性的特有特征组合来区分。数据聚类方法 用于识别沿路线的不同区域。通过合成沿路线的所有单独分割的区域来识别整个路线的行 驶模式。可以通过基于较高影响因子（比如道路曲率、海拔变化、速度调整等）的客观测量 来区分行驶场景。一旦可以获取主体和特定行程信息，则行驶模式的通用模型用作初始候 选模式以构建以更加应用为导向的行驶模式。
[0028] 在行驶期间，道路上的大多数车辆能量消耗来自推进车辆所需要的能量。其它能 量消耗源包括车辆附件和支持系统。可以时间域将可用于在预定路线上推进车辆的总电能 Etov表征为：
[0029]
⑴ 。
[0030] 其中，Ebatt是电池可用的总电能而Ts是在路线期间车辆运转的持续时间。P a。。是 提供至车辆附件的功率加上车辆的其它运转损失。在持续时间Ts期间可以对Pa。。积分以 表示从电池释放的总能量。
[0031] 还可以空间域将整个路线的距离中可用于车辆推进的总能量Etv表征为：
[0032]
[0033] 其中S是总行程距离而s是空间域距离变量。Ftov是车辆推进需要的等效驱动阻 力。这是车轮处为了保持或改变车辆的运转状态的总反作用力。也可以在行驶距离内对Ftv积分以获取与执行用于沿路线推进车辆的总功率关联的能量。Fwhl是实际的车轮牵引力而 Facc是代表车辆附件负荷加上运转能量损失的模拟车轮力（dummy wheel force)术语。也 可以在路线的长度内对这些分力中的每者积分以获取各自对总体能量消耗的贡献。
[0034] 为了进一步分解这些因子，通过Ftv的多个贡献影响因子间接地构建本发明的行 驶模式。将Ftov分解成更小的分量允许更加全面地分析行驶模式。总力可以表示为：
[0035] Fdrv= F ine+Ffbk+Fdrag+Frgl+Facc ⑶。
[0036] 其中是基于车速和车辆质量的惯性阻力。Vx是车速，而€是车速或加速 度的变化速率。m是车辆总质量。Ffbk是车轮处的摩擦制动阻力。
[0037] Fdrag是包括空气动力学和滚动阻力的总阻力（lumped drag force)，大概可以表示 为：
[0038]
[0039] 其中δ是道路车轮转角。参数kji =0、1、2、3)是与车辆和环境状况关联的常 数。匕81是道路坡度阻力，大概可以表示为：
[0040] Frgl= mg*sin a r (5)。
[0041] 其中ar是道路倾角。
[0042] 基于上面对Ftv的分解，在直接测量可用之前可以得出贡献的分力和影响因子的 代表模型用于提前计划。通过分解驱动力，特别地识别出较高影响因子（比如Vx、^、δ 和aj，因为它们对多个阻力作出贡献。可以通过特别关联的特征来分类特定的单个因子。 例如，的特征组合可以称为"速度因子"。同样，δ和％都可以从与道路几何数据 关联的特征得出并且可以分别称为"曲率因子"和"坡度因子"。
[0043] 可以基于上文描述的特征因子来区分行驶模式。当在不同的时间域查看时每 个特征因子频繁地表现出不同的属性。对多个因子的数据分析使用特定的时间标度可 以促进该模式的处理和精度。为此，关于本发明至少使用三个时间标度：静态、半静态 (quasi-static)和动态的时间标度。
[0044] 静态时间标度可以指示在相对较长的时间段内稳定的特征行为或模式。最好以静 态时间标度分析的特征因子认为是"静态因子"。例如，它们可以包括道路几何数据（比如 道路倾角、道路曲率）、基于法规的停车频率、速度限制、地形类型等。这些因子中的每者通 常在较长期间内保持稳定。从静态因子识别的行驶模式通常是通用的，这些模式可以应用 到不同应用、不同车辆和驾驶员配置。
[0045] 半静态时间标度很像静态时间标度。然而，以半静态时间标度来分析可能经历非 常少见的变化的因子。这类特征在特定时间段内还是相对稳定并且可以认为是"半静态因 子"。例如，由道路建设导致的限速的变化或者由于交通事故导致的规定速度的变化是可能 适用以半静态时间域来分析的特征因子变量。可以基于可能过期或不用的模式的识别结果 而使用半静态时间标度的特征因子变量更新静态特征因子。由于半静态特征信息在一段时 间和特定路段内有效且稳定，所以更新的模式识别也可以通用于不同的应用、不同的车辆 和驾驶员配置。
[0046] 动态时间标度捕获频繁地或者甚至持续地随时间变化的路线特征。通常该信息仅 在非常短的时间段有效并且从而其有效范围对于即将到来的路段是有限的。动态特征信息 通常还是主体特定的（host-specific)并且可能仅限于用于特定应用。例如，交通信息可 能有助于动态时间标度分析并且可能经历最新更新。在空间域中，交通流量信息通常仅对 本车前方的数百米至几英里是可靠的。此外天气状况也可以认为是动态特征因子。额外地， 可以进一步分解特定影响因子以包括静态和动态部分。
[0047] 通过对相关特征因子执行时间标度分解，能分别以不同时间标度来处理模式合成 和识别。如上文讨论的，高度影响行驶程序的大量特征因子实际上是静态的。从而，可以通 过这些因子相对于车辆在离线识别行驶模式以构建基于地图的空间域模式数据库。例如特 别是对于静态因子，可以基于非车载云计算的控制和信息分享。这些路线数据的离线处理 很在程度上最小化车辆用于实时应用所需要的处理计算和通信资源。额外地，处理的静态 数据是通用的使得可以对行驶在和接近共同路段的所有车辆分享处理的结果。一旦特定的 主车（host vehicle)信息和动态行驶信息可用，相对于用于基本行驶模式的信息仅需要处 理从行驶部分中应用的静态模式数据库改变的高级行驶模式更新。
[0048] 在空间域中影响的特征因子也变化。它们在不同的路段中展现出不同的变化模 式。例如，道路倾角在山区上展现出较大的变化和变化量但是在高速公路路段上很稳 定。从而，分离州际高速公路部分和山区行驶部分，因为在这些不同区域的每者中由道路坡 度负荷阻力贡献的能量需求显著不同。第二示例是与州际高速公路相比市区的速度模 型（speed profile)包含更多重复的停停走走循环。所以，执行行驶模式分析与行程分割 是有益的使得分割的每个路段的模式特征具有不同的能量需求属性。通过基于特征的行程 分割，行程部分内单个特征的行为可以是连续的且无变化的。由于模式之间差异越强可以 通过动态规划的能量消耗分析或者从车辆测试数据建立的能量需求属性越精确，能够更加 精确地评估每部分的能量需求。
[0049] 参考图2,通过说明高级信息流的系统框图示意性地显示了影响因子分析。从车 轮处施加的在总路线距离206上施加的总驱动力204得到驱动能量（EdJ 202。如上文描 述的，总驱动力204包含通过多个不同源产生的多个分力。同样如上文描述的，静态影响因 子208和动态影响因子210影响车轮处需要的总驱动力204。本车的特定属性或主体因子 (host factor) 212进一步影响形成总驱动力204的分力。
[0050] 图3也是框图，但是更详细地描述静态影响因子和总驱动分力。在该示例中，通 过五个分力代表车轮处的总驱动力（Fdrv) 204。车辆惯性力（FiJ 214、阻力（Fdrag) 216 (包 括气动阻力和滚动阻力）、代表驱动车辆附件的等效模拟车轮力（FaJ 218、道路坡度负荷力 (Frgl)220、和摩擦制动力（Ffbk)222中的每者贡献于车轮处需要的模型总驱动力204。可预 想可以使用额外的阻力特征包含在总驱动力中。
[0051] 类似地，静态影响因子208包括影响车轮处所需力的多个阻力因子。在图3的示 例中，速度因子224、曲率因子226、地形类型228、海拔230、坡度因子232和停车因子234 中的每者是贡献于推进车辆所需力的静态因子。如上文讨论的，每个静态影响因子通常是 稳定的并且可以认为是通用的以应用到不同车辆。
[0052] 速度因子224主要基于车速Vx，并且作为阻力216和代表驱动车辆附件的车轮力 218的输入。例如，沿路线已知的速度限制可以用于影响速度因子224。可以从车辆行驶历 史或者从交通数据库获取速度模型信息。此外，可以从导航或地图数据获取关于路线速度 限制的信息。
[0053] 曲率因子226是主