详情

原文传递基于海量时序数据的车辆实时油耗预测方法的研究与实现

论文题名：	基于海量时序数据的车辆实时油耗预测方法的研究与实现
关键词：	车辆运行状态;油耗预测;时序数据;图卷积网络
摘要：	随着交通运输业的不断发展，机动车保有量迅速增长，燃油消耗的增多也带来了能源短缺与环境污染等问题。对于承担较多道路运输任务的商用车而言，油耗开销始终占据经营者成本支出的较大比例。商用车燃油成本问题若得不到改善，不仅会增加能源需求压力、加剧空气污染，而且会增加交通运输经营者的支出，抑制行业的发展。因此，探索影响燃油消耗的因素，建立合理的油耗分析与预测模型对提高燃油利用率、节省油耗具有重要的意义。　　随着车联网技术的发展，海量的商用车运行状态数据由车载传感器采集并集中回传至车联网大数据分析平台中。这些数据的突出特点为规模大、时序性强且属性丰富，有关车辆行驶工况、外部环境、驾驶行为等会对车辆燃油消耗产生影响的因素均可在该类数据中体现。对于油耗预测任务而言，上述基于车联网平台获取的车辆运行状态数据所具有的海量、时序性强、属性种类丰富的特点，有利于深入探索各类因素对油耗的影响，建立更为准确的油耗预测模型。　　目前，针对具有海量时序特点的车辆运行状态数据来进行油耗预测的方法相对较少。其中，一类方法选择利用线性相似度计算方法确定影响因素与油耗之间的关系，选取相关性强的因素建立多元回归模型来预测油耗。另一类方法选择利用深度学习的方法动态捕捉影响因素与油耗之间的映射关系，进而建立油耗预测模型。尽管上述两类方法已经取得了一定的成果，但针对具有海量时序特点的车辆运行状态数据而言，一方面，仅使用线性相似度计算的方法并不能真实地还原油耗与影响因素之间复杂的非线性关系，且受公开数据集属性稀疏的限制，现有方法对油耗影响因素种类的考虑也并不全面。另一方面，由车载传感器实时收集的数据具有很强的时序性，可以完整地反映车辆的运行过程来探索油耗变化规律，而目前的油耗预测方法并未侧重于捕获该类数据在时间维度上的相关性，难以取得良好的预测效果。　　针对上述问题，本文专门针对基于海量时序数据的车辆油耗预测问题展开研究，旨在建立准确的油耗预测模型，并将其应用于车联网大数据分析平台，实时地为商用车驾驶员提供下一时刻的油耗预测值作为其修正驾驶行为的参考。该研究面I临如下挑战:一是如何捕获油耗与影响因素之间的复杂的空间依赖关系，为油耗融合其他因素对其产生的直接和间接影响信息?二是如何提取车辆运行状态数据时间段之间的短期局部依赖和时间序列的长期演变规律?最后，如何将提出的油耗预测模型应用于车联网大数据分析平台的海量时序流数据环境中并得到实时的油耗预测结果? 　　为了解决上述挑战，本文提出了一种新的基于时空注意机制图卷积网络的油耗预测模型——ASTG-FCP(AttentiveSpatial-TemporalGraphConvolutionalNetworksforVehicleFuelConsumptionPrediction)，依托车联网大数据分析平台的真实生产环境，设计实现了一个基于海量时序数据的车辆油耗实时预测系统。本文的主要工作和贡献总结如下: 　　1.本文提出了一种基于时空注意机制图卷积网络的油耗预测模型——ASTG-FCP。该模型针对海量时序车辆运行状态数据的属性特点，提出使用图结构学习模块从输入数据中动态地学习各因素之间的关系图结构;使用基于邻居注意的图卷积网络模块建模因素间的空间依赖，全面地捕获影响因素对油耗的直接和间接影响;使用由GRU和Transformer层组成的时间依赖建模模块捕获车辆运行状态数据在时间维度上的局部及全局依赖;最后将上述模块集成在统一的框架中实现对下一时刻车辆油耗的准确预测。　　2，本文基于真实的商用车历史行车数据集进行了大量的实验，验证了所提出的ASTG-FCP油耗预测模型的有效性。首先，通过与基线方法进行对比实验，验证了ASTG-FCP模型在MAE、RMSE、MAPE三个评价指标上的整体性能均优于基线方法。其次，本文还进行了一系列细粒度的实验分析，验证了ASTG-FCP模型不同模块对提升模型油耗预测性能的有效性，并对模型参数设置的影响进行了分析。　　3.本文依托车联网大数据分析平台真实的生产环境，应用提出的ASTG-FCP油耗预测模型，设计并实现了基于海量时序数据的车辆油耗实时预测系统。系统使用Flink、Kafka、Zookeeper、Clickhouse等大数据组件构造整体框架，设计了数据实时同步、数据实时处理、数据转存和油耗实时预测四个模块，实现了对车联网在线车辆海量运行状态数据的实时处理，并应用ASTG.FCP油耗预测模型对在线车辆下一时刻的油耗值进行实时预测。
作者：	王芳珺
专业：	计算机技术
导师：	彭朝晖
授予学位：	硕士
授予学位单位：	山东大学
学位年度：	2022