一种基于向量量化训练模型的燃油汽车路况识别方法与流程

本发明涉及一种车辆技术，特别涉及一种通过特征参数近似来用典型路况识别随机路况的路况识别方法，具体地说是一种基于向量量化训练模型的燃油汽车路况识别方法。

背景技术：

车辆实际行驶过程中，道路路况是随机变化的，无法等同于任何一种典型路况。然而，针对燃油汽车用电系统能量管理策略的相关研究，通常需要维持车辆在某种已知的典型路况下。因此十分有必要对燃油汽车实际行驶过程中的随机路况进行路况识别，为能量管理策略的实施奠定基础。

至今为止，已经有一些学者针对行驶路况的路况识别进行了相关研究。秦大同等通过欧几里得帖进度来表示待识别样本与标准样本的贴近程度，进行路况识别；刘永刚等选取23个典型的循环工况，用聚类分析方法将其划分为五类，进行路况识别；詹森等将遗传优化方法和K均值聚类算法相结合，在参数优化的基础上实现路况识别。以上路况识别方法都存在一定程度上的不足，如典型路况样本过少影响识别精度，识别模型自身系统误差过大，模型的关键参数不明确进而不利于实际应用等问题，因而将这些方法运用到燃油汽车的路况识别上时，识别效果较差，识别精度较低。

因此，在燃油汽车路况信息事先未知的情况下，针对复杂且随机的实际行驶路况，如何在线地识别出与燃油汽车所处的随机路况近似的典型路况，实现路况识别，为燃油汽车用电系统能量管理策略的有效实施奠定基础，已经成为一个急需解决的问题。

技术实现要素：

本发明为了克服上述现有技术的不足，提出了一种基于向量量化训练模型的燃油汽车路况识别方法，以期能够在线地识别出与燃油汽车所处的随机路况近似的典型路况，实现路况的有效识别，为燃油汽车用电系统能量管理策略在随机路况下的在线实施奠定基础。

为实现上述目的，本发明采用了以下技术方案：

本发明一种基于向量量化训练模型的燃油汽车路况识别方法的特点是按如下步骤进行：

步骤1、选取典型路况类；

按照交通状况以及行驶地域的不同，选取m种典型路况类作为识别样本，从而构成典型路况类集合DC＝{DC₁,DC₂,...,DC_r,...,DC_m}，DC_r表示第r种典型路况类，1≤r≤m；

步骤2、对每种典型路况类进行分块；

对第r种典型路况类DC_r进行分块，得到M个典型路况块并构成集合DC_r＝{dc_r,1,dc_r,2,...,dc_r,p,...,dc_r,M}，dc_r,p表示第r种典型路况类对应的第p个典型路况块，1≤p≤M；从而得到mM个典型路况块并构成集合{dc_1,1,...,dc_1,m,...,dc_r,p,...,dc_m,1,...,dc_m,M}，记为{dc₁,dc₂,...,dc_i,...,dc_mM}，dc_i表示第i个典型路况块，1≤i≤mM；

步骤3、选取并标准化计算相关特征参数来表征每一个典型路况块的特征；

对第i个典型路况块dc_i选取R个特征参数并进行归一化处理，得到第i个标准特征参数向量U_i＝[u_i,1,u_i,2,...,u_i,j,...,u_i,R]^T，u_i,j表示第i个典型路况块dc_i对应的第j个标准特征参数，从而得到mM个标准特征参数向量并构成集合U＝{U₁,U₂,…,U_i,…,U_mM}，1≤j≤R；

步骤4、构建向量量化训练模型；

定义所述向量量化训练模型由输入层、竞争层和输出层构成；

定义所述向量量化训练模型的输入向量为X＝[x₁,x₂,...,x_j,...,x_R]^T；

定义所述向量量化训练模型的输入层与竞争层间的连接矩阵为

定义所述向量量化训练模型的竞争层的输入向量为d＝[d₁,d₂,...,d_i,...,d_mM]^T，d_i表示第i个标准特征参数向量U_i与所述模型的输入向量X之间的距离；

定义所述向量量化训练模型的竞争层的输出向量为a＝[a₁,a₂,...,a_i,...,a_mM]^T，a_i表示第i个典型路况块dc_i的状态值，仅a_i＝1表示第i个典型路况块dc_i即为所述向量量化训练模型的输入向量X对应的路况块所识别出的典型路况块；

定义所述向量量化训练模型的竞争层与输出层之间的连接矩阵为其中u^*＝[1,1,...,1]_M×1；

定义所述向量量化训练模型的输出向量为Y＝[y₁,y₂,...,y_r,...,y_m]^T，y_r表示第r种典型路况类DC_r的状态值，仅y_r＝1表示第r种典型路况类DC_r即为所述向量量化训练模型的输入向量X对应的路况块所识别出的典型路况类；

步骤5、利用每个标准特征参数向量作为向量量化训练模型的输入向量对所述向量量化训练模型进行训练，直至其满足系统误差要求，从而得到可用于识别的向量量化训练模型；

步骤5.1、定义变量b为训练次数；初始化b＝1；

步骤5.2、初始化i＝1；

步骤5.3、将第b次训练时的第i个标准特征参数向量U_i(b)作为模型的输入向量X(i,b)；

步骤5.4、定义变量k，且1≤k≤mM；初始化k＝1；

步骤5.5、判断k＝i是否成立，若成立，则执行步骤5.6，否则，执行步骤5.7；

步骤5.6、将k+1赋值给k后，判断k＞mM是否成立，若成立，则执行步骤5.8，否则，返回步骤5.5；

步骤5.7、计算所述向量量化训练模型的输入向量X(i,b)与第b次训练时的第k个标准特征参数向量U_k(b)之间的距离d_k(i,b)后，返回步骤5.6；

步骤5.8、选取所述向量量化训练模型的输入向量X(i,b)与第b次训练时的标准特征参数向量集合U(b)中的每个标准特征参数向量间的距离中的最小值，记为d_min(i,b)；将所述最小值d_min(i,b)所对应的典型路况块记为dc_best(i,b)；将所述典型路况块dc_best(i,b)所对应的状态值记为“1”，其余mM-1个典型路况块所对应的状态值均记为“0”，从而得到第b次训练时对应于模型输入向量X(i,b)的竞争层的输出向量a(i,b)；

步骤5.9、利用式(1)获得第b次训练时对应于模型输入向量X(i,b)的模型输出向量Y(i,b)：

Y(i,b)＝U^*·a(i,b) (1)

步骤5.10、从所述模型的输出向量Y(i,b)中找到典型路况类的状态值为“1”的典型路况类，记为DC_best(i,b)；

步骤5.11、定义变量δ_i(b)为第b次训练时第i个标准特征参数向量U_i(b)所对应的识别因子；判断DC_best(i,b)与第b次训练时第i个标准特征参数向量U_i(b)所对应的典型路况类是否相同，若相同，则表示第b次训练时所述向量量化训练模型能正确识别第i个标准特征参数向量U_i(b)所对应的典型路况类，并记U_i(b)所对应的识别因子δ_i(b)＝1后，执行步骤5.12；否则，记U_i(b)所对应的识别因子δ_i(b)＝0后，执行步骤5.13；

步骤5.12、利用式(2)获得第b次训练中经过调整之后的第i个典型路况块dc_i的第j个标准特征参数u′_i,j(b)；

u′_i,j(b)＝u_i,j(b)+φ(x_j-u_i,j(b)) (2)

式(2)中，φ为学习率，且φ为正值；

步骤5.13、利用式(3)获得第b次训练中经过调整之后的第i个典型路况块dc_i的第j个标准特征参数u′_i,j(b)；

u′_i,j(b)＝u_i,j(b)-φ(x_j-u_i,j(b)) (3)

步骤5.14、将i+1赋值给i后，判断i＞mM是否成立，若成立，则执行步骤5.15；否则，返回步骤5.3；

步骤5.15、计算第b次训练后模型的系统误差e(b)＝δ(b)/mM，其中

步骤5.16、设定系统误差阈值为e^*；当e(b)<e^*时，输出连接矩阵U(b)，所述向量量化训练模型训练完成；当e(b)≥e^*时，将u′_i,j(b)作为第b+1次训练时的第i个典型路况块dc_i的第j个标准特征参数u_i,j(b+1)后，执行步骤5.17；

步骤5.17、将b+1赋值给b，重复步骤5.2至步骤5.16；

步骤6、对随机路况进行路况识别；

步骤6.1、采集连续时间段内的随机路况块，并对随机路况块的R个特征参数进行归一化处理，依次得到随机路况块对应的标准特征参数向量；

步骤6.2、依次将所述随机路况块对应的标准特征参数向量作为所述训练完成的向量量化训练模型的输入向量进行识别，从而得到所述连续时间段内的随机路况块的识别结果。

与已有技术相比，本发明的有益效果在：

1、本发明设计了一种基于向量量化训练模型的燃油汽车路况识别方法，能够在线地识别出与燃油汽车所处的随机路况近似的典型路况，实现路况识别。针对常见的路况类型选取相同数量的典型路况类并等分成相同数量的典型路况块，同时选取相同的特征参数表征其特征，从根本上体现了路况识别的公平性，保证了识别精度。设计了能够进行自我训练的向量量化训练模型，通过不断地模型训练，逐步降低了模型的系统误差，直至其满足精度要求。同时，连续地采集等长时间区间内的随机路况块信息，运用向量量化训练模型依次对其进行路况识别，保证了本方法针对随机路况的识别结果能体现出车辆实际行驶中的路况变化。

2、本发明共选取了m种典型路况类，同时将每种典型路况类进行分块，获得相同数量的的M个典型路况块，选取相同的R个能够充分表征路况特征的特征参数，这样做使得每种道路路况都有相同数量的识别样本，体现了路况识别的公平性，保证了识别精度。同时，采用归一化处理的方法对各个典型路况块的特征参数进行标准化计算，消除了不同特征参数之间单位、数值以及变化范围对路况识别造成的干扰，使得不同的特征参数对于路况识别具有相同的影响，进一步提升了路况识别的准确性。

3、由于参数计算误差，路况仿真误差，以及距离近似误差的存在，本发明运用典型路况块信息计算得到的初始连接矩阵U往往不能使得模型具有理想的识别精度。因此，在构建向量量化训练模型之后，运用模型自身具备的学习训练功能，用已知的典型路况块作为输入，检验输出的典型路况类是否与输入对应的相同。通过定义学习率ф，使得在模型的系统误差满足精度要求之前，模型不断地进行着以ф为速率的训练优化，直到模型的系统误差满足要求。通过如上设计降低了模型的系统误差，进一步提高了识别精度。

4、由于车辆实际行驶过程中的道路路况是完全随机的，其自身包含着许多未知的路况变化。如果针对整个车辆行驶过程中的实际路况进行单一的路况识别，其结果并不能体现车辆行驶过程中的路况变化过程，使得路况识别失去了意义。故本发明所涉及的路况识别方法连续地采集等长时间区间内的随机路况块信息，运用训练完成的向量量化训练模型依次对其进行路况识别，保证了本方法针对随机路况的识别结果能体现出车辆实际行驶中的路况变化过程。

附图说明

图1为本发明路况识别方法基本流程图；

图2为本发明典型路况分块示意图；

图3为本发明向量量化训练模型结构图；

图4为本发明向量量化训练模型模型训练流程图；

图5为本发明向量量化训练模型路况识别流程图。

具体实施方式

本实施例中,一种基于向量量化训练模型的燃油汽车路况识别方法是：选取典型路况类并进行分块；选取特征参数表征每一个典型路况块的特征并进行标准化计算；构建向量量化训练模型并对向量量化训练模型进行训练，直至其能正确识别出随机路况所近似的典型路况类；采集随机路况块信息并计算其对应的标准特征参数值，运用训练完成的向量量化训练模型找到与随机路况块最为近似的典型路况类，实现路况识别。本路况识别方法的基本流程如图1所示。

样本准备阶段，选取典型路况类，对每种典型路况类进行分块，选取并标准化计算相关特征参数表征每一个典型路况块的特征。

步骤1、选取典型路况类。

按照交通状况以及行驶地域的不同，选取m种典型路况类作为识别样本，从而构成典型路况类集合DC＝{DC₁,DC₂,...,DC_r,...,DC_m}，DC_r表示第r种典型路况类，1≤r≤m。可以通过基于MATLAB/Simulink的ADVISOR汽车仿真软件获取所需的典型路况类的速度-时间曲线，进而获取对应的典型路况类信息。

本实施例中，按照交通状况以及行驶地域的不同，将行驶路况分为市区道路、郊区道路、高速公路3种基本类型。针对每种行驶路况，各选取了两种典型路况类作为代表，每种路况类型对应的典型路况具有相似的车速特征。因此，本实施例总共选取了6种典型路况，分别是NYCC和MANHATTAN(代表市区道路)、CSHVR和WVUSUB(代表郊区道路)、US06_HWY和HWFET(代表高速公路)，即m＝6。

步骤2、对每种典型路况类进行分块。

由于样本数量为6时向量量化训练模型无法保证理想的路况识别精度，故需要对每种典型路况类的速度-时间曲线在时间维度上进行分块，进一步扩充样本数量。对第r种典型路况类DC_r进行分块，得到M个典型路况块，构成集合DC_r＝{dc_r,1,dc_r,2,...,dc_r,p,...,dc_r,M}，dc_r,p表示第r种典型路况类对应的第p个典型路况块，1≤p≤M；从而得到mM个典型路况块并构成集合{dc_1,1,...,dc_1,m,...,dc_r,p,...,dc_m,1,...,dc_m,M}，记为{dc₁,dc₂,...,dc_i,...,dc_mM}，dc_i表示第i个典型路况块，1≤i≤mM。

本实施例中，采用“复合等分法”对典型路况类进行分块，即将每种典型路况类的速度-时间曲线进行等分，获得相应的典型路况块，再将相邻路况块中点之间的路况块作为新的路况块，总共获得相应的M个典型路况块，作为代表该典型路况类的识别样本。采取这种方法进行分块可以消除不同典型路况类的速度-时间曲线之间总时长不一致对典型路况分块以及特征参数计算带来的影响。本实施例中，取M＝7，即将每种典型路况类等分成7个典型路况块。典型路况的分块示意如图2所示。

步骤3、选取并标准化计算相关特征参数来表征每一个典型路况块的特征。

对第i个典型路况块dc_i选取R个特征参数并进行归一化处理，得到第i个标准特征参数向量U_i＝[u_i,1,u_i,2,...,u_i,j,...,u_i,R]^T，u_i,j表示第i个典型路况块dc_i对应的第j个标准特征参数，从而得到mM个标准特征参数向量并构成集合U＝{U₁,U₂,…,U_i,…,U_mM}，1≤j≤R。

本实施例中，总共选取了10个重要参数作为路况识别的特征参数表征每个典型路况块的特征(即R＝10)，主要包括：1.平均车速2.最高车速v_max；3.平均加速度4.最大加速度a_max；5.平均减速度6.最大减速度d_max；7.匀速时间比例r_c；8.加速时间比例r_a；9.减速时间比例r_d；10.怠速时间比例r_i。同时，采用归一化处理的方法对各个典型路况块的特征参数进行标准化计算，进而消除不同特征参数之间单位、数值以及变化范围对路况识别造成的干扰，使得不同的特征参数对于路况识别具有相同的影响，进一步提升了路况识别的准确性。

其变换函数如下：

其中：c为特征参数原始数据；c_mim为对应特征参数的最小值；c_max为对应特征参数的最大值。

步骤4、构建向量量化训练模型；

模型构建阶段，本实施例构建了初始的向量量化训练模型，为模型的训练打下基础；

定义向量量化训练模型由输入层、竞争层和输出层构成，将模型的输入向量送入输入层，历经竞争层，线性输出层，得到对应的模型的输出向量；

定义向量量化训练模型的输入向量为X＝[x₁,x₂,...,x_j,...,x_R]^T；

定义向量量化训练模型的输入层与竞争层间的连接矩阵为其中U_i^T为第i个典型路况块对应的标准特征参数向量；u_i,j为第i个典型路况块对应的第j个标准特征参数的值；

定义向量量化训练模型的竞争层的输入向量为d＝[d₁,d₂,...,d_i,...,d_mM]^T，d_i表示第i个标准特征参数向量U_i与所述模型的输入向量X之间的距离，距离的大小表征模型的输入向量X对应的路况块与典型路况快dc_i之间的近似程度，距离越小表征近似程度越高；

定义向量量化训练模型的竞争层的输出向量为a＝[a₁,a₂,...,a_i,...,a_mM]^T，a_i表示第i个典型路况块dc_i的状态值；向量a中仅有一个元素值为1，其余元素值均为0，仅a_i＝1表示第i个典型路况块dc_i即为模型的输入向量X对应的路况块所识别出的典型路况块；

定义向量量化训练模型的竞争层与输出层之间的连接矩阵为其中u^*＝[1,1,...,1]_M×1；矩阵U^*的每列仅有一个1，其余为0；每一个u^*均对应一种典型路况类，因此共有m个这样的u^*。

定义向量量化训练模型的输出向量为Y＝[y₁,y₂,...,y_r,...y_m]^T，y_r表示第r种典型路况类DC_r的状态值；向量Y中仅有一个元素值为1，其余元素值均为0，仅y_r＝1表示第r种典型路况类DC_r即为模型的输入向量X对应的路况块所识别出的典型路况类。

本实施例中，分别取m＝6，M＝7，R＝10，构建了初始的向量量化训练模型。向量量化训练模型的模型结构如图3所示。

步骤5、模型训练阶段，本实施例利用每个标准特征参数向量作为模型的输入向量对向量量化训练模型进行训练，直至其满足系统误差要求，从而得到可用于识别的向量量化训练模型；

步骤5.1、定义变量b为训练次数；初始化b＝1；

步骤5.2、初始化i＝1；

步骤5.3、将第b次训练时的第i个标准特征参数向量U_i(b)作为模型的输入向量X(i,b)；

步骤5.4、定义变量k，且1≤k≤mM；初始化k＝1；

步骤5.5、判断k＝i是否成立，若成立，则执行步骤5.6，否则，执行步骤5.7；

步骤5.6、将k+1赋值给k后，判断k＞mM是否成立，若成立，则执行步骤5.8，否则，返回步骤5.5；

步骤5.7、计算模型的输入向量X(i,b)与第b次训练时的第k个标准特征参数向量U_k(b)之间的距离d_k(i,b)后，返回步骤5.6；

步骤5.8、选取模型的输入向量X(i,b)与第b次训练时的标准特征参数向量集合U(b)中的每个标准特征参数向量间的距离中的最小值，记为d_min(i,b)；将该最小值d_min(i,b)所对应的典型路况块记为dc_best(i,b)；将典型路况块dc_best(i,b)所对应的状态值记为“1”，其余mM-1个典型路况块所对应的状态值均记为“0”，从而得到第b次训练时对应于模型输入向量X(i,b)的竞争层的输出向量a(i,b)；

步骤5.9、利用式(1)获得第b次训练时对应于模型输入向量X(i,b)的模型输出向量Y(i,b)：

Y(i,b)＝U^*·a(i,b) (1)

步骤5.10、从模型的输出向量Y(i,b)中找到典型路况类的状态值为“1”的典型路况类，记为DC_best(i,b)；

步骤5.11、定义变量δ_i(b)为第b次训练时第i个标准特征参数向量U_i(b)所对应的识别因子；判断DC_best(i,b)与第b次训练时第i个标准特征参数向量U_i(b)所对应的典型路况类是否相同，若相同，则表示第b次训练时向量量化训练模型能正确识别第i个标准特征参数向量U_i(b)所对应的典型路况类，并记U_i(b)所对应的识别因子δ_i(b)＝1后，执行步骤5.12；否则，记U_i(b)所对应的识别因子δ_i(b)＝0后，执行步骤5.13；

步骤5.12、利用式(2)获得第b次训练中经过调整之后的第i个典型路况块dc_i的第j个标准特征参数u′_i,j(b)；

u′_i,j(b)＝u_i,j(b)+φ(x_j-u_i,j(b)) (2)

式(2)中，φ为学习率，且φ为正值，学习率表征u_i,j的调整速度，即模型的训练速度，亦即模型以φ为速率进行训练优化；

步骤5.13、利用式(3)获得第b次训练中经过调整之后的第i个典型路况块dc_i的第j个标准特征参数u′_i,j(b)；

u′_i,j(b)＝u_i,j(b)-φ(x_j-u_i,j(b)) (3)

步骤5.14、将i+1赋值给i后，判断i＞mM是否成立，若成立，则执行步骤5.15；否则，返回步骤5.3；

步骤5.15、计算第b次训练后模型的系统误差e(b)＝δ(b)/mM，其中模型的系统误差即为模型某一次训练后识别正确的典型路况块所占的比例，随着模型训练的不断进行，系统误差逐步降低；

步骤5.16、设定系统误差阈值为e^*；当e(b)<e^*时，输出连接矩阵U(b)，表明向量量化训练模型训练完成；当e(b)≥e^*时，将u′_i,j(b)作为第b+1次训练时的第i个典型路况块dc_i的第j个标准特征参数u_i,j(b+1)，执行步骤5.17；

步骤5.17、将b+1赋值给b，重复步骤5.2至步骤5.16。

本实施例中，分别取δ＝0.02，e^*＝0.01，对初始的向量量化训练模型进行训练，在模型的系统误差满足要求之前，模型不断地进行着以φ为速率的训练优化，直到模型的系统误差满足要求，表明模型训练完成。向量量化训练模型的模型训练过程如图4所示。

步骤6、对随机路况进行路况识别；

路况识别阶段，采用训练完成的向量量化训练模型对随机路况进行路况识别。

步骤6.1、采集连续时间段内的随机路况块，并对随机路况块的R个特征参数进行归一化处理，依次得到随机路况块对应的标准特征参数向量；

步骤6.2、依次将随机路况块对应的标准特征参数向量作为已经训练完成的向量量化训练模型的输入向量进行识别，从而得到连续时间段内的随机路况块的识别结果。

本实施例中，记固定时间段即记识别周期为T，取T＝120s，即连续地采集时长为T＝120s内的随机路况快，依次通过训练完成的向量量化训练模型对其进行路况识别。采用向量量化训练模型进行随机路况识别的流程如图5所示。