车速预测方法技术

本申请涉及一种车速预测方法

【技术实现步骤摘要】
车速预测方法、装置、计算机设备、存储介质和程序产品


[0001]本申请涉及汽车
，特别是涉及一种车速预测方法
、
装置
、
计算机设备
、
存储介质和计算机程序产品
。

技术介绍

[0002]在辅助驾驶领域，准确预测未来车速，对于汽车路径道和碰撞预警功能，起着至关重要的作用，由于汽车车速本身具有高度时变性，为了保证道路信息预测的实时性，通常采用数据驱动的方法对未来车速进行预测
。
[0003]传统方法中，采用
BP
神经网络学习车速历史数据，以实现对未来短时车速的预测，然而，由于
BP
神经网络模型的限制，容易陷入局部极值，导致预测得到的车速出现较大偏差
。

技术实现思路

[0004]基于此，有必要针对上述技术问题，提供一种能够提高车速预测准确性的车速预测方法
、
装置
、
计算机设备
、
计算机可读存储介质和计算机程序产品
。
[0005]第一方面，本申请提供了一种车速预测方法，包括：
[0006]在目标车辆处于目标工况的情况下，获取当前时刻之前第一时间段内的车速数据；车速数据为序列数据；
[0007]通过预先训练的组合神经网络模型对车速数据进行特征提取，得到高维复数特征，并通过组合神经网络模型对高维复数特征进行降维处理，得到目标车速特征；组合神经网络模型包括至少一个复数编码器和至少一个复数解码器，复数编码器的输出数据通过跳转连接输入至对应的复数解码器；
[0008]根据目标车速特征，获取当前时刻之后第二时间段内的预测车速
。
[0009]在其中一个实施例中，组合神经网络模型的训练过程，包括：
[0010]对车速数据进行划分，得到训练集数据和测试集数据；
[0011]确定初始化参数，并根据初始化参数构建初始组合模型；
[0012]基于训练集数据对初始组合模型进行训练，并基于测试集数据对训练后的初始组合模型进行测试
。
[0013]在其中一个实施例中，组合神经网络模型包括网络中间层和网络输出层；基于训练集数据对初始组合模型进行训练，并基于测试集数据对训练后的初始组合模型进行测试的步骤，包括：
[0014]通过训练集数据对初始组合模型进行处理，分别获取网络输出层对应的输出层误差，并根据输出层误差获取网络中间层对应的中间层误差；
[0015]根据中间层误差调整网络中间层的权重和阈值，并根据调整后的网络中间层和输出层误差，调整网络中间层权重和阈值；
[0016]更新初始化参数，返回根据初始化参数构建初始组合模型的步骤，并继续执行，直
至初始组合模型满足学习要求条件；
[0017]在初始组合模型满足学习要求条件的情况下，通过测试集数据对调整后的初始组合模型进行处理，获取测试结果；
[0018]在测试结果为不满足误差要求条件
、
且未达到目标训练次数的情况下，更新初始化参数，返回根据初始化参数构建初始组合模型的步骤，并继续执行，直至测试结果满足误差要求条件
、
或达到目标训练次数
。
[0019]在其中一个实施例中，网络中间层包括编码器层和解码器层；编码器层包括复数编码器，解码器层包括复数解码器；通过预先训练的组合神经网络模型对车速数据进行特征提取，得到高维复数特征的步骤，包括：
[0020]通过
N
个编码器层依次对车速数据进行卷积处理，获得高维复数特征；第一层编码器层的输入数据为车速数据；
[0021]其中，
N
为偶数，对于第2层编码器层至
N
层编码器层中的第
i
层编码器层，第
i
层编码器层的输入数据为第
i
‑1层编码器层的输出数据
。
[0022]在其中一个实施例中，复数编码器包括实部卷积滤波器和虚部卷积滤波器；通过
N
个编码器层依次对车速数据进行卷积处理，获得高维复数特征的步骤，包括：
[0023]针对每一个编码器层相应的复数编码器，分别通过实部卷积滤波器和虚部卷积滤波器，对车速数据进行特征提取，得到相应的实部卷积特征和虚部卷积特征；
[0024]对实部卷积特征和虚部卷积特征进行归一化处理，得到复数编码器输出的高维复数特征
。
[0025]在其中一个实施例中，组合神经网络模型还包括分离模块；通过组合神经网络模型对高维复数特征进行降维处理，得到目标车速特征的步骤，包括：
[0026]通过分离模块对第
N
层编码器层输出的高维复数特征进行分离处理，得到分离特征；
[0027]通过
M
个解码器层依次对分离特征进行降维处理，获得目标车速特征；第一层解码器层的输入数据为分离特征；
[0028]其中，
M
与
N
的数值相同，对于第2层解码器层至
M
层解码器层中的第
m
层解码器层，第
m
层解码器层的输入数据为第
m
‑1层解码器层的输出数据
、
以及第
(M+1
‑
m)
层编码器层的输出数据
。
[0029]在其中一个实施例中，分离模块包括实部分离模块和虚部分离模块；高维复数特征包括高维实部特征和高维虚部特征；通过分离模块对第
N
层编码器层输出的高维复数特征进行分离处理，得到分离特征的步骤，包括：
[0030]通过实部分离模块和虚部分离模块，分别对高维实部特征和高维虚部特征进行复数运算处理，得到分离特征
。
[0031]第二方面，本申请还提供了一种车速预测装置，包括：
[0032]获取模块，用于在目标车辆处于目标工况的情况下，获取当前时刻之前第一时间段内的车速数据；车速数据为序列数据；
[0033]提取模块，用于通过预先训练的组合神经网络模型对车速数据进行特征提取，得到高维复数特征，并通过组合神经网络模型对高维复数特征进行降维处理，得到目标车速特征；组合神经网络模型包括至少一个复数编码器和至少一个复数解码器，复数编码器的
输出数据通过跳转连接输入至对应的复数解码器；
[0034]预测模块，用于根据目标车速特征，获取当前时刻之后第二时间段内的预测车速
。
[0035]第三方面，本申请还提供了一种计算机设备，包括存储器和处理器，存储器存储有计算机程序，处理器执行计算机程序时实现第一方面中部任意一项的方法步骤
。
[0036]第四方面，本申请还提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现第一方面中部任意一项的方法步骤
。
[0037]第五方本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种车速预测方法，其特征在于，所述方法包括：在目标车辆处于目标工况的情况下，获取当前时刻之前第一时间段内的车速数据；所述车速数据为序列数据；通过预先训练的组合神经网络模型对所述车速数据进行特征提取，得到高维复数特征，并通过所述组合神经网络模型对所述高维复数特征进行降维处理，得到目标车速特征；所述组合神经网络模型包括至少一个复数编码器和至少一个复数解码器，所述复数编码器的输出数据通过跳转连接输入至对应的复数解码器；根据所述目标车速特征，获取当前时刻之后第二时间段内的预测车速
。2.
根据权利要求1所述的方法，其特征在于，所述组合神经网络模型的训练过程，包括：对所述车速数据进行划分，得到训练集数据和测试集数据；确定初始化参数，并根据初始化参数构建初始组合模型；基于所述训练集数据对所述初始组合模型进行训练，并基于所述测试集数据对训练后的所述初始组合模型进行测试
。3.
根据权利要求2所述的方法，其特征在于，所述组合神经网络模型包括网络中间层和网络输出层；所述基于所述训练集数据对所述初始组合模型进行训练，并基于所述测试集数据对训练后的所述初始组合模型进行测试，包括：通过所述训练集数据对所述初始组合模型进行处理，分别获取所述网络输出层对应的输出层误差，并根据所述输出层误差获取所述网络中间层对应的中间层误差；根据所述中间层误差调整所述网络中间层的权重和阈值，并根据调整后的网络中间层和所述输出层误差，调整所述网络中间层权重和阈值；更新所述初始化参数，返回所述根据初始化参数构建初始组合模型的步骤，并继续执行，直至所述初始组合模型满足学习要求条件；在所述初始组合模型满足所述学习要求条件的情况下，通过所述测试集数据对所述调整后的初始组合模型进行处理，获取测试结果；在所述测试结果为不满足误差要求条件
、
且未达到目标训练次数的情况下，更新所述初始化参数，返回所述根据初始化参数构建初始组合模型的步骤，并继续执行，直至所述测试结果满足所述误差要求条件
、
或达到所述目标训练次数
。4.
根据权利要求1至3任一项所述的方法，其特征在于，所述网络中间层包括编码器层和解码器层；所述编码器层包括复数编码器，所述解码器层包括复数解码器；所述通过预先训练的组合神经网络模型对所述车速数据进行特征提取，得到高维复数特征，包括：通过
N
个编码器层依次对所述车速数据进行卷积处理，获得高维复数特征；第一层编码器层的输入数据为所述车速数据；其中，
N
为偶数，对于第2层编码器层至
N
层编码器层中的第
i
层编码器层，所述第
i
层编码器层的输入数据为第
i
‑1层编码器层的输出数据
。5.
根据权利要求4所述的方法，其特征在于，所述复数编码器包括实部卷积滤...

【专利技术属性】
技术研发人员：袁艺，邵亚辉，李木子，张海涛，
申请(专利权)人：一汽解放汽车有限公司，
类型：发明
国别省市：