[發明專利]一種基于最小二乘支持向量機的油耗預測方法

有效

• 申請號: 201710453070.6
• 申請日: 2017-06-15
• 公開（公告）號: CN107368913B
• 公開（公告）日: 2020-06-12
• 發明（設計）人: 劉昱;李孟良;徐月云;賀可勛;汪洋;郭謹瑋;秦孔建;張詩敏
• 申請（專利權）人: 中國汽車技術研究中心
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06K9/62;G06Q50/30
• 代理公司: 天津濱海科緯知識產權代理有限公司 12211
• 代理人: 張瑩

本發明提供了一種基于改進粒子群算法優化最小二乘支持向量機的車輛油耗預測方法，采用改進粒子群算法對最小二乘支持向量機模型的核函數參數和懲罰因子進行優化，利用訓練好的改進粒子群算法優化最小二乘支持向量機的車輛油耗預測模型對測試樣本的油耗進行預測。本發明采用對稱不確定度可以篩選出油耗敏感特征參數，采用改進粒子群算法可以獲得準確的核函數參數和懲罰因子，提高了最小二乘支持向量機模型的預測精度，有效彌補了型式認證油耗與車輛實際油耗偏差較大的不足。

技術領域

本發明屬于交通運輸領域，尤其是涉及一種基于最小二乘支持向量機的油耗預測方法。

背景技術

隨著能源和環境壓力的不斷增大，作為能耗大戶的汽車面臨著越來越嚴峻的低碳挑戰。我國明確規定到2020年，汽車的綜合油耗要達到5L/100km的水平。并于2010年建立了輕型汽車燃料消耗量公示制度。該制度規定除了在工信部網站公示外，車企必須在車輛出廠前在車身上粘貼公告油耗標識。公告油耗是通過型式認證試驗獲得，而型式認證的結果比車主實際使用中的油耗低20-30％左右，并且不同車型間具有明顯差異。產生成這種差異的原因主要有兩個：一是測試循環的差異，我國乘用車燃油消耗量型式試驗中采用了歐洲循環(New European Driving Cycle，NEDC)，該循環在平均速度、怠速比例和加減速特征方面與我國車輛的實際運行特征存在明顯差異；另外的原因是測試程序的設置與實際不符。針對這一問題，工信部已委托開發能夠全面反映我國車輛實際運行狀況的中國工況，并計劃將該工況與新的測試規程一起應用于新的油耗測試標準。但是從工況的開發到油耗標準的實施需要漫長的時間周期，因此開發一種車輛實際油耗預測方法是非常有必要的。

Tolouei、莊仲達和蔡鳳田等人分別從不同角度分析了影響汽車油耗的主要因素，但都是采用了定性描述的方式。程曉娟和周道良等人利用神經網絡對汽車燃油消耗進行了定量預測，但神經網絡存在著過學習、欠學習和隱含層網絡節點數量難以確定等問題。近年來，最小二乘支持向量機方法在非線性預測領域引起了廣泛的關注，但其核函數參數和懲罰因子的設定對模型的預測精度有重要影響，需要引入遺傳算法等優化方法對上述參數進行優化。

發明內容

有鑒于此，本發明旨在提出一種基于最小二乘支持向量機的油耗預測方法，首先采用對稱不確定度方法確定車輛油耗的敏感性參數，然后以油耗敏感參數和型式認證為輸入，實際油耗為輸出，建立了改進粒子群算法優化最小二乘支持向量機的車輛油耗預測方法。

為達到上述目的，本發明的技術方案是這樣實現的：

一種基于最小二乘支持向量機的油耗預測方法，工況構建流程主要包含以下幾個步驟：

(1)采集多輛車的OBD數據(發動機轉速和瞬時油耗)和GPS車速數據；計算車輛的運行特征參數，包括平均速度和怠速比例。

(2)收集步驟(1)中車輛的設計參數數據，包括車身參數、發動機參數和傳動系統特征參數等；對車輛特征參數進行離散化處理。

(3)計算上述運行特征參數和設計參數與車輛實際油耗的對稱不確定度SU

其中，SU為對稱不確定度，X為某一運行特征參數或設計參數，Y為車輛的實際油耗，H(X)為變量X的熵，H(Y)為變量Y的熵，MI(X；Y)為變量X和Y的互信息。

(4)選擇對稱不確定度大于0.15的特征作為油耗敏感特征。

(5)將車輛劃分為訓練樣本和測試樣本。

(6)將訓練樣本的油耗敏感特征和型式認證油耗作為輸入，車輛實際油耗作為輸出，建立基于最小二乘支持向量機的油耗預測方法；并采用改進粒子群算法對最小二乘支持向量機模型的核函數參數和懲罰因子進行優化；與原粒子群算法相比，改進粒子群算法采用可變慣性權重來確保算法初期具有較好的全局搜索能力，算法后期具有較好的局部搜索能力和收斂速度，可變慣性權重公式如下：