一种基于前车与自车互动的短期车速工况实时预测方法
专利汇可以提供一种基于前车与自车互动的短期车速工况实时预测方法专利检索，专利查询，专利分析的服务。并且本 发明 公开了一种基于前车与自车互动的短期车速工况实时预测方法，包括以下步骤：S1.获取自车和前车历史车速、车距信息，并提取有效数据；S2.构建基于 人工神经网络 的未来车速 预测模型 ；S3.对构建的未来车速预测模型进行离线训练；S4.在线预测自车的未来车速；S5.实现车速预测神经网络的自适应学习；S6.根据预测的短期车速计算 扭矩 需求；S7.根据转矩需求和动态规划 算法 计算最优转矩分配。本发明运用人工神经网络方法对自车短期车速进行预测，提高车速预测的准确度；并将预测出的 汽车 短期车速运用到 能量 管理控制策略中，提高燃油经济性。，下面是一种基于前车与自车互动的短期车速工况实时预测方法专利的具体信息内容。
1.一种基于前车与自车互动的短期车速工况实时预测方法，其特征在于：包括以下步骤：
S1.获取自车和前车历史车速、车距信息，并提取有效数据；
S2.构建基于人工神经网络的未来车速预测模型；
S3.对构建的未来车速预测模型进行离线训练；
S4.在线预测自车的未来车速；
S5.实现车速预测神经网络的自适应学习；
S6.根据预测的短期车速计算扭矩需求；
S7.根据转矩需求和动态规划算法计算最优转矩分配。
2.根据权利要求1所述的一种基于前车与自车互动的短期车速工况实时预测方法，其特征在于：所述步骤S1包括以下子步骤：
S101.基于车载OBD或无线数据采集系统获取自车不同驾驶员在不同道路工况上行驶时的历史车速信息，存储于车速数据库中形成样本工况1；
S102.运用车联网技术获取和自车对应的前车不同驾驶员在不同道路工况上行驶时的历史车速信息，存储于车速数据库中形成样本工况2；
运用毫米波雷达不断获取前后车车距信息，存储于历史车距数据库中形成样本工况3；
S103.从历史车速数据库样本工况1中提取自车运行于各样本工况时刻点t的有效实测数据车辆瞬时速度v0(t)；
S104.从历史车速数据库样本工况2中提取前车运行于各样本工况时刻点t的有效实测数据车辆瞬时速度v1(t)；
从历史车距数据库样本工况3中提取前后车运行于各样本工况时刻点t的有效实测数据前后车瞬时车距S(t)。
3.根据权利要求1所述的一种基于前车与自车互动的短期车速工况实时预测方法，其特征在于：所述步骤S2基于历史车速或历史车距信息构建人工神经网络的未来车速预测模型，具体包括以下步骤：
S201.选取径向基函数人工神经网络作为非线性预测函数对自车未来车速进行预测，构建基于径向基函数人工神经网络的未来车速预测模型；
S202.径向基函数人工神经网络由输入层、隐藏层、输出层三部分构成；
A1、在基于历史车速信息构建模型时，选取驾驶员行为Q、自车上一时间段Hh秒内的历史车速和前车上一时间段Hs秒内的历史车速，作为神经网络车速预测模型的输入，定义为：
在基于历史车距信息构建模型时，选取驾驶员行为Q、自车上一时间段Hh秒内的历史车速和前车、自车上一时间段Hs秒内的历史车距，作为神经网络车速预测模型的输入，定义为：
其中，Nin为预测模型输入，Vk和Vn分别是自车和前车当前时刻车速，Vk-1和Vn-1分别是自车和前车上一时刻的车速；Sn是前车和自车当前时刻的车距，Sn-1是前车和自车上一时刻的车距；时间段Hh即为自车的历史车速向量长度，Hs即为前车的历史车速/车距向量长度，亦即神经网络模型输入向量的长度，Hh和Hs均为正整数；
A2、根据神经网络训练精度需求选定神经元数目O，隐藏层的激活函数为：
a1＝exp(-‖n-c‖2/2b2),n＝Wa0+b；
其中，O为正整数，a1和a0分别是当前层和上一层的神经元输出，n是累计输出，c是神经元节点中心，b是神经元径向基函数扩散宽度，W是权重值；
A3、下一未来时间段Hp秒内的车速作为输出,Hp即为预测未来车速向量长度，亦即神经网络模型输出向量的长度；假设fn是神经网络预测的非线性函数；
在基于历史车速信息构建模型时，则有：
在基于历史车距信息构建模型时，则有：
4.根据权利要求1所述的一种基于前车与自车互动的短期车速工况实时预测方法，其特征在于：所述步骤S3包括以下子步骤：
S301.按照步骤S2构建输入矢量参数和输出矢量参数，然后将输入参数矢量和输出参数矢量输入到径向基函数人工神经网络模型中形成训练样本进行离线训练，建立稳定的径向基函数人工神经网络结构；
S302.确定径向基函数人工神经网络为g-h-m的连接方式，即有g个输入，h个隐含层和m个输出；
S303.选用自组织选取中线的RBF神经网络学习方法，核心是求解隐含层基函数中心、基函数的方差和隐含层单元到输出单元的权值，由此得RBF神经网络中第j个输出表示为：
式中， 为第p个输入样本，p＝1,2,…,P；P为样本总数，ci为网络隐含
层节点的中心，i＝1,2,…,h为隐含层的节点数，‖xp-ci‖2为欧式范数，σi为基函数的宽度，ωij为隐含层到输出层的连接权值，j＝1,2,…,m为输出层的节点数，yj为与输入样本对应的神经网络的第j个输出节点的实际输出；
径向基函数人工神经网络离线训练步骤如下：
对权值ωij赋初值为0到1之间的随机数，隐含层神经元的数目为h，初始网络误差E置0，最大误差ε设为一正的小数；
基于模糊K均值聚类算法确定基函数的中心ci及方差σi，i＝1,2,…,h；
采用梯度下降法调整网络隐含层到输出层的权值ωij直到网络误差E<ε,结束；其中网络误差采用均方误差来表示，表达式如下：
式中，E表示网络误差， 为对应于输入xp的实际输出，y(xp)表为对应于输入的期望输出，P为样本总数。
5.根据权利要求1所述的一种基于前车与自车互动的短期车速工况实时预测方法，其特征在于：所述步骤S4包括以下步骤：
S401.将步骤S3得到的神经网络模型嵌入到整车控制系统中；
S402.对自车下一时间段Hp秒内的未来车速进行预测：
若步骤S3中得到的模型为基于历史车速的模型，则运用自车上一时间段Hh秒内的历史车速和前车上一时间段Hs秒内的历史车速数据对自车下一时间段Hp秒内的未来车速进行预测；
若步骤S3中得到的模型为基于历史车距的模型，则运用自车上一时间段Hh秒内的历史车速和前车、自车上一时间段Hs秒内的历史车距数据对自车下一时间段Hp秒内的未来车速进行预测；
S403.在实车行驶过程中，预测未来车速的方式包括：
第一、基于车速采集系统不断获取自车上一时间段Hh秒内的实时车速数据，基于车联网技术不断获取前车上一时间段Hs秒内的实时车速数据，并融合驾驶员风格形成神经网络输入矢量，实现自车未来车速预测；
第二、基于车速采集系统不断获取自车上一时间段Hh秒内的实时车速数据，运用毫米波雷达不断获取前车和自车上一时间段Hs秒内的实时车距数据，并融合驾驶员风格形成神经网络输入矢量，实现自车未来车速预测。
6.根据权利要求1所述的一种基于前车与自车互动的短期车速工况实时预测方法，其特征在于：所述步骤S5包括以下子步骤：
S501.采集上一周期内自车和前车的车速数据或为前车和自车的车距数据，更新样本车速或车距数据库；每个周期为一周、一月或一年；
S502.利用更新的样本车速数据或车距数据，在车辆非行驶任务情况下，对神经网络预测模型进行再学习；
S503.利用步骤S502中得到的神经网络模型进行车速预测；
S504.收集新的样本数据后回到501，重复步骤S5的完整过程。
7.根据权利要求1所述的一种基于前车与自车互动的短期车速工况实时预测方法，其特征在于：所述步骤S6中扭矩需求的计算方式如下：
式中，V(t)为预测的自车实时车速，m为汽车质量，Twheel为车轮扭矩，Rwheel为车轮半径，θ为道路坡度，Cr为路面阻力系数，Cd为风阻系数，A为车辆迎风面积。
8.根据权利要求1所述的一种基于前车与自车互动的短期车速工况实时预测方法，其特征在于：所述步骤S7包括以下子步骤：
S701.划分阶段及选择阶段变量k；
S702.选择状态变量λk；
S703.选择决策变量及确定各级允许决策集合；
S704.写出状态转移方程，如下：
λk+1＝T(λk,vk)；
其中，这里T(λk,vk)表示状态变量为λk、车速为vk时的状态转移函数；
S705.确定阶段目标函数的形式，目标函数必须具有可分性，并满足递推关系；
S706.写出基本方程即最优值函数满足的递推方程及端点条件，以r函数为代价函数：
* *
r(λk)＝min[r(λk,vk)+r(λk+1)]
其中，r(λk,vk)表示状态变量为λk、车速为vk所对应的代价函数；r*(λk)表示状态变量为λk时的逆序极小化函数；r*(λk+1)表示状态变量为λk+1时的逆序极小化函数；
终端条件：
*
r(λk+1)＝0
即求出r*(λk+1)为0时对应的k值；
S707.逆序计算状态空间内最优价值函数，和对应的最优解：即在得到k值后，根据步骤S704～S706中的公式计算出对应的λk,vk；
S708.根据最优价值函数和最优解，顺序计算给定初始状态下的最优控制策略：
所述最优值函数为r(λk,vk)，r*(λk+1)，最优解为对应的k,λk,vk；
顺序计算给定初始状态下的最优控制策略，即：将求得的最优解λk,vk带入步骤S6给出的公式中计算出车轮扭矩，进而计算出最优发动机转矩、电机转矩控制变量，得到给定初始状态下的最有控制策略。
一种基于前车与自车互动的短期车速工况实时预测方法
技术领域
背景技术
发明内容
隐含层节点的中心，i＝1,2,…,h为隐含层的节点数，‖xp-ci‖为欧式范数，σi为基函数的宽度，ωij为隐含层到输出层的连接权值，j＝1,2,…,m为输出层的节点数，yj为与输入样本对应的神经网络的第j个输出节点的实际输出；
具体实施方式
| 标题 | 发布/更新时间 | 阅读量 |
|---|---|---|
| 用于矫正诊断的牙科影像分析方法及利用其的装置 | 2020-05-08 | 732 |
| 一种传感元件与忆阻器结合的多模态智能传感器 | 2020-05-11 | 508 |
| 一种智慧园区多能协同供电方法及其系统、终端设备 | 2020-05-14 | 469 |
| 基于人工神经网络的电力工程造价预测模型 | 2020-05-14 | 704 |
| 用于求取车辆的车灯的状态的方法和设备 | 2020-05-08 | 170 |
| 片上网络处理系统和片上网络数据处理方法 | 2020-05-11 | 897 |
| 一种基于神经网络的往复式压缩机故障诊断方法 | 2020-05-12 | 551 |
| 一种复合材料异形壳的纤维路径与几何形状一体化设计方法 | 2020-05-12 | 399 |
| 数据流重构方法及可重构数据流处理器 | 2020-05-08 | 793 |
| 用于人工智能的并行神经处理器 | 2020-05-11 | 249 |
高效检索全球专利专利汇是专利免费检索,专利查询,专利分析-国家发明专利查询检索分析平台，是提供专利分析，专利查询，专利检索等数据服务功能的知识产权数据服务商。
我们的产品包含105个国家的1.26亿组数据，免费查、免费专利分析。
专利汇分析报告产品可以对行业情报数据进行梳理分析，涉及维度包括行业专利基本状况分析、地域分析、技术分析、发明人分析、申请人分析、专利权人分析、失效分析、核心专利分析、法律分析、研发重点分析、企业专利处境分析、技术处境分析、专利寿命分析、企业定位分析、引证分析等超过60个分析角度，系统通过AI智能系统对图表进行解读，只需1分钟，一键生成行业专利分析报告。
