CN113537620B - 基于Markov模型优化和工况识别的车速预测方法 - Google Patents

Abstract

本发明公开了一种基于Markov模型优化和工况识别的车速预测方法，首先建立基于标准法规工况的基础Markov车速预测模型；然后分别在四种工况下借助模拟退火算法对基础Markov车速预测模型的加速度序列和速度序列进行优化，得到四种工况对应的优化Markov车速预测模型；接着，建立基于支持向量机的工况识别模型；最后，基于工况识别模型对当前车辆的工况进行识别，并根据识别出的工况采用对应的优化Markov车速预测模型进行车速预测。本发明能够根据工况在线识别的结果调用对应的Markov车速预测模型，提高车速预测的精度。

Description

基于Markov模型优化和工况识别的车速预测方法

技术领域

本发明涉及混合动力汽车能量管理领域，尤其涉及一种基于Markov模型优化和工况识别的车速预测方法。

背景技术

能量管理策略通过协调动力需求在多种能源之间的分配方式能在不牺牲动力需求的前提下提升整车的燃油经济性和排放性能，在混合动力汽车的控制中具有举足轻重的地位。现有能量管理策略一般分为基于规则和基于优化的策略。基于规则的策略控制时效性强，但对整车参数和工况的适用性差，且规则的制定需要丰富的工程经验。基于优化的策略分为全局优化策略和瞬时优化策略。全局优化策略能提供全局最优解，但需要预知完整的工况信息且计算量大，难以实现在线应用。瞬时优化策略针对当前时刻的工况信息寻求最优的动力需求分配方式，能实现在线的应用，但无法保证全局最优的控制效果。模型预测控制策略综合了全局优化策略和瞬时优化策略的优势，通过进行局部的车速预测及优化控制，既考虑了未来的行程信息，又极大地缩短了优化的时间，有助于实现策略的在线应用。

对未来工况的预测是模型预测控制策略的一个主要组成部分，通常采用Markov模型或者神经网络模型进行车速的预测，这两种基础车速预测都已经应用成熟，研究的热点集中在如何结合工况和驾驶员等不确定因素建立更为精准的车速预测模型。

发明内容

本发明所要解决的技术问题是针对背景技术中所涉及到的缺陷，提供一种基于Markov模型优化和工况识别的车速预测方法。

本发明为解决上述技术问题采用以下技术方案：

基于Markov模型优化和工况识别的车速预测方法，包括以下步骤：

步骤1)，建立基于标准法规工况的基础Markov车速预测模型；

所述标准法规工况包含高速工况、城郊工况、城市畅通工况和城市拥堵工况四种工况；所述基础Markov车速预测模型采用单阶多步车速预测模型，用于描述车辆在当前的加速度与车速状态下每个预测时刻车辆的加速度状态转移概率分布，包含加速度序列a_s0、速度序列V_s0、以及大小为L_a*L_a*L_v*L_p的概率矩阵，其中，a_s0为长度为L_a的a_min到a_max的等间距序列，V_s0为长度为L_v的0到V_max的等间距序列，L_a为离散加速度状态数，L_v为离散速度状态数，L_p为预测步长，a_min为预设的最小加速度阈值，a_max为预设的最大加速度阈值，V_max为预设的最大速度阈值；

步骤2)，分别在四种工况下借助模拟退火算法对基础Markov车速预测模型的加速度序列和速度序列进行优化，得到四种工况对应的优化Markov车速预测模型；

步骤3)，建立基于支持向量机的工况识别模型，用于识别高速工况、城郊工况、城市畅通工况和城市拥堵工况，其输入为给定时间长度t_S内的平均车速、最大加速度、最小加速度和停车时间比，输出为工况类别；

步骤4)，基于工况识别模型对当前车辆的工况进行识别，并根据识别出的工况采用对应的优化Markov车速预测模型进行车速预测。

作为本发明基于Markov模型优化和工况识别的车速预测方法进一步的优化方案，步骤1)中基础Markov车速预测模型的训练过程如下：

步骤1.1)，设置大小为L_a*L_a*L_v*L_p的频数矩阵T并将其零初始化，设置k＝1；

步骤1.2)，令过程预测步长q＝1；

步骤1.3)，获取标准法规工况的速度V(k)、加速度a(k)和a(k+q)，采用最邻近法则得到V(k)在速度序列中对应的离散值Vⁿ、a(k)在加速度序列中对应的离散值a^j、a(k+q)在加速度序列中对应的离散值aⁱ，n为离散值Vⁿ在速度序列中的位置编号、j为离散值a^j在加速度序列中的位置编号、i为离散值aⁱ在加速度序列中的位置编号，依据位置编号n、j、i、q对频数矩阵T的相应位置累积加1，即T(i，j，n，q)累积加1，i，j∈{1，2，3，...，L_a}，n∈{1，2，3，...，L_v}；

步骤1.4)，更新q＝q+1，比较q和L_p之间的大小，如果q≤L_p，跳转执行步骤1.3)；

步骤1.5)，更新k＝k+1，并比较k和L-L_p之间的大小，L为标准法规工况的长度，如果k≤L-L_p，跳转执行步骤1.2)；

步骤1.6)，依据频数矩阵完成概率矩阵，表示如下：

作为本发明基于Markov模型优化和工况识别的车速预测方法进一步的优化方案，步骤1)中所述基础Markov车速预测模型的预测过程如下：

步骤1.a)，获取当前状态的车速V(t)与加速度a(t)，t是车辆的真实运行时间，采用最邻近法则得到V(t)在速度序列中对应的离散值Vⁿ¹、a(t)在加速度序列中对应的离散值a^j1；n1和为离散值Vⁿ¹在速度序列中的位置编号、j1为离散值a^j1在加速度序列中的位置编号，令q＝1；

步骤1.b)，将概率矩阵P(：，j1，n1，q)中最大值所在位置记为L₁，则q步车速预测值为：

V(t+q)＝V(t+q-1)+a_s0(L₁)*3.6

步骤1.c)，更新q＝q+1，比较q和L_p之间的大小，如果q≤L_p，跳转执行步骤1.b)，否则所述基础Markov车速预测模型的预测过程结束。

作为本发明基于Markov模型优化和工况识别的车速预测方法进一步的优化方案，所述步骤2)包含以下具体步骤：

对于四种工况中的每一种工况：

步骤2.1)，以加速度序列a_s和速度序列V_s中的具体数值为优化变量、以预测误差为优化目标，将优化变量记为x＝[a_s，V_s]，优化目标E表示如下：

其中，是所有预测时刻的均方根误差的均值，/>是所有预测时刻的平均绝对误差的均值，/>为预测的车速，V_t为真实的车速；

步骤2.2)，采用模拟退火算法对优化变量进行优化，模拟退火算法能以一定的概率接受比当前解更差的解，具有跳出局部最优陷阱的能力：

步骤2.2.1)，设定初始温度T_SAA，初始优化变量x_old为步骤1)中的加速度与速度序列，令Q＝0；

步骤2.2.2)，产生新优化变量x_new，将当前优化变量x_old与新优化变量x_new带入Markov车速预测模型，求解得到对应的优化目标值E_old和E_new，并计算新优化变量的可接受概率P_SAA：

步骤2.2.3)，当E_new≥E_old时，产生一个随机数ε∈(0，1)，当ε＞P_SAA时，优化目标值增加的新状态不被接受，执行步骤2.2.5)，否则，接受新状态，执行步骤2.2.4)；

步骤2.2.4)，更新x_old＝x_new、T_SAA＝α*T_SAA、Q＝0，然后跳转执行步骤2.2.2)，其中，α为温度参数衰减系数，α∈[0，1]；

步骤2.2.5)，更新Q＝Q+1，判断Q是否大于预设的阈值N，如果Q小于N，跳转执行步骤2.2.2)，如果Q大于等于N，优化结束，将此时的Markov车速预测模型记录为工况对应的优化Markov车速预测模型。

作为本发明基于Markov模型优化和工况识别的车速预测方法进一步的优化方案，步骤3)中的工况识别模型借助MATLAB的Classification Learner工具箱进行训练，其中训练数据的生成步骤如下：

对于四种工况中的每一种工况：

步骤3.1)，预先设定样本量为K，i＝1，l为工况的长度；

步骤3.2)，随机产生起始点n₀，满足n₀+t_s＜l；

步骤3.3)，i≤K，则记录为该工况的样本S_i，否则，执行步骤3.5)；

步骤3.4)，更新n₀＝n₀+t_s，i＝i+1，比较n₀+t_s和l之间的大小，如果n₀+t_s＜l，跳转执行3.3)，否则跳转执行步骤3.2)；

步骤3.5)，针对记录的样本进行特征参数提取，所述特征参数包含平均车速、最大加速度、最小加速度和停车时间比，再根据预先设定的工况类别代号对样本进行工况标记；

步骤3.6)，将特征参数及工况类别组合作为该工况的训练数据。

作为本发明基于Markov模型优化和工况识别的车速预测方法进一步的优化方案，所述步骤4)具体包含以下步骤：

步骤4.1)，当车辆实际运行时间t＜t_s时，采用预设的默认工况，并调用预设默认工况对应的优化Markov车速预测模块进行车速预测；

步骤4.2)，当t≥t_s时，按照预设的间隔时间阈值t_up对[t-t_s，t-1]的工况进行特征参数提取并输入工况识别模型，并依据工况识别模型识别的工况调用对应的优化Markov车速预测模块进行车速预测。

作为本发明基于Markov模型优化和工况识别的车速预测方法进一步的优化方案，步骤4.1)中预设的默认工况为城市畅通工况。

本发明采用以上技术方案与现有技术相比，具有以下技术效果：

本发明结合工况识别，对基础Markov车速预测模型的加速度和速度序列进行优化，能有效提高车速预测的精度，应用在基于模型预测控制的混合动力汽车能量管理策略中能够进一步提升车辆的燃油经济性。

附图说明

图1为本发明基于Markov模型优化和工况识别的车速预测方法的流程示意图；

图2为本发明中借助模拟退火算法对基础Markov车速预测模型的加速度序列和速度序列进行优化的流程示意图；

图3为本发明中建立基于支持向量机的工况识别模型过程中的模型训练数据生成流程示意图。

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，基于Markov模型优化和工况识别的车速预测方法，包括以下步骤：

步骤1)，建立基于标准法规工况的基础Markov车速预测模型；

所述标准法规工况包含高速工况、城郊工况、城市畅通工况和城市拥堵工况四种工况；所述基础Markov车速预测模型采用单阶多步车速预测模型，用于描述车辆在当前的加速度与车速状态下每个预测时刻车辆的加速度状态转移概率分布，包含加速度序列a_s0、速度序列V_s0、以及大小为L_a*L_a*L_v*L_p的概率矩阵，其中，a_s0为长度为L_a的a_min到a_max的等间距序列，V_s0为长度为L_v的0到V_max的等间距序列，L_a为离散加速度状态数，L_v为离散速度状态数，L_p为预测步长，a_min为预设的最小加速度阈值，a_max为预设的最大加速度阈值，V_max为预设的最大速度阈值；

步骤2)，分别在四种工况下借助模拟退火算法对基础Markov车速预测模型的加速度序列和速度序列进行优化，得到四种工况对应的优化Markov车速预测模型；

步骤3)，建立基于支持向量机的工况识别模型，用于识别高速工况、城郊工况、城市畅通工况和城市拥堵工况，其输入为给定时间长度t_S内的平均车速、最大加速度、最小加速度和停车时间比，输出为工况类别；

步骤4)，基于工况识别模型对当前车辆的工况进行识别，并根据识别出的工况采用对应的优化Markov车速预测模型进行车速预测。

步骤1)中基础Markov车速预测模型的训练过程如下：

步骤1.1)，设置大小为L_a*L_a*L_v*L_p的频数矩阵T并将其零初始化，设置k＝1；

步骤1.2)，令过程预测步长q＝1；

步骤1.3)，获取标准法规工况的速度V(k)、加速度a(k)和a(k+q)，采用最邻近法则得到V(k)在速度序列中对应的离散值Vⁿ、a(k)在加速度序列中对应的离散值a^j、a(k+q)在加速度序列中对应的离散值aⁱ，n为离散值Vn在速度序列中的位置编号、j为离散值a^j在加速度序列中的位置编号、i为离散值aⁱ在加速度序列中的位置编号，依据位置编号n、j、i、q对频数矩阵T的相应位置累积加1，即T(i，j，n，q)累积加1，i，j∈{1，2，3，...，L_a}，n∈{1，2，3，...，L_v}；

步骤1.4)，更新q＝q+1，比较q和L_p之间的大小，如果q≤L_p，跳转执行步骤1.3)；

步骤1.5)，更新k＝k+1，并比较k和L-L_p之间的大小，L为标准法规工况的长度，如果k≤L-L_p，跳转执行步骤1.2)；

步骤1.6)，依据频数矩阵完成概率矩阵，表示如下：

步骤1)中所述基础Markov车速预测模型的预测过程如下：

步骤1.a)，获取当前状态的车速V(t)与加速度a(t)，t是车辆的真实运行时间，采用最邻近法则得到V(t)在速度序列中对应的离散值Vⁿ¹、a(t)在加速度序列中对应的离散值a^j1；n1和为离散值Vⁿ¹在速度序列中的位置编号、j1为离散值a^j1在加速度序列中的位置编号，令q＝1；

步骤1.b)，将概率矩阵P(：，j1，n1，q)中最大值所在位置记为L₁，则q步车速预测值为：

V(t+q)＝V(t+q-1)+a_s0(L₁)*3.6

步骤1.c)，更新q＝q+1，比较q和L_p之间的大小，如果q≤L_p，跳转执行步骤1.b)，否则所述基础Markov车速预测模型的预测过程结束。

如图2所示，所述步骤2)包含以下具体步骤：

对于四种工况中的每一种工况：

步骤2.1)，以加速度序列a_s和速度序列V_s中的具体数值为优化变量、以预测误差为优化目标，将优化变量记为x＝[a_s，V_s]，优化目标E表示如下：

其中，是所有预测时刻的均方根误差的均值，/>是所有预测时刻的平均绝对误差的均值，/>为预测的车速，V_t为真实的车速；

步骤2.2)，采用模拟退火算法对优化变量进行优化，模拟退火算法能以一定的概率接受比当前解更差的解，具有跳出局部最优陷阱的能力：

步骤2.2.1)，设定初始温度T_SAA，初始优化变量x_old为步骤1)中的加速度与速度序列，令Q＝0；

步骤2.2.2)，产生新优化变量x_new，将当前优化变量x_old与新优化变量x_new带入Markov车速预测模型，求解得到对应的优化目标值E_old和E_new，并计算新优化变量的可接受概率P_SAA：

步骤2.2.3)，当E_new≥E_old时，产生一个随机数ε∈(0，1)，当ε＞P_SAA时，优化目标值增加的新状态不被接受，执行步骤2.2.5)，否则，接受新状态，执行步骤2.2.4)；

步骤2.2.4)，更新x_old＝x_new、T_SAA＝α*T_SAA、Q＝o，然后跳转执行步骤2.2.2)，其中，α为温度参数衰减系数，α∈[0，1]；

步骤2.2.5)，更新Q＝Q+1，判断Q是否大于预设的阈值N，如果Q小于N，跳转执行步骤2.2.2)，如果Q大于等于N，优化结束，将此时的Markov车速预测模型记录为工况对应的优化Markov车速预测模型。

步骤3)中的工况识别模型借助MATLAB的Classification Learner工具箱进行训练，其中训练数据的生成步骤如下：

如图3所示，对于四种工况中的每一种工况：

步骤3.1)，预先设定样本量为K，i＝1，l为工况的长度；

步骤3.2)，随机产生起始点n₀，满足n₀+t_s＜l；

步骤3.3)，i≤K，则记录为该工况的样本S_i，否则，执行步骤3.5)；

步骤3.4)，更新n₀＝n₀+t_s，i＝i+1，比较n₀+t_s和l之间的大小，如果n₀+t_s＜l，跳转执行3.3)，否则跳转执行步骤3.2)；

步骤3.5)，针对记录的样本进行特征参数提取，所述特征参数包含平均车速、最大加速度、最小加速度和停车时间比，再根据预先设定的工况类别代号对样本进行工况标记；

步骤3.6)，将特征参数及工况类别组合作为该工况的训练数据。

所述步骤4)具体包含以下步骤：

步骤4.1)，当车辆实际运行时间t＜t_s时，采用预设的默认工况，并调用预设默认工况对应的优化Markov车速预测模块进行车速预测；

步骤4.2)，当t之t_s时，按照预设的间隔时间阈值t_up对[t-t_s，t-1]的工况进行特征参数提取并输入工况识别模型，并依据工况识别模型识别的工况调用对应的优化Markov车速预测模块进行车速预测。

步骤4.1)中预设的默认工况优先采用城市畅通工况。

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 (4)

1.基于Markov模型优化和工况识别的车速预测方法，其特征在于，包括以下步骤：

步骤1)，建立基于标准法规工况的基础Markov车速预测模型；

所述标准法规工况包含高速工况、城郊工况、城市畅通工况和城市拥堵工况四种工况；所述基础Markov车速预测模型采用单阶多步车速预测模型，用于描述车辆在当前的加速度与车速状态下每个预测时刻车辆的加速度状态转移概率分布，包含加速度序列a_s0、速度序列V_s0、以及大小为L_a*L_a*L_v*L_p的概率矩阵，其中，a_s0为长度为L_a的a_min到a_max的等间距序列，V_s0为长度为L_v的0到V_max的等间距序列，L_a为离散加速度状态数，L_v为离散速度状态数，L_p为预测步长，a_min为预设的最小加速度阈值，a_max为预设的最大加速度阈值，V_max为预设的最大速度阈值；

所述基础Markov车速预测模型的训练过程如下：

步骤1.1)，设置大小为L_a*L_a*L_v*L_p的频数矩阵T并将其零初始化，设置k＝1；

步骤1.2)，令过程预测步长q＝1；

步骤1.3)，获取标准法规工况的速度V(k)、加速度a(k)和a(k+q)，采用最邻近法则得到V(k)在速度序列中对应的离散值Vⁿ、a(k)在加速度序列中对应的离散值a^j、a(k+q)在加速度序列中对应的离散值aⁱ，n为离散值Vⁿ在速度序列中的位置编号、j为离散值a^j在加速度序列中的位置编号、i为离散值aⁱ在加速度序列中的位置编号，依据位置编号n、j、i、q对频数矩阵T的相应位置累积加1，即T(i，j，n，q)累积加1，i，j∈{1，2，3，...，L_a}，n∈{1，2，3，...，L_v}；

步骤1.4)，更新q＝q+1，比较q和L_p之间的大小，如果q≤L_p，跳转执行步骤1.3)；

步骤1.5)，更新k＝k+1，并比较k和L-L_p之间的大小，L为标准法规工况的长度，如果k≤L-L_p，跳转执行步骤1.2)；

步骤1.6)，依据频数矩阵完成概率矩阵，表示如下：

所述基础Markov车速预测模型的预测过程如下：

步骤1.a)，获取当前状态的车速V(t)与加速度a(t)，t是车辆的真实运行时间，采用最邻近法则得到V(t)在速度序列中对应的离散值Vⁿ¹、a(t)在加速度序列中对应的离散值a^j1；n1和为离散值Vⁿ¹在速度序列中的位置编号、j1为离散值a^j1在加速度序列中的位置编号，令q＝1；

步骤1.b)，将概率矩阵P(：，j1，n1，q)中最大值所在位置记为L₁，则q步车速预测值为：

V(t+q)＝V(t+q-1)+a_s0(L₁)*3.6

步骤1.c)，更新q＝q+1，比较q和L_p之间的大小，如果q≤L_p，跳转执行步骤1.b)，否则所述基础Markov车速预测模型的预测过程结束

步骤2)，分别在四种工况下借助模拟退火算法对基础Markov车速预测模型的加速度序列和速度序列进行优化，得到四种工况对应的优化Markov车速预测模型；

对于四种工况中的每一种工况：

步骤2.1)，以加速度序列a_s和速度序列V_s中的具体数值为优化变量、以预测误差为优化目标，将优化变量记为x＝[a_s，V_s]，优化目标E表示如下：

其中，是所有预测时刻的均方根误差的均值，/>是所有预测时刻的平均绝对误差的均值，/>为预测的车速，V_t为真实的车速；

步骤2.2)，采用模拟退火算法对优化变量进行优化，模拟退火算法能以一定的概率接受比当前解更差的解，具有跳出局部最优陷阱的能力：

步骤2.2.1)，设定初始温度T_SAA，初始优化变量x_old为步骤1)中的加速度与速度序列，令Q＝0；

步骤2.2.2)，产生新优化变量x_new，将当前优化变量x_old与新优化变量x_new带入Markov车速预测模型，求解得到对应的优化目标值E_old和E_new，并计算新优化变量的可接受概率P_SAA：

步骤2.2.3)，当E_new≥E_old时，产生一个随机数ε∈(0，1)，当ε＞P_SAA时，优化目标值增加的新状态不被接受，执行步骤2.2.5)，否则，接受新状态，执行步骤2.2.4)；

步骤2.2.4)，更新x_old＝x_new、T_SAA＝α*T_SAA、Q＝0，然后跳转执行步骤2.2.2)，其中，α为温度参数衰减系数，α∈[0，1]；

步骤2.2.5)，更新Q＝Q+1，判断Q是否大于预设的阈值N，如果Q小于N，跳转执行步骤2.2.2)，如果Q大于等于N，优化结束，将此时的Markov车速预测模型记录为工况对应的优化Markov车速预测模型；

步骤3)，建立基于支持向量机的工况识别模型，用于识别高速工况、城郊工况、城市畅通工况和城市拥堵工况，其输入为给定时间长度t_S内的平均车速、最大加速度、最小加速度和停车时间比，输出为工况类别；

步骤4)，基于工况识别模型对当前车辆的工况进行识别，并根据识别出的工况采用对应的优化Markov车速预测模型进行车速预测。

2.根据权利要求1所述的基于Markov模型优化和工况识别的车速预测方法，其特征在于，步骤3)中的工况识别模型借助MATLAB的Classification Learner工具箱进行训练，其中训练数据的生成步骤如下：

对于四种工况中的每一种工况：

步骤3.1)，预先设定样本量为K，i＝1，l为工况的长度；

步骤3.2)，随机产生起始点n₀，满足n₀+t_s＜l；

步骤3.3)，i≤K，则记录为该工况的样本S_i，否则，执行步骤3.5)；

步骤3.4)，更新n₀＝n₀+t_s，i＝i+1，比较n₀+t_s和l之间的大小，如果n₀+t_s＜l，跳转执行3.3)，否则跳转执行步骤3.2)；

步骤3.5)，针对记录的样本进行特征参数提取，所述特征参数包含平均车速、最大加速度、最小加速度和停车时间比，再根据预先设定的工况类别代号对样本进行工况标记；

步骤3.6)，将特征参数及工况类别组合作为该工况的训练数据。

3.根据权利要求2所述的基于Markov模型优化和工况识别的车速预测方法，其特征在于，所述步骤4)具体包含以下步骤：

步骤4.1)，当车辆实际运行时间t＜t_s时，采用预设的默认工况，并调用预设默认工况对应的优化Markov车速预测模块进行车速预测；

步骤4.2)，当t≥t_s时，按照预设的间隔时间阈值t_up对[t-t_s，t-1]的工况进行特征参数提取并输入工况识别模型，并依据工况识别模型识别的工况调用对应的优化Markov车速预测模块进行车速预测。

4.根据权利要求3所述的基于Markov模型优化和工况识别的车速预测方法，其特征在于，步骤4.1)中预设的默认工况为城市畅通工况。