论文部分内容阅读
汽车车速预测属于汽车节能与安全研究的重要组成部分之一，可用于汽车节能安全辅助驾驶、路线导航、自动变速器档位控制，以及混合动力汽车预测控制。因此汽车车速预测研究有着重要的理论基础和应用价值。本文主要完成以下研究工作：①通过Kruskal-Wallis单因素方差分析和相关性分析，确定了BP神经网络车速预测模型的5个输入特征参数：平均车速、怠速时间比例、速度乘加速度方差、速度方差、正加速度均值。通过上述5个特征参数的箱线图分布及其统计数据，确定了以平均车速和怠速时间比例值为门限的6个BP神经网络车速预测子模型的分类界线，这6个分类界线确定了6种车速预测工况。②根据BP神经网络理论建立8输出节点和60输出节点的BP神经网络车速预测模型，每个车速预测模型根据车速预测工况包括6个子模型，子模型的输入部分均包括上述5个特征参数和历史邻近车速。通过对两个模型的训练和预测结果，结合汽车行驶工况统计分析，对BP神经网络车速预测模型的输入历史邻近车速长度和输出节点个数进行修正，建立了修正输入输出节点的BP神经网络车速预测模型，该模型在训练和预测上均取得了优于修正前的效果。③根据BP神经网络车速预测模型权阈值分布范围的差异，对遗传算法初始种群进行差异化初始化，利用遗传算法对BP神经网络车速预测模型的权阈值进行优化。遗传算法优化后的BP神经网络车速预测模型训练和预测效果均好于优化前。④根据粒子群算法适应度值的变化情况提出一种自适应的惯性权重调整公式，对粒子群算法进行改进。差异化初始化粒子群算法初始种群，并在优化过程中分别设置权阈值和速度的搜索范围。粒子群算法优化后的BP神经网络车速预测模型训练和预测效果对比优化前有了提高。⑤根据遗传算法和粒子群算法对BP神经网络车速预测模型的优化结果，提出PSO-GA联合优化算法模型。其中在城市拥堵和高速公路(1,2,6车速预测)工况，采用遗传算法优化的BP神经网络车速预测子模型；在城市畅通和郊区(3,4,5车速预测)工况，采用粒子群算法优化的BP神经网络车速预测子模型。经过训练和预测，证明PSO-GA联合优化算法优化后的BP神经网络车速预测模型效果效果好于单独采用GA或PSO算法。