乘用車燃料消耗量的神經網絡預測

蘇卉 任煥煥

（中國汽車技術研究中心）

為應對日益嚴苛的油耗標準法規，整車企業在產品規劃層面對油耗越來越重視，企業平均燃料消耗量是否達標是企業產品規劃的重要考慮因素，因此對單車車型油耗的模擬也就更為重要。單車油耗試驗需耗費較大人力物力，基于對影響單車油耗的相關因素分析，從數理統計分析角度建立單車油耗預測模型，對單車油耗水平進行預測是十分必要的。而影響油耗的因素很多，屬于非線性問題，鑒于神經網絡在處理非線性問題所具有的獨特優勢，文章將基于神經網絡對單車油耗進行預測。

1 乘用車燃料消耗量影響因素分析

汽車油耗的高低是汽車內在因素和外界環境綜合作用的結果。排除道路條件及駕駛員習慣等外界因素，從車輛自身的性能角度出發，影響乘用車燃料消耗量的因素主要有車輛基本參數、發動機性能、傳動效率及節能技術的應用4個方面[1]。

以“樹形結構”為構建指標體系的基本模型，采用層層遞進的方法，將指標體系的構建分為目標層、控制層和指標層。具體指標體系的樹形結構，如表1所示。

表1 乘用車燃料消耗量影響因素評價指標體系

2 BP神經網絡模型

在人工神經網絡領域中，具有誤差反向傳播學習功能的BP神經網絡結構比較簡單，只包括輸入層、隱含層和輸出層3種網絡層次，其中每一層都是由簡單的神經元組成。它可以基于過去已有的實例樣本進行自學習，使BP神經網絡的實際輸出與期望輸出之間的誤差達到最小，通過在網絡訓練學習過程中不間斷地調整各層神經元之間的連接權值和各層神經元的閾值這一方法，最終達到學習BP神經網絡輸入數據和輸出數據背后所隱藏的規律的目的[2]。BP算法的具體算法步驟如下。

1）為每個隱含層連接權值（wij）、輸出層連接權值（vjt）及其相應閾值（θj，γt）分配一個隨機的初始值，初始值的區間范圍為（-1，1）。

式中：p——隱含層節點數。

4） 使用 bj，vjt，γt分別計算出輸出層的每一個神經元的輸入（Lt），再將Lt輸入到輸出層的傳遞函數，進而計算出輸出層的每一個神經元的輸出（Ct）。

式中：q——輸出層節點數。

5）使用BP神經網絡預先設定好的輸出數據Yk=和 Ct，計算出輸出層的每一個神經元的一般化誤差

其中，t=1，2，…，q；j=1，2，…，p；a∈（0，1）。

式中：N——第N個神經元。

其中，i=1，2，…，n；j=1，2，…，p；β∈（0，1）。

9）再選取BP神經網絡的下一組輸入和輸出數據，從步驟3）開始繼續對BP神經網絡進行訓練，直到所有的輸入和輸出數據都訓練完畢。

10）重新選取一些新的輸入和輸出數據，從步驟3）開始使用BP神經網絡進行測試。如果BP神經網絡中的誤差比預先設定的誤差值小，則完成BP神經網絡的訓練任務；否則，BP神經網絡仍未收斂，則繼續訓練。BP神經網絡算法流程，如圖1所示。

3 實證研究

3.1 網絡模型構建

在可以調整BP神經網絡的隱含層神經元數的情況下，一個3層的BP神經網絡就足可以任意逼近任何非線性連續函數。因此，對于乘用車燃料消耗量預測的應用，文章建立的BP神經網絡預測模型的拓撲結構由輸入層、隱含層和輸出層三部分構成。

3.1.1 網絡結構設計

1）輸入層設計。輸入層的節點數與網絡的輸入神經元個數相同，文章選取了影響乘用車平均燃料消耗量的19個技術指標作為BP神經網絡的輸入，因此網絡輸入層的節點數為19。其中整車整備質量、驅動形式、輪胎寬度、輪輞直徑、風阻系數、迎風面積、軸距及前后輪距為絕對值變量；變速器形式、氣缸數、轉向助力、是否有怠速啟停，VVT，VVL，EGR，供油方式及進氣方式為區分其差別而設定的虛擬變量。

2）隱含層設計。隱含層節點數的選擇是一個十分復雜的問題，通常是由經驗和多次試驗來得出比較合適的數值。增加隱含層神經元的數目雖然可以降低預測誤差并且能夠進一步提高BP神經網絡的非線性映射能力，但如果隱含層神經元的數目太多或者超過了一定的值，不僅會使BP神經網絡更加復雜化、網絡性能下降，也會導致訓練效果不佳、訓練學習的時間變得冗長以及誤差不一定最小，則可能設計出不合適的神經網絡。因此，要根據應用問題的具體情況來選擇最佳的隱含層單元數，文章通過多次試驗最終得出神經元數目的最優值為12。

3）輸出層設計。輸出層的節點數是基于解決具體的問題要設計的節點數目。基于BP神經網絡的乘用車燃料消耗量預測模型的實際輸出為油耗值，因此，文章預測模型的輸出層單元數為1。

綜上，文章建立了一個19-12-1的3層BP神經網絡預測模型。

3.1.2 網絡參數設計

由于BP神經網絡所要解決的問題往往是非線性的，因此初始值的選取對于BP神經網絡能否達到收斂的結果以及學習訓練的誤差能否滿足要求有著直接的影響[3]。初始值的連接權值和閾值一般取隨機數，文章BP神經網絡模型的初始連接權值和閾值是通過Rand函數產生的。

由于不同的訓練學習算法對BP神經網絡的性能能夠產生很大的影響，因此綜合考慮BP神經網絡的性能要求、設計原則及各種學習算法的特點來選擇參數。文章選擇Tansig函數作為BP神經網絡隱含層神經元的傳遞函數；選擇Purelin直線型對數函數作為BP神經網絡輸出層神經元的傳遞函數；訓練函數采用L-M優化算法trainlm。

3.2 結果及分析

通過神經網絡模型對乘用車企業平均燃料消耗量進行預測的擬合圖，如圖2所示。從圖2中可以看出，18組數據的擬合效果比較好，真實值和預測值較為接近，其穩定性也比較高，神經網絡模擬乘用車燃料消耗量的效果較好[4]。

為了進一步檢驗模型的準確率，運用相對誤差率來描述模型的預測精度，相對誤差率越小，模型精度越高。樣本的相對誤差率，如表2所示，最大相對誤差率為3.06%，模擬效果較好，文章建立的BP神經網絡模型能夠用于乘用車平均燃料消耗量的預測。

表2 BP神經網絡模型預測結果的相對誤差

4 結論

文章分析了乘用車平均燃料消耗量的主要影響因素，并通過不斷調試和驗證，最終構建了基于BP神經網絡的乘用車燃料消耗量預測模型，網絡模型的預測效果較好，最大相對誤差率為3.06%。基于BP神經網絡的乘用車燃料消耗量預測模型具有結構簡單、快速收斂及精度較高的優點，為單車油耗的預測提供了一種新的思路[5]。