[发明专利]一种基于汽车OBD数据预测某次行程百公里油耗的方法

权利要求书

1.一种基于汽车OBD数据预测某次行程百公里油耗的方法，其特征在于，所述方法使用加油周期的百公里油耗数据来抽取特征建立模型，最后将此模型应用在单行程百公里油耗的预测上，最后计算出预测的单行程的百公里油耗，所述方法包括：

S1：特征数据选取与分析；

S2：建立模型，使用加油周期数据训练模型；

S3：使用加油周期数据验证模型；

S4：使用单行程数据验证模型；

所述S1包括：

S11：选取因变量,新建一个指标为油耗指数，加工油耗指数，存放基于车型归一化处理后的百公里油耗；

S12：选取自变量，定义月份地域油耗指数、车辆历史油耗指数、加油周期内平均速度、急加速指数、急减速指数、急转向指数、怠速指数、速度区间占比、转速区间占比和排量，用相关系数筛选出影响大的因素，所述相关系数是用以反映变量之间相关关系密切程度的统计指标，相关系数按积差方法计算，以两变量与各自平均值的离差为基础，通过两个离差相乘来反映两变量之间相关程度，所述相关系数是皮尔逊相关系数。

2.根据权利要求1所述的方法，其特征在于，所述S11中油耗指数加工方法具体如下：1)按品牌、车型、排量、变速箱类型、发动机型号、最大马力将车辆分组，计算得到平均百公里油耗值，2)将每一车辆每一加油周期的百公里油耗除以对应分组车型的平均百公里油耗值。

3.根据权利要求1所述的方法，其特征在于，所述S12中月份地域油耗指数为按月份、城市分组的平均油耗指数，所述车辆历史油耗指数为按车辆ID分组计算得到的平均油耗指数，所述加油周期内平均速度为加油周期内总行驶里程/加油周期总行驶时长，所述急加速指数为急加速次数/加油周期内总行驶里程，其中急加速定义为车辆正加速度达到某个阈值。

4.根据权利要求1所述的方法，其特征在于，所述S12中急减速指数为急减速次数/加油周期内总行驶里程，其中急减速定义为车辆负加速度达到某个阈值；所述急转向指数为急转向次数/加油周期内总行驶里程，其中急转向定义为车辆转向角达到某个阈值；所述怠速指数为怠速时长/加油周期内总行驶里程；所述速度区间占比为将采集到的速度划分到不同速度区间内，各区间的占比；所述转速区间占比为将采集到的转速划分到不同转速区间内，各区间的占比；所述排量为不同车型的排量。

5.根据权利要求1所述的方法，其特征在于，对S12中的每个自变量计算与S11因变量油耗指数的相关系数，分析各个自变量因素对油耗指数的影响大小。

6.根据权利要求1所述的方法，其特征在于，所述S2包括：

S21：将S1中特征数据组成数据集，在数据集中随机抽样数据，选择其中的70％作为测试集，剩余30％作为训练集；

S22：设置XGBoost模型参数，设置油耗指数作为因变量，其他指标作为自变量，设置objective＝“reg:linear”，另外设置其他训练参数,其他训练参数具体包括：学习率，线程数，迭代次数，L1，L2正则惩罚系数，树深度与误差函数，所述误差函数默认为RMSE，通过调整这些参数来对模型进行调优，直至最后结果误差最小。

7.根据权利要求1所述的方法，其特征在于，所述S3包括：

S31：将测试集数据输入进训练好的模型，计算出预测的油耗指数；

S32：查看油耗指数预测值的密度分布情况；

S33：通过百分位数来查看油耗指数预测值与真实值的差异的分布情况；

S34：计算测试集上油耗指数均方根误差和绝对误差，根据油耗指数反求百公里油耗，计算得百公里油耗的均方根误差和绝对误差。

8.根据权利要求1所述的方法，其特征在于，所述S4包括：

S41：将单次行程加工出的指标数据输入进训练好的XGBoost模型，计算得到单次行程的预测百公里油耗指数，并反求出预测百公里油耗；

S42：对每个加油周期下的所有单行程，将预测出的单行程百公里油耗按该行程里程加权，与其所在的加油周期的百公里油耗比较，计算出均方根误差和平均绝对误差。