CN112785845B - 一种基于K-means聚类与RBF神经网络的车速预测方法 - Google Patents

一种基于K-means聚类与RBF神经网络的车速预测方法 Download PDF

Info

Publication number
CN112785845B
CN112785845B CN202011617222.XA CN202011617222A CN112785845B CN 112785845 B CN112785845 B CN 112785845B CN 202011617222 A CN202011617222 A CN 202011617222A CN 112785845 B CN112785845 B CN 112785845B
Authority
CN
China
Prior art keywords
neural network
working condition
rbf neural
speed
training
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
CN202011617222.XA
Other languages
English (en)
Other versions
CN112785845A (zh
Inventor
郑伟光
辛伟伟
许恩永
何水龙
覃记荣
韦尚军
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.)
Guilin University of Electronic Technology
Dongfeng Liuzhou Motor Co Ltd
Original Assignee
Guilin University of Electronic Technology
Dongfeng Liuzhou Motor Co Ltd
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 Guilin University of Electronic Technology, Dongfeng Liuzhou Motor Co Ltd filed Critical Guilin University of Electronic Technology
Priority to CN202011617222.XA priority Critical patent/CN112785845B/zh
Publication of CN112785845A publication Critical patent/CN112785845A/zh
Application granted granted Critical
Publication of CN112785845B publication Critical patent/CN112785845B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
    • G08G1/0125—Traffic data processing
    • 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
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION 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
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION 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
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/40—Business processes related to the transportation industry
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
    • G08G1/0125—Traffic data processing
    • G08G1/0129—Traffic data processing for creating historical data or processing based on historical data
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/052—Detecting movement of traffic to be counted or controlled with provision for determining speed or overspeed

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Business, Economics & Management (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Economics (AREA)
  • Health & Medical Sciences (AREA)
  • Strategic Management (AREA)
  • General Health & Medical Sciences (AREA)
  • Human Resources & Organizations (AREA)
  • Marketing (AREA)
  • Evolutionary Biology (AREA)
  • Biophysics (AREA)
  • General Business, Economics & Management (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Molecular Biology (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Biomedical Technology (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Tourism & Hospitality (AREA)
  • Computational Linguistics (AREA)
  • Computing Systems (AREA)
  • Development Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Game Theory and Decision Science (AREA)
  • Probability & Statistics with Applications (AREA)
  • Primary Health Care (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种基于K‑means聚类与RBF神经网络的车速预测方法，包括，采集历史工况数据进行预处理，形成RBF神经网络训练集；将所述训练集划分为若干个工况块，提取每个工况块的特征参数，基于K‑means聚类算法将所述工况块聚类为三个独立的簇；利用所述K‑means聚类算法构建RBF神经网络速度预测模型，根据划分聚类的所述独立簇进行训练；训练结束的所述预测模型识别前方道路状况，并选择相应的RBF神经网络进行预测。本发明主要应用于基于模型预测控制的能量管理策略，通过K‑means聚类与RBF神经网络对车速的实时预测，有效的提高了车辆速度预测精度，从而进一步提升车辆的燃油经济性。

Description

一种基于K-means聚类与RBF神经网络的车速预测方法
技术领域
本发明涉及车速、神经网络学习的技术领域，尤其涉及一种基于K-means聚类与RBF神经网络的车速预测方法。
背景技术
车辆速度预测的精准性及时效性对基于模型预测控制的混合动力汽车能量管理效果具有极其重要的作用。现有的用于车辆能量管理的速度预测方法中，基于神经网络的预测方法在精准性及时效性方面都有一定的优势。
目前的神经网络速度预测方法在处理采样数据时，将采集到的历史速度数据全部用于训练唯一的速度预测模型。虽然依赖于神经网络强大的泛化能力，该速度预测模型能够在一定程度上反映未来短期车速趋势，但是采用单一模型去预测所有工况会造成预测精度下降。
发明内容
本部分的目的在于概述本发明的实施例的一些方面以及简要介绍一些较佳实施例。在本部分以及本申请的说明书摘要和发明名称中可能会做些简化或省略以避免使本部分、说明书摘要和发明名称的目的模糊，而这种简化或省略不能用于限制本发明的范围。
鉴于上述现有存在的问题，提出了本发明。
因此，本发明提供了一种基于K-means聚类与RBF神经网络的车速预测方法，能够解决目前单一速度预测模型造成预测精度下降的缺陷。
为解决上述技术问题，本发明提供如下技术方案：包括，采集历史工况数据进行预处理，形成RBF神经网络训练集；将所述训练集划分为若干个工况块，提取每个工况块的特征参数，基于K-means聚类算法将所述工况块聚类为三个独立的簇；利用所述K-means聚类算法构建RBF神经网络速度预测模型，根据划分聚类的所述独立簇进行训练；训练结束的所述预测模型识别前方道路状况，并选择相应的RBF神经网络进行预测。
作为本发明所述的基于K-means聚类与RBF神经网络的车速预测方法的一种优选方案，其中：所述历史工况包括，ARB02、LA92、NYCC、REP05、SC03、UNIF01和US06七种标准行驶工况。
作为本发明所述的基于K-means聚类与RBF神经网络的车速预测方法的一种优选方案，其中：包括，将所述历史工况划分为工况块集，采集工况块特征参数，利用Matlab的kmeans函数将所述工况块集划分为三个独立的簇；针对每个簇，调用所述Matlab的RBF神经网络工具箱，以1s为滚动采样区间，定义车辆历史速度信息为神经网络输入、车辆实际速度为期望输出，训练目标指定为车辆实际速度与车速预测模型输出速度的均方误差，其计算公式表示如下，
Figure BDA0002871582890000021
其中，Hp为预测区间长度，N为工况时长，
Figure BDA0002871582890000022
表示时刻i时第i+j秒的预测速度，
Figure BDA0002871582890000023
表示时刻i时第i+j秒的实际速度；当训练所述MSE达到预设训练目标或训练达到最大迭代次数时，终止训练，完成所述RBF神经网络速度预测模型的构建。
作为本发明所述的基于K-means聚类与RBF神经网络的车速预测方法的一种优选方案，其中：包括，定义车辆从起始运动点到停止点之间持续运动的一段工况为一个工况块。
作为本发明所述的基于K-means聚类与RBF神经网络的车速预测方法的一种优选方案，其中：所述特征参数包括，平均速度(m/s)、平均加速度(m/s2)、平均减速度(m/s2)和速度标准差；得到训练样本特征参数集[k11,k12,k13,k14],[k21,k22,k23,k24],……,[kn1,kn2,kn3,kn4]，其中n为工况块的数目。
作为本发明所述的基于K-means聚类与RBF神经网络的车速预测方法的一种优选方案，其中：所述三个独立簇包括，拥挤工况训练数据、畅通工况训练数据和高速工况训练数据。
作为本发明所述的基于K-means聚类与RBF神经网络的车速预测方法的一种优选方案，其中：所述预测模型包括，10个输入层神经元数目、10个输出层神经元和50个隐藏层神经元；所述预测模型分别应用于拥挤、畅通、高速路况的速度预测，其中拥堵工况对应于神经网络1，畅通工况对应于神经网络2，高速工况对用于神经网络3。
作为本发明所述的基于K-means聚类与RBF神经网络的车速预测方法的一种优选方案，其中：所述训练包括，针对所述K-means算法，采用Matlab自带的kmeans函数，其调用格式如下，idx＝kmeans(X,k)其中，X为输入量，表征为以工况块的特征参数为行向量、以工况块数目为列数的数据矩阵，k为聚类数目，设定聚类数目k＝3。
作为本发明所述的基于K-means聚类与RBF神经网络的车速预测方法的一种优选方案，其中：还包括，针对RBF神经网络，则采用Matlab的RBF神经网络工具箱，其调用格式如下，net＝newrb(P,T,goal,spread,MN,DF)其中，P为输入矩阵，T为目标矩阵，goal为均方误差(Mean Squared Error,MSE)目标，spread为径向基函数分布系数，MN为最大神经元数目，DF为目标显示所添加的神经元数。
作为本发明所述的基于K-means聚类与RBF神经网络的车速预测方法的一种优选方案，其中：进行所述预测包括，根据车载GPS导航信息，判断前方所处路段路况；将所述前方路段路况传递给车辆控制器，并作为下一个工况块的路况；若前方处于普通路段且道路拥堵，则在所述下一个工况块内采用所述神经网络1进行未来工况预测；若所述前方处于普通路段且道路畅通，则在所述下一个工况块内采用所述神经网络2进行未来工况预测；若所述前方处于高速路段，则在所述下一个工况块内采用所述神经网络3进行未来工况预测。
本发明的有益效果：本发明主要应用于基于模型预测控制的能量管理策略，通过K-means聚类与RBF神经网络对车速的实时预测，有效的提高了车辆速度预测精度，从而进一步提升车辆的燃油经济性。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其它的附图。其中：
图1为本发明一个实施例所述的基于K-means聚类与RBF神经网络的车速预测方法的流程示意图；
图2为本发明一个实施例所述的基于K-means聚类与RBF神经网络的车速预测方法的RBF神经网络预测模型示意图；
图3为本发明一个实施例所述的基于K-means聚类与RBF神经网络的车速预测方法的工况划分示意图；
图4为本发明一个实施例所述的基于K-means聚类与RBF神经网络的车速预测方法的七种标准工况组合成的训练数据示意图；
图5为本发明一个实施例所述的基于K-means聚类与RBF神经网络的车速预测方法的训练数据集划分示意图；
图6为本发明一个实施例所述的基于K-means聚类与RBF神经网络的车速预测方法的WVUCTTY、UDDS、HWFET三种标准工况测试示意图；
图7为本发明一个实施例所述的基于K-means聚类与RBF神经网络的车速预测方法的两种神经网络的速度预测结果示意图。
具体实施方式
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合说明书附图对本发明的具体实施方式做详细的说明，显然所描述的实施例是本发明的一部分实施例，而不是全部实施例。基于本发明中的实施例，本领域普通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，都应当属于本发明的保护的范围。
在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是本发明还可以采用其他不同于在此描述的其它方式来实施，本领域技术人员可以在不违背本发明内涵的情况下做类似推广，因此本发明不受下面公开的具体实施例的限制。
其次，此处所称的“一个实施例”或“实施例”是指可包含于本发明至少一个实现方式中的特定特征、结构或特性。在本说明书中不同地方出现的“在一个实施例中”并非均指同一个实施例，也不是单独的或选择性的与其他实施例互相排斥的实施例。
本发明结合示意图进行详细描述，在详述本发明实施例时，为便于说明，表示器件结构的剖面图会不依一般比例作局部放大，而且所述示意图只是示例，其在此不应限制本发明保护的范围。此外，在实际制作中应包含长度、宽度及深度的三维空间尺寸。
同时在本发明的描述中，需要说明的是，术语中的“上、下、内和外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一、第二或第三”仅用于描述目的，而不能理解为指示或暗示相对重要性。
本发明中除非另有明确的规定和限定，术语“安装、相连、连接”应做广义理解，例如：可以是固定连接、可拆卸连接或一体式连接；同样可以是机械连接、电连接或直接连接，也可以通过中间媒介间接相连，也可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。
实施例1
参照图1～图5，为本发明的第一个实施例，提供了一种基于K-means聚类与RBF神经网络的车速预测方法，包括：
S1：采集历史工况数据进行预处理，形成RBF神经网络训练集。参照图4，其中需要说明的是：
历史工况包括，ARB02、LA92、NYCC、REP05、SC03、UNIF01和US06七种标准行驶工况；
将历史工况划分为工况块集，采集工况块特征参数，利用Matlab的kmeans函数将工况块集划分为三个独立的簇；
定义车辆从起始运动点到停止点之间持续运动的一段工况为一个工况块。
S2：将训练集划分为若干个工况块，提取每个工况块的特征参数，基于K-means聚类算法将工况块聚类为三个独立的簇。参照图3和图5，本步骤需要说明的是，特征参数包括：
平均速度(m/s)、平均加速度(m/s2)、平均减速度(m/s2)和速度标准差；
得到训练样本特征参数集[k11,k12,k13,k14],[k21,k22,k23,k24],……,[kn1,kn2,kn3,kn4]，其中n为工况块的数目；
三个独立簇包括，拥挤工况训练数据、畅通工况训练数据和高速工况训练数据。
S3：利用K-means聚类算法构建RBF神经网络速度预测模型，根据划分聚类的独立簇进行训练。参照图2，其中还需要说明的是：
针对每个簇，调用Matlab的RBF神经网络工具箱，以1s为滚动采样区间，定义车辆历史速度信息为神经网络输入、车辆实际速度为期望输出，训练目标指定为车辆实际速度与车速预测模型输出速度的均方误差，其计算公式表示如下，
Figure BDA0002871582890000061
其中，Hp为预测区间长度，N为工况时长，
Figure BDA0002871582890000062
表示时刻i时第i+j秒的预测速度，
Figure BDA0002871582890000063
表示时刻i时第i+j秒的实际速度；
当训练MSE达到预设训练目标或训练达到最大迭代次数时，终止训练，完成RBF神经网络速度预测模型的构建。
进一步的，训练包括：
针对K-means算法，采用Matlab自带的kmeans函数，其调用格式如下，
idx＝kmeans(X,k)
其中，X为输入量，表征为以工况块的特征参数为行向量、以工况块数目为列数的数据矩阵，k为聚类数目，设定聚类数目k＝3；
针对RBF神经网络，则采用Matlab的RBF神经网络工具箱，其调用格式如下，
net＝newrb(P,T,goal,spread,MN,DF)
其中，P为输入矩阵，T为目标矩阵，goal为均方误差(Mean Squared Error,MSE)目标，spread为径向基函数分布系数，MN为最大神经元数目，DF为目标显示所添加的神经元数。
S4：训练结束的预测模型识别前方道路状况，并选择相应的RBF神经网络进行预测。本步骤还需要说明的是：
预测模型包括，10个输入层神经元数目、10个输出层神经元和50个隐藏层神经元；
预测模型分别应用于拥挤、畅通、高速路况的速度预测，其中拥堵工况对应于神经网络1，畅通工况对应于神经网络2，高速工况对用于神经网络3。
具体的，进行预测包括：
根据车载GPS导航信息，判断前方所处路段路况；
将前方路段路况传递给车辆控制器，并作为下一个工况块的路况；
若前方处于普通路段且道路拥堵，则在下一个工况块内采用神经网络1进行未来工况预测；
若前方处于普通路段且道路畅通，则在下一个工况块内采用神经网络2进行未来工况预测；
若前方处于高速路段，则在下一个工况块内采用神经网络3进行未来工况预测。
不难理解的是，在现有基于模型预测控制的车辆能量管理策略中，速度预测精度对车辆燃油经济性具有重要的影响，为了进一步提高速度预测精度，在原有RBF神经网络预测模型的基础上，本发明提出了一种基于K-means聚类和RBF神经网络的速度预测模型，相较于优化前的模型，本发明提出的模型将速度分布划分为三个区间：拥堵、畅通和高速，针对每一种速度分布区间，分别构建相应的RBF神经网络预测模型，从而提高整体的速度预测精度；当车辆处于运行状态时，车辆控制器根据GPS反馈的前方道路信息来判断所采用的神经网络模型，从而达到实时预测的目的。
优选的是，现有的速度预测方法主要应用于基于预测的混动车辆能量管理中，速度预测的精准性及预测区间长度对基于预测的能量管理效果(动力性及燃油经济性)有重要作用，而本发明方法从速度预测精准度出发，采用了K-means与RBF神经网络相结合的车速预测方法，提高了速度预测精准性，进而达到提升能量管理效果的目的。
实施例2
为了更好地对本发明方法中采用的技术效果加以验证说明，本实施例选择以传统的RBF神经网络预测方法与本发明方法(基于K-means聚类与RBF神经网络的车速预测)进行对比测试，以科学论证的手段对比试验结果，验证本发明方法所具有的真实效果。
参照图4，本实施例以ARB02、LA92、NYCC、REP05、SC03、UNIF01和US06七种标准行驶工况组合成RBF神经网络训练集，参照图3和图5，将训练集划分成若干个工况块，提取每个工况块的四个特征参数，采用K-means聚类算法，将工况块聚类为三个独立的簇，分别采用三个簇中的数据构建三个不同的RBF神经网络速度预测模型，神经网络结构为10-50-10，即输入层神经元数目为10个，输出层神经元为10个，隐藏层神经元为50个。
参照图6，本实施例采用WVUCITY、UDDS和HWFET三种标准工况组合成测试工况，MATLB为仿真平台，以验证本方法的有效性，WVUCITY为城市拥堵工况，车辆速度较慢且车辆启停频繁，将其作为拥堵路况，并采用神经网络1进行预测；UDDS工况为典型的城市行驶工况，车速中等，伴有较低频率的车辆启停，将其作为畅通路况，并采用神经网络2进行预测；HWFET工况为高速行驶工况，车速高且极少启停，将其作为高速路况，并采用神经网络3进行预测。
表1：传统方法与本发明方法的速度预测结果数据表。
方法 RBF K-means+RBF MSE优化
数值 5.0447 4.5798 9.22％
参照表1和图7，为传统方法(RBF)与本发明方法(K-means+RBF)输出的速度预测结果数据，基于给定的组合工况，本发明方法相较于传统方法，在整个时域上的MSE达到4.5798，均方误差(Mean square error,MSE)方面提升9.22％。
应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的精神和范围，其均应涵盖在本发明的权利要求范围当中。

Claims (7)

1.一种基于K-means聚类与RBF神经网络的车速预测方法，其特征在于：包括，
采集历史工况数据进行预处理，形成RBF神经网络训练集；
将所述训练集划分为若干个工况块，提取每个工况块的特征参数，基于K-means聚类算法将所述工况块聚类为三个独立簇；
利用所述K-means聚类算法构建RBF神经网络速度预测模型，根据划分聚类的所述独立簇进行训练；
包括，
将历史工况划分为工况块集，采集工况块特征参数，利用Matlab的kmeans函数将所述工况块集划分为三个独立簇；
针对每个簇，调用所述Matlab的RBF神经网络工具箱，以1s为滚动采样区间，定义车辆历史速度信息为神经网络输入、车辆实际速度为期望输出，训练目标指定为车辆实际速度与车速预测模型输出速度的均方误差，其计算公式表示如下，
Figure FDA0003845383020000011
其中，Hp为预测区间长度，N为工况时长，
Figure FDA0003845383020000012
表示时刻i时第i+j秒的预测速度，
Figure FDA0003845383020000013
表示时刻i时第i+j秒的实际速度；
当训练所述MSE达到预设训练目标或训练达到最大迭代次数时，终止训练，完成所述RBF神经网络速度预测模型的构建；
训练结束的所述预测模型识别前方道路状况，并选择相应的RBF神经网络进行预测；
所述预测模型包括，10个输入层神经元数目、10个输出层神经元和50个隐藏层神经元；
所述预测模型分别应用于拥挤、畅通、高速路况的速度预测，其中拥挤工况对应于神经网络1，畅通工况对应于神经网络2，高速工况对应于神经网络3；
进行所述预测包括，
根据车载GPS导航信息，判断前方所处路段路况；
将前方路段路况传递给车辆控制器，并作为下一个工况块的路况；
若前方处于普通路段且道路拥挤，则在所述下一个工况块内采用所述神经网络1进行未来工况预测；
若前方处于普通路段且道路畅通，则在所述下一个工况块内采用所述神经网络2进行未来工况预测；
若前方处于高速路段，则在所述下一个工况块内采用所述神经网络3进行未来工况预测。
2.根据权利要求1所述的基于K-means聚类与RBF神经网络的车速预测方法，其特征在于：所述历史工况包括，ARB02、LA92、NYCC、REP05、SC03、UNIF01和US06七种标准行驶工况。
3.根据权利要求2所述的基于K-means聚类与RBF神经网络的车速预测方法，其特征在于：包括，定义车辆从起始运动点到停止点之间持续运动的一段工况为一个工况块。
4.根据权利要求3所述的基于K-means聚类与RBF神经网络的车速预测方法，其特征在于：所述特征参数包括，平均速度(m/s)、平均加速度(m/s2)、平均减速度(m/s2)和速度标准差；
得到训练样本特征参数集[K11,K12,K13,K14],[K21,K22,K23,K24],……,[Kn1,Kn2,Kn3,Kn4]，其中n为工况块的数目。
5.根据权利要求4所述的基于K-means聚类与RBF神经网络的车速预测方法，其特征在于：所述三个独立簇包括，拥挤工况训练数据、畅通工况训练数据和高速工况训练数据。
6.根据权利要求5所述的基于K-means聚类与RBF神经网络的车速预测方法，其特征在于：所述训练包括，
针对所述K-means算法，采用Matlab自带的kmeans函数，其调用格式如下，
idx＝kmeans(X,k)
其中，X为输入量，表征为以工况块的特征参数为行向量、以工况块数目为列数的数据矩阵，k为聚类数目，设定聚类数目k＝3。
7.根据权利要求6所述的基于K-means聚类与RBF神经网络的车速预测方法，其特征在于：还包括，
针对RBF神经网络，则采用Matlab的RBF神经网络工具箱，其调用格式如下，
net＝newrb(P,T,goal,spread,MN,DF)
其中，P为输入矩阵，T为目标矩阵，goal为均方误差(Mean Squared Error,MSE)目标，spread为径向基函数分布系数，MN为最大神经元数目，DF为目标显示所添加的神经元数。
CN202011617222.XA 2020-12-30 2020-12-30 一种基于K-means聚类与RBF神经网络的车速预测方法 Active CN112785845B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011617222.XA CN112785845B (zh) 2020-12-30 2020-12-30 一种基于K-means聚类与RBF神经网络的车速预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011617222.XA CN112785845B (zh) 2020-12-30 2020-12-30 一种基于K-means聚类与RBF神经网络的车速预测方法

Publications (2)

Publication Number Publication Date
CN112785845A CN112785845A (zh) 2021-05-11
CN112785845B true CN112785845B (zh) 2022-11-01

Family

ID=75754138

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011617222.XA Active CN112785845B (zh) 2020-12-30 2020-12-30 一种基于K-means聚类与RBF神经网络的车速预测方法

Country Status (1)

Country Link
CN (1) CN112785845B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113492827A (zh) * 2021-06-23 2021-10-12 东风柳州汽车有限公司 一种混合动力汽车能量管理方法及装置
CN114030476B (zh) * 2021-10-27 2023-06-20 东风汽车集团股份有限公司 一种车辆加速度控制方法及相关设备
CN114572053B (zh) * 2022-03-04 2024-08-02 中南大学 一种基于工况识别的电动汽车能量管理方法及系统

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103019267A (zh) * 2012-12-10 2013-04-03 华东交通大学 高速列车anfis建模与运行速度预测控制方法
CN104742888A (zh) * 2015-02-06 2015-07-01 中国第一汽车股份有限公司 全驱车辆参考车速实时检测方法
CN105946861A (zh) * 2016-06-02 2016-09-21 大连理工大学 一种基于驾驶意图识别的nar神经网络车速预测方法
CN106990763A (zh) * 2017-04-20 2017-07-28 浙江大学 一种基于数据挖掘的立磨运行调控系统及方法
CN107463992A (zh) * 2017-08-01 2017-12-12 北京理工大学 一种混合动力车辆行驶工况基于片段波形训练的工况预测方法
CN109159785A (zh) * 2018-07-19 2019-01-08 重庆科技学院 一种基于马尔可夫链与神经网络的汽车行驶工况预测方法
CN111260118A (zh) * 2020-01-10 2020-06-09 天津理工大学 一种基于量子粒子群优化策略的车联网交通流量预测方法
WO2020198189A1 (en) * 2019-03-25 2020-10-01 Zoox, Inc. Pedestrian prediction based on attributes
CN112101684A (zh) * 2020-11-10 2020-12-18 北京理工大学 一种插电式混合动力车辆实时能量管理方法和系统

Family Cites Families (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103914985B (zh) * 2014-04-25 2015-10-28 大连理工大学 一种混合动力客车未来车速轨迹预测方法
US10012993B1 (en) * 2016-12-09 2018-07-03 Zendrive, Inc. Method and system for risk modeling in autonomous vehicles
CN107516107A (zh) * 2017-08-01 2017-12-26 北京理工大学 一种混合动力车辆的行驶工况分类预测方法
CN107688343B (zh) * 2017-08-01 2019-12-06 北京理工大学 一种混合动力车辆的能量控制方法
CN107516146A (zh) * 2017-08-01 2017-12-26 北京理工大学 一种基于滚动预测的混合动力车辆行驶工况的工况预测方法
US10902336B2 (en) * 2017-10-03 2021-01-26 International Business Machines Corporation Monitoring vehicular operation risk using sensing devices
US10414395B1 (en) * 2018-04-06 2019-09-17 Zoox, Inc. Feature-based prediction
CN108877226B (zh) * 2018-08-24 2020-08-18 交通运输部规划研究院 景区交通旅游预测方法及预警系统
CN110610260B (zh) * 2019-08-21 2023-04-18 南京航空航天大学 行车能耗预测系统、方法、存储介质和设备
CN111009134A (zh) * 2019-11-25 2020-04-14 北京理工大学 一种基于前车与自车互动的短期车速工况实时预测方法
CN111815948B (zh) * 2020-06-12 2022-04-22 南京航空航天大学 基于工况特征的车辆行驶工况预测方法

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103019267A (zh) * 2012-12-10 2013-04-03 华东交通大学 高速列车anfis建模与运行速度预测控制方法
CN104742888A (zh) * 2015-02-06 2015-07-01 中国第一汽车股份有限公司 全驱车辆参考车速实时检测方法
CN105946861A (zh) * 2016-06-02 2016-09-21 大连理工大学 一种基于驾驶意图识别的nar神经网络车速预测方法
CN106990763A (zh) * 2017-04-20 2017-07-28 浙江大学 一种基于数据挖掘的立磨运行调控系统及方法
CN107463992A (zh) * 2017-08-01 2017-12-12 北京理工大学 一种混合动力车辆行驶工况基于片段波形训练的工况预测方法
CN109159785A (zh) * 2018-07-19 2019-01-08 重庆科技学院 一种基于马尔可夫链与神经网络的汽车行驶工况预测方法
WO2020198189A1 (en) * 2019-03-25 2020-10-01 Zoox, Inc. Pedestrian prediction based on attributes
CN111260118A (zh) * 2020-01-10 2020-06-09 天津理工大学 一种基于量子粒子群优化策略的车联网交通流量预测方法
CN112101684A (zh) * 2020-11-10 2020-12-18 北京理工大学 一种插电式混合动力车辆实时能量管理方法和系统

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
基于k-means聚类与径向基神经（RBF）网络的电力系统日负荷预测;张庆新;《科学技术与工程》;20131231;第13卷(第34期);全文 *
基于K-均值聚类算法RBF神经网络交通流预测;管硕，高军伟;《青岛大学学报（工程技术版）》;20140630;第29卷(第2期);全文 *

Also Published As

Publication number Publication date
CN112785845A (zh) 2021-05-11

Similar Documents

Publication Publication Date Title
CN112785845B (zh) 一种基于K-means聚类与RBF神经网络的车速预测方法
CN113034210B (zh) 一种基于数据驱动场景下车辆行驶成本评价方法
CN111267830B (zh) 一种混合动力公交车能量管理方法、设备和存储介质
CN106427589A (zh) 基于工况预测和模糊能耗的电动汽车续驶里程估算方法
Li et al. Research on optimized GA-SVM vehicle speed prediction model based on driver-vehicle-road-traffic system
CN112101684B (zh) 一种插电式混合动力车辆实时能量管理方法和系统
CN104731963B (zh) 一种基于车联网的网格化路径推荐方法及系统
CN114495527A (zh) 一种混合交通环境下网联交叉口车路协同优化方法及系统
CN112614336B (zh) 一种基于量子随机游走的交通流模态拟合方法
CN112182962A (zh) 一种混合动力汽车行驶车速预测方法
CN112613128B (zh) 续航里程的预测方法、装置、设备、车辆和存储介质
CN115107733A (zh) 一种混合动力汽车的能量管理方法及系统
CN117400785A (zh) 纯电续航里程的预测方法、装置、电子设备及车辆
CN113479187B (zh) 一种插电式混合动力汽车分层异步长能量管理方法
CN118334869A (zh) 一种基于交通流理论与ctm的交通状态估计方法及设备
CN112098869B (zh) 一种基于大数据的自适应电动汽车soc估计方法
CN114444922A (zh) 一种群体智能控制下的混合交通效能评估方法
CN117634806A (zh) 电动汽车负荷聚合方法、系统、设备及介质
CN117549750A (zh) 一种新能源车的里程预测方法及装置
CN113552803B (zh) 一种基于工况识别的能量管理方法
CN115080388B (zh) 一种面向自动驾驶系统的仿真测试场景生成方法
CN113788007A (zh) 一种分层式实时能量管理方法和系统
CN114548513A (zh) 一种基于机器学习的城市居民出行方式选择方法
CN111210088B (zh) 一种基于时空因素的交通状态指数预测方法
CN112660127B (zh) 一种基于深度迁移学习的列队混动卡车cacc能量管理方法

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