汽车行驶车速预测方法、装置、电子设备以及存储介质

1.本技术涉及汽车实时工况预测技术领域，尤其涉及一种汽车行驶车速预测方法、装置、电子设备以及存储介质。


背景技术：

2.随着我国汽车保有量的不断增加，能源问题及汽车尾气排放问题日益严重，汽车行业急需向节能减排方向转变。混合动力汽车凭借优越的节油性能近年来得到广泛的推广，其燃油经济性水平决定在新能源汽车中的重要地位，采用优化的控制策略来提升燃油经济性成为关键。目前各种优化算法应用到混合动力汽车的整车控制当中，其中模型预测控制(mpc)作为控制算法中非常有前途的控制技术，在混合动力汽车控制中得到了很好的应用，其预测模型的精度对控制的效果有很大的影响，预测模型的精度越高控制效果也更好。在预测时域上的需求功率变化是很大的，因此有必要对需求功率进行预测，而需求功率可以由速度计算得到，然而，现有技术中无法实现在复杂多变的实时工况下提高混合动力汽车行驶过程中能量管理控制策略的自适应性和准确性。


技术实现要素：

3.有鉴于此，针对现有技术中无法实现在复杂多变的实时工况下提高混合动力汽车行驶过程中能量管理控制策略的自适应性和准确性的缺陷，本发明提供一种汽车行驶车速预测方法、装置、电子设备以及存储介质。
4.第一方面，本发明提供了一种汽车行驶车速预测方法，包括如下步骤，
5.s01、捕捉预设期间内的车速数据，并根据模糊隶属度模型以及车速数据对自回归模型进行训练分类，从而得到不同加速状态对应自回归模型；
6.s02、采集不同时刻对应加速度测量值，对加速度测量值通过模糊隶属度模型进行分类，并将所述分类后的加速度测量值映射到马尔科夫链模型，通过所述马尔科夫链模型对汽车未来的加速状态进行预测；
7.s03、根据预测获得的所述汽车未来加速状态以及所述汽车未来加速状态对应自回归模型对汽车未来行驶车速进行预测。
8.在本发明所述的混合动力汽车行驶车速预测方法中，
9.所述步骤s01中不同加速状态包括急加速、加速、巡航、减速、急减速状态。
10.在本发明所述的混合动力汽车行驶车速预测方法中，
11.所述模糊隶属度模型为基于模糊c-均值聚类方法的模糊隶属度模型。
12.在本发明所述的混合动力汽车行驶车速预测方法中，
13.所述步骤s02中采集不同时刻对应加速度测量值，对加速度测量值通过模糊隶属度模型进行分类包括：
14.采集不同时刻对应加速度测量值，所述加速度测量值数量为n个，加速度测量值维度为d；
15.将n个d维加速度测量值通过模糊隶属度模型分为c类。
16.在本发明所述的混合动力汽车行驶车速预测方法中，
17.所述将n个d维加速度测量值通过模糊隶属度模型分为c类包括：
18.s11、选择一个常数ε》0，初始化加速度测量值对应自回归模型种类的聚类中心，置迭代次数为t；
19.s12、通过第一公式确定模糊隶属度模型的隶属度矩阵；
20.s13、通过第二公式计算模糊隶属度模型的目标函数值，判断目标函数值是否小于第一预设阈值，或者目标函数值相对于上次目标函数值的改变量的绝对值是否小于常数ε，在目标函数值小于第一预设阈值或目标函数值相对于上次目标函数值的改变量的绝对值小于常数ε时，完成加速度测量值的分类；否则跳转到步骤s4；
21.s14、置t＝t 1，根据第三公式修正加速度测量值对应自回归模型种类的聚类中心，返回执行步骤s2。
22.在本发明所述的混合动力汽车行驶车速预测方法中，
23.所述步骤s02中所述分类后的加速度测量值映射到马尔科夫链模型，通过所述马尔科夫链模型对汽车未来的加速状态进行预测包括：
24.s21、定义一包含所有加速测量值的离散全局域集；
25.s22、将汽车当前加速度值转换为模糊状态分布矩阵，并通过第四公式计算预测离散全局域集中每一个加速测量对应预测概率分布；
26.s23、通过第五公式将预测概率分布转换为马尔科夫链模型中的马尔科夫状态隶属度，通过马尔科夫状态隶属度对汽车未来的加速状态进行预测。
27.在本发明所述的混合动力汽车行驶车速预测方法中，
28.所述步骤s03中根据预测获得的所述汽车未来加速状态以及所述汽车未来加速状态对应自回归模型对汽车未来行驶车速进行预测包括：
29.s31、通过当前汽车未来加速状态对应自回归模型对应的模糊状态隶属度与马尔科夫状态隶属度的匹配程度确定用于速度预测的自回归模型，通过确定的自回归模型对汽车速度进行预测；
30.s32、在进行下一个速度区域的速度预测时时，切换对应汽车未来加速状态对应自回归模型对应的模糊状态隶属度，并更新马尔科夫概率转移矩阵，重新确定用于速度预测的自回归模型，通过重新确定的自回归模型对汽车速度进行预测，直至完成离散全局域集中所有加速测量值对应汽车速度预测。
31.第二方面，本发明还提供一种汽车行驶车速预测装置，包括如下模块，
32.状态分类模块，用于捕捉预设期间内的车速数据，并根据模糊隶属度模型以及车速数据对自回归模型进行训练分类，从而得到不同加速状态对应自回归模型；
33.状态预测模块，用于采集不同时刻对应加速度测量值，对加速度测量值通过模糊隶属度模型进行分类，并将所述分类后的加速度测量值映射到马尔科夫链模型，通过所述马尔科夫链模型对汽车未来的加速状态进行预测；
34.车速预测模块，用于根据预测获得的所述汽车未来加速状态以及所述汽车未来加速状态对应自回归模型对汽车未来行驶车速进行预测。
35.第三方面，本发明还提供一种电子设备，包括存储器、处理器及存储在存储器上并
可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述任一所述的方法步骤。
36.第四方面，本发明还提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如上述任一所述的方法步骤。
37.本发明的有益效果：
38.本发明的汽车行驶车速预测方法、装置、电子设备以及存储介质相对于现有技术具有如下优点：能够针对不同类型的工况采用模糊隶属度模型、马尔科夫链模型与自回归模型相结合的方法对汽车在未来一段时间内的行驶车速做出预测，在复杂多变的实时工况下能够提高汽车能量管理策略控制的自适应性和准确性，以及提高控制策略在汽车行驶时发挥的性能。
附图说明
39.为了更清楚地说明本技术实施例技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
40.图1为本发明实施例提供的汽车行驶车速预测方法的流程图；
41.图2为本发明实施例提供的车速预测原理示意图；
42.图3为本发明实施例提供的不同速度范围的隶属度函数中心值示意图；
43.图4a为本发明实施例提供的急加速状态下的概率转移矩阵图；
44.图4b为本发明实施例提供的加速状态下的概率转移矩阵图；
45.图4c为本发明实施例提供的巡航状态下的概率转移矩阵图；
46.图4d为本发明实施例提供的减速状态下的概率转移矩阵图；
47.图4e为本发明实施例提供的急减速状态下的概率转移矩阵图；
48.图5为本发明另一实施例提供的汽车行驶车速预测装置结构示意图；
49.图6为本发明另一实施例提供的电子结构设备示意图。
具体实施方式
50.这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本说明书相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本说明书的一些方面相一致的装置和方法的例子。
51.在本说明书使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本说明书。在本说明书和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义。还应当理解，本文中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。
52.应当理解，尽管在本说明书可能采用术语第一、第二、第三等来描述各种信息，但这些信息不应限于这些术语。这些术语仅用来将同一类型的信息彼此区分开。例如，在不脱离本说明书范围的情况下，第一信息也可以被称为第二信息，类似地，第二信息也可以被称为第一信息。取决于语境，如在此所使用的词语“如果”可以被解释成为“在
……
时”或“当
……
时”或“响应于确定”。
53.下面将结合本技术实施例中的附图，对本技术实施例中的技术方案进行清楚、完整地描述。
54.实施例1
55.第一方面，如图1-2所示，本发明实施例提供了一种汽车行驶车速预测方法，包括如下步骤，
56.s01、捕捉预设期间内的车速数据，并根据模糊隶属度模型以及车速数据对自回归模型进行训练分类，从而得到不同加速状态对应自回归模型。
57.可选地，不同加速状态包括汽车行驶过程中急加速、加速、巡航、减速、急减速状态。
58.可选地，自回归(ar)模型可以为p阶自回归模型，其计算公式如下：
[0059][0060]
式中，θi为自回归系数，i、k为序列阶数，p为自回归模型的滞后阶数，εk为噪声序列，v(k)为每个采样时间的车速，自回归模型的系数θi通过捕捉的车速数据估计得到，随着车速测量值的更新，自回归模型所需的车速数据也随之更新；每一组系数θi......θ
p
均表示车速在预设期间内的动态变化情况，通过计算自回归模型的系数预测车速。
[0061]
对于自回归模型来说，其变量个数的选择对预测精度影响极大，主要通过赤池信息量(aic)来判断。在测试过程中，采用3000s车速样本分别用一至四阶自回归模型预测7-10s车速，最终结果表明在aic准则下二阶自回归模型效果最好，本实施例也可以采用二阶自回归模型模型。计算得到的不同状态ar模型各参数表如附图3所示。
[0062]
可选地，本实施例中的所述模糊隶属度模型可以为基于模糊c-均值聚类方法的模糊隶属度模型。
[0063]
s02、采集不同时刻对应加速度测量值，对加速度测量值通过模糊隶属度模型进行分类，并将所述分类后的加速度测量值映射到马尔科夫链模型，通过所述马尔科夫链模型对汽车未来的加速状态进行预测。
[0064]
在本发明所述的混合动力汽车行驶车速预测方法中，
[0065]
所述步骤s02中采集不同时刻对应加速度测量值，对加速度测量值通过模糊隶属度模型进行分类包括：
[0066]
采集不同时刻对应加速度测量值，所述加速度测量值数量为n个，加速度测量值维度为d；
[0067]
将n个d维加速度测量值通过模糊隶属度模型分为c类。
[0068]
可选地，在一个更为具体的实施例中，通过基于模糊c-均值聚类fcm方法对自回归模型进行分类，fcm方法把n个d维加速度测量值样本xi分为c类，其中i＝1，2，...，n，每类具有相同标签，不同类的标签不相同，聚类中心集为{c1，c2...，cj}，基于模糊c-均值聚类方法的模糊隶属度模型通过如下三个公式实现。
[0069]
[0070][0071][0072]
其中：u为隶属度矩阵，μ
ij
表示样本xi属于类j的程度，参数m为加权模糊指示，反映控制隶属度在各类之间共享的程度。n、n、m为上述数学公式中最大值，从范围为从1-n，1-n，1-m。
[0073]
在选取m＝2时，所述将n个d维加速度测量值通过模糊隶属度模型分为c类包括如下步骤：
[0074]
s11、选择一个常数ε》0，初始化加速度测量值对应自回归模型种类的聚类中心cj，其中j＝1,2,...c，置迭代次数为t；首先是根据已有数据确定聚类中心，然后根据每次测量值根据其隶属度函数确定属于哪一加速度类别，c泛指每一个聚类中心值。
[0075]
s12、通过第一公式确定模糊隶属度模型的隶属度矩阵u。
[0076]
s13、通过第二公式计算模糊隶属度模型的目标函数值，判断目标函数值是否小于第一预设阈值，或者目标函数值相对于上次目标函数值的改变量的绝对值是否小于常数ε，即|j
(t 1)-j
(t)
|《ε，在目标函数值小于第一预设阈值或目标函数值相对于上次目标函数值的改变量的绝对值小于常数ε时，完成加速度测量值的分类；否则跳转到步骤s4。
[0077]
s14、置t＝t 1，根据第三公式修正加速度测量值对应自回归模型种类的聚类中心c
(t)
，返回执行步骤s2。
[0078]
进一步地，反应隶属度所采用的隶属度函数如下：
[0079][0080]ai
(x)＝exp(-ki(x-ci)2)，i∈{2,3,4}，此处分的五类加速度，其中2/3/4类用本公式进行计算得到。
[0081][0082]
其中x为加速度元素，ai(x)为对应状态的隶属度；ki用于控制隶属度函数的宽度，ci为各个状态的隶属度函数的中心值；不同速度范围的隶属度函数中心值如图3所示。
[0083]
在一种优选的实施例中，所述步骤s02中所述分类后的加速度测量值映射到马尔科夫链模型，通过所述马尔科夫链模型对汽车未来的加速状态进行预测包括：
[0084]
s21、定义一包含所有加速测量值的离散全局域集。
[0085]
可选地，一种更为具体的实施方式如下，定义一个包含n个元素的离散全局域集x，全局域集x涵盖所有加速测量值，定义一个1*14的行向量：x＝[-1.2-1.0...1.21.4]。
[0086]
s22、将汽车当前加速度值转换为模糊状态分布矩阵，并通过第四公式计算预测离散全局域集中每一个加速测量对应预测概率分布。
[0087]
可选地，将当前加速度值xk转换为模糊状态分布矩阵计算方法如下：
[0088]
[0089][0090]
f0(k)＝f0(k-1) φ(τ(k)γ(k)
t15
×
1-f0(k-1))
[0091]
f(k)＝f(k-1) φ(τ(k)γ(k)
t15
×
1-f(k-1))
[0092]
π(k)＝diag(f0(k))-1
f(k)
[0093]
其中π是状态概率转移矩阵，τ(k)和γ(k)分别为步骤s21和本步骤的5个加速度状态的隶属度，矩阵f包含了转移频率，初始值为预设大小的正值，矩阵f0表示每个状态下的总转移频率，φ为遗忘因子，用于淡化旧数据(即旧的加速度xk)的影响。预测在每一步的分布
[0094]
s23、通过第五公式将预测概率分布转换为马尔科夫链模型中的马尔科夫状态隶属度通过马尔科夫状态隶属度对汽车未来的加速状态进行预测。
[0095]
第五公式如下：
[0096]
对于超越边界的离散度量，其值被定义为最接近的终端状态隶属度值，隶属度向量为或者根据以上步骤计算得到未来所处的状态，然后利用对应状态的ar模型对车速进行预测。在整个车速预测的过程中，只有s22中每一个加速测量被重复计算，并且其计算量相对较低。
[0097]
s03、根据预测获得的所述汽车未来加速状态以及所述汽车未来加速状态对应自回归模型对汽车未来行驶车速进行预测。
[0098]
本实施例的原理如下：为了捕获驾驶状态的瞬态变化，利用加速度状态隶属度数据对马尔科夫链模型进行速度编码，选取k
1,5
＝3，k
2,4
＝9，k3＝15，对于步长k处的加速度进行测量，通过以下公式计算出模糊马尔可夫状态隶属度
[0099][0100]
在实际驾驶过程中，车辆状态的变化是根据外部环境信息和驾驶员的意图而变化的，其变化规律是未知的，因此车速状态额变化是一个随机的过程。在外来的驾驶时刻，车辆的状态可以看做是与当前车速和加速度有关，与历史信息无关，因此状态变化的过程可以看做是一个马尔可夫过程。
[0101]
在本发明所述的混合动力汽车行驶车速预测方法中，
[0102]
所述步骤s03中根据预测获得的所述汽车未来加速状态以及所述汽车未来加速状态对应自回归模型对汽车未来行驶车速进行预测包括：
[0103]
s31、通过当前汽车未来加速状态对应自回归模型对应的模糊状态隶属度与马尔科夫状态隶属度的匹配程度确定用于速度预测的自回归模型，通过确定的自回归。
[0104]
由于在分类过程中，每个经过历史训练的自回归ar模型都被分配了一个模糊状态隶属度βi，因此，搜索与状态隶属度预测具有最高隶属度相似性的自回归ar模型。通过选定的自回归ar模型计算出确定性的速度预测。
[0105][0106]
模型对汽车速度进行预测。
[0107]
s32、在进行下一个速度区域的速度预测时时，切换对应汽车未来加速状态对应自回归模型对应的模糊状态隶属度a，并更新马尔科夫概率转移矩阵π，重新确定用于速度预测的自回归模型，通过重新确定的自回归模型对汽车速度进行预测，直至完成离散全局域集中所有加速测量值对应汽车速度预测。
[0108]
在每次预测速度达到下一个速度区域时，通过切换马尔科夫概率转移矩阵π和状态隶属度矩阵a，再切换步骤更新概率分布χ，然后转到步骤s21对离散全局域集中所有加速测量值对应汽车速度预测。不同加速度状态下的概率转移矩阵如图4a-4e所示。
[0109]
本发明实施例的有益效果如下：能够针对不同类型的工况采用模糊隶属度模型、马尔科夫链模型与自回归模型相结合的方法对汽车在未来一段时间内的行驶车速做出预测，在复杂多变的实时工况下能够提高汽车能量管理策略控制的自适应性和准确性，以及提高控制策略在汽车行驶时发挥的性能。
[0110]
实施例2
[0111]
第二方面，如图5所示，本发明实施例还提供一种汽车行驶车速预测装置，包括如下模块，
[0112]
状态分类模块10，用于捕捉预设期间内的车速数据，并根据模糊隶属度模型以及车速数据对自回归模型进行训练分类，从而得到不同加速状态对应自回归模型。
[0113]
状态预测模块20，用于采集不同时刻对应加速度测量值，对加速度测量值通过模糊隶属度模型进行分类，并将所述分类后的加速度测量值映射到马尔科夫链模型，通过所述马尔科夫链模型对汽车未来的加速状态进行预测。
[0114]
车速预测模块30，用于根据预测获得的所述汽车未来加速状态以及所述汽车未来加速状态对应自回归模型对汽车未来行驶车速进行预测。
[0115]
实施例3
[0116]
第三方面，如图6所示，基于相同的发明构思，本技术实施例3提供一种电子设备，如附图6所示，包括存储器304、处理器302及存储在存储器304上并可在处理器302上运行的计算机程序，所述处理器302执行所述程序时实现上述一种方法的步骤。
[0117]
其中，在图6中，总线架构(用总线300来代表)，总线300可以包括任意数量的互联的总线和桥，总线300将包括由处理器302代表的一个或多个处理器和存储器304代表的存储器的各种电路链接在一起。总线300还可以将诸如外围设备、稳压器和功率管理电路等之类的各种其他电路链接在一起，这些都是本领域所公知的，因此，本文不再对其进行进一步描述。总线接口306在总线300和接收器301和发送器303之间提供接口。接收器301和发送器303可以是同一个元件，即收发机，提供用于在传输介质上与各种其他装置通信的单元。处理器302负责管理总线300和通常的处理，而存储器304可以被用于存储处理器302在执行操作时所使用的数据。
[0118]
实施例4
[0119]
第四方面，本实施例还提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如上述任一所述的方法步骤。
[0120]
实施例2-4的发明构思与实施例1相同，其有益效果在此处不再赘述。
[0121]
在此提供的算法和显示不与任何特定计算机、虚拟系统或者其它设备固有相关。各种通用系统也可以与基于在此的示教一起使用。根据上面的描述，构造这类系统所要求的结构是显而易见的。此外，本发明也不针对任何特定编程语言。应当明白，可以利用各种编程语言实现在此描述的本发明的内容，并且上面对特定语言所做的描述是为了披露本发明的最佳实施方式。
[0122]
此外，本领域的技术人员能够理解，尽管在此的一些实施例包括其它实施例中所包括的某些特征而不是其它特征，但是不同实施例的特征的组合意味着处于本发明的范围之内并且形成不同的实施例。例如，在下面的权利要求书中，所要求保护的实施例的任意之一都可以以任意的组合方式来使用。
[0123]
本发明的各个部件实施例可以以硬件实现，或者以在一个或者多个处理器上运行的软件模块实现，或者以它们的组合实现。本领域的技术人员应当理解，可以在实践中使用微处理器或者数字信号处理器(dsp)来实现根据本发明实施例的铝基板的热仿真装置、电子设备中的一些或者全部部件的一些或者全部功能。本发明还可以实现为用于执行这里所描述的方法的一部分或者全部的设备或者装置程序(例如，计算机程序和计算机程序产品)。这样的实现本发明的程序可以存储在计算机可读介质上，或者可以具有一个或者多个信号的形式。这样的信号可以从因特网下载得到，或者在载体信号上提供，或者以任何其他形式提供。
[0124]
以上所述的仅是本技术的实施例，应当指出，对于本领域的技术人员来说，在不脱离本技术结构的前提下，还可以作出若干变形和改进，这些也应该视为本技术的保护范围，这些都不会影响本技术实施的效果和专利的实用性。本技术要求的保护范围应当以其权利要求的内容为准，说明书中的具体实施方式等记载可以用于解释权利要求的内容。