CN110610260B - 行车能耗预测***、方法、存储介质和设备 - Google Patents

行车能耗预测***、方法、存储介质和设备 Download PDF

Info

Publication number
CN110610260B
CN110610260B CN201910771693.7A CN201910771693A CN110610260B CN 110610260 B CN110610260 B CN 110610260B CN 201910771693 A CN201910771693 A CN 201910771693A CN 110610260 B CN110610260 B CN 110610260B
Authority
CN
China
Prior art keywords
road
energy consumption
driving
vehicle speed
prediction
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201910771693.7A
Other languages
English (en)
Other versions
CN110610260A (zh
Inventor
李玉芳
张俊
任陈
卢小丁
倪铭
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Nanjing University of Aeronautics and Astronautics
Original Assignee
Nanjing University of Aeronautics and Astronautics
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 Nanjing University of Aeronautics and Astronautics filed Critical Nanjing University of Aeronautics and Astronautics
Priority to CN201910771693.7A priority Critical patent/CN110610260B/zh
Publication of CN110610260A publication Critical patent/CN110610260A/zh
Application granted granted Critical
Publication of CN110610260B publication Critical patent/CN110610260B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • 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
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/40—Business processes related to the transportation industry

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • Health & Medical Sciences (AREA)
  • Economics (AREA)
  • Artificial Intelligence (AREA)
  • Computational Linguistics (AREA)
  • Software Systems (AREA)
  • General Business, Economics & Management (AREA)
  • Mathematical Physics (AREA)
  • General Engineering & Computer Science (AREA)
  • Marketing (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Tourism & Hospitality (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Molecular Biology (AREA)
  • Development Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Operations Research (AREA)
  • Game Theory and Decision Science (AREA)
  • Quality & Reliability (AREA)
  • Primary Health Care (AREA)
  • Traffic Control Systems (AREA)
  • Navigation (AREA)

Abstract

本发明公开一种行车能耗预测***、方法、存储介质和设备，其中预测方法包括获取规划行驶路线的历史工况数据；基于历史工况数据构建训练样本数据集；对训练样本数据集进行数据训练，建立车速特征BP神经网络模型和行车能耗BP神经网络模型；获取规划行驶路线上的实时工况信息，输入至车速特征BP神经网络模型中进行预测，得到未来行驶的车速特征数据，然后将车速特征数据输入至行车能耗BP神经网络模型中进行预测，得到未来的行驶能量消耗数据，实现行车能耗的在线预测。本发明可实现不同道路环境和交通状态的行驶工况下行车能耗的在线有效预测，帮助提高车辆智能能量管理的效率。

Description

行车能耗预测***、方法、存储介质和设备
技术领域
本发明涉及智能交通***和智能网联环境下的车载智能能量管理技术领域，尤其涉及一种用于智能汽车上的针对任意规划路径上的行车能耗预测***、方法、存储介质和设备。
背景技术
IEMS(Intelligent Energy Management System，智能能量管理***)是智能网联汽车和ITS(Intelligent Transport System，智能交通***)等发展的必然需求，其目标是使车辆在不同行驶场景下的都能在线自适应地实现车载能量的高效节能、最优化的利用，尤其针对于目前的电动汽车和混合动力汽车等新能源汽车。而车载能量的消耗情况主要受一定道路和交通环境下的行驶工况影响，因此智能能量管理***的关键是可以实现对不同行驶工况的自适应控制。
传统的车辆能量管理***由于无法获知未来车辆的行驶工况，其主要是基于动力***实时工作点的瞬态功率点优化控制。而现在的智能能量管理***可利用智能学习算法可实现车辆未来短时间内(通常在3-5分钟之内)的行驶速度预测、行驶功率需求预测或行驶工况的识别，基于此可进一步实现车载能量的自适应工况控制，但是这些都只是在预测时域内的局部优化控制。因此，目前对于车载能量的管理主要还是集中在瞬时优化和局部优化控制方面，对于车载能量的全局优化控制还很少。而基于对未来规划行驶路线上的行车能量消耗进行预测，可进一步实现对车载能量在规划行驶路线上的全局规划及优化控制，极大程度上提高车载能量的利用效率。
发明内容
本发明针对上述现有技术的不足，基于道路环境、交通状态和车辆运行的历史/实时大数据对任意规划行驶路线上不同行驶工况下的行车能量消耗进行在线预测，以帮助实现车载能量的全局规划及优化控制。
本发明一方面提供一种行车能耗预测***，包括数据采集子***、离线训练子***和在线预测子***；其中所述数据采集子***用于对规划行驶路线上的道路环境参数、交通状态参数和车辆运行数据进行采集和记录；所述离线训练子***，用于将规划行驶路线划分为多个路段，提取和计算各路段的道路环境参数、交通状态参数、车速特征参数和能量消耗值，建立样本数据集；搭建BP神经网络模型，通过BP神经网络对所述数据集分别进行训练和验证，得到验证后的BP神经网络；所述在线预测子***，用于对规划行驶路线进行路段划分，提取各路段的道路环境参数、交通状态参数和路段行驶里程值，通过所述验证后的BP神经网络对规划行驶路线上的行车能量消耗进行预测。
进一步的，所述离线训练子***包括离线数据处理模块和模型训练模块；其中所述离线数据处理模块，用于将规划行驶路线划分为多个路段，提取和计算路段的道路环境参数、交通状态参数、车速特征参数和能量消耗值，分别建立车速特征预测样本数据集和行车能耗预测样本数据集；所述模型训练模块，用于将样本数据集划分为训练数据集和测试数据集，分别搭建车速特征BP神经网络模型和行车能耗BP神经网络模型，对所述训练数据集分别进行训练；通过所述测试数据集对训练好的BP神经网络进行有效性验证。
进一步的，所述在线预测子***包括在线数据处理模块和实时预测模块；其中所述在线数据处理模块，用于对规划行驶路线进行动态路段实时划分，提取各路段的道路环境参数、交通状态参数和路段行驶里程值；所述实时预测模块，用于根据训练后得到的所述车速特征BP神经网络模型和所述数据处理模块提取的参数对未来行驶路线上的路段车速特征参数进行实时预测，再以预测的车速特征参数作为行车能耗BP行车能量消耗的输入值对未来各路段的能量消耗值进行实时预测，并对各路段的能量消耗值求和，实现对未来行驶路线的行车能量消耗的预测。
本发明另一方面提供一种行车能耗预测方法，包括：获取规划行驶路线的历史工况数据，包括道路环境参数、交通状态参数和车辆运行数据；基于所述历史工况数据构建训练样本数据集；对所述训练样本数据集进行数据训练，建立车速特征BP神经网络模型和行车能耗BP神经网络模型；获取规划行驶路线上的实时工况信息，输入至所述车速特征BP神经网络模型中进行预测，得到未来行驶的车速特征数据，然后将所述车速特征数据输入至行车能耗BP神经网络模型中进行预测，得到未来的行驶能量消耗数据，实现行车能耗的在线预测。
进一步的，所述构建训练样本数据集具体为：将规划行驶路线划分为多个路段，以单个路段为单位提取该路段的特征参数，包括道路环境参数、交通状态参数、车速特征参数、路段的行驶里程值和车辆行驶能量消耗值；利用逐步线性回归方法分析所述能量消耗值与所述车速特征参数之间的影响关系，确定主要的车速特征参数用以预测模型的建立。
进一步的，所述将规划行驶路线划分为多个路段具体为将规划行驶路线分为不同交通拥堵等级，交通拥堵等级相同的一段行驶里程划分为一个路段样本。
进一步的，所述的道路环境参数包括道路类型、道路坡度和道路限速；所述交通状态参数为交通拥堵等级；所述路段的行驶里程值为规划行驶路线的起点至该路段中点之间的距离；所述车速特征参数为某一时间段内车速序列的统计量，包括平均速度、平均加速度、速度标准差、平均加速度、加速度标准差、加速时间比例、减速时间比例、匀速时间比例和怠速/停车时间比例、最大车速和最大加速度。
进一步的，所述提取路段的道路环境参数中，道路类型和道路限速参数数据的提取方法具体为：当按照路段划分方法划分的路段中的道路类型或道路限速唯一时，则各路段的道路类型或道路限速参数数据为该道路类型或道路限速对应的参数值；当按照路段划分方法划分的路段中的道路类型或道路限速不唯一时，则该路段的道路类型或道路限速参数值按如下方式确定：将不同的道路类型或道路限速在该路段中所占长度比例乘以各自道路类型或道路限速对应的参数值，再将所有参数值求和，得到该路段的最终的道路类型或道路限速参数值。
本发明还提供一种存储介质，包括存储在该存储介质中的程序，在所述程序运行时控制所述存储介质所在的设备执行上述技术方案中任一种所述的行车能耗预测方法。
本发明还提供一种行车能耗检测设备，包括处理器，所述处理器用于运行程序，所述程序运行时执行上述技术方案中任一种所述的行车能耗预测方法。
本发明是基于实时可获取的道路环境、交通状态和行驶里程信息对未来规划行驶路线上的行车能耗进行预测，其具有很强的工况适应性和实用性；基于逐步线性回归方法对主要车速特征参数进行筛选，保证了所选的车速特征参数之间没有共线性，减少了预测模型不必要的输入，在保证预测精度的同时提高了预测效率；本发明实现的规划行驶路线上的总行车能耗预测可进一步帮助实现车载能量的全局规划及优化，极大程度上提高车载能量的利用效率。
附图说明
构成本发明的一部分的说明书附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的限定。在附图中，
图1为本发明一实施例行车能耗预测***结构图；
图2为本发明另一实施例行车能耗预测方法流程图；
图3为图2实施例中车速特征对能量消耗的影响因子分布柱状图；
图4为图2实施例中车速特征参数预测结果图；
图5为基于真实车速特征参数和基于预测车速特征参数的行车能耗预测结果图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
实施例1
本实施例提供了一种行车能耗智能预测***，图1为本实施例的一种行车能耗智能预测***示意图，参照图1，该***包括数据采集子***、离线训练子***和在线预测子***。
所述的数据采集子***，用于对规划行驶路线上的道路环境参数数据、交通状态参数数据和车辆运行数据进行采集和记录；
所述的离线训练子***，用于将规划行驶路线划分为多个路段，提取和计算路段的道路环境参数、交通状态参数、车速特征参数和能量消耗值，对所述的车速特征参数进行分析，建立样本数据集；搭建BP神经网络模型，通过BP神经网络对所述数据集分别进行训练和验证，得到验证后的BP神经网络。
所述的在线预测子***，用于对规划行驶路线进行路段划分，提取各路段的道路、交通特征参数和路段行驶里程值，通过所述的验证后的BP神经网络对规划行驶路线上的行车能量消耗进行预测。
进一步的，数据采集子***包括道路和交通数据采集模块和车辆运行数据采集模块；
其中，道路和交通数据采集模块，用于采用车载GPS定位装置和GIS信息接收装置来对规划行驶路线的道路环境参数、交通状态参数和行驶里程信息进行采集和记录；车辆运行数据采集模块，用于采用CAN总线和车速传感器来对车辆在规划行驶路线上的运行速度进行采集和记录。
进一步的，离线训练子***包括离线数据处理模块和模型训练模块；
其中，离线数据处理模块，用于将规划行驶路线划分为多个路段，提取和计算路段的道路环境特征参数、交通状态特征参数、路段行驶里程值、车速特征参数和能量消耗值，利用逐步线性回归方法对所述的车速特征参数与能量消耗之间的影响关系进行分析，分别建立车速特征预测样本数据集和行车能耗预测样本数据集；
模型训练模块，用于将样本数据集划分为训练数据集和测试数据集，分别搭建车速特征BP神经网络模型和行车能耗BP神经网络模型，通过BP神经网络对训练数据集进行训练；通过测试数据集对训练好的BP神经网络进行有效性验证。
进一步的，在线预测子***包括在线数据处理模块和实时预测模块；
其中，在线数据处理模块，用于对规划行驶路线进行动态路段划分，提取各路段的道路环境参数、交通状态参数和路段行驶里程值；
实时预测模块，用于根据训练后得到的车速特征BP神经网络模型和所述数据处理模块提取的参数对未来行驶路线上的路段车速特征参数进行实时预测，再以所述的预测车速特征参数作为行车能耗BP行车能量消耗的输入对未来各路段的能量消耗值进行实时预测，最后对各路段的能量消耗值求和，完成对未来行驶路线的行车能量消耗的预测。
实施例2
如图2所示，一种行车能耗预测方法，包括：
步骤1、获取规划行驶路线的历史工况数据，包括道路环境参数、交通状态参数和车辆运行数据；
利用车载GPS定位装置、GIS信息接收装置采集道路环境参数如道路类型、道路坡度、道路限速和交通状态参数如交通拥堵等级等信息；利用CAN总线和车速传感器采集车辆运行数据如行驶距离和车速等。
步骤2、基于获取的原始数据构建训练样本数据集，具体包括如下步骤：
由于规划行驶路线上不同路段的交通状态是不同的且时变的，而不同的交通状态下，车辆运行的能量消耗情况是不同的，因此将规划行驶路线上交通拥堵等级相同的一段行驶里程划分为一个路段样本；
进一步的，对划分后的路段样本，提取和计算路段的道路环境参数、交通状态参数、车速特征参数和能量消耗值，其中
路段行驶里程值为该路段的中点至规划行驶路线起点之间的距离；而道路类型、道路坡度、道路限速和交通拥堵等级，这些参数值是车载GPS定位装置和GIS信息接收装置直接获取的，一般均不需要进一步处理。但是，道路类型、道路限速和交通拥堵等级参数值为有限种类的离散状态值，按所述的路段划分方法划分路段后，各路段的交通拥堵等级参数值可唯一确定，但可能会出现有些路段的道路类型或道路限速不唯一的情况，此时，路段的道路类型和道路限速参数值需按如下方法进一步处理：
将不同的道路类型或道路限速在该路段中所占长度比例乘以各自道路类型或道路限速对应的参数值，再将上述各乘以长度比例后的参数值求和得到该路段的最终的道路类型或道路限速参数值。
车速特征参数由路段样本的车速序列数据计算得到的，在本实施例中，为了后续分析车速特征参数与能量消耗之间的关系，选定了9个基本车速特征参数进行计算：
其中，车速特征参数具体包括：P0为怠速/停车时间比例；Pa为加速时间比例；Pd为减速时间比例；Py为匀速时间比例；平均速度Vm、速度标准差Vs、平均加速度am、平均减速度dm、加速度标准差As。
首先，假设路段样本的运行时间为T，求出各时刻的加速度，并统计出怠速/停车时间T0、加速行驶时间Ta、减速行驶时间Td和匀速行驶时间Ty：
式中ai,i+1为第i秒和第i+1秒的加速度，单位是m/s2；ui,i+1为第i+1秒的速度，ui为第i秒的速度，单位是km/h；k为该路段样本的所有速度数据点的个数；
T0＝该路段样本中速度为0的数据点的总点数；
Ta＝该路段样本中加速度不小于0.15m/s2的总点数；
Td＝该路段样本中加速度不大于-0.15m/s2的总点数；
Ty＝T-T0-Ta-Td
进一步地，计算出所述的所有车速特征参数如下：
能量消耗值同样由路段样本的车速序列数据计算得到的，首先利用汽车功率平衡方程计算出车辆行驶的需求功率，再利用能量计算公式计算出一段时间内的能量消耗，具体的功率和能量计算公式如下：
其中，m为汽车质量，g为重力加速度，ηT为传动效率，i为道路坡度，CD为空气阻力系数，A为汽车迎风面积，f为滚动阻力系数，δ为旋转质量换算系数，为直线行驶加速度，Pe为车辆行驶需求功率，ua为车辆行驶速度，E为能量。
通常的，为了降低预测模型的复杂程度，提高预测效率，利用逐步线性回归方法分析所述各车速特征参数与能量消耗之间的影响关系，并筛选出对能量消耗有主要影响的车速特征值用以后续的预测模型建立。
上述逐步回归的基本原理是将变量逐个引入模型，每引入一个解释变量后都要进行F检验，并对已经选入的解释变量逐个进行t检验，当原来引入的解释变量由于后面解释变量的引入变得不再显著时，则将其删除，以确保每次引入新的变量之前回归方程中只包含显著性变量，这是一个反复的过程，直到既没有显著的解释变量选入回归方程，也没有不显著的解释变量从回归方程中剔除为止，以保证最后保留在模型中的解释变量既是重要的，又没有严重多重共线性。具体步骤如下：先用被解释变量(能量)对每一个所考虑的解释变量(车速特征参数)做简单回归，然后以对被解释变量贡献最大的解释变量所对应的回归方程为基础，再逐步引入其余解释变量，引入顺序原则是该变量比其他变量进入模型有更大的检验值，每一步都会得到一个回归方程，直到得到最优的回归方程为止，即筛选出最优的解释变量集为止。
具体分析结果如表1所示：
表1逐步回归分析结果
根据表1的分析结果，计算各车速特征参量对能量的影响因子：
其中，ΔR2为每一步引入新变量后回归方程的决定系数R2的提升幅度；R2 l为回归分析最终得到的最优回归方程的决定系数。
如图4所示，可见回归分析最终保留了为加速时间比例、平均速度、速度标准差、平均加速度、平均减速度、加速度标准差；其中，影响因子值越大说明对能量消耗的影响程度越高，根据图4中的影响因子分布情况，选取前三个有主要影响的车速特征用以后续的建模，即加速时间比例、平均速度和速度标准差。
确定了车速特征参数后，即完成了最终车速特征预测样本数据集和行车能耗预测样本数据集的建立。
步骤3、对样本数据集进行数据训练建立车速特征BP神经网络模型和行车能耗BP神经网络模型；
对车速特征预测样本数据集利用BP神经网络进行训练，建立车速特征BP神经网络模型；对行车能耗预测样本数据集利用BP神经网络进行训练，建立行车能耗BP神经网络模型。
其中，建立BP神经网络的步骤包括：
(1)选定网络的输入变量，确定输入层节点数m；
(2)确定隐含层数和隐含层节点数；
(3)确定学习率、初始权值、初始阈值；
(4)确定输出层的节点数；
(5)训练神经网络。
在本实施例中，对于车速特征BP神经网络模型，输入变量为道路类型、道路限速、道路坡度、交通拥堵等级和行驶里程，输入层节点数即为5，隐含层数为2，学习率为0.02，初始权值和初始阈值均为默认值，由于对三个车速特征参量是进行单独的预测，则输出层的节点数为1。
对于行车能耗BP神经网络模型，输入变量为加速时间比例、平均速度和速度标准差，输入层节点数即为3，隐含层数为2，学习率为0.02，初始权值和初始阈值均为默认值，输出变量为能量，输出层的节点数即为1。
其中隐含层的节点数m有三种估算方法如下：
(1)
(2)m＝log2n
(3)
其中，n为输入层节点数，l为输出层节点数，δ为0～10之间的常数，通过估算方法以及试凑方法得到隐含层节点数m。
对于车速特征BP神经网络模型隐含层节点数m确定为25，对于行车能耗BP神经网络模型隐含层节点数m确定为20。
训练神经网络的过程具体为：
对于车速特征BP神经网络模型，从样本数据集中任意选取75％作为训练样本，25％作为测试样本，以训练样本的道路类型、道路限速、道路坡度、交通拥堵等级和行驶里程作为网络输入；以训练样本的车速特征作为网络输出，采用标准BP模型，选择隐含层数为2，输入层节点数为5，输出层节点数为1，隐含层节点数为25，第一层传递函数选为tansig函数，第二层传递函数为purelin函数，训练函数为带动量梯度下降改进型训练函数traingdm，通过数据的学习完成神经网络的训练。
对于行车能耗BP神经网络模型，从样本数据集中任意选取75％作为训练样本，25％作为测试样本，以训练样本的加速时间比例、平均速度和速度标准差作为网络输入；以训练样本的能量消耗作为网络输出，采用标准BP模型，选择隐含层数为2，输入层节点数为3，输出层节点数为1，隐含层节点数为20，第一层传递函数选为tansig函数，第二层传递函数为purelin函数，训练函数为带动量梯度下降改进型训练函数traingdm，通过数据的学习完成神经网络的训练。
接下来利用测试样本数据对训练好的车速特征BP神经网络模型和行车能耗BP神经网络模型进行测试，车速特征BP神经网络模型的测试结果如图4中的(a)、图4中的(b)、图4中的(c)所示，行车能耗BP神经网络模型的测试结果如图5中的(a)所示。
以预测的车速特征参数数据作为行车能耗BP神经网络模型的输入，对行车能耗进行预测，结果如图5中的(b)所示，图5中的(b)中左边纵轴为路段的累积能耗，右边纵轴为累积能耗的绝对误差。
其中，图5中的(a)为以真实的车速特征参数作为行车能耗BP神经网络模型的输入的预测结果，其最终的绝对误差在100KJ左右，图5中的(b)为以预测的车速特征参数作为行车能耗BP神经网络模型的输入的预测结果，其最终的绝对误差在160KJ左右。可见，虽然基于预测车速特征参数的行车能耗预测精度较前者有所降低，但其预测精度仍然相当高，最终的相对误差在7％左右。
步骤4、获取规划行驶路线上的实时道路和交通信息参数，输入至车速特征BP神经网络模型中进行预测得到未来行驶的车速特征数据，然后将预测的车速特征数据输入至行车能耗BP神经网络模型中进行预测得到未来的行驶能量消耗数据，实现行车能耗的在线预测。
由于规划行驶路线上不同路段的交通状态是不同的且时变的，而不同的交通状态下，车辆运行的能量消耗情况是不同的，因此将规划行驶路线上交通拥堵等级相同的一段行驶里程划分为一个路段。
基于车载GPS定位装置和GIS信息接收装置采集的规划路线上的实时交通拥堵等级数据，将规划行驶路线按所述方法动态划分为多个路段，进一步确定出各路段的其他参数数据，包括道路类型、道路坡度、道路限速和路段行驶里程值。
其中，路段行驶里程值为该路段的中点至规划行驶路线起点之间的距离；而道路类型、道路坡度、道路限速和交通拥堵等级，这些参数值是车载GPS定位装置和GIS信息接收装置直接获取的，一般均不需要进一步处理。但是，道路类型、道路限速和交通拥堵等级参数值为有限种类的离散状态值，按所述的路段划分方法划分路段后，各路段的交通拥堵等级参数值可唯一确定，但可能会出现有些路段的道路类型或道路限速不唯一的情况，此时，路段的道路类型和道路限速参数值需按如下方法进一步处理：即将不同的道路类型或道路限速在该路段中所占长度比例乘以各自道路类型或道路限速对应的参数值，再将各乘以长度比例的参数值求和得到该路段的最终的道路类型或道路限速参数值。
将这些获取的参数数据输入至车速特征BP神经网络模型中进行预测，得到未来各路段的车速特征数据。再将所预测的车速特征数据输入至行车能耗BP神经网络模型中进行预测，得到未来各路段的能量消耗数据，将所有路段预测的能量消耗数据求和即可得到规划行驶路线上的总能量消耗，或将任意数量的连续路段的预测能量消耗数据进行求和即可得到规划行驶路线上任意行驶里程内的能量消耗。
本实施例还提供一种存储介质，包括存储在该存储介质中的程序，在所述程序运行时控制所述存储介质所在的设备执行上述技术方案中任一种所述的行车能耗预测方法。
本实施例还提供一种行车能耗检测设备，包括处理器，所述处理器用于运行程序，所述程序运行时执行上述技术方案中任一种所述的行车能耗预测方法。
本发明方案所公开的技术手段不仅限于上述实施方式所公开的技术手段，还包括由以上技术特征任意组合所组成的技术方案。

Claims (10)

1.一种行车能耗预测***，其特征在于：包括数据采集子***、离线训练子***和在线预测子***；其中
所述数据采集子***用于对规划行驶路线上的道路环境参数、交通状态参数和车辆运行数据进行采集和记录；
所述离线训练子***，用于将规划行驶路线划分为多个路段，提取和计算各路段的道路环境参数、交通状态参数、车速特征参数和能量消耗值，建立样本数据集；搭建BP神经网络模型，通过BP神经网络对所述数据集分别进行训练和验证，得到验证后的BP神经网络；所述建立样本数据集包括以下步骤：
S11、将规划行驶路线上交通拥堵等级相同的一段行驶里程划分为一个路段样本；
S12、对划分后的路段样本，提取和计算路段的道路环境参数、交通状态参数、车速特征参数和能量消耗值，其中路段行驶里程值为该路段的中点至规划行驶路线起点之间的距离，道路类型、道路坡度、道路限速和交通拥堵等级由车载GPS定位装置和GIS信息接收装置直接获取；
S13、将路段的道路类型和道路限速参数值进一步处理：将不同的道路类型或道路限速在该路段中所占长度比例乘以各自道路类型或道路限速对应的参数值，再将各乘以长度比例后的参数值求和得到该路段的最终的道路类型或道路限速参数值；其中车速特征参数具体包括：P0为怠速/停车时间比例；Pa为加速时间比例；Pd为减速时间比例；Py为匀速时间比例；平均速度Vm、速度标准差Vs、平均加速度am、平均减速度dm、加速度标准差As；
S14、计算能量消耗值，首先计算车辆行驶的需求功率，再计算一段时间内的能量消耗；
所述在线预测子***，用于对规划行驶路线进行路段划分，提取各路段的道路环境参数、交通状态参数和路段行驶里程值，通过所述验证后的BP神经网络对规划行驶路线上的行车能量消耗进行预测。
2.根据权利要求1所述的行车能耗预测***，其特征在于：所述离线训练子***包括离线数据处理模块和模型训练模块；其中
所述离线数据处理模块，用于将规划行驶路线划分为多个路段，提取和计算路段的道路环境参数、交通状态参数、车速特征参数和能量消耗值，分别建立车速特征预测样本数据集和行车能耗预测样本数据集；
所述模型训练模块，用于将样本数据集划分为训练数据集和测试数据集，分别搭建车速特征BP神经网络模型和行车能耗BP神经网络模型，对所述训练数据集分别进行训练；
通过所述测试数据集对训练好的BP神经网络进行有效性验证。
3.根据权利要求1所述的行车能耗预测***，其特征在于：所述在线预测子***包括在线数据处理模块和实时预测模块；其中
所述在线数据处理模块，用于对规划行驶路线进行动态路段实时划分，提取各路段的道路环境参数、交通状态参数和路段行驶里程值；
所述实时预测模块，用于根据训练后得到的所述车速特征BP神经网络模型和所述数据处理模块提取的参数对未来行驶路线上的路段车速特征参数进行实时预测，再以预测的车速特征参数作为行车能耗BP行车能量消耗的输入值对未来各路段的能量消耗值进行实时预测，并对各路段的能量消耗值求和，实现对未来行驶路线的行车能量消耗的预测。
4.一种行车能耗预测方法，其特征在于，包括以下步骤：
获取规划行驶路线的历史工况数据，包括道路环境参数、交通状态参数和车辆运行数据；
基于所述历史工况数据构建训练样本数据集；建立样本数据集包括以下步骤：
S11、将规划行驶路线上交通拥堵等级相同的一段行驶里程划分为一个路段样本；
S12、对划分后的路段样本，提取和计算路段的道路环境参数、交通状态参数、车速特征参数和能量消耗值，其中路段行驶里程值为该路段的中点至规划行驶路线起点之间的距离，道路类型、道路坡度、道路限速和交通拥堵等级由车载GPS定位装置和GIS信息接收装置直接获取；
S13、将路段的道路类型和道路限速参数值进一步处理：将不同的道路类型或道路限速在该路段中所占长度比例乘以各自道路类型或道路限速对应的参数值，再将各乘以长度比例后的参数值求和得到该路段的最终的道路类型或道路限速参数值；其中车速特征参数具体包括：P0为怠速/停车时间比例；Pa为加速时间比例；Pd为减速时间比例；Py为匀速时间比例；平均速度Vm、速度标准差Vs、平均加速度am、平均减速度dm、加速度标准差As；
S14、计算能量消耗值，首先计算车辆行驶的需求功率，再计算一段时间内的能量消耗；
对所述训练样本数据集进行数据训练，建立车速特征BP神经网络模型和行车能耗BP神经网络模型；
获取规划行驶路线上的实时工况信息，输入至所述车速特征BP神经网络模型中进行预测，得到未来行驶的车速特征数据，然后将所述车速特征数据输入至行车能耗BP神经网络模型中进行预测，得到未来的行驶能量消耗数据，实现行车能耗的在线预测。
5.根据权利要求4所述的行车能耗预测方法，其特征在于，所述构建训练样本数据集具体为：将规划行驶路线划分为多个路段，以单个路段为单位提取该路段的特征参数，包括道路环境参数、交通状态参数、车速特征参数、路段的行驶里程值和车辆行驶能量消耗值；利用逐步线性回归方法分析所述能量消耗值与所述车速特征参数之间的影响关系，确定主要的车速特征参数用以预测模型的建立。
6.根据权利要求5所述的行车能耗预测方法，其特征在于，所述将规划行驶路线划分为多个路段具体为将规划行驶路线分为不同交通拥堵等级，交通拥堵等级相同的一段行驶里程划分为一个路段样本。
7.根据权利要求5所述的行车能耗预测方法，其特征在于，所述的道路环境参数包括道路类型、道路坡度和道路限速；所述交通状态参数为交通拥堵等级；所述路段的行驶里程值为规划行驶路线的起点至该路段中点之间的距离；所述车速特征参数为某一时间段内车速序列的统计量，包括平均速度、平均加速度、速度标准差、平均加速度、加速度标准差、加速时间比例、减速时间比例、匀速时间比例和怠速/停车时间比例、最大车速和最大加速度。
8.根据权利要求6所述的行车能耗预测方法，其特征在于，提取路段的道路环境参数中，道路类型和道路限速参数数据的提取方法具体为：当按照路段划分方法划分的路段中的道路类型或道路限速唯一时，则各路段的道路类型或道路限速参数数据为该道路类型或道路限速对应的参数值；当按照路段划分方法划分的路段中的道路类型或道路限速不唯一时，则该路段的道路类型或道路限速参数值按如下方式确定：将不同的道路类型或道路限速在该路段中所占长度比例乘以各自道路类型或道路限速对应的参数值，再将所有参数值求和，得到该路段的最终的道路类型或道路限速参数值。
9.一种存储介质，其特征在于：包括存储在该存储介质中的程序，在所述程序运行时控制所述存储介质所在的设备执行权利要求4～8任一项所述的行车能耗预测方法。
10.一种行车能耗检测设备，其特征在于：包括处理器，所述处理器用于运行程序，所述程序运行时执行权利要求4～8任一项所述的行车能耗预测方法。
CN201910771693.7A 2019-08-21 2019-08-21 行车能耗预测***、方法、存储介质和设备 Active CN110610260B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910771693.7A CN110610260B (zh) 2019-08-21 2019-08-21 行车能耗预测***、方法、存储介质和设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910771693.7A CN110610260B (zh) 2019-08-21 2019-08-21 行车能耗预测***、方法、存储介质和设备

Publications (2)

Publication Number Publication Date
CN110610260A CN110610260A (zh) 2019-12-24
CN110610260B true CN110610260B (zh) 2023-04-18

Family

ID=68890306

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910771693.7A Active CN110610260B (zh) 2019-08-21 2019-08-21 行车能耗预测***、方法、存储介质和设备

Country Status (1)

Country Link
CN (1) CN110610260B (zh)

Families Citing this family (31)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113053135B (zh) * 2019-12-26 2023-03-31 宇通客车股份有限公司 一种全局车速预测方法与装置
CN111038334A (zh) * 2019-12-31 2020-04-21 华人运通(江苏)技术有限公司 一种电动汽车续驶里程预测方法及装置
CN111267830B (zh) * 2020-02-10 2021-07-09 南京航空航天大学 一种混合动力公交车能量管理方法、设备和存储介质
CN111582596B (zh) * 2020-05-14 2022-07-01 公安部交通管理科学研究所 融合交通状态信息的纯电动汽车续航里程风险预警方法
CN111666715B (zh) * 2020-06-05 2023-04-25 北京理工大学 一种电动汽车能耗预测方法及***
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
CN112001532B (zh) * 2020-08-04 2024-03-01 交控科技股份有限公司 道岔故障预测方法、装置、电子设备及存储介质
CN114056320A (zh) * 2020-08-07 2022-02-18 厦门雅迅网络股份有限公司 新能源车辆的能耗回收比预测方法、节能控制方法和***
CN112560186B (zh) * 2020-10-15 2022-08-05 吉林大学 电动汽车行程能耗预测方法、装置、设备及可存储介质
CN112356822B (zh) * 2020-11-12 2022-04-19 北京车和家信息技术有限公司 混动车辆及其发电量的预测方法、装置和预测***
CN112549970A (zh) * 2020-12-09 2021-03-26 广州橙行智动汽车科技有限公司 车辆续航里程预测方法、装置、车辆及存储介质
CN112529104B (zh) * 2020-12-23 2024-06-18 东软睿驰汽车技术（沈阳）有限公司 一种车辆故障预测模型生成方法、故障预测方法及装置
CN112785845B (zh) * 2020-12-30 2022-11-01 桂林电子科技大学 一种基于K-means聚类与RBF神经网络的车速预测方法
CN112668799A (zh) * 2021-01-04 2021-04-16 南京航空航天大学 基于行驶大数据的phev的智能能量管理方法和存储介质
CN112836301A (zh) * 2021-02-19 2021-05-25 腾讯科技（深圳）有限公司 车辆能耗的预测方法和装置、存储介质及电子设备
CN113112061B (zh) * 2021-04-06 2024-05-28 深圳市汉德网络科技有限公司 一种预测车辆油耗的方法与装置
CN113486698B (zh) * 2021-04-30 2023-09-26 华中科技大学 一种氢燃料电池工作的识别预测方法、存储介质及***
CN113110558B (zh) * 2021-05-12 2022-04-08 南京航空航天大学 一种混合推进无人机需求功率预测方法
CN113361206B (zh) * 2021-06-30 2022-07-29 上海理工大学 基于地图api信息和hmm的未来能耗预测方法
CN113642768A (zh) * 2021-07-12 2021-11-12 南京航空航天大学 一种基于工况重构的车辆行驶能耗预测方法
CN113591221B (zh) * 2021-08-04 2023-07-04 中公高远(北京)汽车检测技术有限公司 一种检测车辆能量消耗变化的方法及***
CN114254737B (zh) * 2021-12-10 2024-04-02 广州海格星航信息科技有限公司 一种多因素的神经网络模型管理方法和***
CN114435138B (zh) * 2022-01-25 2023-10-17 中国第一汽车股份有限公司 一种车辆能耗预测方法、装置、车辆及存储介质
CN114407661B (zh) * 2022-02-10 2023-11-07 北京理工大学重庆创新中心 基于数据驱动的电动车能耗预测方法、***、设备及介质
CN114528646B (zh) * 2022-04-24 2022-08-19 中汽研汽车检验中心（天津）有限公司 一种基于在线地图数据的车辆行驶工况构建方法
CN114608604B (zh) * 2022-05-12 2022-09-13 山东捷瑞数字科技股份有限公司 基于机器学习与gps定位的车辆油耗预测的方法和装置
CN114778140B (zh) * 2022-06-17 2022-08-23 中汽研汽车检验中心（天津）有限公司 车辆能耗台架测试方法和***
CN114771542B (zh) * 2022-06-17 2022-09-20 中汽研汽车检验中心（天津）有限公司 车辆行驶工况确定方法、设备和存储介质
CN115782595B (zh) * 2022-12-06 2024-04-02 东南大学 一种基于能量回收状态的电动公交车瞬时能耗估计方法
CN116612446B (zh) * 2023-07-20 2023-09-22 山东方正公路工程监理咨询有限公司 基于计算机视觉的高速公路路面状况检测***
CN116990619B (zh) * 2023-09-25 2023-12-26 华夏天信智能物联股份有限公司 一种矿井变频一体机的智能监测方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108806021A (zh) * 2018-06-12 2018-11-13 重庆大学 基于物理模型和道路特征参数的电动汽车目标路段能耗预测方法
CN109141459A (zh) * 2018-09-28 2019-01-04 吉林大学 一种带有电耗分析预测的电动汽车导航***及方法
CN109733248A (zh) * 2019-01-09 2019-05-10 吉林大学 基于路径信息的纯电动汽车剩余里程模型预测方法
CN110126841A (zh) * 2019-05-09 2019-08-16 吉林大学 基于道路信息和驾驶风格的纯电动汽车能耗模型预测方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108806021A (zh) * 2018-06-12 2018-11-13 重庆大学 基于物理模型和道路特征参数的电动汽车目标路段能耗预测方法
CN109141459A (zh) * 2018-09-28 2019-01-04 吉林大学 一种带有电耗分析预测的电动汽车导航***及方法
CN109733248A (zh) * 2019-01-09 2019-05-10 吉林大学 基于路径信息的纯电动汽车剩余里程模型预测方法
CN110126841A (zh) * 2019-05-09 2019-08-16 吉林大学 基于道路信息和驾驶风格的纯电动汽车能耗模型预测方法

Also Published As

Publication number Publication date
CN110610260A (zh) 2019-12-24

Similar Documents

Publication Publication Date Title
CN110610260B (zh) 行车能耗预测***、方法、存储介质和设备
CN110775065B (zh) 一种基于工况识别的混合动力汽车电池寿命预测方法
CN110667434A (zh) 一种自适应工况的纯电动汽车行驶里程估计方法及***
CN109871599B (zh) 一种无人驾驶车辆运行安全指数评价方法
CN111267830B (zh) 一种混合动力公交车能量管理方法、设备和存储介质
Yi et al. Adaptive multiresolution energy consumption prediction for electric vehicles
CN108198425A (zh) 一种电动汽车行驶工况的构建方法
CN108960426A (zh) 基于bp神经网络的道路坡度综合估计***
CN108773279A (zh) 一种电动汽车充电路径规划方法及装置
CN111428960B (zh) 一种融合多源车载传感器信息的智能车辆驾驶性自动化评价方法
CN107886188B (zh) 液化天然气公交尾气排放预测方法
CN102087788A (zh) 基于浮动车车速置信度的交通状态参数估计方法
CN109002622B (zh) 一种随机车流作用下大跨径桥梁总体荷载响应估算方法
CN112200932A (zh) 一种评估重型柴油车能耗的方法和设备
CN104751650B (zh) 一种对道路交通信号进行控制的方法和设备
CN115935672A (zh) 一种融合工况预测信息的燃料电池汽车能耗计算方法
CN114332825B (zh) 基于深度学习的道路地形分布识别方法、设备和存储介质
CN117079459A (zh) 混合自动驾驶交通流流速密能图谱构建方法及***
CN112731806B (zh) 智能网联汽车随机模型预测控制实时性优化方法
CN108846571A (zh) 一种网联化电动汽车宏观能量消耗估计方法
CN114676870A (zh) 车速预测方法、车速预测模型训练方法和相关装置
KR20210144171A (ko) 분산 클라우딩을 이용한 차량 제어 시스템
CN115100847A (zh) 面向低渗透率网联车轨迹数据的排队服务时间估计方法
Kitanović et al. A Neural Network-Based Control Algorithm for a Hydraulic Hybrid Powertrain System
CN115829083B (zh) 区域车辆受交通政策影响的排放评估与优化方法和***

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant