龍棄，侯興哲，肖劍鋒，孫洪亮，劉永相，朱彬

（國網(wǎng)重慶市電力公司電力科學(xué)研究院，重慶401123）

0 引 言

電動(dòng)汽車憑借其清潔環(huán)保的優(yōu)勢(shì)，迅速受到國內(nèi)外的廣大關(guān)注［1］。而分時(shí)租賃業(yè)務(wù)憑借其減少車保有量、增加車共享量的綠色環(huán)保作用，逐漸受消費(fèi)者所接受。因此，各地電動(dòng)汽車分時(shí)租賃行業(yè)正蓬勃發(fā)展，其多級(jí)管理平臺(tái)紛紛建立。總管理平臺(tái)具有集中采集車速、里程、SOC電量百分比、地理位置、時(shí)間、溫度等車輛狀態(tài)信息的管控作用，同時(shí)為大數(shù)據(jù)分析研究奠定了堅(jiān)實(shí)的數(shù)據(jù)基礎(chǔ)［2］。

預(yù)處理技術(shù)作為數(shù)據(jù)分析的基礎(chǔ)，對(duì)所采集的參數(shù)起著至關(guān)重要的作用。例如，車速反映了駕駛員違章違規(guī)情況，時(shí)間、里程、SOC電量百分比反映了經(jīng)濟(jì)收益情況，溫度反映車輛安全問題等，這些數(shù)據(jù)都存在人為干預(yù)的可能性。大型電動(dòng)汽車分時(shí)租賃管理平臺(tái)一般采用多級(jí)管理結(jié)構(gòu)，平臺(tái)間采用無線通信方式，數(shù)據(jù)所有者出于隱私保護(hù)、規(guī)避責(zé)任等目的考慮，監(jiān)測(cè)數(shù)據(jù)在傳輸過程中進(jìn)行人為的數(shù)據(jù)干擾［3-4］，給安全、法律、經(jīng)濟(jì)帶來極大隱患。因此，有必要根據(jù)對(duì)所采集的數(shù)據(jù)進(jìn)行再預(yù)測(cè)，以檢驗(yàn)其真實(shí)性，還原得到最優(yōu)預(yù)測(cè)結(jié)果。

其中，車速作為車輛管理的核心參數(shù)，車速預(yù)測(cè)受到國內(nèi)外學(xué)者的極大關(guān)注。常規(guī)的車速預(yù)測(cè)方法主要包括以下三種：（1）根據(jù)采集的公路平曲線半徑和縱坡度等線形數(shù)據(jù)和樣本車速，利用回歸模型［5-7］、學(xué)習(xí)型算法［8-9］等預(yù)測(cè)公路可能出現(xiàn)的運(yùn)行車速。劉碩，王俊驊等［10］通過多元逐步線性回歸建立城市地下道路運(yùn)行車速預(yù)測(cè)模型，研究地下道路中車速的分布特征及運(yùn)行車速。魏朗、陳濤等將駕駛?cè)说牡缆肪€形感知和車速進(jìn)行模糊量化并通過多組模糊規(guī)則對(duì)車速進(jìn)行預(yù)測(cè)［11］。（2）僅根據(jù)四個(gè)車輪傳感器的輪速信號(hào)，利用最大輪速法［12］、斜率法［13］、綜合法［14］、遞推法［15］、非線性濾波法［16］等確定參考車速。（3）基于輪速和其他傳感器，即輪速與縱向加速度、橫向加速度、橫擺角速度等信號(hào)，利用卡爾曼濾波等算法為基礎(chǔ)的數(shù)學(xué)模型確定車輛參考速度［17-19］。徐進(jìn)等建立了考慮側(cè)向容許加速度、縱向加速度、制動(dòng)減速度、制動(dòng)熱衰退和環(huán)境速度與線形參數(shù)關(guān)系的模型，計(jì)算了期望速度［20］。趙治國等結(jié)合電子穩(wěn)定程序系統(tǒng)傳感器信號(hào)，基于車輛動(dòng)力學(xué)模型和輪胎模型，設(shè)計(jì)融合驅(qū)動(dòng)輪轉(zhuǎn)矩信息和傳感器信息的車速估計(jì)算法［21］。

傳統(tǒng)車速預(yù)測(cè)所需的參數(shù)均為原始數(shù)據(jù)，可保證其真實(shí)性。但在平臺(tái)與平臺(tái)間的無線通信過程中存在一定人為干預(yù)的可能，相應(yīng)的預(yù)測(cè)結(jié)果也會(huì)隨之變化，不具有任何抗干擾能力。因此，根據(jù)受干預(yù)影響的采集數(shù)據(jù)而得到最優(yōu)預(yù)測(cè)車速的算法研究較少。為了保證大數(shù)據(jù)分析數(shù)據(jù)源的有效性，有必要采用一定的算法進(jìn)行數(shù)據(jù)預(yù)處理。

文章結(jié)合電動(dòng)汽車分時(shí)租賃管理平臺(tái)的數(shù)據(jù)采集方式，采用人為干預(yù)概率曲線量化監(jiān)測(cè)數(shù)據(jù)與協(xié)方差比間關(guān)系，將人為干預(yù)概率曲線區(qū)間和觀測(cè)量關(guān)系作為輸入，建立了回歸對(duì)象決策樹并引入傳統(tǒng)卡爾曼濾波算法，從而提出基于決策樹分析的卡爾曼濾波預(yù)測(cè)方法，并應(yīng)用于車速預(yù)測(cè)領(lǐng)域，為電動(dòng)汽車分時(shí)租賃管理平臺(tái)數(shù)據(jù)預(yù)處理奠定了理論依據(jù)和有效地實(shí)現(xiàn)大數(shù)據(jù)分析奠定堅(jiān)實(shí)的技術(shù)支撐。

1 電動(dòng)汽車分時(shí)租賃管理平臺(tái)

重慶市電動(dòng)汽車分時(shí)租賃服務(wù)平臺(tái)定位于重慶市大型綜合公眾服務(wù)平臺(tái)，主要服務(wù)于社會(huì)用戶、服務(wù)運(yùn)營商和政府機(jī)構(gòu)，用于整合集成社會(huì)服務(wù)資源，提供全套業(yè)務(wù)服務(wù)，給政府提供新能源基建相關(guān)數(shù)據(jù)、商業(yè)運(yùn)營環(huán)境數(shù)據(jù)、用戶商業(yè)信用評(píng)價(jià)數(shù)據(jù)等信息，為要害部門的政策制定與決策提供技術(shù)支撐。平臺(tái)結(jié)構(gòu)框架如圖1所示。

本平臺(tái)內(nèi)部架構(gòu)主要分為基礎(chǔ)數(shù)據(jù)采集管理平臺(tái)和運(yùn)營服務(wù)支撐平臺(tái)兩個(gè)部分。數(shù)據(jù)采集管理平臺(tái)負(fù)責(zé)采集管理基礎(chǔ)服務(wù)設(shè)施的信息數(shù)據(jù)，主要依憑于直接接入平臺(tái)的監(jiān)控終端和第三方平臺(tái)的輸入，主要包括車輛資源信息數(shù)據(jù)、充換電資源數(shù)據(jù)、車位資源數(shù)據(jù)和其他資源數(shù)據(jù)。運(yùn)營服務(wù)支撐平臺(tái)構(gòu)建于基礎(chǔ)數(shù)據(jù)采集管理平臺(tái)的上層，用于為社會(huì)用戶和服務(wù)運(yùn)營商提供安全穩(wěn)定的商業(yè)交互渠道，主要包括汽車租賃服務(wù)、充換電服務(wù)、車輛停泊服務(wù)和其他第三方增值服務(wù)。

本平臺(tái)提供直接接入本平臺(tái)的業(yè)務(wù)服務(wù)和提供第三方服務(wù)接口實(shí)現(xiàn)平臺(tái)與平臺(tái)對(duì)接的第三方服務(wù)等兩種接入方式。其中，平臺(tái)與平臺(tái)對(duì)接方式的數(shù)據(jù)傳導(dǎo)過程中，為了隱瞞超速違規(guī)事故、規(guī)避違規(guī)事故、肆意增加經(jīng)濟(jì)收益、隱瞞車輛安全問題等以達(dá)到增加商業(yè)利益的目的，有一定概率會(huì)通過程序或人工方式對(duì)真實(shí)采集數(shù)據(jù)進(jìn)行人為干預(yù)。特別的，車速作為車輛管理的基本參數(shù)，其涉及法律層面問題，有必要研究一種算法根據(jù)總平臺(tái)所獲得的數(shù)據(jù)（可能受到人為干預(yù)）預(yù)測(cè)其人為干預(yù)前的真實(shí)值，從而消除人為干預(yù)影響。

圖1 重慶市電動(dòng)車分時(shí)租賃管理平臺(tái)Fig.1 Configuration of Chongqing electric vehicle time-sharing lease management platform

2 傳統(tǒng)卡爾曼濾波算法

傳統(tǒng)卡爾曼濾波算法是一種以最小均方誤差為最佳估計(jì)準(zhǔn)則，采用信號(hào)與噪聲的狀態(tài)空間模型，利用前一時(shí)刻的估計(jì)值和當(dāng)前時(shí)刻的量測(cè)值來更新對(duì)狀態(tài)變量的估計(jì)，求出當(dāng)前時(shí)刻的估計(jì)值，算法根據(jù)建立的系統(tǒng)方程和量測(cè)方程對(duì)需要處理的信號(hào)做出滿足最小均方誤差的估計(jì)［22］。

因此，卡爾曼濾波算法是一種循環(huán)更新算法，具有數(shù)值解的預(yù)估-校正能力，其可分為兩個(gè)部分：時(shí)間更新方程和測(cè)量更新方程。時(shí)間更新方程可視為預(yù)估方程，測(cè)量更新方程可視為校正方程。其離散卡爾曼濾波器時(shí)間更新方程如下所示：

式中 S′（k）是先驗(yàn)估計(jì)值；是后驗(yàn)估計(jì)值；U（k）是系統(tǒng)控制輸入；A（k）、B（k）均為狀態(tài)變換矩陣；ε（k-1）為上一時(shí)刻最優(yōu)估計(jì)值；隨機(jī)信號(hào)w（k）和v（k）分別表示過程激勵(lì)噪聲和量測(cè)噪聲。假設(shè)隨機(jī)信號(hào)均為相互獨(dú)立、正態(tài)分布的白色噪聲：

實(shí)際系統(tǒng)中，過程激勵(lì)噪聲協(xié)方差Q和量測(cè)噪聲協(xié)方差R可能會(huì)隨每次迭代計(jì)算而變化，但變化方式則需根據(jù)實(shí)際情況而定。

離散卡爾曼濾波器狀態(tài)測(cè)量更新方程：

式中 H（k）是卡爾曼增益；C（k）是狀態(tài)變換矩陣；X（k）是量測(cè)值。

一次時(shí)間更新程序和測(cè)量更新方程計(jì)算后，整個(gè)過程再次重復(fù)，上一時(shí)刻所計(jì)算得到的后驗(yàn)估計(jì)被作為下一次計(jì)算的先驗(yàn)估計(jì)，循環(huán)往復(fù)，逐漸逼近回歸對(duì)象，從而最終得到最優(yōu)估計(jì)值。

然而，電動(dòng)汽車分時(shí)租賃管理平臺(tái)的采集數(shù)據(jù)中，根據(jù)量測(cè)值與限值（例如量測(cè)車速與違章限值）之間的關(guān)系，使得量測(cè)值可能受到人為干預(yù)的影響，從而導(dǎo)致量測(cè)值不再是最優(yōu)回歸對(duì)象。因此，傳統(tǒng)的卡爾曼濾波算法因其回歸對(duì)象固定而不再適合該問題，需要進(jìn)一步改進(jìn)算法該公式，使其回歸對(duì)象具有自動(dòng)選擇性。

3 采集數(shù)據(jù)人為干預(yù)概率曲線

實(shí)際上，不是所有采集數(shù)據(jù)都具有人為干預(yù)的可能。本文以車速為例進(jìn)行說明。當(dāng)速度遠(yuǎn)低于違章車速限值時(shí)，幾乎不會(huì)出現(xiàn)數(shù)據(jù)人為干預(yù)的情況，此時(shí)的量測(cè)值極大概率是真實(shí)值。但是，隨著車速的增加，車速數(shù)據(jù)被人為干預(yù)的概率逐漸增大。特別地，為了讓人為干預(yù)后的結(jié)果合理化、平滑化，在違章車速限值附近時(shí)，人為干預(yù)的概率陡然增加。而當(dāng)所測(cè)采集車速數(shù)據(jù)逐漸增加，超過違章車速限值后，發(fā)生數(shù)據(jù)人為干預(yù)的概率反而逐漸減小，此時(shí)更傾向于相信該量測(cè)值的真實(shí)性。

因此，采集數(shù)據(jù)人為干預(yù)心理動(dòng)機(jī)基本滿足高斯函數(shù)變化規(guī)律，因此不妨設(shè)置人為干預(yù)概率曲線滿足以下高斯公式：

式中a/b決定了正態(tài)分布曲線的寬窄，經(jīng)過多次試驗(yàn)可知，本文采用a=3.5；b是違章車速限值，km/h；c是被研究車輛的最大車速值，km/h；k是數(shù)據(jù)人為干預(yù)概率曲線最大幅值，不妨k設(shè)為1。

根據(jù)圖2的高斯曲線特性可知，當(dāng)量測(cè)車速值為該路段違章車速限值的0.663 6和1.336 4倍時(shí)，量測(cè)車速值中有50%概率受到了人為干預(yù)的影響；當(dāng)量測(cè)車速值為違章車速限值附近時(shí)，人為干預(yù)概率陡增。但隨之，若量測(cè)數(shù)據(jù)大于違章車速限值時(shí)，反而人為干預(yù)概率逐漸減小，直至0附近，此時(shí)量測(cè)車速可信度反而增加，說明其未對(duì)上傳的監(jiān)測(cè)數(shù)據(jù)實(shí)施人為干預(yù)行為。該曲線規(guī)律與實(shí)際情況所述的變化規(guī)律一致，因此該概率曲線是合理的。

圖2 車速數(shù)據(jù)人為干預(yù)概率曲線Fig.2 Human intervention probability curve for speed data

從圖2可知，根據(jù)50%概率的兩條x軸垂直界限可將車速數(shù)據(jù)人為干預(yù)概率曲線分為區(qū)間①和區(qū)間②等兩部分，即區(qū)間①的人為干預(yù)概率較低，其結(jié)果傾向于量測(cè)值，而區(qū)間②的人為干預(yù)概率較高，很有可能發(fā)生數(shù)據(jù)人為干預(yù)。

4 基于決策樹分析的卡爾曼濾波預(yù)測(cè)方法

為了將卡爾曼濾波算法應(yīng)用車速預(yù)測(cè)領(lǐng)域，時(shí)間更新方程、狀態(tài)更新方程中變量均需進(jìn)行調(diào)整。

4.1 時(shí)間與狀態(tài)更新方程

時(shí)間更新方程：

式中 V′（k）是速度先驗(yàn)估計(jì)值（k）是速度后驗(yàn)估計(jì)值；am（k）是量測(cè)加速度作為系統(tǒng)控制輸入；式（1）～式（6）中 A（k）在本文中為單位矩陣；B（k）是狀態(tài)變換矩陣，本文為采樣時(shí)間△t；ε′（k）是預(yù)測(cè)值的協(xié)方差；ε（k-1）為上一時(shí)刻速度最優(yōu)估計(jì)值。

時(shí)間與狀態(tài)更新方程中，隨機(jī)信號(hào)w（k）和v（k）仍分別表示過程激勵(lì)噪聲和量測(cè)噪聲。過程值是基于量測(cè)加速度和經(jīng)驗(yàn)計(jì)算公式得到（本文稱為理論車速值）。假設(shè)隨機(jī)信號(hào)均為相互獨(dú)立、正態(tài)分布的白色噪聲，仍滿足式（3）～式（4）關(guān)系但實(shí)際系統(tǒng)中，過程激勵(lì)噪聲協(xié)方差Q和量測(cè)噪聲協(xié)方差R是不定的，需要進(jìn)一步量化。

離散卡爾曼濾波器狀態(tài)測(cè)量更新方程：

式中 H（k）是卡爾曼增益；式（5）～式（7）中C（k）在本文中為單位矩陣；O（k）為回歸對(duì)象，而非式（6）中固定的量測(cè)值X（k）。這是因?yàn)榱繙y(cè)值可能受到人為干預(yù)的影響，因此與傳統(tǒng)卡爾曼濾波算法有所不同。且回歸對(duì)象根據(jù)違章車速限值與量測(cè)值之間關(guān)系而有所變化。

綜上，噪聲協(xié)方差R、Q與回歸對(duì)象O（k）均與量測(cè)值、理論值、限值間有緊密的關(guān)系，本算法中將充分考慮以上影響因素，從而通過多次迭代得到最優(yōu)預(yù)測(cè)值

4.2 噪聲協(xié)方差及協(xié)方差比S

根據(jù)式（2）和式（5）可知，過程激勵(lì)噪聲協(xié)方差Q和量測(cè)噪聲協(xié)方差R的大小直接影響協(xié)方差估計(jì)值ε′（k）和卡爾曼增益 H（k）。因此，不妨設(shè)過程協(xié)方差Q與量測(cè)協(xié)方差R之間的比值為S，即當(dāng)S越小，則最終結(jié)果更偏向于量測(cè)值，反之偏向于過程值，即理論值：

4.3 回歸對(duì)象決策樹

回歸對(duì)象不僅受反映人為干預(yù)概率曲線的協(xié)方差比值S影響，同時(shí)還與理論車速v理、量測(cè)車速v測(cè)及違章車速限值w等觀測(cè)量間的關(guān)系有關(guān)，不同條件下的回歸對(duì)象決策樹如圖3所示。

圖3 回歸對(duì)象決策樹Fig.3 Decision tree of return object

由反映人為干預(yù)概率曲線的協(xié)方差S和多種車速關(guān)系所構(gòu)成的回歸對(duì)象決策樹融入傳統(tǒng)卡爾曼濾波算法中，從而得到基于決策樹分析法的卡爾曼濾波算法。利用該算法所得到最優(yōu)預(yù)測(cè)結(jié)果可有效減少人為干預(yù)因素的影響，獲得可信度更高的車速源數(shù)據(jù)，以達(dá)到對(duì)運(yùn)營總平臺(tái)所采集的數(shù)據(jù)預(yù)處理的目的，為有效地實(shí)現(xiàn)大數(shù)據(jù)分析奠定堅(jiān)實(shí)的技術(shù)支撐。

5 算法驗(yàn)證

采用文獻(xiàn)［23］的量測(cè)加速度曲線，其試驗(yàn)車輛沿直線行駛，經(jīng)歷了“加速-制動(dòng)-滑行”操作。通過經(jīng)驗(yàn)公式（17）計(jì)算得到理論值，理論、量測(cè)、文獻(xiàn)數(shù)據(jù)曲線對(duì)比如圖3所示。

為了研究該算法的有效性，將參考文獻(xiàn)［22］中的加速度等比例放大以擴(kuò)大速度范圍，為驗(yàn)證多種違章速度限值下的預(yù)測(cè)車速效果提供基礎(chǔ)。

從圖4可知，0.5 s采集周期加速度與量測(cè)加速度基本一致，而1 s采集周期加速度相比量測(cè)加速度更為平滑，有一定差距。但是，實(shí)際運(yùn)營中，為了降低通信流量成本，采集周期難以滿足0.5 s的要求，基本均在1 s及其以上。為了結(jié)合實(shí)際情況，本文采用1 s采集周期得到的量測(cè)加速度進(jìn)行研究。

圖4 加速度曲線［22］Fig.4 Acceleration curve based on literature［22］

分別將違章車速限值設(shè)置為50 km/h、80 km/h，其理論速度、預(yù)測(cè)速度、量測(cè)速度分別如圖5所示。

圖5 違章車速限值為50 km/h的對(duì)比分析圖Fig.5 Curve comparison analysis under speed limit of 50 km/h

當(dāng)違章車速限值設(shè)置為50 km/h時(shí)，理論值、量測(cè)值、預(yù)測(cè)值速度曲線變化情況如圖5（a）所示。其中，理論值是按1 s采樣周期采樣（如圖4所示）的加速度計(jì)算得到。為了模擬理論值與量測(cè)值相差的特殊情況，量測(cè)值是在理論值基礎(chǔ)上進(jìn)行了波動(dòng)調(diào)整以擴(kuò)大其數(shù)值差別和考慮更多可能的情況。

由圖5（a）可知，0 s～3 s段量測(cè)車速較低，其值約為10 km/h～30 km/h，距違章車速限值50 km/h較遠(yuǎn)。根據(jù)圖2可知，屬于區(qū)間①范疇，協(xié)方差比S取2，該速度下人為干預(yù)概率低，此時(shí)量測(cè)值可信度高，故決策樹結(jié)果是以量測(cè)值為回歸對(duì)象。車輛加速過程中，量測(cè)車速逐漸增加，人為干預(yù)概率隨之增加，此時(shí)屬于區(qū)間②范疇，協(xié)方差比S取0.5。進(jìn)一步，區(qū)間②中理論速度、量測(cè)速度與車速限值關(guān)系復(fù)雜，4～6 s時(shí)段中理論值高于量測(cè)值，由于人為干預(yù)概率風(fēng)險(xiǎn)較高，選擇理論值為回歸對(duì)象，遞歸過程如圖5（a）的4 s～6 s時(shí)段所示。而在7 s～15 s時(shí)段中，量測(cè)值高于理論值，其決策樹結(jié)果為量測(cè)值，此時(shí)預(yù)測(cè)值最終向量測(cè)值回歸。車速進(jìn)而增加，當(dāng)量測(cè)值高于車速限值50 km/h后，根據(jù)圖2可知人為干預(yù)概率開始下降，量測(cè)值可信度回升，預(yù)測(cè)值的回歸對(duì)象依舊為量測(cè)值，如16 s～26 s區(qū)間所示。當(dāng)車速下降后，雖然速度降到車速限值50 km/h附近，人為干預(yù)概率極大，預(yù)測(cè)值向理論值回歸，而在遠(yuǎn)低于違章車速后重新向量測(cè)值回歸，通過圖5（b）中速度偏差絕對(duì)值可直觀說明以上變化規(guī)律的正確性。

當(dāng)違章車速限值設(shè)置為80 km/h時(shí)，理論值、量測(cè)值、預(yù)測(cè)值速度曲線變化情況如圖6（a）所示。

圖6 違章車速限值為80 km/h的對(duì)比分析圖Fig.6 Curve comparison analysis under speed limit of 80 km/h

理論值、量測(cè)值均與圖5（a）中一致。由圖6（a）可知，0 s～7 s和27 s～35 s兩時(shí)間段內(nèi)，量測(cè)車速較低，其值約為10 km/h～45 km/h，距違章車速限值80 km/h較遠(yuǎn)，屬于區(qū)間①，故回歸對(duì)象為量測(cè)值。加速過程中車速持續(xù)增加，在8 s～17 s時(shí)間段內(nèi)，屬于區(qū)間②范疇而S取0.5，且量測(cè)值高于理論值，決策結(jié)果仍為量測(cè)值。進(jìn)而，在18 s～22 s區(qū)間時(shí)，S取0.5，理論值高于量測(cè)值，且在限值車速附件，此時(shí)人為干預(yù)的概率較大，有故意調(diào)低了數(shù)值嫌疑，因此預(yù)測(cè)值向理論值回歸逼近。而在23 s～26 s時(shí)間段內(nèi)，仍屬于區(qū)間②，雖然人為干預(yù)概率仍然較高，但量測(cè)值高于理論值，最終決策結(jié)果是以量測(cè)值為回歸對(duì)象，預(yù)測(cè)值逐漸向量測(cè)值回歸逼近。通過圖6（b）中速度偏差絕對(duì)值可直觀說明以上變化規(guī)律的正確性。

綜上，通過兩種不同違章車速限值條件圖5（b）和圖6（b）的對(duì)比可知，本算法能夠很好起到智能地選擇回歸方向的作用，還原得到可信度較高的最優(yōu)預(yù)測(cè)曲線，有力地打擊數(shù)據(jù)人為干預(yù)行為，為大數(shù)據(jù)分析提供有力的保證、奠定了堅(jiān)實(shí)的技術(shù)基礎(chǔ)。

6 結(jié)束語

提出根據(jù)人為干預(yù)概率曲線以量化速度與協(xié)方差比間的關(guān)系，建立了人為干預(yù)概率曲線區(qū)間和觀測(cè)量關(guān)系作為輸入的回歸對(duì)象決策樹，改進(jìn)了傳統(tǒng)算法，提出了基于決策樹分析的卡爾曼濾波預(yù)測(cè)方法，從而完善基于卡爾曼濾波預(yù)測(cè)的電動(dòng)汽車分時(shí)租賃監(jiān)測(cè)數(shù)據(jù)去人為干預(yù)技術(shù)研究，并結(jié)合文獻(xiàn)數(shù)據(jù)和模擬數(shù)據(jù)，驗(yàn)證了其有效性，并得到以下結(jié)論：

（1）低速時(shí)，人為干預(yù)概率較低，可信度較高，回歸對(duì)象以量測(cè)值為主。但在違章車速限值附近時(shí)，回歸對(duì)象則需根據(jù)量測(cè)值、理論值、限值間的關(guān)系進(jìn)行選擇，不再是單一以量測(cè)值或理論值為主；

（2）該方法適應(yīng)于設(shè)置不同的違章限值。根據(jù)不同違章車速限值，該算法可自動(dòng)根據(jù)人為干預(yù)概率曲線與回歸對(duì)象決策樹的判斷結(jié)果進(jìn)行計(jì)算，從而智能向可信度更高理論值或量測(cè)值進(jìn)行回歸逼近，最終構(gòu)成最優(yōu)預(yù)測(cè)車速曲線；

（3）該方法可擴(kuò)展至溫度、里程等其他車輛狀態(tài)信息，只需根據(jù)參數(shù)的特點(diǎn)調(diào)整時(shí)間更新方程和決策樹中的參數(shù)關(guān)系即可。