[發明專利]一種車速時間序列分頻預測方法

有效

• 申請號: 202010024509.5
• 申請日: 2020-01-10
• 公開（公告）號: CN111275244B
• 公開（公告）日: 2023-07-25
• 發明（設計）人: 周健豪;鄭康誠;顧誠;宋廷倫;廖宇輝;劉軍;孫靜
• 申請（專利權）人: 南京航空航天大學
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06N3/0442;G06N3/045;G06N3/08
• 代理公司: 南京瑞弘專利商標事務所(普通合伙) 32249
• 代理人: 秦秋星

本發明公開了一種車速時間序列分頻預測方法，屬于智能駕駛領域。首先利用經驗小波變換將將原始車速時間序列分解為多個子層，然后建立EWT?LSTM?IEWT預測模型對最高頻分量多次分解預測，并采用長短期記憶神經網絡(LSTM)對頻率僅低于最高頻的分量進行預測，接著用核函數極限學習機對各個其余的低頻分量進行預測，然后采用LSTM神經網絡對最高頻分量的預測誤差進行預測以進一步降低最高頻分量對預測結果的影響，最后對所有分量的預測結果進行逆經驗小波變換(IEWT)，進而得到最終的車速預測結果。本發明采用核函數極限學習機和LSTM方法分別對車速時間序列的低頻和高頻分量進行單步預測，能有效提高短期車速預測模型的預測精度。

技術領域

本發明涉及智能駕駛領域，具體涉及一種車速時間序列分頻預測方法。

背景技術

汽車工業的快速發展給人們出行帶來便捷的同時也造成了嚴重的能源危機。隨著控制、傳感、通信和執行器技術的快速發展，在智能交通系統和車聯網環境下，車輛可以充分感知車輛自身的狀態，包括車輛本身的車速信息和其他車輛在某一路段的車速信息，以此為基礎的汽車智能節能控制逐漸引起人們關注。

在汽車智能節能控制的背景下，預測車輛動態行為可用于車輛速度的規劃。而且公交車等營運車輛，逐漸被新能源汽車取代，對于具有固定路線和工作時間的營運車輛，建立車速時間序列進行預測。新能源汽車能夠根據預測的車速信息，動態調整車輛速度規劃，達到經濟性行駛的目的，也可以根據預測的車速信息來調整能量控制策略，實現能量管理優化，提高能源利用率。

經驗小波變換(Empirical?Wavelet?Transform，EWT)是Gilles在2013年提出一種信號自適應處理方法，它結合了小波分析的完備理論性和經驗模式分解的自適應性，把信號分解為一系列具有調頻調幅特征分量。

目前，車速預測模型主要為單一預測模型，有物理方法、智能方法等，如單一神經網絡預測模型和支持向量機等，雖然單一預測模型在車速預測方面取得不錯的效果，但仍有較大的提升空間。而且，車速時間序列的非平穩性對預測結果有較大影響，最終導致模型預測精度下降。

發明內容

本發明的目的，在于提供一種車速時間序列分頻預測方法，其可減少車速非平穩性的干擾，進一步提高車速預測結果的準確性。

為達上述目的，本發明所采用的技術方案是：一種車速時間序列分頻預測方法，包括以下步驟：

步驟一、采集車輛歷史實測車速數據，建立原始車速時間序列；

步驟二、將原始車速時間序列按頻率高低分解為若干個子層；

步驟三、建立EWT-LSTM-IEWT預測模型，以步驟二得到的頻率最高的子層中的數據構建樣本集進行訓練，對頻率最高的子層分解、預測和重構；

步驟四、構建一個長短期記憶神經網絡(LSTM)，以步驟二得到的頻率僅次于最高頻的子層中的數據構建樣本集進行訓練，對頻率僅次于最高頻的子層進行車速預測；

步驟五、以步驟二得到的其余低頻子層中的數據構建樣本集訓練出核函數極限學習機，對其余的低頻子層進行車速預測；

步驟六、再次建立一個LSTM網絡，用步驟三的最高頻子層訓練集得到的EWT-LSTM-IEWT模型預測誤差構建一個誤差訓練集進行訓練，對最高頻子層的預測誤差進行預測，再將誤差的預測值和最高頻子層的預測值疊加，得到最終的最高頻分量預測值；

步驟七、對步驟四、五和六得到的所有子層的預測車速進行逆經驗小波變換(IEWT)，進而得到最終的車速預測結果。

優選地，上述步驟一的具體過程是，利用車輛上的車速傳感器，對車速歷史數據進行統計收集，根據收集結果建立原始車速時間序列，并將其分為訓練樣本數據和測試樣本數據。