【技术实现步骤摘要】
本申请涉及车速预测，尤其涉及一种基于工况自适应的车速实时预测方法、系统、设备及介质。
技术介绍
1、车速预测是根据车辆历史信息通过技术手段对车辆未来一定时间内的行驶速度进行预测，通过对车速进行预测，可辅助判断未来汽车的行驶工况，以便更好的对车辆实施控制，实现车辆稳定行驶。
2、目前，车速预测技术应用较为广泛，主要有：（1）基于车速采集系统获得实际工况车速数据，采用汽车前10s车速作为神经网络输入，采用汽车后5s车速作为神经网络输出，并结合赤池信息准则对ｒbf-nn的结构参数进行调整。（2）通过获取gps-bd速度传感单元采集的车辆的水平速度信号，惯性测量单元采集的车辆的纵向加速度信号，以及轮速、扭矩传感单元采集的车辆的轮速信号和车轮的转矩信号，车辆信息生成车辆的车速航迹。
3、但是，方案（1）划分工况仅用于测试不同工况下车速的预测精度，并未考虑将工况变化作为预设神经网络参数调整的依据，在结果上可能使模型仅适用于单个工况，在多个工况切换过程中，在训练模型的过程中容易出现过拟合现象，车速预测精度低。方案（2）需要增加传感器采集加速度信号，成本高。
技术实现思路
1、针对现有技术的上述不足，本申请提供一种基于工况自适应的车速实时预测方法、系统、设备及介质，以解决现存的车速预测方法难以实现多种工况条件下的自适应调整，在训练模型的过程中容易出现过拟合现象，导致模型预测精度低的问题。
2、第一方面，本申请提供了一种基于工况自适应的车速实时预测方法，方法包括：
3、进一步地，标记好的历史车速数据包含工况类型和历史车速数据；通过标记好的历史车速数据训练预设聚类算法，以获得训练好的预设聚类算法，进而确定当前车速的工况类型，具体包括：s1、根据工况类型的类型数量，随机初始化类型数量个聚类中心；s2、计算时间窗中历史车速数据的平均车速，确定平均车速与聚类中心的聚类距离，以将时间窗中的历史车速数据划分到聚类距离最小的聚类中心的类中；s3、对每个类中的历史车速数据取均值，更新类的聚类中心；循环s2-s3，直至完成预设聚类算法的训练；s4、将当前车速作为输入，以通过训练好的预设聚类算法输出工况类型。
4、进一步地，获取当前车速的工况类型的出现次数，以计算预设神经网络的自适应学习率，具体包括：在确定当前车速的工况类型后，通过预设计次程序，获得当前车速的工况类型的出现次数；通过公式：，计算自适应学习率；其中，为预设学习率上限，为预设学习率下限，k为当前车速的工况类型，t为当前时刻的具体数值，)表示当前时刻之前工况类型的出现次数。
5、进一步地，采用梯度下降算法和自适应学习率，更新预设神经网络，具体包括：通过梯度下降算法公式：，更新学习参数向量，进而实现更新预设神经网络；其中，,...,,,,...,,,,...,]，表示t时刻学习参数向量；=[,,...,]，表示t时刻隐藏层第j个神经元的中心向量，表示t时刻隐藏层中第j个神经元对应第i个输入的中心；i的取值范围是[0,i]，i表示输入层神经元的总个数；j的取值范围是[0,j],j表示隐藏层神经元的总个数；=[,,...,]，表示t时刻第m个输出神经元与隐藏层之间的权重，表示t时刻隐藏层第j个神经元与输出层第m个神经元之间的权重；m的取值范围是[0,m]，m表示输出层神经元的总个数；表示预设均方根误差函数；表示自适应学习率，。
6、进一步地，获取车辆时序运行数据和驾驶行为数据，以构建样本数据集，具体包括：获取当前车速和预设时间段内的历史车速，以构建车辆时序运行数据；获取当前踏板信息和预设时间段内的历史踏板信息，以构建驾驶行为数据；其中，踏板信息至少包括：t时刻加速踏板开度、t时刻加速踏板开度变化量、t时刻制动踏板开度、t时刻制动踏板开度变化量；构建包含车辆时序运行数据和驾驶行为数据的样本数据集。
7、进一步地，方法还包括：实时获得当前时刻的当前车速，输入训练好的预设聚类算法，进而获得工况类型，进而实现实时更新预设神经网络，进而获得当前时刻对应的预测车速。
8、第二方面，本申请提供了一种基于工况自适应的车速实时预测系统，系统包括：确定模块，用于通过标记好的历史车速数据训练预设聚类算法，以获得训练好的预设聚类算法，进而确定当前车速的工况类型；更新模块，用于获取当前车速的工况类型的出现次数，以计算预设神经网络的自适应学习率；采用梯度下降算法和自适应学习率，更新预设神经网络；获得模块，用于获取车辆时序运行数据和驾驶行为数据，以构建样本数据集；将样本数据集作为更新后预设神经网络的输入，以获得预测车速。
9、进一步地，获得模块包括数据集构建单元，用于获取当前车速和预设时间段内的历史车速，以构建车辆时序运行数据；获取当前踏板信息和预设时间段内的历史踏板信息，以构建驾驶行为数据；其中，踏板信息至少包括：t时刻加速踏板开度、t时刻加速踏板开度变化量、t时刻制动踏板开度、t时刻制动踏板开度变化量；构建包含车辆时序运行数据和驾驶行为数据的样本数据集。
10、第三方面，本申请提供了一种基于工况自适应的车速实时预测设备，设备包括：处理器；以及存储器，其上存储有可执行代码，当可执行代码被执行时，使得处理器执行如上述任一项的一种基于工况自适应的车速实时预测方法。
11、第四方面，本申请提供了一种非易失性计算机存储介质，其特征在于，其上存储有计算机指令，计算机指令在被执行时实现如上述任一项的一种基于工况自适应的车速实时预测方法。
12、本领域技术人员能够理解的是，本申请至少具有如下有益效果：
13、本专利技术针对多种工况下车速不易预测的问题，首先，对车辆的历史数据进行聚类分析，获得车辆历史数据的聚类中心；其次，根据当前车速，判断当前车辆的运行工况；然后，建立多输入多输出的预设神经网络，并根据车辆的运行工况对预设神经网络中的学习因子进行调整，达到车速预测模型根据工况进行自适应调整的目的，最后，基于训练的自适应学习率对车速进行实时预测。本申请解决了多种工况条件下的自适应调整，在训练模型的过程中容易出现过拟合现象，导致模型预测精度低的问题。
本文档来自技高网...【技术保护点】
1.一种基于工况自适应的车速实时预测方法，其特征在于，所述方法包括：
2.根据权利要求1所述的基于工况自适应的车速实时预测方法，其特征在于，标记好的历史车速数据包含工况类型和历史车速数据；
3.根据权利要求1所述的基于工况自适应的车速实时预测方法，其特征在于，获取当前车速的工况类型的出现次数，以计算预设神经网络的自适应学习率，具体包括：
4.根据权利要求1所述的基于工况自适应的车速实时预测方法，其特征在于，采用梯度下降算法和自适应学习率，更新预设神经网络，具体包括：
5.根据权利要求1所述的基于工况自适应的车速实时预测方法，其特征在于，获取车辆时序运行数据和驾驶行为数据，以构建样本数据集，具体包括：
6.根据权利要求1所述的基于工况自适应的车速实时预测方法，其特征在于，所述方法还包括：
7.一种基于工况自适应的车速实时预测系统，其特征在于，所述系统包括：
8.根据权利要求7所述的基于工况自适应的车速实时预测系统，其特征在于，获得模块包括数据集构建单元，
9.一种基于工况自适应的车速实时
10.一种非易失性计算机存储介质，其特征在于，其上存储有计算机指令，所述计算机指令在被执行时实现如权利要求1-6任一项所述的一种基于工况自适应的车速实时预测方法。
...【技术特征摘要】
1.一种基于工况自适应的车速实时预测方法，其特征在于，所述方法包括：
2.根据权利要求1所述的基于工况自适应的车速实时预测方法，其特征在于，标记好的历史车速数据包含工况类型和历史车速数据；
3.根据权利要求1所述的基于工况自适应的车速实时预测方法，其特征在于，获取当前车速的工况类型的出现次数，以计算预设神经网络的自适应学习率，具体包括：
4.根据权利要求1所述的基于工况自适应的车速实时预测方法，其特征在于，采用梯度下降算法和自适应学习率，更新预设神经网络，具体包括：
5.根据权利要求1所述的基于工况自适应的车速实时预测方法，其特征在于，获取车辆时序运...
【专利技术属性】
技术研发人员：张琳琳，王盈旭，翟霄雁，周在芳，李延红，夏长庚，
申请(专利权)人：中国重汽集团济南动力有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。