一种基于道路交通环境的智能网联汽车车速预测方法与流程

本发明涉及智能网联汽车领域，特别是涉及一种基于道路交通环境特征量化的智能网联汽车车速预测方法。

背景技术：

长时车速预测是指在车辆未行驶前，根据整个规划路径上的道路交通信息，结合驾驶员的行为习惯和车辆状况，对整个规划路径上的未来行驶车速进行预测。有效、准确的长时车速预测是智能网联汽车(icv)和智能交通系统(its)发展的必然需求，具有重要的研究价值和应用前景，可广泛用于提高交通效率、改善安全行驶控制、车载能量智能优化控制、提高燃油经济性和剩余驾驶里程估计等。但由人-车-路-交通共同作用的行驶环境的时变性、复杂性和耦合性，长时车速序列受各种环境因素、驾驶人因素和随机因素的影响和制约，具有高度的不确定性，单纯依靠纯理论模型实现准确预测存在较大的难度，特别是规划路径上更长时的车速预测难度更大。但车辆智能网联环境和人工智能算法的发展有力推动了基于数据驱动的长时车速预测的研究，车载智能感知和通讯设备可以提供其所需的包括驾驶员状态、驾驶员习惯、车辆动力学特性、道路状况、周围车辆所处状态以及交通状态等数据。

相对于短时车速预测主要采用将道路特征数据、当前车速与车辆动力学理论相结合进行预测的方法，长时车速预测则主要以日期或时段为索引的历史车速或车速特性数据与路段平均交通流速等为输入量，其中可能会考虑天气或节假日的影响。但绝大部分长时车速预测的方法都是基于时段-位置的历史车速数据进行预测，本质上是以历史车速预测未来车速，这对于缺少历史数据的新行驶路段则无法实现较为准确的车速预测。

技术实现要素：

本发明针对以上问题，提出一种通过将道路交通环境特征量化的长时车速预测方法，并将该方法所得预测车速可以用于行驶能量和行驶时间需求预测场景，大大的改善现有车速预测模型的鲁棒性和泛化能力，为实现车载能量的智能管理和优化以及路径的合理规划提供了数据支撑和依据。

本发明的技术方案为：所述预测方法包括以下步骤：

s1、数据采集；

s1.1、获取人-车-路-交通大数据；

s1.2、用限速来描述道路类型，将道路划分为城市道路、郊区道路和高速道路；

s1.3、对人-车-路-交通大数据进行数据分析，分别提取道路信息、交通信息，储存于存储器中；

s2、数据提取；

s2.1、提取出交通信息中的交通流量和交通密度；

s2.2、提取出道路信息中的限速、车道数目、交叉路口设置、信号灯布置和车辆的位置信息；

s3、建立模型：将限速、车道数目、交叉路口设置、信号灯布置、车辆的位置信息、交通流量和交通密度作为车速预测模型的输入，车速作为输出，建立道路交通环境特征参量与车速之间的映射关系模型；

s4、消耗预测；

s4.1、通过步骤s3建立的模型，对将要行驶的历史行驶路径或新行驶路径的车速进行预测，从而得到预测车速；

s4.2、利用长时车速的预测结果，通过距离除以速度的方式进行计算，得到进行各个单位长度所消耗的时间；并将所有单位长度所消耗的时间相加，得到新的行驶路径需要消耗的总时间；

s4.3、结合s4.1和s4.2的结果，利用以下两个公式分别计算车辆预测消耗功率和预测能量消耗；

其中i为道路坡度，m为车的质量，f为滚动阻力系数，u为车速，i为道路坡度，cd为风阻系数，a为迎风面积，δ为汽车旋转质量换算系数，η为传动效率。

基于人-车-路-交通历史大数据可以获取各道路类型的限速，根据限速信息，可以将道路划分为城市道路、郊区道路和高速道路。

根据车辆上安装的gps，可以获取车辆的位置信息、时间、经纬度、速度、加速度信息；同时，在高德地图中输入行车路经的起始点和终点，获取道路信息中的限速、车道数目、交叉路口设置、信号灯布置和车辆的位置信息。

通过大数据云服务端的gis/its、路段摄像头，可以获取路段的交通流量和交通密度。

在步骤s3中，将限速、车道数目、交叉路口设置、信号灯布置、车辆的位置信息、交通流量和交通密度特征参量化后作为长时车速预测模型的输入，车速作为输出，利用遗传算法优化的三维bp神经网络建立车速预测模型，对车速进行预测，并将用该车速预测模型对将要行驶的历史行驶路径或新行驶路径的车速进行预测。

本发明的有益效果在于：本发明用限速描述道路类型，将道路划分为城市道路、郊区道路和高速道路，在历史行驶路径下，根据影响速度的主要因素，提取道路交通环境特征参数，将其特征参量化，并基于人工智能算法，建立道路交通环境特征参量与车速之间的映射关系模型。同时将该方法所得预测车速应用于行驶能量和行驶时间需求预测场景，大大的改善现有车速预测模型的鲁棒性和泛化能力，为实现车载能量的智能管理和优化以及路径的合理规划提供数据支撑和依据。

附图说明

图1为本发明的总体技术方案；

图2为三维bp神经网络结构图；

图3为遗传算法优化的bp神经网络流程图。

具体实施方式

本发明如图1-3所示，下面将对本发明进行更清楚、完整的进一步描述，显然，所描述的实例仅仅是本发明的一部分实例，而不是全部的实例。

车速预测是智能交通和汽车智能能量管理不可或缺的前提条件，有效、准确的长时车速预测是智能网联汽车(icv)和智能交通系统(its)发展的必然需求，然而目前的研究较多的是短时车速预测，由于长时的车速预测受到微观和随机等因素的影响，因此研究较少。针对这一现状，本发明提供一种基于道路交通环境特征量化的智能网联汽车的车速预测方法。对于既定的人-车系统，人的驾驶习惯和车的动力学特性在很长的时间内保持稳定，因此，在人的驾驶习惯和车的动力性确定的情况下，行驶车速主要受不同道路交通环境的影响。由此，基于人-车-路-交通历史大数据，针对城市、郊区和高速道路等不同道路类型，对道路交通环境进行特征量化描述，并基于人工智能算法，建立道路交通环境特征参量与车速之间的映射关系模型。该方法所得预测车速可以用于行驶能量和行驶时间需求预测场景，大大的改善现有车速预测模型的鲁棒性和泛化能力，为实现车载能量的智能管理和优化以及路径的合理规划提供数据支撑和依据。

所述预测方法包括以下步骤：

s1、数据采集；

s1.1、本发明对于既定的人-车系统，人的驾驶习惯和车的动力学特性会在很长的时间内保持不变，行驶车速特性的变化主要受不同道路交通环境的影响，通过高德地图、在车上安装gps以及大数据云服务端的gis/its、路段摄像头等获取人-车-路-交通大数据；

s1.2、用限速来描述道路类型，将道路划分为城市道路、郊区道路和高速道路；即在已知路径时，当道路限速大于或等于90km/h时，划分为高速路；当道路限速小于或等于60km/h时，划分为城市道路；其余道路限速条件下，划分为郊区道路。

s1.3、对人-车-路-交通大数据进行数据分析，分别提取道路信息、交通信息，储存于存储器中；

s2、数据提取；

s2.1、提取出交通信息中的交通流量和交通密度；通过大数据云服务端的gis/its、路段摄像头，可以获取路段的平均车流速度，交通密度，交通流量等交通信息，由于交通状态的时变性，交通流量和密度更能反应这一特征，因此本专利选取交通流量和密度作为车速预测模型的输入。

s2.2、提取出交通信息中的限速、车道数目、交叉路口设置、信号灯布置和车辆的位置信息；选取以上几个影响因素作为车速的特征参数，加入到车速预测模型的输入中；考虑到信号灯对车速的影响，本专利将红绿灯所在位置的前50米作为特征参数。对交叉路口和红绿灯的定义均为1和0，即交叉路口所在的位置记为1，无交叉路口所在的路段记为0；红绿灯及前50m所在位置记为1，无红绿灯记为0。

s3、建立模型：将限速、车道数目、交叉路口设置、信号灯布置、车辆的位置信息、交通流量和交通密度作为车速预测模型的输入，车速作为输出，建立道路交通环境特征参量与车速之间的映射关系模型；本专利以遗传算法优化的三维bp神经网络为例，建立道路交通环境特征参量与车速之间的映射关系模型，三维bp神经网络结构图如图2，遗传算法优化的三维bp神经网络流程图如图3，对车速进行预测，并将用该车速预测模型对将要行驶的历史行驶路径(即历史走过的常用路线)或新行驶路径的车速进行预测。

遗传算法优化三维bp神经网络的主要步骤为：

(1)初始化种群

个体编码采用实数编码的方法，每个个体均是一个实数串。实数串由输入层到隐藏层的权值、隐藏层的阈值以及隐藏层到输出层的权值、输出层阈值4个部分构成。个体包含神经网络的全部权值和阈值，在已知神经网络的结构前提下，就可以构成一个结构、权值、阈值确定的神经网络。

(2)适应度函数

根据个体得到的bp神经网络的初始权值和阈值，将bp神经网络训练后的预测输出与实际输出之间的误差绝对值作为适应度函数，即

其中，f为个体适应度函数，a为系数，k为网络输出节点数，yi和oi分别为第i个节点的期望输出和预测输出。

(3)选择

按照个体适应度函数，选择轮盘赌法，将优良个体遗传到下一个群体。那么，每个个体i的选择概率为：

fi＝b/fi

其中，fi为第i个体的个体适应度，b为系数,fi为第i个体的适应度函数，pi为第i个体的选择概率，t为种群个体数目。

(4)交叉

由于个体采用实数编码，所以交叉操作方法也采用实数交叉法，第x个染色体axi和第y个染色体ayi在j位的交叉操作方法如下：

axi＝axi(1-c)+ayic

ayi＝ayi(1-c)+axic

其中，axi和ayi分别是第x个染色体和第y个染色体的j位，c为[0，1]之间的随机数。

(5)变异

选取第i个个体的第j个基因进行变异的操作的方法为：

其中，amax为基因aij的上界，amin为基因aij的下界，f(g)＝r2(1-g/gmax)²，g为当前迭代次数，gmax为最大进化次数，r2为随机数，r为[0，1]之间的随机数。

(6)将ga优化后获得的最优个体代替bp神经网络训练的初始值，将其当作bp神经网络训练时新的权值和阈值，用于bp神经网络训练，进而用来预测，得到最优结果。

s4、消耗预测；

s4.1、通过步骤s3建立的模型，对将要行驶的历史行驶路径(即历史走过的常用路线)或新行驶路径的车速进行预测，从而得到预测车速，即车速随行驶距离的变化曲线；

s4.2、利用长时车速的预测结果，通过距离除以速度的方式进行计算，得到进行各个单位长度所消耗的时间；并将所有单位长度所消耗的时间相加，得到新的行驶路径需要消耗的总时间；

s4.3、结合s4.1和s4.2的结果，利用以下两个公式分别计算车辆预测消耗功率和预测能量消耗；

其中i为道路坡度，m为车的质量，f为滚动阻力系数，u为车速，i为道路坡度，cd为风阻系数，a为迎风面积，δ为汽车旋转质量换算系数，η为传动效率。

最终，根据预测的车速对行驶过程中车辆的能量消耗进行计算，可以得到预测的能量消耗值和实际的能量消耗值，在实际行驶中及时调整驾驶策略，大大的改善现有车速预测模型的鲁棒性和泛化能力，为实现车载能量的智能管理和优化以及路径的合理规划提供数据支撑和依据。