本公开提供了一种续航时序数据的生成方法及装置、电子设备和存储介质，获取目标车辆的续航测试数据；利用变分自编码模型中的特征提取网络，对续航测试数据进行特征处理，得到隐变量集合；基于变分自编码模型中的预设解码模型，对至少两个隐变量之间的关联关系进行时序预测，得到预测续航时序数据，其中，预测续航时序数据用于训练剩余里程模型，剩余里程模型用于进行剩余里程预测。本公开实施例利用特征提取网络对续航测试数据进行特征提取；利用预设解码模型对至少两个隐变量进行时序预测，生成预测续航时序数据；根据预测续航时序数据进行训练的剩余里程模型，可以预测出相邻数据帧之间的时序关系，能够更好的模拟实际剩余里程的变化过程。
【技术实现步骤摘要】
本公开涉及数据处理，尤其涉及一种续航时序数据的生成方法及装置、电子设备和存储介质。
技术介绍
1、车辆的剩余行驶里程是指车辆剩余的能源能够维持车辆继续行驶的最大里程，准确的预测车辆的剩余行驶里程可以为驾驶员在旅途中提供更好的保障。车辆的剩余行驶里程可以利用剩余里程模型来进行预测，剩余里程模型一般基于相关的行驶数据进行训练得到。
2、相关技术中的剩余里程模型一般是基于单点输入数据和单点输出数据等行驶数据进行训练，基于单点输入数据和单点输出数据得到的模型；剩余里程模型只能进行单点预测，则无法得到两帧间的关系，进而导致预测得到的剩余里程数据与预期不符，有待改进。
技术实现思路
1、本公开提供了一种续航时序数据的生成方法及装置、电子设备和存储介质。其主要目的在于实现对变分自编码模型的优化，来生成更加精确的续航时序数据。
2、根据本公开的第一方面，提供了一种续航时序数据的生成方法，包括：
3、获取目标车辆的续航测试数据；
4、利用变分自编码模型中的特征提取网络，对所述续航测试数据进行特征处理，得到隐变量集合；
5、基于所述变分自编码模型中的预设解码模型，对所述隐变量集合中的至少两个隐变量之间的关联关系进行时序预测，得到预测续航时序数据，其中，预测续航时序数据用于训练剩余里程模型，剩余里程模型用于进行剩余里程预测。
6、可选的，所述利用变分自编码模型中的特征提取网络，对续航测试数据进行特征处理，得到隐变量集合包括：
7、将所述续航测试数据输入特征提取网络中的预设编码子网络，获取所述续航测试数据对应的至少一个特征值；
8、对所述至少一个特征值进行采样得到对应的所述隐变量集合。
9、可选的，所述将所述续航测试数据输入预设编码模型，获取所述续航测试数据对应的至少一个特征值包括：
10、在所述预设编码模型内，利用至少一个卷积层，分别提取所述续航测试数据对应的至少一个特征均值及至少一个特征方差；
11、将所述至少一个特征均值及所述至少一个特征方差作为所述续航测试数据对应的至少一个特征值。
12、可选的，所述对所述至少一个特征值进行采样得到对应的所述隐变量集合包括：
13、在所述预测续航时序数据样本容量内，对所述至少一个特征值，通过随机采样的方式生成所述隐变量集合。
14、可选的，所述基于所述变分自编码模型中的预设解码模型，对所述隐变量集合中的至少两个隐变量之间的关联关系进行时序预测，得到预测续航时序数据包括：
15、在所述预设解码模型内，对所述隐变量集合进行水平值预测，得到预测水平值；
16、对所述隐变量集合进行趋势预测，得到变化幅度值；
17、对所述隐变量集合进行残差预测，得到预测残差值；
18、对所述预测水平值、所述变化幅度值及所述预测残差值进行处理，生成预测续航时序数据。
19、可选的，所述对所述预测水平值、所述变化幅度值及所述预测残差值进行处理，生成预测续航时序数据包括：
20、将所述预测水平值、所述变化幅度值及所述预测残差值进行融合，得到第一隐变量集合；
21、基于预设损失函数，利用全连接神经网络对所述第一隐变量集合进行修正，生成所述预测续航时序数据。
22、可选的，在基于所述变分自编码模型中的预设解码模型，对所述隐变量集合中的至少两个隐变量之间的关联关系进行时序预测，得到预测续航时序数据之后，所述方法还包括：
23、利用所述测续航时序数据，对所述剩余里程模型进行训练；
24、若所述剩余里程模型生成的剩余里程数据符合预设预测续航测试数据的变化需求，则训练完成，得到训练好的剩余里程模型。
25、根据本公开的第二方面，提供了一种续航时序数据的生成装置，包括：
26、获取单元，用于获取目标车辆的续航测试数据；
27、处理单元，用于利用变分自编码模型中的特征提取网络，对所述续航测试数据进行特征处理，得到隐变量集合；
28、预测单元，用于基于所述变分自编码模型中的预设解码模型，对所述隐变量集合中的至少两个隐变量之间的关联关系进行时序预测，得到预测续航时序数据，其中，预测续航时序数据用于训练剩余里程模型，剩余里程模型用于进行剩余里程预测。
29、可选的，所述处理单元包括：
30、获取模块，用于将所述续航测试数据输入特征提取网络中的预设编码子网络，获取所述续航测试数据对应的至少一个特征值；
31、采样模块，用于对所述至少一个特征值进行采样得到对应的所述隐变量集合。
32、可选的，所述获取模块包括：
33、提取子模块，用于在所述预设编码模型内，利用至少一个卷积层，分别提取所述续航测试数据对应的至少一个特征均值及至少一个特征方差；
34、确定子模块，用于将所述至少一个特征均值及所述至少一个特征方差作为所述续航测试数据对应的至少一个特征值。
35、可选的，所述采样模块还用于：
36、在所述预测续航时序数据样本容量内，对所述至少一个特征值，通过随机采样的方式生成所述隐变量集合。
37、可选的，所述预测单元包括：
38、第一预测模块，用于在所述预设解码模型内，对所述隐变量集合进行水平值预测，得到预测水平值；
39、第二预测模块，用于对所述隐变量集合进行趋势预测，得到变化幅度值；
40、第三预测模块，用于对所述隐变量集合进行残差预测，得到预测残差值；
41、生成模块，用于对所述预测水平值、所述变化幅度值及所述预测残差值进行处理，生成预测续航时序数据。
42、可选的，所述生成模块包括：
43、融合子模块，用于将所述预测水平值、所述变化幅度值及所述预测残差值进行融合，得到第一隐变量集合；
44、修正子模块，用于基于预设损失函数，利用全连接神经网络对所述第一隐变量集合进行修正，生成所述预测续航时序数据。
45、可选的，所述装置还包括：
46、训练单元，用于在基于剩余里程模型中的预设解码模型，对至少两个隐变量之间的关联关系进行时序预测，得到预测续航时序数据之后，利用所述测续航时序数据，对所述剩余里程模型进行训练；
47、判断单元，用于若所述剩余里程模型生成的剩余里程数据符合预设预测续航测试数据的变化需求，则训练完成，得到训练好的剩余里程模型。
48、根据本公开的第三方面，提供了一种电子设备，包括：
49、至少一个处理器；以及
50、与所述至少一个处理器通信连接的存储器；其中，
51、所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行前述第一方面所述的方法。
52、根据本公开的第四本文档来自技高网
...
【技术保护点】
1.一种续航时序数据的生成方法，其特征在于，包括：
2.根据权利要求1所述的方法，其特征在于，所述利用变分自编码模型中的特征提取网络，对续航测试数据进行特征处理，得到隐变量集合包括：
3.根据权利要求2所述的方法，其特征在于，所述将所述续航测试数据输入预设编码模型，获取所述续航测试数据对应的至少一个特征值包括：
4.根据权利要求1所述的方法，其特征在于，所述对所述至少一个特征值进行采样得到对应的所述隐变量集合包括：
5.根据权利要求1所述的方法，其特征在于，所述基于所述变分自编码模型中的预设解码模型，对所述隐变量集合中的至少两个隐变量之间的关联关系进行时序预测，得到预测续航时序数据包括：
6.根据权利要求5所述的方法，其特征在于，所述对所述预测水平值、所述变化幅度值及所述预测残差值进行处理，生成预测续航时序数据包括：
7.根据权利要求1所述的方法，其特征在于，在基于所述变分自编码模型中的预设解码模型，对所述隐变量集合中的至少两个隐变量之间的关联关系进行时序预测，得到预测续航时序数据之后，所述方法还包括：>
8.一种续航时序数据的生成装置，其特征在于，包括：
9.一种电子设备，其特征在于，包括：
10.一种存储有计算机指令的非瞬时计算机可读存储介质，其特征在于，所述计算机指令用于使所述计算机执行根据权利要求1-7中任一项所述的方法。
11.一种计算机程序产品，其特征在于，包括计算机程序，所述计算机程序在被处理器执行时实现根据权利要求1-7中任一项所述的方法。
...
【技术特征摘要】
1.一种续航时序数据的生成方法，其特征在于，包括：
2.根据权利要求1所述的方法，其特征在于，所述利用变分自编码模型中的特征提取网络，对续航测试数据进行特征处理，得到隐变量集合包括：
3.根据权利要求2所述的方法，其特征在于，所述将所述续航测试数据输入预设编码模型，获取所述续航测试数据对应的至少一个特征值包括：
4.根据权利要求1所述的方法，其特征在于，所述对所述至少一个特征值进行采样得到对应的所述隐变量集合包括：
5.根据权利要求1所述的方法，其特征在于，所述基于所述变分自编码模型中的预设解码模型，对所述隐变量集合中的至少两个隐变量之间的关联关系进行时序预测，得到预测续航时序数据包括：
6.根据权利要求5所述的方法，其特征在于，...
【专利技术属性】
技术研发人员：方绍伟，蒙越，
申请(专利权)人：北京罗克维尔斯科技有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。