基于RBF神经网络模型，根据历史车速信息，预测将来几秒预测时域的车速信息的时序预测模型（本程序先根据训练工况训练，采用训练后的神经网络模型，预测UDDS循环工况，每个时间点车速下将来几秒内 的车速信息）。 1.文件包括，训练工况（.mat数据，工况可自己选取最好与想要预测的工况类似，如预测工况是城郊工况，训练工况最好也选择同类的）以及测试工况（.mat数据， 自己选取想要预测的工况），以及REF预测主程序（.m程序）； 2.车速预测程序基于matlab m编程完成，已备注好如何修改预测步长，可根据需求自己调整 ； 3.程序主要适用于MPC（模型预测控制）或其基于MPC的能量管理策略的车速预测部分，或其他时序预测类也可参考（坡度预测、流量预测等）。

概述

本项目实现了一个基于径向基函数（Radial Basis Function, RBF）神经网络的车速时序预测系统，旨在利用历史车速数据对未来若干秒内的车速进行高精度预测。该模型特别适用于智能交通、自动驾驶能量管理、车辆控制策略优化等场景，其中对未来行驶状态的准确预判是提升系统性能的关键前提。

整个系统以 MATLAB 为开发平台，采用模块化设计思路，依次完成数据准备、归一化处理、RBF 网络构建与训练、测试预测、误差评估及结果可视化等核心流程。模型在训练阶段使用特定工况下的历史车速序列进行学习，并在测试阶段对 UDDS（Urban Dynamometer Driving Schedule）标准驾驶循环进行预测验证，具备良好的泛化能力与工程实用性。

功能流程详解

1. 数据加载与划分

系统首先加载两组数据：

• 训练数据（xunlian）：用于构建和训练 RBF 神经网络模型；
• 测试数据（ceshi）：用于评估模型在未见数据上的预测性能。

数据总长度为训练集与测试集之和，系统自动计算各自样本数量，并为后续输入输出构造预留空间。

2. 时序窗口构造

为适配 RBF 网络的输入输出结构，系统采用滑动窗口机制构建监督学习样本：

• 输入窗口长度：7 个连续时间步的历史车速值（对应预测未来 7 秒）；
• 输出窗口长度：紧随其后的 7 个时间步的真实车速值。

训练集和测试集均按此规则生成多组输入-输出对，形成标准的监督学习格式。该设计隐含“多步预测”能力，即单次输入可同时预测未来多个时间点的车速。

注：代码中多个数值（如 6、7、13、14）均与预测步长 7 秒强相关，若需调整预测时域，需同步修改这些参数。

3. 数据归一化

为提升神经网络训练的稳定性与收敛速度，所有输入和输出数据均通过 mapminmax 函数进行线性归一化（映射至 [-1, 1] 区间）。训练集的归一化参数（最小值、最大值）被保存，并复用于测试集，确保数据处理的一致性，避免信息泄露。

4. RBF 神经网络构建与训练

系统采用 MATLAB 内置的 newrb 函数创建 RBF 网络，其核心配置如下：

• 目标误差（goal）：1e-3，控制训练终止条件；
• 扩散系数（spread）：25（即 5²），影响径向基函数的覆盖范围；
• 最大神经元数（N）：125（即 5³），限制网络复杂度以防过拟合。

newrb 采用增量式训练策略，逐步添加隐层神经元直至满足精度要求或达到上限，兼顾模型性能与计算效率。

5. 模型预测与反归一化

训练完成后，模型分别对训练集和测试集进行预测：

• 调用 sim 函数获取归一化输出；
• 利用训练阶段保存的输出归一化参数进行反变换，还原为原始车速单位。

此外，系统还支持对单组最新历史数据进行“滚动预测”，模拟实际部署中仅知最近 7 秒车速时对未来进行推演的场景。

6. 误差评估与指标计算

系统计算多项关键性能指标：

• 绝对误差（Error） 与 相对误差（PerError）：逐点评估预测偏差；
• 平均绝对误差（MAE）：反映整体预测精度；
• 平均绝对百分比误差（MAPE）：衡量相对误差的平均水平；
• 均方根误差（RMSE）：对大误差更敏感，常用于回归任务评价。

异常相对误差（绝对值 >1）被置零处理，避免极端值对 MAPE 的干扰。

7. 可视化分析

系统提供三类图形化结果：

1. 测试集预测 vs 真实值曲线：直观展示模型跟踪能力；
2. 测试相对误差分布图：揭示误差波动特性；
3. 多步预测轨迹叠加图：将每个时间点预测的未来 7 步车速连续绘制，形成“预测云”，并与真实轨迹对比，全面反映模型的时序预测一致性。

应用价值与扩展性

本模型具备以下工程优势：

• 轻量高效：RBF 网络结构简单，训练速度快，适合嵌入式或实时系统部署；
• 多步输出：一次推理即可获得未来多秒预测，满足控制策略对时域信息的需求；
• 参数可调：预测步长、网络复杂度等关键参数易于修改，适应不同场景精度与延迟要求。

未来可扩展方向包括：

• 引入更多特征（如坡度、交通状态）构建多变量预测模型；
• 采用在线学习机制实现模型动态更新；
• 与 MPC（模型预测控制）等高级控制算法集成，形成闭环优化系统。

---

本系统为车速预测提供了一套完整、可复现、易部署的技术方案，兼具学术严谨性与工程实用性，可作为智能车辆能量管理、驾驶行为建模等研究与开发工作的基础模块。