计算机与现代化JISUANJIYUXIANDAIHUA2023年第3期总第331期文章编号：1006-2475（2023）03-0121-06收稿日期：2022-07-01；修回日期：2022-07-25基金项目：陕西省重点研发计划项目（2019ZDLGY17-08）作者简介：王一婷（1998—），女，甘肃庆阳人，硕士研究生，研究方向：油耗预测与驾驶行为识别，E-mail：510995196@qq.com；通信作者：行本贝（1993—），男，博士研究生，研究方向：无人车决策；李彬（1982—），男，副教授，博士，研究方向：车辆安全与电动汽车性能研究；刘戈（1998—），男，硕士研究生，研究方向：车辆工程；张翔宇（2000—），男，硕士研究生，研究方向：驾驶行为识别。0引言当前，随着中国重型卡车保有量的持续增长，全球能源短缺问题日益严重，汽车油耗已成为影响车辆燃油经济性以及交通行业发展的关键因素之一［1］。此外，人民生活水平的提高，私家车保有量也在持续上升，由此可以预测我国未来交通能源消耗逐步加剧，降低燃油消耗已经成为交通领域最重要的挑战之一［2-3］。在影响机动车油耗的诸多因素中，驾驶行为起着关键作用［4］。福特汽车公司［5］的研究表明，改善驾驶行为可以在短期内将燃油经济性提高25%，从长远来看向驾驶员提供持续的环保驾驶反馈可以降低10%的油耗。程颖等人［6］的研究也表明不良驾驶行为会显著增加大型货车油耗，而向驾驶员提供燃油信基于Shared-LSTM的重型卡车不同加速驾驶行为油耗预测方法王一婷1，行本贝1，李彬2，刘戈2，张翔宇1（1.长安大学信息工程学院，陕西西安710064；2.长安大学汽车学院，陕西西安710064）摘要：规范重型卡车驾驶行为可以有效降低油耗，这对交通行业节能减排和国家“双碳”战略都有积极作用。本文采集多辆重型卡车1个月的CAN总线数据，定量分析不同加速驾驶行为（急加速、正常驾驶、急减速）与油耗之间的关系。针对现有油耗预测方法效率低、精度差的问题，本文对LSTM模型进行改进，提出一种共享权重的LSTM模型（Shared-LSTM）。基于采集的车辆CAN总线数据，本文对比分析Shared-LSTM、GRU和BP神经网络模型对同车型同路况多行为下的油耗预测效果。实验结果表明，改进的LSTM模型在不同加速驾驶行为下的预测效率均提高3%以上，且各方面预测指标均要优于其他模型。以急加速驾驶行为为例，Shared-LSTM模型相较于GRU和BP神经网络在平均绝对误差、均方误差、均分根误差等方面均降低了5%以上。因此，Shared-LSTM模型可广泛应用于多种驾驶行为下的油耗预测。关键词：重型卡车...
