广西师范大学学报（自然科学版） ›› 2022, Vol. 40 ›› Issue (2): 27-36.doi: 10.16088/j.issn.1001-6600.2021042106

• • 上一篇    下一篇

基于改进符号回归算法和XGBoost算法的剩余续驶里程预测

田晟*, 甘志恒, 吕清   

  1. 华南理工大学 土木与交通学院,广东 广州 510641
  • 收稿日期:2021-04-21 修回日期:2021-05-18 发布日期:2022-05-31
  • 通讯作者: 田晟(1969—),男,江西九江人,华南理工大学副教授,博士。E-mail:shitian1@scut.edu.cn
  • 基金资助:
    广东省自然科学基金(2021A1515011587,2020A1515010382)

Remaining Driving Range Prediction Based on Symbol Conversion and XGBoost Algorithm

TIAN Sheng*, GAN Zhiheng, LÜ Qing   

  1. School of Civil and Transportation, South China University of Technology, Guangzhou Guangdong 510641, China
  • Received:2021-04-21 Revised:2021-05-18 Published:2022-05-31

PDF (PC)

111

摘要： 提高剩余续驶里程预测精度可以缓解驾驶人的“续航焦虑”,帮助车厂开发精细的电池管理系统,提高纯电动汽车的接受度。基于改进符号回归算法自动生成与标签字段高度相关的新数据特征字段,实现数据维度扩充。再将维度扩充后的数据传入经过超参数调优的XGBoost模型预测剩余续驶里程。对比仅使用经典特征字段的原始数据,维度扩充后的数据在预测精度上最大相对绝对误差下降4.9%,平均绝对误差和均方根误差下降超过20%,且随着时间的增加,使用维度扩充后的数据进行预测的误差下降更快。结果证明提出的方法可以优化数据集质量,提高预测结果的精确度并减小误差,为纯电动汽车剩余续驶里程预测提供了新的思路。

关键词: 纯电动汽车, 剩余续驶里程预测, 改进符号回归, 特征构造, XGBoost算法

Abstract: Improving the prediction accuracy of remaining driving range can alleviate the “driving anxiety” of drivers, help vehicle manufacturers develop fine battery management system and improve the acceptance of pure electric vehicles. Based on the improved symbolic regression algorithm, a new data feature field closely related to the label field is automatically generated to expand the data dimension. Then the dimension expanded data is transmitted to the xgboost model optimized by super parameters to predict the remaining driving range. Compared with the original data using only classical feature fields, the maximum relative absolute error of the dimension expanded data in the prediction accuracy decreases by 4.9%, and the average absolute error and root mean square error decrease by more than 20%. With the increase of time, the error of prediction using the dimension expanded data decreases faster. The results show that the proposed method can optimize the quality of the data set, improve the accuracy of the prediction results and reduce the error, which provides a new idea for the prediction of the remaining driving range of pure electric vehicles.

Key words: electric vehicle, remaining driving range prediction, improved symbolic regression, feature construction, XGBoost

中图分类号: 

  • TP181
[1] XIONG R, CAO J Y, YU Q Q, et al. Critical review on the battery state of charge estimation methods for electric vehicles[J].
IEEE Access, 2017, 6: 1832-1843. DOI: 10.1109/ACCESS.2017.2780258.
[2] 王瑞, 宋树祥, 夏海英. 融合阻抗模型与扩展卡尔曼滤波的锂离子电池荷电状态估算[J]. 广西师范大学学报(自然科学版), 2021, 39(3): 1-10. DOI: 10.16088/j.issn.1001-6600.2020061109.
[3] 李小霞, 赵金镭. 电动汽车电池荷电状态估算方法研究[J]. 电子设计工程, 2021, 29(4): 177-180, 185.
[4] BI J, WANG Y X, SAI Q Y, et al. Estimating remaining driving range of battery electric vehicles based on real-world data: A case study of Beijing, China[J]. Energy, 2019, 169: 833-843. DOI: 10.1016/j.energy.2018.12.061.
[5] ZHAI G R, LIU S J, WANG Z G, et al. State of energy estimation of lithium titanate battery for rail transit application[J]. Energy Procedia, 2017, 105: 3146-3151. DOI: 10.1016/j.egypro.2017.03.681.
[6] LI K Y, WEI F, TSENG K J, et al. A practical lithium-ion battery model for state of energy and voltage responses prediction incorporating temperature and ageing effects[J]. IEEE Transactions on Industrial Electronics, 2018, 65(8): 6696-6708. DOI: 10.1109/TIE.2017.2779411.
[7] 陈德海, 任永昌, 华铭, 等. 基于STM32-OCV法的纯电动汽车剩余里程预测[J]. 电子技术应用, 2017, 43(12): 33-35, 39. DOI: 10.16157/j.issn.0258-7998.172168.
[8] 林仕立, 宋文吉, 吕杰, 等. 基于电池SOE预测电动汽车的续驶里程[J]. 电池, 2017, 47(3): 137-139. DOI: 10.19535/j.1001-1579.2017.03.003.
[9] 熊瑞. 动力电池管理系统核心算法[M]. 北京: 机械工业出版社, 2018: 87-88.
[10] WANG Z, WANG X H, WANG L Z, et al. Research on electric vehicle (EV) driving range prediction method based on PSO-LSSVM[C]// 2017 IEEE International Conference on Prognostics and Health Management (ICPHM). Piscataway, NJ: IEEE, 2017: 260-265. DOI: 10.1109/ICPHM.2017.7998338.
[11] 段化娟, 尉永清, 刘培玉, 等. 一种面向不平衡分类的改进多决策树算法[J]. 广西师范大学学报(自然科学版), 2020, 38(2): 72-80. DOI: 10.16088/j.issn.1001-6600.2020.02.008.
[12] SARRAFAN K, MUTTAQI K M, SUTANTO D, et al. A real-time range indicator for EVs using web-based environmental data and sensorless estimation of regenerative braking power[J]. IEEE Transactions on Vehicular Technology, 2018, 67 (6): 4743-4756. DOI: 10.1109/TVT.2018.2829728.
[13] 张伟彬, 吴军, 易见兵. 基于RFB网络的特征融合管制物品检测算法研究[J]. 广西师范大学学报(自然科学版), 2021, 39(4): 34-46. DOI: 10.16088/j.issn.1001-6600.2020080902.
[14] SUN S, ZHANG J, BI J, et al. A machine learning method for predicting driving range of battery electric vehicles[J]. Journal of Advanced Transportation, 2019, 2019: 4109148. DOI: 10.1155/2019/4109148.
[15] ZHAO L, YAO W, WANG Y, et al. Machine learning-based method for remaining range prediction of electric vehicles[J]. IEEE Access, 2020, 8: 212423-212441. DOI: 10.1109/ACCESS.2020.3039815.
[16] MODI S, BHATTACHARYA J, BASAK P. Convolutional neural network-bagged decision tree: a hybrid approach to reduce electric vehicle's driver's range anxiety by estimating energy consumption in real-time[J]. Soft Computing, 2021, 25 (3): 2399-2416. DOI: 10.1007/s00500-020-05310-y.
[17] MURARI A, PELUSO E, LUNGARONI M, et al. Application of symbolic regression to the derivation of scaling laws for tokamak energy confinement time in terms of dimensionless quantities[J]. Nuclear Fusion, 2016, 56(2): 026005. DOI: 10.1088/0029-5515/56/2/026005.
[18] 马炫, 李星, 唐荣俊, 等. 一种求解符号回归问题的粒子群优化算法[J]. 自动化学报, 2020, 46(8): 1714-1726. DOI: 10.16383/j.aas.c180035.
[19] 韩博文. 考虑实时需求的需求响应式公交调度方法研究[J]. 广西师范大学学报(自然科学版), 2019, 37(3): 9-20. DOI: 10.16088/j.issn.1001-6600.2019.03.002.
[20] NEMBHARD D A, SUN Y Z. A symbolic genetic programming approach for identifying models of learning-by-doing[J]. Computers & Industrial Engineering, 2019, 131: 524-533. DOI: 10.1016/j.cie.2018.08.020.
[21] PAN B Y. Application of XGBoost algorithm in hourly PM2. 5 concentration prediction[J]. IOP Conference Series: Earth and Environmental Science, 2018, 113: 012127. DOI: 10.1088/1755-1315/113/1/012127.
[22] 武康康, 周鹏, 陆叶, 等. 基于小批量梯度下降法的FIR滤波器[J]. 广西师范大学学报(自然科学版), 2021, 39(4): 9-20. DOI: 10.16088/j.issn.1001-6600.2020062602.
[23] DHALIWAL S S, NAHID A A, ABBAS R. Effective intrusion detection system using XGBoost[J]. Information, 2018, 9(7): 149. DOI: 10.3390/info9070149.
[24] LI W, YIN Y B, QUAN X W, et al. Gene expression value prediction based on XGBoost algorithm[J]. Frontiers in Genetics, 2019, 10: 1027. DOI: 10.3389/fgene.2019.01077.
[25] DONG W, HUANG Y M, LEHANE B, et al. XGBoost algorithm-based prediction of concrete electrical resistivity for structural health monitoring[J]. Automation in Construction, 2020, 114: 103155. DOI: 10.1016/j.autcon.2020.103155.
[26] MA J B, GAO X Y. A filter-based feature construction and feature selection approach for classification using Genetic Programming[J]. Knowledge-Based Systems, 2020, 196: 105806. DOI: 10.1016/j.knosys.2020.105806.
[27] 张灿龙, 李燕茹, 李志欣, 等. 基于核相关滤波与特征融合的分块跟踪算法[J]. 广西师范大学学报(自然科学版), 2020, 38(5): 12-23. DOI: 10.16088/j.issn.1001-6600.2020.05.002.
[28] 杨弦, 党延忠, 吴江宁. 基于符号回归的产品评论数量与购买数量关系分析[J]. 系统工程学报, 2020, 35(3): 289-300. DOI: 10.13383/j.cnki.jse.2020.03.001.
[1] 蒋瑞, 徐娟, 李强. 基于跨域均值逼近的轴承剩余使用寿命预测[J]. 广西师范大学学报（自然科学版）, 2022, 40(3): 121-131.
[2] 段美玲, 潘巨龙. 基于双向LSTM神经网络可穿戴跌倒检测研究[J]. 广西师范大学学报（自然科学版）, 2022, 40(3): 141-150.
[3] 陈高建, 王菁, 栗倩文, 袁云静, 曹嘉琛. 数据驱动的自动化机器学习流程生成方法[J]. 广西师范大学学报（自然科学版）, 2022, 40(3): 185-193.
[4] 唐峯竹, 唐欣, 李春海, 李晓欢. 基于深度强化学习的多无人机任务动态分配[J]. 广西师范大学学报（自然科学版）, 2021, 39(6): 63-71.
[5] 许伦辉, 苏楠, 骈宇庄, 林培群. 基于优化极限学习机的公交行程时间预测方法[J]. 广西师范大学学报（自然科学版）, 2021, 39(5): 64-77.
[6] 王金艳, 胡春, 高健. 一种面向知识编译的OBDD构造方法[J]. 广西师范大学学报（自然科学版）, 2021, 39(4): 47-54.
[7] 白捷, 高海力, 王永众, 杨来邦, 项晓航, 楼雄伟. 基于多路特征融合的Faster R-CNN与迁移学习的学生课堂行为检测[J]. 广西师范大学学报（自然科学版）, 2020, 38(5): 1-11.
[8] 吴昊, 秦立春, 罗柳容. 基于提升度的KNN分类子的分类原则改良模型[J]. 广西师范大学学报（自然科学版）, 2019, 37(2): 75-81.
[9] 林越, 刘廷章, 王哲河. 具有两类上限条件的虚拟样本生成数量优化[J]. 广西师范大学学报（自然科学版）, 2019, 37(1): 142-148.
[10] 郑威,文国秋,何威,胡荣耀,赵树之. 属性自表达的低秩无监督属性选择算法[J]. 广西师范大学学报（自然科学版）, 2018, 36(1): 61-69.
[11] 宗鸣, 龚永红, 文国秋, 程德波, 朱永华. 基于稀疏学习的kNN分类[J]. 广西师范大学学报（自然科学版）, 2016, 34(3): 39-45.
[12] 苏毅娟, 孙可, 邓振云, 尹科军. 基于LPP和l2,1的KNN填充算法[J]. 广西师范大学学报（自然科学版）, 2015, 33(4): 55-62.
[13] 雷霖, 罗小勇. 一种新的量子进化算法实数编码方式及应用[J]. 广西师范大学学报（自然科学版）, 2013, 31(4): 23-27.
[14] 刘海峰, 续欣莹, 申雪芬, 谢王君. 基于限制邻域关系的不完备混合决策系统属性约简[J]. 广西师范大学学报（自然科学版）, 2013, 31(3): 30-36.
[15] 申雪芬, 谢王君, 刘海峰, 续欣莹. 一种改进的基于相对正域的增量式属性约简算法[J]. 广西师范大学学报（自然科学版）, 2013, 31(3): 45-50.
Viewed
Full text


Abstract

Cited
  Shared   
  Discussed   
[1] 胡锦铭, 韦笃取. 不同阶次分数阶永磁同步电机的混合投影同步[J]. 广西师范大学学报（自然科学版）, 2021, 39(4): 1 -8 .
[2] 武康康, 周鹏, 陆叶, 蒋丹, 闫江鸿, 钱正成, 龚闯. 基于小批量梯度下降法的FIR滤波器[J]. 广西师范大学学报（自然科学版）, 2021, 39(4): 9 -20 .
[3] 刘东, 周莉, 郑晓亮. 基于SA-DBN的超短期电力负荷预测[J]. 广西师范大学学报（自然科学版）, 2021, 39(4): 21 -33 .
[4] 张伟彬, 吴军, 易见兵. 基于RFB网络的特征融合管制物品检测算法研究[J]. 广西师范大学学报（自然科学版）, 2021, 39(4): 34 -46 .
[5] 王金艳, 胡春, 高健. 一种面向知识编译的OBDD构造方法[J]. 广西师范大学学报（自然科学版）, 2021, 39(4): 47 -54 .
[6] 逯苗, 何登旭, 曲良东. 非线性参数的精英学习灰狼优化算法[J]. 广西师范大学学报（自然科学版）, 2021, 39(4): 55 -67 .
[7] 李莉丽, 张兴发, 李元, 邓春亮. 基于高频数据的日频GARCH模型估计[J]. 广西师范大学学报（自然科学版）, 2021, 39(4): 68 -78 .
[8] 李松涛, 李群宏, 张文. 三自由度碰撞振动系统的余维二擦边分岔与混沌控制[J]. 广西师范大学学报（自然科学版）, 2021, 39(4): 79 -92 .
[9] 赵红涛, 刘志伟. λ重完全二部3-一致超图λK(3)n,n分解为超图双三角锥[J]. 广西师范大学学报（自然科学版）, 2021, 39(4): 93 -98 .
[10] 李梦, 曹庆先 , 胡宝清. 1960—2018年广西大陆海岸线时空变迁分析[J]. 广西师范大学学报（自然科学版）, 2021, 39(4): 99 -108 .
版权所有 © 广西师范大学学报（自然科学版）编辑部
地址：广西桂林市三里店育才路15号　邮编：541004
电话：0773-5857325　E-mail: gxsdzkb@mailbox.gxnu.edu.cn
本系统由北京玛格泰克科技发展有限公司设计开发