[发明专利]大数据驱动的分布式驱动电动汽车车速预测方法及系统

说明书

本发明涉及一种大数据驱动的分布式驱动电动汽车车速预测方法及系统，通过构建基于马尔科夫链的初始状态空间，根据实时工况数据对初始状态空间进行重构，得到重构状态空间；基于临近代替法，在样本工况数据中的离散采样点的集合中确定与当前的实时工况数据的离散采样点距离最近的采样点，并根据替代采样点所处的状态替换当前的实时工况数据的状态，得到替换状态空间；基于最大似然估计法，根据替换状态空间得到状态转移概率矩阵；最后对预测时域内的车辆未来车速进行预测，得到未来车速状态。本发明实现了样本空间实时更新和系统状态在线替换，有效地解决了由于样本工况状态缺失导致的预测中断问题，提高了车速预测精度和实时性。

技术领域

本发明涉及车速预测技术领域，特别是涉及一种大数据驱动的分布式驱动电动汽车车速预测方法及系统。

背景技术

车速预测是指对车辆未来一段时间的车速轨迹序列进行估计推理。随着科技的发展，基于车速预测的电动汽车预测能量管理已成为学术界研究的热点，根据预测车速信息对车辆的动力输出进行优化管理，进而降低车辆在实际运行中的耗电量。目前，车速预测的方法总体上可划分成基于模型的方法和基于数据的方法两种。基于模型的方法主要包括宏观模型、微观模型及汽车动力学模型，该方法计算较复杂并且需要大量校核，因此应用较少。基于数据模型的方法主要包括神经网络、卡尔曼滤波及马尔科夫模型等。基于数据模型方法是通过历史车速数据、当前车速数据的统计构建预测模型，不需要明确的交通模型，但是存在着由于样本工况的缺失而无法进项预测的情况。

现有技术中提供了一种基于驾驶数据的多模态车速预测方法，首先收集标准工况数据，提取驾驶模态，为确定当前驾驶环境下车速模态的组成，需要利用标准工况的数据进行分类器的训练以用于实时的工况识别；然后对驾驶数据进行采集及预处理，接着利用采集处理后的数据进行实时道路工况的识别并确定车速预测模型的基本模态组成，同时利用采集的驾驶数据对模型的参数进行更新，最后利用在线更新的车速预测模型进行预测。本发明能够根据驾驶环境和驾驶员特性的差异实时预测车速，在保证预测精度的前提下增加预测时长，从而提高汽车系统的安全性能；对于混合动力汽车和电动汽车，能够提高制动时的能量回收效率。其方法框架如图1所示。该方案采用的数据为标准工况的数据，并做了相应的模态分析，但实际车辆行驶时的数据与标准工况数据相比有着差异，使用标准工况难以实现较高的车速预测精度。

现有技术中还提供了一种基于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。其框架图如图2所示。该方案基于标准法规工况的基础Markov车速预测模型，利用模拟退火算法进行模型优化并使用支持向量机进行工况识别，但是由于采用的仍是标准工况下的数据，其与真实工况有着一定的差异，因此难以精确的预测车速，且未考虑样本工况缺失时的情况。

发明内容

为了克服现有技术的不足，本发明的目的是提供一种大数据驱动的分布式驱动电动汽车车速预测方法及系统。

为实现上述目的，本发明提供了如下方案：

一种大数据驱动的分布式驱动电动汽车车速预测方法，包括：

根据车辆的样本工况数据构建基于马尔科夫链的初始状态空间；

获取车辆的实时工况数据，并根据所述实时工况数据对所述初始状态空间进行重构，得到重构状态空间；

基于临近代替法，在所述样本工况数据中的离散采样点的集合中确定与当前的所述实时工况数据的离散采样点距离最近的采样点，记为替代采样点，并根据所述替代采样点所处的状态替换当前的所述实时工况数据的状态，得到替换状态空间；