CN107463992A - 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 - Google Patents

Abstract

本发明公开了一种车辆行驶工况的工况预测方法，该方法包括：将整个车辆行驶工况分成数个行驶工况片段的组合，其中一个行驶工况片段是指车辆从起动到第一次停车制动的过程，包括起动阶段、行驶阶段、制动阶段三部分组成；利用行驶工况片段对神经网络进行训练，然后通过神经网络强大的拟合能力，对输入的行驶工况历史信息进行分析计算，将历史信息与训练行驶工况片段进行匹配；在训练行驶工况片段中找到与历史信息最为相近的部分，将该部分接下来的工况信息作为预测结果输出，完成对未来行驶工况的预测。

Description

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

技术领域

本发明涉及一种车辆行驶工况的工况预测方法，尤其是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。

背景技术

工况预测(一般指车速预测)是通过建立预测算法，在车辆实际行驶过程中利用历史信息，预测未来短期内的工况信息。预测算法代表了车辆历史工况和未来工况的某种联系，应用这种联系，可以得到未来的工况信息。工况预测的结果有多种形式，现有的预测形式主要包括基于SOC、基于需求功率、需求转矩的预测，本发明直接对行驶工况进行预测，实现真正意义上的行驶工况预测，可直接提升汽车路径导航、碰撞预警及节能辅助驾驶系统等系统性能。

发明内容

本发明的主要目的是提供一种车辆行驶工况的工况预测方法，尤其是一种基于混合动力车辆行驶工况片段波形训练的工况预测方法，从而实现车速的信息准确预测。

本发明的目的可以通过以下途径来实现:

一种车辆行驶工况的工况预测方法，该方法包括：

将整个车辆行驶工况分成数个行驶工况片段的组合，其中一个行驶工况片段是指车辆从起动到第一次停车制动的过程，包括起动阶段、行驶阶段、制动阶段三部分组成；

利用行驶工况片段对神经网络进行训练，然后通过神经网络强大的拟合能力，对输入的行驶工况历史信息进行分析计算，将历史信息与训练行驶工况片段进行匹配；

在训练行驶工况片段中找到与历史信息最为相近的部分，将该部分接下来的工况信息作为预测结果输出，完成对未来行驶工况的预测。

本发明的工况预测方法，进一步地，其中该方法包括以下流程：

(1)将连续的行驶工况片段进行离散化，按照时间离散成若干个点；

(2)数据处理，根据神经网络的输入层神经元个数n和输出层神经元个数l，将离散后的行驶工况片段按照从前到后的顺序，n+l个相邻的数据点组成一个训练片段，将得到的训练片段的前部n个数据作为训练神经网络的输入向量，后部l个数据作为训练神经网络的期望输出向量；

(3)离线训练神经网络：在特定软件环境下，利用神经网络工具箱和已经得到的训练样本对神经网络进行训练；

(4)在线预测未来工况信息：通过将最近的历史工况信息输入到神经网络中，得到网络的输出即为对未来工况的预测结果，两次预测的时间间隔要小于预测时域长度；

(5)随着输入到神经网络的历史工况信息不断更新，预测程序持续进行，直至全局工况结束。

本发明的工况预测方法，进一步地，其中将行驶工况片段，按照时间离散成41个点，即每秒一个数据点。

本发明的工况预测方法，进一步地，其中设置神经网络的输入层神经元个数为10，输出层神经元个数为5，将离散后的行驶工况片段按照从前到后的顺序，每15个相邻的数据点就组成一个训练片段，由此可以得到27个训练片段；将得到的训练片段的前部10个数据作为训练神经网络的输入向量，后部5个数据作为训练神经网络的期望输出向量，由此，本训练神经网络的输入为一个10×27的矩阵，期望输出为一个5×27的矩阵。

本发明的工况预测方法，进一步地，其中在MATLAB环境下，利用神经网络工具箱和已经得到的训练样本对神经网络进行训练。

本发明的工况预测方法，进一步地，其中，本方法将两次预测的时间间隔设定为1秒，预测的结果为未来五秒的工况信息，两次预测的时间间隔要小于预测时域长度。

本发明还提出了一种混合动力车辆行驶工况的工况预测方法，该方法采用上述任一所限定的工况预测方法。

附图说明

图1是本发明提出的一种预测过程示意图。

图2是典型工况片段示意图。

图3是本发明的波形预测算法流程图。

图4是工况片段示意图。

图5是测试样本示意图。

图6是针对不同工况的预测结果。

图7是加速度工况片段示意图。

图8是基于加速度波形的预测结果。

图9是第一种训练样本波形。

图10是第二种训练样本波形。

图11是第三种训练样本波形。

图12是预测误差的数学分析。

图13是未来第1秒的工况预测结果及误差。

图14是未来第2秒的工况预测结果及误差。

图15是未来第3秒的工况预测结果及误差。

图16是未来第4秒的工况预测结果及误差。

图17是未来第5秒的工况预测结果及误差。

图18是滚动预测的程序实现流程图。

图19是滚动预测实验结果分析。

具体实施方式

通过分析车辆历史工况信息，可以得到工况的变化趋势，本发明对工况的变化趋势进行拟合研究，建立预测算法对行驶工况进行预测。根据预测模型是否在线获得，本发明提出了两种预测方法：一种是在离线的情况下，对所有可能出现的工况进行预处理并储存，组成工况片段库，然后在车辆行驶过程中，通过将采样时间内的历史工况片段与工况片段库进行比对，找出与历史工况片段最相近的已知工况片段，然后基于已知工况片段的变化趋势预测未来工况信息，离线工况库的样本要保持足够多的特性，通常要包括车速从低到高再到低的整个波形，将这种利用完整工况波形进行离线训练、在线应用的方法称为波形预测；另一种是随着车辆的行驶，不断的对最近历史工况变化趋势进行拟合，通过拟合结果预测未来行驶工况信息，将这种历史信息不断更新，拟合过程滚动进行的预测方法称为滚动预测。

首先利用一个简单的工况片段说明预测的基本思路。图1为预测算法示意图。本例中，历史工况信息用7个顺次等间隔的数据点表示，预测的未来工况信息用两个灰色点表示。最简单的预测方法为假设车速的变化趋势在短期内不发生变化，那么就可以应用曲线拟合的方式，直接预测未来工况信息。首先对七个历史数据点进行函数曲线拟合，拟合得到的函数(图中用曲线表示)代表了短期内历史工况的变化趋势。然后利用这个函数在时间坐标上的差值结果，可以得到未来时域内的工况预测值。

其中，纵坐标轴代表了当前时刻tc，纵轴上的点表示车辆当前的行驶状态，纵轴左侧代表车辆实际行驶过的历史工况，是由车载传感器提供；纵轴右侧代表未来短期内的工况预测值，是由工况预测模块输出的预测结果。这里需要说明的是，每次预测结果都是根据最近的历史工况唯一确定的，预测结果之间没有相互影响。Δt表示两次预测的时间间隔。

可以看出，影响预测准确性的因素包括历史信息的采样长度、预测区域长度、拟合算法等因素。这种预测算法是建立在假设短期历史内车速的变化趋势在未来时域内不发生变化的情况之上，但在实际的行驶过程中，这种完全没有先验知识的假设是很难成立的。本发明进一步利用实际工况的变化趋势作为先验知识，建立波形训练预测方法，实现对未来工况信息的准确预测。

上面提出的预测方法是假设最近历史工况的变化趋势保持不变，然后基于这种假设，对未来工况进行预测。预测结果从理论上分析必然存在误差，因为车辆行驶的工况是多变的，很难保证工况的变化趋势保持不变。本发明结合BP神经网络的特点，进一步提出一种波形预测算法，思路为：首先，对典型工况进行一定的统计分析，统计多种情况下工况变化的趋势，基于这些工况变化趋势建立工况识别数据库。然后，通过计算当前工况(有限时域内的历史信息)与数据库中已知数据的相似程度，找到与当前工况最为相近的已知工况片段，并将该片段的未来工况信息作为当前工况的预测结果，完成工况预测。

实现预测的关键是用何种算法来找到与实际工况最为相近的已知工况数据。本发明提出利用神经网络完成此项任务。BP神经网络对于任何在闭区间内的一个连续函数都可以用单隐层的BP网络逼近，一个三层BP网络就可以完成任意的n维到m维的映射。本发明应用车速连续变化的趋势对BP神经网络进行训练，通过BP神经网络将这种趋势拟合成数学函数的形式。此函数是一个多输入、多输出的函数，输入为历史车速，输出则是未来车速的预测值，这样就实现了根据历史信息来预测未来工况。影响预测结果的因素有很多，采样时间的长度、预测区域的长度、神经网络的训练方式等，本发明针对这些因素展开说明。

实现预测的另一关键工作是样本工况片段库的建立。只有建立比较完备的工况片段库，才能在任何情况下都能得到与实际工况完美匹配的工况信息。如果实际工况在工况库中得不到满足要求的匹配结果，那么预测的准确性将受到很大的影响。

在工况预测之前，首先，根据预测的需求，建立BP神经网络。建立神经网络需要的先验信息是各层神经元的数量。本发明研究的车辆行驶工况在神经网络计算过程中是以模拟信号波形的方式表达的，所以输入、输出层要根据波形的采样点数目决定输入、输出单元的维数。输入层的神经元个数等于神经网络的输入向量维度，输出层的神经元个数等于输出向量的维度。与此同时，训练的输出向量的长度应该与预测区域的时间长度相等。在明确了采样时间长度和预测域的长度后，可以确定神经网络的隐层神经元个数。隐层神经元的个数一般是通过三种经验公式1-3确定，然后根据实际需要进行调整选定。

m＝log₂n 公式2

其中，m：隐层神经元个数，n：输入层神经元个数，l：输出层神经元个数，α为1到10之间的常数。本发明对神经网络基本参数的初步设置如表1。

表1神经网络基本参数

表中trainlm函数为Levenberg-Marquadt反传算法，该算法的优点在于收敛速度很快，learngdm函数为动量梯度下降权值和阈值学习函数。

波形训练方法。

如果我们把车辆从起动到第一次停车制动的这一过程称作一个行驶工况片段，那么车辆行驶工况可以被看成数个行驶工况片段的组合。对于整个工况的研究就可以分解成对一个行驶工况片段的研究。每一个行驶工况片段都是由起动阶段、行驶阶段、制动阶段三部分组成，如图2所示。

采用“行驶工况片段”对汽车行驶工况进行研究分析的优点如下：现有的标准工况均是由不同个数的“行驶工况片段”组合而成，“行驶工况片段”的特征可以反映全局工况的整体特征，大大的降低了后续工况分析的复杂性；“行驶工况片段”之间彼此完全独立，彼此之间不会产生任何影响，在应对随机性较强的实际工况时，可以根据需要，将实际工况视为多种典型行驶工况片段的拼接。

在已知行驶工况必将会以这种“波形”的形式出现时，我们可以提前利用这种波形对神经网络进行训练。然后通过神经网络强大的拟合能力，对输入的行驶工况历史信息进行分析计算，将历史信息与训练波形进行匹配，在训练波形中找到与历史信息最为相近的部分，将该部分接下来的工况信息作为预测结果输出，完成对未来行驶工况的预测。

图3所示为波形预测算法的流程：

(1)将连续的行驶工况片段进行离散化：将图4所示的行驶工况片段，按照时间离散成41个点(每秒一个数据点)。

(2)数据处理：本发明设置神经网络的输入层神经元个数为10，输出层神经元个数为5，所以将离散后的行驶工况片段按照从前到后的顺序，每15个相邻的数据点就组成一个训练片段，由此可以得到27个训练片段。将得到的训练片段的前部10个数据作为训练神经网络的输入向量，后部5个数据作为训练神经网络的期望输出向量。由此可知，本次训练神经网络的输入为一个10×27的矩阵，期望输出为一个5×27的矩阵。

(3)离线训练神经网络：在MATLAB环境下，利用神经网络工具箱和已经得到的训练样本对神经网络进行训练。

(4)在线预测未来工况信息：通过将最近的历史工况信息输入到神经网络中，得到网络的输出即为对未来工况的预测结果。预测的结果为未来五秒的工况信息，两次预测的时间间隔要小于预测时域长度，本发明将两次预测的时间间隔设定为1秒。随着输入到神经网络的历史工况信息不断更新，预测程序持续进行，直至全局工况结束。

接下来将训练过的神经网络应用到工况预测中，本发明采用三个测试样本进行对预测算法的验证，如图5所示，其中“高”表示测试样本的车速高于训练样本，“中”表示测试样本的车速与训练样本相近，“低”表示测试样本的车速低于训练样本。预测之前要对测试样本进行离散化，方法与对训练样本离散化相同。

预测结果如图6(1)～(3)所示，其中(1)图所示为当测试样本高于训练样本时的预测结果，(2)图所示为当测试样本相当于训练样本时的预测结果，(3)图所示为当测试样本低于训练样本时的预测结果，实线为实际工况，预测结果用点表示。为了显示的方便，图中只显示了未来1秒的预测结果，其余四秒的预测结果分布特征与第一秒基本一致。

从预测结果中可以看出，当测试样本高于训练样本时，预测的结果要低于测试样本工况；当测试样本低于训练样本时，预测结果要高于测试样本工况，预测结果有趋向训练样本的趋势，而不是跟随实际工况(测试样本)。这是因为BP神经网络的功能是找到与测试样本(实际情况)最为相近的训练样本，并将与该训练样本对应的期望输出作为预测结果，所以神经网络的输出范围只能与训练时的期望输出范围相近。这种预测方法只适用于被预测工况的峰值与样本工况峰值相近的情况，但实际工况的速度峰值是变化的，所以这种预测方法有很大的局限性。称这种由于训练样本峰值与实际工况峰值不匹配的问题为变峰值问题。

实际工况的变化是多样的，很难通过改变训练样本的期望输出来满足各种工况的需要。针对这个问题，本发明接下来提出加速度波形预测方法。

首先，对速度样本工况进行数据处理，将速度工况转变为加速度工况，如图7所示，将加速度工况作为样本工况，然后对神经网络进行训练，训练的方法同上。当向神经网络输入实际工况的加速度历史信息时，网络的输出则为未来的加速度工况信息，最后通过计算可以得到未来的速度工况信息。

将加速度样本作为神经网络训练样本的原因及优点：由于神经网络的输出要跟随训练时的期望输出，入信息如果是多变的随机车速值，那么期望输出就不可能与实际工况的多样性、复杂性相匹配，神经网络的预测结果很难与实际工况相匹配；当输入信息是加速度时，车辆的最大加速度(包括制动时的最大减速度)是已知的，在已知输出的最大值的情况下，神经网络的期望输出范围与实际工况变化范围可以得到匹配，神经网络的输出可以达到实际工况变化范围内的任意值，不会出现由于实际工况加速度大于训练时所用的期望输出值，导致预测结果无法跟随实际工况的情况。将历史信息通过神经网络与训练样本进行比对，在训练样本中找到与历史信息最为相近的训练片段，并将其期望输出作为神经网络的输出结果，进而得到未来短期内的加速度工况信息。最后，根据当前车速及预测的加速度信息，可以确定未来的车速信息。

图8(1)(2)为基于加速度工况的波形预测结果。

从预测结果上可以看出，基于加速度的波形预测结果没有出现预测值整体高于或整体低于实际工况的情况，预测的加速度结果虽然与实际工况有一定的偏差，但整体趋势与实际工况保持一致，最后基于当前车速及预测的加速度结果计算出未来的速度工况信息。由于加速度预测偏差很小，所以得到的速度工况与实际工况偏差不大。

为了进一步提高预测的准确性，对图7所示加速度波形的代表性进行研究。在车辆正常行驶过程中，同一驾驶员、同一车辆的加速性能导致加速过程是有一定的规律的，加速度的峰值可以认为是一固定值，这样在已知峰值的情况下利用神经网络预测可以解决上面的变峰值问题。但当驾驶员变更导致驾驶风格改变，或由于不同车辆导致车辆的加速性能不同时，需要对加速度波形进行更正。加速度波形的主要参数包括：加速度峰值、加速持续时间、行驶阶段加速度的跳动量、减速度的最大值。其中对工况预测影响最大的参数为加速度的峰值、起动阶段中加速度的变化趋势。

训练样本波形起动阶段最大加速度的大小主要影响驾驶员踩下加速踏板的瞬间系统对加速度预测的准确性，这个瞬时预测结果主要体现为对驾驶员的驾驶习惯的判断。所以该值直接决定后续工况预测的基调。加速持续时间的影响主要体现在加速时间长短，进而决定预测的最大车速能否跟踪实际值。

为了减少由于起动阶段最大加速度和加速持续时间的不同对工况预测的影响，借助工况识别的理论，基于起动阶段最大加速度和最大车速的不同建立多种类型的训练波形，在进行预测之前借助工况识别系统确定用于本段预测的波形，然后进行工况预测，进而减少由于波形参数不匹配造成的影响。本发明设定了3种不同的加速度工况波形，分别来自不同的标准工况：UDDS，ARB02，FTP。如图9～11所示。从图中可以看出，三种工况的起动加速度峰值分别为2m/s2、7m/s2、5m/s2，体现了不同工况起动瞬间的差别；三种工况最大车速分别26km/h、70km/h、95km/h，体现了加速时间的长短和行驶阶段加速度跳动量的区别。

在确定了预测算法结构之后，需要分析神经网络参数对预测结果的影响。影响预测准确性的因素还包括神经网络训练的输入向量(采样时间长度)和期望输出(预测时域)长度。接下来通过改变工况预测程序的参数，得到不同预测参数下的预测结果，分析预测的准确性。本发明取采样时间长度从2秒到60秒不等，预测时域范围从1秒到20秒内变化，将不同的采样时间和预测时域长度对应的预测误差数学特征用三维图像显示出来，如图12(a)(b)。

从图12中可以看出：当预测时域较大时(预测较长时间内的工况)，预测误差(期望)极大，误差的跳动量(标准差)极大，尤其是当采样时间越短时，预测极为不准确，从实际应用的角度也可以理解此现象，预测越长远的信息，误差就会越大；当预测时域较短时，预测误差数学期望的绝对值随着采样时间的增加而增加，预测误差随着采样时间长度的增加而变大，图(b)中显示的预测误差标准差随着采样时间的增加而增加，预测误差的跳动量变大，预测变得不稳定。整体来看，本发明之前确定的利用10秒的历史工况信息预测未来5秒的工况信息比较适中。

接下来选择标准工况UDDS为实验对象，检验工况预测的精确度。实验的步骤如下：

(1)按照上文所述方法建立并训练神经网络。

(2)当车辆行驶时，工况预测环节随之开始。设当前时刻为，将至这10s的历史工况数据作为网络的输入向量，网络的输出向量是未来5s(至)工况的预测值。＝10,11,12,13,14……

(3)当车辆行驶至下一秒时，变为，重复执行上一步的运算，直到全部工况结束。此处设置预测时间间隔为1秒，不同于预测时域长度。

上述工况预测的方法对每一时刻的接下来5s行驶工况进行了预测，预测结果储存在一个5×n的矩阵中(n为被预测工况的时间长度)。可知，矩阵的第一行为相应时刻未来1s的工况预测值，矩阵的第二行为相应时刻未来第2s的工况预测值，以此类推，5行分别为5秒的工况预测结果。为了更为直观的观察和比较，图13～17所示为该矩阵的每一行与实际工况的对比结果。

从图13～17的(1)图中可以看出，预测结果从整体上跟随着实际工况，虽然在细节上预测结果与实际工况有一定的偏差，但从全局来看预测效果与实际工况保持了一致性。从图13～17的(2)图中可以看出，预测误差主要集中在靠近零点附近的区域，预测误差的大小随着预测时间的增加而增加。预测结果在后续的控制策略的制定中的作用是，针对短期的预测结果进行优化，得到一连串的最优控制命令，但只采用第一个优化结果作为机电复合传动系统的控制命令，然后针对下一个短期的预测结果进行优化，重复上述步骤。如此在未来有限时域求解优化目标并不能得到最优解，但是优化的滚动实施却能够顾及由于模型失配、干扰等因素引起的不确定性，始终把新的优化建立在实施的基础上，使得控制保持实际的最优。所以，由于预测时间长度增加而增加的预测误差，对控制策略制定的影响并不大，本次实验的结果在可接受的范围内。

滚动预测方法。

上文中建立的波形训练方法为离线训练、在线预测的一种方法，这种方法需要将多种实际情况进行统计，做到充足的准备之后才能在实际应用中获得很好的效果。但即使准备工作已经做到相当周全，但也会遗漏比较特殊的随机工况。本发明对这种方法进行补充，在离线训练的基础上，增加在线补充训练环节，使工况预测系统对所有随机工况都能有一定的应对能力。

与离线训练的波形预测方法不同，滚动预测方法不是在离线的情况下对神经网络进行训练，而是通过记载每一次车辆实际行驶的工况信息，然后提取历史工况波形数据，利用历史数据在线对神经网络进行训练，训练的方法与波形训练方法相同。这种在线训练的好处是可以利用车辆实际经历的工况进行对神经网络的训练，如果车辆经常在同一种工况下行驶，那么这样建立的预测波形是非常准确的；同时，随着车辆行驶里程的增加，车辆经历过的工况种类越来越多，系统储存的工况波形种类越来越完备，预测结果会越来越准确。

滚动预测方法主要创新点在于把每一次从起动到停车的这段行驶工况片段记录下来，然后通过聚类分析算法对此段历史工况片段进行类别辨识，通过辨识的结果可以判断出工况库中已有的类别是否已经包含此段工况的类别。如果此段工况的类别包含于之前已储存的工况类别中，则设定当前行驶工况为工况库中的相应类别；如果此段工况是一种全新的类别，不包含于之前已储存的工况类别，那么就为此类工况新成立一类，添加到现有的工况总类里。这样，随着车辆经历工况种类的增加，预测波形样本的种类也不断完善。然后针对每一种类别的样本波形训练相应的神经网络，这样在实际行驶过程中，基于工况识别的结果，选择相应的神经网络，就可以更准确的预测未来工况信息。

既然行驶工况有多变的特性，滚动预测系统就需要设定相应的检测机制，在发现当前行驶工况的类别发生改变时，需要重新选定用于预测的神经网络，以保证预测的准确性。工况识别检测程序的触发节点分为两种情况：第一种触发节点为，当程序运行到指定的时间节点(由预设的固定时间间隔决定)时，系统会自动进行工况识别，然后根据识别结果选择预测模型，如果不发生第二种触发节点，该预测模型会一直工作到下一时间节点的到来；第二种触发节点为，当程序没有运行到指定的时间节点，但预测结果与实际车速的偏差达到预设的阈值时，也会触发系统的工况识别程序，然后根据识别结果重新选择预测模型。在这两种工况识别触发机制下，可以保证工况预测系统保持工作在较准确的预测状态，使该控制策略更好的提升车辆性能。需要指出的是，在第一类触发机制中提到的“指定的时间节点”为每两次进行检测预测波形种类与当前工况类别是否一致的时间间隔，此节点不同于波形预测中提到的相邻两次预测的时间间隔，两者互不影响、完全独立。

本发明建立的滚动预测算法是将离线训练的波形预测算法和工况识别算法相结合，在两者的基础上建立的一种预测模型，所以该模型的性能在很大程度上由以上两者的决定。在上文中，已经对影响波形预测算法和工况识别算法的因素进行了分析，所以本发明不再对滚动预测算法进行影响因素分析。

在Matlab环境下对滚动预测算法进行程序编写。图18为滚动预测的程序实现流程图。

图19中左侧工况的预测是利用离线储备的波形完成，由于离线储备的波形与实际工况有所不同，导致预测结果稍有偏差；右侧的预测结果为车辆应用滚动预测的在线训练功能，对历史工况(左侧工况)进行在线训练后，并应用于在线预测。从图(2)中可以看出，经过滚动预测在线训练后，预测的误差非常小，预测结果可以达到非常精确的程度。

当然，以上所述仅是本发明的一种实施方式而已，应当指出本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰均属于本发明权利要求的保护范围之内。

Claims (7)

1.一种车辆行驶工况的工况预测方法，该方法包括：

将整个车辆行驶工况分成数个行驶工况片段的组合，其中一个行驶工况片段是指车辆从起动到第一次停车制动的过程，包括起动阶段、行驶阶段、制动阶段三部分组成；

利用行驶工况片段对神经网络进行训练，然后通过神经网络强大的拟合能力，对输入的行驶工况历史信息进行分析计算，将历史信息与训练行驶工况片段进行匹配；

在训练行驶工况片段中找到与历史信息最为相近的部分，将该部分接下来的工况信息作为预测结果输出，完成对未来行驶工况的预测。

2.根据权利要求1所述的工况预测方法，其中该方法包括以下流程：

(1)将连续的行驶工况片段进行离散化，按照时间离散成若干个点；

(2)数据处理，根据神经网络的输入层神经元个数n和输出层神经元个数l，将离散后的行驶工况片段按照从前到后的顺序，n+l个相邻的数据点组成一个训练片段，将得到的训练片段的前部n个数据作为训练神经网络的输入向量，后部l个数据作为训练神经网络的期望输出向量；

(3)离线训练神经网络：在特定软件环境下，利用神经网络工具箱和已经得到的训练样本对神经网络进行训练；

(4)在线预测未来工况信息：通过将最近的历史工况信息输入到神经网络中，得到网络的输出即为对未来工况的预测结果，两次预测的时间间隔要小于预测时域长度；

(5)随着输入到神经网络的历史工况信息不断更新，预测程序持续进行，直至全局工况结束。

3.根据权利要求2所述的工况预测方法，其中将行驶工况片段，按照时间离散成41个点，即每秒一个数据点。

4.根据权利要求2所述的工况预测方法，其中设置神经网络的输入层神经元个数为10，输出层神经元个数为5，将离散后的行驶工况片段按照从前到后的顺序，每15个相邻的数据点就组成一个训练片段，由此可以得到27个训练片段；将得到的训练片段的前部10个数据作为训练神经网络的输入向量，后部5个数据作为训练神经网络的期望输出向量，由此，本训练神经网络的输入为一个10×27的矩阵，期望输出为一个5×27的矩阵。

5.根据权利要求2所述的工况预测方法，其中在MATLAB环境下，利用神经网络工具箱和已经得到的训练样本对神经网络进行训练。

6.根据权利要求2所述的工况预测方法，其中，本方法将两次预测的时间间隔设定为1秒，预测的结果为未来五秒的工况信息，两次预测的时间间隔要小于预测时域长度。

7.一种混合动力车辆行驶工况的工况预测方法，该方法采用权利要求1-6任一所限定的工况预测方法。