[发明专利]基于驾驶习惯和交通路况的行驶工况智能预测估计方法

权利要求书

1.一种基于驾驶习惯和交通路况的行驶工况智能预测估计方法，其特征在于包括以下步骤：

1)驾驶员位于车内，由身份识别系统读取信息，获取其驾驶员的身份ID，再从数据存储与管理模块中调取其驾驶员的车辆行驶工况识别模型；

2)由驾驶员在车中输入行车路径起始点，通过大数据云服务端的GIS/ITS模块来计算其行车规划路径并且获取行车规划路径上的实时与历史交通工况信息，将行车规划路径和行车规划路径上的实时与历史交通工况通过4G网络传输到数据存储与管理模块，将通过GPS/INS系统获取到的车辆行驶状态参数也传输给数据存储与管理模块；

3)交通工况预测模块从数据存储与管理模块中读取行车规划路径、行车规划路径上的实时和历史交通工况，先通过基于KD-树优化的K-means聚类算法来对实时和历史交通工况数据做预处理,再通过灰色预测对行车规划路径上的交通工况进行预测与分析，采用中值滤波对交通工况数据进行处理，从而建立本车在行车规划路径上的交通预测工况模型，并且将交通预测工况模型传输回数据存储与管理模块；

所述的基于KD-树优化的K-means聚类算法具体步骤如下：

3.1)输入包含n个数据对象的交通工况历史数据集X＝{x₁,x₂,…,x_n}，利用基于KD-树优化初始聚类中心点选取的算法，来选取出交通工况历史数据集X＝{x₁,x₂,…,x_n}中的k个有效的初始聚类中心点C＝{C₁,C₂,…,C_k}，当整个数据集中增加交通工况动态实时数据X'＝{x'₁,x'₂,…,x'_m}时，则利用交通工况动态实时数据X'＝{x'₁,x'₂,…,x'_m}和k个有效的初始聚类中心C＝{C₁,C₂,…,C_k}来共同构建KD-树；

3.2)设第i(1,2,…,k)个聚类簇中交通工况动态实时数据的个数为M_i，第i(1,2,…,k)个聚类中实时和历史交通工况数据对象所组成的集合为G_i；

3.3)对其他实时和历史交通工况数据对象x'_i(i＝1,2,…,m)搜索其对应的最近聚类中心为C_i(i＝1,2,…,k)，然后将实时和历史交通工况数据对象x'_i(i＝1,2,…,m)分配到其相对应的集合G_i当中；

3.4)基于利用实时和历史交通工况数据对象建立的KD-树，从KD-树根节点出发，向下挖掘数据对象x'_i(i＝1,2,…,m)，如果数据对象x'_i(i＝1,2,…,m)的当前坐标小于分裂点的坐标，则在其左空间进行挖掘，反之则到其右空间进行挖掘，直至挖掘到叶节点为止，并标记为Nearest，计算叶节点与x'_i(i＝1,2,…,m)的距离为Distance；

3.5)向上进行数据对象挖掘，分别计算每一个KD-树叶节点与其目标点x'_i(i＝1,2,…,m)之间的距离，如果叶节点与其目标点x'_i(i＝1,2,…,m)之间的距离小于Distance，则对此节点更新，定义其为最近点Nearest，并且记此距离为Distance，再以此叶节点x'_i(i＝1,2,…,m)为圆心、Distance为半径，作圆观察，此圆是否与此节点的分裂轴相交，如果不相交，则继续向上挖掘数据对象；如果圆与此节点的分裂轴相交，则需要对此节点的另一个子节点进行挖掘，当挖掘回到根节点时，数据对象挖掘结束，此时的Nearest即为目标点x'_i(i＝1,2,…,m)的最近聚类中心，然后再将交通工况动态实时数据x'_i(i＝1,2,…,m)分配到Nearest对属的聚类中心中；

3.6)挖掘每一个交通工况动态实时数据对象x'_i(i＝1,2,…,m)所对应的最近聚类中心C_i(i＝1,2,…,k)，并且同时更新数据集中第i(i＝1,2,…,k)个聚类中心最终形成k个聚类簇；

3.7)再对k个聚类簇的簇间距进行对比，当两个簇的簇间距Dist(C_i,C_j)小于平均簇间距AvgDist(C)，则将两个簇合并，直到任意选取的两个簇的簇间距都大于平均簇间距AvgDist(C)为止；

3.8)输出步骤3.7)处理后的最优聚类结果簇；

3.9)将最优聚类结果簇，输入到CVM算法中进行计算，其CVM算法是将SVM中的QP问题转化为带有中心约束的最小包闭球问题，再通过迭代计算方法来寻找其高维空间的核心集，最终找到原始MEB问题的(1+ε)近似解；

其中，原始MEB问题的(1+ε)近似解的求解过程如下：

对于给定的一组训练集其中x_i是样本输入即上述基于KD-树优化的K-means聚类算法得出的交通工况最优聚类结果簇，y_i为样本输出即交通工况预测结果，m是样本个数，定义MEB(S)为整个空间S中的所有样本数据的最小半径的球，并且假设其核函数为K，其目标公式和约束公式如下：

其中，为映射函数，R为最小的包闭球半径，c为圆心；

然后再通过对增加一维约束，就可以将v-SVR转化为带有中心约束的MEB问题来求解，其两者具有如下相同的函数形式：

在通过上述步骤将v-SVR转化为MEB问题求解之后，就可以利用原始MEB问题中的(1+ε)近似解来快速求解问题，选取整个数据空间S的一个子集Q，定义其核心集为：

其中B(c,r)＝MEB(Q)，ε是一个很小的膨胀系数，定义S_t、c_t以及r_t分别为第t次迭代的核心集、MEB圆心和MEB半径，CVM求解(1+ε)MEB问题步骤如下：

3.91)初始化选择交通工况初始样本核心集S₀、交通工况初始样本MEB圆心c₀、交通工况初始样本MEB半径r₀；

3.92)在第t次迭代中，找到距离MEB圆心c_t最远的并更新

3.93)计算新的核心集S_t+1的c_t+1和r_t+1：

3.94)如果所有的交通工况样本都在B[c_t+1(1+ε)r_t+1]则停止迭代，否则继续；

3.95)迭代次数t←t+1，并返回步骤3.92)；

4)规划路径上的长时间车速预测模块和规划路径上的局部短时间车速预测模块从数据存储与管理模块中读取行车规划路径、行车规划路径上的实时和未来交通工况、驾驶员的车辆行驶工况识别模型和当前的车辆行驶状态参数，通过神经网络和二型模糊集合理论建立未来预测工况模型，来预测车辆行驶规划路径上的行驶工况信息，从而建立本车在行车规划路径上的车辆预测工况模型；

5)将对于全规划路径的长时间车速预测模块和规划路径上的局部短时间车速预测模块建立的车辆预测工况模型输入到整车能量管理系统中，从而对车辆进行电机与发动机的管理策略优化控制，达到节能减排的效果。