[发明专利]基于时空注意机制图卷积网络的车辆油耗预测方法及系统

说明书

本发明公开了一种基于时空注意机制图卷积网络的车辆油耗预测方法及系统，包括：动态学习各输入因素之间的相关关系，构建各输入因素与油耗之间的关联图结构；采用邻居注意的图卷积网络进行油耗时空特征学习，以捕获各输入因素之间的空间依赖性；邻居注意的图卷积网络的输出依次经过门控循环单元GRU和Transformer层，实现对历史车辆行驶状态数据在时间维度上的局部依赖和全局依赖的捕获；基于Transformer层的输出，以及训练好的多层前馈神经网络模型，得到未来设定时段的油耗预测结果。本发明根据司机行驶状态数据对下一个时间段的油耗进行预测，使司机可根据该预测值及时地修正其驾驶行为，进而达到全行驶过程省油的目的。

技术领域

本发明涉及车辆油耗预测技术领域，尤其涉及一种基于时空注意机制图卷积网络的车辆油耗预测方法及系统。

背景技术

本部分的陈述仅仅是提供了与本发明相关的背景技术信息，不必然构成在先技术。

随着车辆使用率的不断增加，汽油和柴油动力车辆的燃油消耗不仅增加了石油资源的需求，给能源方面带来了更大的需求压力，而且车辆燃油带来的尾气排放污染也是造成空气污染的主要原因之一。因此，通过建立合理的油耗分析与预测模型来节省车辆油耗具有非常重要的现实意义。

当前的油耗预测方法大多基于车辆行驶工况的历史数据，首先利用因素与油耗之间线性关系的强度来确立因素与油耗的影响关系，选取相关性强的因素来建立多元线性回归模型或时间序列预测模型进而对不同路线的燃油消耗量进行预测。如采用卷积神经网络(CNN)来有效地提取网格数据的空间特征或利用图卷积神经网络(GCN)来描述基于图的数据的空间相关性等。然而该类方法仅使用线性方法来确定哪些因素会对油耗产生影响是不准确的，事实上油耗与影响因素之间存在着复杂的、非线性的相关关系；并且该类方法不能同时对车辆运行状态数据的时空特征和动态相关性进行建模，致使油耗预测结果不够准确。

同时也有一部分研究是直接从驾驶行为入手，建立不同驾驶行为与相应油耗特征之间的关系模型，基于深度学习的方法来对油耗进行分析与预测。上述方法虽然已经取得了一定成果，但都没有将车辆行驶状态数据中油耗的影响因素全面的考虑在内；其次，它们大多直接考虑各因素对油耗产生的影响，而忽略了因素之间也存在着相互影响且可能间接影响油耗。

发明内容

为了解决上述问题，本发明提出了一种基于时空注意机制图卷积网络的车辆油耗预测方法及系统，根据车辆行驶状态数据对下一个时间段的油耗进行预测，使司机可根据该预测值及时地修正其驾驶行为，进而达到全行驶过程省油的目的。

在一些实施方式中，采用如下技术方案：

一种基于时空注意机制图卷积网络的车辆油耗预测方法，包括：

获取车辆行驶状态数据，确定输入因素，动态学习各输入因素之间的相关关系，构建各输入因素与油耗之间的关联图结构；

基于所述关联图结构和过去T个时间段的车辆行驶状态时间序列数据，采用基于邻居注意的图卷积网络进行时空特征学习，以捕获各输入因素与油耗之间的空间依赖性；

所述基于邻居注意的图卷积网络的输出依次经过门控循环单元GRU和Transformer层，实现对历史车辆行驶状态数据在时间维度上的局部依赖和全局依赖的捕获；

基于所述Transformer层的输出，以及训练好的多层前馈神经网络模型，得到未来设定时段的油耗预测结果。

在另一些实施方式中，采用如下技术方案：

一种基于时空注意机制图卷积网络的车辆油耗预测系统，包括：

油耗影响因素关联图表示模块，用于获取车辆行驶状态数据，确定输入因素，动态学习各输入因素之间的相关关系，构建各输入因素与油耗之间的关联图结构；