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

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veh_total；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v_max、速度均方差最大加速度a_max、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veh_total、平均速度最大速度v_max、速度均方差车速改变频率f、最大加速度a_max、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：

$X^{\′}=\frac{X-X_{\min }}{X_{\max }-X_{\min }}---\left(1\right)$

式中，X为步骤A1中所述的有效实测参数，X_min为各参数的最小值，X_max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v_max、速度均方差最大加速度a_max、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veh_total，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v_max'、速度均方差车速改变频率f'、最大加速度a_max'、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：

$y_j=\underset{i=1}{\overset{k}{\mathrm{\Σ}}}{\mathrm{\ω}}_{\mathrm{ij}}\exp (-\frac{1}{2{\mathrm{\σ}}_i^2}{\left|\right|x_p-c_i\left|\right|}^2)---\left(2\right)$

式中，为第p个输入样本，p＝1,2,…,P，P为样本总数，c_i为网络隐含层节点的中心，i＝1，2…….h为隐含层的节点数，||x_p-c_i||²为欧式范数，σ_i为基函数的宽度，ω_ij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，y_j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ω_ij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c_i及方差σ_i，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ω_ij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：

$E=\frac{1}{N}\underset{p=1}{\overset{P}{\mathrm{\Σ}}}{[\hat{y}\left(x_p\right)-y\left(x_p\right)]}^2---\left(3\right)$

式中，E表示网络误差，为对应于输入x_p的实际输出，y(x_p)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'*(Y_max-Y_min)+Y_min   (4)

式中，Y'为归一化后的输出数据，Y_max为实测数据的最大值，Y_min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veh_total；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v_max、速度均方差最大加速度a_max、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v_max、速度均方差最大加速度a_max、加速度均值加速度均方差各参数计算公式如下：

平均速度   $\stackrel{\‾}{v}=\frac{\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{v}_i}{n}$

最大速度v_max(km/h)  v_max＝max{v₁,v₂,...,v_n}

速度均方差   $\sqrt{\mathrm{var}\left(v\right)}=\sqrt{\frac{1}{n-1}\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{(v_i-\stackrel{\‾}{v})}^2}$

最大加速度a_max(m/s²)  a_max＝max{a₁,a₂,...a_i,...a_n}

加速度均值   $\stackrel{\‾}{a}=\frac{\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{a}_i}{n}$

加速度均方差   $\sqrt{\mathrm{var}\left(a\right)}=\sqrt{\frac{1}{n-1}\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{(a_i-\stackrel{\‾}{a})}^2}$

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，v_i为第i个采样点的速度，a_i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veh_total，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veh_total、平均速度最大速度v_max、速度均方差车速改变频率f、最大加速度a_max、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：

$X^{\′}=\frac{X-X_{\min }}{X_{\max }-X_{\min }}---\left(1\right)$

式中，X为步骤A1中所述的有效实测参数，X_min为各参数的最小值，X_max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v_max、速度均方差最大加速度a_max、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veh_total，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v_max'、速度均方差车速改变频率f'、最大加速度a_max'、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：

$y_j=\underset{i=1}{\overset{k}{\mathrm{\Σ}}}{\mathrm{\ω}}_{\mathrm{ij}}\exp (-\frac{1}{2{\mathrm{\σ}}_i^2}{\left|\right|x_p-c_i\left|\right|}^2)---\left(2\right)$

式中，为第p个输入样本，p＝1,2,…,P，P为样本总数，c_i为网络隐含层节点的中心，i＝1，2…….h为隐含层的节点数，||x_p-c_i||²为欧式范数，σ_i为基函数的宽度，ω_ij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，y_j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ω_ij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c_i及方差σ_i，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ω_ij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：

$E=\frac{1}{N}\underset{p=1}{\overset{P}{\mathrm{\Σ}}}{[\hat{y}\left(x_p\right)-y\left(x_p\right)]}^2---\left(3\right)$

式中，E表示网络误差，为对应于输入x_p的实际输出，y(x_p)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'*(Y_max-Y_min)+Y_min   (4)

式中，Y'为归一化后的输出数据，Y_max为实测数据的最大值，Y_min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……t_m(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veh_total；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v_max、速度均方差最大加速度a_max、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veh_total、平均速度最大速度v_max、速度均方差车速改变频率f、最大加速度a_max、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：

$X^{\′}=\frac{X-X_{\min }}{X_{\max }-X_{\min }}---\left(1\right)$

式中，X为步骤A1中所述的有效实测参数，X_min为各参数的最小值，X_max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v_max、速度均方差最大加速度a_max、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veh_total，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v_max'、速度均方差车速改变频率f'、最大加速度a_max'、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：

$y_j=\underset{i=1}{\overset{k}{\mathrm{\Σ}}}{\mathrm{\ω}}_{\mathrm{ij}}\exp (-\frac{1}{2{\mathrm{\σ}}_i^2}{\left|\right|x_p-c_i\left|\right|}^2)---\left(2\right)$

式中，为第p个输入样本，p＝1,2,…,P，P为样本总数，c_i为网络隐含层节点的中心，i＝1，2…….h为隐含层的节点数，||x_p-c_i||²为欧式范数，σ_i为基函数的宽度，ω_ij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，y_j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ω_ij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c_i及方差σ_i，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ω_ij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：

$E=\frac{1}{N}\underset{p=1}{\overset{P}{\mathrm{\Σ}}}{[\hat{y}\left(x_p\right)-y\left(x_p\right)]}^2---\left(3\right)$

式中，E表示网络误差，为对应于输入x_p的实际输出，y(x_p)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'*(Y_max-Y_min)+Y_min   (4)

式中，Y'为归一化后的输出数据，Y_max为实测数据的最大值，Y_min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。