基于坡度信息的前车车速预测方法、装置、设备及介质

本技术涉及智能网联技术以及云控系统，特别涉及一种基于坡度信息的前车车速预测方法、装置、设备及介质。

背景技术：

1、目前，车辆时间序列数据的预测研究方法可以归纳为：基于统计理论的预测方法、基于深度学习的预测方法以及基于模型的预测方法三类。

2、其中，基于模型的预测方法对车辆动力学模型精度要求较高，当模型参数出现偏差时，前车速度预测准确率难以保证，当前车为非网联车辆时，前车动力学模型参数仅靠自车传感器无法获取，使得基于物理模型的预测方法的局限性较大，同时物理模型可能忽略实际驾驶场景中的复杂性，例如驾驶者的行为、交通流变化以及道路的不确定性，对前车状态信息利用不够充分。

3、其次，现有的基于统计理论的预测方法以及基于深度学习的预测方法，大多数将前车速度视作关于时间的随机变量，输入较为单一，仅通过时间序列预测前车未来车速，未能充分利用前车所处位置的道路坡度对于前车速度潜在影响要素。当前车辆在高速公路上自由行驶时，道路坡度对于车辆速度有显著的影响，但该预测方法在预测自由行驶的前车车速时，并未将道路坡度这一影响因素整合到预测模型中，即并未将道路坡度作为输入量对前车车速进行预测，预测过程中缺少了影响前车速度的重要因素，且基于深度学习的预测方法可解释性弱，对数据的依赖性强，训练成本高。

4、综上所述，现有的前车速度预测算法仅依赖于运动的低级属性(动力学和运动学属性)，因此仅限于短期的速度预测，无法预测由于外部环境因素(如道路坡度起伏)引起的前车速度的变化，且预测精度较低，亟待解决。

技术实现思路

1、本技术提供一种基于坡度信息的前车车速预测方法、装置、设备及介质，以解决现有的前车速度预测算法预测时间短和预测精度低等问题。

2、本技术第一方面实施例提供一种基于坡度信息的前车车速预测方法，应用于离线训练阶段，包括以下步骤：采集目标车辆的历史车速信息和历史坡度信息，并通过所述历史车速信息和所述历史坡度信息构建车速预测训练数据集；根据所述车速预测训练数据集确定所述车速预测训练数据集对应的核函数；基于所述车速预测训练数据集和所述核函数，训练预设的高斯过程回归先验模型，生成车速预测模型，以通过所述车速预测模型预测所述目标车辆的行驶速度。

3、可选地，在本技术的一个实施例中，所述采集目标车辆的历史车速信息和历史坡度信息，并通过所述历史车速信息和所述历史坡度信息构建车速预测训练数据集，包括：采集所述目标车辆的历史位置信息；根据预设的采样周期、所述历史位置信息和预设云端地图生成所述目标车辆的历史坡度信息，并记录所述历史坡度信息的采集时间；获取所述目标车辆的历史车速信息，并基于所述历史坡度信息、所述采集时间和所述历史车速信息，构建所述车速预测训练数据集。

4、可选地，在本技术的一个实施例中，所述基于所述车速预测训练数据集和所述核函数，训练预设的高斯过程回归先验模型，生成车速预测模型，包括：基于所述车速预测训练数据集和所述核函数，确定所述高斯过程回归先验模型；通过所述车速预测训练数据集训练所述高斯过程回归先验模型，生成所述核函数的最优超参数，并根据所述最优超参数构建所述车速预测模型。

5、本技术第二方面实施例提供一种基于坡度信息的前车车速预测方法，应用于在线检测阶段，其中，包括以下步骤：获取待测车辆在目标采样时刻的位置坡度信息，并基于所述目标采样时刻和所述位置坡度信息，构建车速预测数据集；根据所述车速预测数据集确定所述待测车辆的车速预测值的条件后验分布；将所述条件后验分布输入至预先训练的车速预测模型，以获取所述待测车辆在所述目标采样时刻的车速预测值，其中，所述车速预测模型通过利用预设的车速预测训练数据集对预设的高斯过程回归先验模型进行训练得到。

6、可选地，在本技术的一个实施例中，所述根据所述车速预测数据集确定所述待测车辆的车速预测值的条件后验分布，包括：基于所述车速预测数据集，确定高斯过程回归后验模型；根据所述车速预测数据集和所述高斯过程回归后验模型计算所述车速预测值的条件后验分布。

7、可选地，在本技术的一个实施例中，所述将所述条件后验分布输入至预先训练的车速预测模型，以获取所述待测车辆在所述目标采样时刻的车速预测值，包括：基于所述条件后验分布和所述车速预测模型，计算所述条件后验分布的均值；根据所述均值确定所述待测车辆在所述目标采样时刻的车速预测值。

8、本技术第三方面实施例提供一种基于坡度信息的前车车速预测装置，应用于离线训练阶段，包括：第一构建模块，用于采集目标车辆的历史车速信息和历史坡度信息，并通过所述历史车速信息和所述历史坡度信息构建车速预测训练数据集；第一确定模块，用于根据所述车速预测训练数据集确定所述车速预测训练数据集对应的核函数；训练模块，用于基于所述车速预测训练数据集和所述核函数，训练预设的高斯过程回归先验模型，生成车速预测模型，以通过所述车速预测模型预测所述目标车辆的行驶速度。

9、可选地，在本技术的一个实施例中，所述第一构建模块包括：采集单元，用于采集所述目标车辆的历史位置信息；第一生成单元，用于根据预设的采样周期、所述历史位置信息和预设云端地图生成所述目标车辆的历史坡度信息，并记录所述历史坡度信息的采集时间；获取单元，用于获取所述目标车辆的历史车速信息，并基于所述历史坡度信息、所述采集时间和所述历史车速信息，构建所述车速预测训练数据集。

10、可选地，在本技术的一个实施例中，所述训练模块包括：第一建模单元，用于基于所述车速预测训练数据集和所述核函数，确定所述高斯过程回归先验模型；第二生成单元，用于通过所述车速预测训练数据集训练所述高斯过程回归先验模型，生成所述核函数的最优超参数，并根据所述最优超参数构建所述车速预测模型。

11、本技术第四方面实施例提供一种基于坡度信息的前车车速预测装置，应用于在线预测阶段，包括：第二构建模块，用于获取待测车辆在目标采样时刻的位置坡度信息，并基于所述目标采样时刻和所述位置坡度信息，构建车速预测数据集；第二确定模块，用于根据所述车速预测数据集确定所述待测车辆的车速预测值的条件后验分布；预测模块，用于将所述条件后验分布输入至预先训练的车速预测模型，以获取所述待测车辆在所述目标采样时刻的车速预测值，其中，所述车速预测模型通过利用预设的车速预测训练数据集对预设的高斯过程回归先验模型进行训练得到。

12、可选地，在本技术的一个实施例中，所述第二确定模块包括：第二建模单元，用于基于所述车速预测数据集，确定高斯过程回归后验模型；第一计算单元，用于根据所述车速预测数据集和所述高斯过程回归后验模型计算所述车速预测值的条件后验分布。

13、可选地，在本技术的一个实施例中，所述预测模块包括：第二计算单元，用于基于所述条件后验分布和所述车速预测模型，计算所述条件后验分布的均值；均值单元，用于根据所述均值确定所述待测车辆在所述目标采样时刻的车速预测值。

14、本技术第五方面实施例提供一种电子设备，包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述程序，以实现如上述实施例所述的基于坡度信息的前车车速预测方法。

15、本技术第六方面实施例提供一种计算机可读存储介质，所述计算机可读存储介质存储计算机程序，该程序被处理器执行时实现如上的基于坡度信息的前车车速预测方法。

16、由此，本技术的实施例具有以下有益效果：

17、本技术的实施例可通过采集目标车辆的历史车速信息和历史坡度信息，并通过历史车速信息和历史坡度信息构建车速预测训练数据集；根据车速预测训练数据集确定车速预测训练数据集对应的核函数；基于车速预测训练数据集和核函数，训练预设的高斯过程回归先验模型，生成车速预测模型，以通过车速预测模型预测目标车辆的行驶速度。本技术不仅能够利用前车的历史速度序列，还可整合历史坡度序列信息，从而有效提升了预测时长，改善了预测精度，为实现安全、经济的跟车行驶提供了重要的技术支撑。由此，解决了现有的前车速度预测算法预测时间短和预测精度低等问题。

18、本技术附加的方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本技术的实践了解到。