车辆的燃油效率优化方法、装置、设备、存储介质及车辆

技术领域

本公开涉及车辆控制技术领域，尤其涉及一种车辆的燃油效率优化方法、装置、设备、存储介质及车辆。

背景技术

随着车辆行业的发展，对车辆的燃油效率进行优化越来越受到重视。然而，当前主要通过数据库获取车辆各种工况下的燃油效率，以便对车辆的燃油效率进行优化，这样会存在获取的燃油效率不准确，不能准确地对车辆燃油效率进行优化的问题。

有鉴于此，如何准确地对车辆燃油效率进行优化成为亟待解决的技术问题。

发明内容

有鉴于此，本公开的目的在于提出一种车辆的燃油效率优化方法、装置、设备、存储介质及车辆，以解决现有技术中不能准确地对车辆燃油效率进行优化的问题。

基于上述目的，本公开的第一方面提出了一种车辆的燃油效率优化方法，所述方法包括：

获取车辆的状态数据；

对所述状态数据进行特征选择，得到与燃油效率对应的目标状态特征；

确定当前时间序列，将所述当前时间序列输入目标时间序列预测模型，从所述当前时间序列中提取燃油效率对应的时间特征，得到目标时间特征；其中，所述目标时间序列预测模型是基于时间序列样本数据与燃油效率之间的关系训练得到的；

对所述目标状态特征和所述目标时间特征进行融合处理，得到目标预测结果，以供利用所述目标预测结果对车辆的燃油效率进行优化。

基于同一个发明构思，本公开的第二方面提出了一种车辆的燃油效率优化装置，包括：

获取模块，被配置为获取车辆的状态数据；

特征选择模块，被配置为对所述状态数据进行特征选择，得到与燃油效率对应的目标状态特征；

提取模块，被配置为确定当前时间序列，将所述当前时间序列输入目标时间序列预测模型，从所述当前时间序列中提取燃油效率对应的时间特征，得到目标时间特征；其中，所述目标时间序列预测模型是基于时间序列样本数据与燃油效率之间的关系训练得到的；

融合处理模块，被配置为对所述目标状态特征和所述目标时间特征进行融合处理，得到目标预测结果，以供利用所述目标预测结果对车辆的燃油效率进行优化。

基于同一发明构思，本公开的第三方面提出了一种电子设备，包括存储器、处理器及存储在所述存储器上并可由所述处理器执行的计算机程序，所述处理器在执行所述计算机程序时实现如上所述的方法。

基于同一发明构思，本公开的第四方面提出了一种非暂态计算机可读存储介质，所述非暂态计算机可读存储介质存储计算机指令，所述计算机指令用于使计算机执行如上所述的方法。

基于同一发明构思，本公开的第五方面提出了一种车辆，所述车辆包括第二方面所述的车辆的燃油效率优化装置或第三方面所述的电子设备或第四方面所述的存储介质。

从上面所述可以看出，本公开提供的车辆的燃油效率优化方法、装置、设备、存储介质及车辆。获取车辆的状态数据；对所述状态数据进行特征选择，得到与燃油效率对应的目标状态特征。确定当前时间序列，将所述当前时间序列输入目标时间序列预测模型，从所述当前时间序列中提取燃油效率对应的时间特征，得到目标时间特征。对所述目标状态特征和所述目标时间特征进行融合处理，得到目标预测结果，以供利用所述目标预测结果对车辆的燃油效率进行优化。目标预测结果综合了对燃油效率存在影响的目标状态特征和目标时间特征，使得确定的目标预测结果更加准确，从而能够准确地对车辆的燃油效率进行优化。

附图说明

为了更清楚地说明本公开或相关技术中的技术方案，下面将对实施例或相关技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本公开的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本公开实施例的车辆的燃油效率优化方法的流程图；

图2为本公开实施例的基于特征选择和时间序列预测的燃油效率优化装置的结构示意图；

图3为本公开实施例的车辆的燃油效率优化装置的结构示意图；

图4为本公开实施例的电子设备的结构示意图。

具体实施方式

为使本公开的目的、技术方案和优点更加清楚明白，以下结合具体实施例，并参照附图，对本公开进一步详细说明。

需要说明的是，除非另外定义，本公开实施例使用的技术术语或者科学术语应当为本公开所属领域内具有一般技能的人士所理解的通常意义。本公开实施例中使用的“第一”、“第二”以及类似的词语并不表示任何顺序、数量或者重要性，而只是用来区分不同的组成部分。“包括”或者“包含”等类似的词语意指出现该词前面的元件或者物件涵盖出现在该词后面列举的元件或者物件及其等同，而不排除其他元件或者物件。“连接”或者“相连”等类似的词语并非限定于物理的或者机械的连接，而是可以包括电性的连接，不管是直接的还是间接的。“上”、“下”、“左”、“右”等仅用于表示相对位置关系，当被描述对象的绝对位置改变后，则该相对位置关系也可能相应地改变。

如上所述，如何准确地对车辆燃油效率进行优化，成为了一个重要的研究问题。

基于上述描述，如图1所示，本实施例提出的车辆的燃油效率优化方法，所述方法包括：

步骤101，获取车辆的状态数据。

具体实施时，状态数据包括下列至少之一：温度数据、速度数据、油耗数据、位置数据、轨迹数据、路况数据和天气数据。

通过传感器获取车辆的状态数据。具体地，车辆上设置有各种传感器，通过传感器获取车辆的状态数据，其中状态数据为车辆操作状况的实时数据。例如，通过发动机温度传感器获取温度数据。通过速度传感器获取速度数据。通过油耗传感器获取油耗数据。

通过定位系统获取车辆的状态数据。具体地，通过全球定位系统(GlobalPositioning System，简称GPS)或者北斗卫星导航系统(Beidou Navigation SatelliteSystem，简称BDS)，获取车辆的位置数据和轨迹数据。基于车辆的位置数据判断车辆所处位置的路况，得到路况数据。根据路况数据可以判断车辆所处位置的道路类型和交通状态，例如，根据路况数据判断车辆所处位置的道路类型为高速公路或者市区道路。

通过气象系统获取车辆的状态数据。具体地，从气象站获取车辆所处位置的天气数据。天气对驾驶习惯和车辆的油耗都有影响。例如，寒冷的天气需要更长时间进行暖车，湿滑的道路会导致驾驶员更加频繁地刹车，这都会增加车辆的油耗。

除此之外，还可以从云端调取车辆的状态数据。具体地，云端存储有车辆的状态数据，车辆从云端调取车辆的状态数据。

在步骤101之后，还包括：对所述状态数据进行清洗处理，得到处理后的状态数据。具体地，对状态数据中的缺失数据或者异常数据或者重复数据进行清洗处理，得到清洗处理后的状态数据。

(1)由于传感器故障或者传感器通信中断等原因，会导致传感器采集到的状态数据中存在缺失数据。对于状态数据中的缺失数据，通过插值算法或者平均值填充方法对缺失数据进行确定与填充，得到清洗处理后的状态数据。

(2)由于传感器故障，会导致传感器采集到的状态数据中存在非常高或者非常低的异常数据。对于状态数据中的异常数据，通过Z得分方法(Z-Score方法)或者四分位数范围方法(IQR范围方法)对异常数据进行检测和处理，得到清洗处理后的状态数据。

Z-Score方法是通过计算状态数据的标准差和均值，判断状态数据中的每个状态数据值是否偏离正常范围。具体地，通过Z-Score方法确定异常数据的过程具体如下：首先，通过计算状态数据的标准差和平均值。然后，计算状态数据中的每个状态数据值与平均值之间的偏离程度值，即

IQR范围方法是根据状态数据的四分位数范围来判断状态数据是否为异常数据。具体地，通过IQR范围方法确定异常数据的过程具体如下：首先，计算状态数据的第一四分位数(Q1)、第二四分位数(中位数Q2)和第三四分位数(Q3)。其次，确定常数k(k通常取值为1.5或者3)，基于第一四分位数和第三四分位数确定IQR值，即IQR＝Q3-Q1。然后，计算下限lower＝Q1-k*IQR，上限upper＝Q3+k*IQR。最后，对状态数据中的每个状态数据值与上限和下限进行判断处理，将状态数据中小于下限或者大于上限的状态数据值作为异常数据。

(3)在传感器采集状态数据时，可能会出现状态数据中存在重复数据。对于状态数据中的重复数据，对重复数据进行识别和去除，得到清洗处理后的状态数据。

步骤102，对所述状态数据进行特征选择，得到与燃油效率对应的目标状态特征。

具体实施时，基于目标多元线性回归模型对状态数据进行特征选择，得到与燃油效率对应的目标状态特征。其中，目标多元线性回归模型是基于状态样本数据与燃油效率之间的关系训练得到的。

状态样本数据与燃油效率之间的关系是基于业务知识预先确定的。例如，通过深入了解车辆的工作原理和驾驶的各种场景，基于业务知识确定车辆的平均速度、驾驶时长、刹车次数、负载重量、天气条件(例如温度、湿度和风速)和道路类型(例如高速道路、市区道路和乡村道路)都会影响燃油效率。因此，基于业务知识可以确定状态样本数据与燃油效率之间的关系，即确定对燃油效率有影响的状态样本数据，基于状态样本数据与燃油效率之间的关系，训练得到目标多元线性回归模型。

目标多元线性回归模型是基于多元线性回归算法(Least absolute shrinkageand selection operator，简称LASSO算法)训练得到的。LASSO算法是一种压缩估计，通过构造一个惩罚函数得到一个较为精炼的模型，使得压缩一些系数，同时设定一些系数为零。因此保留了子集收缩的优点，是一种处理具有复共线性数据的有偏估计。

基于目标多元线性回归模型对状态数据进行特征选择，得到与燃油效率对应的目标状态特征。其中，目标状态特征为对车辆的燃油效率存在影响且影响程度较大的状态特征。

步骤103，确定当前时间序列，将所述当前时间序列输入目标时间序列预测模型，从所述当前时间序列中提取燃油效率对应的时间特征，得到目标时间特征；其中，所述目标时间序列预测模型是基于时间序列样本数据与燃油效率之间的关系训练得到的。

具体实施时，基于目标时间序列预测模型对当前时间序列进行特征提取，得到与燃油效率对应的目标时间特征。其中，目标时间序列预测模型是基于时间序列样本数据与燃油效率之间的关系训练得到的。

时间序列样本数据与燃油效率之间的关系可以体现时间序列样本数据对燃油效率的影响。例如，季节或者节假期对燃油效率的影响。

目标时间序列预测模型是Prophet模型，Prophet模型是基于时间序列预测的Additive回归模型，其特点是具有良好的可解释性、鲁棒性、可伸缩性和易用性。Prophet模型将时间序列样本数据建模为三个部分：趋势、周期性变化和节假日变化。Prophet模型采用了一种全新的方法来处理节假日效应，能够自适应地识别和建模节假日效应。Prophet模型的优点在于不仅可以用于较短周期的时间序列预测，也可以用于较长周期的时间序列预测，适用于各种不同类型的时间序列预测。

基于目标时间序列预测模型对当前时间序列进行特征提取，得到与燃油效率对应的目标时间特征。其中，目标时间特征为对车辆的燃油效率存在影响的时间序列。

步骤104，对所述目标状态特征和所述目标时间特征进行融合处理，得到目标预测结果，以供利用所述目标预测结果对车辆的燃油效率进行优化。

具体实施时，分别确定目标状态特征和目标实际特征对应的权重，根据权重对目标状态特征和目标时间特征进行融合处理，得到目标预测结果。基于目标预测结果生成驾驶建议，以供根据驾驶建议对车辆的燃油效率进行优化。

例如，确定的目标预测结果为驾驶习惯(例如刹车次数)，则生成驾驶建议为减少频繁的刹车，通过语音或者车载屏幕生成提示消息：“为了提高燃油效率，建议避免频繁的刹车”。

确定的目标预测结果为车辆维护(例如轮胎压力)，则生成建议为检查轮胎压力，通过语音或者车载屏幕生成提示消息：“确保轮胎压力始终在推荐范围内，这可以帮助优化燃油效率”。

确定的目标预测结果为环境因素(例如天气或者路况)，则生成建议为减少不必要出行，通过语音或者车载屏幕生成提示消息：“在雨天，湿滑的路面可能会导致油耗增加，请考虑减少不必要的出行”。

通过上述实施例，获取车辆的状态数据；对所述状态数据进行特征选择，得到与燃油效率对应的目标状态特征。确定当前时间序列，将所述当前时间序列输入目标时间序列预测模型，从所述当前时间序列中提取燃油效率对应的时间特征，得到目标时间特征。对所述目标状态特征和所述目标时间特征进行融合处理，得到目标预测结果，以供利用所述目标预测结果对车辆的燃油效率进行优化。目标预测结果综合了对燃油效率存在影响的目标状态特征和目标时间特征，使得确定的目标预测结果更加准确，从而能够准确地对车辆的燃油效率进行优化。

在一些实施例中，步骤102包括：

步骤1021，将所述状态数据输入目标多元线性回归模型，从所述状态数据中选择燃油效率对应的状态特征，得到至少一个状态特征以及与每个状态特征对应的相关性系数；其中，所述目标多元线性回归模型是基于状态样本数据与燃油效率之间的关系训练得到的。

具体实施时，基于目标多元线性回归模型进行特征选择，确定与燃油效率相关的至少一个状态特征，从至少一个状态特征中确定与燃油效率最相关的目标状态特征，并去除与燃油效率不相关的状态特征。其中，目标多元线性回归模型是基于LASSO算法训练得到的。

相关性系数包括正相关性系数和负相关性系数。正相关性系数表示状态特征与燃油效率之间为正相关，负相关性系数表示状态特征与燃油效率之间为负相关。

步骤1022，从至少一个所述相关性系数中，确定绝对值大于等于所述相关性阈值的相关性系数作为目标相关性系数。

步骤1023，将所述目标相关性系数对应的状态特征作为与燃油效率对应的所述目标状态特征。

具体实施时，相关性系数的绝度值可以体现状态特征与燃油效率之间的相关程度。从至少一个相关性系数中确定绝对值大于等于相关性阈值的相关性系数作为目标相关性系数，将目标相关性系数对应的状态特征作为与燃油效率对应的目标状态特征。这样，目标状态特征为与燃油效率相关程度大的状态特征。

除此之外，还可以将至少一个状态特征按照相关性系数绝对值从大至小的顺序进行排序处理，根据排序后的至少一个状态特征可以确定与燃油效率相关程度大的目标状态特征。

为了直观地展示至少一个状态特征对燃油效率的影响，可以利用柱状图或者其他图形来可视化至少一个状态特征对应的相关性系数。

通过上述方案，基于目标多元线性回归模型对状态数据进行特征选择，首先确定至少一个状态特征，再基于每个状态特征对应的相关性系数确定目标状态特征，使得确定的目标状态特征是与燃油效率相关程度大的状态特征，从而使得确定的目标状态特征更加准确。

在一些实施例中，基于所述状态样本数据与燃油效率之间的关系训练得到所述目标多元线性回归模型的过程，包括：

步骤10211，获取所述状态样本数据与燃油效率之间的关系。

步骤10212，将所述状态样本数据输入初始多元线性回归模型，从所述状态样本数据中选择燃油效率对应的预测状态特征。

步骤10213，基于所述状态样本数据与燃油效率之间的关系，从所述状态样本数据中选择燃油效率对应的实际状态特征。

步骤10214，对所述预测状态特征和所述实际状态特征进行处理，得到损失函数。

具体实施时，对预测状态特征和实际状态特征进行运算，得到损失函数。这样，使得确定的损失函数可以准确地体现，初始多元线性回归模型选择输出的预测状态特征与实际状态特征之间的误差。

步骤10215，基于所述损失函数对所述初始多元线性回归模型进行更新，得到更新多元线性回归模型。

具体实施时，基于损失函数对初始多元线性回归模型进行更新，得到更新多元线性回归模型，使得更新后的更新多元线性回归模型输出的预测状态特征与实际状态特征之间的误差减小。

步骤10216，响应于所述损失函数的收敛值小于预设的收敛值阈值，将最后的更新多元线性回归模型作为所述目标多元线性回归模型。

具体实施时，对损失函数的收敛值与预设的收敛值阈值进行比对处理；响应于所述收敛值大于收敛值阈值，基于损失函数对更新多元线性回归模型继续进行更新；响应于所述收敛值小于收敛值阈值，将最后的更新多元线性回归模型作为目标多元线性回归模型。

通过上述方案，基于损失函数对初始多元线性回归模型进行更新，可以减小更新后的更新多元线性回归模型的误差。当损失函数的收敛值小于预设的收敛值阈值时，将最后的更新多元线性回归模型作为目标线性回归模型，使得确定目标线性回归模型更加准确，从而可以准确地从状态数据中选择出燃油效率对应的目标状态特征。

在一些实施例中，步骤10214包括：

步骤10214A，对所述预测状态特征与所述实际状态特征进行交叉验证，确定正则化参数。

具体实施时，LASSO算法通过在预测状态特征和实际状态特征之间添加L1惩罚，有助于使一些回归系数变为零，从而实现特征选择。正则化参数λ决定了L1惩罚的强度，对预测状态特征与实际状态特征进行交叉验证，确定最优的λ值作为正则化参数。

步骤10214B，确定回归系数；其中，所述回归系数包括惩罚系数。

具体实施时，LASSO算法通过在预测状态特征和实际状态特征之间添加L1惩罚(即惩罚系数)，有助于使一些回归系数变为零，从而实现特征选择。LASSO算法的核心是对回归系数添加L1惩罚，使得与燃油效率不相关的状态特征对应的相关性系数变为零，LASSO算法对损失函数进行最小化处理。

步骤10214C，基于所述正则化参数和所述回归系数，确定所述损失函数，

其中，L(β)为所述损失函数，Y为目标变量，所述目标变量为所述预测结果与所述实际结果之差，X为预设的数据矩阵，β为所述回归系数，λ为所述正则化参数。

通过上述方案，通过对预测状态特征与实际状态特征进行交叉验证，使得确定的正则化参数更加准确。通过在回归系数中添加惩罚系数，使得与燃油效率不相关的状态特征对应的相关性系数为零，从而在进行特征选择时可以去除掉与燃油效率不相关的状态特征，得到燃油效率对应的目标状态特征。基于正则化参数和回归系数确定的损失函数更加准确，从而使得训练得到的目标多元线性回归模型更加准确，以便对状态数据进行更加准确的特征选择。

在一些实施例中，基于所述时间序列样本数据与燃油效率之间的关系训练得到所述目标时间序列预测模型的过程，包括：

步骤103A，获取时间序列样本数据与燃油效率之间的关系。

步骤103B，将所述时间序列样本数据按照时间顺序分为时间序列训练样本数据和时间序列测试样本数据。

具体实施时，目标时间序列预测模型是Prophet模型。基于时间序列样本数据与燃油效率之间的关系训练得到目标时间序列预测模型的过程包括：对时间序列样本数据进行分类处理；建立Prophet模型；对Prophet模型进行预测和验证。

对时间序列样本数据进行分类处理，具体包括：将时间序列样本数据按照时间顺序分为时间序列训练样本数据和时间序列测试样本数据。

在对时间序列进行预测时，当前时间序列的时间顺序非常重要。因此，在基于时间序列样本数据与燃油效率之间的关系训练得到目标时间序列预测模型的过程中，将时间序列样本数据按照时间顺序进行排序，将排序后时间顺序在前的一半时间序列样本数据作为时间序列训练样本数据，将排序后时间顺序在后的一半时间序列样本数据作为时间序列测试样本数据。

时间序列训练样本数据用于构建和训练初始时间序列预测模型；时间序列测试样本数据用于验证目标时间序列预测模型的准确性。

步骤103C，基于所述时间序列训练样本数据与燃油效率之间的关系，对初始时间序列预测模型进行训练，得到待定时间序列预测模型。

具体实施时，建立Prophet模型，具体包括：模型初始化；模型综合季节性和假期效应；模型拟合。

首先，对模型进行初始化。具体地，初始化一个Prophet对象，设置至少一个时间序列参数影响Prophet对象的行为，确定初始时间序列预测模型。其中，至少一种时间序列参数可以为季节性的强度或者趋势变化的灵活性。

其次，模型综合季节性和假期效应。具体地，确定时间序列训练样本数据的季节性，并将时间序列训练样本数据的季节性添加至时间序列预测模型，使得时间序列预测模型能够自动检测时间序列数据的季节性。确定时间序列训练样本数据的节假日，并将时间序列训练样本数据的节假日添加至时间序列预测模型，使得时间序列预测模型可以提供公众假期和特殊时间的信息。

最后，模型拟合。具体地，通过fit方法将时间序列训练样本数据传递至Prophet对象，对初始时间序列预测模型进行训练，得到待定时间序列预测模型。其中，fit方法用于训练模型，即通过提供的时间序列训练样本数据和对应的与燃油效率之间的关系，使初始时间序列预测模型根据时间序列训练样本数据进行学习和调整内部参数或权重系数。该过程基于给定的训练算法和优化策略，以最小化损失函数或者最大化模型的拟合度。

步骤103D，基于所述时间序列测试样本数据与燃油效率之间的关系，对所述待定时间序列预测模型进行验证，得到第一准确度。

具体实施时，对Prophet模型进行预测和验证，具体包括：模型预测；结果分析；模型验证。

首先，模型预测。具体地，一旦模型被训练，可以用训练得到的待定时间序列预测模型来预测未来的数据点，使用Prophet模型的predict方法和一个包含未来日期的数据帧可以得到预测。将时间序列测试样本数据输入待定时间序列预测模型，得到待定时间特征。

其次，结果分析。具体地，对待定时间序列预测模型输出的待定时间特征进行分析。待定时间特征中包含时间特征的中值、趋势、季节性组件和不确定性间隔。

最后，模型验证。具体地，基于时间序列测试样本数据与燃油效率之间的关系确定实际时间特征，将待定时间特征与实际时间特征进行比对处理，得到第一准确度。另外，可以利用评估指标来评估待定时间序列预测模型的准确性，其中，评估指标包括MAE评估指标(Mean Absolute Error，简称MAE)或者均方根误差(Root Mean Square Error，简称RMSE)。

MAE评估指标是一种常用的连续数据评估方法，用于评估模型在预测时的准确性。MAE是量化预测结果的一种评估方法，即模型的预测值与实际值之间的平均绝对值差异。因此，MAE值越小，模型预测的准确程度越高。

RMSE指标是一种用于衡量预测模型误差的指标。它是预测值与真实值之间差异的平方和的平均值的平方根。RMSE越小，说明预测模型的准确性越高。

步骤103E，响应于所述第一准确度大于等于预设的准确度阈值，将所述待定时间序列预测模型作为所述目标时间序列预测模型。

通过上述方案，对初始时间序列预测模型进行训练，得到待定时间序列预测模型后，基于时间序列测试样本数据与燃油效率之间的关系，对待定时间序列预测模型进行验证，使得确定的目标时间序列预测模型更加准确。

在一些实施例中，步骤104包括：

步骤1041，基于所述第一准确度确定所述目标时间特征对应的第一权重。

步骤1042，基于所述状态样本数据中的状态测试样本数据，对所述目标多元线性回归模型进行测试处理，得到所述目标多元线性回归模型的第二准确度，基于所述第二准确度确定所述目标状态特征对应的第二权重。

步骤1043，将所述第一权重和所述目标时间特征进行乘积处理，得到第一预测值。

步骤1044，将所述第二权重和所述目标状态特征进行乘积处理，得到第二预测值。

步骤1045，将所述第一预测值和所述第二预测值进行求和处理，得到所述目标预测结果。

具体实施时，对目标状态特征和目标时间特征进行融合处理，得到目标预测结果，

Z＝a×P+b×Q

其中，Z为目标预测结果，a为第二权重，P为目标状态特征，b为第一权重，Q为目标时间特征。

通过上述方案，基于目标多元线性回归模型和目标时间序列预测模型分别对应的权重，对目标状态特征和目标时间特征进行融合处理，使得到的目标预测结果更加准确。另外，第一权重是基于目标时间序列预测模型的第一准确度确定的，第二权重是基于目标多元线性回归模型的第二准确度确定的，这样，准确度越高的模型对应的权重也越大，使得融合处理确定的目标预测结果更加准确。

通过上述实施例，获取车辆的状态数据；对所述状态数据进行特征选择，得到与燃油效率对应的目标状态特征。确定当前时间序列，将所述当前时间序列输入目标时间序列预测模型，从所述当前时间序列中提取燃油效率对应的时间特征，得到目标时间特征。对所述目标状态特征和所述目标时间特征进行融合处理，得到目标预测结果，以供利用所述目标预测结果对车辆的燃油效率进行优化。目标预测结果综合了对燃油效率存在影响的目标状态特征和目标时间特征，使得确定的目标预测结果更加准确，从而能够准确地对车辆的燃油效率进行优化。

需要说明的是，本公开的实施例还可以以下方式进一步描述：

基于背景技术的描述，随着车辆行业的发展，对车辆的燃油效率进行优化越来越受到重视。具体原因如下：

1.环境关切：随着全球变暖和气候变化的日益加剧，燃油效率变得越来越重要。车辆排放的二氧化碳是全球温室气体排放的主要来源之一。通过提高燃油效率，可以有效地减少碳排放，对抗气候变化。

2.经济因素：燃油效率更高的车辆可以为消费者节省大量的油费。随着油价的不断波动，许多消费者开始寻找更为经济、更具燃油效率的车辆。

3.政策和规定：很多国家和地区为了减少碳排放和鼓励车辆制造商生产更加高效的车辆，已经制定了一系列的燃油效率标准和规定。

4.技术进步：现代车辆的技术不断进步，从更加高效的发动机、轻量化材料到先进的电子技术，都为提高燃油效率带来了可能。

5.驾驶习惯的影响：驾驶习惯，如急加速、急刹车、超速驾驶等，都会影响车辆的燃油效率。通过培训和引导，可以帮助驾驶员形成更为经济的驾驶习惯。

6.车联网与大数据：随着车联网技术的不断发展，车辆能够实时收集大量关于驾驶、路况、车辆状态等的数据。这为燃油效率优化提供了巨大的数据支持。

综上所述，燃油效率优化不仅对环境和经济都有巨大的好处，还是许多国家和地区政策的重要组成部分。对车辆制造商而言，提高燃油效率也是获得竞争优势的关键途径之一。

本实施例基于LASSO算法和Prophet模型融合进行燃油效率优化旨在解决的技术问题如下：

1.特征选择：车辆燃油效率受到多种因素的影响，如驾驶习惯、车辆技术参数、气候条件等。LASSO算法是一种线性回归分析方法，它可以进行特征选择，确定与燃油效率最相关的目标状态特征，从而排除不必要或者冗余的状态特征。

2.时间序列预测：燃油效率可能受到季节性、假期、天气等时间序列因素的影响。

3.减少预测误差：通过结合LASSO的正则化特性和Prophet的时间序列建模能力，可以有效地减少预测误差，提供更准确的燃油效率预测。

4.驾驶建议生成：基于模型的预测和分析，可以为驾驶员提供具体的建议，如何调整驾驶习惯、车辆维护时机等，以优化燃油效率。

5.适应动态环境：道路状况、气候变化等因素会动态变化，通过周期性地重新训练和调整模型，确保其预测在动态环境下仍然准确。

通过结合LASSO算法和Prophet模型的特点，这种融合方法为燃油效率优化提供了一个全面、准确和灵活的工具，能够解决燃油效率优化面临的多种复杂问题。

如图2所示，图2为本公开实施例的基于特征选择和时间序列预测的燃油效率优化装置的结构示意图。燃油效率优化装置包括：数据预处理模块、特征选择模块、时间序列预测模块、结果融合模块、生成驾驶建议模块、持续优化与更新模块以及反馈与特征模块。

(一)数据预处理：

(1)数据收集：

车辆传感器：通过传感器获取车辆的状态数据。具体地，大多数车辆都配备了各种传感器，例如发动机温度传感器、速度传感器、油耗传感器等。这些传感器提供了有关车辆操作状况实时的状态数据。

GPS：通过定位系统获取车辆的状态数据。具体地，全球定位系统(GPS)提供了车辆的实时位置、速度和轨迹信息。它还可以用来推断车辆所在的道路类型(如高速公路、市区道路等)和交通状况。

气象站：通过气象系统获取车辆的状态数据。具体地，天气对驾驶习惯和油耗都有影响。例如，冷天可能需要更长时间的暖车，而湿滑的道路可能导致驾驶员更频繁地刹车。

(2)数据清洗：

处理缺失值：由于传感器故障或者传感器通信中断等原因，会导致传感器采集到的状态数据中存在缺失数据。对于状态数据中的缺失数据，通过插值算法或者平均值填充方法对缺失数据进行确定与填充，得到清洗处理后的状态数据。

异常值处理：由于传感器故障，会导致传感器采集到的状态数据中存在非常高或者非常低的异常数据。对于状态数据中的异常数据，通过Z得分方法(Z-Score方法)或者四分位数范围方法(IQR范围方法)对异常数据进行检测和处理，得到清洗处理后的状态数据。

处理重复数据：在传感器采集状态数据时，可能会出现状态数据中存在重复数据。对于状态数据中的重复数据，对重复数据进行识别和去除，得到清洗处理后的状态数据。

(二)特征选择(LASSO)：

特征工程：根据目标多元线性回归模型对状态数据进行特征选择，生成与燃油效率相关的目标状态特征。

2.1业务知识：深入了解车辆的工作原理和驾驶的各种情境是非常有帮助的。例如，我们知道车辆的速度、重量、气温压力和温度都会影响燃油效率。

2.2生成特征：基于业务知识，可以生成以下可能与燃油效率相关的特征：平均速度、驾驶时长、刹车次数、负载重量、天气条件(例如温度、湿度和风速)和道路类型(例如高速道路、市区道路和乡村道路)和其他车辆参数，如发动机转速、油箱压力等。

2.3应用LASSO：使用LASSO算法进行特征选择，确定与燃油效率最相关的目标状态特征，并去除不必要的状态特征。

LASSO算法通过在预测状态特征和实际状态特征之间添加L1惩罚(即惩罚系数)，有助于使一些回归系数变为零，从而实现特征选择。

2.3.1L1惩罚：LASSO算法的核心是对回归系数添加L1惩罚，使得与燃油效率不相关的状态特征对应的相关性系数变为零，LASSO算法对损失函数进行最小化处理。

其中，L(β)为所述损失函数，Y为目标变量，所述目标变量为所述预测结果与所述实际结果之差，X为预设的数据矩阵，β为所述回归系数，λ为所述正则化参数。

2.3.2选择合适的正则化参数：正则化参数λ决定了L1惩罚的强度，对预测状态特征与实际状态特征进行交叉验证，确定最优的λ值作为正则化参数。通过交叉验证选择最优的λ值是常见的做法。

2.3.3特征选择：训练LASSO模型后，回归系数为零的状态特征表示与燃油效率不相关的，可以从LASSO模型中移除。选择合适的正则化参数：正则化参数λ决定了惩罚的强度。通过交叉验证选择最优的λ值是常见的做法。

(三)时间序列预测(Prophet)：

(1)数据分割：

在对时间序列进行预测时，当前时间序列的时间顺序非常重要。因此，在基于时间序列样本数据与燃油效率之间的关系训练得到目标时间序列预测模型的过程中，将时间序列样本数据按照时间顺序进行排序，将排序后时间顺序在前的一半时间序列样本数据作为时间序列训练样本数据，将排序后时间顺序在后的一半时间序列样本数据作为时间序列测试样本数据。

时间序列训练样本数据：用于构建和训练初始时间序列预测模型。

时间序列测试样本数据：用于验证目标时间序列预测模型的准确性，这部分数据在模型训练过程中是不可见的。

(2)建立Prophet模型：

模型初始化：初始化一个Prophet对象，设置至少一个时间序列参数影响Prophet对象的行为，确定初始时间序列预测模型。其中，至少一种时间序列参数可以为季节性的强度或者趋势变化的灵活性。

考虑季节性和假期效应：确定时间序列训练样本数据的季节性，并将时间序列训练样本数据的季节性添加至时间序列预测模型，使得时间序列预测模型能够自动检测时间序列数据的季节性。确定时间序列训练样本数据的节假日，并将时间序列训练样本数据的节假日添加至时间序列预测模型，使得时间序列预测模型可以提供公众假期和特殊时间的信息，这对于某些具有明显假日效应的数据集(如零售销售)是非常有用的。

模型拟合：通过fit方法将时间序列训练样本数据传递至Prophet对象，对初始时间序列预测模型进行训练，得到待定时间序列预测模型。

(3)预测与验证：

预测：一旦模型被训练，可以用训练得到的待定时间序列预测模型来预测未来的数据点，使用Prophet模型的predict方法和一个包含未来日期的数据帧可以得到预测。将时间序列测试样本数据输入待定时间序列预测模型，得到待定时间特征。

结果分析：对待定时间序列预测模型输出的待定时间特征进行分析。待定时间特征中包含时间特征的中值、趋势、季节性组件和不确定性间隔。

验证：基于时间序列测试样本数据与燃油效率之间的关系确定实际时间特征，将待定时间特征与实际时间特征进行比对处理，得到第一准确度。另外，可以利用评估指标来评估待定时间序列预测模型的准确性，其中，评估指标包括MAE评估指标(Mean AbsoluteError，简称MAE)或者均方根误差(Root Mean Square Error，简称RMSE)。

(四)结果融合：

集成预测：

权重分配：根据LASSO模型的第二准确度确定第二权重，根据Prophet模型的第一准确度确定第一权重。例如，如果Prophet模型的预测效果更好，则其权重可能会更高。

加权平均：对目标状态特征和目标时间特征进行融合处理，得到目标预测结果：

Z＝a×P+b×Q

其中，Z为目标预测结果，a为第二权重，P为目标状态特征，b为第一权重，Q为目标时间特征。

最终预测：获得的目标预测结果是最终的燃油效率预测，目标预测结果结合了两个模型的强项，旨在提供更稳定、准确的预测。

误差分析：

计算误差：使用如均方误差(MSE)、平均绝对误差(MAE)等指标来计算目标预测结果与实际燃油效率之间的误差。

误差分布：查看预测误差的分布，可以识别模型可能的弱点。例如，如果在某些特定条件下误差较大，可能需要针对性地调整模型或重新进行特征工程。

业务标准对比：将模型的预测效果与业务要求或标准进行对比。例如，如果业务要求预测误差必须在某一特定范围内，则需要确保模型的误差满足这一要求。

(五)生成驾驶建议：

特征影响分析：

相关性系数：LASSO模型不仅可以用于特征选择，相关性系数也可以提供有关特征重要性的信息。正相关性系数表示状态特征与燃油效率之间为正相关，负相关性系数表示状态特征与燃油效率之间为负相关。

权重排序：将状态特征按相关性系数的绝对值大小排序，可以识别对燃油效率影响最大的状态特征。

可视化：为了直观地展示至少一个状态特征对燃油效率的影响，可以利用柱状图或者其他图形来可视化至少一个状态特征对应的相关性系数。

建议生成：

分析关键特征：对于与燃油效率高度相关的目标状态特征，深入分析其具体含义。例如，如果发现“急加速次数”与燃油效率负相关，这可能意味着频繁的急加速会导致油耗增加。

生成具体建议：

驾驶习惯：如果发现某些驾驶行为与燃油效率密切相关，可以建议驾驶员调整这些习惯。例如：“为了提高燃油效率，建议避免频繁的急加速和急制动”。

车辆维护：如果某些与车辆健康状态相关的特征影响燃油效率，例如轮胎压力，可以建议驾驶员定期检查和维护。例如：“确保轮胎压力始终在推荐范围内，这可以帮助优化燃油效率”。

环境因素：如果发现某些外部环境因素，如天气、路况等，影响燃油效率，可以提供相关建议。例如：“在雨天，湿滑的路面可能会导致油耗增加，请考虑减少不必要的出行”。

实时反馈：除了定期提供的建议，还可以根据实时数据为驾驶员提供即时反馈和建议，从而帮助驾驶员更有效地优化驾驶行为。

(六)持续优化与更新：

收集当前状态数据：

自动化数据收集：确保有一个稳定的数据收集系统，可以从车辆传感器、GPS、气象站等来源实时或定期收集当前状态数据。

考虑新的数据源：随着技术和环境的发展，可能会有新的数据来源或新的数据类型可用，如新的传感器或外部数据源，考虑将其整合以提供更丰富的信息。

模型更新：

定期训练：设定一个固定的时间间隔(例如，每月或每季度)，或在收集到一定数量的当前状态数据后，重新训练模型。这可以确保模型反映了最新的数据趋势和变化。

验证与测试：在当前状态数据上验证和测试模型的性能，确保模型的准确性和鲁棒性。

超参数调整：根据模型在当前状态数据上的表现，可能需要调整模型的超参数，例如LASSO的正则化参数或Prophet的季节性参数等。

考虑模型迭代：随着时间的推移，可能会有新的算法或技术变得可用或被证明在某些任务上更为高效。考虑是否有必要迁移到新的模型或算法。

(七)反馈与调整：

持续反馈与评估：

用户反馈：收集驾驶员或相关人员对模型输出(例如驾驶建议)的反馈。用户的实际体验和观察可能为模型提供宝贵的见解。

性能跟踪：设置仪表板或其他可视化工具，持续跟踪模型的性能指标，如预测准确性、误差率等。

业务评估：定期评估模型如何影响业务关键指标，如燃油消耗、驾驶员满意度等。

参数调整：

基于上述反馈，对LASSO模型和Prophet模型的参数进行适当调整。

基于LASSO模型和Prophet模型融合进行燃油效率优化方法具有许多优点，具体如下：

1.特征选择与稀疏性：LASSO算法是一种带有L1惩罚的正则化的线性回归，可以进行特征选择，能自动将不相关或冗余的状态特征的回归系数压缩到零，从而仅保留与燃油效率最相关的目标状态特征。

2.考虑时间成分：Prophet模型是一个强大的时间序列预测模型。可以自动处理时间序列数据中的季节性、趋势和假期效应，这在燃油效率预测中是非常有用的，因为燃油效率可能会受到季节、特定假期或其他时间相关因素的影响。

3.增强预测能力：通过融合LASSO算法和Prophet模型的预测，可以从两种方法中都获得好的特点，从而提高预测的准确性和稳健性。

4.提供有洞察力的建议：基于LASSO算法的确定的目标状态特征和相关性系数分析，可以为驾驶员提供明确、具体和有根据的驾驶建议，帮助用户提供优化驾驶习惯来提高燃油效率的建议。

5.自适应与持续优化：通过对模型进行持续优化，可以随着当前状态数据的到来和实际反馈的获取而自我调整，确保预测的持续准确性。

需要说明的是，本公开实施例的方法可以由单个设备执行，例如一台计算机或服务器等。本实施例的方法也可以应用于分布式场景下，由多台设备相互配合来完成。在这种分布式场景的情况下，这多台设备中的一台设备可以只执行本公开实施例的方法中的某一个或多个步骤，这多台设备相互之间会进行交互以完成所述的方法。

需要说明的是，上述对本公开的一些实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于上述实施例中的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。

基于同一发明构思，与上述任意实施例方法相对应的，本公开还提供了一种车辆的燃油效率优化装置。

参考图3，所述车辆的燃油效率优化装置，包括：

获取模块301，被配置为获取车辆的状态数据；

特征选择模块302，被配置为对所述状态数据进行特征选择，得到与燃油效率对应的目标状态特征；

提取模块303，被配置为确定当前时间序列，将所述当前时间序列输入目标时间序列预测模型，从所述当前时间序列中提取燃油效率对应的时间特征，得到目标时间特征；其中，所述目标时间序列预测模型是基于时间序列样本数据与燃油效率之间的关系训练得到的；

融合处理模块304，被配置为对所述目标状态特征和所述目标时间特征进行融合处理，得到目标预测结果，以供利用所述目标预测结果对车辆的燃油效率进行优化。

在一些实施例中，所述特征选择模块302，包括：

状态选择单元，被配置为将所述状态数据输入目标多元线性回归模型，从所述状态数据中选择燃油效率对应的状态特征，得到至少一个状态特征以及与每个状态特征对应的相关性系数；其中，所述目标多元线性回归模型是基于状态样本数据与燃油效率之间的关系训练得到的；

目标相关性系数确定单元，被配置为从至少一个所述相关性系数中，确定绝对值大于等于所述相关性阈值的相关性系数作为目标相关性系数；

目标状态特征确定单元，被配置为将所述目标相关性系数对应的状态特征作为与燃油效率对应的所述目标状态特征。

在一些实施例中，所述装置包括：目标多元线性回归模型训练模块；

所述目标多元线性回归模型训练模块，被配置为：

第一关系获取单元，被配置为获取所述状态样本数据与燃油效率之间的关系；

预测状态特征选择单元，被配置为将所述状态样本数据输入初始多元线性回归模型，从所述状态样本数据中选择燃油效率对应的预测状态特征；

实际状态特征选择单元，被配置为基于所述状态样本数据与燃油效率之间的关系，从所述状态样本数据中选择燃油效率对应的实际状态特征；

损失函数确定单元，被配置为对所述预测状态特征和所述实际状态特征进行处理，得到损失函数；

模型更新单元，被配置为基于所述损失函数对所述初始多元线性回归模型进行更新，得到更新多元线性回归模型；

目标多元线性回归模型确定单元，被配置为响应于所述损失函数的收敛值小于预设的收敛值阈值，将最后的更新多元线性回归模型作为所述目标多元线性回归模型。

在一些实施例中，所述损失函数确定单元，具体被配置为：

对所述预测状态特征与所述实际状态特征进行交叉验证，确定正则化参数；

确定回归系数；其中，所述回归系数包括惩罚系数；

基于所述正则化参数和所述回归系数，确定所述损失函数，

其中，L(β)为所述损失函数，Y为目标变量，所述目标变量为所述预测结果与所述实际结果之差，X为预设的数据矩阵，β为所述回归系数，λ为所述正则化参数。

在一些实施例中，所述装置包括：目标时间序列预测模型训练模块；

所述目标时间序列预测模型训练模块，被配置为：

第二关系获取单元，被配置为获取时间序列样本数据与燃油效率之间的关系；

样本数据划分单元，被配置为将所述时间序列样本数据按照时间顺序分为时间序列训练样本数据和时间序列测试样本数据；

训练单元，被配置为基于所述时间序列训练样本数据与燃油效率之间的关系，对初始时间序列预测模型进行训练，得到待定时间序列预测模型；

验证单元，被配置为基于所述时间序列测试样本数据与燃油效率之间的关系，对所述待定时间序列预测模型进行验证，得到第一准确度；

目标时间序列预测模型确定单元，被配置为响应于所述第一准确度大于等于预设的准确度阈值，将所述待定时间序列预测模型作为所述目标时间序列预测模型。

在一些实施例中，融合处理模块304，包括：

第一权重确定单元，被配置为基于所述第一准确度确定所述目标时间特征对应的第一权重；

第二权重确定单元，被配置为基于所述状态样本数据中的状态测试样本数据，对所述目标多元线性回归模型进行测试处理，得到所述目标多元线性回归模型的第二准确度，基于所述第二准确度确定所述目标状态特征对应的第二权重；

第一预测值确定单元，被配置为将所述第一权重和所述目标时间特征进行乘积处理，得到第一预测值；

第二预测值确定单元，被配置为将所述第二权重和所述目标状态特征进行乘积处理，得到第二预测值；

目标预测结果确定单元，被配置为将所述第一预测值和所述第二预测值进行求和处理，得到所述目标预测结果。

为了描述的方便，描述以上装置时以功能分为各种模块分别描述。当然，在实施本公开时可以把各模块的功能在同一个或多个软件和/或硬件中实现。

上述实施例的装置用于实现前述任一实施例中相应的车辆的燃油效率优化方法，并且具有相应的方法实施例的有益效果，在此不再赘述。

基于同一发明构思，与上述任意实施例方法相对应的，本公开还提供了一种电子设备，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计算机程序，所述处理器执行所述程序时实现上任意一实施例所述的车辆的燃油效率优化方法。

图4示出了本实施例所提供的一种更为具体的电子设备硬件结构示意图，该设备可以包括：处理器1010、存储器1020、输入/输出接口1030、通信接口1040和总线1050。其中处理器1010、存储器1020、输入/输出接口1030和通信接口1040通过总线1050实现彼此之间在设备内部的通信连接。

处理器1010可以采用通用的CPU(Central Processing Unit，中央处理器)、微处理器、应用专用集成电路(Application Specific Integrated Circuit，ASIC)、或者一个或多个集成电路等方式实现，用于执行相关程序，以实现本说明书实施例所提供的技术方案。

存储器1020可以采用ROM(Read Only Memory，只读存储器)、RAM(Random AccessMemory，随机存取存储器)、静态存储设备，动态存储设备等形式实现。存储器1020可以存储操作系统和其他应用程序，在通过软件或者固件来实现本说明书实施例所提供的技术方案时，相关的程序代码保存在存储器1020中，并由处理器1010来调用执行。

输入/输出接口1030用于连接输入/输出模块，以实现信息输入及输出。输入输出/模块可以作为组件配置在设备中(图中未示出)，也可以外接于设备以提供相应功能。其中输入设备可以包括键盘、鼠标、触摸屏、麦克风、各类传感器等，输出设备可以包括显示器、扬声器、振动器、指示灯等。

通信接口1040用于连接通信模块(图中未示出)，以实现本设备与其他设备的通信交互。其中通信模块可以通过有线方式(例如USB(Universal Serial Bus，通用串行总线)、网线等)实现通信，也可以通过无线方式(例如移动网络、WIFI(Wireless Fidelity，无线网络通信技术)、蓝牙等)实现通信。

总线1050包括一通路，在设备的各个组件(例如处理器1010、存储器1020、输入/输出接口1030和通信接口1040)之间传输信息。

需要说明的是，尽管上述设备仅示出了处理器1010、存储器1020、输入/输出接口1030、通信接口1040以及总线1050，但是在具体实施过程中，该设备还可以包括实现正常运行所必需的其他组件。此外，本领域的技术人员可以理解的是，上述设备中也可以仅包含实现本说明书实施例方案所必需的组件，而不必包含图中所示的全部组件。

上述实施例的电子设备用于实现前述任一实施例中相应的车辆的燃油效率优化方法，并且具有相应的方法实施例的有益效果，在此不再赘述。

基于同一发明构思，与上述任意实施例方法相对应的，本公开还提供了一种非暂态计算机可读存储介质，所述非暂态计算机可读存储介质存储计算机指令，所述计算机指令用于使所述计算机执行如上任一实施例所述的车辆的燃油效率优化方法。

本实施例的计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。

上述实施例的存储介质存储的计算机指令用于使所述计算机执行如上任一实施例所述的车辆的燃油效率优化方法，并且具有相应的方法实施例的有益效果，在此不再赘述。

基于同一发明构思，与上述任意实施例方法相对应的，本申请还提供了一种车辆，包括上述实施例中的车辆的燃油效率优化装置、或电子设备、或存储介质，所述车辆设备实现上任意一实施例所述的车辆的燃油效率优化方法。

上述实施例的车辆用于实现前述任一实施例所述的车辆的燃油效率优化方法，并且具有相应的方法实施例的有益效果，在此不再赘述。

所属领域的普通技术人员应当理解：以上任何实施例的讨论仅为示例性的，并非旨在暗示本公开的范围(包括权利要求)被限于这些例子；在本公开的思路下，以上实施例或者不同实施例中的技术特征之间也可以进行组合，步骤可以以任意顺序实现，并存在如上所述的本公开实施例的不同方面的许多其它变化，为了简明它们没有在细节中提供。

另外，为简化说明和讨论，并且为了不会使本公开实施例难以理解，在所提供的附图中可以示出或可以不示出与集成电路(IC)芯片和其它部件的公知的电源/接地连接。此外，可以以框图的形式示出装置，以便避免使本公开实施例难以理解，并且这也考虑了以下事实，即关于这些框图装置的实施方式的细节是高度取决于将要实施本公开实施例的平台的(即，这些细节应当完全处于本领域技术人员的理解范围内)。在阐述了具体细节(例如，电路)以描述本公开的示例性实施例的情况下，对本领域技术人员来说显而易见的是，可以在没有这些具体细节的情况下或者这些具体细节有变化的情况下实施本公开实施例。因此，这些描述应被认为是说明性的而不是限制性的。

尽管已经结合了本公开的具体实施例对本公开进行了描述，但是根据前面的描述，这些实施例的很多替换、修改和变型对本领域普通技术人员来说将是显而易见的。例如，其它存储器架构(例如，动态RAM(DRAM))可以使用所讨论的实施例。

本公开实施例旨在涵盖落入所附权利要求的宽泛范围之内的所有这样的替换、修改和变型。因此，凡在本公开实施例的精神和原则之内，所做的任何省略、修改、等同替换、改进等，均应包含在本公开的保护范围之内。