CN110682919A - 一种基于Stacked LSTM的电动汽车短程车速预测方法 - Google Patents

Abstract

本发明涉及一种基于Stacked LSTM的电动汽车短程车速预测方法，其特征在于包括以下步骤：S1、构建加速驾驶意图模糊推理器；S2、构建制动驾驶意图模糊推理器；S3、构建训练集、验证集和测试集；S4、构建用于电动汽车短程车速预测的Stacked LSTM神经网络；S5、用构建好的训练集对所述Stacked LSTM神经网络进行训练；S6、向所述Stacked LSTM神经网络输入实时的电动汽车速度、电动汽车加速踏板开度和加速踏板开度变化率、电动汽车制动踏板开度和制动踏板开度变化率，进行电动汽车短程车速预测，输出电动汽车短程车速序列。有益效果是能够有效提高车速预测精度、缩短预测时间。

Description

一种基于Stacked LSTM的电动汽车短程车速预测方法

【技术领域】

本发明涉及智能交通领域，具体涉及一种基于Stacked LSTM的电动汽车短程车速预测方法。

【背景技术】

近年来，在经济发达城市，城市交通拥堵问题频繁发生，交通拥堵问题导致汽车的排放、能耗增加。在智能车辆的节能问题研究中，预测性的能量管理成为研究热点，而在预测性的能量管理中，车速预测是研究重点。对于混合动力汽车，通过短程车速预测和挡位序列判断，得到扭矩需求，进而优化电机和发动机的扭矩分配，实现节能减排的目标；对于纯电动汽车，则可以通过短程车速预测，优化电机输出扭矩，进而实现节能的目标。因此，可靠的车速预测，不仅可以达到节能减排的目的，同时也可以为交通出行者提供指导，对于交通资源的分配起着重要作用。车速序列具有高度的非线性和时变性特点，例如《车速的时间序列分析模型》，作者：俞礼军、严宝杰、杨新洲，DOI：10.3321，基于高阶统计量方法，建立连续车流地点车速的时间序列分析模型。

关于车速预测，现有短程车速预测技术中存在预测精度不足的问题，国内外的研究现状如下：

第一，在混合动力系统的能量管理策略应用中，一般使用指数预测和随机预测两种方法。其中，指数预测是指在未来的一段控制时域内，未来车速与当前车速成指数变化关系；指数预测方法计算速度快，但是精度较差。随机预测方法主要使用马尔可夫链模型，对于马尔可夫过程，一种状态的未来变化只与当前时刻的状态有关，而与过去的状态无关；基于马尔可夫模型的车速预测精度相比于指数预测方法有所提高，但是计算时间较长。

第二、基于神经网络的车速预测。现有的预测方法多采用前馈神经网络如BP神经网络和RBF神经网络。而这些前馈神经网络仅根据当前的输入来预测输出，没有考虑速度序列的时序性。相比于深度学习的模型，缺乏足够的特征提取能力。例如《改进RBF神经网络在城市公交车速时间序列预测中的应用》，作者：郭兰平、俞建宁、张建刚，DOI：10.3969，针对城市公交车速在时序上的复杂非线性特征，采用径向基函数(RBF)神经网络对城市公交车速时间序列进行预测。

长短期记忆网络(LSTM，Long Short-Term Memory)是一种时间循环神经网络，是为了解决一般的RNN(循环神经网络)存在的长期依赖问题而专门设计出来的，所有的RNN都具有一种重复神经网络模块的链式形式。栈式LSTM(Stacked LSTM)stack是“使堆叠”的意思，也就是若干个LSTM堆叠组成的网络。

Python是一种计算机程序设计语言。TensorFlow是一个机器学习开源库，用于大型数学计算。Keras是深度学习的高级库。它构建于TensorFlow之上，旨在使开发人员更容易快速轻松地应用深度学习和实验。NumPy系统是Python的一种开源的数值计算扩展。

任何科学理论都有它的研究对象，这些对象构成一个不空的集合，称为论域。巴特沃斯滤波器(Butterworth filter)是电子滤波器的一种，它也被称作最大平坦滤波器。批量归一化(Batch Normalization)是近年来优化深度神经网络最有用的技巧之一，并且这种方法非常的简洁方便，可以和其他算法兼容使用，大大加快了深度模型的训练时间。Adam是一种可以替代传统随机梯度下降过程的一阶优化算法，它能基于训练数据迭代地更新神经网络权重。训练集(training set)、验证集(validation set)和测试集(test set)本质上并无区别，都是把一个数据集分成三个部分而已，都是(feature,label)造型。通常，在训练有监督的机器学习模型的时候，会将数据划分为训练集、验证集合测试集，划分比例一般为0.7:0.1:0.2。

【发明内容】

本发明的目的是，提出一种基于Stacked LSTM神经网络，能够有效提高车速预测精度、缩短预测时间的电动车短程车速预测方法。

为实现上述目的，本发明采取的技术方案是一种基于Stacked LSTM的电动汽车短程车速预测方法，包括以下步骤：

S1、构建以电动汽车加速踏板开度、加速踏板开度变化率为输入的加速驾驶意图模糊推理器，输出加速驾驶意图；

S2、构建以电动汽车制动踏板开度、制动踏板开度变化率为输入的制动驾驶意图模糊推理器，输出制动驾驶意图；

S3、基于电动汽车速度、加速度、加速度变化率的连续样本数据以及加速驾驶意图模糊推理器输出的加速驾驶意图样本数据、制动驾驶意图模糊推理器输出的制动驾驶意图样本数据，构建训练集、验证集和测试集；

S4、构建用于电动汽车短程车速预测的Stacked LSTM神经网络；

S5、用构建好的训练集对上述Stacked LSTM神经网络进行训练，根据上述StackedLSTM神经网络在验证集上的表现调整上述Stacked LSTM神经网络超参数，直到上述Stacked LSTM神经网络收敛并在测试集上的预测精度达到要求；

S6、向上述Stacked LSTM神经网络输入实时的电动汽车速度、电动汽车加速踏板开度和加速踏板开度变化率、电动汽车制动踏板开度和制动踏板开度变化率，进行电动汽车短程车速预测，输出电动汽车短程车速序列。优选地，上述步骤S1具体包括以下步骤：

S101、构建以电动汽车加速踏板开度、加速踏板开度变化率为输入变量，加速驾驶意图为输出变量的加速驾驶意图模糊推理器；

S102、设定加速踏板开度、加速踏板开度变化率、加速驾驶意图的语言变量和论域，设定加速踏板开度隶属度函数、加速踏板开度变化率隶属度函数；

S103：建立加速驾驶意图识别模糊推理规则，进行模糊推理，输出模糊加速驾驶意图；

S104：进行反模糊化处理，并采用加权平均的方法对模糊加速驾驶意图隶属度进行加权平均，得到精确的加速驾驶意图，输出加速驾驶意图隶属度函数。

优选地，上述步骤S1：

所述步骤S102：加速踏板开度的论域设为[0，100]，语言变量设为{小，较小，中，较大，大}；加速踏板开度变化率的论域设为[-100，100]，语言变量设为{负大，小，中，大}；加速驾驶意图的论域设为[0，1]，语言变量设为{平稳加速，较平缓加速，一般加速，较紧急加速，紧急加速}；加速踏板开度隶属度函数设定为灵敏度较高的三角形隶属度函数；加速踏板开度变化率隶属度函数设定为控制较为粗略平稳的梯形隶属度函数；所述步骤S103：结合控制理论和实际人工经验建立如下加速驾驶意图识别模糊推理规则；

所述步骤S104：按最大最小法将加速驾驶意图归一化到[0，1]。

优选地，上述步骤S2具体包括以下步骤：

S201、构建以电动汽车制动踏板开度、制动踏板开度变化率为输入变量，制动驾驶意图为输出变量的制动驾驶意图模糊推理器；

S202、设定制动踏板开度、制动踏板开度变化率、制动驾驶意图的语言变量和论域，设定制动踏板开度、制动踏板开度变化率的隶属度函数；

S203：建立制动驾驶意图识别模糊推理规则，进行模糊推理，输出模糊制动驾驶意图；

S204：进行反模糊化处理，并采用加权平均的方法对模糊制动驾驶意图隶属度进行加权平均，得到精确的制动驾驶意图，输出制动驾驶意图隶属度函数。

优选地，上述步骤S2：

所述步骤S202：制动踏板开度的论域设为[0，100]，语言变量设为{小，较小，中，较大，大}；制动踏板开度变化率的论域设为[-100，100]，语言变量设为{负大，小，中，大}；制动驾驶意图的论域设为[-1，0]，语言变量设为{平稳制动，较平缓制动，一般制动，较紧急制动，紧急制动}；制动踏板开度隶属度函数、制动踏板开度变化率隶属度函数都设定为灵敏度较高的三角形隶属度函数；

所述步骤S203：结合控制理论和实际人工经验建立如下制动驾驶意图识别模糊推理规则；

所述步骤S203：按最大最小法将制动驾驶意图归一化到[-1，0]。

优选地，上述步骤S3：按0.7:0.1:0.2的比例划分训练集、验证集和测试集。

优选地，上述步骤S4具体包括以下步骤：

S401：进行样本数据预处理，利用向后补齐补全缺失样本数据，通过低通巴特沃斯滤波去除高频噪声，用Hampel滤波器去除异常值，并用最大最小法把样本数据归一化到[0，1]间；

S402：将训练集、验证集和测试集的输入的size根据样本数据特征数进行重整；

S403：在Tensorflow Keras平台上构建上述Stacked LSTM神经网络，第一层为含64个神经元的LSTM层，并设定return_sequence为True；第二层为BatchNormlization；第三层为64个神经元的LSTM层，并设定return_sequence为True；第四层为BatchNormalizaiton；第五层为含64个神经元的LSTM层，并设定return_sequence为默认的False；第六层为BatchNormalization；第七层为含32个神经元的全连接层，采用Relu作为激活函数；第八层为BatchNormalization；第九层为含t2个神经元的全连接层，采用Relu作为激活函数。

优选地，上述步骤S5具体包括以下步骤：

S501：采用Adam优化器，设定learning rate为0.001，decay为10e-6，以均方根误差mse作为loss和metrics；

S502：用训练集训练上述Stacked LSTM神经网络，并设定Tensorboard用于直观观察训练过程训练集和验证集的loss变化规律，若出现overfitting，在上述Stacked LSTM神经网络的LSTM层后加入参数为0.2的dropout层；

S503：将训练好的上述Stacked LSTM神经网络保存为h5文件。

优选地，上述步骤S6：利用训练集中样本的最大最小值将需要实时预测的数据大小转化到[0,1]之间，输入上述Stacked LSTM神经网络进行预测。

本发明有如下有益效果：采用适合于处理时间序列的长短时记忆网络LSTM，同时结合驾驶意图推理识别作为输入，在满足车速序列特征的基础上进一步提高车速预测精度，有效解决以往短程车速预测方法中对当前所处工况特征提取能力不足以致预测车速偏差较大及预测时间过长的问题。

【附图说明】

图1是一种基于Stacked LSTM的电动汽车短程车速预测方法步骤图。

图2是一种基于Stacked LSTM的电动汽车短程车速预测方法加速驾驶意图推理函数。

图3是一种基于Stacked LSTM的电动汽车短程车速预测方法制动驾驶意图推理函数。

图4是一种基于Stacked LSTM的电动汽车短程车速预测方法Stacked LSTM模型总结图。

【具体实施方式】

下面结合实施例并参照附图对本发明作进一步描述。

实施例1

本实施例实现一种基于Stacked LSTM的电动汽车短程车速预测方法。

附图1是一种基于Stacked LSTM的电动汽车短程车速预测方法步骤图。如图1所示，一种基于Stacked LSTM的电动汽车短程车速预测方法，包括以下步骤：

S1、构建以电动汽车加速踏板开度、加速踏板开度变化率为输入的加速驾驶意图模糊推理器，输出加速驾驶意图；

S2、构建以电动汽车制动踏板开度、制动踏板开度变化率为输入的制动驾驶意图模糊推理器，输出制动驾驶意图；

S3、基于电动汽车速度、加速度、加速度变化率的连续样本数据以及加速驾驶意图模糊推理器输出的加速驾驶意图样本数据、制动驾驶意图模糊推理器输出的制动驾驶意图样本数据，构建训练集、验证集和测试集；

S4、构建用于电动汽车短程车速预测的Stacked LSTM神经网络；

S5、用构建好的训练集对上述Stacked LSTM神经网络进行训练，根据上述StackedLSTM神经网络在验证集上的表现调整上述Stacked LSTM神经网络超参数，直到上述Stacked LSTM神经网络收敛并在测试集上的预测精度达到要求；

S6、向上述Stacked LSTM神经网络输入实时的电动汽车速度、电动汽车加速踏板开度和加速踏板开度变化率、电动汽车制动踏板开度和制动踏板开度变化率，进行电动汽车短程车速预测，输出电动汽车短程车速序列。

因为在车辆纵向行驶方向上，驾驶员驾驶意图主要反映在加速踏板开度和制动踏板开度上，所以分别建立识别加速意图和制动意图的模糊推理器，以踏板开度和踏板开度变化率作为模糊推理器的输入。

优选地，上述步骤S1具体包括以下步骤：

S101、构建以电动汽车加速踏板开度、加速踏板开度变化率为输入变量，加速驾驶意图为输出变量的加速驾驶意图模糊推理器；

S102、设定加速踏板开度、加速踏板开度变化率、加速驾驶意图的语言变量和论域，设定加速踏板开度隶属度函数、加速踏板开度变化率隶属度函数；

S103：建立加速驾驶意图识别模糊推理规则，进行模糊推理，输出模糊加速驾驶意图；

S104：进行反模糊化处理，并采用加权平均的方法对模糊加速驾驶意图隶属度进行加权平均，得到精确的加速驾驶意图，输出加速驾驶意图隶属度函数。

优选地，上述步骤S1：

所述步骤S102：加速踏板开度的论域设为[0，100]，语言变量设为{小(S)，较小(RS)，中(M)，较大(RB)，大(B)}；加速踏板开度变化率的论域设为[-100，100]，语言变量设为{负大(NS)，小(S)，中(M)，大(B)}；加速驾驶意图的论域设为[0，1]，语言变量设为{平稳加速，较平缓加速，一般加速，较紧急加速，紧急加速}；加速踏板开度隶属度函数设定为灵敏度较高的三角形隶属度函数；加速踏板开度变化率隶属度函数设定为控制较为粗略平稳的梯形隶属度函数；

所述步骤S103：结合控制理论和实际人工经验建立如下加速驾驶意图识别模糊推理规则；

表1加速驾驶意图识别模糊推理规则表

所述步骤S104：按最大最小法将加速驾驶意图归一化到[0，1]。

附图2是一种基于Stacked LSTM的电动汽车短程车速预测方法加速驾驶意图推理函数。如图2所示，(d)是加速踏板开度隶属度函数，(e)是加速踏板开度变化率隶属度函数，(f)是归一化后的加速驾驶意图隶属度函数。

优选地，上述步骤S2具体包括以下步骤：

S201、构建以电动汽车制动踏板开度、制动踏板开度变化率为输入变量，制动驾驶意图为输出变量的制动驾驶意图模糊推理器；

S202、设定制动踏板开度、制动踏板开度变化率、制动驾驶意图的语言变量和论域，设定制动踏板开度、制动踏板开度变化率的隶属度函数；

S203：建立制动驾驶意图识别模糊推理规则，进行模糊推理，输出模糊制动驾驶意图；

S204：进行反模糊化处理，并采用加权平均的方法对模糊制动驾驶意图隶属度进行加权平均，得到精确的制动驾驶意图，输出制动驾驶意图隶属度函数。

优选地，上述步骤S2：

所述步骤S202：制动踏板开度的论域设为[0，100]，语言变量设为{小(S)，较小(RS)，中(M)，较大(RB)，大(B)}；制动踏板开度变化率的论域设为[-100，100]，语言变量设为{负大(NS)，小(S)，中(M)，大(B)}；制动驾驶意图的论域设为[-1，0]，语言变量设为{平稳制动，较平缓制动，一般制动，较紧急制动，紧急制动}；制动踏板开度隶属度函数、制动踏板开度变化率隶属度函数都设定为灵敏度较高的三角形隶属度函数；

所述步骤S203：结合控制理论和实际人工经验建立如下制动驾驶意图识别模糊推理规则；

表2制动驾驶意图识别模糊推理规则表

所述步骤S203：按最大最小法将制动驾驶意图归一化到[-1，0]。

附图3是一种基于Stacked LSTM的电动汽车短程车速预测方法制动驾驶意图推理函数。如图3所示，(a)是制动踏板开度隶属度函数，(b)是制动踏板开度变化率隶属度函数，(c)是归一化后的制动驾驶意图隶属度函数。

以上步骤S103、S203实则是进行反模糊化处理，并采用加权平均的方法对模糊输出量及各自隶属度进行加权平均，得到精确的输出控制量，并按最大最小法分别把加速驾驶意图和制动驾驶意图归一化到[0，1]和[-1，0]。

优选地，上述步骤S3：按0.7:0.1:0.2的比例划分训练集、验证集和测试集。

选定以历史t1秒输入预测未来t2秒车速的模型(t1秒和t2秒的数据连续)，以车速，车辆加速度，车辆加速度变化率以及反映驾驶意图的输出量大小作为输入的四维特征，构建样本，并按0.7:0.1:0.2的比例划分训练集、验证集和测试集。设样本总量为s，此时单个样本的输入以python中numpy array的方式进行存储所具有的size为(4，t1)。其中，样本输入的第一至第四行分别为t1秒内车辆的车速，车辆加速度，车辆加速度变化率及反映驾驶员加速和制动意图的变量，样本标签的第一至第四行分别为t2秒内车辆的车速，车辆加速度，车辆加速度变化率及反映驾驶员加速和制动意图的变量。训练集，验证集和测试集中的样本以python中numpy array的方式进行存储所具有的大小分别为：

集合类型	Input size	Label size
			训练集	(s*0.7，t1)	s*0.7，t2)
验证集	(s*0.1，t1)	(s*0.1，t2)
			测试集	(s*0.2，t1)	(s*0.2，t2)

优选地，上述步骤S4具体包括以下步骤：

S401：进行样本数据预处理，利用向后补齐补全缺失样本数据，通过低通巴特沃斯滤波去除高频噪声，用Hampel滤波器去除异常值，并用最大最小法把样本数据归一化到[0，1]间；

S402：将训练集、验证集和测试集的输入的size根据样本数据特征数进行重整；对于以上选定以历史t1秒输入预测未来t2秒车速的模型，将训练集、验证集和测试集的输入的size分别重整为(s*0.7，t1，4)，(s*0.1，t1，4)，(s*0.2，t1，4)，其中4代表样本的特征数；

S403：在Tensorflow Keras平台上构建上述Stacked LSTM神经网络，第一层为含64个神经元的LSTM层，并设定return_sequence为True；第二层为BatchNormlization；第三层为含64个神经元的LSTM层，并设定return_sequence为True；第四层为BatchNormalizaiton；第五层为含64个神经元的LSTM层，并设定return_sequence为默认的False；第六层为BatchNormalization；第七层为含32个神经元的全连接层，采用Relu作为激活函数；第八层为BatchNormalization；第九层为含t2个神经元的全连接层，采用Relu作为激活函数。

附图4是一种基于Stacked LSTM的电动汽车短程车速预测方法StackedLSTM模型总结图。如图4所示，构建的Stacked LSTM神经网络为九层神经网络结构。

优选地，上述步骤S5具体包括以下步骤：

S501：采用Adam优化器，设定learning rate为0.001，decay为10e-6，以均方根误差mse作为loss和metrics；

S502：用训练集训练上述Stacked LSTM神经网络，并设定Tensorboard用于直观观察训练过程训练集和验证集的loss变化规律，若出现overfitting，在上述Stacked LSTM神经网络的LSTM层后加入参数为0.2的dropout层；

S503：将训练好的上述Stacked LSTM神经网络保存为h5文件，以供之后使用。

在对需要预测的数据进行归一化后，可直接运行上述Stacked LSTM神经网络进行预测；优选地，上述步骤S6：利用训练集中样本的最大最小值将需要实时预测的数据大小转化到[0,1]之间，输入上述Stacked LSTM神经网络进行预测。

本领域普通技术人员可以理解，实现上述实施例的全部或部分步骤可以通过硬件来完成，也可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，其中，所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory，ROM)或随机存储记忆体(Random Acess Memory，RAM)等。

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，在不脱离本发明原理的前提下，还可以做出若干改进和补充，这些改进和补充也应视为本发明的保护范围。

Claims (9)

1.一种基于Stacked LSTM的电动汽车短程车速预测方法，其特征在于包括以下步骤：

S1、构建以电动汽车加速踏板开度、加速踏板开度变化率为输入的加速驾驶意图模糊推理器，输出加速驾驶意图；

S2、构建以电动汽车制动踏板开度、制动踏板开度变化率为输入的制动驾驶意图模糊推理器，输出制动驾驶意图；

S3、基于电动汽车速度、加速度、加速度变化率的连续样本数据以及加速驾驶意图模糊推理器输出的加速驾驶意图样本数据、制动驾驶意图模糊推理器输出的制动驾驶意图样本数据，构建训练集、验证集和测试集；

S4、构建用于电动汽车短程车速预测的Stacked LSTM神经网络；

S5、用构建好的训练集对所述Stacked LSTM神经网络进行训练，根据所述StackedLSTM神经网络在验证集上的表现调整所述Stacked LSTM神经网络超参数，直到所述Stacked LSTM神经网络收敛并在测试集上的预测精度达到要求；

S6、向所述Stacked LSTM神经网络输入实时的电动汽车速度、电动汽车加速踏板开度和加速踏板开度变化率、电动汽车制动踏板开度和制动踏板开度变化率，进行电动汽车短程车速预测，输出电动汽车短程车速序列。

2.根据权利要求1所述的一种基于Stacked LSTM的电动汽车短程车速预测方法，其特征在于所述步骤S1具体包括以下步骤：

S101、构建以电动汽车加速踏板开度、加速踏板开度变化率为输入变量，

加速驾驶意图为输出变量的加速驾驶意图模糊推理器；

S102、设定加速踏板开度、加速踏板开度变化率、加速驾驶意图的语言变量和论域，设定加速踏板开度隶属度函数、加速踏板开度变化率隶属度函数；

S103：建立加速驾驶意图识别模糊推理规则，进行模糊推理，输出模糊加速驾驶意图；

S104：进行反模糊化处理，并采用加权平均的方法对模糊加速驾驶意图隶属度进行加权平均，得到精确的加速驾驶意图，输出加速驾驶意图隶属度函数。

3.根据权利要求2所述的一种基于Stacked LSTM的电动汽车短程车速预测方法，其特征在于所述步骤S1：

所述步骤S102：加速踏板开度的论域设为[0，100]，语言变量设为{小，较小，中，较大，大}；加速踏板开度变化率的论域设为[-100，100]，语言变量设为{负大，小，中，大}；加速驾驶意图的论域设为[0，1]，语言变量设为{平稳加速，较平缓加速，一般加速，较紧急加速，紧急加速}；加速踏板开度隶属度函数设定为灵敏度较高的三角形隶属度函数；加速踏板开度变化率隶属度函数设定为控制较为粗略平稳的梯形隶属度函数；

所述步骤S103：结合控制理论和实际人工经验建立如下加速驾驶意图识别模糊推理规则；

所述步骤S104：按最大最小法将加速驾驶意图归一化到[0，1]。

4.根据权利要求1所述的一种基于Stacked LSTM的电动汽车短程车速预测方法，其特征在于所述步骤S2具体包括以下步骤：

S201、构建以电动汽车制动踏板开度、制动踏板开度变化率为输入变量，制动驾驶意图为输出变量的制动驾驶意图模糊推理器；

S202、设定制动踏板开度、制动踏板开度变化率、制动驾驶意图的语言变量和论域，设定制动踏板开度、制动踏板开度变化率的隶属度函数；

S203：建立制动驾驶意图识别模糊推理规则，进行模糊推理，输出模糊制动驾驶意图；

S204：进行反模糊化处理，并采用加权平均的方法对模糊制动驾驶意图隶属度进行加权平均，得到精确的制动驾驶意图，输出制动驾驶意图隶属度函数。

5.根据权利要求4所述的一种基于Stacked LSTM的电动汽车短程车速预测方法，其特征在于所述步骤S2：

所述步骤S202：制动踏板开度的论域设为[0，100]，语言变量设为{小，较小，中，较大，大}；制动踏板开度变化率的论域设为[-100，100]，语言变量设为{负大，小，中，大}；制动驾驶意图的论域设为[-1，0]，语言变量设为{平稳制动，较平缓制动，一般制动，较紧急制动，紧急制动}；制动踏板开度隶属度函数、制动踏板开度变化率隶属度函数都设定为灵敏度较高的三角形隶属度函数；

所述步骤S203：结合控制理论和实际人工经验建立如下制动驾驶意图识别模糊推理规则；

所述步骤S203：按最大最小法将制动驾驶意图归一化到[-1，0]。

6.根据权利要求1所述的一种基于Stacked LSTM的电动汽车短程车速预测方法，其特征在于所述步骤S3：按0.7:0.1:0.2的比例划分训练集、验证集和测试集。

7.根据权利要求1所述的一种基于Stacked LSTM的电动汽车短程车速预测方法，其特征在于所述步骤S4具体包括以下步骤：

S401：进行样本数据预处理，利用向后补齐补全缺失样本数据，通过低通巴特沃斯滤波去除高频噪声，用Hampel滤波器去除异常值，并用最大最小法把样本数据归一化到[0，1]间；

S402：将训练集、验证集和测试集的输入的size根据样本数据特征数进行重整；

S403：在Tensorflow Keras平台上构建所述Stacked LSTM神经网络，第一层为含64个神经元的LSTM层，并设定return_sequence为True；第二层为BatchNormlization；第三层为含64个神经元的LSTM层，并设定return_sequence为True；第四层为BatchNormalizaiton；第五层为含64个神经元的LSTM层，并设定return_sequence为默认的False；第六层为BatchNormalization；第七层为含32个神经元的全连接层，采用Relu作为激活函数；第八层为BatchNormalization；第九层为含t2个神经元的全连接层，采用Relu作为激活函数。

8.根据权利要求7所述的一种基于Stacked LSTM的电动汽车短程车速预测方法，其特征在于所述步骤S5具体包括以下步骤：

S501：采用Adam优化器，设定learning rate为0.001，decay为10e-6，以均方根误差mse作为loss和metrics；

S502：用训练集训练所述Stacked LSTM神经网络，并设定Tensorboard用于直观观察训练过程训练集和验证集的loss变化规律，若出现overfitting，在所述Stacked LSTM神经网络的LSTM层后加入参数为0.2的dropout层；

S503：将训练好的所述Stacked LSTM神经网络保存为h5文件。

9.根据权利要求1所述的一种基于Stacked LSTM的电动汽车短程车速预测方法，其特征在于所述步骤S6：利用训练集中样本的最大最小值将需要实时预测的数据大小转化到[0,1]之间，输入所述Stacked LSTM神经网络进行预测。

Images