一种基于两级分解的车速预测方法技术

本发明专利技术涉及车速预测技术领域，尤其涉及一种基于两级分解的车速预测方法。本发明专利技术方法包括：首先，采用小波分解将原始车速序列分解为多个高、低频分量，以降低原始车速序列的非平稳性；其次，对低频分量进行二次分解，以进一步降低低频分量的非平稳性；最后采用RBF神经网络建立各车速分量预测模型，将各预测模型的结果叠加得到最终的车速预测结果。本发明专利技术的车速预测方法，一次分解的基础上对低频分量进行二次分解，进一步降低了车速的非平稳性，预测更为精准。为精准。为精准。

【技术实现步骤摘要】
一种基于两级分解的车速预测方法


[0001]本专利技术涉及车速预测
，尤其涉及一种基于两级分解的车速预测方法。

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。依靠于神经网络模型的泛化能力去对未来短期时域内的车速进行预测，取得了一定的预测效果，但并未考虑车速的非平稳性对预测结果的影响。先分解后集成是一种能够有效降低数据非平稳性的方法，将分解技术与预测模型相结合，以提高模型预测精度。
[0003]虽然使用分解方法能够改善序列的非平稳性，提高预测精度，但如果原始序列的非平稳性较高，一次分解后的分量波动性强，并且不规则性以及非线性程度高，那么整体预测效果将会受到影响。
[0004]为了进一步降低车速的非平稳性，获得更好的车速预测结果，我们提出了本专利技术的一种基于两级分解的车速预测方法。

技术实现思路

[0005]本专利技术的目的是提供一种基于两级分解的车速预测方法，用于解决当前技术对车速进行预测时，因车速的非平稳性导致了预测精度的降低问题。
[0006]为了实现上述目的，本专利技术采用了如下技术方案：
[0007]一种基于两级分解的车速预测方法，步骤如下：
[0008]S1.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；
[0009]S2.将原始车速序列进行n层小波分解，得到n个高频子序列和1个低频子序列；
[0010]S3.将S2中分解得到的低频子序列进行m层小波分解，得到1个低频子序列和m个高频子序列；
[0011]S4.根据S2和S3中分解得到的n+1+m个子序列，通过RBF神经网络，建立RBF神经网络多步车速预测模型；
[0012]S5.通过RBF神经网络多步车速预测模型，利用直接多步预测策略，对车辆车速进行多步预测，得的各子序列的车速预测输出；
[0013]将各子序列的车速预测输出叠加，得到最终的车速多步预测结果。
[0014]进一步地，在S1之后，还包括以下步骤：
[0015]S11.将车辆原始车速序列分为训练集和测试集；
[0016]且所述S2中进行分解的是训练集。
[0017]进一步地，S4中，所述RBF神经网络的定义如下：
[0018][0019]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；
[0020]RBF神经网络建立的车速预测模型的输入为过去一段时间的车速，其具体表征为当前时刻以及过去4个采样时刻的车速，其输出为下一个采样点的车速，其采样周期为1s。
[0021]进一步地，S4中，采用RBF神经网络建立RBF神经网络多步车速预测模型，在对各子序列预测模型进行训练时，定义过去一段时间内的车速为RBF神经网络输入，未来车速为期望输出，训练目标为车辆实际车速与期望输出的未来车速的均方误差，其计算公式如下，
[0022][0023]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；
[0024]当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，得到多步车速预测模型。
[0025]进一步地，S5中，直接多步预测策略的表达如下：
[0026][v
t+1
,v
t+2
,
…
,v
t+p
]＝f(v
t
,v
t
‑1,v
t
‑2,
…
,v
t
‑
d
‑1)
[0027]其中，t为当前时刻，v
t
‑1,v
t
‑2,
…
,v
t
‑
d
‑1和v
t+1
,v
t+2
,
…
,v
t+p
分别为车速预测模型的输入和输出；v
t
‑1,v
t
‑2,
…
,v
t
‑
d
‑1和v
t+1
,v
t+2
,
…
,v
t+p
序列长度取值均为5。
[0028]进一步地，S4之后，还包括有以下步骤：
[0029]S41.通过测试集验证所述RBF神经网络多步车速预测模型的预测结果。
[0030]本专利技术至少具备以下有益效果：
[0031]1、本专利技术在一次分解的基础上，采用二次分解进一步降低了车速的非平稳性，进一步提高了车速预测精度；
[0032]2、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，通过二级分解和RBF神经网络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
[0033]为了更清楚地说明本专利技术实施例技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0034]图1为本专利技术车速预测方法的流程图。
[0035]图2为本专利技术训练集和测试集数工况数据示意图。
[0036]图3为本专利技术RBF神经网络车速多步预测示意图。
[0037]图4为本专利技术一次分解结果示意图。
[0038]图5为本专利技术一次分解后低频信号二次分解结果示意图。
[0039]图6为本专利技术两种预测方法预测结果示意图。
具体实施方式
[0040]为了使本专利技术的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本专利技术进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本专利技术，并不用于限定本专利技术。
[0041]参见图1，本专利技术一种基于两级分解的车速预测方法，如下：
[0042]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。
[0043]为方便数据获取，本专利技术的历史行车车速数据可以直接从现有的数据库中提取得到，这样不影响数据获取质量。当然也可以通过实际采集大量、各个车辆的历史车速数据。
[0044]将整个历史行车数据分为训练集和测试集两部分，其中训练集数据集包括Ch i na_urban、本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于两级分解的车速预测方法，其特征在于：步骤如下：S1.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；S2.将原始车速序列进行n层小波分解，得到n个高频子序列和1个低频子序列；S3.将S2中分解得到的低频子序列进行m层小波分解，得到1个低频子序列和m个高频子序列；S4.根据S2和S3中分解得到的n+1+m个子序列，通过RBF神经网络，建立RBF神经网络多步车速预测模型；S5.通过RBF神经网络多步车速预测模型，利用直接多步预测策略，对车辆车速进行多步预测，得的各子序列的车速预测输出；将各子序列的车速预测输出叠加，得到最终的车速多步预测结果。2.根据权利要求1所述的一种基于两级分解的车速预测方法，其特征在于：在S1之后，还包括以下步骤：S11.将车辆原始车速序列分为训练集和测试集；且所述S2中进行分解的是训练集。3.根据权利要求1所述的一种基于两级分解的车速预测方法，其特征在于：S4中，所述RBF神经网络的定义如下：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；RBF神经网络建立的车速预测模型的输入为过去一段时间的车速，其具体表征为当前时刻以及过去4个采样时刻的车速，其输出为下一个采样点的车速，其采样周期为1s。4.根据权利要求1所述的一种基于两级分解的车速预测方法，其特征在于：S4中，采用RBF神经网络建立RBF神经网络多步车速预测模型，在对各子序列预测模型进行训练时，定义过去一段时间内的车速为RBF神经网络输入，未来车速为期望输出，训练目标为车辆实际车速与期望...

【专利技术属性】
技术研发人员：罗勇，赵爽，葛剑，刘媛媛，石维权，贺建蓥，杨涛，
申请(专利权)人：重庆理工大学，
类型：发明
国别省市：