车联网服务器、车辆及基于行驶数据的车辆油耗提示方法
阅读：600发布：2024-02-22
专利汇可以提供车联网服务器、车辆及基于行驶数据的车辆油耗提示方法专利检索，专利查询，专利分析的服务。并且本 申请 涉及车辆油耗管理技术领域，本申请提供一种车联网 服务器 、车辆及基于行驶数据的车辆油耗提示方法，所述车辆油耗提示方法包括：在车辆行驶过程中，采集与车辆油耗相关的行驶数据；对所述行驶数据进行 大数据 整理 和学习，根据大数据整理和学习进行分析以得到对应的驾驶行为描述；将所述驾驶行为描述与车辆油耗情况进行整合以得到油耗节省建议，将所述油耗节省建议提示给用户以采用相应的驾驶行为。通过这种方式，本申请能够改善车辆驾驶员的驾驶行为，能够针对驾驶员控制 油 门 的大小、档位的选择、 刹车 的 频率 等驾驶习惯，可以对驾驶员给出精准的油耗使用建议，帮助驾驶员降低油耗，给驾驶员降低成本而且能够实现对环境的保护，提高用户体验。，下面是车联网服务器、车辆及基于行驶数据的车辆油耗提示方法专利的具体信息内容。
1.一种基于行驶数据的车辆油耗提示方法，其特征在于，所述车辆油耗提示方法包括：
在车辆行驶过程中，采集与车辆油耗相关的包括行驶轨迹、天气、路况、瞬时速度、油门踩踏力度、发动机瞬时转速、行车档位、载重、加油刹车间隔时间和/或上下坡档位适配程度的行驶数据；
对所述行驶数据进行大数据整理和学习，根据大数据整理和学习进行分析以得到对应的驾驶行为描述；
将所述驾驶行为描述与车辆油耗情况进行整合以得到油耗节省建议，将所述油耗节省建议提示给用户以采用相应的驾驶行为。
2.根据权利要求1所述的车辆油耗提示方法，其特征在于，所述行驶数据包括驾驶行为数据和环境数据，所述将所述驾驶行为描述与车辆油耗情况进行整合以得到油耗节省建议的步骤，具体包括：
获取相同型号车辆在相同或类似环境数据下的不同驾驶行为数据的不同车辆油耗情况；
根据不同车辆油耗情况进行综合排名；
将所述驾驶行为描述和所述综合排名进行整合以得到油耗节省建议，其中，所述油耗节省建议用于归集提示最佳驾驶行为数据。
3.根据权利要求2所述的车辆油耗提示方法，其特征在于，所述对所述行驶数据进行大数据整理和学习的步骤，具体包括：
对所述行驶数据采用基于长短期记忆神经网络的学习分析方法进行大数据整理和学习。
4.根据权利要求3所述的车辆油耗提示方法，其特征在于，所述根据大数据整理和学习进行分析以得到对应的驾驶行为描述的步骤，具体包括：
判断分析行驶轨迹是否合理；
判断驾驶行为是否与天气适配；
判断驾驶行为是否与路况适配；
判断瞬时速度的变化次数，确定车辆的加速频率和/或刹车频率；
判断油门踩踏力度的变化率，确定用户对路况的预判能力；
判断发动机瞬时转速是否与行车档位适配；
判断是否出现长期载重过大的情况；
判断加油刹车间隔时间是否合理；
判断上下坡档位适配程度是否合理。
5.根据权利要求2所述的车辆油耗提示方法，其特征在于，所述获取相同型号车辆在相同或类似环境数据下的不同驾驶行为数据的不同车辆油耗情况的步骤，还包括：
读取车辆自身的车辆速度信号、发动机的喷油量信号和时间信号，经过算法处理以形成综合排名。
6.根据权利要求1所述的车辆油耗提示方法，其特征在于，将所述驾驶行为描述与车辆油耗情况进行整合以得到油耗节省建议的步骤，还包括：
在车辆行驶过程中，获取所有用户在当前的行驶轨迹的行驶数据；
将所述行驶数据进行数据清洗、归一化；
将清洗归一化后的行驶数据按照时间划分为训练数据集与测试数据集；
对所述训练数据集的训练数据进行离线模型训练，以分别训练长短期记忆神经网络的多个神经网络模型；
获取训练数据对于训练后的多个神经网络模型输出的预测值列表，将所述预测值列表与实际的车辆油耗情况进行比较，计算得到多个神经网络模型作为组合模型时所占的权重值；
利用测试数据集的测试数据对组合模型中的多个神经网络模型评估预测效果，根据预测效果调整所述多个神经网络模型作为组合模型时所占的权重值；
根据多个神经网络模型的组合模型及其对应的权重值计算得到当前的行驶轨迹的最优行驶数据及车辆油耗情况，将最优行驶数据的驾驶行为数据整合到所述油耗节省建议以提示给用户。
7.根据权利要求6所述的车辆油耗提示方法，其特征在于，所述对所述训练数据集的训练数据进行离线模型训练，具体包括：
对所述训练数据集的训练数据采用基于内存计算的分布式训练方法进行训练，其中，将训练数据分发到各个节点上并将神经网络模型的初始模型参数广播给各个节点，每个节点根据当前的模型参数与一定规模的训练数据，获得当前梯度与模型参数更新量，通过汇总各个节点反馈的模型参数更新量来更新模型参数，并将更新后的模型参数广播给各个节点，依此迭代反复，以根据要求完成单个神经网络模型的训练。
8.根据权利要求7所述的车辆油耗提示方法，其特征在于，所述计算得到多个神经网络模型作为组合模型时所占的权重值，具体包括：
通过多个时段的训练数据，使用线性回归的方法，得到各个神经网络模型在最终的组合模型输出中的权重值。
9.一种车辆，其特征在于，其配置有处理器，所述处理器用于执行车辆油耗提示应用程序，以实现根据权利要求1-8任一项所述的车辆油耗提示方法。
10.一种车联网服务器，其特征在于，与车辆进行网络连接，其配置有处理器，所述处理器用于执行车辆油耗提示应用程序，以实现根据权利要求1-8任一项所述的车辆油耗提示方法，并通过网络提示给所述车辆。
车联网服务器、车辆及基于行驶数据的车辆油耗提示方法
技术领域
[0001] 本申请涉及车辆油耗管理技术领域，具体涉及一种基于行驶数据的车辆油耗提示方法，还涉及一种采用该基于行驶数据的车辆油耗提示方法的车联网服务器、以及车辆。
背景技术
[0003] 以往在车辆节油环保的技术研究基本上都集中在研发高性能发动机上了，比如通过在小排量发动机上增加一套涡轮增压装置来实现小排量大功率的目的，从而可以替换一些大排量的自然吸气发动机。但是随着人们环保理念的提升，人们已经开始关注车辆经济驾驶，即通过改善车辆的驾驶行为来实现进一步的节能环保、降低油耗。
[0004] 现有技术中，日产公司Carwings“智行”系统下的“Eco-Driveandyou”服务，通过将Carwings“智行”系统与手机相连，可以利用手机将车辆识别信息发送给“Eco-Driveandyou”服务的信息中心(信息服务器)，信息中心储存该车辆识别信息，并建立一个能够使驾驶者保持环保驾驶的信息频道。信息中心可以将当前上报行驶数据的监测车辆的平均油耗信息及与其他驾驶者的油耗比较排名情况发布在该信息频道上，车主可以在车载DVD上浏览该信息频道，通过在车载DVD上对当前的平均油耗与过去的平均油耗进行比较，提示驾驶者环保驾驶的倾向变化，并通过与其他驾驶者进行比较得出油耗排名。
[0005] 但是在上述方案中，信息中心只是依据当前的平均油耗与过去的平均油耗进行比较来提示驾驶者环保驾驶的倾向变化；并且，信息中心在考虑油耗排名时并未将其与平均车速关联起来，平均油耗的不同，一方面由于每个驾驶员驾驶习惯的不同，另一方面则反映了每个驾驶者的驾驶环境的不同，也就是说，信息中心在考虑油耗排名时并未考虑驾驶环境的不同，从而得到的油耗排名可信度不高，参考价值较低，未能真实反映当前上报行驶数据的监测车辆当前车辆的经济驾驶状况；因此，该技术方案的信息中心在促进驾驶员改善其驾驶技术以实现车辆更低油耗这一问题上所起作用不大。
[0006] 目前汽车上还没有一种简便的改善汽车驾驶员习惯的方法，油门的大小，档位的选择，刹车的频率等驾驶习惯都会影响汽车的油耗，随着经济的发展和社会的进步，越来越多的人开始考虑开车时是否可以降低油耗，这即对自身有利，也是对环境的保护。
[0007] 针对现有技术的多方面不足，本申请的发明人经过深入研究，提出一种新的车联网服务器、车辆及基于行驶数据的车辆油耗提示方法。
发明内容
[0008] 本申请的目的在于，提供一种车联网服务器、车辆及基于行驶数据的车辆油耗提示方法，其能够改善车辆驾驶员的驾驶行为，能够针对驾驶员控制油门的大小、档位的选择、刹车的频率等驾驶习惯，可以对驾驶员给出精准的油耗使用建议，帮助驾驶员降低油耗，给驾驶员降低成本而且能够实现对环境的保护，提高用户体验。
[0009] 为解决上述技术问题，本申请提供一种基于行驶数据的车辆油耗提示方法，其中，所述车辆油耗提示方法包括：
[0010] 在车辆行驶过程中，采集与车辆油耗相关的包括行驶轨迹、天气、路况、瞬时速度、油门踩踏力度、发动机瞬时转速、行车档位、载重、加油刹车间隔时间和/或上下坡档位适配程度的行驶数据；
[0012] 将所述驾驶行为描述与车辆油耗情况进行整合以得到油耗节省建议，将所述油耗节省建议提示给用户以采用相应的驾驶行为。
[0013] 其中，所述行驶数据包括驾驶行为数据和环境数据，所述将所述驾驶行为描述与车辆油耗情况进行整合以得到油耗节省建议的步骤，具体包括：
[0014] 获取相同型号车辆在相同或类似环境数据下的不同驾驶行为数据的不同车辆油耗情况；
[0015] 根据不同车辆油耗情况进行综合排名；
[0016] 将所述驾驶行为描述和所述综合排名进行整合以得到油耗节省建议，其中，所述油耗节省建议用于归集提示最佳驾驶行为数据。
[0017] 其中，所述对所述行驶数据进行大数据整理和学习的步骤，具体包括：
[0018] 对所述行驶数据采用基于长短期记忆神经网络的学习分析方法进行大数据整理和学习。
[0019] 其中，所述根据大数据整理和学习进行分析以得到对应的驾驶行为描述的步骤，具体包括：
[0020] 判断分析行驶轨迹是否合理；
[0021] 判断驾驶行为是否与天气适配；
[0022] 判断驾驶行为是否与路况适配；
[0023] 判断瞬时速度的变化次数，确定车辆的加速频率和/或刹车频率；
[0024] 判断油门踩踏力度的变化率，确定用户对路况的预判能力；
[0025] 判断发动机瞬时转速是否与行车档位适配；
[0026] 判断是否出现长期载重过大的情况；
[0027] 判断加油刹车间隔时间是否合理；
[0028] 判断上下坡档位适配程度是否合理。
[0029] 其中，所述获取相同型号车辆在相同或类似环境数据下的不同驾驶行为数据的不同车辆油耗情况的步骤，还包括：
[0031] 其中，将所述驾驶行为描述与车辆油耗情况进行整合以得到油耗节省建议的步骤，还包括：
[0032] 在车辆行驶过程中，获取所有用户在当前的行驶轨迹的行驶数据；
[0033] 将所述行驶数据进行数据清洗、归一化；
[0034] 将清洗归一化后的行驶数据按照时间划分为训练数据集与测试数据集；
[0035] 对所述训练数据集的训练数据进行离线模型训练，以分别训练长短期记忆神经网络的多个神经网络模型；
[0036] 获取训练数据对于训练后的多个神经网络模型输出的预测值列表，将所述预测值列表与实际的车辆油耗情况进行比较，计算得到多个神经网络模型作为组合模型时所占的权重值；
[0037] 利用测试数据集的测试数据对组合模型中的多个神经网络模型评估预测效果，根据预测效果调整所述多个神经网络模型作为组合模型时所占的权重值；
[0038] 根据多个神经网络模型的组合模型及其对应的权重值计算得到当前的行驶轨迹的最优行驶数据及车辆油耗情况，将最优行驶数据的驾驶行为数据整合到所述油耗节省建议以提示给用户。
[0039] 其中，所述对所述训练数据集的训练数据进行离线模型训练，具体包括：
[0040] 对所述训练数据集的训练数据采用基于内存计算的分布式训练方法进行训练，其中，将训练数据分发到各个节点上并将神经网络模型的初始模型参数广播给各个节点，每个节点根据当前的模型参数与一定规模的训练数据，获得当前梯度与模型参数更新量，通过汇总各个节点反馈的模型参数更新量来更新模型参数，并将更新后的模型参数广播给各个节点，依此迭代反复，以根据要求完成单个神经网络模型的训练。
[0041] 其中，所述计算得到多个神经网络模型作为组合模型时所占的权重值，具体包括：
[0042] 通过多个时段的训练数据，使用线性回归的方法，得到各个神经网络模型在最终的组合模型输出中的权重值。
[0043] 为解决上述技术问题，本申请还提供一种车辆，其中，其配置有处理器，所述处理器用于执行车辆油耗提示应用程序，以实现上述的车辆油耗提示方法。
[0044] 为解决上述技术问题，本申请还提供一种车联网服务器，其中，与车辆进行网络连接，其配置有处理器，所述处理器用于执行车辆油耗提示应用程序，以实现上述的车辆油耗提示方法，并通过网络提示给所述车辆。
[0045] 本申请车联网服务器、车辆及基于行驶数据的车辆油耗提示方法，在车辆行驶过程中，采集与车辆油耗相关的行驶数据，对所述行驶数据进行大数据整理和学习，根据大数据整理和学习进行分析以得到对应的驾驶行为描述，将所述驾驶行为描述与车辆油耗情况进行整合以得到油耗节省建议，将所述油耗节省建议提示给用户以采用相应的驾驶行为。通过这种方式，本申请能够改善车辆驾驶员的驾驶行为，能够针对驾驶员控制油门的大小、档位的选择、刹车的频率等驾驶习惯，可以对驾驶员给出精准的油耗使用建议，帮助驾驶员降低油耗，给驾驶员降低成本而且能够实现对环境的保护，提高用户体验。
[0046] 上述说明仅是本申请技术方案的概述，为了能够更清楚了解本申请的技术手段，而可依照说明书的内容予以实施，并且为了让本申请的上述和其他目的、特征和优点能够更明显易懂，以下特举较佳实施例，并配合附图,详细说明如下。
附图说明
[0047] 图1为本申请基于行驶数据的车辆油耗提示方法的流程示意图。
[0048] 图2为本申请车联网服务器的模块连接示意图。
[0049] 图3为本申请车辆的模块连接示意图。
具体实施方式
[0050] 为更进一步阐述本申请为达成预定申请目的所采取的技术手段及功效,以下结合附图及较佳实施例，对依据本申请车联网服务器、车辆及基于行驶数据的车辆油耗提示方法的具体实施方式、方法、步骤、特征及其效果，详细说明如下。
[0051] 有关本申请的前述及其他技术内容、特点及功效,在以下配合参考图式的较佳实施例的详细说明中将可清楚呈现。通过具体实施方式的说明,当可对本申请为达成预定目的所采取的技术手段及功效得以更加深入且具体的了解，然而所附图式仅是提供参考与说明之用,并非用来对本申请加以限制。
[0052] 请参阅图1，图1为本申请基于行驶数据的车辆油耗提示方法的流程示意图。
[0053] 在本实施方式中，所述车辆油耗提示方法包括但不限于如下几个步骤。
[0054] 步骤S101，在车辆行驶过程中，采集与车辆油耗相关的包括行驶轨迹、天气、路况、瞬时速度、油门踩踏力度、发动机瞬时转速、行车档位、载重、加油刹车间隔时间和/或上下坡档位适配程度的行驶数据。
[0055] 步骤S102，对所述行驶数据进行大数据整理和学习，根据大数据整理和学习进行分析以得到对应的驾驶行为描述。
[0056] 步骤S103，将所述驾驶行为描述与车辆油耗情况进行整合以得到油耗节省建议，将所述油耗节省建议提示给用户以采用相应的驾驶行为。
[0057] 需要说明的是，本实施方式的所述行驶数据可以包括驾驶行为数据和环境数据，所述将所述驾驶行为描述与车辆油耗情况进行整合以得到油耗节省建议的步骤，具体可以包括：获取相同型号车辆在相同或类似环境数据下的不同驾驶行为数据的不同车辆油耗情况；根据不同车辆油耗情况进行综合排名；将所述驾驶行为描述和所述综合排名进行整合以得到油耗节省建议，其中，所述油耗节省建议用于归集提示最佳驾驶行为数据。
[0058] 在本实施方式中，所述对所述行驶数据进行大数据整理和学习的步骤，具体可以包括：对所述行驶数据采用基于长短期记忆神经网络的学习分析方法进行大数据整理和学习。
[0059] 值得一提的是，本实施方式所述根据大数据整理和学习进行分析以得到对应的驾驶行为描述的步骤，具体可以包括如下判断分析过程：
[0060] 判断分析行驶轨迹是否合理；
[0061] 判断驾驶行为是否与天气适配；
[0062] 判断驾驶行为是否与路况适配；
[0063] 判断瞬时速度的变化次数，确定车辆的加速频率和/或刹车频率；
[0064] 判断油门踩踏力度的变化率，确定用户对路况的预判能力；
[0065] 判断发动机瞬时转速是否与行车档位适配；
[0066] 判断是否出现长期载重过大的情况；
[0067] 判断加油刹车间隔时间是否合理；
[0068] 判断上下坡档位适配程度是否合理。
[0069] 值得注意的是，本实施方式所述获取相同型号车辆在相同或类似环境数据下的不同驾驶行为数据的不同车辆油耗情况的步骤，还可以包括：读取车辆自身的车辆速度信号、发动机的喷油量信号和时间信号，经过算法处理以形成综合排名。通过这种方式，可以判断车辆速度是否合理、是否与发动机喷油量匹配，而且综合考虑时间因素是否合理等情况。
[0070] 需要特别说明的是，本实施方式中将所述驾驶行为描述与车辆油耗情况进行整合以得到油耗节省建议的步骤，还可以包括下述优化处理过程：
[0071] 步骤S21，在车辆行驶过程中，获取所有用户在当前的行驶轨迹的行驶数据；
[0072] 步骤S22，将所述行驶数据进行数据清洗、归一化；
[0073] 步骤S23，将清洗归一化后的行驶数据按照时间划分为训练数据集与测试数据集；
[0074] 步骤S24，对所述训练数据集的训练数据进行离线模型训练，以分别训练长短期记忆神经网络的多个神经网络模型；
[0075] 步骤S25，获取训练数据对于训练后的多个神经网络模型输出的预测值列表，将所述预测值列表与实际的车辆油耗情况进行比较，计算得到多个神经网络模型作为组合模型时所占的权重值；
[0076] 步骤S26，利用测试数据集的测试数据对组合模型中的多个神经网络模型评估预测效果，根据预测效果调整所述多个神经网络模型作为组合模型时所占的权重值；
[0077] 步骤S27，根据多个神经网络模型的组合模型及其对应的权重值计算得到当前的行驶轨迹的最优行驶数据及车辆油耗情况，将最优行驶数据的驾驶行为数据整合到所述油耗节省建议以提示给用户。
[0078] 需要说明的是，本实施方式所述对所述训练数据集的训练数据进行离线模型训练，具体可以包括：对所述训练数据集的训练数据采用基于内存计算的分布式训练方法进行训练，其中，将训练数据分发到各个节点上并将神经网络模型的初始模型参数广播给各个节点，每个节点根据当前的模型参数与一定规模的训练数据，获得当前梯度与模型参数更新量，通过汇总各个节点反馈的模型参数更新量来更新模型参数，并将更新后的模型参数广播给各个节点，依此迭代反复，以根据要求完成单个神经网络模型的训练。
[0079] 在本实施方式中，所述计算得到多个神经网络模型作为组合模型时所占的权重值，具体可以包括：通过多个时段的训练数据，使用线性回归的方法，得到各个神经网络模型在最终的组合模型输出中的权重值。
[0080] 本申请能够改善车辆驾驶员的驾驶行为，能够针对驾驶员控制油门的大小、档位的选择、刹车的频率等驾驶习惯，可以对驾驶员给出精准的油耗使用建议，帮助驾驶员降低油耗，给驾驶员降低成本而且能够实现对环境的保护，提高用户体验。
[0081] 请接着参阅图2，图2为本申请车联网服务器的模块连接示意图。
[0082] 本申请车联网服务器与车辆进行网络连接，其配置有处理器21，所述处理器21用于执行车辆油耗提示应用程序，以实现上述的车辆油耗提示方法，并通过网络提示给所述车辆。
[0083] 具体而言，所述处理器21用于在车辆行驶过程中，采集与车辆油耗相关的包括行驶轨迹、天气、路况、瞬时速度、油门踩踏力度、发动机瞬时转速、行车档位、载重、加油刹车间隔时间和/或上下坡档位适配程度的行驶数据。
[0084] 所述处理器21用于对所述行驶数据进行大数据整理和学习，根据大数据整理和学习进行分析以得到对应的驾驶行为描述。
[0085] 所述处理器21用于将所述驾驶行为描述与车辆油耗情况进行整合以得到油耗节省建议，将所述油耗节省建议提示给用户以采用相应的驾驶行为。
[0086] 需要说明的是，本实施方式的所述行驶数据可以包括驾驶行为数据和环境数据，所述处理器21将所述驾驶行为描述与车辆油耗情况进行整合以得到油耗节省建议，具体可以包括：所述处理器21用于获取相同型号车辆在相同或类似环境数据下的不同驾驶行为数据的不同车辆油耗情况；根据不同车辆油耗情况进行综合排名；将所述驾驶行为描述和所述综合排名进行整合以得到油耗节省建议，其中，所述油耗节省建议用于归集提示最佳驾驶行为数据。
[0087] 在本实施方式中，所述处理器21用于对所述行驶数据进行大数据整理和学习，具体可以包括：所述处理器21用于对所述行驶数据采用基于长短期记忆神经网络的学习分析方法进行大数据整理和学习。
[0088] 值得一提的是，本实施方式所述处理器21根据大数据整理和学习进行分析以得到对应的驾驶行为描述的步骤，具体可以包括如下判断分析过程：
[0089] 判断分析行驶轨迹是否合理；
[0090] 判断驾驶行为是否与天气适配；
[0091] 判断驾驶行为是否与路况适配；
[0092] 判断瞬时速度的变化次数，确定车辆的加速频率和/或刹车频率；
[0093] 判断油门踩踏力度的变化率，确定用户对路况的预判能力；
[0094] 判断发动机瞬时转速是否与行车档位适配；
[0095] 判断是否出现长期载重过大的情况；
[0096] 判断加油刹车间隔时间是否合理；
[0097] 判断上下坡档位适配程度是否合理。
[0098] 值得注意的是，本实施方式所述处理器21用于获取相同型号车辆在相同或类似环境数据下的不同驾驶行为数据的不同车辆油耗情况，还可以包括：所述处理器21用于读取车辆自身的车辆速度信号、发动机的喷油量信号和时间信号，经过算法处理以形成综合排名。通过这种方式，可以判断车辆速度是否合理、是否与发动机喷油量匹配，而且综合考虑时间因素是否合理等情况。
[0099] 需要特别说明的是，本实施方式中将所述驾驶行为描述与车辆油耗情况进行整合以得到油耗节省建议的步骤，所述处理器21还可以处理下述优化处理过程：
[0100] 步骤S21，所述处理器21用于在车辆行驶过程中，获取所有用户在当前的行驶轨迹的行驶数据；
[0101] 步骤S22，所述处理器21用于将所述行驶数据进行数据清洗、归一化；
[0102] 步骤S23，所述处理器21用于将清洗归一化后的行驶数据按照时间划分为训练数据集与测试数据集；
[0103] 步骤S24，所述处理器21用于对所述训练数据集的训练数据进行离线模型训练，以分别训练长短期记忆神经网络的多个神经网络模型；
[0104] 步骤S25，所述处理器21用于获取训练数据对于训练后的多个神经网络模型输出的预测值列表，将所述预测值列表与实际的车辆油耗情况进行比较，计算得到多个神经网络模型作为组合模型时所占的权重值；
[0105] 步骤S26，所述处理器21用于利用测试数据集的测试数据对组合模型中的多个神经网络模型评估预测效果，根据预测效果调整所述多个神经网络模型作为组合模型时所占的权重值；
[0106] 步骤S27，所述处理器21用于根据多个神经网络模型的组合模型及其对应的权重值计算得到当前的行驶轨迹的最优行驶数据及车辆油耗情况，将最优行驶数据的驾驶行为数据整合到所述油耗节省建议以提示给用户。
[0107] 需要说明的是，本实施方式所述处理器21用于对所述训练数据集的训练数据进行离线模型训练，具体可以包括：所述处理器21用于对所述训练数据集的训练数据采用基于内存计算的分布式训练方法进行训练，其中，将训练数据分发到各个节点上并将神经网络模型的初始模型参数广播给各个节点，每个节点根据当前的模型参数与一定规模的训练数据，获得当前梯度与模型参数更新量，通过汇总各个节点反馈的模型参数更新量来更新模型参数，并将更新后的模型参数广播给各个节点，依此迭代反复，以根据要求完成单个神经网络模型的训练。
[0108] 在本实施方式中，所述处理器21用于计算得到多个神经网络模型作为组合模型时所占的权重值，具体可以包括：所述处理器21用于通过多个时段的训练数据，使用线性回归的方法，得到各个神经网络模型在最终的组合模型输出中的权重值。
[0109] 本申请能够改善车辆驾驶员的驾驶行为，能够针对驾驶员控制油门的大小、档位的选择、刹车的频率等驾驶习惯，可以对驾驶员给出精准的油耗使用建议，帮助驾驶员降低油耗，给驾驶员降低成本而且能够实现对环境的保护，提高用户体验。
[0110] 请接着参阅图3，图3为本申请车辆的模块连接示意图。
[0111] 本实施方式车辆配置有处理器31，所述处理器31用于执行车辆油耗提示应用程序，以实现上述实施方式的车辆油耗提示方法。
[0112] 值得一提的是，本实施方式可以在车辆上采用车辆TBOX系统，TelematicsBOX，简称车载TBOX或远程信息处理器。进一步而言，本申请可以在车辆内组建车联网系统，其中所述车联网系统可以包括主机、车载TBOX、以及车联网服务器。主机主要用于的影音娱乐，以及车辆信息显示等；车载T-BOX主要用于和上述的车联网服务器网络连接，实现车辆信息显示与控制等。
[0113] 当用户通过车联网服务器(或者手机等其他控制终端)发送控制命令后，会发出监控请求指令到车载TBOX，车辆在获取到控制命令后，通过CAN总线发送控制报文并实现对车辆的控制，最后反馈操作结果给用户，通过这种方式可以帮助打开空调、调整座椅至合适位置等等。
[0114] 本实施方式Telematics为远距离通信的电信(Telecommunications)与信息科学(Informatics)的合成，其定义为通过内置在车辆上的计算机系统、无线通信技术、卫星导航装置、交换文字、语音等信息的互联网技术而提供信息的服务系统。简单的说就通过无线网络将车辆接入互联网，为车主提供驾驶、生活所必需的各种信息。
[0115] 此外，本实施方式Telematics是无线通信技术、卫星导航系统、网络通信技术和车载电脑的综合，当车辆行驶当中出现故障时，通过无线通信连接服务中心，进行远程车辆诊断，内置在发动机上的计算机可以记录车辆主要部件的状态，并随时为维修人员提供准确的故障位置和原因。通过用户通讯终端接收信息并查看交通地图、路况介绍、交通信息、安全与治安服务以及娱乐信息服务等，另外，本实施方式的车辆还可以在后座设置电子游戏和网络应用(包括金融、新闻、E-mail等)。不难理解，本实施方式通过Telematics提供服务，可以方便用户了解交通信息、临近停车场的车位状况，确认当前位置，还可以与家中的网络服务器连接,及时了解家中的电器运转情况、安全情况以及客人来访情况等等。
[0116] 本实施方式车辆还可设置ADAS(AdvancedDriverAssistantSystem，先进驾驶辅助系统)，其可以利用安装于车辆上的上述各种传感器，在第一时间收集车内外的环境数据，进行静、动态物体的辨识、侦测与追踪等技术上的处理，从而能够让驾驶者在最快的时间察觉可能发生的危险，以引起注意和提高安全性。对应地，本申请ADAS还可以采用雷达、激光和超声波等传感器，可以探测光、热、压力或其它用于监测车辆状态的变量，通常位于车辆的前后保险杠、侧视镜、驾驶杆内部或者挡风玻璃上。不难看出，上述ADAS功能所使用的各种智能硬件，均可以通过以太网链路的方式接入车联网系统实现通信连接、交互。
[0117] 本实施方式车辆的主机可包括适当的逻辑器件、电路和/或代码以用于实现OSI模型(OpenSystemInterconnection，开放式通信系统互联参考模型)上面五层的运行和/或功能操作。因此，主机会生成用于网络传输的数据包和/或对这些数据包进行处理，并且还会对从网络接受到的数据包进行处理。同时，主机可通过执行相应指令和/或运行一种或多种应用程序来为本地用户和/或一个或多个远程用户或网络节点提供服务。在本申请的不同实施方式中，主机可采用一种或多种安全协议。
[0118] 在本申请中，用于实现车联网系统网络连接的可以为交换机，其可以具有AVB功能(AudioVideoBridging，满足IEEE802.1的标准集合)，和/或包括有一条或多条非屏蔽双绞线，每一端可以具有8P8C模块连接器。
[0119] 值得一提的是，本实施方式的车联网系统可以遵循SAEJ1939协议，其分为动力总线P-CAN，也称底盘动力总线和车身总线I-CAN，两个总线均可采用250Kbps的通讯速率。
[0120] 本申请车联网系统具体可以包括车身控制模块BCM、动力总线P-CAN、车身总线I-CAN、组合仪表CMIC、底盘控制装置和车身控制装置。
[0121] 在本实施方式中，车身控制模块BCM可以集成网关的功能，进行不同网段，即动力总线P-CAN和车身总线I-CAN之间的信号转换及报文转发等，例如，挂接在动力总线上的控制器如需要与挂接在车身总线I-CAN上的控制器进行通信，则要经过车身控制模块BCM进行两者之间的信号转换及转发等。
[0122] 动力总线P-CAN和车身总线I-CAN分别与车身控制模块BCM相连。
[0123] 组合仪表CMIC与动力总线P-CAN相连，且组合仪表CMIC与车身总线I-CAN相连。优选地，本实施方式的组合仪表CMIC与不同的总线，如动力总线P-CAN和车身总线I-CAN均相连，当组合仪表CMIC需要获取挂接在任意总线上的控制器信息时，均无需通过车身控制模块BCM进行信号转换以及报文转发，因此，可减轻网关压力、减少网络负载，且提高组合仪表CMIC获取信息的速度。
[0124] 底盘控制装置与动力总线P-CAN相连。车身控制装置与车身总线I-CAN相连。在一些示例中，底盘控制装置和车身控制装置可分别向动力总线P-CAN和车身总线I-CAN上进行信息等数据广播，以便挂接在动力总线P-CAN或车身总线I-CAN上的其它车载控制器等设备获取该广播的信息，从而实现不同控制器等车载设备之间的通信。
[0125] 此外，本实施方式车辆的车联网系统，可以使用两条CAN总线，即动力总线P-CAN和车身总线I-CAN，将车身控制模块BCM作为网关，将组合仪表CMIC与动力总线P-CAN和车身总线I-CAN均相连的结构，可以省去了传统方式中组合仪表CMIC挂接在两条总线上的一条上时的底盘控制装置或车身控制装置的信息通过网关转发给组合仪表CMIC的操作，由此，减轻了车身控制模块BCM作为网关的压力，减少了网络负载，且更加方便将多条总线，如动力总线P-CAN和车身总线I-CAN上挂接的车载设备的信息发送至组合仪表CMIC上进行显示、信息传输实时性强。
[0126] 本申请能够改善车辆驾驶员的驾驶行为，能够针对驾驶员控制油门的大小、档位的选择、刹车的频率等驾驶习惯，可以对驾驶员给出精准的油耗使用建议，帮助驾驶员降低油耗，给驾驶员降低成本而且能够实现对环境的保护，提高用户体验。
[0127] 需要说明的是，本实施方式车辆在具体工作过程中，可以包括下述实施例：
[0128] 1、油耗节省建议为一显示给用户的驾驶报表，在完成路段驾驶后，提示用户说：“该路段驾驶油耗，您已经超过90％的用户，您的车辆驾驶习惯非常棒”！[0129] 2、到达公司后，提示用户，“今天油耗有点高，是否车上载重过多！”[0130] 其中，若在车联网服务器侧实现，其可以包括下述实施例：
[0131] 1、车联网服务器采集车辆固定一段时间，固定轨迹、天气，行驶速度，路况，和这段轨迹油耗数据；
[0132] 3、通过日积月累的数据分析和学习，车辆对该路段的油耗情况进行精确分析；
[0133] 4、相同型号车辆的用户，根据相同等级的道路和车速，进行排名以提示给用户改进。
[0134] 需要说明的是，本实施例可以通过多种行驶数据综合分析其对平均油耗的影响，并且车联网服务器也获得了大量有价值的其他车辆的驾驶行为数据，可以为用户提供策略依据，以使得车辆更加节能环保设
[0135] 本实施例中，可以在监测的车辆上设置一经济驾驶控制单元(以下简称经济驾驶ECU)，来实现所述行驶数据的获取与存储。在优选的实施例中，经济驾驶ECU可以独立于车辆的ECU，其包括能够进行数据统计与存储，以及能够与服务器进行无线网络通讯，经济驾驶ECU连接至车辆CAN总线的节点上，能够通过CAN总线获取报文，从而得到监测车辆的行驶数据。监测车辆的平均车速和平均油耗可以从CAN总线上获取，如仪表总成节点上的平均车速“VehAverageSpd”报文和平均油耗“FuelAverageConsumed”报文。这里的平均油耗数据和平均车速数据可以是总的平均油耗数据和平均车速数据；也可以是最近一段时间或一段里程的平均油耗数据和平均车速数据。最近一段时间例如可是最近一个月或最近两个月；最近一段里程例如可以是最近500km或最近1000km。
[0136] 在本实施例中，车辆或者车联网服务器可以将当前上报行驶数据的车辆的发动机总起动次数与车联网服务器预先存储的标准起动次数比较后做出短途行驶状况评价和/或给出与短途行驶对应的油耗节省建议；如“请适当跑高速以消除发动机活塞缸积炭”、“在市区行驶请控制车速”等经济驾驶提示等等。
[0137] 以上所述，仅是本申请的较佳实施例而已，并非对本申请作任何形式上的限制，虽然本申请已以较佳实施例揭露如上，然而并非用以限定本申请,任何熟悉本专业的技术人员，在不脱离本申请技术方案范围内,当可利用上述揭示的技术内容作出些许更动或修饰为等同变化的等效实施例,但凡是未脱离本申请技术方案内容，依据本申请的技术实质对以上实施例所作的任何简单修改、等同变化与修饰,均仍属于本申请技术方案的范围内。
| 标题 | 发布/更新时间 | 阅读量 |
|---|---|---|
| 非授权频谱中无线链路检测的方法和通信装置 | 2020-05-08 | 273 |
| 一种同步方法及装置 | 2020-05-08 | 588 |
| 一种无线体域网能耗和时延加权最小的安全路由选择方法 | 2020-05-08 | 707 |
| 一种用于链路失败恢复的方法、用户侧设备和网络侧设备 | 2020-05-08 | 375 |
| 音视频文件的获取方法、装置、服务器及存储介质 | 2020-05-08 | 233 |
| 灵活的卫星内信号通路 | 2020-05-08 | 705 |
| 无线通信中的时延减少技术 | 2020-05-08 | 964 |
| 一种快速捷变的宽带频率合成器 | 2020-05-11 | 942 |
| 从排出管线中的筒解吸氨进行选择性催化还原的方法 | 2020-05-08 | 696 |
| 自参考存储器装置 | 2020-05-08 | 73 |
高效检索全球专利专利汇是专利免费检索,专利查询,专利分析-国家发明专利查询检索分析平台，是提供专利分析，专利查询，专利检索等数据服务功能的知识产权数据服务商。
我们的产品包含105个国家的1.26亿组数据，免费查、免费专利分析。
分析报告
专利汇分析报告产品可以对行业情报数据进行梳理分析，涉及维度包括行业专利基本状况分析、地域分析、技术分析、发明人分析、申请人分析、专利权人分析、失效分析、核心专利分析、法律分析、研发重点分析、企业专利处境分析、技术处境分析、专利寿命分析、企业定位分析、引证分析等超过60个分析角度，系统通过AI智能系统对图表进行解读，只需1分钟，一键生成行业专利分析报告。
QQ群二维码
意见反馈
意见反馈