CN107330217A - 一种基于rbfnn的中观油耗预测方法 - Google Patents
一种基于rbfnn的中观油耗预测方法 Download PDFInfo
- Publication number
- CN107330217A CN107330217A CN201710568525.9A CN201710568525A CN107330217A CN 107330217 A CN107330217 A CN 107330217A CN 201710568525 A CN201710568525 A CN 201710568525A CN 107330217 A CN107330217 A CN 107330217A
- Authority
- CN
- China
- Prior art keywords
- mrow
- energy consumption
- road
- vehicle
- msub
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/048—Activation functions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明涉及一种基于RBFNN的中观油耗预测方法，确定道路能耗影响因素；将车辆行驶轨迹划分成行驶片段；计算在一个形式片段内，车辆平均能耗；分析该路段的平均能耗分布规律，计算路段的平均能耗；确定道路能耗影响因素等参数设置；将得到的数据集作为神经网络的训练集进行模型学习；输入测试数据集，计算得到道路油耗预测结果。本发明在大数据量的能耗轨迹数据集的支持下，积累大量关于路段类型、车辆均速等输入参数和道路能耗输出参数的观测样本，通过观测样本的训练，掌握道路能耗影响因素与道路平均能耗之间的相关关系规律，从而可以对路网中其它能耗轨迹样本量不足的路段进行能耗预测，实现了能耗规律的泛化推广，在监测粒度上有较高的精度。
Description
技术领域
本发明涉及一种用于节能减排智能交通系统应用的基于RBFNN(RBF神经网络，也称径向基函数神经网络(Radical Basis Function))的中观油耗预测方法。
背景技术
中观油耗预测模型是对车辆驶过指定道路路段的平均能耗量进行测算。在城市交通迅速发展的今天，节能减排的应用智能化也越来越受到人们的重视，但要实现一个实用性和精确性较高的预测系统需要解决很多的技术难点，其中一个就是如何在一个较细的测算粒度的基础上保证测算的准确度。
传统的中观油耗预测方法最开始是用行驶周期来描绘交通流行驶特征，许多研究者为实现更细粒度的能耗预测不再使用行驶周期而是用VSP(Vehicle Specific Power，机动车比功率)和ES(Engine Stress)等参数的分布来描述路段行驶模式特征，按道路等级进行能耗排放测算。
相比MOBIEL/MOVES等基于行驶周期的模型，基于VSP分布的模型有更细的测算粒度和更高的模型精度，可以更好的适应动态变化的路网的监测要求。
然而，目前实现的基于VSP分布的模型(包括其它同类模型)只能按道路等级进行能耗排放测算，仍然没有实现对道路微结构的细粒度监测。同时，现有的中观模型应用行驶模式、VSP分布等中间量作为沟通中观参数(道路等级、平均速度等)和道路行驶模式的桥梁，再依据行驶模式特征测算平均能耗排放值，这中间多次的参数转换，产生了较大的模型测算精度损失。
综上所述，现有的道路能耗模型在能耗测算的精度和分辨率方面都还存在着较大的提升空间，需要进一步改进以便为环保导航等需要对路网进行精细化能耗监测的智能交通系统提供更好的支持。
发明内容
本发明的技术解决问题：克服现有技术的不足，提供一种适于细粒度的高精度的基于RBFNN的中观油耗预测方法。
本发明的技术解决方案：一种基于RBFNN的中观油耗预测方法，通过以下步骤实现：
第一步，确定道路能耗影响因素，所述道路能耗影响因素为路段结构、车辆类型以及交通流平均速度，以确定中观油耗预测模型输入参数种类以及数目；所述路段结构为有无出入口、车道数、车道宽度、有无公交站点；
第二步，将车辆行驶轨迹划分成行若干个行驶片段；
第三步，在一个行驶片段内，计算每辆车的平均能耗；
第四步，根据得到的每辆车的平均能耗，分析道路的平均能耗分布规律，计算道路的平均能耗，作为中观油耗预测模型的输出参数；
第五步，确定道路能耗影响因素、交通流平均速度以及道路的平均能耗的参数设置，获取{道路能耗影响因素参数值，交通流平均速度参数值}->{路段平均能耗参数值}的输入->输出训练集以及只包含输入参数的数据集作为中观油耗预测模型的测试数据集；
第六步，将得到的输入->输出训练集进行中观油耗预测模型学习，确定RBFNN隐含层节点规模、数据中心以及RBFNN隐含层与输出层的连接权值，得到{道路能耗影响因素参数值，交通流平均速度参数值}->{路段平均能耗参数值}的输入->输出映射关系；
第七步，输入第五步得到的测试数据集，计算得到道路油耗预测结果。
所述第二步中，将车辆行驶轨迹划分割成行若干个行驶片段具体如下；
(1)对比基于定长距离划分的方法、基于以道路交叉口为分割点形成的路链的划分方法以及基于定长时间的划分方法，选择基于定长时间的划分方法；
(2)确定划分方法后，确定不同时长的行驶片段对应的平均速度与油耗的相关关系，选取相关关系系数最大的时长作为分割行驶片段；
(3)在步骤(2)划分的行驶片段内，定义车辆的瞬时行驶状态pr＝(CarID，Xr，Yr，v，t，e)，其中e为车辆在t时刻所行驶的路段；Xr和Yr为车辆在路链上的投影的经纬度，令为车辆在一个行驶片段内道路e上沿行进方向的第一个投影点，为最后一个投影点，则车辆在路段e上的行驶的平均速度计算如下：
所述第三步中，在一个行驶片段内，计算每辆车的平均能耗的方法是根据要预测的车辆类型，提取对应车型的能耗轨迹数据，计算当前车辆的平均能耗，具体计算方法如下：
根据要预测的车辆类型得到对应的能耗轨迹数据，如下：
z＝(pr，f，tf，tm)
其中pr为车辆瞬时行驶状态记录(CarID，Xr，Yr，v，t，e)，其中CarID为车辆编号，e为车辆在t时刻所行驶的路段；Xr和Yr为车辆在路链上的投影的经纬度，令为车辆在道路e上沿行进方向的第一个投影点，为最后一个投影点；，f为测算出来的当前时刻瞬时能耗；tm和tf分别为行驶轨迹从开始到当前记录时刻车辆行驶过的总里程和总能耗量，令z1和zn分别是车辆行驶通过行驶轨迹的第一个轨迹记录和最后一个轨迹记录，则车辆平均能耗计算如下：
其中e.l表示行驶轨迹的长度。
所述第四步具体过程如下：
(1)根据得到的每辆车的平均能耗后，绘制当前路段的车辆平均能耗频率直方图，分析数据分布；
(2)数据分布接近总体分布，评判包括算数平均值、截尾取值、众数以及中位数在内的中心趋势度量方法，计算对比各自的平均误差率，选择众数作为路段平均能耗值的计算方法，计算路段的平均能耗。
所述第六步的具体过程如下：
(1)采用一种结合k-means聚类和基于费雪比的中心选择优化(fisher-ratio)方法的混合算法学习确定RBFNN隐含层节点规模和数据中心：
先利用k-means方法的高效率的特点，在大样本集上进行初步的中心聚类选取，然后利用费雪比方法按照聚类得到的各中心点的分类能力进行筛选，根据数据中心分类能力的考察依据挑选分类能力大于某个阈值的中心点作为最终RBFNN的隐含层数据中心，最终形成分类能力最大化和网络结构最简化的RBFNN网络。
其中，数据中心分类能力的考察依据为中心点Cl对所有类(类总数为n)的平均分类能力指标：
(2)选定RBFNN的数据中心、确定隐含层节点规模之后，用基于RLS的学习训练方法确定隐含层与输出层之间的连接权值wi：在该方法中，通过最小化输入和输出间的误差平方和来优化权值系数；
定义误差平方和：
式中有：
其中wT表示输入向量经RBFNN处理后产生的实际输入，di表示期望输出(即样本中的观测值)；
计算使得代价函数η(w)最小，将η(w)对w微分并令其结果等于0，求得w的值；
至此得到中观油耗预测模型的参数值，即输入->输出的映射关系。
本发明与现有技术相比的优点在于：本发明从中观的角度出发，在大数据量的能耗轨迹数据集的支持下，积累大量关于路段类型、车辆均速等输入参数和道路能耗输出参数的观测样本，通过观测样本的训练，掌握道路能耗影响因素与道路平均能耗之间的相关关系规律，从而可以对路网中其它能耗轨迹样本量不足的路段进行能耗预测，实现了能耗规律的泛化推广，因此本发明在监测粒度上有较高的精度。
附图说明
图1为本发明方法实现流程图；
图2为不同时长的行驶片段对应的平均速度与油耗的相关关系；
图3为车辆能耗分布，路段样本为北京市北四环学院桥附近一段500米长的封闭快速路，速度区间为30Km/h～35Km/h；
图4为不同路段结构下的平均速度-平均油耗曲线图；
图5为低速区间下不同路段结构下的平均速度-平均油耗曲线图；
图6为中速和高速区间下不同路段结构下的平均速度-平均油耗曲线图；
图7为不同季节下的封闭平直路平均速度-平均油耗曲线图；
图8为模型之间的能耗预测准确性对比。
具体实施方式
如图1所示，本发明一种基于RBFNN的中观油耗预测方法通过以下步骤实现：
(1)确定道路油耗影响因素
本发明研究表明不同的路段结构在相同速度区间下的能耗水平也有差异。
车道数量是道路结构的基本属性，车道数量越多则驾驶员行驶空间越大，因此对行驶模式离散程度等特征有较大影响。车道参数按照实际车道数量取值。
车道宽度对于驾驶员的行为也有很大影响：若车道较窄，则为保证安全，驾驶员倾向于拉大同前车间距，变道行为也会相应减少。
车道宽度参数的取值方法为：将所有道路宽度按照取值大小排列，然后将所有可能的取值分为4类，每个路段的车道宽度参数按照其所处的类型编号取值。
快速路上有时会出现显著的道路坡度。例如为实现与其它道路交汇时交通流互不干扰，通常会建造坡度在4％以上的立交桥或地道桥。由于道路坡度对能耗具有显著影响，因此也需要采集相应的坡度参数作为道路能耗模型的输入。
为方便模型处理，坡度参数被离散化处理，其取值方法为：将从0度开始的所有坡度取值分为等距4个分组，编号从0到3，则坡度参数按照路段实际坡度值所属的分组编号取值。
(2)划分行驶片段
用基于定长时间段的方法划分行驶片段，使每个片段都包含合适的数据量。不同时长的行驶片段对应的平均速度与油耗的相关关系如图2所示。当行驶片段的长度为180秒左右时，平均速度与油耗的相关性最强。本发明以180秒为单位对油耗轨迹数据进行行驶片段划分，每个片段包含180条数据记录，相邻两条数据记录间隔为1秒。
(3)计算车辆平均通过速度
定义车辆瞬时行驶状态的记录pr＝(CarID，Xr，Yr，v，t，e)，其中e为车辆在t时刻所行驶的路段；Xr和Yr为车辆在路链上的投影的经纬度。令为车辆在一个行驶片段内道路e上沿行进方向的第一个投影点，为最后一个投影点，车辆在路段e上的行驶的平均速度计算如下：
其中计算出和点沿着e的方向的距离。
(4)计算车辆平均能耗
本发明根据要预测的车辆类型(不失一般性，选取1.6排量的自动挡车型作为预测车型)，得到对应车型的能耗轨迹数据：
z＝(pr，f，tf，tm)
其中pr为车辆瞬时行驶状态记录(CarID，Xr，Yr，v，t，e)；f为测算出来的当前时刻瞬时能耗；tm和tf分别为该轨迹片段从开始到当前记录时刻车辆行驶过的总里程和总能耗量。令z1和zn分别是车辆行驶通过该轨迹的第一个轨迹记录和最后一个轨迹记录，计算车辆平均能耗：
(f_e)-＝(z_n.tf-z_1.tf)/(z_n.tm-z_1.tm)×e.l
(5)计算路段平均能耗
车辆平均能耗与平均速度有密切关系，首先将车辆平均能耗按照对应的平均速度进行分组。本发明按5Km/h的长度对平均速度进行区间划分，保证有足量的车辆能耗轨迹数据落入区间并且使能耗预测有较高的速度分辨率。
以北京市北四环学院桥附近一段500米长的封闭快速路为例，分析在30Km/h～35Km/h速度区间下车辆能耗分布，如图3所示。分析得到结论：在此道路行驶条件下车辆平均能耗呈现近似高斯分布形态，数据分布集中。评判中心趋势度量方法，求得平均误差率如表1所示。
表1不同路段平均能耗计算方法的平均误差率
平均能耗呈现对称分布，本发明选择众数作为路段平均能耗值的计算方法。
(6)构建RBFNN训练集
输入输出映射定义为：{RT，V，VT}→f。
其中RT为路段结构类型；V为交通流平均速度，以5km/h等距划并取区间中值；VT为车辆类型参数，包括车重、排量、变速箱类型和出厂年代；f为车辆平均能耗输出参数。
(7)RBFNN学习
广义RBFNN由输入到输出的映射函数：
本发明用一种结合k-means聚类和基于费雪比(fisher-ratio)方法的混合算法学习确定RBFNN隐含层节点规模和数据中心。先利用k-means方法的高效率的特点，在大样本集上进行初步的中心聚类选取，并且选择的中心可以摆脱样本数据的约束；然后利用费雪比方法按照聚类得到的各中心点的分类能力进行筛选，优中选优，获得较高精度的最简网络结构。
经过以上步骤选定RBFNN的数据中心Xi，确定隐含层节点规模k和高斯函数宽度σ，之后通过基于RLS的学习训练方法来确定隐含层与输出层之间的连接权值wi。在该方法中，通过最小化输入和输出间的误差平方和来优化权值系数。
定义误差平方和(代价函数)：
其中，
其中wT表示输入向量经RBFNN处理后产生的实际输入，di表示期望输出(即样本中的观测值)。
优化权值w的目标是使得代价函数η(w)最小，为此将η(w)对w微分并令其结果等于0，可以得到下式：
R(n)w(n)＝r(n)
其中R(n)代表隐含层单元输出相关系数，代表网络期望输出和隐含层单元输出之间的互相关向量，分别定义如下：
因为网络规模k值较大，所以直接计算R(n)的逆矩阵来求得w(n)是比较困难的，为此RLS方法应用最小二乘法的递归执行来降低计算难度。
定义权值w递推公式：
w(n)＝w(n-1)+R-1(n)Φ(n)a(n)
定义式中a(n)项为“先验估计误差”，Φ(n)代表上一迭代的估计误差：
a(n)＝d(n)-ΦT(n)w(n-1)＝d(n)-wT(n-1)Φ(n)。
下面结合实施例再说明一下。
1.路链选取
按照覆盖的车辆能耗轨迹数据数量大于样本量下限的要求，遍历路网选取所有符合要求的路链(road link)。
2.路段划分
电子地图中的路链是按照路段交汇点进行划分的，将路链进行切分和组合，将变长的路链划分为500米长度的虚拟路段。
3.计算路段平均能耗
将选中路链上的车辆能耗轨迹数据按照新生成的路段结构进行重新分割，分配给对应的路段，对每个路段先计算其上每条车辆能耗轨迹的平均能耗，再汇总得到路段平均能耗。
4.标定路段结构参数
读取电子地图上的路链拓扑结构信息，包括道路等级、车道数、车道宽度、是否有出入口、是否有公交站等，对路段结构参数依次赋值，对于道路坡度，提取道路坡度数据库中的坡度数据，离散化后对坡度参数进行赋值。
5.标定其他参数
计算路段的平均通过速度(城市交通实时路况系统依靠大量的装载GPS监测设备的出租车采集城市路面上交通流的实时参数，通过浮动车数据处理模型的计算获得道路交通流平均速度信息，以2分钟/次的频率发布更新)，与车辆类型参数、季节参数等依次赋值，标定到路段。
6.训练RBFNN
挑选了北京市200万条能耗轨迹数据，使用串行的方法在单机上完成RBFNN网络部署和训练。
7.验证模型准确性
模型输入参数为{RT，V，VT，Season}，其中RT为路段结构参数；V为交通流平均速度；VT为车辆类型参数；Season为季节参数；输出参数为路段平均能耗f(L/100km)。
a.考察路段结构分辨率(模型分辨率即模型辨别输入的行驶条件上的细微差异并给出不同的反馈输出的能力)：固定VT和Season参数(车辆类型为1.6L排量自动挡型车型，季节参数为夏季)，改变RT和V参数的赋值(出入口参数和坡度参数取值为3)，获得不同路段结构类型下的路段平均速度与平均油耗的关系，如图4所示。
对于低速区间的能耗规律，如图5所示；对于中高速区间的能耗规律，如图6所示。
实验结果证明，本发明实现的中观油耗预测模型能较好地鉴别路段结构对能耗的影响。
b.考察季节分辨率：固定RT和VT参数(车辆类型参数为1.6L排量自动档车型，道路类型取为封闭平直路)，改变Seanson和V参数的赋值，获得不同季节下路段平均速度与平均油耗的关系，如图7所示。
从图中可以看出，冬季和夏季的能耗在不同速度区间下普遍相差1L/100km以上，故本发明实现的中观油耗预测模型能够识别不同季节下的能耗差别。
c.准确性分析：从600辆CAN采集车的能耗轨迹数据集中随机抽取约1万条测试样本，将每条轨迹Zi切分为若干个路段上的片段(z1，z2，…，zn)，针对每条轨迹片段zi进行能耗数据统计，获得路段实际能耗fa。之后从zi中抽取道路能耗模型所需的各项参数，并输入到中观油耗预测模型，获得轨迹片段ei的模型预测能耗fp。对fa和fp进行对比分析，得到模型准确性测试结果，与传统预测模型的准确性对比如图8所示。
Claims (5)
1.一种基于RBFNN的中观油耗预测方法，其特征在于通过以下步骤实现：
第一步，确定道路能耗影响因素，所述道路能耗影响因素为路段结构、车辆类型以及交通流平均速度，以确定中观油耗预测模型输入参数种类以及数目；所述路段结构为有无出入口、车道数、车道宽度、有无公交站点；
第二步，将车辆行驶轨迹划分成行若干个行驶片段；
第三步，在一个行驶片段内，计算每辆车的平均能耗；
第四步，根据得到的每辆车的平均能耗，分析道路的平均能耗分布规律，计算道路的平均能耗，作为中观油耗预测模型的输出参数；
第五步，确定道路能耗影响因素、交通流平均速度以及道路的平均能耗的参数设置，获取{道路能耗影响因素参数值，交通流平均速度参数值}->{路段平均能耗参数值}的输入->输出训练集以及只包含输入参数的数据集作为中观油耗预测模型的测试数据集；
第六步，将得到的输入->输出训练集进行中观油耗预测模型学习，确定RBFNN隐含层节点规模、数据中心以及RBFNN隐含层与输出层的连接权值，得到{道路能耗影响因素参数值，交通流平均速度参数值}->{路段平均能耗参数值}的输入->输出映射关系；
第七步，输入第五步得到的测试数据集，计算得到道路油耗预测结果。
2.根据权利要求1所述的基于RBFNN的中观油耗预测方法，其特征在于：所述第二步中，将车辆行驶轨迹划分割成行若干个行驶片段具体如下；
(1)对比基于定长距离划分的方法、基于以道路交叉口为分割点形成的路链的划分方法以及基于定长时间的划分方法，选择基于定长时间的划分方法；
(2)确定划分方法后，确定不同时长的行驶片段对应的平均速度与油耗的相关关系，选取相关关系系数最大的时长作为分割行驶片段；
(3)在步骤(2)划分的行驶片段内，定义车辆的瞬时行驶状态pr＝(CarID，Xr，Yr，v，t，e)，其中e为车辆在t时刻所行驶的路段；Xr和Yr为车辆在路链上的投影的经纬度，令为车辆在一个行驶片段内道路e上沿行进方向的第一个投影点，为最后一个投影点，则车辆在路段e上的行驶的平均速度计算如下：
<mrow>
<msub>
<mi>V</mi>
<mi>e</mi>
</msub>
<mo>=</mo>
<mfrac>
<mrow>
<mi>D</mi>
<mi>i</mi>
<mi>s</mi>
<mrow>
<mo>(</mo>
<msubsup>
<mi>p</mi>
<mi>r</mi>
<mn>1</mn>
</msubsup>
<mo>-</mo>
<msubsup>
<mi>p</mi>
<mi>r</mi>
<mi>n</mi>
</msubsup>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<msubsup>
<mi>p</mi>
<mi>r</mi>
<mn>1</mn>
</msubsup>
<mo>.</mo>
<mi>t</mi>
<mo>-</mo>
<msubsup>
<mi>p</mi>
<mi>r</mi>
<mi>n</mi>
</msubsup>
<mo>.</mo>
<mi>t</mi>
</mrow>
</mfrac>
<mo>.</mo>
</mrow>
3.根据权利要求1所述的基于RBFNN的中观油耗预测方法，其特征在于：所述第三步中，在一个行驶片段内，计算每辆车的平均能耗的方法是根据要预测的车辆类型，提取对应车型的能耗轨迹数据，计算当前车辆的平均能耗，具体计算方法如下：
根据要预测的车辆类型得到对应的能耗轨迹数据，如下：
z＝(pr，f，tf，tm)
其中pr为车辆瞬时行驶状态记录(CarID，Xr，Yr，v，t，e)，其中CarID为车辆编号，e为车辆在t时刻所行驶的路段；Xr和Yr为车辆在路链上的投影的经纬度，令为车辆在道路e上沿行进方向的第一个投影点，为最后一个投影点；，f为测算出来的当前时刻瞬时能耗；tm和tf分别为行驶轨迹从开始到当前记录时刻车辆行驶过的总里程和总能耗量，令z1和zn分别是车辆行驶通过行驶轨迹的第一个轨迹记录和最后一个轨迹记录，则车辆平均能耗计算如下：
<mrow>
<msub>
<mover>
<mi>f</mi>
<mo>&OverBar;</mo>
</mover>
<mi>e</mi>
</msub>
<mo>=</mo>
<mfrac>
<mrow>
<msub>
<mi>z</mi>
<mi>n</mi>
</msub>
<mo>.</mo>
<mi>t</mi>
<mi>f</mi>
<mo>-</mo>
<msub>
<mi>z</mi>
<mn>1</mn>
</msub>
<mo>.</mo>
<mi>t</mi>
<mi>f</mi>
</mrow>
<mrow>
<msub>
<mi>z</mi>
<mi>n</mi>
</msub>
<mo>.</mo>
<mi>t</mi>
<mi>m</mi>
<mo>-</mo>
<msub>
<mi>z</mi>
<mn>1</mn>
</msub>
<mo>.</mo>
<mi>t</mi>
<mi>m</mi>
</mrow>
</mfrac>
<mo>&times;</mo>
<mi>e</mi>
<mo>.</mo>
<mi>l</mi>
</mrow>
其中e.l表示行驶轨迹的长度。
4.根据权利要求1所述的基于RBFNN的中观油耗预测方法，其特征在于：所述第四步具体过程如下：
(1)根据得到的每辆车的平均能耗后，绘制当前路段的车辆平均能耗频率直方图，分析数据分布；
(2)数据分布接近总体分布，评判包括算数平均值、截尾取值、众数以及中位数在内的中心趋势度量方法，计算对比各自的平均误差率，选择众数作为路段平均能耗值的计算方法，计算路段的平均能耗。
5.根据权利要求1所述的基于RBFNN的中观油耗预测方法，其特征在于：所述第六步的具体过程如下：
(1)采用一种结合k-means聚类和基于费雪比的中心选择优化(fisher-ratio)方法的混合算法学习确定RBFNN隐含层节点规模和数据中心：
先利用k-means方法的高效率的特点，在大样本集上进行初步的中心聚类选取，然后利用费雪比方法按照聚类得到的各中心点的分类能力进行筛选，根据数据中心分类能力的考察依据挑选分类能力大于某个阈值的中心点作为最终RBFNN的隐含层数据中心，最终形成分类能力最大化和网络结构最简化的RBFNN网络；
其中，数据中心分类能力的考察依据为中心点Cl对所有类(类总数为n)的平均分类能力指标：
<mrow>
<msub>
<mi>&lambda;</mi>
<mi>l</mi>
</msub>
<mo>=</mo>
<mfrac>
<mrow>
<msubsup>
<mi>&Sigma;</mi>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>n</mi>
</msubsup>
<msubsup>
<mi>&Sigma;</mi>
<mrow>
<mi>j</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>n</mi>
</msubsup>
<msub>
<mi>&lambda;</mi>
<mrow>
<mi>i</mi>
<mo>,</mo>
<mi>j</mi>
<mo>,</mo>
<mi>l</mi>
</mrow>
</msub>
</mrow>
<mrow>
<mi>n</mi>
<mrow>
<mo>(</mo>
<mi>n</mi>
<mo>-</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
</mrow>
</mfrac>
</mrow>
(2)选定RBFNN的数据中心、确定隐含层节点规模之后，用基于RLS的学习训练方法确定隐含层与输出层之间的连接权值wi：在该方法中，通过最小化输入和输出间的误差平方和来优化权值系数；
定义误差平方和：
<mrow>
<mi>&eta;</mi>
<mrow>
<mo>(</mo>
<mi>w</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfrac>
<mn>1</mn>
<mn>2</mn>
</mfrac>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>n</mi>
</munderover>
<msup>
<mrow>
<mo>(</mo>
<msub>
<mi>d</mi>
<mi>i</mi>
</msub>
<mo>-</mo>
<msup>
<mi>w</mi>
<mi>T</mi>
</msup>
<mi>&Phi;</mi>
<mo>(</mo>
<msub>
<mi>X</mi>
<mi>i</mi>
</msub>
<mo>)</mo>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
</mrow>
式中有：
其中wT表示输入向量经RBFNN处理后产生的实际输入，di表示期望输出(即样本中的观测值)；
计算使得代价函数η(w)最小，将η(w)对w微分并令其结果等于0，求得w的值；
至此得到中观油耗预测模型的参数值，即输入->输出的映射关系。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710568525.9A CN107330217B (zh) | 2017-07-13 | 2017-07-13 | 一种基于rbfnn的中观油耗预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710568525.9A CN107330217B (zh) | 2017-07-13 | 2017-07-13 | 一种基于rbfnn的中观油耗预测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN107330217A true CN107330217A (zh) | 2017-11-07 |
| CN107330217B CN107330217B (zh) | 2020-07-10 |
Family
ID=60196281
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710568525.9A Active CN107330217B (zh) | 2017-07-13 | 2017-07-13 | 一种基于rbfnn的中观油耗预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107330217B (zh) |
Cited By (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108230217A (zh) * | 2017-12-28 | 2018-06-29 | 江苏交科能源科技发展有限公司 | 一种基于高速公路收费数据的能耗排放总量核算系统及其核算方法 |
| CN108647836A (zh) * | 2018-06-06 | 2018-10-12 | 哈尔滨思派科技有限公司 | 一种驾驶员节能评价方法和系统 |
| CN109606286A (zh) * | 2018-12-10 | 2019-04-12 | 英华达（上海）科技有限公司 | 车辆油耗预测方法、车辆导航方法及电子设备 |
| CN110097318A (zh) * | 2019-04-30 | 2019-08-06 | 吉旗（成都）科技有限公司 | 一种车辆按区域汇总油耗里程的算法 |
| CN110147820A (zh) * | 2019-04-11 | 2019-08-20 | 北京远航通信息技术有限公司 | 航班额外油量的推荐方法、装置、设备及存储介质 |
| CN110849411A (zh) * | 2018-08-21 | 2020-02-28 | 上海博泰悦臻网络技术服务有限公司 | 车联网服务器、车辆及基于行驶油耗数据的车况评估方法 |
| CN110909907A (zh) * | 2018-09-18 | 2020-03-24 | 西安四维图新信息技术有限公司 | 卡车的油耗预测方法、装置及存储介质 |
| CN111046491A (zh) * | 2019-11-28 | 2020-04-21 | 中国船舶工业系统工程研究院 | 预估大型船舶柴油主机油耗的方法和装置 |
| CN111179465A (zh) * | 2019-12-13 | 2020-05-19 | 同济大学 | 一种汽车油耗预测方法 |
| CN112434259A (zh) * | 2020-10-15 | 2021-03-02 | 天津大学 | 一种类比电路功耗的路网交通能耗分析方法 |
| CN113190996A (zh) * | 2021-04-28 | 2021-07-30 | 西安康明斯发动机有限公司 | 一种用于适时四驱车型的油耗评估方法 |
| CN113435666A (zh) * | 2021-07-20 | 2021-09-24 | 山东大学 | 一种基于车辆运行状态的商用车油耗预测方法及系统 |
| CN114005295A (zh) * | 2020-07-28 | 2022-02-01 | 比亚迪股份有限公司 | 一种预估车辆能耗信息的方法、装置、设备及介质 |
| CN115503489A (zh) * | 2022-09-30 | 2022-12-23 | 成都赛力斯科技有限公司 | 新能源车续驶里程计算方法、装置、计算机设备和介质 |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20110125684A1 (en) * | 2009-11-24 | 2011-05-26 | Hussain Al-Duwaish | Method for identifying multi-input multi-output hammerstein models |
| CN102496079A (zh) * | 2011-12-12 | 2012-06-13 | 北京航空航天大学 | 一种道路能耗与排放的监测方法 |
| US20120150531A1 (en) * | 2010-12-08 | 2012-06-14 | At&T Intellectual Property I, L.P. | System and method for learning latent representations for natural language tasks |
| CN102509470A (zh) * | 2011-10-14 | 2012-06-20 | 北京掌城科技有限公司 | 基于动态路径规划实现车辆节能减排的系统和方法 |
| CN103745110A (zh) * | 2014-01-15 | 2014-04-23 | 华南农业大学 | 纯电动公交车营运续驶里程估算方法 |
| CN104008647A (zh) * | 2014-06-12 | 2014-08-27 | 北京航空航天大学 | 一种基于机动车行驶模式的道路交通能耗量化方法 |
| US20140288551A1 (en) * | 2013-03-15 | 2014-09-25 | Pacesetter, Inc. | Erythropoeitin production by electrical stimulation |
| CN104969274A (zh) * | 2013-02-01 | 2015-10-07 | 日立汽车系统株式会社 | 行驶控制装置和行驶控制系统 |
| CN105787240A (zh) * | 2014-12-24 | 2016-07-20 | 高德软件有限公司 | 一种油耗预测方法及装置 |
-
2017
- 2017-07-13 CN CN201710568525.9A patent/CN107330217B/zh active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20110125684A1 (en) * | 2009-11-24 | 2011-05-26 | Hussain Al-Duwaish | Method for identifying multi-input multi-output hammerstein models |
| US20120150531A1 (en) * | 2010-12-08 | 2012-06-14 | At&T Intellectual Property I, L.P. | System and method for learning latent representations for natural language tasks |
| CN102509470A (zh) * | 2011-10-14 | 2012-06-20 | 北京掌城科技有限公司 | 基于动态路径规划实现车辆节能减排的系统和方法 |
| CN102496079A (zh) * | 2011-12-12 | 2012-06-13 | 北京航空航天大学 | 一种道路能耗与排放的监测方法 |
| CN104969274A (zh) * | 2013-02-01 | 2015-10-07 | 日立汽车系统株式会社 | 行驶控制装置和行驶控制系统 |
| US20140288551A1 (en) * | 2013-03-15 | 2014-09-25 | Pacesetter, Inc. | Erythropoeitin production by electrical stimulation |
| CN103745110A (zh) * | 2014-01-15 | 2014-04-23 | 华南农业大学 | 纯电动公交车营运续驶里程估算方法 |
| CN104008647A (zh) * | 2014-06-12 | 2014-08-27 | 北京航空航天大学 | 一种基于机动车行驶模式的道路交通能耗量化方法 |
| CN105787240A (zh) * | 2014-12-24 | 2016-07-20 | 高德软件有限公司 | 一种油耗预测方法及装置 |
Non-Patent Citations (1)
| Title |
|---|
| 侯亚美等: "基于BP神经网络的北京市出租车油耗模型研究", 《道路交通与安全》 * |
Cited By (22)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108230217A (zh) * | 2017-12-28 | 2018-06-29 | 江苏交科能源科技发展有限公司 | 一种基于高速公路收费数据的能耗排放总量核算系统及其核算方法 |
| CN108647836A (zh) * | 2018-06-06 | 2018-10-12 | 哈尔滨思派科技有限公司 | 一种驾驶员节能评价方法和系统 |
| CN108647836B (zh) * | 2018-06-06 | 2021-11-12 | 哈尔滨思派科技有限公司 | 一种驾驶员节能评价方法和系统 |
| CN110849411A (zh) * | 2018-08-21 | 2020-02-28 | 上海博泰悦臻网络技术服务有限公司 | 车联网服务器、车辆及基于行驶油耗数据的车况评估方法 |
| CN110909907A (zh) * | 2018-09-18 | 2020-03-24 | 西安四维图新信息技术有限公司 | 卡车的油耗预测方法、装置及存储介质 |
| CN109606286A (zh) * | 2018-12-10 | 2019-04-12 | 英华达（上海）科技有限公司 | 车辆油耗预测方法、车辆导航方法及电子设备 |
| CN110147820B (zh) * | 2019-04-11 | 2021-06-15 | 北京远航通信息技术有限公司 | 航班额外油量的推荐方法、装置、设备及存储介质 |
| CN110147820A (zh) * | 2019-04-11 | 2019-08-20 | 北京远航通信息技术有限公司 | 航班额外油量的推荐方法、装置、设备及存储介质 |
| CN110097318A (zh) * | 2019-04-30 | 2019-08-06 | 吉旗（成都）科技有限公司 | 一种车辆按区域汇总油耗里程的算法 |
| CN111046491A (zh) * | 2019-11-28 | 2020-04-21 | 中国船舶工业系统工程研究院 | 预估大型船舶柴油主机油耗的方法和装置 |
| CN111046491B (zh) * | 2019-11-28 | 2023-07-25 | 中国船舶工业系统工程研究院 | 预估大型船舶柴油主机油耗的方法和装置 |
| CN111179465A (zh) * | 2019-12-13 | 2020-05-19 | 同济大学 | 一种汽车油耗预测方法 |
| CN111179465B (zh) * | 2019-12-13 | 2021-12-31 | 同济大学 | 一种汽车油耗预测方法 |
| CN114005295A (zh) * | 2020-07-28 | 2022-02-01 | 比亚迪股份有限公司 | 一种预估车辆能耗信息的方法、装置、设备及介质 |
| CN112434259A (zh) * | 2020-10-15 | 2021-03-02 | 天津大学 | 一种类比电路功耗的路网交通能耗分析方法 |
| CN112434259B (zh) * | 2020-10-15 | 2022-03-29 | 天津大学 | 一种类比电路功耗的路网交通能耗分析方法 |
| CN113190996A (zh) * | 2021-04-28 | 2021-07-30 | 西安康明斯发动机有限公司 | 一种用于适时四驱车型的油耗评估方法 |
| CN113190996B (zh) * | 2021-04-28 | 2024-03-29 | 西安康明斯发动机有限公司 | 一种用于适时四驱车型的油耗评估方法 |
| CN113435666A (zh) * | 2021-07-20 | 2021-09-24 | 山东大学 | 一种基于车辆运行状态的商用车油耗预测方法及系统 |
| CN113435666B (zh) * | 2021-07-20 | 2023-11-07 | 山东大学 | 一种基于车辆运行状态的商用车油耗预测方法及系统 |
| CN115503489A (zh) * | 2022-09-30 | 2022-12-23 | 成都赛力斯科技有限公司 | 新能源车续驶里程计算方法、装置、计算机设备和介质 |
| CN115503489B (zh) * | 2022-09-30 | 2024-04-19 | 成都赛力斯科技有限公司 | 新能源车续驶里程计算方法、装置、计算机设备和介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN107330217B (zh) | 2020-07-10 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107330217A (zh) | 一种基于rbfnn的中观油耗预测方法 | |
| CN107248283B (zh) | 一种考虑路段关键度的城市区域路网运行状态评价方法 | |
| CN104866654B (zh) | 一种一体化城市动态交通仿真平台的构建方法 | |
| CN104658252B (zh) | 基于多源数据融合的高速公路交通运行状态的评估方法 | |
| CN105788252B (zh) | 基于定点检测器和信号配时数据融合的城市干道车辆轨迹重构方法 | |
| CN103903433B (zh) | 一种道路交通状态的实时动态判别方法及装置 | |
| CN102592447B (zh) | 一种基于fcm的区域路网的道路交通状态判别方法 | |
| CN105303832B (zh) | 基于微波车辆检测器的高架桥路段交通拥堵指数计算方法 | |
| CN109886474B (zh) | 一种面向自动驾驶车辆测试的封闭测试场规划方法 | |
| CN105355049B (zh) | 一种基于宏观基本图的高速公路运行状态评价方法 | |
| CN103838971A (zh) | 一种城市路网动态交通能耗及排放的计算方法 | |
| CN103366557A (zh) | 基于拥堵指数的交通拥堵评价方法 | |
| CN104900057B (zh) | 一种城市快速路主辅道的浮动车地图匹配方法 | |
| CN101739823A (zh) | 一种适用低频采样的路段平均行程时间测量方法 | |
| CN106898142B (zh) | 一种考虑路段相关性的路径行程时间可靠度计算方法 | |
| CN106297285A (zh) | 基于动态权重的高速公路交通运行状态模糊综合评价方法 | |
| CN110414803B (zh) | 不同网联程度下自动驾驶系统智能水平的测评方法及装置 | |
| CN107563566A (zh) | 一种基于支持向量机的公交站间运行时间区间预测方法 | |
| CN106056903B (zh) | 基于gps数据的道路拥塞区域的检测方法 | |
| CN110363990A (zh) | 一种公交畅行指数获取方法、系统及装置 | |
| CN107180534B (zh) | 支持向量回归机融合的高速公路路段平均速度估计方法 | |
| CN105930614A (zh) | 一种针对可变限速控制的元胞传输模型参数标定与验证方法 | |
| CN107833459A (zh) | 一种基于gps数据的城市公交运行状况评价方法 | |
| CN105551250A (zh) | 一种基于区间聚类的城市道路交叉口运行状态判别方法 | |
| CN103456163A (zh) | 城市快速路互通立交通行能力和运行状态判别方法与系统 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |