基于大數(shù)據(jù)的汽車性能優(yōu)化與智能決策支持系統(tǒng)研究

摘要：以大數(shù)據(jù)技術為基礎，針對汽車性能優(yōu)化和決策支持等需求展開調研，主要介紹了包括傳感器技術、數(shù)據(jù)采集與傳輸技術、數(shù)據(jù)清洗預處理方法在內的大數(shù)據(jù)采集與處理關鍵技術；對包括數(shù)據(jù)挖掘技術、機器學習和深度學習模型在內的汽車性能數(shù)據(jù)分析與建模方法進行了探討；提出包括決策模型設計、智能算法應用、系統(tǒng)架構技術等在內的智能決策支持系統(tǒng)的設計與實現(xiàn)方案。該系統(tǒng)的可行性和有效性已通過實驗案例得到驗證，技術支持和決策參考已為汽車業(yè)界提供服務。

關鍵詞：大數(shù)據(jù)；汽車性能優(yōu)化；智能決策支持系統(tǒng)；數(shù)據(jù)分析與建模

中圖分類號：U462? 收稿日期：2024-03-15

DOI：1019999/jcnki1004-0226202406022

1 前言

隨著汽車技術的不斷進步，汽車性能的優(yōu)化和決策的智能化成為提高汽車競爭力和用戶體驗的關鍵，其中大數(shù)據(jù)技術為人們提供了新的思路和工具。本文通過數(shù)據(jù)分析和建模，探討如何通過設計智能決策支持系統(tǒng)，為駕駛者和車輛管理者提供更智能精準的決策支持，從而在汽車行駛產(chǎn)生的海量數(shù)據(jù)中提取有價值的信息，實現(xiàn)汽車性能的精準預測和優(yōu)化。本文將圍繞大數(shù)據(jù)采集與處理、汽車性能數(shù)據(jù)分析與建模、智能決策支持系統(tǒng)設計與實現(xiàn)等方面展開討論。

2 大數(shù)據(jù)采集與處理

21 傳感器技術在汽車領域的應用

傳感器技術負責監(jiān)測和記錄汽車運行中的相關參數(shù)和狀態(tài)。現(xiàn)代汽車廣泛應用了各種類型的傳感器，包括慣性傳感器、溫度傳感器、壓力傳感器、光學傳感器等。這些傳感器能夠對車輛的運動狀態(tài)、引擎溫度、胎壓、環(huán)境光照等進行實時測量和記錄，并以此對車輛狀態(tài)進行實時監(jiān)控，相關數(shù)據(jù)還可以用于后續(xù)的數(shù)據(jù)分析和建模，從而能完成優(yōu)化汽車性能、支持智能決策等多方面的工作。

22 數(shù)據(jù)采集與傳輸技術

有效地采集汽車產(chǎn)生的大量數(shù)據(jù)，必須借助先進的數(shù)據(jù)采集與傳輸技術。汽車領域常用的數(shù)據(jù)采集方式分為有線和無線兩種：有線方式通過接口或總線直接連接傳感器和數(shù)據(jù)采集設備，實現(xiàn)數(shù)據(jù)的實時傳輸和記錄；無線方式則利用無線通信技術，如藍牙等，實現(xiàn)車輛數(shù)據(jù)的遠程傳輸與監(jiān)控。為確保數(shù)據(jù)的準確性和完整性，還需要采用數(shù)據(jù)校驗與容錯機制，以及數(shù)據(jù)壓縮與加密技術，這也可以增強數(shù)據(jù)的安全性和可靠性。綜合采用上述技術手段，可確保汽車產(chǎn)生的大量數(shù)據(jù)得到有效的采集。在汽車領域，對數(shù)據(jù)進行有效的采集和傳輸，是一項十分重要的課題。

23 數(shù)據(jù)清洗與預處理方法

汽車產(chǎn)生的資料常因產(chǎn)生噪音異象及資料缺失而產(chǎn)生不連貫現(xiàn)象，為保證后續(xù)資料的分析及模型的構建能夠正常進行，資料的清洗及預處理是必不可免的步驟。資料的清洗工作主要有去除重復資料及糾正錯誤數(shù)據(jù)與缺失部分。而資料的歸一化及部分特征的取舍是資料預處理工作的重點內容，目的是提取數(shù)據(jù)中的有效信息，同時降低資料的維度和復雜度，為后續(xù)建模工作提供比較可靠的數(shù)據(jù)基礎[1]。通過有效的資料清洗及預處理辦法能夠提高資料的可用性及精準度，從而為汽車性能的優(yōu)化以及智能決策提供支持。

3 汽車性能數(shù)據(jù)分析與建模

31 數(shù)據(jù)挖掘技術在汽車性能數(shù)據(jù)中的應用

數(shù)據(jù)挖掘技術在汽車性能數(shù)據(jù)分析中扮演著重要角色，通過挖掘和分析大量的汽車數(shù)據(jù)，可以發(fā)現(xiàn)隱藏在數(shù)據(jù)背后的規(guī)律和趨勢，為優(yōu)化汽車性能提供決策支持。常用的數(shù)據(jù)挖掘技術有聚類分析、關聯(lián)法則挖掘、分類與預測等。聚類分析可以把類似的汽車性能數(shù)據(jù)歸為一類，在不同的車型或駕駛模式下，找出性能特征，并將這些數(shù)據(jù)歸為一類，在不同的車型或駕駛模式下進行分析；關聯(lián)規(guī)則挖掘可以發(fā)現(xiàn)不同變量之間的關聯(lián)性，有助于對汽車性能參數(shù)之間影響關系的理解；分類和預測則可以建立基于歷史數(shù)據(jù)的預測模型，從而預測和優(yōu)化未來汽車的性能。通過數(shù)據(jù)挖掘技術，可以更全面地了解汽車性能數(shù)據(jù)的特性與規(guī)律，以供后續(xù)的造型與優(yōu)化。

32 基于機器學習的汽車性能預測模型

機器學習技術在汽車性能預測中的應用前景廣闊，基于歷史數(shù)據(jù)訓練出的機器學習模型可以對今后的汽車性能等進行準確的預測和優(yōu)化。目前比較流行的機器學習算法有線性回歸法、支持向量機法、隨機森林法等，可以根據(jù)不同的汽車性能數(shù)據(jù)特征來構建相應的預測模型，從而對汽車燃油消耗和車輛故障率等進行預測。另外對特征有模型調參等多種手段，這些手段可使其得到更好的性能，并提高預測的準確性和穩(wěn)定性。汽車性能預測模型可幫助汽車制造商和車輛管理人員在提高汽車整體性能和可靠性上做到心中有數(shù)，能夠更加有效地進行汽車設計和運營管理。

33 基于深度學習的汽車性能優(yōu)化模型

以卷積神經(jīng)網(wǎng)絡為基礎進行改進后，以自編碼器為基礎的深度學習模型在汽車性能優(yōu)化領域大有可為。此類模型能夠通過多層次神經(jīng)網(wǎng)絡架構自動學習和提取汽車性能數(shù)據(jù)中存在的復雜特征和規(guī)律，從而對汽車性能進行精確的調整和優(yōu)化。卷積神經(jīng)網(wǎng)絡自編碼器是較為常用的模型類型之一[2]。這些模型在汽車性能數(shù)據(jù)處理任務中能派上大用場，基于圖像或時間序列數(shù)據(jù)進行汽車故障的偵測和車輛駕駛行為的調整等，模型的使用能使汽車性能優(yōu)化后的自動化程度得到極大的提高，從而提高汽車的安全性和舒適程度，為用戶帶來更為優(yōu)質的駕駛體驗。

4 智能決策支持系統(tǒng)設計與實現(xiàn)

41 汽車性能優(yōu)化決策模型設計

汽車性能優(yōu)化決策模型負責制定合理的優(yōu)化方案，是基于汽車性能數(shù)據(jù)和用戶需求的決策策略的智能決策支持系統(tǒng)的核心部分。汽車性能數(shù)據(jù)的多樣性和復雜性，以及使用者的喜好和約束，都需要在設計過程中加以考量。通常情況下，不同類型的車型，如規(guī)則車型、優(yōu)化車型、模擬車型等都可以采用。規(guī)則模型通過判斷條件和動作的匹配性，以專家經(jīng)驗和規(guī)則為基礎制定決策；優(yōu)化模型則通過數(shù)學建模和求解，尋找最優(yōu)的決策方案來優(yōu)化問題；模擬模型則通過對不同決策方案的效果和影響進行評估，模擬汽車的行駛過程和性能變化。通過對這些車型的綜合運用，實現(xiàn)汽車整體性能的提升和用戶滿意度的多維度優(yōu)化和智能化決策[3]。汽車性能優(yōu)化決策模型設計如圖1所示。

42 智能算法在決策支持系統(tǒng)中的應用

智能算法在決策支持系統(tǒng)中占有舉足輕重的地位，對系統(tǒng)的數(shù)據(jù)分析決策推理優(yōu)化求解等方面起著重要的作用。目前比較常用的智能算法有模糊邏輯向量運算符演算法、遺傳算法、模擬退火算法、人工神經(jīng)網(wǎng)絡等。這些算法能夠根據(jù)特定問題和數(shù)據(jù)特點進行組合運用，從而得到比較有效的解決途徑。例如，模糊邏輯向量運算符演算法在汽車性能優(yōu)化多條件決策中運用十分廣泛；而遺傳算法模擬退火算法和人工神經(jīng)網(wǎng)絡，在求解一些較為復雜的優(yōu)化問題時能夠取得不錯的效果。應用智能算法可以使決策支持系統(tǒng)的智能化水平得以提高，從而提高它的決策效率，它對汽車性能優(yōu)化將能提供更有效的決策支撐。

43 系統(tǒng)架構與實現(xiàn)技術

設計智能決策支援系統(tǒng)需要考慮系統(tǒng)的架構及其相關技術的選擇與運用等內容，以便使系統(tǒng)具備很好的可擴展性，從而能應對不同規(guī)模和復雜程度的應用場景。目前比較常用的系統(tǒng)架構有單層結構、多層結構和分布式結構。在開發(fā)工具和平臺的選擇與運用上，主要以目前比較流行的一些編程語言、開源框架為依據(jù)[4]。另外，系統(tǒng)的穩(wěn)定性和可靠性還涉及數(shù)據(jù)的存儲與管理以及計算資源與任務的調度等方面的工作。系統(tǒng)架構與實現(xiàn)技術能使智能決策支撐系統(tǒng)的效能得到充分發(fā)揮，實現(xiàn)可持續(xù)運轉。合理的系統(tǒng)架構與適當?shù)膶崿F(xiàn)技術是構建智能決策支持系統(tǒng)的關鍵要素。系統(tǒng)架構與實現(xiàn)技術如圖2所示。

5 應用案例

51 實驗環(huán)境與數(shù)據(jù)集介紹

本文的實驗研究是在模擬環(huán)境中進行的。一輛標配的車上面裝有各種傳感器，包括車速感應器、溫度感應器等，把車輛在行駛過程中的相關數(shù)據(jù)收集起來。數(shù)據(jù)集包括不同路況、不同車速下的行駛數(shù)據(jù)，以及車輛動力系統(tǒng)的記錄和環(huán)境參數(shù)。比如，記錄了在城市擁堵路段和高速公路上，以及不同環(huán)境溫度下，車輛的平均車速分布、車速隨時間變化的彎道以及耗油量等信息。汽車性能數(shù)據(jù)如表1所示。

52 實驗結果與分析

通過數(shù)據(jù)分析可以發(fā)現(xiàn)其中的一些規(guī)律。比如，在城市擁堵路段，車輛普遍以20 km/h左右的平均時速較低；在高速公路上，車輛平均時速大幅提升，超過80 km/h。發(fā)現(xiàn)隨著車速的提高，油耗呈現(xiàn)逐步上升趨勢的車輛轉速與油耗之間的關系[5]。基于這些分析結果，建立了車輛性能預測模型，該模型能夠預測車輛在未來一段時間內的性能表現(xiàn)，根據(jù)當前的車輛狀態(tài)和行駛環(huán)境進行預測。

53 應用案例的實際效果評估

選取一些比較典型的應用案例，對系統(tǒng)的效果通過實際數(shù)據(jù)進行考核。比如在優(yōu)化燃油經(jīng)濟性方面對系統(tǒng)的效果進行了測試。結果顯示，與傳統(tǒng)駕駛方式相比，車輛平均耗油量在使用系統(tǒng)優(yōu)化的駕駛模式下下降了12%左右。另外，對該系統(tǒng)預測車輛故障的效果進行了評估，結果表明，該系統(tǒng)對今后一段時間內的故障種類、發(fā)生故障的幾率等進行了準確預測，為車輛保養(yǎng)提供了有效參考。系統(tǒng)應用效果評估結果如表2所示。

6 結語

本文主要對大數(shù)據(jù)技術在汽車行業(yè)中應用進行探討，對傳感器技術在汽車中應用情況、數(shù)據(jù)挖掘技術在汽車性能優(yōu)化中應用情況、機器學習技術在汽車燃油經(jīng)濟性預測中應用情況、深度學習技術在汽車故障預測中應用情況作了介紹，并在此基礎上對智能決策支持系統(tǒng)如何為汽車性能優(yōu)化提供技術支持和決策參考作了介紹。案例實驗從提高汽車燃油經(jīng)濟性和預測車輛故障兩個方面進行分析，驗證了該系統(tǒng)的有效性和可靠性。

參考文獻：

[1]馬騫基于大數(shù)據(jù)分析的汽車機電系統(tǒng)預測維護與故障預防研究[J]專用汽車，2023（12）：121-123

[2]陳秀娟新能源車評價有標可依[J]汽車觀察，2019（3）：96-97

[3]潘鵬智慧計算成就智能網(wǎng)聯(lián)[J]智能網(wǎng)聯(lián)汽車，2019（1）：67

[4]鐘文京，尹文斌新能源汽車大數(shù)據(jù)庫的設計分析[J]電子技術與軟件工程，2016（22）：162-163

[5]趙長利汽車制動性能及其統(tǒng)計特征研究[D]濟南：山東科技大學，2005

作者簡介：

吳亮，男，1979年生，研究方向為汽車大數(shù)據(jù)分析。