[发明专利]一种基于LSTM神经网络的驾驶员制动强度预测方法

权利要求书

1.一种基于LSTM神经网络的驾驶员制动强度预测方法，其特征在于，步骤如下：

步骤1)：采集车速信息、加速度信息、行驶路程信息、制动踏板位移信息以及踏板速度信息，并对采集到的数据进行预处理；

步骤2)：根据步骤1)中处理得到的数据，训练LSTM神经网络，得到训练模型；

步骤3)：根据步骤2)得到的训练模型，实时对驾驶员需求的制动强度进行预测，以提前预测到驾驶员的制动需求。

2.根据权利要求1所述的基于LSTM神经网络的驾驶员制动强度预测方法，其特征在于，所述步骤1)中数据预处理过程，具体步骤如下：

步骤1.1)对采集到的数据进行处理，得到制动时的初始车速、前3s内的平均车速、前3s内的踏板位移、踏板速度、已行驶的路程以及制动强度；

步骤1.2)对上述步骤1.1)得到的数据进行平滑性处理，消除奇异值；对训练数据进行归一化处理：

式中，X_i为归一化后的数据，x_max为特征向量的最大值，x_min为特征向量的最小值。

3.根据权利要求2所述的基于LSTM神经网络的驾驶员制动强度预测方法，其特征在于，所述步骤1.1)中数据处理步骤如下：

制动时的初始车速V_b0：

V_b0＝V₀ (2)

式中，V₀为制动时的车辆速度；

前3s内的平均车速

式中，a为车辆加速度；t为当前时刻；

前3s内的踏板位移X_T：

X_T＝X_t-X_t-3 (4)

式中，X_t为t时刻的踏板位移；X_t-3为t-3时刻的踏板位移；

踏板速度u_b从采集到的踏板速度信息得到；

已行驶的路程S：

式中，V为车辆速度；

制动强度Z_b：

式中，g为重力加速度。

4.根据权利要求3所述的基于LSTM神经网络的驾驶员制动强度预测方法，其特征在于，所述步骤2)中LSTM神经网络训练过程的具体步骤如下：

2.1)设置LSTM神经网络输入：

将步骤1.1)得到的制动时初始车速V_b0、前3s内平均车速前3s内制动踏板位移X_T、踏板速度u_b，以及已行驶的路程S作为LSTM神经网络输入；

2.2)设置LSTM神经网络输出：

将步骤1.1)中得到的制动强度Z_b作为LSTM神经网络输出；

2.3)将总数据量的70％用于训练LSTM神经网络，15％用于LSTM神经网络的测试，15％用于LSTM神经网络的验证；

2.4)将数据输入到LSTM神经网络，进行离线LSTM神经网络训练，得到训练模型。

5.根据权利要求4所述的基于LSTM神经网络的驾驶员制动强度预测方法，其特征在于，所述步骤3)中驾驶员需求的制动强度预测过程具体步骤如下：

LSTM神经网络输入为输出为h＝Z_b；

步骤3.1)计算遗忘门：

f_t＝σ(W_f·[h_t-1,X_t])+b_f) (7)

式中，f_t为当前时刻的遗忘门，取值范围为0到1；W_f为遗忘门权重值；X_t为当前时刻的输入值；h_t-1为上一时刻的输出值；b_f为遗忘门偏置；σ为sigmoid函数；

步骤3.2)计算输入门：

i_t＝σ(W_i·[h_t-1,X_t])+b_i) (8)

式中，i_t为当前时刻的输入门，取值范围为0到1；W_i为输入门权重值；b_i为输入门偏置；

步骤3.3)计算候选记忆单元信息：

式中，为当前时刻的将被更新到记忆单元的候选信息；W_C为候选信息权重值；b_C为候选信息偏置；

步骤3.4)计算新的记忆单元信息：

式中，C_t为当前时刻的新的记忆单元信息；C_t-1为前一时刻的记忆单元信息；

步骤3.5)计算LSTM神经网络输出：

o_t＝σ(W_o·[h_t-1,X_t])+b_o) (11)

h_t＝o_t·tanh(C_t) (12)

式中，o_t为当前时刻的初始输出；W_o为初始输出权重值；b_o为初始偏置；h_t为当前时刻的输出，即为驾驶员需求的制动强度。