本申请涉及数据处理，具体涉及一种车辆剩余里程的预测方法、装置、电子设备及车辆。
背景技术：
1、在车辆的行驶过程中，驾驶员要在安全驾驶的同时，也需要通过车辆的剩余里程预测值关注车辆的续航状态，避免造成车辆能源不足的情况下，无法行驶。
2、目前，车辆的预测剩余里程主要是通过回归算法进行预测，分为利用当前数据进行回归预测和利用时间窗口数据进行回归预测。其中，利用当前数据进行回归预测效果较好的算法为极端梯度提升(extremegradientboosting，xgboost)等非线性算法。而利用时间窗口数据进行回归预测的典型算法为自回归积分滑动平均模型(autoregressiveintegrated moving average model，arima)等算法。
3、然而，以上方法在特征维度较高的情况下，会造成算法性能下降，进而影响了剩余里程预测的精确性，这里主要问题还是由于算法本身的局限性，导致对较高维度特征的提取不够充分，理解能力需要进一步加强。
技术实现思路
1、有鉴于此，本申请提供了一种车辆剩余里程的预测方法、装置、电子设备及车辆，主要目的在于改善目前现有的车辆剩余里程的预测方式在特征维度较高的情况下会影响剩余里程预测精确性的技术问题。
2、第一方面，本申请提供了一种车辆剩余里程的预测方法，包括：
3、获取车辆的当前特征，所述当前特征包括第一预设数量的数据点各自对应多维度的第一特征，所述第一预设数量的数据点包括当前时间段对应的多个第一数据点和所述当前时间段之前的多个第二数据点；
4、从所述当前特征中，确定所述第二数据点各自对应多维度的第二特征；
5、基于所述第一特征、所述第二特征和与所述第二特征对应的剩余里程预测值，通过包含多头自注意力机制的机器学习模型进行计算，得到与所述当前时间段内各个时间点对应的剩余里程预测值。
6、第二方面，本申请提供了一种车辆剩余里程的预测装置，包括：
7、获取模块，被配置为获取车辆的当前特征，所述当前特征包括第一预设数量的数据点各自对应多维度的第一特征，所述第一预设数量的数据点包括当前时间段对应的多个第一数据点和所述当前时间段之前的多个第二数据点；
8、确定模块，被配置为从所述当前特征中，确定所述第二数据点各自对应多维度的第二特征；
9、预测模块，被配置为基于所述第一特征、所述第二特征和与所述第二特征对应的剩余里程预测值，通过包含多头自注意力机制的机器学习模型进行计算，得到与所述当前时间段内各个时间点对应的剩余里程预测值。
10、第三方面，本申请提供了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第一方面所述的车辆剩余里程的预测方法。
11、第四方面，本申请提供了一种电子设备，包括存储介质、处理器及存储在存储介质上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现第一方面所述的车辆剩余里程的预测方法。
12、第五方面，本申请提供了一种车辆，包括：如第二方面所述的车辆剩余里程的预测装置，或如第四方面所述的电子设备。
13、借由上述技术方案，本申请提供的一种车辆剩余里程的预测方法、装置、电子设备及车辆，首先获取车辆的当前特征，该当前特征包括第一预设数量的数据点各自对应多维度的第一特征，该第一预设数量的数据点包括当前时间段对应的多个第一数据点和当前时间段之前的多个第二数据点；再从车辆的当前特征中，确定第二数据点各自对应多维度的第二特征；然后基于第一特征、第二特征和与第二特征对应的剩余里程预测值，通过包含多头自注意力机制的机器学习模型进行计算，得到与当前时间段内各个时间点对应的剩余里程预测值。与目前现有的车辆剩余里程的预测方式相比，本申请可使机器学习模型进一步提高特征提取和理解能力，利用多头自注意力机制，对每一个特征生成相应的注意力特征并基于注意力特征下的当前特征进一步提取，去掉无用特征、保留有用特征，达到使特征动态变化，并且对特征进行充分提取，可提供优秀特征进行模型预测，得到更精确的剩余里程值预测结果。通过应用本申请的技术方案，可在特征维度较高的情况下，有效提高剩余里程的预测精确性。并且在输入输出方面，对多输入和多输出的方式进行优化，使算法能够在多输入和多输出的前提下，保持预测精确度并且降低算力需求，以适应更多的部署环境。
14、上述说明仅是本申请技术方案的概述，为了能够更清楚了解本申请的技术手段，而可依照说明书的内容予以实施，并且为了让本申请的上述和其它目的、特征和优点能够更明显易懂，以下特举本申请的具体实施方式。
1.一种车辆剩余里程的预测方法，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，所述基于所述第一特征、所述第二特征和与所述第二特征对应的剩余里程预测值，通过包含多头自注意力机制的机器学习模型进行计算，得到与所述当前时间段内各个时间点对应的剩余里程预测值，包括：
3.根据权利要求2所述的方法，其特征在于，所述将所述第一特征输入到所述机器学习模型的第一多头自注意力模块中进行特征筛选，并将标记有剩余里程预测值的所述第二特征输入到所述机器学习模型的第二多头自注意力模块中进行特征筛选，包括：
4.根据权利要求3所述的方法，其特征在于，所述通过所述第一多头自注意力模块从所述第一特征中筛选出第三特征，包括：
5.根据权利要求4所述的方法，其特征在于，所述将所述第一预设数量的数据点各自对应的所述第一特征，通过多头自注意力处理进行特征筛选，包括：
6.根据权利要求3所述的方法，其特征在于，所述通过所述第二多头自注意力模块，从标记有剩余里程预测值的所述第二特征中筛选出标记有剩余里程预测值的第四特征，包括：
7.根据权利要求3所述的方法，其特征在于，所述将所述第三特征和标记有剩余里程预测值的所述第四特征进行融合，包括：
8.根据权利要求2所述的方法，其特征在于，所述将所述第一特征输入到所述机器学习模型的第一多头自注意力模块中进行特征筛选，并将标记有剩余里程预测值的所述第二特征输入到所述机器学习模型的第二多头自注意力模块中进行特征筛选，包括：
9.根据权利要求1至8中任一项所述的方法，其特征在于，所述第一特征包括：车辆环境特征、车辆属性特征和驾驶行为特征中的至少一种。
10.一种车辆剩余里程的预测装置，其特征在于，包括：
11.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至9中任一项所述的方法。
12.一种电子设备，包括存储介质、处理器及存储在存储介质上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至9中任一项所述的方法。
13.一种车辆，其特征在于，包括：如权利要求10所述的车辆剩余里程的预测装置、或如权利要求12所述的电子设备。
