[发明专利]一种基于GRU神经网络的不同风格驾驶员车速预测方法

说明书

本发明公开了一种基于GRU神经网络的不同风格驾驶员车速预测方法，包括：对驾驶数据库进行划分，得到对应不同驾驶风格的多个驾驶子数据库；分别构建对应不同驾驶风格的GRU车速预测模型；分别从各个驾驶子数据库中提取出训练数据，进行预处理，并按照时间序列逐时间步滑动生成训练样本序列数据库；利用训练样本序列数据库分别对对应驾驶风格的GRU车速预测模型进行训练；每间隔一定时间，对当前驾驶风格进行判定，并在预设时间段内持续不变时，引入与当前驾驶风格对应的GRU车速预测模型进行车速预测。本发明为不同驾驶风格状态下的预测任务构建不同的GRU车速预测模型，对比不区分驾驶风格预测模型的预测结果，能够有效提升预测的稳定性和预测精度。

技术领域

本发明涉及汽车车速预测技术领域，更具体的说是涉及一种基于GRU神经网络的不同风格驾驶员车速预测方法。

背景技术

现阶段对汽车控制领域的模型预测控制(MPC)的研究十分深入并且广泛，MPC不仅在使用过程中考虑了当前的状态信息，而且还进一步利用预测模型获得的预测信息来提前制定计划。故所有的MPC算法都有一个共同的定义要求，即需要一个模型来预测有限范围内变量的未来发展。对于汽车控制系统来说现阶段的研究主要集中在对车辆自身状态变量的预测上，而在大多数情况下，这些变量预测又可以归结为进行速度预测。

速度的预测一般是指通过对某些历史数据进行合理的分析来估计一段时间域后的速度值。到目前为止，速度预测模型已发展分为两大类：参数方法和非参数方法。由于主车速度受到驾驶员驾驶方式和周围环境的影响，车速的演变具有很强的随机和非线性性质，非参数方法进行速度预测已经成为了现在的主流趋势。近年来，随着算法的优化和计算能力速度的快速提高，深度学习方法在各个工程领域重新获得了广泛的关注并取得了巨大的成就。车速预测作为一项典型的预测任务，车速随时间的演化是动态的，将原始循环神经网络(RNN)算法及其变体引入网络神经网络预测模型的构建中，能够有效地解析和记忆车辆速度变化的内部规律。

现阶段车速预测领域应用最广泛的循环神经网络是长短期记忆网络(LSTM)，在具有良好性能的同时也存在参数量过多、不能并行训练的缺点从而无法很好的在短时间内处理大量训练数据，因此需要引入更加高效的训练模型来完成车速预测任务。另一方面，以往的车速预测过程只考虑了本车以及周车状态，忽略了驾驶员驾驶特点对车辆速度带来的影响。因此，亟待提出一种在保证预测精度的情况下具有更高效率的车速预测方法。

发明内容

有鉴于此，本发明提供了一种基于GRU神经网络的不同风格驾驶员车速预测方法，为不同驾驶风格状态下的预测任务构建不同的门控循环神经网络(GRU)车速预测模型，对比不区分驾驶风格预测模型的预测结果，能够有效提升预测的稳定性和预测精度。

为了实现上述目的，本发明采用如下技术方案：

一种基于GRU神经网络的不同风格驾驶员车速预测方法，包括以下步骤：

S1、采用预先构建的驾驶风格分类模型对驾驶数据库进行划分，得到对应不同驾驶风格的多个驾驶子数据库；

S2、分别构建对应不同驾驶风格的GRU车速预测模型；

S3、分别从各个所述驾驶子数据库中提取出训练数据，进行预处理，并按照时间序列逐时间步滑动生成训练样本序列数据库；

S4、利用所述训练样本序列数据库分别对对应驾驶风格的GRU车速预测模型进行训练；

S5、每间隔一定时间，采用所述驾驶风格辨识模型对当前驾驶风格进行判定，并在预设时间段内持续不变时，引入与当前驾驶风格对应的GRU车速预测模型进行车速预测。

经由上述的技术方案可知，与现有技术相比，本发明公开提供了一种一种基于GRU神经网络的不同风格驾驶员车速预测方法，具有以下有益效果：