[發明專利]基于Stacked LSTM神經網絡的電動汽車短程車速預測方法

有效

• 申請號: 201910965280.2
• 申請日: 2019-10-11
• 公開（公告）號: CN110682919B
• 公開（公告）日: 2021-02-02
• 發明（設計）人: 周道武;涂家毓;陳傲文;李偉東;楊林;胡芮平;陳方明
• 申請（專利權）人: 博雷頓科技有限公司;上海交通大學
• 主分類號: B60W50/00
• 分類號: B60W50/00
• 代理公司: 上海恒慧知識產權代理事務所(特殊普通合伙) 31317
• 代理人: 張寧展

1.一種基于Stacked LSTM神經網絡的電動汽車短程車速預測方法，其中，StackedLSTM是棧式長短期記憶網絡，其特征在于包括以下步驟：

S1、構建以電動汽車加速踏板開度、加速踏板開度變化率為輸入的加速駕駛意圖模糊推理器，輸出加速駕駛意圖；

S2、構建以電動汽車制動踏板開度、制動踏板開度變化率為輸入的制動駕駛意圖模糊推理器，輸出制動駕駛意圖；

S3、基于電動汽車速度、加速度、加速度變化率的連續樣本數據以及加速駕駛意圖模糊推理器輸出的加速駕駛意圖樣本數據、制動駕駛意圖模糊推理器輸出的制動駕駛意圖樣本數據，構建訓練集、驗證集和測試集；

S4、構建用于電動汽車短程車速預測的Stacked LSTM神經網絡；

S5、用構建好的訓練集對所述Stacked LSTM神經網絡進行訓練，根據所述StackedLSTM神經網絡在驗證集上的表現調整所述Stacked LSTM神經網絡超參數，直到所述Stacked LSTM神經網絡收斂并在測試集上的預測精度達到要求；

S6、向所述Stacked LSTM神經網絡輸入實時的電動汽車速度、電動汽車加速踏板開度和加速踏板開度變化率、電動汽車制動踏板開度和制動踏板開度變化率，進行電動汽車短程車速預測，輸出電動汽車短程車速序列。

2.根據權利要求1所述的一種基于Stacked LSTM神經網絡的電動汽車短程車速預測方法，其特征在于所述步驟S1具體包括以下步驟：

S101、構建以電動汽車加速踏板開度、加速踏板開度變化率為輸入變量，加速駕駛意圖為輸出變量的加速駕駛意圖模糊推理器；

S102、設定加速踏板開度、加速踏板開度變化率、加速駕駛意圖的語言變量和論域，設定加速踏板開度隸屬度函數、加速踏板開度變化率隸屬度函數；

S103：建立加速駕駛意圖識別模糊推理規則，進行模糊推理，輸出模糊加速駕駛意圖；

S104：進行反模糊化處理，并采用加權平均的方法對模糊加速駕駛意圖隸屬度進行加權平均，得到精確的加速駕駛意圖，輸出加速駕駛意圖隸屬度函數。

3.根據權利要求2所述的一種基于Stacked LSTM神經網絡的電動汽車短程車速預測方法，其特征在于所述步驟S1：

所述步驟S102：加速踏板開度的論域設為[0，100]，語言變量設為{小，較小，中，較大，大}；加速踏板開度變化率的論域設為[-100，100]，語言變量設為{負大，負小，小，中，大}；加速駕駛意圖的論域設為[0，1]，語言變量設為{平緩加速，較平緩加速，一般加速，較緊急加速，緊急加速}；加速踏板開度隸屬度函數設定為靈敏度較高的三角形隸屬度函數；加速踏板開度變化率隸屬度函數設定為控制較為粗略平穩的梯形隸屬度函數；

所述步驟S103：結合控制理論和實際人工經驗建立如下加速駕駛意圖識別模糊推理規則；

所述步驟S104：按最大最小法將加速駕駛意圖歸一化到[0，1]。

4.根據權利要求1所述的一種基于Stacked LSTM神經網絡的電動汽車短程車速預測方法，其特征在于所述步驟S2具體包括以下步驟：

S201、構建以電動汽車制動踏板開度、制動踏板開度變化率為輸入變量，制動駕駛意圖為輸出變量的制動駕駛意圖模糊推理器；

S202、設定制動踏板開度、制動踏板開度變化率、制動駕駛意圖的語言變量和論域，設定制動踏板開度、制動踏板開度變化率的隸屬度函數；

S203：建立制動駕駛意圖識別模糊推理規則，進行模糊推理，輸出模糊制動駕駛意圖；

S204：進行反模糊化處理，并采用加權平均的方法對模糊制動駕駛意圖隸屬度進行加權平均，得到精確的制動駕駛意圖，輸出制動駕駛意圖隸屬度函數。