技术摘要：
本发明提供一种融合交通状态信息的纯电动汽车续航里程风险预警方法，其能应对各种复杂交通状态从而具备实际可用性，且预测模型具有很强的泛化能力和精准性。本发明技术方案中，基于历史交通数据训练数据样本重构模型，用以获得异常交通状态样本数据集；基于待检测电动 全部
背景技术：
受限于电池技术，纯电动汽车的续航里程一直是阻碍其发展的最大障碍。在电池 技术没有取得突破性进展之前，知晓实时准确的纯电动汽车续航里程风险预警信息对于汽 车驾驶人而言显得尤为重要。现有的大部分续航里程风险预警技术大多是基于电池本身的 状态参数从而对车辆行驶里程进行估计，并没有考虑交通拥堵等异常交通状况的情形，因 此现有续航里程风险预警方法不具有实际可用性。也有少数技术人员在研究续航里程风险 预警技术时考虑了交通状况，但是只是将交通状态数据作为新特征添加到续航里程预测模 型中，而没有考虑正常交通状态和异常交通样本数量差别悬殊，由此导致续航里程预测模 型不具备精准性。
技术实现要素：
为了解决现有的纯电动车续航里程风险预警方法可用性不强以及精准度不足的 问题，本发明提供一种融合交通状态信息的纯电动汽车续航里程风险预警方法，其能应对 各种复杂交通状态从而具备实际可用性，且预测模型具有很强的泛化能力和精准性。 本发明的技术方案是这样的：融合交通状态信息的纯电动汽车续航里程风险预警 方法，其特征在于，其包括以下步骤： S1:获得待检测电动汽车的车载GPS数据和动力电池数据的历史数据，作为原始数 据； S2:基于原始数据，构建样本集；所述样本集的数据包括：路段编号、车辆速度、路 段行驶能耗； S3:基于生成式对抗网络构建数据样本重构模型；所述数据样本重构模型包括生 成器G(z)和辨别器D(x)； S4:基于历史交通数据，识别、提取每一个所述路段编号对应的异常交通状态数 据； S5：利用高斯随机变量生成器生成高斯分布数据输入到所述生成器G(z)中，生成 假样本数据； S6：将所述异常交通状态数据、所述假样本数据输入到所述辨别器D(x)中，训练所 述数据样本重构模型； 根据所述辨别器D(x)的判别结果优化所述生成器G(z)，直至所述生成器G(z)生成 的所述假样本数据与所述异常交通状态数据的误差小于一定范围，则停止对所述数据样本 重构模型的训练； S7：利用高斯随机变量生成器生成高斯分布数据，输入到训练好的所述数据样本 5 CN 111582596 A 说 明 书 2/8 页 重构模型中的所述生成器G(z)中，即可得到异常交通状态样本数据集； S8：基于机器学习算法构建车辆耗能预测模型； 通过所述样本集、所述异常交通状态样本数据集，训练所述车辆耗能预测模型； 输入所述待检测电动汽车所在的路段编号和行驶速度到训练好的所述车辆耗能 预测模型中，输出所述待检测电动汽车在所述路段编号下的行驶能耗信息； S9:确定待预测路段的行驶起点和终点，对所述待检测电动汽车进行路径规划选 择； S10：预先设置预测时间间隔，在每一个所述预测时间间隔内，获取所述待检测电 动汽车即将经过的路段，得到目标路段编号；获取所述待检测电动汽车的实时车速作为目 标车辆速度； 将所述目标路段编号、所述目标车辆速度输入到训练好的所述车辆耗能预测模型 中，得到对应的预测行驶能耗； S11:获得所述待检测电动汽车的电池的实时工作电压和实时工作电流，计算得到 电池剩余能量； S12:比较所述预测行驶能耗和所述电池剩余能量； 如果，所述预测行驶能耗大于所述电池剩余能量，则发出续航里程不足预警； 如果，所述预测行驶能耗小于所述电池剩余能量，则循环执行步骤S10～S12，持续 进行实时预测。 其进一步特征在于： 所述GPS数据包括：车辆经纬度信息、车辆行驶方向角、车辆速度； 所述动力电池数据包括：每个采样时刻的工作电压和工作电流数据； 所述原始数据：采样时间、车辆经度、车辆纬度、车辆速度、车辆方向角、工作电压、 工作电流； 步骤S2中，基于原始数据，构建所述样本集的操作包括如下步骤： a1：基于电子地图，输入所述原始数据中的车辆经度、车辆纬度，获得对应的路段 的编号信息，即获得所述样本集中的路段编号； a2：根据所述原始数据中的工作电压、工作电流、车辆速度，计算所述样本集中的 路段行驶能耗： E＝U×I×T 其中，E为路段行驶能耗，U为工作电压，I为工作电流，T为路段行驶时间； T的计算公式为： T＝路段公里数/车辆速度 其中，路段公里数基于所述路段编号可以从电子地图中获得； 步骤S4中，基于历史交通数据，识别、提取所述异常交通状态数据，包括如下步骤： b1：预先设置一个标准拥堵速度阈值，所述标准拥堵速度阈值表示平均车速低于 此车速值时，道路段会处于交通处于拥堵状态，单位为km/h； b2：根据所述路段编号，将每个所述路段编号对应的路段上的车速的速度数据从 大到小进行排序，获取路段车速队列； b3：基于85％分位数方法，获取位于85％分位数对应的速度，赋值为待确认速度； 6 CN 111582596 A 说 明 书 3/8 页 b4：比较所述待确认速度和所述标准拥堵速度阈值； 如果所述待确认速度的值大于所述标准拥堵速度阈值，则所述路段编号对应的速 度阈值设置为所述待确认速度的值；否则将所述标准拥堵速度阈值赋值给所述路段编号对 应的所述速度阈值； b5：根据所述路段编号，将每一个所述路段车速队列中，数值小于其对应的所述速 度阈值的速度值都取出，即为所述路段编号对应的异常交通状态速度； b6：所述异常交通状态数据包括所述路段编号以及对应的所述异常交通状态速 度； 所述标准拥堵速度阈值设置为30km/h； 步骤S6中，优化所述生成器G(z)的过程是最小化交叉熵的过程，其损失函数的数 学表达式为： 式中，Pr为输入的真实的数据类，Pg为生成器G(z)生成的数据类； 步骤S8中，基于机器学习算法构建所述车辆耗能预测模型，具体为采用树回归算 法构建所述车辆耗能预测模型，包括如下步骤： c1：获取数据集S，数据集S包括：所述样本集、所述异常交通状态样本数据集； c2：选取特征值，依次对p 1个特征划分数据集的结果计算一次信息熵，然后判断 按照哪个特征划分数据集是最好的； c3：通过分类阈值来对数据集S进行分类，将S分为两类： 设第j个特征下能对数据集进行最有效的划分： 其中：i＝1,...l，m代表第m个节点，θm0为能让下一代子节点中数据集纯度最小的 分类阈值；、 c4：在第j个特征值下，计算Lm和Rm的纯度Em是否小于阈值E，或者样本数量是否小 于预设的最小样本数量N； 当Em＜E，或者所述样本数量小于所述最小样本数量N时，分类过程终止； 否则，循环执行步骤c2～c4； c5：分类过程终止后的节点即设置为叶节点；设叶节点的数据集为{xi,yi}，其中， xi包括路段编号、行驶速度，yi为行驶能耗信息； c6：用线性回归模型对自变量xi和yi进行拟合，得到模型Mi； 设数据集S最终被分为z个类，则数据集S对应的所述车辆耗能预测模型共包含z个 现行回归模型Mi； 所述阈值E是预设的阈值与Em比较来衡量分类好坏；Em的计算公式如下： 式中，Nm是节点m的样本容量， 是通过线性回归模型得出的预测值； 7 CN 111582596 A 说 明 书 4/8 页 表达式： 其中，xm为输入样本数据，wm为线性回归模型参数。 本发明提供的融合交通状态信息的纯电动汽车续航里程风险预警方法，基于历史 交通数据训练数据样本重构模型，用以获得异常交通状态样本数据集；基于待检测电动汽 车的车载GPS数据和动力电池数据的历史数据，构样本集；通过样本集、异常交通状态样本 数据集，训练车辆耗能预测模型；然后基于车辆耗能预测模型，输入待检测电动汽车实时所 在的路段编号和行驶速度后，获得行驶能耗信息，最后通过行驶能耗信息与待检测电动汽 车的电池剩余能量的比较，进行续航里程不足预警；本发明的基数方案中，预测行驶能耗信 息的模型是基于历史交通数据和待检测电动汽车自身的历史数据训练而得的，考虑了实际 的交通状况和车辆自身的状态参数，确保了车辆耗能预测模型的泛化能力和精准性，使预 测结果更加准确和贴合实际情况；与现行的各种预警方法相比，本发明中的预警方法能应 对各种复杂交通状态从而具备实际可用性；通过训练数据样本重构模型丰富异常交通状态 样本量，用以得到与正常交通状态样本数量均衡的异常交通状态样本数据，从而确保了本 发明技术方案中的预测值的精准性。 附图说明 图1为本发明中基于生成式对抗网络的数据样本重构模型的原理图； 图2为采用树回归算法构建车辆耗能预测模型的原理图； 图3为本发明技术方案中数据流转示意图。
本发明提供一种融合交通状态信息的纯电动汽车续航里程风险预警方法，其能应对各种复杂交通状态从而具备实际可用性，且预测模型具有很强的泛化能力和精准性。本发明技术方案中，基于历史交通数据训练数据样本重构模型，用以获得异常交通状态样本数据集；基于待检测电动 全部
背景技术：
受限于电池技术，纯电动汽车的续航里程一直是阻碍其发展的最大障碍。在电池 技术没有取得突破性进展之前，知晓实时准确的纯电动汽车续航里程风险预警信息对于汽 车驾驶人而言显得尤为重要。现有的大部分续航里程风险预警技术大多是基于电池本身的 状态参数从而对车辆行驶里程进行估计，并没有考虑交通拥堵等异常交通状况的情形，因 此现有续航里程风险预警方法不具有实际可用性。也有少数技术人员在研究续航里程风险 预警技术时考虑了交通状况，但是只是将交通状态数据作为新特征添加到续航里程预测模 型中，而没有考虑正常交通状态和异常交通样本数量差别悬殊，由此导致续航里程预测模 型不具备精准性。
技术实现要素：
为了解决现有的纯电动车续航里程风险预警方法可用性不强以及精准度不足的 问题，本发明提供一种融合交通状态信息的纯电动汽车续航里程风险预警方法，其能应对 各种复杂交通状态从而具备实际可用性，且预测模型具有很强的泛化能力和精准性。 本发明的技术方案是这样的：融合交通状态信息的纯电动汽车续航里程风险预警 方法，其特征在于，其包括以下步骤： S1:获得待检测电动汽车的车载GPS数据和动力电池数据的历史数据，作为原始数 据； S2:基于原始数据，构建样本集；所述样本集的数据包括：路段编号、车辆速度、路 段行驶能耗； S3:基于生成式对抗网络构建数据样本重构模型；所述数据样本重构模型包括生 成器G(z)和辨别器D(x)； S4:基于历史交通数据，识别、提取每一个所述路段编号对应的异常交通状态数 据； S5：利用高斯随机变量生成器生成高斯分布数据输入到所述生成器G(z)中，生成 假样本数据； S6：将所述异常交通状态数据、所述假样本数据输入到所述辨别器D(x)中，训练所 述数据样本重构模型； 根据所述辨别器D(x)的判别结果优化所述生成器G(z)，直至所述生成器G(z)生成 的所述假样本数据与所述异常交通状态数据的误差小于一定范围，则停止对所述数据样本 重构模型的训练； S7：利用高斯随机变量生成器生成高斯分布数据，输入到训练好的所述数据样本 5 CN 111582596 A 说 明 书 2/8 页 重构模型中的所述生成器G(z)中，即可得到异常交通状态样本数据集； S8：基于机器学习算法构建车辆耗能预测模型； 通过所述样本集、所述异常交通状态样本数据集，训练所述车辆耗能预测模型； 输入所述待检测电动汽车所在的路段编号和行驶速度到训练好的所述车辆耗能 预测模型中，输出所述待检测电动汽车在所述路段编号下的行驶能耗信息； S9:确定待预测路段的行驶起点和终点，对所述待检测电动汽车进行路径规划选 择； S10：预先设置预测时间间隔，在每一个所述预测时间间隔内，获取所述待检测电 动汽车即将经过的路段，得到目标路段编号；获取所述待检测电动汽车的实时车速作为目 标车辆速度； 将所述目标路段编号、所述目标车辆速度输入到训练好的所述车辆耗能预测模型 中，得到对应的预测行驶能耗； S11:获得所述待检测电动汽车的电池的实时工作电压和实时工作电流，计算得到 电池剩余能量； S12:比较所述预测行驶能耗和所述电池剩余能量； 如果，所述预测行驶能耗大于所述电池剩余能量，则发出续航里程不足预警； 如果，所述预测行驶能耗小于所述电池剩余能量，则循环执行步骤S10～S12，持续 进行实时预测。 其进一步特征在于： 所述GPS数据包括：车辆经纬度信息、车辆行驶方向角、车辆速度； 所述动力电池数据包括：每个采样时刻的工作电压和工作电流数据； 所述原始数据：采样时间、车辆经度、车辆纬度、车辆速度、车辆方向角、工作电压、 工作电流； 步骤S2中，基于原始数据，构建所述样本集的操作包括如下步骤： a1：基于电子地图，输入所述原始数据中的车辆经度、车辆纬度，获得对应的路段 的编号信息，即获得所述样本集中的路段编号； a2：根据所述原始数据中的工作电压、工作电流、车辆速度，计算所述样本集中的 路段行驶能耗： E＝U×I×T 其中，E为路段行驶能耗，U为工作电压，I为工作电流，T为路段行驶时间； T的计算公式为： T＝路段公里数/车辆速度 其中，路段公里数基于所述路段编号可以从电子地图中获得； 步骤S4中，基于历史交通数据，识别、提取所述异常交通状态数据，包括如下步骤： b1：预先设置一个标准拥堵速度阈值，所述标准拥堵速度阈值表示平均车速低于 此车速值时，道路段会处于交通处于拥堵状态，单位为km/h； b2：根据所述路段编号，将每个所述路段编号对应的路段上的车速的速度数据从 大到小进行排序，获取路段车速队列； b3：基于85％分位数方法，获取位于85％分位数对应的速度，赋值为待确认速度； 6 CN 111582596 A 说 明 书 3/8 页 b4：比较所述待确认速度和所述标准拥堵速度阈值； 如果所述待确认速度的值大于所述标准拥堵速度阈值，则所述路段编号对应的速 度阈值设置为所述待确认速度的值；否则将所述标准拥堵速度阈值赋值给所述路段编号对 应的所述速度阈值； b5：根据所述路段编号，将每一个所述路段车速队列中，数值小于其对应的所述速 度阈值的速度值都取出，即为所述路段编号对应的异常交通状态速度； b6：所述异常交通状态数据包括所述路段编号以及对应的所述异常交通状态速 度； 所述标准拥堵速度阈值设置为30km/h； 步骤S6中，优化所述生成器G(z)的过程是最小化交叉熵的过程，其损失函数的数 学表达式为： 式中，Pr为输入的真实的数据类，Pg为生成器G(z)生成的数据类； 步骤S8中，基于机器学习算法构建所述车辆耗能预测模型，具体为采用树回归算 法构建所述车辆耗能预测模型，包括如下步骤： c1：获取数据集S，数据集S包括：所述样本集、所述异常交通状态样本数据集； c2：选取特征值，依次对p 1个特征划分数据集的结果计算一次信息熵，然后判断 按照哪个特征划分数据集是最好的； c3：通过分类阈值来对数据集S进行分类，将S分为两类： 设第j个特征下能对数据集进行最有效的划分： 其中：i＝1,...l，m代表第m个节点，θm0为能让下一代子节点中数据集纯度最小的 分类阈值；、 c4：在第j个特征值下，计算Lm和Rm的纯度Em是否小于阈值E，或者样本数量是否小 于预设的最小样本数量N； 当Em＜E，或者所述样本数量小于所述最小样本数量N时，分类过程终止； 否则，循环执行步骤c2～c4； c5：分类过程终止后的节点即设置为叶节点；设叶节点的数据集为{xi,yi}，其中， xi包括路段编号、行驶速度，yi为行驶能耗信息； c6：用线性回归模型对自变量xi和yi进行拟合，得到模型Mi； 设数据集S最终被分为z个类，则数据集S对应的所述车辆耗能预测模型共包含z个 现行回归模型Mi； 所述阈值E是预设的阈值与Em比较来衡量分类好坏；Em的计算公式如下： 式中，Nm是节点m的样本容量， 是通过线性回归模型得出的预测值； 7 CN 111582596 A 说 明 书 4/8 页 表达式： 其中，xm为输入样本数据，wm为线性回归模型参数。 本发明提供的融合交通状态信息的纯电动汽车续航里程风险预警方法，基于历史 交通数据训练数据样本重构模型，用以获得异常交通状态样本数据集；基于待检测电动汽 车的车载GPS数据和动力电池数据的历史数据，构样本集；通过样本集、异常交通状态样本 数据集，训练车辆耗能预测模型；然后基于车辆耗能预测模型，输入待检测电动汽车实时所 在的路段编号和行驶速度后，获得行驶能耗信息，最后通过行驶能耗信息与待检测电动汽 车的电池剩余能量的比较，进行续航里程不足预警；本发明的基数方案中，预测行驶能耗信 息的模型是基于历史交通数据和待检测电动汽车自身的历史数据训练而得的，考虑了实际 的交通状况和车辆自身的状态参数，确保了车辆耗能预测模型的泛化能力和精准性，使预 测结果更加准确和贴合实际情况；与现行的各种预警方法相比，本发明中的预警方法能应 对各种复杂交通状态从而具备实际可用性；通过训练数据样本重构模型丰富异常交通状态 样本量，用以得到与正常交通状态样本数量均衡的异常交通状态样本数据，从而确保了本 发明技术方案中的预测值的精准性。 附图说明 图1为本发明中基于生成式对抗网络的数据样本重构模型的原理图； 图2为采用树回归算法构建车辆耗能预测模型的原理图； 图3为本发明技术方案中数据流转示意图。
