CN111459995B - 一种基于驾驶数据的多模态车速预测方法 - Google Patents

一种基于驾驶数据的多模态车速预测方法 Download PDF

Info

Publication number
CN111459995B
CN111459995B CN202010164361.5A CN202010164361A CN111459995B CN 111459995 B CN111459995 B CN 111459995B CN 202010164361 A CN202010164361 A CN 202010164361A CN 111459995 B CN111459995 B CN 111459995B
Authority
CN
China
Prior art keywords
vehicle speed
speed
data
working condition
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.)
Active
Application number
CN202010164361.5A
Other languages
English (en)
Other versions
CN111459995A (zh
Inventor
吴刚
于博洋
王春燕
周青华
施帅朋
冯健
颜伸翔
张自宇
吴子涵
何鹏
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 CN202010164361.5A priority Critical patent/CN111459995B/zh
Publication of CN111459995A publication Critical patent/CN111459995A/zh
Application granted granted Critical
Publication of CN111459995B publication Critical patent/CN111459995B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/24—Querying
    • G06F16/245—Query processing
    • G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
    • G06F16/2465—Query processing support for facilitating data mining operations in structured databases
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/24—Querying
    • G06F16/245—Query processing
    • G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
    • G06F16/2474—Sequence data queries, e.g. querying versioned data
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • G—PHYSICS
    • G07—CHECKING-DEVICES
    • G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
    • G07C5/00—Registering or indicating the working of vehicles
    • G07C5/08—Registering or indicating performance data other than driving, working, idle, or waiting time, with or without registering driving, working, idle or waiting time
    • G07C5/0808—Diagnosing performance data
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Mathematical Physics (AREA)
  • Databases & Information Systems (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Probability & Statistics with Applications (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Fuzzy Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Software Systems (AREA)
  • Computational Linguistics (AREA)
  • Automation & Control Theory (AREA)
  • Transportation (AREA)
  • Mechanical Engineering (AREA)
  • Control Of Transmission Device (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明公开了一种基于驾驶数据的多模态车速预测方法，首先收集标准工况数据，提取驾驶模态，为确定当前驾驶环境下车速模态的组成，需要利用标准工况的数据进行分类器的训练以用于实时的工况识别；然后对驾驶数据进行采集及预处理，接着利用采集处理后的数据进行实时道路工况的识别并确定车速预测模型的基本模态组成，同时利用采集的驾驶数据对模型的参数进行更新，最后利用在线更新的车速预测模型进行预测。本发明能够根据驾驶环境和驾驶员特性的差异实时预测车速，在保证预测精度的前提下增加预测时长，从而提高汽车系统的安全性能；对于混合动力汽车和电动汽车，能够提高制动时的能量回收效率。

Description

一种基于驾驶数据的多模态车速预测方法
技术领域
本发明涉及一种车速预测方法，尤其涉及到一种基于驾驶数据的多模态车速预测方法。
背景技术
随着科学技术的发展，汽车领域也不断产生新技术，为了解决资源短缺、环境污染等问题，混合动力汽车和电动汽车应运而生，在混合动力和电动汽车控制策略的研究中，车速预测受到广泛关注，一方面，对未来一段时间的车速预测能够及时发现危险工况；另一方面，车速预测被广泛应用于于汽车自动变速器档位控制、安全辅助驾驶以及混合动力汽车的预测控制策略中，从而提高汽车的安全性、燃油经济性和排放性能。因此，对车速的预测具有重要意义。
汽车标准行驶工况又称为汽车行驶循环(drive cycle)，是针对某一类型车辆，在特定交通环境下，用来描述车辆行驶特征的速度-时间曲线。
目前采用的车速预测方法一般是通过车轮传感器采集轮速和加速度信息，根据轮速与加速度的数学关系预测未来较短时间内的车速，这种预测方法较为简单，但在车辆行驶过程中，加速和制动时车轮会产生滑移、空转，轮速的信息并不能准确反映车辆的情况，这种预测方法通常只能预测很短时间内的车速且误差较大。实际行驶时，道路环境以及驾驶员的操作等都会对车速的变化产生影响，但在过滤掉少数突发事件以及驾驶员心理噪声等因素产生的噪声干扰后，车速驾驶循环应能够反映道路交通的基本组成形态，即直道、路口以及红绿灯的交错，即历史车速数据包含了当前道路的基本组成形态信息。因此，引入基于驾驶数据的车速预测模型，将有助于提高车速预测的预测时长和预测精度。
发明内容
针对上述问题，本发明提出一种基于驾驶数据的多模态车速预测方法，以实现良好的车速轨迹动态预测，并在保证预测精度的前提下增加预测时长，从而提高汽车系统的安全性能；对于混合动力汽车和电动汽车，可以提前制定能量回收方案，提高制动时的能量回收效率。
为实现以上目的，本发明采用以下技术方案：
一种基于驾驶数据的多模态车速预测方法，包含以下步骤：
步骤A)，建立基于驾驶数据的多模态车速预测模型：
步骤A.1)，收集能够反映实际道路工况特征的驾驶车速数据，包括城市、城郊及高速的道路工况；
步骤A.2)，对收集驾驶循环数据进行片段划分及归类的预处理：
步骤A.2.1)，将所有循环工况按短行程分割，再按速度将短行程拆分成怠速片段和行程片段，所述短行程是指从上一次减速至停车开始到下一次减速至停车为止的过程；
步骤A.2.2)，根据不同行程片段的几何形状，分类并归纳为单峰、多峰、平台及多平台四种反映车速变化特征的速度-时间序列片段；
步骤A.3)，对分好类的序列片段进行离线模态的提取：
步骤A.3.1)，在MATLAB中分别对上述步骤A.2.2)中四类不同的速度序列片段进行归一化处理，对数据库中行程片段的时间跨度和速度峰值进行缩放，得到跨度相同、峰值相同的多个速度序列；
步骤A.3.2)，利用线性插值、求均值的方法求出各类序列片段的平均值；
步骤A.3.3)，再根据四个序列平均值的几何形状定义能够描述其特征的模态，所述模态为能够反映车速随时间变化趋势的几何形状，不同模态具有不同的特征参数；
步骤A.4)，使用未经缩放处理的原始标准驾驶循环数据确定不同道路工况下的基本特征参数以及不同模态特征参数的平均值及其变化范围：
步骤A.4.1)，将步骤A.2.1)中分割得到的短行程片段按城市、城郊及高速道路工况分类后，获得短行程片段中的基本特征参数，所述短行程片段中的基本特征参数包括短行程时间Tm、平均车速Vm、最高车速vmax和怠速比Pit；
步骤A.4.2)，将步骤A.2.1)中分割得到的短行程片段按道路工况及模态类别分类后，计算各种模态自身对应的模态特征参数平均值及变化范围，所有模态共有的特征参数包括加速部分比例Pat、减速部分比例Pdt、加速段的平均加速度a、减速段的平均减速度d、加速段加速度值均方根RMSa、减速段加速度值均方根RMSd、匀速时间Tv和匀速段速度均方根RMSv，其中，d由减速段的速度变化Δvd比减速段时长td得到，即
Figure BDA0002406871890000021
a由减速段的速度变化Δva比减速段时长ta得到，即
Figure BDA0002406871890000022
RMSa由加速段加速度值均方根得到，即
Figure BDA0002406871890000023
RMSd由减速段加速度值均方根得到，即
Figure BDA0002406871890000024
步骤A.5)，使用SVM算法建立工况分类器：
步骤A.5.1)，利用步骤A.1)中收集的标准循环工况的车速-时间数据，按短行程分割成驾驶片段，并提取数据信息，所述数据信息包括短行程时间Tm、平均速度Vm、最大车速vmax、怠速时间Td以及当前时刻所属工况类别，所述工况类别包含城市、城郊和高速三种工况；
步骤A.5.2)，利用主成分分析法从预处理数据中选择用于工况识别的特征向量x＝(Td，Tm，Vm)，然后将以类别标签分类好的数据按比例划分，其中75％作为训练样本，得到基于径向基函数的SVM分类器；25％作为测试样本，验证分类器识别精度；
步骤B)，基于驾驶数据进行多模态车速预测：
步骤B.1)，对步骤A.5)中的特征向量x进行在线识别：
步骤B.1.1)，道路工况识别时，每隔一个采样周期提取一次截至当前时刻为止的时长3分钟的历史车速数据；
步骤B.1.2)，对采集的历史驾驶数据进行短行程分割处理，计算最后一次短行程的步骤A.4.1)所述的基本特征参数(Tm，Vm，vmax，Pit)，从而获得当前工况的特征向量x(t)；
步骤B.1.3)，利用步骤A.5)所得的工况分类器对当前获得的特征向量x(t)进行工况识别；从模态提取步骤中可知，城市工况可能具有单峰、双峰以及平台模态；城郊工况通常具有平台或多平台模态；高速工况则具有平台模态，当识别出当前道路工况时，即可确定当前道路工况具有步骤A.3.3)中的哪一种或几种模态；
步骤B.2)，确认工况后：
步骤B.2.1)，每隔一个预测周期都会利用步骤B.1.1)中采集的历史驾驶数据，进行步骤B)所述的参数更新，计算当前驾驶循环的基本特征参数；
步骤B.2.2)，并计算出当前模态对应步骤A.4.2)中的各种参数的确切值；
步骤B.2.3)，然后拟合出简化模态中定义的形位参数，获得基于驾驶数据的车速预测模型；
步骤B.3)，预测模型为速度-时间序列，当前时刻状态在预测速度时间序列的对应位置决定了后续车速轨迹的预测结果：
步骤B.3.1)，将基于驾驶数据的车速预测模型嵌入到整车控制器中，通过车载传感器获取车辆信息，包括短行程开始时间t0,、当前时刻t1、当前车速v1、瞬时加速度a1；
步骤B.3.2)，使用参数更新后的车速预测模型与步骤B.1.2)获取的当前时刻状态参数进行比对，在预测模型的车速V-T曲线中找到与当前时刻加速度a1相对应的点，将其后的曲线作为预测轨迹。
作为本发明一种基于驾驶数据的多模态车速预测方法进一步的优化方案，步骤A.1)中通过实际道路采集或者利用汽车标准驾驶循环工况收集能够反映实际道路工况特征的驾驶车速数据。
作为本发明一种基于驾驶数据的多模态车速预测方法进一步的优化方案，所述汽车标准驾驶循环工况“CYC_US06_HMY”、“CYC_ARB02”、“CYC_UDDS”、“CYC_WVUSUB”、“CYC_CSHVR_Vehicle”、“CYC_BUSRTE”、“CYC_NewYorkBus”、“CYC_NurembergR36”、“CYC_NYCC”、“CYC_UKBUS6”。
本发明的效果和益处是：
1、本发明选用SVM算法对驾驶工况进行识别，对工况识别精度高，泛化能力强。
2、本发明引入模态与驾驶数据共同建立预测模型，充分考虑了道路工况与驾驶员特性对车速变化的影响，提高了车速预测的精确度并延长预测时长。
附图说明
图1是基于驾驶数据的多模态车速预测方法流程图；
图2是均值拟合得到的四种不同模态的对比示意图；
图3是四种简化模态特征参数的描述对比示意图；
图4(a)、图4(b)分别是75％训练数据、25％测试数据径向基函数SVM算法短行程识别结果图。
具体实施方式
下面结合附图对本发明的技术方案做进一步的详细说明：
本发明可以以许多不同的形式实现，而不应当认为限于这里所述的实施例。相反，提供这些实施例以便使本公开透彻且完整，并且将向本领域技术人员充分表达本发明的范围。在附图中，为了清楚起见放大了组件。
如图1所示，本发明公开了一种基于驾驶数据的多模态车速预测方法，包含以下步骤：
步骤A)，建立基于驾驶数据的多模态车速预测模型：
步骤A.1)，收集能够反映实际道路工况特征的驾驶车速数据，包括城市、城郊及高速的道路工况；获取途径考虑实际道路采集或者利用汽车标准驾驶循环工况两种方式，本发明以标准工况为例，使用的标准循环包括，“CYC_US06_HMY”、“CYC_ARB02”、“CYC_UDDS”、“CYC_WVUSUB”、“CYC_CSHVR_Vehicle”、“CYC_BUSRTE”、“CYC_NewYorkBus”、“CYC_NurembergR36”、“CYC_NYCC”、“CYC_UKBUS6”；
步骤A.2)，对收集驾驶循环数据进行片段划分及归类的预处理：
步骤A.2.1)，将所有循环工况按短行程分割，所述短行程是指从上一次减速至停车开始到下一次减速至停车为止的过程，再按速度将短行程拆分成怠速片段和行程片段两个部分；
步骤A.2.2)，根据不同行程片段的几何形状，分类并归纳为单峰、多峰、平台及多平台四种反映车速变化特征的速度-时间序列片段；
步骤A.3)，对分好类的序列片段进行离线模态的提取：
步骤A.3.1)，在MATLAB中分别对上述步骤A.2.2)中四类不同的速度序列片段进行归一化处理，对数据库中行程片段的时间跨度和速度峰值进行缩放，得到跨度相同、峰值相同的多个速度序列；
步骤A.3.2)，利用线性插值、求均值的方法求出各类序列片段的平均值，均值序列曲线如图2粗实线所示；
步骤A.3.3)，再根据四个序列平均值的几何形状，定义能够描述其特征的模态，即能够反映车速随时间变化趋势的几何形状。不同模态具有不同的特征参数，如图3所示。
步骤A.4)，使用未经缩放处理的原始标准驾驶循环数据确定不同道路工况下的基本特征参数以及不同模态特征参数的平均值及其变化范围：
步骤A.4.1)，将步骤A.2.1)中分割得到的短行程片段按城市、城郊及高速道路工况分类后，获得短行程片段中的基本特征参数，所述短行程片段中的基本特征参数包括短行程时间Tm、平均车速Vm、最高车速vmax和怠速比Pit；
步骤A.4.2)，将步骤A.2.1)中分割得到的短行程片段按道路工况及模态类别分类后，计算各种模态自身对应的模态特征参数平均值及变化范围，所有模态共有的特征参数包括加速部分比例Pat、减速部分比例Pdt、加速段的平均加速度a、减速段的平均减速度d、加速段加速度值均方根RMSa、减速段加速度值均方根RMSd、匀速时间Tv和匀速段速度均方根RMSv，其中，d由减速段的速度变化Δvd比减速段时长td得到，即
Figure BDA0002406871890000051
a由减速段的速度变化Δva比减速段时长ta得到，即
Figure BDA0002406871890000052
RMSa由加速段加速度值均方根得到，即
Figure BDA0002406871890000053
RMSd由减速段加速度值均方根得到，即
Figure BDA0002406871890000054
步骤A.5)，使用SVM算法建立工况分类器：
步骤A.5.1)，利用步骤A.1)中收集的标准循环工况的车速-时间数据，按短行程分割成驾驶片段，并提取数据信息，所述数据信息包括短行程时间Tm、平均速度Vm、最大车速vmax、怠速时间Td以及当前时刻所属工况类别，所述工况类别包括城市、城郊和高速三种工况；
步骤A.5.2)，利用主成分分析法从预处理数据中选择用于工况识别的特征向量x＝(Td，Tm，Vm)，然后将以类别标签分类好的数据按比例划分，其中75％作为训练样本，得到基于径向基函数的SVM分类器；25％作为测试样本，验证分类器识别精度。分类器效果如图4(a)、图4(b)所示。
步骤B)，基于驾驶数据进行多模态车速预测，包含道路工况识别、模态参数更新和速度预测三个子步骤：
步骤B.1)，对步骤A.5)中的特征向量x进行在线识别：
步骤B.1.1)，道路工况识别时，每隔一个采样周期提取一次截至当前时刻为止的时长3分钟的历史车速数据；
步骤B.1.2)，对采集的历史驾驶数据进行短行程分割处理，计算最后一次短行程的步骤A.4.1)所述的基本特征参数(Tm，Vm，vmax，Pit)，从而获得当前工况的特征向量x(t)；
步骤B.1.3)，利用步骤A.5)所得的工况分类器对当前获得的特征向量x(t)进行工况识别；从模态提取步骤中可知，城市工况可能具有单峰、双峰以及平台模态；城郊工况通常具有平台或多平台模态；高速工况则具有平台模态，当识别出当前道路工况时，即可确定当前道路工况具有步骤A.3.3)中的哪一种或几种模态；
步骤B.2)，确认工况后：
步骤B.2.1)，每隔一个预测周期都会利用步骤B.1.1)中采集的历史驾驶数据，进行步骤B)所述的参数更新，计算当前驾驶循环的基本特征参数；
步骤B.2.2)，并计算出当前模态对应步骤A.4.2)中的各种参数的确切值；
步骤B.2.3)，然后拟合出图4简化模态中定义的形位参数，获得基于驾驶数据的车速预测模型；
步骤B.3)，预测模型为速度-时间序列，当前时刻状态在预测速度时间序列的对应位置决定了后续车速轨迹的预测结果：
步骤B.3.1)，将基于驾驶数据的车速预测模型嵌入到整车控制器中，通过车载传感器获取车辆信息，包括短行程开始时间t0,、当前时刻t1、当前车速v1、瞬时加速度a1；
步骤B.3.2)，使用参数更新后的车速预测模型与步骤B.1.2)获取的当前时刻状态参数进行比对，在预测模型的车速V-T曲线中找到与当前时刻加速度a1相对应的点，将其后的曲线作为预测轨迹。
本技术领域技术人员可以理解的是，除非另外定义，这里使用的所有术语(包括技术术语和科学术语)具有与本发明所属领域中的普通技术人员的一般理解相同的意义。还应该理解的是，诸如通用字典中定义的那些术语应该被理解为具有与现有技术的上下文中的意义一致的意义，并且除非像这里一样定义，不会用理想化或过于正式的含义来解释。
以上所述的具体实施方式，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施方式而已，并不用于限制本发明，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (3)

1.一种基于驾驶数据的多模态车速预测方法，其特征在于，包含以下步骤：
步骤A)，建立基于驾驶数据的多模态车速预测模型：
步骤A.1)，收集能够反映实际道路工况特征的驾驶车速数据，包括城市、城郊及高速的道路工况；
步骤A.2)，对收集驾驶循环数据进行片段划分及归类的预处理：
步骤A.2.1)，将所有循环工况按短行程分割，再按速度将短行程拆分成怠速片段和行程片段，所述短行程是指从上一次减速至停车开始到下一次减速至停车为止的过程；
步骤A.2.2)，根据不同行程片段的几何形状，分类并归纳为单峰、多峰、平台及多平台四种反映车速变化特征的速度-时间序列片段；
步骤A.3)，对分好类的序列片段进行离线模态的提取：
步骤A.3.1)，在MATLAB中分别对上述步骤A.2.2)中四类不同的速度序列片段进行归一化处理，对数据库中行程片段的时间跨度和速度峰值进行缩放，得到跨度相同、峰值相同的多个速度序列；
步骤A.3.2)，利用线性插值、求均值的方法求出各类序列片段的平均值；
步骤A.3.3)，再根据四个序列平均值的几何形状定义能够描述其特征的模态，所述模态为能够反映车速随时间变化趋势的几何形状，不同模态具有不同的特征参数；
步骤A.4)，使用未经缩放处理的原始标准驾驶循环数据确定不同道路工况下的基本特征参数以及不同模态特征参数的平均值及其变化范围：
步骤A.4.1)，将步骤A.2.1)中分割得到的短行程片段按城市、城郊及高速道路工况分类后，获得短行程片段中的基本特征参数，所述短行程片段中的基本特征参数包括短行程时间Tm、平均车速Vm、最高车速vmax和怠速比Pit；
步骤A.4.2)，将步骤A.2.1)中分割得到的短行程片段按道路工况及模态类别分类后，计算各种模态自身对应的模态特征参数平均值及变化范围，所有模态共有的特征参数包括加速部分比例Pat、减速部分比例Pdt、加速段的平均加速度a、减速段的平均减速度d、加速段加速度值均方根RMSa、减速段加速度值均方根RMSd、匀速时间Tv和匀速段速度均方根RMSv，其中，d由减速段的速度变化Δvd比减速段时长td得到，即
Figure FDA0003267793890000011
a由加速段的速度变化Δva比加速段时长ta得到，即
Figure FDA0003267793890000012
RMSa由加速段加速度值均方根得到，即
Figure FDA0003267793890000013
RMSd由减速段加速度值均方根得到，即
Figure FDA0003267793890000014
步骤A.5)，使用SVM算法建立工况分类器：
步骤A.5.1)，利用步骤A.1)中收集的标准循环工况的车速-时间数据，按短行程分割成驾驶片段，并提取数据信息，所述数据信息包括短行程时间Tm、平均速度Vm、最大车速vmax、怠速时间Td以及当前时刻所属工况类别，所述工况类别包含城市、城郊和高速三种工况；
步骤A.5.2)，利用主成分分析法从预处理数据中选择用于工况识别的特征向量x＝(Td，Tm，Vm)，然后将以类别标签分类好的数据按比例划分，其中75％作为训练样本，得到基于径向基函数的SVM分类器；25％作为测试样本，验证分类器识别精度；
步骤B)，基于驾驶数据进行多模态车速预测：
步骤B.1)，对步骤A.5)中的特征向量x进行在线识别：
步骤B.1.1)，道路工况识别时，每隔一个采样周期提取一次截至当前时刻为止的时长3分钟的历史车速数据；
步骤B.1.2)，对采集的历史驾驶数据进行短行程分割处理，计算最后一次短行程的步骤A.4.1)所述的基本特征参数(Tm，Vm，vmax，Pit)，从而获得当前工况的特征向量x(t)；
步骤B.1.3)，利用步骤A.5)所得的工况分类器对当前获得的特征向量x(t)进行工况识别；从模态提取步骤中可知，城市工况具有单峰、双峰以及平台模态；城郊工况具有平台或多平台模态；高速工况则具有平台模态，当识别出当前道路工况时，即可确定当前道路工况具有步骤A.3.3)中的哪一种或几种模态；
步骤B.2)，确认工况后：
步骤B.2.1)，每隔一个预测周期都会利用步骤B.1.1)中采集的历史驾驶数据，进行参数更新，计算当前驾驶循环的基本特征参数；
步骤B.2.2)，并计算出当前模态对应步骤A.4.2)中的各种参数的确切值；
步骤B.2.3)，然后拟合出简化模态中定义的形位参数，获得基于驾驶数据的车速预测模型；
步骤B.3)，预测模型为速度-时间序列，当前时刻状态在预测速度时间序列的对应位置决定了后续车速轨迹的预测结果：
步骤B.3.1)，将基于驾驶数据的车速预测模型嵌入到整车控制器中，通过车载传感器获取车辆信息，包括短行程开始时间t0、当前时刻t1、当前车速v1、瞬时加速度a1；
步骤B.3.2)，使用参数更新后的车速预测模型与当前时刻状态参数进行比对，在预测模型的车速V-T曲线中找到与当前时刻加速度a1相对应的点，将其后的曲线作为预测轨迹。
2.根据权利要求1所述的基于驾驶数据的多模态车速预测方法，其特征在于，步骤A.1)中通过实际道路采集或者利用汽车标准驾驶循环工况收集能够反映实际道路工况特征的驾驶车速数据。
3.根据权利要求2所述的基于驾驶数据的多模态车速预测方法，其特征在于，所述汽车标准驾驶循环工况包括：“CYC_US06_HMY”、“CYC_ARB02”、“CYC_UDDS”、“CYC_WVUSUB”、“CYC_CSHVR_Vehicle”、“CYC_BUSRTE”、“CYC_NewYorkBus”、“CYC_NurembergR36”、“CYC_NYCC”、“CYC_UKBUS6”。
CN202010164361.5A 2020-03-11 2020-03-11 一种基于驾驶数据的多模态车速预测方法 Active CN111459995B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010164361.5A CN111459995B (zh) 2020-03-11 2020-03-11 一种基于驾驶数据的多模态车速预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010164361.5A CN111459995B (zh) 2020-03-11 2020-03-11 一种基于驾驶数据的多模态车速预测方法

Publications (2)

Publication Number Publication Date
CN111459995A CN111459995A (zh) 2020-07-28
CN111459995B true CN111459995B (zh) 2021-11-23

Family

ID=71685171

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010164361.5A Active CN111459995B (zh) 2020-03-11 2020-03-11 一种基于驾驶数据的多模态车速预测方法

Country Status (1)

Country Link
CN (1) CN111459995B (zh)

Families Citing this family (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112966927A (zh) * 2021-03-03 2021-06-15 北京京东乾石科技有限公司 运输设备运行管理的方法和装置
CN113327430B (zh) * 2021-05-06 2022-11-01 天地（常州）自动化股份有限公司 基于lstm的井下无轨胶轮车车速预测方法及装置
CN115236997B (zh) * 2021-05-27 2023-08-25 上海仙途智能科技有限公司 预测控制方法、装置、设备及计算机可读存储介质
CN113537620B (zh) * 2021-07-30 2024-04-16 南京航空航天大学 基于Markov模型优化和工况识别的车速预测方法
CN115221669B (zh) * 2021-08-05 2023-07-07 广州汽车集团股份有限公司 模拟驾驶循环的生成方法、计算机设备及存储介质
CN116894525B (zh) * 2023-09-04 2023-12-08 北京玖行智研交通科技有限公司 一种电动重型卡车续航里程预测方法及装置

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105946857A (zh) * 2016-05-16 2016-09-21 吉林大学 基于智能交通系统的并联phev能量管理方法
CN107512266A (zh) * 2017-08-01 2017-12-26 北京理工大学 一种基于波形训练的混合动力车辆行驶工况的工况预测方法
US10053082B2 (en) * 2016-10-20 2018-08-21 Hyundai Motor Company Control method of hybrid vehicle
CN109284540A (zh) * 2018-08-31 2019-01-29 重庆大学 一种基于工况识别的变衰减因子指数预测模型方法
CN110254417A (zh) * 2019-06-27 2019-09-20 清华大学苏州汽车研究院（吴江） 基于实际工况与驾驶风格双识别的混合动力汽车控制方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105946857A (zh) * 2016-05-16 2016-09-21 吉林大学 基于智能交通系统的并联phev能量管理方法
US10053082B2 (en) * 2016-10-20 2018-08-21 Hyundai Motor Company Control method of hybrid vehicle
CN107512266A (zh) * 2017-08-01 2017-12-26 北京理工大学 一种基于波形训练的混合动力车辆行驶工况的工况预测方法
CN109284540A (zh) * 2018-08-31 2019-01-29 重庆大学 一种基于工况识别的变衰减因子指数预测模型方法
CN110254417A (zh) * 2019-06-27 2019-09-20 清华大学苏州汽车研究院（吴江） 基于实际工况与驾驶风格双识别的混合动力汽车控制方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
Real-time prediction of secondary incident occurrences using vehicle probe data;Hyoshin Park et al.;《Transportion Research Part C: Emerging Technologies》;20160930;第69-75页 *

Also Published As

Publication number Publication date
CN111459995A (zh) 2020-07-28

Similar Documents

Publication Publication Date Title
CN111459995B (zh) 一种基于驾驶数据的多模态车速预测方法
CN107662503B (zh) 基于加速与制动踏板状态的电动汽车制动意图辨识方法
CN111775925B (zh) 一种功率分流混合动力汽车的工作模式决策方法和装置
CN105868787A (zh) 基于工况识别和模糊能耗的电动汽车续驶里程估算方法
CN110262491B (zh) 一种基于混合学习方式的车辆制动意图预测的方法及系统
CN106956680B (zh) 一种电动汽车驾驶行为识别分析方法
CN110682905B (zh) 基于行驶里程的时域中电池荷电状态参考变化量获取方法
CN111783943B (zh) 一种基于lstm神经网络的驾驶员制动强度预测方法
CN113401123B (zh) 融合驾驶模式信息的汽车预测巡航参数自整定控制系统
CN116187161A (zh) 一种智能网联环境下混合动力客车智能能量管理方法及系统
CN113297795A (zh) 一种纯电动汽车行驶工况构建方法
CN111340074B (zh) 基于改进的rbf神经网络的驾驶员制动意图辨识方法
CN115935672A (zh) 一种融合工况预测信息的燃料电池汽车能耗计算方法
CN111348029B (zh) 一种考虑工况的混合动力汽车标定参数最优值确定方法
Yu et al. A-EMCS for PHEV based on real-time driving cycle prediction and personalized travel characteristics
CN113276829B (zh) 一种基于工况预测的车辆行驶节能优化变权重方法
Zhang et al. Environmental screening model of driving behavior for an electric bus entering and leaving stops
CN114526930A (zh) 一种智能网联汽车故障检测方法及系统
CN117261904B (zh) 一种自适应场景与风格的混动汽车驾驶模式决策方法
Pan et al. Driving cycle construction and combined driving cycle prediction for fuzzy energy management of electric vehicles
CN117056765A (zh) 一种车速多时间尺度预测方法、系统、设备、介质及终端
Feng et al. Modelling and simulation for safe following distance based on vehicle braking process
CN112298155A (zh) 一种基于变时域模型预测混合动力卡车耗能的方法
CN115718886A (zh) 纯电动汽车行驶工况的构建方法及装置
CN108791300B (zh) 一种智能化程度高的驾驶系统

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