劉昌海

【摘要】為建立準(zhǔn)確的重型柴油車油耗預(yù)測模型，使用重型柴油車實際道路行駛數(shù)據(jù)集，利用皮爾遜相關(guān)系數(shù)計算了不同因素與油耗的相關(guān)性，選取與油耗相關(guān)性較強(qiáng)的7個因素，利用反向傳播（BP）神經(jīng)網(wǎng)絡(luò)、長短時記憶（LSTM）神經(jīng)網(wǎng)絡(luò)分別建立重型柴油車油耗預(yù)測模型。對不同行駛路段的預(yù)測結(jié)果表明，BP神經(jīng)網(wǎng)絡(luò)對各路段油耗的預(yù)測準(zhǔn)確性存在很大差異，模型泛化能力差，LSTM神經(jīng)網(wǎng)絡(luò)模型對各路段的預(yù)測均十分準(zhǔn)確，模型泛化能力強(qiáng)。

關(guān)鍵詞：重型柴油車 油耗預(yù)測 BP神經(jīng)網(wǎng)絡(luò) LSTM神經(jīng)網(wǎng)絡(luò)

中圖分類號：TP18；U471.23? 文獻(xiàn)標(biāo)志碼：A? DOI： 10.20104/j.cnki.1674-6546.20230397

Research on Fuel Consumption Prediction of Heavy-Duty Diesel Vehicles Based on Neural Network

Liu Changhai

（Chongqing Jiaotong University， Chongqing 400074）

【Abstract】To establish an accurate fuel consumption prediction model of heavy-duty diesel vehicles， this paper firstly used the dataset collected by heavy-duty diesel vehicles in real road driving， and Pearson correlation coefficient to calculate the correlation between different factors and fuel consumption， then selected 7 factors with strong correlation with fuel consumption， and used Back Propagation （BP） neural network and Long Short-Term Memory （LSTM） neural network to establish fuel consumption prediction models for heavy-duty diesel vehicles. The prediction results of different driving sections show that the prediction accuracy of BP neural network for fuel consumption values in different road sections differs sharply， and the generalization of the model is low， while the prediction of different road sections of the LSTM model is very accurate， and the model generalization is strong.

Key words： Heavy-duty diesel vehicles， Fuel consumption prediction， Back Propagation （BP） neural network， Long Short-Term Memory （LSTM） neural network

【引用格式】劉昌海. 基于神經(jīng)網(wǎng)絡(luò)的重型柴油車油耗預(yù)測研究[J]. 汽車工程師， 2024（3）： 43-48.

LIU C H. Research on Fuel Consumption Prediction of Heavy-Duty Diesel Vehicles Based on Neural Network[J]. Automotive Engineer， 2024（3）： 43-48.

1 前言

我國公路貨物運(yùn)輸量逐年提高，同時，也使能源消耗量逐年增加，準(zhǔn)確的燃油消耗量估算對于量化運(yùn)輸過程中產(chǎn)生的能源成本十分重要。

針對重型車輛的油耗估算問題，邵良杉等[1]提出了一種基于粒子群優(yōu)化反向傳播（Back Propagation，BP）神經(jīng)網(wǎng)絡(luò)的油耗預(yù)測方法，并基于仿真數(shù)據(jù)驗證了該算法的有效性。顧清華等[2]提出了一種基于粒子群優(yōu)化支持向量機(jī)（Particle Swarm Optimization-Support Vector Machine，PSO-SVM）的油耗預(yù)測算法，解決了傳統(tǒng)算法易陷入局部最優(yōu)解的問題。但上述研究工作主要基于仿真數(shù)據(jù)開展。鄒智宏等[3]針對油耗預(yù)測建模過程中數(shù)據(jù)輸入的冗余問題，提出一種基于最大相關(guān)最小冗余算法與主成分分析方法相結(jié)合的冗余特征優(yōu)化算法，并基于BP神經(jīng)網(wǎng)絡(luò)建立了一種高速道路車輛油耗預(yù)測模型，可準(zhǔn)確實現(xiàn)對高速路段運(yùn)輸車輛的燃油消耗量預(yù)測。朱廣宇等[4]利用主成分分析法獲取了車輛油耗的關(guān)鍵影響因素，隨后，基于改進(jìn)的C4.5決策樹構(gòu)建車輛油耗估計模型，使用高速公路場景下車輛油耗的典型樣本數(shù)據(jù)進(jìn)行測試，證明了該模型的有效性和實用性。Kanarachos等[5]基于移動設(shè)備收集到的不同駕駛條件下的油耗數(shù)據(jù)，利用循環(huán)神經(jīng)網(wǎng)絡(luò)（Recurrent Neural Network，RNN）對車輛的瞬時油耗進(jìn)行預(yù)測，實現(xiàn)了對車輛油耗的間接監(jiān)控，但傳統(tǒng)的RNN容易出現(xiàn)梯度爆炸和梯度消失的問題，從而導(dǎo)致模型失效。王一婷等[6]定量分析了車輛的不同加速駕駛行為，基于一種共享權(quán)重的長短時記憶（Long Short-Term Memory，LSTM）神經(jīng)網(wǎng)絡(luò)建立了車輛的油耗預(yù)測模型，實現(xiàn)了較為準(zhǔn)確的油耗預(yù)測。

上述車輛油耗模型研究中，部分研究未使用真實的車輛行駛數(shù)據(jù)建模，模型并不能完全反映真實工況下油耗的變化情況，部分研究僅針對部分路段建立模型并進(jìn)行了驗證，而由于車輛在不同路段的行駛狀態(tài)存在很大差異，模型的泛化能力有限。

為此，本文針對重型柴油車實測數(shù)據(jù)進(jìn)行相關(guān)性分析，分別建立BP神經(jīng)網(wǎng)絡(luò)油耗模型和LSTM神經(jīng)網(wǎng)絡(luò)油耗模型，并分析2種模型在不同行駛路段的油耗預(yù)測效果。

2 數(shù)據(jù)來源及數(shù)據(jù)處理

2.1 數(shù)據(jù)預(yù)處理

本文使用的重型柴油車運(yùn)行狀態(tài)數(shù)據(jù)及油耗數(shù)據(jù)基于實際道路駕駛測試采集獲得，試驗路線位于重慶市，該路線包含了城市道路、市郊道路和高速道路。根據(jù)已有的研究和現(xiàn)有的試驗數(shù)據(jù)采集設(shè)備，采集的重型車行駛數(shù)據(jù)主要包括車速、發(fā)動機(jī)轉(zhuǎn)速、發(fā)動機(jī)扭矩、環(huán)境溫度、經(jīng)度、緯度、海拔、燃油消耗率、環(huán)境濕度、冷卻液溫度，數(shù)據(jù)采集頻率為1 Hz。在該路線進(jìn)行了2次實際道路駕駛試驗，分別采集數(shù)據(jù)9 955條和10 583條。

受數(shù)據(jù)采集儀器的精度和行駛時交通狀況的限制，采集到的行駛工況數(shù)據(jù)往往存在質(zhì)量問題，需要對數(shù)據(jù)進(jìn)行預(yù)處理，將異常、重復(fù)數(shù)據(jù)刪除，補(bǔ)齊缺失數(shù)據(jù)。試驗路線屬于山地丘陵地段，使用采集的數(shù)據(jù)分別計算道路坡度、瞬態(tài)加速度和車輛比功率（Vehicle Specific Power，VSP）：

式中：ij為j時刻的道路坡度；hj為j時刻的高度差；xj為j時刻的水平方向位移；aj、vj分別為j時刻車輛的加速度、速度；Pvsj為j時刻車輛比功率；v為車速；m為車輛質(zhì)量，本文取3 100 kg；g=9.8 m/s2為重力加速度；f為滾動阻力系數(shù)；δ為旋轉(zhuǎn)質(zhì)量因子，取δ=0.2；CD為空氣阻力系數(shù)，取CD=0.9；A為迎風(fēng)面積，取A=4 m2；ρ=1.225 kg/m3為空氣密度。

2.2 相關(guān)性分析

車輛行駛過程中，直接或間接影響油耗的因素很多，因此，提取油耗的顯著影響因素非常重要[7]。皮爾遜相關(guān)系數(shù)r是確定變量間是否具有線性關(guān)系的一種計算方法：

式中：n為樣本數(shù)量，xi、yi分別為2個變量的取值，[x]、[y]分別為xi、yi的平均值。

r的取值范圍為[-1，1]：r=0時，變量間不具有相關(guān)性；|r|∈（0，0.3）時，變量間具有非常弱的相關(guān)性；|r|∈[0.3，0.6）時，變量間具有中相關(guān)性；|r|∈[0.6，0.8）時，變量間具有強(qiáng)相關(guān)性；|r|∈[0.8，1.0）時，變量間具有極強(qiáng)相關(guān)性；當(dāng)|r|=1時，兩變量完全線性變化。表1所示為不同影響因素與油耗間的皮爾遜相關(guān)系數(shù)，可以看出，發(fā)動機(jī)扭矩、發(fā)動機(jī)進(jìn)氣量、車輛比功率、發(fā)動機(jī)轉(zhuǎn)速及車速均與油耗具有強(qiáng)相關(guān)性，加速度和坡度與油耗間的相關(guān)性不強(qiáng)，但對研究燃油消耗率是有意義的，而冷卻液溫度、環(huán)境溫度和濕度與油耗的相關(guān)系數(shù)很小。因此，使用發(fā)動機(jī)扭矩、發(fā)動機(jī)進(jìn)氣量、車輛比功率、發(fā)動機(jī)轉(zhuǎn)速、車速、坡度及加速度構(gòu)建油耗預(yù)測模型。

3 研究方法

3.1 BP神經(jīng)網(wǎng)絡(luò)

BP神經(jīng)網(wǎng)絡(luò)是一種信號前向傳播、誤差反向傳播的多層前饋神經(jīng)網(wǎng)絡(luò)，其能夠有效識別特征間的非線性關(guān)系[8]。該神經(jīng)網(wǎng)絡(luò)包括輸入層、中間層和輸出層，輸入層負(fù)責(zé)接收數(shù)據(jù)樣本矩陣，中間層負(fù)責(zé)數(shù)據(jù)樣本計算，輸出層負(fù)責(zé)輸出數(shù)據(jù)。如圖1所示，各層結(jié)構(gòu)內(nèi)和各神經(jīng)元層結(jié)構(gòu)之間連接緊密，各層結(jié)構(gòu)之間采用全連接，網(wǎng)絡(luò)模型訓(xùn)練過程主要可通過不斷地動態(tài)地調(diào)整模型權(quán)重及閾值等實現(xiàn)。

式中：Wo為輸出門權(quán)重，bo為輸出門偏置項。

4 重型車油耗預(yù)測模型建立

4.1 數(shù)據(jù)歸一化

由于本文數(shù)據(jù)屬性涉及范圍廣，不同特征維度的數(shù)據(jù)范圍不同，為了降低識別誤差，首先需對數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化處理，將其轉(zhuǎn)換為無量綱數(shù)據(jù)，便于不同單位的指標(biāo)間進(jìn)行比較和加權(quán)。本文采用Min-Max歸一化對網(wǎng)絡(luò)輸入數(shù)據(jù)進(jìn)行處理：

x=（x′-x′min）/（x′max-x′min）? ? ? ? ? ? ? ? ? （15）

式中：x′、x分別為原始數(shù)據(jù)和經(jīng)標(biāo)準(zhǔn)化后的數(shù)據(jù)，x′max、x′min分別為原始數(shù)據(jù)x′中的最大值和最小值。

4.2 BP神經(jīng)網(wǎng)絡(luò)模型設(shè)置

通過相關(guān)性分析選取了7個與油耗相關(guān)性較強(qiáng)的因素，因此模型的輸入數(shù)據(jù)樣本維度為7，輸出數(shù)據(jù)維度為1，經(jīng)嘗試并參考經(jīng)驗公式，選取隱藏層數(shù)量為2層，神經(jīng)單元數(shù)量為12個，故模型的模式為7-12-12-1。選擇Sigmoid函數(shù)為BP神經(jīng)網(wǎng)絡(luò)模型隱含層的激活函數(shù)，選擇Purelin函數(shù)為輸出層激活函數(shù)。

設(shè)定最大迭代次數(shù)為500次，模型學(xué)習(xí)率設(shè)置為0.3，模型誤差大小設(shè)置為不小于0.5，模型誤差低于設(shè)定值或超過最大迭代次數(shù)時終止訓(xùn)練，否則繼續(xù)執(zhí)行。采用小批量梯度下降法，批量尺寸設(shè)置為128。

4.3 LSTM神經(jīng)網(wǎng)絡(luò)模型設(shè)置

將LSTM神經(jīng)網(wǎng)絡(luò)模型的時間步長設(shè)置為10，即用前10個歷史時間段的車輛運(yùn)行狀態(tài)數(shù)據(jù)對下一時刻的油耗進(jìn)行預(yù)測，同樣使用2個隱含層，隱含層節(jié)點數(shù)分別設(shè)置為128個、64個，經(jīng)多次試驗，選擇tanh函數(shù)為隱含層激活函數(shù)，選擇Purelin函數(shù)作為輸出層激活函數(shù)。

設(shè)定最大迭代次數(shù)為500次，模型學(xué)習(xí)率為0.000 5，30次內(nèi)模型誤差沒有降低或超過最大迭代次數(shù)時終止訓(xùn)練，否則繼續(xù)執(zhí)行。模型的優(yōu)化器采用Adam優(yōu)化算法，批量尺寸設(shè)置為128。

4.4 模型評價指標(biāo)

常見的回歸評價指標(biāo)有平均絕對誤差（Mean Absolute Error，MAE）、均方根誤差（Root Mean Squared Error，RMSE）、決定系數(shù)R2等。MAE用于表示整體模型的預(yù)測值的誤差；RMSE代表整體模型的預(yù)測值與實際值相互間的偏離程度；R2反映預(yù)測數(shù)據(jù)對實際數(shù)據(jù)的擬合效果。其中，決定系數(shù)值越接近1、MAE和RMSE越小，表明預(yù)測效果越好。

5 預(yù)測結(jié)果及分析

將2次試驗的車輛軌跡數(shù)據(jù)進(jìn)行預(yù)處理后，使用第1次全行程數(shù)據(jù)共9 955條輸入到BP神經(jīng)網(wǎng)絡(luò)模型與LSTM神經(jīng)網(wǎng)絡(luò)模型分別進(jìn)行訓(xùn)練，保存各自結(jié)果最好的模型。由于不同路段的行駛工況存在很大差異，導(dǎo)致各路段間油耗差異很大，因此選取第2次試驗路線中城市、郊區(qū)和高速路段各1 000條數(shù)據(jù)來驗證2種模型的預(yù)測性能，圖4～圖6和表2所示為各路段的預(yù)測結(jié)果，其中，真實值為實際駕駛時采集的燃油消耗率，預(yù)測值是使用相關(guān)性分析得到的影響因素作為輸入，通過訓(xùn)練好的BP神經(jīng)網(wǎng)絡(luò)模型和LSTM神經(jīng)網(wǎng)絡(luò)模型預(yù)測得到的結(jié)果。

根據(jù)使用同一數(shù)據(jù)集訓(xùn)練得到的BP神經(jīng)網(wǎng)絡(luò)油耗模型與LSTM神經(jīng)網(wǎng)絡(luò)油耗模型對不同路段的預(yù)測結(jié)果可以看出，BP神經(jīng)網(wǎng)絡(luò)模型的MAE、RMSE在城市、郊區(qū)路段均較LSTM神經(jīng)網(wǎng)絡(luò)高，只有高速路段的MAE、RMSE較LSTM神經(jīng)網(wǎng)絡(luò)模型低。比較2種模型在3種路段的R2結(jié)果可知：BP神經(jīng)網(wǎng)絡(luò)模型對3種路段重型柴油車燃油消耗率的預(yù)測值與實際值的決定系數(shù)存在很大的差異，城市路段的R2僅為89.92%，高速路段的R2達(dá)到97.38%，郊區(qū)路段的R2在兩者之間；LSTM神經(jīng)網(wǎng)絡(luò)模型對3種路段預(yù)測結(jié)果差異不大，3種路段的R2都達(dá)到了95%以上。由以上結(jié)果可得，在使用相同的數(shù)據(jù)集訓(xùn)練模型時，LSTM神經(jīng)網(wǎng)絡(luò)模型更為穩(wěn)定、泛化能力更強(qiáng)。

6 結(jié)束語

本文使用重型柴油車實際道路行駛數(shù)據(jù)，選取與車輛油耗相關(guān)性較強(qiáng)的因素，建立了BP神經(jīng)網(wǎng)絡(luò)油耗模型與LSTM神經(jīng)網(wǎng)絡(luò)油耗模型，通過對比2種油耗模型在不同路段的燃油消耗率預(yù)測結(jié)果表明：LSTM神經(jīng)網(wǎng)絡(luò)油耗模型對重型柴油車在城市、郊區(qū)路段下行駛時的油耗預(yù)測能力較BP神經(jīng)網(wǎng)絡(luò)油耗模型強(qiáng)，BP神經(jīng)網(wǎng)絡(luò)油耗模型僅在高速路段下預(yù)測能力略強(qiáng)于LSTM神經(jīng)網(wǎng)絡(luò)油耗模型，但LSTM神經(jīng)網(wǎng)絡(luò)模型對3種路段下行駛時的油耗預(yù)測值與真實值的R2均超過95%，而BP神經(jīng)網(wǎng)絡(luò)模型的預(yù)測結(jié)果僅在高速路段R2>95%。重型柴油車實際駕駛中涉及的道路類型多樣，因此，使用LSTM神經(jīng)網(wǎng)絡(luò)油耗模型能夠獲得更為準(zhǔn)確的油耗預(yù)測結(jié)果。

由于本文僅采用了一種類型的車輛開展燃油消耗率數(shù)據(jù)實測，研究對象相對單一。在未來的研究中，將考慮采用更多類型車輛數(shù)據(jù)，進(jìn)一步提升模型的適用性。

參考文獻(xiàn)

[1]? ?邵良杉， 趙藤野， 溫廷新， 等. PSO-BP神經(jīng)網(wǎng)絡(luò)在露天礦卡車油耗預(yù)測中的應(yīng)用[J]. 遼寧工程技術(shù)大學(xué)學(xué)報（自然科學(xué)版）， 2016， 35（7）： 689-694.

SHAO L S， ZHAO T Y， WEN T X， et al. PSO and BP Neural Network Application in Open-Pit Mine Truck Fuel Consumption Forecast[J]. Journal of Liaoning Technical University （Natural Science）， 2016， 35（7）： 689-694.

[2]? ?顧清華， 王騫， 江松， 等. 基于PSOGA-SVM的露天礦卡車油耗預(yù)測研究[J]. 礦業(yè)研究與開發(fā)， 2021， 41（8）： 161-166.

GU Q H， WANG Q， JIANG S， et al. Research on Fuel Consumption Prediction of Truck in Open-Pit Mine Based on PSOGA-SVM[J]. Mining Research and Development， 2021， 41（8）： 161-166.

[3]? ?鄒智宏， 李超， 鄧聚才， 等. 基于mRMR特征優(yōu)化算法的油耗預(yù)測建模研究[J]. 計算機(jī)仿真， 2023， 40（3）： 186-191+301.

ZOU Z H， LI C， DENG J C， et al. Research on Fuel Consumption Prediction Modeling Based on Max-Relevance and Min-Redundancy Feature Optimization Algorithm[J]. Computer Simulation， 2023， 40（3）： 186-191+301.

[4]? ?朱廣宇， 趙蕾， 黃達(dá)， 等. 基于決策樹方法的車輛油耗估計模型[J]. 交通運(yùn)輸系統(tǒng)工程與信息， 2016， 16（3）： 200-206.

ZHU G Y， ZHAO L， HUANG D， et al. A Method of Vehicle Fuel Consumption Estimation Based on Decision Tree[J]. Journal of Transportation Systems Engineering and Information Technology， 2016， 16（3）： 200-206.

[5] KANARACHOS S， MATHEW J， FITZPATRICK E M. Instantaneous Vehicle Fuel Consumption Estimation using Smartphones and Recurrent Neural Networks[J]. Expert Systems with Applications， 2019， 120： 436-447.

[6]? ?王一婷， 行本貝， 李彬， 等. 基于Shared-LSTM的重型卡車不同加速駕駛行為油耗預(yù)測方法[J]. 計算機(jī)與現(xiàn)代化， 2023（3）： 121-126.

WANG Y T， XING B B， LI B， et al. Fuel Consumption Prediction Method of Heavy Trucks with Different Acceleration Driving Behaviors Based on Shared-LSTM[J]. Computer and Modernization， 2023（3）： 121-126.

[7]? ?陳靜杰， 鄒迎歡. 油耗預(yù)測中顯著影響參數(shù)提取方法的仿真[J]. 計算機(jī)仿真， 2013， 30（6）： 55-58.

CHEN J J， ZOU Y H. Simulation for Significant Impact Parameter Extraction Method in Fuel Consumption Estimation[J]. Computer Simulation， 2013， 30（6）： 55-58.

[8]? ?吳明興， 谷昊霖， 別佩， 等. 基于螢火蟲算法改進(jìn)BP神經(jīng)網(wǎng)絡(luò)的電力用能行為預(yù)測方法[J]. 沈陽工業(yè)大學(xué)學(xué)報， 2023， 45（3）： 241-246.

WU M X， GU H L， BIE P， et al. Improved BP Neural Network Based on Firefly Algorithm for Predicting Electricity Energy Consumption Behavior[J]. Journal of Shenyang University of Technology， 2023， 45（3）： 241-246.

[9] JAGRUTHI H， KAVITHA C， MULIMANI M. Network Intrusion Detection Using Fusion Features and Convolutional Bidirectional Recurrent Neural Network[J]. International Journal of Computer Applications in Technology， 2022， 69（1）： 93-100.

[10] FATEMEHALSADAT M， KAREM C， RACHID L， et al. Convolutional Neural Network and Long Short-Term Memory Models for Ice-Jam Predictions[J]. The Cryosphere， 2022， 16（4）.

（責(zé)任編輯 斛 畔）

修改稿收到日期為2023年9月22日。