本發(fā)明涉及車輛速度預(yù)測，具體涉及基于多源信息融合的在線車速預(yù)測方法及系統(tǒng)。

背景技術(shù)：

1、車速預(yù)測作為一項關(guān)鍵技術(shù)，旨在根據(jù)車輛當(dāng)前所處的環(huán)境和自身的狀態(tài)等信息，估計得到未來特定時間內(nèi)的車速。在汽車智能化控制策略的開發(fā)中,車速預(yù)測備受矚目，一方面，精確的車速預(yù)測猶如敏銳的預(yù)警系統(tǒng)，能夠及時洞察潛在的危險工況，為車輛安全行駛筑牢第一道防線。另一方面，其在汽車自動變速器擋位決策技術(shù)中扮演著關(guān)鍵角色，通過對車速的精準(zhǔn)預(yù)判，實現(xiàn)擋位的智能切換，從而大幅提升經(jīng)濟(jì)性與動力性；在安全輔助駕駛系統(tǒng)里，車速預(yù)測為碰撞預(yù)警、自適應(yīng)巡航等功能提供關(guān)鍵數(shù)據(jù)支撐，顯著增強(qiáng)汽車的安全性；在電動汽車的預(yù)測控制策略中，車速預(yù)測助力降維優(yōu)化電池管理與能量分配，進(jìn)一步提升車輛的整體性能。由此可見，車速預(yù)測已然成為汽車智能化控制體系中不可或缺的關(guān)鍵要素。

2、目前，現(xiàn)有車速預(yù)測技術(shù)對車輛獲取的海量多源信息缺乏有效的降維處理策略，由于車輛所采集的信息往往維度繁雜，包含大量冗余與相關(guān)性較弱的數(shù)據(jù)，這不僅導(dǎo)致構(gòu)建的車速預(yù)測模型結(jié)構(gòu)異常復(fù)雜，增加了模型訓(xùn)練與預(yù)測的難度，還極大地提升了計算量，降低了計算效率，難以滿足實時性要求較高的應(yīng)用場景。另一方面，大部分車速預(yù)測模型普遍采用離線訓(xùn)練、在線使用的傳統(tǒng)模式，由于實際車輛行駛過程中，工況受駕駛員行為、道路狀況動態(tài)變化、天氣條件更迭等多種因素影響，處于持續(xù)且復(fù)雜的變化之中，而離線訓(xùn)練模型無法及時感知并適應(yīng)這些變化，導(dǎo)致其泛化能力較為薄弱，限制了車速預(yù)測的精度。

技術(shù)實現(xiàn)思路

1、為了解決車速預(yù)測模型輸入信息降維處理能力不足以及車速預(yù)測模型泛化能力弱的技術(shù)問題，本發(fā)明的提供了基于多源信息融合的在線車速預(yù)測方法及系統(tǒng)，所采用的技術(shù)方案具體如下：

2、本發(fā)明第一方面的技術(shù)方案提供了基于多源信息融合的在線車速預(yù)測方法，所述方法包括：

3、獲取多源車輛數(shù)據(jù)集并進(jìn)行預(yù)處理；

4、根據(jù)預(yù)處理后的多源車輛數(shù)據(jù)集構(gòu)建相關(guān)系數(shù)矩陣，并根據(jù)相關(guān)系數(shù)矩陣提取相關(guān)特征；

5、計算主成分的貢獻(xiàn)率及累計貢獻(xiàn)率，并對多源車輛數(shù)據(jù)集進(jìn)行降維優(yōu)化；

6、根據(jù)降維優(yōu)化后的多源車輛數(shù)據(jù)集，基于回歸神經(jīng)網(wǎng)絡(luò)進(jìn)行車速預(yù)測。

7、進(jìn)一步地，獲取多源車輛數(shù)據(jù)集并進(jìn)行預(yù)處理包括：

8、利用車載傳感器和v2x通信模塊獲取多源車輛數(shù)據(jù)集并構(gòu)建樣本矩陣，多源車輛數(shù)據(jù)集至少包括車輛信息、道路環(huán)境信息以及交通狀態(tài)信息；

9、對樣本矩陣進(jìn)行零均值標(biāo)準(zhǔn)化預(yù)處理。

10、進(jìn)一步地，根據(jù)預(yù)處理后的多源車輛數(shù)據(jù)集構(gòu)建相關(guān)系數(shù)矩陣，并根據(jù)相關(guān)系數(shù)矩陣提取相關(guān)特征包括：

11、基于預(yù)處理后的多源車輛數(shù)據(jù)集樣本矩陣，計算不同維度數(shù)據(jù)之間的相關(guān)系數(shù)；

12、根據(jù)不同維度數(shù)據(jù)之間的相關(guān)系數(shù)構(gòu)建相關(guān)系數(shù)矩陣，求解相關(guān)系數(shù)矩陣的特征方程得到非負(fù)特征值和特征向量。

13、進(jìn)一步地，計算主成分的貢獻(xiàn)率及累計貢獻(xiàn)率，并對多源車輛數(shù)據(jù)集進(jìn)行降維優(yōu)化包括：

14、根據(jù)主成分貢獻(xiàn)率對主成分進(jìn)行排序，并對排序后的主成分計算累積貢獻(xiàn)率，根據(jù)預(yù)設(shè)累計貢獻(xiàn)率閾值選取主要主成分，再選取每個主要主成分中貢獻(xiàn)大的信息，構(gòu)成降維后的多源車輛數(shù)據(jù)集，作為車速預(yù)測模型的輸入。

15、進(jìn)一步地，計算主成分貢獻(xiàn)率的表達(dá)式為：

16、

17、式中，表示第個主成分的貢獻(xiàn)率，反映了每個主成分單獨對數(shù)據(jù)整體信息的貢獻(xiàn)程度；表示相關(guān)系數(shù)矩陣特征方程的第個特征值；表示相關(guān)系數(shù)矩陣特征方程的第個特征值，為索引變量；表示特征值的數(shù)量；

18、計算主成分累計貢獻(xiàn)率的表達(dá)式為：

19、

20、式中，表示前個主成分的累計貢獻(xiàn)率；表示相關(guān)系數(shù)矩陣特征方程的第個特征值。

21、進(jìn)一步地，根據(jù)降維優(yōu)化后的多源車輛數(shù)據(jù)集，基于回歸神經(jīng)網(wǎng)絡(luò)進(jìn)行車速預(yù)測包括：

22、基于回歸神經(jīng)網(wǎng)絡(luò)構(gòu)建車速預(yù)測模型；

23、利用滑動時間窗口方法更新降維優(yōu)化后的多源車輛數(shù)據(jù)集；

24、基于更新后的多源車輛數(shù)據(jù)集提取訓(xùn)練樣本輸入向量和訓(xùn)練樣本輸出向量，并更新車速預(yù)測模型訓(xùn)練樣本矩陣；

25、基于更新后的訓(xùn)練樣本矩陣訓(xùn)練車速預(yù)測模型；

26、將預(yù)測樣本輸入向量輸入訓(xùn)練好的車速預(yù)測模型，輸出車速預(yù)測結(jié)果。

27、進(jìn)一步地，更新車速預(yù)測模型的訓(xùn)練樣本矩陣包括：

28、將提取的訓(xùn)練樣本輸入向量和訓(xùn)練樣本輸出向量分別置于上一時刻的訓(xùn)練樣本輸入矩陣和輸出矩陣的最后一列，以此更新訓(xùn)練樣本矩陣。

29、進(jìn)一步地，根據(jù)降維優(yōu)化后的多源車輛數(shù)據(jù)集，基于回歸神經(jīng)網(wǎng)絡(luò)進(jìn)行車速預(yù)測包括：

30、若當(dāng)前時刻小于預(yù)設(shè)訓(xùn)練時域長度和預(yù)測時域長度之和，則預(yù)測車輛未來一個時間步長的車速，包括：

31、獲取當(dāng)前時刻及前一時刻降維處理后的多源車輛數(shù)據(jù)集，并構(gòu)建訓(xùn)練樣本矩陣；

32、基于滑動時間窗口方法更新訓(xùn)練樣本矩陣并訓(xùn)練車速預(yù)測模型；

33、利用當(dāng)前時刻的多源車輛數(shù)據(jù)作為預(yù)測樣本輸入向量，基于訓(xùn)練好的車速預(yù)測模型對下一時刻的車速進(jìn)行預(yù)測。

34、進(jìn)一步地，根據(jù)降維優(yōu)化后的多源車輛數(shù)據(jù)集，基于回歸神經(jīng)網(wǎng)絡(luò)進(jìn)行車速預(yù)測包括：

35、若當(dāng)前時刻不小于預(yù)設(shè)訓(xùn)練時域長度和預(yù)測時域長度之和，則預(yù)測車輛未來多個時間步長的車速，包括：

36、根據(jù)預(yù)設(shè)訓(xùn)練時域長度和預(yù)測時域長度，獲取降維處理后的歷史多源車輛數(shù)據(jù)集并構(gòu)建訓(xùn)練樣本矩陣；

37、基于滑動時間窗口方法更新歷史多源車輛數(shù)據(jù)集和訓(xùn)練樣本矩陣，并訓(xùn)練車速預(yù)測模型；

38、利用歷史多源車輛數(shù)據(jù)作為預(yù)測樣本輸入向量，基于訓(xùn)練好的車速預(yù)測模型對預(yù)測時域長度的車速進(jìn)行預(yù)測。

39、本發(fā)明第二方面的技術(shù)方案提供了基于多源信息融合的在線車速預(yù)測系統(tǒng)，采用本發(fā)明第一方面的技術(shù)方案所述的基于多源信息融合的在線車速預(yù)測方法，所述系統(tǒng)包括：

40、數(shù)據(jù)獲取及預(yù)處理模塊，配置為獲取多源車輛數(shù)據(jù)集并進(jìn)行預(yù)處理；

41、特征提取模塊，配置為根據(jù)預(yù)處理后的多源車輛數(shù)據(jù)集構(gòu)建相關(guān)系數(shù)矩陣，并根據(jù)相關(guān)系數(shù)矩陣提取相關(guān)特征；

42、數(shù)據(jù)降維模塊，配置為計算主成分的貢獻(xiàn)率及累計貢獻(xiàn)率，并對多源車輛數(shù)據(jù)集進(jìn)行降維優(yōu)化；

43、車速預(yù)測模塊，配置為根據(jù)降維優(yōu)化后的多源車輛數(shù)據(jù)集，基于回歸神經(jīng)網(wǎng)絡(luò)進(jìn)行車速預(yù)測。

44、本發(fā)明具有如下有益效果：

45、本發(fā)明提供的基于多源信息融合的在線車速預(yù)測方法，通過對多源信息進(jìn)行融合與降維處理，去除了冗余信息，減少了數(shù)據(jù)的維度，提高了數(shù)據(jù)處理效率，同時保留了對車速預(yù)測有重要作用的信息；在預(yù)測過程中，采用回歸神經(jīng)網(wǎng)絡(luò)算法并在線更新訓(xùn)練樣本，使車速預(yù)測模型能夠?qū)崟r適應(yīng)不斷變化的交通工況，提高了模型的準(zhǔn)確性和泛化能力，能夠更精準(zhǔn)地預(yù)測車速，為車輛的在線智能決策提供了可靠的車速數(shù)據(jù)支撐。一方面，本發(fā)明運用pca方法來構(gòu)建相關(guān)系數(shù)矩陣并提取相關(guān)特征，通過計算主成分貢獻(xiàn)率和累計貢獻(xiàn)率，精準(zhǔn)地篩選出貢獻(xiàn)大的信息,能夠有效去除數(shù)據(jù)中的冗余部分，將高維的多源車輛數(shù)據(jù)集降維，只保留最關(guān)鍵的信息作為車速預(yù)測模型的輸入，避免了因輸入信息維度過高、包含過多無關(guān)信息而導(dǎo)致的模型復(fù)雜度過高和計算效率低下的問題；另一方面，本發(fā)明針對車速預(yù)測模型泛化能力弱的問題，在預(yù)測階段采用回歸神經(jīng)網(wǎng)絡(luò)算法，回歸神經(jīng)網(wǎng)絡(luò)具有較強(qiáng)的非線性映射能力，能夠適應(yīng)復(fù)雜多變的車速與多源數(shù)據(jù)信息之間的關(guān)系，訓(xùn)練過程中使用滑動時間窗口的方式在線更新訓(xùn)練樣本，使得模型能夠?qū)崟r獲取新的數(shù)據(jù)，及時根據(jù)車輛行駛過程中工況的動態(tài)變化進(jìn)行自我調(diào)整，從而學(xué)習(xí)到不同工況下的車速變化規(guī)律，這種在線學(xué)習(xí)和更新機(jī)制，讓模型能夠在各種復(fù)雜的交通場景下都能有效工作，極大地增強(qiáng)了模型的泛化能力，使其能夠更準(zhǔn)確地對不同工況下的車速進(jìn)行預(yù)測。