详情

原文传递基于驾驶风格的商用车剩余路线油耗预测方法的研究与实现

论文题名：	基于驾驶风格的商用车剩余路线油耗预测方法的研究与实现
关键词：	车联网;驾驶风格;油耗预测;深度学习
摘要：	工商业的快速发展使得道路运输需求越来越高，在这种趋势下商用车行业得到了迅猛的发展。商用车在物流运输和工程建设等方面发挥重要作用的同时，也带来了能源消耗与环境污染的问题，如何实现商用车行业的节能减排引起了广泛关注。对商用车行驶于未来道路的油耗进行预测可以为驾驶员进行路线规划和能源监管提供决策支持，具有非常重要的现实意义。　　随着传感器和通信设备的不断升级，车联网技术快速发展，商用车行驶过程中的大量驾驶数据得以被采集和研究。这些数据由安装在商用车各个组件上的不同传感器以秒级的频率收集，并通过通信设备实时传回车联网大数据平台中，具有数据规模大、采集密度高、增长速度快、时序关系强、属性种类丰富等特点，为本文深入分析商用车油耗特点，并对商用车的油耗进行预测提供了良好的数据基础。　　基于车联网大数据的油耗预测研究通常采用基于机器学习和深度学习的方法对油耗影响因素进行分析，探索和建立各种影响因素和油耗之间的映射关系，然而这些研究还存在以下问题:首先，作为重要影响因素的驾驶风格，对车辆的油耗有显著影响，但是现有的研究在提取驾驶风格时只考虑了驾驶员的驾驶行为，忽略了道路、天气等驾驶环境。其次，对剩余路线油耗预测的研究并不多见，现有的研究忽略了从起点到驾驶员位置的已行驶路线，而这部分路线往往会对提高剩余路线油耗预测的准确性提供价值。　　为了解决以上问题，本文基于与国内某大型商用车制造企业的合作项目，针对基于驾驶风格的商用车剩余路线油耗预测方法展开研究，旨在建立准确的剩余路线油耗预测模型，并实现基于驾驶风格的商用车剩余路线油耗预测系统。该研究面临如下挑战:一是如何表示驾驶环境特征，融合驾驶环境特征和驾驶行为特征以提取驾驶风格;二是如何有效提取和利用已行驶路线反映的短期行车特征，提高预测商用车行驶在剩余路线的油耗的准确性;三是如何从多源的海量数据中更快速地收集和处理输入数据，实现基于驾驶风格的商用车剩余路线油耗预测系统。　　为了解决以上挑战，本文提出了一种基于驾驶风格的商用车剩余路线油耗预测模型——DS-RFP(RemainingrouteFuelconsumptionPredictionbasedonDrivingStyle),并将该模型应用于车联网大数据平台真实生产环境中，实现基于驾驶风格的商用车剩余路线油耗预测系统。本文的主要工作和贡献总结如下: 　　1.本文提出了一种基于驾驶风格的商用车剩余路线油耗预测模型——DS-RFP,实现了对剩余路线油耗的准确预测。该模型由驾驶风格表示模块和剩余路线油耗预测模块组成，驾驶风格表示模块提出利用分段时间帧和基于路段合并的轨迹压缩技术处理驾驶数据和环境数据，利用多头自注意力机制、双向LSTM和卷积网络提取驾驶风格。油耗预测模块提出利用注意力机制，基于车辆在已行驶路线的驾驶环境和驾驶数据，学习其在剩余路线各路段的可能产生的驾驶数据，进而采用序列模型融合剩余路线的驾驶环境、历史驾驶风格和车辆配置特征，实现对路段序列的油耗特征建模和剩余路线油耗的准确预测。　　2.本文在两个真实的大型历史行车数据集上进行了大量的实验，验证了所提出的DS-RFP模型的有效性。首先，与基线方法进行对比实验，验证了DS-RFP模型在MAE、RMSE评价指标上的总体表现要好于基线方法。其次，本文通过参数设置影响实验，比较了不同参数设置对油耗预测结果准确性的影响，并分析确定了最佳参数设置。最后,通过一系列消融实验，验证了DS-RFP模型中的不同部分在增强模型油耗预测准确度方面的有效性。　　3.本文基于某大型商用车制造企业的车联网大数据平台，利用所提出的DS-RFP模型设计并实现了基于驾驶风格的商用车剩余路线油耗预测系统。系统使用MySQL主从同步技术和Kafka、Flink等大数据组件对模型预测所需要的多源数据进行实时收集和处理，使用基于ClickHouse的分布式存储和查询以及数据仓库技术对海量多源的数据进行整合计算，使用TensorFlow、Docker和TensorFlowServing实现对模型的离线训练和线上部署，最后使用SpringBoot对预测结果进行可视化展示，实现了DS-RFP模型在工业环境下的有效应用。
作者：	宋巧
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：	2023