原文传递
基于机器学习的车辆速度预测方法研究
| 论文题名： | 基于机器学习的车辆速度预测方法研究 |
| 关键词： | 车辆速度预测;机器学习;深度学习;注意力机制;迁移学习 |
| 摘要： | 随着车辆技术的发展，车辆速度预测技术在新能源混合动力汽车和自动驾驶智能汽车这两大前沿领域的应用已成为当下研究的热点。在车速预测研究方面，科研人员也已经取得很多成果。在深度学习技术重新崛起之前，统计方法在速度预测方面的应用占很大比重。但是，基于统计理论的方法很难适应海量数据和高维数据。近年来，随着硬件计算能力的提升和数据的积累，机器学习技术在车速预测中逐渐显现出优势。为了提高车速预测模型的精度和适应性，本文围绕着基于机器学习的车辆速度预测方法展开研究，主要研究了基于深度学习和迁移学习方法的车辆速度预测模型设计。 首先，为了满足对实验数据的需求，在交通车辆仿真平台IPG-Carmaker中建立虚拟的交通环境，采集车辆行驶信息。对数据进行一定的预处理，构建了适合本文的实验数据集，为后续的仿真验证打下基础。 然后，针对车速预测的精度问题，基于深度学习方法理论，提出了带有注意力机制的卷积和门控循环单元的车辆速度预测混合模型(CGAM)。在该预测模型中，构建了一个时间通道注意力模块并与卷积网络结合用于提取数据中的局部特征，门控循环单元网络和注意力机制结合用于提取长相关性特征，将两部分特征进行融合实现对车速的预测。实验验证表明该CGAM模型可以提高速度预测的精度。 最后，针对车速预测模型的适应性问题，基于迁移学习方法理论，提出了融合迁移学习机制的卷积门控循环单元混合模型车速预测方法(Transfer-CGAM)。该方法能够使车速预测模型从不同的交通道路环境中获得迁移知识，使CGAM模型快速的适应新道路环境，进行车辆速度的预测。实验验证表明Transfer-CGAM方法可以使CGAM车速预测模型快速地适应不同道路环境，提高了模型的适应性。 |
| 作者： | 王振南 |
| 专业： | 控制工程 |
| 导师： | 焦晓红;孙建香 |
| 授予学位： | 硕士 |
| 授予学位单位： | 燕山大学 |
| 学位年度： | 2022 |
检索历史
应用推荐
