CN113642227A - 一种基于融合驾驶行为特征的bp神经网络油耗预测方法 - Google Patents
一种基于融合驾驶行为特征的bp神经网络油耗预测方法 Download PDFInfo
- Publication number
- CN113642227A CN113642227A CN202110724418.7A CN202110724418A CN113642227A CN 113642227 A CN113642227 A CN 113642227A CN 202110724418 A CN202110724418 A CN 202110724418A CN 113642227 A CN113642227 A CN 113642227A
- Authority
- CN
- China
- Prior art keywords
- data
- driving behavior
- oil consumption
- neural network
- vehicle
- 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
- 238000000034 method Methods 0.000 title claims abstract description 56
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 32
- 230000004927 fusion Effects 0.000 title claims abstract description 23
- 238000012360 testing method Methods 0.000 claims abstract description 38
- 239000000446 fuel Substances 0.000 claims abstract description 19
- 238000004364 calculation method Methods 0.000 claims abstract description 14
- 238000000556 factor analysis Methods 0.000 claims abstract description 11
- 238000012545 processing Methods 0.000 claims abstract description 11
- 238000003062 neural network model Methods 0.000 claims abstract description 7
- 238000012549 training Methods 0.000 claims description 30
- 230000000694 effects Effects 0.000 claims description 14
- 230000001133 acceleration Effects 0.000 claims description 9
- 210000002569 neuron Anatomy 0.000 claims description 9
- 238000007689 inspection Methods 0.000 claims description 8
- 238000004422 calculation algorithm Methods 0.000 claims description 6
- 238000004140 cleaning Methods 0.000 claims description 6
- 230000006855 networking Effects 0.000 claims description 6
- 230000002159 abnormal effect Effects 0.000 claims description 3
- 210000002364 input neuron Anatomy 0.000 claims description 3
- 210000004205 output neuron Anatomy 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- 239000000203 mixture Substances 0.000 claims 7
- 239000002994 raw material Substances 0.000 claims 7
- 238000012544 monitoring process Methods 0.000 abstract description 2
- 230000006399 behavior Effects 0.000 description 35
- 239000011159 matrix material Substances 0.000 description 4
- 238000004088 simulation Methods 0.000 description 4
- 238000012550 audit Methods 0.000 description 3
- 230000009467 reduction Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000011550 data transformation method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000004134 energy conservation Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000003912 environmental pollution Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001131 transforming effect Effects 0.000 description 1
Images
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
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Combined Controls Of Internal Combustion Engines (AREA)
Abstract
本发明公开了一种基于融合驾驶行为特征的BP神经网络油耗预测方法，包括，基于车联网系统获取发动机数据与驾驶行为相关数据以及油耗数据；结合MATLAB对车联网数据进行数据处理与指标初步计算；利用BP神经网络对计算的所述指标与所述油耗数据进行初步建模并在测试集上对建立的油耗预测模型进行检验；根据因子分析法提取驾驶行为特征数据；将提取的所述驾驶行为特征数据与BP神经网络模型进行融合，修正所建立的油耗模型并检验。本发明提高了油耗预测模型的精确性，加入了驾驶行为特征因素修正神经网络，为更好的评估、监测车辆的燃油经济性提供了有效的工具。
Description
技术领域
本发明涉及车联网数据分析的技术领域，尤其涉及一种基于融合驾驶行为特征的BP神经网络油耗预测方法。
背景技术
当前我国贸易发展体量逐渐增大，同时也带动了货物运输的繁荣与兴盛。货运车辆的保有量呈现快速增长。因此带来了燃油消耗与环境污染问题的不断严重。与此同时，随着互联网技术的进步，越来越多的车辆载入车联网系统，汽车的网联化、智能化程度随之提高。然而如何更有效的使用这些车联网数据对节约能与减少排放做出贡献是当前研究的重点。
为此，以利用车联网数据对节约能与减少排放做出贡献为落脚点。从当前对运输车辆油耗预测缺乏有效高效的手段这一问题入手，进行油耗预测建模。已有的油耗预测模型大都从发动机相关参数着手，对油耗进行预测评估，而较少考虑驾驶行为因素。而驾驶行为因素是影响车辆经济性与排放的重要因素。
发明内容
本部分的目的在于概述本发明的实施例的一些方面以及简要介绍一些较佳实施例。在本部分以及本申请的说明书摘要和发明名称中可能会做些简化或省略以避免使本部分、说明书摘要和发明名称的目的模糊，而这种简化或省略不能用于限制本发明的范围。
鉴于上述现有存在的问题，提出了本发明。
因此，本发明解决的技术问题是：如何更有效的使用这些车联网数据对节约能与减少排放做出贡献。
为解决上述技术问题，本发明提供如下技术方案：包括，基于车联网系统获取发动机数据与驾驶行为相关数据以及油耗数据；结合MATLAB对车联网数据进行数据处理与指标初步计算；利用BP神经网络对计算的所述指标与所述油耗数据进行初步建模并在测试集上对建立的油耗预测模型进行检验；根据因子分析法提取驾驶行为特征数据；将提取的所述驾驶行为特征数据与BP神经网络模型进行融合，修正所建立的油耗模型并检验。
作为本发明所述的基于融合驾驶行为特征的BP神经网络油耗预测方法的一种优选方案，其中：包括，设定数据采集设备的采样频率为所需要的频率，通过所述车联网系统采集若干用户的车辆行驶数据；所述车联网数据包括，车辆识别号、驾驶时间、车辆所在的GPS经度、车辆所在位置的GPS纬度、车辆所在位置的GPS海拔、车辆的ECU总油耗、车辆的累积总油耗、车辆的仪表里程、车辆的ECU车速、车辆的发动机转速、车辆的加速度、车辆的发动机扭矩负荷率、车辆的发动机负荷率。
作为本发明所述的基于融合驾驶行为特征的BP神经网络油耗预测方法的一种优选方案，其中：对所述车联网数据进行数据清洗工作，包括，时间跳变检查，数据异常值处理，数据缺失处理；对清洗后的数据进行指标计算。
作为本发明所述的基于融合驾驶行为特征的BP神经网络油耗预测方法的一种优选方案，其中：包括，对发动机类相关参数以及海拔高度进行指标计算，指标主要包括发动机负荷率均值、发动机扭矩负荷率均值、发动机转速均值、海拔高度均值、发动机负荷率标准差、发动机扭矩负荷率标准差、发动机转速标准差、海拔高度标准差；对驾驶行为类相关参数进行指标计算，指标主要包括速度均值、加速度均值、油门开度均值、变速箱转速均值、速度标准差、加速度标准差、油门开度标准差、变速箱转速标准差。
作为本发明所述的基于融合驾驶行为特征的BP神经网络油耗预测方法的一种优选方案，其中：包括，将计算好的指标数据集划分为训练集与测试集，所述训练集用于BP神经网络模型训练，所述测试集用于建立模型后对模型进行测试检验；将所述训练集，再次按照一定比例进行划分，划分比例依据建模的效果进行多次调整；基于划分的所述训练集进行神经网络训练建模；建立模型后使用所述测试集进行模型检验。
作为本发明所述的基于融合驾驶行为特征的BP审计网络油耗预测方法的一种优选方案，其中：包括，按照输入的指标数目与输出指标数目确定输入层与输出层神经元的数目；确定输入输出神经元数目后，依据测试效果确定隐藏神经元数目；确定所述隐藏神经元数目后，基于MATLAB所提供的训练算法进行训练，并根据训练效果确定训练算法。
作为本发明所述的基于融合驾驶行为特征的BP审计网络油耗预测方法的一种优选方案，其中：包括，在所述测试集上进行油耗预测，并对测试的效果进行判断，判断指标主要有均方误差、均方根误差、绝对误差。
作为本发明所述的基于融合驾驶行为特征的BP审计网络油耗预测方法的一种优选方案，其中：包括，将驾驶行为相关指标数据集进行因子分析，提取其中的主因子作为驾驶行为特征数据。
本发明的有益效果：本发明提高了油耗预测模型的精确性，加入了驾驶行为特征因素修正神经网络，为更好的评估、监测车辆的燃油经济性提供了有效的工具。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其它的附图。其中：
图1为本发明一个实施例所述的基于融合驾驶行为特征的BP神经网络油耗预测方法的流程示意图；
图2为本发明一个实施例所述的基于融合驾驶行为特征的BP神经网络油耗预测方法的基于因子分析法提取驾驶行为特征流程示意图；
图3为本发明一个实施例所述的基于融合驾驶行为特征的BP神经网络油耗预测方法的油耗预测模型示意图。
具体实施方式
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合说明书附图对本发明的具体实施方式做详细的说明，显然所描述的实施例是本发明的一部分实施例，而不是全部实施例。基于本发明中的实施例，本领域普通人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明的保护的范围。
在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是本发明还可以采用其他不同于在此描述的其它方式来实施，本领域技术人员可以在不违背本发明内涵的情况下做类似推广，因此本发明不受下面公开的具体实施例的限制。
其次，此处所称的“一个实施例”或“实施例”是指可包含于本发明至少一个实现方式中的特定特征、结构或特性。在本说明书中不同地方出现的“在一个实施例中”并非均指同一个实施例，也不是单独的或选择性的与其他实施例互相排斥的实施例。
本发明结合示意图进行详细描述，在详述本发明实施例时，为便于说明，表示器件结构的剖面图会不依一般比例作局部放大，而且所述示意图只是示例，其在此不应限制本发明保护的范围。此外，在实际制作中应包含长度、宽度及深度的三维空间尺寸。
同时在本发明的描述中，需要说明的是，术语中的“上、下、内和外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一、第二或第三”仅用于描述目的，而不能理解为指示或暗示相对重要性。
本发明中除非另有明确的规定和限定，术语“安装、相连、连接”应做广义理解，例如：可以是固定连接、可拆卸连接或一体式连接；同样可以是机械连接、电连接或直接连接，也可以通过中间媒介间接相连，也可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。
实施例1
参照图1、图2和图3，为本发明的第一个实施例，提供了一种基于融合驾驶行为特征的BP神经网络油耗预测方法，具体包括：
S1：基于车联网系统获取发动机数据与驾驶行为相关数据以及油耗数据。其中需要说明的是：
设定数据采集设备的采样频率为所需要的频率，通过车联网系统采集若干用户的车辆行驶数据；
车联网数据包括，车辆识别号、驾驶时间、车辆所在的GPS经度、车辆所在位置的GPS纬度、车辆所在位置的GPS海拔、车辆的ECU总油耗、车辆的累积总油耗、车辆的仪表里程、车辆的ECU车速、车辆的发动机转速、车辆的加速度、车辆的发动机扭矩负荷率、车辆的发动机负荷率。
S2：结合MATLAB对车联网数据进行数据处理与指标初步计算。本步骤需要说明的是：
对车联网数据进行数据清洗工作，包括，时间跳变检查，数据异常值处理，数据缺失处理；对清洗后的数据进行指标计算；
对发动机类相关参数以及海拔高度进行指标计算，指标主要包括发动机负荷率均值、发动机扭矩负荷率均值、发动机转速均值、海拔高度均值、发动机负荷率标准差、发动机扭矩负荷率标准差、发动机转速标准差、海拔高度标准差；
对驾驶行为类相关参数进行指标计算，指标主要包括速度均值、加速度均值、油门开度均值、变速箱转速均值、速度标准差、加速度标准差、油门开度标准差、变速箱转速标准差。
S3：利用BP神经网络对计算的指标与油耗数据进行初步建模并在测试集上对建立的油耗预测模型进行检验。其中还需要说明的是：
将计算好的指标数据集划分为训练集与测试集，训练集用于BP神经网络模型训练，测试集用于建立模型后对模型进行测试检验；
将训练集，再次按照一定比例进行划分，划分比例依据建模的效果进行多次调整；
基于划分的训练集进行神经网络训练建模；
建立模型后使用测试集进行模型检验。
具体的，还包括：
按照输入的指标数目与输出指标数目确定输入层与输出层神经元的数目；
确定输入输出神经元数目后，依据测试效果确定隐藏神经元数目；
确定隐藏神经元数目后，基于MATLAB所提供的训练算法进行训练，并根据训练效果确定训练算法；
在测试集上进行油耗预测，并对测试的效果进行判断，判断指标主要有均方误差、均方根误差、绝对误差。
S4：根据因子分析法提取驾驶行为特征数据。本步骤还需要说明的是：
将驾驶行为相关指标数据集进行因子分析，提取其中的主因子作为驾驶行为特征数据；
对数据集进行标准化处理，方便后续进行因子分析适用性检验；
对数据集进行KMO检验和巴特利特球形检验，在检验结果适合后才能开始因子分析；
经KMO检验与巴特利特球形检验合格后，使用碎石分析确定主因子的数目；
计算因子载荷矩阵，以求取因子表达式；
使用数据变换方法将数据集变换为0-1区间内的数据；
当KMO检验的值大于0.6以上时且巴特利特球形检验的p值小于0.005时，可以认为该数据集适合因子分析；
当经过第一次因子分析后，可以通过碎石图中折线下降趋势确定主因子数目，第一次使用时默认使用一个主因子；
计算原数据矩阵与公共因子之间的协方差矩阵，计算所有元素后，对该矩阵进行因子旋转，旋转过后确定每个因子的表达式；即提取后能代表驾驶行为特征的数据。
S5：将提取的驾驶行为特征数据与BP神经网络模型进行融合，修正所建立的油耗模型并检验。其中再次需要说明的是：
考虑到原神经网络所用建模数据仅包含发动机相关数据以及海拔数据，为包含驾驶行为数据，将上述提取的表征驾驶行为特征的数据集加入神经网络建模过程中，建立修正后的新的油耗预测模型，并在数据集上进行检验。
实施例2
为了更好地对本发明方法中采用的技术效果加以验证说明，本实施例选择以传统的机器学习方法与本发明方法进行对比测试，以科学论证的手段对比试验结果，以验证本发明方法所具有的的真实效果，
传统的机器学习方法无法准确融合驾驶行为特征，预测模型准确度不高，为验证本发明方法相对于传统方法具有较高的预测精准度，本实施例中将采用传统方法和本发明方法分别对仿真车辆的油耗情况进行预测对比。
测试环境：将车辆运行在仿真平台模拟行驶并模拟耗油场景，分别利用传统方法的常规操作进行耗油预测并获得测试结果数据，采用本发明方法，则开启自动化测试设备并运用MATLB实现本发明的仿真测试，根据实验结果得到仿真数据，每种方法各测试100组数据，计算获得每组数据的误差，与仿真模拟输入的实际预测值进行误差对比计算，结果如下表所示。
表1：油耗预测准确度。
| 行驶前期 | 行驶中期 | 行驶结束 | |
| 传统方法/％ | 67.324 | 64.873 | 66.315 |
| 本发明方法/％ | 72.173 | 77.298 | 75.283 |
参照表1，能够直观的看出，本发明方法加入了驾驶行为特征因素修正神经网络，相对于传统方法，提高了油耗预测模型的精确性。
应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的精神和范围，其均应涵盖在本发明的权利要求范围当中。
Claims (8)
1.一种基于融合驾驶行为特征的BP神经网络油耗预测方法，其特征在于：包括，
基于车联网系统获取发动机数据与驾驶行为相关数据以及油耗数据；
结合MATLAB对车联网数据进行数据处理与指标初步计算；
利用BP神经网络对计算的所述指标与所述油耗数据进行初步建模并在测试集上对建立的油耗预测模型进行检验；
根据因子分析法提取驾驶行为特征数据；
将提取的所述驾驶行为特征数据与BP神经网络模型进行融合，修正所建立的油耗模型并检验。
2.根据权利要求1所述的基于融合驾驶行为特征的BP神经网络油耗预测方法，其特征在于：包括，
设定数据采集设备的采样频率为所需要的频率，通过所述车联网系统采集若干用户的车辆行驶数据；
所述车联网数据包括，车辆识别号、驾驶时间、车辆所在的GPS经度、车辆所在位置的GPS纬度、车辆所在位置的GPS海拔、车辆的ECU总油耗、车辆的累积总油耗、车辆的仪表里程、车辆的ECU车速、车辆的发动机转速、车辆的加速度、车辆的发动机扭矩负荷率、车辆的发动机负荷率。
3.根据权利要求1或2所述的基于融合驾驶行为特征的BP神经网络油耗预测方法，其特征在于：对所述车联网数据进行数据清洗工作，包括，时间跳变检查，数据异常值处理，数据缺失处理；对清洗后的数据进行指标计算。
4.根据权利要求3所述的基于融合驾驶行为特征的BP神经网络油耗预测方法，其特征在于：包括，
对发动机类相关参数以及海拔高度进行指标计算，指标主要包括发动机负荷率均值、发动机扭矩负荷率均值、发动机转速均值、海拔高度均值、发动机负荷率标准差、发动机扭矩负荷率标准差、发动机转速标准差、海拔高度标准差；
对驾驶行为类相关参数进行指标计算，指标主要包括速度均值、加速度均值、油门开度均值、变速箱转速均值、速度标准差、加速度标准差、油门开度标准差、变速箱转速标准差。
5.根据权利要求4所述的基于融合驾驶行为特征的BP神经网络油耗预测方法，其特征在于：包括，
将计算好的指标数据集划分为训练集与测试集，所述训练集用于BP神经网络模型训练，所述测试集用于建立模型后对模型进行测试检验；
将所述训练集，再次按照一定比例进行划分，划分比例依据建模的效果进行多次调整；
基于划分的所述训练集进行神经网络训练建模；
建立模型后使用所述测试集进行模型检验。
6.根据权利要求5所述的基于融合驾驶行为特征的BP神经网络油耗预测方法，其特征在于：包括，
按照输入的指标数目与输出指标数目确定输入层与输出层神经元的数目；
确定输入输出神经元数目后，依据测试效果确定隐藏神经元数目；
确定所述隐藏神经元数目后，基于MATLAB所提供的训练算法进行训练，并根据训练效果确定训练算法。
7.根据权利要求6所述的基于融合驾驶行为特征的BP神经网络油耗预测方法，其特征在于：包括，
在所述测试集上进行油耗预测，并对测试的效果进行判断，判断指标主要有均方误差、均方根误差、绝对误差。
8.根据权利要求7所述的基于融合驾驶行为特征的BP神经网络油耗预测方法，其特征在于：包括，
将驾驶行为相关指标数据集进行因子分析，提取其中的主因子作为驾驶行为特征数据。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110724418.7A CN113642227A (zh) | 2021-06-29 | 2021-06-29 | 一种基于融合驾驶行为特征的bp神经网络油耗预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110724418.7A CN113642227A (zh) | 2021-06-29 | 2021-06-29 | 一种基于融合驾驶行为特征的bp神经网络油耗预测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113642227A true CN113642227A (zh) | 2021-11-12 |
Family
ID=78416251
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110724418.7A Pending CN113642227A (zh) | 2021-06-29 | 2021-06-29 | 一种基于融合驾驶行为特征的bp神经网络油耗预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113642227A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114608604A (zh) * | 2022-05-12 | 2022-06-10 | 山东捷瑞数字科技股份有限公司 | 基于机器学习与gps定位的车辆油耗预测的方法和装置 |
| CN114781245A (zh) * | 2022-03-28 | 2022-07-22 | 北京理工大学 | 基于油耗强相关参数修正的瞬态汽车油耗估计方法及系统 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104200267A (zh) * | 2014-09-23 | 2014-12-10 | 清华大学 | 一种车辆驾驶经济性评价系统及评价方法 |
| US20160146119A1 (en) * | 2013-08-13 | 2016-05-26 | Ihi Corporation | Gas turbine engine optimization control device |
| CN110245390A (zh) * | 2019-05-27 | 2019-09-17 | 南京信息工程大学 | 一种基于rs-bp神经网络的汽车发动机油耗预测方法 |
| DE202019106180U1 (de) * | 2019-11-06 | 2019-12-02 | Yin-Shen Hsiung | Erweiterbare KI-Kraft künstlicher Intelligenz, Multifunktionsmotor mit mehreren Statoren und Systemgerät zur Stromerzeugung |
| CN110853179A (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、车辆及基于行驶数据的车辆油耗提示方法 |
| CN112265546A (zh) * | 2020-10-26 | 2021-01-26 | 吉林大学 | 基于时空序列信息的网联汽车车速预测方法 |
| CN112700047A (zh) * | 2020-12-31 | 2021-04-23 | 杭州电子科技大学 | 基于bp神经网络的油量损耗预测方法 |
-
2021
- 2021-06-29 CN CN202110724418.7A patent/CN113642227A/zh active Pending
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20160146119A1 (en) * | 2013-08-13 | 2016-05-26 | Ihi Corporation | Gas turbine engine optimization control device |
| CN104200267A (zh) * | 2014-09-23 | 2014-12-10 | 清华大学 | 一种车辆驾驶经济性评价系统及评价方法 |
| CN110853179A (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、车辆及基于行驶数据的车辆油耗提示方法 |
| CN110245390A (zh) * | 2019-05-27 | 2019-09-17 | 南京信息工程大学 | 一种基于rs-bp神经网络的汽车发动机油耗预测方法 |
| DE202019106180U1 (de) * | 2019-11-06 | 2019-12-02 | Yin-Shen Hsiung | Erweiterbare KI-Kraft künstlicher Intelligenz, Multifunktionsmotor mit mehreren Statoren und Systemgerät zur Stromerzeugung |
| CN112265546A (zh) * | 2020-10-26 | 2021-01-26 | 吉林大学 | 基于时空序列信息的网联汽车车速预测方法 |
| CN112700047A (zh) * | 2020-12-31 | 2021-04-23 | 杭州电子科技大学 | 基于bp神经网络的油量损耗预测方法 |
Non-Patent Citations (2)
| Title |
|---|
| 祝木伟等: "《产教融合型实训基地建设与评价研究》", 中国矿业大学出版社, pages: 160 - 162 * |
| 赵晓华;姚莹;伍毅平;陈晨;荣建;: "基于主成分分析与BP神经元网络的驾驶能耗组合预测模型研究", 交通运输系统工程与信息, no. 05 * |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114781245A (zh) * | 2022-03-28 | 2022-07-22 | 北京理工大学 | 基于油耗强相关参数修正的瞬态汽车油耗估计方法及系统 |
| CN114781245B (zh) * | 2022-03-28 | 2024-05-28 | 北京理工大学 | 基于油耗强相关参数修正的瞬态汽车油耗估计方法及系统 |
| CN114608604A (zh) * | 2022-05-12 | 2022-06-10 | 山东捷瑞数字科技股份有限公司 | 基于机器学习与gps定位的车辆油耗预测的方法和装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113642227A (zh) | 一种基于融合驾驶行为特征的bp神经网络油耗预测方法 | |
| CN103150446B (zh) | 临近空间飞行器模型验证与仿真实现方法 | |
| CN109635830B (zh) | 用于估算汽车质量的有效数据的筛选方法 | |
| CN109238740B (zh) | 一种基于整车质量和体积的汽车滑行阻力综合评价方法 | |
| CN113715629B (zh) | 基于改进符号回归和XGBoost算法的剩余续驶里程预测方法 | |
| CN112861436A (zh) | 一种发动机排放实时预测方法 | |
| CN104899608B (zh) | 滚动轴承剩余寿命预测的加权融合相关向量机模型 | |
| CN112597702B (zh) | 基于径向基函数的气动建模生成式对抗网络模型训练方法 | |
| CN113688558A (zh) | 一种基于大数据库样本的汽车行驶工况构建方法及系统 | |
| CN113657432A (zh) | 一种基于车联网数据的商用车驾驶行为风险等级辨识方法 | |
| CN114528666A (zh) | 一种基于多层级分布式协同代理模型的复杂结构系统可靠性方法 | |
| CN116011110A (zh) | 一种自动驾驶汽车安全性等级评估方法及系统 | |
| CN112035536A (zh) | 一种考虑动态路网交通流的电动汽车能耗预测方法 | |
| JP2023145303A (ja) | 作業条件の切り替えの車両の燃料消費量に対する影響の評価方法 | |
| CN115170874A (zh) | 一种基于解耦蒸馏损失的自蒸馏实现方法 | |
| CN114548494A (zh) | 一种可视化造价数据预测智能分析系统 | |
| CN117057190A (zh) | 一种轨道车辆制动盘温升预测方法 | |
| CN113642600A (zh) | 一种基于mRMR算法与主成分分析的驾驶行为特征提取方法 | |
| CN113610268A (zh) | 一种基于居住区空间形态的碳排放量预测方法 | |
| CN117147166A (zh) | 一种发动机标定方法、装置、电子设备及存储介质 | |
| CN116741304A (zh) | 基于车联网大数据的柴油机原排氮氧化物预测方法 | |
| CN112749508A (zh) | 一种基于gmm和bp神经网络的路感模拟方法 | |
| CN117390867A (zh) | 一种能耗评估方法、装置、电子设备以及介质 | |
| CN115374859B (zh) | 一种针对非平衡、多类别的复杂工业数据的分类方法 | |
| CN110852378A (zh) | 一种基于导航系统的道路工况运动学片断提取方法 |
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 |