[发明专利]一种基于RS-BP神经网络的汽车发动机油耗预测方法

说明书

本发明公开了一种基于RS‑BP神经网络的汽车发动机油耗预测方法，首先采集汽车发动机试验数据，包含发动机的扭矩、转速、油门的开度、燃油温度、和发动机油耗；然后对采集的汽车发动机实验数据进行数据归一化处理，构建RS‑BP神经网络模型；接着训练RS‑BP神经网络模型；最后，将需要进行发动机油耗预测的汽车的扭矩、转速、油门的开度、燃油温度输入其中，获得该汽车的耗油预测量。本发明弥补了现有的汽车发动机油耗数据说服力的不足，更加全面的收集数据，克服数据维数的不足，尽量使数据全面化。

技术领域

本发明涉及汽车数据分析的研究领域，尤其一种基于RS-BP神经网络的汽车发动机油耗预测方法。

背景技术

随着我国经济的高速发展和人民生活水平的不断提高，车辆的保有量呈现快速增涨状况。一辆汽车油耗的高与低,直接影响着汽车的经济性。虽然汽车发动机的参数、性能都可以查询得到，但是关于汽车发动机油耗整体融合模型缺乏行之有效的、科学化的、体系化的技术手段和模型。

汽车油耗的高与低,直接影响着汽车的经济性，在当今社会，人类面临着巨大的能源压力，国家和政府一直在倡导节能减排，发动机油耗的多少直接影响着汽车耗油量。影响汽车发动机油耗的主要因素有：发动机扭矩、发动机转速、油门开度、燃油温度。

现有的汽车发动机油耗只是厂家提供的百公里耗油量，其具有两方面的局限性：

1.数据评价单一，主要是通过发动机的排量得到，因为发动机的好坏直接影响着油耗，所以发动机的性能参数也直接影响着油耗的大小；

2.没有具体的汽车发动机油耗的预测模型，没有科学化、行之有效的模型。

发明内容

本发明所要解决的技术问题是针对背景技术中所涉及到的缺陷，提供一种基于RS-BP神经网络的汽车发动机油耗预测方法。

本发明为解决上述技术问题采用以下技术方案：

一种基于RS-BP神经网络的汽车发动机油耗预测方法，包含以下步骤：

步骤1)，采集汽车发动机试验数据，包含发动机的扭矩、转速、油门的开度、燃油温度、和发动机油耗；

步骤2)，对采集的汽车发动机实验数据进行数据归一化处理；

步骤3)，构建RS-BP神经网络模型；

步骤3.1)，将汽车发动机试验数据按各个属性对应的区间划分规则进行编码，获得汽车发动机试验数据决策表；

步骤3.2)，约简属性，将汽车发动机试验数据决策表定义为一个四元组：

S＝(U,C∪D,V,f)

式中，U为论域；C∪D为属性集，C为条件属性；D为决策属性；V＝UV_α(α∈C∪D)；V_α为属性α的值域；f为论域与值域之间的信息函数；γ_c(D)＝|pos_c(D)|/|U|，pos_c(D)表示属性D关于属性C的正域，γ_c(D)衡量了根据条件属性C能正确划分的比例；对于当pos_{C-R}(D)＝pos_c(D)，则称R为C中D不必要的，否则为必要的；若P为条件属性集C的一个非空子集，当满足pos_P(D)＝pos_C(D)且pos_R(D)≠pos_C(D)，任意则称P为关于D的属性约简集；

步骤3.3)，以遗传算法为工具，对汽车发动机试验数据决策表进行约简：