[发明专利]基于GA-BP神经网络的车辆动态油耗预测模型方法

权利要求书

1.一种基于GA-BP神经网络的车辆动态油耗预测模型方法，其特征在于，包括以下步骤：

挖掘并处理车辆行驶过程中的原始数据，得到影响油耗模型因素；

计算所述影响油耗模型因素的关联程度，得到相关系数矩阵；

使用所述相关系数矩阵构建主要成分表达式；

使用所述主要成分表达式建立BP神经网络，并通过遗传算法优化所述BP神经网络的初始权重和阈值；

使用优化后的所述BP神经网络构建油耗预测模型；

通过所述油耗预测模型对车辆动态油耗进行预测，得到预测结果。

2.如权利要求1所述的基于GA-BP神经网络的车辆动态油耗预测模型方法，其特征在于，

所述挖掘并处理车辆行驶过程中的原始数据，得到影响油耗模型因素的具体方式为：

采集车辆行驶过程中的原始数据；

对所述原始数据进行滤波处理，得到滤波数据；

采用滑动平均数据预处理方法对所述滤波数据进行预处理，得到影响油耗模型因素。

3.如权利要求2所述的基于GA-BP神经网络的车辆动态油耗预测模型方法，其特征在于，

所述计算所述影响油耗模型因素的关联程度，得到相关系数矩阵的具体方式为：

使用所述影响油耗模型因素建立影响油耗因素特征矩阵；

基于所述影响油耗因素特征矩阵利用协方差公式，得到影响油耗因素的相关系数；

基于所述相关系数建立相关系数矩阵。

4.如权利要求3所述的基于GA-BP神经网络的车辆动态油耗预测模型方法，其特征在于，

所述使用所述相关系数矩阵构建主要成分表达式的具体方式为：

使用所述相关系数矩阵构造相关系数数组的特征方程；

使用所述特征方程计算相关系数的特征向量与影响油耗因素的特征值；

使用所述相关系数的特征向量和所述特征值构建特征向量方程；

使用所述特征向量方程求出所述特征值的贡献率；

将所述贡献率划分为三个主成分，得到主要成分表达式。

5.如权利要求4所述的基于GA-BP神经网络的车辆动态油耗预测模型方法，其特征在于，

所述影响油耗模型因素包括车辆的速度、加速度、发动机转矩、发动机转速、当前位置的坡度、当前位置路面的附着系数。

6.如权利要求5所述的基于GA-BP神经网络的车辆动态油耗预测模型方法，其特征在于，

所述三个主成分包括动能因子、加速因子和消耗因子。