一种基于大数据的新能源汽车车型参数预测估计方法技术

本发明专利技术提供一种基于大数据的新能源汽车车型参数预测估计方法，主要预测的指标有车型的续航里程、百公里能耗、充电充满时长；本发明专利技术采用了车联网平台计算得到的海量车型运行的动态数据，通过数据切分、清洗及特征工程等方法，获得车型参数的特征向量，将车型特征向量作为机器学习模型训练数据，通过大规模数据集与机器学习模型训练使模型学习到车型参数的固有特征，并对未知车型、未知工况提供预测估计。计。计。

【技术实现步骤摘要】
一种基于大数据的新能源汽车车型参数预测估计方法


[0001]本专利技术涉及车联网大数据分析领域，尤其涉及一种基于大数据的新能源汽车车型参数预测估计方法。

技术介绍

[0002]目前，在全世界范围内，为了应对全球气候问题，响应国家制定的碳中和战略，纯电动汽车领域基础科研与产业化研究呈现出热火朝天的景象。同时，随着传感器技术、物联网技术、大数据技术及人工智能技术的不断发展，高新技术在纯电动汽车领域的应用也越来越多。纯电动汽车逐渐呈现电动化与智能化的特征，人们也开始逐渐接受并越来越多地使用电动汽车，然而选购纯电动汽车过程中往往有几个核心参数指标消费者关注，其中主要就包括：电动汽车实际续航里程D
mi
、电动汽车实际百公里能耗E
i
‑
100
和电动汽车充电时长T
i
‑
real
等指标。
[0003]消费者购车时往往会考虑车型的续航、能耗和充电时长等指标。一般会采用NEDC标准工况测试的方法，来获取车型续航D
NEDC
指标，车型百公里能耗E
test
相关指标主要来源于测试平台对该车型的测试。同样地，车型充电时长指标T
test
主要来源于测试平台对该车型的测试。然而这些指标都是在标准工况下获得的，没有考虑到地区差异、温度差异、使用时长与行驶距离等工况因素。而现有可供参考的指标，主要来源于实验室的理论测试，车型设计者和消费者往往无法得知各个车型在不同城市，不同温度环境下的实际表现，因而对车型的了解会比较失真。
[0004]因而需要提供一种准确、高效且可靠的方法，为消费者选购能够提供较为准确的数据参考依据。

技术实现思路

[0005]本专利技术提供的一种基于大数据的新能源汽车车型参数预测估计方法，主要解决的技术问题是：提供一种准确、高效且可靠的方法，以预测相关新能源车型重要性能参数指标，为消费者选购能够提供较为准确的数据参考依据。
[0006]为解决上述技术问题，本专利技术提供一种基于大数据的新能源汽车车型参数预测估计方法，包括：
[0007]从车联网大数据平台获取各新能源汽车的数据样本，包括每辆新能源汽车的静态参数信息和动态参数信息；其中，静态参数信息包括汽车质量W、最大功率P
max
、车辆理论续航D
NEDC
、最大允许充电功率P
max
‑
p
、动力电池容量V；动态参数信息包括历史运行时长T
i
、历史行驶距离D
i
、慢充次数n
i
‑
sc
、快充次数n
i
‑
fc
、每次慢充充电电量E
i
‑
sc
、每次快充充电电量E
i
‑
fc
；
[0008]对所述数据样本采用数据清洗方法，清洗掉异常数据，然后按照如下维度对清洗后的数据样本进行分组：各个车型、各个城市、各种温度条件、各个历史使用时长、各个历史行驶里程；
[0009]基于分组情况以及数据样本，生成特征向量，然后将特征向量作为机器学习模型
的输入特征参数，以该车辆的平均满电续航D
mi
、平均百公里能耗E
i
‑
100
以及平均充电充满时长T
ci
作为训练标签，以进行模型训练；
[0010]采用预设指标评估模型的精度，选择最优模型参数，得到目标预测模型；
[0011]获取待测车型的静态参数信息和动态参数信息，输入所述目标预测模型，输出得到所述待测车型的满电续航预测值、百公里能耗预测值以及充电充满时长预测值。
[0012]可选的，所述将特征向量作为机器学习模型的输入特征参数，以该车辆的平均满电续航D
mi
、平均百公里能耗E
i
‑
100
以及平均充电充满时长T
ci
作为训练标签，以进行模型训练包括：
[0013]针对训练标签为平均满电续航D
mi
和平均百公里能耗E
i
‑
100
，采用多标签梯度提升机算法模型，将所述特征向量作为输入进行模型训练；
[0014]针对训练标签为平均充电充满时长T
ci
，则采用单标签随机森林算法模型，将所述特征向量作为输入进行模型训练。
[0015]可选的，所述预设指标包括RMSE平方根误差、MAE平均绝对误差、MSE平均平方误差、R2_score决定系数。
[0016]可选的，所述选择最优模型参数包括：采用网格搜索算法和三折交叉验证方法搜索模型的最优参数。
[0017]可选的，所述模型参数包括决策子树个数，树最大深度，最大特征数，叶子节点最少样本数，叶子树的最大样本数，叶子节点所需要的最小权值。
[0018]可选的，在针对训练标签为平均充电充满时长T
ci
，采用单标签随机森林算法模型进行模型训练时，所述特征向量还包括最大充电功率P
i
‑
max
。
[0019]可选的，所述获取待测车型的静态参数信息和动态参数信息，输入所述目标预测模型，输出得到所述待测车型的满电续航预测值、百公里能耗预测值以及充电充满时长预测值包括：
[0020]获取待测车型的静态参数信息和动态参数信息，输入多标签梯度提升机目标预测模型，输出得到所述待测车型的满电续航预测值和百公里能耗预测值；
[0021]获取所述待测车型的静态参数信息、动态参数信息以及最大充电功率P
i
‑
max
，输入单标签随机森林目标预测模型，输出得到所述待测车型的充电充满时长预测值。
[0022]可选的，还包括将特征向量的75％作为训练集，25％作为测试集。
[0023]本专利技术的有益效果是：
[0024]根据本专利技术提供的一种基于大数据的新能源汽车车型参数预测估计方法，主要预测的指标有车型的续航里程、百公里能耗、充电充满时长；本专利技术采用了车联网平台计算得到的海量车型运行的动态数据，通过数据切分、清洗及特征工程等方法，获得车型参数的特征向量，将车型特征向量作为机器学习模型训练数据，通过大规模数据集与机器学习模型训练使模型学习到车型参数的固有特征，并对未知车型、未知工况提供预测估计；本专利技术的目的在于为纯电动汽车设计研发/消费者选购/二手车评估等场景，提供一种分析预测工具。具体的，对于车型设计师，在关键指标设计时通过该工具可以提前预估该车型设计续航、能耗与充电时长参数是否满足预期指标；对于消费者，提供一种车型性能参数预测方法，消费者在选购纯电动汽车时，通过该预测分析工具可以获取到该车型的实际续航、能耗与充电时长等关键参数，更具体地，该模型可以预测关注车型在不同城市不同工况不同环
境下的关键运行参数；本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于大数据的新能源汽车车型参数预测估计方法，其特征在于，包括：从车联网大数据平台获取各新能源汽车的数据样本，包括每辆新能源汽车的静态参数信息和动态参数信息；其中，静态参数信息包括汽车质量W、最大功率P
max
、车辆理论续航D
NEDC
、最大允许充电功率P
max
‑
p
、动力电池容量V；动态参数信息包括历史运行时长T
i
、历史行驶距离D
i
、慢充次数n
i
‑
sc
、快充次数n
i
‑
fc
、每次慢充充电电量E
i
‑
sc
、每次快充充电电量E
i
‑
fc
；对所述数据样本采用数据清洗方法，清洗掉异常数据，然后按照如下维度对清洗后的数据样本进行分组：各个车型、各个城市、各种温度条件、各个历史使用时长、各个历史行驶里程；基于分组情况以及数据样本，生成特征向量，然后将特征向量作为机器学习模型的输入特征参数，以该车型的平均满电续航D
mi
、平均百公里能耗E
i
‑
100
以及平均充电充满时长T
ci
作为训练标签，以进行模型训练；采用预设指标评估模型的精度，选择最优模型参数，得到目标预测模型；获取待测车型的静态参数信息和动态参数信息，输入所述目标预测模型，输出得到所述待测车型的满电续航预测值、百公里能耗预测值以及充电充满时长预测值。2.如权利要求1所述的基于大数据的新能源汽车车型参数预测估计方法，其特征在于，所述将特征向量作为机器学习模型的输入特征参数，以该车辆的平均满电续航D
mi
、平均百公里能耗E
i
‑
100
以及平均充电充满时长T
ci
作为训练标签，以进行模型训练包括：针对训练标签为平均满...

【专利技术属性】
技术研发人员：王震坡，刘鹏，贺劲松，刘慧斌，廖国元，岳楷岚，
申请(专利权)人：北京理工大学重庆创新中心，
类型：发明
国别省市：