[发明专利]基于Stacked LSTM神经网络的电动汽车短程车速预测方法

权利要求书

1.一种基于Stacked LSTM神经网络的电动汽车短程车速预测方法，其中，StackedLSTM是栈式长短期记忆网络，其特征在于包括以下步骤：

S1、构建以电动汽车加速踏板开度、加速踏板开度变化率为输入的加速驾驶意图模糊推理器，输出加速驾驶意图；

S2、构建以电动汽车制动踏板开度、制动踏板开度变化率为输入的制动驾驶意图模糊推理器，输出制动驾驶意图；

S3、基于电动汽车速度、加速度、加速度变化率的连续样本数据以及加速驾驶意图模糊推理器输出的加速驾驶意图样本数据、制动驾驶意图模糊推理器输出的制动驾驶意图样本数据，构建训练集、验证集和测试集；

S4、构建用于电动汽车短程车速预测的Stacked LSTM神经网络；

S5、用构建好的训练集对所述Stacked LSTM神经网络进行训练，根据所述StackedLSTM神经网络在验证集上的表现调整所述Stacked LSTM神经网络超参数，直到所述Stacked LSTM神经网络收敛并在测试集上的预测精度达到要求；

S6、向所述Stacked LSTM神经网络输入实时的电动汽车速度、电动汽车加速踏板开度和加速踏板开度变化率、电动汽车制动踏板开度和制动踏板开度变化率，进行电动汽车短程车速预测，输出电动汽车短程车速序列。

2.根据权利要求1所述的一种基于Stacked LSTM神经网络的电动汽车短程车速预测方法，其特征在于所述步骤S1具体包括以下步骤：

S101、构建以电动汽车加速踏板开度、加速踏板开度变化率为输入变量，加速驾驶意图为输出变量的加速驾驶意图模糊推理器；

S102、设定加速踏板开度、加速踏板开度变化率、加速驾驶意图的语言变量和论域，设定加速踏板开度隶属度函数、加速踏板开度变化率隶属度函数；

S103：建立加速驾驶意图识别模糊推理规则，进行模糊推理，输出模糊加速驾驶意图；

S104：进行反模糊化处理，并采用加权平均的方法对模糊加速驾驶意图隶属度进行加权平均，得到精确的加速驾驶意图，输出加速驾驶意图隶属度函数。

3.根据权利要求2所述的一种基于Stacked LSTM神经网络的电动汽车短程车速预测方法，其特征在于所述步骤S1：

所述步骤S102：加速踏板开度的论域设为[0，100]，语言变量设为{小，较小，中，较大，大}；加速踏板开度变化率的论域设为[-100，100]，语言变量设为{负大，负小，小，中，大}；加速驾驶意图的论域设为[0，1]，语言变量设为{平缓加速，较平缓加速，一般加速，较紧急加速，紧急加速}；加速踏板开度隶属度函数设定为灵敏度较高的三角形隶属度函数；加速踏板开度变化率隶属度函数设定为控制较为粗略平稳的梯形隶属度函数；

所述步骤S103：结合控制理论和实际人工经验建立如下加速驾驶意图识别模糊推理规则；

所述步骤S104：按最大最小法将加速驾驶意图归一化到[0，1]。

4.根据权利要求1所述的一种基于Stacked LSTM神经网络的电动汽车短程车速预测方法，其特征在于所述步骤S2具体包括以下步骤：

S201、构建以电动汽车制动踏板开度、制动踏板开度变化率为输入变量，制动驾驶意图为输出变量的制动驾驶意图模糊推理器；

S202、设定制动踏板开度、制动踏板开度变化率、制动驾驶意图的语言变量和论域，设定制动踏板开度、制动踏板开度变化率的隶属度函数；

S203：建立制动驾驶意图识别模糊推理规则，进行模糊推理，输出模糊制动驾驶意图；

S204：进行反模糊化处理，并采用加权平均的方法对模糊制动驾驶意图隶属度进行加权平均，得到精确的制动驾驶意图，输出制动驾驶意图隶属度函数。