【作者】

谢辉; 胡东; 宋康

【单位】

天津大学

【摘要】

预知未来的行驶车速进而开展内燃动力系统的预测性能量管理，是提升系统综合能效的技术途径。随着智能网联技术和基础设施的迅速发展，车速预测算法成为领域内的研究热点。然而，由于驾驶员行为和交通流信息的高度不确定行，未来车速的准确预测其实比较困难。为此，本文基于车云协同、车路系统，提出了一种考虑驾驶风格、交通信息与历史数据的车速迭代优化预测算法。首先，基于历史数据，在云端利用多元高斯过程回归（GPR）对不同的驾驶风格下的车速进行全局预测。其次，通过对实际驾驶场景的学习，以迭代学习的方式对多个GPR子模型进行结合。其次，采用一种基于长短期记忆（LSTM）神经网络，设计了短期局部速度预测算法。最后，利用马尔可夫转移概率矩阵将局部和全局预测结果融合形成局部复合车速。该算法在交通灯前方300米的道路上进行了实验验证。结果表明，该方法能有效提高预测精度，与传统GPR方法相比，预测误差可降低70.67%。

【关键词】

车速预测;驾驶风格;GPR;LSTM;马尔可夫转移概率矩阵

【论文编号】

P0512

【论文集名称】

控制与测试

【会议名称】

第二届世界内燃机大会

【会议地点】

山东济南

【下载次数】

3

返回