[發明專利]一種基于駕駛數據的多模態車速預測方法

有效

• 申請號: 202010164361.5
• 申請日: 2020-03-11
• 公開（公告）號: CN111459995B
• 公開（公告）日: 2021-11-23
• 發明（設計）人: 吳剛;于博洋;王春燕;周青華;施帥朋;馮健;顏伸翔;張自宇;吳子涵;何鵬
• 申請（專利權）人: 南京航空航天大學
• 主分類號: G06F16/2458
• 分類號: G06F16/2458;G06K9/62;G07C5/08;B60W40/105
• 代理公司: 江蘇圣典律師事務所 32237
• 代理人: 韓天宇

1.一種基于駕駛數據的多模態車速預測方法，其特征在于，包含以下步驟：

步驟A)，建立基于駕駛數據的多模態車速預測模型：

步驟A.1)，收集能夠反映實際道路工況特征的駕駛車速數據，包括城市、城郊及高速的道路工況；

步驟A.2)，對收集駕駛循環數據進行片段劃分及歸類的預處理：

步驟A.2.1)，將所有循環工況按短行程分割，再按速度將短行程拆分成怠速片段和行程片段，所述短行程是指從上一次減速至停車開始到下一次減速至停車為止的過程；

步驟A.2.2)，根據不同行程片段的幾何形狀，分類并歸納為單峰、多峰、平臺及多平臺四種反映車速變化特征的速度-時間序列片段；

步驟A.3)，對分好類的序列片段進行離線模態的提取：

步驟A.3.1)，在MATLAB中分別對上述步驟A.2.2)中四類不同的速度序列片段進行歸一化處理，對數據庫中行程片段的時間跨度和速度峰值進行縮放，得到跨度相同、峰值相同的多個速度序列；

步驟A.3.2)，利用線性插值、求均值的方法求出各類序列片段的平均值；

步驟A.3.3)，再根據四個序列平均值的幾何形狀定義能夠描述其特征的模態，所述模態為能夠反映車速隨時間變化趨勢的幾何形狀，不同模態具有不同的特征參數；

步驟A.4)，使用未經縮放處理的原始標準駕駛循環數據確定不同道路工況下的基本特征參數以及不同模態特征參數的平均值及其變化范圍：

步驟A.4.1)，將步驟A.2.1)中分割得到的短行程片段按城市、城郊及高速道路工況分類后，獲得短行程片段中的基本特征參數，所述短行程片段中的基本特征參數包括短行程時間Tm、平均車速Vm、最高車速vmax和怠速比Pit；

步驟A.4.2)，將步驟A.2.1)中分割得到的短行程片段按道路工況及模態類別分類后，計算各種模態自身對應的模態特征參數平均值及變化范圍，所有模態共有的特征參數包括加速部分比例Pat、減速部分比例Pdt、加速段的平均加速度a、減速段的平均減速度d、加速段加速度值均方根RMSa、減速段加速度值均方根RMSd、勻速時間Tv和勻速段速度均方根RMSv，其中，d由減速段的速度變化Δv_d比減速段時長t_d得到，即a由加速段的速度變化Δv_a比加速段時長t_a得到，即RMSa由加速段加速度值均方根得到，即RMSd由減速段加速度值均方根得到，即

步驟A.5)，使用SVM算法建立工況分類器：

步驟A.5.1)，利用步驟A.1)中收集的標準循環工況的車速-時間數據，按短行程分割成駕駛片段，并提取數據信息，所述數據信息包括短行程時間Tm、平均速度Vm、最大車速vmax、怠速時間Td以及當前時刻所屬工況類別，所述工況類別包含城市、城郊和高速三種工況；

步驟A.5.2)，利用主成分分析法從預處理數據中選擇用于工況識別的特征向量x＝(Td，Tm，Vm)，然后將以類別標簽分類好的數據按比例劃分，其中75％作為訓練樣本，得到基于徑向基函數的SVM分類器；25％作為測試樣本，驗證分類器識別精度；

步驟B)，基于駕駛數據進行多模態車速預測：

步驟B.1)，對步驟A.5)中的特征向量x進行在線識別：

步驟B.1.1)，道路工況識別時，每隔一個采樣周期提取一次截至當前時刻為止的時長3分鐘的歷史車速數據；

步驟B.1.2)，對采集的歷史駕駛數據進行短行程分割處理，計算最后一次短行程的步驟A.4.1)所述的基本特征參數(Tm，Vm，vmax，Pit)，從而獲得當前工況的特征向量x(t)；

步驟B.1.3)，利用步驟A.5)所得的工況分類器對當前獲得的特征向量x(t)進行工況識別；從模態提取步驟中可知，城市工況具有單峰、雙峰以及平臺模態；城郊工況具有平臺或多平臺模態；高速工況則具有平臺模態，當識別出當前道路工況時，即可確定當前道路工況具有步驟A.3.3)中的哪一種或幾種模態；

步驟B.2)，確認工況后：

步驟B.2.1)，每隔一個預測周期都會利用步驟B.1.1)中采集的歷史駕駛數據，進行參數更新，計算當前駕駛循環的基本特征參數；

步驟B.2.2)，并計算出當前模態對應步驟A.4.2)中的各種參數的確切值；

步驟B.2.3)，然后擬合出簡化模態中定義的形位參數，獲得基于駕駛數據的車速預測模型；

步驟B.3)，預測模型為速度-時間序列，當前時刻狀態在預測速度時間序列的對應位置決定了后續車速軌跡的預測結果：

步驟B.3.1)，將基于駕駛數據的車速預測模型嵌入到整車控制器中，通過車載傳感器獲取車輛信息，包括短行程開始時間t0、當前時刻t1、當前車速v1、瞬時加速度a1；

步驟B.3.2)，使用參數更新后的車速預測模型與當前時刻狀態參數進行比對，在預測模型的車速V-T曲線中找到與當前時刻加速度a1相對應的點，將其后的曲線作為預測軌跡。