本技术涉及电量预测，尤其涉及一种车辆耗电量预测方法、系统、车辆及存储介质。
背景技术：
1、目前，全球新能源汽车市场呈现指数级增长，2022年销量突破了1000万辆，渗透率达到14％(2021年的约9％、2020年的不到5％)。目前主流的新能源汽车的能量来源为电力，对于车主来说，车辆的用电情况及预计耗电量是使用过程中极为关心的指标。
2、基于车辆的电量数据、行驶道路数据和耗电量预测模型，得到车辆的电量需求，以此可以帮助用户更好的规划充电方案，合理安排充电资源，提高充电效率。
3、现有的车辆用电情况及预计耗电量的方案中，有研究提出了一种基于历史行驶路线数据和历史工作数据、历史驾驶员数据和历史环境数据；对历史行驶路线数据、历史工作数据、历史驾驶员数据和历史环境数据进行处理得到样本数据；利用样本数据对预设的第一模型进行训练得到电量预测模型的方法。该方法虽然充分利用了各种历史数据作为样本进行了模型训练，各种历史数据是根据领域知识和实际需求来选择筛选的，这样处理的数据可能无法真正代表数据的特征，因而会影响预测值的准确性。
4、因此，现有技术还有待于改进和发展。
技术实现思路
1、本技术的主要目的在于提供一种车辆耗电量预测方法、系统、车辆及存储介质，旨在解决现有技术中基于历史数据训练的耗电量预测模型的预测准确性低的问题。
2、本技术第一方面实施例提供一种车辆耗电量预测方法，包括以下步骤：获取车辆用户的历史驾驶行为数据、对应道路的行驶片段数据以及电池容量数据，并对获取的数据进行预处理；根据预处理后的数据对基于bp神经网络与lstm神经网络的模型进行训练，得到车辆耗电量预测模型；基于车辆历史行驶数据、待测道路工况数据以及实时电池容量，利用所述车辆耗电量预测模型进行耗电量预测，得到对应车辆经过待测道路的预计耗电量。
3、根据上述技术手段，本技术实施例通过获取车辆所有用户的历史驾驶行为数据、对应道路的行驶片段数据以及电池容量数据，可根据这些数据对基于bp神经网络与lstm神经网络的模型进行训练，从而以机器学习与道路工况数据结合的方式实现对指定路线下车辆耗电量的预测，并利用bp神经网络的存贮大量映射关系的特性和lstm神经网络的拥有较长的短期记忆能力的特性，挖掘各变量与汽车行驶耗电量的非线性关系，提高了耗电量预测模型的预测准确性。
4、可选地，在本技术的一个实施例中，所述获取车辆用户的历史驾驶行为数据、对应道路的行驶片段数据以及电池容量数据，并对获取的数据进行预处理，具体包括：获取所述车辆用户的历史驾驶行为数据、对应道路的行驶片段数据以及电池容量数据；采用主成分分析方法对所述历史驾驶行为数据、所述对应道路的行驶片段数据以及所述电池容量数据进行处理，得到处理后的数据集；基于数据规范化操作对所述处理后的数据集中的主成分数据进行归一化处理，得到归一化后的数据集。
5、根据上述技术手段，本技术实施例通过主成分分析方法对获取的数据进行预处理，可对这些数据进行降维处理，从而得到这些数据中与当前车辆的耗电量主要相关的特征向量，以便于能够提取当前车辆在行驶过程中数据与耗电量之间的相关性关系，以及通过对主成分数据进行归一化处理，可减少数据规模、特征、分布差异等对模型的影响，从而使得训练后的车辆耗电量预测模型能够精准地预测对应车辆经过待测道路的预计耗电量。
6、可选地，在本技术的一个实施例中，所述采用主成分分析方法对所述历史驾驶行为数据、所述对应道路的行驶片段数据以及所述电池容量数据进行处理，具体包括：将所述历史驾驶行为数据、所述对应道路的行驶片段数据以及所述电池容量数据进行标准化变换，得到变换后的数据；根据所述变换后的数据计算得到对应的相关系数矩阵，并利用雅克比法计算得到所述相关系数矩阵的非负特征值和对应于特征值的特征向量；对计算得到的特征向量进行筛选，得到包含所述主成分数据的数据集。
7、根据上述技术手段，本技术实施例通过对获取的数据进行标准化变换，可根据变换后的数据计算得到对应的相关系数矩阵，从而利用雅克比法计算与当前车辆的耗电量主要相关的特征向量，以便于能够从这些特征向量中筛选主成分数据，使得模型能够精准地提取当前车辆在行驶过程中数据与耗电量之间的相关性关系。
8、可选地，在本技术的一个实施例中，所述对计算得到的特征向量进行筛选，得到包含所述主成分数据的数据集，具体包括：确定各特征向量对应的贡献率值，并按照由大到小的顺序进行排序；选取累积贡献率满足预设值的前m个特征向量，得到包含所述主成分数据的数据集。
9、根据上述技术手段，本技术实施例通过计算获取的用户历史数据中各特征向量对应的贡献率值，可根据多个特征向量的累积贡献率来选择与当前车辆的耗电量相关大的主成分数据，从而利用这些主成分数据来训练模型，使得训练后的车辆耗电量预测模型能够精准地预测对应车辆经过待测道路的预计耗电量。
10、可选地，在本技术的一个实施例中，所述根据预处理后的数据对基于bp神经网络与lstm神经网络的模型进行训练，之前包括：构建基于bp神经网络与lstm神经网络的模型；其中，所述bp神经网络包括：输入层、中间层、输出层；所述lstm神经网络包括：多个cell组成，每个cell包含遗忘门、输入门、记忆单元、输出门。
11、根据上述技术手段，本技术实施例通过构建基于bp神经网络与lstm神经网络的模型，可利用bp神经网络的存贮大量映射关系的特性和lstm神经网络的拥有较长的短期记忆能力的特性，挖掘各变量与汽车行驶耗电量的非线性关系，从而提高耗电量预测模型的预测准确性。
12、可选地，在本技术的一个实施例中，所述根据预处理后的数据对基于bp神经网络与lstm神经网络的模型进行训练，具体包括：将所述预处理后的数据划分为训练验证集和测试集；基于所述训练验证集，采用adam优化器自适应调整学习率，并通过交叉验证的方式调优lstm神经网络层数、lstm神经网络门控的神经单元数、bp神经网络层数、bp神经网络每层单元数以及激活函数，得到所述车辆耗电量预测模型。
13、根据上述技术手段，本技术实施例通过adam优化器自适应调整训练迭代过程中的学习率，可显著提升模型学习速度，以及通过交叉验证的方式调优lstm神经网络的相关参数，可使得模型能够更好地学习车辆用户的历史驾驶行为数据、道路工况数据、电池容量数据与车辆百公里耗电量之间复杂的非线性映射关系，以便于模型在实际场景下能够精准地预测对应车辆经过待测道路的预计耗电量。
14、可选地，在本技术的一个实施例中，所述基于车辆历史行驶数据、待测道路工况数据以及实时电池容量，利用所述车辆耗电量预测模型进行耗电量预测，具体包括：将所述车辆历史行驶数据、所述待测道路工况数据以及所述实时电池容量输入所述车辆耗电量预测模型，提取行驶过程中数据前后存在的序列性关系，并挖掘各数据与当前车辆行驶耗电量的非线性关系，预测得到对应车辆经过待测道路的预计耗电量。
15、根据上述技术手段，本技术实施例将车辆历史行驶数据、待测道路工况数据以及实时电池容量作为输入，可利用训练好的车辆耗电量预测模型分析车辆用户的历史驾驶行为数据、道路工况数据、电池容量数据与车辆百公里耗电量之间复杂的非线性映射关系，从而精准地预测对应车辆经过待测道路的预计耗电量。
16、本技术第二方面实施例提供一种车辆耗电量预测系统，所述车辆耗电量预测系统包括：数据获取模块，用于获取车辆用户的历史驾驶行为数据、对应道路的行驶片段数据以及电池容量数据，并对获取的数据进行预处理；模型训练模块，用于根据预处理后的数据对基于bp神经网络与lstm神经网络的模型进行训练，得到车辆耗电量预测模型；耗电量预测模块，用于基于车辆历史行驶数据、待测道路工况数据以及实时电池容量，利用所述车辆耗电量预测模型进行耗电量预测，得到对应车辆经过待测道路的预计耗电量。
17、可选地，在本技术的一个实施例中，所述数据获取模块包括：数据获取单元，用于获取所述车辆用户的历史驾驶行为数据、对应道路的行驶片段数据以及电池容量数据；主成分分析单元，用于采用主成分分析方法对所述历史驾驶行为数据、所述对应道路的行驶片段数据以及所述电池容量数据进行处理，得到处理后的数据集；归一化单元，用于基于数据规范化操作对所述处理后的数据集中的主成分数据进行归一化处理，得到归一化后的数据集。
18、可选地，在本技术的一个实施例中，所述主成分分析单元包括：变换子单元，用于将所述历史驾驶行为数据、所述对应道路的行驶片段数据以及所述电池容量数据进行标准化变换，得到变换后的数据；向量计算子单元，用于根据所述变换后的数据计算得到对应的相关系数矩阵，并利用雅克比法计算得到所述相关系数矩阵的非负特征值和对应于特征值的特征向量；筛选子单元，用于确定各特征向量对应的贡献率值，并按照由大到小的顺序进行排序；选取累积贡献率满足预设值的前m个特征向量，得到包含所述主成分数据的数据集。
19、可选地，在本技术的一个实施例中，所述模型训练模块包括：构建单元，用于构建基于bp神经网络与lstm神经网络的模型；划分单元，用于将所述预处理后的数据划分为训练验证集和测试集；训练单元，用于基于所述训练验证集，采用adam优化器自适应调整学习率，并通过交叉验证的方式调优lstm神经网络层数、lstm神经网络门控的神经单元数、bp神经网络层数、bp神经网络每层单元数以及激活函数，得到所述车辆耗电量预测模型。
20、可选地，在本技术的一个实施例中，所述耗电量预测模块包括：预测单元，用于将所述车辆历史行驶数据、所述待测道路工况数据以及所述实时电池容量输入所述车辆耗电量预测模型，提取行驶过程中数据前后存在的序列性关系，并挖掘各数据与当前车辆行驶耗电量的非线性关系，预测得到对应车辆经过待测道路的预计耗电量。
21、本技术第三方面实施例提供一种车辆，所述车辆包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的车辆耗电量预测程序，所述车辆耗电量预测程序被所述处理器执行时实现如上述实施例所述的车辆耗电量预测方法的步骤。
22、本技术第四方面实施例提供一种计算机可读存储介质，所述计算机可读存储介质存储有车辆耗电量预测程序，所述车辆耗电量预测程序被处理器执行时实现如上述实施例所述的车辆耗电量预测方法的步骤。
23、本技术的有益效果：
24、(1)本技术实施例通过获取车辆所有用户的历史驾驶行为数据、对应道路的行驶片段数据以及电池容量数据，可根据这些数据对基于bp神经网络与lstm神经网络的模型进行训练，从而以机器学习与道路工况数据结合的方式实现对指定路线下车辆耗电量的预测。
25、(2)本技术实施例利用bp神经网络的存贮大量映射关系的特性和lstm神经网络的拥有较长的短期记忆能力的特性，挖掘各变量与汽车行驶耗电量的非线性关系，提高了耗电量预测模型的预测准确性。
26、(3)本技术实施例通过主成分分析方法以及归一化处理方法对获取的数据进行预处理，可对获取的数据进行降维处理，从而得到这些数据中与当前车辆的耗电量主要相关的特征向量，以便于能够提取当前车辆在行驶过程中数据与耗电量之间的相关性关系，并且可减少数据规模、特征、分布差异等对模型的影响，从而使得训练后的车辆耗电量预测模型能够精准地预测对应车辆经过待测道路的预计耗电量。
27、本技术附加的方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本技术的实践了解到。
1.一种车辆耗电量预测方法，其特征在于，所述车辆耗电量预测方法包括：
2.根据权利要求1所述的车辆耗电量预测方法，其特征在于，所述获取车辆用户的历史驾驶行为数据、对应道路的行驶片段数据以及电池容量数据，并对获取的数据进行预处理，具体包括：
3.根据权利要求2所述的车辆耗电量预测方法，其特征在于，所述采用主成分分析方法对所述历史驾驶行为数据、所述对应道路的行驶片段数据以及所述电池容量数据进行处理，具体包括：
4.根据权利要求3所述的车辆耗电量预测方法，其特征在于，所述对计算得到的特征向量进行筛选，得到包含所述主成分数据的数据集，具体包括：
5.根据权利要求1所述的车辆耗电量预测方法，其特征在于，所述根据预处理后的数据对基于bp神经网络与lstm神经网络的模型进行训练，之前包括：
6.根据权利要求1所述的车辆耗电量预测方法，其特征在于，所述根据预处理后的数据对基于bp神经网络与lstm神经网络的模型进行训练，具体包括：
7.根据权利要求1所述的车辆耗电量预测方法，其特征在于，所述基于车辆历史行驶数据、待测道路工况数据以及实时电池容量，利用所述车辆耗电量预测模型进行耗电量预测，具体包括：
8.一种车辆耗电量预测系统，其特征在于，所述车辆耗电量预测系统包括：
9.一种车辆，其特征在于，所述车辆包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的车辆耗电量预测程序，所述车辆耗电量预测程序被所述处理器执行时实现如权利要求1-7任一项所述的车辆耗电量预测方法的步骤。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有车辆耗电量预测程序，所述车辆耗电量预测程序被处理器执行时实现如权利要求1-7任一项所述的车辆耗电量预测方法的步骤。
