CN112002124A - 车辆行程能耗预测方法及装置 - Google Patents

车辆行程能耗预测方法及装置 Download PDF

Info

Publication number
CN112002124A
CN112002124A CN202010699011.9A CN202010699011A CN112002124A CN 112002124 A CN112002124 A CN 112002124A CN 202010699011 A CN202010699011 A CN 202010699011A CN 112002124 A CN112002124 A CN 112002124A
Authority
CN
China
Prior art keywords
energy consumption
data
route
vehicle
condition data
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.)
Granted
Application number
CN202010699011.9A
Other languages
English (en)
Other versions
CN112002124B (zh
Inventor
徐磊
毛莎莎
孟哲
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.)
United Automotive Electronic Systems Co Ltd
Original Assignee
United Automotive Electronic Systems Co Ltd
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 United Automotive Electronic Systems Co Ltd filed Critical United Automotive Electronic Systems Co Ltd
Priority to CN202010699011.9A priority Critical patent/CN112002124B/zh
Publication of CN112002124A publication Critical patent/CN112002124A/zh
Application granted granted Critical
Publication of CN112002124B publication Critical patent/CN112002124B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
    • G08G1/0125—Traffic data processing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • 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
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Strategic Management (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Marketing (AREA)
  • Software Systems (AREA)
  • Development Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Analytical Chemistry (AREA)
  • Mathematical Physics (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Game Theory and Decision Science (AREA)
  • Medical Informatics (AREA)
  • Evolutionary Computation (AREA)
  • Chemical & Material Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Navigation (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明提供一种车辆行程能耗预测方法及装置，包括：回收目标车辆的路线状况数据，及与路线状况数据相对应的车况数据、驾驶行为数据和能耗数据；对驾驶行为数据与路线状况数据之间的关系进行提取训练，以建立驾驶行为预测模型；对能耗数据与车况数据、路线状况数据及驾驶行为数据之间的关系进行提取训练，以建立能耗预测模型；当目标行驶路线选定时，获取目标行驶路线的路线状况数据，并利用驾驶行为预测模型根据目标行驶路线的路线状况数据，预测目标行驶路线下的车主驾驶行为，进而利用能耗预测模型根据目标行驶路线的路线状况数据以及预测的车主驾驶行为，预测目标行驶路线下的能耗大小。如此，便可准确车辆行程能耗预测，使得用户可对车辆动力模式进行合理规划。

Description

车辆行程能耗预测方法及装置
技术领域
本发明涉及汽车技术领域，特别涉及一种车辆行程能耗预测方法及装置。
背景技术
随着电动汽车技术的不断发展，纯电动汽车或混合动力汽车逐渐成为了许多用户的购车选择，普及范围越来越广。
纯电动汽车和混合动力汽车均可能工作在纯电动力模式下，该动力模式下对电池能耗的精准预测具备很大的客户体验和工程开发改进意义：对于纯电动汽车可以借助该功能缓解里程焦虑问题，当电量不足时及时提醒车主补充电能；对于混合动力汽车，可基于该功能和导航信息对车辆动力模式进行合理规划，当电能不足以支持全旅程行驶时优先将其分配到拥堵路段，实现动力能源的优化利用。
现有技术中，电动汽车的某固定行程的能耗是采用传统算法推算的，即，根据历史行程、历史车辆状态信息与对应的行程消耗电量推算获得该固定行程的能耗，用户根据推算获得的能耗判断剩余电量是否可以支撑电动汽车行驶到达目的地，从而合理做出出行安排。
然而，发明人经过研究发现，采用传统算法推算出的行程能耗准确度较低，会影响用户预判电动汽车的剩余电量是否能够到达目的地的准确性。
发明内容
本发明的目的在于提供一种车辆行程能耗预测方法及装置，以解决采用现有技术对于车辆行程能耗预测不够准确的问题。
为解决上述技术问题，本发明提供一种车辆行程能耗预测方法，包括：
回收目标车辆的路线状况数据，以及与所述路线状况数据相对应的车况数据、驾驶行为数据和能耗数据；
对所述驾驶行为数据与所述路线状况数据之间的关系进行提取训练，以建立驾驶行为预测模型；对所述能耗数据与所述车况数据、所述路线状况数据及所述驾驶行为数据之间的关系进行提取训练，以建立能耗预测模型；
当目标行驶路线选定时，获取所述目标行驶路线的路线状况数据，并利用所述驾驶行为预测模型根据所述目标行驶路线的路线状况数据，预测所述目标行驶路线下的车主驾驶行为；以及，利用所述能耗预测模型根据所述目标行驶路线的路线状况数据以及预测的所述车主驾驶行为，预测所述目标行驶路线下的能耗大小。
可选的，在所述的车辆行程能耗预测方法中，所述车辆行程能耗预测方法还包括：
实时获取所述目标车辆当前行驶路线下的实际驾驶行为数据、实际车况数据和实际能耗数据，并将所述实际能耗数据与当前所述能耗预测模型建立时所采用的所述能耗数据进行比较，若比较结果超过设定阈值，则根据所述实际能耗数据、所述实际驾驶行为数据、所述实际车况数据以及所述当前行驶路线的路线状况数据更新所述能耗预测模型，若比较结果未超过设定阈值，则保持当前所述能耗预测模型。
可选的，在所述的车辆行程能耗预测方法中，利用所述能耗预测模型预测所述目标路线下的能耗大小时采用分段累加的方式，所述分段累加的方式包括：
根据所述目标行驶路线的各路段的路线状况数据以及预测的各路段的车主驾驶行为预测各路段的能耗大小，并将预测的所述目标行驶路线的所有路段的能耗大小进行累加，以得到所述目标路线下的总能耗大小。
可选的，在所述的车辆行程能耗预测方法中，在建立所述能耗预测模型和所述能耗预测模型之前，还包括：
对回收的所述路线状况数据、车况数据、驾驶行为数据和能耗数据进行预处理，所述预处理包括归一化整理和/或结构化整理。
可选的，在所述的车辆行程能耗预测方法中，所述能耗预测模型采用机器学习回归算法，所述机器学习回归算法包括高斯过程回归算法，决策树回归算法和线性回归算法中的一种或多种。可选的，在所述的车辆行程能耗预测方法中，所述路线状况数据包括：环境天气数据、道路情况数据和路线交通数据。
为解决上述问题，本发明还提供一种车辆行程能耗预测装置，包括：数据回收模块、机器学习模块和驾驶行为及能耗预测模块；其中，
所述数据回收模块用于回收目标车辆的路线状况数据，以及与所述路线状况数据相对应的车况数据、驾驶行为数据和能耗数据；以及，用于当目标行驶路线选定时，获取所述目标行驶路线的路线状况数据；
所述机器学习模块用于对所述驾驶行为数据与所述路线状况数据之间的关系进行提取训练，以建立驾驶行为预测模型；对所述能耗数据与所述车况数据、所述路线状况数据及所述驾驶行为数据之间的关系进行提取训练，以建立能耗预测模型；
所述驾驶行为及能耗预测模块用于利用所述驾驶行为预测模型根据所述目标行驶路线的路线状况数据，预测所述目标行驶路线下的车主驾驶行为；以及，利用所述能耗预测模型根据所述目标行驶路线的路线状况数据以及预测的所述车主驾驶行为，预测所述目标行驶路线下的能耗大小。
可选的，在所述的车辆行程能耗预测装置中，所述数据回收模块还用于实时获取所述目标车辆当前行驶路线下的实际驾驶行为数据、实际车况数据和实际能耗数据，并将所述实际能耗数据与当前所述能耗预测模型建立时所采用的所述能耗数据进行比较，若比较结果超过设定阈值，则根据所述实际能耗数据、所述实际驾驶行为数据、所述实际车况数据以及所述当前行驶路线的路线状况数据更新所述能耗预测模型，若比较结果未超过设定阈值，则保持当前所述能耗预测模型。
可选的，在所述的车辆行程能耗预测装置中，所述车辆行程能耗预测装置还包括数据处理模块，所述数据处理模块还用于在建立所述能耗预测模型和所述能耗预测模型之前对回收的所述路线状况数据、车况数据、驾驶行为数据和能耗数据进行预处理，所述预处理包括归一化整理和/或结构化整理。
可选的，在所述的车辆行程能耗预测装置中，所述能耗预测模型采用机器学习回归算法，所述机器学习回归算法包括高斯过程回归算法，决策树回归算法和线性回归算法中的一种或多种。可选的，在所述的车辆行程能耗预测装置中，所述路线状况数据包括：环境天气数据、道路情况数据和路线交通数据。
可选的，在所述的车辆行程能耗预测装置中，所述车辆行程能耗预测装置还包括人机界面模块，所述人机界面模块用于提供所述路线状况数据以及用于显示预测的所述目标行驶路线下的能耗大小。
与现有技术相比，本发明提供的车辆行程能耗预测方法及装置具有如下优势：
(1)在进行车辆行程能耗模型建立时，通过对能耗数据与车况数据、路线状况数据及驾驶行为数据之间的关系进行提取训练，使得在利用车辆行程能耗模型进行车辆行程能耗的预测时，预测的结果不仅考虑到了车况的因素，还考虑到了驾驶行为因素以及路线状况因素对车辆行程能耗的影响因素，因此行程能耗预测结果更加准确；
(2)通过对所述驾驶行为数据与所述路线状况数据之间的关系进行提取训练，建立了驾驶行为预测模型，从而使得当目标行驶路线选定时，能够利用所述驾驶行为预测模型根据所述目标行驶路线的路线状况数据，预测所述目标行驶路线下的车主驾驶行为，该预测结果为车辆行程能耗预测提供了事实依据，使得能通过构建的车辆行程能耗模型实现对行程能耗预测；
(3)进一步的，本发明提供车辆行程能耗预测方法及装置设计了后期补偿迭代方案，实时获取所述目标车辆当前行驶路线下的实际驾驶行为数据、实际车况数据和实际能耗数据，并将所述实际能耗数据与当前所述能耗预测模型建立时所采用的所述能耗数据进行比较，若比较结果超过设定阈值，则根据所述实际能耗数据、所述实际驾驶行为数据、所述实际车况数据以及所述当前行驶路线的路线状况数据更新所述能耗预测模型，若比较结果未超过设定阈值，则保持当前所述能耗预测模型；如此，针对不同机阶段的车辆应用不同的能耗预测数据模型：对于刚批产的车辆，此时数据积累不足，通过数据统计的办法试验测试车辆实际能耗大小，或参考同类型已批产车辆的能耗特性表现，建立典型驾驶风格、道路交通下的真实能耗预测模型，并以其为默认模型预测车辆能耗表现；对于批产后已积累一定能耗监测数据的车辆，通过对驾驶风格、道路交通、车辆健康及真实能耗的持续监测，提取各影响因素的关键特征数据及真实能耗的实际表现，实现对能耗预测模型准确性的持续优化和升级迭代，并降低能耗预测模型对计算资源的消耗。
(4)进一步的，在本发明提供的车辆行程能耗预测方法及装置中，车辆行程能耗模型采用线性回归算法或高斯过程回归算法，解释性更好，模型的鲁棒性和兼容性更高，更容易进行工程化实施。
附图说明
图1为本发明实施例提供的车辆行程能耗预测方法的流程图；
图2为本发明实施例提供的车辆行程能耗预测装置的组成框图；
图3为本发明实施例提供的车辆行程能耗预测方法及装置的一种实现方案示意图；
图4为本发明实施例提供的车辆行程能耗预测方法及装置的另一种实现方案示意图；
其中，各附图标记说明如下：
100-数据回收模块；200-机器学习模块；300-驾驶行为及能耗预测模块；400-数据处理模块；500-人机界面模块。
具体实施方式
以下结合附图和具体实施例对本发明提出的车辆行程能耗预测方法及装置作进一步详细说明。根据下面说明，本发明的优点和特征将更清楚。需说明的是，附图均采用非常简化的形式且均使用非精准的比例，仅用以方便、明晰地辅助说明本发明实施例的目的。此外，附图所展示的结构往往是实际结构的一部分。特别的，各附图需要展示的侧重点不同，有时会采用不同的比例。
如图1所示，本实施例提供一种车辆行程能耗预测方法，包括如下步骤：
S11，回收目标车辆的路线状况数据，以及与所述路线状况数据相对应的车况数据、驾驶行为数据和能耗数据；
S12，对所述驾驶行为数据与所述路线状况数据之间的关系进行提取训练，以建立驾驶行为预测模型；对所述能耗数据与所述车况数据、所述路线状况数据及所述驾驶行为数据之间的关系进行提取训练，以建立能耗预测模型；
S13，当目标行驶路线选定时，获取所述目标行驶路线的路线状况数据，并利用所述驾驶行为预测模型根据所述目标行驶路线的路线状况数据，预测所述目标行驶路线下的车主驾驶行为；以及，利用所述能耗预测模型根据所述目标行驶路线的路线状况数据以及预测的所述车主驾驶行为，预测所述目标行驶路线下的能耗大小。
由以上步骤可知，本实施例提供的车辆行程能耗预测方法在进行车辆行程能耗模型建立时，通过对能耗数据与车况数据、路线状况数据及驾驶行为数据之间的关系进行提取训练，使得在利用车辆行程能耗模型进行车辆行程能耗的预测时，预测的结果不仅考虑到了车况的因素，还考虑到了驾驶行为因素以及路线状况因素对车辆行程能耗的影响因素，因此行程能耗预测结果更加准确。另外，通过对所述驾驶行为数据与所述路线状况数据之间的关系进行提取训练，建立了驾驶行为预测模型，从而使得当目标行驶路线选定时，能够利用所述驾驶行为预测模型根据所述目标行驶路线的路线状况数据，预测所述目标行驶路线下的车主驾驶行为，该预测结果为车辆行程能耗预测提供了事实依据，使得能通过构建的车辆行程能耗模型实现对行程能耗预测。
以下对上述各步骤进行详细描述。
首先，执行步骤S11，进行路线状况数据、车况数据、驾驶行为数据和能耗数据的回收，本实施例中，所述路线状况数据包括环境天气数据、道路情况数据和路线交通数据。其中，各数据具体如下：
车况数据，主要包括电驱***健康状态，如电池SOH(state of health,电池健康度)状态，电机、减速器效率，DCDC高压/低压两端能耗大小等信息；
环境天气数据，主要包括外部环境温度、雨雪状态等数据，相关数据一方面会影响排温表现，同时也会影响车主对HVAC(Heating,Ventilation and Air Conditioning，供热通风与空气调节***)的操作，进而影响电能需求；
道路情况，主要包括道路坡度大小等，相关数据对车速－发动机工况关系有较大影响；
路线交通，主要包括路线拥堵状态、限速大小、红绿灯数量、车辆转向需求等，相关数据会影响车速大小，进而影响动力总成工况；
驾驶数据，包括油门/刹车踏板操作，雨刮、车窗、HVAC等设备操作数据，也可包括ACC(自适应巡航控制***)巡航、动力模式设置(混动车)等设置数据；
实际能耗，包括电池SOC(state of charge,电池剩余电量百分比)，电机短时功率大小，DCDC短时功率大小，空调压缩机、PTC(Positive Temperature Coefficient，正的温度系数)、座椅加热设备等部件短时功率大小等数据。基于相关数据进行分析，可直接提取或间接计算出车辆用于动力输出、部件驱动等各类用途的瞬时能耗大小。
在完成以上数据的回收后，执行步骤S12，采用机器学习的方法利用回收的数据建立驾驶行预测模型和能耗预测模型。
在执行步骤S12之前，较佳的，对回收的所述路线状况数据、车况数据、驾驶行为数据和能耗数据进行预处理，所述预处理包括归一化整理和/或结构化整理。因环境天气、车况、道路、交通等数据内容繁多，且根据来源不同格式各异，故在进行机器学习前首先进行归一化、结构化处理，可保证机器学习算法的可用性。
在完成驾驶行为预测模型和能耗预测模型的建立后，执行步骤S13，对两个模型进行应用，在车辆准备运行时车主向地图服务器输入起始点和目的地位置信息，地图服务器会提供目标行驶路线，并提供该目标行驶路线的路线状况数据，那么即可利用所述驾驶行为预测模型根据所述目标行驶路线的路线状况数据，预测所述目标行驶路线下的车主驾驶行为，进而利用所述能耗预测模型根据所述目标行驶路线的路线状况数据以及预测的所述车主驾驶行为，预测所述目标行驶路线下的能耗大小。
本实施例中，利用所述能耗预测模型预测所述目标路线下的能耗大小时可采用分段累加的方式，所述分段累加的方式包括：根据所述目标行驶路线的各路段的路线状况数据以及预测的各路段的车主驾驶行为预测各路段的能耗大小，并将预测的所述目标行驶路线的所有路段的能耗大小进行累加，以得到所述目标路线下的总能耗大小。
优选的，本实施提供的所述车辆行程能耗预测方法还包括：实时获取所述目标车辆当前行驶路线下的实际驾驶行为数据、实际车况数据和实际能耗数据，并将所述实际能耗数据与当前所述能耗预测模型建立时所采用的所述能耗数据进行比较，若比较结果超过设定阈值，则根据所述实际能耗数据、所述实际驾驶行为数据、所述实际车况数据以及所述当前行驶路线的路线状况数据更新所述能耗预测模型，若比较结果未超过设定阈值，则保持当前所述能耗预测模型。
即，本实施例提供的所述车辆行程能耗预测方法设计了后期补偿迭代方案。对于刚批产的车辆，此时数据积累不足，通过数据统计的办法试验测试车辆实际能耗大小，或参考同类型已批产车辆的能耗特性表现，建立典型驾驶风格、道路交通下的真实能耗预测模型，并以其为默认模型预测车辆能耗表现；对于批产后已积累一定能耗监测数据的车辆，通过对驾驶风格、道路交通、车辆健康及真实能耗的持续监测，提取各影响因素的关键特征数据及真实能耗的实际表现，实现对能耗预测模型准确性的持续优化和升级迭代，并降低能耗预测模型对计算资源的消耗。
基于同一思想，如图2所示，本实施例还提供一种车辆行程能耗预测装置，包括：数据回收模块100、机器学习模块200和驾驶行为及能耗预测模块300。
所述数据回收模块100用于回收目标车辆的路线状况数据，以及与所述路线状况数据相对应的车况数据、驾驶行为数据和能耗数据；以及，用于当目标行驶路线选定时，获取所述目标行驶路线的路线状况数据。本实施例中，所述路线状况数据包括：环境天气数据、道路情况数据和路线交通数据。各数据已在车辆行程能耗预测方法部分进行详细说明，在此不再赘述。
所述机器学习模块200用于对所述驾驶行为数据与所述路线状况数据之间的关系进行提取训练，以建立驾驶行为预测模型；对所述能耗数据与所述车况数据、所述路线状况数据及所述驾驶行为数据之间的关系进行提取训练，以建立能耗预测模型。
所述驾驶行为及能耗预测模块300用于利用所述驾驶行为预测模型根据所述目标行驶路线的路线状况数据，预测所述目标行驶路线下的车主驾驶行为；以及，利用所述能耗预测模型根据所述目标行驶路线的路线状况数据以及预测的所述车主驾驶行为，预测所述目标行驶路线下的能耗大小。
与本实施例提供的所述车辆行程能耗预测方法相对应的，在本实施例提供的车辆行程能耗预测装置中，优选的，所述数据回收模块100还用于实时获取所述目标车辆当前行驶路线下的实际驾驶行为数据、实际车况数据和实际能耗数据，并将所述实际能耗数据与当前所述能耗预测模型建立时所采用的所述能耗数据进行比较，若比较结果超过设定阈值，则根据所述实际能耗数据、所述实际驾驶行为数据、所述实际车况数据以及所述当前行驶路线的路线状况数据更新所述能耗预测模型，若比较结果未超过设定阈值，则保持当前所述能耗预测模型。且，较佳的，所述车辆行程能耗预测装置还包括数据处理模块400，所述数据处理模块400还用于在建立所述能耗预测模型和所述能耗预测模型之前对回收的所述路线状况数据、车况数据、驾驶行为数据和能耗数据进行预处理，所述预处理包括归一化整理和/或结构化整理。
本实施例提供的车辆行程能耗预测装置还包括人机界面模块500，所述人机界面模块500用于提供所述路线状况数据以及用于显示预测的所述目标行驶路线下的能耗大小。如此，用户便可根据所述人机界面模块500显示的能耗信息，进行合理的行程安排。
另外，在本实施例提供的车辆行程能耗预测方法及装置中，驾驶行为预测模型优先采用lazy learning算法(如KNN算法等)，基于近期设定驾驶时间窗口内各输入参数组合场景下的驾驶操作数据建立模型，并基于其预测驾驶操作行为；能耗预测模型优先采用机器学习回归算法，所述机器学习回归算法包括高斯过程回归算法，决策树回归算法和线性回归算法中的一种或多种，既保证模型的可解释性，也可减轻对计算资源的需求，模型的鲁棒性和兼容性更高，更容易进行工程化实施。在另外一些实施例中，能耗预测模型也采用其它机器学习回归算法。
为了描述的方便，描述以上车辆行程能耗预测装置时以功能分为各种模块分别描述。当然，在实施本发明时可以把各模块的功能在同一个或多个软件和/或硬件中实现。
以下提供几中示例性的实现方案。
示例一：如图3所示，车载控制器VCU(包括动力总成控制器、车身控制器等)收集车况数据、驾驶行为数据、能耗数据等数据内容，HMI***(可包括仪表、车机等，泛指可进行人机交互的部件)提供环境天气、道路情况、路线交通等信息，通过无线通讯模块上传到云平台。云平台负责数据预处理、机器学习、数据存储、驾驶行为及能耗预测功能，并将能耗预测结果通过通讯模块反馈到HMI***终端，供车主使用。
示例二：对于车辆配置XCU(域控制器)及云服务的***，因车辆本地部署了强大的计算资源，可将实时计算需求较高的能耗预测模型部署到XCU本地，而将适合云计算的机器学***台，如图4所示。该方案下HMI***和VCU将相关数据直接传递给XCU，在XCU内部完成数据预处理后上传到云平台；云平台完成驾驶行为预测模型和能耗预测模型的机器学习模型开发后，将相关应用模型下发部署到XCU；XCU基于预处理后的输入数据，完成驾驶行为和能耗预测结果数据的获取，并将相关结果数据提供给HMI***、VCU等使用。
本实施提供车辆行程能耗预测装置的各功能模块的功能，由示例一及示例二的相应硬件实现，按功能对应。另外，示例一及示例二中，通讯模块主要指车辆与云端的数据连接模块，对于车载用于车声控制器内部通讯的控制器不属于该范畴。通讯模块可用是内置3G/4G/5G功能的车机、Tbox或智能网关等部件。
需要补充说明的是，关于道路信息，对于采用高精度地图的***，或集成了ADASIS的导航地图，坡度信息可从导航数据中直接读取，有相关信息可更好建立道路信息与车况信息之间的预测模型。对于无法提供坡度信息的路况，可建立路况与实际能耗间的关联性，并在云端识别标注出各路段对实际能耗的影响与常规无坡度道路的差异，从而帮助经过车辆优化能耗预测精度。在本发明提供的能耗预测装置刚部署时，如无法获取坡度信息，可先假设车辆行驶在无坡度道路。此时车辆电驱***处于新出厂状态，基于其所经道路的真实能耗表现，及车辆实际能耗指标推算其所经道路的能耗影响关系，并基于相关信息优化后续模型预测精度。
综上所述，本发明提供的车辆行程能耗预测方法及装置，解决了采用现有技术对于车辆行程能耗预测不够准确的问题，且由于在能耗影响因素方面多考虑了驾驶风格、车辆老化、环境温度等因素的影响，并设计了后期补偿迭代方案，且采用的线性回归或高斯过程回归算法解释性更好，因此预测模型的鲁棒性和兼容性更高，更容易进行工程化实施。
上述描述仅是对本发明较佳实施例的描述，并非对本发明范围的任何限定，本发明领域的普通技术人员根据上述揭示内容做的任何变更、修饰，均属于权利要求书的保护范围。

Claims (12)

1.一种车辆行程能耗预测方法，其特征在于，包括：
回收目标车辆的路线状况数据，以及与所述路线状况数据相对应的车况数据、驾驶行为数据和能耗数据；
对所述驾驶行为数据与所述路线状况数据之间的关系进行提取训练，以建立驾驶行为预测模型；对所述能耗数据与所述车况数据、所述路线状况数据及所述驾驶行为数据之间的关系进行提取训练，以建立能耗预测模型；
当目标行驶路线选定时，获取所述目标行驶路线的路线状况数据，并利用所述驾驶行为预测模型根据所述目标行驶路线的路线状况数据，预测所述目标行驶路线下的车主驾驶行为；以及，利用所述能耗预测模型根据所述目标行驶路线的路线状况数据以及预测的所述车主驾驶行为，预测所述目标行驶路线下的能耗大小。
2.如权利要求1所述的车辆行程能耗预测方法，其特征在于，所述车辆行程能耗预测方法还包括：
实时获取所述目标车辆当前行驶路线下的实际驾驶行为数据、实际车况数据和实际能耗数据，并将所述实际能耗数据与当前所述能耗预测模型建立时所采用的所述能耗数据进行比较，若比较结果超过设定阈值，则根据所述实际能耗数据、所述实际驾驶行为数据、所述实际车况数据以及所述当前行驶路线的路线状况数据更新所述能耗预测模型，若比较结果未超过设定阈值，则保持当前所述能耗预测模型。
3.如权利要求1所述的车辆行程能耗预测方法，其特征在于，利用所述能耗预测模型预测所述目标路线下的能耗大小时采用分段累加的方式，所述分段累加的方式包括：
根据所述目标行驶路线的各路段的路线状况数据以及预测的各路段的车主驾驶行为预测各路段的能耗大小，并将预测的所述目标行驶路线的所有路段的能耗大小进行累加，以得到所述目标路线下的总能耗大小。
4.如权利要求1所述的车辆行程能耗预测方法，其特征在于，在建立所述能耗预测模型和所述能耗预测模型之前，还包括：
对回收的所述路线状况数据、车况数据、驾驶行为数据和能耗数据进行预处理，所述预处理包括归一化整理和/或结构化整理。
5.如权利要求1所述的车辆行程能耗预测方法，其特征在于，所述能耗预测模型采用机器学习回归算法，所述机器学习回归算法包括高斯过程回归算法，决策树回归算法和线性回归算法中的一种或多种。
6.如权利要求1所述的车辆行程能耗预测方法，其特征在于，所述路线状况数据包括：环境天气数据、道路情况数据和路线交通数据。
7.一种车辆行程能耗预测装置，其特征在于，包括：数据回收模块、机器学习模块和驾驶行为及能耗预测模块；其中，
所述数据回收模块用于回收目标车辆的路线状况数据，以及与所述路线状况数据相对应的车况数据、驾驶行为数据和能耗数据；以及，用于当目标行驶路线选定时，获取所述目标行驶路线的路线状况数据；
所述机器学习模块用于对所述驾驶行为数据与所述路线状况数据之间的关系进行提取训练，以建立驾驶行为预测模型；对所述能耗数据与所述车况数据、所述路线状况数据及所述驾驶行为数据之间的关系进行提取训练，以建立能耗预测模型；
所述驾驶行为及能耗预测模块用于利用所述驾驶行为预测模型根据所述目标行驶路线的路线状况数据，预测所述目标行驶路线下的车主驾驶行为；以及，利用所述能耗预测模型根据所述目标行驶路线的路线状况数据以及预测的所述车主驾驶行为，预测所述目标行驶路线下的能耗大小。
8.如权利要求7所述的车辆行程能耗预测装置，其特征在于，所述数据回收模块还用于实时获取所述目标车辆当前行驶路线下的实际驾驶行为数据、实际车况数据和实际能耗数据，并将所述实际能耗数据与当前所述能耗预测模型建立时所采用的所述能耗数据进行比较，若比较结果超过设定阈值，则根据所述实际能耗数据、所述实际驾驶行为数据、所述实际车况数据以及所述当前行驶路线的路线状况数据更新所述能耗预测模型，若比较结果未超过设定阈值，则保持当前所述能耗预测模型。
9.如权利要求7所述的车辆行程能耗预测装置，其特征在于，所述车辆行程能耗预测装置还包括数据处理模块，所述数据处理模块还用于在建立所述能耗预测模型和所述能耗预测模型之前对回收的所述路线状况数据、车况数据、驾驶行为数据和能耗数据进行预处理，所述预处理包括归一化整理和/或结构化整理。
10.如权利要求7所述的车辆行程能耗预测装置，其特征在于，所述能耗预测模型采用机器学习回归算法，所述机器学习回归算法包括高斯过程回归算法，决策树回归算法和线性回归算法中的一种或多种。
11.如权利要求7所述的车辆行程能耗预测装置，其特征在于，所述路线状况数据包括：环境天气数据、道路情况数据和路线交通数据。
12.如权利要求7所述的车辆行程能耗预测装置，其特征在于，所述车辆行程能耗预测装置还包括人机界面模块，所述人机界面模块用于提供所述路线状况数据以及用于显示预测的所述目标行驶路线下的能耗大小。
CN202010699011.9A 2020-07-20 2020-07-20 车辆行程能耗预测方法及装置 Active CN112002124B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010699011.9A CN112002124B (zh) 2020-07-20 2020-07-20 车辆行程能耗预测方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010699011.9A CN112002124B (zh) 2020-07-20 2020-07-20 车辆行程能耗预测方法及装置

Publications (2)

Publication Number Publication Date
CN112002124A true CN112002124A (zh) 2020-11-27
CN112002124B CN112002124B (zh) 2022-07-01

Family

ID=73468228

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010699011.9A Active CN112002124B (zh) 2020-07-20 2020-07-20 车辆行程能耗预测方法及装置

Country Status (1)

Country Link
CN (1) CN112002124B (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111891130A (zh) * 2020-07-27 2020-11-06 吉利汽车研究院（宁波）有限公司 一种车辆运行方法和装置
CN113071497A (zh) * 2021-04-28 2021-07-06 中国第一汽车股份有限公司 一种驾驶场景判断方法、装置、设备及存储介质
CN113428159A (zh) * 2021-05-28 2021-09-24 合肥国轩高科动力能源有限公司 一种车辆能耗分析方法
CN113869580A (zh) * 2021-09-27 2021-12-31 广州远正智能科技股份有限公司 一种能耗参数预测跟踪方法、***及计算机可读存储介质
WO2022178654A1 (zh) * 2021-02-23 2022-09-01 浙江吉利控股集团有限公司 一种用于混合动力车辆的行车方法、***及混合动力车辆

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20100057339A1 (en) * 2008-06-19 2010-03-04 Harman Becker Automotive System Gmbh Calculation of energy optimized route
CN107194605A (zh) * 2016-12-19 2017-09-22 中华电信股份有限公司 能源消耗估计***及方法
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
CN109740213A (zh) * 2018-12-24 2019-05-10 斑马网络技术有限公司 车辆能耗评估方法、设备及存储介质
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
CN110610260A (zh) * 2019-08-21 2019-12-24 南京航空航天大学 行车能耗预测***、方法、存储介质和设备
CN110705774A (zh) * 2019-09-26 2020-01-17 汉纳森（厦门）数据股份有限公司 一种车辆能耗分析的预测方法和***

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20100057339A1 (en) * 2008-06-19 2010-03-04 Harman Becker Automotive System Gmbh Calculation of energy optimized route
CN107194605A (zh) * 2016-12-19 2017-09-22 中华电信股份有限公司 能源消耗估计***及方法
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
CN109740213A (zh) * 2018-12-24 2019-05-10 斑马网络技术有限公司 车辆能耗评估方法、设备及存储介质
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
CN110610260A (zh) * 2019-08-21 2019-12-24 南京航空航天大学 行车能耗预测***、方法、存储介质和设备
CN110705774A (zh) * 2019-09-26 2020-01-17 汉纳森（厦门）数据股份有限公司 一种车辆能耗分析的预测方法和***

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
JIQUAN WANG等: "Battery electric vehicle energy consumption prediction for a trip based on route information", 《PROCEEDINGS OF THE INSTITUTION OF MECHANICAL ENGINEERS, PART D: JOURNAL OF AUTOMOBILE ENGINEERING》 *
赵晓华 等: "基于主成分分析与BP神经元网络的驾驶能耗组合预测模型研究", 《交通运输***工程与信息》 *

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111891130A (zh) * 2020-07-27 2020-11-06 吉利汽车研究院（宁波）有限公司 一种车辆运行方法和装置
WO2022178654A1 (zh) * 2021-02-23 2022-09-01 浙江吉利控股集团有限公司 一种用于混合动力车辆的行车方法、***及混合动力车辆
CN113071497A (zh) * 2021-04-28 2021-07-06 中国第一汽车股份有限公司 一种驾驶场景判断方法、装置、设备及存储介质
CN113428159A (zh) * 2021-05-28 2021-09-24 合肥国轩高科动力能源有限公司 一种车辆能耗分析方法
CN113869580A (zh) * 2021-09-27 2021-12-31 广州远正智能科技股份有限公司 一种能耗参数预测跟踪方法、***及计算机可读存储介质

Also Published As

Publication number Publication date
CN112002124B (zh) 2022-07-01

Similar Documents

Publication Publication Date Title
CN112002124B (zh) 车辆行程能耗预测方法及装置
WO2022236751A1 (zh) 电池剩余电量预估方法及装置
CN109927709B (zh) 一种车辆行驶路线工况确定方法、能量管理方法及***
KR101897339B1 (ko) 전기 자동차의 주행가능거리 예측방법 및 그 시스템
CN111806240B (zh) 一种基于中国工况的电动汽车续驶里程预测方法
KR101500362B1 (ko) 전기차의 주행 정보 제공 시스템 및 방법
CN111497624B (zh) 一种车辆剩余里程确定方法、装置及车辆
CN103914985A (zh) 一种混合动力客车未来车速轨迹预测方法
CN111483322B (zh) 一种车辆剩余里程确定方法、装置及车辆
CN104044462A (zh) 基于日历事件的用户接口***和方法
US20210146785A1 (en) Driver model estimation, classification, and adaptation for range prediction
CN110395245B (zh) 一种基于固定路线驾驶信息的混动汽车能量管理***
WO2017047171A1 (ja) 走行計画生成装置、車両、走行計画生成システム及びコンピュータプログラム
US20160025508A1 (en) Crowd sourcing to predict vehicle energy consumption
CN113415288B (zh) 分段式纵向车速规划方法、装置、设备及存储介质
Ferreira et al. Data mining approach for range prediction of electric vehicle
CN114802189A (zh) 车辆的能耗控制方法、装置、车辆及存储介质
CN112406875B (zh) 一种车辆能耗的分析方法和装置
DE102015226229A1 (de) Verfahren und Vorrichtung zur Reichweitenberechnung für ein Fahrzeug
CN115140046A (zh) 一种车辆控制方法、***、车辆控制器及云服务器
CN113942364B (zh) 用于控制驻车空调的方法、装置及驻车空调
CN113335126B (zh) 新能源汽车智能充电控制方法、存储介质和电子设备
WO2022062569A1 (zh) 车辆能耗的评分方法和装置
US20240053161A1 (en) Method for Predicting a Velocity Profile of a Vehicle
CN115688957A (zh) 一种车辆能耗确定方法、装置、电子设备及存储介质

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