一种基于K-means聚类和小波分解的车速预测方法技术

本发明专利技术公开了一种基于K

【技术实现步骤摘要】
一种基于K
‑
means聚类和小波分解的车速预测方法


[0001]本专利技术涉及车速预测技术改进，具体涉及一种基于K
‑
means聚类和小波分解的车速预测方法，属于车速预测、神经网络学习


技术介绍

[0002]车速预测精度对混合动力汽车预测型能量管理策略的节能效果有着重要作用。在当前的车速预测方法中，以数据驱动的神经网络预测模型在预测精度上表现出了一定优势。
[0003]目前，车速预测主要通过单一的预测模型对采集到的车速数据进行训练，依赖于神经网络模型的泛化能力去预测未来短期时域内的车速变化情况。虽然单一预测模型也取得了一定的预测效果，但仍有一定的提升空间。此外，单一预测模型也忽略了车速的非平稳性，使得预测精度进一步降低。

技术实现思路

[0004]针对现有技术存在的上述不足，本专利技术的目的在于提出一种基于K
‑
means聚类和小波分解的车速预测方法，本方法能够减少车速的非平稳性和单一预测模型泛化能力降低对车速预测精度的影响，从而提高车速预测精度。
[0005]本专利技术的技术方案是这样实现的：
[0006]一种基于K
‑
means聚类和小波分解的车速预测方法，步骤如下：
[0007]1)采集车辆历史行车车速数据，基于时间轴建立车辆原始车速序列；
[0008]2)将原始车速序列划分若干个等时长的工况块，基于K
‑
means聚类算法将所有工况块聚类为X个类别；r/>[0009]3)采用小波分解将每个类别下的工况块进行分解，将每个工况块分解为Y个子序列；
[0010]4)将同一类别下每个工况块分解得到的Y个子序列按子序列的对应关系构建得到Y个数据集，X个独立类别共X*Y个数据集，利用RBF神经网络分别对每个类别中构建的Y个数据集进行训练，得到每个类别下各子序列对应的车速预测模型；
[0011]5)按步骤2)的工况块时长规则对当前工况进行构建，得到当前工况块；利用所述K
‑
means聚类算法判断当前工况块所属类别，由此确定对应类别下的所有子序列车速预测模型；
[0012]6)利用所述小波分解对当前工况块进行分解，得到当前工况块下的Y个子序列；每个子序列采用步骤5)确定的与该子序列对应的子序列车速预测模型对当前工况块分解得到的子序列车速进行预测，得到与子序列个数对应的Y个子序列车速预测结果；
[0013]7)对步骤6)得到的Y个子序列车速预测结果累加，即得到最终的车速预测结果。
[0014]其中，步骤2)所述等时长的工况块划分是将原始车速序列中每个车速对应的时刻往前推相同时长，该时长内所有的车速数据即为一个工况块。
[0015]优选地，所述历史行车车速数据直接从现有的数据库中提取得到，历史行车车速数据对应的工况同时包括China_urban、HWFET、LA92、UDDS和WLTC五种标准行驶工况。
[0016]其中，所述步骤4中RBF神经网络的计算定义如下：
[0017][0018]其中，y
kj
为第k个输入对应的输出；i＝1,2,
…
,m，m为隐藏层节点数；w
ij
为隐藏层至输出层的权值；x
k
为神经网络第k个输入；c
i
为径向基函数中心；σ
i
为高斯函数的标准差；||x
k
‑
c
i
||为高斯范数。
[0019]所述步骤4)利用RBF神经网络对每个类别中构建的Y个数据集进行训练时，
[0020]定义数据集中子序列车速为RBF神经网络输入、车辆未来子序列车速为期望输出，训练目标为车辆实际子序列车速与期望输出速度的均方误差，其计算公式如下，
[0021][0022]式中，MSE为整个工况均方误差；p为预测时长；v
r
(j+i)为j时刻下预测时域内j+i时刻的预测车速；v(j+i)为j时刻下预测时域内j+i时刻的实际车速；n为工况总长；
[0023]当所述的MSE值达到预设的训练目标或者达到最大训练次数时，停止训练，得到每个类别下各子序列对应的车速预测模型。
[0024]具体地，所述工况块包括5个采样点的车速，其中采样周期为1s。
[0025]本专利技术步骤2)中，设K
‑
means聚类算法确定的聚类中心为三个，分别为c1＝[c
11
,c
12
,
…
,c
1m
]，c2＝[c
21
,c
22
,
…
,c
2m
]，c3＝[c
31
,c
32
,
…
,c
3m
]；对应的类别为三个，即X＝3。
[0026]步骤5)中，按如下方法判断当前工况块所属类别，
[0027]在车辆实际行驶过程中，在当前采样时刻，计算出过去5s的工况特征参数[x1,x2,
…
,x5]构成当前工况块，依据下式计算当前工况块到每个聚类中心的距离：
[0028][0029]其中，j＝1,2,3，分别对应三个聚类中心，即三个独立类别；当前工况块与哪一个聚类中心的中心距离最小，当前工况块即为哪一类别，则选择对应类别下的子序列车速预测模型对车速进行预测。
[0030]步骤3)中，小波分解将每个类别中的所有工况块进行三层分解，每个工况块获得四个子序列，即Y＝4。
[0031]相比现有技术，本专利技术具有如下有益效果：
[0032]1、本专利技术采用K
‑
means聚类算法对工况进行分类，降低了单个神经网络的映射范围，提高了单一神经网络的预测能力，有效提高了车速预测精度。
[0033]2、本专利技术进一步采用小波分解将历史工况分解为多个相对平稳的子车速序列，降低了车速的非平稳性对车速预测结果的影响，进一步提高了车速预测精度。
[0034]3、本专利技术主要应用于基于模型预测控制的能量管理策略，通过K
‑
means聚类和小波分解对车速进行实时预测，有效提高车速预测精度，进而提高车辆的燃油经济性。
附图说明
[0035]图1为本专利技术车速预测方法的流程图。
[0036]图2为本专利技术五种标准工况组合成的历史工况数据示意图。
[0037]图3为本专利技术的原始车速序列经过K
‑
means聚类后的分类结果。
[0038]图4为本专利技术原始车速序列经小波分解后的各车速子序列图。
[0039]图5为本专利技术RBF神经网络预测示意图。
[0040]图6为本专利技术测试工况示意图。
[0041]图7为本专利技术两种预测方法车速预测结果示意图。
具体实施方式
[0042]下面结合附图和本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于K
‑
means聚类和小波分解的车速预测方法，其特征在于：步骤如下：1)采集车辆历史行车车速数据，基于时间轴建立车辆原始车速序列；2)将原始车速序列划分若干个等时长的工况块，基于K
‑
means聚类算法将所有工况块聚类为X个类别；3)采用小波分解将每个类别下的工况块进行分解，将每个工况块分解为Y个子序列；4)将同一类别下每个工况块分解得到的Y个子序列按子序列的对应关系构建得到Y个数据集，X个独立类别共X*Y个数据集，利用RBF神经网络分别对每个类别中构建的Y个数据集进行训练，得到每个类别下各子序列对应的车速预测模型；5)按步骤2)的工况块时长规则对当前工况进行构建，得到当前工况块；利用所述K
‑
means聚类算法判断当前工况块所属类别，由此确定对应类别下的所有子序列车速预测模型；6)利用所述小波分解对当前工况块进行分解，得到当前工况块下的Y个子序列；每个子序列采用步骤5)确定的与该子序列对应的子序列车速预测模型对当前工况块分解得到的子序列车速进行预测，得到与子序列个数对应的Y个子序列车速预测结果；7)对步骤6)得到的Y个子序列车速预测结果累加，即得到最终的车速预测结果。2.根据权利要求1所述的一种基于K
‑
means聚类和小波分解的车速预测方法，其特征在于：步骤2)所述等时长的工况块划分是将原始车速序列中每个车速对应的时刻往前推相同时长，该时长内所有的车速数据即为一个工况块。3.根据权利要求1所述的一种基于K
‑
means聚类和小波分解的车速预测方法，其特征在于：所述历史行车车速数据直接从现有的数据库中提取得到，历史行车车速数据对应的工况同时包括China_urban、HWFET、LA92、UDDS和WLTC五种标准行驶工况。4.根据权利要求1所述的一种基于K
‑
means聚类和小波分解的车速预测方法，其特征在于：所述步骤4中RBF神经网络的计算定义如下：其中，y
kj
为第k个输入对应的输出；i＝1,2,
…
,m，m为隐藏层节点数；w
ij
为隐藏层至输出层的权值；x
k
为神经网络第k个输入；c
i
为径向基函数中心；σ
i
为高斯函数的标准差；||x
k
‑
c
i
||为高斯范数。5.根据权利要求1所述的一...

【专利技术属性】
技术研发人员：罗勇，赵爽，李豪，翁勇永，陶渝杰，李莉莎，张隆，邱晓斌，
申请(专利权)人：重庆理工大学，
类型：发明
国别省市：