[发明专利]基于智能网联系统下前车运行信息的未来工况预测方法

摘要

本发明提供一种基于智能网联系统下前车运行信息的未来工况预测方法，属于智能交通技术领域，包括前车行驶工况数据获取、前车行驶工况划分、未来工况预测模型建立和本车未来工况在线预测，该工况预测方法能准确获取与本车未来工况信息最为接近的前车工况信息，并以此为基础通过建立最小二乘支持向量机与自回归滑动平均误差修正相结合带有预测模型精度判断的未来工况预测模型进行本车未来工况预测，预测结果具有实时性好、准确率高、可参考性强的优点，特别适合应用在固定线路运行的混合动力车辆。

主权项

一种基于智能网联系统下前车运行信息的未来工况预测方法，包括前车行驶工况数据获取、前车行驶工况划分、未来工况预测模型建立和本车未来工况在线预测，其特征在于：第一步，前车行驶工况数据获取：首先通过V2V车车通讯系统获取周围车辆行驶信息，通过V2I车路通讯系统获取交通路况信息，以及通过车载定位系统获取车辆当前位置信息及行驶路径道路信息，进行工况数据信息的采集；再确定工况数据获取的最佳途径，根据V2V车车通讯系统获取前车的车距、行驶方向及道路信息进行分析，当本车与前车同向同路且距离小于S时，首先判断前车类型与本车类型是否为同类型车辆，若前车类型与本车类型不属于同类型车辆，则通过对前车类型进行筛选，匹配与本车类型最相近的车辆类型的前车作为目标前车，若前车与本车为同类型车辆且数量M＝1时，直接将前车作为目标对象，若前车与本车为同类型车辆且数量M>1时，通过前车此前与本车在相同路段内的工况信息比对确定前车筛选的优先级，优先选定工况信息相似度较高的前车作为目标前车；然后对本车当前行驶时交通流与目标前车之前相同路段时交通流对比，若两者差值在允许值范围内，利用V2V车车通讯系统获取前车的工况信息；若两者差值超过允许值，由V2V车车通讯系统获取前车工况信息，同时结合V2I车路通讯系统获取实时交通流信息，对前车车速工况信息加以修正；当不满足本车与前车同向同路且距离小于S时，利用V2I车路通讯系统获取由远程监控平台系统提供的上一时刻前车工况数据；所述的同类型车辆为同款同型号完全相同的车型，所述的最相近的车辆类型是指整车质量、动力源部件功率及滚阻都近似相同的车型；第二步，前车行驶工况的划分：将获取的前车行驶工况信息，按照行驶工况路网划分为道路交叉路口和连接交叉路口的路段，再结合V2I车路通讯系统获取的数据信息分别确定连接路段和道路交叉口划分时间窗口长度；所述的连接路段划分时间窗口长度的确定，先根据连接路段内道路路面等级划分，在相同的道路路面等级下再按照交通流密度等级及通行速度等级的一致性进行划分，逐步缩短连接路段划分时间窗口长度，再结合连接路段划分时间窗口长度限值，进而确定连接路段划分时间窗口长度；所述的道路交叉口划分时间窗口长度的确定，将车辆通过交叉路口的通行状态分为车辆加速通过交叉口和车辆停车起步通过交叉口两类，分别结合此时交通流密度等级及交叉口划分时间窗口长度限值，进而确定交叉口划分时间窗口长度；第三步，未来工况预测模型建立：依据划分的前车行驶工况，收集划分时间窗口内的前车实时运行工况信息，以及本车预测时间步长Δt内的未来实际工况信息数据，进行滤波和参数化归一处理后，将当前接收到得前车的工况信息数据作为输入，本车预测时间步长Δt内的未来实际工况信息数据作为输出，构造训练样本集G；建立基于最小二乘支持向量机模型(LS‑SVM)与自回归滑动平均误差修正模型(ARMA)相结合的工况预测模型：先确定最小二乘支持向量机模型(LS‑SVM)函数中核函数，并利用前车及本车工况数据的训练样本集作为粒子，利用粒子群优化算法确定核宽度σ和惩罚参数C；再利用训练样本集G对最小二乘支持向量机模型(LS‑SVM)进行训练，确定拉格朗日乘子α和偏置值b，最终得到最小二乘支持向量机模型(LS‑SVM)函数；利用最小二乘支持向量机模型(LS‑SVM)预测的工况数据与实际工况数据两者差值，组成误差序列样本，根据误差序列样本自相关系数的截尾性和偏自相关系数拖尾性，初步确定自回归滑动平均误差修正模型(ARMA)阶数，再用最小二乘估计法确定模型中的自回归参数、滑动平均参数，最终得到自回归滑动平均误差修正模型(ARMA)；预测模型精度判断：将利用最小二乘支持向量机模型(LS‑SVM)得到的工况预测值与自回归滑动平均误差修正模型(ARMA)得到的误差修正值E_i两者之和作为预测调整值与工况实际值y_i进行比较，当满足预测精度要求时，将预测调整值作为最终预测值；当预测精度不满足要求，进一步调整自回归滑动平均误差修正模型(ARMA)得到新的误差修正值E_i(k)，进而得到新的预测调整值再与工况实际值y_i比较并进行预测精度分析，直到满足预测精度要求，最终得到最小二乘支持向量机模型(LS‑SVM)与自回归滑动平均误差修正模型(ARMA)相结合带有预测模型精度判断的未来工况预测模型；第四步，本车未来工况在线预测：将实时获取的划分时间窗口内的前车行驶工况数据作为输入，利用建立的未来工况预测模型进行工况预测，得到本车未来工况预测结果，再将本车预测结果和本车未来工况的实际结果，输入残差计算模型并进行预测精度判断，当不满足预测精度要求时，通过再次建立的自回归滑动平均误差修正模型(ARMA)，在下一段的工况预测时，优先通过自回归滑动平均误差修正模型(ARMA)对所得的在线预测结果进行误差修正后，作为下一段工况的预测结果；当满足预测精度要求时，在下一段的工况预测时不进行误差修正，直接将当前预测结果输出；经过误差修正模型对在线预测结果进行误差修正后，再进行残差计算及预测精度判断时，以误差修正后的预测结果为基础进行分析，重复上述精度判断后的处理方法。