本发明专利技术公开一种在线自学习型的马尔可夫车辆速度预测方法，包括如下步骤：(10)构建离线数据库：选取标准工况，整合并形成车辆行驶速度离线数据库。(20)状态转移概率矩阵离线训练：定义车辆加速度为马尔可夫状态，确定预测范围，统计状态转移事件，计算转移概率矩阵。(30)设计状态转移矩阵实时更新算法：推导状态转移矩阵递归形式，定义自学习因子，利用车辆加速度历史信息，实现状态转移矩阵在线更新。(40)在线预测：获取车辆的加速度历史数据，更新转移概率矩阵，预测车辆速度。采用本发明专利技术提出的在线自学习型马尔科夫预测方法，可以提升速度预测的精度与计算时效；同时该发明专利技术方法简单易实现，工况自适应强，具有良好的工程应用前景。前景。前景。
【技术实现步骤摘要】
一种在线自学习型的马尔可夫车辆速度预测方法
[0001]本专利技术属于自动驾驶领域，尤其涉及一种在线自学习型的马尔可夫车辆速度预测方法。
技术介绍
[0002]随着车
‑
路
‑
网技术的发展，地面车辆能够获取周围交通信息，用于设计预测运动控制，实现先进辅助驾驶功能甚至是高等级的无人驾驶技术。其中，车辆速度预测已经成为预测能量管理、自适应巡航与自动变道等若干功能的前置条件，其预测精度直接影响到车辆控制的安全性与燃油经济性。因此，准确的车辆速度预测方法对实现安全、高效的智能驾驶具有重要意义。
[0003]目前，车辆速度预测技术已经得到广泛研究，包括多项式拟合法、传统马尔科夫链和基于神经网络的一类深度学习方法。然而，上述方法分别存在着预测精度差、工况适应性差和离线训练资源浪费、在线计算时效低的问题。现有车辆速度预测方法无法兼顾高精度、自适应性与高实时性，需要进一步改进。
技术实现思路
[0004]本专利技术的目的在于针对目前速度预测方法无法兼顾高精度、自适应性与高实时性，提供一种在线自学习型的马尔可夫车辆速度预测方法，有效提高预测精度，保证实时性。
[0005]实现本专利技术目的的技术解决方案为：
[0006]一种在线自学习型的马尔可夫车辆速度预测方法，包括如下步骤：
[0007](10)离线数据库构建：选取标准工况，对所述标准工况的数据进行整合，构建车辆行驶速度离线数据库。
[0008](20)状态转移概率矩阵离线训练：将车辆加速度作为马尔可夫事件中的状态，定义其状态网格，确定预测范围，根据所述离线数据库获取加速度数据，统计状态转移事件，建立状态转移矩阵，计算并存储转移概率矩阵。
[0009](30)设计状态转移矩阵实时更新算法：推导状态转移矩阵递归形式，定义自学习因子，利用车辆历史加速度转移信息，结合离线状态转移矩阵，实现状态转移矩阵的在线更新。
[0010](40)在线预测：获取车辆当前时刻下的加速度历史数据，参考所述加速度状态网格进行状态转移事件辨识，在线更新转移概率矩阵，预测车辆加速度，进而获取车辆预测速度。
[0011]与现有技术相比，本专利技术的显著优点是：
[0012]1、计算效率高：基于对离线状态转移矩阵的训练，在线自学习的速度预测方法只需通过实时地对离线数据进行替换和更新，不需要繁琐的在线算法，大幅提升在线计算时效，使得该方法能够更快地适应新的环境和变化。
[0013]2、自适应性强：传统的速度预测方法通过离线训练模型，收集大量的数据进行离线训练，用离线数据进行预测，这往往存在着滞后性和精度低的缺点，而本专利技术在线自学习型的车辆速度预测方法在综合利用传统马尔可夫链与车辆历史数据的基础下对新数据进行实时学习和预测，通过与实际观测结果的对比，系统能够调整和改进预测模型，这种自我优化的能力可以使预测模型不断升级，适应不同的驾驶环境。
附图说明
[0014]图1是本专利技术一种在线自学习型的马尔可夫车辆速度预测方法的流程示意图。
[0015]图2是离线工况组合图。
[0016]图3是转移概率矩阵离线训练流程图。
[0017]图4是多步马尔可夫转移概率矩阵图。
[0018]图4(a)是当前时刻1秒后加速度转移概率矩阵图。
[0019]图4(b)是当前时刻3秒后加速度转移概率矩阵图。
[0020]图4(c)是当前时刻7秒后加速度转移概率矩阵图。
[0021]图4(d)是当前时刻10秒后加速度转移概率矩阵图。
[0022]图5是转移概率矩阵实时更新流程图。
[0023]图6是传统马尔可夫模型的速度预测轨迹和均方根误差图。
[0024]图6(a)是传统马尔可夫模型的速度预测轨迹误差图。
[0025]图6(b)是传统马尔可夫模型的速度预测数据均方根误差图。
[0026]图7是在线自学习型的速度预测轨迹和均方根误差图。
[0027]图7(a)是在线自学习型的速度预测轨迹误差。
[0028]图7(b)是在线自学习型的速度预测数据均方根误差图。
[0029]表1是本专利技术与现有两种方法的性能对比。
具体实施方式
[0030]下面将结合附图对本专利技术进行描述，以便于本领域的技术人员可由说明书更好的理解本专利技术。
[0031]图1示出了本专利技术一种在线自学习型的马尔可夫速度预测方法的流程图。
[0032]在本实施例中，如图1所示，一种在线自学习型的马尔可夫速度预测方法步骤包括：
[0033](10)离线数据库构建：选取标准工况，对所述标准工况的数据进行整合，构建车辆行驶速度离线数据库。
[0034]为了更全面的覆盖到各种典型路段，使预测结果更加精确，本实施例对几种典型工况进行整合，从中进行离线数据获取。
[0035]图2示出了离线工况组合图。
[0036](20)状态转移概率矩阵离线训练：将车辆加速度作为马尔可夫事件中的状态，定义其状态网格，确定预测范围，根据所述离线数据库获取加速度数据，统计状态转移事件，建立状态转移矩阵，计算并存储转移概率矩阵。
[0037]图3示出了所述(20)状态转移概率矩阵离线训练步骤包括：
[0038](21)状态网格定义：以车辆加速度作为马尔可夫事件中的状态，即加速度状态空间可定义为X＝{a1，a2，......，a
p
}，a1和a
p
分别表示最小加速度和最大加速度，p为状态空间大小。定义加速度状态网格，加速度a(
‑
4≤a≤4)m/s2，以网格大小0.1m/s2划分变量。
[0039](22)预测时间步长确定：取预测时间范围为10秒。
[0040](23)统计状态转移事件：在每个所述预测时间步长下，遍历每个加速度状态网格中的值，根据所述离线加速度轨迹。统计每个当前加速度值a
i
转移到其对应的下一个时刻加速度值a
j
的样本数量，记为p为所述状态空间大小，k为未来即时的指数，k∈{1，2，......，10}，Q为加速度曲线测试长度。统计离线轨迹中与a
i
值相等的样本数量，记为
[0041](24)状态转移矩阵计算：根据所述状态事件统计的样本数量在未来某一时刻k下的状态转移矩阵可以计算为：
[0042][0043]所述(24)状态转移矩阵计算步骤包括：
[0044](241)状态转移矩阵建立：初始化转移概率矩阵大小为(Nacc，Nacc，10)，Nacc为加速度网格长度，初始化矩阵，用于统计每个时间步长加速度a
i
出现的次数，初始化矩阵，用于统计从某个加速度值到另一个加速度值的转移次数。
[0045](242)频率矩阵建立：根据所述样本数量二者分别与加速度曲线测试长度Q的比值分别表示两种事件在曲线中出现的频率，即：
[0046][0047]建立频本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种在线自学习型的马尔可夫车辆速度预测方法，其特征在于，包括如下步骤：(10)离线数据库构建：选取标准工况，对所述标准工况的数据进行整合，构建车辆行驶速度离线数据库。(20)状态转移概率矩阵离线训练：将车辆加速度作为马尔可夫事件中的状态，定义其状态网格，确定预测范围，根据所述离线数据库获取加速度数据，统计状态转移事件，建立状态转移矩阵，计算并存储转移概率矩阵。(30)设计状态转移矩阵实时更新算法：推导状态转移矩阵递归形式，定义自学习因子，利用车辆历史加速度转移信息，结合离线状态转移矩阵，实现状态转移矩阵的在线更新。(40)在线预测：获取车辆当前时刻下的加速度历史数据，参考所述加速度状态网格进行状态转移事件辨识，在线更新转移概率矩阵，预测车辆加速度，进而获取车辆预测速度。2.根据权利要求1所述的速度预测方法，其特征在于，所述(10)离线数据库构建步骤包括：(11)标准工况整合：根据城市工况FUDS、综合工况NEDC、高速工况HWFET、城市工况NYCC、综合工况WLTP几个工况的实验数据，对所述工况实验数据进行整合。(12)离线数据获取：根据对所述工况实验数据整合，获取速度
‑
时间曲线，加速度
‑
时间曲线。3.根据权利要求1所述的速度预测方法，其特征在于，所述(20)状态转移概率矩阵离线训练步骤包括：(21)状态网格定义：以车辆加速度作为马尔可夫事件中的状态，定义加速度状态网格，加速度(
‑
4≤a≤4)m/s2，以网格大小0.1m/s2划分变量。(22)预测范围确定：取预测时间范围为10秒。(23)统计状态转移事件：在每个所述预测时间步长下，遍历每个加速度状态网格中的值，根据所述离线加速度轨迹，统计每个当前加速度值a
i
转移到其对应的下一个时刻加速度值a
j
的样本数量，记为i，j∈{1，2，......，p}，p为所述状态空间大小，k为未来即时的指数，k∈{1，2，......，10}，Q为加速度曲线测试长度。统计离线轨迹中与a
i
值相等的样本数量，记为(24)状态转移矩阵计算：根据状态转移事件的样本数量，在所述预测时间范围下，未来某一时刻的转移概率矩阵可由样本数量与二者的比值得到。4.根据权利要求3所述的速...
【专利技术属性】
技术研发人员：鞠飞，周鑫源，
申请(专利权)人：南京林业大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。