申请/专利权人：南京航空航天大学

申请日：2021-07-30

公开（公告）日：2024-04-16

公开（公告）号：CN113537620B

主分类号：G06F30/27

分类号：G06F30/27;G06N20/10;G06F111/06

优先权：

专利状态码：有效-授权

法律状态：2024.04.16#授权;2021.11.09#实质审查的生效;2021.10.22#公开

摘要：本发明公开了一种基于Markov模型优化和工况识别的车速预测方法，首先建立基于标准法规工况的基础Markov车速预测模型；然后分别在四种工况下借助模拟退火算法对基础Markov车速预测模型的加速度序列和速度序列进行优化，得到四种工况对应的优化Markov车速预测模型；接着，建立基于支持向量机的工况识别模型；最后，基于工况识别模型对当前车辆的工况进行识别，并根据识别出的工况采用对应的优化Markov车速预测模型进行车速预测。本发明能够根据工况在线识别的结果调用对应的Markov车速预测模型，提高车速预测的精度。

主权项：1.基于Markov模型优化和工况识别的车速预测方法，其特征在于，包括以下步骤：步骤1，建立基于标准法规工况的基础Markov车速预测模型；所述标准法规工况包含高速工况、城郊工况、城市畅通工况和城市拥堵工况四种工况；所述基础Markov车速预测模型采用单阶多步车速预测模型，用于描述车辆在当前的加速度与车速状态下每个预测时刻车辆的加速度状态转移概率分布，包含加速度序列as0、速度序列Vs0、以及大小为La*La*Lv*Lp的概率矩阵，其中，as0为长度为La的amin到amax的等间距序列，Vs0为长度为Lv的0到Vmax的等间距序列，La为离散加速度状态数，Lv为离散速度状态数，Lp为预测步长，amin为预设的最小加速度阈值，amax为预设的最大加速度阈值，Vmax为预设的最大速度阈值；所述基础Markov车速预测模型的训练过程如下：步骤1.1，设置大小为La*La*Lv*Lp的频数矩阵T并将其零初始化，设置k＝1；步骤1.2，令过程预测步长q＝1；步骤1.3，获取标准法规工况的速度Vk、加速度ak和ak+q，采用最邻近法则得到Vk在速度序列中对应的离散值Vn、ak在加速度序列中对应的离散值aj、ak+q在加速度序列中对应的离散值ai，n为离散值Vn在速度序列中的位置编号、j为离散值aj在加速度序列中的位置编号、i为离散值ai在加速度序列中的位置编号，依据位置编号n、j、i、q对频数矩阵T的相应位置累积加1，即Ti，j，n，q累积加1，i，j∈{1，2，3，...，La}，n∈{1，2，3，...，Lv}；步骤1.4，更新q＝q+1，比较q和Lp之间的大小，如果q≤Lp，跳转执行步骤1.3；步骤1.5，更新k＝k+1，并比较k和L-Lp之间的大小，L为标准法规工况的长度，如果k≤L-Lp，跳转执行步骤1.2；步骤1.6，依据频数矩阵完成概率矩阵，表示如下： 所述基础Markov车速预测模型的预测过程如下：步骤1.a，获取当前状态的车速Vt与加速度at，t是车辆的真实运行时间，采用最邻近法则得到Vt在速度序列中对应的离散值Vn1、at在加速度序列中对应的离散值aj1；n1和为离散值Vn1在速度序列中的位置编号、j1为离散值aj1在加速度序列中的位置编号，令q＝1；步骤1.b，将概率矩阵P：，j1，n1，q中最大值所在位置记为L1，则q步车速预测值为：Vt+q＝Vt+q-1+as0L1*3.6步骤1.c，更新q＝q+1，比较q和Lp之间的大小，如果q≤Lp，跳转执行步骤1.b，否则所述基础Markov车速预测模型的预测过程结束步骤2，分别在四种工况下借助模拟退火算法对基础Markov车速预测模型的加速度序列和速度序列进行优化，得到四种工况对应的优化Markov车速预测模型；对于四种工况中的每一种工况：步骤2.1，以加速度序列as和速度序列Vs中的具体数值为优化变量、以预测误差为优化目标，将优化变量记为x＝[as，Vs]，优化目标E表示如下： 其中，是所有预测时刻的均方根误差的均值，是所有预测时刻的平均绝对误差的均值，为预测的车速，Vt为真实的车速；步骤2.2，采用模拟退火算法对优化变量进行优化，模拟退火算法能以一定的概率接受比当前解更差的解，具有跳出局部最优陷阱的能力：步骤2.2.1，设定初始温度TSAA，初始优化变量xold为步骤1中的加速度与速度序列，令Q＝0；步骤2.2.2，产生新优化变量xnew，将当前优化变量xold与新优化变量xnew带入Markov车速预测模型，求解得到对应的优化目标值Eold和Enew，并计算新优化变量的可接受概率PSAA： 步骤2.2.3，当Enew≥Eold时，产生一个随机数ε∈0，1，当ε＞PSAA时，优化目标值增加的新状态不被接受，执行步骤2.2.5，否则，接受新状态，执行步骤2.2.4；步骤2.2.4，更新xold＝xnew、TSAA＝α*TSAA、Q＝0，然后跳转执行步骤2.2.2，其中，α为温度参数衰减系数，α∈[0，1]；步骤2.2.5，更新Q＝Q+1，判断Q是否大于预设的阈值N，如果Q小于N，跳转执行步骤2.2.2，如果Q大于等于N，优化结束，将此时的Markov车速预测模型记录为工况对应的优化Markov车速预测模型；步骤3，建立基于支持向量机的工况识别模型，用于识别高速工况、城郊工况、城市畅通工况和城市拥堵工况，其输入为给定时间长度tS内的平均车速、最大加速度、最小加速度和停车时间比，输出为工况类别；步骤4，基于工况识别模型对当前车辆的工况进行识别，并根据识别出的工况采用对应的优化Markov车速预测模型进行车速预测。

全文数据：

权利要求：

百度查询： 南京航空航天大学 基于Markov模型优化和工况识别的车速预测方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD