CN105270383A - 利用神经网络进行车速曲线预测 - Google Patents

Abstract

本公开提供利用神经网络进行车速曲线预测。一种车辆包括具有电机和发动机的动力传动系统。所述车辆还包括控制器，所述控制器被配置为：对于根据一组行驶区域类型被分段的预定的路线，根据预测的车速曲线，操作动力传动系统，其中，每个行驶区域类型与不同特征的速度曲线形状和车辆位置相关。所述控制器还被配置为：响应于预测的速度曲线和所测量的速度曲线之间的偏差，对于那些示出偏差的区段来更新预测的速度曲线。

Description

利用神经网络进行车速曲线预测

技术领域

本公开涉及预测性的车辆路线规划和能量管理。

背景技术

混合动力电动车辆(HEV)可通过利用内燃发动机使发电机转动来补充电能。由发电机产生的电力可储存在电池中。HEV系统还能够通过利用车辆的动量使发电机转动来恢复动能。所产生的电力可储存在电池中用于后续使用。插电式混合动力电动车辆(PHEV)是现有的HEV的扩展，具有增加的能量适应性。PHEV可利用比标准HEV的容量更大的容量的电池包，并且PHEV具有两种初始能源—来自电力电网的电力以及燃料。

HEV控制系统的目的可以为不在车辆行驶性能和系统约束问题上妥协的情况下，使能量运营成本和排放最小化。能量管理控制策略可在电驱动模式下操作HEV，在电力驱动模式下，车辆仅在电机提供驱动的情况下运转，以使电池能量输出最大化。在混合动力操作模式下，车辆通过发动机和电动马达两者推动。先进的动力传动系统规划技术可用于通过使电力驱动模式的使用最大化来加强能量规划。

类似地，具有作为唯一的推动方式的内燃发动机的传统车辆依赖于范围预测，以基于在给定瞬间的可用的燃料为驾驶员提供可以行驶的距离的精确的估算。先进的规划技术可改善燃料消耗，并使距离更精确而不用计算。

发明内容

在至少一个实施例中，一种车辆包括具有电机和发动机的动力传动系统以及控制器，所述控制器被配置为针对限定路线的多个区段中的每个区段。所述控制器还被配置为针对与一组行驶区域类型之一相关的区段，根据预测的车速曲线，操作动力传动系统。每个行驶区域类型限定不同特征的速度曲线和车辆位置。所述控制器还被配置为响应于预测的速度曲线和测量的速度曲线之间的偏差，更新与行驶区域类型相关的预测的速度曲线。

在至少一个实施例中，一种操作车辆的方法包括：基于历史行驶数据，将预定路线的一系列区段中的每个区段分类为一组行驶区域类型之一。所述方法还包括：使用与行驶区域类型中特定的一个相对应的处理器针对每个区段产生预测的速度曲线；以及针对具有预测的速度曲线和测量的速度曲线之间的偏差的每个区段，更新预测的速度曲线。

在至少一个实施例中，所述产生基于与每个行驶区域类型对应的一组特有的输入参数。

在至少一个实施例中，所述产生基于历史行驶数据、地理信息和交通模式数据。

在至少一个实施例中，所述产生基于从外部来源接收的动态交通信息。

在至少一个实施例中，所述一组行驶区域类型包括自由流动交通区域、停止标志交通区域、交通灯交通区域、转弯交通区域、高速路入口匝道区域、高速路出口匝道区域或高速路之间的匝道区域。

在至少一个实施例中，一种车辆包括动力传动系统和控制器，控制器具有分配给行驶区域类型的神经网络。控制器被配置为根据与行驶区域类型相关的预测的速度曲线，沿着由行驶区域类型限定的路线区段操作动力传动系统，并基于与预测的速度曲线的测量的偏差来更新预测的速度曲线，以沿着路线区段在后续行程中被使用。

在至少一个实施例中，另一神经网络被配置为将路线的一系列区段中的每个区段分类为多种行驶区域类型中的一种。

在至少一个实施例中，所述路线的一系列区段中的每个区段基于以单个行驶区域类型为特点的速度曲线形状而被分类。

在至少一个实施例中，所述多个行驶区域类型包括自由流动交通区域、停止标志交通区域、交通灯交通区域、转弯交通区域、高速路入口匝道区域、高速路出口匝道区域或高速路之间的匝道区域。

在至少一个实施例中，所述神经网络被配置为基于与历史行驶模式相对应的数据产生预测的速度曲线。

在至少一个实施例中，所述动力传动系统包括电机和发动机，电机和发动机均能够选择性地提供输出扭矩以推进车辆。

附图说明

图1是混合动力电动车辆的示意图。

图2是沿着路线预测速度曲线的方法的流程图。

图3是自由流动交通区的示例的速度曲线的图。

图4是停止标志交通区的示例的速度曲线的图。

图5是交通灯交通区的示例的速度曲线的图。

图6是针对预定路线的编制的一系列分类的路线区段的示例的图。

图7是针对预定路线的编制的一系列分类的路线区段的第二示例的图。

图8A是与自由流动行驶区域类型对应的神经网络处理器的系统图。

图8B是与转弯行驶区域类型对应的神经网络处理器的系统图。

图8C是与停止标志行驶区域类型对应的神经网络处理器的系统图。

图8D是与交通灯行驶区域类型对应的神经网络处理器的系统图。

图9是静态输入、预测的速度曲线和测量的速度的曲线的叠加图。

图10A是高速路入口匝道行驶区域类型的描述。

图10B是高速路出口匝道行驶区域类型的描述。

图10C是高速路之间的匝道行驶区域类型的描述。

具体实施方式

根据需要，在此公开本发明的详细的实施例；然而，应理解的是，公开的实施例仅是本发明的示例，本发明的示例可以以多种和可替换的形式实施。附图无需按比例绘制；可放大或缩小一些特征以示出特定部件的细节。因此，在此所公开的具体结构和功能细节不应解释为限制，而仅为用于教导本领域技术人员以多种形式使用本发明的代表性基础。

图1描绘了插电式混合动力电动车辆100的示例。混合动力电动动力传动系统102可包括机械地连接至混合动力传动装置106的一个或更多个电机或电动马达104。此外，混合动力传动装置106机械地连接至发动机108。混合动力传动装置106还可机械地连接至驱动轴110，驱动轴110驱动车轮112。当发动机108开启时以及当发动机关闭时，电动马达104能够提供车辆推进。电动马达104还能够通过在驱动轴上分配阻力矩来提供车辆减速。电动马达104还可被构造为用作发电机并且通过回收在摩擦制动系统中通常将作为热量损失掉的能量而提供燃料经济性益处。由于混合动力电动车辆102在特定状况下可按照电机动力传动系统模式运转，因此电动马达104还可减少污染物排放。

牵引电池或电池包(batterypack)114储存可以用来驱动电动马达104的能量。车辆电池包114能够提供高压直流(DC)输出。电池包114电连接至电力电子模块(powerelectronicmodule)116。电力电子模块116电连接至电动马达104并且提供在电池包114和电动马达104之间双向传输能量的能力。例如，电池包114可以提供DC电压而电动马达104可能需要三相交流(AC)电流来运转。在这种情况下，电力电子模块116将DC电压转换为将被电动马达104接收的三相AC电流。在再生模式下，电力电子模块116将来自用作发电机的电动马达104的三相AC电流转换为电池包114所需要的DC电压。在此描述的方法同样可适用于纯电动车辆或使用电池包的任何其它装置。

电池包114除了提供用于推进的电力之外，还可以提供用于车辆其它电气系统的能量。DC/DC转换器模块118能够将电池包114的高压DC输出转换为与低压车辆负载兼容的低压DC供应。其它高压负载(例如，压缩器和电加热器)可直接连接到来自电池包114的高压总线。低压系统还可电连接至12V电池120。全电动车辆可具有类似的结构只是没有发动机108。

电池包114可通过外部电源126再充电。外部电源126可利用通过充电端口124电连接而向车辆102提供AC或DC电力。充电端口124可以是被构造为将来自外部电源126的电力传送到车辆102的任何类型的端口。充电端口124可电连接到电力转换模块122。电力转换模块可以适配来自外部电源126的电力，以向电池包114提供适合的电压和电流水平。在一些应用中，外部电源126可被配置向电池包114提供适合的电压和电流水平，从而电力转换模块122可以不是必需的。例如，电力转换模块122的功能可被包含在外部电源126中。包括发动机、传动装置、电动马达、发电机和电力电子器件的车辆动力传动系统可通过动力传动系统控制模块(PCM)128控制。

除了示出插电式混合动力车辆之外，如果去掉发动机108，那么图1可表示电池电动车辆(BEV)构造。作为可从在此公开的方面获益的第二示例车辆构造，如果去掉与插入式充电相关的部件122、124和126，那么图1能够表示传统的混合动力电动车辆(HEV)或动力分流式混合动力电动车辆。

可从在此公开的方面获益的第三示例车辆构造是仅具有作为推进源的内燃发动机108的传统车辆。这种传统车辆可不包括能够提供额外的车辆牵引的电动马达104或电池包114。先进的路线规划技术可用于得到更精确的距离以清空提供给操作者的读数。此外，精确的路线规划可用于允许动力传动系统控制器考虑即将到来的负载状况而调整发动机操作，以提供可用的最优化的运行效率。

沿着预定的路线的车速预测可部分基于指示现有行驶行为的数据。这种现有的行为可包括历史行驶曲线、历史交通模式数据、以及关于路线的静态信息(几何路径、速度限制等)。使用历史数据作为唯一的基础受限于相关数据的质量、精度和趋势。例如，关于速度限制的数据库信息可能不理想，尤其是在低优先级路段上。此外，实际行驶模式通常显著偏离于标示的极限。如在此公开的行进速度模式识别可用于提高速度预测的精确性，以支持在预定的路线上的车辆能源规划。

当目标车辆在各种路线上重复行驶时，在车辆控制器中实现的人工神经网络处理器允许目标车辆“学习”。传统的计算机使用算法途径–即，计算机遵循一组指令来解决问题。除了计算机需要遵循的特定步骤是预先被编程的之外，计算机对于能够解决的问题是有限的。为此，传统计算机解决问题的能力可受限于利用已知方案事先被理解的问题。神经网络处理允许相互连接的神经元的网络的集体行为。每个神经元通过查看输入、计算加权和并将加权和与阈值比较来持续地计算其输出而进化其计算，以确定每个神经元是否应该触发。输出值对输入值的依赖性是复杂的，并且其包括所有的突触权重和阈值。通常，这种依赖并不具有有意义的解析表达式。然而，由于存在这样的学习算法，给定输入、调整加权因子以产生需要的输出，所以解析表达式不是必要的。存在训练阶段，其中，已知模式被呈现到神经网络并且权重被调整为产生需要的输出。然后，存在识别阶段，其中，加权因子是固定的，模式再次被呈现给神经网络，并且其回忆输出。一个或更多个隐藏层可允许对输入数据进行更复杂的分析。通常通过对与实际测量值比较的输出误差进行评估来完成学习。对于后续的预测，对加权因子的调整可被应用到一个或更多个计算步骤，以提高整体的预测精度。

图2描述了预测沿着路线的速度曲线的方法的流程图。所述方法通常由标号200指示。静态的信息源和活动的信息源两者用于预测模型的输入。期望的路线在步骤202由用户输入，期望的路线包括原始位置和目标位置。路线的特定地图几何形状在步骤204由地图数据输入，并且包括道路曲率信息。当前的交通模式还可以在步骤206由提供实时交通信息的外部来源输入，实时交通信息反映沿着线路的车流、速度、交通密度。监管速度限制通常是静态的，并且在步骤208被输入为速度预测模型。历史行驶数据还在步骤210被输入，并且历史行驶数据反映了特定的行驶员的驾驶行为。

在步骤212，输入均被提供给区段神经网络处理器，以将路线分为一系列的区段。在步骤214，神经网络处理器基于沿着相应区段的行驶行为将每个区段分类。在步骤216，从离散的行驶区域类型的组选择分类信息，并且分类信息与相关的区段有关。一组行驶类型中的每个展现出不同特性的速度曲线形状。结果，预定的路线根据行驶区域类型的组被分段。由于每个行驶区域类型的行驶行为和相关因素不同，单独的学习神经网络处理器预测沿着相应的路线区段的每个行驶区域类型的车速。对于路线的自由流动区，在步骤218，使用具有与自由流动行驶区域有关的学习参数的训练的神经网络产生预测的车速曲线。对于路线的转弯区，在步骤220，使用具有与转弯区有关的学习参数的神经网络产生速度曲线。对于路线的停止标志区，在步骤222，使用具有与停止标志行驶区域有关的学习参数的神经网络产生预测的车速曲线(vehiclespeedprofile)。对于路线的交通灯区，在步骤224，使用具有与交通灯行驶区域有关的学习参数的神经网络产生预测的车速曲线。下面更详细地讨论每种神经网络。在步骤226，输出与沿着路线的一系列位置中的每个位置对应的预测的车速。最后，在步骤228确定整个路线速度曲线。可以预料的是，虽然在此讨论了四种类型的行驶区域，但是其它行驶区域类型可适用于路线预测。

图3是如以上所讨论的在行驶区域可被输入到分类神经网络时，行驶区域的速度曲线的图。位置沿着水平轴线作为经度302表示。虽然，描述了经度，但是可按照类似的方式使用其它的位置和/或距离指标。加速度和速度在竖直的轴线304上表示。在图中示出速度曲线306和加速度曲线308的多个数据样本。曲线基于由环节(link)310表示的位置范围而组合在一起。根据速度曲线的形状，环节距离在不同曲线间可不同。在每个环节中，将沿着每个曲线的点进行比较，以确保速度曲线之间的曲率类型的等同。最具代表性的形状点(MRSP)312是在环节310中的包含环节中的大部分行程的最低速度的区域。每个环节有一个位于环节内的MRSP测定。虽然示出了一个示例MRSP，但是沿着给定路线识别一些特征段。在图3中描述的速度曲线306和加速度曲线308对应于自由流动交通区域。这些区域的特征在于车速变化的曲线形状。对于这种行驶区域类型，速度曲线306表现出一些变化，但是从每个曲线上来说相对稳定。另外，对于沿着路线的MRSP312的每段曲线，加速度通常为零。

图4描绘了在第二行驶区域可被输入到分类神经网络，第二行驶区域类型的速度曲线的图。与以上类似，位置沿着水平轴线作为经度302表示，加速度和速度在竖直的轴线304上表示。在图中提供了若干速度曲线314。另外，示出了一组对应的加速度曲线316。速度曲线按照对比的形状进行类似地分组。在这种情况下，环节区域318位于速度曲线314和加速度曲线316的特征区域。类似地，这种行驶区域类型的MRSP320转移速度曲线的特征部分。速度曲线314和加速度曲线316对应于停止标志交通区域。速度曲线314具有稍微不同的减速速率，但是几乎在共同的位置减小到零。某些外围的曲线可作为无特征的而被去掉，例如，来自单次失效以在停止标志处停止。此外，加速度曲线316反映了在停止位置之前的负加速度以及速度为零的停止位置之后的正加速度。

图5描绘了在第三行驶区域可被输入到分类神经网络时，第三行驶区域类型的图。位置沿着水平轴线作为经度302表示，加速度和速度在竖直的轴线304上表示。在图中提供了若干速度曲线322。另外，示出了一组对应的加速度曲线324。这种行驶区域类型的MRSP326类似地位于速度曲线322的特征部分。在图5的示例中，速度曲线322和加速度曲线324对应于交通灯交通区。速度曲线322的群体出现双峰，其中，一组曲线在整个位置中呈现相对的恒速，另一组曲线展现与停止标志交通区类似的停止。由于在同一位置出现两种不同的车辆行为，因此，群体指示交通灯交通区，其中，存在车辆停止的时段以及车辆保持恒速通过交通灯的时段。

神经网络被训练为识别并将特定方式与特定行驶区域和相应的位置结合。在这种方式中，当车辆横穿路线的相同部分时，车辆能量管理控制器可基于期望的即将到来的速度规划能量使用。

图6描述了根据以上所述的方法分类的一系列若干路线区段的编制的示例。速度曲线的每个区段以行驶区域的代表性形状为特点。一系列并置的区段针对整个路线限定全部速度曲线。

图7是当车辆穿过路线时，使用车辆位置的经度和纬度两者示出路线区段的空间特征示例的图400。水平轴线对应于经度402，竖直轴线对应于纬度404。通过使用坐标位置和坐标方向两者，行驶区域类型可更精确地与几何信息相关联。例如，区域406描述了两个不同的自由流动区域的方向变化，指示转弯区域。另外，示出了沿着路线的若干交通灯408的经度坐标和纬度坐标。基于之前的行驶模式识别来预测每个行驶区域的位置。

参照图8A至8D，一旦路线的每个区段被分类，与每个行驶区域类型对应的神经网络处理器可用来预测沿着路线的那一部分的车速曲线。在至少一个实施例中，至少一个神经网络被指定给特定的行驶区域类型。每种行驶区域类型还可具有对应的一组不同的输入值，以预测相关区段的速度曲线。通过使用一组特有的输入参数，自定义分析可获知每种行驶区域类型。

参照图8A，描绘了与自由流动区域对应的神经网络500的系统图。在自由流动区域情况下，车道的数量502、交通模式504、速度限制506和道路曲率508(均针对于沿着路线的点)可用作给预测神经网络处理器的输入。此外，历史行驶数据518还可用作给神经网络的输入。历史速度平均值510、历史速度方差512、速度限制平均值514和限速模式516也用作评估沿着路线的点。所述输入可统称为输入层520。输入由神经网络500的一个或更多个隐藏层522处理。输出层524针对路线的相关自由流动区段中的所有的点指示预测的车速曲线526。

参照图8B，描绘了与转弯区域对应的神经网络528的系统图。在转弯区域的情况下，交通方式504、速度限制506和道路曲率508(均针对于沿着路线的点)，可用作给预测神经网络处理器的输入。类似地，历史行驶数据518影响预测的速度曲线。转弯区域的历史速度平均值530和转弯区域中的历史速度模式532另外操作为给神经网络528的输入。输入的集合用作输入层534。神经网络528使用一个或更多个隐藏层536处理输入，并且输出层538指示针对路线的相关转弯区段中的所有的点的预测的车速曲线540。

参照图8C，描绘了与停止区域对应的神经网络542的系统图。与以上描述的行驶区域类似，提供一组特有的输入以在停止区域产生预测的速度曲线。车道的数量502、交通模式504、速度限制506和道路曲率508(均针对沿着路线的点)可用作给预测神经网络处理器的输入。另外，历史行驶数据518用作给神经网络542的输入，历史行驶数据518包括沿着路线的历史速度平均值510和历史速度方差512，以及停止区域544中的速度平均值和速度模式546。总体地，所有的输入包括于输入层548。使用神经网络542的一个或更多个隐藏层550处理输入。输出层552指示用于路线的相关自由流动区段中的所有的点的预测的车速曲线554。

参照图8D，描述了与交通灯区域对应的神经网络556的系统图。针对沿着路线的点提供一组特有的输入，以在交通灯区域产生预测的速度曲线，一组特有的输入包括车道的数量502、交通模式504、速度限制506。另外，沿着路线的历史行驶数据518用作给神经网络542的输入,历史行驶数据518包括历史速度平均值510、速度最大值558、速度最小值560和历史速度方差512。还可使用与交通灯区域有关的其它历史行驶数据518，例如，速度平均值562、速度最大值564、速度最小值566、速度方差568，交通灯区域的速度模式570还可用于交通灯区域中的速度预测的输入。与其它的神经网络一致，输入的集合用作输入层572，使用一个或更多个隐藏层574处理输入的集合。输出层576表示用于路线的相关交通灯区中的所有的点的速度曲线578。

图9描述了成组的神经网络处理器的组合速度曲线预测的图600。该图在水平轴线上描绘了距离602和在竖直轴线上描绘了速度604。该图还覆盖了与速度预测相关的若干数据曲线。曲线606代表沿着线路的速度限制曲线，例如，如从静态交通数据库中接收到的。曲线608表示交通速度模式，例如，如从交通管理信息中心接收到的。曲线610表示根据在此讨论的方法产生的预测的速度曲线。曲线612表示沿着线路测量的速度曲线。如从图中看到的，预测的速度曲线610在大部分路线上与测量的速度曲线612匹配良好。此外，在预测值和测量值之间的偏差通过以上讨论的历史行驶数据反馈到神经网络处理器。响应于所述偏差，权重调整参数可被应用到一个或更多个输入值以提高预测能力。这样，由于系统继续“学习”并调整路线的速度曲线，因此对在同一个路线区段上的接下来的行程的预测变得更精确。通过图600还应该指出的是：实际行驶速度经常与速度限制曲线606和交通速度模式曲线608偏离。这些曲线可承载神经网络处理中较小的权重，因此在速度预测上对全局的影响较小，特别是在停止标志和交通灯区域。在至少一个实施例中，对于显示出预测的速度曲线和测量的速度曲线之间的偏差的那些区段，控制器更新预测的速度曲线。

在可选的实施例中，额外的路线行驶区域类型还可被分类和预测。行驶模式的其它方面可用来限定额外的行驶区域类型。参照图10A至10C，可基于路线相关部分的行驶行为对各种高速路匝道进行建模。一旦区段被分类为匝道，额外的神经网络可被指定以对高速路匝道产生预测的速度曲线。

与以上讨论的分类技术类似，动态交通信息、历史行驶数据和道路几何形状每者可用于将每种类型的高速路匝道分类。此外，由于入口匝道和出口匝道可涉及车速的快速增加或降低，时间方面的分析可能与高速口匝道特别相关。在至少一个实施例中，考虑三种匝道分类：入口匝道、出口匝道和高速路之间的匝道。考虑高速路匝道的其他更多的具体的变形也可能适用。

参照图10A，示出了在高速路入口匝道的车辆行为。航拍地图视图702显示入口匝道的道路几何形状和车辆行驶的方向704。相应的速度与位置线图706示出了显示进入高速路的车辆加速状态的各种速度曲线。每个速度曲线均显示了与几何车辆路径对应的速度增加的特征。然而，不同的驾驶员在进入过程中可使用不同的加速度速率。此外，给定的驾驶员在不同的状况下加速情况也可不同。例如，诸如一天中的时间、交通和天气的动态条件每者在准备并入高速公路时均可使特定的驾驶员加速方法改变。如以上所述的类似的神经网络处理技术可基于历史行驶模式的代表性形状被用来分类并预测车速用于高速路入口匝道。如上所述的分类处理器可具有充分的标准将高速路入口匝道分类。动态条件可使预测计算的某些部分加权以保持其精度。这样，神经网络处理器的预测的速度曲线可使对在区段过程中获得的错误和不正常的数据敏感度低。与以上实施例类似，可以指定专用的处理器来产生预测的速度曲线用于高速路入口匝道。对这种迅速加速状态的事先了解可允许车辆从发动机和/或马达提前规划所需的推进动力。

参照图10B，示出了高速路出口匝道区域。航拍地图视图708示出了出口匝道的几何形状和车辆行驶的方向710。相应的速度与位置线图712示出了离开高速路的车辆的各种速度曲线。在这种情况下，速度曲线显示了与几何车辆路径对应的减速的常见模式。与关于出口匝道的以上讨论类似，驾驶员在各自的减速模式上表现出差异。差异在影响给定的驾驶员的行为的动态条件(例如，天气或交通)下进一步增加。神经网络处理器可具有额外的标准以基于历史行驶模式的典型形状将高速路出口匝道分类。此外，可存在专用的处理器被指定为通过考虑与高速路出口匝道对应的一组特有的输入来产生预测车速，用于高速路出口匝道行驶区域类型。对这种迅速减速阶段的事先了解允许例如通过再生制动的动力恢复计划。

参照图10C，示出了第三种类型的高速路匝道。航拍地图视图714示出了高速路之间匝道区域的几何形状。行驶的方向和位置716示出了通常用于高速路之间匝道的大致环形路线区段。相应的速度与位置线图718示出了车辆从一个高速路变换到另一个高速路的各种速度曲线。在这种情况下，速度曲线显示了稍作减速，然后恒速，然后随着匝道再加速的通常模式。这种模式与环形几何车辆路径相对应。差异存在不但出现在驾驶员上，而且出现在不同的动态驾驶条件下。与以上描述的其它高速路匝道类型很像，分类处理器可包括针对高速路之间匝道的标准。另外，专用的处理器可基于与高速路之间匝道对应的一组特有的输入，操作为预测车速。参照图10A至10C讨论的高速路匝道中的每个均可包括额外的行驶区域类型。另外，可具有专用的神经网络处理器用于路线上的速度预测。

本公开提供了可使用一种或更多种处理策略(例如，事件驱动、中断驱动、多任务、多线程等)实现的代表性的控制策略和/或逻辑。因此，在此示出的多个步骤或功能可按照示出的顺序、并行或在某些情况下被省略来执行。虽然，不总是明确地示出，但是本领域的普通技术人员将意识到所示出的步骤或功能中的一个或更多个可依赖于被使用的特定的处理策略而被重复执行。类似地，处理的顺序不是必须实现在此描述的特定和优点，而是被提供为便于示出和描述。

控制逻辑可在由基于微处理器的车辆、发动机和/或动力传动系统控制器执行的软件中初步实现。当然，控制逻辑可在一个或更多个控制器中的软件、硬件或软件和硬件的组合依据特定的应用来实现。当在软件中实现时，控制逻辑可被提供在具有代表由计算机执行的代码或指令的存储的数据的一个或更多个计算机可读存储设备或媒介中，来控制车辆或其子系统。计算机可读存储设备或媒介可包括利用电、磁、和/或光存储以保持可执行指令和相关的校准信息、操作变量等的多个已知物理设备中的一个或更多个。或者，所述过程、方法或算法可全部或部分地使用合适的硬件组件(例如，专用集成电路(ASIC)，现场可编程门阵列(FPGA)，状态机，控制器或任何其他硬件组件或装置)、或硬件、软件和固件组件的组合来实施。

虽然以上描述了示例性实施例，但是这些实施例不是意在描述权利要求包含的所有可能的形式。在说明书中使用的词语是描述性的词语而不是限制性的词语，并且应该理解的是，在不脱离本公开的精神和范围的情况下，可以进行各种改变。如前面所描述的，可以对各种实施例的特征进行组合以形成本发明的可能没有明确描述或说明的进一步的实施例。虽然关于一个或更多个期望的特性，各种实施例已经被描述为提供优点或优于其它实施例或现有技术实施方式，但是本领域的普通技术人员意识到，根据具体应用和实施方式，可以折衷一个或更多个特点或特性，以实现期望的整体系统属性。这些特性可能包括，但不限于成本、强度、耐用性、生命周期成本、市场性、外观、包装、尺寸、维修保养方便性、重量、可制造性、易组装性等。这样，关于一个或更多个特性，被描述为不如其他实施例或现有技术实施方式的实施例不在本公开的范围之外，并且可以期望用于特定的应用。

Claims (5)

1.一种车辆，包括：

动力传动系统，包括电机和发动机；以及

控制器，针对限定路线的多个区段中的每个区段，被配置为：(i)对于与一组行驶区域类型之一相关的区段，根据预测的车速曲线，操作动力传动系统，其中，每个行驶区域类型限定不同特征的速度曲线和车辆位置，以及(ii)响应于预测的速度曲线和测量的速度曲线之间的偏差，更新与行驶区域类型相关的预测的速度曲线。

2.根据权利要求1所述的车辆，其中，所述控制器还包括至少一个神经网络处理器，所述神经网络处理器被配置为根据行驶区域类型将路线分成区段。

3.根据权利要求1所述的车辆，其中，所述控制器还包括至少一个神经网络处理器，所述神经网络处理器被配置为基于与历史行驶模式对应的数据产生预测的车速曲线。

4.根据权利要求3所述的车辆，其中，所述至少一个神经网络处理器还包括多个神经网络处理器，每个神经网络处理器被配置为产生一个预测的速度曲线。

5.根据权利要求1所述的车辆，其中，所述一组行驶区域类型包括自由流动交通区域、停止标志交通区域、交通灯交通区域、转弯交通区域、高速路入口匝道区域、高速路出口匝道区域或高速路之间的匝道区域。