【作者】

张子岩; 姚栋伟; 沈俊昊; 卢鑫威; 曹宗浩

【单位】

浙江大学

【摘要】

为了提升车速预测的预测精度和计算速度，对路况场景进行了分类，并分别在对应场景下提出了与相应交通信息相结合的车速预测算法。首先，分别搭建高速和城市工况场景。并在高速场景下采用广义自回归神经网络（GRNN）结合前车信息的算法，在城市场景下采用GRNN结合前车和交通灯信息的算法，用于构建多信息融合的GRNN车速预测模型。针对不同场景下的模型进行仿真，并分别提取最优的模型参数，然后采用其他工况对两种场景下的车速预测模型进行验证。仿真数据表明，采用最优参数的融合预测模型相较于仅采用历史车速数据的预测模型，在高速场景下，结合前车信息，平均预测精度提高了15.7%；在城市场景下，结合前车信息和前方交通灯信息，平均预测精度提高了17.2%。

【关键词】

能量管理;车速预测;交通信息融合;神经网络

【论文集名称】

智能动力

【会议名称】

交通能源与智能动力大会

【会议时间】

2022-11-24至2022-11-29

【会议地点】

上海

【下载次数】

3

返回