基于机器学习的驾驶员节能评价研究

摘要

随着中国经济的高速发展，机动车保有量逐年激增。机动车的广泛应用提高了人民群众的生活质量，同时也带来了严重的环境污染。对驾驶员的驾驶操作进行节能分析研究，评价其节能驾驶水平，对于减少交通运输行业的能源消耗具有重要的意义。目前对驾驶员节能评价的研究忽略了车辆行驶工况对驾驶模式的影响，通常在选定的路段开展研究，存在应用场景较为单一的不足。
　　本文提出了一种基于机器学习的驾驶员节能评价方法，将车辆行驶工况应用于驾驶员节能评价中，消除道路交通状况对节能评价的影响。首先，本文通过行程分析法划分运动学片段，基于主成分分析和聚类分析法，按车辆的行驶特点从整体上进行分类，构建车辆行驶工况数据集。其次，以分析车辆燃油经济性为主要目的，基于采集的车辆CAN总线数据，研究影响车辆燃油消耗的主要因素，归纳节能行驶特征参数。然后，基于SMOTE算法对运动学片段数据集进行处理，解决数据样本分布不平衡的问题。最后，基于机器学习算法，建立运动学片段分类模型，分类模型可根据不同分类场景，自适应选择随机森林、支持向量机、k近邻以及XGBoost中效果最佳的算法进行组合，进而分析运动学片段的节能程度。通过基于加权评分法的节能评价公式，可计算驾驶员的节能评价分数。
　　本文对车辆行驶数据进行统计和挖掘，通过对现有驾驶员节能评价方法的对比与分析，表明本文提出的评价方法可消除道路交通状况对节能评价的影响，评价方法具有普适性，可在实际应用中推广。

目录

声明

摘要

第1章 绪论

1．1 研究背景和意义

1．2 国内外研究现状

1．3 研究内容

1．4 论文组织结构

第2章 车辆行驶工况构建方法

2．1 试验数据获取及处理

2．1．1 运动学片段划分

2．1．2 选取并计算特征参数

2．2 构建行驶工况

2．2．1 主成分分析

2．2．2 聚类分析及结果

2．3 本章小结

第3章 影响燃油消耗的因素分析

3．1 计算运动学片段的平均油耗

3．2 速度对油耗的影响

3．3 加速度对油耗的影响

3．3．1 急加速对油耗的影响

3．3．2 减速度对油耗的影响

3．4 发动机转速对油耗的影响

3．5 车速稳定性对油耗的影响

3．6 本章小结

第4章 基于机器学习的驾驶员节能评价方法研究

4．1 面向运动学片段数据集的SMOTE算法

4．1．1 运动学片段数据集分类难点

4．1．2 SMOTE算法基本思想

4．2 基于机器学习的运动学片段分类

4．2．1 基于随机森林的运动学片段分类

4．2．2 基于支持向量机的运动学片段分类

4．2．3 基于k近邻的运动学片段分类

4．2．4基于XGBoost的运动学片段分类

4．3 基于网格搜索的分类模型优化

4．3．1 交叉验证法

4．3．2 网格搜索法

4．4 基于加权评分法的节能评价分数计算

4．5 本章小结

第5章 基于机器学习的驾驶员节能评价方法验证

5．1 原始数据分析

5．2 行驶工况数据集分析

5．3 驾驶员节能评价方法对比

5．4 驾驶员节能评价方法应用

5．5 行驶工况识别实验

5．6 运动学片段节能程度分类实验

5．6．1 基于随机森林的特征选取实验

5．6．2 基于网格搜索的分类模型优化实验

5．6．3 节能程度分类实验结果

5．7 本章小结

结论

参考文献

攻读硕士学位期间发表的论文和取得的科研成果

致谢