CN111047085A - 一种基于元学习的混合动力车辆工况预测方法 - Google Patents

Abstract

本发明提供了一种基于元的方式，模型训练过程被划分为两个部分：离线执行的预训练与在线执行的微调训练。预训练针对多种工况进行并行训练，以获得泛化性能较好的基模型。微调学习的混合动力车辆工况预测方法，其在深度神经网络的基础上结合了多任务训练训练在基模型基础上针对特定工况进行训练，时间成本低，可以应用于模型的在线修正环节。此外，基于上述流程，还进一步给出了一种由离线训练、在线训练和实时预测三部分组成的车速预测模型在线应用框架，可应用于实际交通条件下的工况预测任务。

Description

一种基于元学习的混合动力车辆工况预测方法

技术领域

本发明涉及车辆工况预测技术领域，尤其涉及一种适用于混合动力车辆的基于元学习实现的工况预测技术。

背景技术

混合动力车辆相较于传统燃油车，其燃油经济性的提升常需要通过整车能量管理策略来实现。目前，模型预测能量管理策略被普遍认为是一种可以同时兼顾在线应用及优化控制效果的混合动力能量管理策略，得到了广泛研究。在模型预测控制框架下，一个精准的预测模型对于求解最优控制序列具有重要意义。虽然驾驶行为本身具有很大的不确定性和随机性，但在驾驶过程中仍存在一些隐藏规则，这些规律反映在由相似的历史速度序列所对应的不同的未来速度序列在概率上也是相似的。因此，如果能够有效地利用上述规律，则对于提升混合动力电动汽车的燃油经济性能这一技术问题，可提供新型的实现途径。

发明内容

针对现有技术中存在的技术问题，本发明提供了一种基于元学习的混合动力车辆工况预测方法，具体包括以下步骤：

步骤一、建立基于深度神经网络的车速初始预测模型，分别以历史车速序列与将预测的未来车速序作为所述模型的输入与输出，序列元素个数分别与输入层和输出层的神经元个数对应；

步骤二、利用不同交通条件下采集的实测工况数据，对所述车速初始预测模型进行离线预训练，用于对模型参数进行重复更新，以得到经预训练后稳定的车速预测基模型；

步骤三、利用特定的循环工况或实测工况数据对所述车速预测基模型进行在线微调训练，使所述基模型满足精度校验要求，以得到经微调训练的车速预测微调模型；

步骤四、基于满足精度校验要求的车速预测微调模型，利用实时采集的车辆行驶数据对未来车速进行预测。

进一步地，所述步骤一具体包括：

将历史车速序列作为输入参数，将预测的未来车速序列作为输出参数，车速初始预测模型可以由以下公式表示：

[V_t+1,V_t+2,...,V_t+ΔP]＝F(V_t-ΔH,...V_t-1,V_t)

其中，F(*)表示由历史车速序列到未来车速序列的映射关系函数；V(t±*)表示每一秒的车速信息；ΔH和ΔP表示神经网络输入层和输出层的神经元个数；

车速预测的精度由以下公式定义：

其中，V_t+i和

分别表示时间t时刻的预测车速和参考车速，i表示车速序列的序号。预测误差值越小，则表示预测精度越高。

进一步地，所述步骤二具体包括：

2.1、初始化模型网络参数为：θ^k，k＝1,2,3,4...；

2.2、对于参与训练的每一组工况，都定义一个与之对应的数据池，并将其命名为：

Pool_i,i＝1,2,3,...,n

每个训练数据池中的每一组数据都具有如下的格式：

其中，输入数据序列为：

标签数据序列为：

输入数据和标签数据的维度依次为：n_H和n_P；

2.3、对于每一组训练数据集，均执行一次如下的流程：

2.3.1、通过随机采样，从训练数据池中选择一个批次的数据，然后将数据划分为两组：一组被命名为支持集(support set)，另一组被命名为查询集(query set)；

2.3.2、通过支持集的数据来更新车速初始预测模型的原始参数，将网络参数θ^k更新为

(采用梯度下降法来更新，更新次数可以是1次，也可以是多次，但是更新次数这个值是固定的)。

2.3.3、基于更新后的参数，通过初始预测模型和由查询集提供的训练数据来计算对应的损失函数L_i。

2.4、按照如下公式计算整体损失函数：

其中，L_task为整体损失函数，ε是一个参考系数，用以确定查询集的数据是否稳定；

然后计算整体损失函数L_task关于模型参数θ的导数，并将其记录为

通过如下公式更新车速初始预测模型参数。

其中，η_meta表示元学习过程的学习率，是一个很小的正数；

2.5、令θ^k＝θ^k+1并重复步骤2.2-2.4，直至训练得到一个稳定的车速预测基模型。

进一步地，所述步骤三具体包括：

利用所述车速预测基模型参数，并依次执行：

3.1、利用特定的循环工况或实测工况对应的行驶数据定义训练数据池，其格式与预训练时的训练池数据格式相同；

3.2、通过随机采样，从训练数据池中抽取一定批次的数据，然后将数据划分为若干组(超过2组)；将其中一组数据被定义为支持集(support set)，另外的其他所有组数据均被定义为查询集(query set)；

3.3、通过支持集的数据，执行一次梯度下降，将模型参数从θ^k更新至θ^k+1；

3.4、基于更新后的参数，通过基模型来计算每一组查询集中数据对应的损失函数值，并通过如下公式计算平均预测误差：

其中，n表示查询集的个数；

3.5、令θ^k＝θ^k+1，并重复执行步骤3.2-3.4直到如下公式被满足：

其中，ΔLoss表示允许的损失误差。

上述方法在执行过程中，可首先建立车速预测初始模型并依次执行后续的离线预训练与在线微调训练步骤，最后用于实测。也可在预训练与微调训练时分别建立相同行驶的初始预测模型，并在实测环节中融合预训练及微调的结果对最终的未来车速预测过程进行调整。

上述方法在执行过程中，通过预训练得到稳定的预测模型参数，以及通过微调训练使预测精度达到预定要求，均可采用包括但不限于上述所提到的详细步骤，对于本领域技术人员基于本发明的发明构思所能够想到的具体多种实现方式，同样落入本发明独立权利要求的保护范围。

本发明所提供的基于元学习的混合动力车辆工况预测方法，在深度神经网络的基础上结合了多任务训练的方式，模型训练过程被划分为两个部分：离线执行的预训练与在线执行的微调训练。预训练针对多种工况进行并行训练，以获得泛化性能较好的基模型。微调训练在基模型基础上针对特定工况进行训练，时间成本低，可以应用于模型的在线修正环节。此外，基于上述流程，还进一步给出了一种由离线训练、在线训练和实时预测三部分组成的车速预测模型在线应用框架，可应用于实际交通条件下的工况预测任务。

附图说明

图1是本发明所基于的深度神经网络构架；

图2是本发明的方法中的预训练基本流程示意图；

图3是本发明的方法中的微调训练基本流程示意图；

图4是本发明的一实例所对应的在线应用框架。

具体实施方式

下面将结合附图对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

本发明所提供的一种基于元学习的混合动力车辆工况预测方法，具体包括以下步骤：

步骤一、建立基于深度神经网络的车速初始预测模型，分别以历史车速序列与将预测的未来车速序作为所述模型的输入与输出，序列元素个数分别与输入层和输出层的神经元个数对应；所述深度神经网络架构如图1所示。

步骤二、利用不同交通条件下采集的实测工况数据，对所述车速初始预测模型进行离线预训练，用于对模型参数进行重复更新，以得到经预训练后稳定的车速预测基模型；

步骤三、利用特定的循环工况或实测工况数据对所述车速预测基模型进行在线微调训练，使所述基模型满足精度校验要求，以得到经微调训练的车速预测微调模型；

步骤四、基于满足精度校验要求的车速预测微调模型，利用实时采集的车辆行驶数据对未来车速进行预测。

在本发明的一优选实施例中，所述步骤一具体包括：

将历史车速序列作为输入参数，将预测的未来车速序列作为输出参数，车速初始预测模型可以由以下公式表示：

[V_t+1,V_t+2,...,V_t+ΔP]＝F(V_t-ΔH,...V_t-1,V_t)

其中，F(*)表示由历史车速序列到未来车速序列的映射关系函数；V(t±*)表示每一秒的车速信息；ΔH和ΔP表示神经网络输入层和输出层的神经元个数；

车速预测的精度由以下公式定义：

其中，V_t+i和

分别表示时间t时刻的预测车速和参考车速，i表示车速序列的序号。预测误差值越小，则表示预测精度越高。

在本发明的一优选实施例中，如图2所示，所述步骤二具体包括：

2.1、初始化模型网络参数为：θ^k，k＝1,2,3,4...；

2.2、对于参与训练的每一组工况，都定义一个与之对应的数据池，并将其命名为：

Pool_i,i＝1,2,3,...,n

每个训练数据池中的每一组数据都具有如下的格式：

其中，输入数据序列为：

标签数据序列为：

输入数据和标签数据的维度依次为：n_H和n_P；

2.3、对于每一组训练数据集，均执行一次如下的流程：

2.3.1、通过随机采样，从训练数据池中选择一个批次的数据，然后将数据划分为两组：一组被命名为支持集(support set)，另一组被命名为查询集(query set)；

2.3.2、通过支持集的数据来更新车速初始预测模型的原始参数，将网络参数θ^k更新为

(采用梯度下降法来更新，更新次数可以是1次，也可以是多次，但是更新次数这个值是固定的)。

2.3.3、基于更新后的参数，通过初始预测模型和由查询集提供的训练数据来计算对应的损失函数L_i。

2.4、按照如下公式计算整体损失函数：

其中，L_task为整体损失函数，ε是一个参考系数，用以确定查询集的数据是否稳定；

然后计算整体损失函数L_task关于模型参数θ的导数，并将其记录为

通过如下公式更新车速初始预测模型参数。

其中，η_meta表示元学习过程的学习率，是一个很小的正数；

2.5、令θ^k＝θ^k+1并重复步骤2.2-2.4，直至训练得到一个稳定的车速预测基模型。

在本发明的一优选实施例中，如图3所示，所述步骤三具体包括：

利用所述车速预测基模型参数，并依次执行：

3.1、利用特定的循环工况或实测工况对应的行驶数据定义训练数据池，其格式与预训练时的训练池数据格式相同；

3.2、通过随机采样，从训练数据池中抽取一定批次的数据，然后将数据划分为若干组(超过2组)；将其中一组数据被定义为支持集(support set)，另外的其他所有组数据均被定义为查询集(query set)；

3.3、通过支持集的数据，执行一次梯度下降，将模型参数从θ^k更新至θ^k+1；

3.4、基于更新后的参数，通过基模型来计算每一组查询集中数据对应的损失函数值，并通过如下公式计算平均预测误差：

其中，n表示查询集的个数；

3.5、令θ^k＝θ^k+1，并重复执行步骤3.2-3.4直到如下公式被满足：

其中，ΔLoss表示允许的损失误差。

图4示出了本发明的一优选实施方式，方法在执行过程中，可首先建立车速预测初始模型并依次执行后续的离线预训练与在线微调训练步骤，最后用于实测。也可在预训练与微调训练时分别建立相同行驶的初始预测模型，并在实测环节中融合预训练及微调的结果对最终的未来车速预测过程进行调整。

尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。

Claims (4)

1.一种基于元学习的混合动力车辆工况预测方法，其特征在于：具体包括以下步骤：

步骤一、建立基于深度神经网络的车速初始预测模型，分别以历史车速序列与将预测的未来车速序作为所述模型的输入与输出，序列元素个数分别与输入层和输出层的神经元个数对应；

步骤二、利用不同交通条件下采集的实测工况数据，对所述车速初始预测模型进行离线预训练，用于对模型参数进行重复更新，以得到经预训练后稳定的车速预测基模型；

步骤三、利用特定的循环工况或实测工况数据对所述车速预测基模型进行在线微调训练，使所述基模型满足精度校验要求，以得到经微调训练的车速预测微调模型；

步骤四、基于满足精度校验要求的车速预测微调模型，利用实时采集的车辆行驶数据对未来车速进行预测。

2.如权利要求1所述的方法，其特征在于：所述步骤一具体包括：

将历史车速序列作为输入参数，将预测的未来车速序列作为输出参数，车速初始预测模型由以下公式表示：

[V_t+1,V_t+2,…,V_t+ΔP]＝F(V_t-ΔH,…V_t-1,V_t)

其中，F(*)表示由历史车速序列到未来车速序列的映射关系函数；V(t±*)表示每一秒的车速信息；ΔH和ΔP表示神经网络输入层和输出层的神经元个数；

车速预测的精度由以下公式定义：

其中，V_t+i和

分别表示时间t时刻的预测车速和参考车速，i表示车速序列的序号。

3.如权利要求2所述的方法，其特征在于：所述步骤二具体包括：

2.1、初始化模型网络参数为：θ^k，k＝1,2,3,4...；

2.2、对于参与训练的每一组工况，都定义一个与之对应的数据池，并将其定义为：

Pool_i,i＝1,2,3,...,n

每个训练数据池中的每一组数据都具有如下的格式：

其中，输入数据序列为：

标签数据序列为：

输入数据和标签数据的维度依次为：n_H和n_P；

2.3、对于每一组训练数据集，均执行一次如下的流程：

2.3.1、通过随机采样，从训练数据池中选择一个批次的数据，然后将数据划分为两组：一组定义为支持集，另一组定义为查询集；

2.3.2、通过支持集的数据来更新车速初始预测模型的原始参数，将网络参数θ^k更新为

2.3.3、基于更新后的参数，通过初始预测模型和由查询集提供的训练数据来计算对应的损失函数L_i；

2.4、按照如下公式计算整体损失函数：

其中，L_task为整体损失函数，ε是一个参考系数，用以确定查询集的数据是否稳定；

然后计算整体损失函数L_task关于网络参数θ的导数，并将其记录为

通过如下公式更新车速初始预测模型参数：

其中，η_meta表示元学习过程的学习率，是一个很小的正数；

2.5、令θ^k＝θ^k+1并重复步骤2.2-2.4，直至训练得到一个稳定的车速预测基模型。

4.如权利要求2所述的方法，其特征在于：所述步骤三具体包括：

利用所述车速预测基模型参数，并依次执行：

3.1、利用特定的循环工况或实测工况对应的行驶数据定义训练数据池，其格式与预训练时的训练池数据格式相同；

3.2、通过随机采样，从训练数据池中抽取一定批次的数据，然后将数据划分为若干组；将其中一组数据定义为支持集，另外的其他所有组数据均定义为查询集；

3.3、通过支持集的数据，执行一次梯度下降，将模型网络参数从θ^k更新至θ^k+1；

3.4、基于更新后的参数，通过基模型来计算每一组查询集中数据对应的损失函数值，并通过如下公式计算平均预测误差：

其中，L_i为损失函数，n表示查询集的个数；

3.5、令θ^k＝θ^k+1，并重复执行步骤3.2-3.4直到如下公式被满足：

其中，ΔLoss表示允许的损失误差。

Images