CN114004993A - 基于lstm速度预测优化的ia-svm行驶工况识别方法及装置 - Google Patents
基于lstm速度预测优化的ia-svm行驶工况识别方法及装置 Download PDFInfo
- Publication number
- CN114004993A CN114004993A CN202111241720.3A CN202111241720A CN114004993A CN 114004993 A CN114004993 A CN 114004993A CN 202111241720 A CN202111241720 A CN 202111241720A CN 114004993 A CN114004993 A CN 114004993A
- Authority
- CN
- China
- Prior art keywords
- speed prediction
- lstm
- svm
- online
- speed
- 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.)
- Pending
Links
- 238000005457 optimization Methods 0.000 title claims abstract description 63
- 238000000034 method Methods 0.000 title claims abstract description 61
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 62
- 238000012549 training Methods 0.000 claims abstract description 52
- 238000012706 support-vector machine Methods 0.000 claims abstract description 36
- 239000012634 fragment Substances 0.000 claims abstract description 33
- 238000007781 pre-processing Methods 0.000 claims abstract description 8
- 230000006870 function Effects 0.000 claims description 28
- 239000011159 matrix material Substances 0.000 claims description 28
- 238000012545 processing Methods 0.000 claims description 16
- 238000001914 filtration Methods 0.000 claims description 11
- 238000004590 computer program Methods 0.000 claims description 10
- 230000008569 process Effects 0.000 claims description 10
- 238000011156 evaluation Methods 0.000 claims description 9
- 230000009467 reduction Effects 0.000 claims description 8
- 238000003860 storage Methods 0.000 claims description 7
- 239000000427 antigen Substances 0.000 claims description 6
- 102000036639 antigens Human genes 0.000 claims description 6
- 108091007433 antigens Proteins 0.000 claims description 6
- 238000010367 cloning Methods 0.000 claims description 4
- 230000035772 mutation Effects 0.000 claims description 4
- 230000004913 activation Effects 0.000 claims description 3
- 238000007621 cluster analysis Methods 0.000 claims description 3
- 238000003064 k means clustering Methods 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 3
- 230000001629 suppression Effects 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 14
- 238000004891 communication Methods 0.000 description 6
- 238000011217 control strategy Methods 0.000 description 6
- 230000000694 effects Effects 0.000 description 6
- 239000000446 fuel Substances 0.000 description 6
- 238000012360 testing method Methods 0.000 description 5
- 230000003287 optical effect Effects 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 230000006855 networking Effects 0.000 description 3
- 230000003044 adaptive effect Effects 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 239000000835 fiber Substances 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 230000003111 delayed effect Effects 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 238000013095 identification testing Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000005764 inhibitory process Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 238000012567 pattern recognition method Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000005096 rolling process Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
Classifications
-
- 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
- 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
- G06N3/044—Recurrent networks, e.g. Hopfield 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/086—Learning methods using evolutionary algorithms, e.g. genetic algorithms or genetic programming
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Bioinformatics & Computational Biology (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Probability & Statistics with Applications (AREA)
- Physiology (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种基于LSTM速度预测优化的IA‑SVM行驶工况识别方法及装置，通过获取车辆历史运行数据并进行预处理，构建运动学片段数据库并获取行驶工况在线识别训练数据；建立基于IA优化SVM算法的行驶工况在线识别模型，通过行驶工况在线识别训练数据对基于IA优化SVM算法的行驶工况在线识别模型进行训练，得到行驶工况在线识别模型；建立基于LSTM的速度预测模型，以车辆的历史行程作为速度预测训练数据对基于LSTM的速度预测模型进行训练，得到速度预测模型；获取实时采集到的车辆运行数据，输入速度预测模型实时预测得到未来速度序列，将未来速度序列与历史速度序列拼接构成识别序列，将识别序列输入行驶工况在线识别模型，识别出车辆行驶工况。
Description
技术领域
本发明涉及道路行驶技术领域，具体涉及一种基于LSTM速度预测优化的IA-SVM行驶工况识别方法及装置。
背景技术
基于行驶工况在线识别方法与特定控制策略相结合能够实现自适应控制，以适应复杂的交通情况，提高城市公交客车的燃油经济性。
为了应对复杂的城市交通环境，实现自适应控制，国内外提出了许多优化控制策略，主要分为以下两大类。第一类为通过对参考电池荷电状态(SOC)的预测规划，结合模型预测控制(MPC)和动态规划算法(DP)对整车的能量分配进行规划。然而，由于驾驶条件的不可重复性和城市道路交通的随机性，最优参考SOC的计算量大且不能完全预测，非最优的参考SOC的设置可能会使得燃油经济性恶化。第二类为对运行数据进行在线模式识别，通过离线数据挖掘获得最优控制量，运用庞特里亚金最小原则(PMP)或等效燃油消耗控制策略(ECMS)计算获得瞬时最优解，实现自适应控制。第二类方法既避免了对参考SOC的预测，同时利用查表调整控制参数，在实现自适应控制的前提下进一步降低了控制的复杂性。选择行驶工况识别作为模式识别的研究对象，目前行驶工况识别的方法主要有神经网络、模糊控制器以及支持向量机识别。以上方法在不同方面均有侧重，但都没有考虑由于识别周期和更新周期存在导致的固有误差，使得在线识别精度无法达到较高水平。由于在线识别过程的本质为对历史数据的分析处理，实现控制变量的改变，在状态发生变化时，识别状态量相对于真实状态量会因为识别周期和更新周期的存在产生一定的延迟。
发明内容
针对上述提到的如何有效改善在线识别效果，提高燃油经济性等问题。本申请的实施例的目的在于提出了一种基于LSTM速度预测优化的IA-SVM行驶工况识别方法及装置，来解决以上背景技术部分提到的技术问题。
第一方面，本申请的实施例提供了一种基于LSTM速度预测优化的IA-SVM行驶工况识别方法，包括以下步骤：
S1，获取车辆历史运行数据，对车辆历史运行数据进行预处理，并构建运动学片段数据库，基于运动学片段数据库获取行驶工况在线识别训练数据；
S2，建立基于IA优化SVM算法的行驶工况在线识别模型，通过行驶工况在线识别训练数据对基于IA优化SVM算法的行驶工况在线识别模型进行训练，得到行驶工况在线识别模型；
S3，建立基于LSTM的速度预测模型，以车辆的历史行程作为速度预测训练数据对基于LSTM的速度预测模型进行训练，得到速度预测模型；
S4，获取实时采集到的车辆运行数据，输入速度预测模型实时预测得到未来速度序列，并将未来速度序列与历史速度序列拼接构成识别序列，将识别序列输入行驶工况在线识别模型，识别出车辆行驶工况。
在一些实施例中，步骤S1具体包括：
S11，采用滤波降噪算法对车辆运行数据进行滤波降噪处理，并搭建运动学片段数据库，运动学片段数据库包括至少一个运动学片段的特征参数，以每个运动学片段的最高行驶速度、平均行驶速度，怠速时间比例构建特征参数矩阵；
S12，对特征参数矩阵进行标准化处理，得到标准化特征参数矩阵；
S13，通过聚类算法对标准化特征参数矩阵进行聚类分析，得到不同类型的车辆典型行驶工况，将标准化特征参数矩阵和不同类型的车辆典型行驶工况构成行驶工况在线识别训练数据。
在一些实施例中，滤波降噪算法包括七点二次滤波算法，聚类算法包括PSO优化k均值聚类算法。
在一些实施例中，步骤S2中在基于IA优化SVM算法的行驶工况在线识别模型的训练过程中通过IA算法离线训练迭代优化处理得到不同识别周期和更新周期下对应SVM算法中的最优的惩罚因子C和RBF核函数宽度g，通过Lagrange乘子法求得判别函数，以离线识别精度为适应度函数。
在一些实施例中，步骤S2还包括确定行驶工况在线识别模型的最优识别周期和更新周期的长度。
在一些实施例中，IA算法包括抗原识别和生成抗体、抗体评价以及免疫进化，其中抗原识别和生成抗体为确定约束条件、抗体评价函数和抗体编码方式，并产生初始抗体；抗体评价是通过计算抗体亲和力和浓度实现；免疫进化包括免疫选择、变异、克隆、抑制以及刷新种群。
在一些实施例中，步骤S3中基于LSTM的速度预测模型包括输入层、隐藏层和输出层，输入层、隐藏层和输出层之间的关系细化为输入门、遗忘门、输出门之间的关系：
ft＝σg(Wfxt+Ufht-1+bf)；
it＝σg(Wixt+Uiht-1+bi)；
ot＝σg(Woxt+Uoht-1+bo)；
ht＝ot*tanh(Ct)；
其中，σg为门激活函数，Wf、Wi、Wo、WC为将隐藏层输入映射到输入门、遗忘门和输出门的权重矩阵；Uf、Ui、Uo、UC为连接输入门、遗忘门和输出门与输入单元状态的权重矩阵；bf、bi、bo、bC为偏差向量；Ct为细胞输入状态，Ct-1为细胞输出状态。
在一些实施例中，步骤S4中将识别序列输入训练后的行驶工况在线识别模型之前还包括：对识别序列进行预处理，再将其转换为最优识别周期内的特征参数矩阵。
第二方面，本申请的实施例提供了一种基于LSTM速度预测优化的IA-SVM行驶工况识别装置，包括：
行驶工况在线识别训练数据获取模块，被配置为获取车辆历史运行数据，对车辆历史运行数据进行预处理，并构建运动学片段数据库，基于运动学片段数据库获取行驶工况在线识别训练数据；
行驶工况在线识别模型建立模块，被配置为建立基于IA优化SVM算法的行驶工况在线识别模型，通过行驶工况在线识别训练数据对基于IA优化SVM算法的行驶工况在线识别模型进行训练，得到行驶工况在线识别模型；
速度预测模型建立模块，被配置为建立基于LSTM的速度预测模型，以车辆的历史行程作为速度预测训练数据对基于LSTM的速度预测模型进行训练，得到速度预测模型；
车辆行驶工况识别模块，被配置为获取实时采集到的车辆运行数据，输入速度预测模型实时预测得到未来速度序列，并将未来速度序列与历史速度序列拼接构成识别序列，将识别序列输入行驶工况在线识别模型，识别出车辆行驶工况。
第三方面，本申请的实施例提供了一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如第一方面中任一实现方式描述的方法。
相比于现有技术，本发明具有以下有益效果：
(1)本发明采用免疫算法(IA)优化支持向量机(SVM)算法，训练得到惩罚因子C和RBF核函数宽度g，并将其输入行驶工况在线识别模型，提高离线识别准确率。在此基础上，针对工况在线识别过程中识别状态量在模式发生切换时会落后于实际状态量的问题，即当工况类型变化时由于识别窗口和更新窗口导致的固有误差，建立LSTM 速度预测模型，在识别序列中加入未来速度，有效缩小固有误差，充分改善在线识别效果。
(2)本发明以最高行驶速度、平均行驶速度、怠速时间比例这三个特征参数所构成的特征参数矩阵作为行驶工况在线识别方法的输入参数，在充分考虑运行特性的同时，对硬件要求不高，有效反应城市公交客车的运行特点。
(3)本发明可基于行驶工况在线识别方法实现复杂交通情况下的自适应控制，提高城市公交客车的燃油经济性。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简要介绍，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，对于本领域的普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本申请的一个实施例可以应用于其中的示例性装置架构图；
图2为本发明的实施例的基于LSTM速度预测优化的IA-SVM行驶工况识别方法的流程示意图；
图3为本发明的实施例的基于LSTM速度预测优化的IA-SVM行驶工况识别方法的示意图；
图4为本发明的实施例的基于LSTM速度预测优化的IA-SVM行驶工况识别方法的IA优化SVM算法的实现流程示意图；
图5为本发明的实施例的基于LSTM速度预测优化的IA-SVM行驶工况识别方法的滚动识别的示意图；
图6为本发明的实施例的基于LSTM速度预测优化的IA-SVM行驶工况识别方法的更新周期和识别周期的测试工况图；
图7为本发明的实施例的基于LSTM速度预测优化的IA-SVM行驶工况识别方法的基于LSTM的速度预测模型的结构图；
图8为本发明的实施例的基于LSTM速度预测优化的IA-SVM行驶工况识别方法的历史速度序列与未来速度序列拼接示意图；
图9为本发明的实施例的基于LSTM速度预测优化的IA-SVM行驶工况识别方法的用于验证在线识别效果的1号工况图；
图10为本发明的实施例的基于LSTM速度预测优化的IA-SVM行驶工况识别方法的用于验证在线识别效果的2号工况图；
图11为本发明的实施例的基于LSTM速度预测优化的IA-SVM行驶工况识别装置的示意图。
具体实施方式
为了使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明作进一步地详细描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
图1示出了可以应用本申请实施例的基于LSTM速度预测优化的IA-SVM行驶工况识别方法或基于LSTM速度预测优化的IA-SVM行驶工况识别装置的示例性装置架构 100。
如图1所示，装置架构100可以包括终端设备101、102、103，网络104和服务器 105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。
用户可以使用终端设备101、102、103通过网络104与服务器105交互，以接收或发送消息等。终端设备101、102、103上可以安装有各种应用，例如数据处理类应用、文件处理类应用等。
终端设备101、102、103可以是硬件，也可以是软件。当终端设备101、102、103 为硬件时，可以是各种电子设备，包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等等。当终端设备101、102、103为软件时，可以安装在上述所列举的电子设备中。其可以实现成多个软件或软件模块(例如用来提供分布式服务的软件或软件模块)，也可以实现成单个软件或软件模块。在此不做具体限定。
服务器105可以是提供各种服务的服务器，例如对终端设备101、102、103上传的文件或数据进行处理的后台数据处理服务器。后台数据处理服务器可以对获取的文件或数据进行处理，生成处理结果。
需要说明的是，本申请实施例所提供的基于LSTM速度预测优化的IA-SVM行驶工况识别方法可以由服务器105执行，也可以由终端设备101、102、103执行，相应地，基于LSTM速度预测优化的IA-SVM行驶工况识别装置可以设置于服务器105中，也可以设置于终端设备101、102、103中。
应该理解，图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备、网络和服务器。在所处理的数据不需要从远程获取的情况下，上述装置架构可以不包括网络，而只需服务器或终端设备。
本发明以城市公交客车为例，下面具体解释说明本发明的技术方案。
图2示出了本申请的实施例提供的一种基于LSTM速度预测优化的IA-SVM行驶工况识别方法，包括以下步骤：
S1，获取车辆历史运行数据，对车辆历史运行数据进行预处理，并构建运动学片段数据库，基于运动学片段数据库获取行驶工况在线识别训练数据。
在具体的实施例中，步骤S1具体包括：
S11，采用滤波降噪算法对车辆运行数据进行滤波降噪处理，并搭建运动学片段数据库，运动学片段数据库包括至少一个运动学片段的特征参数，以每个运动学片段的最高行驶速度、平均行驶速度，怠速时间比例构建特征参数矩阵；
S12，对特征参数矩阵进行标准化处理，得到标准化特征参数矩阵；
S13，通过聚类算法对标准化特征参数矩阵进行聚类分析，得到不同类型的车辆典型行驶工况，将标准化特征参数矩阵和不同类型的车辆典型行驶工况构成行驶工况在线识别训练数据。
在具体的实施例中，参考图3，车辆历史运行数据可以从车联网平台获取，并采用七点二次滤波算法对获取到的车辆历史运行数据进行滤波降噪，有效平滑车联网数据，减少数据采集过程中噪声的影响。搭建运动学片段数据库，以每个运动学片段的最高行驶速度、平均行驶速度、怠速时间比例这三个特征参数构建特征参数矩阵。为统一量纲，对每个运动学片段对应的特征参数矩阵进行标准化处理，将其作为行驶工况在线识别模型的训练数据，通过 PSO优化k均值聚类算法对运动学片段数据库对应的特征参数矩阵进行聚类分析，得到拥堵通行、中速行驶、顺畅通行这三类城市公交客车典型行驶工况，并以此作为若干组训练样本的输入参数。在其他实施例中，典型行驶工况也可以根据实际情况具体划分。
S2，建立基于IA优化SVM算法的行驶工况在线识别模型，通过行驶工况在线识别训练数据对基于IA优化SVM算法的行驶工况在线识别模型进行训练，得到行驶工况在线识别模型。
在具体的实施例中，参考图4，步骤S2中在IA优化SVM算法的离线训练过程中通过IA算法离线训练迭代优化处理得到不同识别周期和更新周期下对应SVM算法中的最优的惩罚因子C和RBF核函数宽度g。具体为：从运动学片段数据库中随机抽取80％的运动学片段作为训练样本，建立行驶工况识别模型，确定最优的惩罚因子C和RBF核函数宽度g 分别为4.94和6.12，从剩下20％中再次随机抽取1000个运动学片段做测试样本，得到行驶工况识别模型的离线识别准确率为99.7％，充分验证了行驶工况识别模型的性能。并且行驶工况识别模型通过Lagrange乘子法求得判别函数，以离线识别精度为适应度函数判断是否满足IA算法的终止条件。
具体地，参阅图5，行驶工况在线识别的本质是以历史数据作为输入，通过滑动窗口进行滚动，实现在线识别，经过更新窗口将识别得到的状态量转化为控制量，因此选择合适的识别周期ΔT和更新周期Δω尤为重要。因此，步骤S2还包括确定行驶工况在线识别模型的最优识别周期和更新周期的长度。
在具体的实施例中，IA算法包括抗原识别和生成抗体、抗体评价以及免疫进化，其中抗原识别和生成抗体为确定约束条件、抗体评价函数和抗体编码方式，并产生初始抗体；抗体评价是通过计算抗体亲和力和浓度实现；免疫进化包括免疫选择、变异、克隆、抑制以及刷新种群。行驶工况在线识别模型是基于IA算法与SVM算法结合成为的IA-SVM算法。将步骤S1中所建立的运动学片段数据库中的运动学片段为历史速度序列作为整个IA-SVM 算法的输入。首先设置IA算法参数，IA算法流程包括抗体识别，产生初始群体，免疫选择、变异、克隆、抑制以及刷新种群，惩罚因子C和RBF核函数宽度g在训练模型的时候就可以确定，所述IA算法对惩罚因子C和RBF核函数宽度g进行更新。使用测试样本对SVM 算法进行测试，计算识别准确率，根据识别准确率计算适应度函数及适应度，判断是否满足IA算法的终止条件，若是则输出最优惩罚因子C、核函数参数g以及行驶工况在线识别模型。
参考图6，从车联网平台中选取某城市公交客车的单程工况作为识别周期和更新周期的在线识别测试工况，同时利用已验证准确率的对该工况进行离线识别，得到真实工况类型，选取滑动窗口长度60s、80s和100s，更新窗口长度5s、10s和15s进行交叉寻优，结果如表 1所示，综合分析，确定IA-SVM行驶工况识别模型的滑动窗口和更新窗口的长度分别为80s 和10s。
表1
S3，建立基于LSTM的速度预测模型，以车辆的历史行程作为速度预测训练数据对基于LSTM的速度预测模型进行训练，得到速度预测模型。
在具体的实施例中，确定好速度预测时域长度，完成基于LSTM的速度预测模型的训练。
在具体的实施例中，如图7所示，步骤S3中基于LSTM的速度预测模型包括输入层、隐藏层和输出层，输入层、隐藏层和输出层之间的关系细化为输入门、遗忘门、输出门之间的关系：
ft＝σg(Wfxt+Ufht-1+bf)；
it＝σg(Wixt+Uiht-1+bi)；
ot＝σg(Woxt+Uoht-1+bo)；
ht＝ot*tanh(Ct)；
其中，σg为门激活函数，Wf、Wi、Wo、WC为将隐藏层输入映射到输入门、遗忘门和输出门的权重矩阵；Uf、Ui、Uo、UC为连接输入门、遗忘门和输出门与输入单元状态的权重矩阵；bf、bi、bo、bC为偏差向量；Ct为细胞输入状态，Ct-1为细胞输出状态。速度预测模型采用LSTM算法，将车辆的历史行程中的历史速度序列作为基于LSTM的速度预测模型训练的输入，输出的是未来速度序列。
为了验证速度预测模型的性能，将图6所示的测试行驶工况作为预测模型的验证工况，以过去20s的车速数据作为预测模型的输入数据，分别以10s、15s和20s作为预测时域，以均方根误差(RMSE)作为误差分析标准，同时选取遗传算法优化BP神经网络(BPNN-GA)算法作为对比方法，其结果如表2所示。根据城市公交客车实际运行特点综合分析速度预测结果，选择预测时域为15s，结合65s的历史数据，构成80s的识别周期。
表2
S4，获取实时采集到的车辆运行数据，输入速度预测模型实时预测得到未来速度序列，并将未来速度序列与历史速度序列拼接构成识别序列，将识别序列输入行驶工况在线识别模型，识别出车辆行驶工况。
在具体的实施例中，步骤S4中将识别序列输入训练后的行驶工况在线识别模型之前还包括：对识别序列进行预处理，再将其转换为最优识别周期内的特征参数矩阵。在IA-SVM 行驶工况在线识别模型的基础上，通过LSTM速度预测模型预测得到未来速度序列，向识别序列中加入未来速度序列，如图8所示，历史速度序列根据实时采集到的车辆运行数据得到，将未来速度序列与历史速度序列拼接，从时间维度上缩小由于识别窗口和更新窗口导致的固有误差，有效提高在线识别准确率。后续与优化控制策略相结合，实现复杂交通环境下的自适应控制。
为进一步验证本发明的一种基于LSTM速度预测优化IA-SVM的行驶工况识别方法的有效性及比较IA-SVM行驶工况识别方法的性能提升效果，本实例将基于LSTM速度预测优化的IA-SVM行驶工况识别方法用于2条实际城市公交客车运行工况，如图9和图10所示分别为于验证在线识别效果的1号工况和2号工况，在线识别准确率如表3所示。
表3
在基于LSTM速度预测优化的IA-SVM行驶工况识别方法下，客车行驶工况在线识别准确率得到明显提升，后续与自适应控制策略相结合能够有效提升城市公交客车的燃油经济性。本发明充分体现行驶特征，有效提高在线识别精度。
进一步参考图11，作为对上述各图所示方法的实现，本申请提供了一种基于LSTM速度预测优化的IA-SVM行驶工况识别装置的一个实施例，该装置实施例与图2所示的方法实施例相对应，该装置具体可以应用于各种电子设备中。
本申请实施例提供了一种基于LSTM速度预测优化的IA-SVM行驶工况识别装置，包括：
行驶工况在线识别训练数据获取模块1，被配置为获取车辆历史运行数据，对车辆历史运行数据进行预处理，并构建运动学片段数据库，基于运动学片段数据库获取行驶工况在线识别训练数据；
行驶工况在线识别模型建立模块2，被配置为建立基于IA优化SVM算法的行驶工况在线识别模型，通过行驶工况在线识别训练数据对基于IA优化SVM算法的行驶工况在线识别模型进行训练，得到行驶工况在线识别模型；
速度预测模型建立模块3，被配置为建立基于LSTM的速度预测模型，以车辆的历史行程作为速度预测训练数据对基于LSTM的速度预测模型进行训练，得到速度预测模型；
车辆行驶工况识别模块4，被配置为获取实时采集到的车辆运行数据，输入速度预测模型实时预测得到未来速度序列，并将未来速度序列与历史速度序列拼接构成识别序列，将识别序列输入行驶工况在线识别模型，识别出车辆行驶工况。
下面给出了适于用来实现本申请实施例的电子设备(例如图1所示的服务器或终端设备)的计算机装置。电子设备仅仅是一个示例，不应对本申请实施例的功能和使用范围带来任何限制。
计算机装置包括中央处理单元(CPU)和图形处理器(GPU)，其可以根据存储在只读存储器(ROM)中的程序或者从存储部分加载到随机访问存储器(RAM)中的程序而执行各种适当的动作和处理。在RAM中，还存储有装置操作所需的各种程序和数据。CPU、GPU、ROM以及RAM通过总线彼此相连。输入/输出(I/O)接口也连接至总线。
以下部件连接至I/O接口：包括键盘、鼠标等的输入部分；包括诸如、液晶显示器(LCD)等以及扬声器等的输出部分；包括硬盘等的存储部分；以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分。通信部分经由诸如因特网的网络执行通信处理。驱动器也可以根据需要连接至I/O接口。可拆卸介质，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器上，以便于从其上读出的计算机程序根据需要被安装入存储部分。
特别地，根据本公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信部分从网络上被下载和安装，和/或从可拆卸介质被安装。在该计算机程序被中央处理单元(CPU)和图形处理器(GPU)执行时，执行本申请的方法中限定的上述功能。
需要说明的是，本申请所述的计算机可读介质可以是计算机可读信号介质或者计算机可读介质或者是上述两者的任意组合。计算机可读介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的装置、装置或器件，或者任意以上的组合。计算机可读介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本申请中，计算机可读介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行装置、装置或者器件使用或者与其结合使用。而在本申请中，计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行装置、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：无线、电线、光缆、RF等等，或者上述的任意合适的组合。
可以以一种或多种程序设计语言或其组合来编写用于执行本申请的操作的计算机程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
附图中的流程图和框图，图示了按照本申请各种实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的装置来实现，或者可以用专用硬件与计算机指令的组合来实现。
描述于本申请实施例中所涉及到的模块可以通过软件的方式实现，也可以通过硬件的方式来实现。所描述的模块也可以设置在处理器中。
作为另一方面，本申请还提供了一种计算机可读介质，该计算机可读介质可以是上述实施例中描述的电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该电子设备执行时，使得该电子设备：获取车辆历史运行数据，对车辆历史运行数据进行预处理，并构建运动学片段数据库，基于运动学片段数据库获取行驶工况在线识别训练数据；建立基于 IA优化SVM算法的行驶工况在线识别模型，通过行驶工况在线识别训练数据对基于IA 优化SVM算法的行驶工况在线识别模型进行训练，得到行驶工况在线识别模型；建立基于LSTM的速度预测模型，以车辆的历史行程作为速度预测训练数据对基于LSTM的速度预测模型进行训练，得到速度预测模型；获取实时采集到的车辆运行数据，输入速度预测模型实时预测得到未来速度序列，并将未来速度序列与历史速度序列拼接构成识别序列，将识别序列输入行驶工况在线识别模型，识别出车辆行驶工况。
以上描述仅为本申请的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本申请中所涉及的发明范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离上述发明构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本申请中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。
Claims (10)
1.一种基于LSTM速度预测优化的IA-SVM行驶工况识别方法，其特征在于，包括以下步骤：
S1，获取车辆历史运行数据，对所述车辆历史运行数据进行预处理，并构建运动学片段数据库，基于所述运动学片段数据库获取行驶工况在线识别训练数据；
S2，建立基于IA优化SVM算法的行驶工况在线识别模型，通过所述行驶工况在线识别训练数据对所述基于IA优化SVM算法的行驶工况在线识别模型进行训练，得到行驶工况在线识别模型；
S3，建立基于LSTM的速度预测模型，以车辆的历史行程作为速度预测训练数据对所述基于LSTM的速度预测模型进行训练，得到速度预测模型；
S4，获取实时采集到的车辆运行数据，输入所述速度预测模型实时预测得到未来速度序列，并将所述未来速度序列与历史速度序列拼接构成识别序列，将所述识别序列输入所述行驶工况在线识别模型，识别出车辆行驶工况。
2.根据权利要求1所述的基于LSTM速度预测优化的IA-SVM行驶工况识别方法，其特征在于，所述步骤S1具体包括：
S11，采用滤波降噪算法对所述车辆运行数据进行滤波降噪处理，并搭建所述运动学片段数据库，所述运动学片段数据库包括至少一个运动学片段的特征参数，以每个所述运动学片段的最高行驶速度、平均行驶速度，怠速时间比例构建特征参数矩阵；
S12，对所述特征参数矩阵进行标准化处理，得到标准化特征参数矩阵；
S13，通过聚类算法对所述标准化特征参数矩阵进行聚类分析，得到不同类型的车辆典型行驶工况，将所述标准化特征参数矩阵和所述不同类型的车辆典型行驶工况构成所述行驶工况在线识别训练数据。
3.根据权利要求2所述的基于LSTM速度预测优化的IA-SVM行驶工况识别方法，其特征在于，所述滤波降噪算法包括七点二次滤波算法，所述聚类算法包括PSO优化k均值聚类算法。
4.根据权利要求1所述的基于LSTM速度预测优化的IA-SVM行驶工况识别方法，其特征在于，所述步骤S2中在所述基于IA优化SVM算法的行驶工况在线识别模型的训练过程中通过IA算法离线训练迭代优化处理得到不同识别周期和更新周期下对应SVM算法中的最优的惩罚因子C和RBF核函数宽度g，通过Lagrange乘子法求得判别函数，以离线识别精度为适应度函数。
5.根据权利要求4所述的基于LSTM速度预测优化的IA-SVM行驶工况识别方法，其特征在于，所述步骤S2还包括确定所述行驶工况在线识别模型的最优识别周期和更新周期的长度。
6.根据权利要求4所述的基于LSTM速度预测优化的IA-SVM行驶工况识别方法，其特征在于，所述IA算法包括抗原识别和生成抗体、抗体评价以及免疫进化，其中所述抗原识别和生成抗体为确定约束条件、抗体评价函数和抗体编码方式，并产生初始抗体；所述抗体评价是通过计算抗体亲和力和浓度实现；所述免疫进化包括免疫选择、变异、克隆、抑制以及刷新种群。
7.根据权利要求1所述的基于LSTM速度预测优化的IA-SVM行驶工况识别方法，其特征在于，所述步骤S3中基于LSTM的速度预测模型包括输入层、隐藏层和输出层，所述输入层、隐藏层和输出层之间的关系细化为输入门、遗忘门、输出门之间的关系：
ft＝σg(Wfxt+Ufht-1+bf)；
it＝σg(Wixt+Uiht-1+bi)；
ot＝σg(Woxt+Uoht-1+bo)；
ht＝ot*tanh(Ct)；
其中，σg为门激活函数，Wf、Wi、Wo、WC为将隐藏层输入映射到输入门、遗忘门和输出门的权重矩阵；Uf、Ui、Uo、UC为连接输入门、遗忘门和输出门与输入单元状态的权重矩阵；bf、bi、bo、bC为偏差向量；Ct为细胞输入状态，Ct-1为细胞输出状态。
8.根据权利要求5所述的基于LSTM速度预测优化的IA-SVM行驶工况识别方法，其特征在于，所述步骤S4中将所述识别序列输入训练后的所述行驶工况在线识别模型之前还包括：对所述识别序列进行预处理，再将其转换为最优识别周期内的特征参数矩阵。
9.一种基于LSTM速度预测优化的IA-SVM行驶工况识别装置，其特征在于，包括：
行驶工况在线识别训练数据获取模块，被配置为获取车辆历史运行数据，对所述车辆历史运行数据进行预处理，并构建运动学片段数据库，基于所述运动学片段数据库获取行驶工况在线识别训练数据；
行驶工况在线识别模型建立模块，被配置为建立基于IA优化SVM算法的行驶工况在线识别模型，通过所述行驶工况在线识别训练数据对所述基于IA优化SVM算法的行驶工况在线识别模型进行训练，得到行驶工况在线识别模型；
速度预测模型建立模块，被配置为建立基于LSTM的速度预测模型，以车辆的历史行程作为速度预测训练数据对所述基于LSTM的速度预测模型进行训练，得到速度预测模型；
车辆行驶工况识别模块，被配置为获取实时采集到的车辆运行数据，输入所述速度预测模型实时预测得到未来速度序列，并将所述未来速度序列与历史速度序列拼接构成识别序列，将所述识别序列输入所述行驶工况在线识别模型，识别出车辆行驶工况。
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，该程序被处理器执行时实现如权利要求1-7中任一所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111241720.3A CN114004993A (zh) | 2021-10-25 | 2021-10-25 | 基于lstm速度预测优化的ia-svm行驶工况识别方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111241720.3A CN114004993A (zh) | 2021-10-25 | 2021-10-25 | 基于lstm速度预测优化的ia-svm行驶工况识别方法及装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114004993A true CN114004993A (zh) | 2022-02-01 |
Family
ID=79923848
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111241720.3A Pending CN114004993A (zh) | 2021-10-25 | 2021-10-25 | 基于lstm速度预测优化的ia-svm行驶工况识别方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114004993A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115223271A (zh) * | 2022-06-28 | 2022-10-21 | 东软睿驰汽车技术（沈阳）有限公司 | 车辆剩余信息误差的关注度获得方法及相关装置 |
| CN115973171A (zh) * | 2023-01-04 | 2023-04-18 | 广州小鹏汽车科技有限公司 | 车辆速度控制方法、装置、车辆及存储介质 |
| CN117195083A (zh) * | 2023-11-08 | 2023-12-08 | 福建南方路面机械股份有限公司 | 基于电流曲线的坍落度预测方法、装置及可读介质 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111310583A (zh) * | 2020-01-19 | 2020-06-19 | 中国科学院重庆绿色智能技术研究院 | 一种基于改进的长短期记忆网络的车辆异常行为识别方法 |
| CN111832225A (zh) * | 2020-07-07 | 2020-10-27 | 重庆邮电大学 | 一种构建汽车行驶工况的方法 |
| CN112265546A (zh) * | 2020-10-26 | 2021-01-26 | 吉林大学 | 基于时空序列信息的网联汽车车速预测方法 |
| CN112508220A (zh) * | 2020-09-22 | 2021-03-16 | 内蒙古工业大学 | 车流预测方法和装置 |
| WO2021103625A1 (zh) * | 2019-11-25 | 2021-06-03 | 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 |
-
2021
- 2021-10-25 CN CN202111241720.3A patent/CN114004993A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2021103625A1 (zh) * | 2019-11-25 | 2021-06-03 | 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 |
| CN111310583A (zh) * | 2020-01-19 | 2020-06-19 | 中国科学院重庆绿色智能技术研究院 | 一种基于改进的长短期记忆网络的车辆异常行为识别方法 |
| CN111832225A (zh) * | 2020-07-07 | 2020-10-27 | 重庆邮电大学 | 一种构建汽车行驶工况的方法 |
| CN112508220A (zh) * | 2020-09-22 | 2021-03-16 | 内蒙古工业大学 | 车流预测方法和装置 |
| CN112265546A (zh) * | 2020-10-26 | 2021-01-26 | 吉林大学 | 基于时空序列信息的网联汽车车速预测方法 |
Non-Patent Citations (1)
| Title |
|---|
| 石琴;仇多洋;吴冰;李一鸣;刘炳姣;: "基于粒子群优化支持向量机算法的行驶工况识别及应用", 中国机械工程, no. 15, 3 August 2018 (2018-08-03), pages 115 - 123 * |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115223271A (zh) * | 2022-06-28 | 2022-10-21 | 东软睿驰汽车技术（沈阳）有限公司 | 车辆剩余信息误差的关注度获得方法及相关装置 |
| CN115223271B (zh) * | 2022-06-28 | 2024-05-07 | 东软睿驰汽车技术（沈阳）有限公司 | 车辆剩余信息误差的关注度获得方法及相关装置 |
| CN115973171A (zh) * | 2023-01-04 | 2023-04-18 | 广州小鹏汽车科技有限公司 | 车辆速度控制方法、装置、车辆及存储介质 |
| CN117195083A (zh) * | 2023-11-08 | 2023-12-08 | 福建南方路面机械股份有限公司 | 基于电流曲线的坍落度预测方法、装置及可读介质 |
| CN117195083B (zh) * | 2023-11-08 | 2024-03-12 | 福建南方路面机械股份有限公司 | 基于电流曲线的坍落度预测方法、装置及可读介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN114004993A (zh) | 基于lstm速度预测优化的ia-svm行驶工况识别方法及装置 | |
| Mousavi et al. | Traffic light control using deep policy‐gradient and value‐function‐based reinforcement learning | |
| Lin et al. | An ensemble learning velocity prediction-based energy management strategy for a plug-in hybrid electric vehicle considering driving pattern adaptive reference SOC | |
| TW201947510A (zh) | 保險業務風險預測的處理方法、裝置及處理設備 | |
| CN110570678B (zh) | 一种公交车辆从起点到终点总行驶时间预测方法及装置 | |
| WO2023082726A1 (zh) | 换道策略生成方法和装置、计算机存储介质、电子设备 | |
| Li et al. | An adaptive online prediction method with variable prediction horizon for future driving cycle of the vehicle | |
| CN114219360A (zh) | 基于模型优化的监控安全预测方法及系统 | |
| CN115691137A (zh) | 一种基于因果马尔科夫模型的多模态数据预测方法 | |
| CN115099326A (zh) | 基于人工智能的行为预测方法、装置、设备及存储介质 | |
| Liu et al. | A construction-and-repair based method for vehicle scheduling of bus line with branch lines | |
| CN117350336A (zh) | 充电负荷预测及模型训练方法、装置、设备及存储介质 | |
| CN116968721A (zh) | 一种混合动力汽车预测式能量管理方法、系统和存储介质 | |
| Jiao et al. | Vehicle speed prediction using a combined neural network of convolution and gated recurrent unit with attention | |
| CN111582649B (zh) | 基于用户app独热编码的风险评估方法、装置和电子设备 | |
| Cao et al. | City buses’ future velocity prediction for multiple driving cycle: A meta supervised learning solution | |
| Liu et al. | Efficient bus arrival time prediction based on spark streaming platform | |
| CN113657724A (zh) | 基于多源异构数据的资源分配方法、装置和电子设备 | |
| Zhang et al. | Dynamic pricing strategy for high occupancy toll lanes based on random forest and nested model | |
| CN113762972A (zh) | 数据存储控制方法及装置、电子设备、存储介质 | |
| Kong et al. | Variable horizon-based predictive energy management strategy for plug-in hybrid electric vehicles and determination of a suitable predictive horizon | |
| Nurcahya et al. | Forecasting fuel consumption based-on OBD II data | |
| CN111966897B (zh) | 一种出行意愿的感知方法、装置、终端及存储介质 | |
| CN117590766B (zh) | 通道入口导流栏杆角度调整的控制方法和装置 | |
| Piao et al. | Adaptive driver following model that integrates perception process and driving behavior |
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 |