一种对车辆速度进行预测的方法、系统及存储介质技术方案

本发明专利技术提供一种对车辆速度进行预测的方法，包括：实时获取车辆当前与车辆速度相关的时间跨度内的时间序列数据；对所述时间跨度内的时间序列数据进行加权处理，获得用于输入的时间序列数据；将所述用于输入的时间序列数据输入至已训练好的LSTM预测模型中，获得预测区间的车辆速度值；其中，所述LSTM预测模型为采用启发式自适应时间跨度的LSTM模型，其在训练时采用模拟退火算法来处理时间跨度预测因子。本发明专利技术还提供了相应的系统及存储介质。实施本发明专利技术，可以提高车速预测的准确性和泛化能力。可以提高车速预测的准确性和泛化能力。可以提高车速预测的准确性和泛化能力。

【技术实现步骤摘要】
一种对车辆速度进行预测的方法、系统及存储介质


[0001]本专利技术涉及车辆速度预测的
，特别是涉及一种基于启发式自适应时间跨度策略的长短期记忆网络(Long Short
‑
Term Memory，LSTM)模型对车辆速度进行预测的方法、系统及存储介质。

技术介绍

[0002]车辆速度预测是对车辆未来的速度进行预估。车辆速度预测属于交通领域节能环保研究的重要课题之一，其不仅可以降低交通运输的成本，也可以根据预测结果，实时规划最优路径，对于混合动力供能的汽车来说，车辆速度尤为重要，以为多个供能组件提供准确控制。故迫切需要更快更有效的能量管理策略，在现有技术中，诸如：模型预测控制、等效能量最小化策略、车联网、模糊控制控制策略在能量管理策略的发展中起着关键作用。
[0003]虽然在现有技术中，大部分研究者以及开始对车速预测进行研究，并且在特定的情况和条件下预测准确率不低。但在连续车速预测上仍有不足之处，例如部分人所提出的模型只适用于特定的交通路段，其模型的泛化能力弱，如果更改路段进行预测，预测准确率将大大降低。有些人的预测数据均来自于高速公路，这种路段的车速波动较小。对车速波动较大的城市路况并未提及。
[0004]综上所述，现有技术的主要存在的缺点是，车速预测模型受到时间或者空间的限制，模型准确率和泛化能力较低。

技术实现思路

[0005]本专利技术所要解决的技术问题在于，提出一种对车辆速度进行预测的方法、系统及存储介质，通过采用基于启发式自适应时间跨度策略的LSTM模型，可以提高车速预测的准确性和泛化能力。
[0006]本专利技术所采用的技术方案为，提供一种对车辆速度进行预测的方法，其至少包括如下步骤：
[0007]步骤S10，实时获取车辆当前与车辆速度相关的时间跨度内的时间序列数据，所述序列数据包括时间跨度内每一时刻的电压、驱动电机速度、加速器踏板行程值、制动踏板状态数据；
[0008]步骤S11，对所述时间跨度内的时间序列数据进行加权处理，获得用于输入的时间序列数据；
[0009]步骤S12，将所述用于输入的时间序列数据输入至已训练好的LSTM预测模型中，获得预测区间的车辆速度值；其中，所述LSTM预测模型为采用启发式自适应时间跨度的LSTM模型，其在训练时采用模拟退火算法来处理时间跨度预测因子。
[0010]优选地，进一步包括预先训练并获得所述已训练好的LSTM预测模型的步骤，包括：
[0011]在多辆新能源汽车一年内的行驶数据中，选取预定数目的数据，所述数据包括各时间序列对应的电压、驱动电机速度、加速器踏板行程值、制动踏板状态和车速数据，并按
固定比例形成训练集和测试集；
[0012]对所述训练集和测试集中的数据进行预处理，并进行加权处理处理；
[0013]建立LSTM预测模型，使用所述训练集对LSTM预测模型进行训练，其中，各时间序列对应的电压、驱动电机速度、加速器踏板行程值、制动踏板状态为输入值，输出为预测的车速，并计算其与真实值之间的均方根RMSE值；其中，采用模拟退火算法处理时间跨度预测因子，结合概率突跳特性在解空间中随机寻找目标函数的全局最优解，从而获得已训练好的LSTM预测模型。
[0014]优选地，所述步骤S11进一步包括：
[0015]采用下述方式对时间序列数据进行加权处理，获得加权后的数据：
[0016][0017]其中，N表示时间跨度长度，i表示时间跨度内的序号；y
i
表示当前序号的数据值，y
′
i
为当前序号加权后的数据值。
[0018]优选地，所述采用模拟退火算法处理时间跨度预测因子，结合概率突跳特性在解空间中随机寻找目标函数的全局最优解，进一步包括：
[0019]将模拟退火算法的目标函数确定为LSTM模型，而将其温度变量确定为时间跨度，将算法中的能量确定为LSTM模型的均方根RMSE值；
[0020]利用模拟退火算法从某一准确率较低的时间跨度出发，伴随时间跨度参数的不断下降，结合概率突跳特性在解空间中随机寻找目标函数的均方根RMSE值的全局最优解。
[0021]优选地，所述结合概率突跳特性在解空间中随机寻找目标函数的均方根RMSE值的全局最优解进一步包括：
[0022]假设前一个状态为x(n)，状态变为x(n+1)；相应的，系统的能量由E(n)变为E(n+1)，由下式来确定系统由x(n)变为x(n+1)的接受概率P：
[0023][0024]其中，判断结果为能量减小了，则接受概率P为1，表示该转移就被接受；判断结果为能量增大了，进行概率操作：首先在区间[0,1]产生一个均匀分布的随机数α，如果α<P，则此种转移接受，否则拒绝转移，进入下一步，往复循环，并最终获得全局最优解；
[0025]式中，E为能量，其采用LSTM模型的RMSE值；T为温度变量，其采用时间跨度值。
[0026]相应地，本专利技术的另一方面，还提供一种对车辆速度进行预测的系统，其至少包括如下步骤：
[0027]时间序列数据获取单元，用于实时获取车辆当前与车辆速度相关的时间跨度内的时间序列数据，所述时间序列数据包括时间跨度内每一时刻的电压、驱动电机速度、加速器踏板行程值、制动踏板状态数据；
[0028]加权处理单元，用于对所述时间跨度内的时间序列数据进行加权处理，获得用于输入的时间序列数据；
[0029]预测处理单元，用于将所述用于输入的时间序列数据输入至已训练好的LSTM预测
模型中，获得预测区间的车辆速度值；其中，所述LSTM预测模型为采用启发式自适应时间跨度的LSTM模型，其在训练时采用模拟退火算法来处理时间跨度预测因子。
[0030]优选地，进一步包括训练处理单元，用于预先训练并获得所述已训练好的LSTM预测模型，包括：
[0031]数据集获取单元，用于在多辆新能源汽车一年内的行驶数据中，选取预定数目的数据，所述数据包括各时间序列对应的电压、驱动电机速度、加速器踏板行程值、制动踏板状态和车速数据，并按固定比例形成训练集和测试集；
[0032]预处理单元，用于对所述训练集和测试集中的数据进行预处理，并进行加权处理处理；
[0033]训练单元，用于建立LSTM预测模型，使用所述训练集对LSTM预测模型进行训练，其中，各时间序列对应的电压、驱动电机速度、加速器踏板行程值、制动踏板状态为输入值，输出为预测的车速，并计算其与真实值之间的均方根RMSE值；其中，采用模拟退火算法处理时间跨度预测因子，结合概率突跳特性在解空间中随机寻找目标函数的全局最优解，从而获得已训练好的LSTM预测模型。
[0034]优选地，所述加权处理单元进一步用于：
[0035]采用下述方式对时间序列数据进行加权处理，获得加权后的数据：
[0036][0037]其中，N表示时间跨度长度，i表示时间跨度内的序号；y
i
表示当前序号本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种对车辆速度进行预测的方法，其特征在于，至少包括如下步骤：步骤S10，实时获取车辆当前与车辆速度相关的时间跨度内的时间序列数据，所述序列数据包括时间跨度内每一时刻的电压、驱动电机速度、加速器踏板行程值、制动踏板状态数据；步骤S11，对所述时间跨度内的时间序列数据进行加权处理，获得用于输入的时间序列数据；步骤S12，将所述用于输入的时间序列数据输入至已训练好的LSTM预测模型中，获得预测区间的车辆速度值；其中，所述LSTM预测模型为采用启发式自适应时间跨度的LSTM模型，其在训练时采用模拟退火算法来处理时间跨度预测因子。2.如权利要求1所述的方法，其特征在于，进一步包括预先训练并获得所述已训练好的LSTM预测模型的步骤，包括：在多辆新能源汽车一年内的行驶数据中，选取预定数目的数据，所述数据包括各时间序列对应的电压、驱动电机速度、加速器踏板行程值、制动踏板状态和车速数据，并按固定比例形成训练集和测试集；对所述训练集和测试集中的数据进行预处理，并进行加权处理处理；建立LSTM预测模型，使用所述训练集对LSTM预测模型进行训练，其中，各时间序列对应的电压、驱动电机速度、加速器踏板行程值、制动踏板状态为输入值，输出为预测的车速，并计算其与真实值之间的均方根RMSE值；其中，采用模拟退火算法处理时间跨度预测因子，结合概率突跳特性在解空间中随机寻找目标函数的全局最优解，从而获得已训练好的LSTM预测模型。3.如权利要求2所述的方法，其特征在于，所述步骤S11进一步包括：采用下述方式对时间序列数据进行加权处理，获得加权后的数据：其中，N表示时间跨度长度，i表示时间跨度内的序号；y
i
表示当前序号的数据值，y
′
i
为当前序号加权后的数据值。4.如权利要求3所述的方法，其特征在于，所述采用模拟退火算法处理时间跨度预测因子，结合概率突跳特性在解空间中随机寻找目标函数的全局最优解，进一步包括：将模拟退火算法的目标函数确定为LSTM模型，而将其温度变量确定为时间跨度，将算法中的能量确定为LSTM模型的均方根RMSE值；利用模拟退火算法从某一准确率较低的时间跨度出发，伴随时间跨度参数的不断下降，结合概率突跳特性在解空间中随机寻找目标函数的均方根RMSE值的全局最优解。5.如权利要求4所述的方法，其特征在于，所述结合概率突跳特性在解空间中随机寻找目标函数的均方根RMSE值的全局最优解进一步包括：假设前一个状态为x(n)，状态变为x(n+1)；相应的，系统的能量由E(n)变为E(n+1)，由下式来确定系统由x(n)变为x(n+1)的接受概率P：
其中，判断结果为能量减小了，则接受概率P为1，表示该转移就被接受；判断结果为能量增大了，进行概率操作：首先...

【专利技术属性】
技术研发人员：甘振宁，田杰，杜进桥，
申请(专利权)人：深圳供电局有限公司，
类型：发明
国别省市：