一种混合动力汽车行驶负载的智能预测方法

来源 :北京大学 | 被引量 : 0次 | 上传用户:leijunhua
下载到本地 , 更方便阅读
声明 : 本文档内容版权归属内容提供方 , 如果您对本文有版权争议 , 可与客服联系进行内容授权或下架
论文部分内容阅读
混合动力汽车是近年来受到高度关注并且得到高速发展的一种汽车,其结合了传统动力与电动力,以实现低燃料消耗及低污染排放。混合动力汽车的核心问题是实现最优的动力分配策略以获得最佳行驶性能和最小的燃料消耗及污染排放。针对这一问题,本文提出了一种对混合动力汽车行驶负载进行智能预测的方法。   本文首先从混合动力汽车的结构出发,分析其存在的主要技术难点与相应的挑战,并综述了当前应对这些挑战的方法,分析了它们各自的优劣点。在此基础上,提出了自己的方法。   这种方法的核心思想,是通过预测汽车将来的行驶负载情况,使得动力分配得以预先优化,从而降低、避免分配优化的滞后性,提高混合动力汽车的性能表现。   为此,本文对汽车的行驶路况数据进行了深入的研究。在观察和利用统计工具的基础上,完成了对行驶路况数据的标注和周期分析。在此基础上,完成了对行驶路况数据的自动分类。   对于混合动力汽车行驶负载的预测,首先按照一定窗口大小对行驶路况数据进行采样。采样的数据被划分为历史部分和待预测部分。历史部分的数据需要经过DCT的频率变换与特征抽取的预处理过程,以削减维度和降低噪声。待预测的部分根据规则和模糊逻辑,被分到五个行驶负载等级上。利用支持向量机作为分类器,在学习样本的基础上,根据经过预处理的历史部分数据,预测出待预测部分的行驶负载等级。为了优化预测模型中的参数,本文引入了克隆粒子群算法作为参数优化算法。最后,利用对行驶路况数据的分析结果和自动分类方法,系统会根据不同的路况选择相应的分类模型对行驶负载进行预测。   通过大量实验表明,本文提出的方法所获得的结果在本问题上优于其他既有实现方法。   本文的贡献主要有如下几点:   ·提出了一种对混合动力汽车行驶负载进行智能预测的方法和框架,通过实验表明,这种方法目前性能最优;   ·针对现有的行驶路况数据进行了分析,并定量的判定了这些数据的周期,完成了对行驶路况数据的标注和自动分类;   ·针对行驶路况数据的维数削减方法,分析并通过实验得出DCT是目前最优的频率变换算法;   ·针对行驶负载的预测/分类问题,分析并通过实验得出支持向量机是目前性能最优的分类器。
其他文献
随着语义网的发展,本体越来越多地在各个领域被应用。然而由于本体的创建对领域知识的理解不同,侧重的角度不同,使用的建模方法不同,即使是在同一领域的共享概念上创建的本体,不同
当前,信息系统已经从纯粹的信息展示窗口演变成包含实际应用逻辑的业务平台。这要求信息系统不仅能够支持数据的展现、存储、检索和管理,还应该支持对业务流程的管理。然而,在大
在预测模型中,当自变量的维度增加时,预测精度和算法性能都会显著下降,这就是所谓“维度诅咒”的问题。针对这一问题的多数解决方法都依赖所谓稀疏性假设,即函数值只依赖高维变量
自提出至今,面向侧面编程(Aspect-Oriented Programming,AOP)技术已被证明可以有效地改善软件的可维护性、可理解性以及可演化性。为了使用AOP技术重构遗产软件,首先需要自动或
无线传感器网络是由大规模传感器节点利用无线信道组成的多跳自组织网络,其中,传感器节点在其微小的体积内集成了数据采集、数据处理和无线通信等多种功能。传感器网络引发了信
Web已经成为一个庞大而复杂的信息仓库。如何利用程序从海量的Web中快速抽取信息从而提高人们获取信息的效率变得越来越重要。Web中一类重要的信息网页是数据提供网站的动态W
基于图像的绘制技术(IBR)作为计算机图形学、计算机视觉和图像处理多领域交叉的热点研究,近十年来取得了显著进展。其中,基于图像的视觉凸壳(IBVH)方法将建模的思想引入绘制,使
日前,传感器网络(Sensor Networks)技术已经被广泛应用于很多领域如空气质量监测、水体污染监测等。在这样的监测应用中,相比于原始感知数据,用户对所监测区域内数据的实时分布
在大多数无线传感器网络应用中,受频段和成本的限制,传感器节点往往共享同一信道,这种共享信道的无线传感器网络经常遭受由并发链路带来的干扰。并发链路的干扰严重降低了网
近年来,随着移动通讯技术和海量数据的采集存储技术飞速发展,移动运营商积累的数据空前增长。这些数据中包含着关于用户行为习惯的信息,其中用户间使用通话,短信等方式进行的联系