CN109858951B

CN109858951B - 新能源汽车加电或换电需求的预测

Info

Publication number: CN109858951B
Application number: CN201811635429.2A
Authority: CN
Inventors: 章光辉
Original assignee: NIO Anhui Holding Co Ltd
Current assignee: NIO Holding Co Ltd
Priority date: 2018-12-29
Filing date: 2018-12-29
Publication date: 2023-04-07
Anticipated expiration: 2038-12-29
Also published as: CN109858951A

Abstract

本发明涉及新能源汽车技术，特别涉及用于预测新能源汽车加电或换电需求的方法、实施该方法的控制装置以及实施该方法的计算机可读介质。按照本发明一个方面的用于预测新能源汽车充电或换电需求的方法包含下列步骤：A）确定新能源汽车最近经过的多个兴趣点，其中，所述兴趣点基于用户的历史驾驶轨迹确定；B）基于预测概率估计新能源汽车的下一位置，所述预测概率为当前位置到达最近经过的多个兴趣点中的其中一个的概率；以及C）基于下一位置确定加电或换电需求。

Description

新能源汽车加电或换电需求的预测

技术领域

本发明涉及新能源汽车技术，特别涉及用于预测新能源汽车加电或换电需求的方法、实施该方法的控制装置以及实施该方法的计算机可读介质。

背景技术

对以电池作为动力唯一或部分来源的新能源汽车，电池补充能量的模式一般包括充电模式和换电模式两大类。在充电和换电服务中，不同用户对服务的需求往往具有差异性和随机性。通过提供个性化的充电和换电服务，可以明显提高用户体验。

个性化服务依赖于对用户服务需求的准确预测。然而现有的充电或换电服务需求预测模型只能对特定空间范围内或具有特定属性的全体用户在一段时间内的服务需求进行预测，无法对单个用户的服务需求进行精准预测。

发明内容

本发明的一个目的是提供一种用于预测新能源汽车充电或换电需求的方法和装置，其能够实现对单个用户的充电或换电服务需求的精准预测。

按照本发明一个方面的用于预测新能源汽车充电或换电需求的方法包含下列步骤：

A)确定新能源汽车最近经过的多个兴趣点，其中，所述兴趣点基于用户的历史驾驶轨迹确定；

B)基于预测概率估计新能源汽车的下一位置，所述预测概率为当前位置到达最近经过的多个兴趣点中的其中一个的概率；以及

C)基于下一位置确定加电或换电需求。

可选地，在上述方法中，通过对所述历史驾驶轨迹中包含的轨迹点进行聚类分析来确定兴趣点，所述聚类分析基于下列属性：新能源汽车在轨迹点处的行驶速度、轨迹点之间的距离和轨迹点的分布密度。

可选地，在上述方法中，所述聚类分析按照下列方式进行：

基于新能源汽车在轨迹点处的行驶速度和轨迹点之间的距离对历史驾驶轨迹进行聚类分析以得到多个停留位置，所述停留位置包含多个行驶速度和距离小于各自的设定阈值的轨迹点；以及

基于停留位置之间的距离和停留位置内轨迹点的分布密度对停留位置进行聚类分析以得到至少一个兴趣点，所述兴趣点所包含停留位置之间的距离小于设定的阈值，并且所包含停留位置内轨迹点的密度大于设定的阈值。

可选地，在上述方法中，所述停留位置之间的距离为所述停留位置的特征坐标之间的距离，所述特征坐标为停留位置所包含轨迹点的坐标的平均值。

可选地，在上述方法中，在步骤B)中，利用变阶马尔科夫模型确定预测概率。

可选地，在上述方法中，步骤B)包括：

利用变阶马尔科夫模型从所述最近经过的兴趣点中确定一个或多个候选位置，所述候选位置为在满足状态数阈值条件的情况下对应于最高阶数的兴趣点；以及

将预测概率最高的候选位置确定为下一位置。

可选地，在上述方法中，步骤B)包括：

利用变阶马尔科夫模型从所述最近经过的兴趣点中确定一个或多个第一候选位置，所述第一候选位置为在满足状态数阈值条件的情况下对应于最高阶数k的兴趣点；

利用变阶马尔科夫模型从所述最近经过的兴趣点中确定一个或多个第二候选位置，所述第二候选位置为在满足状态数阈值条件的情况下对应于阶数(k-1)的兴趣点；以及

利用逃逸概率对第二候选位置的预测概率进行修正；以及

将第一和第二候选位置中预测概率最高的位置确定为下一位置。

可选地，在上述方法中，在步骤C)中，如果满足下列条件之一，则确定新能源汽车当前存在加电或换电需求：

新能源汽车的动力电池的当前电量小于预设的低电量阈值；或者

新能源汽车的动力电池的当前电量大于或等于预设的低电量阈值，新能源汽车的最大续航里程大于或等于从当前位置到下一位置的行驶里程，但新能源汽车到达下一位置时动力电池的电量小于或等于0。

可选地，在上述方法中，在步骤C)中，如果满足下列条件，则确定新能源汽车在到达下一位置时存在加电或换电需求：

新能源汽车到达下一位置时动力电池的电量大于0，但是小于预设的低电量阈值。

可选地，在上述方法中，在步骤C)中，如果满足下列条件，则确定新能源汽车在到达下一位置的途中存在加电或换电需求：

新能源汽车的最大续航里程小于或等于从当前位置到下一位置的行驶里程。

按照本发明一个方面的用于预测新能源汽车充电或换电需求的装置包含存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的计算机程序，其中，执行所述程序以实现如上所述的方法。

本发明还提供一种计算机可读可读介质，其上存储计算机程序，其特征在于，该程序被处理器执行时实现如上所述的方法。

附图说明

本发明的上述和/或其它方面和优点将通过以下结合附图的各个方面的描述变得更加清晰和更容易理解，附图中相同或相似的单元采用相同的标号表示。附图包括：

图1为按照本发明一个或多个实施例的多级聚类分析方法的示意图。

图2为按照本发明一个或多个实施例的用于预测新能源汽车加电或换电需求的方法的流程图。

图3为按照本发明一个或多个实施例的利用变阶马尔科夫模型确定下一位置的方法的流程图。

图4示出了示例性序列中的兴趣点之间跃迁的示意图。

图5为按照本发明一个或多个实施例的利用带逃逸机制的变阶马尔科夫模型确定下一位置的方法的流程图。

图6为按照本发明一个或多个实施例的控制装置的示意框图。

具体实施方式

下面参照其中图示了本发明示意性实施例的附图更为全面地说明本发明。但本发明可以按不同形式来实现，而不应解读为仅限于本文给出的各实施例。给出的上述各实施例旨在使本文的披露全面完整，以将本发明的保护范围更为全面地传达给本领域技术人员。

在本说明书中，诸如“包含”和“包括”之类的用语表示除了具有在说明书和权利要求书中有直接和明确表述的单元和步骤以外，本发明的技术方案也不排除具有未被直接或明确表述的其它单元和步骤的情形。

诸如“第一”和“第二”之类的用语并不表示单元在时间、空间、大小等方面的顺序而仅仅是作区分各单元之用。

“耦合”应当理解为包括在两个单元之间直接传送电能量或电信号的情形，或者经过一个或多个第三单元间接传送电能量或电信号的情形。

按照本发明的一个方面，通过对用户的历史驾驶轨迹进行分析来提取用户的兴趣点，随后基于新能源汽车最近经过的兴趣点来预测新能源汽车的下一位置，并且由此确定加电或换电需求。这里所述的兴趣点可理解为用户驾驶车辆经常到访的地理位置，其例如是具有任意形状或边界的区域。

本发明的发明人经过深入研究发现，通过单一聚类方法对用户的历史驾驶轨迹点进行聚类分析得到的兴趣点的方式存在精度不足的问题，特别是当轨迹点数量很大时，由于其在二维平面上的投影非常密集，因此将导致误差变大。在本发明的一个或多个实施例中，采用下列多级聚类分析方法从历史驾驶轨迹中提取出用户的兴趣点，以下就此作进一步的描述。

通常而言，用户的历史驾驶轨迹可以视为由多个轨迹点构成的集合，每个轨迹点具有时间、经度和纬度等属性。需要指出的是，轨迹点仅代表时空坐标中的某一点，其未反映用户的行驶状态，而发明人的研究表明，在提取兴趣点时如果能够将驾驶状态(例如车辆行驶速度、停留时长等)也纳入考虑范围，则可以明显改善聚类分析的精度。

在本发明的一个或多个实施例中，首先采用基于速度和距离度量的宏观聚类算法对历史驾驶轨迹进行聚类分析，从而得到停留点位置，随后采用基于距离和分布密度的微观聚类算法对停留点位置进行聚类分析，从而得到用户的兴趣点。宏观聚类算法可以从大量的轨迹点中筛选出与用户经常到访的地理位置可能具有较高相关性的轨迹点，由此减少了微观聚类分析的数据量。另一方面，微观聚类仅对筛选后的轨迹点进行分析，因而可以设计更具针对性的算法，从而提高聚类精度。

在本发明的一个或多个实施例中，宏观聚类分析基于新能源汽车在轨迹点处的行驶速度和轨迹点之间的距离对轨迹点进行聚类分析，从而得到多个停留位置。对于每个停留位置，其包含多个轨迹点，所包含的每个轨迹点具有小于各自设定阈值的行驶速度和距离。对于每个停留位置，将其所包含的轨迹点的坐标的平均值作为该停留位置的特征坐标，并且将其所包含的轨迹点的时间的平均值作为该停留位置点的特征时间。

在本发明的一个或多个实施例中，微观聚类算法基于停留位置之间的距离(例如特征坐标之间的距离)和停留位置内轨迹点的分布密度对停留位置进行聚类分析以得到至少一个兴趣点。需要指出的是，每个兴趣点是停留位置的集合，其中，兴趣点所包含停留位置之间的距离小于设定的阈值，并且所包含停留位置内轨迹点的密度大于设定的阈值。可选地，用于微观聚类的聚类算法具备能够发现不规则形状或边界的能力。

在本发明的一个或多个实施例中，宏观聚类算法和微观聚类算法可以相同，也可以不同。示例性地，可以将k-means聚类算法用于宏观聚类分析，将DBSCAN聚类算法用于微观聚类分析。总之，通过根据实际的应用情况为宏观和微观聚类分析选用合适的算法组合以及阈值，可以获得用户的兴趣点。

图1为上述多级聚类分析方法的示意图。图1中的实心圆点代表轨迹点，空心圆点代表停留位置。图1的左半部分示出了宏观聚类分析结果的一个示例，其中圆圈内的轨迹点的行驶速度和相互距离小于各自的设定阈值，因而被视为属于某个停留位置的轨迹点。图1的右半部分示出了微观聚类分析结果的一个示例，其中阴影区域内的停留位置的相互距离小于设定阈值并且分布密度较高，因此将这些停留位置所在的区域标记为用户的兴趣点。

图2为按照本发明一个或多个实施例的用于预测新能源汽车加电或换电需求的方法的流程图。图2所示的方法可以在云端设备(例如充电或换电服务提供商以及汽车制造商等的计算机***)实现，也可以在本地设备(例如新能源汽车上的计算设备)实现，以下将云端设备和本地设备统称为控制装置。

如图2所示，在步骤210，控制装置确定包含了新能源汽车最近经过的兴趣点的序列{P1,P2,……PN}。示例性地，如果新能源汽车的当前位置处于用户的其中一个兴趣点处，则以该新能源汽车之前经过的(N-1)个兴趣点连同当前位置构建序列；如果新能源汽车的当前位置不在该用户的任何一个兴趣点处，则以该新能源汽车之前经过的N个兴趣点构建序列。

由于在后续关于下一位置的预测时，需要基于兴趣点之间发生跃迁的概率或预测概率，因此当新能源汽车的当前位置不在该用户的任何一个兴趣点处时，可以将最近一次经过的兴趣点或者相距最近的兴趣点认定为当前位置。在下面的描述中，除非特别说明，当前位置均指代最近一次经过的兴趣点或相距最近的兴趣点。

可选地，用户的兴趣点数据可以存储在云端数据库或者新能源汽车的本地存储器内以供控制装置调用，而新能源汽车之前经过的兴趣点可根据兴趣点数据和车辆的行进路线得到。

随后进入步骤220，控制装置依据预测概率来估计新能源汽车的下一位置，其中，预测概率为当前位置到达最近经过的多个兴趣点中的其中一个的概率。示例性地，可以将对应于最大的预测概率的兴趣点确定为下一位置。可选地，可以将该兴趣点中的停留位置的特征坐标的平均值作为下一位置的坐标值。

在步骤220中，可以利用变阶马尔科夫模型来确定预测概率，下面将借助图3和4作进一步的描述。

随后进入步骤230，控制装置获取新能源汽车的当前电量C1和最大续航里程L_Max。

接着进入步骤240，控制装置确定当前位置与步骤220中所确定的下一位置之间的行驶里程L。可选地，可以通过调用地图API获得行驶里程L。

随后，在步骤250，控制装置确定加电或换电需求。示例性地，确定加电或换电需求的规则包括下列中的至少一项：

规则I、如果满足下列条件之一，则确定新能源汽车当前存在加电或换电需求：

新能源汽车的动力电池的当前电量C1小于预设的低电量阈值TH；或者

新能源汽车的动力电池的当前电量C1大于或等于预设的低电量阈值TH，新能源汽车的最大续航里程L_Max大于或等于从当前位置到下一位置的行驶里程L，但新能源汽车到达下一位置时动力电池的电量小于或等于0。

规则II：如果满足下列条件，则确定新能源汽车在到达下一位置时存在加电或换电需求：

新能源汽车到达下一位置时动力电池的电量大于0，但是小于预设的低电量阈值TH。

规则III：如果满足下列条件，则确定新能源汽车在到达下一位置的途中存在加电或换电需求：

新能源汽车的最大续航里程L_Max小于或等于从当前位置到下一位置的行驶里程L。

如图3所示，在步骤310中，设定变阶马尔科夫模型的最高阶数k₀和状态数阈值，其中k₀≤N，N为序列{P1,P2,……PN}中的兴趣点的数量。

随后进入步骤320，对于变阶马尔科夫模型，确定在当前阶数下，序列{P1,P2,……PN}中是否存在满足状态数阈值的兴趣点，如果存在，则进入步骤330，否则进入步骤340。

需要指出的是，在首次执行步骤320时，当前阶数为最高阶数k₀，而在其它情况下，当前阶数则比前次确定兴趣点时所用的马尔科夫模型的阶数低1阶。

在步骤330中，将满足状态数阈值的兴趣点确定为候选位置。随后进入步骤350，确定当前位置到达各个候选位置的预测概率。示例性地，候选位置的预测概率可以按照下式确定：

其中

为状态数阈值为n并且阶数为k时，从当前位置到达位置l的预测概率，M(n,k)为状态数阈值为n并且阶数为k时的状态，M(i,k)为状态数阈值为i并且阶数为k时的状态。当M(n,k)为空集ε时，指定p(m|ε)＝1/|Σ|，其中m代表序列中的一个兴趣点，|Σ|为序列中的兴趣点的数量。

接着进入步骤360，将对应于最大预测概率的候选位置确定为下一位置。

回到步骤320的另一个分支步骤340，在该步骤中，确定当前阶数是否为1，如果为1，则进入步骤370，否则进入步骤380。

在步骤370，则从序列{P1,P2,……PN}随机地选取一个兴趣点作为下一位置。

在步骤380，将当前阶数减1作为更新后的当前阶数。在执行步骤380之后，图3所示的流程返回步骤320。

图4为按照本发明一个或多个实施例的利用带逃逸机制的变阶马尔科夫模型确定下一位置的方法的流程图。

如图4所示，在步骤410中，设定变阶马尔科夫模型的最高阶数k₀和状态数阈值，其中k₀≤N，m为序列{P1,P2,……PN}中的兴趣点的数量。

随后进入步骤420，对于变阶马尔科夫模型，确定在序列{P1,P2,……PN}中是否存在满足状态数阈值的兴趣点，如果存在，则进入步骤430，否则进入步骤440。

在步骤430中，将满足状态数阈值条件的情况下对应于最高阶数(假设为k)的兴趣点确定为第一候选位置。

随后进入步骤450，将满足状态数阈值条件的情况下对应于阶数(k-1)的兴趣点确定为第二候选位置。

接着进入步骤460，利用逃逸概率来修正当前位置到达各个候选位置的预测概率。示例性地，可以依照下式进行修正：

其中

为当状态数阈值为n并且阶数为k时，从当前位置到达位置l的预测概率，M(n,k)为当状态数阈值为n并且阶数为k时的状态，M(i,k)为当状态数阈值为i并且阶数为k时的状态。当M(n,k)为空集ε时，指定p(m|ε)＝1/|Σ|，其中m代表序列中的一个兴趣点，|Σ|为序列中的兴趣点的数量。

也就是说，通过将阶数(k-1)的兴趣点的预测概率与逃逸概率相乘得到修正值，对于最高阶数的兴趣点的预测概率，则不作修正。

接着进入步骤470，将对应于修正后的最大预测概率的候选位置确定为下一位置。

回到步骤420的另一个分支步骤440，从序列{P1,P2,……PN}随机地选取一个兴趣点作为下一位置。

作为一个示例，假设序列{P1,P2,……Pi}取值为{achaeadacha}，其中a、c、d、e和h代表兴趣点的编号。相应地，图5示出了序列中的兴趣点之间跃迁的示意图。在图5中，字母代表兴趣点的编号，数字代表到达该兴趣点的次数，线条连接的上下两个兴趣点表示车辆从上个兴趣点到达下个兴趣点的跃迁。特别地，ε代表空兴趣点，从ε出发所连接的所有下一个兴趣点构成了序列的兴趣点集合。

在上面的示例中，n＝1，k＝2，|Σ|＝5，M(1,2)表示状态数阈值为1、2阶的状态，即(ha)；M(1,1)表示状态数阈值为1、1阶的状态，即(a)；M(1,0)表示状态数阈值为1、0阶的空状态ε。此外，|Σ_sM(1,2)|表示状态(ha)的下一位置集合(该集合为{e})的大小，这里等于1；|Σ_sM(1,1)|表示状态(a)的下一位置集合(该集合为{c,d,h})的大小，这里等于3；

表示状态(ha)的历史数量，这里等于1；

表示状态(a)的历史数量，这里等于4；

表示下个状态为l的状态(a)的历史数量。

对于{achaeadacha}，当马尔科夫模型的阶数为2时，需要搜索的状态为当前序列的末尾2个位置组合，即为(ha)。如果状态阈值为1，则由于(ha)状态数为1，因此满足状态数阈值的条件，并且(ha)对应的候选位置仅有e，由此依照式(1)确定：P(e|ha)＝1并且P(other|ha)＝0。

此外，依照式(4)可确定逃逸概率如下：

p^(escape|ha)＝1/(1+1)＝1/2和p^(escape|a)＝3/(3+4)＝3/7。

由此，依照式(2)可得到下列修正的预测概率：

P(e|ha)＝p^(e|ha)＝1/(1+1)＝1/2

P(c|ha)＝p^(escape|ha)*p^(c|a)＝1/2*2/(3+4)＝2/14

P(d|ha)＝p^(escape|ha)*p^(d|a)＝1/2*1/(3+4)＝1/14

P(h|ha)＝p^(escape|ha)*p^(escape|a)*p^(h|ε)＝1/2*3/7*1/5＝3/70

P(a|ha)＝p^(escape|ha)*p^(escape|a)*p^(a|ε)＝1/2*3/7*1/5＝3/70

通过引入逃逸机制，可以对其他兴趣点进行预测，从而处理数据稀疏性导致的零频率问题。

图6为按照本发明一个或多个实施例的控制装置的示意框图。

图6所示的控制装置60包含存储器610、处理器620以及存储在存储器610上并可在处理器620上运行的计算机程序630，其中，执行计算机程序630可以实现上面借助图1-5所述的用于预测新能源汽车加电或换电需求的方法。

按照本发明的另一方面，还提供了一种计算机可读可读介质，其上存储计算机程序，该程序被处理器执行时可实现上面借助图1-5所述的用于预测新能源汽车加电或换电需求的方法。

提供本文中提出的实施例和示例，以便最好地说明按照本技术及其特定应用的实施例，并且由此使本领域的技术人员能够实施和使用本发明。但是，本领域的技术人员将会知道，仅为了便于说明和举例而提供以上描述和示例。所提出的描述不是意在涵盖本发明的各个方面或者将本发明局限于所公开的精确形式。

鉴于以上所述，本公开的范围通过以下权利要求书来确定。

Claims

1.一种用于预测新能源汽车加电或换电需求的方法，其特征在于，包含下列步骤：

C)基于下一位置确定加电或换电需求。

2.如权利要求1所述的方法，其中，通过对所述历史驾驶轨迹中包含的轨迹点进行聚类分析来确定兴趣点，所述聚类分析基于下列属性：新能源汽车在轨迹点处的行驶速度、轨迹点之间的距离和轨迹点的分布密度。

3.如权利要求2所述的方法，其中，所述聚类分析按照下列方式进行：

4.如权利要求3所述的方法，其中，所述停留位置之间的距离为所述停留位置的特征坐标之间的距离，所述特征坐标为停留位置所包含轨迹点的坐标的平均值。

5.如权利要求1所述的方法，其中，在步骤B)中，利用变阶马尔科夫模型确定预测概率。

6.如权利要求5所述的方法，其中，步骤B)包括：

将预测概率最高的候选位置确定为下一位置。

7.如权利要求5所述的方法，其中，步骤B)包括：

利用逃逸概率对第二候选位置的预测概率进行修正；以及

8.如权利要求1所述的方法，其中，在步骤C)中，如果满足下列条件之一，则确定新能源汽车当前存在加电或换电需求：

9.如权利要求1所述的方法，其中，在步骤C)中，如果满足下列条件，则确定新能源汽车在到达下一位置时存在加电或换电需求：

10.如权利要求1所述的方法，其中，在步骤C)中，如果满足下列条件，则确定新能源汽车在到达下一位置的途中存在加电或换电需求：

11.一种控制装置，包含存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，执行所述程序以实现如权利要求1-10中任一项所述的方法。

12.一种计算机可读存储介质，其上存储计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1-10中任一项所述的方法。