1.一种基于GRU神经网络的不同风格驾驶员车速预测方法,其特征在于,包括以下步骤:S1、基于预先构建的驾驶风格分类模型对驾驶数据库进行划分,得到对应不同驾驶风格的多个驾驶子数据库;S1包括以下步骤:S11、基于自组织映射神经网络和K-means聚类方法构建驾驶风格分类模型;
S12、利用自组织映射神经网络对所述驾驶数据库中的特征数据进行初步聚类;
S13、利用K-means聚类方法对初步聚类结果进行再次聚类簇集,得到对应不同驾驶风格的多个驾驶子数据库;所述驾驶子数据库包括激进型驾驶数据库、中庸型驾驶数据库和保守型驾驶数据库;
S2、分别构建对应不同驾驶风格的GRU车速预测模型;GRU车速预测模型包括GRU层和全连接层;
所述GRU层包括更新门、重置门、候选状态和隐藏状态;GRU层内部表达式如下:Z
r
其中,x
所述全连接层将所述GRU层输出的计算结果转换为需求维度的最终计算结果;
S3、分别从各个所述驾驶子数据库中提取出训练数据,进行预处理,并按照时间序列逐时间步滑动生成训练样本序列数据库;
S4、利用所述训练样本序列数据库分别对对应驾驶风格的GRU车速预测模型进行训练;
S5、每间隔一定时间,采用所述驾驶风格分类模型对当前驾驶风格进行判定,并在预设时间段内持续不变时,引入与当前驾驶风格对应的GRU车速预测模型进行车速预测。
2.根据权利要求1所述的一种基于GRU神经网络的不同风格驾驶员车速预测方法,其特征在于,还包括:S6、将预测过程中出现的误差较大的实际车速信息及其历史信息更新至所述训练样本序列数据库中,并在预设时间间隔后,利用更新后的训练样本序列数据库对各GRU车速预测模型进行重新训练和参数调整。
3.根据权利要求1所述的一种基于GRU神经网络的不同风格驾驶员车速预测方法,其特征在于,S12包括以下步骤:S1201、将所述驾驶数据库中的特征数据进行归一化处理,得到无量纲的纯量;
S1202、引入SOM模型,设置所述SOM模型中的几何形状为矩形;
S1203、随机初始化SOM模型的权重,将节点权重初始化为较小的随机数;
S1204、设置初始邻域半径σ,根据邻域半径σ确定优胜邻域将包含的节点;
S1205、设定邻近函数类型,通过邻近函数计算每个节点各自更新的幅度;
S1206、设置初始学习率α,确定每次迭代权重更新的幅度大小;
S1207、随机取一个输入样本X
S1208、更新优胜邻域内,以优胜节点为中心、σ为半径范围内的节点的Weight;
S1209、每次迭代完成后将σ和α进行衰减处理;
S1210:完成一轮迭代后,返回S1207,直到满足设定的迭代次数,得到初步聚类结果。
4.根据权利要求3所述的一种基于GRU神经网络的不同风格驾驶员车速预测方法,其特征在于,S13包括:S1301、在所述初步聚类结果中随机选取3个样本{μS1302、计算每个样本Y
S1303、更新质心
S1304、返回S1302,直到达到最大迭代次数或质心更新幅度小于阈值,最终得到三种驾驶风格的驾驶子数据库。
5.根据权利要求1所述的一种基于GRU神经网络的不同风格驾驶员车速预测方法,其特征在于,S3中提取的训练数据包括输入数据和输出数据,其中,所述输入数据包括:随时间连续变化的数据信息和随时间离散分布的状态类别信息,所述输出数据为车速信号;随时间连续变化的数据信息包括:历史车速、历史加速度、发动机转速、发动机力矩和前车的相对车距;随时间离散分布的状态类别信息包括档位信息。
6.根据权利要求5所述的一种基于GRU神经网络的不同风格驾驶员车速预测方法,其特征在于,S3中的预处理包括:对随时间连续变化的数据信息进行差分和归一化处理。
7.根据权利要求5所述的一种基于GRU神经网络的不同风格驾驶员车速预测方法,其特征在于,S3中,对数据进行预处理后,以15s为一个周期,以10s历史数据序列X={X
8.根据权利要求1所述的一种基于GRU神经网络的不同风格驾驶员车速预测方法,其特征在于,S5中,对当前驾驶风格进行判定过程为:不断采集驾驶过程中的驾驶速度信息、加速度信息以及跟车距离信息,提取此过程车辆速度分布特征、加速度分布特征、加速度随时间导数值以及平均跟车相对距离值;每间隔5s进行一次驾驶风格判定,若持续1min驾驶风格不发生变化,则认为驾驶风格稳定,引入对应驾驶风格的GRU车速预测模型进行车速预测。