本發(fā)明涉及車輛速度預測，具體涉及基于v2x數(shù)據(jù)采集的在線車速預測方法及系統(tǒng)。

背景技術(shù)：

1、車速預測作為一項關(guān)鍵技術(shù)，旨在依據(jù)車輛當前所處的交通環(huán)境、自身動力學狀態(tài)以及其他相關(guān)信息，對未來特定時段內(nèi)的車速進行精確預估。隨著智慧交通系統(tǒng)以及v2x通信技術(shù)的發(fā)展，車輛能夠高效獲取海量且多元化的交通環(huán)境信息。

2、目前，大部分車速預測模型普遍采用離線訓練、在線使用的傳統(tǒng)模式。此模式在實現(xiàn)方式上相對簡便，對于運行線路和工況較為固定的車輛，例如沿既定線路、在固定運行時間段行駛的公交車，憑借預先設(shè)定的訓練數(shù)據(jù)和模型參數(shù)，能夠在一定程度上實現(xiàn)較為理想的車速預測效果。然而，在實際的車輛行駛場景中，不同車輛的未來行駛狀況極易受到諸多復雜因素的交互影響，例如駕駛員的操縱習慣、潛在駕駛意圖、實時道路環(huán)境狀況、行駛路線的動態(tài)變更、運行時間的不同時段特性以及多變的天氣狀況等。因此，即使離線訓練所采用的訓練樣本數(shù)量極為龐大，由于無法全面涵蓋上述復雜多變的駕駛環(huán)境因素，使得通過離線訓練所構(gòu)建的車速預測模型，難以有效適應動態(tài)變化的實際駕駛場景。這不僅導致模型的泛化性能欠佳，無法在多樣化的工況下準確預測車速，而且在面對突發(fā)情況或非典型駕駛環(huán)境時，預測精度大幅下降。此外，當前多數(shù)車速預測模型在訓練數(shù)據(jù)的選取上存在局限性，往往僅聚焦于自身車速信息，忽略了交通流中車輛之間的相互作用關(guān)系，使得模型無法完整捕捉交通系統(tǒng)的動態(tài)特性，進一步限制了車速預測的精度。

技術(shù)實現(xiàn)思路

1、為了實現(xiàn)在線車速預測，提升車速預測精度，本發(fā)明提供了基于v2x數(shù)據(jù)采集的在線車速預測方法及系統(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v2x數(shù)據(jù)采集的在線車速預測方法，所述方法包括：

3、獲取第一階段內(nèi)車輛的車速數(shù)據(jù)集，并計算第一車速預測數(shù)據(jù)；

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

5、獲取第二階段內(nèi)車輛的第一車流速度信息數(shù)據(jù)矩陣，利用第一車流速度信息數(shù)據(jù)矩陣訓練優(yōu)化車速預測模型并計算第二車速預測數(shù)據(jù)；

6、獲取第三階段內(nèi)車輛的第二車流速度信息數(shù)據(jù)矩陣，利用第二車流速度信息數(shù)據(jù)矩陣訓練優(yōu)化車速預測模型并計算第三車速預測數(shù)據(jù)。

7、進一步地，獲取第一階段內(nèi)車輛的車速數(shù)據(jù)集，并計算第一車速預測數(shù)據(jù)包括：

8、獲取第一階段內(nèi)預測時刻前的主車車速數(shù)據(jù)；

9、根據(jù)主車當前車速數(shù)據(jù)以及主車前一時刻車速數(shù)據(jù)，計算主車下一時刻的預測車速。

10、進一步地，基于回歸神經(jīng)網(wǎng)絡(luò)構(gòu)建車速預測模型包括：

11、根據(jù)訓練樣本輸入向量的維度配置輸入層神經(jīng)元數(shù)量；

12、根據(jù)訓練樣本數(shù)量配置模式層神經(jīng)元數(shù)量，并利用傳遞函數(shù)提取模式層輸出；

13、根據(jù)預測時長配置求和層和輸出層神經(jīng)元數(shù)量，求和層對模式層的輸出進行求和，輸出層輸出預測車速數(shù)據(jù)。

14、進一步地，獲取第二階段內(nèi)車輛的第一車流速度信息數(shù)據(jù)矩陣包括：

15、利用主車車輛狀態(tài)采集模塊采集當前時刻主車的車速數(shù)據(jù)；

16、利用主車v2x通信模塊與前車v2x通信模塊建立通信獲取當前時刻前車的車速數(shù)據(jù)；

17、構(gòu)建第一車流速度信息矩陣。

18、進一步地，利用第一車流速度信息數(shù)據(jù)矩陣訓練優(yōu)化車速預測模型并計算第二車速預測數(shù)據(jù)包括：

19、基于第一車流數(shù)據(jù)信息矩陣提取訓練樣本輸入向量和訓練樣本輸出向量，并更新車速預測模型的訓練樣本矩陣；

20、基于更新后的訓練樣本矩陣，以最小化均方根誤差為目標提取最優(yōu)車速預測模型；

21、將預測樣本輸入向量輸入最優(yōu)車速預測模型，輸出第二車速預測數(shù)據(jù)。

22、進一步地，更新車速預測模型的訓練樣本矩陣包括：

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

24、進一步地，獲取第三階段內(nèi)車輛的第二車流速度信息數(shù)據(jù)矩陣包括：

25、獲取主車歷史車速數(shù)據(jù)，并利用主車v2x通信模塊與前車v2x通信模塊建立通信獲取當前時刻前車的車速數(shù)據(jù)；

26、構(gòu)建第二車流速度信息矩陣；

27、基于第二車流數(shù)據(jù)信息矩陣提取訓練樣本輸入向量和訓練樣本輸出向量，并更新車速預測模型的訓練樣本矩陣；

28、基于更新后的訓練樣本矩陣，以最小化均方根誤差為目標提取最優(yōu)車速預測模型；

29、將預測樣本輸入向量輸入最優(yōu)車速預測模型，輸出第三車速預測數(shù)據(jù)。

30、本發(fā)明第二方面的技術(shù)方案提供了基于v2x數(shù)據(jù)采集的在線車速預測系統(tǒng)，采用本發(fā)明第一方面的技術(shù)方案所述的基于v2x采集車流信息的在線車速預測方法，所述系統(tǒng)包括：

31、數(shù)據(jù)采集模塊，配置為獲取車輛的車速數(shù)據(jù)；

32、第一階段車速預測模塊，配置為根據(jù)第一階段內(nèi)車輛的車速數(shù)據(jù)集計算第一車速預測數(shù)據(jù)；

33、第二階段車速預測模塊，配置為利用第一車流速度信息數(shù)據(jù)矩陣訓練優(yōu)化車速預測模型并計算第二車速預測數(shù)據(jù)；

34、第三階段車速預測模塊，配置為利用第二車流速度信息數(shù)據(jù)矩陣訓練優(yōu)化車速預測模型并計算第三車速預測數(shù)據(jù)。

35、進一步地，所述第二階段車速預測模塊用于根據(jù)第二階段內(nèi)當前時刻主車和前車的車速數(shù)據(jù)計算第二車速預測數(shù)據(jù)。

36、進一步地，所述第三階段車速預測模塊用于根據(jù)第三階段內(nèi)主車的歷史車速數(shù)據(jù)和當前時刻前車車速數(shù)據(jù)計算第三車速預測數(shù)據(jù)。

37、本發(fā)明具有如下有益效果：

38、本發(fā)明提供的基于v2x數(shù)據(jù)采集的在線車速預測方法及系統(tǒng)，通過分階段采集v2x數(shù)據(jù)，結(jié)合回歸神經(jīng)網(wǎng)絡(luò)構(gòu)建并優(yōu)化車速預測模型，從第一階段簡單的初始預測逐步過渡到結(jié)合更多車速數(shù)據(jù)的復雜預測，基于回歸神經(jīng)網(wǎng)絡(luò)構(gòu)建的車速預測模型具有強大的非線性映射能力，能夠處理復雜的車速變化關(guān)系；該方法在第二階段和第三階段利用了主車自身及前車車流的速度信息，使得模型能夠捕捉到車輛間的相互作用和交通流的動態(tài)特性，能夠更全面地反映交通場景的實際情況，考慮不同時間跨度的車速變化規(guī)律，第二階段和第三階段能夠更準確地預測車速，為交通管理、自動駕駛等提供可靠的車速信息。該方法提供的車速預測模型可跟隨車況實時更新和在線學習，可根據(jù)不斷變化的交通狀況及時調(diào)整自身的參數(shù)和結(jié)構(gòu)，適應各種不同的交通場景，避免因車況變化導致的預測偏差，從而有效提升了車速預測的精度；同時合理利用計算資源，避免一次性處理過多復雜數(shù)據(jù)導致的資源浪費和模型難以收斂等問題。

技術(shù)特征：

1.基于v2x數(shù)據(jù)采集的在線車速預測方法，其特征在于，所述方法包括：

2.如權(quán)利要求1所述的在線車速預測方法，其特征在于，獲取第一階段內(nèi)車輛的車速數(shù)據(jù)集，并計算第一車速預測數(shù)據(jù)包括：

3.如權(quán)利要求1所述的在線車速預測方法，其特征在于，基于回歸神經(jīng)網(wǎng)絡(luò)構(gòu)建車速預測模型包括：

4.如權(quán)利要求1所述的在線車速預測方法，其特征在于，獲取第二階段內(nèi)車輛的第一車流速度信息數(shù)據(jù)矩陣包括：

5.如權(quán)利要求4所述的在線車速預測方法，其特征在于，利用第一車流速度信息數(shù)據(jù)矩陣訓練優(yōu)化車速預測模型并計算第二車速預測數(shù)據(jù)包括：

6.如權(quán)利要求5所述的在線車速預測方法，其特征在于，更新車速預測模型的訓練樣本矩陣包括：

7.如權(quán)利要求1至6任一項所述的在線車速預測方法，其特征在于，獲取第三階段內(nèi)車輛的第二車流速度信息數(shù)據(jù)矩陣包括：

8.基于v2x數(shù)據(jù)采集的在線車速預測系統(tǒng)，其特征在于，采用權(quán)利要求1至7任一項所述的基于v2x采集車流信息的在線車速預測方法，所述系統(tǒng)包括：

9.如權(quán)利要求8所述的基于v2x數(shù)據(jù)采集的在線車速預測系統(tǒng)，其特征在于，所述第二階段車速預測模塊用于根據(jù)第二階段內(nèi)當前時刻主車和前車的車速數(shù)據(jù)計算第二車速預測數(shù)據(jù)。

10.如權(quán)利要求9所述的基于v2x數(shù)據(jù)采集的在線車速預測系統(tǒng)，其特征在于，所述第三階段車速預測模塊用于根據(jù)第三階段內(nèi)主車的歷史車速數(shù)據(jù)和當前時刻前車車速數(shù)據(jù)計算第三車速預測數(shù)據(jù)。

技術(shù)總結(jié)
本發(fā)明涉及車輛速度預測技術(shù)領(lǐng)域，具體涉及基于V2X數(shù)據(jù)采集的在線車速預測方法及系統(tǒng)，所述方法包括：獲取第一階段內(nèi)車輛的車速數(shù)據(jù)集，并計算第一車速預測數(shù)據(jù)；基于回歸神經(jīng)網(wǎng)絡(luò)構(gòu)建車速預測模型；獲取第二階段內(nèi)車輛的第一車流速度信息數(shù)據(jù)矩陣，利用第一車流速度信息數(shù)據(jù)矩陣訓練優(yōu)化車速預測模型并計算第二車速預測數(shù)據(jù)；獲取第三階段內(nèi)車輛的第二車流速度信息數(shù)據(jù)矩陣，利用第二車流速度信息數(shù)據(jù)矩陣訓練優(yōu)化車速預測模型并計算第三車速預測數(shù)據(jù)。其目的在于，實現(xiàn)在線車速預測，提升車速預測精度。

技術(shù)研發(fā)人員：陰曉峰,卿輝紅,陳波,王朋,郭瑞洋,謝宇
受保護的技術(shù)使用者：西華大學
技術(shù)研發(fā)日：
技術(shù)公布日：2025/5/15