插电式混合动力汽车(PHEV)是解决目前能源危机、环境污染以及传统汽车燃油成本居高不下等问题的有效途径之一,而高效的能量管理策略(EMS)是插电式混合动力汽车实现以上目标的关键技术与根本保证,预测能量管理策略是兼具实时控制与最优控制特性的能量管理策略之一,在预测能量管理策略中,短期工况预测算法与交通信息获取技术是关乎预测能量管理策略效果、性能的核心要点与关键技术。因此,本文针对插电式混合动力汽车预测能量管理策略中短期工况预测与交通信息获取等问题,开展关于短期工况预测算法与交通信息生成技术的研究,其主要内容有:(1)阐述了目前在时间序列预测领域常采用的预测方法,并进行了归类分析,将预测方法分为基于特征和非特征的预测方法;在分别介绍指数平滑预测、随机过程预测与机器学习预测等传统预测算法的基本原理的基础上,进一步分析了影响各预测算法特性的关键因素,建立了相应预测算法的短期工况仿真模型,并基于MATLAB仿真平台进行仿真分析;提出了包含整体均方根误差、偏度、峰度等在内的五种评价指标用于评价短期工况预测算法的综合性能,弥补了在短期工况预测领域采用单一精度评价方法的不足。(2)为充分发挥随机过程预测在工况趋势预测和工况随机波动模拟,以及机器学习能够高精度拟合局部信息的优势,提出了融合随机过程预测与机器学习的短期工况预测算法。通过主成分分析方法对提取的特征参数进行降维,以及通过遗传算法优化组合预测模型初始参数,避免预测模型陷入局部最优。仿真结果显示优化后的组合预测算法相对于一阶马尔可夫链单尺度多步预测算法、一阶马尔可夫链多尺度单步预测算法、BP神经网路、RBF神经网络的整体均方根误差所指精度分别提高了45.32%、49.20%、39.13%、40.56%,且误差分布更加合理。开展了基于智能手机传感器的实时在线预测实验验证了所提预测算法的可行性和实时性。(3)在长期交通信息生成方面,通过智能互联终端(本文为GPS)获取的目标路段的所有车辆的位置、时间、速度等信息,进行交通流平均速度的获取,针对由于地理位置偏僻或终端收集数据较少等导致的数据缺失问题,进行了基于KNN近邻法的缺失数据补齐,然后进行目标路段交通信息的提取,为了提取满足汽车行驶特性的交通信息,采用小波进行在线重构,仿真结果表明在30%随机缺失的情况下,本文所提交通信息填补值与真实值的相关系数为0.9782,小波重构的均方误差为0.4017,表明采用车载互联终端能够生成交通信息,并验证了本文所提交通信息生成方法的有效性。(4)为了探究不同预测算法对插电式混合动力汽车能耗经济性的影响,制定了基于不同预测算法的模型预测控制能量管理策略,并在MATLAB平台进行仿真分析。在UDDS工况下的仿真结果显示基于组合预测算法的能耗经济性最接近基于全局优化的能量管理策略的仿真结果,验证了本文所提能量管理策略的有效性。由于BP、RBF、组合预测的偏度与峰度值非常接近导致三者的能耗经济性比较接近,且结果表明整体均方根越小并不一定获得最好的能耗经济性,进一步验证了所提短期工况预测评价方法的合理性,进而为短期工况预测算法的制定和优化提供参考。