一种车辆行程能耗的预测方法及装置与流程

1.本发明涉及车辆技术领域，具体而言，本发明涉及一种车辆行程能耗的预测方法及装置。


背景技术：

2.现有技术关于车辆行程能耗预测，主要有以下解决方案：
3.一种解决方案为：利用车辆在标准路况下采集的实验数据，制作荷电状态(soc，state of charge)与剩余里程的对照表。当需要计算车辆的剩余电量可以行使的剩余里程时，根据当前的soc值查表得到剩余里程的预测值。另一种解决方案为：根据车辆在过去若干公里(如100公里)的平均能耗作为预测剩余里程的参考能耗，基于该参考能耗计算得到车辆的剩余电量可以行使的剩余里程。以上两种解决方案，实施难度小成本低，但由于均未考虑车辆行驶的实际路况，因此预测结果的准确性不高。
4.现有技术还有另外一些预测车辆行程能耗的方案，通过增加更多的信息，如实时路况，或者引入复杂的模型，如神经网络或随机森林等机器学习方法，进行能耗预测。上述方案需要收集实时路况信息，并且所引入的复杂模型需要设备具有强大的计算能力，为了支持上述方案，通常需要投入较多的软硬件成本，不利于工程化实施。


技术实现要素：

5.本发明实施例要解决的技术问题是提供一种车辆行程能耗的预测方法及装置，提高能耗预测结果的准确性，降低能耗预测的实现成本。
6.为解决上述技术问题，根据本发明的一个方面，提供了一种车辆行程能耗的预测方法，包括：
7.根据预先收集的预设区域内多个车辆的行程记录，训练得到每一车辆在每一路段的车辆路段能耗预测模型和每一车型的车辆在每一路段的车型路段能耗预测模型，其中，所述行程记录包括每个行程的出行时间、出行条件、车辆标识、车型标识、车辆在各个采样时间点的地理位置和能耗数据；
8.根据车辆或车辆所属车型的默认能耗和路段的长度，生成车辆的默认路段能耗预测模型；
9.利用目标车辆的车辆路段能耗预测模型、车型路段能耗预测模型和默认路段能耗预测模型中的至少一个，预测所述目标车辆在候选出行路径上行驶所需要的总能量。
10.此外，根据本发明的至少一个实施例，在预测目标车辆在候选出行路径上行驶所需要的总能量的步骤之前，所述方法还包括：
11.针对每个车辆，分别生成所述预设区域的能耗网格，所述能量需求网格包括所述预设区域内的每个路段所关联的能耗预测模型，其中：
12.在该路段存在该车辆的车辆路段能耗预测模型时，该路段所关联的能耗预测模型为该车辆在该路段的车辆路段能耗预测模型；
13.在该路段不存在该车辆的车辆路段能耗预测模型时，但存在该车辆的车型路段能耗预测模型，该路段所关联的能耗预测模型为该车辆在该路段的车型路段能耗预测模型与第一比率的乘积；
14.在仅存在该车辆的默认路段能耗预测模型时，该路段所关联的能耗预测模型为该车辆的默认路段能耗预测模型与第二比率的乘积；
15.其中，所述第一比率为该车辆在所有路段上平均能耗与该车辆所属车型的车辆在所有路段上的平均能耗的比值；所述第二比率为该车辆在所有路段上平均能耗与该车辆或车辆所属车型的默认能耗的比值。
16.此外，根据本发明的至少一个实施例，预测目标车辆在候选出行路径上行驶所需要的总能量的步骤，包括：
17.根据所述候选出行路径所经过的各个路段，查找所述目标车辆的能耗网格，获得目标车辆在各个路段所关联的能耗预测模型，利用所获得的能耗预测模型，计算得到各个路段的能耗需求并累积，得到目标车辆经过候选出行路径所需要的总能量。
18.此外，根据本发明的至少一个实施例，训练每一车辆在每一路段的车辆路段能耗预测模型的步骤，包括：
19.将每个行程记录拆分为该行程的各个路段的子行程；
20.针对每个路段的每一子行程，根据该子行程中该路段上各个采样时间点的能耗数据的平均值和该路段的长度，计算得到该子行程中对应车辆在该路段所需要的能量，并生成一个子行程记录，所述子行程记录包括有出行时间、出行条件、车辆标识、车型标识、车辆在该子行程中所需要的能量；
21.按照车辆标识和路段标识，对所述子行程记录进行分组，得到多个第一分组，每个第一分组包括有车辆标识和路段标识均相同的子行程记录；
22.分别利用每个第一分组，训练一个决策树模型，得到每个第一分组所对应的车辆在对应路段的车辆路段能耗预测模型。
23.此外，根据本发明的至少一个实施例，训练每一车型的车辆在每一路段的车型路段能耗预测模型的步骤，包括：
24.按照车型标识和路段标识，对所述子行程记录进行分组，得到多个第二分组，每个第二分组包括有车型标识和路段标识均相同的子行程记录；
25.分别利用每个第二分组，训练一个决策树模型，得到每个第一分组所对应的车型的车辆在对应路段的车型路段能耗预测模型。
26.此外，根据本发明的至少一个实施例，所述方法还包括：按照以下方式，计算得到所述第一比率和第二比例：
27.针对每个车辆，分别根据该车辆的所有子行程记录，计算该车辆的第一平均能耗；根据该车辆所属车型的所有子行程记录，计算该车辆所属车型的第二平均能耗；计算所述第一平均能耗与第二平均能耗的比值，得到所述第一比率；
28.以及，计算所述第一平均能耗与该车辆或车辆所属车型的默认能耗之间的比值，得到所述第二比率。
29.此外，根据本发明的至少一个实施例，所述方法还包括：
30.根据基于所述能耗网格预测得到的所述目标车辆在至少一条候选出行路径上行
驶所需要的总能量，从所述至少一条候选出行路径中，选择出满足预设路径选择策略的目标出行路径，并提示所述目标出行路径所需要的总能量。
31.此外，根据本发明的至少一个实施例，所述出行条件包括：气温和车辆胎压中的至少一种。
32.此外，根据本发明的至少一个实施例，所述路段为存在有行程记录的一段道路、且根据所述行程记录未发现该道路中存在道路分叉口。
33.根据本发明的另一方面，还提供了一种车辆行程能耗的预测装置，包括：
34.第一模型生成单元，用于根据预先收集的预设区域内多个车辆的行程记录，训练得到每一车辆在每一路段的车辆路段能耗预测模型和每一车型的车辆在每一路段的车型路段能耗预测模型，其中，所述行程记录包括每个行程的出行时间、出行条件、车辆标识、车型标识、车辆在各个采样时间点的地理位置和能耗数据；
35.第二模型生成单元，用于根据车辆或车辆所属车型的默认能耗和路段的长度，生成车辆的默认路段能耗预测模型；
36.能耗预测单元，用于利用目标车辆的车辆路段能耗预测模型、车型路段能耗预测模型和默认路段能耗预测模型中的至少一个，预测所述目标车辆在候选出行路径上行驶所需要的总能量。
37.此外，根据本发明的至少一个实施例，所述预测装置还包括：
38.能耗网格生成单元，用于针对每个车辆，分别生成所述预设区域的能耗网格，所述能量需求网格包括所述预设区域内的每个路段所关联的能耗预测模型，其中：
39.在该路段存在该车辆的车辆路段能耗预测模型时，该路段所关联的能耗预测模型为该车辆在该路段的车辆路段能耗预测模型；
40.在该路段不存在该车辆的车辆路段能耗预测模型时，但存在该车辆的车型路段能耗预测模型，该路段所关联的能耗预测模型为该车辆在该路段的车型路段能耗预测模型与第一比率的乘积；
41.在仅存在该车辆的默认路段能耗预测模型时，该路段所关联的能耗预测模型为该车辆的默认路段能耗预测模型与第二比率的乘积；
42.其中，所述第一比率为该车辆在所有路段上平均能耗与该车辆所属车型的车辆在所有路段上的平均能耗的比值；所述第二比率为该车辆在所有路段上平均能耗与该车辆或车辆所属车型的默认能耗的比值。
43.此外，根据本发明的至少一个实施例，所述第一模型获取单元包括：
44.行程记录拆分单元，用于将每个行程记录拆分为该行程的各个路段的子行程；
45.子行程处理单元，用于针对每个路段的每一子行程，根据该子行程中该路段上各个采样时间点的能耗数据的平均值和该路段的长度，计算得到该子行程中对应车辆在该路段所需要的能量，并生成一个子行程记录，所述子行程记录包括有出行时间、出行条件、车辆标识、车型标识、车辆在该子行程中所需要的能量；
46.第一分组单元，用于按照车辆标识和路段标识，对所述子行程记录进行分组，得到多个第一分组，每个第一分组包括有车辆标识和路段标识均相同的子行程记录；
47.第一训练单元，用于分别利用每个第一分组，训练一个决策树模型，得到每个第一分组所对应的车辆在对应路段的车辆路段能耗预测模型。
48.此外，根据本发明的至少一个实施例，所述第一模型获取单元还包括：
49.第二分组单元，用于按照车型标识和路段标识，对所述子行程记录进行分组，得到多个第二分组，每个第二分组包括有车型标识和路段标识均相同的子行程记录；
50.第二训练单元，用于分别利用每个第二分组，训练一个决策树模型，得到每个第一分组所对应的车型的车辆在对应路段的车型路段能耗预测模型。
51.此外，根据本发明的至少一个实施例，所述预测装置还包括：
52.路径推荐单元，用于根据基于所述能耗网格预测得到的所述目标车辆在至少一条候选出行路径上行驶所需要的总能量，从所述至少一条候选出行路径中，选择出满足预设路径选择策略的目标出行路径，并提示所述目标出行路径所需要的总能量。
53.本发明实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质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所述的车辆行程能耗的预测方法的步骤。
54.与现有技术相比，本发明实施例提供的车辆行程能耗的预测方法及装置，至少具有以下有益效果：本发明实施例的预测方法综合考虑了个人驾驶习惯、路况信息和出行条件，能够提高能耗预测结果的准确性，且易于工程化实施，具有计算量较小，实施成本较低等优点。
附图说明
55.为了更清楚地说明本发明实施例的技术方案，下面将对本发明实施例的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发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
56.图1为本发明实施例提供的车辆行程能耗的预测装置的一种系统框图；
57.图2为本发明实施例提供的车辆行程能耗的预测方法的一种流程示意图；
58.图3为本发明实施例的预测方法与传统方法的预测误差的分布示意图；
59.图4为本发明实施例提供的车辆行程能耗的预测装置的一种结构示意图；
60.图5为本发明实施例提供的车辆行程能耗的预测装置的另一结构示意图。
具体实施方式
61.为使本发明要解决的技术问题、技术方案和优点更加清楚，下面将结合附图及具体实施例进行详细描述。在下面的描述中，提供诸如具体的配置和组件的特定细节仅仅是为了帮助全面理解本发明的实施例。因此，本领域技术人员应该清楚，可以对这里描述的实施例进行各种改变和修改而不脱离本发明的范围和精神。另外，为了清楚和简洁，省略了对已知功能和构造的描述。
62.应理解，说明书通篇中提到的“一个实施例”或“一实施例”意味着与实施例有关的特定特征、结构或特性包括在本发明的至少一个实施例中。因此，在整个说明书各处出行的“在一个实施例中”或“在一实施例中”未必一定指相同的实施例。此外，这些特定的特征、结构或特性可以任意适合的方式结合在一个或多个实施例中。
63.在本发明的各种实施例中，应理解，下述各过程的序号的大小并不意味着执行顺
序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限定。
64.如背景技术所述的，现有技术的车辆行程能耗的预测方法，通常存在着实施成本低的方案存在着预测结果准确性差，而预测准确性较高的方案又存在着实施成本高的问题，为了解决以上问题中的至少一种，本发明实施例提供了一种车辆行程能耗的预测方法，该方法在实施成本和预测结果的准确性之间进行折衷处理，可以提高能耗预测结果的准确性，降低能耗预测的实现成本。
65.图1为本发明实施例的车辆行程能耗的预测装置的一种系统框图的示意图。图1所示的车辆行程能耗的预测装置10包括在线模块101和离线模块102，其中，在线模块101又分别包括数据收集单元、路径推荐单元、能耗预测单元和用户接口，离线模块102包括数据处理单元、模型生成单元、能耗网格生成单元和系统管理单元。
66.在图1中：
67.所述数据收集模块用于收集预设区域(如某个目标城市或某个目标地区)内多个车辆的行程记录，并存储在数据存储单元(图1中的data storage)。
68.所述数据处理单元用于对这些数据进行预处理，所述预处理可以包括数据清洗和噪声去除等。
69.所述模型生成单元，用于根据所述数据处理单元处理后的数据，生成本发明实施例的三种能耗预测模型。需要说明的是，这里的能预测模型是针对每个路段分别生成的，即可以为所述预设区域内的每个路段分别生成3个能耗预测模型，另外，本发明实施例所述的路段，是指存在有行程记录的一段道路、且根据所述行程记录未发现该道路中存在道路分叉口。
70.所述能耗网格生成单元，则根据每个路段的能耗预测模型，为每个车辆生成所述预设区域的能耗网格，所述能量需求网格包括所述预设区域内的每个路段所关联的能耗预测模型。所述能耗网格生成单元生成的能耗网格可以保存在网格存储单元(图1中的grid storage)，并且本发明实施例可以根据行程记录的更新周期，定期或不定期地执行以上各个模块，以更新能耗网格。
71.在生成能耗网格之后，本发明实施例可以通过用户接口接收用户的能耗预测需求或路径推荐请求，并通过所述能耗预测单元和路径推荐单元为用户提供相应的服务。其中，所述能耗预测单元，可以根据所述能耗网格预测某个特定车辆在某个路径上行驶所需要的总能量，所述路径推荐单元可以根据预设的路径选择策略，从多个候选出行路径中为用户选择最佳成本的目标出行路径并通过用户接口展示给用户。
72.通过对各种车辆的能耗数据的分析，发明人发现：影响行程能耗的因素众多，通常包括4个主要影响因素。首先是车辆型号，不同型号的车辆通常具有不同能耗；其次是路线及路况因素，不同的路线的长短及路况(比如道路海拔的升降幅度)所需求能耗不同；再次，驾驶习惯(比如喜欢频繁急加速急刹车的驾驶习惯，或者平稳匀速行驶的驾驶习惯)也会影响能量需求；最后则是出行条件，比如出行时间，车辆载荷，空气温度等，通常，车辆载荷越重能耗越大(本发明实施例使用胎压来近似表示车辆载荷)；气温也会影响发动机和电池效率，进而对影响车辆能耗。除了以上因素之外，还可能有其他一些次要因素，如：a)空调、多媒体播放设备等附件能耗，b)交通状况等。为了简化处理，对于这些次要因素产生的能量需
求变化，本文中将其作为一种随机扰动而不予考虑。
73.如图2所示，本发明实施例提供的一种车辆行程能耗的预测方法，包括：
74.步骤21，根据预先收集的预设区域内多个车辆的行程记录，训练得到每一车辆在每一路段的车辆路段能耗预测模型和每一车型的车辆在每一路段的车型路段能耗预测模型，其中，所述行程记录包括每个行程的出行时间、出行条件、车辆标识、车型标识、车辆在各个采样时间点的地理位置和能耗数据。
75.这里，预设区域是需要进行路径规划的目标区域，例如，某个城市或某个地区。本发明实施例可以利用预设区域的各种车辆的行程记录，训练得到多个能预测模型。一条行程记录为某个特定车辆在所述预设区域内的一次行程中所收集的相关数据，通常车辆可以按照预设采样周期，在每个采样时间点上报数据，这些数据具体可以包括行程的出行时间、出行条件、车辆标识、车型标识、车辆在各个采样时间点的地理位置和能耗数据。
76.其中，所述出行时间可以包括具体的日期和时间。所述出行条件具体包括当前的气温和车辆胎压中的至少一种。所述车辆标识用于唯一标识某个特定的车辆，所述车型标识则是所述车辆所属的车型，具体可以是某个车辆所属的品牌和型号。地理位置可以是经纬度坐标，能耗数据可以是当前的实时能耗，如当前的每百公里的平均耗电量。基于所述能耗数据，可以计算得到某个行程记录中车辆通过某个路段所需要的能量，例如，可以将计算该行程记录中该路段中采集到的实时能耗的平均值，然后乘以该路段的长度，得到该路段所需要的能量。
77.步骤22，根据车辆或车辆所属车型的默认能耗，生成车辆的默认路段能耗预测模型。
78.这里，本发明实施例还针对每个车辆，根据该车辆或该车辆所属车型的默认能耗，生成车辆的默认路段能耗预测模型。例如，通常每个车辆或每种车型都有一个出厂前设置的默认能耗数据，表示该车辆或车型在在某种路况下的默认能耗，本发明实施例可以直接采用该默认能耗，生成车辆的默认路段能耗预测模型，该默认路段能耗预测模型用于表示该车辆在任意路段上的默认能耗，针对某个特定路段的具体能耗，可以是将默认能耗乘以该特定路段的长度。
79.步骤23，利用目标车辆的车辆路段能耗预测模型、车型路段能耗预测模型和默认路段能耗预测模型中的至少一个，预测所述目标车辆在候选出行路径上行驶所需要的总能量。
80.在获得步骤21～22中的能耗预测模型后，本发明实施例可以利用上述模型，预测目标车辆在某个候选出行路径上行驶所需要的总能量。例如，分别计算出候选出行路径上各个路段所需要的能量，然后累加得到所述总能量。
81.作为一种实现方式，针对任意路段，车辆在该路段上的车辆路段能耗预测模型、车型路段能耗预测模型和默认路段能耗预测模型的优先级依次降低。在计算候选出行路径上的各个路段的能耗，采用该路段上存在的优先级最高的能耗预测模型，计算该路段的能耗。
82.通过以上步骤，本发明实施例利用预先收集的行程记录，生成多个能耗预测模型，由于行程记录中包括有出行条件以及驾驶员在具体路段的行驶数据，从而在模型中综合考虑了个人驾驶习惯、路况信息和出行条件，使得模型预测结果的准确性得以提高。另外，本发明实施例在训练模型以及预测候选出行路径的能耗需求时，不需要考虑实时路况信息，
并且可以采用较为简单的算法模型实施以上方案，从而降低了方案的计算量和实现成本，使得方案易于工程化实施。
83.在本发明实施例中，在获得车辆的相关能耗预测模型之后，还可以针对每个车辆，分别生成所述预设区域的能耗网格。这里，所述能量需求网格包括所述预设区域内的每个路段所关联的能耗预测模型，其中：
84.1)在该路段存在该车辆的车辆路段能耗预测模型时，该路段所关联的能耗预测模型为该车辆在该路段的车辆路段能耗预测模型；
85.2)在该路段不存在该车辆的车辆路段能耗预测模型时，但存在该车辆的车型路段能耗预测模型，该路段所关联的能耗预测模型为该车辆在该路段的车型路段能耗预测模型与第一比率的乘积；
86.3)在仅存在该车辆的默认路段能耗预测模型时，该路段所关联的能耗预测模型为该车辆的默认路段能耗预测模型与第二比率的乘积。
87.其中，所述第一比率为该车辆在所有路段上平均能耗与该车辆所属车型的车辆在所有路段上的平均能耗的比值；所述第二比率为该车辆在所有路段上平均能耗与该车辆或车辆所属车型的默认能耗的比值。
88.这样，在步骤23中，可以根据所述候选出行路径所经过的各个路段，查找所述目标车辆的能耗网格，获得目标车辆在各个路段所关联的能耗预测模型，利用所获得的能耗预测模型以及候选出行路径所对应的出行条件，计算得到各个路段的能耗需求并累积，得到目标车辆经过候选出行路径所需要的总能量。
89.作为一种实现方式，该能耗网格可以由服务器生成并发送给各个车辆，各个车辆将本车辆的能耗网格保存在车辆本地。这样，当驾驶员希望获得某个候选出行路径的能耗或者请求某个起点和终点之前的推荐路径时，可以根据本地保存的该车辆的能耗网格，计算得到各个候选出行路径的能耗。
90.根据本发明的至少一个实施例，上述步骤21中，训练每一车辆在每一路段的车辆路段能耗预测模型的步骤，具体可以包括：
91.a)将每个行程记录拆分为该行程的各个路段的子行程。
92.b)针对每个路段的每一子行程，根据该子行程中该路段上各个采样时间点的能耗数据的平均值和该路段的长度，计算得到该子行程中对应车辆在该路段所需要的能量，并生成一个子行程记录，所述子行程记录包括有出行时间、出行条件、车辆标识、车型标识、车辆在该子行程中所需要的能量。
93.c)按照车辆标识和路段标识，对所述子行程记录进行分组，得到多个第一分组，每个第一分组包括有车辆标识和路段标识均相同的子行程记录。
94.d)分别利用每个第一分组，训练一个决策树模型，得到每个第一分组所对应的车辆在对应路段的车辆路段能耗预测模型。
95.通过以上步骤，本发明实施例生成了特定车辆在特定路段的车辆路段能耗预测模型，通过将出行条件和出行时间等参数输入至该模型，可以得到该特定车辆经过该特定路段所需要的能量。
96.另外，在上述步骤a之前，本发明实施例还可以对行程记录的数据进行过滤。例如，对于每个行程和每个路段，删除缺少相关信息(如出行时间、日期、车辆标识(vehicle_id)、
车型标识或地理位置信息)的记录，然后删除记录编号在行程记录编号列表的前n位或后n位的行程，即清除记录数太多或太少的异常行程。这里，n为预设的一个整数。
97.为了减少模型训练的运算量和训练所需要的时间，在上述步骤b中，本发明实施例还可以根据出行时间所属的预设时间分段和出行条件的不同档位，将各个路段的子行程记录进行离散化处理，将每一车辆在每一路段上属于每一出现时间段和每一出行条件档位的子行程记录合并，以减少子行程记录的数量。例如，对于每个子行程记录，将出行时间按照每五分钟划分为一档，气温按照每2摄氏度划分为一档，胎压按照每0.1kpa划分为一档，等等。
98.根据本发明的至少一个实施例，上述步骤21中，训练每一车型的车辆在每一路段的车型路段能耗预测模型的步骤，包括：
99.e)按照车型标识和路段标识，对上述步骤b所获得的子行程记录进行分组，得到多个第二分组，每个第二分组包括有车型标识和路段标识均相同的子行程记录；
100.f)分别利用每个第二分组，训练一个决策树模型，得到每个第一分组所对应的车型的车辆在对应路段的车型路段能耗预测模型。
101.通过以上步骤，本发明实施例生成了特定车型在特定路段的车型路段能耗预测模型，通过将出行条件和出行时间等参数输入至该模型，可以得到该特定车型的车辆在经过该特定路段所需要的能量。针对某个特定车辆，则可以进一步将该能量与该特定车辆对应的第一比率相乘，从而可以利用车型路段能耗预测模型，得到该特定车辆在经过该特定路段所需要的能量。
102.另外，需要说明的是，以上步骤d和步骤f中采用了决策树模型进行训练，本发明实施例还可以采用其他算法或模型，如随机森林模型、一般线性模型(general linear model)、线性回归模型(linear regression)和支持向量回归模型(support vector regression)等，这里不再一一举例说明。
103.类似的，在某个路段仅存在某个特定车辆的默认路段能耗预测模型时，可以将默认路段能耗预测模型输出的能量与该特定车辆对应的第二比率相乘，从而可以利用默认路段能耗预测模型，得到该特定车辆在经过该特定路段所需要的能量。
104.另外，本发明实施例还可以按照以下方式，计算得到所述第一比率和第二比率：针对每个车辆，分别根据该车辆的所有子行程记录，计算该车辆的第一平均能耗；根据该车辆所属车型的所有子行程记录，计算该车辆所属车型的第二平均能耗；计算所述第一平均能耗与第二平均能耗的比值，得到所述第一比率；以及，计算所述第一平均能耗与该车辆或车辆所属车型的默认能耗之间的比值，得到所述第二比率。
105.从以上所述可以看出，本发明实施例提供的车辆行程能耗的预测方法，综合考虑了个人驾驶习惯、路况信息和出行条件，能够提高能耗预测结果的准确性，且易于工程化实施，具有计算量较小，实施成本较低等优点。
106.基于以上方法，本发明实施例还可以为驾驶员推荐满足预设路径选择策略的目标出行路径，例如，可以利用以上方法，预测得到目标车辆在至少一条候选出行路径上行驶所需要的总能量，然后，从所述至少一条候选出行路径中，选择出满足预设路径选择策略的目标出行路径，并向驾驶员提示所述目标出行路径所需要的总能量。
107.基于已收集的行程记录，将本技术的方案与传统的基于百公里能耗均值的能耗预
测方案进行仿真比对，可以发现本发明实施例的预测结果的误差，无论是均方差还是最差结果，都比传统方法的误差小，具体如表1所示。
[0108][0109]
表1
[0110]
图3提供了本技术和传统方案的预测误差的分布情况，其中，横坐标表示预测误差，越接近0则误差越好；纵坐标表示预测误差在此范围的行程数量。从图3可以看出，在该仿真示例中，本技术的最差结果，也比传统方法的最好结果要好
[0111]
基于已收集的行程记录，将本技术的方案与现有技术使用神经网络或随机森林等机器学习算法的能耗预测方案进行仿真比对，可以发现本发明实施例的预测结果的误差，交叉验证后无论是均方差还是方差，都比现有方法的相应值小(越小意味着预测越精确)，具体如表2所示。
[0112][0113]
表2
[0114]
基于以上的车辆行程能耗的预测方法，本发明实施例还提供了实施上述方法的装置。
[0115]
请参照图4，本发明实施例提供的一种车辆行程能耗的预测装置40，包括：
[0116]
第一模型生成单元，用于根据预先收集的预设区域内多个车辆的行程记录，训练得到每一车辆在每一路段的车辆路段能耗预测模型和每一车型的车辆在每一路段的车型路段能耗预测模型，其中，所述行程记录包括每个行程的出行时间、出行条件、车辆标识、车型标识、车辆在各个采样时间点的地理位置和能耗数据；
[0117]
第二模型生成单元，用于根据车辆或车辆所属车型的默认能耗和路段的长度，生成车辆的默认路段能耗预测模型；
[0118]
能耗预测单元，用于利用目标车辆的车辆路段能耗预测模型、车型路段能耗预测
模型和默认路段能耗预测模型中的至少一个，预测所述目标车辆在候选出行路径上行驶所需要的总能量。
[0119]
通过以上模块，本发明实施例的预测装置综合考虑了个人驾驶习惯、路况信息和出行条件，能够提高能耗预测结果的准确性，且易于工程化实施，具有计算量较小，实施成本较低等优点。
[0120]
根据本发明的至少一个实施例，所述预测装置还包括以下模块(图中未示出)：
[0121]
能耗网格生成单元，用于针对每个车辆，分别生成所述预设区域的能耗网格，所述能量需求网格包括所述预设区域内的每个路段所关联的能耗预测模型，其中：
[0122]
在该路段存在该车辆的车辆路段能耗预测模型时，该路段所关联的能耗预测模型为该车辆在该路段的车辆路段能耗预测模型；
[0123]
在该路段不存在该车辆的车辆路段能耗预测模型时，但存在该车辆的车型路段能耗预测模型，该路段所关联的能耗预测模型为该车辆在该路段的车型路段能耗预测模型与第一比率的乘积；
[0124]
在仅存在该车辆的默认路段能耗预测模型时，该路段所关联的能耗预测模型为该车辆的默认路段能耗预测模型与第二比率的乘积；
[0125]
其中，所述第一比率为该车辆在所有路段上平均能耗与该车辆所属车型的车辆在所有路段上的平均能耗的比值；所述第二比率为该车辆在所有路段上平均能耗与该车辆或车辆所属车型的默认能耗的比值。
[0126]
根据本发明的至少一个实施例，所述能耗预测单元，还用于根据所述候选出行路径所经过的各个路段，查找所述目标车辆的能耗网格，获得目标车辆在各个路段所关联的能耗预测模型，利用所获得的能耗预测模型，计算得到各个路段的能耗需求并累积，得到目标车辆经过候选出行路径所需要的总能量。
[0127]
根据本发明的至少一个实施例，所述第一模型获取单元包括：
[0128]
行程记录拆分单元，用于将每个行程记录拆分为该行程的各个路段的子行程；
[0129]
子行程处理单元，用于针对每个路段的每一子行程，根据该子行程中该路段上各个采样时间点的能耗数据的平均值和该路段的长度，计算得到该子行程中对应车辆在该路段所需要的能量，并生成一个子行程记录，所述子行程记录包括有出行时间、出行条件、车辆标识、车型标识、车辆在该子行程中所需要的能量；
[0130]
第一分组单元，用于按照车辆标识和路段标识，对所述子行程记录进行分组，得到多个第一分组，每个第一分组包括有车辆标识和路段标识均相同的子行程记录；
[0131]
第一训练单元，用于分别利用每个第一分组，训练一个决策树模型，得到每个第一分组所对应的车辆在对应路段的车辆路段能耗预测模型。
[0132]
根据本发明的至少一个实施例，所述第一模型获取单元还包括：
[0133]
第二分组单元，用于按照车型标识和路段标识，对所述子行程记录进行分组，得到多个第二分组，每个第二分组包括有车型标识和路段标识均相同的子行程记录；
[0134]
第二训练单元，用于分别利用每个第二分组，训练一个决策树模型，得到每个第一分组所对应的车型的车辆在对应路段的车型路段能耗预测模型。
[0135]
根据本发明的至少一个实施例，所述预测装置还包括以下模块(图中未示出)：
[0136]
比率计算单元，用于针对每个车辆，分别根据该车辆的所有子行程记录，计算该车
辆的第一平均能耗；根据该车辆所属车型的所有子行程记录，计算该车辆所属车型的第二平均能耗；计算所述第一平均能耗与第二平均能耗的比值，得到所述第一比率；以及，计算所述第一平均能耗与该车辆或车辆所属车型的默认能耗之间的比值，得到所述第二比率。
[0137]
根据本发明的至少一个实施例，所述预测装置还包括以下模块(图中未示出)：
[0138]
路径推荐单元，用于根据基于所述能耗网格预测得到的所述目标车辆在至少一条候选出行路径上行驶所需要的总能量，从所述至少一条候选出行路径中，选择出满足预设路径选择策略的目标出行路径，并提示所述目标出行路径所需要的总能量。
[0139]
根据本发明的至少一个实施例，所述出行条件包括：气温和车辆胎压中的至少一种。所述路段为存在有行程记录的一段道路、且根据所述行程记录未发现该道路中存在道路分叉口。
[0140]
如图5所示，本发明实施例还提供了另一种车辆行程能耗的预测装置50，该车辆行程能耗的预测装置50具体包括处理器51、存储器52、总线系统53、接收器54和发送器55。其中，处理器51、存储器52、接收器54和发送器55通过总线系统53相连，该存储器52用于存储指令，该处理器51用于执行该存储器52存储的指令，以控制接收器54接收信号，并控制发送器55发送信号；
[0141]
其中，该处理器51，用于读取存储器中的程序，执行下列过程：
[0142]
根据预先收集的预设区域内多个车辆的行程记录，训练得到每一车辆在每一路段的车辆路段能耗预测模型和每一车型的车辆在每一路段的车型路段能耗预测模型，其中，所述行程记录包括每个行程的出行时间、出行条件、车辆标识、车型标识、车辆在各个采样时间点的地理位置和能耗数据；
[0143]
根据车辆或车辆所属车型的默认能耗和路段的长度，生成车辆的默认路段能耗预测模型；
[0144]
利用目标车辆的车辆路段能耗预测模型、车型路段能耗预测模型和默认路段能耗预测模型中的至少一个，预测所述目标车辆在候选出行路径上行驶所需要的总能量。
[0145]
可理解的，本发明实施例中，所述程序被处理器51执行时可实现上述图2所示的方法实施例的各个过程，且能达到相同的技术效果，为避免重复，这里不再赘述。
[0146]
应理解，在本发明实施例中，该处理器51可以是中央处理单元(central processing unit，简称为“cpu”)，该处理器51还可以是其他通用处理器、数字信号处理器(dsp)、专用集成电路(asic)、现成可编程门阵列(fpga)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
[0147]
该存储器52可以包括只读存储器和随机存取存储器，并向处理器51提供指令和数据。存储器52的一部分还可以包括非易失性随机存取存储器。例如，存储器52还可以存储设备类型的信息。
[0148]
该总线系统53除包括数据总线之外，还可以包括电源总线、控制总线和状态信号总线等。但是为了清楚说明起见，在图中将各种总线都标为总线系统53。
[0149]
在实现过程中，上述方法的各步骤可以通过处理器51中的硬件的集成逻辑电路或者软件形式的指令完成。结合本发明实施例所公开的方法的步骤可以直接体现为硬件处理器执行完成，或者用处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存
储器，闪存、只读存储器，可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器52，处理器51读取存储器52中的信息，结合其硬件完成上述方法的步骤。为避免重复，这里不再详细描述。
[0150]
在本发明的一些实施例中，还提供了一种计算机可读存储介质，其上存储有程序，该程序被处理器执行时可以实现以下步骤：
[0151]
根据预先收集的预设区域内多个车辆的行程记录，训练得到每一车辆在每一路段的车辆路段能耗预测模型和每一车型的车辆在每一路段的车型路段能耗预测模型，其中，所述行程记录包括每个行程的出行时间、出行条件、车辆标识、车型标识、车辆在各个采样时间点的地理位置和能耗数据；
[0152]
根据车辆或车辆所属车型的默认能耗和路段的长度，生成车辆的默认路段能耗预测模型；
[0153]
利用目标车辆的车辆路段能耗预测模型、车型路段能耗预测模型和默认路段能耗预测模型中的至少一个，预测所述目标车辆在候选出行路径上行驶所需要的总能量。
[0154]
该程序被处理器执行时能实现图2所示的车辆行程能耗的预测方法中的所有实现方式，且能达到相同的技术效果，为避免重复，此处不再赘述。
[0155]
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
[0156]
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统、装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
[0157]
在本技术所提供的实施例中，应该理解到，所揭露的装置和方法，可以通过其它的方式实现。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系统，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接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
[0158]
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发明实施例方案的目的。
[0159]
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。
[0160]
所述功能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介质中。基于这样的理解，本发明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介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。
而前述的存储介质包括：u盘、移动硬盘、只读存储器(rom，read-only memory)、随机存取存储器(ram，random access memory)、磁碟或者光盘等各种可以存储程序代码的介质。
[0161]
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。