本發(fā)明提供一種汽車行駛工況預(yù)測方法，特別涉及一種基于智能網(wǎng)聯(lián)系統(tǒng)下前車運行信息的未來工況預(yù)測方法，屬于智能交通技術(shù)領(lǐng)域。

背景技術(shù)：

行駛工況是混合動力汽車能量管理策略設(shè)計考慮的重要因素之一，對提高整車燃油經(jīng)濟性有著至關(guān)重要的作用。開發(fā)對未來控制時域內(nèi)工況進行合理精確預(yù)測的方法，進而結(jié)合預(yù)測能量管理算法實現(xiàn)混合動力系統(tǒng)實時最優(yōu)控制，已成為混動汽車智能能量管理策略的有效方法。目前行駛工況預(yù)測的主要研究是根據(jù)車輛自身行駛一定周期后的工況數(shù)據(jù)后，結(jié)合建立的預(yù)測模型作出對車輛未來工況的預(yù)測。由于依賴車輛運行一定周期的歷史數(shù)據(jù)積累之后作出的工況預(yù)測，未來工況預(yù)測結(jié)果存在滯后性、準確率低，參考性差等問題。如2013年8月14日申請公布的發(fā)明專利：申請公布號：cn103246943a，基于馬爾可夫鏈的汽車運行工況多尺度預(yù)測方法，該方法建立汽車運行工況的馬爾可夫鏈預(yù)測模型，根據(jù)汽車運行工況的歷史信息，通過極大似然估計計算出狀態(tài)轉(zhuǎn)移矩陣；運用馬爾可夫鏈蒙特卡洛模擬方法，根據(jù)獲得的狀態(tài)轉(zhuǎn)移矩陣進行不同時間尺度的汽車運行工況預(yù)測；再將不同尺度預(yù)測結(jié)果在原數(shù)據(jù)頻率下融合，獲得汽車運行工況多尺度預(yù)測結(jié)果。該方法基于汽車自身運行工況的歷史信息，通過建立馬爾可夫鏈預(yù)測模型完成對汽車工況的多尺度預(yù)測，由于汽車自身運行工況的歷史信息的對未來工況預(yù)測的結(jié)果實時性差，且工況預(yù)測模型預(yù)測結(jié)果缺少對誤差的深度分析的，不能保證預(yù)測模型和預(yù)測結(jié)果兩者預(yù)測精度，因此未來工況預(yù)測結(jié)果存在滯后性、準確率低，參考性差等問題。

技術(shù)實現(xiàn)要素：

本發(fā)明的目的是提供一種能準確的獲取與本車未來工況信息最為接近的前車工況信息，并以此為基礎(chǔ)進行未來工況預(yù)測，其預(yù)測結(jié)果具有實時性好、準確性高，可參考性強的基于智能網(wǎng)聯(lián)系統(tǒng)下前車運行信息的未來工況預(yù)測方法，其技術(shù)內(nèi)容為：

基于智能網(wǎng)聯(lián)系統(tǒng)下前車運行信息的未來工況預(yù)測方法，包括前車行駛工況數(shù)據(jù)獲取、前車行駛工況劃分、未來工況預(yù)測模型建立和本車未來工況在線預(yù)測，其特征在于：

第一步，前車行駛工況數(shù)據(jù)獲?。菏紫韧ㄟ^v2v車車通訊系統(tǒng)獲取周圍車輛行駛信息，通過v2i車路通訊系統(tǒng)獲取交通路況信息，以及通過車載定位系統(tǒng)獲取車輛當(dāng)前位置信息及行駛路徑道路信息，進行工況數(shù)據(jù)信息的采集；

再確定工況數(shù)據(jù)獲取的最佳途徑，根據(jù)v2v車車通訊系統(tǒng)獲取前車的車距、行駛方向及道路信息進行分析，當(dāng)本車與前車不同向或不同路或車距大于s時，利用v2i車路通訊系統(tǒng)獲取由遠程監(jiān)控平臺系統(tǒng)提供的上一時刻前車工況數(shù)據(jù)；當(dāng)本車與前車同向同路且距離小于s時，首先判斷前車類型與本車類型是否相同，若前車類型與本車類型不相同，則通過對前車類型進行篩選，匹配與本車類型最相近的前車作為目標前車，若前車與本車類型相同且數(shù)量m＝1時，直接將前車作為目標對象，若前車與本車類型相同且數(shù)量m>1時，通過前車此前與本車在相同路段內(nèi)的工況信息比對確定前車篩選的優(yōu)先級，優(yōu)先選定工況信息相似度較高的前車作為目標前車；然后對本車當(dāng)前行駛時交通流與目標前車之前相同路段時交通流對比，若兩者差值在允許值范圍內(nèi)，利用v2v車車通訊系統(tǒng)獲取前車的工況信息；若兩者差值超過允許值，由v2v車車通訊系統(tǒng)獲取前車工況信息，同時結(jié)合v2i車路通訊系統(tǒng)獲取實時交通流信息，對前車車速工況信息加以修正；

所述的同類型車輛為同款同型號完全相同的車型，所述的最相近的車輛類型是指整車質(zhì)量、動力源部件功率及滾阻都近似相同的車型；

第二步，前車行駛工況的劃分：將獲取的前車行駛工況信息，按照行駛工況路網(wǎng)劃分為道路交叉路口和連接交叉路口的路段，再結(jié)合v2i車路通訊系統(tǒng)獲取的數(shù)據(jù)信息分別確定連接路段和道路交叉口劃分時間窗口長度；

所述的連接路段劃分時間窗口長度的確定，先根據(jù)連接路段內(nèi)道路路面等級劃分，在相同的道路路面等級下再按照交通流密度等級及通行速度等級的一致性進行劃分，逐步縮短連接路段劃分時間窗口長度，再結(jié)合連接路段劃分時間窗口長度限值，進而確定連接路段劃分時間窗口長度；所述的道路交叉口劃分時間窗口長度的確定，將車輛通過交叉路口的通行狀態(tài)分為車輛加速通過交叉口和車輛停車起步通過交叉口兩類，分別結(jié)合此時交通流密度等級及交叉口劃分時間窗口長度限值，進而確定交叉口劃分時間窗口長度；

第三步，未來工況預(yù)測模型建立：依據(jù)劃分的前車行駛工況，收集劃分時間窗口內(nèi)的前車實時運行工況信息，以及本車預(yù)測時間步長δt內(nèi)的未來實際工況信息數(shù)據(jù)，進行濾波和參數(shù)化歸一處理后，將當(dāng)前接收到得前車的工況信息數(shù)據(jù)作為輸入，本車預(yù)測時間步長δt內(nèi)的未來實際工況信息數(shù)據(jù)作為輸出，構(gòu)造訓(xùn)練樣本集g；

建立基于最小二乘支持向量機(ls-svm)與自回歸滑動平均誤差修正(arma)相結(jié)合的工況預(yù)測模型：先確定最小二乘支持向量機回歸模型函數(shù)中核函數(shù)，并利用前車及本車工況數(shù)據(jù)的訓(xùn)練樣本集作為粒子，利用粒子群優(yōu)化算法確定核寬度σ和懲罰參數(shù)c；再利用訓(xùn)練樣本集g對最小二乘支持向量機模型進行訓(xùn)練，確定拉格朗日乘子α和偏置值b，最終得到最小二乘支持向量機回歸模型函數(shù)；利用最小二乘支持向量機回歸模型預(yù)測的工況數(shù)據(jù)與實際工況數(shù)據(jù)兩者差值，組成誤差序列樣本，根據(jù)誤差序列樣本自相關(guān)系數(shù)的截尾性和偏自相關(guān)系數(shù)拖尾性，初步確定自回歸滑動平均誤差修正模型階數(shù)，再用最小二乘估計法確定模型中的自回歸參數(shù)、滑動平均參數(shù)，最終得到自回歸滑動平均誤差修正模型；

預(yù)測模型精度判斷：將利用ls-svm模型得到的工況預(yù)測值與arma模型得到的誤差修正值ei兩者之和作為預(yù)測調(diào)整值與工況實際值yi進行比較，當(dāng)滿足預(yù)測精度要求時，將預(yù)測調(diào)整值作為最終預(yù)測值；當(dāng)預(yù)測精度不滿足要求，進一步調(diào)整arma模型得到新的誤差修正值ei(k)，進而得到新的預(yù)測調(diào)整值再與工況實際值yi比較并進行預(yù)測精度分析，直到滿足預(yù)測精度要求，最終得到ls-svm工況預(yù)測與arma誤差修正相結(jié)合帶有預(yù)測模型精度判斷的未來工況預(yù)測模型；

第四步，本車未來工況在線預(yù)測：將實時獲取的劃分時間窗口內(nèi)的前車行駛工況數(shù)據(jù)作為輸入，利用建立的未來工況預(yù)測模型進行工況預(yù)測，得到本車未來工況預(yù)測結(jié)果，再將本車預(yù)測結(jié)果和本車未來工況的實際結(jié)果，輸入殘差計算模型并進行預(yù)測精度判斷，當(dāng)不滿足預(yù)測精度要求時，通過再次建立的arma誤差預(yù)測修正模型，在下一段的工況預(yù)測時，優(yōu)先通過arma誤差修正模型對所得的在線預(yù)測結(jié)果進行誤差修正后，作為下一段工況的預(yù)測結(jié)果；當(dāng)滿足預(yù)測精度要求時，在下一段的工況預(yù)測時不進行誤差修正，直接將當(dāng)前預(yù)測結(jié)果輸出；

經(jīng)過誤差修正模型對在線預(yù)測結(jié)果進行誤差修正后，再進行殘差計算及預(yù)測精度判斷時，以誤差修正后的預(yù)測結(jié)果為基礎(chǔ)進行分析，重復(fù)上述精度判斷后的處理方法。

本發(fā)明與現(xiàn)有技術(shù)相比，有益效果如下：

(1)相比于依賴車輛自身運行一定周期的歷史數(shù)據(jù)積累之后作出的工況預(yù)測，該工況預(yù)測方法采用的工況數(shù)據(jù)獲取途徑，能較準確地獲取與本車未來工況最為接近的前車工況信息，保證了預(yù)測模型輸入數(shù)據(jù)的實時性和準確性，以此為基礎(chǔ)進行工況預(yù)測，結(jié)果更加接近未來實際工況；

(2)該工況預(yù)測方法采用了基于行駛工況路網(wǎng)與交通信息相融合的行駛工況劃分方法，針對連接路段和道路交叉分別確定口劃分時間窗口長度，保證預(yù)測準確度的同時降低了預(yù)測的計算量；

(3)該工況預(yù)測方法還從其他兩方面保證了預(yù)測結(jié)果的精確性：①建立了ls-svm預(yù)測與arma誤差修正相結(jié)合帶有預(yù)測模型精度判斷的未來工況預(yù)測模型，預(yù)測模型中加入了誤差修正模型和預(yù)測模型精度判斷，較好的保證了預(yù)測模型精度；②未來工況在線預(yù)測時進一步對當(dāng)前在線預(yù)的測結(jié)果進行預(yù)精度分析，通過誤差預(yù)測修正模型對下時間段的工況預(yù)測進行修正和調(diào)整，進一步保證預(yù)測結(jié)果準確性；

(4)由于固定線路運行的混合動力車輛在利用本方法進行前車行駛工況數(shù)據(jù)獲取、工況劃分時更為準確，因此該方法特別適合應(yīng)用在固定線路運行的混合動力車輛，如固定線路運行的營運及作業(yè)的混合動力車輛，如采用混合動力系統(tǒng)的公交車輛、固定線路物流車、清掃作業(yè)車輛等。

附圖說明

圖1是本發(fā)明實施例的工況預(yù)測方法整體流程圖。

圖2是本發(fā)明實施例行駛工況數(shù)據(jù)獲取途徑的流程圖。

圖3是本發(fā)明實施例前車此前ty段與本車當(dāng)前tn段兩相同路段的示意圖。

圖4是本發(fā)明實施例行駛工況劃分時間窗口長度的流程圖。

具體實施方式

下面結(jié)合附圖對本發(fā)明作進一步說明：

如圖1所示，基于智能網(wǎng)聯(lián)系統(tǒng)下前車運行信息的未來工況預(yù)測方法，包括前車行駛工況數(shù)據(jù)獲取、前車行駛工況劃分、未來工況預(yù)測模型建立和本車未來工況在線預(yù)測，其特征在于：

第一步，前車行駛工況數(shù)據(jù)獲?。菏紫韧ㄟ^v2v車車通訊系統(tǒng)獲取周圍車輛行駛信息，通過v2i車路通訊系統(tǒng)獲取交通路況信息，以及通過車載定位系統(tǒng)獲取車輛當(dāng)前位置信息及行駛路徑道路信息，進行工況數(shù)據(jù)信息的采集；

再確定工況數(shù)據(jù)獲取的最佳途徑，如圖2所示，根據(jù)v2v車車通訊系統(tǒng)獲取前車的車距、行駛方向及道路信息進行分析，當(dāng)本車與前車不同向或不同路或車距大于s時，利用v2i車路通訊系統(tǒng)獲取由遠程監(jiān)控平臺系統(tǒng)提供的上一時刻前車工況數(shù)據(jù)；

當(dāng)本車與前車同向同路且距離小于s時，首先判斷前車類型與本車類型是否相同，若前車類型與本車類型不相同，則通過對前車類型進行篩選，匹配與本車類型最相近的前車作為目標前車，若前車與本車類型相同且數(shù)量m＝1時，直接將前車作為目標對象，若前車與本車類型相同且數(shù)量m>1時，通過前車此前與本車在相同路段內(nèi)的工況信息比對確定前車篩選的優(yōu)先級，優(yōu)先選定工況信息相似度較高的前車作為目標前車；然后通過v2i車路通訊系統(tǒng)獲取目標前車此前ty段與本車當(dāng)前tn段兩相同路段的交通流信息，如圖3所示，包括目標前車此前ty段的交通流密度ky、交通流流量qy，本車當(dāng)前tn段的交通流密度kn、交通流流量qn，并計算兩者交通流密度的差值ek、交通流流量差值eq，分別與設(shè)定交通流密度變化情況臨界值k、交通流流量變化情況臨界值q進行比較；若交通流變化較小即：ek≤k且eq≤q，利用v2v車車通訊系統(tǒng)獲取前車的工況信息；若交通流變化較大即：ek≥k或eq≥q，由v2v車車通訊系統(tǒng)獲取前車工況信息，同時結(jié)合v2i車路通訊系統(tǒng)獲取實時交通流信息，建立基于交通流變化的車速修正模型，對獲取的前車車速工況信息加以修正；

所述的同類型車輛為同款同型號完全相同的車型，所述的最相近的車輛類型是指整車質(zhì)量、動力源部件功率及滾阻都近似相同的車型；

所述的相同路段內(nèi)的工況信息對比，是在相同路段內(nèi)對車輛瞬時速度vt、平均車速vave、最大速度vmax、車速變化頻率f、路面坡度i、路面等級g、最大加速度amax、加速度均值am進行的比對；

所述的基于交通流變化的車速修正模型，可通過構(gòu)建基于交通流變化的rbf神經(jīng)網(wǎng)絡(luò)車速修正模型得到，rbf神經(jīng)網(wǎng)絡(luò)車速修正模型的構(gòu)建包括：(1)確定rbf神經(jīng)網(wǎng)絡(luò)車速修正模型輸入?yún)?shù)矢量和輸出參數(shù)矢量，輸入?yún)?shù)矢量為當(dāng)前接收到得前車工況信息包括的瞬時速度vy_t，平均車速vy_ave、最大速度vy_max、車速變化頻率fy，以及本車當(dāng)前路段交通流信息包括交通流密度kn、交通流流量qn，即{vy_t，vy_ave，vy_max，fy，kn，qn}，輸出參數(shù)矢量為本車所對應(yīng)的未來實際工況的車速信息，包括本車瞬時速度vn_t，平均車速vn_ave、最大速度vn_max、車速變化頻率fn，即{vn_t，vn_ave，vn_max，fn}；(2)將輸入?yún)?shù)矢量和輸出參數(shù)矢量作為訓(xùn)練樣本，輸入到rbf神經(jīng)網(wǎng)絡(luò)模型中進行離線訓(xùn)練，選用自組織選取中心的rbf神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)方法，求解確定隱含層基函數(shù)中心、奇函數(shù)的方差和隱含層單元輸出單元權(quán)值，最終建立的基于交通流變化的rbf神經(jīng)網(wǎng)絡(luò)車速修正模型；

第二步，前車行駛工況的劃分：將獲取的前車行駛工況信息，按照行駛工況路網(wǎng)劃分為道路交叉路口和連接交叉路口的連接路段，再結(jié)合v2i車路通訊系統(tǒng)獲取的數(shù)據(jù)信息分別確定連接路段和道路交叉口劃分時間窗口長度，如圖4所示；

所述的連接路段劃分時間窗口長度的確定，先根據(jù)連接路段內(nèi)道路路面等級劃分，在相同的道路路面等級下再按照交通流密度等級及通行速度等級的一致性進行劃分，逐步縮短連接路段劃分時間窗口長度，再結(jié)合連接路段劃分時間窗口長度限值，進而確定連接路段劃分時間窗口長度；所述的道路交叉口劃分時間窗口長度的確定，將車輛通過交叉路口的通行狀態(tài)分為車輛加速通過交叉口和車輛停車起步通過交叉口兩類，分別結(jié)合此時交通流密度等級及交叉口劃分時間窗口長度限值，進而確定交叉口劃分時間窗口長度；

所述的連接路段和交叉口劃分時間窗口長度限值，可分別對時間窗口長度從t1～t2進行預(yù)測精確度仿真分析，綜合考慮不同時間窗口長度對計算量的影響，分別確定路段和交叉口劃分時間窗口長度的上限值和下限值；

第三步，未來工況預(yù)測模型建立：依據(jù)劃分的前車行駛工況，收集某段劃分時間窗口內(nèi)的前車實時運行工況信息，以及本車預(yù)測時間步長δt內(nèi)的未來實際工況信息數(shù)據(jù)，進行濾波和參數(shù)化歸一處理后，將當(dāng)前接收到得前車的工況信息數(shù)據(jù)作為輸入，本車預(yù)測時間步長δt內(nèi)的未來實際工況信息數(shù)據(jù)作為輸出，構(gòu)造訓(xùn)練樣本集g，所述的工況信息包括車輛瞬時速度vt、平均車速vave、最大速度vmax、車速變化頻率f、路面坡度i、路面等級g、交通流密度ρ，最大加速度amax、加速度均值am；

由此構(gòu)造訓(xùn)練樣本集為：g＝{(x1,y1),(x2,y2)，……(xi,yi)，……(xn,yn)}，其中，當(dāng)前接收到得前車工況信息為：本車預(yù)測時間步長δt內(nèi)的未來的實際工況信息：

建立基于最小二乘支持向量機(ls-svm)與自回歸滑動平均誤差修正(arma)相結(jié)合的工況預(yù)測模型：

由最小二乘支持向量機理論，最優(yōu)回歸估計函數(shù)是在一定約束條件下的最小化泛函，即：

約束條件：

利用拉格朗日乘子法將問題轉(zhuǎn)化到其對偶空間并進行優(yōu)化求解，可得ls-svm回歸估計函數(shù)模型為：

其中，為ls-svm的核函數(shù)，選定核函數(shù)為rbf徑向基核函數(shù)，由此可得：

并利用前車及本車工況數(shù)據(jù)的訓(xùn)練樣本集作為粒子，利用粒子群優(yōu)化算法確定核寬度σ和懲罰參數(shù)c；再利用訓(xùn)練樣本集g對最小二乘支持向量機模型進行訓(xùn)練，確定拉格朗日乘子α和偏置值b，最終得到最小二乘支持向量機回歸模型函數(shù)；

根據(jù)自回歸滑動平均模型理論，可得arma(p，q)模型表達式為

yt＝φ1yt-1+φ2yt-2+…+φpyt-p+εt-γ1εt-1-γ2εt-2-…-γqεt-q

其中，(p，q)為自回歸滑動平均模型的階，φ1,φ2,…,φp,為自回歸參數(shù)，γ1,γ2,…,γq為滑動平均參數(shù)，εt為高斯白噪聲序列；

利用最小二乘支持向量機回歸模型預(yù)測的工況數(shù)據(jù)與實際工況數(shù)據(jù)兩者差值，組成誤差序列樣本，根據(jù)誤差序列樣本自相關(guān)系數(shù)的截尾性和偏自相關(guān)系數(shù)拖尾性，初步確定自回歸滑動平均誤差修正模型階數(shù)(p，q)，再用最小二乘估計法確定模型中的自回歸參數(shù)、滑動平均參數(shù)，最終得到自回歸滑動平均誤差修正模型；

預(yù)測模型精度判斷：將利用ls-svm模型得到的工況預(yù)測值與arma模型得到的誤差修正值ei兩者之和作為預(yù)測調(diào)整值與工況實際值yi進行比較，當(dāng)滿足預(yù)測精度要求時，將預(yù)測調(diào)整值作為最終預(yù)測值；當(dāng)預(yù)測精度不滿足要求，進一步調(diào)整arma模型得到新的誤差修正值ei(k)，進而得到新的預(yù)測調(diào)整值再與工況實際值yi，直到滿足預(yù)測精度要求；

第四步，本車未來工況在線預(yù)測：將實時獲取的劃分時間窗口內(nèi)的前車行駛工況數(shù)據(jù)作為輸入，利用建立的未來工況預(yù)測模型進行工況預(yù)測，得到本車未來工況預(yù)測結(jié)果，再將本車預(yù)測結(jié)果和本車未來工況的實際結(jié)果，輸入殘差計算模型并進行預(yù)測精度判斷，當(dāng)不滿足預(yù)測精度要求時，通過再次建立的arma誤差預(yù)測修正模型，在下一段的工況預(yù)測時，優(yōu)先通過arma誤差修正模型對所得的在線預(yù)測結(jié)果進行誤差修正后，作為下一段工況的預(yù)測結(jié)果；當(dāng)滿足預(yù)測精度要求時，在下一段的工況預(yù)測時不進行誤差修正，直接將當(dāng)前預(yù)測結(jié)果輸出；

經(jīng)過誤差修正模型對在線預(yù)測結(jié)果進行誤差修正后，再進行殘差計算及預(yù)測精度判斷時，以誤差修正后的預(yù)測結(jié)果為基礎(chǔ)進行分析，重復(fù)上述精度判斷后的處理方法。