CN114608604B - 基于机器学习与gps定位的车辆油耗预测的方法和装置 - Google Patents

Abstract

本发明公开了一种基于机器学习与GPS定位的车辆油耗预测的方法和装置，属于车辆油耗分析及预测技术领域，所述方法包括以下步骤：S1、通过GPS车辆管理系统采集训练数据集；S2、根据算法特征从训练数据集和历史数据提取算法数据集；S3、根据XGBoost算法进行模型训练，确定模型参数；S4、根据模型参数实时获取模型输入数据，并输入最终算法模型对实际车辆行驶的油耗进行预测。本发明将数据转化为算法模型参数，通过XGBoost机器学习算法建立算法模型，之后在车辆使用者做单次行驶后预测车辆在无故障情况下的百里油耗量，并对比实际油耗判断是否出现实际油耗过高的情况。

Description

基于机器学习与GPS定位的车辆油耗预测的方法和装置

技术领域

本发明涉及一种基于机器学习与GPS定位的车辆油耗预测的方法和装置，属于车辆油耗分析及预测技术领域。

背景技术

随着社会经济的发展，汽车的应用越来越广泛，保有量也年年递增，在节能减排需求下，目前需要判断汽车的油耗是否在正常范围内。汽车的油耗过高通常是多种原因引起的，包括驾驶习惯、行车路况、行车温度、设备积碳、长时间使用等。机器学习使用XGBoost算法（eXtreme Gradient Boosting，极端梯度提升）它是经过优化的分布式梯度提升库，旨在高效、灵活且可移植。XGBoost是大规模并行boosting tree（提升树）的工具，它是目前最快最好的开源 boosting tree工具包，比常见的工具包快10倍以上。在工业界大规模数据方面，XGBoost的分布式版本有广泛的可移植性，支持在Kubernetes、Hadoop、SGE、MPI、 Dask等各个分布式环境上运行，使得它可以很好地解决工业界大规模数据的问题。

GPS车辆管理系统（GPS Vehicle Management System）是利用全球定位技术、通过无线数据传输，并配合计算机软件（MIS）实现对车辆的各项静态和动态信息进行管理。它与以往的GPS定位设备最大的不同是管理功能的多元化和系统化，突出的是计算机软件的管理功能而非定位设备功能。而与普通的车辆管理系统相比，更是因其数据动态性凸现出优势。

工信部综合油耗(L)，是中国工信部对汽车综合油耗的测量数值。对于轻型汽车，将整车放置在实验台上，模拟车辆在道路上实际行驶的车速和负荷，按照一定的工况(如怠速、加速、等速、减速等工况)运转，测量二氧化碳、一氧化碳和碳氢化合物的排放量，按照碳平衡法测量油耗。但由于实际道路状态下，不确定的影响因素太多，所得到的数据仅供参考，一般情况下，现实油耗都比测试值高。通常在车况理想的情况下，车辆油耗不高于工信部综合油耗15%为正常油耗。

目前的车辆油耗预测方法是通过传感器收集车辆各设备的数据，计算车辆油耗与设备数据之间的关联，从而根据设备数据预测油耗，然而这种方式需要通过传感器设备采集大量车辆数据，难以大规模采用。

发明内容

为了解决上述问题，本发明提出了一种基于机器学习与GPS定位的车辆油耗预测的方法和装置，通过采集并分析GPS车辆管理系统与车辆设备数据，分析计算该类型车辆的百公里油耗。

本发明解决其技术问题采取的技术方案是：

一方面，本发明实施例提供的一种基于机器学习与GPS定位的车辆油耗预测的方法，包括以下步骤：

S1、通过GPS车辆管理系统采集训练数据集；

S2、根据算法特征从训练数据集和历史数据提取算法数据集；所述算法数据集包括车辆的静态数据和动态数据，以及行驶总时长特征、行驶总里程特征、车辆驾驶路况特征、车辆行驶温度特征和车辆行驶的百里油耗；

S3、根据XGBoost算法进行模型训练，确定模型参数；

S4、根据模型参数实时获取模型输入数据，并输入最终算法模型对实际车辆行驶的油耗进行预测。

作为本实施例一种可能的实现方式，车辆的静态数据包括车型、车类型、生产厂家、车辆排量、转速和车重，车辆的动态数据包括轮胎使用时长、机油类型和车辆行驶实时空气温度。

作为本实施例一种可能的实现方式，在步骤S1中，通过GPS车辆管理系统在单次行驶时实时获取该次行驶的实时数据与行驶后的总油耗数据，同时，根据车辆的经纬度数据，实时获取车辆行驶实时空气温度。

作为本实施例一种可能的实现方式， 所述步骤S2包括以下步骤：

S21、从GPS数据中的$GPRMC与$GPGGA数据段中提取所需数据，所需数据包括UTC时间、经纬、纬度、地面速率、地面航向和海拔高度；

S22、将提取的所需数据转化为算法训练所需的特征数据；

S23、进行数据筛选与数据清洗，将算法数据集划分为测试集与预测集。

作为本实施例一种可能的实现方式，所述步骤S22包括以下步骤：

S221、通过UTC时间数据获取整个行程的总时长特征；

S222、通过经纬度数据计算整个行程的总里程特征；

S223、根据GPS数据获取车辆驾驶路况数据；

S224、根据车辆行驶实时空气温度，计算该次行驶车辆行驶地区的平均温度，将其作为车辆行驶温度特征；

S225、根据行驶总油耗与行程总里程，计算该次行驶的百里油耗，将其作为车辆行驶百里油耗label。

作为本实施例一种可能的实现方式，所述步骤S223包括以下步骤：

S2231、判断GPS数据中的地面速率数据，如果速率为0且上一时刻的速率不为0，则判断车辆在行驶过程中停车，并从这一刻的GPS数据开始，之后的每一刻如果速率依然为0，则判断车辆在停车中；直到速率不为零，则判断车辆开始起步行驶，并计算车辆停车的时长；

S2232、判断GPS数据中的地面速率数据，如果速率达到车辆行驶最佳速度，并且速率与上一刻速率的差值小于速率阈值，视为车辆在最佳速度匀速行驶，并计算匀速行驶的时长；

S2233、判断GPS数据中的海拔高度，如果海拔高度与上一时刻提高过多，视为车辆正在上坡行，累计计算车辆上坡行驶的里程数，直到海拔高度与上一刻海拔高度的差值小于高度阈值，视为车辆上坡行驶结束；同样方法计算车辆下坡行驶的里程数；

S2234、判断GPS数据中的地面航向，如果地面航向度数与上一时刻地面航向度数的变化度数超过45度，则视为车辆转弯行驶，并计算车辆转弯行驶的次数；

S2235、累计计算整个行驶过程中停车的次数、停车的总时长、车辆上坡行驶总里程、车辆下坡行驶总里程、车辆最佳速度匀速行驶的时长与车辆转弯行驶的次数，将其做为车辆驾驶路况特征。

作为本实施例一种可能的实现方式，所述步骤S23包括以下步骤：

S231、按照工信部综合油耗(L)实验比例搜索行驶数据类似的行驶记录并提取作为车辆行驶数据；

S232、根据车辆行驶数据筛选车况较好的车辆，将其数据作为算法数据集；

S233、将算法数据集以8:2的比例分为测试集与预测集。

另一方面，本发明实施例提供的一种基于机器学习与GPS定位的车辆油耗预测的装置，包括：

数据集采集模块，用于通过GPS车辆管理系统采集训练数据集；

算法数据集提取模块，用于根据算法特征从训练数据集和历史数据提取算法数据集；所述算法数据集包括车辆的静态数据和动态数据，以及行驶总时长特征、行驶总里程特征、车辆驾驶路况特征、车辆行驶温度特征和车辆行驶的百里油耗；

模型训练模块，用于根据XGBoost算法进行模型训练，确定模型参数；

油耗预测模块，用于根据模型参数实时获取模型输入数据，并输入最终算法模型对实际车辆行驶的油耗进行预测。

作为本实施例一种可能的实现方式，车辆的静态数据包括车型、车类型、生产厂家、车辆排量、转速和车重，车辆的动态数据包括轮胎使用时长、机油类型和车辆行驶实时空气温度；

数据集采集模块，具体用于通过GPS车辆管理系统在单次行驶时实时获取该次行驶的实时数据与行驶后的总油耗数据，同时，根据车辆的经纬度数据，实时获取车辆行驶实时空气温度。

作为本实施例一种可能的实现方式，所述算法数据集提取模块，具体用于：从GPS数据中的$GPRMC与$GPGGA数据段中提取所需数据，所需数据包括UTC时间、经纬、纬度、地面速率、地面航向和海拔高度；将提取的所需数据转化为算法训练所需的特征数据；进行数据筛选与数据清洗，将算法数据集划分为测试集与预测集。

本发明实施例的技术方案可以具有的有益效果如下：

本发明通过GPS车辆管理系统收集车辆GPS定位终端数据与车辆油耗传感器的油耗数据，将数据转化为算法模型参数，通过XGBoost机器学习算法建立算法模型，之后在车辆使用者做单次行驶后预测车辆在无故障情况下的百里油耗量，并对比实际油耗判断是否出现实际油耗过高的情况。

与传统通过传感器预测油耗和获取车况相比：

1.本发明通过GPS定位技术采集数据，与传感器获取数据相比降低了数据采集的成本。

2. 本发明通过GPS最基本的定位功能进行数据采集，降低了GPS设备成本。

3. 本发明通过XGBoost算法模型进行预测，运算速度较快的同时，可对缺失值进行处理。

4. 本发明通过GPS定位技术能工容易获取更多环境因素特征，包括车辆行驶车况与车辆行驶温度，使预算结果更准确的同时降低数据采集难度。

附图说明

图1是根据一示例性实施例示出的一种基于机器学习与GPS定位的车辆油耗预测的方法流程图。

具体实施方式

下面结合附图与实施例对本发明做进一步说明：

为能清楚说明本方案的技术特点，下面通过具体实施方式，并结合其附图，对本发明进行详细阐述。下文的公开提供了许多不同的实施例或例子用来实现本发明的不同结构。为了简化本发明的公开，下文中对特定例子的部件和设置进行描述。此外，本发明可以在不同例子中重复参考数字和/或字母。这种重复是为了简化和清楚的目的，其本身不指示所讨论各种实施例和/或设置之间的关系。应当注意，在附图中所图示的部件不一定按比例绘制。本发明省略了对公知组件和处理技术及工艺的描述以避免不必要地限制本发明。

如图1所示，本发明实施例提供的一种基于机器学习与GPS定位的车辆油耗预测的方法，包括以下步骤：

S1、通过GPS车辆管理系统采集训练数据集；

S2、根据算法特征从训练数据集和历史数据提取算法数据集；所述算法数据集包括车辆的静态数据和动态数据，以及行驶总时长特征、行驶总里程特征、车辆驾驶路况特征、车辆行驶温度特征和车辆行驶的百里油耗；

S3、根据XGBoost算法进行模型训练，确定模型参数；

S4、根据模型参数实时获取模型输入数据，并输入最终算法模型对实际车辆行驶的油耗进行预测。

作为本实施例一种可能的实现方式，车辆的静态数据包括车型、车类型、生产厂家、车辆排量、转速和车重，车辆的动态数据包括轮胎使用时长、机油类型和车辆行驶实时空气温度。

作为本实施例一种可能的实现方式，在步骤S1中，通过GPS车辆管理系统在单次行驶时实时获取该次行驶的实时数据与行驶后的总油耗数据，同时，根据车辆的经纬度数据，实时获取车辆行驶实时空气温度。

作为本实施例一种可能的实现方式， 所述步骤S2包括以下步骤：

S21、从GPS数据中的$GPRMC与$GPGGA数据段中提取所需数据，所需数据包括UTC时间、经纬、纬度、地面速率、地面航向和海拔高度；

S22、将提取的所需数据转化为算法训练所需的特征数据；

S23、进行数据筛选与数据清洗，将算法数据集划分为测试集与预测集。

作为本实施例一种可能的实现方式，所述步骤S22包括以下步骤：

S221、通过UTC时间数据获取整个行程的总时长特征；

S222、通过经纬度数据计算整个行程的总里程特征；

S223、根据GPS数据获取车辆驾驶路况数据；

S224、根据车辆行驶实时空气温度，计算该次行驶车辆行驶地区的平均温度，将其作为车辆行驶温度特征；

S225、根据行驶总油耗与行程总里程，计算该次行驶的百里油耗，将其作为车辆行驶百里油耗label。

作为本实施例一种可能的实现方式，所述步骤S223包括以下步骤：

S2231、判断GPS数据中的地面速率数据，如果速率为0且上一时刻的速率不为0，则判断车辆在行驶过程中停车，并从这一刻的GPS数据开始，之后的每一刻如果速率依然为0，则判断车辆在停车中；直到速率不为零，则判断车辆开始起步行驶，并计算车辆停车的时长；

S2232、判断GPS数据中的地面速率数据，如果速率达到车辆行驶最佳速度，并且速率与上一刻速率的差值小于速率阈值，视为车辆在最佳速度匀速行驶，并计算匀速行驶的时长；

S2233、判断GPS数据中的海拔高度，如果海拔高度与上一时刻提高过多，视为车辆正在上坡行，累计计算车辆上坡行驶的里程数，直到海拔高度与上一刻海拔高度的差值小于高度阈值，视为车辆上坡行驶结束；同样方法计算车辆下坡行驶的里程数；

S2234、判断GPS数据中的地面航向，如果地面航向度数与上一时刻地面航向度数的变化度数超过45度，则视为车辆转弯行驶，并计算车辆转弯行驶的次数；

S2235、累计计算整个行驶过程中停车的次数、停车的总时长、车辆上坡行驶总里程、车辆下坡行驶总里程、车辆最佳速度匀速行驶的时长与车辆转弯行驶的次数，将其做为车辆驾驶路况特征。

作为本实施例一种可能的实现方式，所述步骤S23包括以下步骤：

S231、按照工信部综合油耗(L)实验比例搜索行驶数据类似的行驶记录并提取作为车辆行驶数据；

S232、根据车辆行驶数据筛选车况较好的车辆，将其数据作为算法数据集；

S233、将算法数据集以8:2的比例分为测试集与预测集。

本发明实施例提供的一种基于机器学习与GPS定位的车辆油耗预测的装置，包括：

数据集采集模块，用于通过GPS车辆管理系统采集训练数据集；

算法数据集提取模块，用于根据算法特征从训练数据集和历史数据提取算法数据集；所述算法数据集包括车辆的静态数据和动态数据，以及行驶总时长特征、行驶总里程特征、车辆驾驶路况特征、车辆行驶温度特征和车辆行驶的百里油耗；

模型训练模块，用于根据XGBoost算法进行模型训练，确定模型参数；

油耗预测模块，用于根据模型参数实时获取模型输入数据，并输入最终算法模型对实际车辆行驶的油耗进行预测。

作为本实施例一种可能的实现方式，车辆的静态数据包括车型、车类型、生产厂家、车辆排量、转速和车重，车辆的动态数据包括轮胎使用时长、机油类型和车辆行驶实时空气温度；

数据集采集模块，具体用于通过GPS车辆管理系统在单次行驶时实时获取该次行驶的实时数据与行驶后的总油耗数据，同时，根据车辆的经纬度数据，实时获取车辆行驶实时空气温度。

作为本实施例一种可能的实现方式，所述算法数据集提取模块，具体用于：从GPS数据中的$GPRMC与$GPGGA数据段中提取所需数据，所需数据包括UTC时间、经纬、纬度、地面速率、地面航向和海拔高度；将提取的所需数据转化为算法训练所需的特征数据；进行数据筛选与数据清洗，将算法数据集划分为测试集与预测集。

利用本发明所述装置进行车辆油耗预测的具体过程如下。

S1、通过GPS车辆管理系统进行训练数据集采集。

S11、GPS车辆管理系统储存了所有车辆的静态数据，包括车型、车类型、生产厂家、车辆排量、转速、车重，同时需定期更新动态数据，包括轮胎使用时长、机油类型。

S12、车辆做单次行驶时会实时将该次行驶的实时数据与行驶后地总油耗数据上传至GPS车辆管理系统，GPS车辆管理系统在接收实时数据的同时，根据数据中的经纬度数据，通过公开实时天气数据接口实时获取车辆行驶时的温度。

S2、进行算法特征选择，并从GPS车辆管理系统收集到的数据与已经储存的静态与动态数据中提取算法数据集。

算法数据集特征选择包括了所属S11中所述的所有静态与动态数据；同时需要从GPS数据中选择其它特征，包括:行驶总时长特征、行驶总里程特征、车辆驾驶路况特征与车辆行驶温度特征；还包括车辆行驶的百里油耗，并将百里油耗作为算法训练的label。

S21、通过接收到的GPS数据中的$GPRMC与$GPGGA数据段提取所需数据。

通过GPS串口获取到的数据，是每一时刻相距1-2秒的GPS数据，并会分成多种数据格式，不同的数据格式以$开头的字符串区分，本文使用的是$GPRMC与$GPGGA中的数据。

以下为所需的数据：

$GPRMC：UTC时间、经纬、纬度、地面速率、地面航向。

$GPGGA：海拔高度。

S22、将从GPS中提取的数据转化为算法训练所需的特征。

S221、通过UTC时间数据获取整个行程的总时长特征。

S222、通过经纬度数据计算整个行程的总里程特征。

S223、根据GPS数据获取车辆驾驶路况数据；

S2231、判断GPS数据中的地面速率数据，如果速率为0且上一时刻的速率不为0，则判断车辆在行驶过程中停车，并从这一刻的GPS数据开始，之后的每一刻如果速率依然为0，则判断车辆在停车中；直到速率不为则，则判断车辆开始起步行驶，并计算车辆停车的时长；

S2232、判断GPS数据中的地面速率数据，如果速率达到车辆行驶最佳速度，并且速率与上一刻相比数值变化小，视为车辆在最佳速度匀速行驶，并计算匀速行驶的时长；

S2233、判断GPS数据中的海拔高度，如果海拔高度与上一时刻提高过多，视为车辆正在上坡行，累计计算车辆上坡行驶的里程数，直到海拔高度与上一刻相比变化较小，视为车辆上坡行驶结束；同样方法计算车辆下坡行驶的里程数。

S2234、判断GPS数据中的地面航向，如果地面航向度数与上一时刻的度数变化超过45度，则视为车辆转弯行驶，并计算车辆转弯行驶的次数。

S2235、累计计算整个行驶过程中停车的次数、停车的总时长、车辆上坡行驶总里程、车辆下坡行驶总里程、车辆最佳速度匀速行驶的时长与车辆转弯行驶的次数，将其做为车辆驾驶路况特征。

S224、根据所属S12所获取的车辆行驶实时温度，计算该次行驶车辆行驶地区的平均温度，将其作为车辆行驶温度特征。

S225、根据S12所获取的行驶总油耗与S222所获取的行程总里程，计算该次行驶的百里油耗，将其作为车辆行驶百里油耗label。

S23、对已收集到的数据进行数据筛选与数据清洗；

由于车辆油耗不仅与车辆自身设备、行驶车况、驾驶习惯有关，还与车辆设备是否存在问题有关，例如空气滤芯进气道节气门大量积碳、机油黏度过高、火花塞长时间没更换等；为了排除这些因素，需要对车辆进行挑选，筛选出百里油耗与工信部综合油耗(L)相近的车辆。

S231、按照工信部综合油耗(L)实验比例搜索行驶数据类似的行驶记录；

由于工信部油耗测试采用2000年颁布的欧洲循环驾驶法，包含市区工况和市郊工况，并认定市区30%，市郊70%；搜索所有车辆行驶路况特征中的车辆最佳速度匀速行驶的时长，并通过车辆的最佳速度获取车辆最佳速度匀速行驶的里程，计算该里程占该次行驶总里程的比例，如果比例接近或大于70%，则提取该车辆的该次行驶记录。

S232、根据所有提取的车辆行驶数据，筛选车况较好的车辆；

将所提取的车辆行驶数据中的百里油耗与工信部综合油耗(L)比较，如果相差过大，则判断该车辆行驶数据的车辆存在问题，反之则视为没问题；提取视为车况没问题的车辆行驶数据中的时间参数，搜索该车辆在该时间参数所在的日期前后半年所有的该车辆行驶记录，将搜索到的行驶记录数据添加到算法数据集。

S23、将搜索到的数据集进行数据清洗，并以8:2的比例分为测试集与预测集。

S3、通过XGBoost算法进行算训练；

由于通过GPS采集数据与通过平台采集静态数据可能出现数据缺失的情况，同时为了提高算法模型预测的准确性与算法运算的速度，使用XGBoost算法。

通过算法训练集与预测集，对算法模型进行调参获取评估最高参数。

S4、通过最终算法模型对实际车辆行驶的油耗进行预测；

通过算法对实际车辆行驶所上传的行驶记录数据进行预测，根据预测结果中的车辆油耗与车辆实际油耗做对比，如果实际油耗过高说明车辆设备存在问题，需要护理或者大修。

最后应当说明的是：以上实施例仅用以说明本发明的技术方案而非对其限制，尽管参照上述实施例对本发明进行了详细的说明，所属领域的普通技术人员应当理解：依然可以对本发明的具体实施方式进行修改或者等同替换，而未脱离本发明精神和范围的任何修改或者等同替换，其均应涵盖在本发明的权利要求保护范围之内。

Claims (6)

1.一种基于机器学习与GPS定位的车辆油耗预测的方法，其特征在于，包括以下步骤：

S1、通过GPS车辆管理系统采集训练数据集；

S2、根据算法特征从训练数据集和历史数据提取算法数据集；所述算法数据集包括车辆的静态数据和动态数据，以及行驶总时长特征、行驶总里程特征、车辆驾驶路况特征、车辆行驶温度特征和车辆行驶的百公里油耗；

S3、根据XGBoost算法进行模型训练，确定模型参数；

S4、根据模型参数实时获取模型输入数据，并输入最终算法模型对实际车辆行驶的油耗进行预测；

所述步骤S2包括以下步骤：

S21、从GPS数据中的$GPRMC与$GPGGA数据段中提取所需数据，所需数据包括UTC时间、经纬度、地面速率、地面航向和海拔高度；

S22、将提取的所需数据转化为算法训练所需的特征数据；

S23、进行数据筛选与数据清洗，将算法数据集划分为测试集与预测集；

所述步骤S22包括以下步骤：

S221、通过UTC时间数据获取整个行程的总时长特征；

S222、通过经纬度数据计算整个行程的总里程特征；

S223、根据GPS数据获取车辆驾驶路况数据；

S224、根据车辆行驶实时空气温度，计算该次行驶车辆行驶地区的平均温度，将其作为车辆行驶温度特征；

S225、根据行驶总油耗与行程总里程，计算该次行驶的百公里油耗，将其作为车辆行驶百公里油耗label；

所述步骤S223包括以下步骤：

S2231、判断GPS数据中的地面速率数据，如果速率为0且上一时刻的速率不为0，则判断车辆在行驶过程中停车，并从这一刻的GPS数据开始，之后的每一刻如果速率依然为0，则判断车辆在停车中；直到速率不为零，则判断车辆开始起步行驶，并计算车辆停车的时长；

S2232、判断GPS数据中的地面速率数据，如果速率达到车辆行驶最佳速度，并且速率与上一刻速率的差值小于速率阈值，视为车辆在最佳速度匀速行驶，并计算匀速行驶的时长；

S2233、判断GPS数据中的海拔高度，如果海拔高度与上一时刻海拔高度的差值大于高度阈值，视为车辆正在上坡行，累计计算车辆上坡行驶的里程数，直到海拔高度与上一刻海拔高度的差值小于高度阈值，视为车辆上坡行驶结束；同样方法计算车辆下坡行驶的里程数；

S2234、判断GPS数据中的地面航向，如果地面航向度数与上一时刻地面航向度数的变化度数超过45度，则视为车辆转弯行驶，并计算车辆转弯行驶的次数；

S2235、累计计算整个行驶过程中停车的次数、停车的总时长、车辆上坡行驶总里程、车辆下坡行驶总里程、车辆最佳速度匀速行驶的时长与车辆转弯行驶的次数，将其做为车辆驾驶路况特征。

2.根据权利要求1所述的基于机器学习与GPS定位的车辆油耗预测的方法，其特征在于，车辆的静态数据包括车类型、生产厂家、车辆排量、转速和车重，车辆的动态数据包括轮胎使用时长、机油类型和车辆行驶实时空气温度。

3.根据权利要求1所述的基于机器学习与GPS定位的车辆油耗预测的方法，其特征在于，在步骤S1中，通过GPS车辆管理系统在单次行驶时实时获取该次行驶的实时数据与行驶后的总油耗数据，同时，根据车辆的经纬度数据，实时获取车辆行驶实时空气温度。

4.根据权利要求1所述的基于机器学习与GPS定位的车辆油耗预测的方法，其特征在于，所述步骤S23包括以下步骤：

S231、按照工信部综合油耗实验比例搜索行驶数据类似的行驶记录并提取作为车辆行驶数据；

S232、根据车辆行驶数据筛选车况较好的车辆，将其数据作为算法数据集；

S233、将算法数据集以8:2的比例分为测试集与预测集。

5.一种基于机器学习与GPS定位的车辆油耗预测的装置，其特征在于，包括：

数据集采集模块，用于通过GPS车辆管理系统采集训练数据集；

算法数据集提取模块，用于根据算法特征从训练数据集和历史数据提取算法数据集；所述算法数据集包括车辆的静态数据和动态数据，以及行驶总时长特征、行驶总里程特征、车辆驾驶路况特征、车辆行驶温度特征和车辆行驶的百公里油耗；

模型训练模块，用于根据XGBoost算法进行模型训练，确定模型参数；

油耗预测模块，用于根据模型参数实时获取模型输入数据，并输入最终算法模型对实际车辆行驶的油耗进行预测；

所述算法数据集提取模块，具体用于：从GPS数据中的$GPRMC与$GPGGA数据段中提取所需数据，所需数据包括UTC时间、经纬度、地面速率、地面航向和海拔高度；将提取的所需数据转化为算法训练所需的特征数据；进行数据筛选与数据清洗，将算法数据集划分为测试集与预测集；

所述将提取的所需数据转化为算法训练所需的特征数据的过程包括以下步骤：

S221、通过UTC时间数据获取整个行程的总时长特征；

S222、通过经纬度数据计算整个行程的总里程特征；

S223、根据GPS数据获取车辆驾驶路况数据；

S224、根据车辆行驶实时空气温度，计算该次行驶车辆行驶地区的平均温度，将其作为车辆行驶温度特征；

S225、根据行驶总油耗与行程总里程，计算该次行驶的百公里油耗，将其作为车辆行驶百公里油耗label；

所述步骤S223包括以下步骤：

S2231、判断GPS数据中的地面速率数据，如果速率为0且上一时刻的速率不为0，则判断车辆在行驶过程中停车，并从这一刻的GPS数据开始，之后的每一刻如果速率依然为0，则判断车辆在停车中；直到速率不为零，则判断车辆开始起步行驶，并计算车辆停车的时长；

S2232、判断GPS数据中的地面速率数据，如果速率达到车辆行驶最佳速度，并且速率与上一刻速率的差值小于速率阈值，视为车辆在最佳速度匀速行驶，并计算匀速行驶的时长；

S2233、判断GPS数据中的海拔高度，如果海拔高度与上一时刻海拔高度的差值大于高度阈值，视为车辆正在上坡行，累计计算车辆上坡行驶的里程数，直到海拔高度与上一刻海拔高度的差值小于高度阈值，视为车辆上坡行驶结束；同样方法计算车辆下坡行驶的里程数；

S2234、判断GPS数据中的地面航向，如果地面航向度数与上一时刻地面航向度数的变化度数超过45度，则视为车辆转弯行驶，并计算车辆转弯行驶的次数；

S2235、累计计算整个行驶过程中停车的次数、停车的总时长、车辆上坡行驶总里程、车辆下坡行驶总里程、车辆最佳速度匀速行驶的时长与车辆转弯行驶的次数，将其做为车辆驾驶路况特征。

6.根据权利要求5所述的基于机器学习与GPS定位的车辆油耗预测的装置，其特征在于，车辆的静态数据包括车类型、生产厂家、车辆排量、转速和车重，车辆的动态数据包括轮胎使用时长、机油类型和车辆行驶实时空气温度；

数据集采集模块，具体用于通过GPS车辆管理系统在单次行驶时实时获取该次行驶的实时数据与行驶后的总油耗数据，同时，根据车辆的经纬度数据，实时获取车辆行驶实时空气温度。

Images