基于多模型融合的电动汽车行驶里程预测

纯电动汽车行驶里程预测是驾驶者最关心的问题之一，为解决现有预测算法模型精度低、相对误差大的问题，本文采用融合片段回归与单点分类的机器学习方法对行驶里程进行预测.以真实车辆各项状态参数、环境信息等作为输入，通过聚类和过滤封装式特征筛选，提取最优特征集合，并基于行驶片段样本量选择预测方法，通过对环境温度和电池健康状态(SOH)进行分层耦合提高片段回归预测精度，通过单点分类和片段回归预测模型融合优化最终预测结果.行驶里程测试集预测结果中均方根相对误差(RMSRE)为0.035，平均相对误差为1.71%，能够精确稳定地实现行驶里程预测.     

基于多模型融合的电动汽车行驶里程预测

纯电动汽车行驶里程预测是驾驶者最关心的问题之一，为解决现有预测算法模型精度低、相对误差大的问题，本文采用融合片段回归与单点分类的机器学习方法对行驶里程进行预测.以真实车辆各项状态参数、环境信息等作为输入，通过聚类和过滤封装式特征筛选，提取最优特征集合，并基于行驶片段样本量选择预测方法，通过对环境温度和电池健康状态(SOH)进行分层耦合提高片段回归预测精度，通过单点分类和片段回归预测模型融合优化最终预测结果.行驶里程测试集预测结果中均方根相对误差(RMSRE)为0.035，平均相对误差为1.71%，能够精确稳定地实现行驶里程预测.     

考虑数据异质性的贝叶斯混合回归退化建模

针对退化数据的异质性问题,提出基于随机效应混合回归的贝叶斯退化建模与剩余使用寿命预测方法.通过模型随机参数的混合概率分布描述异质性退化数据的统计特征,并利用分层先验和Gibbs算法进行贝叶斯参数估计.进而,将随机参数的贝叶斯估计作为有信息先验,利用在线观测数据进行贝叶斯参数更新和剩余使用寿命估计.通过涡轮发动机退化数据验证了所提方法的剩余使用寿命预测性能.实验结果表明,考虑了异质性影响的贝叶斯混合回归退化建模方法,能更好地刻画设备个体的退化特征,提高了预测准确度.     

�綯������ʻ�������SOC ����Է����뽨ģ

为解决电动汽车驾驶员里程焦虑问题,并为车辆行驶里程预测提供重要依据,本文提出一种基于数据驱动的方法来探讨电动汽车行驶里程和电池SOC之间的关系。首先对采集的原始数据进行删除、插值和平均处理,再对电动汽车行驶里程和电池SOC进行相关性分析并建立模型,利用递推最小二乘法对模型参数进行辨识。利用北京市运营物流电动车的数据对建立的模型及参数辨识结果进行验证。实验结果表明,本文采用的基于数据驱动预测行驶里程的方法是可行的,所建立的行驶里程与电池SOC模型具有较高的准确度。     

电动汽车行驶里程与电池SOC 相关性分析与建模

为解决电动汽车驾驶员里程焦虑问题,并为车辆行驶里程预测提供重要依据,本文提出一种基于数据驱动的方法来探讨电动汽车行驶里程和电池SOC之间的关系.首先对采集的原始数据进行删除、插值和平均处理,再对电动汽车行驶里程和电池SOC进行相关性分析并建立模型,利用递推最小二乘法对模型参数进行辨识.利用北京市运营物流电动车的数据对建立的模型及参数辨识结果进行验证.实验结果表明,本文采用的基于数据驱动预测行驶里程的方法是可行的,所建立的行驶里程与电池SOC模型具有较高的准确度.     

融合多源数据预测高速公路站间旅行时间

为精确预测高速公路站间旅行时间,融合收费数据和微波车检数据开展预测. 首先,基于两种数据源的预测结果,采用决策级融合策略;然后,建立了权重分配预测模 型、BP神经网络预测模型;针对神经网络收敛速度慢,易陷入局部最优的缺陷,基于遗传 算法优化BP神经网络预测模型;最后,利用京哈高速公路北京段收费数据和微波检测器 数据对3 种融合模型进行了验证,对比工作日及非工作日2 种交通流状态下3 种模型的性 能指标.试验结果表明,基于遗传神经网络的融合模型相比其他2 种模型,预测精度及稳 定性均得到了较高的提升,相对误差控制在10%以内,能够更好地满足实际需求.     

基于改进Logistic-SSA-BP神经网络的地铁短时客流预测研究

地铁客流的变化规律存在着一定周期性和潮汐性,针对地铁客流的预测有助于提高城市轨道系统的运营效率,实现轨道交通智慧化运营。为提高地铁短时客流预测结果的准确度,提出了一种基于Logistic混沌映射麻雀算法(Logistic-SSA)优化BP神经网络的地铁客流短时预测模型。该模型通过Logistic混沌映射初始化麻雀算法种群,再利用改进后的麻雀算法优化BP神经网络,达到提高BP神经网络的全局搜索能力和收敛效率;以深圳地铁西乡站进、出站AFC刷卡数据为例,利用构建的预测模型开展客流预测实验,并通过3种准确性评价指标(MAE、RMSE、MAPE),评价改进前后模型预测的准确性。研究结果表明：改进的Logistic-SSA-BP预测模型平均绝对百分误差分别为14.96%和13.73%;与传统BP预测模型相比,其客流预测结果具有更高的准确性。     

基于猎人猎物优化与双向长短时记忆组合模型的汽车出车率预测

汽车出车率预测对于交通管理者预先制定精准化管控方案、实施协调化统筹调度，以及调控汽车保有量规模具有重要意义。为此，本文提出一种基于猎人猎物优化算法与双向长短时记忆神经网络组合模型(HPO-BiLSTM)的汽车出车率预测方法。首先，分析汽车出车率的关键影响因素，提取出17个特征影响因子，结合标准化处理后的重构时间序列，基于随机森林算法进行变量的重要度评估，筛选出最优特征集合作为预测模型输入；其次，为解决神经网络算法容易陷入局部极值的难题，建立一种融合猎人猎物优化算法(HPO)与双向长短时记忆神经网络(BiLSTM)的组合预测模型，利用HPO的探索-开发机制，实现BiLSTM框架的动态化搭建与精细化调参；最后，结合北京市中心城区的汽车出车率数据集进行模型性能的测试与检验。结果表明：与自回归差分移动平均模型、灰色模型、卷积神经网络模型、长短时记忆神经网络模型以及双向长短时记忆神经网络模型等经典算法相比，HPO-BiLSTM模型在汽车出车率预测中的平均绝对误差(MAE)、平均绝对百分比误差(MAPE)和均方根误差(RMSE)分别降低了23.85%～54.38%、20.67%～57.40%、27...     

基于最小二乘支持向量机阀控式铅酸蓄电池寿命预测

提出了一种新的电池寿命预测模型,即基于最小二乘支持向量机的电池寿命预测.首先阐述了最小二乘支持向量机的主要思想和基本算法,然后建立寿命预测模型,并利用此预测模型对实验数据进行了比较验证.验证结果表明,该模型在阀控式铅酸蓄电池寿命预测中具有很好的实用性,预测值与实测值能够保持很好的一致性.因此,基于最小二乘支持向量机的阀控式铅酸蓄电池寿命预测方法是切实可行的.     

基于ABP-EKF算法的锂电池SOC估计

电池荷电状态(state of charge,SOC)的准确估计是电动汽车合理实施电池管理的前提条件和重要依据.针对目前电动汽车对动力电池SOC估计精度的不断提高这一问题,利用联合估计法对锂电池SOC进行研究.基于Thevenin电池模型与修正的安时积分算法,推导出了锂电池的输出方程以及状态空间模型,通过采集实验过程中的相关数据并应用递推最小二乘法对电池模型参数作出辨识.分析了扩展卡尔曼滤波(EKF)算法以及自适应BP神经网络算法的原理,联合两种算法并在此基础上提出了自适应BP-EKF算法(ABP-EKF).运用所提出的算法对锂离子电池SOC进行联合估计,最后通过对比ABP-EKF与EKF两种算法估计锂电池SOC的数据,研究结果表明:所提出ABP-EKF算法相比于EKF算法在均值误差项与均方根误差项分别减少了3.9％和3.79％.     

基于粒子群优化小波神经网络的行程时间预测

为使道路使用者在出发前获得具有高实时性和可靠性的行程时间预测信息，提高出行效率，需提升高速公路行程时间的预测精度。鉴于此，将生物学中粒子群优化算法（Particle Swarm Optimization Algorithm, PSO）引入小波神经网络（Wavelet Neural Network, WNN）中，构建基于粒子群优化小波神经网络（Particle Swarm Optimization Wavelet Neural Network, PSO-WNN）的高速公路行程时间预测模型。首先将高速公路原始收费数据规整化，截取其中有效字段，获取研究路段一个月的行程时间数据并对其进行数据处理。然后分别基于PSO-WNN模型和WNN模型，利用Matlab进行实验。实验结果显示，PSO-WNN模型预测结果的平均绝对误差、平均相对误差和均方误差较WNN模型分别降低了83.36%, 82.20%和98.15%。PSO-WNN行程时间预测模型不仅预测精度高，而且能较准确地预测出行程时间的走向及波动情况，在收敛速度方面也呈现出一定的优势，具有较好的适应能力。     

基于Cruise-Carsim联合仿真的电动汽车动力性经济性分析

为了解决单一软件对电动汽车性能仿真分析中存在的误差和不足的问题,提出了一种基于Cruise-Carsim联合仿真的建模方法。首先将Carsim中内置的传动系统与Simulink平台建立的电池、电机及控制策略模型相匹配,建立了某型电动汽车的Carsim整车模型,然后将Cruise中建立的以传动系统为核心的电动汽车模型与Carsim整车模型相衔接,构成了完整的电动汽车整车联合仿真模型,最后对比分析了单一软件和联合仿真平台所建立的电动汽车仿真模型动力性和经济性方面的各项误差率。结果表明:联合仿真模型的动力性、经济性仿真结果均达到预期目标,验证了Cruise-Carsim联合仿真模型的可行性。     

民用汽车拥有量非线性时空组合预测模型

基于时空理论,结合未来我国经济发展趋势,对中国民用汽车拥有量进行预测. 首先,根据国内外汽车发展经验,利用灰色Verhulst模型拟合中国汽车拥有量的发展规律,并初步估计中国未来20年汽车拥有量;然后,根据关联理论筛选出与民用汽车拥有量关系密切的若干个社会经济指标,运用主成分分析法对这些指标进行降维,提取出几个主要的彼此不相关的综合指标,运用计量经济学理论建立民用汽车拥有量预测模型,并再次估计中国未来20年汽车拥有量;结合上述两个模型的优点,利用BP神经网络建立非线性组合预测模型. 2003～2007年数据证实该非线性组合预测模型具有更强的可靠性和预测精度. 最后利用该非线性组合预测模型对中国未来20年的民用汽车拥有量进行预测.     

Non-Linear Combined Prediction Model of Medium and Long-Term Civil Vehicle Population of China

With consideration of the economy development tendency in China, a civil vehicle population prediction model is developed based on the space-time theory. First, with the domestic and international experience on vehicle development, the gray Verhulst model is used to describe the vehicle population development tendency and predict the vehicle population in the next 20 years. Second, several social and economical indexes related to the civil vehicle population are selected by comparing the correlation coefficient value, and then, the principal component method is used to reduce dimension of the selected indexes and obtain some principal indexes. Based on the econometrics theory, a forecasting model is formulated to predict the vehicle population in the next 20 years. Integrating these two forecasting models, a non-liner combination forecasting model is developed based on the BP neural network. The reliability and accuracy of the linear combination forecasting model are tested by the vehicle data from 2003 to 2007. Finally, the civil vehicle population of China in the next 20 years is predicted based on the linear combination forecasting model.     

��������ӵ����������ʱ�����Ԥ��ģ��

基于时空理论,结合未来我国经济发展趋势,对中国民用汽车拥有量进行预测. 首先,根据国内外汽车发展经验,利用灰色Verhulst模型拟合中国汽车拥有量的发展规律,并初步估计中国未来20年汽车拥有量;然后,根据关联理论筛选出与民用汽车拥有量关系密切的若干个社会经济指标,运用主成分分析法对这些指标进行降维,提取出几个主要的彼此不相关的综合指标,运用计量经济学理论建立民用汽车拥有量预测模型,并再次估计中国未来20年汽车拥有量;结合上述两个模型的优点,利用BP神经网络建立非线性组合预测模型. 2003～2007年数据证实该非线性组合预测模型具有更强的可靠性和预测精度. 最后利用该非线性组合预测模型对中国未来20年的民用汽车拥有量进行预测.     

轨迹数据驱动的车辆换道意图识别研究

为实现准确识别车辆换道意图，提高车辆行驶安全性，综合考虑车辆换道过程的时空特性及不同特征对车辆的影响程度，提出一种基于卷积神经网络(CNN)与门控循环神经网络(GRU)组合并融合注意力机制的换道意图识别模型。首先，筛选和平滑处理车辆轨迹数据，将车辆轨迹数据分为向左换道、向右换道及直线行驶3类，构建换道意图样本集。其次，构建融合注意力机制的 CNN_GRU模型，识别换道意图样本集，考虑到行驶过程中车辆之间的交互性，将被预测车辆和周围车辆的位置和速度信息作为模型的输入，经过CNN层特征提取的特征作为GRU层的输入，经过注意力机制层对不同的特征增加不同的权重系数，利用 Softmax 层识别换道意图。最后，选用 NGSIM 中 US-101 数据集的轨迹数据验证融合注意力机制的 CNN_GRU模型性能， 同时，与LSTM、GRU、CNN_GRU及CNN_LSTM_Att等模型进行对比分析。验证结果表明，所提模型车辆换道意图识别整体准确率达到97.37%，迭代时间为6.66 s，相比于其他模型准确率最多提高9.89%，最少提高2.1%。分析不同预判时间下的意图识别，模型可在车辆换道前2 s 内均能识别换道意图，准确率在89%以上，表现出良好的识别性能。     

基于动态建模仿真的纯电动汽车动力性分析

针对纯电动汽车的动力性分析问题,根据电机的测试数据,建立基于Simulink的动态仿真模型,并进行纯电动汽车动力性指标的仿真计算。结果表明:动态建模仿真方法比传统的动力性计算方法更方便更有效,能反映纯电动汽车在实际道路行驶时负载突变状态下整车的动力性能特点。     

神经网络在交通流信息融合中的应用

在城市交通控制系统中可利用数据融合技术获得准确的车辆状态和身份估计,并将相关信息用于交通管理的决策.应用人工神经网络的方法在多传感器信息融合的基础上,提出了一种基于信息融合思想的神经网络模型,并通过实际验证了其有效性及可靠性.