基于Markov模型优化和工况识别的车速预测方法与流程

技术特征：
1.基于markov模型优化和工况识别的车速预测方法，其特征在于，包括以下步骤：步骤1)，建立基于标准法规工况的基础markov车速预测模型；所述标准法规工况包含高速工况、城郊工况、城市畅通工况和城市拥堵工况四种工况；所述基础markov车速预测模型采用单阶多步车速预测模型，用于描述车辆在当前的加速度与车速状态下每个预测时刻车辆的加速度状态转移概率分布，包含加速度序列a
s0
、速度序列v
s0
、以及大小为l
a
*l
a
*l
v
*l
p
的概率矩阵，其中，a
s0
为长度为l
a
的a
min
到a
max
的等间距序列，v
s0
为长度为l
v
的0到v
max
的等间距序列，l
a
为离散加速度状态数，l
v
为离散速度状态数，l
p
为预测步长，a
min
为预设的最小加速度阈值，a
max
为预设的最大加速度阈值，v
max
为预设的最大速度阈值；步骤2)，分别在四种工况下借助模拟退火算法对基础markov车速预测模型的加速度序列和速度序列进行优化，得到四种工况对应的优化markov车速预测模型；步骤3)，建立基于支持向量机的工况识别模型，用于识别高速工况、城郊工况、城市畅通工况和城市拥堵工况，其输入为给定时间长度t
s
内的平均车速、最大加速度、最小加速度和停车时间比，输出为工况类别；步骤4)，基于工况识别模型对当前车辆的工况进行识别，并根据识别出的工况采用对应的优化markov车速预测模型进行车速预测。2.根据权利要求1所述的基于markov模型优化和工况识别的车速预测方法，其特征在于，步骤1)中基础markov车速预测模型的训练过程如下：步骤1.1)，设置大小为l
a
*l
a
*l
v
*l
p
的频数矩阵t并将其零初始化，设置k＝1；步骤1.2)，令过程预测步长q＝1；步骤1.3)，获取标准法规工况的速度v(k)、加速度a(k)和a(k q)，采用最邻近法则得到v(k)在速度序列中对应的离散值v
n
、a(k)在加速度序列中对应的离散值a
j
、a(k q)在加速度序列中对应的离散值a
i
，n为离散值v
n
在速度序列中的位置编号、j为离散值a
j
在加速度序列中的位置编号、i为离散值a
i
在加速度序列中的位置编号，依据位置编号n、j、i、q对频数矩阵t的相应位置累积加1，即t(i，j，n，q)累积加1，i，j∈{1，2，3，...，la}，n∈{1，2，3，...，l
v
}；步骤1.4)，更新q＝q 1，比较q和l
p
之间的大小，如果q≤l
p
，跳转执行步骤1.3)；步骤1.5)，更新k＝k 1，并比较k和l
‑
l
p
之间的大小，l为标准法规工况的长度，如果k≤l
‑
l
p
，跳转执行步骤1.2)；步骤1.6)，依据频数矩阵完成概率矩阵，表示如下：3.根据权利要求2所述的基于markov模型优化和工况识别的车速预测方法，其特征在于，步骤1)中所述基础markov车速预测模型的预测过程如下：步骤1.a)，获取当前状态的车速v(t)与加速度a(t)，t是车辆的真实运行时间，采用最邻近法则得到v(t)在速度序列中对应的离散值v
n1
、a(t)在加速度序列中对应的离散值a
j1
；n1和为离散值v
n1
在速度序列中的位置编号、j1为离散值a
j1
在加速度序列中的位置编号，令q＝1；
步骤1.b)，将概率矩阵p(：，j1，n1，q)中最大值所在位置记为l1，则q步车速预测值为：v(t q)＝v(t q
‑
1) a
s0
(l1)*3.6步骤1.c)，更新q＝q 1，比较q和l
p
之间的大小，如果q≤l
p
，跳转执行步骤1.b)，否则所述基础markov车速预测模型的预测过程结束。4.根据权利要求3所述的基于markov模型优化和工况识别的车速预测方法，其特征在于，所述步骤2)包含以下具体步骤：对于四种工况中的每一种工况：步骤2.1)，以加速度序列a
s
和速度序列v
s
中的具体数值为优化变量、以预测误差为优化目标，将优化变量记为x＝[a
s
，v
s
]，优化目标e表示如下：其中，是所有预测时刻的均方根误差的均值，是所有预测时刻的平均绝对误差的均值，为预测的车速，v
t
为真实的车速；步骤2.2)，采用模拟退火算法对优化变量进行优化，模拟退火算法能以一定的概率接受比当前解更差的解，具有跳出局部最优陷阱的能力：步骤2.2.1)，设定初始温度t
saa
，初始优化变量x
old
为步骤1)中的加速度与速度序列，令q＝0；步骤2.2.2)，产生新优化变量x
new
，将当前优化变量x
old
与新优化变量x
new
带入markov车速预测模型，求解得到对应的优化目标值e
old
和e
new
，并计算新优化变量的可接受概率p
saa
：步骤2.2.3)，当e
new
≥e
old
时，产生一个随机数ε∈(0，1)，当ε＞p
saa
时，优化目标值增加的新状态不被接受，执行步骤2.2.5)，否则，接受新状态，执行步骤2.2.4)；步骤2.2.4)，更新x
old
＝x
new
、t
saa
＝α*t
saa
、q＝0，然后跳转执行步骤2.2.2)，其中，α为温度参数衰减系数，α∈[0，1]；步骤2.2.5)，更新q＝q 1，判断q是否大于预设的阈值n，如果q小于n，跳转执行步骤2.2.2)，如果q大于等于n，优化结束，将此时的markov车速预测模型记录为工况对应的优化markov车速预测模型。5.根据权利要求4所述的基于markov模型优化和工况识别的车速预测方法，其特征在于，步骤3)中的工况识别模型借助matlab的classification learner工具箱进行训练，其中训练数据的生成步骤如下：对于四种工况中的每一种工况：步骤3.1)，预先设定样本量为k，i＝1，l为工况的长度；步骤3.2)，随机产生起始点n0，满足n0 t
s
＜l；步骤3.3)，i≤k，则记录为该工况的样本s
i
，否则，执行步
骤3.5)；步骤3.4)，更新n0＝n0 t
s
，i＝i 1，比较n0 t
s
和l之间的大小，如果n0 t
s
＜l，跳转执行3.3)，否则跳转执行步骤3.2)；步骤3.5)，针对记录的样本进行特征参数提取，所述特征参数包含平均车速、最大加速度、最小加速度和停车时间比，再根据预先设定的工况类别代号对样本进行工况标记；步骤3.6)，将特征参数及工况类别组合作为该工况的训练数据。6.根据权利要求5所述的基于markov模型优化和工况识别的车速预测方法，其特征在于，所述步骤4)具体包含以下步骤：步骤4.1)，当车辆实际运行时间t＜t
s
时，采用预设的默认工况，并调用预设默认工况对应的优化markov车速预测模块进行车速预测；步骤4.2)，当t≥t
s
时，按照预设的间隔时间阈值t
up
对[t
‑
t
s
，t
‑
1]的工况进行特征参数提取并输入工况识别模型，并依据工况识别模型识别的工况调用对应的优化markov车速预测模块进行车速预测。7.根据权利要求6所述的基于markov模型优化和工况识别的车速预测方法，其特征在于，步骤4.1)中预设的默认工况为城市畅通工况。

技术总结
本发明公开了一种基于Markov模型优化和工况识别的车速预测方法，首先建立基于标准法规工况的基础Markov车速预测模型；然后分别在四种工况下借助模拟退火算法对基础Markov车速预测模型的加速度序列和速度序列进行优化，得到四种工况对应的优化Markov车速预测模型；接着，建立基于支持向量机的工况识别模型；最后，基于工况识别模型对当前车辆的工况进行识别，并根据识别出的工况采用对应的优化Markov车速预测模型进行车速预测。本发明能够根据工况在线识别的结果调用对应的Markov车速预测模型，提高车速预测的精度。提高车速预测的精度。提高车速预测的精度。


技术研发人员：王蓉 提艳 宋廷伦 苏洋 石先让 戴振泳
受保护的技术使用者：南京航空航天大学
技术研发日：2021.07.30
技术公布日：2021/10/23