[发明专利]一种智能网联汽车的迭代优化多尺度融合车速预测方法

说明书

本发明公开了一种智能网联汽车的迭代优化多尺度融合车速预测方法，包括以下步骤：步骤1，针对不同驾驶风格的司机，分别建立多个回归模型；步骤2，赋予步骤1中各回归模型在某一时刻t的归一化的全局模型权重μ(t)，获得全局融合预测车速；步骤3，建立局部车速预测模型；步骤4，在全局和局部车速在局部时间窗口内的加权平均，并通过概率转移矩阵进行模型概率更新，得到全局‑局部融合预测车速；步骤5，修正步骤4中的全局‑局部模型权重及概率转移矩阵；步骤6，计算得到校准的全局融合预测车速；步骤7，重复步骤2到步骤6。本发明的预测车速误差小，精度大。

技术领域

本发明涉及智能网联汽车技术领域，特别是涉及一种智能网联汽车的迭代优化多尺度融合车速预测方法。

背景技术

节能、环保、安全是当今汽车工业发展的三大主题。新能源、智能网联和自动驾驶技术是行业的战略发展方向。其中，基于智能网联的车辆安全性提升和内燃动力的燃油经济性优化是有重要价值的研究主题。

具体而言，预测未来车速，提前采取控制措施是保证车辆安全的重要途径之一。对于混合动力车辆(HEV)而言，制定最优的能量管理策略也需要未来的车速信息。虽然车速预测有着广阔的应用空间和巨大的研究价值，但其实现过程却非常困难。其根本原因在于，车速受到司机驾驶风格、交通流，以及道路交通设施等多因素的影响，具有显著的时变性和非线性特征。

过去，大量学者通过统计学的方法，试图预测固定线路车辆的全局(整个运行路线上的)车速信息。在文献(游锦明,方守恩,唐棠,张兰芳.不良交通流状态实时监测支持向量机模型算法研究[J].交通运输系统工程与信息,2018,18(04):83-87+95.)和文献(X.Tan,W.Shen,Z.Guo.Vision-based method for traffic flow surveillance on highway[J].Computer Applications,2005,25(5):1215-1218.)中，作者用车载GPS系统采集了固定线路上的车速信息，进而利用神经网络算法对该线路上未来几分钟内的车速进行预测。结果显示，该方法可以有效地估计出未来的道路拥堵情况。燃，由于全局预测是纯粹基于历史数据的，因此通常只适用于交通流和驾驶员风格较为确定的固定路线。对于实时运行中的不确定性因素难以有效考虑。