機動車油耗模型研究綜述

張隅希，段宗濤，朱依水，王路陽，周 祎，郭 宇長安大學 信息工程學院，西安710064

近年來，隨著全球機動車保有量的不斷增加，交通運輸業(yè)迅速發(fā)展，為生活帶來便利的同時，一些負面影響也隨之產(chǎn)生。例如，傳統(tǒng)機動車消耗的燃料主要來自于石油等一些不可再生的能源，并產(chǎn)生溫室氣體和不良的排放物[1]。因此，燃油過度消耗與排放問題成為了世界性的難題，尤其是在我國，車輛的燃油排放是導致空氣污染的主要原因之一[2]，這引發(fā)了一系列的環(huán)境污染與能源短缺問題，對人類的健康也構(gòu)成了巨大的威脅。人們對于提高車輛的燃油經(jīng)濟性與節(jié)能減排的需求也日益增加[3]。因此，燃油經(jīng)濟性與節(jié)能減排是國內(nèi)外學者都在探討的問題，不斷地有學者聚焦于車輛的燃油消耗模型的研究，分析污染物的影響因素、獲取污染物排放因子、探索影響燃油消耗的因素，并建立準確的燃油消耗預測模型以改善上述問題。

機動車的燃油與排放關系可通過環(huán)境學理論與碳平衡原理進行推導，而在早期傳統(tǒng)的油耗模型的研究中往往對此不做區(qū)分，通常將其稱為燃油排放模型。本文旨在研究機動車的燃油消耗模型，在特定的場景下，也將其簡稱為油耗模型?；诓煌乃悸放c角度，機動車的燃油消耗模型可以分為不同的類型。在本文中，將其分為兩大類，一類為早期經(jīng)典的基于汽車動力學原理建立的傳統(tǒng)油耗模型，另一類為近年來以數(shù)據(jù)為驅(qū)動的基于機器學習方法的油耗模型。在這兩大類下進行小類別的劃分，分別進行闡述，旨在使相關的研究人員清晰地了解機動車燃油消耗模型的類別、發(fā)展歷程、優(yōu)缺點、應用場景以及應用現(xiàn)狀。

1 基于汽車動力學原理的傳統(tǒng)油耗模型

基于模型輸入的角度，依據(jù)輸入量的規(guī)模，從宏觀、中觀、微觀[4]三個層面對傳統(tǒng)的油耗模型進行介紹，并對代表模型進行概述。

1.1 宏觀模型

宏觀層面的模型主要通過某片行駛區(qū)域內(nèi)車輛的平均速度來估計整片區(qū)域的燃油排放總量，可以用來預測城市或國家交通燃油排放總量和發(fā)展趨勢，以便為污染治理提供合理的建議[5]。以MOBILE（MOBILE Source Emission Factor，MOBILE）[6]、COPERT（COmputer Programme to calculate Emissions from Road Transportation，COPERT）[7]等模型為代表，這類模型基于平均速度為特征參數(shù)來表征污染物[8]。

MOBILE模型為美國環(huán)保局（Environmental Protection Agency，EPA）于1978年開發(fā)[9]。MOBILE模型對不同的輸入數(shù)據(jù)[10]，選用相應的修正因子對基本排放因子進行修正，最后得到實際的排放因子，從而計算出總體的排放水平。該模型綜合考慮了車輛的維修保養(yǎng)狀況、行駛里程、車輛特性以及環(huán)境參數(shù)等各種對排放產(chǎn)生影響的因素。因此，該模型的計算結(jié)果具有一定的代表性與較強的可比較性。同時由于其可移植性強，用戶可根據(jù)需求對模型的計算參數(shù)進行修改和擴充，因此在世界范圍內(nèi)應用廣泛[8]。

COPERT模型自1987年起由歐盟委員會進行開發(fā)，用于估算所有主要的空氣污染物的排放以及不同類型車輛所產(chǎn)生的溫室氣體，但未考慮道路坡度與加速度[11]。該模型原理與MOBILE模型類似，其輸入的主要參數(shù)包括車輛的平均速度、累計里程、平均出行旅程長度、天氣與燃料相關參數(shù)等[12]。該模型的優(yōu)點在于輸入?yún)?shù)不易受限制，適用于交通數(shù)據(jù)缺乏的地區(qū)和國家[5]。

1.2 中觀模型

中觀層面的模型在輸入量規(guī)模與計算尺度上介于宏觀模型與微觀模型之間，通常為駕駛模式。中觀模型適用于對局部區(qū)域，例如某個街區(qū)、某條道路在一天或一小時內(nèi)的燃油排放進行測算[13]。以MOVES（Draft Motor Vehicle Emission Simulator，MOVES）[14]模型為代表。

MOVES模型為EPA開發(fā)的全面的綜合性排放模型，有宏觀、中觀、微觀三個層面。MOVES模型在中觀層面上通過車輛比功率VSP（Vehicle Specific Power，VSP）的分布特性來表征在不同運行工況下車輛的燃油消耗率或污染物的排放，VSP與發(fā)動機負載有直接關系，因此相較于速度、加速度更能反映與油耗之間的關系[5]。該模型基于MOBILE模型進行改進，在中觀和微觀層面能更準確地表達機動車的運行過程，且相比于MOBILE模型具有更強的適應性[15-19]。

1.3 微觀模型

微觀層面的模型是以車輛的瞬時油耗與狀態(tài)參數(shù)之間的關系為推導依據(jù)。適用于估計車輛通過某一路段或交叉口以秒為單位的瞬時燃油排放[20]，該類模型需要以每輛車的瞬時行駛工況的有關參數(shù)作為輸入，例如瞬時速度、瞬時加速度等[21]。代表模型有CMEM（Comprehensive Modal Emission Model，CMEM）[22]、VT-Micro（Virginal Tech Microscopic Emission model，VT-Micro）[23]。

Barth等[22]開發(fā)了CMEM綜合模式排放模型，CMEM模型基于微觀的角度，通過車輛在不同行駛模式下的發(fā)動機運行狀態(tài)參數(shù)逐秒計算尾氣管的燃油排放[24]。該模型可以準確地反映車輛的排放特征[25]。但該模型實驗需要的污染物排放過程與模型參數(shù)十分復雜，模型的運算效率較低。

VT-Micro模型為Rakha與Ahn[23]于2002年所建立的統(tǒng)計模型[26]，將車輛分為加速與減速兩種情形，分別進行建模，采用了對數(shù)變換的方法，將燃油消耗的對數(shù)擬合為速度、加速度冪次乘積的函數(shù)，因此該模型的預測精度很高[27-28]。

1.4 模型對比分析

基于上述汽車動力學原理的傳統(tǒng)油耗模型中小類的劃分思路，本節(jié)將從該類中的各機動車油耗模型的原理機制、模型輸入、代表模型、適用場景、優(yōu)點以及局限性進行分析介紹，如表1所示。

表1 油耗模型對比分析Table 1 Comparative analysis of fuel consumption model

基于上述分析可知，傳統(tǒng)的油耗模型的研究主要基于汽車動力學原理，需要了解車輛的內(nèi)部構(gòu)造與發(fā)動機原理，預測精度高，物理意義準確。但存在以下局限：這類模型的物理場景比較特定，不適用于其他不同特性的車輛；傳統(tǒng)的微觀油耗預測模型的因子具有多樣性與隨機性，回歸分析受到限制[29]；此外，傳統(tǒng)的油耗模型旨在刻畫燃油排放的物理意義，考慮因素太多，因此提高了模型的復雜度，當輸入數(shù)據(jù)規(guī)模變大時，運算效率將會隨之降低；這類傳統(tǒng)模型一般對于模型輸入的數(shù)據(jù)分辨率要求很高，需要以每秒為單位的汽車運行狀態(tài)與油耗數(shù)據(jù)。

2 基于機器學習方法的數(shù)據(jù)驅(qū)動油耗模型

近年來，隨著數(shù)據(jù)量的爆炸式增長與機器學習技術的迅速發(fā)展，機器學習技術用于描述輸入變量與輸出結(jié)果之間的復雜關系。因此，國內(nèi)外學者將目光投放于利用機器學習方法開發(fā)數(shù)據(jù)驅(qū)動油耗模型。

與傳統(tǒng)物理油耗模型不同的是，基于機器學習方法的數(shù)據(jù)驅(qū)動油耗模型是基于車載OBD（On Board Diagnostics，OBD）設備的實時測量數(shù)據(jù)，旨在探索和建立各車輛運行狀態(tài)數(shù)據(jù)與油耗之間的映射關系，再通過數(shù)據(jù)去校準模型。在實際的駕駛環(huán)境中，車輛燃油消耗的影響因素是復雜的，例如車輛的行駛環(huán)境、車輛自身特性、駕駛員行為、道路結(jié)構(gòu)以及交通狀況等，其影響主要體現(xiàn)在車輛的實時運行狀態(tài)數(shù)據(jù)上[30]。在這類油耗模型中，主要通過機器學習方法中的回歸分析方法去構(gòu)建模型，不需要精確描述其物理意義。

在機器學習的發(fā)展歷程中，淺層學習為第一階段，深度學習為第二階段。淺層結(jié)構(gòu)的非線性特征轉(zhuǎn)換層很少，當處理較為復雜的問題時，模型效果以及表達能力會受到限制[31]。而后，深度結(jié)構(gòu)的模型被廣泛地提出，它們可以有效地通過多層的非線性函數(shù)來進行復雜的特征提取與數(shù)據(jù)表示。由此，綜合考慮輸入數(shù)據(jù)量的規(guī)模與建模方法層面，將該類數(shù)據(jù)驅(qū)動油耗模型又進一步劃分為傳統(tǒng)機器學習方法油耗模型、深度學習方法油耗模型與混合式（組合、集成）油耗模型。

2.1 傳統(tǒng)機器學習方法油耗模型

在傳統(tǒng)機器學習方法建立的數(shù)據(jù)驅(qū)動油耗模型中，主要基于回歸分析方法進行研究，包含線性回歸方法與非線性回歸方法。許多學者將多元線性回歸、支持向量機回歸（Support Vector Regression，SVR）等傳統(tǒng)機器學習方法用于油耗關系建模中，研究成果層出不窮。

在實際的駕駛情景研究中，因變量（燃油消耗）的變化往往受幾個重要因素的影響，因此用多個影響因素作為自變量來解釋因變量，能夠更好地對車輛燃油消耗過程進行油耗關系建模與分析，由此，早期傳統(tǒng)的機器學習方法油耗模型常通過多元線性回歸方法來建立輸入與輸出之間的線性關系。Yin等[1]通過互信息指數(shù)（Mutual Information Index，MII）的特征選擇方法，從大量的車輛特性中獲取與燃油效率相關性高的特征，作為油耗模型的輸入，通過5種機器學習回歸方法建立燃油效率預測模型，進行實驗對比分析，其中，分位數(shù)回歸模型在整體的預測性能上表現(xiàn)最佳，其決定系數(shù)R2（R-Square，R2）值能達到0.840 2。分位數(shù)回歸作為一種線性回歸方法，用于模擬自變量與因變量的分位數(shù)之間的線性關系。該模型能夠描述因變量的全局特征，因此可以反映不同特性車輛的燃油消耗水平。Walnum等[32]通過多元回歸方法建立油耗模型，對自變量進行平均彈性分析，最終確定了顯著影響重型卡車燃油消耗的因素。多元線性回歸方法可以反映各自變量變化時因變量的變化量，因此能很好地分析影響燃油消耗的因素。

而由于車輛的燃油消耗過程受各類因素影響而復雜多變，具有許多非線性特性，且各變量之間常具有交互作用。因此，線性回歸方法在擬合車輛行駛中的燃油消耗過程受限，預測精度較低。為解決此類問題，Chen[33]提出了一種多元自適應回歸樣條方法的數(shù)據(jù)驅(qū)動油耗模型，多元自適應回歸樣條方法為多元線性回歸方法的改進方法，可以很好地模擬非線性現(xiàn)象和變量之間的交互作用，并且可解釋性強。郭娟[34]提出了存在交互項的多元線性回歸汽車油耗預測模型，其預測性能較不考慮交互項的多元線性回歸方法的均方根誤差（Root Mean Squard Error，RMSE）更小。

此外，支持向量回歸方法（Support Vector Regression，SVR）的核函數(shù)可將低維特征空間隱式地映射到高維特征空間，只需要少量數(shù)據(jù)即可準確地表達輸入輸出間的復雜非線性關系，后有學者將其用于建立車輛油耗模型。Zeng等[35]基于大量的Can總線與GPS數(shù)據(jù)提出SVR油耗模型，其模型性能優(yōu)于多元回歸模型與人工神經(jīng)網(wǎng)絡模型，且具有全局最優(yōu)解，泛化能力強。Moradi等[36]建立的SVR油耗模型，能達到不錯的預測效果。該研究重點關注速度、加速度、道路等級對于燃油消耗的影響，而速度和道路等級的變化對油耗的影響存在時間滯后，SVR方法在捕捉這類滯后現(xiàn)象表現(xiàn)較差。

盡管上述介紹的SVR方法可以引入適合車輛燃油消耗場景的核函數(shù)，能夠很好地映射非線性特性，對未知樣本具有很好的泛化能力，可以避免過擬合問題，在小樣本數(shù)據(jù)集上得以達到很優(yōu)的預測效果。但當需要對新的因變量進行SVR模型訓練時，由于可能存在新的潛在的交互項，因此只能通過改變核函數(shù)來實現(xiàn)，這在數(shù)據(jù)驅(qū)動的建模方法中往往意味著很大的計算成本與開銷，因此具有局限性。并且核函數(shù)的選擇關系到構(gòu)建的SVR模型性能，如何根據(jù)數(shù)據(jù)選擇合適的核函數(shù)也是支持向量機方法研究領域的焦點與難題。

基于上述分析，傳統(tǒng)的機器學習方法油耗模型具有以下局限：傳統(tǒng)的機器學習方法通常更適用于規(guī)模較小且與燃油消耗線性關系明顯的數(shù)據(jù)集。而由于車輛的燃油消耗相關數(shù)據(jù)的高維特性，模型輸入規(guī)模往往很大，計算開銷隨之增加，且預測效果相較于小規(guī)模數(shù)據(jù)集較差；當數(shù)據(jù)只限于與燃油消耗相關的車輛特性時，其與油耗線性關系明顯，而當輸入數(shù)據(jù)為車輛運行狀態(tài)數(shù)據(jù)或者更復雜的駕駛環(huán)境數(shù)據(jù)時，模型輸入與輸出數(shù)據(jù)間存在非線性關系，因此，在傳統(tǒng)的機器學習方法中線性回歸方法表達受限；在進行線性回歸油耗模型建立與分析時，需要進行多重共線性診斷，從而避免兩個自變量高度相關而導致模型失真的現(xiàn)象。上述傳統(tǒng)機器學習方法的局限性可能在未來限制機動車油耗模型的發(fā)展。

2.2 深度學習方法油耗模型

隨著算力、存儲技術與大數(shù)據(jù)的發(fā)展，深度學習的研究與應用得到了廣泛的關注。深度學習充分借鑒了大腦的結(jié)構(gòu)和功能，使用反向傳播算法來更新權值，從而獲得更好的訓練結(jié)果。深度學習方法具有很強的非線性擬合能力以及自學習能力，能夠高效地實現(xiàn)多因子模型的建立。由此，不乏許多研究者將深度學習方法用在機動車油耗模型的建模領域，并取得了一定的成果。在早期的深度學習方法油耗建模過程中，神經(jīng)網(wǎng)絡的層較為簡單。Slavin等[37]首先通過發(fā)動機排量、車輛最大功率、車輛最大扭矩、車輛重量、車輛軸距與車輛的橫截面積這六個車輛特性建立了線性回歸油耗預測模型，通過最小二乘法擬合系數(shù)。而后又通過深度學習方法建模，結(jié)果分析表明，神經(jīng)網(wǎng)絡建模方法的預測準確性要優(yōu)于傳統(tǒng)的回歸方法模型。該神經(jīng)網(wǎng)絡模型通過Levenberg Marquardt（LM）反向傳播算法對10個隱藏層的神經(jīng)元進行訓練，能夠得到非線性局部最小的數(shù)值解，達到很好的優(yōu)化油耗預測的效果。

后有學者Du等[38]基于大樣本的歷史浮動車數(shù)據(jù)，通過BP（Back Propagation，BP）神經(jīng)網(wǎng)絡方法預測油耗，達到0.8171 2的預測精度。BP神經(jīng)網(wǎng)絡作為人工神經(jīng)網(wǎng)絡的一種，通過非線性微分函數(shù)進行權值訓練，能夠很好地學習輸入與輸出之間復雜的非線性關系，適用于描述車輛燃油消耗的復雜過程。但BP神經(jīng)網(wǎng)絡易收斂到局部最小值而表現(xiàn)不佳，其運行速率與準確率受訓練樣本的選取、樣本間相關性的影響較大。Li等[39]通過多層感知機（Multilayer Perceptron，MLP）的方法來預測車輛燃料消耗，最后通過敏感性分析得到影響油耗的重要因素，結(jié)果表明該模型能夠在非線性數(shù)據(jù)集上表現(xiàn)很好。多層感知機神經(jīng)網(wǎng)絡作為一種前饋人工神經(jīng)網(wǎng)絡，其結(jié)構(gòu)具有強大的學習功能，能夠減少噪聲對數(shù)據(jù)的負面影響，適應不同類型的輸入數(shù)據(jù)，適用于與車輛燃油消耗相關的數(shù)據(jù)。但如果添加大量的層則會降低模型的準確率，并可能導致網(wǎng)絡的收斂速度變慢。

人工神經(jīng)網(wǎng)絡使用簡單的數(shù)據(jù)處理元素，可在復雜的數(shù)據(jù)集中學習，從而擬合出線性或非線性曲線。目前不乏有學者通過人工神經(jīng)網(wǎng)絡（Artificial Neural Networks，ANN）的方法進行油耗關系建模。Zargarnezhad等[40]通過ANN的深度學習方法來確定車輛的燃油消耗量，通過給定任意輸入（與車輛燃油消耗相關因素）計算燃油消耗量，最后進行敏感性分析，從而估算出車重增加帶來的額外油耗。Wysochi等[41]通過重型卡車的Can總線數(shù)據(jù)來預測其瞬態(tài)燃油消耗，其中，ANN模型能達到最優(yōu)效果，其相對誤差絕對值小于5%。Schoen等[42]通過一種人工神經(jīng)網(wǎng)絡的方法，即前饋神經(jīng)網(wǎng)絡（Feed Forward Neural Networks，F(xiàn)NN），基于距離建立重型卡車的平均油耗預測模型，R2值可達到0.91。FNN能夠通過非線性激活函數(shù)來描述車輛燃油消耗的復雜的非線性特性。

隨著深度學習技術的發(fā)展，神經(jīng)網(wǎng)絡方法更新迭代，許多研究人員逐步將目光投放于較新的神經(jīng)網(wǎng)絡方法油耗模型的研究中。Xu等[43]在研究中通過廣義回歸神經(jīng)網(wǎng)絡（General Regression Neural Network，GRNN）對駕駛行為數(shù)據(jù)與油耗關系進行建模，主要是通過將表征速度的特征參數(shù)作為輸入，其預測效果在相對誤差（Relative Error，RE）、RMSE與R2上都表現(xiàn)很好。GRNN能夠更好地捕捉到一些非線性現(xiàn)象，例如由于在低速行駛條件下，設備傳輸損耗、路面環(huán)境等不可忽略的因素對燃油消耗產(chǎn)生影響。因此，該油耗模型在低速條件、數(shù)據(jù)不穩(wěn)定的情形下也會表現(xiàn)得很好。Kanarachos等[44]基于收集到的各種駕駛條件下的智能手機數(shù)據(jù)與油耗數(shù)據(jù)，通過循環(huán)神經(jīng)網(wǎng)絡（Recurrent Neural Networks，RNN）方法來估計瞬時油耗，由于車輛燃油消耗過程與時序相關且具有非線性特性，該研究選擇了非線性自回歸模型（Nonlinear AutoRegressive with Exogenous Inputs Model，NARX）來進行回歸分析，其與實際值的誤差小于6%，與油耗的相關系數(shù)達到0.96。RNN善于提取車輛燃油消耗這類與時序相關的特征，但傳統(tǒng)的RNN隨著循環(huán)次數(shù)的增加常會遇到梯度爆炸或梯度消失的情形，不能捕捉長期依賴關系，導致輸入與輸出序列不匹配。RNN共享模型參數(shù)可以提高模型的泛化能力，但也可能導致信息缺失，會對時序特征產(chǎn)生影響[45]。而長短期記憶神經(jīng)網(wǎng)絡（Long Short-Term Memory，LSTM）的提出，解決了傳統(tǒng)RNN梯度爆炸的問題。并且善于處理時序間隔與延遲長的數(shù)據(jù)，捕捉非線性現(xiàn)象。Ping等[46]通過LSTM模型，結(jié)合駕駛行為數(shù)據(jù)與交通狀況數(shù)據(jù)來預測油耗，其輸出為不同駕駛行為所對應的油耗組。平均預測準確水平達到了80%以上。但LSTM只能從固定數(shù)據(jù)集中學習有限的特征，面對未知或過于復雜的環(huán)境時其準確率將會有所降低，特別是遇到車輛在不同道路上行駛與交通狀況數(shù)據(jù)缺乏的情形。

從上述分析可知，傳統(tǒng)機器學習方法在原始格式的數(shù)據(jù)處理上需要手動設計編碼規(guī)則與特征提取器，將其轉(zhuǎn)換為特征向量。與傳統(tǒng)機器學習方法油耗模型相比，深度學習方法是通過多個非線性模塊組成，每一個模塊可以直接從原始輸入數(shù)據(jù)開始，依次將其轉(zhuǎn)化為更加抽象的表示形式。因此深度學習方法可以從數(shù)據(jù)中學習更加復雜的功能[47]。深度學習方法具有很強的適應性與學習能力，可以對復雜的非線性問題進行建模，具有很高的預測性能與穩(wěn)健性。因此，深度學習方法更適合擬合非線性的油耗關系模型，適用于車輛OBD設備所獲取的大規(guī)模的歷史數(shù)據(jù)，彌補傳統(tǒng)機器學習方法油耗模型的不足。

但這類深度學習方法油耗模型還存在以下局限：需要大量數(shù)據(jù)集去進行模型訓練才達到很優(yōu)的預測性能；遷移能力較差，當使用新的數(shù)據(jù)集進行油耗預測時，例如車輛在新的復雜的駕駛環(huán)境中的燃油消耗相關數(shù)據(jù)，其預測效果將會有所降低；容易出現(xiàn)過擬合現(xiàn)象，泛化能力較差；無法了解隱藏單元各層之間的復雜關系，具有不可解釋性，無法具體解釋車輛燃油消耗的過程，因此常需要借助其他方法去進行分析。

2.3 混合式（組合、集成）油耗模型

本節(jié)所述的混合式油耗模型是指通過組合或集成幾種機器學習方法所構(gòu)建的機動車油耗模型。組合方法是指通過不同的機器學習方法進行組合從而構(gòu)建油耗模型。這類模型往往比使用單一的機器學習方法表現(xiàn)更佳。集成方法是指通過構(gòu)建多個機器學習方法來完成學習任務，而在機動車油耗預測問題方面，則屬于回歸問題集成。因此，許多學者將混合式建模方法應用在機動車燃油消耗預測模型的研究中。

通過將機器學習方法組合來構(gòu)建油耗模型，其主要思路為用不同的方法解決不同的問題。研究人員嘗試用不同的方法提取不同數(shù)據(jù)源的特征，然后進行組合建模。Zheng等[48]通過隨機條件場與人工神經(jīng)網(wǎng)絡的混合式模型來預測一個地點的空氣質(zhì)量，該模型將交通流、人的移動性和氣象數(shù)據(jù)等時變信息輸入到一個隨機條件場去模擬一個地點空氣的時序相關性，而將道路結(jié)構(gòu)、興趣點分布等空間信息輸入到人工神經(jīng)網(wǎng)絡中以模擬不同區(qū)域間空氣質(zhì)量的相關性。但如果只是簡單將所有數(shù)據(jù)輸入到單一的分類器中，而空間數(shù)據(jù)不隨時間變化，則將會被忽略，預測效果欠佳[49]。在該研究中，某個地點的空氣質(zhì)量與車輛的燃油排放息息相關，且模型輸入數(shù)據(jù)集與燃油消耗相關數(shù)據(jù)集（天氣、出租車軌跡、道路網(wǎng)）有著極大的相關性，這為油耗模型提供了一種新的思路。

還有學者將眼光投放于通過一種機器學習方法對數(shù)據(jù)進行降維，挖掘出影響燃油消耗的主要特征，然后作為另一種機器學習方法油耗預測模型的輸入，該類組合方法模型能有效地提高油耗預測的準確率。姜平等[50]首先通過主成分分析的方法得到了3個影響車輛燃油消耗的主成分，來反應行駛片段中13個特征參數(shù)的性質(zhì)，由此簡化了神經(jīng)網(wǎng)絡的輸入單元數(shù)，最后利用BP神經(jīng)網(wǎng)絡的方法對油耗進行估算，研究表明，利用該組合方法建模，預測精度要高于單一模型。朱廣宇等[51]考慮了道路因素進行建模，通過決策樹的方法建立了車輛油耗預測模型，除了選取車輛類型與速度作為主要特征外，還選取了道路平整度與道路表面構(gòu)造特征，實驗表明該模型具有良好的預測性能。該模型通過主成分分析的機器學習方法對數(shù)據(jù)進行降維，選擇了可表征原始信息82%的4個特征進行預測，去除了數(shù)據(jù)的冗余，提高了變量的可靠性。而決策樹算法執(zhí)行速度快，基于改進的C4.5算法能一定程度降低決策關系的復雜度，提高模型的運行效率；在油耗關系建模過程中，通過結(jié)合駕駛環(huán)境數(shù)據(jù)能增強模型的預測性能，而交通流數(shù)據(jù)難以獲取，研究者聚焦于通過聚類的機器學習方法來定義實際的交通狀況以解決交通數(shù)據(jù)集空白的問題。朱建全[52]結(jié)合交通因素進行油耗模型的建立，該模型考慮了交通流對于車速的影響，通過K-means聚類方法對交通狀況進行劃分，從而作為線性回歸模型的輸入。研究結(jié)果分析表明，在交通越擁擠的情形下，燃油消耗會越大，結(jié)合交通量進行建模能夠很好地預測路段內(nèi)車輛的百公里油耗。

集成學習（Ensemble learning）中，又分為Bagging與Boosting。Bagging可以看做是一種并行的集成學習方法，基學習器的訓練沒有先后順序，可以同時進行。以隨機森林（Random Forest，RF）為代表，在油耗預測方面有很好的表現(xiàn)。Wickramanayake等[53]對公交車燃油消耗進行建模與預測，隨機森林模型預測效果與實際油耗誤差最小，即使在缺乏關鍵參數(shù)的情形下，也能很好地學習數(shù)據(jù)的特征，并且能夠很好地解釋自變量與因變量之間的關系。Perrotta等[54]將支持向量機（Support Vector Machine，SVM）、隨機森林（Random Forest，RF）和人工神經(jīng)網(wǎng)絡（Artificial Neural Network，ANN）三種機器學習方法應用在卡車油耗建模中，該研究基于英國某貨運車隊的運行狀態(tài)數(shù)據(jù)，同時考慮了道路特征。研究表明隨機森林的集成方法模型在RMSE、平均絕對誤差（Mean Absolute Error，MAE）和R2上效果更佳。RF方法善于處理高維數(shù)據(jù)，并且由于其特征子集是隨機選擇的，因此不用進行特征選擇。該模型具有很強的泛化能力，對于大部分數(shù)據(jù)缺失的情形也能具有很好的預測精度。但隨機森林中的決策樹個數(shù)越多，就意味著更高的計算成本，在用RF方法解決回歸問題時，對于噪聲較大的數(shù)據(jù)容易出現(xiàn)過擬合現(xiàn)象。

Boosting則是基于串行的思想序列化進行，將弱學習器提升為強學習器的算法。以梯度提升（Gradient Boosting）與極端梯度增強XGBoost（eXtreme Gradient Boosting，XGBoost）方法為代表，在機動車油耗模型的建模中，有著很好的效果。Heni等[55]通過四種機器學習方法進行燃油排放估算時，在大量的真實數(shù)據(jù)集中，梯度提升（Gradient Boosting Machines）模型表現(xiàn)最佳，并且較傳統(tǒng)的油耗模型MEET與CMEM估算誤差更小。Bousonville等[56]結(jié)合道路類型與天氣等因素，通過三種機器學習的回歸方法建立油耗預測模型，結(jié)果分析表明，梯度提升（Gradient Boosting，GBoosting）回歸模型相較于傳統(tǒng)的機器學習方法的K-近鄰（K-Nearest Neighbor，KNN）回歸模型與ANN回歸模型表現(xiàn)更好。GBoosting方法能很好地捕捉到車輛行駛過程中的加速、減速以及走走停停的燃油消耗過程，而傳統(tǒng)的油耗模型在此情形下具有局限性。但GBoosting方法的計算開銷往往較大。馬榮影等[57]通過OBD檢測儀獲取的車輛運行狀態(tài)參數(shù)與油耗的實時檢測數(shù)據(jù)，利用Python的機器學習方法庫通過多元線性回歸、多層感知機神經(jīng)網(wǎng)絡以及集成方法構(gòu)建了三種回歸模型，進行了實驗、對比和分析，研究表明，集成回歸模型的油耗預測效果最好。Wang等[58]通過集成方法XGBoost，將多個樹模型（弱分類器）集成為一個強分類器，建立了油耗預測模型，實驗表明，其結(jié)果與通過傳統(tǒng)的機器學習方法建立的油耗模型相比準確率更高，其R2達到0.93，平均絕對百分比誤差（Mean Absolute Percent Error，MAPE）達到8.78%。XGBoost方法預測精度高，訓練速度快，并且可以自動為特征添加不同的權重，因此具有很強的解釋性。

綜合上述分析，混合式方法油耗模型在預測效果上通常比單一的機器學習方法油耗模型更好。但存在以下局限：這類模型通常只適用于特定的場景來解決特定的問題，不具有遷移能力；當混合式方法模型過于復雜時，計算成本也會隨之變高。如果對于多種深度學習方法進行組合，則很容易導致組合梯度爆炸的情形。

2.4 模型對比分析

基于上述機器學習方法的數(shù)據(jù)驅(qū)動油耗模型的小類劃分思路，本節(jié)將從該類中的各機動車油耗模型的代表模型方法、原理機制、適用場景、優(yōu)點以及局限性進行歸納介紹，如表2所示。

表2 油耗模型對比分析Table 2 Comparative analysis of fuel consumption model

3 應用現(xiàn)狀

3.1 傳統(tǒng)油耗模型應用現(xiàn)狀

傳統(tǒng)的基于汽車動力學原理建立的油耗模型，需要依據(jù)物理學、環(huán)境學原理，通過數(shù)學公式來描述車輛在行駛過程中的發(fā)動機的燃油消耗過程。廣大學者相繼根據(jù)不同的場景對上述基于汽車動力學原理建立的傳統(tǒng)油耗模型進行應用與創(chuàng)新。對于上述所介紹的早期經(jīng)典的微觀、中觀與宏觀模型，由于具有精確的物理學與環(huán)境學意義，研究者通常直接進行應用，但也不乏有學者基于汽車動力學原理進行建模與創(chuàng)新。涵蓋對特定的數(shù)據(jù)路段、某區(qū)域內(nèi)車輛燃油排放進行估算，從而可將研究成果應用于生態(tài)城市規(guī)劃等領域。

3.1.1 微、中、宏觀模型應用現(xiàn)狀

微觀模型應用于模擬車輛在特定數(shù)據(jù)路段的燃油排放，常通過車輛的瞬時速度和加速度來估算。Li等[59]基于CMEM模型提出了一種校正被測車輛二氧化碳排放量的方法，該方法可以解決由于時間延遲的誤差導致從車載設備獲取的二氧化碳排放數(shù)據(jù)不可靠的問題。該研究通過武漢市三環(huán)線和天河機場高速范圍內(nèi)的出租車數(shù)據(jù)，直接應用CMEM微觀模型來模擬武漢的輕型車排放數(shù)據(jù)，用于校準實測排放數(shù)據(jù)的誤差。該研究所得到的排放數(shù)據(jù)可用于城市環(huán)保與規(guī)劃。

有學者對中、宏觀的傳統(tǒng)油耗模型進行應用，去計算某個地區(qū)的燃油排放。王凱等[60]對傳統(tǒng)的COPERT模型進行應用，基于車輛類型和排放標準構(gòu)成比例，計算了北京市延慶區(qū)內(nèi)的小客車、大客車、小貨車、中貨車、特大貨車的排放因子，而后以實際的車流量信息估算了各污染物的排放量。該研究表明，北京市延慶區(qū)重型貨車的尾氣排放比較嚴重。我國的排放標準與歐洲的排放標準相近，而COPERT模型可以兼容不同的參數(shù)與國家標準，因此在中、宏觀層面上應用較多。

基于上述應用研究可知，基于汽車動力學的傳統(tǒng)油耗模型在物理刻畫上具有高準確性，可解釋性強，研究者依據(jù)不同的宏觀、中觀與微觀的應用場景，通常直接進行應用，用于測算車輛的燃油或排放，或?qū)⑵渥鳛榛鶞誓Ｐ瓦M行模型間準確率的對比與數(shù)據(jù)校準。當依據(jù)實際的應用場景，需要在中、宏觀層面上對某區(qū)域的燃油排放水平進行測算時，常直接應用適用性較強的油耗模型，例如與我國排放標準接近的COPERT模型。中、宏觀模型通過某條道路內(nèi)或某片行駛區(qū)域內(nèi)車輛的平均速度來估算整體的燃油排放，因此其他影響燃油消耗的因素考慮較少，這一問題成為目前研究的重點。但由于該類模型燃油排放清單全面，模型參數(shù)簡單，因此在中、宏觀層面上估算車輛的燃油排放應用廣泛；當需要對特定數(shù)據(jù)路段的車輛進行燃油消耗關系的建模時，常對微觀模型進行運用，需要車輛以秒為單位的速度、加速度作為模型的輸入。但模型參數(shù)較多，規(guī)模較大，因此運算耗時長，并且容易缺乏交通數(shù)據(jù)，難以結(jié)合實際環(huán)境與運行工況來進行預測。因此，國內(nèi)外研究將重點放在結(jié)合交通流和不同行駛工況下的車輛燃油消耗過程的研究中。

3.1.2 模型創(chuàng)新

許多國內(nèi)外學者基于物理學原理，結(jié)合車輛的行駛工況，采用速度或加速度等特征參數(shù)來描述其與車輛燃油消耗之間的關系，從而建立新的模型。Zhou等[61]在穩(wěn)態(tài)模型的基礎上，建立了可以準確預測穩(wěn)態(tài)和瞬態(tài)模塊的油耗預測模型。模型的特點在于引入了發(fā)動機轉(zhuǎn)速、扭矩的穩(wěn)態(tài)模塊與輸入的車輛速度和加速度的瞬態(tài)校正模塊。實驗表明，在穩(wěn)態(tài)的基礎上引入瞬態(tài)修正模塊后，MAPE較單一穩(wěn)態(tài)模型降低了約34.5%。此外，該模型的MAPE值較傳統(tǒng)的VT-Micro模型降低了約2.7%～4.6%，性能更優(yōu)。這是由于傳統(tǒng)的微觀模型VT-Micro，無法反映外在環(huán)境對于燃油消耗的影響，無法依據(jù)車輛的速度、加速度數(shù)據(jù)判斷道路環(huán)境（例如道路坡度）。而該研究通過車輛比功率VSP來進行校正，比速度、加速度更能反應與發(fā)動機負載的關系。該模型可用于生態(tài)駕駛和生態(tài)路徑規(guī)劃系統(tǒng)，但該模型在車型的適用上具有局限性。張金輝等[62]根據(jù)能量轉(zhuǎn)換與傳遞過程，基于車輛的行駛狀態(tài)，通過其速度與加速度建立瞬態(tài)油耗預測模型，而這種模型中的參數(shù)不需大量實驗標定也具有一定的可行性，該模型可精確地估計車輛瞬態(tài)油耗。通過帶指數(shù)速度衰減因子的最小二乘法可以降低油耗模型的預測誤差，并且受車輛行駛狀態(tài)和道路環(huán)境等因素影響較小。但該模型驗證的路段限于北京市內(nèi)，未考慮更多的道路因素，例如坡度更大的路段。Abaya等[63]通過Shepard插值法，依據(jù)車輛速度、加速度與瞬時油耗的關系建立了油耗預測模型，該模型能很好地預測在不同交通狀態(tài)下車輛的瞬時油耗。雖然該模型能適用于不同交通狀況下的油耗預測，但如果該模型考慮其他影響油耗的因素時，模型的適用性將會有所提升。

由上述應用研究可知，在對該類模型進行建模創(chuàng)新時，需要對發(fā)動機系統(tǒng)及其影響燃油消耗的子過程有透徹的了解。當依據(jù)應用需求，需要基于汽車動力學原理建立新的油耗模型時，多采用速度、加速度來進行多項式模型的建立，但對于非線性現(xiàn)象描述不夠準確，模型準確率有待進一步探究。對于這類問題，可以考慮不同的行駛環(huán)境，以大量數(shù)據(jù)為驅(qū)動來校準模型，從而提高模型的準確率與適用性。

3.2 機器學習方法油耗模型應用現(xiàn)狀

廣大學者在對于機器學習方法油耗模型在方法層面上進行應用創(chuàng)新外，對于影響燃油消耗的因素，也會依據(jù)不同的應用場景進行綜合考慮，從而提高模型的準確率。因為在實際的車輛行駛過程中，車輛的燃油排放除了與車輛自身特性（如車重、發(fā)動機功率、燃油消耗率、轉(zhuǎn)速等）相關以外，與道路、交通流、天氣、駕駛員行為等因素都息息相關。該類模型的研究成果可應用于出租車、重型卡車等行業(yè)，涵蓋了生態(tài)駕駛、駕駛員培訓、車隊管理與城市環(huán)保等領域。

在早期的機器學習方法油耗建模中，主要是基于車輛自身特性數(shù)據(jù)去進行建模。Vilaa等[64]通過多種基于機器學習方法的回歸預測模型對不同類型輕型車的油耗進行估算，實驗表明，效果最好的為提升樹模型（Boosted Tree）。該研究挖掘了車輛的GPS與車輛自身特性中的發(fā)動機排量、功率和車輛重量數(shù)據(jù)，對于不同類型的車輛也會有很好的預測效果，對城市規(guī)劃、交通控制領域的應用有一定的意義。但是未考慮其他影響油耗的因素，因此模型準確率有待探究。許多學者開始探索各類影響油耗的因素。Marzet等[65]對西班牙馬德里地區(qū)的駕駛數(shù)據(jù)進行分析，研究表明，不良的交通狀態(tài)會很大程度上降低車輛的燃油經(jīng)濟性，影響著駕駛員行為，但這往往與道路結(jié)構(gòu)密不可分。

許多燃油資源是由于不合理的駕駛行為而浪費的，即使經(jīng)驗豐富的司機在這種情況下也是如此。交通運輸行業(yè)的能源消耗巨大，而在道路運輸中貨運運輸占主導地位，而重型卡車在其中扮演著重要的角色。因此機器學習方法油耗模型在重型卡車的生態(tài)駕駛方面的應用成為了應用研究的重點。Gao等[66]分析了駕駛員在兩段高速公路的駕駛行為數(shù)據(jù)，并估算了卡車司機在貨物運輸中通過生態(tài)駕駛培訓來合理地改變駕駛行為而帶來的節(jié)油潛力。但該研究僅考慮了在高速公路上的貨運數(shù)據(jù)，對于其他類型路段的適用性還有待探討。程穎等[67]通過北京市內(nèi)的199輛大型貨車逐秒的微觀運行狀態(tài)數(shù)據(jù)，對急加速、過急加速、急減速、過急減速和超長怠速五種不良駕駛行為進行統(tǒng)計，建立了面板數(shù)據(jù)固定效應回歸油耗模型，最后分析這些不良駕駛行為對大型貨車燃油消耗的影響。研究表明，若完全避免上述這類不良駕駛行為，則能減少6.4%的燃油消耗，為城市的節(jié)能減排帶來指導意義。

Faria等[68]分析了天氣因素對于駕駛行為的影響，從而對車輛燃油消耗產(chǎn)生影響，研究表明降雨天氣會影響駕駛員行為，從而導致車輛的燃油消耗增加。韋煜[69]將天氣與溫度特征融入駕駛行為經(jīng)濟性模型，通過樸素貝葉斯概率方法建立了統(tǒng)計模型，研究表明在雪天行駛會導致很高的燃油消耗，則天氣與車輛的燃油消耗有較強的相關性。該研究將油耗值離散化分為了低、中、高三個油耗等級，通過樸素貝葉斯概率模型進行駕駛行為-油耗關系建模。同時，貝葉斯方法可解釋性強，可通過后驗概率值直觀地表示特征與燃油消耗的相關程度。該模型得到了與油耗相關程度高的特征。

由于車輛燃油消耗與安全駕駛數(shù)據(jù)集有很大程度的交叉，將生態(tài)駕駛與安全性結(jié)合進行建模成為了一種新的思路。有學者將天氣因素融入駕駛經(jīng)濟性與安全性建模中。Yao[70]基于出租車司機的駕駛行為數(shù)據(jù)與車載OBD獲取的油耗數(shù)據(jù)，考慮了道路結(jié)構(gòu)、交通狀況、天氣、一天中的時間這類外部因素對于燃油消耗與安全性的影響，建立線性混合效應模型，表征了外部條件的固定影響和駕駛員的隨機影響，為綠色出行與安全出行提供了理論基礎，可用于為駕駛?cè)藛T提供節(jié)能與安全駕駛的建議。但在該研究中，由于數(shù)據(jù)獲取的局限性，道路類型只考慮到了北京市的城市路段（高速公路與街道類型），天氣類型尚未考慮到極端天氣的影響，車輛類型尚未考慮重型卡車類型，因此模型的普適性還需要進一步探討。

從上述這類機器學習方法油耗模型的應用上來看，沒有哪一種方法適用于所有的數(shù)據(jù)集，研究者依據(jù)其應用場景選擇適宜的方法，就能夠在一定程度上解決相應的問題。而在這類機器學習方法油耗模型的應用中，如果能夠綜合上述這類外部環(huán)境因素（道路、交通流、天氣、駕駛員行為），融合多維特征進行油耗關系建模，可以在微觀層次上提高模型的準確率，且具有一定的適用性。

3.3 混合式油耗模型應用現(xiàn)狀

隨著計算機技術與機器學習在各個行業(yè)的滲透，逐漸涌現(xiàn)出一些學者將上述基于汽車動力學原理的傳統(tǒng)油耗模型與基于機器學習方法的數(shù)據(jù)驅(qū)動油耗模型混合進行研究與應用。該類模型可以看做是兩類模型的混合，對于車輛在燃油消耗過程中的已知的關系進行動力學建模，對于未知的關系以數(shù)據(jù)為驅(qū)動來進行擬合。其預測準確率高、可解釋性與魯棒性較強的特點為研究者提供了新的思路。

Shang等[71]通過北京市的出租車軌跡數(shù)據(jù)，估算出每個路段的車輛平均行駛速度，通過機器學習方法貝葉斯網(wǎng)絡建立交通量推斷模型，再結(jié)合其他數(shù)據(jù)源（例如天氣與道路數(shù)據(jù)）估算出經(jīng)過路段的交通量。最后，通過傳統(tǒng)的油耗模型COPERT模型，基于路段的行駛車速與交通流量計算出道路的總的燃油排放水平。該研究可以在1 min內(nèi)估算出整個北京路網(wǎng)在過去10 min內(nèi)的交通狀況，油耗和排放。該研究還可應用于道路污染警報、全市交通狀況監(jiān)控，從節(jié)能環(huán)保、交通控制方面幫助城市進行規(guī)劃。

節(jié)能與環(huán)保成為世界性問題，混合動力汽車結(jié)合了汽車與電動車的優(yōu)點，成為了汽車行業(yè)當下關注的熱點。由此，研究者聚焦于混合式油耗模型在混合動力汽車領域的研究與應用。楊亞聯(lián)等[72]以汽車節(jié)能為目的，在混合動力EVT構(gòu)型圖論分層圖畫模型的基礎上提出混合動力EVT圖論構(gòu)型矩陣，快速對混合動力耦合系統(tǒng)構(gòu)型進行篩選，并對混合動力EVT系統(tǒng)構(gòu)型進行基于物理的動力學建模，該研究又結(jié)合了動態(tài)規(guī)劃算法（Dynamic Programing，DP）與廣義回歸神經(jīng)網(wǎng)絡（GRNN），建立了混合動力EVT系統(tǒng)神經(jīng)網(wǎng)絡油耗模型，預測準確率可達到99.81%，且具有一定的泛化能力。但該模型僅通過DP仿真實驗所獲得的油耗數(shù)據(jù)進行驗證，尚未在真實的油耗數(shù)據(jù)集上進行驗證。

此外，重型卡車過度的燃油排放成為了全球亟待解決的問題，重型卡車的混合式油耗模型的研究與應用也成為了研究者所關注的重點。Kan等[73]通過LSTM的深度學習方法對車輛的發(fā)動機功率進行估算，然后作為基于汽車動力學原理的傳統(tǒng)油耗模型的輸入。研究表明，燃料消耗的平均誤差明顯降低，該混合式模型比傳統(tǒng)的油耗預測模型的準確率要更高。車輛與燃油消耗相關的數(shù)據(jù)為時間序列數(shù)據(jù)，且隨時間變化大，而LSTM網(wǎng)絡善于處理時序間隔與延遲非常長的任務，作為非線性模型，可以生成準確的輸出。LSTM網(wǎng)絡的記憶功能可以讓信息選擇性通過，記住有用的歷史信息而遺忘不相關的信息，因此適用于捕捉車輛在行駛過程中的發(fā)動機制動這類行為的特性，而這類行為與常規(guī)的駕駛行為不同，故模型準確性高。在該研究中，當校準了車輛的發(fā)動機功率后，該模型也可以用于其他輕型車與中型車的油耗估算，但對數(shù)據(jù)的分辨率要求很高。

基于上述應用研究可知，在混合式油耗模型的研究與應用中，研究者大多根據(jù)特定的應用場景，對特定的、適用于該場景下的基于汽車動力學原理的方法與基于機器學習的數(shù)據(jù)驅(qū)動方法進行混合與創(chuàng)新。這類模型無需詳細、復雜的發(fā)動機知識，但需要大量的與車輛燃油消耗相關的數(shù)據(jù)，該類模型具有很強的預測性能和魯棒性，且具有一定的汽車動力學意義，但模型結(jié)構(gòu)復雜，只能解決特定的應用問題，推廣性還有待探究?？梢酝ㄟ^更全面的數(shù)據(jù)來校準模型，提高模型的準確率與適用性。由于上述兩類方法在某些條件下具有局限性，在未來的研究中還有一定的提升空間，需要平衡兩類模型的優(yōu)缺點，可以期待混合式模型在未來發(fā)揮更大的作用。

3.4 未來應用發(fā)展方向

從不同類型的油耗模型的發(fā)展與應用趨勢來看，未來的機動車油耗模型可以關注如下幾個方面：

（1）對于機動車油耗模型的研究而言，盡管早期基于汽車動力學原理的經(jīng)典油耗模型大多可以估算不同類型車輛的燃油排放，部分基于機器學習方法的數(shù)據(jù)驅(qū)動油耗模型對于不同類型的機動車也具有一定的通用性。但需要區(qū)分車輛類型與能源類型進行研究。例如，重型卡車在進行貨物運輸時，載重、道路結(jié)構(gòu)等因素會對油耗產(chǎn)生很大的影響，這不同于其他類型車輛。因此，未來有必要將重型卡車與其他類型車輛的油耗模型區(qū)分進行研究，聚焦重型卡車的油耗模型。尤其在當下，過度燃油排放成為全球性問題，道路運輸在其中占據(jù)主導地位，而重型卡車的燃油排放問題不容小覷，重型卡車油耗模型研究的發(fā)展能夠為節(jié)能減排做出貢獻。

（2）混合動力汽車集成了機動車與電動汽車的優(yōu)點，環(huán)保且節(jié)能，目前成為了汽車行業(yè)的重要研究方向，在未來有必要對該類混合動力汽車的油耗模型進行研究與探討。

（3）對于機動車油耗模型的應用而言，其應用十分廣闊且具有現(xiàn)實意義。在眾多影響車輛燃油排放的因素中，外部環(huán)境因素無法進行控制，但能夠指導駕駛員的駕駛行為，從而減少燃油排放，國內(nèi)外學者結(jié)合駕駛行為數(shù)據(jù)，對機動車油耗模型進行研究，將其應用于生態(tài)駕駛的評估與策略，指導駕駛員進行生態(tài)駕駛；此外，駕駛安全性的影響也不容忽視，未來可結(jié)合生態(tài)駕駛與安全駕駛相關數(shù)據(jù)共同建模。

（4）機動車油耗模型研究結(jié)果后續(xù)還可應用于車隊監(jiān)控、駕駛行為培訓、輔助駕駛裝置、城市節(jié)能減排規(guī)劃、交通控制等領域；在未來，隨著車聯(lián)網(wǎng)的迅速發(fā)展，有望應用于無人車的生態(tài)駕駛。

4 總結(jié)與展望

大數(shù)據(jù)時代的到來與機器學習技術的發(fā)展使得基于機器學習方法的數(shù)據(jù)驅(qū)動油耗模型研究取得了不錯的成果。傳統(tǒng)的機器學習方法、深度學習方法、混合式（組合、集成）方法在該領域得到了廣泛的關注。不乏有許多基于機器學習方法的數(shù)據(jù)驅(qū)動油耗模型在特定應用場景內(nèi)優(yōu)于基于汽車動力學原理的傳統(tǒng)油耗模型，而無需了解輸入與輸出之間的物理意義。因此，基于機器學習方法進行數(shù)據(jù)驅(qū)動油耗模型的建立，對于缺乏汽車動力學相關知識的學者更容易進行研究與應用。

此外，在通過傳統(tǒng)的機器學習回歸分析方法進行建模時其表達能力有限，而深度學習方法有強大的自學習與非線性擬合能力，能更好地建立回歸模型，預測精度高?；旌鲜剑ńM合、集成）油耗模型基于特定的應用場景，可以取長補短，集成幾種方法的優(yōu)點，通常具有很高的預測精度。因此，本文認為未來研究的趨勢更加傾向于通過深度學習方法與混合式方法建立油耗模型。

最后，在不同的應用場景下，選擇適用的方法，就能在該場景下達到理想的預測結(jié)果。因此，未來可以將重心放在變量的可靠性研究上，而非回歸方法上。例如，交通環(huán)境與道路條件復雜，挖掘出影響燃油消耗的因素也變得困難，且因素之間的耦合度高。而車輛在實際的行駛過程中，除了車輛自身的性能，還有許多外部環(huán)境因素對燃油消耗產(chǎn)生無法忽視的影響。因此，在基于機器學習方法的數(shù)據(jù)驅(qū)動油耗模型的研究中，通過車載OBD設備獲取逐秒的車輛狀態(tài)數(shù)據(jù)來進行建模時，融合駕駛行為、天氣、道路、交通等有關的多源數(shù)據(jù)進行建模，有利于增強數(shù)據(jù)維度，能更加真實地還原駕駛場景，提高模型的準確率。

本文基于上述研究，對機動車油耗模型存在的主要問題進行總結(jié)歸納，并且對其解決方法進行分析與展望，具體如下：

（1）基于汽車動力學原理的傳統(tǒng)油耗模型的物理分析過程復雜，建模難度大，通常需要通過精準的臺架試驗來校準參數(shù)，模型包含很多的參數(shù)，具有高復雜性，并且無法考慮到外部環(huán)境因素對于油耗的影響。針對這類問題，除了隨著汽車動力學原理的傳統(tǒng)油耗模型的研究與發(fā)展，有待改善外，許多學者也將目光投放于利用機器學習方法的數(shù)據(jù)驅(qū)動模型來取代傳統(tǒng)模型解決此類問題。

（2）在基于機器學習方法的數(shù)據(jù)驅(qū)動油耗模型的回歸問題研究中，由于車輛燃油消耗過程體現(xiàn)在車輛的運行狀態(tài)數(shù)據(jù)中，當模型輸入數(shù)據(jù)相互之間高度相關時，容易出現(xiàn)多重共線性現(xiàn)象，因此會導致擬合效果不佳以及模型失準等問題。針對這類問題，一方面可以通過特征降維方法來刪除共線性，降維方法可以減少特征冗余，從而解決模型在高維數(shù)據(jù)上表現(xiàn)不佳的問題，提高模型的準確率。例如文獻[29]使用主成分分析（Principal Component Analysis，PCA）的特征提取方法，能夠有效對數(shù)據(jù)進行降維并且去除特征參數(shù)間的相關性，能使油耗模型達到RE為7.54%，RMSE為0.952 L/100 km的預測精度。文獻[1]通過互信息指數(shù)的特征選擇方法篩選出與燃油消耗相關性高的特征，作為油耗模型的輸入，能夠降低模型計算與存儲的復雜性，提高模型的準確率；另一方面還可以對模型輸入數(shù)據(jù)進行相關性分析，篩選出與因變量相關性高的特征作為模型的輸入。例如文獻[74]除了通過皮爾遜指數(shù)篩選出與油耗相關性高的數(shù)據(jù)外，通過RF算法計算變量的重要性，從而提高節(jié)點的純度。該類方法對于道路車輛的油耗預測效果好，其有效性已被廣泛證明。還有許多方法可以用來解決這類問題，例如增加樣本容量、構(gòu)建模型前進行共線性診斷等。

（3）深度學習方法模型缺乏可解釋性。針對這類問題，可以借助其他分析方法進行分析，例如文獻[39]通過敏感性分析能一定程度提高模型的透明度，從而分析出對燃油消耗影響最大的因素。但深度學習的不可解釋性一直為目前許多學者所探討的難點。

（4）混合（組合、集成）油耗模型將不同的機器學習方法進行混合，建立油耗模型，充分發(fā)揮每種方法的優(yōu)勢?；旌夏Ｐ湍芎芎玫靥幚韽碗s的任務，非線性關系表達能力強，能提高模型的魯棒性，增強其泛化能力。但該類模型通常計算復雜，參數(shù)難以確定，推廣性弱。針對這類問題，在未來的研究中，在建模過程中有必要將上述的優(yōu)缺點進行綜合考慮，以達到相對的平衡。

（5）在通過深度學習方法建模時，需要大量數(shù)據(jù)，進行訓練才得以達到很好的效果，但容易出現(xiàn)交通數(shù)據(jù)缺乏、車載OBD設備傳輸延時的問題。針對這類問題，除了可以用插值方法來彌補空缺數(shù)據(jù)，現(xiàn)有許多研究通過在車輛上裝載智能手機設備，以獲得逐秒的GPS等數(shù)據(jù)來彌補數(shù)據(jù)缺乏的問題，并且智能手機易于獲取到外部環(huán)境因素數(shù)據(jù)從而增強模型的準確性。

（6）深度學習方法易出現(xiàn)過于依賴數(shù)據(jù)，泛化能力較弱的問題。針對這類問題，可以通過數(shù)據(jù)增強的方法來增加樣本數(shù)量，能夠最大化利用有限的樣本數(shù)據(jù)。還可以通過使用大規(guī)模數(shù)據(jù)集、在預處理階段使用歸一化這類處理方法等一系列解決方法來提高模型的泛化能力。