CN111009134A - 一种基于前车与自车互动的短期车速工况实时预测方法 - Google Patents

Abstract

本发明公开了一种基于前车与自车互动的短期车速工况实时预测方法，包括以下步骤：S1.获取自车和前车历史车速、车距信息，并提取有效数据；S2.构建基于人工神经网络的未来车速预测模型；S3.对构建的未来车速预测模型进行离线训练；S4.在线预测自车的未来车速；S5.实现车速预测神经网络的自适应学习；S6.根据预测的短期车速计算扭矩需求；S7.根据转矩需求和动态规划算法计算最优转矩分配。本发明运用人工神经网络方法对自车短期车速进行预测，提高车速预测的准确度；并将预测出的汽车短期车速运用到能量管理控制策略中，提高燃油经济性。

Description

一种基于前车与自车互动的短期车速工况实时预测方法

技术领域

本发明涉及车辆的车速工况预测，特别是涉及一种基于前车与自车互动的短期车速工况实时预测方法。

背景技术

近年来，我国迅速增长的汽车需求带来了对石油消耗的急剧增长，同时也使我国所面临的能源安全问题更加突出。日益恶化的环境也促进了世界各国对节能减排的迫切需求。如何基于现有研究水平提高和完善混合动力***能量管理算法的优化性能和理论体系，进一步实现基于优化的动力驱动控制算法的实时在线应用，是当前汽车发展中优化燃油消耗亟待解决的重要问题。

发明内容

本发明的目的在于克服现有技术的不足，提供一种基于前车与自车互动的短期车速工况实时预测方法，极大地提高了未来短期车速预测的精度，并将其运用到能量管理策略中，提高了燃油经济性。

本发明的目的是通过以下技术方案来实现的：一种基于前车与自车互动的短期车速工况实时预测方法，其特征在于：包括以下步骤：

S1.获取自车和前车历史车速、车距信息，并提取有效数据；

S2.构建基于人工神经网络的未来车速预测模型；

S3.对构建的未来车速预测模型进行离线训练；

S4.在线预测自车的未来车速；

S5.实现车速预测神经网络的自适应学习；

S6.根据预测的短期车速计算扭矩需求；

S7.根据转矩需求和动态规划算法计算最优转矩分配。

其中，所述步骤S1包括以下子步骤：

S101.基于车载OBD或无线数据采集***获取自车不同驾驶员在不同道路工况上行驶时的历史车速信息，存储于车速数据库中形成样本工况1；

S102.运用车联网技术获取和自车对应的前车不同驾驶员在不同道路工况上行驶时的历史车速信息，存储于车速数据库中形成样本工况2；

运用毫米波雷达不断获取前后车车距信息，存储于历史车距数据库中形成样本工况3；

S103.从历史车速数据库样本工况1中提取自车运行于各样本工况时刻点t的有效实测数据车辆瞬时速度v₀(t)；

S104.从历史车速数据库样本工况2中提取前车运行于各样本工况时刻点t的有效实测数据车辆瞬时速度v₁(t)；

从历史车距数据库样本工况3中提取前后车运行于各样本工况时刻点t的有效实测数据前后车瞬时车距S(t)。

所述步骤S2基于历史车速或历史车距信息构建人工神经网络的未来车速预测模型，具体包括以下步骤：

S201.选取径向基函数人工神经网络作为非线性预测函数对自车未来车速进行预测，构建基于径向基函数人工神经网络的未来车速预测模型；

S202.径向基函数人工神经网络由输入层、隐藏层、输出层三部分构成；

A1、在基于历史车速信息构建模型时，选取驾驶员行为Q、自车上一时间段H_h秒内的历史车速和前车上一时间段H_s秒内的历史车速，作为神经网络车速预测模型的输入，定义为：

在基于历史车距信息构建模型时，选取驾驶员行为Q、自车上一时间段H_h秒内的历史车速和前车、自车上一时间段H_s秒内的历史车距，作为神经网络车速预测模型的输入，定义为：

其中，N_in为预测模型输入，V_k和V_n分别是自车和前车当前时刻车速，V_k-1和V_n-1分别是自车和前车上一时刻的车速；S_n是前车和自车当前时刻的车距，S_n-1是前车和自车上一时刻的车距；时间段H_h即为自车的历史车速向量长度，H_s即为前车的历史车速/车距向量长度，亦即神经网络模型输入向量的长度，H_h和H_s均为正整数；

A2、根据神经网络训练精度需求选定神经元数目O，隐藏层的激活函数为：

a¹＝exp(-‖n-c‖²/2b²),n＝Wa⁰+b；

其中，O为正整数，a¹和a⁰分别是当前层和上一层的神经元输出，n是累计输出，c是神经元节点中心，b是神经元径向基函数扩散宽度，W是权重值；

A3、下一未来时间段H_p秒内的车速作为输出,H_p即为预测未来车速向量长度，亦即神经网络模型输出向量的长度；假设f_n是神经网络预测的非线性函数；

在基于历史车速信息构建模型时，则有：

在基于历史车距信息构建模型时，则有：

进一步地，所述步骤S3包括以下子步骤：

S301.按照步骤S2构建输入矢量参数和输出矢量参数，然后将输入参数矢量和输出参数矢量输入到径向基函数人工神经网络模型中形成训练样本进行离线训练，建立稳定的径向基函数人工神经网络结构；

在基于历史车速信息构建的模型中，输入矢量参数为：

输出矢量参数为：

在基于历史车距信息构建的模型中，输入矢量参数为：

输出矢量参数为：

S302.确定径向基函数人工神经网络为g-h-m的连接方式，即有g个输入，h个隐含层和m个输出；

S303.选用自组织选取中线的RBF神经网络学习方法，核心是求解隐含层基函数中心、基函数的方差和隐含层单元到输出单元的权值，由此得RBF神经网络中第j个输出表示为：

式中，

为第p个输入样本，p＝1,2,…,P；P为样本总数，c_i为网络隐含层节点的中心，i＝1,2,…,h为隐含层的节点数，‖x_p-c_i‖²为欧式范数，σ_i为基函数的宽度，ω_ij为隐含层到输出层的连接权值，j＝1,2,…,m为输出层的节点数，y_j为与输入样本对应的神经网络的第j个输出节点的实际输出；

径向基函数人工神经网络离线训练步骤如下：

对权值ω_ij赋初值为0到1之间的随机数，隐含层神经元的数目为h，初始网络误差E置0，最大误差ε设为一正的小数；

基于模糊K均值聚类算法确定基函数的中心c_i及方差σ_i，i＝1,2,…,h；

采用梯度下降法调整网络隐含层到输出层的权值ω_ij直到网络误差E<ε,结束；其中网络误差采用均方误差来表示，表达式如下：

式中，E表示网络误差，

为对应于输入x_p的实际输出，y(x_p)表为对应于输入的期望输出，P为样本总数。

进一步地，所述步骤S4包括以下步骤：

S401.将步骤S3得到的神经网络模型嵌入到整车控制***中；

S402.对自车下一时间段H_p秒内的未来车速进行预测：

若步骤S3中得到的模型为基于历史车速的模型，则运用自车上一时间段H_h秒内的历史车速和前车上一时间段H_s秒内的历史车速数据对自车下一时间段H_p秒内的未来车速进行预测；

若步骤S3中得到的模型为基于历史车距的模型，则运用自车上一时间段H_h秒内的历史车速和前车、自车上一时间段H_s秒内的历史车距数据对自车下一时间段H_p秒内的未来车速进行预测；

S403.在实车行驶过程中，预测未来车速的方式包括：

第一、基于车速采集***不断获取自车上一时间段H_h秒内的实时车速数据，基于车联网技术不断获取前车上一时间段H_s秒内的实时车速数据，并融合驾驶员风格形成神经网络输入矢量，实现自车未来车速预测；

第二、基于车速采集***不断获取自车上一时间段H_h秒内的实时车速数据，运用毫米波雷达不断获取前车和自车上一时间段H_s秒内的实时车距数据，并融合驾驶员风格形成神经网络输入矢量，实现自车未来车速预测。

进一步地，所述步骤S5包括以下子步骤：

S501.采集上一周期内自车和前车的车速数据或为前车和自车的车距数据，更新样本车速或车距数据库；每个周期为一周、一月或一年；

S502.利用更新的样本车速数据或车距数据，在车辆非行驶任务情况下，对神经网络预测模型进行再学习；

S503.利用步骤S502中得到的神经网络模型进行车速预测；

S504.收集新的样本数据后回到501，重复步骤S5的完整过程。

进一步地，所述步骤S6中扭矩需求的计算方式如下：

式中，V(t)为预测的自车实时车速，m为汽车质量，T_wheel为车轮扭矩，R_wheel为车轮半径，θ为道路坡度，C_r为路面阻力系数，C_d为风阻系数，A为车辆迎风面积。

进一步地，所述步骤S7包括以下子步骤：

S701.划分阶段及选择阶段变量k；

S702.选择状态变量λ_k；

S703.选择决策变量及确定各级允许决策集合；

S704.写出状态转移方程，如下：

λ_k+1＝T(λ_k,v_k)；

其中，这里T(λ_k,v_k)表示状态变量为λ_k、车速为v_k时的状态转移函数；

S705.确定阶段目标函数的形式，目标函数必须具有可分性，并满足递推关系；

S706.写出基本方程即最优值函数满足的递推方程及端点条件，以r函数为代价函数：

r^*(λ_k)＝min[r(λ_k,v_k)+r^*(λ_k+1)]

其中，r(λ_k,v_k)表示状态变量为λ_k、车速为v_k所对应的代价函数；r^*(λ_k)表示状态变量为λ_k时的逆序极小化函数；r^*(λ_k+1)表示状态变量为λ_k+1时的逆序极小化函数；

终端条件：

r^*(λ_k+1)＝0

即求出r^*(λ_k+1)为0时对应的k值；

S707.逆序计算状态空间内最优价值函数，和对应的最优解：即在得到k值后，根据步骤S704～S706中的公式计算出对应的λ_k,v_k；

S708.根据最优价值函数和最优解，顺序计算给定初始状态下的最优控制策略：

所述最优值函数为r(λ_k,v_k)，r^*(λ_k+1)，最优解为对应的k,λ_k,v_k；

顺序计算给定初始状态下的最优控制策略，即：将求得的最优解λ_k,v_k带入步骤S6给出的公式中计算出车轮扭矩，进而计算出最优发动机转矩、电机转矩控制变量，得到给定初始状态下的最有控制策略。

本发明的有益效果是：本发明基于前车、自车互动模式，运用车联网技术，从人-车-环境***的角度对实现汽车短期车速实时预测进行研究，通过神经网络在线学习，提出了一种综合考虑车辆状态参数、驾驶员驾驶风格以及前方车辆状态参数的车辆未来短期车速预测方法，提高了车速预测的准确度。并将提出的短期车速预测方法运用到燃油消耗控制策略中，获得更佳的燃油经济性。

附图说明

图1为本发明的***原理框图

图2为实施例中的硬件设备示意图。

具体实施方式

下面结合附图进一步详细描述本发明的技术方案，但本发明的保护范围不局限于以下所述。

如图1所示，一种基于前车与自车互动的短期车速工况实时预测方法，其特征在于：包括以下步骤：

S1.获取自车和前车历史车速、车距信息，并提取有效数据：

在本申请的实施例中，需要采用的设备包括但不限于，车载自动诊断***(OBD),专用短程通讯(DSRC)***中的车载单元(OBU)、路测单元(RSU)，以及毫米波雷达。车载设备OBD可采集存储自车历史车速数据，路测单元(RSU)可获取前车历史车速数据，毫米波雷达可获取前后车车距信息，硬件设备如图2所示；步骤S1具体包括：

S101.基于车载OBD或无线数据采集***获取自车不同驾驶员在不同道路工况上行驶时的历史车速信息，存储于车速数据库中形成样本工况1；

S102.运用车联网技术(可选为“V2V”专用短程通讯设备)获取和自车对应的前车不同驾驶员在不同道路工况上行驶时的历史车速信息，存储于车速数据库中形成样本工况2；

运用毫米波雷达不断获取前后车车距信息，存储于历史车距数据库中形成样本工况3；

S103.从历史车速数据库样本工况1中提取自车运行于各样本工况时刻点t的有效实测数据车辆瞬时速度v₀(t)；

S104.从历史车速数据库样本工况2中提取前车运行于各样本工况时刻点t的有效实测数据车辆瞬时速度v₁(t)；

从历史车距数据库样本工况3中提取前后车运行于各样本工况时刻点t的有效实测数据前后车瞬时车距S(t)。

S2.构建基于人工神经网络的未来车速预测模型：

人工神经网络可选为反向传播神经网络、层递归型神经网络、径向基函数神经网络等各类人工神经网络算法，在本申请的实施例中，选择径向基函数人工神经网络进行模型构建。

该步骤基于历史车速或历史车距信息构建人工神经网络的未来车速预测模型，具体包括以下步骤：

S201.选取径向基函数人工神经网络作为非线性预测函数对自车未来车速进行预测，构建基于径向基函数人工神经网络的未来车速预测模型；

S202.径向基函数人工神经网络由输入层、隐藏层、输出层三部分构成；

A1、在基于历史车速信息构建模型时，选取驾驶员行为Q、自车上一时间段H_h秒内的历史车速和前车上一时间段H_s秒内的历史车速，作为神经网络车速预测模型的输入，定义为：

在基于历史车距信息构建模型时，选取驾驶员行为Q、自车上一时间段H_h秒内的历史车速和前车、自车上一时间段H_s秒内的历史车距，作为神经网络车速预测模型的输入，定义为：

其中，N_in为预测模型输入，V_k和V_n分别是自车和前车当前时刻车速，V_k-1和V_n-1分别是自车和前车上一时刻的车速；S_n是前车和自车当前时刻的车距，S_n-1是前车和自车上一时刻的车距；时间段H_h即为自车的历史车速向量长度，H_s即为前车的历史车速/车距向量长度，亦即神经网络模型输入向量的长度，H_h和H_s均为正整数；

A2、根据神经网络训练精度需求选定神经元数目O，隐藏层的激活函数为：

a¹＝exp(-‖n-c‖²/2b²),n＝Wa⁰+b；

其中，O为正整数，a¹和a⁰分别是当前层和上一层的神经元输出，n是累计输出，c是神经元节点中心，b是神经元径向基函数扩散宽度，W是权重值；

A3、下一未来时间段H_p秒内的车速作为输出,H_p即为预测未来车速向量长度，亦即神经网络模型输出向量的长度；假设f_n是神经网络预测的非线性函数；

在基于历史车速信息构建模型时，则有：

在基于历史车距信息构建模型时，则有：

S3.对构建的未来车速预测模型进行离线训练：

S301.按照步骤S2构建输入矢量参数和输出矢量参数，然后将输入参数矢量和输出参数矢量输入到径向基函数人工神经网络模型中形成训练样本进行离线训练，建立稳定的径向基函数人工神经网络结构；

在基于历史车速信息构建的模型中，输入矢量参数为：

输出矢量参数为：

在基于历史车距信息构建的模型中，输入矢量参数为：

输出矢量参数为：

S302.确定径向基函数人工神经网络为g-h-m的连接方式，即有g个输入，h个隐含层和m个输出；

S303.选用自组织选取中线的RBF神经网络学习方法，核心是求解隐含层基函数中心、基函数的方差和隐含层单元到输出单元的权值，由此得RBF神经网络中第j个输出表示为：

式中，

为第p个输入样本，p＝1,2,…,P；P为样本总数，c_i为网络隐含层节点的中心，i＝1,2,…,h为隐含层的节点数，‖x_p-c_i‖²为欧式范数，σ_i为基函数的宽度，ω_ij为隐含层到输出层的连接权值，j＝1,2,…,m为输出层的节点数，y_j为与输入样本对应的神经网络的第j个输出节点的实际输出；

径向基函数人工神经网络离线训练步骤如下：

对权值ω_ij赋初值为0到1之间的随机数，隐含层神经元的数目为h，初始网络误差E置0，最大误差ε设为一正的小数；

基于模糊K均值聚类算法确定基函数的中心c_i及方差σ_i，i＝1,2,…,h；

采用梯度下降法调整网络隐含层到输出层的权值ω_ij直到网络误差E<ε,结束；其中网络误差采用均方误差来表示，表达式如下：

式中，E表示网络误差，

为对应于输入x_p的实际输出，y(x_p)表为对应于输入的期望输出，P为样本总数。

S4.在线预测自车的未来车速：

S401.将步骤S3得到的神经网络模型嵌入到整车控制***中；

S402.对自车下一时间段H_p秒内的未来车速进行预测：

若步骤S3中得到的模型为基于历史车速的模型，则运用自车上一时间段H_h秒内的历史车速和前车上一时间段H_s秒内的历史车速数据对自车下一时间段H_p秒内的未来车速进行预测；

若步骤S3中得到的模型为基于历史车距的模型，则运用自车上一时间段H_h秒内的历史车速和前车、自车上一时间段H_s秒内的历史车距数据对自车下一时间段H_p秒内的未来车速进行预测；

S403.在实车行驶过程中，预测未来车速的方式包括：

第一、基于车速采集***不断获取自车上一时间段H_h秒内的实时车速数据，基于车联网技术(可选为“V2V”专用短程通讯设备)不断获取前车上一时间段H_s秒内的实时车速数据，并融合驾驶员风格形成神经网络输入矢量，实现自车未来车速预测；

第二、基于车速采集***不断获取自车上一时间段H_h秒内的实时车速数据，运用毫米波雷达不断获取前车和自车上一时间段H_s秒内的实时车距数据，并融合驾驶员风格形成神经网络输入矢量，实现自车未来车速预测。

S5.实现车速预测神经网络的自适应学习：

S501.采集上一周期内自车和前车的车速数据或为前车和自车的车距数据，更新样本车速或车距数据库；每个周期为一周、一月或一年；

S502.利用更新的样本车速数据或车距数据，在车辆非行驶任务情况下，对神经网络预测模型进行再学习；

S503.利用步骤S502中得到的神经网络模型进行车速预测；

S504.收集新的样本数据后回到501，重复步骤S5的完整过程。

S6.根据预测的短期车速计算扭矩需求：

扭矩需求的计算方式如下：

式中，V(t)为预测的自车实时车速，m为汽车质量，T_wheel为车轮扭矩，R_wheel为车轮半径，θ为道路坡度，C_r为路面阻力系数，C_d为风阻系数，A为车辆迎风面积。

S7.根据转矩需求和动态规划算法计算最优转矩分配。

S701.划分阶段及选择阶段变量k；

S702.选择状态变量λ_k；

S703.选择决策变量及确定各级允许决策集合；

S704.写出状态转移方程，如下：

λ_k+1＝T(λ_k,v_k)；

其中，这里T(λ_k,v_k)表示状态变量为λ_k、车速为v_k时的状态转移函数；

S705.确定阶段目标函数的形式，目标函数必须具有可分性，并满足递推关系；

S706.写出基本方程即最优值函数满足的递推方程及端点条件，以r函数为代价函数：

r^*(λ_k)＝min[r(λ_k,v_k)+r^*(λ_k+1)]

其中，r(λ_k,v_k)表示状态变量为λ_k、车速为v_k所对应的代价函数；r^*(λ_k)表示状态变量为λ_k时的逆序极小化函数；r^*(λ_k+1)表示状态变量为λ_k+1时的逆序极小化函数；

终端条件：

r^*(λ_k+1)＝0

即求出r^*(λ_k+1)为0时对应的k值；

S707.逆序计算状态空间内最优价值函数，和对应的最优解：即在得到k值后，根据步骤S704～S706中的公式计算出对应的λ_k,v_k；

S708.根据最优价值函数和最优解，顺序计算给定初始状态下的最优控制策略：

所述最优值函数为r(λ_k,v_k)，r^*(λ_k+1)，最优解为对应的k,λ_k,v_k；

顺序计算给定初始状态下的最优控制策略，即：将求得的最优解λ_k,v_k带入步骤S6给出的公式中计算出车轮扭矩，进而计算出最优发动机转矩、电机转矩控制变量，得到给定初始状态下的最有控制策略。

综上，本发明基于前车、自车互动模式，运用车联网技术，从人-车-环境***的角度对实现汽车短期车速实时预测进行研究，通过神经网络在线学习，提出了一种综合考虑车辆状态参数、驾驶员驾驶风格以及前方车辆状态参数的车辆未来短期车速预测方法，提高了车速预测的准确度。并将提出的短期车速预测方法运用到燃油消耗控制策略中，获得更佳的燃油经济性。

以上所述是本发明的优选实施方式，应当理解本发明并非局限于本文所披露的形式，不应该看作是对其他实施例的排除，而可用于其他组合、修改和环境，并能够在本文所述构想范围内，通过上述教导或相关领域的技术或知识进行改动。而本领域人员所进行的改动和变化不脱离本发明的精神和范围，则都应在本发明所附权利要求的保护范围内。

Claims (8)

1.一种基于前车与自车互动的短期车速工况实时预测方法，其特征在于：包括以下步骤：

S1.获取自车和前车历史车速、车距信息，并提取有效数据；

S2.构建基于人工神经网络的未来车速预测模型；

S3.对构建的未来车速预测模型进行离线训练；

S4.在线预测自车的未来车速；

S5.实现车速预测神经网络的自适应学习；

S6.根据预测的短期车速计算扭矩需求；

S7.根据转矩需求和动态规划算法计算最优转矩分配。

2.根据权利要求1所述的一种基于前车与自车互动的短期车速工况实时预测方法，其特征在于：所述步骤S1包括以下子步骤：

S101.基于车载OBD或无线数据采集***获取自车不同驾驶员在不同道路工况上行驶时的历史车速信息，存储于车速数据库中形成样本工况1；

S102.运用车联网技术获取和自车对应的前车不同驾驶员在不同道路工况上行驶时的历史车速信息，存储于车速数据库中形成样本工况2；

运用毫米波雷达不断获取前后车车距信息，存储于历史车距数据库中形成样本工况3；

S103.从历史车速数据库样本工况1中提取自车运行于各样本工况时刻点t的有效实测数据车辆瞬时速度v₀(t)；

S104.从历史车速数据库样本工况2中提取前车运行于各样本工况时刻点t的有效实测数据车辆瞬时速度v₁(t)；

从历史车距数据库样本工况3中提取前后车运行于各样本工况时刻点t的有效实测数据前后车瞬时车距S(t)。

3.根据权利要求1所述的一种基于前车与自车互动的短期车速工况实时预测方法，其特征在于：所述步骤S2基于历史车速或历史车距信息构建人工神经网络的未来车速预测模型，具体包括以下步骤：

S201.选取径向基函数人工神经网络作为非线性预测函数对自车未来车速进行预测，构建基于径向基函数人工神经网络的未来车速预测模型；

S202.径向基函数人工神经网络由输入层、隐藏层、输出层三部分构成；

A1、在基于历史车速信息构建模型时，选取驾驶员行为Q、自车上一时间段H_h秒内的历史车速和前车上一时间段H_s秒内的历史车速，作为神经网络车速预测模型的输入，定义为：

在基于历史车距信息构建模型时，选取驾驶员行为Q、自车上一时间段H_h秒内的历史车速和前车、自车上一时间段H_s秒内的历史车距，作为神经网络车速预测模型的输入，定义为：

其中，N_in为预测模型输入，V_k和V_n分别是自车和前车当前时刻车速，V_k-1和V_n-1分别是自车和前车上一时刻的车速；S_n是前车和自车当前时刻的车距，S_n-1是前车和自车上一时刻的车距；时间段H_h即为自车的历史车速向量长度，H_s即为前车的历史车速/车距向量长度，亦即神经网络模型输入向量的长度，H_h和H_s均为正整数；

A2、根据神经网络训练精度需求选定神经元数目O，隐藏层的激活函数为：

a¹＝exp(-‖n-c‖²/2b²),n＝Wa⁰+b；

其中，O为正整数，a¹和a⁰分别是当前层和上一层的神经元输出，n是累计输出，c是神经元节点中心，b是神经元径向基函数扩散宽度，W是权重值；

A3、下一未来时间段H_p秒内的车速作为输出,H_p即为预测未来车速向量长度，亦即神经网络模型输出向量的长度；假设f_n是神经网络预测的非线性函数；

在基于历史车速信息构建模型时，则有：

在基于历史车距信息构建模型时，则有：

4.根据权利要求1所述的一种基于前车与自车互动的短期车速工况实时预测方法，其特征在于：所述步骤S3包括以下子步骤：

S301.按照步骤S2构建输入矢量参数和输出矢量参数，然后将输入参数矢量和输出参数矢量输入到径向基函数人工神经网络模型中形成训练样本进行离线训练，建立稳定的径向基函数人工神经网络结构；

S302.确定径向基函数人工神经网络为g-h-m的连接方式，即有g个输入，h个隐含层和m个输出；

S303.选用自组织选取中线的RBF神经网络学习方法，核心是求解隐含层基函数中心、基函数的方差和隐含层单元到输出单元的权值，由此得RBF神经网络中第j个输出表示为：

式中，

为第p个输入样本，p＝1,2,…,P；P为样本总数，c_i为网络隐含层节点的中心，i＝1,2,…,h为隐含层的节点数，‖x_p-c_i‖²为欧式范数，σ_i为基函数的宽度，ω_ij为隐含层到输出层的连接权值，j＝1,2,…,m为输出层的节点数，y_j为与输入样本对应的神经网络的第j个输出节点的实际输出；

径向基函数人工神经网络离线训练步骤如下：

对权值ω_ij赋初值为0到1之间的随机数，隐含层神经元的数目为h，初始网络误差E置0，最大误差ε设为一正的小数；

基于模糊K均值聚类算法确定基函数的中心c_i及方差σ_i，i＝1,2,…,h；

采用梯度下降法调整网络隐含层到输出层的权值ω_ij直到网络误差E<ε,结束；其中网络误差采用均方误差来表示，表达式如下：

式中，E表示网络误差，

为对应于输入x_p的实际输出，y(x_p)表为对应于输入的期望输出，P为样本总数。

5.根据权利要求1所述的一种基于前车与自车互动的短期车速工况实时预测方法，其特征在于：所述步骤S4包括以下步骤：

S401.将步骤S3得到的神经网络模型嵌入到整车控制***中；

S402.对自车下一时间段H_p秒内的未来车速进行预测：

若步骤S3中得到的模型为基于历史车速的模型，则运用自车上一时间段H_h秒内的历史车速和前车上一时间段H_s秒内的历史车速数据对自车下一时间段H_p秒内的未来车速进行预测；

若步骤S3中得到的模型为基于历史车距的模型，则运用自车上一时间段H_h秒内的历史车速和前车、自车上一时间段H_s秒内的历史车距数据对自车下一时间段H_p秒内的未来车速进行预测；

S403.在实车行驶过程中，预测未来车速的方式包括：

第一、基于车速采集***不断获取自车上一时间段H_h秒内的实时车速数据，基于车联网技术不断获取前车上一时间段H_s秒内的实时车速数据，并融合驾驶员风格形成神经网络输入矢量，实现自车未来车速预测；

第二、基于车速采集***不断获取自车上一时间段H_h秒内的实时车速数据，运用毫米波雷达不断获取前车和自车上一时间段H_s秒内的实时车距数据，并融合驾驶员风格形成神经网络输入矢量，实现自车未来车速预测。

6.根据权利要求1所述的一种基于前车与自车互动的短期车速工况实时预测方法，其特征在于：所述步骤S5包括以下子步骤：

S501.采集上一周期内自车和前车的车速数据或为前车和自车的车距数据，更新样本车速或车距数据库；每个周期为一周、一月或一年；

S502.利用更新的样本车速数据或车距数据，在车辆非行驶任务情况下，对神经网络预测模型进行再学习；

S503.利用步骤S502中得到的神经网络模型进行车速预测；

S504.收集新的样本数据后回到501，重复步骤S5的完整过程。

7.根据权利要求1所述的一种基于前车与自车互动的短期车速工况实时预测方法，其特征在于：所述步骤S6中扭矩需求的计算方式如下：

式中，V(t)为预测的自车实时车速，m为汽车质量，T_wheel为车轮扭矩，R_wheel为车轮半径，θ为道路坡度，C_r为路面阻力系数，C_d为风阻系数，A为车辆迎风面积。

8.根据权利要求1所述的一种基于前车与自车互动的短期车速工况实时预测方法，其特征在于：所述步骤S7包括以下子步骤：

S701.划分阶段及选择阶段变量k；

S702.选择状态变量λ_k；

S703.选择决策变量及确定各级允许决策集合；

S704.写出状态转移方程，如下：

λ_k+1＝T(λ_k,v_k)；

其中，这里T(λ_k,v_k)表示状态变量为λ_k、车速为v_k时的状态转移函数；

S705.确定阶段目标函数的形式，目标函数必须具有可分性，并满足递推关系；

S706.写出基本方程即最优值函数满足的递推方程及端点条件，以r函数为代价函数：

r^*(λ_k)＝min[r(λ_k,v_k)+r^*(λ_k+1)]

其中，r(λ_k,v_k)表示状态变量为λ_k、车速为v_k所对应的代价函数；r^*(λ_k)表示状态变量为λ_k时的逆序极小化函数；r^*(λ_k+1)表示状态变量为λ_k+1时的逆序极小化函数；

终端条件：

r^*(λ_k+1)＝0

即求出r^*(λ_k+1)为0时对应的k值；

S707.逆序计算状态空间内最优价值函数，和对应的最优解：即在得到k值后，根据步骤S704～S706中的公式计算出对应的λ_k,v_k；

S708.根据最优价值函数和最优解，顺序计算给定初始状态下的最优控制策略：

所述最优值函数为r(λ_k,v_k)，r^*(λ_k+1)，最优解为对应的k,λ_k,v_k；

顺序计算给定初始状态下的最优控制策略，即：将求得的最优解λ_k,v_k带入步骤S6给出的公式中计算出车轮扭矩，进而计算出最优发动机转矩、电机转矩控制变量，得到给定初始状态下的最有控制策略。

Images