基于神經網絡的重型柴油車油耗預測研究

劉昌海

【摘要】為建立準確的重型柴油車油耗預測模型，使用重型柴油車實際道路行駛數據集，利用皮爾遜相關系數計算了不同因素與油耗的相關性，選取與油耗相關性較強的7個因素，利用反向傳播（BP）神經網絡、長短時記憶（LSTM）神經網絡分別建立重型柴油車油耗預測模型。對不同行駛路段的預測結果表明，BP神經網絡對各路段油耗的預測準確性存在很大差異，模型泛化能力差，LSTM神經網絡模型對各路段的預測均十分準確，模型泛化能力強。

關鍵詞：重型柴油車 油耗預測 BP神經網絡 LSTM神經網絡

中圖分類號：TP18；U471.23? 文獻標志碼：A? DOI： 10.20104/j.cnki.1674-6546.20230397

Research on Fuel Consumption Prediction of Heavy-Duty Diesel Vehicles Based on Neural Network

Liu Changhai

（Chongqing Jiaotong University， Chongqing 400074）

【Abstract】To establish an accurate fuel consumption prediction model of heavy-duty diesel vehicles， this paper firstly used the dataset collected by heavy-duty diesel vehicles in real road driving， and Pearson correlation coefficient to calculate the correlation between different factors and fuel consumption， then selected 7 factors with strong correlation with fuel consumption， and used Back Propagation （BP） neural network and Long Short-Term Memory （LSTM） neural network to establish fuel consumption prediction models for heavy-duty diesel vehicles. The prediction results of different driving sections show that the prediction accuracy of BP neural network for fuel consumption values in different road sections differs sharply， and the generalization of the model is low， while the prediction of different road sections of the LSTM model is very accurate， and the model generalization is strong.

Key words： Heavy-duty diesel vehicles， Fuel consumption prediction， Back Propagation （BP） neural network， Long Short-Term Memory （LSTM） neural network

【引用格式】劉昌海. 基于神經網絡的重型柴油車油耗預測研究[J]. 汽車工程師， 2024（3）： 43-48.

LIU C H. Research on Fuel Consumption Prediction of Heavy-Duty Diesel Vehicles Based on Neural Network[J]. Automotive Engineer， 2024（3）： 43-48.

1 前言

我國公路貨物運輸量逐年提高，同時，也使能源消耗量逐年增加，準確的燃油消耗量估算對于量化運輸過程中產生的能源成本十分重要。

針對重型車輛的油耗估算問題，邵良杉等[1]提出了一種基于粒子群優化反向傳播（Back Propagation，BP）神經網絡的油耗預測方法，并基于仿真數據驗證了該算法的有效性。顧清華等[2]提出了一種基于粒子群優化支持向量機（Particle Swarm Optimization-Support Vector Machine，PSO-SVM）的油耗預測算法，解決了傳統算法易陷入局部最優解的問題。但上述研究工作主要基于仿真數據開展。鄒智宏等[3]針對油耗預測建模過程中數據輸入的冗余問題，提出一種基于最大相關最小冗余算法與主成分分析方法相結合的冗余特征優化算法，并基于BP神經網絡建立了一種高速道路車輛油耗預測模型，可準確實現對高速路段運輸車輛的燃油消耗量預測。朱廣宇等[4]利用主成分分析法獲取了車輛油耗的關鍵影響因素，隨后，基于改進的C4.5決策樹構建車輛油耗估計模型，使用高速公路場景下車輛油耗的典型樣本數據進行測試，證明了該模型的有效性和實用性。Kanarachos等[5]基于移動設備收集到的不同駕駛條件下的油耗數據，利用循環神經網絡（Recurrent Neural Network，RNN）對車輛的瞬時油耗進行預測，實現了對車輛油耗的間接監控，但傳統的RNN容易出現梯度爆炸和梯度消失的問題，從而導致模型失效。王一婷等[6]定量分析了車輛的不同加速駕駛行為，基于一種共享權重的長短時記憶（Long Short-Term Memory，LSTM）神經網絡建立了車輛的油耗預測模型，實現了較為準確的油耗預測。

上述車輛油耗模型研究中，部分研究未使用真實的車輛行駛數據建模，模型并不能完全反映真實工況下油耗的變化情況，部分研究僅針對部分路段建立模型并進行了驗證，而由于車輛在不同路段的行駛狀態存在很大差異，模型的泛化能力有限。

為此，本文針對重型柴油車實測數據進行相關性分析，分別建立BP神經網絡油耗模型和LSTM神經網絡油耗模型，并分析2種模型在不同行駛路段的油耗預測效果。

2 數據來源及數據處理

2.1 數據預處理

本文使用的重型柴油車運行狀態數據及油耗數據基于實際道路駕駛測試采集獲得，試驗路線位于重慶市，該路線包含了城市道路、市郊道路和高速道路。根據已有的研究和現有的試驗數據采集設備，采集的重型車行駛數據主要包括車速、發動機轉速、發動機扭矩、環境溫度、經度、緯度、海拔、燃油消耗率、環境濕度、冷卻液溫度，數據采集頻率為1 Hz。在該路線進行了2次實際道路駕駛試驗，分別采集數據9 955條和10 583條。

受數據采集儀器的精度和行駛時交通狀況的限制，采集到的行駛工況數據往往存在質量問題，需要對數據進行預處理，將異常、重復數據刪除，補齊缺失數據。試驗路線屬于山地丘陵地段，使用采集的數據分別計算道路坡度、瞬態加速度和車輛比功率（Vehicle Specific Power，VSP）：

式中：ij為j時刻的道路坡度；hj為j時刻的高度差；xj為j時刻的水平方向位移；aj、vj分別為j時刻車輛的加速度、速度；Pvsj為j時刻車輛比功率；v為車速；m為車輛質量，本文取3 100 kg；g=9.8 m/s2為重力加速度；f為滾動阻力系數；δ為旋轉質量因子，取δ=0.2；CD為空氣阻力系數，取CD=0.9；A為迎風面積，取A=4 m2；ρ=1.225 kg/m3為空氣密度。

2.2 相關性分析

車輛行駛過程中，直接或間接影響油耗的因素很多，因此，提取油耗的顯著影響因素非常重要[7]。皮爾遜相關系數r是確定變量間是否具有線性關系的一種計算方法：

式中：n為樣本數量，xi、yi分別為2個變量的取值，[x]、[y]分別為xi、yi的平均值。

r的取值范圍為[-1，1]：r=0時，變量間不具有相關性；|r|∈（0，0.3）時，變量間具有非常弱的相關性；|r|∈[0.3，0.6）時，變量間具有中相關性；|r|∈[0.6，0.8）時，變量間具有強相關性；|r|∈[0.8，1.0）時，變量間具有極強相關性；當|r|=1時，兩變量完全線性變化。表1所示為不同影響因素與油耗間的皮爾遜相關系數，可以看出，發動機扭矩、發動機進氣量、車輛比功率、發動機轉速及車速均與油耗具有強相關性，加速度和坡度與油耗間的相關性不強，但對研究燃油消耗率是有意義的，而冷卻液溫度、環境溫度和濕度與油耗的相關系數很小。因此，使用發動機扭矩、發動機進氣量、車輛比功率、發動機轉速、車速、坡度及加速度構建油耗預測模型。

3 研究方法

3.1 BP神經網絡

BP神經網絡是一種信號前向傳播、誤差反向傳播的多層前饋神經網絡，其能夠有效識別特征間的非線性關系[8]。該神經網絡包括輸入層、中間層和輸出層，輸入層負責接收數據樣本矩陣，中間層負責數據樣本計算，輸出層負責輸出數據。如圖1所示，各層結構內和各神經元層結構之間連接緊密，各層結構之間采用全連接，網絡模型訓練過程主要可通過不斷地動態地調整模型權重及閾值等實現。

式中：Wo為輸出門權重，bo為輸出門偏置項。

4 重型車油耗預測模型建立

4.1 數據歸一化

由于本文數據屬性涉及范圍廣，不同特征維度的數據范圍不同，為了降低識別誤差，首先需對數據進行標準化處理，將其轉換為無量綱數據，便于不同單位的指標間進行比較和加權。本文采用Min-Max歸一化對網絡輸入數據進行處理：

x=（x′-x′min）/（x′max-x′min）? ? ? ? ? ? ? ? ? （15）

式中：x′、x分別為原始數據和經標準化后的數據，x′max、x′min分別為原始數據x′中的最大值和最小值。

4.2 BP神經網絡模型設置

通過相關性分析選取了7個與油耗相關性較強的因素，因此模型的輸入數據樣本維度為7，輸出數據維度為1，經嘗試并參考經驗公式，選取隱藏層數量為2層，神經單元數量為12個，故模型的模式為7-12-12-1。選擇Sigmoid函數為BP神經網絡模型隱含層的激活函數，選擇Purelin函數為輸出層激活函數。

設定最大迭代次數為500次，模型學習率設置為0.3，模型誤差大小設置為不小于0.5，模型誤差低于設定值或超過最大迭代次數時終止訓練，否則繼續執行。采用小批量梯度下降法，批量尺寸設置為128。

4.3 LSTM神經網絡模型設置

將LSTM神經網絡模型的時間步長設置為10，即用前10個歷史時間段的車輛運行狀態數據對下一時刻的油耗進行預測，同樣使用2個隱含層，隱含層節點數分別設置為128個、64個，經多次試驗，選擇tanh函數為隱含層激活函數，選擇Purelin函數作為輸出層激活函數。

設定最大迭代次數為500次，模型學習率為0.000 5，30次內模型誤差沒有降低或超過最大迭代次數時終止訓練，否則繼續執行。模型的優化器采用Adam優化算法，批量尺寸設置為128。

4.4 模型評價指標

常見的回歸評價指標有平均絕對誤差（Mean Absolute Error，MAE）、均方根誤差（Root Mean Squared Error，RMSE）、決定系數R2等。MAE用于表示整體模型的預測值的誤差；RMSE代表整體模型的預測值與實際值相互間的偏離程度；R2反映預測數據對實際數據的擬合效果。其中，決定系數值越接近1、MAE和RMSE越小，表明預測效果越好。

5 預測結果及分析

將2次試驗的車輛軌跡數據進行預處理后，使用第1次全行程數據共9 955條輸入到BP神經網絡模型與LSTM神經網絡模型分別進行訓練，保存各自結果最好的模型。由于不同路段的行駛工況存在很大差異，導致各路段間油耗差異很大，因此選取第2次試驗路線中城市、郊區和高速路段各1 000條數據來驗證2種模型的預測性能，圖4～圖6和表2所示為各路段的預測結果，其中，真實值為實際駕駛時采集的燃油消耗率，預測值是使用相關性分析得到的影響因素作為輸入，通過訓練好的BP神經網絡模型和LSTM神經網絡模型預測得到的結果。

根據使用同一數據集訓練得到的BP神經網絡油耗模型與LSTM神經網絡油耗模型對不同路段的預測結果可以看出，BP神經網絡模型的MAE、RMSE在城市、郊區路段均較LSTM神經網絡高，只有高速路段的MAE、RMSE較LSTM神經網絡模型低。比較2種模型在3種路段的R2結果可知：BP神經網絡模型對3種路段重型柴油車燃油消耗率的預測值與實際值的決定系數存在很大的差異，城市路段的R2僅為89.92%，高速路段的R2達到97.38%，郊區路段的R2在兩者之間；LSTM神經網絡模型對3種路段預測結果差異不大，3種路段的R2都達到了95%以上。由以上結果可得，在使用相同的數據集訓練模型時，LSTM神經網絡模型更為穩定、泛化能力更強。

6 結束語

本文使用重型柴油車實際道路行駛數據，選取與車輛油耗相關性較強的因素，建立了BP神經網絡油耗模型與LSTM神經網絡油耗模型，通過對比2種油耗模型在不同路段的燃油消耗率預測結果表明：LSTM神經網絡油耗模型對重型柴油車在城市、郊區路段下行駛時的油耗預測能力較BP神經網絡油耗模型強，BP神經網絡油耗模型僅在高速路段下預測能力略強于LSTM神經網絡油耗模型，但LSTM神經網絡模型對3種路段下行駛時的油耗預測值與真實值的R2均超過95%，而BP神經網絡模型的預測結果僅在高速路段R2>95%。重型柴油車實際駕駛中涉及的道路類型多樣，因此，使用LSTM神經網絡油耗模型能夠獲得更為準確的油耗預測結果。

由于本文僅采用了一種類型的車輛開展燃油消耗率數據實測，研究對象相對單一。在未來的研究中，將考慮采用更多類型車輛數據，進一步提升模型的適用性。

參考文獻

[1]? ?邵良杉， 趙藤野， 溫廷新， 等. PSO-BP神經網絡在露天礦卡車油耗預測中的應用[J]. 遼寧工程技術大學學報（自然科學版）， 2016， 35（7）： 689-694.

SHAO L S， ZHAO T Y， WEN T X， et al. PSO and BP Neural Network Application in Open-Pit Mine Truck Fuel Consumption Forecast[J]. Journal of Liaoning Technical University （Natural Science）， 2016， 35（7）： 689-694.

[2]? ?顧清華， 王騫， 江松， 等. 基于PSOGA-SVM的露天礦卡車油耗預測研究[J]. 礦業研究與開發， 2021， 41（8）： 161-166.

GU Q H， WANG Q， JIANG S， et al. Research on Fuel Consumption Prediction of Truck in Open-Pit Mine Based on PSOGA-SVM[J]. Mining Research and Development， 2021， 41（8）： 161-166.

[3]? ?鄒智宏， 李超， 鄧聚才， 等. 基于mRMR特征優化算法的油耗預測建模研究[J]. 計算機仿真， 2023， 40（3）： 186-191+301.

ZOU Z H， LI C， DENG J C， et al. Research on Fuel Consumption Prediction Modeling Based on Max-Relevance and Min-Redundancy Feature Optimization Algorithm[J]. Computer Simulation， 2023， 40（3）： 186-191+301.

[4]? ?朱廣宇， 趙蕾， 黃達， 等. 基于決策樹方法的車輛油耗估計模型[J]. 交通運輸系統工程與信息， 2016， 16（3）： 200-206.

ZHU G Y， ZHAO L， HUANG D， et al. A Method of Vehicle Fuel Consumption Estimation Based on Decision Tree[J]. Journal of Transportation Systems Engineering and Information Technology， 2016， 16（3）： 200-206.

[5] KANARACHOS S， MATHEW J， FITZPATRICK E M. Instantaneous Vehicle Fuel Consumption Estimation using Smartphones and Recurrent Neural Networks[J]. Expert Systems with Applications， 2019， 120： 436-447.

[6]? ?王一婷， 行本貝， 李彬， 等. 基于Shared-LSTM的重型卡車不同加速駕駛行為油耗預測方法[J]. 計算機與現代化， 2023（3）： 121-126.

WANG Y T， XING B B， LI B， et al. Fuel Consumption Prediction Method of Heavy Trucks with Different Acceleration Driving Behaviors Based on Shared-LSTM[J]. Computer and Modernization， 2023（3）： 121-126.

[7]? ?陳靜杰， 鄒迎歡. 油耗預測中顯著影響參數提取方法的仿真[J]. 計算機仿真， 2013， 30（6）： 55-58.

CHEN J J， ZOU Y H. Simulation for Significant Impact Parameter Extraction Method in Fuel Consumption Estimation[J]. Computer Simulation， 2013， 30（6）： 55-58.

[8]? ?吳明興， 谷昊霖， 別佩， 等. 基于螢火蟲算法改進BP神經網絡的電力用能行為預測方法[J]. 沈陽工業大學學報， 2023， 45（3）： 241-246.

WU M X， GU H L， BIE P， et al. Improved BP Neural Network Based on Firefly Algorithm for Predicting Electricity Energy Consumption Behavior[J]. Journal of Shenyang University of Technology， 2023， 45（3）： 241-246.

[9] JAGRUTHI H， KAVITHA C， MULIMANI M. Network Intrusion Detection Using Fusion Features and Convolutional Bidirectional Recurrent Neural Network[J]. International Journal of Computer Applications in Technology， 2022， 69（1）： 93-100.

[10] FATEMEHALSADAT M， KAREM C， RACHID L， et al. Convolutional Neural Network and Long Short-Term Memory Models for Ice-Jam Predictions[J]. The Cryosphere， 2022， 16（4）.

（責任編輯 斛 畔）

修改稿收到日期為2023年9月22日。