始資料的母群基因序列數量count g 設定為14、演化次數count c 初始值為0、迭帶次數count i 為1000、交配率α為100%、其該突變率β為7%;駕駛行為數量可以如下統計:依車輛設備統計各個駕駛行為數量(如上表八範例所示)、依車輛型號統計各個駕駛行為數量(如上表九範例所示)、依駕駛人統計各個駕駛行為數量(如上表十範例所示)、依道路類型統計各個駕駛行為數量(如上表十一範例所示)、依車輛設備和駕駛人統計各個駕駛行為數量(如上表十二範例所示)、依車輛型號和駕駛人統計各個駕駛行為數量、依車輛設備和道路類型統計各個駕駛行為數量、或依駕駛人和道路類型統計各個駕駛行為數量。
在此實施例中,駕駛行為數量係以車輛設備和駕駛人來統計(如上表十二範例所示),對應地,能源消耗數量即係車輛設備和駕駛人消耗的能源數量,以下,以第i個駕駛人駕駛第j個車輛設備為例:第i個駕駛人駕駛第j個車輛設備於2015年回報
之車速資訊為0公里/小時的資料筆數共計有筆、車速資訊介於0~10公里/小時的資料筆數共計有筆、…、車速資訊大於120公里/小時的資料筆數共計有筆;第i個駕駛人駕駛第j個車輛設備於2015年一月回報之車速資訊為0公里/小時的資料筆數共計有筆、2015年二月回報之車速資訊為0公里/小時的資料筆數共計有筆、…、2015年十二月回報之車速資訊為0公里/小時的資料筆數共計有筆、且該年度各月份之總和等於該年全年度總和(即);第i個駕駛人駕駛第j個車輛設備於2015年全年度總能源消耗數量為、第i個駕駛人駕駛第j個車輛設備於2015年一月總能源消耗數量為、第i個駕駛人駕駛第j個車輛設備於2015年第M月總能源消耗數量為、且該年度各月份之總和等於該年全年度總和(即)。
而在此實施例中,第一個駕駛人駕駛第一個車輛設備其全年度的駕駛行為數量係為一集合,其中,第一個駕駛人駕駛第一個車輛的全年度汽油消耗數量總計為10921.364公升。
而上述的步驟S531適應函式產生演算法,可產生一多元線性函式作為適應函式,該適應函式可用以計算基因序列分數s;請參閱圖7,若以第i個駕駛人駕駛第j個車輛設備為例,該適應函式為,而在本實施例中基因序列分數s越低越為佳,即最佳解為;其中,該基因序列包含14個染色體(即該集合的基數||=14),第一個染色體係為,染色體可為一浮點數編碼,即代表駕駛人第i個駕駛人駕駛第
j個車輛設備其怠速(車速資訊為0公里/小時)所對應的能源消耗數量。
其中,該基因序列產生演算法係依該適應函式所需之染色體數量產生基因序列,並依母群基因序列數量count g 產生母群之複數個基因序列;在此實施例中,母群基因序列數量count g 係為14,染色體數量亦係14,該基因序列產生演算法將隨機產生14個基因序列,該些基因序列皆包含14個染色體,並將該些基因序列作為母群基因序列;以第i個駕駛人駕駛第j個車輛設備為例,該些基因序列表列如下:第一個基因序列係;第
二個基因序列係;其餘可依此類推,如下表十三所示。
母群基因序列係隨機產生,且該些染色體係為浮點數編碼數值,以第一個駕駛人駕駛第一個車輛設備為例,基因序列表列如下表十四所示:
其中,上述的步驟S533基因序列分數計算演算法,可將母群基因序列之各個基因序列輸入至該適應函式,以計算該基因序列分數s;其中,若以第i個駕駛人駕駛第j個車輛設備為例,第一基因序列所對應之基因序列分數係、基因序列h所對應之基因序列
分數係;以第一個駕駛人駕駛第一個車輛設備為例,其母群基因序列之各基因序列所對應之基因序列分數為:s 1=|(103100×0.013249146+66752×0.018487159+…+4×0.551971137)-10921.364|=260.2534752;s 2=|(103100×0.016574516+66752×0.02331678+…+4×0.553625064)-10921.364|=1062.546744;其餘可依此類推。
其中,執行完該基因序列分數計算演算法後判斷演化次數count c 是否等於迭帶次數count i ,若該演化次數count c 等於迭帶次數count i ,則輸出一最佳基因序列,該最佳基因序列係母群基因序列其中之一基因序列且其基因序列對應最佳基因序列分數,該最佳基因序列即係本發明的該駕駛行為能源消耗估計資訊集合;倘若演化次數count i 小於該迭帶次數count i ,則將演化次數count i 加上一,再繼續反覆進行。
在此實施例中,步驟S536的基因序列選擇演算法係一輪盤法(roulette wheel selection),可利用輪盤法複製母群基因序列其中之二,而形成兩母基因序列;若以第一個駕駛人駕駛第一個車輛設備為例,可以挑選第一個基因序列和第二個基因序列,將兩者加以複製成為第一代母基因序列,如下表十五所示:
在此實施例中,步驟S537的基因序列交配演算法可根據交配率α進行單點交配(1-point crossover),並假設交配點(crossover point)φ隨機產生為2,進行兩基因序列交配過程後,第一代母基因序列分別改變為第一代子基因序列(如下表十六所示):
在此實施例中,步驟S538的基因序列突變演算法可根據突變率β,以及隨機產生的一二進制向量(binary vector)η={η1,η2,η3,η4,...,η14},來執行兩基因序列突變過程;若假設η n =1,則基因序列中第n個染色體之數值會變為非原本數值之另一數值,而所述的另一數值係隨機產生的;例如,由上述第一代母基因序列所轉變之第一代子基因序列作為第二代母基因序列(如下表十七所示),並且假設η={1,0,0,0,0,...,0,0},則第二代母基因序列經突變過程後轉變為第二代子基因序列,如下表十八所示。
表十七為:
表十八為:
新產生之兩第二代子基因序列分別取代母群中的基因序列中之二,其中,被取代的基因序列之係對應於兩最劣分數;在此實施例中,以該第一個駕駛人駕駛第一個車輛設備之母群基因序列為例,其第二基因序列對應之基因序列分數係1062.54674、第十四基因序列對應之基因序列分數係1009.53678,該兩基因序列為母群中分數最劣的基因序列,將以兩第二代子基因序列取代母群中的第二及第十四基因序列,取代後結果如下表十九所示:
再執行步驟S533基因序列分數計算演算法計算該演化一回合後的第一個駕駛人駕駛第一個車輛設備之母群基因序列中的兩新增基因序列(即第二基因序列和第十四基因序列),可得該兩新增基因序列對應的基因序列分數:s2=512.663178,s14=183.020039。
在此實施例中,以第一個駕駛人駕駛第一個車輛設備為例,輸出的最佳基因序列係為第十四基因序列,
即第一個駕駛人駕駛第一個車輛的怠速(車速資訊為0公里/小時)行駛30秒的汽油消耗數量係0.012500034公升、第一個駕駛人駕駛第一個車輛車速資訊為0~10公里/小時行駛30秒的汽油消耗數量係0.018487159公升,其餘依此類推。
其中,步驟S538基因序列突變演算法可執行動力法修正染色體,動力法係參考該基因序列代入適應函式計算所得之分數進行修正;以第一個駕駛人駕駛第一個車輛設備為例,該基因序列突變演算法可根據突變率β,再隨機產生一二進制向量(binary vector)η={η1,η2,η3,η4,...,η14},來執行兩基因序列突變過程;假設η n =1,則基因序列中第n個染色體之數值將參考基因序列代入適應函式計算所得之分數進行修正;舉例來說,其第二代母基因序列(如上表十七所示)可以該基因序列突變演算法進行突變,並且假設η={1,0,0,0,0,...,0,0},
其第二代母基因第一序列之第一染色體以及第
二代母基因第二序列之第一染色體可運用下列計算進行突變,則其第二代母基因序列經突變過程後轉變為第二代子基因序列。
上述之步驟S538基因序列突變演算法,亦得設
定一上限值(upper_bound)和一下限值(lower_bound),再參考基因序列代入適應函式計算所得之分數進行修正;舉例來說,以上述突變例子,可運用下列計算進行突變,其第二代母基因序列經突變過程後轉變為第二代子基因序列。
再請參閱圖8,是為本發明適應函式產生演算法的一實施例示意圖,適應函式產生演算法可產生一神經網路作為適應函式,以第i個駕駛人駕駛第j個車輛設備為例,神經網路具有一隱藏層,且隱藏層具有H n 個神經元,該適應函
式為,其中該基因序列分數s在實施例中越低越佳,即最佳解為s=0,基因序列集合
包含(14×H n +H n )個染色體(即該集合的基數,其中,第一個染色體係為,該染色體為一浮點數編碼,可利用基因演算法得到一最佳基因序列,該最佳基因序列對應一最佳基因序列分數s,該最佳基因序列可結合駕駛行為數量來估計能源消耗數量;在此實施例中以一神經網路具有一隱藏層進行說明,但本發明並不以此為限,利用的神經網路亦可以具有複數個隱藏層,
且神經元間的權重值可作為染色體,以此產生複數個基因序列以運算得出一最佳基因序列。
請參閱圖9,係為本發明的步驟S531基因序列產生演算法之步驟流程圖,其中,流程依序為步驟S5310建立複數個目標函式,即為依據駕駛行為數量和能源消耗數量建立複數個目標函式;步驟S5311隨機產生各個目標函式之複數個參數值,並計算各該目標函式,以產生各該目標函式誤差值;步驟S5312計算目標函式的參數值最佳解;步驟S5313輸出參數值最佳解至其他目標函式,並重新計算各該目標函式誤差值;步驟S5314判斷是否收斂,當各該目標函式誤差值低於則進入步驟S5315輸出誤差最小之參數值組合,若各該目標函式誤差值高於該收斂門檻值,則根據誤差值修正各該目標函式參數值最佳解,並輸出各該目標函式參數值最佳解至其他目標函式,及重新計算各該目標函式誤差值,持續計算直到收斂。
上述之各該目標函式可以依據每個月份的駕駛行為數量和能源消耗數量來建立,在此實施例中,第i個駕駛人駕駛第j個車輛設備為例,係以下列方式產生複數個目標函式:第一目標函式:;
第二目標函式:;
.....
第十二目標函式:;
第十三目標函式:;
第十四目標函式:。
在此基因序列產生演算法中,亦可設定一上限值
(upper_bound)和一下限值(lower_bound),第一目標函式中的各該參數可以採用隨機產生一介於該上限值及該下限值間之數值,並於隨機產生該些數值後,再依目標函式計算誤差值和修正該參數之初始值,
,第二至第十四目標函式亦可依此類推修正初始值。
完成初始值計算後,可輸出各該目標函式參數值最佳解至其他各該目標函式,並重新計算各該目標函式誤差值;以第一目標函式為例,其中的參數可運用下列方式重新設定,並且再依目標函式計算誤差值和修正參數。
根據上述的基因序列產生演算法之計算方式,判斷各該目標函式誤差值是否低於一收斂門檻值,當各該目標函式誤差值低於則輸出誤差最小之參數值組合,當各該目標函式誤差值高於該收斂門檻值,則重覆執行參數修正,以根據誤差值修正各該目標函式參數值最佳解,並輸出各該目標函式參數值最佳解至其他目標函式,重新計算各該目標函式
誤差值,持續計算直到該誤差值低於該收斂門檻值。
再請參閱圖10,係為本發明之步驟S5能源消耗估計方法的步驟流程圖,係為本發明之另一實施例,其步驟包含步驟S51收集駕駛行為演算法、步驟S52收集能源資訊演算法、步驟S53最佳組合分析演算法,以及步驟S55績效評估演算法,其中,與先前實施例不同的是步驟S55的績效評估演算法。
請參閱圖11,係為本發明之步驟S55的績效評估演算法之步驟流程圖,其步驟分別為步驟S550的選擇特徵要素,包含車輛設備、車輛型號、道路類型、以及駕駛人,可選擇複數個特徵要素進行績效評估;步驟S551建構層級結構,可依選擇的該些特徵要素,設定特徵因子的上層和下層關聯結構;步驟S552成對比較矩陣產生演算法,以依每個層級設定的特徵要素產生成對比較矩陣;步驟S553計算特徵值與特徵向量,運用數值分析計算各該層級特徵要素的特徵向量矩陣;步驟S554選擇解決方案,依各層級特徵要素特徵向量矩陣產生每個解決方案的分數,再篩選出對應於一最佳分數的最佳解決方案。
其中,關於S55的績效評估演算法,於本實施例中選擇特徵要素中的車輛型號和駕駛人兩特徵要素進行分析,並且依序以最佳解決方案作為第一層級、車輛型號作為第二層級、駕駛人作為第三層級,示意圖請參閱圖12,其中,第二層的車輛型號可對應一成對比較矩陣,其成對比較矩陣可採用下列方式產生,可由成對比較矩陣進行各車輛型號的能源消耗之比較與分析,以及透過數值分析計算各層級特徵要素特徵向量矩陣;
其中,車輛型號之初始化成對比較矩陣為:
其中,車輛型號之正規化成對比較矩陣為:
其中,第二層之特徵要素特徵向量矩陣係各車輛型號之影響因素權重矩陣:
接續本實施例,第三層的每個車輛型號的駕駛人皆可對應一成對比較矩陣,其成對比較矩陣可採用下列方式產生;以各位駕駛人駕駛第一種車輛型號所產生的能源消耗為例:其中,第一種車輛型號的駕駛人之初始化成對比較矩陣:
其中,第一種車輛型號的駕駛人之正規化成對比較矩陣:
其中,第一種車輛型號的各駕駛人之影響因素權重矩陣:
接續本實施例,第三層的第x種車輛型號的駕駛人可對應一成對比較矩陣,其成對比較矩陣可採用下列方式產生,可由該成對比較矩陣進行每個車輛型號的各駕駛人的能源消耗之比較與分析;其中,第x種車輛型號的駕駛人之初始化成對比較矩陣為:
其中,第x種車輛型號的駕駛人之正規化成對比較矩陣為:
其中,第x種車輛型號的駕駛人之影響因素權重矩陣為:
依此類推,可在第三層產生T N 個成對比較矩陣,即係W 2,1,W 2,2,...,,並可依此建立第三層之特徵要素特徵向量矩陣W 2:
接著,在本實施例中,各解決方案的分數可採用矩陣相乘的方式產生,各解決方案的該分數代表為其相較於其他駕駛人的能源消耗比例,υ1代表第一解決方案的分數(即第一位駕駛人的分數)、υ2代表第二解決方案的分數(即第二位駕駛人的分數),依此類推,代表解決方案D N 的分數(即第D N 駕駛人的分數);
其中,能源消耗越低越佳,故比較每個解決方案的分數,取得最低分數的解決方案,而最低分數的解決方案所對應之駕駛人代表為最佳駕駛人,例如,最低分數係υ1,則代表第一位駕駛人優於其他駕駛人,由第一位駕駛人駕駛各種車輛型號將可以得到最少的能源消耗。
根據上述計算方式,假設T N 為3、第一種車輛型號的能源消耗數量為第二種車輛型號的能源消耗數量的1.011倍、第一種車輛型號的能源消耗數量為第三種車輛型號的能源消耗數量的1.022倍,則車輛型號之初始化成對比較矩陣,如下表二十範例所示:
再根據車輛型號之初始化成對比較矩陣計算車輛型號之正規化成對比較矩陣,如下表二十一範例所示:
再根據車輛型號之正規化成對比較矩陣計算第二層之特徵要素特徵向量矩陣,如下表二十二範例所示:
根據上述計算方式,假設D N 為3、第一位駕駛人駕駛第一種車輛型號的能源消耗數量為第二位駕駛人駕駛第一種車輛型號的能源消耗數量的0.981倍、第一位駕駛人駕駛第一種車輛型號的能源消耗數量為第三位駕駛人駕駛第一種車輛型號的能源消耗數量的0.972倍,則第一種車輛型號之駕駛人初始化成對比較矩陣,如下表二十三範例所示:
再根據第一種車輛型號之駕駛人初始化成對比較矩陣計算第一種車輛型號之駕駛人正規化成對比較矩陣,如下表二十四範例所示:
再根據第一種車輛型號之駕駛人正規化成對比較矩陣計算第一種車輛型號之各駕駛人之影響因素權重矩陣,如下表二十五範例所示:
根據上述計算方式,假設第一位駕駛人駕駛第二種車輛型號的能源消耗數量為第二位駕駛人駕駛第二種車輛型號的能源消耗數量的0.941倍、第一位駕駛人駕駛第二種車輛型號的能源消耗數量為第三位駕駛人駕駛第二種車輛型號的能源消耗數量的0.974倍,則第二種車輛型號的駕駛人之初始化成對比較矩陣,如下表二十六範例所示:
可根據第二種車輛型號的駕駛人之初始化成對比較矩陣計算第二種車輛型號的駕駛人之正規化成對比較矩陣,如下表二十七範例所示:
可根據第二種車輛型號的駕駛人之正規化成對比較矩陣計算第二種車輛型號的各駕駛人之影響因素權重矩陣,如下表二十八範例所示:
根據上述計算方式,假設第一位駕駛人駕駛第三種車輛型號的能源消耗數量為第二位駕駛人駕駛第三種車輛型號的能源消耗數量的0.998倍、第一位駕駛人駕駛第三種車輛型號的能源消耗數量為第三位駕駛人駕駛第三種車輛型號的能源消耗數量的0.999倍,則第三種車輛型號的駕駛人之初始化成對比較矩陣,如下表二十九範例所示:
可根據第三種車輛型號的駕駛人之初始化成對比較矩陣計算第三種車輛型號的駕駛人之正規化成對比較矩陣,如下表三十範例所示:
可根據第三種車輛型號的駕駛人之正規化成對比較矩陣計算
第三種車輛型號的各駕駛人之影響因素權重矩陣,如下表三十一範例所示:
而第三層之特徵要素特徵向量矩陣係結合第一種車輛型號的各駕駛人之影響因素權重矩陣、第二種車輛型號的各駕駛人之影響因素權重矩陣、第三種車輛型號的各駕駛人之影響因素權重矩陣,如下表三十二範例所示:
各個解決方案的分數可採用矩陣相乘的方式取得,即表二十二和表三十二兩矩陣相乘的結果,結果如下表三十三範例所示。
以圖12的實施例為基礎,本發明之成對比較矩陣產生演算法,更可運用距離函數或相似度函數計算每個層級設定的特徵要素之數值,並依該數值產生成對比較矩陣。
在本實施例中,第二層的車輛型號可對應一成對比較矩陣,其該成對比較矩陣係採用餘絃相似度(Cosine Similarity)方式產生;其中,第i種車輛型號怠速(車速資訊為0公里/小時)所對應的能源消耗數量為、第i種車輛型號行駛速度介於0公里/小時~10公里/小時所對應的能源消耗數量為、…、第i種車輛型號行駛速度大於120公里/小時所對
應的能源消耗數量為,這些能源消耗數量可經由執行最佳組合分析演算法取得;再運用上述方式分別計算各車輛型號的駕駛人之初始化及正規化成對比較矩陣,以及第三層之特徵要素特徵向量矩陣:
在此實施例中,第三層的各車輛型號之駕駛人皆可對應一成對比較矩陣,其成對比較矩陣採用餘絃相似度方式產生,並且可由該成對比較矩陣進行每個車輛型號的各駕駛人的能源消耗之比較與分析;
以下,以各駕駛人駕駛第x種車輛型號所產生的能源消耗為例,第i個駕駛人駕駛第x種車輛型號怠速(車速資訊為0公里/小時)所對應的能源消耗數量為、第i個駕駛人駕駛第x種車輛型號行駛速度介於0公里/小時~10公里/小時所對應的能源消耗數量為、…、第i個駕駛人駕駛第x種車輛型號行駛速度大於120公里/小時所對應的能源消耗數量為;其中,第x種車輛型號的駕駛人初始化成對比較矩陣為:
在此實施例中,係採用餘絃相似度計算出各個解決方案的相似度,並可依此找出分數最低的解決方案,分數最低的解決方案為與其他解決方案差異最大,即可依此取得能源消耗差異最大的駕駛人。
以圖12的實施例為基礎,本發明之成對比較矩陣產生演算法,更可運用模糊歸屬函數計算每個層級設定的特徵要素之數值,並依該數值產生成對比較矩陣。
在此實施例中,第二層的車輛型號可對應一成對比較矩陣,其成對比較矩陣採用模糊歸屬函數方式產生,模糊歸屬函數可為一修改後之S型函式(例如修改後的Sigmoid函數);接著,可運用上述方式分別計算車輛型號之正規化成對比較矩陣和第二層之特徵要素特徵向量矩陣;其中,車輛型號之初始化成對比較矩陣:
而第三層的每個車輛型號之駕駛人亦可對應一成對比較矩陣,以即可運用上述方式分別計算第x種車輛型號之及正規化成對比較矩陣和第三層之特徵要素特徵向量矩陣;其中,第x種車輛型號之初始化成對比較矩陣:
在此實施例中,係採用模糊歸屬函數修正成對比較矩陣,強化數值介於-1到1之間的差異性,並依此找出分數最低的解決方案。
再請參閱圖13,係為本發明的績效評估演算法的一階層結構示意圖,在此實施例中,選擇特徵要素採用車輛設備和駕駛人兩特徵要素進行分析,並且依序以最佳解決方案作為第一層、車輛設備作為第二層、駕駛人作為第三層。
在此實施例中,第二層的車輛設備對應一成對比較矩陣,其係採用下列方式產生,可用以分別計算車輛設備之正規化成對比較矩陣和第二層之特徵要素特徵向量矩陣;
第三層的每個車輛設備之駕駛人皆可對應一成對比較矩陣,透過第x個車輛設備的駕駛人之初始化成對比較矩陣,進而計算出第x個車輛設備的駕駛人之正規化成對比較矩陣和第三層之特徵要素特徵向量矩陣;其中,第x個車輛設備的駕駛人之初始化成對比較矩陣:
在此實施例中,各個解決方案的分數可經由第二層之特徵要素特徵向量矩陣和第三層之特徵要素特徵向量矩陣相乘取得,能源消耗越低越佳,即比較每個解決方案的分數,取得最低分數的解決方案,則該解決方案所對應之駕駛人代表為最佳駕駛人,最佳駕駛人駕駛各種車輛設備將可得到最少的能源消耗。
再請參閱圖14,係為本發明之步驟S5能源消耗估計方法的步驟流程圖,係為本發明之另一實施例,其步驟包含步驟S51收集駕駛行為演算法、步驟S52收集能源資訊演算法、步驟S53最佳組合分析演算法,以及步驟S57最佳路線規劃演算法,其中,與先前實施例不同的是步驟S57最佳路線規劃演算法。
請參閱圖15,係為本發明之步驟S57最佳路線規劃演算法的步驟流程圖,其步驟依序包含步驟S571取得路況資訊,由最佳路線規劃模組向外部交通資訊伺服器取得路況資訊,路況資訊包含各個路段的長度、車速、及旅行時間;步驟S572取得駕駛行為能源消耗估計資訊,由最佳路線規劃模組向最佳組合分析模組取得該駕駛行為能源消耗估計資訊集合;步驟S573分析各路段之移動成本,依據路況資訊和該駕駛行為能源消耗估計資訊集合,計算各路段之移動成本,移動成本即為能源消耗數量;步驟S574最短路徑法,根據各
該路段之移動成本,運用最短路徑法計算最低移動成本之路徑;最後,步驟S575取得最低成本路徑。
其中,在本實施例中,可由該最佳路線規劃模組經由該中介軟體模組與外部交通資訊伺服器介接,以REST APIs詢問外部交通資訊伺服器以取得路況資訊,包含各個路段的長度、車速、及旅行時間,所述的外部交通資訊伺服器可以是為國道高速公路局開放資料伺服器、公路總局開放資料伺服器、各縣市政府開放資料伺服器、或中華電信交通資訊伺服器。
在本實施例中,向公路總局開放資料伺服器取得路況資訊,請參閱圖16至圖18的路網圖,而路網中共有九個路口,分別為圖中的路口編號1~8,路況資訊如下:其中,路網中的路段其長度分別為:路段1,2係路口編號1和編號2間的路段,長度係1公里;路段2,3係路口編號2和編號3間的路段,長度係1公里;路段1,4係路口編號1和編號4間的路段,長度係1公里;路段2,5係路口編號2和編號5間的路段,長度係0.99公里;路段3,6係路口編號3和編號6間的路段,長度係1公里;路段4,5係路口編號4和編號5間的路段,長度係1公里;路段5,6係路口編號5和編號6間的路段,長度係1公里;路段4,7係路口編號4和編號7間的路段,長度係1公里;路段5,8係路口編號5和編號8間的路段,長度係0.99公里;路段6,9係路口編號6和編號9間的路段,長度係1公里;路段7,8係路口編號7和編號8間的路段,長度係1公里;路段8,9係路口編號8和編號9間的路段,長度係0.99公里;其中,各該路段之平均車速分別為:
路段1,2平均車速係45公里/小時;路段2,3平均車速係45公里/小時;路段1,4平均車速係45公里/小時;路段2,5平均車速係35公里/小時;路段3,6平均車速係45公里/小時;路段4,5平均車速係35公里/小時;路段5,6平均車速係35公里/小時;路段4,7平均車速係45公里/小時;路段5,8平均車速係35公里/小時;路段6,9平均車速係45公里/小時;路段7,8平均車速係45公里/小時;路段8,9平均車速係45公里/小時;其中,各該路段之旅行時間分別為:路段1,2旅行時間係1.33分鐘;路段2,3旅行時間係1.33分鐘;路段1,4旅行時間係1.33分鐘;路段2,5旅行時間係1.70分鐘;路段3,6旅行時間係1.33分鐘;路段4,5旅行時間係1.71分鐘;路段5,6旅行時間係1.71分鐘;路段4,7旅行時間係1.33分鐘;路段5,8旅行時間係1.70分鐘;路段6,9旅行時間係1.33分鐘;路段7,8旅行時間係1.33分鐘;路段8,9旅行時間係1.32分鐘。
再由最佳路線規劃模組向最佳組合分析模組取得該駕駛行為能源消耗估計資訊集合,以第一位駕駛人駕駛第一個車輛設備為例,該駕駛行為能源消耗估計資訊集合為,其中,可得到各駕駛行為對應之汽油消耗數量,如下表三十四範例所示:
而對於分析各路段之移動成本,可根據該駕駛行為能源消耗估計資訊集合和各該路段其平均車速和旅行時間進行計算;若以第一位駕駛人駕駛第一個車輛設備為例,第一位駕駛人駕駛第一個車輛設備行駛路段1,2時,路段1,2平均車速係45公里/小時,估計每30秒的汽油消耗數量係0.036826864公升,且行駛該路段旅行時間係1.33分鐘,因此以第一位駕駛人駕駛第一個行駛路段1,2約需0.10公升,其他對應的油耗之示意圖,請參閱圖19;其中,第一位駕駛人駕駛第一個車輛設備在路網中的汽油消耗數量為:路段2,3汽油消耗數量係0.10公升;路段1,4汽油消耗數量係0.10公升;路段2,5汽油消耗數量係0.30公升;路段3,6汽油消耗數量係0.10公升;路段4,5汽油消耗數量係0.30公升;路段5,6汽油消耗數量係0.30公升;路段4,7汽油消耗數量係0.10公升;路段5,8汽油消耗數量係0.30公升;路段6,9汽油消耗數量係0.10公升;路段7,8汽油消耗數量係0.10公升;路段8,9汽油消耗數量係0.10公升。
再來,進行路線規劃演算法中的最短路徑法可採用Dijkstra演算法且以廣度搜尋優先,其中,假設第一位駕駛人駕駛第一個車輛設備由路口編號1行駛至路口編號9,則其路線規劃如下:1.步驟1:由路口編號1向周圍路口搜尋,並計算由路口編號1到路口編號2的路徑(路口編號1→路口編號2)之汽油消耗數量係0.10公升,並將該路徑列入候選路徑集合、由路口編號1到路口編號4的路徑
(路口編號1→路口編號4)之汽油消耗數量係0.10公升,並將該路徑列入候選路徑集合;2.步驟2:由路口編號2向周圍路口搜尋,並計算由路口編號1到路口編號3的路徑(路口編號1→路口編號2→路口編號3)之汽油消耗數量係0.20公升,並將該路徑列入候選路徑集合、由路口編號1到路口編號5的路徑(路口編號1→路口編號2→路口編號5)之汽油消耗數量係0.40公升,並將該路徑列入候選路徑集合;3.步驟3:由路口編號4向周圍路口搜尋,並計算由路口編號1到路口編號5的路徑(路口編號1→路口編號4→路口編號5)之汽油消耗數量係0.40公升,並將該路徑列入候選路徑集合、由路口編號1到路口編號7的路徑(路口編號1→路口編號4→路口編號7)之汽油消耗數量係0.20公升,並將該路徑列入候選路徑集合;4.步驟4:由路口編號3向周圍路口搜尋,並計算由路口編號1到路口編號6的路徑(路口編號1→路口編號2→路口編號3→路口編號6)之汽油消耗數量係0.30公升,並將該路徑列入候選路徑集合;5.步驟5:由路口編號5向周圍路口搜尋,並計算由路口編號1到路口編號4的路徑(路口編號1→路口編號2→路口編號5→路口編號4)之汽油消耗數量係0.70公升,並由於該路徑之汽油消耗數量該於另一候選路徑集合中的由路口編號1到路口編號4的路徑(路口編號1→路口編號4)之汽油消耗數量係0.10
公升,故該路徑(路口編號1→路口編號2→路口編號5→路口編號4)不列入候選路徑集合、由路口編號1到路口編號6的路徑(路口編號1→路口編號2→路口編號5→路口編號6)之汽油消耗數量係0.70公升,並由於該路徑之汽油消耗數量該於另一候選路徑集合中的由路口編號1到路口編號6的路徑(路口編號1→路口編號3→路口編號6)之汽油消耗數量係0.30公升,故該路徑(路口編號1→路口編號2→路口編號5→路口編號6)不列入候選路徑集合、由路口編號1到路口編號8的路徑(路口編號1→路口編號2→路口編號5→路口編號8)之汽油消耗數量係0.70公升,將該路徑列入候選路徑集合。依此類推,直至每個路口編號皆向其周圍路口完成搜尋,在此實施例中,路口編號1到路口編號9在候選路徑集合中將有兩路徑:第一路徑:路口編號1→路口編號2→路口編號3→路口編號6→路口編號9,該最佳路徑1所對應的汽油消耗數量係0.40公升;以及,第二路徑:路口編號1→路口編號4→路口編號7→路口編號8→路口編號9,該最佳路徑2所對應的汽油消耗數量係0.40公升。
如此,即輸出第一路徑和第二路徑,作為最低成本路徑,可知,在此實施例中,第一位駕駛人駕駛第一個車輛設備行駛規劃出的第一路徑和第二路徑將消耗最低的汽油消耗數量(約0.40公升),即為最低成本路徑。
再請參閱圖20,係為本發明之步驟S57最佳路線規劃演算法的步驟流程圖,係為本發明的另一實施例,其步驟依序包含步驟S571取得路況資訊,由最佳路線規劃模組
向外部交通資訊伺服器取得路況資訊,路況資訊包含各個路段的長度、車速、及旅行時間;步驟S572取得駕駛行為能源消耗估計資訊,由最佳路線規劃模組向最佳組合分析模組取得該駕駛行為能源消耗估計資訊集合;步驟S573估計他人的各路段之移動成本,預測他人移動路線來估計他人的各路段之移動成本,移動成本可以是空間距離或旅行時間;步驟S574最短路徑法,運用最短路徑法計算該移動成本,取得最低成本路徑;步驟S575依預測他人移動路線調整路況資訊;步驟S576再次分析各路段之移動成本;步驟S577運用最短路徑法;最後,步驟S578取得最低成本路徑。
同樣地,路網請參閱圖16至圖18的路網圖,路網中共有九個路口,分別為圖中的路口編號1~8,路況資訊如上個實施例所述,而其中,路口編號1到路口編號9之預測流量為630輛/小時;而在取得駕駛行為能源消耗估計資訊上,一樣以第一位駕駛人駕駛第一個車輛設備為例。
其中,在預測他人移動路線上,可設定採用一最短路徑長度駕駛人比例ζ及一最短旅行時間駕駛人比例ξ,該最短路徑長度駕駛人比例ζ可用以計算預測流量中有多少駕駛人會選擇最短路徑長度之路線規劃,而該最短旅行時間駕駛人比例ξ可用以計算該預測流量中有多少駕駛人會選擇最短旅行時間之路線規劃。
最短路徑法係採用Dijkstra演算法和廣度搜尋優先,其中,由路口編號1行駛至路口編號9,最短路徑長度之路線規劃將輸出最佳路徑:路口編號1→路口編號2→路口編號5→路口編號8→路口編號9,該最佳路徑係3.97公里;而最短旅行時間之路線規劃演算法係採用Dijkstra演算法和廣
度搜尋優先,其中,由路口編號1行駛至路口編號9,該最短旅行時間之路線規劃將輸出最佳路徑:路口編號1→路口編號4→路口編號7→路口編號8→路口編號9,該最佳路徑係5.31分鐘。
在此實施例中,假設最短路徑長度駕駛人比例ζ及該最短旅行時間駕駛人比例ζ分別為0%和100%,即由路口編號1到路口編號9之預測流量630輛/小時全部將採用該最短旅行時間之路線規劃,該630輛車輛設備將行駛該路徑(路口編號1→路口編號4→路口編號7→路口編號8→路口編號9);並且,由於該630輛車輛設備將行駛該路徑(路口編號1→路口編號4→路口編號7→路口編號8→路口編號9),參閱交通部運輸研究所的臺灣公路容量手冊的道路服務水準表格(如下表三十五範例所示),可以預測最短旅行時間路徑(路口編號1→路口編號4→路口編號7→路口編號8→路口編號9)之平均車速將下降至35公里/小時(即為表中的道路服務水準B)。
以下為表三十五:
在預測最短旅行時間路徑(路口編號1→路口編號4→路口編號7→路口編號8→路口編號9)平均車速下降至35公里/小時之狀況下,再分析各路段之移動成本,將各路口間的路段之路況資訊調整如下,請參閱圖21和圖22的示意圖,其中:路段1,2預測平均車速係45公里/小時;路段2,3
預測平均車速係45公里/小時;路段1,4預測平均車速係35公里/小時;路段2,5預測平均車速係35公里/小時;路段3,6預測平均車速係45公里/小時;路段4,5預測平均車速係35公里/小時;路段5,6預測平均車速係35公里/小時;路段4,7預測平均車速係35公里/小時;路段5,8預測平均車速係35公里/小時;路段6,9預測平均車速係45公里/小時;路段7,8預測平均車速係35公里/小時;路段8,9預測平均車速係35公里/小時;其中,該些路段其旅行時間分別為:路段1,2預測旅行時間係1.33分鐘;路段2,3預測旅行時間係1.33分鐘;路段1,4預測旅行時間係1.71分鐘;路段2,5預測旅行時間係1.70分鐘;路段3,6預測旅行時間係1.33分鐘;路段4,5預測旅行時間係1.71分鐘;路段5,6預測旅行時間係1.71分鐘;路段4,7預測旅行時間係1.71分鐘;路段5,8預測旅行時間係1.70分鐘;路段6,9預測旅行時間係1.33分鐘;路段7,8預測旅行時間係1.71分鐘;路段8,9預測旅行時間係1.70分鐘。
經上述調整後,再根據該駕駛行為能源消耗估計資訊集合以及各該路段的預測平均車速和預測旅行時間進行計算;以第一位駕駛人駕駛第一個車輛設備為例,第一位駕駛人駕駛第一個車輛設備行駛路段1,2時,路段1,2平均車速係45公里/小時,估計每30秒的汽油消耗數量係0.036826864公升,且行駛該路段旅行時間係1.33分鐘,因此以第一位駕駛人駕駛第一個車輛設備行駛路段1,2約需0.10公升,示意圖請參閱圖23所示,如此,即可知道在這些路段上的預測汽油消耗數量分別為:路段2,3預測汽油消耗數量係0.10公升;路段1,4預測汽油消耗數量係0.30公升;路段2,5預測汽油
消耗數量係0.30公升;路段3,6預測汽油消耗數量係0.10公升;路段4,5預測汽油消耗數量係0.30公升;路段5,6預測汽油消耗數量係0.30公升;路段4,7預測汽油消耗數量係0.30公升;路段5,8預測汽油消耗數量係0.30公升;路段6,9預測汽油消耗數量係0.10公升;路段7,8預測汽油消耗數量係0.30公升;路段8,9預測汽油消耗數量係0.30公升。
再實施最短路徑法,採用Dijkstra演算法和廣度搜尋優先,其中,第一位駕駛人駕駛第一個車輛設備由路口編號1行駛至路口編號9,則該最短路徑法完成後將輸出路口編號1到路口編號9在候選路徑集合中的路徑,該候選路徑集合將儲存一最佳路徑,該最佳路徑係路口編號1→路口編號2→路口編號3→路口編號6→路口編號9,該最佳路徑所對應的汽油消耗數量係0.40公升,以該最佳路徑作為該最低成本路徑。
應當瞭解,上列詳細說明係為針對本發明的可行實施例之具體說明,惟各該實施例並非用以限制本發明之專利範圍,凡未脫離本發明技藝精神所為之等效實施或變更,均應包含於本案之專利範圍中。
綜上所述,本發明於技術思想上實屬創新,也具備先前技術不及的多種功效,已充分符合新穎性及進步性之法定發明專利要件,爰依法提出專利申請,懇請 貴局核准本件發明專利申請案以勵發明,至感德便。
1‧‧‧車輛設備
10‧‧‧通訊模組
12‧‧‧中介軟體模組
14‧‧‧定位模組
2‧‧‧使用者設備
20‧‧‧通訊模組
22‧‧‧中介軟體模組
24‧‧‧使用者介面
3‧‧‧資料分析伺服器設備
30‧‧‧通訊模組
32‧‧‧中介軟體模組
34‧‧‧最佳組合分析模組
4‧‧‧資料庫設備
40‧‧‧通訊模組
42‧‧‧運算模組
44‧‧‧儲存模組
Claims (21)
- 一種能源消耗估計系統,其至少包含:複數車輛設備,各自用以在駕駛人行車時即時蒐集行車時的時間資訊、車速資訊以及位置資訊等車輛設備資訊;複數使用者設備,各自提供駕駛人週期性或非週期性地輸入對車輛進行能源補充的時間資訊以及補充的能源種類數量等能源資訊;一資料分析伺服器設備,接收來自各該車輛設備的車輛設備資訊,並接收來自各該使用者設備的能源資訊,透過一最佳組合分析演算法計算駕駛人的駕駛行為消耗的能源數量,以得出關於駕駛人的一駕駛行為能源消耗估計資訊集合,該資料分析伺服器設備更能將蒐集的所有駕駛人的該駕駛行為能源消耗估計資訊集合進行排序,或進行對各該車輛設備的最佳路線規劃。
- 如申請專利範圍第1項所述之能源消耗估計系統,其更包含:一資料庫設備,用以儲存該資料分析伺服器設備針對駕駛人的該駕駛行為能源消耗估計資訊集合,以用於後續排序。
- 如申請專利範圍第1項所述之能源消耗估計系統,其中,各該車輛設備各自包含一定位模組、一中介軟體模組、以及一通訊模組;其中,該定位模組係支援全球定位系統或無線網路訊號定位功能,而各該車輛設備即經由所屬的該定位模組以取得車輛設備資訊中的位置資訊和車速資訊; 其中,該通訊模組係支援無線網路傳輸用以建立該車輛設備與該資料分析伺服器設備之間的通訊;以及其中,該中介軟體模組係支援超文本傳輸協定、訊息序列遙測傳輸或受限應用協定中至少一種傳輸協定,該車輛設備係經由該中介軟體模組和該通訊模組與該資料分析伺服器設備介接,以傳送車輛設備資訊至該資料分析伺服器設備。
- 如申請專利範圍第3項所述之能源消耗估計系統,其中,各該車輛設備各自更包含一能源偵測裝置,該能源偵測裝置係偵測各該車輛設備所設置之車輛的能源資訊,包含油量、電量或天然氣量等,該能源偵測裝置並經由該中介軟體模組和該通訊模組將能源資訊傳送至該資料分析伺服器設備。
- 如申請專利範圍第1項所述之能源消耗估計系統,其中,各該使用者設備各自包含一使用者介面、一中介軟體模組和一通訊模組;其中,該使用者介面係提供該駕駛人操作該使用者設備,以輸入車輛編號、時間資訊以及補充能源數量等能源資訊,並用以顯示該資料分析伺服器設備向駕駛人反饋的分析結果;其中,該通訊模組係支援無線網路傳輸用以建立該使用者設備與該資料分析伺服器設備之間的通訊;其中,該中介軟體模組係支援超文本傳輸協定、或訊息序列遙測傳輸或受限應用協定中至少一種傳輸協定,該使用者設備係由該中介軟體模組和該通訊模組與資料分析伺服器設備介接,以傳送能源資訊至該資料分析伺服器設備, 並接收該資料分析伺服器設備向駕駛人反饋的該駕駛行為能源消耗估計資訊集合;以及其中,能源資訊包含油量、電量或天然氣量等。
- 如申請專利範圍第1項所述之能源消耗估計系統,其中,該資料分析伺服器設備包含一中介軟體模組、一通訊模組、以及一最佳組合分析模組;其中,該通訊模組係用以建立各該車輛設備與該資料分析伺服器設備、各該使用者設備與該資料分析伺服器設備、該資料庫設備以及該資料分析伺服器設備之間的通訊;其中,該中介軟體模組係支援超文本傳輸協定、訊息序列遙測傳輸或受限應用協定中至少一種傳輸協定,該資料分析伺服器設備係經由該中介軟體模組和該通訊模組與各該車輛設備、各該使用者設備介接,以接收各該車輛設備傳送的車輛設備資訊和接收各該使用者設備傳送的能源資訊,更儲存至資料庫設備;其中,該最佳組合分析模組係用以執行該最佳組合分析演算法,以分析出駕駛人的駕駛行為消耗的能源數量,即為該駕駛行為能源消耗估計資訊集合,而該駕駛行為主要為車速資訊。
- 如申請專利範圍第6項所述之能源消耗估計系統,其中,該資料分析伺服器設備更包含一績效評估模組,該績效評估模組係用以執行一績效評估演算法,以分析不同駕駛人、不同各該車輛設備以及不同的駕駛行為所消耗的能源數量,並評選出能源消耗最低的解決方案。
- 如申請專利範圍第6項所述之能源消耗估計系統,其中,該資料分析伺服器設備更包含一最佳路線規劃模組,該最 佳路線規劃模組係用以執行一最佳路線規劃演算法,以分析各該車輛設備的移動狀況、即時路況、預測路況等資訊,再計算各該車輛設備所屬車輛在各路段移動所需消耗的能源數量,並規劃能源消耗最低之路線。
- 一種能源消耗估計方法,其係由一資料分析伺服器設備執行至少包含下列步驟:執行一收集駕駛行為演算法,其係由複數車輛設備回報複數車輛設備資訊至該資料分析伺服器設備,再由該資料分析伺服器設備分析傳來的各該車輛設備資訊,並將各該車輛設備資訊儲存至一資料庫設備,且該資料分析伺服器設備將計算一時段區間內各該車輛設備所對應的每種車輛型號、每個道路類型、每位駕駛人的一駕駛行為數量;執行一收集能源資訊演算法,係由複數使用者設備回報補充的能源資訊至該資料分析伺服器設備,或由各該車輛設備所包含的能源偵測裝置偵測裝設車輛的能源資訊後再回報能源資訊至該資料分析伺服器設備,再由該資料分析伺服器設備分析能源資訊,並將能源資訊儲存至該資料庫設備,且該資料分析伺服器設備將計算該時段區間內各該車輛設備所對應的每個車輛型號、每個道路類型、每位駕駛人的一能源消耗數量;執行一最佳組合分析演算法,其係由該資料分析伺服器設備包含的一最佳組合分析模組取得該駕駛行為數量以及該能源消耗數量,再執行一基因演算法分析各種駕駛行為所導致的能源消耗數量,以輸出一駕駛行為能源消耗估計資訊集合。
- 如申請專利範圍第9項所述之能源消耗估計方法,其中, 該最佳組合分析演算法係由該最佳組合分析模組執行至少包含下列步驟:建立一初始資料,該初始資料包含該駕駛行為數量、該能源消耗數量、一母群基因序列數量、一演化次數、一迭帶次數、一交配率以及一突變率;執行一適應函式產生演算法,以產生一適應函式用以計算基因序列的分數,該基因序列包含複數染色體;執行一基因序列產生演算法,依據該適應函式所需之各該染色體數量產生基因序列,並依該母群基因序列數量來產生母群的複數基因序列;執行一基因序列分數計算演算法,將各該基因序列輸入至該適應函式,以計算各該基因序列的分數;判斷經該基因序列分數計算演算法後是否已收斂,即為當判斷該演化次數等於該迭帶次數時,則輸出一最佳基因序列,該最佳基因序列即係該駕駛行為能源消耗估計資訊集合,若判斷該演化次數小於該迭帶次數時,則將演化次數加一;執行一基因序列選擇演算法,複製各該基因序列中的兩序列,以形成兩個母基因序列;執行一基因序列交配演算法,根據該交配率將各該母基因序列進行交配,以產生兩個第一代子基因序列;執行一基因序列突變演算法,根據該突變率將各該第一代子基因序列突變,以形成兩個第二代子基因序列;再將新產生的各該第二代子基因序列取代母群中對應各該母基因序列的兩序列,其中,被取代的各該基因序列係分別對應於兩個最劣分數;以及 再反覆執行該基因序列分數計算演算法以計算母群中其他各該基因序列的分數以嘗試取代。
- 如申請專利範圍第10項所述之能源消耗估計方法,其中,該適應函式產生演算法係產生一多元線性函式作為適應函式。
- 如申請專利範圍第10項所述之能源消耗估計方法,其中,該適應函式產生演算法係產生一神經網路作為適應函式。
- 如申請專利範圍第10項所述之能源消耗估計方法,其中,該基因序列突變演算法係以一動力法來修正各該染色體,該動力法係參考各該基因序列被代入該適應函式計算後所得出之分數來進行修正。
- 如申請專利範圍第10項所述之能源消耗估計方法,其中,該基因序列產生演算法至少包含下列步驟:依據該駕駛行為數量和該能源消耗數量建立複數目標函式;隨機產生各該目標函式之複數參數值,並計算各該目標函式以產生各該目標函式的誤差值;根據各該目標函式的誤差值修正各該目標函式的各該參數值之最佳解;輸出各該目標函式參數值之最佳解至其他各該目標函式,並重新計算各該目標函式的誤差值;以及判斷各該目標函式的誤差值是否低於一收斂門檻值,若低於,則輸出誤差最小之參數值組合,若高於,則根據各該目標函式的誤差值修正各該目標函式之各該參數值之最佳解,並輸出各該目標函式的各該參數值之最佳解至其他 各該目標函式及重新計算各該目標函式的誤差值,以持續計算直至低於該收斂門檻值。
- 如申請專利範圍第9項所述之能源消耗估計方法,其步驟更包含:執行一績效評估演算法,其係由該資料分析伺服器設備包含的一績效評估模組向該最佳組合分析模組取得該駕駛行為能源消耗估計資訊集合,並由該績效評估模組執行一階層分析方法,以選擇不同的特徵要素來計算各個解決方案的分數,再篩選出對應於一最佳分數的一最佳解決方案。
- 如申請專利範圍第15項所述之能源消耗估計方法,其中,該績效評估演算法係由該績效評估模組執行至少包含下列步驟:選擇至少一特徵要素,該特徵要素包含各該車輛設備所屬的車輛型號、道路類型、以及駕駛人;建構層級結構,依據選擇的各該特徵要素來設定各該特徵要素的上層及下層關聯結構;執行一成對比較矩陣產生演算法,以依據每個層級結構設定的各該特徵要素來產生成對比較矩陣;計算特徵值與特徵向量,運用數值分析法計算成對比較矩陣以找出每個層級中各該特徵要素的特徵向量矩陣;選擇解決方案,依各該特徵要素的特徵向量矩陣產生每個解決方案的分數,再篩選對應於該最佳分數的該最佳解決方案。
- 如申請專利範圍第16項所述之能源消耗估計方法,其中,該成對比較矩陣產生演算法係統計每個層級結構設定的 各該特徵要素之數值,並依數值的比例來產生成對比較矩陣。
- 如申請專利範圍第16項所述之能源消耗估計方法,其中,該成對比較矩陣產生演算法係運用距離函數或相似度函數計算每個層級結構設定的各該特徵要素之數值,並依數值來產生成對比較矩陣。
- 如申請專利範圍第16項所述之能源消耗估計方法,其中,該成對比較矩陣產生演算法係運用模糊歸屬函數計算每個層級結構設定的各該特徵要素之數值,並依數值來產生成對比較矩陣。
- 如申請專利範圍第9項所述之能源消耗估計方法,其步驟更包含:執行一最佳路線規劃演算法,該最佳路線規劃演算法係由該資料分析伺服器設備包含的一最佳路線規劃模組向該最佳組合分析模組取得該駕駛行為能源消耗估計資訊集合,並由該最佳路線規劃模組向一外部交通資訊伺服器取得路況資訊,路況資訊包含各個路段的長度、車速及旅行時間等,再根據該駕駛行為能源消耗估計資訊集合估計出於各路段移動的能源消耗數量,再以各該路段移動的能源消耗數量作為路段的移動成本,以最短路徑法來計算最低移動成本之路段組合。
- 如申請專利範圍第20項所述之能源消耗估計方法,其中,該最佳路線規劃演算法更包含:由該最佳路線規劃模組根據其他各該車輛設備來估計路段上的其他車輛的路段移動成本,移動成本係為空間距離或旅行時間,再運用最短路徑法為其他車輛計算移動成本 以取得其他車輛各自的最低成本路徑,該最佳路線視劃模組並以其他車輛各自的最低成本路徑作為調整因素,以為個別的各該車輛設備計算路段上最低移動成本之路段組合。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TW105142008A TWI591492B (zh) | 2016-12-19 | 2016-12-19 | Energy consumption estimation system and method |
CN201710431990.8A CN107194605B (zh) | 2016-12-19 | 2017-06-09 | 能源消耗估计系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TW105142008A TWI591492B (zh) | 2016-12-19 | 2016-12-19 | Energy consumption estimation system and method |
Publications (2)
Publication Number | Publication Date |
---|---|
TWI591492B true TWI591492B (zh) | 2017-07-11 |
TW201824019A TW201824019A (zh) | 2018-07-01 |
Family
ID=59877972
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
TW105142008A TWI591492B (zh) | 2016-12-19 | 2016-12-19 | Energy consumption estimation system and method |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN107194605B (zh) |
TW (1) | TWI591492B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TWI661328B (zh) * | 2018-03-28 | 2019-06-01 | 中華電信股份有限公司 | 資料分析伺服器設備及其最佳組合分析方法 |
TWI816146B (zh) * | 2021-06-28 | 2023-09-21 | 拓連科技股份有限公司 | 電動車之路線管理方法及系統 |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109711185A (zh) * | 2019-01-04 | 2019-05-03 | 杭州卓凯科技有限公司 | 基于MongoDB的网约货运汽车平台数据存储系统及方法 |
CN112002124B (zh) * | 2020-07-20 | 2022-07-01 | 联合汽车电子有限公司 | 车辆行程能耗预测方法及装置 |
CN112348286B (zh) * | 2020-11-25 | 2021-07-30 | 南方电网能源发展研究院有限责任公司 | 一种基于能源模型的交通用能需求预测方法及装置 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7493209B1 (en) * | 2008-04-07 | 2009-02-17 | International Business Machines Corporation | Method of calculating a route based on estimated energy consumption |
TWI429547B (zh) * | 2011-02-24 | 2014-03-11 | Chunghwa Telecom Co Ltd | Vehicle mileage application integration system and its method |
CN102509470B (zh) * | 2011-10-14 | 2013-10-16 | 北京掌城科技有限公司 | 基于动态路径规划实现车辆节能减排的系统和方法 |
WO2014172323A1 (en) * | 2013-04-15 | 2014-10-23 | Flextronics Ap, Llc | Driver facts behavior information storage system |
CN103605885B (zh) * | 2013-11-11 | 2016-05-18 | 清华大学 | 一种基于交通路网信息的电动车辆剩余里程估算方法 |
CN105160883B (zh) * | 2015-10-20 | 2017-08-25 | 重庆邮电大学 | 一种基于大数据的节能驾驶行为分析方法 |
-
2016
- 2016-12-19 TW TW105142008A patent/TWI591492B/zh not_active IP Right Cessation
-
2017
- 2017-06-09 CN CN201710431990.8A patent/CN107194605B/zh not_active Expired - Fee Related
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TWI661328B (zh) * | 2018-03-28 | 2019-06-01 | 中華電信股份有限公司 | 資料分析伺服器設備及其最佳組合分析方法 |
TWI816146B (zh) * | 2021-06-28 | 2023-09-21 | 拓連科技股份有限公司 | 電動車之路線管理方法及系統 |
Also Published As
Publication number | Publication date |
---|---|
CN107194605B (zh) | 2020-12-01 |
CN107194605A (zh) | 2017-09-22 |
TW201824019A (zh) | 2018-07-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
TWI591492B (zh) | Energy consumption estimation system and method | |
Chen et al. | Understanding ridesplitting behavior of on-demand ride services: An ensemble learning approach | |
Kanarachos et al. | Instantaneous vehicle fuel consumption estimation using smartphones and recurrent neural networks | |
TWI638328B (zh) | 電力需求預測裝置、電力供給系統、電力需求預測方法、程式、供給電力管理裝置 | |
CN108072381B (zh) | 一种路径规划的方法及装置 | |
CN110443314A (zh) | 基于机器学习的景区客流量预测方法及装置 | |
CN110888908A (zh) | 一种可持续深度学习的充电站/桩推荐系统及推荐方法 | |
EP3943890B1 (en) | A computer-implemented method of predicting energy use for a route | |
CN109214863B (zh) | 一种基于快递数据预测城市房屋需求的方法 | |
CN106063067A (zh) | 电力需求预测装置、供电系统、电力需求预测方法及程序 | |
CN111639878A (zh) | 一种基于知识图谱构建的滑坡风险预测方法及系统 | |
Liu et al. | Modelling the energy consumption of electric vehicles under uncertain and small data conditions | |
CN112036598A (zh) | 一种基于多信息耦合的充电桩使用信息预测方法 | |
CN114969263A (zh) | 一种城市交通知识图谱的构建方法、构建装置及应用 | |
Tian et al. | Method for predicting the remaining mileage of electric vehicles based on dimension expansion and model fusion | |
CN114462683A (zh) | 基于联邦学习的云边协同多居民区负荷预测方法 | |
Farhadi et al. | Data-driven multi-objective optimization for electric vehicle charging infrastructure | |
Rix et al. | Why taxi tracking trumps tracking passengers with apps in planning for the electrification of Africa’s paratransit | |
CN115293846A (zh) | 一种基于协同过滤的用户充电桩推荐方法及设备 | |
Chatterjee et al. | Generating Time-Series Data Using Generative Adversarial Networks for Mobility Demand Prediction. | |
Hossain et al. | Traffic flow forecasting in intelligent transportation systems prediction using machine learning | |
Xie | Support vector machines for land use change modeling | |
Akter | Truck activity pattern classification using anonymous mobile sensor data | |
Akinosho et al. | Deep learning-based multi-target regression for traffic-related air pollution forecasting | |
CN116662815B (zh) | 时间预测模型的训练方法以及相关设备 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
MM4A | Annulment or lapse of patent due to non-payment of fees |