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

本发明专利技术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。本发明专利技术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。

A real-time prediction method of short-term vehicle speed based on interaction between front vehicle and self vehicle

【技术实现步骤摘要】
一种基于前车与自车互动的短期车速工况实时预测方法
本专利技术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。
技术介绍
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系统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。
技术实现思路
本专利技术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。本专利技术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.对本文档来自技高网...

【技术保护点】
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：/nS1.获取自车和前车历史车速、车距信息，并提取有效数据；/nS2.构建基于人工神经网络的未来车速预测模型；/nS3.对构建的未来车速预测模型进行离线训练；/nS4.在线预测自车的未来车速；/nS5.实现车速预测神经网络的自适应学习；/nS6.根据预测的短期车速计算扭矩需求；/nS7.根据转矩需求和动态规划算法计算最优转矩分配。/n

【技术特征摘要】
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或无线数据采集系统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Hh秒内的历史车速和前车上一时间段Hs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Hh秒内的历史车速和前车、自车上一时间段Hs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，Nin为预测模型输入，Vk和Vn分别是自车和前车当前时刻车速，Vk-1和Vn-1分别是自车和前车上一时刻的车速；Sn是前车和自车当前时刻的车距，Sn-1是前车和自车上一时刻的车距；时间段Hh即为自车的历史车速向量长度，Hs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，Hh和Hs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Hp秒内的车速作为输出,Hp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fn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，ci为网络隐含层节点的中心，i＝1,2,…,h为隐含层的节点数，‖xp-ci‖2为欧式范数，σi为基函数的宽度，ωij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，yj为与输入样本对应的神经网络的第j个输出节点的实际...

【专利技术属性】
技术研发人员：孙超，李军求，孙逢春，郭婷婷，励夏，孙海迪，
申请(专利权)人：北京理工大学，北京首科能源技术有限公司，
类型：发明
国别省市：北京;11