[发明专利]一种基于最小二乘支持向量机的油耗预测方法

说明书

本发明提供了一种基于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。本发明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。

技术领域

本发明属于交通运输领域，尤其是涉及一种基于最小二乘支持向量机的油耗预测方法。

背景技术

随着能源和环境压力的不断增大，作为能耗大户的汽车面临着越来越严峻的低碳挑战。我国明确规定到2020年，汽车的综合油耗要达到5L/100km的水平。并于2010年建立了轻型汽车燃料消耗量公示制度。该制度规定除了在工信部网站公示外，车企必须在车辆出厂前在车身上粘贴公告油耗标识。公告油耗是通过型式认证试验获得，而型式认证的结果比车主实际使用中的油耗低20-30％左右，并且不同车型间具有明显差异。产生成这种差异的原因主要有两个：一是测试循环的差异，我国乘用车燃油消耗量型式试验中采用了欧洲循环(New European Driving Cycle，NEDC)，该循环在平均速度、怠速比例和加减速特征方面与我国车辆的实际运行特征存在明显差异；另外的原因是测试程序的设置与实际不符。针对这一问题，工信部已委托开发能够全面反映我国车辆实际运行状况的中国工况，并计划将该工况与新的测试规程一起应用于新的油耗测试标准。但是从工况的开发到油耗标准的实施需要漫长的时间周期，因此开发一种车辆实际油耗预测方法是非常有必要的。

Tolouei、庄仲达和蔡凤田等人分别从不同角度分析了影响汽车油耗的主要因素，但都是采用了定性描述的方式。程晓娟和周道良等人利用神经网络对汽车燃油消耗进行了定量预测，但神经网络存在着过学习、欠学习和隐含层网络节点数量难以确定等问题。近年来，最小二乘支持向量机方法在非线性预测领域引起了广泛的关注，但其核函数参数和惩罚因子的设定对模型的预测精度有重要影响，需要引入遗传算法等优化方法对上述参数进行优化。

发明内容

有鉴于此，本发明旨在提出一种基于最小二乘支持向量机的油耗预测方法，首先采用对称不确定度方法确定车辆油耗的敏感性参数，然后以油耗敏感参数和型式认证为输入，实际油耗为输出，建立了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方法。

为达到上述目的，本发明的技术方案是这样实现的：

一种基于最小二乘支持向量机的油耗预测方法，工况构建流程主要包含以下几个步骤：

(1)采集多辆车的OBD数据(发动机转速和瞬时油耗)和GPS车速数据；计算车辆的运行特征参数，包括平均速度和怠速比例。

(2)收集步骤(1)中车辆的设计参数数据，包括车身参数、发动机参数和传动系统特征参数等；对车辆特征参数进行离散化处理。

(3)计算上述运行特征参数和设计参数与车辆实际油耗的对称不确定度SU

其中，SU为对称不确定度，X为某一运行特征参数或设计参数，Y为车辆的实际油耗，H(X)为变量X的熵，H(Y)为变量Y的熵，MI(X；Y)为变量X和Y的互信息。

(4)选择对称不确定度大于0.15的特征作为油耗敏感特征。

(5)将车辆划分为训练样本和测试样本。

(6)将训练样本的油耗敏感特征和型式认证油耗作为输入，车辆实际油耗作为输出，建立基于最小二乘支持向量机的油耗预测方法；并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；与原粒子群算法相比，改进粒子群算法采用可变惯性权重来确保算法初期具有较好的全局搜索能力，算法后期具有较好的局部搜索能力和收敛速度，可变惯性权重公式如下：