本发明涉及农机油耗预测，尤其涉及一种油耗预测方法、装置、电子设备及存储介质。
背景技术：
：：1、目前针对农机玉米播种作业油耗预测的方法较少，部分农机油耗预测方法多针对于深耕作业等。研究使用车载排放测试系统(portable emission measurement system)pems设备采集农机作业时的发动机工况数据，例如：发动机转速、发动机扭矩、油耗等。使用全球导航卫星系统设备采集农机作业时的定位数据，将发动机工况数据和定位数据作为特征数据，基于简单的线性回归算法构建油耗预测模型，探索特征数据与油耗数据之间的映射关系。2、针对道路车辆的油耗预测方法较多，早期基于车载自诊断系统设备采集车辆的定位数据和发动机瞬时工况数据，构建传统的油耗预测模型。近年伴随着机器学习和深度学习的发展，部分研究基于车辆的行驶工况数据构建机器学习模型或深度学习模型对农机油耗进行预测。3、目前车辆油耗预测的方法为针对于道路车辆的方法，在道路车辆的油耗预测方法中，早期多为基于车辆动力学原理的传统油耗模型，但是此类模型需要精准的描述发动机物理原理，并且此类模型的车型比较固定，无法描述不同特性的车辆。传统的油耗模型主要刻画燃油的物理意义，其考虑的影响因素很多，模型相对复杂，当输入的数据规模较大时，则模型效率低下。并且一般对于模型的输入的数据质量要求较高，一般需要1hz的瞬时数据。近年，机器学习算法和深度学习算法在油耗预测中得到广泛应用，多基于车载自诊断系统设备采集瞬时工况数据，例如：经度、纬度、速度、瞬时油耗等数据，构建工况特征与油耗数据之间的映射关系。但是相比于道路车辆，农机工作时长期处于低速、大负荷的运行工况，工作环境多为高温、高尘、高振动，并且目前市场农机产品规格不一，车载自诊断系统设备对于多数农机并不适用，农机工况的数据采集需要考虑到设备的可安装性、成本、农机手意愿等因素，因此农机工况数据的采集更加困难。4、而目前并没有一种能够解决上述技术问题的技术方案，具体的，并没有一种油耗预测方法、装置、电子设备及存储介质。技术实现思路1、本发明的目的是提出一种油耗预测方法，包括：2、提取目标车辆在每个运动学片段中的特征要素，构建与每个运动学片段相关的第一特征矩阵；3、将每个所述第一特征矩阵分别输入至油耗估计模型，获取由所述油耗估计模型输出的在每个运动学片段中的油耗估计值；4、所述运动学片段为农机作业时间按照预设时间步长所划分的时间单元；5、所述油耗估计模型是基于特征矩阵样本和所述特征矩阵样本对应的油耗预估标签训练获取的。6、根据本发明提供的油耗预测方法，所述对目标车辆在每个运动学片段中的特征要素进行特征要素提取，构建与每个运动学片段相关的第一特征矩阵，包括：7、基于所述目标车辆的终端信息，确定所述特征要素；8、基于k均值聚类算法k-means对运动学片段进行聚类识别并确定作业行为特征，所述作业行为特征至少包括播种行为特征、加种行为特征以及掉头行为特征，对播种行为特征赋值为数值0，对加种行为特征赋值为数值1，对掉头行为特征赋值为数值2；9、基于所述特征要素构建第二特征矩阵；10、基于所述第二特征矩阵、所述作业行为特征以及所述目标车辆的驾驶模式特征构建第三特征矩阵，其中，所述驾驶模式特征包括人工驾驶模式特征、辅助驾驶模式特征以及无人驾驶模式特征，对人工驾驶模式特征赋值为数值0、对辅助驾驶模式特征赋值为数值1，对无人驾驶模式特征赋值为数值2；11、对所述第三特征矩阵进行降维处理，并基于特征值以及方差贡献值确定累积方差贡献率不低于第一阈值的前n个特征要素；12、基于所述前n个特征要素构建第一特征矩阵，n≥3；13、遍历所有运动学片段，以获取与每个运动学片段相关的每个第一特征矩阵。14、根据本发明提供的油耗预测方法，所述特征要素为如下中的至少一种：15、平均速度；速度标准差；加速时间占比；减速时间占比；匀速时间占比；怠速时间占比。16、根据本发明提供的油耗预测方法，在基于k均值聚类算法k-means对运动学片段进行聚类识别并确定作业行为特征之后，还包括：17、基于轨迹几何特征对播种行为修正；18、基于近邻轨迹对掉头行为修正；19、基于农田区域及轨迹上下文语义对加种行为修正。20、根据本发明提供的油耗预测方法，所述基于轨迹几何特征对播种行为修正，包括：21、基于运动学片段构建播种行为的连续轨迹集合；22、计算所述连续轨迹集合中每一组的轨迹长度，构建轨迹长度集合，所述轨迹长度为两端点的直线距离；23、计算所述两端点的斜率绝对值，构建斜率集合；24、对轨迹长度小于预设阈值且斜率绝对值小于预设阈值的运动学片段进行修正，以获取第一修正数据。25、根据本发明提供的油耗预测方法，所述基于近邻轨迹对掉头行为修正，包括：26、基于第一修正数据构建掉头行为的掉头运动学片段集合；27、基于掉头运动学片段集合确定与每个掉头运动学片段相关的近邻轨迹集合；28、基于所述近邻轨迹集合中的近邻轨迹到所述掉头运动学片段的距离进行排序；29、当所述近邻轨迹集合中播种行为与掉头行为的数量不相等时，将到所述掉头运动学片段的距离最短的近邻轨迹进行修正，以获取第二修正数据。30、根据本发明提供的油耗预测方法，所述基于农田区域及轨迹上下文语义对加种行为修正，包括：31、基于所述第二修正数据构建加种行为连续轨迹集合，当与加种行为轨迹前后紧邻的运动学片段都为播种行为时，则对所述第二修正数据进行修正，以获取第三修正数据；32、基于第三修正数据确定加种行为轨迹时长，当所述加种行为轨迹与第一次加种行为轨迹位于农田同侧且时长小于预设时间时，或者当所述加种行为轨迹与第一次加种行为轨迹不在农田同侧时，对所述第三修正数据进行修正，以获取第四修正数据。33、根据本发明提供的油耗预测方法，所述油耗估计模型是基于特征矩阵样本和所述特征矩阵样本对应的油耗预估标签训练获取的，包括：34、对样本车辆在每个样本运动学片段中的特征要素进行特征要素提取，确定与每个样本运动学片段相关的特征矩阵样本；35、将所述特征矩阵样本按照预设比例分为训练样本以及测试样本，基于训练样本和所述训练样本对应的油耗预估标签构建油耗估计模型。36、根据本发明提供的油耗预测方法，所述样本运动学片段包括所述第一运动学片段、所述第二运动学片段以及所述第三运动学片段，其中，所述第一运动学片段通过样本车辆人工驾驶模拟田间作业确定，所述第二运动学片段通过样本车辆辅助驾驶模拟田间作业确定，所述第三运动学片段通过样本车辆无人驾驶模拟田间作业确定。37、根据本发明提供的油耗预测方法，所述预设比例基于平均绝对误差以及训练时长的相对关系确定。38、本发明还提供了一种油耗预测装置，包括：39、处理装置：提取目标车辆在每个运动学片段中的特征要素，构建与每个运动学片段相关的第一特征矩阵；40、获取装置：将每个所述第一特征矩阵分别输入至油耗估计模型，获取由所述油耗估计模型输出的在每个运动学片段中的油耗估计值。41、本发明还提供了一种电子设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述程序时实现所述油耗预测方法的步骤。42、本发明还提供了一种非暂态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所述油耗预测方法的步骤。43、本发明提取目标车辆在每个运动学片段中的特征要素，构建与每个运动学片段相关的第一特征矩阵；将每个所述第一特征矩阵分别输入至油耗估计模型，获取由所述油耗估计模型输出的在每个运动学片段中的油耗估计值，本发明公开了一种油耗预测方法，适用于农机采用人工驾驶模式、辅助驾驶模式和无人驾驶模式三种驾驶模式进行梭行玉米播种作业，将农机作业时长划分为若干时间窗口，对于落入同一个时间窗口的轨迹点划分为一个运动学片段，为每个片段构建了平均速度、速度标准差、加速时长占比、减速时长占比、怠速时长占比和匀速时长占比6个行驶工况指标，不仅压缩了数据量而且赋予单个轨迹点更多的语义信息。44、本发明基于运动学片段的语义信息对播种行为、加种行为和掉头行为这三种行为做出识别，将每个所述第一特征矩阵分别输入至油耗估计模型，获取由所述油耗估计模型输出的在每个运动学片段中的油耗估计值，并将所有运动学片段中的油耗估计值累加，进而确定目标车辆的油耗预测，从而提高了油耗预测的精准度、提升了预测速度。当前第1页12当前第1页12