本公開涉及車輛，具體涉及一種車輛能耗預測方法、裝置、設備及存儲介質。

背景技術：

1、隨著技術的進步和國家政策的支持，新能源電動汽車以其環(huán)保、節(jié)能、低碳的特點，成為目前全球汽車產業(yè)發(fā)展的重要方向之一，人們對電動汽車的關注也日益增加。然而，電動汽車的不足之處是續(xù)航里程較短，加上目前各城市充電設施以及充電時長的限制，導致駕駛員會評估電量與剩余里程的關系，容易使得駕駛員產生“里程焦慮”，因此續(xù)航里程成為駕駛員關注的重要指標之一。而準確的能耗預測可以讓駕駛員更好地把握續(xù)航里程，從而制定合理的出行路線，對于促進電動車的發(fā)展和使用也具有重要意義。

2、其中，電動汽車的能耗由眾多因素(駕駛員、環(huán)境、車輛)耦合而成，過程錯綜復雜，而作為非線性模型，物理模型很難準確地預測車輛能耗。相關技術中，大多數(shù)方法是基于數(shù)據(jù)驅動的，通過ai算法構建能耗預測模型時，這些方法將駕駛風格作為特征輸入到能耗預測模型中，若駕駛員存在稀疏性問題，該方法會導致駕駛風格預測不準，進而導致車輛能耗預測也不準。

技術實現(xiàn)思路

1、本公開的目的之一在于提供一種車輛能耗預測方法，使用有監(jiān)督的對比學習網(wǎng)絡對車輛駕駛風格信息進行處理，提高特征表示的質量和判別性，充分挖掘駕駛員的個性化信息，從而緩解駕駛員稀疏性問題，提升車輛能耗預測的可靠性；本公開的目的之二在于提供一種車輛能耗預測裝置；本公開的目的之三在于提供一種設備；本公開的目的之四在于提供一種存儲介質。

2、為了實現(xiàn)上述目的，第一方面，本公開提供一種車輛能耗預測方法，所述車輛能耗預測方法包括：

3、獲取目標車輛當前時刻對應的車輛駕駛風格信息以及車輛能耗影響因素信息；

4、基于所述車輛能耗影響因素信息，確定模型輸入向量；

5、基于車輛能耗預測模型對所述模型輸入向量以及所述車輛駕駛風格信息進行處理，確定所述目標車輛當前的車輛能耗預測結果；

6、其中，所述基于車輛能耗預測模型對所述模型輸入向量以及所述車輛駕駛風格信息進行處理，確定所述目標車輛當前的車輛能耗預測結果，包括：

7、基于所述車輛能耗預測模型的第一子模型，對所述車輛駕駛風格信息進行處理，確定所述目標車輛的車輛識別碼特征向量；其中，所述第一子模型包括有監(jiān)督的對比學習網(wǎng)絡；

8、基于所述車輛能耗預測模型中除所述第一子模型以外的子模型，對所述車輛識別碼特征向量和所述模型輸入向量進行處理，確定所述車輛能耗預測結果。

9、可選地，所述第一子模型通過以下方式訓練得到：

10、獲取多組相互對應的車輛識別碼特征向量樣本以及車輛駕駛風格信息樣本；

11、基于有監(jiān)督的對比學習網(wǎng)絡，學習多組相互對應的所述車輛識碼別特征向量樣本及所述車輛駕駛風格信息樣本，以得到所述第一子模型。

12、可選地，所述獲取目標車輛當前時刻對應的車輛駕駛風格信息，包括：

13、當所述目標車輛存在歷史駕駛信息時，獲取所述目標車輛的第一歷史平均速度和/或第一歷史平均加速度，將所述第一歷史平均速度和/或所述第一歷史平均加速度作為所述車輛駕駛風格信息；

14、或者，

15、當所述目標車輛未存在歷史駕駛信息時，獲取目標車型的車群的第二歷史平均速度和/或第二歷史平均加速度，將所述第二歷史平均速度和/或所述第二歷史平均加速度作為所述車輛駕駛風格信息；其中，所述目標車型為所述目標車輛所屬的車型。

16、可選地，

17、所述車輛能耗影響因素信息包括車輛狀態(tài)信息，所述基于所述車輛能耗影響因素信息，確定模型輸入向量，包括：

18、基于所述車輛狀態(tài)信息，確定所述模型輸入向量中的車輛狀態(tài)輸入向量；

19、和/或，

20、所述車輛能耗影響因素信息包括時間信息，所述基于所述車輛能耗影響因素信息，確定模型輸入向量，包括：

21、基于所述時間信息，確定所述模型輸入向量中的時間輸入向量；

22、和/或，

23、所述車輛能耗影響因素信息包括天氣信息，所述基于所述車輛能耗影響因素信息，確定模型輸入向量，包括：

24、基于所述天氣信息，確定所述模型輸入向量中的天氣輸入向量；

25、和/或，

26、所述車輛能耗影響因素信息包括路況信息，所述基于所述車輛能耗影響因素信息，確定模型輸入向量，包括：

27、基于所述路況信息，確定所述模型輸入向量中的路況輸入向量。

28、可選地，所述路況信息包括車輛行駛路線的整體路況信息以及n個子路段路況信息，n個所述子路段路況信息與n個子路段一一對應，n個所述子路段構成所述車輛行駛路線；

29、所述基于所述路況信息，確定所述模型輸入向量中的路況輸入向量，包括：

30、基于所述整體路況信息，確定所述路況輸入向量中的整體路況輸入向量；

31、基于n個所述子路段路況信息，確定子路段路況輸入向量序列；其中，所述子路段輸入向量序列包括n個子路段路況輸入向量，且n個所述子路段路況輸入向量與n個所述子路段一一對應；

32、將所述子路段路況輸入向量序列中，與目標子路段對應的所述子路段路況輸入向量，確定為所述路況輸入向量中的目標子路段路況輸入向量；其中，所述目標子路段為所述目標車輛當前所處的所述子路段。

33、可選地，所述基于所述車輛能耗預測模型中除所述第一子模型以外的子模型，對所述車輛識別碼特征向量和所述模型輸入向量進行處理，確定所述車輛能耗預測結果，包括：

34、基于所述車輛能耗預測模型的第二子模型，對所述車輛識別碼特征向量、所述車輛狀態(tài)輸入向量、所述時間輸入向量、所述天氣輸入向量以及所述整體路況輸入向量進行處理，確定所述車輛行駛路線的整體特征向量；其中，所述第二子模型包括深度因子分解機；

35、基于所述車輛能耗預測模型的第三子模型，對所述目標子路段路況輸入向量進行處理，確定所述車輛行駛路線的子路段特征向量；其中，所述第三子模型包括注意力機制的編碼器；

36、基于所述車輛能耗預測模型的第四子模型，對所述整體特征向量和所述子路段特征向量進行處理，確定所述車輛能耗預測結果；其中，所述第四子模型包括多層感知機網(wǎng)絡。

37、可選地，所述對所述車輛識別碼特征向量、所述車輛狀態(tài)輸入向量、所述時間輸入向量、所述天氣輸入向量以及所述整體路況輸入向量進行處理，確定所述車輛行駛路線的整體特征向量，包括：

38、基于所述車輛狀態(tài)輸入向量、所述時間輸入向量、所述天氣輸入向量以及所述整體路況輸入向量中的類別型特征，確定第一稠密特征；

39、將所述車輛識別碼特征向量、所述第一稠密特征，以及所述車輛狀態(tài)輸入向量、所述時間輸入向量、所述天氣輸入向量以及所述整體路況輸入向量中的實數(shù)型特征進行拼接，得到第一拼接向量；

40、基于所述深度因子分解機對所述第一拼接向量進行處理，確定所述整體特征向量。

41、可選地，所述對所述目標子路段路況輸入向量進行處理，確定所述車輛行駛路線的子路段特征向量，包括：

42、基于所述目標子路段路況輸入向量的類別型特征，確定第二稠密特征；

43、將所述第二稠密特征以及所述目標子路段路況輸入向量的實數(shù)型特征進行拼接，得到第二拼接向量；

44、基于所述注意力機制的編碼器對所述第二拼接向量進行處理，確定所述子路段特征向量。

45、可選地，所述對所述整體特征向量和所述子路段特征向量進行處理，確定所述車輛能耗預測結果，包括：

46、將所述整體特征向量和所述子路段向量進行拼接，得到第三拼接向量；

47、基于所述多層感知機網(wǎng)絡對所述第三拼接向量進行處理，確定所述車輛能耗預測結果。

48、可選地，

49、所述車輛能耗預測方法包括：

50、若確定滿足設定條件，則重新確定所述車輛能耗預測結果；

51、其中，所述確定滿足設定條件包括以下中的至少一種：

52、確定所述目標車輛開始所述車輛行駛路線的行程；

53、確定所述目標車輛所行駛的所述子路段發(fā)生切換；

54、確定所述車輛行駛路線發(fā)生切換；

55、確定所述目標車輛前方待行駛路段出現(xiàn)意外事故。

56、可選地，所述車輛能耗預測方法包括：

57、在確定所述車輛能耗預測結果之后，基于所述車輛能耗預測結果確定所述目標車輛的續(xù)航里程；

58、基于所述車輛行駛路線的剩余里程，以及所述續(xù)航里程，控制所述目標車輛的提示信息。

59、可選地，所述基于所述車輛行駛路線的剩余里程，以及所述續(xù)航里程，控制所述目標車輛的提示信息，包括：

60、若所述剩余里程與所述續(xù)航里程的里程差值大于或等于第一設定閾值，且小于或等于第二設定閾值，則輸出第一提示信息；其中，所述第一提示信息用于提示使用節(jié)能模式駕駛；

61、若所述剩余里程與所述續(xù)航里程的里程差值大于所述第二設定閾值，則輸出第二提示信息；其中，所述第二提示信息用于提示補充車輛的能源。

62、可選地，所述獲取目標車輛當前時刻對應的車輛駕駛風格信息以及車輛能耗影響因素信息，包括：

63、根據(jù)所述目標車輛的出發(fā)地和目的地，確定所述目標車輛的車輛行駛路線；

64、基于所述車輛行駛路線，獲取所述車輛駕駛風格信息以及所述車輛能耗影響因素信息。

65、可選地，所述車輛能耗影響因素信息包括路況信息，所述路況信息包括所述車輛行駛路線的整體路況信息以及n個子路段路況信息，n為大于或等于1的正整數(shù)；

66、所述基于所述車輛行駛路線，獲取所述車輛駕駛風格信息以及所述車輛能耗影響因素信息，包括：

67、基于所述車輛行駛路線，從導航信息中獲取所述車輛行駛路線的所述整體路況信息；

68、對所述車輛行駛路線進行路段劃分，以得到n個子路段；

69、從所述導航信息中獲取n個所述子路段對應的n個所述子路段路況信息；其中，n個所述子路段路況信息與n個所述子路段一一對應。

70、為了實現(xiàn)上述目的，第二方面，本公開提供一種車輛能耗預測裝置，所述車輛能耗預測裝置包括：

71、獲取模塊，用于獲取目標車輛當前時刻對應的車輛駕駛風格信息以及車輛能耗影響因素信息；

72、確定模塊，用于基于所述車輛能耗影響因素信息，確定模型輸入向量；

73、還用于基于車輛能耗預測模型對所述模型輸入向量以及所述車輛駕駛風格信息進行處理，確定所述目標車輛當前的車輛能耗預測結果；

74、其中，所述基于所述模型輸入信息和所述車輛駕駛風格信息，確定所述目標車輛當前的車輛能耗預測結果，包括：

75、基于所述車輛能耗預測模型的第一子模型，對所述車輛駕駛風格信息進行處理，確定所述目標車輛的車輛識別碼特征向量；其中，所述第一子模型包括有監(jiān)督的對比學習網(wǎng)絡；

76、基于所述車輛能耗預測模型中除所述第一子模型以外的子模型，對所述車輛識別碼特征向量和所述模型輸入向量進行處理，確定所述車輛能耗預測結果。

77、為實現(xiàn)上述目的，第三方面，本公開還提供一種設備，所述設備還包括：處理器和存儲器，所述處理器用于執(zhí)行所述存儲器中存儲的控制程序，以實現(xiàn)如第一方面任一項所述車輛能耗預測方法。

78、為實現(xiàn)上述目的，第四方面，本公開還提供一種存儲介質，所述存儲介質存儲有一個或者多個程序，所述一個或者多個程序可被一個或者多個處理器執(zhí)行，以實現(xiàn)如第一方面任一項所述車輛能耗預測方法。

79、本公開的有益效果：

80、本公開中，車輛能耗預測模型可采用多任務學習框架，輔助任務學習個性化駕駛信息的嵌入，即第一子模型用于對車輛駕駛風格信息進行處理，得到車輛識別碼特征向量；而主任務學習車輛能耗相關影響因素的嵌入，即，第一子模型以外的其他模型，對車輛識別碼特征向量以及由車輛能耗影響因素信息得到的模型輸入向量進行處理，得到車輛能耗預測結果。其中，由于輔助任務采用了有監(jiān)督的對比學習網(wǎng)絡，可以提高特征表示的質量和判別性，可以充分挖掘駕駛員的個性化信息，從而緩解駕駛員稀疏性問題，進而提高能耗預測性能，更好地提高車輛能耗預測結果的可靠性。