CN115587678A - 商用车智能地图出行方法和*** - Google Patents
商用车智能地图出行方法和*** Download PDFInfo
- Publication number
- CN115587678A CN115587678A CN202211073893.3A CN202211073893A CN115587678A CN 115587678 A CN115587678 A CN 115587678A CN 202211073893 A CN202211073893 A CN 202211073893A CN 115587678 A CN115587678 A CN 115587678A
- Authority
- CN
- China
- Prior art keywords
- travel
- route
- vehicle
- recommended
- consumption
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 43
- 238000004364 calculation method Methods 0.000 claims abstract description 22
- 230000006399 behavior Effects 0.000 claims description 43
- 230000005611 electricity Effects 0.000 claims description 12
- 239000002131 composite material Substances 0.000 claims description 11
- 230000006870 function Effects 0.000 claims description 11
- 239000011159 matrix material Substances 0.000 claims description 10
- 238000012545 processing Methods 0.000 claims description 6
- 238000007781 pre-processing Methods 0.000 claims description 5
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 3
- 230000001133 acceleration Effects 0.000 claims description 3
- 238000010276 construction Methods 0.000 claims description 3
- 230000001186 cumulative effect Effects 0.000 claims description 3
- 238000012549 training Methods 0.000 claims description 3
- 238000004140 cleaning Methods 0.000 claims description 2
- 238000004891 communication Methods 0.000 description 10
- 239000000446 fuel Substances 0.000 description 7
- 238000013499 data model Methods 0.000 description 5
- 238000012423 maintenance Methods 0.000 description 5
- 238000005265 energy consumption Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000013461 design Methods 0.000 description 2
- 230000006855 networking Effects 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 1
- 238000005452 bending Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- 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"
- G06Q10/047—Optimisation of routes or paths, e.g. travelling salesman 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
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- 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
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Development Economics (AREA)
- General Business, Economics & Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- Game Theory and Decision Science (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Educational Administration (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Navigation (AREA)
Abstract
本发明提供了一种商用车智能地图出行方法和***，包括：输入出发地和目的地；通过地图API计算出若干条推荐规划路线以及对应每条推荐规划路线的高速公路费；对于推荐规划路线，先结合路况进行切片分段得出各个行程，再在每个行程中结合车辆的载重类别和司机的驾驶行为分析确定各个行程的油耗或者电耗，推荐规划路线为时间较短和/或距离较短的前若干条路线；对各个行程的油耗和/或电耗进行叠加，将总油费和/或总电费与高速公路费相加得出每条推荐规划路线的出行费用，基于出行费用进行路线规划。本发明提高了车辆长途行驶出行费用中油费或者电费的计算精度，并同时对出行的综合出行成本进行全面的考量，能满足商用车用户的长途路线规划需求。
Description
技术领域
本发明属于商用车导航技术领域，尤其涉及一种商用车智能地图出行方法和***。
背景技术
商用车的货物运输是现代运输主要方式之一，也是构成陆上货物运输的两个基本运输方式之一。它在整个运输领域中占有重要的地位，并发挥着愈来愈重要的作用。
目前，市面上商用车导航长途路径规划方案一般按照时间最短、里程最短、高速收费最低3种方式进行单方面因素的路线规划推荐，没有考虑日益增长的油费对出行成本影响，也没有对长途路线的油耗进行精确的计算和预估，而对于长途行驶的商用车而言，综合出行成本其实是既需要考虑影响包含油耗和高速费成本的精确出行费用(尤其是对商用车而言出行费用的优先级和预估出行费用的计算精度要求都越来越高)，还要适当考虑行驶的时间和里程的影响，从而在实际角度综合对出行成本进行总体全面的考量，然而现有的出行和地图路线规划方法都没有充分考虑车辆行驶过程中的全面考量了时间、距离和出行费用的综合出行成本，其往往只对单一的影响因素进行统计考量，此外，现有的方法对商用车的长途出行费用的油费计算精度一般不够准确，从而无法真正提出满足用户实际需求的出行路线规划方案。
因此，基于以上的情况，急需设计一种商用车智能地图出行方法和***，以进一步提高长途行驶出行费用的油费计算精度，并同时对出行的综合出行成本进行全面的考量，从而制定出各方面都满足商用车用户实际需求的优化出行规划路线。
发明内容
(一)要解决的技术问题
本发明提供了一种商用车智能地图出行方法和***，该方法和***提高了车辆长途行驶出行费用中油费的计算精度，并同时对出行的综合出行成本进行全面的考量，从而满足货车等商用车用户的路线规划需求。
(二)技术方案
本发明还公开了一种商用车智能地图出行方法，所述方法包括：
步骤1：输入出发地和目的地；
步骤2：通过地图API计算出若干条推荐规划路线以及对应每条推荐规划路线的高速公路费，所述推荐规划路线为时间较短和/或距离较短的前若干条路线；
步骤3：对于所述推荐规划路线，先结合路况进行切片分段得出各个行程，再在每个行程中结合车辆的载重类别和司机的驾驶行为分析确定各个行程的油耗和/或电耗；所述路况包括平原高速、平原国道、丘陵高速、丘陵国道、山区高速、山区国道和高原；
步骤4：对所述各个行程的油耗或者电耗进行叠加，结合油价和/或电价输出基于每条推荐规划路线的总油费和/或总电费，将所述总油费和/或总电费与所述高速公路费相加得出每条推荐规划路线的出行费用，基于所述出行费用进行路线规划。
优选的，所述方法还包括以下的步骤5：用户选择合适的路线后点击发送到车，车载地图模块则会自动导航到目的地。
优选的，所述步骤1在手机远程终端或者车机本地终端上执行。
优选的，所述载重类别具体划分为以下5类：空载、轻载、半载、满载和超载。
优选的，步骤3中还包括：对所述路况和所述载重类别进行分类后，确定与当前行程载重类别相同的商用车的历史累计平均油耗和/或平均电耗，所述历史累计平均油耗和/或平均电耗是根据大数据统计获得的当前路况和载重下的多辆车的平均油耗值和/或平均电耗值，根据司机以往的所述驾驶行为来确定对历史累计平均油耗和/或平均电耗的影响，以计算出各个行程的油耗和/或电耗。
优选的，步骤3具体包括驾驶行为分析模型的运行步骤3.1-步骤3.5：
步骤3.1：特征值选取
选取急加速、急减速、怠速、停车踩油门/电门、大油门/大电门的5类行为作为特征值；
步骤3.2：数据采集和预处理
首先对接入的当前司机以往的驾驶数据进行清洗和预处理，检查数据一致性，处理无效值和缺失值后获得特征值的输入数据；
步骤3.3：特征值统计和计算
根据所述输入数据对所述特征值进行统计，按照相同载重类别和相同路况对输入数据中行程内的特征值进行统计分类和计算，获取与本次行驶工况相同的多个特征值Gi的值；
步骤3.4：构建评分模型
其中，函数f为当前行程的路段内驾驶行为的综合得分，Gi为第i个特征值，ai为特征权重矩阵，n等于5；
步骤3.5：驾驶行为评分
根据步骤3.3统计的特征值Gi和步骤3.4的评分模型计算得到推荐规划路线的驾驶行为的综合得分。
优选的，基于所述综合得分fi和以下公式获得每个行程的油耗或者电耗Totaloili
Totaloili＝(AverageOili-AverageOili*(fi-80)*Di)*Mileagei
其中：Totaloili代表推荐路线中第i段行程的累计油耗或者累计电耗，AverageOili代表第i段行程载重类别相同、路况相同的历史累计平均油耗或者平均电耗，fi代表第i段行程内驾驶行为的综合得分，Di为常数系数，能根据不同行驶场景和车型进行调整，Mileagei代表第i段行程的总里程；
将Totaloili求和即可得到每个推荐路线的累计油耗或者累计电耗Totaloil：
其中，m是对应推荐规划路线中所划分的行程的总个数。
优选的，所述步骤3.4中还包括：
计算模型的损失函数：
L＝f'-f
其中，L代表损失值，f'代表真实值，f代表预测值。
然后，使用Adam梯度下降算法和误差反向传播算法更新特征权重矩阵ai，在特征权重矩阵符合相应条件后停止模型的训练。
在另外一方面，本发明还公开了一种商用车智能地图出行***，包括：
至少一个处理器；以及与所述处理器通信连接的至少一个存储器，其中：所述存储器存储有可被所述处理器执行的程序指令，所述处理器调用所述程序指令能够执行如上述任一项所述的商用车智能地图出行方法。
所述商用车智能地图出行***可以为远程的服务器或者本地的车机终端。
在另外一方面，本发明还公开了一种车辆，所述车辆中包括上述所述的商用车智能地图出行***。
在另外一方面，本发明还公开了一种非暂态计算机可读存储介质，所述非暂态计算机可读存储介质存储计算机指令，所述计算机指令使所述计算机执行如上述任一项所述的商用车智能地图出行***方法。
(三)有益效果
(1)本发明的商用车智能地图出行方法为二次路线规划方法，本发明中由地图API计算出的推荐规划路线为“时间较短和/或距离较短的前几条推荐规划路线”，从而确定出少量有效的若干条推荐规划路线(例如可以在二十条以内，由时间较短和距离较短的各自排名前十的路线组成)，在若干条推荐规划路线基础上进行路线的二次规划，即对考虑了时间和距离的“若干条推荐规划路线”进行进一步的综合成本计算，从而对“若干条推荐规划路线”按照油耗+高速费的总成本进行排名，这样得出来的显示结果既主要考虑了金钱成本，也考虑了时间和距离成本，更适合于本申请的长途行驶的商用车导航，此外在二次计算若干条推荐规划路线的总成本时，其剔除掉了时间和距离过长的不必要的线路，减少了远程服务器或本地车机中长途线路的总成本的计算工作量，加快了程序整体的处理运算速度。
(2)本发明的出行方法是对时间/里程+出行费用进行串行叠加的路线规划方法，综合考虑了出行中的多个主要影响因素，有效降低了包含时间、距离、出行费用在内的综合出行成本(行驶时间会影响每月所跑固定路线的次数，行驶距离则会影响轮胎等车辆硬件的寿命，而这些都是隐形的成本支出)，因此计算得出的长途路线规划策略更优，更符合货车司机的实际出行路线规划需求。
(3)本发明的出行方法在出行费用的具体计算中还结合了路况信息、车辆的载重信息、司机的驾驶行为综合分析确定各个路段的油耗或者电耗，而车辆在运营中，不同的驾驶行为和习惯对车辆油耗或者电耗尤为重要(其影响的总油耗或者总电耗差别可在20％以上)，通过结合用户的驾驶行为分析油耗分析或者电耗分析能够得到更精准的出行油耗或者出行电耗，且随着采集数据的更新，考虑了特征值和权重矩阵的机器学习方法所预估计算的油耗或者电耗也会越来越准确，从而利于后续对车辆进行精确的加油或者换电和保养维护等服务信息的主动推送提示。
附图说明
为了更清楚地说明本发明或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图：
图1是本发明中商用车智能地图出行***通信关系的示意图；
图2是本发明中商用车智能地图出行方法的流程图；
图3是本发明中商用车在维保时的主动推荐流程图。
附图标记：1.数据模型，2.车联网后台，3.TD平台，4.TBOX，5.出行服务APP，6.车载地图模块6，7.手机APP。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将结合本发明中的附图，对本发明中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
参见图1所示的商用车智能地图出行***，包括依次通信连接的手机、服务器、TD平台3、TBOX4和车机终端，服务器中包括数据模型1和车联网后台2，车机终端中包括出行服务APP5和车载地图模块6，手机中包括手机APP7，TD平台3也可以替换为其它的移动网络平台，且其不限于3G/4G/5G等无线通信方式。
其中，各个子模块的主要功能如下：
数据模型1：出行服务算法模型；
车联网后台2：出行服务的业务处理，车机终端和手机的信息采集和推送；
TD平台3：负责接收车辆相关数据及跟tbox进行通信；
TBOX4：负责收集商用车相关的数据以及与TD平台进行数据通信；
出行服务APP5：负责处理车机地图相关的业务；还可进行地图业务的本地操作命令发出，如输入出发地、途经点、目的地等。
车载地图模块6：负责地图导航。
手机APP7：地图业务的远程操作命令发出。
图1中的实线为直接通信关系，虚线为间接通信关系，通过图1中各个子部件功能和通信关系，可以实现车机终端与服务器的远程双向通信，从而利用数据模型，并结合本地信息和网络信息综合对商用车智能地图出行进行路线规划或者推荐。
需要指出的是，因为本发明图2-3中二次规划的出行方法路线计算量较少，因此相关主体程序除了可以在车联网后台中运行以外，也可以根据实际需求在本地的出行服务APP中运行，从而利用服务器远程模型和车联网等采集的数据进行本地的出行规划。
在另外一个实施例中，为了提高车辆长途行驶出行费用中油费的计算精度，并同时对出行的综合出行成本进行全面的考量和路线规划，本发明的图2中还公开了一种商用车智能地图出行方法，参见图1-2所示，用户可以选择远程在手机APP或者车机大屏的出行服务APP上设置出发地、目的地，APP会自动基于本发明的商用车智能地图出行方法，对行程油耗或者电耗、高速公路费综合成本进行二次路线规划，随后用户选择自己想要的路线，点击“发送到车”，路线会通过车联网后台推送给出行服务APP，然后通过出行服务APP将路线传给车载地图模块，用户上车的时候车载地图模块将自动导航到目的地。
具体的，参见图2可知，本发明的商用车智能地图出行方法包括：：
步骤1：输入出发地和目的地；
具体的，步骤1中的输入出发地和目的地在终端设备的APP中执行，APP可以为图1中的车机终端中的出行服务APP或者与服务器通信连接的手机APP，从而便于用户自由的选择在手机远程终端或者车机本地终端输入导航参数。此外，在APP中除了输入出发地和目的地以外，APP中还可以输入途经点，从而使得步骤2规划出的推荐规划路线符合商用车用户的需求。
步骤2：通过地图API计算出若干条推荐规划路线以及对应每条推荐规划路线的高速公路费，所述推荐规划路线为时间较短和/或距离较短的前若干条路线；
以上步骤2中，通过确定出少量有效的若干条路线作为推荐规划路线可以减少后面基于出行费用考量的二次路线规划的计算量，例如若干条路线具体可为二十条路线，在满足出发地、目的地、途经点要求的基础上，二十条路线由时间较短和距离较短的各自排名前十的路线组成。
此外，地图API可作为第三方开源数据接口与服务器的车联网后台通信连接，从而利用互联网数据和现有的百度、高德等地图软件的导航功能得出一次规划的推荐规划路线和高速费用。
步骤3：对于推荐规划路线，先结合路况进行切片分段得出各个行程，再在每个行程中结合车辆的载重类别和司机的驾驶行为分析确定各个行程的油耗和/或电耗(混动车需要同时确定油耗和电耗，此时就要同时计算油耗和电耗)；所述路况包括平原高速、平原国道、丘陵高速、丘陵国道、山区高速、山区国道和高原；
在以上步骤3中，通过将路况简单有效的分为平原高速、平原国道、丘陵高速、丘陵国道、山区高速、山区国道和高原，可对路线的平整度、弯曲和海拔等工况同时进行综合考虑，同时不过度增加计算的复杂度。此外，本发明中在若干条推荐规划路线的基础上进行了路线的二次规划和能耗(相对于油车来说考虑的是油耗，对于电动汽车来说则考虑的是电耗)的具体计算，这能有效的提高商用车长途驾驶路线的能耗计算精度，因为除了路况以外，载重和驾驶行为都对每段路程的能耗计算精度影响很大。
在另外一个实施例中，步骤3中的载重类别具体可划分为以下五类：空载、轻载、半载、满载和超载。对于45吨以下的大型货车而言，可设置其各个载重的范围为：空载(小于15吨)、轻载(15-25吨)、半载(25-35吨)、满载(35-45吨)、超载(大于45吨)。在依次对路况和载重类别进行分类后，确定与当前行程载重类别相同的商用车的历史累计平均油耗和/或平均电耗，所述历史累计平均油耗和/或平均电耗是根据大数据统计获得的当前路况和载重下的多辆车的平均油耗值和/或平均电耗值，根据司机以往的所述驾驶行为来确定对历史累计平均油耗和/或平均电耗的影响，从而预先精确的计算出司机在各个行程的油耗或者电耗。
进一步的，在另外一个实施例中，以油耗为例(电耗的驾驶行为分析模型也相同)，步骤3中驾驶行为对油耗的影响具体是根据建立动态的驾驶行为分析模型来确定的综合得分fi，驾驶行为分析模型可以预先设置在图1的数据模型1中，通过综合得分fi可计算出载重类别相同情况下的受司机以往的驾驶行为影响的符合此次推荐规划路线中第i段行程情况的油耗Totaloili。
具体的，步骤3中包括以下驾驶行为分析模型的运行步骤3.1-步骤3.5：
步骤3.1：特征值选取：选取急加速、急减速、怠速、停车踩油门/电门、大油门/大电门的5类行为作为特征值。
步骤3.2：数据采集和预处理；首先对接入的当前司机以往的驾驶数据进行清洗和预处理，检查数据一致性，处理无效值和缺失值后获得特征值的输入数据。
进一步的，可使用中值滤波函数对车联网方式获取的驾驶数据进行清洗，在剔除无效值和缺失值后作为特征值的输入数据。
步骤3.3：特征值统计和计算；根据步骤3.2中的输入数据对特征值进行统计，按照相同载重类别和相同路况对输入数据中行程内的特征值进行统计分类和计算，从而获取与本次行驶工况相同的多个特征值Gi的值。
需要特别指出的是，输入数据中行程内的特征值中的“行程内”可以是指输入数据中行程等于或者长于本次规划行程的情况，如果输入数据的行程长于本次行程则截取与本次行程里程相同的部分特征值数据作为参考特征值，例如输入数据里面存在满载、丘陵国道、长度为20km的行程的特征值，而本次推荐路线规划的行程需要满载、丘陵国道、长度为15km的行程，则可以截取20km中前15km行程中的历史特征值作为参考值(也可以是中间的15km或者最后的15km)，从而尽可能还原步骤3的推荐规划路线中的各个行程的真实路况；当然如果存在行程距离一样的情况，则优先使用载重类别、路况和行程距离都完全相同的历史特征值作为参考值；此外如果存在多组与本次行驶工况完全相同(即相同载重类别、相同路况类型、行驶距离都相同)的多个特征值Gi，则可以对每组数据中的特征值加和后求均值作为与本次行驶工况相同的特征值Gi，从而提高计算的精度。
例如：参见下表1所示，在统计和计算特征值时，可以根据此次导航的推荐规划路线结合路况切为行程1(路况对应为平原高速)、行程2(路况对应为丘陵国道)、行程3(路况对应为山区高速)三段行程。
首先对行程1、行程2、行程3，统计三段行驶工况相同的5类特征值Gi进行统计，累加计算得到a1～e1、a2～e2、a3～e3，此时特征值的总个数n为5。
表1特征值计算
| 特征值 | 行程1 | 行程2 | 行程3 |
| 急加速(次) | a1 | a2 | a3 |
| 急减速(次) | b1 | b2 | b3 |
| 怠速(分钟) | c1 | c2 | c3 |
| 停车踩油门/电门(次) | d1 | d2 | d3 |
| 大油门/大电门行驶(次) | e1 | e2 | e3 |
步骤3.4：构建评分模型
其中，函数f为当前行程的路段内驾驶行为的综合得分，Gi为第i个特征值，ai为特征权重矩阵，n等于5。
进一步的，可计算模型的损失函数：
L＝f'-f
其中，L代表损失值，f'代表真实值，f代表预测值。
然后，使用Adam梯度下降算法和误差反向传播算法更新特征权重矩阵ai，在特征权重矩阵符合相应条件后停止模型的训练。
步骤3.5：驾驶行为评分，根据步骤3.3统计的特征值Gi和步骤3.4的评分模型计算得到推荐规划路线的驾驶行为的综合得分。
例如：参见表2所示，可设置驾驶行为满分为100分，将特征值Gi代入特征权重矩阵ai确定后的函数f中，即可获得行程1-3各自的综合得分f1～f3。
表2驾驶行为评分
| 评分 | 行程1 | 行程2 | 行程3 |
| 驾驶行为的综合得分(分) | f<sub>1</sub> | f<sub>2</sub> | f<sub>3</sub> |
其中预设80分为状态载重类别相同的历史累计平均油耗，驾驶行为综合得分的分数越高代表驾驶***均油耗是基于不同车速波动的商用车司机的驾驶行为对油耗的影响一般在20％-25％左右所预先设置的阈值。
需要指出的是，因为以上步骤3.1-3.5考虑到了各个因素对驾驶行为的影响，所以哪怕对于同一个司机而言，会因为推荐规划路线不不同而出现驾驶行为的综合得分的差异，因为有的司机更擅长跑山路，有的更擅长跑高速，而不同路线中丘陵、山路和高速等路况的分布情况不同，而这会影响同一个司机在不同推荐规划路线的综合得分。
基于综合得分f1～f3和以下公式可获得每个行程的油耗Totaloili
Totaloili＝(AverageOili-AverageOili*(fi-80)*Di)*Mileagei
其中：Totaloili代表推荐路线中第i段行程的累计油耗，AverageOili代表第i段行程载重类别相同、路况相同的历史累计平均油耗，fi代表第i段行程内驾驶行为的综合得分，Di为常数系数，可以根据不同行驶场景和车型进行调整，Mileagei代表第i段行程的总里程。
由此可知，本发明通过以上的方法可以计算得到同时受路况、载重类别、驾驶行为综合影响的每个行程的精确油耗。
步骤4：对各个行程的油耗或者电耗进行叠加，结合油价和/或电价输出基于每条推荐规划路线的总油费和/或总电费，将总油费和/或总电费与高速公路费相加得出每条推荐规划路线的出行费用，基于出行费用进行路线规划。需要再次强调的是，混动车需要同时确定油耗和电耗，此时就要同时计算油耗和电耗，而油车和纯电车就分别只需要单独计算总油费或总电费。
将步骤3中的Totaloili求和即可得到每个推荐路线的累计油耗或者累计电耗Totaloil：
其中，m是对应推荐规划路线中所划分的行程的总个数。
累计油耗或者累计电耗乘以油价或者电价等于总油费或者总电费，最后推荐规划路线按照总油费/总电费+高速费的出行费用的排名进行二次路线规划和推荐，供用户选择自己想要综合成本最低的商用车的地图出行路线。
步骤5：用户选择合适的路线后点击发送到车，车载地图模块则会自动导航到目的地。
值得一提的是，在基于出行费用的路线规划中，步骤5并非必要的步骤，但其能提高导航信息推送和显示的便利性，提升用户体验，步骤5的用户的路线选择和发送操作可以是在手机APP中执行，也是可直接在出行服务APP中执行。
在图2的出行方法基础上，在用户根据实际需求选择最终的出行路线后,本发明还可在车辆需要维保时主动推荐服务信息到车载地图模块进行显示提醒，具体流程如图3所示。
在行程中或者到达目的地后判断车辆是否需要保养，如果否，则不推送服务信息；如果是，则通过服务器的后台推送相关服务信息，出行服务APP接收接收最便捷服务站信息，并通过车载地图模块展示相关信息。
此外，如果需要在行程过程中完成保养，则在出行路线中包含最顺路服务站的途经点；如果需要在行程完成后保养，则目的地最近的服务站信息会在车载地图模块上主动显示出来，从而保证货车等商用车的安全性和可靠性。
综上可知，本发明的出行方法将时间、距离、出行成本三种线路的计算方式进行了有效串行叠加，设计出了能提高提经济性、出勤率的燃油车、电动车的智能地图出行服务***，此外还结合用户的驾驶行为习惯进行油耗/电耗的精确分析，在用户数据越来越多的情况下，驾驶行为分析模型计算出来的综合得分也会越来越精确，从而提高了出行费用信息的计算准确度，为广大司机的商用车长途行驶提供了更安全更经济的服务保障。
上述本发明的商用车智能地图出行方法可以作为软件程序或者计算机指令在非暂态计算机可读存储介质中执行或者在带有存储器和处理器的控制***中执行，且其计算程序简单且运行快速。在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能单元的形式实现。上述以软件功能单元的形式实现的集成的单元，可以存储在一个计算机可读取存储介质中。上述软件功能单元存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)或处理器(processor)执行本发明各个实施例所述方法的部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(Read-Only Memory，ROM)、随机存取存储器(Random Access Memory，RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
最后，本发明还公开了一种车辆，所述车辆中包括上述的商用车智能地图出行***，商用车智能地图出行***中的处理器调用程序指令能够执行如上述任一项所述的商用车智能地图出行方法。根据总油费和/或总电费的三种不同的计算方式，该车辆可以是油车、纯电车或者混动车辆。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (11)
1.一种商用车智能地图出行方法，其特征在于，所述方法包括：
步骤1：输入出发地和目的地；
步骤2：通过地图API计算出若干条推荐规划路线以及对应每条推荐规划路线的高速公路费，所述推荐规划路线为时间较短和/或距离较短的前若干条路线；
步骤3：对于所述推荐规划路线，先结合路况进行切片分段得出各个行程，再在每个行程中结合车辆的载重类别和司机的驾驶行为分析确定各个行程的油耗和/或电耗；所述路况包括平原高速、平原国道、丘陵高速、丘陵国道、山区高速、山区国道和高原；
步骤4：对所述各个行程的油耗或者电耗进行叠加，结合油价和/或电价输出基于每条推荐规划路线的总油费和/或总电费，将所述总油费和/或总电费与所述高速公路费相加得出每条推荐规划路线的出行费用，基于所述出行费用进行路线规划。
2.根据权利要求1所述的商用车智能地图出行方法，其特征在于，所述方法还包括以下的步骤5：用户选择合适的路线后点击发送到车，车载地图模块则会自动导航到目的地。
3.根据权利要求1所述的商用车智能地图出行方法，其特征在于，所述步骤1在手机远程终端或者车机本地终端上执行。
4.根据权利要求1所述的商用车智能地图出行方法，其特征在于，所述载重类别具体划分为以下5类：空载、轻载、半载、满载和超载。
5.根据权利要求1或4所述的商用车智能地图出行方法，其特征在于，步骤3中还包括：对所述路况和所述载重类别进行分类后，确定与当前行程载重类别相同的商用车的历史累计平均油耗和/或平均电耗，所述历史累计平均油耗和/或平均电耗是根据大数据统计获得的当前路况和载重下的多辆车的平均油耗值和/或平均电耗值，根据司机以往的所述驾驶行为来确定对历史累计平均油耗和/或平均电耗的影响，以计算出各个行程的油耗和/或电耗。
6.根据权利要求5所述的商用车智能地图出行方法，其特征在于，步骤3具体包括驾驶行为分析模型的运行步骤3.1-步骤3.5：
步骤3.1：特征值选取
选取急加速、急减速、怠速、停车踩油门/电门、大油门/大电门的5类行为作为特征值；
步骤3.2：数据采集和预处理
首先对接入的当前司机以往的驾驶数据进行清洗和预处理，检查数据一致性，处理无效值和缺失值后获得特征值的输入数据；
步骤3.3：特征值统计和计算
根据所述输入数据对所述特征值进行统计，按照相同载重类别和相同路况对输入数据中行程内的特征值进行统计分类和计算，获取与本次行驶工况相同的多个特征值Gi的值；
步骤3.4：构建评分模型
其中，函数f为当前行程的路段内驾驶行为的综合得分，Gi为第i个特征值，ai为特征权重矩阵，n等于5；
步骤3.5：驾驶行为评分
根据步骤3.3统计的特征值Gi和步骤3.4的评分模型计算得到推荐规划路线的驾驶行为的综合得分。
7.根据权利要求6所述的商用车智能地图出行方法，其特征在于，基于所述综合得分fi和以下公式获得每个行程的油耗或者电耗Totaloili
Totaloili＝(AverageOili-AverageOili*(fi-80)*Di)*Mileagei
其中：Totaloili代表推荐路线中第i段行程的累计油耗或者累计电耗，AverageOili代表第i段行程载重类别相同、路况相同的历史累计平均油耗或者平均电耗，fi代表第i段行程内驾驶行为的综合得分，Di为常数系数，能根据不同行驶场景和车型进行调整，Mileagei代表第i段行程的总里程；
将Totaloili求和即可得到每个推荐路线的累计油耗或者累计电耗Totaloil：
其中，m是对应推荐规划路线中所划分的行程的总个数。
8.根据权利要求6所述的商用车智能地图出行方法，其特征在于，所述步骤3.4中还包括：
计算模型的损失函数：
L＝f'-f
其中，L代表损失值，f'代表真实值，f代表预测值。
然后，使用Adam梯度下降算法和误差反向传播算法更新特征权重矩阵ai，在特征权重矩阵符合相应条件后停止模型的训练。
9.一种商用车智能地图出行***，其特征在于，包括：
至少一个处理器；以及与所述处理器通信连接的至少一个存储器，其中：
所述存储器存储有可被所述处理器执行的程序指令，所述处理器调用所述程序指令能够执行如权利要求1至8任一项所述的商用车智能地图出行方法。
10.一种车辆，其特征在于，所述车辆中包括如权利要求9所述的商用车智能地图出行***。
11.一种非暂态计算机可读存储介质，其特征在于，所述非暂态计算机可读存储介质存储计算机指令，所述计算机指令使所述计算机执行如权利要求1至8任一项所述的商用车智能地图出行***方法。
Applications Claiming Priority (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211049928X | 2022-08-30 | ||
| CN202211049928 | 2022-08-30 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115587678A true CN115587678A (zh) | 2023-01-10 |
Family
ID=84771190
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211073893.3A Pending CN115587678A (zh) | 2022-08-30 | 2022-09-02 | 商用车智能地图出行方法和*** |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115587678A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116013086A (zh) * | 2023-03-22 | 2023-04-25 | 鱼快创领智能科技(南京)有限公司 | 一种基于车联网的加油方法及*** |
| CN117152961A (zh) * | 2023-09-20 | 2023-12-01 | 深圳市孪生云计算技术有限公司 | 一种基于数据分析的智慧道路路况监测展示*** |
-
2022
- 2022-09-02 CN CN202211073893.3A patent/CN115587678A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116013086A (zh) * | 2023-03-22 | 2023-04-25 | 鱼快创领智能科技(南京)有限公司 | 一种基于车联网的加油方法及*** |
| CN117152961A (zh) * | 2023-09-20 | 2023-12-01 | 深圳市孪生云计算技术有限公司 | 一种基于数据分析的智慧道路路况监测展示*** |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN115587678A (zh) | 商用车智能地图出行方法和*** | |
| DE102020101625A1 (de) | Echtzeitemissionsschätzung und -überwachung | |
| US8682572B2 (en) | Method and device for evaluating vehicle's fuel consumption efficiency | |
| CN106643747B (zh) | 导航方法及装置 | |
| CN108256714A (zh) | 一种基于车联网大数据的行车轨迹实时风险评估模型 | |
| CN109703389B (zh) | 基于新能源公交车的车桩网一体化充电调度装置及方法 | |
| CN108154261B (zh) | 一种最优加油站的推荐方法及装置 | |
| CN106022846A (zh) | 车险定价及二手车定价方法和装置 | |
| Yao et al. | Hybrid operations of human driving vehicles and automated vehicles with data-driven agent-based simulation | |
| CN108573600B (zh) | 一种驾驶员行为诱导与局部交通流优化方法 | |
| CN115837918B (zh) | 基于商用车科学上下坡驾驶指导的安全降油耗方法及*** | |
| CN112580945B (zh) | 基于多相关系数的派单方法及车辆调度优化*** | |
| CN110254285B (zh) | 一种基于车联网的对里程焦虑用户提供服务的方法及*** | |
| CN105608528A (zh) | 基于大数据分析的出租车驾驶员收入-压力评估方法和*** | |
| CN110009131A (zh) | 一种考虑多因素影响的网约车派单方法 | |
| CN111210537A (zh) | 一种油耗分析方法、装置、设备和存储介质 | |
| CN113673756B (zh) | 车辆的推荐车速确定方法、装置及计算机设备 | |
| Bera et al. | Assessing consumer preferences for plug-in hybrid electric vehicle (PHEV): an Indian perspective | |
| CN104331746A (zh) | 一种分离式的动态路径优化***及其方法 | |
| CN111723871B (zh) | 一种公交车实时车厢满载率的估算方法 | |
| CN113408833A (zh) | 一种公共交通重点区域识别方法、装置及电子设备 | |
| CN113379159A (zh) | 基于灰色模型和马尔可夫决策过程的出租车司机寻客路线推荐方法 | |
| CN113160600A (zh) | 一种用于城市微循环公交***的车辆调度方法 | |
| CN111160597A (zh) | 基于出租车司机综合满意度的智能调度方法 | |
| CN112632374B (zh) | 一种考虑定制公交的居民出行方式选择分析方法 |
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 |