改進CS優化RBF神經網絡的汽車熱舒適性預測

徐熊飛　周曉華　楊藝興

摘 要：針對汽車駕駛環境熱舒適性指標預測平均熱感覺（predicted mean vote，PMV）計算復雜、預測精度不高的問題，提出了改進布谷鳥搜索（cuckoo search，CS）算法優化RBF神經網絡的汽車熱舒適性預測模型（改進CS-RBFNN）。采用自適應步長和高斯擾動因子對CS算法進行改進，并用其對RBF神經網絡的中心點c和寬度參數b進行優化。將改進CS-RBFNN與CS-RBFNN和PSO-RBFNN模型的預測結果進行對比，結果表明：改進CS-RBFNN模型的均方根誤差（root mean square error，RMSE）值分別降低了9.2%和35.5%，具有更高的預測精度。當RBFNN隱含層神經元個數增加時，預測精度有所提高，但收斂速度降低，運行時間變長。

關鍵詞：RBF神經網絡；布谷鳥搜索（CS）算法；熱舒適性；預測誤差；自適應步長

中圖分類號：TP273；U463.851 DOI：10.16375/j.cnki.cn45-1395/t.2023.04.015

0 引言

熱舒適性是人體對熱環境的自我感覺和評判。隨著汽車產業的不斷發展，熱舒適性已成為汽車研發過程中不可忽視的因素。人在適宜的熱環境中駕駛汽車，能更好地保持生理和心理的愉悅，可有效降低駕駛過程中發生交通事故的概率。

熱舒適既屬于物理環境的范疇，又涉及生理學、心理學和社會學等領域。自20世紀初以來，不少學者從多個維度對室內熱舒適性的評價方法進行了研究，并根據各種不同的評價方法先后提出了一系列的評價指標。如標準有效溫度（SET）、有效溫度（ET）、新有效溫度（*ET）、舒適度指數（comfort index）和風效指數（wind effect index）等。隨著熱舒適性評價方法的不斷變化和發展，目前得到廣泛認可的熱舒適性指標是丹麥學者Fanger提出的熱舒適理論及熱舒適方程，即預測平均熱感覺（predicted mean vote，PMV）[1]。與其他熱舒適性指標相比，PMV方程綜合考慮了客觀環境因素和個體主觀感受。但計算PMV指標時，參數之間互相迭代，增加了計算的復雜性，實時預測存在一定困難[2]。采用智能算法可實現人體對室內環境熱舒適性的快速判斷。在PMV指標控制下，空調的節能率也得到了提升[3]。文獻[4]采用BP神經網絡預測PMV，并用遺傳算法克服BP神經網絡難以獲取全局最優的問題。文獻[5]采用遺傳算法與布谷鳥搜索混合（genetic algorithm cuckoo search，GACS）的算法優化BP神經網絡，實現了PMV的預測，GACS算法跳出局部最優的能力更強，但收斂速度較慢。文獻[6]采用粒子群PSO算法來減少RBF神經網絡對初始值的依賴和收斂時間，并實現了PMV預測，但PSO算法存在全局尋優能力較弱的缺點。本文采用自適應步長和高斯擾動因子對布谷鳥搜索（cuckoo search，CS）算法進行改進，并用其對RBF神經網絡進行優化，有效克服了初始值選取和出現局部最優的問題。改進CS算法參數能自適應調整，可快速找到RBF神經網絡的最優參數，提高了PMV的預測精度，具有更好的預測效果。

1 熱舒適性評價PMV指標分析

雖然PMV指標在熱舒適性的評價上得到了廣泛認可，在溫度控制上的應用越來越多，但在實際應用中，PMV指標需考慮以下幾個因素：①人體需要長期處于熱平衡狀態；②皮膚溫度應適宜車內環境溫度，并保持相對穩定；③車內人員的排汗率接近最佳狀態。駕駛和乘坐汽車時，人的活動量較小，一般能滿足PMV指標的要求[7]。PMV指標取值一般在[-3， 3]，分為7個等級。取值越小，代表環境越冷；反之，說明環境越熱。當PMV值在[-1， 1]時，人體會感到較為舒適。具體熱感覺對應PMV指標數值區間如表1所示。

不同模型預測效果評判如表2所示。與2種對比模型相比，改進CS-RBFNN模型的RMSE值分別降低了9.2%和35.5%，MAE值降低了8.2%和32.2%，最大誤差均小于其他2種預測模型。

隨著隱含層神經元個數的增加，適應度值變小。當隱含層神經元個數增加到70時，適應度曲線收斂速度變得緩慢，對中心點坐標c和寬度參數b的尋優能力有所降低。

不同神經元個數的預測效果評價如表3所示。隨著神經元個數的增加，RMSE、MAE和最大誤差有所降低。當神經元個數增加到70時，相較于神經元個數為10的預測模型，RMSE、MAE降低了48.1%與48.5%，預測精度得到一定提升。

4 結論

由于參數互相迭代，增加了PMV指標計算的復雜性，實時性降低。采用改進CS-RBFNN模型對PMV指標進行預測。通過研究，可得如下結論：

1）改進CS-RBFNN模型相較于CS-RBFNN和PSO-RBFNN模型，RMSE值降低了9.2%和35.5%，MAE值降低了8.2%和32.2%，其預測精度更佳。

2）增加模型隱含層神經元個數可減小預測誤差，提升預測精度，但網絡運行時間變長，實時性降低。

參考文獻

[1] 劉啟媛.數據驅動的汽車空調熱舒適性建模與優化[D].上海：上海交通大學，2020.

[2] 侯啟真，李澤，姬雨初，等.基于CS-BPNN算法的飛機客艙PMV指標預測[J].計算機仿真，2020，37（3）：52-55，99.

[3] 蘇楚奇，江玥，汪怡平，等.駕駛艙熱舒適性與空調經濟性分析研究[J].機械設計與制造，2022（1）：228-232，236.

[4] 王曉輝，劉靜蕾，邊會娟，等.基于改進BP神經網絡的室內環境熱舒適度預測與分析[J].控制工程，2021，28（7）：1437-1445.

[5] 朱嬋.基于混合元啟發式算法優化神經網絡的熱舒適度預測模型[J].微型電腦應用，2020，36（11）：66-69.

[6] 陸燁，朱其新，周敬松，等.一種基于PSO-RBF網絡算法的熱舒適性指標預測新方法[J].蘇州科技大學學報（自然科學版），2020，37（1）：73-78.

[7] 章明超，鄒佳慶，周健，等.汽車亞穩態熱環境測試與駕駛員熱舒適評價[J].汽車工程學報，2022，12（1）：64-74.

[8] 葉立，張夢伢.SUV 6座汽車乘客艙熱舒適性研究[J].暖通空調，2022，52（2）：137-141.

[9] 季泰，袁偉琪，王坤，等.熱環境下運動人體熱感覺研究進展[J].中國體育科技，2022，58（4）：73-80.

[10] 雷蕾，李健，吳青鴻.基于RBF神經網絡自適應控制的下肢外骨骼步態跟蹤[J].廣西科技大學學報，2021，32（3）：42-47，52.

[11] GUO R，SHEN X J，KANG H.Improved CS algorithm and its application in parking space prediction[J].Journal of Bionic Engineering，2020，17（5）：1075-1083.

[12] 郭德龍，周錦程，周永權.基于Levy飛行改進蝴蝶優化算法[J].數學的實踐與認識，2021，51（12）：130-137.

[13] LICINA V F，CHEUNG T，ZHANG H，et al.Development of the ASHRAE global thermal comfort database II[J].Building and Environment，2018，142： 502-512.

[14] 蔡博偉.基于機器學習的汽車空調熱舒適性系統算法研究[D].上海：上海交通大學，2019.

[15] TARTARINI F，SCHIAVON S.Pythermal comfort：a python package for thermal comfort research[J].Software X，2020，12：1005.

[16] 黃凱奇，陳岳坪，張怡坤.自由曲面加工誤差預測：基于模擬退火算法優化的BP神經網絡算法[J].廣西科技大學學報，2022，33（2）：69-73，82.

Prediction of automobile thermal comfort based on RBF neural network optimized by improved CS

XU Xiongfei1， ZHOU Xiaohua*1， 2， YANG Yixing3

（1. School of Automation， Guangxi University of Science and Technology， Liuzhou 545616， China; 2. Guangxi Key Laboratory of Automobile Components and Vehicle Technology （Guangxi University of Science and Technology）， Liuzhou 545616， China; 3. Dongfeng Liuzhou Automobile Co.， Ltd.， Liuzhou 545005， China）

Abstract： To solve the problem that the calculation of the thermal comfort index PMV of automobile driving environment is complex and the prediction accuracy is not high， an improved cuckoo search（CS）algorithm is proposed to optimize the prediction model of automobile thermal comfort of RBF neural network（improved CS-RBFNN）. The CS algorithm is improved by using adaptive step size and Gaussian disturbance factor， and used to optimize the center point c and width parameter b of RBF neural network. The prediction results of the improved CS-RBFNN model are compared with those of the CS-RBFNN and PSO-RBFNN models. The results show that the RMSE values of the improved CS-RBFNN model are reduced by 9.2% and 35.5%， respectively， with higher prediction accuracy. When the number of RBFNN hidden layer neurons increases， the prediction accuracy improves， but the convergence speed decreases and the running time becomes longer.

Key words： RBF neural network; cuckoo search（CS）algorithm; thermal comfort; prediction error; adaptive step-size

（責任編輯：黎 婭）

收稿日期：2022-11-30

基金項目：廣西自然科學基金重點項目（2020GXNSFDA238011）；廣東省基礎與應用基礎研究基金項目（2021B1515420003）資助

第一作者：徐熊飛，在讀碩士研究生

*通信作者：周曉華，碩士，副教授，研究方向：新能源汽車能量管理與控制，E-mail：zhxh76@126.com