一种预测卡车柴油消耗量的分析方法及系统技术方案

本发明专利技术公开了预测卡车柴油消耗量的分析方法及系统，方法包括：获取与预测油耗目标的相关数据，并对数据预处理；从预处理后的数据中提取油耗特征值；将油耗特征值输入神经网络模型进行训练，获得第一预测模型，第一预测模型中包括路线等级约束以及天气条件约束；通过训练后的第一预测模型进行预测，得到柴油耗量。本发明专利技术通过随机森林神经网络模型在考虑了多个因素后，其中加入路线等级以及天气条件的约束，可以使模型更全面地考虑影响油耗的各种因素，更准确地预测卡车从出发点到目的地的消耗量，可以提高预测的准确性，并且能够更好地适应不同的实际应用场景，具有很好的灵活性和泛化能力，提高了模型的稳定性和可靠性。提高了模型的稳定性和可靠性。提高了模型的稳定性和可靠性。

【技术实现步骤摘要】
一种预测卡车柴油消耗量的分析方法及系统


[0001]本专利技术涉及油耗管理
，尤其涉及一种预测卡车柴油消耗量的分析方法及系统。

技术介绍

[0002]卡车作为物流行业中不可或缺的一部分，其油耗计算预测技术的发展也备受关注。目前，卡车油耗计算预测技术已经取得了一定的进展。传统的方法主要依靠工程师使用手动调整模型参数的方式，进行油耗预测。而随着机器学习、人工智能等技术的逐步发展，卡车油耗预测技术也逐渐向自动化和智能化方向发展。最近几年，深度学习技术在卡车油耗预测领域也得到应用。此外，还有一些基于物联网技术的解决方案，通过实时监测车辆状态和路况信息，及时调整油耗预测结果。
[0003]但关于油耗预测仍存在一些问题。现有的油耗预测模型对于特殊情况的处理能力较弱，如车辆在高温、雨雪天气下的行驶情况，因此对于油耗预测模型的仍需要进一步的优化。

技术实现思路

[0004]本部分的目的在于概述本专利技术的实施例的一些方面以及简要介绍一些较佳实施例。在本部分以及本申请的说明书摘要和专利技术名称中可能会做些简化或省略以避免使本部分、说明书摘要和专利技术名称的目的模糊，而这种简化或省略不能用于限制本专利技术的范围。
[0005]鉴于上述现有存在的问题，提出了本专利技术。因此，本专利技术提供了一种预测卡车柴油消耗量的分析方法解决在目前的预测模型对于特殊情况的处理能力较弱，如车辆在高温、雨雪天气下的行驶情况的预测不准确，实时监测则需要耗费大量数据算力的问题。
[0006]为解决上述技术问题，本专利技术提供如下技术方案：
[0007]第一方面，本专利技术提供了一种预测卡车柴油消耗量的分析方法，包括：
[0008]获取与预测油耗目标的相关数据，并对数据预处理；
[0009]从预处理后的数据中提取油耗特征值；
[0010]将油耗特征值输入神经网络模型进行训练，获得第一预测模型，所述第一预测模型中包括路线等级约束以及天气条件约束；
[0011]通过训练后的第一预测模型进行预测，得到柴油耗量。
[0012]作为本专利技术所述的预测卡车柴油消耗量的分析方法的一种优选方案，其中：所述预测目标包括，卡车从出发点到目的地的柴油消耗量；
[0013]所述相关数据包括，路线数据、车辆数据和天气数据；
[0014]所述路线数据包括路线长度、平均海拔高度、路线等级以及高速路段；
[0015]所述车辆数据包括车型、车辆的载重、自重、发动机功率、平均车速以及传动系数。
[0016]作为本专利技术所述的预测卡车柴油消耗量的分析方法的一种优选方案，其中：所述油耗特征值包括，路线长度、平均海拔高度、平均车速、行车时间、路线等级、车型和天气条
件。
[0017]作为本专利技术所述的预测卡车柴油消耗量的分析方法的一种优选方案，其中：将油耗特征值输入神经网络模型进行训练，获得第一预测模型，包括，
[0018]将油耗特征值输入随机森林神经网络，油耗量作为输出；
[0019]获得油耗特征值与油耗量的映射关系。
[0020]作为本专利技术所述的预测卡车柴油消耗量的分析方法的一种优选方案，其中：
[0021]所述路线等级约束包括通过高速占比或海拔高度设定路线等级，其中，
[0022]总路段中高速路段占比大于等于三分之二的路线，或，总路段中大于等于三分之二的海拔小于等于300米的路线，路线等级标记为一级；
[0023]总路段中高速路段占比在三分之二至三分之一之间的路线，或，总路段中三分之二至三分之一的海拔在300至600米之间的路线，路线等级标记为二级；
[0024]总路段中高速路段占比小于等于三分之一的路线，或，总路段中小于等于三分之一的海拔大于等于600米的路线，路线等级标记为三级。
[0025]作为本专利技术所述的预测卡车柴油消耗量的分析方法的一种优选方案，其中：所述天气条件约束包括设定天气情况等级，其中，
[0026]若行驶时间段内全部为晴天、阴天以及风力等级小于等于4级时，则该天气等级标记为一级；
[0027]若行驶时间段内或之前半天天内存在持续时间超过30分钟的暴雨、中雪或冰雹天气，则该天气等级标记为二级；
[0028]若行驶时间段内存在风力等级在5
‑
8级之间时，则该天气等级标记为三级。
[0029]作为本专利技术所述的预测卡车柴油消耗量的分析方法的一种优选方案，其中：将所述路线等级以及天气情况等级转化为独热编码，具体为，
[0030]当路线等级为一级时，该特征向量为[1,0,0]；当路线等级为二级时，该特征向量为[0,1,0]；当路线等级为三级时，该特征向量为[0,0,1]；
[0031]当天气等级为一级时，该特征向量为[2,0,0]；当路线等级为二级时，该特征向量为[0,2,0]；当路线等级为三级时，该特征向量为[0,0,2]；
[0032]在训练模型时，特征向量将参与到损失函数中，表示为，
[0033][0034]其中，x是一个包含所有输入特征的向量，w
i
是相应输入特征x
i
的权重，b是偏置值，w
j
和w
k
分别是路线等级和天气条件的权重，x
j
和x
k
则是独热编码转换后的路线等级和天气条件的向量。
[0035]第二方面，本专利技术提供了一种预测卡车柴油消耗量的分析的系统，包括，
[0036]获取模块，用于获取与预测油耗目标的相关数据，并对数据预处理；
[0037]特征提取模块，用于从预处理后的数据中提取油耗特征值；
[0038]油耗特征训练模块，用于将油耗特征值输入神经网络模型进行训练，获得第一预测模型，所述第一预测模型中包括路线等级约束以及天气条件约束；
[0039]预测模块，用于通过训练后的第一预测模型进行预测，得到柴油耗量。
[0040]第三方面，本专利技术提供了一种计算设备，包括：
[0041]存储器和处理器；
[0042]所述存储器用于存储计算机可执行指令，所述处理器用于执行所述计算机可执行指令，该计算机可执行指令被处理器执行时实现所述预测卡车柴油消耗量的分析方法的步骤。
[0043]第四方面，本专利技术提供了一种计算机可读存储介质，其存储有计算机可执行指令，该计算机可执行指令被处理器执行时实现所述预测卡车柴油消耗量的分析方法的步骤。
[0044]与现有技术相比，本专利技术的有益效果：本专利技术通过随机森林神经网络模型在考虑了多个因素后，其中加入路线等级以及天气条件的约束，可以使模型更全面地考虑影响油耗的各种因素，更准确地预测卡车从出发点到目的地的消耗量。通过将这些信息都包含在模型中，可以提高预测的准确性，并且能够更好地适应不同的实际应用场景，具有很好的灵活性和泛化能力，提高了模型的稳定性和可靠性。
附图说明
[0045]为了更清楚地说明本专利技术实施例的技术方案，下面将对实施例描述中所需要本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种预测卡车柴油消耗量的分析方法，其特征在于，包括：获取与预测油耗目标的相关数据，并对数据预处理；从预处理后的数据中提取油耗特征值；将油耗特征值输入神经网络模型进行训练，获得第一预测模型，所述第一预测模型中包括路线等级约束以及天气条件约束；通过训练后的第一预测模型进行预测，得到柴油耗量。2.如权利要求1所述的预测卡车柴油消耗量的分析方法，其特征在于，所述预测目标包括，卡车从出发点到目的地的柴油消耗量；所述相关数据包括，路线数据、车辆数据和天气数据；所述路线数据包括路线长度、平均海拔高度、路线等级以及高速路段；所述车辆数据包括车型、车辆的载重、自重、发动机功率、平均车速以及传动系数。3.如权利要求1或2所述的预测卡车柴油消耗量的分析方法，其特征在于，所述油耗特征值包括，路线长度、平均海拔高度、平均车速、行车时间、路线等级、车型和天气条件。4.如权利要求3所述的预测卡车柴油消耗量的分析方法，其特征在于，将油耗特征值输入神经网络模型进行训练，获得第一预测模型，包括，将油耗特征值输入随机森林神经网络，油耗量作为输出；获得油耗特征值与油耗量的映射关系。5.如权利要求1或4所述的预测卡车柴油消耗量的分析方法，其特征在于，所述路线等级约束包括通过高速占比或海拔高度设定路线等级，其中，总路段中高速路段占比大于等于三分之二的路线，或，总路段中大于等于三分之二的海拔小于等于300米的路线，路线等级标记为一级；总路段中高速路段占比在三分之二至三分之一之间的路线，或，总路段中三分之二至三分之一的海拔在300至600米之间的路线，路线等级标记为二级；总路段中高速路段占比小于等于三分之一的路线，或，总路段中小于等于三分之一的海拔大于等于600米的路线，路线等级标记为三级。6.如权利要求5所述的预测卡车柴油消耗量的分析方法，其特征在于，所述天气条件约束包括设定天气情况等级，其中，若行驶时间段内全部为晴天、阴天以及风力等级小于等于4级时，则该天气等级标记为一级；若行驶时间段内或之前半天天内存在持续时间超过3...

【专利技术属性】
技术研发人员：李树学，姜文鑫，姜文涛，
申请(专利权)人：华能伊敏煤电有限责任公司，
类型：发明
国别省市：