[发明专利]基于随机预测与机器学习的车辆行驶工况在线识别方法

说明书

本发明属于车辆行驶工况识别技术领域，提供了一种基于随机预测与机器学习的车辆行驶工况在线识别方法。解决了现有工况识别方法伴有较大的时间延迟，不利于整车控制系统实时控制的不足。短期行驶工况预测模型同时读取数据预处理模块输出的实时车速和驾驶风格识别模型输出的实时驾驶风格类型，并输出当前时间点之后一段时间内的预测车速序列；工况数据合成模块将实时更新的历史车速序列与预测车速序列进行拼接，构建包含未来工况变化趋势的组合工况数据；实时行驶工况识别模型读取工况数据合成模块输出的组合工况数据的特征参数。本发明以历史车速序列与预测车速序列的组合数据作为识别对象，在保证识别精度的同时提高识别结果的实时性。

技术领域

本发明属于车辆行驶工况识别技术领域，具体涉及一种基于随机预测与机器学习的车辆行驶工况在线识别方法。

背景技术

行驶工况识别是利用特征提取和分类技术来识别行驶工况的类型，主要的识别算法有神经网络、支持向量机、模糊分类和聚类分析等。

对于传统车辆，行驶工况可用于确定车辆的排放和燃油消耗水平，并为动力匹配和燃油经济性优化提供依据；对于纯电动汽车，实时获取行驶工况信息能够提高剩余行驶里程的计算准确性；对于混合动力汽车，可以基于工况数据建立自适应能量管理策略，提高整车经济性，并改善动力系统部件的使用寿命。由于车辆实际行驶时的工况是随机变化的，因此，具有较高识别精度和实时性的行驶工况在线识别方法极为重要。

目前众多研究的主要区别在于对典型行驶工况的划分和特征参数的选取方法不同，尝试通过优化外部输入参数来简化神经网络结构和提升识别精度，都取得了较好的效果。然而，现有的行驶工况识别方法通常是以固定长度的历史工况数据作为识别对象，虽然能够较为准确地识别出已发生的行驶工况的类型，但是识别结果往往伴随有较大的时间延迟，不利于整车控制系统的实时控制。

发明内容

本发明为了解决现有技术中存在的上述至少一个技术问题，提供了一种基于随机预测与机器学习的车辆行驶工况在线识别方法。

本发明采用如下的技术方案实现：一种基于随机预测与机器学习的车辆行驶工况在线识别方法，包括以下步骤：

S101: 数据预处理模块读取车辆的实时行驶数据，包括车速、加速踏板开度和制动踏板开度；

S102：驾驶风格识别模型读取数据预处理模块输出的实时车速、加速踏板开度、加速踏板变化率、制动踏板开度和制动踏板变化率，并输出实时驾驶风格类型；

S103：短期行驶工况预测模型同时读取数据预处理模块输出的实时车速和驾驶风格识别模型输出的实时驾驶风格类型，并输出当前时间点之后一段时间内的预测车速序列；

S104：工况数据合成模块同时读取数据预处理模块输出的当前时间点之前一段时间内的历史车速序列和短期行驶工况预测模型输出的当前时间点之后一段时间内的预测车速序列，并将实时更新的历史车速序列与预测车速序列进行拼接，构建包含有未来工况变化趋势的组合工况数据；

S105：实时行驶工况识别模型读取工况数据合成模块输出的组合工况数据的特征参数，在线识别车辆的实时行驶工况类型。

优选地，步骤S101中，车辆的实时行驶数据通过整车CAN总线读取，历史车速序列通过滑动时间窗的形式实时更新，并将超出时间窗宽度的历史行驶数据舍弃。

优选地，步骤S102中，驾驶风格识别模型基于学习向量量化神经网络LVQNN建立，其中输入层的输入为实时车速、加速踏板开度、加速踏板变化率、制动踏板开度和制动踏板变化率；输出层的输出分别为三种驾驶风格类型，分别对应温和型、普通型和激进型三种风格。

优选地，步骤S103中，短期行驶工况预测模型采用马尔科夫链随机预测算法建立，马尔科夫链以车速和加速度作为工况状态划分的依据，并依据各个状态间的转移频次构建状态转移概率矩阵；短期行驶工况预测模型的输出经过滤波处理后得到最终的预测车速序列。