考虑前车信息的CNN-BiLSTM的短时车速预测

摘要

提出一种考虑跟车信息的基于卷积神经网络(CNN)和双向长短时记忆神经网络(BiLSTM)车速预测模型，引入白鲨优化算法(WSO)对模型的超参数进行优化。综合考虑跟车时的前车信息和其他影响车速的因素，通过驾驶人在环平台采集相关数据，确定了加速踏板开度、制动踏板开度、自车车速、相对车距、相对车速、自车加速度6种变量作为WSO-CNN-BiLSTM模型的输入。通过数据的样本熵值确定变分模态分解的模态个数对数据进行降噪处理。仿真结果显示，考虑前车信息的多输入预测模型相比单一输入预测精度有所提高，且所建立的模型与SVR(support vector regression)、LSTM、CNN和TCN(temporal convolutional network)相比，RMSE值分别降低了63.39%、11.45%、58.45%、42.58%,MAE值分别降低了59.09%、8.09%、57.29%、38.99%,提高了车速预测精度。

关键词

车速预测 / 前车信息 / 变分模态分解 / 卷积神经网络 / 双向长短时记忆神经网络