[發明專利]基于LSTM速度預測優化的IA-SVM行駛工況識別方法及裝置

在審

• 申請號: 202111241720.3
• 申請日: 2021-10-25
• 公開（公告）號: CN114004993A
• 公開（公告）日: 2022-02-01
• 發明（設計）人: 侯亮;賴輝平;王少杰;鄭正中;蘇德贏;卜祥建
• 申請（專利權）人: 廈門大學
• 主分類號: G06V10/764
• 分類號: G06V10/764;G06V10/762;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 廈門市首創君合專利事務所有限公司 35204
• 代理人: 連耀忠

本發明公開了一種基于LSTM速度預測優化的IA?SVM行駛工況識別方法及裝置，通過獲取車輛歷史運行數據并進行預處理，構建運動學片段數據庫并獲取行駛工況在線識別訓練數據；建立基于IA優化SVM算法的行駛工況在線識別模型，通過行駛工況在線識別訓練數據對基于IA優化SVM算法的行駛工況在線識別模型進行訓練，得到行駛工況在線識別模型；建立基于LSTM的速度預測模型，以車輛的歷史行程作為速度預測訓練數據對基于LSTM的速度預測模型進行訓練，得到速度預測模型；獲取實時采集到的車輛運行數據，輸入速度預測模型實時預測得到未來速度序列，將未來速度序列與歷史速度序列拼接構成識別序列，將識別序列輸入行駛工況在線識別模型，識別出車輛行駛工況。

技術領域

本發明涉及道路行駛技術領域，具體涉及一種基于LSTM速度預測優化的IA-SVM行駛工況識別方法及裝置。

背景技術

基于行駛工況在線識別方法與特定控制策略相結合能夠實現自適應控制，以適應復雜的交通情況，提高城市公交客車的燃油經濟性。

為了應對復雜的城市交通環境，實現自適應控制，國內外提出了許多優化控制策略，主要分為以下兩大類。第一類為通過對參考電池荷電狀態(SOC)的預測規劃，結合模型預測控制(MPC)和動態規劃算法(DP)對整車的能量分配進行規劃。然而，由于駕駛條件的不可重復性和城市道路交通的隨機性，最優參考SOC的計算量大且不能完全預測，非最優的參考SOC的設置可能會使得燃油經濟性惡化。第二類為對運行數據進行在線模式識別，通過離線數據挖掘獲得最優控制量，運用龐特里亞金最小原則(PMP)或等效燃油消耗控制策略(ECMS)計算獲得瞬時最優解，實現自適應控制。第二類方法既避免了對參考SOC的預測，同時利用查表調整控制參數，在實現自適應控制的前提下進一步降低了控制的復雜性。選擇行駛工況識別作為模式識別的研究對象，目前行駛工況識別的方法主要有神經網絡、模糊控制器以及支持向量機識別。以上方法在不同方面均有側重，但都沒有考慮由于識別周期和更新周期存在導致的固有誤差，使得在線識別精度無法達到較高水平。由于在線識別過程的本質為對歷史數據的分析處理，實現控制變量的改變，在狀態發生變化時，識別狀態量相對于真實狀態量會因為識別周期和更新周期的存在產生一定的延遲。

發明內容

針對上述提到的如何有效改善在線識別效果，提高燃油經濟性等問題。本申請的實施例的目的在于提出了一種基于LSTM速度預測優化的IA-SVM行駛工況識別方法及裝置，來解決以上背景技術部分提到的技術問題。

第一方面，本申請的實施例提供了一種基于LSTM速度預測優化的IA-SVM行駛工況識別方法，包括以下步驟：

S1，獲取車輛歷史運行數據，對車輛歷史運行數據進行預處理，并構建運動學片段數據庫，基于運動學片段數據庫獲取行駛工況在線識別訓練數據；

S2，建立基于IA優化SVM算法的行駛工況在線識別模型，通過行駛工況在線識別訓練數據對基于IA優化SVM算法的行駛工況在線識別模型進行訓練，得到行駛工況在線識別模型；

S3，建立基于LSTM的速度預測模型，以車輛的歷史行程作為速度預測訓練數據對基于LSTM的速度預測模型進行訓練，得到速度預測模型；

S4，獲取實時采集到的車輛運行數據，輸入速度預測模型實時預測得到未來速度序列，并將未來速度序列與歷史速度序列拼接構成識別序列，將識別序列輸入行駛工況在線識別模型，識別出車輛行駛工況。

在一些實施例中，步驟S1具體包括：

S11，采用濾波降噪算法對車輛運行數據進行濾波降噪處理，并搭建運動學片段數據庫，運動學片段數據庫包括至少一個運動學片段的特征參數，以每個運動學片段的最高行駛速度、平均行駛速度，怠速時間比例構建特征參數矩陣；

S12，對特征參數矩陣進行標準化處理，得到標準化特征參數矩陣；