申请/专利权人：深圳四海万联科技有限公司

申请日：2019-04-30

公开（公告）日：2021-01-08

公开（公告）号：CN110091751B

主分类号：B60L58/10(20190101)

分类号：B60L58/10(20190101);G06N3/04(20060101)

优先权：

专利状态码：有效-授权

法律状态：2021.01.08#授权;2019.08.30#实质审查的生效;2019.08.06#公开

摘要：本发明属于基于深度学习的电动汽车续航里程预测方法，采集待预测电动汽车的历史基础数据，并对所述历史基础数据进行分类；对分类后的历史基础数据进行数据清洗，以得到历史清洗数据；构建深度神经网络模型；以所述历史清洗数据作为训练数据，使用深度学习框架训练所述深度神经网络模型；获取待预测电动汽车最新的若干条基础数据；将若干条基础数据输入到训练好的深度神经网络模型，得到若干个续航里程预测结果；利用预设的预测公式对所述若干个续航里程预测结果进行预测，得到预测电动汽车的续航里程。该方法采用为每辆车使用单独的深度神经网络模型，能最大程度提高每辆车的续航里程预测的准确性。

主权项：1.一种基于深度学习的电动汽车续航里程预测方法，其特征在于，包括以下步骤：采集待预测电动汽车的历史基础数据，并对所述历史基础数据进行分类；对分类后的历史基础数据进行数据清洗，以得到历史清洗数据；构建深度神经网络模型；以所述历史清洗数据作为训练数据，使用深度学习框架训练所述深度神经网络模型；获取待预测电动汽车最新的若干条基础数据；将若干条基础数据输入到训练好的深度神经网络模型，得到若干个续航里程预测结果；利用预设的预测公式对所述若干个续航里程预测结果进行预测，得到预测电动汽车的续航里程；所述深度神经网络模型包括：输入层：接收输入的连续变量，输出到批归一化层；嵌入层：接收输入的分类变量，输出到DropOutLayer；ConcatenationLayer：接收所述批归一化层和DropOutLayer的输出矩阵，将批归一化层和DropOutLayer输出的矩阵拼接为一个单独的矩阵；第一全连接层：将ConcatenationLayer输出的矩阵输出给第二全连接层；第二全连接层：接收第一全连接层输出的矩阵，对第一全连接层输出的矩阵进行初始降维处理；第三全连接层：接收第二全连接层进行初始降维处理后获得的矩阵，将该矩阵降为一维矩阵输出。

全文数据：基于深度学习的电动汽车续航里程预测方法、设备及介质技术领域本发明属于电动汽车技术领域，具体涉及基于深度学习的电动汽车续航里程预测方法、设备及介质。背景技术电动汽车具有广阔的市场前景，但是目前电动汽车的续航里程普遍比传统燃油车短。同时，电动汽车的蓄电池还受多种因素影响。比如在同样的剩余电量下，冬季时电动汽车的行驶里程普遍短于夏季。因此，当汽车剩余电量不多时，更精确的预测电动汽车可行驶里程，有助于增加驾驶人员顺利把车开到目的地的信心，提升用户的驾驶体验。但是现有的电动汽车行驶里程预测方法主要通过数学建模的方式，通过提出合理的假设去简化数据的内在规律，估算精度低，准确度差。发明内容针对现有技术中的缺陷，本发明提供了基于深度学习的电动汽车续航里程预测方法、设备及介质，提高电动汽车续航里程预测的准确性。第一方面，一种基于深度学习的电动汽车续航里程预测方法，包括以下步骤：采集待预测电动汽车的历史基础数据，并对所述历史基础数据进行分类；对分类后的历史基础数据进行数据清洗，以得到历史清洗数据；构建深度神经网络模型；以所述历史清洗数据作为训练数据，使用深度学习框架训练所述深度神经网络模型；获取待预测电动汽车最新的若干条基础数据；将若干条基础数据输入到训练好的深度神经网络模型，得到若干个续航里程预测结果；利用预设的预测公式对所述若干个续航里程预测结果进行预测，得到预测电动汽车的续航里程。优选地，所述待预测电动汽车的基础数据包括以下一种或几种数据的组合：电动汽车运动数据、电池数据、电机数据、电机控制器数据和环境数据；其中，电动汽车运动数据包括以下一种或几种数据的组合：运行模式、车速、行驶里程、加速踏板行程、制动踏板行程、档位、空调状态、充电状态、车辆状态和制动力；电池数据包括以下一种或几种数据的组合：电池包总电压、电池包总电流、单体电池电压、单体电池电流、电池包中监测点温度和SOC；电机数据包括以下一种或几种数据的组合：电机的转速、电机的转矩和电机的温度；电机控制器数据包括以下一种或几种数据的组合：电机控制器输入电压、电机控制器直流母线电流和电机控制器温度；环境数据包括以下一种或几种数据的组合：车外的温度、车辆所处位置的经纬度和海拔高度。优选地，所述对所述历史基础数据进行分类具体包括：将所述历史基础数据分为两类：分类变量和连续变量；其中，分类变量包含运行模式、档位、空调状态、充电状态、SOC、车辆状态和制动力；连续变量包括车速、行驶里程、加速踏板行程、制动踏板行程、电池包总电压、电池包总电流、单体电池电压、单体电池电流、电池包中监测点温度、电机的转速、电机的转矩和电机的温度、电机控制器输入电压、电机控制器直流母线电流、电机控制器温度、车外的温度、车辆所处位置的经纬度、海拔高度。优选地，所述对分类后的历史基础数据进行数据清洗，以得到历史清洗数据具体包括：去掉连续变量中的单位；当连续变量中一数值存在缺失或超出预设范围时，定义该数值为异常连续数值，求取该连续变量中异常连续数值的前一数值和后一数值的均值，用该均值替换该异常连续数值；当分类变量中一数值存在缺失或超出预设范围时，定义该数值为异常分类数值，用分类变量中该异常分类数值的前一数值替换该异常分类数值。优选地，所述将所述历史清洗数据作为训练数据具体包括：将所述历史清洗数据分为自变量和因变量；根据预设的训练数据比例获取历史清洗数据中的部分数据作为所述训练数据，剩余部分的历史清洗数据作为验证数据；其中，所述自变量包括多个特征，所述特征包括以下一种或几种数据的组合：运行模式、车速、行驶里程、加速踏板行程、制动踏板行程、档位、空调状态、充电状态、车辆状态、制动力、电池包总电压、电池包总电流、单体电池电压、单体电池电流、电池包中监测点温度、SOC、电机的转速、电机的转矩、电机的温度、电机控制器输入电压、电机控制器直流母线电流、电机控制器温度、车外的温度、车辆所处位置的经纬度和海拔高度；因变量包含行驶里程。优选地，所述深度神经网络模型包括：输入层：接收输入的连续变量，输出到批归一化层；嵌入层：接收输入的分类变量，输出到DropOut层；concatenation层：接收所述批归一化层和DropOut层的输出矩阵，将批归一化层和DropOut层输出的矩阵拼接为一个单独的矩阵；第一全连接层：将concatenation层输出的矩阵输出给第二全连接层；第二全连接层：接收第一全连接层输出的矩阵，对第一全连接层输出的矩阵进行初始降维处理；第三全连接层：接收第二全连接层进行初始降维处理后获得的矩阵，将该矩阵降为一维矩阵输出。优选地，所述使用深度学习框架训练所述深度神经网络模型具体包括：使用深度学习框架Pytorch训练所述深度神经网络模型，深度神经网络的损失函数使用均方根误差。优选地，所述预测公式为：其中，Y为所述预测电动汽车的续航里程，n为续航里程预测结果的数量，yi为所述续航里程预测结果；为所述训练好的深度神经网络模型；xi,0为SOC的取值，1≤xi,0≤100；为第i条基础数据。m为基础数据的特征数量。第二方面，一种设备，包括处理器、输入设备、输出设备和存储器，所述处理器、输入设备、输出设备和存储器相互连接，其中，所述存储器用于存储计算机程序，所述计算机程序包括程序指令，所述处理器被配置用于调用所述程序指令，执行第一方面所述的方法。第三方面，一种计算机可读存储介质，所述计算机存储介质存储有计算机程序，所述计算机程序包括程序指令，所述程序指令当被处理器执行时使所述处理器执行第一方面所述的方法。本发明实施例提供的基于深度学习的电动汽车续航里程预测方法、设备及介质，使用深度神经网络去学习电动汽车基础数据的内在规律。利用深度学习对每辆电动汽车单独训练从而生成一个深度神经网络模型，该模型既分析了当前电动汽车的最新性能特性，比如性能衰减后的动力蓄电池的特性，又考虑到了电动汽车的不同使用场景和驾驶习惯不同等因素，这种采用为每辆车使用单独的深度神经网络模型，而非为所有车辆采用统一的预测模型的方式，能最大程度提高每辆车的续航里程预测的准确性。附图说明为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍。在所有附图中，类似的元件或部分一般由类似的附图标记标识。附图中，各元件或部分并不一定按照实际的比例绘制。图1为实施例一提供的电动汽车续航里程预测方法的流程图。图2为实施例一提供的深度神经网络模型的模块框图。图3为实施例二提供的设备的模块框图。具体实施方式下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。应当理解，当在本说明书和所附权利要求书中使用时，术语“包括”和“包含”指示所描述特征、整体、步骤、操作、元素和或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和或其集合的存在或添加。还应当理解，在此本发明说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本发明。如在本发明说明书和所附权利要求书中所使用的那样，除非上下文清楚地指明其它情况，否则单数形式的“一”、“一个”及“该”意在包括复数形式。还应当进一步理解，在本发明说明书和所附权利要求书中使用的术语“和或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。实施例一：一种基于深度学习的电动汽车续航里程预测方法，参见图1，包括以下步骤：S1：采集待预测电动汽车的历史基础数据，并对所述历史基础数据进行分类；具体地，所述待预测电动汽车的基础数据包括以下一种或几种数据的组合：电动汽车运动数据、电池数据、电机数据、电机控制器数据和环境数据；其中，电动汽车运动数据包括以下一种或几种数据的组合：运行模式、车速、行驶里程、加速踏板行程、制动踏板行程、档位、空调状态、充电状态、车辆状态和制动力；电池数据包括以下一种或几种数据的组合：电池包总电压、电池包总电流、单体电池电压、单体电池电流、电池包中监测点温度和SOC；电机数据包括以下一种或几种数据的组合：电机的转速、电机的转矩和电机的温度；电机控制器数据包括以下一种或几种数据的组合：电机控制器输入电压、电机控制器直流母线电流和电机控制器温度；环境数据包括以下一种或几种数据的组合：车外的温度、车辆所处位置的经纬度和海拔高度。优选地，所述对所述历史基础数据进行分类具体包括：将所述历史基础数据分为两类：分类变量categoricalvariable和连续变量continuousvariable；其中，分类变量是指有且只有几种状态的变量，例如档位这一分类变量，其取值有且仅有：停车挡P、自动挡D、倒挡R、空挡N这4个取值。分类变量包含运行模式、档位、空调状态、充电状态、SOC、车辆状态和制动力。连续变量包括车速、行驶里程、加速踏板行程、制动踏板行程、电池包总电压、电池包总电流、单体电池电压、单体电池电流、电池包中监测点温度、电机的转速、电机的转矩和电机的温度、电机控制器输入电压、电机控制器直流母线电流、电机控制器温度、车外的温度、车辆所处位置的经纬度、海拔高度。S2：对分类后的历史基础数据进行数据清洗，以得到历史清洗数据；具体地，所述对分类后的历史基础数据进行数据清洗，以得到历史清洗数据具体包括：去掉连续变量中的单位，如果连续变量的数据带有单位，去除单位，只保留数字部分，例如速度100Kmh调整为100。当连续变量中一数值存在缺失或超出预设范围时，定义该数值为异常连续数值，求取该连续变量中异常连续数值的前一数值和后一数值的均值，用该均值替换该异常连续数值；例如连续变量中一数值A5存在缺失或超出预设范围时，取前一数值A4和后一数值A6两者的均值，用该均值代替A5。当分类变量中一数值存在缺失或超出预设范围时，定义该数值为异常分类数值，用分类变量中该异常分类数值的前一数值替换该异常分类数值。例如分类变量中一数值B5存在缺失或超出预设范围时，取前一数值B4代替B5。在数据清洗过程中，对行驶里程可以进行如下转换：根据SOC值的变化，计算里程的变化量。例如相邻的90条数据，第1条到第50条数据，对应的SOC值为80％，第51条到第90条数据对应的SOC值为79％，这段50条数据的第1条数据的里程值为10000公里，第50条数据的里程值为10003公里，那么将这第1条到第50条数据的里程值都置为3公里，表示当SOC由80％变为79％时，该车行驶了3公里。S3：构建深度神经网络模型；具体地，参见图2，所述深度神经网络模型包括：输入层InputLayer：接收输入的连续变量，输出到批归一化层BatchNorm；嵌入层Embeddinglayer：接收输入的分类变量，输出到DropOut层；concatenation层：接收所述批归一化层和DropOut层的输出矩阵，将批归一化层和DropOut层输出的矩阵拼接为一个单独的矩阵，也即将两个神经网络分支融合为一个分支；第一全连接层Linearlayer：将concatenation层输出的矩阵输出给第二全连接层；该层的神经元个数为1000，该层的激活层使用的激活函数为Relu。第二全连接层：接收第一全连接层输出的矩阵，对第一全连接层输出的矩阵进行初始降维处理；例如该层的输入维度为1000，输出维度为500，有500个神经元，即将维度为1000的矩阵降为维度为500的矩阵。该层的激活层使用Relu作为激活函数。第三全连接层OutputResult：接收第二全连接层进行初始降维处理后获得的矩阵，将该矩阵降为一维矩阵输出；例如该层的输入维度为500，输出维度为1，即将维度为500的矩阵降为维度为1的矩阵，该层的输出作为整个深度神经网络模型的输出。该深度神经网络模型使用嵌入层Embeddinglayer对分类变量进行编码。比如档位这一分类变量，其取值有且仅有：停车挡P、自动挡D、倒挡R、空挡N这4个取值，在嵌入层中，会用一个权值参数矩阵去学习该分类变量，这个权值参数矩阵的维度为a,b，即该矩阵有a行b列。其中a表示该分类变量的所有可能取值的个数，比如档位这一分类变量，其取值有4种可能，a＝4。b表示编码向量的长度，这里b＝a2＝2。也即在嵌入层中，档位这一分类变量，会用一个4X2的权值参数矩阵来表示。这是因为分类变量的每一个取值，都有其单独的语义，如档位，停车挡P、自动挡D、倒挡R、空挡N这4个取值分别代表独立的语义，加入嵌入层使深度神经网络，很容易学习分类变量不同取值所代表的语义。S4：以所述历史清洗数据作为训练数据，使用深度学习框架训练所述深度神经网络模型；具体地，所述将所述历史清洗数据作为训练数据具体包括：将所述历史清洗数据分为自变量和因变量；根据预设的训练数据比例获取历史清洗数据中的部分数据作为所述训练数据，剩余部分的历史清洗数据作为验证数据；例如按照时间先后顺序，定义历史清洗数据中前80％数据作为所述训练数据，后20％数据作为验证数据；其中，所述自变量包括多个特征，所述特征包括以下一种或几种数据的组合：运行模式、车速、行驶里程、加速踏板行程、制动踏板行程、档位、空调状态、充电状态、车辆状态、制动力、电池包总电压、电池包总电流、单体电池电压、单体电池电流、电池包中监测点温度、SOC、电机的转速、电机的转矩、电机的温度、电机控制器输入电压、电机控制器直流母线电流、电机控制器温度、车外的温度、车辆所处位置的经纬度和海拔高度；因变量包含行驶里程。优选地，所述使用深度学习框架训练所述深度神经网络模型具体包括：使用深度学习框架Pytorch训练所述深度神经网络模型，深度神经网络的损失函数lossfunction使用均方根误差RMSE，同时使用验证数据检验深度神经网络模型的精确度。S5：获取待预测电动汽车最新的若干条基础数据；S6：将若干条基础数据输入到训练好的深度神经网络模型，得到若干个续航里程预测结果；S7：利用预设的预测公式对所述若干个续航里程预测结果进行预测，得到预测电动汽车的续航里程。例如：获取待预测电动汽车最新的10条基础数据，按照下式预测续航里程：其中，Y为所述预测电动汽车的续航里程，n为续航里程预测结果的数量，例如上述例子中n为10，yi为根据第i条基础数据预测得到的续航里程预测结果；f为所述训练好的深度神经网络模型；xi,0为动力蓄电池的荷电状态SOCStateofCharge的取值，1≤xi,0≤100；为第i条基础数据。m为基础数据的特征数量。深度学习方法直接通过建立多层神经网络，利用不同层的神经网络学习不同维度的特征，这些特征隐含数据的内在规律，深度学习方法能够给出更高的预测精度。该方法利用根据采集到的电动汽车过去一段时间例如1年到2年内基于时间序列的历史基础数据。通过对这些历史基础数据进行清洗，并利用深度学习算法建立续航里程预测模型，然后根据电动汽车上报的实时数据，通过这个训练好的预测模型准确预测电动汽车的实时续航里程。该方法使用深度神经网络去学习电动汽车基础数据的内在规律。利用深度学习对每辆电动汽车单独训练从而生成一个深度神经网络模型，提高了模型学习能力，使得得到的模型具有更好的预测能力。该模型既分析了当前电动汽车的最新性能特性，比如性能衰减后的动力蓄电池的特性，又考虑到了电动汽车的不同使用场景和驾驶习惯不同等因素，这种采用为每辆车使用单独的深度神经网络模型，而非为所有车辆采用统一的预测模型的方式，能最大程度提高每辆车的续航里程预测的准确性。实施例二：一种设备，参见图3，包括处理器801、输入设备802、输出设备803和存储器84，所述处理器801、输入设备802、输出设备803和存储器804通过总线805相互连接，其中，所述存储器用于存储计算机程序，所述计算机程序包括程序指令，所述处理器被配置用于调用所述程序指令，执行上述的方法。应当理解，在本发明实施例中，所称处理器801可以是中央处理单元CentralProcessingUnit，CPU，该处理器还可以是其他通用处理器、数字信号处理器DigitalSignalProcessor，DSP、专用集成电路ApplicationSpecificIntegratedCircuit，ASIC、现成可编程门阵列Field-ProgrammableGateArray，FPGA或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。输入设备802可以包括触控板、指纹采传感器用于采集用户的指纹信息和指纹的方向信息、麦克风等，输出设备803可以包括显示器LCD等、扬声器等。该存储器804可以包括只读存储器和随机存取存储器，并向处理器801提供指令和数据。存储器804的一部分还可以包括非易失性随机存取存储器。例如，存储器804还可以存储设备类型的信息。本发明实施例所提供的设备，为简要描述，实施例部分未提及之处，可参考前述方法实施例中相应内容。实施例三：一种计算机可读存储介质，所述计算机存储介质存储有计算机程序，所述计算机程序包括程序指令，所述程序指令当被处理器执行时使所述处理器执行三述的方法。所述计算机可读存储介质可以是前述任一实施例所述的终端的内部存储单元，例如终端的硬盘或内存。所述计算机可读存储介质也可以是所述终端的外部存储设备，例如所述终端上配备的插接式硬盘，智能存储卡SmartMediaCard,SMC，安全数字SecureDigital,SD卡，闪存卡FlashCard等。进一步地，所述计算机可读存储介质还可以既包括所述终端的内部存储单元也包括外部存储设备。所述计算机可读存储介质用于存储所述计算机程序以及所述终端所需的其他程序和数据。所述计算机可读存储介质还可以用于暂时地存储已经输出或者将要输出的数据。本发明实施例所提供的介质，为简要描述，实施例部分未提及之处，可参考前述方法实施例中相应内容。最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围，其均应涵盖在本发明的权利要求和说明书的范围当中。

权利要求：1.一种基于深度学习的电动汽车续航里程预测方法，其特征在于，包括以下步骤：采集待预测电动汽车的历史基础数据，并对所述历史基础数据进行分类；对分类后的历史基础数据进行数据清洗，以得到历史清洗数据；构建深度神经网络模型；以所述历史清洗数据作为训练数据，使用深度学习框架训练所述深度神经网络模型；获取待预测电动汽车最新的若干条基础数据；将若干条基础数据输入到训练好的深度神经网络模型，得到若干个续航里程预测结果；利用预设的预测公式对所述若干个续航里程预测结果进行预测，得到预测电动汽车的续航里程。2.根据权利要求1所述基于深度学习的电动汽车续航里程预测方法，其特征在于，所述待预测电动汽车的基础数据包括以下一种或几种数据的组合：电动汽车运动数据、电池数据、电机数据、电机控制器数据和环境数据；其中，电动汽车运动数据包括以下一种或几种数据的组合：运行模式、车速、行驶里程、加速踏板行程、制动踏板行程、档位、空调状态、充电状态、车辆状态和制动力；电池数据包括以下一种或几种数据的组合：电池包总电压、电池包总电流、单体电池电压、单体电池电流、电池包中监测点温度和SOC；电机数据包括以下一种或几种数据的组合：电机的转速、电机的转矩和电机的温度；电机控制器数据包括以下一种或几种数据的组合：电机控制器输入电压、电机控制器直流母线电流和电机控制器温度；环境数据包括以下一种或几种数据的组合：车外的温度、车辆所处位置的经纬度和海拔高度。3.根据权利要求2所述基于深度学习的电动汽车续航里程预测方法，其特征在于，所述对所述历史基础数据进行分类具体包括：将所述历史基础数据分为两类：分类变量和连续变量；其中，分类变量包含运行模式、档位、空调状态、充电状态、SOC、车辆状态和制动力；连续变量包括车速、行驶里程、加速踏板行程、制动踏板行程、电池包总电压、电池包总电流、单体电池电压、单体电池电流、电池包中监测点温度、电机的转速、电机的转矩和电机的温度、电机控制器输入电压、电机控制器直流母线电流、电机控制器温度、车外的温度、车辆所处位置的经纬度、海拔高度。4.根据权利要求2所述基于深度学习的电动汽车续航里程预测方法，其特征在于，所述对分类后的历史基础数据进行数据清洗，以得到历史清洗数据具体包括：去掉连续变量中的单位；当连续变量中一数值存在缺失或超出预设范围时，定义该数值为异常连续数值，求取该连续变量中异常连续数值的前一数值和后一数值的均值，用该均值替换该异常连续数值；当分类变量中一数值存在缺失或超出预设范围时，定义该数值为异常分类数值，用分类变量中该异常分类数值的前一数值替换该异常分类数值。5.根据权利要求2所述基于深度学习的电动汽车续航里程预测方法，其特征在于，所述将所述历史清洗数据作为训练数据具体包括：将所述历史清洗数据分为自变量和因变量；根据预设的训练数据比例获取历史清洗数据中的部分数据作为所述训练数据，剩余部分的历史清洗数据作为验证数据；其中，所述自变量包括多个特征，所述特征包括以下一种或几种数据的组合：运行模式、车速、行驶里程、加速踏板行程、制动踏板行程、档位、空调状态、充电状态、车辆状态、制动力、电池包总电压、电池包总电流、单体电池电压、单体电池电流、电池包中监测点温度、SOC、电机的转速、电机的转矩、电机的温度、电机控制器输入电压、电机控制器直流母线电流、电机控制器温度、车外的温度、车辆所处位置的经纬度和海拔高度；因变量包含行驶里程。6.根据权利要求2所述基于深度学习的电动汽车续航里程预测方法，其特征在于，所述深度神经网络模型包括：输入层：接收输入的连续变量，输出到批归一化层；嵌入层：接收输入的分类变量，输出到DropOut层；concatenation层：接收所述批归一化层和DropOut层的输出矩阵，将批归一化层和DropOut层输出的矩阵拼接为一个单独的矩阵；第一全连接层：将concatenation层输出的矩阵输出给第二全连接层；第二全连接层：接收第一全连接层输出的矩阵，对第一全连接层输出的矩阵进行初始降维处理；第三全连接层：接收第二全连接层进行初始降维处理后获得的矩阵，将该矩阵降为一维矩阵输出。7.根据权利要求2所述基于深度学习的电动汽车续航里程预测方法，其特征在于，所述使用深度学习框架训练所述深度神经网络模型具体包括：使用深度学习框架Pytorch训练所述深度神经网络模型，深度神经网络的损失函数使用均方根误差。8.根据权利要求2所述基于深度学习的电动汽车续航里程预测方法，其特征在于，所述预测公式为：其中，Y为所述预测电动汽车的续航里程，n为续航里程预测结果的数量，yi为所述续航里程预测结果；f为所述训练好的深度神经网络模型；xi,0为SOC的取值，1≤xi,0≤100；为第i条基础数据；m为基础数据的特征数量。9.一种设备，其特征在于，包括处理器、输入设备、输出设备和存储器，所述处理器、输入设备、输出设备和存储器相互连接，其中，所述存储器用于存储计算机程序，所述计算机程序包括程序指令，所述处理器被配置用于调用所述程序指令，执行如权利要求1-8任一项所述的方法。10.一种计算机可读存储介质，其特征在于，所述计算机存储介质存储有计算机程序，所述计算机程序包括程序指令，所述程序指令当被处理器执行时使所述处理器执行如权利要求1-8任一项所述的方法。

百度查询： 深圳四海万联科技有限公司 基于深度学习的电动汽车续航里程预测方法、设备及介质

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD