一种新能源汽车空驶情况的监测方法与流程

1.本发明涉及新能源车辆监控技术领域，特别是指一种新能源汽车空驶情况的监测方法。


背景技术：

2.近年来新能源汽车产业发展相当迅速，也越来越多消费者在买车时愿意选购新能源汽车。某些新能源车会以在路上空驶的方式，来增加公司车辆的实际行驶里程，这种行为是对资源的浪费，而且对整个行业的影响较坏，因此，亟待一种新能源车空驶监测方法起到监督作用。


技术实现要素：

3.本发明提出一种新能源汽车空驶情况的监测方法，为了解决现有技术的缺少监控新能源车空驶行为的空白，导致扰乱市场的问题。
4.本发明的技术方案是这样实现的：一种新能源汽车空驶情况的监测方法，包括以下步骤：一种新能源汽车空驶情况的监测方法，包括以下步骤：
5.1)获取车辆t-box终端实时上报的信息，所述车辆信息至少包括车辆编号、车辆当前位置、与车辆当前位置相对应的上报时间、车辆当前经度和纬度、车辆运营状态、路网上的方位角，并进行预处理；
6.2)按日统计车辆终端数据，并按照数据上报时间进行排序。首先对数据进行过滤，去除上报数据中的部分无效异常值；
7.3)统计去除无效异常数据后，车辆每日实际行驶里程，并计算出车辆月总行驶里程，连续统计10～12个月的车辆终端数据和月总行驶里程；
8.4)计算每辆车每两个相邻月份的行驶里程斜率，计第一个月月份为mn，当月的行驶里程为sn，第二个月月份为m
n+1
，当月行驶里程为s
n+1
，里程斜率为当月总里程与上月总里程之差的绝对值，记为车辆当月的里程斜率，每两个相邻月份间的里程斜率k1(n)计算公式为：
9.k1(n)＝|s
n+1-sn|/(m
n+1-mn)
10.5)统计每台车辆最终计算出的各个月份中斜率的最大值，及斜率最大值对应的月份，视为该辆车有空驶嫌疑的月份；
11.6)求取已入库车辆各运营月份的里程斜率k2(n)，计算公式同步骤4)，求出的里程斜率的平均值，记为标准值a，若上一步骤中车辆的最大里程斜率大于a值，则定义为该车辆为问题车辆；
12.7)统计已入库车辆的日总行驶里程s
日行驶里程
，计算多辆车日行驶里程的期望值，并记为标准值b；
13.8)查询问题车辆月份中车辆的日总行驶里程，若车辆的日总行驶里程大于所述标准值b，且天数超过15天，则该类车辆被判定为有空驶问题的车辆。
14.优选的，步骤1)中还包括对车辆的轨迹数据进行地图匹配。
15.优选的，步骤1)中的预处理包括步骤：
16.a.剔除数据中的异常值，包括数值为空或“0xff，0xff”以及目标区域空间范围之外的记录；
17.b.对相关车辆位置进行经纬度转换，即把经纬度转换成地方平面坐标系下的坐标，使之与路网坐标系一致。
18.优选的，步骤6)中所述标注值即为已入库车辆前年的月里程斜率的平均值。
19.优选的，地图匹配的方法：根据目标任务对应的位置点确定至少一个候选路段；
20.获取所述位置点的位置数据的特征向量，所述位置数据包括所述位置点与各候选路段的关联信息；
21.将所述特征向量输入至地图匹配模型中进行处理，确定各候选路段的选择参数；
22.根据各所述候选路段的选择参数确定目标路段；
23.其中，所述地图匹配模型包括循环神经网络模型，所述地图匹配模型的训练样本数据根据预先确定的隐马尔可夫模型的数据处理结果进行标注确定。
24.优选的，所述地图匹配模型为深层rnn模型、双向rnn模型、双向深层rnn模型中的一种。
25.优选的，地图匹配模型中，模型当前时刻t的神经元状态h
t
为：
26.h
t
＝f(u*x
t
+w*h
(t-1)
)
27.模型当前时刻t的输出
28.其中，h
t
表征t时刻的神经元状态，xt表征t时刻输入的特征向量，f表征对应神经元的激活函数，表征归一化函数，h(t-1)表征t-1时刻的神经元状态，u、v、w表征相应的系数。
29.本发明的有益效果：
30.本发明通过设计里程斜率与已入库车辆的标准值相对比，同时辅以地图匹配方案，将各个数据精准的记录，较为容易的监察出问题车辆，并且依据相关指标，通过对数据进行层层筛选，找出空驶里程的车辆，完善政策措施和督查机制，规范发展秩序。本发明的地图匹配方法根据目标任务对应的位置点确定至少一个候选路段，获取位置点的位置数据的特征向量，将该特征向量输入至地图匹配模型中进行处理，确定各候选路段的选择参数，根据各候选路段的选择参数确定目标路段。
具体实施方式
31.下面将对本发明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发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
32.一种新能源汽车空驶情况的监测方法，包括以下步骤：
33.1)获取车辆t-box终端实时上报的信息，所述车辆信息至少包括车辆编号、车辆当前位置、与车辆当前位置相对应的上报时间、车辆当前经度和纬度、车辆运营状态、路网上
的方位角，并进行预处理；
34.2)按日统计车辆终端数据，并按照数据上报时间进行排序。首先对数据进行过滤，去除上报数据中的部分无效异常值，例如运营状态报文为“0xff，0xff”时，该车辆此时gps定位属于无效定位，无法应用于空驶数据筛查；
35.3)统计去除无效异常数据后，车辆每日实际行驶里程，并计算出车辆月总行驶里程，连续统计10～12个月的车辆终端数据和月总行驶里程；
36.4)计算每辆车每两个相邻月份的行驶里程斜率，计第一个月月份为mn，当月的行驶里程为sn，第二个月月份为m
n+1
，当月行驶里程为s
n+1
，里程斜率为当月总里程与上月总里程之差的绝对值，记为车辆当月的里程斜率，每两个相邻月份间的里程斜率k1(n)计算公式为：
37.k1(n)＝|s
n+1-sn|/(m
n+1-mn)
38.5)统计每台车辆最终计算出的各个月份中斜率的最大值，及斜率最大值对应的月份，视为该辆车有空驶嫌疑的月份；
39.6)求取已入库车辆各运营月份的里程斜率k2(n)，计算公式同步骤4)，求出的里程斜率的平均值，记为标准值a，若上一步骤中车辆的最大里程斜率大于a值，则定义为该车辆为问题车辆；
40.7)统计已入库车辆的日总行驶里程s
日行驶里程
，计算多辆车日行驶里程的期望值，并记为标准值b；
41.8)查询问题车辆月份中车辆的日总行驶里程，若车辆的日总行驶里程大于所述标准值b，且天数超过15天，则该类车辆被判定为有空驶问题的车辆。
42.优选的，步骤1)中还包括对车辆的轨迹数据进行地图匹配。
43.优选的，步骤1)中的预处理包括步骤：
44.a.剔除数据中的异常值，包括数值为空或“0xff，0xff”以及目标区域空间范围之外的记录；
45.b.对相关车辆位置进行经纬度转换，即把经纬度转换成地方平面坐标系下的坐标，使之与路网坐标系一致。
46.优选的，步骤6)中所述标注值即为已入库车辆前年的月里程斜率的平均值。
47.地图匹配的方法：根据目标任务对应的位置点确定至少一个候选路段；
48.获取所述位置点的位置数据的特征向量，所述位置数据包括所述位置点与各候选路段的关联信息；
49.将所述特征向量输入至地图匹配模型中进行处理，确定各候选路段的选择参数；
50.根据各所述候选路段的选择参数确定目标路段；
51.其中，所述地图匹配模型包括循环神经网络模型，所述地图匹配模型的训练样本数据根据预先确定的隐马尔可夫模型的数据处理结果进行标注确定。
52.位置数据包括位置点数据、所述位置点与各所述候选路段的距离、所述位置点的速度、各所述候选路段的限速信息、所述位置点的运动方向与各所述候选路段的方向的夹角信息中的一项或多项。
53.优选的，所述地图匹配模型为深层rnn模型、双向rnn模型、双向深层rnn模型中的一种。
54.rnn模型是一类以序列数据为输入，在序列的演进方向进行递归且所有循环单元按链式连接的递归神经网络。rnn模型可以拟合多个特征对选择参数所带来的影响，以确定选择参数，由此可以有效地利用多个特征，提高地图匹配的效率和准确性。
55.优选的，地图匹配模型中，模型当前时刻t的神经元状态h
t
为：
56.h
t
＝f(u*x
t
+w*h
(t-1)
)
57.模型当前时刻t的输出
58.其中，h
t
表征t时刻的神经元状态，xt表征t时刻输入的特征向量，f表征对应神经元的激活函数，表征归一化函数，h(t-1)表征t-1时刻的神经元状态，u、v、w表征相应的系数。
59.本实施例的地图匹配模型交叉熵损失loss，应理解，本实施例并不对损失函数的类型进行限制：
[0060][0061]
其中，n表征时刻的数量，yt表征t时刻输入的真实标签值(例如步骤s110获取的各候选路段的选择参数)，ot表征模型的预测值。
[0062]
新能源汽车车型包括私人车、公务车、租赁车、出租车、公交车、旅游车、通勤车、环卫车、物流车共9种新能源汽车，公交车、环卫车、私人车不在补贴范围内。已入库车辆即为已申报过补贴的车辆。
[0063]
上述本发明所提供的方法，利用新能源汽车车载终端数据，从车辆运行里程情况分析考虑，以及结合gps和地图进行比对筛选，实现了车辆空驶情况精确判断，从而具有了车辆空驶场景下特有核查技术体系。
[0064]
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

技术特征：
1.一种新能源汽车空驶情况的监测方法，其特征在于，包括以下步骤：1)获取车辆t-box终端实时上报的信息，所述车辆信息至少包括车辆编号、车辆当前位置、与车辆当前位置相对应的上报时间、车辆当前经度和纬度、车辆运营状态、路网上的方位角，并进行预处理；2)按日统计车辆终端数据，并按照数据上报时间进行排序，首先对数据进行过滤，去除上报数据中的部分无效异常值；3)统计去除无效异常数据后，车辆每日实际行驶里程，并计算出车辆月总行驶里程，连续统计10～12个月的车辆终端数据和月总行驶里程；4)计算每辆车每两个相邻月份的行驶里程斜率，计第一个月月份为m
n
，当月的行驶里程为s
n
，第二个月月份为m
n+1
，当月行驶里程为s
n+1
，里程斜率为当月总里程与上月总里程之差的绝对值，记为车辆当月的里程斜率，每两个相邻月份间的里程斜率k1(n)计算公式为：k1(n)＝|s
n+1-s
n
|/(m
n+1-m
n)
5)统计每台车辆最终计算出的各个月份中斜率的最大值，及斜率最大值对应的月份，视为该辆车有空驶嫌疑的月份；6)求取已入库车辆各运营月份的里程斜率k2(n)，计算公式同步骤4)，求出的里程斜率的平均值，记为标准值a，若上一步骤中车辆的最大里程斜率大于a值，则定义为该车辆为问题车辆；7)统计已入库车辆的日总行驶里程s
日行驶里程
，计算多辆车日行驶里程的期望值，并记为标准值b；8)查询问题车辆月份中车辆的日总行驶里程，若车辆的日总行驶里程大于所述标准值b，且天数超过15天，则该类车辆被判定为有空驶问题的车辆。2.如权利要求1所述的一种新能源汽车空驶情况的监测方法，其特征在于：步骤1)中还包括对车辆的轨迹数据进行地图匹配。3.如权利要求1所述的一种新能源汽车空驶情况的监测方法，其特征在于：步骤1)中的预处理包括步骤：a.剔除数据中的异常值，包括数值为空或“0xff,0xff”以及目标区域空间范围之外的记录；b.对相关车辆位置进行经纬度转换，即把经纬度转换成地方平面坐标系下的坐标，使之与路网坐标系一致。4.如权利要求1所述的一种新能源汽车空驶情况的监测方法，其特征在于：步骤6)中所述标注值即为已入库车辆前年的月里程斜率的平均值。5.如权利要求2所述的一种新能源汽车空驶情况的监测方法，其特征在于：地图匹配的方法：根据目标任务对应的位置点确定至少一个候选路段；获取所述位置点的位置数据的特征向量，所述位置数据包括所述位置点与各候选路段的关联信息；将所述特征向量输入至地图匹配模型中进行处理，确定各候选路段的选择参数；根据各所述候选路段的选择参数确定目标路段；其中，所述地图匹配模型包括循环神经网络模型，所述地图匹配模型的训练样本数据根据预先确定的隐马尔可夫模型的数据处理结果进行标注确定。
6.如权利要求5所述的一种新能源汽车空驶情况的监测方法，其特征在于：所述地图匹配模型为深层rnn模型、双向rnn模型、双向深层rnn模型中的一种。7.如权利要求5所述的一种新能源汽车空驶情况的监测方法，其特征在于：地图匹配模型中，模型当前时刻t的神经元状态h
t
为：ht＝f(u*xt+w*h(t-1))模型当前时刻t的输出其中，h
t
表征t时刻的神经元状态，xt表征t时刻输入的特征向量，f表征对应神经元的激活函数，表征归一化函数，h(t-1)表征t-1时刻的神经元状态，u、v、w表征相应的系数。

技术总结
本发明提出一种新能源汽车空驶情况的监测方法，为了解决现有技术的缺少监控新能源车空驶行为的空白，导致扰乱市场的问题。一种新能源汽车空驶情况的监测方法，包括以下步骤：1)获取车辆T-BOX终端实时上报的信息，所述车辆信息至少包括车辆编号、车辆当前位置、与车辆当前位置相对应的上报时间、车辆当前经度和纬度、车辆运营状态、路网上的方位角，并进行预处理；2)按日统计车辆终端数据，并按照数据上报时间进行排序，本发明通过设计里程斜率与已入库车辆的标准值相对比，同时辅以地图匹配方案，将各个数据精准的记录，较为容易的监察出问题车辆，并且依据相关指标，通过对数据进行层层筛选，找出空驶里程的车辆，完善了政策措施和督查机制。施和督查机制。


技术研发人员：吴婧琦 王伟 李德明 曹晶峥 周志强 李茂飞 孙冉冉
受保护的技术使用者：青岛华通图新信息科技有限公司
技术研发日：2023.03.27
技术公布日：2023/7/18