发展电动汽车,是解决现阶段环境污染、石油资源枯竭等问题的重要途径。在电动汽车使用过程中,由于电池容量的限制,里程焦虑成为了影响驾驶体验的最主要因素之一。对电动汽车的行程能耗进行鲁棒准确的预测,可以指导驾驶员合理分配电量,缓解里程焦虑。然而,目前的电动汽车行程能耗预测方法由于没有考虑到车辆行驶过程中交通状态对于实际工况的影响,导致预测精度较低,无法有效缓解驾驶员的里程焦虑。本文从考虑车辆行驶的实际工况出发,融合电动汽车行驶的交通信息,利用深度学习方法,开展电动汽车行程能耗预测方法研究。提出了一种基于深度学习模型结合注意力机制的电动汽车行程能耗预测方法。仿真实验结果表明,相比以前的方法,本文提出的行程能耗预测模型能够达到更高的预测精度。主要工作及研究成果如下:(1)构建了电动汽车运行数据采集及行程能耗计算仿真平台,完成了车辆行驶状态及行程能耗仿真数据集的构建,解决了训练数据较少导致行程能耗预测模型训练不充分的问题。基于交通路网及电动车辆实际运行数据,对车辆行驶工况及车辆重要部件相关参数进行统计分析,在Paramics交通仿真软件及Simulink/MATLAB环境下分别构建了交通仿真模型以及纯电动汽车仿真模型。实车运行数据表明本文建立的交通路网模型及车辆仿真模型具有较高的精度。通过建立的仿真模型,为后续的预测模型训练提供数据基础。(2)提出了一种基于注意力机制的路网交通状态特征提取方法,可以从高维交通路网状态数据中提取有效的关键特征,减少无关特征对行程能耗预测模型的干扰。该方法根据行驶任务,利用路网交通状态数据,赋予该行驶任务过程中路网的各个路段相应的注意力权重,使得加权后的交通路网状态特征能更好的表征交通状态对电动汽车未来行程能耗的影响。对比试验结果表明,加入注意力机制使得行程能耗预测模型平均绝对百分比误差降低2.95%。结合预测结果对注意力权重进行可视化,可以直观地展示交通状态对未来行程能耗的影响。可视化结果表明了基于注意力机制的交通路网状态特征的提取方法符合人类的直觉。(3)提出了一种融合交通信息的电动汽车行程能耗深度学习预测方法。该方法融合了车辆状态信息与交通路网状态特征,训练深层神经网络,得到行程能耗预测模型。在Python环境下实现了融合交通信息的电动汽车行程能耗预测模型的训练,以及精度验证。试验结果表明模型预测的平均绝对误差为0.0620 k W·h,平均绝对百分比误差为8.22%。