基于机器学习的纯电动汽车的行驶里程预测研究
| 致谢 | 第5-6页 |
| 摘要 | 第6-7页 |
| ABSTRACT | 第7-8页 |
| 1 引言 | 第12-22页 |
| 1.1 研究背景及研究意义 | 第12-13页 |
| 1.2 纯电动汽车行驶里程的定义 | 第13页 |
| 1.3 国内外研究现状 | 第13-15页 |
| 1.4 机器学习算法与应用 | 第15-20页 |
| 1.4.1 机器学习算法概述 | 第15-18页 |
| 1.4.2 机器学习算法实施流程 | 第18-19页 |
| 1.4.3 基于机器学习的行驶里程预测意义 | 第19-20页 |
| 1.5 论文研究的内容与框架 | 第20页 |
| 1.6 本章小结 | 第20-22页 |
| 2 数据预处理 | 第22-36页 |
| 2.1 数据采集 | 第22-24页 |
| 2.2 数据问题分析 | 第24-25页 |
| 2.3 删除处理与结果分析 | 第25-27页 |
| 2.4 数据插值分析 | 第27-32页 |
| 2.4.1 常用的插值算法比较 | 第27-28页 |
| 2.4.2 Lagrange插值法的实现 | 第28-30页 |
| 2.4.3 误差分析法 | 第30-31页 |
| 2.4.4 插值结果验证 | 第31-32页 |
| 2.5 数据平均化处理 | 第32-34页 |
| 2.6 本章小结 | 第34-36页 |
| 3 行驶里程的影响因素分析 | 第36-54页 |
| 3.1 行驶里程的影响因素 | 第36-40页 |
| 3.1.1 纯电动车的结构及能耗分析 | 第36-37页 |
| 3.1.2 相关影响因素分析 | 第37-40页 |
| 3.2 行驶里程的相关性分析 | 第40-49页 |
| 3.3 影响因素的偏相关分析 | 第49-52页 |
| 3.3.1 偏相关分析 | 第49-50页 |
| 3.3.2 偏相关分析结果 | 第50-52页 |
| 3.4 本章小结 | 第52-54页 |
| 4 行驶里程的多元线性回归建模 | 第54-66页 |
| 4.1 多元线性回归模型的建立 | 第54-62页 |
| 4.1.1 变量的选择 | 第54-55页 |
| 4.1.2 回归模型的初步建立 | 第55-56页 |
| 4.1.3 模型参数辨识 | 第56-57页 |
| 4.1.4 模型的统计检验 | 第57-61页 |
| 4.1.5 多元回归模型的确立 | 第61-62页 |
| 4.2 模型验证与分析 | 第62-64页 |
| 4.3 本章小结 | 第64-66页 |
| 5 基于梯度提升算法的回归建模 | 第66-86页 |
| 5.1 Boosting的基本思想 | 第66-67页 |
| 5.2 梯度提升算法 | 第67-74页 |
| 5.2.1 CART决策树 | 第68-71页 |
| 5.2.2 GDBT算法框架 | 第71-74页 |
| 5.3 实验设计 | 第74-78页 |
| 5.3.1 数据准备 | 第74-75页 |
| 5.3.2 特征提取 | 第75-77页 |
| 5.3.3 训练集与测试集 | 第77页 |
| 5.3.4 参数设置和相对重要度计算 | 第77-78页 |
| 5.4 实验结果与分析 | 第78-83页 |
| 5.5 模型对比 | 第83页 |
| 5.6 本章小结 | 第83-86页 |
| 6 总结 | 第86-88页 |
| 6.1 本文工作 | 第86页 |
| 6.2 创新点 | 第86-87页 |
| 6.3 展望 | 第87-88页 |
| 参考文献 | 第88-92页 |
| 作者简历及攻读硕士学位期间取得的研究成果 | 第92-96页 |
| 学位论文数据集 | 第96页 |
