[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

说明书

本发明涉及数据处理技术领域，具体涉及一种基于GA‑BP神经网络的车辆动态油耗预测模型方法，包括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；计算影响油耗模型因素的关联程度，得到相关系数矩阵；使用相关系数矩阵构建主要成分表达式；使用主要成分表达式建立BP神经网络，并通过遗传算法优化BP神经网络的初始权重和阈值；使用优化后的BP神经网络构建油耗预测模型，通过油耗预测模型对车辆动态油耗进行预测，得到预测结果，本发明全面考虑燃油消耗模型的影响因素，建立合适的油耗分析与预测模型，解决了现有的模型不考虑车辆当前环境对油耗的影响，难以满足实时性的要求的问题。

技术领域

本发明涉及数据处理技术领域，尤其涉及一种基于GA-BP神经网络的车辆动态油耗预测模型方法。

背景技术

车辆的燃油经济性受到多方面因素的影响，而各方面因素对车辆燃油经济性的影响程度也是不同的，对燃油经济性影响因素的分析，有助于分清各因素之间的主次关系，并针对主要影响着重做出优化，提高车辆燃油利用率有重要的理论和实际意义。

目前的油耗分析与研究思路主要都是基于发动机油耗MAP图，它结构简单且可以较为准确的反映车辆的稳态行驶油耗特征。然而，在日常运行中，车辆往往处于不稳定状态，工作状态频繁变化。此时，基于发动机的油耗图的稳态模型偏差很大，实用性差，难以准确估算车辆的油耗，更难以准确评价各种新颖的燃油经济性的控制策略。

采用“稳态初估+瞬态修正”的方法建立的模型往往具有较高的精度，它是基于简单常用的稳态模块进行油耗的初估，然后通过车辆和发动机的实时工作参数建立瞬态模型，对初始估计的油耗误差进行修正，可以提高模型的精度。但由于往往不考虑车辆当前环境对油耗的影响，难以满足实时性的要求。

发明内容

本发明的目的在于提供一种基于GA-BP神经网络的车辆动态油耗预测模型方法，旨在解决现有的模型不考虑车辆当前环境对油耗的影响，难以满足实时性的要求的问题。

为实现上述目的，本发明提供了一种基于GA-BP神经网络的车辆动态油耗预测模型方法，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。

其中，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。

其中，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。

其中，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；