一种面向插电式混合动力汽车目的地的识别方法
【专利摘要】本发明公开了一种面向插电式混合动力汽车的目的地的识别方法，包括以下步骤：获取车辆运行状态数据；基于变阶马尔科夫模型识别目的地。本发明在未设置目的地时，从GPS历史行驶轨迹数据有效提取驾驶员的驾驶习惯和规律，预测大于置信度阈值的目的地及到达目的地的路径节点序列，进一步估计各路径节点的整车能耗，为能量管理策略全局优化奠定基础有利于汽车动力性和经济性的提升，符合当今汽车发展节能和环保的两大主题。使用PMM算法减少了预测模型的空间复杂性和计算量以及零频率问题，利用变阶隐马尔科夫模型对汽车历史和当前的多源数据进行适配，可以更加灵活、更加准确的对目的地节点和行程序列作出预测，对于智能汽车技术有着重要意义。
【专利说明】
-种面向插电式混合动力汽车目的地的识别方法
技术领域
[0001] 本发明设及混合动力汽车电池能量管理技术，特别是一种面向插电式混合动力汽 车的目的地的识别方法。
【背景技术】
[0002] 节能和环保是汽车发展的两大主题，插电式混合动力汽车满足汽车动力性能的同 时，在燃油经济性和排放性等方面具有显著的优势。插电式混合动力汽车出行时，如果驾驶 员在车载导航系统中设定目的地，则车辆可获取由导航系统动态规划出的到达目的地的路 径，进一步获取该路径的道路工况，实现接近全局最优的燃油分配和电池能量规划，从而提 高插电式混合动力汽车的节油性能。而在现实生活中，驾驶员在熟悉环境的情况下往往不 主动设定目的地来获取导航路径，则车辆无法获取到达目的地的路径信息，从而影响燃油 分配和电池能量规划的合理性，导致整车性能下降。因此，在目的地未设定的情况下，若能 实现目的地的动态识别，将有助于提高插电式混合动力汽车电池能量管理的合理性。
【发明内容】
[0003] 针对上述问题，本发明要提出一种能实现目的地的动态识别的面向插电式混合动 力汽车的目的地的识别方法。
[0004] 为实现上述目的，本发明的技术方案如下：一种面向插电式混合动力汽车的目的 地的识别方法，包括W下步骤：
[0005] A、获取车辆运行状态数据
[0006] AU获取GI^原始数据
[0007] 利用汽车GPS导航系统或车载智能设备获取汽车所经过的GPS地理位置及行驶轨 迹信息。将一段时间内汽车行驶GPS地理位置信息按照时间的先后顺序得到一段时间内驾 驶员的历史行驶轨迹。一条GI^历史行驶轨迹数据都代表了一系列不同时刻GPS位置数据的 点集，用Pi=化曰*，1^11旨*，1)代表1点处的地理位置信息，1^曰*^11旨*和1'分别代表1点处的缔 度、经度和时间信息。则T<Pi，P2，P3......Pn>代表有n个点组成的一条GPS历史行驶轨迹 数据，将运些采集的信息汇总作为GI^原始数据。
[000引 A2、对GPS原始数据进行预处理
[0009] 采用聚类算法提取车辆在历史行驶轨迹上的关键节点位置，从而在较为精确预测 下一时刻地理位置的基础上避免由于GPS原始数据冗杂而导致的计算量过大问题。所述的 关键节点位置指行驶路径中决定行驶走向的点或汽车停靠点，包括路口处、转弯处或加油 站点，多级聚类算法将运些点及周围的点聚合为一个点，聚合公式如下所示：
[0010]
[00川其中，p，q为GPS轨迹上的两点，dist(p，q)表示GPS轨迹点P和q之间的直线距离，而 duration(p，q)表示从GPS轨迹点巧Ijq所经过的时间；S为缩放因子;将上述公式定义一个阔 值P，若coh(p，q)>P，那么GF*S轨迹点P与GF*S轨迹点q是直接一致性相关的，p，q两点就可W 聚合在一起。明显地，那些相互间距离近且速度又小的GPS轨迹点间的一致性权值会比较 大，即coh(p，q)的值比较大，而运些轨迹点便构成了一个关键节点，将通过聚合公式计算得 出的地理位置随时间先后顺序重新连接就可W得到新的行程序列，用于变阶马尔科夫模型 训练的输入数据。
[001^ A3、获取当前GPS数据
[0013] 通过车载GI^定位系统或者智能终端设备获取插电式汽车的当前GPS数据，W当前 GPS数据为依据来预测下一时刻的汽车将要到达的位置。
[0014] B、基于变阶马尔科夫模型识别目的地
[0015] 基于上述GPS原始数据和新的行程序列，借助变阶马尔科夫模型不依靠转移矩阵 的计算能力，研究基于数据挖掘的目的地识别算法，动态预测满足置信度要求的车辆未来 行驶路径节点。汽车的GPS历史行驶轨迹相当于一系列的字符串，GPS历史行驶轨迹中某一 个具体的点相当于字符串中的某一个字符。通过构建变阶马尔科夫模型训练GPS历史轨迹 数据从而得到插电式混合动力汽车的行驶规律，通过PMM算法的逃逸机制解决零频率问题。
[0016] PMM算法的逃逸机制满足W下条件：
[0017]
[001引式中，S为每一个长度为k化《D)的文本串，e定义为空的字符串；C则表示该字符串 的某一个具体的字符;S '表示文本串S的后缀；^escape I S)为通过逃逸制分配给训练集中所 有没有在文本串3之后出现的字符的概率;1 - IHescape I S)为分配给训练集中出现在文本串8 之后所有字符的概率。
[0019] PMM算法具体定义如下：
[0020]
[0021]
[0022] 上式中，用N(SC)表示文本串序列SC出现在训练集中出现的次数，用X S来表示训 练集中所有在文本串S之后会出现的字符集，即Xs = k:N(sc)〉0}。
[0023] 对于空间高复杂性问题，采用PMM算法字典树的方式解决。在预测汽车行驶下一时 刻的地理位置时，首先对变阶马尔科夫模型进行训练，用PMM算法训练的数据形成字典树T， 字典树的节点包含出现的某个字符和该字符出现的次数两种信息。字典树构造完成后，利 用该字典树结构计算出字符C出现在长度小于等于N的文本串S之后的概率P(c I S)，通过W 上逃逸机制公式和口^1算法公式计算出概率口(〇 I S)，从而预测出下一时刻字符(3出现的概 率。
[0024] 为使预测精度更加准确，将GPS原始数据的90%用于模型训练，将GPS原始数据的 10%用于模型预测，汽车的GI^历史行驶轨迹相当于上述所讲的字符串，关键节点为某一个 字符，用采集到的GPS历史行驶轨迹数据训练变阶马尔科夫模型后，通过当前GI^数据作为 输入量，结合上述公式同时利用PMM算法预测下一时刻的汽车位置，将计算所得概率最大的 节点作为下一时刻预测的目的地，随时间不断滚动预测，最终达到目的地预测的目的。
[0025] 本发明的效果和益处是:在未设置目的地时，从GPS历史行驶轨迹数据有效提取驾 驶员的驾驶习惯和规律，预测大于置信度阔值的目的地及到达目的地的路径节点序列，可 W进一步估计各路径节点的整车能耗，为能量管理策略全局优化奠定基础有利于汽车动力 性和经济性的提升，符合当今汽车发展节能和环保的两大主题。同时，使用PMM算法减少了 预测模型的空间复杂性和计算量W及零频率问题，利用变阶隐马尔科夫模型对汽车历史和 当前的多源数据进行适配，可W更加灵活、更加准确的对目的地节点和行程序列作出预测， 对于智能汽车技术有着重要意义。
【附图说明】
[0026] 本发明共有附图2张，其中：
[0027] 图1是基于数据挖掘的目的地识别流程图。
[0028] 图2是插电式汽车历史移动模式字典树示意图。
【具体实施方式】
[0029] W下结合技术方案和附图详细叙述本发明的【具体实施方式】。本发明W插电式混合 动力汽车为例对目的地识别控制方法进行进一步的分析和说明。如图1所示，包括W下步 骤：
[0030] A、获取车辆运行状态数据
[0031] AU获取GI^原始数据
[0032] 利用汽车GPS导航系统或车载智能设备获取汽车所经过的GPS地理位置及行驶轨 迹信息。将一段时间内汽车行驶GPS地理位置信息按照时间的先后顺序得到一段时间内驾 驶员的历史行驶轨迹。一条GI^历史行驶轨迹数据都代表了一系列不同时刻GPS位置数据的 点集，用Pi=化曰*，1^11旨*，1)代表1点处的地理位置信息，1^曰*^11旨*和1'分别代表1点处的缔 度、经度和时间信息。则T<Pi，P2，P3......Pn>代表有n个点组成的一条GPS历史行驶轨迹 数据，W大连市市内路况为例，采集50辆插电式混合动力汽车7天W上的120条GI^轨迹数据 信息，GPS采样时间为5秒，得到离散的原始轨迹数据为......r 120,将运些采 集的信息汇总作为GI^原始数据。
[0033] A2、对GPS原始数据进行预处理
[0034] 采用聚类算法提取车辆在历史行驶轨迹上关键节点位置，从而在较为精确预测下 一时刻地理位置的基础上避免由于GPS原始数据冗杂而导致的计算量过大问题。所述的关 键节点位置指行驶路径中决定行驶走向的点或汽车停靠点，如路口处、转弯处或加油站点， 多级聚类算法将运些点及周围的点聚合为一个点，聚合公式如下所示：
[0035]
[00%]其中，P，q为GPS轨迹上的两点，dist(p，q)表示GPS轨迹点P和q之间的直线距离，而 duration(p，q)表示从GPS轨迹点巧Ijq所经过的时间；S为缩放因子;将上述公式定义一个阔 值P，若coh(p，q)>P，那么GF*S轨迹点P与GF*S轨迹点q是直接一致性相关的，p，q两点就可W 聚合在一起。明显地，那些相互间距离近且速度又小的GPS轨迹点间的一致性权值会比较 大，即coh(p，q)的值比较大，而运些轨迹点便构成了一个关键节点，在此处将一致性权值设 为0.4,将上面得到的T/，T2/，T3/，......T/20的原始数据每条轨迹上的点进行聚合，通过 聚合公式计算得出的地理位置随时间先后顺序重新连接就可W得到新的行程序列Tl, T2， T3,......Tm,用于变阶马尔科夫模型训练的输入数据。
[0037] A3、获取当前GI^数据
[0038] 通过车载GPS定位系统或者智能终端设备获取插电式汽车的当前GPS数据即Po = 化曰*，1^雌*，1')，^当前61^数据为依据来预测下一时刻的汽车将要到达的位置。
[0039] B、基于变阶马尔科夫模型识别目的地
[0040] 基于上述GPS原始数据和新的行程序列，借助变阶马尔科夫模型不依靠转移矩阵 的计算能力，研究基于数据挖掘的目的地识别算法，动态预测满足置信度要求的车辆未来 行驶路径节点。汽车的历史行驶轨迹相当于一系列的字符串，GPS历史行驶轨迹中某一个具 体的点相当于字符串中的某一个字符。通过构建变阶马尔科夫模型训练GPS历史轨迹数据 从而得到插电式混合动力汽车的行驶规律，通过PMM算法的逃逸机制解决零频率和空间复 杂度高的问题。PMM算法的逃逸机制满足W下条件：
[0041]
[0042] 式中S为每一个长度为k化《D)的文本串，e定义为空的字符串；C则表示该字符串 中的某一个具体的字符;S '表示文本串S的后缀；heseape i S)为通过逃逸制分配给训练集中 所有没有在文本串S之后出现的字符的概率;]-f\cscape I S)为分配给训练集中出现在文本 串S之后所有字符的概率。
[0043] PMM算法具体定义如下：
[0044]
[0045]
[0046] 上式中，用N(SC)表示文本串序列SC出现在训练集中出现的次数，用X S来表示训 练集中所有在文本串S之后会出现的字符集，即Xs = k:N(sc)〉0}。
[0047] 对于空间高复杂性问题，采用PMM算法字典树的方式解决。如图2所示，在预测汽车 行驶下一时刻的地理位置时，首先对变阶马尔科夫模型进行训练，用PMM算法训练的数据形 成字典树T，字典树的节点包含出现的某个字符和该字符出现的次数两种信息。字典树构造 完成后，可W利用该字典树结构计算出字符C出现在长度小于等于N的文本串S之后的概率P (C I S)，通过W上逃逸机制公式和PMM算法公式计算出概率P(c I S)，从而预测出下一时刻字 符C出现的概率。如图2字典树为例，训练所得的变阶马尔科夫模型阶数为3
[004引
[0049]
[0050] 为使预测精度更加准确，将Ti，T2，T3,......Tm), GPS原始数据的90%用于模型训 练，将GI^原始数据的10%用于模型预测，汽车的GPS历史行驶轨迹相当于上述所讲的字符 串，关键路径节点为某一个字符，用采集到的GPS历史行驶轨迹数据训练变阶马尔科夫模型 后，通过当前GPS数据作为输入量，结合上述公式同时利用PMM算法预测下一时刻汽车的位 置，将计算所得概率最大的节点作为下一时刻预测的目的地，随时间不断滚动预测，最终达 到目的地预测的目的。
【主权项】
1. 一种面向插电式混合动力汽车的目的地的识别方法，其特征在于:包括以下步骤： A、 获取车辆运行状态数据 A1、获取GPS原始数据 利用汽车GPS导航系统或车载智能设备获取汽车所经过的GPS地理位置及行驶轨迹信 息;将一段时间内汽车行驶GPS地理位置信息按照时间的先后顺序得到一段时间内驾驶员 的历史行驶轨迹；一条GPS历史行驶轨迹数据都代表了一系列不同时刻GPS位置数据的点 集，用？1 = 0^丄1^，了)代表1点处的地理位置信息，1^丄1^和1'分别代表1点处的炜度、 经度和时间信息；则TSPi，P2，P3......Pn>代表有η个点组成的一条GPS历史行驶轨迹数 据，将这些采集的信息汇总作为GPS原始数据； A2、对GPS原始数据进行预处理 采用聚类算法提取车辆在历史行驶轨迹上的关键节点位置，从而在较为精确预测下一 时刻地理位置的基础上避免由于GPS原始数据冗杂而导致的计算量过大问题;所述的关键 节点位置指行驶路径中决定行驶走向的点或汽车停靠点，包括路口处、转弯处或加油站点， 多级聚类算法将这些点及周围的点聚合为一个点，聚合公式如下所示：其中，P，q为GPS轨迹上的两点，dist(p，q)表示GPS轨迹点p和q之间的直线距离，而 (11取11:;[〇1^，9)表示从6?3轨迹点口到9所经过的时间；5为缩放因子;将上述公式定义一个阈 值P，若coh(p，q)彡P，那么GPS轨迹点p与GPS轨迹点q是直接一致性相关的，p，q两点就可以 聚合在一起；明显地，那些相互间距离近且速度又小的GPS轨迹点间的一致性权值会比较 大，即coh(p，q)的值比较大，而这些轨迹点便构成了一个关键节点，将通过聚合公式计算得 出的地理位置随时间先后顺序重新连接就可以得到新的行程序列，用于变阶马尔科夫模型 训练的输入数据； A3、获取当前GPS数据 通过车载GPS定位系统或者智能终端设备获取插电式汽车的当前GPS数据，以当前GPS 数据为依据来预测下一时刻的汽车将要到达的位置； B、 基于变阶马尔科夫模型识别目的地 基于上述GPS原始数据和新的行程序列，借助变阶马尔科夫模型不依靠转移矩阵的计 算能力，研究基于数据挖掘的目的地识别算法，动态预测满足置信度要求的车辆未来行驶 路径节点；汽车的GPS历史行驶轨迹相当于一系列的字符串，GPS历史行驶轨迹中某一个具 体的点相当于字符串中的某一个字符;通过构建变阶马尔科夫模型训练GPS历史轨迹数据 从而得到插电式混合动力汽车的行驶规律，通过PMM算法的逃逸机制解决零频率问题； PMM算法的逃逸机制满足以下条件：式中，s为每一个长度为k(k<D)的文本串，ε定义为空的字符串；c则表示该字符串的某 一个具体的字符;s'表示文本串s的后缀;p[\escape|s)为通过逃逸制分配给训练集中所有 没有在文本串s之后出现的字符的概率;:1 - ^escape | s)为分配给训练集中出现在文本串s之 后所有字符的概率； PMM算法具体定义如下：上式中，用N(sc)表示文本串序列sc出现在训练集中出现的次数，用Σ s来表示训练集 中所有在文本串s之后会出现的字符集，即XS = {C:N(SC)>0}; 对于空间高复杂性问题，采用PMM算法字典树的方式解决;在预测汽车行驶下一时刻的 地理位置时，首先对变阶马尔科夫模型进行训练，用PMM算法训练的数据形成字典树T，字典 树的节点包含出现的某个字符和该字符出现的次数两种信息；字典树构造完成后，利用该 字典树结构计算出字符c出现在长度小于等于N的文本串s之后的概率P(c | s)，通过以上逃 逸机制公式和PMM算法公式计算出概率P(c I s)，从而预测出下一时刻字符c出现的概率； 为使预测精度更加准确，将GPS原始数据的90%用于模型训练，将GPS原始数据的10% 用于模型预测，汽车的GPS历史行驶轨迹相当于上述所讲的字符串，关键节点为某一个字 符，用采集到的GPS历史行驶轨迹数据训练变阶马尔科夫模型后，通过当前GPS数据作为输 入量，结合上述公式同时利用PMM算法预测下一时刻的汽车位置，将计算所得概率最大的节 点作为下一时刻预测的目的地，随时间不断滚动预测，最终达到目的地预测的目的。
【文档编号】G06F17/30GK105956704SQ201610289594
【公开日】2016年9月21日
【申请日】2016年5月4日
【发明人】连静, 李琳辉, 孙延秋, 伦智梅, 周雅夫, 范悟明, 刘爽
【申请人】大连理工大学