CN113095558B - 一种智能网联汽车的迭代优化多尺度融合车速预测方法 - Google Patents
一种智能网联汽车的迭代优化多尺度融合车速预测方法 Download PDFInfo
- Publication number
- CN113095558B CN113095558B CN202110358430.0A CN202110358430A CN113095558B CN 113095558 B CN113095558 B CN 113095558B CN 202110358430 A CN202110358430 A CN 202110358430A CN 113095558 B CN113095558 B CN 113095558B
- Authority
- CN
- China
- Prior art keywords
- vehicle speed
- global
- local
- vehicle
- model
- 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
- 230000004927 fusion Effects 0.000 title claims abstract description 75
- 238000000034 method Methods 0.000 title claims abstract description 55
- 238000005457 optimization Methods 0.000 title claims abstract description 20
- 239000011159 matrix material Substances 0.000 claims abstract description 43
- 230000007704 transition Effects 0.000 claims abstract description 35
- 238000012546 transfer Methods 0.000 claims abstract description 3
- 238000012937 correction Methods 0.000 claims description 22
- 238000004364 calculation method Methods 0.000 claims description 17
- 230000006870 function Effects 0.000 claims description 13
- 230000006855 networking Effects 0.000 claims description 13
- 230000008569 process Effects 0.000 claims description 11
- 239000013598 vector Substances 0.000 claims description 11
- 230000001133 acceleration Effects 0.000 claims description 9
- 238000013528 artificial neural network Methods 0.000 claims description 8
- 238000012549 training Methods 0.000 claims description 8
- 238000010606 normalization Methods 0.000 claims description 4
- 230000015654 memory Effects 0.000 claims description 3
- 238000004422 calculation algorithm Methods 0.000 description 6
- 238000007726 management method Methods 0.000 description 4
- 238000004891 communication Methods 0.000 description 3
- 230000006872 improvement Effects 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000002485 combustion reaction Methods 0.000 description 2
- 238000005034 decoration Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 230000014759 maintenance of location Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000007500 overflow downdraw method Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004883 computer application Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000004134 energy conservation Methods 0.000 description 1
- 239000000446 fuel Substances 0.000 description 1
- 230000001939 inductive effect Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
Classifications
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/29—Graphical models, e.g. Bayesian networks
- G06F18/295—Markov models or related models, e.g. semi-Markov models; Markov random fields; Networks embedding Markov models
-
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16Y—INFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE INTERNET OF THINGS [IoT]
- G16Y40/00—IoT characterised by the purpose of the information processing
- G16Y40/20—Analytics; Diagnosis
-
- 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
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Marketing (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Bioinformatics & Computational Biology (AREA)
- Multimedia (AREA)
- Entrepreneurship & Innovation (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- General Engineering & Computer Science (AREA)
- Development Economics (AREA)
- Evolutionary Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Databases & Information Systems (AREA)
- Primary Health Care (AREA)
- Traffic Control Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种智能网联汽车的迭代优化多尺度融合车速预测方法,包括以下步骤:步骤1,针对不同驾驶风格的司机,分别建立多个回归模型;步骤2,赋予步骤1中各回归模型在某一时刻t的归一化的全局模型权重μ(t),获得全局融合预测车速;步骤3,建立局部车速预测模型;步骤4,在全局和局部车速在局部时间窗口内的加权平均,并通过概率转移矩阵进行模型概率更新,得到全局‑局部融合预测车速;步骤5,修正步骤4中的全局‑局部模型权重及概率转移矩阵;步骤6,计算得到校准的全局融合预测车速;步骤7,重复步骤2到步骤6。本发明的预测车速误差小,精度大。
Description
技术领域
本发明涉及智能网联汽车技术领域,特别是涉及一种智能网联汽车的迭代优化多尺度融合车速预测方法。
背景技术
节能、环保、安全是当今汽车工业发展的三大主题。新能源、智能网联和自动驾驶技术是行业的战略发展方向。其中,基于智能网联的车辆安全性提升和内燃动力的燃油经济性优化是有重要价值的研究主题。
具体而言,预测未来车速,提前采取控制措施是保证车辆安全的重要途径之一。对于混合动力车辆(HEV)而言,制定最优的能量管理策略也需要未来的车速信息。虽然车速预测有着广阔的应用空间和巨大的研究价值,但其实现过程却非常困难。其根本原因在于,车速受到司机驾驶风格、交通流,以及道路交通设施等多因素的影响,具有显著的时变性和非线性特征。
过去,大量学者通过统计学的方法,试图预测固定线路车辆的全局(整个运行路线上的)车速信息。在文献(游锦明,方守恩,唐棠,张兰芳.不良交通流状态实时监测支持向量机模型算法研究[J].交通运输系统工程与信息,2018,18(04):83-87+95.)和文献(X.Tan,W.Shen,Z.Guo.Vision-based method for traffic flow surveillance on highway[J].Computer Applications,2005,25(5):1215-1218.)中,作者用车载GPS系统采集了固定线路上的车速信息,进而利用神经网络算法对该线路上未来几分钟内的车速进行预测。结果显示,该方法可以有效地估计出未来的道路拥堵情况。燃,由于全局预测是纯粹基于历史数据的,因此通常只适用于交通流和驾驶员风格较为确定的固定路线。对于实时运行中的不确定性因素难以有效考虑。
近年来,实时的局部(未来数秒钟)车速预测被众多学者广泛研究。譬如,文献(J.Zhang,F.Xu,Y.Zhang,et al.ELM-based driver torque demand prediction andreal-time optimal energy management strategy for HEVs[J].Neural Computing andApplications,2019:1-19.)介绍了极限学习机(ELM)方法,文献(B.Zhang,J.Zhang,F.Xu,et al.Optimal control of power-split hybrid electric powertrains withminimization of energy consumption[J].Applied Energy,2020,266.)尝试了高斯过程回归(GPR)的驾驶员需求预测方法。文献(F.Ding,W.Wang,C.Xiang,et al.SpeedPrediction Method and Energy Management Strategy for a Hybrid ElectricVehicle Based on Driving Condition Classification[J].Automotive Engineering,2017,39(11):1223-1231.)提出了基于马尔可夫链对平稳工况下的车速进行预测,基于径向基函数(RBF)神经网络对快变工况下的车速进行预测,以获得最优的预测精度。文献(J.Ziegmann,J.Shi,T.Schnorer,et al.Analysis of individual driver velocityprediction using data-driven driver models with environmental features[C].IEEE Intelligent Vehicles Symposium(IV),2017.)研究了用于车速预测的不同人工神经网络模型和核回归方法。结果表明,长-短期记忆神经网络(LSTM)能准确预测车速。然而,这些实时预测算法的预测尺度较短,通常为未来几秒钟。它们可以用于安全辅助驾驶,但在内燃动力的能效优化方面难以发挥很大的作用。
中国专利CN 107351840 A中公开发明了一种基于的汽车节能路径及经济车速动态规划方法,通过V2I技术与电子地图直接进行实时通讯,根据电子地图获得所有从起点到终点的路径,并对每条路径进行分段,获取每条路径各个分段的实时工况信息。该方法获取的工况信息来源过于单一,并没有考虑车辆行驶过程中所遇到的一些近场信息,与实际的理想工况差距较大。
中国专利CN 105759753 A中公开了一种基于V2X的混合动力汽车的分层能量管理优化控制方法,通过车联网进行车与车通信以及车与交通设施通信;并通过交通信号灯正时和上层控制器集成的模型预测算法,获取给定时间窗口的最优目标车速序列,之后传递给驾驶员。但是该专利所述方案只是基于交通信号灯信号来预测汽车的经济车速并使车辆跟踪经济车速,并没有从实时工况信息(自车的实时车速)的角度出发进行车速的预测。
中国专利CN 109064760 B公开一种数据驱动的智能鲁棒车速实时规划方法及系统。所述方法包括:获取目标路段中各分段的车辆行驶信息;根据所述行驶信息得到路段随机延时变量与所述随机延时变量相对应的概率密度函数、路段内禁止通行时间;建立道路模型。但该方法对于全局车速的预测能力有限。
通过上述分析可以看到,目前的预测算法要么关注局部车速,要么关注全局车速。更重要的是,现有方法对于驾驶风格差异的考虑不足。这些局限性,给车速控制性能的提升带来了很多局限性。为此,发明一种考虑司机驾驶风格,能够融合实时交通信息、车辆网信息,以及历史数据的车速预测算法,对于车辆行驶安全和能效提升具有重要意义。
发明内容
本发明的目的是针对现有技术中车速预测方法存在缺陷的问题,而提供一种智能网联汽车的迭代优化多尺度融合车速预测方法。
为实现本发明的目的所采用的技术方案是:
一种智能网联汽车的迭代优化多尺度融合车速预测方法,包括以下步骤:
步骤1,针对不同驾驶风格的司机,分别建立以车辆的位置及车联网信息为输入,以未来的全局车速为输出的多个回归模型,并利用历史数据对各个回归模型分别进行训练;
步骤2,赋予步骤1中各回归模型在某一时刻t的归一化的全局模型权重μ(t),各个回归模型预测的车速依据μ(t)进行加权平均,获得全局融合预测车速;
步骤3,建立以本车行驶的当前及过去短时车速信息和车联网信息为输入,以未来短期的局部预测车速为输出的局部车速预测模型,采用相关历史数据对预测模型进行训练;
步骤4,赋予步骤2得到的全局融合预测车速和步骤3得到的局部预测车速归一化后的全局-局部模型权重,实现全局和局部车速在局部时间窗口内的加权平均,并通过概率转移矩阵进行模型概率更新,得到全局-局部融合预测车速;
步骤5,根据步骤4中局部时间窗口内所预测的全局-局部融合预测车速与当前实际车速的偏差,修正步骤4中的全局-局部模型权重及概率转移矩阵;
步骤6,在步骤2中的所述全局融合预测车速中提取全局加速度信息a(t),基于a(t)和所述步骤4中获得的所述全局-局部融合预测车速,计算得到拓展的全局-局部融合预测车速,即:v=v0+∫a dt,其中,v0是全局-局部融合预测车速中局部时间窗口内的最后一个时刻的车速;
步骤7,在下一个时刻,重复步骤2到步骤6的计算过程,更新上一时刻的校准的全局-局部融合预测车速。
在上述技术方案中,所述步骤2中,全局模型权重μ(t)通过1号马尔可夫概率转移概率转移矩阵P(t)进行实时更新,即其中,‖f(Error)‖为相应回归模型的车速预测误差的函数,1表示1个离散时间步长,P(t)同时根据和μ进行校正。
在上述技术方案中,所述步骤2中,1号马尔可夫概率转移概率转移矩阵P(t)如公式(1)所示,其中Pij表示由第i个预测模型转移到第j个预测模型的概率,
其中,
其中,τ为概率转移矩阵的修正系数,影响了概率转移矩阵的误差修正的快慢。
在上述技术方案中,所述步骤3中,所述的局部车速预测模型输入包括但不限于车辆行驶中当前以及过去n秒的车速数据、车辆位置信息和车联网信息,输出为未来m秒的车速,优选的,n为3-5s,m为3-5s。
在上述技术方案中,所述车联网信息包括交通灯状态和时间、前车位置和车速、前方交通状况,所述车联网信息通过V2X传送。
在上述技术方案中,所述步骤3中,采用长短期记忆神经网络预测未来短期的局部车速。
在上述技术方案中,所述步骤4中,采用2号马尔可夫概率转移矩阵进行权重更新。
与现有技术相比,本发明的有益效果是:
1.本发明车速预测方法为考虑驾驶风格、车联网信息及历史数据迭代优化的多尺度融合预测方法。针对司机驾驶风格对未来车速有显著地不确定性影响的问题,本发明提出了基于多种驾驶风格预测车速的自学习自趋优融合方法,在车辆行驶过程中不断提升对全局车速的预测精度,提高了对驾驶风格的适应性。试验验证结果表明,相对于未融合的全局预测车速,本发明的融合全局预测车速最大误差降低了61.3%。
2.对传统基于历史数据的全局车速预测方法对当前实时车速考虑不足的问题,本发明提出了局部预测车速与全局预测车速加权融合的预测方法,有效兼顾了两个尺度预测结果各自的优势。相对于传统基于历史数据的全局车速预测方法,本发明所提出的全局-局部融合的车速预测方法的预测精度最大改善了70.67%。
附图说明
图1为本发明的车速预测框图;
图2为本发明实施例中全局车速预测及融合的结果;
图3为本发明实施例中全局车速预测及融合的平均误差;
图4为本发明实施例中在起点处全局-局部车速预测融合结果;
图5为本发明实施例在3/4点处全局-局部车速预测融合结果;
具体实施方式
以下结合具体实施例对本发明作进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
实施例1
一种智能网联汽车的迭代优化多尺度融合车速预测方法,包括以下步骤:
步骤1,针对不同驾驶风格的司机,分别建立以车辆的位置及车联网信息为输入,以未来的全局车速为输出的多个回归模型,并利用历史数据对各个回归模型分别进行训练;
步骤2,赋予步骤1中各回归模型在某一时刻t的归一化的全局模型权重μ(t),各个回归模型预测的车速依据μ(t)进行加权平均,获得全局融合预测车速;
步骤3,建立以本车行驶的当前及过去短时车速信息和车联网信息为输入,以未来短期的局部预测车速为输出的局部车速预测模型,采用相关历史数据对预测模型进行训练;
步骤4,赋予步骤2得到的全局融合预测车速和步骤3得到的局部预测车速归一化后的全局-局部模型权重,实现全局和局部车速在局部时间窗口内的加权平均,并通过概率转移矩阵进行模型概率更新,得到全局-局部融合预测车速;
步骤5,根据步骤4中局部时间窗口内所预测的全局-局部融合预测车速与当前实际车速的偏差,修正步骤4中的全局-局部模型权重及概率转移矩阵;
步骤6,在步骤2中的所述全局融合预测车速中提取全局加速度信息a(t),基于a(t)和所述步骤4中获得的所述全局-局部融合预测车速,计算得到拓展的全局融合预测车速,即:v=v0+∫a dt,其中,v0是全局-局部融合预测车速中局部时间窗口内的最后一个时刻的车速;
步骤7,在下一个时刻,重复步骤2到步骤6的计算过程,更新上一时刻的所述的校准的全局融合预测车速。
实施例2
一种智能网联汽车的迭代优化多尺度融合车速预测方法,包括以下步骤:
步骤1,首先,针对不同驾驶风格的司机,分别建立以车辆位置及车联网信息为输入,以未来的全局车速为输出的多个回归模型,并利用历史数据对各个模型分别进行训练。
优选的,针对过去同一段线路,利用包括温和型、正常型、激进型的3种不同驾驶风格的历史数据,对高斯过程回归(GPR)模型进行训练。具体,以车辆位置、交通灯状态及其时间作为输入,以此段路线的未来车速为输出。
对于GPR模型,考虑如下模型:
y=f(x)+ε (7)
其中,K(x,x)为输入向量的协方差矩阵,用来度量输入向量之间的关系;In为单位矩阵,下标n表示矩阵维度。注:简单起见,此处假设先验均值为0。根据多元联合分布原理,可知待预测输出f*和y的联合先验分布满足:
其中f*表示全局预测车速。
由联合正态分布的边缘分布和性质可以得到其后验分布:
训练后的GPR模型根据车辆的实时位置信息输入可以预测出3种驾驶风格的全局车速。
图2展示的是GPR对不同驾驶风格的车速全局预测结果,可以看到:激进型司机行驶过程中的加速度比较大,而温和型司机的车速轨迹相对平稳,加速度较小。
步骤2,赋予各模型在某一时刻t的归一化的全局模型权重μ(t),各个模型预测的车速依据μ(t)进行加权平均,即可获得全局融合预测车速。全局模型权重μ(t)通过1号马尔可夫概率转移概率转移矩阵P(t)进行实时更新,即其中,为各个模型的车速预测误差的函数,1表示1个离散时间步长。P(t)也需要根据和μ进行校正。
优选的,建立1号马尔可夫概率转移矩阵对三种驾驶风格的全局预测车速进行模型概率融合,形成全局融合预测车速。在该部分r=3,表示有温和、正常和激进,共3种类型的驾驶风格模型。概率转移矩阵P(t)定义如下其中Pij表示由第i个预测模型转移到第j个预测模型的概率,P0为本例中1号马尔可夫概率转移矩阵的初始值:
同时模型权重μ初始化为μ0=[0.8 0.1 0.1](推荐值,但不限于该取值),表明正常型、温和型和激进型驾驶风格的初始概率分别为80%、10%和10%。
模型权重μ在t时刻的计算公式如(12)所示:
其中r为模型的个数。
其中,Z(t)为t时刻的实际车速矩阵;γ为待标定比例系数,用于调节误差修正的速率;Serror为用于归一化的缩放系数,为在t-λ时刻对t时刻的预测车速,其中λ表示预测的步长,该部分λ=1,表示1秒的修正长度。
根据和μ来对P(t)进行校正,以此来提高模型转移概率的准确性。对于模型j而言,其概率满足非负性,且取值范围为[0,1]。为了刻画其概率变换,本例使用指数函数来描述模型概率的增加或减小。模型j的概率修正系数ηj(t)定义如下
其中,
(17)中,τ为概率转移矩阵的修正系数,影响了概率转移矩阵的误差修正的快慢。该部分的推荐取值为τ=1.5。
优选的,根据当前的实际车速,采用上述(7)-(17)的方法对GPR预测的3种驾驶风格的全局车速进行融合。因此,它能更好地适应当前司机的驾驶风格,从而得到更准确的全局预测车速。
图2表明了通过GPR预测的三种不同驾驶风格的全局车速与当前车速的比较。可以看出,通过融合得到的预测车速轨迹比单独用GPR预测的三种驾驶风格的全局车速更接近与实际车速。
图3表明了在行驶过程中,分别在起点、中点和终点利用相应的信息进行全局预测的对比曲线。可以看出,车辆在起点、中点和终点时全局融合预测车速的平均误差分别约为2.55、2.07和1.71km/h,不断减小。即,该方法具备自学习、自适应和自趋优的特点。
步骤3,建立以本车行驶的历史车速信息和车联网信息为输入,以未来短期的局部预测车速为输出的局部车速预测模型,采用相关历史数据对预测模型进行训练。选用输入包括但不限于车辆行驶中当前和过去n(n推荐为3-5)秒的车速数据、车辆位置信息、交通灯信息、前车的位置的车速,输出为未来m(m推荐为3-5s)秒的车速。
优选的,但不限于采用长短期记忆(LSTM)神经网络预测未来短期的局部车速。输入门控制输入信息,即当前和过去3秒的车速。遗忘门控制细胞的历史状态信息的遗忘或保留,这将输出一个介于0和1之间的数字(0表示全部遗忘,1表示全部保留)和输出门共同控制模型的输出信息(未来3秒的车速)。该部分为领域内技术人员熟知技术不再赘述。LSTM可以参考(王鑫,吴际,刘超,杨海燕,杜艳丽,牛文生.基于LSTM循环神经网络的故障时间序列预测[J].北京航空航天大学学报,2018,44(04):772-784.)。
步骤4,如步骤2中的方法所述的模型概率融合方法,赋予步骤2和步骤3中得到的全局融合预测车速和局部预测车速初始权重μ(t),实现全局和局部车速在局部时间窗口内的加权平均,通过2号马尔可夫转移概率矩阵P(t)进行实时更新,即其中,为各个模型的车速预测误差的函数,1表示1个离散时间步长。P(t)也需要根据和μ进行校正。
优选的,如步骤2种的方法,建立2号马尔科夫概率转移矩阵,该部分r=2,表示全局预测车速和局部预测车速2个模型。其中模型权重初始化为μ1=[0.6 0.4],表示起初赋予全局预测车速60%的权重和局部预测车速40%的权重,P1为2号马尔可夫概率转移矩阵的初始值。
全局或局部模型的权重μ在t时刻的计算公式如(23)所示:
其中r为模型的个数,在此部分r为2。
步骤5,根据局部时间窗口内所预测的车速与当前实际车速的偏差,参考步骤2中对μ(t)和P(t)的修正方法,对该步骤中全局和局部车速预测模型的权重和2号马尔可夫概率转移矩阵进行修正。
其中,Z(t)为t时刻的实际车速矩阵;γ为待标定比例系数,用于调节误差修正的速率;Serror为用于归一化的缩放系数,为在t-λ时刻对t时刻的全局-局部融合预测车速,其中λ表示预测的步长,该部分λ=1,表示1秒的修正长度。
根据和μ来对P(t)进行校正,以此来提高模型转移概率的准确性。对于模型j而言,其概率满足非负性,且取值范围为[0,1]。为了刻画其概率变换,本例使用指数函数来描述模型概率的增加或减小。模型k的概率修正系数ηk(t)定义如下
其中,
(17)中,τ为概率转移矩阵的修正系数,影响了概率转移矩阵的误差修正的快慢。该部分的推荐取值为τ=1.5。
步骤6,在步骤2中的全局融合预测车速中提取全局加速度信息a(t)。基于a(t)和步骤4中获得的全局-局部融合预测车速,计算得到拓展的全局融合预测车速,即:v=v0+∫adt。其中,v0是全局-局部融合预测车速中局部时间窗口内的最后一个时刻的车速。
优选的,为了保证步骤4中的全局-局部融合预测车速在3s后的合理性与平滑性,对步骤2中全局融合预测车速进行求导得到加速度信息a(t),然后将该加速积分,从而对全局-局部融合预测的结果进行扩展,得到最终的融合预测车速。
步骤7,在下一个时刻,重复步骤2到步骤6的计算过程,更新上一时刻的“校准的全局融合预测车速”。
实施例3
图4和图5显示了车辆在不同位置处全局-局部融合预测方法的测试结果。结果表明,在3s预测范围内,实际车速与全局预测车速有一定的偏差,融合后的预测车速几乎介于全局预测速度和实际速度轨迹之间。融合预测车速的平均误差比全局预测下降了70.67%,说明基于LSTM的局部预测对全局预测车速进行修正后的车速精度明显提升。另外,车辆在3/4里程处的预测误差比在起点下降了7.1%,这是因为每个模型的概率都是通过马尔可夫转移概率矩阵和误差反馈校正不断提高的,使得预测方法在车辆行驶过程中会自我完善,从而不断提高预测性能。
以上所述仅是本发明的优选实施方式,应当指出的是,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (9)
1.一种智能网联汽车的迭代优化多尺度融合车速预测方法,其特征在于,包括以下步骤:
步骤1,针对不同驾驶风格的司机,分别建立以车辆的位置及车联网信息为输入,以未来的全局车速为输出的多个回归模型,并利用历史数据对各个回归模型分别进行训练,所述车联网信息包括车辆位置、交通灯状态及其时间;
步骤2,赋予步骤1中各回归模型在某一时刻t的归一化的全局模型权重μ(t),各个回归模型预测的车速依据μ(t)进行加权平均,获得全局融合预测车速;
步骤3,建立以本车行驶的当前及过去短时车速信息和车联网信息为输入,以未来短期的局部预测车速为输出的局部车速预测模型,采用相关历史数据对预测模型进行训练,所述的局部车速预测模型输入包括但不限于车辆行驶中当前以及过去n秒的车速数据、车辆位置信息和车联网信息,输出为未来m秒的车速,所述车联网信息包括交通灯状态和时间、前车位置和车速、前方交通状况;
步骤4,赋予步骤2得到的全局融合预测车速和步骤3得到的局部预测车速归一化后的全局-局部模型权重,实现全局和局部车速在局部时间窗口内的加权平均,并通过概率转移矩阵进行模型概率更新,得到全局-局部融合预测车速;
步骤5,根据步骤4中局部时间窗口内所预测的全局-局部融合预测车速与当前实际车速的偏差,修正步骤4中的全局-局部模型权重及概率转移矩阵;
步骤6,在步骤2中的所述全局融合预测车速中提取全局加速度信息a(t),基于a(t)和所述步骤4中获得的所述全局-局部融合预测车速,计算得到拓展后的全局-局部融合预测车速,即:v=v0+∫a dt,其中,v0是全局-局部融合预测车速中局部时间窗口内的最后一个时刻的车速;
步骤7,在下一个时刻,重复步骤2到步骤6的计算过程,更新上一时刻的校准的全局融合预测车速。
6.如权利要求1所述的智能网联汽车的迭代优化多尺度融合车速预测方法,其特征在于,n为3-5,m为3-5。
7.如权利要求1所述的智能网联汽车的迭代优化多尺度融合车速预测方法,其特征在于,所述车联网信息通过V2X传送。
8.如权利要求1所述的智能网联汽车的迭代优化多尺度融合车速预测方法,其特征在于,所述步骤3中,采用长短期记忆神经网络预测未来短期的局部车速。
9.如权利要求1所述的智能网联汽车的迭代优化多尺度融合车速预测方法,其特征在于,所述步骤4中,采用2号马尔可夫概率转移矩阵进行权重更新。
Priority Applications (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110358430.0A CN113095558B (zh) | 2021-04-01 | 2021-04-01 | 一种智能网联汽车的迭代优化多尺度融合车速预测方法 |
DE112021001181.2T DE112021001181T5 (de) | 2021-04-01 | 2021-12-31 | Iterativer Optimierungsalgorithmus zur Fusionsvorhersage mit Multiskalen von Fahrzeuggeschwindigkeit für intelligente vernetzte Fahrzeuge |
PCT/CN2021/143592 WO2022206079A1 (zh) | 2021-04-01 | 2021-12-31 | 一种智能网联汽车的迭代优化多尺度融合车速预测算法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110358430.0A CN113095558B (zh) | 2021-04-01 | 2021-04-01 | 一种智能网联汽车的迭代优化多尺度融合车速预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113095558A CN113095558A (zh) | 2021-07-09 |
CN113095558B true CN113095558B (zh) | 2022-05-24 |
Family
ID=76672881
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110358430.0A Active CN113095558B (zh) | 2021-04-01 | 2021-04-01 | 一种智能网联汽车的迭代优化多尺度融合车速预测方法 |
Country Status (3)
Country | Link |
---|---|
CN (1) | CN113095558B (zh) |
DE (1) | DE112021001181T5 (zh) |
WO (1) | WO2022206079A1 (zh) |
Families Citing this family (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113095558B (zh) * | 2021-04-01 | 2022-05-24 | 天津大学 | 一种智能网联汽车的迭代优化多尺度融合车速预测方法 |
CN114495519B (zh) * | 2022-02-09 | 2023-10-13 | 郑州汉威光电股份有限公司 | 一种高速公路智慧可视化展示系统 |
CN115056798B (zh) * | 2022-05-30 | 2024-04-09 | 天津大学 | 一种基于贝叶斯博弈的自动驾驶车辆换道行为车路协同决策算法 |
CN115817163B (zh) * | 2023-02-17 | 2023-05-23 | 禾多科技(北京)有限公司 | 车辆轮速调整方法、装置、电子设备和计算机可读介质 |
CN116740948B (zh) * | 2023-08-16 | 2023-11-21 | 常熟理工学院 | 车辆行程速度的预测估值方法、装置、介质及应用 |
CN116882505B (zh) * | 2023-09-06 | 2023-12-12 | 北京理工大学 | 一种自我车辆高速公路场景下的车速预测方法及系统 |
CN118135800B (zh) * | 2024-05-06 | 2024-07-09 | 东揽(南京)智能科技有限公司 | 基于深度学习的异常交通事件精准识别告警方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107742193A (zh) * | 2017-11-28 | 2018-02-27 | 江苏大学 | 一种基于时变状态转移概率马尔可夫链的行车风险预测方法 |
CN107862864A (zh) * | 2017-10-18 | 2018-03-30 | 南京航空航天大学 | 基于驾驶习惯和交通路况的行驶工况智能预测估计方法 |
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 |
CN109243172A (zh) * | 2018-07-25 | 2019-01-18 | 华南理工大学 | 基于遗传算法优化lstm神经网络的交通流预测方法 |
CN109733248A (zh) * | 2019-01-09 | 2019-05-10 | 吉林大学 | 基于路径信息的纯电动汽车剩余里程模型预测方法 |
Family Cites Families (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9286793B2 (en) * | 2012-10-23 | 2016-03-15 | University Of Southern California | Traffic prediction using real-world transportation data |
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 |
CN105759753B (zh) | 2016-01-25 | 2018-06-19 | 合肥工业大学 | 基于v2x的混合动力汽车的能量管理优化控制方法 |
CN105946860B (zh) * | 2016-05-20 | 2017-12-29 | 武汉理工大学 | 一种考虑驾驶风格的弯道车速预测方法 |
CN107351840B (zh) | 2017-06-07 | 2019-07-05 | 同济大学 | 一种基于v2i的汽车节能路径及经济车速动态规划方法 |
CN109064760B (zh) | 2018-08-22 | 2020-03-17 | 北京理工大学 | 一种数据驱动的智能鲁棒车速实时规划方法及系统 |
US10814881B2 (en) * | 2018-10-16 | 2020-10-27 | Toyota Motor Engineering & Manufacturing North America, Inc. | Vehicle velocity predictor using neural networks based on V2X data augmentation to enable predictive optimal control of connected and automated vehicles |
CN112339756B (zh) * | 2020-10-14 | 2021-10-15 | 天津大学 | 一种基于强化学习的新能源汽车红绿灯路口能量回收优化速度规划算法 |
CN113095558B (zh) * | 2021-04-01 | 2022-05-24 | 天津大学 | 一种智能网联汽车的迭代优化多尺度融合车速预测方法 |
-
2021
- 2021-04-01 CN CN202110358430.0A patent/CN113095558B/zh active Active
- 2021-12-31 DE DE112021001181.2T patent/DE112021001181T5/de active Pending
- 2021-12-31 WO PCT/CN2021/143592 patent/WO2022206079A1/zh active Application Filing
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107862864A (zh) * | 2017-10-18 | 2018-03-30 | 南京航空航天大学 | 基于驾驶习惯和交通路况的行驶工况智能预测估计方法 |
CN107742193A (zh) * | 2017-11-28 | 2018-02-27 | 江苏大学 | 一种基于时变状态转移概率马尔可夫链的行车风险预测方法 |
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 |
CN109243172A (zh) * | 2018-07-25 | 2019-01-18 | 华南理工大学 | 基于遗传算法优化lstm神经网络的交通流预测方法 |
CN109733248A (zh) * | 2019-01-09 | 2019-05-10 | 吉林大学 | 基于路径信息的纯电动汽车剩余里程模型预测方法 |
Non-Patent Citations (1)
Title |
---|
"基于行车监测数据的驾驶员风格辨识数据的驾驶员风格辨识数据的驾驶员风格辨识及车速预测研究";朱杰;《万方数据知识平台》;20200927;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN113095558A (zh) | 2021-07-09 |
WO2022206079A1 (zh) | 2022-10-06 |
DE112021001181T5 (de) | 2023-04-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113095558B (zh) | 一种智能网联汽车的迭代优化多尺度融合车速预测方法 | |
Sun et al. | Velocity predictors for predictive energy management in hybrid electric vehicles | |
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 | |
Jiang et al. | Traffic and vehicle speed prediction with neural network and hidden markov model in vehicular networks | |
Han et al. | Driving intention recognition and lane change prediction on the highway | |
Scheubner et al. | A stochastic range estimation algorithm for electric vehicles using traffic phase classification | |
US20210241174A1 (en) | Computer implemented machine learning system and a method for operating the machine learning system for determining a time series | |
Hyeon et al. | Short-term speed forecasting using vehicle wireless communications | |
CN111824169B (zh) | 用于降低具有内燃机的车辆的驱动系统的废气排放的方法 | |
JP7504647B2 (ja) | 車両の走行曲線及び/又は走行経路を生成するための機械学習システムを訓練するための、コンピュータにより実行されるコンピュータ実装方法、車両の走行曲線及び/又は走行経路を生成するための方法、車両の走行曲線及び/又は走行経路を評価するための方法、車両の駆動システムの経路固有の排出量を特定するための方法、車両の駆動システムを適合させるための方法、並びに、コンピュータプログラム、機械可読記憶媒体、及び、コンピュータ実装式の機械学習システム | |
Wang et al. | Development and evaluation of two learning-based personalized driver models for car-following behaviors | |
Gadepally et al. | Driver/vehicle state estimation and detection | |
CN111832743A (zh) | 用于确定行驶变化过程的方法 | |
CN115742855A (zh) | 电动汽车剩余里程预测方法、装置、电动汽车及介质 | |
CN112977412A (zh) | 一种车辆控制方法、装置、设备及计算机存储介质 | |
Sun et al. | Comparison of velocity forecasting strategies for predictive control in HEVs | |
Billert et al. | A method of developing quantile convolutional neural networks for electric vehicle battery temperature prediction trained on cross-domain data | |
Abi Akl et al. | Trip-based prediction of hybrid electric vehicles velocity using artificial neural networks | |
Shin et al. | Ego-vehicle speed prediction using fuzzy Markov chain with speed constraints | |
George et al. | Driving Range Estimation of Electric Vehicles using Deep Learning | |
CN114676870A (zh) | 车速预测方法、车速预测模型训练方法和相关装置 | |
CN108981733B (zh) | 一种电动汽车充电导航系统的速度预测方法 | |
Billert et al. | Predictive battery thermal management using quantile convolutional neural networks | |
US12012014B2 (en) | Method and apparatus for optimizing battery management system | |
Topić et al. | Static Stochastic Model-Based Prediction of City Bus Velocity |
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 |