基于坡度信息的前车车速预测方法、装置、设备及介质

技术领域

本申请涉及智能网联技术以及云控系统技术领域，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

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。

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。

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。

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。

发明内容

本申请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。

本申请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。

可选地，在本申请的一个实施例中，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。

可选地，在本申请的一个实施例中，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。

本申请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。

可选地，在本申请的一个实施例中，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。

可选地，在本申请的一个实施例中，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。

本申请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。

可选地，在本申请的一个实施例中，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。

可选地，在本申请的一个实施例中，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。

本申请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。

可选地，在本申请的一个实施例中，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。

可选地，在本申请的一个实施例中，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。

本申请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。

本申请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。

由此，本申请的实施例具有以下有益效果：

本申请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。本申请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。

本申请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，或通过本申请的实践了解到。

附图说明

本申请上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解，其中：

图1为根据本申请实施例提供的一种应用于离线训练阶段的基于坡度信息的前车车速预测方法的流程图；

图2为本申请的一个实施例提供的一种基于坡度信息的前车车速预测方法的应用场景示意图；

图3为本申请的一个实施例提供的一种基于坡度信息的前车车速预测方法的执行逻辑示意图；

图4为根据本申请实施例提供的一种应用于在线预测阶段的基于坡度信息的前车车速预测方法的流程图；

图5为根据本申请实施例的一种应用于离线训练阶段的基于坡度信息的前车车速预测装置的示例图；

图6为根据本申请实施例的一种应用于在线预测阶段的基于坡度信息的前车车速预测装置的示例图；

图7为本申请实施例提供的电子设备的结构示意图。

其中，10-应用于离线训练阶段的基于坡度信息的前车车速预测装置、20-应用于在线预测阶段的基于坡度信息的前车车速预测装置；101-第一构建模块、102-第一确定模块、103-训练模块；201-第二构建模块、202-第二确定模块、203-预测模块；701-存储器、702-处理器、703-通信接口。

具体实施方式

下面详细描述本申请的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，旨在用于解释本申请，而不能理解为对本申请的限制。

下面参考附图描述本申请实施例的基于坡度信息的前车车速预测方法、装置、设备及介质。针对上述背景技术中提到的问题，本申请提供了一种基于坡度信息的前车车速预测方法，在该方法中，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。本申请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。

具体而言，图1为本申请实施例所提供的一种应用于离线训练阶段的基于坡度信息的前车车速预测方法的流程图。

如图1所示，该应用于离线训练阶段的基于坡度信息的前车车速预测方法包括以下步骤：

在步骤S101中，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。

本申请的实施例首先可采集前车(即目标车辆)历史车速信息和历史坡度信息等，并根据所采集的信息构建车速预测训练数据集，从而为后续模型的训练提供可靠的数据支撑。

可选地，在本申请的一个实施例中，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，包括：采集目标车辆的历史位置信息；根据预设的采样周期、历史位置信息和预设云端地图生成目标车辆的历史坡度信息，并记录历史坡度信息的采集时间；获取目标车辆的历史车速信息，并基于历史坡度信息、采集时间和历史车速信息，构建车速预测训练数据集。

需要说明的是，本申请的实施例基于云控平台的高精地图信息，并以一种高速公路场景下的前车速度预测场景为例，如图2所示，以进行前车速度预测介绍和说明。

本领域技术人员应当了解的是，现有的前车速度预测策略并未利用道路坡度这一关键的信息，而仅是将车速当作一种随机波动的数据进行预测。车辆在高速公路行驶时，驾驶员通常会采用人工驾驶或是定速巡航，而无论驾驶员选用何种驾驶方式，车辆的行驶速度大概率会呈现一种上坡减速、下坡加速的趋势，并且定速巡航所呈现出的坡度与速度的负相关性显著弱于其他巡航模式。当车辆在良好路面上以恒定速度行驶时，发动机提供的功率与车辆所受到的阻力功率(包括滚动阻力和空气阻力)相等。这种平衡状态可以保持车辆的恒定速度。

然而，当车辆遇到上坡时，会增加施加在车辆上的坡度阻力。由于坡度阻力增加，车辆所需的功率也增加，而发动机提供的功率保持不变的情况下，车速就会下降。为了解决这个问题，车辆通常配备了速度控制系统，其中包括一个反馈控制器。该控制器通过传感器检测车速的变化，并根据需要调整发动机的输出功率。当车速下降时，控制器会增加发动机的输出功率，以使车速恢复到设定的值。然而，控制器的设计和实际执行存在一定的延迟，这意味着在控制器检测到车速下降并采取行动之间会有一小段时间延迟。在这段延迟期间，车辆可能会继续减速，直到控制器能够调整发动机输出功率。因此，在实际行驶中，由于控制器的延迟，车辆在上坡过程中可能会出现速度下降的情况。

而在人工驾驶模式下，驾驶员在高速行驶时更倾向于稳定油门开度不变，使发动机提供一定的输出功率，该部分的输出功率被用于平衡车辆的行驶阻力，以维持车辆的恒定速度，而剩余的后备功率可用于加速或爬坡。

在水平路面上，较多的后备功率被用于车辆的加速行驶。而在上坡行驶时，由于坡度的增加，需要更多的功率来克服坡道阻力，因此较多的后备功率将被用于爬坡，以使车辆能够保持稳定的速度爬坡。如果驾驶员的油门开度较大，后备功率足以支撑爬坡后，剩余的后备功率将会用于上坡加速。

如果驾驶员的油门开度过小，即发动机提供的输出功率不足以应对车辆爬坡所需的功率，车辆将减速。当驾驶员察觉到车速降低后，他们可能会缓慢的增大油门开度，以增加发动机的输出功率。通过增加功率，车辆的后备功率就能克服爬坡阻力功率，使车速恢复到驾驶员心中期望的值，然后保持油门开度不变，以保持稳定的速度行驶。

对比人工驾驶和定速巡航，定速巡航系统通常对速度变化的感知更敏锐，因为它是基于传感器和反馈控制器来实现的，具有更精确的速度控制能力。在人工驾驶中，驾驶员往往会在车辆爬坡并速度明显降低之后才会调整油门以恢复车速。这可能是因为人类驾驶员对速度变化的察觉相对较慢，需要一定的反应时间。这种延迟导致人工驾驶车辆在爬坡时速度的平均变化较大，因为车辆需要更长的时间来适应并调整油门开度。相比之下，定速巡航系统可以更快地感知到车速的下降，并通过反馈控制器来调整发动机输出功率以恢复设定的车速。由于系统对速度变化的感知更敏锐，其能更快地做出反应，减小速度变化的幅度。因此，相对于人工驾驶，定速巡航系统在爬坡时的平均车速变化较小。这也表明了定速巡航系统对于速度变化的负反馈控制能力较强，能够更好地维持稳定的车速。也就证明了人工驾驶下坡度对于速度的负反馈显著强于定速巡航。

综上，通过道路地图坡度可以提前获知前车车速的一个变化趋势，以定性的去预测车速变化，再选用合适的预测算法预测前车车速的定量变化，可以极大的加长前车速度预测时间并且提高速度预测的准确性。

由此，本申请的实施例首先可控制自车通过传感器获取与前车的纵向相对距离；其次，基于自车当前位置，推算出前车的具体位置信息，并将这一位置信息上传至云端后，通过调用云端高精度地图服务，获取前车所处道路的坡度信息并将其存储。该方法通过结合传感器数据和云端服务，实现了对前车位置及道路坡度的有效获取，得到前车在过去n个时刻的历史坡度信息，为后续的前车速度预测提供了关键的输入信息。

具体地，本申请的实施例以T

其中，slope(·)为某时刻所对应的坡度信息。

采用历史n个时刻的前车速度v

Y＝{v

为了使收集到的前车车速信息和云端高精地图信息更接近于真实值，在进行预测前，需要对收集到的数据进行数据清洗等预处理操作，从而确保数据的质量和完整性。

需要注意的是，本申请的实施例建立的在t时刻的训练数据集可用于高斯过程的学习和后续的车速预测，但为了保证对前车车速先验知识的有效利用，本申请的实施例还可采用一种滚动式的训练数据集更新策略，从而保证算法的实时性、适应性和资源效率，同时减少过拟合的风险。此外，本申请的实施例在t+T

可以理解的是，本申请的实施例可根据实际问题需求选择输入量和输出量，建立训练数据集。采用时刻、云端道路坡度信息、前车车速数据作为训练数据用于后续高斯过程学习，由此通过综合考虑车辆历史数据和外部环境因素，能够更好地理解车辆行为的模式和趋势，尤其是道路坡度等因素，从而为前车速度预测提供更全面、准确的预测特征信息，该方法有望更好地满足实际驾驶的复杂性，对于自动驾驶和智能驾驶系统的性能提升具有显著的益处。

在步骤S102中，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。

需要说明的是，高斯过程回归(Gaussian Process Regression，GPR)模型是一种非参数模型，其在贝叶斯框架下通过先验知识实现状态预测，估计后验分布。参数模型如线性回归模型、神经网络模型要首先通过先验知识对模型的结构形式做出假设，模型的结构形式决定了模型的复杂度，然后通过对模型的超参数进行优化得到最终的模型。相比于参数模型、非参数模型直接分析数据之间的内在联系，无需对模型结构进行假设，具有建模简单、参数自适应等优点，且贝叶斯机器学习模型能够预测模型的不确定性。高斯过程回归算法的输出内容包括预测的均值和方差，具体算法如图2所示。

在实际执行过程中，本申请的实施例可根据式(1)和式(2)所建立的训练集输入与输出，假设训练输出值Y中的每一个随机变量都服从高斯分布，即：

Y～N(μ(X),K(X,X)+σ

其中，μ(X)为均值函数，为了简化计算，通常可设置为0；K(X,X)为协方差函数，其为空间中随机两个输入点对应的输出变量的中心距，用于表示两个不同样本之间的关联程度。且协方差函数需满足半正定和对称的要求，协方差函数的选择对于高斯过程回归模型取得良好的预测效果有着重要影响。σ

针对车速预测问题，本申请的实施例首先考虑广泛使用的径向基函数(RadialBasis Function，RBF)作为核函数。一般可表示为：

其中，k(x

当x

由此，本申请的实施例可根据训练数据的分布、变化规律、噪声等特征，选择合适的核函数，从而为后续模型的训练以及前车的速度预测提供技术支撑。

在步骤S103中，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。

在得到车速预测训练数据集和核函数后，进一步地，本申请的实施例还可提供训练数据集和核函数确定高斯过程回归先验模型，并对该模型进行训练，如图3所示，从而优化核函数的超参数，生成车速预测模型，以通过车速预测模型预测前车车辆的行驶速度。

可选地，在本申请的一个实施例中，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，包括：基于车速预测训练数据集和核函数，确定高斯过程回归先验模型；通过车速预测训练数据集训练高斯过程回归先验模型，生成核函数的最优超参数，并根据最优超参数构建车速预测模型。

需要说明的是，在确定训练数据集和核函数后，本申请的实施例可利用极大似然估计法获取当前训练集下的超参数最优值。其中核函数中的未知参数被统称为超参数，记为：

其中，

本领域技术人员可以理解的是，极大似然估计是指在经验风险最小化的原理下，构造一个包含未知参数和样本的似然函数，将这个函数最大化使得样本出现的概率最大，此时对应的模型参数就是所求的最优参数。即找到使p(Y|X,K,θ)最大化的超参数数值，如下式所示：

其中，

其中，I

为了简化计算，将式(5)及逆对数运算后取负，得到p(Y|X,θ)的对数似然函数，如下式所示：

由此，本申请的实施例可基于车速预测训练数据集和核函数构建高斯过程回归先验模型，进而生成车速预测模型，从而实现前车行驶速度的预测。

根据本申请实施例提出的应用于离线训练阶段的基于坡度信息的前车车速预测方法，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。本申请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。

图4为本申请实施例所提供的一种应用于在线预测阶段的基于坡度信息的前车车速预测方法的流程图。

如图4所示，该应用于在线预测阶段的基于坡度信息的前车车速预测方法包括以下步骤：

在步骤S401中，获取待测车辆在目标采样时刻的位置坡度信息，并基于目标采样时刻和位置坡度信息，构建车速预测数据集。

本申请的实施例可首先在t时刻采用未来m个时刻及道路坡度(即位置坡度信息)作为测试输入量X

其中，前车未来m个时刻的道路坡度可通过假设前车在未来一段时间内匀速运动获取，假设x

S

其次，本申请的实施例可根据车辆未来时刻的位置，调取云端高精地图中的前车未来坡度信息。由于车辆在实际行驶时，道路坡度在短时间内不会有剧烈变化，因此通过假设前车在未来一段时间内匀速运动，从而获取前车未来的道路坡度，并不会和车辆实际行驶的坡度有过大的差异，从而不仅使得预测的坡度信息更贴近实际情况，同时也减少了算法对瞬时坡度变化的敏感性。

在步骤S402中，根据车速预测数据集确定待测车辆的车速预测值的条件后验分布。

在步骤S403中，将条件后验分布输入至预先训练的车速预测模型，以获取待测车辆在目标采样时刻的车速预测值，其中，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。

可以理解的是，与传统的一维输入相比，本申请的实施例可将算法的输入维度从一维扩展到了二维，即将前车的历史道路坡度序列作为额外输入加入预测模型。

由此，本申请的实施例进行速度预测时不仅考虑了时间序列信息，还引入了道路坡度的历史变化趋势，通过将这两个维度的信息一同输入到算法中，从而能够更全面准确地进行前车速度的预测。

可选地，在本申请的一个实施例中，根据车速预测数据集确定待测车辆的车速预测值的条件后验分布，包括：基于车速预测数据集，确定高斯过程回归后验模型；根据车速预测数据集和高斯过程回归后验模型计算车速预测值的条件后验分布。

需要说明的是，通过式(9)求出最优超参数后，即完成了高斯过程再给定训练训练集上的学习训练，此时本申请的实施例可使用高斯过程对给定新的输入量(即未来的时刻及其对应的道路坡度)预测前车未来一段时间内的行驶车速。

由式(10)可知，预测对象的输入向量为X

其中，μ(·)为均值函数；K(X,X)为N阶对称正定协方差矩阵，如下式所示，用于描述各个观测点之间的相关性；K(X

根据联合高斯分布的先验表达式，此时预测值f(X

P(f(X

由此，本申请的实施例可通过确定高斯过程回归后验模型，并根据车速预测数据集和高斯过程回归后验模型计算车速预测值的条件后验分布，从而为进行前车车速的预测提供理论依据。

可选地，在本申请的一个实施例中，将条件后验分布输入至预先训练的车速预测模型，以获取待测车辆在目标采样时刻的车速预测值，包括：基于条件后验分布和车速预测模型，计算条件后验分布的均值；根据均值确定待测车辆在目标采样时刻的车速预测值。

进一步地，本申请的实施例可将预测值f(X

故而，对未来一段时间的前车速度f(X

f(X

综上，本申请的实施例特别侧重考虑车辆的纵向运动，通过利用自车搭载的传感器收集前车行驶数据，结合云端高精地图提供的道路坡度信息，采用高斯过程回归算法，从而预测得到前车的速度序列f(X

可以理解的是，对于自动驾驶和智能驾驶系统而言，本申请的实施例能够使得预测模型更具适应性和鲁棒性，更好地适应各种驾驶场景和路况变化，有助于提高对驾驶环境的感知和理解，从而优化车辆的速度控制和驾驶策略，提高行车安全性和整体驾驶体验，减少能耗。因此，将车辆历史数据和外部环境因素融合在前车速度预测中，体现了一种更加综合、智能的技术策略，有望为未来驾驶系统的发展和性能提升做出积极贡献。

根据本申请实施例提出的应用于在线预测阶段的基于坡度信息的前车车速预测方法，通过获取待测车辆在目标采样时刻的位置坡度信息，并基于目标采样时刻和位置坡度信息，构建车速预测数据集；根据车速预测数据集确定待测车辆的车速预测值的条件后验分布；将条件后验分布输入至预先训练的车速预测模型，以获取待测车辆在目标采样时刻的车速预测值，其中，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。本申请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。

其次，参照附图描述根据本申请实施例提出的基于坡度信息的前车车速预测装置。

图5是本申请实施例的应用于离线训练阶段的基于坡度信息的前车车速预测装置的方框示意图。

如图5所示，该应用于离线训练阶段的基于坡度信息的前车车速预测装置10包括：第一构建模块101、第一确定模块102以及训练模块103。

其中，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，并通过历史车速信息和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。

训练模块，用于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。

可选地，在本申请的一个实施例中，第一构建模块101包括：采集单元、第一生成单元以及获取单元。

其中，采集单元，用于采集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、历史位置信息和预设云端地图生成目标车辆的历史坡度信息，并记录历史坡度信息的采集时间。

获取单元，用于获取目标车辆的历史车速信息，并基于历史坡度信息、采集时间和历史车速信息，构建车速预测训练数据集。

可选地，在本申请的一个实施例中，训练模块103包括：第一建模单元和第二生成单元。

其中，第一建模单元，用于基于车速预测训练数据集和核函数，确定高斯过程回归先验模型。

第二生成单元，用于通过车速预测训练数据集训练高斯过程回归先验模型，生成核函数的最优超参数，并根据最优超参数构建车速预测模型。

根据本申请实施例提出的应用于离线训练阶段的基于坡度信息的前车车速预测装置，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，并通过历史车速信息和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；训练模块，用于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。本申请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。

图6是本申请实施例应用于在线预阶段的基于坡度信息的前车车速预测装置的方框示意图。

如图6所示，该应用于在线预测阶段的基于坡度信息的前车车速预测装置20包括：第二构建模块201、第二确定模块202以及预测模块203。

其中，第二构建模块201，用于获取待测车辆在目标采样时刻的位置坡度信息，并基于目标采样时刻和位置坡度信息，构建车速预测数据集。

第二确定模块202，用于根据车速预测数据集确定待测车辆的车速预测值的条件后验分布。

预测模块203，用于将条件后验分布输入至预先训练的车速预测模型，以获取待测车辆在目标采样时刻的车速预测值，其中，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。

可选地，在本申请的一个实施例中，第二确定模块202包括：第二建模单元和第一计算单元。

其中，第二建模单元，用于基于车速预测数据集，确定高斯过程回归后验模型。

第一计算单元，用于根据车速预测数据集和高斯过程回归后验模型计算车速预测值的条件后验分布。

可选地，在本申请的一个实施例中，预测模块203包括：第二计算单元和均值单元。

其中，第二计算单元，用于基于条件后验分布和车速预测模型，计算条件后验分布的均值。

均值单元，用于根据均值确定待测车辆在目标采样时刻的车速预测值。

需要说明的是，前述对基于坡度信息的前车车速预测方法实施例的解释说明也适用于该实施例的基于坡度信息的前车车速预测装置，此处不再赘述。

根据本申请实施例提出的应用于在线预测阶段的基于坡度信息的前车车速预测装置，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，并基于目标采样时刻和位置坡度信息，构建车速预测数据集；第二确定模块，用于根据车速预测数据集确定待测车辆的车速预测值的条件后验分布；预测模块，用于将条件后验分布输入至预先训练的车速预测模型，以获取待测车辆在目标采样时刻的车速预测值，其中，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。本申请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。

图7为本申请实施例提供的电子设备的结构示意图。该电子设备可以包括：

存储器701、处理器702及存储在存储器701上并可在处理器702上运行的计算机程序。

处理器702执行程序时实现上述实施例中提供的基于坡度信息的前车车速预测方法。

进一步地，电子设备还包括：

通信接口703，用于存储器701和处理器702之间的通信。

存储器701，用于存放可在处理器702上运行的计算机程序。

存储器701可能包含高速RAM存储器，也可能还包括非易失性存储器(non-volatile memory)，例如至少一个磁盘存储器。

如果存储器701、处理器702和通信接口703独立实现，则通信接口703、存储器701和处理器702可以通过总线相互连接并完成相互间的通信。总线可以是工业标准体系结构(Industry Standard Architecture，简称为ISA)总线、外部设备互连(PeripheralComponent，简称为PCI)总线或扩展工业标准体系结构(Extended Industry StandardArchitecture，简称为EISA)总线等。总线可以分为地址总线、数据总线、控制总线等。为便于表示，图7中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。

可选地，在具体实现上，如果存储器701、处理器702及通信接口703，集成在一块芯片上实现，则存储器701、处理器702及通信接口703可以通过内部接口完成相互间的通信。

处理器702可能是一个中央处理器(Central Processing Unit，简称为CPU)，或者是特定集成电路(Application Specific Integrated Circuit，简称为ASIC)，或者是被配置成实施本申请实施例的一个或多个集成电路。

本申请实施例还提供一种计算机可读存储介质，其上存储有计算机程序，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。

在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本申请的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或N个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。

此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本申请的描述中，“N个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。

流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为，表示包括一个或N个用于实现定制逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分，并且本申请的优选实施方式的范围包括另外的实现，其中可以不按所示出或讨论的顺序，包括根据所涉及的功能按基本同时的方式或按相反的顺序，来执行功能，这应被本申请的实施例所属技术领域的技术人员所理解。

在流程图中表示或在此以其他方式描述的逻辑和/或步骤，例如，可以被认为是用于实现逻辑功能的可执行指令的定序列表，可以具体实现在任何计算机可读介质中，以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用，或结合这些指令执行系统、装置或设备而使用。就本说明书而言，"计算机可读介质"可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。计算机可读介质的更具体的示例(非穷尽性列表)包括以下：具有一个或N个布线的电连接部(电子装置)，便携式计算机盘盒(磁装置)，随机存取存储器(RAM)，只读存储器(ROM)，可擦除可编辑只读存储器(EPROM或闪速存储器)，光纤装置，以及便携式光盘只读存储器(CDROM)。另外，计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质，因为可以通过对纸或其他介质进行光学扫描，接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序，然后将其存储在计算机存储器中。

应当理解，本申请的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，N个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。如果用硬件来实现和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列(PGA)，现场可编程门阵列(FPGA)等。

本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，该程序在执行时，包括方法实施例的步骤之一或其组合。

此外，在本申请各个实施例中的各功能单元可以集成在一个处理模块中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。

上述提到的存储介质可以是只读存储器，磁盘或光盘等。尽管上面已经示出和描述了本申请的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本申请的限制，本领域的普通技术人员在本申请的范围内可以对上述实施例进行变化、修改、替换和变型。