基于时空序列信息的网联汽车车速预测方法与流程

[0001]
本发明属于汽车智能网联技术领域。


背景技术：

[0002]
智能网联汽车通过搭载gps定位、雷达等，实现了车、人、环境等信息间的交互共享，基于智能网联信息实现未来行驶状态的精准预测是提升车辆的能效、安全和舒适等性能的重要手段，也是未来汽车的发展趋势。车辆速度是复杂传动系统动力输出与传递的结果，未来车速序列信息与具有时空关联的输入特征相关，如何挖掘智能网联信息与车速的时空关联特征，充分考虑道路条件、跟车状态下的空间特性以及车速本身的时序特性，不仅是提高模型预测精度的基础，也是当前相关领域的空白。
[0003]
目前已公开的车速预测模型主要集中在以下几个方面：其一，通常关注单一的车速信息，通过分析交通路况综合信息，构建基于交通场景的车速预测模型。该种技术模型以庞大的数据库信息和信息交互技术作为支撑，来完成未来路况及车速信息的预测任务。但利用现有技术预测车速时计算量较大，且没有考虑车辆瞬时路况。
[0004]
例如，专利cn107730890a公开了一种基于实施场景下车流车速预测的智能交通方法。采集交通道口的视频信息，根据采集的视频信息,分析出交通综合信息,将交通综合信息载入历史交通综合信息，再根据历史交通综合信息构建交通模型,预测出交通道口在未来预定时间节点的预测交通综合信息。
[0005]
专利cn111071259a公开了车速预测方法、装置、车辆控制装置和存储介质，所述方法先获取车辆的当前位置、当前车速、当前道路的拥堵状况信息以及预测时长。根据所述当前位置，基于预先建立的典型工况，查找所述当前位置对应的车速，得到标准车速。根据所述当前位置、所述当前车速和所述预测时长，预测所述车辆在所述预测时长后的车速，得到初步预测车速，再通过所述加权系数对所述初步预测车速进行校正，得到目标预测车速。该车速预测方法预测加入权重系数，使车速准确性高，但比较依赖典型工况下的标准车速，具有一定的局限性。
[0006]
其二，已公开的专利在构建未来车速的预测模型更多地关注和收集历史车速信息，而忽略了其他影响车速的特征信息，不免使得预测精度受限。建立预测模型时，大多数依旧基于传统的bp神经网络预测车速，对于车速这一时间序列问题，更优化的神经网络结构模型还没被应用。因此，如何构建合适的预测模型来充分挖掘车速的关联时空特性，即车速本身的时序特征及周围车辆状态与道路条件的空间特征，也是本领域目前亟待解决的问题。
[0007]
例如，专利cn 111009134 a公开了一种基于前车与自车互动的短期车速工况实时预测方法，获取自车和前车历史车速、车距信息，并提取有效数据后构建基于人工神经网络的未来车速预测模型，对构建的未来车速预测模型进行离线训练并在线预测自车的未来车速，实现车速预测神经网络的自适应学习。
[0008]
专利cn 109760523提出一种基于误差反向传播(back propagation，bp)神经网络车速预测的复合电源能量管理方法。其中首先建立bp神经网络车速预测模型，通过收集处理当前汽车行驶状态以及历史车速信息，作为神经网络模型输入参数，获得未来时段的预测车速。
[0009]
其三，现有专利面对诸多宏观/微观车辆状态数据特征时，相关车速状态的特征选取及特征间关联度的分析方法还没有被合理提出；在考虑行驶状态下自身的行驶数据信息时，容易忽略历史车速对未来车速的影响，所建立起的神经网络车速预测模型没能充分利用车速的时空特性。
[0010]
例如，专利cn111080018 a公开了一种基于道路交通环境的智能网联汽车车速预测方法，提出的是对道路交通环境特征量化的长时车速预测方法，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，建立起遗传算法优化的bp神经网络模型预测车速。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，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。
[0011]
专利cn 110682919 a提出了涉及一种基于堆叠式长短时记忆网络stacked lstm(long short-term memory，lstm)。的电动汽车短程车速预测方法，建立起stacked lstm神经网络，以实时的电动汽车速度、电动汽车加速踏板开度和加速踏板、开度变化率、电动汽车制动踏板开度和制动踏板开度变化率为输入，进行电动汽车短程车速预测，输出电动汽车短程车速序列，有效提高车速预测精度、缩短预测时间。
[0012]
综上所述，现有已公开的车速预测方法利用智能网联交互信息，可以实现对车速时序信息及行驶数据的利用，在车速预测的泛化能力及神经网络结构的优化方面仍有发展空间。并且，由于与车速相关的车辆行驶数据具有多时空的复杂特点，模型对于历史/当前数据与特征和交通状态下与前车的空间特征的挖掘仍然具有挑战性，现有的技术仍待完善。


技术实现要素：

[0013]
本发明的目的是利用智能网联技术获取的行驶数据，定量化分析行驶数据中相关特征与车速的关联度后，建立起基于lstm神经网络的未来短时车速预测模型，最终实现了全路况下车速高精度预测的基于时空序列信息的网联汽车车速预测方法。
[0014]
本发明步骤是：s1.获取并处理智能网联汽车行驶数据集s101获取行驶数据集：通过车辆的adas系统获得了实时的行驶数据集；s102.确定跟车状态下的目标车辆：根据已获得的行驶数据集中多个车道上的八个周围目标车辆的行驶信息，以及实际行驶中自身车辆与其他车辆的位置关系，建立跟车状态下的模型，周围车辆到本车的横向距离为d
xi
，周围车辆到本车的纵向距离为d
yi
，根据横向距离筛选出同一车道的车辆，确定原则如下：同一车道上本车与周围车辆的横向距离d
xi
应小于一个阈值m，即：d
xi
＜m
ꢀꢀꢀ
(1)其中i＝0，1，2，3，4，5，6，7，分别表示数据集提供的八个周围车辆数据信息；
比较与本车相处同一车道上八个周围车辆到本车的纵向距离d
yi
，对应距离最小值的车辆确定为跟车状态下的前车目标，即目标车辆与本车的纵向距离d
y
确定为：d
y
＝min{d
y0
，d
y1
，d
y2
，d
y3
，d
y4
，d
y5
，d
y6
，d
y7
}
ꢀꢀꢀ
(2)s103.筛选跟车状态下前车信息本车距前车的横向距离d
x
、距前车的纵向距离d
y
、及前车的速度v
f
。其中d
x
为目标车辆到本车的横向距离d
xi
，d
y
为目标车辆到本车的纵向距离d
yi
，v
f
为目标车辆的车速；s104.特征数据预处理道路坡度i计算：其中t代表时间，h
t
、h
t+1
分别代表t、t+1时的道路高度；前车加速度a
f
的计算公式如下：其中，t代表时间，v
f，t
、v
f，t+1
分别代表t、t+1时的前车车速；最终得到了坡度i、前车加速度a
f
的具体数据，完善了数据集；s2.车速预测模型输入-输出特征间的关联度s201.确定模型的输入特征时间上，对于车速这一时间序列，历史车速会对未来时刻车速产生影响，因此，将历史5s车速作为输入特征；空间上，将道路坡度i、及此前筛选得到的自身车辆距前车的横向距离d
x
、距前车的纵向距离d
y
、前车的速度v
f
及前车加速度a
f
作为模型的输入特征；选取车辆自身与车速的特征，即加速踏板启用情况a
p
、发动机转速n、发动机载荷e、制动踏板启用情况b，转向灯启用情况s；s202.定量化计算特征间的关联度各个输入特征与输出特征车速间的关联度：其中，基准指标y为输出特征车速，记为y＝{y1，y2，y3，...，y
p
}；输入特征x为被选指标，x＝{x1，x2，x3，...，x
p
}，p为所取数据的个数，mb表示最大延迟数；s3.建立lstm神经网络车速预测模型lstm神经网络模型的输入层、隐藏层和输出层详细构建过程如下：(1)lstm输入层当前时刻为t，未来某一时刻为t+q，在预测未来时刻车速v
t+q
时，神经网络输入层神经元为确定的模型输入特征，即道路坡度i、油门踏板a
p
、发动机转速n、发动机载荷e、刹车踏板b、转向灯s、前车速度v1、前车加速度a1、前车纵向距离d
y
、前车横向距离d
x
，历史1-5s的车速v
t-5
，v
t-4
，v
t-3
，v
t-2
，v
t-1
及当前车速v
t
，共16个输入层神经元；(2)lstm隐含层通过遗忘门决定从上个单元中丢弃的信息，在函数的作用下得到当前时刻的新的输入值f
t
，即：
f
t
＝σ(w
f
·
[v
t+q-1
，x
t
]+b
f
)
ꢀꢀꢀ
(6)其中，t时刻下神经网络输入特征构成输入向量，记为x
t
，输出特征为未来时刻车速v
t+q
，w
f
为遗忘门的权重矩阵，b
f
为偏置向量；σ为神经元的激活函数在当前时刻为t下，数据从输入向量x
t
传递到隐藏层的单元中，同时受到上一时刻输出v
t+q-1
的影响；通过单元中的输入门决定前一时刻车速相关特征加入到当前单元的信息量，进而得到当前时刻的单元信息量为c
t
，表示为：其中，c
t-1
为上一时刻的单元信息量，i
t
为上一个单元传入的信息，为单元信息新的候选值；i
t
和分别表示为：i
t
＝σ(w
i
·
[v
t+q-1
，x
t
]+b
i
)
ꢀꢀꢀ
(9)w
i
为遗忘门的权重矩阵，b
i
为遗忘门的偏置向量，w
c
为当前单元中的权重矩阵，b
c
为当前单元状态的偏置向量，tanh为神经元的激活函数，函数表达式如下：(3)lstm输出层未来时刻输出车速的值为v
t+q
，表示为：v
t+q
＝o
t
*tanh(c
t
)
ꢀꢀꢀ
(12)其中当前时刻的单元信息为c
t
，前一时刻单元输入的信息量o
t
的表达式为：o
t
＝σ(w
o
·
[v
t+q-1
，x
t
]+b
o
)
ꢀꢀꢀ
(13)其中输出门的权重矩阵为w
o
，偏置向量为b
o
，前一时刻的输出值为v
t+q-1
；前一时刻的输出以一定权重，将数据以o
t
的形式传递给当前时刻，最终经过计算得到当前神经网络的输出值v
t+q
，进而得到lstm神经网络输出的未来时刻的车速值；s4.训练lstm神经网络模型s401.样本数据集的预处理将行驶数据集分为按照8∶2的比例划分训练集和测试集；s402.训练神经网络模型输入训练集进行训练，以均方根误差mse作为损失函数，训练得到损失函数最小时的神经网络模型，损失函数的计算公式如下：其中m表示数据量，表示测试集实际车速值，表示测试集神经网络输出的车速值；将测试集输入训练好的神经网络模型，最终得到神经网络未来车速的预测值。
[0015]
本发明预测未来短时域的车速：将神经网络输出的未来1-5s车速与实际车速进行对比；
神经网络输出值与真实值之间的均方根误差rmse和数据的相关系数r
n
进行对比：均方根误差rmse为：均方根误差rmse为：决定系数r
n
为：其中m表示数据量，表示测试集实际车速值，表示测试集神经网络输出的车速值；将准确度w作为评价模型效果的指标，以bp神经网络预测结果的均方根误差rmse为基准，计算lstm神经网络预测结果均方根误差rmse值的变化率，即为准确度w；具体计算公式如下：其中，a为bp神经网络的预测结果的均方根误差rmse，b为lstm神经网络预测结果均方根误差rmse值。
[0016]
本发明的有益效果是：1、本发明提出了基于时空序列信息的网联汽车车速预测方法。在预测车速时，本发明建立起比传统bp神经网络结构更适于处理时间序列问题的lstm神经网络模型，对未来短时域的车速进行预测。此模型得到预测结果的准确度比传统bp神经网络方法提升了6.79％-19.90％，为车辆控制系统提供了准确车速预瞄信息，为提升车辆的能效、安全和舒适等性能提供了基础；
[0017]
2、本发明所建立的车速预测模型考虑了车速相关的时空关联性特征。选取预测模型的输入特征时，同时从空间和时间上考虑了相关特征对车速的影响。空间上考虑道路条件，时间上考虑自身车辆车速信息的时序性，同时选取自身车辆工况特征作为模型的输入。输入特征更为全面且合理，提高了车速预测模型的准确度；
[0018]
3、本发明提出了定量化分析车速预测相关特征间关联度的方法。确定模型输入和输出特征间的关联度时，根据特征序列的时序性，基于时差相关理论计算了特征间的时差相关系数和时差延迟数，为设计神经网络车速预测模型提供了理论支撑。
附图说明
[0019]
图1为本发明提出的一种基于时空序列信息的网联汽车车速预测方法；图2为本发明建立的基于深度神经网络模型的未来短时域内的车速预测模型的设计结构图；图3为跟车状态下提取前车信息的模型；图4为本发明所提出的lstm神经网络结构图；图5为lstm神经网络隐藏层单元内部结构图；图6a为未来1s车速输出值与实际值对比图；
图6b为未来2s车速输出值与实际值对比图；图7为bp和本发明提出的lstm神经网络未来1s预测结果对比图。
具体实施方式
[0020]
针对实际的汽车行驶状态，本发明提出了基于时空序列信息的网联汽车车速预测方法。考虑车速信息的时空关联性，除自身车辆运行工况外，将空间上的前车行驶信息、道路坡度和时间上的历史车速共同作为车速预测模型的输入特征，并针对特征间关联度提出定量化分析方法，建立起了处理时间序列问题的深度神经网络模型，提高了车速预测结果的准确度。
[0021]
本发明通过以下步骤实现：步骤一：获取并处理智能网联汽车的行驶数据集。通过智能网联汽车的驾驶辅助系统(advanced driving assistant，adas)获取到实时的行驶数据集及车速相关特征。根据实际行驶状态对数据集预处理，确定并筛选出跟车状态下的前车信息，同时利用差分法计算得到前车加速度、道路坡度特征的数据；步骤二：定量化分析车速预测模型输入-输出特征间的关联度。从数据集中选取出与10个和车速具有时空关联的相关特征作为输入来预测车速信息，并基于时差相关理论，定量化计算各个特征与车速之间的时差相关系数和时差延迟数，得到了输入-输出特征间的关联度，验证了特征选取的合理性；步骤三：建立lstm神经网络车速预测模型。确定lstm神经网络各层的网络结构。输入层考虑到车速的时空关联特性，将自身工况特征、空间上相关联的前车信息和道路坡度特征，及时间上相关联的历史车速特征共同作为神经网络的输入，输出层为未来时刻的车速，隐藏层为lstm结构相同的单元，建立起lstm神经网络模型；步骤四：训练lstm神经网络模型。在tensorflow中输入各层神经网络的参数，输入训练集对lstm神经网络模型进行训练，得到了实现最小损失函数的神经网络模型；步骤五：预测未来短时域的车速。将测试集输入到车速预测模型中，得到未来短时域内车速预测结果，将其与真实车速结果进行对比，分析预测结果的准确性。将其与bp神经网络预测得到的结果进行对比，验证本发明所提出的lstm神经网络模型对预测结果准确度的提升效果。
[0022]
本发明提出的一种基于时空序列信息的网联汽车车速预测方法，建立起基于深度神经网络模型的未来短时域的车速预测模型。图1为本发明提出的一种基于时空序列信息的网联汽车车速预测方法步骤图，图2为模型的结构设计图。
[0023]
s1.获取并处理智能网联汽车行驶数据集s101获取行驶数据集本发明研究对象为智能网联汽车，其搭载了摄像头、雷达等，通过车辆的adas系统获得了实时的行驶数据集。其中包含gps提供的驾驶轨迹、本车车速、车辆自身工况、道路情况及雷达信号道提供的周围车辆距本车距离、速度特征数据。
[0024]
s102.确定跟车状态下的目标车辆跟车状态下前车行驶数据直接影响车辆自身车速，首先对数据集进行筛选以得到前车信息。根据已获得的行驶数据集中多个车道上的8个周围目标车辆的行驶信息，以及实际行
驶中自身车辆与其他车辆的位置关系，建立起如图3所示的跟车状态下的模型。其中，以本车为中心，周围车辆到本车的横向距离为d
xi
，周围车辆到本车的纵向距离为d
yi
，根据距离可以确定行驶时前方跟车的目标车辆。
[0025]
根据横向距离筛选出同一车道的车辆，确定原则如下：同一车道上本车与周围车辆的横向距离d
xi
应小于一个阈值m，即：d
x
＜m
ꢀꢀꢀ
(1)其中i＝0，1，2，3，4，5，6，7.分别表示数据集提供的8个周围车辆数据信息。满足上述条件时，即可确定当前车道下的行驶车辆，排除了其他车道上车辆信息的干扰。
[0026]
比较与本车相处同一车道上8个周围车辆到本车的纵向距离d
yi
，对应距离最小值的车辆确定为跟车状态下的前车目标，即目标车辆与本车的纵向距离d
y
确定为：d
y
＝min{d
y0
，d
y1
，d
y2
，d
y3
，d
y4
，d
y5
，d
y6
，d
y7
}
ꢀꢀꢀ
(2)至此，利用此模型从原始数据集中周围车辆信息中确定出跟车状态下的前车车辆。
[0027]
s103.筛选跟车状态下前车信息确定目标车辆后，考虑到影响自身车速的相关特征，从目标车辆信息中筛选出如下相关车速预测的关联特征为前车信息：本车距前车的横向距离d
x
、距前车的纵向距离d
y
、及前车的速度v
f
。其中d
x
为目标车辆到本车的横向距离d
xi
，d
y
为目标车辆到本车的纵向距离d
yi
，v
f
为目标车辆的车速。
[0028]
s104.特征数据预处理原始数据集中，车速的相关的道路坡度i、前车加速度a
f
特征无法直接得到，利用差分法预处理，得到关联特征的具体数据，相关步骤如下：道路坡度i计算：其中t代表时间，h
t
、h
t+1
分别代表t、t+1时的道路高度。
[0029]
前车加速度a
f
的计算公式如下：其中，t代表时间，v
f，t
、v
f，t+1
分别代表t、t+1时的前车车速。
[0030]
根据计算最终得到了坡度i、前车加速度a
f
的具体数据，完善了数据集。
[0031]
s2.分析车速预测模型输入-输出特征间的关联度本发明将车速作为输出特征，选取车速预测的相关特征作为输入特征，建立起车速预测模型。选取车速预测模型的输入特征后，定量化计算模型输入与输出特征间的关联度，以验证特征选取的合理性。具体步骤如下：
[0032]
s201.确定模型的输入特征车速预测模型考虑了影响车速信息的时空因素及车辆自身工况因素，对输入特征进行选取，并进行了以下划分：时间上，对于车速这一时间序列，历史车速会对未来时刻车速产生影响，因此，将历史5s车速作为输入特征。
[0033]
空间上，考虑前车信息和道路环境对自身车速产生影响，将道路坡度i、及此前筛选得到的自身车辆距前车的横向距离d
x
、距前车的纵向距离d
y
、前车的速度v
f
及前车加速度
a
f
作为模型的输入特征。
[0034]
另外，考虑在行驶时车辆自身工况对车速有直接影响，在数据集中选取车辆自身与车速的相关特征，即加速踏板启用情况a
p
、发动机转速n、发动机载荷e、制动踏板启用情况b，转向灯启用情况s。最终，从数据集中选取了10个影响车速的指标作为输入特征。
[0035]
s202.定量化计算特征间的关联度基于各个特征的时间序列特性，本发明对上述选取的空间、时间相关输入特征和车速的关联度进行分析。
[0036]
定义时差相关系数r，r∈[0，1]为关联度的衡量指标，越靠近1证明与车速间的关联度越大。时差延迟数l表示特征间的时序关联，判断特征影响关系是超前、滞后还是同步。时差或延迟数l＝0时表示特征的影响是同步的；当l＜0时表示特征影响关系超前，l＞0时表示特征影响关系滞后。根据如下公式计算各个输入特征与输出特征车速间的关联度：其中，基准指标y为输出特征车速，记为y＝{y1，y2，y3，...，y
p
}；输入特征x为被选指标，x＝{x1，x2，x3，...，x
p
}，p为所取数据的个数，mb表示最大延迟数。
[0037]
各个输入特征与车速特征间的关联度计算结果如下表1所示，该表包含了特征间时差相关系数r值的大小、时差延迟数l的正负及对应的延迟时间。由表可以得到，各个输入特征与车速间都存在关联度，且影响关系都为超前，由此验证了特征选取的合理性。
[0038]
表1特征关联度定量化分析结果
[0039]
s3.建立lstm神经网络车速预测模型
确定车速预测模型的输入输出后，建立起深度神经网络模型来预测未来时刻车速。车速具有时间序列特征，各个时刻的车速之间都互相影响，在传统的bp神经网络中，预测车速时虽然可以将历史车速作为输入特征，但bp神经网络同层神经元之间没有互相关联，在预测车速时这一网络结构会影响预测结果。为了充分利用空间时序信息，提高预测精度，提出循环神经网络——长短时记忆网络lstm神经网络，其结构如图4所示，lstm神经网络模型的输入层、隐藏层和输出层详细构建过程如下：
[0040]
(1)lstm输入层当前时刻为t，未来某一时刻为t+q，在预测未来时刻车速v
t+q
时，神经网络输入层神经元为确定的模型输入特征，即道路坡度i、油门踏板a
p
、发动机转速n、发动机载荷e、刹车踏板b、转向灯s、前车速度v1、前车加速度a1、前车纵向距离d
y
、前车横向距离d
x
，历史1-5s的车速v
t-5
，v
t-4
，v
t-3
，v
t-2
，v
t-1
及当前车速v
t
，共16个输入层神经元。
[0041]
(2)lstm隐含层lstm是循环神经网络，隐藏层神经元间相互关联，组成结构相同的模块，称为一个单元，隐藏层的单元内部结构如图5所示，包含了输入门、遗忘门、输出门。神经网络内部输入同一特征不同时刻的数据时，前一时刻的数据会对后一时刻的输出产生影响。模型输入影响车速的特征从输入层进入到隐藏层的单元中，再通过lstm神经网络隐藏层单元内部的输入门、遗忘门、输出门等，将前一时刻车速相关特征的信息传递到当前时刻来，得到当前时刻预测的车速结果。lstm神经网络的循环结构使各个时刻的特征信息相互关联，更适于处理车速预测这一时间序列问题。
[0042]
lstm神经网络隐藏层内部数据计算过程如下：首先，通过遗忘门决定从上个单元中丢弃的信息，在函数的作用下得到当前时刻的新的输入值f
t
，即：f
t
＝σ(w
f
·
[v
t+q-1
，x
t
]+b
f
)
ꢀꢀꢀ
(6)其中，t时刻下神经网络输入特征构成输入向量，记为x
t
，输出特征为未来时刻车速v
t+q
，w
f
为遗忘门的权重矩阵，b
f
为偏置向量。
[0043]
σ为神经元的激活函数——sigmoid函数，在神经元中将数据映射到(0，1)之间，函数表达式如下：
[0044]
在当前时刻为t下，数据从输入向量x
t
传递到隐藏层的单元中，同时受到上一时刻输出v
t+q-1
的影响。通过单元中的输入门决定前一时刻车速相关特征加入到当前单元的信息量，进而得到当前时刻的单元信息量为c
t
，表示为：其中，c
t-1
为上一时刻的单元信息量，i
t
为上一个单元传入的信息，为单元信息新的候选值。
[0045]
i
t
和分别表示为：i
t
＝σ(w
i
·
[v
t+q-1
，x
t
]+b
i
)
ꢀꢀꢀ
(9)w
i
为遗忘门的权重矩阵，b
i
为遗忘门的偏置向量，w
c
为当前单元中的权重矩阵，b
c
为当
前单元状态的偏置向量，tanh为神经元的激活函数，函数表达式如下：
[0046]
(3)lstm输出层神经网络输出层为未来短时域的车速。预测未来短时域车速v
t+q
时，将输出层设定为每秒的车速，共1个输出层神经元。经过隐藏层输出门的计算后，得到输出层的未来时刻车速。具体计算过程如下：
[0047]
未来时刻输出车速的值为v
t+q
，表示为：v
t+q
＝o
t
*tanh(c
t
)
ꢀꢀꢀ
(12)其中当前时刻的单元信息为c
t
，前一时刻单元输入的信息量o
t
的表达式为：o
t
＝σ(w
o
·
[v
t+q-1
，x
t
]+b
o
)
ꢀꢀꢀ
(13)其中输出门的权重矩阵为w
o
，偏置向量为b
o
，前一时刻的输出值为v
t+q-1
。前一时刻的输出以一定权重，将数据以o
t
的形式传递给当前时刻，最终经过计算得到当前神经网络的输出值v
t+q
，进而得到lstm神经网络输出的未来时刻的车速值。
[0048]
s4.训练lstm神经网络模型确定lstm神经网络结构后，在tensorflow的平台上训练神经网络模型，得到各层神经网络的权重矩阵，具体训练步骤如下：
[0049]
s401.样本数据集的预处理将前述提取和计算后得到的模型输入、输出特征整合为一个整体的数据集，作为车速预测模型的样本数据集。将样本数据集划分为训练集和测试集，训练集用于神经网络的训练，测试集用于验证神经网络车速预测结果。为了尽可能使训练集更具代表性，本发明将行驶数据集分为按照8：2的比例划分训练集和测试集。同时对划分好的训练集数据进行归一化处理，消除各个特征的量纲产生的误差。
[0050]
s402.训练神经网络模型在tensorflow的平台上确定lstm神经网络各层参数。首先确定lstm输入层的三个参数：每个批次数据量、输入特征数量及预测步长。为了提升训练速度，对所有车速预测的样本数据分批进行训练，设定每个批次数据量为60；输入为预先选择的16个特征，设定输入特征数量为16；时间步长与输出序列预测的神经元个数有关，本发明预测未来短时域的车速，预测未来5s的车速信息，设定预测步长为5。
[0051]
确定神经网络输出层的一个参数，输出特征数量。输出为未来每秒车速，设定输出特征数量为1。
[0052]
确定神经网络隐藏层的参数，初始化一个lstm基本神经元(basiccell)，设定隐藏层层数为1层，隐藏层神经元个数为200。
[0053]
设定学习率为0.001，已确定的lstm神经网络模型参数如表2。输入训练集进行训练，以均方根误差mse作为损失函数，训练得到损失函数最小时的神经网络模型。损失函数的计算公式如下：其中m表示数据量，表示测试集实际车速值，表示测试集神经网络输出的车速
值。
[0054]
将参数确定之后，输入训练集对神经网络进行训练，得到了使得损失函数最小的权重矩阵，确定了神经网络模型参数。
[0055]
表2lstm神经网络模型参数
[0056]
s5.预测未来短时域的车速将测试集输入训练好的神经网络模型，最终得到神经网络未来1-5s车速的预测值。将神经网络输出的车速与实际车速进行对比，比较模型预测效果。下面展示其中未来1s、未来2s车速的预测结果，图6为未来1s、未来2s神经网络输出结果和实际结果对比图，从中可以直观得到本发明所建立的深度神经网络车速预测模型能够较为准确的预测在跟车状态下未来短时域的车速。
[0057]
计算测试集上神经网络输出值与真实值之间的均方根误差rmse和数据的相关系数r
n
，将其作为指标评价lstm神经网络的预测效果。rmse值越小，均方根误差越小，相关系数r
n
值越接近1，说明神经网络输出值越接近真实值，预测效果越好。具体计算公式如下：
[0058]
均方根误差rmse为：均方根误差rmse为：
[0059]
决定系数r
n
为：其中m表示数据量，表示测试集实际车速值，表示测试集神经网络输出的车速值。最终得到了未来1s、未来2s神经网络车速预测结果的均方根误差rmse和决定系数r
n
的值。
[0060]
输入样本数据集，利用bp神经网络模型预测未来时刻车速，得到预测结果并计算并均方根误差rmse和决定系数r
n
的值，结果见表3。对lstm神经网络输出车速、bp神经网络输出车速与实际车速进行对比，以未来1s结果为例，绘制车速对比图如图7所示。由图中可以看出：相比传统的bp神经网络只在层与层之间的神经元建立起了权连接，lstm神经网络
实现了层内神经元之间的关系，对车速预测结果也具有一定提升。
[0061]
由图可以直观的看出，除去lstm输出车速曲线中的个别尖点外，lstm神经网络的预测结果与实际车速更为接近。在图中12300s左右，lstm的输出车速与实际车速相近，但bp神经网络的车速存在一定误差。说明在拥堵情况下，车速较低时，lstm的预测车速值比bp神经网络的预测值更接近实际值。
[0062]
将bp神经网络车速预测结果作为基准，比较lstm神经网络模型对预测结果准确度的影响。将准确度w作为评价模型效果的指标，以bp神经网络预测结果的均方根误差rmse为基准，计算lstm神经网络预测结果均方根误差rmse值的变化率，即为准确度w。具体计算公式如下：其中，a为bp神经网络的预测结果的均方根误差rmse，b为lstm神经网络预测结果均方根误差rmse值。计算得到未来1s、未来2s时lstm神经网络预测模型结果的准确度，结果见表3。
[0063]
表3未来1s、未来2s神经网络车速预测结果均方根误差、决定系数及准确度
[0064]
由表中结果可得，lstm的预测效果比预测效果与bp神经网络的预测结果相比，获得了6.79％-19.90％的准确度提升。结果表明，本发明提出的一种基于时空序列信息的网联汽车车速预测方法可以为车辆控制系统提供了预瞄信息，为基于网联汽车预测信息的智能节能技术提供了更加真实和全面的模型基础。

起点商标作为专业知识产权交易平台，可以帮助大家解决很多问题，如果大家想要了解更多知产交易信息请点击 【在线咨询】或添加微信 【19522093243】与客服一对一沟通，为大家解决相关问题。

此文章来源于网络,如有侵权,请联系删除