[发明专利]基于Stacked LSTM神经网络的电动汽车短程车速预测方法

说明书

本发明涉及一种基于Stacked LSTM神经网络的电动汽车短程车速预测方法，其特征在于包括以下步骤：S1、构建加速驾驶意图模糊推理器；S2、构建制动驾驶意图模糊推理器；S3、构建训练集、验证集和测试集；S4、构建用于电动汽车短程车速预测的Stacked LSTM神经网络；S5、用构建好的训练集对所述Stacked LSTM神经网络进行训练；S6、向所述Stacked LSTM神经网络输入实时的电动汽车速度、电动汽车加速踏板开度和加速踏板开度变化率、电动汽车制动踏板开度和制动踏板开度变化率，进行电动汽车短程车速预测，输出电动汽车短程车速序列。有益效果是能够有效提高车速预测精度、缩短预测时间。

【技术领域】

本发明涉及智能交通领域，具体涉及一种基于Stacked LSTM神经网络的电动汽车短程车速预测方法。

【背景技术】

近年来，在经济发达城市，城市交通拥堵问题频繁发生，交通拥堵问题导致汽车的排放、能耗增加。在智能车辆的节能问题研究中，预测性的能量管理成为研究热点，而在预测性的能量管理中，车速预测是研究重点。对于混合动力汽车，通过短程车速预测和挡位序列判断，得到扭矩需求，进而优化电机和发动机的扭矩分配，实现节能减排的目标；对于纯电动汽车，则可以通过短程车速预测，优化电机输出扭矩，进而实现节能的目标。因此，可靠的车速预测，不仅可以达到节能减排的目的，同时也可以为交通出行者提供指导，对于交通资源的分配起着重要作用。车速序列具有高度的非线性和时变性特点，例如《车速的时间序列分析模型》，作者：俞礼军、严宝杰、杨新洲，DOI：10.3321，基于高阶统计量方法，建立连续车流地点车速的时间序列分析模型。

关于车速预测，现有短程车速预测技术中存在预测精度不足的问题，国内外的研究现状如下：

第一，在混合动力系统的能量管理策略应用中，一般使用指数预测和随机预测两种方法。其中，指数预测是指在未来的一段控制时域内，未来车速与当前车速成指数变化关系；指数预测方法计算速度快，但是精度较差。随机预测方法主要使用马尔可夫链模型，对于马尔可夫过程，一种状态的未来变化只与当前时刻的状态有关，而与过去的状态无关；基于马尔可夫模型的车速预测精度相比于指数预测方法有所提高，但是计算时间较长。

第二、基于神经网络的车速预测。现有的预测方法多采用前馈神经网络如BP神经网络和RBF神经网络。而这些前馈神经网络仅根据当前的输入来预测输出，没有考虑速度序列的时序性。相比于深度学习的模型，缺乏足够的特征提取能力。例如《改进RBF神经网络在城市公交车速时间序列预测中的应用》，作者：郭兰平、俞建宁、张建刚，DOI：10.3969，针对城市公交车速在时序上的复杂非线性特征，采用径向基函数(RBF)神经网络对城市公交车速时间序列进行预测。

长短期记忆网络(LSTM，Long Short-Term Memory)是一种时间循环神经网络，是为了解决一般的RNN(循环神经网络)存在的长期依赖问题而专门设计出来的，所有的RNN都具有一种重复神经网络模块的链式形式。栈式LSTM(Stacked LSTM)stack是“使堆叠”的意思，也就是若干个LSTM堆叠组成的网络。

Python是一种计算机程序设计语言。TensorFlow是一个机器学习开源库，用于大型数学计算。Keras是深度学习的高级库。它构建于TensorFlow之上，旨在使开发人员更容易快速轻松地应用深度学习和实验。NumPy系统是Python的一种开源的数值计算扩展。