CN113015885A - 使用大数据进行车辆路由的***和方法 - Google Patents

Abstract

提供了一种用于确定沿着一条或更多条路段的在起点与目的地之间的最优路线的***和方法。该***包括控制器，该控制器被布置在车辆内并且被配置成确定起点与目的地之间的最优路线。第一数据源向服务器提供关于多个路段上的当前状况和/或未来状况的数据。第二数据源向服务器提供关于多个路段的实际穿过的数据。该***解决了提取若干因素中的每一个如何影响穿过多个路段中的每一个路段所需的时间和能量的概率分布函数的后向问题。该***还解决使用关于实际状况的数据来应用概率分布函数以确定针对时间和能耗二者而优化的最优路线的前向问题。

Description

使用大数据进行车辆路由的***和方法

相关申请的交叉引用

该PCT国际专利申请要求于2018年11月13日提交的题为“System and Method forVehicle Routing Using Big Data”的美国临时专利申请第62/760,574号的权益和优先权，该美国临时专利申请的全部公开内容通过引用并入本文。

技术领域

本公开内容总体上涉及确定用于车辆在起始位置与目的地位置之间行进的最优路由路径，并且该路径针对所需的时间和燃料或能量二者进行了优化。

背景技术

近年来，在优化车辆的燃料效率方面付出了很多努力和关注。一些努力通过训练和公共服务推广等来训练用户更有效地操作车辆。车辆在通常由用户/驾驶员基于该人的经验确定的多种不同路线上行驶。有时通过电子装置(例如计算机化导航***)为用户提供路线规划方面的帮助。这样的计算机化导航***一般利用全球定位***(GPS)来确定其在空间中的精确位置，并且通常被配置成提供被计算成使行进时间或行进距离最小化的路线。

发明内容

提供了一种用于确定起点与目的地之间的最优路线的***。该***包括服务器，该服务器具有存储第一多元概率分布函数(PDF)和第二多元概率分布函数(PDF)的第一机器可读存储存储器，其中第一多元概率分布函数将多个因素与用于穿过多个路段中的每一个路段的时间进行映射，并且其中第二多元概率分布函数将多个因素与穿过多个路段中的每一个路段所需的能量进行映射。该***还包括服务器和/或与该服务器通信的控制器，二者中的至少一个被配置成确定起点与目的地之间的最优路线。

在本公开内容的一方面中，***可以包括第一数据源，该第一数据源向服务器提供关于多个路段上的状况的数据。在本公开内容的另一方面中，***还可以包括第二数据源，该第二数据源向服务器提供关于多个路段内的路段的实际穿过的数据。

还提供了一种用于确定起点与目的地之间的最优路线的第一方法。第一方法包括确定多个路段的多个当前特征的步骤，其中当前特征包括以下中的一个或更多个：交通状况、交通控制信号相位和定时(SPaT)、速度限制、交通控制信号、道路曲率、道路状况、道路特定驾驶风格，天气和/或温度。第一方法还包括以下步骤：基于路段的当前特征和第一多元概率分布函数(PDF)来估计穿过路段中的每一个所需的时间量；以及基于路段的当前特征和第二多元概率分布函数(PDF)来估计穿过路段中的每一个所需的能量的量。第一方法还包括确定起点与目的地之间的多个可能路线，每个可能路线包括多个路段中的一个或更多个；以及针对能耗和时间的组合确定最优路线作为可能路线之一。

在本公开内容的一个方面中，第一方法还可以包括计算每个路段的权重，其中每个权重取决于以下中的一个或更多个：能耗、穿过所需的时间、和/或与对应的路段中的一个有关的其他特征；以及确定每个可能路线的路线成本，其中路线成本是可能路线内的所有路段的权重的总和。在这种情况下，确定最优路线的步骤可以通过确定具有最低路线成本的可能路线之一来完成。计算多个路段中的每一个的权重的步骤可以包括执行多元随机优化，例如针对穿过路段的能耗和时间中的每一个的双元优化。

根据本公开内容的另一方面，提供一种用于使用来自路段的多次穿过的历史数据来确定路段的多元概率分布函数的第二方法。第二方法包括以下步骤：基于路段的速度概况为路段分配标称能耗值；基于路段的速度概况为路段分配标称穿过时间值；以及从历史数据中提取路段的参数特定的特征。路段的参数特定的特征可以包括以下中的一个或更多个：驾驶员特定的特征、交通特定的特征、天气特定的特征和/或道路特定的特征。第二方法还包括识别与穿过路段的能耗和/或时间强对应的参数特定的特征中的每一个；以及创建关于参数特定特征的多元概率分布。

在本公开内容的一个方面中，多元概率分布可以被提供为相对于标称能耗值和/或标称穿过时间值中的一个或更多个的变化。来自路段的穿过的历史数据可以源自多个不同的车辆。替选地或另外地，来自路段的穿过的历史数据可以源自单个车辆。

根据本公开内容的另一方面，从历史数据提取路段的参数特定的特征的步骤还可以包括：确定历史数据中能耗和/或穿过时间与以下中的一个或更多个之间的相关性：驾驶员特定的特征、交通特定的特征、天气特定的特征、和/或路段的道路特定的特征；然后，参数特定特征与能耗和/或穿过时间之间的相关性可以用于执行创建关于参数特定的特征的多元概率分布的步骤。

附图说明

根据以下参照相关附图对实施方式示例的描述得出本发明的设计的其他细节、特征以及优点。

图1是示出多个路段以及在路段上覆盖有突出显示的路线的2维地图的片段；

图2是根据本公开内容的一个方面的***中的部件的框图。

图3是根据本公开内容的一个方面的车载控制器的示意图；以及

图4是根据本公开内容的一个方面的服务器计算机的示意图。

图5是示出多个路段的图，每个路段由节点连接并且每个路段具有与其相关联的段能量值和段时间值；

图6是图5的图，示出了每个路段的权重分配，其中每个权重是若干因素的函数；

图7是图5的图，示出了在一个路段上的交通状况的概率分布函数的示例应用；

图8是示出用于解决确定与若干不同因素对燃料消耗和行程时间的影响相关的概率分布函数的“后向问题”的框架的框图；

图9是示出用于解决应用与若干不同因素对燃料消耗和行程时间的影响相关的概率分布函数，以确定给定起点与终点之间的最优路线的“前向问题”的架构的框图；

图10是用于收集和处理数据以确定起始位置与目的地位置之间的最优路线的***的示意框架图；

图11a是用于解决前向问题的示例性第一方法中的步骤的流程图；

图11b是图11A的流程图的继续；以及

图12是用于解决后向问题的示例性第二方法中的步骤的流程图。

具体实施方式

在附图中使用相同的附图标记来标记重复特征，在这些附图中公开了用于确定起点与目的地之间的最优路线的***和方法的示例实施方式。

根据本公开内容的一个方面，该***和方法可以被细分为确定最优路线所必需的“后向问题”和“前向问题”。“后向问题”涉及确定概率分布函数，每个概率分布函数涉及若干不同因素对能耗、行程时间和用户偏好的影响。“前向问题”涉及使用关于不同因素的可用信息来应用概率分布函数，以确定给定起点与目的地之间的最优路线。“后向问题”可以包括创建和维护一个或更多个数据库，所述一个或更多个数据库包含概率分布函数和/或基于这些概率分布函数的应用而预先计算的权重。通过“后向问题”创建和维护的这些数据库允许以计算上成本有效的方式获得对“前向问题”的解决方案。

出于本公开内容的目的，术语“能耗”和“燃料消耗”可以互换使用并且可以用于指车辆消耗的任何能量，包括所储存的电能或者来自燃料(例如汽油、柴油、压缩天然气等)的能量。它们还可以包括以其他机械或化学形式(包括例如在电池、电容器、飞轮等中)存储的能量。类似地，执行给定动作(例如穿过路段)所需的能量可以通过上述任何方式或任何其他已知或未知装置和/或化合物来供应。

提供了用于确定起点30与目的地32之间的沿着一个或更多个路段36的最优路线52的***20。在双元情况下，最优路线52是使能量和时间二者最小化的路径。在多元情况下，最优路线52可以是使多个不同目标最小化的路径。在多变量情况下要优化的目标可以包括例如车辆部件的寿命、车辆安全、环境影响、和/或哪条路线对于景色或接近自然是最佳的(例如接近水、最佳秋色、景色的数量和质量)。选择这样的最优路线52是多目标最短路径问题，其具有多个可能解，节点38的数目为指数级，因此是NP难题。计算时间是关键的性能指标。

在示例情况下，用户可以在确定最优路线52时对要优化的一个或更多个因素进行选择或排序。例如，***20可以默认对行进时间、能耗和车辆服务寿命进行优化，但用户可以修改这些默认值以优先考虑最佳景色的路线。这种用户优先级排序路线也可以考虑其他因素，但程度较低。换言之，即使存在提供更快的行进时间和/或更低的能耗的其他路线选择，风景优美的路段36也可以被给予更高的权重或得分，并且可以更有可能被包括在最优路线52中。

如图2所示，***20可以包括控制器22，该控制器22被布置在车辆10内并且被配置成确定起点30与目的地32之间的最优路线52。替选地或另外地，最优路线52可以外部地确定，例如由服务器24确定，并且被传递至控制器22。无线调制解调器26被布置在车辆10内并且使得控制器22能够经由通信网络28与服务器24通信。通信网络28可以包括以下中的一个或更多个：因特网、局域网、和/或一个或更多个其他网络(诸如来自蜂窝数据提供商的网络)。替选地或另外地，通信网络28可以包括对等能力。

***20还包括第一数据源12，第一数据源12向服务器24提供关于多个路段36上的当前状况和/或未来状况的数据。例如，第一数据源12可以提供与天气，交通和/或测绘数据(例如每个路段36的长度、坡度、方向和速度限制或者与水体的接近度、当前植被、道路周围的颜色等)有关的数据。第一数据源12还可以针对每个路段36提供道路类型，例如，其是否是住宅街道、高速公路、大路等，以及/或者其是否被铺设。第一数据源12可以包括例如由一个或更多个传感器(例如车辆上的摄像装置)收集的历史数据或实时数据。例如，第一数据源12可以包括硬件和/或软件，该硬件和/或软件执行对车辆上的摄像装置可见的颜色的集成，以确定这些颜色与指示风景优美路段的预定颜色特征(例如，风景优美的秋季颜色、水景等)匹配得有多好。作为另一个示例，第一数据源12可以包括以下硬件和/或软件，其获得诸如摩擦系数和/或坑洼的数目和严重性的道路状况。这样的信息可以从车辆中的现有传感器或控制器(例如用于悬架和/或牵引控制的那些传感器或控制器)获得。

***20还包括第二数据源14，其可以与第一数据源12分离或组合，并且向服务器24提供关于多个路段36的实际穿过的数据。第二数据源14可以提供来自在多个路段36上行进的一个或更多个车辆的实时或历史实际速度、位置等。第二数据源14可以提供从穿过多个路段36的车辆收集的遥测数据。第二数据源14可以与车队管理或其他车辆相关服务等相关联。

如图3所示，车载控制器22包括第一处理器80和用户接口82，该用户接口82可以被配置成从用户接收起点30和/或目的地32。用户接口82还可以被配置成向用户传达关于最优路线52的方向。用户接口82可以包括视觉或音频输出设备，例如显示屏、平视显示器、指示灯、音调、铃声和/或语音提示。例如，用户接口82还可以包括一个或更多个用户输入设备，例如触摸屏、键盘、鼠标、触控板等。车载控制器22还包括第一机器可读存储存储器84。第一机器可读存储存储器84可以包括一种或更多种类型的存储器，包括例如RAM、ROM、光、磁和基于闪存的存储器。第一机器可读存储存储器84可以存储第一指令86，第一指令86可以采取可执行程序或脚本的形式，并且可以由第一处理器80和/或另一设备编译、解释或以其他方式运行，以使得采取一些动作或数据操纵。第一机器可读存储存储器84还可以存储多个第一数据条目88，第一数据条目88可以包括与车辆10的路由有关的数据(例如位置数据)，以及关于道路、车辆和/或驾驶员的数据。

如图4所示，服务器24包括第二处理器90和第二机器可读存储存储器94。第二机器可读存储存储器94可以包括一种或更多种类型的存储器，包括例如RAM、ROM、光、磁和基于闪存的存储器。第二机器可读存储存储器94可以存储第二指令96，第二指令96可以采取可执行程序或脚本的形式，并且可以由第二处理器90和/或另一设备编译、解释或以其他方式运行，以使得采取一些动作或数据操纵。第二机器可读存储存储器94还可以存储多个第二数据条目98，第二数据条目98可以包括与车辆的路由有关的数据。第二数据条目98可以包括例如关于多个路段36的先前穿过的数据。

车载控制器22的第一存储存储器84和/或服务器24中的第二存储存储器84中的一个或两者可以存储第一多元概率分布函数(PDF)PDF_T和第二多元概率分布函数(PDF)PDF_E_b,，其中第一多元概率分布函数PDF_T将多个因素与穿过多个路段36中的每一个的时间T进行映射，并且第二多元概率分布函数PDF_E_b将多个因素与穿过多个路段36中的每一个所需的能量E进行映射。通常，可以包括其他因素j，并且对于任何这样的因素的PDF可以被标记为第j个因素的PDF_f_j，其中对于n个特征，j∈{1,…n}。这些多元PDF(PDF_T，PDF_E_b，PDF_f_j)例如可以使用存储在服务器24上的第二数据条目98中的关于多个路段36的先前穿过的数据来确定。

如图5所示，由节点38连接的多个路段36各自被分配相应的能量E_bi值和时间T_i值，以及f_j特征值，其中i是标识路段36中给定的一个的索引号。如图6所示，每个路段36可以被分配权重W_i，该权重W_i是以下的函数：速度、加速度以及在车辆10穿越这些路段时预期将遇到的其他因素。权重分配可以利用从GPS或车队测试得出的行进信息以及车辆10的燃料消耗特性。可以使用各种经验模型来基于数据分配权重W_i。来自GPS的速度/加速度数据、部分实际燃料消耗数据、或在车辆10穿越其他路段36时收集的信息可以用于计算权重W_i。可以使用例如道路拓扑、天气、车辆10的规格等其他因素来计算权重W_i。

如图7中所示，各路段36中的每一个的权重W_i可以具有与其相关联的概率分布函数PDF_T，PDF_E_b，PDF_f_j，概率分布函数PDF_T，PDF_E_b，PDF_f_j基于一个或更多个因素将影响的概率映射到这些权重W_i。在图7所示的示例中，示出的因素是交通量(低交通量/中等交通量/高交通量)。可以应用简单-静态-确定性方法来确定因素对权重W_i的影响。然而，复杂-动态-概率方法可能是最准确的。使用确定性方法，能量E或燃料消耗可以假定为固定的，或者直接与时间间隔成比例。使用复杂方法，能量E或燃料消耗可以被建模为时间的函数。可以使用静态方法，其中使用历史数据来分配权重W_i，然后权重W_i保持固定。替选地，可以使用动态方法，其中基于实时数据来更新权重W_i。可以采用确定性方法，其中权重W_i保持恒定。替选地，可以采用概率方法，其中权重W_i是分布。

来自一个或更多个大的源(可以被称为“大数据”)的信息可以是与用于确定概率分布函数PDF_T，PDF_E_b，PDF_f_j,以及最终确定路段36的权重W_i的因素相关联的值的源。这样的大数据源可以用于上述数据源12、14，并且可以来自一个或更多个商业或非商业性数据提供者，例如Google、Tomtom、Here Technologies、Waze和/或政府源。这样的大数据源可以包括一个或更多个商业运营商，包括例如UPS、联邦快递、Lyft、Uber、出租车公司、食品递送公司、或诸如Geotab的数据聚合公司。数据源12、14中的一个或两者可以提供定期更新的数据。提供的因素可以包括道路数据，该道路数据包括路面类型、海拔、曲率、道路质量、摩擦系数等。实际的行程数据可以包括以至少1Hz更新的速度数据、车辆规格、起点/目的地、时间/日期、位置等。数据源12、14可以提供测量的遥测数据例如燃料消耗、环境温度等。

图8是***20的一部分的框图，其用于解决分别为每个路段36的行程时间以及能量或燃料消耗中的每一个创建多元概率分布函数(PDF)(PDF_T和PDF_E_b)的“后向问题”。如图8所示，路线或行程可以存储在行程数据库40中，路线或行程可以具有预定的PDF(PDF_T，PDF_E_b，PDF_f_j)。行程数据库可以存储在车载控制器22和/或服务器24中的一个或两者中。后向问题可被细分为地图生成的第一问题1和PDF生成的第二问题2。

第一问题1可能需要数据分析并且可以包括从GPS点识别2维道路网络。解决第一问题1可以包括基于该行程中的路段36上的行程的时间戳来找到历史道路状况，以及将位置和时间数据与已知状况(例如温度、降水、路面状况(例如，潮湿/干燥/结冰))以及关于3维道路网络的信息(包括例如速度限制、转弯和交通控制装置)相关联。这可以使用环境服务器42和/或离线地图44来实现，环境服务器42是环境数据的远程源，离线地图44可以包括在车载控制器22的第一存储存储器84中保存的环境数据的本地副本。

第二问题2可能需要关于一个或更多个车辆和一个或更多个驾驶员的数据分析。解决第二问题2可以包括生成以下的一个或更多个模型：驾驶员和/或车辆如何影响穿越每个路段36所需的时间和能量，以及这些中的每一个如何受特定条件和因素(例如天气、一天中的时间、可用光，道路状况和类型等)的影响。解决第二问题(问题2)还可以包括计算在车辆10穿越路段36时可能花费在怠速上的时间量，以及这样做所需的时间和能量的量。

图9是***20的一部分的框图，其用于解决应用针对行程时间和能量或燃料消耗中的每一个的多元概率分布函数(PDF)PDF_T和PDF_E_b，以确定起点30与目的地32之间的最优路线52的“前向问题”。这包括从用户接收起点30和目的地32，这可以通过用户接口82来完成。***20包括被配置成绘制起点30与目的地32之间的所有可能的或合理的路线的硬件和/或软件。合理的路线是可能路线的子集，但不包括例如回溯、循环路线等的产生相反效果的部分。该硬件和/或软件可以包括2维道路网络46和/或道路行程数据库48，所述2维道路网络46和/或道路行程数据库48可以分别存储在车载控制器22和/或服务器24中的一个或两者的存储存储器中。通过可以使用环境服务器42(其为环境数据的远程源)和/或离线地图44(可以包括在车载控制器22的第一存储存储器84中保存的环境数据的本地副本)来完成关于道路的状况与可能路线中的路段36的匹配。前向问题可以被细分成PDF分配的第三问题(问题3)和路由优化的第四问题(问题4)。

在PDF分配的第三问题(问题3)中，分别针对行程时间和能耗或燃料消耗中的每一个，将概率分布函数PDF_T和PDF_E_b分配给当前时间的可能路线的所有分支。在路线优化的第四问题((问题4))中，优化引擎54使用双元随机优化来从先前确定的多个可能或合理的路线中计算最优路线52。优化引擎54可以是软件例程并且可以位于车载控制器22、服务器24或其组合中的一个或更多个中并且由处理器80、90执行。

在图10中概述了***20如何确定最优路线52的概要示意框架图。在该架构中，优化引擎54提供最优路线52，该最优路线52被呈现给用户。优化引擎54采用多个输入，包括：来自速度/加速度预测块56的预测速度和加速度；以及车辆参数、驾驶员模型和驾驶员设置点。这些驾驶员和车辆参数可以由驾驶员和/或车辆制造商提供，并且/或者可以使用关于驾驶员和/或车辆的历史数据经验地确定。优化引擎54可以采用附加输入，包括：关于道路网络中的路段36的更新的权重W_i；来自怠速计算块58的估计的怠速时间；包括天气和其他因素的路线条件；以及关于道路网络中的路段36的3维数据。

如在图11a和图11b的流程图中描述的，提供了用于确定起点30与目的地32之间的最优路线的第一方法100。该第一方法100还可以被称为“前向”方法或求解“前向问题”的方法。

第一方法100包括确定多个路段36的多个当前特征的步骤102。当前特征可以包括以下中的一个或更多个：交通状况、交通控制信号相位和定时(SPaT)、速度限制、交通控制信号、道路曲率、道路状况和道路特定的驾驶风格。

第一方法100包括步骤104：基于路段36的当前特征和第一多元概率分布函数PDF_T来估计穿过多个路段36内的每个路段36所需的时间量T。

第一方法100包括步骤106：基于路段的当前特征和第二多元概率分布函数PDF_E_b来估计穿过多个路段36内的每个道路段36所需的能量E。

第一方法100包括步骤107：基于路段的当前特征和第三或更高数目的第j个因素的多元概率分布函数PDF_f_j(其中对于n个特征，j∈{1,…n})来估计穿过多个路段36内的每个路段36所需的因素成本。要优化的特征或目标可以包括例如，车辆部件的寿命、车辆安全、环境影响、和/或哪条路线对于景色或接近自然是最佳的(例如，接近水、最佳秋色、景色的数量和质量)。

多元概率分布函数(PDF)PDF_T，PDF_E_b，PDF_f_j可以是预定的和/或基于观察值或基于驾驶员特定或车辆特定的值或条件动态地生成的。多元概率分布函数(PDF)PDF_T，PDF_E_b，PDF_f_j可以提供标称值，该标称值可以基于观察值或基于驾驶员特定或车辆特定的值或条件而偏移。

第一方法100还包括步骤108：确定起点30与目的地32之间的多条可能路线，其中每条可能路线包括多个路段36中的一个或更多个。可能的路线优选地仅包括可以朝向目的地32行进的路段36。换言之，可能的路线不应包括环形回路或回溯，除非这些是由变化的条件(例如道路被关闭)引起的。

第一方法100还包括步骤110：将最优路线52确定为可能路线之一。下面进一步描述如何完成该步骤110的具体示例和细节。

第一方法100还可以包括步骤112：针对多个路段36中的每一个计算权重W_i，权重W_i中的每一个取决于穿过相应的路段36所需的能耗和时间中的每一个。这些权重W_i的图形示例在图1的地图中示出。在一个示例实施方式中，针对多个路段中的每一个计算权重W_i的步骤112可以包括步骤112a：针对用于穿过每条可能路线内的路段36的能耗和时间中的每一个执行双元随机优化。

第一方法100还可以包括步骤114：确定多个可能路线中的每一个的路线成本，其中路线成本是可能路线中的相应的一个内的所有路段36的权重W_i的总和。

因此，确定最优路线52的步骤110可以包括步骤110a：确定对于能耗和时间的组合具有最低路线成本的可能路线之一。同样地，确定最优路线52的步骤110可以包括步骤110b：确定针对一个或更多个其他特征或目标(例如车辆部件的寿命、车辆安全性、环境影响和/或哪个路线对于景色或接近自然是最佳的)而优化的可能路线之一。此外，步骤110可以包括将最优路线52确定为针对若干不同特征进行优化的多元优化，这些特征包括例如能耗、时间、车辆部件的寿命、车辆安全性、可用景色等。换言之，路线成本可以被计算为对若干不同特征中的每一个进行加权，例如在组合优化中组合步骤110a和110b。然后，可以将最优路线52选择为具有最低路线成本的可能路线之一。

如在图12的流程图中描述的，提供了使用根据路段36的一个或更多个穿过而记录的历史数据来确定路段36的多元概率分布函数PDF_T，PDF_E_b，PDF_f_j的第二方法200。

第二方法200可以包括步骤202：基于已经穿过路段36的车辆的多个历史速度概况来为路段36指定标称能耗值E_n。速度概况可以包括穿过路段36的车辆的典型速度范围的数据。速度概况还可以包括关于车辆速度如何受到例如交通或天气的因素影响的数据。标称能耗值E_n可以基于其他因素，包括例如长度、平均坡度或海拔变化、地形或道路类型等。

第二方法200还可以包括步骤204：在各种参数条件(例如，天气、交通等)下为路段36指定标称穿过时间T_n值。该步骤可以类似于步骤202执行，但是具有不同的操作参数。

第二方法200还可以包括步骤206：从历史数据中提取路段36的参数特定的特征和驾驶员特定的特征。路段36的参数特定的特征可以包括一个或更多个交通特定的特征、天气特定的特征和/或道路特定的特征。驾驶员特定的特征可以包括根据例如驾驶风格和/或驾驶员偏好而变化的特征。换言之，一个或更多个参数特定的特征可以针对其与可测量值(例如瞬时速度、平均速度、能耗等)的相关性而被隔离。

第二方法200还可以包括步骤208：识别与以下中的一个强对应的每个参数特定的特征：穿过路段36所需的时间T、能耗E和/或与路段36有关的其他因素j。强对应可以是大于某个阈值的对应或相关性。替选地或另外地，给定的参数特定的特征可能由于以下原因而被指定为具有强对应性：与穿过路段36所需的能耗E和/或时间T具有的相关性值高于与路段36有关的其他因素的相关性值。例如，与穿过路段36所需的能耗E或时间T具有最高相关性的一个或更多个参数特定的特征可以被指定为与穿过路段36所需的能耗E或时间T中的对应的一个具有强对应关系。

第二方法200还可以包括步骤210：根据从穿过所考虑的路线内的路段36的多个车辆和多个驾驶员得出的数据来创建关于参数特定的特征的多元概率分布PDF_T,PDF_E_b,PDF_f_j。该步骤210包括确定将参数特定的特征中的两个或更多个与所得到的穿过时间T和/或能量需求E相关联的概率函数。例如，不利的天气和高交通量可能导致车辆事故的更高的可能性，二者混合可能使得超过单独从天气或交通量所预期的穿过时间的增加的穿过时间T的可能性。

在一个实施方式中，多元概率分布PDF_T，PDF_E_b，PDF_f_j可以被提供为相对于一个或更多个标称值(例如标称能耗值E_n和/或标称穿过时间值T_n)的变化。替选地，多元概率分布PDF_T，PDF_E_b，PDF_f_j可以被提供为绝对值，例如针对路段36的能耗值E_a和/或绝对穿过时间值T_a。

根据一个方面，可以从多个不同的车辆收集历史数据。例如，历史数据可以来自分布式***，例如来自监视车队内的许多车辆和/或来自随着时间使用许多不同车辆的调查。替选地或另外地，可以从单个车辆对路段的多次穿过来收集历史数据。例如，历史数据可以仅使用或主要使用来自本车辆的数据。这对于有规律地行驶给定路线(例如，每日通勤)的车辆10可能是有利的。

根据一个方面，从历史数据提取路段36的参数特定的特征的步骤206还可以包括步骤206a：确定历史数据中能耗E和/或穿过时间T中的一个或两者与以下各项中的一个或更多个之间的相关性：驾驶员特定的特征、交通特定的特征、天气特定的特征、和/或路段36的道路特定的特征。

根据另一方面，创建关于参数特定的特征的多元概率分布的步骤210包括步骤210a：使用在步骤206确定的参数特定的特征与能耗E和/或穿过时间T之间的相关性。

提供了两种主要方法用于确定车辆穿越给定路段36或包含一个或更多个路段36的路线的能耗E。第一种方法是基于物理的，第二种方法是基于数据的(使用实际测量数据对能耗E进行建模)。该方法可以包括基于AI的方法，例如，其中神经网络和/或其他***或方法被用于预测能耗E。

在第一种或基于物理的方法中，穿越路线所需的能量应当被计算为包括沿路线移动车辆10所需的能量、加速/减速以及怠速所需的任何能量。还应考虑可以通过制动回收的任何能量。第一种方法应包括寻求并包括加热和/或冷却车辆以及支撑其他附件所需的能量。驾驶员偏好在这方面可以起重要作用。例如，驾驶员的偏好温度设置可以对所需的HVAC加热或制冷能量有很大影响。这种方法的挑战是预测加速度概况，因为它可能强依赖于驾驶风格和诸如道路状况和/或天气的因素。怠速时间可以被建模为概率分布以确定例如在等待交通控制信号时车辆10可能必须沿路线怠速的可能时长。

第一种方法可以包括确定所需的总能量，其可以如下所述参照公式1至公式6被确定。根据一个方面，在车辆的车轮处的力需求F_w可以由下面的公式1确定，其中m是车辆的质量，v是车辆的速度，t是时间，并且α(x)是作为位置x的函数的道路的坡度。

公式1-

满足力需求Fw所需的扭矩T_m可以由下面的公式2确定，其中r是车轮的半径，ρ_t和η_t分别是传动比和效率。

公式2-

可以从再生制动获得的动力P_m由下面的公式3给出，其中T_m是马达所需的扭矩，并且T_m,max和T_m,min分别是马达的最大扭矩和最小扭矩，并且其中ω(t)是马达旋转状态，由下面的公式4给出。

公式3-

公式4-

来自车辆的动力需求P_b由下面的公式5给出，其中η_b是动力系总效率。来自电池的在行进时间T上推进车辆所需的总能量E_b由下面的公式6给出。

公式5-

公式6-

在第二种或基于数据的方法中，穿过路线所需的能量可以使用给出了路线的统计描述的能耗的经验公式确定。该路线的统计描述可以包括以下中的一个或更多个：沿该路线行进的速度范围、转弯次数、转弯的类型、平均速度、平均加速度等。基于数据的方法应校准或考虑车辆和/或驾驶员的细节。基于数据的方法可以使用例如由车辆生成的牵引力，该牵引力可以如在下面的公式7至公式8中所提供的那样来计算。

对于直接由燃料(例如汽油)驱动的车辆，燃料消耗率f_t(gal./s)可由以下公式7确定，其中α,β,γ,δ,ζ,和α′是车辆特定的模型参数，其中P_tract是车辆在任何给定时间施加的牵引力。P_tract可以通过下面的公式8计算，其中A,B,C和M是与物理车辆特征相关的参数，g是重力常数9.81，θ_t是道路坡度。

公式7-

公式8-

上述***、方法和/或过程及其步骤可以以硬件、软件或适于特定应用的硬件和软件的任何组合来实现。硬件可以包括通用计算机和/或专用计算设备或特定计算设备或特定计算设备的特定方面或部件。该过程可以以一个或更多个微处理器、微控制器、嵌入式微控制器、可编程数字信号处理器或其他可编程设备连同内部和/或外部存储器一起实现。该过程还可以或者替选地以专用集成电路、可编程门阵列、可编程阵列逻辑或可以被配置成处理电子信号的任何其他设备或设备组合来实施。还将理解的是，一个或多个过程可以被实现为能够在机器可读介质上执行的计算机可执行代码。

可以使用结构化编程语言例如C、面向对象的编程语言例如C++或任何其他高级或低级编程语言(包括汇编语言、硬件描述语言和数据库编程语言以及技术)来创建计算机可执行代码，所述各种语言可以被存储、编译或解释以在以上设备之一以及处理器架构的异构组合或不同硬件和软件的组合或能够执行程序指令的任何其他机器上运行。

因此，在一个方面中，上述每种方法及其组合可以以计算机可执行代码来实现，该计算机可执行代码在一个或多个计算装置上执行时执行其步骤。在另一方面中，这些方法可以在执行其步骤的***中被实施，并且可以以多种方式跨装置分布，或者所有功能都可以集成到专用的独立运行的装置或其他硬件中。在另一方面，用于执行与上述过程相关联的步骤的装置可以包括上述硬件和/或软件中的任何一个。所有这样的排列和组合旨在落入本公开内容的范围内。

已经出于说明和描述的目的，提供了对实施方式的上述描述。上述描述不旨在穷举或限制本公开内容。特定实施方式的各个元素或特征通常不限于该特定实施方式，而是在适用的情况下是可互换的并且可以用于所选择的实施方式中，即使没有具体示出或描述也是如此。特定实施方式的各个元素或特征还可以以许多方式进行改变。这样的变型不应被认为是脱离本公开内容，并且所有这样的修改旨在包括在本公开内容的范围内。

Claims (15)

1.一种用于确定起点与目的地之间的最优路线的***，包括：

服务器，所述服务器包括第一机器可读存储存储器，所述第一机器可读存储存储器存储第一多元概率分布函数(PDF)和第二多元概率分布函数(PDF)，其中所述第一多元概率分布函数将多个因素与用于穿过多个路段中的每一个路段的时间进行映射，并且其中所述第二多元概率分布函数将多个因素与穿过所述多个路段中的每一个路段所需的能量进行映射；以及

其中，所述服务器和同所述服务器通信的控制器中的至少一个被配置成确定所述起点与所述目的地之间的最优路线。

2.根据权利要求1所述的***，还包括：

第一数据源，所述第一数据源向所述服务器提供关于所述多个路段上的状况的数据。

3.根据权利要求1所述的***，还包括：

第二数据源，所述第二数据源向所述服务器提供关于对所述多个路段内的路段的实际穿过的数据。

4.一种用于确定起点与目的地之间的最优路线的方法，包括：

确定多个路段的多个当前特征，所述当前特征包括以下中的一个或更多个：交通状况、交通控制信号相位和定时(SPaT)、速度限制、交通控制信号、道路曲率、道路状况和道路特定的驾驶风格；

基于所述路段的当前特征和第一多元概率分布函数(PDF)来估计穿过所述多个路段内的每个路段所需的时间量；

基于所述路段的当前特征和第二多元概率分布函数(PDF)来估计穿过所述多个路段内的每个路段所需的能量的量；

确定所述起点与所述目的地之间的多个可能路线，其中每个所述可能路线包括所述多个路段中的一个或更多个路段；

将针对能耗和时间的组合的最优路线确定为所述可能路线之一。

5.根据权利要求4所述的方法，还包括：

基于所述路段的当前特征和针对第j个因素的第三或更高数量的多元概率分布函数来估计穿过所述多个路段内的每个路段所需的因素成本，其中对于n个特征，j∈{1,……n}。

6.根据权利要求5所述的方法，其中，所述特征涉及以下中的一个或更多个：车辆部件的寿命、车辆安全、环境影响、风景和驾驶员偏好。

7.根据权利要求4所述的方法，还包括：

计算所述多个路段中的每一个路段的权重，其中所述权重中的每一个权重取决于以下中的一个或更多个：穿过所需的时间、能耗以及与所述多个路段中的相应的一个路段有关的其他特征；以及

确定所述多个可能路线中的每一个可能路线的路线成本，其中所述路线成本是所述可能路线中的相应的一个可能路线内的所有路段的权重的总和；

其中，确定所述最优路线的步骤包括：确定具有最低路线成本的所述可能路线之一。

8.根据权利要求7所述的方法，其中，计算所述多个路段中的每一个路段的权重的步骤包括对以下中的一个或更多个执行多元随机优化：穿过所需的时间、能耗以及与所述多个路段中的相应的一个路段有关的其他特征。

9.根据权利要求8所述的方法，其中，计算所述多个路段中的每一个路段的权重的步骤包括：针对穿过路段的能耗和时间中的每一个执行双元随机优化。

10.一种使用来自路段的多次穿过的历史数据来确定所述路段的多元概率分布函数的方法，所述方法包括：

基于所述路段的一个或更多个速度概况为所述路段分配标称能耗值；

基于所述路段的一个或更多个速度概况为所述路段分配标称穿过时间值；

从所述历史数据中提取所述路段的参数特定的特征；

其中，所述路段的所述参数特定特征包括以下中的一个或更多个：驾驶员特定的特征、交通特定的特征、天气特定的特征和道路特定的特征；

识别与穿过所述路段的能耗或时间中的至少一个强对应的所述参数特定的特征中的每一个；

创建关于所述参数特定的特征的多元概率分布。

11.根据权利要求10所述的方法，其中，所述路段的一个或更多个速度概况基于具有已经穿过所述路段的车辆的历史。

12.根据权利要求10所述的方法，其中，所述多元概率分布被提供为相对于所述标称能耗值和所述标称穿过时间值中的一个或更多个的变化。

13.根据权利要求10所述的方法，其中，来自所述路段的多次穿过的所述历史数据来自多个不同车辆。

14.根据权利要求10所述的方法，其中，来自所述路段的多次穿过的所述历史数据来自单个车辆。

15.根据权利要求10所述的方法，其中，从所述历史数据中提取所述路段的参数特定的特征的步骤还包括：确定所述历史数据中能耗或穿过时间中的至少一个与所述参数特定的特征中的一个或更多个之间的相关性；以及

其中，所述方法还包括：在执行创建关于所述参数特定的特征的所述多元概率分布的步骤中，使用所述能耗或穿过时间中的至少一个与所述一个或更多个参数特定的特征之间的相关性。

Images