基于Shared-LSTM...同加速驾驶行为油耗预测方法_王一婷.pdf

计算机与现代化JISUANJI YU XIANDAIHUA2023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：；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；油耗预测；驾驶行为；LSTM；预测效率中图分类号：TP399；TP183；U471.23文献标志码：ADOI：10.3969/j.issn.1006-2475.2023.03.021Fuel Consumption Prediction Method of Heavy Trucks with Different AcceleratingDriving Behaviors Based on Shared-LSTMWANG Yi-ting1，XING Ben-bei1，LI Bin2，LIU Ge2，ZHANG Xiang-yu1（1.School of Information Engineering，Chang an University，Xi an 710064，China；2.College of Automobile，Chang an University，Xi an 710064，China）Abstract：Standardizing the driving behavior of heavy trucks can effectively reduce fuel consumption，which plays a positive rolein energy conservation and emission reduction in the transportation industry and the national“Double Carbon”strategy.This paper collects CAN bus data of several heavy trucks for one month，and quantitatively analyzes the relationship between differentaccelerating behaviors（rapid acceleration，normal driving，rapid deceleration）and fuel consumption.To the problem of the lowefficiency and poor accuracy of the existing fuel consumption prediction methods，this paper improves the LSTM model and proposes a shared weight LSTM model（Shared-LSTM）.Based on the collected vehicle CAN bus data，this paper compares and analyzes the fuel consumption prediction effects of Shared-LSTM，GRU and BP neural network models under the same vehicle type，the same road condition and multiple behaviors.The experimental results show that the prediction efficiency of the improvedLSTM model is improved by more than 3%under different accelerating driving behaviors，and the prediction indexes in all aspects are better than other models.Taking the rapid acceleration driving behavior as an example，the Shared-LSTM model is reduced by more than 5%compared with GRU and BP neural network in terms of mean absolute error，mean square error and meanroot error.Therefore，the Shared-LSTM model can be widely used to predict fuel consumption under a variety of driving behaviors.Key words：heavy truck；fuel consumption prediction；driving behavior；LSTM；prediction efficie计算机与现代化2023年第3期息可将燃油经济性提高10%。因此，识别不同驾驶行为并进行油耗预测，对于降低油耗至关重要。在基于驾驶行为的油耗预测方面，国内外众多学者已开展了大量的研究工作。Xing等人7基于速度、加速度等对不同驾驶行为特征进行了分析，并面向高速公路场景对不同车型燃油消耗进行预测。Yao等人8对比分析了反向传播神经网络、支持向量机回归、随机森林等模型对不同驾驶行为下，车辆燃油消耗预测的预测效果。黄赫等人9基于采集的OBD数据，利用多元线性回归模型对油耗进行预测，结果表明模型比较可靠，为进一步分析汽车油耗和车辆运行状态参数之间的关系提供了理论依据。但OBD数据易受设备安装成本及驾驶员安装意愿的限制，从而难以保证数据质量10-11。随着移动终端技术的飞速发展，手机智能终端已广泛应用于驾驶行为数据的采集。任慧君等人12将手机终端采集的数据应用于油耗预测，从而实现驾驶风格和车辆控制策略的提前车载分析及调整。但手机终端易受手机型号、摆放位置、抖动（车辆震动引起）、驾驶员行为等因素影响13，导致所采集的驾驶行为数据不稳定。此外，建立车辆动力学和能源消耗之间的联系也极为重要。Zhao等人14基于车辆和燃油消耗之间关系，设计了环保型驾驶辅助系统和交通管理策略。Topic等人15则将采集的车辆速度、加速度和道路坡度等数据作为模型输入进行燃油消耗的预测。Yeh等人16利用车载诊断数据，研究分析了公交车的驾驶行为和油耗之间的相关关系，通过分析用户的历史驾驶轨迹，识别用户驾驶行为偏好特征，从而进行个性化长途省油路线推荐。重型卡车作为物流运输的主要交通工具，对其油耗的精准预测和分析一直是许多学者关注的热点问题。针对卡车运输油耗问题，邵良杉等人17提出了一种基于粒子群优化BP神经网络的油耗预测方法，并基于仿真数据验证了该算法的有效性。顾清华等人18则提出了一种基于PSOGA-SVM的油耗预测算法，以解决传统算法易陷入局部最优解问题。但这些研究工作主要是基于仿真数据进行，并不能完全反映真实环境下油耗变化情况。对此，本文基于实测的重型卡车数据，针对现有油耗预测模型预测效率低、精度差的问题，在现有LSTM模型的基础上，创新性提出将输入门、输出门和遗忘门组合为一种新的门结构，称为Shared-LSTM模型，其通过共享隐藏层中相同类型的权值，从而进一步提高了模型预测效率及预测精度。1基于重型卡车特征的驾驶行为分类现有的基于行车数据的驾驶行为识别方法主要是采取阈值法，即通过设定加速度阈值来对不同驾驶行为进行区分。Liu等人19利用加速度阈值对小型商用车的驾驶行为进行区分。任慧君等人12在基于公交车GPS轨迹数据，选用3 m/s2加速度阈值识别公交车行驶过程中的急加速、急转弯、超速等几种驾驶行为。赵建东等人20在识别重点营用车辆异常驾驶行为的过程中，直接选用加速度阈值数据识别的不同驾驶行为。前面的研究多直接选取加速度3 m/s2的阈值来进行划分，这种划分方式所限定的范围往往过于广泛，不具有针对性且不适用于重型卡车所限定的使用场景。对此，本文基于重型卡车真实数据，引入箱线图阈值法对重型卡车的急加速、正常驾驶、急减速等驾驶行为进行准确识别。本文选取2000辆重型卡车连续1个月的相关数据作为实验数据，转速、车速等强相关性特征的采样频率为2 s。驾驶员的驾驶行为最终都会反映到车速的变化上，即加速度的变化。在进行驾驶行为分类时，加速度阈值选取易受到道路、交通环境和车辆的影响。对此，本文选用同类型、同趟次的重型卡车数据，以保证车辆类型、路况、行驶状态、使用场景等因素一致。本文将加速度数据进行细化，并划分为10个区间（区间数由样本大小决定），即分别对应区间-0.38，-0.31），-0.31，-0.23），-0.23，-0.15），-0.15，-0.07），-0.07，0.10），0.10，0.13），0.13，0.17），0.17，0.24），0.24，0.32），0.32，0.40），车辆区间分档比重统计结果如表1所示。表1重型卡车加速度分档比重统计结果单位：%分档比重Vehicle1Vehicle2Vehicle3Vehicle4Vehicle2000分档区间10.232.110.360.690.0620.378.690.812.500.1431.712.031.991.590.6344.185.536.474.461.6450.5128.4353.5922.5827.80684.3449.3030.3857.8543.4776.180.094.208.2522.5181.932.761.691.312.8490.320.890.