CN113435666B - 一种基于车辆运行状态的商用车油耗预测方法及系统 - Google Patents

Abstract

本公开提供了一种基于车辆运行状态的商用车油耗预测方法，包括：在车辆运行状态的大数据中，挖掘出影响油耗的车辆运行状态相关因素；基于灰关联分析，计算车辆运行状态相关因素与油耗的关联程度；根据车辆运行状态相关因素与油耗的关联程度，构建关联图；结合关联图，通过时空特征学习对每个时间段的车辆运行状态相关因素与油耗之间的时空依赖关系进行学习得到时空信息；结合得到的时空信息，输出商用车在下个时间段的平均油耗；本公开根据车辆历史时间段的车辆运行状态相关因素和油耗数据准确预测出下个时间段的油耗，该预测结果可用于辅助驾驶，通过提供车辆未来油耗预测趋势，帮助驾驶人找到更优的驾驶习惯，从而达到节省油耗的目的。

Description

一种基于车辆运行状态的商用车油耗预测方法及系统

技术领域

本公开属于商用车油耗分析与预测技术领域，尤其涉及一种基于车辆运行状态的商用车油耗预测方法及系统。

背景技术

本部分的陈述仅仅是提供了与本公开相关的背景技术信息，不必然构成在先技术。

公路运输方式一直是交通运输业的主要运输方式，商用车作为公路运输的主要工具，其销量也一直在稳步上升，商用车使用量的增加势必会增加燃油的消耗，进而增加大量污染气体的排放，对环境、资源都会造成更大的压力，同时燃油消耗的支出也是交通运输业主要成本之一，商用车的燃油利用率若一直得不到改善，则会增加交通运输经营者的支出，降低盈利，抑制行业的发展。降低油耗既可以缓解给环境、资源造成的压力，还可以降低交通运输的成本支出，增添整个交通运输行业的活力，因此通过建立合适的油耗分析与预测模型，准确地预测出车辆油耗对提高车辆燃油利用率有重要的理论和实际意义。

目前的油耗分析与预测的研究思路主要是从影响油耗的因素入手，建立合适的模型对油耗进行分析与预测，其中一部分考虑的是道路情况、交通特性、天气等外部因素对油耗的影响，并结合车辆的行驶工况进行油耗分析与预测，基于预测结果提出节约油耗的策略；还存在一部分研究是直接从驾驶行为入手，通过研究驾驶行为对燃油消耗的影响，可以了解到一些驾驶人比其他驾驶人驾驶的车辆时油耗高的原因，帮助驾驶人找到更加合理的驾驶方式，达到节约成本和减少污染气体排放的目的。

上述提到的有关油耗分析与预测的方法虽然已经取得了一定的成果，但依然有一些不足；首先，基于各类因素和车辆行驶工况的研究中，都是直接考虑各因素对油耗产生的影响，但并未考虑因素之间是否也存在相互影响关系以及这种影响关系是否间接影响着油耗；其次，这两类研究角度都不能全面的将所有影响油耗的因素考虑在内，基于外部因素和行驶工况的研究中忽略了车辆内部状态也会对油耗产生影响，例如冷却液温度，而基于驾驶行为的油耗分析与预测方法又缺乏对各种交通条件等外部因素影响的详细考虑。

发明内容

本公开为了解决上述问题，提出了一种基于车辆运行状态的商用车油耗预测方法及系统，本公开将各方面因素对车辆的影响聚焦于车辆的运行状态中，根据车辆历史时间段的因素和油耗数据准确预测出下个时间段的油耗，该预测结果可用于辅助驾驶，通过提供车辆未来油耗预测趋势，帮助驾驶人找到更优的驾驶习惯，从而达到节省油耗的目的。

为了实现上述目的，本公开第一方面提供了一种基于车辆运行状态的商用车油耗预测方法，采用如下技术方案：

一种基于车辆运行状态的商用车油耗预测方法，包括：

在车辆运行状态的大数据中，挖掘出影响油耗的车辆运行状态相关因素；

基于灰关联分析，计算车辆运行状态相关因素与油耗的关联程度；

根据车辆运行状态相关因素与油耗的关联程度，构建关联图；

结合关联图，通过时空特征学习对每个时间段的车辆运行状态相关因素与油耗之间的时空依赖关系进行学习，得到时空信息；

结合得到的时空信息，输出商用车在下个时间段的平均油耗。

进一步的，所述车辆运行状态包括车辆在运行过程中的车辆行驶工况和车辆内部状态；基于车联网大数据，从大小和稳定性两个维度挖掘出影响油耗的车辆运行状态相关因素。

进一步的，将各车辆运行状态相关因素和油耗作为灰关联分析的指标，组成输入矩阵，建立灰关联分析模型；经过确定参考序列和比较序列、变量无量纲化和计算灰关联系数过程，得到各指标之间的灰关联度及其构成的灰关联矩阵。

进一步的，构建关联图包括：

根据灰关联分析得到关联矩阵，将各车辆运行状态相关因素和油耗作为图的顶点，各个顶点的关联度为边的权值，建立一个全联通无向图；

设定阈值，以油耗为中心，保留大于阈值的权值，删除小于阈值和四级边以上的权值；

基于图的顶点和保留的权值，得到反映车辆运行状态相关因素之间、车辆运行状态相关因素与油耗之间关系的关联图。

进一步的，得到车辆运行状态相关因素与油耗之间的时空依赖关系包括：

基于图卷积神经网络，对每个时间段的车辆运行状态相关因素与油耗之间的空间依赖关系进行学习；

基于LSTM神经网络对每个时间段的车辆运行状态相关因素与油耗之间的时间依赖关系进行学习；

基于注意力机制对空间依赖关系和时间依赖关系进行融合，得到车辆运行状态相关因素与油耗之间的时空依赖关系。

进一步的，空间依赖关系学习的输入包括过去多个时间段油耗和车辆运行状态组成的时间序列数据、经过灰关联分析得到的关联图和关联图对应的邻接矩阵。

进一步的，对于每个时间段，将本时间段对应的数据向量输入到一组GCN层进行特征学习。

进一步的，时间依赖关系学习包括：LSTM的每一个单元通过门控机制去记忆尽可能多的有效历史信息，并传递给下一层，获得车辆运行状态因素与油耗之间的时间依赖关系。

进一步的，将时空特征学习结果通过该时间段对应的LSTM单元和注意力机制模块按照时间先后交替连接，将最后一个LSTM单元的输出通过一个全连接层进行解码输出，输出的结果即为最后的油耗预测结果。

为了实现上述目的，本公开第二方面还提供了一种基于车辆运行状态的商用车油耗预测系统，采用如下技术方案：

一种基于车辆运行状态的商用车油耗预测系统，包括，油耗分析模块、油耗预测模块和结果输出模块；

所述油耗分析模块包括数据挖掘单元、计算单元和关联图构建单元；

所述数据挖掘单元，被配置为：在车辆运行状态的大数据中，挖掘出影响油耗的车辆运行状态相关因素；

所述计算单元，被配置为：基于灰关联分析，计算车辆运行状态相关因素与油耗的关联；

所述关联图构建单元，被配置为：根据车辆运行状态相关因素与油耗的关联程度，构建关联图；

所述油耗预测模块，被配置为：结合关联图，通过时空特征学习对每个时间段的车辆运行状态相关因素与油耗之间的时空依赖关系进行学习，得到车辆运行状态相关因素与油耗之间的时空依赖关系，得到时空信息；

所述结果输出模块，被配置为：结合得到的时空信息，输出商用车在下个时间段的平均油耗。

与现有技术相比，本公开的有益效果为：

1.本公开将各方面因素对车辆的影响聚焦于车辆的运行状态中，根据车辆历史时间段的车辆运行状态相关因素和油耗数据准确预测出下个时间段的油耗，该预测结果可用于辅助驾驶，通过提供车辆未来油耗预测趋势，帮助驾驶人找到更优的驾驶习惯，从而达到节省油耗的目的。

附图说明

构成本实施例的一部分的说明书附图用来提供对本实施例的进一步理解，本实施例的示意性实施例及其说明用于解释本实施例，并不构成对本实施例的不当限定。

图1为本公开实施例1的模型框架图；

图2为本公开实施例1的车辆运行状态相关因素；

图3为本公开实施例1的关联图构建概念示例图；

图4为本公开实施例1的因素与油耗关联图。

具体实施方式：

下面结合附图与实施例对本公开作进一步说明。

实施例1：

如图1所示，本实施例提供了一种基于车辆运行状态的商用车油耗预测方法，主要包含三个部分：油耗分析(左边部分)部分、油耗预测(中间部分)部分和油耗预测结果输出部分(右边部分)。

油耗分析部分主要是对影响油耗的车辆运行状态的因素的挖掘以及油耗之间相互影响关系的分析与描述，如图1左侧部分所示，具体分为以下内容：

1.影响油耗的车辆运行状态相关因素的挖掘：

如图2所示，车辆运行状态指的是车辆在运行过程中所表现的各类状态，包括车辆行驶工况和车辆内部状态(如冷却液温度等状态)。无论是外部环境还是驾驶操作等方面的影响，它们最终都会体现在车辆的运行状态上，因此油耗分析的第一步即为从大小和稳定性两个维度挖掘出影响油耗的车辆运行状态的相关因素。

2.车辆运行状态相关因素与油耗之间关联度的计算：

本实施例采用的方法是灰关联分析，灰关联分析算法是以各因素的数据样本为依据，描述因素之间关系的强弱、大小和次序。如果样本中的两个因素之间变化的态势(速度、方向或大小等)基本一致，那么这两个因素的关联度较大，而本实施例分析的目的就是找到各因素与油耗之间的相互影响程度。本实施例中，将各因素和油耗放到一起，统称灰关联分析的指标，组成输入矩阵，建立灰关联分析模型，经过一系列的处理与计算，得到各指标之间的灰关联度及其构成的灰关联矩阵。具体计算内容如下：

(1)确定参考序列和比较序列：

本实施例中，将分别对各影响因素以及油耗进行灰关联分析，本实施例的数据可形成如下矩阵：

其中m代表需要进行灰关联分析的指标，包括车辆运行状态因素和油耗两部分。

对每个因素进行分析时，首先都需要确定参考序列，在理论上，参考序列应该是一个理想的比较标准，可以将各个指标的最优值或是最劣值作为参考序列，也可以根据不同的研究目的去设置其他的参照值，记为

X₀′＝(x′₀(1),x′₀(2),…x′₀(m))

余下的数据构成比较序列。

(2)变量无量纲化：

采用均值化法，方法如公式所示：

无量纲化处理之后，得到如下矩阵：

(3)计算灰关联系数：

分别计算每个比较序列和参考序列对应的元素的关联系数，计算公式如下：

其中ρ是一个可以调节的系数，取值范围是(0,1)，目的是为了调节输出结果的差异大小，ρ选择的数值越小，差距就会越大，在本模型中，选择了适中的0.5作为系数。

(4)计算灰关联度：

对于每一个指标，通过对上一步得到的关联系数求均值而得到灰关联度，记为：

每两个因素之间都会计算得到一个灰关联度，最后会形成一个灰关联矩阵，记为：

其中t_ij代表，第i个指标和第j个指标的关联度。

3.描述车辆运行状态各相关因素与油耗之间相互影响关系的关联图的构建：

如图3所示，首先，对关联图构建所要应用的概念进行介绍，以1号顶点为中心，对相关顶点和边的概念进行定义：

(1)直接顶点:有一些顶点是与1号顶点之间相连，那么称其为直接顶点，如图3中的2号、3号、4号和5号顶点；

(2)一跳间接顶点:有一些顶点没有直接和1号顶点相连，但是它们到1号顶点的最短距离为2，则称其为一跳间接顶点，如图3中的6号和7号顶点；

(3)二跳间接顶点:有些顶点和1号顶点的最短距离为3，则称该类节点为二跳间接顶点；如图3中的8号顶点。

以一号顶点为中心边的相关概念：

(1)一级边：直接与1号顶点相连的边我们称其为一级边，即和1号顶点相隔零个顶点和零条边，如图3中的实线边；

(2)二级边：和1号顶点最少相隔一个顶点和一条边的边，我们称其为二级边，如图3中的密虚线边；

(3)三级边：和1号顶点最少相隔两个顶点和两条边的边，我们称其为三级边，如图3中的8号顶点与7号顶点之间的虚线，依次类推。

构建关联图的内容如下：

根据灰关联分析得到的关联矩阵，将车辆运行状态相关因素和油耗作为图的顶点，各个顶点的关联度为边的权值，用α来表示，建立一个全联通无向图；

以油耗为中心，若每一种边的权值达到如下标准，则该边将会保留，否则就会删除：

四级边即以上均被删除，本实施例中，认为通过影响三层以上的因素对油耗产生的影响可以忽略不计。

如图4所示，基于上述全联通无向图的建立和权值的确定，得到反映车辆运行状态相关因素之间以及车辆运行状态相关因素与油耗之间关系的关联图。

油耗预测部分是结合油耗分析得到的关联图，通过时空特征学习对每个时间段的车辆运行状态相关因素与油耗之间的时空依赖关系进行充分学习，车辆的运行是一个持续过程，而在这个过程中，车辆的状态一直在变化，所以，本实施例中在进行油耗的预测时，对历史上的每一个时间段都进行时空特征学习，具体内容如下：

1.车辆运行状态相关因素与油耗之间空间特征学习：

空间特征学习模块的输入是由过去q个时间段由油耗和车辆运行状态组成的时间序列数据X_t-q+1，X_t-q+2，…X_t-q+1和上一节经过灰关联分析得到的关联图和它对应的邻接矩阵A，对于每个时间段，将本时间段对应的数据向量输入到一组GCN层进行特征学习。

本实施例中的图卷积神经网络使用的是在谱域定义的图卷积运算。基本思路是，先将空域输入信号和空域卷积核转换到谱域，然后在谱域中相乘，再通过傅里叶变换转换回空域。下面描述的是基于谱的图卷积模型的构建。

傅里叶变换中的基函数使用的是拉普拉斯特征向量，拉普拉斯矩阵的定义如下：

其中I_N指的是N阶单位矩阵，D指的是度矩阵，定义为D_ii＝∑_iiA_ij，矩阵的特征分解可以描述为：L＝UΛU^T

其中Λ＝diag([λ₀，λ₁，…λ_N-1])，λ_i是L的特征值；U是一个矩阵，它的列是L的特征向量。

在基于谱的卷积运算是在傅里叶域中完成的，其中输入信号与滤波器g的乘法定义如下：

g*x＝U((U^Tg)⊙(U^Tx))＝Ug_θ(Λ)U^T

也就是将输入转化成U^Tx，U^Tx属于光谱空间U，它的基为[u₁，u₁，…u_N-1]。⊙指的是HADAMARD乘积，g_θ(Λ)＝U^Tg＝diag(θ)，其中θ∈R^N。

一般来说，卷积核g_θ(Λ)所需要的计算开销是很大的，简化的方法包括多项式、切比雪夫多项式等近似方法，本实施例中，使用的是利用一阶多项式来简化该计算，近似后的结果如下：

通过上式进行近似计算，若那么

所以在图卷积中第l层的输出H^l可以表示如下：

其中σ是激活函数，本实施例中，采用的是sigmoid函数。

将过去每个时间段的相关数据向量X＝(x₁，x₂，…，x_n)和邻接矩阵A输入到图卷积神经网络中进行空间特征学习，得到学习后的结果用Z＝(z₁，z₂，…，z_n)表示。

2.车辆运行状态因素与油耗之间时间特征学习：

时间特征学习的方法选取的LSTM模型，它可以通过门控机制去记忆尽可能多的有效历史信息，LSTM的每一个单元都可以去决定应该记住哪些信息并传递给下一层，以此获得车辆运行状态因素与油耗之间的时间依赖关系。

以第i个时间段为例详细介绍LSTM中这三类门的相关设置和作用公式：

(1)遗忘门

遗忘门先是读取上个时间段输出的隐藏状态H_t-q+i-1和本时间段输入的数据Z_t-q+i，然后将其同时输入到Sigmoid函数，输出值为0到1的数值，通过该数值来决定信息应该被保留的比例，作用公式如下：

f_t-q+i＝σ(W_f[H_t-q+i-1，Z_t-q+i]+b_f)

其中σ表示的是Sigmoid函数，W_f表示权值，b_f表示偏差。

(2)输入门

输入门用来更新整个单元的状态，首先也是将上个时间段输出的隐藏状态H_t-q+i-1和本时间段输入的数据Z_t-q+i同时输入到Sigmoid函数中，得到0到1的数值用来决定更新哪些信息，数值越接近1表示该信息越重要；然后再经过一个tanh层生成一个候选向量操作公式如下：

i_t-q+i＝σ(W_i[H_t-q+i-1，Z_t-q+i]+b_i)

经过遗忘门和输入门的处理对整个时间段状态的更新，我们需要将当前时间段的状态C_t-q+i-1和历史时间段的状态组合到一起得到最终的本时间段状态C_t-q+i：

(3)输出门

输出门决定了当前时间段应该输出多少信息并决定下个隐藏状态的值，该隐藏状态包含了之前输入的相关信息具体操作公式如下：

O_t-q+i＝σ(W_i[H_t-q+i-1，Z_t]+b_i)

H_t-q+i＝O_ttanh(C_t-q+i)

3.通过注意力机制对车辆运行状态因素与油耗之间的时空特征进行融合；为了更好的学习各因素之间、因素与油耗之间的时空依赖关系，本实施例在对每个时间段进行空间和时间特征学习后，增加注意力机制模块对前面的学习得到的时空信息进一步融合。

(1)所有因素和油耗信息的聚合，将第t时间段聚合后的结果记为l_t，则

其中，W是可训练参数，h_ii是在第t个时间段第i个节点的隐藏状态。

(2)计算每个时间段的各个因素的注意力权重；首先将各因素和油耗的信息聚合之后和第t个时间段的每个因素信息进行拼接，之后再通过一个全连接层，最后得到全部因素的注意力权重，记为α_t＝(α_t1，α_t2，…α_tm)，α_ti表示第t个时间段的第i个因素的注意力权重；本实施例采用了两层全连接层，其中最后一层的激活函数采用的是Sigmoid函数，计算公式如下：

α_t＝Sigmoid(U_stanh(W_hl_t+b_s)+b_u

(3)计算得到新的隐藏状态；通过如下公式得到新的隐藏状态H_t＝(t₁，h_t2，…h_tm)，其中h′_ti＝(1+α_ti)·h_ti；新得到的隐藏状态将被输入到下一个时间段的LSTM单元中。

油耗预测结果输出部分主要的目的是结合前面的时空特征学习得到的信息输出商用车在下个时间段的平均油耗；对每一个时间段的运行状态因素和油耗之间的相互影响关系分别进行时空特征学习和时空特征融合之后，将学习结果通过该时间段对应的LSTM单元和注意力机制模块按照时间先后交替连接，将最后一个LSTM单元的输出通过一个全连接层进行解码输出，输出的结果即为最后的油耗预测结果。

实施例2：

一种基于车辆运行状态的商用车油耗预测系统，包括，油耗分析模块、油耗预测模块和结果输出模块；

所述油耗分析模块包括数据挖掘单元、计算单元和关联图构建单元；

所述数据挖掘单元，被配置为：在车辆运行状态的大数据中，挖掘出影响油耗的车辆运行状态相关因素；

所述计算单元，被配置为：基于灰关联分析，计算车辆运行状态相关因素与油耗的关联；

所述关联图构建单元，被配置为：根据车辆运行状态相关因素与油耗的关联程度，构建关联图；

所述油耗预测模块，被配置为：结合关联图，通过时空特征学习对每个时间段的车辆运行状态相关因素与油耗之间的时空依赖关系进行学习，得到车辆运行状态相关因素与油耗之间的时空依赖关系，得到时空信息；

所述结果输出模块，被配置为：结合得到的时空信息，输出商用车在下个时间段的平均油耗。

以上所述仅为本实施例的优选实施例而已，并不用于限制本实施例，对于本领域的技术人员来说，本实施例可以有各种更改和变化。凡在本实施例的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本实施例的保护范围之内。

Claims (8)

1.一种基于车辆运行状态的商用车油耗预测方法，其特征在于，根据车辆历史时间段的车辆运行状态相关因素和油耗数据准确预测出下个时间段的油耗，包括：

在车辆运行状态的大数据中，挖掘出影响油耗的车辆运行状态相关因素；所述车辆运行状态包括车辆在运行过程中的车辆行驶工况和车辆内部状态；基于车联网大数据，从大小和稳定性两个维度挖掘出影响油耗的车辆运行状态相关因素；

基于灰关联分析，计算车辆运行状态相关因素与油耗的关联程度；确定参考序列和比较序列：分别对各影响因素以及油耗进行灰关联分析，形成矩阵，包括车辆运行状态因素和油耗两部分；对每个因素进行分析时，最优值或是最劣值作为参考序列，余下的数据构成比较序列，无量纲化处理；计算灰关联度：每两个因素之间都计算得到一个灰关联度；

根据车辆运行状态相关因素与油耗的关联程度，构建关联图；

结合关联图，通过时空特征学习对每个时间段的车辆运行状态相关因素与油耗之间的时空依赖关系进行学习得到时空信息；通过注意力机制对车辆运行状态因素与油耗之间的时空特征进行融合；计算每个时间段的各个因素的注意力权重；首先将各因素和油耗的信息聚合之后和第t个时间段的每个因素信息进行拼接，之后再通过一个全连接层，最后得到全部因素的注意力权重；

结合得到的时空信息，输出商用车在下个时间段的平均油耗；

根据灰关联分析得到关联矩阵，将各车辆运行状态相关因素和油耗作为图的顶点，各个顶点的关联度为边的权值，建立一个全联通无向图；

设定阈值，以油耗为中心，保留大于阈值的权值，删除小于阈值和四级边以上的权值；

基于图的顶点和保留的权值，得到反映车辆运行状态相关因素之间、车辆运行状态相关因素与油耗之间关系的关联图。

2.如权利要求1所述的一种基于车辆运行状态的商用车油耗预测方法，其特征在于，将各车辆运行状态相关因素和油耗作为灰关联分析的指标，组成输入矩阵，建立灰关联分析模型；经过确定参考序列和比较序列、变量无量纲化和计算灰关联系数过程，得到各指标之间的灰关联度及其构成的灰关联矩阵。

3.如权利要求1所述的一种基于车辆运行状态的商用车油耗预测方法，其特征在于，得到车辆运行状态相关因素与油耗之间的时空依赖关系包括：

基于图卷积神经网络，对每个时间段的车辆运行状态相关因素与油耗之间的空间依赖关系进行学习；

基于LSTM神经网络对每个时间段的车辆运行状态相关因素与油耗之间的时间依赖关系进行学习；

基于注意力机制对空间依赖关系和时间依赖关系进行融合，得到车辆运行状态相关因素与油耗之间的时空依赖关系。

4.如权利要求3所述的一种基于车辆运行状态的商用车油耗预测方法，其特征在于，空间依赖关系学习的输入包括过去多个时间段油耗和车辆运行状态组成的时间序列数据、经过灰关联分析得到的关联图和关联图对应的邻接矩阵。

5.如权利要求4所述的一种基于车辆运行状态的商用车油耗预测方法，其特征在于，对于每个时间段，将本时间段对应的数据向量输入到一组GCN层进行特征学习。

6.如权利要求3所述的一种基于车辆运行状态的商用车油耗预测方法，其特征在于，时间依赖关系学习包括：LSTM的每一个单元通过门控机制去记忆历史信息，并传递给下一层，获得车辆运行状态因素与油耗之间的时间依赖关系。

7.如权利要求6所述的一种基于车辆运行状态的商用车油耗预测方法，其特征在于，将时空特征学习学习结果通过该时间段对应的LSTM单元和注意力机制模块按照时间先后交替连接，将最后一个LSTM单元的输出通过一个全连接层进行解码输出，输出的结果即为最后的油耗预测结果。

8.一种基于车辆运行状态的商用车油耗预测系统，其特征在于，根据车辆历史时间段的车辆运行状态相关因素和油耗数据准确预测出下个时间段的油耗，包括油耗分析模块、油耗预测模块和结果输出模块；

所述油耗分析模块包括数据挖掘单元、计算单元和关联图构建单元；

所述数据挖掘单元，被配置为：在车辆运行状态的大数据中，挖掘出影响油耗的车辆运行状态相关因素；所述车辆运行状态包括车辆在运行过程中的车辆行驶工况和车辆内部状态；基于车联网大数据，从大小和稳定性两个维度挖掘出影响油耗的车辆运行状态相关因素；

所述计算单元，被配置为：基于灰关联分析，计算车辆运行状态相关因素与油耗的关联程度；确定参考序列和比较序列：分别对各影响因素以及油耗进行灰关联分析，形成矩阵，包括车辆运行状态因素和油耗两部分；对每个因素进行分析时，最优值或是最劣值作为参考序列，余下的数据构成比较序列，无量纲化处理；计算灰关联度：每两个因素之间都计算得到一个灰关联度；

所述关联图构建单元，被配置为：根据车辆运行状态相关因素与油耗的关联程度，构建关联图；

所述油耗预测模块，被配置为：结合关联图，通过时空特征学习对每个时间段的车辆运行状态相关因素与油耗之间的时空依赖关系进行学习，得到车辆运行状态相关因素与油耗之间的时空依赖关系，得到时空信息；通过注意力机制对车辆运行状态因素与油耗之间的时空特征进行融合；计算每个时间段的各个因素的注意力权重；首先将各因素和油耗的信息聚合之后和第t个时间段的每个因素信息进行拼接，之后再通过一个全连接层，最后得到全部因素的注意力权重；

所述结果输出模块，被配置为：结合得到的时空信息，输出商用车在下个时间段的平均油耗；

根据灰关联分析得到关联矩阵，将各车辆运行状态相关因素和油耗作为图的顶点，各个顶点的关联度为边的权值，建立一个全联通无向图；

设定阈值，以油耗为中心，保留大于阈值的权值，删除小于阈值和四级边以上的权值；

基于图的顶点和保留的权值，得到反映车辆运行状态相关因素之间、车辆运行状态相关因素与油耗之间关系的关联图。