摘要：汽車能量的分析和管理離不開具體的行駛工況條件，因此車輛工況的構(gòu)建和預(yù)測(cè)顯得尤為重要。針對(duì)商用車，對(duì)典型車速工況進(jìn)行數(shù)據(jù)處理后，首先利用ARIMA模型捕捉車速時(shí)間序列的趨勢(shì)和周期性變化，判斷時(shí)序數(shù)據(jù)是否具有季節(jié)性，然后，分別利用ARIMA-LSTM和NOA-RBF完成時(shí)間序列預(yù)測(cè)。結(jié)果表明，兩種組合算法的應(yīng)用提高了預(yù)測(cè)的精度和魯棒性，降低了預(yù)測(cè)時(shí)間，為后續(xù)的能量管理與分析、控制以及智能駕駛奠定了堅(jiān)實(shí)基礎(chǔ)。

關(guān)鍵詞：商用車；雙模式工況預(yù)測(cè)；平穩(wěn)性

中圖分類號(hào)：U461" " " "收稿日期：2025-02-20" " " " DOI：10.19999/j.cnki.1004-0226.2025.04.011

Vehicle Speed Condition Prediction Based on

ARIMA-LSTM with RBF-NOA

Lu Zhengyuan Yang Changbo Li Jun Bao Jiading Zheng Weiguang

1.School of Electromechanical Engineering，Guilin University of Electronic Science and Technology，Guilin 541004，China

2.Commercial Vehicle Technology Center，Dongfeng Liuzhou Automobile Co.，Ltd.，Liuzhou 545005，China

3.School of Mechanical and Automotive Engineering，Guangxi University of Science and Technology，Liuzhou 545616，China

Abstract：The analysis and management of automobile energy cannot be separated from the specific driving conditions， so the construction and prediction of vehicle conditions are particularly important. In this paper， for commercial vehicles， after data processing of typical vehicle speed working conditions， the ARIMA model is firstly used to capture the trend and periodic change of vehicle speed time series， and to judge whether the time series data is seasonal or not， and according to the judgment， the time series prediction is completed by using ARIMA-LSTM and NOA-RBF respectively. The application of the two combined algorithms improves the accuracy and robustness of the prediction， reduces the prediction time， and lays a solid foundation for the subsequent energy management and analysis， control， and intelligent driving.

Key words：Commercial vehicles；Dual mode operating conditions prediction；Smoothness

1 前言

車速預(yù)測(cè)在智能駕駛汽車和智能交通系統(tǒng)中具有重要作用。通過精確的車速預(yù)測(cè)，可以提高自動(dòng)駕駛系統(tǒng)的安全性和可靠性，例如通過預(yù)測(cè)未來幾秒內(nèi)的車速信息，為模型預(yù)測(cè)控制（MPC）或其他能量管理策略提供準(zhǔn)確的輸入?yún)?shù)。車速預(yù)測(cè)還可以用于網(wǎng)聯(lián)車輛的節(jié)能車速規(guī)劃。通過實(shí)時(shí)估算路口排隊(duì)長(zhǎng)度，網(wǎng)聯(lián)車輛可以預(yù)先規(guī)劃其行駛車速曲線，優(yōu)化行駛能耗需求，從而提高車輛動(dòng)力系統(tǒng)效率并降低行駛能耗[1-2]。這種方法不僅減少了車輛能耗，還提高了行駛效率。

車速工況預(yù)測(cè)在數(shù)據(jù)分析與應(yīng)用方面的歷史研究中很少對(duì)是否具備平穩(wěn)性這一特征進(jìn)行考究，劃分類別也基本局限于車速快慢。本文針對(duì)國(guó)內(nèi)單個(gè)商用車的車速預(yù)測(cè)，結(jié)合考慮商用車行駛特性以及交通時(shí)空等原因造成車速具備季節(jié)性和周期性，引入ARIMA分析歷史車速是否具備平穩(wěn)性、周期性，并以此作為劃分工況類別依據(jù)。根據(jù)類別，對(duì)應(yīng)使用ARIMA-LSTM預(yù)測(cè)模型和NOA-RBF預(yù)測(cè)模型。本文整體框架結(jié)構(gòu)如圖1所示。

現(xiàn)規(guī)定使得數(shù)據(jù)符合平穩(wěn)性要求的差分次數(shù)為0或1時(shí)，視原始數(shù)據(jù)具備平穩(wěn)性，對(duì)其采用ARIMA-LSTM預(yù)測(cè)算法進(jìn)行預(yù)測(cè)；使數(shù)據(jù)符合平穩(wěn)性要求的差分次數(shù)為2時(shí)，視原始數(shù)據(jù)不具備平穩(wěn)性，采用RBF-NOA預(yù)測(cè)算法進(jìn)行預(yù)測(cè)。初步假設(shè)CHTC-TT、C-WTVC工況可以視為穩(wěn)定駕駛風(fēng)格和規(guī)律較明顯工況；假設(shè)CHTC-HT工況不能視為平穩(wěn)工況。

2.1 平穩(wěn)類工況預(yù)測(cè)

2.1.1 ARIMA

ARIMA模型是一種時(shí)間序列預(yù)測(cè)模型，它結(jié)合了自回歸（AR）、差分（I）和移動(dòng)平均（MA）三個(gè)部分。AR模型確定當(dāng)前時(shí)間序列觀測(cè)值，是先前時(shí)間序列觀測(cè)值加上一些噪聲項(xiàng)的線性組合。I代表差分操作，它主要是對(duì)等周期間隔的數(shù)據(jù)進(jìn)行線性求減，從而使數(shù)據(jù)變得平穩(wěn)。MA中，當(dāng)前時(shí)間序列值是過去誤差的函數(shù)。移動(dòng)平均預(yù)測(cè)模型使用預(yù)測(cè)誤差的誤差值來改進(jìn)當(dāng)前的預(yù)測(cè)[3]。檢查數(shù)據(jù)的平穩(wěn)性，如果不平穩(wěn)，需要進(jìn)行差分處理，直到數(shù)據(jù)平穩(wěn)為止。ARIMA常用的差分方式為向前差分，公式如下：

2.1.2 ARIMA-LSTM

ARIMA模型是時(shí)序分析中的一種常用方法，其優(yōu)勢(shì)在于無需復(fù)雜的回歸分析，參數(shù)簡(jiǎn)潔明了且易于解釋。然而，作為線性建模技術(shù)，ARIMA在單獨(dú)使用時(shí)難以準(zhǔn)確捕捉數(shù)據(jù)的非線性特征。為了提升預(yù)測(cè)精度和模型性能，引入了長(zhǎng)短期記憶神經(jīng)網(wǎng)絡(luò)模型LSTM。ARIMA預(yù)測(cè)殘差作為L(zhǎng)STM的輸入，兩次預(yù)測(cè)值相結(jié)合后作為新的輸出預(yù)測(cè)結(jié)果。

ARIMA與LSTM的結(jié)合是一種有效的時(shí)間序列預(yù)測(cè)方法[4]，模型結(jié)合了ARIMA傳統(tǒng)統(tǒng)計(jì)模型和LSTM深度學(xué)習(xí)模型的優(yōu)勢(shì)，二者相輔相成，能夠更準(zhǔn)確地捕捉時(shí)間序列數(shù)據(jù)的線性趨勢(shì)、季節(jié)性變化和非線性模式和長(zhǎng)期依賴關(guān)系，具備更優(yōu)的泛化能力，提高了時(shí)間序列預(yù)測(cè)的準(zhǔn)確性。

2.2 非平穩(wěn)類工況預(yù)測(cè)

2.2.1 RBF徑向基網(wǎng)絡(luò)

RBF網(wǎng)絡(luò)是一種三層前向網(wǎng)絡(luò)，包括輸入層、隱藏層和輸出層，其拓?fù)浣Y(jié)構(gòu)簡(jiǎn)單，學(xué)習(xí)速度快，理論上可以任意精度逼近任何單值連續(xù)函數(shù)。其基本流程為：RBF神經(jīng)網(wǎng)絡(luò)初始化。確認(rèn)好輸入層、隱含層和輸出層神經(jīng)元數(shù)量，隨機(jī)生成權(quán)值，初始化隱含層閾值、輸出層閾值、激勵(lì)函數(shù)和學(xué)習(xí)率[5]。對(duì)于每個(gè)輸入樣本，應(yīng)用高斯函數(shù)作為激勵(lì)函數(shù)，計(jì)算隱藏層每個(gè)神經(jīng)元的輸出值，輸入輸出層計(jì)算結(jié)果，計(jì)算誤差，更新權(quán)值、閾值，誤差趨于穩(wěn)定并達(dá)到最終的預(yù)設(shè)精度，或者迭代達(dá)到最大次數(shù)，則神經(jīng)網(wǎng)絡(luò)訓(xùn)練結(jié)束，否則，重新循環(huán)[6]。

2.2.2 NOA星鴉優(yōu)化算法原理

式（10）的主要依據(jù)為星鴉當(dāng)前位置和參考的RP距離。第一、第二階段的勘探和開發(fā)都會(huì)進(jìn)行隨機(jī)選擇處理，最后根據(jù)優(yōu)化目標(biāo)對(duì)當(dāng)代和下代之間做一次擇優(yōu)判斷，擇優(yōu)迭代后完成一次迭代更新循環(huán)，循環(huán)迭代直到完成優(yōu)化目標(biāo)。

3 結(jié)果分析

在應(yīng)用ARIMA模型之前，需要對(duì)車速數(shù)據(jù)進(jìn)行預(yù)處理，去除0值和噪聲部分。首先分析第一類型的工況數(shù)據(jù)。經(jīng)過驗(yàn)證，工況類別的劃分符合前文假設(shè)。使用評(píng)價(jià)指標(biāo)R、MAE、RMSE評(píng)估模型性能。

表1和圖2顯示，ARIMA-LSTM綜合性能最優(yōu)。圖2中用紅線表示真實(shí)值，藍(lán)線表示預(yù)測(cè)值。在CHTC-TT和C-WTVC工況預(yù)測(cè)中，其精度較LSTM分別提升35.53%和54.7%。圖2中自上而下依次為ARIMA、LSTM和ARIMA-LSTM預(yù)測(cè)結(jié)果，可見誤差遞減，精度遞增，表明ARIMA-LSTM在周期性和平穩(wěn)車速預(yù)測(cè)中，優(yōu)于單獨(dú)使用ARIMA和LSTM。

在預(yù)測(cè)第二類工況時(shí)，由于優(yōu)化算法的引入，為了更準(zhǔn)確地評(píng)估模型的泛化能力，避免過擬合，決定在后續(xù)的研究中將數(shù)據(jù)集劃分為訓(xùn)練集和測(cè)試集。綜合考慮了優(yōu)化的維度和復(fù)雜程度、模型優(yōu)化運(yùn)行時(shí)間后，設(shè)置星鴉個(gè)數(shù)為5個(gè)，最大迭代次數(shù)500次，搜尋空間維度2維，將訓(xùn)練集和測(cè)試集的RMSE之和作為目標(biāo)函數(shù)。

表2顯示，在CHTC-HT預(yù)測(cè)中，NOA-RBF測(cè)試集表現(xiàn)最優(yōu)，其RMSE比RBF、CSSVM低15.33%、13.55%，精度更高。訓(xùn)練集誤差相近，故僅展示測(cè)試集預(yù)測(cè)結(jié)果，如圖3所示。NOA-RBF運(yùn)行時(shí)間短于CSSVM，數(shù)據(jù)跟隨精度和趨勢(shì)走向更貼近實(shí)際。綜合來看，NOA-RBF在運(yùn)行時(shí)間和精度上最優(yōu)，滿足后續(xù)能量管理與智能駕駛等對(duì)車速預(yù)測(cè)數(shù)據(jù)的精度要求。

4 結(jié)語

本文根據(jù)ARIMA的差分操作區(qū)分現(xiàn)實(shí)行駛工況中的穩(wěn)定和非穩(wěn)定工況，根據(jù)差分次數(shù)這一判斷依據(jù)，劃分工況類別后，基于算法運(yùn)行時(shí)間長(zhǎng)短、預(yù)測(cè)精度分別對(duì)不同類別的工況使用不同的預(yù)測(cè)方法。通過應(yīng)用這些優(yōu)化算法，不僅縮短了模型的訓(xùn)練時(shí)間，提升了模型的訓(xùn)練效率和性能，還通過精細(xì)的參數(shù)調(diào)優(yōu)獲得了更好的泛化性能。這些改進(jìn)不僅驗(yàn)證了優(yōu)化算法的有效性，也為模型在實(shí)際應(yīng)用中的部署提供了更強(qiáng)的技術(shù)支持。

參考文獻(xiàn)：

[1]李星輝，曾碧，魏鵬飛.基于流計(jì)算和大數(shù)據(jù)平臺(tái)的實(shí)時(shí)交通流預(yù)測(cè)[J].計(jì)算機(jī)工程與設(shè)計(jì)，2024，45（2）：553-561.

[2]郭書君，任衛(wèi)軍，陳倩倩，等.基于聚類多變量時(shí)間序列模型的交通流狀態(tài)實(shí)時(shí)預(yù)測(cè)[J/OL].計(jì)算機(jī)應(yīng)用，1-10[2024-11-23].http：//kns.cnki.net/kcms/detail/51.1307.TP.20241012.1732.004.html.

[3]郭興，馬彬，楊朝紅，等.考慮駕駛行為預(yù)判的改進(jìn)ARIMA車速短期預(yù)測(cè)方法[J].重慶理工大學(xué)學(xué)報(bào)（自然科學(xué)），2022，36（1）：51-59.

[4]Wang W，Ma B，Guo X，et al.A Hybrid ARIMA-LSTM Model for Short-Term Vehicle Speed Prediction[J]. Energies，2024，17（15），3736.

[5]Yufang L，Mingnuo C，Wanzhong Z，et al，Investigating long-term vehicle speed prediction based on BP-LSTM algorithms[J].IET Intell. Transp. Syst.，2019，13：1281-1290.

[6]Li Y F，Chen M N，Zhao W Z，et al.Investigating long-term vehicle speed prediction based on BP-LSTM algorithms[J].IET Intell. Transp .Syst.，2019，67：1281-1290.

[7]Abdel-Basset M，Mohamed R，Jameel M，，et al.Nutcracker optimizer：A novel nature-inspired metaheuristic algorithm for global optimization and engineering design problems[J].Knowledge-Based Systems，2023：110-248.

作者簡(jiǎn)介：

陸政元，男，2000年生，在讀研究生，研究方向?yàn)槠嚹芰苛鳌?/p>

李?。ㄍㄓ嵶髡撸?，1978年生，高級(jí)工程師，研究方向?yàn)槠嚹芰抗芾怼?/p>