基于BSO-BP的船舶油耗预测模型

为解决基于传统反向传播(back propagation,BP)神经网络的船舶油耗预测模型易陷入极小值和误差较大的问题,提出一种利用头脑风暴优化(brain storm optimization,BSO)算法优化BP神经网络的船舶油耗预测模型(简称BSO-BP模型)。以“维多利亚凯娅”号内河游船为研究对象,将BSO-BP模型的预测结果与采用传统BP神经网络以及模拟退火(simulated annealing,SA)算法、遗传算法(genetic algorithm,GA)、粒子群优化(particle swarm optimization,PSO)算法优化的BP神经网络的船舶油耗预测模型的预测结果进行对比分析。结果表明:与传统BP神经网络模型的预测结果相比,BSO-BP模型预测结果的可决系数R^(2)提高了0.003 9,均方误差、均方根误差、平均相对误差、平均绝对误差分别降低了0.034 4、0.154 1、0.010 2、0.017 8,说明在船舶油耗预测中BSO算法对BP神经网络的预测精度有显著的提升作用;BSO-BP模型预测结果的各项评价指标在所对比的5种模型中均表现最好,说明与SA算法、GA和PSO算法相比,BSO算法对BP神经网络的提升效果更好。

基于神经网络的重型柴油车油耗预测研究

为建立准确的重型柴油车油耗预测模型,使用重型柴油车实际道路行驶数据集,利用皮尔逊相关系数计算了不同因素与油耗的相关性,选取与油耗相关性较强的7个因素,利用反向传播(BP)神经网络、长短时记忆(LSTM)神经网络分别建立重型柴油车油耗预测模型。对不同行驶路段的预测结果表明,BP神经网络对各路段油耗的预测准确性存在很大差异,模型泛化能力差,LSTM神经网络模型对各路段的预测均十分准确,模型泛化能力强。

基于mRMR特征优化算法的油耗预测建模研究

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。

基于Shared-LSTM的重型卡车不同加速驾驶行为油耗预测方法

规范重型卡车驾驶行为可以有效降低油耗,这对交通行业节能减排和国家“双碳”战略都有积极作用。本文采集多辆重型卡车1个月的CAN总线数据,定量分析不同加速驾驶行为(急加速、正常驾驶、急减速)与油耗之间的关系。针对现有油耗预测方法效率低、精度差的问题,本文对LSTM模型进行改进,提出一种共享权重的LSTM模型(Shared-LSTM)。基于采集的车辆CAN总线数据,本文对比分析Shared-LSTM、GRU和BP神经网络模型对同车型同路况多行为下的油耗预测效果。实验结果表明,改进的LSTM模型在不同加速驾驶行为下的预测效率均提高3%以上,且各方面预测指标均要优于其他模型。以急加速驾驶行为为例,Shared-LSTM模型相较于GRU和BP神经网络在平均绝对误差、均方误差、均分根误差等方面均降低了5%以上。因此,Shared-LSTM模型可广泛应用于多种驾驶行为下的油耗预测。

基于遗传算法优化BP神经网络的飞机油耗预测方法

飞机油耗的精准预测可以有效减少环境污染、节约燃油能源、为航空公司降低运营成本。为了提高飞机油耗的预测精度,本文采用主成分分析方法从QAR数据中选择对飞机油耗影响较大的地速、纵向加速度、垂直加速度、风速、风向、倾斜角、空速、气压高度作为BP神经网络的输入变量,提出了基于遗传算法优化反向传播神经网络的飞机油耗预测方法。通过Matlab仿真软件建立了预测模型,以某航空公司飞机下降阶段QAR数据为基础进行验证实验。实验结果显示,该模型的预测精度优于传统的BP神经网络模型,预测性能更好。

基于DNN平均每海里油耗预测

在严格的国际排放标准、不断上涨的燃油成本的客观因素下,节能减排已成为航运业的重要指导方针,而建立准确的平均每海里油耗预测模型是实现船舶节能减排的基础。论文将一艘远洋船舶作为研究对象,对船舶实际监测数据和气象数据进行分析和预处理,结合DNN算法构建了船舶平均每海里油耗预测模型。通过对比预测模型输出的预测值和实测数据,结果显示预测误差仅为7.661%,随后以建立的预测模型为基础,采用粒子群算法对纵倾和rpm三次方关系进行特征寻优,发现同时对这两个特征进行调整,可使船舶平均每海里省油率达到了5.71%。论文验证了基于DNN算法建立的船舶油耗模型的有效性与可行性,并对其进行了特征寻优工作,降低了船舶的平均每海里耗油量,对后续船舶优化提供了一定的参考价值以及研究方向。

基于二元回归的油耗预测——以凉山州烟草物流为例

凉山州烟草物流中心采用回归分析的方法,建立了配送里程与油料消耗之间的逻辑关系,得到油耗=(-2.400E-6)+0.14*配送月总里程+(7.269E-11)*月销量的回归模型,其相关系数R=1,表明该模型通过验证,可以使用此模型来预测凉山州的油料消耗,并且优化油料消耗,以响应国家碳达峰碳中和的战略发展目标。

PSO-BP神经网络在露天矿卡车油耗预测中的应用

针对露天矿燃油消耗问题,利用粒子群优化算法对BP网络的权值和偏置进行优化,建立了基于粒子群优化BP神经网络的露天矿卡车油耗量预测网络模型.该方法使用由PSO优化的BP模型来拟合影响露天矿卡车油耗众多因素与油耗值之间的复杂关系.仿真结果表明:模型具有预测精度高、稳定性好等特点,适用于露天矿卡车油耗的预测,在露天矿燃油消耗预测中具一定的实用价值.

基于随机森林算法的内河船舶油耗预测模型

准确的船舶油耗预测模型是船舶实现各项航行优化措施的基础。以长江干线某旅游船为研究对象,通过安装信息采集系统获得了大量的船舶实时营运数据。通过理论分析得出影响船舶油耗的主要因素为风速、风向、水深、水流速度和船舶航速;改进了随机森林建模时参数的设置方法,提出一种变量的重要性测度方法;对去噪处理后数据进行系统抽样并进行归一化处理,得到建模的样本数据;把样本数据按0.7∶0.3的比例随机分为训练样本和测试样本,对训练样本采用随机森林(RF)算法建立油耗预测模型;通过模型预测测试样本的油耗值,与实测数据对比,结果显示预测误差低于6.8%,优于BP神经网络与支持向量机(SVM)的预测结果;分析模型中各变量的重要性顺序为:航速>水流速度>水深>风速>风向,利用偏相关分析得到了单个因素与油耗间的定量关系。

重构样本下改进飞机油耗预测方法

为精准预测固定机型飞机燃油消耗量,针对飞机油耗数据受多种外界因素影响而存在复杂非线性的问题,提出一种重构样本下飞机油耗增强自适应差分进化相关向量机(enhanced fitness adaptive-differential evolution-relevance vector machine,EFADE-RVM)的预测方法。通过引入相似输入产生相似输出的即时学习算法选择相关样本集形成重构样本,利用增强自适应差分进化算法优化相关向量机核函数参数,解决核函数参数选择困难的问题,建立飞机油耗预测模型。实验结果表明,所提模型的飞机油耗预测精度高,具有更好的预测性能。

基于机器学习的船舶油耗预测

准确地预测船舶能耗对实现航速优化、纵倾优化等具有重要作用。然而船舶油耗受到多种因素的影响,如航行速度、吃水、风速、浪高等,给船舶油耗预测带来众多困难与挑战。本文收集了在航船舶传感器数据,通过对数据进行预处理,提取了与油耗影响有关的特征数据信息。使用人工神经网络(Artificial Neural Network,ANN)、支持向量机回归(Support Vector Regression,SVR)、岭回归(Ridge)等共7种机器学习方法进行船舶油耗预测。实验结果表明,ANN的R2值大于0.9,预测精度最高,Lasso与Ridge的预测精度最低,R2值皆小于0.5。本文提出的模型可为在航船舶实时油耗预测提供重要参考。

基于数据驱动的船舶油耗预测模型研究

以某客滚船为研究对象,将大量航行实际数据进行预处理,通过斯皮尔曼等级相关分析选择出船舶左右桨螺距、左右舷舵角、纵倾、船首风速、船舶对水和对地航速为油耗主要影响参数。建立基于LSTM神经网络的黑箱模型对数据进行学习并预测油耗,额外选取测试样本验证模型精度,优化模型内部结构以进一步提高预测精度。将最终得到的预测数据与实测数据对比,证明模型具有良好的准确性。该研究方法能为船舶运营人员优化运营方案提供参考,能够提高水路交通运输的经济性。

基于GBDT的船舶油耗预测模型设计

建立准确的船舶油耗预测模型是实现船舶节能减排的基础。文中以某一远洋船舶作为研究对象,对船舶的实际运营数据进行分析和预处理,结合GBDT算法构建船舶油耗的预测模型。将模型在测试数据集上的预测值与实测数据进行对比,结果表明预测误差低于6.98%,优于随机森林和决策树的预测结果。该文验证了基于GBDT所建立的油耗预测模型的准确性和实用性,对于后续船舶航行优化措施具有重要意义。

基于信息粒化与支持向量回归机的内河船舶油耗预测

为有效预测内河在航船舶耗油情况,构建基于模糊信息粒化(FIG)与支持向量回归机(SVR)的组合预测模型,通过对清洗后的油耗数据进行窗口划分和模糊化处理,得到模糊粒子,利用SVR模型分别对其预测,获得2 h内的油耗波动范围与变化趋势,实例数据分析表明,SVR模型测试集的决定系数达到97.654%,相对误差不超过4%,优于BP模型和ELM模型的预测结果;FIG_SVR组合模型中模糊粒子提供的预测范围符合油耗的真实波动范围,能有效预测船舶在未来一段时间内的油耗态势。

基于XGBoost算法的船舶油耗预测模型

船舶油耗预测是实现船舶能效评估与优化决策的基础与前提,对船舶航线航速设计,实现船舶能效优化有重要的意义。基于船舶实测航行数据和环境数据,通过相关性分析提取对船舶油耗影响较大的特征因素,并将特征因素作为模型的输入参数;通过数据清理技术并参照相关国际标准对特征因素进行筛选,得到建模的样本数据;把样本数据按0.8∶0.2的比例随机分为训练样本和测试样本,采用XGBoost算法建立油耗预测模型,并通过预测测试样本的油耗验证模型的准确性。该模型决定系数达到0.967,运行时间为2.723 s,与神经网络模型的准确率几乎一致且运行时间缩短了70%,适用于船舶航行决策中的油耗快速计算和实时预测。

基于PSOGA-SVM的露天矿卡车油耗预测研究

针对露天矿卡车运输油耗预测问题,提出了一种基于遗传算法(GA)改进的粒子群优化算法(PSO),用以优化支持向量机(SVM)参数,构建了基于PSOGA-SVM的露天矿卡车油耗预测模型。模型考虑运量、运距、道路质量以及天气等8个影响因子,选取某大型露天矿智能生产管控系统中采集到的卡车油耗数据进行试验,将模型应用于矿山实际进行试验。试验结果表明,PSOGA-SVM卡车油耗预测模型能够比较快速、准确地预测出卡车油耗数据。相比其他对比试验模型,预测精度提高了30%、预测稳定性提高了34%,模型在露天矿卡车燃油消耗的预测应用中具有较好的适应性,可为露天矿卡车燃油消耗考核与油库管理提供参考。

基于GRNN算法的船用柴油机性能曲线模拟与油耗率预测

根据4190ZLC-2船用四冲程增压柴油机实际实验测得数据,建立基于广义回归神经网络(GRNN)的柴油机性能曲线和燃油消耗率预测模型。在所得实验数据中,选取柴油机油门、转速、扭矩等参数数值作为网络输入,柴油机的燃油消耗率作为网络输出。仿真结果表明:基于GRNN模型的神经网络学习速度快,预测精度高,可以很好地适用于柴油机燃油消耗率的性能预测中,并且能很好的实现预测仿真的效果。模型建立之后,可以根据测得数据实时了解柴油机的运行工况及性能状态。

柴油机特性曲线的仿真和燃油消耗的预测

为了对柴油机特性曲线进行仿真和对燃油消耗率进行预测,考虑到影响柴油机的各种因素,采用非线性的建模方法,并使用数据处理的分组方法(GMDH)对柴油机特性曲线进行建模仿真,同时对燃油消耗率进行预测.结果表明该方法对柴油机特性曲线的仿真和燃油消耗预测具有可行性和实用价值.

基于灰色神经网络的装甲部队油料消耗预测

油料消耗量的精确预测直接影响装甲部队后勤保障能力的提升,而传统预测模型精度不高,应用范围也有一定的局限,难以满足信息化战争精确保障的需要。提出一种装甲部队油料消耗预测的组合模型,对历史油料消耗数据和油耗影响因素进行统计分析,求出各影响因素与油耗量的关联度作为权重系数;通过改进GM(1,1)模型预测某部队下一次军事行动的油耗量;用GM(1,1)模型的预测值、加权后的各影响因素值和油耗实际值训练网络,对下一次想定的军事行动油耗量进行预测。通过平均相对误差计算表明,组合预测模型比单一的GM(1,1)模型预测精度高,能够较好地指导部队进行下一步的油料供管工作。

乘用车燃料消耗量的神经网络预测

随着油耗标准法规的日益严苛,整车企业需要从企业整体层面进行产品规划,以满足合规性要求。整车企业在针对企业平均燃料消耗量合规进行规划时,对于未来车型单车油耗的预测是必不可少的环节。剖析了影响乘用车燃料消耗量的影响因素,在此基础上建立了基于BP神经网络的乘用车燃料消耗量预测模型,对单车油耗进行模拟预测。测试结果表明,模型算例的相对误差率最大值为3.06%,预测精确度较高,该模型为单车油耗的模拟预测提供了一种新的方法。