大数据驱动的分布式驱动电动汽车车速预测方法及系统技术方案

本发明专利技术涉及一种大数据驱动的分布式驱动电动汽车车速预测方法及系统，通过构建基于马尔科夫链的初始状态空间，根据实时工况数据对初始状态空间进行重构，得到重构状态空间；基于临近代替法，在样本工况数据中的离散采样点的集合中确定与当前的实时工况数据的离散采样点距离最近的采样点，并根据替代采样点所处的状态替换当前的实时工况数据的状态，得到替换状态空间；基于最大似然估计法，根据替换状态空间得到状态转移概率矩阵；最后对预测时域内的车辆未来车速进行预测，得到未来车速状态。本发明专利技术实现了样本空间实时更新和系统状态在线替换，有效地解决了由于样本工况状态缺失导致的预测中断问题，提高了车速预测精度和实时性。时性。时性。

【技术实现步骤摘要】
大数据驱动的分布式驱动电动汽车车速预测方法及系统


[0001]本专利技术涉及车速预测
，特别是涉及一种大数据驱动的分布式驱动电动汽车车速预测方法及系统。

技术介绍

[0002]车速预测是指对车辆未来一段时间的车速轨迹序列进行估计推理。随着科技的发展，基于车速预测的电动汽车预测能量管理已成为学术界研究的热点，根据预测车速信息对车辆的动力输出进行优化管理，进而降低车辆在实际运行中的耗电量。目前，车速预测的方法总体上可划分成基于模型的方法和基于数据的方法两种。基于模型的方法主要包括宏观模型、微观模型及汽车动力学模型，该方法计算较复杂并且需要大量校核，因此应用较少。基于数据模型的方法主要包括神经网络、卡尔曼滤波及马尔科夫模型等。基于数据模型方法是通过历史车速数据、当前车速数据的统计构建预测模型，不需要明确的交通模型，但是存在着由于样本工况的缺失而无法进项预测的情况。
[0003]现有技术中提供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本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种大数据驱动的分布式驱动电动汽车车速预测方法，其特征在于，包括：根据车辆的样本工况数据构建基于马尔科夫链的初始状态空间；获取车辆的实时工况数据，并根据所述实时工况数据对所述初始状态空间进行重构，得到重构状态空间；基于临近代替法，在所述样本工况数据中的离散采样点的集合中确定与当前的所述实时工况数据的离散采样点距离最近的采样点，记为替代采样点，并根据所述替代采样点所处的状态替换当前的所述实时工况数据的状态，得到替换状态空间；基于最大似然估计法，根据所述替换状态空间得到状态转移概率矩阵；结合所述状态转移概率矩阵，基于单尺度多步预测方法对预测时域内的车辆未来车速进行预测，得到未来车速状态。2.根据权利要求1所述的大数据驱动的分布式驱动电动汽车车速预测方法，其特征在于，所述根据车辆的样本工况数据构建基于马尔科夫链的初始状态空间，包括：提取样本数据库；所述样本数据库中包括多个所述样本工况数据；统计所述样本工况数据中反映速度和加速度分布的状态变量；对所述状态变量进行离散化处理，得到离散点；将所述离散点分配至多个集合中，并将每个集合分别标记状态，并对所有状态分别进行编号；根据所述集合构建所述初始状态空间。3.根据权利要求2所述的大数据驱动的分布式驱动电动汽车车速预测方法，其特征在于，所述速度和所述加速度的离散步长分别为1km/h和0.1m/s2。4.根据权利要求1所述的大数据驱动的分布式驱动电动汽车车速预测方法，其特征在于，在所述样本工况数据中的离散采样点的集合中确定与当前的所述实时工况数据的离散采样点距离最近的采样点的公式为：d(P
i
,P
k
)＝min{d(P
i
,P
j
)}(j＝1,2,...,n)；其中，P
i
为所述实时工况数据的离散采样点；P
j
为所述样本工况数据中的离散采样点；i代表样本工况中缺失的状态；d(P
i
,P
j
)代表所述实时工况数据的离散采样点P
i
到所述样本工况的离散采样点P
j
的距离；P
k
为所述替代采样点。5.根据权利要求1所述的大数据驱动的分布式驱动电动汽车车速预测方法，其特征在于，所述结合所述状态转移概率矩阵，基于单尺度多步预测方法对预测时域内的车辆未来车速进行预测，得到未来车速状态，包括：根据所述状态转移概率矩阵确定车辆的初始状态，并获取当前时刻的车速状态；依据蒙特卡洛理论产生一个随机数；根据所述初始状、所述当前时刻的车速状态和所述随机数确定所述未来车速状态。6.一种大数据驱动的分布式驱动电动汽车车速预测...

【专利技术属性】
技术研发人员：王震坡，刘济铮，张雷，
申请(专利权)人：北京理工大学，
类型：发明
国别省市：