基于驾驶风格的车辆剩余线路油耗预测方法及系统技术方案

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。

【技术实现步骤摘要】
基于驾驶风格的车辆剩余线路油耗预测方法及系统


[0001]本公开属于车辆油耗分析与预测
，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。

技术介绍

[0002]本部分的陈述仅仅是提供了与本公开相关的
技术介绍
信息，不必然构成在先技术。
[0003]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。
[0004]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。
[0005]针对油耗预测的研究仍存在以下问题：
[0006]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；
[0007]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。

技术实现思路

[0008]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。
[0009]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：
[0010]一种基于驾驶风格的车辆剩余线路油耗预测方法，包括：
[0011]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；
[0012]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；
[0013]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；
[0014]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。
[0015]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。
[0016]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。
[0017]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。
[0018]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l
i
的道路环境向量，n
l
表示剩余路线中的路段数量。
[0019]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。
[0020]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
[0021]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：
[0022]一种基于驾驶风格的车辆剩余线路油耗预测系统，包括：
[0023]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；
[0024]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；
[0025]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。
[0026]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：
[0027]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。
[0028]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：
[0029]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。
[0030]与现有技术相比，本公开的有益效果为：
[0031]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，形成已行本文档来自技高网...

【技术保护点】

【技术特征摘要】
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...

【专利技术属性】
技术研发人员：彭朝晖，宋巧，侯旋，谢广印，
申请(专利权)人：山东大学，
类型：发明
国别省市：