CN112406875B - 一种车辆能耗的分析方法和装置 - Google Patents
一种车辆能耗的分析方法和装置 Download PDFInfo
- Publication number
- CN112406875B CN112406875B CN202011385839.3A CN202011385839A CN112406875B CN 112406875 B CN112406875 B CN 112406875B CN 202011385839 A CN202011385839 A CN 202011385839A CN 112406875 B CN112406875 B CN 112406875B
- Authority
- CN
- China
- Prior art keywords
- energy consumption
- target
- journey
- travel
- vehicle
- 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
Links
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W40/00—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
- B60L3/00—Electric devices on electrically-propelled vehicles for safety purposes; Monitoring operating variables, e.g. speed, deceleration or energy consumption
- B60L3/12—Recording operating variables ; Monitoring of operating variables
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W50/00—Details of control systems for road vehicle drive control not related to the control of a particular sub-unit, e.g. process diagnostic or vehicle driver interfaces
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
- B60L2260/00—Operating Modes
- B60L2260/40—Control modes
- B60L2260/50—Control modes by future state prediction
- B60L2260/54—Energy consumption estimation
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W50/00—Details of control systems for road vehicle drive control not related to the control of a particular sub-unit, e.g. process diagnostic or vehicle driver interfaces
- B60W2050/0001—Details of the control system
- B60W2050/0019—Control system elements or transfer functions
- B60W2050/0028—Mathematical models, e.g. for simulation
- B60W2050/0031—Mathematical model of the vehicle
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W2556/00—Input parameters relating to data
- B60W2556/10—Historical data
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/80—Technologies aiming to reduce greenhouse gasses emissions common to all road transportation technologies
- Y02T10/84—Data processing systems or methods, management, administration
Landscapes
- Engineering & Computer Science (AREA)
- Transportation (AREA)
- Mechanical Engineering (AREA)
- Automation & Control Theory (AREA)
- Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Human Computer Interaction (AREA)
- Life Sciences & Earth Sciences (AREA)
- Sustainable Development (AREA)
- Sustainable Energy (AREA)
- Power Engineering (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明实施例提供了一种车辆能耗的分析方法及装置，通过获取车辆目标行程的车辆行驶信息，车辆行驶信息包括目标路况信息以及车辆能耗，则根据目标路况信息与行程查询模型，获得针对目标行程的相似行程，接着根据相似行程的样本驾驶信息与目标路况信息，生成优化行程，将优化行程的样本驾驶信息与目标路况信息输入能耗预估模型，生成优化行程的样本能耗，进行能耗比较，根据优化行程与车辆目标行程之间的能耗比较结果，输出针对目标行程的能耗建议，通过路况信息查找相似行程，使得所得到的相似行程均为真实车辆执行过的行程，提高了能耗预测的可执行性，基于路况信息与驾驶信息的能耗预测，有效提高预测的准确度，能够适用不同的车辆，普适性高。
Description
技术领域
本发明涉及车辆技术领域，特别是涉及一种车辆能耗的分析方法和一种车辆能耗的分析装置。
背景技术
随着新能源技术的发展，新能源汽车越来越受到欢迎，新能源汽车在能耗和排放方面对比传统的内燃机汽车有明显的优势，如动力性好，行驶噪声小，节能和零排放等。但是，由于受到电池技术发展的限制，新能源汽车的续驶里程还较短并且充电时间较长。纯新能源汽车驾驶员会担心他们在当前剩余能量下是否能抵达目的地，这被称为“里程焦虑”，里程焦虑是目前限制新能源汽车接受程度的主要因素之一。显然，安装大容量电池，快速充电和建立更多的充电站是有效缓解和解决“里程焦虑”的有效手段，但是，由于受到目前技术水平和资金条件的限制，这些方法仍需要较长的时间才能实现。因此，如果能够对车辆的能耗进行预测，则用户可以根据所预测的能耗结果，调节行车方式，以使车辆能够到达更远的地方。然而，当前车辆的能耗预测方法存在可执行性低、预测不准确以及普适性不高的问题。
发明内容
本发明实施例提供了一种车辆能耗的分析方法、装置、车辆以及计算机可读存储介质，以解决或部分解决现有技术中车辆能耗预测可执行性低、预测不准确以及普适性不高的问题。
本发明实施例公开了一种车辆能耗的分析方法，包括：
获取车辆目标行程的车辆行驶信息，所述车辆行驶信息至少包括目标路况信息以及车辆能耗；
根据所述目标路况信息与预设的行程查询模型，获得针对所述目标行程的至少一个相似行程；
根据至少一个所述相似行程的样本驾驶信息与所述目标路况信息，生成针对所述目标行程的至少一个优化行程；
将所述优化行程对应的样本驾驶信息与所述目标路况信息输入预设的能耗预估模型，生成针对所述优化行程的样本能耗；
分别将至少一个所述优化行程的样本能耗与所述车辆能耗进行比较，并根据比较结果输出针对所述目标行程的能耗建议。
可选地，所述根据所述目标路况信息与预设的行程查询模型，获得针对所述目标行程的至少一个相似行程，包括：
将所述目标路况信息输入预设的行程查询模型，获得针对所述目标行程的至少一个行程样本；
将所述行程样本与所述目标行程进行位置点比较，获得所述行程样本与所述目标行程之间的行程相似度；
将行程相似度大于或等于预设相似度阈值的行程样本，作为针对所述目标行程的相似行程。
可选地，所述根据至少一个所述相似行程的样本驾驶信息与所述目标路况信息，生成针对所述目标行程的至少一个优化行程，包括：
采用所述目标路况信息分别与所述相似行程对应的样本驾驶信息进行信息组合，生成针对所述目标行程的至少一个优化行程。
可选地，所述分别将至少一个所述相似样本的样本能耗与所述车辆能耗进行比较，并根据比较结果输出针对所述目标行程的能耗建议，包括：
获取针对所述车辆能耗的能耗系数；
采用所述能耗系数与所述车辆能耗，生成目标车辆能耗；
选定样本能耗小于或等于所述目标车辆能耗的优化行程作为目标优化行程，并获取所述目标优化行程的目标车辆行驶信息；
根据所述目标行程的车辆行驶信息与所述目标优化行程的目标车辆行驶信息之间的比较结果，输出与所述比较结果匹配的能耗建议。
可选地，所述车辆行驶信息还包括目标驾驶信息，所述根据所述目标行程的车辆行驶信息与所述目标优化行程的目标车辆行驶信息之间的比较结果，输出针对所述目标行程的能耗建议，包括：
采用所述目标行程的目标驾驶信息与所述目标优化行程的样本驾驶信息进行比较，生成针对所述目标驾驶信息的比较结果；
输出所述目标路况信息、所述目标驾驶信息以及与所述比较结果匹配的能耗建议。
可选地，所述行程查询模型通过如下方式生成：
获取训练样本数据，所述训练样本数据包括不同车辆的历史行程以及所述历史行程的历史行驶信息，所述历史行驶信息至少包括历史路况信息；
将所述历史路况信息输入预设的初始行程查询模型进行迭代，生成对应的第一预测值；
将所述第一预测值与预设的第一参考值进行比对，并根据比对结果对所述初始行程查询模型进行反向训练，生成所述行程查询模型。
可选地，所述历史行驶信息还包括所述历史行程的行程标识，所述将所述历史路况信息输入预设的初始行程查询模型进行迭代，生成对应的第一预测值，包括：
将所述行程标识与所述历史路况信息向量化，生成第一训练向量；
将所述第一训练向量输入预设的初始形成查询模型进行迭代，并计算每次迭代后的初始行程查询模型的多个第一损失函数；
所述将所述第一预测值与预设的第一参考值进行比对，并根据比对结果对所述初始行程查询模型进行反向训练，生成所述行程查询模型，包括：
当迭代后的初始行程查询模型的多个第一损失函数均最小化时，停止迭代，生成行程查询模型。
可选地，所述历史行驶信息还包括历史驾驶信息以及所述历史行程的行程距离，所述能耗预估模型通过如下方式生成：
采用所述行程距离，将所述训练样本数据中所述历史行程的历史路况信息与历史驾驶信息划分为训练样本集以及验证样本集；
将所述训练样本集输入预设的初始能耗预估模型进行迭代，生成对应的第二预测值；
将所述第二预测值与预设的第二参考值进行比对，并根据比对结果对所述初始能耗预估模型进行反向训练，生成训练后的能耗预估模型；
根据所述验证样本集对训练后的能耗预估模型进行交叉验证，生成能耗预估模型。
可选地，所述将所述训练样本集输入预设的初始能耗预估模型进行迭代，生成对应的第二预测值，包括：
将所述训练样本集的历史路况信息和历史驾驶信息向量化，生成第二训练向量；
将所述第二训练向量输入预设的初始能耗预估模型进行迭代，并计算每次迭代后的初始行程查询模型的多个第二损失函数；
所述将所述第二预测值与预设的第二参考值进行比对，并根据比对结果对所述初始能耗预估模型进行反向训练，生成训练后的能耗预估模型，包括：
当迭代后的初始能耗预估模型的多个第二损失函数均最小化时，停止迭代，生成第一行程查询模型。
可选地，所述根据所述验证样本集对训练后的能耗预估模型进行交叉验证，生成能耗预估模型，包括：
将所述验证样本集的历史路况信息和历史驾驶信息向量化，生成验证特征向量；
将所述验证特征向量输入所述第一行程查询模型进行交叉验证，并计算验证后的第一行程查询模型的多个验证误差值；
判断所述多个验证误差值是否满足预设误差阈值；
若是，将满足所述预设误差阈值的第一行程查询模型作为所述行程查询模型。
本发明实施例还公开了一种车辆能耗的分析装置，包括：
车辆行驶信息获取模块，用于获取车辆目标行程的车辆行驶信息，所述车辆行驶信息至少包括目标路况信息以及车辆能耗；
相似行程确定模块，用于根据所述目标路况信息与预设的行程查询模型，获得针对所述目标行程的至少一个相似行程；
优化行程生成模块，用于根据至少一个所述相似行程的样本驾驶信息与所述目标路况信息，生成针对所述目标行程的至少一个优化行程；
样本能耗确定模块，用于将所述优化行程对应的样本驾驶信息与所述目标路况信息输入预设的能耗预估模型，生成针对所述优化行程的样本能耗；
能耗建议输出模块，用于分别将至少一个所述优化行程的样本能耗与所述车辆能耗进行比较，并根据比较结果输出针对所述目标行程的能耗建议。
可选地，所述相似行程确定模块包括：
行程样本确定子模块，用于将所述目标路况信息输入预设的行程查询模型，获得针对所述目标行程的至少一个行程样本；
相似度获取子模块，用于将所述行程样本与所述目标行程进行位置点比较，获得所述行程样本与所述目标行程之间的行程相似度；
相似行程确定子模块，用于将行程相似度大于或等于预设相似度阈值的行程样本，作为针对所述目标行程的相似行程。
可选地，所述优化行程生成模块具体用于：
采用所述目标路况信息分别与所述相似行程对应的样本驾驶信息进行信息组合，生成针对所述目标行程的至少一个优化行程。
可选地，所述样本能耗确定模块包括：
能耗系数获取子模块，用于获取针对所述车辆能耗的能耗系数；
能耗计算子模块，用于采用所述能耗系数与所述车辆能耗，生成目标车辆能耗；
能耗比较子模块，用于选定样本能耗小于或等于所述目标车辆能耗的优化行程作为目标优化行程，并获取所述目标优化行程的目标车辆行驶信息；
能耗建议输出子模块，用于根据所述目标行程的车辆行驶信息与所述目标优化行程的目标车辆行驶信息之间的比较结果，输出与所述比较结果匹配的能耗建议。
可选地，所述车辆行驶信息还包括目标驾驶信息，所述能耗建议输出子模块具体用于：
采用所述目标行程的目标驾驶信息与所述目标优化行程的样本驾驶信息进行比较，生成针对所述目标驾驶信息的比较结果；
输出所述目标路况信息、所述目标驾驶信息以及与所述比较结果匹配的能耗建议。
可选地，所述行程查询模型通过如下模块生成：
训练样本数据获取模块，用于获取训练样本数据，所述训练样本数据包括不同车辆的历史行程以及所述历史行程的历史行驶信息，所述历史行驶信息至少包括历史路况信息；
第一预测值生成模块，用于将所述历史路况信息输入预设的初始行程查询模型进行迭代，生成对应的第一预测值；
第一模型训练模块，用于将所述第一预测值与预设的第一参考值进行比对，并根据比对结果对所述初始行程查询模型进行反向训练，生成所述行程查询模型。
可选地，所述历史行驶信息还包括所述历史行程的行程标识，所述第一预测值生成模块具体用于：
将所述行程标识与所述历史路况信息向量化，生成第一训练向量；
将所述第一训练向量输入预设的初始形成查询模型进行迭代，并计算每次迭代后的初始行程查询模型的多个第一损失函数；
所述第一模型训练模块具体用于：
当迭代后的初始行程查询模型的多个第一损失函数均最小化时，停止迭代，生成行程查询模型。
可选地，所述历史行驶信息还包括历史驾驶信息以及所述历史行程的行程距离，所述能耗预估模型通过如下模块生成：
样本集确定模块，用于采用所述行程距离，将所述训练样本数据中所述历史行程的历史路况信息与历史驾驶信息划分为训练样本集以及验证样本集；
第二预测值生成模块，用于将所述训练样本集输入预设的初始能耗预估模型进行迭代，生成对应的第二预测值；
第二模型训练模块，用于将所述第二预测值与预设的第二参考值进行比对，并根据比对结果对所述初始能耗预估模型进行反向训练，生成训练后的能耗预估模型；
模型验证模块，用于根据所述验证样本集对训练后的能耗预估模型进行交叉验证，生成能耗预估模型。
可选地，所述第二预测值生成模块具体用于：
将所述训练样本集的历史路况信息和历史驾驶信息向量化，生成第二训练向量；
将所述第二训练向量输入预设的初始能耗预估模型进行迭代，并计算每次迭代后的初始行程查询模型的多个第二损失函数；
所述第二模型训练模块具体用于：
当迭代后的初始能耗预估模型的多个第二损失函数均最小化时，停止迭代，生成第一行程查询模型。
可选地，所述模型验证模块具体用于：
将所述验证样本集的历史路况信息和历史驾驶信息向量化，生成验证特征向量；
将所述验证特征向量输入所述第一行程查询模型进行交叉验证，并计算验证后的第一行程查询模型的多个验证误差值；
判断所述多个验证误差值是否满足预设误差阈值；
若是，将满足所述预设误差阈值的第一行程查询模型作为所述行程查询模型。
本发明实施例还公开了一种车辆，包括：
一个或多个处理器；和
其上存储有指令的一种计算机可读存储介质，当由所述一个或多个处理器执行时，使得所述车辆执行如上所述的方法。
本发明实施例还公开了一种计算机可读存储介质，其上存储有指令，当由一个或多个处理器执行时，使得所述处理器执行如上所述的方法。
本发明实施例包括以下优点：
在本发明实施例中，可以通过获取车辆目标行程的车辆行驶信息，车辆行驶信息中至少包括目标路况信息以及车辆能耗，则可以根据目标路况信息与行程查询模型，获得针对目标行程的至少一个相似行程，接着根据至少一个相似行程的样本驾驶信息与目标路况信息，生成至少一个优化行程，然后将优化行程对应的样本驾驶信息与目标路况信息输入能耗预估模型，生成优化行程的样本能耗，再进行能耗比较，从而根据优化行程与车辆目标行程之间的能耗比较结果，输出针对目标行程的能耗建议，通过路况信息查找相似行程，使得所得到的相似行程均为真实车辆执行过的行程，提高了能耗预测的可执行性，并且基于路况信息与驾驶信息的能耗预测，可以有效提高预测的准确度，而且能够适用于不同的车辆，普适性高。
附图说明
图1是本发明实施例提供的一种车辆能耗的分析方法的步骤流程图；
图2是本发明实施例提供的另一种车辆能耗的分析方法的步骤流程图；
图3是本发明实施例提供的一种车辆能耗的分析装置的结构框图。
具体实施方式
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
行程为车辆从上电、行驶、结束行驶至下电过程中行驶过的路程。
车辆行驶信息包括车辆在某一段行程中车辆所产生的车辆信号，车载***可以通过获取车辆信号，生成当前行程对应的特征信息。其中，特征信息至少可以包括路况信息以及驾驶信息，路况信息用于表示车辆在该行程中行驶时，道路路况所对应的能耗特征信息，例如，不同行驶速度的行驶时长、行驶距离、行驶总时长、上坡时间、上坡高度、下坡时间等路况特征对应的能耗信息；驾驶信息用于表示车辆在该行程行驶过程时，用户操作所对应的能耗特征信息，例如，空调使用信息、车辆行驶模式使用信息、能量回收模式使用信息、加速踏板使用信息、制动踏板使用信息等驾驶特征对应的能耗信息。
作为一种示例，车辆在某一段行程的行驶过程中，车辆所行驶的道路路况以及用户操作均为带来不同程度的车辆能耗，而对于车辆能耗优化而言，路况所带来的能耗无法避免，则能耗优化往往在于用户操作，通过相应的能耗建议，可以为用户行车过程中降低车辆的能耗，提高车辆续航。对此，需要一种能够根据车辆的路况信息与驾驶信息对车辆能耗进行诊断与建议的方式。
因此，本发明实施例的核心发明点之一在于通过获取车辆某段行程的车辆行驶信息，车辆行驶信息包括目标路况信息以及目标驾驶信息，接着通过目标路况信息得到对应的相似行程，并对相似行程进行筛选，获得优化行程，然后将优化行程的样本驾驶信息与目标行程的目标路况信息，输入能耗预估模型，得到优化行程的样本能耗，接着进行能耗比较，并根据比较结果输出针对该段行程的能耗建议，从而通过路况信息进行相似行程的查找，使得所查找到的行程均为被真实车辆执行过程的行程，保证了能耗预测的可执行性，并且基于路况信息与驾驶信息的能耗预测，可以有效提高预测的准确度，而且能够适用于不同的车辆，普适性高。
具体的，参照图1，示出了本发明实施例提供的一种车辆能耗的分析方法的步骤流程图，具体可以包括如下步骤：
步骤101，获取车辆目标行程的车辆行驶信息，所述车辆行驶信息至少包括目标路况信息以及车辆能耗；
在实际中，车辆行驶信息可以基于车联网的CAN(Controller Area Network，控制器局域网)信号，车载***可以获取了目标行程中所产生的车辆信号之后，可以上传至云端，由云端进行能耗预测计算，减少车辆的***开销，然后在云端返回能耗计算结果之后，输出能耗诊断和优化建议，并通过车辆的车载中控屏幕展示对应的能耗诊断结果和能耗建议。
在具体实现中，目标行程可以为车辆上电至下电行驶过的路程，还可以为车辆当前正在行驶的路程，例如，用户在进入车辆后，通过车辆启动器启动车辆，并开始行驶，在行驶一定距离后停止并关闭车辆，可以将该行驶的路程作为一段完整的行程；还可以在用户启动车辆，并开始行驶后，将当前实时变化的路程作为目标行程，以便在行驶过程中对用户提供实时的能耗建议。可选地，本发明实施例以目标行程为车辆行驶的历史行程为例进行示例性说明，可以理解的是，本发明对此不作限制。
当确定需要进行能耗诊断与能耗建议的目标行程后，可以获取该目标行程的车辆行驶信息，其中，车辆行驶信息至少包括目标路况信息以及车辆能耗，目标路况信息为该目标行程中路况所对应的能耗特征信息；车辆能耗为车辆在目标行程中的总能耗。
步骤102，根据所述目标路况信息与预设的行程查询模型，获得针对所述目标行程的至少一个相似行程；
行程查询模型可以利用开源算法k-dimensional树多维数据最近邻查找算法(简称KDTREE最近邻查找算法)，对样本集构建的用于相似行程查找的模型，其能够根据目标行程的目标路况信息，找到与目标行程相似的至少一个相似行程，从而通过路况信息查找相似行程，使得所得到的相似行程均为真实车辆执行过的行程，提高了能耗预测的可执行性
步骤103，根据至少一个所述相似行程的样本驾驶信息与所述目标路况信息，生成针对所述目标行程的至少一个优化行程；
当得到至少一个相似行程之后，可以对目标行程进行特征优化，具体的，每一个相似行程具有对应的样本驾驶信息，样本驾驶信息可以为在相似行程中用户操作所对应的能耗特征信息，通过将不同的相似行程对应的样本驾驶信息与目标行程的目标路况信息进行组合，可以得到针对目标行程的至少一个经过特征优化的优化行程，以便后续对优化行程的能耗情况进行预测。
步骤104，将所述优化行程对应的样本驾驶信息与所述目标路况信息输入预设的能耗预估模型，生成针对所述优化行程的样本能耗；
能耗预估模型为基于不同车辆的不同行程所对应的路况信息与驾驶信息训练得到的模型，则可以将优化行程对应的样本驾驶信息与目标路况信息输入能耗预估模型，得到不同优化行程的样本能耗，以便做进一步的能耗诊断和优化建议，基于路况信息与驾驶信息的能耗预测，可以有效提高预测的准确度，而且能够适用于不同的车辆，普适性高。
步骤105，分别将至少一个所述优化行程的样本能耗与所述车辆能耗进行比较，并根据比较结果输出针对所述目标行程的能耗建议。
在具体实现中，需要分别将每一个优化行程对应的样本能耗与目标行程的车辆能耗进行比较，判断优化行程的样本能耗是否小于目标行程的车辆能耗，若样本能耗小于车辆能耗，则可以进一步根据两者的比较结果，输出针对目标行程的能耗建议；若样本能耗大于或等于车辆能耗，则不需要做进一步的能耗建议，从而通过不同行程之间能耗的比较，可以有效进行能耗分析，并输出具有针对性的能耗建议，使得用户在下一次行车过程中，可以参考相关的能耗建议，在能够减少车辆能耗的同时，提高了用户的行车体验。
在本发明实施例中，可以通过获取车辆目标行程的车辆行驶信息，车辆行驶信息中至少包括目标路况信息以及车辆能耗，则可以根据目标路况信息与行程查询模型，获得针对目标行程的至少一个相似行程，接着根据至少一个相似行程的样本驾驶信息与目标路况信息，生成至少一个优化行程，然后将优化行程对应的样本驾驶信息与目标路况信息输入能耗预估模型，生成优化行程的样本能耗，再进行能耗比较，从而根据优化行程与车辆目标行程之间的能耗比较结果，输出针对目标行程的能耗建议，通过路况信息查找相似行程，使得所得到的相似行程均为真实车辆执行过的行程，提高了能耗预测的可执行性，并且基于路况信息与驾驶信息的能耗预测，可以有效提高预测的准确度，而且能够适用于不同的车辆，普适性高。
参照图2，示出了本发明实施例提供的另一种车辆能耗的分析方法的步骤流程图，具体可以包括如下步骤：
步骤201，获取车辆目标行程的车辆行驶信息，所述车辆行驶信息至少包括目标路况信息以及车辆能耗；
当确定需要进行能耗诊断与能耗建议的目标行程后，可以获取该目标行程的车辆行驶信息，其中，车辆行驶信息至少包括目标路况信息以及车辆能耗，目标路况信息为该目标行程中路况所对应的能耗特征信息；车辆能耗为车辆在目标行程中的总能耗。
步骤202，根据所述目标路况信息与预设的行程查询模型，获得针对所述目标行程的至少一个相似行程；
在具体实现中，可以将目标行程的目标路况信息输入预设的行程查询模型，获得针对目标行程的至少一个行程样本，每一个行程样本均为与目标行程具有一定相似度的行程；接着可以将每一个行程样本与目标行程样本之间进行位置点比较，获得行程样本与目标行程之间的行程相似度，例如，获取获取目标行程对应的多个地理位置点，以及行程样本的多个地理位置点，接着将两者所对应的地理位置点的经纬度信息进行比较，从而根据经纬度的相似结果，计算行程样本与目标行程之间的行程相似度，从而可以将行程相似度大于或等于预设相似度阈值的行程样本作为目标行程的相似行程，行程相似度小于预设相似度阈值的行程样本则忽略，通过对相似行程的相似度检测，可以有效提高后续能耗预测的准确度，进而提高能耗诊断和优化建议的针对性。可选地，若优化行程为0，则不需要进行能耗诊断与优化建议。
在本发明的一种可选实施例中，行程查询模型可以通过如下方式生成：
获取训练样本数据，其中，训练样本数据包括不同车辆的历史行程以及历史行程的历史行驶信息，历史行驶信息至少包括历史路况信息；将历史路况信息输入预设的初始行程查询模型进行迭代，生成对应的第一预测值；将第一预测值与预设的第一参考值进行比对，并根据比对结果对初始行程查询模型进行反向训练，生成行程查询模型。
在具体实现中，对于每一台车辆在每个行程(每次上电为行程开始，下电为行程结束)结束均可以统计该行程中所产生的相关车辆信号，并生成对应的能耗特征，具体至少可以包括如下特征：
1)0-30码行驶时长：对每秒车辆速度进行统计，如果速度低于30码，统计时长加(1/3600)，单位小时；
2)0-30码行驶距离：对每秒车辆速度进行统计，如果速度低于30码，统计距离增加(速度/3600)，单位公里；
3)30-60码行驶时长：对每秒车辆速度进行统计，如果速度低于60码，统计时长加(1/3600)，单位小时；
4)30-60码行驶距离：对每秒车辆速度进行统计，如果速度低于60码，统计距离增加(速度/3600)，单位公里；
5)60-90码行驶时长：对每秒车辆速度进行统计，如果速度低于90码，统计时长加(1/3600)，单位小时；
6)60-90码行驶距离：对每秒车辆速度进行统计，如果速度低于90码，统计距离增加(速度/3600)，单位公里；
7)90-120码行驶时长：对每秒车辆速度进行统计，如果速度低于120码，统计时长加(1/3600)，单位小时；
8)90-120码行驶距离：对每秒车辆速度进行统计，如果速度低于120码，统计距离增加(速度/3600)，单位公里；
9)120码以上行驶时长：对每秒车辆速度进行统计，如果速度低于120码，统计时长加(1/3600)，单位小时；
10)120码以上行驶距离：对每秒车辆速度进行统计，如果速度低于120码，统计距离增加(速度/3600)，单位公里；
11)0速时长：车辆速度为0时，统计时长加(1/3600)，单位小时
12)行驶总时长：统计时长加(1/3600)，单位小时；
13)上坡时间：对每秒车辆的俯仰角信号(pitch)进行统计，如果pitch小于0，统计时长加(1/3600)，单位小时；
14)累计上坡高度：对每秒车辆的俯仰角信号(pitch)进行统计，如果pitch小于0，统计时长加(1/3600*sin(abs(pitch)))，单位公里sin为三角函数，abs求pitch绝对值；
15)下坡时间：对每秒车辆的俯仰角信号(pitch)进行统计，如果pitch大于0，统计时长加(1/3600)，单位小时；
16)累计下坡高度：对每秒车辆的俯仰角信号(pitch)进行统计，如果pitch大于0，统计时长加(1/3600*sin(abs(pitch)))，单位公里sin为三角函数，abs求pitch绝对值；
17)经济模式距离：对每秒车辆模式信号进行统计，如果模式为经济模式，统计距离增加(速度/3600)，单位公里；
18)标准模式距离：对每秒车辆模式信号进行统计，如果模式为标准模式，统计距离增加(速度/3600)，单位公里；
19)运动模式距离：对每秒车辆模式信号进行统计，如果模式为运动模式，统计距离增加(速度/3600)，单位公里；
20)弱回收距离：对每秒车辆能量回收模式信号进行统计，如果模式为弱回收，统计距离增加(速度/3600)，单位公里；
21)中回收距离：对每秒车辆能量回收模式信号进行统计，如果模式为中回收，统计距离增加(速度/3600)，单位公里；
22)强回收距离：对每秒车辆能量回收模式信号进行统计，如果模式为强回收，统计距离增加(速度/3600)，单位公里；
23)踩刹车时间：对每秒车辆的刹车踏板信号进行统计，如果刹车踏板信号大于0，统计时长加(1/3600)，单位小时；
24)踩刹车距离:对每秒车辆的刹车踏板信号进行统计，如果刹车踏板信号大于0，统计距离增加(速度/3600)，单位公里；
25)踩加速时间:对每秒车辆的加速踏板信号进行统计，如果加速踏板信号大于0，统计时长加(1/3600)，单位小时；
26)踩加速距离:对每秒车辆的加速踏板信号进行统计，如果加速踏板信号大于0，统计距离增加(速度/3600)，单位公里；
27)累计加速踏板深度：对每秒车辆的加速踏板信号进行统计，如果加速踏板信号大于0，统计深度增加加速踏板信号值，无单位；
28)减速距离：对每秒车辆的速度信号进行统计，如果速度信号小于前一秒速度信号，统计距离增加(速度/3600)，单位公里；
29)加速距离：对每秒车辆的速度信号进行统计，如果速度信号大于前一秒速度信号，统计距离增加(速度/3600)，单位公里；
30)空调开启时长：对每秒车辆的空调开启信号进行统计，如果空调开启信号大于0，统计时长加(1/3600)，单位小时；
31)平均空调负载：对每秒车辆的空调电流、电压信号进行统计，累计电流*电压/36000000，即单位千瓦时，然后再除以行程结束时的空调开启时长；
32)行驶总距离：统计距离增加(速度/3600)，单位公里；
33)总能耗：累计每秒动力电池的电流*电压/36000000，单位千瓦时。
以上能耗特征除了行驶总距离、平均空调负载，均除以行程总距离并乘以100，得到百公里平均能耗；此外，能耗特征33，除以行程总距离乘以100，得到百公里平均能耗。其中，能耗特征1-16可以归位路况信息，能耗特征17-31称为驾驶信息。
具体的，在得到上述能耗特征(即历史行驶信息)后，可以解析历史行驶信息，得到不同历史行程的行程标识、历史路况信息等，然后将行程标识与历史路况信息向量化，生成第一训练向量，并将第一训练向量输入预设的初始形成查询模型进行迭代，并计算每次迭代后的初始行程查询模型的多个第一损失函数，当迭代后的初始行程查询模型的多个第一损失函数均最小化时，停止迭代，生成行程查询模型。
在一种示例中，假设行程查询模型包括输入层、映射层以及输出层，输出层可以包括多个输出节点，针对每个样本可以使用16维特征向量(即对应于上述17-31的能耗特征)以及行程标识进行模型训练。同时，对于模型激活函数的参数更新，可以是基于梯度下降策略，以目标梯度方向对参数进行更新。具体的，可以预设一学习率，控制每一轮迭代中参数的更新步长，从而最终得到行程查询模型。此外，在实际中由于损失函数的最小值往往难以达到，则还可以通过设置迭代次数对模型迭代进行控制，损失函数达到预期值，或基本保持不变时，即可以视为模型训练结束。
步骤203，采用所述目标路况信息分别与所述相似行程对应的样本驾驶信息进行信息组合，生成针对所述目标行程的至少一个优化行程；
当得到至少一个相似行程之后，可以对目标行程进行特征优化，具体的，每一个相似行程具有对应的样本驾驶信息，样本驾驶信息可以为在相似行程中用户操作所对应的能耗特征信息，通过将不同的相似行程对应的样本驾驶信息与目标行程的目标路况信息进行组合，可以得到针对目标行程的至少一个经过特征优化的优化行程，以便后续对优化行程的能耗情况进行预测。
在一种示例中，根据所得到的N个相似度大于或等于预设相似度阈值的相似行程，分别获取各个相似行程的样本驾驶信息，然后将目标行程的目标路况信息分别与N个相似行程的样本驾驶信息进行组合，生成N个完整的样本，作为优化行程，可以包括：目标行程的目标路况信息(x1....x16等16个目标路况信息),相似行程1样本驾驶信息(x17...x31)共31个维因子作为优化行程1；目标行程的目标路况信息(x1....x16等16个目标路况信息),相似行程2样本驾驶信息(x17...x31)共31个维因子作为优化行程2；目标行程的目标路况信息(x1....x16等16个目标路况信息),相似行程3样本驾驶信息(x17...x31)共31个维因子作为优化行程3等等，从而通过对目标行程的能耗特征进行微调优化，提高了后续能耗诊断与优化建议的准确性。
步骤204，将所述优化行程对应的样本驾驶信息与所述目标路况信息输入预设的能耗预估模型，生成针对所述优化行程的样本能耗；
能耗预估模型为基于不同车辆的不同行程所对应的路况信息与驾驶信息训练得到的模型，则可以将优化行程对应的样本驾驶信息与目标路况信息输入能耗预估模型，得到不同优化行程的样本能耗，以便做进一步的能耗诊断和优化建议，基于路况信息与驾驶信息的能耗预测，可以有效提高预测的准确度，而且能够适用于不同的车辆，普适性高。
在本发明的一种可选实施例中，历史行驶信息还包括历史驾驶信息以及历史行程的行程距离，能耗预估模型可以通过如下方式生成：
采用行程距离，将训练样本数据中历史行程的历史路况信息与历史驾驶信息划分为训练样本集以及验证样本集；将训练样本集输入预设的初始能耗预估模型进行迭代，生成对应的第二预测值；将第二预测值与预设的第二参考值进行比对，并根据比对结果对初始能耗预估模型进行反向训练，生成训练后的能耗预估模型；根据验证样本集对训练后的能耗预估模型进行交叉验证，生成能耗预估模型。
在具体实现中，可以先获取历史行程的行程距离，并按照行程距离的里程将训练样本数据划分为多个行程集合，例如，可以将180天内不同车辆的历史行驶信息作为训练样本数据，接着按照行程距离分为4个行程集合，包括：行程距离小于或等于5公里的行程集合①，行程距离大于5公里小于或等于25公里的行程集合②，行程大于25公里小于或等于50公里的行程距离③，行程大于50公里的行程集合④等等，接着可以对这4个行程集合进行随机抽样，将行程集合中70％的样本数据作为训练样本集，将30％的样本数据作为验证样本集。可选地，训练样本集可以作为模型训练的数据，验证样本集可以作为模型训练后进行模型验证的数据。
具体的，可以将训练样本集的历史路况信息和历史驾驶信息向量化，生成第二训练向量，并将第二训练向量输入预设的初始能耗预估模型进行迭代，并计算每次迭代后的初始行程查询模型的多个第二损失函数，当迭代后的初始能耗预估模型的多个第二损失函数均最小化时，停止迭代，生成第一行程查询模型。当训练结束后，可以将验证样本集的历史路况信息和历史驾驶信息向量化，生成验证特征向量，并将验证特征向量输入第一行程查询模型进行交叉验证，并计算验证后的第一行程查询模型的多个验证误差值，判断多个验证误差值是否满足预设误差阈值，若是，将满足预设误差阈值的第一行程查询模型作为行程查询模型。
在一种示例中，在得到4个行程集合后，可以分别进行如下操作：随机抽样70％作为训练样本集，30％作为测试样本集，以为训练样本集中的能耗特征X作为模型输入，以行程百公里平均能耗为样本回归目标y(即模型输出)，训练GBDT(Gradient BoostingDecision Tree，梯度提升决策树)回归模型；得到4个能耗预估模型。接着在根据验证样本集中的能耗特征对能耗预估模型进行验证，保证了模型预测的准确度，进而提高能耗诊断与优化建议的针对性。
需要说明的是，本发明实施例包括但不限于上述示例，可以理解的是，本领域技术人员在本发明的思想指导下，还可以根据实际需要进行设置，本发明对此不作限制。
步骤205，分别将至少一个所述优化行程的样本能耗与所述车辆能耗进行比较，并根据比较结果输出针对所述目标行程的能耗建议。
在本发明实施例中，可以获取针对车辆能耗的能耗系数，接着采用能耗系数与车辆能耗，生成目标车辆能耗，然后选定样本能耗小于或等于目标车辆能耗的优化行程作为目标优化行程，并获取目标优化行程的目标车辆行驶信息，并根据目标行程的车辆行驶信息与目标优化行程的目标车辆行驶信息之间的比较结果，输出与比较结果匹配的能耗建议。
在具体实现中，能耗系数可以为针对车辆能耗设置的系数，其可以作为评价优化行程能耗高低的系数，例如能耗系数可以设置为0.9、0.8以及0.7等等，相应的，在进行样本能耗与车辆能耗的比较过程中，即表示为优化行程的样本能耗比目标行程的车辆能耗低10％、20％以及30％等等。
在一种示例中，能耗预估模型输出的是优化行程对应的百公里平均能耗，目标行程的车辆能耗也为百公里平均能耗，则可以分别将优化行程所对应的百公里平均能耗与目标行程的百公里平均能耗进行比较，若优化行程的百公里平均能耗小于或等于目标行程的百公里平均能耗的90％(或80％等)，则将满足上述能耗条件的优化行程作为目标优化行程，并获取目标优化行程的样本驾驶信息，然后分别统计样本驾驶信息中各个能耗特征(上述能耗特征17-31)的能耗平均值，并分别与目标行程中目标驾驶信息中各个能耗特征进行一一比较，生成针对目标驾驶信息的比较结果，例如，如果优化行程的经济模式距离比目标行程高，或优化行程的运动模式距离比目标行程低，则输出，建议行程中考虑经济模式或减少运动模式的使用时间，以降低能耗；如果优化行程的强能量回收模式距离比目标行程高或优化行程的弱能量回收模式距离比目标行程低，则输出，建议行程中考虑强能量回收模式或减少弱能量回收模式的使用时间，以降低能耗；如果优化行程的驾驶因子23-29比目标行程低，则输出，建议行程中减少没必要的急加减速，保持匀速稳定行驶，以降低能耗；如果优化行程的空调使用时长比目标行程低或优化行程的空调平均负载比目标行程低，则输出，建议行程中合理使用空调，以降低能耗等等，并最终通过车辆的车载中控屏幕输出目标行程的目标路况信息、目标驾驶信息以及能耗最低的优化行程的样本驾驶信息与相应的能耗建议，以便用户在下次行车过程中，可以参考能耗建议进行行车，在一定程度上能够有效降低车辆的行驶能耗，提高车辆的续航能力，保证用户的行车体验。
在本发明实施例中，可以通过获取车辆目标行程的车辆行驶信息，车辆行驶信息中至少包括目标路况信息以及车辆能耗，则可以根据目标路况信息与行程查询模型，获得针对目标行程的至少一个相似行程，接着根据至少一个相似行程的样本驾驶信息与目标路况信息，生成至少一个优化行程，然后将优化行程对应的样本驾驶信息与目标路况信息输入能耗预估模型，生成优化行程的样本能耗，再进行能耗比较，从而根据优化行程与车辆目标行程之间的能耗比较结果，输出针对目标行程的能耗建议，通过路况信息查找相似行程，使得所得到的相似行程均为真实车辆执行过的行程，提高了能耗预测的可执行性，并且基于路况信息与驾驶信息的能耗预测，可以有效提高预测的准确度，而且能够适用于不同的车辆，普适性高。
需要说明的是，对于方法实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本发明实施例并不受所描述的动作顺序的限制，因为依据本发明实施例，某些步骤可以采用其他顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作并不一定是本发明实施例所必须的。
参照图3，示出了本发明实施例提供的一种车辆能耗的分析装置的结构框图，具体可以包括如下模块：
车辆行驶信息获取模块301，用于获取车辆目标行程的车辆行驶信息，所述车辆行驶信息至少包括目标路况信息以及车辆能耗；
相似行程确定模块302，用于根据所述目标路况信息与预设的行程查询模型，获得针对所述目标行程的至少一个相似行程；
优化行程生成模块303，用于根据至少一个所述相似行程的样本驾驶信息与所述目标路况信息，生成针对所述目标行程的至少一个优化行程；
样本能耗确定模块304，用于将所述优化行程对应的样本驾驶信息与所述目标路况信息输入预设的能耗预估模型，生成针对所述优化行程的样本能耗；
能耗建议输出模块305，用于分别将至少一个所述优化行程的样本能耗与所述车辆能耗进行比较，并根据比较结果输出针对所述目标行程的能耗建议。
在本发明的一种可选实施例中，所述相似行程确定模块302包括：
行程样本确定子模块，用于将所述目标路况信息输入预设的行程查询模型，获得针对所述目标行程的至少一个行程样本；
相似度获取子模块，用于将所述行程样本与所述目标行程进行位置点比较，获得所述行程样本与所述目标行程之间的行程相似度；
相似行程确定子模块，用于将行程相似度大于或等于预设相似度阈值的行程样本，作为针对所述目标行程的相似行程。
在本发明的一种可选实施例中，所述优化行程生成模块303具体用于：
采用所述目标路况信息分别与所述相似行程对应的样本驾驶信息进行信息组合，生成针对所述目标行程的至少一个优化行程。
在本发明的一种可选实施例中，所述样本能耗确定模块304包括：
能耗系数获取子模块，用于获取针对所述车辆能耗的能耗系数；
能耗计算子模块，用于采用所述能耗系数与所述车辆能耗，生成目标车辆能耗；
能耗比较子模块，用于选定样本能耗小于或等于所述目标车辆能耗的优化行程作为目标优化行程，并获取所述目标优化行程的目标车辆行驶信息；
能耗建议输出子模块，用于根据所述目标行程的车辆行驶信息与所述目标优化行程的目标车辆行驶信息之间的比较结果，输出与所述比较结果匹配的能耗建议。
在本发明的一种可选实施例中，所述车辆行驶信息还包括目标驾驶信息，所述能耗建议输出子模块具体用于：
采用所述目标行程的目标驾驶信息与所述目标优化行程的样本驾驶信息进行比较，生成针对所述目标驾驶信息的比较结果；
输出所述目标路况信息、所述目标驾驶信息以及与所述比较结果匹配的能耗建议。
在本发明的一种可选实施例中，所述行程查询模型通过如下模块生成：
训练样本数据获取模块，用于获取训练样本数据，所述训练样本数据包括不同车辆的历史行程以及所述历史行程的历史行驶信息，所述历史行驶信息至少包括历史路况信息；
第一预测值生成模块，用于将所述历史路况信息输入预设的初始行程查询模型进行迭代，生成对应的第一预测值；
第一模型训练模块，用于将所述第一预测值与预设的第一参考值进行比对，并根据比对结果对所述初始行程查询模型进行反向训练，生成所述行程查询模型。
在本发明的一种可选实施例中，所述历史行驶信息还包括所述历史行程的行程标识，所述第一预测值生成模块具体用于：
将所述行程标识与所述历史路况信息向量化，生成第一训练向量；
将所述第一训练向量输入预设的初始形成查询模型进行迭代，并计算每次迭代后的初始行程查询模型的多个第一损失函数；
所述第一模型训练模块具体用于：
当迭代后的初始行程查询模型的多个第一损失函数均最小化时，停止迭代，生成行程查询模型。
在本发明的一种可选实施例中，所述历史行驶信息还包括历史驾驶信息以及所述历史行程的行程距离，所述能耗预估模型通过如下模块生成：
样本集确定模块，用于采用所述行程距离，将所述训练样本数据中所述历史行程的历史路况信息与历史驾驶信息划分为训练样本集以及验证样本集；
第二预测值生成模块，用于将所述训练样本集输入预设的初始能耗预估模型进行迭代，生成对应的第二预测值；
第二模型训练模块，用于将所述第二预测值与预设的第二参考值进行比对，并根据比对结果对所述初始能耗预估模型进行反向训练，生成训练后的能耗预估模型；
模型验证模块，用于根据所述验证样本集对训练后的能耗预估模型进行交叉验证，生成能耗预估模型。
在本发明的一种可选实施例中，所述第二预测值生成模块具体用于：
将所述训练样本集的历史路况信息和历史驾驶信息向量化，生成第二训练向量；
将所述第二训练向量输入预设的初始能耗预估模型进行迭代，并计算每次迭代后的初始行程查询模型的多个第二损失函数；
所述第二模型训练模块具体用于：
当迭代后的初始能耗预估模型的多个第二损失函数均最小化时，停止迭代，生成第一行程查询模型。
在本发明的一种可选实施例中，所述模型验证模块具体用于：
将所述验证样本集的历史路况信息和历史驾驶信息向量化，生成验证特征向量；
将所述验证特征向量输入所述第一行程查询模型进行交叉验证，并计算验证后的第一行程查询模型的多个验证误差值；
判断所述多个验证误差值是否满足预设误差阈值；
若是，将满足所述预设误差阈值的第一行程查询模型作为所述行程查询模型。
对于装置实施例而言，由于其与方法实施例基本相似，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
本发明实施例还提供了一种车辆，包括：
一个或多个处理器；和
其上存储有指令的一种计算机可读存储介质，当由所述一个或多个处理器执行时，使得所述车辆执行本发明实施例所述的方法。
本发明实施例还提供了一种计算机可读存储介质，其上存储有指令，当由一个或多个处理器执行时，使得所述处理器执行本发明实施例所述的方法。
本说明书中的各个实施例均采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似的部分互相参见即可。
本领域内的技术人员应明白，本发明实施例的实施例可提供为方法、装置、或计算机程序产品。因此，本发明实施例可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明实施例可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器、EEPROM、Flash以及eMMC等)上实施的计算机程序产品的形式。
本发明实施例是参照根据本发明实施例的方法、终端设备(***)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理终端设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理终端设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理终端设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理终端设备上，使得在计算机或其他可编程终端设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程终端设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
尽管已描述了本发明实施例的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例做出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明实施例范围的所有变更和修改。
最后，还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者终端设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者终端设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者终端设备中还存在另外的相同要素。
以上对本发明所提供的一种车辆能耗的分析方法和一种车辆能耗的分析装置，进行了详细介绍，本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。
Claims (13)
1.一种车辆能耗的分析方法，其特征在于，包括：
获取车辆目标行程的车辆行驶信息，所述车辆行驶信息至少包括目标路况信息以及车辆能耗；
根据所述目标路况信息与预设的行程查询模型，获得针对所述目标行程的至少一个相似行程；
根据至少一个所述相似行程的样本驾驶信息与所述目标路况信息，生成针对所述目标行程的至少一个优化行程；
将所述优化行程对应的样本驾驶信息与所述目标路况信息输入预设的能耗预估模型，生成针对所述优化行程的样本能耗；
分别将至少一个所述优化行程的样本能耗与所述车辆能耗进行比较，并根据比较结果输出针对所述目标行程的能耗建议。
2.根据权利要求1所述的方法，其特征在于，所述根据所述目标路况信息与预设的行程查询模型，获得针对所述目标行程的至少一个相似行程，包括：
将所述目标路况信息输入预设的行程查询模型，获得针对所述目标行程的至少一个行程样本；
将所述行程样本与所述目标行程进行位置点比较，获得所述行程样本与所述目标行程之间的行程相似度；
将行程相似度大于或等于预设相似度阈值的行程样本，作为针对所述目标行程的相似行程。
3.根据权利要求1所述的方法，其特征在于，所述根据至少一个所述相似行程的样本驾驶信息与所述目标路况信息，生成针对所述目标行程的至少一个优化行程，包括：
采用所述目标路况信息分别与所述相似行程对应的样本驾驶信息进行信息组合，生成针对所述目标行程的至少一个优化行程。
4.根据权利要求1所述的方法，其特征在于，所述分别将至少一个所述相似行程的样本能耗与所述车辆能耗进行比较，并根据比较结果输出针对所述目标行程的能耗建议，包括：
获取针对所述车辆能耗的能耗系数；
采用所述能耗系数与所述车辆能耗，生成目标车辆能耗；
选定样本能耗小于或等于所述目标车辆能耗的优化行程作为目标优化行程，并获取所述目标优化行程的目标车辆行驶信息；
根据所述目标行程的车辆行驶信息与所述目标优化行程的目标车辆行驶信息之间的比较结果，输出与所述比较结果匹配的能耗建议。
5.根据权利要求4所述的方法，其特征在于，所述车辆行驶信息还包括目标驾驶信息，所述根据所述目标行程的车辆行驶信息与所述目标优化行程的目标车辆行驶信息之间的比较结果，输出针对所述目标行程的能耗建议，包括：
采用所述目标行程的目标驾驶信息与所述目标优化行程的样本驾驶信息进行比较，生成针对所述目标驾驶信息的比较结果；
输出所述目标路况信息、所述目标驾驶信息以及与所述比较结果匹配的能耗建议。
6.根据权利要求1所述的方法，其特征在于，所述行程查询模型通过如下方式生成：
获取训练样本数据，所述训练样本数据包括不同车辆的历史行程以及所述历史行程的历史行驶信息，所述历史行驶信息至少包括历史路况信息；
将所述历史路况信息输入预设的初始行程查询模型进行迭代，生成对应的第一预测值；
将所述第一预测值与预设的第一参考值进行比对，并根据比对结果对所述初始行程查询模型进行反向训练，生成所述行程查询模型。
7.根据权利要求6所述的方法，其特征在于，所述历史行驶信息还包括所述历史行程的行程标识，所述将所述历史路况信息输入预设的初始行程查询模型进行迭代，生成对应的第一预测值，包括：
将所述行程标识与所述历史路况信息向量化，生成第一训练向量；
将所述第一训练向量输入预设的初始形成查询模型进行迭代，并计算每次迭代后的初始行程查询模型的多个第一损失函数；
所述将所述第一预测值与预设的第一参考值进行比对，并根据比对结果对所述初始行程查询模型进行反向训练，生成所述行程查询模型，包括：
当迭代后的初始行程查询模型的多个第一损失函数均最小化时，停止迭代，生成行程查询模型。
8.根据权利要求6所述的方法，其特征在于，所述历史行驶信息还包括历史驾驶信息以及所述历史行程的行程距离，所述能耗预估模型通过如下方式生成：
采用所述行程距离，将所述训练样本数据中所述历史行程的历史路况信息与历史驾驶信息划分为训练样本集以及验证样本集；
将所述训练样本集输入预设的初始能耗预估模型进行迭代，生成对应的第二预测值；
将所述第二预测值与预设的第二参考值进行比对，并根据比对结果对所述初始能耗预估模型进行反向训练，生成训练后的能耗预估模型；
根据所述验证样本集对训练后的能耗预估模型进行交叉验证，生成能耗预估模型。
9.根据权利要求8所述的方法，其特征在于，所述将所述训练样本集输入预设的初始能耗预估模型进行迭代，生成对应的第二预测值，包括：
将所述训练样本集的历史路况信息和历史驾驶信息向量化，生成第二训练向量；
将所述第二训练向量输入预设的初始能耗预估模型进行迭代，并计算每次迭代后的初始行程查询模型的多个第二损失函数；
所述将所述第二预测值与预设的第二参考值进行比对，并根据比对结果对所述初始能耗预估模型进行反向训练，生成训练后的能耗预估模型，包括：
当迭代后的初始能耗预估模型的多个第二损失函数均最小化时，停止迭代，生成第一行程查询模型。
10.根据权利要求9所述的方法，其特征在于，所述根据所述验证样本集对训练后的能耗预估模型进行交叉验证，生成能耗预估模型，包括：
将所述验证样本集的历史路况信息和历史驾驶信息向量化，生成验证特征向量；
将所述验证特征向量输入所述第一行程查询模型进行交叉验证，并计算验证后的第一行程查询模型的多个验证误差值；
判断所述多个验证误差值是否满足预设误差阈值；
若是，将满足所述预设误差阈值的第一行程查询模型作为所述行程查询模型。
11.一种车辆能耗的分析装置，其特征在于，包括：
车辆行驶信息获取模块，用于获取车辆目标行程的车辆行驶信息，所述车辆行驶信息至少包括目标路况信息以及车辆能耗；
相似行程确定模块，用于根据所述目标路况信息与预设的行程查询模型，获得针对所述目标行程的至少一个相似行程；
优化行程生成模块，用于根据至少一个所述相似行程的样本驾驶信息与所述目标路况信息，生成针对所述目标行程的至少一个优化行程；
样本能耗确定模块，用于将所述优化行程对应的样本驾驶信息与所述目标路况信息输入预设的能耗预估模型，生成针对所述优化行程的样本能耗；
能耗建议输出模块，用于分别将至少一个所述优化行程的样本能耗与所述车辆能耗进行比较，并根据比较结果输出针对所述目标行程的能耗建议。
12.一种车辆，其特征在于，包括：
一个或多个处理器；和
其上存储有指令的一种计算机可读存储介质，当由所述一个或多个处理器执行时，使得所述车辆执行如权利要求1-10任一项所述的方法。
13.一种计算机可读存储介质，其上存储有指令，当由一个或多个处理器执行时，使得所述处理器执行如权利要求1-10任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011385839.3A CN112406875B (zh) | 2020-11-30 | 2020-11-30 | 一种车辆能耗的分析方法和装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011385839.3A CN112406875B (zh) | 2020-11-30 | 2020-11-30 | 一种车辆能耗的分析方法和装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112406875A CN112406875A (zh) | 2021-02-26 |
| CN112406875B true CN112406875B (zh) | 2023-08-29 |
Family
ID=74829500
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011385839.3A Active CN112406875B (zh) | 2020-11-30 | 2020-11-30 | 一种车辆能耗的分析方法和装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112406875B (zh) |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113071497B (zh) * | 2021-04-28 | 2022-05-24 | 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 |
| CN114179946B (zh) * | 2022-01-12 | 2022-06-17 | 金华市路骑电动科技有限公司 | 一种电动车数据链路的智能化监测方法及*** |
| CN116340767B (zh) * | 2023-02-27 | 2023-12-01 | 吉林大学 | 一种电动汽车行程能耗概率分布预测方法、***及产品 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| DE102013205845A1 (de) * | 2012-04-03 | 2013-10-10 | Ford Global Technologies, Llc | System und verfahren zum bestimmen einer fahrzeugroute |
| CN107264326A (zh) * | 2017-07-04 | 2017-10-20 | 重庆长安汽车股份有限公司 | 一种对纯电动汽车的续驶里程进行预估的方法 |
| CN109747427A (zh) * | 2019-02-01 | 2019-05-14 | 广州小鹏汽车科技有限公司 | 估计电动车辆到达目的地时的剩余续驶能力的方法及设备 |
| CN111301172A (zh) * | 2020-02-12 | 2020-06-19 | 浙江吉利汽车研究院有限公司 | 一种续驶里程的估算方法、装置、设备及存储介质 |
| CN111523701A (zh) * | 2020-03-27 | 2020-08-11 | 广州亚美信息科技有限公司 | 车辆运行状况的评估方法、装置、计算机设备和存储介质 |
-
2020
- 2020-11-30 CN CN202011385839.3A patent/CN112406875B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| DE102013205845A1 (de) * | 2012-04-03 | 2013-10-10 | Ford Global Technologies, Llc | System und verfahren zum bestimmen einer fahrzeugroute |
| CN107264326A (zh) * | 2017-07-04 | 2017-10-20 | 重庆长安汽车股份有限公司 | 一种对纯电动汽车的续驶里程进行预估的方法 |
| CN109747427A (zh) * | 2019-02-01 | 2019-05-14 | 广州小鹏汽车科技有限公司 | 估计电动车辆到达目的地时的剩余续驶能力的方法及设备 |
| CN111301172A (zh) * | 2020-02-12 | 2020-06-19 | 浙江吉利汽车研究院有限公司 | 一种续驶里程的估算方法、装置、设备及存储介质 |
| CN111523701A (zh) * | 2020-03-27 | 2020-08-11 | 广州亚美信息科技有限公司 | 车辆运行状况的评估方法、装置、计算机设备和存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112406875A (zh) | 2021-02-26 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112406875B (zh) | 一种车辆能耗的分析方法和装置 | |
| RU2741818C1 (ru) | Способ формирования энергоэффективного трека транспортного средства, устройство формирования энергоэффективного трека и система формирования энергоэффективного трека | |
| US10632985B2 (en) | Hybrid vehicle and method of predicting driving pattern in the same | |
| KR101728406B1 (ko) | 추진 관련 동작 파라미터 추정 방법 | |
| JP4997011B2 (ja) | 自動車の燃料消費量推定システム、経路探索システム、及び運転指導システム | |
| US9631940B2 (en) | Method and system for determining a route for efficient energy consumption | |
| Lemieux et al. | Vehicle speed prediction using deep learning | |
| Felipe et al. | Energy consumption estimation in electric vehicles considering driving style | |
| CN108489500A (zh) | 一种基于能耗经济性的全局路径规划方法及*** | |
| US11661067B2 (en) | Method for ascertaining driving profiles | |
| KR102303077B1 (ko) | 연소 엔진을 탑재한 차량의 구동 시스템의 배기가스 배출량 감소 방법 | |
| JP2022089806A (ja) | 車両の動作プロファイルのモデリング | |
| Grubwinkler et al. | A modular and dynamic approach to predict the energy consumption of electric vehicles | |
| CN113015885A (zh) | 使用大数据进行车辆路由的***和方法 | |
| KR102472552B1 (ko) | 딥러닝을 활용한 차량의 에너지 소모량 및 탄소배출량 산출방법 | |
| CN116648390A (zh) | 具有机器学习控制器的车辆传动*** | |
| CN113570870A (zh) | 分布式路口平均延误估计方法、装置、设备及存储介质 | |
| RU2765268C1 (ru) | Устройство формирования энергоэффективного трека эксплуатируемого транспортного средства при движении эксплуатируемого транспортного средства по автомагистрали | |
| Hong et al. | Personalized Energy Consumption Prediction of CAEVs With Personal Driving Cycle Selection | |
| RU2771586C1 (ru) | Транспортное средство с функцией формирования корректирующего энергоэффективного трека эксплуатируемого транспортного средства | |
| RU2777853C1 (ru) | Транспортное средство с функцией формирования энергоэффективного трека эксплуатируемого транспортного средства при движении эксплуатируемого транспортного средства по участку пути, включающему точку обязательной остановки | |
| RU2771188C1 (ru) | Способ формирования энергоэффективного трека эксплуатируемого транспортного средства при движении эксплуатируемого транспортного средства по автомагистрали | |
| RU2782970C1 (ru) | Система формирования энергоэффективного трека эксплуатируемого транспортного средства при движении эксплуатируемого транспортного средства по участку пути, включающему точку обязательной остановки | |
| RU2777852C1 (ru) | Способ формирования энергоэффективного трека эксплуатируемого транспортного средства при движении эксплуатируемого транспортного средства по участку пути, включающему точку обязательной остановки | |
| RU2766649C1 (ru) | Система формирования корректирующего энергоэффективного трека эксплуатируемого транспортного средства |
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 |