基于驾驶风格的车辆剩余线路油耗预测方法及系统

1.本公开属于车辆油耗分析与预测技术领域，具体涉及一种基于驾驶风格的车辆剩余线路油耗预测方法及系统。


背景技术：

2.本部分的陈述仅仅是提供了与本公开相关的背景技术信息，不必然构成在先技术。
3.随着社会的日益发展，汽车产业在不断提升。汽车在给人们生活带来便利的同时，尾气排放污染加剧；据统计，国内新增石油的70％以上被新增汽车所消耗，导致目前国内能源紧张问题更加突出。对车辆行驶于未来道路的油耗进行预测可以为驾驶员进行路线规划和能源监管提供决策支持，对节能环保，减少支出、提高利润都具有非常重要的现实意义。
4.目前的研究基本采用简单的油耗预测方法来计算车辆行程起终点之间的油耗。基于物理的油耗预测模型使用一组对应于不同车辆子系统和组件的数学方程来描述每个时间步的车辆动力，可提供高精度的预测，但代价是计算效率低，且需要许多车辆动力学和多维地图的知识，而这些知识通常不可用。传统机器学习方法通过对油耗影响因素进行分析，确定油耗影响因素及其相关性的强度，结合多元线性回归等传统机器学习方法来构建油耗预测模型；但车辆运行状态数据中影响油耗的因素众多且与油耗之间并非都是线性相关，容易导致预测模型的拟合效果不佳。基于深度学习方法的油耗预测模型具有很强的自学习能力和针对复杂非线性数据的建模能力，在油耗预测领域多有应用。
5.针对油耗预测的研究仍存在以下问题：
6.首先，尚未完全研究和利用驾驶风格(例如速度、加速度的习惯)对油耗的影响；
7.其次，现有的油耗预测方法主要集中预测起终点之间路线的燃油消耗；当车辆在当前路线上已行驶了一段时间，需要计算从车辆当前位置到达目的地(剩余路线)所需要的油耗时，现有的路线油耗预测模型采用剩余路线以及当前时间作为输入，并提供了到达目的地可能需要的油耗量；但是，往往忽略了已经从起点走到驾驶员的车位位置的路线(已行驶路线)，充分利用这部分路线可能有助于提高油耗预测的准确性。


技术实现要素：

8.为了解决上述问题，本公开提出了一种基于驾驶风格的车辆剩余线路油耗预测方法及系统，根据历史行驶数据提取驾驶风格，利用深度融合网络计算已行驶路线和剩余路线的驾驶数据和驾驶环境特征，融合历史驾驶风格和车辆配置等静态信息，提高油耗预测的准确度。
9.根据一些实施例，本公开的第一方案提供了一种基于驾驶风格的车辆剩余线路油耗预测方法，采用如下技术方案：
10.一种基于驾驶风格的车辆剩余线路油耗预测方法，包括：
11.获取车辆已行驶路线的驾驶行为数据和驾驶环境信息，得到驾驶风格表示向量；
其中，所述驾驶风格表示向量包括车辆油耗；
12.根据所形成的驾驶风格表示向量和车辆配置信息，得到已行驶线路特征；
13.获取剩余线路的驾驶环境信息，结合所述驾驶风格表示向量和车辆配置信息，得到剩余线路特征；
14.计算已行驶线路特征和剩余线路特征的相似度，基于所得到的相似度进行已行驶线路特征和剩余线路特征的加权求和，完成车辆在剩余路线行驶的油耗预测。
15.作为进一步的技术限定，基于gps轨迹获取不同时间窗口的驾驶行为统计数据，捕捉瞬间车辆运动特征，以矩阵形式表示所捕捉到的瞬间车辆运动特征，得到车辆已行驶路线的驾驶行为数据；所获取的驾驶环境信息包括道路状态、地理区域、交通路况和天气状况。
16.作为进一步的技术限定，基于所得到的驾驶行为数据获取统计矩阵，基于所得到的驾驶环境信息得到环境矩阵，对所得到的统计矩阵和环境矩阵进行融合卷积学习，得到驾驶风格表示向量。
17.作为进一步的技术限定，所述已驾驶线路特征包括考虑车辆行驶过程中的驾驶环境信息和驾驶行为在内的动态数据和考虑驾驶风格表示向量和车辆配置信息在内的静态数据；采用循环模型学习已驾驶线路特征和驾驶环境信息之间的潜在关系，所述循环模型包括transformer层、concatenate层和gru层，在concatenate层的作用下实现动态数据和静态数据的融合，得到已驾驶线路特征。
18.作为进一步的技术限定，所述剩余线路特征与剩余线路道路环境相关，剩余路线特征表示h
remain
为：其中，d
remain
表示对应向量的维度，剩余路线道路特征集e
road
有组成，即组成，即表示剩余路线中的路段li的道路环境向量，n
l
表示剩余路线中的路段数量。
19.作为进一步的技术限定，所述已行驶路线和剩余路线的道路属性相似度a为：其中，表示已行驶路线中路段i的道路环境特征，表示剩余路线中路段j的道路环境特征，s表示路线中所有路段的数量，s
′
表示剩余路线的路段数量。
20.作为进一步的技术限定，根据相似度对已驾驶路线特征和剩余路线特征加权求和，通过全连接层预测车辆在剩余线路上的油耗
21.根据一些实施例，本公开的第二方案提供了一种基于驾驶风格的车辆剩余线路油耗预测系统，采用如下技术方案：
22.一种基于驾驶风格的车辆剩余线路油耗预测系统，包括：
23.向量获取模块，其被配置为获取车辆已行驶路线的驾驶行为数据和驾驶环境信息，得到驾驶风格表示向量；其中，所述驾驶风格表示向量包括车辆油耗；
24.特征获取模块，其被配置为根据所形成的驾驶风格表示向量和车辆配置信息，得到已行驶线路特征；获取剩余线路的驾驶环境信息，结合所述驾驶风格表示向量和车辆配置信息，得到剩余线路特征；
25.油耗预测模块，其被配置为计算已行驶线路特征和剩余线路特征的相似度，基于所得到的相似度进行已行驶线路特征和剩余线路特征的加权求和，完成车辆在剩余路线行驶的油耗预测。
26.根据一些实施例，本公开的第三方案提供了一种计算机可读存储介质，采用如下技术方案：
27.一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实现如本公开第一方案所述的基于驾驶风格的车辆剩余线路油耗预测方法中的步骤。
28.根据一些实施例，本公开的第四方案提供了一种电子设备，采用如下技术方案：
29.一种电子设备，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程序，所述处理器执行所述程序时实现如本公开第一方案所述的基于驾驶风格的车辆剩余线路油耗预测方法中的步骤。
30.与现有技术相比，本公开的有益效果为：
31.本公开充分考虑历史驾驶行为以及产生该行为的驾驶环境，基于卷积网络从历史驾驶数据中学习驾驶风格表示；利用深度融合网络处理不同类型的油耗影响因素，提取全面有效的油耗特征；计算已行驶路线的驾驶行为统计数据和驾驶环境信息，用transformer捕获时间依赖，融合历史驾驶风格和车辆配置等静态信息，形成已行驶路线特征；计算剩余路线的驾驶环境信息，用transformer捕获时间依赖，融合历史驾驶风格和车辆配置等静态信息和地理区域编码，形成剩余路线特征；用剩余路线和已行驶路线的相似度对两部分路线特征进行注意力加权预测，提高油耗预测的准确度。
附图说明
32.构成本公开的一部分的说明书附图用来提供对本公开的进一步理解，本公开的示意性实施例及其说明用于解释本公开，并不构成对本公开的不当限定。
33.图1是本公开实施例一中的基于驾驶风格的车辆剩余线路油耗预测方法的流程图；
34.图2是本公开实施例一中的驾驶风格表示向量的框架图；
35.图3是本公开实施例一中的剩余线路油耗预测的原理示意图；
36.图4是本公开实施例二中的基于驾驶风格的车辆剩余线路油耗预测系统的结构框图。
具体实施方式
37.下面结合附图与实施例对本公开作进一步说明。
38.应该指出，以下详细说明都是例示性的，旨在对本公开提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本公开所属技术领域的普通技术人员通常理解的相同含义。
39.需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本发明的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
40.在不冲突的情况下，本公开中的实施例及实施例中的特征可以相互组合。
41.实施例一
42.本公开实施例一介绍了一种基于驾驶风格的车辆剩余线路油耗预测方法。
43.如图1所示的一种基于驾驶风格的车辆剩余线路油耗预测方法，包括：
44.获取车辆已行驶路线的驾驶行为数据和驾驶环境信息，得到驾驶风格表示向量；其中，所述驾驶风格表示向量包括车辆油耗；
45.根据所形成的驾驶风格表示向量和车辆配置信息，得到已行驶线路特征；
46.获取剩余线路的驾驶环境信息，结合所述驾驶风格表示向量和车辆配置信息，得到剩余线路特征；
47.计算已行驶线路特征和剩余线路特征的相似度，基于所得到的相似度进行已行驶线路特征和剩余线路特征的加权求和，完成车辆在剩余路线行驶的油耗预测。
48.本实施例通过驾驶风格表示部分和剩余路线油耗预测部分对基于驾驶风格的车辆剩余线路油耗预测方法展开详细的介绍。
49.驾驶风格表示部分
50.在本实施例中，驾驶风格表示部分是是从历史轨迹数据库中计算各驾驶员的驾驶行为统计数据，结合产生这些行为的驾驶环境，提取各驾驶员的驾驶风格表示，具体步骤为：
51.(1)gps数据转换模块提取不同时间窗口的驾驶行为统计数据
52.将gps轨迹转换为更稳定的统计特征，而不是将原始gps数据输入到深度学习模型中：对于每个驾驶员，取固定长度ls的gps轨迹段，以学习驾驶风格表示。
53.在本实施例中，采用两个基本特征来捕捉瞬时车辆运动特征，即速度、加速度。为减少异常值的可能影响，将段划分为固定大小lf的帧，并带有偏移对于每一帧，为每个基本特征计算七个统计数据，包括平均值、最小值、最大值、25％、50％和75％四分位数以及标准差；每个轨迹tj由一系列时间排序的gps记录组成，每个gps记录gi由时间戳、经度、纬度、行驶速度组成，表示形式为：gi＝＜ts，lat，lng，v＞；其中，ts表示时间戳，lat表示纬度，lng表示经度，v表示瞬时行驶速度。
54.用行驶速度v轻松计算速度统计数据、使用时间戳ts和行驶速度v计算加速度统计数据；导出一组统计特征矩阵，每个矩阵由2
×
7＝14行和列组成；统计特征矩阵对
轨迹段的驾驶行为信息进行编码，并作为学习模型的部分输入；若轨迹段短于ls，需要在矩阵中填充零，以统一所有统计特征矩阵的大小。包含更多关于驾驶行为信息的长轨迹更适合模型训练。
55.本实施例中的统计特征矩阵是2
×
7＝14行和列的二维矩阵，表示为比如矩阵(1,1)位置表示的就是第1个帧的速度平均值。按照速度平均值、速度最小值、速度最大值、速度25％、速度50％、速度75％四分位数、速度标准差、加速度平均值、加速度最小值、加速度最大值、加速度25％、加速度50％、加速度75％四分位数、加速度标准差的顺序对矩阵的行进行组织，矩阵(3,5)表示的就是第5个帧的速度最大值。
56.(2)驾驶环境表示模块对道路、地理区域、交通和天气等驾驶环境进行学习
57.由于驾驶行为隐含地受到周围驾驶环境的支配，因此还需考虑驾驶环境信息，让模型深入“理解”驾驶员的行为，尤其是在特定驾驶环境下。
58.在本实施例所考虑的驾驶环境信息包括道路状况、地理区域、交通路况和天气状况。
59.如图2所示的驾驶环境表示模块，充分说明了如何处理每个原始gps轨迹以生成环境特征，具体的：
60.对于每个gps轨迹tj，通过地图匹配技术进行线路匹配。由于gps数据转换模块为每个轨迹段输出一个统计特征矩阵，因此驾驶环境表示模块也对对应的轨迹段及其关联的行驶路段进行操作，并相应地产生一个环境特征矩阵。
61.基于路网g、第s轨迹段t
js
及其经过地图匹配以后的轨迹段r
js
，导出每个驾驶环境表示：
62.1)道路状况
63.利用路段类型、长度、坡度、该路段中交通信号灯的数量、兴趣点(point of interest，poi)的数量(在地理信息系统中，一个poi可以是一栋房子、一个商铺、一个公交站等，在地理时空预测领域往往用poi的数量表示路段旁的“繁华”程度)来表征道路状况，使用nt，nl，ns，ng，np五个向量(其中nt表示路段类型，nl表示路段长度，ns表示路段坡度，ng表示该路段中交通信号灯的数量，np表示poi的数量，)分别对每个路段的属性进行编码。对于路段类型，采用one-hot编码生成属性向量，给定匹配后的路线r
js
，推导出r
js
覆盖的路段的道路类型向量，并按顺序连接到一个向量中，该向量描述了车辆在路线匹配后的生成轨迹r
js
中行驶的道路类型；采用线性层来降低稀疏属性向量的维数，形成路况表示向量。
64.在本实施例中，属性向量是长度为17的一维向量，道路类型有tertiary、tertiary_link、residential、unclassified、secondary、secondary_link、primary、primary_link、motorway、motorway jlink、trunk、trunk_link、track、bridleway、living street、path、service共17种，例如对于tertiary道路类型，one-hot编码用[1,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0]向量表示，对于residential道路类型，one-hot编码用[0,0,1,0,0,0,0,0,0,0,0,0,0,0,0,0,0]向量表示。
[0065]
对于路段类型，采用one-hot编码生成属性向量：
[0066]
给定匹配后的路线rj＝[r
j1
,r
j2
,r
j3rjs
]，其中s表示该路线中路段的数量，r
ji
表示
路线rj中的第i个路段的路段id(1≤i≤s)，r
j1
的终点是r
j2
的起点，r
j2
的终点是r
j3
的起点，以此类推。该路线中每一个路段r
ji
的道路类型经one-hot编码形成一维向量其中d
nt
＝17，表示单个路段的路段类型的向量维度。
[0067]
路段的道路类型向量ntj′i按照路段的连接顺序连接起来，采用dense层来降低稀疏属性向量的维数，形成道路类型表示向量：
[0068][0069][0070]
该向量描述了车辆在路线匹配后的生成轨迹rj中行驶的道路类型。
[0071]
长度向量表示为其中nl
ji
表示路线rj中的第i个路段的长度(1≤i≤s)。
[0072]
类似地，坡度，交通信号灯的数量，兴趣点的数量向量分别表示为：
[0073][0074][0075][0076]
路况表示向量由ntj,nlj,nsj,ngj,npj连接表示，并用线性层降低维度：
[0077][0078]
其中，d
context
表示压缩以后的向量维度。
[0079]
2)地理区域
[0080]
gps数据仅仅反映瞬时驾驶状态，但不能捕获轨迹的高级地理语义，例如起点、目的地和行驶区域。需要引入地理语义表示。将轨迹覆盖的地理区域划分为n
×
n网格。对于每个轨迹rj，计算一个地理语义表示矩阵mj，如果轨迹rj与网格[a，b]相交，则mj[a，b]＝1；否则mj[a，b]＝0：
[0081]
展平矩阵mj，将其输入线性层以降低维数，形成地理语义表示向量：
[0082]
其中，d
context
表示压缩以后的向量维度。
[0083]
3)交通状况。
[0084]
除了路况，另一个对驾驶活动影响很大的因素是实时交通状况。考虑车辆的瞬时运动和周围的交通状况可以更好地评估驾驶员的驾驶行为。因此，使用相对速度(计算为车辆行驶速度与车辆定位路段的平均行驶速度之间的比率)来表示交通状况。
[0085]
利用所有可用的gps数据来估计实时交通状况；对于每个路段，其交通状况可以近似为一个时间段内经过的所有车辆的平均行驶速度；根据地图匹配结果将所有gps记录分
类到路段。对于给定的路段，使用落入该时间段的gps记录计算其平均行驶速度。由于数据稀疏，无法得出整个路网在所有时间段的完整交通状况。对于缺失值，使用时空插值，通过利用道路之间固有的交通相关性来推断未覆盖路段的交通状况。获得所有路段的交通状况后，计算行驶路线覆盖的路段r
js
的相对速度，形成基于相对速度的交通状况表示。
[0086]
计算行驶路线覆盖的路段r
js
的相对速度的过程为：
[0087]
获得所有路段的交通状况后，计算行驶路线覆盖的路段r
js
的相对速度：其中v
jsvehicle
表示车辆在轨迹rj的第s个路段的行车速度，轨迹rj的第s个路段在路网中对应的路段id为表示在时刻t，所有车辆行驶在路段r
js
的平均车速。
[0088]
轨迹rj的速度向量v
jrelative
由每一个路段的相对速度按照路段连接顺序组成，并将其输入线性层降低维度，形成基于相对速度的交通状况表示向量h
jtraffic
：
[0089]
其中，s表示轨迹rj中路段的数量，d
context
表示压缩以后的向量维度。
[0090]
4)天气状况。
[0091]
天气状况也可能影响驾驶行为，利用温度、湿度、可见度、降水量来表示天气状况，即分别使用temp，hum，vis，prec四个向量来表示温度、湿度、可见度、降水量，通过temp，hum，vis，prec分别对每个路段的属性进行编码:其中，s表示轨迹rj中路段的数量，temp
j1
表示车辆经过路段s时的天气温度。向量同理表示。
[0092]
天气状况表示向量由temp，hum，vis，prec拼接而成，并将其输入线性层降低维度：其中，d
context
表示压缩以后的向量维度。
[0093]
当驾驶环境信息中的以上四种信息准备就绪时，将其连接成一个向量，然后将其馈入dense层以形成驾驶环境表示向量。为了与统计特征矩阵兼容，将其重塑为和统计特征矩阵相同大小的驾驶环境特征矩阵；具体的，当驾驶环境信息中的以上四种信息准备就绪时，将其连接成一个二维矩阵e
context
′
：将其馈入dense层以形成驾驶环境表示向量。为了与统计特征矩阵兼容，将其重塑为和统计特征矩阵相同大小的驾驶环境特征矩阵：
[0094][0095]
(3)对驾驶行为统计数据和驾驶环境信息进行卷积学习，形成驾驶风格表示向量
[0096]
如图2中的融合卷积模块所示，使用一堆带有leaky re lu的卷积层来处理所输入
的驾驶行为统计矩阵和驾驶环境特征矩阵。驾驶行为统计矩阵和驾驶环境特征矩阵经过一系列卷积后，得到一个特征张量，该张量被展平并输入到dense层以导出驾驶风格表示向量h
style
，即其中，表示驾驶风格表示向量的维度。
[0097]
剩余路线油耗预测部分
[0098]
如图3所示的剩余路线油耗预测部分，利用深度融合网络计算已行驶路线和剩余路线的驾驶数据和驾驶环境特征，融合车辆配置和第一部分学习到的历史驾驶风格等静态信息，提高油耗预测的准确度。具体流程如下：
[0099]
(1)计算已行驶路线的驾驶行为统计数据和驾驶环境信息，融合历史驾驶风格和车辆配置等静态信息，形成已行驶路线特征
[0100]
对于已行驶路线，传感器每δt时间会传回车辆的行驶数据，经处理可以提取速度、加速度、转速、扭矩和瞬时油耗，故在该辆车在时刻t的驾驶行为向量可以表示为：
[0101]
除此之外，外部因素如道路环境、时间和天气也会在一定程度上影响车辆行驶过程中的燃油消耗。从道路环境维度选取了路段类型(type)、长度(length)、坡度(slope)、该路段中交通信号灯的数量(num
tl
)、poi的数量(num
poi
)五个特征，表示为：时间维度提取了当天是否是工作日(weekday)以及当前时段是否是车辆高峰期(period)两个特征，表示为：天气维度提取了对应时间的温度(temperature)、湿度(humidity),可见度(visibility)以及6小时内的累积降水量(precipitation)，表示为：驾驶环境特征由道路环境、时间和天气特征拼接而成，表示为：
[0102]
在学习已行驶路线特征时，不仅要考虑车辆行驶在该道路时的驾驶环境和驾驶行为等动态数据，还要考虑驾驶员的历史驾驶风格表示向量和车辆配置等静态数据。
[0103]
车辆配置反映车辆的基本属性，包括平台类型(platform)、车辆类型(vehicle_type)、发动机类型(engine)、离合器类型(clutch)、驱动类型(drive)、变速箱类型(transmission)、后桥类型(rear_axle)、车架类型(frame)、轴距类型(wheelbase)、轮胎类型(wheel),各属性信息经过one-hot编码处理，车辆配置信息h
vehicle
表示为：h
vehicle
＝{platform,vehicle_type,engine,clutch,drive,transmission,rear_axle,frame,wheelbase,wheel}。
[0104]
对上述不同类型的特征，用循环模型学习已行驶路线驾驶行为和驾驶环境的潜在表示，循环部分由transformer层、concatenate层和gru层组成。transformer层通过注意机制突出输入的时序数据中的重要时期。concatenate层将静态特征(包括车辆配置特征h
vehicle
和历史驾驶风格特征h
style
)与动态时变特征(包括驾驶行为和驾驶环境)结合起来。gru层旨在捕获输入数据中的时间模式。gru是循环神经网络(rnns)的改进版本，这里选择它是因为它解决了梯度消失问题，并在顺序建模中实现了最优的性能。
[0105]
具体地，具体地，循环模型可以表述为：
[0106]
tm(f)＝transformer(f,θ
tm
)
[0107]
rec(f)＝gru(concat([tm(f),h
style
,h
vehicle
]),θ
gru
)
[0108]
其中f表示上述驾驶行为和驾驶环境特征集，θ
tm
为transformer参数集，θ
gru
为gru参数集，包括隐藏层的层数，编码器的个数等，参数的设置可能会影响模型的性能。
[0109]
由上述公式，循环部分处理已行驶路线驾驶行为和驾驶环境特征可以表述为：
[0110][0111][0112]
其中，d
behavior
和d
context
分别表示对应向量的维度，已行驶路线驾驶行为特征集e
behavior
由形成：
[0113][0113]
表示车辆在ti时刻的驾驶行为向量，n
t
表示车辆在已行驶路线上由传感器传回的数据记录的数量。
[0114]
同理，已行驶路线驾驶行为特征集e
context
由形成：
[0115]
表示车辆在ti时刻的驾驶环境向量。
[0116]
最终，已行驶路线特征由已行驶路线驾驶行为和驾驶环境特征拼接而成，表述为：
[0117][0118]
(2)计算剩余路线的驾驶环境信息，融合历史驾驶风格和车辆配置等静态信息，形成剩余路线特征
[0119]
剩余路线是车辆计划驶入的路线，尚未形成驾驶行为数据，且实际驶入时处于何种时间和天气环境是不确定的，因此对于剩余路线只处理道路环境。对道路环境的处理与已行驶路线的处理类似，剩余路线特征表示为：
[0120][0121]
其中，d
remain
表示对应向量的维度，剩余路线道路特征集e
road
由形成：
[0122]
表示剩余路线中的路段li的道路环境向量，n
l
表示剩余路线中的路段数量。
[0123]
(3)用剩余路线和已行驶路线的相似度对两部分路线特征进行注意力加权，使用多层感知器来预测车辆在剩余路线的行驶油耗
[0124]
对于已行驶路线特征h
traveled
和剩余路线特征h
remain
，需要计算已行驶路线和剩余路线的道路属性相似度a：
[0125][0126]
其中，表示已行驶路线中路段i的道路环境特征，表示剩余路线中路段j的道路环境特征，s表示路线中所有路段的数量，s
′
表示剩余路线的路段数量。
[0127]
对于车辆正在行驶途中，已行驶路线的路段数量不足s的情况，用0值填充向量
[0128]
的计算方式为：
[0129]
对length、slope、num
tl
、num
poi
进行归一化处理，则
[0130]
其中
[0131]
求得相似度之后，用相似度α对两部分特征加权求和，最终通过全连接层预测商用车在剩余路线上的油耗，具体可表述为：
[0132][0133]
本实施例充分考虑历史驾驶行为以及产生该行为的驾驶环境，基于卷积网络从历史驾驶数据中学习驾驶风格表示；利用深度融合网络处理不同类型的油耗影响因素，提取全面有效的油耗特征；计算已行驶路线的驾驶行为统计数据和驾驶环境信息，用transformer捕获时间依赖，融合历史驾驶风格和车辆配置等静态信息，形成已行驶路线特征；计算剩余路线的驾驶环境信息，用transformer捕获时间依赖，融合历史驾驶风格和车辆配置等静态信息和地理区域编码，形成剩余路线特征；用剩余路线和已行驶路线的相似度对两部分路线特征进行注意力加权预测，提高油耗预测的准确度。
[0134]
实施例二
[0135]
本公开实施例二介绍了一种基于驾驶风格的车辆剩余线路油耗预测系统。
[0136]
如图4所示的一种基于驾驶风格的车辆剩余线路油耗预测系统，包括：
[0137]
向量获取模块，其被配置为获取车辆已行驶路线的驾驶行为数据和驾驶环境信息，得到驾驶风格表示向量；其中，所述驾驶风格表示向量包括车辆油耗；
[0138]
特征获取模块，其被配置为根据所形成的驾驶风格表示向量和车辆配置信息，得到已行驶线路特征；获取剩余线路的驾驶环境信息，结合所述驾驶风格表示向量和车辆配置信息，得到剩余线路特征；
[0139]
油耗预测模块，其被配置为计算已行驶线路特征和剩余线路特征的相似度，基于所得到的相似度进行已行驶线路特征和剩余线路特征的加权求和，完成车辆在剩余路线行驶的油耗预测。
[0140]
详细步骤与实施例一提供的基于驾驶风格的车辆剩余线路油耗预测方法相同，在此不再赘述。
[0141]
实施例三
[0142]
本公开实施例三提供了一种计算机可读存储介质。
[0143]
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实现如本公开实施例一所述的基于驾驶风格的车辆剩余线路油耗预测方法中的步骤。
[0144]
详细步骤与实施例一提供的基于驾驶风格的车辆剩余线路油耗预测方法相同，在此不再赘述。
[0145]
实施例四
[0146]
本公开实施例四提供了一种电子设备。
[0147]
一种电子设备，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程序，所述处理器执行所述程序时实现如本公开实施例一所述的基于驾驶风格的车辆剩余线路油耗预测方法中的步骤。
[0148]
详细步骤与实施例一提供的基于驾驶风格的车辆剩余线路油耗预测方法相同，在此不再赘述。
[0149]
以上所述仅为本公开的优选实施例而已，并不用于限制本公开，对于本领域的技术人员来说，本公开可以有各种更改和变化。凡在本公开的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本公开的保护范围之内。
[0150]
上述虽然结合附图对本公开的具体实施方式进行了描述，但并非对本公开保护范围的限制，所属领域技术人员应该明白，在本公开的技术方案的基础上，本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本公开的保护范围以内。

技术特征：
1.一种基于驾驶风格的车辆剩余线路油耗预测方法，其特征在于，包括：获取车辆已行驶路线的驾驶行为数据和驾驶环境信息，得到驾驶风格表示向量；其中，所述驾驶风格表示向量包括车辆油耗；根据所形成的驾驶风格表示向量和车辆配置信息，得到已行驶线路特征；获取剩余线路的驾驶环境信息，结合所述驾驶风格表示向量和车辆配置信息，得到剩余线路特征；计算已行驶线路特征和剩余线路特征的相似度，基于所得到的相似度进行已行驶线路特征和剩余线路特征的加权求和，完成车辆在剩余路线行驶的油耗预测。2.如权利要求1中所述的一种基于驾驶风格的车辆剩余线路油耗预测方法，其特征在于，基于gps轨迹获取不同时间窗口的驾驶行为统计数据，捕捉瞬间车辆运动特征，以矩阵形式表示所捕捉到的瞬间车辆运动特征，得到车辆已行驶路线的驾驶行为数据；所获取的驾驶环境信息包括道路状态、地理区域、交通路况和天气状况。3.如权利要求1中所述的一种基于驾驶风格的车辆剩余线路油耗预测方法，其特征在于，基于所得到的驾驶行为数据获取统计矩阵，基于所得到的驾驶环境信息得到环境矩阵，对所得到的统计矩阵和环境矩阵进行融合卷积学习，得到驾驶风格表示向量。4.如权利要求1中所述的一种基于驾驶风格的车辆剩余线路油耗预测方法，其特征在于，所述已驾驶线路特征包括考虑车辆行驶过程中的驾驶环境信息和驾驶行为在内的动态数据和考虑驾驶风格表示向量和车辆配置信息在内的静态数据；采用循环模型学习已驾驶线路特征和驾驶环境信息之间的潜在关系，所述循环模型包括transformer层、concatenate层和gru层，在concatenate层的作用下实现动态数据和静态数据的融合，得到已驾驶线路特征。5.如权利要求1中所述的一种基于驾驶风格的车辆剩余线路油耗预测方法，其特征在于，所述剩余线路特征与剩余线路道路环境相关，剩余路线特征表示h
remain
为：其中，d
remain
表示对应向量的维度，剩余路线道路特征集e
road
有组成，即组成，即表示剩余路线中的路段l
i
的道路环境向量，n
l
表示剩余路线中的路段数量。6.如权利要求1中所述的一种基于驾驶风格的车辆剩余线路油耗预测方法，其特征在于，所述已行驶路线和剩余路线的道路属性相似度a为：其中，表示已行驶路线中路段i的道路环境特
征，表示剩余路线中路段j的道路环境特征，s表示路线中所有路段的数量，s
′
表示剩余路线的路段数量。7.如权利要求1中所述的一种基于驾驶风格的车辆剩余线路油耗预测方法，其特征在于，根据相似度对已驾驶路线特征和剩余路线特征加权求和，通过全连接层预测车辆在剩余线路上的油耗余线路上的油耗8.一种基于驾驶风格的车辆剩余线路油耗预测系统，其特征在于，包括：向量获取模块，其被配置为获取车辆已行驶路线的驾驶行为数据和驾驶环境信息，得到驾驶风格表示向量；其中，所述驾驶风格表示向量包括车辆油耗；特征获取模块，其被配置为根据所形成的驾驶风格表示向量和车辆配置信息，得到已行驶线路特征；获取剩余线路的驾驶环境信息，结合所述驾驶风格表示向量和车辆配置信息，得到剩余线路特征；油耗预测模块，其被配置为计算已行驶线路特征和剩余线路特征的相似度，基于所得到的相似度进行已行驶线路特征和剩余线路特征的加权求和，完成车辆在剩余路线行驶的油耗预测。9.一种计算机可读存储介质，其上存储有程序，其特征在于，该程序被处理器执行时实现如权利要求1-7中任一项所述的基于驾驶风格的车辆剩余线路油耗预测方法中的步骤。10.一种电子设备，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程序，其特征在于，所述处理器执行所述程序时实现如权利要求1-7中任一项所述的基于驾驶风格的车辆剩余线路油耗预测方法中的步骤。

技术总结
本公开属于车辆油耗分析与预测技术领域，具体涉及一种基于驾驶风格的车辆剩余线路油耗预测方法及系统，包括：获取车辆已行驶路线的驾驶行为数据和驾驶环境信息，得到驾驶风格表示向量；其中，所述驾驶风格表示向量包括车辆油耗；根据所形成的驾驶风格表示向量和车辆配置信息，得到已行驶线路特征；获取剩余线路的驾驶环境信息，结合所述驾驶风格表示向量和车辆配置信息，得到剩余线路特征；计算已行驶线路特征和剩余线路特征的相似度，基于所得到的相似度进行已行驶线路特征和剩余线路特征的加权求和，完成车辆在剩余路线行驶的油耗预测。测。测。


技术研发人员：彭朝晖 宋巧 侯旋 谢广印
受保护的技术使用者：山东大学
技术研发日：2023.02.21
技术公布日：2023/6/28