基于LSTM速度预测优化的IA-SVM行驶工况识别方法及装置制造方法及图纸

本发明专利技术公开了一种基于LSTM速度预测优化的IA

【技术实现步骤摘要】
基于LSTM速度预测优化的IA
‑
SVM行驶工况识别方法及装置


[0001]本专利技术涉及道路行驶
，具体涉及一种基于LSTM速度预测优化的IA
‑
SVM 行驶工况识别方法及装置。

技术介绍

[0002]基于行驶工况在线识别方法与特定控制策略相结合能够实现自适应控制，以适应复杂的交通情况，提高城市公交客车的燃油经济性。
[0003]为了应对复杂的城市交通环境，实现自适应控制，国内外提出了许多优化控制策略，主要分为以下两大类。第一类为通过对参考电池荷电状态(SOC)的预测规划，结合模型预测控制(MPC)和动态规划算法(DP)对整车的能量分配进行规划。然而，由于驾驶条件的不可重复性和城市道路交通的随机性，最优参考SOC的计算量大且不能完全预测，非最优的参考SOC的设置可能会使得燃油经济性恶化。第二类为对运行数据进行在线模式识别，通过离线数据挖掘获得最优控制量，运用庞特里亚金最小原则(PMP)或等效燃油消耗控制策略(ECMS)计算获得瞬时最优解，实现自适应控制。第二类方法既避免了对参考SOC的预测，同时利用查表调整控制参数，在实现自适应控制的前提下进一步降低了控制的复杂性。选择行驶工况识别作为模式识别的研究对象，目前行驶工况识别的方法主要有神经网络、模糊控制器以及支持向量机识别。以上方法在不同方面均有侧重，但都没有考虑由于识别周期和更新周期存在导致的固有误差，使得在线识别精度无法达到较高水平。由于在线识别过程的本质为对历史数据的分析处理，实现控制变量的改变，在状态发生变化时，识别状态量相对于真实状态量会因为识别周期和更新周期的存在产生一定的延迟。

技术实现思路

[0004]针对上述提到的如何有效改善在线识别效果，提高燃油经济性等问题。本申请的实施例的目的在于提出了一种基于LSTM速度预测优化的IA
‑
SVM行驶工况识别方法及装置，来解决以上
技术介绍
部分提到的技术问题。
[0005]第一方面，本申请的实施例提供了一种基于LSTM速度预测优化的IA
‑
SVM行驶工况识别方法，包括以下步骤：
[0006]S1，获取车辆历史运行数据，对车辆历史运行数据进行预处理，并构建运动学片段数据库，基于运动学片段数据库获取行驶工况在线识别训练数据；
[0007]S2，建立基于IA优化SVM算法的行驶工况在线识别模型，通过行驶工况在线识别训练数据对基于IA优化SVM算法的行驶工况在线识别模型进行训练，得到行驶工况在线识别模型；
[0008]S3，建立基于LSTM的速度预测模型，以车辆的历史行程作为速度预测训练数据对基于LSTM的速度预测模型进行训练，得到速度预测模型；
[0009]S4，获取实时采集到的车辆运行数据，输入速度预测模型实时预测得到未来速度序列，并将未来速度序列与历史速度序列拼接构成识别序列，将识别序列输入行驶工况在
线识别模型，识别出车辆行驶工况。
[0010]在一些实施例中，步骤S1具体包括：
[0011]S11，采用滤波降噪算法对车辆运行数据进行滤波降噪处理，并搭建运动学片段数据库，运动学片段数据库包括至少一个运动学片段的特征参数，以每个运动学片段的最高行驶速度、平均行驶速度，怠速时间比例构建特征参数矩阵；
[0012]S12，对特征参数矩阵进行标准化处理，得到标准化特征参数矩阵；
[0013]S13，通过聚类算法对标准化特征参数矩阵进行聚类分析，得到不同类型的车辆典型行驶工况，将标准化特征参数矩阵和不同类型的车辆典型行驶工况构成行驶工况在线识别训练数据。
[0014]在一些实施例中，滤波降噪算法包括七点二次滤波算法，聚类算法包括PSO优化k均值聚类算法。
[0015]在一些实施例中，步骤S2中在基于IA优化SVM算法的行驶工况在线识别模型的训练过程中通过IA算法离线训练迭代优化处理得到不同识别周期和更新周期下对应SVM算法中的最优的惩罚因子C和RBF核函数宽度g，通过Lagrange乘子法求得判别函数，以离线识别精度为适应度函数。
[0016]在一些实施例中，步骤S2还包括确定行驶工况在线识别模型的最优识别周期和更新周期的长度。
[0017]在一些实施例中，IA算法包括抗原识别和生成抗体、抗体评价以及免疫进化，其中抗原识别和生成抗体为确定约束条件、抗体评价函数和抗体编码方式，并产生初始抗体；抗体评价是通过计算抗体亲和力和浓度实现；免疫进化包括免疫选择、变异、克隆、抑制以及刷新种群。
[0018]在一些实施例中，步骤S3中基于LSTM的速度预测模型包括输入层、隐藏层和输出层，输入层、隐藏层和输出层之间的关系细化为输入门、遗忘门、输出门之间的关系：
[0019]f
t
＝σ
g
(W
f
x
t
+U
f
h
t
‑1+b
f
)；
[0020]i
t
＝σ
g
(W
i
x
t
+U
i
h
t
‑1+b
i
)；
[0021]o
t
＝σ
g
(W
o
x
t
+U
o
h
t
‑1+b
o
)；
[0022][0023][0024]h
t
＝o
t
*tanh(C
t
)；
[0025]其中，σ
g
为门激活函数，W
f
、W
i
、W
o
、W
C
为将隐藏层输入映射到输入门、遗忘门和输出门的权重矩阵；U
f
、U
i
、U
o
、U
C
为连接输入门、遗忘门和输出门与输入单元状态的权重矩阵；b
f
、b
i
、b
o
、b
C
为偏差向量；C
t
为细胞输入状态，C
t
‑1为细胞输出状态。
[0026]在一些实施例中，步骤S4中将识别序列输入训练后的行驶工况在线识别模型之前还包括：对识别序列进行预处理，再将其转换为最优识别周期内的特征参数矩阵。
[0027]第二方面，本申请的实施例提供了一种基于LSTM速度预测优化的IA
‑
SVM行驶工况识别装置，包括：
[0028]行驶工况在线识别训练数据获取模块，被配置为获取车辆历史运行数据，对车辆
历史运行数据进行预处理，并构建运动学片段数据库，基于运动学片段数据库获取行驶工况在线识别训练数据；
[0029]行驶工况在线识别模型建立模块，被配置为建立基于IA优化SVM算法的行驶工况在线识本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于LSTM速度预测优化的IA
‑
SVM行驶工况识别方法，其特征在于，包括以下步骤：S1，获取车辆历史运行数据，对所述车辆历史运行数据进行预处理，并构建运动学片段数据库，基于所述运动学片段数据库获取行驶工况在线识别训练数据；S2，建立基于IA优化SVM算法的行驶工况在线识别模型，通过所述行驶工况在线识别训练数据对所述基于IA优化SVM算法的行驶工况在线识别模型进行训练，得到行驶工况在线识别模型；S3，建立基于LSTM的速度预测模型，以车辆的历史行程作为速度预测训练数据对所述基于LSTM的速度预测模型进行训练，得到速度预测模型；S4，获取实时采集到的车辆运行数据，输入所述速度预测模型实时预测得到未来速度序列，并将所述未来速度序列与历史速度序列拼接构成识别序列，将所述识别序列输入所述行驶工况在线识别模型，识别出车辆行驶工况。2.根据权利要求1所述的基于LSTM速度预测优化的IA
‑
SVM行驶工况识别方法，其特征在于，所述步骤S1具体包括：S11，采用滤波降噪算法对所述车辆运行数据进行滤波降噪处理，并搭建所述运动学片段数据库，所述运动学片段数据库包括至少一个运动学片段的特征参数，以每个所述运动学片段的最高行驶速度、平均行驶速度，怠速时间比例构建特征参数矩阵；S12，对所述特征参数矩阵进行标准化处理，得到标准化特征参数矩阵；S13，通过聚类算法对所述标准化特征参数矩阵进行聚类分析，得到不同类型的车辆典型行驶工况，将所述标准化特征参数矩阵和所述不同类型的车辆典型行驶工况构成所述行驶工况在线识别训练数据。3.根据权利要求2所述的基于LSTM速度预测优化的IA
‑
SVM行驶工况识别方法，其特征在于，所述滤波降噪算法包括七点二次滤波算法，所述聚类算法包括PSO优化k均值聚类算法。4.根据权利要求1所述的基于LSTM速度预测优化的IA
‑
SVM行驶工况识别方法，其特征在于，所述步骤S2中在所述基于IA优化SVM算法的行驶工况在线识别模型的训练过程中通过IA算法离线训练迭代优化处理得到不同识别周期和更新周期下对应SVM算法中的最优的惩罚因子C和RBF核函数宽度g，通过Lagrange乘子法求得判别函数，以离线识别精度为适应度函数。5.根据权利要求4所述的基于LSTM速度预测优化的IA
‑
SVM行驶工况识别方法，其特征在于，所述步骤S2还包括确定所述行驶工况在线识别模型的最优识别周期和更新周期的长度。6.根据权利要求4所述的基于LSTM速度预测优化的IA
‑
SVM行驶工况识别方法，其特征在于，所述IA算法包括抗原识别和生成抗体、抗体评价以及免疫进化，其中所述抗原识别和生成抗体为确定约束条件、抗体评价函数和抗体编码方式，并产生初始抗体；所述抗体评价是通过计算抗体亲和力和浓度实现；所述免疫进化包括免疫选择、变异、克隆、抑制以及刷新种群。7.根据权利要求1所述的基于LSTM速度预测优化的IA
‑
SVM行驶工况识别方法，其特征在于，所述步骤S3中基于LSTM的速度预测模型包括输入层、隐藏层和输出层，所述输入层、
隐藏层和输出层之间的关系细化为输入门、遗忘门、输出门之间的关系：f

【专利技术属性】
技术研发人员：侯亮，赖辉平，王少杰，郑正中，苏德赢，卜祥建，
申请(专利权)人：厦门大学，
类型：发明
国别省市：