基于马尔可夫链的汽车运行工况多尺度预测方法技术

本发明专利技术公开了一种基于马尔可夫链的汽车运行工况的多尺度预测方法，该方法建立汽车运行工况的马尔可夫链预测模型；根据汽车运行工况的历史信息，通过极大似然估计计算出状态转移矩阵；运用马尔可夫链蒙特卡洛模拟方法，根据获得的状态转移矩阵进行不同时间尺度的汽车运行工况的预测；将不同时间尺度的预测结果通过线性插值还原为历史运行工况采样频率下数据；将不同尺度的预测结果根据模拟样本数量分为不同的置信等级，采用线性权重法对每次预测结果计算不同置信等级下的线性权重系数；将每种尺度预测结果各时刻所有预测值按权重系数融合，再将不同尺度预测结果在原数据频率下融合，获得汽车运行工况多尺度预测结果；本发明专利技术可以满足汽车运行工况的预测精度要求，也可以满足汽车实时控制的要求。

【技术实现步骤摘要】

本专利技术涉及一种汽车运行工况的预测方法，特别涉及一种基于马尔可夫链的汽车运行工况的多尺度预测方法。
技术介绍
混合动力汽车的能量管理策略是以油耗及排放为优化目标，以汽车的运行工况为设计依据，以动力性为约束条件，对两种动力源的能量分配进行计算。而目前基于所谓标准汽车运行工况的能量管理策略开发方法更强调“普遍代表性”，而没有表达出不同城市、不同时间和不同地点汽车运行工况随时间变化的差异性和多样性的特点。依据特定代表性工况设计的具有良好效果的能量管理策略，在实际的具有随机性的道路交通条件下，却不能表现出期望的节能效果。因此，研究基于实时动态规划的混合动力汽车能量管理策略，是解决混合动力汽车能量管理策略对实际工况适应性差的主要手段。而汽车未来运行工况的预测是实时动态规划混合动力汽车能量管理策略的制定依据，因此专利技术研究了面向混合动力汽车能量管理策略的汽车运行工况多尺度预测方法。汽车运行工况的预测方法主要有两类，一类是依据外界实时信息的预测，主要有基于GPS信息、GIS信息及交通系统信息的预测，基于前车跟随系统的预测；另外一类就是不利用导航信息，而是只利用历史信息预测未来道路工况的手段。由于现在智能交通系统还不够发达，基于道路实时信息的能量管理策略难以准确的预测未来汽车的运行工况，因此，目前基于历史信息的汽车运行工况的预测方法的可实施性更好。也许在未来一段时间后，基于道路实时信息的运行工况预测会是一个值得推广的方法。基于历史信息的运行工况预测方法是不依靠外界信息，将自身车辆的历史运行工况数据作为预测的依据。目前研究比较多的`是把汽车运行工况看作一个随机过程，通过概率统计历史信息来进行未来工况的预测。美国密西根大学提出一种用于汽车动力系统策略优化的随机动态规划的新方法中，该方法把汽车的运行工况看作随机过程，用马尔可夫链发生器产生的一系列“平均”意义上的行驶轨迹来预测未来的运行工况。另外一种方法是在上述方法的基础上，进一步提出了把驾驶员的功率需求看作一个马尔可夫过程的观点，建立了把需求功率和汽车转速看为状态的马尔可夫预测模型，通过最大可能的转移概率来预测未来的需求功率。再有的方法是建立了速度和加速度为状态的马尔可夫预测模型。还有一种方法，是基于模糊逻辑和历史信息的未来车速的预测。其模糊逻辑预测方法是将车速分为六个等级；历史信息的预测方法是将汽车速度按照加速减速匀速分为几段，依据历史信息距离当前时间的不同通过加权预测未来车速，该文提出将两种方法结合进行预测。以上介绍了现有的基于历史信息的汽车运行工况的预测方法的情况，主要存在以下问题:(1)国外学者开始尝试使用将汽车运行工况看做一个马尔可夫链，进行汽车运行工况的预测，但没有揭示其原理及预测方法；(2)基于模糊逻辑和历史信息的预测方法，分类粗糙，计算复杂，难以保证预测的准确度和实时性要求。因此，目前汽车运行工况预测方法并没有一个可以明确的阐述汽车运行工况预测方法的原理，并可以保证预测准确度高实时性又好的方法。
技术实现思路
本专利技术的目的就是为了解决上述问题，提供一种基于马尔可夫链的汽车运行工况的多尺度预测方法，它是一个随机预测过程，可以解决混合动力汽车能量管理策略基于“普遍代表性”设计而带来的实际行驶工况适应性差的弊端；本专利技术从原理上阐述了该预测方法的原理，并且该预测方法具有预测准确度高，实时性好的特点。本专利技术包括以下步骤:步骤一:建立汽车运行工况的马尔可夫链预测模型；步骤二:根据汽车运行工况的历史信息，通过极大似然估计离线计算出状态转移矩阵；步骤三:运用马尔可夫链蒙特卡洛模拟的方法，对步骤二得到的状态转移矩阵进行不同时间尺度的汽车运行工况的预测；步骤四:将不同时间尺度的预测结果通过线性插值还原为历史运行工况采样频率；步骤五:将不同尺度的预测结果根据模拟样本数量分为不同的置信等级，采用线性权重法对每次预测结果计算不同置信等级下的线性权重系数；步骤六:将每种尺度预测结果各时刻所有预测值按权重系数融合，再将不同尺度预测结果在原数据频率下融合，获得汽车运行工况多尺度预测结果。通过以上离线计算和在线预测的汽车运行工况的结果可用于混合动力汽车能量管理控制系统的实时能量分配。所述步骤一的具体步骤为:(I)选择速度和加速度为汽车运行工况马尔可夫链模型的状态:汽车运行工况的马尔可夫链模型的状态序列可以表示为如下公式:其中V1^PakSk时刻的速度和加速度。权利要求1.一种，该方法的步骤是:一:建立汽车运行工况的马尔可夫链预测模型； 二:根据汽车运行工况的历史信息，通过极大似然估计离线计算出状态转移矩阵； 三:运用马尔可夫链蒙特卡洛模拟的方法，对步骤二得到的状态转移矩阵进行不同时间尺度的汽车运行工况的预测； 四:将不同时间尺度的预测结果通过线性插值还原为历史运行工况采样频率； 五:将不同尺度的预测结果根据模拟样本数量分为不同的置信等级，采用线性权重法对每次预测计算不同置信等级下的线性权重系数； 六:将每种尺度预测结果各时刻所有预测值按权重系数融合，再将不同尺度预测结果在原数据频率下融合，获得汽车运行工况多尺度预测结果； 通过以上离线计算和在线预测的汽车运行工况的结果可用于混合动力汽车能量管理控制系统的实时能量分配。2.根据权利要求1所述的一种，其特征在于:所述步骤一的具体步骤为: (1)选择速度加速度为汽车运行工况马尔可夫链模型的状态: 汽车运行工况的马尔可夫链模型的状态序列可以表示为如下公式:其中Vk和ak为k时刻的速度和加速度；全文摘要本专利技术公开了一种基于马尔可夫链的汽车运行工况的多尺度预测方法，该方法建立汽车运行工况的马尔可夫链预测模型；根据汽车运行工况的历史信息，通过极大似然估计计算出状态转移矩阵；运用马尔可夫链蒙特卡洛模拟方法，根据获得的状态转移矩阵进行不同时间尺度的汽车运行工况的预测；将不同时间尺度的预测结果通过线性插值还原为历史运行工况采样频率下数据；将不同尺度的预测结果根据模拟样本数量分为不同的置信等级，采用线性权重法对每次预测结果计算不同置信等级下的线性权重系数；将每种尺度预测结果各时刻所有预测值按权重系数融合，再将不同尺度预测结果在原数据频率下融合，获得汽车运行工况多尺度预测结果；本专利技术可以满足汽车运行工况的预测精度要求，也可以满足汽车实时控制的要求。文档编号G06Q10/04GK103246943SQ20131021315公开日2013年8月14日 申请日期2013年5月31日 优先权日2013年5月31日专利技术者施树明, 张岩, 林楠, 袁粲璨 申请人:吉林大学本文档来自技高网...

【技术保护点】
一种基于马尔可夫链的汽车运行工况多尺度预测方法，该方法的步骤是：一：建立汽车运行工况的马尔可夫链预测模型；二：根据汽车运行工况的历史信息，通过极大似然估计离线计算出状态转移矩阵；三：运用马尔可夫链蒙特卡洛模拟的方法，对步骤二得到的状态转移矩阵进行不同时间尺度的汽车运行工况的预测；四：将不同时间尺度的预测结果通过线性插值还原为历史运行工况采样频率；五：将不同尺度的预测结果根据模拟样本数量分为不同的置信等级，采用线性权重法对每次预测计算不同置信等级下的线性权重系数；六：将每种尺度预测结果各时刻所有预测值按权重系数融合，再将不同尺度预测结果在原数据频率下融合，获得汽车运行工况多尺度预测结果；通过以上离线计算和在线预测的汽车运行工况的结果可用于混合动力汽车能量管理控制系统的实时能量分配。

【技术特征摘要】

【专利技术属性】
技术研发人员：施树明，张岩，林楠，袁粲璨，
申请(专利权)人：吉林大学，
类型：发明
国别省市：