[发明专利]基于GRU网络模型预测未来行驶过程能耗的方法

权利要求书

1.一种基于GRU网络模型预测未来行驶过程能耗的方法，其特征在于，所述方法包括：

步骤S1、构建数据集，从城市公交大数据平台数据库中将纯电动公交车辆历史行驶数据导入至Hadoop大数据集群下的HBase数据库中，通过Spark计算框架对电动公交数据进行预处理；

步骤S2、将处理后的数据特征进行标准化处理，分析每个特征的影响因子，筛选出有效特征；

步骤S3、建立模型，基于GRU网络构建以交叉验证的方式对输入的数据集和输出数据划分为训练集和测试集，通过训练GRU网络模型，结合设定的初始网络参数，建立预测电动车未来行驶能耗的GRU网络模型，并跟踪损失函数调整参数，获得最优的GRU网络模型；

步骤S4、输入新特征数据样本至所述GRU网络模型，输出车辆运行过程中未来的平均能耗，从而计算出新能源公交车的剩余续航里程；

所述步骤S1中通过Spark计算框架对电动汽车行驶数据进行预处理，包括以下步骤：

步骤1-1)从HBase数据库中根据车辆状态参数筛选出行驶数据，对数据进行预处理，包括异常值、空缺值剔除，数据修复；

步骤1-2)以行驶里程一公里为度量，计算车辆平均速度、平均电压、平均电流，最高温度、最低温度；

步骤1-3)纯电动公交每次运营过程，某一位置的未来平均能耗为：

式中，E(x_i)为当前位置时的剩余能量值，E(x_end)为车辆运营到终点时的剩余能量值，d(x_i,x_end)为当前位置到终点位置时的距离；

步骤1-4)构建驾驶员驾驶风格识别参数，分为普通、节能、耗能，建立驾驶风格识别D_x(i)：

D_x(i)＝ω₁D₁(i)+ω₂D₂(i)+ω₃D₃(i)+ω₄D₄(i)+ω₅D₅(i)

式中，D_x(i)分别为该驾驶员实际行驶过程中的平均能耗率E_ave、平均车速V_m、最大车速V_max、平均加速度a_am和平均减速度a_bm，ω₁-ω₅为权系数，

根据历史运行数据，计算每次新能源公交车运营的D_x(i)，并通过聚类分析算法，得出驾驶风格参数。

2.如权利要求1所述的基于GRU网络模型预测未来行驶过程能耗的方法，其特征在于，所述步骤S2中，对于驾驶风格参数数据进行zero-mean标准化处理，

式中，x^*代表标准化后的数据，x代表原始特征数据，μ代表原始特征数据均值，σ代表样本标准差；

对于其他数据项利用离差标准化，

y_i代表标准化操作后输出数据，x_i代表原始特征数据，min代表原始特征数据中最小值，max代表原始特征数据中最大值；

使用Lasso回归算法对原始数据所有变量的权重进行判断，根据权重大小选择最重要的特征；

式中x_ij为第i组j个变量，行向量为回归系数，y表示训练标签。

3.如权利要求1所述的基于GRU网络模型预测未来行驶过程能耗的方法，其特征在于，步骤S3中，所述参数包括节点数、学习率和迭代次数，所述损失函数包含以下L2正则项：

式中，ω代表权重参数，λ代表权重参数的重要性，x代表输入值，y(x)代表未来平均能耗的真实值，a代表输入x得到的相应输出值即预测值，n代表一次训练的总数据量。

4.如权利要求1所述的基于GRU网络模型预测未来行驶过程能耗的方法，其特征在于，步骤S4中，输入特征数据，预测得出车辆运行过程中未来的平均能耗，从而计算出新能源公交车的剩余续航里程：

式中，H为剩余续航里程，为未来的平均能耗，E(x_i)为当前动力电池剩余电量。