一种车辆能耗预测和能源补充方法及相关设备与流程

本说明书一个或多个实施例涉及车辆技术领域，尤其涉及一种车辆能耗预测和能源补充方法及相关设备。

背景技术：

随着汽车自动驾驶技术不断进阶，人类对可控性ai技术的渴望显得不再遥不可期，工业进步使得在汽车技术的各种监测方式方法也越来越精准、越来越智能化。但是现有技术实际并未真正脱离“人”这一控制主体。

目前，汽车、电动车具有根据剩余油量或电量对使用人告知低续航提醒功能，但是仅做到简单的剩余值提醒，并没有根本解除使用人必须亲自及时补充这一根本问题。

例如，工作日交通单程78公里，续航500公里，冬夏季开空调，偶尔聚个餐跑的远一点，偶尔激烈驾驶，偶尔假日小长途，这些场景都需要使用人经常查看续航里程余量并判断续航里程余量是否满足未来需求，还要经常操心是否需要补充。如果出现忘记补充又偏偏临近耗尽的情况，又恰逢近距离没有补充点，这个时候问题就会变得非常棘手。

技术实现要素：

有鉴于此，本说明书一个或多个实施例的目的在于提出一种车辆能耗预测和能源补充方法及相关设备，以解决的车辆能耗预测和能源补充问题。

基于上述目的，本说明书一个或多个实施例提供了一种车辆能耗预测和能源补充方法，包括：

获取未来预设时间段内的预测行程信息；

根据所述预测行程信息，获取预测行程能耗信息；

采集车辆的剩余能源信息；

基于所述剩余能源信息及所述预测行程能耗信息确定所述车辆的能源补充方式，并控制车辆按照所述能源补充方式进行能源补充。

可选的，所述根据所述预测行程信息获取预测行程能耗信息，包括：

将所述预测行程信息输入预先训练的车辆能耗模型，获得预测行程能耗信息；

其中，所述车辆能耗模型基于预先采集的车辆使用情况历史信息构建。

可选的，所述车辆使用情况历史信息的采集包括：

获取乘用人工作日出行历史信息、乘用人节假日出行历史信息；

根据所述乘用人工作日出行历史信息、所述乘用人节假日出行历史信息，获取能耗影响因素与能耗信息之间的关联关系；其中，所述能耗影响因素包括乘用人信息、行程信息、路况信息、乘用人驾驶行为特点、日历信息、天气信息中的至少一种。

可选的，所述车辆能耗模型的训练方法包括：

构建车辆能耗初始模型；

基于机器学习算法，将所述车辆使用情况历史信息输入车辆能耗初始模型进行训练，获得所述车辆能耗模型。

可选的，所述将所述预测行程信息输入预先训练的车辆能耗模型，获得预测行程能耗信息，还包括：

根据所述预测行程信息获取预测行程中的预测能耗影响因素；

将所述预测能耗影响因素输入所述车辆能耗模型，获得所述预测行程能耗信息。

可选的，所述获取未来预设时间段内的预测行程信息之前，还包括：

获取用户的授权权限信息；

其中，所述授权权限信息包括自动驾驶权限、信息采集权限、信息存储权限、公网信息注册、支付权限中的至少一种。

可选的，所述获取未来预设时间段内的预测行程信息，包括：

获取未来预设时间段内的日期信息；

基于未来预设时间段内的日期信息，获取与所述日期信息对应的所述预测行程信息。

可选的，所述获取未来预设时间段内的预测行程信息，还包括：

基于未来预设时间段内的日期信息，获取预测乘用人信息以及与所述预测乘用人信息对应的所述预测行程信息。

可选的，所述获取未来预设时间段内的预测行程信息，还包括：

采集乘用人的语音信息或文字记录信息，对所述语音信息或文字记录信息进行处理，获得所述预测行程信息；

其中，所述文字记录信息包括日常安排事项、记事本安排事项以及邮件安排事项。

可选的，所述基于所述剩余能源信息及所述预测行程能耗信息确定所述车辆的能源补充方式，并控制车辆按照所述能源补充方式进行能源补充，包括：

基于所述预测行程能耗信息判断所述剩余能源信息是否充足；

若否，则控制车辆在预测行程开始之前补充，和/或，控制车辆在预测行程过程中补充。

可选的，所述控制车辆在预测行程开始之前补充，包括：

获取车辆附近的第一能源补充站；

控制车辆行驶到所述第一能源补充站进行能源补充并进行费用支付后返回。

可选的，所述控制车辆在预测行程过程中补充，包括：

获取车辆在预测行程中的第二能源补充站；

控制车辆行驶到所述第二能源补充站进行能源补充并进行费用支付后继续行驶。

本说明书一个或多个实施例还提供了一种车辆能耗预测和能源补充装置，包括：

行程获取模块，被配置为：获取未来预设时间段内的预测行程信息；

能耗预测模块，被配置为：根据所述预测行程信息，获取预测行程能耗信息；

剩余能源采集模块，被配置为：采集车辆的剩余能源信息；

能源补充模块，被配置为：基于所述剩余能源信息及所述预测行程能耗信息确定所述车辆的能源补充方式，并控制车辆按照所述能源补充方式进行能源补充。

本说明书一个或多个实施例还提供了一种车辆能耗预测和能源补充系统，包括：

至少一个能源补充站；以及，

车辆，设置有如上述实施例所述的车辆能耗预测和能源补充装置。

本说明书一个或多个实施例还提供了一种电子设备，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，所述处理器执行所述程序时实现如上述任意一项实施例所述的车辆能耗预测和能源补充方法。

本说明书一个或多个实施例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所述计算机执行如上述任意一项实施例所述的车辆能耗预测和能源补充方法。

从上面所述可以看出，本说明书一个或多个实施例提供的车辆能耗预测和能源补充方法及相关设备，基于车辆使用情况历史信息构建车辆能耗模型，获取未来预设时间段内的预测行程信息并输入车辆能耗模型，从而获取预测行程能耗信息，最后根据车辆的剩余能源信息以及预测行程能耗信息之间的关系对车辆的能源进行按需补充，从而避免在行程过程中车辆因能源耗尽而附近没有能源补充点导致乘用人出现使用焦虑，也避免频繁进行能源补充对电池、充电桩以及车辆的损耗，并节约乘用人进行能源补充的时间。

附图说明

为了更清楚地说明本说明书一个或多个实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本说明书一个或多个实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本说明书一个或多个实施例所述车辆能耗预测和能源补充方法的流程示意图；

图2为本说明书一个或多个实施例示意图；

图3为本说明书一个或多个实施例所述车辆能耗预测和能源补充装置的结构示意图；

图4为本说明书一个或多个实施例用于实现所述车辆能耗预测和能源补充方法的电子设备结构示意图。

具体实施方式

为使本公开的目的、技术方案和优点更加清楚明白，以下结合具体实施例，并参照附图，对本公开进一步详细说明。

需要说明的是，除非另外定义，本说明书一个或多个实施例使用的技术术语或者科学术语应当为本公开所属领域内具有一般技能的人士所理解的通常意义。本说明书一个或多个实施例中使用的“第一”、“第二”以及类似的词语并不表示任何顺序、数量或者重要性，而只是用来区分不同的组成部分。“包括”或者“包含”等类似的词语意指出现该词前面的元件或者物件涵盖出现在该词后面列举的元件或者物件及其等同，而不排除其他元件或者物件。“连接”或者“相连”等类似的词语并非限定于物理的或者机械的连接，而是可以包括电性的连接，不管是直接的还是间接的。“上”、“下”、“左”、“右”等仅用于表示相对位置关系，当被描述对象的绝对位置改变后，则该相对位置关系也可能相应地改变。

目前，汽车、电动车具有根据剩余油量或电量对使用人告知低续航提醒功能，但是仅做到简单的剩余值提醒，并没有根本解除使用人必须亲自及时补充这一根本问题。如果车辆能做到基于使用人的使用场景，通过合理的方式方法及时补充能源，那将会彻底改善此问题。

基于上述原因，本说明书一个或多个实施例提供一种车辆能耗预测和能源补充方法以解决上述问题。如图1所示，所述车辆能耗预测和能源补充方法包括：

步骤s101，获取未来预设时间段内的预测行程信息。

本实施例中，未来预设时间段内即预先设置的一个时段，例如：以当前时刻开始的二十四小时或四十八小时范围内，或者第二天的零点至二十四点等。未来预设时间段内可以根据需要进行设置。

预测行程信息包括乘用人可能出现的行程安排信息，例如：工作日上下班、购物、接送学生等较为规律的行程安排信息，节假日(包括周末、小长假、长假等)可能出现的短途、长途旅行信息，用户指向性明确的行程规划信息(用户明确指出未来预设时间段内安排的出行计划)，以及不可控事件、临时突发事件等发生后产生的突发状况行程安排信息(包括工作事故、强险救灾、道路救援、家庭事故等)。

步骤s102，根据所述预测行程信息，获取预测行程能耗信息。

本实施例中，获取预测行程信息后，可以预测出对应于预测行程信息的预测行程能耗信息。例如，车辆已经记载了该行程对应的能耗信息。在一个具体实施例中，若获取到的预测行程信息为上班，由于乘用人之前已经驾驶车辆去上班，因此该上班行程的能耗信息已经获得并被车辆记载，此时当获得预测行程信息为上班后即可获得对应的能耗信息作为预测行程能耗信息。

可选的，根据预测行程信息以及车辆使用情况历史信息可以获得预测行程能耗信息。车辆使用情况历史信息即乘用人在驾驶车辆时产生的车辆使用情况信息的历史值，基于该车辆使用情况历史信息可以获得乘用人的常用行程、驾驶习惯等等信息，以便于后续根据获取到的预测行程信息对预测行程能耗信息进行预测。

步骤s103，采集车辆的剩余能源信息。

其中，剩余能源信息可包括电能或燃油的剩余量、剩余百分比或者可行驶的路程信息等。

步骤s104，基于所述剩余能源信息及所述预测行程能耗信息确定所述车辆的能源补充方式，并控制车辆按照所述能源补充方式进行能源补充。

当判断车辆的剩余能源不足以支撑未来预设时间段内的预测行程时，可以控制车辆提醒乘用人进行能量补充，或者直接控制车辆自行进行能源补充。

本实施例中，获取未来预设时间段内的预测行程信息，并基于该预测行程信息进行能耗预测获取预测行程能耗信息，最后根据车辆的剩余能源信息以及预测行程能耗信息之间的关系对车辆的能源进行按需补充，从而避免在行程过程中车辆因能源耗尽而附近没有能源补充点导致乘用人出现使用焦虑，也避免频繁进行能源补充对电池、充电桩以及车辆的损耗，并节约乘用人进行能源补充的时间。

在一些可选的实施例中，步骤s102中根据所述预测行程信息，获取预测行程能耗信息，包括：将所述预测行程信息输入预先训练的车辆能耗模型，获得预测行程能耗信息；其中，所述车辆能耗模型基于预先采集的车辆使用情况历史信息构建。

本实施例中，可以在车辆内置预先训练好的车辆能耗模型，用于基于预测行程信息进行能耗预测从而获得预测行程能耗信息。车辆能耗模型基于预先采集的车辆使用情况历史信息构建。同时，在使用时，将实际产生的车辆使用情况信息也输入到车辆能耗模型中，从而不断完善该模型。

可选的，所述车辆使用情况历史信息的采集包括：

步骤s201，获取乘用人工作日出行历史信息、乘用人节假日出行历史信息。

可选的，采集车辆使用情况历史信息之前需要获取用户的授权，在用户授权的范围内进行各项数据信息的采集。

本实施例中，乘用人工作日出行历史信息即为乘用人在工作日产生的出行信息的历史数据。乘用人在工作日的出行一般较为规律，包括上下班、购物、接送学生等，其中乘用人的上下班时间和路程以及接送学生的时间和路程基本固定，且绝大多数情况下购物的时间和路程也较为固定，因此通过采集乘用人工作日出行历史信息即可得知乘用人工作日的出行的一般情况以及工作日出行对应的能耗信息。

本实施例中，乘用人节假日出行历史信息即为乘用人在节假日产生的出行信息的历史数据。其中，节假日包括周末、小长假以及长假，在节假日可能出现短途、长途旅行游玩等出行事件。其中，周末事件较短，乘用人可能会进行市区内或郊区的短途出行；小长假时乘用人可能会进行稍远一些的旅行，长假则可能进行更远的出行。因此，通过采集大量的乘用人节假日出行历史信息即可大概得知乘用人在节假日出行的一般情况以及节假日出行对应的能耗信息。

步骤s202，根据所述乘用人工作日出行历史信息、乘用人节假日出行历史信息，获取能耗影响因素与能耗信息之间的关联关系；其中，所述能耗影响因素包括但不限于乘用人信息、行程信息、路况信息、乘用人驾驶行为特点、日历信息、天气信息中的至少一种。

在本实施例中，可根据采集到的乘用人工作日出行历史信息、乘用人节假日出行历史信息获取能耗影响因素与能耗信息之间的关联关系，以便于后续获取预测行程信息中的能耗影响因素的预测值进行能耗的预测。其中，能耗影响因素包括但不限于乘用人信息、行程信息、路况信息、乘用人驾驶行为特点、日历信息、天气信息等信息中的一种或多种信息。

具体的，乘用人信息即用于区分不同的乘用人，不同的乘用人对应的行程信息可能不同，例如一家的乘用人主要为男主人和女主人，男主人上班路程为20公里，女主人上班路程为15公里，不同长度的行程产生的能耗信息不同。同时，由于男主人和女主人的行程信息不同，不同行程对应的路况也不同，例如男主人上班路上多交通灯和拥堵，女主人上班路上多缓坡与转弯，因此不同的行程导致的能耗信息不同。不同乘用人驾驶行为特点也不同，例如男主人车速快易急停，女主人车速慢启停少，而车辆的加速/制动也会产生能耗，因此驾驶行为特点不同导致产生的能耗信息也不同。日历信息可用于区分工作日和节假日，工作日包括上下班、购物和接送学生，节假日包括长短途出行，因此不同的日期产生的能耗信息可能不同。冬天车内需要制暖，夏天需要制冷，制暖和制冷也需要产生能耗，因此不同的天气产生的能耗信息也并不相同。

可选的，上述能耗影响因素中各个因素不仅可能单独影响最终的能耗，还可以互相作用从而影响最终的能耗信息，例如基于日历信息可知季节即可获得大概的温度，再基于天气信息可知是否需制冷或制暖，而不同乘用人喜欢的温度不同，因此结合天气信息、乘用人信息以及乘用人对应的行程信息可预测车内空调开放的温度和时长，从而预测出对应的预测行程中空调开放的能耗信息。

在一些可选的实施例中，步骤s102中所述车辆能耗模型的训练方法包括：

步骤s301，构建车辆能耗初始模型。

步骤s302，基于机器学习算法，将所述车辆使用情况历史信息输入车辆能耗初始模型进行训练，获得所述车辆能耗模型。

在本实施例中，可以根据预设的机器学习算法，将获取到的车辆使用情况历史信息中的各项信息作为输入，将能耗信息作为输出从而训练车辆能耗模型。其中，预设的机器学习算法可以选择神经网络算法、决策树算法、逻辑回归算法、支持向量机算法、贝叶斯分类算法、深度学习算法等。

以神经网络为例，附图2提供一种基于车辆使用情况历史信息来估计能耗信息的神经网络模型200的示意图。神经网络模型200是可以用作机器学习模型的一种类型的模型。如本领域技术人员所理解的那样，还可以使用其它类型的机器学习模型。

神经网络模型200利用机器学习技术来构建将多个输入参数210与输出参数270相关联的模型。其中，输入参数210中包括各种能耗影响因素，例如乘用人信息、行程信息、路况信息、乘用人驾驶行为特点、日历信息、天气信息等各种能够影响能耗信息的因素。

如图所示，输入参数210提供给节点220的输入层。在这种情况下，自适应模型核心230包括两层内部节点，第一内层240和第二内层250。第二内层250与具有单个节点的输出层260连接，该单个节点表示输出参数270，在这种情况下，表示能量的消耗。

神经网络模型200首先在训练模式中操作，在该模式中提供大量数据集，其中训练数据集中的每个不仅包括输入参数210，而且包括就行使过的路段的输出参数270(实际能耗信息)，从而可以不断完善该车辆能耗模型。在训练模式期间，模型200构建其自身以提供就每个训练集的输入参数与输出参数之间的最佳可能的相关。自适应模型核心230中的层数，在层240和250的每一个中的节点数，以及层220、240、250和260之间的连接性在训练模式期间都是变化的，以实现最佳的相关。反向传播信道280表示用于自适应模型训练的反馈。

可选的，步骤s102中所述将所述预测行程信息输入预先训练的车辆能耗模型，获得预测行程能耗信息，还包括：

步骤s401，根据所述预测行程信息获取预测行程中的预测能耗影响因素。

步骤s402，将所述预测能耗影响因素输入所述车辆能耗模型，获得所述预测行程能耗信息。

在本实施例中，基于预测行程信息即可得知对应的预测能耗影响因素。例如，根据预测行程信息可知目的地，通过导航信息可知初始位置(如家中)与目的地之间的行程信息，并可基于地理信息系统预测出路况信息，同时根据天气预测信息即可预测出空调开启状况信息，因此基于预测行程信息即可得知各项能耗影响因素的预测数据，即预测能耗影响因素。之后将其输入到训练好的车辆能耗模型中，即可获得能耗信息的预测值，即预测行程能耗信息。

在本实施例中，每次获取实际出行信息以及其实际产生的能耗信息后，利用上述数据对车辆能耗模型进行进一步的训练，从而不断完善车辆能耗模型，以便于其能够进行更加精准的能耗预测，为用户提供更好的用户体验。

在本说明的一些实施例中，步骤s101中所述获取未来预设时间段内的预测行程信息之前，还包括：

获取用户的授权权限信息；其中，所述授权权限信息包括自动驾驶权限、信息采集权限、信息存储权限、公网信息注册、支付权限中的至少一种。

本实施例中，在获取预测行程信息之前首选需要取得用户的各项授权，获得用户授权后，车辆才可以获取各项信息并进行相应的处理。

在本说明的一些实施例中，步骤s101中所述获取未来预设时间段内的预测行程信息，包括：

获取未来预设时间段内的日期信息；基于未来预设时间段内的日期信息，获取与所述日期信息对应的所述预测行程信息。

本实施例中，基于日期信息可以得知对应的日期为工作日还是节假日，这样将日期信息输入训练后的车辆能耗模型后，即可预测出该日期可能发生的出行事件，即预测行程信息。例如，基于日期信息可知该日期信息对应的是工作日，则即可基于工作日的出行状况进行预测，从而获得对应的预测行程能耗信息。

可选的，步骤s101中所述获取未来预设时间段内的预测行程信息，还包括：

基于未来预设时间段内的日期信息，获取预测乘用人信息以及与所述预测乘用人信息对应的所述预测行程信息。

在本实施例中，对于一个家庭来说，乘用人用车情况在一般情况下会比较规律。例如，女主人在工作日开车上下班并接送学生，男主人在节假日开车出行。因此，获得未来预设时间段内的日期信息后，基于该日期信息判断属于工作日还是节假日，若是工作日则预测行程信息为女主人开车上下班并接送学生，从而针对该预测行程信息进行能耗的预测；若该日期信息对应节假日，则预测行程信息为男主人在节假日开车出行，从而针对该预测行程信息进行能耗的预测。

在本说明的另一些实施例中，步骤s101中所述获取未来预设时间段内的预测行程信息，还包括：

采集乘用人的语音信息或文字记录信息，对所述语音信息或文字记录信息进行处理，获得所述预测行程信息；其中，所述文字记录信息包括日常安排事项、记事本安排事项以及邮件安排事项。

在本实施例中，还可通过语音信息或者文字记录信息获取预测行程信息。例如，通过车载的语音终端设备或者与车载设备通信连接的移动终端设备采集乘用人的语音信息，对乘用人的语音信息进行语音识别，从而分析出乘用人出行的时间、地点等出行计划信息，再结合导航功能获取该出行计划对应的行程信息、路况信息、天气信息等进行能耗的预测，从而获得最终的预测行程能耗信息。

同时，也可采集用户授权的闹钟、备忘录、日常安排事项、记事本安排事项以及邮件安排事项中记载的文字信息，对文字信息进行识别，从而分析出乘用人出行的时间、地点等出行计划信息，再结合导航功能获取该出行计划对应的行程信息、路况信息、天气信息等信息后进行能耗的预测，从而获得最终的预测行程能耗信息。

基于上述理由，本说明书实施例所述车辆能耗模型也可分为四个子模型，分别为日常基础车辆能耗子模型、假日游玩车辆能耗子模型、未来行程车辆能耗子模型以及突发应对车辆能耗子模型。其中，日常基础车辆能耗子模型基于工作日产生的车辆使用情况历史信息训练获得，用于进行工作日的能耗预测。假日游玩车辆能耗子模型基于节假日产生的车辆使用情况历史信息训练获得，用于进行节假日的能耗预测。未来行程车辆能耗子模型用于根据获取到的用户指向性明确的行程规划时的能耗预测，例如接收到用户的语音或文字指示时则可采用未来行程车辆能耗子模型进行能耗预测。突发应对车辆能耗子模型则用于出现不可控事件、临时突发事件等需要应对时的能耗预测，例如遇到工作事故、强险救灾、道路救援、家庭事故等情况时，基于乘用人的语音电话、视频信息等获取相应的预测行程信息后进行能耗预测。

在上述子模型中，日常基础车辆能耗子模型在工作日时运行，假日游玩车辆能耗子模型在节假日时运行，二者互不冲突。而未来行程车辆能耗子模型以及突发应对车辆能耗子模型则是根据用户的指示运行，未避免各个子模型在运行时冲突，可设置各个子模型运行的优先级由高到低为：突发应对车辆能耗子模型＞未来行程车辆能耗模型＞日常基础车辆能耗子模型＝假日游玩车辆能耗子模型。例如，若工作日乘用人请假出行时，则可根据用户的语音信息或文字信息运行未来行程车辆能耗子模型并进行相应的能耗预测，若在节假日遇到临时突发事件时，则可根据用户的语音信息或视频信息运行突发应对车辆能耗子模型并进行相应的能耗预测。

上述实施例仅为示例性的，在有需要的情况下，各个子模型的优先级可根据实际需要进行调整，在此不再赘述。

在本说明书的一些实施例中，步骤s104中所述基于所述剩余能源信息及所述预测行程能耗信息确定所述车辆的能源补充方式，并控制车辆按照所述能源补充方式进行能源补充，包括：

步骤s501，基于所述预测行程能耗信息判断所述剩余能源信息是否充足。采集到车辆的剩余能源信息后，将预测到的预测行程能耗信息与剩余能源信息进行比较，判断车辆的能源是否充足。

步骤s502，若否，则控制车辆在预测行程开始之前补充，和/或，控制车辆在预测行程过程中补充。

若是，则说明能源充足，故不需额外补充车辆的能源。若否，则需要补充，可控制车辆在预测行程开始之前补充，也可控制车辆在预测行程过程中补充，以便于获得更好的补充效果。

可选的，所述控制车辆在预测行程开始之前补充，包括：

获取车辆附近的第一能源补充站；控制车辆行驶到所述第一能源补充站进行能源补充并进行费用支付后返回。

在本步骤中，在乘用人使用前控制车辆自动寻找合理的能源补充站点进行能源补充。例如，车主驾驶车辆到家后，车主上楼，车辆自动在家附近寻找到第一能源补充站，完成加油或充电。由于已开启了支付权限，故加油或充电完成后可进行自动支付，支付完成后自动返回家停车位。

可选的，所述控制车辆在预测行程过程中补充，包括：

获取车辆在预测行程中的第二能源补充站；控制车辆行驶到所述第二能源补充站进行能源补充并进行费用支付后继续行驶。

在本步骤中，可控制车辆在出发路途中自动寻找能源补充点进行能源补充。例如，可以设定车辆在较远行车路途的情况下自动寻找沿途能源补充站，并结合自身线路里程信息按需合理补充能源。

可选的，也可采用上述两种方式的混合，即将上述两种方式进行组合以实现更好的能源补充方法。通常情况下，用户们认为任何情况下都是满能源状态是应对未来交通情况比较好的方式，但实际这是有坏处的，例如耗费充电桩、频繁前去补充浪费能源、对电池的损耗、对车辆的损耗等等。所以需要车辆最大限度的满足将来一段时间内的使用需求，又能经过合理补充满足下一循环，采用上述两种方式的混合则可以更好的解决这一问题。

可选的，在对能源进行补充时，需标记车辆的能源补充情况信息，例如区分燃油标号，电能的快充或正常充电等。

本说明书所述车辆能耗预测和能源补充方法，通过车辆能耗模型对用户的能耗进行预测并及时自动补充，无需车主时刻关心当前能源储备状况，减轻用车焦虑；结合自动驾驶技术自动前去补充点完成能源补充，并返回停车位待定，方便用户使用，让用户用车更加得心应手，最大限度做到了“用之不愁，安心惬意”；有需要时才进行能源补充，能源足够时则可不需补充，减轻了能源过度使用、过度浪费、资源过度占用等分配不均的问题。

需要说明的是，本说明书一个或多个实施例的方法可以由单个设备执行，例如一台计算机或服务器等。本实施例的方法也可以应用于分布式场景下，由多台设备相互配合来完成。在这种分布式场景的情况下，这多台设备中的一台设备可以只执行本说明书一个或多个实施例的方法中的某一个或多个步骤，这多台设备相互之间会进行交互以完成所述的方法。

上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。

本说明书一个或多个实施例还提供一种车辆能耗预测和能源补充装置。如图3所示，所述装置包括：

行程获取模块11，被配置为：获取未来预设时间段内的预测行程信息。

能耗预测模块12，被配置为：根据所述预测行程信息，获取预测行程能耗信息。

剩余能源采集模块13，被配置为：采集车辆的剩余能源信息。

能源补充模块14，被配置为：基于所述剩余能源信息及所述预测行程能耗信息确定所述车辆的能源补充方式，并控制车辆按照所述能源补充方式进行能源补充。

可选的，所述能耗预测模块12，还被配置为：

将所述预测行程信息输入预先训练的车辆能耗模型，获得预测行程能耗信息；其中，所述车辆能耗模型基于预先采集的车辆使用情况历史信息构建。

可选的，所述车辆使用情况历史信息的采集包括：

获取乘用人工作日出行历史信息、乘用人节假日出行历史信息；

根据所述乘用人工作日出行历史信息、所述乘用人节假日出行历史信息，获取能耗影响因素与能耗信息之间的关联关系；其中，所述能耗影响因素包括乘用人信息、行程信息、路况信息、乘用人驾驶行为特点、日历信息、天气信息中的至少一种。

可选的，所述车辆能耗模型的训练方法包括：

构建车辆能耗初始模型；

基于机器学习算法，将所述车辆使用情况历史信息输入车辆能耗初始模型进行训练，获得所述车辆能耗模型。

可选的，所述能耗预测模块，还被配置为：

根据所述预测行程信息获取预测行程中的预测能耗影响因素；

将所述预测能耗影响因素输入所述车辆能耗模型，获得所述预测行程能耗信息。

可选的，所述车辆能耗预测和能源补充装置还包括权限管理模块，所述权限管理模块，被配置为：

获取用户的授权权限信息；

其中，所述授权权限信息包括自动驾驶权限、信息采集权限、信息存储权限、公网信息注册、支付权限中的至少一种。

权限管理模块负责向用户申请各种权限，包括自动驾驶权限、信息存储权限、支付权限、公网信息注册权限，对外负责通信域安全鉴权。

可选的，所述行程获取模块11，被配置为：

获取未来预设时间段内的日期信息；

基于未来预设时间段内的日期信息，获取与所述日期信息对应的所述预测行程信息。

可选的，所述行程获取模块11，被配置为：

基于未来预设时间段内的日期信息，获取预测乘用人信息以及与所述预测乘用人信息对应的所述预测行程信息。

可选的，所述行程获取模块11，被配置为：

采集乘用人的语音信息或文字记录信息，对所述语音信息或文字记录信息进行处理，获得所述预测行程信息；

其中，所述文字记录信息包括日常安排事项、记事本安排事项以及邮件安排事项。

可选的，所述能源补充模块，被配置为：

基于所述预测行程能耗信息判断所述剩余能源信息是否充足；

若否，则控制车辆在预测行程开始之前补充，和/或，控制车辆在预测行程过程中补充。

可选的，所述控制车辆在预测行程开始之前补充，包括：

获取车辆附近的第一能源补充站；

控制车辆行驶到所述第一能源补充站进行能源补充并进行费用支付后返回。

可选的，所述控制车辆在预测行程过程中补充，包括：

获取车辆在预测行程中的第二能源补充站；

控制车辆行驶到所述第二能源补充站进行能源补充并进行费用支付后继续行驶。

为了描述的方便，描述以上装置时以功能分为各种模块分别描述。当然，在实施本说明书一个或多个实施例时可以把各模块的功能在同一个或多个软件和/或硬件中实现。

上述实施例的装置用于实现前述实施例中相应的方法，并且具有相应的方法实施例的有益效果，在此不再赘述。

本说明书一个或多个实施例还提供一种车辆能耗预测和能源补充系统，包括：

至少一个能源补充站；以及，

至少一个车辆，设置有如上述任意一项实施例所述的车辆能耗预测和能源补充装置。

上述实施例的系统包括前述实施例中相应的车辆能耗预测和能源补充装置，并且具有相应的车辆能耗预测和能源补充装置实施例的有益效果，在此不再赘述。

本说明书一个或多个实施例还提供一种电子设备，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，所述处理器执行所述程序时实现如上述任意一项实施例所述的车辆能耗预测和能源补充方法。

图4示出了本实施例所提供的一种更为具体的电子设备硬件结构示意图，该设备可以包括：处理器1010、存储器1020、输入/输出接口1030、通信接口1040和总线1050。其中处理器1010、存储器1020、输入/输出接口1030和通信接口1040通过总线1050实现彼此之间在设备内部的通信连接。

处理器1010可以采用通用的cpu(centralprocessingunit，中央处理器)、微处理器、应用专用集成电路(applicationspecificintegratedcircuit，asic)、或者一个或多个集成电路等方式实现，用于执行相关程序，以实现本说明书实施例所提供的技术方案。

存储器1020可以采用rom(readonlymemory，只读存储器)、ram(randomaccessmemory，随机存取存储器)、静态存储设备，动态存储设备等形式实现。存储器1020可以存储操作系统和其他应用程序，在通过软件或者固件来实现本说明书实施例所提供的技术方案时，相关的程序代码保存在存储器1020中，并由处理器1010来调用执行。

输入/输出接口1030用于连接输入/输出模块，以实现信息输入及输出。输入输出/模块可以作为组件配置在设备中(图中未示出)，也可以外接于设备以提供相应功能。其中输入设备可以包括键盘、鼠标、触摸屏、麦克风、各类传感器等，输出设备可以包括显示器、扬声器、振动器、指示灯等。

通信接口1040用于连接通信模块(图中未示出)，以实现本设备与其他设备的通信交互。其中通信模块可以通过有线方式(例如usb、网线等)实现通信，也可以通过无线方式(例如移动网络、wifi、蓝牙等)实现通信。

总线1050包括一通路，在设备的各个组件(例如处理器1010、存储器1020、输入/输出接口1030和通信接口1040)之间传输信息。

需要说明的是，尽管上述设备仅示出了处理器1010、存储器1020、输入/输出接口1030、通信接口1040以及总线1050，但是在具体实施过程中，该设备还可以包括实现正常运行所必需的其他组件。此外，本领域的技术人员可以理解的是，上述设备中也可以仅包含实现本说明书实施例方案所必需的组件，而不必包含图中所示的全部组件。

本说明书一个或多个实施例还提供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所述计算机执行如上述任一实施例所述的车辆能耗预测和能源补充方法。

本实施例的计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(pram)、静态随机存取存储器(sram)、动态随机存取存储器(dram)、其他类型的随机存取存储器(ram)、只读存储器(rom)、电可擦除可编程只读存储器(eeprom)、快闪记忆体或其他内存技术、只读光盘只读存储器(cd-rom)、数字多功能光盘(dvd)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。

所属领域的普通技术人员应当理解：以上任何实施例的讨论仅为示例性的，并非旨在暗示本公开的范围(包括权利要求)被限于这些例子；在本公开的思路下，以上实施例或者不同实施例中的技术特征之间也可以进行组合，步骤可以以任意顺序实现，并存在如上所述的本说明书一个或多个实施例的不同方面的许多其它变化，为了简明它们没有在细节中提供。

另外，为简化说明和讨论，并且为了不会使本说明书一个或多个实施例难以理解，在所提供的附图中可以示出或可以不示出与集成电路(ic)芯片和其它部件的公知的电源/接地连接。此外，可以以框图的形式示出装置，以便避免使本说明书一个或多个实施例难以理解，并且这也考虑了以下事实，即关于这些框图装置的实施方式的细节是高度取决于将要实施本说明书一个或多个实施例的平台的(即，这些细节应当完全处于本领域技术人员的理解范围内)。在阐述了具体细节(例如，电路)以描述本公开的示例性实施例的情况下，对本领域技术人员来说显而易见的是，可以在没有这些具体细节的情况下或者这些具体细节有变化的情况下实施本说明书一个或多个实施例。因此，这些描述应被认为是说明性的而不是限制性的。

尽管已经结合了本公开的具体实施例对本公开进行了描述，但是根据前面的描述，这些实施例的很多替换、修改和变型对本领域普通技术人员来说将是显而易见的。例如，其它存储器架构(例如，动态ram(dram))可以使用所讨论的实施例。

本说明书一个或多个实施例旨在涵盖落入所附权利要求的宽泛范围之内的所有这样的替换、修改和变型。因此，凡在本说明书一个或多个实施例的精神和原则之内，所做的任何省略、修改、等同替换、改进等，均应包含在本公开的保护范围之内。