基于车辆的计算机系统和计算机实现的方法与流程

说明性实施例总体上涉及一种用于预测驾驶员目的地的方法和基于车辆的计算机系统。

背景技术：
车辆集成计算机技术的发展已经不仅使通过集成软件和硬件控制各种车辆系统成为可行，而且使基于观测的条件实际优化这些系统成为可行。例如，特定的现有协议提供了用于基于在当前位置与目的地之间观测的行驶条件来优化燃料效率的方法和技术。当对动力系统控制进行优化时，可考虑交通、天气、甚至道路表面条件。当然，为了提供具有这样的远见的优化，可期望知道驾驶员正在向哪里行驶。虽然许多车辆配备有导航系统，但是驾驶员，尤其在驾驶到熟悉位置时不会总是输入他们的目的地。因此，对车辆向何处行进不总是清楚的。此外，对驾驶员而言，要求他们每次在旅程中都输入目的地会是麻烦的或者甚至是恼人的。虽然驾驶员可能认识到燃料经济的经济收益(以及其它优化策略)，驾驶员可能仍然觉得必须在每次旅程中花费时间输入目的地是麻烦的。此外，许多车辆导航系统配备有防止在车辆行进中输入目的地的锁定功能。这意味着，如果驾驶员希望利用优化算法输入目的地，则驾驶员实际上可能必须把车停靠在路边并停止旅程。这样的绕道会是驾驶员不期望的，并且优选地，它们完全或至少大体上是不必要的。在一示例中，对于插入式混合动力电动车辆(PHEV)，对车辆而言常见的做法是在固定距离内在电荷耗尽模式下进行操作或者当满足了放电的目标深度时进行操作。其后，系统切换到电池充电维持模式，在充电维持模式下，SOC大约维持在固定水平。如果PHEV的电荷耗尽配置被修改为延长与驾驶员期望的驾驶距离匹配的耗尽距离直到充电活动可发生的下一位置为止，则可存在潜在的能量经济利益(平均范围/电荷)。遗憾的是，除非目的地是已知的或者被预测，否则可能非常难以知道何时会发生下一充电活动，因此，可能非常难以管理能量耗尽直到发生该事件为止。

技术实现要素：
在第一说明性实施例中，一种计算机实现的旅程计划方法包括：访问驾驶员信息的矩阵的一个或多个目的地元素，所述访问的步骤至少部分基于旅程开始时间和一周中的日期。每个访问的元素具有与其相关联的概率，所述概率指示至少基于开始时间和一周中的日期，该元素成为车辆旅程将结束的目的地的可能性。所述方法还包括：从所述一个或多个元素选择具有成为车辆旅程将结束的目的地的最高概率的目的地。此外，所述方法包括：利用选择的目的地来作为结束目的地以用于旅程计划的目的。所述访问的步骤还至少部分基于开始位置。指示元素成为车辆旅程将结束的目的地的可能性的概率还至少部分基于开始位置。所述方法还包括：向驾驶员呈现选择的目的地以进行确认，其中，直到驾驶员已确认选择的目的地，才发生所述利用的步骤。所述方法还包括：如果驾驶员不同意选择的目的地，则选择具有成为车辆旅程将结束的目的地的下一最高概率的目的地，并重复所述呈现的步骤。重复选择具有下一最高概率的目的地和呈现选择的目的地的步骤，直到驾驶员确认选择的目的地为止。在第二说明性实施例中，一种计算机实现的车辆操作方法包括：访问驾驶员信息的矩阵的一个或多个目的地元素，所述访问的步骤至少部分基于旅程开始时间和一周中的日期。每个访问的元素具有与其相关联的概率，所述概率指示至少基于开始时间和一周中的日期，该元素成为车辆旅程将结束的目的地的可能性。所述方法还包括：从所述一个或多个元素选择具有成为车辆旅程将结束的目的地的最高概率的目的地。此外，所述方法包括：利用选择的目的地来作为结束目的地以用于车辆操作的目的，至少包括燃料优化确定以对行至结束目的地的燃料使用进行优化。所述访问的步骤还至少部分基于开始位置。指示元素成为车辆旅程将结束的目的地的可能性的概率还至少部分基于开始位置。所述方法还包括：向驾驶员呈现选择的目的地以进行确认，其中，直到驾驶员已确认选择的目的地，才发生所述利用的步骤。所述方法还包括：如果驾驶员不同意选择的目的地，则选择具有成为车辆旅程将结束的目的地的下一最高概率的目的地，并重复所述呈现的步骤。重复选择具有下一最高概率的目的地并呈现选择的目的地的步骤，直到驾驶员确认选择的目的地为止。在第三说明性实施例中，一种基于车辆的计算机系统包括：处理器，与至少一个存储器通信；至少一个车辆网络，处理器可进行操作以与所述至少一个车辆网络通信；收发器，提供处理器、移动无线装置与通过移动无线装置访问的远程网络之间的通信。处理器可进行操作以执行存储在存储器中的指令，从而执行如下方法，所述方法包括：访问驾驶员信息的矩阵的一个或多个目的地元素，所述访问的步骤至少部分基于旅程开始时间和一周中的日期。每个访问的元素具有与其相关联的概率，所述概率指示至少基于开始时间和一周中的日期，该元素成为车辆旅程将结束的目的地的可能性。由处理器执行的说明性方法还包括：从所述一个或多个元素选择具有成为车辆旅程将结束的目的地的最高概率的目的地。此外，所述方法包括：利用选择的目的地来作为结束目的地以用于旅程计划的目的。所述方法还包括：向驾驶员呈现选择的目的地以进行确认，其中，直到驾驶员已确认选择的目的地，才发生所述利用的步骤。所述方法还包括：如果驾驶员不同意选择的目的地，则选择具有成为车辆旅程将结束的目的地的下一最高概率的目的地，并重复所述呈现的步骤。重复选择具有下一最高概率的目的地以及呈现选择的目的地的步骤，直到驾驶员确认选择的目的地为止。处理器可进行操作以将结束目的地传递至与车辆网络通信的一个或多个计划和/或导航模块。驾驶员信息的矩阵被存储在远程网络上，处理器可进行操作以通过与无线装置进行无线通信来访问所述矩阵，其中，所述无线装置与远程网络通信。在第四说明性实施例中，一种混合动力车辆控制系统包括：处理器，与至少一个存储器通信；至少一个车辆网络，处理器可进行操作以与所述至少一个车辆网络通信；收发器，提供处理器、移动无线装置与通过移动无线装置访问的远程网络之间的通信。处理器可进行操作以执行存储在存储器中的指令，从而执行如下方法，所述方法包括：访问驾驶员信息的矩阵的一个或多个目的地元素，所述访问的步骤至少部分基于旅程开始时间和一周中的日期。每个访问的元素具有与其相关联的概率，所述概率指示至少基于开始时间和一周中的日期该元素成为车辆旅程将结束的目的地的可能性。所述方法还包括：从所述一个或多个元素选择具有成为车辆旅程将结束的目的地的最高概率的目的地，并利用选择的目的地来作为结束目的地以用于混合动力车辆操作的目的。所述利用的步骤包括：将结束目的地传递至能量优化模块，其中，能量优化模块可进行操作以至少执行能量优化确定，从而对行至结束目的地的电池使用进行优化。所述方法还包括：从驾驶员信息的矩阵选择多个目的地元素，所述多个目的地元素具有成为至已知充电目的地的路径上的停车地点的最高概率，最后的元素对应于已知的充电目的地；利用已知的充电目的地来作为结束目的地。附图说明图1示出车辆计算机系统的说明性示例；图2示出数据估计处理的说明性示例；图3示出数据收集处理的说明性示例；图4示出第二数据估计处理的说明性示例；图5示出目的地预测处理的说明性示例；图6示出迭代目的地预测处理的说明性示例。具体实施方式根据需要，在此公开了本发明的具体实施例；但是，应理解，公开的实施例仅是本发明的示例，本发明可以以多种替代形式实施。附图无需按比例绘制；可放大或缩小一些特征以显示特定部件的细节。所以，此处所公开的具体结构和功能细节不应解释为限制，而仅作为教导本领域技术人员以多种形式实施本发明的代表性基础。图1示出用于车辆31的基于车辆的计算机系统(VCS)1的示例框式拓朴图。这种基于车辆的计算机系统1的示例是由福特汽车公司制造的SYNC系统。设置有基于车辆的计算机系统的车辆可包括位于车辆中的可视前端界面4。用户还可通过例如触摸屏(如果设有的话)与该界面交互。在另一说明性的实施例中，通过按扭按压、可听见的语音和语音合成发生交互。在图1中所示的说明性实施例1中，处理器3控制基于车辆的计算机系统的至少一部分操作。设置在车辆中的处理器允许对命令和例程进行车载处理。此外，处理器连接至非持久存储器5和持久存储器7两者。在该说明性实施例中，非持久存储器是随机存取存储器(RAM)，并且持久存储器是硬盘驱动器(HDD)或闪存。处理器还设置有允许用户与处理器交互的多个不同的输入。在该说明性实施例中，设置有麦克风29、辅助输入25(用于输入33)、USB输入23、GPS输入24和蓝牙输入15的全部。还设置有输入选择器51以允许用户在多种输入之间切换。在对麦克风和辅助连接器的输入传递至处理器之前，通过转换器27将所述输入从模拟转换为数字。尽管未示出，但是与VCS通信的多个车辆组件和辅助组件可使用车辆网络(诸如但不限于CAN总线)来向VCS(或其组件)传递数据或从VCS(或其组件)接收数据。对系统的输出可包括但不限于视觉显示器4和扬声器13或立体声系统输出。扬声器连接至放大器11并通过数字-模拟转换器9从处理器3接收其信号。还可分别沿19、21处所示的双向数据流输出至诸如PND54(便携式导航仪)的远程蓝牙装置或诸如车辆导航装置60的USB装置。在一个说明性实施例中，系统1使用蓝牙收发器15与用户的移动装置53(例如，蜂窝电话、智能电话、PDA或具有无线远程网络连接能力的任何其它装置)通信17。移动装置可随后用于通过例如与蜂窝塔57的通信55来与车辆31外部的网络61通信59。在一些实施例中，蜂窝塔57可以是WiFi接入点。信号14代表了移动装置和蓝牙收发器之间的示例性通信。可通过按钮或类似输入指示移动装置53和蓝牙收发器15的配对52。因此，指示CPU将车载蓝牙收发器与移动装置中的蓝牙收发器配对。可利用例如与移动装置53相关联的数据计划、声载数据或双音多频(DTMF)音调在CPU3和网络61之间传送数据。可替代地，可期望包括具有天线18的车载调制解调器63以便通过语音频带在CPU3和网络61之间传送数据16。随后，移动装置53可用于通过例如与蜂窝塔57的通信55来与车辆31外部的网络61通信59。在一些实施例中，调制解调器63可与蜂窝塔57建立通信20以与网络61通信。作为非限制性示例，调制解调器63可以是USB蜂窝调制解调器，并且通信20可以是蜂窝通信。在一个说明性实施例中，处理器设置有包括与调制解调器应用软件通信的API(应用编程接口)的操作系统。调制解调器应用软件可访问蓝牙收发器上的嵌入式模块或固件以完成与(诸如设在移动装置中的)远程蓝牙收发器的无线通信。蓝牙是IEEE802PAN(个域网)协议的子集。IEEE802LAN(局域网)协议包括WiFi并且与IEEE802PAN有相当多的交叉功能。两者都适合用于车辆中的无线通信。可以在此领域使用的其它通信方式是自由空间光通信(诸如红外数据协议，IrDA)和非标准的消费者红外(IR)协议。在另一实施例中，移动装置53包括用于语音频带或宽带数据通信的调制解调器。在声载数据的实施例中，当正在传输数据期间移动装置的所有者可通过装置讲话时，可执行已知为频分复用的技术。在其它时间，当所有者不使用该装置时，数据传输能够使用整个带宽(在一个示例中为300Hz至3.4kHz)。尽管频分复用常见于车辆和因特网之间的模拟蜂窝通信并且仍然在使用，但其已经很大程度上被用于数字蜂窝通信的码域多址(CDMA)、时域多址(TDMA)、空域多址(SDMA)混合替代。这些都是ITUIMT-2000(3G)兼容标准，并且为静止或者步行用户提供高达2mbs的数据率以及为在运动车辆中的用户提供高达385kbs的数据率。现在，3G标准正被为车辆中的用户提供100mbs以及为静止用户提供1gbs的高级国际移动通信(IMT-Advanced(4G))所替代。如果用户具有与移动装置相关联的数据计划，则该数据计划可能允许宽带传输，并且系统可使用更宽的带宽(加速数据传输)。在又一实施例中，移动装置53被安装至车辆31的蜂窝通信装置(未示出)所替代。在又一实施例中，移动装置53可以是能够通过例如(而非限制的)802.11g网络(即WiFi)或WiMax网络进行通信的无线局域网(LAN)装置。在一个实施例中，呼入数据可经由声载数据或数据计划穿过移动装置、穿过车载蓝牙收发器，并进入车辆的内部处理器3。例如，在特定临时数据的情况下，数据可被存储在HDD或其它存储介质7上，直至不再需要该数据的时间为止。其它可与车辆接口的源包括具有例如USB连接56和/或天线58的个人导航装置54、具有USB62或其它连接的车辆导航装置60、车载GPS装置24、或者与网络61连接的远程导航系统(未示出)。USB是一类串行网络协议中的一种。IEEE1394(火线TM(苹果)、i.LINKTM(索尼)和LynxTM(德州仪器))、电子工业协会(EIA)串行协议、IEEE1284(并行接口)、S/PDIF(索尼/飞利浦数字互联格式)和USB-IF(USB应用者论坛)形成了装置-装置串行标准的骨干。多数协议可被实施用于电通信或者光通信。此外，CPU可与各种其它的辅助装置65通信。这些装置可通过无线连接67或有线连接69来连接。辅助装置65可包括但不限于个人媒体播放机、无线健康装置、便携式计算机等。额外地或可替代地，CPU可使用例如WiFi收发器71而连接至基于车辆的无线路由器73。这可允许CPU在本地路由器73的范围内连接到远程网络。除了通过位于车辆中的车辆计算机系统执行的示例性处理之外，在特定实施例中，还可通过与车辆计算机系统通信的计算机系统执行所述示例性处理。这样的系统可包括但不限于无线装置(例如但不限于移动电话)或者经由无线装置连接的远程计算机系统(例如但不限于服务器)。总体上，这样的系统可被称为车辆相关联计算机系统(VACS)。在特定实施例中，VACS的特定组件可根据系统的特定实施而执行处理的特定部分。通过示例并且是非限制的，如果处理具有使用配对的无线装置发送或者接收信息的步骤，则很可能无线装置没有执行该处理，因为该无线装置不会与自身进行“发送和接收”信息。本领域的普通技术人员将理解何时不适合对给定解决方案应用特定VACS。在所有解决方案中，预期至少位于车辆中的车辆计算机系统(VCS)自身能够执行所述示例性处理。说明性实施例使用诸如但不限于位置信息(GPS)、车辆速度和时间的输入来作为用于建立驾驶员行为的模型的上下文信息。在由DOW(DayofWeek，一周中的日期)和TOD(TimeofDay，一天中的时间)集跨距的2D时间空间中定义离散区域，其中，DOW和TOD集可得自时间；每个DOW和TOD集与频繁的停止位置中的转移概率矩阵关联。系统自动识别停止位置、在位置之间行进的旅程，并概括位置之间的关系以用于预测目的。系统支持具有单个或多个目的地预测的单步或多步提前预测。还可根据需要预测支持性的旅程信息(诸如旅程距离、旅程持续时间和在目的地的停止持续时间)。假设时域的2D每周类似日历的表示为x轴是DOW且y轴是TOD，则每个DOW和TOD集定义与K×K转移概率矩阵相关联的时间上的区域。K表示系统迄今为止已识别的唯一位置的数量。在转移概率矩阵中，x轴表示开始位置，y轴表示结束位置。通过在车辆正被驾驶时将正指数更新施加到时间区域并在车辆未被使用时将负指数更新施加到时间区域，对驾驶模式的学习是简单直接的。通过在以下的等式(1)中将f01在1和0之间切换来实现正更新和负更新。F(t-1)表示更新之前的频率值，F(t)表示更新之后的频率值。随时间推移，可捕获驾驶员利用车辆的频率(概率值)，并可从所述频率计算不同时间区域中的相似性测量。F(t)＝F(t-1)+alphas(f01-F(t-1))(1)图2示出数据估计处理的一个说明性示例。这仅是收集并估计数据的示例性方式，并且意为非限制示例。也可采用其它合适的数据估计方法。在此说明性示例中，可通过车辆计算机系统、远程系统、所述两个系统相结合、和/或用于操作所述两个系统中的任一系统或所述两个系统的一个或多个模块来完成收集/估计。还可使用其它合适的处理源。在此示例中，所述处理检测到车辆处于活动状态201(或者数据估计处理已开始)。在此示例中，当车辆呈现为非活动状态(诸如点火开关事件)时，车辆将保存数据。该数据将至少包括点火开关事件发生的时间。估计处理通过访问与最后的点火开关事件相关的数据来确定车辆何时处于最后活动状态203。也可以仅在车辆实际改变了位置或者进入行驶中时记录点火开关事件。然后，对于确定的最后活动时间，所述处理确定在与该时间最接近相应的时间块内是否记录了使用统计205。例如，如果以0:00开始按3小时块测量时间并且车辆最后活动于2:53P.M.，则所述处理将确定在12:00-15:00时间块内是否记录了数据。假设依据2:53之前的最后操作，已解决了较早操作与最后操作之间的时间块。如果在12:00-15:00时间块内没有记录数据205，则所述处理将(例如但不限于使用等式(1))对与12:00-15:00相应的时间块进行正更新207。该更新提供在该时间段期间(和/或在特定的一天)使用了车辆的指示。由于车辆在2:53(14:53)被最后使用，并且由此在适当的时间块期间被使用，因此该记录是准确的。通过像这样地积累数据，针对特定驾驶员，在给定日期的特定时间块期间的使用模式可开始呈现。所述数据可用于预测性地确定何时将发生“下一使用”事件。例如，如果驾驶员经常在周一至周五的2:00-3:00进行午餐休息，则按时间的车辆使用统计将指示车辆在12:00-15:00时间块内经常被供以电能。当然，可通过减小时间块的大小来获得更加精确的数据。然后，在此说明性处理中，观测在12:00-15:00窗口之后的时间窗口(例如，矩阵元素)209。针对该窗口确定窗口是否对应于“当前”时间窗口211。例如，如果当前为9:12P.M.(21:12)且下一窗口为15:00-18:00窗口，则下一窗口将不对应于当前时间窗口。在下一窗口不对应于当前时间窗口的情况下，可知车辆在该时间窗口期间未活动。这是因为2:53(14:53)被观测为最后活动时间，意味着在14:53与21:12(当前时间)之间没有发生活动。因此，与15:00-18:00相应的块被负更新，以在该时间块期间减小观测的活动值。该块还可被简单地忽略，但是在此示例中，通过正增加活动发生的时间段并负增加非活动的时间段，所述模式可更加快速地呈现。下一窗口(18:00-21:00)再次被选择209，并且下一窗口再次不对应于当前窗口211。相应地，施加另一负更新213。当下一窗口(21:00-24:00)被选择时，确定该窗口对应于当前窗口211。换言之，当前时间21:12在由选择的窗口限定的时间内。由于车辆当前处于操作下，因此在此示例中，以正方式(positivemanner)更新当前窗口215，以指示在该时间块期间的使用。由于该更新可以是周期性的，而不是永久性的，因此系统可进行检查以查看是否已出现了新窗口(例如，是否时间已从24:00流逝到00:01)217。如果新窗口尚未被观测到，则所述处理可等待219，例如，周期性地向回检查，或者被指示等待直到已知出现新窗口的时间(例如，00:01)为止。以此方式，可在操作的时间段期间收集数据，同时对于车辆未操作的时间段填充数据。CESM或相关编码的相似性测量可用于提供单个的总转移概率。这可通过对与所有时间区域相关联的转移概率矩阵进行加权求和来获得。权重的计算涉及驾驶员使用模式及其CESM值的使用。将该过程总结如下：1.假设di(i＝1-7)表示从星期日、星期一至星期六的驾驶使用模式的8元素列向量。应用等式(2)，获得一周的7天之间的全7×7DOWCESM矩阵。注意对角线元素是一(1)并且该矩阵沿对角线对称。以下示出了DOWCESM的数字示例，其中，C1至C7表示一周的每天对全部七天之间的相似性测量。2.类似地，可通过假设dj为由TOD组织的使用模式来估计针对TOD空间的CESM，其中，j指示TOD空间中的区域。全TODCESM矩阵D也是对角线元素为1且沿对角线对称的方形矩阵。3.给定旅程的开始时间，可获得相应的DOW和TOD。假设第IDOW区域与第I′TOD区域与旅程的开始时间相应。CI和DJ是全DOWCESM矩阵和全TODCESM矩阵的子集，其中，全DOWCESM矩阵和全TODCESM矩阵表示给定DOW和TOD针对定义的所有DOW区域和TOD区域的相似性测量。4.定义所有转移概率矩阵的各种触发级别(firinglevel)的权重矩阵可写成如下形式：除了操作的学习时间段之外，还可形成与特定旅程相关的K×K矩阵以进行估计。K表示已观测到的车辆行进到的唯一目的地的数量。还可由半径定义K，使得接近的目的地被观测为单个目的地。从开始到结束的每个旅程可被称为旅程矢量。当形成了新完成的旅程矢量时，可发生以下的过程以考虑上下文信息DOW和TOD来逐渐地学习位置之间的关系。假设旅程在位置N开始并且在位置M停止(图3示出了该处理的说明性示例)：1.给定旅程的开始时间301，可从等式(2)和(3)获得基于DOWCESM和TODCESM计算的权重矩阵303。2.W(权重矩阵)中的每个元素(表示为Ws)是DOW和TOD区域与旅程的开始时间之间的相似性测量(表示为s)。该值用于缩放学习率，使得匹配越近，相应的转移概率矩阵接收加权更新越强。名义学习率alphan被设置为0.001(或其它合适的数字)305。alphas＝alphan*Ws(4)尤其当车辆或驾驶员(取决于数据与什么/谁相关)相对新(因此，存在很少的数据点)时，确定不同日期和时间的特定时间块之间的相关性会是有用的。(基于使用、起始目的地或其它变量)具有高相关性的时间块可与具体对应于观测的时间/日期的时间块结合而被更新。由于时间块的“学习”率可基于相关性的程度而变化，因此可不以如观测的时间块的显著程度来更新这些相似的时间块，但是在高相关性的时间可能进行相似旅程的合理假设还提供了充分的原因来将这些块更新至较小的程度。因此，在新驾驶员/车辆的情况下，可更加快速地填入数据。3.假设旅程矢量表示车辆从位置N开始并在位置M停止。我们利用以下等式更新K×K转移概率矩阵的第N列。F(t)＝F(t-1)+alphas(f01-F(t-1))(5)除了在第M元素取1值之外，f01取零值。转移概率矩阵的第N列的该更新表示频率计数的递归形式。表示车辆从位置N移动至位置M的情形的第N列的第M元素接收正更新。第N列中的其余元素经历其频率值的指数倍遗忘折扣(exponentiallyforgettingdiscount)，以反映仅旅程的开始位置与当前信息矢量匹配的事实。除了第N列之外的所有其它列不接收更新，因为它们不表示从位置N开始的旅程。该更新与针对在给定的TOD和/或DOW观测的使用而完成的正/负更新相似。由于在M开始且在N结束的特定旅程针对目的地被正更新，并且在M开始且在其它已知目的地结束的所有其它旅程被负更新，因此，给定特定起始点到达特定目的地的模式开始呈现。4.还可使用指数平滑等式(1)的公式化表述更新表示旅程特定属性(诸如距离、旅程持续时间和停止持续时间)的预定义的K×K矩阵的数量307。这些属性被视为仅旅程特定而非上下文(DOW和TOD)相关。利用在没有任何进一步缩放的情况下的学习率alphan，更新过程是简单直接的。在每个属性矩阵的更新期间，f01取当前观测的值，并且仅第N列的第M元素的内容被更新。图4示出第二数据估计处理的说明性示例，以用于收集/更新旅程数据。在此说明性示例中，可通过车辆计算机系统、远程系统、所述两个系统相结合、和/或操作所述两个系统中的任一系统或所述两个系统的一个或多个模块来完成收集/估计步骤。还可使用其它合适的处理源。在此非限制示例中，当所述处理开始时记录车辆的开始位置401。由于开始位置可能已经也可能还未与在K×K矩阵内存储的位置相关，因此确定先前是否已观测到该开始位置403。由于驾驶员可选择在变化的停车空间停车，因此例如，如果位置是工作位置，则在“已知位置”确定中可置入一定程度的容差。只要位置在先前记录的位置的容差内，其将被视为同一已知位置而非新位置。当然，尽管利用高度精确的GPS系统，但是将车停在甚至几英尺远的地方也可能会产生不同的位置指定，因此如果需要，还可将每个位置记录为不同。从而，在此示例中，K可快速升高，并且可能很快会需要具有显著处理能力的计算机执行在此描述的估计。如果位置未知403，则新的列和行被添加至与该位置相应的K×K矩阵405。应注意，除非针对将司机引至本位置的旅程未执行所述处理，否则由于本位置是先前旅程的目的地，本位置很可能已经为已知。因此，将开始位置添加为新位置可能很少见(但是例如，如果车辆重新开始或被拖行，则可能发生所述情况)。由于在此示例中矢量记录处理只与开始位置和结束位置有关，因此所述处理可等待，直到旅程结束407为止。这可通过点火开关而发出信号，以使车辆停止等。一旦旅程结束，则目的地/结束位置被确定409，还确定结束位置是否是先前已知的位置411。如开始位置一样，如果目的地不是先前观测到的，则行和列被添加至与目的地相应的K×K矩阵413。既然旅程矢量已知，则所述处理进行至与开始位置相应的列415。对于已知的每个可能目的地417，确定已知的目的地是否对应于当前目的地419。已知目的地(即，列的行元素)与当前目的地之间的对应关系导致针对该元素存储的值的正更新421。这导致两点之间的旅程的百分比增加。针对该列中的所有其它元素419，倘若该列中的最后一个元素未增加425，则应用负更新423。再次，可简单忽略该列中的其它元素，但是对与不是目的地的位置相应的元素进行负更新的步骤可因导致特定目的地的特定开始点的总体可能性而加速估计处理。可收集旅程信息，包括但不限于，车辆的GPS位置、车辆速度和相应时间信息。随后，系统将所述信息总结为由两个时间相关标签(更具体地讲，一周中的日期(DOW)和一天中的时间(TOD))分类的证据表格。从这些证据表格，给定特定的开始时间和位置，系统可产生覆盖各种可能结果(与概率值)的旅程树状预测。随着时间，系统对驾驶员的行驶路线逐渐地变得更加了解，并进行更加精确的预测。如先前解释的，使用GPS和车辆相关参数，通过估计在每个位置花费的平均时间来识别经常访问的位置。创建均与DOW(星期一至星期日)和TOD(0-24h)标签相关联的多个表格以在旅程发生时(利用一组递归公式)记录驾驶员的频繁旅程。当例如从位置A行进到B的旅程被观测到时，我们首先识别出DOW和TOD标签与该旅程的开始时间最为匹配的表格。该表格的第A列的第B元素的值以最高的学习率(例如：5％)增加。接着，我们以逐渐减小的学习率(诸如3％、1％和0.05％)更新邻近表格的相同元素。减小这些列中的其它元素的值以反映如下事实：虽然开始位置相同，但这些位置在最近的旅程数据中未被访问。随着时间，矩阵的每列表示驾驶员从一位置行进到另一位置的频率的长期平均。这些表格用作在给定驾驶员的当前位置和时间的情况下系统提供目的地预测的证据。邻居是具有被视为找到的“接近”最佳匹配的DOW和TOD标签的所观测到的时间/日期表格。例如，如果最佳匹配表格具有DOW＝[星期二]且TOD＝[07:00-08:00]，则所述处理可将具有DOW＝[星期二]且TOD＝[06:00-07:00](一小时之前)或者TOD＝[08:00-09:00](一小时之后)的表格视为其邻居表格。此外，如果学习处理处于早期阶段并且在表格中很少的数据可用，则所述学习处理可将邻居扩展至最佳匹配之前/之后的日子。例如：如果我们的最佳匹配是星期二，则星期一和星期三将是邻居日期。利用产生的新旅程数据重复此处理，驾驶员在不同位置之间的频繁旅程逐渐地被捕获在表格中。针对每个时间/日期对存储至少一个K×K矩阵，对给定对的典型时间/日期数据与其邻居之间的相关性确定将多高的学习程度分配给了被提供给邻近元素的更新。在一示例中，在从星期二的6:00至7:00和观测到的时间(星期二的7:00-8:00)的事件之间可存在(由中心TOD/DOW表格示出的)典型的高度的相关性。因此，分配给6:00-7:00元素的K×K矩阵(或多个矩阵)的值与分配给7:00-8:00元素的K×K矩阵(或多个矩阵)的值增加得几乎一样多。相反，在星期三的8:00-9:00和星期二时间的7:00-8:00之间可存在低度的相关性。在一些示例中，这样的相关性可能甚至导致星期三的8:00-9:00作为邻居被完全忽略，但如果提供的数据点少，则可期望改变该值，直到得到更多数据为止。与星期二的7:00-8:00的值相比，低相关性导致对星期三的8:00-9:00的K×K矩阵的值进行相当小的更新。当然，可基于任何合适的方式选择“邻居”。例如，所述处理可选择与观测时间具有最高相关性的一些邻居，而不是简单地选择括在观测时间中的时间和日期邻居。可基于旅程矢量、通常的车辆使用、行驶的距离或者任何其它合适变量或变量的组合来确定相关性。选择的相关性的数量可被预先确定(例如，选择八个最接近的相关元素)或者可以例如基于阈值(例如，选择大于95％相关性的所有元素)被确定。还可由以DOW/TOD矩阵的最佳匹配为中心的矢量表示邻居区域的封闭性和相关性。所述矢量将在最佳匹配块具有最高值，并且随着最佳匹配块的邻居的接近降低，所述矢量的值将减小。这可例如利用模糊隶属函数来实现，其中，每个块具有以其DOW和TOD空间中的块的中点为中心的其自己的DOW和TOD模糊隶属函数。总结驾驶员的以往旅程的表格是用于预测未来旅程的方便的源/证据。给定当前位置和旅程开始时间，系统使用如下过程(针对图5示出所述过程的一个示例)对驾驶员最可能行进到哪里执行“告知猜测(informedguessing)”：1.确定当前旅程的开始位置和开始时间501●定位具有与开始时间最佳匹配的DOW和TOD标签的区域。例如，DOW列中的TOD行的第I时间区域与当前旅程的开始时间最为匹配。使用作为权重503的Ws中的元素以及以下的用于所有可用DOW和TOD区域的1，pH(DOWstart,TODstart)被归一化为概率矢量的加权之和505。●在数据库中找到与当前开始位置最为匹配的位置。这可通过将当前位置的GPS坐标与已在数据库中的位置的坐标进行比较来完成。如果数据库中的第N位置在当前位置的特定距离(例如，不限于0.3英里)内，则我们说当前开始位置是第N位置。2.估计表示驾驶员从第I位置行进到所有位置的相对频率的第I表格的第N列。例如，该列中的第M行具有最高值，则第M位置将是最可能的目的地507。如果期望多于一个的可能目的地509，则第二、第三…等可能目的地可以以相似的方式被找到515。与系统刚刚开始学习且信息稀少或不可用的情况相似，应当考虑包含来自邻居时间区域的表格。这可利用加权平均方法来实现，从而系统可执行关于可能目的地的“告知猜测”。可以以各种方式完成对应当预测多少另外的目的地的确定。一些示例包括但不限于：对所有已知的可能目的地中的具有最高概率的预定数量的另外的目的地的选择；对阈值以上的所有目的地的选择；或者甚至对于目的地“猜测”来询问驾驶员，并随后移动到具有下一最高概率的下一目的地，直到驾驶员确认这是正确的目的地。在至少一个实施例中，可将多个猜测的列表呈现给驾驶员，并且可要求驾驶员从呈现的目的地的列表中选择实际目的地(如果呈现了的话)。3.对于任一目的地，或者当目的地为已知时，旅程属性矩阵可提供可通过从可用的属性矩阵取得第H列的第Q(1)元素、第Q(2)元素等所获得的预测的停止位置的相关属性。该数据在确定对针对图6示出的用于从预测的目的地预测未来可能目的地点的优化算法的输入方面会是有用的。图6示出迭代目的地预测处理的说明性示例。在一示例中，可期望管理电能输出，直到达到充电点为止。由于驾驶员可能将车停在沿结束于充电站的路线的一个或多个位置，因此可能无法足够简单地管理电能，直到达到第一目的地。例如，如果驾驶员一贯地在从工作地点至家的路上的快餐店处停车，则给定如工作地点的开始位置和如5:15P.M.的一天的时间，预测算法可将该位置作为最可能的停车地点。然而，仅管理电能到达到该停车地点为止会是不明智的，除非驾驶员可在快餐店对车辆充电，否则可能不存在充足的电能来对车辆供电，直到驾驶员到家。在诸如此的示例中，可期望预测多个目的地“跳(hop)”，直到达到已知的充电点为止。为了对车辆达到下一充电站前的距离提供优化和/或控制应用，系统可提供多步提前预测(旅程链)。该性能主要专注于行驶到下一充电站为止的距离，并且例如，协助对电池放电率进行动态计划。通过迭代地获得下一开始位置及其相关上下文信息(DOW和TOD)来形成新的输入矢量并重复1步提前预测过程，从而实现多步提前预测。利用以下过程来形成新的输入矢量：1.在已获得第一矢量(包括第一停止位置603)601之后，确定预测的目的地是否是充电位置605。如果不是，则获得预测的下一开始位置。2.预测的下一开始位置是基于停止位置和开始时间从先前预测迭代的结果中预测的停止位置609。换言之，在以上示例中，快餐店将同时是预测的第一停止位置和下一开始位置。3.从预测的旅程持续时间和停止持续时间，我们能够迭代地得出(用于第二段)估计的旅程开始时间611。用于第二段的开始时间实质上是旅程的开始时间+行至第一停止点的旅程持续时间+预测的停止时间。该数据可全部被保存为针对开始与结束目的地之间的特定旅程矢量的属性数据。4.可重复步骤2和步骤3，直到预测的停止目的地是充电站605，在充电站点总的旅程数据607可被确定并被用于优化算法。虽然以上描述了示例性实施例，但是不意在这些实施例描述本发明的所有可行形式。反之，在说明书中使用的词语是描述性词语而非限制，应理解，在不脱离本发明的精神和范围的情况下，可进行各种改变。另外，可组合各种执行实施例的特征以形成本发明的进一步实施例。