本發(fā)明涉及一種基于時空局部學習的怠速預測方法，尤其涉及數(shù)據(jù)挖掘在時間和空間相關的局部空間學習數(shù)據(jù)的分布規(guī)律，預測微行程時間間隔長度。

背景技術：

車輛的行駛工況是由一系列微行程及兩個微行程間隔的怠速工況組成，其中微行程是指從車速為0開始到再次車速為0結束的一個車輛運動的時間速度序列。為了滿足車輛燃油經濟性的要求，近年來生產的大部分汽車都配備了自動起停系統(tǒng)，能夠在車輛因紅燈、擁堵等情況靜止時，發(fā)動機處于怠速工況時自動關閉發(fā)動機減少不必要的燃油消耗。但在實際的交通環(huán)境下，兩個微型程間的時間間隔較短即車輛可能處于怠速工況的時間較短，使得目前的自動起停系統(tǒng)起動一次發(fā)動機的燃油消耗多于怠速的燃油消耗，并不能達到預期的節(jié)約燃油消耗的效果，而且頻繁起動和停止發(fā)動機也大大影響了駕駛的舒適性。如一臺排量1,489mL、直列4缸16氣門的發(fā)動機，怠速油耗是0.18mL/s，試驗表明該發(fā)動機熱起動一次的油耗為1.2mL，怠速時間6.7s以上才能節(jié)約燃油消耗。因此，如果能夠準確地預測微行程的間隔時間則能夠更好地控制起停系統(tǒng)，減少無效起停的次數(shù)，節(jié)約燃油消耗并提升駕駛舒適性。由于目前國內現(xiàn)有的車輛以家用為主，主要用于上下班出行，行駛的路線相對固定，受到固定路線和駕駛習慣的影響車輛的行駛工況也較相似，因此本發(fā)明使用大量城市行駛工況數(shù)據(jù)構建歷史工況數(shù)據(jù)庫用于模型學習，并根據(jù)駕駛員的實際駕駛工況通過自學習不斷更新歷史數(shù)據(jù)庫，使得模型能夠更準確地預測當前行駛工況。

技術實現(xiàn)要素：

為了能夠更好地控制起停系統(tǒng)，本發(fā)明提出了基于時空學習的馬爾科夫鏈微行程時間間隔預測方法，使用時間和空間上相關性較高的數(shù)據(jù)訓練轉移矩陣，預測下一次怠速工況可能的持續(xù)時間長度。

本發(fā)明之方法如下：

包括有工況數(shù)據(jù)采集模塊、怠速時長預測模塊和有效速度時間序列確定模塊；

工況數(shù)據(jù)采集模塊采集大量速度工況數(shù)據(jù)作為訓練樣本和實時地采集車輛的速度工況數(shù)據(jù)，有效速度時間序列確定，對采集的工況數(shù)據(jù)進行分析判斷數(shù)據(jù)的有效性和可靠性，去除噪音數(shù)據(jù)；

怠速時長預測模塊根據(jù)時間信息和空間信息確定與實時采集數(shù)據(jù)相關度更高的訓練數(shù)據(jù)子集，并使用該子集合學習并轉移矩陣，并使用該轉移矩陣預測怠速時長類別。

所述的工況數(shù)據(jù)采集模塊在車輛行駛的過程中實時采集車輛速度時間序列和經緯度信息作為訓練數(shù)據(jù)。

所述的有效速度時間序列確定模塊通過中值濾波方法去除采集的速度數(shù)據(jù)和經緯度數(shù)據(jù)中由于設備波動等原因出現(xiàn)的數(shù)據(jù)噪音，并根據(jù)速度數(shù)據(jù)的相關性確定最適合的有效速度時間序列的長度。

進一步的，所述的怠速時長預測模塊首先根據(jù)時間和空間信息確定當前實時采集數(shù)據(jù)在訓練數(shù)據(jù)集合中的相關數(shù)據(jù)子集，根據(jù)數(shù)據(jù)子集合中子集的數(shù)據(jù)確定狀態(tài)空間并計算一步轉移概率矩陣，并根據(jù)該概率矩陣預測未來N步的狀態(tài)，并根據(jù)預測得到的未來N步的狀態(tài)判斷下一次怠速工況可能的持續(xù)時間。所述的空間信息包括經緯度信息。

本發(fā)明的有益效果：

本發(fā)明使用時間和空間上相關性較高的數(shù)據(jù)訓練轉移矩陣，能預測下一次怠速工況可能的持續(xù)時間長度。

附圖說明

圖1是本發(fā)明中系統(tǒng)流程圖。

圖2是示本發(fā)明中不同時間間隔的速度數(shù)據(jù)相關性分析圖。

圖3是本發(fā)明中訓練數(shù)據(jù)的VA分布圖。

圖4是本發(fā)明中預測結果圖。

具體實施方式

參見圖1，本發(fā)明包括以下步驟：

首先，采集大量車輛行駛工況數(shù)據(jù)構建歷史工況數(shù)據(jù)庫并作為模型的訓練數(shù)據(jù)，對數(shù)據(jù)進行預處理，去除噪音數(shù)據(jù)，確定有效速度時間序列。在本發(fā)明中，有效速度時間序列是指怠速工況前的速度時間序列，而速度時間序列長度的確定是根據(jù)大量歷史數(shù)據(jù)的相關性確定。

如圖2所示，為不同間隔的速度相關性分析，當間隔時間越長速度相關性越弱，使用其預測下一時刻工況就越不準確，當時間間隔為超過一分鐘時，速度數(shù)據(jù)幾乎不存在相關性。而當間隔越短時，相關性越長，但是包含的信息越少，容易引發(fā)過配問題，影響預測效果。因此綜合考慮這兩方面因素，即保證數(shù)據(jù)存在相關性，又同時包含足夠多的信息，因此本發(fā)明選擇怠速前30s作為可以用于預測微行程時間間隔的有效速度時間序列。同時，相鄰數(shù)據(jù)相關性的計算也同時證明了速度時間序列具有馬爾科夫性，可以使用馬爾科夫鏈方法進行預測。然后，實時采集車輛行駛過程中的速度時間序列，當速度小于10km/h時開始預測。根據(jù)實時采集的數(shù)據(jù)的時間和空間信息找到訓練數(shù)據(jù)中的相關數(shù)據(jù)。其中時間上的相關包含兩個方面，一個是日期相關，在一個星期中的同一天，另一個時段相關，本發(fā)明將一天分為四個時段如表1所示，節(jié)假日和工作日不同，節(jié)假日的高峰期的時間段將被推遲?？臻g上的相關是指，采集到的經緯度數(shù)據(jù)的相似性，直接計算曼哈頓距離，如公式(1)所示。選擇距離最小的1000條數(shù)據(jù)。兩個條件在原則上是先根據(jù)時間原則篩選再根據(jù)空間原則篩選，如果時間篩選后不足1000條，則不再進行空間上的篩選。

Dist＝∑(|LatA_i-LatB_i|+|LonA_i-LonB_i|) (1)

表1 交通時段劃分

在確定時間空間相關子集后，根據(jù)相關子集的速度加速度信息確定狀態(tài)空間，每個狀態(tài)空間對應一組速度加速度值范圍，速度總范圍為[0，90km/h]步長為5，總計18個速度范圍，加速度范圍為[-10,10m/s²]步長為0.5，總計40個加速度范圍，因此總計共有720個狀態(tài)，如圖3所示，每個小格表示則狀態(tài)轉移矩陣的大小為720*720。在確定狀態(tài)空間后，劃分每個時刻速度加速度的狀態(tài)，計算轉移概率矩陣。轉移概率矩陣描述了馬爾科夫鏈的無后效性，下一時刻的狀態(tài)僅與當前狀態(tài)有關，與之前的狀態(tài)無關。轉移矩陣是由很多的轉移概率構成，轉移概率是通過統(tǒng)計方法計算得到。令m_i表示狀態(tài)s_i出現(xiàn)的頻次，m_ij代表由狀態(tài)s_i轉移到狀態(tài)s_j的次數(shù)。轉移概率p_ij可以通過公式(2)計算得到。

計算得到轉移概率后，可以構成轉移概率矩陣。

在時間空間的相關子集中計算得到轉移概率矩陣后，開始預測當前速度時間序列的下一時刻狀態(tài)。首先對當前速度時間序列數(shù)據(jù)Y(i)劃分狀態(tài)，其所處的狀態(tài)為s_i，根據(jù)轉移矩陣P，可以預測下一時刻的狀態(tài)。

如公式(4)所示，轉移矩陣中第i行概率值最大的一列所表示的狀態(tài)即為下一時刻最有可能的狀態(tài)，即Y(i)當前狀態(tài)為s_i，下一時刻最有可能的狀態(tài)為s_k。通過多次迭代就可以得到未來n個時刻的狀態(tài)，如果持續(xù)一段時間均為速度為0的狀態(tài)，則可以預測怠速的時間長度。如圖4所示，為模型的預測結果，模型可以較好的預測停車的時間長度所在的區(qū)間。

從預測的過程中可以看出轉移矩陣的準確性對于預測結果有著非常重要的影響，訓練數(shù)據(jù)越具有的參考性越強。因此本發(fā)明會使用每天出現(xiàn)怠速的行駛工況更新歷史數(shù)據(jù)庫。首先根據(jù)GPS采集的位置信息判斷是否為新地點工況，即歷史數(shù)據(jù)庫中沒有與這一地點相近的數(shù)據(jù)，如果為新地點則替換歷史數(shù)據(jù)庫中出現(xiàn)頻次低的數(shù)據(jù)，如果不是新地點數(shù)據(jù)則替換就地點的工況數(shù)據(jù)并更新頻次。在下次預測時則使用更新后的歷史數(shù)據(jù)庫。

本發(fā)明中，為了提升馬爾科夫鏈預測的準確率和效率，不再使用所有訓練數(shù)據(jù)生成轉移矩陣，而是使用直接通過時間空間上的相關數(shù)據(jù)子集來生成轉移矩陣，不僅能夠提升效率，而且由于訓練數(shù)據(jù)和用于預測的數(shù)據(jù)的相關度高，能夠提升預測的準確率，能夠幫助怠速起停系統(tǒng)做出準確的判斷。