基于数据驱动的电动车能耗预测方法、系统、设备及介质

1.本发明涉及新能源汽车应用技术领域，尤其涉及一种基于数据驱动的电动车能耗预测方法、系统、设备及介质。


背景技术：

2.伴随着社会各界对能源和环境关注度的日渐提升，电动汽车在市场上的数量逐步增加。得益于国家的补贴政策、购车优惠和环保需求的激励，新能源汽车行业迎来了爆发式的增长，我国现已成为全球最大的纯电动汽车市场。随着电动汽车的不断推广，电动汽车的性能受到越来越多的关注。纵观世界各国的电动汽车发展现状，摆在面前的技术难题主要在电池性能方面。
3.受制于电池性能以及充电不便的影响，用户无法满足自由出行的需求，必须在出行前对行驶路线进行规划，衡量车辆剩余电量能否满足出行要求。由于电动汽车能耗受行驶道路与天气气温的影响变化较大，车企提供的续驶里程往往与实际可行使里程相差很多，续驶里程不能对驾驶员起到很好的行车指导，导致驾驶员产生“里程焦虑”，降低了人们对电动汽车的使用信心。


技术实现要素：

4.基于此，有必要针对上述技术问题，提供一种基于数据驱动的电动车能耗预测方法、系统、设备及介质。
5.一种基于数据驱动的电动车能耗预测方法，包括以下步骤：通过车联网采集被测车辆的运行监测数据，获取被测车辆的历史运行数据；根据所述历史运行数据，基于蒙特卡罗方法构建车辆行驶时空电量关系模型，获取被测车辆的行驶时空电量关系；根据所述历史运行数据获取影响被测车辆行驶的外界因素，根据所述外界因素基于knn算法构建车辆行驶工况预测模型，获取被测车辆的当前外界因素，将所述当前外界因素输入所述车辆行驶工况预测模型，预测被测车辆的未来行驶工况；根据所述历史运行数据，基于机器学习算法构建能耗预测模型，结合被测车辆的行驶时空电量关系和未来行驶工况，通过所述能耗预测模型预测被测车辆未来一段时间内的能耗需求。
6.在其中一个实施例中，所述通过车联网采集被测车辆的运行监测数据，获取被测车辆的历史运行数据，具体包括：通过车联网采集被测车辆在一段时间内的历史运行数据，所述历史运行数据包括多个行驶片段数据，每个所述行驶片段数据对应包括有车辆唯一标识、片段开始时间、片段结束时间、片段持续时长、开始经度、开始纬度、结束经度、结束纬度、片段开始荷电状态、片段结束荷电状态、片段开始里程和片段结束里程。
7.在其中一个实施例中，所述根据所述历史运行数据，基于蒙特卡罗方法构建车辆行驶时空电量关系模型，获取被测车辆的行驶时空电量关系，具体包括：根据日期预设格式提取被测车辆片段开始时间的日期，并根据月份、星期和工作日进行重新编码分组，获取日期字段、月份字段、星期字段和工作日字段；根据时间预设格式提取被测车辆片段开始时间
的时间点，并按照行驶开始时间点、早高峰和晚高峰进行重新编码分组，获取开始时间字段、早高峰字段和晚高峰字段；采集被测车辆在片段中的最高速度，并根据运行数据计算片段的平均速度，获取最高速度字段和平均速度字段，根据预设周期计算速度超过预测速度阈值的里程与片段总里程的占比，获取片段高速行驶时间占比字段；根据开始经度和开始纬度解析经纬度信息，获取片段开始所在省份、城市及区县，查询对应地区的天气和温度信息，所述温度信息为片段开始时间日期的平均温度，获取天气字段和温度字段；获取车辆注册时间和储能装置种类，计算注册时间距离当前日期的天数作为车龄，获取车龄字段和储能装置种类字段；将运行数据进行组合，计算不同工况下运行单位里程的耗电量，获取耗电量字段；根据所述车辆唯一标识、月份字段、星期字段、工作日字段、开始时间字段、早高峰字段、晚高峰字段、片段高速行驶时间占比字段、天气字段、温度字段、车龄字段、储能装置种类字段和耗电量字段，构建车辆行驶时空电量关系模型，获取被测车辆的行驶时空电量关系。
8.在其中一个实施例中，所述日期预设格式为年月日的格式，其中，月份表示为1至12，星期表示为1至7，行驶开始日期为工作日记为1，非工作日记为0；所述时间预设格式为时分秒的格式，其中，行驶开始时间点表示为0至23；行驶开始时间点在7点至9点时为早高峰，记为1，否则记为0；行驶开始时间点在17点至19点时为晚高峰，记为1，否则记为0。
9.在其中一个实施例中，所述根据所述历史运行数据获取影响被测车辆行驶的外界因素，具体包括：根据所述历史运行数据，获取被测车辆的历史行驶速度，对所述历史行驶速度进行标签化，作为数据集标签；根据所述历史运行数据的采集时间和经纬度坐标信息，调用地理位置信息系统和网络应用程序接口，获取行驶环境数据，所述行驶环境数据包括天气类型、道路类型和温度，作为第一数据集；根据工作日、星期、行驶开始时间、早高峰和晚高峰对所述历史运行数据进行划分，获取第二数据集；根据所述历史运行数据，选取被测车辆历史运行路况的经纬度，作为第三数据集。
10.在其中一个实施例中，所述根据所述外界因素基于knn算法构建车辆行驶工况预测模型，获取被测车辆的当前外界因素，将所述当前外界因素输入所述车辆行驶工况预测模型，预测被测车辆的未来行驶工况，具体包括：将所述第一数据集、第二数据集和第三数据集进行合并，作为knn分类特征，并按照第一预设比例将合并后的数据集进行分割，获取第一训练集和第一测试集；基于knn算法构建knn分类模型，将数据集标签作为第一训练集的输出结果，根据所述第一训练集对所述knn分类模型进行训练，并通过第一测试集对训练后的knn分类模型进行测试，测试通过后，获取车辆行驶工况预测模型；获取被测车辆的当前外界因素，将所述当前外界因素输入所述车辆行驶工况预测模型，预测被测车辆的未来行驶工况。
11.在其中一个实施例中，所述根据所述历史运行数据，基于机器学习算法构建能耗预测模型，结合被测车辆的行驶时空电量关系和未来行驶工况，通过所述能耗预测模型预测被测车辆未来一段时间内的能耗需求，具体包括：将被测车辆的当前外界因素输入车辆行驶工况预测模型，获取被测车辆的未来行驶工况，所述外界因素包括温度、天气、星期、工作日、行驶开始时间点、早高峰、晚高峰、开始经度和开始纬度；获取被测车辆的车辆唯一标识、片段开始荷电状态、片段开始里程、片段结束里程、工作日、速度、温度、天气和道路类型的信息，作为数据集，并按照第二预设比例对所述数据集进行随机分割，获取第二训练集和
第二测试集；基于机器学习算法构建初始能耗预测模型，输入所述第二训练集对所述初始能耗预测模型进行训练，并通过所述第二测试集对训练后的初始能耗预测模型进行测试，获取能耗预测模型；结合被测车辆的未来行驶工况和行驶时空电量关系，基于所述能耗预测模型，预测被测车辆未来一段时间内的能耗需求。
12.一种基于数据驱动的电动车能耗预测系统，包括：历史运行数据获取模块，用于通过车联网采集被测车辆的运行监测数据，获取被测车辆的历史运行数据；时空电量关系模型构建模块，用于根据所述历史运行数据，基于蒙特卡罗方法构建车辆行驶时空电量关系模型，获取被测车辆的行驶时空电量关系；未来行驶工况预测模块，用于根据所述历史运行数据获取影响被测车辆行驶的外界因素，根据所述外界因素基于knn算法构建车辆行驶工况预测模型，获取被测车辆的当前外界因素，将所述当前外界因素输入所述车辆行驶工况预测模型，预测被测车辆的未来行驶工况；能耗需求预测模块，用于根据所述历史运行数据，基于机器学习算法构建能耗预测模型，结合被测车辆的行驶时空电量关系和未来行驶工况，通过所述能耗预测模型预测被测车辆未来一段时间内的能耗需求。
13.一种设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现上述各个实施例中所述的基于数据驱动的电动车能耗预测方法的步骤。
14.一种介质，其上存储有计算机程序，该程序被处理器执行时实现上述各个实施例中所述的基于数据驱动的电动车能耗预测方法的步骤。
15.相比于现有技术，本发明的优点及有益效果在于：本发明能够通过车联网采集被测车辆的运行检测数据，获取被测车辆的历史运行数据，根据历史运行数据，基于蒙特卡罗方法构建车辆行驶时空电量关系模型，获取被测车辆的行驶时空电量关系，根据历史运行数据获取影响被测车辆行驶的外界因素，根据外界因素基于knn算法构建车辆行驶工况预测模型，获取被测车辆的当前外界因素，将当前外界因素输入车辆行驶工况预测模型，预测被测车辆的未来行驶工况，根据历史运行数据，基于机器学习算法构建能耗预测模型，结合被测车辆的形式时空电量关系和未来行驶工况，通过能耗预测模型预测被测车辆未来一段时间内的能耗需求，提高了预测数据的实时性，且能够精确到被测车辆个体，能够为电动车用户的出行提供有效的实时数据支撑，缓解里程焦虑。
附图说明
16.图1为一个实施例中一种基于数据驱动的电动车能耗预测方法的流程示意图；
17.图2为一个实施例中一种基于数据驱动的电动车能耗预测系统的结构示意图；
18.图3为一个实施例中设备的内部结构示意图。
具体实施方式
19.为了使本发明的目的、技术方案及优点更加清楚明白，下面通过具体实施方式结合附图对本发明做进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。
20.在一个实施例中，如图1所示，提供了一种基于数据驱动的电动车能耗预测方法，包括以下步骤：
21.步骤s101，通过车联网采集被测车辆的运行监测数据，获取被测车辆的历史运行数据。
22.具体地，通过车联网采集被测车辆的运行监测数据，获取被测车辆的历史运行数据，采用车端数据，对车辆未来行驶工况和能耗需求进行预测，提高了数据的准确性和实时性。其中，被测车辆可以是购买半年以上的私人电动车，运行数据可以为被测车辆在一段时间内的多个行驶片段数据。
23.其中，运行数据可以包括车辆静态数据和动态运行数据。车辆静态数据包括车辆唯一标识、储能装置种类等信息；动态运行数据包括片段开始时间、片段结束时间、片段持续时长、开始经度、开始纬度、结束经度、结束纬度、片段开始荷电状态、片段结束荷电状态、片段开始里程和片段结束里程等数据。
24.步骤s102，根据历史运行数据，基于蒙特卡罗方法构建车辆行驶时空电量关系模型，获取被测车辆的行驶时空电量关系。
25.具体地，将被测车辆的历史运行数据进行重新编码和计算，获取对应的字段，包括月份、日期、星期、工作日、行驶开始时间、早高峰、晚高峰、平均速度、最高速度、片段高速行驶时间占比、天气、温度、车龄、储能装置种类和耗电量等字段，根据所有的字段，基于蒙特卡罗方法构建车辆行驶时空电量关系模型，获取被测车辆的行驶时空电量关系。
26.步骤s103，根据历史运行数据获取影响被测车辆行驶的外界因素，根据外界因素基于knn算法构建车辆行驶工况预测模型，获取被测车辆的当前外界因素，将当前外界因素输入车辆行驶工况预测模型，预测被测车辆的未来行驶工况。
27.具体地，根据被测车辆的历史运行数据，获取影响被测车辆行驶的外界因素，例如天气、道路、温度、星期几、是否工作日、是否早高峰或晚高峰、运行的经纬度等。将上述外界因素合并作为knn分类特征数据集，根据预设比例对该数据集进行分割，获取对应的训练集和测试集，将被测车辆对应的历史行驶速度作为训练集的输出结果，基于knn算法构建knn分类模型，根据训练集对knn分类模型进行训练，并采用测试集对训练后的knn分类模型进行测试，测试通过后，获取对应的车辆行驶工况预测模型，根据车辆行驶工况预测模型对被测车辆的未来行驶工况进行预测。通过外界因素对被测车辆的未来行驶工况进行预测，有效降低了传统预测方法中因未来工况未知而对预测结果的不良影响，且能够精确到被测车辆个体，预测结果的时效性较强。
28.其中，knn(k-nearest neighbor，k-近邻)算法，是一种机器学习算法，能够通过测量不同特征值之间的距离来进行分类。
29.步骤s104，根据历史运行数据，基于机器学习算法构建能耗预测模型，结合被测车辆的行驶时空电量关系和未来行驶工况，通过能耗预测模型预测被测车辆未来一段时间内的能耗需求。
30.具体地，获取被测车辆的当前外界因素，例如温度、天气、星期、是否工作日、驾驶开始时间、是否早高峰、是否晚高峰、开始经度和开始纬度等信息，将当前外界因素输入车辆行驶工况预测模型中，获取被测车辆的一段时间内的未来行驶工况；根据被测车辆的历史运行数据，例如片段开始荷电状态、片段开始里程、片段结束里程、是否工作日、速度、温度、天气和道路类型等信息，基于机器学习算法构建能耗预测模型，结合被测车辆的行驶时空电量关系和未来行驶工况，预测被测车辆未来一段时间内的能耗需求，便于电动车用户
对出行路线进行合理规划，减缓里程焦虑。
31.在本实施例中，通过车联网采集被测车辆的运行检测数据，获取被测车辆的历史运行数据，根据历史运行数据，基于蒙特卡罗方法构建车辆行驶时空电量关系模型，获取被测车辆的行驶时空电量关系，根据历史运行数据获取影响被测车辆行驶的外界因素，根据外界因素基于knn算法构建车辆行驶工况预测模型，获取被测车辆的当前外界因素，将当前外界因素输入车辆行驶工况预测模型，预测被测车辆的未来行驶工况，根据历史运行数据，基于机器学习算法构建能耗预测模型，结合被测车辆的形式时空电量关系和未来行驶工况，通过能耗预测模型预测被测车辆未来一段时间内的能耗需求，提高了预测数据的实时性，且能够精确到被测车辆个体，能够为电动车用户的出行提供有效的实时数据支撑，缓解里程焦虑。
32.其中，步骤s101具体包括：通过车联网采集被测车辆在一段时间内的历史运行数据，历史运行数据包括多个行驶片段数据，每个行驶片段数据对应包括有车辆唯一标识、片段开始时间、片段结束时间、片段持续时长、开始经度、开始纬度、结束经度、结束纬度、片段开始荷电状态、片段结束荷电状态、片段开始里程和片段结束里程。
33.具体地，通过车联网采集被测车辆在一段时间，例如两年内的历史运行数据，历史运行数据由多个行驶片段数据构成，每个行驶片段数据对应包括有车辆唯一标识、片段开始时间、片段结束时间、片段持续时长、开始经度、开始纬度、结束经度、结束纬度、片段开始荷电状态、片段结束荷电状态、片段开始里程和片段结束里程等信息，通过车联网的方式获取被测车辆的数据信息，提高了数据的准确性和实时性。
34.其中，步骤s102具体包括：根据日期预设格式提取被测车辆片段开始时间的日期，并根据月份、星期和工作日进行重新编码分组，获取日期字段、月份字段、星期字段和工作日字段；根据时间预设格式提取被测车辆片段开始时间的时间点，并按照行驶开始时间点、早高峰和晚高峰进行重新编码分组，获取开始时间字段、早高峰字段和晚高峰字段；采集被测车辆在片段中的最高速度，并根据运行数据计算片段的平均速度，获取最高速度字段和平均速度字段，根据预设周期计算速度超过预测速度阈值的里程与片段总里程的占比，获取片段高速行驶时间占比字段；根据开始经度和开始纬度解析经纬度信息，获取片段开始所在省份、城市及区县，查询对应地区的天气和温度信息，温度信息为片段开始时间日期的平均温度，获取天气字段和温度字段；获取车辆注册时间和储能装置种类，计算注册时间距离统计日期的天数作为车龄，获取车龄字段和储能装置种类字段；将运行数据进行组合，计算不同工况下运行单位里程的耗电量，获取耗电量字段；根据车辆唯一标识、月份字段、星期字段、工作日字段、开始时间字段、早高峰字段、晚高峰字段、片段高速行驶时间占比字段、天气字段、温度字段、车龄字段、储能装置种类字段和耗电量字段，构建车辆行驶时空电量关系模型。
35.具体地，提取被测车辆的行驶片段开始时间的日期部分，按照年月日yyyymmdd的格式取出，记录为行驶开始日期，并按照月份、星期几、是否为工作日进行重编码，获取日期字段、月份字段、星期字段和工作日字段。同时，提取被测车辆的行驶片段开始时间的时间点，按照时分秒hh:mm:ss的格式取出，记录为行驶开始时间点，并按照行驶开始时间点、是否早高峰和是否晚高峰进行分组，获取开始时间字段、早高峰字段和晚高峰字段。
36.其中，日期预设格式为年月日的格式，月份表示为1至12，星期表示为1至7，行驶开
始日期为工作日记为1，非工作日记为0；时间预设格式为时分秒的格式，行驶开始时间点表示为0至23；行驶开始时间点在7点至9点为早高峰，记为1，否则记为0；行驶开始时间点在17至19点时为晚高峰，记为1，否则记为0。需要注意的是，行驶开始时间点要进行取整操作，例如行驶开始时间为11:20:22，则对应的行驶开始时间点记为11时。
37.由于被测测量的行驶速度不同，耗电量也会不同，因此需要采集被测车辆在行驶片段中的最高速度，并根据行驶时间和里程，计算出行驶片段的平均速度，获取平均速度字段和最高速度字段；按照预设周期，计算速度超过预设速度阈值的里程与片段总里程的占比，获取片段高速行驶时间占比字段。例如，预设周期为两小时，预设速度阈值为80km/h，则每隔两小时，计算被测车辆速度超过80km/h的里程占片段总里程的占比。
38.此外，在不同天气和温度下，被测车辆的能耗情况也不同，因此需要在运行数据中获取被测车辆片段的开始经度和开始纬度，解析片段开始的经纬度信息，获取片段开始所在省份、城市及区县，通过网络获取对应地区的天气和温度信息，获取天气字段和温度字段，其中，选取开始时间日期中的最高温度和最低温度的平均值作为温度。
39.而随着被测车辆使用年限的增长和储能装置种类的不同，储能装置的储能情况会存在一定的差异，需要根据被测车辆的注册时间和当前日期，计算二者的时间间隔，将该时间间隔作为车龄，并根据车辆静态信息获取储能装置种类，获取车龄字段和储能装置种类字段。
40.在获取上述字段后，根据被测车辆的片段开始荷电状态字段、片段结束荷电状态字段、片段开始里程字段、片段结束里程字段、工作日字段、速度字段和温度字段等进行组合，计算不同工况下被测车辆运行单位里程的耗电量，获取耗电量字段。
41.通过以上的车辆唯一标识，及行驶工况信息，例如月份、星期、工作日、早高峰、晚高峰、平均速度、最高速度、片段高速行驶时间占比、天气、温度、车龄、储能装置种类等字段，结合耗电量，构建车辆行驶时空电量关系模型，从而获取到被测车辆的行驶时空电量关系，便于后续对被测车辆的能耗进行预测。
42.其中，根据历史运行数据获取影响被测车辆行驶的外界因素，具体包括：具体包括：根据运行数据，获取被测车辆的历史行驶速度，对历史行驶速度进行标签化，作为数据集标签；根据历史运行数据采集时间和经纬度坐标信息，调用地理位置信息系统和网络应用程序接口，获取行驶环境数据，行驶环境数据包括天气类型、道路类型和温度，作为第一数据集；根据工作日、星期、行驶开始时间、早高峰和晚高峰对历史运行数据进行划分，获取第二数据集；选取被测车辆历史运行路况的经纬度，作为第三数据集。
43.具体地，影响被测车辆行驶的外界因素包括有天气类型、道路类型、温度、是否工作日、星期几、行驶开始时间、是否早高峰、是否晚高峰和经纬度信息等。在构建车辆行驶工况预测模型之前，需要对上述外界因素进行对应的预处理，首先，根据被测车辆的历史运行数据，获取历史行驶速度，对历史行驶速度进行标签化，作为数据集标签；其次，根据历史运行数据的采集时间和经纬度坐标信息，调用地理位置信息和网络应用程序接口，获取对应的行驶环境数据，包括对应的天气、道路类型和温度，并将其作为第一数据集；第三，根据是否工作日、星期几、行驶开始时间、是否早高峰和是否晚高峰几个方面，对历史运行数据进行分组，获取第二数据集；最后，根据历史运行数据，选取被测车辆历史运行路况的经纬度，包括片段开始经度、片段开始纬度、片段结束经度和片段结束纬度，作为第三数据集，从而
实现对历史数据中的行驶工况的数据整理，便于后续构建车辆行驶工况预测模型。
44.其中，根据外界因素基于knn算法构建车辆行驶工况预测模型时，具体包括：将第一数据集、第二数据集和第三数据集进行合并，作为knn分类特征，并按照第一预设比例将合并后的数据集进行分割，获取第一训练集和第一测试集；基于knn算法构建knn分类模型，将数据集标签作为第一训练集的输出结果，根据第一训练集对knn分类模型进行训练，并通过第一测试集对训练后的knn分类模型进行测试，测试通过后，获取车辆行驶工况预测模型；获取被测车辆的当前外界因素，将当前外界因素输入车辆行驶工况预测模型，预测被测车辆的未来行驶工况。
45.具体地，在影响被测车辆行驶的外界因素的数据完成整理后，按照第一数据集、第二数据集和第三数据集的格式，进行数据集合并，并作为knn分类特征，按照第一预设比例，例如训练集：测试集＝7:3的比例，将合并后的数据集进行分割，获取第一训练集和第一测试集，基于knn算法构建knn分类模型后，并将数据集标签作为输出结果，通过第一训练集对knn分类模型进行训练，在训练完毕后，通过第一测试集对knn分类模型进行测试，测试通过后，获取车辆行驶工况预测模型。在获取被测车辆的当前外界因素后，即可通过车辆行驶工况预测模型，预测被测车辆的未来行驶工况，降低了传统预测方法中因未来工况未知而对估算结果的不良影响，能够针对不同的车辆，进行对应的工况预测，且预测结果的时效性较强。
46.其中，步骤s104具体包括：将被测车辆的当前外界因素输入车辆行驶工况预测模型，获取被测车辆的未来行驶工况，外界因素包括温度、天气、星期、工作日、行驶开始时间点、早高峰、晚高峰、开始经度和开始纬度；获取被测车辆的车辆唯一标识、片段开始荷电状态、片段开始里程、片段结束里程、工作日、速度、温度、天气和道路类型的信息，作为数据集，并按照第二预设比例对数据集进行随机分割，获取第二训练集和第二测试集；基于机器学习算法构建初始能耗预测模型，输入第二训练集对所述初始能耗预测模型进行训练，并通过第二测试集对训练后的初始能耗预测模型进行测试，获取能耗预测模型；结合被测车辆的未来行驶工况和行驶时空电量关系，基于能耗预测模型，预测被测车辆未来一段时间内的能耗需求。
47.具体地，在进行对被测车辆的能耗需求进行预测时，根据影响被测车辆行驶的外界因素，例如车辆行驶日期的地区温度、天气、星期、工作日、行驶开始时间点、是否早高峰、是否晚高峰、开始经度和开始纬度等信息，采用车辆行驶工况预测模型，获取被测车辆未来一段时间内的行驶工况。
48.根据车辆历史运行数据，筛选出影响车辆能耗的因素，例如片段开始荷电状态、片段开始里程、片段结束里程、工作日、速度、温度、天气和道路类型等信息，结合车辆唯一标识，作为数据集，并按照第二预设比例，例如训练集：测试集＝7:3，对数据集进行分割，获取第二训练集和第二测试集。
49.基于机器学习算法构建初始能耗预测模型，此时的机器学习算法可以是线性回归、逻辑回归、多项式回归等回归算法，通过第二训练集对初始能耗预测模型进行训练，并通过第二测试集对训练后的初始能耗预测模型进行测试，获取能耗预测模型。
50.在获取被测车辆的能耗预测模型后，结合被测车辆预测出的未来行驶工况和行驶时空电量关系，预测被测车辆未来一段时间内的能耗需求，便于用户对出行进行合理规划，
减缓里程焦虑。
51.如图2所示，提供了一种基于数据驱动的电动车能耗预测系统20，包括：历史运行数据获取模块21、时空电量关系模型构建模块22、未来行驶工况预测模块23和能耗需求预测模块24，其中：
52.历史运行数据获取模块21，用于通过车联网采集被测车辆的运行监测数据，获取被测车辆的历史运行数据；
53.时空电量关系模型构建模块22，用于根据历史运行数据，基于蒙特卡罗方法构建车辆行驶时空电量关系模型，获取被测车辆的行驶时空电量关系；
54.未来行驶工况预测模块23，用于根据历史运行数据获取影响被测车辆行驶的外界因素，根据外界因素基于knn算法构建车辆行驶工况预测模型，获取被测车辆的当前外界因素，将当前外界因素输入所述车辆行驶工况预测模型，预测被测车辆的未来行驶工况；
55.能耗需求预测模块24，用于根据历史运行数据，基于机器学习算法构建能耗预测模型，结合被测车辆的行驶时空电量关系和未来行驶工况，通过能耗预测模型预测被测车辆未来一段时间内的能耗需求。
56.在一个实施例中，历史运行数据获取模块21具体用于：通过车联网采集被测车辆在一段时间内的历史运行数据，历史运行数据包括多个行驶片段数据，每个行驶片段数据对应包括有车辆唯一标识、片段开始时间、片段结束时间、片段持续时长、开始经度、开始纬度、结束经度、结束纬度、片段开始荷电状态、片段结束荷电状态、片段开始里程和片段结束里程。
57.在一个实施例中，时空电量关系模型构建模块22具体用于：根据日期预设格式提取被测车辆片段开始时间的日期，并根据月份、星期和工作日进行重新编码分组，获取日期字段、月份字段、星期字段和工作日字段；根据时间预设格式提取被测车辆片段开始时间的时间点，并按照行驶开始时间点、早高峰和晚高峰进行重新编码分组，获取开始时间字段、早高峰字段和晚高峰字段；采集被测车辆在片段中的最高速度，并根据运行数据计算片段的平均速度，获取最高速度字段和平均速度字段，根据预设周期计算速度超过预测速度阈值的里程与片段总里程的占比，获取片段高速行驶时间占比字段；根据开始经度和开始纬度解析经纬度信息，获取片段开始所在省份、城市及区县，查询对应地区的天气和温度信息，温度信息为片段开始时间日期的平均温度，获取天气字段和温度字段；获取车辆注册时间和储能装置种类，计算注册时间距离统计日期的天数作为车龄，获取车龄字段和储能装置种类字段；将运行数据进行组合，计算不同工况下运行单位里程的耗电量，获取耗电量字段；根据车辆唯一标识、月份字段、星期字段、工作日字段、开始时间字段、早高峰字段、晚高峰字段、片段高速行驶时间占比字段、天气字段、温度字段、车龄字段、储能装置种类字段和耗电量字段，构建车辆行驶时空电量关系模型。
58.在一个实施例中，能耗需求预测模块24具体用于：将被测车辆的当前外界因素输入车辆行驶工况预测模型，获取被测车辆的未来行驶工况，外界因素包括温度、天气、星期、工作日、行驶开始时间点、早高峰、晚高峰、开始经度和开始纬度；获取被测车辆的车辆唯一标识、片段开始荷电状态、片段开始里程、片段结束里程、工作日、速度、温度、天气和道路类型的信息，作为数据集，并按照第二预设比例对数据集进行随机分割，获取第二训练集和第二测试集；基于机器学习算法构建初始能耗预测模型，输入第二训练集对所述初始能耗预
测模型进行训练，并通过第二测试集对训练后的初始能耗预测模型进行测试，获取能耗预测模型；结合被测车辆的未来行驶工况和行驶时空电量关系，基于能耗预测模型，预测被测车辆未来一段时间内的能耗需求。
59.在一个实施例中，提供了一种设备，该设备可以是服务器，其内部结构图可以如图3所示。该设备包括通过系统总线连接的处理器、存储器、网络接口和数据库。其中，该设备的处理器用于提供计算和控制能力。该设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该设备的数据库用于存储配置模板，还可用于存储目标网页数据。该设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现基于数据驱动的电动车能耗预测方法。
60.本领域技术人员可以理解，图3中示出的结构，仅仅是与本技术方案相关的部分结构的框图，并不构成对本技术方案所应用于其上的设备的限定，具体的设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
61.在一个实施例中，还可以提供一种介质，所述介质存储有计算机程序，所述计算机程序包括程序指令，所述程序指令当被计算机执行时使所述计算机执行如前述实施例所述的方法，所述计算机可以为上述提到的基于数据驱动的电动车能耗预测系统的一部分。
62.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，所述的程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，所述的存储介质可为磁碟、光盘、只读存储记忆体(read-only memory，rom)或随机存储记忆体(random access memory，ram)等。
63.显然，本领域的技术人员应该明白，上述本发明的各模块或各步骤可以用通用的计算装置来实现，它们可以集中在单个的计算装置上，或者分布在多个计算装置所组成的网络上，可选地，它们可以用计算装置可执行的程序代码来实现，从而，可以将它们存储在计算机存储介质(rom/ram、磁碟、光盘)中由计算装置来执行，并且在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤，或者将它们分别制作成各个集成电路模块，或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。所以，本发明不限制于任何特定的硬件和软件结合。
64.以上内容是结合具体的实施方式对本发明所做的进一步详细说明，不能认定本发明的具体实施只局限于这些说明。对于本发明所属技术领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干简单推演或替换，都应当视为属于本发明的保护范围。