[发明专利]一种车速时间序列分频预测方法

说明书

本发明公开了一种车速时间序列分频预测方法，属于智能驾驶领域。首先利用经验小波变换将将原始车速时间序列分解为多个子层，然后建立EWT‑LSTM‑IEWT预测模型对最高频分量多次分解预测，并采用长短期记忆神经网络(LSTM)对频率仅低于最高频的分量进行预测，接着用核函数极限学习机对各个其余的低频分量进行预测，然后采用LSTM神经网络对最高频分量的预测误差进行预测以进一步降低最高频分量对预测结果的影响，最后对所有分量的预测结果进行逆经验小波变换(IEWT)，进而得到最终的车速预测结果。本发明采用核函数极限学习机和LSTM方法分别对车速时间序列的低频和高频分量进行单步预测，能有效提高短期车速预测模型的预测精度。

技术领域

本发明涉及智能驾驶领域，具体涉及一种车速时间序列分频预测方法。

背景技术

汽车工业的快速发展给人们出行带来便捷的同时也造成了严重的能源危机。随着控制、传感、通信和执行器技术的快速发展，在智能交通系统和车联网环境下，车辆可以充分感知车辆自身的状态，包括车辆本身的车速信息和其他车辆在某一路段的车速信息，以此为基础的汽车智能节能控制逐渐引起人们关注。

在汽车智能节能控制的背景下，预测车辆动态行为可用于车辆速度的规划。而且公交车等营运车辆，逐渐被新能源汽车取代，对于具有固定路线和工作时间的营运车辆，建立车速时间序列进行预测。新能源汽车能够根据预测的车速信息，动态调整车辆速度规划，达到经济性行驶的目的，也可以根据预测的车速信息来调整能量控制策略，实现能量管理优化，提高能源利用率。

经验小波变换(Empirical Wavelet Transform，EWT)是Gilles在2013年提出一种信号自适应处理方法，它结合了小波分析的完备理论性和经验模式分解的自适应性，把信号分解为一系列具有调频调幅特征分量。

目前，车速预测模型主要为单一预测模型，有物理方法、智能方法等，如单一神经网络预测模型和支持向量机等，虽然单一预测模型在车速预测方面取得不错的效果，但仍有较大的提升空间。而且，车速时间序列的非平稳性对预测结果有较大影响，最终导致模型预测精度下降。

发明内容

本发明的目的，在于提供一种车速时间序列分频预测方法，其可减少车速非平稳性的干扰，进一步提高车速预测结果的准确性。

为达上述目的，本发明所采用的技术方案是：一种车速时间序列分频预测方法，包括以下步骤：

步骤一、采集车辆历史实测车速数据，建立原始车速时间序列；

步骤二、将原始车速时间序列按频率高低分解为若干个子层；

步骤三、建立EWT-LSTM-IEWT预测模型，以步骤二得到的频率最高的子层中的数据构建样本集进行训练，对频率最高的子层分解、预测和重构；

步骤四、构建一个长短期记忆神经网络(LSTM)，以步骤二得到的频率仅次于最高频的子层中的数据构建样本集进行训练，对频率仅次于最高频的子层进行车速预测；

步骤五、以步骤二得到的其余低频子层中的数据构建样本集训练出核函数极限学习机，对其余的低频子层进行车速预测；

步骤六、再次建立一个LSTM网络，用步骤三的最高频子层训练集得到的EWT-LSTM-IEWT模型预测误差构建一个误差训练集进行训练，对最高频子层的预测误差进行预测，再将误差的预测值和最高频子层的预测值叠加，得到最终的最高频分量预测值；

步骤七、对步骤四、五和六得到的所有子层的预测车速进行逆经验小波变换(IEWT)，进而得到最终的车速预测结果。

优选地，上述步骤一的具体过程是，利用车辆上的车速传感器，对车速历史数据进行统计收集，根据收集结果建立原始车速时间序列，并将其分为训练样本数据和测试样本数据。