[发明专利]基于路况信息预测电动车能耗的方法、介质和电子设备

权利要求书

1.一种基于路况信息预测电动车能耗的方法，其特征在于，包括如下步骤：

获取电动车的多组历史电池数据以及每一所述历史电池数据对应的历史行驶轨迹和历史路况数据作为电动车的历史样本数据；

根据所述历史样本数据得到所述电动车的历史电池电量变化值与所述历史行驶轨迹和所述历史路况数据之间的关联关系；

获取订单请求信息，根据所述订单请求信息获取订单轨迹和所述订单轨迹对应的实际路况数据；

根据所述订单轨迹和所述实际路况数据，结合所述关联关系确定所述电动车完成订单所需的能耗值。

2.根据权利要求1所述的基于路况信息预测电动车能耗的方法，其特征在于，获取电动车的多组历史电池数据以及每一所述历史电池数据对应的历史行驶轨迹和历史路况数据作为电动车的历史样本数据的步骤中：

每一所述历史行驶轨迹点中包括多个轨迹点，第一个轨迹点作为起点，最后一个轨迹点作为终点；

每一所述历史行驶轨迹的起点对应的第一电池SOC值和终点对应的第二电池SOC值之间的差值作为所述历史行驶轨迹对应的历史电池电量变化值；

每一所述历史行驶轨迹数据包括历史行驶轨迹对应的时间点、行驶里程、位置坐标、海拔高度和/或温度值；

所述历史路况数据包括所述历史行驶轨迹所属路段的车道数量、限速值和信号灯数量。

3.根据权利要求2所述的基于路况信息预测电动车能耗的方法，其特征在于，根据以下方式得到历史行驶轨迹对应的时间点、行驶里程、位置坐标、海拔高度和/或温度值：

以所述历史行驶轨迹中所有轨迹点对应的时间点的平均值、行驶里程的平均值、位置坐标的平均值、海拔高度的平均值和/或温度值的平均值作为历史行驶轨迹对应的时间点、行驶里程、位置坐标、海拔高度和/或温度值。

4.根据权利要求3所述的基于路况信息预测电动车能耗的方法，其特征在于，根据所述历史样本数据得到所述电动车的历史电池电量变化与所述历史行驶轨迹和所述历史路况数据之间的关联关系的步骤包括：

以每一历史行驶轨迹对应的时间点、行驶里程、位置坐标、海拔高度和/或温度值作为静态输入样本；以每一历史路况数据中的车道数量、限速值和信号灯数量作为序列输入特征样本；以每一历史行驶轨迹对应的历史电池电量变化值作为输出特征样本；

利用全局信息学习模型和序列信息学习模型对所述历史样本数据进行训练；所述静态特征输入样本输入至所述全局信息学习模型，所述序列特征输入样本输入至所述序列信息学习模型，所述输出特征样本作为所述全局信息学习模型和所述序列信息学习模型的输出进行训练，以训练完成的全局信息学习模型和序列信息学习模型作为表示所述关联关系的能耗预估模型。

5.根据权利要求4所述的基于路况信息预测电动车能耗的方法，其特征在于，根据所述订单轨迹和所述实际路况数据，结合所述关联关系确定所述电动车完成所述订单的预测能耗值的步骤中：

将所述订单轨迹划分为多段行驶轨迹，每一行驶轨迹中包括多个坐标点；

获取每一段行驶轨迹中所有所述坐标点对应的预测时间点的平均值、行驶里程的平均值、位置坐标的平均值、海拔高度的平均值和/或温度值作为静态输入参量；获取每一段行驶轨迹所属路段的车道数量、限速值和信号灯数量作为序列输入参量；

将所述静态输入参量输入至所述训练完成的全局信息学习模型得到每一行驶轨迹的第一电量预估数据；将所述序列输入参量输入至所述完成训练的序列信息学习模型中得到每一行驶轨迹的第二电量预估数据；

根据每一行驶轨迹的所述第一电量预估数据和所述第二电量预估数据得到每一行驶轨迹对应的预测能耗值；

所述订单轨迹中的所有行驶轨迹对应的预测能耗值取和后得到电动车完成订单所需的能耗值。

6.根据权利要求5所述的基于路况信息预测电动车能耗的方法，其特征在于，根据每一行驶轨迹的所述第一电量预估数据和所述第二电量预估数据得到每一行驶轨迹对应的预测能耗值的步骤中：

将每一行驶轨迹的所述第一电量预估数据和所述第二电量预估数据输入至回归预测模型中进行回归运算，得到所述预测能耗值。