一种基于驾驶数据的多模态车速预测方法技术

本发明专利技术公开了一种基于驾驶数据的多模态车速预测方法，首先收集标准工况数据，提取驾驶模态，为确定当前驾驶环境下车速模态的组成，需要利用标准工况的数据进行分类器的训练以用于实时的工况识别；然后对驾驶数据进行采集及预处理，接着利用采集处理后的数据进行实时道路工况的识别并确定车速预测模型的基本模态组成，同时利用采集的驾驶数据对模型的参数进行更新，最后利用在线更新的车速预测模型进行预测。本发明专利技术能够根据驾驶环境和驾驶员特性的差异实时预测车速，在保证预测精度的前提下增加预测时长，从而提高汽车系统的安全性能；对于混合动力汽车和电动汽车，能够提高制动时的能量回收效率。

【技术实现步骤摘要】
一种基于驾驶数据的多模态车速预测方法
本专利技术涉及一种车速预测方法，尤其涉及到一种基于驾驶数据的多模态车速预测方法。
技术介绍
随着科学技术的发展，汽车领域也不断产生新技术，为了解决资源短缺、环境污染等问题，混合动力汽车和电动汽车应运而生，在混合动力和电动汽车控制策略的研究中，车速预测受到广泛关注，一方面，对未来一段时间的车速预测能够及时发现危险工况；另一方面，车速预测被广泛应用于于汽车自动变速器档位控制、安全辅助驾驶以及混合动力汽车的预测控制策略中，从而提高汽车的安全性、燃油经济性和排放性能。因此，对车速的预测具有重要意义。汽车标准行驶工况又称为汽车行驶循环(drivecycle)，是针对某一类型车辆，在特定交通环境下，用来描述车辆行驶特征的速度-时间曲线。目前采用的车速预测方法一般是通过车轮传感器采集轮速和加速度信息，根据轮速与加速度的数学关系预测未来较短时间内的车速，这种预测方法较为简单，但在车辆行驶过程中，加速和制动时车轮会产生滑移、空转，轮速的信息并不能准确反映车辆的情况，这种预测方法通常只能预测很短时间内的车速且误差较大。实际行驶时，道路环境以及驾驶员的操作等都会对车速的变化产生影响，但在过滤掉少数突发事件以及驾驶员心理噪声等因素产生的噪声干扰后，车速驾驶循环应能够反映道路交通的基本组成形态，即直道、路口以及红绿灯的交错，即历史车速数据包含了当前道路的基本组成形态信息。因此，引入基于驾驶数据的车速预测模型，将有助于提高车速预测的预测时长和预测精度。
技术实现思路
针对上述问题，本专利技术提出一种基于驾驶数据的多模态车速预测方法，以实现良好的车速轨迹动态预测，并在保证预测精度的前提下增加预测时长，从而提高汽车系统的安全性能；对于混合动力汽车和电动汽车，可以提前制定能量回收方案，提高制动时的能量回收效率。为实现以上目的，本专利技术采用以下技术方案：一种基于驾驶数据的多模态车速预测方法，包含以下步骤：步骤A)，建立基于驾驶数据的多模态车速预测模型：步骤A.1)，收集能够反映实际道路工况特征的驾驶车速数据，包括城市、城郊及高速的道路工况；步骤A.2)，对收集驾驶循环数据进行片段划分及归类的预处理：步骤A.2.1)，将所有循环工况按短行程分割，再按速度将短行程拆分成怠速片段和行程片段，所述短行程是指从上一次减速至停车开始到下一次减速至停车为止的过程；步骤A.2.2)，根据不同行程片段的几何形状，分类并归纳为单峰、多峰、平台及多平台四种反映车速变化特征的速度-时间序列片段；步骤A.3)，对分好类的序列片段进行离线模态的提取：步骤A.3.1)，在MATLAB中分别对上述步骤A.2.2)中四类不同的速度序列片段进行归一化处理，对数据库中行程片段的时间跨度和速度峰值进行缩放，得到跨度相同、峰值相同的多个速度序列；步骤A.3.2)，利用线性插值、求均值的方法求出各类序列片段的平均值；步骤A.3.3)，再根据四个序列平均值的几何形状定义能够描述其特征的模态，所述模态为能够反映车速随时间变化趋势的几何形状，不同模态具有不同的特征参数；步骤A.4)，使用未经缩放处理的原始标准驾驶循环数据确定不同道路工况下的基本特征参数以及不同模态特征参数的平均值及其变化范围：步骤A.4.1)，将步骤A.2.1)中分割得到的短行程片段按城市、城郊及高速道路工况分类后，获得短行程片段中的基本特征参数，所述短行程片段中的基本特征参数包括短行程时间Tm、平均车速Vm、最高车速vmax和怠速比Pit；步骤A.4.2)，将步骤A.2.1)中分割得到的短行程片段按道路工况及模态类别分类后，计算各种模态自身对应的模态特征参数平均值及变化范围，所有模态共有的特征参数包括加速部分比例Pat、减速部分比例Pdt、加速段的平均加速度a、减速段的平均减速度d、加速段加速度值均方根RMSa、减速段加速度值均方根RMSd、匀速时间Tv和匀速段速度均方根RMSv，其中，d由减速段的速度变化Δvd比减速段时长td得到，即a由减速段的速度变化Δva比减速段时长ta得到，即RMSa由加速段加速度值均方根得到，即RMSd由减速段加速度值均方根得到，即步骤A.5)，使用SVM算法建立工况分类器：步骤A.5.1)，利用步骤A.1)中收集的标准循环工况的车速-时间数据，按短行程分割成驾驶片段，并提取数据信息，所述数据信息包括短行程时间Tm、平均速度Vm、最大车速vmax、怠速时间Td以及当前时刻所属工况类别，所述工况类别包含城市、城郊和高速三种工况；步骤A.5.2)，利用主成分分析法从预处理数据中选择用于工况识别的特征向量x＝(Td，Tm，Vm)，然后将以类别标签分类好的数据按比例划分，其中75％作为训练样本，得到基于径向基函数的SVM分类器；25％作为测试样本，验证分类器识别精度；步骤B)，基于驾驶数据进行多模态车速预测：步骤B.1)，对步骤A.5)中的特征向量x进行在线识别：步骤B.1.1)，道路工况识别时，每隔一个采样周期提取一次截至当前时刻为止的时长3分钟的历史车速数据；步骤B.1.2)，对采集的历史驾驶数据进行短行程分割处理，计算最后一次短行程的步骤A.4.1)所述的基本特征参数(Tm，Vm，vmax，Pit)，从而获得当前工况的特征向量x(t)；步骤B.1.3)，利用步骤A.5)所得的工况分类器对当前获得的特征向量x(t)进行工况识别；从模态提取步骤中可知，城市工况可能具有单峰、双峰以及平台模态；城郊工况通常具有平台或多平台模态；高速工况则具有平台模态，当识别出当前道路工况时，即可确定当前道路工况具有步骤A.3.3)中的哪一种或几种模态；步骤B.2)，确认工况后：步骤B.2.1)，每隔一个预测周期都会利用步骤B.1.1)中采集的历史驾驶数据，进行步骤B)所述的参数更新，计算当前驾驶循环的基本特征参数；步骤B.2.2)，并计算出当前模态对应步骤A.4.2)中的各种参数的确切值；步骤B.2.3)，然后拟合出简化模态中定义的形位参数，获得基于驾驶数据的车速预测模型；步骤B.3)，预测模型为速度-时间序列，当前时刻状态在预测速度时间序列的对应位置决定了后续车速轨迹的预测结果：步骤B.3.1)，将基于驾驶数据的车速预测模型嵌入到整车控制器中，通过车载传感器获取车辆信息，包括短行程开始时间t0,、当前时刻t1、当前车速v1、瞬时加速度a1；步骤B.3.2)，使用参数更新后的车速预测模型与步骤B.1.2)获取的当前时刻状态参数进行比对，在预测模型的车速V-T曲线中找到与当前时刻加速度a1相对应的点，将其后的曲线作为预测轨迹。作为本专利技术一种基于驾驶数据的多模态车速预测方法进一步的优化方案，步骤A.1)中通过实际道路采集或者利用汽车标准驾驶循环工况收集能够反映实际道路工况特征的驾驶车速数据。作为本专利技术一种基于驾驶数据的多模态车速预测方法进一步的优化方案，所述汽本文档来自技高网...

【技术保护点】
1.一种基于驾驶数据的多模态车速预测方法，其特征在于，包含以下步骤：/n步骤A)，建立基于驾驶数据的多模态车速预测模型：/n步骤A.1)，收集能够反映实际道路工况特征的驾驶车速数据，包括城市、城郊及高速的道路工况；/n步骤A.2)，对收集驾驶循环数据进行片段划分及归类的预处理：/n步骤A.2.1)，将所有循环工况按短行程分割，再按速度将短行程拆分成怠速片段和行程片段，所述短行程是指从上一次减速至停车开始到下一次减速至停车为止的过程；/n步骤A.2.2)，根据不同行程片段的几何形状，分类并归纳为单峰、多峰、平台及多平台四种反映车速变化特征的速度-时间序列片段；/n步骤A.3)，对分好类的序列片段进行离线模态的提取：/n步骤A.3.1)，在MATLAB中分别对上述步骤A.2.2)中四类不同的速度序列片段进行归一化处理，对数据库中行程片段的时间跨度和速度峰值进行缩放，得到跨度相同、峰值相同的多个速度序列；/n步骤A.3.2)，利用线性插值、求均值的方法求出各类序列片段的平均值；/n步骤A.3.3)，再根据四个序列平均值的几何形状定义能够描述其特征的模态，所述模态为能够反映车速随时间变化趋势的几何形状，不同模态具有不同的特征参数；/n步骤A.4)，使用未经缩放处理的原始标准驾驶循环数据确定不同道路工况下的基本特征参数以及不同模态特征参数的平均值及其变化范围：/n步骤A.4.1)，将步骤A.2.1)中分割得到的短行程片段按城市、城郊及高速道路工况分类后，获得短行程片段中的基本特征参数，所述短行程片段中的基本特征参数包括短行程时间Tm、平均车速Vm、最高车速vmax和怠速比Pit；/n步骤A.4.2)，将步骤A.2.1)中分割得到的短行程片段按道路工况及模态类别分类后，计算各种模态自身对应的模态特征参数平均值及变化范围，所有模态共有的特征参数包括加速部分比例Pat、减速部分比例Pdt、加速段的平均加速度a、减速段的平均减速度d、加速段加速度值均方根RMSa、减速段加速度值均方根RMSd、匀速时间Tv和匀速段速度均方根RMSv，其中，d由减速段的速度变化Δv...

【技术特征摘要】
1.一种基于驾驶数据的多模态车速预测方法，其特征在于，包含以下步骤：
步骤A)，建立基于驾驶数据的多模态车速预测模型：
步骤A.1)，收集能够反映实际道路工况特征的驾驶车速数据，包括城市、城郊及高速的道路工况；
步骤A.2)，对收集驾驶循环数据进行片段划分及归类的预处理：
步骤A.2.1)，将所有循环工况按短行程分割，再按速度将短行程拆分成怠速片段和行程片段，所述短行程是指从上一次减速至停车开始到下一次减速至停车为止的过程；
步骤A.2.2)，根据不同行程片段的几何形状，分类并归纳为单峰、多峰、平台及多平台四种反映车速变化特征的速度-时间序列片段；
步骤A.3)，对分好类的序列片段进行离线模态的提取：
步骤A.3.1)，在MATLAB中分别对上述步骤A.2.2)中四类不同的速度序列片段进行归一化处理，对数据库中行程片段的时间跨度和速度峰值进行缩放，得到跨度相同、峰值相同的多个速度序列；
步骤A.3.2)，利用线性插值、求均值的方法求出各类序列片段的平均值；
步骤A.3.3)，再根据四个序列平均值的几何形状定义能够描述其特征的模态，所述模态为能够反映车速随时间变化趋势的几何形状，不同模态具有不同的特征参数；
步骤A.4)，使用未经缩放处理的原始标准驾驶循环数据确定不同道路工况下的基本特征参数以及不同模态特征参数的平均值及其变化范围：
步骤A.4.1)，将步骤A.2.1)中分割得到的短行程片段按城市、城郊及高速道路工况分类后，获得短行程片段中的基本特征参数，所述短行程片段中的基本特征参数包括短行程时间Tm、平均车速Vm、最高车速vmax和怠速比Pit；
步骤A.4.2)，将步骤A.2.1)中分割得到的短行程片段按道路工况及模态类别分类后，计算各种模态自身对应的模态特征参数平均值及变化范围，所有模态共有的特征参数包括加速部分比例Pat、减速部分比例Pdt、加速段的平均加速度a、减速段的平均减速度d、加速段加速度值均方根RMSa、减速段加速度值均方根RMSd、匀速时间Tv和匀速段速度均方根RMSv，其中，d由减速段的速度变化Δvd比减速段时长td得到，即a由减速段的速度变化Δva比减速段时长ta得到，即RMSa由加速段加速度值均方根得到，即RMSd由减速段加速度值均方根得到，即
步骤A.5)，使用SVM算法建立工况分类器：
步骤A.5.1)，利用步骤A.1)中收集的标准循环工况的车速-时间数据，按短行程分割成驾驶片段，并提取数据信息，所述数据信息包括短行程时间Tm、平均速度Vm、最大车速vmax、怠速时间Td以及当前时刻所属工况类别，所述工况类别包含城市、城郊和高速三种工况；
步骤A.5.2)，利用主成分分析法从预处理数据中选择...

【专利技术属性】
技术研发人员：吴刚，于博洋，王春燕，周青华，施帅朋，冯健，颜伸翔，张自宇，吴子涵，何鹏，
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