一种货车油耗预测方法、系统、设备及存储介质技术方案

本申请例提供了一种货车油耗预测方法、系统、设备及存储介质，包括：采集货车的油耗时间序列数据；对油耗时间序列数据进行预处理，将处理好的油耗时间序列数据输入预先训练好的时间序列油耗预测模型中，输出货车的油耗预测值；其中，时间序列油耗预测模型采用Adam损失函数进行优化，并通过正则化方法减少过拟合。利用长短期记忆神经网络捕捉时间序列的依赖关系和注意力机制挖掘时间序列中的关键信息，从而更准确地预测货车的油耗。并进行了多种特征的融合，进一步提高了模型的预测精准度，够更快地收敛并避免陷入局部最优解，还采用了正则化等技术，减少了模型过拟合的风险，能够提高模型的泛化性能，使得预测结果更加准确可靠。靠。靠。

【技术实现步骤摘要】
一种货车油耗预测方法、系统、设备及存储介质


[0001]本申请涉及数据挖掘
，尤其涉及一种货车油耗预测方法、系统、设备及存储介质。

技术介绍

[0002]随着油价上涨，货车油耗问题不仅给物流运输行业带来经济压力，也加剧了环境污染问题。因此，研究货车油耗具有重要的意义和应用前景。
[0003]目前一般利用神经网络技术来研究货车油耗，基于传统机器学习算法的油耗预测模型的是基于统计学和机器学习方法来预测车辆的油耗，忽视了货车实际的行驶中复杂的路谱路况和驾驶情境的束缚，只从数据和算法角度很难应对复杂的实际问题。大多数算法需要手动选择特征和参数，并且无法捕捉复杂的非线性关系。而传统的基于时序的模型，无法处理长期依赖，在长序列的情况下，可能会出现梯度消失或梯度爆炸的问题，并且对数据的要求较高，需要手动提取特征，不能很好的考虑外部因素的影响。

技术实现思路

[0004]本申请实施例提供了一种货车油耗预测方法、系统、设备及存储介质，用以解决上述问题。
[0005]首先，本申请实施例提供了一种货车油耗预测方法，所述方法包括：采集所述货车的油耗时间序列数据；对所述油耗时间序列数据进行预处理，将处理好的油耗时间序列数据输入预先训练好的时间序列油耗预测模型中，输出所述货车的油耗预测值；其中，所述时间序列油耗预测模型采用Adam损失函数进行优化，并通过正则化方法减少过拟合。
[0006]在本申请的一种实现方式中，所述时间序列油耗预测模型的训练过程，具体为：将预处理之后的油耗时间序列数据划分为训练集和测试集；构建时间序列油耗预测模型，将所述训练集输入所述时间序列油耗预测模型中的长短期记忆网络模块，得到每个时刻的时间序列依赖特征；基于所述时间序列依赖特征，得到周期特征，并获取所述时间序列依赖特征所对应的的权重系数；基于所述权重系数，对所述周期特征与长短期记忆模块的最终输出信息进行加权融合，得到油耗预测值。
[0007]在本申请的一种实现方式中，所述采集所述货车的油耗时间序列数据之后，所述方法还包括：对获取的油耗时间序列数据进行合并编码得到多影响变量特征；基于Z
‑
score标准化方式对所述多影响变量特征进行标准化，以使所述多影响变量特征符合标准正态分布。
[0008]在本申请的一种实现方式中，基于所述时间序列依赖特征，得到周期特征的过程，具体为：将所述长短期记忆网络模块中每个时刻的时间序列依赖特征输入到注意力模块中，得到注意力分数；将所述注意力分数与每个时刻的时间序列依赖特征相乘，得到所述周期特征。
[0009]在本申请的一种实现方式中，进行加权融合之后，所述方法还包括：将所述长短期
记忆网络模块中每个时刻的时间序列依赖特征输入注意力模块，计算每个时刻的注意力得分；将注意力得分与时间序列依赖特征相乘并求和得到时间序列依赖特征的周期性变化规律。
[0010]在本申请的一种实现方式中，所述油耗时间序列数据包括以下任意一项至多项：时间、车架号、经纬度坐标、累计行驶里程、车速、发动机转速、累计运行燃料消耗、累计运行时间、发动机内部扭矩、车外环境压力、车外环境温度、机油压力、循环喷油量、内部扭矩百分比、油门踏板开度、发动机冷却液温度、发动机小时燃料消耗、发动机故障码、制动开关状态、离合器状态。
[0011]在本申请的一种实现方式中，对所述油耗时间序列数据进行预处理，具体为：经线性插补后去除入模变量含有空值的行，并去除重复时间中多余的行；基于预设转速值和预设扭矩值，滤除不满足预设值的数据；基于预设时间阈值，滤除数据片段不足预设时间阈值的数据。
[0012]其次，本申请实施例还提供了一种货车油耗预测系统，所述系统包括：数据采集模块，用于采集所述货车的油耗时间序列数据；数据预处理模块，用于对所述油耗时间序列数据进行预处理；预测模块，用于将处理好的油耗时间序列数据输入预先训练好的时间序列油耗预测模型中，输出所述货车的油耗预测值；其中，所述时间序列油耗预测模型采用Adam损失函数进行优化，并通过正则化方法减少过拟合。
[0013]再其次，本申请实施例还提供了一种货车油耗预测设备，所述设备包括：至少一个处理器；以及，与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够完成如前述的货车油耗预测方法。
[0014]最后，本申请实施例还提供了一种货车油耗预测的非易失性计算机存储介质，存储有计算机可执行指令，所述计算机可执行指令用于执行如前述的货车油耗预测方法。
[0015]本申请实施例提供了一种货车油耗预测方法、系统、设备及存储介质，利用长短期记忆神经网络捕捉时间序列的依赖关系和注意力机制挖掘时间序列中的关键信息，从而更准确地预测货车的油耗。并进行了多种特征的融合，进一步提高了模型的预测精准度。使用了基于Adam优化算法的损失函数，能够更快地收敛并避免陷入局部最优解，还采用了正则化等技术，减少了模型过拟合的风险，能够提高模型的泛化性能，使得预测结果更加准确可靠。
附图说明
[0016]此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：
[0017]图1为本申请实施例提供的一种货车油耗预测方法流程图；
[0018]图2为本申请实施例模型的训练流程图；
[0019]图3本申请实施例提供的一种货车油耗预测系统组成图；
[0020]图4本申请实施例提供的一种货车油耗预测设备示意图。
具体实施方式
[0021]为使本申请的目的、技术方案和优点更加清楚，下面将结合本申请具体实施例及相应的附图对本申请技术方案进行清楚、完整地描述。显然，所描述的实施例仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
[0022]本申请实施例提供了一种货车油耗预测方法、系统、设备及存储介质，下面通过附图对本申请实施例提出的技术方案进行详细的说明。
[0023]图1为本申请实施例提供的一种货车油耗预测方法流程图。如图1所示，该方法主要包括以下步骤：
[0024]步骤S1：采集所述货车的油耗时间序列数据。
[0025]在本申请实施例中，通过相关货运车队的车机采集原始信息获得时间序列数据，采集参数包括但不限于采集时间、车架号、经纬度坐标、累计行驶里程、车速、发动机转速、累计运行燃料消耗、累计运行时间、发动机内部扭矩、车外环境压力、车外环境温度、机油压力、循环喷油量、内部扭矩百分比、油门踏板开度、发动机冷却液温度、发动机小时燃料消耗、发动机故障码、制动开关状态、离合器状态等与路谱路况相关的特征。
[0026]进一步地，对获取的油耗时间序列数据进行合并编码得到多影响变量特征；基于Z
‑
...

【技术保护点】

【技术特征摘要】
1.一种货车油耗预测方法，其特征在于，所述方法包括：采集所述货车的油耗时间序列数据；对所述油耗时间序列数据进行预处理，将处理好的油耗时间序列数据输入预先训练好的时间序列油耗预测模型中，输出所述货车的油耗预测值；其中，所述时间序列油耗预测模型采用Adam损失函数进行优化，并通过正则化方法减少过拟合。2.根据权利要求1所述的货车油耗预测方法，其特征在于，所述时间序列油耗预测模型的训练过程，具体为：将预处理之后的油耗时间序列数据划分为训练集和测试集；构建时间序列油耗预测模型，将所述训练集输入所述时间序列油耗预测模型中的长短期记忆网络模块，得到每个时刻的时间序列依赖特征；基于所述时间序列依赖特征，得到周期特征，并获取所述时间序列依赖特征所对应的的权重系数；基于所述权重系数，对所述周期特征与长短期记忆模块的最终输出信息进行加权融合，得到油耗预测值。3.根据权利要求1所述的货车油耗预测方法，其特征在于，所述采集所述货车的油耗时间序列数据之后，所述方法还包括：对获取的油耗时间序列数据进行合并编码得到多影响变量特征；基于Z
‑
score标准化方式对所述多影响变量特征进行标准化，以使所述多影响变量特征符合标准正态分布。4.根据权利要求2所述的货车油耗预测方法，其特征在于，基于所述时间序列依赖特征，得到周期特征的过程，具体为：将所述长短期记忆网络模块中每个时刻的时间序列依赖特征输入到注意力模块中，得到注意力分数；将所述注意力分数与每个时刻的时间序列依赖特征相乘，得到所述周期特征。5.根据权利要求2所述的货车油耗预测方法，其特征在于，进行加权融合之后，所述方法还包括：将所述长短期记忆网络模块中每个时刻的时间序列依赖特征输入注意力模块，计算每个时刻的注意力得分；将注意力得分与时间序列依赖特征相乘...

【专利技术属性】
技术研发人员：王朋，王笑颜，徐豪，张树峰，纪凯，
申请(专利权)人：济南工程职业技术学院，
类型：发明
国别省市：