[发明专利]基于多尺度卷积神经网络的混合动力车辆工况预测方法

权利要求书

1.一种基于多尺度卷积神经网络的混合动力车辆工况预测方法，其特征在于包括内容如下：

步骤1)将原始的车辆工况时间序列进行减少采样率和低频滤波处理，得到相应的关于车辆工况的时间序列；

步骤2)基于不同的关于工况的时间序列序列数据构造不同的卷积神经网络，得到相应工况的特征数据集；

步骤3)将相应工况的特征数据集进行深度串联得到新的特征数据集，并利用新的特征数据集构造全卷积神经网络，采用全卷积神经网络完成车辆工况类型预测。

2.如权利要求1所述的基于多尺度卷积神经网络的混合动力车辆工况预测方法，其特征在于，所述步骤1)将原始的车辆工况时间序列进行减少采样率和低频滤波处理，得到相应的关于车辆工况的时间序列的具体过程为：

步骤1.1)：获取原始的混合动力车辆工况时间序列，假设有N个车辆工况时间序列其中，表示时刻j时刻的速度，y_i表示车辆工况V_i所对应的类型，y_i在有限个正整数中取值，每个不同的正整数代表不同的车辆工况类型；

步骤1.2)将的一部分数据进行减少采样率处理，即每隔k个点保留一个采样点，相应得到多频率的关于工况的时间序列；

步骤1.3)将的另一部分数据采用移动平均的低频滤波处理方法处理，相应得到多尺度的关于工况的时间序列。

3.如权利要求1所述的基于多尺度卷积神经网络的混合动力车辆工况预测方法，其特征在于，所述步骤2)基于不同的关于工况的时间序列序列数据构造不同的卷积神经网络，得到相应工况的特征数据集，具体过程为：

步骤2.1)构造局部神经网络中的卷积层，其中，卷积层的过滤器的大小均相同；

步骤2.2)构造局部神经网络中的池化层，其中，池化层采用最大池化来处理数据，并且池化大小和步长都取m/3，其中，m表示经过卷积层后输出的时间序列的长度；

步骤2.3)根据卷积层和池化层的参数设置，构造局部卷积神经网络，得到相应工况的特征数据集。

4.如权利要求1所述的基于多尺度卷积神经网络的混合动力车辆工况预测方法，其特征在于，所述步骤3)将相应工况的特征数据集进行深度串联得到新的特征数据集，并利用新的特征数据集构造全卷积神经网络，采用全卷积神经网络完成车辆工况类型预测的具体过程为：

步骤3.1)将采用不同局部神经网络得到的关于工况的特征集采用深度串联的方法得到新的特征数据集；

步骤3.2)构造全卷积神经网络的卷积层；

步骤3.3)构造全卷积神经网络的池化层；

步骤3.4)构造全连接层；

步骤3.5)输出层采用softmax类型的激活函数；

步骤3.6)通过新构造的全卷积神经网络输出车辆工况类型的概率分布，完成车辆工况类型预测。