CN103914985A - 一种混合动力客车未来车速轨迹预测方法 - Google Patents

一种混合动力客车未来车速轨迹预测方法 Download PDF

Info

Publication number
CN103914985A
CN103914985A CN201410171956.8A CN201410171956A CN103914985A CN 103914985 A CN103914985 A CN 103914985A CN 201410171956 A CN201410171956 A CN 201410171956A CN 103914985 A CN103914985 A CN 103914985A
Authority
CN
China
Prior art keywords
vehicle
parameter
speed
neural network
output
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN201410171956.8A
Other languages
English (en)
Other versions
CN103914985B (zh
Inventor
连静
常静
李琳辉
黄海洋
周雅夫
郑宁安
宗云鹏
麻笑艺
陈敏
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Dalian University of Technology
Original Assignee
Dalian University of Technology
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Dalian University of Technology filed Critical Dalian University of Technology
Priority to CN201410171956.8A priority Critical patent/CN103914985B/zh
Publication of CN103914985A publication Critical patent/CN103914985A/zh
Application granted granted Critical
Publication of CN103914985B publication Critical patent/CN103914985B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Landscapes

  • Electric Propulsion And Braking For Vehicles (AREA)
  • Hybrid Electric Vehicles (AREA)

Abstract

本发明公开了一种混合动力客车未来车速轨迹预测方法,包括下列步骤:参数的获取与归一化处理;确定RBF神经网络的输入参数矢量和输出参数矢量;RBF神经网络的离线训练;在线预测未来车速轨迹。本发明基于RBF神经网络在线学习,从人-车-环境系统的角度对实现混合动力客车控制策略全局优化的前提条件车速轨迹预测进行研究,提出了一种综合考虑车辆状态参数、驾驶员驾驶风格以及前方道路环境与交通状态参数的车辆未来行驶轨迹预测方法,提高了车速预测的准确度。本发明综合考虑人-车-环境对未来工况的影响,使车辆具备“预知”能力的同时提高工况预测的准确度,为控制策略的全局优化奠定了良好的基础。

Description

一种混合动力客车未来车速轨迹预测方法
技术领域
本发明涉及一种混合动力客车未来车速轨迹预测方法,特别涉及到一种基于径向基(Radial Basis Function,RBF)神经网络在线学习的混合动力客车未来车速轨迹预测方法。
背景技术
混合动力电动汽车由于具有良好的燃油经济性和较低的排放,已成为当前解决能源和排放问题最具现实意义的途径之一。混合动力电动汽车的燃油经济性和排放性主要是由多能源动力系统的能量管理策略所决定。从控制效果来看,全局优化策略可以视为混合动力系统最为理想、最具节油潜力的控制方法,而未来行驶工况预测是能量管理策略全局优化的前提条件。未来行驶工况预测即根据驾驶员在最近一段时间内驾驶车辆的速度信息预测车辆未来一段时间内的车速轨迹。未来行驶工况对当前时刻的能量分配管理策略具有重要影响,受人-车-环境综合因素的制约。但目前已有的未来行驶工况预测方法多数通过采集车辆行驶参数,结合GPS定位信息,采用基于概率统计等的方法对未来车速轨迹进行预测,提供给优化控制策略,忽略了不同驾驶员的驾驶风格以及诸多实时变化的道路环境与交通状态参数对未来行驶工况的影响,从而造成对未来行驶工况预测的准确度不够。在驾驶员方面,不同驾驶员的行为对需求扭矩校正以及未来电池荷电状态(State of Charge,SOC)工作区域约束具有重要影响;在道路和环境方面,前车距离、交通拥堵信息等数据反馈是影响车辆未来一段时间功率需求和用电情况的主要因素,从而对当前时刻功率分配有着重要影响。
发明内容
为克服现有技术的上述问题,本发明要提出一种使车辆具备工况“预知”能力的同时提高工况预测的准确度的混合动力客车未来车速轨迹预测方法。
为实现上述目的,本发明的技术方案如下:一种混合动力客车未来车速轨迹预测方法,包括下列步骤:
A、参数的获取与归一化处理
A1、参数的获取:基于车载信息采集系统实时采集不同驾驶员在不同道路工况上行驶时各数据点实时运行数据,并存储于道路数据库中,构建形成样本工况;在建立未来车速轨迹预测模型时,首先,从道路数据库中提取混合动力客车运行于各样本工况各时刻点t的有效实测数据,所述的有效实测数据包括车辆运行参数、前方道路环境与交通状态参数,车辆运行参数为车辆瞬时速度v(t),前方道路环境参数包括路面坡度i、道路曲率θ、自由驾驶空间即前车距离Δs,交通状态参数包括占路比w%、车流量vehtotal;其次,应用正交优化方法确定历史观测时间窗口长度为ΔT,预测时间步长为Δt,并记录[t-ΔT,t]及[t,t+Δt]时间段内的车速改变频率f,提取两个时间段内的车辆运行参数平均速度最大速度vmax、速度均方差最大加速度amax、加速度均值加速度均方差
同时,在构建未来车速预测轨迹模型时不仅要考虑上述车辆运行参数、前方道路与环境参数,还应将驾驶员的行为偏好对未来车速轨迹的影响考虑在内;针对不同驾驶员对加速踏板操作存在差异的问题,将驾驶员对车辆性能需求的偏好即驾驶风格分为动力型和经济型两类,并采用模糊识别方法对驾驶员驾驶风格进行识别,确定混合动力客车在一段时间内的加速度均值和加速度均方差为模糊控制系统输入参数,该段时间内的驾驶风格隶属度δ作为模糊控制系统的输出,对驾驶员驾驶风格进行识别;
A2、参数归一化处理:对于步骤A1中所获取的有效实测数据车辆瞬时速度v(t)、路面坡度i、道路曲率θ、自由驾驶空间Δs、占路比w%、车流量vehtotal、平均速度最大速度vmax、速度均方差车速改变频率f、最大加速度amax、加速度均值加速度均方差以及驾驶风格隶属度δ,由于存在物理量量纲及数量级方面的差异,需要对其进行归一化处理到[0,1]之间,从而在消除物理量量纲所带来的差异的同时有效地降低数据的冗余度、提高神经网络训练的速度;归一化处理计算公式如下:
X ′ = X - X min X max - X min - - - ( 1 )
式中,X为步骤A1中所述的有效实测参数,Xmin为各参数的最小值,Xmax为各参数的最大值,X'为参数X的归一化值,其范围为0≤X≤1;
B、确定RBF神经网络的输入参数矢量和输出参数矢量
选取RBF神经网络作为非线性预测函数对混合动力客车未来车速轨迹进行预测,构建基于RBF神经网络的未来车速轨迹预测模型,确定RBF神经网络的输入层神经元为12个、RBF神经网络的输出层神经元为7个;输入层神经元为[t-ΔT,t]时间段内的平均速度最大速度vmax、速度均方差最大加速度amax、加速度均值加速度均方差驾驶风格隶属度δ、车辆前方的路面坡度i、道路曲率θ、自由驾驶空间Δs、占路比w%和车流量vehtotal,形成输入参数矢量输出层神经元为预测时间步长Δt内的混合动力客车行驶参数,包括平均速度最大速度vmax'、速度均方差车速改变频率f'、最大加速度amax'、加速度均值加速度均方差形成输出参数矢量
C、RBF神经网络的离线训练
将步骤B中确定的输入参数矢量和输出参数矢量输入到RBF神经网络模型中形成训练样本并进行离线训练,建立稳定的RBF神经网络结构;确定RBF神经网络为n-h-m的连接方式,即有n个输入、h个隐含层和m个输出;选用自组织选取中心的RBF神经网络学习方法,核心是求解隐含层基函数中心、基函数的方差和隐含层单元到输出单元的权值,由此得RBF神经网络中第j个输出表示为:
y j = Σ i = 1 k ω ij exp ( - 1 2 σ i 2 | | x p - c i | | 2 ) - - - ( 2 )
式中,为第p个输入样本,p=1,2,…,P,P为样本总数,ci为网络隐含层节点的中心,i=1,2…….h为隐含层的节点数,||xp-ci||2为欧式范数,σi为基函数的宽度,ωij为隐含层到输出层的连接权值,j=1,2…….m为输出层的节点数,yj为与输入样本对应的神经网络的第j个输出节点的实际输出;
RBF神经网络离线训练步骤如下:
C1、初始化:对权值ωij赋初值为0到1之间的随机数,隐含层神经元的数目为h,初始网络误差E置0,最大误差ε设为一正的小数;
C2、基于模糊K均值聚类算法确定基函数的中心ci及方差σi,i=1,2,….h;
C3、采用梯度下降法调整网络隐含层到输出层的权值ωij直到网络误差E<ε,结束;其中网络误差采用均方误差来表示,表达式如下:
E = 1 N Σ p = 1 P [ y ^ ( x p ) - y ( x p ) ] 2 - - - ( 3 )
式中,E表示网络误差,为对应于输入xp的实际输出,y(xp)表为对应于输入的期望输出,P为样本总数;
其中,输出层神经元输出参数为归一化后的数据参数,在经过神经网络训练结束之后需要对其进行反归一化处理,转化为真实值进行输出,以便构建未来车速预测轨迹,计算公式如下:
Y=Y'*(Ymax-Ymin)+Ymin   (4)
式中,Y'为归一化后的输出数据,Ymax为实测数据的最大值,Ymin为实测数据的最小值,Y为实测数据;
D、在线预测未来车速轨迹
将步骤C所构建的RBF神经网络模型嵌入到整车控制系统中,预测未来车速轨迹;在实车行驶过程中,基于车载环境传感系统实时获取的道路及环境数据,不断形成自标记的样本,借助RBF网络在在线学习速度上的优势,实现网络结构的自适应寻优;首先进行驾驶员驾驶风格识别,得到驾驶风格隶属度δ;提取RBF网络的输入参数矢量 并按照公式(1)进行归一化处理;输入步骤C所得训练后确定的RBF神经网络中得到输出参数矢量 再按照公式(4)进行反归一化处理,从而实现车辆参数的准确预测,形成未来车速轨迹,使车辆具备“预知”能力。
本发明的优点和益处如下:
1、本发明基于RBF神经网络在线学习,从人-车-环境系统的角度对实现混合动力客车控制策略全局优化的前提条件车速轨迹预测进行研究,提出了一种综合考虑车辆状态参数、驾驶员驾驶风格以及前方道路环境与交通状态参数的车辆未来行驶轨迹预测方法,提高了车速预测的准确度;
2、本发明采用RBF神经网络来逼近人-车-环境系统参数与未来行驶工况之间的非线性函数关系,构造了工况预测模型,它具有很强的以任意精度逼近任意非线性函数的能力和自学功能、收敛速度快、鲁棒性好的优点,为实现车速轨迹的准确、高速预测提供了良好的条件,并且交通诱导系统等智能交通工具的应用使该发明极易嵌入智能交通系统,批量训练车速轨迹预测RBF网络,实现车速轨迹在线预测,使混合动力客车控制策略的全局优化成为可能;
3、本发明综合考虑人-车-环境对未来工况的影响,确立驾驶员驾驶风格、车辆状态参数、道路和环境反馈数据与未来车速轨迹之间的内在联系,从而使车辆具备“预知”能力的同时提高工况预测的准确度,为控制策略的全局优化奠定良好的基础。
附图说明
本发明共有附图6张,其中:
图1是基于RBF神经网络在线学习的未来车速轨迹预测方法流程图。
图2是车载信息采集系统中的车辆信息采集终端实体图。
图3是车载信息采集系统中的道路环境参数采集终端实体图。
图4是道路前方多车辆检测及跟踪算法示意图。
图5是RBF神经网络函数拓扑结构示意图。
图6是在线预测未来车速轨迹原理图。
具体实施方式
以下结合技术方案和附图详细叙述本发明的具体实施方式。
以某地实际运行的混合动力城市客车为研究对象,如图1所示为基于RBF神经网络在线学习的未来车速轨迹预测方法原理图,核心是RBF神经网络构建与离线训练、RBF神经网络在线预测未来车速轨迹两大部分,具体包括下列各步骤:
A、参数的获取与归一化处理
A1、参数的获取:基于车载信息采集系统实时采集不同驾驶员在不同道路工况上行驶时各数据点实时运行数据,并存储于道路数据库中。例如,任意选取4位驾驶员和5条混合动力客车行驶路线,记录4位驾驶员驾驶同一型号的混合动力客车分别行驶于上述5条路线时各数据点实时运行数据,构建形成20个样本工况。在建立未来车速轨迹预测模型时,首先,从道路数据库中提取混合动力客车运行于各样本工况各时刻点t的有效实测数据,所述的有效实测数据包括车辆运行参数、前方道路环境与交通状态参数,车辆运行参数为车辆瞬时速度v(t),前方道路环境参数包括路面坡度i、道路曲率θ、自由驾驶空间即前车距离Δs,交通状态参数包括占路比w%、车流量vehtotal;其次,在历史观测时间及预测时间步长选取时应用正交优化方法确定最优的历史观测时间窗口长度ΔT为150s、预测时间步长Δt为10s,并记录[t-ΔT,t]及[t,t+Δt]时间段内的车速改变频率f,提取两个时间段内的车辆运行参数平均速度最大速度vmax、速度均方差最大加速度amax、加速度均值加速度均方差上述参数获取方法如下:
基于车载信息采集系统实时采集并记录混合动力客车运行瞬时速度v(t),进而可统计出[t-ΔT,t]及[t,t+Δt]时间段内的车速改变频率f,计算两个时间段内的车辆运行参数:平均速度最大速度vmax、速度均方差最大加速度amax、加速度均值加速度均方差各参数计算公式如下:
平均速度   v ‾ = Σ i = 1 n v i n
最大速度vmax(km/h)  vmax=max{v1,v2,...,vn}
速度均方差   var ( v ) = 1 n - 1 Σ i = 1 n ( v i - v ‾ ) 2
最大加速度amax(m/s2)  amax=max{a1,a2,...ai,...an}
加速度均值   a ‾ = Σ i = 1 n a i n
加速度均方差   var ( a ) = 1 n - 1 Σ i = 1 n ( a i - a ‾ ) 2
其中,n为历史观测时间窗口长度ΔT或预测时间步长Δt内的采样点总数,vi为第i个采样点的速度,ai为第i个采样点的加速度。
车载信息采集系统实体图如图2-3所示,由车辆信息采集终端和道路环境参数采集终端两部分组成。基于GIS信息,从导航地图中解析出道路三维数据,拟合出准确的坡度、坡长及曲率参数,从而得到所需的前方路面坡度i和道路曲率θ;通过基于视觉图像的道路前方多车辆检测及跟踪算法可以有效获取前车环境中可自由驾驶空间,即前车距离Δs,并结合交通诱导系统得到交通状态参数,包括占路比w%、车流量vehtotal,道路前方多车辆检测及跟踪算法如图4所示。
同时,在构建车速预测轨迹模型时不仅要考虑上述车辆运行参数、前方道路与环境参数,还应将驾驶员的行为偏好对未来车速轨迹的影响考虑在内。针对不同驾驶员对加速踏板操作存在差异的问题,将驾驶员对车辆性能需求的偏好即驾驶风格分为动力型和经济型两类。本发明采用模糊识别方法对驾驶员驾驶风格进行识别,确定混合动力客车在一段时间内的加速度均值和加速度均方差为模糊控制系统输入参数,该段时间内的驾驶风格隶属度δ作为模糊控制系统的输出,对驾驶员驾驶风格进行识别。
A2、参数归一化处理:对于步骤A1中所获取的各参数车辆瞬时速度v(t)、路面坡度i、道路曲率θ、自由驾驶空间Δs、占路比w%、车流量vehtotal、平均速度最大速度vmax、速度均方差车速改变频率f、最大加速度amax、加速度均值加速度均方差以及驾驶风格隶属度δ,由于存在物理量量纲及数量级方面的差异,需要对其进行归一化处理到[0,1]之间,从而在消除物理量量纲所带来的差异的同时有效地降低数据的冗余度、提高神经网络训练的速度;归一化处理计算公式如下:
X ′ = X - X min X max - X min - - - ( 1 )
式中,X为步骤A1中所述的有效实测参数,Xmin为各参数的最小值,Xmax为各参数的最大值,X'为参数X的归一化值,其范围为0≤X≤1。
B、确定RBF神经网络的输入参数矢量、输出参数矢量
本发明选取RBF神经网络作为非线性预测函数对混合动力客车未来车速轨迹进行预测,构建基于RBF神经网络的车速轨迹预测模型,确定RBF神经网络的输入层神经元为12个,即[t-ΔT,t]时间段内的平均速度最大速度vmax、速度均方差最大加速度amax、加速度均值加速度均方差驾驶风格隶属度δ、车辆前方的路面坡度i、道路曲率θ、自由驾驶空间Δs、占路比w%和车流量vehtotal,形成输入参数矢量 RBF神经网络的输出层神经元确定为7个,即预测时间步长Δt内的混合动力客车行驶参数,包括平均速度最大速度vmax'、速度均方差车速改变频率f'、最大加速度amax'、加速度均值加速度均方差形成输出参数矢量
C、RBF神经网络的离线训练
将步骤B中确定的输入参数矢量和输出参数矢量输入到RBF神经网络模型中形成训练样本并进行离线训练,建立稳定的RBF神经网络结构。RBF神经网络函数拓扑结构示意图如图5所示,由输入层、隐含层和输出层三部分组成,确定RBF神经网络为n-h-m的连接方式,即有n个输入层、h个隐含层和m个输出。本发明选用自组织选取中心的RBF神经网络学习方法,核心是求解隐含层基函数中心、基函数的方差和隐含层单元到输出单元的权值,由此得RBF神经网络中第j个输出表示为:
y j = Σ i = 1 k ω ij exp ( - 1 2 σ i 2 | | x p - c i | | 2 ) - - - ( 2 )
式中,为第p个输入样本,p=1,2,…,P,P为样本总数,ci为网络隐含层节点的中心,i=1,2…….h为隐含层的节点数,||xp-ci||2为欧式范数,σi为基函数的宽度,ωij为隐含层到输出层的连接权值,j=1,2…….m为输出层的节点数,yj为与输入样本对应的神经网络的第j个输出节点的实际输出。
则整个RBF神经网络离线训练步骤如下:
C1、初始化:对权值ωij赋初值为0到1之间的随机数,隐含层神经元的数目为h,初始网络误差E置0,最大误差ε设为一正的小数。
C2、基于模糊K均值聚类算法确定基函数的中心ci及方差σi,i=1,2,….h.
C3、采用梯度下降法调整网络隐含层到输出层的权值ωij直到网络误差E<ε,结束。其中网络误差采用均方误差来表示,表达式如下:
E = 1 N Σ p = 1 P [ y ^ ( x p ) - y ( x p ) ] 2 - - - ( 3 )
式中,E表示网络误差,为对应于输入xp的实际输出,y(xp)表为对应于输入的期望输出,P为样本总数。
其中,输出层神经元输出参数为归一化后的数据参数,在经过神经网络训练结束之后需要对其进行反归一化处理,转化为真实值进行输出,以便构建车速预测轨迹,计算公式如下:
Y=Y'*(Ymax-Ymin)+Ymin   (4)
式中,Y'为归一化后的输出数据,Ymax为实测数据的最大值,Ymin为实测数据的最小值,Y为实测数据。
D、在线预测未来车速轨迹
将步骤C所构建的RBF神经网络模型嵌入到整车控制系统中,预测未来车速轨迹。在实车行驶过程中,基于车载信息采集系统实时获取的道路及环境数据,不断形成自标记的样本,借助RBF网络在在线学习速度上的优势,实现网络结构的自适应寻优。图6是在线预测未来车速轨迹原理图,当混合动力客车运行于t1(t1≥150s)时刻时,首先进行驾驶员驾驶风格模糊识别,求得驾驶风格隶属度δ1;提取历史观测窗口[t1-150s,t1]内的参数及车辆前方道路与环境数据,并按照公式(1)进行归一化处理,形成RBF网络的输入神经元参数矢量 输入步骤3所得训练后确定的RBF神经网络中得到预测时间步长Δt1内的输出参数矢量再按照公式(4)进行反归一化处理,得到预测时间步长Δt1内的车速预测轨迹。
当混合动力客车运行于时刻t2、t3……tm(T为运行总时间)时原理同t1时刻,从而实现车辆参数的准确预测,形成未来车速轨迹,使车辆具备“预知”能力。

Claims (1)

1.一种混合动力客车未来车速轨迹预测方法,其特征在于:包括下列步骤:
A、参数的获取与归一化处理
A1、参数的获取:基于车载信息采集系统实时采集不同驾驶员在不同道路工况上行驶时各数据点实时运行数据,并存储于道路数据库中,构建形成样本工况;在建立未来车速轨迹预测模型时,首先,从道路数据库中提取混合动力客车运行于各样本工况各时刻点t的有效实测数据,所述的有效实测数据包括车辆运行参数、前方道路环境与交通状态参数,车辆运行参数为车辆瞬时速度v(t),前方道路环境参数包括路面坡度i、道路曲率θ、自由驾驶空间即前车距离Δs,交通状态参数包括占路比w%、车流量vehtotal;其次,应用正交优化方法确定历史观测时间窗口长度为ΔT,预测时间步长为Δt,并记录[t-ΔT,t]及[t,t+Δt]时间段内的车速改变频率f,提取两个时间段内的车辆运行参数平均速度最大速度vmax、速度均方差最大加速度amax、加速度均值加速度均方差
同时,在构建未来车速预测轨迹模型时不仅要考虑上述车辆运行参数、前方道路与环境参数,还应将驾驶员的行为偏好对未来车速轨迹的影响考虑在内;针对不同驾驶员对加速踏板操作存在差异的问题,将驾驶员对车辆性能需求的偏好即驾驶风格分为动力型和经济型两类,并采用模糊识别方法对驾驶员驾驶风格进行识别,确定混合动力客车在一段时间内的加速度均值和加速度均方差为模糊控制系统输入参数,该段时间内的驾驶风格隶属度δ作为模糊控制系统的输出,对驾驶员驾驶风格进行识别;
A2、参数归一化处理:对于步骤A1中所获取的有效实测数据车辆瞬时速度v(t)、路面坡度i、道路曲率θ、自由驾驶空间Δs、占路比w%、车流量vehtotal、平均速度最大速度vmax、速度均方差车速改变频率f、最大加速度amax、加速度均值加速度均方差以及驾驶风格隶属度δ,由于存在物理量量纲及数量级方面的差异,需要对其进行归一化处理到[0,1]之间,从而在消除物理量量纲所带来的差异的同时有效地降低数据的冗余度、提高神经网络训练的速度;归一化处理计算公式如下:
X ′ = X - X min X max - X min - - - ( 1 )
式中,X为步骤A1中所述的有效实测参数,Xmin为各参数的最小值,Xmax为各参数的最大值,X'为参数X的归一化值,其范围为0≤X≤1;
B、确定RBF神经网络的输入参数矢量和输出参数矢量
选取RBF神经网络作为非线性预测函数对混合动力客车未来车速轨迹进行预测,构建基于RBF神经网络的未来车速轨迹预测模型,确定RBF神经网络的输入层神经元为12个、RBF神经网络的输出层神经元为7个;输入层神经元为[t-ΔT,t]时间段内的平均速度最大速度vmax、速度均方差最大加速度amax、加速度均值加速度均方差驾驶风格隶属度δ、车辆前方的路面坡度i、道路曲率θ、自由驾驶空间Δs、占路比w%和车流量vehtotal,形成输入参数矢量输出层神经元为预测时间步长Δt内的混合动力客车行驶参数,包括平均速度最大速度vmax'、速度均方差车速改变频率f'、最大加速度amax'、加速度均值加速度均方差形成输出参数矢量
C、RBF神经网络的离线训练
将步骤B中确定的输入参数矢量和输出参数矢量输入到RBF神经网络模型中形成训练样本并进行离线训练,建立稳定的RBF神经网络结构;确定RBF神经网络为n-h-m的连接方式,即有n个输入、h个隐含层和m个输出;选用自组织选取中心的RBF神经网络学习方法,核心是求解隐含层基函数中心、基函数的方差和隐含层单元到输出单元的权值,由此得RBF神经网络中第j个输出表示为:
y j = Σ i = 1 k ω ij exp ( - 1 2 σ i 2 | | x p - c i | | 2 ) - - - ( 2 )
式中,为第p个输入样本,p=1,2,…,P,P为样本总数,ci为网络隐含层节点的中心,i=1,2…….h为隐含层的节点数,||xp-ci||2为欧式范数,σi为基函数的宽度,ωij为隐含层到输出层的连接权值,j=1,2…….m为输出层的节点数,yj为与输入样本对应的神经网络的第j个输出节点的实际输出;
RBF神经网络离线训练步骤如下:
C1、初始化:对权值ωij赋初值为0到1之间的随机数,隐含层神经元的数目为h,初始网络误差E置0,最大误差ε设为一正的小数;
C2、基于模糊K均值聚类算法确定基函数的中心ci及方差σi,i=1,2,….h;
C3、采用梯度下降法调整网络隐含层到输出层的权值ωij直到网络误差E<ε,结束;其中网络误差采用均方误差来表示,表达式如下:
E = 1 N Σ p = 1 P [ y ^ ( x p ) - y ( x p ) ] 2 - - - ( 3 )
式中,E表示网络误差,为对应于输入xp的实际输出,y(xp)表为对应于输入的期望输出,P为样本总数;
其中,输出层神经元输出参数为归一化后的数据参数,在经过神经网络训练结束之后需要对其进行反归一化处理,转化为真实值进行输出,以便构建未来车速预测轨迹,计算公式如下:
Y=Y'*(Ymax-Ymin)+Ymin   (4)
式中,Y'为归一化后的输出数据,Ymax为实测数据的最大值,Ymin为实测数据的最小值,Y为实测数据;
D、在线预测未来车速轨迹
将步骤C所构建的RBF神经网络模型嵌入到整车控制系统中,预测未来车速轨迹;在实车行驶过程中,基于车载环境传感系统实时获取的道路及环境数据,不断形成自标记的样本,借助RBF网络在在线学习速度上的优势,实现网络结构的自适应寻优;首先进行驾驶员驾驶风格识别,得到驾驶风格隶属度δ;提取RBF网络的输入参数矢量 并按照公式(1)进行归一化处理;输入步骤C所得训练后确定的RBF神经网络中得到输出参数矢量 再按照公式(4)进行反归一化处理,从而实现车辆参数的准确预测,形成未来车速轨迹,使车辆具备“预知”能力。
CN201410171956.8A 2014-04-25 2014-04-25 一种混合动力客车未来车速轨迹预测方法 Expired - Fee Related CN103914985B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201410171956.8A CN103914985B (zh) 2014-04-25 2014-04-25 一种混合动力客车未来车速轨迹预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201410171956.8A CN103914985B (zh) 2014-04-25 2014-04-25 一种混合动力客车未来车速轨迹预测方法

Publications (2)

Publication Number Publication Date
CN103914985A true CN103914985A (zh) 2014-07-09
CN103914985B CN103914985B (zh) 2015-10-28

Family

ID=51040630

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201410171956.8A Expired - Fee Related CN103914985B (zh) 2014-04-25 2014-04-25 一种混合动力客车未来车速轨迹预测方法

Country Status (1)

Country Link
CN (1) CN103914985B (zh)

Cited By (52)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105691381A (zh) * 2016-03-10 2016-06-22 大连理工大学 一种四轮独立驱动电动汽车稳定性控制方法及系统
WO2016134901A1 (de) * 2015-02-24 2016-09-01 Bayerische Motoren Werke Aktiengesellschaft Server, system und verfahren zur bestimmung einer position eines stauendes
CN106844949A (zh) * 2017-01-18 2017-06-13 清华大学 一种用于实现机车节能操纵的双向lstm模型的训练方法
CN107067722A (zh) * 2017-04-24 2017-08-18 中国汽车技术研究中心 一种新的车辆行驶工况构建方法
CN107463992A (zh) * 2017-08-01 2017-12-12 北京理工大学 一种混合动力车辆行驶工况基于片段波形训练的工况预测方法
CN107516107A (zh) * 2017-08-01 2017-12-26 北京理工大学 一种混合动力车辆的行驶工况分类预测方法
CN107527113A (zh) * 2017-08-01 2017-12-29 北京理工大学 一种混合动力车辆行驶工况的工况预测方法
CN107610464A (zh) * 2017-08-11 2018-01-19 河海大学 一种基于高斯混合时间序列模型的轨迹预测方法
CN107688343A (zh) * 2017-08-01 2018-02-13 北京理工大学 一种混合动力车辆的能量控制方法
CN107818377A (zh) * 2016-09-12 2018-03-20 法乐第(北京)网络科技有限公司 基于云计算平台的车辆全局优化控制方法、系统、车辆和云计算平台
CN107862864A (zh) * 2017-10-18 2018-03-30 南京航空航天大学 基于驾驶习惯和交通路况的行驶工况智能预测估计方法
CN108068814A (zh) * 2016-11-08 2018-05-25 现代自动车株式会社 使用车辆行驶信息控制车辆行驶的方法及使用方法的车辆
CN108171975A (zh) * 2017-12-29 2018-06-15 吉林大学 一种基于路段和交叉口分布的城市汽车运行速度预测方法
CN108819949A (zh) * 2017-03-31 2018-11-16 罗伯特·博世有限公司 用于车辆的、自动的运动控制的方法
CN108960426A (zh) * 2018-07-09 2018-12-07 吉林大学 基于bp神经网络的道路坡度综合估计系统
CN109305172A (zh) * 2017-07-26 2019-02-05 罗伯特·博世有限公司 用于自主车辆的控制系统
CN109313718A (zh) * 2016-05-20 2019-02-05 渊慧科技有限公司 交互网络
CN109686086A (zh) * 2018-12-24 2019-04-26 东软集团(北京)有限公司 模糊控制网络的训练、生成路口建议速度的方法及装置
CN109829577A (zh) * 2019-01-17 2019-05-31 北京交通大学 基于深度神经网络结构模型的轨道列车运行状态预测方法
CN109878534A (zh) * 2019-02-22 2019-06-14 初速度(苏州)科技有限公司 一种车辆的控制方法、模型的训练方法和装置
CN110015306A (zh) * 2018-01-10 2019-07-16 华为技术有限公司 驾驶轨迹获取方法及装置
CN110065493A (zh) * 2018-01-23 2019-07-30 本田技研工业株式会社 行驶基准线确定装置和自动驾驶装置
CN110126841A (zh) * 2019-05-09 2019-08-16 吉林大学 基于道路信息和驾驶风格的纯电动汽车能耗模型预测方法
CN110228479A (zh) * 2019-05-27 2019-09-13 武汉理工大学 一种考虑驾驶员驾驶风格的车速引导方法
CN110231820A (zh) * 2019-05-31 2019-09-13 辽宁工业大学 一种基于物联网的车辆行驶控制方法
CN110254435A (zh) * 2019-06-28 2019-09-20 同济大学 一种驾驶风格识别方法
JP2020500759A (ja) * 2016-12-02 2020-01-16 バイエリシエ・モトーレンウエルケ・アクチエンゲゼルシヤフト 単眼動画データに基づく車両の挙動推定システム及び方法
CN110889444A (zh) * 2019-11-22 2020-03-17 南京邮电大学 一种基于卷积神经网络的驾驶轨迹特征分类方法
CN110979342A (zh) * 2019-12-30 2020-04-10 吉林大学 一种用于车辆全局能量管理控制的工况信息获取方法
CN111009134A (zh) * 2019-11-25 2020-04-14 北京理工大学 一种基于前车与自车互动的短期车速工况实时预测方法
CN111090286A (zh) * 2020-03-24 2020-05-01 北京三快在线科技有限公司 一种无人车运动状态规划方法及装置
CN111198501A (zh) * 2020-01-14 2020-05-26 浙江工业大学 一种由rbf神经网络确定燃油等效因子的方法
CN112109705A (zh) * 2020-09-23 2020-12-22 同济大学 增程式分布驱动电动车辆避撞优化控制系统及控制方法
CN112193245A (zh) * 2020-09-24 2021-01-08 同济大学 一种考虑驾驶员模糊感知的深度学习跟驰预测方法
CN112242059A (zh) * 2020-09-30 2021-01-19 南京航空航天大学 基于动机与风险评估的无人驾驶车辆智能决策方法
CN112429044A (zh) * 2020-11-27 2021-03-02 株洲中车时代软件技术有限公司 一种基于非线性补偿的运行列车位置定位方法及其系统
CN112559968A (zh) * 2020-12-09 2021-03-26 深圳大学 一种基于多情境数据的驾驶风格表征学习方法
CN112633597A (zh) * 2020-12-30 2021-04-09 南京理工大学 基于rbf神经网络的地铁列车ato速度曲线预测方法
CN112785845A (zh) * 2020-12-30 2021-05-11 桂林电子科技大学 一种基于K-means聚类与RBF神经网络的车速预测方法
CN112880699A (zh) * 2021-01-19 2021-06-01 中国人民解放军空军工程大学 一种基于脑选择性注意机制的车辆协作定位方法
CN112896171A (zh) * 2021-02-19 2021-06-04 联合汽车电子有限公司 车辆的控制方法、装置、设备、车辆和存储介质
CN113264032A (zh) * 2021-04-16 2021-08-17 中国重汽集团济南动力有限公司 一种混合动力车的能量管理方法、装置和系统
CN113327430A (zh) * 2021-05-06 2021-08-31 天地(常州)自动化股份有限公司 基于lstm的井下无轨胶轮车车速预测方法及装置
CN113380048A (zh) * 2021-06-25 2021-09-10 中科路恒工程设计有限公司 基于神经网络的高危路段车辆驾驶行为识别方法
CN113401143A (zh) * 2021-07-19 2021-09-17 电子科技大学长三角研究院(衢州) 一种基于驾驶风格和意图的个性化自适应轨迹预测方法
CN113657036A (zh) * 2021-08-17 2021-11-16 上海交通大学 基于神经网络和物理模型的车辆动力学模拟实现方法
CN113689721A (zh) * 2021-07-30 2021-11-23 深圳先进技术研究院 一种自动驾驶车速控制方法、系统、终端以及存储介质
CN113705779A (zh) * 2015-02-06 2021-11-26 渊慧科技有限公司 用于数据项生成的循环神经网络
CN114080634A (zh) * 2019-07-03 2022-02-22 伟摩有限责任公司 使用锚定轨迹的代理轨迹预测
CN114523967A (zh) * 2022-02-28 2022-05-24 重庆长安汽车股份有限公司 一种基于神经网络的预见巡航控制方法
CN114970714A (zh) * 2022-05-26 2022-08-30 哈尔滨工业大学 一种考虑移动目标不确定行为方式的轨迹预测方法及系统
WO2022206079A1 (zh) * 2021-04-01 2022-10-06 天津大学 一种智能网联汽车的迭代优化多尺度融合车速预测算法

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11794757B2 (en) 2018-06-11 2023-10-24 Colorado State University Research Foundation Systems and methods for prediction windows for optimal powertrain control
CN109118787B (zh) * 2018-08-20 2020-08-04 浙江工业大学 一种基于深度神经网络的车辆速度预测方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5822712A (en) * 1992-11-19 1998-10-13 Olsson; Kjell Prediction method of traffic parameters
JP2008298979A (ja) * 2007-05-30 2008-12-11 Pioneer Electronic Corp 運転技量評価装置、運転技量評価方法及び運転技量評価プログラム
US20090150314A1 (en) * 2001-01-21 2009-06-11 Johan Engstrom System and method for real-time recognition of driving patterns
CN102567781A (zh) * 2011-12-20 2012-07-11 西北师范大学 一种基于神经网络的网络行为预测方法
CN103562978A (zh) * 2011-05-16 2014-02-05 丰田自动车株式会社 车辆数据分析方法和车辆数据分析系统

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5822712A (en) * 1992-11-19 1998-10-13 Olsson; Kjell Prediction method of traffic parameters
US20090150314A1 (en) * 2001-01-21 2009-06-11 Johan Engstrom System and method for real-time recognition of driving patterns
JP2008298979A (ja) * 2007-05-30 2008-12-11 Pioneer Electronic Corp 運転技量評価装置、運転技量評価方法及び運転技量評価プログラム
CN103562978A (zh) * 2011-05-16 2014-02-05 丰田自动车株式会社 车辆数据分析方法和车辆数据分析系统
CN102567781A (zh) * 2011-12-20 2012-07-11 西北师范大学 一种基于神经网络的网络行为预测方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
NATASHA MERAT ET AL.: "The comparative merits of expert observation, subjective and objective data in determining the effects of in-vehicle information systems on driving performance", 《SAFETY SCIENCE》, vol. 49, no. 2, 28 February 2011 (2011-02-28), pages 172 - 177, XP027459456, DOI: doi:10.1016/j.ssci.2010.07.005 *

Cited By (81)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113705779A (zh) * 2015-02-06 2021-11-26 渊慧科技有限公司 用于数据项生成的循环神经网络
CN113705779B (zh) * 2015-02-06 2024-04-30 渊慧科技有限公司 用于数据项生成的循环神经网络
WO2016134901A1 (de) * 2015-02-24 2016-09-01 Bayerische Motoren Werke Aktiengesellschaft Server, system und verfahren zur bestimmung einer position eines stauendes
US10269245B2 (en) 2015-02-24 2019-04-23 Bayerische Motoren Werke Aktiengesellschaft Server, system, and method for determining a position of an end of a traffic jam
CN105691381A (zh) * 2016-03-10 2016-06-22 大连理工大学 一种四轮独立驱动电动汽车稳定性控制方法及系统
CN105691381B (zh) * 2016-03-10 2018-04-27 大连理工大学 一种四轮独立驱动电动汽车稳定性控制方法及系统
CN109313718A (zh) * 2016-05-20 2019-02-05 渊慧科技有限公司 交互网络
CN109313718B (zh) * 2016-05-20 2022-08-16 渊慧科技有限公司 用于预测交互对象的未来状态的系统、方法和介质
CN107818377A (zh) * 2016-09-12 2018-03-20 法乐第(北京)网络科技有限公司 基于云计算平台的车辆全局优化控制方法、系统、车辆和云计算平台
CN108068814B (zh) * 2016-11-08 2022-03-11 现代自动车株式会社 使用车辆行驶信息控制车辆行驶的方法及使用方法的车辆
CN108068814A (zh) * 2016-11-08 2018-05-25 现代自动车株式会社 使用车辆行驶信息控制车辆行驶的方法及使用方法的车辆
JP2020500759A (ja) * 2016-12-02 2020-01-16 バイエリシエ・モトーレンウエルケ・アクチエンゲゼルシヤフト 単眼動画データに基づく車両の挙動推定システム及び方法
JP7032387B2 (ja) 2016-12-02 2022-03-08 バイエリシエ・モトーレンウエルケ・アクチエンゲゼルシヤフト 単眼動画データに基づく車両の挙動推定システム及び方法
CN106844949B (zh) * 2017-01-18 2020-01-10 清华大学 一种用于实现机车节能操纵的双向lstm模型的训练方法
CN106844949A (zh) * 2017-01-18 2017-06-13 清华大学 一种用于实现机车节能操纵的双向lstm模型的训练方法
CN108819949A (zh) * 2017-03-31 2018-11-16 罗伯特·博世有限公司 用于车辆的、自动的运动控制的方法
CN107067722A (zh) * 2017-04-24 2017-08-18 中国汽车技术研究中心 一种新的车辆行驶工况构建方法
CN109305172A (zh) * 2017-07-26 2019-02-05 罗伯特·博世有限公司 用于自主车辆的控制系统
CN107688343A (zh) * 2017-08-01 2018-02-13 北京理工大学 一种混合动力车辆的能量控制方法
CN107688343B (zh) * 2017-08-01 2019-12-06 北京理工大学 一种混合动力车辆的能量控制方法
CN107463992A (zh) * 2017-08-01 2017-12-12 北京理工大学 一种混合动力车辆行驶工况基于片段波形训练的工况预测方法
CN107516107A (zh) * 2017-08-01 2017-12-26 北京理工大学 一种混合动力车辆的行驶工况分类预测方法
CN107527113A (zh) * 2017-08-01 2017-12-29 北京理工大学 一种混合动力车辆行驶工况的工况预测方法
CN107610464A (zh) * 2017-08-11 2018-01-19 河海大学 一种基于高斯混合时间序列模型的轨迹预测方法
CN107862864A (zh) * 2017-10-18 2018-03-30 南京航空航天大学 基于驾驶习惯和交通路况的行驶工况智能预测估计方法
CN108171975B (zh) * 2017-12-29 2020-04-17 吉林大学 一种基于路段和交叉口分布的城市汽车运行速度预测方法
CN108171975A (zh) * 2017-12-29 2018-06-15 吉林大学 一种基于路段和交叉口分布的城市汽车运行速度预测方法
CN110015306A (zh) * 2018-01-10 2019-07-16 华为技术有限公司 驾驶轨迹获取方法及装置
CN110065493B (zh) * 2018-01-23 2022-06-14 本田技研工业株式会社 行驶基准线确定装置和自动驾驶装置
US11518383B2 (en) 2018-01-23 2022-12-06 Honda Motor Co., Ltd. Travel reference line determination system and automatic driving system
CN110065493A (zh) * 2018-01-23 2019-07-30 本田技研工业株式会社 行驶基准线确定装置和自动驾驶装置
CN108960426A (zh) * 2018-07-09 2018-12-07 吉林大学 基于bp神经网络的道路坡度综合估计系统
CN108960426B (zh) * 2018-07-09 2021-05-14 吉林大学 基于bp神经网络的道路坡度综合估计系统
CN109686086A (zh) * 2018-12-24 2019-04-26 东软集团(北京)有限公司 模糊控制网络的训练、生成路口建议速度的方法及装置
CN109829577A (zh) * 2019-01-17 2019-05-31 北京交通大学 基于深度神经网络结构模型的轨道列车运行状态预测方法
CN109878534A (zh) * 2019-02-22 2019-06-14 初速度(苏州)科技有限公司 一种车辆的控制方法、模型的训练方法和装置
CN109878534B (zh) * 2019-02-22 2021-05-04 初速度(苏州)科技有限公司 一种车辆的控制方法、模型的训练方法和装置
CN110126841A (zh) * 2019-05-09 2019-08-16 吉林大学 基于道路信息和驾驶风格的纯电动汽车能耗模型预测方法
CN110228479B (zh) * 2019-05-27 2020-12-22 武汉理工大学 一种考虑驾驶员驾驶风格的车速引导方法
CN110228479A (zh) * 2019-05-27 2019-09-13 武汉理工大学 一种考虑驾驶员驾驶风格的车速引导方法
CN110231820A (zh) * 2019-05-31 2019-09-13 辽宁工业大学 一种基于物联网的车辆行驶控制方法
CN110231820B (zh) * 2019-05-31 2022-08-05 江苏亿科达科技发展有限公司 一种基于物联网的车辆行驶控制方法
CN110254435A (zh) * 2019-06-28 2019-09-20 同济大学 一种驾驶风格识别方法
CN114080634B (zh) * 2019-07-03 2024-04-26 伟摩有限责任公司 使用锚定轨迹的代理轨迹预测
CN114080634A (zh) * 2019-07-03 2022-02-22 伟摩有限责任公司 使用锚定轨迹的代理轨迹预测
CN110889444B (zh) * 2019-11-22 2022-08-09 南京邮电大学 一种基于卷积神经网络的驾驶轨迹特征分类方法
CN110889444A (zh) * 2019-11-22 2020-03-17 南京邮电大学 一种基于卷积神经网络的驾驶轨迹特征分类方法
WO2021103625A1 (zh) * 2019-11-25 2021-06-03 北京理工大学 一种基于前车与自车互动的短期车速工况实时预测方法
CN111009134A (zh) * 2019-11-25 2020-04-14 北京理工大学 一种基于前车与自车互动的短期车速工况实时预测方法
CN110979342A (zh) * 2019-12-30 2020-04-10 吉林大学 一种用于车辆全局能量管理控制的工况信息获取方法
CN110979342B (zh) * 2019-12-30 2021-02-05 吉林大学 一种用于车辆全局能量管理控制的工况信息获取方法
CN111198501B (zh) * 2020-01-14 2022-05-13 浙江工业大学 一种由rbf神经网络确定燃油等效因子的方法
CN111198501A (zh) * 2020-01-14 2020-05-26 浙江工业大学 一种由rbf神经网络确定燃油等效因子的方法
CN111090286A (zh) * 2020-03-24 2020-05-01 北京三快在线科技有限公司 一种无人车运动状态规划方法及装置
CN112109705A (zh) * 2020-09-23 2020-12-22 同济大学 增程式分布驱动电动车辆避撞优化控制系统及控制方法
CN112193245A (zh) * 2020-09-24 2021-01-08 同济大学 一种考虑驾驶员模糊感知的深度学习跟驰预测方法
CN112242059A (zh) * 2020-09-30 2021-01-19 南京航空航天大学 基于动机与风险评估的无人驾驶车辆智能决策方法
CN112429044B (zh) * 2020-11-27 2023-02-28 株洲中车时代软件技术有限公司 一种基于非线性补偿的运行列车位置定位方法及其系统
CN112429044A (zh) * 2020-11-27 2021-03-02 株洲中车时代软件技术有限公司 一种基于非线性补偿的运行列车位置定位方法及其系统
CN112559968B (zh) * 2020-12-09 2023-01-13 深圳大学 一种基于多情境数据的驾驶风格表征学习方法
CN112559968A (zh) * 2020-12-09 2021-03-26 深圳大学 一种基于多情境数据的驾驶风格表征学习方法
CN112633597B (zh) * 2020-12-30 2022-09-27 南京理工大学 基于rbf神经网络的地铁列车ato速度曲线预测方法
CN112633597A (zh) * 2020-12-30 2021-04-09 南京理工大学 基于rbf神经网络的地铁列车ato速度曲线预测方法
CN112785845A (zh) * 2020-12-30 2021-05-11 桂林电子科技大学 一种基于K-means聚类与RBF神经网络的车速预测方法
CN112880699A (zh) * 2021-01-19 2021-06-01 中国人民解放军空军工程大学 一种基于脑选择性注意机制的车辆协作定位方法
CN112896171A (zh) * 2021-02-19 2021-06-04 联合汽车电子有限公司 车辆的控制方法、装置、设备、车辆和存储介质
WO2022206079A1 (zh) * 2021-04-01 2022-10-06 天津大学 一种智能网联汽车的迭代优化多尺度融合车速预测算法
CN113264032B (zh) * 2021-04-16 2022-05-03 中国重汽集团济南动力有限公司 一种混合动力车的能量管理方法、装置和系统
CN113264032A (zh) * 2021-04-16 2021-08-17 中国重汽集团济南动力有限公司 一种混合动力车的能量管理方法、装置和系统
CN113327430A (zh) * 2021-05-06 2021-08-31 天地(常州)自动化股份有限公司 基于lstm的井下无轨胶轮车车速预测方法及装置
CN113380048B (zh) * 2021-06-25 2022-09-02 中科路恒工程设计有限公司 基于神经网络的高危路段车辆驾驶行为识别方法
CN113380048A (zh) * 2021-06-25 2021-09-10 中科路恒工程设计有限公司 基于神经网络的高危路段车辆驾驶行为识别方法
CN113401143A (zh) * 2021-07-19 2021-09-17 电子科技大学长三角研究院(衢州) 一种基于驾驶风格和意图的个性化自适应轨迹预测方法
CN113401143B (zh) * 2021-07-19 2022-04-12 电子科技大学长三角研究院(衢州) 一种基于驾驶风格和意图的个性化自适应轨迹预测方法
CN113689721A (zh) * 2021-07-30 2021-11-23 深圳先进技术研究院 一种自动驾驶车速控制方法、系统、终端以及存储介质
CN113657036A (zh) * 2021-08-17 2021-11-16 上海交通大学 基于神经网络和物理模型的车辆动力学模拟实现方法
CN113657036B (zh) * 2021-08-17 2023-09-26 上海交通大学 基于神经网络和物理模型的车辆动力学模拟实现方法
CN114523967A (zh) * 2022-02-28 2022-05-24 重庆长安汽车股份有限公司 一种基于神经网络的预见巡航控制方法
CN114523967B (zh) * 2022-02-28 2024-06-11 重庆长安汽车股份有限公司 一种基于神经网络的预见巡航控制方法
CN114970714A (zh) * 2022-05-26 2022-08-30 哈尔滨工业大学 一种考虑移动目标不确定行为方式的轨迹预测方法及系统
CN114970714B (zh) * 2022-05-26 2024-05-03 哈尔滨工业大学 一种考虑移动目标不确定行为方式的轨迹预测方法及系统

Also Published As

Publication number Publication date
CN103914985B (zh) 2015-10-28

Similar Documents

Publication Publication Date Title
CN103914985B (zh) 一种混合动力客车未来车速轨迹预测方法
Tian et al. An adaptive ECMS with driving style recognition for energy optimization of parallel hybrid electric buses
He et al. An improved MPC-based energy management strategy for hybrid vehicles using V2V and V2I communications
Yuan et al. Intelligent energy management strategy based on hierarchical approximate global optimization for plug-in fuel cell hybrid electric vehicles
CN109733248A (zh) 基于路径信息的纯电动汽车剩余里程模型预测方法
WO2021103625A1 (zh) 一种基于前车与自车互动的短期车速工况实时预测方法
CN107097791B (zh) 基于道路坡度和曲率的四驱电动车速度优化控制方法
CN107346460B (zh) 基于智能网联系统下前车运行信息的未来工况预测方法
CN105216782B (zh) 基于能量预测的插电式混合动力汽车能量管理方法
Nie et al. Real-time dynamic predictive cruise control for enhancing eco-driving of electric vehicles, considering traffic constraints and signal phase and timing (SPaT) information, using artificial-neural-network-based energy consumption model
CN104442825A (zh) 一种电动汽车剩余行驶里程的预测方法和系统
CN102831768B (zh) 一种基于车联网的混合动力客车行驶工况预测方法
CN103745111A (zh) 纯电动乘用车续驶里程预测方法
CN110910531B (zh) 一种基于车载obd信息的路面摩擦系数快速检测方法
Li et al. Hierarchical predictive energy management of hybrid electric buses based on driver information
Guo et al. A novel energy consumption prediction model with combination of road information and driving style of BEVs
Liu et al. Hierarchical speed planning and energy management for autonomous plug-in hybrid electric vehicle in vehicle-following environment
CN107284452A (zh) 融合智能通讯信息的混合动力汽车未来工况预测系统
Park et al. Power management controller for a hybrid electric vehicle with predicted future acceleration
Zhou et al. A two-term energy management strategy of hybrid electric vehicles for power distribution and gear selection with intelligent state-of-charge reference
Wang et al. Energy management of hybrid electric vehicles
CN116700296A (zh) 基于深度学习的自主充电无人电动车智能规划方法及系统
Liu et al. Energy active adjustment and bidirectional transfer management strategy of the electro-hydrostatic hydraulic hybrid powertrain for battery bus
Wang et al. Real-time energy management strategy for a plug-in hybrid electric bus considering the battery degradation
CN113135113B (zh) 一种全局soc规划方法及装置

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
C14 Grant of patent or utility model
GR01 Patent grant
CF01 Termination of patent right due to non-payment of annual fee
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20151028

Termination date: 20180425