用车行为评价方法、装置、电子设备及可读存储介质与流程

1.本技术涉及电动汽车技术领域，尤其涉及一种用车行为评价方法、装置、电子设备及可读存储介质。


背景技术：

2.随着电动汽车的高速发展，为延长电动汽车的使用寿命，需要通过对用户的用车行为进行评价得到的用户行为评价给出用户的用车建议。目前对用户的用车行为进行评价得到用户行为评价的方法通常是通过获取用户的驾驶速度、急加急减频率和用户疲劳驾驶程度等驾驶特征以对用户的用车行为进行评价得到用户行为评价，但是此方法仅评价用户的用车行为对驾驶风险的影响，如此，用户的用车行为评价的局限性较高。


技术实现要素：

3.本技术的主要目的在于提供一种用车行为评价方法、装置、电子设备及可读存储介质，旨在解决现有技术中用户的用车行为评价的局限性较高的技术问题。
4.为实现上述目的，本技术提供一种用车行为评价方法，应用于用车行为评价设备，所述用车行为评价方法包括：
5.获取车辆的车辆运行数据；
6.从所述车辆运行数据中提取各用户行为特征，以及基于所述车辆运行数据计算车辆健康度；
7.根据所述用户行为特征和所述车辆健康度确定各所述用户行为特征对所述车辆健康度的特征重要性；
8.根据所述特征重要性和各所述用户行为特征针对所述车辆的用户行为进行评价得到用户行为评价。
9.可选地，所述根据所述用户行为特征和所述车辆健康度确定各所述用户行为特征对所述车辆健康度的特征重要性的步骤，包括：
10.获取待训练电池健康预测模型；
11.根据所述用户行为特征和所述车辆健康度，对所述待训练电池健康预测模型进行训练，得到各所述用户行为特征对所述车辆健康度的特征重要性。
12.可选地，所述根据所述特征重要性和各所述用户行为特征针对所述车辆的用户行为进行评价得到用户行为评价的步骤，包括：
13.根据所述特征重要性以及各所述用户行为特征的可改变性，在各所述用户行为特征中选取目标行为特征；
14.确定各所述目标行为特征的特征得分值，依据所述特征得分值确定针对所述车辆的用户行为评价。
15.可选地，所述根据所述特征重要性以及各所述用户行为特征的可改变性，在各所述用户行为特征中选取目标行为特征的步骤，包括：
16.获取各所述用户行为特征对应的可改变性；
17.在各所述用户行为特征中选取特征重要性大于预设重要性阈值，且可改变性大于预设可改变性阈值的目标行为特征。
18.可选地，确定各所述目标行为特征的特征得分值的步骤，包括：
19.获取车群运行数据，并在所述车群运行数据中提取所述目标行为特征的车群行为特征；
20.依据所述车群行为特征和所述目标行为特征，计算所述目标行为特征的特征得分值。
21.可选地，所述依据所述车群行为特征和所述目标行为特征，计算所述目标行为特征的特征得分值的步骤，包括：
22.获取所述车群行为特征中各所述目标行为特征对应的特征最大值、特征中位数以及特征最小值；
23.依据所述目标行为特征与对应的所述特征中位数之间的差值，选取各所述目标行为特征对应的评价方法；
24.依据所述评价方法、所述特征最小值和特征最大值，对所述目标行为特征进行评价得到针对各所述目标行为特征的特征得分值。
25.可选地，所述依据所述特征得分值确定针对所述车辆的用户行为评价的步骤，包括：
26.获取预设基础得分；
27.将所述特征得分值与所述预设基础得分的和值，作为针对所述车辆的用户行为评价。
28.为实现上述目的，本技术还提供一种用车行为评价装置，所述用车行为评价装置应用于用车行为评价设备，所述用车行为评价装置包括：
29.获取模块，用于获取车辆的车辆运行数据；
30.提取模块，用于从所述车辆运行数据中提取各用户行为特征，以及基于所述车辆运行数据计算车辆健康度；
31.确定模块，用于根据所述用户行为特征和所述车辆健康度确定各所述用户行为特征对所述车辆健康度的特征重要性；
32.评价模块，用于根据所述特征重要性和各所述用户行为特征针对所述车辆的用户行为进行评价。
33.可选地，所述确定模块还用于：
34.获取待训练电池健康预测模型；
35.根据所述用户行为特征和所述车辆健康度，对所述待训练电池健康预测模型进行训练，得到各所述用户行为特征对所述车辆健康度的特征重要性。
36.可选地，所述评价模块还用于：
37.根据所述特征重要性以及各所述用户行为特征的可改变性，在各所述用户行为特征中选取目标行为特征；
38.确定各所述目标行为特征的特征得分值，依据所述特征得分值确定针对所述车辆的用户行为评价。
39.可选地，所述评价模块还用于：
40.获取各所述用户行为特征对应的可改变性；
41.在各所述用户行为特征中选取特征重要性大于预设重要性阈值，且可改变性大于预设可改变性阈值的目标行为特征。
42.可选地，所述评价模块还用于：
43.获取车群运行数据，并在所述车群运行数据中提取所述目标行为特征的车群行为特征；
44.依据所述车群行为特征和所述目标行为特征，计算所述目标行为特征的特征得分值。
45.可选地，所述评价模块还用于：
46.获取所述车群行为特征中各所述目标行为特征对应的特征最大值、特征中位数以及特征最小值；
47.依据所述目标行为特征与对应的所述特征中位数之间的差值，选取各所述目标行为特征对应的评价方法；
48.依据所述评价方法、所述特征最小值和特征最大值，对所述目标行为特征进行评价得到针对各所述目标行为特征的特征得分值。
49.可选地，所述评价模块还用于：
50.获取预设基础得分；
51.将所述特征得分值与所述预设基础得分的和值，作为针对所述车辆的用户行为评价。
52.本技术还提供一种电子设备，所述电子设备包括：存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的所述用车行为评价方法的程序，所述用车行为评价方法的程序被处理器执行时可实现如上述的用车行为评价方法的步骤。
53.本技术还提供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实现用车行为评价方法的程序，所述用车行为评价方法的程序被处理器执行时实现如上述的用车行为评价方法的步骤。
54.本技术还提供一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时实现如上述的用车行为评价方法的步骤。
55.本技术提供了一种用车行为评价方法、装置、电子设备及可读存储介质，通过获取车辆的车辆运行数据；从所述车辆运行数据中提取各用户行为特征，以及基于所述车辆运行数据计算车辆健康度；根据所述用户行为特征和所述车辆健康度确定各所述用户行为特征对所述车辆健康度的特征重要性；根据所述特征重要性和各所述用户行为特征针对所述车辆的用户行为进行评价得到用户行为评价。
56.如此，本技术基于用户行为特征以及用户行为特征对车辆健康度的特征重要性对车辆的用户行为进行评价，实现了根据用户行为特征对车辆健康度的影响对用户的用车行为进行评价，从而降低了用户的用户行为评价的局限性，进而使得根据用户行为评价给出的基于车辆健康度的用户用车建议的准确性更高，提高了车辆的使用寿命。
附图说明
57.此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本技术的实施例，并与说明书一起用于解释本技术的原理。
58.为了更清楚地说明本技术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，对于本领域普通技术人员而言，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
59.图1为本技术用车行为评价方法第一实施例的流程示意图；
60.图2为本技术用车行为评价方法的一应用场景示意图；
61.图3为本技术用车行为评价方法的另一应用场景示意图；
62.图4为本技术用车行为评价方法涉及的硬件运行环境的设备结构示意图；
63.图5为本技术用车行为评价装置一实施例所涉及的装置结构示意图。
64.本技术实施例中用车行为评价方法涉及的硬件运行环境的设备结构示意图。
65.本技术目的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
66.为使本技术的上述目的、特征和优点能够更加明显易懂，下面将结合本技术实施例中的附图，对本技术实施例中的技术方案进行清楚、完整地描述。显然，所描述的实施例仅仅是本技术一部分实施例，而不是全部的实施例。基于本技术中的实施例，本领域普通技术人员在没有作出创造性劳动的前提下所获得的所有其它实施例，均属于本技术保护的范围。
67.本技术实施例提供一种用车行为评价方法，在本技术用车行为评价方法的第一实施例中，本技术用车行为评价方法包括：
68.获取车辆的车辆运行数据；从所述车辆运行数据中提取各用户行为特征，以及基于所述车辆运行数据计算车辆健康度；根据所述用户行为特征和所述车辆健康度确定各所述用户行为特征对所述车辆健康度的特征重要性；根据所述特征重要性和各所述用户行为特征针对所述车辆的用户行为进行评价得到用户行为评价。
69.需要说明的是，在本实施例中，为延长电动汽车的使用寿命，需要通过对用户的用车行为进行评价得到的用户行为评价给出用户的用车建议。目前，对用户的用车行为进行评价得到用户行为评价的方法通常是通过获取用户的驾驶速度、急加急减频率和用户疲劳驾驶程度等驾驶特征以对用户的用车行为进行评价得到用户行为评价，但是此方法仅评价用户的用车行为对驾驶风险的影响，并未考虑到用户的用车行为对车辆的电池健康状态的影响，如此，用户的用车行为评价的局限性较高。
70.针对上述的现象，本技术基于用户行为特征以及用户行为特征对车辆健康度的特征重要性对车辆的用户行为进行评价，实现了根据用户行为特征对车辆健康度的影响对用户的用车行为进行评价，从而降低了用户的用户行为评价的局限性，进而使得根据用户行为评价给出的基于车辆健康度的用户用车建议的准确性更高，提高了车辆的使用寿命。
71.请参照图1，如图1所示，在本技术用车行为评价方法的第一实施例中，本技术车辆放电的控制方法具体包括如下步骤：
72.步骤s10，获取车辆的车辆运行数据；
73.需要说明的是，在本实施例中，本技术用车行为评价方法可以应用于车辆也可以应用于车辆中的控制系统，还可以应用于与车辆通信连接的服务器，其中，通信连接可以为接口等有线连接，还可以为蓝牙，局域网等无线连接，以实现数据的交互处理，对车辆中的电池进行电池健康状态的预测。为方便阅读和理解，后文以上述的车辆作为本技术用车行为评价方法的执行主体，来具体阐述本实施例。
74.在本实施例中，获取车辆的车辆运行数据。之后，车辆选取实际用车工况中的理想工况下的车辆运行数据。
75.步骤s20，从所述车辆运行数据中提取各用户行为特征，以及基于所述车辆运行数据计算车辆健康度；
76.在本实施例中，车辆通过预设特征提取器对车辆运行数据中用于表征用户行为的特征进行提取，得到车辆对应的用户行为特征。根据车辆运行数据，计算车辆中电池在理想工况下的健康度，得到车辆健康度。
77.可选地，理想工况可以为充电结束时间之前，且满足车辆在开始充电，也即开始充电循环，或者，未充电且车辆里程逐渐增加，也即开始驾驶循环时的车辆运行数据。
78.作为一种示例，车辆对车辆运行数据进行计算，得到用于表征用户行为的用户行为数据，将各用户行为数据对应的特征，作为车辆对应的用户行为特征。
79.可选地，根据车辆运行数据，计算车辆中电池在理想工况下的健康度，得到车辆健康度的步骤，具体可以包括：
80.在车辆运行数据中选取满足预设充电工况条件的车辆充电数据，其中，车辆充电数据包括车辆中电池在充电过程中的电池电流、电池开始充电过程的第一剩余电量、电池结束充电过程的第二剩余电量以及电池的额定电池容量；依据电池电流、第一剩余电量、第二剩余电量以及额定电池容量，确定车辆健康度。
81.需要说明的是，在本实施例中，剩余电量为放电soc(state of charge，荷电状态，也叫剩余电量)。额定电池容量为电池在额定工作条件下能长期持续工作的容量，由车辆中电池的电池性质确定。预设充电工况条件为预先设置的判断电池的充电工况较理想的充电工况条件。
82.可选地，所述依据电池电流、第一剩余电量、第二剩余电量以及额定电池容量，确定车辆健康度的步骤，具体可以为：
[0083][0084]
其中，soh为车辆健康度；t
β
为电池的充电过程结束的时间，t
α
为电池的充电过程开始的时间；soc
α
为第一剩余电量；soc
β
为第二剩余电量；q
额
为额定电池容量。
[0085]
通过根据电池电流，剩余电量和额定电池容量，计算电池在理想充电工况下的健康度得到车辆健康度，实现了以量化的方式精准确定车辆健康状态，从而提高了用户行为特征对车辆健康度的特征重要性的确定准确性。
[0086]
作为一种可行的实施例，在上述步骤s20中，所述从所述车辆运行数据中提取各用户行为特征的步骤，具体可以包括：
[0087]
预设特征提取器包括行驶里程特征提取模型、放电特征提取模型、剩余电量特征
提取模型、电流特征提取模型、车辆速度特征提取模型、运行温度特征提取模型、使用时间特征提取模型、充电压差特征提取模型和放电压差特征提取模型。通过行驶里程特征提取模型在车辆运行数据中提取车辆的总行驶里程，得到行驶里程特征；通过放电特征提取模型在车辆运行数据中提取车辆的满放电次数以及总放电时长，得到放电特征；通过剩余电量特征提取模型在车辆运行数据中提取车辆充电过程结束时的第二剩余电量位于预设充电剩余电量范围的第一比例，例如，预设放电剩余电量范围可以为90-100，也可以为92-98，以及提取车辆放电过程结束时的第三剩余电量位于预设放电剩余电量范围的第二比例，得到剩余电量特征，例如，预设放电剩余电量范围可以为0-15，也可以为5-10；通过车辆速度特征提取模型在车辆运行数据中提取车辆的车辆速度大于预设车辆速度阈值的第三比例，得到车辆速度特征，例如，预设车辆速度阈值可以为120km/h，也可以为130km/h；通过运行温度特征提取模型在车辆运行数据中提取车辆的运行最低温度位于预设运行最低温度范围的第四比例，例如，预设运行最低温度范围可以为-5℃至-25℃，也可以为0℃至-15℃，通过运行温度特征提取模型在车辆运行数据中提取车辆的运行最高温度位于预设运行最高温度范围的第五比例，例如，预设运行最高温度范围可以为45℃至50℃，也可以为46℃至49℃，得到车辆运行温度特征。通过电流特征提取模型提取充电电流位于预设充电电流范围的第六比例，例如，预设充电电流范围可以为0-50a，也可以为0-40a，得到车辆电流特征。通过寿命特征提取模型在车辆运行数据中提取车辆从出厂截止至获取训练电池对应的真实健康度的时间，得到使用时间特征，通过充电压差特征提取模型在车辆运行数据中提取充电压差位于第一预设压差范围的第七比例，以及在车辆运行数据中提取充电压差位于第二预设压差范围的第八比例，得到充电压差特征，例如，第一预设压差范围可以为0-100mv，也可以为10-90mv。第二预设压差范围可以为100-300mv，也可以为120-280mv。通过放电压差特征提取模型在车辆运行数据中提取放电压差位于第三预设压差范围的第九比例，以及在车辆运行数据中提取放电压差位于第四预设压差范围的第十比例，得到放电压差特征，例如，第三预设压差范围可以为0-100mv，也可以为10-90mv。第四预设压差范围可以为100-300mv，也可以为120-280mv。将行驶里程特征、放电特征、剩余电量特征、车辆电流特征、车辆速度特征、使用时间特征、充电压差特征、放电压差特征和车辆运行温度特征拼接为用户行为特征。
[0088]
步骤s30，根据所述用户行为特征和所述车辆健康度确定各所述用户行为特征对所述车辆健康度的特征重要性；
[0089]
在本实施例中，根据用户行为特征、车辆健康度和待训练电池健康预测模型，得到各用户行为特征对车辆健康度的特征重要性。
[0090]
步骤s40，根据所述特征重要性和各所述用户行为特征针对所述车辆的用户行为进行评价得到用户行为评价。
[0091]
在本实施例中，根据特征重要性和用户行为特征，得到各用户行为特征的特征得分，将各特征得分进行聚合得到用户行为评价。
[0092]
作为一种可行的实施例，在上述步骤s40中，所述根据所述特征重要性和各所述用户行为特征针对所述车辆的用户行为进行评价得到用户行为评价的步骤，具体可以包括：
[0093]
步骤s41，根据所述特征重要性以及各所述用户行为特征的可改变性，在各所述用户行为特征中选取目标行为特征；
[0094]
需要说明的是，在本实施例中，用户行为特征的可改变性为用户行为特征对应的用户行为受用户主观变化的程度。
[0095]
在本实施例中，根据用户行为特征对应的用户行为性质，得到用户特征的可改变性，或者，根据预设可改变性分类模型将各用户行为特征映射为用户行为特征对应的可改变性，例如，可改变的用户行为特征的可改变性为1，不可改变的用户行为特征的可改变性为0。根据特征重要性和可改变性，在各用户行为特征中选取目标行为特征。
[0096]
步骤s42，确定各所述目标行为特征的特征得分值，依据所述特征得分值确定针对所述车辆的用户行为评价。
[0097]
在本实施例中，计算各目标行为特征的特征得分值，将各特征得分值进行聚合得到针对车辆的用户评价。
[0098]
作为一种可行的实施例，在上述步骤s42中，所述确定各所述目标行为特征的特征得分值的步骤，具体可以包括：
[0099]
步骤a10，获取车群运行数据，并在所述车群运行数据中提取所述目标行为特征的车群行为特征；
[0100]
在本实施例中，获取车辆对应的车辆型号，采集属于车辆型号的其他车辆的运行数据，或者，直接采集其他车辆的运行数据，得到车群运行数据；在车群数据中提取目标行为特征，得到车群运行数据的车群行为特征。
[0101]
步骤a20，依据所述车群行为特征和所述目标行为特征，计算所述目标行为特征的特征得分值。
[0102]
在本实施例中，获取目标行为特征和车群行为特征的偏差程度，依据偏差程度计算目标行为特征的特征得分值。
[0103]
作为一种可行的实施例，在上述步骤a20中，所述依据所述车群行为特征和所述目标行为特征，计算所述目标行为特征的特征得分值的步骤，具体可以包括：
[0104]
获取所述车群行为特征中各所述目标行为特征对应的特征最大值、特征中位数以及特征最小值；
[0105]
依据所述目标行为特征与对应的所述特征中位数之间的差值，选取各所述目标行为特征对应的评价方法；
[0106]
需要说明的是，在本实施例中，评价方法包括第一评价方法和第二评价方法。
[0107]
在本实施例中，获取所有车群行为特征中各目标行为特征对应的特征最大值、特征中位数以及特征最小值；获取目标行为特征与对应的特征中位数的差值，在差值大于预设差值阈值时，则选取第一评价方法作为目标行为特征对应的评价方法，在差值小于预设差值阈值时，则选取第二评价方法作为目标行为特征对应的评价方法，在差值等于预设差值阈值时，则判定目标行为特征的特征得分值为0，其中，预设差值阈值为预设的判定目标行为特征与车群行为特征相似的目标行为特征与对应的特征中位数的差值的临界值，预设差值阈值可以为0。
[0108]
可选地，所述获取目标行为特征与对应的特征中位数的差值的步骤，具体可以包括：
[0109]
feature
differ
＝feature
value_i-feature
median_i
[0110]
其中，feature
differ
为差值，feature
value_i
为目标行为特征，feature
median_i
为对应
的特征中位数。
[0111]
依据所述评价方法、所述特征最小值和特征最大值，对所述目标行为特征进行评价得到针对各所述目标行为特征的特征得分值。
[0112]
在本实施例中，当评价方法为第一评价方法时，依据特征最大值和第一评价方法，对目标行为特征进行评价得到针对各目标行为特征的特征得分值。当评价方法为第二评价方法时，依据特征最小值和第二评价方法，对目标行为特征进行评价得到针对各目标行为特征的特征得分值。
[0113]
可选地，当评价方法为第一评价方法时，对所述目标行为特征进行评价得到针对各所述目标行为特征的特征得分值的步骤，具体可以包括：
[0114][0115]
其中，score为特征得分值，feature
differ
为差值，feature
max_i
为特征最大值，abs(importancei)为目标行为特征的特征重要性。
[0116]
可选地，当评价方法为第二评价方法时，对所述目标行为特征进行评价得到针对各所述目标行为特征的特征得分值的步骤，具体可以包括：
[0117][0118]
其中，score为特征得分值，feature
differ
为差值，feature
min_i
为特征最小值，abs(importancei)为目标行为特征的特征重要性。
[0119]
需要说明的是，当目标行为特征的特征重要性为正值时，那么上述公式中的
±
取号为 ；当目标行为特征的特征重要性为负值时，那么上述公式中的
±
取号为-。
[0120]
作为一种可行的实施例，在上述步骤s42中，所述依据所述特征得分值确定针对所述车辆的用户行为评价的步骤，具体可以包括：
[0121]
获取预设基础得分；
[0122]
将所述特征得分值与所述预设基础得分的和值，作为针对所述车辆的用户行为评价。
[0123]
获取车辆的用户行为评价的预设基础得分，将各目标行为特征的特征得分值和预设基础得分的和值，作为针对车辆的用户行为评价。
[0124]
用户行为评价过低时，容易引起用户反感，使得用户对于根据用户行为评价推荐的用户用车建议的接受度低，通过加入预设基础得分避免计算得到的用户行为评价过低，从而提高用户对于根据用户行为评价推荐的用户用车建议的接受度，进而提高了车辆的使用寿命。
[0125]
作为一种可行的实施例，在上述步骤s40中，在所述根据所述特征重要性和各所述用户行为特征针对所述车辆的用户行为进行评价得到用户行为评价的步骤之后，具体可以包括：
[0126]
判断用户行为评价是否大于预设评价阈值，若用户行为评价大于预设评价阈值，则控制车辆输出用户行为优秀信息，若用户行为评价不大于预设评价阈值，则控制车辆输
出各用户行为特征的特征得分值对应的用车建议信息。
[0127]
通过在用户行为评价较低时输出各用户行为特征的特征得分值对应的用车建议信息，以供用户根据用车建议信息对用户行为进行调整，从而提高车辆的使用寿命。
[0128]
在本实施例中，本技术提供一种用车行为评价方法，通过获取车辆的车辆运行数据；从所述车辆运行数据中提取各用户行为特征，以及基于所述车辆运行数据计算车辆健康度；根据所述用户行为特征和所述车辆健康度确定各所述用户行为特征对所述车辆健康度的特征重要性；根据所述特征重要性和各所述用户行为特征针对所述车辆的用户行为进行评价得到用户行为评价。
[0129]
如此，本技术基于用户行为特征以及用户行为特征对车辆健康度的特征重要性对车辆的用户行为进行评价，实现了根据用户行为特征对车辆健康度的影响对用户的用车行为进行评价，从而降低了用户的用户行为评价的局限性，进而使得根据用户行为评价给出的基于车辆健康度的用户用车建议的准确性更高，提高了车辆的使用寿命。
[0130]
进一步地，基于上述本技术用车行为评价方法的第一实施例，提供本技术用车行为评价方法的第二实施例。
[0131]
在本实施例中，本技术用车行为评价方法同样由上述的车辆作为执行主体进行实施。作为一种可行的实施例，在步骤s30中，所述根据所述用户行为特征和所述车辆健康度确定各所述用户行为特征对所述车辆健康度的特征重要性的步骤，具体可以包括：
[0132]
获取待训练电池健康预测模型；
[0133]
根据所述用户行为特征和所述车辆健康度，对所述待训练电池健康预测模型进行训练，得到各所述用户行为特征对所述车辆健康度的特征重要性。
[0134]
在本实施例中，需要说明的是，待训练电池健康预测模型的模型类型可以为随机森林模型，也可以为梯度提升决策树模型，还可以为任意基于构建决策树的模型。
[0135]
在本实施例中，获取待训练电池健康预测模型，依据用户行为特征，构建待训练电池健康预测模型的决策树。通过待训练电池健康预测模型将用户行为特征映射为车辆的预测健康度。根据预测健康度和车辆健康度，对待训练电池健康预测模型进行迭代优化，得到各决策树的切分点，依据切分点确定的不纯度，得到用户行为特征的特征重要性。
[0136]
作为一种示例，图2是本技术提供的用车行为评价方法的一场景示意图。当待训练电池健康预测模型的模型类型为随机森林时，参照图2，图2包括：用户行为特征(图示的特征一、特征二、特征三、特征四
……
)、待训练电池健康预测模型(图示的随机森林)、预测健康度(图示的soh值)以及用户行为特征的特征重要性(图示的各特征重要性)。通过待训练电池健康预测模型将用户行为特征映射为预测健康度，从而得到用户行为特征的特征重要性。
[0137]
作为一种可行的实施例，在上述步骤s41中，所述根据所述特征重要性以及各所述用户行为特征的可改变性，在各所述用户行为特征中选取目标行为特征的步骤，具体可以包括：
[0138]
获取各所述用户行为特征对应的可改变性；
[0139]
在各所述用户行为特征中选取特征重要性大于预设重要性阈值，且可改变性大于预设可改变性阈值的目标行为特征。
[0140]
需要说明的是，在本实施例中，预设重要性阈值为判定用户行为特征对于车辆健
康度影响较大的用户行为特征对所述车辆健康度的特征重要性的临界值。预设可改变性阈值为判定用户行为特征为用户可自主改变的用户行为特征的可改变性的临界值。
[0141]
获取各所述用户行为特征对应的可改变性；在各用户行为特征中选取特征重要性大于预设重要性阈值且可改变性大于预设可改变性阈值的目标行为特征，通过在用户行为特征中选取对于车辆健康度影响较大且用户可自主改变的目标行为特征，并基于目标行为特征对用户行为进行评价得到用户行为评价，使得用户行为评价更准确，且目标行为特征的可改变性越大，目标行为特征对应的用车建议的执行度也越高，因此，提高了车辆的使用寿命。
[0142]
上述实施例中的用车行为评价方法可以存储至与车辆通信连接的服务器，图3是本技术提供的用车行为评价方法的一应用场景示意图。如图3所示，该应用场景可以包括：车辆01，与车辆01通过通信基站02进行通信连接的服务器03。在图3中，车辆01发送车辆运行数据，以供服务器03从车辆运行数据提取用户行为特征以及基于车辆运行数据计算车辆健康度，并根据用户行为特征和车辆健康度，得到针对车辆01的用户行为评价。通过服务器03发送用户行为评价以及用户行为评价对应的用车建议至车辆01，以供车辆01输出显示用户行为评价和用车建议。用车行为评价方法的模型及算法需要的存储空间较大，因此为避免车辆的控制系统发生过多的存储冗余和运行冗余，优选将各模型存储至服务器。
[0143]
此外，本技术实施例还提供一种如上述任一实施例中所提及的车辆。
[0144]
参照图4，图4是本技术实施例方案所提及车辆涉及的硬件运行环境的设备结构示意图。
[0145]
如图4所示，该车辆可以包括：处理器1001，例如cpu，通信总线1002，网络接口1003，存储器1004。其中，通信总线1002用于实现处理器1001和存储器1004之间的连接通信。存储器1004可以是高速ram存储器，也可以是稳定的存储器(non-volatile memory)，例如磁盘存储器。存储器1004可选的还可以是独立于前述处理器1001的存储设备。
[0146]
可选地，该车辆还可以包括矩形用户接口、网络接口、摄像头、rf(radio frequency，射频)电路，传感器、音频电路、wifi模块等等。矩形用户接口可以包括显示屏(display)、输入子模块比如键盘(keyboard)，可选矩形用户接口还可以包括标准的有线接口、无线接口。网络接口可选的可以包括标准的有线接口、无线接口(如wi-fi接口)。
[0147]
本领域技术人员可以理解，图4中示出的结构并不构成对车辆的限定，基于实际应用的不同设计需要，在不同可行的实施方式当中，车辆当然还可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。
[0148]
如图4所示，作为一种存储介质的存储器1004中可以包括操作系统、网络通信模块以及用车行为评价程序。操作系统是管理和控制基于车辆硬件和软件资源的程序，支持用车行为评价程序以及其它软件和/或程序的运行。网络通信模块用于实现存储器1004内部各组件之间的通信，以及与用车行为评价系统中其它硬件和软件之间通信。
[0149]
在图4所示的车辆中，处理器1001用于执行存储器1004中存储的用车行为评价程序，实现上述任一实施例所述的用车行为评价方法的步骤。
[0150]
本技术基于车辆具体实施方式与上述用车行为评价方法各实施例基本相同，在此不再赘述。
[0151]
此外，本技术还提供一种用车行为评价装置，本技术车辆放电的控制装置应用于
车辆对用车行为评价进行控制，如图5所示，本技术用车行为评价装置包括：
[0152]
获取模块，用于获取车辆的车辆运行数据；
[0153]
提取模块，用于从所述车辆运行数据中提取各用户行为特征，以及基于所述车辆运行数据计算车辆健康度；
[0154]
确定模块，用于根据所述用户行为特征和所述车辆健康度确定各所述用户行为特征对所述车辆健康度的特征重要性；
[0155]
评价模块，用于根据所述特征重要性和各所述用户行为特征针对所述车辆的用户行为进行评价。
[0156]
可选地，所述确定模块还用于：
[0157]
获取待训练电池健康预测模型；
[0158]
根据所述用户行为特征和所述车辆健康度，对所述待训练电池健康预测模型进行训练，得到各所述用户行为特征对所述车辆健康度的特征重要性。
[0159]
可选地，所述评价模块还用于：
[0160]
根据所述特征重要性以及各所述用户行为特征的可改变性，在各所述用户行为特征中选取目标行为特征；
[0161]
确定各所述目标行为特征的特征得分值，依据所述特征得分值确定针对所述车辆的用户行为评价。
[0162]
可选地，所述评价模块还用于：
[0163]
获取各所述用户行为特征对应的可改变性；
[0164]
在各所述用户行为特征中选取特征重要性大于预设重要性阈值，且可改变性大于预设可改变性阈值的目标行为特征。
[0165]
可选地，所述评价模块还用于：
[0166]
获取车群运行数据，并在所述车群运行数据中提取所述目标行为特征的车群行为特征；
[0167]
依据所述车群行为特征和所述目标行为特征，计算所述目标行为特征的特征得分值。
[0168]
可选地，所述评价模块还用于：
[0169]
获取所述车群行为特征中各所述目标行为特征对应的特征最大值、特征中位数以及特征最小值；
[0170]
依据所述目标行为特征与对应的所述特征中位数之间的差值，选取各所述目标行为特征对应的评价方法；
[0171]
依据所述评价方法、所述特征最小值和特征最大值，对所述目标行为特征进行评价得到针对各所述目标行为特征的特征得分值。
[0172]
可选地，所述评价模块还用于：
[0173]
获取预设基础得分；
[0174]
将所述特征得分值与所述预设基础得分的和值，作为针对所述车辆的用户行为评价。
[0175]
本技术车辆放电的控制装置各个功能模块的具体实施方式与上述车辆放电的控制方法各实施例基本相同，在此不再赘述。
[0176]
本技术实施例提供了一种计算机存储介质，且所述计算存储介质存储有一个或者一个以上程序，所述一个或者一个以上程序还可被一个或者一个以上的处理器执行以用于实现上述任一项所述的车辆放电的控制方法的步骤。
[0177]
本技术计算机存储介质具体实施方式与上述车辆放电的控制方法各实施例基本相同，在此不再赘述。
[0178]
本技术还提供一种计算机程序产品、包括计算机程序，该计算机程序被处理器执行时实现上述的车辆放电的控制方法的步骤。
[0179]
本技术计算机程序产品的具体实施方式与上述车辆放电的控制方法各实施例基本相同，在此不再赘述。
[0180]
需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者装置不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者装置所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素。
[0181]
上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。
[0182]
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。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(如rom/ram、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是车载电脑，智能手机，计算机，服务器，空调器，或者网络设备等)执行本发明各个实施例所述的方法。
[0183]
以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。