一种车辆剩余里程预测方法、装置、设备及存储介质与流程

1.本技术涉及新能源汽车技术领域，具体涉及一种车辆剩余里程预测方法、装置、设备及存储介质。


背景技术：

2.随着汽车向电动化、网联化和智能化发展，越来越多的个性化服务增添了用户用车过程中的驾乘乐趣，车辆由传统交通工具向移动终端转变，新能源汽车市场占有率也在逐年提高。而纯电动汽车续航能力一直被用户诟病，其最大痛点就是充电问题和里程焦虑，其中里程焦虑跟车端无法准确评估剩余里程直接相关。因此准确评估车辆剩余行驶里程将有助于用户对纯电动汽车的使用，也是提升用户体验感的重要方式之一。
3.如cn106515478b所提出的电动汽车剩余行驶里程在线预测方法，虽通过当前车辆行驶数据结合电量消耗速度数据模型计算单位里程电量消耗进而预估剩余行驶里程，但未能充分考虑不同风格驾驶员对模型的影响；又如cn111563976b提出的商用车剩余行驶里程的确定方法，虽通过计算不同平均车速下的电量消耗得到速度与电耗的关系，然后基于电池剩余电量、平均车速和修正后的电能消耗率确定出车辆的剩余行驶里程，但仅考虑了平均速度对电耗的影响由于影响电耗的因素众多，因此无法准确地预估剩余行驶里程。因此，其车辆剩余里程数的预测结果准确性较低，不能完全满足用户需求。


技术实现要素：

4.鉴于以上所述技术的缺点，本发明提供一种车辆剩余里程预测方法、装置、设备及存储介质，以解决上述车辆剩余里程数的预测结果准确性较低的技术问题。
5.本发明提供的一种车辆剩余里程预测方法，其特征在于，所述车辆剩余里程预测方法包括：获取目标车辆的初始数据和车辆剩余能量值，所述初始数据包括初始用户行为数据、初始用户设置数据、车辆驾驶数据，以及所述目标车辆所处空间的初始环境数据；对所述初始数据进行标准化处理，以得到用于构建数据模型的标准化数据，所述标准化数据包括标准用户行为数据、标准用户设置数据、标准车辆驾驶数据，以及标准环境数据；根据所述标准用户行为数据和所述标准用户设置数据对用户驾驶行为进行分类，得到多个驾驶行为模式；基于所述驾驶行为模式和所述标准车辆驾驶数据构建车辆驾驶数据与车辆能量消耗的速度映射关系，并基于所述驾驶行为模式和所述标准环境数据构建环境数据与所述车辆能量消耗的温湿度映射关系；基于所述速度映射关系、所述温湿度映射关系，以及所述车辆剩余能量值和目标车辆当前驾驶数据、当前环境数据确定所述目标车辆的剩余里程数，以对所述目标车辆的剩余里程进行预测。
6.于本技术的一个实施例中，对所述初始数据进行标准化处理，包括以下至少之一：对所述初始数据进行数据清洗，以筛除所述初始数据中的多余数据；确定所述初始数据中每一数据的数据属性，并基于所述数据属性对所述初始数据进行分类，以对所述初始数据进行数据集成处理；将所述初始化数据进行数据转换，以得到规范数据。
7.于本技术的一个实施例中，所述标准化数据包括多组数据，得到用于构建数据模型的标准化数据之后，还包括将所述标准化数据中的任一组数据确定为目标数据；计算所述目标数据与车辆能耗之间的相关性，得到目标相关系数，并基于所述目标相关系数确定所述目标数据与车辆能耗之间的关联程度；遍历所述标准化数据中的每组数据，以得到每组数据与车辆能耗之间的相关性。
8.于本技术的一个实施例中，基于所述目标相关系数确定所述目标数据与车辆能耗之间的关联程度，包括：若所述目标相关系数大于或等于预设第一阈值，则确定所述目标数据与车辆能耗之间的关联程度为强关联；若所述目标相关系数小于所述预设第一阈值，并大于或等于预设第二阈值，则确定所述目标数据与车辆能耗之间的关联程度为中等关联；若所述目标相关系数小于所述预设第二阈值，则确定所述目标数据与车辆能耗之间的关联程度为弱关联。
9.于本技术的一个实施例中，根据所述标准用户行为数据和所述标准用户设置数据对用户驾驶行为进行分类，得到多个驾驶行为模式，包括：基于所述标准用户行为数据和所述标准用户设置数据，得到与车辆能耗之间的关联程度为强关联的驾驶特征数据，并基于所述驾驶特征数据生成驾驶特征数据集；将所述驾驶特征数据集中的任意多个数据确定为初始聚类中心，并计算剩余每个点与每个聚类中心的理论距离；将任一数据点确定为目标点，确定所述目标点到每个初始聚类中心的距离，并将距离最小的一个聚类中心确定为所述目标点的关联点；遍历每个数据点，将全部数据点分配至多个初始聚类中心，并计算所述多个初始聚类中心的质心，得到初始质心。
10.于本技术的一个实施例中，计算所述多个聚类中心的质心，得到初始质心之后，还包括：重新选取所述驾驶特征数据集中的任意多个数据确定为更新聚类中心；计算剩余每个数据点到多个更新聚类中心的理论距离，以将全部数据点分配至所述更新聚类中心，并计算所述更新聚类中心的质心，得到更新质心；确定所述更新质心与所述初始质心的质心差值，当所述质心差值小于或等于预设差值阈值，则基于所述初始聚类中心和所述更新聚类中心得到驾驶行为模式分类。
11.于本技术的一个实施例中，基于所述驾驶行为模式和所述标准车辆驾驶数据构建车辆驾驶数据与车辆能量消耗的速度映射关系，并基于所述驾驶行为模式和所述标准环境数据构建环境数据与所述车辆能量消耗的温湿度映射关系，包括：基于所述标准车辆驾驶数据得到当前驾驶速度，并构建所述当前驾驶速度和所述驾驶行为模式与车辆能耗之间的关联关系，以得到所述速度映射关系；基于所述标准环境数据得到当前温湿度，并构建所述当前温湿度和所述驾驶行为模式与车辆能耗之间的关联关系，以得到所述温湿度映射关系。
12.于本技术的一个实施例中，基于所述速度映射关系、所述温湿度映射关系，以及所述车辆剩余能量值确定所述目标车辆的剩余里程数，包括：基于所述标准车辆驾驶数据确定所述目标车辆的当前驾驶速度和当前温湿度；根据所述当前驾驶速度和所述速度映射关系得到所述目标车辆的第一能量消耗率，并根据所述当前温湿度和所述温湿度映射关系得到所述目标车辆的第二能量消耗率；计算所述第一能量消耗率和所述第二能量消耗率得到所述目标车辆的综合能量消耗率；计算所述综合能量消耗率和所述车辆剩余能量值，得到所述目标车辆的剩余里程数。
13.于本技术的一个实施例中，得到所述目标车辆的剩余里程数之后，还包括：将所述剩余里程数发送至所述目标车辆的车机端，并基于所述车机端展示所述剩余里程数。
14.本技术提供一种车辆剩余里程预测装置，所述车辆剩余里程预测装置包括：数据获取模块，用于获取目标车辆的初始数据，所述初始数据包括初始用户行为数据、初始用户设置数据、车辆驾驶数据，以及所述目标车辆所处空间的初始环境数据；数据处理模块，用于对所述初始数据进行标准化处理，以得到用于构建数据模型的标准化数据，所述标准化数据包括标准用户行为数据、标准用户设置数据、标准车辆驾驶数据，以及标准环境数据；驾驶模式确认模块，用于根据所述标准用户行为数据和所述标准用户设置数据对用户驾驶行为进行分类，得到多个驾驶行为模式；预测模型构建模块，用于基于所述驾驶行为模式和所述标准车辆驾驶数据构建车辆驾驶数据与车辆能量消耗的速度映射关系，并基于所述驾驶行为模式和所述标准环境数据构建环境数据与所述车辆能量消耗的温湿度映射关系；剩余里程预测模块，用于基于所述速度映射关系、所述温湿度映射关系，以及所述车辆剩余能量值和目标车辆当前驾驶数据、当前环境数据确定所述目标车辆的剩余里程数，以对所述目标车辆的剩余里程进行预测。
15.本技术提供一种电子设备，所述电子设备包括：一个或多个处理器；存储装置，用于存储一个或多个程序，当所述一个或多个程序被所述一个或多个处理器执行时，使得所述电子设备实现如上所述的车辆剩余里程预测方法。
16.本技术提供一种计算机可读存储介质，其上存储有计算机程序，当所述计算机程序被计算机的处理器执行时，使计算机执行如上所述的车辆剩余里程预测方法。
17.本发明的有益效果：本发明中提出的车辆剩余里程预测方法、装置、设备及存储接通，通过对用户驾驶行为进行分类，再通过车机的用户设置数据、车辆状态数据以及环境数据建立不同环境下不同车速的车辆能耗模型以及车载设备的能耗模型。基于用户在最近一段时间的驾驶风格和车辆的状态，结合车速—能耗模型和温度/湿度—能耗模型计算出电量消耗率，最后通过剩余电量计算出车辆剩余里程，有效提升了车辆剩余里程数的预测结果的准确性，极大地提升了用户体验感。
18.应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本技术。
附图说明
19.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。显而易见地，下面描述中的附图仅仅是本技术的一些实施例，对于本领域普通技术者来讲，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。在附图中：
20.图1是本技术的一示例性实施例示出的车辆剩余里程预测的实施环境示意图；
21.图2是本技术的一示例性实施例示出的车辆剩余里程预测方法流程图；
22.图3是本技术的一示例性实施例示出的用户驾驶行为模式构建流程图；
23.图4是本技术的一示例性实施例示出的车辆剩余里程预测方法全流程图；
24.图5是本技术的一示例性实施例示出的对采集数据进行建模分析流程示意图；
25.图6是本技术的一示例性实施例示出的车辆数据滑动窗口示意图；
26.图7是本技术的一示例性实施例示出的车辆剩余里程预测装置的框图；
27.图8示出了适于用来实现本技术实施例的电子设备的计算机系统的结构示意图。
具体实施方式
28.以下将参照附图和优选实施例来说明本发明的实施方式，本领域技术人员可由本说明书中所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本发明的精神下进行各种修饰或改变。应当理解，优选实施例仅为了说明本发明，而不是为了限制本发明的保护范围。
29.需要说明的是，以下实施例中所提供的图示仅以示意方式说明本发明的基本构想，遂图式中仅显示与本发明中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制，其实际实施时各组件的型态、数量及比例可为一种随意的改变，且其组件布局型态也可能更为复杂。
30.在下文描述中，探讨了大量细节，以提供对本发明实施例的更透彻的解释，然而，对本领域技术人员来说，可以在没有这些具体细节的情况下实施本发明的实施例是显而易见的，在其他实施例中，以方框图的形式而不是以细节的形式来示出公知的结构和设备，以避免使本发明的实施例难以理解。
31.首先需要说明的是，kmeans算法是典型的基于距离的聚类算法，采用距离作为相似性的评价指标，即认为两个对象的距离越近，其相似度就越大。该算法认为簇是由距离靠近的对象组成的，因此把得到紧凑且独立的簇作为最终目标。
32.pearson相关系数(pearson correlation coefficient)是用来衡量两个数据集合是否在一条线上面，它用来衡量定距变量间的线性关系。
33.图1是本技术的一示例性实施例示出的车辆剩余里程预测的实施环境示意图。如图1所示，车辆剩余里程预测的实施包括智能车辆101和计算机设备102，其中智能车辆101上包括有高低边驱动装置，计算机设备102可以是台式图形处理器(graphic processing unit，gpu)计算机、gpu计算集群、神经网络计算机等中的至少一种，也可以是集成在当前车辆上的智能处理器。相关技术人员可以通过采集当前车辆的相关数据，并通过计算机设备102对相关数据进行计算，以得到对当前车辆的剩余里程数的预测结果。
34.图2是本技术的一示例性实施例示出的车辆剩余里程预测方法流程图。
35.如图2所示，在一示例性的实施例中，车辆剩余里程预测方法至少包括步骤s210至步骤s250，详细介绍如下：
36.步骤s210，获取目标车辆的初始数据和车辆剩余能量值，初始数据包括初始用户行为数据、初始用户设置数据、车辆驾驶数据，以及目标车辆所处空间的初始环境数据。
37.在本技术的一个实施例中，采集车辆使用过程中全生命周期数据，包括用户驾驶行为数据、车辆使用信息、车辆状态数据和环境数据等，并对采集得到的数据进行标签标注。其中用户驾驶行为数据(即初始用户行为数据)包括：平均车速、加速踏板深度、制动踏板深度、方向盘转向角度、方向盘转角速率、驾驶模式设置、滑行能量回收模式、纵向加速度、横向加速度、档位设置状态等；车辆相关数据(即初始驾驶数据)包括：车速、电池健康度、电池soc、车载设备开关、电池电压、电池电流、车载设备电压、车载设备电流、整车质量、
车辆累计行驶里程等；用户设置数据(即初始用户设置数据)包括：加速模式、转向模式、制动模式等；环境数据(即初始环境数据)包括：车外温度、车内温度、车外湿度、车内湿度、天气等。
38.需要说明的是，此处提到的初始数据为采集得到的未经处理的原始数据，包括历史数据和当前数据。其中，历史数据包括历史用户行为数据、历史用户设置数据、历史驾驶数据，以及历史环境数据；而当前数据则包括当前用户行为数据、当前用户设置数据、当前驾驶数据，以及当前环境数据。
39.步骤s220，对初始数据进行标准化处理，以得到用于构建数据模型的标准化数据，标准化数据包括标准用户行为数据、标准用户设置数据、标准车辆驾驶数据，以及标准环境数据。
40.需要说明的是，在得到初始数据之后需要对其进行数据预处理，其数据预处理主要包括数据清洗、数据集成、数据转换等操作。其中，数据清洗是为了去除不完整、不准确、重复或无关的数据，填补缺失值，处理异常值；数据集成是将来自不同数据源的数据进行整合和合并，消除重复和不一致的数据；而数据转换则是将数据进行归一化、标准化、离散化等转换操作，以便更好地支持数据分析和建模。
41.在本技术的一个实施例中，对初始数据进行标准化处理，包括以下至少之一：对初始数据进行数据清洗，以筛除初始数据中的多余数据；确定初始数据中每一数据的数据属性，并基于数据属性对初始数据进行分类，以对初始数据进行数据集成处理；将初始化数据进行数据转换，以得到规范数据。
42.在本技术的一个实施例中，由于一些数据的范围跨度较大，带入模型会引起误差，因此采用最大最小值归一化算法对得到的初始数据进行处理。设待处理的数值变量为归一化后的变量为则其归一化处理公式如下：
[0043][0044]
其中，zi为归一化后的变量，xi为待处理的数值变量，min(x)为待处理的数值变量的最小值，max(x)为待处理的数值变量的最大值。
[0045]
此外，还需要说明的是，经过数据清洗、数据集成、数据转换得到的标准化数据中包括大量的数据，但并非所有数据都与车辆能量消耗存在强关联性，其中存在部分数据与车辆能量消耗关联性较小甚至不存在关联，因此，需要进一步对上述标准化数据进行相关性分析，以选出标准化数据中对能耗影响较大的指标。
[0046]
在本技术的一个实施例中，其标准化数据包括多组数据，因此在得到用于构建数据模型的标准化数据之后，还包括：将标准化数据中的任一组数据确定为目标数据；计算目标数据与车辆能耗之间的相关性，得到目标相关系数，并基于目标相关系数确定目标数据与车辆能耗之间的关联程度；遍历标准化数据中的每组数据，以得到每组数据与车辆能耗之间的相关性。
[0047]
在本技术的一个实施例中，采用person相关系数的方式计算特征之间的相似度，进而判断所提取的特征和类别的正相关、负相关还是不相关的程度。其person相关系数计算公式如下：
[0048][0049]
其中，ρ
x，y
表示自变量x和因变量y的相关系数，cov(x，y)为x和y之间的协方差，μ为标准差。
[0050]
此外，协方差的计算公式如下：
[0051]
cov(x，y)＝e[(x-μ
x
)(y-μy)]
ꢀꢀꢀꢀ
式(3)，
[0052]
其中，cov(x，y)为x和y之间的协方差，e为数据期望，μ为均值。
[0053]
在本技术的一个实施例中，基于目标相关系数确定目标数据与车辆能耗之间的关联程度，包括：若目标相关系数大于或等于预设第一阈值，则确定目标数据与车辆能耗之间的关联程度为强关联；若目标相关系数小于预设第一阈值，并大于或等于预设第二阈值，则确定目标数据与车辆能耗之间的关联程度为中等关联；若目标相关系数小于预设第二阈值，则确定目标数据与车辆能耗之间的关联程度为弱关联。
[0054]
在本技术的一个实施例中，因为相关系数的取值范围在0-1之间，故以预设第一阈值为0.6，预设第二阈值为0.4，因此，当0.6≤相关系数≤1，其目标数据与车辆能耗之间的关联程度为强关联；当0.4≤相关系数＜0.6，其目标数据与车辆能耗之间的关联程度为中等关联；当0≤相关系数＜0.4，其目标数据与车辆能耗之间的关联程度为弱关联。
[0055]
在本技术的另一个实施例中，还可以将强关联分为极强关联和一般强关联，将弱关联分为一般弱关联和极弱关联。以极强关联的预设阈值为0.8，极弱关联的预设阈值为0.2为例，当0.8≤相关系数≤1，目标数据与车辆能耗之间的关联程度为极强关联；当0.6≤相关系数＜0.8，目标数据与车辆能耗之间的关联程度为一般强关联；当0≤相关系数＜0.2，其目标数据与车辆能耗之间的关联程度为极弱关联；当0.2≤相关系数＜0.4，其目标数据与车辆能耗之间的关联程度为一般弱关联。
[0056]
需要说明的是，上述提出的关联关系分类以及阈值取值仅作为示例性说明，并不对本技术任何限制。
[0057]
步骤s230，根据标准用户行为数据和标准用户设置数据对用户驾驶行为进行分类，得到多个驾驶行为模式。
[0058]
根据标准用户行为数据和标准用户设置数据对用户驾驶行为进行分类，得到多个驾驶行为模式，包括：基于标准用户行为数据和标准用户设置数据，得到与车辆能耗之间的关联程度为强关联的驾驶特征数据，并基于驾驶特征数据生成驾驶特征数据集；将驾驶特征数据集中的任意多个数据确定为初始聚类中心，并计算剩余每个点与每个聚类中心的理论距离；将任一数据点确定为目标点，确定目标点到每个初始聚类中心的距离，并将距离最小的一个聚类中心确定为目标点的关联点；遍历每个数据点，将全部数据点分配至多个初始聚类中心，并计算多个初始聚类中心的质心，得到初始质心。
[0059]
计算多个聚类中心的质心，得到初始质心之后，还包括：重新选取驾驶特征数据集中的任意多个数据确定为更新聚类中心；计算剩余每个数据点到多个更新聚类中心的理论距离，以将全部数据点分配至更新聚类中心，并计算更新聚类中心的质心，得到更新质心；确定更新质心与初始质心的质心差值，当质心差值小于或等于预设差值阈值，则基于初始聚类中心和更新聚类中心得到驾驶行为模式分类。
[0060]
图3是本技术的一示例性实施例示出的用户驾驶行为模式构建流程图。如图3所
示，在本技术的一个实施例中，为了分析车辆在行驶过程中用户驾驶行为对能耗的影响，采用k-means将用户进行聚类，得到不同的用户驾驶风格。其过程如下：
[0061]
1)通过数据采集及数据预处理工作，得到与用户驾驶相关的特征，形成数据集，从数据集中随机选取k个点作为聚类中心
[0062]
2)计算剩下所有点到每个中心点的距离，距离计算公式采用欧几里得距离，其公式如下：
[0063][0064]
其中，a，b为数据集中的两点，n为特征的数量；
[0065]
3)将该点归为距离最近的中心点的一簇；
[0066]
4)重新计算已经得到的各个类的质心；
[0067]
5)重复2)～4)步直到新的质心与原质心相等或小于指定阈值，算法结束。
[0068]
步骤s240，基于驾驶行为模式和标准车辆驾驶数据构建车辆驾驶数据与车辆能量消耗的速度映射关系，并基于驾驶行为模式和标准环境数据构建环境数据与车辆能量消耗的温湿度映射关系。
[0069]
在本技术的一个实施例中，基于驾驶行为模式和标准车辆驾驶数据构建车辆驾驶数据与车辆能量消耗的速度映射关系，并基于驾驶行为模式和标准环境数据构建环境数据与车辆能量消耗的温湿度映射关系，包括：基于标准车辆驾驶数据得到历史驾驶速度，并构建历史驾驶速度和驾驶行为模式与车辆能耗之间的关联关系，以得到速度映射关系；基于标准环境数据得到历史温湿度，并构建历史温湿度和驾驶行为模式与车辆能耗之间的关联关系，以得到温湿度映射关系。
[0070]
主要说明的是，对于同一目标车辆，在车辆性能没有发生巨大变化的情况下，其历史驾驶速度与能耗之间的映射关系同样适用于当前驾驶速度与能耗的消耗关系；同理，历史温湿度与能耗之间的映射关系同样适用于当前温湿度与能耗的消耗关系。
[0071]
在本技术的一个实施例中，为了得到用户驾驶行为、行驶路段平均车速、用电器使用情况及驾驶过程中的环境因素和能耗之间的关系，采用多项式回归拟合模型进行分析。多项式拟合是一种通过将数据拟合到多项式函数来建立数学模型的方法。该方法用多项式函数来逼近数据。在多项式拟合中，通过对数据进行最小二乘拟合来确定未知参数的值。最终得到的多项式函数可以用于预测新数据点的值或者分析数据中的趋势。得到其速度映射关系的多项式拟合的一般形式如下：
[0072]
f(x)＝anxn+a
n-1
x
n-1
......+a2x2+a1x+a
0 式(5)，
[0073]
其中，a为参数，在拟合过程中确定，y为能耗，x为自变量，在本方案中指驾驶风格、车速。
[0074]
同理得到温度/湿度与能耗的拟合关系(即温湿度映射关系)：
[0075]
f(y,z)＝αf(y)+βf(z) 式(6)，
[0076]
其中y、z为平均温度和湿度。
[0077]
步骤s250，基于速度映射关系、温湿度映射关系，以及车辆剩余能量值确定目标车辆的剩余里程数，以对目标车辆的剩余里程进行预测。
[0078]
基于速度映射关系、温湿度映射关系，以及车辆剩余能量值确定目标车辆的剩余里程数，包括：基于标准车辆驾驶数据确定目标车辆的当前驾驶速度和当前温湿度；根据当前驾驶速度和速度映射关系得到目标车辆的第一能量消耗率，并根据当前温湿度和温湿度映射关系得到目标车辆的第二能量消耗率；计算第一能量消耗率和第二能量消耗率得到目标车辆的综合能量消耗率；计算综合能量消耗率和车辆剩余能量值，得到目标车辆的剩余里程数。
[0079]
在本技术的一个实施例中，根据用户所属驾驶行为，将tw时间内的车辆平均速度带入到速度-电能消耗率关系中得到电能消耗量，并将平均温度/湿度带入到温度/湿度-电能消耗率模型中得到车载电器的电能消耗量，得到总的电量消耗率，其公式如下：
[0080]
f＝f(x)+f(y,z)
ꢀꢀꢀꢀ
式(7)，
[0081]
其中，f为车辆能量消耗量，f(x)为车辆速度对车辆能量消耗的影响，f(y,z)为环境温和湿度对车辆能量消耗的影响。
[0082]
最后，通过剩余电量预测剩余里程，其公式如下：
[0083][0084]
其中，rm为剩余里程，p
soc
为剩余电量，为tw时间内的平均速度。
[0085]
此外，在得到目标车辆的剩余里程数之后，还包括：将剩余里程数发送至目标车辆的车机端，并基于车机端展示剩余里程数。
[0086]
在本技术的一个实施例中，当利用训练集训练好模型之后，在测试集上进行模型测试，当达到预期后，将模型进行部署。利用用户的驾驶数据等预测出剩余里程，将剩余里程实时推送给用户。
[0087]
图4是本技术的一示例性实施例示出的车辆剩余里程预测方法全流程图。如图4所示，在本技术的一个实施例中，首先对车辆使用数据、用户行为数据和环境数据等进行采集；然后对采集的数据进行预处理；再然后对采集数据进行建模分析，对用户进行分类并建立能耗模型；再然后带入车辆运行的实时数据，对剩余里程进行预测；最后根据预测的结果，将剩余里程数据实时发送给车辆显示。
[0088]
在本技术的一个实施例中，对车辆使用数据、用户行为数据和环境数据等进行采集包括：采集车辆使用过程中全生命周期数据，包括但不限于用户驾驶行为数据、车辆使用信息、车辆状态数据和环境数据等；并对采集的数据进行标签标注。对采集的数据进行预处理则包括：根据采集到的数据对特征进行扩展，得到更多的属性，并对无效数据进行清理，以及根据数据属性，进行特征工程构建。
[0089]
图5是本技术的一示例性实施例示出的对采集数据进行建模分析流程示意图。在本技术的一个实施例中，如图5所示，对采集数据进行建模分析，对用户进行分类并建立能耗模型包括以下步骤：
[0090]
1)对数据划分训练集和测试集；
[0091]
2)采用k-means聚类对用户驾驶行为进行聚类，得到用户驾驶行为习惯。
[0092]
3)对不同驾驶行为用户的数据进行聚类，并将行程数据按t时间间隔进行划分，计算t时间内平均速度与电能消耗率的映射关系，将平均速度和电能消耗率进行拟合得到平均速度和电能消耗率的关系，其公式如式(5)所示。
[0093]
4)基于环境数据计算车载电器的电能消耗率，得到温度、湿度对车载电器的电能消耗率的映射关系，其公式如式(6)所示。
[0094]
图6是本技术的一示例性实施例示出的车辆数据滑动窗口示意图。
[0095]
在本技术的一个实施例中，带入车辆运行的实时数据，对剩余里程进行预测包括：根据车辆上传到云端的实时数据(包括用户信息、车辆行驶信息、车辆剩余电量、电池健康度、环境数据等)，如图6所示取tw大小、tm间隔的滑动窗口计算该窗口时间内的平均速度、平均温度/湿度；然后，根据用户所属驾驶行为，将tw时间内的车辆平均速度带入到速度-电能消耗率关系中得到电能消耗量，并将平均温度/湿度带入到温度/湿度-电能消耗率模型中得到车载电器的电能消耗量，得到总的电量消耗率，最后通过剩余电量预测剩余里程。
[0096]
本技术提出的车辆剩余里程预测方法，基于用户用车历史数据建立车辆能耗模型并基于车辆当前实时数据预测剩余里程的方法，进而减少用户的里程焦虑。通过对用户驾驶行为(平均车速、加速踏板使用情况、制动踏板使用情况、方向盘转向角度等)进行分类，再通过车机的用户设置数据(加速模式、转向模式、制动模式和能量回收强度)、车辆状态数据(车速、电池健康度、电池电压、电池电流、车载设备功率、电池soc、整车质量等)以及环境数据(温度和湿度等)建立不同环境下不同车速的车辆能耗模型以及车载设备的能耗模型。基于用户在最近一段时间的驾驶风格和车辆的状态，结合车速—能耗模型和温度/湿度—能耗模型计算出电量消耗率，最后通过剩余电量计算出车辆剩余里程，并实时反馈给用户，极大地提升了用户的使用感受。
[0097]
图7是本技术的一示例性实施例示出的车辆剩余里程预测装置的框图。该装置可以应用于图1所示的实施环境。该装置也可以适用于其它的示例性实施环境，并具体配置在其它设备中，本实施例不对该装置所适用的实施环境进行限制。
[0098]
如图7所示，该示例性的车辆剩余里程预测装置包括：数据获取模块710，数据处理模块720，驾驶模式确认模块730，预测模型构建模块740，剩余里程预测模块750。
[0099]
其中，数据获取模块710，用于获取目标车辆的初始数据，初始数据包括初始用户行为数据、初始用户设置数据、车辆驾驶数据，以及目标车辆所处空间的初始环境数据；数据处理模块720，用于对初始数据进行标准化处理，以得到用于构建数据模型的标准化数据，标准化数据包括标准用户行为数据、标准用户设置数据、标准车辆驾驶数据，以及标准环境数据；驾驶模式确认模块730，用于根据标准用户行为数据和标准用户设置数据对用户驾驶行为进行分类，得到多个驾驶行为模式；预测模型构建模块740，用于基于驾驶行为模式和标准车辆驾驶数据构建车辆驾驶数据与车辆能量消耗的速度映射关系，并基于驾驶行为模式和标准环境数据构建环境数据与车辆能量消耗的温湿度映射关系；剩余里程预测模块750，用于基于速度映射关系、温湿度映射关系，以及车辆剩余能量值确定目标车辆的剩余里程数，以对目标车辆的剩余里程进行预测。
[0100]
需要说明的是，上述实施例所提供的车辆剩余里程预测装置与上述实施例所提供的车辆剩余里程预测方法属于同一构思，其中各个模块和单元执行操作的具体方式已经在方法实施例中进行了详细描述，此处不再赘述。上述实施例所提供的车辆剩余里程预测装置在实际应用中，可以根据需要而将上述功能分配由不同的功能模块完成，即将装置的内部结构划分成不同的功能模块，以完成以上描述的全部或者部分功能，本处也不对此进行限制。
[0101]
本技术的实施例还提供了一种电子设备，包括：一个或多个处理器；存储装置，用于存储一个或多个程序，当所述一个或多个程序被所述一个或多个处理器执行时，使得所述电子设备实现上述各个实施例中提供的车辆剩余里程预测方法。
[0102]
图8示出了适于用来实现本技术实施例的电子设备的计算机系统的结构示意图。需要说明的是，图8示出的电子设备的计算机系统800仅是一个示例，不应对本技术实施例的功能和使用范围带来任何限制。
[0103]
如图8所示，计算机系统800包括中央处理单元(central processing unit，cpu)801，其可以根据存储在只读存储器(read-onlymemory，rom)802中的程序或者从储存部分808加载到随机访问存储器(random access memory，ram)803中的程序而执行各种适当的动作和处理，例如执行上述实施例中所述的方法。在ram 803中，还存储有系统操作所需的各种程序和数据。cpu 801、rom 802以及ram 803通过总线804彼此相连。输入/输出(input/output，i/o)接口805也连接至总线804。
[0104]
以下部件连接至i/o接口805：包括键盘、鼠标等的输入部分806；包括诸如阴极射线管(cathode ray tube，crt)、液晶显示器(liquid crystal display，lcd)等以及扬声器等的输出部分807；包括硬盘等的储存部分808；以及包括诸如lan(local areanetwork，局域网)卡、调制解调器等的网络接口卡的通信部分809。通信部分809经由诸如因特网的网络执行通信处理。驱动器810也根据需要连接至i/o接口805。可拆卸介质811，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器810上，以便于从其上读出的计算机程序根据需要被安装入储存部分808。
[0105]
特别地，根据本技术的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本技术的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的计算机程序。在这样的实施例中，该计算机程序可以通过通信部分809从网络上被下载和安装，和/或从可拆卸介质811被安装。在该计算机程序被中央处理单元(cpu)801执行时，执行本技术的系统中限定的各种功能。
[0106]
需要说明的是，本技术实施例所示的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(ram)、只读存储器(rom)、可擦式可编程只读存储器(erasable programmable read only memory，eprom)、闪存、光纤、便携式紧凑磁盘只读存储器(compact disc read-only memory，cd-rom)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本技术中，计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的计算机程序。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的计算机程序可以用任何适当的介质传输，包括但不限于：无线、有线等等，或者上述的任意合适的组合。
[0107]
附图中的流程图和框图，图示了按照本技术各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。其中，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，上述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图或流程图中的每个方框、以及框图或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
[0108]
描述于本技术实施例中所涉及到的单元可以通过软件的方式实现，也可以通过硬件的方式来实现，所描述的单元也可以设置在处理器中。其中，这些单元的名称在某种情况下并不构成对该单元本身的限定。
[0109]
本技术的另一方面还提供了一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被计算机的处理器执行时，使计算机执行如前所述的车辆剩余里程预测方法。该计算机可读存储介质可以是上述实施例中描述的电子设备中所包含的，也可以是单独存在，而未装配入该电子设备中。
[0110]
本技术的另一方面还提供了一种计算机程序产品或计算机程序，该计算机程序产品或计算机程序包括计算机指令，该计算机指令存储在计算机可读存储介质中。计算机设备的处理器从计算机可读存储介质读取该计算机指令，处理器执行该计算机指令，使得该计算机设备执行上述各个实施例中提供的车辆剩余里程预测方法。
[0111]
上述实施例仅示例性说明本发明的原理及其功效，而非用于限制本发明。任何熟悉此技术的人士皆可在不违背本发明的精神及范畴下，对上述实施例进行修饰或改变。因此，但凡所属技术领域中具有通常知识者在未脱离本发明所揭示的精神与技术思想下所完成的一切等效修饰或改变，仍应由本发明的权利要求所涵盖。

技术特征：
1.一种车辆剩余里程预测方法，其特征在于，所述车辆剩余里程预测方法包括：获取目标车辆的初始数据和车辆剩余能量值，所述初始数据包括初始用户行为数据、初始用户设置数据、车辆驾驶数据，以及所述目标车辆所处空间的初始环境数据；对所述初始数据进行标准化处理，以得到用于构建数据模型的标准化数据，所述标准化数据包括标准用户行为数据、标准用户设置数据、标准车辆驾驶数据，以及标准环境数据；根据所述标准用户行为数据和所述标准用户设置数据对用户驾驶行为进行分类，得到多个驾驶行为模式；基于所述驾驶行为模式和所述标准车辆驾驶数据构建车辆驾驶数据与车辆能量消耗的速度映射关系，并基于所述驾驶行为模式和所述标准环境数据构建环境数据与所述车辆能量消耗的温湿度映射关系；基于所述速度映射关系、所述温湿度映射关系，以及所述车辆剩余能量值确定所述目标车辆的剩余里程数，以对所述目标车辆的剩余里程进行预测。2.根据权利要求1所述的车辆剩余里程预测方法，其特征在于，对所述初始数据进行标准化处理，包括以下至少之一：对所述初始数据进行数据清洗，以筛除所述初始数据中的多余数据；确定所述初始数据中每一数据的数据属性，并基于所述数据属性对所述初始数据进行分类，以对所述初始数据进行数据集成处理；将所述初始化数据进行数据转换，以得到规范数据。3.根据权利要求1所述的车辆剩余里程预测方法，其特征在于，所述标准化数据包括多组数据，得到用于构建数据模型的标准化数据之后，还包括：将所述标准化数据中的任一组数据确定为目标数据；计算所述目标数据与车辆能耗之间的相关性，得到目标相关系数，并基于所述目标相关系数确定所述目标数据与车辆能耗之间的关联程度；遍历所述标准化数据中的每组数据，以得到每组数据与车辆能耗之间的相关性。4.根据权利要求3所述的车辆剩余里程预测方法，其特征在于，基于所述目标相关系数确定所述目标数据与车辆能耗之间的关联程度，包括：若所述目标相关系数大于或等于预设第一阈值，则确定所述目标数据与车辆能耗之间的关联程度为强关联；若所述目标相关系数小于所述预设第一阈值，并大于或等于预设第二阈值，则确定所述目标数据与车辆能耗之间的关联程度为中等关联；若所述目标相关系数小于所述预设第二阈值，则确定所述目标数据与车辆能耗之间的关联程度为弱关联。5.根据权利要求1所述的车辆剩余里程预测方法，其特征在于，根据所述标准用户行为数据和所述标准用户设置数据对用户驾驶行为进行分类，得到多个驾驶行为模式，包括：基于所述标准用户行为数据和所述标准用户设置数据，得到与车辆能耗之间的关联程度为强关联的驾驶特征数据，并基于所述驾驶特征数据生成驾驶特征数据集；将所述驾驶特征数据集中的任意多个数据确定为初始聚类中心，并计算剩余每个点与每个聚类中心的理论距离；
将任一数据点确定为目标点，确定所述目标点到每个初始聚类中心的距离，并将距离最小的一个聚类中心确定为所述目标点的关联点；遍历每个数据点，将全部数据点分配至多个初始聚类中心，并计算所述多个初始聚类中心的质心，得到初始质心。6.根据权利要求5所述的车辆剩余里程预测方法，其特征在于，计算所述多个聚类中心的质心，得到初始质心之后，还包括：重新选取所述驾驶特征数据集中的任意多个数据确定为更新聚类中心；计算剩余每个数据点到多个更新聚类中心的理论距离，以将全部数据点分配至所述更新聚类中心，并计算所述更新聚类中心的质心，得到更新质心；确定所述更新质心与所述初始质心的质心差值，当所述质心差值小于或等于预设差值阈值，则基于所述初始聚类中心和所述更新聚类中心得到驾驶行为模式分类。7.根据权利要求1所述的车辆剩余里程预测方法，其特征在于，基于所述驾驶行为模式和所述标准车辆驾驶数据构建车辆驾驶数据与车辆能量消耗的速度映射关系，并基于所述驾驶行为模式和所述标准环境数据构建环境数据与所述车辆能量消耗的温湿度映射关系，包括：基于所述标准车辆驾驶数据得到历史驾驶速度，并构建所述历史驾驶速度和所述驾驶行为模式与车辆能耗之间的关联关系，以得到所述速度映射关系；基于所述标准环境数据得到历史温湿度，并构建所述历史温湿度和所述驾驶行为模式与车辆能耗之间的关联关系，以得到所述温湿度映射关系。8.根据权利要求7所述的车辆剩余里程预测方法，其特征在于，基于所述速度映射关系、所述温湿度映射关系，以及所述车辆剩余能量值确定所述目标车辆的剩余里程数，包括：基于所述标准车辆驾驶数据确定所述目标车辆的当前驾驶速度和当前温湿度；根据所述当前驾驶速度和所述速度映射关系得到所述目标车辆的第一能量消耗率，并根据所述当前温湿度和所述温湿度映射关系得到所述目标车辆的第二能量消耗率；计算所述第一能量消耗率和所述第二能量消耗率得到所述目标车辆的综合能量消耗率；计算所述综合能量消耗率和所述车辆剩余能量值，得到所述目标车辆的剩余里程数。9.根据权利要求1-8任一项所述的车辆剩余里程预测方法，其特征在于，得到所述目标车辆的剩余里程数之后，还包括：将所述剩余里程数发送至所述目标车辆的车机端，并基于所述车机端展示所述剩余里程数。10.一种车辆剩余里程预测装置，其特征在于，所述车辆剩余里程预测装置包括：数据获取模块，用于获取目标车辆的初始数据，所述初始数据包括初始用户行为数据、初始用户设置数据、车辆驾驶数据，以及所述目标车辆所处空间的初始环境数据；数据处理模块，用于对所述初始数据进行标准化处理，以得到用于构建数据模型的标准化数据，所述标准化数据包括标准用户行为数据、标准用户设置数据、标准车辆驾驶数据，以及标准环境数据；驾驶模式确认模块，用于根据所述标准用户行为数据和所述标准用户设置数据对用户
驾驶行为进行分类，得到多个驾驶行为模式；预测模型构建模块，用于基于所述驾驶行为模式和所述标准车辆驾驶数据构建车辆驾驶数据与车辆能量消耗的速度映射关系，并基于所述驾驶行为模式和所述标准环境数据构建环境数据与所述车辆能量消耗的温湿度映射关系；剩余里程预测模块，用于基于所述速度映射关系、所述温湿度映射关系，以及所述车辆剩余能量值确定所述目标车辆的剩余里程数，以对所述目标车辆的剩余里程进行预测。11.一种电子设备，其特征在于，所述电子设备包括：一个或多个处理器；存储装置，用于存储一个或多个程序，当所述一个或多个程序被所述一个或多个处理器执行时，使得所述电子设备实现如权利要求1至9中任一项所述的车辆剩余里程预测方法。12.一种计算机可读存储介质，其特征在于，其上存储有计算机程序，当所述计算机程序被计算机的处理器执行时，使计算机执行权利要求1至9中任一项所述的车辆剩余里程预测方法。

技术总结
本发明提供一种车辆剩余里程预测方法、装置、设备及存储介质，该方法包括，获取目标车辆的初始数据和车辆剩余能量值，对初始数据进行标准化处理，以得到用于构建数据模型的标准化数据，根据标准用户行为数据和标准用户设置数据对用户驾驶行为进行分类，得到多个驾驶行为模式，基于驾驶行为模式和标准车辆驾驶数据以及标准环境数据分别构建车辆驾驶数据与车辆能量消耗的速度映射关系和环境数据与车辆能量消耗的温湿度映射关系，基于速度映射关系、温湿度映射关系，以及车辆剩余能量值确定目标车辆的剩余里程数；通过车辆驾驶数据、驾驶行为模式以及环境参数计算车辆的能耗率，以此对车辆的剩余里程进行预测，有效提升了车辆剩余里程预测的准确性。里程预测的准确性。里程预测的准确性。


技术研发人员：吴炬 李晓光 刁冠通 翟钧 苏琳珂
受保护的技术使用者：深蓝汽车科技有限公司
技术研发日：2023.06.14
技术公布日：2023/8/9