CN117494878A - 车辆启停次数的预测方法和能耗预测方法 - Google Patents

车辆启停次数的预测方法和能耗预测方法 Download PDF

Info

Publication number
CN117494878A
CN117494878A CN202311428472.2A CN202311428472A CN117494878A CN 117494878 A CN117494878 A CN 117494878A CN 202311428472 A CN202311428472 A CN 202311428472A CN 117494878 A CN117494878 A CN 117494878A
Authority
CN
China
Prior art keywords
road section
congestion road
current
historical
stop
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
Application number
CN202311428472.2A
Other languages
English (en)
Inventor
梁源
黄大飞
刘小飞
陈轶
周正伟
崔环宇
曹鸿圣
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.)
Thalys Automobile Co ltd
Original Assignee
Thalys Automobile 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 Thalys Automobile Co ltd filed Critical Thalys Automobile Co ltd
Priority to CN202311428472.2A priority Critical patent/CN117494878A/zh
Publication of CN117494878A publication Critical patent/CN117494878A/zh
Pending legal-status Critical Current

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"
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
    • B60L3/00—Electric devices on electrically-propelled vehicles for safety purposes; Monitoring operating variables, e.g. speed, deceleration or energy consumption
    • B60L3/12—Recording operating variables ; Monitoring of operating variables
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W40/00—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models
    • B60W40/02—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models related to ambient conditions
    • B60W40/04—Traffic conditions
    • 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
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
    • G08G1/0125—Traffic data processing
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
    • G08G1/0137—Measuring and analyzing of parameters relative to traffic conditions for specific applications
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/065—Traffic control systems for road vehicles by counting the vehicles in a section of the road or in a parking area, i.e. comparing incoming count with outgoing count
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
    • B60L2260/00—Operating Modes
    • B60L2260/40—Control modes
    • B60L2260/50—Control modes by future state prediction
    • B60L2260/54—Energy consumption estimation
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W2556/00—Input parameters relating to data
    • B60W2556/10—Historical data

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Tourism & Hospitality (AREA)
  • Economics (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • Analytical Chemistry (AREA)
  • Chemical & Material Sciences (AREA)
  • Mechanical Engineering (AREA)
  • Marketing (AREA)
  • Transportation (AREA)
  • General Business, Economics & Management (AREA)
  • Development Economics (AREA)
  • Theoretical Computer Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Automation & Control Theory (AREA)
  • Mathematical Physics (AREA)
  • Educational Administration (AREA)
  • Quality & Reliability (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Sustainable Development (AREA)
  • Sustainable Energy (AREA)
  • Power Engineering (AREA)
  • Operations Research (AREA)
  • Game Theory and Decision Science (AREA)
  • Traffic Control Systems (AREA)

Abstract

本申请涉及新能源汽车技术领域，尤其是涉及一种车辆启停次数的预测方法和能耗预测方法。所述方法包括：获取当前拥堵路段和当前拥堵路段的当前特征信息；获取若干条历史拥堵路段以及各条历史拥堵路段所对应的历史特征信息和历史启停次数；将当前特征信息与各个历史特征信息进行匹配，得到相似拥堵路段，其中，相似拥堵路段表示若干条历史拥堵路段中与当前拥堵路段相似度最高的历史拥堵路段；根据相似拥堵路段的历史启停次数，对当前拥堵路段的启停次数进行预测，得到预测启停次数，其中，预测启停次数用于计算当前拥堵路段的预测启停能耗。采用本方法能够预测拥堵路段的车辆启停次数，进而提高车辆能耗预测和续驶预测的准确度。

Description

车辆启停次数的预测方法和能耗预测方法
技术领域
本申请涉及新能源汽车技术领域，特别是涉及一种车辆启停次数的预测方法和能耗预测方法。
背景技术
目前，新能源汽车的续驶里程仍是用户最关注的焦点，尤其是在低温或高温环境下，续驶里程会大打折扣，此外，在高速和拥堵路段下，续驶里程也有所降低。
而且，新能源汽车在拥堵路段下的预测续驶里程与实际续驶里程相差较多，不仅与车速、温度、载重和空调能耗等因素有关，而且与车辆启停次数相关。
这是因为，在不断的加减速过程中，由于启动电机能量消耗和低速能量回收限制等原因，可能会导致能量损失，进而导致能耗预测和续驶预测存在偏差。
发明内容
基于此，提供一种车辆启停次数的预测方法和能耗预测方法，以对拥堵路段的车辆启停次数进行预测，进而提高车辆能耗预测和续驶预测的准确度。
第一方面，提供一种车辆启停次数的预测方法，所述方法包括：
获取当前拥堵路段和所述当前拥堵路段的当前特征信息；
获取若干条历史拥堵路段以及各条所述历史拥堵路段所对应的历史特征信息和历史启停次数；
将所述当前特征信息与各个所述历史特征信息进行匹配，得到相似拥堵路段，其中，所述相似拥堵路段表示所述若干条历史拥堵路段中与所述当前拥堵路段相似度最高的历史拥堵路段；
根据所述相似拥堵路段的历史启停次数，对所述当前拥堵路段的启停次数进行预测，得到预测启停次数，其中，所述预测启停次数用于计算所述当前拥堵路段的预测启停能耗。
结合第一方面，在第一方面的第一种可实施方式中，所述当前特征信息至少包括以下特征参数中的一种：当前拥堵路段长度、当前拥堵路段平均车速、当前拥堵路段车辆密度以及当前拥堵路段交通灯等待次数；
所述历史特征信息至少包括以下特征参数中的一种：历史拥堵路段长度、历史拥堵路段平均车速、历史拥堵路段车辆密度以及历史拥堵路段交通灯等待次数。
结合第一方面的第一种可实施方式，在第一方面的第二种可实施方式中，将所述当前特征信息与各个所述历史特征信息进行匹配，得到相似拥堵路段的步骤，包括：
对所述当前特征信息的各个特征参数与每个所述历史特征信息的各个特征参数进行相似度计算后进行叠加，得到所述当前拥堵路段分别与各条所述历史拥堵路段的相似度值；
将所述当前拥堵路段分别与各条所述历史拥堵路段的相似度值进行对比，得到最高相似度值，将所述最高相似度值所指向的历史拥堵路段作为所述相似拥堵路段。
结合第一方面的第一种可实施方式，在第一方面的第三种可实施方式中，将所述当前特征信息与各个所述历史特征信息进行匹配，得到相似拥堵路段的步骤，包括：
对所述当前特征信息的各个特征参数与各个所述历史特征信息的各个特征参数进行相似度计算，得到所述当前拥堵路段分别与各条所述历史拥堵路段的相似度集合；
对所述当前拥堵路段分别与各条所述历史拥堵路段的相似度集合进行评分，得到各个所述相似度集合所对应的分数值；
将各个所述相似度集合所对应的分数值进行对比，得到最高分数值，将所述最高分数值所指向的历史拥堵路段作为所述相似拥堵路段。
结合第一方面的第二种可实施方式或第三种可实施方式，在第一方面的第四种可实施方式中，根据所述相似拥堵路段的历史启停次数，对所述当前拥堵路段的启停次数进行预测，得到预测启停次数的步骤，包括：
判断所述最高相似度值是否大于预设的第一阈值，或判断所述最高分数值是否大于预设的第二阈值；
若是，将所述相似拥堵路段的历史启停次数作为所述当前拥堵路段的预测启停次数；
若否，将所述相似拥堵路段的历史启停次数作为基础启停次数，并根据所述当前特征信息和所述相似拥堵路段的历史特征信息之间的特征相差信息，对所述基础启停次数进行调整，得到所述当前拥堵路段的预测启停次数。
结合第一方面的第四种可实施方式，在第一方面的第五种可实施方式中，根据所述当前特征信息和所述相似拥堵路段的历史特征信息之间的特征相差信息，对所述基础启停次数进行调整，得到所述当前拥堵路段的预测启停次数的步骤，包括：
将所述当前拥堵路段长度减去所述相似拥堵路段的历史拥堵路段长度，得到对应的拥堵路段长度差；
计算所述拥堵路段长度差和预设的第三阈值的商，得到第一商值；
将所述第一商值和预设的第四阈值的乘积与所述基础启停次数进行叠加，得到所述当前拥堵路段的预测启停次数。
结合第一方面的第四种可实施方式，在第一方面的第六种可实施方式中，根据所述当前特征信息和所述相似拥堵路段的历史特征信息之间的特征相差信息，对所述基础启停次数进行调整，得到所述当前拥堵路段的预测启停次数的步骤，包括：
将所述相似拥堵路段的历史拥堵路段平均车速减去所述当前拥堵路段平均车速，得到对应的拥堵路段平均车速差；
计算所述拥堵路段平均车速差和预设的第五阈值的商，得到第二商值；
将所述第二商值和预设的第六阈值的乘积与所述基础启停次数进行叠加，得到所述当前拥堵路段的预测启停次数。
结合第一方面的第四种可实施方式，在第一方面的第七种可实施方式中，根据所述当前特征信息和所述相似拥堵路段的历史特征信息之间的特征相差信息，对所述基础启停次数进行调整，得到所述当前拥堵路段的预测启停次数的步骤，包括：
将所述当前拥堵路段车辆密度减去所述相似拥堵路段的历史拥堵路段车辆密度，得到对应的拥堵路段车辆密度差；
计算所述拥堵路段车辆密度差和预设的第七阈值的商，得到第三商值；
将所述第三商值和预设的第八阈值的乘积与所述基础启停次数进行叠加，得到所述当前拥堵路段的预测启停次数。
结合第一方面的第四种可实施方式，在第一方面的第八种可实施方式中，根据所述当前特征信息和所述相似拥堵路段的历史特征信息之间的特征相差信息，对所述基础启停次数进行调整，得到所述当前拥堵路段的预测启停次数的步骤，包括：
将所述当前拥堵路段交通灯等待次数减去所述相似拥堵路段的历史拥堵路段交通灯等待次数，得到对应的拥堵路段交通灯等待次数差；
计算所述拥堵路段交通灯等待次数差和预设的第九阈值的商，得到第四商值；
将所述第四商值和预设的第十阈值的乘积与所述基础启停次数进行叠加，得到所述当前拥堵路段的预测启停次数。
第二方面，提供了一种能耗预测方法，所述方法包括：
获取单位启停能耗和当前导航路线中的当前拥堵路段所对应的预测启停次数，其中，所述预测启停次数是根据第一方面或第一方面的第一种至第八种可实施方式中任一项所述的车辆启停次数的预测方法的步骤获得的；
根据所述预测启停次数和所述单位启停能耗的乘积，获得所述当前拥堵路段的预测启停能耗；
获取所述当前导航路线的预测基础能耗，叠加所述预测启停能耗和所述预测基础能耗，得到所述当前导航路线的预测总能耗。
上述车辆启停次数的预测方法和能耗预测方法，通过获取当前拥堵路段和当前拥堵路段的当前特征信息；以及获取若干条历史拥堵路段和各条历史拥堵路段所对应的历史特征信息和历史启停次数；将当前特征信息与各个历史特征信息进行匹配，得到相似拥堵路段，其中，相似拥堵路段表示若干条历史拥堵路段中与当前拥堵路段相似度最高的历史拥堵路段；根据相似拥堵路段的历史启停次数，对当前拥堵路段的启停次数进行预测，得到预测启停次数，其中，所述预测启停次数用于计算所述当前拥堵路段的预测启停能耗。如此，通过对当前拥堵路段的车辆启停次数进行预测，再结合单次启停所需的能耗，可以获得当前拥堵路段所需的能耗，进而可以对当前导航路线所需的总能耗进行更加精准地预测，以根据当前导航路线所需的总能耗更加精准地预测车辆是否能以当前的能量通过该当前导航路线，改善现有技术中没有考虑拥堵路段车辆启停所产生的能量消耗，导致能耗预测结果不够准确，进而导致续驶预测结果存在误差的现象。因此，与现有技术相比，本申请的车辆启停次数的预测方法的有益效果为：可以对拥堵路段的车辆启停次数进行预测，进而提高车辆能耗预测和续驶预测的准确度。
附图说明
图1为第一个实施例中车辆启停次数的预测方法的流程示意图；
图2为第二个实施例中能耗预测方法的流程示意图；
图3为第三个实施例中车辆启停次数的预测装置的结构框图；
图4为第四个实施例中能耗预测装置的结构框图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
需要说明的是，本实施例中所提供的图示仅以示意方式说明本申请的基本构想，遂图式中仅显示与本申请中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制，其实际实施时各组件的型态、数量及比例可为一种随意的改变，且其组件布局型态也可能更为复杂。
本说明书所附图式所绘示的结构、比例、大小等，均仅用以配合说明书所揭示的内容，以供熟悉此技术的人士了解与阅读，并非用以限定本申请可实施的限定条件，故不具技术上的实质意义，任何结构的修饰、比例关系的改变或大小的调整，在不影响本申请所能产生的功效及所能达成的目的下，均应仍落在本申请所揭示的技术内容得能涵盖的范围内。
本说明书中所引用的如“上”、“下”、“左”、“右”、“中间”、“纵向”、“横向”、“水平”、“内”、“外”、“径向”、“周向”等指示的方位或位置关系为基于附图所示的方位或位置关系，亦仅为了便于简化叙述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本申请的限制。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。
在第一个实施例中，如图1所示，提供了一种车辆启停次数的预测方法，以该方法应用于车身域控制器为例进行说明，包括以下步骤：
步骤102，获取当前拥堵路段和所述当前拥堵路段的当前特征信息。
其中，所述当前特征信息至少包括以下特征参数中的一种：当前拥堵路段长度、当前拥堵路段平均车速、当前拥堵路段车辆密度以及当前拥堵路段交通灯等待次数。
通过测试发现：拥堵路段长度越长，车辆启停的次数越多，拥堵路段长度越短，车辆启停的次数越少；拥堵路段中平均车速越慢，车辆启停的可能性越大；拥堵路段中车辆密度越大，车辆之间的间距越小，车辆启停的可能性越大，以避免与前车相撞；拥堵路段中交通信号灯越多，车辆需要根据交通信号灯的变化进行启停的可能性也就越高。因此，拥堵路段长度、拥堵路段平均车速、拥堵路段车辆密度和拥堵路段交通灯等待次数对车辆在拥堵路段的启停次数的影响较大。
在具体实施时，可以选择上述四种特征参数中的一种或一种以上对车辆启停次数进行预测，为了更加精准地确定当前拥堵路段与历史拥堵路段的相似性，本申请优选通过尽可能多的特征参数来确定，即收集当前拥堵路段长度、当前拥堵路段平均车速、当前拥堵路段车辆密度以及当前拥堵路段交通灯等待次数这四个参数作为当前拥堵路段的当前特征信息，后续步骤也将以此为例进行详细说明。
示例性的说明，可以通过导航技术生成当前导航线路，获取当前导航线路中的当前拥堵路段，并对当前拥堵路段的当前拥堵路段长度、当前拥堵路段平均车速、当前拥堵路段车辆密度以及当前拥堵路段交通灯等待次数进行收集，将其作为当前拥堵路段的当前特征信息。其中，拥堵路段长度的单位可以为km，拥堵路段平均车速的单位可以为kph，拥堵路段车辆密度的单位可以为辆/(km·车道数)。
步骤104，获取若干条历史拥堵路段以及各条所述历史拥堵路段所对应的历史特征信息和历史启停次数。
其中，所述历史特征信息至少包括以下特征参数中的一种：历史拥堵路段长度、历史拥堵路段平均车速、历史拥堵路段车辆密度以及历史拥堵路段交通灯等待次数。
需要说明的是，在具体实施时，由于获取当前特征信息和历史特征信息是用于确定当前拥堵路段与历史拥堵路段的相似性，因此当前特征信息和历史特征信息需要对应，即当前特征信息所包括的特征参数类型需要在历史特征信息所包括的特征参数类型的范围内；例如，若当前特征信息仅包括当前拥堵路段长度，则历史特征信息至少包括历史拥堵路段长度这一个特征参数；又例如，若当前特征信息包括当前拥堵路段长度和当前拥堵路段平均车速，则历史特征信息至少包括历史拥堵路段长度和历史拥堵路段平均车速这两个参数；其他实施可能性也类似，在此不一一说明。
从提高车辆启停次数的预测结果的准确度的角度出发，以及基于上述内容所示例的当前特征信息，本申请选择历史拥堵路段长度、历史拥堵路段平均车速、历史拥堵路段车辆密度以及历史拥堵路段交通灯等待次数这四个特征参数作为历史拥堵路段的历史特征信息，后续的步骤也将以此为基础进行示例性地说明。
在具体实施时，在获取若干条历史拥堵路段以及各条所述历史拥堵路段所对应的历史特征信息和历史启停次数的步骤之前，还包括：在当前时刻之前的多个历史时刻，对每个历史时刻所对应的历史导航路线进行识别，获得对应的历史拥堵路段，并对历史拥堵路段的历史特征信息进行收集，然后存储在数据库中。
与收集当前特征信息的方式类似，可以通过导航技术对生成的历史导航路线进行识别，得到对应的历史拥堵路段，并对历史拥堵路段的历史拥堵路段长度、历史拥堵路段平均车速、历史拥堵路段车辆密度以及历史拥堵路段交通灯等待次数进行收集，将其作为历史拥堵路段的历史特征信息；以及从车辆进入历史拥堵路段开始，当车辆从0kph增加到10kph时，计数一次，直到车辆退出历史拥堵路段停止计数，得到历史拥堵路段下实际的历史启停次数；将各条历史拥堵路段的历史特征信息和历史启停次数存储至数据库中。
为了保证数据的可靠性，还可以对收集到的数据进行过滤处理，包括缺失值处理和异常值处理等。示例性的说明，若某条历史拥堵路段的历史特征信息和历史启停次数中存在数据缺失现象，例如，某条历史拥堵路段的历史启停次数为0次，由于历史启停次数对车辆启停次数预测的影响较大，可以选择直接删除该条历史拥堵路段及其所收集到的数据；还可以采用统计分析等方法对历史拥堵路段的历史特征信息和历史启停次数进行检测，如果检测到某些数据存在参数状态异常的，可以选择直接删除该条历史拥堵路段及其所收集到的数据。
通过对每次历史导航线路的历史拥堵路段的历史特征信息和历史启停次数进行收集、存储和过滤处理，数据库中可以得到多条历史导航线路的历史拥堵路段的历史特征信息和历史启停次数。
步骤106，将所述当前特征信息与各个所述历史特征信息进行匹配，得到相似拥堵路段，其中，所述相似拥堵路段表示所述若干条历史拥堵路段中与所述当前拥堵路段相似度最高的历史拥堵路段。
在获取到当前特征信息和各个历史特征信息后，可以将当前特征信息与各个历史特征信息进行匹配，以得到若干条历史拥堵路段中与当前拥堵路段相似度最高的历史拥堵路段，即相似拥堵路段。本申请提供两种匹配相似拥堵路段的实施方式，具体的：
在第一种实施方式中，可以通过计算当前特征信息和各个历史特征信息的相似度值并进行相似度值的对比，匹配出相似度值最高的历史拥堵路段，以作为相似拥堵路段，该步骤具体包括：对所述当前特征信息的各个特征参数与每个所述历史特征信息的各个特征参数进行相似度计算后进行叠加，得到所述当前拥堵路段分别与各条所述历史拥堵路段的相似度值；将所述当前拥堵路段分别与各条所述历史拥堵路段的相似度值进行对比，得到最高相似度值，将所述最高相似度值所指向的历史拥堵路段作为所述相似拥堵路段。
在具体实施时，对于当前特征信息和每个历史特征信息，分别计算当前拥堵路段长度和历史拥堵路段长度的相似度、当前拥堵路段平均车速和历史拥堵路段平均车速的相似度、当前拥堵路段车辆密度和历史拥堵路段车辆密度的相似度、当前拥堵路段交通灯等待次数和历史拥堵路段交通灯等待次数的相似度，并将四个特征参数的相似度相加，得到当前拥堵路段和历史拥堵路段的相似度值。
其中，可以通过以下数学表达计算相似度：A＝1-|(A1-A2)/A1|，其中，A为当前拥堵路段长度和历史拥堵路段长度的相似度，或当前拥堵路段平均车速和历史拥堵路段平均车速的相似度，或当前拥堵路段车辆密度和历史拥堵路段车辆密度的相似度，或当前拥堵路段交通灯等待次数和历史拥堵路段交通灯等待次数的相似度；A的数值越靠近1，则说明两个特征参数的相似度越高，反之，A的数值越远离1，则说明两个特征参数的相似度越低；A1为历史拥堵路段长度、历史拥堵路段平均车速、历史拥堵路段车辆密度和历史拥堵路段交通灯等待次数中任一项的数值，A2为当前拥堵路段长度、当前拥堵路段平均车速、当前拥堵路段车辆密度和当前拥堵路段交通灯等待次数中任一项的数值。
对于当前拥堵路段和每条历史拥堵路段，都按照上述步骤计算相似度值，从而得到当前拥堵路段和各条历史拥堵路段的相似度值；将计算得到的各个相似度值进行对比，可以得到一最高相似度值，该最高相似度值所指向的历史拥堵路段即为若干条历史拥堵路段中与当前拥堵路段最为相似的历史拥堵路段，即相似拥堵路段。
在第二种实施方式中，还可以通过计算当前特征信息和各个历史特征信息的各个特征参数的相似度集合，并对各个相似度集合进行评分，匹配出评分最高的相似度集合，将其对应的历史拥堵路段作为相似拥堵路段，该步骤具体包括：对所述当前特征信息的各个特征参数与各个所述历史特征信息的各个特征参数进行相似度计算，得到所述当前拥堵路段分别与各条所述历史拥堵路段的相似度集合；对所述当前拥堵路段分别与各条所述历史拥堵路段的相似度集合进行评分，得到各个所述相似度集合所对应的分数值；将各个所述相似度集合所对应的分数值进行对比，得到最高分数值，将所述最高分数值所指向的历史拥堵路段作为所述相似拥堵路段。
在具体实施时，对于当前特征信息和每个历史特征信息，分别计算当前拥堵路段长度和历史拥堵路段长度的相似度、当前拥堵路段平均车速和历史拥堵路段平均车速的相似度、当前拥堵路段车辆密度和历史拥堵路段车辆密度的相似度、当前拥堵路段交通灯等待次数和历史拥堵路段交通灯等待次数的相似度，该四个特征参数的相似度构成当前拥堵路段和历史拥堵路段的相似度集合。
对于当前拥堵路段和每条历史拥堵路段，都按照上述步骤计算相似度，从而得到当前拥堵路段和各条历史拥堵路段的相似度集合；对于每个相似度集合，通过评分得到其对应的分数值；将各个分数值进行对比，可以得到一最高分数值，该最高分数值所指向的历史拥堵路段即为若干条历史拥堵路段中与当前拥堵路段最为相似的历史拥堵路段，即相似拥堵路段。其中，相似度计算所采用的公式可参阅上述第一种实施方式中所述的相似度计算数学表达，在此不再进行赘述。
其中，对所述当前拥堵路段分别与各条所述历史拥堵路段的相似度集合进行评分，得到各个所述相似度集合所对应的分数值的步骤，包括：对所述当前拥堵路段分别与各条所述历史拥堵路段的相似度集合中的各个相似度，采用加权计算法进行计算得到各个所述相似度集合所对应的分数值。
需要说明的是，可以根据历史拥堵路段长度、历史拥堵路段平均车速、历史拥堵路段车辆密度和历史拥堵路段交通灯等待次数分别对当前拥堵路段的车辆启停次数的预测结果的影响程度及重要性，通过特征权重学习算法来自动学习其权重。通过对相似度集合中的各个相似度进行加权优化，可以使得当前拥堵路段与各个历史拥堵路段的匹配程度更为准确，从而提高最终的车辆启停次数的预测结果的精确度。
示例性的说明，假设为当前拥堵路段长度和历史拥堵路段长度的相似度所分配的权重为3，为当前拥堵路段平均车速和历史拥堵路段平均车速的相似度所分配的权重为1，为当前拥堵路段车辆密度和历史拥堵路段车辆密度的相似度所分配的权重为2，为当前拥堵路段交通灯等待次数和历史拥堵路段交通灯等待次数的相似度所分配的权重为1，则通过加权计算可以计算得到该相似度集合所对应的分数值，所采用的数学表达可以为：K＝(3A+B+2C+D)/(3+1+2+1)，其中，K为分数值，3、1、2、1分别为上述权重，A为当前拥堵路段长度和历史拥堵路段长度的相似度，B为当前拥堵路段平均车速和历史拥堵路段平均车速的相似度，C为当前拥堵路段车辆密度和历史拥堵路段车辆密度的相似度，D为当前拥堵路段交通灯等待次数和历史拥堵路段交通灯等待次数的相似度。
步骤108，根据所述相似拥堵路段的历史启停次数，对所述当前拥堵路段的启停次数进行预测，得到预测启停次数；其中，所述预测启停次数用于计算所述当前拥堵路段的预测启停能耗。
在获得相似拥堵路段后，可以根据所述相似拥堵路段的历史启停次数，对所述当前拥堵路段的启停次数进行预测，得到预测启停次数，若采用上述第一种实施方式匹配相似拥堵路段，则该步骤具体包括：判断所述最高相似度值是否大于预设的第一阈值；若是，将所述相似拥堵路段的历史启停次数作为所述当前拥堵路段的预测启停次数；若否，将所述相似拥堵路段的历史启停次数作为基础启停次数，并根据所述当前特征信息和所述相似拥堵路段的历史特征信息之间的特征相差信息，对所述基础启停次数进行调整，得到所述当前拥堵路段的预测启停次数。
若采用上述第二种实施方式匹配相似拥堵路段，则该步骤具体包括：判断所述最高分数值是否大于预设的第二阈值；若是，将所述相似拥堵路段的历史启停次数作为所述当前拥堵路段的预测启停次数；若否，将所述相似拥堵路段的历史启停次数作为基础启停次数，并根据所述当前特征信息和所述相似拥堵路段的历史特征信息之间的特征相差信息，对所述基础启停次数进行调整，得到所述当前拥堵路段的预测启停次数。
在具体实施时，可以将第一阈值、第二阈值的数值设置为90，若最高相似度值或最高分数值大于90，则直接将相似拥堵路段所对应的历史启停次数作为当前拥堵路段的预测启停次数；若最高相似度值或最高分数值小于90，则无论是采用第一种实施方式还是第二种实施方式，都可以将所述相似拥堵路段的历史启停次数作为基础启停次数，并根据所述当前特征信息和所述相似拥堵路段的历史特征信息之间的特征相差信息，对所述基础启停次数进行调整，得到所述当前拥堵路段的预测启停次数。本申请提供四种调整方式，具体的：
在第一种调整方式中，可以根据当前拥堵路段长度和相似拥堵路段的历史拥堵路段长度的长度差，来对基础启停次数进行调整，该步骤具体包括：将所述当前拥堵路段长度减去所述相似拥堵路段的历史拥堵路段长度，得到对应的拥堵路段长度差；计算所述拥堵路段长度差和预设的第三阈值的商，得到第一商值；将所述第一商值和预设的第四阈值的乘积与所述基础启停次数进行叠加，得到所述当前拥堵路段的预测启停次数。其中，第一商值为非整数时，可以采用保留整数的方式，也可以采用四舍五入的方式进行确定。
示例性的说明，假设第三阈值设置为1km，第四阈值设置为2次，若当前拥堵路段长度大于相似拥堵路段的历史拥堵路段长度，则对应的拥堵路段长度差为正值，该拥堵路段长度差除以1再乘以2后，得到的数值与基础启停次数相加，得到当前拥堵路段的预测启停次数，其相比基础启停次数来说变大；相反的，若当前拥堵路段长度小于相似拥堵路段的历史拥堵路段长度，则对应的拥堵路段长度差为负值，最终计算得到的预测启停次数相比基础启停次数来说变小。
也就是说，当前拥堵路段长度每超过相似拥堵路段的历史拥堵路段长度1km，则对应的在基础启停次数的基础上增加2次启停次数；当前拥堵路段长度每低于相似拥堵路段的历史拥堵路段长度1km，则对应的在基础启停次数的基础上减少2次启停次数。通过比较当前拥堵路段长度和相似拥堵路段的历史拥堵路段长度之间的差值，可以根据具体的长度差值来对基础启停次数进行微调，进而更适应当前拥堵路段长度相比相似拥堵路段的历史拥堵路段长度来说更长或更短的应用场景，使得最终的预测启停次数与当前拥堵路段的真实车辆启停次数更接近，提高拥堵路段车辆启停次数的预测结果的精度。
在第二种调整方式中，可以根据当前拥堵路段平均车速和相似拥堵路段的历史拥堵路段平均车速的平均车速差，来对基础启停次数进行调整，该步骤具体包括：将所述相似拥堵路段的历史拥堵路段平均车速减去所述当前拥堵路段平均车速，得到对应的拥堵路段平均车速差；计算所述拥堵路段平均车速差和预设的第五阈值的商，得到第二商值；将所述第二商值和预设的第六阈值的乘积与所述基础启停次数进行叠加，得到所述当前拥堵路段的预测启停次数。其中，第二商值为非整数时，可以采用保留整数的方式，也可以采用四舍五入的方式进行确定。
示例性的说明，假设第五阈值设置为2kph，第六阈值设置为1次，若当前拥堵路段平均车速大于相似拥堵路段的历史拥堵路段平均车速，则对应的拥堵路段平均车速差为负值，该拥堵路段平均车速差除以2再乘以1后，得到的数值与基础启停次数相加，得到当前拥堵路段的预测启停次数，其相比基础启停次数来说变小；相反的，若当前拥堵路段平均车速小于相似拥堵路段的历史拥堵路段平均车速，则对应的拥堵路段平均车速差为正值，最终计算得到的预测启停次数相比基础启停次数来说变大。
也就是说，当前拥堵路段平均车速每超过相似拥堵路段的历史拥堵路段平均车速2kph，则对应的在基础启停次数的基础上减少1次启停次数；当前拥堵路段平均车速每低于相似拥堵路段的历史拥堵路段平均车速2kph，则对应的在基础启停次数的基础上增加1次启停次数。通过获取当前拥堵路段平均车速和相似拥堵路段的历史拥堵路段平均车速之间的差值，可以根据具体的平均车速差值来对基础启停次数进行微调，进而更适应当前拥堵路段平均车速相比相似拥堵路段的历史拥堵路段平均车速来说更大或更小的应用场景，使得最终的预测启停次数与当前拥堵路段的真实车辆启停次数更接近，提高拥堵路段车辆启停次数的预测结果的精度。
在第三种调整方式中，可以根据当前拥堵路段车辆密度和相似拥堵路段的历史拥堵路段车辆密度的车辆密度差，来对基础启停次数进行调整，该步骤具体包括：将所述当前拥堵路段车辆密度减去所述相似拥堵路段的历史拥堵路段车辆密度，得到对应的拥堵路段车辆密度差；计算所述拥堵路段车辆密度差和预设的第七阈值的商，得到第三商值；将所述第三商值和预设的第八阈值的乘积与所述基础启停次数进行叠加，得到所述当前拥堵路段的预测启停次数。其中，第三商值为非整数时，可以采用保留整数的方式，也可以采用四舍五入的方式进行确定。
示例性的说明，假设第七阈值设置为5辆/(km·车道数)，第八阈值设置为1次，若当前拥堵路段车辆密度大于相似拥堵路段的历史拥堵路段车辆密度，则对应的拥堵路段车辆密度差为正值，该拥堵路段车辆密度差除以5再乘以1后，得到的数值与基础启停次数相加，得到当前拥堵路段的预测启停次数，其相比基础启停次数来说变大；相反的，若当前拥堵路段车辆密度小于相似拥堵路段的历史拥堵路段车辆密度，则对应的拥堵路段车辆密度差为负值，最终计算得到的预测启停次数相比基础启停次数来说变小。
也就是说，当前拥堵路段车辆密度每超过相似拥堵路段的历史拥堵路段车辆密度5辆/(km·车道数)，则对应的在基础启停次数的基础上增加1次启停次数；当前拥堵路段车辆密度每低于相似拥堵路段的历史拥堵路段车辆密度5辆/(km·车道数)，则对应的在基础启停次数的基础上减少1次启停次数。通过获取当前拥堵路段车辆密度和相似拥堵路段的历史拥堵路段车辆密度之间的差值，可以根据具体的车辆密度差值来对基础启停次数进行微调，进而更适应当前拥堵路段车辆密度相比相似拥堵路段的历史拥堵路段车辆密度来说更大或更小的应用场景，使得最终的预测启停次数与当前拥堵路段的真实车辆启停次数更接近，提高拥堵路段车辆启停次数的预测结果的精度。
在第四种调整方式中，可以根据当前拥堵路段交通灯等待次数和相似拥堵路段的历史拥堵路段交通灯等待次数的交通灯等待次数差，来对基础启停次数进行调整，该步骤具体包括：将所述当前拥堵路段交通灯等待次数减去所述相似拥堵路段的历史拥堵路段交通灯等待次数，得到对应的拥堵路段交通灯等待次数差；计算所述拥堵路段交通灯等待次数差和预设的第九阈值的商，得到第四商值；将所述第四商值和预设的第十阈值的乘积与所述基础启停次数进行叠加，得到所述当前拥堵路段的预测启停次数。其中，第四商值为非整数时，可以采用保留整数的方式，也可以采用四舍五入的方式进行确定。
示例性的说明，假设第九阈值设置为1次，第十阈值设置为1次，若当前拥堵路段交通灯等待次数大于相似拥堵路段的历史拥堵路段交通灯等待次数，则对应的拥堵路段交通灯等待次数差为正值，该拥堵路段交通灯等待次数差除以1再乘以1后，得到的数值与基础启停次数相加，得到当前拥堵路段的预测启停次数，其相比基础启停次数来说变大；相反的，若当前拥堵路段交通灯等待次数小于相似拥堵路段的历史拥堵路段交通灯等待次数，则对应的拥堵路段交通灯等待次数差为负值，最终计算得到的预测启停次数相比基础启停次数来说变小。
也就是说，当前拥堵路段交通灯等待次数每超过相似拥堵路段的历史拥堵路段交通灯等待次数1次，则对应的在基础启停次数的基础上增加1次启停次数；当前拥堵路段交通灯等待次数每低于相似拥堵路段的历史拥堵路段交通灯等待次数1次，则对应的在基础启停次数的基础上减少1次启停次数。通过获取当前拥堵路段交通灯等待次数和相似拥堵路段的历史拥堵路段交通灯等待次数之间的差值，可以根据具体的交通灯等待次数差值来对基础启停次数进行微调，进而更适应当前拥堵路段交通灯等待次数相比相似拥堵路段的历史拥堵路段交通灯等待次数来说更多或更少的应用场景，使得最终的预测启停次数与当前拥堵路段的真实车辆启停次数更接近，提高拥堵路段车辆启停次数的预测结果的精度。
需要说明的是，在具体实施时，可以选择上述四种调整方式中的任意一种或一种以上对基础启停次数进行调整，从提高车辆启停次数的预测结果的准确度出发，本申请优选通过上述四种调整方式对基础启停次数进行调整，且上述四种调整方式可以采用并行时序控制方式，同步执行相关步骤。另外，为避免调整对最终的预测启停次数产生较大影响，可以对调整次数进行最大值限制，示例性的说明，每种调整方式下在基础启停次数的基础上增加或减少的次数不得超过5次。
综上所述，通过本申请的车辆启停次数的预测方法，可以将当前拥堵路段的当前特征信息与各条历史拥堵路段的历史特征信息进行匹配和对比，从各条历史拥堵路段中匹配出与当前拥堵路段最为相似的历史拥堵路段作为相似拥堵路段，然后根据相似拥堵路段的历史启停次数预测当前拥堵路段的预测启停次数；结合单次启停所需的能耗，可以获得当前拥堵路段所需的能耗，进而可以对当前导航路线所需的总能耗进行更加精准地预测；以根据当前导航路线所需的总能耗更加精准地预测车辆是否能以当前的能量通过该当前导航路线；改善现有技术中没有考虑拥堵路段车辆启停所产生的能量消耗，导致能耗预测结果不够准确，进而导致续驶预测结果存在误差的现象。因此，相比现有技术，本申请的车辆启停次数的预测方法可以对拥堵路段的车辆启停次数进行预测，进而提高车辆能耗预测和续驶预测的准确度。
在第二个实施例中，如图2所示，提供了一种能耗预测方法，以该方法应用于车身域控制器为例进行说明，包括以下步骤：
步骤202，获取单位启停能耗和当前导航路线中的当前拥堵路段所对应的预测启停次数；
步骤204，根据所述预测启停次数和所述单位启停能耗的乘积，获得所述当前拥堵路段的预测启停能耗；
步骤206，获取所述当前导航路线的预测基础能耗，叠加所述预测启停能耗和所述预测基础能耗，得到所述当前导航路线的预测总能耗。
其中，单位启停能耗可以通过实车测试后得到并将其提前设置好，使用时直接获取即可；所述预测启停次数是根据前述第一个实施例所述的车辆启停次数的预测方法的步骤获得的，相关步骤请参阅前文，在此不再进行赘述；示例性的说明，预测基础能耗可以根据路线距离能耗、乘客数量能耗、空调能耗以及热管理能耗等相加计算得到，其中，路线距离能耗可以根据当前导航路线距离乘以单位距离能耗计算得到，乘客数量能耗可以根据乘客数量乘以单位乘客能耗计算得到，本申请不对空调能耗和热管理能耗的计算方式进行限定。
综上所述，通过对当前导航路线中的当前拥堵路段的车辆启停次数进行预测，得到预测启停次数，再结合单次启停所需的能耗，可以获得当前拥堵路段所需的能耗，从而可以对当前导航路线所需的总能耗进行更加精准地预测；进而可以根据当前导航路线所需的总能耗更加精准地预测车辆是否能以当前的能量通过该当前导航路线；改善现有技术中没有考虑拥堵路段车辆启停所产生的能量消耗，导致能耗预测结果不够准确，进而导致续驶预测结果存在误差的现象。因此，相比现有技术，本申请的能耗预测方法考虑了拥堵路段车辆启停所带来的能量消耗问题，进而提高了车辆能耗预测和续驶预测的准确度。
应该理解的是，虽然图1-2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。而且，图1-2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。
第三个实施例中，如图3所示，提供了一种车辆启停次数的预测装置，包括：第一获取单元、第二获取单元、路段匹配单元和启停次数预测单元，其中：
第一获取单元，用于获取当前拥堵路段和所述当前拥堵路段的当前特征信息；
第二获取单元，用于获取若干条历史拥堵路段以及各条所述历史拥堵路段所对应的历史特征信息和历史启停次数；
路段匹配单元，用于将所述当前特征信息与各个所述历史特征信息进行匹配，得到相似拥堵路段，其中，所述相似拥堵路段表示所述若干条历史拥堵路段中与所述当前拥堵路段相似度最高的历史拥堵路段；
启停次数预测单元，用于根据所述相似拥堵路段的历史启停次数，对所述当前拥堵路段的启停次数进行预测，得到预测启停次数，其中，所述预测启停次数用于计算所述当前拥堵路段的预测启停能耗。
具体的，所述当前特征信息至少包括以下特征参数中的一种：当前拥堵路段长度、当前拥堵路段平均车速、当前拥堵路段车辆密度以及当前拥堵路段交通灯等待次数；所述历史特征信息至少包括以下特征参数中的一种：历史拥堵路段长度、历史拥堵路段平均车速、历史拥堵路段车辆密度以及历史拥堵路段交通灯等待次数。
具体的，路段匹配单元用于将所述当前特征信息与各个所述历史特征信息进行匹配，得到相似拥堵路段的步骤，包括：对所述当前特征信息的各个特征参数与每个所述历史特征信息的各个特征参数进行相似度计算后进行叠加，得到所述当前拥堵路段分别与各条所述历史拥堵路段的相似度值；将所述当前拥堵路段分别与各条所述历史拥堵路段的相似度值进行对比，得到最高相似度值，将所述最高相似度值所指向的历史拥堵路段作为所述相似拥堵路段。
具体的，路段匹配单元用于将所述当前特征信息与各个所述历史特征信息进行匹配，得到相似拥堵路段的步骤，包括：对所述当前特征信息的各个特征参数与各个所述历史特征信息的各个特征参数进行相似度计算，得到所述当前拥堵路段分别与各条所述历史拥堵路段的相似度集合；对所述当前拥堵路段分别与各条所述历史拥堵路段的相似度集合进行评分，得到各个所述相似度集合所对应的分数值；将各个所述相似度集合所对应的分数值进行对比，得到最高分数值，将所述最高分数值所指向的历史拥堵路段作为所述相似拥堵路段。
具体的，路段匹配单元用于对所述当前拥堵路段分别与各条所述历史拥堵路段的相似度集合进行评分，得到各个所述相似度集合所对应的分数值的步骤，包括：对所述当前拥堵路段分别与各条所述历史拥堵路段的相似度集合中的各个相似度，采用加权计算法进行计算得到各个所述相似度集合所对应的分数值。
具体的，启停次数预测单元用于根据所述相似拥堵路段的历史启停次数，对所述当前拥堵路段的启停次数进行预测，得到预测启停次数的步骤，包括：判断所述最高相似度值是否大于预设的第一阈值，或判断所述最高分数值是否大于预设的第二阈值；若是，将所述相似拥堵路段的历史启停次数作为所述当前拥堵路段的预测启停次数；若否，将所述相似拥堵路段的历史启停次数作为基础启停次数，并根据所述当前特征信息和所述相似拥堵路段的历史特征信息之间的特征相差信息，对所述基础启停次数进行调整，得到所述当前拥堵路段的预测启停次数。
具体的，启停次数预测单元用于根据所述当前特征信息和所述相似拥堵路段的历史特征信息之间的特征相差信息，对所述基础启停次数进行调整，得到所述当前拥堵路段的预测启停次数的步骤，包括：将所述当前拥堵路段长度减去所述相似拥堵路段的历史拥堵路段长度，得到对应的拥堵路段长度差；计算所述拥堵路段长度差和预设的第三阈值的商，得到第一商值；将所述第一商值和预设的第四阈值的乘积与所述基础启停次数进行叠加，得到所述当前拥堵路段的预测启停次数。
具体的，启停次数预测单元用于根据所述当前特征信息和所述相似拥堵路段的历史特征信息之间的特征相差信息，对所述基础启停次数进行调整，得到所述当前拥堵路段的预测启停次数的步骤，包括：将所述相似拥堵路段的历史拥堵路段平均车速减去所述当前拥堵路段平均车速，得到对应的拥堵路段平均车速差；计算所述拥堵路段平均车速差和预设的第五阈值的商，得到第二商值；将所述第二商值和预设的第六阈值的乘积与所述基础启停次数进行叠加，得到所述当前拥堵路段的预测启停次数。
具体的，启停次数预测单元用于根据所述当前特征信息和所述相似拥堵路段的历史特征信息之间的特征相差信息，对所述基础启停次数进行调整，得到所述当前拥堵路段的预测启停次数的步骤，包括：将所述当前拥堵路段车辆密度减去所述相似拥堵路段的历史拥堵路段车辆密度，得到对应的拥堵路段车辆密度差；计算所述拥堵路段车辆密度差和预设的第七阈值的商，得到第三商值；将所述第三商值和预设的第八阈值的乘积与所述基础启停次数进行叠加，得到所述当前拥堵路段的预测启停次数。
具体的，启停次数预测单元用于根据所述当前特征信息和所述相似拥堵路段的历史特征信息之间的特征相差信息，对所述基础启停次数进行调整，得到所述当前拥堵路段的预测启停次数的步骤，包括：将所述当前拥堵路段交通灯等待次数减去所述相似拥堵路段的历史拥堵路段交通灯等待次数，得到对应的拥堵路段交通灯等待次数差；计算所述拥堵路段交通灯等待次数差和预设的第九阈值的商，得到第四商值；将所述第四商值和预设的第十阈值的乘积与所述基础启停次数进行叠加，得到所述当前拥堵路段的预测启停次数。
关于车辆启停次数的预测装置的具体限定可以参见上文中对于车辆启停次数的预测方法的限定，在此不再赘述。上述车辆启停次数的预测装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
第四个实施例中，如图4所示。提供了一种能耗预测装置，包括：第三获取单元、启停能耗预测单元和总能耗预测单元，其中：
第三获取单元，用于获取单位启停能耗和当前导航路线中的当前拥堵路段所对应的预测启停次数，其中，所述预测启停次数是根据前述第一个实施例所述的车辆启停次数的预测方法的步骤获得的；
启停能耗预测单元，用于根据所述预测启停次数和所述单位启停能耗的乘积，获得所述当前拥堵路段的预测启停能耗；
总能耗预测单元，用于获取所述当前导航路线的预测基础能耗，叠加所述预测启停能耗和所述预测基础能耗，得到所述当前导航路线的预测总能耗。
关于能耗预测装置的具体限定可以参见上文中对于能耗预测方法的限定，在此不再赘述。上述能耗预测装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。

Claims (10)

1.一种车辆启停次数的预测方法，其特征在于，包括：
获取当前拥堵路段和所述当前拥堵路段的当前特征信息；
获取若干条历史拥堵路段以及各条所述历史拥堵路段所对应的历史特征信息和历史启停次数；
将所述当前特征信息与各个所述历史特征信息进行匹配，得到相似拥堵路段，其中，所述相似拥堵路段表示所述若干条历史拥堵路段中与所述当前拥堵路段相似度最高的历史拥堵路段；
根据所述相似拥堵路段的历史启停次数，对所述当前拥堵路段的启停次数进行预测，得到预测启停次数，其中，所述预测启停次数用于计算所述当前拥堵路段的预测启停能耗。
2.根据权利要求1所述的车辆启停次数的预测方法，其特征在于，
所述当前特征信息至少包括以下特征参数中的一种：当前拥堵路段长度、当前拥堵路段平均车速、当前拥堵路段车辆密度以及当前拥堵路段交通灯等待次数；
所述历史特征信息至少包括以下特征参数中的一种：历史拥堵路段长度、历史拥堵路段平均车速、历史拥堵路段车辆密度以及历史拥堵路段交通灯等待次数。
3.根据权利要求2所述的车辆启停次数的预测方法，其特征在于，将所述当前特征信息与各个所述历史特征信息进行匹配，得到相似拥堵路段的步骤，包括：
对所述当前特征信息的各个特征参数与每个所述历史特征信息的各个特征参数进行相似度计算后进行叠加，得到所述当前拥堵路段分别与各条所述历史拥堵路段的相似度值；
将所述当前拥堵路段分别与各条所述历史拥堵路段的相似度值进行对比，得到最高相似度值，将所述最高相似度值所指向的历史拥堵路段作为所述相似拥堵路段。
4.根据权利要求2所述的车辆启停次数的预测方法，其特征在于，将所述当前特征信息与各个所述历史特征信息进行匹配，得到相似拥堵路段的步骤，包括：
对所述当前特征信息的各个特征参数与各个所述历史特征信息的各个特征参数进行相似度计算，得到所述当前拥堵路段分别与各条所述历史拥堵路段的相似度集合；
对所述当前拥堵路段分别与各条所述历史拥堵路段的相似度集合进行评分，得到各个所述相似度集合所对应的分数值；
将各个所述相似度集合所对应的分数值进行对比，得到最高分数值，将所述最高分数值所指向的历史拥堵路段作为所述相似拥堵路段。
5.根据权利要求3或4所述的车辆启停次数的预测方法，其特征在于，根据所述相似拥堵路段的历史启停次数，对所述当前拥堵路段的启停次数进行预测，得到预测启停次数的步骤，包括：
判断所述最高相似度值是否大于预设的第一阈值，或判断所述最高分数值是否大于预设的第二阈值；
若是，将所述相似拥堵路段的历史启停次数作为所述当前拥堵路段的预测启停次数；
若否，将所述相似拥堵路段的历史启停次数作为基础启停次数，并根据所述当前特征信息和所述相似拥堵路段的历史特征信息之间的特征相差信息，对所述基础启停次数进行调整，得到所述当前拥堵路段的预测启停次数。
6.根据权利要求5所述的车辆启停次数的预测方法，其特征在于，根据所述当前特征信息和所述相似拥堵路段的历史特征信息之间的特征相差信息，对所述基础启停次数进行调整，得到所述当前拥堵路段的预测启停次数的步骤，包括：
将所述当前拥堵路段长度减去所述相似拥堵路段的历史拥堵路段长度，得到对应的拥堵路段长度差；
计算所述拥堵路段长度差和预设的第三阈值的商，得到第一商值；
将所述第一商值和预设的第四阈值的乘积与所述基础启停次数进行叠加，得到所述当前拥堵路段的预测启停次数。
7.根据权利要求5所述的车辆启停次数的预测方法，其特征在于，根据所述当前特征信息和所述相似拥堵路段的历史特征信息之间的特征相差信息，对所述基础启停次数进行调整，得到所述当前拥堵路段的预测启停次数的步骤，包括：
将所述相似拥堵路段的历史拥堵路段平均车速减去所述当前拥堵路段平均车速，得到对应的拥堵路段平均车速差；
计算所述拥堵路段平均车速差和预设的第五阈值的商，得到第二商值；
将所述第二商值和预设的第六阈值的乘积与所述基础启停次数进行叠加，得到所述当前拥堵路段的预测启停次数。
8.根据权利要求5所述的车辆启停次数的预测方法，其特征在于，根据所述当前特征信息和所述相似拥堵路段的历史特征信息之间的特征相差信息，对所述基础启停次数进行调整，得到所述当前拥堵路段的预测启停次数的步骤，包括：
将所述当前拥堵路段车辆密度减去所述相似拥堵路段的历史拥堵路段车辆密度，得到对应的拥堵路段车辆密度差；
计算所述拥堵路段车辆密度差和预设的第七阈值的商，得到第三商值；
将所述第三商值和预设的第八阈值的乘积与所述基础启停次数进行叠加，得到所述当前拥堵路段的预测启停次数。
9.根据权利要求5所述的车辆启停次数的预测方法，其特征在于，根据所述当前特征信息和所述相似拥堵路段的历史特征信息之间的特征相差信息，对所述基础启停次数进行调整，得到所述当前拥堵路段的预测启停次数的步骤，包括：
将所述当前拥堵路段交通灯等待次数减去所述相似拥堵路段的历史拥堵路段交通灯等待次数，得到对应的拥堵路段交通灯等待次数差；
计算所述拥堵路段交通灯等待次数差和预设的第九阈值的商，得到第四商值；
将所述第四商值和预设的第十阈值的乘积与所述基础启停次数进行叠加，得到所述当前拥堵路段的预测启停次数。
10.一种能耗预测方法，其特征在于，所述方法包括：
获取单位启停能耗和当前导航路线中的当前拥堵路段所对应的预测启停次数；其中，所述预测启停次数是根据权利要求1-9中任一项所述的车辆启停次数的预测方法的步骤获得的；
根据所述预测启停次数和所述单位启停能耗的乘积，获得所述当前拥堵路段的预测启停能耗；
获取所述当前导航路线的预测基础能耗，叠加所述预测启停能耗和所述预测基础能耗，得到所述当前导航路线的预测总能耗。
CN202311428472.2A 2023-10-31 2023-10-31 车辆启停次数的预测方法和能耗预测方法 Pending CN117494878A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311428472.2A CN117494878A (zh) 2023-10-31 2023-10-31 车辆启停次数的预测方法和能耗预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311428472.2A CN117494878A (zh) 2023-10-31 2023-10-31 车辆启停次数的预测方法和能耗预测方法

Publications (1)

Publication Number Publication Date
CN117494878A true CN117494878A (zh) 2024-02-02

Family

ID=89675606

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311428472.2A Pending CN117494878A (zh) 2023-10-31 2023-10-31 车辆启停次数的预测方法和能耗预测方法

Country Status (1)

Country Link
CN (1) CN117494878A (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2014188586A1 (ja) * 2013-05-24 2014-11-27 株式会社日立製作所 交通量推定システム
CN105383495A (zh) * 2014-08-29 2016-03-09 福特全球技术公司 使用物理模型的基于路线的能耗估计
JP2018073322A (ja) * 2016-11-04 2018-05-10 住友電気工業株式会社 旅行時間予測プログラム、旅行時間予測装置および旅行時間予測方法
CN113780643A (zh) * 2021-08-31 2021-12-10 陕西燃气集团新能源发展股份有限公司 一种基于事例推理的光伏电站短期出力预测方法
JP2023137335A (ja) * 2022-03-18 2023-09-29 Kddi株式会社 未走行道路区間における移動体の消費電力量を推定する推定装置、プログラム及び方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2014188586A1 (ja) * 2013-05-24 2014-11-27 株式会社日立製作所 交通量推定システム
CN105383495A (zh) * 2014-08-29 2016-03-09 福特全球技术公司 使用物理模型的基于路线的能耗估计
JP2018073322A (ja) * 2016-11-04 2018-05-10 住友電気工業株式会社 旅行時間予測プログラム、旅行時間予測装置および旅行時間予測方法
CN113780643A (zh) * 2021-08-31 2021-12-10 陕西燃气集团新能源发展股份有限公司 一种基于事例推理的光伏电站短期出力预测方法
JP2023137335A (ja) * 2022-03-18 2023-09-29 Kddi株式会社 未走行道路区間における移動体の消費電力量を推定する推定装置、プログラム及び方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
李俊达;李远富;何志敏;彭引;周静;: "基于案例推理的公路工程造价快速估算模型", 交通科技, no. 06, 15 December 2017 (2017-12-15), pages 87 - 89 *

Similar Documents

Publication Publication Date Title
CN106427987B (zh) 控制混合动力车辆的***和方法
US20100305798A1 (en) System And Method For Vehicle Drive Cycle Determination And Energy Management
US20180170357A1 (en) Hybrid vehicle and method of controlling mode transition
CN109484391B (zh) 一种车辆能量管理方法及相关设备
CN112224089A (zh) 基于能耗的行程规划方法、装置、电子设备及存储介质
CN110550030B (zh) 无人车的变道控制方法、装置、计算机设备和存储介质
CN107489504B (zh) 用于规划用于废气后处理的措施的方法和控制装置
CN110969834B (zh) 处理方法、装置、计算机设备、存储介质及车辆调度***
CN111071259B (zh) 车速预测方法、装置、车辆控制装置和存储介质
CN110816545A (zh) 车辆速度的控制方法、装置、车辆和存储介质
CN113415288B (zh) 分段式纵向车速规划方法、装置、设备及存储介质
CN114274780A (zh) 车辆续航里程预测方法、装置、设备和存储介质
CN114162133A (zh) 驾驶场景的风险评估方法、装置和计算机可读存储介质
CN111354161A (zh) 疲劳驾驶的提醒方法、装置、计算机设备和存储介质
CN113942364B (zh) 用于控制驻车空调的方法、装置及驻车空调
CN108877276B (zh) 快速预测公交行驶时间方法、装置及计算机终端
CN117494878A (zh) 车辆启停次数的预测方法和能耗预测方法
CN112613128B (zh) 续航里程的预测方法、装置、设备、车辆和存储介质
CN112389445A (zh) 车辆驾驶调控方法、装置、车载设备及可读存储介质
CN115204755B (zh) 服务区入区率测算方法、装置、电子设备及可读存储介质
CN116429138A (zh) 路径规划方法、装置、车辆及存储介质
CN115938155A (zh) 一种路侧停车位的智能检测方法
US20240053161A1 (en) Method for Predicting a Velocity Profile of a Vehicle
CN115056778A (zh) 确定车辆路线中可用再生制动能量的装置和方法
Billert et al. Predictive battery thermal management using quantile convolutional neural networks

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