车联网环境下的未来行驶工况信息获取方法与流程

本发明提供一种车联网环境下的未来行驶工况信息获取方法，属于智能网联汽车技术领域。

背景技术：

行驶工况是混合动力汽车能量管理策略设计考虑的重要因素之一，对提高整车燃油经济性有着至关重要的作用。准确有效的获取汽车未来工况信息进而结合预测能量管理算法实现混合动力系统实时最优控制，已成为混动汽车智能能量管理策略的有效方法。目前现有技术中车辆未来行驶工况的获取方法：主要利用gps系统获取车辆信息、道路信息及运行数据，或者直接接收其他车辆的信息进行分析处理后得到。这些方法在工况信息获取途径方面都存在考虑因素单一，获取途径的实效性不足的问题，进而导致获取的数据信息准确性较低、将其作为未来行驶工况的可参考性不强。如2015年3月11日授权公告的发明专利：授权公告号：cn102881060b，一种实现车辆典型工况获取的方法及系统，该方法包括：采集车辆行驶过程中的全球定位系统gps信息以及运行特性数据，根据接收到的gps信息，将车辆行驶路段的经纬度数据转换为车辆行驶路段的道路信息，接收并保存车辆信息、道路信息以及对应的运行特性数据，对时间连续，且车辆信息、道路信息一致的运行特性数据进行分段，建立不同车辆信息、道路信息情况下的平均车速频谱图、分段车速频谱图、平均转速频谱图、分段转速频谱图、平均扭矩频谱图以及分段扭矩频谱图，确定对应于车辆信息以及道路信息的典型工况。又如2016年2月17日申请公布的发明专利，申请公布号：cn105336165a，一种获取车辆行驶信息的方法及装置，其中，获取车辆行驶信息的方法包括：接收来自其他车辆的行驶路线信息，将接收到的行驶路线信息与自身预设的行驶路线进行匹配，在匹配成功的情况下记录接收到的行驶路线信息。

技术实现要素：

本发明的目的是提供一种能充分考虑影响工况信息获取实效性和准确性因素，通过确定最佳的工况信息获取途径，保证所获取行驶工况信息更接近于未来实际工况信息的车联网环境下的未来行驶工况信息获取方法，其技术内容为：

车联网环境下的未来行驶工况信息获取方法，包括前车信息分析、目标前车确定、交通流状态变化分析和信息获取途径的确定，其特征在于：

第一步，前车信息的分析：首先，利用车联网通讯系统中的v2v车车通讯系统及车载定位系统确定本车与前车车距、前车行驶方向及路径信息，再针对所得前车信息进行分析并将分析结果划分为两类：(1)本车与前车同向同路且距离小于s，(2)本车与前车不同向或不同路或车距大于s；

第二步，目标前车的确定：根据前车信息分析结果，当本车与前车同向同路且距离小于s时，确定用于v2v车车通讯的目标前车，首先在本车与前车同向同路且距离小于s的所有前车中，进一步判断前车类型与本车类型是否相同时，若前车类型与本车类型不相同，则通过对前车类型进行筛选，匹配与本车类型最相近的前车作为目标前车，若前车与本车类型相同且数量m＝1时，直接将前车作为目标对象，若前车与本车类型相同且数量m>1时，通过前车此前与本车在相同路段内的工况信息比对确定前车筛选的优先级，优先选定工况信息相似度较高的前车作为目标前车；

所述的同类型车辆为同款同型号完全相同的车型，所述的最相近的车辆类型是指整车质量、动力源部件功率及滚阻都近似相同的车型；

所述的相同路段内的工况信息对比，是在相同路段内对车辆瞬时速度vt、平均车速vave、最大速度vmax、车速变化频率f、路面坡度i、路面等级g、最大加速度amax、加速度均值am进行的比对；

第三步，交通流状态变化的分析：通过车联网通讯系统中的v2i车路通讯系统获取目标前车此前ty段与本车当前tn段两相同路段的交通流信息，包括目标前车此前ty段的交通流密度ky、交通流流量qy，本车当前tn段的交通流密度kn、交通流流量qn，并计算两者交通流密度的差值ek、交通流流量差值eq，然后分别与设定交通流密度变化情况临界值k、交通流流量变化情况临界值q进行比较；

第四步，信息获取途径的确定：若交通流变化较小即：ek≤k且eq≤q，利用v2v车车通讯系统获取前车的工况信息，作为本车未来行驶工况信息；若交通流变化较大即：ek≥k或eq≥q，由v2v车车通讯系统获取前车工况信息，同时结合v2i车路通讯系统获取实时交通流信息，建立基于交通流变化的车速修正模型，对前车工况信息中车速信息加以修正后作为本车未来行驶工况信息；

当本车与前车不同向或不同路或车距大于s时，放弃目标前车的确定，利用v2i车路通讯系统获取由远程监控系统提供的上一时刻前车工况信息，作为本车未来行驶工况信息。

本发明与现有技术相比，有益效果如下：

该行驶工况信息获取方法基于车联网通讯信息，在充分考虑影响工况信息获取实效性和准确性因素的基础上，确定了最佳的工况信息获取途径，保证了所获取的行驶工况信息的更接近于未来实际工况信息，提高了所获取的行驶工况信息作为未来实际工况信息的可参考性和准确性。

附图说明

图1是本发明实施例的未来行驶工况信息获取方法整体框图。

图2是本发明实施例的未来行驶工况信息获取方法具体流程图。

图3是本发明实施例前车此前ty段与本车当前tn段两相同路段的示意图。

具体实施方式

下面结合附图对本发明作进一步说明：

车联网环境下的未来行驶工况信息获取方法，如图1所示，包括前车信息分析、目标前车确定、交通流状态变化分析和信息获取途径的确定，其特征在于：

如图2所示，第一步，前车信息的分析：首先，利用车联网通讯系统中的v2v车车通讯系统和车载定位系统确定本车与前车车距、前车行驶方向及路径信息，再针对所得前车信息进行分析并将分析结果划分为两类：(1)本车与前车同向同路且距离小于s，(2)本车与前车不同向或不同路或车距大于s；

第二步，目标前车的确定：根据前车信息分析结果，当本车与前车同向同路且距离小于s时，确定用于v2v车车通讯的目标前车，首先在本车与前车同向同路且距离小于s的所有前车中，进一步判断前车类型与本车类型是否相同时，若前车类型与本车类型不相同，则通过对前车类型进行筛选，匹配与本车类型最相近的前车作为目标前车，若前车与本车类型相同且数量m＝1时，直接将前车作为目标对象，若前车与本车类型相同且数量m>1时，通过对前车此前ty段与本车当前tn段两相同路段内的工况信息进行比对确定前车筛选的优先级，优先选定工况信息相似度较高的前车作为目标前车，前车此前ty段与本车当前tn段两相同路段的示意图，如图3所示；

所述的同类型车辆为同款同型号完全相同的车型，所述的最相近的车辆类型是指整车质量、动力源部件功率及滚阻都近似相同的车型；

所述的相同路段内的工况信息对比，是在相同路段内对车辆瞬时速度vt、平均车速vave、最大速度vmax、车速变化频率f、路面坡度i、路面等级g、最大加速度amax、加速度均值am进行的比对；

第三步，交通流状态变化的分析：通过车联网通讯系统中的v2i车路通讯系统获取目标前车此前ty段与本车当前tn段两相同路段的交通流信息，包括目标前车此前ty段的交通流密度ky、交通流流量qy，本车当前tn段的交通流密度kn、交通流流量qn，并计算两者交通流密度的差值ek、交通流流量差值eq，然后分别与设定交通流密度变化情况临界值k、交通流流量变化情况临界值q进行比较；

第四步，信息获取途径的确定：若交通流变化较小即：ek≤k且eq≤q，利用v2v车车通讯系统获取前车的工况信息，作为本车未来行驶工况信息；若交通流变化较大即：ek≥k或eq≥q，由v2v车车通讯系统获取前车工况信息，同时结合v2i车路通讯系统获取实时交通流信息，建立基于交通流变化的车速修正模型，对前车工况信息中车速信息加以修正后作为本车未来行驶工况信息；

所述的基于交通流变化的车速修正模型，可通过构建基于交通流变化的rbf神经网络车速修正模型得到；rbf神经网络车速修正模型的构建包括：(1)确定rbf神经网络车速修正模型输入参数矢量和输出参数矢量，输入参数矢量为当前接收到得前车工况信息包括的瞬时速度vy_t，平均车速vy_ave、最大速度vy_max、车速变化频率fy，以及本车当前路段交通流信息包括交通流密度kn、交通流流量qn，即{vy_t，vy_ave，vy_max，fy，kn，qn}，输出参数矢量为本车所对应的未来实际工况的车速信息，包括本车瞬时速度vn_t，平均车速vn_ave、最大速度vn_max、车速变化频率fn，即{vn_t，vn_ave，vn_max，fn}；(2)将输入参数矢量和输出参数矢量作为训练样本，输入到rbf神经网络模型中进行离线训练，选用自组织选取中心的rbf神经网络学习方法，求解确定隐含层基函数中心、奇函数的方差和隐含层单元输出单元权值，最终建立的基于交通流变化的车速修正rbf神经网络模型；

当本车与前车不同向或不同路或车距大于s，放弃目标前车的确定，利用v2i车路通讯系统获取由远程监控系统提供的上一时刻前车工况信息，作为本车未来行驶工况信息。