基于机器学习的驾驶员节能评价研究
| 摘要 | 第5-6页 |
| abstract | 第6-7页 |
| 第1章 绪论 | 第10-16页 |
| 1.1 研究背景和意义 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-14页 |
| 1.3 研究内容 | 第14页 |
| 1.4 论文组织结构 | 第14-16页 |
| 第2章 车辆行驶工况构建方法 | 第16-24页 |
| 2.1 试验数据获取及处理 | 第16-21页 |
| 2.1.1 运动学片段划分 | 第16-17页 |
| 2.1.2 选取并计算特征参数 | 第17-21页 |
| 2.2 构建行驶工况 | 第21-23页 |
| 2.2.1 主成分分析 | 第21-22页 |
| 2.2.2 聚类分析及结果 | 第22-23页 |
| 2.3 本章小结 | 第23-24页 |
| 第3章 影响燃油消耗的因素分析 | 第24-32页 |
| 3.1 计算运动学片段的平均油耗 | 第24-25页 |
| 3.2 速度对油耗的影响 | 第25-26页 |
| 3.3 加速度对油耗的影响 | 第26-28页 |
| 3.3.1 急加速对油耗的影响 | 第26-27页 |
| 3.3.2 减速度对油耗的影响 | 第27-28页 |
| 3.4 发动机转速对油耗的影响 | 第28-29页 |
| 3.5 车速稳定性对油耗的影响 | 第29-31页 |
| 3.6 本章小结 | 第31-32页 |
| 第4章 基于机器学习的驾驶员节能评价方法研究 | 第32-48页 |
| 4.1 面向运动学片段数据集的SMOTE算法 | 第32-35页 |
| 4.1.1 运动学片段数据集分类难点 | 第32-33页 |
| 4.1.2 SMOTE算法基本思想 | 第33-35页 |
| 4.2 基于机器学习的运动学片段分类 | 第35-44页 |
| 4.2.1 基于随机森林的运动学片段分类 | 第35-37页 |
| 4.2.2 基于支持向量机的运动学片段分类 | 第37-40页 |
| 4.2.3 基于k近邻的运动学片段分类 | 第40-42页 |
| 4.2.4 基于XGBoost的运动学片段分类 | 第42-44页 |
| 4.3 基于网格搜索的分类模型优化 | 第44-45页 |
| 4.3.1 交叉验证法 | 第44-45页 |
| 4.3.2 网格搜索法 | 第45页 |
| 4.4 基于加权评分法的节能评价分数计算 | 第45-47页 |
| 4.5 本章小结 | 第47-48页 |
| 第5章 基于机器学习的驾驶员节能评价方法验证 | 第48-63页 |
| 5.1 原始数据分析 | 第48-49页 |
| 5.2 行驶工况数据集分析 | 第49-52页 |
| 5.3 驾驶员节能评价方法对比 | 第52-56页 |
| 5.4 驾驶员节能评价方法应用 | 第56-57页 |
| 5.5 行驶工况识别实验 | 第57-58页 |
| 5.6 运动学片段节能程度分类实验 | 第58-62页 |
| 5.6.1 基于随机森林的特征选取实验 | 第58-59页 |
| 5.6.2 基于网格搜索的分类模型优化实验 | 第59-62页 |
| 5.6.3 节能程度分类实验结果 | 第62页 |
| 5.7 本章小结 | 第62-63页 |
| 结论 | 第63-64页 |
| 参考文献 | 第64-68页 |
| 攻读硕士学位期间发表的论文和取得的科研成果 | 第68-69页 |
| 致谢 | 第69页 |
