基于ARIMA-LSTM與RBF-NOA的車速工況預測

摘要：汽車能量的分析和管理離不開具體的行駛工況條件，因此車輛工況的構建和預測顯得尤為重要。針對商用車，對典型車速工況進行數據處理后，首先利用ARIMA模型捕捉車速時間序列的趨勢和周期性變化，判斷時序數據是否具有季節性，然后，分別利用ARIMA-LSTM和NOA-RBF完成時間序列預測。結果表明，兩種組合算法的應用提高了預測的精度和魯棒性，降低了預測時間，為后續的能量管理與分析、控制以及智能駕駛奠定了堅實基礎。

關鍵詞：商用車；雙模式工況預測；平穩性

中圖分類號：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

車速預測在智能駕駛汽車和智能交通系統中具有重要作用。通過精確的車速預測，可以提高自動駕駛系統的安全性和可靠性，例如通過預測未來幾秒內的車速信息，為模型預測控制（MPC）或其他能量管理策略提供準確的輸入參數。車速預測還可以用于網聯車輛的節能車速規劃。通過實時估算路口排隊長度，網聯車輛可以預先規劃其行駛車速曲線，優化行駛能耗需求，從而提高車輛動力系統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。

車速工況預測在數據分析與應用方面的歷史研究中很少對是否具備平穩性這一特征進行考究，劃分類別也基本局限于車速快慢。本文針對國內單個商用車的車速預測，結合考慮商用車行駛特性以及交通時空等原因造成車速具備季節性和周期性，引入ARIMA分析歷史車速是否具備平穩性、周期性，并以此作為劃分工況類別依據。根據類別，對應使用ARIMA-LSTM預測模型和NOA-RBF預測模型。本文整體框架結構如圖1所示。

現規定使得數據符合平穩性要求的差分次數為0或1時，視原始數據具備平穩性，對其采用ARIMA-LSTM預測算法進行預測；使數據符合平穩性要求的差分次數為2時，視原始數據不具備平穩性，采用RBF-NOA預測算法進行預測。初步假設CHTC-TT、C-WTVC工況可以視為穩定駕駛風格和規律較明顯工況；假設CHTC-HT工況不能視為平穩工況。

2.1 平穩類工況預測

2.1.1 ARIMA

ARIMA模型是一種時間序列預測模型，它結合了自回歸（AR）、差分（I）和移動平均（MA）三個部分。AR模型確定當前時間序列觀測值，是先前時間序列觀測值加上一些噪聲項的線性組合。I代表差分操作，它主要是對等周期間隔的數據進行線性求減，從而使數據變得平穩。MA中，當前時間序列值是過去誤差的函數。移動平均預測模型使用預測誤差的誤差值來改進當前的預測[3]。檢查數據的平穩性，如果不平穩，需要進行差分處理，直到數據平穩為止。ARIMA常用的差分方式為向前差分，公式如下：

2.1.2 ARIMA-LSTM

ARIMA模型是時序分析中的一種常用方法，其優勢在于無需復雜的回歸分析，參數簡潔明了且易于解釋。然而，作為線性建模技術，ARIMA在單獨使用時難以準確捕捉數據的非線性特征。為了提升預測精度和模型性能，引入了長短期記憶神經網絡模型LSTM。ARIMA預測殘差作為LSTM的輸入，兩次預測值相結合后作為新的輸出預測結果。

ARIMA與LSTM的結合是一種有效的時間序列預測方法[4]，模型結合了ARIMA傳統統計模型和LSTM深度學習模型的優勢，二者相輔相成，能夠更準確地捕捉時間序列數據的線性趨勢、季節性變化和非線性模式和長期依賴關系，具備更優的泛化能力，提高了時間序列預測的準確性。

2.2 非平穩類工況預測

2.2.1 RBF徑向基網絡

RBF網絡是一種三層前向網絡，包括輸入層、隱藏層和輸出層，其拓撲結構簡單，學習速度快，理論上可以任意精度逼近任何單值連續函數。其基本流程為：RBF神經網絡初始化。確認好輸入層、隱含層和輸出層神經元數量，隨機生成權值，初始化隱含層閾值、輸出層閾值、激勵函數和學習率[5]。對于每個輸入樣本，應用高斯函數作為激勵函數，計算隱藏層每個神經元的輸出值，輸入輸出層計算結果，計算誤差，更新權值、閾值，誤差趨于穩定并達到最終的預設精度，或者迭代達到最大次數，則神經網絡訓練結束，否則，重新循環[6]。

2.2.2 NOA星鴉優化算法原理

式（10）的主要依據為星鴉當前位置和參考的RP距離。第一、第二階段的勘探和開發都會進行隨機選擇處理，最后根據優化目標對當代和下代之間做一次擇優判斷，擇優迭代后完成一次迭代更新循環，循環迭代直到完成優化目標。

3 結果分析

在應用ARIMA模型之前，需要對車速數據進行預處理，去除0值和噪聲部分。首先分析第一類型的工況數據。經過驗證，工況類別的劃分符合前文假設。使用評價指標R、MAE、RMSE評估模型性能。

表1和圖2顯示，ARIMA-LSTM綜合性能最優。圖2中用紅線表示真實值，藍線表示預測值。在CHTC-TT和C-WTVC工況預測中，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預測結果，可見誤差遞減，精度遞增，表明ARIMA-LSTM在周期性和平穩車速預測中，優于單獨使用ARIMA和LSTM。

在預測第二類工況時，由于優化算法的引入，為了更準確地評估模型的泛化能力，避免過擬合，決定在后續的研究中將數據集劃分為訓練集和測試集。綜合考慮了優化的維度和復雜程度、模型優化運行時間后，設置星鴉個數為5個，最大迭代次數500次，搜尋空間維度2維，將訓練集和測試集的RMSE之和作為目標函數。

表2顯示，在CHTC-HT預測中，NOA-RBF測試集表現最優，其RMSE比RBF、CSSVM低15.33%、13.55%，精度更高。訓練集誤差相近，故僅展示測試集預測結果，如圖3所示。NOA-RBF運行時間短于CSSVM，數據跟隨精度和趨勢走向更貼近實際。綜合來看，NOA-RBF在運行時間和精度上最優，滿足后續能量管理與智能駕駛等對車速預測數據的精度要求。

4 結語

本文根據ARIMA的差分操作區分現實行駛工況中的穩定和非穩定工況，根據差分次數這一判斷依據，劃分工況類別后，基于算法運行時間長短、預測精度分別對不同類別的工況使用不同的預測方法。通過應用這些優化算法，不僅縮短了模型的訓練時間，提升了模型的訓練效率和性能，還通過精細的參數調優獲得了更好的泛化性能。這些改進不僅驗證了優化算法的有效性，也為模型在實際應用中的部署提供了更強的技術支持。

參考文獻：

[1]李星輝，曾碧，魏鵬飛.基于流計算和大數據平臺的實時交通流預測[J].計算機工程與設計，2024，45（2）：553-561.

[2]郭書君，任衛軍，陳倩倩，等.基于聚類多變量時間序列模型的交通流狀態實時預測[J/OL].計算機應用，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.考慮駕駛行為預判的改進ARIMA車速短期預測方法[J].重慶理工大學學報（自然科學），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.

作者簡介：

陸政元，男，2000年生，在讀研究生，研究方向為汽車能量流。

李俊（通訊作者），男，1978年生，高級工程師，研究方向為汽車能量管理。