CN114889624A - 车速预测方法、装置、设备和存储介质 - Google Patents

车速预测方法、装置、设备和存储介质 Download PDF

Info

Publication number
CN114889624A
CN114889624A CN202210567413.2A CN202210567413A CN114889624A CN 114889624 A CN114889624 A CN 114889624A CN 202210567413 A CN202210567413 A CN 202210567413A CN 114889624 A CN114889624 A CN 114889624A
Authority
CN
China
Prior art keywords
vehicle speed
speed prediction
prediction model
state transition
time period
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
Application number
CN202210567413.2A
Other languages
English (en)
Inventor
王蓉
宋廷伦
何艳则
钟田财
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.)
Chery Automobile Co Ltd
Original Assignee
Chery Automobile 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 Chery Automobile Co Ltd filed Critical Chery Automobile Co Ltd
Priority to CN202210567413.2A priority Critical patent/CN114889624A/zh
Publication of CN114889624A publication Critical patent/CN114889624A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • 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
    • B60W50/00—Details of control systems for road vehicle drive control not related to the control of a particular sub-unit, e.g. process diagnostic or vehicle driver interfaces
    • 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
    • B60W50/00—Details of control systems for road vehicle drive control not related to the control of a particular sub-unit, e.g. process diagnostic or vehicle driver interfaces
    • B60W2050/0001—Details of the control system
    • B60W2050/0019—Control system elements or transfer functions
    • B60W2050/0028—Mathematical models, e.g. for simulation
    • 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
    • Y02T10/80—Technologies aiming to reduce greenhouse gasses emissions common to all road transportation technologies
    • Y02T10/84—Data processing systems or methods, management, administration

Landscapes

  • Engineering & Computer Science (AREA)
  • Automation & Control Theory (AREA)
  • Transportation (AREA)
  • Mechanical Engineering (AREA)
  • Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Human Computer Interaction (AREA)
  • Traffic Control Systems (AREA)

Abstract

本公开提供了一种车速预测方法、装置、设备和存储介质，属于车辆行驶工况预测技术领域。所述方法包括：获得车辆行驶过程中的目标行驶数据集合，所述目标行驶数据集合包括在第一时间段内采集到的多个行驶数据组，每个所述行驶数据组包括采集时间、所述车辆的加速度和速度；采用所述目标行驶数据集合，对所述第一时间段内使用的第一车速预测模型进行更新，得到第二车速预测模型，所述第一车速预测模型和所述第二车速预测模型为马尔科夫车速预测模型；采用所述第二车速预测模型，对第二时间段内的车速进行预测，所述第二时间段为所述第一时间段之后且与所述第一时间段相邻的时间段。该方法能够提高车速预测的准确性。

Description

车速预测方法、装置、设备和存储介质
技术领域
本公开涉及车辆行驶工况预测技术领域，特别涉及一种车速预测方法、装置、设备和存储介质。
背景技术
车速代表车辆的一个核心运动状态，影响着车辆扭矩请求、档位控制、稳定性控制等诸多功能。车速预测准确，有利于优化混合动力汽车的功率分配，从而提高车辆的燃油经济性。
相关技术中，车速预测方法包括：采用历史数据离线训练得到车速预测模型，并采用该车速预测模型对车辆行驶过程中的车速进行预测。该历史数据通常包括标准驾驶工况对应的行驶数据。
由于历史数据与车辆行驶过程中的行驶数据存在差异，采用该方法预测的车速准确性低。
发明内容
本公开实施例提供了一种车速预测方法、装置、设备和存储介质，能够提高车速预测的准确性。所述技术方案如下：
第一方面，提供了一种车速预测方法，所述方法包括：获得车辆行驶过程中的目标行驶数据集合，所述目标行驶数据集合包括在第一时间段内采集到的多个行驶数据组，每个所述行驶数据组包括采集时间、所述车辆的加速度和所述车辆的速度；采用所述目标行驶数据集合，对所述第一时间段内使用的第一车速预测模型进行更新，得到第二车速预测模型，所述第一车速预测模型和所述第二车速预测模型均为马尔科夫车速预测模型，所述马尔科夫车速预测模型用于描述在各个预测时刻从第一加速度和第一速度状态变为第二加速度的概率分布；采用所述第二车速预测模型，对第二时间段内的车速进行预测，所述第二时间段为所述第一时间段之后且与所述第一时间段相邻的时间段。
可选地，所述采用所述目标行驶数据集合，对所述第一时间段内使用的第一车速预测模型进行更新，包括：根据所述目标行驶数据集合，确定所述目标行驶数据集合对应的状态转移频数矩阵；根据所述状态转移频数矩阵，对所述第一车速预测模型进行更新，得到所述第二车速预测模型。
可选地，所述第一车速预测模型包括第一状态转移频率矩阵；所述根据所述状态转移频数矩阵，对所述第一车速预测模型进行更新，得到所述第二车速预测模型，包括：根据设定的遗忘因子、所述第一状态转移频率矩阵和所述状态转移频数矩阵，计算目标状态转移频数矩阵；根据所述目标状态转移频数矩阵，确定目标状态转移频率矩阵，以得到所述第二车速预测模型。
可选地，所述根据设定的遗忘因子、所述第一状态转移频率矩阵和所述状态转移频数矩阵，计算目标状态转移频数矩阵，包括：将所述设定的遗忘因子与所述第一状态转移频率矩阵的乘积与所述状态转移频数矩阵相加，得到所述目标状态转移频数矩阵。
可选地，所述方法还包括：基于调试数据集合，采用多个候选遗忘因子分别对初始车速预测模型进行更新，得到多个测试车速预测模型，所述初始车速预测模型为采用标准驾驶工况对应的行驶数据训练得到的车速预测模型；确定所述多个测试车速预测模型对应的车速预测误差，所述车速预测误差为采用对应的所述测试车速预测模型预测的车速与真实车速之间的误差；将所述车速预测误差小于误差阈值时的测试车速预测模型所对应的候选遗忘因子，确定为所述设定的遗忘因子。
第二方面，提供了一种车速预测装置，所述装置包括：获取模块，用于获得车辆行驶过程中的目标行驶数据集合，所述目标行驶数据集合包括在第一时间段内采集到的多个行驶数据组，每个所述行驶数据组包括采集时间、所述车辆的加速度和所述车辆的速度；更新模块，用于采用所述目标行驶数据集合，对所述第一时间段内使用的第一车速预测模型进行更新，得到第二车速预测模型，所述第一车速预测模型和所述第二车速预测模型均为马尔科夫车速预测模型，所述马尔科夫车速预测模型用于描述在各个预测时刻从第一加速度和第一速度状态变为第二加速度的概率分布；车速预测模块，用于采用所述第二车速预测模型，对第二时间段内的车速进行预测，所述第二时间段为所述第一时间段之后且与所述第一时间段相邻的时间段。
可选地，所述更新模块用于，根据所述目标行驶数据集合，确定所述目标行驶数据集合对应的状态转移频数矩阵；根据所述状态转移频数矩阵，对所述第一车速预测模型进行更新，得到所述第二车速预测模型。
可选地，所述第一车速预测模型包括第一状态转移频率矩阵；所述更新模块用于，根据设定的遗忘因子、所述第一状态转移频率矩阵和所述状态转移频数矩阵，计算目标状态转移频数矩阵；根据所述目标状态转移频数矩阵，确定目标状态转移频率矩阵，以得到所述第二车速预测模型。
可选地，所述更新模块，用于将所述设定的遗忘因子与所述第一状态转移频率矩阵的乘积与所述状态转移频数矩阵相加，得到所述目标状态转移频数矩阵。
可选地，所述装置还包括确定模块，所述确定模块用于，基于调试数据集合，采用多个候选遗忘因子分别对初始车速预测模型进行更新，得到多个测试车速预测模型，所述初始车速预测模型为采用标准驾驶工况对应的行驶数据训练得到的车速预测模型；确定所述多个测试车速预测模型对应的车速预测误差，所述车速预测误差为采用对应的所述测试车速预测模型预测的车速与真实车速之间的误差；将所述车速预测误差小于误差阈值时的测试车速预测模型所对应的候选遗忘因子，确定为所述设定的遗忘因子。
第三方面，提供了一种计算机设备，包括：处理器；用于存储处理器可执行指令的存储器；其中，所述处理器被配置为执行第一方面所述的方法。
第四方面，提供了一种计算机可读介质，当计算机可读介质中的指令由计算机设备的处理器执行时，使得计算机设备能够执行第一方面所述的方法。
第五方面，提供了一种计算机程序产品，包括计算机程序/指令，其特征在于，所述计算机程序/指令被处理器执行时实现第一方面所述的方法。
本公开实施例提供的技术方案带来的有益效果是：
本公开实施例中，采用马尔科夫车速预测模型作为车速预测模型，并采用车辆行驶过程中的第一时间段的目标行驶数据集合，对预测第一时间段内的车速的车速预测模型进行更新，得到第二车速预测模型。然后，采用第二车速预测模型对第二时间段内的车速进行预测。也即是，在车辆行驶过程中，可以采用车辆实际的行驶数据对车速预测模型更新。这样，根据第二车速预测模型预测的车速，能够更加接近车辆行驶的实际车速，从而可以提高车速预测的准确性。
附图说明
为了更清楚地说明本公开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单地介绍，显而易见地，下面描述中的附图仅仅是本公开的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本公开实施例提供的一种车速预测方法的流程图；
图2是本公开实施例提供的另一种车速预测方法的流程图；
图3是本公开实施例提供的一种车速预测装置的结构框图；
图4是本公开实施例提供的一种计算机设备的结构框图。
具体实施方式
为使本公开的目的、技术方案和优点更加清楚，下面将结合附图对本公开实施方式作进一步地详细描述。
对于混合动力汽车而言，需要通过能量管理策略来协调动力需求在多种能源之间的分配方式，以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等。车速预测是能量管理策略能够有效应用的基础。
图1是本公开实施例提供的一种车速预测方法的流程图，该方法可以由车辆控制器执行。参见图1，该方法包括：
在步骤101中，获得车辆行驶过程中的目标行驶数据集合。
目标行驶数据集合包括在第一时间段内采集到的多个行驶数据组。
其中，第一时间段指当前时刻之前的设定长度的时间段。
每个行驶数据组包括采集时间、车辆的加速度和车辆的速度。示例性地，车辆的速度可以通过安装在车辆上的速度传感器获取，车辆的加速度可以通过安装在车辆上的加速度传感器获取。
在步骤102中，采用目标行驶数据集合，对第一时间段内使用的第一车速预测模型进行更新，得到第二车速预测模型。
其中，该第一车速预测模型和第二车速预测模型为马尔科夫车速预测模型，该马尔科夫车速预测模型用于描述在各个预测时刻从第一加速度和第一速度状态变为第二加速度的概率分布。第一时间段内使用的第一车速预测模型即第一时间段内采用该第一车速预测模型对车速进行预测。
在某一时刻t0所处的状态已知的条件下，时刻t>t0时的状态只和t0时刻有关，而与t0以前的状态无关，这种随机过程称为马尔科夫过程。在车辆的行驶过程中，随着路况的变化和驾驶员驾驶意图的改变，车速的改变是不确定的，未来车速可以被看作是一种随机变量，车辆的车速变化可以被认为是一种马尔科夫过程。因此，本公开实施例中，构建马尔科夫车速预测模型预测车辆的车速。
在步骤103中，采用第二车速预测模型，对第二时间段内的车速进行预测。
在一些示例中，车辆行驶过程中包括多个连续相邻的时间段，第一时间段为多个相邻的时间段中的一个。第二时间段为第一时间段之后且与第一时间段相邻的时间段。示例性地，第一时间段为t+1-ΔT～t，第二时间段为t+1～t+ΔT。其中，ΔT表示设定长度，单位可以为秒。
本公开实施例中，采用马尔科夫车速预测模型作为车速预测模型，并采用车辆行驶过程中的第一时间段的目标行驶数据集合，对预测第一时间段内的车速的车速预测模型进行更新，得到第二车速预测模型。然后，采用第二车速预测模型对第二时间段内的车速进行预测。也即是，在车辆行驶过程中，可以采用车辆实际的行驶数据对车速预测模型更新。这样，根据第二车速预测模型预测的车速，能够更加接近车辆行驶的实际车速，从而可以提高车速预测的准确性。
图2是本公开实施例提供的另一种车速预测方法的流程图，该方法可以由车辆控制器执行。参见图2，该方法包括：
在步骤201中，获取参考行驶数据集合。
参考行驶数据集合包括高速、城郊、城市通畅和城市拥堵四种驾驶场景下的标准驾驶工况对应的行驶数据。
示例性地，标准驾驶工况包括但不限于HWFET(Highway Fuel Economy TestCycle，公路燃油经济性试验循环)工况、US06_HWY(US06_Highway，US06公路)工况、INDIA_HWY_SAMPLE(印度公路样本)工况、WVUINTER(West Virginia Interstate DrivingSchedule，西弗吉尼亚州际行车时间表)工况、UDDS(Urban Dynamometer DrivingSchedule，城市测功机驾驶计划)工况、INDIA_URBAN_SAMPLE(印度城市样本)工况、NYCC(The New York City Cycle，纽约城市循环)工况和MANHATTAN(曼哈顿)工况中的至少一个。
标准驾驶工况对应的行驶数据用于描述车辆的速度随行驶时间的变化，以及车辆的加速度随行驶时间的变化。标准驾驶工况对应的行驶数据根据具体的标准驾驶工况进行设定，然后存储在车辆控制器的存储单元中。
在步骤202中，根据参考行驶数据集合，得到初始车速预测模型。
该初始车速预测模型用于预测第一个时间段内的车速。也即是，在车辆首次运行时，可以采用该初始车速预测模型对车速进行预测。
在一些实施方式中，步骤202包括以下步骤：
第一步，确定状态空间。状态空间包括加速度序列和速度序列。加速度序列和速度序列为离散的等间距序列。加速度序列和速度序列的间距可以根据实际需要进行设置。
加速度序列所包含的加速度值均大于或等于第一加速度阈值且小于或等于第二加速度阈值。第一加速度阈值为预设的最小加速度，第二加速度阈值为预设的最大加速度。
速度序列所包含的速度值均大于或等于第一速度阈值且小于或等于第二速度阈值。第一速度阈值为预设的最小速度，第二速度阈值为预设的最大速度。
第二步，基于状态空间，确定参考行驶数据集合对应的状态转移频数矩阵。
参考行驶数据集合对应的状态转移频数矩阵用于描述，在当前时刻的速度和加速度状态下，车辆在每个预测时刻对应的加速度状态转移发生的次数。在本申请实施例中，参考行驶数据集合对应有多个状态转移频数矩阵，每个状态转移频数矩阵对应一个预测时刻。
示例性地，参考行驶数据集合对应的状态转移频数矩阵可以采用公式(1)进行表示，公式(1)如下：
Figure BDA0003658078400000061
公式(1)中，
Figure BDA0003658078400000062
表示参考行驶数据集合对应的第m个预测时刻的状态转移频数矩阵。m∈{1，2，3，…，Lp}，Lp为预设的车速预测时间长度。
i和j分别表示第i个和第j个离散加速度状态，i∈{1，2，3，...，La}，j∈{1，2，3，...，La}，La表示加速度序列对应的离散加速度的状态数，La小于或等于第一加速序列对应的离散加速度的个数。
n表示第n个离散速度状态，n∈{1，2，3，...，Lv}，Lv表示速度序列对应的离散速度的状态数，Lv小于或等于速度序列对应的离散速度的个数。
a(k)和v(k)分别表示参考行驶数据集合中，行驶时间为k时对应的车辆的加速度和车速。k表示当前时刻，k以设定时间间隔Δt(例如Δt＝1)遍历参考行驶数据集合对应的行驶数据。ai表示a(k)在加速度序列中对应的第i个离散加速度。vn表示v(k)在速度序列中对应的第n个离散加速度。ai和vn分别对a(k)和v(k)采用NNM(The nearest-neighborhoodmethod，最近邻法则)法则得到。
下面以a(k)为例说明确定ai的过程：确定a(k)与加速度序列中的每个离散加速度值之间的差值；将加速度序列中与a(k)之间的差值的绝对值为最小差值时对应的离散加速值，确定为ai。
a(k+m)表示当行驶时间为k时，第m个预测时刻对应的车辆的加速度(也即，(k+m)时刻对应的车辆的加速度)。
N(a(k+m)＝aj|a(k)＝ai，v(k)＝vn)表示在a(k)等于ai且v(k)等于vn时，a(k+m)为aj的次数。aj表示加速度序列中第j个离散加速度。
在一些示例中，第m个预测时刻的状态转移频数矩阵为大小为La行(La*Lv)列的矩阵。其中，(La*Lv)表示加速度序列和速度序列对应的总状态数，La表示加速度序列的离散加速度状态数。参考行驶数据集合对应的状态转移频数矩阵中的第p行第q列的元素Npq表示从状态q转移到状态p的次数。
第三步，根据参考行驶数据集合对应的状态转移频数矩阵，确定参考行驶数据集合对应的状态转移频率矩阵。
参考行驶数据集合对应的状态转移频率矩阵用于描述当前时刻的速度和加速度状态下，车辆在每个预测时刻下的加速度状态转移概率分布。在本申请实施例中，参考行驶数据集合对应有多个状态转移频率矩阵，每个状态转移频率矩阵对应一个预测时刻。
示例性地，参考行驶数据集合对应的状态转移频率矩阵采用公式(2)计算得到，公式(2)如下：
Figure BDA0003658078400000071
公式(2)中，
Figure BDA0003658078400000072
表示参考行驶数据集合对应第m个预测时刻的状态转移频率矩阵，i、j、m和n的相关内容，参见前述公式(1)，在此省略详细描述。
Figure BDA0003658078400000081
表示公式(1)中的状态转移频数矩阵。
Figure BDA0003658078400000082
表示加速度序列的状态数为La时，在a(k)等于ai且v(k)等于vn的情况下，转移到加速度序列的所有离散加速度值的次数之和。
在一些示例中，参考行驶数据集合对应的第m个预测时刻的状态转移频率矩阵为大小为La行(La*Lv)列的矩阵。其中，(La*Lv)表示加速度序列和速度序列对应的总状态数，La表示加速度序列的离散加速度状态数。参考行驶数据集合对应的状态转移频率矩阵中的第p行第q列的元素Npq′表示从状态q转移到状态p的概率。
第四步、根据参考行驶数据集合对应的状态转移频率矩阵，得到初始车速预测模型。
本公开实施例中，初始车速预测模型为单阶多步模型。在单阶多步模型中，第i个车速的状态与第(i-1)个的车速的状态有关。
在一些实施方式中，初始车速预测模型采用公式(3)得到，公式(3)如下：
v(t+m)＝v(t+m-1)+a(m)*Δt*3.6 (3)
公式(3)中，v(t+m)表示当前时刻为t时，第m个预测时刻预测的车辆的速度，v(t+m-1)表示第(m-1)个预测时刻预测的车辆的速度。a(m)表示第m个预测时刻的期望加速度。Δt表示相邻预测时刻之间的时间间隔，例如，Δt为1s。由于本公开实施例中的时间单位为s，速度的单位为km/h，3.6为转换系数，用于将a(m)*Δt的单位转换为km/h。a(m)采用公式(4)得到，公式(4)如下：
Figure BDA0003658078400000083
公式(4)中，a(m)表示第m个预测时刻的期望加速度。aj表示加速度序列中对应的第j个离散加速度，La表示加速度序列的离散加速度状态数，
Figure BDA0003658078400000084
表示前述公式(2)得到的参考行驶数据集合对应的状态转移频率矩阵。
可选地，本公开实施例中，步骤201和步骤202为可选步骤。在其他的实施方式中，车辆控制器的存储单元中直接存储有根据参考行驶数据集合得到的初始车速预测模型，车辆控制器可以直接从存储单元中获取初始车速预测模型。
在步骤203中，获得车辆行驶过程中的目标行驶数据集合。
目标行驶数据集合包括在第一时间段内采集到的多个行驶数据组。目标行驶数据集合的相关内容，参见前述步骤101，在此省略详细描述。
在步骤204中，采用目标行驶数据集合，对第一时间段内使用的第一车速预测模型进行更新，得到第二车速预测模型。
第1次对预测第一时间段内的车速的车速预测模型进行更新时，预测第一时间段内的车速的车速预测模型采用参考行驶数据集合训练得到，即为前述初始车速预测模型。第n次对预测第一时间段内的车速的车速预测模型进行更新时，预测第一时间段内的车速的车速预测模型为上一次(即n-1次)更新后得到的第二车速预测模型。其中，n为大于1的整数。
例如，车辆行驶过程中包括时间段T1～T2、T2～T3和T3～T4。预测时间段T1～T2内的车速的车速预测模型为前述初始车速预测模型；预测时间段T2～T3内的车速的车速预测模型为，对预测时间段T1～T2的车速模型进行更新后得到的第二车速预测模型；预测时间段T3～T4内的车速的车速预测模型为，对预测时间段T2～T3的车速模型进行更新后得到的第二车速预测模型。
本公开实施例中，步骤204包括：第一步，根据目标行驶数据集合，确定目标行驶数据集合对应的状态转移频数矩阵；第二步，根据目标行驶数据集合对应的状态转移频数矩阵，对第一车速预测模型进行更新，得到第二车速预测模型。
目标行驶数据集合对应的状态转移频数矩阵用于描述，在当前时刻的速度和加速度状态下，车辆在每个预测时刻对应的加速度状态转移发生的次数。在本申请实施例中，目标行驶数据集合对应有多个状态转移频数矩阵，每个状态转移频数矩阵对应一个预测时刻。
目标行驶数据集合对应的状态转移频数矩阵可以采用公式(5)进行表示，公式(5)如下：
Figure BDA0003658078400000091
公式(5)中，
Figure BDA0003658078400000092
表示目标行驶数据集合对应的第m个预测时刻的状态转移频数矩阵。m的相关内容参见公式(1)。
i和j分别表示第i个和第j个离散加速度状态，i∈{1，2，3，...，La}，j∈{1，2，3，...，La}，La表示加速度序列的对应的离散加速度的状态数，La小于或等于第二加速序列对应的离散加速度的个数。n表示第n个离散速度状态，n∈{1，2，3，...，Lv}，Lv表示速度序列对应的离散速度的状态数，Lv小于或等于速度序列对应的离散速度的个数。
a(k)和v(k)分别表示目标行驶数据集合中，行驶时间为k时对应的车辆的加速度和车速。k表示当前时刻，k以设定时间间隔Δt(例如Δt＝1)遍历目标行驶数据集合对应的行驶数据。ai表示a(k)在加速度序列中对应的第i个离散加速度。υn表示v(k)在速度序列中对应的第n个离散速度。ai和υn分别对a(k)和v(k)采用NNM法则得到。NNM法则的相关内容参见前述步骤202，在此省略详细描述。
a(k+m)表示当行驶时间为k时，第m个预测时刻对应的车辆的加速度(也即，(k+m)时刻对应的车辆的加速度)。N(a(k+m)＝aj|a(k)＝ai，v(k)＝vn)表示在a(k)等于ai且v(k)等于υn时，a(k+m)为aj的次数。aj表示加速度序列中第j个离散加速度。
在一些实施方式中，第一车速预测模型包括第一状态转移频率矩阵，第二车速预测模型包括目标状态转移频率矩阵。根据目标行驶数据集合对应的状态转移频数矩阵，对第一车速预测模型进行更新，得到第二车速预测模型，包括：
第一步，根据设定的遗忘因子、第一状态转移频率矩阵和目标行驶数据集合对应的状态转移频数矩阵，计算目标状态转移频数矩阵。该设定的遗忘因子用于对第一时间段内使用的第一车速预测模型进行修正。例如，将设定的遗忘因子与第一状态转移频率矩阵的乘积与目标行驶数据集合对应的状态转移频数矩阵相加，得到目标状态转移频数矩阵。
本公开实施例中，采用公式(6)计算目标状态转移频数矩阵，公式(6)如下：
Figure BDA0003658078400000101
公式(6)中，μ表设定的遗忘因子，μ大于0且小于1，车辆控制器的存储单元中存储有设定的μ。K表示车速预测模型的更新次数，K的初始值为0。TPM(K)表示预测第一时间段内的车速的车速预测模型所对应的状态转移频率矩阵，TPM(0)为步骤202中参考行驶数据集合对应的状态转移频率矩阵。TFM(K)表示目标行驶数据集合对应的状态转移频数矩阵。TFM(K+1)表示更新后的目标状态转移频数矩阵。
由于设定的遗忘因子的数值μ大于0且小于1，且TPM(K)(状态转移频率矩阵)中的数值也是大于0且小于1的，将设定的遗忘因子的倒数与TPM(K)相乘，可以将TPM(K)以指定的比例转化为状态转移频数矩阵。
第二步，根据目标状态转移频数矩阵，确定目标状态转移频率矩阵，以得到第二车速预测模型。
在一些实施方式中，采用公式(7)计算目标状态转移频率矩阵，公式(7)如下：
Figure BDA0003658078400000111
公式(7)中，
Figure BDA0003658078400000112
表示第m个预测时刻的目标状态转移频率矩阵。
Figure BDA0003658078400000113
表示公式(6)对应的第m个预测时刻的目标状态转移频数矩阵，
Figure BDA0003658078400000114
表示加速度序列的状态数为La时，在a(k)等于ai且v(k)等于υn的情况下，转移到加速度序列的所有离散加速度值的次数之和。
第三步，根据目标状态转移频率矩阵，确定第二车速预测模型。
需要说明的是，第二车速预测模型与初始车速预测模型的区别在于，用于预测加速度的状态转移频率矩阵不同。
本公开实施例中，遗忘因子可以在本公开实施例的车速预测方法执行之前预先设定的。实际应用中，遗忘因子可以根据基于调试数据集合得到的车速预测误差设定。例如，遗忘因子可以采用以下方式进行设定：基于调试数据集合，采用多个候选遗忘因子分别对初始车速预测模型进行更新(更新的方式参见目标车速预测模型的更新方式，在此不再赘述)，得到多个测试车速预测模型，初始车速预测模型为采用标准驾驶工况对应的行驶数据训练得到的车速预测模型；确定多个测试车速预测模型对应的车速预测误差，车速预测误差为采用对应的测试车速预测模型预测的车速与真实车速之间的误差；将车速预测误差小于误差阈值时的测试车速预测模型所对应的候选遗忘因子，确定为设定的遗忘因子。
在一些示例中，车速预测误差可以采用以下公式(8)计算。
Figure BDA0003658078400000115
公式(8)中，
Figure BDA0003658078400000116
表示车速预测误差，即所有预测时刻的车速均方根误差的均值。Np表示车速预测实验过程中预测车速的次数，Lp表示车速预测时间长度，υp(t)表示预测的车速，vr(t)表示采集的实际车速。
示例性地，误差阈值根据实际需要进行设定，本公开实施例对此不做限制。
本公开实施例中，采用车速预测误差小于误差阈值时的候选遗忘因子，作为设定的遗忘因子，可以使得更新后的第二车速预测模型更加准确。
在步骤205中，采用第二车速预测模型，对第二时间段内的车速进行预测。
第二时间段为第一时间段之后且与第一时间段相邻的时间段。
本公开实施例中，采用马尔科夫车速预测模型作为车速预测模型，并采用车辆行驶过程中的第一时间段的目标行驶数据集合，对预测第一时间段内的车速的车速预测模型进行更新，得到第二车速预测模型。然后，采用第二车速预测模型对第二时间段内的车速进行预测。也即是，在车辆行驶过程中，可以采用车辆实际的行驶数据对车速预测模型更新。这样，根据第二车速预测模型预测的车速，能够更加接近车辆行驶的实际车速，从而可以提高车速预测的准确性。
图3是本公开实施例提供的一种车速预测装置300的结构框图，如图3所示，该装置包括：获取模块301、更新模块302和车速预测模块303。
其中，获取模块301用于获得车辆行驶过程中的目标行驶数据集合，所述目标行驶数据集合包括在第一时间段内采集到的多个行驶数据组，每个所述行驶数据组包括采集时间、所述车辆的加速度和所述车辆的速度。更新模块302用于采用所述目标行驶数据集合，对所述第一时间段内使用的第一车速预测模型进行更新，得到第二车速预测模型，所述第一车速预测模型和所述第二车速预测模型均为马尔科夫车速预测模型，所述马尔科夫车速预测模型用于描述在各个预测时刻从第一加速度和第一速度状态变为第二加速度的概率分布。车速预测模块303用于采用所述第二车速预测模型，对第二时间段内的车速进行预测，所述第二时间段为所述第一时间段之后且与所述第一时间段相邻的时间段。
可选地，所述更新模块302用于，根据所述目标行驶数据集合，确定所述目标行驶数据集合对应的状态转移频数矩阵；根据所述状态转移频数矩阵，对所述第一车速预测模型进行更新，得到所述第二车速预测模型。
可选地，所述第一车速预测模型包括第一状态转移频率矩阵；所述更新模块302用于，根据设定的遗忘因子、所述第一状态转移频率矩阵和所述状态转移频数矩阵，计算目标状态转移频数矩阵；根据所述目标状态转移频数矩阵，确定目标状态转移频率矩阵，以得到所述第二车速预测模型。
可选地，所述更新模块302，用于将所述设定的遗忘因子与所述第一状态转移频率矩阵的乘积与所述状态转移频数矩阵相加，得到所述目标状态转移频数矩阵。
可选地，所述装置还包括确定模块304，所述确定模块304用于，基于调试数据集合，采用多个候选遗忘因子分别对初始车速预测模型进行更新，得到多个测试车速预测模型，所述初始车速预测模型为采用标准驾驶工况对应的行驶数据训练得到的车速预测模型；确定所述多个测试车速预测模型对应的车速预测误差，所述车速预测误差为采用对应的所述测试车速预测模型预测的车速与真实车速之间的误差；将所述车速预测误差小于误差阈值时的测试车速预测模型所对应的候选遗忘因子，确定为所述设定的遗忘因子。
需要说明的是：上述实施例提供的车速预测装置在进行车速预测时，仅以上述各功能模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能模块完成，即将设备的内部结构划分成不同的功能模块，以完成以上描述的全部或者部分功能。另外，上述实施例提供的车速预测装置与车速预测方法实施例属于同一构思，其具体实现过程详见方法实施例，这里不再赘述。
图4是本公开实施例提供的计算机设备的结构框图。如图4所示，该计算机设备400可以是车载电脑等。该计算机设备400包括：处理器401和存储器402。
处理器401可以包括一个或多个处理核心，比如4核心处理器、8核心处理器等。处理器401可以采用DSP(Digital Signal Processing，数字信号处理)、FPGA(Field－Programmable Gate Array，现场可编程门阵列)、PLA(Programmable Logic Array，可编程逻辑阵列)中的至少一种硬件形式来实现。处理器401也可以包括主处理器和协处理器，主处理器是用于对在唤醒状态下的数据进行处理的处理器，也称CPU(Central ProcessingUnit，中央处理器)；协处理器是用于对在待机状态下的数据进行处理的低功耗处理器。在一些实施例中，处理器401可以在集成有GPU(Graphics Processing Unit，图像处理器)，GPU用于负责显示屏所需要显示的内容的渲染和绘制。一些实施例中，处理器401还可以包括AI(Artificial Intelligence，人工智能)处理器，该AI处理器用于处理有关机器学习的计算操作。
存储器402可以包括一个或多个计算机可读介质，该计算机可读介质可以是非暂态的。存储器402还可包括高速随机存取存储器，以及非易失性存储器，比如一个或多个磁盘存储设备、闪存存储设备。在一些实施例中，存储器402中的非暂态的计算机可读介质用于存储至少一个指令，该至少一个指令用于被处理器401所执行以实现本公开实施例中提供的车速预测方法。
本领域技术人员可以理解，图4中示出的结构并不构成对计算机设备400的限定，可以包括比图示更多或更少的组件，或者组合某些组件，或者采用不同的组件布置。
本公开实施例还提供了一种非临时性计算机可读介质，当介质中的指令由计算机设备400的处理器执行时，使得计算机设备400能够执行本公开实施例中提供的车速预测方法。
本公开实施例还提供了一种计算机程序产品，包括计算机程序/指令，计算机程序/指令被处理器执行时实现本公开实施例中提供的车速预测方法。
以上仅为本公开的可选实施例，并不用以限制本公开，凡在本公开的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本公开的保护范围之内。

Claims (10)

1.一种车速预测方法，其特征在于，所述方法包括：
获得车辆行驶过程中的目标行驶数据集合，所述目标行驶数据集合包括在第一时间段内采集到的多个行驶数据组，每个所述行驶数据组包括采集时间、所述车辆的加速度和所述车辆的速度；
采用所述目标行驶数据集合，对所述第一时间段内使用的第一车速预测模型进行更新，得到第二车速预测模型，所述第一车速预测模型和所述第二车速预测模型均为马尔科夫车速预测模型，所述马尔科夫车速预测模型用于描述在各个预测时刻从第一加速度和第一速度状态变为第二加速度的概率分布；
采用所述第二车速预测模型，对第二时间段内的车速进行预测，所述第二时间段为所述第一时间段之后且与所述第一时间段相邻的时间段。
2.根据权利要求1所述的方法，其特征在于，所述采用所述目标行驶数据集合，对所述第一时间段内使用的第一车速预测模型进行更新，包括：
根据所述目标行驶数据集合，确定所述目标行驶数据集合对应的状态转移频数矩阵；
根据所述状态转移频数矩阵，对所述第一车速预测模型进行更新，得到所述第二车速预测模型。
3.根据权利要求2所述的方法，其特征在于，所述第一车速预测模型包括第一状态转移频率矩阵；
所述根据所述状态转移频数矩阵，对所述第一车速预测模型进行更新，得到所述第二车速预测模型，包括：
根据设定的遗忘因子、所述第一状态转移频率矩阵和所述状态转移频数矩阵，计算目标状态转移频数矩阵；
根据所述目标状态转移频数矩阵，确定目标状态转移频率矩阵，以得到所述第二车速预测模型。
4.根据权利要求3所述的方法，其特征在于，所述根据设定的遗忘因子、所述第一状态转移频率矩阵和所述状态转移频数矩阵，计算目标状态转移频数矩阵，包括：
将所述设定的遗忘因子与所述第一状态转移频率矩阵的乘积与所述状态转移频数矩阵相加，得到所述目标状态转移频数矩阵。
5.根据权利要求3或4所述的方法，其特征在于，所述方法还包括：
基于调试数据集合，采用多个候选遗忘因子分别对初始车速预测模型进行更新，得到多个测试车速预测模型，所述初始车速预测模型为采用标准驾驶工况对应的行驶数据训练得到的车速预测模型；
确定所述多个测试车速预测模型对应的车速预测误差，所述车速预测误差为采用对应的所述测试车速预测模型预测的车速与真实车速之间的误差；
将所述车速预测误差小于误差阈值时的测试车速预测模型所对应的候选遗忘因子，确定为所述设定的遗忘因子。
6.一种车速预测装置，其特征在于，所述装置包括：
获取模块，用于获得车辆行驶过程中的目标行驶数据集合，所述目标行驶数据集合包括在第一时间段内采集到的多个行驶数据组，每个所述行驶数据组包括采集时间、所述车辆的加速度和所述车辆的速度；
更新模块，用于采用所述目标行驶数据集合，对所述第一时间段内使用的第一车速预测模型进行更新，得到第二车速预测模型，所述第一车速预测模型和所述第二车速预测模型均为马尔科夫车速预测模型，所述马尔科夫车速预测模型用于描述在各个预测时刻从第一加速度和第一速度状态变为第二加速度的概率分布；
车速预测模块，用于采用所述第二车速预测模型，对第二时间段内的车速进行预测，所述第二时间段为所述第一时间段之后且与所述第一时间段相邻的时间段。
7.根据权利要求6所述的装置，其特征在于，所述更新模块用于，根据所述目标行驶数据集合，确定所述目标行驶数据集合对应的状态转移频数矩阵；根据所述状态转移频数矩阵，对所述第一车速预测模型进行更新，得到所述第二车速预测模型。
8.一种计算机设备，其特征在于，包括：
处理器；
用于存储处理器可执行指令的存储器；
其中，所述处理器被配置为执行如权利要求1至5任一项所述的方法。
9.一种计算机可读存储介质，其特征在于，当计算机可读存储介质中的指令由计算机设备的处理器执行时，使得计算机设备能够执行如权利要求1至5任一项所述的方法。
10.一种计算机程序产品，包括计算机程序/指令，其特征在于，所述计算机程序/指令被处理器执行时实现权利要求1至5任一项所述的方法。
CN202210567413.2A 2022-05-23 2022-05-23 车速预测方法、装置、设备和存储介质 Pending CN114889624A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210567413.2A CN114889624A (zh) 2022-05-23 2022-05-23 车速预测方法、装置、设备和存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210567413.2A CN114889624A (zh) 2022-05-23 2022-05-23 车速预测方法、装置、设备和存储介质

Publications (1)

Publication Number Publication Date
CN114889624A true CN114889624A (zh) 2022-08-12

Family

ID=82723484

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210567413.2A Pending CN114889624A (zh) 2022-05-23 2022-05-23 车速预测方法、装置、设备和存储介质

Country Status (1)

Country Link
CN (1) CN114889624A (zh)

Similar Documents

Publication Publication Date Title
CN109141911B (zh) 无人车性能测试的控制量的获取方法和装置
CN111145541B (zh) 交通流量数据预测方法、存储介质和计算机设备
CN115742855A (zh) 电动汽车剩余里程预测方法、装置、电动汽车及介质
CN113415288A (zh) 分段式纵向车速规划方法、装置、设备及存储介质
CN110765710A (zh) 基于非易失器件的通用逻辑综合方法及装置
KR20210152402A (ko) 데이터 증강을 포함하는 머신런닝 시스템 및 머신런닝 방법
CN117133130B (zh) 一种机场道路拥堵预测仿真方法及系统
CN114004077B (zh) 交通仿真转换方法、装置、计算机设备及存储介质
CN111832693A (zh) 神经网络层运算、模型训练方法、装置及设备
CN112836872B (zh) 一种基于多gpu的污染物对流扩散方程高性能数值求解方法
CN110134042A (zh) 车辆路径跟踪预测控制器及fpga异构加速实现方法
CN117371496A (zh) 参数优化方法、装置、设备及存储介质
CN114889624A (zh) 车速预测方法、装置、设备和存储介质
CN111783984A (zh) 一种神经网络运算方法、装置、设备及存储介质
CN111645687A (zh) 变道策略确定方法、装置及存储介质
CN115366919A (zh) 一种轨迹预测方法、系统、电子设备及存储介质
CN115564078A (zh) 停车场泊位占用率短时域预测方法、系统、设备及终端
CN115454082A (zh) 车辆避障方法及系统、计算机可读存储介质和电子设备
Fickenscher et al. Modeling, programming and performance analysis of automotive environment map representations on embedded GPUs
CN113077112A (zh) 数据获取方法及装置、计算机设备、存储介质
CN102156802A (zh) 一种均匀分布的波动数据预测方法
Schuermann et al. How to Model Real-World Driving Behavior? Probability-Based Driver Model for Energy Analyses
CN115470598B (zh) 基于多线程的三维轧件模型分块数据快速继承方法及系统
CN118113044B (zh) 一种地面无人平台的跨场景行为决策系统
CN112749799B (zh) 基于自适应ReLU的全频域卷积神经网络的硬件加速器、加速方法和图像分类方法

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