面对能源结构即将到来的重要转折点,新能源汽车行业也因此掀起了一轮新的技术革命浪潮。但是传统新能源汽车在能量管理系统方面仍是依靠已有的典型道路工况,这些典型道路工况具有普遍性,但是对于不同驾驶员在不同的交通环境道路下行驶不同的车辆会产生完全不同的工况数据,这就会使新能源汽车节能减排的效果大打折扣。并且对于驾驶新能源汽车的驾驶员来说,对未来行驶环境的未知性也致使驾驶员不能制定出更加明智的驾驶策略,消耗更多的精力和能量在路上。因此,对未来行驶路况下的车速进行准确预测,将其应用于新能源汽车的智能能量管理系统和智能导航系统,就能解决上述问题。而本文针对传统和当前车速预测算法的局限性,提出基于人-车-路-交通系统并结合人工智能算法的车速预测模型,对未来长短时间车速进行预测,分别用于功率预测、行驶能量消耗预测、行驶时间消耗预测三个场景中。具体内容如下:(1)通过对人-车行驶特性、道路信息、交通流的分析,确定影响车速预测的因素,并且设计实验对其数据进行采集,再利用皮尔逊相关系数法分别对短时间车速预测模型和长时间车速预测模型提取关键因素,从而减小模型训练负担,提高运算效率。(2)对于短时间车速预测(非整个规划路径),基于已提取的关键因素,利用多种人工智能算法对其进行预测分析,得出最优算法模型,即优化GA-SVM模型,从而构建短时间车速预测模型。并将短时间车速预测结果应用于功率预测,评价其预测效果。(3)对于长时间车速预测(整个规划路径),基于已提取的关键因素,利用多种典型的人工智能算法对其进行预测分析,得出最优算法模型,即BP-LSTM模型,从而构建长时间车速预测模型。并将长时间车速预测结果应用于车辆行驶能量消耗预测和车辆行驶时间预测,评价其预测效果。研究结果表明,构建的优化GA-SVM预测模型和BP-LSTM预测模型分别在短时间车速预测和长时间车速预测上都能取得较好的预测效果,且具有较强的实用性,对于能量管理和驾驶策略制定都具有一定的参考价值。