基于电池循环寿命的纯电动汽车续驶里程估算

为了提高纯电动汽车的续驶里程估算精度,降低因电动汽车续驶里程估计不准确而出现的"里程焦虑",提出一种基于电池循环寿命的纯电动汽车续驶里程估算方法。首先,以纯电动汽车的整体性能分析为基础,将汽车续驶里程估算中电池循环使用时长问题,通过卡尔曼滤波算法转化为代价函数逼近最小值问题,确定电池循环使用寿命。其次,通过计算电池组剩余能量和已行驶里程,计算出纯电动汽车单位里程能耗;最后,计算出纯电动汽车循环工况续驶里程。实验结果表明,采用该方法对纯电动汽车续驶里程进行估算准确性较高,估算误差最低为2. 5%,提高了对纯电动汽车续驶里程的估算精度。     

电动汽车传动系统参数设计和续驶里程研究

针对目前电动汽车（EVS）续驶里程短的问题．从车辆动力学的角度建立了较为系统的续驶里程计算模型。讨论了电动汽车动力传动系统参数设计和整车质量对续驶里程的影响,并以XL2000型纯电动轿车为研究对象,分析计算了匹配两种不同传动系统时的续驶里程,并给出了计算结果。进一步的实验表明,计算结果与实验值误差小于5％,验证了所建模型的合理性。在样车设计阶段．利用该方法进行仿真研究,具有一定的参考价值和指导意义。     

基于电池荷电状态和行驶工况辨识的电动汽车续驶里程估算*

为消除驾驶员因电动汽车续驶里程估计不准确,产生的"里程焦虑"。提出了一种基于电池荷电状态和行驶工况辨识的电动汽车续驶里程估算模型。以大连市某电动汽车运行数据为研究对象,首先分析了SOC与行驶里程的相关性,将工况数据划分为432个工况片段。然后利用主成分分析、模糊C聚类分析对工况片段进行分类、辨识,并建立了续驶里程的估算模型,进行续驶里程的估算。最后利用实车数据,在Matlab中进行仿真验证,结果表明此方法是可行的,所建立的模型具有较高的准确度。     

电动汽车续驶里程及其影响因素的研究

研究了电动汽车续驶里程的计算方法,根据电池释放的能量与电动汽车消耗的能量相等的方法计算,使用BJD6100－EV电动公交车的有关参数,计算在不同速度下均速行驶时的续驶里程及阻力功率,建立电池均匀性对电池输出功率的影响模型,分析整车参数,环境温度对电动汽车的续驶里程的影响,绘制相应的曲线,结合对BJD6100－EV电动公交车的道路试验,验证了续驶里程的计算方法及续驶里程的影响因素,并提出了增加续驶里程的措施。     

基于经济效益分析的插电式混合动力汽车最佳纯电续驶里程研究

以插电式混合动力汽车行驶特性为研究对象,通过调查确定国内汽车日均行驶里程范围,经过实验测试寻找插电式混合动力汽车油耗规律,同时分析了插电式混合动力汽车相关成本费用预期。最后通过经济效益分析方法分析插电式混合动力汽车不同纯电续驶里程下的成本效益情况,确定了插电式混合动力汽车的纯电续驶里程最佳经济效益点。     

基于XGBoost算法的电商用户重复购买行为预测

机器学习算法广泛应用于电商用户行为数据分析及商业预测.其中,XGBoost算法作为一种常用的有监督机器学习算法,能够实现电商用户行为特征最优选择与行为模型构建、评估消费价值、预测重复购买行为概率、提高商业决策的精准性与可行性.本研究采用阿里云天池大数据竞赛“天猫复购预测”所提供的“双十一”电商购物节关联数据集中约42万电商平台用户产生的5 500万条行为数据,基于促销活动情境完成特征构造,实现有监督分类学习.本研究实现了XGBoost算法的参数优化与数据特征值处理过程优化,完成了促销活动后6个月内电商用户重复购买行为的预测模型演算.结果表明：优化后的XGBoost算法能够比较精准地预测电商用户重复购买行为、评估在线用户潜在购买价值、实现精准营销以及真正促进促销活动的长期投资回报率提高.     

融合矩阵分解和XGBoost的个性化推荐算法

针对传统的协同过滤推荐算法中评分矩阵过于稀疏和算法准确度不高的问题,提出一种融合矩阵分解和XGBoost算法的推荐算法(MFXGB,Matrix Factorization XGBoost),其特点是利用SVD++算法(SVD,Singular Value Decomposition)对用户项目评分矩阵进行填充,避免过多的缺失值对算法精确度的影响,再利用XGBoost(eXtreme Gradient Boosting)算法训练有监督的模型用于预测用户评分.为了克服计算成本过高的困难,提出利用K-均值聚类方法进行特征提取用于训练XGBoost模型.将MFXGB算法应用于MovieLens数据集进行实验分析,结果显示,MFXGB算法的推荐精确度比传统的3种方法分别提高了8.91％、10.18％和11.79％,效果明显优于传统的推荐算法.     

基于布谷鸟搜索的XGBoost算法优化及应用研究

为提高XGBoost算法预测精度,采用布谷鸟搜索算法全局优化XGBoost的超参数包括学习率、输出结点分裂的最小损失、树模型的最大深度和弱学习器的数量,构建CS-XGBoost模型训练数据集。实验结果表明,基于CS-XGBoost的收入分类模型的准确率、精确率、F1分数和AUC等指标分别为95.67%、97.17%、95.56%和97.96%,均优于Logistic回归、支持向量机、随机森林、XGBoost算法和基于网格搜索的XGBoost算法;基于CS-XGBoost的房价预测模型的决定系数、均方根误差及平均绝对误差分别为0.905 5、2.943 5及2.165 4,预测精度较XGBoost算法得到显著提升。     

基于 XGBoost 的房价预测优化

观来说，房价受到诸多因素的制约，正因如此，房价预测仍然是数据分析中一个非常经典且具有挑战性的问题.本文针对房价数据冗余，在实际场景中很难确定重要特征，提出了一种创新的数据预处理方式，并通过双模型迭代拟合的方式进行数据预测.首先从数据意义、数据形式和数据关联性三个方面进行初始数据预处理，然后根据数据选择适合的模型进行训练.在传统机器学习中，Random Forest和 XGBoost是两种常用的方法.RF 模型通过其 Bagging 过程，能够准确地评判“冗余”特征，而 XGB 模型在提高预测效果的同时，也囿于其泛化能力下降，无法稳定地反映特征重要性.因此，本文利用 RF 模型处理冗余数据，并使用XGB模型对新数据集进行拟合提高预测效果.本文在Kaggle竞赛的数据集（"House Prices Advanced Regression Techniques"）上进行了实验，测试结果显示，XGB回归模型最终的回归精度R2为87%，而单独的RF模型或XGB模型的R2分别为79.2%和78.7%.实验证明，该数据预测方法能够明显提高房价预测效果.同时，为充分体现模型拟合效果和预测能力，将“房价”改为具有“高”和“低”两类的离散变量，最终预测结果的精确度为93%，召回率为93%.     

改进灰狼优化算法医疗锂电池剩余寿命预测

【目的】通过改进灰狼优化算法对医疗锂电池进行剩余寿命预测,从而保障抢救时机并减少医疗事故的目的。【方法】运用小波核极限学习机(Wavelet kernel extreme learning machine,WKELM)与小生境灰狼算法(Niche grey wolf optimization,NGWO)相融合的算法形成改进灰狼优化算法WKELM-NGWO算法。采用NGWO算法对WKELM参数进行优化处理,并将最大化训练集的分类准确度作为目标函数,得到寻优过程的数学模型。采用差分方式对医疗电子设备锂电池容量的时间序列进行处理,得到多维时间序列特征向量,归一化处理获得特征向量,并将其分为训练集和测试集。计算得出每只灰狼个体的适应度值fi,并对适应度值fi进行排序,适应度值fi排在前三的个体位置分别记为Xα,Xβ,Xδ。选择最优的灰狼个体位置作为WKELM参数对数据进行训练后,对心脏起搏器用锂电池和心脏除颤仪用锂电池两种锂电池测试样本进行剩余寿命预测操作。【结果】在相同的预测起始点下,WKELM-NGWO算法的均方根误差(RMSE)误差低于WKELM和NGWO算法,基于融合算法WKELM-NGWO的医疗电子设备锂电池剩余寿命(Remaining useful life)预测曲线更接近电池的退化曲线。【结论】WKELM-NGWO融合算法增强了对不同数据的适应能力,既克服了小波核极限学习机(WKELM)学习速度慢、结构不稳定的问题,也克服了小生境灰狼算法(NGWO)求解精度低、收敛速度慢从而导致跳不出局部最优解的问题。     

基于认知诊断与XGBoost的学生表现预测研究

针对认知诊断方法未考虑学生的答题共性和矩阵分解方法未考虑学生知识点掌握个性的问题,提出一种结合认知诊断与XGBoost(eXtreme Gradient Boosting)的学生表现预测方法(PRNCD-XGBoost):首先,根据试题中知识点之间的共现关系探索知识点之间的相似性,并结合试题-知识点二分图挖掘试题中各知识点所占权重,从而进行认知诊断;然后,用认知诊断阶段的预测结果对历史得分矩阵进行填充;最后,采用非负矩阵分解方法提取出包含认知诊断因素的学生答题共性特征进行得分预测。并在ASSISTments2009和ASSISTments2017数据集上,将PRNCD-XGBoost方法与PMF、NeuralCD、PR-NCD、NMF-XGBoost、MNMF-XGBoost等方法进行对比实验。实验结果表明：PRNCD-XGBoost方法在学生表现预测方面具有更高的预测精确度。     

一种基于模型转换的GLONASS历书预报算法

通过对GLONASS历书预报算法的研究,提出了一种基于模型转换的GLONASS历书预报算法. 该算法采用最小二乘估计方法将一天内的GLONASS卫星精密轨道数据拟合成一组轨道根数,采用建立的历书转换模型将该组轨道根数转换成GLONASS历书参数. 采用STK(satellite tool kit)软件产生的精密轨道数据对该算法进行了验证. 同时将该算法应用于GLONASS导航信号模拟器并用JAVAD 112T商用接收机进行长时间的实测. 结果表明,该算法简便、有效且准确度高,完全满足导航用户对历书预报精度的需求.      

基于XGBoost的短时交通流预测模型

为提高路段短时交通流的预测精度,选取路段平均旅行时间作为预测指标,建立了一种基于极端样度上升(extrem gradient boosting,XGBoost)的短时交通流预测模型。首先通过对交通流数据的分析,在考虑交通流时空特性的基础上,分别构建目标路段时间序列训练集、测试集以及时空序列训练集、测试集,然后基于XGBoost模型以及构建的训练样本集建立时间序列预测模型以及时空序列预测模型,并利用训练好的模型进行预测,最后将模型预测结果与线性回归模型、神经网络模型预测结果进行比较。实验结果表明:基于XGBoost的短时交通流预测模型能够对路段未来时段平均旅行时间进行比较准确的预测,其中时间序列预测模型均方根误差为5. 32,时空序列预测模型均方根误差为4. 82,均低于线性回归模型和神经网络模型,且相比于仅考虑时间因素的短时交通流预测模型,同时考虑时空因素的预测模型得到的误差更低,预测效果更好。     

改进GA-BP算法的油气管道腐蚀剩余强度预测*

利用人工神经网络能够逼近任意复杂函数的特性,可对在役油气管道的腐蚀剩余强度进行预测,但其缺点在于人工神经网络的权值和阈值的初始化分配具有随机性且只是一种局部优化算法,收敛过程中容易出现局部极小解。引入遗传算法的全局搜索特性和不依赖于梯度信息特性,对采用Levenberg-Marquardt（L-M）算法的BP神经网络的权值和阈值进行优化,并结合由敏感性分析确定的油气管道失效压力的影响因素,建立GA-BP（L-M）网络预测模型。采用Modified ASME B31G计算出的样本数据训练网络并进行预测。预测结果表明,GA-BP（L-M）网络预测模型可以相对更好地预测油气管道的失效压力,在满足工程需要的前提下,是一种更加科学、准确的预测模型。     

模糊信息粒化和GWO-SVM算法结合的短期风速范围预测

为了实现对风速范围区间的准确预测,提出一种基于模糊信息粒化和灰狼优化-支持向量机(GWO-SVM)算法的风速预测模型.该模型首先利用模糊信息粒子,从一段连续时间的风速值提取出最大值、最小值及大致的平均水平值;然后,采用时间序列风速输入模型,构建输入支持向量机模型的标签向量与特征矩阵;最后,通过灰狼算法进行支持向量机预测模型的参数寻优,实现对风速范围区间的准确预测.在实例验证阶段,将风速历史数据进行模糊粒化,采取4种不同的参数寻优方式对支持向量机预测模型进行参数寻优.结果表明:GWO-SVM算法可以有效地提高风速范围预测的精确度.     

基于双通道模型的航空发动机剩余寿命预测

针对现阶段航空发动机单一剩余使用寿命预测模型数据挖掘深度不足导致预测精度低的问题,提出一种双通道模型的预测方法。首先,构建双通道网络结构：通道一使用时间卷积网络,通过残差结构和空洞卷积使得网络具有更大的感受野和计算速度;通道二使用卷积长短时间记忆网络,提取多维时空特征,捕捉数据长期依赖关系。其次,利用多头注意力机制为双通道网络特征重新赋予权重。最后,将双通道网络进行特征融合输出,实现对航空发动机剩余寿命预测。使用涡扇发动机退化数据集进行实验验证,并与其它文献中提到的卷积双向长短时间记忆网络模型、多特征注意力模型、多头注意力模型、卷积门控单元循环神经网络模型进行对比。结果表明,所提模型在3种评价指标上均取得更好的表现,为航空发动机剩余寿命预测提供了一种新思路。     

基于XGBoost模型的融合多特征微博信息传播预测方法

为了有效地监管网络舆情,辅助管理人员进行决策,微博信息传播预测方法的研究具有重要应用价值。针对传统微博信息传播预测方法存在指标单一、预测效果较差问题,提出一种基于XGBoost模型的融合多特征微博信息传播预测方法。首先,分析微博传播网络和用户节点特性,提取出博主特征、微博内容特征、传播特征3类特征并构建数据集;接着,基于XGBoost方法分别构建微博累计转发量预测模型和微博最大转发深度预测模型;最后,通过模型在测试数据集上的平均绝对误差验证模型的预测效果。通过与线性回归等传统的预测方法比较分析可以看出,提出的预测方法能够取得良好的预测效果。     

基于鲸鱼算法优化长短时记忆神经网络的锂电池剩余寿命预测

为确保锂电池在军用无人机以及新能源汽车使用期间的安全性,需要对其进行全生命周期的健康监测和寿命预测。针对长短期记忆神经网络(Long Short-Term Memory, LSTM)模型参数较难选取导致所建立的锂电池剩余使用寿命预测方法精度不足问题,文中提出一种基于鲸鱼优化算法(Whale Optimization Algorithm, WOA)对LSTM的剩余寿命预测模型(WOA-LSTM)进行优化。首先使用WOA算法对LSTM的隐含层神经元数量、学习率进行寻优,避免经验选取参数的盲目性;其次将寻优后的超参数重新赋值给LSTM网络,构建与锂电池数据特征更为匹配的预测模型;最后采用NASA PCoE实验室锂电池的失效数据集验证算法的有效性。仿真结果表明,文中所提出的预测模型相较于LSTM模型、Elman模型、PSO-LSTM模型精度平均分别提升了7%、4%、3%,具有较好的预测效果。