一种预测车辆油耗的方法与装置

技术领域

本公开涉及交通技术领域，特别涉及一种预测车辆油耗的方法、装置、系统、电子设备及计算机可读存储介质。

背景技术

众所周知，公路运输能源消耗大，运输成本高，而且不可避免地存在尾气排放，造成环境污染。除了环境污染问题，现阶段我国的物流行业的物流车辆运用成本难以控制，其中货车油耗占比很大，造成了燃油费用居高不下，企业经营利润低。

因此，急需一种预测车辆油耗的方法，实现精确的预测车辆油耗，合理规划行驶路线油耗低的路线，降低成本。

发明内容

有鉴于此，本公开实施例的目的在于提供一种预测车辆油耗的方法，可以实时的、自动的准确预测出货车短期油耗，大大提高的油耗预测的准确性，解决现有技术中油耗预测结果准确度较低的问题。

根据本公开的第一方面，提供了一种预测车辆油耗的方法，包括：

获取各类传感器采集的数据，包括：应变传感器信号、惯性传感器信号、位置信号；

根据所述各类传感器采集的数据生成综合道路信息；

根据综合道路信息确定环境信息，根据所述环境信息在弹性网络回归模型集合中选择对应的弹性网络回归模型；

将所述各类传感器采集的数据输入自编码器，提取特征信息；

将特征信息输入所述弹性网络回归模型，得到预测的油耗。

在一个可能的实施例中，其中，将各类传感器采集的数据聚类，使得聚类后的每一个分类都与环境信息一一对应。

在一个可能的实施例中，所述方法还包括：通过应变传感器确定车辆的载重，当所述载重处于稳定状态时，其数值作为弹性网络回归模型的输入。

在一个可能的实施例中，其中，所述弹性网络回归模型是由所述各类传感器采集的数据为训练数据，以及预先确定的车辆油耗为样本标签，经过训练后得到的。

在一个可能的实施例中，其中，当任何一项传感器采集的参数发生变化导致综合道路信息或环境信息发生变化后，所述弹性网络回归模型会自动跟踪变化，选择对应的弹性回归方程。

在一个可能的实施例中，其中，每一个弹性回归方程与对应的环境信息一一对应，所述弹性回归方程的系数将根据环境信息的复杂性增加系数项。

在一个可能的实施例中，其中，所述弹性网络回归方程的损失函数为:

根据本公开的第二方面，提供了一种预测车辆油耗的系统，所述系统包括：

油耗预测平台，包括：传感器单元，用于获取各类传感器采集的数据，包括：应变传感器信号、惯性传感器信号、位置信号；综合道路信息单元，用于根据所述各类传感器采集的数据生成综合道路信息；环境信息单元，用于根据综合道路信息确定环境信息，根据所述环境信息在弹性网络回归模型集合中选择对应的弹性网络回归模型；特征提取单元，用于将所述各类传感器采集的数据输入自编码器，提取特征信息；油耗预测单元，用于将特征信息输入所述弹性网络回归模型，得到预测的油耗；

服务器，用于响应所述油耗预测平台和客户端的请求和指令；

客户端，用于登录所述油耗预测平台和服务器。

根据本公开的第三方面，提供一种电子设备，包括：存储器、处理器以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如第一方面所述的方法。

根据本公开的第四方面，提供一种计算机可读存储介质，所述计算机可读存储介质上存储有可执行指令，该指令被处理器执行时使处理器执行如第一方面所述的方法。

附图说明

为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例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申请的一些实施例，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。通过附图所示，本申请的上述及其它目的、特征和优势将更加清晰。在全部附图中相同的附图标记指示相同的部分。并未刻意按实际尺寸等比例缩放绘制附图，重点在于示出本申请的主旨。

图1示出了根据本公开实施例的典型的在车辆上安装传感器的示意图。

图2示出了根据本公开实施例的典型的预测车辆油耗的方法的示意图。

图3示出了根据本公开实施例的典型的用于确定车辆载货重量的神经网络的示意图。

图4示出了根据本公开实施例的典型的预测车辆油耗的装置的示意图。

图5示出了根据本公开实施例的典型的预测车辆油耗的系统的示意图。

图6示出了用于实现本公开实施例的电子设备的结构示意图。

具体实施方式

以下，将参照附图来描述本公开的实施例。但是应该理解，这些描述只是示例性的，而并非要限制本公开的范围。此外，在以下说明中，省略了对公知结构和技术的描述，以避免不必要地混淆本公开的概念。

在此使用的术语仅仅是为了描述具体实施例，而并非意在限制本公开。这里使用的词语“一”、“一个(种)”和“该”等也应包括“多个”、“多种”的意思，除非上下文另外明确指出。此外，在此使用的术语“包括”、“包含”等表明了所述特征、步骤、操作和/或部件的存在，但是并不排除存在或添加一个或多个其他特征、步骤、操作或部件。

在此使用的所有术语(包括技术和科学术语)具有本领域技术人员通常所理解的含义，除非另外定义。应注意，这里使用的术语应解释为具有与本说明书的上下文相一致的含义，而不应以理想化或过于刻板的方式来解释。

众所周知，公路运输能源消耗大，运输成本高，而且不可避免地存在尾气排放，造成环境污染。除了环境污染问题，现阶段我国的物流行业的物流车辆运用成本难以控制，其中货车油耗占比很大，造成了燃油费用居高不下，企业经营利润低。

但是，现有的油耗预测方法的预测准确度不够精准，货车在行车过程中，情况复杂，预测信息难以完全准确收集，无法收集货车实时获取自身载重的信息，行驶路段的坡度和颠簸程度信息。而且，现有技术获取的信息维度单一，很难建立一个能综合复杂的道路行驶情况的算法模型。道路情况复杂，受天气、施工、车流量等很多因素影响，仅根据地图信息无法确保及时更新道路真实信息，存在一定滞后性。

因此，急需一种预测车辆油耗的方法，实现精确的预测车辆油耗，合理规划行驶路线油耗低的路线，降低成本。利用实时获取货车的自身载重，以及根据应变传感器和惯性测量元件，获取当前路段的坡度与颠簸程度，可以获得实时且真实的道路情况，根据当前路况，动态调整算法模型，准确预测油耗。

以下结合附图详细描述本公开。

图1示出了根据本公开实施例的典型的在车辆上安装传感器的示意图。

由于车辆在行驶中的状态具有复杂性，会对传感器信号产生影响，从而影响车辆载重变化的判断。同时，在车辆上安装传感器的位置具有多样性。由于车辆的不同类型、不同安装位置，甚至不同安装手法都会对传感器信号表现产生影响。

因此，本公开在如图1所示的位置安装传感器。在车辆车桥位置安装应变传感器，将车辆状态通过应变传感器转化为模拟数值。应变传感器是一种能捕捉刚体的微型变，将物理信号转变为电信号的感应元件。为了让应变传感器充分地获取由货物施加给车桥的力，避免因偏载导致的前后车桥或车桥左右受力不均的情况，可以在车辆前、后车桥部位对称的安装偶数数量的传感器。

在一个可能的实施例中，传感器101和传感器102安装于靠近车头的车桥前轴处，传感器101与传感器102到车辆外沿的距离相等。传感器103和传感器104安装于靠近车尾的车桥后轴处，传感器103与传感器104到车辆外沿的距离相等。

优选的，还可以在车辆的中桥位置再安装2个传感器，这两个传感器到车辆外沿的距离应该尽量相等。

IMU惯性测量元件105尽量安装在靠近车辆重心的车顶，位置测量设备106和位置测量设备107安装于车前部和车尾部，安装时，位置测量设备106和位置测量设备107的连线应该与车身平行，并且尽量安装在车辆宽度方向的中点。

图2示出了根据本公开实施例的典型的预测车辆油耗的方法的示意图。

参见图2，所述预测车辆油耗的方法包括：

步骤201:获取各类传感器采集的数据，包括：应变传感器信号、惯性传感器信号、位置信号。

在一个可能的实施例中，在如图1所示的位置上，安装有惯性测量元件、应变传感器、位置测量设备，例如GPS模块。通过应变传感器可以计算出车辆的载重，通过IMU可以计算出车辆行驶的路况信息，包括坡度和颠簸程度，通过位置测量设备可以计算出车辆的加速度、速度、位置。

在一个可能的实施例中，对于应变传感器信号与IMU中的陀螺仪信号处理过程如下：先根据应变传感器的变化计算出真实货车的载重。采用一阶差分，将传感器信号平稳化，并根据信号变化情况划分出载重状态，载重状态可以分为上货，卸货，稳定三种状态，将稳定状态下的真实载重作为预测油耗的输入信息之一，因此车辆在上下货时，并非行驶状态，因此没有预测油耗的需要。在该稳定状态下，根据应变传感器信号的波动程度与陀螺仪信号，计算当前的路况信息，包括颠簸程度与道路坡度。其中应变传感器数据可以为x

对于IUM：可以通过加速度传感器获取货车加速度大小a，通过角速度传感器获取角速度变化率，计算得到行驶路线的坡度α。

对于位置传感器，可以获取车辆的位置信息与速度信息。

步骤202：根据所述各类传感器采集的数据生成综合道路信息。

在货车处于行驶状态下，将应变传感器信号，惯性传感器信号，位置信号所计算得到的车辆的载重、路况信息、加速度、速度、位置，组合成综合道路信息。

对综合道路信息进行聚类，当聚类为12类时，每一个分类都可以得到与真实行驶场景一一对应的解释。由于每一个分类都对应一个环境信息，因此可以对每一个分类对应的环境信息建立对应的弹性网络回归方程，将得到12个弹性网络回归方程组成一个弹性网络回归模型集合，用以预测油耗。

聚类的目的是为了方便探明将汽车的行驶环境划为多少类合适，实验表明12种类别的数据之间，存在一定的差异。为了解决这种差异对单一模型预测准确有较大影响的问题，所以划分出12种情况，构建12个预测方程。结合实际情况，将12种行驶环境与真实场景一一对应。同时根据不同数据之间存在的差异，建立了如何判定当前行驶环境属于12类中哪一类的规则算法。

步骤203：根据综合道路信息确定环境信息，根据所述环境信息在弹性网络回归模型集合中选择对应的弹性网络回归模型。

判定当前行驶环境属于12类中哪一类的规则算法如下：

影响货车油耗的内部因素有：货车自身载重，速度及加速度。

外部因素有：道路路况及路面地形。

结合聚类结果与油耗影响因素，结合货车运行状态，共划分出12中不同的货车行驶环境，所述行驶环境包括：货车是否均速行驶，路面是否湿滑，是否颠簸，地形是否平稳。共组合出12种行驶环境，每种行驶环境都对应一个弹性回归模型预测油耗。

根据行驶环境不同，在方程中增加对应的系数项。例如：货车是否满载和道路是否湿滑，司机的驾驶习惯会做出适应性改变，制动时长增加。对应的弹性网络回归方程中会增加相应制动系数项与路面阻力系数项。越复杂的行驶环境，回归方程中额外的系数项越多，预测越为精准。

步骤204：将所述各类传感器采集的数据输入自编码器，提取特征信息。

将采集到的多维度信号，包括上述的惯性测量元件、应变传感器、位置测量设备的信号数据，通过自编码器中的编码器，进行编码压缩，使原始信号转变为特征表示，即进行了特征提取。提取后的特征可以过滤掉原始信号中的噪声，只利用信号中信息含量最大的部分。

由于经过压缩的特征包含了所得各类传感器数据里全部有用的预测信息，输入至编码器中，输出值就是全部信息的特征。该特征在维度方面远远小于原始信息的维度，大大提高了信息密度、信息质量，减少了数据存储量、计算量，提高了数据处理的效率。

在一个可能的实施例中，提取特征信息的方法如下：

货车在正常行驶状态下，利用步骤201所得的数据，经过数据清洗后，通过设定好的编码器，将全部数据进行压缩转为特征。

自编码器是一个输入和学习目标相同的神经网络，结构为编码器和解码器两部分，给定输入空间X∈χ，和特征空间h∈F，求解两者的映射f,g使输入特征的重建误差达成最小：

f:χ∈F

g:F∈χ

其中f为解码器部分，将输入的信息压χ缩至特征空间F里，g为解码器部分，可将特征空间里的特征F还原成输入信息χ。模型训练阶段，使得f,g的误差最小即可。使用步骤201获取的数据的全部信息当作输入和目标，训练自编码器就可以完成编码其的构建。

经过压缩的特征包含了步骤201获取的数据里全部有用的预测信息，输入至编码器中，输出值就是全部信息的特征，即所述特征信息。

步骤205：将特征信息输入所述弹性网络回归模型，得到预测的油耗。

将特征信息输入至弹性网络回归模型，由于所述模型经过训练后，每一个弹性回归方程都学习了特征信息与油耗之间的映射关系，所以可以得到依据所述特征信息预测的油耗。

训练预测油耗的弹性网络回归模型时，是由所述各类传感器采集的数据为训练数据，以及预先确定的车辆油耗为样本标签，经过训练后得到的。

由于聚类是基于误差平方和

在训练时，通过预先人工标注的方法，可以建立样本数据和样本标签，让模型学习特征与油耗之间的映射关系。实际应用时，在货车行驶过程中，可以根据实时收集到的数据进行实时预测，当车辆行驶在由平稳路段进入有坡度或者颠簸路段时，应变感应器会反馈该信号，结合自身载重情况，根据预设规则确定了环境信息，再选择该环境信息对应的弹性网络回归方程进行油耗预测。

在一个可能的实施例中，弹性网络回归方程的损失函数为：

总体来说，由于有12个弹性回归方程，因此弹性网络回归模型集合可以表示为f

在一种可能的实施例中，弹性回归方程可以是线性回归方程y＝W

根据前文所述，货车所处的行驶环境，会分为12种环境，根据传感器的信息判断出当前处于12种环境的某一种环境信息后，会从12种参数不同的回归模型中，选择对应当前环境的所属模型。由于不同的行驶环境下，货车收集的传感器数据特征会不同，对应建立的弹性网络回归方程的参数就会不同，所以每种方程和对应的行驶环境是一一对应的，当行驶环境确定了，方程也就自动确定了，此时自动变化相当于是方程中的参数项(L1，L2)及相关参数进行了变化。

因此，当任何一项传感器采集的参数发生变化导致综合道路信息或环境信息发生变化后，所述弹性网络回归模型会自动跟踪变化，选择对应的弹性回归方程。

模型中的L1与L2系数项，会限制模型的复杂度，为了防止过拟合，不让模型太复杂，尽量减少系数项。如果当前行驶环境采集的数据特征比较复杂，简单的模型不足以拟合数据，模型在训练的时候，会根据数据，自动增加系数项，使模型更复杂来增加模型的拟合效果。

本公开的预测方法综合利用三种传感器，划分不同的货车行驶环境，根据当前环境选择油耗预测模型，整合现有货车所能够采集的信息，进行利用，实现了充分利用多维的信息，对油耗的预测更为精准。

本公开的预测方法使用编码器进行信息压缩得到特征，再将特征输入到所选则的弹性网络回归模型，由于输入弹性网络回归模型的特征是经过压缩的，在数据处理方面，使得输入数据不是自然采集到的具有物理意义的信号，需要经过学习、训练、调试，才能得到理想的预测油耗的模型，达到了实时准确预测油耗，大大提高了信息密度、信息质量，减少了数据存储量、计算量，提高了数据处理的效率。

通过本公开的预测方法，当货车载重和路况发生改变时，油耗预测模型也会随之调整为适用当前行驶环境的模型，在精准预测的基础上更提高了预测效果。

图3示出了根据本公开实施例的典型的用于确定车辆载货重量的神经网络的示意图。

在一个可能的实施例中，所述神经网络模型是循环神经网络模型，由传感器采集的数据为样本数据，以及预先确定的车辆重量为样本标签，经过训练后得到的。所述神经网络模型的结构包括：一个含有十个结点的输入层301，两个含有十个结点的隐藏层302和隐藏层303、一个含有一个结点的输出层304，其中，输入是时间序列长度为10秒的传感器数据，输出是所述时间序列平均的车辆重量。

图4示出了根据本公开实施例的典型的预测车辆油耗的装置的示意图。

所述装置400，包括：

传感器单元401，用于获取各类传感器采集的数据，包括：应变传感器信号、惯性传感器信号、位置信号；

综合道路信息单元402，用于根据所述各类传感器采集的数据生成综合道路信息；

环境信息单元403，用于根据综合道路信息确定环境信息，根据所述环境信息在弹性网络回归模型集合中选择对应的弹性网络回归模型；

特征提取单元404，用于将所述各类传感器采集的数据输入自编码器，提取特征信息；

油耗预测单元405，用于将特征信息输入所述弹性网络回归模型，得到预测的油耗。

图5示出了根据本公开实施例的典型的预测车辆油耗的系统的示意图。

所述系统500包括：

油耗预测平台501，包括：传感器单元，用于获取各类传感器采集的数据，包括：应变传感器信号、惯性传感器信号、位置信号；综合道路信息单元，用于根据所述各类传感器采集的数据生成综合道路信息；环境信息单元，用于根据综合道路信息确定环境信息，根据所述环境信息在弹性网络回归模型集合中选择对应的弹性网络回归模型；特征提取单元，用于将所述各类传感器采集的数据输入自编码器，提取特征信息；油耗预测单元，用于将特征信息输入所述弹性网络回归模型，得到预测的油耗；

服务器502，用于响应油耗预测平台503和客户端501的请求和指令；

客户端501，用于登录所述油耗预测平台503和服务器502，执行相关操作。

图6示出了用于实现本公开的实施例的电子设备的结构示意图。如图6所示，电子设备600包括中央处理单元(CPU)601，其可以根据存储在只读存储器(ROM)602中的程序或者从存储部分608加载到随机访问存储器(RAM)603中的程序而执行各种适当的动作和处理。在RAM603中，还存储有电子设备600操作所需的各种程序和数据。CPU 601、ROM 602以及RAM 603通过总线604彼此相连。输入/输出(I/O)接口605也连接至总线604。

以下部件连接至I/O接口605：包括键盘、鼠标等的输入部分606；包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分607；包括硬盘等的存储部分608；以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分609。通信部分609经由诸如因特网的网络执行通信处理。驱动器610也根据需要连接至I/O接口605。可拆卸介质611，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器610上，以便于从其上读出的计算机程序根据需要被安装入存储部分608。

特别地，根据本公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，包括承载指令的在计算机可读介质，在这样的实施例中，该指令可以通过通信部分609从网络上被下载和安装，和/或从可拆卸介质611被安装。在该指令被中央处理单元(CPU)601执行时，执行本公开中描述的各个方法步骤。

尽管已经描述了示例实施例，但是对于本领域技术人员来说显而易见的是，在不脱离本公开构思的精神和范围的情况下，可以进行各种改变和修改。因此，应当理解，上述示例实施例不是限制性的，而是说明性的。