一种基于GRU神经网络的不同风格驾驶员车速预测方法技术

本发明专利技术公开了一种基于GRU神经网络的不同风格驾驶员车速预测方法，包括：对驾驶数据库进行划分，得到对应不同驾驶风格的多个驾驶子数据库；分别构建对应不同驾驶风格的GRU车速预测模型；分别从各个驾驶子数据库中提取出训练数据，进行预处理，并按照时间序列逐时间步滑动生成训练样本序列数据库；利用训练样本序列数据库分别对对应驾驶风格的GRU车速预测模型进行训练；每间隔一定时间，对当前驾驶风格进行判定，并在预设时间段内持续不变时，引入与当前驾驶风格对应的GRU车速预测模型进行车速预测。本发明专利技术为不同驾驶风格状态下的预测任务构建不同的GRU车速预测模型，对比不区分驾驶风格预测模型的预测结果，能够有效提升预测的稳定性和预测精度。的稳定性和预测精度。的稳定性和预测精度。

【技术实现步骤摘要】
一种基于GRU神经网络的不同风格驾驶员车速预测方法


[0001]本专利技术涉及汽车车速预测
，更具体的说是涉及一种基于GRU神经网络的不同风格驾驶员车速预测方法。

技术介绍

[0002]现阶段对汽车控制领域的模型预测控制(MPC)的研究十分深入并且广泛，MPC不仅在使用过程中考虑了当前的状态信息，而且还进一步利用预测模型获得的预测信息来提前制定计划。故所有的MPC算法都有一个共同的定义要求，即需要一个模型来预测有限范围内变量的未来发展。对于汽车控制系统来说现阶段的研究主要集中在对车辆自身状态变量的预测上，而在大多数情况下，这些变量预测又可以归结为进行速度预测。
[0003]速度的预测一般是指通过对某些历史数据进行合理的分析来估计一段时间域后的速度值。到目前为止，速度预测模型已发展分为两大类：参数方法和非参数方法。由于主车速度受到驾驶员驾驶方式和周围环境的影响，车速的演变具有很强的随机和非线性性质，非参数方法进行速度预测已经成为了现在的主流趋势。近年来，随着算法的优化和计算能力速度的快速提高，深度学习方法在各个工程领域重新获得了广泛的关注并取得了巨大的成就。车速预测作为一项典型的预测任务，车速随时间的演化是动态的，将原始循环神经网络(RNN)算法及其变体引入网络神经网络预测模型的构建中，能够有效地解析和记忆车辆速度变化的内部规律。
[0004]现阶段车速预测领域应用最广泛的循环神经网络是长短期记忆网络(LSTM)，在具有良好性能的同时也存在参数量过多、不能并行训练的缺点从而无法很好的在短时间内处理大量训练数据，因此需要引入更加高效的训练模型来完成车速预测任务。另一方面，以往的车速预测过程只考虑了本车以及周车状态，忽略了驾驶员驾驶特点对车辆速度带来的影响。因此，亟待提出一种在保证预测精度的情况下具有更高效率的车速预测方法。

技术实现思路

[0005]有鉴于此，本专利技术提供了一种基于GRU神经网络的不同风格驾驶员车速预测方法，为不同驾驶风格状态下的预测任务构建不同的门控循环神经网络(GRU)车速预测模型，对比不区分驾驶风格预测模型的预测结果，能够有效提升预测的稳定性和预测精度。
[0006]为了实现上述目的，本专利技术采用如下技术方案：
[0007]一种基于GRU神经网络的不同风格驾驶员车速预测方法，包括以下步骤：
[0008]S1、采用预先构建的驾驶风格分类模型对驾驶数据库进行划分，得到对应不同驾驶风格的多个驾驶子数据库；
[0009]S2、分别构建对应不同驾驶风格的GRU车速预测模型；
[0010]S3、分别从各个所述驾驶子数据库中提取出训练数据，进行预处理，并按照时间序列逐时间步滑动生成训练样本序列数据库；
[0011]S4、利用所述训练样本序列数据库分别对对应驾驶风格的GRU车速预测模型进行
训练；
[0012]S5、每间隔一定时间，采用所述驾驶风格辨识模型对当前驾驶风格进行判定，并在预设时间段内持续不变时，引入与当前驾驶风格对应的GRU车速预测模型进行车速预测。
[0013]经由上述的技术方案可知，与现有技术相比，本专利技术公开提供了一种一种基于GRU神经网络的不同风格驾驶员车速预测方法，具有以下有益效果：
[0014]1、通过引入更加优化的网络结构GRU，在不改变原有预测精度的前提下，实现对模型的训练时间减少10％以上，并减少模型预测时间，提升模型预测效率。
[0015]2、在考虑车辆自身以及周车状态的前提下，引入驾驶员驾驶特点对车速变化的影响，为不同驾驶风格状态下的预测任务构建不同的车速预测模型，随驾驶员驾驶风格的改变引入不同的GRU车速预测模型，通过对比不通驾驶风格预测模型的预测结果，有效提升预测的稳定性和预测精度。
[0016]进一步的，还包括：
[0017]S6、将预测过程中出现的误差较大的实际车速信息及其历史信息更新至所述训练样本序列数据库中，并在预设时间间隔后，利用更新后的训练样本序列数据库对各GRU车速预测模型进行重新训练和参数调整。
[0018]进一步的，还包括：S1包括以下步骤：
[0019]S12、利用自组织映射神经网络对所述驾驶数据库中的特征数据进行初步聚类；
[0020]S13、利用K
‑
means聚类方法对初步聚类结果进行再次聚类簇集，得到对应不同驾驶风格的多个驾驶子数据库；所述驾驶子数据库包括激进型驾驶数据库、中庸型驾驶数据库和保守型驾驶数据库。
[0021]进一步的，还包括：S12包括以下步骤：
[0022]S1201、将所述驾驶数据库中的特征数据进行归一化处理，得到无量纲的纯量；
[0023]S1202、引入SOM模型，设置所述SOM模型中的几何形状为矩形；
[0024]S1203、随机初始化SOM模型的权重，将节点权重初始化为较小的随机数；
[0025]S1204、设置初始邻域半径σ，根据邻域半径σ确定优胜邻域将包含的节点；
[0026]S1205、设定邻近函数类型，通过邻近函数计算每个节点各自更新的幅度；
[0027]S1206、设置初始学习率α，确定每次迭代权重更新的幅度大小；
[0028]S1207、随机取一个输入样本X
i
，进行第一次迭代；遍历竞争层中每一个节点，计算X
i
与节点之间的相似度，选取距离最小的节点作为优胜节点；
[0029]S1208、更新优胜邻域内，以优胜节点为中心、σ为半径范围内的节点的Weight；
[0030]S1209、每次迭代完成后将σ和α进行衰减处理；
[0031]S1210：完成一轮迭代后，返回S1207，直到满足设定的迭代次数，得到初步聚类结果。
[0032]进一步的，还包括：S13包括：
[0033]S1301、在所述初步聚类结果中随机选取3个样本{μ1，μ2，μ3}作为初始质心；
[0034]S1302、计算每个样本Y
i
与质心μ
j
之间的距离:dis＝||Y
j
‑
μ
j
||2，将样本Y
j
与最近的质心μ
j
归为一类；
[0035]S1303、更新质心其中ci为本次迭代过程中的聚类簇集，i∈{1,2,
3}；
[0036]S1304、返回S1302，直到达到最大迭代次数或质心更新幅度小于阈值，最终得到三种驾驶风格的驾驶子数据库。
[0037]进一步的，还包括：S3中提取的训练数据包括输入数据和输出数据，其中，所述输入数据包括：随时间连续变化的数据信息和随时间离散分布的状态类别信息，所述输出数据为车速信号；随时间连续变化的数据信息包括：历史车速、历史加速度、发动机转速、发动机力矩和前车的相对车距；随时间离散分布的状态类别信息包括档位信息。
[0038]进一步的，还包括：S3中的预处理包括：对随时间连续本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于GRU神经网络的不同风格驾驶员车速预测方法，其特征在于，包括以下步骤：S1、基于预先构建的驾驶风格分类模型对驾驶数据库进行划分，得到对应不同驾驶风格的多个驾驶子数据库；S2、分别构建对应不同驾驶风格的GRU车速预测模型；S3、分别从各个所述驾驶子数据库中提取出训练数据，进行预处理，并按照时间序列逐时间步滑动生成训练样本序列数据库；S4、利用所述训练样本序列数据库分别对对应驾驶风格的GRU车速预测模型进行训练；S5、每间隔一定时间，采用所述驾驶风格辨识模型对当前驾驶风格进行判定，并在预设时间段内持续不变时，引入与当前驾驶风格对应的GRU车速预测模型进行车速预测。2.根据权利要求1所述的一种基于GRU神经网络的不同风格驾驶员车速预测方法，其特征在于，还包括：S6、将预测过程中出现的误差较大的实际车速信息及其历史信息更新至所述训练样本序列数据库中，并在预设时间间隔后，利用更新后的训练样本序列数据库对各GRU车速预测模型进行重新训练和参数调整。3.根据权利要求1所述的一种基于GRU神经网络的不同风格驾驶员车速预测方法，其特征在于，S1包括以下步骤：S11、基于自组织映射神经网络和K
‑
means聚类方法构建驾驶风格分类模型；S12、利用自组织映射神经网络对所述驾驶数据库中的特征数据进行初步聚类；S13、利用K
‑
means聚类方法对初步聚类结果进行再次聚类簇集，得到对应不同驾驶风格的多个驾驶子数据库；所述驾驶子数据库包括激进型驾驶数据库、中庸型驾驶数据库和保守型驾驶数据库。4.根据权利要求3所述的一种基于GRU神经网络的不同风格驾驶员车速预测方法，其特征在于，S12包括以下步骤：S1201、将所述驾驶数据库中的特征数据进行归一化处理，得到无量纲的纯量；S1202、引入SOM模型，设置所述SOM模型中的几何形状为矩形；S1203、随机初始化SOM模型的权重，将节点权重初始化为较小的随机数；S1204、设置初始邻域半径σ，根据邻域半径σ确定优胜邻域将包含的节点；S1205、设定邻近函数类型，通过邻近函数计算每个节点各自更新的幅度；S1206、设置初始学习率α，确定每次迭代权重更新的幅度大小；S1207、随机取一个输入样本X
i
，进行第一次迭代；遍历竞争层中每一个节点，计算X
i
与节点之间的相似度，选取距离最小的节点作为优胜节点；S1208、更新优胜邻域内，以优胜节点为中心、σ为半径范围内的节点的Weight；S1209、每次迭代完成后将σ和α进行衰减处理；S1210：完成一轮迭代后，返回S1207，直到满足设定的迭代次数，得到初步聚类结果。5.根据权利要求4所述的一种基于GRU神经网络的不同风格驾驶员车速预测方法，其特征在于，S13包括：S1301、在所述初步聚类结果中随机选取3个样本{μ1，μ2，μ3}作为初始质心；S1302、计算每个样本Y
i
与质心μ
j
之间的距离:dis＝||Y
j
‑
μ
j
||2，将样本Y
j
与最近的质心
μ
j
归为一类；S1303、更新质心其中ci为本次迭代过程中的聚类簇集，i∈{1,2,3}；S1304、返回S1302，直到达到最大迭代...

【专利技术属性】
技术研发人员：王家林，宋大凤，董世营，刘奇芳，刘浩然，刘嘉琪，褚洪庆，高炳钊，
申请(专利权)人：吉林大学，
类型：发明
国别省市：