基于ARIMA-LSTM與RBF-NOA的車速工況預(yù)測(cè)

打開(kāi)文本圖片集

摘要：汽車能量的分析和管理離不開(kāi)具體的行駛工況條件，因此車輛工況的構(gòu)建和預(yù)測(cè)顯得尤為重要。針對(duì)商用車，對(duì)典型車速工況進(jìn)行數(shù)據(jù)處理后，首先利用ARIMA模型捕捉車速時(shí)間序列的趨勢(shì)和周期性變化，判斷時(shí)序數(shù)據(jù)是否具有季節(jié)性，然后，分別利用ARIMA-LSTM和NOA-RBF完成時(shí)間序列預(yù)測(cè)。結(jié)果表明，兩種組合算法的應(yīng)用提高了預(yù)測(cè)的精度和魯棒性，降低了預(yù)測(cè)時(shí)間，為后續(xù)的能量管理與分析、控制以及智能駕駛奠定了堅(jiān)實(shí)基礎(chǔ)。（剩余4993字）