欢迎来到知嘟嘟! 联系电话:13336804447 卖家免费入驻,海量在线求购! 卖家免费入驻,海量在线求购!
知嘟嘟
我要发布
联系电话:13336804447
知嘟嘟经纪人
收藏
专利号: 2020111527201
申请人: 吉林大学
专利类型:发明专利
专利状态:未下证
专利领域: 一般车辆
更新日期:2026-11-16
缴费截止日期: 暂无
价格&联系人
年费信息
委托购买

摘要:

权利要求书:

1.一种基于时空序列信息的网联汽车车速预测方法,其特征在于:其步骤是:S1.获取并处理智能网联汽车行驶数据集

S101获取行驶数据集:通过车辆的ADAS系统获得了实时的行驶数据集;

S102.确定跟车状态下的目标车辆:根据已获得的行驶数据集中多个车道上的八个周围目标车辆的行驶信息,以及实际行驶中自身车辆与其他车辆的位置关系,建立跟车状态下的模型,周围车辆到本车的横向距离为dxi,周围车辆到本车的纵向距离为dyi,根据横向距离筛选出同一车道的车辆,确定原则如下:同一车道上本车与周围车辆的横向距离dxi应小于一个阈值m,即:dxi<m    (1)

其中i=0,1,2,3,4,5,6,7,分别表示数据集提供的八个周围车辆数据信息;

比较与本车相处同一车道上八个周围车辆到本车的纵向距离dyi,对应距离最小值的车辆确定为跟车状态下的前车目标,即目标车辆与本车的纵向距离dy确定为:dy=min{dy0,dy1,dy2,dy3,dy4,dy5,dy6,dy7}    (2)S103.筛选跟车状态下前车信息

本车距前车的横向距离dx、距前车的纵向距离dy、及前车的速度vf。其中dx为目标车辆到本车的横向距离dxi,dy为目标车辆到本车的纵向距离dyi,vf为目标车辆的车速;

S104.特征数据预处理

道路坡度i计算:

其中t代表时间,ht、ht+1分别代表t、t+1时的道路高度;

前车加速度af的计算公式如下:

其中,t代表时间,vf,t、vf,t+1分别代表t、t+1时的前车车速;

最终得到了坡度i、前车加速度af的具体数据,完善了数据集;

S2.车速预测模型输入-输出特征间的关联度S201.确定模型的输入特征

时间上,对于车速这一时间序列,历史车速会对未来时刻车速产生影响,因此,将历史

5s车速作为输入特征;

空间上,将道路坡度i、及此前筛选得到的自身车辆距前车的横向距离dx、距前车的纵向距离dy、前车的速度vf及前车加速度af作为模型的输入特征;

选取车辆自身与车速的特征,即加速踏板启用情况ap、发动机转速n、发动机载荷e、制动踏板启用情况b,转向灯启用情况s;

S202.定量化计算特征间的关联度

各个输入特征与输出特征车速间的关联度:

其中,基准指标Y为输出特征车速,记为Y={y1,y2,y3,…,yp};输入特征X为被选指标,X={X1,X2,X3,…,Xp},p为所取数据的个数,MB表示最大延迟数;

S3.建立LSTM神经网络车速预测模型

LSTM神经网络模型的输入层、隐藏层和输出层详细构建过程如下:(1)LSTM输入层

当前时刻为t,未来某一时刻为t+q,在预测未来时刻车速vt+q时,神经网络输入层神经元为确定的模型输入特征,即道路坡度i、油门踏板ap、发动机转速n、发动机载荷e、刹车踏板b、转向灯s、前车速度v1、前车加速度a1、前车纵向距离dy、前车横向距离dx,历史1-5s的车速vt-5,vt-4,vt-3,vt-2,vt-1及当前车速vt,共16个输入层神经元;

(2)LSTM隐含层

通过遗忘门决定从上个单元中丢弃的信息,在函数的作用下得到当前时刻的新的输入值ft,即:ft=σ(Wf·[vt+q-1,xt]+bf)        (6)其中,t时刻下神经网络输入特征构成输入向量,记为xt,输出特征为未来时刻车速vt+q,Wf为遗忘门的权重矩阵,bf为偏置向量;

σ为神经元的激活函数

在当前时刻为t下,数据从输入向量xt传递到隐藏层的单元中,同时受到上一时刻输出vt+q-1的影响;

通过单元中的输入门决定前一时刻车速相关特征加入到当前单元的信息量,进而得到当前时刻的单元信息量为Ct,表示为:其中,Ct-1为上一时刻的单元信息量,it为上一个单元传入的信息, 为单元信息新的候选值;it和 分别表示为:it=σ(Wi·[vt+q-1,xt]+bi)    (9)Wi为遗忘门的权重矩阵,bi为遗忘门的偏置向量,WC为当前单元中的权重矩阵,bC为当前单元状态的偏置向量,tanh为神经元的激活函数,函数表达式如下:(3)LSTM输出层

未来时刻输出车速的值为vt+q,表示为:

vt+q=ot*tanh(Ct)    (12)其中当前时刻的单元信息为Ct,前一时刻单元输入的信息量ot的表达式为:ot=σ(Wo·[vt+q-1,xt]+bo)      (13)其中输出门的权重矩阵为Wo,偏置向量为bo,前一时刻的输出值为vt+q-1;

前一时刻的输出以一定权重,将数据以ot的形式传递给当前时刻,最终经过计算得到当前神经网络的输出值vt+q,进而得到LSTM神经网络输出的未来时刻的车速值;

S4.训练LSTM神经网络模型

S401.样本数据集的预处理

将行驶数据集分为按照8:2的比例划分训练集和测试集;

S402.训练神经网络模型

输入训练集进行训练,以均方根误差MSE作为损失函数,训练得到损失函数最小时的神经网络模型,损失函数的计算公式如下:其中m表示数据量, 表示测试集实际车速值, 表示测试集神经网络输出的车速值;将测试集输入训练好的神经网络模型,最终得到神经网络未来车速的预测值。

2.根据权利要求1所述的基于时空序列信息的网联汽车车速预测方法,其特征在于:预测未来短时域的车速:将神经网络输出的未来1-5s车速与实际车速进行对比;

神经网络输出值与真实值之间的均方根误差RMSE和数据的相关系数Rn进行对比:均方根误差RMSE为:

决定系数Rn为:

其中m表示数据量, 表示测试集实际车速值, 表示测试集神经网络输出的车速值;将准确度W作为评价模型效果的指标,以BP神经网络预测结果的均方根误差RMSE为基准,计算LSTM神经网络预测结果均方根误差RMSE值的变化率,即为准确度W;具体计算公式如下:其中,a为BP神经网络的预测结果的均方根误差RMSE,b为LSTM神经网络预测结果均方根误差RMSE值。