实车数据驱动的锂电池剩余使用寿命预测方法研究

锂离子动力电池剩余使用寿命（RUL）预测对于认识全生命周期电动汽车的安全和可靠性、改善电池管理系统的设计具有重要意义。通常基于深度学习的时序预测方法，本质上是一个递推的过程，每一次预测的误差会随预测次数增加而累积，难以保证预测精度和预测效率。基于深度学习序列预测和误差分析理论，建立一种ARIMA-EDLSTM融合模型的锂电池RUL预测方法，使用编码器-解码器（ED）框架改进长短时记忆神经网络模型（LSTM）构建从序列到序列预测的EDLSTM模型，并融合ARIMA模型预测误差趋势，进而修正最终预测结果。理论分析和实车采集数据验证表明，该方法在预测比例超过历史数据总量35%的情况下，仍然能较好地拟合实车SOH衰退曲线，有效提高锂电池剩余使用寿命的预测精度。     

基于充电健康因子优化和数据驱动的锂电池剩余使用寿命预测

针对因选取的健康因子不理想导致锂电池剩余使用寿命（RUL）预测精度不高的问题,提出了一种基于充电健康因子优化和数据驱动的电池RUL预测方法,首先提取电池充电过程中的各种健康因子,再使用两步最大信息系数法优化特征子集得到优化的健康因子,最后使用带有注意力机制的时间卷积神经网络（ATCN）预测电池的剩余使用寿命,通过对美国国家航空航天局（NASA）锂电池老化数据的研究,验证了所提出的锂电池RUL预测框架,并与简单循环神经网络（SimpleRNN）、长短期记忆（LSTM）神经网络和门控循环单元（GRU）神经网络等建模方法进行比较,结果表明,所提出的方法在各数据集上均取得了最优的预测结果。     

基于相似性优化模型样本的实车锂电池健康状态分析

为更好地解决电动汽车动力电池健康状态（SOH）在线估计问题,减少实车采集数据中的冗余样本,改善运行工况不稳定导致的特征丢失,提升实车电池SOH估计的精度,提出一种基于增量容量分析方法（ICA）提取特征和动态时间规整（DTW）优化特征样本的SOH估计方法。首先对实车电池充电循环数据应用增量容量分析提取电池IC曲线,以曲线峰高度等形状特征作为健康因子。采用动态时间规整作相似性判据,基于IC曲线形状计算电池充电循环样本的相似度,保留与基准充电循环相似的充电循环数据,优化训练样本,最后采用全连接神经网络（MLP）模型进行SOH估计。以实车运行电池数据进行对比实验,结果表明该方法可明显改善训练样本质量,提升电池SOH估计精度。     

基于数据驱动模型融合的锂离子电池多时间尺度状态联合估计方法

本文提出一种基于数据驱动法（data driven method,DDM）-等效电路模型（equivalent circuit model,ECM）融合的锂离子电池多时间尺度状态联合估计方法。首先提取内阻作为健康特征（health factor,HF），利用最小二乘支持向量机（least squares support vector machine,LSSVM）建立电池老化模型实现健康状态（state of health,SOH）估计；根据阻容参数辨识值和容量估计值建立电池状态空间方程，结合无迹卡尔曼滤波算法（unscented Kalman filter,UKF）进行荷电状态（state of charge,SOC）估计；用高斯过程回归（Gaussian process regression,GPR）对HF随循环次数的变化进行映射，预测HF的变化趋势，并结合LSSVM模型实现长期剩余使用使命（remaining useful life,RUL）预测。实验结果表明，所提方法具有较高精度和鲁棒性。     

基于实车数据的电动汽车电池健康状态预测

鉴于现有电动汽车电池健康状态(SOH)预测方案多基于条件有限实验室的实验数据,且存在单指标预测精度低等问题,基于实车运行数据分析并提取电池健康状态因子,以电池容量、内阻和单体一致性为特征,构建机器学习模型,实现电池SOH多指标的准确预测;针对实车数据区间不完整、片段间隔大等问题,提出自适应状态估计法;利用非支配排序遗传算法(NSGA-II)进行精度与效率的多目标优化,获得最佳电压区间,提高电池容量的变区间估计精度。结果表明,该方法可有效实现基于实车数据的电池SOH准确预测,采用5-fold交叉验证计算测试集最大平均绝对误差小于2%。     

基于BP神经网络的时序残差GM(1,1)模型

本文针对灰度模型在原始数据序列波动较大时,预测精度较低的情况,提出了基于BP神经网络的时序残差模型.文中使用BP神经网络训练时序残差,再结合灰度模型,较好地提高模型精度和预测精度.此模型不仅适合于原始数据波动较大的序列,而且对非波动性数据序列也有很高的精度.     

城市道路短期交通流预测VHSSA模型

针对出行者出行时对交通信息预报以及动态路径规划的要求,对路段的历史交通流时间序列数据进行了研究,利用城市路段交通流的周期相似性特征提出了基于纵横序列相似性的短期交通流预测VHSSA模型,该模型克服了以往预测模型只考虑纵向时间序列周期性相似的缺陷,将全时间序列数据进行小波变换后分解为反映基本变化规律的基序列和反映波动变化情况的波动序列,既可只进行基序列预测,也可通过置信区间对波动序列进行修正,再与基序列叠加进行全序列预测.经试例验证,VHSSA模型和基于纵向序列相似性的VSSA模型分别与实测序列的基序列和全序列进行比对,VHSSA模型的预测效果总体优于VSSA模型,误差可满足实际要求.     

融合经验老化模型和机理模型的电动汽车锂离子电池寿命预测方法研究

为提升实际应用中锂离子动力电池寿命预测精度，本文中提出一种融合经验老化模型和电池机理模型的电池寿命预测方法。该方法以基于经验老化模型SOH预测值作为卡尔曼算法的先验估计，以基于机理模型估计电池未来容量衰减量进而预测得到的SOH作为卡尔曼算法的后验修正，从而实现对锂离子电池寿命的准确预测。基于电芯试验数据的动力电池寿命预测算法验证结果表明，锂离子动力电池剩余寿命预测误差≤5.83%、基于实车数据的锂离子动力电池的剩余寿命预测误差≤8.12%，取得了良好的预测效果，丰富了锂离子动力电池寿命预测的方法。     

基于WPD-PSO-ESN的短期交通流预测

为了提高短期交通流的预测精度,提出了一种基于小波包分解(wavelet packet decomposition, WPD)、粒子群优化(particle swarm optimization, PSO)算法和回声状态网(echo state network, ESN)的短期交通流预测方法。该方法命名为WPD-PSO-ESN。首先,在数据预处理阶段,采用小波包分解将交通流数据分解为不同频段的子序列,并将各子序列送入回声状态网预测模型;然后,在建立预测模型阶段,利用粒子群优化算法在线优化回声状态网的参数,以提高回声状态网的泛化能力和预测精度;进一步,针对粒子群优化算法存在的早熟收敛和易陷入局部最优的缺陷,通过检测粒子飞行过程中的状态信息,设计了惯性权重自适应调整策略,以期提高粒子群优化算法的寻优能力;最后,在结果输出阶段,采用加权平均法融合各子序列的预测值以得到模型的最终预测结果。试验结果表明:通过小波包分解和单支重构可以更加容易地抓住原始信号中的动态信息,更适合用于回声状态网的时间序列建模;带有自适应惯性权重调整策略的粒子群优化算法具备更强的跳出局部最优的能力,优化后的回声状态网模型精度更高;对于短期交通流预测,与前馈型误差反传神经网络、反馈型Elman神经网络和传统回声状态网等预测方法相比,WPD-PSO-ESN预测方法具有更高的预测精度,能够满足智能交通系统对预测精度的需求,对实现实时交通控制和建设智能交通系统具有重要意义。     

基于深度学习的网约车需求预测研究

网约车需求预测是一个典型的时间序列预测任务,准确的网约车需求预测能够辅助网约车平台合理地派单和规划路径,从而降低网约车的空驶率,具有重要的研究意义。文章利用长短时记忆模型（LSTM）及门控循环单元（GRU）进行网约车需求预测,对比了同一地区休息日和工作日,一周和一个月内的网约车需求及其变化,构建基于LSTM和GRU的需求预测模型,使用历史数据对未来需求进行预测,使用Geohash代码对西安市进行区域划分,对数据和划分的网格进行匹配得到汇总数据,采用线性模型进行对照试验,结果表明,LSTM和GRU在网约车需求预测中的表现优于线性模型,二者相比LSTM预测精度更高。     

考虑交通事件影响的城市道路行程时间预测

外部环境因素对城市交通预测有较大影响，尤其在交通事件发生时，由于交通流的随机性和非线性特征，交通异常情况下的预测精度往往较低。为此，基于深度学习理论，提出一种以序列到序列模型（Sequence-to-sequence，Seq2Seq）为主体，融合外部因素特征的城市道路行程时间预测方法。利用时间序列分解算法（Seasonal and Trend Decomposition Using Loess，STL）挖掘交通历史数据的时序周期规律，结合交通事件数据深入分析交通异常产生的原因，并建立堆叠降噪自编码器模型（Stacked Denoising Autoencoder，SDAE）提取时间属性和交通事件数据的潜在特征。以北京市北四环中路和G6京藏高速路段为例，对预测模型的准确性和可行性进行验证，通过重复性交通事件和非重复性交通事件下的案例试验，对SDAE组件的有效性进行分析。研究结果表明：模型的单步和多步预测性能均优于基线模型，预测精度最高达到了87.71%；与其他输入了交通事件数据的模型相比，以SDAE作为外部组件的模型具有较好的预测性能和鲁棒性，能够适应复杂多变的交通流，在智能交通系统的短期预测上有显著的优越性，可以增强管理系统的调控能力，降低城市交通的拥堵成本。     

基于人-车交互的行人轨迹预测

针对行人轨迹预测具有复杂、拥挤的场景和社会交互问题,基于长短时记忆网络（Long Short-term Memory Network, LSTM）对行人与车辆、行人与其他行人的交互进行建模,提出一种基于人-车交互的行人轨迹预测模型（VP-LSTM）。该模型同时考虑了行人与行人的交互、行人与车辆的交互,更适用于复杂的交通场景。所构建的VP-LSTM包括3个输入,以行人的方向和速度作为历史轨迹序列输入,行人与行人的相对位置作为人-人交互信息输入,行人与车辆的相对位置作为人-车交互信息输入。该方法首先设计扇形人-人交互邻域和圆形人-车交互邻域来准确捕捉对被预测行人有相互作用的行人和车辆;其次建立3种不同的LSTM编码层来编码历史行人轨迹序列、人-人、人-车社交信息;然后定义人-人、人-车交互的防碰撞函数和方向注意力函数作为人-车、人-人社交信息的权重,进一步提高社会信息的精度;再将人-人、人-车交互信息输入到注意力模块中筛选出对行人影响大的社会信息;最后将筛选后的社会信息与行人历史轨迹序列一起输入到LSTM神经网络中进行行人轨迹预测,并在构建的DUT人-车交互数据集上验证提出的网络。研究结果表明：提出的方法能够准确地预测出交通场景中,人-车交互行人未来一段时间内的运动轨迹,有效提高了预测精度,提高了智能驾驶决策的准确性。     

基于非线性降维IC特征的实车电池SOH估计EI北大核心CSCD

基于实车电池复杂的运行数据,本文使用增量容量分析方法提取IC峰特征作为电池充电片段的有效特征,使用t-SNE非线性降维方法处理IC峰特征,消除多维特征冗余性,以解决实车数据难以提取可靠特征的问题。另外构建支持向量回归模型,实现对电池健康状态的估计。结果表明,本文使用的增量容量曲线峰特征能有效表征电池健康状态衰退变化;对实车数据的平滑、降噪方法可以较好地提升训练数据质量;基于t-SNE降维特征的SVR模型提升了对电池健康状态的估计精度,保证了有限样本数据集上实现准确估计。     

基于车联网的城市路网实时行程时间预测

近年来,车联网技术快速发展,其不仅具备车辆对车辆和车辆对路侧的联网通讯功能,而且还能提供交通信息的实时交换功能。在车联网条件下,假设所有车辆均为浮动车,则基于浮动车和交通检测器信息可构建城市路网的行程时间预测模型。该模型针对路网行程时间进行预测,并对浮动车实时和历史数据进行比较和分析。分析结果表明:使用浮动车实时数据预测的行程时间误差最小,但变异系数很高;而使用融合模型,则误差和变异系数都较低。     

基于二分法的车辆状态参数融合估计

为提高车辆状态参数估计的精度和可靠性,提出一种基于二分法的车辆状态参数融合估计方法。首先,设计了基于车辆3自由度动力学模型的扩展卡尔曼滤波算法和由数据驱动的径向基神经网络车辆状态参数估计算法。然后,为了进一步提高估计算法的可靠性和减小单一算法的估计误差,提出将模型驱动的估计算法和数据驱动的估计算法相补偿的融合估计方法,基于二分法设置扩展卡尔曼滤波和径向基神经网络估计结果的权重,利用估计算法的融合提高估计精度。最后通过MATLAB/Simulink与CarSim的联合仿真和实车在环试验对该融合方法的有效性进行了验证。结果表明,估计结果变化趋势与实际相符,所提出的融合算法的估计精度比单一扩展卡尔曼滤波算法和径向基神经网络算法有明显的提升。     

基于图神经网络的交互车辆驾驶意图识别及轨迹预测

为实现周围车辆行驶轨迹的准确预测，运用深度学习方法，设计了一种基于图神经网络与门控循环单元（GRU）的驾驶意图识别及车辆轨迹预测模型。驾驶意图识别模型将车-车间的交互关系构造成时空图，运用图神经网络学习其交互规律，并利用Softmax函数计算出不同驾驶意图的概率；轨迹预测模型采用编码-解码的GRU网络，编码器将车辆历史轨迹信息进行编码并融合识别的驾驶意图信息，再通过解码器实现轨迹预测。最后采用NGSIM数据集对模型进行训练和验证，结果表明：所提出的模型能够更好地识别车辆的驾驶意图，且考虑驾驶意图的车辆轨迹预测模型能够有效提高预测精度。     

新能源汽车普及之纯电动客车篇

运行线路不同,电机、电池的使用管理策略也不尽相同。所以,新能源车辆的驾驶员一般不宜过多调整运行班线。纯电动客车EV（Electric Vehicle）,顾名思义就是只有电能一个动力源的客车,车辆的动力完全来自动力电池的蓄电量。目前纯电动客车大都采用锂电池作为动力源,但由于锂电池存在安全、体积和质量、充电时间和使用寿命等问题,直接或间接地影响了纯电动客车的推广和应用。     

基于PCA-GBDT的城市道路旅行时间预测方法

城市道路旅行时间预测是城市智能交通管理系统和交通信息服务系统的重要基础。利用实测的车辆旅行时间数据,提出了进行城市道路旅行时间多步预测的主成分分析-梯度提升决策树(PCA—GBDT)方法。首先使用主成分分析方法进行旅行时间序列分解和主成分提取,之后建立了利用梯度提升决策树方法的旅行时间多时段预测模型。实际案例结果表明,与传统kNN方法、时间序列ARIMA方法、支持向量机(SVM)方法相比,PCA—GBDT方法具有更高的预测精度与算法稳定性。     

典型汽车碰撞事故场景中行人运动轨迹预测方法

为提高未来自动驾驶车辆对弱势道路使用群体的感知和决策融合的可靠性，本文提出一种基于目标检测算法（YOLOv5）、多目标跟踪算法（Deep-Sort）和社交长短时记忆神经网络（social-long short-term memory,Social-LSTM）的行人未来运动轨迹预测方法。结合YOLOv5检测和Deep-Sort跟踪算法，有效解决行人检测跟踪过程中目标丢失问题。提取特定行人目标历史轨迹作为预测框架的输入边界条件，并采用Social-LSTM预测行人未来运动轨迹。并对未来运动轨迹进行透视变换和直接线性变换，转换为世界坐标系中的位置信息，预测车辆与行人的可能未来碰撞位置。结果显示目标检测精度达到93.889%，平均精度均值达96.753%，基于高精度的检测模型最终轨迹预测算法结果显示，预测损失随着训练步长的增加呈递减趋势，最终损失值均小于1%，其中平均位移误差降低了18.30%，最终位移误差降低了51.90%，本研究可为智能车辆避撞策略开发提供理论依据和参考。     

基于时间序列的目标车辆轨迹预测算法

针对高速道路场景,对智能车辆前方的目标车辆进行轨迹预测。根据车辆运动轨迹数据具有时序性的特点,并为了增加轨迹特征的表征能力和上下文时空关联性,提出了将车道线特征、目标车辆的特征与历史轨迹数据的特征进行融合,和LSTM-CNN-LSTM融合模型,以提高目标车辆轨迹预测的精度。