基于LSTM神经网络的乘用车能耗预测

徐凌峰，高 洪

基于LSTM神经网络的乘用车能耗预测

徐凌峰，*高 洪

（安徽工程大学机械工程学院，安徽，芜湖 241000）

为改善当今石油供需矛盾和环境问题，针对乘用车提出了基于LSTM神经网络的燃油乘用车能耗预测模型。通过纵向动力学建模并匹配相应车型进行求解，结合GB/T 38146.1行驶工况数据，得出能耗随时间的变化率。构建LSTM神经网络架构，根据处理后的数据样本，对LSTM神经网络进行训练和评价。最后，通过LSTM神经网络和BP神经网络的仿真对比表明，随着迭代周期的增加，LSTM神经网络模型具有更高的精度，对能耗预测的准确性较好，对改善无人驾驶车辆的节能减排具有工程应用价值。

行驶工况；纵向动力学；LSTM神经网络；能耗预测

近年随着汽车保有量持续增长，加剧了环境污染和能源短缺问题，汽车能耗引起了广泛关注，因此对汽车能耗进行预测具有重要意义。车辆整车能耗主要是由车轮阻力能耗、空气动力阻力能耗、爬坡阻力能耗和加速阻力能耗构成[1-2]。目前对车辆能耗预测的研究方法较多，主要有：基于驾驶员风格和路线特征的神经网络预测模型[3]；利用数据驱动通过将驾驶参数和环境参数结合，预测能量消耗[4]；基于ARIMA模型柴油客车能耗预测[5]；通过分析出影响车辆能耗的因素，利用神经网络进行能耗预测被广泛使用[6-9]。这些方法需要采集影响能耗因素，无法针对相应的车辆动力学模型进行研究分析，通过对车辆模型进行研究得出影响能耗的主要因素，再利用神经网络对预测模型进行验证。……