申请/专利权人：北京理工大学

申请日：2023-12-06

公开（公告）日：2024-04-09

公开（公告）号：CN117851806A

主分类号：G06F18/213

分类号：G06F18/213;G06F18/214;G06Q10/04;G06Q50/40;G06N20/20

优先权：

专利状态码：在审-实质审查的生效

法律状态：2024.04.26#实质审查的生效;2024.04.09#公开

摘要：本发明提供了一种基于特征分析和机器学习的电动公交车能耗预测方法，全面考虑了可能对公交车行程能耗产生影响的多项特征，通过依次执行VIF检验和逐步回归对特征进行两轮筛选，并将筛选后的特征用于对多种机器学习模型的训练，通过对模型训练效果的评价得到最佳模型并用于电动公交车行程能耗预测。该方法有效克服了现有技术中特征提取不全或过于繁杂的缺点，且摆脱了对专业知识的依赖性，特征提取过程较为简便并能够较精确地表征公交行程能耗，对模型算法的多轮选择与评价过程也极大地改善了能耗预测精度。

主权项：1.一种基于特征分析和机器学习的电动公交车能耗预测方法，其特征在于：具体包括以下步骤：步骤一、考虑交通状况、环境、车辆状态与驾驶员行为四个方面对电动公交车行程能耗的影响，从电动公交车在历史各趟次中的运行数据中选择提取每个方面所分别对应的若干特征；步骤二、利用VIF检验的方法对步骤一中提取的特征进行初步筛选，保留与能耗相关度较高的部分特征；在计算每个特征VIF的过程中，具体基于其他提取的特征并利用最小二乘回归方法对该特征进行回归解释；采用逐步回归算法对初筛得到的特征再次进行筛选，算法每次循环都从初筛的特征集中选出一个对于能耗率预测贡献度最高的一个特征，将其添加到输出特征集中，并从初筛的特征集中删除该特征；接着进入到下一次循环，直到初筛的特征集中所有特征均对能耗率预测没有贡献或者起负面作用时，输出最终筛选出的特征集，算法停止；步骤三、针对电动公交车的每趟行程，对特征集中可直接或间接获取的特征进行直接提取，对特征集无法直接或间接获取的特征则分别选择适合的方式进行预测得到；步骤四、选取多种机器学习模型分别建立电动公交车能耗预测模型，并利用步骤三得到的特征数据进行训练；对训练好的各模型验证其能耗预测效果并进行评价，确定出效果最佳的模型用于在电动公交车行程开始前，对行程对应的能耗进行预测。

全文数据：

权利要求：

百度查询： 北京理工大学 一种基于特征分析和机器学习的电动公交车能耗预测方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD