本发明涉及新能源汽车，尤其涉及一种车辆续驶里程预测方法、装置、计算机可读存储介质及车辆。
背景技术：
1、当前新能源汽车的续驶里程预测误差较大，原因主要在于，传统的续驶里程计算方法主要是基于经验和电池机理特性，通过bms(电池管理系统)采集的剩余能量/当前能耗，从而计算得出可行驶的里程，但是，实际的续驶里程与不同场景、用户群体、车况、工况、外部环境等因素都息息相关，而通过经验来找到真正影响能耗的特征因素比较困难，并且传统的计算方法一般也没有考虑这些因素，从而导致计算获得的续驶里程存在较大的误差，影响续驶里程的预测准确度。
技术实现思路
1、本发明实施例的目的在于，提供一种车辆续驶里程预测方法、装置、计算机可读存储介质及车辆，能够提高车辆续驶里程的预测准确度。
2、为了实现上述目的，本发明实施例提供了一种车辆续驶里程预测方法，包括：
3、获取与车辆能耗相关的基础特征，所述基础特征包括表征电池状态、整车状态、车辆工况、驾驶习惯和驾驶环境的特征；
4、基于专家经验和电池机理特性，根据所述基础特征获取经验机理特征；
5、利用机器学习模型，根据所述基础特征和所述经验机理特征获取模型衍生特征；
6、利用特征选择模型，对所述基础特征、所述经验机理特征和所述模型衍生特征进行重要性评估，以确定入模特征；
7、对所述入模特征进行若干次迭代筛选，以确定n个重要特征，n＞1；
8、利用线性续驶里程预测模型，根据所述n个重要特征预测未来第一时间段内的第一百公里能耗值；
9、利用非线性续驶里程预测模型，根据所述入模特征预测未来第二时间段内的第二百公里能耗值和未来第三时间段内的第三百公里能耗值；
10、根据所述第一百公里能耗值、所述第二百公里能耗值和所述第三百公里能耗值获得车辆百公里能耗预测值，以结合电池soe获得车辆的续驶里程。
11、进一步地，所述对所述入模特征进行若干次迭代筛选，以确定n个重要特征，具体包括：
12、s151、将所述入模特征中的所有特征按照变量重要性降序排列，并设置删除比例，根据删除比例从所述入模特征中删除至少一个特征，获得新的特征集；
13、s152、根据所述新的特征集建立新的特征选择模型，并利用所述新的特征选择模型计算所述新的特征集中的每一个特征的变量重要性；
14、s153、判断所述新的特征集中的特征数量是否减少到预设数量阈值；
15、s154、若否，则将所述新的特征集中的所有特征按照变量重要性降序排列，并设置删除比例，根据删除比例从所述新的特征集中删除至少一个特征，再次获得新的特征集，并返回s152；
16、s155、若是，则根据每一个所述新的特征集及其对应的所述新的特征选择模型，计算袋外误差率，将袋外误差率最低的所述新的特征集作为最终特征集，并根据所述最终特征集确定所述n个重要特征，1＜n＜15。
17、进一步地，所述根据所述第一百公里能耗值、所述第二百公里能耗值和所述第三百公里能耗值获得车辆百公里能耗预测值，以结合电池soe获得车辆的续驶里程，具体包括：
18、对所述第二百公里能耗值和所述第三百公里能耗值进行加权平均处理，获得第四百公里能耗值；其中，将所述第二百公里能耗值记为b，所述第三百公里能耗值记为c，所述第四百公里能耗值记为d，d＝(b1*b+c1*c)/(b1+c1)，b1为所述第二百公里能耗值的权重，c1为所述第三百公里能耗值的权重，b1+c1＝1；
19、对所述第一百公里能耗值和所述第四百公里能耗值进行加权平均处理，获得车辆百公里能耗预测值；其中，将所述第一百公里能耗值记为a，所述车辆百公里能耗预测值记为e，e＝(a1*a+d1*d)/(a1+d1)，a1为所述第一百公里能耗值的权重，d1为所述第四百公里能耗值的权重，a1+d1＝1；
20、根据所述车辆百公里能耗预测值和车辆当前时刻的电池soe，计算获得车辆的续驶里程；其中，将车辆的续驶里程记为f，f＝soe/e*100。
21、进一步地，所述机器学习模型和所述特征选择模型均为随机森林模型；所述线性续驶里程预测模型为elasticnet模型；所述非线性续驶里程预测模型为lightgbm模型。
22、进一步地，所述方法通过以下步骤对所述elasticnet模型进行训练：
23、获取训练样本数据；
24、设置滑动窗口的大小，在所述滑动窗口内，根据所述训练样本数据选择elasticnet算法进行学习训练，生成所述elasticnet模型；其中，所述elasticnet模型的表达式为y＝k1*x1+k2*x2+…+ki*xi+…+kn*xn+k，y表示百公里能耗，xi表示第i个重要特征的数值，i＝1，2，…，n，ki表示第i个重要特征的系数，k表示所述表达式的截距。
25、进一步地，所述获取与车辆能耗相关的基础特征，具体包括：
26、从车辆的基础信号中选取与能耗相关的第一基础信号，并从大数据平台中抽取所述第一基础信号对应的基础数据；
27、对所述基础数据进行数据清洗处理，获得处理后的基础数据；
28、根据所述第一基础信号和所述处理后的基础数据，形成所述基础特征。
29、为了实现上述目的，本发明实施例还提供了一种车辆续驶里程预测装置，用于实现上述任一项所述的车辆续驶里程预测方法，所述装置包括：
30、基础特征获取模块，用于获取与车辆能耗相关的基础特征，所述基础特征包括表征电池状态、整车状态、车辆工况、驾驶习惯和驾驶环境的特征；
31、经验机理特征获取模块，用于基于专家经验和电池机理特性，根据所述基础特征获取经验机理特征；
32、模型衍生特征获取模块，用于利用机器学习模型，根据所述基础特征和所述经验机理特征获取模型衍生特征；
33、入模特征选择模块，用于利用特征选择模型，对所述基础特征、所述经验机理特征和所述模型衍生特征进行重要性评估，以确定入模特征；
34、能耗值预测模块，用于利用续驶里程预测模型，根据所述入模特征预测未来第一时间段内的第一百公里能耗值和未来第二时间段内的第二百公里能耗值；
35、续驶里程获取模块，用于根据所述第一百公里能耗值、所述第二百公里能耗值和所述第三百公里能耗值获得车辆百公里能耗预测值，以结合电池soe获得车辆的续驶里程。
36、本发明实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质包括存储的计算机程序；其中，所述计算机程序在运行时控制所述计算机可读存储介质所在的设备执行上述任一项所述的车辆续驶里程预测方法。
37、本发明实施例还提供了一种车辆续驶里程预测装置，包括处理器、存储器以及存储在所述存储器中且被配置为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上述任一项所述的车辆续驶里程预测方法。
38、本发明实施例还提供了一种车辆，包括车辆本体以及上述任一项所述的车辆续驶里程预测装置。
39、与现有技术相比，本发明实施例提供了一种车辆续驶里程预测方法、装置、计算机可读存储介质及车辆，首先，获取与车辆能耗相关的基础特征，所述基础特征包括表征电池状态、整车状态、车辆工况、驾驶习惯和驾驶环境的特征；接着，基于专家经验和电池机理特性，根据所述基础特征获取经验机理特征，并利用机器学习模型，根据所述基础特征和所述经验机理特征获取模型衍生特征；然后，利用特征选择模型，对所述基础特征、所述经验机理特征和所述模型衍生特征进行重要性评估，以确定入模特征，并对所述入模特征进行若干次迭代筛选，以确定n个重要特征；最后，利用线性续驶里程预测模型，根据所述n个重要特征预测未来第一时间段内的第一百公里能耗值，利用非线性续驶里程预测模型，根据所述入模特征预测未来第二时间段内的第二百公里能耗值和未来第三时间段内的第三百公里能耗值，并根据所述第一百公里能耗值、所述第二百公里能耗值和所述第三百公里能耗值获得车辆百公里能耗预测值，以根据车辆百公里能耗预测值和电池soe获得车辆的续驶里程；从而能够提高车辆续驶里程的预测准确度。
1.一种车辆续驶里程预测方法，其特征在于，包括：
2.如权利要求1所述的车辆续驶里程预测方法，其特征在于，所述对所述入模特征进行若干次迭代筛选，以确定n个重要特征，具体包括：
3.如权利要求1所述的车辆续驶里程预测方法，其特征在于，所述根据所述第一百公里能耗值、所述第二百公里能耗值和所述第三百公里能耗值获得车辆百公里能耗预测值，以结合电池soe获得车辆的续驶里程，具体包括：
4.如权利要求1～3中任一项所述的车辆续驶里程预测方法，其特征在于，所述机器学习模型和所述特征选择模型均为随机森林模型；所述线性续驶里程预测模型为elasticnet模型；所述非线性续驶里程预测模型为lightgbm模型。
5.如权利要求4所述的车辆续驶里程预测方法，其特征在于，所述方法通过以下步骤对所述elasticnet模型进行训练：
6.如权利要求1所述的车辆续驶里程预测方法，其特征在于，所述获取与车辆能耗相关的基础特征，具体包括：
7.一种车辆续驶里程预测装置，其特征在于，用于实现如权利要求1～6中任一项所述的车辆续驶里程预测方法，所述装置包括：
8.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质包括存储的计算机程序；其中，所述计算机程序在运行时控制所述计算机可读存储介质所在的设备执行如权利要求1～6中任一项所述的车辆续驶里程预测方法。
9.一种车辆续驶里程预测装置，其特征在于，包括处理器、存储器以及存储在所述存储器中且被配置为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权利要求1～6中任一项所述的车辆续驶里程预测方法。
10.一种车辆，其特征在于，包括车辆本体以及如权利要求7或9所述的车辆续驶里程预测装置。
