随着当前重型卡车数量的不断增长,需要消耗的燃油总量也随之增加,然而能源总储量是固定的,因此提升重型卡车的燃油利用率显得尤为重要。目前相对有效的方法是通过分析影响燃油消耗的内因和外因来预测油耗值,从而指导驾驶操作以达到降低油耗的目的。神经网络方法的出现为油耗预测提供了有效的解决思路,目前BP神经网络应用在各领域的预测研究中,它的特点在于误差反向传播,依据误差多次反向调整算法依赖的权值和阈值使得网络训练达到最佳效果。因此,如何利用BP神经网络来预测重型卡车的油耗值成为本文的研究重点。为了使用已有数据更准确的预测油耗值进而建立最合适的重型卡车油耗预测模型,本文首先对采集到的重型卡车行驶数据进行相关性分析,最终提取到6个强相关因素,同时使用主成分分析法提取代表所有数据集的4个主成分并对数据进行预处理。随后,提出基于BP重型卡车油耗预测模型,设计适合实验数据的网络模型结构,调整模型各类参数达到最佳状态。为了进一步验证BP油耗预测模型的准确度,本文构建了基于长短期记忆（LSTM）的重型卡车油耗预测模型,对比分析两个模型得到的测试结果,验证BP重型卡车油耗预测模型的有效性。最后,提出一种基于遗传退火算法改进的BP（GSA-BP）重型卡车油耗预测模型,该模型主要是使用遗传算法（GA）、模拟退火算法（SA）完善BP神经网络的不足之处。为了验证GA、SA共同作用的优势,分别设计了基于GA-BP的重型卡车油耗预测模型和基于SA-BP的重型卡车油耗预测模型。通过对比三个模型的预测准确率、均方根误差（RMSE）和平均绝对误差（MAE）,分析得出基于GSA-BP重型卡车油耗预测模型最符合本次研究要求,预测性能最好。本文提出的基于GSA-BP重型卡车油耗预测模型的研究对象是重型卡车的实际行驶数据,按照不同的季节划分为数据集A（春季）、数据集B（夏季）、数据集C（冬季）。经过多次模型训练,根据实验结果得出基于GSA-BP重型卡车油耗预测模型在全时域数据集中的平均准确率为96.51%,RMSE均值为13.69和MAE均值为8.87,相比GA-BP重型卡车油耗预测模型和SA-BP重型卡车油耗预测模型的平均准确率分别提升了2.93%和3.8%;RMSE平均值分别降低了9.09和15.74;MAE平均值分别降低了6.93和10.24。经过实验数据验证得出本文提出的GSA-BP模型预测性能最佳。