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%。     

城市道路无信号控制路段行人过街风险分级预警模型

为量化城市无信号控制路段下的行人过街风险,避免人车冲突事故频发,提出基于K-means算法的行人过街风险量化分级方法,并在此基础上建立了基于随机森林的行人过街风险分级预警模型。考虑时空接近程度及潜在碰撞伤害大小,选取冲突时间差、潜在碰撞距离与潜在碰撞能量3个指标,准确刻画出实际的人车交互场景,并利用K-means算法对行人过街风险状态进聚类划分,明确相应的行人过街风险等级。综合行人过街场景中包含的天气状况、道路交通设施、行人交通特征、机动车交通特征与历史事故等5类风险隐患因素,提出了30项行人过街风险二级指标,依据基尼不纯度对风险指标进行筛选并构建出最优的预警指标集,以此为模型输入,利用随机森林算法建立了能对行人过街风险进行细化、量化预测的分级预警模型。以山西省某市3处行人过街样本数据为算例验证模型的可行性。算例分析表明：行人过街风险等级分为5级时,量化分级结果能与实际行人过街情景较好吻合;本文提出的分级预警模型对各风险等级预测的整体正确率可达86.67%,其中对一级与四级风险的预警能力最为突出,一级风险识别准确率达到100%,四级风险识别准确率达到94.7%。本研究提出的行人过街风险...     

考虑过街行人运动轨迹不确定性的人-车碰撞概率预测方法

为了准确预测人-车冲突中的碰撞风险,研究了利用碰撞概率评估人-车碰撞风险的预测方法。基于车辆运动特征建立车辆运动学模型,通过采集行人实际过街运动轨迹并提取不确定性特征,采用一阶马尔科夫模型和高斯白噪声建立行人随机运动模型,在此基础上构建人-车冲突距离模型;运用蒙特卡洛抽样,提取行人过街过程中的人-车最短距离和碰撞时间（time to collision,TTC）分布特征,通过拟合这些特征来估算最短距离和TTC的概率密度函数,建立人-车碰撞概率预测模型;结合2起人-车深度事故案例和3种不同制动特性的自动紧急制动（automatic emergency braking,AEB）系统,对比验证人-车碰撞概率预测模型的有效性。结果显示：建立的行人随机运动模型,其模拟的行人运动速度的均值和标准差与实际值的绝对误差在2%以内,模型精度较高;在事故案例仿真中,车辆与行人在发生碰撞时刻对应的碰撞概率为100%;在车辆加装AEB的仿真中,激进型AEB,法规型AEB以及保守型AEB在触发时刻对应的碰撞概率分别为超过了80%,在30%～40%之间,以及不足5%,这表明人-车碰撞概率预测模型可有效预测2起真实...     

基于随机森林的雨天车辆跟驰风险行为研究

为降低雨天车辆跟驰行为风险,建立了一种基于随机森林的雨天车辆跟驰风险水平判定模型.通过引入降雨条件和安全距离,同时解决跟驰风险不易被量化分析及准确判定的问题,对传统驾驶风险判别模型进行修正,从而提取降雨条件下车辆运行跟驰风险特征,判定当前状态下的车辆跟驰风险.利用UC-winRoad驾驶模拟器仿真实验输出的降雨条件(包括降雨等级、路面水膜厚度、路面附着系数)和车辆运行数据(包括纵向车速、加速度、安全距离)进行验证,构建了引入风险熵的风险水平判定模型;通过随机森林算法对模型进行训练,并对风险特征进行提取,输出风险水平的判定结果.结果表明,该模型获取的风险水平误差小于1级,相比人工神经网络和支持向量机,平均相对误差分别降低了10.36%和4.54%.所提出模型可作为实用工具判定雨天车辆跟驰风险水平.      

基于轨迹预测的智能汽车行驶风险评估方法

提出了基于预测轨迹的行车风险评估方法，首先建立了沿预测轨迹两侧具有渐变高斯截面特征的驾驶风险域DRF以表征驾驶员行为的不确定性，然后考虑车辆与周围静态、动态障碍物处于特定状态的风险后果建立环境事件成本，得到适应复杂行车场景不确定性的量化感知风险，并基于贝叶斯理论融合预测区间内的量化感知风险时间序列，实现了对于未来行车潜在碰撞风险的预测。实车轨迹和仿真实验结果表明，相比于经典TTC指标方法，基于融合未来一段时间内自车与周边环境交互信息的DRF的风险评估方法可以更快、更准确地辨识复杂交通场景的行车风险变化，为研究周边多车复杂场景下车辆碰撞风险问题提供了参考。     

基于混合高斯-隐马尔可夫模型的动力电池实时热失控检测

随着电动汽车在我国的发展，动力电池的安全性能成为评价电动汽车综合产品力的重要指标，其中动力电池热失控的检测对乘车人员的安全至关重要。针对传统热失控检测方法在实际应用中难以准确做出判断的问题，从电池传感器直接观测的电压、电流、时间等参数中提取状态特征向量，使用混合高斯模型对特征进行最优化筛选。分别对动力电池不同的安全状态评估其混合概率分布，通过BW方法建立隐马尔可夫模型，利用维特比算法对当前观测序列计算相似概率来判断当前电池的健康状况。实验结果表明，隐马尔可夫模型对动力电池热失控的识别较常见时序检测方法更为准确，可以实现在无需电化学仪器检测的前提下达到初步热失控风险检测的目的，提升安全检测效率，降低检测成本。     

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。     

基于图时空神经网络的多充电站负荷协同预测方法

针对传统充电站负荷预测方法只能实现对单一站点预测的问题，提出一种基于图时空神经网络 （Graph Spatiotemporal Neural Network， GSTNN） 模型的多充电站负荷协同预测方法。定义时空信息图，描述充电站负荷之间的时空关系；构建时空特征提取网络，分别利用图卷积神经网络和门控序列卷积网络提取信息图的空间和时间维度信息，并使用长短期记忆网络 （Long Short Term Memory Networks，LSTM） 挖掘影响负荷预测的外部特征信息；融合提取的所有特征，进行负荷预测。算例结果表明，基于 GSTNN模型的方法能充分考虑时空特征和外部特征的影响，协同多个充电站的负荷数据进行预测，并同时输出各充电站的预测结果，有效提高预测准确度，有助于电网稳定运行。     

基于面向对象随机森林分类模型的滑坡遥感解译

滑坡遥感解译可为复杂艰险山区的道路选线提供重要的参考资料。以青海省沿黄公路共和至大河家段公路为研究区,利用高分辨率QuickBird卫星影像,采用面向对象的随机森林分类模型提取滑坡区域。该方法先利用多尺度分割方法生成滑坡对象,构建滑坡对象的光谱、纹理及形状特征图,在此基础上利用训练好的随机森林模型提取出疑似滑坡区,最后结合目视解译,得到准确的滑坡区。结果表明:该方法能快速准确地提取出道路沿线的滑坡区,有效节约人力物力,为后续的道路选线提供准确信息。     

基于多层时空融合网络的驾驶人注意力预测

类人驾驶是提升汽车智能化程度的重要途径之一，识别和定位驾驶人的感兴趣目标和区域，进而快速、精确地感知驾驶场景中潜在风险或提供决策所需关键信息，能够有效增强智能汽车的功能可理解性和鲁棒性。本文基于层次化编码器-解码器架构设计轻量化多层时空融合网络，建立轻量化驾驶人注意力预测模型。首先，以MobileNetV2作为编码器的骨干网络，提取当前帧4个尺度上的多层次空间特征，将其存入记忆模块并与在历史帧上提取的多层次特征在时间维度叠加，得到连续帧间的时空特征后传输至解码器。其次，基于层次化解码结构设计解码器，采用逆瓶颈3D卷积模块设计时空融合层，融合每个独立分支上的时空特征。最后，融合4个独立分支上捕获不同尺度信息的预测结果，获得驾驶人注意力预测值作为模型预测输出结果。结果表明：本文提出的驾驶人注意力预测模型，通过在多个特征尺度上的编码与解码，能够有效利用动态场景当前帧和历史帧间的时间、空间、尺度信息；在DADA-2000和TDV数据集上的测试实验表明，在多个指标上优于当前同类优秀模型；模型尺寸为19 MB，单帧运算速度为0.02 s，实现了优秀的模型轻量化与实时性效果。综上所述，本研究解决了当...     

基于自然驾驶数据的分心驾驶行为识别方法

大量证据表明，驾驶人分心是导致交通事故的主要原因之一。当前基于侵入式（如脑电波等）或半侵入式（如视频等）检测驾驶人分心的方法，不仅对驾驶任务造成一定干扰，且受多种环境因素的制约，误报率较高。基于此，只考虑非侵入式车辆运动特征，提出一种基于深度学习的驾驶人分心状态识别方法：首先，从自然驾驶数据集中获得大量的跟驰片段，采用态势感知方法，提取典型的分心驾驶片段，并建立仅包含车辆运动学特征的分心判别指标集；其次，利用梯度提升决策树-递归特征消除算法（GBDT-RFE）和随机森林-递归特征消除算法（RF-RFE）对特征进行重要度排序，得到重要度较高的分心监测指标；最后，采用长短时记忆神经网络（LSTM-NN）实现分心驾驶的分类识别，并与支持向量机和AdaBoost的模型结果进行对比。研究结果表明：LSTM-NN在判别分心或正常状态时F₁分别为89%、91%，高于SVM和AdaBoost对应二分类结果；进行多分类任务时，判别分心情景的平均F₁较SVM和AdaBoost分别提升了12%和7%，不同类别分心识别的误报率在15%以下，说明LSTM-NN能够有效学习分心序列的前后信息，有利于准确估计驾驶人的状态。研究结果可为车辆分心预警系统和驾驶风险倾向性评估提供方法基础。     

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。     

城乡快速干道车-人冲突时间窗预测模型

为了解决城乡快速干道车-人冲突和事故严重的问题，将车-人冲突点的分析方法扩展到车-人冲突时间窗的分析方法，构建一种行人运动轨迹实时监测和穿越时间预测相结合的车-人冲突时间窗组合预测模型。首先，分析行人违规穿越的实测数据，确定不同类别行人对应的穿越时间置信区间以及松弛时间；其次，根据运动学模型的预测结果判断行人的所属类别并初步确定行人的穿越时间，同时通过卡尔曼滤波算法对行人穿越过程进行实时监测；再次，融合运动学模型预测结果和卡尔曼滤波监测结果，确定最终的车-人冲突时间窗；最后，对所提出的组合预测模型进行标定和验证，并通过VISSIM仿真平台进行安全性能测试。模型验证结果表明：在正常情况下，该模型能够保障行人的安全且能兼顾松弛时间重置次数；在行人初始穿越速度过低或穿越前、中期存在持续低速的情况下，该模型可以通过多次松弛时间重置来解决模型的适用性问题。安全性能测试结果表明，在车辆行驶时间均值增加4.7%的情况下，安全车辆数占比增加了37.3%，车辆的后侵占时间(PET)测试值则增加53.8%。因此，与无松弛时间的预测模型相比，所提出的有松弛时间的车-人冲突时间窗预测模型能够在对交通效率影响较小的前提下，较大程度地提高车-人冲突的安全性。     

基于注意力机制的多模态自动驾驶行为决策模型

针对现有端到端自动驾驶模型未考虑驾驶场景中不同区域的重要性和不同语义类别之间的关系而导致预测准确率低的问题，受驾驶人注意力机制和现有端到端自动驾驶模型的启发，充分考虑驾驶场景的动态变化、驾驶场景的语义信息和深度信息对驾驶行为决策的影响，以连续多帧驾驶场景的RGB图像为输入，构建一种基于注意力机制的多模态自动驾驶行为预测模型，实现对方向盘转角和车速的准确预测。首先，通过语义分割模型和单目深度估计模型分别获取RGB图像的语义图像和深度图像；其次，为剔除与驾驶行为决策无关信息，以神经科学和空间抑制理论为基础，设计一种拟人化注意力机制作为能量函数来计算驾驶场景中不同区域的重要度；为学习语义图像中与驾驶行为决策最为相关类别之间的关系，采用图注意力网络(Graph Attention Network,GAT)对驾驶场景的语义图像进行特征提取；然后，以保留RGB特征为原则对提取的驾驶场景的图像特征、语义特征和深度特征进行融合，采用卷积长短期记忆网络(Convolutional Long Short Term Memory,ConvLSTM)实现融合特征在连续多帧之间的传递，进而实现下一帧驾驶场景对应驾驶行为的预测；最后，与其他模型的对比试验、消融试验、泛化试验和特征可视化试验来充分验证所提出自动驾驶行为预测模型的性能。试验结果表明：与其他驾驶行为预测模型相比，所提出模型的训练误差为0.021 2，预测准确率为86.97%，均方误差为0.031 5，其驾驶行为的预测性能优于其他模型；连续多帧的语义图像和深度图像、拟人化注意力机制和面向语义特征提取的GAT有助于提升驾驶行为预测的性能；该模型具有较好的泛化能力,其做出驾驶行为预测所依赖的特征与经验丰富的驾驶人所关注的特征基本一致。     

基于ATT-LSTM模型的高速公路交通事件持续时长预测

为揭示交通事件对高速公路运行状态持续时间的影响规律，研究了高速公路交通事件持续时长预测方法。考虑高速公路交通事件时间序列特性，基于循环神经网络理论，从时间序列数据中提取交通事件时间依赖关系；通过引入长短时记忆网络，结合特征、时序注意力层挖掘历史时刻信息和当前时刻数据间的相关性，构建基于注意力机制-长短时记忆网络的高速公路交通事件持续时长预测模型。以2018年西安绕城高速公路交通监测数据集为例，开展了高速公路交通事件持续时长预测模型验证，对比了所提模型与反向传播神经网络、随机森林、支持向量机、长短时记忆网络模型这4种典型算法的预测精度，并分析了事件类型、天气条件、车辆类型、交通量等不同影响因素对持续时长的影响程度。结果表明:使用同一数据集，注意力机制-长短时记忆网络预测模型的预测结果平均绝对误差为24.43，平均绝对百分比误差为25.24%，均方根误差为21.17，预测精度优于其他4种预测方法。在模型的各影响因素权重中，事件类型所占权重最大为0.375，其次分别为车道数、车辆类型、天气等；采用立交出入口小时交通量作为修正参数，可以进一步提升预测精度，预测结果的绝对误差、平均绝对百分比误差和均方根误差可分别降低21.3%、7.5%和16.9%。研究结果能进一步提高高速公路交通事件持续时长预测的精度，为公路安全高效运行提供技术支持。      

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。     

基于随机森林算法的路面状况指数预测

近些年随着道路三维检测技术的兴起,越来越多的路段开始使用三维道路检测车对道路状况进行检测。以表征路面使用性能优劣的重要指标——路面状况指数为研究目标,利用ARAN9000三维多功能道路检测车采集的实际路面数据,对路面状况指数进行了预测。首先,考虑路面病害、环境、路面结构等影响因素,运用数据挖掘技术对加拿大安大略省某公路路面状况指数的相关数据进行了数据清洗、特征筛选等处理分析工作。然后,构建了路面状况指数的机器学习预测模型,得到多元线性回归模型、神经网络模型与随机森林模型的复相关系数R~2分别为0.562,0.711,0.895。随机森林模型预测的路面状况指数精度较神经网络模型提高了0.184,误差降低了1.599,训练速度提升了33 s。最后,选择精度较高的随机森林模型进行了优化。由于输入变量较多,无法通过简单的统计分析确定应修正或删除的异常数据,因此选择在构建模型并预测后,通过预测值与真实值的拟合效果确定异常值,再使用修正后的数据重新对模型进行循环训练,使之达到当前模型训练最优。结果表明:改进后的随机森林模型预测效率和预测精度更高,R~2达到0.898。提出的路面状况指数预测模型是准确而有效的。     

基于多源数据融合深基坑风险评估方法

将云模型(CM)、改进D-S理论相结合，提出了一种新的多源信息融合评估方法，对深基坑安全风险进行评估。建立监测指标体系，通过云模型获取各风险等级的概率，最后采用改进的D-S理论进行融合，提高预测结果的准确性和可靠性。以科技大道隧道深基坑为依托工程，验证了该方法的可行性和有效性。结果表明，所提出的多源信息融合方法特点：(1)具有较好的处理高冲突信息的能力；(2)与单一来源评估模型相比，有更好的准确性和鲁棒性。因此，该新型多源数据融合方法可为深基坑风险评估和管理提供实际参考。     

沥青路面表面纹理重构与构造深度预测模型

为了实现通过调整混合料的级配设计来获得期望的路面平均构造深度的目标，采用高精度三维激光扫描技术，采集了AC、SMA、OGFC三种典型级配的沥青混合料试件表面纹理特征信息。通过邻域插值法对采样数据的异常值和离群值进行替换，并通过均值滤波对采样数据进行降噪处理后，三维重构了试样表面；在采用傅里叶变换得到重构表面频域信息的基础上，根据宏观纹理的波长对应的频率设计带通滤波器，从重构表面中分离并提取出了路面宏观纹理。应用蒙特卡罗算法计算了路面的平均构造深度，通过采用筛上质量比-粒径积同时考虑了混合料的粒径和筛孔通过率对平均构造深度的影响。采用多元线性回归、随机森林和人工神经网络的方法，建立筛上质量比-粒径积与平均构造深度的预测模型，研究了混合料级配对沥青路面平均构造深度的影响。研究结果表明：均值滤波在去除噪声信号的同时也比较完整地保留了高程轮廓特征，三维重构的试样表面特征与原始表面特征一致；平均构造深度会受到级配曲线中除最大公称粒径外的其他粒径及筛孔通过率的影响；通过多元线性回归、随机森林和人工神经网络3种模型建立了以各筛孔尺寸的筛上质量比-粒径积为自变量，平均构造深度为因变量的回归模型，得到的...     

基于MM-STConv的端到端自动驾驶行为决策模型

针对现有端到端自动驾驶模型输入数据类型单一导致预测精确度低的问题，选取RGB图像、深度图像和车辆历史连续运动状态序列作为多模态输入，并利用语义信息构建一种基于时空卷积的多模态多任务（Multimodal Multitask of Spatial-temporal Convolution，MM-STConv）端到端自动驾驶行为决策模型，得到速度和转向多任务预测参量。首先，通过不同复杂度的卷积神经网络提取场景空间位置特征，构建空间特征提取子网络，准确解析场景目标空间特征及语义信息；其次，通过长短期记忆网络（LSTM）编码-解码结构捕捉场景时间上、下文特征，构建时间特征提取子网络，理解并记忆场景时间序列信息；最后，采用硬参数共享方式构建多任务预测子网络，输出速度和转向角的预测值，实现对车辆的行为预测。基于AirSim自动驾驶仿真平台采集虚拟场景数据，以98 200帧虚拟图像及对应的车辆速度和转向角标签作为训练集，历经10 000次训练周期、6 h训练时长后，利用真实驾驶场景数据集BDD100K进行模型的测试与验证工作。研究结果表明：MM-STConv模型的训练误差为0.130 5，预测精确度达到83.6%，在多种真实驾驶场景中预测效果较好；与现有其他主流模型相比，该模型综合场景空间信息与时间序列信息，在预测车辆速度和转向角方面具有明显的优势，可提升模型的预测精度、稳定性和泛化能力。