張 毅,黃韜一,劉寅童

(1.重慶理工大學(xué) 車輛工程學(xué)院, 重慶 400054; 2.重慶長(zhǎng)安汽車股份有限公司, 重慶 400020)

0 引言

汽車是一種便利高效的交通工具,如今在人們的生活中已不可或缺。傳統(tǒng)燃油車對(duì)燃料的需求造成了棘手的能源危機(jī),各種尾氣的排放也引出了環(huán)境污染等問題。而電動(dòng)車等新能源汽車則是解決這些問題的主要手段[1]。但由于不能精確地預(yù)測(cè)車輛的未來能耗與剩余行駛里程,導(dǎo)致新能源車廠選擇保守的整車能量管理策略[2],同時(shí)也加劇用戶的里程焦慮。針對(duì)此問題,目前出現(xiàn)了許多針對(duì)電動(dòng)車未來能耗的預(yù)估方法。林仕立等[3]進(jìn)行基于SOE (state of energy)的純電動(dòng)車剩余行駛里程預(yù)測(cè),相較于傳統(tǒng)SOC (state of charge)的預(yù)測(cè)方法,預(yù)測(cè)精度可以提升4.09%。劉光明等[4]將電池容量估計(jì)和能耗預(yù)測(cè)結(jié)合,利用純電動(dòng)汽車相關(guān)測(cè)試數(shù)據(jù)和基于最小二乘法的能耗估計(jì)公式,得到預(yù)測(cè)的剩余續(xù)航里程。Rodgers等[5]使用多元回歸方法分析出車輛行駛速度、環(huán)境溫度、交通狀況等因素與能耗變化之間的關(guān)系,然后根據(jù)車輛歷史能耗數(shù)據(jù)預(yù)測(cè)未來能耗值。Pan等[6]提出基于工況識(shí)別與預(yù)測(cè)相結(jié)合的電動(dòng)車行駛里程估計(jì)模型。該模型基于核主成分特征參數(shù)和模糊算法對(duì)駕駛工況進(jìn)行識(shí)別,以建立特征參數(shù)與能耗之間的模糊關(guān)系,進(jìn)而利用馬爾可夫和神經(jīng)網(wǎng)絡(luò)算法預(yù)測(cè)未來車輛的行駛工況。Yu等[7]使用基于聚類分析的車輛行駛狀態(tài)識(shí)別方法,確定車輛行駛能耗需求,在空間域內(nèi)將行駛道路分割成若干小的行駛片段,并根據(jù)交通狀況、道路信息及駕駛行為特性等對(duì)各區(qū)段內(nèi)的車輛行車狀態(tài)進(jìn)行狀態(tài)識(shí)別,進(jìn)而預(yù)測(cè)各段能耗需求。Lee等[8]基于大數(shù)據(jù)理論,利用聚類算法分析不同駕駛模式下的能量效率,再結(jié)合動(dòng)力電池的老化模型,較高精度地估計(jì)純電動(dòng)車的SOC與行駛里程。

現(xiàn)有研究仍有較大的改進(jìn)空間。首先,現(xiàn)有研究并未充分考慮到實(shí)時(shí)車流狀況對(duì)能耗的影響。其次,現(xiàn)有實(shí)驗(yàn)驗(yàn)證大多基于理想情況下的假設(shè)條件,并沒有進(jìn)行真實(shí)車輛道路實(shí)驗(yàn)驗(yàn)證。這導(dǎo)致其數(shù)據(jù)過于理想化,缺少實(shí)際可行性?；谝陨喜蛔?為精確且穩(wěn)定地預(yù)測(cè)車輛的未來行駛工況,本文基于百度地圖API (application programming interface)接口的實(shí)時(shí)車流信息和實(shí)車OBD (on-board diagnostics)獲取的單車歷史行駛數(shù)據(jù),建立了一個(gè)基于機(jī)器學(xué)習(xí)的車輛行駛工況預(yù)測(cè)模型,并使用實(shí)車在環(huán)平臺(tái)進(jìn)行實(shí)車路試實(shí)驗(yàn)。

本文提出的預(yù)測(cè)算法流程如圖1所示。其中,實(shí)車在環(huán)平臺(tái)中測(cè)試車輛所獲取的單車行駛數(shù)據(jù)(見1.4節(jié))與百度地圖API所提供的車流數(shù)據(jù)(見1.5節(jié))在被預(yù)處理和特征參數(shù)提取后,將在云端服務(wù)器中用以離線訓(xùn)練機(jī)器學(xué)習(xí)預(yù)測(cè)算法。通過EM (expectation maximization)聚類分析,將歷史行車數(shù)據(jù)分成8種典型行駛工況(見2.1節(jié)),并用于訓(xùn)練RBF (radial basis function)分類器(見2.2節(jié))。最后,利用訓(xùn)練好的RBF分類器根據(jù)百度地圖API提供的實(shí)時(shí)車流信息,以預(yù)測(cè)汽車的未來行駛工況類型及其平均能耗,從而得到未來SOC(即剩余續(xù)航里程)的變化趨勢(shì)。

圖1 基于百度地圖API的車輛行駛工況預(yù)測(cè)算法流程

1 實(shí)車在環(huán)實(shí)驗(yàn)平臺(tái)

1.1 車聯(lián)網(wǎng)與云計(jì)算

傳統(tǒng)車載控制器的計(jì)算能力與存儲(chǔ)空間無法滿足實(shí)時(shí)運(yùn)行車輛未來工況預(yù)測(cè)算法的需求。本研究使用云端服務(wù)器作為計(jì)算與通信中樞,如圖2所示。云端服務(wù)器存儲(chǔ)著通過車載OBD獲取的單車數(shù)據(jù),以及通過百度地圖API接口獲取的實(shí)時(shí)車流信息。這二者共同作為歷史數(shù)據(jù),用于離線訓(xùn)練基于機(jī)器學(xué)習(xí)的云端預(yù)測(cè)算法。在實(shí)車實(shí)驗(yàn)中,云端服務(wù)器使用離線訓(xùn)練完成的機(jī)器學(xué)習(xí)預(yù)測(cè)算法,并根據(jù)百度地圖API提供的實(shí)時(shí)車流信息,對(duì)未來行駛工況進(jìn)行在線預(yù)測(cè)。

1.2 實(shí)車在環(huán)設(shè)備

本實(shí)驗(yàn)使用長(zhǎng)安逸動(dòng)純電動(dòng)汽車作為在環(huán)車輛。如圖3所示,實(shí)驗(yàn)中涉及的車載硬件子系統(tǒng)包括:USB轉(zhuǎn)CAN接口卡,筆記本電腦,GPS模塊。實(shí)車在環(huán)相關(guān)實(shí)驗(yàn)設(shè)備如圖4所示。測(cè)試車輛的具體參數(shù)見表1。

圖2 云數(shù)據(jù)處理示意圖

圖3 上路測(cè)試車輛

圖4 實(shí)車在環(huán)相關(guān)實(shí)驗(yàn)設(shè)備

表1 測(cè)試車輛參數(shù)

此外,本文在汽車OBD通信協(xié)議的基礎(chǔ)上設(shè)計(jì)了一套能夠讀取車載OBDII接口數(shù)據(jù)的軟硬件系統(tǒng)[9]。通過USBCAN-4E-U接口卡與車載CAN總線進(jìn)行數(shù)據(jù)交換,讀取車輛行駛狀態(tài)相關(guān)數(shù)據(jù)(即單車數(shù)據(jù)),并通過4G LTE (long term evolution)網(wǎng)絡(luò)實(shí)時(shí)上傳到云端服務(wù)器并作為歷史數(shù)據(jù),建立一個(gè)未來行駛工況的預(yù)測(cè)模型。數(shù)據(jù)的具體情況在1.4節(jié)中介紹。

1.3 電池仿真模型

測(cè)試車輛(長(zhǎng)安逸動(dòng))自帶的電池系統(tǒng)的SOC檢測(cè)僅精確到個(gè)位數(shù),無法滿足本文的實(shí)時(shí)預(yù)測(cè)算法的精度需求,故在云端建立了一個(gè)電池軟件仿真模型,根據(jù)實(shí)車OBD的驅(qū)動(dòng)功率,實(shí)時(shí)計(jì)算電池SOC的變化量。如圖5所示,電池等效電路模型為一個(gè)經(jīng)典的內(nèi)阻模型。圖中,電池開路電壓Voc(V)和等效電阻Rin(Ω)均為SOC的函數(shù)。

圖5 電池等效電路模型

Voc和Rin的具體參數(shù)使用的是某型號(hào)磷酸鐵鋰電池的實(shí)測(cè)參數(shù)[10],如圖6所示。

圖6 電池開路電壓與等效內(nèi)阻

根據(jù)圖5中的模型和圖6中的Voc和Rin的數(shù)據(jù),使用安時(shí)法即可求得ΔSOC[11]:

(1)

式中:Qbattery為電池電量,即電池額定容量,Ah;Pbattery為電池輸入的電功率,W,根據(jù)車輛驅(qū)動(dòng)功率算得,計(jì)算過程的解釋參見文獻(xiàn)[11]。Pbattery正為放電,負(fù)為充電。

1.4 行駛路徑與歷史數(shù)據(jù)采集

本文主要研究在預(yù)定路線上行駛的車輛,如通勤交通和公共交通,故需要先規(guī)劃好實(shí)驗(yàn)路徑。為方便實(shí)驗(yàn),選取了學(xué)校附近的一段約20.6 km的閉環(huán)路段,包括紅光大道(1、2、16)、渝南大道(3、4、5、6)、學(xué)府大道(7、8)、南濱路(9、10、11)、巴濱路(12、13、14、15)。具體線路如圖7所示。此行駛路徑路況相對(duì)復(fù)雜,包含非常通暢到嚴(yán)重?fù)矶碌雀鞣N路況,可確保本實(shí)驗(yàn)結(jié)論對(duì)于不同行駛工況都具有普適性。

圖7 道路測(cè)試的行駛路線

通過實(shí)車行駛實(shí)驗(yàn),從行駛路線中收集若干歷史行駛數(shù)據(jù)。數(shù)據(jù)采集時(shí)間為下午17∶30左右的典型下班高峰時(shí)段。為了減少駕駛員的駕駛習(xí)慣對(duì)所記錄數(shù)據(jù)的影響,在保障安全和遵守規(guī)則的前提下,駕駛員被要求盡可能地跟隨車流行駛。為優(yōu)化數(shù)據(jù)處理過程,增加數(shù)據(jù)的可靠性與穩(wěn)定性,筆者根據(jù)路徑中的地理特征(如十字路口和紅綠燈),將行駛數(shù)據(jù)分割分為16個(gè)路段,即文獻(xiàn)[12]中的“微行程”。一組良好分割的“微行程”可以簡(jiǎn)化數(shù)據(jù)處理,并增強(qiáng)其魯棒性。

實(shí)車采集的行駛數(shù)據(jù)包括車速、油門開度、整車功率和電機(jī)功率(見圖8)。為方便后續(xù)進(jìn)行聚類分析,需要對(duì)歷史數(shù)據(jù)提取特征值和篩選數(shù)據(jù)。提取出的特征參數(shù)如表2所示,將作為后續(xù)聚類分析的樣本數(shù)據(jù)。

圖8 OBD單車行駛數(shù)據(jù)記錄

表2 來自車輛OBD接口的特征參數(shù)

1.5 百度地圖API

百度地圖Web服務(wù)API為開發(fā)者提供了http和https接口。開發(fā)者可以通過http/https形式發(fā)起檢索請(qǐng)求,用以獲取以json或xml格式的返回的包含相關(guān)車流信息的檢索數(shù)據(jù)。本文中車流信息數(shù)據(jù)的收集主要使用到了百度地圖API中的實(shí)時(shí)路況查詢服務(wù)(Traffic API)和批量算路服務(wù)(RouteMatrix API)。其中,前者提供了表3中的第1、2行數(shù)據(jù),即擁堵狀況與擁堵方向;后者提供表3中第3行數(shù)據(jù),即車流平均速度。

表3 來自百度地圖API的特征參數(shù)

實(shí)時(shí)路況查詢服務(wù)用于查詢指定道路或區(qū)域的實(shí)時(shí)擁堵情況和擁堵趨勢(shì)。擁堵狀況大致有未知、非常暢通、暢通、擁堵、嚴(yán)重?fù)矶碌?。若出現(xiàn)擁堵,則可用擁堵方向來判斷是否影響此次的采集數(shù)據(jù)(若同向,則影響;若反向,則無影響)。百度地圖API車流信息如圖9所示。

圖9 百度地圖API車流信息

批量算路服務(wù)可以根據(jù)起點(diǎn)和終點(diǎn)坐標(biāo)計(jì)算路段行駛距離并預(yù)測(cè)行駛時(shí)間。表3中的車流平均速度由路段行駛距離除以批量算路服務(wù)提供的預(yù)測(cè)行駛時(shí)間得到。車流平均速度代表車流通過某路段的平均速度,并且包括了停車等待時(shí)間。而實(shí)車OBD的特征參數(shù)數(shù)據(jù)中的平均速度則不包括停車等待時(shí)間。因此車流速度會(huì)略慢于實(shí)車OBD中的平均速度。利用這些數(shù)據(jù),可以獲取相關(guān)道路的車流信息,包括擁堵相關(guān)情況與車流平均速度情況。

本章介紹了云端服務(wù)器與實(shí)車在環(huán)實(shí)驗(yàn)平臺(tái)的搭建過程,以及從規(guī)劃的行駛路徑中采集的實(shí)車OBD單車數(shù)據(jù)和從百度地圖API中獲取的車流信息。這兩者一并作為歷史數(shù)據(jù),經(jīng)預(yù)處理后上傳至云端服務(wù)器。將用其訓(xùn)練后續(xù)章節(jié)中介紹的機(jī)器學(xué)習(xí)預(yù)測(cè)算法,以此達(dá)到預(yù)測(cè)未來行駛工況的目的。

2 預(yù)測(cè)算法

2.1 EM聚類分析

本文基于百度地圖API車流數(shù)據(jù)與實(shí)車OBD行駛數(shù)據(jù),應(yīng)用EM算法[13]對(duì)其進(jìn)行聚類分析。根據(jù)表2和表3數(shù)據(jù)中具有代表性的特征參數(shù),EM算法將其微行程數(shù)據(jù)通過聚類分析分成8種行駛工況,以此來反映汽車的行駛周期行為。EM算法類似于K-means算法[14],都是通過對(duì)迭代過程的模型進(jìn)行優(yōu)化來尋找最優(yōu)的聚類方式,但K-means使用歐幾里得距離來測(cè)量2個(gè)數(shù)據(jù)樣本之間的距離,而EM則采用統(tǒng)計(jì)方法。有2種方法可以從EM算法中得到K-means算法:其一是將聚類方差取極限值為零;其二是假設(shè)方差足夠小,相比簇與簇之間的距離可以忽略不計(jì)。而本研究使用的EM算法具體如下。

首先,在n維樣本空間χ里,假定x=(x1,x2,…,xn)為隨機(jī)向量,表示表2和表3中百度地圖API與車輛OBD數(shù)據(jù)的特征參數(shù)向量。若x服從高斯分布,則其概率密度函數(shù)為

(2)

式中:μ是n維均值向量;Σ是n×n協(xié)方差矩陣。

其次,如果EM將樣本數(shù)據(jù)通過聚類分析分成k組,即C={C1,C2,…,Ck},則可以定義一個(gè)高斯混合分布

(3)

然后,如果樣本集合D={x1,x2,…,xm}表示圖8和圖9中的歷史樣本數(shù)據(jù),那么后驗(yàn)概率定義xj∈cj定義為

(4)

最后,本文采用的EM聚類分析算法具體描述如下。

1) 初始化:輸入混合高斯分布的模型參數(shù){(αi,μi,Σi)|1≤i≤k}

2) E步,根據(jù)式(3)計(jì)算每個(gè)混合高斯分布的后驗(yàn)概率,即

γji=pM(zj=i|xj)=1≤i≤k)

(5)

3) M步,計(jì)算混合高斯分布的新參數(shù)如下

(6)

新協(xié)方差矩陣

(7)

(8)

4) 更新模型參數(shù),重復(fù)2)3)直至聚類結(jié)果收斂。

5) 輸出:各樣本xj通過聚類分析歸入相應(yīng)的簇

(9)

算法中選擇的聚類類型Cλj是按照最大后驗(yàn)概率γji來選擇的。

基于以上特征參數(shù),以路況的擁堵情況和能耗的高低為參照,將圖8和圖9中的歷史駕駛數(shù)據(jù)最后聚成8類,設(shè)定k=8時(shí),代表性最為典型,其聚類分析結(jié)果如圖10所示。聚類完成后,從中選取2個(gè)最具有代表性的特征參數(shù),平均能耗和平均時(shí)耗來描述聚類分析的結(jié)果,如圖11、圖12和表4所示。

聚類分析所得的結(jié)果,是具有子工況標(biāo)簽的樣本的特征參數(shù),將用來訓(xùn)練后續(xù)的RBF神經(jīng)網(wǎng)絡(luò)分類器。

圖10 子工況類型聚類分析結(jié)果

圖11 子工況能耗概率分布直方圖

圖12 子工況時(shí)耗概率分布直方圖

表4 交通情況特征的匹配

2.2 基于RBF神經(jīng)網(wǎng)絡(luò)的數(shù)據(jù)分類器

在2.1節(jié)中,EM算法將歷史駕駛數(shù)據(jù)分為8個(gè)子類型。本節(jié)使用聚類后的各個(gè)樣本數(shù)據(jù)中的百度地圖API中的特征參數(shù)(即交通狀況、車流方向、車流速度),及其對(duì)應(yīng)的子工況類型來訓(xùn)練RBF神經(jīng)網(wǎng)絡(luò)[15]。完成訓(xùn)練后,RBF網(wǎng)絡(luò)可以使用百度地圖的車流信息在線對(duì)各路段的未來行駛狀況進(jìn)行分類,其分類結(jié)果可作為預(yù)測(cè)的未來行駛狀態(tài)。

圖13表示的RBF神經(jīng)網(wǎng)絡(luò)是一個(gè)3層結(jié)構(gòu)的局部逼近網(wǎng)絡(luò)。神經(jīng)元作為分布點(diǎn)的輸入層由表3中微行程數(shù)據(jù)的特征參數(shù)表示。隱藏層使用類高斯徑向基函數(shù)(Rj(x))作為激活函數(shù):

(10)

式中:x=(x1,x2,…,xN)是表3中的特征參數(shù)的輸入層的輸入向量,表示百度地圖API的特征參數(shù)向量;Cj是隱藏層中第j個(gè)RBF神經(jīng)單元的中心向量;σj是這個(gè)單位的半徑。而輸出層使用隱藏層結(jié)果的加權(quán)和作為子條件i的輸出信號(hào)。

(11)

式中:ωij是隱藏層中第j個(gè)單元與輸出層中第i個(gè)輸出之間的鏈接權(quán)重;ωi是第i個(gè)輸出的位移。 最后將輸入數(shù)據(jù)x分類為子條件ε,得到最高的輸出yi如下:

(12)

式中,ε是最高輸出的簇標(biāo)簽,代表車輛的交通情況特征。

圖13 N輸入、H隱神經(jīng)元、K輸出的RBF網(wǎng)絡(luò)

本節(jié)介紹了RBF網(wǎng)絡(luò)分類器的使用過程。車輛在行駛前,通過百度地圖API獲取實(shí)時(shí)車流信息,即表3中的交通狀況與車流方向和速度。完成訓(xùn)練的RBF網(wǎng)絡(luò)根據(jù)實(shí)時(shí)車流信息,對(duì)各路段的行駛狀態(tài)進(jìn)行分類預(yù)測(cè),進(jìn)而獲得未來行駛工況。根據(jù)RBF網(wǎng)絡(luò)給出的分類結(jié)果(即未來行駛工況的類型),同時(shí)參考圖11和圖12中能耗與時(shí)耗的數(shù)學(xué)期望,以及表4中交通情況特征的描述,即可預(yù)測(cè)得到車輛未來行駛工況的子類型及其平均能耗與時(shí)耗。

3 實(shí)車上路實(shí)驗(yàn)

3.1 實(shí)驗(yàn)條件與背景

通過實(shí)車上路試驗(yàn),以驗(yàn)證本文提出的在線預(yù)測(cè)算法的準(zhǔn)確性。為保證實(shí)驗(yàn)的可靠性,所采取的實(shí)驗(yàn)路線與采集歷史數(shù)據(jù)時(shí)的路線保持一致,如圖7所示。測(cè)試車輛于下午17∶35出發(fā),為下班高峰期。行駛路線中的渝南大道(3、4、5、6)通常會(huì)出現(xiàn)嚴(yán)重堵車,而南濱路與巴濱路(9、10、11、12、13、14、15)的路況則相對(duì)通暢。實(shí)驗(yàn)包含多種類型的工況數(shù)據(jù)(如擁堵工況與通暢工況),此布置能滿足實(shí)驗(yàn)對(duì)數(shù)據(jù)多樣性的需求。本實(shí)驗(yàn)路段全長(zhǎng)20.6 km,行駛時(shí)間大約50 min,因此SOC設(shè)置為0.7,保證電量的充足以滿足行駛需求。實(shí)驗(yàn)條件總結(jié)如表5所示。

表5 實(shí)驗(yàn)條件參數(shù)

3.2 實(shí)驗(yàn)結(jié)果分析

圖14為實(shí)車路試實(shí)驗(yàn)的結(jié)果數(shù)據(jù),包括通過云端服務(wù)器記錄的實(shí)車數(shù)據(jù)和對(duì)應(yīng)的預(yù)測(cè)數(shù)據(jù)。因?yàn)楸緦?shí)驗(yàn)使用的是純電動(dòng)汽車,其SOC變化量直接對(duì)應(yīng)著整車能耗水平,所以本文用SOC變化趨勢(shì)表征整車能耗,包括實(shí)際值與預(yù)測(cè)值。在時(shí)域中(圖14(b)),SOC實(shí)際值(即整車能耗)呈非線性,且波動(dòng)較大,導(dǎo)致預(yù)測(cè)困難。而在空間域中(圖14(a)),SOC實(shí)際值相對(duì)更為線性,故預(yù)測(cè)更為容易且準(zhǔn)確。這說明本文選擇在空間域進(jìn)行預(yù)測(cè),即1.4節(jié)將行駛數(shù)據(jù)按空間域劃分為16段,是合理的,且可以簡(jiǎn)化預(yù)測(cè)的難度。

圖14 實(shí)車上路結(jié)果

圖14(a)的第1類型包含多種擁堵與通暢工況,說明本文的實(shí)驗(yàn)設(shè)置能夠滿足數(shù)據(jù)多樣性的要求。圖14(a)的第2行子圖為實(shí)時(shí)的整車功率。

圖14(a)的第3行子圖是對(duì)車輛SOC的估計(jì)值,其SOC預(yù)測(cè)值、SOC的預(yù)測(cè)上限和下限由3σ準(zhǔn)則所確定。具體而言,圖15表示某一預(yù)測(cè)工況下的平均能耗概率分布直方圖,近似符合正態(tài)分布,圖中間的紅線為平均能耗期望μ。根據(jù)平均能耗μ可計(jì)算出的SOC的變化趨勢(shì)對(duì)應(yīng)于圖14(a)、(b)第3行中的橙色實(shí)線。圖15左右的2條紅色虛線則為期望減或者加一個(gè)單位的標(biāo)準(zhǔn)差,即(μ-σ)或者(μ+σ),對(duì)應(yīng)圖14(a)中的綠色虛線和紫色虛線,表示預(yù)估能耗的上/下限,即預(yù)測(cè)SOC的下/上限。根據(jù)3σ準(zhǔn)則,2條虛線之間的直方柱面積占總體直方圖面積的68.27%,即實(shí)驗(yàn)中的平均能耗分布在此區(qū)間(μ-σ,μ+σ)的概率為0.682 7,當(dāng)實(shí)驗(yàn)偏差超過此區(qū)間時(shí),認(rèn)為數(shù)據(jù)預(yù)測(cè)不合格。在圖14中,代表實(shí)際SOC的藍(lán)色實(shí)線始終位于代表預(yù)測(cè)值上/下限的紫色虛線與綠色虛線所形成的黃帶中,并且與橙色實(shí)線(預(yù)測(cè)SOC的數(shù)學(xué)期望)非常接近,這說明此預(yù)測(cè)結(jié)果較為準(zhǔn)確。

圖15 平均能耗概率分布直方圖示例

表6列出了SOC預(yù)測(cè)值(數(shù)學(xué)期望)與SOC實(shí)際值的平均誤差,其中誤差最大值僅為0.63%,這說明預(yù)測(cè)具有較高的準(zhǔn)確率。

表6 預(yù)測(cè)值與實(shí)際值的誤差百分比

4 結(jié)論

為更準(zhǔn)確地預(yù)測(cè)電動(dòng)汽車的未來行駛工況,搭建了實(shí)車在環(huán)實(shí)驗(yàn)平臺(tái)并利用百度地圖API智能交通系統(tǒng)以獲取實(shí)時(shí)車流信息。將所采集的歷史行車數(shù)據(jù)OBD與API實(shí)時(shí)車流信息相結(jié)合,并使用EM聚類分析的結(jié)果來訓(xùn)練RBF神經(jīng)網(wǎng)絡(luò)分類器。而完成訓(xùn)練的RBF神經(jīng)網(wǎng)絡(luò)可以利用百度API獲取的實(shí)時(shí)車流信息對(duì)車輛進(jìn)行平均能耗及行駛工況的預(yù)測(cè)。實(shí)車在環(huán)實(shí)驗(yàn)證明了預(yù)測(cè)算法的準(zhǔn)確性較高,可滿足預(yù)測(cè)需求。