基于BP神经网络的油量损耗预测方法技术

本发明专利技术属于数据挖掘及汽车测试技术领域，具体涉及基于BP神经网络的油量损耗预测方法。包括如下步骤：S1，通过车辆传感器采集车辆驾驶行为数据，并由车辆传感器传回主系统；S2，对车辆驾驶行为数据进行标准化处理，获得车辆驾驶行为数据的回归问题数据集；S3，利用基于BP神经网络的回归方法建立油量损耗预测模型；S4，获得基于不同车辆驾驶行为的油耗预测结果。本发明专利技术具有能够有效地处理智能车辆油耗预测问题且预测精度高的特点。测问题且预测精度高的特点。测问题且预测精度高的特点。

【技术实现步骤摘要】
基于BP神经网络的油量损耗预测方法


[0001]本专利技术属于数据挖掘及汽车测试
，具体涉及基于BP神经网络的油量损耗预测方法。

技术介绍

[0002]在汽车驾驶过程中，很难针对驾驶者的驾驶行为指标与驾驶车辆的油耗的复杂关系，建立起有效的数学模型，因此在车辆油耗测试过程中，主要通过后勤部门的主管感受对不同驾驶者的驾驶行为进行评价。显然，上述这种完全依赖人工主管感受的评价方式会极大地影响评价结果的科学性，无法满足企业对快速预测不同驾驶行为油耗指标的要求。
[0003]为了解决评价过程中主观性强、效率较低的问题，学者们开始使用数据挖掘的方法来对不同驾驶车辆的油耗量进行预测，力求从大量车辆驾驶数据中提取出车辆传感器指标和油耗指标的映射规则，以辅助或代替后勤人员完成对车辆油耗的感官预测。当前主要以线性回归方法来解决车辆驾驶的智能化油耗预测问题。
[0004]然而，车辆驾驶历史数据复杂，采用线性回归会遇到一些困难，例如有时候在回归分析中，选用何种因子和该因子采用何种表达式只是一种推测，这影响了因子的多样性和某些因子的不可测性，使得回本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于BP神经网络的油量损耗预测方法，其特征在于，包括如下步骤：S1，通过车辆传感器采集车辆驾驶行为数据，并由车辆传感器传回主系统；S2，对车辆驾驶行为数据进行标准化处理，获得车辆驾驶行为数据的回归问题数据集；S3，利用基于BP神经网络的回归方法建立油量损耗预测模型；S4，获得基于不同车辆驾驶行为的油耗预测结果。2.根据权利要求1所述的基于BP神经网络的油量损耗预测方法，其特征在于，步骤S2中所述车辆驾驶行为数据包括空调运行时长、加热器运行时长、绿区时长、脉冲量、怠速时长、行驶时长、发动机运行时长、GPS里程、脉冲里程、过长怠速次数、过长怠速时长、急加速次数、急加速时长、急减速次数、急减速时长、超转次数、超转时长、怠速空调次数、怠速空调时长、空挡滑行次数、空档滑行时长、疲劳驾驶次数、疲劳驾驶时长、长时间刹车次数、长时间离合次数、猛踩油门次数、大油门次数、停车踩油门次数、冷车行驶次数、停车立即熄火次数、长刹车时长、长离合时长、急踩油门时长、大踩油门时长、停车踩油门时长、立即起步时长和立即停车时长。3.根据权利要求2所述的基于BP神经网络的油量损耗预测方法，其特征在于，步骤S3中所述建立油量损耗预测模型的过程如下：根据车辆驾驶行为的历史数据，利用数据挖掘技术建立BP神经网络模型，利用生成的BP神经网络模型对不同车辆驾驶行为进行百公里油耗预测。4.根据权利要求3所述的基于BP神经网络的油量损耗预测方法，其特征在于，步骤S3包括如下步骤：S31，采集所有营运车辆某一月份的历史驾驶数据，建立油量损耗预测方法的训练数据样本集；S32，对油量损耗预测模型的训练数据样本集进行预处理，所述预处理为进行min
‑
max标准化处理；S33，利用反馈神经网络BPNN的数据挖掘技术，建立油量损耗预测模型。5.根据权利要求4所述的基于BP神经网络的油量损耗预测方法，其特征在于，所述油量损耗预测方法的训练数据样本集包括车辆驾驶行为数据和营运车辆百公里油耗数据。6.根据权利要求5所述的基于BP神经网络...

【专利技术属性】
技术研发人员：张忠良，张晨玥，郦洪杰，雒兴刚，蔡灵莎，
申请(专利权)人：杭州电子科技大学，
类型：发明
国别省市：