CN106909993A - 基于时空学习的马尔科夫链微行程间隔时长预测方法 - Google Patents
基于时空学习的马尔科夫链微行程间隔时长预测方法 Download PDFInfo
- Publication number
- CN106909993A CN106909993A CN201710124969.3A CN201710124969A CN106909993A CN 106909993 A CN106909993 A CN 106909993A CN 201710124969 A CN201710124969 A CN 201710124969A CN 106909993 A CN106909993 A CN 106909993A
- Authority
- CN
- China
- Prior art keywords
- data
- time
- speed
- floor
- idling
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Marketing (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种基于时空学习的马尔科夫链微行程间隔时长预测方法,其工况数据采集模块采集大量速度工况数据作为训练样本和实时地采集车辆的速度工况数据,有效速度时间序列确定,对采集的工况数据进行分析判断数据的有效性和可靠性,去除噪音数据;怠速时长预测模块根据时间信息和空间信息确定与实时采集数据相关度更高的训练数据子集,并使用该子集合学习并转移矩阵,并使用该转移矩阵预测怠速时长类别。有效速度时间序列确定模块通过中值滤波方法去除采集的速度数据和经纬度数据中由于设备波动等原因出现的数据噪音,并根据速度数据的相关性确定最适合的有效速度时间序列的长度。本发明使用时间和空间上相关性较高的数据训练转移矩阵,预测下一次怠速工况可能的持续时间长度。
Description
技术领域
本发明涉及一种基于时空局部学习的怠速预测方法,尤其涉及数据挖掘在时间和空间相关的局部空间学习数据的分布规律,预测微行程时间间隔长度。
背景技术
车辆的行驶工况是由一系列微行程及两个微行程间隔的怠速工况组成,其中微行程是指从车速为0开始到再次车速为0结束的一个车辆运动的时间速度序列。为了满足车辆燃油经济性的要求,近年来生产的大部分汽车都配备了自动起停***,能够在车辆因红灯、拥堵等情况静止时,发动机处于怠速工况时自动关闭发动机减少不必要的燃油消耗。但在实际的交通环境下,两个微型程间的时间间隔较短即车辆可能处于怠速工况的时间较短,使得目前的自动起停***起动一次发动机的燃油消耗多于怠速的燃油消耗,并不能达到预期的节约燃油消耗的效果,而且频繁起动和停止发动机也大大影响了驾驶的舒适性。如一台排量1,489mL、直列4缸16气门的发动机,怠速油耗是0.18mL/s,试验表明该发动机热起动一次的油耗为1.2mL,怠速时间6.7s以上才能节约燃油消耗。因此,如果能够准确地预测微行程的间隔时间则能够更好地控制起停***,减少无效起停的次数,节约燃油消耗并提升驾驶舒适性。由于目前国内现有的车辆以家用为主,主要用于上下班出行,行驶的路线相对固定,受到固定路线和驾驶习惯的影响车辆的行驶工况也较相似,因此本发明使用大量城市行驶工况数据构建历史工况数据库用于模型学习,并根据驾驶员的实际驾驶工况通过自学习不断更新历史数据库,使得模型能够更准确地预测当前行驶工况。
发明内容
为了能够更好地控制起停***,本发明提出了基于时空学习的马尔科夫链微行程时间间隔预测方法,使用时间和空间上相关性较高的数据训练转移矩阵,预测下一次怠速工况可能的持续时间长度。
本发明之方法如下:
包括有工况数据采集模块、怠速时长预测模块和有效速度时间序列确定模块;
工况数据采集模块采集大量速度工况数据作为训练样本和实时地采集车辆的速度工况数据,有效速度时间序列确定,对采集的工况数据进行分析判断数据的有效性和可靠性,去除噪音数据;
怠速时长预测模块根据时间信息和空间信息确定与实时采集数据相关度更高的训练数据子集,并使用该子集合学习并转移矩阵,并使用该转移矩阵预测怠速时长类别。
所述的工况数据采集模块在车辆行驶的过程中实时采集车辆速度时间序列和经纬度信息作为训练数据。
所述的有效速度时间序列确定模块通过中值滤波方法去除采集的速度数据和经纬度数据中由于设备波动等原因出现的数据噪音,并根据速度数据的相关性确定最适合的有效速度时间序列的长度。
进一步的,所述的怠速时长预测模块首先根据时间和空间信息确定当前实时采集数据在训练数据集合中的相关数据子集,根据数据子集合中子集的数据确定状态空间并计算一步转移概率矩阵,并根据该概率矩阵预测未来N步的状态,并根据预测得到的未来N步的状态判断下一次怠速工况可能的持续时间。所述的空间信息包括经纬度信息。
本发明的有益效果:
本发明使用时间和空间上相关性较高的数据训练转移矩阵,能预测下一次怠速工况可能的持续时间长度。
附图说明
图1是本发明中***流程图。
图2是示本发明中不同时间间隔的速度数据相关性分析图。
图3是本发明中训练数据的VA分布图。
图4是本发明中预测结果图。
具体实施方式
参见图1,本发明包括以下步骤:
首先,采集大量车辆行驶工况数据构建历史工况数据库并作为模型的训练数据,对数据进行预处理,去除噪音数据,确定有效速度时间序列。在本发明中,有效速度时间序列是指怠速工况前的速度时间序列,而速度时间序列长度的确定是根据大量历史数据的相关性确定。
如图2所示,为不同间隔的速度相关性分析,当间隔时间越长速度相关性越弱,使用其预测下一时刻工况就越不准确,当时间间隔为超过一分钟时,速度数据几乎不存在相关性。而当间隔越短时,相关性越长,但是包含的信息越少,容易引发过配问题,影响预测效果。因此综合考虑这两方面因素,即保证数据存在相关性,又同时包含足够多的信息,因此本发明选择怠速前30s作为可以用于预测微行程时间间隔的有效速度时间序列。同时,相邻数据相关性的计算也同时证明了速度时间序列具有马尔科夫性,可以使用马尔科夫链方法进行预测。然后,实时采集车辆行驶过程中的速度时间序列,当速度小于10km/h时开始预测。根据实时采集的数据的时间和空间信息找到训练数据中的相关数据。其中时间上的相关包含两个方面,一个是日期相关,在一个星期中的同一天,另一个时段相关,本发明将一天分为四个时段如表1所示,节假日和工作日不同,节假日的高峰期的时间段将被推迟。空间上的相关是指,采集到的经纬度数据的相似性,直接计算曼哈顿距离,如公式(1)所示。选择距离最小的1000条数据。两个条件在原则上是先根据时间原则筛选再根据空间原则筛选,如果时间筛选后不足1000条,则不再进行空间上的筛选。
Dist=∑(|LatAi-LatBi|+|LonAi-LonBi|) (1)
表1 交通时段划分
在确定时间空间相关子集后,根据相关子集的速度加速度信息确定状态空间,每个状态空间对应一组速度加速度值范围,速度总范围为[0,90km/h]步长为5,总计18个速度范围,加速度范围为[-10,10m/s2]步长为0.5,总计40个加速度范围,因此总计共有720个状态,如图3所示,每个小格表示则状态转移矩阵的大小为720*720。在确定状态空间后,划分每个时刻速度加速度的状态,计算转移概率矩阵。转移概率矩阵描述了马尔科夫链的无后效性,下一时刻的状态仅与当前状态有关,与之前的状态无关。转移矩阵是由很多的转移概率构成,转移概率是通过统计方法计算得到。令mi表示状态si出现的频次,mij代表由状态si转移到状态sj的次数。转移概率pij可以通过公式(2)计算得到。
计算得到转移概率后,可以构成转移概率矩阵。
在时间空间的相关子集中计算得到转移概率矩阵后,开始预测当前速度时间序列的下一时刻状态。首先对当前速度时间序列数据Y(i)划分状态,其所处的状态为si,根据转移矩阵P,可以预测下一时刻的状态。
如公式(4)所示,转移矩阵中第i行概率值最大的一列所表示的状态即为下一时刻最有可能的状态,即Y(i)当前状态为si,下一时刻最有可能的状态为sk。通过多次迭代就可以得到未来n个时刻的状态,如果持续一段时间均为速度为0的状态,则可以预测怠速的时间长度。如图4所示,为模型的预测结果,模型可以较好的预测停车的时间长度所在的区间。
从预测的过程中可以看出转移矩阵的准确性对于预测结果有着非常重要的影响,训练数据越具有的参考性越强。因此本发明会使用每天出现怠速的行驶工况更新历史数据库。首先根据GPS采集的位置信息判断是否为新地点工况,即历史数据库中没有与这一地点相近的数据,如果为新地点则替换历史数据库中出现频次低的数据,如果不是新地点数据则替换就地点的工况数据并更新频次。在下次预测时则使用更新后的历史数据库。
本发明中,为了提升马尔科夫链预测的准确率和效率,不再使用所有训练数据生成转移矩阵,而是使用直接通过时间空间上的相关数据子集来生成转移矩阵,不仅能够提升效率,而且由于训练数据和用于预测的数据的相关度高,能够提升预测的准确率,能够帮助怠速起停***做出准确的判断。
Claims (3)
1.一种基于时空学习的马尔科夫链微行程间隔时长预测方法,其特征在于:
包括有工况数据采集模块、怠速时长预测模块和有效速度时间序列确定模块;
所述的工况数据采集模块采集大量速度工况数据作为训练样本和实时地采集车辆的速度工况数据,有效速度时间序列确定,对采集的工况数据进行分析判断数据的有效性和可靠性,去除噪音数据;
所述的怠速时长预测模块根据时间信息和空间信息确定与实时采集数据相关度更高的训练数据子集,并使用该子集合学习并转移矩阵,并使用该转移矩阵预测怠速时长类别;
所述的有效速度时间序列确定模块通过中值滤波方法去除采集的速度数据和经纬度数据中由于设备波动等原因出现的数据噪音,并根据速度数据的相关性确定最适合的有效速度时间序列的长度。
2.根据权利要求1所述的一种基于时空学习的马尔科夫链微行程间隔时长预测方法,其特征在于:所述的工况数据采集模块在车辆行驶的过程中实时采集车辆速度时间序列和经纬度信息作为训练数据。
3.根据权利要求1所述的一种基于时空学习的马尔科夫链微行程间隔时长预测方法,其特征在于:所述的怠速时长预测模块首先根据时间和空间信息确定当前实时采集数据在训练数据集合中的相关数据子集,根据数据子集合中子集的数据确定状态空间并计算一步转移概率矩阵,并根据该概率矩阵预测未来N步的状态,并根据预测得到的未来N步的状态判断下一次怠速工况可能的持续时间。所述的空间信息包括经纬度信息。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710124969.3A CN106909993A (zh) | 2017-03-03 | 2017-03-03 | 基于时空学习的马尔科夫链微行程间隔时长预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710124969.3A CN106909993A (zh) | 2017-03-03 | 2017-03-03 | 基于时空学习的马尔科夫链微行程间隔时长预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN106909993A true CN106909993A (zh) | 2017-06-30 |
Family
ID=59186737
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710124969.3A Pending CN106909993A (zh) | 2017-03-03 | 2017-03-03 | 基于时空学习的马尔科夫链微行程间隔时长预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106909993A (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107463992A (zh) * | 2017-08-01 | 2017-12-12 | 北京理工大学 | 一种混合动力车辆行驶工况基于片段波形训练的工况预测方法 |
CN107527113A (zh) * | 2017-08-01 | 2017-12-29 | 北京理工大学 | 一种混合动力车辆行驶工况的工况预测方法 |
CN107977734A (zh) * | 2017-11-10 | 2018-05-01 | 河南城建学院 | 一种时空大数据下基于移动马尔可夫模型的预测方法 |
CN110341701A (zh) * | 2019-06-21 | 2019-10-18 | 同济大学 | 一种基于空间位置信息的车辆自动启停优化方法 |
CN110696807A (zh) * | 2019-09-29 | 2020-01-17 | 一汽解放青岛汽车有限公司 | 堵车工况发动机停机控制方法、***、车辆及存储介质 |
CN110758394A (zh) * | 2019-09-29 | 2020-02-07 | 一汽解放青岛汽车有限公司 | 堵车工况发动机起动控制方法、***、车辆及存储介质 |
WO2020124779A1 (zh) * | 2018-12-17 | 2020-06-25 | 中国科学院沈阳自动化研究所 | 一种工况状态建模与修正模型方法 |
CN115687038A (zh) * | 2022-08-23 | 2023-02-03 | 江苏臻云技术有限公司 | 一种基于大数据的硬盘故障预测***及方法 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101285426A (zh) * | 2007-04-09 | 2008-10-15 | 山东申普汽车控制技术有限公司 | 组合脉谱对发动机怠速控制的方法 |
JP2009074371A (ja) * | 2007-09-18 | 2009-04-09 | Toyota Motor Corp | 内燃機関のアイドリング期間予測装置および制御システム |
CN103246943A (zh) * | 2013-05-31 | 2013-08-14 | 吉林大学 | 基于马尔可夫链的汽车运行工况多尺度预测方法 |
CN103573434A (zh) * | 2012-07-23 | 2014-02-12 | 北京汽车研究总院有限公司 | 发动机怠速启停控制方法与控制*** |
CN103632547A (zh) * | 2013-12-06 | 2014-03-12 | 上海理工大学 | 移动瓶颈影响下路段行程时间预测***及实现方法 |
CN104064044A (zh) * | 2014-06-30 | 2014-09-24 | 北京航空航天大学 | 基于车路协同的发动机起停控制***及其方法 |
CN104417346A (zh) * | 2013-09-09 | 2015-03-18 | 比亚迪股份有限公司 | 混合动力汽车的控制***和控制方法 |
CN105035071A (zh) * | 2015-05-29 | 2015-11-11 | 武汉理工大学 | 一种面向城市环境下汽车低速走停工况的自动跟车***及其控制方法 |
CN105512727A (zh) * | 2015-11-27 | 2016-04-20 | 浙江理工大学 | 一种基于Markov的个人路径预测方法 |
-
2017
- 2017-03-03 CN CN201710124969.3A patent/CN106909993A/zh active Pending
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101285426A (zh) * | 2007-04-09 | 2008-10-15 | 山东申普汽车控制技术有限公司 | 组合脉谱对发动机怠速控制的方法 |
JP2009074371A (ja) * | 2007-09-18 | 2009-04-09 | Toyota Motor Corp | 内燃機関のアイドリング期間予測装置および制御システム |
CN103573434A (zh) * | 2012-07-23 | 2014-02-12 | 北京汽车研究总院有限公司 | 发动机怠速启停控制方法与控制*** |
CN103246943A (zh) * | 2013-05-31 | 2013-08-14 | 吉林大学 | 基于马尔可夫链的汽车运行工况多尺度预测方法 |
CN104417346A (zh) * | 2013-09-09 | 2015-03-18 | 比亚迪股份有限公司 | 混合动力汽车的控制***和控制方法 |
CN103632547A (zh) * | 2013-12-06 | 2014-03-12 | 上海理工大学 | 移动瓶颈影响下路段行程时间预测***及实现方法 |
CN104064044A (zh) * | 2014-06-30 | 2014-09-24 | 北京航空航天大学 | 基于车路协同的发动机起停控制***及其方法 |
CN105035071A (zh) * | 2015-05-29 | 2015-11-11 | 武汉理工大学 | 一种面向城市环境下汽车低速走停工况的自动跟车***及其控制方法 |
CN105512727A (zh) * | 2015-11-27 | 2016-04-20 | 浙江理工大学 | 一种基于Markov的个人路径预测方法 |
Non-Patent Citations (1)
Title |
---|
李友文: "基于马尔科夫过程的行驶工况构建中数据处理与分析", 《合肥工业大学学报(自然科学版)》 * |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107463992A (zh) * | 2017-08-01 | 2017-12-12 | 北京理工大学 | 一种混合动力车辆行驶工况基于片段波形训练的工况预测方法 |
CN107527113A (zh) * | 2017-08-01 | 2017-12-29 | 北京理工大学 | 一种混合动力车辆行驶工况的工况预测方法 |
CN107527113B (zh) * | 2017-08-01 | 2021-03-23 | 北京理工大学 | 一种混合动力车辆行驶工况的工况预测方法 |
CN107977734A (zh) * | 2017-11-10 | 2018-05-01 | 河南城建学院 | 一种时空大数据下基于移动马尔可夫模型的预测方法 |
CN107977734B (zh) * | 2017-11-10 | 2021-08-24 | 河南城建学院 | 一种时空大数据下基于移动马尔可夫模型的预测方法 |
WO2020124779A1 (zh) * | 2018-12-17 | 2020-06-25 | 中国科学院沈阳自动化研究所 | 一种工况状态建模与修正模型方法 |
CN110341701B (zh) * | 2019-06-21 | 2020-08-18 | 同济大学 | 一种基于空间位置信息的车辆自动启停优化方法 |
CN110341701A (zh) * | 2019-06-21 | 2019-10-18 | 同济大学 | 一种基于空间位置信息的车辆自动启停优化方法 |
CN110758394A (zh) * | 2019-09-29 | 2020-02-07 | 一汽解放青岛汽车有限公司 | 堵车工况发动机起动控制方法、***、车辆及存储介质 |
CN110758394B (zh) * | 2019-09-29 | 2020-10-16 | 一汽解放青岛汽车有限公司 | 堵车工况发动机起动控制方法、***、车辆及存储介质 |
CN110696807A (zh) * | 2019-09-29 | 2020-01-17 | 一汽解放青岛汽车有限公司 | 堵车工况发动机停机控制方法、***、车辆及存储介质 |
CN115687038A (zh) * | 2022-08-23 | 2023-02-03 | 江苏臻云技术有限公司 | 一种基于大数据的硬盘故障预测***及方法 |
CN115687038B (zh) * | 2022-08-23 | 2023-09-26 | 江苏臻云技术有限公司 | 一种基于大数据的硬盘故障预测***及方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106909993A (zh) | 基于时空学习的马尔科夫链微行程间隔时长预测方法 | |
CN104157139B (zh) | 一种交通拥堵预测方法及可视化方法 | |
CN113316808B (zh) | 通过交通状态的时空扩展搜索空间控制交通信号 | |
CN103678917B (zh) | 一种基于模拟退火算法的公交实时到站时间预测方法 | |
CN104123833B (zh) | 一种道路状况的规划方法和装置 | |
CN104778834B (zh) | 一种基于车辆gps数据的城市道路交通拥堵判别方法 | |
CN105185115B (zh) | 一种交通预测方法和预测*** | |
CN102708698B (zh) | 基于车联网的车辆最优路径导航方法 | |
CN102081859B (zh) | 一种公交车到站时间预测模型控制方法 | |
CN104299442B (zh) | 一种基于模式匹配的城市路径行程时间预测方法 | |
CN107919014B (zh) | 面向多载客里程的出租车运行线路优化方法 | |
Bacon et al. | Using real-time road traffic data to evaluate congestion | |
CN103996289B (zh) | 一种流量-速度匹配模型及行程时间预测方法及*** | |
CN106530810A (zh) | 一种基于停车场信息的交通诱导*** | |
CN103927866B (zh) | 基于gps的车辆等待红绿灯时间预测方法 | |
CN110390349A (zh) | 基于XGBoost模型的公交车客流量预测建模方法 | |
CN101599219A (zh) | 交通信号控制*** | |
CN106448159A (zh) | 一种基于动态交通信息的道路交通分级预警方法 | |
CN109544929A (zh) | 一种基于大数据的车辆低碳控制与诱导方法、***、设备和存储介质 | |
CN106530692A (zh) | 一种基于交通拥堵评价指标的机动车油耗排放强度测算方法 | |
CN108765940A (zh) | 基于高阶马尔科夫模型的道路拥塞发现方法 | |
CN102708701A (zh) | 一种公交车到站时间实时预测***和方法 | |
CN102436466A (zh) | 基于gis分类的公交换乘查询方法 | |
CN107038886A (zh) | 一种基于轨迹数据的出租车巡游路径推荐方法和*** | |
CN109493449A (zh) | 一种基于货车gps轨迹数据和高速交易数据的货车载货状态估计方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20170630 |
|
RJ01 | Rejection of invention patent application after publication |