[发明专利]基于LSTM速度预测优化的IA-SVM行驶工况识别方法及装置

说明书

本发明公开了一种基于LSTM速度预测优化的IA‑SVM行驶工况识别方法及装置，通过获取车辆历史运行数据并进行预处理，构建运动学片段数据库并获取行驶工况在线识别训练数据；建立基于IA优化SVM算法的行驶工况在线识别模型，通过行驶工况在线识别训练数据对基于IA优化SVM算法的行驶工况在线识别模型进行训练，得到行驶工况在线识别模型；建立基于LSTM的速度预测模型，以车辆的历史行程作为速度预测训练数据对基于LSTM的速度预测模型进行训练，得到速度预测模型；获取实时采集到的车辆运行数据，输入速度预测模型实时预测得到未来速度序列，将未来速度序列与历史速度序列拼接构成识别序列，将识别序列输入行驶工况在线识别模型，识别出车辆行驶工况。

技术领域

本发明涉及道路行驶技术领域，具体涉及一种基于LSTM速度预测优化的IA-SVM行驶工况识别方法及装置。

背景技术

基于行驶工况在线识别方法与特定控制策略相结合能够实现自适应控制，以适应复杂的交通情况，提高城市公交客车的燃油经济性。

为了应对复杂的城市交通环境，实现自适应控制，国内外提出了许多优化控制策略，主要分为以下两大类。第一类为通过对参考电池荷电状态(SOC)的预测规划，结合模型预测控制(MPC)和动态规划算法(DP)对整车的能量分配进行规划。然而，由于驾驶条件的不可重复性和城市道路交通的随机性，最优参考SOC的计算量大且不能完全预测，非最优的参考SOC的设置可能会使得燃油经济性恶化。第二类为对运行数据进行在线模式识别，通过离线数据挖掘获得最优控制量，运用庞特里亚金最小原则(PMP)或等效燃油消耗控制策略(ECMS)计算获得瞬时最优解，实现自适应控制。第二类方法既避免了对参考SOC的预测，同时利用查表调整控制参数，在实现自适应控制的前提下进一步降低了控制的复杂性。选择行驶工况识别作为模式识别的研究对象，目前行驶工况识别的方法主要有神经网络、模糊控制器以及支持向量机识别。以上方法在不同方面均有侧重，但都没有考虑由于识别周期和更新周期存在导致的固有误差，使得在线识别精度无法达到较高水平。由于在线识别过程的本质为对历史数据的分析处理，实现控制变量的改变，在状态发生变化时，识别状态量相对于真实状态量会因为识别周期和更新周期的存在产生一定的延迟。

发明内容

针对上述提到的如何有效改善在线识别效果，提高燃油经济性等问题。本申请的实施例的目的在于提出了一种基于LSTM速度预测优化的IA-SVM行驶工况识别方法及装置，来解决以上背景技术部分提到的技术问题。

第一方面，本申请的实施例提供了一种基于LSTM速度预测优化的IA-SVM行驶工况识别方法，包括以下步骤：

S1，获取车辆历史运行数据，对车辆历史运行数据进行预处理，并构建运动学片段数据库，基于运动学片段数据库获取行驶工况在线识别训练数据；

S2，建立基于IA优化SVM算法的行驶工况在线识别模型，通过行驶工况在线识别训练数据对基于IA优化SVM算法的行驶工况在线识别模型进行训练，得到行驶工况在线识别模型；

S3，建立基于LSTM的速度预测模型，以车辆的历史行程作为速度预测训练数据对基于LSTM的速度预测模型进行训练，得到速度预测模型；

S4，获取实时采集到的车辆运行数据，输入速度预测模型实时预测得到未来速度序列，并将未来速度序列与历史速度序列拼接构成识别序列，将识别序列输入行驶工况在线识别模型，识别出车辆行驶工况。

在一些实施例中，步骤S1具体包括：

S11，采用滤波降噪算法对车辆运行数据进行滤波降噪处理，并搭建运动学片段数据库，运动学片段数据库包括至少一个运动学片段的特征参数，以每个运动学片段的最高行驶速度、平均行驶速度，怠速时间比例构建特征参数矩阵；

S12，对特征参数矩阵进行标准化处理，得到标准化特征参数矩阵；