CN101519073A - 一种混合动力汽车行驶负载预测方法 - Google Patents

Abstract

本发明涉及一种混合动力汽车行驶负载预测方法，包括步骤：采集汽车行驶一段时间内的速度序列x₀′(n)；根据x₀′(n)获取行驶周期T，将T作为滑动时间窗的长度；利用滑动时间窗将x₀′(n)在时间上分段，每个滑动时间窗分为历史时间T₁和预测时间T₂；利用DCT对T₁时间段的数据进行维数消减；根据T₂时间段的数据利用模糊逻辑推理得到T₂时间段的负载等级；以维数消减后的T₁时间段的数据及T₂时间段的负载等级作为训练数据对支持向量机进行训练；采集行驶汽车速度，利用滑动时间窗采集T₁时间长度后获得速度序列x₀(n)，利用DCT对x₀(n)进行维数消减得到x₁(n)；用训练后的支持向量机对x₁(n)进行分类，预测T₂时间段内的负载等级。本发明提高了现有负载预测方法中的预测精度和泛化能力，降低了计算复杂度，实现了动态预测。

Description

一种混合动力汽车行驶负载预测方法

技术领域

本发明涉及动力控制技术领域，尤其涉及汽车的控制策略领域，具体涉及一种基于正交余弦变换和支持向量机的混合动力汽车行驶负载预测方法。

背景技术

近年来，温室气体的排放及燃料的消耗导致了全球变暖的趋势，为了减少这种影响，汽车被给予了越来越多的关注，我们希望汽车能够有更好的燃油经济性和更少的污染排放，同时又不会降低其性能。

目前，有如下三种方法被用于提高汽车的性能及发动机的效率。第一种方法是改变传统发动机的结构或者增加一些改进的部件，但这种方法带来性能提升相当有限。第二种方法是采用电动汽车(EV)及燃料电池汽车(FCV)。EV和FCV这两种汽车是最清洁的汽车，其采用电池或燃料电池代替燃料，采用电动机替代内燃机。然而，高昂的成本限制了它们的发展。结合以上两种方法，在1995年以后发展出第三种方法，这就是混合动力汽车(HEV)。HEV结合传统汽车和电动汽车的优势，以达到在成本开销和燃油经济的较好平衡。总体上，混合动力汽车有两个或两个以上的动力来源，并且以不同方式将其能量部分(如内燃机和电动机)与电力存储部分(如电池)结合起来。

混合动力汽车可以分为如下三类：串联式混合动力汽车、并联式混合动力汽车及混合式混合动力汽车。对于串联式混合动力汽车，汽车只被电动机驱动，由内燃机产生的能量会被转化为电能提供给电动机以驱动汽车。对于并联式混合动力汽车，电动机和内燃机都可以驱动汽车。混合式混合动力汽车则是以上两种汽车的结合体。无论采用哪种混合动力汽车，混合动力汽车的关键问题在于如何将这些动力来源合理的组合在一起，这就需要找到一种合适的动力管理策略以优化发动机效能并最小化污染排放。

混合动力汽车的行驶负载对于决定发动机操作是一个非常重要的因素。行驶负载与诸如速度、加速度、扭矩等等因素相关，因此经常使用行驶负载作为一种有效的表示混合动力汽车行驶状态的方法。而如果给定了混合动力汽车的行驶负载，那么控制策略将更加有效的发挥作用。因此，无论采用哪种控制策略，估计行驶负载都是最为重要的一环。目前，有很多种方法可以做到这点，很多模型被提出并得以发展。目前，这些模型主要可以分为如下两类：

·基于当前数据进行估计

当前数据大致上包括如汽车速度、加速度及转速等诸多变量。基于这些变量，需要找到一种用于建立输入变量和输出行驶负载的关系的映射。例如，在文献[D.H.Kim，K.S.Hong，and K.Yi，“Driving LoadEstimation with the Use of an Estimated Turbine Torque，”JSMEInternational Journal，Series C，2006]中，基于传送输出速度和行驶转速，通过神经网络对发动机扭矩进行估计，从而估算行驶负载。这种方法简单、直接并且在现实应用中得到了广泛采用。但是这种方法不能够完全反映汽车的实际负载，精度不够，而且无法针对不同路况和变化的环境给出足够精确的预测等不足。

·基于历史数据进行估计

在这种方法中，建立预测模型以通过历史数据来预测将来的行驶负载，这种方法可靠且稳定。另外，控制器可以基于预测结果提前进行策略的调整，从而获得良好的性能，但是目前对此方法的应用鲜有研究。文献[Z.Wang，G.Xu，W.Li，and Y.Xu，“Driving Load ForecastingUsing Cascade Neural Networks.”ISNN 2007，Part III，LNCS 4493，pp.988-997，2007]采用卡尔曼滤波级联神经网络(CNN-NDEKF)以解决行驶负载问题，且通过实验获得了不错的结果。但是现有的算法具有维数高、计算量大、计算过程复杂、精度低、误差大等缺陷。

发明内容

本发明的目的是提供一种混合动力汽车行驶负载预测方法，提高现有技术中的预测精度和泛化能力，降低计算复杂度。

为实现上述目的，本发明采用如下技术方案：

本发明提供一种混合动力汽车行驶负载预测方法，该方法包括以下步骤：

S1，采集汽车行驶一段时间内的行驶速度获得速度序列x₀′(n)；

S2，根据x₀′(n)获取行驶周期T，将T作为滑动时间窗的长度；

S3，利用滑动时间窗将x₀′(n)在时间上分段，每个滑动时间窗在时间上分为历史时间T₁和预测时间T₂；

S4，利用正交余弦变换对T₁时间段的数据进行维数消减；

S5，根据T₂时间段的数据利用模糊逻辑推理得到T₂时间段的负载等级；

S6，以维数消减后的T₁时间段的数据及T₂时间段的负载等级作为训练数据对支持向量机进行训练；

S7，采集行驶汽车速度，利用滑动时间窗采集T₁时间长度后获得速度序列x₀(n)，利用正交余弦变换对x₀(n)进行维数消减得到x₁(n)；

S8，利用训练后的支持向量机对x₁(n)进行分类，预测后面T₂时间段内的负载等级，若汽车在行驶中，则返回步骤S7。

优选地，步骤S2中，通过计算x₀′(n)的能量谱密度，将能量谱密度最高的频率所对应的周期确定为所述行驶周期T。

优选地，步骤S2中，在获取所述行驶周期T后，还包括根据下式获取行驶周期T置信度的步骤，在置信度低于设定值后对所述行驶周期T进行修正，

$F=\frac{s_1/f_1}{s_2/f_2}$

其中，F服从统计学分布，s₁为行驶周期T组间误差，s₂为行驶周期T组内误差，f₁为s₁的自由度，f₂为s₂的自由度。

优选地，在步骤S1中，对不同行驶环境下的汽车行驶速度进行采集；

步骤S2中，根据每种行驶环境下采集的速度序列获取该行驶环境下的行驶周期，将最长的行驶周期确定为所述行驶周期T。

优选地，步骤S5包括子步骤：

S501，由所述T₂时间段的数据计算T₂时间段内的平均速度x及加速度y；

S502，将所述x和y由其各自所属的隶属函数转化成输入模糊值；

S503，基于输入模糊值和事先确定的规则，产生由行驶负载z所属的隶属函数所定义的输出模糊值；

S504，将所述输出模糊值转换成用于计算和决策的整数值，将所述整数值作为T₂时间段的负载等级。

优选地，x所属的隶属函数将平均速度范围划分为五个速度等级；y所属的隶属函数将加速度范围划分为五个加速度等级；z所属的隶属函数将负载等级范围划分为五个负载等级；

事先确定的规则有若干条，分别定义了由不同的速度等级和不同的加速度等级所对应的负载等级。

优选地，若步骤S502中，所述输入模糊值为第i个速度等级和第j个加速度等级；

步骤S503中，若第i个速度等级、第j个加速度等级和第l个负载等级的隶属函数分别为μ_vi(x)、μ_αj(y)及μ_dl(z)，基于第k条规则的输出隶属度由式(1)确定：

μ_k(z)＝min{μ_ij，μ_dl(z)}，k＝1，2，...，25；(1)

其中，

μ_ij＝min{μ_vi(x)，μ_αj(y)}，i，j＝1，2，3，4，5；(2)

综合上面的输出隶属度，由式(3)获得加权平均的隶属度：

$\mathrm{\μ}\left(z\right)=\frac{{\mathrm{\Σ}}_{k=1}^{25}{\mathrm{\μ}}_k\left(z\right)w_k}{{\mathrm{\Σ}}_{k=1}^{25}{w}_k}---\left(3\right)$

其中w_k是与第k条规则相关、介于0到1之间的权重；

将所述μ(z)确定为输出模糊值。

步骤S504中，利用重心法将输出模糊值μ(z)转换成用于计算和决策的整数值d：

$d=\mathrm{round}\left(\frac{\∫\mathrm{\μ}\left(z\right)\mathrm{zdz}}{\∫\mathrm{\μ}\left(z\right)\mathrm{dz}}\right)$

其中，round为利用四舍五入取整。

优选地，步骤S6之后，步骤S7之前还包括步骤：利用训练好的支持向量机以步骤S4中维数消减后的T₁时间段的数据作为输入，预测对应T₂时间段的负载等级，判断所预测的负载等级是否在设定误差范围内，若超出设定误差范围，修正支持向量机的相关参数。

优选地，所述支持向量机的核函数为单个径向基核。

优选地，步骤S6之后，还包括利用克隆粒子群优化算法对所述单个径向基核的参数进行优化的步骤。

利用本发明提供的混合动力行驶负载预测方法进行负载预测，具有以下有益效果：

1)经过正交余弦变换的信号比经过快速傅立叶变换的信号具有保持更低频成分的能力，而高频成分通常被认为是噪声信息，因此，经过正交余弦变换，更多内在特征得以保留，而高频成分则被滤去，因此预测精度和泛化能力都得到了提升，还降低了计算的复杂度；

2)无论是在预测精度还是泛化能力上，支持向量机都表现出比神经网络更好的性能，因此预测得到的结果更准确。

附图说明

图1为本发明混合动力汽车行驶负载预测方法流程图；

图2A为本发明实施例中所用城区环境行驶数据Manhattan标准行驶数据图；

图2B为本发明实施例中所用城区环境行驶数据UDDS标准行驶数据图；

图2C为本发明实施例中所用城区环境行驶数据WVUCITY标准行驶数据图；

图2D为本发明实施例中所用城区环境行驶数据NYCC标准行驶数据图；

图3A为本发明实施例中Manhattan标准行驶数据的能量分布图；

图3B为本发明实施例中UDDS标准行驶数据的能量分布图；

图3C为本发明实施例中WVUCITY标准行驶数据的能量分布图；

图3D为本发明实施例中NYCC标准行驶数据的能量分布图；

图4为本发明实施例中模糊推理原理框图；

图5A本发明实施例中汽车的平均速度的隶属函数图；

图5B为本发明实施例汽车的加速度的隶属函数；

图5C为本发明实施例汽车的行驶负载的隶属函数；

图6为将使用正交余弦变换的数据的前三维投射到三维空间图；

图7A为本发明实施例中所用城区及城外环境行驶数据Manhattan标准行驶数据图；

图7B为实施例中所用城外环境行驶数据NEDC标准行驶数据图；

图7C为实施例中所用城外环境行驶数据US06标准行驶数据图；

图8为本发明实施例维度和预测精度的关系图；

图9A为本发明实施例中在3-mixd训练集、5-separate测试集上的预测精度图；

图9B为本发明实施例中在5-mixd训练集、5-separate测试集上的预测精度图；

图10为本发明实施例中正交余弦变换和快速傅里叶变换的拟合性能比较图；

图11为本发明实施例中正交余弦变换和快速傅里叶变换的STD在拟合行驶负载样本数据上性能比较图；

图12为本发明实施例中正交余弦变换和快速傅里叶变换的STD能量保持性能比较图。

具体实施方式

本发明提出的基于正交余弦变换和支持向量机的混合动力汽车的行驶负载预测方法，结合附图和实施例说明如下。

本文将建立一个基于正交余弦变换(DCT)和支持向量机(SVM)的针对混合动力汽车行驶负载的预测模型。在这个预测模型中，模糊逻辑用于前期支持向量机的训练过程中在预测期判定行驶负载，正交余弦变换用于压缩数据以减少计算量和过滤噪声，支持向量机则用于将速度序列分类到由模糊逻辑定义的5个行驶负载等级上。根据这个预测模型，未来的行驶状态将被有效和精准的预测，这样汽车就可以合适的调整上文所述的两种动力来源的分配，混合动力汽车也会因此轻松的获得良好的性能。

在详细介绍本发明的基于正交余弦变换和支持向量机的混合动力汽车行驶负载预测方法之前首先介绍正交余弦变换DCT和支持向量机的原理。

1)DCT原理

快速傅立叶变换FFT和正交余弦变换DCT是两种在电子信号处理中广泛使用的方法，它们都可以用于压缩数据以降低输入维数。

快速傅立叶变换是正交傅立叶变换DFT的快速算法，设输入信号为x(n)，n＝1，...，N，那么，输入信号的正交傅立叶变换为

$y\left(k\right)=\underset{n=1}{\overset{N}{\mathrm{\Σ}}}x\left(n\right){\mathrm{\ω}}_N^{(n-1)(k-1)}---\left(1\right)$

其中，k＝1，2，...，N，并且ω_N是如下定义的第N个根

${\mathrm{\ω}}_N=e^{(-2\mathrm{\πi})/N}---\left(2\right)$

式(2)中的i表示复数的虚部。

观察式(1)，可以发现正交傅立叶变换将一个信号的时间域变换到一个复数频率域。经过这个变换，隐藏在原始信号数据中的频率信息可以在频率域被轻松的表达出来。在频率域中，高频部分通常被认为是噪声。那么，通过保持低频部分，有效信号得以保留，而噪声则会被滤去。也因为如此，维数得以降低。

设输入信号为x(n)，n＝1，...，N，那么，正交余弦变换DCT定义为：

$y\left(k\right)=w\left(k\right)\underset{n-1}{\overset{N}{\mathrm{\Σ}}}x\left(n\right)\cos \frac{\mathrm{\π}(2n-1)(k-1)}{2N}---\left(3\right)$

其中，k＝1，2，...，N，并且w(k)定义为：

$w\left(k\right)=\left\{\begin{array}{cc}\frac{1}{N},& k=1\\ \sqrt{\frac{2}{N}},& 2\≤k\≤N\end{array}\right.---\left(4\right)$

对于本发明来说，上述x(n)就是需要处理的T₁时间段的速度序列。

观察式(3)和式(1)，可以发现正交余弦变换比正交傅立叶变化使用了更少的基。那么，更低的维度就可以蕴含更多的数据信息，相较于正交傅立叶变换结果中的复数，正交余弦变换将信号直接转为实数，这便有利于数据的进一步处理。因此，正交余弦变换成为图像处理及压缩的一种重要工具，但还未公开将正交余弦变换应用到汽车负载预测领域的技术。在文献[]N.Ahmed，T.Natarajan and K.R.Rao，“Discrete cosine transform，”IEEE Transactions on Computers，vol.C-23，pp.90-93，Jan.1974]和文献[K.-R.Muller，S.Mika，G.Ratsch，K.Tsuda，and B.Scholkopf.“An introduction to kernel-based learning algorithms，”IEEE Transactions on Neural Networks，12(2)：181-201，May 2001]中，相较于正交傅立叶变换，正交余弦变换被证明为更加接近于最优的KL(Karhunen-Loeve)变换(KLT)。

2)支持向量机SVM

支持向量机SVM的思想是在线性可分的条件下构造一个最大间隔分类器。为了分开两类，一个分割超平面(W，b)不仅应当将数据正确的分开(W是SVM的系数向量，b是偏置)，同时也要保障分割超平面间隔γ尽可能大。给定一个线性可分的训练集，

S＝((x₁，y₁)，...，(x_l，y_l))，l为正整数     (5)

对于本发明来说，上述x₁，y₁具体是一个时刻的速度值及其分类。

得到这个超平面(W，b)等价于求解如下的对偶优化问题，

${\max }_{\mathrm{\&alpha;}}{\mathrm{\&Sigma;}}_{i=1}^l{\mathrm{\&alpha;}}_i-\frac{1}{2}{\mathrm{\&Sigma;}}_{i,j=1}^l{y}_i{y}_j{\mathrm{\&alpha;}}_i{\mathrm{\&alpha;}}_j<x_i\&CenterDot;x_j>---\left(6\right)$

结束为

${\mathrm{\&Sigma;}}_{i=1}^l{y}_i{\mathrm{\&alpha;}}_i=0$

α之0，i＝1，...，l。

然而现实世界中的问题通常是线性不可分的，因此引入了核方法。将等式(6)中的<x_i·x_j>替换为核函数K<x_i·x_j>，将输入空间非线性映射到特征空间中，支持向量机就可以将现实世界中的问题作为线性可分的情况加以解决。

如图1所示为本发明混合动力汽车行驶负载预测方法流程图，该方法包括以下步骤：

S1，前期数据采样，采集汽车行驶一段时间内的行驶速度获得速度序列x₀′(n)；

S2，根据x₀′(n)获取行驶周期T，将T作为滑动时间窗的长度；

收集的数据x₀′(n)是一个长的速度序列，需要利用滑动时间窗来划分，分段处理实现对一个长的或无穷序列的连续处理，将采集的速度序列利用时间窗划分为历史数据和预测数据是模型要求，利于反映动态变化的环境和负载变化关系，使得处理更加精确和有效

S3，利用滑动时间窗将x₀′(n)在时间上分段，每个滑动时间窗在时间上分为历史时间T₁和预测时间T₂，本实施例中T₁时间段的数据称为历史数据，将T₂时间段的数据称为预测数据；

S4，利用正交余弦变换对x₀′(n)中T₁时间段的数据进行维数消减；

由于采样得到的x₀′(n)维数较大，这里的维数指定的采样长度，这会带来庞大的计算量。另外，传感器也可能会带来噪声数据。因此，必须使用维数削减的方法来解决这些问题。后面将通过实验对正交余弦变换和快速傅立叶变换进行比较，并讨论为什么要选择正交余弦变换作为维数削减算法。

S5，根据T₂时间段的数据利用模糊逻辑推理得到T₂时间段的负载等级；

为了优化混合动力汽车的性能，应当对汽车的行驶负载定义一种输出，本实施例中使用模糊逻辑。

S6，以维数消减后的x₀′(n)中T₁时间段的数据及步骤S5得到的T₂时间段的负载等级作为训练数据对支持向量机进行训练；

经过以上六步，预测行驶负载转为将处理过的历史数据分为相应的行驶负载等级的问题。为此，应当选择一个合适的分类器。本发明优选采用径向基(RBF)核的支持向量机。支持向量机的特点在于获得历史数据及历史数据对应的分类结果(即T₂时间段的负载等级)后，其自身可以进行学些并调制相关参数，建立起历史数据与T₂时间段的负载等级之间的映射关系，支持向量机的训练过程为现有技术，这里不再详述。

S7，采集行驶汽车速度，利用滑动时间窗采集T₁时间长度后获得速度序列x₀(n)，利用正交余弦变换对x₀(n)进行维数消减得到x₁(n)；

同样由于采样得到的x₀(n)维数较大，会带来庞大的计算量。另外，传感器也可能会带来噪声数据。因此，使用维数削减的方法来解决这些问题。

S8，利用训练后的支持向量机对x₁(n)进行分类，预测滑动时间窗后面T₂时间段内的负载等级，若汽车在行驶中，则返回步骤S7，若汽车不在行驶，则结束；

训练好的支持向量机已建立起历史数据与T₂时间段的负载等级之间的映射关系，因此，该步骤直接利用该映射关系对行驶负载进行分类，预测后面T₂时间段内的行驶负载。

实施例

A)模型建立阶段的数据采样

本实施例中步骤S1所使用的速度序列使用的速度序列x₀′(n)产生于真实世界中的标准行驶数据集，如US06 Supplemental Federal TestProcedure(US06)、New European Driving Cycle(NEDC)、ManhattanBus Cycle(Manhattan)、Highway Fuel Economy Test(HWFET)、Urban Dynamometer Driving Schedule(UDDS)、City Driving for aHeavy Vehicle(WVUCITY)、Interstate Driving for a Heavy Vehicle(WVUINTER)及New York City Cycle(NYCC)。每个数据集都是由汽车上的传感器所采集到的一段时间序列，时间序列上的每一点都代表当前汽车的瞬时速度。

这些行驶数据可以被分为两类：城区环境的行驶数据和城外环境的行驶数据。在城区环境中，由于交通管制和堵车，行驶数据，如Manhattan、UDDS、WVCITY和NYCC(图2A～图2D)，通常具有周期性。而为了预测混合动力汽车的行驶负载，分析行驶周期是非常重要的。

C)行驶周期T的确定及数据分段

估计如行驶数据之类的序列周期，谱分析是一种很好的方法。基于谱估计的原理，信号中能量的频率上的分布可以被清晰的表达出来，由此可以获得周期最可能的长度。

对于一个固定的随机序列{x_n}，这个信号的能量谱密度(PSD)在数学上与自相关序列相关。通常，能量谱密度由正交时间傅立叶变换获得(DTFT)。

$P_{\mathrm{xx}}\left(f\right)=\frac{1}{f_s}\underset{m=-\&infin;}{\overset{\&infin;}{\mathrm{\&Sigma;}}}{R}_{\mathrm{xx}}\left(m\right)e^{-2\mathrm{\&pi;jfm}/f_s}---\left(7\right)$

这里R_xx(m)是信号的自相关序列，P_xx(f)是在物理频率f上的能量谱密度，以赫兹为单位，f_s是采样频率。

信号在特定频率带[ω₁，ω₂]上的能量可从能量谱密度上计算出来。

${\stackrel{\&OverBar;}{P}}_{[{\mathrm{\&omega;}}_1,{\mathrm{\&omega;}}_2]}={\&Integral;}_{{\mathrm{\&omega;}}_1}^{{\mathrm{\&omega;}}_2}{P}_{\mathrm{xx}}\left(\mathrm{\&omega;}\right)\mathrm{d\&omega;}+{\&Integral;}_{-{\mathrm{\&omega;}}_2}^{-{\mathrm{\&omega;}}_1}{P}_{\mathrm{xx}}\left(\mathrm{\&omega;}\right)\mathrm{d\&omega;}---\left(8\right)$

当频率带[ω₁，ω₂]足够窄时，我们就会发现P_xx(ω)代表了信号在一个极小频率带上的能量。从这个能量谱密度上，信号在频率域上的能量分布可以被清楚的表达出来，能量谱密度最高的频率就对应于信号最可能的周期。因此可以通过计算x₀′(n)的能量谱密度，将能量谱密度最高的频率所对应的周期确定为所述行驶周期T

城区环境中四个行驶数据的能量分布如图3A～图3D所示。通过这些图，可以发现，四个行驶数据的周期分别约为50秒(Manhattan)，200秒(UDDS)，250秒(WVUCITY)和120秒(NYCC)。优选地，在获取行驶周期T后，还包括根据获取行驶周期T置信度的步骤，在置信度低于设定值后对所述行驶周期T进行修正。本实施例对这些周期采用假设检验的统计学方法进行验证，验证的具体过程如下。

给定一个固定的随机序列{x_n}，对于一个长度为m的周期，其可以被分为[n/m]个子序列。令X为这个序列{x_n}的均值，且x_i(i＝1，...，[n/m])为第i个子序列的均值。并且，x_ij(i＝1，...，[n/l]，j＝1，...，l)代表子第i个子序列中的点。

行驶周期T的组间误差为：

$s_1=\underset{i=1}{\overset{[n/m]}{\mathrm{\&Sigma;}}}{({\stackrel{\&OverBar;}{x}}_i-\stackrel{\&OverBar;}{X})}^2---\left(9\right)$

行驶周期T组内误差为：

$s_2=\underset{i=1}{\overset{[n/m]}{\mathrm{\&Sigma;}}}\underset{j}{\overset{m}{\mathrm{\&Sigma;}}}{(x_{\mathrm{ij}}-{\stackrel{\&OverBar;}{x}}_i)}^2---\left(10\right)$

s₁的自由度为：

f₁＝[n/m]-1                           (11)

s₂的自由度为：

f₂＝n-[n/l]                 (12)

本实施例中按如下公式计算比率：

$F=\frac{s_1/f_1}{s_2/f_2}---\left(13\right)$

这里F服从统计学分布，衡量了信号行驶周期长度为m的置信度。城区环境的四种行驶数据的周期检验信息如表1所示。为了衡量行驶周期长度的置信度，本实施例设定了两个阈值：如果置信度高于95％，认为这个行驶周期长度以一个很强的概率被接受，如果置信度介于95％与60％之间，那么这个行驶周期长度则以一个弱的概率被接受。如果置信度低于60％，就认为这个行驶周期长度被拒绝。根据表I，可以得知城区环境中的四种行驶数据都具有较为明显的周期性。

表1 城区环境的四种行驶数据的检验信息

 

数据集	最大的F	周期	f1	f2	置信度	接受度
							Manhattan	9.39	54	19	1070	100％	强
UDDS	1.082	205	5	1364	63.16％	弱
							WVUCITY	1.068	226	5	1402	62.37％	弱
NYCC	2.39	112	4	594	95.02％	强

基于上面的数据分析及表1中的信息，根据每种行驶环境下采集的速度序列获取该行驶环境下的行驶周期，将最长的行驶周期确定为所述行驶周期T。本实施例将时间窗的大小设为250秒(即城区环境中四种行驶数据中周期最长的一个)，以250秒的时间长度将x₁′(n)在时间上分段，每个时间窗在时间上的前150秒作为历史时间T₁，后100秒作为预测时间T₂，相应地将该时间窗内的x₀′(n)分为历史数据和预测数据，本实施例中将时间窗划分为历史时间T₁和预测时间T₂的时间切点不局限于此，也可以是其它的时间切点，但优选采用历史时间T₁大于预测时间T₂时间长度，时间窗的起始点被随机设定。

C)模型建立阶段的维数消减

本实施例选择正交余弦变换而非快速傅立叶变换对x₀′(n)中T₁时间的历史数据进行维数消减获得到x₁′(n)，这样做的原因由试验V-C、试验V-D和第V-G节详细给出。

D)模糊逻辑推理出预测时间段内的负载等级

行驶负载是一种对于混合动力汽车的行驶状态非常有效的表示方式，因此本发明选择它作为输出变量。汽车的行驶负载由滚动阻力、空气阻力及路面阻力的总合定义，而这些参数都与汽车的速度与加速度相关。因此，当前汽车的行驶负载也就可以通过其速度与加速度加以定义。根据相关研究，在混合动力汽车控制中，并不需要获得行驶负载在每个时刻的精确值。因而，在预测时间段(本实施例指后100秒的时间)的平均行驶负载可以被分为若干个等级。模糊推理系统是基于汽车瞬时速度与加速度判断行驶负载等级的有效方法。

如图4所描述的模糊推理原理框图，大致上包括四个过程：模糊化、基于规则进行推理引擎、以及反模糊化。在模糊化过程中，数值输入转化输入语义值(也称输入模糊值)。然后，在推理引擎中，基于输入的模糊值和事先确定的规则(具体为来自于专家和日常经验的规则)，产生输出语义值(也称输出模糊值)。输出模糊值不能被直接使用，所以在反模糊化过程中，输出模糊值又被转换成将来用于计算和决策的整数值。

本实施例中，具体包括步骤：S501，选择x₀′(n)中预测时间T₂内所对应的速度序列的平均速度x加速度y作为输入数值；S502，将所述x和y由其各自所属的隶属函数转化成输入模糊值；S503，基于输入模糊值和事先确定的规则，产生由行驶负载z所属的隶属函数所定义的输出模糊值；S504，将所述输出模糊值转换成用于计算和决策的整数值，将所述整数值作为T₂时间段的负载等级。

在S502模糊化之前，如图5A～图5C所示，x所属的隶属函数将平均速度范围划分为5个速度等级，分别为很低(VL)、低(L)、中(M)、高(H)和很高(VH)；y所属的隶属函数将加速度范围划分为5个加速度等级，分别为负高(NB)、负低(NS)、零(Z)、正低(PS)和正高(PB)；z所属的隶属函数将负载等级范围划分为5个负载等级，分别为很低(VL)、低(L)、中(M)、高(H)和很高(VH)。图5A～图5C所示的隶属函数的形式采用现有的隶属函数，其具体表达式这里不再详述。

在模糊化这一步，输入数值基于给定的各自的隶属函数转换成输入模糊值。然后，在推理引擎中基于输入模糊值和图4中所示的事先确定的规则，判定其行驶负载。如图4所示一共有25条规则，分别定义了由不同的速度等级和不同的加速度等级所对应的负载等级，每一条都包括一个速度等级、一个加速度等级和一个行驶负载等级。以第一行第一列的那条规则为例，它的意思是如果速度为很低且加速度为负高，那么行驶负载就为很低。输出行驶负载(输出模糊值)完全由这25条规则定义。在此之后，在反模糊化这一步，使用重心法将输出模糊值转换为整数值。整个过程的细节描述如下。

若步骤S502中，所述输入模糊值为第i个速度等级和第j个加速度等级；步骤S503中，若第i个速度等级、第j个加速度等级和第l个负载等级的隶属函数分别为μ_vi(x)、μ_αj(y)及μ_dl(z)，基于第k条规则的输出隶属度由式(14)确定：

μ_k(z)＝min{μ_ij，μ_dl(z)}，k＝1，2，...，25；(14)

其中，

μ_ij＝min{μ_vi(x)，μ_αj(y)}，i，j＝1，2，3，4，5；(15)

综合上面的输出隶属度，由式(16)获得加权平均的隶属度：

$\mathrm{\&mu;}\left(z\right)=\frac{{\mathrm{\&Sigma;}}_{k=1}^{25}{\mathrm{\&mu;}}_k\left(z\right)w_k}{{\mathrm{\&Sigma;}}_{k=1}^{25}{w}_k}---\left(16\right)$

其中w_k是与第k条规则相关、介于0到1之间的权重；

将所述μ(z)确定为输出模糊值。

步骤S504中，利用重心法将输出模糊值μ(z)转换成用于计算和决策的整数值d：

$d=\mathrm{round}\left(\frac{\&Integral;\mathrm{\&mu;}\left(z\right)\mathrm{zdz}}{\&Integral;\mathrm{\&mu;}\left(z\right)\mathrm{dz}}\right)---\left(17\right)$

其中函数round(·)利用四舍五入将实数值转换为整数值进行取整运算。

这样行驶负载等级便可由式(17)轻松获得。

E)支持向量机的训练

Libsvm软件包通常被作为一种对支持向量机算法的标准实现，本实施例修改并使用它作为试验的分类器。

有很多种核函数被用于非线性支持向量机，而核函数的选择显著的影响到支持向量机的性能。

一种经典的核函数是径向基(RBF)核，如下

$K(x_i,x_j)=e^{-\frac{{|x_i-x_j|}^2}{{\mathrm{\&delta;}}^2}}---\left(18\right)$

其中δ是径向基核的变量，x_i和x_j为式(5)中的样本点。

径向基核可以解决现实世界中几乎所有的问题，特别是在不同的类聚集在各自中心的情况。从图6中，可以注意到行驶负载数据正类似这种分布。

对于一些现实世界中的问题，多核的支持向量机被证明比单核的支持向量机具有更好的性能。基于径向基核，最有用的多核是多径向基(Multi-RBF)核。多径向基核是多个单径向基核的线性组合，表达式如下，

$\mathrm{Multi}-\mathrm{RBF}(x_i,x_j)=\underset{k=1}{\overset{n}{\mathrm{\&Sigma;}}}{w}_k\&CenterDot;e^{-\frac{{|x_i-x_j|}^2}{{\mathrm{\&delta;}}_k^2}}---\left(19\right)$

其中w_k为权重，δ_k为第k个径向基核的参数。

根据相关研究，对于多核学习的贪心算法，当核的数量到达一个阈值时，其性能不再提升。对于本实施例的情况，这个阈值为1，因此在本实施例中采用单个径向基核。

以以步骤S4中维数消减后的T₁时间段的数据及步骤S5所得到T₂时间段的负载等级作为训练数据对支持向量机进行训练，训练后还可以利用训练好的支持向量机以步骤S4中维数消减后的T₁时间段的数据作为输入，预测对应T₂时间段的负载等级，判断所预测的负载等级是否在设定误差范围内，若超出设定误差范围，修正支持向量机的相关参数进行不断训练。

F)参数优化

支在支持向量机分类器中有两个基本的参数，分别为c和γ，c表示一个样本数据的权重，而γ为式(18)中的1/δ²。考虑线性组合权重w_k和式(19)中变量δ_k，有很多参数需要被优化。

目前，诸如粒子群优化(PSO)算法的很多随机全局优化算法被用于解决诸如数值优化、人工神经网络训练、模糊系统控制、盲源分离和机器学习之类的问题。克隆粒子群优化(CPSO)算法是对于标准粒子群优化(SPSO)算法的最新变种，其引入了人工免疫系统(AIS)中的克隆机制。它非常简单并且强大，特别是拥有很好的寻找复杂问题全局最优解的能力。因此，本实施例优选采用克隆粒子群算法被用于参数的优化。

G)分类/预测

在训练好支持向量机后，即建立起了历史时间T₁内历史数据与后预测时间T₂时间段内的负载等级的映射关系，在后期的预测过程中，若汽车在行驶过程中，则采集行驶汽车速度，利用滑动时间窗采集T₁时间长度后获得速度序列x₀(n)，利用正交余弦变换对x₀(n)进行维数消减得到x₁(n)；利用训练后的支持向量机对x₁(n)进行分类，预测利用滑动时间窗后面T₂时间段内的负载等级，然后再继续进行数据采集，利用滑动时间窗采集T₁时间长度重复上面的步骤。

下面给出本实施例实验的具体过程：

A.数据准备

本实施例为实验以产生如下的几个数据集：

·3-mixed训练集

这个数据集从Manhattan、NEDC和US06三个数据集抽取。如图2A、图7A和图7B所示，Manhattan是一个典型的针对城区公共汽车进行的动力测试，其表征了低速和经常停车的行驶状况。NEDC包括四段重复的ECE-15行驶数据和一段Extra-Urban行驶数据，从而表征欧洲汽车的典型行驶状况。其中，ECE-15是一种城区环境的行驶数据，包括三个加速-平稳行驶-减速停车的过程；Extra-Urban表述了在行驶出城区后汽车加速并保持高速行驶的过程。US06表征在城外(洲际公路、高速公路)的行驶状况，体现为高加速度、高速度及高速度波动。因此，它们可以被视为三种不同的典型行驶状况，且具有良好的代表性。从这三个数据集中分别随机抽取400个数据，组合成3-mixed训练集。

·3-mixed测试集

这个数据集以与3-mixed训练集相同的方式获得。

·5-mixed训练集

这个数据集从HWFET、UDDS、WVUCITY、WVU-INTER及NYCC获得，这些数据同样来源于真实世界，并且能够代表更广泛的形势状况。我们从这五个数据集分别随机抽取300个样本构成5-mixed训练集。

·5-separated测试集

这些数据集分别从HWFET、UDDS、WVUCITY、W-VUINTER和NYCC随机抽取，每个数据集包括500个样本数据。

B.实验设定

本文中的试验设定如下。

·实验V-C使用3-mixed训练集和3-mixed测试集来比较正交余弦变换和快速傅立叶变换，这两个变换算法中的一个将被选为本实施例的维数削减算法。

·实验V-D使用5-mixed训练集和5-separated测试集以比较原始数据与经过正交余弦变换的数据的性能。

·实验V-E和实验V-F使用全部四组实验数据以在不同条件下比较支持向量机、卡尔曼滤波级联神经网络及标准反向传播神经网络的性能。

本实施例设计了两个标准反向传播神经网络，其中一个包含一个有5个隐节点的隐层，与相关文献公开卡尔曼滤波级联神经网络的结构一样。另一个则包含一个有50个隐节点的隐层。由于相关文献没有提到计算复杂度，所以，卡尔曼滤波级联神经网络的训练时间标记为“未知”。

实验环境如下：

·操作系统：Windows XP Professional SP2；

·处理器：Intel Pentium M processor 1.86GHz；

·内存：1.5GB；

·软件平台：Matlab 2007a(其中，标准反向传播神经网络由其神经网络工具箱实现)。

C.正交余弦变换与快速傅立叶变换的比较

通过3-mixed训练集和3-mixed测试集，可以得到如图8所示的维数和预测精度的关系。

通过图8，可以看到在相同的维度下，正交余弦变换始终拥有比快速傅立叶变换更高的预测精度。因此，在本实施例的数据集上，正交余弦变换是一种更好的维数削减方法，因而本发明选用它作为维数消减的实现算法。

D.评价正交余弦变换

为了评价正交余弦变换，本实验比较原始数据和经过正交余弦变换的数据所得到的预测精度。原始数据的维数为150，经过正交余弦变换，维数削减为9。实验结果如表2所示。

表2

 

数据集	原始数据	经过正交余弦变换的数据
			特征数	150	9
HWFET	92.5％	92％
			UDDS	98.33％	98％
WVUCITY	95％	93.67％
			WVUINTER	90.33％	92.33％
NYCC	90.5％	91.67％
			平均	93.33％	93.53％
标准差	3.37	2.61
			训练时间(秒)	2.640	1.0469

显而易见的，当正交余弦变换将数据的维数从150降到9以后，不仅大大的降低的计算复杂度，还显著的减小了标准差(STD)和提高了预测精度。

从表2中，可以发现正交余弦变换降低了输入数据的维度(从150降到9)，这就带来了计算复杂度的降低(训练时间从2.640秒降低到1.0469秒，约60％的降幅)。它同时也提高了预测精度并且把标准差(STD)从3.37降低到2.61(约20％的降幅)，这就意味着正交余弦变换显著的提高了泛化能力。由此，可以认为，正交余弦变换确实显著的过滤了原始数据中的噪声信息。

E.在3-mixed训练集上比较支持向量机和其他三种神经网络的性能

在3-mixed训练集上使用卡尔曼滤波级联神经网络的相关工作已经由相关文献的给出。

本实验采用与卡尔曼滤波神经网络、标准反向传播神经网络和支持向量机相同的训练集和测试集训练集为3-mixed训练集，测试集为5-separated测试集。实验结果如表3和图9A所示，BP-5和BP-50分别表示有5个隐节点和50个隐节点的标准反向传播神经网络。

通过表3和图9A，可以注意到使用相同的训练集，支持向量机总是比其他的三种神经网络分类器拥有更好的预测精度和更低的计算复杂度。

表3

 

分类器	卡尔曼滤波级联神经网络	反向传播神经网络(5个隐节点)	反向传播神经网络(50个隐节点)	支持向量机
					特征数	10	9	9	9
平均	87.86％	47％	63.5％	88.03％
					标准差	3.76	18.04	15.17	6.42
训练时间(秒)	未知	5.7031	39.1094	1.0469

F.在5-mixed训练集上比较支持向量机和其他三种神经网络的性能

5-mixed训练集可以表示更广泛的路况。我们使用这个训练集来训练支持向量机，实验结果如表4和图9B所示。

表4

 

分类器	卡尔曼滤波级联神经网络	反向传播神经网络(5个隐节点)	反向传播神经网络(50个隐节点)	支持向量机
					特征数	10	9	9	9
平均	87.86％	57.83％	76.07％	93.53％
					标准差	3.76	7.59	14.31	2.61
训练时间	未知	11.1875	51.625	1.125

通过表4和图9B，可以注意到支持向量机比卡尔曼滤波级联神经网络及其他两种神经网络具有更好的性能，具体体现在：

·支持向量机比神经网络具有更好的预测精度

与卡尔曼滤波级联神经网络获得的87.86％地平均预测精度相比，支持向量机将这一指标提高到93.53％(约6.45％的提升幅度)。即使在每个数据集上，支持向量机也获得了更好的预测精度。

·支持向量机比卡尔曼滤波级联神经网络具有更好的泛化性能

相较于卡尔曼滤波神经网络获得的3.76的标准差，支持向量机将其减小到2.61(约30％的减少幅度)。

·支持向量机可以比神经网络更快的完成训练

支持向量机可以比标准的反向传播神经网络更快的完成训练，考虑到卡尔曼滤波级联神经网络需要在标准神经网络的基础上调整结构，因而它的训练速度应该会更慢一些。因此，可以认为，支持向量机在这四种分类器中速度最快且性能最好。

行驶数据首先被时间窗进行采样，每个采样数据被分为历史部分和待预测部分，然后，待预测部分被模糊逻辑分为5个等级。

正交余弦变换用于处理原始历史数据以降低维度。相较于快速傅立叶变换，正交余弦变换在数据压缩上表现出更好的性能。在经过正交余弦变换的预处理后，计算复杂度得到显著降低。同时，由于正交余弦变换过滤了噪声信息，预测精度和泛化能力也得到了提高。这些结论都通过广泛的实验得到了验证。

通过使用分类方法解决预测问题，用支持向量机将预处理后的数据分到5个负载级别中。通过实验，在本实施例的应用中，支持向量机表现出更高的精度、更好的泛化性能和较少的计算复杂度。为了优化支持向量机的参数，本实施例使用了一种称为克隆粒子群优化算法的随机全局优化算法。

与现有方法比较，本实施例的方法得到了理想的性能，特别是在计算复杂度、预测精度和泛化能力上。

通过以上这些实验，可以得到如下结论。

1)正交余弦变换比快速傅立叶变换更加适用于混合动力汽车的行驶负载数据

—正交余弦变换拥有更好的数据压缩能力

正交余弦变换可以利用更低的维数保持更多的能量。如图10所示，经过正交余弦变换处理的信号对于原始信号具有比经过快速傅立叶变换的信号更好的拟和逼近性能，这一点特别体现在低频部分。在图11中，通过对经过处理和未经过处理的数据的标准差进行分析，正交余弦变换在任何一个维数上都比快速傅立叶变换具有更好的拟和性。在图12中，在相同的维数下，正交余弦变换比快速傅立叶变换保持了更多的能量。其中的原因在于，正交余弦变换是更加接近于KL变换的正交变换。众所周知，KL变换是保持能量信号的最优变换。所以，正交余弦变换的压缩能力要强于快速傅立叶变换。

—正交余弦变换可以过滤更好的噪声

如图12所示，经过正交余弦变换的信号比经过快速傅立叶变换的信号具有保持更低频成分的能力，而高频成分通常被认为是噪声信息。因此，经过正交余弦变换，更多内在特征得以保留，而高频成分则被滤去。

2)正交余弦变换对于行驶负载数据确实有效

汽车通常都是逐渐改变其速度，很少剧烈的加速减速。因此，应当保留行驶数据的低频部分。根据上面的讨论，正交余弦变换可以显著的保留信号的低频信息并滤去高频噪声。所以，正交余弦变换对于处理行驶数据之类的信号非常适合。经过正交余弦变换，噪声的的影响大为减少，这样预测精度和泛化能力都得到了提升。另外，在经过正交余弦变换之后，特征维数显著降低，这也大大减少了计算复杂度。

3)作为性能最好的分类器之一，支持向量机表现出比神经网络更好的性能

作为一种泛函逼近器的神经网络难以进行训练，并且缺乏稳定性。无论是在预测精度还是泛化能力上，支持向量机都表现出比神经网络更好的性能。另外，支持向量机相对来说易于训练，并且比神经网络更加稳定。这些就是我们选择支持向量机的原因。

以上实施方式仅用于说明本发明，而并非对本发明的限制，有关技术领域的普通技术人员，在不脱离本发明的精神和范围的情况下，还可以做出各种变化和变型，因此所有等同的技术方案也属于本发明的范畴，本发明的专利保护范围应由权利要求限定。

Claims (10)

1、一种混合动力汽车行驶负载预测方法，该方法包括以下步骤：

S1，采集汽车行驶一段时间内的行驶速度获得速度序列x₀′(n)；

S2，根据x₀′(n)获取行驶周期T，将T作为滑动时间窗的长度；

S3，利用滑动时间窗将x₀′(n)在时间上分段，每个滑动时间窗在时间上分为历史时间T₁和预测时间T₂；

S4，利用正交余弦变换对T₁时间段的数据进行维数消减；

S5，根据T₂时间段的数据利用模糊逻辑推理得到T₂时间段的负载等级；

S6，以维数消减后的T₁时间段的数据及T₂时间段的负载等级作为训练数据对支持向量机进行训练；

S7，采集行驶汽车速度，利用滑动时间窗采集T₁时间长度后获得速度序列x₀(n)，利用正交余弦变换对x₀(n)进行维数消减得到x₁(n)；

S8，利用训练后的支持向量机对x₁(n)进行分类，预测后面T₂时间段内的负载等级，若汽车在行驶中，则返回步骤S7。

2、根据权利要求1所述的方法，其特征在于，步骤S2中，通过计算x₀′(n)的能量谱密度，将能量谱密度最高的频率所对应的周期确定为所述行驶周期T。

3、根据权利要求1或2所述的方法，其特征在于，步骤S2中，在获取所述行驶周期T后，还包括根据下式获取行驶周期T置信度的步骤，在置信度低于设定值后对所述行驶周期T进行修正，

$F=\frac{s_1/f_1}{s_2/f_2}$

其中，F服从统计学分布，s₁为行驶周期T组间误差，s₂为行驶周期T组内误差，f₁为s₁的自由度，f₂为s₂的自由度。

4、根据权利要求1或2所述的方法，其特征在于，

步骤S1中，对不同行驶环境下的汽车行驶速度进行采集；

步骤S2中，根据每种行驶环境下采集的速度序列获取该行驶环境下的行驶周期，将最长的行驶周期确定为所述行驶周期T。

5、根据权利要求1或2所述的方法，其特征在于，步骤S5包括子步骤：

S501，由所述T₂时间段的数据计算T₂时间段内的平均速度x及加速度y；

S502，将所述x和y由其各自所属的隶属函数转化成输入模糊值；

S503，基于输入模糊值和事先确定的规则，产生由行驶负载z所属的隶属函数所定义的输出模糊值；

S504，将所述输出模糊值转换成用于计算和决策的整数值，将所述整数值作为T₂时间段的负载等级。

6、根据权利要求5所述的方法，其特征在于，

x所属的隶属函数将平均速度范围划分为五个速度等级；

y所属的隶属函数将加速度范围划分为五个加速度等级；

z所属的隶属函数将负载等级范围划分为五个负载等级；

事先确定的规则有若干条，分别定义了由不同的速度等级和不同的加速度等级所对应的负载等级。

7、根据权利要求6所述的方法，其特征在于，

若步骤S502中，所述输入模糊值为第i个速度等级和第j个加速度等级；

步骤S503中，若第i个速度等级、第j个加速度等级和第l个负载等级的隶属函数分别为μ_vi(x)、μ_αj(y)及μ_dl(z)，基于第k条规则的输出隶属度由式(1)确定：

μ_k(z)＝min{μ_ij，μ_dl(z)}，k＝1，2，...，25；      (1)

其中，

μ_ij＝min{μ_vi(x)，μ_αj(y)}，i，j＝1，2，3，4，5；   (2)

综合上面的输出隶属度，由式(3)获得加权平均的隶属度：

$\mathrm{\&mu;}\left(z\right)=\frac{{\mathrm{\&Sigma;}}_{k=1}^{25}{\mathrm{\&mu;}}_k\left(z\right)w_k}{{\mathrm{\&Sigma;}}_{k=1}^{25}{w}_k}---\left(3\right)$

其中w_k是与第k条规则相关、介于0到1之间的权重；

将所述μ(z)确定为输出模糊值。

步骤S504中，利用重心法将输出模糊值μ(z)转换成用于计算和决策的整数值d：

$d=\mathrm{round}\left(\frac{\&Integral;\mathrm{\&mu;}\left(z\right)\mathrm{zdz}}{\&Integral;\mathrm{\&mu;}\left(z\right)\mathrm{dz}}\right)$

其中，round为利用四舍五入取整。

8、根据权利要求1所述的方法，其特征在于，步骤S6之后，步骤S7之前还包括步骤：利用训练好的支持向量机以步骤S4中维数消减后的T1时间段的数据作为输入，预测对应T2时间段的负载等级，判断所预测的负载等级是否在设定误差范围内，若超出设定误差范围，修正支持向量机的相关参数。

9、根据权利要求1所述的方法，其特征在于，所述支持向量机的核函数为单个径向基核。

10、根据权利要求9所述的方法，其特征在于，步骤S6之后，还包括利用克隆粒子群优化算法对所述单个径向基核的参数进行优化的步骤。

Images