基于云端大数据的电动车剩余里程预估方法和装置制造方法及图纸

本申请提出一种基于云端大数据的电动车剩余里程预估方法和装置，涉及数据处理技术领域，其中，方法包括：接收预估请求，分别对车端和网络端进行数据采集，获取云端数据；对云端数据进行特征提取，获取特征信息；将特征信息输入已训练的剩余里程预估模型，获取剩余里程预估结果。由此，获取了更加多元化的行驶数据，结合天气、路况等环境信息，提取出更丰富的特征，利用更复杂高效云端模型来进行计算，提高预估结果的准确性和实时性。预估结果的准确性和实时性。预估结果的准确性和实时性。

【技术实现步骤摘要】
基于云端大数据的电动车剩余里程预估方法和装置


[0001]本申请涉及数据处理
，尤其涉及一种基于云端大数据的电动车剩余里程预估方法和装置。

技术介绍

[0002]通常，新能源汽车是汽车产业的发展趋势和潮流，我国新能源汽车也进入到加速发展的新阶段。新能源汽车的剩余里程的准确预估在电池管理系统中具有重要的作用。比如：司机因不知道自己是否能够开到目的地产生的里程焦虑，网约车平台派单——最佳的派单应该是刚好车的剩余电量足够开到目的地，并且附近就有充电站充电。这些场景都对剩余里程的准确预估提出了需求。
[0003]相关技术中，通过CAN总线获取车辆状态信号，利用这些信号可以获取到车辆行驶信息，当车辆处于行驶状态时获取车辆能耗参数，然后根据当前剩余可用能量及所述能耗参数计算当前剩余里程。虽然获取能耗时进行了复杂的滤波和平滑计算，但是该方案只考虑了在当前时刻当前车辆行驶状态下的车辆信息，这是非常理想的状态，其缺乏对未来路况信息及外部环境变化的考量，计算公式较简单，这导致其预估的准确性较差。

技术实现思路

[0004]本申请旨在至少在一定程度上解决相关技术中的技术问题之一。
[0005]为此，本申请的第一个目的在于提出一种基于云端大数据的电动车剩余里程预估方法，充分利用多维度的信息，提取到了更加丰富的特征信息，进而训练出高性能的模型，并通过获取了更加多元化的行驶数据，结合天气、路况等环境信息，提取出更丰富的特征，利用已训练的模型来进行计算，提高预估结果的准确性和实时性。
[0006]本申请的第二个目的在于提出一种基于云端大数据的电动车剩余里程预估装置。
[0007]为达上述目的，本申请第一方面实施例提出了一种基于云端大数据的电动车剩余里程预估方法，包括：
[0008]接收预估请求，分别对车端和网络端进行数据采集，获取云端数据；
[0009]对所述云端数据进行特征提取，获取特征信息；
[0010]将所述特征信息输入已训练的剩余里程预估模型，获取剩余里程预估结果。
[0011]本申请实施例的基于云端大数据的电动车剩余里程预估方法，通过接收预估请求，分别对车端和网络端进行数据采集，获取云端数据；对云端数据进行特征提取，获取特征信息；将特征信息输入已训练的剩余里程预估模型，获取剩余里程预估结果。由此，获取了更加多元化的行驶数据，结合天气、路况等环境信息，提取出更丰富的特征，利用更复杂高效云端模型来进行计算，提高预估结果的准确性和实时性。
[0012]可选地，在本申请的一个实施例中，在将所述特征信息输入已训练的剩余里程预估模型之前，还包括：
[0013]获取云端数据样本，并对所述云端数据样本中离散值样本进行编码转换为连续
值；
[0014]通过长短期记忆人工神经网络提取所述云端数据样本的车辆驾驶状态特征和路网特征，全连接层网络提取所述云端数据样本的驾驶行为特征和全局特征；
[0015]全连接层网络对所述路网特征和所述全局特征进行处理，获取训练能量消耗特征和能量消耗值，根据第一损失函数计算对所述能量消耗值和所述云端数据样本对应标注的标准能量消耗值进行损失计算，调整网络参数；
[0016]全连接层网络对所述车辆驾驶状态特征、所述驾驶行为特征和所述训练能量消耗特征进行处理，获取训练剩余里程，根据第二损失函数计算对所述训练剩余里程和所述云端数据样本对应标注的标准剩余里程进行损失计算，调整网络参数，生成初始剩余里程预估模型；
[0017]对所述能量消耗值和所述训练剩余里程值与所述标准注能量消耗值和所述标准剩余里程进行加权损失计算，采用端到端训练方式联合优化网络参数，生成所述已训练的剩余里程预估模型。
[0018]可选地，在本申请的一个实施例中，所述对网络端进行数据采集，获取云端数据，包括：
[0019]从天气服务商获取天气数据，以及从地图服务商获取路网数据。
[0020]可选地，在本申请的一个实施例中，所述对车端进行数据采集，获取云端数据，包括：
[0021]按照预设时间间隔通过无线网络模块、5G网络模块或者卫星网络模块获取车辆数据和驾驶行为数据。
[0022]可选地，在本申请的一个实施例中，所述对所述云端数据进行特征提取，获取特征信息，包括：
[0023]对所述云端数据进行特征提取，获取全局特征、路网特征、驾驶特征、车辆状态和当前剩余电量。
[0024]为达上述目的，本申请第二方面实施例提出了一种基于云端大数据的电动车剩余里程预估装置，包括：
[0025]接收模块，用于接收预估请求；
[0026]采集模块，用于分别对车端和网络端进行数据采集，获取云端数据；
[0027]提取模块，用于对所述云端数据进行特征提取，获取特征信息；
[0028]预估模块，用于将所述特征信息输入已训练的剩余里程预估模型，获取剩余里程预估结果。
[0029]本申请实施例的基于云端大数据的电动车剩余里程预估装置，通过接收预估请求，分别对车端和网络端进行数据采集，获取云端数据；对云端数据进行特征提取，获取特征信息；将特征信息输入已训练的剩余里程预估模型，获取剩余里程预估结果。由此，获取了更加多元化的行驶数据，结合天气、路况等环境信息，提取出更丰富的特征，利用更复杂高效云端模型来进行计算，提高预估结果的准确性和实时性。
[0030]可选地，在本申请的一个实施例中，还包括：
[0031]第一获取模块，用于获取云端数据样本，并对所述云端数据样本中离散值样本进行编码转换为连续值；
[0032]第二获取模块，用于通过长短期记忆人工神经网络提取所述云端数据样本的车辆驾驶状态特征和路网特征，全连接层网络提取所述云端数据样本的驾驶行为特征和全局特征；
[0033]计算模块，用于全连接层网络对所述路网特征和所述全局特征进行处理，获取训练能量消耗特征和能量消耗值，根据第一损失函数计算对所述能量消耗值和所述云端数据样本对应标注的标准能量消耗值进行损失计算，调整网络参数；
[0034]第一训练模块，用于全连接层网络对所述车辆驾驶状态特征、所述驾驶行为特征和所述训练能量消耗特征进行处理，获取训练剩余里程，根据第二损失函数计算对所述训练剩余里程和所述云端数据样本对应标注的标准剩余里程进行损失计算，调整网络参数，生成初始剩余里程预估模型；
[0035]第二对所述能量消耗值和所述训练剩余里程值与所述标准标注能量消耗值和所述标准剩余里程进行加权损失计算，采用端到端训练方式联合优化网络参数，生成所述已训练的剩余里程预估模型。
[0036]可选地，在本申请的一个实施例中，所述采集模块，具体用于：
[0037]从天气服务商获取天气数据，以及从地图服务商获取路网数据。
[0038]可选地，在本申请的一个实施例中，所述采集模块，具体用于：
[0039]按照预设时间间隔通过无线网络模块、5G网络模块或者卫星网络模块获取车辆数据和驾驶行为数据。...

【技术保护点】

【技术特征摘要】
1.一种基于云端大数据的电动车剩余里程预估方法，其特征在于，包括以下步骤：接收预估请求，分别对车端和网络端进行数据采集，获取云端数据；对所述云端数据进行特征提取，获取特征信息；将所述特征信息输入已训练的剩余里程预估模型，获取剩余里程预估结果。2.如权利要求1所述的方法，其特征在于，在将所述特征信息输入已训练的剩余里程预估模型之前，还包括：获取云端数据样本，并对所述云端数据样本中离散值样本进行编码转换为连续值；通过长短期记忆人工神经网络提取所述云端数据样本的车辆驾驶状态特征和路网特征，全连接层网络提取所述云端数据样本的驾驶行为特征和全局特征；全连接层网络对所述路网特征和所述全局特征进行处理，获取训练能量消耗特征和能量消耗值，根据第一损失函数计算对所述能量消耗值和所述云端数据样本对应标注的标准能量消耗值进行损失计算，调整网络参数；全连接层网络对所述车辆驾驶状态特征、所述驾驶行为特征和所述训练能量消耗特征进行处理，获取训练剩余里程，根据第二损失函数计算对所述训练剩余里程和所述云端数据样本对应标注的标准剩余里程进行损失计算，调整网络参数，生成初始剩余里程预估模型；对所述能量消耗值和所述训练剩余里程值与所述标准注能量消耗值和所述标准剩余里程进行加权损失计算，采用端到端训练方式联合优化网络参数，生成所述已训练的剩余里程预估模型。3.如权利要求1所述的方法，其特征在于，所述对网络端进行数据采集，获取云端数据，包括：从天气服务商获取天气数据，以及从地图服务商获取路网数据。4.如权利要求1所述的方法，其特征在于，所述对车端进行数据采集，获取云端数据，包括：按照预设时间间隔通过无线网络模块、5G网络模块或者卫星网络模块获取车辆数据和驾驶行为数据。5.如权利要求1所述的方法，其特征在于，所述对所述云端数据进行特征提取，获取特征信息，包括：对所述云端数据进行特征提取，获取全局特征、路网特征、驾驶特征、车辆状态和当前剩余电量。6.一种基于云端...

【专利技术属性】
技术研发人员：胡文政，李磊，王建强，张长水，
申请(专利权)人：清华大学，
类型：发明
国别省市：