本發(fā)明涉及一種汽車行駛工況預(yù)測系統(tǒng)，特別涉及一種融合智能通訊信息的混合動力汽車未來工況預(yù)測系統(tǒng)，屬于智能交通技術(shù)領(lǐng)域。

背景技術(shù)：

行駛工況是混合動力汽車能量管理策略設(shè)計(jì)考慮的重要因素之一，對提高整車燃油經(jīng)濟(jì)性有著至關(guān)重要的作用。開發(fā)對未來控制時(shí)域內(nèi)工況進(jìn)行合理精確預(yù)測的系統(tǒng)，進(jìn)而結(jié)合預(yù)測能量管理算法實(shí)現(xiàn)混合動力系統(tǒng)實(shí)時(shí)最優(yōu)控制，已成為混動汽車智能能量管理策略的有效方法。目前行駛工況預(yù)測的主要研究是根據(jù)車輛自身行駛一定周期后的工況數(shù)據(jù)后，結(jié)合建立的預(yù)測模型作出對車輛未來工況的預(yù)測。由于依賴車輛運(yùn)行一定周期的歷史數(shù)據(jù)積累之后作出的工況預(yù)測，未來工況預(yù)測結(jié)果存在滯后性、準(zhǔn)確率低，參考性差等問題。如2013年8月14日申請公布的發(fā)明專利：申請公布號：cn103246943a，基于馬爾可夫鏈的汽車運(yùn)行工況多尺度預(yù)測方法，該方法建立汽車運(yùn)行工況的馬爾可夫鏈預(yù)測模型，根據(jù)汽車運(yùn)行工況的歷史信息，通過極大似然估計(jì)計(jì)算出狀態(tài)轉(zhuǎn)移矩陣；運(yùn)用馬爾可夫鏈蒙特卡洛模擬方法，根據(jù)獲得的狀態(tài)轉(zhuǎn)移矩陣進(jìn)行不同時(shí)間尺度的汽車運(yùn)行工況預(yù)測；再將不同尺度預(yù)測結(jié)果在原數(shù)據(jù)頻率下融合，獲得汽車運(yùn)行工況多尺度預(yù)測結(jié)果。該方法基于汽車自身運(yùn)行工況的歷史信息，通過建立馬爾可夫鏈預(yù)測模型完成對汽車工況的多尺度預(yù)測，由于汽車自身運(yùn)行工況的歷史信息的對未來工況預(yù)測的結(jié)果實(shí)時(shí)性差，且工況預(yù)測模型預(yù)測結(jié)果缺少對誤差的深度分析的，不能保證預(yù)測模型和預(yù)測結(jié)果兩者預(yù)測精度，因此未來工況預(yù)測結(jié)果存在滯后性、準(zhǔn)確率低，參考性差等問題。

技術(shù)實(shí)現(xiàn)要素：

本發(fā)明的目的是提供一種能準(zhǔn)確的獲取與本車未來工況信息最為接近的前車工況信息，并以此為基礎(chǔ)進(jìn)行未來工況預(yù)測，所得預(yù)測結(jié)果具有實(shí)時(shí)性好、準(zhǔn)確率高，可參考性強(qiáng)的融合智能通訊信息的混合動力汽車未來工況預(yù)測系統(tǒng)，其技術(shù)內(nèi)容為：

融合智能通訊信息的混合動力汽車未來工況預(yù)測系統(tǒng)，包括智能通訊系統(tǒng)、工況數(shù)據(jù)采集單元、未來工況預(yù)測模塊和預(yù)測結(jié)果輸出模塊，其特征在于：該工況預(yù)測系統(tǒng)還包括工況數(shù)據(jù)篩選模塊、行駛工況劃分模塊、采樣時(shí)間反饋單元、在線預(yù)測結(jié)果分析模塊和預(yù)測結(jié)果在線修正模塊；

所述的智能通訊系統(tǒng)包括v2v車車通訊系統(tǒng)、v2i車路通訊系統(tǒng)和車載定位系統(tǒng)，可將獲取的信息傳遞給工況數(shù)據(jù)采集單元，所述的v2v車車通訊系統(tǒng)用于獲取周圍車輛行駛狀態(tài)信息，所述的v2i車路通訊系統(tǒng)用于獲取交通路況信息，所述的車載定位系統(tǒng)用于獲取周圍及當(dāng)前車輛位置信息和行駛路徑信息；

所述的工況數(shù)據(jù)采集單元按照采樣時(shí)間反饋單元提供采樣時(shí)間長度確定工況數(shù)據(jù)的采樣周期，并將采樣周期內(nèi)的工況數(shù)據(jù)信息傳遞給工況數(shù)據(jù)篩選模塊；

所述的工況數(shù)據(jù)篩選模塊對工況數(shù)據(jù)采集單元的數(shù)據(jù)進(jìn)行篩選，確定最佳的工況數(shù)據(jù)獲取途徑，并將經(jīng)過最佳篩選途徑獲取的數(shù)據(jù)信息輸入至行駛工況劃分模塊；

所述的行駛工況劃分模塊對獲取的行駛工況數(shù)據(jù)進(jìn)行行駛工況劃分，結(jié)合行駛工況路網(wǎng)和交通信息確定劃分時(shí)間窗口長度，并將所劃分時(shí)間窗口內(nèi)的工況數(shù)據(jù)送入未來工況預(yù)測模塊；

所述的采樣時(shí)間反饋單元接收行駛工況劃分模塊確定的劃分時(shí)間窗口長度，并以此作為采樣周期送回工況數(shù)據(jù)采集單元，實(shí)現(xiàn)對工況數(shù)據(jù)采集單元采樣時(shí)間的反饋調(diào)整控制；

所述的未來工況預(yù)測模塊包括工況數(shù)據(jù)處理模塊、樣本數(shù)據(jù)單元、未來工況預(yù)測模型和預(yù)測模型輸出單元，所述的工況數(shù)據(jù)處理模塊接收行駛工況劃分模塊劃分時(shí)間窗口內(nèi)的工況數(shù)據(jù)，并對數(shù)據(jù)進(jìn)行濾波、歸一化處理后傳遞給樣本數(shù)據(jù)單元，所述的樣本數(shù)據(jù)單元確定預(yù)測模型的輸入數(shù)據(jù)類型后傳遞給未來工況預(yù)測模型，所述的未來工況預(yù)測模型根據(jù)樣本數(shù)據(jù)單元的數(shù)據(jù)作出在線預(yù)測結(jié)果，并將預(yù)測結(jié)果送入預(yù)測模型輸出單元；

所述的未來工況預(yù)測模型包括最小二乘支持向量機(jī)(ls-svm)工況預(yù)測模型、自回歸滑動平均誤差修正模型(arma)和預(yù)測模型精度判斷單元，未來工況預(yù)測模型的構(gòu)建可通過樣本數(shù)據(jù)單元確定樣本訓(xùn)練數(shù)據(jù)，對建立的ls-svm工況預(yù)測模和arma誤差修正模型進(jìn)行離線訓(xùn)練，并利用預(yù)測模型精度判斷單元對ls-svm工況預(yù)測模和arma誤差修正模型做出的預(yù)測結(jié)果進(jìn)行預(yù)測精度判斷，當(dāng)不滿足預(yù)測精度要求時(shí)，進(jìn)一步調(diào)整arma誤差修正模型，直到預(yù)測結(jié)果滿足預(yù)測精度要求時(shí)，從而最終確定ls-svm工況預(yù)測與arma誤差修正相結(jié)合帶有預(yù)測模型精度判斷的未來工況預(yù)測模型；

所述的在線預(yù)測結(jié)果分析模塊，接收當(dāng)前預(yù)測模型輸出單元的在線預(yù)測結(jié)果或當(dāng)前經(jīng)過預(yù)測結(jié)果在線修正模塊修正后的預(yù)測結(jié)果，計(jì)算預(yù)測結(jié)果與未來工況實(shí)際結(jié)果兩者的差值并進(jìn)行預(yù)測結(jié)果精度的判斷，當(dāng)不滿足預(yù)測精度要求時(shí)，在下一段的工況預(yù)測時(shí)，優(yōu)先通過預(yù)測結(jié)果在線修正模塊對所得的在線預(yù)測結(jié)果進(jìn)行誤差修正后，作為最終預(yù)測結(jié)果輸入至預(yù)測結(jié)果輸出模塊；當(dāng)滿足預(yù)測精度要求時(shí)，在下一段的工況預(yù)測時(shí)不進(jìn)行誤差修正，直接將在線預(yù)測結(jié)果輸入至預(yù)測結(jié)果輸出模塊；

所述的預(yù)測結(jié)果在線修正模塊，可通過再次建立的arma誤差預(yù)測修正模型得到，誤差預(yù)測修正模型可根據(jù)預(yù)測結(jié)果與實(shí)際結(jié)果的差值情況對arma誤差預(yù)測修正模型的參數(shù)進(jìn)行調(diào)整；

所述的預(yù)測結(jié)果輸出模塊，把預(yù)測模型輸出單元的在線預(yù)測結(jié)果或經(jīng)過預(yù)測結(jié)果在線修正模塊修正后的預(yù)測結(jié)果輸出。

本發(fā)明與現(xiàn)有技術(shù)相比，有益效果如下：

(1)相比于依賴車輛自身運(yùn)行一定周期的歷史數(shù)據(jù)積累之后作出的工況預(yù)測，該工況預(yù)測系統(tǒng)采用智能通訊系統(tǒng)，結(jié)合預(yù)測系統(tǒng)中的工況數(shù)篩選模塊，能準(zhǔn)確的獲取與本車未來工況信息最為接近的前車工況信息，保證了數(shù)據(jù)源的有效性和準(zhǔn)確性，以此為基礎(chǔ)進(jìn)行工況預(yù)測，結(jié)果更加接近未來實(shí)際工況；

(2)該工況預(yù)測系統(tǒng)中的行駛工況劃分模塊結(jié)合行駛工況路網(wǎng)和交通信息對獲取的行駛工況進(jìn)行劃分，通過將劃分時(shí)間窗口長度輸入至采樣時(shí)間反饋單元，實(shí)現(xiàn)工況數(shù)據(jù)采集單元對采樣時(shí)間的閉環(huán)反饋調(diào)整控制，進(jìn)而保證了所獲取工況數(shù)據(jù)的實(shí)效性；

(3)該工況預(yù)測系統(tǒng)從兩方面更好的保證了預(yù)測結(jié)果的精確性：系統(tǒng)的未來工況預(yù)測模型中加入了誤差修正模型和預(yù)測模型精度判斷，較好的保證了預(yù)測模型精度；此外系統(tǒng)的在線預(yù)測結(jié)果分析模塊對當(dāng)前在線預(yù)測結(jié)果進(jìn)行預(yù)精度分析，進(jìn)而通過預(yù)測結(jié)果在線修正模塊對下時(shí)間段的工況預(yù)測進(jìn)行修正和調(diào)整，進(jìn)一步保證預(yù)測結(jié)果準(zhǔn)確性；

(4)由于固定線路運(yùn)行的混合動力車輛在利用本系統(tǒng)進(jìn)行前車行駛工況數(shù)據(jù)獲取、工況劃分時(shí)更為準(zhǔn)確，因此該工況預(yù)測系統(tǒng)特別適合應(yīng)用在固定線路運(yùn)行的混合動力車輛，如固定線路運(yùn)行的營運(yùn)及作業(yè)的混合動力車輛，如采用混合動力系統(tǒng)的公交車輛、固定線路物流車、清掃作業(yè)車輛等。

附圖說明

圖1是本發(fā)明實(shí)施例的工況預(yù)測系統(tǒng)結(jié)構(gòu)框圖。

圖2是本發(fā)明實(shí)施例工況預(yù)測系統(tǒng)的行駛工況數(shù)據(jù)篩選模塊的具體流程圖。

圖3是本發(fā)明實(shí)施例前車此前ty段與本車當(dāng)前tn段兩相同路段的示意圖。

圖4是本發(fā)明實(shí)施例工況預(yù)測系統(tǒng)的行駛工況劃分時(shí)間窗口長度的流程圖。

圖5是本發(fā)明實(shí)施例工況預(yù)測系統(tǒng)的未來工況預(yù)測模型的建立流程圖。

具體實(shí)施方式

下面結(jié)合附圖對本發(fā)明作進(jìn)一步說明：

融合智能通訊信息的混合動力汽車未來工況預(yù)測系統(tǒng)結(jié)構(gòu)框圖，如圖1所示，包括智能通訊系統(tǒng)、工況數(shù)據(jù)采集單元、未來工況預(yù)測模塊和預(yù)測結(jié)果輸出模塊，其特征在于：該工況預(yù)測系統(tǒng)還包括工況數(shù)據(jù)篩選模塊、行駛工況劃分模塊、采樣時(shí)間反饋單元、在線預(yù)測結(jié)果分析模塊和預(yù)測結(jié)果在線修正模塊；

所述的智能通訊系統(tǒng)包括v2v車車通訊系統(tǒng)、v2i車路通訊系統(tǒng)和車載定位系統(tǒng)，可將獲取的信息傳遞給工況數(shù)據(jù)采集單元，所述的v2v車車通訊系統(tǒng)用于獲取周圍車輛行駛狀態(tài)信息，所述的v2i車路通訊系統(tǒng)用于獲取交通路況信息，所述的車載定位系統(tǒng)用于獲取周圍及當(dāng)前車輛位置信息和行駛路徑信息；

所述的工況數(shù)據(jù)采集單元按照采樣時(shí)間反饋單元提供采樣時(shí)間長度確定工況數(shù)據(jù)的采樣周期，并將采樣周期內(nèi)的工況數(shù)據(jù)信息傳遞給工況數(shù)據(jù)篩選模塊；

所所述的工況數(shù)據(jù)篩選模塊對工況數(shù)據(jù)采集單元的數(shù)據(jù)進(jìn)行篩選，確定最佳的工況數(shù)據(jù)獲取途徑，并將經(jīng)過最佳篩選途徑獲取的數(shù)據(jù)信息輸入至行駛工況劃分模塊，工況數(shù)據(jù)篩選模塊具體流程如圖2所示，具體為：

根據(jù)v2v車車通訊系統(tǒng)獲取前車的車距、行駛方向及道路信息進(jìn)行分析，當(dāng)本車與前車不同向或不同路或車距大于s時(shí)，利用v2i車路通訊系統(tǒng)獲取由遠(yuǎn)程監(jiān)控平臺系統(tǒng)提供的上一時(shí)刻前車工況數(shù)據(jù)；

當(dāng)本車與前車同向同路且距離小于s時(shí)，首先判斷前車類型與本車類型是否相同，若前車類型與本車類型不相同，則通過對前車類型進(jìn)行篩選，匹配與本車類型最相近的前車作為目標(biāo)前車，若前車與本車類型相同且數(shù)量m＝1時(shí)，直接將前車作為目標(biāo)對象，若前車與本車類型相同且數(shù)量m>1時(shí)，通過前車此前與本車在相同路段內(nèi)的工況信息比對確定前車篩選的優(yōu)先級，優(yōu)先選定工況信息相似度較高的前車作為目標(biāo)前車；然后通過v2i車路通訊系統(tǒng)獲取目標(biāo)前車此前ty段與本車當(dāng)前tn段兩相同路段的交通流信息，如圖3所示，包括目標(biāo)前車此前ty段的交通流密度ky、交通流流量qy，本車當(dāng)前tn段的交通流密度kn、交通流流量qn，并計(jì)算兩者交通流密度的差值ek、交通流流量差值eq，分別與設(shè)定交通流密度變化情況臨界值k、交通流流量變化情況臨界值q進(jìn)行比較；若交通流變化較小即：ek≤k且eq≤q，利用v2v車車通訊系統(tǒng)獲取前車的工況信息；若交通流變化較大即：ek≥k或eq≥q，由v2v車車通訊系統(tǒng)獲取前車工況信息，同時(shí)結(jié)合v2i車路通訊系統(tǒng)獲取實(shí)時(shí)交通流信息，建立基于交通流變化的車速修正模型，對獲取的前車車速工況信息加以修正；

所述的同類型車輛為同款同型號完全相同的車型，所述的最相近的車輛類型是指整車質(zhì)量、動力源部件功率及滾阻都近似相同的車型；

所述的相同路段內(nèi)的工況信息對比，是在相同路段內(nèi)對車輛瞬時(shí)速度vt、平均車速vave、最大速度vmax、車速變化頻率f、路面坡度i、路面等級g、最大加速度amax、加速度均值am進(jìn)行的比對；

所述的基于交通流變化的車速修正模型，可通過構(gòu)建基于交通流變化的rbf神經(jīng)網(wǎng)絡(luò)車速修正模型得到，rbf神經(jīng)網(wǎng)絡(luò)車速修正模型的構(gòu)建包括：(1)確定rbf神經(jīng)網(wǎng)絡(luò)車速修正模型輸入?yún)?shù)矢量和輸出參數(shù)矢量，輸入?yún)?shù)矢量為當(dāng)前接收到得前車工況信息包括的瞬時(shí)速度vy_t，平均車速vy_ave、最大速度vy_max、車速變化頻率fy，以及本車當(dāng)前路段交通流信息包括交通流密度kn、交通流流量qn，即{vy_t，vy_ave，vy_max，fy，kn，qn}，輸出參數(shù)矢量為本車所對應(yīng)的未來實(shí)際工況的車速信息，包括本車瞬時(shí)速度vn_t，平均車速vn_ave、最大速度vn_max、車速變化頻率fn，即{vn_t，vn_ave，vn_max，fn}；(2)將輸入?yún)?shù)矢量和輸出參數(shù)矢量作為訓(xùn)練樣本，輸入到rbf神經(jīng)網(wǎng)絡(luò)模型中進(jìn)行離線訓(xùn)練，選用自組織選取中心的rbf神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)方法，求解確定隱含層基函數(shù)中心、奇函數(shù)的方差和隱含層單元輸出單元權(quán)值，最終建立的基于交通流變化的rbf神經(jīng)網(wǎng)絡(luò)車速修正模型；

所述的行駛工況劃分模塊對獲取的行駛工況數(shù)據(jù)進(jìn)行行駛工況劃分，結(jié)合行駛工況路網(wǎng)和交通信息確定劃分時(shí)間窗口長度，并將所劃分時(shí)間窗口內(nèi)的工況數(shù)據(jù)送入未來工況預(yù)測模塊；行駛工況劃分具體為：

按照行駛工況路網(wǎng)劃分為道路交叉路口和連接交叉路口的連接路段，再結(jié)合v2i車路通訊系統(tǒng)獲取的數(shù)據(jù)信息分別確定連接路段和道路交叉口的劃分時(shí)間窗口長度，如圖4所示；

所述的連接路段劃分時(shí)間窗口長度的確定，先根據(jù)連接路段內(nèi)道路路面等級劃分，在相同的道路路面等級下再按照交通流密度等級及通行速度等級的一致性進(jìn)行劃分，逐步縮短連接路段劃分時(shí)間窗口長度，再結(jié)合連接路段劃分時(shí)間窗口長度限值，進(jìn)而確定連接路段劃分時(shí)間窗口長度；所述的道路交叉口劃分時(shí)間窗口長度的確定，先將車輛通過交叉路口的通行狀態(tài)分為車輛加速通過交叉口和車輛停車起步通過交叉口兩類，分別結(jié)合此時(shí)交通流密度等級及交叉口劃分時(shí)間窗口長度限值，進(jìn)而確定交叉口劃分時(shí)間窗口長度；

所述的連接路段和交叉口劃分時(shí)間窗口長度限值，可分別對時(shí)間窗口長度從t1～t2進(jìn)行預(yù)測精確度仿真分析，綜合考慮不同時(shí)間窗口長度對計(jì)算量的影響，分別確定路段和交叉口劃分時(shí)間窗口長度的上限值和下限值；

所述的采樣時(shí)間反饋單元接收行駛工況劃分模塊確定的劃分時(shí)間窗口長度，并以此作為采樣周期送回工況數(shù)據(jù)采集單元，實(shí)現(xiàn)對工況數(shù)據(jù)采集單元采樣時(shí)間的反饋調(diào)整控制；

所述的未來工況預(yù)測模塊包括工況數(shù)據(jù)處理模塊、樣本數(shù)據(jù)單元、未來工況預(yù)測模型和預(yù)測模型輸出單元，所述的工況數(shù)據(jù)處理模塊接收行駛工況劃分模塊劃分時(shí)間窗口內(nèi)的工況數(shù)據(jù)，并對數(shù)據(jù)進(jìn)行濾波、歸一化處理后傳遞給樣本數(shù)據(jù)單元，所述的樣本數(shù)據(jù)單元確定預(yù)測模型的輸入數(shù)據(jù)類型后傳遞給未來工況預(yù)測模型，所述的未來工況預(yù)測模型根據(jù)樣本數(shù)據(jù)單元的數(shù)據(jù)作出在線預(yù)測結(jié)果，并將預(yù)測結(jié)果送入預(yù)測模型輸出單元；

所述的未來工況預(yù)測模型包括最小二乘支持向量機(jī)(ls-svm)工況預(yù)測模型、自回歸滑動平均誤差修正模型(arma)和預(yù)測模型精度判斷單元，未來工況預(yù)測模型的建立如圖5所示，具體為：

依據(jù)劃分的前車行駛工況，收集某段劃分時(shí)間窗口內(nèi)的前車實(shí)時(shí)運(yùn)行時(shí)工況信息，以及本車預(yù)測時(shí)間步長δt內(nèi)的未來實(shí)際工況信息數(shù)據(jù)，進(jìn)行濾波和參數(shù)化歸一處理后，將當(dāng)前接收到得前車的工況信息數(shù)據(jù)作為輸入，本車預(yù)測時(shí)間步長δt內(nèi)的未來實(shí)際工況信息數(shù)據(jù)作為輸出，構(gòu)造訓(xùn)練樣本集g，所述的工況信息包括車輛瞬時(shí)速度vt、平均車速vave、最大速度vmax、車速變化頻率f、路面坡度i、路面等級g、交通流密度ρ，最大加速度amax、加速度均值am；

由此構(gòu)造訓(xùn)練樣本集為：g＝{(x1,y1),(x2,y2)，……(xi,yi)，……(xn,yn)}，其中，當(dāng)前接收到得前車工況信息為：本車預(yù)測時(shí)間步長δt內(nèi)的未來的實(shí)際工況信息：

建立基于最小二乘支持向量機(jī)(ls-svm)與自回歸滑動平均誤差修正(arma)相結(jié)合的工況預(yù)測模型：

由最小二乘支持向量機(jī)理論，最優(yōu)回歸估計(jì)函數(shù)是在一定約束條件下的最小化泛函，即：

約束條件：

利用拉格朗日乘子法將問題轉(zhuǎn)化到其對偶空間并進(jìn)行優(yōu)化求解，可得ls-svm回歸估計(jì)函數(shù)模型為：

其中，為ls-svm的核函數(shù)，選定核函數(shù)為rbf徑向基核函數(shù)，由此可得：

并利用前車及本車工況數(shù)據(jù)的訓(xùn)練樣本集作為粒子，利用粒子群優(yōu)化算法確定核寬度σ和懲罰參數(shù)c；再利用訓(xùn)練樣本集g對最小二乘支持向量機(jī)模型進(jìn)行訓(xùn)練，確定拉格朗日乘子α和偏置值b，最終得到最小二乘支持向量機(jī)回歸模型函數(shù)；

根據(jù)自回歸滑動平均模型理論，可得arma(p，q)模型表達(dá)式為

yt＝φ1yt-1+φ2yt-2+…+φpyt-p+εt-γ1εt-1-γ2εt-2-…-γqεt-q

其中，(p，q)為自回歸滑動平均模型的階，φ1,φ2,…,φp,為自回歸參數(shù)，γ1,γ2,…,γq為滑動平均參數(shù)，εt為高斯白噪聲序列；

利用最小二乘支持向量機(jī)回歸模型預(yù)測的工況數(shù)據(jù)與實(shí)際工況數(shù)據(jù)兩者差值，組成誤差序列樣本，根據(jù)誤差序列樣本自相關(guān)系數(shù)的截尾性和偏自相關(guān)系數(shù)拖尾性，初步確定自回歸滑動平均誤差修正模型階數(shù)(p，q)，再用最小二乘估計(jì)法確定模型中的自回歸參數(shù)、滑動平均參數(shù)，最終得到自回歸滑動平均誤差修正模型；

再將利用ls-svm模型得到的工況預(yù)測值與arma模型得到的誤差修正值ei兩者之和作為預(yù)測調(diào)整值與工況實(shí)際值yi進(jìn)行比較，當(dāng)滿足預(yù)測精度要求時(shí)，將預(yù)測調(diào)整值作為最終預(yù)測值；當(dāng)預(yù)測精度不滿足要求，進(jìn)一步調(diào)整arma模型得到新的誤差修正值ei(k)，進(jìn)而得到新的預(yù)測調(diào)整值再與工況實(shí)際值yi比較并進(jìn)行預(yù)測精度分析，直到滿足預(yù)測精度要求，最終得到ls-svm工況預(yù)測與arma誤差修正相結(jié)合帶有預(yù)測模型精度判斷的未來工況預(yù)測模型；

所述的在線預(yù)測結(jié)果分析模塊，接收當(dāng)前預(yù)測模型輸出單元的在線預(yù)測結(jié)果或當(dāng)前經(jīng)過預(yù)測結(jié)果在線修正模塊修正后的預(yù)測結(jié)果，計(jì)算預(yù)測結(jié)果與未來工況實(shí)際結(jié)果兩者的差值并進(jìn)行預(yù)測結(jié)果精度的判斷，當(dāng)不滿足預(yù)測精度要求時(shí)，在下一段的工況預(yù)測時(shí)，優(yōu)先通過預(yù)測結(jié)果在線修正模塊對所得的在線預(yù)測結(jié)果進(jìn)行誤差修正后，作為最終預(yù)測結(jié)果輸入至預(yù)測結(jié)果輸出模塊；當(dāng)滿足預(yù)測精度要求時(shí)，在下一段的工況預(yù)測時(shí)不進(jìn)行誤差修正，直接將在線預(yù)測結(jié)果輸入至預(yù)測結(jié)果輸出模塊；

所述的預(yù)測結(jié)果在線修正模塊，可通過再次建立的arma誤差預(yù)測修正模型得到，誤差預(yù)測修正模型可根據(jù)預(yù)測結(jié)果與實(shí)際結(jié)果的差值情況對arma誤差預(yù)測修正模型的參數(shù)進(jìn)行調(diào)整，是指根據(jù)預(yù)測結(jié)果與實(shí)際結(jié)果的差值大小，對arma誤差預(yù)測修正模型的階數(shù)(p，q)、自回歸參數(shù)以及滑動平均參數(shù)進(jìn)行適應(yīng)性調(diào)整，使預(yù)測結(jié)果更加接近于實(shí)際結(jié)果；

所述的預(yù)測結(jié)果輸出模塊，把預(yù)測模型輸出單元的在線預(yù)測結(jié)果或經(jīng)過預(yù)測結(jié)果在線修正模塊修正后的預(yù)測結(jié)果輸出。