CN112700047A - 基于bp神经网络的油量损耗预测方法 - Google Patents
基于bp神经网络的油量损耗预测方法 Download PDFInfo
- Publication number
- CN112700047A CN112700047A CN202011637963.4A CN202011637963A CN112700047A CN 112700047 A CN112700047 A CN 112700047A CN 202011637963 A CN202011637963 A CN 202011637963A CN 112700047 A CN112700047 A CN 112700047A
- Authority
- CN
- China
- Prior art keywords
- neural network
- duration
- data
- fuel consumption
- vehicle driving
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 57
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 37
- 239000000446 fuel Substances 0.000 claims abstract description 43
- 230000006399 behavior Effects 0.000 claims abstract description 36
- 238000007418 data mining Methods 0.000 claims abstract description 9
- 238000012545 processing Methods 0.000 claims abstract description 4
- 238000012549 training Methods 0.000 claims description 24
- 230000006870 function Effects 0.000 claims description 15
- 238000003062 neural network model Methods 0.000 claims description 10
- 230000008569 process Effects 0.000 claims description 10
- 230000004913 activation Effects 0.000 claims description 9
- 210000002569 neuron Anatomy 0.000 claims description 9
- 238000007781 pre-processing Methods 0.000 claims description 7
- 238000005516 engineering process Methods 0.000 claims description 6
- 230000001133 acceleration Effects 0.000 claims description 4
- 230000007935 neutral effect Effects 0.000 claims description 4
- 238000012360 testing method Methods 0.000 abstract description 6
- 238000012417 linear regression Methods 0.000 description 16
- 238000002474 experimental method Methods 0.000 description 5
- 238000012843 least square support vector machine Methods 0.000 description 5
- 238000011156 evaluation Methods 0.000 description 4
- 238000012423 maintenance Methods 0.000 description 3
- 238000013507 mapping Methods 0.000 description 3
- 239000002245 particle Substances 0.000 description 3
- 238000002790 cross-validation Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 230000005284 excitation Effects 0.000 description 2
- 230000003631 expected effect Effects 0.000 description 2
- 238000000611 regression analysis Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000012854 evaluation process Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000008450 motivation Effects 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2465—Query processing support for facilitating data mining operations in structured databases
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/40—Business processes related to the transportation industry
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Human Resources & Organizations (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- General Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- General Engineering & Computer Science (AREA)
- Tourism & Hospitality (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- General Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- Development Economics (AREA)
- Evolutionary Computation (AREA)
- Quality & Reliability (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Databases & Information Systems (AREA)
- Educational Administration (AREA)
- Probability & Statistics with Applications (AREA)
- Fuzzy Systems (AREA)
- Primary Health Care (AREA)
- Combined Controls Of Internal Combustion Engines (AREA)
Abstract
本发明属于数据挖掘及汽车测试技术领域,具体涉及基于BP神经网络的油量损耗预测方法。包括如下步骤:S1,通过车辆传感器采集车辆驾驶行为数据,并由车辆传感器传回主***;S2,对车辆驾驶行为数据进行标准化处理,获得车辆驾驶行为数据的回归问题数据集;S3,利用基于BP神经网络的回归方法建立油量损耗预测模型;S4,获得基于不同车辆驾驶行为的油耗预测结果。本发明具有能够有效地处理智能车辆油耗预测问题且预测精度高的特点。
Description
技术领域
本发明属于数据挖掘及汽车测试技术领域,具体涉及基于BP神经网络的油量损耗预测方法。
背景技术
在汽车驾驶过程中,很难针对驾驶者的驾驶行为指标与驾驶车辆的油耗的复杂关系,建立起有效的数学模型,因此在车辆油耗测试过程中,主要通过后勤部门的主管感受对不同驾驶者的驾驶行为进行评价。显然,上述这种完全依赖人工主管感受的评价方式会极大地影响评价结果的科学性,无法满足企业对快速预测不同驾驶行为油耗指标的要求。
为了解决评价过程中主观性强、效率较低的问题,学者们开始使用数据挖掘的方法来对不同驾驶车辆的油耗量进行预测,力求从大量车辆驾驶数据中提取出车辆传感器指标和油耗指标的映射规则,以辅助或代替后勤人员完成对车辆油耗的感官预测。当前主要以线性回归方法来解决车辆驾驶的智能化油耗预测问题。
然而,车辆驾驶历史数据复杂,采用线性回归会遇到一些困难,例如有时候在回归分析中,选用何种因子和该因子采用何种表达式只是一种推测,这影响了因子的多样性和某些因子的不可测性,使得回归分析在某些情况下受到限制,因此在处理油耗预测问题时往往不能获得预期的效果。因此,设计一种具有更好的预测精度,能够有效地处理智能车辆油耗预测问题的方法,就显得十分必要。
例如,申请号为CN201710453070.6的中国发明专利所述的一种基于最小二乘支持向量机的油耗预测方法,采用改进粒子群算法对最小二乘支持向量机模型的核函数参数和惩罚因子进行优化,利用训练好的改进粒子群算法优化最小二乘支持向量机的车辆油耗预测模型对测试样本的油耗进行预测。虽然采用对称不确定度可以筛选出油耗敏感特征参数,采用改进粒子群算法可以获得准确的核函数参数和惩罚因子,提高了最小二乘支持向量机模型的预测精度,有效弥补了型式认证油耗与车辆实际油耗偏差较大的不足,但是其缺点在于由于采用的是最小二乘支持向量机模型,其适用的范围较小,预测精度较低,难以帮助企业在进行车辆油耗预测中提高工作效率,帮助企业科学高效地进行车辆维护和驾驶人员激励。
发明内容
本发明是为了克服现有技术中,采用线性回归分析的方式对不同驾驶车辆的油耗量进行预测,往往不能获得预期的效果,预测精度较差的问题,提供了一种能够有效地处理智能车辆油耗预测问题且预测精度高的基于BP神经网络的油量损耗预测方法。
为了达到上述发明目的,本发明采用以下技术方案:
基于BP神经网络的油量损耗预测方法,包括如下步骤:
S1,通过车辆传感器采集车辆驾驶行为数据,并由车辆传感器传回主***;
S2,对车辆驾驶行为数据进行标准化处理,获得车辆驾驶行为数据的回归问题数据集;
S3,利用基于BP神经网络的回归方法建立油量损耗预测模型;
S4,获得基于不同车辆驾驶行为的油耗预测结果。
作为优选,步骤S2中所述车辆驾驶行为数据包括空调运行时长、加热器运行时长、绿区时长、脉冲量、怠速时长、行驶时长、发动机运行时长、GPS里程、脉冲里程、过长怠速次数、过长怠速时长、急加速次数、急加速时长、急减速次数、急减速时长、超转次数、超转时长、怠速空调次数、怠速空调时长、空挡滑行次数、空档滑行时长、疲劳驾驶次数、疲劳驾驶时长、长时间刹车次数、长时间离合次数、猛踩油门次数、大油门次数、停车踩油门次数、冷车行驶次数、停车立即熄火次数、长刹车时长、长离合时长、急踩油门时长、大踩油门时长、停车踩油门时长、立即起步时长和立即停车时长。
作为优选,步骤S3中所述建立油量损耗预测模型的过程如下:
根据车辆驾驶行为的历史数据,利用数据挖掘技术建立BP神经网络模型,利用生成的BP神经网络模型对不同车辆驾驶行为进行百公里油耗预测。
作为优选,步骤S3包括如下步骤:
S31,采集所有营运车辆某一月份的历史驾驶数据,建立油量损耗预测方法的训练数据样本集;
S32,对油量损耗预测模型的训练数据样本集进行预处理,所述预处理为进行min-max标准化处理;
S33,利用反馈神经网络BPNN的数据挖掘技术,建立油量损耗预测模型。
作为优选,所述油量损耗预测方法的训练数据样本集包括车辆驾驶行为数据和营运车辆百公里油耗数据。
作为优选,步骤S4包括如下步骤:
针对未知样本,根据步骤S3中的油量损耗预测模型预测结果并输出,获得基于不同车辆驾驶行为的车辆百公里油耗预测结果。
作为优选,步骤S33还包括如下步骤:
S331,神经网络初始化,给定训练数据样本集(X,Y),给定输入层节点数M、隐含层节点数P、输出层节点数N,初始化权重值vij和ωjk,初始化隐含层阈值αj、输出层阈值βk,给定学习率t,给定神经元激活函数,给定迭代次数S;
所述BP神经网络采用单隐层结构,选取迭代次数S为100,隐层节点数P为10,给定学习率t为0.01,初始化权重值和阈值均为0-1之间的随机数;所述神经元激活函数为Relu函数;
S332,由初始化权重值和神经元激活函数计算隐含层输出H和输出层输出O;
S333,计算输出层输出O与训练数据样本实际输出Y之间的误差,定义误差E为:
ek=yk-ok k=1,2,...,N;
S334,根据误差E更新权重值vij和ωjk:
ωjk=ωjk+thjek j=1,2,...,P;k=1,2,...,N;
S335,根据误差E和权重值更新阈值αj和βk:
βk=βk+ek k=1,2,...,N;
S336,判断是否达到迭代次数,达到则完成训练过程;若未达到则继续训练,直至迭代次数达到S。
本发明与现有技术相比,有益效果是:(1)本发明基于BP神经网络预测不同驾驶行为导致的车辆百公里油耗,帮助企业建立智能车辆油耗预测***;(2)对于后勤人员,能够利用本发明的方法,将车辆的相关传感器指标作为模型的输入变量,模型将自动输出预测油耗量,可以较高精度地进行预测,帮助后勤人员在车辆维护和驾驶人员激励中进行更好的决策;(3)本发明所提的BP神经网络能够有效地处理智能车辆油耗预测问题,相比较于传统的线性回归,BP神经网络能够取得更好的预测精度;(4)本发明方法能够帮助企业在进行车辆油耗预测中提高工作效率,帮助企业科学高效地进行车辆维护和驾驶人员激励。
附图说明
图1为本发明基于BP神经网络的油量损耗预测方法的一种流程图。
具体实施方式
为了更清楚地说明本发明实施例,下面将对照附图说明本发明的具体实施方式。显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图,并获得其他的实施方式。
实施例1:
如图1所示,本发明提供了基于BP神经网络的油量损耗预测方法,包括如下步骤:
步骤S1,通过车辆传感器采集车辆驾驶行为数据,并由车辆传感器传回主***;
所述车辆驾驶行为数据包括空调运行时长、加热器运行时长、绿区时长、脉冲量、怠速时长、行驶时长、发动机运行时长、GPS里程、脉冲里程、过长怠速次数、过长怠速时长、急加速次数、急加速时长、急减速次数、急减速时长、超转次数、超转时长、怠速空调次数、怠速空调时长、空挡滑行次数、空档滑行时长、疲劳驾驶次数、疲劳驾驶时长、长时间刹车次数、长时间离合次数、猛踩油门次数、大油门次数、停车踩油门次数、冷车行驶次数、停车立即熄火次数、长刹车时长、长离合时长、急踩油门时长、大踩油门时长、停车踩油门时长、立即起步时长和立即停车时长。上述共37种物理指标作为输入变量,即车辆传感器指标。
步骤S2,对车辆驾驶行为数据进行标准化处理,获得车辆驾驶行为数据的回归问题数据集;
步骤S3,利用基于BP神经网络的回归方法建立油量损耗预测模型;
所述建立油量损耗预测模型的过程如下:
根据车辆驾驶行为的历史数据,利用数据挖掘技术建立BP神经网络模型,利用生成的BP神经网络模型对不同车辆驾驶行为进行百公里油耗预测。
步骤S3具体包括如下步骤:
步骤S31,采集所有营运车辆某一月份的历史驾驶数据,建立油量损耗预测方法的训练数据样本集;
所述油量损耗预测方法的训练数据样本集包括车辆驾驶行为数据和营运车辆百公里油耗数据;
收集来自某企业的营运车辆历史驾驶数据以建立进行回归预测的油量损耗预测训练数据样本集,对历史数据进行整理,删除一些重复的或是存在缺失的数据,最后所得到的每一组历史数据均包括37种物理指标,本实施例的油量损耗预测训练数据样本集中包括某企业2020年9月的营运车辆行驶数据,共计286组数据。
步骤S32,对油量损耗预测模型的训练数据样本集进行预处理,所述预处理为进行min-max标准化处理;
定义集合X={x1,x2,...,x286}为条件属性的取值,max(X)为该集合中的最大取值,min(X)为该集合中的最小取值,则对xn,n∈{1,2,...,286}有归一化后的结果x′n:
步骤S33,利用反馈神经网络BPNN的数据挖掘技术,建立油量损耗预测模型。
本实施例对比两种不同的回归算法,包括多元线性回归(LR)和反馈神经网络(BPNN)。
采用反馈神经网络(BPNN)建立模型的步骤如下:
步骤S331,神经网络初始化,给定训练数据样本集(X,Y),给定输入层节点数M、隐含层节点数P、输出层节点数N,初始化权重值vij和ωjk,初始化隐含层阈值αj、输出层阈值βk,给定学习率t,给定神经元激活函数,给定迭代次数S;
所述BP神经网络采用单隐层结构,选取迭代次数S为100,隐层节点数P为10,给定学习率t为0.01,初始化权重值和阈值均为0-1之间的随机数;所述神经元激活函数为Relu函数;
步骤S332,由初始化权重值和神经元激活函数计算隐含层输出H和输出层输出O;
步骤S333,计算输出层输出O与训练数据样本实际输出Y之间的误差,定义误差E为:
ek=yk-ok k=1,2,...,N;
步骤S334,根据误差E更新权重值vij和ωjk:
ωjk=ωjk+thjek j=1,2,...,P;k=1,2,...,N;
步骤S335,根据误差E和权重值更新阈值αj和βk:
βk=βk+ek k=1,2,...,N;
步骤S336,判断是否达到迭代次数,达到则完成训练过程;若未达到则继续训练,直至迭代次数达到S。
采用多元线性回归(LR)建立模型的步骤如下:
步骤S337,建立多元线性回归模型:
f(xi)=wTxi+b,
其中xi=(x1;x2;…;xd)表示自变量向量,wi=(w1;w2;…;wd)表示多元线性回归后得到关于自变量xi的参数向量,T表示向量的转置,bi=(b1;b2;…;bd)表示常数向量。
步骤S338,利用最小二乘法来对w和b进行估计。为便于讨论,把w和b吸收入向量形式相应的,把数据集D表示为一个n×(d+1)大小的矩阵X,其中每行对应于一个示例,该行前d个元素对应于示例的d个属性值,最后一个元素恒置为1。再把标记也写成向量形式y=(y1;y2;…;yn),存在以下关系:
其中,T表示向量的转置。
S4,获得基于不同车辆驾驶行为的油耗预测结果。
针对未知样本,根据步骤S3中的油量损耗预测模型预测结果并输出,获得基于不同车辆驾驶行为的车辆百公里油耗预测结果。
为了验证本发明的性能,本实施例将企业提供的286组数据样本经过预处理后采用三次十折交叉验证的方式进行实验:实验时将全部数据样本随机分为十份,每次取其中的九份共同作为训练数据样本集,剩下的一份作为待评估数据样本集,采用回归方法计算分类结果并与其实际结果进行比较,得到准确率、平均相对误差、最大绝对值误差和平均平方误差。重复进行三次这样的实验,并平均十次的结果得到最终回归准确率、平均相对误差、最大绝对值误差和平均平方误差。多元线性模型和基于BP神经网络方法的三次十折交叉验证实验的回归预测评价结果如下表1、表2和表3所示。
表1 线性回归模型与BP神经网络模型油耗预测比较
表2 线性回归模型与BP神经网络模型油耗预测比较
表3 线性回归模型与BP神经网络模型油耗预测比较
表中的评价指标具体计算公式如下所示:
相对误差(absolute error,Ae):
平均相对误差(Aeverage relative error,Are):
最大绝对值误差(Maximum absolute error,Mae):
平均平方误差(Mean square error,Mse):
在表1、表2和表3中,加粗的部分表明每一列的最优值,由此我们可以很清楚地看出,在每次测试中,本发明采用的方法明显优于传统的线性回归模型。
相比较于传统回归方法,基于本发明的方法在车辆油耗预测中具有明显的优势,能够作为企业进行车辆油耗预测的有效方法。
本发明基于的BP神经网络实质上实现了一个从输入到输出的映射功能,而数学理论已证明BP神经网络具有实现任何复杂非线性映射的功能,这使得它特别适合于求解内部机制复杂的问题。本发明利用BP神经网络模型结合实际车辆数据,建立车辆油耗预测模型。
本发明将车辆油耗预测分解为多层神经网络,能够有效解决多分类问题模型复杂,难于求解的问题;
本发明设计了完整的实验来验证该策略的有效性。
本实施例结果表明,相比较于经典的线性回归预测模型,采用本发明的策略,其预测精度都明显高于经典的线性回归预测模型。运用本发明的方法,能够为企业在车辆油耗管理过程中,辅助后勤人员进行驾驶行为油耗预测。
以上所述仅是对本发明的优选实施例及原理进行了详细说明,对本领域的普通技术人员而言,依据本发明提供的思想,在具体实施方式上会有改变之处,而这些改变也应视为本发明的保护范围。
Claims (7)
1.基于BP神经网络的油量损耗预测方法,其特征在于,包括如下步骤:
S1,通过车辆传感器采集车辆驾驶行为数据,并由车辆传感器传回主***;
S2,对车辆驾驶行为数据进行标准化处理,获得车辆驾驶行为数据的回归问题数据集;
S3,利用基于BP神经网络的回归方法建立油量损耗预测模型;
S4,获得基于不同车辆驾驶行为的油耗预测结果。
2.根据权利要求1所述的基于BP神经网络的油量损耗预测方法,其特征在于,步骤S2中所述车辆驾驶行为数据包括空调运行时长、加热器运行时长、绿区时长、脉冲量、怠速时长、行驶时长、发动机运行时长、GPS里程、脉冲里程、过长怠速次数、过长怠速时长、急加速次数、急加速时长、急减速次数、急减速时长、超转次数、超转时长、怠速空调次数、怠速空调时长、空挡滑行次数、空档滑行时长、疲劳驾驶次数、疲劳驾驶时长、长时间刹车次数、长时间离合次数、猛踩油门次数、大油门次数、停车踩油门次数、冷车行驶次数、停车立即熄火次数、长刹车时长、长离合时长、急踩油门时长、大踩油门时长、停车踩油门时长、立即起步时长和立即停车时长。
3.根据权利要求2所述的基于BP神经网络的油量损耗预测方法,其特征在于,步骤S3中所述建立油量损耗预测模型的过程如下:
根据车辆驾驶行为的历史数据,利用数据挖掘技术建立BP神经网络模型,利用生成的BP神经网络模型对不同车辆驾驶行为进行百公里油耗预测。
4.根据权利要求3所述的基于BP神经网络的油量损耗预测方法,其特征在于,步骤S3包括如下步骤:
S31,采集所有营运车辆某一月份的历史驾驶数据,建立油量损耗预测方法的训练数据样本集;
S32,对油量损耗预测模型的训练数据样本集进行预处理,所述预处理为进行min-max标准化处理;
S33,利用反馈神经网络BPNN的数据挖掘技术,建立油量损耗预测模型。
5.根据权利要求4所述的基于BP神经网络的油量损耗预测方法,其特征在于,所述油量损耗预测方法的训练数据样本集包括车辆驾驶行为数据和营运车辆百公里油耗数据。
6.根据权利要求5所述的基于BP神经网络的油量损耗预测方法,其特征在于,步骤S4包括如下步骤:
针对未知样本,根据步骤S3中的油量损耗预测模型预测结果并输出,获得基于不同车辆驾驶行为的车辆百公里油耗预测结果。
7.根据权利要求4-6任一项所述的基于BP神经网络的油量损耗预测方法,其特征在于,步骤S33还包括如下步骤:
S331,神经网络初始化,给定训练数据样本集(X,Y),给定输入层节点数M、隐含层节点数P、输出层节点数N,初始化权重值vij和ωjk,初始化隐含层阈值αj、输出层阈值βk,给定学习率t,给定神经元激活函数,给定迭代次数S;
所述BP神经网络采用单隐层结构,选取迭代次数S为100,隐层节点数P为10,给定学习率t为0.01,初始化权重值和阈值均为0-1之间的随机数;所述神经元激活函数为Relu函数;
S332,由初始化权重值和神经元激活函数计算隐含层输出H和输出层输出O;
S333,计算输出层输出O与训练数据样本实际输出Y之间的误差,定义误差E为:
ek=yk-ok k=1,2,...,N;
S334,根据误差E更新权重值vij和ωjk:
ωjk=ωjk+thjek j=1,2,...,P;k=1,2,...,N;
S335,根据误差E和权重值更新阈值αj和βk:
βk=βk+ek k=1,2,...,N;
S336,判断是否达到迭代次数,达到则完成训练过程;若未达到则继续训练,直至迭代次数达到S。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011637963.4A CN112700047A (zh) | 2020-12-31 | 2020-12-31 | 基于bp神经网络的油量损耗预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011637963.4A CN112700047A (zh) | 2020-12-31 | 2020-12-31 | 基于bp神经网络的油量损耗预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112700047A true CN112700047A (zh) | 2021-04-23 |
Family
ID=75513938
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011637963.4A Pending CN112700047A (zh) | 2020-12-31 | 2020-12-31 | 基于bp神经网络的油量损耗预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112700047A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113642227A (zh) * | 2021-06-29 | 2021-11-12 | 桂林电子科技大学 | 一种基于融合驾驶行为特征的bp神经网络油耗预测方法 |
CN113657676A (zh) * | 2021-08-19 | 2021-11-16 | 燕山大学 | 一种考虑多维度驾驶人特性的制动反应时间预测方法 |
CN114608604A (zh) * | 2022-05-12 | 2022-06-10 | 山东捷瑞数字科技股份有限公司 | 基于机器学习与gps定位的车辆油耗预测的方法和装置 |
CN117235508A (zh) * | 2023-11-15 | 2023-12-15 | 天津市普迅电力信息技术有限公司 | 一种基于大数据的车辆油耗预测方法及*** |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104200267A (zh) * | 2014-09-23 | 2014-12-10 | 清华大学 | 一种车辆驾驶经济性评价***及评价方法 |
CN108711016A (zh) * | 2018-06-05 | 2018-10-26 | 合肥湛达智能科技有限公司 | 一种基于bp神经网络的驾驶行为评分方法 |
-
2020
- 2020-12-31 CN CN202011637963.4A patent/CN112700047A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104200267A (zh) * | 2014-09-23 | 2014-12-10 | 清华大学 | 一种车辆驾驶经济性评价***及评价方法 |
CN108711016A (zh) * | 2018-06-05 | 2018-10-26 | 合肥湛达智能科技有限公司 | 一种基于bp神经网络的驾驶行为评分方法 |
Non-Patent Citations (1)
Title |
---|
高涛 等: "基于神经网络的驾驶行为与油耗相关性分析", 计算机与数字工程, no. 05, pages 803 - 807 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113642227A (zh) * | 2021-06-29 | 2021-11-12 | 桂林电子科技大学 | 一种基于融合驾驶行为特征的bp神经网络油耗预测方法 |
CN113657676A (zh) * | 2021-08-19 | 2021-11-16 | 燕山大学 | 一种考虑多维度驾驶人特性的制动反应时间预测方法 |
CN113657676B (zh) * | 2021-08-19 | 2024-05-14 | 燕山大学 | 一种考虑多维度驾驶人特性的制动反应时间预测方法 |
CN114608604A (zh) * | 2022-05-12 | 2022-06-10 | 山东捷瑞数字科技股份有限公司 | 基于机器学习与gps定位的车辆油耗预测的方法和装置 |
CN117235508A (zh) * | 2023-11-15 | 2023-12-15 | 天津市普迅电力信息技术有限公司 | 一种基于大数据的车辆油耗预测方法及*** |
CN117235508B (zh) * | 2023-11-15 | 2024-01-30 | 天津市普迅电力信息技术有限公司 | 一种基于大数据的车辆油耗预测方法及*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112700047A (zh) | 基于bp神经网络的油量损耗预测方法 | |
Jamala et al. | Predicting MPG for automobile using artificial neural network analysis | |
EP3137870B1 (de) | System und verfahren zur analyse der energieeffizienz eines fahrzeugs | |
CN107688343B (zh) | 一种混合动力车辆的能量控制方法 | |
Suzdaleva et al. | An online estimation of driving style using data-dependent pointer model | |
CN109635830B (zh) | 用于估算汽车质量的有效数据的筛选方法 | |
CN111456840B (zh) | 一种基于rbf神经网络的内燃机冷却水流量智能控制方法 | |
CN109238740B (zh) | 一种基于整车质量和体积的汽车滑行阻力综合评价方法 | |
DE102020215350A1 (de) | Modellieren von betriebsprofilen eines fahrzeugs | |
Wong et al. | Automotive engine power performance tuning under numerical and nominal data | |
CN114781698A (zh) | 基于时空注意机制图卷积网络的车辆油耗预测方法及*** | |
Wei | Design of Web based expert system of electronic control engine fault diagnosis | |
Shi et al. | Applying a WNN-HMM based driver model in human driver simulation: Method and test | |
Kolachalama et al. | Using Deep Learning to Predict the Engine Operating Point in Real-Time | |
Uthathip et al. | Application of ANFIS Model for Thailand's Electric Vehicle Consumption. | |
Kan et al. | A deep learning engine power model for estimating the fuel consumption of heavy-duty trucks | |
CN116741304A (zh) | 基于车联网大数据的柴油机原排氮氧化物预测方法 | |
Kim et al. | Application of neural network model to vehicle emissions | |
García-Nieto et al. | Air management in a diesel engine using fuzzy control techniques | |
Zhou et al. | Objective Evaluation of Drivability in Passenger Cars with Dual‐Clutch Transmission: A Case Study of Static Gearshift Condition | |
Witaszek | Modeling of fuel consumption using artificial neural networks | |
DE102015102951A1 (de) | Verfahren zum Steuern eines Kühlsystems in einem Fahrzeug | |
CN114840916A (zh) | 整车零部件热害性能测试工况的构建方法和热害对整车使用寿命影响程度的综合判定方法 | |
Feißel et al. | Novel approaches for measuring and predicting particulate emissions from automotive brakes and tires | |
Sevkli et al. | Comparison of data mining and mathematical models for estimating fuel consumption of passenger vehicles |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |