基于驾驶习惯和交通路况的行驶工况智能预测估计方法技术

本发明专利技术提供了一种基于驾驶习惯和交通路况的行驶工况智能预测估计方法，基于已建立的车辆工况识别模型、当前车辆行驶参数、当前交通路况信息，通过神经网络和二型模糊集合理论建立未来预测工况模型，预测车辆在规划路径上行驶的工况特性。将预测得到的行驶工况信息发送给整车能量管理系统，其自动优化模块根据预测工况在线优化调整控制逻辑，以提高整车系统能量利用效率，无论对纯电动汽车还是混合动力汽车以至智能汽车等都非常具有实际意义和工程应用价值。

Intelligent prediction method of driving condition based on driving habits and traffic conditions

The invention provides a prediction method of driving cycle driving habits and intelligent traffic based on the condition of the vehicle recognition model, established the vehicle parameters, the current traffic information based on the neural network and the type two fuzzy sets to predict the future condition of model theory, operating characteristics of vehicles in the forecast on the planning path. The predicted driving information is sent to the vehicle energy management system, the automatic optimization module according to the prediction of on-line operating condition optimization and adjustment of control logic, in order to improve the energy utilization efficiency of the whole system, both for pure electric vehicles or hybrid electric vehicles and smart cars have very practical significance and engineering application value.

【技术实现步骤摘要】
基于驾驶习惯和交通路况的行驶工况智能预测估计方法
本专利技术涉及道路行驶工况智能预测识别领域，具体是一种基于驾驶习惯和交通路况的行驶工况智能预测估计方法。
技术介绍
针对家用汽车主要用来通勤代步的目的，驾驶员基本固定，其驾驶员日常行驶路线，行驶时间段都相对固定，来开发此系统。本专利技术涉及对车辆驾驶工况的智能识别。行驶工况是汽车设计特别是新车设计和能量及功率管理的基本依据，现有的工况分为标准工况和综合工况，至少有几十种，比如说欧洲的、美国的及日本的等等。这些工况的建立主要考虑了交通工况，如车流等等，事实上，每个人的驾驶习惯不同，即使同一个交通工况下，如不同驾驶员驾车习惯不同，对具体车辆则形成的实际行驶工况不同，具体表现在燃油率不同、车速不同、加减速不同或者档位使用各不同等。但是，一个人的驾驶习惯不易改变，若能将其识别，结合实际路况，可以实时在线修正或优化管理能量管理策略，这对于新能源汽车或节能汽车来讲尤其重要。
技术实现思路
本专利技术为了解决现有技术的问题，提供了一种基于驾驶习惯和交通路况的行驶工况智能预测估计方法,利用了GPS/INS系统来获取车辆行驶数据，GIS/ITS系统来获取道本文档来自技高网...

【技术保护点】
一种基于驾驶习惯和交通路况的行驶工况智能预测估计方法，其特征在于包括以下步骤：1)驾驶员位于车内，由身份识别系统读取信息，获取其驾驶员的身份ID，再从数据存储与管理模块中调取其驾驶员的车辆行驶工况识别模型；2)由驾驶员在车中输入行车路径起始点，通过大数据云服务端的GIS/ITS模块来计算其行车规划路径并且获取行车规划路径上的实时与历史交通工况信息，将行车规划路径和行车规划路径上的实时与历史交通工况通过4G网络传输到数据存储与管理模块，将通过GPS/INS系统获取到的车辆行驶状态参数也传输给数据存储与管理模块；3)交通工况预测模块从数据存储与管理模块中读取行车规划路径、行车规划路径上的实时和历史...

【技术特征摘要】
1.一种基于驾驶习惯和交通路况的行驶工况智能预测估计方法，其特征在于包括以下步骤：1)驾驶员位于车内，由身份识别系统读取信息，获取其驾驶员的身份ID，再从数据存储与管理模块中调取其驾驶员的车辆行驶工况识别模型；2)由驾驶员在车中输入行车路径起始点，通过大数据云服务端的GIS/ITS模块来计算其行车规划路径并且获取行车规划路径上的实时与历史交通工况信息，将行车规划路径和行车规划路径上的实时与历史交通工况通过4G网络传输到数据存储与管理模块，将通过GPS/INS系统获取到的车辆行驶状态参数也传输给数据存储与管理模块；3)交通工况预测模块从数据存储与管理模块中读取行车规划路径、行车规划路径上的实时和历史交通工况，先通过基于KD-树优化的K-means聚类算法来对实时和历史交通工况数据做预处理,再通过灰色预测对行车规划路径上的交通工况进行预测与分析，采用中值滤波对交通工况数据进行处理，从而建立本车在行车规划路径上的交通预测工况模型，并且将交通预测工况模型传输回数据存储与管理模块；4)规划路径上的长时间车速预测模块和规划路径上的局部短时间车速预测模块从数据存储与管理模块中读取行车规划路径、行车规划路径上的实时和未来交通工况、驾驶员的车辆行驶工况识别模型和当前的车辆行驶状态参数，通过神经网络和二型模糊集合理论建立未来预测工况模型，来预测车辆行驶规划路径上的行驶工况信息，从而建立本车在行车规划路径上的车辆预测工况模型；5)将对于全规划路径的长时间车速预测模块和规划路径上的局部短时间车速预测模块建立的车辆预测工况模型输入到整车能量管理系统中，从而对车辆进行电机与发动机的管理策略优化控制，达到节能减排的效果。2.根据权利要求1所述的基于驾驶习惯和交通路况的行驶工况智能预测估计方法，其特征在于，步骤3)所述的基于KD-树优化的K-means聚类算法具体步骤如下：1)输入包含n个数据对象的交通工况历史数据集X＝{x1,x2,…,xn}，利用基于KD-树优化初始聚类中心点选取的算法，来选取出交通工况历史数据集X＝{x1,x2,…,xn}中的k个有效的初始聚类中心点C＝{C1,C2,…,Ck}，当整个数据集中增加交通工况动态实时数据X'＝{x'1,x'2,…,x'm}时，则利用交通工况动态实时数据X'＝{x'1,x'2,…,x'm}和k个有效的初始聚类中心C＝{C1,C2,…,Ck}来共同构建KD-树；2)设第i(1,2,…,k)个聚类簇中交通工况动态实时数据的个数为Mi，第i(1,2,…,k)个聚类中实时和历史交通工况数据对象所组成的集合为Gi；3)对其他实时和历史交通工况数据对象x'i(i＝1,2,…,m)搜索其对应的最近聚类中心为Ci(i＝1,2,…,k)，然后将实时和历史交通工况数据对象x'i(i＝1,2,…,m)分配到其相对应的集合Gi当中；4)基于利用实时和历史交通工况数据对象建立的KD-树，从KD-树根节点出发，向下挖掘数据对象x'i(i＝1,2,…,m)，如果数据对象x'i(i＝1,2,…,m)的当前坐标小于分裂点的坐标，则在其左空间进行挖掘，反之则到其右空间进行挖掘，直至挖掘到叶节点为止，并标记为Nearest，计算叶节点与x'i(i＝1,2,…,m)的距离为Distance；5)向上进行数据对象挖掘，分别计算每一个KD-树叶节点与其目标点x'i(i＝1,2,…,m)之间的距离，如果叶节点与其目标点x'i(i＝1,2,…,m)之间的距离小于Distance，则对此节点更新，定义其为最近点Nearest，并且记此距离为Distance，再以此叶节点x'i(i＝1,2,…,m)为圆心、Distance为半径，作圆观察，此圆是否与此节点的分裂轴相交，如果不相交，则继续向上挖掘数据对象；如果圆与此节点的分裂轴相交，则需要对此节点的另一个子节点进行挖掘，当挖掘回到根节点时，数据对象挖掘结束，此时的Nearest即为目标点x'i(i＝1,2,…,m)的最近聚类中心，然后再将交通工况动态实时数据x'i(i＝1,2,…,m)分配到Nearest对属的聚类中心中；6)挖掘每一个交通工况动态实时数据对象x'i(i＝1,2,…,m)所对应的最近聚类中心Ci(i＝1,2,…,k)，并且同时更新数据集中第i(i＝1,2,…,k)个聚类中心最终形成...

【专利技术属性】
技术研发人员：李玉芳，陈明诺，赵万忠，张文浩，
申请(专利权)人：南京航空航天大学，
类型：发明
国别省市：江苏,32