CN107346460A - 基于智能网联***下前车运行信息的未来工况预测方法 - Google Patents

Abstract

本发明提供一种基于智能网联***下前车运行信息的未来工况预测方法，属于智能交通技术领域，包括前车行驶工况数据获取、前车行驶工况划分、未来工况预测模型建立和本车未来工况在线预测，该工况预测方法能准确获取与本车未来工况信息最为接近的前车工况信息，并以此为基础通过建立最小二乘支持向量机与自回归滑动平均误差修正相结合带有预测模型精度判断的未来工况预测模型进行本车未来工况预测，预测结果具有实时性好、准确率高、可参考性强的优点，特别适合应用在固定线路运行的混合动力车辆。

Description

基于智能网联***下前车运行信息的未来工况预测方法

技术领域

本发明提供一种汽车行驶工况预测方法，特别涉及一种基于智能网联***下前车运行信息的未来工况预测方法，属于智能交通技术领域。

背景技术

行驶工况是混合动力汽车能量管理策略设计考虑的重要因素之一，对提高整车燃油经济性有着至关重要的作用。开发对未来控制时域内工况进行合理精确预测的方法，进而结合预测能量管理算法实现混合动力***实时最优控制，已成为混动汽车智能能量管理策略的有效方法。目前行驶工况预测的主要研究是根据车辆自身行驶一定周期后的工况数据后，结合建立的预测模型作出对车辆未来工况的预测。由于依赖车辆运行一定周期的历史数据积累之后作出的工况预测，未来工况预测结果存在滞后性、准确率低，参考性差等问题。如2013年8月14日申请公布的发明专利：申请公布号：CN 103246943 A，基于马尔可夫链的汽车运行工况多尺度预测方法，该方法建立汽车运行工况的马尔可夫链预测模型，根据汽车运行工况的历史信息，通过极大似然估计计算出状态转移矩阵；运用马尔可夫链蒙特卡洛模拟方法，根据获得的状态转移矩阵进行不同时间尺度的汽车运行工况预测；再将不同尺度预测结果在原数据频率下融合，获得汽车运行工况多尺度预测结果。该方法基于汽车自身运行工况的历史信息，通过建立马尔可夫链预测模型完成对汽车工况的多尺度预测，由于汽车自身运行工况的历史信息的对未来工况预测的结果实时性差，且工况预测模型预测结果缺少对误差的深度分析的，不能保证预测模型和预测结果两者预测精度，因此未来工况预测结果存在滞后性、准确率低，参考性差等问题。

发明内容

本发明的目的是提供一种能准确的获取与本车未来工况信息最为接近的前车工况信息，并以此为基础进行未来工况预测，其预测结果具有实时性好、准确性高，可参考性强的基于智能网联***下前车运行信息的未来工况预测方法，其技术内容为：

基于智能网联***下前车运行信息的未来工况预测方法，包括前车行驶工况数据获取、前车行驶工况划分、未来工况预测模型建立和本车未来工况在线预测，其特征在于：

第一步，前车行驶工况数据获取：首先通过V2V车车通讯***获取周围车辆行驶信息，通过V2I车路通讯***获取交通路况信息，以及通过车载定位***获取车辆当前位置信息及行驶路径道路信息，进行工况数据信息的采集；

再确定工况数据获取的最佳途径，根据V2V车车通讯***获取前车的车距、行驶方向及道路信息进行分析，当本车与前车不同向或不同路或车距大于S时，利用V2I车路通讯***获取由远程监控平台***提供的上一时刻前车工况数据；当本车与前车同向同路且距离小于S时，首先判断前车类型与本车类型是否相同，若前车类型与本车类型不相同，则通过对前车类型进行筛选，匹配与本车类型最相近的前车作为目标前车，若前车与本车类型相同且数量M＝1时，直接将前车作为目标对象，若前车与本车类型相同且数量M>1时，通过前车此前与本车在相同路段内的工况信息比对确定前车筛选的优先级，优先选定工况信息相似度较高的前车作为目标前车；然后对本车当前行驶时交通流与目标前车之前相同路段时交通流对比，若两者差值在允许值范围内，利用V2V车车通讯***获取前车的工况信息；若两者差值超过允许值，由V2V车车通讯***获取前车工况信息，同时结合V2I车路通讯***获取实时交通流信息，对前车车速工况信息加以修正；

所述的同类型车辆为同款同型号完全相同的车型，所述的最相近的车辆类型是指整车质量、动力源部件功率及滚阻都近似相同的车型；

第二步，前车行驶工况的划分：将获取的前车行驶工况信息，按照行驶工况路网划分为道路交叉路口和连接交叉路口的路段，再结合V2I车路通讯***获取的数据信息分别确定连接路段和道路交叉口划分时间窗口长度；

所述的连接路段划分时间窗口长度的确定，先根据连接路段内道路路面等级划分，在相同的道路路面等级下再按照交通流密度等级及通行速度等级的一致性进行划分，逐步缩短连接路段划分时间窗口长度，再结合连接路段划分时间窗口长度限值，进而确定连接路段划分时间窗口长度；所述的道路交叉口划分时间窗口长度的确定，将车辆通过交叉路口的通行状态分为车辆加速通过交叉口和车辆停车起步通过交叉口两类，分别结合此时交通流密度等级及交叉口划分时间窗口长度限值，进而确定交叉口划分时间窗口长度；

第三步，未来工况预测模型建立：依据划分的前车行驶工况，收集划分时间窗口内的前车实时运行工况信息，以及本车预测时间步长Δt内的未来实际工况信息数据，进行滤波和参数化归一处理后，将当前接收到得前车的工况信息数据作为输入，本车预测时间步长Δt内的未来实际工况信息数据作为输出，构造训练样本集G；

建立基于最小二乘支持向量机(LS-SVM)与自回归滑动平均误差修正(ARMA)相结合的工况预测模型：先确定最小二乘支持向量机回归模型函数中核函数，并利用前车及本车工况数据的训练样本集作为粒子，利用粒子群优化算法确定核宽度σ和惩罚参数C；再利用训练样本集G对最小二乘支持向量机模型进行训练，确定拉格朗日乘子α和偏置值b，最终得到最小二乘支持向量机回归模型函数；利用最小二乘支持向量机回归模型预测的工况数据与实际工况数据两者差值，组成误差序列样本，根据误差序列样本自相关系数的截尾性和偏自相关系数拖尾性，初步确定自回归滑动平均误差修正模型阶数，再用最小二乘估计法确定模型中的自回归参数、滑动平均参数，最终得到自回归滑动平均误差修正模型；

预测模型精度判断：将利用LS-SVM模型得到的工况预测值与ARMA模型得到的误差修正值E_i两者之和作为预测调整值与工况实际值y_i进行比较，当满足预测精度要求时，将预测调整值作为最终预测值；当预测精度不满足要求，进一步调整ARMA模型得到新的误差修正值E_i(k)，进而得到新的预测调整值再与工况实际值y_i比较并进行预测精度分析，直到满足预测精度要求，最终得到LS-SVM工况预测与ARMA误差修正相结合带有预测模型精度判断的未来工况预测模型；

第四步，本车未来工况在线预测：将实时获取的划分时间窗口内的前车行驶工况数据作为输入，利用建立的未来工况预测模型进行工况预测，得到本车未来工况预测结果，再将本车预测结果和本车未来工况的实际结果，输入残差计算模型并进行预测精度判断，当不满足预测精度要求时，通过再次建立的ARMA误差预测修正模型，在下一段的工况预测时，优先通过ARMA误差修正模型对所得的在线预测结果进行误差修正后，作为下一段工况的预测结果；当满足预测精度要求时，在下一段的工况预测时不进行误差修正，直接将当前预测结果输出；

经过误差修正模型对在线预测结果进行误差修正后，再进行残差计算及预测精度判断时，以误差修正后的预测结果为基础进行分析，重复上述精度判断后的处理方法。

本发明与现有技术相比，有益效果如下：

(1)相比于依赖车辆自身运行一定周期的历史数据积累之后作出的工况预测，该工况预测方法采用的工况数据获取途径，能较准确地获取与本车未来工况最为接近的前车工况信息，保证了预测模型输入数据的实时性和准确性，以此为基础进行工况预测，结果更加接近未来实际工况；

(2)该工况预测方法采用了基于行驶工况路网与交通信息相融合的行驶工况划分方法，针对连接路段和道路交叉分别确定口划分时间窗口长度，保证预测准确度的同时降低了预测的计算量；

(3)该工况预测方法还从其他两方面保证了预测结果的精确性：①建立了LS-SVM预测与ARMA误差修正相结合带有预测模型精度判断的未来工况预测模型，预测模型中加入了误差修正模型和预测模型精度判断，较好的保证了预测模型精度；②未来工况在线预测时进一步对当前在线预的测结果进行预精度分析，通过误差预测修正模型对下时间段的工况预测进行修正和调整，进一步保证预测结果准确性；

(4)由于固定线路运行的混合动力车辆在利用本方法进行前车行驶工况数据获取、工况划分时更为准确，因此该方法特别适合应用在固定线路运行的混合动力车辆，如固定线路运行的营运及作业的混合动力车辆，如采用混合动力***的公交车辆、固定线路物流车、清扫作业车辆等。

附图说明

图1是本发明实施例的工况预测方法整体流程图。

图2是本发明实施例行驶工况数据获取途径的流程图。

图3是本发明实施例前车此前T_y段与本车当前T_n段两相同路段的示意图。

图4是本发明实施例行驶工况划分时间窗口长度的流程图。

具体实施方式

下面结合附图对本发明作进一步说明：

如图1所示，基于智能网联***下前车运行信息的未来工况预测方法，包括前车行驶工况数据获取、前车行驶工况划分、未来工况预测模型建立和本车未来工况在线预测，其特征在于：

第一步，前车行驶工况数据获取：首先通过V2V车车通讯***获取周围车辆行驶信息，通过V2I车路通讯***获取交通路况信息，以及通过车载定位***获取车辆当前位置信息及行驶路径道路信息，进行工况数据信息的采集；

再确定工况数据获取的最佳途径，如图2所示，根据V2V车车通讯***获取前车的车距、行驶方向及道路信息进行分析，当本车与前车不同向或不同路或车距大于S时，利用V2I车路通讯***获取由远程监控平台***提供的上一时刻前车工况数据；

当本车与前车同向同路且距离小于S时，首先判断前车类型与本车类型是否相同，若前车类型与本车类型不相同，则通过对前车类型进行筛选，匹配与本车类型最相近的前车作为目标前车，若前车与本车类型相同且数量M＝1时，直接将前车作为目标对象，若前车与本车类型相同且数量M>1时，通过前车此前与本车在相同路段内的工况信息比对确定前车筛选的优先级，优先选定工况信息相似度较高的前车作为目标前车；然后通过V2I车路通讯***获取目标前车此前T_y段与本车当前T_n段两相同路段的交通流信息，如图3所示，包括目标前车此前T_y段的交通流密度K_y、交通流流量Q_y，本车当前T_n段的交通流密度K_n、交通流流量Q_n，并计算两者交通流密度的差值E_k、交通流流量差值E_q，分别与设定交通流密度变化情况临界值k、交通流流量变化情况临界值q进行比较；若交通流变化较小即：E_k≤k且E_q≤q，利用V2V车车通讯***获取前车的工况信息；若交通流变化较大即：E_k≥k或E_q≥q，由V2V车车通讯***获取前车工况信息，同时结合V2I车路通讯***获取实时交通流信息，建立基于交通流变化的车速修正模型，对获取的前车车速工况信息加以修正；

所述的同类型车辆为同款同型号完全相同的车型，所述的最相近的车辆类型是指整车质量、动力源部件功率及滚阻都近似相同的车型；

所述的相同路段内的工况信息对比，是在相同路段内对车辆瞬时速度v_t、平均车速v_ave、最大速度v_max、车速变化频率f、路面坡度i、路面等级g、最大加速度a_max、加速度均值a_m进行的比对；

所述的基于交通流变化的车速修正模型，可通过构建基于交通流变化的RBF神经网络车速修正模型得到，RBF神经网络车速修正模型的构建包括：(1)确定RBF神经网络车速修正模型输入参数矢量和输出参数矢量，输入参数矢量为当前接收到得前车工况信息包括的瞬时速度v_{y_t}，平均车速v_{y_ave}、最大速度v_{y_max}、车速变化频率f_y，以及本车当前路段交通流信息包括交通流密度K_n、交通流流量Q_n，即{v_{y_t}，v_{y_ave}，v_{y_max}，f_y，K_n，Q_n}，输出参数矢量为本车所对应的未来实际工况的车速信息，包括本车瞬时速度v_{n_t}，平均车速v_{n_ave}、最大速度v_{n_max}、车速变化频率f_n，即{v_{n_t}，v_{n_ave}，v_{n_max}，f_n}；(2)将输入参数矢量和输出参数矢量作为训练样本，输入到RBF神经网络模型中进行离线训练，选用自组织选取中心的RBF神经网络学习方法，求解确定隐含层基函数中心、奇函数的方差和隐含层单元输出单元权值，最终建立的基于交通流变化的RBF神经网络车速修正模型；

第二步，前车行驶工况的划分：将获取的前车行驶工况信息，按照行驶工况路网划分为道路交叉路口和连接交叉路口的连接路段，再结合V2I车路通讯***获取的数据信息分别确定连接路段和道路交叉口划分时间窗口长度，如图4所示；

所述的连接路段划分时间窗口长度的确定，先根据连接路段内道路路面等级划分，在相同的道路路面等级下再按照交通流密度等级及通行速度等级的一致性进行划分，逐步缩短连接路段划分时间窗口长度，再结合连接路段划分时间窗口长度限值，进而确定连接路段划分时间窗口长度；所述的道路交叉口划分时间窗口长度的确定，将车辆通过交叉路口的通行状态分为车辆加速通过交叉口和车辆停车起步通过交叉口两类，分别结合此时交通流密度等级及交叉口划分时间窗口长度限值，进而确定交叉口划分时间窗口长度；

所述的连接路段和交叉口划分时间窗口长度限值，可分别对时间窗口长度从t₁～t₂进行预测精确度仿真分析，综合考虑不同时间窗口长度对计算量的影响，分别确定路段和交叉口划分时间窗口长度的上限值和下限值；

第三步，未来工况预测模型建立：依据划分的前车行驶工况，收集某段划分时间窗口内的前车实时运行工况信息，以及本车预测时间步长Δt内的未来实际工况信息数据，进行滤波和参数化归一处理后，将当前接收到得前车的工况信息数据作为输入，本车预测时间步长Δt内的未来实际工况信息数据作为输出，构造训练样本集G，所述的工况信息包括车辆瞬时速度v_t、平均车速v_ave、最大速度v_max、车速变化频率f、路面坡度i、路面等级g、交通流密度ρ，最大加速度a_max、加速度均值a_m；

由此构造训练样本集为：G＝{(x₁,y₁),(x₂,y₂)，……(x_i,y_i)，……(x_n,y_n)}，其中，当前接收到得前车工况信息为：本车预测时间步长Δt内的未来的实际工况信息：

建立基于最小二乘支持向量机(LS-SVM)与自回归滑动平均误差修正(ARMA)相结合的工况预测模型：

由最小二乘支持向量机理论，最优回归估计函数是在一定约束条件下的最小化泛函，即：

约束条件：

利用拉格朗日乘子法将问题转化到其对偶空间并进行优化求解，可得LS-SVM回归估计函数模型为：

其中，为LS-SVM的核函数，选定核函数为RBF径向基核函数，由此可得：

并利用前车及本车工况数据的训练样本集作为粒子，利用粒子群优化算法确定核宽度σ和惩罚参数C；再利用训练样本集G对最小二乘支持向量机模型进行训练，确定拉格朗日乘子α和偏置值b，最终得到最小二乘支持向量机回归模型函数；

根据自回归滑动平均模型理论，可得ARMA(p，q)模型表达式为

y_t＝φ₁y_t-1+φ₂y_t-2+…+φ_py_t-p+ε_t-γ₁ε_t-1-γ₂ε_t-2-…-γ_qε_t-q

其中，(p，q)为自回归滑动平均模型的阶，φ₁,φ₂,…,φ_p,为自回归参数，γ₁,γ₂,…,γ_q为滑动平均参数，ε_t为高斯白噪声序列；

利用最小二乘支持向量机回归模型预测的工况数据与实际工况数据两者差值，组成误差序列样本，根据误差序列样本自相关系数的截尾性和偏自相关系数拖尾性，初步确定自回归滑动平均误差修正模型阶数(p，q)，再用最小二乘估计法确定模型中的自回归参数、滑动平均参数，最终得到自回归滑动平均误差修正模型；

预测模型精度判断：将利用LS-SVM模型得到的工况预测值与ARMA模型得到的误差修正值E_i两者之和作为预测调整值与工况实际值y_i进行比较，当满足预测精度要求时，将预测调整值作为最终预测值；当预测精度不满足要求，进一步调整ARMA模型得到新的误差修正值E_i(k)，进而得到新的预测调整值再与工况实际值y_i，直到满足预测精度要求；

第四步，本车未来工况在线预测：将实时获取的划分时间窗口内的前车行驶工况数据作为输入，利用建立的未来工况预测模型进行工况预测，得到本车未来工况预测结果，再将本车预测结果和本车未来工况的实际结果，输入残差计算模型并进行预测精度判断，当不满足预测精度要求时，通过再次建立的ARMA误差预测修正模型，在下一段的工况预测时，优先通过ARMA误差修正模型对所得的在线预测结果进行误差修正后，作为下一段工况的预测结果；当满足预测精度要求时，在下一段的工况预测时不进行误差修正，直接将当前预测结果输出；

经过误差修正模型对在线预测结果进行误差修正后，再进行残差计算及预测精度判断时，以误差修正后的预测结果为基础进行分析，重复上述精度判断后的处理方法。

Claims (1)

1.一种基于智能网联***下前车运行信息的未来工况预测方法，包括前车行驶工况数据获取、前车行驶工况划分、未来工况预测模型建立和本车未来工况在线预测，其特征在于：

第一步，前车行驶工况数据获取：首先通过V2V车车通讯***获取周围车辆行驶信息，通过V2I车路通讯***获取交通路况信息，以及通过车载定位***获取车辆当前位置信息及行驶路径道路信息，进行工况数据信息的采集；

再确定工况数据获取的最佳途径，根据V2V车车通讯***获取前车的车距、行驶方向及道路信息进行分析，当本车与前车不同向或不同路或车距大于S时，利用V2I车路通讯***获取由远程监控平台***提供的上一时刻前车工况数据；当本车与前车同向同路且距离小于S时，首先判断前车类型与本车类型是否相同，若前车类型与本车类型不相同，则通过对前车类型进行筛选，匹配与本车类型最相近的前车作为目标前车，若前车与本车类型相同且数量M＝1时，直接将前车作为目标对象，若前车与本车类型相同且数量M>1时，通过前车此前与本车在相同路段内的工况信息比对确定前车筛选的优先级，优先选定工况信息相似度较高的前车作为目标前车；然后对本车当前行驶时交通流与目标前车之前相同路段时交通流对比，若两者差值在允许值范围内，利用V2V车车通讯***获取前车的工况信息；若两者差值超过允许值，由V2V车车通讯***获取前车工况信息，同时结合V2I车路通讯***获取实时交通流信息，对前车车速工况信息加以修正；

所述的同类型车辆为同款同型号完全相同的车型，所述的最相近的车辆类型是指整车质量、动力源部件功率及滚阻都近似相同的车型；

第二步，前车行驶工况的划分：将获取的前车行驶工况信息，按照行驶工况路网划分为道路交叉路口和连接交叉路口的路段，再结合V2I车路通讯***获取的数据信息分别确定连接路段和道路交叉口划分时间窗口长度；

所述的连接路段划分时间窗口长度的确定，先根据连接路段内道路路面等级划分，在相同的道路路面等级下再按照交通流密度等级及通行速度等级的一致性进行划分，逐步缩短连接路段划分时间窗口长度，再结合连接路段划分时间窗口长度限值，进而确定连接路段划分时间窗口长度；所述的道路交叉口划分时间窗口长度的确定，将车辆通过交叉路口的通行状态分为车辆加速通过交叉口和车辆停车起步通过交叉口两类，分别结合此时交通流密度等级及交叉口划分时间窗口长度限值，进而确定交叉口划分时间窗口长度；

第三步，未来工况预测模型建立：依据划分的前车行驶工况，收集划分时间窗口内的前车实时运行工况信息，以及本车预测时间步长Δt内的未来实际工况信息数据，进行滤波和参数化归一处理后，将当前接收到得前车的工况信息数据作为输入，本车预测时间步长Δt内的未来实际工况信息数据作为输出，构造训练样本集G；

建立基于最小二乘支持向量机(LS-SVM)与自回归滑动平均误差修正(ARMA)相结合的工况预测模型：先确定最小二乘支持向量机回归模型函数中核函数，并利用前车及本车工况数据的训练样本集作为粒子，利用粒子群优化算法确定核宽度σ和惩罚参数C；再利用训练样本集G对最小二乘支持向量机模型进行训练，确定拉格朗日乘子α和偏置值b，最终得到最小二乘支持向量机回归模型函数；利用最小二乘支持向量机回归模型预测的工况数据与实际工况数据两者差值，组成误差序列样本，根据误差序列样本自相关系数的截尾性和偏自相关系数拖尾性，初步确定自回归滑动平均误差修正模型阶数，再用最小二乘估计法确定模型中的自回归参数、滑动平均参数，最终得到自回归滑动平均误差修正模型；

预测模型精度判断：将利用LS-SVM模型得到的工况预测值与ARMA模型得到的误差修正值E_i两者之和作为预测调整值与工况实际值y_i进行比较，当满足预测精度要求时，将预测调整值作为最终预测值；当预测精度不满足要求，进一步调整ARMA模型得到新的误差修正值E_i(k)，进而得到新的预测调整值再与工况实际值y_i比较并进行预测精度分析，直到满足预测精度要求，最终得到LS-SVM工况预测与ARMA误差修正相结合带有预测模型精度判断的未来工况预测模型；

第四步，本车未来工况在线预测：将实时获取的划分时间窗口内的前车行驶工况数据作为输入，利用建立的未来工况预测模型进行工况预测，得到本车未来工况预测结果，再将本车预测结果和本车未来工况的实际结果，输入残差计算模型并进行预测精度判断，当不满足预测精度要求时，通过再次建立的ARMA误差预测修正模型，在下一段的工况预测时，优先通过ARMA误差修正模型对所得的在线预测结果进行误差修正后，作为下一段工况的预测结果；当满足预测精度要求时，在下一段的工况预测时不进行误差修正，直接将当前预测结果输出；

经过误差修正模型对在线预测结果进行误差修正后，再进行残差计算及预测精度判断时，以误差修正后的预测结果为基础进行分析，重复上述精度判断后的处理方法。