CN116629425A - 车辆能耗的计算方法、装置、计算机可读介质及电子设备 - Google Patents
车辆能耗的计算方法、装置、计算机可读介质及电子设备 Download PDFInfo
- Publication number
- CN116629425A CN116629425A CN202310601246.3A CN202310601246A CN116629425A CN 116629425 A CN116629425 A CN 116629425A CN 202310601246 A CN202310601246 A CN 202310601246A CN 116629425 A CN116629425 A CN 116629425A
- Authority
- CN
- China
- Prior art keywords
- road
- energy consumption
- road section
- vehicle
- estimated
- 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
- 238000005265 energy consumption Methods 0.000 title claims abstract description 206
- 238000000034 method Methods 0.000 title claims abstract description 62
- 238000012549 training Methods 0.000 claims description 40
- 238000012545 processing Methods 0.000 claims description 24
- 238000004590 computer program Methods 0.000 claims description 23
- 238000013459 approach Methods 0.000 claims description 13
- 238000000605 extraction Methods 0.000 claims description 5
- 230000006870 function Effects 0.000 description 17
- 238000010586 diagram Methods 0.000 description 14
- 230000008569 process Effects 0.000 description 14
- 238000013473 artificial intelligence Methods 0.000 description 10
- 238000005516 engineering process Methods 0.000 description 10
- 238000004364 calculation method Methods 0.000 description 9
- 238000004891 communication Methods 0.000 description 7
- 238000010801 machine learning Methods 0.000 description 7
- 238000013528 artificial neural network Methods 0.000 description 4
- 238000013527 convolutional neural network Methods 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 239000013589 supplement Substances 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 3
- 239000000284 extract Substances 0.000 description 3
- 239000007789 gas Substances 0.000 description 3
- UFHFLCQGNIYNRP-UHFFFAOYSA-N Hydrogen Chemical compound [H][H] UFHFLCQGNIYNRP-UHFFFAOYSA-N 0.000 description 2
- 230000009471 action Effects 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 239000002283 diesel fuel Substances 0.000 description 2
- 239000000446 fuel Substances 0.000 description 2
- 239000002828 fuel tank Substances 0.000 description 2
- 239000003502 gasoline Substances 0.000 description 2
- 239000001257 hydrogen Substances 0.000 description 2
- 229910052739 hydrogen Inorganic materials 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 239000000047 product Substances 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 230000000306 recurrent effect Effects 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 101100518501 Mus musculus Spp1 gene Proteins 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000033228 biological regulation Effects 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000004134 energy conservation Methods 0.000 description 1
- 239000000295 fuel oil Substances 0.000 description 1
- 230000006698 induction Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000001502 supplementing effect Effects 0.000 description 1
- 238000013526 transfer learning Methods 0.000 description 1
- 238000011144 upstream manufacturing Methods 0.000 description 1
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"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/29—Geographical information databases
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- Economics (AREA)
- General Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Remote Sensing (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Development Economics (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Traffic Control Systems (AREA)
Abstract
本申请的实施例可以应用于地图、交通等技术领域,具体提供了一种车辆能耗的计算方法、装置、计算机可读介质及电子设备。该车辆能耗的计算方法包括:获取车辆终端的规划路线;提取所述规划路线所包含的各个路段,并获取所述各个路段的路况数据和道路属性数据;根据所述各个路段的路况数据和道路属性数据,预估所述车辆终端在所述各个路段上的通行速度,得到所述各个路段对应的预估通行速度;根据所述各个路段对应的预估通行速度,计算所述规划路线对应的车辆能耗。本申请实施例的技术方案可以提高车辆能耗预估的准确性及合理性。
Description
技术领域
本申请涉及计算机及通信技术领域,具体而言,涉及一种车辆能耗的计算方法、装置、计算机可读介质及电子设备。
背景技术
车辆的行驶依赖能源,传统的燃油车使用汽油、柴油等,新能源汽车使用电能、氢能等。虽然能源的类型多种多样,但能量的消耗可以统一使用焦耳(或者千焦、千瓦时等)进行衡量,或者使用百分比进行衡量,例如行驶100km消耗汽车10%的能源。由于车辆的油箱、电池等容量是有限的,行驶一段路程之后就需要补充能源。并且对于不同的规划路线,所消耗的能源也是不相同的,因此合理且准确地预估车辆的能耗,以便于及时提醒驾驶者补充能源或者向驾驶者提供不同规划路线的能耗是亟待解决的技术问题。
发明内容
本申请的实施例提供了一种车辆能耗的计算方法、装置、计算机可读介质及电子设备,可以提高车辆能耗预估的准确性及合理性。
本申请的其他特性和优点将通过下面的详细描述变得显然,或部分地通过本申请的实践而习得。
根据本申请实施例的一个方面,提供了一种车辆能耗的计算方法,包括:获取车辆终端的规划路线;提取所述规划路线所包含的各个路段,并获取所述各个路段的路况数据和道路属性数据;根据所述各个路段的路况数据和道路属性数据,预估所述车辆终端在所述各个路段上的通行速度,得到所述各个路段对应的预估通行速度;根据所述各个路段对应的预估通行速度,计算所述规划路线对应的车辆能耗。
根据本申请实施例的一个方面,提供了一种车辆能耗的计算装置,包括:获取单元,配置为获取车辆终端的规划路线;提取单元,配置为提取所述规划路线所包含的各个路段,并获取所述各个路段的路况数据和道路属性数据;预估单元,配置为根据所述各个路段的路况数据和道路属性数据,预估所述车辆终端在所述各个路段上的通行速度,得到所述各个路段对应的预估通行速度;处理单元,配置为根据所述各个路段对应的预估通行速度,计算所述规划路线对应的车辆能耗。
在本申请的一些实施例中,基于前述方案,所述处理单元配置为:获取所述车辆终端对应的能耗模型;基于所述各个路段对应的预估通行速度,通过所述能耗模型计算所述各个路段对应的车辆能耗;根据所述各个路段对应的车辆能耗,计算所述规划路线对应的车辆能耗。
在本申请的一些实施例中,基于前述方案,所述处理单元基于所述各个路段对应的预估通行速度,通过所述能耗模型计算所述各个路段对应的车辆能耗,包括:基于所述各个路段对应的预估通行速度,生成所述各个路段对应的能耗模型输入参数,所述能耗模型输入参数至少包含所述预估通行速度;将所述各个路段对应的能耗模型输入参数输入至所述能耗模型,得到所述能耗模型输出的各个路段对应的车辆能耗。
在本申请的一些实施例中,基于前述方案,所述能耗模型输入参数还包含以下信息中的至少一种:
所述车辆终端途径所述各个路段时的天气情况、所述各个路段的坡度、所述各个路段的气压、所述各个路段的海拔。
在本申请的一些实施例中,基于前述方案,所述处理单元通过以下方式计算所述车辆终端途径所述各个路段时的天气情况:根据所述各个路段对应的预估通行速度,预估所述车辆终端途径所述各个路段的时刻;根据所述车辆终端途径所述各个路段的时刻,获取对应的天气预报数据作为所述车辆终端途径所述各个路段时的天气情况。
在本申请的一些实施例中,基于前述方案,所述预估单元配置为:根据所述各个路段的路况数据和道路属性数据生成速度预估模型的输入参数;将所述速度预估模型的输入参数输入至预训练的速度预估模型中,得到所述速度预估模型输出的所述各个路段对应的预估通行速度。
在本申请的一些实施例中,基于前述方案,所述车辆能耗的计算装置还包括训练单元,配置为通过以下方式对所述速度预估模型进行训练:根据车辆终端的历史出行路线生成速度预估模型的训练数据;将所述训练数据输入至所述速度预估模型,得到所述速度预估模型输出的各个路段样本对应的预估通行速度;根据所述各个路段样本对应的预估通行速度,计算所述历史出行路线对应的预估通行时间;根据所述历史出行路线对应的实际通行时间与所述历史出行路线对应的预估通行时间计算所述速度预估模型的损失值,并根据所述损失值对所述速度预估模型的模型参数进行调整。
在本申请的一些实施例中,基于前述方案,所述训练单元根据车辆终端的历史出行路线生成速度预估模型的训练数据,包括:获取所述车辆终端的历史出行路线,以及所述车辆终端在所述历史出行路线上的出发时刻;提取所述历史出行路线所包含的路段,得到多个路段样本;获取所述多个路段样本中的各个路段样本的道路属性数据,以及在所述出发时刻所述各个路段样本的路况数据;根据所述各个路段样本的道路属性数据和所述各个路段样本的路况数据,生成所述速度预估模型的训练数据。
在本申请的一些实施例中,基于前述方案,所述训练单元根据所述各个路段样本对应的预估通行速度,计算所述历史出行路线对应的预估通行时间,包括:根据所述各个路段样本对应的预估通行速度和所述各个路段样本的里程,计算所述各个路段样本对应的预估通行时间;根据所述各个路段样本对应的预估通行时间,计算所述历史出行路线对应的预估通行时间。
在本申请的一些实施例中,基于前述方案,所述训练单元还配置为:获取所述车辆终端在所述历史出行路线上的出发时刻和到达时刻;根据所述到达时刻和所述出发时刻,计算所述历史出行路线对应的实际通行时间。
在本申请的一些实施例中,基于前述方案,所述处理单元还配置为执行以下至少一个过程:
获取多个规划路线分别对应的车辆能耗,并根据所述多个规划路线分别对应的车辆能耗,向所述车辆终端推荐节能路线;
根据所述规划路线对应的车辆能耗向所述车辆终端推荐所述规划路线途径的能源补给站点;
获取多个路段分别对应的车辆能耗,根据所述多个路段分别对应的车辆能耗进行路线规划处理。
在本申请的一些实施例中,基于前述方案,所述道路属性数据包括以下至少一种:道路等级、车道数、限速数据;所述路况数据包括以下至少一种:车流量、车流速度、拥堵状况。
根据本申请实施例的一个方面,提供了一种计算机可读介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现如上述实施例中所述的车辆能耗的计算方法。
根据本申请实施例的一个方面,提供了一种电子设备,包括:一个或多个处理器;存储装置,用于存储一个或多个计算机程序,当所述一个或多个计算机程序被所述一个或多个处理器执行时,使得所述电子设备实现如上述实施例中所述的车辆能耗的计算方法。
根据本申请实施例的一个方面,提供了一种计算机程序产品,该计算机程序产品包括计算机程序,该计算机程序存储在计算机可读存储介质中。电子设备的处理器从计算机可读存储介质读取并执行该计算机程序,使得该电子设备执行上述各种可选实施例中提供的车辆能耗的计算方法。
在本申请的一些实施例所提供的技术方案中,通过提取规划路线中所包含的各个路段,并获取各个路段的路况数据和道路属性数据,然后根据各个路段的路况数据和道路属性数据,预估车辆终端在各个路段上的通行速度,得到各个路段对应的预估通行速度,并根据各个路段对应的预估通行速度,计算规划路线对应的车辆能耗,使得可以针对规划路线中的各个路段的实际情况(即路况数据和道路属性数据)分别进行通行速度的预估,进而可以通过各个路段对应的预估通行速度来计算规划路线对应的车辆能耗,有利于提高车辆能耗预估的准确性及合理性。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性和解释性的,并不能限制本申请。
附图说明
图1示出了可以应用本申请实施例的技术方案的示例性***架构的示意图;
图2示出了根据本申请的一个实施例的车辆能耗的计算方法的流程图;
图3示出了根据本申请的一个实施例的速度预估模型的训练方法流程图;
图4示出了根据本申请的一个实施例的速度预估模型的训练方法流程图;
图5示出了根据本申请的一个实施例的实施本申请实施例技术方案的***架构的示意图;
图6示出了根据本申请的一个实施例的本申请实施例技术方案的实现过程示意图;
图7示出了根据本申请的一个实施例的速度预估模型的训练过程示意图;
图8示出了根据本申请的一个实施例的车辆能耗的计算装置的框图;
图9示出了适于用来实现本申请实施例的电子设备的计算机***的结构示意图。
具体实施方式
现在参考附图以更全面的方式描述示例实施方式。然而,示例的实施方式能够以各种形式实施,且不应被理解为仅限于这些范例;相反,提供这些实施方式的目的是使得本申请更加全面和完整,并将示例实施方式的构思全面地传达给本领域的技术人员。
此外,本申请所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施例中。在下面的描述中,有许多具体细节从而可以充分理解本申请的实施例。然而,本领域技术人员应意识到,在实施本申请的技术方案时可以不需用到实施例中的所有细节特征,可以省略一个或更多特定细节,或者可以采用其它的方法、元件、装置、步骤等。
附图中所示的方框图仅仅是功能实体,不一定必须与物理上独立的实体相对应。即,可以采用软件形式来实现这些功能实体,或在一个或多个硬件模块或集成电路中实现这些功能实体,或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。
附图中所示的流程图仅是示例性说明,不是必须包括所有的内容和操作/步骤,也不是必须按所描述的顺序执行。例如,有的操作/步骤还可以分解,而有的操作/步骤可以合并或部分合并,因此实际执行的顺序有可能根据实际情况改变。
需要说明的是:在本文中提及的“多个”是指两个或两个以上。“和/或”描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。字符“/”一般表示前后关联对象是一种“或”的关系。
可以理解的是,在本申请的具体实施方式中,涉及到车辆终端的规划路线、路况数据、道路属性数据等相关的数据,当本申请以上实施例运用到具体产品或技术中时,需要获得用户许可或者同意,且相关数据的收集、使用和处理需要遵守相关国家和地区的相关法律法规和标准。
车辆在行驶过程中需要依赖于能源,比如燃油车使用汽油、柴油等,新能源汽车使用电能、氢能等。虽然能源的类型多种多样,但能量的消耗可以统一使用焦耳(或者千焦、千瓦时等)进行衡量,或者使用百分比进行衡量,例如行驶100km消耗汽车10%的能源。由于车辆的油箱、电池等容量是有限的,行驶一段路程之后就需要补充能源。并且对于不同的规划路线,所消耗的能源也是不相同的,因此合理且准确地预估车辆的能耗,以便于及时提醒驾驶者补充能源或者向驾驶者提供不同规划路线的能耗就显得极为重要。
在一种车辆能耗的计算方法中,可以使用路线的全程ETA(Estimated Time ofArrival,预估到达时间)折算出车辆在路线中的全程平均速度,然后根据车辆的能耗模型来预估车辆能耗。该方案的缺点是过于粗糙,对于长途、或者车速在途中不稳定的情况,所预估的车辆能耗误差很大。
在另一种车辆能耗的计算方法中,可以将全程ETA按一定的规则分配到路线中的各个路段上去,常用的分配方法包括按里程分配(比如按照各个路段的里程和路线全程里程进行按比例分配)、按实时速度(比如按照各个路段统计得到的实时速度进行按比例分配)分配。其中,按里程分配相当于认为车辆在规划路线中是匀速行驶的,但是全程匀速行驶在实际情况下是很难出现的,进而也会导致车辆能耗的预估误差较大。而按实时速度分配同样也会导致预估的车辆能耗准确性较低,这是由于按实时速度进行时间分配之后,畅通路段分配的时间可能太少,而拥堵路段分配的时间可能又太多,进而导致车辆的全程能耗预估不够准确。
基于上述问题,本申请实施例的技术方案提出了一种新的车辆能耗的计算方案,可以针对规划路线中的各个路段的实际情况(如路况数据和道路属性数据)分别进行通行速度的预估,进而可以通过各个路段对应的预估通行速度来计算规划路线对应的车辆能耗,有利于提高车辆能耗预估的准确性及合理性。
具体地,如图1所示,在路线规划场景中,当车辆终端101在电子地图上选定起点位置和终点位置之后,服务器102可以根据该起点位置和终点位置规划出一条从起点位置到终点位置的路线(称之为规划路线),具体如图1中所示的包含Link1、Link2、Link3和Link4的规划路线。其中,Link(路段)是描述道路的最小数据单元,是一组结构化数据,包含但不限于Link(链路)的长度、宽度、道路等级等属性,每个路段的长度在几十米到几公里不等,并被赋予一个全局唯一的id。因此,地图中的一条路线就是这条路线中所有路段组成的序列。
在得到规划路线之后,服务器102可以预估这条规划路线对应的车辆能耗。具体地,服务器102可以提取这条规划路线所包含的各个路段(比如图1中所示的Link1、Link2、Link3和Link4),并获取各个路段的路况数据(比如车流量、车流速度、拥堵状况等)和道路属性数据(比如道路等级、车道数、限速数据等),然后根据各个路段的路况数据和道路属性数据,预估车辆终端在各个路段上的通行速度,得到各个路段对应的预估通行速度,进而根据各个路段对应的预估通行速度,计算规划路线对应的车辆能耗。可见,本申请实施例的技术方案可以将速度预估划分到各个路段上,这样可以确保得到各个路段较为准确的预估通行速度,进而可以通过各个路段对应的预估通行速度来计算规划路线对应的车辆能耗,有利于提高车辆能耗预估的准确性及合理性。
可选地,车辆终端101也可以具有与服务器102类似的功能,进而可以来预估规划路线对应的车辆能耗。比如,车辆终端101在得到规划路线(该规划路线可以是由服务器102规划的,也可以是由车辆终端101进行规划的)之后,车辆终端101可以提取这条规划路线所包含的各个路段(比如图1中所示的Link1、Link2、Link3和Link4),并获取各个路段的路况数据(比如车流量、车流速度、拥堵状况等)和道路属性数据(比如道路等级、车道数、限速数据等),然后根据各个路段的路况数据和道路属性数据,预估车辆终端在各个路段上的通行速度,得到各个路段对应的预估通行速度,进而根据各个路段对应的预估通行速度,计算规划路线对应的车辆能耗。
在一些可选的实施例中,在预估车辆终端在各个路段上的通行速度时,可以根据各个路段的路况数据和道路属性数据生成速度预估模型的输入参数,然后将速度预估模型的输入参数输入至预训练的速度预估模型中,得到速度预估模型输出的所述各个路段对应的预估通行速度。
可选地,速度预估模型即为采用人工智能(Artificial Intelligence,简称AI)中的机器学习算法进行训练得到的机器学习模型。其中。人工智能是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能,感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用***。换句话说,人工智能是计算机科学的一个综合技术,它企图了解智能的实质,并生产出一种新的能以人类智能相似的方式做出反应的智能机器。人工智能也就是研究各种智能机器的设计原理与实现方法,使机器具有感知、推理与决策的功能。人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互***、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、语音处理技术、自然语言处理技术以及机器学习/深度学习、自动驾驶、智慧交通等几大方向。
机器学习(Machine Learning,简称ML)是一门多领域交叉学科,涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科。专门研究计算机怎样模拟或实现人类的学习行为,以获取新的知识或技能,重新组织已有的知识结构使之不断改善自身的性能。机器学习是人工智能的核心,是使计算机具有智能的根本途径,其应用遍及人工智能的各个领域。机器学习和深度学习通常包括人工神经网络、置信网络、强化学习、迁移学习、归纳学习、示教学习等技术。
需要说明的是,服务器102可以是独立的一个物理服务器,也可以是至少两个物理服务器构成的服务器集群或者分布式***,还可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、内容分发网络(ContentDelivery Network,CDN)、以及大数据和人工智能平台等基础云计算服务的云服务器。车辆终端101具体可以是指具有车载功能的智能手机、智能音箱、有屏音箱、智能手表等等,但并不局限于此,比如车辆终端101也可以通过飞行器等移动终端进行替换。各个车辆终端以及服务器可以通过有线或无线通信方式进行直接或间接地连接,同时,车辆终端以及服务器的数量可以为一个或至少两个,本申请在此不做限制。
以下对本申请实施例的技术方案的实现细节进行详细阐述:
图2示出了根据本申请的一个实施例的车辆能耗的计算方法的流程图,该车辆能耗的计算方法可以由服务器来执行,也可以由终端设备(如图1中所示的车辆终端101)来执行,还可以是由服务器与终端设备共同完成。参照图2所示,该车辆能耗的计算方法至少包括步骤S210至步骤S240,详细介绍如下:
在步骤S210中,获取车辆终端的规划路线。
在一些可选的实施例中,车辆终端的规划路线可以是在电子地图上选定起点位置和终点位置之后,根据该起点位置和终点位置规划出的从起点位置到终点位置的路线。或者,车辆终端的规划路线也可以是在电子地图上选定的一条路线。可选地,获取到的车辆端的规划路线可以是一条也可以是多条。
在步骤S220中,提取规划路线所包含的各个路段,并获取各个路段的路况数据和道路属性数据。
在本申请的实施例中,由于规划路线是由各个路段构成的,比如在图1中,规划路线就包含了Link1、Link2、Link3和Link4,因此可以根据规划路线提取出所包含的各个路段。
在一些可选的实施例中,各个路段的道路属性数据包括以下至少一种:道路等级、车道数、限速数据等。可选地,道路等级比如可以是高速公路、国道、县道还是乡道等;车道数可以是路段中所包含的车道数量,比如2车辆、4车道等;限速数据可以是最高限速、最低限速等,比如最高限速80Km/h等。
在一些可选的实施例中,各个路段的路况数据包括以下至少一种:车流量、车流速度、拥堵状况。可选地,车流量可以是单位时间内经过各个路段的车辆数;车流速度可以是经过各个路段的车辆的平均速度等;拥堵状况可以是指各个路段是畅通状态、缓行状态还是拥堵状态等。
在一些可选的实施例中,各个路段的路况数据可以通过行驶在各个路段上的车辆上报或者可以由路侧单元(Road Side Unit,简称RSU)、摄像头等采集之后上报给服务器等。各个路段的道路属性数据可以从道路数据库中进行获取。
在步骤S230中,根据各个路段的路况数据和道路属性数据,预估车辆终端在各个路段上的通行速度,得到各个路段对应的预估通行速度。
在一些可选的实施例中,根据各个路段的路况数据和道路属性数据,预估车辆终端在各个路段上的通行速度的过程可以是:根据各个路段的路况数据和道路属性数据生成速度预估模型的输入参数;然后将速度预估模型的输入参数输入至预训练的速度预估模型中,得到速度预估模型输出的各个路段对应的预估通行速度。
在一些可选的实施例中,速度预估模型可以采用CNN(Convolutional NeuralNetwork,卷积神经网络)模型、RNN(Recurrent Neural Network,循环神经网络)模型、transformer模型等。速度预估模型的训练过程如图3所示,将在下文进行详细阐述。
在步骤S240中,根据各个路段对应的预估通行速度,计算规划路线对应的车辆能耗。
在一些可选的实施例中,根据各个路段对应的预估通行速度,计算规划路线对应的车辆能耗可以是:获取车辆终端对应的能耗模型,然后基于各个路段对应的预估通行速度,通过能耗模型计算各个路段对应的车辆能耗,以根据各个路段对应的车辆能耗,计算规划路线对应的车辆能耗。
可选地,在计算得到各个路段对应的车辆能耗之后,可以将各个路段对应的车辆能耗进行相加,得到规划路线对应的车辆能耗。
需要说明的是,不同车型的能耗模型可能是不相同的。以新能源汽车中的纯电动车为例,在平坦公路上以40km/h的速度行驶1km,不同品牌、型号的车辆,其消耗的电能是不同的。这是由厂商的技术路线、产品设计、科技水平决定的。通常来说,对于一个固定型号的车辆而言,可以给出一个能耗模型,它通常是车速、坡度、温度等参数的函数,函数结果的单位通常是千瓦时/公里。由于不同型号车辆的能耗模型不同,因此这些能耗模型可以从车辆厂商端获取到。
在一些可选的实施例中,在基于各个路段对应的预估通行速度,通过能耗模型计算各个路段对应的车辆能耗时,可以基于各个路段对应的预估通行速度,生成各个路段对应的能耗模型输入参数,该能耗模型输入参数至少包含预估通行速度,然后将各个路段对应的能耗模型输入参数输入至能耗模型,得到能耗模型输出的各个路段对应的车辆能耗。
在一些可选的实施例中,能耗模型输入参数还包含以下信息中的至少一种:车辆终端途径各个路段时的天气情况、各个路段的坡度、各个路段的气压、各个路段的海拔。
在一些可选的实施例中,车辆终端途径各个路段时的天气情况可以通过以下方式获取:根据各个路段对应的预估通行速度,预估车辆终端途径各个路段的时刻,然后根据车辆终端途径各个路段的时刻,获取对应的天气预报数据作为车辆终端途径各个路段时的天气情况。而各个路段的坡度、各个路段的气压和各个路段的海拔可以从地理信息***中进行获取。
需要说明的是,图2所示实施例的技术方案可以应用在路线规划领域中,比如当驾驶者在电子地图上设置起点位置和终点位置之后,可以规划出起点位置和终点位置之间的多个规划路线,然后可以通过本申请上述实施例的技术方案计算出这多个规划路线分别对应的车辆能耗,然后根据多个规划路线分别对应的车辆能耗,向车辆终端推荐节能路线。可选地,向车辆终端推荐节能路线可以是将车辆能耗最少的前三个规划路线推荐给驾驶者的车辆终端,或者按照车辆能耗从低到高的顺序将这多个规划路线通过车辆终端展示给驾驶者,以便于驾驶者综合进行考虑。
在一些可选的实施例中,图2所示实施例的技术方案可以应用在能源补给站的推荐场景中,比如当驾驶者在电子地图上设置起点位置和终点位置之后,可以规划出起点位置和终点位置之间的规划路线,然后可以通过本申请上述实施例的技术方案计算出该规划路线中各个路段的车辆能耗,进而可以在参考各个路段的车辆能耗的基础上,根据规划路线对应的车辆能耗向车辆终端推荐规划路线途径的能源补给站点。比如在图1所示的实施例中,假设根据规划路线对应的车辆能耗确定车辆终端如果不补充能源将无法行驶到终点位置,但是至少可以行驶完Link3,那么可以向车辆终端推荐Link4上的能源补给站点或者向车辆终端推荐Link3上的能源补给站点等。可选地,能源补给站点可以根据车辆终端的能源类型进行推荐,假设车辆终端的能源类型是燃油车,那么能源补给站点即为加油站;如果车辆终端的能源类型是纯电车,那么能源补给站点即为充电站;如果车辆终端的能源类型是混动车,那么能源补给站点即为加油站和充电站。
在一些可选的实施例中,图2所示实施例的技术方案在计算得到电子地图上的多个路段分别对应的车辆能耗之后,也可以根据多个路段分别对应的车辆能耗进行路线规划处理。比如,可以向驾驶者提供路线偏好的设置,若驾驶者选择的是路线偏好是节能,那么可以根据电子地图上的多个路段分别对应的车辆能耗,向驾驶者规划并推荐最节能的路线。
在一些可选的实施例中,前述实施例中的速度预估模型可以通过图3所示的流程进行训练,具体包括如下步骤S310至S340,详细说明如下:
在步骤S310中,根据车辆终端的历史出行路线生成速度预估模型的训练数据。
在一些可选的实施例中,根据车辆终端的历史出行路线生成速度预估模型的训练数据的过程可以是:获取车辆终端的历史出行路线,以及车辆终端在历史出行路线上的出发时刻,然后提取历史出行路线所包含的路段,得到多个路段样本,并获取多个路段样本中的各个路段样本的道路属性数据,以及在出发时刻各个路段样本的路况数据,进而根据各个路段样本的道路属性数据和各个路段样本的路况数据,生成速度预估模型的训练数据。
可选地,车辆终端的历史出行路线可以是车辆终端历史规划的出行路线;车辆终端在历史出行路线上的出发时刻可以从历史数据记录中获取到。各个路段样本的道路属性数据也可以包括以下至少一种:道路等级、车道数、限速数据等。需要说明的是:路段样本所使用的道路属性数据应当与实际进行车辆能耗预估时的路段所采用的道路属性数据一致。
可选地,在出发时刻各个路段样本的路况数据也可以包含以下至少一种:车流量、车流速度、拥堵状况。类似地,路段样本所使用的路况数据应当与实际进行车辆能耗预估时的路段所采用的路况数据一致。
需要说明的是:生成的速度预估模型的训练数据与在实际进行车辆能耗预估时速度预估模型的输入参数应当保持一致。
在步骤S320中,将训练数据输入至速度预估模型,得到速度预估模型输出的各个路段样本对应的预估通行速度。
由于本申请实施例中针对各个路段分别进行通行速度的预估,因此可以针对各个路段得到较为准确预估通行速度,进而可以确保通过能耗模型得到更加准确的车辆能耗。
在步骤S330中,根据各个路段样本对应的预估通行速度,计算历史出行路线对应的预估通行时间。
在一些可选的实施例中,根据各个路段样本对应的预估通行速度,计算历史出行路线对应的预估通行时间的过程可以是:根据各个路段样本对应的预估通行速度和各个路段样本的里程,计算各个路段样本对应的预估通行时间,然后根据各个路段样本对应的预估通行时间,计算历史出行路线对应的预估通行时间。
可选地,在计算各个路段样本对应的预估通行时间时,可以使用各个路段样本的里程除以各个路段样本对应的预估通行速度,将得到的值作为各个路段样本对应的预估通行时间。在得到各个路段样本对应的预估通行时间之后,可以将各个路段样本对应的预估通行时间进行求和,以得到历史出行路线对应的预估通行时间。
在步骤S340中,根据历史出行路线对应的实际通行时间与历史出行路线对应的预估通行时间计算速度预估模型的损失值,并根据该损失值对速度预估模型的模型参数进行调整。
在一些可选的实施例中,历史出行路线的实际通行时间可以根据历史出行路线的出发时刻和到达时刻进行计算,具体地,可以计算到达时刻与出发时刻之间的时间差,将得到的时间差作为历史出行路线对应的实际通行时间。
可选地,在根据历史出行路线对应的实际通行时间与历史出行路线对应的预估通行时间计算速度预估模型的损失值时,可以采用多种方式进行计算,比如可以采用实际通行时间与预估通行时间的平均绝对百分比误差、均方误差、差值的绝对值等来计算速度预估模型的损失值。
图4中也示出了速度预估模型的一种训练过程,具体包括如下步骤:
步骤S410中,获取车辆终端的历史出行路线,以及车辆终端在历史出行路线上的出发时刻。
可选地,车辆终端的历史出行路线可以是车辆终端历史规划的出行路线;车辆终端在历史出行路线上的出发时刻可以从历史数据记录中获取到。
步骤S420中,提取历史出行路线所包含的路段,得到多个路段样本,并获取多个路段样本中的各个路段样本的道路属性数据,以及在出发时刻各个路段样本的路况数据。
可选地,各个路段样本的道路属性数据也可以包括以下至少一种:道路等级、车道数、限速数据等。需要说明的是:路段样本所使用的道路属性数据应当与实际进行车辆能耗预估时的路段所采用的道路属性数据一致。
可选地,在出发时刻各个路段样本的路况数据也可以包含以下至少一种:车流量、车流速度、拥堵状况。类似地,路段样本所使用的路况数据应当与实际进行车辆能耗预估时的路段所采用的路况数据一致。
步骤S430中,根据各个路段样本的道路属性数据和各个路段样本的路况数据,生成速度预估模型的训练数据。
需要说明的是:生成的速度预估模型的训练数据与在实际进行车辆能耗预估时速度预估模型的输入参数应当保持一致。
在步骤S440中,将训练数据输入至速度预估模型,得到速度预估模型输出的各个路段样本对应的预估通行速度。
由于本申请实施例中针对各个路段分别进行通行速度的预估,因此可以针对各个路段得到较为准确预估通行速度,进而可以确保通过能耗模型得到更加准确的车辆能耗。
在步骤S450中,根据各个路段样本对应的预估通行速度,计算历史出行路线对应的预估通行时间。
在一些可选的实施例中,根据各个路段样本对应的预估通行速度,计算历史出行路线对应的预估通行时间的过程可以是:根据各个路段样本对应的预估通行速度和各个路段样本的里程,计算各个路段样本对应的预估通行时间,然后根据各个路段样本对应的预估通行时间,计算历史出行路线对应的预估通行时间。
可选地,在计算各个路段样本对应的预估通行时间时,可以使用各个路段样本的里程除以各个路段样本对应的预估通行速度,将得到的值作为各个路段样本对应的预估通行时间。在得到各个路段样本对应的预估通行时间之后,可以将各个路段样本对应的预估通行时间进行求和,以得到历史出行路线对应的预估通行时间。
在步骤S460中,根据历史出行路线对应的实际通行时间与历史出行路线对应的预估通行时间计算速度预估模型的损失值,并根据该损失值对速度预估模型的模型参数进行调整。
在一些可选的实施例中,历史出行路线的实际通行时间可以根据历史出行路线的出发时刻和到达时刻进行计算,具体地,可以计算到达时刻与出发时刻之间的时间差,将得到的时间差作为历史出行路线对应的实际通行时间。
在上述实施例中,速度预估模型的输出目标是预估通行速度,这样可以端到端地解决了路段级速度预估的问题,再加上通过实际通行时间与预估通行时间来计算速度预估模型的损失值,并以此来反向调整速度预估模型的模型参数,使得可以无需收集车辆终端的真实能耗数据,仅通过易于获取的数据(如道路属性数据、路况数据、出发时刻、到达时刻等)就可以实现对速度预估模型的训练,降低了模型训练的复杂度。
可见,本申请实施例的技术方案主要是针对车辆能耗预估不准确的问题提出了一种新的车辆能耗的计算方案,通过将路段级速度作为模型目标进行端到端的模型学习,提高了车辆能耗的预估准确性。具体而言,如图5所示,实施本申请实施例的技术方案的***主要包括路段特征和ATA(Actual Time of Arrival,实际到达时间)提取模块502、路段速度预估模型训练模块504、速度预估模型推理模块506、天气和道路属性查询模块508、车辆能耗计算模块510等五个主要模块。整个方案的实现过程如图6所示:将各个路段(路段1、路段2、……、路段N)的相关数据(如道路属性数据、路况数据等)输入至序列到序列的深度模型(即速度预估模型)中,得到模型输出的各个路段对应的预估通行速度(即路段1对应的速度1、路段2对应的速度2、……、路段N对应的速度N),然后结合车辆的能耗模型综合天气、道路属性和各个路段对应的预估通行速度等参数得到各个路段对应的车辆能耗(即路段1对应的能耗1、路段2对应的能耗2、……、路段N对应的能耗N),进而综合各个路段对应的车辆能耗得到整条路线对应的车辆能耗。
以下对上述五个模块的处理过程分别进行说明:
在本申请的一个实施例中,路段特征和ATA提取模块502主要是根据历史数据,提取出历史路线(如历史规划路线、行驶路线等)中包含的各个路段id,出发时刻时各个路段的实时路况状态、实时车流速度等路况数据,以及各路段的道路等级、车道数、限速等基础的道路属性。另外,还需要根据车辆终端的出发时刻和到达时刻,计算出这条路线的真实的行驶时间ATA,用于在进行模型训练时使用。
在本申请的一个实施例中,路段速度预估模型训练模块504中所使用的模型可以是任何能够完成序列到序列任务的深度学习模型,比如CNN、RNN、transformer模型等。以CNN模型为例,如图7所示,速度预估模型针对各个路段(即路段1、路段2、……、路段N)的特征数据(即前述实施例中的路况数据、道路属性数据等)进行卷积运算(如图7中所示的三角符号代表卷积过程),经过若干层卷积后,针对每个路段输出一个预估的通行速度(即速度1、速度2、……、速度N)。速度预估模型在输出各个路段对应的预估通行速度之后,可以根据各个路段的里程计算各个路段的预估通行时间(即ETA_1、ETA_2、……、ETA_N),然后将所有路段的ETA累加起来,得到全程的ETA。在得到全程ETA后,与全程实际通行时间ATA进行对比,根据设定的损失函数计算出损失值,然后通过反向传播进行神经网络的训练。
可选地,损失函数可以有多种不同的选择,例如MAPE(Mean Absolute PercentageError,平均绝对百分比误差)、MSE(Mean-Square Error,均方误差)等。其中,MSE=(ETA-ATA)2,这两个公式中的ETA指的是全程ETA;ATA指的是全程ATA。可选地,在本申请的其它实施例中,损失函数也可以是全程ETA与全程ATA的差值的绝对值。
在本申请的一个实施例中,速度预估模型推理模块506是在经过训练得到上述速度预估模型之后,将速度预估模型部署到应用环境中,进行路线上的路段速度预估。在实际应用环境中,速度预估模型的输入与训练过程时的输入一致,即输入路线中包含的各个路段id;出发时刻各路段的实时路况状态、实时车流速度等路况数据,以及各路段的道路等级、车道数、限速等基础的道路属性。在将这些特征输入训练后的速度预估模型中之后,可以得到速度预估模型输出的每个路段的预估通行速度,然后提供给车辆能耗计算模块510。
在本申请的一个实施例中,天气和道路属性查询模块508是查询路线途径地区的天气和道路属性数据,这是由于车辆的能耗模型往往依赖车速、天气、坡度等信息作为输入,而本申请实施例中的速度预估模型提供了车速信息,其它信息诸如天气、坡度等需要额外获取。具体地,可以根据路段级的预估车速信息,计算出途经各路段的时刻,然后通过公开的天气预报数据,查询出途经该路段时的天气情况即可。而坡度信息一般包含在基础的道路属性中,这些属性可以从路网数据中得到。
在本申请的一个实施例中,车辆能耗计算模块510即是根据能耗模型来计算车辆的能耗。具体地,不同车厂、不同车型都会有不同的能耗模型,最简单的能耗模型只与车速有关,复杂的模型可能涉及车速、天气、坡度、甚至气压和海拔等多种因素。本申请实施例中需要从车辆厂商获取对应车型的能耗模型,记为E=f(x)。其中,不同车型对应不同的f函数,x表示上述实施例中获取到的预估车速、天气、坡度等信息。有了能耗模型和输入信息,就可以计算出每个路段的能耗,进而可以根据每个路段的能耗计算得到路线全程能耗。
本申请实施例的技术方案有多种应用场景,比如,在驾驶者发起导航时,首先可以根据驾驶者选择的起始位置和终止位置规划出若干候选路线,然后利用本申请实施例的技术方案计算出每条候选路线的预估能耗,然后从中选择一条或多条比较节能的路线提供给驾驶者。又如,在规划路线时,可以根据车辆到达每个路段的总能耗,为驾驶者规划好中途的加油站、充电站或换电站等,方便用户出行规划。再如,打车场景下,可以利用本申请实施例的技术方案计算各条路线的能耗,以及目的地到最近充电站的能耗,从而更合理的给司机派单,防止因电量不足等情况提前停止接单的问题。还如,可以给出各路段对能耗的影响权重(比如各个路段的能耗情况)供上游服务使用,例如用来避开高能耗路段、对最优路线进行解释等。
本申请实施例的技术方案不需要收集车辆真实的能耗数据,只需要使用车辆的能耗模型,而能耗模型可以由车厂提供,也可以人工的根据经验设定;并且本申请实施例的技术方案可以以很低的代价快速适配不同的车型,只需要为不同车型配置不同的能耗模型即可,不需要修改底层的深度模型;同时,本申请实施例的技术方案对数据的要求比较低,仅包含路线中的路段id、出发时刻、到达时刻即可,对路线轨迹没有强制性要求,依赖的其他信息包括实时路况、历史路况、道路基础属性等都属于很容易获取到的数据;此外,本申请实施例的技术方案可以根据气温、路况状态、道路坡度等信息,动态调整能耗预估,确保得到更加准确的车辆能耗。
以下介绍本申请的装置实施例,可以用于执行本申请上述实施例中的车辆能耗的计算方法。对于本申请装置实施例中未披露的细节,请参照本申请上述的车辆能耗的计算方法的实施例。
图8示出了根据本申请的一个实施例的车辆能耗的计算装置的框图,该车辆能耗的计算装置可以应用于服务器,也可以应用于终端设备(如图1中所示的车辆终端101)。
参照图8所示,根据本申请的一个实施例的车辆能耗的计算装置800,包括:获取单元802、提取单元804、预估单元806和处理单元808。
其中,获取单元802配置为获取车辆终端的规划路线;提取单元804配置为提取所述规划路线所包含的各个路段,并获取所述各个路段的路况数据和道路属性数据;预估单元806配置为根据所述各个路段的路况数据和道路属性数据,预估所述车辆终端在所述各个路段上的通行速度,得到所述各个路段对应的预估通行速度;处理单元808配置为根据所述各个路段对应的预估通行速度,计算所述规划路线对应的车辆能耗。
在本申请的一些实施例中,基于前述方案,所述处理单元808配置为:获取所述车辆终端对应的能耗模型;基于所述各个路段对应的预估通行速度,通过所述能耗模型计算所述各个路段对应的车辆能耗;根据所述各个路段对应的车辆能耗,计算所述规划路线对应的车辆能耗。
在本申请的一些实施例中,基于前述方案,所述处理单元808基于所述各个路段对应的预估通行速度,通过所述能耗模型计算所述各个路段对应的车辆能耗,包括:基于所述各个路段对应的预估通行速度,生成所述各个路段对应的能耗模型输入参数,所述能耗模型输入参数至少包含所述预估通行速度;将所述各个路段对应的能耗模型输入参数输入至所述能耗模型,得到所述能耗模型输出的各个路段对应的车辆能耗。
在本申请的一些实施例中,基于前述方案,所述能耗模型输入参数还包含以下信息中的至少一种:
所述车辆终端途径所述各个路段时的天气情况、所述各个路段的坡度、所述各个路段的气压、所述各个路段的海拔。
在本申请的一些实施例中,基于前述方案,所述处理单元808通过以下方式计算所述车辆终端途径所述各个路段时的天气情况:根据所述各个路段对应的预估通行速度,预估所述车辆终端途径所述各个路段的时刻;根据所述车辆终端途径所述各个路段的时刻,获取对应的天气预报数据作为所述车辆终端途径所述各个路段时的天气情况。
在本申请的一些实施例中,基于前述方案,所述预估单元806配置为:根据所述各个路段的路况数据和道路属性数据生成速度预估模型的输入参数;将所述速度预估模型的输入参数输入至预训练的速度预估模型中,得到所述速度预估模型输出的所述各个路段对应的预估通行速度。
在本申请的一些实施例中,基于前述方案,所述车辆能耗的计算装置800还包括训练单元,配置为通过以下方式对所述速度预估模型进行训练:根据车辆终端的历史出行路线生成速度预估模型的训练数据;将所述训练数据输入至所述速度预估模型,得到所述速度预估模型输出的各个路段样本对应的预估通行速度;根据所述各个路段样本对应的预估通行速度,计算所述历史出行路线对应的预估通行时间;根据所述历史出行路线对应的实际通行时间与所述历史出行路线对应的预估通行时间计算所述速度预估模型的损失值,并根据所述损失值对所述速度预估模型的模型参数进行调整。
在本申请的一些实施例中,基于前述方案,所述训练单元根据车辆终端的历史出行路线生成速度预估模型的训练数据,包括:获取所述车辆终端的历史出行路线,以及所述车辆终端在所述历史出行路线上的出发时刻;提取所述历史出行路线所包含的路段,得到多个路段样本;获取所述多个路段样本中的各个路段样本的道路属性数据,以及在所述出发时刻所述各个路段样本的路况数据;根据所述各个路段样本的道路属性数据和所述各个路段样本的路况数据,生成所述速度预估模型的训练数据。
在本申请的一些实施例中,基于前述方案,所述训练单元根据所述各个路段样本对应的预估通行速度,计算所述历史出行路线对应的预估通行时间,包括:根据所述各个路段样本对应的预估通行速度和所述各个路段样本的里程,计算所述各个路段样本对应的预估通行时间;根据所述各个路段样本对应的预估通行时间,计算所述历史出行路线对应的预估通行时间。
在本申请的一些实施例中,基于前述方案,所述训练单元还配置为:获取所述车辆终端在所述历史出行路线上的出发时刻和到达时刻;根据所述到达时刻和所述出发时刻,计算所述历史出行路线对应的实际通行时间。
在本申请的一些实施例中,基于前述方案,所述处理单元808还配置为执行以下至少一个过程:
获取多个规划路线分别对应的车辆能耗,并根据所述多个规划路线分别对应的车辆能耗,向所述车辆终端推荐节能路线;
根据所述规划路线对应的车辆能耗向所述车辆终端推荐所述规划路线途径的能源补给站点;
获取多个路段分别对应的车辆能耗,根据所述多个路段分别对应的车辆能耗进行路线规划处理。
在本申请的一些实施例中,基于前述方案,所述道路属性数据包括以下至少一种:道路等级、车道数、限速数据;所述路况数据包括以下至少一种:车流量、车流速度、拥堵状况。
图9示出了适于用来实现本申请实施例的电子设备的计算机***的结构示意图。
需要说明的是,图9示出的电子设备的计算机***900仅是一个示例,不应对本申请实施例的功能和使用范围带来任何限制。
如图9所示,计算机***900可以包括中央处理单元(Central Processing Unit,CPU)901,其可以根据存储在只读存储器(Read-Only Memory,ROM)902中的程序或者从存储部分908加载到随机访问存储器(Random Access Memory,RAM)903中的程序而执行各种适当的动作和处理,例如执行上述实施例中所述的方法。在RAM 903中,还存储有***操作所需的各种程序和数据。CPU 901、ROM 902以及RAM 903通过总线904彼此相连。输入/输出(Input/Output,I/O)接口905也连接至总线904。
以下部件可以连接至I/O接口905:包括键盘、鼠标等的输入部分906;包括诸如阴极射线管(Cathode Ray Tube,CRT)、液晶显示器(Liquid Crystal Display,LCD)等以及扬声器等的输出部分907;包括硬盘等的存储部分908;以及包括诸如LAN(Local AreaNetwork,局域网)卡、调制解调器等的网络接口卡的通信部分909。通信部分909经由诸如因特网的网络执行通信处理。驱动器910也根据需要连接至I/O接口905。可拆卸介质911,诸如磁盘、光盘、磁光盘、半导体存储器等等,根据需要安装在驱动器910上,以便于从其上读出的计算机程序根据需要被安装入存储部分908。
特别地,根据本申请的实施例,上文参考流程图描述的过程可以被实现为计算机软件程序。例如,本申请的实施例包括一种计算机程序产品,其包括承载在计算机可读介质上的计算机程序,该计算机程序用于执行流程图所示的方法。在这样的实施例中,该计算机程序可以通过通信部分909从网络上被下载和安装,和/或从可拆卸介质911被安装。在该计算机程序被中央处理单元(CPU)901执行时,执行本申请的***中限定的各种功能。
需要说明的是,本申请实施例所示的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的***、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(Erasable Programmable Read Only Memory,EPROM)、闪存、光纤、便携式紧凑磁盘只读存储器(Compact Disc Read-Only Memory,CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本申请中,计算机可读存储介质可以是任何包含或存储计算机程序的有形介质,该计算机程序可以被指令执行***、装置或者器件使用或者与其结合使用。而在本申请中,计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的计算机程序。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读介质可以发送、传播或者传输用于由指令执行***、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的计算机程序可以用任何适当的介质传输,包括但不限于:无线、有线等等,或者上述的任意合适的组合。
附图中的流程图和框图,图示了按照本申请各种实施例的***、方法和计算机程序产品的可能实现的体系架构、功能和操作。其中,流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,上述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图或流程图中的每个方框、以及框图或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的***来实现,或者可以用专用硬件与计算机程序的组合来实现。
描述于本申请实施例中所涉及到的单元可以通过软件的方式实现,也可以通过硬件的方式来实现,所描述的单元也可以设置在处理器中。其中,这些单元的名称在某种情况下并不构成对该单元本身的限定。
作为另一方面,本申请还提供了一种计算机可读介质,该计算机可读介质可以是上述实施例中描述的电子设备中所包含的;也可以是单独存在,而未装配入该电子设备中。上述计算机可读介质承载有一个或者多个计算机程序,当上述一个或者多个计算机程序被一个该电子设备执行时,使得该电子设备实现上述实施例中所述的方法。
应当注意,尽管在上文详细描述中提及了用于动作执行的设备的若干模块或者单元,但是这种划分并非强制性的。实际上,根据本申请的实施方式,上文描述的两个或更多模块或者单元的特征和功能可以在一个模块或者单元中具体化。反之,上文描述的一个模块或者单元的特征和功能可以进一步划分为由多个模块或者单元来具体化。
通过以上的实施方式的描述,本领域的技术人员易于理解,这里描述的示例实施方式可以通过软件实现,也可以通过软件结合必要的硬件的方式来实现。因此,根据本申请实施方式的技术方案可以以软件产品的形式体现出来,该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM,U盘,移动硬盘等)中或网络上,包括若干指令以使得一台电子设备(可以是个人计算机、服务器、触控终端、或者网络设备等)执行根据本申请实施方式的方法。
本领域技术人员在考虑说明书及实践这里公开的实施方式后,将容易想到本申请的其它实施方案。本申请旨在涵盖本申请的任何变型、用途或者适应性变化,这些变型、用途或者适应性变化遵循本申请的一般性原理并包括本申请未公开的本技术领域中的公知常识或惯用技术手段。
应当理解的是,本申请并不局限于上面已经描述并在附图中示出的精确结构,并且可以在不脱离其范围进行各种修改和改变。本申请的范围仅由所附的权利要求来限制。
Claims (16)
1.一种车辆能耗的计算方法,其特征在于,包括:
获取车辆终端的规划路线;
提取所述规划路线所包含的各个路段,并获取所述各个路段的路况数据和道路属性数据;
根据所述各个路段的路况数据和道路属性数据,预估所述车辆终端在所述各个路段上的通行速度,得到所述各个路段对应的预估通行速度;
根据所述各个路段对应的预估通行速度,计算所述规划路线对应的车辆能耗。
2.根据权利要求1所述的车辆能耗的计算方法,其特征在于,根据所述各个路段对应的预估通行速度,计算所述规划路线对应的车辆能耗,包括:
获取所述车辆终端对应的能耗模型;
基于所述各个路段对应的预估通行速度,通过所述能耗模型计算所述各个路段对应的车辆能耗;
根据所述各个路段对应的车辆能耗,计算所述规划路线对应的车辆能耗。
3.根据权利要求2所述的车辆能耗的计算方法,其特征在于,基于所述各个路段对应的预估通行速度,通过所述能耗模型计算所述各个路段对应的车辆能耗,包括:
基于所述各个路段对应的预估通行速度,生成所述各个路段对应的能耗模型输入参数,所述能耗模型输入参数至少包含所述预估通行速度;
将所述各个路段对应的能耗模型输入参数输入至所述能耗模型,得到所述能耗模型输出的各个路段对应的车辆能耗。
4.根据权利要求3所述的车辆能耗的计算方法,其特征在于,所述能耗模型输入参数还包含以下信息中的至少一种:
所述车辆终端途径所述各个路段时的天气情况、所述各个路段的坡度、所述各个路段的气压、所述各个路段的海拔。
5.根据权利要求4所述的车辆能耗的计算方法,其特征在于,通过以下方式计算所述车辆终端途径所述各个路段时的天气情况:
根据所述各个路段对应的预估通行速度,预估所述车辆终端途径所述各个路段的时刻;
根据所述车辆终端途径所述各个路段的时刻,获取对应的天气预报数据作为所述车辆终端途径所述各个路段时的天气情况。
6.根据权利要求1所述的车辆能耗的计算方法,其特征在于,根据所述各个路段的路况数据和道路属性数据,预估所述车辆终端在所述各个路段上的通行速度,包括:
根据所述各个路段的路况数据和道路属性数据生成速度预估模型的输入参数;
将所述速度预估模型的输入参数输入至预训练的速度预估模型中,得到所述速度预估模型输出的所述各个路段对应的预估通行速度。
7.根据权利要求6所述的车辆能耗的计算方法,其特征在于,所述速度预估模型通过以下方式进行训练:
根据车辆终端的历史出行路线生成速度预估模型的训练数据;
将所述训练数据输入至所述速度预估模型,得到所述速度预估模型输出的各个路段样本对应的预估通行速度;
根据所述各个路段样本对应的预估通行速度,计算所述历史出行路线对应的预估通行时间;
根据所述历史出行路线对应的实际通行时间与所述历史出行路线对应的预估通行时间计算所述速度预估模型的损失值,并根据所述损失值对所述速度预估模型的模型参数进行调整。
8.根据权利要求7所述的车辆能耗的计算方法,其特征在于,根据车辆终端的历史出行路线生成速度预估模型的训练数据,包括:
获取所述车辆终端的历史出行路线,以及所述车辆终端在所述历史出行路线上的出发时刻;
提取所述历史出行路线所包含的路段,得到多个路段样本;
获取所述多个路段样本中的各个路段样本的道路属性数据,以及在所述出发时刻所述各个路段样本的路况数据;
根据所述各个路段样本的道路属性数据和所述各个路段样本的路况数据,生成所述速度预估模型的训练数据。
9.根据权利要求7所述的车辆能耗的计算方法,其特征在于,根据所述各个路段样本对应的预估通行速度,计算所述历史出行路线对应的预估通行时间,包括:
根据所述各个路段样本对应的预估通行速度和所述各个路段样本的里程,计算所述各个路段样本对应的预估通行时间;
根据所述各个路段样本对应的预估通行时间,计算所述历史出行路线对应的预估通行时间。
10.根据权利要求7所述的车辆能耗的计算方法,其特征在于,所述车辆能耗的计算方法还包括:
获取所述车辆终端在所述历史出行路线上的出发时刻和到达时刻;
根据所述到达时刻和所述出发时刻,计算所述历史出行路线对应的实际通行时间。
11.根据权利要求1所述的车辆能耗的计算方法,其特征在于,所述方法还包括以下至少一个步骤:
获取多个规划路线分别对应的车辆能耗,并根据所述多个规划路线分别对应的车辆能耗,向所述车辆终端推荐节能路线;
根据所述规划路线对应的车辆能耗向所述车辆终端推荐所述规划路线途径的能源补给站点;
获取多个路段分别对应的车辆能耗,根据所述多个路段分别对应的车辆能耗进行路线规划处理。
12.根据权利要求1至11中任一项所述的车辆能耗的计算方法,其特征在于,所述道路属性数据包括以下至少一种:道路等级、车道数、限速数据;所述路况数据包括以下至少一种:车流量、车流速度、拥堵状况。
13.一种车辆能耗的计算装置,其特征在于,包括:
获取单元,配置为获取车辆终端的规划路线;
提取单元,配置为提取所述规划路线所包含的各个路段,并获取所述各个路段的路况数据和道路属性数据;
预估单元,配置为根据所述各个路段的路况数据和道路属性数据,预估所述车辆终端在所述各个路段上的通行速度,得到所述各个路段对应的预估通行速度;
处理单元,配置为根据所述各个路段对应的预估通行速度,计算所述规划路线对应的车辆能耗。
14.一种计算机可读介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至12中任一项所述的车辆能耗的计算方法。
15.一种电子设备,其特征在于,包括:
一个或多个处理器;
存储器,用于存储一个或多个计算机程序,当所述一个或多个计算机程序被所述一个或多个处理器执行时,使得所述电子设备实现如权利要求1至12中任一项所述的车辆能耗的计算方法。
16.一种计算机程序产品,其特征在于,所述计算机程序产品包括计算机程序,所述计算机程序存储在计算机可读存储介质中,电子设备的处理器从所述计算机可读存储介质读取并执行所述计算机程序,使得所述电子设备执行如权利要求1至12中任一项所述的车辆能耗的计算方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310601246.3A CN116629425A (zh) | 2023-05-25 | 2023-05-25 | 车辆能耗的计算方法、装置、计算机可读介质及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310601246.3A CN116629425A (zh) | 2023-05-25 | 2023-05-25 | 车辆能耗的计算方法、装置、计算机可读介质及电子设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116629425A true CN116629425A (zh) | 2023-08-22 |
Family
ID=87637773
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310601246.3A Pending CN116629425A (zh) | 2023-05-25 | 2023-05-25 | 车辆能耗的计算方法、装置、计算机可读介质及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116629425A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116989817A (zh) * | 2023-09-26 | 2023-11-03 | 常州满旺半导体科技有限公司 | 基于数据分析的能源设备安全检测数据传输***及方法 |
-
2023
- 2023-05-25 CN CN202310601246.3A patent/CN116629425A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116989817A (zh) * | 2023-09-26 | 2023-11-03 | 常州满旺半导体科技有限公司 | 基于数据分析的能源设备安全检测数据传输***及方法 |
CN116989817B (zh) * | 2023-09-26 | 2023-12-08 | 常州满旺半导体科技有限公司 | 基于数据分析的能源设备安全检测数据传输***及方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20140032087A1 (en) | Reducing fuel consumption by accommodating to anticipated road and driving conditions | |
CN104121918A (zh) | 一种实时路径规划的方法和*** | |
CN105674995A (zh) | 一种基于用户出行轨迹获取通勤路线的方法及装置 | |
Ding et al. | Greenplanner: Planning personalized fuel-efficient driving routes using multi-sourced urban data | |
US20180045527A1 (en) | Systems and Methods for Predicting Vehicle Fuel Consumption | |
CN103942312B (zh) | 公交换乘线路规划方法和装置 | |
CN105841709A (zh) | 一种汽车行驶路径规划方法 | |
CN111383444B (zh) | 预测路况状态的方法、装置、服务器及存储介质 | |
CN116518960B (zh) | 路网更新方法、装置、电子设备和存储介质 | |
CN104900061A (zh) | 路段行程时间监测方法及装置 | |
CN116629425A (zh) | 车辆能耗的计算方法、装置、计算机可读介质及电子设备 | |
CN109410576A (zh) | 多源数据融合的路况分析方法、装置、存储介质及*** | |
CN113779430A (zh) | 路网数据生成方法、装置、计算设备和存储介质 | |
CN105427592B (zh) | 基于浮动车的导航电子地图转向代价计算方法 | |
Zhu et al. | Green routing fuel saving opportunity assessment: A case study using large-scale real-world travel data | |
CN104598548B (zh) | 一种分析农产品价格空间关联性的方法及装置 | |
Grubwinkler et al. | A modular and dynamic approach to predict the energy consumption of electric vehicles | |
Mufid et al. | Estimated vehicle fuel calculation based on Google map realtime distance | |
CN105806355A (zh) | 一种车辆绿色路径导航***及方法 | |
CN113469455A (zh) | 一种续航数据的预估方法和装置 | |
CN116662815B (zh) | 时间预测模型的训练方法以及相关设备 | |
CN115691140A (zh) | 一种汽车充电需求时空分布的分析与预测方法 | |
Barauskas et al. | Test-data generation and integration for long-distance e-vehicle routing | |
CN112686457B (zh) | 路线到达时间预估方法及装置、电子设备、存储介质 | |
CN117113037B (zh) | 通行数据确定方法、装置、电子设备及存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
REG | Reference to a national code |
Ref country code: HK Ref legal event code: DE Ref document number: 40092176 Country of ref document: HK |