在交通碳达峰和碳中和的背景下,高精度、细粒度、可实施性强的机动车能耗实时预测方法成为交通减碳关键组成之一。针对传统基于回归的车辆能耗模型普适性较差的问题,提出了一种基于径向基函数神经网络(radial basis function neural net...在交通碳达峰和碳中和的背景下,高精度、细粒度、可实施性强的机动车能耗实时预测方法成为交通减碳关键组成之一。针对传统基于回归的车辆能耗模型普适性较差的问题,提出了一种基于径向基函数神经网络(radial basis function neural network,RBFNN)的车辆能耗预测模型。首先分析车辆能耗影响因素并基于Min-Max标准化方法对影响因素矩阵进行归一化处理,然后基于灰狼算法(grey wolf optimization,GWO)优化RBFNN算法隐藏层中心点、高斯函数的宽度和隐含层与输出层连接的权值的训练,最后从横向模型对比和实车实测数据进行模型预测准确度分析。测试结果表明:RBFNN算法预测准确度较传统回归模型提高约12%,整体准确度达到90%以上,能够很好地对城市机动车能耗进行预测。展开更多
文摘在交通碳达峰和碳中和的背景下,高精度、细粒度、可实施性强的机动车能耗实时预测方法成为交通减碳关键组成之一。针对传统基于回归的车辆能耗模型普适性较差的问题,提出了一种基于径向基函数神经网络(radial basis function neural network,RBFNN)的车辆能耗预测模型。首先分析车辆能耗影响因素并基于Min-Max标准化方法对影响因素矩阵进行归一化处理,然后基于灰狼算法(grey wolf optimization,GWO)优化RBFNN算法隐藏层中心点、高斯函数的宽度和隐含层与输出层连接的权值的训练,最后从横向模型对比和实车实测数据进行模型预测准确度分析。测试结果表明:RBFNN算法预测准确度较传统回归模型提高约12%,整体准确度达到90%以上,能够很好地对城市机动车能耗进行预测。
