[发明专利]一种基于双注意力机制网络的车速预测方法、系统及车辆

说明书

本发明提供了一种基于双注意力机制网络的车速预测方法、系统及车辆。其方法包括：获取车辆行驶特征数据，基于所述车辆行驶特征数据构建数据样本集；构建双注意力机制网络预测模型，所述双注意力机制网络模型包括第一注意力机制网络模型和第二注意力机制网络模型；基于数据样本集训练得到训练完备的双注意力机制网络预测模型；获取实时行驶数据，基于所述训练完备的双注意力机制网络预测模型，获得预测的车辆速度。本发明通过构建双注意力机制网络预测模型，在双注意力机制下，将隐藏层的时间序列进行有效的预测，从而提高神经网络模型的鲁棒性和时效性，进而提高车辆速度预测的准确性。

技术领域

本发明涉及智能汽车领域，具体涉及一种基于双注意力机制网络的车速预测方法。

背景技术

随着信息技术的不断发展，智能网联汽车已是确定了的全球汽车产业发展的战略方向，汽车逐步从单纯由人工操控的机械产品发展为融合了现代计算机技术、传感技术、通信技术、自动控制技术、人工智能等技术的、具备自动驾驶功能的智能生活终端应用。但是，目前智能电动车的续航不足仍然是制约电动车发展的主要问题之一，为了降低车辆的能耗，利用车辆自身未来车速的越策来优化动力总成控制是一种有效解决手段。但是车辆速度的预测通常是比较困难的，因为车辆的速度不仅与驾驶员的驾驶行为、驾驶风格有关，也与驾驶环境密切相关。特别是不同的驾驶员对于交通状况有着不同的反应和驾驶操作，因此很难用确定的方法来预测车辆的速度。

近年来，基于人工神经网络(ANN)技术的智能算法模型被广泛应用于预测车辆未来运行状况。Janak D.Trivedi和Dhara H.Dave等提出基于视觉的实时车辆检测和车辆速度测量，Lei Yang和Jianchen Luo等人提出基于多特征信息融合的车辆速度测量。JungmePark提出了基于机器学习的智能旅行建模系统，该模型可以根据开始时可用的交通信息来预测在所选定的路线上车辆的行驶速度曲线。MeiYan等人提出了用于车辆速度预测的数据驱动方法，即开发基于深度神经网络的深度学习模型来预测车辆未来的短期速度。上述基于人工神经网络的车辆速度获取方法都是在采集数据之后进行人工筛选，然后对模型进行训练，进而进行车辆速度的预测。但是对于驾驶员驾驶风格在时间序列上相对稳定这一重要因素注意没有去做充分考虑，因此，现有的神经网络对于不同驾驶风格的车速预测不够准确。

发明内容

有鉴于此，有必要提供一种基于双注意力机制循环网络神经的车辆速度方法及装置，用以解决现有技术中现有神经网络对于不同驾驶风格的车速预测不够准确的技术问题。

为了解决上述技术问题，一方面，本发明提供了一种基于双注意力机制循环网络神经的车辆速度方法，包括：

获取车辆行驶特征数据，基于所述车辆行驶特征数据构建数据样本集；

构建双注意力机制网络预测模型，所述双注意力机制网络模型包括第一注意力机制网络模型和第二注意力机制网络模型，其中，所述第二注意力机制网络模型包括编码器和解码器；

基于所述第一注意力机制网络模型对所述数据样本集进行初步特征提取，得到初步特征序列；基于所述编码器对所述初步特征序列进行特征编码得到所述目标特征序列，基于所述解码器对所述目标序列进解码得到车辆行驶预测数据，将所述预测数据作为反向传播的输入特征输入至所述编码器，进行迭代训练后，得到训练完备的第二注意力机制网络模型；

获取实时行驶数据，基于所述第一注意力机制网络模型以及所述训练完备的第二注意力机制网络模型，获得预测的车辆速度。

在一些可能的实现方式中，所述第一注意力机制网络模型包括依次连接RNN基本神经网络模块、第一注意力机制模块以及第一分类函数模块。

在一些可能的实现方式中，基于所述第一注意力机制网络模型对所述数据样本集进行初步特征提取，得到初步特征序列，包括：

将所述数据样本集输入至所述RNN基本神经网络模块，确定时间步长和特征维度，得到输入特征序列；