本發(fā)明涉及汽車，具體涉及一種行駛里程預(yù)測方法、裝置、服務(wù)器、介質(zhì)及產(chǎn)品。

背景技術(shù)：

1、電池是電動汽車的核心，調(diào)整電池在合適狀態(tài)下運行會有利于延長電池壽命、提高用戶體驗。比如在車輛行駛過程中，電池控制系統(tǒng)會實時監(jiān)測電池溫度，并且對電池進行熱管理：當(dāng)實際溫度低于適用溫度時加熱，當(dāng)實際溫度高于適用溫度時冷卻。實際場景中，用戶每一次出行的距離、行為都有差異，因此對電池使用程度也不同。但電池控制系統(tǒng)功能較為固化，無法結(jié)合用戶的行車習(xí)慣實現(xiàn)對電池?zé)峁芾淼膬?yōu)化控制。

2、針對上述現(xiàn)狀和需求，通過現(xiàn)有公開文獻檢索有以下發(fā)現(xiàn)：

3、相關(guān)技術(shù)中，公開號(cn115742865a)提出了一種基于行駛里程預(yù)測的電動汽車熱管理方法和系統(tǒng)，該方法使用訓(xùn)練集訓(xùn)練機器學(xué)習(xí)模型得到訓(xùn)練完成的機器學(xué)習(xí)模型，獲取實時的用戶行車習(xí)慣相關(guān)的數(shù)據(jù)并使用訓(xùn)練完成的機器學(xué)習(xí)模型預(yù)測用戶將要行駛的里程和時間，根據(jù)用戶將要行駛的里程和時間對電池進行節(jié)能熱管理；該系統(tǒng)包括預(yù)測模塊、控制模塊和節(jié)能熱管理模塊。但該方案通過引入基礎(chǔ)的行駛里程、電量、速度等來實現(xiàn)預(yù)測，無法體現(xiàn)出用戶的個體行為差異、群體行為差異，從而降低了用戶個體差異的適應(yīng)性，從而降低了行駛里程預(yù)測的準(zhǔn)確性，降低了行駛里程預(yù)測對用戶個體差異的適用性，使得電池?zé)峁芾淼膬?yōu)化效率較差，降低用戶的使用體驗，降低用戶的駕駛安全等問題。

4、公開號(cn114626571a)提出了一種車輛的行駛里程預(yù)測方法及系統(tǒng)，該方法獲取車主的原始行駛數(shù)據(jù)；若原始行駛數(shù)據(jù)中的行駛時間大于或等于預(yù)定時間段，則獲取原始行程數(shù)據(jù)中預(yù)定時間段對應(yīng)的行駛數(shù)據(jù)；對原始行程數(shù)據(jù)中預(yù)定時間段對應(yīng)的行駛數(shù)據(jù)進行預(yù)處理后，生成目標(biāo)行駛數(shù)據(jù)；通過分層聚類算法對目標(biāo)行駛數(shù)據(jù)進行分類，生成車主分類；根據(jù)分類后的車主分別創(chuàng)建對應(yīng)的預(yù)測模型，根據(jù)預(yù)測模型獲取車主全年的行駛里程預(yù)測結(jié)果。但該方案僅按照相似用戶分群進一步實現(xiàn)預(yù)測，并沒有體現(xiàn)出用戶的個體行為差異、從而降低了行駛里程預(yù)測的準(zhǔn)確性，降低了行駛里程預(yù)測對用戶個體差異的適用性，使得電池?zé)峁芾淼膬?yōu)化效率較差，降低用戶的使用體驗，降低用戶的駕駛安全等問題。

技術(shù)實現(xiàn)思路

1、本發(fā)明的目的之一在于提供一種行駛里程預(yù)測方法，以解決相關(guān)技術(shù)中車輛的行駛里程預(yù)測的準(zhǔn)確性較差及用戶體驗較差的問題；目的之二在于提供又一種行駛里程預(yù)測方法；目的之三在于提供一種行駛里程預(yù)測裝置；目的之四在于提供又一種行駛里程預(yù)測裝置；目的之五在于提供一種服務(wù)器；目的之六在于提供一種計算機可讀存儲介質(zhì)；目的之七在于提供一種計算機程序產(chǎn)品。

2、為了實現(xiàn)上述目的，本發(fā)明采用的技術(shù)方案如下：

3、一種行駛里程預(yù)測方法，該方法應(yīng)用于服務(wù)器，其中，包括以下步驟：獲取當(dāng)前車輛的起始行程數(shù)據(jù)和歷史行程數(shù)據(jù)；提取歷史行程數(shù)據(jù)中用戶的歷史行為特征，并識別起始行程數(shù)據(jù)和歷史行為特征中的離散特征和連續(xù)特征；將離散特征和連續(xù)特征輸入預(yù)測模型，預(yù)測模型輸出當(dāng)前車輛本次行駛的預(yù)測行駛里程，其中，預(yù)測模型包括深度神經(jīng)網(wǎng)絡(luò)、分解網(wǎng)絡(luò)和融合網(wǎng)絡(luò)，融合網(wǎng)絡(luò)根據(jù)離散特征和連續(xù)特征生成矩陣，將矩陣分別輸入深度神經(jīng)網(wǎng)絡(luò)和分解網(wǎng)絡(luò)，融合模型拼接深度神經(jīng)網(wǎng)絡(luò)和分解網(wǎng)絡(luò)各自的輸出得到當(dāng)前車輛本次行駛的預(yù)測行駛里程。

4、根據(jù)上述技術(shù)手段，本發(fā)明實施例基于大數(shù)據(jù)來根據(jù)用戶的個體行為差異和群體行為差異預(yù)測車輛的行駛里程，通過大數(shù)據(jù)算法模型與動力電池?zé)峁芾砜刂撇呗缘纳疃热诤?，來實現(xiàn)實時預(yù)測車輛的行駛里程，從而提高了行駛里程預(yù)測的準(zhǔn)確性，提高了行駛里程預(yù)測對用戶個體差異的適用性，提高了電池?zé)峁芾淼膬?yōu)化效率，減少了能源消耗，提高了用戶的使用體驗。

5、進一步，在將起始行程數(shù)據(jù)和歷史行為特征輸入預(yù)測模型之前，還包括：獲取多個車輛的歷史行駛數(shù)據(jù)；提取歷史行駛數(shù)據(jù)中每個車輛的充放電行程數(shù)據(jù)；根據(jù)每個車輛的充放電行程數(shù)據(jù)建立行程因子數(shù)據(jù)庫和歷史行為數(shù)據(jù)庫；根據(jù)行程因子數(shù)據(jù)庫和歷史行為數(shù)據(jù)庫生成訓(xùn)練數(shù)據(jù)集，利用訓(xùn)練數(shù)據(jù)集對預(yù)測模型進行訓(xùn)練。

6、根據(jù)上述技術(shù)手段，本發(fā)明實施例通過建立多個車輛的充放電行程數(shù)據(jù)建立行程因子數(shù)據(jù)庫和歷史行為數(shù)據(jù)庫，從而納入了更廣泛的數(shù)據(jù)樣本，這有助于捕捉更全面的駕駛行為模式，從而提高了預(yù)測模型的泛化能力和對用戶個體差異的適應(yīng)性。

7、進一步，行程因子數(shù)據(jù)庫包括起始行程因子、存續(xù)行程因子、車輛是否位于常見活動區(qū)域以及車輛是否處于活動時間的至少一個，歷史行為數(shù)據(jù)庫包括至少一個歷史行為特征，其中，起始行程因子包括放電起始電量、放電起始時間和放電起始里程的至少一個，至少一個歷史行為特征包括上一次放電行駛里程、第一預(yù)設(shè)時長內(nèi)放電行程次數(shù)、距離上一次放電行程的時間間隔、第一預(yù)設(shè)時長內(nèi)放電行程的箱線指標(biāo)、距離上一次充電的時間間隔、上一次充電起始電量和上一次充電起始時間的至少一個。

8、根據(jù)上述技術(shù)手段，本發(fā)明實施例深入分析了用戶的駕駛習(xí)慣和電池使用模式，使得預(yù)測模型能夠考慮到用戶的日常出行規(guī)律，分析歷史行為數(shù)據(jù)庫中的放電行程次數(shù)、箱線指標(biāo)等，可以預(yù)測用戶在特定條件下的行駛傾向和電池使用強度，結(jié)合距離上次充電或放電的時間間隔，預(yù)測模型可以判斷電池當(dāng)前的充電狀態(tài)和預(yù)計的放電需求，預(yù)防過度放電或在必要時提前加熱電池以減少能量損耗，從而提升了行駛里程預(yù)測的個性化水平和準(zhǔn)確性，優(yōu)化了電池?zé)峁芾砜刂普摺?/p>

9、進一步，根據(jù)行程因子數(shù)據(jù)庫和歷史行為數(shù)據(jù)庫生成訓(xùn)練數(shù)據(jù)集，包括：提取任意一個車輛的起始行程因子和歷史行為特征；拼接起始行程因子和歷史行為特征得到訓(xùn)練數(shù)據(jù)集。

10、根據(jù)上述技術(shù)手段，本發(fā)明實施例通過拼接起始行程因子和歷史行為特征得到訓(xùn)練數(shù)據(jù)集，確保了訓(xùn)練數(shù)據(jù)集包含了與特定車輛和用戶行為模式相關(guān)的詳細信息，這種個性化的數(shù)據(jù)集成有助于模型更精確地理解每輛車及用戶獨特的行駛習(xí)慣和偏好。從而提高了行駛里程預(yù)測的普遍適用性和準(zhǔn)確性。

11、進一步，利用訓(xùn)練數(shù)據(jù)集對預(yù)測模型進行訓(xùn)練，包括：識別訓(xùn)練數(shù)據(jù)集中的離散特征和連續(xù)特征；將離散特征和連續(xù)特征輸入預(yù)測模型，預(yù)測模型輸出預(yù)測行駛里程；計算預(yù)測行駛里程和真實行駛里程的里程誤差，根據(jù)里程誤差優(yōu)化預(yù)測模型，直到里程誤差小于或等于預(yù)設(shè)誤差時停止訓(xùn)練。

12、根據(jù)上述技術(shù)手段，本發(fā)明實施例實現(xiàn)了泛化高維、低維交叉信息，適應(yīng)用戶駕駛現(xiàn)實場景中同時存在離散信息和連續(xù)信息的情況，擴大了預(yù)測模型的適用場景，使其能有效應(yīng)對復(fù)雜多變的現(xiàn)實行駛場景；通過比較預(yù)測行駛里程和真實行駛里程來判斷是否停止預(yù)測模型的訓(xùn)練，從而提高了訓(xùn)練預(yù)測模型的準(zhǔn)確性。

13、進一步，在預(yù)測模型輸出當(dāng)前車輛本次行駛的預(yù)測行駛里程之后，還包括：根據(jù)預(yù)測行駛里程生成當(dāng)前車輛本次行駛的熱管理控制策略。

14、根據(jù)上述技術(shù)手段，本發(fā)明實施例能夠根據(jù)rfm模型與深度學(xué)習(xí)技術(shù)，將行程因子與歷史行為特征作為訓(xùn)練數(shù)據(jù)輸入deepfm深度學(xué)習(xí)模型進行訓(xùn)練，實現(xiàn)針對每位用戶的個性化行程預(yù)測，即“千人千面”的行駛里程預(yù)測，進而實現(xiàn)實時進行熱管理控制策略的動態(tài)調(diào)整。

15、進一步，熱管理控制策略包括：若預(yù)測行駛里程小于或等于行駛里程閾值，則不加熱動力電池；若預(yù)測行駛里程大于行駛里程閾值，則根據(jù)當(dāng)前車輛的行駛功率需求確定動力電池的加熱請求。

16、根據(jù)上述技術(shù)手段，本發(fā)明實施例通過將預(yù)測行駛里程與行駛里程閾值進行比較，來判斷是否加熱動力電池，從而提高了動力電池?zé)峁芾砜刂普叩臏?zhǔn)確性。

17、進一步，根據(jù)當(dāng)前車輛的行駛功率需求確定動力電池的加熱請求，包括：若動力電池的最大放電功率小于行駛功率需求，則請求動力電池加熱；若動力電池的最大放電功率大于或等于行駛功率需求，則不加熱動力電池。

18、根據(jù)上述技術(shù)手段，本發(fā)明實施例通過將動力電池的最大放電功率與行駛功率需求進行比較來提高實時調(diào)整動力電池?zé)峁芾砜刂普叩臏?zhǔn)確性。

19、進一步，在根據(jù)當(dāng)前車輛的行駛功率需求確定動力電池的加熱請求之前，還包括：獲取當(dāng)前車輛在第二預(yù)設(shè)時長內(nèi)的行程電池功率分布；根據(jù)行程電池功率分布預(yù)測當(dāng)前車輛在多個階段的行駛功率需求。

20、根據(jù)上述技術(shù)手段，本發(fā)明實施例通過行程電池功率分布來預(yù)測當(dāng)前車輛在多個階段的行駛功率需求，能夠更精確地理解車輛在不同條件下的實際功耗情況，為熱管理策略提供更為精細化的數(shù)據(jù)支持。

21、一種行駛里程預(yù)測方法，該方法應(yīng)用于服務(wù)器，其中，包括以下步驟：獲取多個車輛的歷史行駛數(shù)據(jù)；提取歷史行駛數(shù)據(jù)中每個車輛的充放電行程數(shù)據(jù)；根據(jù)每個車輛的充放電行程數(shù)據(jù)建立行程因子數(shù)據(jù)庫和歷史行為數(shù)據(jù)庫，行程因子數(shù)據(jù)庫包括起始行程因子、存續(xù)行程因子、車輛是否位于常見活動區(qū)域以及車輛是否處于活動時間的至少一個，歷史行為數(shù)據(jù)庫包括至少一個歷史行為特征；根據(jù)行程因子數(shù)據(jù)庫和歷史行為數(shù)據(jù)庫生成訓(xùn)練數(shù)據(jù)集，利用訓(xùn)練數(shù)據(jù)集對預(yù)測模型進行訓(xùn)練，基于訓(xùn)練完成的預(yù)測模型確定當(dāng)前車輛本次行駛的預(yù)測行駛里程。

22、根據(jù)上述技術(shù)手段，基于大數(shù)據(jù)來根據(jù)用戶的個體行為差異和群體行為差異預(yù)測車輛的行駛里程，通過大數(shù)據(jù)算法模型與動力電池?zé)峁芾砜刂撇呗缘纳疃热诤希瑏韺崿F(xiàn)實時預(yù)測車輛的行駛里程；通過rfm模型與深度學(xué)習(xí)技術(shù)，將行程因子與歷史行為特征作為訓(xùn)練數(shù)據(jù)輸入deepfm深度學(xué)習(xí)模型進行訓(xùn)練，實現(xiàn)針對每位用戶的個性化行程預(yù)測，即“千人千面”的行駛里程預(yù)測，進而實現(xiàn)實時進行熱管理控制策略的動態(tài)調(diào)整，從而提高了行駛里程預(yù)測的準(zhǔn)確性，提高了行駛里程預(yù)測對用戶個體差異的適用性，提高了電池?zé)峁芾淼膬?yōu)化效率，減少了能源消耗，提高了用戶的使用體驗。

23、一種行駛里程預(yù)測裝置，該裝置應(yīng)用于服務(wù)器，其中，包括：第一獲取模塊，用于獲取當(dāng)前車輛的起始行程數(shù)據(jù)和歷史行程數(shù)據(jù)；第一提取模塊，用于提取歷史行程數(shù)據(jù)中用戶的歷史行為特征，并識別起始行程數(shù)據(jù)和歷史行為特征中的離散特征和連續(xù)特征；輸入模塊，用于將離散特征和連續(xù)特征輸入預(yù)測模型，預(yù)測模型輸出當(dāng)前車輛本次行駛的預(yù)測行駛里程，其中，預(yù)測模型包括深度神經(jīng)網(wǎng)絡(luò)、分解網(wǎng)絡(luò)和融合網(wǎng)絡(luò)，融合網(wǎng)絡(luò)根據(jù)起始行程數(shù)據(jù)和歷史行為特征生成矩陣，將矩陣分別輸入深度神經(jīng)網(wǎng)絡(luò)和分解網(wǎng)絡(luò)，融合模型拼接深度神經(jīng)網(wǎng)絡(luò)和分解網(wǎng)絡(luò)各自的輸出得到當(dāng)前車輛本次行駛的預(yù)測行駛里程。

24、進一步，在將離散特征和連續(xù)特征輸入預(yù)測模型之前，輸入模塊還用于，獲取多個車輛的歷史行駛數(shù)據(jù)；提取歷史行駛數(shù)據(jù)中每個車輛的充放電行程數(shù)據(jù)；根據(jù)每個車輛的充放電行程數(shù)據(jù)建立行程因子數(shù)據(jù)庫和歷史行為數(shù)據(jù)庫；根據(jù)行程因子數(shù)據(jù)庫和歷史行為數(shù)據(jù)庫生成訓(xùn)練數(shù)據(jù)集，利用訓(xùn)練數(shù)據(jù)集對預(yù)測模型進行訓(xùn)練。

25、進一步，行程因子數(shù)據(jù)庫包括起始行程因子、存續(xù)行程因子、車輛是否位于常見活動區(qū)域以及車輛是否處于活動時間的至少一個，歷史行為數(shù)據(jù)庫包括至少一個歷史行為特征，其中，起始行程因子包括放電起始電量、放電起始時間和放電起始里程的至少一個，至少一個歷史行為特征包括上一次放電行駛里程、第一預(yù)設(shè)時長內(nèi)放電行程次數(shù)、距離上一次放電行程的時間間隔、第一預(yù)設(shè)時長內(nèi)放電行程的箱線指標(biāo)、距離上一次充電的時間間隔、上一次充電起始電量和上一次充電起始時間的至少一個。

26、進一步，輸入模塊進一步用于，提取任意一個車輛的起始行程因子和歷史行為特征；拼接起始行程因子和歷史行為特征得到訓(xùn)練數(shù)據(jù)集。

27、進一步，輸入模塊進一步用于，識別訓(xùn)練數(shù)據(jù)集中的離散特征和連續(xù)特征；將離散特征和連續(xù)特征輸入預(yù)測模型，預(yù)測模型輸出預(yù)測行駛里程；計算預(yù)測行駛里程和真實行駛里程的里程誤差，根據(jù)里程誤差優(yōu)化預(yù)測模型，直到里程誤差小于或等于預(yù)設(shè)誤差時停止訓(xùn)練。

28、進一步，第一生成模塊用于，在預(yù)測模型輸出當(dāng)前車輛本次行駛的預(yù)測行駛里程之后，根據(jù)預(yù)測行駛里程生成當(dāng)前車輛本次行駛的熱管理控制策略。

29、進一步，熱管理控制策略包括：在預(yù)測行駛里程小于或等于行駛里程閾值時，不加熱動力電池；在預(yù)測行駛里程大于行駛里程閾值時，根據(jù)當(dāng)前車輛的行駛功率需求確定動力電池的加熱請求。

30、進一步，第一生成模塊進一步用于，在動力電池的最大放電功率小于行駛功率需求時，請求動力電池加熱；在動力電池的最大放電功率大于或等于行駛功率需求時，不加熱動力電池。

31、進一步，在根據(jù)當(dāng)前車輛的行駛功率需求確定動力電池的加熱請求之前，第一生成模塊還用于，獲取當(dāng)前車輛在第二預(yù)設(shè)時長內(nèi)的行程電池功率分布；根據(jù)行程電池功率分布預(yù)測當(dāng)前車輛在多個階段的行駛功率需求。

32、一種行駛里程預(yù)測裝置，該裝置應(yīng)用于服務(wù)器，其中，包括：第二獲取模塊，用于獲取多個車輛的歷史行駛數(shù)據(jù)；第二提取模塊，用于提取歷史行駛數(shù)據(jù)中每個車輛的充放電行程數(shù)據(jù)；建立模塊，用于根據(jù)每個車輛的充放電行程數(shù)據(jù)建立行程因子數(shù)據(jù)庫和歷史行為數(shù)據(jù)庫，行程因子數(shù)據(jù)庫包括起始行程因子、存續(xù)行程因子、車輛是否位于常見活動區(qū)域以及車輛是否處于活動時間的至少一個，歷史行為數(shù)據(jù)庫包括至少一個歷史行為特征；第二生成模塊，用于根據(jù)行程因子數(shù)據(jù)庫和歷史行為數(shù)據(jù)庫生成訓(xùn)練數(shù)據(jù)集，利用訓(xùn)練數(shù)據(jù)集對預(yù)測模型進行訓(xùn)練，基于訓(xùn)練完成的預(yù)測模型確定當(dāng)前車輛本次行駛的預(yù)測行駛里程。

33、一種服務(wù)器，包括存儲器、處理器及存儲在存儲器上并可在處理器上運行的計算機程序，處理器執(zhí)行程序，以實現(xiàn)如上述實施例的行駛里程預(yù)測方法。

34、一種計算機可讀存儲介質(zhì)，其上存儲有計算機程序或指令，該計算機程序或指令被處理器執(zhí)行，以用于實現(xiàn)如上述實施例的行駛里程預(yù)測方法。

35、一種計算機程序產(chǎn)品，包括計算機程序或指令，該計算機程序或指令被執(zhí)行時，以實現(xiàn)如上述實施例的行駛里程預(yù)測方法。

36、本發(fā)明的有益效果：

37、(1)本發(fā)明實施例基于大數(shù)據(jù)來根據(jù)用戶的個體行為差異和群體行為差異預(yù)測車輛的行駛里程，通過大數(shù)據(jù)算法模型與動力電池?zé)峁芾砜刂撇呗缘纳疃热诤?，來實現(xiàn)實時預(yù)測車輛的行駛里程，從而提高了行駛里程預(yù)測的準(zhǔn)確性，提高了行駛里程預(yù)測對用戶個體差異的適用性，提高了電池?zé)峁芾淼膬?yōu)化效率，減少了能源消耗，提高了用戶的使用體驗。

38、(2)本發(fā)明實施例通過建立多個車輛的充放電行程數(shù)據(jù)建立行程因子數(shù)據(jù)庫和歷史行為數(shù)據(jù)庫，從而納入了更廣泛的數(shù)據(jù)樣本，這有助于捕捉更全面的駕駛行為模式，從而提高了預(yù)測模型的泛化能力和對用戶個體差異的適應(yīng)性。

39、(3)本發(fā)明實施例深入分析了用戶的駕駛習(xí)慣和電池使用模式，使得預(yù)測模型能夠考慮到用戶的日常出行規(guī)律，分析歷史行為數(shù)據(jù)庫中的放電行程次數(shù)、箱線指標(biāo)等，可以預(yù)測用戶在特定條件下的行駛傾向和電池使用強度，結(jié)合距離上次充電或放電的時間間隔，預(yù)測模型可以判斷電池當(dāng)前的充電狀態(tài)和預(yù)計的放電需求，預(yù)防過度放電或在必要時提前加熱電池以減少能量損耗，從而提升了行駛里程預(yù)測的個性化水平和準(zhǔn)確性，優(yōu)化了電池?zé)峁芾砜刂普摺?/p>

40、(4)本發(fā)明實施例通過拼接起始行程因子和歷史行為特征得到訓(xùn)練數(shù)據(jù)集，確保了訓(xùn)練數(shù)據(jù)集包含了與特定車輛和用戶行為模式相關(guān)的詳細信息，這種個性化的數(shù)據(jù)集成有助于模型更精確地理解每輛車及用戶獨特的行駛習(xí)慣和偏好。從而提高了行駛里程預(yù)測的普遍適用性和準(zhǔn)確性。

41、(5)本發(fā)明實施例實現(xiàn)了泛化高維、低維交叉信息，適應(yīng)用戶駕駛現(xiàn)實場景中同時存在離散信息和連續(xù)信息的情況，擴大了預(yù)測模型的適用場景，使其能有效應(yīng)對復(fù)雜多變的現(xiàn)實行駛場景；通過比較預(yù)測行駛里程和真實行駛里程來判斷是否停止預(yù)測模型的訓(xùn)練，從而提高了訓(xùn)練預(yù)測模型的準(zhǔn)確性。

42、(6)本發(fā)明實施例能夠根據(jù)rfm模型與深度學(xué)習(xí)技術(shù)，將行程因子與歷史行為特征作為訓(xùn)練數(shù)據(jù)輸入deepfm深度學(xué)習(xí)模型進行訓(xùn)練，實現(xiàn)針對每位用戶的個性化行程預(yù)測，即“千人千面”的行駛里程預(yù)測，進而實現(xiàn)實時進行熱管理控制策略的動態(tài)調(diào)整。

43、(7)本發(fā)明實施例通過將預(yù)測行駛里程與行駛里程閾值進行比較，來判斷是否加熱動力電池，從而提高了動力電池?zé)峁芾砜刂普叩臏?zhǔn)確性。

44、(8)本發(fā)明實施例通過將動力電池的最大放電功率與行駛功率需求進行比較來提高實時調(diào)整動力電池?zé)峁芾砜刂普叩臏?zhǔn)確性。

45、(9)本發(fā)明實施例通過行程電池功率分布來預(yù)測當(dāng)前車輛在多個階段的行駛功率需求，能夠更精確地理解車輛在不同條件下的實際功耗情況，為熱管理策略提供更為精細化的數(shù)據(jù)支持。

46、本發(fā)明附加的方面和優(yōu)點將在下面的描述中部分給出，部分將從下面的描述中變得明顯，或通過本發(fā)明的實踐了解到。