一种在线自学习型的马尔可夫车辆速度预测方法

1.本发明属于自动驾驶领域，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。


背景技术：

2.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。
3.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。


技术实现要素：

4.本发明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。
5.实现本发明目的的技术解决方案为：
6.一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：
7.(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。
8.(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。
9.(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。
10.(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。
11.与现有技术相比，本发明的显著优点是：
12.1、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。
13.2、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，而本发明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
14.图1是本发明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。
15.图2是离线工况组合图。
16.图3是转移概率矩阵离线训练流程图。
17.图4是多步马尔可夫转移概率矩阵图。
18.图4(a)是当前时刻1秒后加速度转移概率矩阵图。
19.图4(b)是当前时刻3秒后加速度转移概率矩阵图。
20.图4(c)是当前时刻7秒后加速度转移概率矩阵图。
21.图4(d)是当前时刻10秒后加速度转移概率矩阵图。
22.图5是转移概率矩阵实时更新流程图。
23.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。
24.图6(a)是传统马尔可夫模型的速度预测轨迹误差图。
25.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。
26.图7是在线自学习型的速度预测轨迹和均方根误差图。
27.图7(a)是在线自学习型的速度预测轨迹误差。
28.图7(b)是在线自学习型的速度预测数据均方根误差图。
29.表1是本发明与现有两种方法的性能对比。
具体实施方式
30.下面将结合附图对本发明进行描述，以便于本领域的技术人员可由说明书更好的理解本发明。
31.图1示出了本发明一种在线自学习型的马尔可夫速度预测方法的流程图。
32.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：
33.(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。
34.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。
35.图2示出了离线工况组合图。
36.(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。
37.图3示出了所述(20)状态转移概率矩阵离线训练步骤包括：
38.(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。
39.(22)预测时间步长确定：取预测时间范围为10秒。
40.(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ai转移到其对应的下一个时刻加速度值aj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ai值相等的样本数量，记为
41.(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ai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]
建立频率矩阵
[0048]
(243)状态转移矩阵公式建立：根据所述事件频率未来某一时刻下的状态转移矩阵也可计算为：
[0049][0050]
(244)转移概率矩阵存储：根据所述加速度ai，aj，记录其在加速度状态网格中的位置索引i、j，将数据存储在所述状态转移矩阵对应位置。
[0051]
图4示出了根据所述(20)状态转移概率矩阵离线训练，初步得到的多步马尔可夫转移概率矩阵图，图中所示p
ij
表示加速度由当前时刻ai转移到下一时刻aj的概率。
[0052]
图4(a)为当前时刻1秒后加速度转移概率矩阵图。
[0053]
图4(b)为当前时刻3秒后加速度转移概率矩阵图。
[0054]
图4(c)为当前时刻7秒后加速度转移概率矩阵图。
[0055]
图4(d)为当前时刻10秒后加速度转移概率矩阵图。
[0056]
为了更好地体现本发明比传统方法能够适应更多的道路情况，本实施例选择在未整合入离线数据库中的us06工况下进行实验。
[0057]
(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。
[0058]
图5示出了所述(30)设计状态转移矩阵实时更新算法步骤包括：
[0059]
(31)定义自学习因子：根据所述事件频率推导其递归形式，可得：
[0060][0061]
其中表示离线数据中在k时刻后加速度从ai转移到加速度值为aj的样本数量，的样本数量，同理可得
[0062][0063]
根据所述两式的递归形式，某一时刻下的状态转移矩阵可计算为：
[0064][0065]
若离线加速度轨迹中无对应加速度值ai，则即：
[0066][0067]
其中η为引入的马尔科夫学习系数，在实际应用中可以自由调整以实现较好的预测效果。
[0068]
(32)状态转移矩阵在线更新：对于每个时间步长，获取最新的一系列加速度数据，根据当前的加速度值和前k个时间步长的加速度值，确定在加速度状态网格中的位置索引j和i，然后更新对应的频率矩阵，最后计算转移概率矩阵。
[0069]
(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。
[0070]
所述(40)在线预测步骤包括：
[0071]
(41)加速度值、速度值获取：获取当前时刻的速度值和加速度值，通过对当前加速度值做近似处理，在加速度网格中找到最接近的索引ai。
[0072]
(42)初始化加速度和速度预测向量：创建两个零矩阵分别用来存储未来k个时间步长的加速度和速度预测。
[0073]
(43)预测结果计算：根据转移概率矩阵，获取第i行，第k列对应的转移概率向量，使用该概率向量与加速度网格的元素逐一相乘并求和，得到加速度预测值即：
[0074][0075]
接着通过将前k个预测加速度值相加，再加上当前速度值v，得到在未来k个时间步长内的速度预测值即：
[0076][0077]
如果任何一个速度预测值小于0，将其设置为0，以确保速度值为非负。
[0078]
(44)预测误差计算：通过对预测速度值和真实速度值求均方根误差，并将其存储在改进后的预测误差向量中的对应时刻。绘制预测结果。
[0079]
为了明确量化速度预测误差，引入均方根误差(rmse)作为性能评价指标：均方根误差越小，意味着预测精度越高。
[0080]
图6示出了传统马尔可夫模型的速度预测轨迹和均方根误差图。
[0081]
图6(a)示出了传统马尔可夫模型的速度预测轨迹误差图。
[0082]
图6(b)示出了传统马尔可夫模型的速度预测数据均方根误差图。
[0083]
图7示出了在线自学习型的速度预测轨迹和均方根误差图。
[0084]
图7(a)示出了在线自学习型的速度预测轨迹误差。
[0085]
图7(b)示出了在线自学习型的速度预测数据均方根误差图。
[0086]
图6(a)、7(a)中红线表示采用本方法每个时刻所预测速度的轨迹走向，粗线表示车辆实际行驶速度曲线，从图中可以看出，采用本发明的速度预测方法所绘制出的速度预测轨迹与实际车辆速度轨迹吻合度更高，图6(b)、7(b)中绿色阴影部分面积表示每一时刻的均方根误差，从图中可以看出，在此次实施例中本发明较传统马尔可夫模型速度预测有着更高的精确度。
[0087]
为了进一步验证本发明的优势，本实施例中还使用较先进的长短期记忆网络(lstm，long short-term memory)与本发明的预测结果进行比较，表1为三种方法结果对比表：
[0088]
表1
[0089][0090]
表1为本发明与传统马尔可夫、长短期记忆网络速度预测方法在均方根误差以及计算时间两个方面的对比列表，从表1中我们可以得出使用传统马尔可夫预测方法的均方根误差为2.16m/s，使用长短期记忆网络和自学习型的速度预测方法的均方根误差分别为1.86m/s和1.82m/s，预测精度较传统马尔可夫速度预测方法分别提升了13.9％和15.7％，说明本发明预测精度优于两种现存预测技术，从中我们还可以得出，在精度都高于传统马尔可夫预测方法时，本发明的计算时间为0.6ms，而长短期记忆网络预测方法计算时间需要24ms，本发明的预测结果计算时间远小于长短期记忆网络预测方法，说明本发明的计算效
率高。体现了本发明的优势。

技术特征：
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所述的速度预测方法，其特征在于，所述(24)状态转移矩阵计算步骤包括：(241)状态转移矩阵建立：初始化状态转移矩阵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。(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，记为建立频率矩阵(243)状态转移矩阵公式建立：根据所述事件频率未来某一时刻下的状
态转移矩阵也可由二者的比值得到。(244)转移概率矩阵存储：根据所述加速度a
i
、a
j
，记录其在加速度状态网格中的位置索引i、j，将数据存储在所述状态转移矩阵对应位置。5.根据权利要求1所述的速度预测方法，其特征在于，所述(30)设计状态转移矩阵实时更新算法步骤包括：(31)定义自学习因子：根据所述状态转移矩阵推导所述状态转移矩阵递归形式，可得：其中表示离线数据中当前加速度从a
i
转移到其对应的k时刻后加速度值为a
j
的样本数量，其中η为引入的马尔科夫学习系数，在实际应用中可以自由调整以实现较好的预测效果。(32)状态转移矩阵在线更新：对于每个时间步长，获取最新的一系列加速度数据，根据当前的加速度值和下一预测时刻的加速度值，确定在加速度状态网格中的位置索引，然后更新对应的频率矩阵，最后计算转移概率矩阵。6.根据权利要求1所述的速度预测方法，其特征在于，所述(40)在线预测步骤包括：(41)加速度值、速度值获取：获取当前时刻的速度值和加速度值，通过对当前加速度值做近似处理，在加速度网格中找到最接近的索引。(42)初始化加速度和速度预测向量：创建两个零矩阵分别用来存储未来预测时间范围内的加速度和速度预测。(43)预测结果计算：根据状态转移矩阵，获取对应的转移概率向量，使用该概率向量与加速度网格的元素逐一相乘并求和，得到加速度预测值，接着通过将前个预测加速度值相加，再加上当前速度值，得到在未来k个时间步长内的速度预测值，如果任何一个速度预测值小于0，将其设置为0，以确保速度值为非负。(44)预测误差计算：通过对预测速度值和真实速度值求均方根误差，并将其存储在改进后的预测误差向量中的对应时刻，绘制预测结果。

技术总结
本发明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。


技术研发人员：鞠飞 周鑫源
受保护的技术使用者：南京林业大学
技术研发日：2023.08.30
技术公布日：2023/10/20