[发明专利]基于时空学习的马尔科夫链微行程间隔时长预测方法

说明书

技术领域

本发明涉及一种基于时空局部学习的怠速预测方法，尤其涉及数据挖掘在时间和空间相关的局部空间学习数据的分布规律，预测微行程时间间隔长度。

背景技术

车辆的行驶工况是由一系列微行程及两个微行程间隔的怠速工况组成，其中微行程是指从车速为0开始到再次车速为0结束的一个车辆运动的时间速度序列。为了满足车辆燃油经济性的要求，近年来生产的大部分汽车都配备了自动起停系统，能够在车辆因红灯、拥堵等情况静止时，发动机处于怠速工况时自动关闭发动机减少不必要的燃油消耗。但在实际的交通环境下，两个微型程间的时间间隔较短即车辆可能处于怠速工况的时间较短，使得目前的自动起停系统起动一次发动机的燃油消耗多于怠速的燃油消耗，并不能达到预期的节约燃油消耗的效果，而且频繁起动和停止发动机也大大影响了驾驶的舒适性。如一台排量1,489mL、直列4缸16气门的发动机，怠速油耗是0.18mL/s，试验表明该发动机热起动一次的油耗为1.2mL，怠速时间6.7s以上才能节约燃油消耗。因此，如果能够准确地预测微行程的间隔时间则能够更好地控制起停系统，减少无效起停的次数，节约燃油消耗并提升驾驶舒适性。由于目前国内现有的车辆以家用为主，主要用于上下班出行，行驶的路线相对固定，受到固定路线和驾驶习惯的影响车辆的行驶工况也较相似，因此本发明使用大量城市行驶工况数据构建历史工况数据库用于模型学习，并根据驾驶员的实际驾驶工况通过自学习不断更新历史数据库，使得模型能够更准确地预测当前行驶工况。

发明内容

为了能够更好地控制起停系统，本发明提出了基于时空学习的马尔科夫链微行程时间间隔预测方法，使用时间和空间上相关性较高的数据训练转移矩阵，预测下一次怠速工况可能的持续时间长度。

本发明之方法如下：

包括有工况数据采集模块、怠速时长预测模块和有效速度时间序列确定模块；

工况数据采集模块采集大量速度工况数据作为训练样本和实时地采集车辆的速度工况数据，有效速度时间序列确定，对采集的工况数据进行分析判断数据的有效性和可靠性，去除噪音数据；

怠速时长预测模块根据时间信息和空间信息确定与实时采集数据相关度更高的训练数据子集，并使用该子集合学习并转移矩阵，并使用该转移矩阵预测怠速时长类别。

所述的工况数据采集模块在车辆行驶的过程中实时采集车辆速度时间序列和经纬度信息作为训练数据。

所述的有效速度时间序列确定模块通过中值滤波方法去除采集的速度数据和经纬度数据中由于设备波动等原因出现的数据噪音，并根据速度数据的相关性确定最适合的有效速度时间序列的长度。

进一步的，所述的怠速时长预测模块首先根据时间和空间信息确定当前实时采集数据在训练数据集合中的相关数据子集，根据数据子集合中子集的数据确定状态空间并计算一步转移概率矩阵，并根据该概率矩阵预测未来N步的状态，并根据预测得到的未来N步的状态判断下一次怠速工况可能的持续时间。所述的空间信息包括经纬度信息。

本发明的有益效果：

本发明使用时间和空间上相关性较高的数据训练转移矩阵，能预测下一次怠速工况可能的持续时间长度。

附图说明

图1是本发明中系统流程图。

图2是示本发明中不同时间间隔的速度数据相关性分析图。

图3是本发明中训练数据的VA分布图。

图4是本发明中预测结果图。

具体实施方式

参见图1，本发明包括以下步骤：

首先，采集大量车辆行驶工况数据构建历史工况数据库并作为模型的训练数据，对数据进行预处理，去除噪音数据，确定有效速度时间序列。在本发明中，有效速度时间序列是指怠速工况前的速度时间序列，而速度时间序列长度的确定是根据大量历史数据的相关性确定。