[发明专利]基于改进符号回归和XGBoost算法的剩余续驶里程预测方法

权利要求书

1.基于改进符号回归和XGBoost算法的剩余续驶里程预测方法，其特征在于，包括下述步骤：

采集纯电动汽车在行驶过程中的运行关键参数，将所述运行关键参数作为初始特征字段得到数据集；所述运行关键参数包括电池荷电状态SOC、速度speed、电池组最高温度值max_temp、电池组最低温度值min_temp、电池单体最大电压值max_cell_volt、电池单体最小电压值min_cell_volt、总电流t_current、总电压t_volt和累计行驶里程mileage；

对所述数据集进行数据预处理；

构建剩余续驶里程字段作为标签字段；

利用人工先验知识对所述数据集中动力电池组相关的数据特征进行组合构建新特征，包括以下特征：

对电池单体最高温度max_temp和单体最低温度min_temp求差，构造一组单体温差特征，得到方差更大的新数据特征：电池单体温差diff_temp，公式为：

diff_temp_i＝max_temp_i-min_temp_i；

对单体最高电压max_cell_volt和单体最低电压min_cell_volt求差，构造一组单体压差特征，得到波动较大的新数据特征：电池单体压差diff_volt，公式为：

diff_volt_i＝max_cell_volt_i-min_cell_volt_i；

对电池组总电压t_volt和总电流t_current求积，构造一组总功率特征，得到反映车辆行驶过程中做功变化的新数据特征：总功率t_power，公式为：

t_power_i＝t_volt_i×t_current_i；

基于改进符号回归算法自动生成与所述标签字段高度相关的新数据特征字段，以基本运算以及定义的boxcox变换运算构成初始程序种群，输入原始数据集，计算新特征与标签变量之间的斯皮尔曼Spearman相关系数作为适应度规则及迭代终止条件，开始程序迭代，得到最优特征转换函数，并以所述最优特征转换函数进行新特征生成，筛选出新数据特征集F；基于改进符号回归算法自动生成与标签字段高度相关的新数据特征字段，具体生成过程为：

(1)输入初始特征字段数据集D＝{(x⁽¹⁾,y⁽¹⁾),...,(x⁽ⁱ⁾,y⁽ⁱ⁾),...,(x^(m),y^(m))}，其中x表示特征字段构成的向量组，y表示标签字段，i表示非首末条数据；设计一组实现简单函数功能的初始程序种群，所述简单函数包含数学基本运算以及定义的广义幂变换方法boxcox变换运算；

(2)设置新特征与标签变量之间的斯皮尔曼Spearman相关系数作为适应度规则以及迭代终止条件；

(3)上述(1)得到的各个程序通过交叉，变异，复制操作不断生成下一代的程序；

(4)依照上述(2)中适应性规则进行选择，保留每一代中最合适的程序，继续参与下一次的迭代；

(5)判断是否达到所述迭代终止条件，若不满足则返回(4)，若满足则保留最后的程序；

(6)将原数据输入到所述保留最后的程序中，程序输出与标签高度相关的新数据特征F＝{x'⁽¹⁾,x'⁽²⁾,...,x'⁽ⁱ⁾,...,x'⁽ⁿ⁾}，其中的x'⁽ⁱ⁾表示生成的新特征在第i条数据的值；

将所述剩余续驶里程字段与所述新数据特征字段进行整合得到新数据集，将所述新数据集划分为训练集、验证集和测试集；

初始化XGBoost模型，设置模型超参数，进行参数调优以及正则项参数调优，使用所述训练集对模型进行训练，利用所述验证集验证模型的各项评价指标，若达标则保存为最优参数模型，并输出其预测剩余续驶里程的评价指标，若不达标则重新调节所述超参数再次训练；

基于所述最优参数模型，使用所述测试集评估最优参数模型并预测剩余续驶里程效果。