CN107284452B - 融合智能通讯信息的混合动力汽车未来工况预测系统 - Google Patents
融合智能通讯信息的混合动力汽车未来工况预测系统 Download PDFInfo
- Publication number
- CN107284452B CN107284452B CN201710586344.9A CN201710586344A CN107284452B CN 107284452 B CN107284452 B CN 107284452B CN 201710586344 A CN201710586344 A CN 201710586344A CN 107284452 B CN107284452 B CN 107284452B
- Authority
- CN
- China
- Prior art keywords
- operating mode
- module
- prediction
- prediction result
- data
- 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.)
- Expired - Fee Related
Links
- 238000004891 communication Methods 0.000 title claims abstract description 34
- 238000005070 sampling Methods 0.000 claims abstract description 27
- 238000012216 screening Methods 0.000 claims abstract description 17
- 238000000034 method Methods 0.000 claims description 21
- 238000012937 correction Methods 0.000 claims description 15
- 238000012549 training Methods 0.000 claims description 10
- 230000005540 biological transmission Effects 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 6
- 238000013459 approach Methods 0.000 claims description 5
- 238000012706 support-vector machine Methods 0.000 claims description 2
- 235000013399 edible fruits Nutrition 0.000 claims 1
- 230000006870 function Effects 0.000 description 7
- 230000001133 acceleration Effects 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 4
- 230000001537 neural effect Effects 0.000 description 4
- 238000009825 accumulation Methods 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 239000002245 particle Substances 0.000 description 2
- 206010019133 Hangover Diseases 0.000 description 1
- 238000007476 Maximum Likelihood Methods 0.000 description 1
- 230000004308 accommodation Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000002485 combustion reaction Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 210000005036 nerve Anatomy 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000001373 regressive effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000005096 rolling process Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W50/00—Details of control systems for road vehicle drive control not related to the control of a particular sub-unit, e.g. process diagnostic or vehicle driver interfaces
- B60W50/0097—Predicting future conditions
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W50/00—Details of control systems for road vehicle drive control not related to the control of a particular sub-unit, e.g. process diagnostic or vehicle driver interfaces
- B60W2050/0062—Adapting control system settings
- B60W2050/0075—Automatic parameter input, automatic initialising or calibrating means
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W2520/00—Input parameters relating to overall vehicle dynamics
- B60W2520/10—Longitudinal speed
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W2552/00—Input parameters relating to infrastructure
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W2554/00—Input parameters relating to objects
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W2556/00—Input parameters relating to data
- B60W2556/45—External transmission of data to or from the vehicle
- B60W2556/65—Data transmitted between vehicles
Landscapes
- Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Human Computer Interaction (AREA)
- Transportation (AREA)
- Mechanical Engineering (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明提供一种融合智能通讯信息的混合动力汽车未来工况预测系统,属于智能交通技术领域,包括智能通讯系统、工况数据采集单元、未来工况预测模块和预测结果输出模块,其特征在于:还包括工况数据筛选模块、行驶工况划分模块、采样时间反馈单元、在线预测结果分析模块和预测结果在线修正模块。该工况预测系统能准确获取与本车未来工况信息最为接近的前车工况信息,并以此为基础进行本车未来工况预测,预测结果具有实时性好、准确率高、可参考性强的优点,特别适合应用在固定线路运行的混合动力车辆。
Description
技术领域
本发明涉及一种汽车行驶工况预测系统,特别涉及一种融合智能通讯信息的混合动力汽车未来工况预测系统,属于智能交通技术领域。
背景技术
行驶工况是混合动力汽车能量管理策略设计考虑的重要因素之一,对提高整车燃油经济性有着至关重要的作用。开发对未来控制时域内工况进行合理精确预测的系统,进而结合预测能量管理算法实现混合动力系统实时最优控制,已成为混动汽车智能能量管理策略的有效方法。目前行驶工况预测的主要研究是根据车辆自身行驶一定周期后的工况数据后,结合建立的预测模型作出对车辆未来工况的预测。由于依赖车辆运行一定周期的历史数据积累之后作出的工况预测,未来工况预测结果存在滞后性、准确率低,参考性差等问题。如2013年8月14日申请公布的发明专利:申请公布号:CN 103246943 A,基于马尔可夫链的汽车运行工况多尺度预测方法,该方法建立汽车运行工况的马尔可夫链预测模型,根据汽车运行工况的历史信息,通过极大似然估计计算出状态转移矩阵;运用马尔可夫链蒙特卡洛模拟方法,根据获得的状态转移矩阵进行不同时间尺度的汽车运行工况预测;再将不同尺度预测结果在原数据频率下融合,获得汽车运行工况多尺度预测结果。该方法基于汽车自身运行工况的历史信息,通过建立马尔可夫链预测模型完成对汽车工况的多尺度预测,由于汽车自身运行工况的历史信息的对未来工况预测的结果实时性差,且工况预测模型预测结果缺少对误差的深度分析的,不能保证预测模型和预测结果两者预测精度,因此未来工况预测结果存在滞后性、准确率低,参考性差等问题。
发明内容
本发明的目的是提供一种能准确的获取与本车未来工况信息最为接近的前车工况信息,并以此为基础进行未来工况预测,所得预测结果具有实时性好、准确率高,可参考性强的融合智能通讯信息的混合动力汽车未来工况预测系统,其技术内容为:
融合智能通讯信息的混合动力汽车未来工况预测系统,包括智能通讯系统、工况数据采集单元、未来工况预测模块和预测结果输出模块,其特征在于:该工况预测系统还包括工况数据筛选模块、行驶工况划分模块、采样时间反馈单元、在线预测结果分析模块和预测结果在线修正模块;
所述的智能通讯系统包括V2V车车通讯系统、V2I车路通讯系统和车载定位系统,将获取的信息传递给工况数据采集单元,所述的V2V车车通讯系统用于获取周围车辆行驶状态信息,所述的V2I车路通讯系统用于获取交通路况信息,所述的车载定位系统用于获取周围及当前车辆位置信息和行驶路径信息;
所述的工况数据采集单元按照采样时间反馈单元提供采样时间长度确定工况数据的采样周期,并将采样周期内的工况数据信息传递给工况数据筛选模块;
所述的工况数据筛选模块对工况数据采集单元的数据进行筛选,确定最佳的工况数据获取途径,并将经过最佳筛选途径获取的数据信息输入至行驶工况划分模块;
所述的行驶工况划分模块对获取的行驶工况数据进行行驶工况划分,结合行驶工况路网和交通信息确定划分时间窗口长度,并将所划分时间窗口内的工况数据送入未来工况预测模块;
所述的采样时间反馈单元接收行驶工况划分模块确定的划分时间窗口长度,并以此作为采样周期送回工况数据采集单元,实现对工况数据采集单元采样时间的反馈调整控制;
所述的未来工况预测模块包括工况数据处理模块、样本数据单元、未来工况预测模型和预测模型输出单元,所述的工况数据处理模块接收行驶工况划分模块划分时间窗口内的工况数据,并对数据进行滤波、归一化处理后传递给样本数据单元,所述的样本数据单元确定预测模型的输入数据类型后传递给未来工况预测模型,所述的未来工况预测模型根据样本数据单元的数据作出在线预测结果,并将预测结果送入预测模型输出单元;
所述的未来工况预测模型包括最小二乘支持向量机(LS-SVM)工况预测模型、自回归滑动平均误差修正模型(ARMA)和预测模型精度判断单元,未来工况预测模型的构建通过样本数据单元确定样本训练数据,对建立的最小二乘支持向量机(LS-SVM)工况预测模型和自回归滑动平均误差修正模型(ARMA)进行离线训练,并利用预测模型精度判断单元对最小二乘支持向量机(LS-SVM)工况预测模型和自回归滑动平均误差修正模型(ARMA)做出的预测结果进行预测精度判断,当不满足预测精度要求时,进一步调整自回归滑动平均误差修正模型(ARMA),直到预测结果满足预测精度要求时,从而最终确定最小二乘支持向量机(LS-SVM)工况预测模型与自回归滑动平均误差修正模型(ARMA)相结合带有预测模型精度判断的未来工况预测模型;
所述的在线预测结果分析模块,接收当前预测模型输出单元的在线预测结果或当前经过预测结果在线修正模块修正后的预测结果,计算预测结果与未来工况实际结果两者的差值并进行预测结果精度的判断,当不满足预测精度要求时,在下一段的工况预测时,优先通过预测结果在线修正模块对所得的在线预测结果进行误差修正后,作为最终预测结果输入至预测结果输出模块;当满足预测精度要求时,在下一段的工况预测时不进行误差修正,直接将在线预测结果输入至预测结果输出模块;
所述的预测结果在线修正模块,通过再次建立的自回归滑动平均误差修正模型(ARMA)得到,自回归滑动平均误差修正模型(ARMA)根据预测结果与实际结果的差值情况对自回归滑动平均误差修正模型(ARMA)的参数进行调整;
所述的预测结果输出模块,把预测模型输出单元的在线预测结果或经过预测结果在线修正模块修正后的预测结果输出。
本发明与现有技术相比,有益效果如下:
(1)相比于依赖车辆自身运行一定周期的历史数据积累之后作出的工况预测,该工况预测系统采用智能通讯系统,结合预测系统中的工况数筛选模块,能准确的获取与本车未来工况信息最为接近的前车工况信息,保证了数据源的有效性和准确性,以此为基础进行工况预测,结果更加接近未来实际工况;
(2)该工况预测系统中的行驶工况划分模块结合行驶工况路网和交通信息对获取的行驶工况进行划分,通过将划分时间窗口长度输入至采样时间反馈单元,实现工况数据采集单元对采样时间的闭环反馈调整控制,进而保证了所获取工况数据的实效性;
(3)该工况预测系统从两方面更好的保证了预测结果的精确性:系统的未来工况预测模型中加入了误差修正模型和预测模型精度判断,较好的保证了预测模型精度;此外系统的在线预测结果分析模块对当前在线预测结果进行预精度分析,进而通过预测结果在线修正模块对下时间段的工况预测进行修正和调整,进一步保证预测结果准确性;
(4)由于固定线路运行的混合动力车辆在利用本系统进行前车行驶工况数据获取、工况划分时更为准确,因此该工况预测系统特别适合应用在固定线路运行的混合动力车辆,如固定线路运行的营运及作业的混合动力车辆,如采用混合动力系统的公交车辆、固定线路物流车、清扫作业车辆等。
附图说明
图1是本发明实施例的工况预测系统结构框图。
图2是本发明实施例工况预测系统的行驶工况数据筛选模块的具体流程图。
图3是本发明实施例前车此前Ty段与本车当前Tn段两相同路段的示意图。
图4是本发明实施例工况预测系统的行驶工况划分时间窗口长度的流程图。
图5是本发明实施例工况预测系统的未来工况预测模型的建立流程图。
具体实施方式
下面结合附图对本发明作进一步说明:
融合智能通讯信息的混合动力汽车未来工况预测系统结构框图,如图1所示,包括智能通讯系统、工况数据采集单元、未来工况预测模块和预测结果输出模块,其特征在于:该工况预测系统还包括工况数据筛选模块、行驶工况划分模块、采样时间反馈单元、在线预测结果分析模块和预测结果在线修正模块;
所述的智能通讯系统包括V2V车车通讯系统、V2I车路通讯系统和车载定位系统,将获取的信息传递给工况数据采集单元,所述的V2V车车通讯系统用于获取周围车辆行驶状态信息,所述的V2I车路通讯系统用于获取交通路况信息,所述的车载定位系统用于获取周围及当前车辆位置信息和行驶路径信息;
所述的工况数据采集单元按照采样时间反馈单元提供采样时间长度确定工况数据的采样周期,并将采样周期内的工况数据信息传递给工况数据筛选模块;
所所述的工况数据筛选模块对工况数据采集单元的数据进行筛选,确定最佳的工况数据获取途径,并将经过最佳筛选途径获取的数据信息输入至行驶工况划分模块,工况数据筛选模块具体流程如图2所示,具体为:
根据V2V车车通讯系统获取前车的车距、行驶方向及道路信息进行分析,当本车与前车不同向或不同路或车距大于S时,利用V2I车路通讯系统获取由远程监控平台系统提供的上一时刻前车工况数据;
当本车与前车同向同路且距离小于S时,首先判断前车类型与本车类型是否相同,若前车类型与本车类型不相同,则通过对前车类型进行筛选,匹配与本车类型最相近的前车作为目标前车,若前车与本车类型相同且数量M=1时,直接将前车作为目标对象,若前车与本车类型相同且数量M>1时,通过前车此前与本车在相同路段内的工况信息比对确定前车筛选的优先级,优先选定工况信息相似度较高的前车作为目标前车;然后通过V2I车路通讯系统获取目标前车此前Ty段与本车当前Tn段两相同路段的交通流信息,如图3所示,包括目标前车此前Ty段的交通流密度Ky、交通流流量Qy,本车当前Tn段的交通流密度Kn、交通流流量Qn,并计算两者交通流密度的差值Ek、交通流流量差值Eq,分别与设定交通流密度变化情况临界值k、交通流流量变化情况临界值q进行比较;若交通流变化较小即:Ek≤k且Eq≤q,利用V2V车车通讯系统获取前车的工况信息;若交通流变化较大即:Ek≥k或Eq≥q,由V2V车车通讯系统获取前车工况信息,同时结合V2I车路通讯系统获取实时交通流信息,建立基于交通流变化的车速修正模型,对获取的前车车速工况信息加以修正;
所述的同类型车辆为同款同型号完全相同的车型,所述的最相近的车辆类型是指整车质量、动力源部件功率及滚阻都近似相同的车型;
所述的相同路段内的工况信息对比,是在相同路段内对车辆瞬时速度vt、平均车速vave、最大速度vmax、车速变化频率f、路面坡度i、路面等级g、最大加速度amax、加速度均值am进行的比对;
所述的基于交通流变化的车速修正模型,可通过构建基于交通流变化的RBF神经网络车速修正模型得到,RBF神经网络车速修正模型的构建包括:(1)确定RBF神经网络车速修正模型输入参数矢量和输出参数矢量,输入参数矢量为当前接收到得前车工况信息包括的瞬时速度vy_t,平均车速vy_ave、最大速度vy_max、车速变化频率fy,以及本车当前路段交通流信息包括交通流密度Kn、交通流流量Qn,即{vy_t,vy_ave,vy_max,fy,Kn,Qn},输出参数矢量为本车所对应的未来实际工况的车速信息,包括本车瞬时速度vn_t,平均车速vn_ave、最大速度vn_max、车速变化频率fn,即{vn_t,vn_ave,vn_max,fn};(2)将输入参数矢量和输出参数矢量作为训练样本,输入到RBF神经网络模型中进行离线训练,选用自组织选取中心的RBF神经网络学习方法,求解确定隐含层基函数中心、奇函数的方差和隐含层单元输出单元权值,最终建立的基于交通流变化的RBF神经网络车速修正模型;
所述的行驶工况划分模块对获取的行驶工况数据进行行驶工况划分,结合行驶工况路网和交通信息确定划分时间窗口长度,并将所划分时间窗口内的工况数据送入未来工况预测模块;行驶工况划分具体为:
按照行驶工况路网划分为道路交叉路口和连接交叉路口的连接路段,再结合V2I车路通讯系统获取的数据信息分别确定连接路段和道路交叉口的划分时间窗口长度,如图4所示;
所述的连接路段划分时间窗口长度的确定,先根据连接路段内道路路面等级划分,在相同的道路路面等级下再按照交通流密度等级及通行速度等级的一致性进行划分,逐步缩短连接路段划分时间窗口长度,再结合连接路段划分时间窗口长度限值,进而确定连接路段划分时间窗口长度;所述的道路交叉口划分时间窗口长度的确定,先将车辆通过交叉路口的通行状态分为车辆加速通过交叉口和车辆停车起步通过交叉口两类,分别结合此时交通流密度等级及交叉口划分时间窗口长度限值,进而确定交叉口划分时间窗口长度;
所述的连接路段和交叉口划分时间窗口长度限值,可分别对时间窗口长度从进行预测精确度仿真分析,综合考虑不同时间窗口长度对计算量的影响,分别确定路段和交叉口划分时间窗口长度的上限值和下限值;
所述的采样时间反馈单元接收行驶工况划分模块确定的划分时间窗口长度,并以此作为采样周期送回工况数据采集单元,实现对工况数据采集单元采样时间的反馈调整控制;
所述的未来工况预测模块包括工况数据处理模块、样本数据单元、未来工况预测模型和预测模型输出单元,所述的工况数据处理模块接收行驶工况划分模块划分时间窗口内的工况数据,并对数据进行滤波、归一化处理后传递给样本数据单元,所述的样本数据单元确定预测模型的输入数据类型后传递给未来工况预测模型,所述的未来工况预测模型根据样本数据单元的数据作出在线预测结果,并将预测结果送入预测模型输出单元;
所述的未来工况预测模型包括最小二乘支持向量机(LS-SVM)工况预测模型、自回归滑动平均误差修正模型(ARMA)和预测模型精度判断单元,未来工况预测模型的建立如图5所示,具体为:
依据划分的前车行驶工况,收集某段划分时间窗口内的前车实时运行时工况信息,以及本车预测时间步长Δt内的未来实际工况信息数据,进行滤波和参数化归一处理后,将当前接收到得前车的工况信息数据作为输入,本车预测时间步长Δt内的未来实际工况信息数据作为输出,构造训练样本集G,所述的工况信息包括车辆瞬时速度vt、平均车速vave、最大速度vmax、车速变化频率f、路面坡度i、路面等级g、交通流密度ρ,最大加速度amax、加速度均值am;
由此构造训练样本集为:G={(x1,y1),(x2,y2),……(xi,yi),……(xn,yn)},其中,当前接收到得前车工况信息为:本车预测时间步长Δt内的未来的实际工况信息:
建立基于最小二乘支持向量机(LS-SVM)工况预测模型与自回归滑动平均误差修正模型(ARMA)相结合的工况预测模型:
由最小二乘支持向量机理论,最优回归估计函数是在一定约束条件下的最小化泛函,即:
约束条件:
利用拉格朗日乘子法将问题转化到其对偶空间并进行优化求解,可得LS-SVM回归估计函数模型为:
其中,为LS-SVM的核函数,选定核函数为RBF径向基核函数,由此可得:
并利用前车及本车工况数据的训练样本集作为粒子,利用粒子群优化算法确定核宽度σ和惩罚参数C;再利用训练样本集G对最小二乘支持向量机模型进行训练,确定拉格朗日乘子α和偏置值b,最终得到最小二乘支持向量机回归模型函数;
根据自回归滑动平均模型理论,可得ARMA(p,q)模型表达式为
yt=φ1yt-1+φ2yt-2+…+φpyt-p+εt-γ1εt-1-γ2εt-2-…-γqεt-q
其中,(p,q)为自回归滑动平均模型的阶,φ1,φ2,…,φp,为自回归参数,γ1,γ2,…,γq为滑动平均参数,εt为高斯白噪声序列;
利用最小二乘支持向量机回归模型预测的工况数据与实际工况数据两者差值,组成误差序列样本,根据误差序列样本自相关系数的截尾性和偏自相关系数拖尾性,初步确定自回归滑动平均误差修正模型阶数(p,q),再用最小二乘估计法确定模型中的自回归参数、滑动平均参数,最终得到自回归滑动平均误差修正模型;
再将利用最小二乘支持向量机(LS-SVM)工况预测模型得到的工况预测值与自回归滑动平均误差修正模型(ARMA)得到的误差修正值Ei两者之和作为预测调整值与工况实际值yi进行比较,当满足预测精度要求时,将预测调整值作为最终预测值;当预测精度不满足要求,进一步调整自回归滑动平均误差修正模型(ARMA)得到新的误差修正值Ei(k),进而得到新的预测调整值再与工况实际值yi比较并进行预测精度分析,直到满足预测精度要求,最终得到最小二乘支持向量机(LS-SVM)工况预测模型与自回归滑动平均误差修正模型(ARMA)相结合带有预测模型精度判断的未来工况预测模型;
所述的在线预测结果分析模块,接收当前预测模型输出单元的在线预测结果或当前经过预测结果在线修正模块修正后的预测结果,计算预测结果与未来工况实际结果两者的差值并进行预测结果精度的判断,当不满足预测精度要求时,在下一段的工况预测时,优先通过预测结果在线修正模块对所得的在线预测结果进行误差修正后,作为最终预测结果输入至预测结果输出模块;当满足预测精度要求时,在下一段的工况预测时不进行误差修正,直接将在线预测结果输入至预测结果输出模块;
所述的预测结果在线修正模块,通过再次建立的自回归滑动平均误差修正模型(ARMA)得到,自回归滑动平均误差修正模型(ARMA)根据预测结果与实际结果的差值情况对自回归滑动平均误差修正模型(ARMA)的参数进行调整,是指根据预测结果与实际结果的差值大小,对自回归滑动平均误差修正模型(ARMA)的阶数(p,q)、自回归参数以及滑动平均参数进行适应性调整,使预测结果更加接近于实际结果;
所述的预测结果输出模块,把预测模型输出单元的在线预测结果或经过预测结果在线修正模块修正后的预测结果输出。
Claims (1)
1.一种融合智能通讯信息的混合动力汽车未来工况预测系统,包括智能通讯系统、工况数据采集单元、未来工况预测模块和预测结果输出模块,其特征在于:该工况预测系统还包括工况数据筛选模块、行驶工况划分模块、采样时间反馈单元、在线预测结果分析模块和预测结果在线修正模块;
所述的智能通讯系统包括V2V车车通讯系统、V2I车路通讯系统和车载定位系统,将获取的信息传递给工况数据采集单元,所述的V2V车车通讯系统用于获取周围车辆行驶状态信息,所述的V2I车路通讯系统用于获取交通路况信息,所述的车载定位系统用于获取周围及当前车辆位置信息和行驶路径信息;
所述的工况数据采集单元按照采样时间反馈单元提供采样时间长度确定工况数据的采样周期,并将采样周期内的工况数据信息传递给工况数据筛选模块;
所述的工况数据筛选模块对工况数据采集单元的数据进行筛选,确定最佳的工况数据获取途径,并将经过最佳筛选途径获取的数据信息输入至行驶工况划分模块;
所述的行驶工况划分模块对获取的行驶工况数据进行行驶工况划分,结合行驶工况路网和交通信息确定划分时间窗口长度,并将所划分时间窗口内的工况数据送入未来工况预测模块;
所述的采样时间反馈单元接收行驶工况划分模块确定的划分时间窗口长度,并以此作为采样周期送回工况数据采集单元,实现对工况数据采集单元采样时间的反馈调整控制;
所述的未来工况预测模块包括工况数据处理模块、样本数据单元、未来工况预测模型和预测模型输出单元,所述的工况数据处理模块接收行驶工况划分模块划分时间窗口内的工况数据,并对数据进行滤波、归一化处理后传递给样本数据单元,所述的样本数据单元确定预测模型的输入数据类型后传递给未来工况预测模型,所述的未来工况预测模型根据样本数据单元的数据作出在线预测结果,并将预测结果送入预测模型输出单元;
所述的未来工况预测模型包括最小二乘支持向量机(LS-SVM)工况预测模型、自回归滑动平均误差修正模型(ARMA)和预测模型精度判断单元,未来工况预测模型的构建通过样本数据单元确定样本训练数据,对建立的最小二乘支持向量机(LS-SVM)工况预测模型和自回归滑动平均误差修正模型(ARMA)进行离线训练,并利用预测模型精度判断单元对最小二乘支持向量机(LS-SVM)工况预测模型和自回归滑动平均误差修正模型(ARMA)做出的预测结果进行预测精度判断,当不满足预测精度要求时,进一步调整自回归滑动平均误差修正模型(ARMA),直到预测结果满足预测精度要求时,从而最终确定最小二乘支持向量机(LS-SVM)工况预测模型与自回归滑动平均误差修正模型(ARMA)相结合带有预测模型精度判断的未来工况预测模型;
所述的在线预测结果分析模块,接收当前预测模型输出单元的在线预测结果或当前经过预测结果在线修正模块修正后的预测结果,计算预测结果与未来工况实际结果两者的差值并进行预测结果精度的判断,当不满足预测精度要求时,在下一段的工况预测时,优先通过预测结果在线修正模块对所得的在线预测结果进行误差修正后,作为最终预测结果输入至预测结果输出模块;当满足预测精度要求时,在下一段的工况预测时不进行误差修正,直接将在线预测结果输入至预测结果输出模块;
所述的预测结果在线修正模块,通过再次建立的自回归滑动平均误差修正模型(ARMA)得到,自回归滑动平均误差修正模型(ARMA)根据预测结果与实际结果的差值情况对自回归滑动平均误差修正模型(ARMA)的参数进行调整;
所述的预测结果输出模块,把预测模型输出单元的在线预测结果或经过预测结果在线修正模块修正后的预测结果输出。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710586344.9A CN107284452B (zh) | 2017-07-18 | 2017-07-18 | 融合智能通讯信息的混合动力汽车未来工况预测系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710586344.9A CN107284452B (zh) | 2017-07-18 | 2017-07-18 | 融合智能通讯信息的混合动力汽车未来工况预测系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107284452A CN107284452A (zh) | 2017-10-24 |
CN107284452B true CN107284452B (zh) | 2018-04-10 |
Family
ID=60101656
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710586344.9A Expired - Fee Related CN107284452B (zh) | 2017-07-18 | 2017-07-18 | 融合智能通讯信息的混合动力汽车未来工况预测系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107284452B (zh) |
Families Citing this family (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107909118B (zh) * | 2017-12-11 | 2022-02-22 | 北京映翰通网络技术股份有限公司 | 一种基于深度神经网络的配电网工况录波分类方法 |
CN109017809B (zh) * | 2018-08-27 | 2020-05-19 | 北京理工大学 | 一种基于越野工况预测的能量分配方法 |
CN111055849B (zh) * | 2018-10-17 | 2021-04-06 | 财团法人车辆研究测试中心 | 基于支持向量机的路口智能驾驶方法及其系统 |
US20200202706A1 (en) * | 2018-12-20 | 2020-06-25 | Qualcomm Incorporated | Message Broadcasting for Vehicles |
CN110033528B (zh) * | 2019-04-17 | 2021-02-26 | 洛阳智能农业装备研究院有限公司 | 一种基于gps和发动机数据的农机作业状态判断方法 |
CN110379165A (zh) * | 2019-07-26 | 2019-10-25 | 中国第一汽车股份有限公司 | 一种道路类型预测方法、装置、设备及存储介质 |
CN111047085B (zh) * | 2019-12-06 | 2022-09-06 | 北京理工大学 | 一种基于元学习的混合动力车辆工况预测方法 |
CN113942491B (zh) * | 2021-11-29 | 2023-10-31 | 中国北方车辆研究所 | 一种串联式混合动力系统及联网混合动力车辆能量管理方法 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103246943A (zh) * | 2013-05-31 | 2013-08-14 | 吉林大学 | 基于马尔可夫链的汽车运行工况多尺度预测方法 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102831768B (zh) * | 2012-08-15 | 2014-10-15 | 大连理工大学 | 一种基于车联网的混合动力客车行驶工况预测方法 |
JP5904226B2 (ja) * | 2014-02-26 | 2016-04-13 | 株式会社豊田中央研究所 | 車両挙動予測装置及びプログラム |
DE102015005703B4 (de) * | 2015-05-04 | 2024-02-22 | Audi Ag | Verfahren zum Betrieb eines Kraftfahrzeugs und Kraftfahrzeug |
CN106427589A (zh) * | 2016-10-17 | 2017-02-22 | 江苏大学 | 基于工况预测和模糊能耗的电动汽车续驶里程估算方法 |
CN106483470B (zh) * | 2016-12-22 | 2018-12-11 | 清华大学 | 一种基于未来运行工况预测的电池剩余放电能量预测方法 |
-
2017
- 2017-07-18 CN CN201710586344.9A patent/CN107284452B/zh not_active Expired - Fee Related
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103246943A (zh) * | 2013-05-31 | 2013-08-14 | 吉林大学 | 基于马尔可夫链的汽车运行工况多尺度预测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN107284452A (zh) | 2017-10-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107284452B (zh) | 融合智能通讯信息的混合动力汽车未来工况预测系统 | |
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 | |
Zhang et al. | Energy management strategies of connected HEVs and PHEVs: Recent progress and outlook | |
Bi et al. | GIS aided sustainable urban road management with a unifying queueing and neural network model | |
CN103914985B (zh) | 一种混合动力客车未来车速轨迹预测方法 | |
CN108773279A (zh) | 一种电动汽车充电路径规划方法及装置 | |
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 | |
Rahmati et al. | Towards a collaborative connected, automated driving environment: A game theory based decision framework for unprotected left turn maneuvers | |
CN104134349A (zh) | 一种基于交通多源数据融合的公交路况处理系统及方法 | |
CN103246943A (zh) | 基于马尔可夫链的汽车运行工况多尺度预测方法 | |
CN107172215B (zh) | 车联网环境下的未来行驶工况信息获取方法 | |
Wang et al. | Energy consumption characteristics based driving conditions construction and prediction for hybrid electric buses energy management | |
CN108082188A (zh) | 车辆控制单元(vcu)及其操作方法 | |
Wang et al. | Effectiveness of driver's bounded rationality and speed guidance on fuel-saving and emissions-reducing at a signalized intersection | |
CN108364490A (zh) | 城市公路交通系统车辆运行调控方法 | |
Cui et al. | Dynamic pricing for fast charging stations with deep reinforcement learning | |
Wang et al. | Stochastic speed prediction for connected vehicles using improved bayesian networks with back propagation | |
Chen et al. | Traffic signal optimization control method based on adaptive weighted averaged double deep Q network | |
CN117764340A (zh) | 一种新能源电动汽车充电引导分级调控方法 | |
Henzler et al. | Optimal parameter selection of a model predictive control algorithm for energy efficient driving of heavy duty vehicles | |
Zhang et al. | Stability and safety analysis of mixed traffic flow considering network function degradation and platoon driving on the road with a slope | |
Chai et al. | Adaptive equivalent consumption minimization strategy based on road grade estimation for a plug-in hybrid electric truck | |
CN107205046B (zh) | 面向智能网联车辆的未来运行工况信息获取系统 | |
Wu et al. | Ensembled Traffic-Aware Transformer-Based Predictive Energy Management for Electrified Vehicles | |
Naitmalek et al. | Embedded real-time speed forecasting for electric vehicles: a case study on RSK urban roads |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20180410 |