CN117056765A - 一种车速多时间尺度预测方法、系统、设备、介质及终端 - Google Patents
一种车速多时间尺度预测方法、系统、设备、介质及终端 Download PDFInfo
- Publication number
- CN117056765A CN117056765A CN202311324530.7A CN202311324530A CN117056765A CN 117056765 A CN117056765 A CN 117056765A CN 202311324530 A CN202311324530 A CN 202311324530A CN 117056765 A CN117056765 A CN 117056765A
- Authority
- CN
- China
- Prior art keywords
- speed
- prediction
- time
- data
- vehicle 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
- 238000000034 method Methods 0.000 title claims abstract description 52
- 238000012549 training Methods 0.000 claims abstract description 34
- 238000013528 artificial neural network Methods 0.000 claims abstract description 32
- 238000007781 pre-processing Methods 0.000 claims abstract description 15
- 239000013598 vector Substances 0.000 claims description 52
- 230000001133 acceleration Effects 0.000 claims description 21
- 238000005070 sampling Methods 0.000 claims description 15
- 238000007726 management method Methods 0.000 claims description 12
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000010606 normalization Methods 0.000 claims description 6
- 238000004590 computer program Methods 0.000 claims description 4
- 239000011159 matrix material Substances 0.000 claims description 4
- 230000001537 neural effect Effects 0.000 claims description 4
- 230000004044 response Effects 0.000 claims description 4
- 238000003909 pattern recognition Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 238000005457 optimization Methods 0.000 abstract description 4
- 230000006872 improvement Effects 0.000 abstract description 3
- 230000009467 reduction Effects 0.000 abstract description 2
- 230000007787 long-term memory Effects 0.000 abstract 1
- 239000000446 fuel Substances 0.000 description 11
- 230000000694 effects Effects 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 5
- 230000008901 benefit Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- UFHFLCQGNIYNRP-UHFFFAOYSA-N Hydrogen Chemical compound [H][H] UFHFLCQGNIYNRP-UHFFFAOYSA-N 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 2
- 238000003491 array Methods 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 229910052739 hydrogen Inorganic materials 0.000 description 2
- 239000001257 hydrogen Substances 0.000 description 2
- 230000008092 positive effect Effects 0.000 description 2
- 206010039203 Road traffic accident Diseases 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012827 research and development Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
Classifications
-
- 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
-
- 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
- B60W50/0097—Predicting future conditions
-
- 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
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- 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
- G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
-
- 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
- B60W2050/0043—Signal treatments, identification of variables or parameters, parameter estimation or state estimation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Mechanical Engineering (AREA)
- Transportation (AREA)
- Evolutionary Biology (AREA)
- Automation & Control Theory (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Probability & Statistics with Applications (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Health & Medical Sciences (AREA)
- Human Computer Interaction (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明属于车速预测技术领域,公开了一种车速多时间尺度预测方法、系统、设备、介质及终端,所述车速多时间尺度预测方法包括以下步骤:对历史驾驶数据进行预处理,建立子数据库;离线训练长短期记忆(LSTM)神经网络,建立面对不同工况的速度预测子模型;在线多步速度预测,通过模糊C均值聚类(FCM)实时识别驾驶模式,并选择预训练好的LSTM速度预测子模型进行预测。传统速度预测方法无法实现对不同驾驶模式的识别和自适应,预测准确性还有提升空间,本发明可实现复杂驾驶条件下车辆运动状态的精准预估。本发明提出的速度预测方法满足在线实施条件,可为动力系统实时能量管理、整车运行成本进一步降低和服役寿命进一步优化奠定基础。
Description
技术领域
本发明属于车速预测技术领域,尤其涉及一种车速多时间尺度预测方法、系统、设备、介质及终端。
背景技术
目前,车辆动力系统能量管理是确保混合动力汽车安全高效运行的关键,速度预测则是实现实时能量管理的必要手段。速度作为表征车辆运动状态的即时指标,决定着多源动力系统的瞬时负载需求状态,为将负载功率需求最优分配至每个动力源提供参考。若缺乏对多时间尺度驾驶工况信息的高精度预估,会增加未知工况扰动下能量优化管控的决策风险,进而影响整车能量的最优利用。然而,由于交通道路情况、天气、驾驶风格、偏好等多个因素的共同影响,精准预测车辆未来速度极具挑战性。
神经网络是一种极具代表性的数据驱动的车速预测算法。J. Hou等人在文献“J.Hou, D. Yao, F. Wu, J. Shen and X. Chao, Online Vehicle Velocity PredictionUsing an Adaptive Radial Basis Function Neural Network, IEEE Transactions onVehicular Technology [J], 2021, 70(4): 3113-3122”中提出一种基于在线自适应径向基神经网络的车速预测算法,通过阿凯克信息准则确定最优网络结构参数,并使用实时采集的样本对网络进行定期重训练,增强速度预测对驾驶环境变化的适应性。专利号为CN109118787B的《一种基于深度神经网络的车辆速度预测方法》,在智能网联交通系统建立信息交互模型,然后使用自回归滑动平均法对加速度进行预测,使用深度神经网络实现对速度的预测,为驾驶员做出判断提供参考,降低交通事故发生率,但是无法实现对不同驾驶模式的识别和自适应。
车辆驾驶模式(例如,城市、郊区、高速模式等)是较长时间尺度下道路交通环境与车辆行驶状态的综合描述,为实现对动力系统负载模式和老化状态的可靠预估,有必要对车辆行驶模式进行准确辨识。
通过上述分析,现有技术存在的问题及缺陷为:多数技术无法实现对不同驾驶模式的识别和自适应,存在无法针对变化的驾驶模式做出调整的局限性;未充分研究在不同行驶模式下未来车速分布的规律及预测模型的在线调整策略,削弱了车速预测模型在不同模式下的适应性,增加了车速高精度预测和整车能量优化控制的难度。
发明内容
针对现有技术存在的问题,本发明提供了一种车速多时间尺度预测方法、系统、设备、介质及终端。
本发明是这样实现的,一种车速多时间尺度预测方法,所述车速多时间尺度预测方法对历史驾驶数据进行预处理,建立子数据库;离线训练神经网络,建立面对不同工况的速度预测子模型;在线多步速度预测,通过模糊C均值聚类(FCM)实时识别驾驶模式,并选择预训练好的对应的速度预测子模型进行预测。本发明的创新点在于,实现了数据驱动的基于驾驶模式识别的速度预测,可针对不同工况进行速度预测,以提高预测精度。
进一步,所述车速多时间尺度预测方法建立子数据库,具体包括:
(1)从GPS收集的邮件投递路线数据库中提取车辆原始数据集用于构建长短期记忆(LSTM)神经网络预测模型的驾驶剖面图;
(2)数据预处理。将原始速度和加速度数据划分成许多组维向量,/>代表历史采样范围,即每个向量包含过去固定采样范围内的历史驾驶信息;求每组向量的特征参数,包括:速度平均值/>、加速度平均值/>、速度标准差/>,组成一个三维向量/>;将所有三维向量归一化得到特征向量,其中/>、、/>分别为/>时刻计算的速度平均值、加速度平均值、速度标准差归一化后的结果;
(3)基于FCM建立个子数据库,建立多个速度预测子模型,根据驾驶特征将驾驶数据划分为不同的簇;给定聚类中心数量/>和数据集/>,FCM输出隶属度矩阵/>和/>个聚类中心/>,再根据最大隶属度将所有向量划分为4个独立的簇;在每个簇中选择10000组速度数据用作步骤二的训练集,然后将速度向量归一化,使它们具有单位方差和零均值,得到/>个子数据库。
进一步,所述车速多时间尺度预测方法的离线训练神经网络,具体包括:
训练对应不同驾驶模式的速度预测子模型,LSTM神经网络以回归的形式进行训练,用于速度预测;时刻k的训练序列为归一化后的维的速度向量/>,其中/>和/>分别是/>时刻和k时刻归一化后的速度,响应是未来/>预测时域内的速度向量/>,/>和/>分别是/>时刻和/>时刻归一化后的速度,/>代表历史采样范围,/>代表预测时域长度,单位为秒;LSTM网络学习预测未来预测时域内的速度序列值;训练完成后生成/>个神经网络子模型。
进一步,所述车速多时间尺度预测方法的在线多步速度预测,具体包括:
(1)数据采样,k时刻,通过传感器实时对速度和加速度进行采样,根据建立子数据库中的数据预处理,计算对应的三维特征向量,其中、/>、/>分别为k时刻计算的过去/>个采样时间内速度平均值、加速度平均值、速度标准差归一化后的结果;
(2)实时驾驶模式识别,通过计算距离/>个聚类中心/>的距离,判断隶属度/>,其中/>和/>分别为/>对应第1个和第/>个聚类中心的隶属度,选出最大的隶属度标记为/>,完成驾驶模式识别;
(3)实时速度预测,使用与离线训练时相同的归一化数据,将速度数据归一化为,其中/>和/>分别是实时采集到的和k时刻的速度归一化后的结果。输入对应的神经网络/>进行预测,得到一组速度数据;对这组速度数据进行反归一化,得到k时刻对于未来/>秒的速度预测结果,其中,/>和/>分别是实时采集到的时刻和k时刻的速度归一化后的结果,/>和/>分别为预测的第/>秒和第/>秒的速度。
本发明的另一目的在于提供一种计算机设备,所述计算机设备包括存储器和处理器,所述存储器存储有计算机程序,所述计算机程序被所述处理器执行时,使得所述处理器执行所述车速多时间尺度预测方法。
本发明的另一目的在于提供一种计算机可读存储介质,存储有计算机程序,所述计算机程序被处理器执行时,使得所述处理器执行所述车速多时间尺度预测方法。
本发明的另一目的在于提供一种信息数据处理终端,所述信息数据处理终端用于实现=所述车速多时间尺度预测方法。
本发明的另一目的在于提供一种基于所述车速多时间尺度预测方法的车速多时间尺度预测系统,所述车速多时间尺度预测系统包括:
数据预处理模块,用于对历史驾驶数据进行预处理,建立子数据库;
LSTM预测子模型建立模块,用于离线训练神经网络,建立面对不同工况的速度预测子模型;
速度预测模块,用于在线多步速度预测,通过FCM实时识别驾驶模式,并选择预训练好的对应的速度预测子模型进行预测。
本发明的另一目的在于提供一种车辆动力系统能量管理终端,所述车辆动力系统能量管理终端包含所述的车速多时间尺度预测系统。
本发明的另一目的在于提供一种混合动力汽车,所述混合动力汽车包含所述的车辆动力系统能量管理终端。
结合上述的技术方案和解决的技术问题,本发明所要保护的技术方案所具备的优点及积极效果为:
第一、针对上述现有技术存在的技术问题以及解决该问题的难度,紧密结合本发明的所要保护的技术方案以及研发过程中结果和数据等,详细、深刻地分析本发明技术方案如何解决的技术问题,解决问题之后带来的一些具备创造性的技术效果。具体描述如下:本发明基于LSTM神经网络和FCM发明了一种改进的速度预测方法,由FCM进行驾驶模式的识别,提高车速预测模型在不同模式下的适应性。本发明创新性地提出针对不同的驾驶模式分别进行速度预测的方法,以解决现有速度预测方法预测精度不够高的局限性。
第二,把技术方案看做一个整体或者从产品的角度,本发明所要保护的技术方案具备的技术效果和优点,具体描述如下:本发明可实现复杂驾驶条件下车辆运动状态的精准预估,可以应对不同的驾驶模式,相对于传统不含驾驶模式识别的LSTM神经网络速度预测方法,可显著提高速度预测准确度,为高效准确的能量管理奠定基础;本发明提出的速度预测方法满足在线实施条件,计算效率高,具有实际应用价值;本发明可为动力系统实时能量管理、整车运行成本进一步降低和服役寿命进一步优化奠定基础;本发明通过FCM进行驾驶模式聚类,方法简单可靠。
第三,作为本发明的权利要求的创造性辅助证据,还体现在以下几个重要方面:
(1)本发明的技术方案转化后的预期收益和商业价值为:
本发明从车辆行驶模式高精度辨识和车速预测精度提升的角度出发,实现了复杂驾驶条件下车辆运动状态及动力系统负载情况的精准预估,提高了车速预测的精度,增加了整车能量优化控制的可靠性,为动力系统能量管控奠定基础。而能量管控技术是打通燃料电池汽车商业化进程“堵点”所亟待突破的核心技术瓶颈,进一步地,本发明为降低车辆运行成本、延长动力系统服役寿命提供坚实的理论支撑,对加快氢燃料电池汽车商业化进程具有重要的应用价值和意义。
(2)本发明的技术方案填补了国内外业内技术空白:
现有的速度预测技术可以实现对速度的预测,但因无法实现对不同驾驶模式的识别和针对性预测,速度预测的准确性还有提升空间。本发明的技术方案填补了国内外基于驾驶模式辨识进行速度预测的技术空白,研究了不同行驶模式下未来车速分布的规律及预测模型的在线调整策略,增加了车速预测模型在不同模式下的适应性,实现了车速高精度预测。
附图说明
图1是本发明实施例提供的车速多时间尺度预测方法流程图;
图2是本发明实施例提供的车速多时间尺度预测方法原理图;
图3是本发明实施例提供的与传统速度预测方法的结果对比图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合实施例,对本发明进行进一步详细说明。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。
如图1所示,本发明实施例提供的车速多时间尺度预测方法,包括以下步骤:
S101:对历史驾驶数据进行预处理,建立子数据库;
S102:离线训练神经网络,建立面对不同工况的速度预测子模型;
S103:在线多步速度预测,通过FCM实时识别驾驶模式,并选择预训练好的对应的速度预测子模型进行预测。
本发明实施例提供的车速多时间尺度预测方法包括三大步骤:建立子数据库,离线训练神经网络,在线多步速度预测;具体包括:
步骤一,建立子数据库
(1a)从GPS收集的邮件投递路线数据库中提取车辆原始原始数据集(速度和加速度数据)用于构建LSTM预测模型的驾驶剖面图。
(1b)数据预处理。将原始速度和加速度数据划分成许多组维向量,每个向量包含过去固定采样范围内的历史驾驶信息。求每组向量的特征参数,包括:速度平均值、加速度平均值/>、速度标准差/>,组成一个三维向量。将所有三维向量归一化得到特征向量,表示为。其中分别为/>时刻计算的速度平均值、加速度平均值、速度标准差归一化后的结果。
(1c)基于FCM建立个子数据库。为了建立多个速度预测子模型,需要根据驾驶特征将驾驶数据划分为不同的簇。N个三维特征向量组成数据集,给定聚类中心数量/>和数据集/>,FCM会输出隶属度矩阵/>和/>个聚类中心/>,再根据最大隶属度将所有向量划分为4个独立的簇。在每个簇中选择10000组速度数据用作步骤二的训练集,然后将速度向量归一化,使它们具有单位方差和零均值,得到/>个子数据库。
步骤二,离线训练神经网络
训练对应不同驾驶模式的速度预测子模型,LSTM神经网络以回归的形式进行训练,用于速度预测。时刻k的训练序列为归一化后的维的速度向量/>, 其中/>和/>分别是/>时刻和k时刻归一化后的速度,响应是未来/>秒内的速度向量/>,/>和/>分别是/>时刻和/>时刻归一化后的速度。也就是说,LSTM神经网络学习预测未来/>个时间步长内的速度序列值。训练完成后生成/>个神经网络子模型。
步骤三,在线多步速度预测
(3a) 数据采样。k时刻,通过传感器实时对速度和加速度进行采样,根据步骤一的(1b)计算对应的三维特征向量,其中分别为k时刻计算的速度平均值、加速度平均值、速度标准差归一化后的结果。
(3b)实时驾驶模式识别。通过计算距离/>个聚类中心/>的距离,判断隶属度/>, 其中/>和/>分别为/>关于第1个和第/>个聚类中心的隶属度,选出最大的隶属度标记为a,完成驾驶模式识别。
(3c)实时速度预测。使用与离线训练时相同的归一化数据和/>,将速度数据归一化为/>,其中/>和/>分别是实时采集到的/>时刻和k时刻的速度归一化后的结果。输入对应的神经网络/>进行预测,得到一组速度数据;对这组速度数据进行反归一化,得到k时刻对于未来/>秒的速度预测结果/>,其中/>和/>分别为预测的第/>秒和第/>秒的速度。
本发明实施例提供的车速多时间尺度预测系统,包括:
预处理模块,用于对历史驾驶数据进行预处理,建立子数据库;
预测子模型建立模块,用于离线训练神经网络,建立面对不同工况的速度预测子模型;
在线速度预测模块,用于在线多步速度预测,通过FCM实时识别驾驶模式,并选择预训练好的对应的速度预测子模型进行预测。
为了证明本发明的技术方案的创造性和技术价值,该部分是对权利要求技术方案进行具体产品上或相关技术上的应用实施例。
本发明实施例应用于燃料电池邮政投递车,此实施例具有多种驾驶模式。将FCM聚类数量设定为4时,驾驶模式可分为四种:停车投递模式、加速模式、减速模式和高速行驶模式,本发明可进行高精度的速度预测。
本发明同样可应用于燃料电池大巴和燃料电池重卡等路线相对固定的燃料电池重型汽车。燃料电池大巴的商业化是国家政策推动,我国自主研发的氢燃料电池大巴可在-35℃的极寒气候条件下正常启动运行。本发明可对燃料电池大巴和燃料电池重卡等重型车辆进行高精度速度预测,为先进的能量管理提供参考,进而降低车辆运维成本,对推动燃料电池重卡大规模商业化具有重要价值和意义。
应当注意,本发明的实施方式可以通过硬件、软件或者软件和硬件的结合来实现。硬件部分可以利用专用逻辑来实现;软件部分可以存储在存储器中,由适当的指令执行系统,例如微处理器或者专用设计硬件来执行。本领域的普通技术人员可以理解上述的设备和方法可以使用计算机可执行指令和/或包含在处理器控制代码中来实现,例如在诸如磁盘、CD或DVD-ROM的载体介质、诸如只读存储器(固件)的可编程的存储器或者诸如光学或电子信号载体的数据载体上提供了这样的代码。本发明的设备及其模块可以由诸如超大规模集成电路或门阵列、诸如逻辑芯片、晶体管等的半导体、或者诸如现场可编程门阵列、可编程逻辑设备等的可编程硬件设备的硬件电路实现,也可以用由各种类型的处理器执行的软件实现,也可以由上述硬件电路和软件的结合例如固件来实现。
本发明实例的速度预测方法的原理图参考图2。下面结合图2详细叙述三大步骤:建立子数据库,离线训练LSTM神经网络,在线多步速度预测。
步骤一,建立子数据库
(1a)从GPS收集的邮件投递路线数据库中提取车辆原始数据集(速度和加速度数据)用于构建LSTM预测模型的驾驶剖面图,速度曲线长度为N。
(1b)将原始速度和加速度数据划分成许多个维向量,第/>个速度和加速度向量分别表示为/>,/>,其中,/>是第/>时刻的速度,/>是第/>时刻的加速度,每个向量中均包含过去固定采样范围内的历史驾驶信息。求每组向量的特征参数,包括:速度平均值/>、加速度平均值/>、速度标准差/>,组成三维向量。将三维向量归一化得到特征向量,以第时刻为例,特征向量表示为:/>,其中,/>,/>,,其中速度平均值的最大值/>,速度方差的最大值/>, 加速度平均值的最大值/>,加速度平均值的最小值/>。由此,驾驶数据可以由许多个三维特征向量来表示,所有三维向量的集合表示为/>。
(1c)定义驾驶模式。给定聚类中心数量和处理过的数据集/>,经过FCM后,可得到隶属度矩阵/>和/>个聚类中心/>,且/>,其中/>表示样本/>关于类别i的隶属度。在本例中,驾驶模式被分成四种:巡航模式,加速模式,减速模式,停止模式。
(1d)构造个子数据库。判断最大隶属度的方法如下:若/>,表示样本/>关于类别j的隶属度,则/>归为j类。按照这种方法,将所有速度数据按照驾驶模式分为4个独立的簇,其中/>表示(1b)中建立的第/>个、第/>个和第/>个速度向量。在每个簇中选择10000组速度数据用作步骤二的训练集。然后将所有的速度向量归一化为/>,使它们具有单位方差和零均值,得到4个子数据库。其中,/>是第/>个速度向量归一化后的结果,/>,/>,/>是/>时刻的速度归一化后的值,/>是/>时刻的速度,/>是所有原始速度数据的平均值,/>是所有原始速度数据的方差,N表示驾驶曲线总长度。
步骤二,离线训练神经网络,训练对应不同模式下的速度预测子模型。在本例中,LSTM神经网络为4层,其中含1层隐藏层,隐藏层单元数为200。以回归的形式进行训练,每个速度向量对应的响应是未来/>预测时域内的速度组成的向量/>,其中,/>,/>,/>和/>分别是第/>时刻、第k时刻、第/>时刻、第时刻归一化后的速度。每个子训练集完成训练后生成一个神经网络子模型。本示例得到4个神经网络子模型,分别表示为/>。
步骤三,在线多步速度预测,
(3a)本示例中采样间隔为1s。根据步骤一的(1b)计算该时刻的三维特征向量。
(3b)实时驾驶模式识别。通过计算分别距离4个聚类中心/>的欧式距离,判断隶属度/>,其中/>、/>分别为/>关于第1个聚类中心/>和第4个聚类中心/>的隶属度。选出最大的隶属度标记为a,即/>,完成驾驶模式识别。
(3c)实时速度预测。使用与步骤一的(1d)相同的归一化数据和/>,将速度数据归一化为/>,输入对应的神经网络/>进行预测,输出一组未来/>秒内的速度向量。对输出结果进行反归一化,就得到k时刻对于未来/>秒的速度预测结果/>,其中/>和/>分别为预测的第/>秒和第/>秒的速度。
本发明使用均方根误差判断k时刻的速度预测精度,即本发明的积极效果。定义平均均方根误差/>判断整个驾驶循环的速度预测精度,计算方式如下所示:
(1);
(2);
其中,N为整个驾驶周期长度,为预测时域的长度,/>为预测的第/>秒的速度,/>是第/>时刻的真实速度。RMSE越小,代表速度预测值偏离实际值越少,预测精度越高。本发明所述的一个示例与不含驾驶模式识别的传统LSTM方法的效果图对比参考图3。在一个1000s的驾驶循环中,预测速度的均方根误差降低了39%,证明了该方法有效提高了速度预测的精度。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,都应涵盖在本发明的保护范围之内。
Claims (10)
1.一种车速多时间尺度预测方法,其特征在于,所述车速多时间尺度预测方法对历史驾驶数据进行预处理,建立子数据库;离线训练神经网络,建立面对不同工况的速度预测子模型;在线多步速度预测,通过FCM实时识别驾驶模式,并选择预训练好的对应的速度预测子模型进行预测。
2.如权利要求1所述的车速多时间尺度预测方法,其特征在于,所述车速多时间尺度预测方法建立子数据库,具体包括:
(1)从GPS收集的邮件投递路线数据库中提取车辆原始数据集用于构建LSTM预测模型的驾驶剖面图;
(2)数据预处理,将原始速度和加速度数据划分成许多组维向量,每个向量包含过去固定采样范围内的历史驾驶信息;求每组向量的特征参数,包括:速度平均值/>、加速度平均值/>、速度标准差/>,组成一个三维向量;将所有三维向量归一化得到特征向量,其中分别为/>时刻计算的速度平均值、加速度平均值、速度标准差归一化后的结果;
(3)基于FCM建立个子数据库,建立多个速度预测子模型,根据驾驶特征将驾驶数据划分为不同的簇;给定聚类中心数量/>和数据集/>,/>为k时刻的特征向量;FCM输出隶属度矩阵/>和/>个聚类中心/>,再根据最大隶属度将所有向量划分为4个独立的簇;在每个簇中选择10000组速度数据用作步骤二的训练集,然后将速度向量归一化,使它们具有单位方差和零均值,得到/>个子数据库。
3.如权利要求1所述的车速多时间尺度预测方法,其特征在于,所述车速多时间尺度预测方法的离线训练神经网络,具体包括:
训练对应不同驾驶模式的速度预测子模型,LSTM神经网络以回归的形式进行训练,用于速度预测;时刻k的训练序列为归一化后的维的速度向量/>, 其中和/>分别是/>时刻和k时刻归一化后的速度,响应是未来/>预测时域内的速度向量/>,/>和/>分别是/>时刻和/>时刻归一化后的速度,/>代表历史采样范围,/>代表预测时域长度,单位为秒;LSTM神经网络学习预测未来预测时域内的速度序列值;训练完成后生成/>个神经网络子模型。
4.如权利要求1所述的车速多时间尺度预测方法,其特征在于,所述车速多时间尺度预测方法的在线多步速度预测,具体包括:
(1) 数据采样,k时刻,通过传感器实时对速度和加速度进行采样,根据建立子数据库中的数据预处理,计算对应的三维特征向量,其中分别为k时刻计算的速度平均值、加速度平均值、速度标准差归一化后的结果;
(2)实时驾驶模式识别,通过计算距离/>个聚类中心/>的距离,判断隶属度,其中/>和/>分别为/>的第1个和第/>个聚类中心的隶属度,选出最大的隶属度标记为/>,完成驾驶模式识别;
(3)实时速度预测,使用与离线训练时相同的归一化数据和/>,将速度数据归一化为/>,输入对应的神经网络/>进行预测,得到一组速度数据;对这组速度数据进行反归一化,得到k时刻对于未来/>秒的速度预测结果;
其中,和/>分别是实时采集到的/>时刻和k时刻的速度归一化后的结果,/>和/>分别为预测的第/>秒和第/>秒的速度。
5.一种计算机设备,其特征在于,所述计算机设备包括存储器和处理器,所述存储器存储有计算机程序,所述计算机程序被所述处理器执行时,使得所述处理器执行权利要求1~4任意一项所述车速多时间尺度预测方法。
6.一种计算机可读存储介质,存储有计算机程序,所述计算机程序被处理器执行时,使得所述处理器执行权利要求1~4任意一项所述车速多时间尺度预测方法。
7.一种信息数据处理终端,其特征在于,所述信息数据处理终端用于实现权利要求1~4任意一项所述车速多时间尺度预测方法。
8.一种基于权利要求1~4任意一项所述车速多时间尺度预测方法的车速多时间尺度预测系统,其特征在于,所述车速多时间尺度预测系统包括:
数据预处理模块,用于对历史驾驶数据进行预处理,建立子数据库;
预测子模型建立模块,用于离线训练神经网络,建立面对不同工况的速度预测子模型;
实时速度预测模块,用于在线多步速度预测,通过FCM实时识别驾驶模式,并选择预训练好的对应的速度预测子模型进行预测。
9.一种车辆动力系统能量管理终端,其特征在于,所述车辆动力系统能量管理终端包含权利要求8所述的车速多时间尺度预测系统。
10.一种混合动力汽车,其特征在于,所述混合动力汽车包含权利要求9所述的车辆动力系统能量管理终端。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311324530.7A CN117056765A (zh) | 2023-10-13 | 2023-10-13 | 一种车速多时间尺度预测方法、系统、设备、介质及终端 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311324530.7A CN117056765A (zh) | 2023-10-13 | 2023-10-13 | 一种车速多时间尺度预测方法、系统、设备、介质及终端 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117056765A true CN117056765A (zh) | 2023-11-14 |
Family
ID=88667820
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311324530.7A Pending CN117056765A (zh) | 2023-10-13 | 2023-10-13 | 一种车速多时间尺度预测方法、系统、设备、介质及终端 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117056765A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117325875A (zh) * | 2023-12-01 | 2024-01-02 | 北京航空航天大学 | 一种基于个性驾驶特征的车辆长时速度预测方法 |
-
2023
- 2023-10-13 CN CN202311324530.7A patent/CN117056765A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117325875A (zh) * | 2023-12-01 | 2024-01-02 | 北京航空航天大学 | 一种基于个性驾驶特征的车辆长时速度预测方法 |
CN117325875B (zh) * | 2023-12-01 | 2024-02-02 | 北京航空航天大学 | 一种基于个性驾驶特征的车辆长时速度预测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110775065B (zh) | 一种基于工况识别的混合动力汽车电池寿命预测方法 | |
CN109927709B (zh) | 一种车辆行驶路线工况确定方法、能量管理方法及系统 | |
Zhao et al. | Development of a Representative EV Urban Driving Cycle Based on ak‐Means and SVM Hybrid Clustering Algorithm | |
Lin et al. | Velocity prediction using Markov Chain combined with driving pattern recognition and applied to Dual-Motor Electric Vehicle energy consumption evaluation | |
CN107688343B (zh) | 一种混合动力车辆的能量控制方法 | |
Hou et al. | Online vehicle velocity prediction using an adaptive radial basis function neural network | |
CN110458337B (zh) | 一种基于c-gru的网约车供需预测方法 | |
CN117056765A (zh) | 一种车速多时间尺度预测方法、系统、设备、介质及终端 | |
Xu et al. | A combined model of random forest and multilayer perceptron to forecast expressway traffic flow | |
CN116187161A (zh) | 一种智能网联环境下混合动力客车智能能量管理方法及系统 | |
CN111923897A (zh) | 一种插电式混合动力汽车能量智能管理方法 | |
CN111063204A (zh) | 一种基于收费站流量的高速公路车速预测模型训练方法 | |
CN113674524A (zh) | 基于lstm-gasvr的多尺度短时交通流预测建模、预测方法及系统 | |
CN114418606B (zh) | 基于时空卷积网络的网约车订单需求预测方法 | |
Mao et al. | Driving conditions of new energy logistics vehicles using big data technology | |
Yu et al. | A-EMCS for PHEV based on real-time driving cycle prediction and personalized travel characteristics | |
CN112116125A (zh) | 一种基于深度强化学习的电动汽车充电导航方法 | |
CN108830414B (zh) | 一种电动汽车商用充电区的负荷预测方法 | |
CN113276829B (zh) | 一种基于工况预测的车辆行驶节能优化变权重方法 | |
Pan et al. | Driving cycle construction and combined driving cycle prediction for fuzzy energy management of electric vehicles | |
Gao et al. | Control strategy for PHEB based on actual driving cycle with driving style characteristic | |
CN116702996A (zh) | 一种基于典型工况识别的电动公交车辆能量预测方法 | |
CN114463978B (zh) | 一种基于轨道交通信息处理终端的数据监测方法 | |
Li et al. | Research of ant colony optimized adaptive control strategy for hybrid electric vehicle | |
Xu et al. | Research on estimation method of mileage power consumption for electric vehicles |
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 |