基于MI特征选择的车辆能耗高精度预测方法OA北大核心CSTPCD

近年来,机器学习方法在车辆实时能耗预测方面得到了广泛应用,但实车采集数据中存在的精度不足、字段缺失以及多重共线性等问题,尤其是同款车型中驾驶工况和驾驶者行为存在显著差异,限制了能耗预测准确性和泛化能力的进一步提升。为此,本文系统考虑特征冗余度、数据平衡性、货运趟次、运输能力、路段拥挤程度和司机驾驶时长等因素,使用交互信息(MI)方法选择关键特征,并构建司机特征画像作为独立特征,进而结合XGBoost、RF和MLP等机器学习方法提出一种基于MI特征选择的能耗高精度预测方法,然后基于120辆轻型卡车的T-BOX采集数据进行实例验证。结果表明,本文提出的预测方法能够显著提高不同驾驶行为和驾驶工况下的能耗预测精度,研究成果可为开发预测轻卡能耗的通用模型提供参考。