使用基于V2X数据增强的神经网络实现对联网和自动化车辆的预测性最优控制的车辆速度预测器

背景技术

智能交通系统(ITS)一直在引领着汽车工业的革命，以使交通网络更安全且更智能地使用。ITS应用涵盖但不限于高级驾驶员辅助系统(ADAS)、车到车(V2V)和车到基础设施(V2I)通信。此类应用旨在得到燃油经济性(FE)、交通状况和安全性的显著改善。ITS应用通常依赖于对未来车辆速度和当地交通状况的预测。例如，车辆速度的预测可以用于优化能量管理策略，以便改善FE并减少排放。而且，对未来车辆速度的预测可以通过预测未来车辆碰撞来帮助避免事故。但是，预测准确度可能高度依赖于所使用的预测方案。

由此，需要开发用于预测车辆速度的准确且鲁棒的方法，以增强机动车辆的燃料经济性、能量效率、驾驶性能和安全性。一般而言，车辆速度预测方法旨在最小化预测速度和实际速度结果之间的平均绝对误差(MAE)和均方根误差(RMSE)，以评估预测算法。

发明内容

本公开的实施方式涉及通过使用标记的特征训练用于车辆速度预测的模型来减少或消除车辆速度预测中的时滞，所述标记的特征提供与车辆加速或减速事件相关联的特征的指示。

在一个实施例中，一种方法包括：接收多个时间系列数据集，该多个时间系列数据集中的每个时间系列数据集包括在车辆行程期间随时间收集的传感器数据、全球定位系统(GPS)数据和车辆状态数据；从该多个时间系列数据集中的每个时间系列数据集中提取指示车辆的未来速度的特征，提取特征包括传感器数据、GPS数据和车辆状态数据；标记该多个时间系列数据集中的每个时间系列数据集的提取特征，以指示车辆加速或减速事件；以及在标记该多个时间系列数据集中的每个时间系列数据集的提取特征以指示车辆加速或减速事件之后，至少使用提取和标记的时间系列数据集的子集来训练预测到未来某个时间的车辆速度的机器学习模型。

在一些实施方式中，标记提取特征包括：创建包括与相应时间对应的多个值的时间系列向量，或者创建包括与相应位置对应的多个值的位置系列向量，其中时间系列向量或位置系列向量的多个值中的每个值指示以下之一：i)存在加速事件；ii)存在减速事件；或者iii)不存在加速或减速事件。在特定实施方式中，标记提取特征包括：创建包括与相应GPS经度和纬度位置对应的多个值的位置系列向量，其中位置系列的多个值中的每个值被归一化为1、0或-1以指示以下之一：存在加速事件；存在减速事件；或者不存在加速或减速事件。在特定实施方式中，标记提取特征包括：创建包括与相应时间对应的多个值的时间系列向量。

在实施方式中，标记多个时间系列数据集中的每个时间系列数据集的提取特征以指示车辆加速或减速事件包括：标记提取特征以指示以下事件中的一个或多个：车辆开始其驾驶、车辆结束其驾驶、停车标志、交通信号灯、街道拐角、高速公路拐角以及具有特定曲率半径的道路。

在实施方式中，该方法还包括：在标记多个时间系列数据集中的每个时间系列数据集的提取特征之后，将提取和标记的时间系列数据集分为训练数据集和测试数据集，其中训练数据集的提取和标记的时间系列数据集用于训练机器学习模型；以及在训练机器学习模型之后，至少使用测试数据集的提取和标记的时间系列数据集来测试经训练的机器学习模型，其中测试经训练的机器学习模型包括将目标车辆速度与由经训练的模型预测的车辆速度进行比较。在一些实施方式中，测试机器学习模型包括测量目标车辆速度与由训练模型预测的车辆速度之间的时间偏差。在特定实施方式中，基于以下来测量时间偏差：时间偏差＝argmin

在特定实施方式中，经训练以预测到未来某个时间的车辆速度的机器学习模型包括具有外部输入的非线性自回归浅层神经网络模型。在特定实施方式中，经训练以预测到未来某个时间的车辆速度的机器学习模型包括长短期记忆(LSTM)深度神经网络模型。

在实施方式中，该方法还包括：配置车辆的控制单元以使用与经训练和测试的机器学习模型对应的预测算法，以在驾驶的同时预测到未来1到10秒的车辆速度。

在实施方式中，控制单元被配置为接收以下作为预测算法的输入：由车辆的GPS单元收集的GPS数据；由车辆的在前交通传感器(例如，LIDAR、RADAR、相机、超声传感器等)收集的在前交通的传感器数据；由车辆的一个或多个车辆状态传感器收集的车辆状态数据；以及提供在特定时间或位置的加速或减速事件的指示的标记。

在实施方式中，该方法还包括：车辆的电子控制单元从存储的地图数据中提取作为预测算法的输入的标记，该标记提供加速或减速事件的指示。

在实施方式中，该方法还包括：车辆的电子控制单元动态地生成作为预测算法的输入的标记，该标记提供加速或减速事件的指示。

在一个实施例中，一种车辆包括：GPS传感器；车辆状态传感器；在前交通传感器，用于收集车辆前方的交通数据；以及电子控制单元，用于迭代以下操作：接收使用GPS传感器生成的GPS数据；接收使用车辆状态传感器生成的车辆状态传感器数据；接收使用在前交通传感器生成的在前交通数据；获得提供在特定时间或位置的加速或减速事件的指示的标记；以及提供接收到的GPS数据、接收到的车辆状态传感器数据、接收到的在前交通数据以及所获得的标记作为与经训练和测试的车辆速度预测模型对应的车辆速度预测算法的输入；以及使用车辆速度预测算法来预测到未来某个时间的车辆速度。在实施方式中，获得提供在特定时间或位置的加速或减速事件的指示的标记包括：车辆的电子控制单元从存储的地图数据中提取标记；或者车辆的电子控制单元动态地生成标记。

通过以下结合附图的详细描述，所公开技术的其它特征和方面将变得显而易见，所述附图以示例的方式图示了根据所公开的技术的实施方式的特征。本方面内容并非旨在限制本文所述的任何发明的范围，这些发明的范围由权利要求书和等同形式限定。

应当认识到，前述概念的所有组合(假设这样的概念并不相互矛盾)被认为是本文公开的发明主题的一部分。特别地，出现在本公开的结尾处的要求保护的主题的所有组合被认为是本文公开的发明主题的一部分。

附图说明

根据一个或多个各种实施例，参考以下各图详细描述本公开。提供各图仅出于说明的目的，并且仅描绘了典型或示例实施例。

图1示出了车辆速度预测与车辆速度测量(目标)时间系列图，其图示了车辆速度预测中的时滞问题。

图2A是其中根据本公开可以实现车辆速度预测以进行功率分配控制(powersplit control)的示例混合电动车辆的示意图。

图2B是图示可以包括在图2A的电子控制单元中的控制功能的示例部分的功能框图。

图3是图示根据本公开的用于创建具有标记特征的学习模型并将其用于预测车辆速度的示例处理流程的操作流程图。

图4是图示根据本公开的实施方式的示例方法的操作流程图，该示例方法用于利用数据库从先前车辆行程时间系列中提取特征并将其进行标记以指示车辆加速/减速事件。

图5示出了根据本公开的实施方式的可以从先前车辆行程中提取的时间系列数据。

图6图示了根据本公开的标记集合，该标记集合应用于从由驾驶后轮驱动混合车辆的人类驾驶员沿着高速公路路线的二十个重复驾驶中收集的数据集。

图7图示了根据本公开的标记集合，该标记集合应用于从由驾驶三个车辆的三个驾驶员同时沿着城市路线的数百次重复驾驶循环中收集的数据集。

图8是图示根据本公开的实施方式的用于创建、训练和测试用于预测车辆速度的一个或多个模型的示例方法的操作流程图。

图9A图示了根据本公开的实施方式的用于预测的前馈网络的结构。

图9B图示了根据本公开的实施方式的用于预测的NARX模型的结构。

图10A图示了根据本公开的实施方式的LSTM单元格(cell)的内部结构。

图10B示出了根据本公开的实施方式的LSTM如何处理时间系列序列输入。

图10C示出了根据本公开的实施方式的5层LSTM结构。

图11A是图示通过针对图6的没有标记的高速公路驾驶数据集测试ARMA模型而生成的目标速度时间系列曲线与预测速度时间系列曲线的曲线图。

图11B是图示通过针对图6的具有标记的高速公路驾驶数据集测试NARX模型而生成的目标速度时间系列曲线与预测速度时间系列曲线的曲线图。

图11C是图示通过针对图6的具有标记的高速公路驾驶数据集测试LSTM模型而生成的目标速度时间系列曲线与预测速度时间系列曲线的曲线图。

图12示出了两个不同的曲线图，这两个曲线图图示了通过使用标记的输入和未标记的输入针对图6的高速公路驾驶数据集测试LSTM模型而生成的目标速度时间系列曲线与预测速度时间系列曲线。

图13示出了两个不同的曲线图，这两个曲线图图示了通过使用标记的输入和未标记的输入针对图7的城市驾驶数据集测试LSTM模型而生成的目标速度时间系列曲线与预测速度时间系列曲线。

图14图示了根据本公开的用于使用学习的车辆速度预测模型来预测驾驶时的车辆速度的处理流程，其中该模型是使用指示加速/减速事件的标记输入训练的。

图15是可以用于实现本公开中描述的实施例的各种特征的示例计算部件。

附图不是穷举的，并且不将本公开限制为所公开的精确形式。

具体实施方式

应该注意的是，如本文所使用的术语“优化”、“最优”等可以用来表示使性能或实现性能尽可能有效或完美。此外，本文公开的技术可以指例如执行导致“更准确”的确定的计算等。但是，正如阅读本文件的本领域普通技术人员将认识到的，不能总是实现完美。因此，这些术语还可以涵盖在给定情况下使性能或实现性能尽可能好或有效，或者使性能或实现性能优于其它设置或参数所实现的性能。

如上所述，需要开发用于预测车辆速度的准确且鲁棒的方法。虽然在车辆速度预测方面已经取得一些进展，但是仍然存在一些问题。一个普遍的问题是，只有当车辆在稳定状态下操作(即速度不会随时间变化)时，车辆速度预测方法才会产生良好的结果。但是，对于瞬态(例如，由于加速和减速事件导致的车辆速度突然变化)，车辆速度预测方法通常会产生较差的结果。

这种速度预测方法的性能较差的原因之一是，它们通常仅旨在最小化预测速度和实际速度结果之间的平均绝对误差(MAE)和均方根误差(RMSE)，以评估预测算法。但是，用于车辆速度预测的这些方法在车辆速度预测中没有考虑时滞。一般而言，当使用历史数据预测未来数据时，这些预测经常会出现滞后于实际结果。在一些情况下，通过已知的车辆速度预测方法生成对未来车辆速度的估计所花费的时间量将接近期望车辆速度预测的未来时间。

例如，图1示出了车辆速度预测与车辆速度目标时间系列曲线图，其图示了时滞问题。在该曲线图中，目标速度曲线表示车辆在一段时间内的实际记录速度，并且预测速度曲线表示使用不考虑时滞的方法对车辆的预测速度。如图所示，虽然预测曲线在稳定状态速度(例如，从1220到1260秒)期间紧随目标曲线，但是在加速和减速事件期间，预测时间系列曲线相对于目标时间系列曲线的时滞变得明显，尤其是从1330到1340秒。虽然该示例的预测曲线的总体MAE可能相对小(例如，由于车辆在相对稳定的状态下操作达一半以上的时间段)，但该预测方法在瞬态速度期间性能不佳。

由此，需要在车辆速度预测中考虑时滞。为此，本公开的实施方式涉及通过使用标记的特征训练用于车辆速度预测的机器学习算法来减少或消除车辆速度预测结果中的时滞，其中标记提供与车辆加速或减速事件相关联的特征的指示。根据实施方式，标记可以用于指示以下加速或减速事件中的一个或多个：车辆开始其驾驶、车辆结束其驾驶、停车标志、交通信号灯、街道或高速公路拐角以及提供车辆将加速或减速的指示的其它事件。本文描述的具体实施方式涉及使用标记的特征作为神经网络的输入来预测到未来1到10秒的车辆速度。如本文中进一步描述的，借助于用于预测车辆速度以指示加速或减速事件的标记特征，可以获得瞬时速度情况下车辆速度预测的显著改善。

在更详细地描述车辆速度预测技术的实施方式之前，描述可以与此类实施方式一起使用的车辆是有指导意义的。图2A是其中根据本公开可以实现车辆速度预测以进行功率分配控制的示例混合电动车辆(HEV)10的示意图。例如，HEV 10可以用于采集具有特征的训练数据集，这些特征被提取并标记以训练机器学习模型来预测未来车辆速度。此外，HEV 10可以使用根据本公开学习的模型来预测驾驶时的未来车辆速度。

应当注意的是，虽然图2A图示了可以与其一起使用车辆速度预测的一种示例车辆(HEV)和一种示例应用(功率分配控制)，但是本文描述的车辆速度预测技术可以在其它车辆(例如，内燃机车辆、全电动车辆等)中使用以及用于其它应用(例如，辅助驾驶、完全自动驾驶(full self-driving)、碰撞避免等)。还应该注意的是，虽然图2A图示了具有可以实现实施例的特定传动系配置的一个示例HEV，但是本文描述的技术可以在具有其它传动系配置的HEV中实现。例如，本文公开的技术可以在具有一个电动机系统、两个电动机系统或具有多于两个电动机的系统的HEV中实现。此外，本文公开的技术可以在具有诸如行星齿轮组之类的其它齿轮组的HEV中实现。

应该注意的是，为了图示清楚，并非HEV 10的所有元件都标有附图标记。例如，在一些情况下，HEV 10的两个或更多个元件或部件中只有一个用附图标记来标记。但是，可以假定，除非另外描述，否则相似地示出的元件或部件的功能和/或操作是相同或相似的，如本领域普通技术人员将理解的。此外，可以从一个/一组元件或部件的角度描述HEV 10的方面。可以假定，这些元件或部件的辅助实例可以以相同或相似的方式操作。还应当注意的是，为了便于描述和各图清楚，未示出HEV的所有部件，并且各图和对应的描述并不意味着进行限制。还应当注意的是，HEV可以关于其元件或部件实施某些变型，这在本文中被考虑。例如，HEV 10可以仅配置有单个电动机。

图2A图示了HEV 10的示例部件，其可以包括发动机14和电动机12作为驱动源。由发动机14和电动机12产生的驱动力可以经由变矩器16、自动变速器18、差动齿轮设备28和一对轴30传递到一对车轮34。电动机12、变矩器16和自动变速器18中的每一个都可以容纳在变速箱中。变速箱可以是例如由铝压铸件制成的可拆分箱，并且固定到诸如车身的非旋转构件。

HEV 10可以利用发动机14和电动机12中的至少一个作为行驶的驱动源来驱动/提供动力。换句话说，可以在HEV 10中选择性地建立多种行驶模式中的任何一种。第一行驶模式可以是仅使用发动机14作为行驶的驱动源的仅发动机行驶模式。第二行驶模式可以是仅使用电动机12作为行驶的驱动源的EV行驶模式。第三行驶模式可以是使用发动机14和电动机12作为行驶的驱动源的混合行驶模式。在仅发动机行驶模式和混合行驶模式中，HEV 10在离合器15接合的情况下通过使用至少由发动机14产生的驱动力行驶。在EV行驶模式下，HEV 10在发动机14停止且离合器15分离的情况下通过使用电动机12产生的驱动力行驶。

发动机14可以是诸如缸内喷射类型的汽油发动机或柴油发动机之类的内燃机，其中燃料被直接喷射到燃烧室中。提供输出控制设备14A以控制发动机14的驱动(输出扭矩)。输出控制设备14A可以包括控制电子节气阀的打开和关闭的节气致动器、控制燃料喷射的燃料喷射设备、控制点火正时的点火设备等。输出控制设备14A可以根据从以下描述的电子控制单元50供应的(一个或多个)命令控制信号执行发动机14的输出控制。这种输出控制可以包括例如通过用于节气控制的节气致动器控制电子节气阀的打开和关闭。输出控制还可以包括用于燃料喷射控制的燃料喷射设备对燃料喷射的控制。更进一步地，输出控制可以包括控制用于点火正时控制的点火设备的点火正时。

变速器输入轴36可以将动力从电动机12和/或发动机14传递到变速器输出轴24附接到的自动变速器18。连接到变速器输出轴24的是耦合到差动齿轮设备28的传动轴26。自动变速器18可以是有级变速器机构(stepped transmission mechanism)，其例如选择性地建立多个预定齿轮(齿轮比)中的任何一个，并且被配置为包括多个接合元件以执行这种齿轮比更改。自动变速器18可以包括多个液压摩擦接合设备，诸如多个盘式离合器和制动器，其接合由液压致动器控制。这些液压摩擦接合设备可以根据从液压控制回路40供应的液压进行选择性地接合或分离。因此，可以根据液压摩擦接合设备的耦合状态的组合来选择性地建立多个前进档(即，前进档位置或前进行驶档位置)或倒档(即，后退档位置或后退行驶档位置)中的任何一个。例如，液压摩擦接合设备的耦合状态可以允许前进档和倒档之间的升档和降档。

电动机12可以包括转子和定子。电动机12可以是用作产生驱动力的电动机和产生反作用力的发电机的电动发电机。电动机12可以经由逆变器42连接到诸如电池44和电容器的蓄电设备。下面描述的电子控制单元50可以控制逆变器42、调节供应给电动机12的线圈或从电动机12的线圈接收的驱动电流，并控制电动机12的驱动。即，电子控制单元50可以通过逆变器42来增大或减小电动机12的输出扭矩。

在发动机14与电动机12之间的动力传递路径中，离合器15根据接合状态控制动力传递路径中的动力传递。即，作为发动机14的输出构件的曲轴32经由离合器15选择性地耦合到电动机12的转子。离合器15是例如多盘型液压摩擦接合设备，其接合由液压致动器控制。离合器15被控制成使得根据从液压控制回路40供应的液压来控制离合器15的接合状态以实现接合(完全接合)、滑动接合和分离(完全分离)模式。即，根据从液压控制回路40供应的液压来控制离合器15的扭矩容量。当离合器15接合时，在曲轴32与变矩器16的前盖之间的动力传递路径中提供动力传递。另一方面，当离合器15分离时，动力传递被阻止输送到曲轴32与变矩器16的前盖之间的动力传递路径。在滑动接合状态或模式下，离合器15被接合，并且根据离合器15的扭矩容量(传递扭矩)的动力传递被提供给曲轴32与变矩器16的前盖之间的动力传递路径。

HEV 10可以包括电子控制单元50。电子控制单元50可以包括微型计算机，该微型计算机包括CPU、RAM、ROM、输入输出接口等。在电子控制单元50中，CPU可以利用RAM的临时存储功能来根据存储在ROM中的程序执行信号处理。因此，电子控制单元50可以执行各种控制，诸如发动机14的驱动控制、电动机12的驱动控制、自动变速器18的变速控制、离合器15的接合力控制、锁止离合器38的接合控制等。可以根据考虑预测的未来速度的功率分配控制算法来执行这些控制功能。电子控制单元50可以分别配置有多个控制设备，诸如用于根据需要控制发动机14、控制电动机12、控制自动变速器18以及控制离合器15，并且可以通过彼此之间的信息通信来执行每个控制。在这个实施例中，电子控制单元50对应于HEV 10的控制设备。

如图2A所示，向电子控制单元50供应由HEV 10中提供的每个传感器检测到的各种输入信号。例如，电子控制单元50可以接收指示加速器操作量A

电子控制单元50可以从各种传感器52接收输入信号，这些传感器52被配置为感测HEV 10的相关操作特性、HEV 10正在采用的路线和/或HEV 10当前正在其上驾驶的道路。例如，可以通过确定加速器踏板被踩下/致动的程度的加速器操作量传感器来检测加速器操作量A

传感器52的另一个示例可以是定位或位置传感器，诸如全球定位系统(GPS)接收器，其可以提供与HEV 10的位置对应的位置信息。此外，提供定位或位置信息的传感器52可以提供HEV 10的当前位置和HEV 10的预期路线的交通信息。此外，电子控制单元50可以从网络接口设备48接收输入信号。网络接口设备48可以从一个或多个信息服务提供商接收诸如地图数据、道路状况信息、交通信息等的信息。例如，可以使用车辆到车辆(V2V)通信、车辆到基础设施(V2I)通信和/或车辆到云(V2C)通信来检索这样的信息。代替仅依赖于GPS接收器，可以从网络接口设备48接收的信息中确定HEV 10的位置。

传感器52的另一个示例可以是雷达传感器，其使用雷达收发器发射/接收无线电波以计算车辆与其它周围物体(诸如其它车辆)之间的相对距离和/或速度。

电子控制单元50可以将各种输出信号供应给HEV 10中提供的一个或多个设备/部件/元件。例如，电子控制单元50可以将信号供应给发动机14的输出控制设备14A，以实现发动机14的驱动控制。电子控制单元50可以将信号供应给逆变器42，以实现对电动机12的驱动控制。电子控制单元50可以将信号供应给液压控制回路40中的多个电磁控制阀，以用于自动变速器18的速度控制。电子控制单元50可以将信号供应给液压控制回路40中的线性电磁阀，以用于离合器15的接合控制。

图2B是图示可以包括在电子控制单元50中的控制功能的示例部分的功能框图。图2B所示的发动机控制部件50A经由输出控制设备14A控制发动机14的驱动(输出扭矩)。具体而言，发动机控制部件50A通过电子节气阀的节气阀开度控制输出控制设备14A，从而控制由燃料喷射设备供应的燃料量、点火设备的点火正时等。相应地，电子控制单元50控制发动机14提供驱动力的方式，使得可以实现发动机14所需的发动机输出。

发动机控制部件50A在仅发动机行驶模式和混合行驶模式下驱动发动机14。例如，发动机控制部件50A可以控制发动机14何时启动，例如，当从EV行驶模式切换到仅发动机行驶模式或混合行驶模式时。当HEV从EV行驶模式过渡到混合行驶模式时，可能发生这种情况。同样，发动机控制部件50A可以控制发动机14何时关闭，例如，当从仅发动机行驶模式或混合行驶模式切换到EV行驶模式时。

为了控制发动机14，可以接合(滑动或完全接合)离合器15，以便将发动机14连接到动力传递路径。这可以通过下面描述的离合器接合控制部件50B来完成。发动机控制部件50A可以指示发动机14旋转，从而导致发动机转速N

当HEV 10将以EV模式操作时，发动机控制部件50A将(一个或多个)控制信号输出到输出控制设备14A，以使发动机14停止。离合器15可以被分离，并且发动机14被停止。此外，可以命令输出控制设备14A停止向发动机14的燃料供应。

电动机控制部件50C经由逆变器42控制电动机12的致动。具体而言，电能经由逆变器42从电池44供应到电动机12。电动机控制部件50C输出(一个或多个)控制信号以驱动电动机12旋转并产生正或负电动机扭矩，以获得电动机12所需的输出。例如，电动机控制部件50C输出(一个或多个)控制信号以切换逆变器42，使得电流流到电池44，以便产生负电动机扭矩，使得HEV 10减速。

换挡部件50D可以输出(一个或多个)控制信号，该(一个或多个)控制信号通过液压控制回路40指示一个或多个液压摩擦接合设备的接合/分离，以实现从当前齿轮比降档至较低的齿轮比。降档可以由来自行驶模式确定部件50E的(一个或多个)控制信号发起，如下面所描述的。

行驶模式确定部件50E可以基于当前和未来的驾驶状况来做出关于在HEV 10中建立的行驶模式的确定。可以基于例如车速v、加速器操作量A

道路状况/位置部件50F可以做出关于HEV 10的位置以及为行程预测的道路状况和/或交通状况的确定。在一个实施例中，道路状况/位置部件50F可以实施为在许多现代车辆、混合车辆或其它车辆中常见的导航单元。道路状况/位置部件50F可以从网络接口设备48和/或GPS接收器接收关于道路状况的信息，该GPS接收器可以是传感器52的一个实施例。例如，HEV在其行驶期间的任何点的位置可以例如由GPS接收器确定，并且该位置可以与和该位置相关的道路状况信息相关。

例如，在启动时或在HEV 10的操作期间，道路状况/位置部件50F可以确定要行驶的路线是已知的。如果例如由HEV 10的驾驶员经由导航系统用户界面将地址、兴趣点标识符等提供给道路状况/位置部件50F，那么路线可以是已知的。道路状况/位置部件50F可以具有或接收指示要行驶的路线以及道路状况(例如，沿着路线存在/预期的任何下坡坡度)的地图或地图信息。

图3是图示根据本公开的用于创建具有标记特征的学习模型并将其用于预测车辆速度的示例处理流程100的操作流程图。更特别地，处理流程100利用包含先前车辆行程时间系列数据(例如，来自先前驾驶的以下参数中的一个或多个：路线数据、GPS数据、雷达数据、车辆状态数据、地图数据等)的一个或多个数据库205来构建用于在驾驶时自动预测车辆速度的模型。如图所示，在阶段200，从先前车辆行程时间系列数据中提取特征，并对其进行标记以指示车辆加速/减速事件。在阶段300，标记的特征用于创建、训练和测试预测未来车辆速度的机器学习模型。一旦机器学习模型已经被充分训练和测试以具有可接受的准确度，那么在阶段400，该模型就用于预测驾驶时的车辆速度。例如，经过训练和测试的模型可以在驾驶期间由电子控制单元50使用。下面参考图4-14对处理流程100的每个阶段200-400进行更详细的描述。

图4是图示根据本公开的实施方式的实例方法200的操作流程图，该方法200利用数据库205从先前车辆行程时间系列中提取特征并对其进行标记以指示车辆加速/减速事件。在实施方式中，方法200的一个或多个操作可以由存储在计算机可读介质中的处理器执行指令来实现。

在操作210处，可以从先前车辆行程时间系列中提取可以指示车辆的未来速度的特征。如上所述，在创建用于预测未来车辆速度的学习模型的过程中，可以利用包含先前车辆行程时间系列数据的一个或多个数据库205来构建用于在驾驶时自动预测车辆速度的模型。

通过说明性示例，图5示出了可以从先前车辆行程提取的时间系列数据。如该示例中所示，时间系列数据可以包括针对每个行程随时间收集的三个主要类别的特征数据：雷达数据、车辆状态数据和与车辆在行程期间驾驶的路线对应的GPS数据。例如，雷达数据可以包括经度距离、纬度距离、相对速度、新物体标志、物体移动标志、物体跟踪标志、雷达计数器以及可以提取的其它雷达特征数据。GPS数据可以包括经度、纬度、高度、时间以及可以提取的其它GPS特征数据。车辆状态数据可以包括发动机速度、车辆速度、加速器踏板状态、制动踏板状态、转向角/扭矩状态、转向信号状态、发动机负载扭矩状态以及可以提取的其它车辆状态数据。应该认识到的是，对于每个行程时间系列，可以提取除图5所示之外的其它特征数据和/或附加类别的特征数据。例如，在一些实施方式中，可以提取地图服务数据、智能运输系统数据和/或其它传感器数据。例如，可以从诸如LIDAR、超声传感器、相机(例如，彩色相机)等的其它传感器提取数据。这些传感器可以用作雷达传感器的附加或替代。在一些情况下，可以指示车辆速度预测的提取特征的数量可以在数百或数千的范围内。

在操作220处，标记提取特征以指示时间系列中的车辆加速/减速事件。标记可以用于指示以下加速或减速事件中的一个或多个：车辆开始其驾驶、车辆结束其驾驶、停车标志、交通信号灯、街道拐角、高速公路拐角、具有特定曲率半径的道路和提供车辆将加速或减速的指示的其它事件。

在一些实施方式中，标记提取特征可以包括：创建包括多个值的时间系列向量，每个值对应于相应的时间(例如，从中收集数据的原始时间系列的特定时间)，其中每个值指示以下之一：存在加速事件；存在减速事件；或者不存在加速或减速事件。例如，如果在该时间实例的加速度为正，那么与先前车辆行程相关联的时间系列向量的值可以被设置为1，并且如果在该时间实例的加速度为负，那么可以被设置为0。作为另一个示例，时间系列向量可以使用值1来指示道路的曲率半径大于100m的实例，并且使用0来指示否则的情况。

在一些实施方式中，标记提取特征可以包括：创建包括多个值的位置系列向量，每个值对应于相应的GPS位置(例如，从驾驶的特定时间系列收集的值)，其中每个值指示以下之一：存在加速事件；存在减速事件；或者不存在加速或减速事件。

通过说明性示例，图6图示了标记集合，该标记集合应用于从由驾驶后轮驱动混合车辆的人类驾驶员沿着高速公路路线的二十个重复驾驶中收集的数据集。该路线通过地图225示出。在这个示例中，数据集总共包括164个信号(特征)。特别地，在数据集中可获得驾驶轨迹(车辆GPS坐标)和一般车辆经度/纬度状态信息。此外，雷达信号通道可提供有关周围交通的信息。

如使用从数据集中提取的GPS经度和纬度数据生成的曲线图226所示，在驾驶开始221时，车辆位置轨迹用第一标记(标记1)标示；在拐角222-223以及在驾驶结束224时，相关联的GPS位置用第二标记(标记-1)标示。轨迹的其它部分未被标示(标记0)。虽然在该示例中使用了1、0和-1的归一化标记，但是应该认识到的是，可以使用其它标记。

作为另一个示例，图7图示了标记集合，该标记集合应用于从由驾驶三个车辆的三个人类驾驶员同时沿着城市路线的数百次重复驾驶循环中收集的数据集。该路线通过地图227示出。在这个示例中，数据集包括前述164个特征。此外，在这个示例中，收集了车辆到基础设施(V2I)信息。如使用从数据集中提取的车辆速度数据生成的曲线图228所示，当车辆速度非零时，对于给定的时间标示标记1。虽然在该示例中使用了1和0的归一化标记，但是应该认识到的是，可以使用其它标记。

在操作230处，可以清理或归一化提取的特征数据。例如，在一些实施方式中，车辆行程时间系列特征数据的类别可以被合并为单个特征。作为另一个示例，可以从数据集中移除不太可能对车辆速度预测有贡献的车辆行程时间系列特征数据的类别或以较低的优先级对其加权，以将后续的机器学习处理集中在训练包括可能对车辆速度有贡献的关键特征的数据。在一些实施方式中，特征的类别可以被分成多个特征。在实施方式中，清理操作230可以与操作210-220同时执行或者在操作210-220之后执行。

在对先前车辆行程时间系列数据的特征进行提取和标记之后，它们可以被存储在数据库/存储装置305中，作为可以用于训练和测试用于预测车辆速度的一个或多个机器学习模型的提取和标记的时间系列数据集301。应当注意的是，处理200可以随着时间推移进行迭代，以细化用于训练和测试前述机器学习模型的数据集。例如，随着时间推移，可能发现指示未来车辆速度的某些特征和/或指示加速/减速事件的标记更可能改善车辆速度预测。此外，随着发现新特征或使新特征可用(例如，通过使用新的车辆传感器收集附加的时间系列数据)，可以扩展提取和标记的时间系列数据集301。由此，应该认识到的是，所提取和标记的时间系列数据集301的特征、类别和大小可以随时间而变化。

图8是图示根据本公开的实施方式的用于创建、训练和测试用于预测车辆速度的一个或多个模型的示例方法300的操作流程图。在操作310处，存储在数据库305中的提取并标记的时间系列数据集301可以分为训练数据集和测试数据集。在实施方式中，训练数据集和测试数据集中的每个数据集可以包括提取和标记的车辆行程时间系列的子集。在实施方式中，训练数据集可以包括数据集的大部分(例如，60％、70％、80％等)。在实施方式中，在划分之前可以将数据集随机化，以确保数据模式的均匀分布。例如，考虑提取和标记与1000个行程对应的1000个时间系列的特征的情况。在这种情况下，提取和标记的时间系列中的700个可以用于训练，其余300个可以用于测试。

在操作320处，可以初始化能够接受标记的输入的机器学习模型以使用训练数据集执行训练。在初始化期间，可以设置算法的超参数。在一些实施方式中，可以利用结合多种统计建模技术的集成模型。

在实施方式中，可以通过选择使用标记的输入和已知的输出来学习模式的一种或多种监督学习算法来初始化模型。例如，在一些实施方式中，已知输入可以包括标记的特征，诸如GPS数据、车辆状态数据或传感器数据，并且已知输出可以包括未来某个时刻的车辆速度。例如，取决于应用对预测车辆速度的要求，可以训练模型来预测在未来1秒、未来5秒或未来10秒的车辆速度。例如，以下预测速度预测范围在以下应用中可能是有用的：i)1-10秒，混合能源管理；ii)1-3秒，涡轮迟滞补偿；以及iii)100毫秒-1秒，减少柴油发动机排放。

在特定实施方式中，可以训练诸如神经网络之类的确定性预测模型来预测未来的车辆速度。下面进一步详细描述可以根据实现方式利用的确定性预测模型的两个示例。

具有外部输入的非线性自回归(NARX)浅层神经网络

在一种实施方式中，可以训练NARX浅层神经网络模型以预测未来的车辆速度。在时间系列建模中，非线性自回归外部模型(NARX)是具有外部输入的非线性自回归模型。这意味着该模型将时间系列中输出变量的当前值与以下两者相关：i)同一输出的过去值；以及ii)外部输入的当前和过去值。

在数学上，NARX模型可以由公式(1)表达：

y(t+1)＝F[y(t),y(t-1)…,x(t+1),x(t),x(t-1),…]+e(t+1) (1)

其中y是感兴趣的输出变量，x是外部输入变量并且e是噪声。函数F是非线性函数，它是神经网络。根据公式(1)，NARX模型具有包含多个输入的能力。

如图9A所示，可以对静态前馈神经网络模型进行训练以进行提前一步的预测，或者直接进行训练以提前多步预测。当要建模的现象本质上是动态的时，也可以使用图9B所示的NARX结构。

长短期记忆(LSTM)深度神经网络模型

在另一个实施方式中，可以训练LSTM深度神经网络模型来预测未来的车辆速度。LSTM深度神经网络是一种特殊的递归神经网络(RNN)，它能够从大型数据集(即具有许多输入的数据集)中学习长期依赖性，同时避免了梯度消失/爆炸问题。

所有递归神经网络以重复模块链的形式构造。在标准RNN中，此重复模块具有诸如由单个“tanh”函数给出的非常简单的结构。类似地，LSTM也具有这种链状结构，但是重复模块不同。不是在神经元中具有单个激活功能，而是存在以非常特殊的方式进行交互的三个门(忘记门、输入门和输出门)。LSTM神经元具有处理时间系列数据的能力。

图10A图示了根据实施方式的LSTM单元格的内部结构。LSTM单元格的关键是单元格状态，在图10A中，由通过虚线框中的图顶部的水平线表示。LSTM单元格具有移除信息或将信息添加到单元格状态的能力，这在图10A中是由分别表示为(1)、(2)和(3)的称为忘记门、输入门和输出门的结构所确定的。这些门是一种可选的让信息通过的方式。它们由S形神经网络层和逐点乘法运算组成。S形层输出介于零和一之间的数字，描述应该让每个组件的多少通过。门的详细公式表达如下给出。

忘记门确定来自上一步的信息(状态h

f

输入门决定将在单元格状态中存储什么新信息，并计算两个因素，由公式(3)和(4)表示：

i

这可以如下解释：首先，称为“输入门层”的S形层决定将更新哪些值。接下来，tanh层创建新的候选值的向量

其中LSTM单元格将丢掉关于旧状态C

输出门基于如公式(6)和(7)所示的单元格状态确定最终输出：

o

h

图10B示出了根据实现方式的LSTM如何处理时序系列序列输入。X

在操作330处，可以使用标记的训练数据集来训练模型。例如，使用上述确定性预测模型(NARX，LSTM)中的一个或多个，机器可以分析并确定车辆驾驶特征之间的关系，以开发可以预测未来提前某个时间的未来车辆速度的模型。

在操作340处，可以使用测试数据集来测试在训练期间开发的模型。例如，给定具有已知特征和已知速度的数据集，此后可以将模型预测的车辆速度时间系列(例如，通过向前看未来10秒)与在行程期间测得的实际已知车辆速度进行比较。在实施方式中，可以从测试中计算模型的性能作为所有预测的平均误差分数。如果平均误差分数太高，那么可以执行方法300(以及可选地，执行方法200)的附加迭代。例如，可以调整在模型中使用的算法的超参数、可以改变模型的算法，和/或可以在模型中考虑数据的不同特征。

在各种实施方式中，下面进一步描述，在测试数据集的测试期间评估时间偏差—时间系列信号中的时滞的量度。

在方法300的一些实施方式中，可以执行交叉验证处理，由此将训练和测试数据分为各种组合，并以这些各种组合进行训练和测试。例如，可以执行详尽的交叉验证或k-倍(k-fold)验证处理。

模拟结果

为了评估使用根据本公开学习的模型获得的预测结果，考虑了两个评估标准：平均绝对误差(MAE)和时间偏差。MAE是两个连续变量之间差异的量度。假设y

MAE越小意味着预测结果与目标值之间的误差越小。

时间偏差是时间系列信号中的时滞的量度。它可以用公式(9)表达：

时间偏差＝argmin

其中δ表示预测车辆速度时间系列的时间偏差。较小的时间偏差指示预测结果与目标值之间的时滞较小。

使用以上参考图6描述的高速公路驾驶数据集和以上参考图7描述的城市驾驶数据集针对目标结果评估预测结果。预测未来10秒的车辆速度。

图11A是图示通过针对图6的没有标记的高速公路驾驶数据集测试自回归移动平均(ARMA)模型而生成的目标速度时间系列曲线与预测速度时间系列曲线的曲线图。ARMA模型是可以被训练以预测未来车辆速度的模型的示例。ARMA模型不采用带标记的输入。给定时间系列数据y(t)，ARMA模型包括两个部分，自回归(AR)部分和移动平均(MA)部分。AR部分涉及根据其自身的历史值对输出变量进行回归。MA部分涉及将误差项建模为同时发生和在过去的各个时间实例发生的误差项的线性组合。在数学上，ARMA模型可以用公式(10)表达：

y(t+1)＝φ

其中y是感兴趣的变量，e是误差，p是自回归部分的阶数，并且q是移动平均部分的阶数。简写ARMA(p，q)通常用于指定这样的模型。如图11A所示，ARMA模型的性能不佳。预测和目标之间存在明显的误差和时间偏差。

图11B是图示通过针对图6的具有标记的高速公路驾驶数据集测试NARX模型而生成的目标速度时间系列曲线与预测速度时间系列曲线的曲线图。在测试期间，NARX模型的结构被选择为具有3个隐藏层的4层神经网络。3个隐藏层分别具有{2，5，6}个神经元。激活功能被选择为“tanh”。NARX模型是在Matlab中用功能Narxnet开发的。对于10秒的预测结果，预测和目标之间的误差和时间偏差平均小于ARMA模型。

图11C是图示通过针对图6的具有标记的高速公路驾驶数据集测试LSTM模型而生成的目标速度时间系列曲线与预测速度时间系列曲线的曲线图。在测试期间，使用Tensorflow开发LSTM。LSTM的结构被选择为具有三个隐藏层的4层神经网络。三个隐藏层具有{64,32,13}个神经元。激活功能被选择为“ReLu”，以避免梯度消失并加速训练处理。正则化和丢失(dropout)层被认为是避免过度拟合。如图所示，对于10秒的预测结果，预测和目标之间的误差和时间偏差很小。误差和时间偏差仅存在于一些区域中。

使用图6的高速公路驾驶数据集，对不同机器学习模型的比较产生以下如表1所示的结果，如下所示：

表1：不同模型之间的比较

虽然ARMA模型是金融领域中使用最广泛的时间系列预测模型，但是它对于高速公路驾驶中的车辆速度预测表现不佳。预测车辆速度的问题在市场上不具有诸如季节性的特征，这是ARMA模型的优势。NARX模型获得了第二好的预测性能。它减少了MAE和时间偏差。LSTM实现了最佳的预测性能和最小的时间偏差。还测试了为车辆速度预测而开发的随机预测模型，包括马尔可夫链(MC)模型和条件线性高斯(CLG)模型。随机预测模型在高速公路驾驶数据集上对于车辆速度预测表现不佳。

图12示出了两个不同的曲线图，这两个曲线图图示了通过使用标记的输入和未标记的输入针对图6的高速公路驾驶数据集测试LSTM模型而生成的目标速度时间系列曲线与预测速度时间系列曲线。左上方的曲线图是使用上面参考图6所述的地图标记作为输入生成的。左下方的曲线图是在没有标记输入的情况下生成的。右上方的曲线图被放大到左上方的曲线图的一部分。右下方的曲线图被放大到左下方的曲线图的一部分。上方的曲线图具有以m/s为单位0.90的10秒预测MAE。下方的曲线图具有以m/s为单位1.09的10秒预测MAE。如图所示，带标记的输入(在这个示例中为地图标记)的使用极大减少了时间偏差和MAE。

图13示出了两个不同的曲线图，这两个曲线图图示了通过使用标记的输入和未标记的输入针对图7的城市驾驶数据集测试LSTM模型而生成的目标速度时间系列曲线与预测速度时间系列曲线。左上方的曲线图是使用上面参考图7所述的标记作为输入生成的。左下方的曲线图是在没有标记输入的情况下生成的。右上方的曲线图被放大到左上方的曲线图的一部分。右下方的曲线图被放大到左下方的曲线图的一部分。上方的曲线图具有以m/s为单位1.07的10秒预测MAE。下方的曲线图具有以m/s为单位1.66的10秒预测MAE。下表2以表格形式示出了结果。

表2：针对城市数据集的LSTM预测结果

如图所示，标记输入的使用显著改善了结果。

图14图示了根据本公开的用于使用学习的车辆速度预测模型来预测驾驶时的车辆速度的处理流程400，其中该模型是使用指示加速/减速事件的标记输入训练的。如图所示，在驾驶期间，车辆被配置为接收可以提供关于在前交通的数据的传感器信号401(例如，雷达、激光雷达或其它传感器)、GPS信号402、车辆状态信号403和其它信号404，并将这些信号用作学习的车辆速度预测模型410的输入，该模型在操作420处用于预测到未来某个时间T(例如，1-10秒)的车辆速度。学习的车辆速度预测模型410可以被实现为存储在车辆的电子控制单元中的算法。在一些实施方式中，传感器信号401可以在被提供给学习的车辆速度预测模型410之前被预处理。取决于使用模型的车辆的类型、模型的预测时间以及需要预测模型的应用，预测的未来速度可以用于功率分配控制430(例如，在HEV中)、用于涡轮滞后补偿(例如，在ICE车辆中)或用于自动化驾驶控制(例如，在所有车辆中)。

在这种情况下，可以将加速或减速事件的标记存储在地图中(例如，作为与停车标志位置或道路曲率对应的标记)，并由车辆的控制单元检索以在驾驶期间提供标记的输入。替代地，可以动态地生成标记(例如，根据对交通信号灯的了解或根据交通状况图)。

如本文所使用的，术语部件可以描述可以根据本申请的一个或多个实施例执行的给定功能单元。如本文所使用的，部件可以利用任何形式的硬件、软件或其组合来实现。例如，可以实现一个或多个处理器、控制器、ASIC、PLA、PAL、CPLD、FPGA、逻辑部件、软件例程或其它机制，以组成部件。本文描述的各种部件可以被实现为分立的部件，或者所描述的功能和特征可以在一个或多个部件之间部分或全部共享。换句话说，对本领域的普通技术人员来说，在阅读本说明书之后将显而易见的是，本文描述的各种特征和功能可以在任何给定的应用中实现。可以在一个或多个分离或共享的部件中以各种组合和置换来实现它们。虽然各种特征或功能元件可以作为分离的部件被单独地描述或要求保护，但是应当理解的是，这些特征/功能可以在一个或多个公共软件和硬件元件之间共享。这样的描述不应要求或暗示使用分离的硬件或软件部件来实现这样的特征或功能。

在使用软件全部或部分地实现部件的情况下，可以将这些软件元件实现为与能够执行关于其描述的功能的计算或处理部件一起操作。一个这样的示例计算部件在图15中示出。按照这个示例计算部件800描述各种实施例。在阅读本描述之后，对于相关领域的技术人员而言，如何使用其它计算部件或体系架构来实现该申请将变得显而易见。

现在参考图15，计算部件800可以表示例如计算机处理单元或对于给定应用或环境可能是期望的或适当的任何其它类型的专用或通用计算设备中发现的计算或处理能力。计算部件800还可以表示嵌入在给定设备内或以其它方式可用于给定设备的计算能力。例如，计算部件可以在诸如例如可能包括某种形式的处理能力的电子设备之类的其它电子设备中找到。

计算部件800可以包括例如一个或多个处理器、控制器、控制部件或其它处理设备。这可以包括处理器和/或组成电子控制设备50和/或其组件部分的任何一个或多个部件、液压控制回路40或车辆的其它部件或元件，例如，信号传感器等。处理器804可以使用通用或专用处理引擎来实现，诸如，例如，微处理器、控制器或其它控制逻辑。处理器804可以连接到总线802。但是，任何通信介质都可以用于促进与计算部件800的其它部件的交互或进行外部通信。

计算部件800还可以包括一个或多个存储器部件，在本文中简称为主存储器808。例如，随机存取存储器(RAM)或其它动态存储器可以用于存储将由处理器804执行的信息和指令。主存储器808还可以用于在执行要由处理器804执行的指令期间存储临时变量或其它中间信息。计算部件800同样可以包括耦合到总线802的只读存储器(“ROM”)或其它静态存储设备，用于存储用于处理器804的静态信息和指令。

计算部件800还可以包括一种或多种各种形式的信息存储机制810，其可以包括例如介质驱动器812和存储单元接口820。介质驱动器812可以包括驱动器或支持固定或可移动存储介质814的其它机制。例如，可以提供硬盘驱动器、固态驱动器、磁带驱动器、光学驱动器、光盘(CD)、数字视频盘(DVD)驱动器、或蓝光驱动器(R或RW)或其它可移动或固定介质驱动器。存储介质814可以包括例如硬盘、固体驱动器、集成电路组件、磁带、盒式磁带、光盘、CD、DVD或蓝光盘。存储介质814可以是由介质驱动器812读取、写入或访问的任何其它固定或可移动介质。如这些示例所示，存储介质814可以包括其中存储有计算机软件或数据的计算机可用存储介质。

在替代实施例中，信息存储机制810可以包括用于允许将计算机程序或其它指令或数据加载到计算部件800中的其它类似工具。这样的工具可以包括例如固定或可移动存储单元822和接口820。这种存储单元822和接口820的示例可以包括程序盒和盒接口、可移动存储器(例如，闪存或其它可移动存储器部件)和存储器插槽。其它示例可以包括PCMCIA插槽和卡，以及允许软件和数据从存储单元822传送到计算部件800的其它固定或可移动存储单元822和接口820。

计算部件800还可以包括通信接口824。通信接口824可以用于允许软件和数据在计算部件800和外部设备之间传送。通信接口824的示例可以包括调制解调器或软调制解调器、网络接口(诸如以太网、网络接口卡、WiMedia、IEEE 802.XX或其它接口)。其它示例包括通信端口(诸如例如USB端口、IR端口、RS232端口、

在本文档中，术语“计算机可读介质”、“计算机可用介质”和“计算机程序介质”通常用于指易失性或非易失性的非暂态介质，诸如，例如，存储器808、存储单元820和介质814。这些和其它各种形式的计算机程序介质或计算机可用介质可以涉及将一个或多个指令的一个或多个序列运送到处理设备以执行。在介质上实施的此类指令一般被称为“计算机程序代码”或“计算机程序产品”(其可以以计算机程序或其它分组的形式进行分组)。在被执行时，这样的指令可以使计算模块800能够执行如本文所讨论的本申请的特征或功能。

应当理解的是，在一个或多个独立实施例中描述的各种特征、方面和功能在其适用性上不限于描述它们的特定实施例。相反，它们可以被单独地或以各种组合应用于一个或多个其它实施例，而不管是否描述了这样的实施例以及这样的特征是否被表示为所描述的实施例的一部分。因此，本申请的广度和范围不应受任何上述示例性实施例的限制。

除非另有明确说明，否则本文档中使用的术语和短语及其变体应当被解释为开放式而不是限制性的。作为前述的示例，术语“包括”应当被理解为意思是“包括，但不限于”等。术语“示例”用于提供所讨论的项目的示例性实例，而不是其详尽或限制性列表。术语“一”或“一个”应当理解为是指“至少一个”、“一个或多个”等；以及诸如“常规”、“传统”、“正常”、“标准”、“已知”之类的形容词。相似含义的术语不应当解释为将针对给定时间段或可用项目描述的项目限制为给定时间。代替地，应当将它们理解为涵盖现在或将来任何时候可用或已知的常规、传统、正常或标准技术。在本文档涉及本领域普通技术人员将显而易见或已知的技术的情况下，此类技术涵盖本领域技术人员现在或将来任何时候显而易见或已知的技术。

在一些情况下，扩展词和短语(诸如“一个或多个”、“至少”、“但不限于”或其它类似短语)的出现不应被理解为在可能没有这种扩展短语的情况下意图或要求使用较窄的情况。术语“部件”的使用并不意味着作为部件的一部分描述或要求保护的方面或功能都配置在一个公共的程序包中。实际上，部件的各个方面的任何一个或全部，无论是控制逻辑还是其它部件，可以组合在单个程序包中或分开维护，并且还可以在多个分组或程序包中或跨多个位置分布。

此外，根据示例性框图、流程图和其它图示描述本文阐述的各种实施例。在阅读本文档之后，对于本领域的普通技术人员将变得显而易见的是，可以在不限于所示示例的情况下实现所示出的实施例及其各种替代方案。例如，框图及其随附的描述不应当被解释为要求特定的体系架构或配置。