一种面向插电式混合动力汽车目的地的识别方法技术

本发明专利技术公开了一种面向插电式混合动力汽车的目的地的识别方法，包括以下步骤：获取车辆运行状态数据；基于变阶马尔科夫模型识别目的地。本发明专利技术在未设置目的地时，从GPS历史行驶轨迹数据有效提取驾驶员的驾驶习惯和规律，预测大于置信度阈值的目的地及到达目的地的路径节点序列，进一步估计各路径节点的整车能耗，为能量管理策略全局优化奠定基础有利于汽车动力性和经济性的提升，符合当今汽车发展节能和环保的两大主题。使用PMM算法减少了预测模型的空间复杂性和计算量以及零频率问题，利用变阶隐马尔科夫模型对汽车历史和当前的多源数据进行适配，可以更加灵活、更加准确的对目的地节点和行程序列作出预测，对于智能汽车技术有着重要意义。

【技术实现步骤摘要】

本专利技术涉及混合动力汽车电池能量管理技术，特别是一种面向插电式混合动力汽车的目的地的识别方法。
技术介绍
节能和环保是汽车发展的两大主题，插电式混合动力汽车满足汽车动力性能的同时，在燃油经济性和排放性等方面具有显著的优势。插电式混合动力汽车出行时，如果驾驶员在车载导航系统中设定目的地，则车辆可获取由导航系统动态规划出的到达目的地的路径，进一步获取该路径的道路工况，实现接近全局最优的燃油分配和电池能量规划，从而提高插电式混合动力汽车的节油性能。而在现实生活中，驾驶员在熟悉环境的情况下往往不主动设定目的地来获取导航路径，则车辆无法获取到达目的地的路径信息，从而影响燃油分配和电池能量规划的合理性，导致整车性能下降。因此，在目的地未设定的情况下，若能实现目的地的动态识别，将有助于提高插电式混合动力汽车电池能量管理的合理性。
技术实现思路
针对上述问题，本专利技术要提出一种能实现目的地的动态识别的面向插电式混合动力汽车的目的地的识别方法。为实现上述目的，本专利技术的技术方案如下：一种面向插电式混合动力汽车的目的地的识别方法，包括以下步骤：A、获取车辆运行状态数据A1、获取GPS原始数据利用汽车GPS导航系统或车载智能设备获取汽车所经过的GPS地理位置及行驶轨迹信息。将一段时间内汽车行驶GPS地理位置信息按照时间的先后顺序得到一段时间内驾驶员的历史行驶轨迹。一条GPS历史行驶轨迹数据都代表了一系列不同时刻GPS位置数据的点集，用Pi＝(Lat,Lngt,T)代表i点处的地理位置信息，Lat、Lngt和T分别代表i点处的纬度、经度和时间信息。则T＜P1,P2,P3......Pn＞
代表有n个点组成的一条GPS历史行驶轨迹数据，将这些采集的信息汇总作为GPS原始数据。A2、对GPS原始数据进行预处理采用聚类算法提取车辆在历史行驶轨迹上的关键节点位置，从而在较为精确预测下一时刻地理位置的基础上避免由于GPS原始数据冗杂而导致的计算量过大问题。所述的关键节点位置指行驶路径中决定行驶走向的点或汽车停靠点，包括路口处、转弯处或加油站点，多级聚类算法将这些点及周围的点聚合为一个点，聚合公式如下所示： c o h ( p , q ) = exp ( - ( d i s t ( p , q ) δ ) - ( d i s t ( p , q ) d u r a t i o n ( p , q ) ) ) ]]>其中，p,q为GPS轨迹上的两点，dist(p,q)表示GPS轨迹点p和q之间的直线距离，而duration(p,q)表示从GPS轨迹点p到q所经过的时间；δ为缩放因子；将上述公式定义一个阈值ρ，若coh(p,q)≥ρ，那么GPS轨迹点p与GPS轨迹点q是直接一致性相关的，p,q两点就可以聚合在一起。明显地，那些相互间距离近且速度又小的GPS轨迹点间的一致性权值会比较大，即coh(p,q)的值比较大，而这些轨迹点便构成了一个关键节点，将通过聚合公式计算得出的地理位置随时间先后顺序重新连接就可以得到新的行程序列，用于变阶马尔科夫模型训练的输入数据。A3、获取当前GPS数据通过车载GPS定位系统或者智能终端设备获取插电式汽车的当前GPS数据，以当前GPS数据为依据来预测下一时刻的汽车将要到达的位置。B、基于变阶马尔科夫模型识别目的地基于上述GPS原始数据和新的行程序列，借助变阶马尔科夫模型不依靠转移矩阵的计算能力，研究基于数据挖掘的目的地识别算法，动态预测满足置信度要求的车辆未来行驶路径节点。汽车的GPS历史行驶轨迹相当于一系列的字符串，GPS历史行驶轨迹中某一个具体的点相当于字符串中的某一个字符。通过构建变阶马尔科夫模型训练GPS历史轨迹数据从而得到插电式混合动力汽车的行驶规律，通过PMM算法的逃逸机制解决零频率问题。PMM算法的逃逸机制满足以下条件： P ( c | s ) P ^ ( c | s ) , i f c ∈ Σ s ; P ^本文档来自技高网...

【技术保护点】
一种面向插电式混合动力汽车的目的地的识别方法，其特征在于：包括以下步骤：A、获取车辆运行状态数据A1、获取GPS原始数据利用汽车GPS导航系统或车载智能设备获取汽车所经过的GPS地理位置及行驶轨迹信息；将一段时间内汽车行驶GPS地理位置信息按照时间的先后顺序得到一段时间内驾驶员的历史行驶轨迹；一条GPS历史行驶轨迹数据都代表了一系列不同时刻GPS位置数据的点集，用Pi＝(Lat,Lngt,T)代表i点处的地理位置信息，Lat、Lngt和T分别代表i点处的纬度、经度和时间信息；则T＜P1,P2,P3......Pn＞代表有n个点组成的一条GPS历史行驶轨迹数据，将这些采集的信息汇总作为GPS原始数据；A2、对GPS原始数据进行预处理采用聚类算法提取车辆在历史行驶轨迹上的关键节点位置，从而在较为精确预测下一时刻地理位置的基础上避免由于GPS原始数据冗杂而导致的计算量过大问题；所述的关键节点位置指行驶路径中决定行驶走向的点或汽车停靠点，包括路口处、转弯处或加油站点，多级聚类算法将这些点及周围的点聚合为一个点，聚合公式如下所示：coh(p,q)=exp(-(dist(p,q)δ)-(dist(p,q)duration(p,q)))]]>其中，p,q为GPS轨迹上的两点，dist(p,q)表示GPS轨迹点p和q之间的直线距离，而duration(p,q)表示从GPS轨迹点p到q所经过的时间；δ为缩放因子；将上述公式定义一个阈值ρ，若coh(p,q)≥ρ，那么GPS轨迹点p与GPS轨迹点q是直接一致性相关的，p,q两点就可以聚合在一起；明显地，那些相互间距离近且速度又小的GPS轨迹点间的一致性权值会比较大，即coh(p,q)的值比较大，而这些轨迹点便构成了一个关键节点，将通过聚合公式计算得出的地理位置随时间先后顺序重新连接就可以得到新的行程序列，用于变阶马尔科夫模型训练的输入数据；A3、获取当前GPS数据通过车载GPS定位系统或者智能终端设备获取插电式汽车的当前GPS数据，以当前GPS数据为依据来预测下一时刻的汽车将要到达的位置；B、基于变阶马尔科夫模型识别目的地基于上述GPS原始数据和新的行程序列，借助变阶马尔科夫模型不依靠转移矩阵的计算能力，研究基于数据挖掘的目的地识别算法，动态预测满足置信度要求的车辆未来行驶路径节点；汽车的GPS历史行驶轨迹相当于一系列的字符串，GPS历史行驶轨迹中某一个具体的点相当于字符串中的某一个字符；通过构建变阶马尔科夫模型训练GPS历史轨迹数据从而得到插电式混合动力汽车的行驶规律，通过PMM算法的逃逸机制解决零频率问题；PMM算法的逃逸机制满足以下条件：P(c|s)P^(c|s),ifc∈Σs;P^(escape|s)P(c|s′),otherwise]]>式中，s为每一个长度为k(k≤D)的文本串，ε定义为空的字符串；c则表示该字符串的某一个具体的字符；s’表示文本串s的后缀；P为通过逃逸制分配给训练集中所有没有在文本串s之后出现的字符的概率；为分配给训练集中出现在文本串s之后所有字符的概率；PMM算法具体定义如下：P^(c|s)=N(sc)|Σs|+Σc′∈ΣsN(sc′),ifc∈Σs]]>P^(escape|c)=|Σs||Σs|+Σc′∈ΣsN(sc′)]]>上式中，用N(sc)表示文本串序列sc出现在训练集中出现的次数，用Σs来表示训练集中所有在文本串s之后会出现的字符集，即Σs＝{c：N(sc)>0}；对于空间高复杂性问题，采用PMM算法字典树的方式解决；在预测汽车行驶下一时刻的地理位置时，首先对变阶马尔科夫模型进行训练，用PMM算法训练的数据形成字典树T，字典树的节点包含出现的某个字符和该字符出现的次数两种信息；字典树构造完成后，利用该字典树结构计算出字符c出现在长度小于等于N的文本串s之后的概率P(c|s)，通过以上逃逸机制公式和PMM算法公式计算出概率P(c|s)，从而预测出下一时刻字符c出现的概率；为使预测精度更加准确，将GPS原始数据的90％用于模型训练，将GPS原始数据的10％用于模型预测，汽车的GPS历史行驶轨迹相当于上述所讲的字符串，关键节点为某一个字符，用采集到的GPS历史行驶轨迹数据训练变阶马尔科夫模型后，通过当前GPS数据作为输入量，结合上述公式同时利用PMM算法预测下一时刻的汽车位置，将计算所得概率最大的节点作为下一时刻预测的目的地，随时间不断滚动预测，最终达到目的地预测的目的。...

【技术特征摘要】
1.一种面向插电式混合动力汽车的目的地的识别方法，其特征在于：包括以下步骤：A、获取车辆运行状态数据A1、获取GPS原始数据利用汽车GPS导航系统或车载智能设备获取汽车所经过的GPS地理位置及行驶轨迹信息；将一段时间内汽车行驶GPS地理位置信息按照时间的先后顺序得到一段时间内驾驶员的历史行驶轨迹；一条GPS历史行驶轨迹数据都代表了一系列不同时刻GPS位置数据的点集，用Pi＝(Lat,Lngt,T)代表i点处的地理位置信息，Lat、Lngt和T分别代表i点处的纬度、经度和时间信息；则T＜P1,P2,P3......Pn＞代表有n个点组成的一条GPS历史行驶轨迹数据，将这些采集的信息汇总作为GPS原始数据；A2、对GPS原始数据进行预处理采用聚类算法提取车辆在历史行驶轨迹上的关键节点位置，从而在较为精确预测下一时刻地理位置的基础上避免由于GPS原始数据冗杂而导致的计算量过大问题；所述的关键节点位置指行驶路径中决定行驶走向的点或汽车停靠点，包括路口处、转弯处或加油站点，多级聚类算法将这些点及周围的点聚合为一个点，聚合公式如下所示： c o h ( p , q ) = exp ( - ( d i s t ( p , q ) δ ) - ( d i s t ( p , q ) d u r a t i o n ( p , q ) ) ) ]]>其中，p,q为GPS轨迹上的两点，dist(p,q)表示GPS轨迹点p和q之间的直线距离，而duration(p,q)表示从GPS轨迹点p到q所经过的时间；δ为缩放因子；将上述公式定义一个阈值ρ，若coh(p,q)≥ρ，那么GPS轨迹点p与GPS轨迹点q是直接一致性相关的，p,q两点就可以聚合在一起；明显地，那些相互间距离近且速度又小的GPS轨迹点间的一致性权值会比较大，即coh(p,q)的值比较大，而这些轨迹点便构成了一个关键节点，将通过聚合公式计算得出的地理位置随时间先后顺序重新连接就可以得到新的行程序列，用于变阶马尔科夫模型训练的输入数据；A3、获取当前GPS数据通过车载GPS定位系统或者智能终端设备获取插电式汽车的当前GPS数
\t据，以当前GPS数据为依据来预测下一时刻的汽车将要到达的位置；B、基于变阶马尔科夫模型识别目的地基于上述GPS原始数据和新的行程序列，借助变阶马尔科夫模型不依靠转移矩阵的计算能力，研究基于数据挖掘的目的地识别算法，动态预测满足置信度要求的车辆未来行驶路径节点；汽车的GPS历史行驶轨迹相当于一系列的字符串，GPS历史行驶轨迹中某一个具体的点相当于字符串中的某一个字符；通过构建变阶马尔科夫模型训练GPS历史轨迹数据从而得到插电式混合动力汽车的行驶规律，通过PMM算法的逃逸机制解决零频率问题；PMM算法的逃逸机制满足以下条件： P ( c | s ) P ^ ( c | s ) , i f c ∈ Σ s ; P ^ ...

【专利技术属性】
技术研发人员：连静，李琳辉，孙延秋，伦智梅，周雅夫，范悟明，刘爽，
申请(专利权)人：大连理工大学，
类型：发明
国别省市：辽宁;21