【技术实现步骤摘要】
本申请属于智能交通和机器学习，具体涉及一种用于碳交易的车辆油耗数据预测方法及系统。
技术介绍
1、碳排放是影响气候变化的主要因素之一。目前，全球范围内制定了多种碳排放政策和法规，以减少温室气体排放并降低对气候的不利影响。车辆在全球碳排放中占据重要地位，监测和管理这些车辆的碳排放是减少温室气体排放的关键部分。因此，车辆油耗数据预测成为一种有效手段，用于为碳交易市场提供准确的碳排放估算。这种预测不仅有助于监测车辆的环保性能，还有助于鼓励驾驶者采取更环保的行驶方式和车辆选择。
2、车辆油耗数据的高精度预测依赖于精准的输入数据。现阶段研究主要集中于选择更合适的机器学习方法对其进行预测，大多数忽略了在数据预处理方面对数据的分层处理，这使得车辆油耗预测存在一定的局限性，导致区域车辆碳排放估算和碳交易价格的预测精度也随之降低。
3、因此，如何提高车辆油耗数据预测的精度以用于碳交易价格的预测是目前亟需解决的技术问题。
技术实现思路
1、本申请实施例的目的是提供一种用于碳交易的车辆油耗数据预测方法及系统，对获取的数据进行了分层处理，通过两层数据分别输出后综合损失函数训练人工神经网络模型，提高车辆油耗数据预测的精度，并用其辅助碳交易价格的预测，从而可以解决
技术介绍
中涉及的至少一个技术问题。
2、为了解决上述技术问题，本申请是这样实现的：
3、本申请实施例提供了一种用于碳交易的车辆油耗数据预测方法，包括以下步骤：
4、步骤s1，获取车辆真实驾驶
5、步骤s2，对获取的数据进行分层处理，将其分为微观层数据和介观层数据；
6、步骤s3，分别对微观层数据和介观层数据进行归一化处理；
7、步骤s4，构建具有两层隐藏层的人工神经网络框架模型分别对微观层数据和介观层数据进行预测输出，获得两个损失函数；
8、步骤s5，将两个损失函数结合正则化项，整合正则化后的两个损失函数得到总损失函数，利用总损失函数训练人工神经网络框架模型；
9、步骤s6，将训练后的人工神经网络框架模型的油耗预测结合碳排放因子进行碳排放估算；
10、步骤s7，根据具体车辆碳排放估算值计算得出区域内的车辆碳排放预测值；
11、步骤s8，区域内的车辆碳排放预测值用于辅助碳交易价格的预测。
12、作为本申请的一种改进，步骤s1中，所述数据为1hz频率的车辆真实驾驶数据，包括速度v，加速度a，道路坡度i，里程s，环境温度e以及累积消耗的燃料q。
13、作为本申请的一种改进，步骤s2中，所述微观层数据为步骤s1中收集到的1hz频率的车辆真实驾驶数据；所述介观层数据为在微观层数据基础上进行处理后的7个数据，处理方法如下：
14、
15、
16、
17、
18、
19、
20、
21、其中：x代表分析片段的索引；t代表分析片段的时间跨度，即5min,10min,20min,30min,60min；t代表时间跨度的索引，t＝{1，2，...，t}；代表片段x的平均速度；代表片段x在第t秒的累积里程；vσx代表片段x的速度标准差；代表片段x在第t秒的瞬时速度；代表片段x的平均加速度；aσx代表片段x的加速度标准差；代表片段x在第t秒的瞬时加速度；代表片段x的平均道路坡度；代表片段x在第t秒的道路坡度；代表片段x的平均环境温度；代表片段x在第t秒的环境温度；ηx代表片段x的燃料使用率；qx代表片段x结束时累积消耗的燃料。
22、作为本申请的一种改进，步骤s3中，采用最小-最大归一化方法对微观层数据和介观层数据进行归一化处理，具体为：
23、
24、
25、其中：m′p代表进行了最小-最大归一化方法后的微观层数据；mp代表未进行归一化的微观层数据；min(mp)代表微观层数据中特征值p在对应特征值的整个数据集中的最小值；max(mp)代表微观层数据中特征值p在对应特征值的整个数据集中的最大值，p∈{v，a，i，s，e，q}；n′q代表进行了最小-最大归一化方法后的介观层数据；nq代表未进行归一化的介观层数据；min(n2)代表介观层数据中特征值q在对应特征值的整个数据集中的最小值；max(nq)代表介观层数据中特征值q在对应特征值的整个数据集中的最大值，
26、作为本申请的一种改进，步骤s4中，微观层数据在人工神经网络模型的输入为一组j维的向量m＝(m1，m2，...，mj)t，介观层数据在人工神经网络模型的输入为一组j维的向量n＝(n1，n2，...，nj)t；
27、构建具有两层隐藏层的人工神经网络框架模型分别对微观层数据和介观层数据进行预测输出，包括：
28、构建具有两层隐藏层的人工神经网络框架模型对微观层数据进行预测输出，获得损失函数，具体方法为：
29、第一隐藏层神经元的输出：
30、
31、第二隐藏层神经元的输出：
32、
33、微观层数据的最终神经元输出：
34、
35、其中：ak代表第一隐藏层神经元的输出；f1代表第一隐藏层的激活函数；mh代表微观层数据的输入特征；rhk代表输入层与第一隐藏层各节点间的权重；ak代表第一隐藏层的神经元偏差；bl代表第二隐藏层的神经元输出；f2代表第二隐藏层的激活函数；wkl代表第一隐藏层与第二隐藏层各节点间的权重；bl代表第二隐藏层的神经元偏差；ym代表微观层数据的1个神经元输出层；ul代表第二隐藏层与输出层之间的权重；γ代表输出层的神经元偏差；
36、获取人工神经网络框架对微观层数据预测的损失函数，具体方法为：
37、
38、其中：代表人工神经网络框架对微观层数据预测的损失函数值；n代表微观层数据样本数量；yi代表微观层数据的第i个样本的实际油耗值；代表微观层数据的第i个样本的预测油耗值；
39、构建具有两层隐藏层的人工神经网络框架模型对介观层数据进行预测输出，获得损失函数，具体方法为：
40、第一隐藏层神经元的输出：
41、
42、第二隐藏层神经元的输出：
43、
44、介观层数据的最终神经元输出：
45、
46、获取人工神经网络框架对介观层数据预测的损失函数，具体方法为：
47、
48、其中：代表人工神经网络框架对介观层数据预测的损失函数值；n代表介观层数据样本数量；yj代表介观层数据的第j个样本的实际油耗值；代表介观层数据的第j个样本的预测油耗值。
49、作为本申请的一种改进，步骤s5中，所述将两个损失函数结合正则化项，具体方法为：
50、
51、
52、其中：代表结合正则化项后的微观层数据预测的损失函数值；λ本文档来自技高网...
【技术保护点】
1.一种用于碳交易的车辆油耗数据预测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的方法，其特征在于，步骤S1中，所述数据为1Hz频率的车辆真实驾驶数据，包括速度v，加速度a，道路坡度i，里程S，环境温度E以及累积消耗的燃料Q。
3.根据权利要求2所述的方法，其特征在于，步骤S2中，所述微观层数据为步骤S1中收集到的1Hz频率的车辆真实驾驶数据；所述介观层数据为在微观层数据基础上进行处理后的7个数据，处理方法如下：
4.根据权利要求3所述的方法，其特征在于，步骤S3中，采用最小-最大归一化方法对微观层数据和介观层数据进行归一化处理，具体为：
5.根据权利要求1或4所述的方法，其特征在于，步骤S4中，微观层数据在人工神经网络模型的输入为一组j维的向量M＝(m1，m2，...，mj)T，介观层数据在人工神经网络模型的输入为一组j维的向量N＝(n1，n2，...，nj)T；
6.根据权利要求5所述的方法，其特征在于，步骤S5中，所述将两个损失函数结合正则化项，具体方法为：
7.根据权利要求6所述的方法，其
8.根据权利要求7所述的方法，其特征在于，步骤S7中，区域内的车辆碳排放估算值依据具体车辆辆碳排放估算值计算得出，具体方法为：
9.根据权利要求8所述的方法，其特征在于，步骤S8中，碳交易价格的预测受多种因素的影响，区域内的车辆碳排放估算值作为影响碳交易价格预测的主要组成部分，将车辆碳排放估算值与其他影响因素作为LSTM网络模型的输入，对碳交易价格进行预测。
10.一种用于实现权利要求1-9任意一项所述的方法的用于碳交易的车辆油耗数据预测系统，其特征在于，包括：
...【技术特征摘要】
1.一种用于碳交易的车辆油耗数据预测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的方法，其特征在于，步骤s1中，所述数据为1hz频率的车辆真实驾驶数据，包括速度v，加速度a，道路坡度i，里程s，环境温度e以及累积消耗的燃料q。
3.根据权利要求2所述的方法，其特征在于，步骤s2中，所述微观层数据为步骤s1中收集到的1hz频率的车辆真实驾驶数据；所述介观层数据为在微观层数据基础上进行处理后的7个数据，处理方法如下：
4.根据权利要求3所述的方法，其特征在于，步骤s3中，采用最小-最大归一化方法对微观层数据和介观层数据进行归一化处理，具体为：
5.根据权利要求1或4所述的方法，其特征在于，步骤s4中，微观层数据在人工神经网络模型的输入为一组j维的向量m＝(m1，m2，...，mj)t，介观层数据在人工神经网络模型的输入为一...
【专利技术属性】
技术研发人员：肖竹，邹浩，蒋洪波，杨科华，陈文婕，
申请(专利权)人：湖南大学深圳研究院，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。