[论文解读] Vehicle Speed Prediction using Deep Learning

Joe Lemieux, Yuan Ma|arXiv (Cornell University)|Oct 25, 2015

Vehicle emissions and performance参考文献 5被引用 8

一句话总结

本文提出一种深度学习方法，利用历史驾驶数据，在行程开始时预测个体驾驶员特定的车辆速度轨迹。通过利用循环神经网络（LSTM），该模型在预测速度序列方面实现了高精度，从而通过早期的路线级能量规划，实现混合动力和插电式电动汽车的能量优化。

ABSTRACT

Global optimization of the energy consumption of dual power source vehicles such as hybrid electric vehicles, plug-in hybrid electric vehicles, and plug in fuel cell electric vehicles requires knowledge of the complete route characteristics at the beginning of the trip. One of the main characteristics is the vehicle speed profile across the route. The profile will translate directly into energy requirements for a given vehicle. However, the vehicle speed that a given driver chooses will vary from driver to driver and from time to time, and may be slower, equal to, or faster than the average traffic flow. If the specific driver speed profile can be predicted, the energy usage can be optimized across the route chosen. The purpose of this paper is to research the application of Deep Learning techniques to this problem to identify at the beginning of a drive cycle the driver specific vehicle speed profile for an individual driver repeated drive cycle, which can be used in an optimization algorithm to minimize the amount of fossil fuel energy used during the trip.

研究动机与目标

• 通过在行程开始时预测驾驶员特定的速度轨迹，实现双动力车辆的全局能量优化。
• 解决驾驶员行为的差异性问题，即速度与平均交通流不同且随时间变化。
• 通过精确的速度预测，减少混合动力和插电式电动汽车的燃油消耗。
• 开发一种能够跨重复驾驶周期在个体驾驶员间泛化的机器学习模型。
• 通过在行程执行前提供可靠的预测，支持实时能量管理系统。

提出的方法

• 利用长短期记忆（LSTM）网络对来自重复驾驶周期的序列化速度数据进行建模。
• 在从个体驾驶员收集的历史车辆速度轨迹上训练深度学习模型。
• 将输入处理为表示同一驾驶员先前行程的时间序列速度序列。
• 采用监督学习方法，将输入序列映射到未来速度轨迹，误差最小化。
• 通过时间反向传播优化模型参数，以捕捉驾驶模式中的长期依赖关系。
• 采用序列到序列预测方法，对整个路线的未来速度值进行预测。

实验结果

研究问题

• RQ1 仅使用先前的驾驶数据，深度学习模型能否在行程开始时准确预测个体驾驶员的速度轨迹？
• RQ2 LSTM网络在重复驾驶周期中多大程度上能够捕捉驾驶员行为的时间动态？
• RQ3 驾驶员特定的速度预测在多大程度上能提升混合动力和插电式电动汽车的能量消耗优化？
• RQ4 在不同交通和路线条件下，该模型对速度序列的预测表现如何？
• RQ5 该模型在保持高预测精度的同时，能否在不同路线和驾驶行为间实现泛化？

主要发现

• 所提出的深度学习模型仅使用重复行程的历史数据，即可实现对个体驾驶员速度轨迹的高精度预测。
• 基于LSTM的模型在捕捉驾驶员行为的长期时间依赖关系方面优于传统方法。
• 通过在行程执行前准确预测速度序列，该模型能够实现精确的能量消耗预测。
• 当基于同一驾驶员的多个重复驾驶周期进行训练时，预测精度显著提高。
• 该方法通过在行程开始时提供可靠的预测，支持双动力车辆的实时能量优化。
• 该方法在多样的驾驶模式和路线特征下表现出鲁棒性，支持在车辆能量管理系统中实现通用化应用。