使用基于V2X数据增强的神经网络实现对联网和自动化车辆的预测性最优控制的车辆速度预测器制造技术

本公开的一些实施方式涉及通过使用标记的特征训练用于车辆速度预测的模型来减少或消除车辆速度预测中的时滞，标记的特征提供与车辆加速或减速事件相关的特征的指示。在一个实施方式中，一种方法包括：接收多个时间系列数据集，时间系列数据集中的每个时间系列数据集包括随时间收集的传感器数据、GPS数据和车辆状态数据；从时间系列数据集中的每个时间系列数据集中提取指示车辆的未来速度的特征；标记时间系列数据集中的每个时间系列数据集的提取特征以指示车辆加速或减速事件；以及在标记时间系列数据集中的每个时间系列数据集的提取特征之后，至少使用提取和标记的时间系列数据集的子集来训练预测到未来某个时间的车辆速度的机器学习模型。

【技术实现步骤摘要】
【国外来华专利技术】使用基于V2X数据增强的神经网络实现对联网和自动化车辆的预测性最优控制的车辆速度预测器
技术介绍
智能交通系统(ITS)一直在引领着汽车工业的革命，以使交通网络更安全且更智能地使用。ITS应用涵盖但不限于高级驾驶员辅助系统(ADAS)、车到车(V2V)和车到基础设施(V2I)通信。此类应用旨在得到燃油经济性(FE)、交通状况和安全性的显著改善。ITS应用通常依赖于对未来车辆速度和当地交通状况的预测。例如，车辆速度的预测可以用于优化能量管理策略，以便改善FE并减少排放。而且，对未来车辆速度的预测可以通过预测未来车辆碰撞来帮助避免事故。但是，预测准确度可能高度依赖于所使用的预测方案。由此，需要开发用于预测车辆速度的准确且鲁棒的方法，以增强机动车辆的燃料经济性、能量效率、驾驶性能和安全性。一般而言，车辆速度预测方法旨在最小化预测速度和实际速度结果之间的平均绝对误差(MAE)和均方根误差(RMSE)，以评估预测算法。
技术实现思路
本公开的实施方式涉及通过使用标记的特征训练用于车辆速度预测的模型来减少或消除车辆速度预测中的时滞，所述标记的特征提供本文档来自技高网...

【技术保护点】
1.一种方法，包括：/n接收多个时间系列数据集，所述多个时间系列数据集中的每个时间系列数据集包括在车辆行程期间随时间收集的传感器数据、全球定位系统(GPS)数据和车辆状态数据；/n从所述多个时间系列数据集中的每个时间系列数据集中提取指示车辆的未来速度的特征，提取特征包括传感器数据、GPS数据和车辆状态数据；/n标记所述多个时间系列数据集中的每个时间系列数据集的提取特征，以指示车辆加速或减速事件；以及/n在标记所述多个时间系列数据集中的每个时间系列数据集的提取特征以指示车辆加速或减速事件之后，至少使用提取和标记的时间系列数据集的子集来训练预测到未来某个时间的车辆速度的机器学习模型。/n

【技术特征摘要】
【国外来华专利技术】20181016 US 16/162,2561.一种方法，包括：
接收多个时间系列数据集，所述多个时间系列数据集中的每个时间系列数据集包括在车辆行程期间随时间收集的传感器数据、全球定位系统(GPS)数据和车辆状态数据；
从所述多个时间系列数据集中的每个时间系列数据集中提取指示车辆的未来速度的特征，提取特征包括传感器数据、GPS数据和车辆状态数据；
标记所述多个时间系列数据集中的每个时间系列数据集的提取特征，以指示车辆加速或减速事件；以及
在标记所述多个时间系列数据集中的每个时间系列数据集的提取特征以指示车辆加速或减速事件之后，至少使用提取和标记的时间系列数据集的子集来训练预测到未来某个时间的车辆速度的机器学习模型。


2.如权利要求1所述的方法，其中标记提取特征包括：
创建包括与相应时间对应的多个值的时间系列向量，或者创建包括与相应位置对应的多个值的位置系列向量，其中时间系列或位置系列的所述多个值中的每个值指示以下之一：
存在加速事件；
存在减速事件；或者
不存在加速或减速事件；
其中指示的车辆加速或减速事件包括以下事件中的一个或多个事件：车辆开始其驾驶；车辆结束其驾驶；停车标志；交通信号灯；街道拐角；高速公路拐角；以及具有特定曲率半径的道路；
其中位置系列向量的所述多个值对应于相应GPS经度和纬度位置；以及
其中位置系列向量的所述多个值中的每个值被归一化为1、0或-1，以指示存在加速事件、存在减速事件或者不存在加速或减速事件。


3.如权利要求1所述的方法，还包括：
在标记所述多个时间系列数据集中的每个时间系列数据集的提取特征之后，将提取和标记的时间系列数据集分为训练数据集和测试数据集，其中训练数据集的提取和标记的时间系列数据集用于训练机器学习模型；以及
在训练机器学习模型之后，通过至少使用测试数据集的提取和标记的时间系列数据集来测量目标车辆速度与由经训练的模型预测的车辆速度之间的时间偏差来测试经训练的机器学习模型，其中测试经训练的机器学习模型包括将目标车辆速度与由经训练的模型预测的车辆速度进行比较。


4.如权利要求3所述的方法，其中基于以下来测量时间偏差：
时间偏差＝argminδMAE(Yt-δ,Tt)，其中δ表示预测的车辆速度时间系列的时间偏差，并且其中MAE表示由以下给出的平均绝对误差：

其中y1,…,yn是使用机器学习模型预测n次的到未来某个时间的车辆速度，并且t1,…,tn是与预测车辆速度时的时间对应的测量的车辆速度。


5.如权利要求3所述的方法，其中经训练以预测到未来某个时间的车辆速度的机器学习模型包括具有外部输入的非线性自回归浅层神经网络模型。


6.如权利要求3所述的方法，其中经训练以预测到未来某个时间的车辆速度的机器学习模型包括长短期记忆(LSTM)深度神经网络模型。


7.如权利要求6所述的方法，还包括：配置车辆的控制单元以使用与经训练和测试的机器学习模型对应的预测算法，以在驾驶的同时预测到未来1到10秒的车辆速度，其中控制单元被配置为接收以下作为预测算法的输入：
由车辆的GPS单元收集的GPS数据；
由车辆的在前交通传感器单元收集的在前交通的传感器数据；
由车辆的一个或多个车辆状态传感器收集的车辆状态数据；以及
提供在特定时间或位置的加速或减速事件的...

【专利技术属性】
技术研发人员：刘宽，M·X·黄，I·V·科尔马诺夫斯基，
申请(专利权)人：丰田自动车工程及制造北美公司，密执安州立大学董事会，
类型：发明
国别省市：美国;US