CN107862864A - 基于驾驶习惯和交通路况的行驶工况智能预测估计方法 - Google Patents

基于驾驶习惯和交通路况的行驶工况智能预测估计方法 Download PDF

Info

Publication number
CN107862864A
CN107862864A CN201710972871.3A CN201710972871A CN107862864A CN 107862864 A CN107862864 A CN 107862864A CN 201710972871 A CN201710972871 A CN 201710972871A CN 107862864 A CN107862864 A CN 107862864A
Authority
CN
China
Prior art keywords
mrow
msub
traffic
vehicle
driving
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
CN201710972871.3A
Other languages
English (en)
Other versions
CN107862864B (zh
Inventor
李玉芳
陈明诺
赵万忠
张文浩
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.)
Nanjing University of Aeronautics and Astronautics
Original Assignee
Nanjing University of Aeronautics and Astronautics
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 Nanjing University of Aeronautics and Astronautics filed Critical Nanjing University of Aeronautics and Astronautics
Priority to CN201710972871.3A priority Critical patent/CN107862864B/zh
Publication of CN107862864A publication Critical patent/CN107862864A/zh
Application granted granted Critical
Publication of CN107862864B publication Critical patent/CN107862864B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • GPHYSICS
    • G08SIGNALLING
    • G08GTRAFFIC CONTROL SYSTEMS
    • G08G1/00Traffic control systems for road vehicles
    • G08G1/01Detecting movement of traffic to be counted or controlled
    • G08G1/0104Measuring and analyzing of parameters relative to traffic conditions
    • G08G1/0125Traffic data processing
    • G08G1/0129Traffic data processing for creating historical data or processing based on historical data
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06QINFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00Administration; Management
    • G06Q10/04Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Economics (AREA)
  • Physics & Mathematics (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • Quality & Reliability (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Tourism & Hospitality (AREA)
  • Game Theory and Decision Science (AREA)
  • General Business, Economics & Management (AREA)
  • Development Economics (AREA)
  • Theoretical Computer Science (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明提供了一种基于驾驶习惯和交通路况的行驶工况智能预测估计方法,基于已建立的车辆工况识别模型、当前车辆行驶参数、当前交通路况信息,通过神经网络和二型模糊集合理论建立未来预测工况模型,预测车辆在规划路径上行驶的工况特性。将预测得到的行驶工况信息发送给整车能量管理系统,其自动优化模块根据预测工况在线优化调整控制逻辑,以提高整车系统能量利用效率,无论对纯电动汽车还是混合动力汽车以至智能汽车等都非常具有实际意义和工程应用价值。

Description

基于驾驶习惯和交通路况的行驶工况智能预测估计方法
技术领域
本发明涉及道路行驶工况智能预测识别领域,具体是一种基于驾驶习惯和交通路况的行驶工况智能预测估计方法。
背景技术
针对家用汽车主要用来通勤代步的目的,驾驶员基本固定,其驾驶员日常行驶路线,行驶时间段都相对固定,来开发此系统。本发明涉及对车辆驾驶工况的智能识别。行驶工况是汽车设计特别是新车设计和能量及功率管理的基本依据,现有的工况分为标准工况和综合工况,至少有几十种,比如说欧洲的、美国的及日本的等等。这些工况的建立主要考虑了交通工况,如车流等等,事实上,每个人的驾驶习惯不同,即使同一个交通工况下,如不同驾驶员驾车习惯不同,对具体车辆则形成的实际行驶工况不同,具体表现在燃油率不同、车速不同、加减速不同或者档位使用各不同等。但是,一个人的驾驶习惯不易改变,若能将其识别,结合实际路况,可以实时在线修正或优化管理能量管理策略,这对于新能源汽车或节能汽车来讲尤其重要。
发明内容
本发明为了解决现有技术的问题,提供了一种基于驾驶习惯和交通路况的行驶工况智能预测估计方法,利用了GPS/INS系统来获取车辆行驶数据,GIS/ITS系统来获取道路路况信息,通过对以上信息的整合分析可以对车辆未来的行驶工况做一个全面的预测,将预测结果提供给能量管理系统,则可以对整车的能量控制策略做一个全面的优化,大幅度的提升能量的使用效率,达到节能减排的效果。
根据现有技术,可以先建立一个行驶工况构建系统,包括中央数据存储和处理器以及与中央数据存储和处理器连接的车载传感器、识别系统、大数据云服务端和安防系统;所述的识别系统包括驾驶员身份识别系统和人脸识别装置,驶员身份识别系统接收来自人脸识别装置的驾驶员身份信息,并将识别出的驾驶员身份ID,通过CANBUS输到中央数据存储和处理器中,人脸识别装置为若干不同角度的人脸识别摄像头;所述的车载传感器包括GPS/INS组合导航系统、激光雷达、摄像头,将采集的车辆行驶状态信息通过CANBUS传输到中央数据存储和处理器中;所述的大数据云服务端通过4G数据网络系统接入到中央数据存储和处理器中,大数据云服务端将驾驶员行车信息传输给驾驶员;所述的安防系统包括安全监控系统和车载报警系统,安全监控系统接收来自大数据云服务端的相关信息,将异常驾驶信息传输给车载报警系统,车载报警系统对驾驶员进行报警。
本发明提供了一种基于驾驶习惯和交通路况的行驶工况智能预测估计方法,包括以下步骤:
1)驾驶员位于车内,由身份识别系统读取信息,获取其驾驶员的身份ID,再从数据存储与管理模块中调取其驾驶员的车辆行驶工况识别模型;
2)由驾驶员在车中输入行车路径起始点,通过大数据云服务端的GIS/ITS模块来计算其行车规划路径并且获取行车规划路径上的实时与历史交通工况信息,将行车规划路径和行车规划路径上的实时与历史交通工况通过4G网络传输到数据存储与管理模块,将通过GPS/INS系统获取到的车辆行驶状态参数也传输给数据存储与管理模块;
3)交通工况预测模块从数据存储与管理模块中读取行车规划路径、行车规划路径上的实时和历史交通工况,先通过基于KD-树优化的K-means聚类算法来对实时和历史交通工况数据做预处理,再通过灰色预测对行车规划路径上的交通工况进行预测与分析,采用中值滤波对交通工况数据进行处理,从而建立本车在行车规划路径上的交通预测工况模型,并且将交通预测工况模型传输回数据存储与管理模块;
4)规划路径上的长时间车速预测模块和规划路径上的局部短时间车速预测模块从数据存储与管理模块中读取行车规划路径、行车规划路径上的实时和未来交通工况、驾驶员的车辆行驶工况识别模型和当前的车辆行驶状态参数,通过神经网络和二型模糊集合理论建立未来预测工况模型,来预测车辆行驶规划路径上的行驶工况信息,从而建立本车在行车规划路径上的车辆预测工况模型;
5)将对于全规划路径的长时间车速预测模块和规划路径上的局部短时间车速预测模块建立的车辆预测工况模型输入到整车能量管理系统中,从而对车辆进行电机与发动机的管理策略优化控制,达到节能减排的效果。
本发明有益效果在于:本发明利用了GPS/INS系统来获取车辆行驶数据,GIS/ITS系统来获取道路路况信息,通过对以上信息的整合分析可以对车辆未来的行驶工况做一个全面的预测,将预测结果提供给能量管理系统,则可以对整车的能量控制策略做一个全面的优化,大幅度的提升能量的使用效率,达到节能减排的效果。
附图说明
图1为图1为本发明的总体技术方案示意图。
图2为某次行车规划路径图示意图。
图3为某路段的道路交通流情况分布图。
图4为交通工况预测流程图。
图5为自适应中值滤波器的结构图。
图6为车速预测流程图。
图7为BP神经网络结构图。
图8为区间算法中一型模糊集合模型的并运算图。
图9为车速预测详图。
具体实施方式
下面结合附图和具体实施方式对本发明做进一步说明。
本发明的总体技术方案如图1所示,具体步骤为:
1、读取驾驶员身份ID,调取其驾驶员的车辆行驶工况识别模型:
本发明采用面部识别等身份识别系统获取驾驶员的身份特征,从而读取属于驾驶员自身的身份ID。其驾驶员已建立的车辆行驶工况识别模型存储于数据存储与管理模块当中,通过验证已识别出的驾驶员身份ID,则可从数据存储与管理模块当中将属于其驾驶员的车辆行驶工况识别模型调取出。
2、通过大数据云服务端获取行车规划路径和实时交通工况:
本发明驾驶员输入行驶路径的起点和终点,通过大数据云服务端的GIS/ITS模块来计算出行车规划路径,其如图2所示。通过编写程序,在已规划好的行车路径上采点,各个点的实时和历史的路况信息如图3所示,并且将其下载到本地,并且将此结果保存在数据存储与管理模块当中。其中,车辆本地客户端与大数据云服务端之间的通讯通过4G网络的传输来实现。
3、交通工况预测:
本发明中交通工况预测模块从数据存储与管理模块中读取行车规划路径和行车规划路径上的实时和历史交通工况。具体操作如图4所示。
本发明采用中值滤波对交通工况数据进行处理。中值滤波是一个常见的非线性滤波器,由于其计算速度比较快,既可滤掉脉冲噪声,也可较好地挖掘数据中的有用信息,因此非常适合处理一些变化缓慢的参数,如温度、交通流量等。在应用过程中,中值滤波对变量连续采样若干次,然后把获得的采样值排序,最后选择排序后的中间值作为本次的采样值。
采用自适应中值滤波的具体步骤如下:
自适应中值滤波器的结构如图5所示,D(n)为窗口序列的期望输出,E(n)为输出误差,按照MAE(最小绝对误差)标准,即使得目标函数取得最小值
其中,E[·]表示数学期望。
由于历史收集到的交通工况数据量非常大,并且交通工况具有实时更新的特性,因此本发明采用的是基于KD-树优化的K-means聚类算法来对实时和历史交通工况数据做预处理。但是,传统K-means算法在对实时交通工况数据即增量数据的处理上存在两方面的缺陷:
(1)当数据集添加增量数据时,传统的K-means聚类算法将会对整个数据集进行重新聚类,其效率较低;
(2)每次对整个数据集进行重新聚类的时候,传统的K-means聚类算法在对中心点仍然存在敏感的不足的情况。
因此,在对实时和历史交通工况数据的预处理中,本发明所采用的是基于KD-树优化的K-means聚类算法。采用KD-树数据结构来存储交通工况数据集中所有的数据对象,并利用KD-树来选取k个稳定的初始中心点,让其快速地寻找到给定数据对象的近邻对象,以此减少在空间近邻对象上搜索的时间,有效处理增量数据聚类的问题,最终提高整体效率。其具体算法如下:
(1)输入包含n个数据对象的交通工况历史数据集X={x1,x2,…,xn},利用基于KD-树优化初始聚类中心点选取的算法,来选取出交通工况历史数据集X={x1,x2,…,xn}中的k个有效的初始聚类中心点C={C1,C2,…,Ck}。当整个数据集中增加交通工况动态实时数据X'={x'1,x'2,…,x'm}时,则利用交通工况动态实时数据X'={x'1,x'2,…,x'm}和k个有效的初始聚类中心C={C1,C2,…,Ck}来共同构建KD-树。
(2)设第i(1,2,…,k)个聚类簇中交通工况动态实时数据的个数为Mi,第i(1,2,…,k)个聚类中实时和历史交通工况数据对象所组成的集合为Gi
(3)对其他实时和历史交通工况数据对象x'i(i=1,2,…,m)搜索其对应的最近聚类中心为Ci(i=1,2,…,k),然后将实时和历史交通工况数据对象x'i(i=1,2,…,m)分配到其相对应的集合Gi当中。
(4)基于利用实时和历史交通工况数据对象建立的KD-树,从KD-树根节点出发,向下挖掘数据对象x'i(i=1,2,…,m),如果数据对象x'i(i=1,2,…,m)的当前坐标小于分裂点的坐标,则在其左空间进行挖掘,反之则到其右空间进行挖掘,直至挖掘到叶节点为止,并标记为Nearest,计算叶节点与x'i(i=1,2,…,m)的距离为Distance;
(5)向上进行数据对象挖掘,分别计算每一个KD-树叶节点与其目标点x'i(i=1,2,…,m)之间的距离,如果叶节点与其目标点x'i(i=1,2,…,m)之间的距离小于Distance,则对此节点更新,定义其为最近点Nearest,并且记此距离为Distance。再以此叶节点x'i(i=1,2,…,m)为圆心、Distance为半径,作圆观察,此圆是否与此节点的分裂轴相交,如果不相交,则继续向上挖掘数据对象;如果圆与此节点的分裂轴相交,则需要对此节点的另一个子节点进行挖掘。当挖掘回到根节点时,数据对象挖掘结束,此时的Nearest即为目标点x'i(i=1,2,…,m)的最近聚类中心,然后再将交通工况动态实时数据x'i(i=1,2,…,m)分配到Nearest对属的聚类中心中。
(6)挖掘每一个交通工况动态实时数据对象x'i(i=1,2,…,m)所对应的最近聚类中心Ci(i=1,2,…,k),并且同时更新数据集中第i(i=1,2,…,k)个聚类中心最终形成k个聚类簇。
(7)再对k个聚类簇的簇间距进行对比,当两个簇的簇间距Dist(Ci,Cj)小于平均簇间距AvgDist(C),则将两个簇合并。直到任意选取的两个簇的簇间距都大于平均簇间距AvgDist(C)为止。
(8)输出(7)处理后的最优聚类结果簇。
将上述交通工况实时和历史数据通过基于KD-树优化的K-means聚类算法计算得到的最优聚类结果簇,输入到CVM算法中进行计算。其CVM算法是将SVM中的QP问题转化为带有中心约束的最小包闭球问题,再通过迭代计算方法来寻找其高维空间的核心集,最终找到原始MEB问题的(1+ε)近似解。
对于给定的一组训练集其中xi是样本输入即上述基于KD-树优化的K-means聚类算法得出的交通工况最优聚类结果簇,yi为样本输出即交通工况预测结果,m是样本个数。定义MEB(S)为整个空间S中的所有样本数据的最小半径的球,并且假设其核函数为K。其目标公式和约束公式如下:
其中,为映射函数,R为最小的包闭球半径,c为圆心
然后再通过对增加一维约束,就可以将v-SVR转化为带有中心约束的MEB问题来求解,其两者具有如下相同的函数形式:
在通过上述步骤将v-SVR转化为MEB问题求解之后,就可以利用原始MEB问题中的(1+ε)近似解来快速求解问题。选取整个数据空间S的一个子集Q,定义其核心集为:
其中B(c,r)=MEB(Q),ε是一个很小的膨胀系数。定义St、ct以及rt分别为第t次迭代的核心集、MEB圆心和MEB半径,CVM求解(1+ε)MEB问题步骤如下:
1)初始化选择交通工况初始样本核心集S0、交通工况初始样本MEB圆心c0、交通工况初始样本MEB半径r0
2)在第t次迭代中,找到距离MEB圆心ct最远的并更新
3)计算新的核心集St+1的ct+1和rt+1
4)如果所有的交通工况样本都在B[ct+1(1+ε)rt+1]则停止迭代,否则继续;
5)迭代次数t←t+1,并返回2)。
交通工况样本核心集中的向量为核心向量,通过这些核心向量可以得到原SVR问题的解。
对于交通工况CVM预测模型的预测能力有以下三个参数指标评价
均方根误差:
平均相对误差:
决定系数:
其中,n为测试集样本个数;yi为测量值;为预测值;为测量平均值。
4、车速预测:
本发明将车速预测分为两个模块来实现,包括规划路径上的局部短时车速预测模块和全规划路径的长时间车速预测模块。具体步骤如图6所示。由于从数据储存与管理模块中读取到的车辆行驶状态参数存在噪声干扰,因此先对车辆行驶状态参数进行中值滤波,再做如下步骤操作。
1)规划路径上的局部短时车速预测用于能量管理的动态优化
由于基于道路工况数据和历史车速所建立的神经网络模型预测短时间车速比传统的直接基于历史车速建立神经网络模型预测车速效果要好,因此本发明也采用基于道路工况数据和历史车速建立神经网络模型来预测短时间车速。其中短时是指汽车行驶时的邻近时间,比如对未来1~60秒的车速预测。其中道路工况的划分如表1所示。其中,由于是短时间内的车速预测,道路工况具体一定的稳定性,因此在车速预测过程中视道路工况为定值,取预测初始时的道路工况定义为整个预测过程中的道路工况。
表1.道路工况
高速公路与高架 市郊 居民生活区 城市中心繁华地带
拥堵的高速公路与高架 拥堵的市郊 拥堵的居民生活区 拥堵的城市中心繁华地带
缓行的高速公路与高架 缓行的市郊 缓行的居民生活区 缓行的城市中心繁华地带
畅通的高速公路与高架 畅通的市郊 畅通的居民生活区 畅通的城市中心繁华地带
BP神经网络的结构如图7所示。由于车速作为时间序列数据前后具有一定的连贯性,因此邻近的历史车速对于短时间内的车速预测也具有一定的参考意义,所以在神经网络的训练中,所建立的神经网络输入层共有五个输入的特征参数,具体为车速、道路工况、加速度、本车与前车的距离、时间,输出层则为未来60s内的平均车速。,
2)对于全规划路径的长时间车速预测用于能量管理的宏观调整
由于,在同一道路工况条件(道路工况划分如表1所示)下的车辆行驶状态参数具有较明显的非严格重复性,大量的数据落在一个范围内,并且具体一个数据落在此范围的什么地方,又表现出非常强的不确定性和随机性。因此,为了描述车辆行驶状态参数的这一特征,使数据处理和预测结果更有实际意义,不仅能预测车辆的未来行驶状态,也能告诉其可能变化的范围。因此,用区间的形式来表达车辆未来行驶状态波动范围显然更加合理。将滤波输出的结果输入到车辆行驶状态参数的置信区间模块,对其进行置信区间的划分。
对于置信区间的划分,本发明采用的是中心极限定理,将车辆行驶状态参数由点数据转化为区间描述。置信区间是样本统计量所构造的描述总体参数的一个估计区间,是总体参数的真实值以—定概率落在的范围。这里所说的一定概率是指置信水平,它描述了此置信区间的可信程度。本发明应用了中心极限定理来寻找车辆行驶状态参数的置信区间,其公式如下所示。
当样本容量n充分大时,枢轴量
渐进服从N(0,1)于是μ的近似置信区间为
式中——样本的均值
S——样本的标准差
n——样本的大小
α——正态分布的分位点
以车辆行驶状态参数处理为例,利用中心极限定理所确定的置信区间,可以得到车辆行驶状态参数所在置信区间以及落到该区间的概率。
本发明采用二型模糊化算法中的区间算法。区间算法包括数据处理部分和模糊集合部分,分别用于剔除不合要求的区间和将区间转换成区间二型模糊集合。区间算法的步骤为:
(1)利用每个专家提供一个区间。
(2)数据处理部分,用于消除一些不合理的区间。
(3)模糊集合部分,将区间转换成区间二型模糊集合。
区间算法具有以下优势。第一,由于使用每个专家的数据,因此不会忽略样本的任何输入信息。第二,由于专家给出的是区间,因此此方法对模糊理论知识的要求较少。其具体的操作步骤如下:
数据处理部分主要用于消除不符合理的数据,其包括四个步骤:坏点的处理、异常值的处理、容许限度的处理和合理性的处理。
一:坏点的处理,样本区间的左端点应比右端点小。若左端点比右端点大,则表示异常,需要删除此样本的区间。
二:异常值的处理,需要剔除异常大和异常小的样本区间。
三:容许限度的处理,本发明所采用的是Walpole规则。
a(i)∈[ml-ksl,ml+ksl] (10)
b(i)∈[mr-ksr,mr+ksr] (11)
L(i)∈[mL-ksL,mL+ksL] (12)
其中ml——区间左端点的均值;
sl——区间左端点的标准差;
mr——区间右端点的均值;
sr——区间右端点的标准差;
a(i)——第i个区间的左端点;
b(i)——第i个区间的右端点;
L(i)——第i个区间的长度;
mL——L的均值;
sL——L的标准差。
四:合理性的处理,其采用了以下两条规则:
a(i)<ξ* (13)
b(i)>ξ* (14)
其中,
区间算法的数据处理部分筛选符合要求的输入区间,消除了一些不合理的区间,保证区间的准确性。
上述操作后所筛选后的区间将进行下一步的处理,对数据进行区间模糊化。经过区间算法的数据处理部分,不合理的区间都已被消除,保留的是都是符合要求的区间。模糊集合部分选择一个一型模糊集合模型,建立数据处理部分所保留下来的所有样本区间的模型,一型模糊集合模型的均值和方差如下公式所示“”
其中,aMF和bMF是一型模糊集合模型的参数。
其中一型模糊集合模型共有三种类型:左肩型、对称三角形及右肩型。每一个区间都会对应着一个一型模糊集合模型。将这些区间所对应的一型模糊集合进行以下公式中的并运算,即可得到区间二型模糊集合,如图8所示。
μC(x)=max(μA(x),μB(x))=μA(x)∨μB(x) (18)
其中,A、B和C是一型模糊集合,C是A和B的并运算得到的新集合,μA(x)、μB(x)和μC(x)分别为A、B和C的隶属度函数。
上述二型模糊化模块运算结束。车速长时间预测模块将利用这些区间二型模糊集合进行运算,获取车辆行驶状态参数长时预测结果。
车速长时间预测模块包括解模糊得到重心、连接重心得到重心曲线、获取上限预测区间和下限预测曲线、预测区域等。由公式
其中,分别是二型模糊集合重心的左边界和右边界,
可知,每个样本区间二型模糊集合的重心都由一系列一型模糊集合的重心组成。区间二型模糊集合的重心存在有一个重心左边界和一个重心右边界。把所有区间二型模糊集合重心的左边界连接起来,即把所有区间二型模糊集合所得的下限隶属度函数的重心连接起来,可以得到一条下限重心曲线。在本发明中,可由下限重心曲线转换成下限车辆行驶状态参数预测曲线。同理,也可以得到上限车辆行驶状态参数预测曲线。相对于传统的长时预测方法的预测结果均为预测曲线,本文的上限车辆行驶状态参数预测曲线和下限车辆行驶状态参数预测曲线是两条符合传统预测要求的结果。上、下限车辆行驶状态参数预测曲线所包围形成一个车辆行驶状态参数预测区域,这个区域就是本发明的车辆行驶状态参数长时预测结果。可以分析发现本发明的两条预测曲线包围而成的车速长时间预测区域的数据既展现车辆行驶状态参数的非严格重复性,也挖掘了车辆行驶状态参数波动的随机性和不确定性。
选取这个范围带的中点连接成一条曲线L,例如,当车辆行驶状态参数是车速时,则曲线L的平均值定义为车辆在此交通工况下的车速均值,它能够体现驾驶员自身的因素、车辆状态因素和交通工况因素。因此重复此操作可以得到车辆在不同交通工况下的车速均值,建立属于驾驶员的长时间车速预测模型。
由于路口存在交通工况突变的属性,因此以路口为划分标准将车辆行驶规划路径划分为n段,每段为路段i(i=1,2,…,n)。如图9所示,此系统输入车辆起始位置时刻和车辆行驶规划路径,以路段i(i=1,2,…,n)为标准,在每个路段下预测车辆通过此路段所需的时间,最后可以获得整个车辆行驶规划路径上通过每个路段所需的时间。其中,车速预测模块所提供的预测平均车速根据预测时间远近区分为长时间车速预测和短时间车速预测,其对应的模块为对于全规划路径的长时间车速预测和规划路径上的局部短时间车速预测。
5、电机与发动机的管理策略优化
将对于全规划路径的长时间车速预测模块和规划路径上的局部短时间车速预测模块建立的车辆预测工况模型输入到电机与发动机管理策略控制模块中,最后对车辆进行电机与发动机的管理策略优化控制,以此达到节能减排的效果。其中,规划路径上的局部短时间车速预测所提供的预测车速可用于短时间内对车辆状态的策略优化,实现对策略的动态优化调整。
本发明具体应用途径很多,以上所述仅是本发明的优选实施方式,应当指出,对于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,还可以作出若干改进,这些改进也应视为本发明的保护范围。

Claims (9)

1.一种基于驾驶习惯和交通路况的行驶工况智能预测估计方法,其特征在于包括以下步骤:
1)驾驶员位于车内,由身份识别系统读取信息,获取其驾驶员的身份ID,再从数据存储与管理模块中调取其驾驶员的车辆行驶工况识别模型;
2)由驾驶员在车中输入行车路径起始点,通过大数据云服务端的GIS/ITS模块来计算其行车规划路径并且获取行车规划路径上的实时与历史交通工况信息,将行车规划路径和行车规划路径上的实时与历史交通工况通过4G网络传输到数据存储与管理模块,将通过GPS/INS系统获取到的车辆行驶状态参数也传输给数据存储与管理模块;
3)交通工况预测模块从数据存储与管理模块中读取行车规划路径、行车规划路径上的实时和历史交通工况,先通过基于KD-树优化的K-means聚类算法来对实时和历史交通工况数据做预处理,再通过灰色预测对行车规划路径上的交通工况进行预测与分析,采用中值滤波对交通工况数据进行处理,从而建立本车在行车规划路径上的交通预测工况模型,并且将交通预测工况模型传输回数据存储与管理模块;
4)规划路径上的长时间车速预测模块和规划路径上的局部短时间车速预测模块从数据存储与管理模块中读取行车规划路径、行车规划路径上的实时和未来交通工况、驾驶员的车辆行驶工况识别模型和当前的车辆行驶状态参数,通过神经网络和二型模糊集合理论建立未来预测工况模型,来预测车辆行驶规划路径上的行驶工况信息,从而建立本车在行车规划路径上的车辆预测工况模型;
5)将对于全规划路径的长时间车速预测模块和规划路径上的局部短时间车速预测模块建立的车辆预测工况模型输入到整车能量管理系统中,从而对车辆进行电机与发动机的管理策略优化控制,达到节能减排的效果。
2.根据权利要求1所述的基于驾驶习惯和交通路况的行驶工况智能预测估计方法,其特征在于,步骤3)所述的基于KD-树优化的K-means聚类算法具体步骤如下:
1)输入包含n个数据对象的交通工况历史数据集X={x1,x2,…,xn},利用基于KD-树优化初始聚类中心点选取的算法,来选取出交通工况历史数据集X={x1,x2,…,xn}中的k个有效的初始聚类中心点C={C1,C2,…,Ck},当整个数据集中增加交通工况动态实时数据X'={x'1,x'2,…,x'm}时,则利用交通工况动态实时数据X'={x'1,x'2,…,x'm}和k个有效的初始聚类中心C={C1,C2,…,Ck}来共同构建KD-树;
2)设第i(1,2,…,k)个聚类簇中交通工况动态实时数据的个数为Mi,第i(1,2,…,k)个聚类中实时和历史交通工况数据对象所组成的集合为Gi
3)对其他实时和历史交通工况数据对象x'i(i=1,2,…,m)搜索其对应的最近聚类中心为Ci(i=1,2,…,k),然后将实时和历史交通工况数据对象x'i(i=1,2,…,m)分配到其相对应的集合Gi当中;
4)基于利用实时和历史交通工况数据对象建立的KD-树,从KD-树根节点出发,向下挖掘数据对象x'i(i=1,2,…,m),如果数据对象x'i(i=1,2,…,m)的当前坐标小于分裂点的坐标,则在其左空间进行挖掘,反之则到其右空间进行挖掘,直至挖掘到叶节点为止,并标记为Nearest,计算叶节点与x'i(i=1,2,…,m)的距离为Distance;
5)向上进行数据对象挖掘,分别计算每一个KD-树叶节点与其目标点x'i(i=1,2,…,m)之间的距离,如果叶节点与其目标点x'i(i=1,2,…,m)之间的距离小于Distance,则对此节点更新,定义其为最近点Nearest,并且记此距离为Distance,再以此叶节点x'i(i=1,2,…,m)为圆心、Distance为半径,作圆观察,此圆是否与此节点的分裂轴相交,如果不相交,则继续向上挖掘数据对象;如果圆与此节点的分裂轴相交,则需要对此节点的另一个子节点进行挖掘,当挖掘回到根节点时,数据对象挖掘结束,此时的Nearest即为目标点x'i(i=1,2,…,m)的最近聚类中心,然后再将交通工况动态实时数据x'i(i=1,2,…,m)分配到Nearest对属的聚类中心中;
6)挖掘每一个交通工况动态实时数据对象x'i(i=1,2,…,m)所对应的最近聚类中心Ci(i=1,2,…,k),并且同时更新数据集中第i(i=1,2,…,k)个聚类中心最终形成k个聚类簇;
7)再对k个聚类簇的簇间距进行对比,当两个簇的簇间距Dist(Ci,Cj)小于平均簇间距AvgDist(C),则将两个簇合并,直到任意选取的两个簇的簇间距都大于平均簇间距AvgDist(C)为止;
8)输出(7)处理后的最优聚类结果簇;
9)将最优聚类结果簇,输入到CVM算法中进行计算,其CVM算法是将SVM中的QP问题转化为带有中心约束的最小包闭球问题,再通过迭代计算方法来寻找其高维空间的核心集,最终找到原始MEB问题的(1+ε)近似解。
3.根据权利要求1所述的基于驾驶习惯和交通路况的行驶工况智能预测估计方法,其特征在于,步骤3)所述的采用自适应中值滤波的具体步骤如下:
D(n)为窗口序列的期望输出,E(n)为输出误差,按照MAE标准,即使得目标函数取得最小值:
<mrow> <mtable> <mtr> <mtd> <mi>min</mi> </mtd> <mtd> <mrow> <mi>J</mi> <mrow> <mo>(</mo> <mover> <mi>W</mi> <mo>&amp;OverBar;</mo> </mover> <mo>)</mo> </mrow> <mo>=</mo> <mi>E</mi> <mo>&amp;lsqb;</mo> <mo>|</mo> <mi>D</mi> <mrow> <mo>(</mo> <mi>n</mi> <mo>)</mo> </mrow> <mo>-</mo> <mi>Y</mi> <mrow> <mo>(</mo> <mi>n</mi> <mo>)</mo> </mrow> <mo>|</mo> <mo>&amp;rsqb;</mo> </mrow> </mtd> </mtr> </mtable> <mo>,</mo> </mrow>
其中,E[·]表示数学期望。
4.根据权利要求1所述的基于驾驶习惯和交通路况的行驶工况智能预测估计方法,其特征在于:步骤4)所述的规划路径上的局部短时间车速预测模块建立的神经网络输入层共有五个输入的特征参数,具体为车速、道路工况、加速度、本车与前车的距离、时间,输出层则为未来60s内的平均车速。
5.根据权利要求1所述的基于驾驶习惯和交通路况的行驶工况智能预测估计方法,其特征在于:步骤4)所述的规划路径上的长时间车速预测模块采用二型模糊化算法中的区间算法,采用中心极限定理对置信区间划分,用区间的形式来表达车辆未来行驶状态波动范围。
6.根据权利要求5所述的基于驾驶习惯和交通路况的行驶工况智能预测估计方法,其特征在于,所述的中心极限定理对置信区间的划分具体为:
当样本容量n充分大时,枢轴量T:
<mrow> <mi>T</mi> <mo>=</mo> <mrow> <mo>(</mo> <mover> <mi>X</mi> <mo>&amp;OverBar;</mo> </mover> <mo>-</mo> <mi>&amp;mu;</mi> <mo>)</mo> </mrow> <mo>/</mo> <mrow> <mo>(</mo> <mi>S</mi> <mo>/</mo> <msqrt> <mi>n</mi> </msqrt> <mo>)</mo> </mrow> <mo>;</mo> </mrow>
渐进服从N(0,1)于是μ的近似置信区间为
<mrow> <mo>(</mo> <mover> <mi>X</mi> <mo>&amp;OverBar;</mo> </mover> <mo>-</mo> <msub> <mi>&amp;mu;</mi> <mfrac> <mi>&amp;alpha;</mi> <mn>2</mn> </mfrac> </msub> <mi>S</mi> <mo>/</mo> <msqrt> <mi>n</mi> </msqrt> <mo>,</mo> <mover> <mi>X</mi> <mo>&amp;OverBar;</mo> </mover> <mo>+</mo> <msub> <mi>&amp;mu;</mi> <mfrac> <mi>&amp;alpha;</mi> <mn>2</mn> </mfrac> </msub> <mi>S</mi> <mo>/</mo> <msqrt> <mi>n</mi> </msqrt> <mo>)</mo> <mo>;</mo> </mrow>
式中,一一样本的均值;
S一一样本的标准差;
n——样本的大小;
α——正态分布的分位点;
以车辆行驶状态参数处理为例,利用中心极限定理所确定的置信区间,可以得到车辆行驶状态参数所在置信区间以及落到该区间的概率。
7.根据权利要求5所述的基于驾驶习惯和交通路况的行驶工况智能预测估计方法,其特征在于,所述的二型模糊化算法中的区间算法,包括数据处理部分和模糊集合部分,分别用于剔除不合要求的区间和将区间转换成区间二型模糊集合,具体步骤为:
1)利用每个专家提供一个区间;
2)数据处理部分,用于消除一些不合理的区间;
3)模糊集合部分,将区间转换成区间二型模糊集合。
8.根据权利要求7所述的基于驾驶习惯和交通路况的行驶工况智能预测估计方法,其特征在于,所述的数据处理部分主要用于消除不符合理的数据,其包括四个步骤:坏点的处理、异常值的处理、容许限度的处理和合理性的处理。
9.根据权利要求7所述的基于驾驶习惯和交通路况的行驶工况智能预测估计方法,其特征在于,所述的模糊集合部分包括以下过程:选择一个一型模糊集合模型,建立数据处理部分所保留下来的所有样本区间的模型,一型模糊集合模型的均值和方差如下公式所示:
<mrow> <msub> <mi>m</mi> <mi>A</mi> </msub> <mo>=</mo> <mfrac> <mrow> <msubsup> <mo>&amp;Integral;</mo> <msub> <mi>a</mi> <mrow> <mi>M</mi> <mi>F</mi> </mrow> </msub> <msub> <mi>b</mi> <mrow> <mi>M</mi> <mi>F</mi> </mrow> </msub> </msubsup> <msub> <mi>x&amp;mu;</mi> <mi>A</mi> </msub> <mrow> <mo>(</mo> <mi>x</mi> <mo>)</mo> </mrow> <mi>d</mi> <mi>x</mi> </mrow> <mrow> <msubsup> <mo>&amp;Integral;</mo> <msub> <mi>a</mi> <mrow> <mi>M</mi> <mi>F</mi> </mrow> </msub> <msub> <mi>b</mi> <mrow> <mi>M</mi> <mi>F</mi> </mrow> </msub> </msubsup> <msub> <mi>&amp;mu;</mi> <mi>A</mi> </msub> <mrow> <mo>(</mo> <mi>x</mi> <mo>)</mo> </mrow> <mi>d</mi> <mi>x</mi> </mrow> </mfrac> <mo>;</mo> </mrow>
<mrow> <msub> <mi>&amp;sigma;</mi> <mi>A</mi> </msub> <mo>=</mo> <msup> <mrow> <mo>&amp;lsqb;</mo> <mfrac> <mrow> <msubsup> <mo>&amp;Integral;</mo> <msub> <mi>a</mi> <mrow> <mi>M</mi> <mi>F</mi> </mrow> </msub> <msub> <mi>b</mi> <mrow> <mi>M</mi> <mi>F</mi> </mrow> </msub> </msubsup> <msup> <mrow> <mo>(</mo> <mi>x</mi> <mo>-</mo> <msub> <mi>m</mi> <mi>A</mi> </msub> <mo>)</mo> </mrow> <mn>2</mn> </msup> <msub> <mi>&amp;mu;</mi> <mi>A</mi> </msub> <mrow> <mo>(</mo> <mi>x</mi> <mo>)</mo> </mrow> <mi>d</mi> <mi>x</mi> </mrow> <mrow> <msubsup> <mo>&amp;Integral;</mo> <msub> <mi>a</mi> <mrow> <mi>M</mi> <mi>F</mi> </mrow> </msub> <msub> <mi>b</mi> <mrow> <mi>M</mi> <mi>F</mi> </mrow> </msub> </msubsup> <msub> <mi>&amp;mu;</mi> <mi>A</mi> </msub> <mrow> <mo>(</mo> <mi>x</mi> <mo>)</mo> </mrow> <mi>d</mi> <mi>x</mi> </mrow> </mfrac> <mo>&amp;rsqb;</mo> </mrow> <mrow> <mn>1</mn> <mo>/</mo> <mn>2</mn> </mrow> </msup> <mo>;</mo> </mrow>
其中,aMF和bMF是一型模糊集合模型的参数;
一型模糊集合模型共有三种类型:左肩型、对称三角形及右肩型,每一个区间都会对应着一个一型模糊集合模型,将这些区间所对应的一型模糊集合进行以下公式中的并运算,即可得到区间二型模糊集合:
其中,A、B和C是一型模糊集合,C是A和B的并运算得到的新集合,μA(x)、μB(x)和μC(x)分别为A、B和C的隶属度函数。
CN201710972871.3A 2017-10-18 2017-10-18 基于驾驶习惯和交通路况的行驶工况智能预测估计方法 Active CN107862864B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710972871.3A CN107862864B (zh) 2017-10-18 2017-10-18 基于驾驶习惯和交通路况的行驶工况智能预测估计方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710972871.3A CN107862864B (zh) 2017-10-18 2017-10-18 基于驾驶习惯和交通路况的行驶工况智能预测估计方法

Publications (2)

Publication Number Publication Date
CN107862864A true CN107862864A (zh) 2018-03-30
CN107862864B CN107862864B (zh) 2021-06-15

Family

ID=61696310

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710972871.3A Active CN107862864B (zh) 2017-10-18 2017-10-18 基于驾驶习惯和交通路况的行驶工况智能预测估计方法

Country Status (1)

Country Link
CN (1) CN107862864B (zh)

Cited By (32)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108364471A (zh) * 2018-04-24 2018-08-03 浙江方大智控科技有限公司 基于智能交通灯od信息检查的货运规划管理方法及系统
CN108376472A (zh) * 2018-04-24 2018-08-07 浙江方大智控科技有限公司 基于智能交通灯od信息分析的路段管理方法及系统
CN109017809A (zh) * 2018-08-27 2018-12-18 北京理工大学 一种基于越野工况预测的能量分配方法
CN109242003A (zh) * 2018-08-13 2019-01-18 浙江零跑科技有限公司 基于深度卷积神经网络的车载视觉系统自身运动确定方法
CN109318897A (zh) * 2018-10-08 2019-02-12 苏州大学 基于自动推理机制的接管巡航方法及系统
CN109727469A (zh) * 2019-01-08 2019-05-07 南京航空航天大学 一种多车道下自动驾驶车辆综合危险度评估方法
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
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
CN110308718A (zh) * 2019-04-11 2019-10-08 长沙理工大学 一种基于二型模糊综合评判的无人驾驶汽车行为决策方法
CN110766211A (zh) * 2019-10-14 2020-02-07 中国地质大学(武汉) 一种实时路况下的车辆路径规划问题模型创建方法
CN111178821A (zh) * 2018-11-13 2020-05-19 台塑网科技股份有限公司 能源控管系统
CN111223297A (zh) * 2020-01-17 2020-06-02 宁波工程学院 一种基于Wiener随机过程车辆工况预测方法和系统
CN111216737A (zh) * 2020-01-23 2020-06-02 浙江大工新能源有限公司 一种冷冻冷藏车辆运输路径预测方法
CN111325983A (zh) * 2020-03-12 2020-06-23 合肥工业大学 一种基于时空协同的智能网联汽车功率需求在线预测方法
CN111380534A (zh) * 2018-12-27 2020-07-07 百度(美国)有限责任公司 用于自动驾驶车辆的基于st图学习的决策
CN111429754A (zh) * 2020-03-13 2020-07-17 南京航空航天大学 一种行人过街工况下的车辆避撞轨迹风险评估方法
CN111639680A (zh) * 2020-05-09 2020-09-08 西北工业大学 一种基于专家反馈机制的身份识别方法
CN111785024A (zh) * 2020-07-17 2020-10-16 陕西工业职业技术学院 一种分区域分时域的城市车辆工况构建方法
WO2020224445A1 (zh) * 2019-05-08 2020-11-12 阿里巴巴集团控股有限公司 一种车流路径分布信息的处理方法、装置及电子设备
WO2021036456A1 (zh) * 2019-08-29 2021-03-04 南京智慧光信息科技研究院有限公司 基于大数据和人工智能的混合动力推进方法和机器人系统
CN112950128A (zh) * 2021-04-12 2021-06-11 南京司凯奇汽车科技有限公司 一种基于大数据融合的智能物流运输系统及方法
CN112977154A (zh) * 2019-12-17 2021-06-18 联合汽车电子有限公司 基于驾驶员操作行为预测的电能管理方法及系统和汽车
CN113095558A (zh) * 2021-04-01 2021-07-09 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
CN113276828A (zh) * 2020-02-19 2021-08-20 北京亿华通科技股份有限公司 一种燃料电池车的能量管理方法
CN113404575A (zh) * 2020-03-17 2021-09-17 联合汽车电子有限公司 Gpf再生优化方法及gpf再生机会评估系统
CN113706911A (zh) * 2021-08-25 2021-11-26 上海尔纯数据科技有限公司 一种基于数字化交通场景的自动驾驶方法
CN113786297A (zh) * 2021-08-04 2021-12-14 苏州智栩医疗科技有限公司 —种自稳定救护床系统
CN114043948A (zh) * 2021-10-18 2022-02-15 岚图汽车科技有限公司 车辆能耗测算方法、装置、电子设备及存储介质
CN114722975A (zh) * 2022-06-08 2022-07-08 山东大学 基于模糊理论和大数据分析的驾驶意图识别方法及系统
CN116080413A (zh) * 2023-04-11 2023-05-09 西南交通大学 一种基于轨道交通的车辆走行系统及方法
CN117912255A (zh) * 2024-03-19 2024-04-19 河北鹏鹄信息科技有限公司 一种实时智能驱动全域数据采集公路监控系统和监控方法
US12005942B2 (en) 2023-04-11 2024-06-11 Southwest Jiaotong University Vehicle running system and method based on rail transport

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102069245A (zh) * 2010-11-08 2011-05-25 大连理工大学 基于区间二型模糊逻辑的微细电火花两阶模糊控制方法
JP4791874B2 (ja) * 2006-03-31 2011-10-12 株式会社エクォス・リサーチ 運転支援装置及び運転行動判定装置
CN102254015A (zh) * 2011-07-21 2011-11-23 上海交通大学 基于视觉词组的图像检索方法
US8482486B2 (en) * 2009-04-02 2013-07-09 GM Global Technology Operations LLC Rear view mirror on full-windshield head-up display
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
CN103914985A (zh) * 2014-04-25 2014-07-09 大连理工大学 一种混合动力客车未来车速轨迹预测方法
CN106570495A (zh) * 2016-11-19 2017-04-19 南宁市浩发科技有限公司 一种复杂环境下的道路检测方法
CN106966298A (zh) * 2017-04-17 2017-07-21 山东建筑大学 基于机器视觉的装配式建筑智能吊装方法与系统
CN107145989A (zh) * 2017-06-12 2017-09-08 南京航空航天大学 基于人‑车‑交通路况的实际行驶工况构建方法

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP4791874B2 (ja) * 2006-03-31 2011-10-12 株式会社エクォス・リサーチ 運転支援装置及び運転行動判定装置
US8482486B2 (en) * 2009-04-02 2013-07-09 GM Global Technology Operations LLC Rear view mirror on full-windshield head-up display
CN102069245A (zh) * 2010-11-08 2011-05-25 大连理工大学 基于区间二型模糊逻辑的微细电火花两阶模糊控制方法
CN102254015A (zh) * 2011-07-21 2011-11-23 上海交通大学 基于视觉词组的图像检索方法
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
CN103914985A (zh) * 2014-04-25 2014-07-09 大连理工大学 一种混合动力客车未来车速轨迹预测方法
CN106570495A (zh) * 2016-11-19 2017-04-19 南宁市浩发科技有限公司 一种复杂环境下的道路检测方法
CN106966298A (zh) * 2017-04-17 2017-07-21 山东建筑大学 基于机器视觉的装配式建筑智能吊装方法与系统
CN107145989A (zh) * 2017-06-12 2017-09-08 南京航空航天大学 基于人‑车‑交通路况的实际行驶工况构建方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
詹森: "基于工况与驾驶风格识别的混合动力汽车能量管理策略研究", 《中国博士学位论文全文数据库 工程科技Ⅱ辑》 *

Cited By (46)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108376472A (zh) * 2018-04-24 2018-08-07 浙江方大智控科技有限公司 基于智能交通灯od信息分析的路段管理方法及系统
CN108364471B (zh) * 2018-04-24 2023-07-07 浙江方大智控科技有限公司 基于智能交通灯od信息检查的货运规划管理方法及系统
CN108364471A (zh) * 2018-04-24 2018-08-03 浙江方大智控科技有限公司 基于智能交通灯od信息检查的货运规划管理方法及系统
CN109242003A (zh) * 2018-08-13 2019-01-18 浙江零跑科技有限公司 基于深度卷积神经网络的车载视觉系统自身运动确定方法
CN109242003B (zh) * 2018-08-13 2021-01-01 浙江零跑科技有限公司 基于深度卷积神经网络的车载视觉系统自身运动确定方法
CN109017809A (zh) * 2018-08-27 2018-12-18 北京理工大学 一种基于越野工况预测的能量分配方法
CN109318897A (zh) * 2018-10-08 2019-02-12 苏州大学 基于自动推理机制的接管巡航方法及系统
CN109318897B (zh) * 2018-10-08 2020-12-01 苏州大学 基于自动推理机制的接管巡航方法及系统
CN111178821A (zh) * 2018-11-13 2020-05-19 台塑网科技股份有限公司 能源控管系统
CN111380534A (zh) * 2018-12-27 2020-07-07 百度(美国)有限责任公司 用于自动驾驶车辆的基于st图学习的决策
CN109727469A (zh) * 2019-01-08 2019-05-07 南京航空航天大学 一种多车道下自动驾驶车辆综合危险度评估方法
CN109727469B (zh) * 2019-01-08 2021-04-20 南京航空航天大学 一种多车道下自动驾驶车辆综合危险度评估方法
CN110308718A (zh) * 2019-04-11 2019-10-08 长沙理工大学 一种基于二型模糊综合评判的无人驾驶汽车行为决策方法
WO2020224445A1 (zh) * 2019-05-08 2020-11-12 阿里巴巴集团控股有限公司 一种车流路径分布信息的处理方法、装置及电子设备
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
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
WO2021036456A1 (zh) * 2019-08-29 2021-03-04 南京智慧光信息科技研究院有限公司 基于大数据和人工智能的混合动力推进方法和机器人系统
CN110766211A (zh) * 2019-10-14 2020-02-07 中国地质大学(武汉) 一种实时路况下的车辆路径规划问题模型创建方法
CN110766211B (zh) * 2019-10-14 2022-05-06 中国地质大学(武汉) 一种实时路况下的车辆路径规划问题模型创建方法
CN112977154B (zh) * 2019-12-17 2023-02-21 联合汽车电子有限公司 基于驾驶员操作行为预测的电能管理方法及系统和汽车
CN112977154A (zh) * 2019-12-17 2021-06-18 联合汽车电子有限公司 基于驾驶员操作行为预测的电能管理方法及系统和汽车
CN111223297A (zh) * 2020-01-17 2020-06-02 宁波工程学院 一种基于Wiener随机过程车辆工况预测方法和系统
CN111216737A (zh) * 2020-01-23 2020-06-02 浙江大工新能源有限公司 一种冷冻冷藏车辆运输路径预测方法
CN113276828A (zh) * 2020-02-19 2021-08-20 北京亿华通科技股份有限公司 一种燃料电池车的能量管理方法
CN111325983A (zh) * 2020-03-12 2020-06-23 合肥工业大学 一种基于时空协同的智能网联汽车功率需求在线预测方法
CN111429754A (zh) * 2020-03-13 2020-07-17 南京航空航天大学 一种行人过街工况下的车辆避撞轨迹风险评估方法
CN113404575A (zh) * 2020-03-17 2021-09-17 联合汽车电子有限公司 Gpf再生优化方法及gpf再生机会评估系统
CN111639680A (zh) * 2020-05-09 2020-09-08 西北工业大学 一种基于专家反馈机制的身份识别方法
CN111639680B (zh) * 2020-05-09 2022-08-09 西北工业大学 一种基于专家反馈机制的身份识别方法
CN111785024A (zh) * 2020-07-17 2020-10-16 陕西工业职业技术学院 一种分区域分时域的城市车辆工况构建方法
CN113095558B (zh) * 2021-04-01 2022-05-24 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方法
CN113095558A (zh) * 2021-04-01 2021-07-09 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
CN112950128A (zh) * 2021-04-12 2021-06-11 南京司凯奇汽车科技有限公司 一种基于大数据融合的智能物流运输系统及方法
CN112950128B (zh) * 2021-04-12 2024-01-19 南京司凯奇汽车科技有限公司 一种基于大数据融合的智能物流运输系统及方法
CN113786297A (zh) * 2021-08-04 2021-12-14 苏州智栩医疗科技有限公司 —种自稳定救护床系统
CN113706911A (zh) * 2021-08-25 2021-11-26 上海尔纯数据科技有限公司 一种基于数字化交通场景的自动驾驶方法
CN114043948A (zh) * 2021-10-18 2022-02-15 岚图汽车科技有限公司 车辆能耗测算方法、装置、电子设备及存储介质
CN114043948B (zh) * 2021-10-18 2023-10-20 岚图汽车科技有限公司 车辆能耗测算方法、装置、电子设备及存储介质
CN114722975A (zh) * 2022-06-08 2022-07-08 山东大学 基于模糊理论和大数据分析的驾驶意图识别方法及系统
CN114722975B (zh) * 2022-06-08 2022-08-30 山东大学 基于模糊理论和大数据分析的驾驶意图识别方法及系统
CN116080413B (zh) * 2023-04-11 2023-06-13 西南交通大学 一种基于轨道交通的车辆走行系统及方法
CN116080413A (zh) * 2023-04-11 2023-05-09 西南交通大学 一种基于轨道交通的车辆走行系统及方法
US12005942B2 (en) 2023-04-11 2024-06-11 Southwest Jiaotong University Vehicle running system and method based on rail transport
CN117912255A (zh) * 2024-03-19 2024-04-19 河北鹏鹄信息科技有限公司 一种实时智能驱动全域数据采集公路监控系统和监控方法
CN117912255B (zh) * 2024-03-19 2024-05-10 河北鹏鹄信息科技有限公司 一种实时智能驱动全域数据采集公路监控系统和监控方法

Also Published As

Publication number Publication date
CN107862864B (zh) 2021-06-15

Similar Documents

Publication Publication Date Title
CN107862864A (zh) 基于驾驶习惯和交通路况的行驶工况智能预测估计方法
CN109358582A (zh) 基于大数据的大采高综采工作面多设备协同作业控制方法
Lin et al. Traffic signal optimization based on fuzzy control and differential evolution algorithm
CN102081846A (zh) 基于高速公路收费数据轨迹匹配的交通状态识别方法
CN111523706B (zh) 一种基于深度学习组合模型的断面车道级短时交通流预测方法
CN106529818A (zh) 基于模糊小波神经网络的水质评价预测方法
CN109584552A (zh) 一种基于网络向量自回归模型的公交到站时间预测方法
CN112734094B (zh) 一种智慧城市智轨车辆故障基因预测方法及系统
CN112182962A (zh) 一种混合动力汽车行驶车速预测方法
CN116824861B (zh) 基于城市大脑平台多维数据的共享单车调度方法和系统
CN116050742A (zh) 一种共享车辆运维人员智能调度配置方法及系统
CN104331746A (zh) 一种分离式的动态路径优化系统及其方法
CN107066501A (zh) 一种基于道路相似性的机动车尾气遥测设备布点方法
Zhang et al. A Hybrid Method of Traffic Congestion Prediction and Control
Qiu et al. RPSBPT: A route planning scheme with best profit for taxi
CN109631905B (zh) 一种基于动态参考点的nsgaⅲ的路径规划方法
Wen et al. Hierarchical Sarsa learning based route guidance algorithm
Yang et al. Vehicle information influence degree screening method based on GEP optimized RBF neural network
CN114895667A (zh) 一种基于多种群双层优化算法的危险品运输路径规划方法
Yan et al. Autonomous coordinated control strategy for complex process of traffic information physical fusion system based on big data
Yaqub et al. Predicting Traffic Flow with Federated Learning and Graph Neural with Asynchronous Computations Network
CN117391314B (zh) 综合场站运营管理平台
Cheng et al. ETC Intelligent Navigation Path Planning Method
CN116758740B (zh) 一种基于数字孪生和信息树的智慧交通高效模拟方法
Kumar et al. Advances in Computational Intelligence Techniques‐Based Multi‐Intersection Querying Theory for Efficient QoS in the Next Generation Internet of Things

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