CN110705774A - 一种车辆能耗分析的预测方法和系统 - Google Patents
一种车辆能耗分析的预测方法和系统 Download PDFInfo
- Publication number
- CN110705774A CN110705774A CN201910919437.8A CN201910919437A CN110705774A CN 110705774 A CN110705774 A CN 110705774A CN 201910919437 A CN201910919437 A CN 201910919437A CN 110705774 A CN110705774 A CN 110705774A
- Authority
- CN
- China
- Prior art keywords
- energy consumption
- vehicle
- characteristic information
- characteristic
- sample
- 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.)
- Pending
Links
- 238000005265 energy consumption Methods 0.000 title claims abstract description 388
- 238000000034 method Methods 0.000 title claims abstract description 63
- 238000004458 analytical method Methods 0.000 title claims abstract description 20
- 238000007637 random forest analysis Methods 0.000 claims abstract description 107
- 238000000556 factor analysis Methods 0.000 claims abstract description 20
- 238000004364 calculation method Methods 0.000 claims abstract description 17
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 13
- 238000000611 regression analysis Methods 0.000 claims abstract description 12
- 238000007670 refining Methods 0.000 claims abstract description 7
- 238000003066 decision tree Methods 0.000 claims description 48
- 238000010276 construction Methods 0.000 claims description 17
- 238000012545 processing Methods 0.000 claims description 14
- 238000012549 training Methods 0.000 claims description 14
- 238000007781 pre-processing Methods 0.000 claims description 13
- 238000004590 computer program Methods 0.000 claims description 11
- 238000000605 extraction Methods 0.000 claims description 8
- 239000006185 dispersion Substances 0.000 claims description 6
- 239000000284 extract Substances 0.000 claims description 6
- 230000009467 reduction Effects 0.000 claims description 4
- 230000006399 behavior Effects 0.000 abstract description 32
- 230000006870 function Effects 0.000 description 15
- 238000010586 diagram Methods 0.000 description 9
- 238000012360 testing method Methods 0.000 description 8
- 230000001133 acceleration Effects 0.000 description 7
- 230000008859 change Effects 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 230000002159 abnormal effect Effects 0.000 description 4
- 238000004891 communication Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 230000004044 response Effects 0.000 description 4
- 238000012935 Averaging Methods 0.000 description 3
- 230000009471 action Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000005259 measurement Methods 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 238000012952 Resampling Methods 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 230000003247 decreasing effect Effects 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Development Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Marketing (AREA)
- Educational Administration (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请公开了一种车辆能耗分析的预测方法和系统。其中，包括识别车辆工况、道路环境和驾驶行为的特征信息，并对车辆工况特征信息和驾驶行为特征信息分类细化提取各基本特征信息；通过预处理和皮尔逊相关系数计算获得能耗特征样本；利用随机森林算法，构建能耗随机森林模型，对能耗特征样本进行回归分析，获得能耗随机森林模型的车辆能耗预测值H(x)；根据能耗随机森林模型，获取能耗特征样本对应的能耗权重值，通过单因素分析，获得车辆能耗预测值随能耗特征样本变化的对应关系。该方案通过识别到影响车辆能耗的主要因素，可为车辆降低能耗提供优化方案。
Description
技术领域
本申请涉及车辆技术领域，具体涉及一种车辆能耗分析的预测方法和系统。
背景技术
随着全球能源危机的加剧，能耗也节节攀升，这也使得车辆的运营成本在不断增加，如何计算汽车的准确能耗，从中找出影响能耗的各种因素，更好的降低能耗、节省费用，已经成为众多汽车物流企业、私家车主所不得不面对的重要问题。在车辆技术状况相同的条件下，驾驶行为对能耗的影响很大，正确合理的驾驶行为可以大大降低汽车的能耗。而且我国仍处在能源较为短缺的时代，通过研究城市交通能耗状况，进而针对性采取节能措施具有重要意义。对于城市交通车辆能耗状况，其受线路、人流、环境、排班、车辆性能和驾驶行为等因素影响，因此需要分析车辆能耗随着各因素的变化关系。
目前，对于车辆各部分能耗分析主要有两种方法，分别为采集方法以及优化问题分析方法。但是主要也是针对司机驾驶行为中的变量进行分析，在结合道路环境等变量较多且较复杂的情况下，优化问题求解也将变得耗时且十分困难。此外，基于目前大多基于车辆数据进行人工识别分析能耗情况，并没有一套完整的模型针对车辆能耗分析和具体单因素能耗分析的方案。因此如何系统地构建车辆多因素能耗分析模型，分析单因素变量中对能耗变化程度的方法成为本领域技术入员亟需解决的问题。
发明内容
本申请的目的在于提出了一种车辆能耗分析的预测方法和系统，通过智能识别影响车辆能耗各种因素，构建车辆能耗预测分析模型，结合单因素方法更直观地分析车辆能耗随影响因素变化关系，以便为车辆降低能耗、节省费用提供优化方案。
第一方面，本申请实施例提供了一种车辆能耗分析的预测方法，该方法包括：
S1：响应于识别车辆工况特征信息、道路环境特征信息和驾驶行为特征信息，并对车辆工况特征信息和驾驶行为特征信息分类细化提取各基本特征信息；
S2：基于提取到的道路环境特征信息和基本特征信息进行预处理，通过皮尔逊相关系数计算同类型基本特征信息的相关系数，随机剔除相关系数大于阈值的其中一个基本特征信息，获得能耗特征样本；
S3：利用随机森林算法，构建能耗随机森林模型，响应于对能耗特征样本进行回归分析，获得能耗随机森林模型的车辆能耗预测值H(x)；以及
S4：响应于能耗随机森林模型，获取能耗特征样本对应的能耗权重值，通过单因素分析，获得车辆能耗预测值随能耗特征样本变化的对应关系。
在该方法中，基于提取到车辆工况、道路环境和驾驶行为的特征信息和基本特征信息进行预处理和皮尔逊相关性算法，获得能耗特征样本，利用随机森林算法和单因素方法，构建车辆能耗随机森林模型，通过权重计算分析能耗预测值随能耗特征样本变化的对应关系。该方法有助于提供车辆降低能耗、节省费用提供优化方案。
在一些具体实施例中，车辆工况特征信息包括车身长度、车龄、里程、能耗、发动机额定功率、发动机输出功率和车辆承载率；道路环境特征信息包括道路拥堵程度、上坡段比例、下坡段比例、天气温度；驾驶行为特征信息包括油门深度、怠速时长、换挡转速控制、刹车频率。车辆能耗影响因素是人、车、环境共同作用的结果，基于车辆CAN高频率采集的数据，分类为车辆工况特征信息、道路环境特征信息和驾驶行为特征信息。
在一些具体实施例中，在S2步骤中的预处理包括对道路环境特征信息和基本特征信息的类型进行缺失值处理，对道路环境特征信息和基本特征信息的数据进行去噪声处理。经过预处理后的道路环境特征信息和基本特征信息相对正常稳定对后续步骤的参考性较强。
在一些具体实施例中，该方法还包括在在S2步骤中的皮尔逊相关系数计算，具体计算公式如下：
其中，X和Y表示同类型的两个基本特征信息，ρXY表示变量X和Y的相关系数，Cov(X，Y)代表变量X和Y的协方差，D(X)和D(Y)分别代表变量X和Y的方差，ρXY取值范围[-1，1]，ρXY绝对值越接近1，则相关性越大，反之则越小，将ρXY绝对值大于0.8的对应基本特征信息随机剔除一组。经过预处理后的某些基本特征信息的相关性可能较大，需要针对这些相关性较大的基本特征信息进行剔除，避免在构建回归决策树时，造成模型效果差且不稳定的情况。
在一些具体实施例中，该方法还包括在S3步骤中，能耗随机森林模型的训练集定义x→y，其中y表示为车辆固定里程的实际能耗值，x表示为车辆固定里程的能耗特征样本建立的特征向量，{I1，I2，...，In}→x，Ij表示第j个能耗特征样本，基于训练集建立单棵回归决策树，随机选取p个能耗特征样本作为分枝变量，非叶节点根据以下表达式分裂为R1(j，s)和R2(j，s)，具体表达式为：
R1(j，s)＝{I|Ij≤s}
R2(j，s)＝{I|Ij＞s}
通过采用最小误差平方和的目标函数寻找分裂变量j和切分点s，目标函数表达式为：
其中，c1和c2分别表示为左右子区域输出的平均值，s表示为进行分裂时的切分点，yi表示为第i个能耗特征样本对应的实际能耗值。通过寻找切分点构建单棵决策树的分枝点，控制单棵决策树的大小，提升决策树的效率。
在一些具体实施例中，该方法还包括：基于单棵回归决策树构建能耗随机森林模型，组合模型构建的具体表达式为：
其中，m表示为从能耗特征样本中随机抽取m个子样本集，每个子样本集有p个能耗特征样本数量(p≤n)，θk表示第k棵回归树随机向量序列，x表示为车辆固定里程的能耗特征信息建立的特征向量，h(x，θk)表示为第k棵回归树的预测值，H(x)表示为能耗随机森林模型的预测值。通过对m个子样本集的进行训练，将未被抽取到的能耗特征样本作为测试集，构建单棵决策树的最佳分枝，并组合成能耗随机森林模型。
在一些具体实施例中，在S3步骤后采用拟合优度R2检验能耗随机森林模型的拟合度，采用均方根误差RMSE计算能耗特征样本的离散度，采用精度P计算能耗随机森林模型的准确率，拟合优度R2、均方根误差RMSE和精度P的计算公式分别如下：
其中，yi表示为第i个能耗特征样本的实际能耗值，H(xi)表示为第i个能耗特征样本的所述能耗随机森林模型的预测能耗值，
表示为N个所述能耗特征样本数据的实际能耗的平均值。通过拟合优度R2、均方根误差RMSE和精度P可以验证构建的能耗随机森林模型整体的精准度。
在一些具体实施例中，在S4步骤中的能耗权重值具体计算公式如下：
其中,h表示袋外样本数量，MSEz表示为第z个样本的均方误差，MSEiz表示经过计算机随机置换第i个能耗特征样本中数据值后的均方误差，gi表示为第i个能耗特征样本的均方误差平均递减值，wi表示为第i个能耗特征样本对应权重值。
另一方面，本申请实施例提供了一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如上述实施例的方法。
第三方面，本申请实施例提供了一种用于车辆故障的预测系统，该系统包括：
特征信息识别单元：配置用于响应于识别车辆工况特征信息、道路环境特征信息和驾驶行为特征信息，并对车辆工况特征信息和驾驶行为特征信息分类细化提取各基本特征信息。
能耗特征样本提取单元：配置用于基于提取到的道路环境特征信息和基本特征信息进行预处理，通过皮尔逊相关系数计算同类型基本特征信息的相关系数，随机剔除相关系数大于阈值的其中一个基本特征信息，获得能耗特征样本；
能耗随机森林模型构建单元：配置用于利用随机森林算法，构建能耗随机森林模型，响应于对能耗特征样本进行回归分析，获得能耗随机森林模型的车辆能耗预测值H(x)；以及
能耗单因素分析单元：配置用于响应于能耗随机森林模型，获取能耗特征样本对应的能耗权重值，通过单因素分析，获得车辆能耗预测值随能耗特征样本变化的对应关系；
本申请提供的一种车辆能耗分析的预测方法和系统。其中，包括识别车辆工况、道路环境和驾驶行为的特征信息，并对车辆工况特征信息和驾驶行为特征信息分类细化提取各基本特征信息；通过预处理和皮尔逊相关系数计算获得能耗特征样本；利用随机森林算法，构建能耗随机森林模型，对能耗特征样本进行回归分析，获得能耗随机森林模型的车辆能耗预测值H(x)；根据能耗随机森林模型，获取能耗特征样本对应的能耗权重值，通过单因素分析，获得车辆能耗预测值随能耗特征样本变化的对应关系。该方案通过识别到影响车辆能耗的主要因素，可为车辆降低能耗提供优化方案。
附图说明
通过阅读参照以下附图所作的对非限制性实施例所作的详细描述，本申请的其它特征、目的和优点将会变得更明显：
图1是根据本申请实施例中的一种车辆能耗分析的预测方法的流程图；
图2是根据本申请的一个具体实施例的用于车辆故障的预测方法的流程示意图；
图3是适于用来实现本申请实施例的电子设备的计算机系统的结构示意图。
图4适于用来实现本申请实施例的电子设备的计算机系统的结构示意图。
具体实施方式
下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释相关发明，而非对该发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与有关发明相关的部分。
需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
图1示出了根据本申请实施例中的一种车辆能耗分析的预测方法的流程图。如图1所示，该方法包括识别车辆特征信息，能耗特征样本提取、构建能耗随机森林模型和能耗单因素分析。
在步骤S1中：响应于识别车辆工况特征信息、道路环境特征信息和驾驶行为特征信息，并对车辆工况特征信息和驾驶行为特征信息分类细化提取各基本特征信息。
车辆能耗是人、车、环境共同作用的结果，可以从车辆控制器局域网络(Controller Area Network，CAN)通过高频率(200ms/条)采集到的固定里程的车辆数据，通过计算程序识别自动分类为车辆工况特征信息、道路环境特征信息和驾驶行为特征信息，对其中的车辆工况特征信息和驾驶行为特征信息进行细化提取各基本特征信息，例如对刹车期间的驾驶行为特征信息相关特征可以细化为刹车总时长、刹车平均时长、刹车总次数、刹车间隔中位数等基本特征信息。
在步骤S2中：基于提取到的道路环境特征信息和基本特征信息进行预处理，通过皮尔逊相关系数计算同类型基本特征信息的相关系数，随机剔除相关系数大于阈值的其中一个基本特征信息，获得能耗特征样本。
在该步骤中先对提取到的道路环境特征信息和细化后的基本特征信息进行预处理后，对其中处理后的基本特征信息进行同类型相关系数计算，剔除相关性大的基本特征信息，得到相对完整稳定可靠的能耗特征样本。
在步骤S3中：利用随机森林算法，构建能耗随机森林模型，响应于对能耗特征样本进行回归分析，获得能耗随机森林模型的车辆能耗预测值H(x)。
在该步骤中，利用能耗特征样本构建特征向量，定义训练集通过寻找分裂变量和切分初步构建目标函数，结合自助法重抽取样技术构建m个子样本集进行训练，将未被抽取的能耗基本特征样本作为测试集，寻找最佳分枝，构建单棵决策树，生成m棵决策树，并按照一定规则组成能耗随机森林模型并获得相应车辆能耗预测值H(x)。
在步骤S4中：响应于能耗随机森林模型，获取能耗特征样本对应的能耗权重值，通过单因素分析，获得车辆能耗预测值随能耗特征样本变化的对应关系。
在该步骤中，能耗随机森林模型算法中能得到较高的准确性，但无法分析各个特征对结果的影响情况，通过计算模型中的某些能耗特征样本数据值随机变化对模型整体影响程度，作为该能耗特征样本的相对于整体能耗随机森林模型的重要性的度量。通过能耗权重值体现，获得各能耗特征样本权重的排序，采用单因素方法对其中排名靠前的关键能耗特征样本进行分析，获得车辆能耗预测值H(x)随能耗特征样本样本变化而变化的曲线图，可直观了解到该能耗特征样本对能耗随机森林模型中的预测值影响情况。
在一些优选实施例中，在S2步骤中的预处理包括对道路环境特征信息和基本特征信息的类型进行缺失值处理，对道路环境特征信息和基本特征信息的数据进行去噪声处理。基于提取到的道路环境特征信息和细化后的基本特征信息的特征信息类型进行多减少增的缺失值处理，对缺失值较多的特征信息进行删除，同时对于缺失值较少的样本进行增加补录；对提取到道路环境特征数据和细化后的基本特征的特征信息数据进行异常值去噪声处理，将明显存在异常的数据进行剔除或取平均替换。通过预处理方式获得相对稳定、平衡、客观的特征信息。
在一些具体实施例中，在S2步骤中的皮尔逊相关系数计算，具体计算公式如下：
其中，X和Y表示同类型的两个基本特征信息,ρXY表示变量X和Y的相关系数，Cov(X,Y)代表变量X和Y的协方差，D(X)和D(Y)分别代表变量X和Y的方差，ρXY取值范围[-1，1]，ρXY绝对值越接近1，则相关性越大，反之则越小，将ρXY绝对值大于0.8的对应基本特征信息随机剔除一组。利用皮尔逊相关系数的对经过预处理后的基本特征信息进行处理，可以排除同类型的相关性较大的某些基础特征信息，并进行剔除，避免在后续构建随机森林回归模型步骤中，由于相关性样本太多出现效果不佳精确度不稳定等问题。
在一些具体实施例中，在S3步骤中，能耗随机森林模型的训练集定义x→y，其中y表示为车辆固定里程的实际能耗值，x表示为车辆固定里程的能耗特征样本建立的特征向量，{I1，I2，...，In}→x，Ij表示第j个能耗特征样本，基于训练集建立单棵回归决策树，随机选取p个能耗特征样本作为分枝变量，非叶节点根据以下表达式分裂为R1(j，s)和R2(j，s)，具体表达式为：
R1(j，s)＝{I|Ij≤s}
R2(j，s)＝{I|Ij＞s}
通过采用最小误差平方和的目标函数寻找分裂变量j和切分点s，目标函数表达式为：
其中，c1和c2分别表示为左右子区域输出的平均值，s表示为进行分裂时的切分点，yi表示为第i个能耗特征样本对应的实际能耗值。
在该方法中，每棵决策树的内部节点随机选取p个能耗特征样本，其中(p≤n)作为备选分支变量，自顶向下递归分枝，将非叶节点分裂为R1(j，s)和R2(j，s)两部分，其中j表示能耗特征样本的类型，s表示为进行分裂时的切分点，通过定义目标函数结合最小误差平方和的原则来寻找分裂变量的基本特征样本类型和分裂时的切分点，为单棵决策树的构建作基础。此外，值得注意的是，为了保持较好的精度，提高决策树的效率，进而在控制决策树的大小时候，可以采用停止分裂的方式，使其分裂到某一层的时候，停止分裂，根据回归树匹配完后某个叶节点的值确定单棵决策树的预测值h(x，θk)。(例如：分裂到第4层的时候停止分裂)。
在一些具体实施例中，基于单棵回归决策树构建能耗随机森林模型，组合模型构建的具体表达式为：
其中，m表示为从能耗特征样本中随机抽取m个子样本集，每个子样本集有p个能耗特征样本数量(p≤n)，θk表示第k棵回归树随机向量序列，x表示为车辆固定里程的能耗特征信息建立的特征向量，h(x，θk)表示为第k棵回归树的预测值，H(x)表示为能耗随机森林模型的预测值。
在该方法中，采用自助法重抽样技术从n组能耗特征样本中有放回的抽取m个子样本集构建m棵决策树进行学习训练，每个子集中都包含p个能耗特征训练样本数据，剩余未被抽取的能耗特征样本作为袋外数据(Out-Of-Bag，OOB)作为每棵决策树模型的能耗特征测试样本数据。根据单棵决策树构建过程寻找最佳分枝，每棵决策树自顶向下递归分枝，当分裂到一定层次，停止分裂，形成单棵决策树B，基于抽取到的m个子样本集构建m棵决策树，组合多元非线性回归分析模型的成能耗随机森林模型，能耗预测值定义m棵决策树预测能耗值的平均值。
在一些优选实施例中，在S3步骤后采用拟合优度R2检验能耗随机森林模型的拟合优度，采用均方根误差RMSE计算能耗特征样本的离散度，采用精度P计算能耗随机森林模型的准确率，拟合优度R2、均方根误差RMSE和精度P的计算公式分别如下：
其中，yi表示为第i个能耗特征样本的实际能耗值，H(xi)表示为第i个能耗特征样本的所述能耗随机森林模型的预测能耗值，
表示为N个所述能耗特征样本数据的实际能耗的平均值。
在该方法中，其中拟合优度R2可以检测能耗随机森林模型度对能耗特征样本数据的拟合程度，拟合优度R2取值范围[0，1]，计算结果越接近1则表示拟合优度越高，代表模型的可解释程度越高；均方根误差RMSE可以反映能耗特征样本的数据的离散程度，均方根误差RMSE取值为大于0的整数，取值越接近0的整数说明采集到的能耗特征样本的数据精度越高，但其大小受预测数值大小的影响；精度P表示为能耗随机森林模型的准确率的评估值，精度P的取值范围[0，1]，计算结果越接近1则表示精度越高，预测的准确率越高。
在一些具体实施例中，在S4步骤中的能耗权重值具体计算公式如下：
其中，h表示袋外样本数量，MSEz表示为第z个样本的均方误差，MSEiz表示经过计算机随机置换第i个能耗特征样本中数据值后的均方误差，gi表示为第i个能耗特征样本的均方误差平均递减值，wi表示为第i个能耗特征样本对应权重值。
在该方法中，当能耗随机森林模型中某个能耗特征样本的数值被随机改变时，将该能耗特征样本对模型的影响程度作为该特征类型相对能耗随机森林模型重要性的度量。在单棵决策树构建中，基于OOB(袋外数据)作为测试集的估测误差，通过计算某个能耗特征样本的均方误差平均递减值，获得到对应能耗特征样本的权重值。基于对权重值排序靠前的几个能耗特征样本进行单因素分析，通过绘制能耗随机森林模型预测值随各能耗特征样本变化的曲线图，获得该能耗特征样本对能耗随机森林模型预测值的影响情况。
在一些优选实施例中，第一步：通过OOB(袋外数据)作为测试集获得预测值H(x)，利用均方误差公式获得MSEz；第二步：利用计算机随机置换程序(噪声扰动)产生新的第i个能耗特征样本数据集，基于以构建的随机森林模型获得干扰后的第i个能耗特征样本预测值H(xiz)，利用均方误差公式获得MSEiz；第三步，基于第一步和第二步的计算MSEz和MSEiz获得均方误差平均递减值gi。
继续参考图2，其示出了根据本申请的一个具体实施例的用于车辆故障的预测方法的流程示意图。该方法包括提取识别车辆特征信息、获取能耗特征样本、能耗随机森林回归模型构建、能耗特征样本权重排名和能耗特征样本单因素分析等步骤。
步骤201-203：提取识别车辆特征信息。从车辆CAN通过高频率(200ms/条)采集到的固定里程的车辆数据，通过计算程序识别自动分类为车辆工况特征信息、道路环境特征信息和驾驶行为特征信息。其中，车辆工况信息包括车身长度、车龄、里程、能耗、发动机/电机额定功率、发动机/电机输出功率和最大扭矩等；道路环境特征信息包括道路拥堵程度、上坡段比例、下坡段比例、天气温度等；驾驶行为特征信息包括油门深度、怠速时长、换挡转速控制和刹车频率等。
步骤204：获取能耗特征样本。基于步骤201-203识别到的车辆特征信息进行细化提取各基本特征信息，并进行缺失值、异常值处理和相关系数计算得到能耗特征样本。
步骤205：能耗随机森林回归模型构建。利用机器学习中的随机森林算法，通过多棵决策树来构建组合模型，对能耗特征样本进行回归分析预测，对每棵决策树的预测值取平均，得到最终的能耗预测值。
步骤206：能耗特征样本权重排名。当模型中某个能耗特征样本变量值被随机改变时，可将其对模型的影响程度作为该特征相对重要性的度量。通过定义某个能耗特征样本的均方误差平均递减值，通过计算得到对应能耗特征样本的权重值，根据计算的权重值进行从大到小的排序。
步骤207：能耗特征样本单因素分析。基于对权重值排序靠前的几个能耗特征样本进行单因素分析方法，通过绘制能耗随机森林模型预测值随各能耗特征样本变化的曲线图，获得对应能耗特征样本对能耗随机森林模型预测值的影响情况。
在一些具体实施例中，步骤201-203基于计算机识别到的车辆特征信息包括以下：客车的载客率，反映客车行驶过程中载重量的利用程度；发动机型号，不同发动机的性能之间存在差异，对能源的消耗程度不同；车龄，车龄越长，能耗可能越快；车身长度，车身的长度不同，对能耗的影响也不同；上坡、下坡路段和拐弯路段的比例：每部车辆的行驶线路基本固定，统计每部车往返路线中上坡和下坡路段、拐弯路段的比例；气温，在炎热的夏天通常需要使用空调，室外的气温会影响空调的功率，对每日气温(早上8点、中午12点、下午5点三个时间节点)记录；怠速占比、怠速时长等，道路拥堵会造成客车较长时间的等待，怠速占比、怠速时长等可在一定程度上反映道路拥堵情况。
在一些优选实施例中，步骤204中的对步骤201-203提取识别车辆特征信息，直接利用车辆CAN获得的车辆能耗特征信息，并不能很直观地反映影响能耗的因素，因此需要对某些特征信息再进一步细化出多个基本特征信息，以此丰富车辆能耗随机森林模型构建的特征类型。对其中车辆工况特征信息和驾驶行为特征信息具体可以细化为运行时长、空调运行时长、急加/减速次数、加/减速比率、急加/减速时长占比、平均车速、车速中位数、车速方差、加速度方差、高/中/低速比率、平均加/减速度、加/减速度中位数、平均油门深度、油门深度中位数、刹车总时长、刹车平均时长、刹车总次数、刹车间隔中位数、刹车间隔小于1分钟的次数、刹车比率、停车总时长、停车总次数、停车平均时长、停车比率、怠速停车比率、停车间隔中位数、怠速占比、怠速时长、百公里停车次数/时长、百公里刹车次数/时长、百公里刹车间隔小于1分钟的次数、百公里急加/减速次数；车辆工况因素包括车龄、区间里程、区间能耗、平均发动机转速、发动机转速中位数、高/中/低转速占比和发动机转速波动频率等基本特征信息。表1示出了车辆工况特征信息和驾驶行为特征信息具体细化的基础特征信息。
表1：
在一些具体的实施例中，步骤204中的对道路环境特征信息和基本特征信息的类型进行缺失值处理，对道路环境特征信息和基本特征信息的数据进行去噪声处理。基于提取到的道路环境特征信息和细化后的基本特征信息的特征信息类型进行多减少增的缺失值处理，对缺失值较多的特征信息进行删除，同时对于缺失值较少的样本进行增加补录；对提取到道路环境特征数据和细化后的基本特征的特征信息数据进行异常值去噪声处理，将明显存在异常的数据进行剔除或取平均替换。通过预处理方式获得相对稳定、平衡、客观的特征信息。
在一些优选实施例中，步骤204中包括对缺失值处理和异常值处理后的同类型基本特征信息进行皮尔逊计算获得相关系数，随机剔除相关系数大于阈值的其中一个基本特征信息，获得能耗特征样本，具体计算公式如下：
其中，X和Y表示同类型的两个基本特征信息，ρXY表示变量X和Y的相关系数，Cov(X，Y)代表变量X和Y的协方差，D(X)和D(Y)分别代表变量X和Y的方差，ρXY取值范围[-1，1]，ρXY绝对值越接近1，则相关性越大，反之则越小，将ρXY绝对值大于0.8的对应基本特征信息随机剔除一组。利用皮尔逊相关系数的对经过预处理后的基本特征信息进行处理，可以排除同类型的相关性较大的某些基础特征信息，并进行剔除，避免在后续构建随机森林回归模型步骤中，由于相关性样本太多出现效果不佳精确度不稳定等问题。
在一些具体实施例中，在步骤206中能耗随机森林模型的构建中，将能耗随机森林模型的训练集定义x→y，其中y表示为车辆固定里程的实际能耗值，x表示为车辆固定里程的能耗特征样本建立的特征向量，{I1，I2，...，In}→x，Ij表示第j个能耗特征，基于训练集建立单棵回归决策树，随机选取p个能耗特征样本作为分枝变量，非叶节点根据以下表达式分裂为R1(j，s)和R2(j，s)，具体表达式为：
R1(j，s)＝{I|Ij≤s}
R2(j，s)＝{I|Ij＞s}
通过采用最小误差平方和的目标函数寻找分裂变量j和切分点s，目标函数表达式为：
其中，c1和c2分别表示为左右子区域输出的平均值，s表示为进行分裂时的切分点，yi表示为第i个能耗特征样本对应的实际能耗值。
基于单棵回归决策树构建能耗随机森林模型，组合模型构建的具体表达式为：
其中，m表示为从能耗特征样本中随机抽取m个子样本集，每个子样本集有p个能耗特征样本数量(p≤n)，θk表示第k棵回归树随机向量序列，x表示为车辆固定里程的能耗特征信息建立的特征向量，h(x，θk)表示为第k棵回归树的预测值，H(x)表示为能耗随机森林模型的预测值。
在该方法中，每棵决策树的内部节点随机选取p个能耗特征样本，其中(p≤n)作为备选分支变量，自顶向下递归分枝，将非叶节点分裂为R1(j，s)和R2(j，s)两部分，其中j表示能耗特征样本的类型，s表示为进行分裂时的切分点，通过定义目标函数结合最小误差平方和的原则来寻找分裂变量的基本特征样本类型和分裂时的切分点，为单棵决策树的构建作基础。此外，值得注意的是，为了保持较好的精度，提高决策树的效率，进而在控制决策树的大小时候，可以采用停止分裂的方式，使其分裂到某一层的时候，停止分裂，根据回归树匹配完后某个叶节点的值确定单棵决策树的预测值h(x，θk)。(例如：分裂到第4层的时候停止分裂)。
在单棵决策树构建的基础上，采用自助法重抽样技术从n组能耗特征样本中有放回的抽取m个子样本集构建m棵决策树进行学习训练，每个子集中都包含p个能耗特征训练样本数据，剩余未被抽取得能耗特征样本作为袋外数据(Out-Of-Bag，OOB)作为每棵决策树模型的能耗特征测试样本数据。根据单棵决策树构建过程寻找最佳分枝，每棵决策树自顶向下递归分枝，当分裂到一定层次，停止分裂，形成单棵决策树B，基于抽取到的m个子样本集构建m棵决策树，组合多元非线性回归分析模型的成能耗随机森林模型，能耗预测值定义m棵决策树预测能耗值的平均值。
在一些优选实施例中，在步骤206能耗随机森林回归模型构建后可以采用拟合优度R2检验能耗随机森林模型的拟合优度，采用均方根误差RMSE计算能耗特征样本的离散度，采用精度P计算能耗随机森林模型的准确率，拟合优度R2、均方根误差RMSE和精度P的计算公式分别如下：
其中，yi表示为第i个能耗特征样本的实际能耗值，H(xi)表示为第i个能耗特征样本的所述能耗随机森林模型的预测能耗值，表示为N个所述能耗特征样本数据的实际能耗的平均值。
在该方法中，其中拟合优度R2可以检测能耗随机森林模型度对能耗特征样本数据的拟合程度，拟合优度R2取值范围[0，1]，计算结果越接近1则表示拟合优度越高，代表模型的可解释程度越高；均方根误差RMSE可以反映能耗特征样本的数据的离散程度，均方根误差RMSE取值为大于0的整数，取值越接近0的整数说明采集到的能耗特征样本的数据精度越高，但其大小受预测数值大小的影响；精度P表示为能耗随机森林模型的准确率的评估值，精度P的取值范围[0，1]，计算结果越接近1则表示精度越高，预测的准确率越高。
在一些具体实施例中，在步骤207中的权重值具体计算公式如下：
其中，MSEz表示为第z个样本的均方误差，MSEiz表示经过计算机随机置换第i个能耗特征样本中数据值后的均方误差，gi表示为第i个能耗特征样本的均方误差平均递减值，wi表示为第i个能耗特征样本对应权重值。
在该方法中，当能耗随机森林模型中某个能耗特征样本的数值被随机改变时，将该能耗特征样本对模型的影响程度作为该特征类型相对能耗随机森林模型重要性的度量。在单棵决策树构建中，基于OOB(袋外数据)作为测试集的估测误差，通过计算某个能耗特征样本的均方误差平均递减值，获得到对应能耗特征样本的权重值。基于对权重值排序靠前的几个能耗特征样本进行单因素分析，通过绘制能耗随机森林模型预测值随各能耗特征样本变化的曲线图，获得该能耗特征样本对能耗随机森林模型预测值的影响情况。
在一些优选实施例中，第一步：通过OOB(袋外数据)作为测试集获得第i个能耗特征样本预测值H(x)，利用均方误差公式获得MSEz；第二步：利用计算机随机置换程序(噪声扰动)产生新的第i个能耗特征样本数据集，基于以构建的随机森林模型获得干扰后的第i个能耗特征样本预测值H(xiz)，利用均方误差公式获得MSEiz；第三步，基于第一步和第二步的计算MSEz和MSEiz获得均方误差平均递减值gi。
此外，本申请还提出了一种用于车辆故障的预测系统。其中如图3所示，包括：特征信息识别单元301、能耗特征样本提取单元302、能耗随机森林模型构建单元303和能耗单因素分析单元304。其中，特征信息识别单元301通过提取到车辆CAN数据并进行计算机自动识别到能耗特征信息，对其中的车辆工况特征信息和驾驶行为特征信息分类细化提取各基本特征信息，能耗特征样本提取单元302对道路环境特征信息和基本特征信息进行预处理和皮尔逊相关系数计算获得能耗特征样本，依次结合能耗随机森林模型构建单元303和能耗单因素分析单元304，耗随机森林模型的车辆能耗预测值、能耗特征样本权重排名和能耗随机森林模型预测值随各能耗特征样本变化情况。
在具体的实施例中，特征信息识别单元301：配置用于响应于识别车辆工况特征信息、道路环境特征信息和驾驶行为特征信息，并对车辆工况特征信息和驾驶行为特征信息分类细化提取各基本特征信息。
能耗特征样本提取单元302：配置用于基于提取到的道路环境特征信息和基本特征信息进行预处理，通过皮尔逊相关系数计算同类型基本特征信息的相关系数，随机剔除相关系数大于阈值的其中一个基本特征信息，获得能耗特征样本。
能耗随机森林模型构建单元303：配置用于利用随机森林算法，构建能耗随机森林模型，响应于对能耗特征样本进行回归分析，获得能耗随机森林模型的车辆能耗预测值H(x)。
能耗单因素分析单元304：配置用于响应于能耗随机森林模型，获取能耗特征样本对应的能耗权重值，通过单因素分析，获得车辆能耗预测值随能耗特征样本变化的对应关系。
下面参考图4，其示出了适于用来实现本申请实施例的电子设备的计算机系统400的结构示意图。图4示出的电子设备仅仅是一个示例，不应对本申请实施例的功能和使用范围带来任何限制。
如图4所示，计算机系统400包括中央处理单元(CPU)401，其可以根据存储在只读存储器(ROM)402中的程序或者从存储部分408加载到随机访问存储器(RAM)403中的程序而执行各种适当的动作和处理。在RAM 403中，还存储有系统400操作所需的各种程序和数据。CPU 401、ROM 402以及RAM 403通过总线404彼此相连。输入/输出(I/O)接口405也连接至总线404。
以下部件连接至I/O接口405：包括键盘、鼠标等的输入部分406；包括诸如、液晶显示器(LCD)等以及扬声器等的输出部分407；包括硬盘等的存储部分408；以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分409。通信部分409经由诸如因特网的网络执行通信处理。驱动器410也可以根据需要连接至I/O接口405。可拆卸介质411，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器410上，以便于从其上读出的计算机程序根据需要被安装入存储部分408。
特别地，根据本公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信部分409从网络上被下载和安装，和/或从可拆卸介质411被安装。在该计算机程序被中央处理单元(CPU)401执行时，执行本申请的方法中限定的上述功能。
需要说明的是，本申请的计算机可读介质可以是计算机可读信号介质或者计算机可读介质或者是上述两者的任意组合。计算机可读介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本申请中，计算机可读介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本申请中，计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：无线、电线、光缆、RF等等，或者上述的任意合适的组合。
可以以一种或多种程序设计语言或其组合来编写用于执行本申请的操作的计算机程序代码，程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
附图中的流程图和框图，图示了按照本申请各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
描述于本申请实施例中所涉及到的模块可以通过软件的方式实现，也可以通过硬件的方式来实现。所描述的模块也可以设置在处理器中，例如，可以描述为：一种处理器包括特征信息识别单元、能耗特征样本提取单元、能耗随机森林模型构建单元和能耗单因素分析单元。其中，这些模块的名称在某种情况下并不构成对该模块本身的限定，例如，特征信息识别单元还可以被描述为“响应于识别车辆工况特征信息、道路环境特征信息和驾驶行为特征信息，并对车辆工况特征信息和驾驶行为特征信息分类细化提取各基本特征信息的单元”。
作为另一方面，本申请还提供了一种计算机可读介质，该计算机可读介质可以是上述实施例中描述的电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该电子设备执行时，使得该电子设备：特征信息识别单元、能耗特征样本提取单元、能耗随机森林模型构建单元和能耗单因素分析单元。其中，特征信息识别单元：配置用于响应于识别车辆工况特征信息、道路环境特征信息和驾驶行为特征信息，并对车辆工况特征信息和驾驶行为特征信息分类细化提取各基本特征信息；能耗特征样本提取单元：配置用于基于提取到的道路环境特征信息和基本特征信息进行预处理，通过皮尔逊相关系数计算同类型基本特征信息的相关系数，随机剔除相关系数大于阈值的其中一个基本特征信息，获得能耗特征样本；能耗随机森林模型构建单元：配置用于利用随机森林算法，构建能耗随机森林模型，响应于对能耗特征样本进行回归分析，获得能耗随机森林模型的车辆能耗预测值H(x)；能耗单因素分析单元：配置用于响应于能耗随机森林模型，获取能耗特征样本对应的能耗权重值，通过单因素分析，获得车辆能耗预测值随能耗特征样本变化的对应关系。
以上描述仅为本申请的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本申请中所涉及的发明范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离上述发明构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本申请中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。
Claims (10)
1.一种车辆能耗分析的预测方法，其特征在于，所述方法包括：
S1：响应于识别车辆工况特征信息、道路环境特征信息和驾驶行为特征信息，并对所述车辆工况特征信息和所述驾驶行为特征信息分类细化提取各基本特征信息；
S2：对提取到的所述道路环境特征信息和所述基本特征信息进行预处理，利用皮尔逊相关系数计算同类型所述基本特征信息的相关系数，随机剔除所述相关系数大于阈值的其中一个所述基本特征信息，获得能耗特征样本；
S3：利用随机森林算法，构建能耗随机森林模型，响应于对所述能耗特征样本进行回归分析，获得能耗随机森林模型的车辆能耗预测值H(x)；以及
S4：响应于所述能耗随机森林模型，获取所述能耗特征样本对应的能耗权重值，利用单因素分析，获得所述车辆能耗预测值随所述能耗特征样本变化的对应关系。
2.根据权利要求1所述的一种车辆能耗分析的预测方法，其特征在于，所述车辆工况特征信息包括所述车辆车身长度、车龄、里程、能耗、发动机额定功率、发动机输出功率和车辆承载率；所述道路环境特征信息包括道路拥堵程度、上坡段比例、下坡段比例、天气温度；所述驾驶行为特征信息包括油门深度、怠速时长、换挡转速控制、刹车频率。
3.根据权利要求1所述的一种车辆能耗分析的预测方法，其特征在于，在所述S2步骤中的所述预处理包括对所述道路环境特征信息和所述基本特征信息的类型进行缺失值处理，对所述道路环境特征信息和所述基本特征信息的数据进行去噪声处理。
4.根据权利要求1所述的一种车辆能耗分析的预测方法，其特征在于，在所述S2步骤中的所述皮尔逊相关系数计算，具体计算公式如下：
其中，X和Y表示同类型的两个所述基本特征信息,ρXY表示变量X和Y的相关系数，Cov(X,Y)代表变量X和Y的协方差，D(X)和D(Y)分别代表变量X和Y的方差，ρXY取值范围[-1，1]，ρXY绝对值越接近1，则相关性越大，反之则越小，将所述ρXY绝对值大于0.8的对应所述基本特征信息随机剔除一组。
5.根据权利要求1所述的一种车辆能耗分析的预测方法，其特征在于，在所述S3步骤中，所述能耗随机森林模型的训练集定义x→y，其中y表示为车辆固定里程的实际能耗值，x表示为车辆固定里程的所述能耗特征样本建立的特征向量，{I1,I2,…,In}→x，Ij表示第j个能耗特征样本，基于所述训练集建立单棵回归决策树，随机选取p个所述能耗特征样本作为分枝变量，非叶节点根据以下表达式分裂为R1(j，s)和R2(j，s)，具体表达式为：
R1(j，s)＝{I|Ij≤s}
R2(j，s)＝{I|Ij>s}
通过采用最小误差平方和的目标函数寻找分裂变量j和切分点s，所述目标函数表达式为：
其中，c1和c2分别表示为左右子区域输出的平均值，s表示为进行分裂时的切分点，yi表示为第i个能耗特征样本对应的实际能耗值。
6.根据权利要求5所述的一种车辆能耗分析的预测方法，其特征在于，基于所述单棵回归决策树构建能耗随机森林模型，组合模型构建的具体表达式为：
其中，m表示为从所述能耗特征样本中随机抽取m个子样本集，每个子样本集有p个所述能耗特征样本数量(p≤n)，θk表示第k棵回归树随机向量序列，x表示为车辆固定里程的所述能耗特征信息建立的特征向量，h(x,θk)表示为第k棵回归树的预测值，H(x)表示为所述能耗随机森林模型的预测值。
7.根据权利要求1所述的一种车辆能耗分析的预测方法，其特征在于，在所述S3步骤后采用拟合优度R2检验所述能耗随机森林模型的拟合优度，采用均方根误差RMSE计算所述能耗特征样本的离散度，采用精度P计算所述能耗随机森林模型的准确率，所述拟合优度R2、均方根误差RMSE和精度P的计算公式分别如下：
其中，yi表示为第i个能耗特征样本的实际能耗值，H(xi)表示为第i个能耗特征样本的所述能耗随机森林模型的预测能耗值，
表示为N个所述能耗特征样本数据的实际能耗的平均值。
8.根据权利要求1所述的一种车辆能耗分析的预测方法，其特征在于，在所述S4步骤中的所述能耗权重值具体计算公式如下：
其中,h表示袋外样本数量，MSEz表示为第z个样本的均方误差，MSEiz表示经过计算机随机置换第i个能耗特征样本中数据值后的均方误差，gi表示为第i个能耗特征样本的均方误差平均递减值，wi表示为第i个能耗特征样本对应权重值。
9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1-8中任一所述的方法。
10.一种用于车辆故障的预测系统，其特征在于，所述系统包括：
特征信息识别单元：配置用于响应于识别车辆工况特征信息、道路环境特征信息和驾驶行为特征信息，并对所述车辆工况特征信息和所述驾驶行为特征信息分类细化提取各基本特征信息；
能耗特征样本提取单元：配置用于对提取到的所述道路环境特征信息和所述基本特征信息进行预处理，利用皮尔逊相关系数计算同类型所述基本特征信息的相关系数，随机剔除所述相关系数大于阈值的其中一个所述基本特征信息，获得能耗特征样本；
能耗随机森林模型构建单元：配置用于利用随机森林算法，构建能耗随机森林模型，响应于对所述能耗特征样本进行回归分析，获得能耗随机森林模型的车辆能耗预测值H(x)；以及
能耗单因素分析单元：配置用于响应于所述能耗随机森林模型，获取所述能耗特征样本对应的能耗权重值，利用单因素分析，获得所述车辆能耗预测值随所述能耗特征样本变化的对应关系。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910919437.8A CN110705774A (zh) | 2019-09-26 | 2019-09-26 | 一种车辆能耗分析的预测方法和系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910919437.8A CN110705774A (zh) | 2019-09-26 | 2019-09-26 | 一种车辆能耗分析的预测方法和系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110705774A true CN110705774A (zh) | 2020-01-17 |
Family
ID=69197588
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910919437.8A Pending CN110705774A (zh) | 2019-09-26 | 2019-09-26 | 一种车辆能耗分析的预测方法和系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110705774A (zh) |
Cited By (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111381170A (zh) * | 2020-05-15 | 2020-07-07 | 上海工程技术大学 | 基于大数据的电动汽车电池包健康状态预测方法及系统 |
| CN112002124A (zh) * | 2020-07-20 | 2020-11-27 | 联合汽车电子有限公司 | 车辆行程能耗预测方法及装置 |
| CN112035546A (zh) * | 2020-08-31 | 2020-12-04 | 重庆长安汽车股份有限公司 | 一种车况信号数据的油耗相关性因子分析方法 |
| CN112200932A (zh) * | 2020-09-03 | 2021-01-08 | 北京蜂云科创信息技术有限公司 | 一种评估重型柴油车能耗的方法和设备 |
| CN112560782A (zh) * | 2020-12-26 | 2021-03-26 | 浙江天行健智能科技有限公司 | 一种基于随机森林算法的车辆换道行为识别方法 |
| CN113361792A (zh) * | 2021-06-21 | 2021-09-07 | 吉林大学 | 一种基于多元非线性回归的城市电动公交车行程能耗估计方法 |
| CN113379093A (zh) * | 2020-03-09 | 2021-09-10 | 中国石油化工股份有限公司 | 油气集输系统能耗分析与优化方法 |
| CN113428159A (zh) * | 2021-05-28 | 2021-09-24 | 合肥国轩高科动力能源有限公司 | 一种车辆能耗分析方法 |
| CN113822522A (zh) * | 2021-06-23 | 2021-12-21 | 中国科学院空天信息创新研究院 | 一种滑坡易发性评估方法、装置、设备及可读存储介质 |
| WO2022062943A1 (zh) * | 2020-09-23 | 2022-03-31 | 广州小鹏汽车科技有限公司 | 一种车辆的能耗分析方法、装置和车辆 |
| DE102023000954A1 (de) | 2023-03-13 | 2024-09-19 | Mercedes-Benz Group AG | Verfahren zur Vorhersage des Strombedarfs von in einem Bordnetz angeordneten, elektrischen Komponenten eines Fahrzeuges |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20150098609A1 (en) * | 2013-10-09 | 2015-04-09 | Honda Motor Co., Ltd. | Real-Time Multiclass Driver Action Recognition Using Random Forests |
| CN109192264A (zh) * | 2018-08-17 | 2019-01-11 | 联想(北京)有限公司 | 构造产率预测模型的方法、系统及产率预测方法和系统 |
-
2019
- 2019-09-26 CN CN201910919437.8A patent/CN110705774A/zh active Pending
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20150098609A1 (en) * | 2013-10-09 | 2015-04-09 | Honda Motor Co., Ltd. | Real-Time Multiclass Driver Action Recognition Using Random Forests |
| CN109192264A (zh) * | 2018-08-17 | 2019-01-11 | 联想(北京)有限公司 | 构造产率预测模型的方法、系统及产率预测方法和系统 |
Non-Patent Citations (5)
| Title |
|---|
| 孙全德 等: "基于机器学习的数值天气预报风速订正研究", 《气象》 * |
| 李丽辉等: "基于随机森林回归算法的高速铁路短期客流预测研究", 《铁道运输与经济》 * |
| 李安: "《语料库语言学及Python实现》", 31 August 2018, 山东大学出版社 * |
| 肖祥武等: "基于大数据平台和并行随机森林算法的能耗预测模型优化", 《华电技术》 * |
| 自然资源部人事司: "《测绘地理信息青年学术和技术带头人报告文集》", 31 December 2018, 测绘出版社 * |
Cited By (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113379093A (zh) * | 2020-03-09 | 2021-09-10 | 中国石油化工股份有限公司 | 油气集输系统能耗分析与优化方法 |
| CN111381170A (zh) * | 2020-05-15 | 2020-07-07 | 上海工程技术大学 | 基于大数据的电动汽车电池包健康状态预测方法及系统 |
| CN112002124A (zh) * | 2020-07-20 | 2020-11-27 | 联合汽车电子有限公司 | 车辆行程能耗预测方法及装置 |
| CN112035546A (zh) * | 2020-08-31 | 2020-12-04 | 重庆长安汽车股份有限公司 | 一种车况信号数据的油耗相关性因子分析方法 |
| CN112035546B (zh) * | 2020-08-31 | 2022-10-11 | 重庆长安汽车股份有限公司 | 一种车况信号数据的油耗相关性因子分析方法 |
| CN112200932A (zh) * | 2020-09-03 | 2021-01-08 | 北京蜂云科创信息技术有限公司 | 一种评估重型柴油车能耗的方法和设备 |
| WO2022062943A1 (zh) * | 2020-09-23 | 2022-03-31 | 广州小鹏汽车科技有限公司 | 一种车辆的能耗分析方法、装置和车辆 |
| CN112560782A (zh) * | 2020-12-26 | 2021-03-26 | 浙江天行健智能科技有限公司 | 一种基于随机森林算法的车辆换道行为识别方法 |
| CN113428159A (zh) * | 2021-05-28 | 2021-09-24 | 合肥国轩高科动力能源有限公司 | 一种车辆能耗分析方法 |
| CN113361792A (zh) * | 2021-06-21 | 2021-09-07 | 吉林大学 | 一种基于多元非线性回归的城市电动公交车行程能耗估计方法 |
| CN113361792B (zh) * | 2021-06-21 | 2022-10-21 | 吉林大学 | 一种基于多元非线性回归的城市电动公交车行程能耗估计方法 |
| CN113822522A (zh) * | 2021-06-23 | 2021-12-21 | 中国科学院空天信息创新研究院 | 一种滑坡易发性评估方法、装置、设备及可读存储介质 |
| CN113822522B (zh) * | 2021-06-23 | 2024-09-20 | 中国科学院空天信息创新研究院 | 一种滑坡易发性评估方法、装置、设备及可读存储介质 |
| DE102023000954A1 (de) | 2023-03-13 | 2024-09-19 | Mercedes-Benz Group AG | Verfahren zur Vorhersage des Strombedarfs von in einem Bordnetz angeordneten, elektrischen Komponenten eines Fahrzeuges |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110705774A (zh) | 一种车辆能耗分析的预测方法和系统 | |
| CN111999657B (zh) | 一种电动汽车的锂离子电池剩余寿命的行驶里程评估方法 | |
| CN104008647B (zh) | 一种基于机动车行驶模式的道路交通能耗量化方法 | |
| CN107292417B (zh) | 基于重污染序列案例库的区域重污染判别预报方法及装置 | |
| CN110836675B (zh) | 一种基于决策树的自动驾驶搜索决策方法 | |
| CN108229567B (zh) | 驾驶员身份识别方法及装置 | |
| CN116011995A (zh) | 车辆保养信息推送方法、装置、电子设备及存储介质 | |
| CN114332825B (zh) | 基于深度学习的道路地形分布识别方法、设备和存储介质 | |
| CN110533094B (zh) | 一种用于驾驶员的评价方法和系统 | |
| Rui et al. | High-accuracy transient fuel consumption model based on distance correlation analysis | |
| CN113515560A (zh) | 车辆故障的分析方法、装置、电子设备及存储介质 | |
| CN113776610A (zh) | 一种车辆油耗的确定方法及装置 | |
| CN115221234A (zh) | 一种基于动力总成数据对用户进行画像的方法及系统 | |
| CN117400948A (zh) | 一种汽车能耗预测方法、装置、电子设备及存储介质 | |
| CN113053135B (zh) | 一种全局车速预测方法与装置 | |
| CN109447306B (zh) | 基于最大似然回归树的地铁事故延误时间预测方法 | |
| CN111724597A (zh) | 基于驾驶行为评估驾驶员认知表现的研究方法 | |
| CN114426025B (zh) | 驾驶辅助方法、装置、计算机设备和存储介质 | |
| CN115587526A (zh) | 基于神经网络的车辆二氧化碳实时排放预测方法及系统 | |
| Beşkardeş et al. | Data-driven-based fuzzy control system design for a hybrid electric vehicle | |
| CN115222145A (zh) | 基于新能源汽车运行大数据的续驶里程预测方法及系统 | |
| CN114220191A (zh) | 行车状态识别方法、装置、计算机设备及可读存储介质 | |
| CN114013285B (zh) | 一种电动汽车实际续驶里程评估方法 | |
| CN114548463A (zh) | 线路信息预测方法、装置、计算机设备和存储介质 | |
| Lee et al. | Time-Series Data and Analysis Software of Connected Vehicles. |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200117 |
|
| RJ01 | Rejection of invention patent application after publication |