【技术实现步骤摘要】
本专利技术属于新能源车辆能耗估计，具体涉及一种融合广域预报信息的全行程能耗估计方法。
技术介绍
1、行程能耗估计对新能源及混合动力车辆的能量管理策略设计有重要参考意义。车速预测是能耗估计精度的关键，但在当前的车速预测方法中，多数研究还围绕着如何利用模型泛化能力去对未来短时域内的车速进行预测，在长时域和全局车速预测方面却研究不深。尽管存在少数一些关于全局预测的研究，但对历史数据的挖掘仍非常有限，通常只适用于交通流和驾驶员风格较为确定的固定路线，而对于随机路线中未出现过的场景难以有效应对。
2、中国专利技术专利申请号为cn201911368643.0名称为“一种全局车速预测方法与装置”中公开了将历史工况数据进行片段切割、全局特征统计和标签归类，之后根据运行日期时间以及当前的交通信息，查找相应的行车片段和停车片段，拼接后实现特定路线的全局车速预测；该专利的方法简单可行，但不适用于一般车辆随机出行场景。中国专利技术专利申请号为cn202211150072.5名称为“一种基于两级分解的车速预测方法”中公开了用两级分解的方式减小序列的非平稳性和复杂度，提高预测精度，但由于不考虑道路和交通状态信息，预测结果只具有统计学参考意义，难以与实际时空匹配。
技术实现思路
1、针对于上述现有技术的不足，本专利技术的目的在于提供一种融合广域预报信息的全行程能耗估计方法，以解决现有的行程能耗估计方法适用范围有限，与真实环境偏差大，难以推广到一般出行场景的问题；本专利技术方法使预测的行程车速更贴近实
2、为达到上述目的，本专利技术采用的技术方案如下：
3、本专利技术的一种融合广域预报信息的全行程能耗估计方法，步骤如下：
4、步骤s1：获取出行数据包括车辆行驶车速、车辆行驶轨迹和路段交通状态数据，并结合地理信息系统和地图道路数据创建包含程速分布、轨迹经纬度坐标、道路几何结构、道路属性信息和各路段交通负荷情况的历史行车样本；
5、步骤s2：设计基于局部拟态分解的信号提取方法，从车速数据中分离出与道路相关的确定性成分及与交通状态相关的随机成分；
6、步骤s3：建立一个广义回归神经网络(grnn)，将历史行车样本中的道路结构和属性信息输入广义回归神经网络，根据输出结果与确定性成分的偏差进行训练，得到确定性车速预测模型；搭建基于扩散概率模型(ddpm)，以历史行车样本中各路段的道路属性信息和交通负荷情况将随机成分划分为不同的样本进行训练，得到多个随机车速预测模型；
7、步骤s4：获取待预测的规划行程中道路几何结构、道路属性信息和各路段的交通负荷情况，分别输入给确定性车速预测模型和随机车速预测模型，并将模型输出合成为全局车速预测结果；
8、步骤s5：获取地理信息系统中规划行程的道路高程信息，根据步骤s4中的全局车速预测结果、道路高程信息和自车质量对整个行程的能耗进行估计。
9、进一步地，所述步骤s1具体包括：
10、通过行车记录仪获取行程中车辆的行驶车速和行驶轨迹数据；
11、通过导航软件获取路段交通状态数据；
12、根据获取的车辆行驶车速对时间积分获得原始程速分布信号v(s)；
13、根据车辆行驶轨迹，在地图上确定车辆经过的道路路径，结合地理信息系统，获取道路的几何结构和属性信息，包括：道路矢量数据、道路曲率、道路限速、路口位置、路口类型和高程信息；其中，道路矢量数据和车辆行驶轨迹均由经纬度坐标描述。
14、进一步地，所述步骤s1中的平滑道路曲率除直接获取外还可通过道路矢量数据推导，具体如下：
15、步骤s11：在道路矢量数据中，每隔一定距离选取三个等间距的邻近分析点a、b、c；
16、步骤s12：利用点a、b、c的坐标(pi,qi)估计外接圆圆心坐标(p0,q0)，i＝1,2,3，表达式如下：
17、
18、步骤s13：通过原心坐标计算道路曲率ρ，表达式如下：
19、
20、进一步地，所述步骤s2中基于局部拟态分解的信号提取方法具体包括：
21、步骤s21：寻找原始程速分布信号v(s)的所有局部极大值和局部极小值；
22、步骤s22：使用三次样条插值法分别对步骤s21中的局部极大值和局部极小值进行处理，得到上包络线h(s)、下包络线u(s)；
23、步骤s23：根据上包络线、下包络线计算原始信号包络均值线m(s)＝0.5×(h(s)+u(s))，作为数据的本征趋势；
24、步骤s24：从所述本征趋势曲线中提取出反映道路特征的确定性成分vd(s)；
25、步骤s25：从原始程速分布信号中减去确定性成分vd(s)，得到与交通状态相关的随机成分vb(s)。
26、进一步地，所述步骤s24具体包括：
27、步骤s241：对典型道路节点包括但不限于人行横道路口、左右拐弯路口、分汇流路口设计能够反映驾驶人区域注意力机制的独立权重函数gi(s)；
28、gi(s)＝exp(-(s-si-ei)2/(2σi2)) (3)
29、式中，s表示车辆行驶的里程；si表示第i个道路节点的位置；ei、σi分别表示第i个道路节点处窗口权重函数的中心偏移和扁平度，数值与道路节点类型相关；独立权重函数包括但不限于高斯型函数、三角形函数、等腰梯形函数和钟型函数，独立权重函数需满足以下性质：在定义域内，存在实数s0，使得g(s→s0)→1和g(|s-s0|→∞)→0同时成立；且对于所有满足s0>sa>sb或sb>sa>s0条件的(sa，sb)，均有g(sb)≤g(sa)≤g(s0)；
30、将行程中所有典型道路节点对应的独立权重函数合成后，得到全行程复合权重函数：
31、
32、式中，n表示行程中道路节点的总数目；
33、步骤s242：根据原始信号包络均值线m(s)和各个道路节点位置si确定每一个独立权重函数的中心偏移和离散度参数，i＝1,2,…,n；
34、第i个道路节点的独立权重函数中心偏移由距离第i个道路节点最近的包络均值线的极小值位置smvi确定：
35、ei＝smvi-si (5)
36、第i个道路节点的独立权重函数扁平度由第i个道路节点左侧的最邻近极大值位置smpi确定：
37、σi＝(si-smpi)/2 (6)；
38、步骤s243：通过复合权重函数提取数据中与道路相关的确定性成分vd(s)：
39、vd(s)＝ψ(s)(m(s)-mmax) (本文档来自技高网...
【技术保护点】
1.一种融合广域预报信息的全行程能耗估计方法，其特征在于，步骤如下：
2.根据权利要求1所述的融合广域预报信息的全行程能耗估计方法，其特征在于，所述步骤S1具体包括：
3.根据权利要求2所述的融合广域预报信息的全行程能耗估计方法，其特征在于，所述步骤S1中的平滑道路曲率除直接获取外还可通过道路矢量数据推导，具体如下：
4.根据权利要求1所述的融合广域预报信息的全行程能耗估计方法，其特征在于，所述步骤S2中基于局部拟态分解的信号提取方法具体包括：
5.根据权利要求4所述的融合广域预报信息的全行程能耗估计方法，其特征在于，所述步骤S24具体包括：
6.根据权利要求1所述的融合广域预报信息的全行程能耗估计方法，其特征在于，所述步骤S3具体包括：
7.根据权利要求1所述的融合广域预报信息的全行程能耗估计方法，其特征在于，所述步骤S3具体还包括：
8.根据权利要求1所述的融合广域预报信息的全行程能耗估计方法，其特征在于，所述步骤S4具体包括：在规划行程中按等间隔d设置预测点，将每一个预测点对应的路况信息(K
9.根据权利要求8所述的融合广域预报信息的全行程能耗估计方法，其特征在于，所述步骤S4具体包括：对于待预测的规划行程，使用步骤S1中的方式获取道路几何结构、道路属性信息和各路段的交通负荷情况；
10.根据权利要求1所述的融合广域预报信息的全行程能耗估计方法，其特征在于，所述步骤S5具体包括：
...【技术特征摘要】
1.一种融合广域预报信息的全行程能耗估计方法，其特征在于，步骤如下：
2.根据权利要求1所述的融合广域预报信息的全行程能耗估计方法，其特征在于，所述步骤s1具体包括：
3.根据权利要求2所述的融合广域预报信息的全行程能耗估计方法，其特征在于，所述步骤s1中的平滑道路曲率除直接获取外还可通过道路矢量数据推导，具体如下：
4.根据权利要求1所述的融合广域预报信息的全行程能耗估计方法，其特征在于，所述步骤s2中基于局部拟态分解的信号提取方法具体包括：
5.根据权利要求4所述的融合广域预报信息的全行程能耗估计方法，其特征在于，所述步骤s24具体包括：
6.根据权利要求1所述的融合广域预报信息的全行程能耗估计方法，其特征在于，所述步骤s3具体包括：
7...
【专利技术属性】
技术研发人员：吴刚，王春燕，赵万忠，鲁广超，周小川，张自宇，
申请(专利权)人：南京航空航天大学，
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。