[發明專利]一種混合動力客車未來車速軌跡預測方法

有效

• 申請號: 201410171956.8
• 申請日: 2014-04-25
• 公開（公告）號: CN103914985A
• 公開（公告）日: 2014-07-09
• 發明（設計）人: 連靜;常靜;李琳輝;黃海洋;周雅夫;鄭寧安;宗云鵬;麻笑藝;陳敏
• 申請（專利權）人: 大連理工大學
• 主分類號: G08G1/01
• 分類號: G08G1/01;G08G1/052;G06N3/08
• 代理公司: 大連東方專利代理有限責任公司 21212
• 代理人: 李洪福

1.一種混合動力客車未來車速軌跡預測方法，其特征在于：包括下列步驟：

A、參數的獲取與歸一化處理

A1、參數的獲取：基于車載信息采集系統實時采集不同駕駛員在不同道路工況上行駛時各數據點實時運行數據，并存儲于道路數據庫中，構建形成樣本工況；在建立未來車速軌跡預測模型時，首先，從道路數據庫中提取混合動力客車運行于各樣本工況各時刻點t的有效實測數據，所述的有效實測數據包括車輛運行參數、前方道路環境與交通狀態參數，車輛運行參數為車輛瞬時速度v(t)，前方道路環境參數包括路面坡度i、道路曲率θ、自由駕駛空間即前車距離Δs，交通狀態參數包括占路比w％、車流量veh_total；其次，應用正交優化方法確定歷史觀測時間窗口長度為ΔT，預測時間步長為Δt，并記錄[t-ΔT，t]及[t，t+Δt]時間段內的車速改變頻率f，提取兩個時間段內的車輛運行參數平均速度最大速度v_max、速度均方差最大加速度a_max、加速度均值加速度均方差

同時，在構建未來車速預測軌跡模型時不僅要考慮上述車輛運行參數、前方道路與環境參數，還應將駕駛員的行為偏好對未來車速軌跡的影響考慮在內；針對不同駕駛員對加速踏板操作存在差異的問題，將駕駛員對車輛性能需求的偏好即駕駛風格分為動力型和經濟型兩類，并采用模糊識別方法對駕駛員駕駛風格進行識別，確定混合動力客車在一段時間內的加速度均值和加速度均方差為模糊控制系統輸入參數，該段時間內的駕駛風格隸屬度δ作為模糊控制系統的輸出，對駕駛員駕駛風格進行識別；

A2、參數歸一化處理：對于步驟A1中所獲取的有效實測數據車輛瞬時速度v(t)、路面坡度i、道路曲率θ、自由駕駛空間Δs、占路比w％、車流量veh_total、平均速度最大速度v_max、速度均方差車速改變頻率f、最大加速度a_max、加速度均值加速度均方差以及駕駛風格隸屬度δ，由于存在物理量量綱及數量級方面的差異，需要對其進行歸一化處理到[0,1]之間，從而在消除物理量量綱所帶來的差異的同時有效地降低數據的冗余度、提高神經網絡訓練的速度；歸一化處理計算公式如下：

X′=X-XminXmax-Xmin---(1)]]>

式中，X為步驟A1中所述的有效實測參數，X_min為各參數的最小值，X_max為各參數的最大值，X'為參數X的歸一化值，其范圍為0≤X≤1；

B、確定RBF神經網絡的輸入參數矢量和輸出參數矢量

選取RBF神經網絡作為非線性預測函數對混合動力客車未來車速軌跡進行預測，構建基于RBF神經網絡的未來車速軌跡預測模型，確定RBF神經網絡的輸入層神經元為12個、RBF神經網絡的輸出層神經元為7個；輸入層神經元為[t-ΔT，t]時間段內的平均速度最大速度v_max、速度均方差最大加速度a_max、加速度均值加速度均方差駕駛風格隸屬度δ、車輛前方的路面坡度i、道路曲率θ、自由駕駛空間Δs、占路比w％和車流量veh_total，形成輸入參數矢量輸出層神經元為預測時間步長Δt內的混合動力客車行駛參數，包括平均速度最大速度v_max'、速度均方差車速改變頻率f'、最大加速度a_max'、加速度均值加速度均方差形成輸出參數矢量

C、RBF神經網絡的離線訓練

將步驟B中確定的輸入參數矢量和輸出參數矢量輸入到RBF神經網絡模型中形成訓練樣本并進行離線訓練，建立穩定的RBF神經網絡結構；確定RBF神經網絡為n-h-m的連接方式，即有n個輸入、h個隱含層和m個輸出；選用自組織選取中心的RBF神經網絡學習方法，核心是求解隱含層基函數中心、基函數的方差和隱含層單元到輸出單元的權值，由此得RBF神經網絡中第j個輸出表示為：

yj=Σi=1kωijexp(-12σi2||xp-ci||2)---(2)]]>

式中，為第p個輸入樣本，p＝1,2,…,P，P為樣本總數，c_i為網絡隱含層節點的中心，i＝1，2…….h為隱含層的節點數，||x_p-c_i||²為歐式范數，σ_i為基函數的寬度，ω_ij為隱含層到輸出層的連接權值，j＝1，2…….m為輸出層的節點數，y_j為與輸入樣本對應的神經網絡的第j個輸出節點的實際輸出；

RBF神經網絡離線訓練步驟如下：

C1、初始化：對權值ω_ij賦初值為0到1之間的隨機數，隱含層神經元的數目為h，初始網絡誤差E置0，最大誤差ε設為一正的小數；

C2、基于模糊K均值聚類算法確定基函數的中心c_i及方差σ_i，i＝1,2,….h；

C3、采用梯度下降法調整網絡隱含層到輸出層的權值ω_ij直到網絡誤差E＜ε，結束；其中網絡誤差采用均方誤差來表示，表達式如下：

E=1NΣp=1P[y^(xp)-y(xp)]2---(3)]]>

式中，E表示網絡誤差，為對應于輸入x_p的實際輸出，y(x_p)表為對應于輸入的期望輸出，P為樣本總數；

其中，輸出層神經元輸出參數為歸一化后的數據參數，在經過神經網絡訓練結束之后需要對其進行反歸一化處理，轉化為真實值進行輸出，以便構建未來車速預測軌跡，計算公式如下：

Y＝Y'*(Y_max-Y_min)+Y_min???(4)

式中，Y'為歸一化后的輸出數據，Y_max為實測數據的最大值，Y_min為實測數據的最小值，Y為實測數據；

D、在線預測未來車速軌跡

將步驟C所構建的RBF神經網絡模型嵌入到整車控制系統中，預測未來車速軌跡；在實車行駛過程中，基于車載環境傳感系統實時獲取的道路及環境數據，不斷形成自標記的樣本，借助RBF網絡在在線學習速度上的優勢，實現網絡結構的自適應尋優；首先進行駕駛員駕駛風格識別，得到駕駛風格隸屬度δ；提取RBF網絡的輸入參數矢量并按照公式(1)進行歸一化處理；輸入步驟C所得訓練后確定的RBF神經網絡中得到輸出參數矢量再按照公式(4)進行反歸一化處理，從而實現車輛參數的準確預測，形成未來車速軌跡，使車輛具備“預知”能力。