汽车油耗预测模型的训练方法、装置、计算机设备与流程

本申请涉及汽车油耗预测
技术领域：
，特别是涉及一种汽车油耗预测模型的训练方法、装置、计算机设备和存储介质。
背景技术：
：商用车是国家经济发展的重要支柱及支撑产业，2019年商用车国内产销超400万辆，随着商用车市场的发展，油耗所带来的化石资源的消耗速度加快，同时co、nox和hc等污染物的排放也增加。国家也相继出台大量政策推动节能减排(如：提升燃油清洁度、降低燃油消耗率、降低污染物排放量等)，各整车生产厂家也相继推出各种新能源车型(混合动力、电动车)和新节油技术节能减排。从车型开发和使用角度而言，由于每款车型的运输环境、驾驶用户、装载货物、地方法规要求不同，所产生的油耗也差异很大。为满足国内不同运输市场的需求，整车厂家往往通过开发多款车型(动力匹配优化、节油标定等)来实现。为实现油耗的监控，部分整车生产厂家通过t-box将采集到发动机ecu瞬时数据传回远端服务器，通过基础的统计方法(求和、平均)监测油耗情况。但是这种方式下，对油耗数据监测结果缺少深度分析及应用，不能有效对新车的使用油耗进行准确预测。技术实现要素：基于此，有必要针对上述技术问题，提供一种能够对待预测燃油汽车的油耗进行准确预测的汽车油耗预测模型的训练方法、装置、计算机设备和存储介质。一种汽车油耗预测模型的训练方法，所述方法包括：获取与目标汽车类别相对应的多辆燃油汽车的汽车行驶状态参数，所述汽车行驶状态参数包括行驶参数、油耗参数和汽车参数；根据每辆燃油汽车的行驶参数，确定每辆燃油汽车分别对应的标准路程第一油耗值；根据多辆燃油汽车分别对应的标准路程第一油耗值的第一正态分布状态，基于所述第一正态分布状态从多个所述标准路程第一油耗值中筛选出与所述目标汽车类别相对应的标准路程第二油耗值；确定每个所述标准路程第二油耗值对应的目标燃油汽车，并获取与所述目标燃油汽车对应的目标汽车行驶状态参数；所述目标汽车行驶状态参数包括目标行驶参数、目标油耗参数和目标汽车参数；基于每辆目标燃油汽车的目标汽车参数分别对应的参数区间，对所述目标油耗参数进行统计，得到每辆目标燃油汽车对应的样本油耗参数分布表；将每个所述样本油耗参数分布表分别转换成对应的油耗参数分布类图，并且将每辆目标燃油汽车所对应的油耗参数分布类图和标准路程第二油耗值构成所述目标汽车类别的其中一个训练样本；对于所述目标汽车类别中的所有训练样本，将每个训练样本中的油耗参数分布类图作为待训练的汽车油耗预测模型的输入，将相应的标准路程第二油耗值作为待训练的汽车油耗预测模型的训练标签，对所述目标汽车类别所对应的汽车油耗预测模型进行模型训练。在其中一个实施例中，所述行驶参数包括负载信息和路程信息，所述根据每辆燃油汽车的行驶参数，确定每辆燃油汽车分别对应的标准路程第一油耗值，包括：对于每辆燃油汽车，均分别根据所述负载信息将对应的所述路程信息分为多个单次路程；其中，负载信息每发生一次变化，即记为一个单次路程的起点和/或终点；确定每个单次路程对应的油耗参数，根据多个所述单次路程和对应的油耗参数，计算每个单次路程的标准路程初始油耗值；根据每辆燃油汽车对应的标准路程初始油耗值的第二正态分布状态，确定每辆燃油汽车分别对应的标准路程第一油耗值。在其中一个实施例中，所述第二正态分布状态包括第二正态均值和第二标准差；所述根据每辆燃油汽车对应的标准路程初始油耗值的第二正态分布状态，确定每辆燃油汽车分别对应的标准路程第一油耗值，包括：当所述标准路程第一油耗值为标准路程平均油耗值时，所述标准路程第一油耗值为第二正态均值；当所述标准路程第一油耗值为标准路程最优油耗值时，所述标准路程第一油耗值为第二正态均值与第二标准差之间的差值。在其中一个实施例中，所述第一正态分布状态包括第一正态均值和第一标准差，所述根据多辆燃油汽车分别对应的标准路程第一油耗值的第一正态分布状态，基于所述第一正态分布状态从多个所述标准路程第一油耗值中筛选出与所述目标汽车类别相对应的标准路程第二油耗值，包括，当所述标准路程第一油耗值为标准路程平均油耗值时，从多个所述标准路程第一油耗值中筛选出与所述第一正态均值相比，偏差不大于所述第一标准差的标准路程第一油耗值作为标准路程第二油耗值；当所述标准路程第一油耗值为标准路程最优油耗值时，从多个所述标准路程第一油耗值中筛选出不大于所述第一正态均值的标准路程第一油耗值作为标准路程第二油耗值。在其中一个实施例中，所述汽车参数包括发动机转速参数和发动机扭矩参数，所述基于每辆目标燃油汽车的目标汽车参数分别对应的参数区间，对所述目标油耗参数进行统计，得到每辆目标燃油汽车对应的样本油耗参数分布表，包括：确定所述发动机转速参数对应的至少一个第一参数区间和所述发动机扭矩参数对应的至少一个第二参数区间；获取初始参数分布表，所述初始参数分布表包括至少一个参数分布域，每个所述参数分布域对应一个第一参数区间和一个第二参数区间；基于获取的所述初始参数分布表，对每辆目标燃油汽车对应的目标油耗参数进行统计，获取每辆目标燃油汽车对应的样本油耗参数分布表。在其中一个实施例中，所述将每个所述样本油耗参数分布表分别转换成对应的油耗参数分布类图，包括：对每个所述样本油耗参数分布表分别进行归一化处理，获得多个初始燃油汽车油耗分布类图；确定所述汽车油耗预测模型的训练像素，根据所述训练像素对每个所述初始燃油汽车油耗分布类图进行放大，获得多个燃油汽车油耗分布类图。在其中一个实施例中，所述方法还包括：确定属于所述目标汽车类别的待预测燃油汽车，并获取训练好的目标汽车油耗预测模型；获取与所述待预测车辆相对应的待处理油耗参数分布表；根据所述待处理油耗参数分布表获得与所述待预测车辆相对应的待处理燃油汽车油耗分布类图；将所述待处理燃油汽车油耗分布类图输入训练好的目标汽车油耗预测模型，获得当前待预测车辆的预测标准路程油耗值。一种汽车油耗预测模型的训练装置，所述装置包括：参数获取模块，用于获取与目标汽车类别相对应的多辆燃油汽车的汽车行驶状态参数，所述汽车行驶状态参数包括行驶参数、油耗参数和汽车参数；第一计算模块，用于根据每辆燃油汽车的行驶参数，确定每辆燃油汽车分别对应的标准路程第一油耗值；第二计算模块，用于根据多辆燃油汽车分别对应的标准路程第一油耗值的第一正态分布状态，基于所述第一正态分布状态从多个所述标准路程第一油耗值中筛选出与所述目标汽车类别相对应的标准路程第二油耗值；筛选模块，确定每个所述标准路程第二油耗值对应的目标燃油汽车，并获取与所述目标燃油汽车对应的目标汽车行驶状态参数；所述目标汽车行驶状态参数包括目标行驶参数、目标油耗参数和目标汽车参数；统计模块，用于基于每辆目标燃油汽车的目标汽车参数分别对应的参数区间，对所述目标油耗参数进行统计，得到每辆目标燃油汽车对应的样本油耗参数分布表；转换模块，用于将每个所述样本油耗参数分布表分别转换成对应的油耗参数分布类图，并且将每辆目标燃油汽车所对应的油耗参数分布类图和标准路程第二油耗值构成所述目标汽车类别的其中一个训练样本；训练模块，用于对于所述目标汽车类别中的所有训练样本，将每个训练样本中的油耗参数分布类图作为待训练的汽车油耗预测模型的输入，将相应的标准路程第二油耗值作为待训练的汽车油耗预测模型的训练标签，对所述目标汽车类别所对应的汽车油耗预测模型进行模型训练。一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现以下步骤：获取与目标汽车类别相对应的多辆燃油汽车的汽车行驶状态参数，所述汽车行驶状态参数包括行驶参数、油耗参数和汽车参数；根据每辆燃油汽车的行驶参数，确定每辆燃油汽车分别对应的标准路程第一油耗值；根据多辆燃油汽车分别对应的标准路程第一油耗值的第一正态分布状态，基于所述第一正态分布状态从多个所述标准路程第一油耗值中筛选出与所述目标汽车类别相对应的标准路程第二油耗值；确定每个所述标准路程第二油耗值对应的目标燃油汽车，并获取与所述目标燃油汽车对应的目标汽车行驶状态参数；所述目标汽车行驶状态参数包括目标行驶参数、目标油耗参数和目标汽车参数；基于每辆目标燃油汽车的目标汽车参数分别对应的参数区间，对所述目标油耗参数进行统计，得到每辆目标燃油汽车对应的样本油耗参数分布表；将每个所述样本油耗参数分布表分别转换成对应的油耗参数分布类图，并且将每辆目标燃油汽车所对应的油耗参数分布类图和标准路程第二油耗值构成所述目标汽车类别的其中一个训练样本；对于所述目标汽车类别中的所有训练样本，将每个训练样本中的油耗参数分布类图作为待训练的汽车油耗预测模型的输入，将相应的标准路程第二油耗值作为待训练的汽车油耗预测模型的训练标签，对所述目标汽车类别所对应的汽车油耗预测模型进行模型训练。一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现以下步骤：获取与目标汽车类别相对应的多辆燃油汽车的汽车行驶状态参数，所述汽车行驶状态参数包括行驶参数、油耗参数和汽车参数；根据每辆燃油汽车的行驶参数，确定每辆燃油汽车分别对应的标准路程第一油耗值；根据多辆燃油汽车分别对应的标准路程第一油耗值的第一正态分布状态，基于所述第一正态分布状态从多个所述标准路程第一油耗值中筛选出与所述目标汽车类别相对应的标准路程第二油耗值；确定每个所述标准路程第二油耗值对应的目标燃油汽车，并获取与所述目标燃油汽车对应的目标汽车行驶状态参数；所述目标汽车行驶状态参数包括目标行驶参数、目标油耗参数和目标汽车参数；基于每辆目标燃油汽车的目标汽车参数分别对应的参数区间，对所述目标油耗参数进行统计，得到每辆目标燃油汽车对应的样本油耗参数分布表；将每个所述样本油耗参数分布表分别转换成对应的油耗参数分布类图，并且将每辆目标燃油汽车所对应的油耗参数分布类图和标准路程第二油耗值构成所述目标汽车类别的其中一个训练样本；对于所述目标汽车类别中的所有训练样本，将每个训练样本中的油耗参数分布类图作为待训练的汽车油耗预测模型的输入，将相应的标准路程第二油耗值作为待训练的汽车油耗预测模型的训练标签，对所述目标汽车类别所对应的汽车油耗预测模型进行模型训练。上述汽车油耗预测模型的训练方法、装置、计算机设备和存储介质，首先获取了具体目标汽车类型相对应的多辆燃油汽车的汽车行驶状态参数，然后根据每辆汽车的汽车行驶状态参数，首先确定每辆汽车的标准路程第一油耗值，然后基于目标汽车类型中的多辆汽车所对应的多个标准路程第一油耗值的正态分布状态，从中筛选出与所述目标汽车类别相对应的标准路程第二油耗值，通过标准路程第二油耗值，可以确定目标汽车类别中对应的目标燃油汽车，通过对目标汽车类型中的目标燃油汽车的目标汽车行驶状态参数进行具体处理，可以获得每辆目标燃油汽车对应的样本油耗参数分布表，对样本油耗参数分布表进行进一步的处理可以得到对应的油耗参数分布类图，每个油耗参数分布类图和对应的标准路程第二油耗值构成了目标汽车类别对应的一个训练样本，获得目标汽车类别的全部训练样本后，就可以将上述训练样本用于对目标汽车类别的汽车油耗预测模型进行训练。通过这种方式，可以有效地从目标汽车类型所对应的多辆燃油汽车的汽车行驶状态参数筛选出需要的目标汽车行驶状态参数，通过对这些参数进行统计和类图处理，使其成为汽车油耗预测模型易于识别的对象，同时通过对应的训练标签对汽车油耗预测模型输出的结果进行指导，所获得的训练好的汽车油耗预测模型，可以实现对待预测燃油汽车的油耗进行准确预测。附图说明图1为一个实施例中汽车油耗预测模型的训练方法的应用环境图；图2为一个实施例中汽车油耗预测模型的训练方法的流程示意图；图3为一个实施例中汽车油耗预测模型的训练步骤的流程示意图；图4为一个实施例中汽车油耗预测模型的训练装置的结构框图；图5为一个实施例中计算机设备的内部结构图。具体实施方式为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。由于整车对燃油经济性的需求越来越强烈，降低燃油消耗量将在未来几年仍然是重要技术方向。通过新方法、新技术的储备来提升燃油经济性，将是各整车厂家未来竞争力的核心能力之一。目前各厂家仍然在采用传统的整车标定方法开发车型，不能在产品开发前期就对整车油耗进行精准预测，只能在批量投入市场前期通过小批量产品投放试探市场油耗的表现。本实施例中的汽车油耗预测模型的训练方法，基于大数据和神经网络的商用车油耗监测及预测方法，通过以往销售车型的大量油耗样本进行监测、分析和建模，所建立的最佳油耗模型，除了能够在实时了解市场车型油耗表现外，还能对油耗进行预测，极大的提高了产品开发成本、周期，同时能够降低市场用户的使用成本，在产品竞争力方面有较大的优势。其中，实现市场整车产品的油耗监测，通过分析建模建立地区最佳油耗模型，进行新产品油耗的预测，是本发明要解决的问题。本申请提供的汽车油耗预测模型的训练方法，可以应用于如图1所示的应用环境中。其中，终端102可以通过网络与服务器104进行通信。具体来说，终端102收集获得多辆燃油汽车的汽车行驶状态参数，并将其发送给服务器104，服务器104对收到的多辆燃油汽车的汽车行驶状态参数进行处理，并根据处理结果完成汽车油耗预测模型的训练。其中，终端102可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备，获得多辆燃油汽车的汽车行驶状态参数的方式可以通过燃油汽车上固有的各类结构，如整车can总线、gps模块、行车记录仪等具有数据采集功能的设备，服务器104可以用独立的服务器或者是多个服务器组成的服务器集群来实现，可以用于完成数据的存储(数据库)、计算等，以及用于对汽车油耗预测模型进行训练。在一个具体的实施例中，通过对整车can总线、gps模块、行车记录仪等设备上的整车标识vin、时间、车速、单位时间里程、发动机转速、发动机扭矩、油门开度、单位时间油耗、发动机功率、纬度、经度、高程、点火开关状态、档位、载重信号进行周期采集，然后通过t-box定时将采集的数据定时回传至远端服务器进行数据存储，得到多车数据集合。上述多车数据集合z首先被保存在一个具体的汽车数据库中，在该汽车数据库中存储有多种车型、多辆燃油汽车对应的汽车行驶状态参数。当需要对一个具体的车型进行油耗预测的时候，则根据该具体的车型，选定目标汽车类别，然后从上述汽车数据库中找出与目标汽车类别相对应的各燃油汽车所对应的汽车行驶状态参数，每辆燃油汽车对应的汽车行驶状态参数，以整车标识vin作为集合标识，对于每辆燃油汽车来说，其所对应的vin都是唯一的。例如，针对目标汽车类别，可以通过整车标识vin从集合z中筛选出单车数据，得到单车数据集合zvin，由多个单车数据集合组成目标汽车类别对应的所有燃油汽车数据集合w。在对本申请中的汽车油耗预测模型的训练方法进行描述之前，首先对本申请的实施例中涉及到的部分名词作如下解释：汽车类别：具有类似特征的汽车归属类别，可以通过功能进行区分，汽车类别的划分具有多种标准，本实施例中对此不作具体的区分，可以是具有特殊用途的汽车，如运送某种特殊物质的汽车；或者是以载重限额进行区分的汽车，限载10吨的汽车；或者是应用环境进行区分的汽车，例如适用于极端严寒环境的汽车等。汽车行驶状态参数：汽车在行驶过程中可能涉及到的一些具体参数，包括行驶参数，汽车在行驶过程中的外部参数，例如具体的负载信息、路程信息、距离信息等；油耗参数，汽车在行驶过程中涉及到的油耗相关参数，例如油门开度、单位时间油耗、发动机功率等；汽车参数，汽车基于本身结构点固有的参数，例如发动机转速、发动机扭矩等；以及其他汽车行驶相关参数，如点火开关状态、档位、整车标识vin、时间、车速等。标准路程第一油耗值：对每辆燃油汽车进行分析后，所获得的当前燃油汽车在标准路程(如百公里、千公里)里的具体燃油参数值，可以是当前当前燃油汽车在历史行程中，表现最好的标准路程油耗值或者是基于全程的平均标准路程油耗值。标准路程第二油耗值：对多辆燃油汽车进行分析后，从多个标准路程第一油耗值中筛选出来的目标数值。样本油耗参数分布表：基于目标汽车参数对目标油耗参数进行统计所获得的表格结果。油耗参数分布类图：基于样本油耗参数分布表进一步处理而得到的类似于图像的油耗参数分布表，可以用于对汽车油耗预测模型进行训练。对于汽车行业来说，存在多种汽车类别，对于上述多种汽车类别中的每一种汽车类别，均可采用本申请中的汽车油耗预测模型的训练方法对相应的汽车油耗预测模型进行训练，从而得到可以对各汽车类别进行相应预测的汽车油耗预测模型。在一个实施例中，如图2所示，提供了一种汽车油耗预测模型的训练方法，以该方法应用于图1中的服务器为例进行说明，包括以下步骤：步骤s202，获取与目标汽车类别相对应的多辆燃油汽车的汽车行驶状态参数，汽车行驶状态参数包括行驶参数、油耗参数和汽车参数。具体来说，对于具体目标汽车类别的燃油汽车来说，服务器首先获取该目标汽车类别中的各燃油汽车对应的汽车行驶状态参数，如行驶参数：负载信息、路程信息；油耗参数：油门开度、单位时间油耗、发动机功率；汽车参数：发动机转速、发动机扭矩等。在一个具体的实施例中，可以通过对整车can总线、gps模块、行车记录仪等设备上的整车标识vin、时间、车速、单位时间里程、发动机转速、发动机扭矩、油门开度、单位时间油耗、发动机功率、纬度、经度、高程、点火开关状态、档位、载重信号进行周期采集，得到数据对应的数据集z。上述数据集z可以存储在服务器中，通过整车标识vin作为数据标签，一个数据标签标注对应一辆燃油汽车的全部汽车行驶状态参数。步骤s204，根据每辆燃油汽车的行驶参数，确定每辆燃油汽车分别对应的标准路程第一油耗值。具体来说，根据每辆燃油汽车的行驶参数，服务器可以确定当前燃油汽车在行驶过程中的标准路程第一油耗值，该标准路程第一油耗值，是每辆燃油汽车在行驶过程中的油耗参考标准。在一个具体的实施例中，根据整车标识vin获得一辆燃油汽车对应的汽车行驶状态参数后，对当前燃油汽车行驶的路程信息进行划分，即确定当前燃油汽车在整个路程信息中对应的多个行程，然后基于每段行程的油耗参数，确定当前燃油汽车在整个路程信息中对应的标准路程第一油耗值。在一个具体的实施例中，上述标准路程第一油耗值为当前燃油汽车在一百公里标准路程时对应的油耗，根据实际的计算需求，也可以采用其他里程作为标准路程进行计算，本实施例中对此不作具体限定。步骤s206，根据多辆燃油汽车分别对应的标准路程第一油耗值的第一正态分布状态，基于第一正态分布状态从多个标准路程第一油耗值中筛选出与目标汽车类别相对应的标准路程第二油耗值。具体来说，服务器获取多辆燃油汽车分别对应的标准路程第一油耗值后，还需要对其进行进一步的处理。本实施例中，服务器对获得的多个标准路程第一油耗值对应的第一正态分布状态，基于上述第一正态分布状态，对获得的多个标准路程第一油耗值进行筛选，从中进一步筛选出与目标汽车类别相对应的标准路程第二油耗值。此时获得的标准路程第二油耗值，对应当前目标汽车类别中各辆燃油汽车性能最佳的若干燃油汽车。即，通过各标准路程第二油耗值，可以确定当前目标汽车类别中性能最佳的若干燃油汽车。步骤s208，确定每个标准路程第二油耗值对应的目标燃油汽车，并获取与目标燃油汽车对应的目标汽车行驶状态参数；目标汽车行驶状态参数包括目标行驶参数、目标油耗参数和目标汽车参数。具体来说，通过上述每个标准路程第二油耗值，服务器可以确定对应的目标燃油汽车，进一步地可以获取与各目标燃油汽车相对应的目标汽车行驶状态参数。如前所述，目标汽车行驶状态参数包括目标行驶参数、目标油耗参数和目标汽车参数。也就是说，通过对标准路程第一油耗值进行筛选确定标准路程第二油耗值，根据标准路程第二油耗值，从目标汽车类别所对应的大量燃油汽车中，找出特定的目标燃油汽车，并确定其具体对应的汽车行驶状态参数。步骤s210，基于每辆目标燃油汽车的目标汽车参数分别对应的参数区间，对目标油耗参数进行统计，得到每辆目标燃油汽车对应的样本油耗参数分布表。具体来说，对于已经确定的目标燃油汽车，服务器首先对每辆目标燃油汽车的目标汽车参数分别确定对应的参数区间，对每个参数区间的目标油耗参数进行统计，获得每辆目标燃油汽车对应的样本油耗参数分布表。例如，对于一个具体的汽车参数来说，其对应具有3个参数区间，对于第一个油耗区间a来说，其油耗参数值为a，对于第二个油耗区间b来说，其油耗参数值为b，对于第三个油耗区间c来说，其油耗参数值为c，由此可以绘制得到如下表1所示的一张样本油耗参数分布表。表1样本油耗参数分布表目标汽车参数区间油耗参数aabbcc上述样本油耗参数分布表仅作为一个具体的示例，不视为对本申请进行具体的限定。事实上，上述目标汽车参数区间可以多个，目标汽车参数也可以选取多个，依据上述方法统计而来的样本油耗参数分布表亦在本申请要求保护的范围内。步骤s212，将每个样本油耗参数分布表分别转换成对应的油耗参数分布类图，并且将每辆目标燃油汽车所对应的油耗参数分布类图和标准路程第二油耗值构成目标汽车类别的其中一个训练样本。具体来说，为了让目标燃油汽车所对应的样本油耗参数分布表能够更好的被汽车油耗预测模型所识别，服务器进一步对其进行处理，即将目标燃油汽车所对应的样本油耗参数分布表分别对应转换为油耗参数分布类图。具体来说，本实施例中选择对上述样本油耗参数分布表中的表格单元进行处理，使其从数值意义的表格单元转换为图像意义的表格单元，从而使得汽车油耗预测模型可以更好地对其进行识别。对于每辆目标燃油汽车来说，其所对应的油耗参数分布类图和标准路程第二油耗值，共同构成目标汽车类别的其中一个训练样本。对于全部训练样本来说，每个训练样本对应一辆目标燃油汽车。步骤s214，对于目标汽车类别中的所有训练样本，将每个训练样本中的油耗参数分布类图作为待训练的汽车油耗预测模型的输入，将相应的标准路程第二油耗值作为待训练的汽车油耗预测模型的训练标签，对目标汽车类别所对应的汽车油耗预测模型进行模型训练。具体来说，对于目标汽车类别中的所有训练样本，服务器将每个训练样本中的油耗参数分布类图作为待训练的汽车油耗预测模型的输入，汽车油耗预测模型识别输入的油耗参数分布图，并给出相应的预测值，然后利用相应的标准路程第二油耗值作为训练标签，对目标汽车类别所对应的汽车油耗预测模型进行训练，通过这种训练，可以使得目标汽车类别所对应的汽车油耗预测模型的输出值，逐渐接近所输入的油耗参数分布图对应的标准路程第二油耗值。上述汽车油耗预测模型的训练方法，首先获取了具体目标汽车类型相对应的多辆燃油汽车的汽车行驶状态参数，然后根据每辆汽车的汽车行驶状态参数，首先确定每辆汽车的标准路程第一油耗值，然后基于目标汽车类型中的多辆汽车所对应的多个标准路程第一油耗值的正态分布状态，从中筛选出与目标汽车类别相对应的标准路程第二油耗值，通过标准路程第二油耗值，可以确定目标汽车类别中对应的目标燃油汽车，通过对目标汽车类型中的目标燃油汽车的目标汽车行驶状态参数进行具体处理，可以获得每辆目标燃油汽车对应的样本油耗参数分布表，对样本油耗参数分布表进行进一步的处理可以得到对应的油耗参数分布类图，每个油耗参数分布类图和对应的标准路程第二油耗值构成了目标汽车类别对应的一个训练样本，获得目标汽车类别的全部训练样本后，就可以将上述训练样本用于对目标汽车类别的汽车油耗预测模型进行训练。通过这种方式，可以有效地从目标汽车类型所对应的多辆燃油汽车的汽车行驶状态参数筛选出需要的目标汽车行驶状态参数，通过对这些参数进行统计和类图处理，使其成为汽车油耗预测模型易于识别的对象，同时通过对应的训练标签对汽车油耗预测模型输出的结果进行指导，所获得的训练好的汽车油耗预测模型，可以实现对待预测燃油汽车的油耗进行准确预测。在一个实施例中，行驶参数包括负载信息和路程信息，根据每辆燃油汽车的行驶参数，确定每辆燃油汽车分别对应的标准路程第一油耗值，包括：对于每辆燃油汽车，均分别根据负载信息将对应的路程信息分为多个单次路程；其中，负载信息每发生一次变化，即记为一个单次路程的起点和/或终点；确定每个单次路程对应的油耗参数，根据多个单次路程和对应的油耗参数，计算每个单次路程的标准路程初始油耗值；根据每辆燃油汽车对应的标准路程初始油耗值的第二正态分布状态，确定每辆燃油汽车分别对应的标准路程第一油耗值。具体来说，对于目标汽车类别中的每辆燃油汽车，每辆燃油汽车分别对应的标准路程第一油耗值，需要根据每辆燃油汽车在其已经行驶完成的路程信息所对应的油耗信息，确定每辆燃油汽车的标准路程第一油耗值。这个具体过程如下：把一次载重运输过程视为一个单次路程，即一次装载视为一个单次路程的起点，对应的卸货视为一个单次路程的终点，则每辆燃油汽车已经行驶完成的路程信息可能对应多段单次路程。由于每个单次路程的行驶负载可能会有变化，其所对应的行驶状态也不相同，单独计算可以分别确定每个单次路程的油耗参数，提高了整体预测的准确性。进一步地，对于每个单次路程，分别获取在完成这个单次路程的过程中所对应的油耗参数，然后基于每个单次路程行驶的距离和具体的油耗参数，确定在这个单次路程中，该燃油汽车对应的标准路程初始油耗值。此时，对于一个具有多段单次路程的燃油汽车来说，其对应有多个标准路程初始油耗值，获取上述多个标准路程初始油耗值的第二正态分布状态，根据第二正态分布状态，确定每辆燃油汽车分别对应的标准路程第一油耗值。例如，以前述单车数据zvin为例，假设标准路程为一百公里，则上述标准路程第一油耗值的求解过程如下：步骤a.按照载重变化情况将该燃油汽车的路程信息拆分出单车单程运行区间数据集合zvin-w，当燃油汽车的载重每发生一次变化，即可记为一次单车单程(单次路程)。步骤b.将单车单程运行区间数据集合zvin-w中每个zkvin-w的进行二维统计，可以得到单车单程百公里平均油耗集合yvin-w。具体来说，就是先获取每个单次路程对应的单次路程信息和单次油耗信息，将其转换成单次百公里油耗值。根据每辆车所对应的单次路程集合，就可以得到对应的单车单程百公里平均油耗集合，进而获得每辆燃油汽车对应的百公里标准路程第一油耗值。步骤c.根据某地区市场已售同款车型的整车标识vin，重复执行上述步骤a和步骤b的过程，得到多车百公里平均油耗集合yvin-w-std,或者得到多车百公里最优油耗集合yvin-w-min，即为上述实施例中的每辆燃油汽车分别对应的标准路程第一油耗值所构成的集合。在上述实施例中，通过每辆燃油汽车的多个单次路程分别对应的标准路程初始油耗值，基于对应的正态分布状态，可以准确获得每辆燃油汽车对应的标准路程第一油耗值，提高了汽车油耗预测模型的训练样本准确度。在一个实施例中，第二正态分布状态包括第二正态均值和第二标准差；根据每辆燃油汽车对应的标准路程初始油耗值的第二正态分布状态，确定每辆燃油汽车分别对应的标准路程第一油耗值，包括：当标准路程第一油耗值为标准路程平均油耗值时，标准路程第一油耗值为第二正态均值；当标准路程第一油耗值为标准路程最优油耗值时，标准路程第一油耗值为第二正态均值与第二标准差之间的差值。具体来说，根据预测值的具体目标，上述标准路程第一油耗值可以对应为标准路程平均油耗值或者标准路程最优油耗值。其中，标准路程平均油耗值为每辆燃油汽车在历史已经完成的路程中，平均驾驶状态下的标准路程平均油耗，者标准路程最优油耗值是每辆燃油汽车在历史已经完成的路程中，表现得最好行驶状态所对应的标准路程最优油耗。本实施例中，根据上述第二正态分布状态的第二正态均值和第二标准差，标准路程平均油耗为第二正态均值，标准路程最优油耗为第二正态均值与第二标准差的差值。以上述单车单程百公里平均油耗集合yvin-w为例，将单车单程百公里平均油耗集合yvin-w求正态均值和标准差，利用上述正态均值和标准差，计算每辆燃油汽车分别对应的百公里第一油耗值。此时，根据具体计算目的的不同，如果要计算的标准路程第一油耗值是标准路程平均油耗值，则将正态均值作为单车百公里平均油耗yvin-w-std，如果要计算的标准路程第一油耗值是标准路程最佳油耗值，则将正态均值减去一个标准差作为单车百公里最优油耗yvin-w-min。在上述实施例中，通过对单次路程的标准路程初始油耗值进行正态分布处理，并根据正态分布处理结果得到对应的标准路程第一油耗值，结果更为准确，误差更小，进一步提高了汽车油耗预测模型训练样本的准确度，进而提高了汽车油耗预测模型的准确度。在一个实施例中，第一正态分布状态包括第一正态均值和第一标准差，根据多辆燃油汽车分别对应的标准路程第一油耗值的第一正态分布状态，基于第一正态分布状态从多个标准路程第一油耗值中筛选出与目标汽车类别相对应的标准路程第二油耗值，包括，当标准路程第一油耗值为标准路程平均油耗值时，从多个标准路程第一油耗值中筛选出与第一正态均值相比，偏差不大于第一标准差的标准路程第一油耗值作为标准路程第二油耗值；当标准路程第一油耗值为标准路程最优油耗值时，从多个标准路程第一油耗值中筛选出不大于第一正态均值的标准路程第一油耗值作为标准路程第二油耗值。具体来说，对于目标汽车类别中的多辆燃油汽车来说，确定了每辆燃油汽车对应的标准路程第一油耗值以后，还需要对其进行进一步的筛选，从中选出行驶性能最佳的若干目标燃油汽车。本实施例中的，标准路程第二油耗值筛选，是基于对应的标准路程第一油耗值而来，与标准路程第一油耗值相对应的，当标准路程第一油耗值为标准路程平均油耗值时，需要从多个标准路程第一油耗值中筛选出与第一正态均值相比，偏差不大于第一标准差的标准路程第一油耗值作为标准路程第二油耗值；当标准路程第一油耗值为标准路程最优油耗值时，需要从多个标准路程第一油耗值中筛选出不大于第一正态均值的标准路程第一油耗值作为标准路程第二油耗值。以前述实施例中的多车百公里平均油耗集合yvin-w-std,或者得到多车百公里最优油耗集合yvin-w-min为例，可以进一步对集合yvin-w-std和集合yvin-w-min分别求正态均值及标准差。具体的，当上述标准路程第一油耗值为标准路程最优油耗值时，筛选多车百公里最优油耗集合yvin-w-min中不大于正态均值()的车辆单程运行区间数据组成最优油耗车辆数据集合wbest，当上述标准路程第一油耗值为标准路程平均油耗值时，筛选集合yvin-w-std中“正态均值±一个标准差”区间内的车辆单程运行区间数据，则组成平均油耗车辆数据集合wstd。上述最优油耗车辆数据集合wbest或者平均油耗车辆数据集合wstd中的每个集合元素zkvin-w-best，即为标准路程第二油耗值所对应的各目标燃油汽车所对应的目标汽车行驶状态参数。在上述实施例中，通过对标准路程第一油耗值进行进一步的筛选，实现了从目标汽车类别中进行“优中选优”的筛选工作，从而使得筛选出来的各个标准路程第二油耗值，均对应着行驶性能最佳的若干目标燃油汽车，利用这些行驶性能最佳的若干目标燃油汽车作为训练样本的构建基础，可以获得更为精确的训练样本和汽车油耗预测模型。在一个实施例中，汽车参数包括发动机转速参数和发动机扭矩参数，基于每辆目标燃油汽车的目标汽车参数分别对应的参数区间，对油耗参数进行统计，得到每辆目标燃油汽车对应的样本油耗参数分布表；包括：确定发动机转速参数对应的至少一个第一参数区间和发动机扭矩参数对应的至少一个第二参数区间；获取初始参数分布表，初始参数分布表包括至少一个参数分布域，每个参数分布域对应一个第一参数区间和一个第二参数区间；基于获取的初始参数分布表，对每辆目标燃油汽车对应的目标油耗参数进行统计，获取每辆目标燃油汽车对应的样本油耗参数分布表。具体来说，本实施例中，进一步选取了汽车参数中的发动机转速参数和发动机扭矩参数，作为具体的汽车参数对油耗参数进行统计。其中发动机转速参数和发动机扭矩参数分别具有对应的参数区间，因此，为了便于统计，本实施例中设立了初始参数分布表，初始参数分布表包括至少一个参数分布域，参数分布域的数量与发动机转速参数的参数区间(第一参数区间)数量和发动机扭矩参数的参数区间(第二参数区间)数量有关，每个参数分布域对应一个第一参数区间和一个第二参数区间。例如，假设发动机转速参数的参数区间有m个，发动机扭矩参数的参数区间有n个，则参数分布域的数量为m*n个，本实施例中，上述m*n个参数分布域按照发动机转速参数和发动机扭矩参数的参数区间对应排列，形成一个m*n的矩阵形式，即为初始参数分布表。基于该初始参数分布表，对每辆目标燃油汽车的目标油耗参数进行统计。以上述最优油耗车辆数据集合wbest为例，进一步对本实施例进行说明。例如，对于上述最优油耗车辆数据集合wbest中的样本数据zkvin-w-best，分别进行基于分段发动机转速参数和分段发动机扭矩参数的油耗参数分布统计，油耗参数可以是平均油门开度统计、平均油耗分布统计、平均发动机功率等，进而分别得到分布表集合kd、ky、kg。如下表2，是一个具体的统计示例，其中油耗参数具体选用的是平均油门开度。表2样本油耗参数分布表(kd)类似的，可以继续获得平均油耗分布统计、平均发动机功率对应样本油耗参数分布表(ky)和样本油耗参数分布表(kg)。在上述实施例中，通过进一步确定汽车参数，划分参数分布域对油耗参数进行统计，可以使得统计结果更为精确，用于制作训练样本的油耗参数分布表也更精确，能够有效分析已使用车型在所在市场的油耗表现，使得汽车油耗预测模型的训练效果更好。在一个实施例中，将每个样本油耗参数分布表分别转换成对应的油耗参数分布类图，包括：对每个样本油耗参数分布表分别进行归一化处理，获得多个初始燃油汽车油耗分布类图；确定汽车油耗预测模型的训练像素，根据训练像素对每个初始燃油汽车油耗分布类图进行放大，获得多个燃油汽车油耗分布类图。具体来说，对于每个目标燃油汽车对应的样本油耗参数分布表，还需要进一步将其转换成便于汽车油耗预测模型易于识别的油耗参数分布类图。本实施例中，首先对样本油耗参数分布表进行归一化处理，然后根据汽车油耗预测模型的训练像素精度，对经过归一化的样本油耗参数分布表进行缩放，获得符合汽车油耗预测模型的训练像素精度要求的燃油汽车油耗分布类图。以上述样本油耗参数分布表(kd)、样本油耗参数分布表(ky)和样本油耗参数分布表(kg)为例，继续对本实施例进行说明。上述3个分布表kd、ky、kg中的元素分别归一化后，再将上述分布表中的元素分别放大a倍(a＝255或其他正整数)，对应得到3个类图片数据集合pkd、pky、pkg。本实施例中，可以根据汽车油耗预测模型的具体训练像素对上述样本油耗参数分布表进行缩放，在此不对其作出具体限定。假设上述汽车油耗预测模型要输出的预测值是标准路程最优油耗值，针对上述3个类图片数据集合pkd、pky、pkg，本实施例中进一步利用神经网络分别对应建立3个图像识别模型mkd、mky、mkg，利用类图片数据集合pkd、pky、pkg分别顺次作为图像识别模型mkd、mky、mkg对应的输入，即pkd输入mkd、pky输入mky、pkg输入mkg。同时，将与上述类图片数据集合pkd、pky、pkg相对应的yvin-w-min作为数据标签，对汽车汽车油耗预测模型的输出进行修正。具体的训练过程中，首先将pkd输入mkd、将pky输入mky、将pkg输入mkg，图像识别模型mkd、mky、mkg对应输出预测结果集合rkd、rky、rkg。基于上述图像识别模型的输出结果，以及与上述类图片数据集合pkd、pky、pkg相对应的数据标签yvin-w-min，得到集合x＝{rkd，rky，rkg，yvin-w-min}。利用神经网络建立大数据分析分类模型mresult对单车单程最优百公里油耗进行预测，输入为rkd、rky、rkg，输出为yvin-w-min。即，利用多辆目标燃油汽车所对应的多个数据集合x，对模型mresult进行训练，得到最终预测模型mresult。换而言之，对于上述汽车油耗预测模型来说，其中包括有图像识别模型和神经网络模型。对于汽车油耗预测模型的具体训练过程来说，其中的图像识别模型用于对油耗参数分布类图进行训练，上述油耗参数分布类图可以有多个，每个油耗参数分布类图对应一种油耗参数，每种油耗参数对应一个图像识别模型。当上述图像识别模型有多个时，还需要通过神经网络模型对各图像识别模型的各图像识别结果进行进一步的处理，即将各图像识别结果输入神经网络模型，控制神经网络输出对应的标准路程第二油耗值(或者，利用标准路程第二油耗值作为数据标签对神经网络对应输出的结果进行修正)。对于目标汽车类别相对应的各个训练样本，分别根据以上过程对上述汽车油耗预测模型进行训练。在上述实施例中，通过归一化和缩放的方式，可以在保证训练样本精度的前提下，有效提高燃油汽车油耗分布类图与汽车油耗预测模型之间的适配度，使得汽车油耗预测模型可以很好地识别出燃油汽车油耗分布类图的信息特征，并基于这些信息特征给出准确的预测。在一个实施例中，上述方法还包括：确定属于目标汽车类别的待预测燃油汽车，并获取训练好的目标汽车油耗预测模型；获取与待预测车辆相对应的待处理油耗参数分布表；根据待处理油耗参数分布表获得与待预测车辆相对应的待处理燃油汽车油耗分布类图；将待处理燃油汽车油耗分布类图输入训练好的目标汽车油耗预测模型，获得当前待预测车辆的预测标准路程油耗值。具体来说，对于具体的目标汽车类别，在确定了该目标汽车类别对应的训练样本，并基于这些训练样本完成了对汽车油耗预测模型的训练后，就可以将训练好的汽车油耗预测模型用于对暂时没有完善的汽车行驶状态参数的车辆进行油耗预测。采用与训练样本相同的处理方式，可以基于现有的参数信息直接获得对应的待处理燃油汽车油耗分布类图，将该待处理燃油汽车油耗分布类图输入汽车油耗预测模型，即可获得当前待预测车辆的预测标准路程油耗值。进一步地，对于具体的待预测燃油汽车，当该燃油汽车为正在处于研发中的新车型时，用来对其进行预测的目标汽车油耗预测模型，可以是与之车辆配置最接近的汽车类别所对应的汽车油耗预测模型。例如，假设对于某新车型的燃油汽车来说，其暂无充分的样本汽车行驶状态参数来实现对应的标准路程油耗值预测，此时可以选取与该新车型最接近汽车类别作为目标汽车类别，优选是车辆配置最接近的汽车类别，根据最接近汽车类别对应的汽车油耗预测模型，来实现该新车型的标准路程油耗值预测。例如，当需要对新车型进行油耗预测的时候，就需要根据现有整车标定数据预先生成基于分段发动机转速和分段扭矩的平均油门开度统计表kdx、平均油耗分布统计表kyx、平均发动机功率分布统计表kgx，然后经过归一化后放大a倍，得到类图片数据pkdx、pkyx、pkgx；然后将pkdx、pkyx、pkgx分别输入模型mkd、mky、mkg得到结果rkd、rky、rkg，然后将rkd、rky、rkg输入模型mresult得到前待预测车辆的预测标准路程油耗值。需要特别说明的是，本申请的上述各实施例中，优先采用wbest和yvin-w-min对本申请的方法进行说明，不视为对本申请技术方案的具体限定，使用平均油耗车辆数据集合wstd代替wbest，使用yvin-w-std代替yvin-w-min，则最终预测结果中预测标准路程油耗值将是单车单程平均百公里油耗，使用其他具有相同效果的计算方式替代上述wbest和yvin-w-min，亦落入本申请要求保护的技术范围内。在上述实施例中，所使用的汽车油耗预测模型，是基于大数据分析，通过对采集到的现市场大量用户油耗样本进行分析和建模而来，是目标汽车类别对应的最优油耗模型，能够有效分析目标汽车类别在运行过程中的油耗表现，有助于整车油耗标定策略的优化，及时对类似新车型的市场适应性作出准确预测。应该理解的是，虽然图2的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图2中的至少一部分步骤可以包括多个步骤或者多个阶段，这些步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。如图3所示，是一个完整的汽车油耗预测训练过程。其具体过程如下：步骤(1)，通过对整车can总线、gps模块、行车记录仪等设备上的整车标识vin、时间t、车速v、单位时间里程s、发动机转速n、发动机扭矩te、油门开度k、单位时间油耗y、发动机功率p、点火开关状态a、档位d、载重w信号进行周期(△t＝1s)采集，得到数据集合z，z＝{vin,t,v,s,n,te,k,y,p,x,y,z,a,d,w}，其中，s＝v*△t，y为△t时间内累计油耗。步骤(2)，通过t-box定时将采集的数据z定时(周期＝△t*10)回传至远端服务器进行数据存储，得到多车数据集合z＝[z1,z2,z3,z4,z5,z6,......zn]；步骤(3)，通过整车标识vin从集合z中筛选出单车数据，得到单车数据集合zvin＝[z1vin,z2vin,z3vin,z4vin,z5vin,z6vin,......,znvin]，所有车辆数据集合表示为w＝[z1vin,z2vin,z3vin,......,znvin]；步骤(4)，将单车数据集合zvin按照载重w变化情况拆分出单车单程运行区间数据集合zvin-w＝[z1vin-w,z2vin-w,z3vin-w,z4vin-w,z5vin-w,z6vin-w,......,znvin-w]。利用载重w拆分运营区间的方法是：zvin集合中相邻两个数据zkvin，zk+1vin的载重分量差值wk+1-wk>f(f为阈值，为正值，单位为kg，可根据实际车型设置)，判定为装货事件；若wk+1-wk<f判定为卸货事件。相邻两次装卸货，若前为装货，后为卸货事件，则判定为一个运行区间。步骤(5)，将单车单程运行区间数据集合zvin-w中每个zkvin-w的进行二维统计，得到单车单程百公里平均油耗集合yvin-w＝[y1vin-w,y2vin-w,y3vin-w,......,ynvin-w]，ykvin-w计算方法如下：1≤i≤n，n为集合zkvin-w内样本数。步骤(6)，将单车单程百公里平均油耗集合yvin-w求正态均值和标准差，将正态均值作为单车百公里平均油耗yvin-w-std，将正态均值减去一个标准差作为单车百公里最优油耗yvin-w-min。步骤(7)，根据某地区市场已售同款车型的整车标识vin，重复执行步骤(3)、步骤(4)、步骤(5)、步骤(6)过程，得到多车百公里平均油耗集合yvin-w-std＝[y1vin-w-std,y2vin-w-std,y3vin-w-std,......,ynvin-w-std],同时得到多车百公里最优油耗集合yvin-w-min＝[y1vin-w-min,y2vin-w-min,y3vin-w-min,......,ynvin-w-min,]。步骤(8)，对步骤(7)中集合yvin-w-std和集合yvin-w-min分别求正态均值及标准差，将正态均值作为该地区市场该款车型的百公里平均油耗将正态均值减去一个标准差作为该地区市场该款车型的百公里最优油耗的车辆单程运行区间数据zkvin-w，组成最优油耗车辆数据集合wbest＝[z1vin-w-best,z2vin-w-best,z3vin-w-best,......,znvin-w-best]；筛选正态均值±一个标准差区间内的车辆单程运行区间数据，则组成平均油耗车辆数据集合wstd。步骤(9)，对最优油耗车辆数据集合wbest中的样本数据zkvin-w-best，依次进行基于分段发动机转速和分段扭矩的平均油门开度统计，得到最优油耗车辆油门开度分布表集合kd＝[kd1,kd2,kd3,...,kdn],其中kdk如下表样例所示：步骤(10)，对步骤(9)中结果集合kd中的kdk归一化后放大a倍(a＝255或其他正整数)，得到类图片数据集合pkd＝[p1kd，p2kd，p3kd，......,pnkd]，对应单车单程运行区间百公里油耗集合yvin-w-min＝[y1vin-w-min,y2vin-w-min,y3vin-w-min,......,ynvin-w-min]，其中ykvin-w-min需要四舍五为正整数值。步骤(11)，利用神经网络建立油门开度图像识别模型mkd，利用类图片数据集合pkd作为输入，yvin-w-min作为输出训练模型mkd，模型后期识别准确率与pkd和yvin-w-min集合样本数量正相关。步骤(12，)参考步骤(9)、步骤(10)、步骤(11)过程，进行基于分段发动机转速和分段扭矩的平均油耗分布统计，得到最优油耗车辆油耗消耗分布表集合ky＝[ky1,ky2,ky3,...,kyn],进一步得到类图片数据集合pky＝[p1ky，p2ky，p3ky，......,pnky]，同样原理建立油耗识别模型mky，并用pky作为输入，yvin-w-min作为输出训练模型mky。步骤(13)，参考步骤(9)、步骤(10)、步骤(11)过程，进行基于分段发动机转速和分段扭矩的平均发动机功率分布统计，得到最优油耗车辆发动机功率分布表集合kg＝[kg1,kg2,kg3,...,kgn],进一步得到类图片数据集合pkg＝[p1kg，p2kg，p3kg，......,pnkg]，同样原理建立发动机功率识别模型mkg，并用pkg作为输入，yvin-w-min作为输出训练模型mkg。步骤(14)，将pkd、pky、pkg作为输入，分别使用模型mkd、mky、mkg进行预测，得到预测结果集合rkd、rky、rkg，进一步得到集合x＝{rkd，rky，rkg，yvin-w-min}。步骤(15)，利用神经网络建立大数据分析分类模型mresult对单车单程最优百公里油耗进行预测，输入为rkd、rky、rkg，输出为yvin-w-min，利用数据集合x训练模型；得到最终预测模型mresult。当需要对新车型进行油耗预测的时候，需要根据现有整车标定数据预先生成基于分段发动机转速和分段扭矩的平均油门开度统计表kdx、平均油耗分布统计表kyx、平均发动机功率分布统计表kgx,然后经过归一化归一化后放大a倍，得到类图片数据pkdx、pkyx、pkgx；然后将pkdx、pkyx、pkgx分别输入模型mkd、mky、mkg得到结果rkd、rky、rkg，然后将rkd、rky、rkg输入模型mresult得到单车单程最优百公里油耗。进一步地，如果从步骤(9)至步骤(16)使用平均油耗车辆数据集合wstd代替wbest，使用yvin-w-std代替yvin-w-min则最终预测结果将是待预测燃油汽车的单车单程平均百公里油耗。在一个实施例中，如图4所示，提供了一种汽车油耗预测模型的训练装置，包括：参数获取模块402，第一计算模块404，第二计算模块406，筛选模块408，统计模块410，转换模块412，训练模块414，其中：参数获取模块402，用于获取与目标汽车类别相对应的多辆燃油汽车的汽车行驶状态参数，汽车行驶状态参数包括行驶参数、油耗参数和汽车参数。第一计算模块404，用于根据每辆燃油汽车的行驶参数，确定每辆燃油汽车分别对应的标准路程第一油耗值。第二计算模块406，用于根据多辆燃油汽车分别对应的标准路程第一油耗值的第一正态分布状态，基于第一正态分布状态从多个标准路程第一油耗值中筛选出与目标汽车类别相对应的标准路程第二油耗值。筛选模块408，确定每个标准路程第二油耗值对应的目标燃油汽车，并获取与目标燃油汽车对应的目标汽车行驶状态参数；目标汽车行驶状态参数包括目标行驶参数、目标油耗参数和目标汽车参数。统计模块410，用于基于每辆目标燃油汽车的目标汽车参数分别对应的参数区间，对目标油耗参数进行统计，得到每辆目标燃油汽车对应的样本油耗参数分布表。转换模块412，用于将每个样本油耗参数分布表分别转换成对应的油耗参数分布类图，并且将每辆目标燃油汽车所对应的油耗参数分布类图和标准路程第二油耗值构成目标汽车类别的其中一个训练样本。训练模块414，用于对于目标汽车类别中的所有训练样本，将每个训练样本中的油耗参数分布类图作为待训练的汽车油耗预测模型的输入，将相应的标准路程第二油耗值作为待训练的汽车油耗预测模型的训练标签，对目标汽车类别所对应的汽车油耗预测模型进行模型训练。上述汽车油耗预测模型的训练装置，首先获取了具体目标汽车类型相对应的多辆燃油汽车的汽车行驶状态参数，然后根据每辆汽车的汽车行驶状态参数，首先确定每辆汽车的标准路程第一油耗值，然后基于目标汽车类型中的多辆汽车所对应的多个标准路程第一油耗值的正态分布状态，从中筛选出与目标汽车类别相对应的标准路程第二油耗值，通过标准路程第二油耗值，可以确定目标汽车类别中对应的目标燃油汽车，通过对目标汽车类型中的目标燃油汽车的目标汽车行驶状态参数进行具体处理，可以获得每辆目标燃油汽车对应的样本油耗参数分布表，对样本油耗参数分布表进行进一步的处理可以得到对应的油耗参数分布类图，每个油耗参数分布类图和对应的标准路程第二油耗值构成了目标汽车类别对应的一个训练样本，获得目标汽车类别的全部训练样本后，就可以将上述训练样本用于对目标汽车类别的汽车油耗预测模型进行训练。通过这种方式，可以有效地从目标汽车类型所对应的多辆燃油汽车的汽车行驶状态参数筛选出需要的目标汽车行驶状态参数，通过对这些参数进行统计和类图处理，使其成为汽车油耗预测模型易于识别的对象，同时通过对应的训练标签对汽车油耗预测模型输出的结果进行指导，所获得的训练好的汽车油耗预测模型，可以实现对待预测燃油汽车的油耗进行准确预测。在一个实施例中，所述第一计算模块，还用于：对于每辆燃油汽车，均分别根据所述负载信息将对应的所述路程信息分为多个单次路程；其中，负载信息每发生一次变化，即记为一个单次路程的起点和/或终点；确定每个单次路程对应的油耗参数，根据多个所述单次路程和对应的油耗参数，计算每个单次路程的标准路程初始油耗值；根据每辆燃油汽车对应的标准路程初始油耗值的第二正态分布状态，确定每辆燃油汽车分别对应的标准路程第一油耗值。在上述实施例中，通过每辆燃油汽车的多个单次路程分别对应的标准路程初始油耗值，基于对应的正态分布状态，可以准确获得每辆燃油汽车对应的标准路程第一油耗值，提高了汽车油耗预测模型的训练样本准确度。在一个实施例中，所述第一计算模块，还用于：当所述标准路程第一油耗值为标准路程平均油耗值时，所述标准路程第一油耗值为第二正态均值；当所述标准路程第一油耗值为标准路程最优油耗值时，所述标准路程第一油耗值为第二正态均值与第二标准差之间的差值。在上述实施例中，通过对单次路程的标准路程初始油耗值进行正态分布处理，并根据正态分布处理结果得到对应的标准路程第一油耗值，结果更为准确，误差更小，进一步提高了汽车油耗预测模型训练样本的准确度，进而提高了汽车油耗预测模型的准确度。在一个实施例中，所述第二计算模块，还用于：当所述标准路程第一油耗值为标准路程平均油耗值时，从多个所述标准路程第一油耗值中筛选出与所述第一正态均值相比，偏差不大于所述第一标准差的标准路程第一油耗值作为标准路程第二油耗值；当所述标准路程第一油耗值为标准路程最优油耗值时，从多个所述标准路程第一油耗值中筛选出不大于所述第一正态均值的标准路程第一油耗值作为标准路程第二油耗值。在上述实施例中，通过对标准路程第一油耗值进行进一步的筛选，实现了从目标汽车类别中进行“优中选优”的筛选工作，从而使得筛选出来的各个标准路程第二油耗值，均对应着行驶性能最佳的若干目标燃油汽车，利用这些行驶性能最佳的若干目标燃油汽车作为训练样本的构建基础，可以获得更为精确的训练样本和汽车油耗预测模型。在一个实施例中，所述统计模块，还用于：确定所述发动机转速参数对应的至少一个第一参数区间和所述发动机扭矩参数对应的至少一个第二参数区间；获取初始参数分布表，所述初始参数分布表包括至少一个参数分布域，每个所述参数分布域对应一个第一参数区间和一个第二参数区间；基于获取的所述初始参数分布表，对每辆目标燃油汽车对应的目标油耗参数进行统计，获取每辆目标燃油汽车对应的样本油耗参数分布表。在上述实施例中，通过进一步确定汽车参数，划分参数分布域对油耗参数进行统计，可以使得统计结果更为精确，用于制作训练样本的油耗参数分布表也更精确，能够有效分析已使用车型在所在市场的油耗表现，使得汽车油耗预测模型的训练效果更好。在一个实施例中，所述转换模块，还用于：对每个所述样本油耗参数分布表分别进行归一化处理，获得多个初始燃油汽车油耗分布类图；确定所述汽车油耗预测模型的训练像素，根据所述训练像素对每个所述初始燃油汽车油耗分布类图进行放大，获得多个燃油汽车油耗分布类图。在上述实施例中，通过归一化和缩放的方式，可以在保证训练样本精度的前提下，有效提高燃油汽车油耗分布类图与汽车油耗预测模型之间的适配度，使得汽车油耗预测模型可以很好地识别出燃油汽车油耗分布类图的信息特征，并基于这些信息特征给出准确的预测。在一个实施例中，所述装置，还包括预测模块，用于：确定属于所述目标汽车类别的待预测燃油汽车，并获取训练好的目标汽车油耗预测模型；获取与所述待预测车辆相对应的待处理油耗参数分布表；根据所述待处理油耗参数分布表获得与所述待预测车辆相对应的待处理燃油汽车油耗分布类图；将所述待处理燃油汽车油耗分布类图输入训练好的目标汽车油耗预测模型，获得当前待预测车辆的预测标准路程油耗值。在上述实施例中，所使用的汽车油耗预测模型，是基于大数据分析，通过对采集到的现市场大量用户油耗样本进行分析和建模而来，是目标汽车类别对应的最优油耗模型，能够有效分析目标汽车类别在运行过程中的油耗表现，有助于整车油耗标定策略的优化，及时对类似新车型的市场适应性作出准确预测，以确定是否对新车型的技术参数进行调整。关于汽车油耗预测模型的训练装置的具体限定可以参见上文中对于汽车油耗预测模型的训练方法的限定，在此不再赘述。上述汽车油耗预测模型的训练装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。在一个实施例中，提供了一种计算机设备，该计算机设备可以是服务器，其内部结构图可以如图5所示。该计算机设备包括通过系统总线连接的处理器、存储器和网络接口。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储汽车油耗预测模型的训练数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种汽车油耗预测模型的训练方法。本领域技术人员可以理解，图5中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。在一个实施例中，还提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现上述各方法实施例中的步骤。在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现上述各方法实施例中的步骤。本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(read-onlymemory，rom)、磁带、软盘、闪存或光存储器等。易失性存储器可包括随机存取存储器(randomaccessmemory，ram)或外部高速缓冲存储器。作为说明而非局限，ram可以是多种形式，比如静态随机存取存储器(staticrandomaccessmemory，sram)或动态随机存取存储器(dynamicrandomaccessmemory，dram)等。以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。以上实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。当前第1页12