[發明專利]基于工況特征的車輛行駛工況預測方法

有效

• 申請號: 202010533947.4
• 申請日: 2020-06-12
• 公開（公告）號: CN111815948B
• 公開（公告）日: 2022-04-22
• 發明（設計）人: 李玉芳;盧凱;任陳;張玉梅;徐炳欽
• 申請（專利權）人: 南京航空航天大學
• 主分類號: G08G1/01
• 分類號: G08G1/01
• 代理公司: 江蘇圣典律師事務所 32237
• 代理人: 賀翔

1.一種基于工況特征的車輛行駛工況預測方法，其特征在于，包括：

步驟1、對車輛歷史工況數據進行特征參數提取，進行聚類分析，并建立工況特征參數數據庫；

步驟2、根據車輛實際工況，構建工況特征數據與道路和交通特征參數關系，建立基于道路和交通的工況特征參數預測模型；

步驟3、根據確定的行車路線獲取該路線的道路和交通特征參數，利用所述預測模型進行工況特征參數預測；

步驟4、將步驟3中預測得到的所述工況特征參數與步驟1數據庫中的工況特征參數進行比較，得出將要行駛的行車線路的工況，具體是：

步驟401、構建工況數據訓練樣本集X，所述訓練樣本集為步驟1中聚類后的工況特征參數數據庫；

步驟402、設定m的初值；

步驟402、在所述工況數據訓練樣本集中選出與待測樣本距離最近的m個工況數據樣本；樣本之間的距離用歐氏距離表示，公式為：其中，x_i為樣本x的第i個變量的變量值，y_i為樣本y的第i個變量的變量值；

步驟403、依次統計所述m個工況數據樣本的所屬工況類別，找出包含樣本數量最多的工況類別；

步驟404、將待分數據Y劃分到所述樣本數量最多的工況類別中。

2.根據權利要求1所述的車輛行駛工況預測方法，其特征在于，步驟1中所述對車輛歷史工況數據進行特征參數提取之前，還包括根據要提取的特征參數對車輛行駛路段進行片段劃分。

3.根據權利要求1所述的車輛行駛工況預測方法，其特征在于，所述工況特征參數包括平均車速、平均減速度、怠速比例、速度標準差和最大車速。

4.根據權利要求1所述的車輛行駛工況預測方法，其特征在于，步驟1中采用k-means聚類分析方法對所述車輛歷史工況數據特征進行聚類分析，具體為：

步驟101、輸入包含n個數據對象的車輛歷史工況數據集X＝{x₁,x₂,…,x_n}，根據隨機性原則，選取出車輛工況歷史數據集中的k個有效的初始聚類中心C＝{c₁,c₂,…,c_k}；

步驟102、計算其他n-k個數據對象到初始聚類中心C＝{c₁,c₂,…,c_k}的距離，依據距離最短原則將其他所述數據對象歸類到這k個簇中，獲得k個初始聚類，距離計算公式為：其中，x_i為樣本x的第i個變量的變量值，y_i為樣本y的第i個變量的變量值；

步驟103、判斷樣本是否到原來所在類的距離最近，如是則仍在原類，否則移動到和其距離最近的類；

步驟104、計算每個初始聚類中數據對象的平均值，得到每個簇的質心，作為新的聚類中心；

步驟105、計算所有數據對象到新聚類中心的距離，依據距離最短原則將數據對象重新歸類；

步驟106、重復步驟101～步驟105，直到新形成的聚類中心不會改變或達到最大迭代次數，聚類完成。

5.根據權利要求1所述的車輛行駛工況預測方法，其特征在于，所述道路和交通特征參數包括道路類型、車道數、限速和交通狀況。

6.根據權利要求1所述的車輛行駛工況預測方法，其特征在于，所述預測模型為BP神經網絡預測模型。

7.根據權利要求1所述的車輛行駛工況預測方法，其特征在于，步驟S3還包括，在車輛出發前，駕駛員選擇好行車路線，通過大數據云服務端GIS/ITS模塊計算所述行車路線上的道路特征信息和交通信息，然后傳輸給所述預測模型。