针对油耗预测建模过程中数据输入的冗余问题,提出一种基于最大相关最小冗余算法(Max-Relevance and Min-Redundancy, mRMR)与主成分分析方法相结合的冗余特征优化算法,进一步基于BP神经网络建立一种高速道路车辆油耗预测模型。模型的仿...针对油耗预测建模过程中数据输入的冗余问题,提出一种基于最大相关最小冗余算法(Max-Relevance and Min-Redundancy, mRMR)与主成分分析方法相结合的冗余特征优化算法,进一步基于BP神经网络建立一种高速道路车辆油耗预测模型。模型的仿真检验结果表明,使用mRMR算法与主成分分析结合优化建模数据能较好地去除数据冗余性和保留原数据信息。模型能准确实现对高速路段运输车辆的燃油消耗预测,预测精度达94.77%,验证了模型的有效性和准确性。研究成果可为道路能源消耗监控与驾驶员水平评估提供参考依据。展开更多
文摘针对油耗预测建模过程中数据输入的冗余问题,提出一种基于最大相关最小冗余算法(Max-Relevance and Min-Redundancy, mRMR)与主成分分析方法相结合的冗余特征优化算法,进一步基于BP神经网络建立一种高速道路车辆油耗预测模型。模型的仿真检验结果表明,使用mRMR算法与主成分分析结合优化建模数据能较好地去除数据冗余性和保留原数据信息。模型能准确实现对高速路段运输车辆的燃油消耗预测,预测精度达94.77%,验证了模型的有效性和准确性。研究成果可为道路能源消耗监控与驾驶员水平评估提供参考依据。