一种动态竞争车速预测方法、系统、设备及介质与流程

1.本发明属于混合动力汽车能量管理技术领域，涉及一种动态竞争车速预测方法、系统、设备及介质。


背景技术：

2.目前混合动力汽车的燃油经济性是主要是经过能量管理策略来决定的，能量管理策略是通过协调动力需求在多种能源之间的分配方式，以在不牺牲动力需求的前提下来提升整车的燃油经济性和排放性能。现有的能量管理策略一般分为基于规则和基于优化的策略两种。其中基于规则的策略控制时效性比较强，但相对于整车参数和工况的适用性差，并且需要制定人员具备丰富的工程经验；基于优化的策略分为全局优化策略和瞬时优化策略。全局优化策略能提供全局最优解，但需要预知完整的工况信息且计算量大，难以实现在线应用。瞬时优化策略针对当前时刻的工况信息寻求最优的动力需求分配方式，能实现在线的应用，但无法保证全局最优的控制效果。模型预测控制策略综合了全局优化策略和瞬时优化策略的优势，通过进行局部的车速预测及优化控制，有助于实现策略的在线应用，既考虑了未来的行程信息，又极大地缩短了优化的时间。
3.现有技术中通常将markov模型用于车速预测，常见的模型训练方法为基于整体历史驾驶数据离线训练，模型预测性能高度依赖于离线训练数据，且模型参数在预测过程中保持恒定，缺乏工况适应性。对于状态空间重构后的markov模型，虽然能够使模型适应驾驶场景，但是在状态空间重构初期的预测性能较差。


技术实现要素：

4.本发明的目的在于解决现有技术中通常采用单一的预测模型，不能在整个驾驶过程中对于车速进行准确预测的问题，提供一种动态竞争车速预测方法、系统、设备及介质。
5.为达到上述目的，本发明采用以下技术方案予以实现：
6.一种动态竞争车速预测方法，包括以下步骤：
7.s1，建立markov车速预测模型，markov车速预测模型包括状态转移机制、状态空间、状态转移概率矩阵、模型训练方法和模型预测方法；
8.s2，对markov车速预测模型进行状态空间重构，通过在线获取车辆行驶过程中的驾驶数据，对驾驶数据进行聚类分析后，得到在线重构的状态空间，形成状态空间重构后的markov车速预测模型；
9.s3，以在线重构的状态空间为基础，通过在线采集的驾驶数据对状态转移概率矩阵进行周期性更新；
10.s4，在车辆行驶过程中，基于初始的markov车速预测模型与状态空间重构后的markov车速预测模型进行动态竞争车速预测，直至行程结束。
11.本发明的进一步改进在于：
12.所述s1中markov车速预测模型的状态空间ss包括加速度序列as与速度序列vs，序
列长度分别为la与lv，具体表示为：
[0013][0014]
所述概率转移矩阵为la*la*lv*l
p
的四维矩阵，l
p
为预测步长；
[0015]
所述markov车速预测模型的模型训练方法包括以下步骤：
[0016]
s1.1，获取模型训练数据集，数据集包括车辆加速度和车辆速度；
[0017]
s1.2，根据最邻近法则对训练数据集中的连续变量进行处理，统计每个状态转移发生的次数，得到状态转移频数矩阵，具体表示为：
[0018][0019]
其中，v(k)、a(k)和a(k+m)为训练数据集中的连续变量值，vn、ai和aj为采用最邻近法则后上述连续变量值对应在状态空间中的离散变量值，k为以时间间隔δt＝1遍历训练数据集；
[0020]
s1.3，根据统计的状态转移频数矩阵得到状态转移概率矩阵，具体表示为：
[0021][0022]
其中，为状态转移频数矩阵；
[0023]
所述模型预测方法为期望预测法，具体表示为：
[0024][0025]
其中，ae(m)表示第m预测步长的期望加速度，a
jj
表示第m预测步长的加速度状态，表示第m预测步长的加速度状态对应的概率。
[0026]
所述s2具体包括以下步骤：
[0027]
s2.1，在车辆的行驶过程中，对在线的驾驶数据进行处理并记录，所述驾驶数据包括车辆加速度数据和车辆速度数据，直至车辆行程结束；
[0028]
s2.2，激活markov车速预测模型的状态空间重构行为，根据此时所记录的驾驶数据，通过k-means++聚类方法，分别对车辆加速度和车辆速度进行聚类，产生聚类中心，得到在线重构的状态空间，形成状态空间重构后的markov车速预测模型。
[0029]
所述s2.1中对在线的驾驶数据进行处理和记录具体通过以下步骤：
[0030]
s2.1.1，车辆行程开始时，行驶时间t＝1，将驾驶数据中的数据集设为空集，将数据集中的元素上限记为l；
[0031]
s2.1.2，判断行驶时间t＞l，不满足条件时，跳转至s2.6；
[0032]
s2.1.3，计算驾驶数据间隔，统计当前驾驶数据与数据集中元素距离小于驾驶数
据间隔的次数并将其记为c；
[0033]
s2.1.4，判断c≤0.2*l，不满足条件时，跳转至s2.7；
[0034]
s2.1.5，移除数据集中最早储存的元素；
[0035]
s2.1.6，在数据集中加入新元素；
[0036]
s2.1.7，记录此时数据集中的最大元素和最小元素，t＝t+1；
[0037]
s2.1.8，判断行程是否结束，未结束时重复s2.1.2-s2.1.7，直至行程结束。
[0038]
所述s2.2中激活markov车速预测模型的状态空间重构行为具体包括以下步骤：
[0039]
s2.2.1，车辆行程开始时，行驶时间t＝1，c
trig
＝0，t
sle
＝0；其中c
trig
为基于状态空间重构行为的模型预测误差大于初始模型预测误差的触发参数，t
sle
为记录状态空间重构行为休眠时间的参数；
[0040]
s2.2.2，判断t＞l，不满足条件时，跳转至步骤s2.2.5；
[0041]
s2.2.3，计算此时markov初始模型与markov基于状态空间重构模型的预测误差，初始模型记为markov
′
，基于状态空间重构模型记为markovr，其预测误差分别为rmse
′
(t)和rmser(t)，rmser(t)＞rmse
′
(t)，令c
tri
□
＝c
trig
+1并跳转至步骤s2.2.4，否则令c
trig
＝0，t
sle
＝t
sle
+1，f
′
act
＝0，并跳转步骤s2.2.6；其中，f
′
act
为聚类算法的激活判断参数，f
′
act
＝1表示激活聚类算法；
[0042]
所述markov
′
的状态空间ss0的加速度序列为长度为la的由-2到2m/s2的等间距序列，速度序列为长度为lv的由0到150km/h的等间距序列；
[0043]
所述markovr随时间变化，在t《l时，状态空间与markov
′
相同，状态转移概率矩阵采用初始设定；在t≥l时，状态空间及状态转移概率矩阵依据基于在线驾驶数据进行更新；
[0044]
所述状态转移概率矩阵初始设定记为tpm0，具体表示如下：
[0045][0046]
所述车速预测误差rmse
′
(t)和rmser(t)分别表示为：
[0047][0048]
其中：v
′
p
与分别为markov
′
和markovr模型预测的车速，vr为实际车速；
[0049]
s2.2.4，条件判断，c
trig
≥c
′
trig
&t
sle
≥t
′
sle
，令f
′
act
＝1，跳转步骤s2.2.6，否则令t
sle
＝t
sle
+1，f
′
act
＝0，跳转步骤s2.2.6；其中，c
′
trig
与t
′
sle
为条件判断的门限约束，属于标定调试量；
[0050]
s2.2.5，t≠l，令t
sle
＝t
sle
+1，f
′
act
＝0，否则令f
′
act
＝1；
[0051]
s2.2.6，f
′
act
＝1，则跳转步骤s2.16，否则令f
act
＝0，并跳转至步骤s2.2.9；
[0052]
s2.2.7，令t
sle
＝0，激活状态空间重构，采用k-means++算法得到聚类中心，ss
new
＝{a
′s，v
′s}，markovr当前状态空间记为计算ss
new
与ss
*
中两组加速度序列
与车速序列的欧式距离，记为disa和disy；
[0053]
所述欧式距离的计算方法为：
[0054][0055][0056]
s2.2.8，disa＞dis
′a&disv＞dis
′v，令f
act
＝1，跳转步骤s2.2.9，否则令f
act
＝0，并跳转至步骤s2.2.9，其中加速度阈值dis
′a和车速阈值dis
′v为标定调试量；
[0057]
s2.2.9，t＝t+1；
[0058]
s2.2.10，判断行程是否结束，未结束时重复s2.2.2-s2.2.9，直至行程结束。
[0059]
所述s3具体包括以下步骤：
[0060]
s3.1，车辆行程开始，初始化markovr状态转移概率矩阵tpm
′
＝tpm0，ss＝ss0，k＝1，t＝1，t＝1；
[0061]
s3.2，f
act
＝0，跳转步骤s3.3，否则令ss＝ss
new
，tpm
′
＝tpm0，t＝1，并跳转步骤s3.5；
[0062]
s3.3，判断t是否能整除l，不满足条件时令t＝t+1，跳转至步骤s3.5；
[0063]
s3.4，对记录的在线驾驶数据d
′
t
重复步骤s1.2进行处理得到状态转移频数矩阵tfm(k)，并对其进行加权更新得到tfm
′
(k)，最后再重复步骤s1.3得到tpm(k)，更新markovr的状态转移概率矩阵，tpm
′
＝tpm(k)，k＝k+1，t＝t+1：
[0064]
所述加权计算方法表示为：
[0065][0066]
其中，μ(0《μ《1)为引入的遗忘因子，为标定调试变量；
[0067]
所述在线驾驶数据d
′
t
对新数据不进行筛选，元素上限为l；
[0068]
s3.5，t＝t+1；
[0069]
s3.6，判断行程是否结束，未结束时重复s3.2-s3.5，直至行程结束。
[0070]
所述进行动态竞争车速预测具体通过以下步骤：
[0071]
s4.1，车辆行程开始，t＝1；
[0072]
s4.2，分别使用初始模型markov
′
和基于状态空间重构模型markovr进行车速预测；
[0073]
s4.3，计算动态车速竞争因子fc(t)，具体表示为：
[0074][0075]
s4.4，计算动态竞争的车速预测结果，具体表示为：
[0076][0077]
s4.5，t＝t+1；
[0078]
s4.6，判断行程是否结束，未结束则重复步骤s4.2-s4.5。
[0079]
一种动态竞争车速预测系统，具体包括以下单元：
[0080]
车速预测模型建立单元，所述车速预测模型建立单元用于建立markov车速预测模型，markov车速预测模型包括状态转移机制、状态空间、状态转移概率矩阵、模型训练方法和模型预测方法；
[0081]
状态空间重构单元，所述状态空间重构单元用于对markov车速预测模型进行状态空间重构，通过在线获取车辆行驶过程中的驾驶数据，对驾驶数据进行聚类分析后，得到在线重构的状态空间，形成状态空间重构后的markov车速预测模型；
[0082]
循环更新单元，所述循环更新单元以在线重构的状态空间为基础，通过在线采集的驾驶数据对状态转移概率矩阵进行周期性更新；
[0083]
车速竞争预测单元，所述车速竞争预测单元用于在车辆行驶过程中，基于初始的markov车速预测模型与状态空间重构后的markov车速预测模型进行动态竞争车速预测，直至行程结束。
[0084]
一种设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如前项任一项所述方法的步骤。
[0085]
一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现如前项任一项所述方法的步骤。
[0086]
与现有技术相比，本发明具有以下有益效果：
[0087]
本发明提出了一种基于markov状态空间重构的动态竞争车速预测方法，通过在线驾驶数据对markov车速预测模型进行状态空间重构后，形成状态空间重构后的markov车速预测模型，使用基于初始markov模型及基于状态空间重构markov模型的动态竞争车速预测方法，综合了两种预测方法的优势，且避免了采用单一预测方法的缺陷，能提高车速预测的准确性，也可以应用在基于模型预测控制的混合动力汽车能量管理策略中，能有效的提升车辆的燃油经济性。
附图说明
[0088]
为了更清楚的说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。
[0089]
图1为本发明基于markov状态空间重构的动态竞争车速预测方法流程图；
[0090]
图2为本发明中的在线驾驶数据处理的流程图；
[0091]
图3为本发明中状态空间重构行为激活的流程图；
[0092]
图4为本发明中markov初始模型训练数据集；
[0093]
图5为本发明中状态转移概率矩阵更新的流程图。
具体实施方式
[0094]
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。
[0095]
因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
[0096]
应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。
[0097]
在本发明实施例的描述中，需要说明的是，若出现术语“上”、“下”、“水平”、“内”等指示的方位或位置关系为基于附图所示的方位或位置关系，或者是该发明产品使用时惯常摆放的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一”、“第二”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
[0098]
此外，若出现术语“水平”，并不表示要求部件绝对水平，而是可以稍微倾斜。如“水平”仅仅是指其方向相对“竖直”而言更加水平，并不是表示该结构一定要完全水平，而是可以稍微倾斜。
[0099]
在本发明实施例的描述中，还需要说明的是，除非另有明确的规定和限定，若出现术语“设置”、“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本发明中的具体含义。
[0100]
下面结合附图对本发明做进一步详细描述：
[0101]
参见图1，为本发明中基于markov状态空间重构的动态竞争车速预测方法流程图，包括以下步骤：
[0102]
s1：建立markov车速预测模型，markov车速预测模型包括状态转移机制、状态空间、状态转移概率矩阵、模型训练方法和模型预测方法。
[0103]
所述markov车速预测模型为单阶多步车速预测模型，包含状态转移机制、状态空间、概率转移矩阵、模型训练方法和模型预测方法。
[0104]
所述状态转移机制描述了在当前的加速度与车速状态下，每个预测时刻的加速度状态转移概率分布。
[0105]
所述状态空间包含加速度序列as与速度序列vs，序列长度分别为la与lv，具体表示为：
[0106]
[0107]
所述概率转移矩阵为la*la*lv*l
p
的四维矩阵，l
p
为预测步长。
[0108]
所述步模型训练方法具体包括以下步骤：
[0109]
s1.1，获取模型训练数据集，数据集包括车辆加速度和车辆速度。
[0110]
s1.2，采用最邻近法则对训练数据集中的连续变量进行处理并统计每个状态转移发生的次数，具体表示为：
[0111][0112]
其中，v(k)、a(k)和a(k+m)为训练数据集中的连续变量值，vn、ai和aj为采用最邻近法则后上述连续变量值对应在状态空间中的离散变量值，k以时间间隔δt＝1遍历训练数据集。
[0113]
s1.3，所述状态转移频率矩阵依据统计的状态转移频数矩阵得到，具体表示为：
[0114][0115]
所述模型预测方法为期望预测法，具体表示为：
[0116][0117]
其中，ae(m)为第m预测步长的期望加速度，a
jj
和分别为第m预测步长的加速度状态及对应的概率。
[0118]
s2，对markov车速预测模型进行状态空间重构，通过在线获取车辆行驶过程中的驾驶数据，对驾驶数据进行聚类分析后，得到在线重构的状态空间，形成状态空间重构后的markov车速预测模型。
[0119]
s2.1，如图2所示，在车辆行驶过程中，对在线的驾驶数据进行处理并记录，所述驾驶数据包括加速度和车速，记录为该过程从行程开始重复运行直至行程结束，加速度和车速数据处理记录流程相同，加速度的处理记录过程包含以下步骤；
[0120]
s2.1.1，车辆行程开始，t＝1，加速度数据集设为空集，将数据集的元素上限记为l；
[0121]
s2.1.2，当行驶时间t＞l时，跳转至s2.1.3，否则，跳转至s2.1.6；
[0122]
s2.1.3，计算加速度间隔a
″
＝(a
max-a
min
)/la，统计当前加速度a
t
与中元素距离小于a
″
的次数并将其记为ca；
[0123]
s2.1.4，ca≤0.2
×
l，跳转至s2.1.5，否则，跳转至s2.1.7；
[0124]
s2.1.5，移除中最早储存的元素；
[0125]
s2.1.6，在集合中加入新元素a
t
，
[0126]
s2.1.7，分别记录此时中最大和最小的元素为a
max
和a
min
，t＝t+1；
[0127]
s2.1.8，行程未结束则重复进行s2.1.2-s2.1.7；
[0128]
s2.2，当车速预测模型的状态空间重构行为被激活时，根据此时记录的驾驶数据，采用k-means++聚类方法，分别对加速度和车速进行聚类，产生聚类中心ss
new
＝{a
′s，v
′s}，如图3所示，所述状态空间重构行为激活流程包含以下步骤：
[0129]
s2.2.1，行程开始，t＝1，c
trig
＝0，t
sle
＝0；
[0130]
其中：c
trig
为基于状态空间重构行为的模型预测误差大于初始模型预测误差的触发参数，t
sle
为记录状态空间重构行为休眠时间的参数；
[0131]
s2.2.2，t＞l，跳转步骤s2.2.3，否则跳转步骤s2.2.5；
[0132]
s2.2.3，计算此时markov初始模型与markov基于状态空间重构模型的预测误差，初始模型记为markov
′
，基于状态空间重构模型记为markovr，其预测误差分别为rmse
′
(t)和rmser(t)，rmser(t)＞rmse
′
(t)，令c
trig
＝c
trig
+1并跳转至步骤s2.2.4，否则令c
trig
＝0，t
sle
＝t
sle
+1，f
′
act
＝0，并跳转步骤s2.2.6；
[0133]
其中，f
′
act
为聚类算法的激活判断参数，f
′
act
＝1表示激活聚类算法；
[0134]
所述markov
′
的状态空间ss0的加速度序列为长度为la的由-2到2m/s2的等间距序列，速度序列为长度为lv的由o到150km/h的等间距序列，如图4所示，状态转移概率矩阵的训练数据是由advisor软件提取的标准工况的组合；
[0135]
所述markovr随时间变化，在t《l时，状态空间与markov
′
相同，状态转移概率矩阵采用初始设定；在t≥l时，状态空间及状态转移概率矩阵依据基于在线驾驶数据进行更新；
[0136]
所述状态转移概率矩阵初始设定记为tpm0，具体表示如下：
[0137][0138]
所述车速预测误差rmse
′
(t)和rmser(t)分别表示为：
[0139][0140]
其中，v
′
p
与分别为markov
′
和markovr模型预测的车速，vr为实际车速。
[0141]
s2.2.4，条件判断，c
trig
≥c
′
trig
&t
sle
≥t
′
sle
，令f
′
act
＝1，跳转步骤s2.2.6，否则令t
sle
＝t
sle
+1，f
′
act
＝0，跳转步骤s2.2.6。
[0142]
其中，c
′
trig
与t
′
sle
为条件判断的门限约束，属于标定调试量，调试的目标是使得聚类算法能在驾驶工况发生变化时得到触发，且在稳定工况下不会频繁触发。
[0143]
s2.2.5，t≠l，令t
sle
＝t
sle
+1，f
′
act
＝0，否则令f
′
act
＝1。
[0144]
s2.2.6，f
′
act
＝1，则跳转步骤s2.2.8，否则令f
act
＝0，并跳转至步骤s2.2.9。
[0145]
其中，f
act
为聚类中心作为状态空间的判断参数，f
act
＝1表示采用聚类中心作为状态空间。
[0146]
s2.2.7，令t
sle
＝0，激活状态空间重构，采用k-means++算法得到聚类中心，ss
new
＝{a
′s，v
′s}，markovr当前状态空间记为计算ss
new
与ss
*
中两组加速度序列与车速序列的欧式距离，记为disa和disv。
[0147]
所述欧式距离的计算方法为：
[0148][0149]
s2.2.8，disa＞dis
′a&disv＞dis
′v，令f
act
＝1，跳转步骤s2.2.9，否则令f
act
＝0，并跳转至步骤s2.2.9。
[0150]
所述加速度与车速阈值dis
′a和dis
′v为标定调试量，调试的目标为避免频繁的状态空间重构，以便在状态转移概率矩阵中包含尽可能多的驾驶信息。
[0151]
s2.2.9，t＝t+1。
[0152]
s2.2.10，行程未结束则重复进行s2.2.2-s2.2.9。
[0153]
s3，以在线重构的状态空间为基础，通过在线采集的驾驶数据对状态转移概率矩阵进行周期性更新。
[0154]
如图5所示，所述状态转移概率矩阵更新流程包含以下步骤：
[0155]
s3.1，行程开始，初始化markovr状态转移概率矩阵tpm
′
＝tpm0，ss＝ss0，k＝1，t＝1，t＝1。
[0156]
s3.2，f
act
＝0，跳转步骤s3.3，否则令ss＝ss
new
，tpm
′
＝tpm0，t＝1，并跳转步骤s3.5。
[0157]
s3.3，t能整除l，则跳转步骤s3.4，否则令t＝t+1，跳转步骤s3.5。
[0158]
s3.4，对记录的在线驾驶数据d
′
t
重复步骤s1.2进行处理得到状态转移频数矩阵tfm(k)，并对其进行加权更新得到tfm
′
(k)，最后再重复步骤s1.3得到tpm(k)，更新markovr的状态转移概率矩阵，tpm
′
＝tpm(k)，k＝k+1，t＝t+1。
[0159]
所述在线驾驶数据d
′
t
对新数据不进行筛选，遵循先进先出原则，元素上限为l。
[0160]
所述加权计算方法表示为：
[0161][0162]
其中，μ(0《μ《1)为引入的遗忘因子，为标定调试变量。
[0163]
s3.5，t＝t+1。
[0164]
s3.6，判断行程是否结束，未结束时重复s3.2-s3.5，直至行程结束。
[0165]
s4，在车辆行驶过程中，基于初始的markov车速预测模型与状态空间重构后的markov车速预测模型进行动态竞争车速预测，直至行程结束。
[0166]
s4.1，行程开始，t＝1。
[0167]
s4.2，分别使用markov
′
和markovr模型进行车速预测。
[0168]
s4.3，计算动态车速竞争因子fc(t)，具体表示为：
[0169][0170]
其中，rmse
′
(t)表示初始markov车速预测模型的车速预测误差，rmser(t)表示为基于状态空间重构markov车速预测模型的车速预测误差。
[0171]
s4.4，计算动态竞争的车速预测结果，具体表示为：
[0172][0173]
其中，v
′
p
表示初始markov车速预测模型预测的车速，表示基于状态空间重构markov车速预测模型预测的车速。
[0174]
s4.5，t＝t+1。
[0175]
s4.6，判断行程是否结束，未结束则重复步骤s4.2-s4.5。
[0176]
本发明一实施例提供了一种基于markov状态空间重构的车速预测系统，具体包括以下单元：
[0177]
车速预测模型建立单元，所述车速预测模型建立单元用于建立markov车速预测模型，markov车速预测模型包括状态转移机制、状态空间、状态转移概率矩阵、模型训练方法和模型预测方法；
[0178]
状态空间重构单元，所述状态空间重构单元用于对markov车速预测模型进行状态空间重构，通过在线获取车辆行驶过程中的驾驶数据，对驾驶数据进行聚类分析后，得到在线重构的状态空间，形成状态空间重构后的markov车速预测模型；
[0179]
循环更新单元，所述循环更新单元以在线重构的状态空间为基础，通过在线采集的驾驶数据对状态转移概率矩阵进行周期性更新；
[0180]
车速竞争预测单元，所述车速竞争预测单元用于在车辆行驶过程中，基于初始的markov车速预测模型与状态空间重构后的markov车速预测模型进行动态竞争车速预测，直至行程结束。
[0181]
本发明中的基于markov状态空间重构的动态竞争车速预测方法，可以根据驾驶工况重构markov车速预测模型的状态空间，同时对模型的状态转移概率矩阵进行周期性更新，使得模型能动态适应驾驶场景，基于初始markov模型对不同工况均有较好的预测性能，但模型性能高度依赖离线训练数据质量，基于状态空间重构markov模型，能利用在线驾驶数据对模型的状态空间及状态转移矩阵进行重构及更新，使得模型能动态适应驾驶场景，但其在状态空间重构后初期的预测性能较差；使用基于初始markov模型及基于状态空间重构markov模型的动态竞争车速预测方法，综合了两种预测方法的优势，且避免了采用单一预测方法的缺陷，能提高车速预测的准确性，本发明可以进一步应用在基于模型预测控制的混合动力汽车能量管理策略中，能提升车辆的燃油经济性。
[0182]
本发明一实施例提供一种终端设备。该实施例的终端设备包括：处理器、存储器以及存储在所述存储器中并可在所述处理器上运行的计算机程序。所述处理器执行所述计算
机程序时实现上述各个方法实施例中的步骤。或者，所述处理器执行所述计算机程序时实现上述各装置实施例中各模块/单元的功能。
[0183]
所述计算机程序可以被分割成一个或多个模块/单元，所述一个或者多个模块/单元被存储在所述存储器中，并由所述处理器执行，以完成本发明。
[0184]
所述装置/终端设备可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述装置/终端设备可包括，但不仅限于，处理器、存储器。
[0185]
所述处理器可以是中央处理单元(central processing unit，cpu)，还可以是其他通用处理器、数字信号处理器(digital signal processor，dsp)、专用集成电路(application specific integrated circuit，asic)、现成可编程门阵列(field-programmable gate array，fpga)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。
[0186]
所述存储器可用于存储所述计算机程序和/或模块，所述处理器通过运行或执行存储在所述存储器内的计算机程序和/或模块，以及调用存储在存储器内的数据，实现所述装置/终端设备的各种功能。
[0187]
所述装置/终端设备集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、u盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(rom，read-only memory)、随机存取存储器(ram，random access memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是，所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括电载波信号和电信信号。
[0188]
以上仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

技术特征：
1.一种动态竞争车速预测方法，其特征在于，包括以下步骤：s1，建立markov车速预测模型，markov车速预测模型包括状态转移机制、状态空间、状态转移概率矩阵、模型训练方法和模型预测方法；s2，对markov车速预测模型进行状态空间重构，通过在线获取车辆行驶过程中的驾驶数据，对驾驶数据进行聚类分析后，得到在线重构的状态空间，形成状态空间重构后的markov车速预测模型；s3，以在线重构的状态空间为基础，通过在线采集的驾驶数据对状态转移概率矩阵进行周期性更新；s4，在车辆行驶过程中，基于初始的markov车速预测模型与状态空间重构后的markov车速预测模型进行动态竞争车速预测，直至行程结束。2.如权利要求1所述的一种动态竞争车速预测方法，其特征在于，所述s1中markov车速预测模型的状态空间ss包括加速度序列a
s
与速度序列v
s
，序列长度分别为l
a
与l
v
，具体表示为：所述概率转移矩阵为l
a
*
a
*
v
*
p
的四维矩阵，l
p
为预测步长；所述markov车速预测模型的模型训练方法包括以下步骤：s1.1，获取模型训练数据集，数据集包括车辆加速度和车辆速度；s1.2，根据最邻近法则对训练数据集中的连续变量进行处理，统计每个状态转移发生的次数，得到状态转移频数矩阵，具体表示为：其中，v(k)、a(k)和a(k+m)为训练数据集中的连续变量值，v
n
、a
i
和a
j
为采用最邻近法则后上述连续变量值对应在状态空间中的离散变量值，k为以时间间隔δt＝1遍历训练数据集；s1.3，根据统计的状态转移频数矩阵得到状态转移概率矩阵，具体表示为：其中，为状态转移频数矩阵；所述模型预测方法为期望预测法，具体表示为：其中，a
e
(m)表示第m预测步长的期望加速度，a
jj
表示第m预测步长的加速度状态，
表示第m预测步长的加速度状态对应的概率。3.如权利要求1中所述的一种动态竞争车速预测方法，其特征在于，所述s2具体包括以下步骤：s2.1，在车辆的行驶过程中，对在线的驾驶数据进行处理并记录，所述驾驶数据包括车辆加速度数据和车辆速度数据，直至车辆行程结束；s2.2，激活markov车速预测模型的状态空间重构行为，根据此时所记录的驾驶数据，通过k-means++聚类方法，分别对车辆加速度和车辆速度进行聚类，产生聚类中心，得到在线重构的状态空间，形成状态空间重构后的markov车速预测模型。4.如权利要求3所述的一种动态竞争车速预测方法，其特征在于，所述s2.1中对在线的驾驶数据进行处理和记录具体通过以下步骤：s2.1.1，车辆行程开始时，行驶时间t＝1，将驾驶数据中的数据集设为空集，将数据集中的元素上限记为l；s2.1.2，判断行驶时间t>l，不满足条件时，跳转至s2.6；s2.1.3，计算驾驶数据间隔，统计当前驾驶数据与数据集中元素距离小于驾驶数据间隔的次数并将其记为c；s2.1.4，判断c≤0.2*l，不满足条件时，跳转至s2.7；s2.1.5，移除数据集中最早储存的元素；s2.1.6，在数据集中加入新元素；s2.1.7，记录此时数据集中的最大元素和最小元素，t＝t+1；s2.1.8，判断行程是否结束，未结束时重复s2.1.2-s2.1.7，直至行程结束。5.如权利要求3所述的一种动态竞争车速预测方法，其特征在于，所述s2.2中激活markov车速预测模型的状态空间重构行为具体包括以下步骤：s2.2.1，车辆行程开始时，行驶时间t＝1，c
trig
＝0，t
sle
＝0；其中c
trig
为基于状态空间重构行为的模型预测误差大于初始模型预测误差的触发参数，t
sle
为记录状态空间重构行为休眠时间的参数；s2.2.2，判断t>l，不满足条件时，跳转至步骤s2.2.5；s2.2.3，计算此时markov初始模型与markov基于状态空间重构模型的预测误差，初始模型记为markov
′
，基于状态空间重构模型记为markov
r
，其预测误差分别为rmse
′
(t)和rmse
r
(t)，rmse
r
(t)>mse
′
(t)，令c
trig
＝
trig
+1并跳转至步骤s2.2.4，否则令c
trig
＝0，t
sle
＝
sle
+1，f
a
′
ct
＝0，并跳转步骤s2.2.6；其中，f
a
′
ct
为聚类算法的激活判断参数，f
a
′
ct
＝1表示激活聚类算法；所述markov
′
的状态空间ss0的加速度序列为长度为l
a
的由-2到2m/s2的等间距序列，速度序列为长度为lv的由0到150km/h的等间距序列；所述markov
r
随时间变化，在t<l时，状态空间与markov
′
相同，状态转移概率矩阵采用初始设定；在t≥l时，状态空间及状态转移概率矩阵依据基于在线驾驶数据进行更新；所述状态转移概率矩阵初始设定记为tpm0，具体表示如下：
所述车速预测误差rmse
′
(t)和rmse
r
(t)分别表示为：其中：v
′
p
与分别为markov
′
和markov
r
模型预测的车速，v
r
为实际车速；s2.2.4，条件判断，c
trig
≥c
′
trig
&t
sle
≥t
′
sle
，令f
′
act
＝1，跳转步骤s2.2.6，否则令t
sle
＝t
sle
+1，f
′
act
＝0，跳转步骤s2.2.6；其中，c
′
trig
与t
′
sle
为条件判断的门限约束，属于标定调试量；s2.2.5，t≠l，令t
sle
＝t
sle
+1，f
′
act
＝0，否则令f
′
act
＝1；s2.2.6，f
′
act
＝1，则跳转步骤s2.16，否则令f
act
＝0，并跳转至步骤s2.2.9；s2.2.7，令t
sle
＝0，激活状态空间重构，采用k-means++算法得到聚类中心，ss
new
＝{a
′
s
,v
′
s
}，markov
r
当前状态空间记为计算ss
new
与ss
*
中两组加速度序列与车速序列的欧式距离，记为dis
a
和disv；所述欧式距离的计算方法为：所述欧式距离的计算方法为：s2.2.8，dis
a
>dis
′
a
&disv>dis
′v，令f
act
＝1，跳转步骤s2.2.9，否则令f
act
＝0，并跳转至步骤s2.2.9，其中加速度阈值dis
′
a
和车速阈值dis
′v为标定调试量；s2.2.9，t＝t+1；s2.2.10，判断行程是否结束，未结束时重复s2.2.2-s2.2.9，直至行程结束。6.如权利要求1所述的一种动态竞争车速预测方法，其特征在于，所述s3具体包括以下步骤：s3.1，车辆行程开始，初始化markov
r
状态转移概率矩阵tpm
′
＝pm0，ss＝ss0，k＝1，t＝1，t＝1；s3.2，f
act
＝0，跳转步骤s3.3，否则令ss＝ss
new
，tpm
′
＝om0，t＝1，并跳转步骤s3.5；s3.3，判断t是否能整除l，不满足条件时令t＝t+1，跳转至步骤s3.5；s3.4，对记录的在线驾驶数据d
t
′
重复步骤s1.2进行处理得到状态转移频数矩阵tfm(k)，并对其进行加权更新得到tfm
′
()，最后再重复步骤s1.3得到tpm(k)，更新markov
r
的状态转移概率矩阵，tpm
′
＝pm(k)，k＝k+1，
＝t+1；所述加权计算方法表示为：其中，μ(0<μ<1)为引入的遗忘因子，为标定调试变量；所述在线驾驶数据d
t
′
对新数据不进行筛选，元素上限为l；s3.5，t＝t+1；s3.6，判断行程是否结束，未结束时重复s3.2-s3.5，直至行程结束。7.如权利要求1所述的一种动态竞争车速预测方法，其特征在于，所述进行动态竞争车速预测具体通过以下步骤：s4.1，车辆行程开始，t＝1；s4.2，分别使用初始模型markov
′
和基于状态空间重构模型markov
r
进行车速预测；s4.3，计算动态车速竞争因子f
c
(t)，具体表示为：s4.4，计算动态竞争的车速预测结果，具体表示为：s4.5，t＝t+1；s4.6，判断行程是否结束，未结束则重复步骤s4.2-s4.5。8.一种动态竞争车速预测系统，其特征在于，具体包括以下单元：车速预测模型建立单元，所述车速预测模型建立单元用于建立markov车速预测模型，markov车速预测模型包括状态转移机制、状态空间、状态转移概率矩阵、模型训练方法和模型预测方法；状态空间重构单元，所述状态空间重构单元用于对markov车速预测模型进行状态空间重构，通过在线获取车辆行驶过程中的驾驶数据，对驾驶数据进行聚类分析后，得到在线重构的状态空间，形成状态空间重构后的markov车速预测模型；循环更新单元，所述循环更新单元以在线重构的状态空间为基础，通过在线采集的驾驶数据对状态转移概率矩阵进行周期性更新；车速竞争预测单元，所述车速竞争预测单元用于在车辆行驶过程中，基于初始的markov车速预测模型与状态空间重构后的markov车速预测模型进行动态竞争车速预测，直至行程结束。9.一种设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1-7任一项所述方法的步骤。10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1-7任一项所述方法的步骤。

技术总结
本发明公开了一种动态竞争车速预测方法、系统、设备及介质，包括建立Markov车速预测模型，包括状态转移机制、状态空间、状态转移概率矩阵、模型训练方法和模型预测方法；对模型进行状态空间重构，在线获取车辆驾驶数据，对驾驶数据进行聚类分析，得到在线重构的状态空间，形成状态空间重构后的车速预测模型；以在线重构的状态空间为基础，通过在线采集的驾驶数据对状态转移概率矩阵进行周期性更新；在行驶过程中，基于状态空间重构前后的车速预测模型进行动态竞争车速预测，至行程结束。通过分别使用基于状态空间重构前后模型的动态竞争车速预测方法，综合两种优势，避免采用单一预测方法的缺陷，能够有效提高车速预测准确性。能够有效提高车速预测准确性。能够有效提高车速预测准确性。


技术研发人员：王蓉 何艳则 刘闪闪 王多衎 贺子龙 李小坚
受保护的技术使用者：奇瑞汽车股份有限公司
技术研发日：2023.02.23
技术公布日：2023/5/31