CN111460381A - 基于高斯过程回归的多工况燃油车油耗预测方法及系统 - Google Patents

Abstract

本发明涉及一种基于高斯过程回归的多工况燃油车油耗预测方法及系统，该方法包括以下步骤：1)采集常规工况数据进行预处理得到训练数据集，并选取高斯回归过程核函数，所述的常规工况数据包括燃油汽车动力系统的输入、输出及环境数据；2)训练高斯过程回归模型，即确定高斯过程回归模型的超参数；3)采用贯序采样算法获得下一个采样点，并将其加入常规工况数据中，得到增广工况数据集；4)基于预测结果及增广工况数据集，判断是否满足停止条件，若不满足，则将增广工况数据集作为新的训练数据集后返回步骤2)，若满足，则输出预测结果。与现有技术相比，本发明具有成本低、多工况和极端工况预测等优点。

Description

基于高斯过程回归的多工况燃油车油耗预测方法及系统

技术领域

本发明涉及燃油车性能检测领域，尤其是涉及一种基于高斯过程回归的多工况燃油车油耗预测方法及系统。

背景技术

出于环保和经济方面的考虑，燃油汽车的油耗是用户普遍关心的问题。燃油车厂家会提供汽车在某种驾驶工况下的每百公里油耗，但在实际使用中，驾驶循环、驾驶习惯、环境温度等工况的不同都会导致燃油车油耗的改变——出于更精准的环保和经济诉求，希望获得燃油车在用户不同驾驶习惯、不同地区环境下的油耗情况。

传统的燃油汽车油耗预测方法有两种，一种是进行物理实验，去检测汽车在实验环境下或真实路况中行驶时的油耗；另一种是建立汽车动力系统的物理模型以及计算机仿真模型，进而进行汽车动力系统耗油的仿真实验，获得汽车在多种工况下的油耗情况。前者需要搭建较为完善的实验台，耗费大量的人力物力及时间资源，且物理实验可以模拟的工况有限，无法检测燃油汽车在某些极端工况下的油耗情况；后者由于燃油汽车动力系统较为复杂，很难将影响其油耗的各种因素整合到一个确定的数学方程中，所以其仿真实验效果与真实的物理实验存在较大出入。

随着机器学习、深度学习等人工智能算法的发展与应用，当获取到某一工况下燃油汽车动力系统的输入、输出及环境数据时，即可将其作为训练数据训练模型，用以预测燃油汽车在该工况下的油耗情况。当合理选择模型及调整参数后，可以实现燃油汽车在该工况下的油耗的预测。但是单独的机器学习、深度学习算法模型往往泛化能力较差，即当只获取一种或多种工况下的训练数据时，无法训练模型去预测燃油汽车在另一种新的工况下的油耗。若要获取全工况下的训练数据，尤其是某些极端工况下的训练数据，则需要昂贵的实验成本，甚至是在实验室的条件下无法实现的——而燃油车在极端工况下的油耗情况，往往是汽车厂商及消费者评价该车性能的重要指标。

发明内容

本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种基于高斯过程回归的多工况燃油车油耗预测方法及系统。

本发明的目的可以通过以下技术方案来实现：

一种基于高斯过程回归的多工况燃油车油耗预测方法，包括以下步骤：

1)采集常规工况数据进行预处理得到训练数据集，并选取高斯回归过程核函数，所述的常规工况数据包括燃油汽车动力系统的输入、输出及环境数据；

2)训练高斯过程回归模型，即确定高斯过程回归模型的超参数；

3)采用贯序采样算法获得下一个采样点，并将其加入常规工况数据中，得到增广工况数据集；

4)基于预测结果及增广工况数据集，判断是否满足停止条件，若不满足，则将增广工况数据集作为新的训练数据集后返回步骤2)，若满足，则输出预测结果，即设定预测时间段内的燃油车实时油耗随时间的变化情况。

所述的燃油车包括压燃式发动机汽车和气体燃料点燃式发动机汽车。

所述的步骤1)中，常规工况数据为在设定时间间隔内按照设定的采样频率采集到随时间变化的时间序列数据，每个采样时刻点采集一组训练数据；

燃油汽车动力系统的输入数据包括需求转速、需求扭矩、档位、驾驶模式、车辆负荷和轮胎气压；

燃油汽车动力系统的输出数据包括实时油耗；

环境数据包括燃油汽车动力系统所处的温度、大气压、量化后的车载非动力系统用电器的使用情况和路面平整度。

所述的步骤1)具体包括以下步骤：

11)采用去奇异值、平滑、归一化方法对常规工况数据进行预处理，并整理数据形式得到多组高斯过程回归模型的训练数据，即训练数据集；

12)计算高斯过程回归模型输入数据的概率密度分布；

13)从训练数据集中随机选取一部分训练数据，并保持原来的顺序，分别使用多种核函数对其进行快速拟合，通过使得均方根误差RMSE最小筛选出拟合效果最好的核函数，作为高斯过程回归模型训练中使用的核函数。

所述的步骤13)中，多种核函数包括Squared Exponential、Mat′ern、RationalQuadratic和Spectral Mixture。

所述的步骤2)具体为：

根据训练数据及核函数确定负对数边际似然函数，采用无导数的优化算法求解以负对数边际似然函数作为目标函数，以核函数的超参数作为决策变量的最优化问题，得到合适的超参数，完成高斯过程回归模型的训练，得到均值函数和协方差函数。

所述的步骤3)具体包括以下步骤：

31)假设一组模型输入，代入由步骤2)得到的均值函数得到一组模型输出，其与模型输入构成一组包含以模型输入为未知量的训练数据；

32)将该组数据加入预处理后的训练数据集得到增广工况数据集，采用与步骤2)相同的方法在增广工况数据集上训练高斯过程回归模型，并获取含有未知量的均值函数和协方差函数；

33)根据均值函数、协方差函数以及输入数据的概率密度分布，通过积分计算得到上下置信区间边界的概率密度分布，并且以上下置信区间边界的概率密度分布的差距作为目标函数，以假设的模型输入作为决策变量，构成最优化问题；

34)采用无导数的优化方法求解最优化问题。

所述的步骤33)中，上下置信区间边界的概率密度分布的差距具体为：

采用L1或L2范数表示差距后，再对概率密度分布的分布区间进行积分得到的积分值。

所述的无导数的优化算法包括遗传算法、蚁群算法和粒子群算法，其停止条件为迭代次数达到设定次数上限，或上下置信区间边界的概率密度分布的差距小于设定阈值。

一种基于高斯过程回归的多工况燃油车油耗预测系统，该系统包括：

常规工况数据采集单元：用以通过传感设备采集动态获取燃油汽车动力系统的输入、输出及环境数据作为常规工况数据，并发送给终端处理单元；

终端处理单元：用以将接收到的常规工况数据通过数据传输单元发送给服务器单元进行计算处理；

服务器单元：用以执行如权利要求1所述预测方法的步骤，实现对常规工况数据的预处理、训练高斯过程回归模型、贯序采样和预测结果输出；

人机交互单元：用以显示预测结果以及输入预测参数和条件。

与现有技术相比，本发明具有以下优点：

本发明可以在仅获取某一或某些常规工况下燃油车动力系统的输入、输出及环境数据后，将其作为原始数据，通过基于高斯过程回归模型的采样策略进行采样，扩充原始数据，得到多工况甚至全工况下的训练数据，进而预测燃油汽车在多工况甚至全工况中的一种或多种工况下的油耗情况，具体为：

1、只需在常规工况下进行实验，大大降低实验成本，包括人力、物力和时间资源，同时大大降低了实验难度；

2、可实现燃油汽车在多种甚至全工况下的油耗预测，帮助不同地区、不同驾驶习惯的消费者个性化了解汽车的油耗性能；

3、可实现燃油汽车在极端工况下的油耗情况预测，帮助生产厂家进行系统可靠性方面的评估。

附图说明

图1为基于高斯过程回归的多工况燃油车油耗预测系统实现步骤流程图。

图2为针对时间序列的高斯过程回归模型(GPR)结构示意图。

图3为实施例1中的贯序采样算法流程图，其中的U为输入数据根据实际情况确定的定义域，ε为根据实际情况确定的迭代停止阈值。

图4为实施例2中的贯序采样算法流程图。

具体实施方式

下面结合附图和具体实施例对本发明进行详细说明。

本发明提供一种基于高斯过程回归的多工况燃油车油耗预测方法及系统，该系统包括常规工况数据采集单元、数据传输单元、服务器单元、人机交互单元和终端处理单元，其中服务器单元又包括输入输出接口、数据及模型预处理单元、高斯过程回归模型训练单元、贯序采样单元和停止判断环节，如图1所示，该预测方法具体实现步骤为：

步骤1.在常规工况数据采集单元，使用传感设备动态获取燃油燃油汽车动力系统的输入、输出及环境数据，将其统称为常规工况数据，传输给终端处理单元；

步骤2.在终端处理单元，将接收到的常规工况数据通过数据传输单元发送给服务器单元进行计算处理；

步骤2.1.在数据及模型预处理单元，对采集到的常规工况数据进行预处理，得到训练数据集，并选取高斯回归过程核函数；

步骤2.2.在高斯过程回归模型训练单元，使用最小化负对数边际似然函数的方法，为高斯过程回归模型寻找合适的超参数；

步骤2.3.在贯序采样单元，使用贯序采样算法，寻找下一个采样点，并添加进常规工况数据中，得到增广工况数据集；

步骤2.4.在停止判断环节，基于增广工况数据集，判断是否满足停止条件，若不满足，则将增广工况数据作为新的常规工况数据返回步骤2.2；若满足，则输出预测结果进入数据传输单元；

步骤3.服务器单元计算出的油耗预测结果通过数据传输单元反馈给终端处理单元，并通过人机交互单元进行显示。

上述各步骤的具体说明如下：

本发明中，燃油车指压燃式及气体燃料点燃式发动机汽车，包括纯燃油车和油电混合动力汽车；工况指在常规工况数据采集单元中，所采集的动力系统输入和环境数据的某种组合；常规工况指燃油汽车在低成本实验中或在用户正常使用的过程中的运行工况，以及国家相关标准规定的工况，如国标等速(60km/h)工况、工信部NEDC工况等；动力系统的输入数据指燃油燃油汽车动力系统接收到的需求转速、需求扭矩、档位、驾驶模式、车辆负荷、轮胎气压等；动力系统的输出数据指实时油耗(L/100KM)；动力系统的环境数据指燃油汽车动力系统所处的温度、大气压、电池放电功率(如有)以及量化后的车载非动力系统用电器的使用情况、路面平整度等数据。其中，车辆负荷指做车身加上车上乘客、物品的总重量。进一步，应根据动力系统的实际结构及使用环境设置输入数据和环境数据的默认值。

常规工况数据为时间序列数据，即动力系统的输入、输出和环境数据是时间的函数，用于训练的常规工况数据是按一定的采样频率采集到的一段时间间隔内随时间变化的序列。换句话说，把一个时间间隔离散化成了若干时刻点，在每个时刻点采集一组动力系统的输入、输出及环境数据。

各系统单元的功能如下：

1、常规工况数据采集单元

常规工况数据采集单元通过温度传感器、重力传感器、速度传感器、扭矩传感器、压力传感器、汽车油耗实时检测检测仪、功率检测仪等作为传感设备，用以采集常规工况数据。

2、服务器单元

进行模型训练及数据的贯序采样，具体包括：

2.1、数据及模型预处理单元：

首先使用去奇异值、平滑、归一化等方法对常规工况数据进行预处理，并整理数据形式：如图2所示，在t时刻点，模型的输入x_t为t时刻动力系统的输入、环境数据及t-1时刻动力系统的输出数据，模型的输出y_t为t时刻动力系统的输出数据。特别的，在初始时刻时，认为“t-1时刻动力系统的输出数据”为0。由此，在每个时刻点都有一组模型的训练数据：(x_t,y_t)；取多少个时刻点，就得到了多少组训练数据。

然后计算出模型输入数据x_t的概率密度分布。

最后从预处理过的训练数据中随机选取一小部分训练数据，保持原来的顺序，分别使用多种核函数(包括但不限于表1中所示核函数)对其进行快速拟合，选出拟合效果最好的核函数，作为高斯过程回归模型训练单元中使用的核函数。所述的“拟合效果最好”指使用该核函数进行拟合得到的

最小，其中：y_i为真实值，

为预测值，n为参与快速拟合的训练数据的总数。

确定了核函数后，即可确定高斯过程回归模型中超参数的个数。

表1各种核函数

2.2、高斯过程回归模型训练单元：

所述的训练高斯过程回归模型的训练，即确定高斯过程回归模型中超参数的值。在训练高斯过程回归模型时，首先根据训练数据及核函数确定负对数边际似然函数；负对数边际似然函数是超参数的函数，超参数根据在步骤2.1中选取的核函数来确定个数，由此得到一个以负对数边际似然函数为目标函数，以超参数为决策变量的最优化问题；解该最优化问题，即可得到合适的超参数，完成GPR模型的训练。

训练好高斯过程回归模型，即可得到均值函数和协方差函数，如表2所示。其中，均值函数拟合了模型输入与输出之间的函数关系，即将已知的模型输入代入均值函数，即可求得高斯过程回归模型关于该输入的预测输出。

表2均值函数和协方差函数

2.3、贯序采样单元：

首先假设一组模型输入，代入步骤2.2中得到的均值函数得到一组模型输出，与模型输入组成了一组完整数据(含有未知量：模型输入)；然后将这组数据加入在步骤2.1中预处理后的数据得到增广工况数据集，使用与步骤2.2相同的方法在增广工况数据集上训练高斯过程回归模型，计算出含有未知量的均值函数和协方差函数；再利用均值函数和协方差函数以及在步骤2.1中得到的概率密度分布，积分计算得到上下置信区间边界的概率密度分布，进而以上下置信区间边界的概率密度分布的“差距”为目标函数，以假设的模型输入为决策变量，得到最优化问题；最后使用无导数的优化方法解决最优化问题。

贯序采样单元中使用的算法，即为贯序采样算法。

贯序采样单元中，上下置信区间边界的概率密度分布的“差距”指先使用L1或L2范数表示“差距”再对概率密度分布的分布区间进行积分得到的积分值。

高斯过程回归模型训练单元和贯序采样单元中，最优化问题使用遗传算法、蚁群算法、粒子群算法等无导数的优化算法。

停止条件可以为迭代次数达到某一限度，也可以为上下置信区间边界的概率密度分布的“差距”小于某一阈值。

将步骤2.2-2.4合称为基于高斯过程回归的贯序采样算法。

3、人机交互单元

由触摸屏组成，或者由显示屏和物理按键组成。用户可以通过人机交互单元设置工况并查看预测结果，以及更改系统设置等。

用户也可以通过人机交互单元更改系统默认的贯序采样算法的停止条件。

实施例1：

本实施例所公开的基于高斯过程回归的多工况燃油车油耗预测系统，用于纯燃油汽车厂商在汽车出厂前对汽车在多工况下的油耗情况进行预测。下面进行详细描述。

常规工况数据采集单元：作为举例而非限定，数据采集单元可以为直接安装在动力系统设备上的温度传感器、重力传感器、速度传感器、扭矩传感器、压力传感器、汽车油耗实时检测检测仪等作为传感设备，用以采集动力系统的输入(需求转速、需求扭矩、档位、驾驶模式、车辆负荷、轮胎气压，共6项)、输出数据(实时油耗(L/100KM)，共1项)及环境数据(燃油汽车动力系统所处的温度、大气压以及量化后的车载非动力系统用电器的使用情况、路面平整度，共4项)，将其统称为常规工况数据，通过WIFI网络、AP热点或者其它传输方式将常规工况数据发送至终端处理单元。

终端处理单元：作为举例而非限定，主要由存储介质和处理器组成，处理器用于执行存储介质上的程序，存储介质上的程序将采集到的常规工况数据进行必要的转码，如将电信号转为数字信号等。

数据传输单元：作为举例而非限定，可以采用TCP/IP协议，完成基于高斯过程回归的多工况燃油车油耗预测系统中不同单元之间的数据传输。

服务器单元：针对时间序列的高斯过程回归模型的结构如图2所示。

首先对常规工况数据进行归一化、去奇异值、平滑化等预处理，得到容量为n的训练数据集

其中，

向量为第i个时刻动力系统输入、环境数据及第i-1个时刻动力系统的输出数据，也即为模型的输入；y_i为第i个时刻动力系统的输出数据，也即为模型的输出；特别的，在i＝0时刻，认为“第i-1个时刻动力系统的输出数据”为0。再从训练数据集D中随机选取

(若整除不了则向下取整)组训练数据，使用高斯过程回归模型(表2)，分别不同的核函数(表1)对其进行拟合，找到拟合效果最好即RMSE最小的核函数，将其作为选择的核函数。最后根据已有的训练数据集D中的模型输入X，使用非参数分布拟合的方法计算其概率密度分布f。

选择好核函数，即可确定超参数的个数，并结合贝叶斯定理及高斯随机过程的性质写出负对数边际似然函数，作为举例而非限定，选择SE(Squared Exponential)核函数，负对数边际似然函数为

其中，

为由y_i∈R,i＝1,...,n组成的列向量，K为n×n的矩阵：

I为n×n的单位矩阵，σ_n为超参数。同时，K矩阵中也包含了另外两个超参数(表1)。令

表示由三个超参数组成的向量，则使用粒子群优化法解决优化问题

即可获得最合适的超参数

可根据实际情况限制超参数的可行域即：

接下来使用图3中展示的贯序采样算法程序框图，计算得到

即为在模型输入为

时，模型输出

的表达式。

实际预测时，给定一组由纯燃油燃油汽车动力系统的输入、输出及环境数据组成的时间序列模型输入：

(其中完整的

需要先将

代入

计算出t＝0时刻的模型输出后才能得到，

类似)，依次代入

计算得到模型输出，即为预测结果：油耗(L/100KM)变化的时间序列：

进一步，0-t时间段内的平均油耗为：

上述时间序列的采样间隔应尽可能小。

人机交互单元：作为举例而非限定，可以由触摸屏组成，或者由显示屏和按钮组成。使用者通过使用人机交互单元，完成所需查看工况及各种系统参数的输入，并且获得相关操作的预测结果(0-t时间段内的油耗(L/100KM)变化的时间序列和平均油耗)信息。

基于高斯过程回归的多工况燃油车油耗预测系统的使用流程如下：

(1)在纯燃油燃油汽车动力系统相应位置安装传感设备；

(2)启动燃油汽车动力系统，使其在某一或若干常规工况(如国标40km/h和60km/h的匀速工况、NEDC工况，环境温度为15摄氏度，其余项指标为默认值)或其它实验室与真实路况环境中容易达到的工况下完整运行若干驾驶循环；

(3)关闭动力系统，通过人机交互单元输入所要查看的工况(如EPA工况，环境温度为5摄氏度，其余项指标为默认值)；

(4)通过人机交互系统查看结果。

实施例2：

本实施例是在实施例1的基础上进行改进，主要改进效果为提高服务器单元的计算速度。

在实施例1的贯序采样单元中，如图3所示，每进行一次循环，都要重新使用最小化负对数边际似然函数的方法来确定高斯过程回归模型的超参数，而解决最优化问题所用的粒子群优化算法的收敛速度较慢，这导致整个服务器单元的计算速度较慢。另一方面，实施例1中贯序采样算法中的函数Q，采用了L1范数来表示上下置信区间概率密度分布的“差距”。由于L1范数更适合在局部进行采样，一开始就使用L1范数也会导致整个服务器单元的计算速度较慢。

在实施例2中，贯序采样单元设置为：每隔5次循环更新一次超参数。同时在前10次循环中，使用L2范数来表示·上下置信区间概率密度分布的“差距”。如图4所示。

Claims (10)

1.一种基于高斯过程回归的多工况燃油车油耗预测方法，其特征在于，包括以下步骤：

1)采集常规工况数据进行预处理得到训练数据集，并选取高斯回归过程核函数，所述的常规工况数据包括燃油汽车动力系统的输入、输出及环境数据；

2)训练高斯过程回归模型，即确定高斯过程回归模型的超参数；

3)采用贯序采样算法获得下一个采样点，并将其加入常规工况数据中，得到增广工况数据集；

4)基于预测结果及增广工况数据集，判断是否满足停止条件，若不满足，则将增广工况数据集作为新的训练数据集后返回步骤2)，若满足，则输出预测结果，即设定预测时间段内的燃油车实时油耗随时间的变化情况。

2.根据权利要求1所述的一种基于高斯过程回归的多工况燃油车油耗预测方法，其特征在于，所述的燃油车包括压燃式发动机汽车和气体燃料点燃式发动机汽车。

3.根据权利要求1所述的一种基于高斯过程回归的多工况燃油车油耗预测方法，其特征在于，所述的步骤1)中，常规工况数据为在设定时间间隔内按照设定的采样频率采集到随时间变化的时间序列数据，每个采样时刻点采集一组训练数据；

燃油汽车动力系统的输入数据包括需求转速、需求扭矩、档位、驾驶模式、车辆负荷和轮胎气压；

燃油汽车动力系统的输出数据包括实时油耗；

环境数据包括燃油汽车动力系统所处的温度、大气压、量化后的车载非动力系统用电器的使用情况和路面平整度。

4.根据权利要求1所述的一种基于高斯过程回归的多工况燃油车油耗预测方法，其特征在于，所述的步骤1)具体包括以下步骤：

11)采用去奇异值、平滑、归一化方法对常规工况数据进行预处理，并整理数据形式得到多组高斯过程回归模型的训练数据，即训练数据集；

12)计算高斯过程回归模型输入数据的概率密度分布；

13)从训练数据集中随机选取一部分训练数据，并保持原来的顺序，分别使用多种核函数对其进行快速拟合，通过使得均方根误差RMSE最小筛选出拟合效果最好的核函数，作为高斯过程回归模型训练中使用的核函数。

5.根据权利要求4所述的一种基于高斯过程回归的多工况燃油车油耗预测方法，其特征在于，所述的步骤13)中，多种核函数包括Squared Exponential、Mat′ern、RationalQuadratic和Spectral Mixture。

6.根据权利要求4所述的一种基于高斯过程回归的多工况燃油车油耗预测方法，其特征在于，所述的步骤2)具体为：

根据训练数据及核函数确定负对数边际似然函数，采用无导数的优化算法求解以负对数边际似然函数作为目标函数，以核函数的超参数作为决策变量的最优化问题，得到合适的超参数，完成高斯过程回归模型的训练，得到均值函数和协方差函数。

7.根据权利要求6所述的一种基于高斯过程回归的多工况燃油车油耗预测方法，其特征在于，所述的步骤3)具体包括以下步骤：

31)假设一组模型输入，代入由步骤2)得到的均值函数得到一组模型输出，其与模型输入构成一组包含以模型输入为未知量的训练数据；

32)将该组数据加入预处理后的训练数据集得到增广工况数据集，采用与步骤2)相同的方法在增广工况数据集上训练高斯过程回归模型，并获取含有未知量的均值函数和协方差函数；

33)根据均值函数、协方差函数以及输入数据的概率密度分布，通过积分计算得到上下置信区间边界的概率密度分布，并且以上下置信区间边界的概率密度分布的差距作为目标函数，以假设的模型输入作为决策变量，构成最优化问题；

34)采用无导数的优化方法求解最优化问题。

8.根据权利要求7所述的一种基于高斯过程回归的多工况燃油车油耗预测方法，其特征在于，所述的步骤33)中，上下置信区间边界的概率密度分布的差距具体为：

采用L1或L2范数表示差距后，再对概率密度分布的分布区间进行积分得到的积分值。

9.根据权利要求6或8所述的一种基于高斯过程回归的多工况燃油车油耗预测方法，其特征在于，所述的无导数的优化算法包括遗传算法、蚁群算法和粒子群算法，其停止条件为迭代次数达到设定次数上限，或上下置信区间边界的概率密度分布的差距小于设定阈值。

10.一种基于高斯过程回归的多工况燃油车油耗预测系统，其特征在于，该系统包括：

常规工况数据采集单元：用以通过传感设备采集动态获取燃油汽车动力系统的输入、输出及环境数据作为常规工况数据，并发送给终端处理单元；

终端处理单元：用以将接收到的常规工况数据通过数据传输单元发送给服务器单元进行计算处理；

服务器单元：用以执行如权利要求1所述预测方法的步骤，实现对常规工况数据的预处理、训练高斯过程回归模型、贯序采样和预测结果输出；

人机交互单元：用以显示预测结果以及输入预测参数和条件。

Images