[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

本發明公開一種基于工況特征的車輛行駛工況預測方法，包括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；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；根據確定的行車路線獲取該路線的道路和交通特征參數，利用預測模型進行工況特征參數預測；將預測的工況特征參數與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。本發明能夠根據本車規劃路線上的道路和交通特征通過模型預測，保證了預測模型的普適性和準確性，同時能夠反映道路和交通狀況對車輛行駛狀態的影響。

技術領域

本發明涉及一種車輛行駛工況的預測方法，具體涉及一種基于工況特征的車輛行駛工況預測方法。

背景技術

行駛工況特性是車輛功率/能量管理的根本，現有傳統汽車的功率/能量控制策略主要是依據標準行駛工況或瞬時工況預測進行設計，更多的是功率的瞬時或短時控制，無法滿足全局能量管理的需求，具有較大的局限性。

智能交通和車聯網技術的發展使在道路交通環境下行駛的汽車成為移動智能終端，車載大數據為更長更遠的工況預測提供了可能。目前，汽車行駛工況預測主要為基于歷史數據的工況預測，通過對歷史數據進行統計學分析，利用統計學規律結合智能算法進行預測，然而這種方法是基于車輛自身的行駛工況特性，對短時間內的工況進行預測，在應用范圍上有一定的局限性。如公布號為CN107527113A，名稱為一種混合動力車輛行駛工況的工況預測方法的專利申請。該發明建立了一種車輛行駛工況的工況預測方法，該方法包括：用若干個歷史數據點表示歷史工況信息，對這些歷史數據點進行函數曲線擬合，擬合得到的函數代表了短期內歷史工況的變化趨勢；然后利用這個函數在時間坐標上的差值結果，得到未來時域內的工況預測值。由于是基于汽車自身運行工況的歷史信息的對未來工況進行預測，所以預測結果對于車輛自身特點的依賴度高。對于其他車輛，預測結果準確性往往難以保證。因此未來工況的預測結果存在適應性較差的問題。

發明內容

為了解決上述現有技術中存在的問題，本發明的目的在于提供一種能夠根據車輛規劃線路的道路和交通特征進行工況特征參數預測，并以預測的工況特征參數為基礎進行未來工況預測的方法。所建立的預測模型具有適應性強，普適性較好，預測結果準確性高的特點。

本發明通過以下技術方案實現這一目的。

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。

進一步，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。