改进CS优化RBF神经网络的汽车热舒适性预测

徐熊飞　周晓华　杨艺兴

摘 要：针对汽车驾驶环境热舒适性指标预测平均热感觉（predicted mean vote，PMV）计算复杂、预测精度不高的问题，提出了改进布谷鸟搜索（cuckoo search，CS）算法优化RBF神经网络的汽车热舒适性预测模型（改进CS-RBFNN）。采用自适应步长和高斯扰动因子对CS算法进行改进，并用其对RBF神经网络的中心点c和宽度参数b进行优化。将改进CS-RBFNN与CS-RBFNN和PSO-RBFNN模型的预测结果进行对比，结果表明：改进CS-RBFNN模型的均方根误差（root mean square error，RMSE）值分别降低了9.2%和35.5%，具有更高的预测精度。当RBFNN隐含层神经元个数增加时，预测精度有所提高，但收敛速度降低，运行时间变长。

关键词：RBF神经网络；布谷鸟搜索（CS）算法；热舒适性；预测误差；自适应步长

中图分类号：TP273；U463.851 DOI：10.16375/j.cnki.cn45-1395/t.2023.04.015

0 引言

熱舒适性是人体对热环境的自我感觉和评判。随着汽车产业的不断发展，热舒适性已成为汽车研发过程中不可忽视的因素。人在适宜的热环境中驾驶汽车，能更好地保持生理和心理的愉悦，可有效降低驾驶过程中发生交通事故的概率。

热舒适既属于物理环境的范畴，又涉及生理学、心理学和社会学等领域。自20世纪初以来，不少学者从多个维度对室内热舒适性的评价方法进行了研究，并根据各种不同的评价方法先后提出了一系列的评价指标。如标准有效温度（SET）、有效温度（ET）、新有效温度（*ET）、舒适度指数（comfort index）和风效指数（wind effect index）等。随着热舒适性评价方法的不断变化和发展，目前得到广泛认可的热舒适性指标是丹麦学者Fanger提出的热舒适理论及热舒适方程，即预测平均热感觉（predicted mean vote，PMV）[1]。与其他热舒适性指标相比，PMV方程综合考虑了客观环境因素和个体主观感受。但计算PMV指标时，参数之间互相迭代，增加了计算的复杂性，实时预测存在一定困难[2]。采用智能算法可实现人体对室内环境热舒适性的快速判断。在PMV指标控制下，空调的节能率也得到了提升[3]。文献[4]采用BP神经网络预测PMV，并用遗传算法克服BP神经网络难以获取全局最优的问题。文献[5]采用遗传算法与布谷鸟搜索混合（genetic algorithm cuckoo search，GACS）的算法优化BP神经网络，实现了PMV的预测，GACS算法跳出局部最优的能力更强，但收敛速度较慢。文献[6]采用粒子群PSO算法来减少RBF神经网络对初始值的依赖和收敛时间，并实现了PMV预测，但PSO算法存在全局寻优能力较弱的缺点。本文采用自适应步长和高斯扰动因子对布谷鸟搜索（cuckoo search，CS）算法进行改进，并用其对RBF神经网络进行优化，有效克服了初始值选取和出现局部最优的问题。改进CS算法参数能自适应调整，可快速找到RBF神经网络的最优参数，提高了PMV的预测精度，具有更好的预测效果。

1 热舒适性评价PMV指标分析

虽然PMV指标在热舒适性的评价上得到了广泛认可，在温度控制上的应用越来越多，但在实际应用中，PMV指标需考虑以下几个因素：①人体需要长期处于热平衡状态；②皮肤温度应适宜车内环境温度，并保持相对稳定；③车内人员的排汗率接近最佳状态。驾驶和乘坐汽车时，人的活动量较小，一般能满足PMV指标的要求[7]。PMV指标取值一般在[-3， 3]，分为7个等级。取值越小，代表环境越冷；反之，说明环境越热。当PMV值在[-1， 1]时，人体会感到较为舒适。具体热感觉对应PMV指标数值区间如表1所示。

不同模型预测效果评判如表2所示。与2种对比模型相比，改进CS-RBFNN模型的RMSE值分别降低了9.2%和35.5%，MAE值降低了8.2%和32.2%，最大误差均小于其他2种预测模型。

随着隐含层神经元个数的增加，适应度值变小。当隐含层神经元个数增加到70时，适应度曲线收敛速度变得缓慢，对中心点坐标c和宽度参数b的寻优能力有所降低。

不同神经元个数的预测效果评价如表3所示。随着神经元个数的增加，RMSE、MAE和最大误差有所降低。当神经元个数增加到70时，相较于神经元个数为10的预测模型，RMSE、MAE降低了48.1%与48.5%，预测精度得到一定提升。

4 结论

由于参数互相迭代，增加了PMV指标计算的复杂性，实时性降低。采用改进CS-RBFNN模型对PMV指标进行预测。通过研究，可得如下结论：

1）改进CS-RBFNN模型相较于CS-RBFNN和PSO-RBFNN模型，RMSE值降低了9.2%和35.5%，MAE值降低了8.2%和32.2%，其预测精度更佳。

2）增加模型隐含层神经元个数可减小预测误差，提升预测精度，但网络运行时间变长，实时性降低。

参考文献

[1] 刘启媛.数据驱动的汽车空调热舒适性建模与优化[D].上海：上海交通大学，2020.

[2] 侯启真，李泽，姬雨初，等.基于CS-BPNN算法的飞机客舱PMV指标预测[J].计算机仿真，2020，37（3）：52-55，99.

[3] 苏楚奇，江玥，汪怡平，等.驾驶舱热舒适性与空调经济性分析研究[J].机械设计与制造，2022（1）：228-232，236.

[4] 王晓辉，刘静蕾，边会娟，等.基于改进BP神经网络的室内环境热舒适度预测与分析[J].控制工程，2021，28（7）：1437-1445.

[5] 朱婵.基于混合元启发式算法优化神经网络的热舒适度预测模型[J].微型电脑应用，2020，36（11）：66-69.

[6] 陆烨，朱其新，周敬松，等.一种基于PSO-RBF网络算法的热舒适性指标预测新方法[J].苏州科技大学学报（自然科学版），2020，37（1）：73-78.

[7] 章明超，邹佳庆，周健，等.汽车亚稳态热环境测试与驾驶员热舒适评价[J].汽车工程学报，2022，12（1）：64-74.

[8] 叶立，张梦伢.SUV 6座汽车乘客舱热舒适性研究[J].暖通空调，2022，52（2）：137-141.

[9] 季泰，袁伟琪，王坤，等.热环境下运动人体热感觉研究进展[J].中国体育科技，2022，58（4）：73-80.

[10] 雷蕾，李健，吴青鸿.基于RBF神经网络自适应控制的下肢外骨骼步态跟踪[J].广西科技大学学报，2021，32（3）：42-47，52.

[11] GUO R，SHEN X J，KANG H.Improved CS algorithm and its application in parking space prediction[J].Journal of Bionic Engineering，2020，17（5）：1075-1083.

[12] 郭德龍，周锦程，周永权.基于Levy飞行改进蝴蝶优化算法[J].数学的实践与认识，2021，51（12）：130-137.

[13] LICINA V F，CHEUNG T，ZHANG H，et al.Development of the ASHRAE global thermal comfort database II[J].Building and Environment，2018，142： 502-512.

[14] 蔡博伟.基于机器学习的汽车空调热舒适性系统算法研究[D].上海：上海交通大学，2019.

[15] TARTARINI F，SCHIAVON S.Pythermal comfort：a python package for thermal comfort research[J].Software X，2020，12：1005.

[16] 黄凯奇，陈岳坪，张怡坤.自由曲面加工误差预测：基于模拟退火算法优化的BP神经网络算法[J].广西科技大学学报，2022，33（2）：69-73，82.

Prediction of automobile thermal comfort based on RBF neural network optimized by improved CS

XU Xiongfei1， ZHOU Xiaohua*1， 2， YANG Yixing3

（1. School of Automation， Guangxi University of Science and Technology， Liuzhou 545616， China; 2. Guangxi Key Laboratory of Automobile Components and Vehicle Technology （Guangxi University of Science and Technology）， Liuzhou 545616， China; 3. Dongfeng Liuzhou Automobile Co.， Ltd.， Liuzhou 545005， China）

Abstract： To solve the problem that the calculation of the thermal comfort index PMV of automobile driving environment is complex and the prediction accuracy is not high， an improved cuckoo search（CS）algorithm is proposed to optimize the prediction model of automobile thermal comfort of RBF neural network（improved CS-RBFNN）. The CS algorithm is improved by using adaptive step size and Gaussian disturbance factor， and used to optimize the center point c and width parameter b of RBF neural network. The prediction results of the improved CS-RBFNN model are compared with those of the CS-RBFNN and PSO-RBFNN models. The results show that the RMSE values of the improved CS-RBFNN model are reduced by 9.2% and 35.5%， respectively， with higher prediction accuracy. When the number of RBFNN hidden layer neurons increases， the prediction accuracy improves， but the convergence speed decreases and the running time becomes longer.

Key words： RBF neural network; cuckoo search（CS）algorithm; thermal comfort; prediction error; adaptive step-size

（责任编辑：黎 娅）

收稿日期：2022-11-30

基金项目：广西自然科学基金重点项目（2020GXNSFDA238011）；广东省基础与应用基础研究基金项目（2021B1515420003）资助

第一作者：徐熊飞，在读硕士研究生

*通信作者：周晓华，硕士，副教授，研究方向：新能源汽车能量管理与控制，E-mail：zhxh76@126.com