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。

LSTM神经网络克服了长时间依赖问题，具有记忆性，在语音识别、机器翻译、编码处理等领域都有应用[10-14]。LSTM在无人驾驶中也有广泛应用，如车辆换道识别、轨迹预测、自适应续航等[15-18]。车辆能耗具有时序性，LSTM神经网络可以将较早时间步长的信息带到较后时间步长的细胞中，克服了短时记忆的影响，可以提高能耗预测的鲁棒性和精度。

1 纵向动力学建模与数值求解

1.1 纵向动力学建模

在不考虑车辆行驶中横向和垂向运动产生的影响，建立整车模型，并将车辆简化为两轮模型。车辆受力图如图1所示。

图1 车辆纵向受力图

在车辆行驶方向上，车辆受到行驶阻力和驱动力两种外力。通过建立这两种力的平衡关系，可得出车辆的纵向动力学模型[19]，即：

1.1.1 汽车的驱动力

1.1.2 汽车的行驶阻力

以上四种阻力中：

综上所述，建立汽车的纵向动力学方程为：

2 乘用车纵向动力学模型的数值求解

2.1 输出功率、能耗与时间关系

通过乘用车速度与发动机转速的关系得：

由该式可得发动机转速的数学计算式为：

根据汽车理论的相关知识可知发动机功率与扭矩、转速的关系式为：

通过以上计算，得出乘用车功率随时间变化的表达式，即得出能耗随时间的表达式：

2.2 车型匹配、运行工况与能耗仿真

匹配相应车型，根据车型和路面的实际情况，列出仿真车辆的各参数如表1。

表1 车辆模型参数

Table 1 Vehicle model parameters

符号参数取值 m车辆整备质量1705 kg 车轮半径0.275 m 空气密度1.2258 kg/m3 变速器最低档传动比6.54 机械效率0.92 车轮半径0.275 m G汽车重力17050 N 滚动阻力系数0.016 空气阻力系数0.305 A迎风面积1.6 m2 汽车旋转质量换算系数1.21

结合GB/T 38146.1行驶工况，得出加速度随时间的变化率，并根据上述乘用车纵向动力学模型的求解结果，得出能耗随时间的变化率。通过matlab软件，得出运动工况和能耗仿真图，如图2-图4。

图2 加速度与时间变化率

图3 速度与时间变化率

图4 能耗与时间变化率

3 长短时记忆神经网络

3.1 长短时记忆神经网络架构

长短时记忆神经网络是在循环神经网络中加入了长短期记忆，解决循环神经网络的缺陷，有效处理长距离依赖问题。LSTM模型的结构如图5：

图5 LSTM模型结构

3.2 长短时记忆神经网络训练算法

1）前向计算。LSTM的输入门、遗忘门和输出门的计算公式为[20]：

再将上式中每个偏导数都求出来，即得：

由上式可以得出误差项向前传递到任意时刻的公式：

上式就是将误差传递上一层的公式。

4 基于LSTM的车辆能耗预测模型

4.1 LSTM模型搭建

在构建LSTM车辆能耗预测模型时，需要设计模型的输入层、隐含层和输出层的结构，再编译神经网络模型进行训练和预测。输入层是速度和加速度，隐含层采用LSTM单元，输出层是预测的结果，即能耗随时间的变化。神经网络的训练根据训练数据不断修正各层的权值，达到最优预测效果。

4.1.1 输入层

根据上述建立的车辆纵向动力学模型，通过对GB/T 38146.1行驶工况数据的处理，提取时间与速度的变化关系，从而得出时间与加速度之间的关系。将速度和加速度作为输入网络的数据。为了防止神经网络训练收敛过快，神经元饱和，则需对数据先进行归一化处理，使数据的范围在[-1,1]之间。

4.1.2 隐含层

4.1.3 输出层和训练

能耗随时间的关系作为神经网络的输出。神经网络训练过程中使用随机梯度下降优化算法和用于回归问题的均方损失函数，训练神经网络数据，调整数据集上的权重，采用反向传播算法进行训练，根据编译模型时指定的优化算法和损失函数进行优化。最后，当训练次数达到最大时终止神经网络的训练。训练完成后对网络进行评估，评估完成后此模型可用于车辆能耗预测。LSTM学习流程如图6所示。

4.2 长短时神经网络训练

将神经网络训练数据进行归一化处理后，根据网络架构设置相应的超参数（batch_size=128；epochs=2000；look_back=8），使用sigmoid作为激活函数，为了避免过度拟合，设置dropout为0.2。使用TensorFlow框架构进行网络搭建。根据图6神经网络学习流程进行训练，通过计算得出的损失值和精度对神经网络的准确性进行评估，保证神经网络的稳定。最后，通过matplotlib导出损失值和迭代周期变化关系图像，如图7所示。由图可知，损失值最终趋于0，小于0.05，满足精度需求。

图6 LSTM神经网络学习流程

图7 损失值随迭代周期变化图像

4.3 仿真与对比

为了验证LSTM在处理长记忆性时间序列的数据上刻画能力更强，能更好的解决梯度消散和梯度爆炸的问题，现设计一个基于BP神经网络的模型作为对比。从图8 BP神经网络的结构可以看出，BP神经网络无法利用之前的数据不具有长依赖性，导致对基于行驶工况的能耗预测略显不足。

图8 BP神经网络结构

通过设置BP神经网络与LSTM神经网络使用相同的隐藏层神经元节点数，输出层相同的激活函数，并使用相同的损失函数。训练后，BP神经网络和LSTM的精度和损失值随迭代周期的变化如图9和图10所示。由图可知，BP神经网络的精度明显没有LSTM的高，在迭代1500次后稳定在80%左右，缺乏有效的车辆能耗预测，模型不具有泛化性。LSTM的模型精度随着迭代周期的增长精度也在相应增长，最终达到93%附近。

图9 精度随迭代周期变化

图10 损失值随迭代周期变化

5 结论

通过建立的车辆纵向动力学模型，研究燃油乘用车的能耗预测，求解得出速度、加速度和能耗随时间变化率；使用LSTM神经网络构建车辆能耗预测模型，LSTM具有很强的长时记忆性，能够更好地预测能耗变化，克服了传统循环神经网络的不足。通过与构建的BP神经网络模型训练后结果进行仿真对比，LSTM神经网络训练后精度达到了90%以上，高于BP神经网络80%。仿真结果表明，LSTM神经网络在处理车辆时序数据时具有更高的预测精度，能达到最好的预测效果。

[1] Pennycotta, Novellisld,Gruber P. Sources of power loss during torque- vectoring for fully electric vehicles[J]. International Journal of Vehicle Design, 2015, 67(2):157-177.

[2] Naser, Vahide, Reza H.Introducing the modified tire power loss and resistant force regarding longitudinal slip[J]. SAE International Journal of Passenger CarsMechanical Systems,2018,11(2):167-176.

[3] Felipe J, Amarillo J C, Naranjo J E, et al. Energy Consumption Estimation in Electric Vehicles Considering Driving Style[C] IEEE International Conference on Intelligent Transportation Systems, IEEE, 2015.

[4] De Cauwer C, Verbeke W, Coosemans T, et al. A DataDriven Method for Energy Consumption Prediction and Energy-Efficient Routing of Electric Vehicles in Real-World Conditions[J]. Energies, 2017, 10(5):608.

[5] 吕承举,李萌,廖宝梁,等.基于ARIMA模型的柴油客车能耗预测[J].山东交通科技,2019(2):120-123.

[6] 苏卉,任焕焕.乘用车燃料消耗量的神经网络预测[J].汽车工程师,2016(11):20-22.

[7] 周昇,运用 BP 神经网络预测柴油机的比油耗[J]..装备制造技术,2016(12):192-193.

[8] Wu J D, Liu J C . Development of a predictive system for car fuel consumption using an artificial neural network[J]. Expert Systems With Applications, 2011, 38(5): 4967-4971.

[9] 赵晓华,姚莹,伍毅平,等.基于主成分分析与 BP 神经元网络的驾驶能耗组合预测模型研究[J]交通运输系统工程与信息 ,2016,16（5）:185-191，204.

[10] Balaji. Automatic and non-invasive Parkinson’s disease diagnosis and severity rating using LSTM network[J]. Applied Soft Computing Journal, 2021, 108(2):107442.

[11] Sm A, Sm B, Nrj C. Unsupervised anomaly detection with LSTM autoencoders using statistical data-filtering[J]. Applied Soft Computing , 2021,108(2):107443.

[12] 于建均,李晨,左国玉,等.基于LSTM神经网络的仿人机器人循环步态的生成方法[J]. 北京工业大学学报, 2020, 46(12):25-34.

[13] Ren B.The use of machine translation algorithm based on residual and LSTM neural network in translation teaching[J]. PLOS ONE, 2020, 15.

[14] Geng P,Xu X Y , Tarasiuk T. State of Charge Estimation Method for Lithium-Ion Batteries in All-Electric Ships Based on LSTM Neural Network[J]. Polish Maritime Research, 2020, 107(3):100-108.

[15] 连静,王欣然,李琳辉,等.一种基于人车交互的LSTM神经网络行人轨迹预测方法[P].中国专利 CN111161322A 2020.

[16] 宋晓琳,李明俊,易滨林.基于长短期记忆网络的换道意图识别方法[J/OL].中国公路学报:1-11[2021-05-28].

[17] 吴金.基于LSTM改进的Q-learning协同式自适应巡航控制算法[J]. 长春工程学院学报:自然科学版, 2020,21(4):65-70.

[18] 莫易敏,胡恒,王骏,等.基于神经网络的车辆急加速工况驾驶性评价研究[J].汽车技术,2021(4):12-18.

[19] 朱敏.智能车辆纵向速度跟踪与控制方法研究[D].北京:北京理工大学,2016.

[20] Kim Taehooie . A stepwise interpretable machine learning framework using linear regression (LR) and long short-term memory (LSTM): City-wide demand-side prediction of yellow taxi and for-hire vehicle (FHV) service[J]. Transportation Research Part C: Emerging Technologies, 2020, 120 : 102786.

ENERGY CONSUMPTION PREDICTION FOR PASSENGER CAR BASED ON LSTM NEURAL NETWORK

XU Ling-feng，*GAO Hong

（School of Mechanical Engineering, Anhui Ploytechnic University, Wuhu, Anhui 241000, China）

In order to improve the contradiction of oil supply-demand and environmental problems, a fuel consumption prediction model for passenger cars based on LSTM neural network was proposed. Combined with the driving condition data of GB/T 38146.1, through the longitudinal dynamic modeling and matching with the corresponding vehicle model, the change rate of energy consumption with time was obtained. The LSTM neural network architecture was constructed, and the LSTM neural network was trained and evaluated according to the processed data samples. Finally, through the simulation comparison of LSTM neural network and BP neural network, with the increase of iteration period, LSTM neural network model had higher accuracy and better accuracy for energy consumption prediction, it was of engineering application value to improve the energy saving and emission reduction of unmanned vehicles.

driving cycle; longitudinal dynamics; LSTM neural network; energy consumption forecast

O426.9

A

1674-8085（2021）05-0078-07

2021-06-09；

2021-06-30

安徽省高校自然科学研究重大项目(KJ2017ZD14)；安徽高校协同创新项目(GXXT—2019—021)

10.3669/j.issn.1674-8085.2021.05.015

徐凌峰(1996-)，男，安徽合肥人，硕士生，主要从事数字化汽车设计与制造方向研究(E-mail：2190130138@stu.ahpu.edu.cn)；

*高 洪(1963-)，男，安徽枞阳人，教授，博士，主要从事数字化汽车设计与制造方向研究(E-mail：gaohong0706@sina.com).