一种驾驶优化方法、相关装置及车辆与流程
本申请涉及车辆，尤其涉及一种驾驶优化方法、相关装置及车辆。
背景技术：
1、随着人们环保意识的增强，能耗管理成为大众关注的重要领域。用户的驾驶行为会对车辆的能耗产生显著影响。因此，需要一种方法来帮助用户优化驾驶行为，实现更高效的能耗管理。
技术实现思路
1、有鉴于此，本申请的目的在于提出一种驾驶优化方法、相关装置及车辆，以解决用户的驾驶行为影响车辆能耗的问题。
2、基于上述目的，本申请提供了一种驾驶优化方法，包括：
3、响应于确定车辆处于行驶状态，则获取实际能耗、驾驶环境数据、驾驶行为数据和车辆状态数据；
4、将获取到的驾驶环境数据、驾驶行为数据和车辆状态数据输入初始能耗预测模型，并得到预测能耗；
5、响应于确定所述实际能耗与所述预测能耗的能耗差异大于预设值，则对所述初始能耗预测模型进行调整，并得到目标能耗预测模型；
6、基于所述目标能耗预测模型，生成驾驶优化建议。
7、进一步的，所述初始能耗预测模型的确定过程包括：
8、响应于确定当前时刻为第一时刻，则将预存储的能耗预测模型作为初始能耗模型；
9、响应于确定当前时刻为第一时刻的后续时刻，则将上一时刻的目标能耗预测模型作为当前时刻的初始能耗预测模型。
10、进一步的，所述响应于确定所述实际能耗与所述预测能耗的能耗差异大于预设值，则对所述初始能耗预测模型进行调整，并得到目标能耗预测模型，包括：
11、响应于确定所述实际能耗与所述预测能耗的能耗差异大于预设值，则调整所述初始能耗预测模型中的权重系数为新的权重系数，并得到新的预测能耗；
12、响应于确定所述新的预测能耗与所述实际能耗之间的能耗差异小于预设值，则确定所述新的权重系数为目标权重系数；
13、基于所述目标权重系数确定目标能耗预测模型。
14、进一步的，所述目标能耗预测模型包括多个模型参数，每一所述模型参数均对应一权重系数，每一所述权重系数均对应一预设范围，所述基于所述目标能耗预测模型，生成驾驶优化建议，包括：
15、响应于确定所述目标能耗预测模型中的至少一所述权重系数超过其对应的预设范围，则基于该权重系数对应的模型参数生成驾驶优化建议。
16、进一步的，所述方法还包括：
17、响应于确定在预设时段内，基于同一模型参数生成多个所述驾驶优化建议，则生成切换到智能驾驶模式的切换信息；
18、基于用户反馈的同意切换信息，将车辆由当前模式切换至智能驾驶模式。进一步的，所述能耗预测模型为：
19、epredicted＝β0+eenv+eveh+ebeh+enonlin
20、其中，epredicted为预测能耗；β0为模型的偏置项；eenv为基于驾驶环境数据进行能耗预测的模型；eveh为基于车辆状态数据进行能耗预测的模型；ebeh为基于驾驶行为数据进行能耗预测的模型；enonlin为非线性项和交叉项的能耗预测模型。
21、进一步的，所述基于驾驶环境数据进行能耗预测的模型为：
22、eenv＝β1c+β2w+β3temp+β4fv
23、其中：c为路况；w为天气；temp为环境温度；fv为前车速度；β1、β2、β3、β4为权重系数。
24、进一步的，所述基于车辆状态数据进行能耗预测的模型为：
25、eveh＝β5v+β6a+β7ac+β8e+β9l+β10t
26、其中：v为车速；a为车辆加速度；ac为空调使用情况；e为电气设备使用情况；l为车辆载重；t为车辆轮胎情况；β5、β6、β7、β8、β9、β10为权重系数。
27、进一步的，所述基于驾驶行为数据进行能耗预测的模型为：
28、ebeh＝β11ah+β12bh+β13th+β14h
29、其中：ah为驾驶员的加速习惯；bh为驾驶员的刹车习惯；th为驾驶员的转向习惯；h为历史驾驶行为模型；β11、β12、β13、β14为权重系数。
30、进一步的，所述非线性项和交叉项的能耗预测模型为：
31、enonlin＝β15v2+β16a2+β17va
32、其中：v2为车速的平方；a2为加速度的平方；va为车速和加速度的乘积；β15、β16、β17为权重系数。
33、进一步的，所述历史驾驶行为模型为：
34、h＝β18hv+β19ha+β20he+β21hec+β22hs
35、其中：hv为历史平均车速；ha为历史平均加速度；he为历史平均油耗；hec为历史平均电耗；hs为根据历史驾驶行为的评分；β18、β19、β20、β21、β22为权重系数。
36、基于同一发明构思，本申请还提供了一种电子设备，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。
37、基于同一发明构思，本申请还提供了一种车辆，包括如上所述的一种电子设备。
38、基于同一发明构思，本申请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计算机执行如上所述的方法。
39、从上面所述可以看出，本申请提供的一种驾驶优化方法、相关装置及车辆，其中，所述方法在车辆行驶过程中获取车辆的实际能耗、驾驶环境数据、驾驶行为数据和车辆状态数据，并将驾驶环境数据、驾驶行为数据和车辆状态数据输入初始能耗预测模型得到预测能耗，对比预测能耗和实际能耗的能耗差异，当能耗差异大于预设值时，则对初始能耗预测模型进行调整，使得调整后得到的目标能耗预测模型在获取驾驶环境数据、驾驶行为数据和车辆状态数据后得到的预测能耗与实际能耗的能耗差异小于等于预设值，在此基础上，基于目标能耗预测模型，生成对应的驾驶优化建议；本申请能够在初始能耗预测模型的基础上基于对能耗差异的调节得到目标能耗预测模型，通过对目标能耗预测模型进行分析，以生成与该目标能耗预测模型对应的驾驶优化建议，从而优化驾驶过程，降低车辆能耗，以实现高效的能耗管理。
技术特征：
1.一种驾驶优化方法，其特征在于，包括：
2.根据权利要求1所述的方法，其特征在于，所述初始能耗预测模型的确定过程包括：
3.根据权利要求1所述的方法，其特征在于，所述响应于确定所述实际能耗与所述预测能耗的能耗差异大于预设值，则对所述初始能耗预测模型进行调整，并得到目标能耗预测模型，包括：
4.根据权利要求1所述的方法，其特征在于，所述目标能耗预测模型包括多个模型参数，每一所述模型参数均对应一权重系数，每一所述权重系数均对应一预设范围，所述基于所述目标能耗预测模型，生成驾驶优化建议，包括：
5.根据权利要求4所述的方法，其特征在于，所述方法还包括：
6.根据权利要求1所述的方法，其特征在于，所述能耗预测模型为：
7.根据权利要求6所述的方法，其特征在于，所述基于驾驶环境数据进行能耗预测的模型为：
8.根据权利要求6所述的方法，其特征在于，所述基于车辆状态数据进行能耗预测的模型为：
9.根据权利要求6所述的方法，其特征在于，所述基于驾驶行为数据进行能耗预测的模型为：
10.根据权利要求6所述的方法，其特征在于，所述非线性项和交叉项的能耗预测模型为：
11.根据权利要求9所述的方法，其特征在于，所述历史驾驶行为模型为：
12.一种电子设备，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，其特征在于，所述处理器执行所述程序时实现如权利要求1至11任意一项所述的方法。
13.一种车辆，其特征在于，包括如权利要求12所述的一种电子设备。
技术总结
本申请提供一种驾驶优化方法，包括：响应于确定车辆处于行驶状态，则获取实际能耗、驾驶环境数据、驾驶行为数据和车辆状态数据；将获取到的驾驶环境数据、驾驶行为数据和车辆状态数据输入初始能耗预测模型，并得到预测能耗；响应于确定所述实际能耗与所述预测能耗的能耗差异大于预设值，则对所述初始能耗预测模型进行调整，并得到目标能耗预测模型；基于所述目标能耗预测模型，生成驾驶优化建议。本申请能够在初始能耗预测模型的基础上基于对能耗差异的调节得到目标能耗预测模型，通过对目标能耗预测模型进行分析，以生成与该目标能耗预测模型对应的驾驶优化建议，从而优化驾驶过程，降低车辆能耗，以实现高效的能耗管理。
技术研发人员：徐东阳
受保护的技术使用者：长城汽车股份有限公司
技术研发日：
技术公布日：2024/9/23