[发明专利]使用基于V2X数据增强的神经网络实现对联网和自动化车辆的预测性最优控制的车辆速度预测器

说明书

本公开的一些实施方式涉及通过使用标记的特征训练用于车辆速度预测的模型来减少或消除车辆速度预测中的时滞，标记的特征提供与车辆加速或减速事件相关的特征的指示。在一个实施方式中，一种方法包括：接收多个时间系列数据集，时间系列数据集中的每个时间系列数据集包括随时间收集的传感器数据、GPS数据和车辆状态数据；从时间系列数据集中的每个时间系列数据集中提取指示车辆的未来速度的特征；标记时间系列数据集中的每个时间系列数据集的提取特征以指示车辆加速或减速事件；以及在标记时间系列数据集中的每个时间系列数据集的提取特征之后，至少使用提取和标记的时间系列数据集的子集来训练预测到未来某个时间的车辆速度的机器学习模型。

背景技术

智能交通系统(ITS)一直在引领着汽车工业的革命，以使交通网络更安全且更智能地使用。ITS应用涵盖但不限于高级驾驶员辅助系统(ADAS)、车到车(V2V)和车到基础设施(V2I)通信。此类应用旨在得到燃油经济性(FE)、交通状况和安全性的显著改善。ITS应用通常依赖于对未来车辆速度和当地交通状况的预测。例如，车辆速度的预测可以用于优化能量管理策略，以便改善FE并减少排放。而且，对未来车辆速度的预测可以通过预测未来车辆碰撞来帮助避免事故。但是，预测准确度可能高度依赖于所使用的预测方案。

由此，需要开发用于预测车辆速度的准确且鲁棒的方法，以增强机动车辆的燃料经济性、能量效率、驾驶性能和安全性。一般而言，车辆速度预测方法旨在最小化预测速度和实际速度结果之间的平均绝对误差(MAE)和均方根误差(RMSE)，以评估预测算法。

发明内容

本公开的实施方式涉及通过使用标记的特征训练用于车辆速度预测的模型来减少或消除车辆速度预测中的时滞，所述标记的特征提供与车辆加速或减速事件相关联的特征的指示。

在一个实施例中，一种方法包括：接收多个时间系列数据集，该多个时间系列数据集中的每个时间系列数据集包括在车辆行程期间随时间收集的传感器数据、全球定位系统(GPS)数据和车辆状态数据；从该多个时间系列数据集中的每个时间系列数据集中提取指示车辆的未来速度的特征，提取特征包括传感器数据、GPS数据和车辆状态数据；标记该多个时间系列数据集中的每个时间系列数据集的提取特征，以指示车辆加速或减速事件；以及在标记该多个时间系列数据集中的每个时间系列数据集的提取特征以指示车辆加速或减速事件之后，至少使用提取和标记的时间系列数据集的子集来训练预测到未来某个时间的车辆速度的机器学习模型。

在一些实施方式中，标记提取特征包括：创建包括与相应时间对应的多个值的时间系列向量，或者创建包括与相应位置对应的多个值的位置系列向量，其中时间系列向量或位置系列向量的多个值中的每个值指示以下之一：i)存在加速事件；ii)存在减速事件；或者iii)不存在加速或减速事件。在特定实施方式中，标记提取特征包括：创建包括与相应GPS经度和纬度位置对应的多个值的位置系列向量，其中位置系列的多个值中的每个值被归一化为1、0或-1以指示以下之一：存在加速事件；存在减速事件；或者不存在加速或减速事件。在特定实施方式中，标记提取特征包括：创建包括与相应时间对应的多个值的时间系列向量。

在实施方式中，标记多个时间系列数据集中的每个时间系列数据集的提取特征以指示车辆加速或减速事件包括：标记提取特征以指示以下事件中的一个或多个：车辆开始其驾驶、车辆结束其驾驶、停车标志、交通信号灯、街道拐角、高速公路拐角以及具有特定曲率半径的道路。