CN117114209B - 汽车全生命周期的碳排放预测方法、装置及设备 - Google Patents

汽车全生命周期的碳排放预测方法、装置及设备 Download PDF

Info

Publication number
CN117114209B
CN117114209B CN202311374711.0A CN202311374711A CN117114209B CN 117114209 B CN117114209 B CN 117114209B CN 202311374711 A CN202311374711 A CN 202311374711A CN 117114209 B CN117114209 B CN 117114209B
Authority
CN
China
Prior art keywords
task
automobile
oil consumption
travel
carbon emission
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
Application number
CN202311374711.0A
Other languages
English (en)
Other versions
CN117114209A (zh
Inventor
方振锋
马宏伟
王文浚
肖曲
沈冰
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hubei Gimbol Environmental Technology Co ltd
Original Assignee
Hubei Gimbol Environmental Technology Co ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Hubei Gimbol Environmental Technology Co ltd filed Critical Hubei Gimbol Environmental Technology Co ltd
Priority to CN202311374711.0A priority Critical patent/CN117114209B/zh
Publication of CN117114209A publication Critical patent/CN117114209A/zh
Application granted granted Critical
Publication of CN117114209B publication Critical patent/CN117114209B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • 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
    • G06Q50/10—Services
    • G06Q50/26—Government or public services

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Economics (AREA)
  • Tourism & Hospitality (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Computational Mathematics (AREA)
  • Development Economics (AREA)
  • Mathematical Optimization (AREA)
  • Operations Research (AREA)
  • Marketing (AREA)
  • Mathematical Analysis (AREA)
  • General Business, Economics & Management (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Pure & Applied Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Mathematical Physics (AREA)
  • General Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Primary Health Care (AREA)
  • Health & Medical Sciences (AREA)
  • Educational Administration (AREA)
  • Quality & Reliability (AREA)
  • Probability & Statistics with Applications (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Algebra (AREA)
  • Game Theory and Decision Science (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本申请涉及一种汽车全生命周期的碳排放预测方法、装置及设备，所述方法包括：预测车头完成对应的出行任务的初步油耗量和汽车中冷藏库完成对应的出行任务的运行时间；通过每次出行任务对应的驾驶人员的驾驶行为数据对对应的初步油耗量进行调整，得到车头完成对应的出行任务的第一油耗范围，预测冷藏库完成对应的出行任务的第二油耗范围；结合第一油耗范围和第二油耗范围，得到汽车在预设周期内的第一总油耗范围，然后预测汽车在全生命周期内的第二总油耗范围，最终预测汽车在全生命周期内的碳排放量。本申请具有的技术效果是：用于准确预测汽车的碳排放量。

Description

汽车全生命周期的碳排放预测方法、装置及设备
技术领域
本发明涉及碳排放预测技术领域，具体涉及一种汽车全生命周期的碳排放预测方法、装置及设备。
背景技术
随着环境保护意识的提高和碳排放问题的日益突出，准确预测汽车的碳排放量对于优化能源利用和减少环境污染具有重要意义。通过准确预测汽车的碳排放量，可以帮助企业评估和改进运输方案，选择更低碳排放的运输方式，降低对环境的影响。
然而，目前缺乏特定的技术来准确预测汽车的碳排放量。现有的碳排放量预测方法主要基于车型、车辆年限、行驶里程等参数进行估算，估算结果缺乏准确性。
因此，亟需一种汽车全生命周期的碳排放预测方法，用于准确预测汽车的碳排放量。
发明内容
本申请提供一种汽车全生命周期的碳排放预测方法、装置及设备，用于准确预测汽车的碳排放量。
第一方面，本申请提供一种汽车全生命周期的碳排放预测方法，采用如下技术方案：获取预设周期内汽车的出行任务次数和执行每次出行任务的驾驶人员的驾驶行为数据；根据所述汽车中车头的单位油耗、所述每次出行任务的路程及所述每次出行任务的待运输货物的基本信息，预测所述车头完成对应的出行任务的初步油耗量和所述汽车中冷藏库完成对应的出行任务的运行时间；通过所述每次出行任务对应的驾驶人员的驾驶行为数据对对应的所述初步油耗量进行调整，得到所述车头完成对应的出行任务的第一油耗范围；根据所述每次出行任务的待运输货物的基本信息、所述每次出行任务中冷藏库的运行时间、执行所述每次出行任务时的环境温度变化率及所述每次出行任务对应人员的驾驶行为数据，预测所述冷藏库完成对应的出行任务的第二油耗范围；结合所述第一油耗范围和所述第二油耗范围，得到所述汽车在所述预设周期内的第一总油耗范围，并根据所述第一总油耗范围，预测所述汽车在全生命周期内的第二总油耗范围，所述全生命周期包括N个预设周期，N大于或等于1；根据所述第二总油耗量范围，预测所述汽车在所述全生命周期内的碳排放量。
通过采用上述技术方案，分别计算出预设周期内汽车的车头的油耗范围和汽车的冷藏库的油耗范围，结合车头和冷藏库的油耗范围得到汽车在预设周期内的第一总油耗范围，然后根据第一总油耗范围，预测汽车在全生命周期内的第二总油耗范围，进而预测出汽车在全生命周期内的碳排放量。上述方法有效结合了汽车的运行特点和能耗数据，可以更加准确的计算出汽车的油耗范围，并且通过驾驶人员的驾驶行为数据对最终的油耗量进行调整，使得最终预测的油耗量，以及根据油耗量计算得到的全生命周期内的碳排放量更加准确且更具有说服力。
可选的，所述每次出行任务的待运输货物的基本信息包括重量信息，所述根据所述汽车中车头的单位油耗、所述每次出行任务的路程及所述每次出行任务的待运输货物的基本信息，预测所述车头完成对应的出行任务的初步油耗量和所述汽车中冷藏库完成对应的出行任务的运行时间，包括：根据初步油耗公式预测所述车头完成对应的出行任务的初步油耗量，所述初步油耗公式为；其中，/>为初步油耗量，/>为负载系数，/>为待运输货物的重量，/>为每次出行任务的路程，/>为车头的单位油耗；根据运行时间公式预测所述车头完成对应的出行任务花费的时间，所述时间公式为；其中，/>为车头完成对应的出行任务花费的时间，/>为每次出行任务的路程，/>为车头的平均速度，/>为油耗系数；根据所述车头完成对应的出行任务花费的时间，得到所述冷藏库完成对应的出行任务的运行时间。
通过采用上述技术方案，结合车头的单位油耗、路程及待运输货物的重量等多维度信息，对车头的初步油耗进行预估，使得最终预估的初步油耗量更加准确，进而使得最终预估的汽车的全生命周期内的油耗量和碳排放量更加准确。通过上述信息也可以预测车头完成出行任务所需花费的时间，进而通过车头完成出行任务所需花费的时间也可以直接推测出冷藏库的运行时间，直接减少了人力和物力的付出。
可选的，所述通过所述每次出行任务对应的驾驶人员的驾驶行为数据对对应的所述初步油耗量进行调整，得到所述车头完成对应的出行任务的第一油耗范围，包括：获取所述每次出行任务对应的驾驶人员的驾驶行为数据，所述驾驶行为数据包括平均急加速次数、平均急刹车次数及平均超速次数；根据各驾驶人员的平均急加速次数、平均急刹车次数及平均超速次数，对所述各驾驶人员进行驾驶行为评分，得到所述各驾驶人员的驾驶评分；根据所述各驾驶人员的驾驶评分，计算所述每次出行任务对应的驾驶人员的额外油耗量；通过所述每次出行任务对应的驾驶人员的额外油耗量对对应的所述初步油耗量进行调整，得到所述车头完成对应的出行任务的第一油耗范围。
通过采用上述技术方案，通过获取驾驶人员的平均急加速次数、平均急刹车次数及平均超速次数等，可以对驾驶人员的驾驶行为进行评分，从而可以根据驾驶行为评分预估驾驶人员在执行对应任务时消耗的额外油耗量，然后根据额外油耗量对初步油耗量进行调整，使得最终预测的第一油耗范围的结果更加准确，进而使得最终预测的汽车在全生命周期内的总油耗量和总碳排放量更加准确。
可选的，所述根据各驾驶人员的平均急加速次数、平均急刹车次数及平均超速次数，对所述各驾驶人员进行驾驶行为评分，得到所述各驾驶人员的驾驶评分，包括：分配所述各驾驶人员的所述平均急加速次数为第一权重、所述平均急刹车次数为第二权重、所述平均超速次数为第三权重；将所述第一权重和各驾驶人员的平均急加速次数进行算术相乘，得到第一评分；将所述第二权重和各驾驶人员的平均急刹车次数进行算术相乘，得到第二评分；将所述第三权重和各驾驶人员的平均超速次数进行算术相乘，得到第三评分；将所述第一评分、所述第二评分及所述第三评分相加，得到所述各驾驶人员的驾驶评分。
通过采用上述技术方案，通过对各驾驶人员的平均急加速次数、平均急刹车次数及平均超速次数等维度进行加权，然后根据加权结果，对各驾驶人员进行评分。可以根据实际需求，自行设定权重，使得最终得到的各驾驶人员的驾驶评分更加符合实际，通过驾驶人员的驾驶评分对初步油耗量进行调整也更加具有灵活性和实用性。
可选的，所述根据所述每次出行任务的待运输货物的基本信息、所述每次出行任务中冷藏库的运行时间、执行所述每次出行任务时的环境温度变化率及所述每次出行任务对应人员的驾驶行为数据，预测所述冷藏库完成对应的出行任务的第二油耗范围；包括：根据所述每次出行任务的待运输货物的基本信息，得到所述每次出行任务的待运输货物适应的冷藏温度范围；结合所述每次出行任务的待运输货物适应的冷藏温度范围、所述每次出行任务中冷藏库的运行时间及所述执行所述每次出行任务时的环境温度变化率，得到所述冷藏库的初步油耗范围；通过所述每次出行任务对应的驾驶人员的驾驶行为数据对对应的所述初步油耗范围进行调整，得到所述冷藏库完成对应的出行任务的第二油耗范围。
通过采用上述技术方案，通过获取多维度的信息，预估冷藏库的初步油耗量，然后根据驾驶人员的驾驶行为数据对初步油耗量进行调整，使得最终的得到的第二油耗范围更加准确并且更加符合实际，也便于后续计算汽车在整个全生命周期内油耗量和碳排放量更加准确。
可选的，所述根据所述第一总油耗范围，预测所述汽车在全生命周期内的第二总油耗范围，包括：根据所述预设周期内汽车的出行任务数量，预测所述全生命周期内汽车的出行任务数量；结合所述全生命周期内汽车的出行任务量和所述全生命周期内汽车的总油耗范围，得到所述每次出行任务的平均油耗量；将所述每次出行任务的平均油耗量和所述全生命周期内汽车的出行任务量相乘，得到所述汽车在所述汽车在全生命周期内的第二总油耗量范围。
通过采用上述技术方案，根据汽车在预设周期内的总油耗量可以得到汽车在预设周期内的每次出行任务的平均油耗量，根据汽车在预设周期内每次出行任务的平均油耗量，便可以准确预测出汽车在全生命周期内的总油耗量和总碳排放量。
可选的，所述根据所述第二总油耗量范围，预测所述汽车在全生命周期内的碳排放量，包括：根据所述第二总油耗范围，计算所述汽车在全生命周期内的最大碳排放量和最小碳排放量；计算所述最大碳排放量和所述最小碳排放量的差值，若所述差值大于预设差值，则根据所述历史碳排放数据，计算所述汽车的历史平均碳排放量；根据所述汽车的历史平均碳排放量，预测所述汽车在全生命周期内的第一碳排放量；判断所述第一碳排放量是否处于所述最小碳排放量和所述最大碳排放量之间，若处于，则确定所述第一碳排放量为所述汽车在全生命周期内的碳排放量；若不处于，则取所述最小碳排放量和所述最大碳排放量的中间量为所述汽车在全生命周期内的碳排放量。
通过采用上述技术方案，计算汽车在全生命周期内的碳排放量时，可以结合汽车的历史平均碳排放量进行确定最终汽车在全生命周期内的碳排放量，并且汽车在全生命周期内的碳排放量具体的确定方法和参数可以根据实际情况进行调整和确定，使得最终得到的汽车在全生命周期内的碳排放量更加准确且更具又灵活性。
第二方面，本申请提供了一种冷餐车全生命周期的碳排放预测装置，所述装置包括：获取模块、第一预测模块、第二预测模块、第三预测模块、结合模块及第四预测模块；其中，所述获取模块用于获取预设周期内汽车的出行任务次数和执行每次出行任务的驾驶人员的驾驶行为数据；所述第一预测模块用于根据所述汽车中车头的单位油耗、所述每次出行任务的路程及所述每次出行任务的待运输货物的基本信息，预测所述车头完成对应的出行任务的初步油耗量和所述汽车中冷藏库完成对应的出行任务的运行时间；所述第二预测模块用于通过所述每次出行任务对应的驾驶人员的驾驶行为数据对对应的所述初步油耗量进行调整，得到所述车头完成对应的出行任务的第一油耗范围；所述第三预测模块用于根据所述每次出行任务的待运输货物的基本信息、所述每次出行任务中冷藏库的运行时间、执行所述每次出行任务时的环境温度变化率及所述每次出行任务对应人员的驾驶行为数据，预测所述冷藏库完成对应的出行任务的第二油耗范围；所述结合模块用于结合所述第一油耗范围和所述第二油耗范围，得到所述汽车在所述预设周期内的第一总油耗范围，并根据所述第一总油耗范围，预测所述汽车在全生命周期内的第二总油耗范围，所述全生命周期包括N个预设周期，N大于或等于1；所述第四预测模块用于根据所述第二总油耗量范围，预测所述汽车在全生命周期内的碳排放量。
通过采用上述技术方案，分别计算出预设周期内汽车的车头的油耗范围和汽车的冷藏库的油耗范围，结合车头和冷藏库的油耗范围得到汽车在预设周期内的第一总油耗范围，然后根据第一总油耗范围，预测汽车在全生命周期内的第二总油耗范围，进而预测出汽车在全生命周期内的碳排放量。上述方法有效结合了汽车的运行特点和能耗数据，可以更加准确的计算出汽车的油耗范围，并且通过驾驶人员的驾驶行为数据对最终的油耗量进行调整，使得最终预测的油耗量，以及根据油耗量计算得到的全生命周期内的碳排放量更加准确且更具有说服力。
第三方面，本申请提供一种电子设备，采用如下技术方案：包括处理器、存储器、用户接口及网络接口，所述存储器用于存储指令，所述用户接口和网络接口用于给其他设备通信，所述处理器用于执行所述存储器中存储的指令，以使所述电子设备执行如上述任一种汽车全生命周期的碳排放预测方法的计算机程序。
第四方面，本申请提供一种计算机可读存储介质，采用如下技术方案：存储有能够被处理器加载并执行上述任一种汽车全生命周期的碳排放预测方法的计算机程序。
综上所述，本申请包括以下至少一种有益技术效果：
1.有效结合了汽车的运行特点和能耗数据，可以更加准确的计算出汽车的油耗范围，并且通过驾驶人员的驾驶行为数据对最终的油耗量进行调整，使得最终预测的油耗量，以及根据油耗量计算得到的全生命周期内的碳排放量更加准确且更具有说服力；
2.结合车头的单位油耗、路程及待运输货物的重量等多维度信息，对车头的初步油耗进行预估，使得最终预估的初步油耗量更加准确，进而使得最终预估的汽车的全生命周期内的油耗量和碳排放量更加准确。也可以预测车头完成出行任务所需花费的时间，进而通过车头完成出行任务所需花费的时间也可以直接推测出冷藏库的运行时间，直接减少了人力和物力的付出；
3.根据汽车在预设周期内的总油耗量可以得到汽车在预设周期内的每次出行任务的平均油耗量，根据汽车在预设周期内每次出行任务的平均油耗量，便可以准确预测出汽车在全生命周期内的总油耗量和总碳排放量。
附图说明
为了更清楚地说明本申请实施例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，下面描述中的附图仅仅是本申请的一些实施例，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是本申请实施例提供的一种汽车全生命周期的碳排放预测方法的流程图；
图2是本申请实施例提供的一种汽车全生命周期的碳排放预测装置的示意图；
图3是本申请实施例提供的一种电子设备的结构示意图。
附图标记说明：1、获取模块；2、第一预测模块；3、第二预测模块；4、第三预测模块；5、结合模块；6、第四预测模块；1000、电子设备；1001、处理器；1002、通信总线；1003、用户接口；1004、网络接口；1005、存储器。
实施方式
为了使本技术领域的人员更好地理解本说明书中的技术方案，下面将结合本说明书实施例中的附图，对本说明书实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本申请一部分实施例，而不是全部的实施例。
在本申请实施例的描述中，“示性的”、“例如”或者“举例来说”等词用于表示作例子、例证或说明。本申请实施例中被描述为“示性的”、“例如”或者“举例来说”的任何实施例或设计方案不应被解释为比其它实施例或设计方案更优选或更具优势。确切而言，使用“示性的”、“例如”或者“举例来说”等词旨在以具体方式呈现相关概念。另外，除非另有说明，术语“多个”的含义是指两个或两个以上。例如，多个***是指两个或两个以上的***，多个屏幕终端是指两个或两个以上的屏幕终端。此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。术语“包括”、“包含”、“具有”及它们的变形都意味着“包括但不限于”，除非是以其他方式另外特别强调。
本申请所涉及的汽车为具有冷藏库的车辆，具体可以为冷藏车，在本申请中，若没有特殊限定，汽车均可以理解为冷藏车。
对于冷藏车而言，由两个部分组成，第一部分是冷藏车的车头部分，车头用于控制和操纵冷藏车的行驶；第二部分是冷藏库部分，冷藏库中的制冷设备通常由压缩机、蒸发器和控制***组成，制冷设备通常通过车辆的发动机带动压缩机工作，将制冷剂压缩并通过蒸发器来吸热降温，从而实现冷藏库的制冷效果，所以，冷藏库的制冷过程需要车辆的发动机运行，并消耗汽油或柴油等燃料；因此，本申请通过预估车头的油耗和冷藏库的油耗，可以准确预测整个冷藏车在全生命周期内的油耗量，从而根据整个全生命周期内的油耗量，预测整个冷藏车的碳排放量；这里的全生命周期为冷藏车的整个使用周期，需要说明的是，本申请不仅可以准确预测冷藏车的整个使用周期的碳排放，还可以预测冷藏车在任意一段时间内的碳排放量。
本申请中所涉及到的冷藏车以燃油作为能源，通过对燃油的消耗，计算碳排放量，需要说明的是，本申请也同样适用于电动冷藏车，电动冷藏车以电能作为能源，而电能主要依赖于化石燃料，如煤炭或天然气，所以也存在碳排放，因此，无论是燃油冷藏车还是电动冷藏车，本申请均适用。
同理，本申请也同样适用于普通汽车，采用本申请所提供的方法预测普通汽车全生命周期的碳排放时，无需考虑冷藏库对碳排放的影响，仅考虑汽车本身的碳排放即可。对于普通汽车而言，可以通过获取预设周期内汽车的出行次数和汽车驾驶人员的驾驶行为数据，驾驶人员可以为同一个人也可以为不同的人，这里根据实际情况而定；然后根据汽车的单位油耗、每次出行的路程及每次出行是否携带其他成员或其他物品，若携带其他成员或其他物品，则获取其他成员或其他物品的重量信息（这里还可以考虑其他成员或者其他物品对乘坐车辆时是否存在其他请求，如：天气炎热需要汽车开启空调；携带的物品可能需要低温或者高温保存等；这些也都会影响汽车的油耗，具体根据实际情况而定）；然后结合汽车预设周期内的出行次数、驾驶人员的驾驶行为数据、汽车的单位油耗、每次出行携带的人员或其他物品的重量等信息，预测汽车的油耗量，进而得到预设周期内的碳排放量，从而可以准确预测汽车全生命周期内的碳排放量。
以下结合附图对本申请作进一步详细说明。
下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整的描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。
图1是本申请实施例提供的一种汽车全生命周期的碳排放预测方法的流程图。应该理解的是，虽然图1的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行；除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行；并且图1中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些子步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
如图1所示，图1是本申请实施例提供的一种汽车全生命周期的碳排放预测方法的流程图，该方法包括S101-S106。
S101，获取预设周期内汽车的出行任务次数和执行每次出行任务的驾驶人员的驾驶行为数据。
在一个示例中，预设周期可以为一周、一个月或一年，若汽车存在固定的出行任务，则可以将预设周期设定为一周或一个月；若汽车的出行任务随机，则可以将预设周期设定为一年，这里的预设周期可以根据实际情况自行设定。
本申请以预设周期为一周为例进行举例说明，工作人员可以将未来一周内的汽车的出行任务次数输入到计算机设备，具体输入的信息还可以包括每次出行任务所运输货物的种类和重量，每次运输的距离等，同时也需要获取执行每次出行任务的驾驶人员的驾驶行为数据，驾驶行为数据可以通过车辆监控***、GPS跟踪设备、驾驶员报告、摄像头和传感器等获得，例如，通过车辆监控***，可以记录和跟踪驾驶行为数据，如驾驶时间、速度、急刹车、加速度等；驾驶员报告也可以提供他们的驾驶行为方式，如驾驶车辆的时间、速度、行驶距离等。
S102，根据汽车中车头的单位油耗、每次出行任务的路程及每次出行任务的待运输货物的基本信息，预测车头完成对应的出行任务的初步油耗量和汽车中冷藏库完成对应的出行任务的运行时间。
在一个示例中，车头的单位油耗可以理解为车辆在行驶过程中每消耗一单位的燃油所能行驶的距离；每次出行任务的路程可以理解为到达目的地的距离以及到达目的地的路况，路况可以为高速路段、普通路段、山区路段及平滑路段等，获取路程和路况的方式可以根据GPS定位***获得；待运输货物的基本信息包括货物的种类和货物的重量等，然后根据汽车中车头的单位油耗、每次出行任务的路程及每次出行任务的待运输货物的基本信息，预测车头完成对应的出行任务的初步油耗量。
预测的方式可以采用；其中，/>为初步油耗量，为负载系数，/>为待运输货物的重量，/>为每次出行任务的路程，/>为车头的单位油耗；
这里的负载系数可以自行设定，单位油耗以升/百公里（L/100km）为单位，总路程以公里为单位，该公式将单位油耗转换为每公里的油耗，然后乘以总路程，得到车头的基本油耗量，通过负载系数和待运输货物的重量及每次出行任务的路程相乘，得到重量对油耗量的影响；然后结合待运输货物的重量，得到整个车头所需消耗的油量。
而这里的冷藏库完成对应的出行任务的运行时间可以通过车头完成对应的出行任务所花费的时间得到，通过计算车辆的运行时间，可以间接得到冷藏库的运行时间。车头的运行时间可以通过计算得到，其中，/>为车头完成对应的出行任务花费的时间，/>为每次出行任务的路程，/>为车头的平均速度，/>为油耗系数；需要说明的是，/>可以根据路程的距离远近自行设定，例如，若当前待运输货物的路程大于设定阈值，这里的设定阈值可以自行设定，若当前出行任务可能需要至少一天才能完成，则驾驶人员可能存在中途加油、中途休息及中途对待运输货物进行检测等操作，此时，冷藏库也需继续运行，汽车的总油耗量会随之增加，/>的取值相对正常值会较小，最终车头完成对应的出行任务的花费时间就随之增加；而当前待运输货物的路程过小，无需中途加油和中途对待运输货物进行检测等操作，因此，/>的取值相对正常值就越大，最终车头完成当前出行任务所花费的时间就越少。得到车头完成对应的出行任务的运行时间后，可以根据车头完成对应的出行任务的运行时间，得到冷藏库完成对应的出行任务的运行时间。
S103，通过每次出行任务对应的驾驶人员的驾驶行为数据对对应的初步油耗量进行调整，得到车头完成对应的出行任务的第一油耗范围。
在一个示例中，每次出行任务都存在一个对应驾驶人员，不同的驾驶员的驾驶习惯均不同，而不同的驾驶习惯也会影响油耗，因此，需要获取各个驾驶人员的驾驶行为，根据驾驶行为调整车头完成对应的出行任务的初步油耗，得到第一油耗范围，第一油耗范围可以理解为车头最终消耗的油量范围。
需要说明的是，在计算路程较近的出行任务对应的车头最终消耗的油量范围时，可以不考虑驾驶人员的驾驶行为数据，对于一些山区路段或者坎坷的路段则需要着重考虑驾驶人员的驾驶行为数据，具体是否考虑驾驶人员的驾驶行为数据对油耗量的影响可以根据实际情况自行设定。
驾驶行为数据一般通过历史驾驶人员的驾驶数据得到，通过在车体内部安装车辆监控***、GPS跟踪设备、摄像头及传感器获得，也可以通过驾驶员的驾驶报告等途径获得，例如，通过车辆监控***，可以记录和跟踪驾驶行为数据，如驾驶时间、速度、急刹车、加速度等；驾驶员报告也可以提供他们的驾驶行为方式，如驾驶车辆的时间、速度、行驶距离等。
通过每次出行任务对应的驾驶人员的驾驶行为数据对对应的所述初步油耗量进行调整，得到车头完成对应的出行任务的第一油耗范围，包括：获取每次出行任务对应的驾驶人员的驾驶行为数据，驾驶行为数据包括平均急加速次数、平均急刹车次数及平均超速次数；根据各驾驶人员的平均急加速次数、平均急刹车次数及平均超速次数，对各驾驶人员进行驾驶行为评分，得到各驾驶人员的驾驶评分；根据各驾驶人员的驾驶评分，计算每次出行任务对应的驾驶人员的额外油耗量；通过每次出行任务对应的驾驶人员的额外油耗量对对应的初步油耗量进行调整，得到车头完成对应的出行任务的第一油耗范围。
在一个示例中，驾驶人员的驾驶行为数据包括但不限于平均急加速次数、平均急刹车次数及平均超速次数，这里的平均急加速次数、平均急刹车次数及平均超速次数可以通过获取各驾驶人员在过去一段时间内的驾驶行为数据得到，统计各驾驶人员在过去一段时间内的急加速次数、超速次数及急刹车次数，然后再获取各驾驶人员在过去一段时间内的出行次数，可以得到各驾驶人员在执行每次出行任务的平均急加速次数、平均急刹车次数及平均超速次数等，这里的过去一段时间可以任意设定，可以为过去一个月，过去一年，具体设定根据实际情况而定。
在得到各驾驶人员平均急加速次数、平均急刹车次数及平均超速次数后可以对各驾驶人员进行驾驶评分，平均急加速次数越多、平均急刹车次数越多及平均超速次数越多，则对应驾驶评分越低，需要说明的是，驾驶评分可以根据多个维度进行评分，本申请仅例举上述维度，在实际应用中，可以根据实际情况自行增加或删减维度。驾驶评分越低，则额外的油耗量则越高；驾驶评分越高，则额外的油耗量越低。根据各驾驶人员的驾驶行为数据，确定一个额外油耗量，然后通过额外油耗量对对应的初步油耗量进行调整，得到车头完成对应的出行任务的第一油耗范围。
根据各驾驶人员的平均急加速次数、平均急刹车次数及平均超速次数，对各驾驶人员进行驾驶行为评分，得到各驾驶人员的驾驶评分，包括：分配各驾驶人员的平均急加速次数为第一权重、平均急刹车次数为第二权重、平均超速次数为第三权重；将第一权重和各驾驶人员的平均急加速次数进行算术相乘，得到第一评分；将第二权重和各驾驶人员的平均急刹车次数进行算术相乘，得到第二评分；将第三权重和各驾驶人员的平均超速次数进行算术相乘，得到第三评分；将第一评分、第二评分及第三评分相加，得到各驾驶人员的驾驶评分。
在一个示例中，分配各驾驶人员的平均急加速次数为第一权重、平均急刹车次数为第二权重、平均超速次数为第三权重，这里的权重占比可以根据实际需求自行设定，此外，也可以根据实际需求自行增减或删减各个维度，例如，可以设置第四权重，第四权重可以为停车次数等维度，同样也可以仅考虑平均急加速次数、平均急刹车次数、平均超速次数中的任意一个或两个维度，具体实时方式可以根据实际情况自行设定。
本申请以上述三个维度进行举例说明。根据实际影响度，可以设定第一权重占比为20%，第二权重占比为30%，第三权重占比为50%，设定方式不唯一。然后将第一权重占比和各驾驶人员的平均急加速次数进行算术相乘，得到第一评分；将第二权重和各驾驶人员的平均急刹车次数进行算术相乘，得到第二评分；将第三权重和各驾驶人员的平均超速次数进行算术相乘，得到第三评分，将第一评分、第二评分及第三评分相加，即可得到各驾驶人员的驾驶评分。
S104，根据每次出行任务的待运输货物的基本信息、每次出行任务中冷藏库的运行时间、执行每次出行任务时的环境温度变化率及每次出行任务对应人员的驾驶行为数据，预测冷藏库完成对应的出行任务的第二油耗范围。
在一个示例中，在得到车头完成每次出行任务的第一油耗范围后，需要对冷藏库完成每次出行任务的第二油耗量进行预测。对于冷藏库而言，首先需要考虑的是待运输货物的适应温度，例如，待运输货物可能为海鲜、花卉及肉制品，不同种类的待运输货物所需的冷藏温度也不同，因此，首先需要确定待运输货物的种类，根据待运输货物的种类，确定待运输货物的适应温度，不同的温度对应着不同的油耗；其次，则是冷藏库的运行时间，冷藏库的运行也同样需要消耗油量，因此，冷藏库的运行时间越久，油量消耗越多；第二油耗量也与执行每次出行任务时的环境温度变化率有关，由于不同的出行任务所花费的时间不同，行驶的路径不同，可能存在长途行驶或者需要跨地区行驶，所以外界环境的温度变化率也需要考虑。一般来说，当汽车跨地区行驶时，不同地区的温度不同，昼夜温差也不同，而汽车需要结合待运输货物所需温度范围和外界环境温度变化率，不断调整冷藏库内部的温度，而冷藏库内部温度不同，油耗量也不同。
因此，在结合上述要求后，可以初步预估汽车完成对应的出行任务所需要的初步油耗范围，然后结合初步油耗范围和对应人员的驾驶行为数据计算冷藏库最终的油耗范围，即第二油耗范围。需要说明的是，由于对应人员在出行的过程中，存在的一些驾驶行为也会影响冷藏库的油耗，如，驾驶人员休息、驾驶人员需要对冷藏库中的货物进行巡检、中途加油等，都会延长冷藏库的使用时间，同时也会影响油耗量的增加，计算驾驶人员的驾驶行为数据对油耗量的影响可以参考对应驾驶人员的驾驶行为数据对车头的油耗量的影响，在此不再进行过多赘述。
根据每次出行任务的待运输货物的基本信息、每次出行任务中冷藏库的运行时间、执行每次出行任务时的环境温度变化率及每次出行任务对应人员的驾驶行为数据，预测冷藏库完成对应的出行任务的第二油耗范围；包括：根据每次出行任务的待运输货物的基本信息，得到每次出行任务的待运输货物适应的冷藏温度范围；结合每次出行任务的待运输货物适应的冷藏温度范围、每次出行任务中冷藏库的运行时间及执行所述每次出行任务时的环境温度变化率，得到冷藏库的初步油耗范围；通过每次出行任务对应的驾驶人员的驾驶行为数据对对应的初步油耗范围进行调整，得到冷藏库完成对应的出行任务的第二油耗范围。
具体实施例方式可以参考上述实施例，在此不再进行过多赘述。
S105，结合第一油耗范围和第二油耗范围，得到汽车在预设周期内的第一总油耗范围，并根据第一总油耗范围，预测汽车在全生命周期内的第二总油耗范围，全生命周期包括N个预设周期，N大于或等于1。
在一个示例中，在得到第一油耗范围和第二油耗范围后，可以直接预估汽车在预设周期内的总油耗量，即第一总油耗量；然后根据第一总油耗范围，预测汽车在全生命周期内的总油耗范围，即第二总油耗范围；预测第二总油耗范围可以根据预设周期内汽车的出行任务数量，预测全生命周期内汽车的出行任务数量；例如，预设周期内汽车的出行任务为十次，预设周期为一个月，则更可以根据一个月的汽车的出行次数，预估一年内汽车的出行次数，预估一年内汽车的出行次数也可以结合其它维度进行考虑，例如，季节维度（不同季节的出行次数可能不同），也可以考虑历史出行次数等。得到一年内汽车的出行次数后，则可以预测整个汽车在全生命周期内的出行次数，全生命周期可以参考汽车的平均使用寿命、汽车当前使用年限、汽车的维修数据等维度进行预测，在此不再进行过多赘述。
得到全生命周期内汽车的出行任务的总次数后，将预设周期内的汽车每次出行的平均油耗量与全生命周期内汽车的出行任务的总次数相乘，得到汽车全生命周期内的第二总油耗量。
根据第一总油耗范围，预测汽车在全生命周期内的第二总油耗范围，包括：根据预设周期内汽车的出行任务数量，预测全生命周期内汽车的出行任务数量；结合全生命周期内汽车的出行任务量和全生命周期内汽车的总油耗范围，得到每次出行任务的平均油耗量；将每次出行任务的平均油耗量和全生命周期内汽车的出行任务数量相乘，得到汽车在汽车在全生命周期内的第二总油耗量范围。
具体实施方式可以参考上述实施例，主要通过获取周期内的汽车的总油耗，得到每次出行任务的总油耗，然后再获取全生命周期内的出行次数，将全生命周期内的出行次数与每次出行任务的总油耗相乘，得到汽车在全生命周期内的总油耗范围。
S106，根据第二总油耗量范围，预测汽车在全生命周期内的碳排放量。
在一个示例中，根据第二总油耗范围，可以得到汽车在全生命周期内的最大碳排放量和最小碳排放量，根据总油耗范围计算最大碳排放量和最小碳排放量时，可以根据汽车碳排放量=公里数×单位燃料消耗量×排放因子，其中，单位燃料消耗量指的是每公里的燃油消耗量，排放因子则根据使用的燃料类型来确定，例如，每升汽油或柴油所产生的二氧化碳排放量约为2.3-2.7千克二氧化碳。然后根据上述方法预测汽车在全生命周期内的碳排放量。
根据第二总油耗量范围，预测汽车在全生命周期内的碳排放量，包括：根据第二总油耗范围，计算汽车在全生命周期内的最大碳排放量和最小碳排放量；计算最大碳排放量和最小碳排放量的差值，若差值大于预设差值，则根据历史碳排放数据，计算汽车的历史平均碳排放量；根据汽车的历史平均碳排放量，预测汽车在全生命周期内的第一碳排放量；判断第一碳排放量是否处于最小碳排放量和最大碳排放量之间，若处于，则确定第一碳排放量为汽车在全生命周期内的碳排放量；若不处于，则取最小碳排放量和最大碳排放量的中间量为汽车在全生命周期内的碳排放量。
在一个示例中，由于本申请确定的油耗量为一个范围，要想获取一个具体的油耗量值和具体的碳排放量，可以根据以下方法进行计算。
计算最大碳排放量和最小碳排放方量的差值，若差值大于预设差值，这里的预设差值根据实际情况自行设定，一般来说，差值过大，难以确定一个具体的油耗量和碳排放量，因此，当差值过大时，可以考虑历史的油耗量和碳排放量，计算汽车历史的平均碳排放量，根据汽车的历史平均碳排放量，计算出汽车在全生命周期内的碳排放量，即第一碳排放量，然后判断第一碳排放量是否处于最小碳排放量和最大碳排放量之间，若处于，则可以选择第一碳排放量为具体的碳排放值，若不处于，则可以选择最小碳排放量和最大碳排放量的中间量为汽车在全生命周期内的碳排放量。当然，要想获取一个具体的油耗量值和具体的碳排放量存在多种方法，在实际应用过程中可以根据实际情况取值。
基于上述方法，本申请实施例还公开一种汽车全生命周期的碳排放预测装置的示意图。
如图2所示，图2是本申请实施例提供的一种汽车全生命周期的碳排放预测装置的示意图；该装置包括：获取模块1、第一预测模块2、第二预测模块3、第三预测模块4、结合模块5及第四预测模块6；其中，获取模块1用于获取预设周期内汽车的出行任务次数和执行每次出行任务的驾驶人员的驾驶行为数据；第一预测模块2用于根据汽车中车头的单位油耗、每次出行任务的路程及每次出行任务的待运输货物的基本信息，预测车头完成对应的出行任务的初步油耗量和汽车中冷藏库完成对应的出行任务的运行时间；第二预测模块3用于通过每次出行任务对应的驾驶人员的驾驶行为数据对对应的初步油耗量进行调整，得到车头完成对应的出行任务的第一油耗范围；第三预测模块4用于根据每次出行任务的待运输货物的基本信息、每次出行任务中冷藏库的运行时间、执行每次出行任务时的环境温度变化率及每次出行任务对应人员的驾驶行为数据，预测冷藏库完成对应的出行任务的第二油耗范围；结合模块5用于结合第一油耗范围和第二油耗范围，得到汽车在预设周期内的第一总油耗范围，并根据第一总油耗范围，预测汽车在全生命周期内的第二总油耗范围，全生命周期包括N个预设周期，N大于或等于1；第四预测模块6用于根据第二总油耗量范围，预测汽车在全生命周期内的碳排放量。
在一个示例中，上述装置还用于根据初步油耗公式预测车头完成对应的出行任务的初步油耗量，初步油耗公式为；
其中，为初步油耗量，/>为负载系数，/>为待运输货物的重量，/>为每次出行任务的路程，/>为车头的单位油耗；
根据运行时间公式预测车头完成对应的出行任务花费的时间，时间公式为；其中，/>为车头完成对应的出行任务花费的时间，/>为每次出行任务的路程，为车头的平均速度，/>为油耗系数；根据车头完成对应的出行任务花费的时间，得到冷藏库完成对应的出行任务的运行时间。
在一个示例中，上述装置还用于获取每次出行任务对应的驾驶人员的驾驶行为数据，驾驶行为数据包括平均急加速次数、平均急刹车次数及平均超速次数；根据各驾驶人员的平均急加速次数、平均急刹车次数及平均超速次数，对各驾驶人员进行驾驶行为评分，得到各驾驶人员的驾驶评分；根据各驾驶人员的驾驶评分，计算每次出行任务对应的驾驶人员的额外油耗量；通过每次出行任务对应的驾驶人员的额外油耗量对对应的初步油耗量进行调整，得到车头完成对应的出行任务的第一油耗范围。
在一个示例中，上述装置还用于分配各驾驶人员的平均急加速次数为第一权重、平均急刹车次数为第二权重、平均超速次数为第三权重；将第一权重和各驾驶人员的平均急加速次数进行算术相乘，得到第一评分；将第二权重和各驾驶人员的平均急刹车次数进行算术相乘，得到第二评分；将第三权重和各驾驶人员的平均超速次数进行算术相乘，得到第三评分；将第一评分、第二评分及第三评分相加，得到各驾驶人员的驾驶评分。
在一个示例中，上述装置还用于根据每次出行任务的待运输货物的基本信息，得到每次出行任务的待运输货物适应的冷藏温度范围；结合每次出行任务的待运输货物适应的冷藏温度范围、每次出行任务中冷藏库的运行时间及执行每次出行任务时的环境温度变化率，得到冷藏库的初步油耗范围；通过每次出行任务对应的驾驶人员的驾驶行为数据对对应的初步油耗范围进行调整，得到冷藏库完成对应的出行任务的第二油耗范围。
在一个示例中，上述装置还用于根据预设周期内汽车的出行任务数量，预测全生命周期内汽车的出行任务数量；结合全生命周期内汽车的出行任务量和全生命周期内汽车的总油耗范围，得到每次出行任务的平均油耗量；将每次出行任务的平均油耗量和全生命周期内汽车的出行任务数量相乘，得到汽车在汽车在全生命周期内的第二总油耗量范围。
在一个示例中，上述装置还用于根据第二总油耗范围，计算汽车在全生命周期内的最大碳排放量和最小碳排放量；计算最大碳排放量和最小碳排放量的差值，若差值大于预设差值，则根据历史碳排放数据，计算汽车的历史平均碳排放量；根据汽车的历史平均碳排放量，预测汽车在全生命周期内的第一碳排放量；判断第一碳排放量是否处于最小碳排放量和最大碳排放量之间，若处于，则确定第一碳排放量为汽车在全生命周期内的碳排放量；若不处于，则取最小碳排放量和最大碳排放量的中间量为汽车在全生命周期内的碳排放量。
需要说明的是：上述实施例提供的装置在实现其功能时，仅以上述各功能模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能模块完成，即将设备的内部结构划分成不同的功能模块，以完成以上描述的全部或者部分功能。另外，上述实施例提供的装置和方法实施例属于同一构思，其具体实现过程详见方法实施例，这里不再赘述。
本申请实施例中提供一种计算机可读存储介质，所述计算机可读存储介质存储有指令，当所述指令被执行时，执行上述实施例中一个或多个所述方法。
下边以图3为例，对本申请示例中的电子设备结构示意图进行详细说明。
为本申请实施例提供了一种电子设备的结构示意图。如图3所示，所述电子设备1000可以包括：至少一个处理器1001，至少一个网络接口1004，用户接口1003，存储器1005，至少一个通信总线1002。
其中，通信总线1002用于实现这些组件之间的连接通信。
其中，用户接口1003可以包括显示屏（Display）、摄像头（Camera），可选用户接口1003还可以包括标准的有线接口、无线接口。
其中，网络接口1004可选的可以包括标准的有线接口、无线接口（如WI-FI接口）。
其中，处理器1001可以包括一个或者多个处理核心。处理器1001利用各种接口和线路连接整个服务器内的各个部分，通过运行或执行存储在存储器1005内的指令、程序、代码集或指令集，以及调用存储在存储器1005内的数据，执行服务器的各种功能和处理数据。可选的，处理器1001可以采用数字信号处理（Digital Signal Processing，DSP）、现场可编程门阵列（Field-Programmable Gate Array，FPGA）、可编程逻辑阵列（ProgrammableLogic Array，PLA）中的至少一种硬件形式来实现。处理器1001可集成中央处理器（CentralProcessing Unit，CPU）、图像处理器（Graphics Processing Unit，GPU）和调制解调器等中的一种或几种的组合。其中，CPU主要处理操作***、用户界面和应用程序等；GPU用于负责显示屏所需要显示的内容的渲染和绘制；调制解调器用于处理无线通信。可以理解的是，上述调制解调器也可以不集成到处理器1001中，单独通过一块芯片进行实现。
其中，存储器1005可以包括随机存储器（Random Access Memory，RAM），也可以包括只读存储器（Read-Only Memory）。可选的，该存储器1005包括非瞬时性计算机可读介质（non-transitory computer-readable storage medium）。存储器1005可用于存储指令、程序、代码、代码集或指令集。存储器1005可包括存储程序区和存储数据区，其中，存储程序区可存储用于实现操作***的指令、用于至少一个功能的指令（比如触控功能、声音播放功能、图像播放功能等）、用于实现上述各个方法实施例的指令等；存储数据区可存储上面各个方法实施例中涉及的数据等。存储器1005可选的还可以是至少一个位于远离前述处理器1001的存储装置。如图3所示，作为一种计算机存储介质的存储器1005中可以包括操作***、网络通信模块、用户接口模块以及一种汽车全生命周期的碳排放预测方法的应用程序。
在图3所示的电子设备1000中，用户接口1003主要用于为用户提供输入的接口，获取用户输入的数据；而处理器1001可以用于调用存储器1005中存储一种汽车全生命周期的碳排放预测方法的应用程序，当由一个或多个处理器执行时，使得电子设备执行如上述实施例中一个或多个所述的方法。
一种电子设备可读存储介质，所述电子设备可读存储介质存储有指令。当由一个或多个处理器执行时，使得电子设备执行如上述实施例中一个或多个所述的方法。
需要说明的是，对于前述的各方法实施例，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，本申请并不受所描述的动作顺序的限制，因为依据本申请，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，所涉及的动作和模块并不一定是本申请所必需的。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。
在本申请所提供的几个实施例中，应该理解到，所披露的装置，可通过其他的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个***，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些服务接口，装置或单元的间接耦合或通信连接，可以是电性或其他的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本申请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，也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储器中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储器中，包括若干指令用以使得一台计算机设备（可为个人计算机、服务器或者网络设备等）执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储器包括：U盘、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述者，仅为本公开的示例性实施例，不能以此限定本公开的范围。即但凡依本公开教导所作的等效变化与修饰，皆仍属本公开涵盖的范围内。本领域技术人员在考虑说明书及实践这里的公开后，将容易想到本公开的其它实施方案。本申请旨在涵盖本公开的任何变型、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公开的一般性原理并包括本公开未记载的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本公开的范围和精神由权利要求限定。

Claims (8)

1.汽车全生命周期的碳排放预测方法，其特征在于，所述方法包括：
获取预设周期内汽车的出行任务次数和执行每次出行任务的驾驶人员的驾驶行为数据；
根据所述汽车中车头的单位油耗、所述每次出行任务的路程及所述每次出行任务的待运输货物的基本信息，预测所述车头完成对应的出行任务的初步油耗量和所述汽车中冷藏库完成对应的出行任务的运行时间；
通过所述每次出行任务对应的驾驶人员的驾驶行为数据对对应的所述初步油耗量进行调整，得到所述车头完成对应的出行任务的第一油耗范围；
根据所述每次出行任务的待运输货物的基本信息、所述每次出行任务中冷藏库的运行时间、执行所述每次出行任务时的环境温度变化率及所述每次出行任务对应人员的驾驶行为数据，预测所述冷藏库完成对应的出行任务的第二油耗范围；
结合所述第一油耗范围和所述第二油耗范围，得到所述汽车在所述预设周期内的第一总油耗范围，并根据所述第一总油耗范围，预测所述汽车在全生命周期内的第二总油耗范围，所述全生命周期包括N个预设周期，N大于或等于1；
根据所述第二总油耗量范围，预测所述汽车在所述全生命周期内的碳排放量；
其中，所述每次出行任务的待运输货物的基本信息包括重量信息，所述根据所述汽车中车头的单位油耗、所述每次出行任务的路程及所述每次出行任务的待运输货物的基本信息，预测所述车头完成对应的出行任务的初步油耗量和所述汽车中冷藏库完成对应的出行任务的运行时间，包括：
根据初步油耗公式预测所述车头完成对应的出行任务的初步油耗量，所述初步油耗公式为ψ＝K1×M×S+(n/100)*S；其中，
ψ为初步油耗量，K1为负载系数，M为待运输货物的重量，S为每次出行任务的路程，n为车头的单位油耗；
根据运行时间公式预测所述车头完成对应的出行任务花费的时间，所述时间公式为T＝S/V+S/K2；其中，
T为车头完成对应的出行任务花费的时间，S为每次出行任务的路程，V为车头的平均速度，K2为油耗系数；
根据所述车头完成对应的出行任务花费的时间，得到所述冷藏库完成对应的出行任务的运行时间；
其中，所述根据所述每次出行任务的待运输货物的基本信息、所述每次出行任务中冷藏库的运行时间、执行所述每次出行任务时的环境温度变化率及所述每次出行任务对应人员的驾驶行为数据，预测所述冷藏库完成对应的出行任务的第二油耗范围；包括：
根据所述每次出行任务的待运输货物的基本信息，得到所述每次出行任务的待运输货物适应的冷藏温度范围；
结合所述每次出行任务的待运输货物适应的冷藏温度范围、所述每次出行任务中冷藏库的运行时间及所述执行所述每次出行任务时的环境温度变化率，得到所述冷藏库的初步油耗范围；通过所述每次出行任务对应的驾驶人员的驾驶行为数据对对应的所述初步油耗范围进行调整，得到所述冷藏库完成对应的出行任务的第二油耗范围。
2.根据权利要求1所述的汽车全生命周期的碳排放预测方法，其特征在于，所述通过所述每次出行任务对应的驾驶人员的驾驶行为数据对对应的所述初步油耗量进行调整，得到所述车头完成对应的出行任务的第一油耗范围，包括：
获取所述每次出行任务对应的驾驶人员的驾驶行为数据，所述驾驶行为数据包括平均急加速次数、平均急刹车次数及平均超速次数；
根据各驾驶人员的平均急加速次数、平均急刹车次数及平均超速次数，对所述各驾驶人员进行驾驶行为评分，得到所述各驾驶人员的驾驶评分；
根据所述各驾驶人员的驾驶评分，计算所述每次出行任务对应的驾驶人员的额外油耗量；
通过所述每次出行任务对应的驾驶人员的额外油耗量对对应的所述初步油耗量进行调整，得到所述车头完成对应的出行任务的第一油耗范围。
3.根据权利要求2所述的汽车全生命周期的碳排放预测方法，其特征在于，所述根据各驾驶人员的平均急加速次数、平均急刹车次数及平均超速次数，对所述各驾驶人员进行驾驶行为评分，得到所述各驾驶人员的驾驶评分，包括：
分配所述各驾驶人员的所述平均急加速次数为第一权重、所述平均急刹车次数为第二权重、所述平均超速次数为第三权重；
将所述第一权重和各驾驶人员的平均急加速次数进行算术相乘，得到第一评分；
将所述第二权重和各驾驶人员的平均急刹车次数进行算术相乘，得到第二评分；
将所述第三权重和各驾驶人员的平均超速次数进行算术相乘，得到第三评分；
将所述第一评分、所述第二评分及所述第三评分相加，得到所述各驾驶人员的驾驶评分。
4.根据权利要求1所述的汽车全生命周期的碳排放预测方法，其特征在于，所述根据所述第一总油耗范围，预测所述汽车在全生命周期内的第二总油耗范围，包括：
根据所述预设周期内汽车的出行任务数量，预测所述全生命周期内汽车的出行任务数量；
结合所述全生命周期内汽车的出行任务量和所述全生命周期内汽车的总油耗范围，得到所述每次出行任务的平均油耗量；
将所述每次出行任务的平均油耗量和所述全生命周期内汽车的出行任务量相乘，得到所述汽车在所述汽车在全生命周期内的第二总油耗量范围。
5.根据权利要求1所述的汽车全生命周期的碳排放预测方法，其特征在于，所述根据所述第二总油耗量范围，预测所述汽车在全生命周期内的碳排放量，包括：
根据所述第二总油耗范围，计算所述汽车在全生命周期内的最大碳排放量和最小碳排放量；计算所述最大碳排放量和所述最小碳排放量的差值，若所述差值大于预设差值，则根据历史碳排放数据，计算所述汽车的历史平均碳排放量；
根据所述汽车的历史平均碳排放量，预测所述汽车在全生命周期内的第一碳排放量；
判断所述第一碳排放量是否处于所述最小碳排放量和所述最大碳排放量之间，若处于，则确定所述第一碳排放量为所述汽车在全生命周期内的碳排放量；
若不处于，则取所述最小碳排放量和所述最大碳排放量的中间量为所述汽车在全生命周期内的碳排放量。
6.汽车全生命周期的碳排放预测装置，其特征在于，所述装置包括：获取模块(1)、第一预测模块(2)、第二预测模块(3)、第三预测模块(4)、结合模块(5)及第四预测模块(6)；其中，
所述获取模块(1)用于获取预设周期内汽车的出行任务次数和执行每次出行任务的驾驶人员的驾驶行为数据；
所述第一预测模块(2)用于根据所述汽车中车头的单位油耗、所述每次出行任务的路程及所述每次出行任务的待运输货物的基本信息，预测所述车头完成对应的出行任务的初步油耗量和所述汽车中冷藏库完成对应的出行任务的运行时间；
所述第二预测模块(3)用于通过所述每次出行任务对应的驾驶人员的驾驶行为数据对对应的所述初步油耗量进行调整，得到所述车头完成对应的出行任务的第一油耗范围；
所述第三预测模块(4)用于根据所述每次出行任务的待运输货物的基本信息、所述每次出行任务中冷藏库的运行时间、执行所述每次出行任务时的环境温度变化率及所述每次出行任务对应人员的驾驶行为数据，预测所述冷藏库完成对应的出行任务的第二油耗范围；
所述结合模块(5)用于结合所述第一油耗范围和所述第二油耗范围，得到所述汽车在所述预设周期内的第一总油耗范围，并根据所述第一总油耗范围，预测所述汽车在全生命周期内的第二总油耗范围，所述全生命周期包括N个预设周期，N大于或等于1；
所述第四预测模块(6)用于根据所述第二总油耗量范围，预测所述汽车在全生命周期内的碳排放量；
其中，所述第一预测模块(2)还用于所述根据初步油耗公式预测所述车头完成对应的出行任务的初步油耗量，所述初步油耗公式为ψ＝K1×M×S+(n/100)*S；其中，ψ为初步油耗量，K1为负载系数，M为待运输货物的重量，S为每次出行任务的路程，n为车头的单位油耗；根据运行时间公式预测所述车头完成对应的出行任务花费的时间，所述时间公式为T＝S/V+S/K2；其中，T为车头完成对应的出行任务花费的时间，S为每次出行任务的路程，V为车头的平均速度，K2为油耗系数；根据所述车头完成对应的出行任务花费的时间，得到所述冷藏库完成对应的出行任务的运行时间；
其中，所述第三预测模块(4)还用于根据所述每次出行任务的待运输货物的基本信息，得到所述每次出行任务的待运输货物适应的冷藏温度范围；结合所述每次出行任务的待运输货物适应的冷藏温度范围、所述每次出行任务中冷藏库的运行时间及所述执行所述每次出行任务时的环境温度变化率，得到所述冷藏库的初步油耗范围；通过所述每次出行任务对应的驾驶人员的驾驶行为数据对对应的所述初步油耗范围进行调整，得到所述冷藏库完成对应的出行任务的第二油耗范围。
7.一种电子设备，其特征在于，包括处理器、存储器、用户接口及网络接口，所述存储器用于存储指令，所述用户接口和网络接口用于给其他设备通信，所述处理器用于执行所述存储器中存储的指令，以使所述电子设备执行如权利要求1-5任意一项所述的方法。
8.一种计算机可读存储介质，其特征在于，存储有能够被处理器加载并执行如权利要求1-5任意一项所述的方法的计算机程序。
CN202311374711.0A 2023-10-23 2023-10-23 汽车全生命周期的碳排放预测方法、装置及设备 Active CN117114209B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311374711.0A CN117114209B (zh) 2023-10-23 2023-10-23 汽车全生命周期的碳排放预测方法、装置及设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311374711.0A CN117114209B (zh) 2023-10-23 2023-10-23 汽车全生命周期的碳排放预测方法、装置及设备

Publications (2)

Publication Number Publication Date
CN117114209A CN117114209A (zh) 2023-11-24
CN117114209B true CN117114209B (zh) 2024-02-06

Family

ID=88805962

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311374711.0A Active CN117114209B (zh) 2023-10-23 2023-10-23 汽车全生命周期的碳排放预测方法、装置及设备

Country Status (1)

Country Link
CN (1) CN117114209B (zh)

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2006133010A (ja) * 2004-11-04 2006-05-25 Toyota Motor Corp 燃料情報表示装置
JP2009031046A (ja) * 2007-07-25 2009-02-12 Hitachi Ltd 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
JP2010108065A (ja) * 2008-10-28 2010-05-13 Fujitsu Ltd 排出量按分装置および排出量按分プログラム
CN108877274A (zh) * 2018-09-23 2018-11-23 王虹 基于冷链的导航方法、装置及终端
CN109374010A (zh) * 2018-10-21 2019-02-22 胡佩仙 基于冷链的汽车加油提醒方法、装置及移动终端
CN109405845A (zh) * 2018-10-07 2019-03-01 宁夏中科汇联科技服务有限公司 基于冷链运输的加油提醒方法、装置及移动终端
CN109872075A (zh) * 2019-03-05 2019-06-11 北京经纬恒润科技有限公司 一种油耗相关驾驶行为的评估方法及***
CN110716527A (zh) * 2019-09-09 2020-01-21 北京航空航天大学 一种基于运动学片段的车辆能耗分析方法及分析***
CN116135653A (zh) * 2021-11-16 2023-05-19 博泰车联网(武汉)有限公司 形成驾驶行为的画像的方法
CN116579527A (zh) * 2023-07-14 2023-08-11 车泊喜智能科技(山东)有限公司 一种企业用油统计数据智能分析管理***

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20120229469A1 (en) * 2010-11-08 2012-09-13 Lizotte Todd E Dynamic 3d analytic tools: a method for maintaining situational awareness during high tempo warfare or mass casualty operations
EP4215402A1 (en) * 2022-01-20 2023-07-26 Volvo Truck Corporation Processing unit for managing energy consumption in a vehicle and method therefor

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2006133010A (ja) * 2004-11-04 2006-05-25 Toyota Motor Corp 燃料情報表示装置
JP2009031046A (ja) * 2007-07-25 2009-02-12 Hitachi Ltd 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
JP2010108065A (ja) * 2008-10-28 2010-05-13 Fujitsu Ltd 排出量按分装置および排出量按分プログラム
CN108877274A (zh) * 2018-09-23 2018-11-23 王虹 基于冷链的导航方法、装置及终端
CN109405845A (zh) * 2018-10-07 2019-03-01 宁夏中科汇联科技服务有限公司 基于冷链运输的加油提醒方法、装置及移动终端
CN109374010A (zh) * 2018-10-21 2019-02-22 胡佩仙 基于冷链的汽车加油提醒方法、装置及移动终端
CN109872075A (zh) * 2019-03-05 2019-06-11 北京经纬恒润科技有限公司 一种油耗相关驾驶行为的评估方法及***
CN110716527A (zh) * 2019-09-09 2020-01-21 北京航空航天大学 一种基于运动学片段的车辆能耗分析方法及分析***
CN116135653A (zh) * 2021-11-16 2023-05-19 博泰车联网(武汉)有限公司 形成驾驶行为的画像的方法
CN116579527A (zh) * 2023-07-14 2023-08-11 车泊喜智能科技(山东)有限公司 一种企业用油统计数据智能分析管理***

Also Published As

Publication number Publication date
CN117114209A (zh) 2023-11-24

Similar Documents

Publication Publication Date Title
US11214264B2 (en) System and method for measuring and reducing vehicle fuel waste
US20170103101A1 (en) System for database data quality processing
US20200216001A1 (en) Systems and methods for measuring and reducing vehicle fuel waste
RU2616487C2 (ru) Оценка стиля вождения автомобилей, ориентированного на экономию топлива
CN107000761B (zh) 用于车辆经济性改进的设备及方法
US20150356635A1 (en) Method for optimizing asset value based on driver acceleration and braking behavior
WO2013192214A2 (en) System for processing fleet vehicle operation information
KR20190122298A (ko) 차량 진단 시스템
US9256842B2 (en) Determining fuel economy by fuel source location
Jakobsen et al. Evaluating eco-driving advice using GPS/CANBus data
WO2015099645A1 (en) Vehicle ratings via measured driver behavior
CN113762755A (zh) 驾驶员分析报告推送方法、装置、计算机设备和存储介质
CN111210537A (zh) 一种油耗分析方法、装置、设备和存储介质
WO2016184497A1 (en) System and method for estimating energy usage
JP2020063741A (ja) 車両消費の監視システム及び方法
EP3721170B1 (en) Method to measure road roughness characteristics and pavement induced vehicle fuel consumption
CN117114209B (zh) 汽车全生命周期的碳排放预测方法、装置及设备
CN114426025B (zh) 驾驶辅助方法、装置、计算机设备和存储介质
Jungblut et al. Fuel-saving opportunities for automated vehicles: A driving cycle analysis
Michelarakia et al. Correlation of driver behaviour and fuel consumption using data from smartphones
CN111882382A (zh) 基于数据和风险关联模型的共享汽车数据存储管理方法
JP2019112989A (ja) 車両の燃費推定装置
Schau et al. SmartCityLogistik (SCL) Erfurt: Deriving the main factors that influence vehicle range during short-distance freight transport when using fully electric vehicles
US20210372806A1 (en) Routing system that incorporates hours of service into time estimates
Haberl et al. Eco-driven signal control and eco-driving of hybrid city buses

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