基于神经网络的驾驶行为与油耗相关性分析∗

基于神经网络的驾驶行为与油耗相关性分析∗

高涛1，3王钊2丁伟东2倪策3赵祥模3

（1.陕西汽车集团有限责任公司博士后科研工作站西安710200）（2.陕西重型汽车有限公司汽车工程研究院西安710200）（3.长安大学信息工程学院西安710072）

随着我国汽车保有量的迅猛增长和环境保护的迫切需求，提高汽车节油性能和驾驶员的驾驶行为已成为汽车产业发展的一项重要任务。论文根据汽车主厂采集的大量实车运行数据，提取出汽车单日行驶数据中的相关驾驶行为与车辆行为数据，然后提取出其中跟汽车油耗相关性最强的特征值进行降维。并经由神经网络进行回归训练，寻找分组内车辆由于驾驶行为不同而导致油耗上的差异。根据训练的结果优化驾驶员的驾驶行为，从而达到降低油耗的目的。

驾驶行为；油耗相关性；节油性能；神经网络

Class NumberU471.1

1 引言

目前全球能源供给形势日趋紧张，与此同时汽车产业的飞速发展给石油供给带来巨大压力［1］，自20世纪能源危机以来，燃油价格的持续上涨，使得汽车燃油成本不断提高，汽车的经济性一直是大家关注的焦点，汽车运输的油耗约占汽车运输成本的20%～30%［2］，汽车节能就意味着降低运输成本，提高经济效益。据统计，我国各类车辆保有量已经达到2.17亿辆［3］，预计到2020年，汽车所消耗的石油燃料将占国家整个石油消耗量的55%，因此汽车节油技术的研究与发展势在必行。

影响汽车油耗的因素很多，包括汽车自身特性、道路交通条件和自然环境等［4］。因此在生产节能型车辆［5～7］、路面养护改良［8］、使用节油装置［9～12］，交通设施改进［13］同时，做好对驾驶员的培训，建立了绿色驾驶行为模型［14～16］，优化其驾驶行为是目前最直接和有效的节油手段之一。

本文根据汽车主厂通过车载终端采集的车辆运行过程的实时数据，采用神经网络［17～19］提取出跟汽车油耗相关性最高的若干项特征值，再通过神经网络回归训练，寻找车辆由于驾驶行为不同而导致油耗上的差异。最终通过不断地培训驾驶员，优化其驾驶行为，从而达到降低油耗的目的。

2 油耗相关数据采集及预处理

2.1油耗相关数据采集

汽车主厂通过车载终端实时在线对汽车行驶过程中的油耗、驾驶行为和车辆行为等累积量数据进行采集。并以单日为时间节点对符合该大客户实车运行状况数据进行特征值提取。主要提取的特征值包括：车速分布、转速分布、扭矩分布、档位分布、动能变化量、平均车速、空挡滑行、怠速超时、超速、超转、发动机工况等百余项特征值。

2.2油耗相关数据预处理

通过车载终端采集的数据通常比较粗糙，由于车辆在行驶过程中种种因素的影响，有很多数据的突变以及无效数据的误采集，所以必须对数据进行预处理，包括以下几个部分：

1）对采集到的数据进行优化处理从而排除数据丢失、数据跳变等对结果带来的不确定性干扰。

2）对于采集到的驾驶行为数据进行预处理，其中主要包括：空档滑行、怠速超时、超速统计、加速信息、减速信息、巡航信息、高扭矩低转速和低扭矩高转速等等，以空档滑行为例如下：

空挡滑行：根据车速、转速、扭矩，对车辆空挡滑行状态进行识别。并对车速数据使用三点法（始、末、最大值）对空挡滑行属性进行识别。通过对车速、转速、扭矩三项数据对齐，在相同时间内。转速小于900转/分钟、扭矩小于5%、车速大于20km/s。当车辆连续处于该状态超过30秒时，为所识别出的空挡滑行。并通过对空挡滑行阶段始、末车速，车速最大值进行识别，并统计起始车速至最大车速占本次空挡滑行时间比例。并对该次空挡滑行严重性质进行划分。主要衡量指标包括：空挡滑行总时长、加速部分时长占比、始末及最大车速。

3）对采集到的车辆数据进行预处理，其中主要包括：车速分布、转速分布、扭矩分布、里程、累计油气耗、发动机工况分布、平均车速和正、负动能变化量等等，以发动机的工况为例如下：

发动机工况分布：通过将转速、扭矩两项数据在时间维度进行对齐，对单位时间内发动机扭矩百分比与转速的关系进行二维空间三维信息提取，第三维度为热度。时间单位为小时，以自然时间整点为时间节点。

3 神经网络模型建立

本文采用神经网络来对数据进行回归训练，其包括输入层、隐含层及输出层，各层间实现全连接，同层节点中没有任何耦合，输入信号从输入层节点依次传过各隐层节点，最后传到输出节点，其核心是通过误差逆向传播来修正各个节点的权值和阈值。设BP神经网络输入层包含N个神经元，隐含层包含L个神经元，输出层包含M个神经元，输入向量为X，实际输出向量为Y，模型输出向量为Y*，f1(·)和f2(·)为激活函数，网络训练计算误差为ε，网络学习速率为η。建立如图1所示的BP神经网络模型。

图1 神经网络模型

神经网络基本步骤如下：

1）若输入层神经元个数为N，输入向量组X=(x1,x2,…,xN)，Wi为节点初始权值，则隐含层神经元的输入式为

3）若输出层神经元个数为M，输出向量组Y=(y1,y2,…,yM)，Wjk为节点j与节点k的连接权值，θk为节点k的阈值，则输出层神经元的输出式为

2）若隐含层神经元个数为L，Wij为节点j与节点i的连接权值，θj为节点的阈值，则隐含层神经元的输出式为

4）各层激活函数（Sigmoid函数）为

5）隐含层及输出层各节点的误差ε为

6）误差逆向传播各层权值修正式为

BP神经网络训练过程中，Vi，Oi通过权值W、阈值θ相互联系；Y，Y*通过误差ε、激活函数f1(·)和f2(·)相互联系。

4 驾驶行为强相关特征提取

由于初始采集的数据中的特征比较多，对于寻找最优驾驶行为的参数具有很大的数据冗余以及不利于后面进行有效的驾驶行为训练，所以我们对采集预处理过的数据进行驾驶行为强相关特征提取。该部分是在相同配置车辆前提下寻找驾驶行为特征与汽车油耗的相关性分析，找出与油耗相关度最强的若干项特征。训练步骤如下：

1）网络初始化：将数据库中百公里油耗数据作为目标参数，驾驶行为参数作为输入参数进行训练。

2）训练样本与测试样本提取：从数据中随机取90%的数据作为训练样本，其余10%作为测试样本。

3）数据样本归一化：将数据样本按类映射至［0，1］之间。

4）以初始神经网络模型为基础，通过对训练参数逐一赋全值‘0’与‘1’。统计各训练参数的改变对预测结果与目标参数的影响最大的前N项，认为此N项训练参数为对油耗影响最为强烈的强相关参数。

5）最后提取出N项强相关的特征，本文中N取12，相关性如图2所示，图中标记出了相关度最强的12项驾驶行为。

图2 强相关的12项特征选择

5 神经网络回归模型实验

在相同配置车辆、相似任务前提下，按照配置和任务对车辆进行分组。为保证燃油预测的准确性，必须对每个分组内车辆进行单独训练。即每个分组内具有独立的神经网络回归模型。训练步骤如下：

1）网络初始化：将数据库中与百公里油耗强相关的12项特征值进行提取，同时对神经网络的学习速率、最大训练次数以及隐节点个数进行确定。

2）训练样本与测试样本提取：从筛选后的数据中随机取75%的数据作为训练样本，其余25%作为测试样本。

3）数据样本归一化：进行数据标准化处理以解决数据指标之间的可比性，将数据样本映射至［0，1］之间。

4）初始神经网络回归建立：将归一化后训练样本输入神经网络回归训练模型中，采用监督式学习的方法，以百公里油耗数据为目标参数，样本参数为训练参数。通过首次训练得到初始神经网络模型。

5）网络训练：利用网络期望输出与实际输出的差异，通过计算误差函数对各层权值和阈值进行反复调整、训练，如图3所示。

6）判断网络误差是否满足要求：当误差达到预设精度，则训练结束。否则选取下一个学习样本及对应的期望输出进行学习。

图3 神经网络回归训练流程图

7）神经网络回归模型检测：将检测样本中对应输入至神经网络回归模型中，对比回归结果与测试样本中的目标样本的误差率。验证所得到模型是否可用。若误差符合要求则算法结束，最终获得各分组神经网络回归模型。

8）参数记录：强相关行为参数种类、各参数归一化前最值、神经网络回归模型。

神经网络回归模型测试的效果为图4所示，其中的数据分布越接近直线，表明训练模型对相关度的描述越精确，同时表示训练模型对油耗预测度越高。

图4 神经网络回归测试图

6 结语

本文基于汽车实际运行中的各项数据，通过神经网络提取出与汽车百公里油耗具有强相关性的特征值。并以空挡滑行、怠速超时、超速统计及高扭矩低转速等特征值作为神经网络的输入参数，以燃油消耗量作为神经网络的输出结果，通过对神经网络进行回归训练建立了针对驾驶员操作的汽车油耗预测模型。并寻找各种类型及各种任务的车辆节油驾驶行为与费油驾驶行为的区别，从而为大客户提供定制化的驾驶员培训方案，以此优化驾驶员的驾驶行为，达到降低油耗的目的。

［1］姜星莉.经济全球化背景下中国能源安全问题研究［D］.武汉：武汉大学，2010：13-27.

JIANG Xingli.A Study on Energy Security of China under the Background of Economic Globalization［D］.Wuhan：Wuhan University，2010：13-27.

［2］张延昕.汽车运输成本研究［J］.中国集体经济，2014， 27：145. ZHANG Yanxin.Research of transportation cost for auto⁃mobile［J］.Collective economy of China，2014，27：145.

［3］佚名.全球汽车保有量与中国汽车保有量［J］.时代汽车，2012（1）：63-63.

Anonymous.Vehicle Population in China and global［J］. Automobile Time，2012（1）：63-63.

［4］王登峰，邓阳庆，刘延林，等.汽车使用诸因素对燃油经济性的影响分析与试验研究［J］.公路交通科技，2008，25（8）：150-153.

WANG Dengfeng，DENG Yangqing，LIU Yanlin，et al. Analysis and Experimental Research of Influence of Auto⁃mobile Usage Factors on Fuel Economy［J］.Journal of Highway&Transportation Research&Development，2008，25（8）：150-153.

［5］Musardo C，Rizzoni G，Guezennec Y，et al.A-ECMS：An adaptive algorithm for hybrid electric vehicle energy man⁃agement［J］.European Journal of Control，2005，11（4）：509-524.

［6］Taylor J，Maitra A，Alexander M，et al.Evaluations of plug-in electric vehicle distribution system impacts［C］// IEEE PES General Meeting.IEEE，2010：1-6.

［7］DEILAMI S，MASOUM A S，MOSES P S，et al.Real-time coordination of plug-in electric vehicle charging in smart grids to minimize power losses and improve voltage profile［J］.IEEE Transactions on Smart Grid，2011，2（3）：456-467.

［8］王凯.高速公路沥青路面养护管理决策优化研究［D］.长安大学，2014：10-17.

WANG Kai.Study on decision optimization of asphalt pavement maintenance management for expressway［D］. Chang'an University，2014：10-17.

［9］苏明.智能型节油装置［J］.国外内燃机车，2001，6：011.

SU Ming.Intelligent fuel saving device［J］.Foreign diesel locomotives，2001，6：011.

［10］Ganti R K，Pham N，Ahmadi H，et al.GreenGPS：a par⁃ticipatory sensing fuel-efficient maps application［C］// Proceedings of the 8th international conference on Mo⁃bile systems，applications，and services.ACM，2010：151-164.

［11］Chen H，Chang H.Development of low temperature three-way catalysts for future fuel efficient vehicles［J］. Johns.Matthey Technol.Rev，2015，59：64-67.

［12］Garg A，Magee M，Ding C，et al.Fuel-efficient exhaust thermal management using cylinder throttling via intake valve closing timing modulation［J］.Proceedings of the Institution of Mechanical Engineers，Part D：Journal of Automobile Engineering，2016，230（4）：470-478.

［13］钱红波.机动车红灯倒计时对交通安全与通行效率的影响研究［J］.交通信息与安全，2011，29（3）：65-68.

QIAN Hongbo.Influence of Red Signal Countdown on Traffic Safety&Efficiency［J］.Journal of Transport Infor⁃mation&Safety，2011，29（3）：65-68.

［14］Jamson S L，Hibberd D L，Jamson A H.Drivers'ability to learn eco-driving skills；effects on fuel efficient and safe driving behaviour［J］.Transportation Research Part C：Emerging Technologies，2015，58：657-668.

［15］De Vlieger I，De Keukeleere D，Kretzschmar J G.Envi⁃ronmental effects of driving behaviour and congestion re⁃lated to passenger cars［J］.Atmospheric Environment，2000，34（27）：4649-4655.

［16］Bernard J，Delprat S，Guerra T M，et al.Fuel efficient power management strategy for fuel cell hybrid power⁃trains［J］.Control Engineering Practice，2010，18（4）：408-417.

［17］Ortega M，Hanrahan G，Arceo M，et al.Application of a computational neural network to optimize the fluores⁃cence signal from a receptor-ligand interaction on a mi⁃crofluidic chip［J］.Electrophoresis，2015，36（3）：393-397.

［18］Wang T，Gao H，Qiu J.A combined adaptive neural net⁃work and nonlinear model predictive control for multirate networked industrial process control［J］.IEEE Transac⁃tions on Neural Networks and Learning Systems，2016，27（2）：416-425.

［19］Mashaly A F，Alazba A A，Al-Awaadh A M，et al.Predic⁃tive model for assessing and optimizing solar still perfor⁃mance using artificial neural network under hyper arid environment［J］.Solar Energy，2015，118：41-58.

Correlation Analysis for Driving Behaviour and Fuel Consumption Based on Neural Network

GAO Tao1，3WANG Zhao2DING Weidong2NI Ce3ZHAO Xiangmo3
（1.Postdoctoral Programme，Shaanxi Automobile Group Co.，Ltd，Xi'an710200）（2.Automobile Engineering Research Institute，Shaanxi Heavy Duty Automobile Co.，Ltd，Xi'an710200）（3.School of Information Engineering，Chang'an University，Xi'an710072）

With the dramatic increase of vehicle population and critical need for environment protection，improving automo⁃bile fuel economy and driving behavior have become a dominant task in development of automobile industry.In this paper，firstly abundant automobile running data is collected from automobile company，and then the data of driving behavior and vehicle behavior are extracted from the database，next，the dimension of data is reduced and the highly relevant data is derived with fuel consump⁃tion，finally，a relationship between automobile fuel economy and driving behavior are searched based on neural network.In a con⁃clusion，the results of neural network are utilized to optimize the driving behavior and decrease automobile fuel consumption.

driving behavior，fuel consumption correlation，fuel economy，neural network

U471.1

10.3969/j.issn.1672-9722.2017.05.003

2016年11月12日，

2016年12月19日

国家自然科学基金（编号：61302150）；中国博士后科学基金（编号：2014M562356）；陕西省协同创新计划（编号：2014XT-03）资助。

高涛，男，副教授，硕士生导师，研究方向：智能信号处理，模式识别。王钊，男，博士，工程师，研究方向：车联网应用。丁伟东，男，工程师，研究方向：车队管理系统，数据挖掘。倪策，男，硕士研究生，研究方向：模式识别。赵祥模，男，博士，教授，研究方向：交通信息技术及ITS。