CN111071259B - 车速预测方法、装置、车辆控制装置和存储介质 - Google Patents
车速预测方法、装置、车辆控制装置和存储介质 Download PDFInfo
- Publication number
- CN111071259B CN111071259B CN201911379068.4A CN201911379068A CN111071259B CN 111071259 B CN111071259 B CN 111071259B CN 201911379068 A CN201911379068 A CN 201911379068A CN 111071259 B CN111071259 B CN 111071259B
- Authority
- CN
- China
- Prior art keywords
- vehicle speed
- predicted
- vehicle
- current
- target
- 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.)
- Active
Links
Images
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
- B60W40/00—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models
- B60W40/10—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models related to vehicle motion
- B60W40/105—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
- 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
- B60W2520/00—Input parameters relating to overall vehicle dynamics
- B60W2520/10—Longitudinal speed
Abstract
本申请涉及一种车速预测方法、装置、车辆控制装置和存储介质。所述方法包括:获取车辆的当前位置、当前车速、当前道路的拥堵状况信息以及预测时长;根据所述当前位置,基于预先建立的典型工况,查找所述当前位置对应的车速,得到标准车速;计算所述标准车速与所述当前车速的差值,得到车速差;将所述车速差、所述拥堵状况信息、所述当前车速和所述预测时长输入预先训练得到的加权系数预测模型,得到加权系数;根据所述当前位置、所述当前车速和所述预测时长,预测所述车辆在所述预测时长后的车速,得到初步预测车速;通过所述加权系数对所述初步预测车速进行校正,得到目标预测车速。本申请提供的车速预测方法预测的车速准确性高。
Description
技术领域
本申请涉及汽车技术领域,特别是涉及一种车速预测方法、装置、车辆控制装置和存储介质。
背景技术
在智能车辆和汽车节能的研究中,车速预测被广泛应用于路径规划与导航、安全辅助驾驶以及混合动力车辆的预测控制策略中,从而改善车辆的经济性和动力性。以车速预测应用于燃料电池汽车为例来说,燃料电池汽车有两个动力源:燃料电池系统和动力电池系统。一般燃料电池汽车均采用大容量动力电池系统与小功率燃料电池系统匹配的模式,依靠动力电池系统的充放电满足整车的动态功率需求,通过燃料电池系统提供车辆的稳态功率。这种模式的缺点是:动力电池的充放电功率较高,充放电损失较大。
为了改善这种模式,会选择通过较大功率的燃料电池和较小容量的动力电池匹配,实现动力供应。然而,燃料电池系统包含燃料电池电堆及附件系统,其中,燃料电池电堆由于流道内气体的充排效应和气体的扩散效应,时间常数较大;同时,附件系统的空压机由于叶片质量的影响,时间常数也较大。故而燃料电池系统整体的时间常数较大,动态响应较慢。另外,由于燃料电池系统自身特性的限制,燃料电池系统的输出功率不能出现剧烈波动。
众所周知,车辆对动力源的动态响应有一定的要求,而且,车辆运行时,车速和整车功率需求会呈现强烈的不确定性,波动性较大。因此,要以燃料电池系统作为车辆的主动力,那么必须解决动态响应慢的问题,且要解决燃料电池系统输出功率平缓与车速和整车功率波动性大的矛盾。
对此,一种很好的解决办法,就是对整车的车速进行预测,并预测未来功率,让燃料电池系统提前动作。
但是,传统技术中,对于车速及功率的预测,主要是根据车辆的当前车速、路况信息等,预测某一时长之后,车辆的速度。这样的方法存在预测准确性低的问题。
发明内容
基于此,有必要针对上述技术问题,提供一种车速预测方法、装置、车辆控制装置和存储介质。
一种车速预测方法,所述方法包括:
获取车辆的当前位置、当前车速、当前道路的拥堵状况信息以及预测时长,其中,所述预测时长是指需要预测车速的时间点与当前时间点的时间差;
根据所述当前位置,基于预先建立的典型工况,查找所述当前位置对应的车速,得到标准车速;
计算所述标准车速与所述当前车速的差值,得到车速差;
将所述车速差、所述拥堵状况信息、所述当前车速和所述预测时长输入预先训练得到的加权系数预测模型,得到加权系数;
根据所述当前位置、所述当前车速和所述预测时长,预测所述车辆在所述预测时长后的车速,得到初步预测车速;
通过所述加权系数对所述初步预测车速进行校正,得到目标预测车速。
在其中一个实施例中,所述根据所述当前车速和所述预测时长,预测所述车辆在所述预测时长后的车速,得到初步预测车速,包括:
根据所述当前位置、所述当前车速和所述预测时长,确定所述车辆在所述预测时长后的位置,得到预测位置;
根据所述预测位置,基于所述典型工况,查找所述预测位置对应的车速,得到所述初步预测车速。
在其中一个实施例中,所述根据所述当前位置、所述当前车速和所述预测时长,确定所述车辆在所述预测时长后的位置,得到预测位置,包括:
根据所述当前车速和所述预测时长,确定所述车辆的移动距离;
根据所述移动距离和所述当前位置,确定所述预测位置。
在其中一个实施例中,所述通过所述加权系数对所述初步预测车速进行校正,得到目标预测车速,包括:
计算所述加权系数与所述初步预测车速的乘积,得到所述目标预测车速。
在其中一个实施例中,所述方法还包括:
获取目标道路的坡度信息,得到目标坡度信息,其中,所述目标道路是指所述车辆在所述预测时长后所处的道路;
根据所述目标预测车速和所述目标坡度信息,确定所述车辆的预测功率。
在其中一个实施例中,所述获取目标道路的坡度信息,得到目标坡度信息,包括:
根据所述当前位置、所述当前车速和所述预测时长,确定所述车辆在所述预测时长后的位置,得到预测位置;
获取与所述预测位置对应的道路的坡度信息,得到所述目标坡度信息。
在其中一个实施例中,所述根据所述目标预测车速和所述目标坡度信息,确定所述车辆的预测功率,包括:
根据公式mgfu cosα+0.5CDAρu3+δmu du/dt+mgu sinα=PmηT,计算所述预测功率,其中,Pm为所述车辆电机机械轴输出功率,m为所述车辆的质量,g为重力加速度,f为滚动阻力系数,u为所述目标预测速度,α为所述目标道路的坡度角,δ为旋转质量系数,ηT为所述车辆的变速箱和传动轴效率,CD为风阻系数,A为迎风面积,ρ为空气密度。
一种车速预测装置,所述装置包括:
参数获取模块,用于获取车辆的当前位置、当前车速、当前道路的拥堵状况信息以及预测时长,所述预测时长是指需要预测车速的时间点与当前时间点的时间差;
标准车速查找模块,用于根据所述当前位置,基于预先建立的典型工况,查找所述当前位置对应的车速,得到标准车速;
车速差计算模块,用于计算所述标准车速与所述当前车速的差值,得到车速差;
加权系数确定模块,用于将所述车速差、所述拥堵状况信息、所述当前车速和所述预测时长输入预先训练得到的加权系数预测模型,得到加权系数;
初步车速预测模块,用于根据所述当前位置、所述当前车速和所述预测时长,预测所述车辆在所述预测时长后的车速,得到初步预测车速;
校正模块,用于通过所述加权系数对所述初步预测车速进行校正,得到目标预测车速。
一种车辆控制装置,包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现如上任一项所述方法的步骤。
一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现如上任一项所述的方法的步骤。
上述车速预测方法、装置、车辆控制装置和存储介质,通过将车速差、拥堵状况信息、当前车速和预测时长输入预先训练得到的加权系数预测模型,得到加权系数,并通过加权系数,对初步预测车速进行校正,得到目标预测车速。由于加权系数是基于车速差、道路的拥堵状况信息、当前车速和预测时长预测得到,能够表征预测时长后车速的偏差情况,因此,利用加权系数对初步预测车速进行校正,能够得到更加准确的目标预测车速,提高车速预测的准确性。同时,通过预先训练得到的加权系数预测模型对加权系数进行预测,能够有效提高计算速度,且加权系数预测模型通过车辆的历史数据训练得到,能够提高加权系数预测的准确性。另外,对于标准车速的确定,是查找预先建立的典型工况得到,典型工况是基于车辆的历史数据建立,因此,通过查找典型工况得到的标准车速,更加符合车辆工况,更加准确,从而使得预测得到的加权系数和目标预测车速更加准确。
附图说明
图1为本申请一个实施例中车速预测方法的应用环境图;
图2为本申请一个实施例中车速预测方法的流程示意图;
图3为本申请一个实施例中车速预测方法的流程示意图;
图4为本申请一个实施例中车速预测方法的实现框架示意图;
图5为本申请一个实施例中车速预测方法的流程示意图;
图6为本申请一个实施例中车速预测方法的流程示意图;
图7为本申请一个实施例中车速预测方法的流程示意图;
图8为本申请一个实施例中BP神经网络模型结构及训练示意图;
图9为本申请一个实施例中车速预测装置的结构框图;
图10为本申请一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
请参见图1,本申请提供的车速预测方法,用于预测车辆的车速,可以应用于如图1所示的车辆控制系统中。车辆控制系统包括车辆控制装置102、定位装置104、信息获取装置106和数据存储装置108。其中,定位装置104与信息获取装置106均与车辆控制装置102通信连接。车辆控制装置102、定位装置104、信息获取装置106均与数据存储装置108通信连接。定位装置104用于检测车辆的行车数据信息,包括位置信息、速度信息加速度信息等。定位装置104可以包括但不限于全球定位系统(Global Positioning System,GPS)、北斗导航系统或两者的组合等。信息装置106用于获取车辆所处的道路的路况信息,包括道路拥堵状况、道路坡度等。信息装置106可以包括但不限于地理信息系统(Geographic InformationSystem,GIS)、智能交通系统(Intelligent Transport System,ITS)或者两者的组合等。车辆控制装置102可以包括有存储器和处理器,存储器能够存储数据及计算机程序,处理器能够执行计算机程序。
请参见图2,在一个实施例中,如图2所示,提供了一种车速预测方法,以该方法应用于图1中的车辆控制装置为例进行说明,包括以下步骤:
S10,获取车辆的当前位置、当前车速、当前道路的拥堵状况信息以及预测时长,其中,预测时长是指需要预测车速的时间点与当前时间点的时间差。
车辆的当前位置是指车辆当前时刻所处的位置。车辆的当前位置可以通过坐标、经纬度等进行表示。定位装置实时获取车辆的位置信息,并存储于数据存储装置中。车辆控制装置可以通过数据存储装置获取当前位置。当然,车辆也可以直接向定位装置获取当前位置。在一个实施例中,当前位置表示为(x,y)。
车辆的当前速度是指车辆当前行驶的速度。定位装置实时获取车辆的速度信息,并存储于数据存储装置中。车辆控制装置可以通过数据存储装置获取当前速度。当然,车辆也可以直接向定位装置获取当前速度。在一个实施例中,当前速度表示为Vact。
当前道路的拥堵状况信息是指车辆当前所处的道路的拥堵情况。信息获取装置能够实时获取道路的拥堵状况信息,并保存至数据存储装置,或直接传输至车辆控制装置。在一个实施例中,拥堵情况信息可以通过道路拥堵等级进行表征。道路拥堵等级可以根据车辆的平均车速确定,如下表:
平均车速 | 道路拥堵等级 |
0~10km/h | Ⅰ级 |
10~20km/h | Ⅱ级 |
20~40km/h | Ⅲ级 |
40km/h以上 | Ⅳ级 |
预测时长是指需要预测车速的时间点与当前时间点的时间差。预测时长可以根据实际需求进行设置和调整。预测时长可以表示为tp。例如,预测时长可以设置为10s,则车辆控制装置对10s后的车速进行预测。又例如,预测时长可以设置为20s,则车辆控制装置对20s后的车速进行预测。
S20,根据当前位置,基于预先建立的典型工况,查找当前位置对应的车速,得到标准车速。
典型工况是指基于车辆的历史数据,根据预设的算法,建立的不同状况下车辆的位置与车速的对应关系。历史数据包括但不限于车辆的位置信息、车速、加速度和行驶时间等。典型工况可以通过离线方式建立后,存储于数据存储装置或车辆控制装置中。本申请实施例对于典型工况的建立方法不做任何限定,可以根据实际需求选择。车辆控制装置根据获取的当前位置后,查找典型工况,得到与当前位置对应的车速,得到标准车速。标准车速可以表示为Vref。
S30,计算标准车速与当前车速的差值,得到车速差。
车速差可以是标准车速直接减去当前车速,也可以是基于此算法的变形算法计算得到。
S40,将车速差、拥堵状况信息、当前车速和预测时长输入预先训练得到的加权系数预测模型,得到加权系数。
加权系数预测模型是指基于车辆的历史数据,对神经网络模型进行训练,得到的用于预测加权系数的模型。加权系数预测模型的输入包括车速差、拥堵状况信息、当前车速和预测时长。加权系数预测模型的输出包括加权系数。加权系数预测模型可以为离线训练得到。训练好的加权系数预测模型可以存储于数据存储装置或车辆控制装置中。车辆控制装置将获取的车速差、拥堵状况信息、当前车速和预测时长输入加权系数预测模型,即可得到加权系数。加权系数可以表示为β。
S50,根据当前位置、当前车速和预测时长,预测车辆在预测时长后的车速,得到初步预测车速。
车辆控制装置根据获取的当前位置、当前车速和预测时长,根据预设的预测算法,预测车辆在预测时长后的车速,得到的车速命名为初步预测车速。初步预测车速可以表示为Vref_t车辆控制装置对初步预测车速的预测算法可以有多种,本申请实施例对此不做任何限定,只要能够实现功能即可。
S60,通过加权系数对初步预测车速进行校正,得到目标预测车速。
利用以上计算得到的加权系数,对预测得到的初步预测车速进行校正,预测车辆在预测时长后的最终车速,即目标预测车速。由于加权系数的计算,是基于标准车速和当前车速的车速差、道路的拥堵状况信息和预测时长等得到的,所以,加权系数能够对预测时长后车速的偏差情况进行预测。利用加权系数对初步预测车速进行校正,能够得到更加准确的目标预测车速。目标预测车速可以表示为V/ref_t。
本实施例中,通过将车速差、拥堵状况信息、当前车速和预测时长输入预先训练得到的加权系数预测模型,得到加权系数,并通过加权系数,对初步预测车速进行校正,得到目标预测车速。由于加权系数是基于车速差、道路的拥堵状况信息、当前车速和预测时长预测得到,能够表征预测时长后车速的偏差情况,因此,利用加权系数对初步预测车速进行校正,能够得到更加准确的目标预测车速,提高车速预测的准确性。同时,通过预先训练得到的加权系数预测模型对加权系数进行预测,能够有效提高计算速度,且加权系数预测模型通过车辆的历史数据训练得到,能够提高加权系数预测的准确性。另外,对于标准车速的确定,是查找预先建立的典型工况得到,典型工况是基于车辆的历史数据建立,因此,通过查找典型工况得到的标准车速,更加符合车辆工况,更加准确,从而使得预测得到的加权系数和目标预测车速更加准确。
在一个实施例中,通过加权系数对初步预测车速进行校正,具体通过以下步骤实现,即S60具体包括:
计算加权系数与初步预测车速的乘积,得到目标预测车速。即,目标预测车速通过公式:V/ref_t=Vref_t*β或者此公式的变形计算得到。
请参见图3和图4,在一个实施例中,所述方法还进一步包括S70和S80:
S70,获取目标道路的坡度信息,得到目标坡度信息,其中,目标道路是指车辆在预测时长后所处的道路。
假设当前车辆处于道路A,预测时长tp后,车辆处于道路B,则道路为目标道路。道路坡度信息可以通过道路坡度角等进行表征。目标道路的坡度信息命名为目标坡度信息。信息获取装置能够获取各个道路的坡度信息,并存储至数据存储装置,或直接传输至车辆控制装置。
车辆控制装置获取目标坡度信息的方法有多种,请参见图5,在一个实施例中,可以通过以下步骤获取目标坡度信息,即S70包括:
S710,根据当前位置、当前车速和预测时长,确定车辆在预测时长后的位置,得到预测位置;
S720,获取与预测位置对应的道路的坡度信息,得到目标坡度信息。
车辆控制装置根据车辆的当前位置、当前车速和预测时长,可以预测出车辆的位置坐标,即预测位置。根据预测位置即可确定出车辆在预测时长后所处的道路,即目标道路。从而通过信息获取装置确定出目标道路的坡度信息,得到目标坡度信息。
S80,根据目标预测车速和目标坡度信息,确定车辆的预测功率。
车辆的预测功率是指车辆在预测时长后的功率情况。预测功率可以表示为P/ref_t。车辆的预测功率可以作为参考,用于车辆控制装置对燃料电池进行控制和决策。车辆的预测功率可以通过车辆的电机机械轴的输出功率来表征。在一个具体实施例中,可以根据公式mgfu cosα+0.5CDAρu3+δmu du/dt+mgu sinα=PmηT计算预测功率。其中,Pm为预测功率,具体的为车辆的电机机械轴输出功率,m为车辆的质量,g为重力加速度,f为滚动阻力系数,u为目标预测速度,α为目标道路的坡度角,δ为旋转质量系数,ηT为车辆的变速箱和传动轴效率,CD为风阻系数,A为迎风面积,ρ为空气密度。
本实施例中,通过获取目标坡度信息,并根据目标坡度信息和目标预测车速确定出车辆的预测功率,从而可以使车辆管理装置根据预测功率,决策和控制燃料电池系统提前动作,有效解决燃料电池系统输出功率平缓与车速和整车功率波动性大的矛盾;同时,也可以解决燃料电池系统动态响应慢的问题,使得燃料电池系统能够给车辆提供绝大部分的整车功率,动力电池系统仅在车辆起步和爬坡等情况提供输出功率,提高动力源的使用效率。
请参见图6,本实施例涉及根据当前车速和预测时长,预测车辆在预测时长后的车速,得到初步预测车速的一种可能的实现方式,在一个实施例中,S50包括:
S510,根据当前位置、当前车速和预测时长,确定车辆在预测时长后的位置,得到预测位置。
车辆控制装置根据车辆的当前位置、当前车速,以及预测时长,能够预测出车辆在预测时长后的所处的位置,即得到预测位置。预测位置可以表示为(x,y)t。车辆控制装置根据当前位置、当前车速和预测时长确定预测位置的方法有多种,请参见图7,在一个实施例中,S510包括:
S511,根据当前车速和预测时长,确定车辆的移动距离;
S512,根据移动距离和当前位置,确定所述预测位置。
也就是说,根据公式(x,y)t=(x,y)+Vact*tp,或者此公式的变形,可以计算得到预测位置。
S520,根据预测位置,基于典型工况,查找预测位置对应的车速,得到初步预测车速。
根据预测位置,查找典型工况,确定预测位置对应的车速,得到初步预测车速。典型工况与上述实施例相同,查找典型工况确定初步预测车速的方法与上述实施例确定标准速度的方法相同,在此不在赘述。
本实施例中,根据当前位置、当前车速和预测时长,确定预测位置,并根据预测位置,查找典型工况,得到初步预测车速,方法简单,且初步预测车速与车辆的工况更加贴合,提高了初步预测车速确定的准确性,从而进一步提高最终目标预测车速确定的准确性。
以下结合实施例,对典型工况的建立过程进行说明:
在一个实施例中,可以根据历史数据,基于K-means聚类算法,建立典型工况。K-means聚类算法的原理是随机选取聚类中心点,通过迭代的方法,不断的变更聚类中心,最终得到最佳聚类方案。具体过程可以如下:
1)选择聚类数:1≤c≤N,c表示聚类数,N表示样本数量。聚类数可以根据车辆历史数据的特征进行选取。
2)随机选取聚类中心vi,1≤i≤c。
3)根据样本中每个聚类对象的聚类中心,计算每个对象与这些聚类中心的距离,并根据最小距离重新对相应对象进行划分。
4)重新计算每个有变化聚类的聚类中心,得到新的聚类中心;
5)重复步骤3)和4),直到聚类中心不再发生变化,或者达到最大的迭代次数;
6)更换聚类数c,根据车辆历史数据的分类特征寻找最佳的聚类分类。
本实施例中,通过K-means聚类算法建立典型工况,计算方法简单准确,得到的工况分类也更加准确。
以下结合实施例,对加权系数预测模型及训练过程进行说明:
请参见图8,在一个实施例中,加权系数预测模型可以为基于BP神经网络的预测模型。BP神经网络模型的结构如图8所示。BP神经网络模型包括输入层、隐藏层和输出层。基于BP神经网络模型,通过对大量的车辆历史数据样本进行分析,根据不同的行驶数据,确定合适的加权系数。对BP神经网络模型进行训练时,可以包括如下过程:
A)将车辆历史行驶数据输入BP神经网络模型,得到历史加权系数,其中,历史行驶数据包括历史实际车速、历史速度差(即历史标准车速与历史实际车速的差)、历史预测时长、历史拥堵状况信息等,如图8中的x1、x2……xn。
B)根据预设的损失函数计算历史加权系数与预设的期望输出Y之间的误差e;
C)若误差e小于预设阈值,将BP神经网络模型作为加权系数预测模型;
D)若所述误差e不小于预设阈值,调整BP神经网络模型中的网络参数,得到调整后的BP神经网络模型,将下一历史行驶数据作为历史行驶数据,返回执行步骤A),直到训练次数达到预设迭代次数为止,且将调整后的BP神经网络模型作为加权系数预测模型。
本实施例中,通过将历史行驶数据输入BP神经网络模型,对BP神经网络模型进行训练,使得得到的加权系数预测模型更加稳定和准确,从而使得加权系数预测模型输出的加权系数更加准确,进而使得预测得到的目标预测车速更加准确。
应该理解的是,虽然流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,图中的至少一部分步骤可以包括多个子步骤或者多个阶段,这些子步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些子步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中,如图9所示,提供了一种车速预测装置10,包括:参数获取模块110、标准车速查找模块120、车速差计算模块130、加权系数确定模块140、初步车速预测模块150和校正模块160,其中:
参数获取模块110,用于获取车辆的当前位置、当前车速、当前道路的拥堵状况信息以及预测时长,所述预测时长是指需要预测车速的时间点与当前时间点的时间差;
标准车速查找模块120,用于根据所述当前位置,基于预先建立的典型工况,查找所述当前位置对应的车速,得到标准车速;
车速差计算模块130,用于计算所述标准车速与所述当前车速的差值,得到车速差;
加权系数确定模块140,用于将所述车速差、所述拥堵状况信息、所述当前车速和所述预测时长输入预先训练得到的加权系数预测模型,得到加权系数;
初步车速预测模块150,用于根据所述当前位置、所述当前车速和所述预测时长,预测所述车辆在所述预测时长后的车速,得到初步预测车速;
校正模块160,用于通过所述加权系数对所述初步预测车速进行校正,得到目标预测车速。
在一个实施例中,初步车速预测模块150具体用于根据所述当前位置、所述当前车速和所述预测时长,确定所述车辆在所述预测时长后的位置,得到预测位置;根据所述预测位置,基于所述典型工况,查找所述预测位置对应的车速,得到所述初步预测车速。
在一个实施例中,初步车速预测模块150还用于根据所述当前车速和所述预测时长,确定所述车辆的移动距离;根据所述移动距离和所述当前位置,确定所述预测位置。
在一个实施例中,校正模块160具体用于计算所述加权系数与所述初步预测车速的乘积,得到所述目标预测车速。
请继续参见图9,在一个实施例中,车速预测装置10还包括坡度信息获取模块170和功率预测模块180。坡度信息获取模块170用于获取目标道路的坡度信息,得到目标坡度信息,其中,所述目标道路是指所述车辆在所述预测时长后所处的道路;功率预测模块180用于根据所述目标预测车速和所述目标坡度信息,确定所述车辆的预测功率。
在一个实施例中,坡度信息获取模块170具体用于根据所述当前位置、所述当前车速和所述预测时长,确定所述车辆在所述预测时长后的位置,得到预测位置;获取与所述预测位置对应的道路的坡度信息,得到所述目标坡度信息。
在一个实施例中,功率预测模块180具体用于根据公式mgfu cosα+0.5CDAρu3+δmudu/dt+mgu sinα=PmηT,计算所述预测功率,其中,Pm为所述车辆电机机械轴输出功率,m为所述车辆的质量,g为重力加速度,f为滚动阻力系数,u为所述目标预测速度,α为所述目标道路的坡度角,δ为旋转质量系数,ηT为所述车辆的变速箱和传动轴效率,CD为风阻系数,A为迎风面积,ρ为空气密度。
关于车速预测装置10的具体限定可以参见上文中对于车速预测方法的限定,在此不再赘述。上述车速预测装置10中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中,提供了一种计算机设备,其内部结构图可以如图10所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口、显示屏和输入装置。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种车速预测方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏,该计算机设备的输入装置可以是显示屏上覆盖的触摸层,也可以是计算机设备外壳上设置的按键、轨迹球或触控板,还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解,图10中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个实施例中,提供了一种计算机设备,包括存储器和处理器,存储器中存储有计算机程序,该处理器执行计算机程序时实现以下步骤:
获取车辆的当前位置、当前车速、当前道路的拥堵状况信息以及预测时长,其中,所述预测时长是指需要预测车速的时间点与当前时间点的时间差;
根据所述当前位置,基于预先建立的典型工况,查找所述当前位置对应的车速,得到标准车速;
计算所述标准车速与所述当前车速的差值,得到车速差;
将所述车速差、所述拥堵状况信息、所述当前车速和所述预测时长输入预先训练得到的加权系数预测模型,得到加权系数;
根据所述当前位置、所述当前车速和所述预测时长,预测所述车辆在所述预测时长后的车速,得到初步预测车速;
通过所述加权系数对所述初步预测车速进行校正,得到目标预测车速。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:根据所述当前位置、所述当前车速和所述预测时长,确定所述车辆在所述预测时长后的位置,得到预测位置;根据所述预测位置,基于所述典型工况,查找所述预测位置对应的车速,得到所述初步预测车速。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:根据所述当前车速和所述预测时长,确定所述车辆的移动距离;根据所述移动距离和所述当前位置,确定所述预测位置。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:计算所述加权系数与所述初步预测车速的乘积,得到所述目标预测车速。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:获取目标道路的坡度信息,得到目标坡度信息,其中,所述目标道路是指所述车辆在所述预测时长后所处的道路;根据所述目标预测车速和所述目标坡度信息,确定所述车辆的预测功率。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:根据所述当前位置、所述当前车速和所述预测时长,确定所述车辆在所述预测时长后的位置,得到预测位置;获取与所述预测位置对应的道路的坡度信息,得到所述目标坡度信息。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:根据公式mgfu cosα+0.5CDAρu3+δmu du/dt+mgu sinα=PmηT,计算所述预测功率,其中,Pm为所述车辆电机机械轴输出功率,m为所述车辆的质量,g为重力加速度,f为滚动阻力系数,u为所述目标预测速度,α为所述目标道路的坡度角,δ为旋转质量系数,ηT为所述车辆的变速箱和传动轴效率,CD为风阻系数,A为迎风面积,ρ为空气密度。
在一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现以下步骤:
获取车辆的当前位置、当前车速、当前道路的拥堵状况信息以及预测时长,其中,所述预测时长是指需要预测车速的时间点与当前时间点的时间差;
根据所述当前位置,基于预先建立的典型工况,查找所述当前位置对应的车速,得到标准车速;
计算所述标准车速与所述当前车速的差值,得到车速差;
将所述车速差、所述拥堵状况信息、所述当前车速和所述预测时长输入预先训练得到的加权系数预测模型,得到加权系数;
根据所述当前位置、所述当前车速和所述预测时长,预测所述车辆在所述预测时长后的车速,得到初步预测车速;
通过所述加权系数对所述初步预测车速进行校正,得到目标预测车速。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:根据所述当前位置、所述当前车速和所述预测时长,确定所述车辆在所述预测时长后的位置,得到预测位置;根据所述预测位置,基于所述典型工况,查找所述预测位置对应的车速,得到所述初步预测车速。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:根据所述当前车速和所述预测时长,确定所述车辆的移动距离;根据所述移动距离和所述当前位置,确定所述预测位置。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:计算所述加权系数与所述初步预测车速的乘积,得到所述目标预测车速。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:获取目标道路的坡度信息,得到目标坡度信息,其中,所述目标道路是指所述车辆在所述预测时长后所处的道路;根据所述目标预测车速和所述目标坡度信息,确定所述车辆的预测功率。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:根据所述当前位置、所述当前车速和所述预测时长,确定所述车辆在所述预测时长后的位置,得到预测位置;获取与所述预测位置对应的道路的坡度信息,得到所述目标坡度信息。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:根据公式mgfucosα+0.5CDAρu3+δmu du/dt+mgu sinα=PmηT,计算所述预测功率,其中,Pm为所述车辆电机机械轴输出功率,m为所述车辆的质量,g为重力加速度,f为滚动阻力系数,u为所述目标预测速度,α为所述目标道路的坡度角,δ为旋转质量系数,ηT为所述车辆的变速箱和传动轴效率,CD为风阻系数,A为迎风面积,ρ为空气密度。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限,RAM以多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种车速预测方法,所述方法包括:
获取车辆的当前位置、当前车速、当前道路的拥堵状况信息以及预测时长,其中,所述预测时长是指需要预测车速的时间点与当前时间点的时间差;
根据所述当前位置,基于预先建立的典型工况,查找所述当前位置对应的车速,得到标准车速;
计算所述标准车速与所述当前车速的差值,得到车速差;
将所述车速差、所述拥堵状况信息、所述当前车速和所述预测时长输入预先训练得到的加权系数预测模型,得到加权系数;
根据所述当前位置、所述当前车速和所述预测时长,预测所述车辆在所述预测时长后的车速,得到初步预测车速;
通过所述加权系数对所述初步预测车速进行校正,得到目标预测车速。
2.根据权利要求1所述的方法,其特征在于,所述根据所述当前位置、所述当前车速和所述预测时长,预测所述车辆在所述预测时长后的车速,得到初步预测车速,包括:
根据所述当前位置、所述当前车速和所述预测时长,确定所述车辆在所述预测时长后的位置,得到预测位置;
根据所述预测位置,基于所述典型工况,查找所述预测位置对应的车速,得到所述初步预测车速。
3.根据权利要求2所述的方法,其特征在于,所述根据所述当前位置、所述当前车速和所述预测时长,确定所述车辆在所述预测时长后的位置,得到预测位置,包括:
根据所述当前车速和所述预测时长,确定所述车辆的移动距离;
根据所述移动距离和所述当前位置,确定所述预测位置。
4.根据权利要求1所述的方法,其特征在于,所述通过所述加权系数对所述初步预测车速进行校正,得到目标预测车速,包括:
计算所述加权系数与所述初步预测车速的乘积,得到所述目标预测车速。
5.根据权利要求1至4任意一项所述的方法,其特征在于,还包括:
获取目标道路的坡度信息,得到目标坡度信息,其中,所述目标道路是指所述车辆在所述预测时长后所处的道路;
根据所述目标预测车速和所述目标坡度信息,确定所述车辆的预测功率。
6.根据权利要求5所述的方法,其特征在于,所述获取目标道路的坡度信息,得到目标坡度信息,包括:
根据所述当前位置、所述当前车速和所述预测时长,确定所述车辆在所述预测时长后的位置,得到预测位置;
获取与所述预测位置对应的道路的坡度信息,得到所述目标坡度信息。
7.根据权利要求5所述的方法,其特征在于,所述根据所述目标预测车速和所述目标坡度信息,确定所述车辆的预测功率,包括:
根据公式mgfu cosα+0.5CDAρu3+δmu du/dt+mgu sinα=PmηT,计算所述预测功率,其中,Pm为所述车辆电机机械轴输出功率,m为所述车辆的质量,g为重力加速度,f为滚动阻力系数,u为所述目标预测速度,α为所述目标道路的坡度角,δ为旋转质量系数,ηT为所述车辆的变速箱和传动轴效率,CD为风阻系数,A为迎风面积,ρ为空气密度。
8.一种车速预测装置,其特征在于,所述装置包括:
参数获取模块,用于获取车辆的当前位置、当前车速、当前道路的拥堵状况信息以及预测时长,所述预测时长是指需要预测车速的时间点与当前时间点的时间差;
标准车速查找模块,用于根据所述当前位置,基于预先建立的典型工况,查找所述当前位置对应的车速,得到标准车速;
车速差计算模块,用于计算所述标准车速与所述当前车速的差值,得到车速差;
加权系数确定模块,用于将所述车速差、所述拥堵状况信息、所述当前车速和所述预测时长输入预先训练得到的加权系数预测模型,得到加权系数;
初步车速预测模块,用于根据所述当前位置、所述当前车速和所述预测时长,预测所述车辆在所述预测时长后的车速,得到初步预测车速;
校正模块,用于通过所述加权系数对所述初步预测车速进行校正,得到目标预测车速。
9.一种车辆控制装置,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述方法的步骤。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911379068.4A CN111071259B (zh) | 2019-12-27 | 2019-12-27 | 车速预测方法、装置、车辆控制装置和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911379068.4A CN111071259B (zh) | 2019-12-27 | 2019-12-27 | 车速预测方法、装置、车辆控制装置和存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111071259A CN111071259A (zh) | 2020-04-28 |
CN111071259B true CN111071259B (zh) | 2020-09-29 |
Family
ID=70318648
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911379068.4A Active CN111071259B (zh) | 2019-12-27 | 2019-12-27 | 车速预测方法、装置、车辆控制装置和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111071259B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113002367B (zh) * | 2021-02-22 | 2023-03-21 | 深兰科技(上海)有限公司 | 车载燃料电池系统的控制方法及相关装置 |
CN114137973A (zh) * | 2021-11-26 | 2022-03-04 | 湖北亿纬动力有限公司 | 一种路径规划的方法、装置、设备及存储介质 |
CN116161028B (zh) * | 2023-04-26 | 2023-06-30 | 禾多科技(北京)有限公司 | 一种基于人工智能的自动驾驶车辆的辅助控制方法 |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
SE535422C2 (sv) * | 2010-06-23 | 2012-07-31 | Scania Cv Ab | Metod och modul för att styra ett fordons hastighet |
CN106997675A (zh) * | 2016-01-26 | 2017-08-01 | 宿州学院 | 基于动态规划的目标车速预测方法 |
CN106997172A (zh) * | 2016-01-26 | 2017-08-01 | 宿州学院 | 基于动态规划的目标车速预测系统 |
CN107331161A (zh) * | 2016-04-28 | 2017-11-07 | 财团法人资讯工业策进会 | 车速预测方法 |
US20180017675A1 (en) * | 2016-07-13 | 2018-01-18 | Lang Hong | System for Video-Doppler-Radar Traffic Surveillance |
CN107878462B (zh) * | 2016-09-30 | 2019-11-22 | 比亚迪股份有限公司 | 车速预测方法和装置 |
CN109960255B (zh) * | 2017-12-26 | 2022-02-18 | 郑州宇通客车股份有限公司 | 一种最优目标车速预测、燃料电池系统的控制方法及装置 |
-
2019
- 2019-12-27 CN CN201911379068.4A patent/CN111071259B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN111071259A (zh) | 2020-04-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111071259B (zh) | 车速预测方法、装置、车辆控制装置和存储介质 | |
US20220067850A1 (en) | Systems and methods for managing energy storage systems | |
US9759573B2 (en) | Route based energy consumption estimation using physical models | |
Sun et al. | Dynamic traffic feedback data enabled energy management in plug-in hybrid electric vehicles | |
CN109808518B (zh) | 基于地理位置信息的燃料电池汽车能量管理方法与系统 | |
US20230139003A1 (en) | Systems and methods for managing velocity profiles | |
CN111009134A (zh) | 一种基于前车与自车互动的短期车速工况实时预测方法 | |
CN110174117A (zh) | 一种电动汽车充电路线规划方法 | |
JP2014019433A (ja) | 逆強化学習を利用するハイブリッド車両の燃料効率向上 | |
Sun et al. | Integrating traffic velocity data into predictive energy management of plug-in hybrid electric vehicles | |
US11104233B2 (en) | Method for determining predicted acceleration information in an electric vehicle and such an electric vehicle | |
CN113415288B (zh) | 分段式纵向车速规划方法、装置、设备及存储介质 | |
CN107317057A (zh) | 一种动力电池运行寿命预测和预测装置 | |
Guardiola et al. | Modelling driving behaviour and its impact on the energy management problem in hybrid electric vehicles | |
Ferreira et al. | Data mining approach for range prediction of electric vehicle | |
CN113627693A (zh) | 一种电动汽车实时能量管理方法、装置、汽车和存储介质 | |
CN115817183A (zh) | 一种纯电动汽车续驶里程预测方法及预测装置 | |
CN115860431A (zh) | 基于异构感知的多机器人智能调度方法、系统、机器人及介质 | |
CN112036598A (zh) | 一种基于多信息耦合的充电桩使用信息预测方法 | |
CN115257695A (zh) | 一种混合动力汽车能量管理控制系统及其方法 | |
Billert et al. | A method of developing quantile convolutional neural networks for electric vehicle battery temperature prediction trained on cross-domain data | |
CN112959922A (zh) | 一种控制方法、装置及计算机存储介质 | |
CN114604140B (zh) | 一种基于云管控的新能源汽车统一调温系统及方法 | |
CN111242403A (zh) | 一种充电站充电负荷预测方法、装置设备及存储介质 | |
CN115534706A (zh) | 新能源汽车充电方法、装置、计算机设备和存储介质 |
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 |