[发明专利]一种基于最小二乘支持向量机的油耗预测方法

摘要

本发明提供了一种基于改进粒子群算法优化最小二乘支持向量机的车辆油耗预测方法，采用改进粒子群算法对最小二乘支持向量机模型的核函数参数和惩罚因子进行优化，利用训练好的改进粒子群算法优化最小二乘支持向量机的车辆油耗预测模型对测试样本的油耗进行预测。本发明采用对称不确定度可以筛选出油耗敏感特征参数，采用改进粒子群算法可以获得准确的核函数参数和惩罚因子，提高了最小二乘支持向量机模型的预测精度，有效弥补了型式认证油耗与车辆实际油耗偏差较大的不足。

主权项

一种基于最小二乘支持向量机的油耗预测方法，其特征在于：油耗预测方法流程主要包含以下几个步骤，(1)采集多辆车的OBD数据和GPS车速数据，OBD数据包括发动机转速和瞬时油耗；计算车辆的运行特征参数，包括平均速度和怠速比例；(2)收集步骤1中车辆的设计参数数据，包括车身参数、发动机参数和传动系统特征参数；对车辆特征参数进行离散化处理；(3)计算上述运行特征参数和设计参数与车辆实际油耗的对称不确定度SU其中，SU为对称不确定度，X为某一运行特征参数或设计参数，Y为车辆的实际油耗，H(X)为变量X的熵，H(Y)为变量Y的熵，MI(X；Y)为变量X和Y的互信息；(4)选择对称不确定度大于0.15的特征作为油耗敏感特征；(5)将车辆划分为训练样本和测试样本；(6)将训练样本的油耗敏感特征和型式认证油耗作为输入，车辆实际油耗作为输出，建立基于最小二乘支持向量机的油耗预测模型；并采用改进粒子群算法对最小二乘支持向量机模型的核函数参数和惩罚因子进行优化；改进粒子群算法采用可变惯性权，可变惯性权重公式如下：wm＝wmax‑(wmax‑wmin)·(1‑e‑(5m/t))其中，w为惯性权重，m为当前进化代数，t为最大迭代代数，wmax为惯性权重取值上界,wmin为惯性权重取值下界；(7)利用训练好的改进粒子群算法优化最小二乘支持向量机的车辆油耗预测模型对测试样本的油耗进行预测。