本申請涉及人工智能，尤其涉及一種車速預(yù)測方法、裝置、電子設(shè)備及存儲介質(zhì)。

背景技術(shù)：

1、發(fā)展新能源汽車、增加新能源汽車的市場占比成為緩解石油資源短缺、解決環(huán)境污染問題，實現(xiàn)汽車產(chǎn)業(yè)結(jié)構(gòu)調(diào)整和轉(zhuǎn)型升級的重要手段。在現(xiàn)有技術(shù)條件下，增程式電動汽車被認為是一種很有前途的節(jié)能減排解決方案，具備節(jié)油和增程兩大優(yōu)勢，在實現(xiàn)低排放、低成本、高效率的同時，能夠有效解決純電動汽車續(xù)駛里程問題，增程式電動汽車因其獨特的節(jié)能減排優(yōu)勢，使其受到廣泛關(guān)注和研究。在增程式電動汽車的總功率滿足具體的動力要求時，能量管理策略可以對電機以及發(fā)動機進行功率分配，以實現(xiàn)節(jié)能減排的目的。由于增程式電動汽車不同動力源的輸出和行駛工況有著直接的聯(lián)系，因此能準確的獲取行駛工況信息顯得極其重要，這就需要對車速進行預(yù)測。

2、相關(guān)技術(shù)中通常采用的預(yù)測方法有基于指數(shù)函數(shù)預(yù)測模型的預(yù)測方法和基于循環(huán)神經(jīng)網(wǎng)絡(luò)(recurrent?neural?network，rnn)預(yù)測模型的預(yù)測方法。前者實現(xiàn)簡單，計算量小且計算速度快，但預(yù)測精度不高，且在預(yù)測時域過長時容易出現(xiàn)誤差過大的情況。后者在預(yù)測時僅關(guān)注歷史車速數(shù)據(jù)之間的時間依賴性，忽略了車速數(shù)據(jù)之間的空間相關(guān)性以及時間距離產(chǎn)生相關(guān)性衰減等因素的影響，導(dǎo)致車速預(yù)測模型精度受限。

技術(shù)實現(xiàn)思路

1、有鑒于此，本申請實施例提供了一種車速預(yù)測方法、裝置、電子設(shè)備及存儲介質(zhì)，以解決現(xiàn)有技術(shù)中車速預(yù)測準確性不高的問題。

2、本申請實施例的第一方面，提供了一種車速預(yù)測方法，包括：

3、獲取車輛本次行駛歷史車速數(shù)據(jù)，歷史車速數(shù)據(jù)為時間序列數(shù)據(jù)；

4、將歷史車速數(shù)據(jù)劃分為n個具有相同時間長度的區(qū)間車速數(shù)據(jù)，其中，區(qū)間車速數(shù)據(jù)的時間長度為區(qū)間車速數(shù)據(jù)中最后一個數(shù)據(jù)對應(yīng)的時刻與第一個數(shù)據(jù)對應(yīng)的時刻之差，n為大于1的正整數(shù)；

5、分別構(gòu)建各區(qū)間車速數(shù)據(jù)的圖結(jié)構(gòu)，其中，每一區(qū)間車速數(shù)據(jù)的圖結(jié)構(gòu)包括鄰接矩陣和特征序列；

6、將n個區(qū)間車速數(shù)據(jù)的鄰接矩陣進行拼接，得到歷史車速數(shù)據(jù)的鄰接矩陣，將n個區(qū)間車速數(shù)據(jù)的特征序列進行拼接，得到歷史車速數(shù)據(jù)的特征序列；

7、對歷史車速數(shù)據(jù)的鄰接矩陣進行時間衰減處理，得到更新后的歷史車速數(shù)據(jù)的鄰接矩陣；

8、使用訓(xùn)練好的第一圖卷積網(wǎng)絡(luò)對更新后的歷史車速數(shù)據(jù)的鄰接矩陣和歷史車速數(shù)據(jù)的特征序列進行聚合處理，得到更新后的歷史車速數(shù)據(jù)的特征序列；

9、將更新后的歷史車速數(shù)據(jù)的特征序列輸入訓(xùn)練好的預(yù)測單元，得到車速預(yù)測結(jié)果。

10、本申請實施例的第二方面，提供了一種車速預(yù)測裝置，包括：

11、獲取模塊，被配置為獲取車輛本次行駛歷史車速數(shù)據(jù)，歷史車速數(shù)據(jù)為時間序列數(shù)據(jù)；

12、劃分模塊，被配置為將歷史車速數(shù)據(jù)劃分為n個具有相同時間長度的區(qū)間車速數(shù)據(jù)，其中，區(qū)間車速數(shù)據(jù)的時間長度為區(qū)間車速數(shù)據(jù)中最后一個數(shù)據(jù)對應(yīng)的時刻與第一個數(shù)據(jù)對應(yīng)的時刻之差，n為大于1的正整數(shù)；

13、圖構(gòu)建模塊，被配置為分別構(gòu)建各區(qū)間車速數(shù)據(jù)的圖結(jié)構(gòu)，其中，每一區(qū)間車速數(shù)據(jù)的圖結(jié)構(gòu)包括鄰接矩陣和特征序列；

14、拼接模塊，被配置為將n個區(qū)間車速數(shù)據(jù)的鄰接矩陣進行拼接，得到歷史車速數(shù)據(jù)的鄰接矩陣，將n個區(qū)間車速數(shù)據(jù)的特征序列進行拼接，得到歷史車速數(shù)據(jù)的特征序列；

15、衰減模塊，被配置為對歷史車速數(shù)據(jù)的鄰接矩陣進行時間衰減處理，得到更新后的歷史車速數(shù)據(jù)的鄰接矩陣；

16、聚合模塊，被配置為使用訓(xùn)練好的第一圖卷積網(wǎng)絡(luò)對更新后的歷史車速數(shù)據(jù)的鄰接矩陣和歷史車速數(shù)據(jù)的特征序列進行聚合處理，得到更新后的歷史車速數(shù)據(jù)的特征序列；

17、預(yù)測模塊，被配置為將更新后的歷史車速數(shù)據(jù)的特征序列輸入訓(xùn)練好的預(yù)測單元，得到車速預(yù)測結(jié)果。

18、本申請實施例的第三方面，提供了一種電子設(shè)備，包括存儲器、處理器以及存儲在存儲器中并且可在處理器上運行的計算機程序，該處理器執(zhí)行計算機程序時實現(xiàn)上述方法的步驟。

19、本申請實施例的第四方面，提供了一種計算機可讀存儲介質(zhì)，該計算機可讀存儲介質(zhì)存儲有計算機程序，該計算機程序被處理器執(zhí)行時實現(xiàn)上述方法的步驟。

20、本申請實施例與現(xiàn)有技術(shù)相比存在的有益效果是：本申請實施例通過對歷史車速的時間序列數(shù)據(jù)進行區(qū)間劃分，將劃分后的各區(qū)間車速數(shù)據(jù)進行圖構(gòu)建得到包括鄰接矩陣的特征序列，然后將各區(qū)間車速數(shù)據(jù)的鄰接矩陣拼接得到歷史車速數(shù)據(jù)的鄰接矩陣，并將各區(qū)間車速數(shù)據(jù)的特征序列拼接得到歷史車速數(shù)據(jù)的特征序列，在對歷史車速數(shù)據(jù)的鄰接矩陣進行時間衰減處理后，使用訓(xùn)練好的圖卷積網(wǎng)絡(luò)對時間衰減后的鄰接矩陣和歷史車速數(shù)據(jù)的特征序列進行聚合，最后將聚合結(jié)果輸入訓(xùn)練好的預(yù)測單元以得到車速預(yù)測結(jié)果，能夠在進行車速預(yù)測時，深度挖掘歷史車速數(shù)據(jù)中各時間段內(nèi)的車速空間特征信息，以及增加近期車速數(shù)據(jù)的權(quán)重，從而提高車速預(yù)測的準確性和實時性，提升用戶體驗。

技術(shù)特征：

1.一種車速預(yù)測方法，其特征在于，包括：

2.根據(jù)權(quán)利要求1所述的方法，其特征在于，構(gòu)建區(qū)間車速數(shù)據(jù)的圖結(jié)構(gòu)，包括：

3.根據(jù)權(quán)利要求2所述的方法，其特征在于，所述對所述第一鄰接矩陣進行稀疏處理，得到第二鄰接矩陣，包括：

4.根據(jù)權(quán)利要求2所述的方法，其特征在于，所述對所述第二鄰接矩陣進行關(guān)鍵信息提取，得到第三鄰接矩陣，包括：

5.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述將所述n個區(qū)間車速數(shù)據(jù)的鄰接矩陣進行拼接，得到歷史車速數(shù)據(jù)的鄰接矩陣，包括：

6.根據(jù)權(quán)利要求5所述的方法，其特征在于，所述對所述歷史車速數(shù)據(jù)的鄰接矩陣進行時間衰減處理，得到更新后的歷史車速數(shù)據(jù)的鄰接矩陣，包括：

7.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述使用訓(xùn)練好的第一圖卷積網(wǎng)絡(luò)對所述更新后的歷史車速數(shù)據(jù)的鄰接矩陣和所述歷史車速數(shù)據(jù)的特征序列進行聚合處理，得到更新后的歷史車速數(shù)據(jù)的特征序列，包括：

8.一種車速預(yù)測裝置，其特征在于，包括：

9.一種電子設(shè)備，包括存儲器、處理器以及存儲在所述存儲器中并且可在所述處理器上運行的計算機程序，其特征在于，所述處理器執(zhí)行所述計算機程序時實現(xiàn)如權(quán)利要求1至7中任一項所述方法的步驟。

10.一種計算機可讀存儲介質(zhì)，所述計算機可讀存儲介質(zhì)存儲有計算機程序，其特征在于，所述計算機程序被處理器執(zhí)行時實現(xiàn)如權(quán)利要求1至7中任一項所述方法的步驟。

技術(shù)總結(jié)
本申請涉及人工智能技術(shù)領(lǐng)域，提供了一種車速預(yù)測方法、裝置、電子設(shè)備及存儲介質(zhì)。該方法通過對歷史車速的時間序列數(shù)據(jù)進行區(qū)間劃分，將劃分后的各區(qū)間車速數(shù)據(jù)進行圖構(gòu)建得到包括鄰接矩陣的特征序列，將各區(qū)間車速數(shù)據(jù)的鄰接矩陣拼接得到歷史車速數(shù)據(jù)的鄰接矩陣，并將各區(qū)間車速數(shù)據(jù)的特征序列拼接得到歷史車速數(shù)據(jù)的特征序列，在對歷史車速數(shù)據(jù)的鄰接矩陣進行時間衰減處理后，使用訓(xùn)練好的圖卷積網(wǎng)絡(luò)對時間衰減后的鄰接矩陣和歷史車速數(shù)據(jù)的特征序列進行聚合，最后將聚合結(jié)果輸入訓(xùn)練好的預(yù)測單元以得到車速預(yù)測結(jié)果，能夠深度挖掘歷史車速數(shù)據(jù)中各時間段內(nèi)的車速空間特征信息，增加近期車速數(shù)據(jù)的權(quán)重，從而提高車速預(yù)測的準確性和實時性。

技術(shù)研發(fā)人員：汪志剛,張敬毅,黃世明,張廣山,劉志軍
受保護的技術(shù)使用者：重慶賽力斯鳳凰智創(chuàng)科技有限公司
技術(shù)研發(fā)日：
技術(shù)公布日：2025/1/9