在深度学习框架中,在没有车载诊断系统的情况下优化燃料消耗预测模型

科学领域:

• 汽车工程 汽车工程
• 机器学习 机器学习
• 环境科学 环境科学

背景情况:

• 准确的实时燃料消耗率 (FCR) 预测对于提高车辆能源效率和减少排放至关重要.
• 传统方法通常需要特定的车辆参数和环境数据,这限制了它们的适用性.
• 车载诊断 (OBD) 系统通常用于FCR数据采集,但可能是复杂的.

研究的目的:

• 提出一个新的,数据驱动的FCR预测模型,使用随时可用的车辆数据.
• 通过深度学习和概率方法提高预测的准确性和可靠性.
• 减少对复杂的车辆特定参数和环境条件的依赖.

主要方法:

• 开发贝叶斯优化和蒙特卡洛 (MC) 脱落式长期短期记忆 (BMC-LSTM) 网络.
• 仅使用车辆快门位置,速度和加速度数据进行预测.
• 集成贝叶斯优化用于超参数调整和MC-Dropout用于不确定性量化.

主要成果:

• 与传统的LSTM,双向LSTM,XGBoost,支持向量回归和多项式模型相比,BMC-LSTM模型实现了更高的预测准确度.
• 拟议的方法显示了显著更高的R平方得分和减少的错误指标 (MSE,RMSE,MAE).
• 该模型提供了校准的预测和对分布漂移的稳定性.

结论:

• BMC-LSTM模型为实时FCR预测提供了具有成本效益和准确的解决方案.
• 这种方法简化了FCR预测,因为在推断时只需要基本的车辆运动数据.
• 该方法提高了车辆的能源效率和减排潜力.