專利名稱：：一種混合動(dòng)力汽車行駛負(fù)載預(yù)測(cè)方法
技術(shù)領(lǐng)域：
：本發(fā)明涉及動(dòng)力控制
技術(shù)領(lǐng)域：
，尤其涉及汽車的控制策略領(lǐng)域，具體涉及一種基于正交余弦變換和支持向量機(jī)的混合動(dòng)力汽車行駛負(fù)載預(yù)測(cè)方法。
背景技術(shù)：
：近年來，溫室氣體的排放及燃料的消耗導(dǎo)致了全球變暖的趨勢(shì)，為了減少這種影響，汽車被給予了越來越多的關(guān)注，我們希望汽車能夠有更好的燃油經(jīng)濟(jì)性和更少的污染排放，同時(shí)又不會(huì)降低其性能。目前，有如下三種方法被用于提高汽車的性能及發(fā)動(dòng)機(jī)的效率。第一種方法是改變傳統(tǒng)發(fā)動(dòng)機(jī)的結(jié)構(gòu)或者增加一些改進(jìn)的部件，但這種方法帶來性能提升相當(dāng)有限。第二種方法是釆用電動(dòng)汽車(EV)及燃料電池汽車(FCV)。EV和FCV這兩種汽車是最清潔的汽車，其采用電池或燃料電池代替燃料，釆用電動(dòng)機(jī)替代內(nèi)燃機(jī)。然而，高昂的成本限制了它們的發(fā)展。結(jié)合以上兩種方法，在1995年以后發(fā)展出第三種方法，這就是混合動(dòng)力汽車(HEV)。HEV結(jié)合傳統(tǒng)汽車和電動(dòng)汽車的優(yōu)勢(shì)，以達(dá)到在成本開銷和燃油經(jīng)濟(jì)的較好平衡?？傮w上，混合動(dòng)力汽車有兩個(gè)或兩個(gè)以上的動(dòng)力來源，并且以不同方式將其能量部分(如內(nèi)燃機(jī)和電動(dòng)機(jī))與電力存儲(chǔ)部分(如電池)結(jié)合起來?；旌蟿?dòng)力汽車可以分為如下三類串聯(lián)式混合動(dòng)力汽車、并聯(lián)式混合動(dòng)力汽車及混合式混合動(dòng)力汽車。對(duì)于串聯(lián)式混合動(dòng)力汽車，汽車只被電動(dòng)機(jī)驅(qū)動(dòng)，由內(nèi)燃機(jī)產(chǎn)生的能量會(huì)被轉(zhuǎn)化為電能提供給電動(dòng)機(jī)以驅(qū)動(dòng)汽車。對(duì)于并聯(lián)式混合動(dòng)力汽車，電動(dòng)機(jī)和內(nèi)燃機(jī)都可以驅(qū)動(dòng)汽車?；旌鲜交旌蟿?dòng)力汽車則是以上兩種汽車的結(jié)合體。無論采用哪種混合動(dòng)力汽車，混合動(dòng)力汽車的關(guān)鍵問題在于如何將這些動(dòng)力來源合理的組合在一起，這就需要找到一種合適的動(dòng)力管理策略以優(yōu)化發(fā)動(dòng)機(jī)效能并最小化污染排放?；旌蟿?dòng)力汽車的行駛負(fù)載對(duì)于決定發(fā)動(dòng)機(jī)操作是一個(gè)非常重要的因素。行駛負(fù)載與諸如速度、加速度、扭矩等等因素相關(guān)，因此經(jīng)常使用行駛負(fù)載作為一種有效的表示混合動(dòng)力汽車行駛狀態(tài)的方法。而如果給定了混合動(dòng)力汽車的行駛負(fù)載，那么控制策略將更加有效的發(fā)揮作用。因此，無論釆用哪種控制策略，估計(jì)行駛負(fù)載都是最為重要的一環(huán)。目前，有很多種方法可以做到這點(diǎn)，很多模型被提出并得以發(fā)展。目前，這些模型主要可以分為如下兩類，基于當(dāng)前數(shù)據(jù)進(jìn)行估計(jì)當(dāng)前數(shù)據(jù)大致上包括如汽車速度、加速度及轉(zhuǎn)速等諸多變量?；谶@些變量，需要找到一種用于建立輸入變量和輸出行駛負(fù)載的關(guān)系的映射。例如，在文獻(xiàn)[D.H.Kim，K.S.Hong,andK.Yi,"DrivingLoadEstimationwiththeUseofanEstimatedTurbineTorque,"JSMEInternationalJournal,SeriesC，2006]中，基于傳送輸出速度和行駛轉(zhuǎn)速，通過神經(jīng)網(wǎng)絡(luò)對(duì)發(fā)動(dòng)機(jī)扭矩進(jìn)行估計(jì)，從而估算行駛負(fù)載。這種方法簡(jiǎn)單、直接并且在現(xiàn)實(shí)應(yīng)用中得到了廣泛釆用。但是這種方法不能夠完全反映汽車的實(shí)際負(fù)載，精度不夠，而且無法針對(duì)不同路況和變化的環(huán)境給出足夠精確的預(yù)測(cè)等不足。，基于歷史數(shù)據(jù)進(jìn)行估計(jì)在這種方法中，建立預(yù)測(cè)模型以通過歷史數(shù)據(jù)來預(yù)測(cè)將來的行駛負(fù)載，這種方法可靠且穩(wěn)定。另外，控制器可以基于預(yù)測(cè)結(jié)果提前進(jìn)行策略的調(diào)整，從而獲得良好的性能，但是目前對(duì)此方法的應(yīng)用鮮有研究。文獻(xiàn)[Z.Wang,G.Xu，W.Li，andYXu,"DrivingLoadForecastingUsingCascadeNeuralNetworks."IS麗2007,PartIII,LNCS4493,pp.988-997，2007]釆用卡爾曼濾波級(jí)聯(lián)神經(jīng)網(wǎng)絡(luò)(CNN-NDEKF)以解決行駛負(fù)載問題，且通過實(shí)驗(yàn)獲得了不錯(cuò)的結(jié)果。但是現(xiàn)有的算法具有維數(shù)高、計(jì)算量大、計(jì)算過程復(fù)雜、精度低、誤差大等缺陷。
發(fā)明內(nèi)容本發(fā)明的目的是提供一種混合動(dòng)力汽車行駛負(fù)載預(yù)測(cè)方法，提高現(xiàn)有技術(shù)中的預(yù)測(cè)精度和泛化能力，降低計(jì)算復(fù)雜度。為實(shí)現(xiàn)上述目的，本發(fā)明采用如下技術(shù)方案本發(fā)明提供一種混合動(dòng)力汽車行駛負(fù)載預(yù)測(cè)方法，該方法包括以S1，釆集汽車行駛一段時(shí)間內(nèi)的行駛速度獲得速度序列x。'(w);S2，根據(jù)x。'(")獲取行駛周期r,將r作為滑動(dòng)時(shí)間窗的長(zhǎng)度；S3，利用滑動(dòng)時(shí)間窗將V(w)在時(shí)間上分段，每個(gè)滑動(dòng)時(shí)間窗在時(shí)間上分為歷史時(shí)間t;和預(yù)測(cè)時(shí)間r2;S4，利用正交余弦變換對(duì)t;時(shí)間段的數(shù)據(jù)進(jìn)行維數(shù)消減；S5，根據(jù)r2時(shí)間段的數(shù)據(jù)利用模糊邏輯推理得到r2時(shí)間段的負(fù)載等級(jí)；s6，以維數(shù)消減后的;時(shí)間段的數(shù)據(jù)及r2時(shí)間段的負(fù)載等級(jí)作為訓(xùn)練數(shù)據(jù)對(duì)支持向量機(jī)進(jìn)行訓(xùn)練；S7,釆集行駛汽車速度，利用滑動(dòng)時(shí)間窗采集t;時(shí)間長(zhǎng)度后獲得速度序列x。(")，利用正交余弦變換對(duì)A(")進(jìn)行維數(shù)消減得到^(");S8，利用訓(xùn)練后的支持向量機(jī)對(duì)A(w)進(jìn)行分類，預(yù)測(cè)后面7^時(shí)間段內(nèi)的負(fù)載等級(jí)，若汽車在行駛中，則返回步驟S7。優(yōu)選地，步驟S2中，通過計(jì)算V(w)的能量譜密度，將能量譜密度最高的頻率所對(duì)應(yīng)的周期確定為所述行駛周期r。優(yōu)選地，步驟S2中，在獲取所述行駛周期r后，還包括根據(jù)下式獲取行駛周期r置信度的步驟，在置信度低于設(shè)定值后對(duì)所述行駛周期r進(jìn)行修正，其中，F(xiàn)服從統(tǒng)計(jì)學(xué)分布，^為行駛周期r組間誤差，^為行駛7周期r組內(nèi)誤差，力為^的自由度，/2為^的自由度。優(yōu)選地，在步驟S1中，對(duì)不同行駛環(huán)境下的汽車行駛速度進(jìn)行釆集；步驟S2中，根據(jù)每種行駛環(huán)境下釆集的速度序列獲取該行駛環(huán)境下的行駛周期，將最長(zhǎng)的行駛周期確定為所述行駛周期r。優(yōu)選地，步驟S5包括子步驟S501，由所述7;時(shí)間段的數(shù)據(jù)計(jì)算72時(shí)間段內(nèi)的平均速度1及加速度y;S502，將所述;c和;;由其各自所屬的隸屬函數(shù)轉(zhuǎn)化成輸入模糊值；S503，基于輸入模糊值和事先確定的規(guī)則，產(chǎn)生由行駛負(fù)載z所屬的隸屬函數(shù)所定義的輸出模糊值；S504,將所述輸出模糊值轉(zhuǎn)換成用于計(jì)算和決策的整數(shù)值，將所述整數(shù)值作為7;時(shí)間段的負(fù)載等級(jí)。優(yōu)選地，x所屬的隸屬函數(shù)將平均速度范圍劃分為五個(gè)速度等級(jí)；^所屬的隸屬函數(shù)將加速度范圍劃分為五個(gè)加速度等級(jí)；z所屬的隸屬函數(shù)將負(fù)載等級(jí)范圍劃分為五個(gè)負(fù)載等級(jí)；事先確定的規(guī)則有若干條，分別定義了由不同的速度等級(jí)和不同的加速度等級(jí)所對(duì)應(yīng)的負(fù)載等級(jí)。優(yōu)選地，若步驟S502中，所述輸入模糊值為第;個(gè)速度等級(jí)和第y個(gè)加速度等級(jí)；步驟S503中，若第/個(gè)速度等級(jí)、第y個(gè)加速度等級(jí)和第/個(gè)負(fù)載等級(jí)的隸屬函數(shù)分別為^(x)、(力及&(z)，基于第A條規(guī)則的輸出隸屬度由式(1)確定=min",A:=1,2,…,25;(1)其中，〃〃=min{^/w(x)，〃w(力},/,=1,2，3，4，5;(2)綜合上面的輸出隸屬度，由式(3)獲得加權(quán)平均的隸屬度8(3)其中^是與第A條規(guī)則相關(guān)、介于0到1之間的權(quán)重；將所述Mz)確定為輸出模糊值。步驟S504中，利用重心法將輸出模糊值;/(z)轉(zhuǎn)換成用于計(jì)算和決策的整數(shù)值"其中，TO""d為利用四舍五入取整。優(yōu)選地，步驟S6之后，步驟S7之前還包括步驟利用訓(xùn)練好的支持向量機(jī)以步驟S4中維數(shù)消減后的z;時(shí)間段的數(shù)據(jù)作為輸入，預(yù)測(cè)對(duì)應(yīng)K時(shí)間段的負(fù)載等級(jí)，判斷所預(yù)測(cè)的負(fù)載等級(jí)是否在設(shè)定誤差范圍內(nèi)，若超出設(shè)定誤差范圍，修正支持向量機(jī)的相關(guān)參數(shù)。優(yōu)選地，所述支持向量機(jī)的核函數(shù)為單個(gè)徑向基核。優(yōu)選地，步驟S6之后，還包括利用克隆粒子群優(yōu)化算法對(duì)所述單個(gè)徑向基核的參數(shù)進(jìn)行優(yōu)化的步驟。利用本發(fā)明提供的混合動(dòng)力行駛負(fù)載預(yù)測(cè)方法進(jìn)行負(fù)載預(yù)測(cè)，具有以下有益效果1)經(jīng)過正交余弦變換的信號(hào)比經(jīng)過快速傅立葉變換的信號(hào)具有保持更低頻成分的能力，而高頻成分通常被認(rèn)為是噪聲信息，因此，經(jīng)過正交余弦變換，更多內(nèi)在特征得以保留，而高頻成分則被濾去，因此預(yù)測(cè)精度和泛化能力都得到了提升，還降低了計(jì)算的復(fù)雜度；2)無論是在預(yù)測(cè)精度還是泛化能力上，支持向量機(jī)都表現(xiàn)出比神經(jīng)網(wǎng)絡(luò)更好的性能，因此預(yù)測(cè)得到的結(jié)果更準(zhǔn)確。圖i為本發(fā)明混合動(dòng)力汽車行駛負(fù)載預(yù)測(cè)方法流程圖；圖2A為本發(fā)明實(shí)施例中所用城區(qū)環(huán)境行駛數(shù)據(jù)Manhattan標(biāo)準(zhǔn)行駛數(shù)據(jù)圖；圖2B為本發(fā)明實(shí)施例中所用城區(qū)環(huán)境行駛數(shù)據(jù)UDDS標(biāo)準(zhǔn)行駛數(shù)據(jù)圖2C為本發(fā)明實(shí)施例中所用城區(qū)環(huán)境行駛數(shù)據(jù)WVUCITY標(biāo)準(zhǔn)行駛數(shù)據(jù)圖2D為本發(fā)明實(shí)施例中所用城區(qū)環(huán)境行駛數(shù)據(jù)NYCC標(biāo)準(zhǔn)行駛數(shù)據(jù)圖3A為本發(fā)明實(shí)施例中Manhattan標(biāo)準(zhǔn)行駛數(shù)據(jù)的能量分布圖3B為本發(fā)明實(shí)施例中UDDS標(biāo)準(zhǔn)行駛數(shù)據(jù)的能量分布圖3C為本發(fā)明實(shí)施例中WVUCITY標(biāo)準(zhǔn)行駛數(shù)據(jù)的能量分布圖3D為本發(fā)明實(shí)施例中NYCC標(biāo)準(zhǔn)行駛數(shù)據(jù)的能量分布圖4為本發(fā)明實(shí)施例中模糊推理原理框圖5A本發(fā)明實(shí)施例中汽車的平均速度的隸屬函數(shù)圖5B為本發(fā)明實(shí)施例汽車的加速度的隸屬函數(shù)；圖5C為本發(fā)明實(shí)施例汽車的行駛負(fù)載的隸屬函數(shù)；圖6為將使用正交余弦變換的數(shù)據(jù)的前三維投射到三維空間圖7A為本發(fā)明實(shí)施例中所用城區(qū)及城外環(huán)境行駛數(shù)據(jù)Manhattan標(biāo)準(zhǔn)行駛數(shù)據(jù)圖7B為實(shí)施例中所用城外環(huán)境行駛數(shù)據(jù)NEDC標(biāo)準(zhǔn)行駛數(shù)據(jù)圖7C為實(shí)施例中所用城外環(huán)境行駛數(shù)據(jù)US06標(biāo)準(zhǔn)行駛數(shù)據(jù)圖8為本發(fā)明實(shí)施例維度和預(yù)測(cè)精度的關(guān)系圖9A為本發(fā)明實(shí)施例中在3-mixd訓(xùn)練集、5-separate測(cè)試集上的預(yù)測(cè)精度圖9B為本發(fā)明實(shí)施例中在5-mixd訓(xùn)練集、5-separate測(cè)試集上的預(yù)測(cè)精度圖10為本發(fā)明實(shí)施例中正交余弦變換和快速傅里葉變換的擬合性能比較圖11為本發(fā)明實(shí)施例中正交余弦變換和快速傅里葉變換的STD在擬合行駛負(fù)載樣本數(shù)據(jù)上性能比較圖12為本發(fā)明實(shí)施例中正交余弦變換和快速傅里葉變換的STD能量保持性能比較圖。具體實(shí)施例方式本發(fā)明提出的基于正交余弦變換和支持向量機(jī)的混合動(dòng)力汽車的行駛負(fù)載預(yù)測(cè)方法，結(jié)合附圖和實(shí)施例說明如下。本文將建立一個(gè)基于正交余弦變換(DCT)和支持向量機(jī)(SVM)的針對(duì)混合動(dòng)力汽車行駛負(fù)載的預(yù)測(cè)模型。在這個(gè)預(yù)測(cè)模型中，模糊邏輯用于前期支持向量機(jī)的訓(xùn)練過程中在預(yù)測(cè)期判定行駛負(fù)載，正交余弦變換用于壓縮數(shù)據(jù)以減少計(jì)算量和過濾噪聲，支持向量機(jī)則用于將速度序列分類到由模糊邏輯定義的5個(gè)行駛負(fù)載等級(jí)上。根據(jù)這個(gè)預(yù)測(cè)模型，未來的行駛狀態(tài)將被有效和精準(zhǔn)的預(yù)測(cè)，這樣汽車就可以合適的調(diào)整上文所述的兩種動(dòng)力來源的分配，混合動(dòng)力汽車也會(huì)因此輕松的獲得良好的性能。在詳細(xì)介紹本發(fā)明的基于正交余弦變換和支持向量機(jī)的混合動(dòng)力汽車行駛負(fù)載預(yù)測(cè)方法之前首先介紹正交余弦變換DCT和支持向量機(jī)的原理。1)DCT原理快速傅立葉變換FFT和正交余弦變換DCT是兩種在電子信號(hào)處理中廣泛使用的方法，它們都可以用于壓縮數(shù)據(jù)以降低輸入維數(shù)。快速傅立葉變換是正交傅立葉變換DFT的快速算法，設(shè)輸入信號(hào)為x(n),"-l,...,iV，那么，輸入信號(hào)的正交傅立葉變換為f>("K"-')(")(1)其中，*=l,2,...,iV，并且是如下定義的第iV個(gè)根=e(-")"(2)式(2)中的/表示復(fù)數(shù)的虛部。ii觀察式(1)，可以發(fā)現(xiàn)正交傅立葉變換將一個(gè)信號(hào)的時(shí)間域變換到一個(gè)復(fù)數(shù)頻率域。經(jīng)過這個(gè)變換，隱藏在原始信號(hào)數(shù)據(jù)中的頻率信息可以在頻率域被輕松的表達(dá)出來。在頻率域中，高頻部分通常被認(rèn)為是噪聲。那么，通過保持低頻部分，有效信號(hào)得以保留，而噪聲則會(huì)被濾去。也因?yàn)槿绱耍S數(shù)得以降低。設(shè)輸入信號(hào)為x("),"-l,...,TV，那么，正交余弦變換DCT定義為<formula>formulaseeoriginaldocumentpage12</formula>對(duì)于本發(fā)明來說，上述就是需要處理的t;時(shí)間段的速度序列。觀察式(3)和式(i),可以發(fā)現(xiàn)正交余弦變換比正交傅立葉變化使用了更少的基。那么，更低的維度就可以蘊(yùn)含更多的數(shù)據(jù)信息，相較于正交傅立葉變換結(jié)果中的復(fù)數(shù)，正交余弦變換將信號(hào)直接轉(zhuǎn)為實(shí)數(shù)，這便有利于數(shù)據(jù)的進(jìn)一步處理。因此，正交余弦變換成為圖像處理及壓縮的一種重要工具，但還未公開將正交余弦變換應(yīng)用到汽車負(fù)載預(yù)測(cè)領(lǐng)域的技術(shù)。在文獻(xiàn)[]N.Ahmed,T.NatarajanandK.R.Rao,"Discretecosinetransform,"IEEETransactionsonComputers,vol.C-23，pp.90-93,Jan.1974]和文獻(xiàn)[K.-R.Muller，S.Mika,G.Ratsch，K.Tsuda，andB.Scholkopf."Anintroductiontokernel-basedlearningalgorithms,"IEEETransactionsonNeuralNetworks,12(2):181-201，May2001]中，相較于正交傅立葉變換，正交余弦變換被證明為更加接近于最優(yōu)的KL(Karhunen-Loeve)變換(KLT)。2)支持向量機(jī)SVM支持向量機(jī)SVM的思想是在線性可分的條件下構(gòu)造一個(gè)最大間隔分類器。為了分開兩類，一個(gè)分割超平面(『》)不僅應(yīng)當(dāng)將數(shù)據(jù)正確的分開(W是SVM的系數(shù)向量，b是偏置)，同時(shí)也要保障分割超平面間隔Y盡可能大。給定一個(gè)線性可分的訓(xùn)練集，S-((a，"),…,(x,，;;,))，/為正整數(shù)(5)對(duì)于本發(fā)明來說，上述a,力具體是一個(gè)時(shí)刻的速度值及其分類。得到這個(gè)超平面(『,6)等價(jià)于求解如下的對(duì)偶優(yōu)化問題，maxZ"_*I^J=1^a'<^、>(6)結(jié)東為a^0，/=l,.."/。然而現(xiàn)實(shí)世界中的問題通常是線性不可分的，因此引入了核方法。將等術(shù)(6)中的〈;c,.、.〉替換為.核函數(shù)i^;vx,，將輸入空間非線性映射到特征空間中，支持向量機(jī)就可以將現(xiàn)實(shí)世界中的問題作為線性可分的情況加以解決。如圖1所示為本發(fā)明混合動(dòng)力汽車行駛負(fù)載預(yù)測(cè)方法流程圖，該方法包括以下步驟Sl，前期數(shù)據(jù)釆樣，釆集汽車行駛一段時(shí)間內(nèi)的行駛速度獲得速度序列VO);S2，根據(jù)V(w)獲取行駛周期r,將r作為滑動(dòng)時(shí)間窗的長(zhǎng)度；收集的數(shù)據(jù)V(")是一個(gè)長(zhǎng)的速度序列，需要利用滑動(dòng)時(shí)間窗來劃分，分段處理實(shí)現(xiàn)對(duì)一個(gè)長(zhǎng)的或無窮序列的連續(xù)處理，將釆集的速度序列利用時(shí)間窗劃分為歷史數(shù)據(jù)和預(yù)測(cè)數(shù)據(jù)是模型要求，利于反映動(dòng)態(tài)變化的環(huán)境和負(fù)載變化關(guān)系，使得處理更加精確和有效S3，利用滑動(dòng)時(shí)間窗將V(w)在時(shí)間上分段，每個(gè)滑動(dòng)時(shí)間窗在時(shí)間上分為歷史時(shí)間t;和預(yù)測(cè)時(shí)間r2，本實(shí)施例中t;時(shí)間段的數(shù)據(jù)稱為歷史數(shù)據(jù)，將K時(shí)間段的數(shù)據(jù)稱為預(yù)測(cè)數(shù)據(jù)；S4，利用正交余弦變換對(duì)V(")中《時(shí)間段的數(shù)據(jù)進(jìn)行維數(shù)消減；由于采樣得到的v(")維數(shù)較大，這里的維數(shù)指定的釆樣長(zhǎng)度，這會(huì)帶來龐大的計(jì)算量。另外，傳感器也可能會(huì)帶來噪聲數(shù)據(jù)。因此，必須使用維數(shù)削減的方法來解決這些問題。后面將通過實(shí)驗(yàn)對(duì)正交余弦變換和快速傅立葉變換進(jìn)行比較，并討論為什么要選擇正交余弦變換作為維數(shù)削減算法。S5，根據(jù)r2時(shí)間段的數(shù)據(jù)利用模糊邏輯推理得到r2時(shí)間段的負(fù)載等級(jí)；為了優(yōu)化混合動(dòng)力汽車的性能，應(yīng)當(dāng)對(duì)汽車的行駛負(fù)載定義一種輸出，本實(shí)施例中使用模糊邏輯。S6，以維數(shù)消減后的v(w)中？;時(shí)間段的數(shù)據(jù)及步驟S5得到的r2時(shí)間段的負(fù)載等級(jí)作為訓(xùn)練數(shù)據(jù)對(duì)支持向量機(jī)進(jìn)行訓(xùn)練；經(jīng)過以上六步，預(yù)測(cè)行駛負(fù)載轉(zhuǎn)為將處理過的歷史數(shù)據(jù)分為相應(yīng)的行駛負(fù)載等級(jí)的問題。為此，應(yīng)當(dāng)選擇一個(gè)合適的分類器。本發(fā)明優(yōu)選釆用徑向基(RBF)核的支持向量機(jī)。支持向量機(jī)的特點(diǎn)在于獲得歷史數(shù)據(jù)及歷史數(shù)據(jù)對(duì)應(yīng)的分類結(jié)果(即K時(shí)間段的負(fù)載等級(jí))后，其自身可以進(jìn)行學(xué)些并調(diào)制相關(guān)參數(shù)，建立起歷史數(shù)據(jù)與^時(shí)間段的負(fù)載等級(jí)之間的映射關(guān)系，支持向量機(jī)的訓(xùn)練過程為現(xiàn)有技術(shù)，這里不再詳述。S7，釆集行駛汽車速度，利用滑動(dòng)時(shí)間窗采集7;時(shí)間長(zhǎng)度后獲得速度序列x。W,利用正交余茲變換對(duì)A(司進(jìn)行維數(shù)消減得到同樣由于采樣得到的x。W維數(shù)較大，會(huì)帶來龐大的計(jì)算量。另外，傳感器也可能會(huì)帶來噪聲數(shù)據(jù)。因此，使用維數(shù)削減的方法來解決這些問題。S8，利用訓(xùn)練后的支持向量機(jī)對(duì)x^)進(jìn)行分類，預(yù)測(cè)滑動(dòng)時(shí)間窗后面K時(shí)間段內(nèi)的負(fù)載等級(jí)，若汽車在行駛中，則返回步驟S7,若汽車不在行駛，則結(jié)束；訓(xùn)練好的支持向量機(jī)已建立起歷史數(shù)據(jù)與r2時(shí)間段的負(fù)載等級(jí)14之間的映射關(guān)系，因此，該步驟直接利用該映射關(guān)系對(duì)行駛負(fù)載進(jìn)行分類，預(yù)測(cè)后面T2時(shí)間段內(nèi)的行駛負(fù)載。實(shí)施例A)模型建立階段的數(shù)據(jù)采樣本實(shí)施例中步驟S1所使用的速度序列使用的速度序列V(")產(chǎn)生于真實(shí)世界中的標(biāo)準(zhǔn)行駛數(shù)據(jù)集，如US06SupplementalFederalTestProcedure(US06)、NewEuropeanDrivingCycle(NEDC)、ManhattanBusCycle(Manhattan)、HighwayFuelEconomyTest(HWFET)、UrbanDynamometerDrivingSchedule(UDDS)、CityDrivingforaHeavyVehicle(WVUCITY)、InterstateDrivingforaHeavyVehicle(WVUINTER)及NewYorkCityCycle(NYCC)。每個(gè)數(shù)據(jù)集都是由汽車上的傳感器所釆集到的一段時(shí)間序列，時(shí)間序列上的每一點(diǎn)都代表當(dāng)前汽車的瞬時(shí)速度。這些行駛數(shù)據(jù)可以被分為兩類城區(qū)環(huán)境的行駛數(shù)據(jù)和城外環(huán)境的行駛數(shù)據(jù)。在城區(qū)環(huán)境中，由于交通管制和堵車，行駛數(shù)據(jù)，如Manhattan,UDDS、WVCITY和NYCC(圖2A圖2D),通常具有周期性。而為了預(yù)測(cè)混合動(dòng)力汽車的行駛負(fù)載，分析行駛周期是非常重要的。C)行駛周期r的確定及數(shù)據(jù)分段估計(jì)如行駛數(shù)據(jù)之類的序列周期，譜分析是一種很好的方法?；谧V估計(jì)的原理，信號(hào)中能量的頻率上的分布可以被清晰的表達(dá)出來，由此可以獲得周期最可能的長(zhǎng)度。對(duì)于一個(gè)固定的隨機(jī)序列KJ，這個(gè)信號(hào)的能量譜密度(PSD)在數(shù)學(xué)上與自相關(guān)序列相關(guān)。通常，能量譜密度由正交時(shí)間傅立葉變換獲得(DTFT)。c(/)=+l:^>^—27#w//s(7)這里&(m)是信號(hào)的自相關(guān)序列，i^(/)是在物理頻率/上的能量譜密度，以赫茲為單位，,是釆樣頻率。信號(hào)在特定頻率帶h，化]上的能量可從能量譜密度上計(jì)算出來。<formula>formulaseeoriginaldocumentpage16</formula>當(dāng)頻率帶h，^]足夠窄時(shí)，我們就會(huì)發(fā)現(xiàn)&(w)代表了信號(hào)在一個(gè)極小頻率帶上的能量。從這個(gè)能量譜密度上，信號(hào)在頻率域上的能量分布可以被清楚的表達(dá)出來，能量譜密度最高的頻率就對(duì)應(yīng)于信號(hào)最可能的周期。因此可以通過計(jì)算V(")的能量譜密度，將能量譜密度最高的頻率所對(duì)應(yīng)的周期確定為所述行駛周期r城區(qū)環(huán)境中四個(gè)行駛數(shù)據(jù)的能量分布如圖3A圖3D所示。通過這些圖，可以發(fā)現(xiàn)，四個(gè)行駛數(shù)據(jù)的周期分別約為50秒(Manhattan),200秒(UDDS)，250秒(WVUCITY)和120秒(NYCC)。優(yōu)選地，在獲取行駛周期r后，還包括根據(jù)獲取行駛周期r置信度的步驟，在置信度低于設(shè)定值后對(duì)所述行駛周期r進(jìn)行修正。本實(shí)施例對(duì)這些周期釆用假設(shè)檢驗(yàn)的統(tǒng)計(jì)學(xué)方法進(jìn)行驗(yàn)證，驗(yàn)證的具體過程如下。給定一個(gè)固定的隨機(jī)序列KJ，對(duì)于一個(gè)長(zhǎng)度為附的周期，其可以被分為["/m]個(gè)子序列。令f為這個(gè)序列{x}的均值，且3^(/=1,...,["/附])為第!'個(gè)子序列的均值。并且，=1,…,["〃],_/=1,...,/)代表子第/個(gè)子序列中的點(diǎn)。行駛周期r的組間誤差為<formula>formulaseeoriginaldocumentpage16</formula>(9)行駛周期r組內(nèi)誤差為<formula>formulaseeoriginaldocumentpage16</formula>^的自由度為<formula>formulaseeoriginaldocumentpage16</formula>^的自由度為/2="-["http://](12)本實(shí)施例中按如下公式計(jì)算比率F=^~(13)這里F服從統(tǒng)計(jì)學(xué)分布，衡量了信號(hào)行駛周期長(zhǎng)度為m的置信度。城區(qū)環(huán)境的四種行駛數(shù)據(jù)的周期檢驗(yàn)信息如表l所示。為了衡量行駛周期長(zhǎng)度的置信度，本實(shí)施例設(shè)定了兩個(gè)閾值如果置信度高于95%,認(rèn)為這個(gè)行駛周期長(zhǎng)度以一個(gè)很強(qiáng)的概率被接受，如果置信度介于95%與60%之間，那么這個(gè)行駛周期長(zhǎng)度則以一個(gè)弱的概率被接受。如果置信度低于60%,就認(rèn)為這個(gè)行駛周期長(zhǎng)度被拒絕。根據(jù)表I，可以得知城區(qū)環(huán)境中的四種行駛數(shù)據(jù)都具有較為明顯的周期性。表l城區(qū)環(huán)境的四種行駛數(shù)據(jù)的檢驗(yàn)信息數(shù)據(jù)集最大的F周期力力置信度接受度Manhattan9.3954191070100%強(qiáng)UDDS1.0822055136463.16%弱WVUCITYl細(xì)2265140262.37%弱NYCC2.39112459495.02%強(qiáng)基于上面的數(shù)據(jù)分析及表1中的信息，根據(jù)每種行駛環(huán)境下釆集的速度序列獲取該行駛環(huán)境下的行駛周期，將最長(zhǎng)的行駛周期確定為所述行駛周期r。本實(shí)施例將時(shí)間窗的大小設(shè)為250秒(即城區(qū)環(huán)境中四種行駛數(shù)據(jù)中周期最長(zhǎng)的一個(gè))，以250秒的時(shí)間長(zhǎng)度將V(")在時(shí)間上分段，每個(gè)時(shí)間窗在時(shí)間上的前150秒作為歷史時(shí)間7;，后100秒作為預(yù)測(cè)時(shí)間r2，相應(yīng)地將該時(shí)間窗內(nèi)的分為歷史數(shù)據(jù)和預(yù)測(cè)數(shù)據(jù)，本實(shí)施例中將時(shí)間窗劃分為歷史時(shí)間t;和預(yù)測(cè)時(shí)間r2的時(shí)間切點(diǎn)不局限于此，也可以是其它的時(shí)間切點(diǎn)，但優(yōu)選釆用歷史時(shí)間？;大于預(yù)測(cè)時(shí)間r2時(shí)間長(zhǎng)度，時(shí)間窗的起始點(diǎn)被隨機(jī)設(shè)定。c)模型建立階段的維數(shù)消減本實(shí)施例選擇正交余弦變換而非快速傅立葉變換對(duì)V(")中7;時(shí)間的歷史數(shù)據(jù)進(jìn)行維數(shù)消減獲得到V("),這樣做的原因由試驗(yàn)v-c、17試驗(yàn)V-D和第V-G節(jié)詳細(xì)給出。D)模糊邏輯推理出預(yù)測(cè)時(shí)間段內(nèi)的負(fù)載等級(jí)行駛負(fù)載是一種對(duì)于混合動(dòng)力汽車的行駛狀態(tài)非常有效的表示方式，因此本發(fā)明選擇它作為輸出變量。汽車的行駛負(fù)載由滾動(dòng)阻力、空氣阻力及路面阻力的總合定義，而這些參數(shù)都與汽車的速度與加速度相關(guān)。因此，當(dāng)前汽車的行駛負(fù)載也就可以通過其速度與加速度加以定義。根據(jù)相關(guān)研究，在混合動(dòng)力汽車控制中，并不需要獲得行駛負(fù)載在每個(gè)時(shí)刻的精確值。因而，在預(yù)測(cè)時(shí)間段(本實(shí)施例指后100秒的時(shí)間)的平均行駛負(fù)載可以被分為若干個(gè)等級(jí)。模糊推理系統(tǒng)是基于汽車瞬時(shí)速度與加速度判斷行駛負(fù)載等級(jí)的有效方法。如圖4所描述的模糊推理原理框圖，大致上包括四個(gè)過程模糊化、基于規(guī)則進(jìn)行推理引擎、以及反模糊化。在模糊化過程中，數(shù)值輸入轉(zhuǎn)化輸入語義值(也稱輸入模糊值)。然后，在推理引擎中，基于輸入的模糊值和事先確定的規(guī)則(具體為來自于專家和曰常經(jīng)驗(yàn)的規(guī)則)，產(chǎn)生輸出語義值(也稱輸出模糊值)。輸出模糊值不能被直接使用，所以在反模糊化過程中，輸出模糊值又被轉(zhuǎn)換成將來用于計(jì)算和決策的整數(shù)值。本實(shí)施例中，具體包括步驟S501，選擇x。'(")中預(yù)測(cè)時(shí)間K內(nèi)所對(duì)應(yīng)的速度序列的平均速度x加速度y作為輸入數(shù)值；S502,將所述x和y由其各自所屬的隸屬函數(shù)轉(zhuǎn)化成輸入模糊值；S503，基于輸入模糊值和事先確定的規(guī)則，產(chǎn)生由行駛負(fù)載z所屬的隸屬函數(shù)所定義的輸出模糊值；S504,將所述輸出模糊值轉(zhuǎn)換成用于計(jì)算和決策的整數(shù)值，將所述整數(shù)值作為7;時(shí)間段的負(fù)載等級(jí)。在S502模糊化之前，如圖5A圖5C所示，x所屬的隸屬函數(shù)將平均速度范圍劃分為5個(gè)速度等級(jí)，分別為很低(VL)、低(L)、中(M)、高(H)和很高(VH);y所屬的隸屬函數(shù)將加速度范圍劃分為5個(gè)加速度等級(jí)，分別為負(fù)高(NB)、負(fù)低(NS)、零(Z)、正低(PS)和正高(PB);z所屬的隸屬函數(shù)將負(fù)載等級(jí)范圍劃分為5個(gè)負(fù)載等級(jí)，分別為很低(VL)、低(L)、中(M)、高(H)和很高(VH)。圖5A圖5C所示的隸屬函數(shù)的形式釆用現(xiàn)有的隸屬函數(shù)，其具體表達(dá)式這里不再詳述。在模糊化這一步，輸入數(shù)值基于給定的各自的隸屬函數(shù)轉(zhuǎn)換成輸入模糊值。然后，在推理引擎中基于輸入模糊值和圖4中所示的事先確定的規(guī)則，判定其行駛負(fù)載。如圖4所示一共有25條規(guī)則，分別定義了由不同的速度等級(jí)和不同的加速度等級(jí)所對(duì)應(yīng)的負(fù)載等級(jí)，每一條都包括一個(gè)速度等級(jí)、一個(gè)加速度等級(jí)和一個(gè)行駛負(fù)載等級(jí)。以第一行第一列的那條規(guī)則為例，它的意思是如果速度為很低且加速度為負(fù)高，那么行駛負(fù)載就為很低。輸出行駛負(fù)載(輸出模糊值)完全由這25條規(guī)則定義。在此之后，在反模糊化這一步，使用重心法將輸出模糊值轉(zhuǎn)換為整數(shù)值。整個(gè)過程的細(xì)節(jié)描述如下。若步驟S502中，所述輸入模糊值為第/個(gè)速度等級(jí)和第7個(gè)加速度等級(jí)；步驟S503中，若第；個(gè)速度等級(jí)、第y個(gè)加速度等級(jí)和第/個(gè)負(fù)載等級(jí)的隸屬函數(shù)分別為//00、(力及&(z)，基于第A條規(guī)則的輸出隸屬度由式(14)確定y^O)=min{，;Ud,0)},&=1,2,…,25;(14)其中，=min{〃v,0),O)},/,=1,2,3,4,5;(15)綜合上面的輸出隸屬度，由式(16)獲得加權(quán)平均的隸屬度其中^是與第t條規(guī)則相關(guān)、介于0到1之間的權(quán)重；將所述/i(z)確定為輸出模糊值。步驟S504中，利用重心法將輸出模糊值;/(z)轉(zhuǎn)換成用于計(jì)算和決策的整數(shù)值^19<formula>formulaseeoriginaldocumentpage20</formula>其中函數(shù)r冊(cè)"c/(.)利用四舍五入將實(shí)數(shù)值轉(zhuǎn)換為整數(shù)值進(jìn)行取整運(yùn)算。.、這樣行駛負(fù)載等級(jí)便可由式(17)輕松獲得。E)支持向量機(jī)的訓(xùn)練Libsvm軟件包通常被作為一種對(duì)支持向量機(jī)算法的標(biāo)準(zhǔn)實(shí)現(xiàn)，本實(shí)施例修改并使用它作為試驗(yàn)的分類器。有很多種核函數(shù)被用于非線性支持向量機(jī)，而核函數(shù)的選擇顯著的影響到支持向量機(jī)的性能。一種經(jīng)典的核函數(shù)是徑向基(RBF)核，如下<formula>formulaseeoriginaldocumentpage20</formula>其中^是徑向基核的變量，x,.和、為式(5)中的樣本點(diǎn)。徑向基核可以解決現(xiàn)實(shí)世界中幾乎所有的問題，特別是在不同的類聚集在各自中心的情況。從圖6中，可以注意到行駛負(fù)載數(shù)據(jù)正類似這種分布。對(duì)于一些現(xiàn)實(shí)世界中的問題，多核的支持向量機(jī)被證明比單核的支持向量機(jī)具有更好的性能?；趶较蚧?，最有用的多核是多徑向基(Multi-RBF)核。多徑向基核是多個(gè)單徑向基核的線性組合，表達(dá)式如下，<formula>formulaseeoriginaldocumentpage20</formula>其中^為權(quán)重，A為第^個(gè)徑向基核的參數(shù)。根據(jù)相關(guān)研究，對(duì)于多核學(xué)習(xí)的貪心算法，當(dāng)核的數(shù)量到達(dá)一個(gè)閾值時(shí)，其性能不再提升。對(duì)于本實(shí)施例的情況，這個(gè)閾值為l,因此在本實(shí)施例中釆用單個(gè)徑向基核。以以步驟S4中維數(shù)消減后的t;時(shí)間段的數(shù)據(jù)及步驟S5所得到r2時(shí)間段的負(fù)載等級(jí)作為訓(xùn)練數(shù)據(jù)對(duì)支持向量機(jī)進(jìn)行訓(xùn)練，訓(xùn)練后還可以利用訓(xùn)練好的支持向量機(jī)以步驟S4中維數(shù)消減后的z;時(shí)間段的數(shù)據(jù)作為輸入，預(yù)測(cè)對(duì)應(yīng)K時(shí)間段的負(fù)載等級(jí)，判斷所預(yù)測(cè)的負(fù)載等級(jí)是否在設(shè)定誤差范圍內(nèi)，若超出設(shè)定誤差范圍，修正支持向量機(jī)的相關(guān)參數(shù)進(jìn)行不斷訓(xùn)練。F)參數(shù)優(yōu)化支在支持向量機(jī)分類器中有兩個(gè)基本的參數(shù)，分別為c和y，c表示一個(gè)樣本數(shù)據(jù)的權(quán)重，而y為式(18)中的1/W?？紤]線性組合權(quán)重m^和式(19)中變量A，有很多參數(shù)需要被優(yōu)化。目前，諸如粒子群優(yōu)化(PSO)算法的很多隨機(jī)全局優(yōu)化算法被用于解決諸如數(shù)值優(yōu)化、人工神經(jīng)網(wǎng)絡(luò)訓(xùn)練、模糊系統(tǒng)控制、盲源分離和機(jī)器學(xué)習(xí)之類的問題?？寺×Ｗ尤簝?yōu)化(CPSO)算法是對(duì)于標(biāo)準(zhǔn)粒子群優(yōu)化(SPSO)算法的最新變種，其引入了人工免疫系統(tǒng)(AIS)中的克隆機(jī)制。它非常簡(jiǎn)單并且強(qiáng)大，特別是擁有很好的尋找復(fù)雜問題全局最優(yōu)解的能力。因此，本實(shí)施例優(yōu)選釆用克隆粒子群算法被用于參數(shù)的優(yōu)化。G)分類/預(yù)測(cè)在訓(xùn)練好支持向量機(jī)后，即建立起了歷史時(shí)間t;內(nèi)歷史數(shù)據(jù)與后預(yù)測(cè)時(shí)間K時(shí)間段內(nèi)的負(fù)載等級(jí)的映射關(guān)系，在后期的預(yù)測(cè)過程中，若汽車在行駛過程中，則釆集行駛汽車速度，利用滑動(dòng)時(shí)間窗釆集j;時(shí)間長(zhǎng)度后獲得速度序列x。(")，利用正交余弦變換對(duì);c。(")進(jìn)行維數(shù)消減得到^(w);利用訓(xùn)練后的支持向量機(jī)對(duì)Xi(n)進(jìn)行分類，預(yù)測(cè)利用滑動(dòng)時(shí)間窗后面7;時(shí)間段內(nèi)的負(fù)載等級(jí)，然后再繼續(xù)進(jìn)行數(shù)據(jù)釆集，利用滑動(dòng)時(shí)間窗釆集t;時(shí)間長(zhǎng)度重復(fù)上面的步驟。下面給出本實(shí)施例實(shí)驗(yàn)的具體過程A.數(shù)據(jù)準(zhǔn)備本實(shí)施例為實(shí)驗(yàn)以產(chǎn)生如下的幾個(gè)數(shù)據(jù)集,3-mixed訓(xùn)練集這個(gè)數(shù)據(jù)集從Manhattan,NEDC和US06三個(gè)數(shù)據(jù)集抽取。如圖2A、圖7A和圖7B所示，Manhattan是一個(gè)典型的針對(duì)城區(qū)公共汽車進(jìn)行的動(dòng)力測(cè)試，其表征了低速和經(jīng)常停車的行駛狀況。NEDC包括四段重復(fù)的ECE-15行駛數(shù)據(jù)和一段Extra-Urban行駛數(shù)據(jù)，從而表征歐洲汽車的典型行駛狀況。其中，ECE-15是一種城區(qū)環(huán)境的行駛數(shù)據(jù)，包括三個(gè)加速-平穩(wěn)行駛-減速停車的過程；Extm-Urban表述了在行駛出城區(qū)后汽車加速并保持高速行駛的過程。US06表征在城外(洲際公路、高速公路)的行駛狀況，體現(xiàn)為高加速度、高速度及高速度波動(dòng)。因此，它們可以被視為三種不同的典型行駛狀況，且具有良好的代表性。從這三個(gè)數(shù)據(jù)集中分別隨機(jī)抽取400個(gè)數(shù)據(jù)，組合成3-mixed訓(xùn)練集。3-mixed測(cè)試集這個(gè)數(shù)據(jù)集以與3-mixed訓(xùn)練集相同的方式獲得。，5-mixed訓(xùn)練集這個(gè)數(shù)據(jù)集從HWFET、UDDS、WVUCITY、WVU-INTER及NYCC獲得，這些數(shù)據(jù)同樣來源于真實(shí)世界，并且能夠代表更廣泛的形勢(shì)狀況。我們從這五個(gè)數(shù)據(jù)集分別隨機(jī)抽取300個(gè)樣本構(gòu)成5-mixed訓(xùn)練集。5-separated觀!)試集這些數(shù)據(jù)集分別從HWFET、UDDS、WVUCITY、W-VUINTER和NYCC隨機(jī)抽取，每個(gè)數(shù)據(jù)集包括500個(gè)樣本數(shù)據(jù)。B.實(shí)驗(yàn)設(shè)定本文中的試驗(yàn)設(shè)定如下。*實(shí)驗(yàn)V-C使用3-mixed訓(xùn)練集和3-mixed測(cè)試集來比較正交余弦變換和快速傅立葉變換，這兩個(gè)變換算法中的一個(gè)將被選為本實(shí)施例22的維數(shù)削減算法。'實(shí)驗(yàn)V-D使用5-mixed訓(xùn)練集和5-separated測(cè)試集以比較原始數(shù)據(jù)與經(jīng)過正交余弦變換的數(shù)據(jù)的性能。*實(shí)驗(yàn)V-E和實(shí)驗(yàn)V-F使用全部四組實(shí)驗(yàn)數(shù)據(jù)以在不同條件下比較支持向量機(jī)、卡爾曼濾波級(jí)聯(lián)神經(jīng)網(wǎng)絡(luò)及標(biāo)準(zhǔn)反向傳播神經(jīng)網(wǎng)絡(luò)的性能。本實(shí)施例設(shè)計(jì)了兩個(gè)標(biāo)準(zhǔn)反向傳播神經(jīng)網(wǎng)絡(luò)，其中一個(gè)包含一個(gè)有5個(gè)隱節(jié)點(diǎn)的隱層，與相關(guān)文獻(xiàn)公開卡爾曼濾波級(jí)聯(lián)神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)一樣。另一個(gè)則包含一個(gè)有50個(gè)隱節(jié)點(diǎn)的隱層。由于相關(guān)文獻(xiàn)沒有提到計(jì)算復(fù)雜度，所以，卡爾曼濾波級(jí)聯(lián)神經(jīng)網(wǎng)絡(luò)的訓(xùn)練時(shí)間標(biāo)記為"未知"。實(shí)驗(yàn)環(huán)境如下*操作系統(tǒng)WindowsXPProfessionalSP2;.處理器IntelPentiumMprocessor1.86GHz;'內(nèi)存1.5GB;.軟件平臺(tái)Matlab2007a(其中，標(biāo)準(zhǔn)反向傳播神經(jīng)網(wǎng)絡(luò)由其神經(jīng)網(wǎng)絡(luò)工具箱實(shí)現(xiàn))。C正交余弦變換與快速傅立葉變換的比較通過3-mixed訓(xùn)練集和3-mixed測(cè)試集，可以得到如圖8所示的維數(shù)和預(yù)測(cè)精度的關(guān)系。通過圖8，可以看到在相同的維度下，正交余弦變換始終擁有比快速傅立葉變換更高的預(yù)測(cè)精度。因此，在本實(shí)施例的數(shù)據(jù)集上，正交余弦變換是一種更好的維數(shù)削減方法，因而本發(fā)明選用它作為維數(shù)消減的實(shí)現(xiàn)算法。D.評(píng)價(jià)正交余弦變換為了評(píng)價(jià)正交余弦變換，本實(shí)驗(yàn)比較原始數(shù)據(jù)和經(jīng)過正交余弦變換的數(shù)據(jù)所得到的預(yù)測(cè)精度。原始數(shù)據(jù)的維數(shù)為150,經(jīng)過正交余弦變換，維數(shù)削減為9。實(shí)驗(yàn)結(jié)果如表2所示。表2數(shù)據(jù)集原始數(shù)據(jù)經(jīng)過正交余弦變換的數(shù)據(jù)特征數(shù)1509匿FET92.5%92%UDDS98.33%98%WVUCITY95%93.67%WVUINTER90.33%92.33%NYCC90.5%91.67%平均93.33%93.53%標(biāo)準(zhǔn)差3.372.61訓(xùn)練時(shí)間(秒)2.6401.0469顯而易見的，當(dāng)正交余弦變換將數(shù)據(jù)的維數(shù)從150降到9以后，不僅大大的降低的計(jì)算復(fù)雜度，還顯著的減小了標(biāo)準(zhǔn)差(STD)和提高了預(yù)測(cè)精度。從表2中，可以發(fā)現(xiàn)正交余弦變換降低了輸入數(shù)據(jù)的維度(從150降到9)，這就帶來了計(jì)算復(fù)雜度的降低(訓(xùn)練時(shí)間從2.640秒降低到1.0469秒，約60%的降幅)。它同時(shí)也提高了預(yù)測(cè)精度并且把標(biāo)準(zhǔn)差(STD)從3.37降低到2.61(約20%的降幅)，這就意味著正交余弦變換顯著的提高了泛化能力。由此，可以認(rèn)為，正交余弦變換確實(shí)顯著的過濾了原始數(shù)據(jù)中的噪聲信息。E.在3-mixed訓(xùn)練集上比較支持向量機(jī)和其他三種神經(jīng)網(wǎng)絡(luò)的性能在3-mixed訓(xùn)練集上使用卡爾曼濾波級(jí)聯(lián)神經(jīng)網(wǎng)絡(luò)的相關(guān)工作已經(jīng)由相關(guān)文獻(xiàn)的給出。本實(shí)驗(yàn)釆用與卡爾曼濾波神經(jīng)網(wǎng)絡(luò)、標(biāo)準(zhǔn)反向傳播神經(jīng)網(wǎng)絡(luò)和支持向量機(jī)相同的訓(xùn)練集和測(cè)試集訓(xùn)練集為3-mixed訓(xùn)練集，測(cè)試集為5-separated測(cè)試集。實(shí)驗(yàn)結(jié)果如表3和圖9A所示，BP-5和BP-50分別表示有5個(gè)隱節(jié)點(diǎn)和50個(gè)隱節(jié)點(diǎn)的標(biāo)準(zhǔn)反向傳播神經(jīng)網(wǎng)絡(luò)。通過表3和圖9A，可以注意到使用相同的訓(xùn)練集，支持向量機(jī)24總是比其他的三種神經(jīng)網(wǎng)絡(luò)分類器擁有更好的預(yù)測(cè)精度和更低的計(jì)算復(fù)雜度。表3<table>tableseeoriginaldocumentpage25</column></row><table>F.在5-mixed訓(xùn)練集上比較支持向量機(jī)和其他三種神經(jīng)網(wǎng)絡(luò)的性能5-mixed訓(xùn)練集可以表示更廣泛的路況。我們使用這個(gè)訓(xùn)練集來訓(xùn)練支持向量機(jī)，實(shí)驗(yàn)結(jié)果如表4和圖9B所示。表4<table>tableseeoriginaldocumentpage25</column></row><table>通過表4和圖9B，可以注意到支持向量機(jī)比卡爾曼濾波級(jí)聯(lián)神經(jīng)網(wǎng)絡(luò)及其他兩種神經(jīng)網(wǎng)絡(luò)具有更好的性能，具體體現(xiàn)在，支持向量機(jī)比神經(jīng)網(wǎng)絡(luò)具有更好的預(yù)測(cè)精度與卡爾曼濾波級(jí)聯(lián)神經(jīng)網(wǎng)絡(luò)獲得的87.86%地平均預(yù)測(cè)精度相比，支持向量機(jī)將這一指標(biāo)提高到93.53%(約6.45%的提升幅度)。即使在每個(gè)數(shù)據(jù)集上，支持向量機(jī)也獲得了更好的預(yù)測(cè)精度。，支持向量機(jī)比卡爾曼濾波級(jí)聯(lián)神經(jīng)網(wǎng)絡(luò)具有更好的泛化性能相較于卡爾曼濾波神經(jīng)網(wǎng)絡(luò)獲得的3.76的標(biāo)準(zhǔn)差，支持向量機(jī)將其減小到2.61(約30%的減少幅度)。，支持向量機(jī)可以比神經(jīng)網(wǎng)絡(luò)更快的完成訓(xùn)練支持向量機(jī)可以比標(biāo)準(zhǔn)的反向傳播神經(jīng)網(wǎng)絡(luò)更快的完成訓(xùn)練，考慮到卡爾曼濾波級(jí)聯(lián)神經(jīng)網(wǎng)絡(luò)需要在標(biāo)準(zhǔn)神經(jīng)網(wǎng)絡(luò)的基礎(chǔ)上調(diào)整結(jié)構(gòu)，因而它的訓(xùn)練速度應(yīng)該會(huì)更慢一些。因此，可以認(rèn)為，支持向量機(jī)在這四種分類器中速度最快且性能最好。行駛數(shù)據(jù)首先被時(shí)間窗進(jìn)行釆樣，每個(gè)采樣數(shù)據(jù)被分為歷史部分和待預(yù)測(cè)部分，然后，待預(yù)測(cè)部分被模糊邏輯分為5個(gè)等級(jí)。正交余弦變換用于處理原始?xì)v史數(shù)據(jù)以降低維度。相較于快速傅立葉變換，正交余弦變換在數(shù)據(jù)壓縮上表現(xiàn)出更好的性能。在經(jīng)過正交余弦變換的預(yù)處理后，計(jì)算復(fù)雜度得到顯著降低。同時(shí)，由于正交余弦變換過濾了噪聲信息，預(yù)測(cè)精度和泛化能力也得到了提高。這些結(jié)論都通過廣泛的實(shí)驗(yàn)得到了驗(yàn)證。通過使用分類方法解決預(yù)測(cè)問題，用支持向量機(jī)將預(yù)處理后的數(shù)據(jù)分到5個(gè)負(fù)載級(jí)別中。通過實(shí)驗(yàn)，在本實(shí)施例的應(yīng)用中，支持向量機(jī)表現(xiàn)出更高的精度、更好的泛化性能和較少的計(jì)算復(fù)雜度。為了優(yōu)化支持向量機(jī)的參數(shù)，本實(shí)施例使用了一種稱為克隆粒子群優(yōu)化算法的隨機(jī)全局優(yōu)化算法。與現(xiàn)有方法比較，本實(shí)施例的方法得到了理想的性能，特別是在計(jì)算復(fù)雜度、預(yù)測(cè)精度和泛化能力上。通過以上這些實(shí)驗(yàn)，可以得到如下結(jié)論。1)正交余弦變換比快速傅立葉變換更加適用于混合動(dòng)力汽車的行駛負(fù)載數(shù)據(jù)—正交余弦變換擁有更好的數(shù)據(jù)壓縮能力正交余弦變換可以利用更低的維數(shù)保持更多的能量。如圖10所示，經(jīng)過正交余弦變換處理的信號(hào)對(duì)于原始信號(hào)具有比經(jīng)過快速傅立葉變換的信號(hào)更好的擬和逼近性能，這一點(diǎn)特別體現(xiàn)在低頻部分。在圖11中，通過對(duì)經(jīng)過處理和未經(jīng)過處理的數(shù)據(jù)的標(biāo)準(zhǔn)差進(jìn)行分析，正交余弦變換在任何一個(gè)維數(shù)上都比快速傅立葉變換具有更好的擬26和性。在圖12中，在相同的維數(shù)下，正交余弦變換比快速傅立葉變換保持了更多的能量。其中的原因在于，正交余弦變換是更加接近于KL變換的正交變換。眾所周知，KL變換是保持能量信號(hào)的最優(yōu)變換。所以，正交余弦變換的壓縮能力要強(qiáng)于快速傅立葉變換?！挥嘞易儞Q可以過濾更好的噪聲如圖12所示，經(jīng)過正交余弦變換的信號(hào)比經(jīng)過快速傅立葉變換的信號(hào)具有保持更低頻成分的能力，而高頻成分通常被認(rèn)為是噪聲信息。因此，經(jīng)過正交余弦變換，更多內(nèi)在特征得以保留，而高頻成分則被濾去。2)正交余弦變換對(duì)于行駛負(fù)載數(shù)據(jù)確實(shí)有效汽車通常都是逐漸改變其速度，很少劇烈的加速減速。因此，應(yīng)當(dāng)保留行駛數(shù)據(jù)的低頻部分。根據(jù)上面的討論，正交余弦變換可以顯著的保留信號(hào)的低頻信息并濾去高頻噪聲。所以，正交余弦變換對(duì)于處理行駛數(shù)據(jù)之類的信號(hào)非常適合。經(jīng)過正交余弦變換，噪聲的的影響大為減少，這樣預(yù)測(cè)精度和泛化能力都得到了提升。另外，在經(jīng)過正交余弦變換之后，特征維數(shù)顯著降低，這也大大減少了計(jì)算復(fù)雜度。3)作為性能最好的分類器之一，支持向量機(jī)表現(xiàn)出比神經(jīng)網(wǎng)絡(luò)更好的性能作為一種泛函逼近器的神經(jīng)網(wǎng)絡(luò)難以進(jìn)行訓(xùn)練，并且缺乏穩(wěn)定性。無論是在預(yù)測(cè)精度還是泛化能力上，支持向量機(jī)都表現(xiàn)出比神經(jīng)網(wǎng)絡(luò)更好的性能。另外，支持向量機(jī)相對(duì)來說易于訓(xùn)練，并且比神經(jīng)網(wǎng)絡(luò)更加穩(wěn)定。這些就是我們選擇支持向量機(jī)的原因。以上實(shí)施方式僅用于說明本發(fā)明，而并非對(duì)本發(fā)明的限制，有關(guān)
技術(shù)領(lǐng)域：
的普通技術(shù)人員，在不脫離本發(fā)明的精神和范圍的情況下，還可以做出各種變化和變型，因此所有等同的技術(shù)方案也屬于本發(fā)明的范疇，本發(fā)明的專利保護(hù)范圍應(yīng)由權(quán)利要求限定。權(quán)利要求1、一種混合動(dòng)力汽車行駛負(fù)載預(yù)測(cè)方法，該方法包括以下步驟S1，采集汽車行駛一段時(shí)間內(nèi)的行駛速度獲得速度序列x0′(n)；S2，根據(jù)x0′(n)獲取行駛周期T，將T作為滑動(dòng)時(shí)間窗的長(zhǎng)度；S3，利用滑動(dòng)時(shí)間窗將x0′(n)在時(shí)間上分段，每個(gè)滑動(dòng)時(shí)間窗在時(shí)間上分為歷史時(shí)間T1和預(yù)測(cè)時(shí)間T2；S4，利用正交余弦變換對(duì)T1時(shí)間段的數(shù)據(jù)進(jìn)行維數(shù)消減；S5，根據(jù)T2時(shí)間段的數(shù)據(jù)利用模糊邏輯推理得到T2時(shí)間段的負(fù)載等級(jí)；S6，以維數(shù)消減后的T1時(shí)間段的數(shù)據(jù)及T2時(shí)間段的負(fù)載等級(jí)作為訓(xùn)練數(shù)據(jù)對(duì)支持向量機(jī)進(jìn)行訓(xùn)練；S7，采集行駛汽車速度，利用滑動(dòng)時(shí)間窗采集T1時(shí)間長(zhǎng)度后獲得速度序列x0(n)，利用正交余弦變換對(duì)x0(n)進(jìn)行維數(shù)消減得到x1(n)；S8，利用訓(xùn)練后的支持向量機(jī)對(duì)x1(n)進(jìn)行分類，預(yù)測(cè)后面T2時(shí)間段內(nèi)的負(fù)載等級(jí)，若汽車在行駛中，則返回步驟S7。2、根據(jù)權(quán)利要求l所述的方法，其特征在于，步驟S2中，通過計(jì)算V(")的能量譜密度，將能量譜密度最高的頻率所對(duì)應(yīng)的周期確定為所述行駛周期r。3、根據(jù)權(quán)利要求l或2所述的方法，其特征在于，步驟S2中，在獲取所述行駛周期r后，還包括根據(jù)下式獲取行駛周期r置信度的步驟，在置信度低于設(shè)定值后對(duì)所述行駛周期r進(jìn)行修正，,-顯其中，F(xiàn)服從統(tǒng)計(jì)學(xué)分布，A為行駛周期r組間誤差，^為行駛周期r組內(nèi)誤差，y;為A的自由度，/2為^的自由度。4、根據(jù)權(quán)利要求l或2所述的方法，其特征在于，步驟si中，對(duì)不同行駛環(huán)境下的汽車行駛速度進(jìn)行釆集；步驟S2中，根據(jù)每種行駛環(huán)境下釆集的速度序列獲取該行駛環(huán)境下的行駛周期，將最長(zhǎng)的行駛周期確定為所述行駛周期。5、根據(jù)權(quán)利要求1或2所述的方法，其特征在于，步驟S5包括子步驟S501，由所述r2時(shí)間段的數(shù)據(jù)計(jì)算r2時(shí)間段內(nèi)的平均速度x及加速度y;S502，將所述x和;;由其各自所屬的隸屬函數(shù)轉(zhuǎn)化成輸入模糊值;5503,基于輸入模糊值和事先確定的規(guī)則，產(chǎn)生由行駛負(fù)載z所屬的隸屬函數(shù)所定義的輸出模糊值；5504,將所述輸出模糊值轉(zhuǎn)換成用于計(jì)算和決策的整數(shù)值，將所述整數(shù)值作為r2時(shí)間段的負(fù)載等級(jí)。6、根據(jù)權(quán)利要求5所述的方法，其特征在于，x所屬的隸屬函數(shù)將平均速度范圍劃分為五個(gè)速度等級(jí)；y所屬的隸屬函數(shù)將加速度范圍劃分為五個(gè)加速度等級(jí)；z所屬的隸屬函數(shù)將負(fù)載等級(jí)范圍劃分為五個(gè)負(fù)載等級(jí)；事先確定的規(guī)則有若干條，分別定義了由不同的速度等級(jí)和不同的加速度等級(jí)所對(duì)應(yīng)的負(fù)載等級(jí)。7、根據(jù)權(quán)利要求6所述的方法，其特征在于，若步驟S502中，所述輸入模糊值為第/個(gè)速度等級(jí)和第y個(gè)加速度等級(jí)；步驟S503中，若第/個(gè)速度等級(jí)、第y個(gè)加速度等級(jí)和第/個(gè)負(fù)載等級(jí)的隸屬函數(shù)分別為^(x)、(力及&(小基于第A條規(guī)則的輸出隸屬度由式(1)確定<formula>formulaseeoriginaldocumentpage3</formula>(1)其中，<formula>formulaseeoriginaldocumentpage3</formula>(2)綜合上面的輸出隸屬度，由式(3)獲得加權(quán)平均的隸屬度<formula>formulaseeoriginaldocumentpage3</formula>(3)其中^是與第A條規(guī)則相關(guān)、介于0到1之間的權(quán)重；將所述A(z)確定為輸出模糊值。步驟S504中，利用重心法將輸出模糊值/^)轉(zhuǎn)換成用于計(jì)算和決策的整數(shù)值^:其中，raw"d為利用四舍五入取整。8、根據(jù)權(quán)利要求l所述的方法，其特征在于，步驟S6之后，步驟S7之前還包括步驟:利用訓(xùn)練好的支持向量機(jī)以步驟S4中維數(shù)消減后的;時(shí)間段的數(shù)據(jù)作為輸入，預(yù)測(cè)對(duì)應(yīng)72時(shí)間段的負(fù)載等級(jí)，判斷所預(yù)測(cè)的負(fù)載等級(jí)是否在設(shè)定誤差范圍內(nèi)，若超出設(shè)定誤差范圍，修正支持向量機(jī)的相關(guān)參數(shù)。9、根據(jù)權(quán)利要求1所述的方法，其特征在于，所述支持向量機(jī)的核函數(shù)為單個(gè)徑向基核。10、根據(jù)權(quán)利要求9所述的方法，其特征在于，步驟S6之后，還包括利用克隆粒子群優(yōu)化算法對(duì)所述單個(gè)徑向基核的參數(shù)進(jìn)行優(yōu)化的步驟。全文摘要本發(fā)明涉及一種混合動(dòng)力汽車行駛負(fù)載預(yù)測(cè)方法，包括步驟采集汽車行駛一段時(shí)間內(nèi)的速度序列x₀′(n)；根據(jù)x₀′(n)獲取行駛周期T，將T作為滑動(dòng)時(shí)間窗的長(zhǎng)度；利用滑動(dòng)時(shí)間窗將x₀′(n)在時(shí)間上分段，每個(gè)滑動(dòng)時(shí)間窗分為歷史時(shí)間T₁和預(yù)測(cè)時(shí)間T₂；利用DCT對(duì)T₁時(shí)間段的數(shù)據(jù)進(jìn)行維數(shù)消減；根據(jù)T₂時(shí)間段的數(shù)據(jù)利用模糊邏輯推理得到T₂時(shí)間段的負(fù)載等級(jí)；以維數(shù)消減后的T₁時(shí)間段的數(shù)據(jù)及T₂時(shí)間段的負(fù)載等級(jí)作為訓(xùn)練數(shù)據(jù)對(duì)支持向量機(jī)進(jìn)行訓(xùn)練；采集行駛汽車速度，利用滑動(dòng)時(shí)間窗采集T₁時(shí)間長(zhǎng)度后獲得速度序列x₀(n)，利用DCT對(duì)x₀(n)進(jìn)行維數(shù)消減得到x₁(n)；用訓(xùn)練后的支持向量機(jī)對(duì)x₁(n)進(jìn)行分類，預(yù)測(cè)T₂時(shí)間段內(nèi)的負(fù)載等級(jí)。本發(fā)明提高了現(xiàn)有負(fù)載預(yù)測(cè)方法中的預(yù)測(cè)精度和泛化能力，降低了計(jì)算復(fù)雜度，實(shí)現(xiàn)了動(dòng)態(tài)預(yù)測(cè)。文檔編號(hào)B60W40/12GK101519073SQ200910081458公開日2009年9月2日申請(qǐng)日期2009年4月7日優(yōu)先權(quán)日2009年4月7日發(fā)明者營譚申請(qǐng)人:北京大學(xué)