CN117493925A - 基于工况自适应的车速实时预测方法、系统、设备及介质 - Google Patents

基于工况自适应的车速实时预测方法、系统、设备及介质 Download PDF

Info

Publication number
CN117493925A
CN117493925A CN202311367074.4A CN202311367074A CN117493925A CN 117493925 A CN117493925 A CN 117493925A CN 202311367074 A CN202311367074 A CN 202311367074A CN 117493925 A CN117493925 A CN 117493925A
Authority
CN
China
Prior art keywords
vehicle speed
time
preset
working condition
data
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
CN202311367074.4A
Other languages
English (en)
Inventor
张琳琳
王盈旭
翟霄雁
周在芳
李延红
夏长庚
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.)
China National Heavy Duty Truck Group Jinan Power Co Ltd
Original Assignee
China National Heavy Duty Truck Group Jinan Power 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 China National Heavy Duty Truck Group Jinan Power Co Ltd filed Critical China National Heavy Duty Truck Group Jinan Power Co Ltd
Priority to CN202311367074.4A priority Critical patent/CN117493925A/zh
Publication of CN117493925A publication Critical patent/CN117493925A/zh
Pending legal-status Critical Current

Links

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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • 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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/088—Non-supervised learning, e.g. competitive learning

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Biophysics (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Probability & Statistics with Applications (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本申请公开了一种基于工况自适应的车速实时预测方法、系统、设备及介质，主要涉及车速预测技术领域，用以解决现有的车速预测方法难以实现多种工况条件下的自适应调整，在训练模型的过程中容易出现过拟合现象，导致模型预测精度低的问题。包括：通过标记好的历史车速数据训练预设聚类算法，以获得训练好的预设聚类算法，进而确定当前车速的工况类型；获取当前车速的工况类型的出现次数，以计算预设神经网络的自适应学习率；采用梯度下降算法和自适应学习率，更新预设神经网络；获取车辆时序运行数据和驾驶行为数据，以构建样本数据集；将样本数据集作为更新后预设神经网络的输入，以获得预测车速。

Description

基于工况自适应的车速实时预测方法、系统、设备及介质
技术领域
本申请涉及车速预测技术领域，尤其涉及一种基于工况自适应的车速实时预测方法、系统、设备及介质。
背景技术
车速预测是根据车辆历史信息通过技术手段对车辆未来一定时间内的行驶速度进行预测，通过对车速进行预测，可辅助判断未来汽车的行驶工况，以便更好的对车辆实施控制，实现车辆稳定行驶。
目前，车速预测技术应用较为广泛，主要有：（1）基于车速采集系统获得实际工况车速数据，采用汽车前10s车速作为神经网络输入，采用汽车后5s车速作为神经网络输出，并结合赤池信息准则对ＲBF-NN的结构参数进行调整。（2）通过获取GPS-BD速度传感单元采集的车辆的水平速度信号，惯性测量单元采集的车辆的纵向加速度信号，以及轮速、扭矩传感单元采集的车辆的轮速信号和车轮的转矩信号，车辆信息生成车辆的车速航迹。
但是，方案（1）划分工况仅用于测试不同工况下车速的预测精度，并未考虑将工况变化作为预设神经网络参数调整的依据，在结果上可能使模型仅适用于单个工况，在多个工况切换过程中，在训练模型的过程中容易出现过拟合现象，车速预测精度低。方案（2）需要增加传感器采集加速度信号，成本高。
发明内容
针对现有技术的上述不足，本申请提供一种基于工况自适应的车速实时预测方法、系统、设备及介质，以解决现存的车速预测方法难以实现多种工况条件下的自适应调整，在训练模型的过程中容易出现过拟合现象，导致模型预测精度低的问题。
第一方面，本申请提供了一种基于工况自适应的车速实时预测方法，方法包括：通过标记好的历史车速数据训练预设聚类算法，以获得训练好的预设聚类算法，进而确定当前车速的工况类型；获取当前车速的工况类型的出现次数，以计算预设神经网络的自适应学习率；采用梯度下降算法和自适应学习率，更新预设神经网络；获取车辆时序运行数据和驾驶行为数据，以构建样本数据集；将样本数据集作为更新后预设神经网络的输入，以获得预测车速。
进一步地，标记好的历史车速数据包含工况类型和历史车速数据；通过标记好的历史车速数据训练预设聚类算法，以获得训练好的预设聚类算法，进而确定当前车速的工况类型，具体包括：S1、根据工况类型的类型数量，随机初始化类型数量个聚类中心；S2、计算时间窗中历史车速数据的平均车速，确定平均车速与聚类中心的聚类距离，以将时间窗中的历史车速数据划分到聚类距离最小的聚类中心的类中；S3、对每个类中的历史车速数据取均值，更新类的聚类中心；循环S2-S3，直至完成预设聚类算法的训练；S4、将当前车速作为输入，以通过训练好的预设聚类算法输出工况类型。
进一步地，获取当前车速的工况类型的出现次数，以计算预设神经网络的自适应学习率，具体包括：在确定当前车速的工况类型后，通过预设计次程序，获得当前车速的工况类型的出现次数；通过公式：，计算自适应学习率；其中，为预设学习率上限，/>为预设学习率下限，k为当前车速的工况类型，t为当前时刻的具体数值，/>)表示当前时刻之前工况类型的出现次数。
进一步地，采用梯度下降算法和自适应学习率，更新预设神经网络，具体包括：通过梯度下降算法公式：，更新学习参数向量，进而实现更新预设神经网络；其中，/>,...,/>,/>,/>,...,/>,/>,/>,...,/>]，/>表示t时刻学习参数向量；/>=[,/>,...,/>]，/>表示t时刻隐藏层第j个神经元的中心向量，/>表示t时刻隐藏层中第j个神经元对应第i个输入的中心；i的取值范围是[0,I]，I表示输入层神经元的总个数；j的取值范围是[0,J],J表示隐藏层神经元的总个数；/>=[/>,,...,/>]，/>表示t时刻第m个输出神经元与隐藏层之间的权重，/>表示t时刻隐藏层第j个神经元与输出层第m个神经元之间的权重；m的取值范围是[0,M]，M表示输出层神经元的总个数；/>表示预设均方根误差函数；/>表示自适应学习率，。
进一步地，获取车辆时序运行数据和驾驶行为数据，以构建样本数据集，具体包括：获取当前车速和预设时间段内的历史车速，以构建车辆时序运行数据；获取当前踏板信息和预设时间段内的历史踏板信息，以构建驾驶行为数据；其中，踏板信息至少包括：t时刻加速踏板开度、t时刻加速踏板开度变化量、t时刻制动踏板开度、t时刻制动踏板开度变化量；构建包含车辆时序运行数据和驾驶行为数据的样本数据集。
进一步地，方法还包括：实时获得当前时刻的当前车速，输入训练好的预设聚类算法，进而获得工况类型，进而实现实时更新预设神经网络，进而获得当前时刻对应的预测车速。
第二方面，本申请提供了一种基于工况自适应的车速实时预测系统，系统包括：确定模块，用于通过标记好的历史车速数据训练预设聚类算法，以获得训练好的预设聚类算法，进而确定当前车速的工况类型；更新模块，用于获取当前车速的工况类型的出现次数，以计算预设神经网络的自适应学习率；采用梯度下降算法和自适应学习率，更新预设神经网络；获得模块，用于获取车辆时序运行数据和驾驶行为数据，以构建样本数据集；将样本数据集作为更新后预设神经网络的输入，以获得预测车速。
进一步地，获得模块包括数据集构建单元，用于获取当前车速和预设时间段内的历史车速，以构建车辆时序运行数据；获取当前踏板信息和预设时间段内的历史踏板信息，以构建驾驶行为数据；其中，踏板信息至少包括：t时刻加速踏板开度、t时刻加速踏板开度变化量、t时刻制动踏板开度、t时刻制动踏板开度变化量；构建包含车辆时序运行数据和驾驶行为数据的样本数据集。
第三方面，本申请提供了一种基于工况自适应的车速实时预测设备，设备包括：处理器；以及存储器，其上存储有可执行代码，当可执行代码被执行时，使得处理器执行如上述任一项的一种基于工况自适应的车速实时预测方法。
第四方面，本申请提供了一种非易失性计算机存储介质，其特征在于，其上存储有计算机指令，计算机指令在被执行时实现如上述任一项的一种基于工况自适应的车速实时预测方法。
本领域技术人员能够理解的是，本申请至少具有如下有益效果：
本发明针对多种工况下车速不易预测的问题，首先，对车辆的历史数据进行聚类分析，获得车辆历史数据的聚类中心；其次，根据当前车速，判断当前车辆的运行工况；然后，建立多输入多输出的预设神经网络，并根据车辆的运行工况对预设神经网络中的学习因子进行调整，达到车速预测模型根据工况进行自适应调整的目的，最后，基于训练的自适应学习率对车速进行实时预测。本申请解决了多种工况条件下的自适应调整，在训练模型的过程中容易出现过拟合现象，导致模型预测精度低的问题。
附图说明
下面参照附图来描述本公开的部分实施例，附图中：
图1是本申请实施例提供的一种基于工况自适应的车速实时预测方法流程图。
图2是本申请实施例提供的一种基于工况自适应的车速实时预测系统内部结构示意图。
图3是本申请实施例提供的一种基于工况自适应的车速实时预测设备内部结构示意图。
具体实施方式
本领域技术人员应当理解的是，下文所描述的实施例仅仅是本公开的优选实施例，并不表示本公开仅能通过该优选实施例实现，该优选实施例仅仅是用于解释本公开的技术原理，并非用于限制本公开的保护范围。基于本公开提供的优选实施例，本领域普通技术人员在没有付出创造性劳动的情况下所获得的其它所有实施例，仍应落入到本公开的保护范围之内。
还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括要素的过程、方法、商品或者设备中还存在另外的相同要素。
下面通过附图对本申请实施例提出的技术方案进行详细的说明。
本申请实施例提供了一种基于工况自适应的车速实时预测方法，如图1所示，本申请实施例提供的方法，主要包括以下步骤：
步骤110、通过标记好的历史车速数据训练预设聚类算法，以获得训练好的预设聚类算法，进而确定当前车速的工况类型。
需要说明的是，标记好的历史车速数据包含工况类型和历史车速数据。预设聚类算法可以为任意可行的能够进行无监督学习的算法。例如，k-means算法。工况类型为本领域人员对运行工况划分后的具体内容。本领域技术人员可以根据实际情况自行对运行工况进行划分，本申请对此不做限定。
本步骤可以具体为：
S1、根据工况类型的类型数量，随机初始化类型数量个聚类中心；S2、计算时间窗中历史车速数据的平均车速，确定平均车速与聚类中心的聚类距离，以将时间窗中的历史车速数据划分到聚类距离最小的聚类中心的类中；S3、对每个类中的历史车速数据取均值，更新类的聚类中心；循环S2-S3，直到完成预设聚类算法的训练，（具体可以为：聚类中心的变化幅度低于预设幅度，以获得训练好的预设聚类算法）；S4、将当前车速作为输入，以通过训练好的预设聚类算法输出工况类型。
需要补充说明的是，确定平均车速与聚类中心的聚类距离的方法可以通过欧几里得距离实现，本申请对此不做限定。对每个类中的历史车速数据取均值，更新类的聚类中心，具体为，以均值作为聚类中心。
步骤120、获取当前车速的工况类型的出现次数，以计算预设神经网络的自适应学习率；采用梯度下降算法和自适应学习率，更新预设神经网络。
需要说明的是，预设神经网络可以为RBF-NN（Radial Basis Function NeuralNetwork径向基函数神经网络）。
其中，获取当前车速的工况类型的出现次数的方法可以具体为：在确定当前车速的工况类型后，通过预设计次程序，获得当前车速的工况类型的出现次数。
其中，计算预设神经网络的自适应学习率的方法可以具体为：
通过公式：，计算自适应学习率；其中，/>为预设学习率上限，/>为预设学习率下限，k为当前车速的工况类型，t为当前时刻的具体数值，)表示当前时刻之前工况类型的出现次数。
其中，采用梯度下降算法和自适应学习率，更新预设神经网络，具体包括：
通过梯度下降算法公式：，更新学习参数向量，进而实现更新预设神经网络；
其中，,...,/>,/>,/>,...,/>,,/>,...,/>]，/>表示t时刻学习参数向量；/>=[/>,/>,...,]，/>表示t时刻隐藏层第j个神经元的中心向量，/>表示t时刻隐藏层中第j个神经元对应第i个输入的中心；i的取值范围是[0,I]，I表示输入层神经元的总个数；j的取值范围是[0,J],J表示隐藏层神经元的总个数；/>=[/>,/>,...,/>]，表示t时刻第m个输出神经元与隐藏层之间的权重，/>表示t时刻隐藏层第j个神经元与输出层第m个神经元之间的权重；m的取值范围是[0,M]，M表示输出层神经元的总个数；/>表示预设均方根误差函数；/>表示自适应学习率，。
需要说明的是，学习参数向量为：,...,/>,/>,/>,...,/>,/>,/>,...,/>]，通过更新获得/>,...,,/>,/>,...,/>,/>,/>,...,/>。
另外，、/>、/>、/>均由本领域技术人员设置了初始值，在后续学习参数向量的更新学习过程中自动更新，进而实现预设神经网络的更新。
步骤130、获取车辆时序运行数据和驾驶行为数据，以构建样本数据集；将样本数据集作为更新后预设神经网络的输入，以获得预测车速。
需要说明的是，车辆时序运行数据为存在时间序列的车速数据，驾驶行为数据为存在时间序列的踏板信息（比如，加速踏板开度等）。
其中，获取车辆时序运行数据和驾驶行为数据，以构建样本数据集，具体可以为：
获取当前车速和预设时间段内的历史车速，以构建车辆时序运行数据；获取当前踏板信息和预设时间段内的历史踏板信息，以构建驾驶行为数据；其中，踏板信息至少包括：t时刻加速踏板开度、t时刻加速踏板开度变化量、t时刻制动踏板开度、t时刻制动踏板开度变化量；构建包含车辆时序运行数据和驾驶行为数据的样本数据集。
另外，本申请还可以实时更新预设神经网络，具体地：
实时获得当前时刻的当前车速，输入训练好的预设聚类算法，进而获得工况类型，进而实现实时更新预设神经网络，进而获得当前时刻对应的预测车速。
除此之外，图2为本申请实施例提供的一种基于工况自适应的车速实时预测系统。如图2所示，本申请实施例提供的系统，主要包括：
确定模块210，用于通过标记好的历史车速数据训练预设聚类算法，以获得训练好的预设聚类算法，进而确定当前车速的工况类型。
需要说明的是，确定模块210可以为任意可行的能够进行预设聚类算法训练以及根据训练好的预设聚类算法进行工况类型预测的设备或装置。
更新模块220，用于获取当前车速的工况类型的出现次数，以计算预设神经网络的自适应学习率；采用梯度下降算法和自适应学习率，更新预设神经网络。
需要说明的是，更新模块220可以为任意可行的能够计算预设神经网络自适应学习率，进而能够更新预设神经网络的设备或装置。
获得模块230，用于获取车辆时序运行数据和驾驶行为数据，以构建样本数据集；将样本数据集作为更新后预设神经网络的输入，以获得预测车速。
需要说明的是，获得模块230可以为任意可行的能够进行调用更新后预设神经网络进行车速预测的设备或装置等。
其中，获取车辆时序运行数据和驾驶行为数据，以构建样本数据集，可以具体为：
通过获得模块230中的数据集构建单元231，获取当前车速和预设时间段内的历史车速，以构建驾驶行为数据；获取当前踏板信息和预设时间段内的历史踏板信息，以构建驾驶行为数据；其中，踏板信息至少包括：t时刻加速踏板开度、t时刻加速踏板开度变化量、t时刻制动踏板开度、t时刻制动踏板开度变化量；构建包含车辆时序运行数据和驾驶行为数据的样本数据集。
以上为本申请中的方法实施例，基于同样的发明构思，本申请实施例还提供了一种基于工况自适应的车速实时预测设备。如图3所示，该设备包括：处理器；以及存储器，其上存储有可执行代码，当可执行代码被执行时，使得处理器执行如上述实施例中的一种基于工况自适应的车速实时预测方法。
具体地，服务器端通过标记好的历史车速数据训练预设聚类算法，以获得训练好的预设聚类算法，进而确定当前车速的工况类型；获取当前车速的工况类型的出现次数，以计算预设神经网络的自适应学习率；采用梯度下降算法和自适应学习率，更新预设神经网络；获取车辆时序运行数据和驾驶行为数据，以构建样本数据集；将样本数据集作为更新后预设神经网络的输入，以获得预测车速。
除此之外，本申请实施例还提供了一种非易失性计算机存储介质，其上存储有可执行指令，在该可执行指令被执行时，实现如上述的一种基于工况自适应的车速实时预测方法。
至此，已经结合前文的多个实施例描述了本公开的技术方案，但是，本领域技术人员容易理解的是，本公开的保护范围并不仅限于这些具体实施例。在不偏离本公开技术原理的前提下，本领域技术人员可以对上述各个实施例中的技术方案进行拆分和组合，也可以对相关技术特征作出等同的更改或替换，凡在本公开的技术构思和/或技术原理之内所做的任何更改、等同替换、改进等都将落入本公开的保护范围之内。

Claims (10)

1.一种基于工况自适应的车速实时预测方法，其特征在于，所述方法包括：
通过标记好的历史车速数据训练预设聚类算法，以获得训练好的预设聚类算法，进而确定当前车速的工况类型；
获取当前车速的工况类型的出现次数，以计算预设神经网络的自适应学习率；采用梯度下降算法和自适应学习率，更新预设神经网络；
获取车辆时序运行数据和驾驶行为数据，以构建样本数据集；将样本数据集作为更新后预设神经网络的输入，以获得预测车速。
2.根据权利要求1所述的基于工况自适应的车速实时预测方法，其特征在于，标记好的历史车速数据包含工况类型和历史车速数据；
通过标记好的历史车速数据训练预设聚类算法，以获得训练好的预设聚类算法，进而确定当前车速的工况类型，具体包括：
S1、根据工况类型的类型数量，随机初始化类型数量个聚类中心；
S2、计算时间窗中历史车速数据的平均车速，确定平均车速与聚类中心的聚类距离，以将时间窗中的历史车速数据划分到聚类距离最小的聚类中心的类中；
S3、对每个类中的历史车速数据取均值，更新类的聚类中心；
循环S2-S3，直至完成预设聚类算法的训练；
S4、将当前车速作为输入，以通过训练好的预设聚类算法输出工况类型。
3.根据权利要求1所述的基于工况自适应的车速实时预测方法，其特征在于，获取当前车速的工况类型的出现次数，以计算预设神经网络的自适应学习率，具体包括：
在确定当前车速的工况类型后，通过预设计次程序，获得当前车速的工况类型的出现次数；
通过公式：，计算自适应学习率；
其中，为预设学习率上限，/>为预设学习率下限，k为当前车速的工况类型，t为当前时刻的具体数值，/>)表示当前时刻之前工况类型的出现次数。
4.根据权利要求1所述的基于工况自适应的车速实时预测方法，其特征在于，采用梯度下降算法和自适应学习率，更新预设神经网络，具体包括：
通过梯度下降算法公式：，更新学习参数向量，进而实现更新预设神经网络；
其中，,...,/>,/>,/>,...,/>,/>,/>,...,/>]，/>表示t时刻学习参数向量；/>=[/>,/>,...,/>]，/>表示t时刻隐藏层第j个神经元的中心向量，/>表示t时刻隐藏层中第j个神经元对应第i个输入的中心；i的取值范围是[0,I]，I表示输入层神经元的总个数；j的取值范围是[0,J],J表示隐藏层神经元的总个数；/>=[/>,/>,...,/>]，/>表示t时刻第m个输出神经元与隐藏层之间的权重，/>表示t时刻隐藏层第j个神经元与输出层第m个神经元之间的权重；m的取值范围是[0,M]，M表示输出层神经元的总个数；/>表示预设均方根误差函数；/>表示自适应学习率，/>。
5.根据权利要求1所述的基于工况自适应的车速实时预测方法，其特征在于，获取车辆时序运行数据和驾驶行为数据，以构建样本数据集，具体包括：
获取当前车速和预设时间段内的历史车速，以构建车辆时序运行数据；
获取当前踏板信息和预设时间段内的历史踏板信息，以构建驾驶行为数据；其中，踏板信息至少包括：t时刻加速踏板开度、t时刻加速踏板开度变化量、t时刻制动踏板开度、t时刻制动踏板开度变化量；
构建包含车辆时序运行数据和驾驶行为数据的样本数据集。
6.根据权利要求1所述的基于工况自适应的车速实时预测方法，其特征在于，所述方法还包括：
实时获得当前时刻的当前车速，输入训练好的预设聚类算法，进而获得工况类型，进而实现实时更新预设神经网络，进而获得当前时刻对应的预测车速。
7.一种基于工况自适应的车速实时预测系统，其特征在于，所述系统包括：
确定模块，用于通过标记好的历史车速数据训练预设聚类算法，以获得训练好的预设聚类算法，进而确定当前车速的工况类型；
更新模块，用于获取当前车速的工况类型的出现次数，以计算预设神经网络的自适应学习率；采用梯度下降算法和自适应学习率，更新预设神经网络；
获得模块，用于获取车辆时序运行数据和驾驶行为数据，以构建样本数据集；将样本数据集作为更新后预设神经网络的输入，以获得预测车速。
8.根据权利要求7所述的基于工况自适应的车速实时预测系统，其特征在于，获得模块包括数据集构建单元，
用于获取当前车速和预设时间段内的历史车速，以构建车辆时序运行数据；获取当前踏板信息和预设时间段内的历史踏板信息，以构建驾驶行为数据；其中，踏板信息至少包括：t时刻加速踏板开度、t时刻加速踏板开度变化量、t时刻制动踏板开度、t时刻制动踏板开度变化量；构建包含车辆时序运行数据和驾驶行为数据的样本数据集。
9.一种基于工况自适应的车速实时预测设备，其特征在于，所述设备包括：
处理器；
以及存储器，其上存储有可执行代码，当所述可执行代码被执行时，使得所述处理器执行如权利要求1-6任一项所述的一种基于工况自适应的车速实时预测方法。
10.一种非易失性计算机存储介质，其特征在于，其上存储有计算机指令，所述计算机指令在被执行时实现如权利要求1-6任一项所述的一种基于工况自适应的车速实时预测方法。
CN202311367074.4A 2023-10-20 2023-10-20 基于工况自适应的车速实时预测方法、系统、设备及介质 Pending CN117493925A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311367074.4A CN117493925A (zh) 2023-10-20 2023-10-20 基于工况自适应的车速实时预测方法、系统、设备及介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311367074.4A CN117493925A (zh) 2023-10-20 2023-10-20 基于工况自适应的车速实时预测方法、系统、设备及介质

Publications (1)

Publication Number Publication Date
CN117493925A true CN117493925A (zh) 2024-02-02

Family

ID=89671686

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311367074.4A Pending CN117493925A (zh) 2023-10-20 2023-10-20 基于工况自适应的车速实时预测方法、系统、设备及介质

Country Status (1)

Country Link
CN (1) CN117493925A (zh)

Similar Documents

Publication Publication Date Title
CN110386145B (zh) 一种目标驾驶员驾驶行为实时预测系统
US12005922B2 (en) Toward simulation of driver behavior in driving automation
WO2021178909A1 (en) Learning point cloud augmentation policies
CN111047085B (zh) 一种基于元学习的混合动力车辆工况预测方法
CN111260027A (zh) 一种基于强化学习的智能体自动决策方法
CN113408392B (zh) 基于卡尔曼滤波和神经网络的航迹补全方法
CN116108717B (zh) 一种基于数字孪生的交通运输设备运行预测方法及装置
CN110509957A (zh) 一种列车速度预测方法及装置
CN108961460B (zh) 基于稀疏esgp与多目标优化的故障预测方法及装置
CN114179830B (zh) 一种自动驾驶车辆的自主超车方法和系统
CN116244647A (zh) 一种无人机集群的运行状态估计方法
CN113689026A (zh) 一种气象数据预测方法、设备及存储介质
CN115938104A (zh) 一种动态短时路网交通状态预测模型及预测方法
CN116503029B (zh) 用于自动驾驶的模块数据协同处理方法及系统
CN112596388A (zh) 一种基于驾驶员数据的lstm神经网络aeb系统控制方法
CN117493925A (zh) 基于工况自适应的车速实时预测方法、系统、设备及介质
CN117197784A (zh) 自动驾驶行为决策及模型训练方法、系统和设备及介质
CN112257893A (zh) 一种考虑监测误差的复杂机电系统健康状态预测方法
CN114004143B (zh) 一种轮胎寿命的预测方法、装置、终端设备及存储介质
CN116522065A (zh) 一种基于深度学习的磨煤机健康度评估方法
CN110751054B (zh) 一种异常驾驶行为的检测系统
CN113298324B (zh) 一种基于深度强化学习与神经网络的轨迹预测模型方法、系统及装置
CN118306427B (zh) 自动驾驶决策方法、装置、电子设备和存储介质
CN117556874B (zh) 基于多源数据的车辆控制方法及系统
CN118395127B (zh) 一种基于历史数据的装备健康评估及退化趋势分析方法

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