基于智能手机驾驶行为数据的汽车油耗预测方法

抽象的

交通运输是影响能源消耗的重要因素，驾驶行为是影响汽车燃料消耗的主要因素之一。本文的目的是改进基于手机数据的燃油消耗监测数据库。基于出租车安装的手机终端和车载诊断系统(OBD)，分别提取驾驶行为数据和燃油消耗数据。通过将手机采集的驾驶行为数据与OBD采集的燃油消耗数据进行匹配，探索驾驶行为与燃油消耗之间的相关性，从而实现基于手机数据的汽车燃油消耗预测。利用BP神经网络、支持向量回归(SVR)和随机森林建立了燃油消耗预测模型。结果表明，平均速度、除怠速外的平均速度(ASEI)、平均加速度、平均减速、加速时间百分比、减速时间百分比和巡航时间百分比是评价燃油消耗的重要指标。三种模型均能准确预测油耗，绝对相对误差均小于10%。随机森林模型具有较高的精度和较快的运行速度，适合广泛应用。该方法为城市交通燃料消耗监测数据库的完善和精细化管理奠定了基础。

1.介绍

汽车能源消耗和污染物排放是城市交通的健康和可持续发展的关键问题。随着中国汽车保有量的不断增长，其私家车的能源消耗基础上的人口，GDP增长提高4.2倍，从13.12到6834万吨标准煤，2005年至2015年，和二次比例和中国的第三产业，未来的交通能源消费的趋势，可以预测。私家车的能源消耗将继续在2020年之前增加，当预计将达到11738万吨标准煤[1］．因此，降低能源消耗已成为交通运输领域面临的重要挑战之一。

在影响车辆的能量消耗的因素很多，驾驶行为起着重要的作用。研究由福特汽车公司[进行2]表明，在短期内，驾驶行为的提高可以提高25％的燃油经济性。长期提供具有持续生态驾驶反馈的司机可能导致燃料消耗减少10％。Hiraoka等人。[3.研究了生态驾驶行为对燃料消耗的影响，发现对驾驶员的燃料消耗信息提供反馈可以提高燃油经济性10％。此外，给司机的生态驾驶指示可以将燃油经济性提高约15％。Ahn和Rakha [4]分析了驾驶员路线选择对车辆油耗的影响，结果表明，通过降低高排放驾驶行为，可以显著降低能耗和尾气排放。因此，研究驾驶行为与能源消费之间的相关性，并利用驾驶行为预测能源消费具有重要意义。

目前，基于驾驶行为的能耗预测模型的研究非常多。Hu等人[5]进行了一些实车试验，研究对城市道路的电动汽车的油耗驾驶风格的影响的问卷调查和构建预测模型的电动汽车的燃料消耗。徐等人。[6]利用车联网获取的驾驶行为数据，构建了两种卡车油耗预测模型。利用能源消耗指标描述了载货汽车油耗与驾驶员驾驶行为之间的动态关系，建立了载货汽车油耗的广义回归神经网络预测模型。赵等人[7]，应用机器学习算法建立了基于驾驶行为的城市路段燃油消耗预测模型，该模型能够直观地反映北京高速公路基础路段燃油消耗分布特征。

支承燃料消耗量预测的研究数据源大多数是基于从所述车辆的主控制器收集的数据，并与结合问卷的车载诊断系统（OBD）。控制器和OBD是由设备安装成本和司机的安装意愿有限，因此只能实现小规模的数据管理，小区域，高的不确定性。问卷的数据收集表也缺乏灵活性，而且也很难保证数据的质量。

随着移动终端技术的快速发展，手机传感器的应用得到了推广。手机终端已经被用于驾驶行为数据的采集和危险驾驶的预警。约翰逊和特里维迪[8]提出了一种使用动态时间翘曲（DTW）和基于智能手机的传感器融合的系统，以检测非收场和激进的驾驶行为，当它检测到激进的驾驶时，它在检测到的声音反馈。Guido等人。[9]，利用智能手机传感器的车辆跟踪数据估计驾驶安全性能(包括避免撞车的减速率和碰撞时间)，并分析南行和北行车道的碰撞风险。移动电话终端在行车安全方面的应用，对车辆油耗的评价起着重要的作用。由于移动终端采集的驾驶行为数据更详细、更易于推广，为丰富城市道路燃油消耗数据库奠定了基础。

目前，北京市交通局统计监测平台监测的燃油消耗和排放数据大多基于OBD设备。数据采集对象主要是出租车司机、公交司机和卡车司机，并没有覆盖所有的运输企业。移动电话终端为更大规模的数据收集提供了可能性。手机终端无法直接采集油耗，但通过探索手机与OBD数据之间的相关性可以准确预测油耗。同时,驾驶行为数据收集的移动电话的影响类型,位置,摇晃(车辆振动所致),司机的手机使用,导致不稳定的驾驶行为数据,所以很多数据校准工作要做。通过构建油耗预测模型，应用手机数据计算车辆油耗，节省OBD设备安装成本，为交通管理部门更准确地监测城市交通油耗提供理论依据。

本研究提出了一种基于从智能手机收集的全球定位系统（GPS）数据的车辆燃料消耗预测方法。出租车司机参加了这个实验。通过匹配移动电话的驾驶行为数据和OBD终端的燃料消耗数据，筛选影响燃料消耗的驾驶行为指标，并且使用机器学习算法构建燃料消耗预测模型。The prediction model of drivers’ individual fuel consumption based on mobile phone data could not only further improve the real-time monitoring database of fuel consumption with strong error tolerance but also provide technical support for macro control of urban transportation energy consumption and effectiveness evaluation of the transportation energy policy.

2.方法

2.1。分析框架

由于手机不能直接获得车辆的油耗数据，从手机和OBD收集的油耗收集到的驾驶行为数据进行匹配，并且燃料消耗预测模型建成。在模型构建过程中，从移动电话中收集的数据和OBD均被施加。该模型是建立之后，更大规模的交通燃油消耗能够仅使用从手机收集到的驾驶行为数据进行预测。模型结构的框架示于图1．燃料消耗预测的步骤如下：（1）数据收集：基于GPS，线性加速度计，陀螺和其他手机传感器采集多个驱动器的自然驾驶行为数据。同时，通过安装在车辆中的OBD终端收集实时车辆燃料消耗数据。(2）索引提取：按时组合移动电话和OBD终端的数据。通过比较两个终端的驾驶行为数据的一致性和差异，提取了基于移动电话数据预测车辆燃料消耗的索引。（3）模型构建:随机选取训练集和测试集，利用BP神经网络、支持向量机和随机森林建立油耗预测模型。（4）效果评价：通过多次建立燃料消耗预测模型并使用不同方法比较三种预测模型的准确性和效率，提出了基于移动终端预测车辆燃料消耗的最佳方法。

2.2。预测模型

BP神经网络，支持向量回归（SVR），和随机森林是具有高精确度和工作效率几种常见的预测方法。这项研究建立三种预测模型，比较了预测结果的差异，最后我们选择了油耗预测的最佳模式。

2.2.1。BP神经网络

人工神经网络(ANN)是一种模拟神经元向人脑传递感知信息过程的操作模型。该方法在处理非线性、非结构化和大样本数据时具有自学习和高效率的特点。误差反向传播算法(BP神经网络)[10]是在人工神经网络中使用最广泛的监督学习算法之一。网络的权值是随机选择之后，神经网络使用反向传播方法来更新权重，以尽量减少损失，并最终该网络的连接权重被确定。基于BP神经网络的车辆的燃料消耗预测模型的结构显示在图2．

油耗预测指标筛选后，n索引被确定为输入变量。隐层有5个神经元，输出y为预测的燃油消耗量。输入层与隐含层之间的连接权值为 ，隐含层与输出层之间的连接权值为 ．首先，将样品通过输入层传输，并且该数据被使用激励函数转换成非线性阵列在一定范围内。然后，非线性阵列到达通过加权的输出层，并输出结果。如果输出燃料消耗和实际燃料消耗之间的误差超过设定的预期误差的，权重系数被反向传播校正。该网络是重复训练，直到该错误是预期的误差范围内，基于BP神经网络的汽车燃料消耗量预测模型终于建成了。

2.2.2。支持向量回归(SVR)

支持向量机作为一种有监督的机器学习算法，主要应用于分类问题和回归问题[11］．支持向量机算法通过构造核函数将非线性问题转化为高维空间中的线性问题，给出了问题的几何解释。基于SVR的汽车油耗预测模型结构如图所示3.．

对于给定的一组样本{X_我，y_我}，我= 1, 2，…米，X是n维输入向量（包括n驾驶行为指标)y为相应的油耗。输入向量映射到高维空间，输出向量映射到高维空间y可以计算如下： 在哪里为权向量，是将输入向量映射到高维特征空间的映射函数吗是偏见术语。

通过添加一个凸优化问题，并且松弛因子，支持向量回归问题可被转化成下列等效的解决方案： 在哪里是松弛变量;C为惩罚因子，反映离群点的重要性;和是不敏感损失函数系数，其可以忽略在一定范围内的真值的误差并影响支持向量的最后数量。

三个参数,即 ，C在使用SVR算法预测汽车油耗时，需要确定核函数。输入向量是n油耗预测所需指标，输出为车辆油耗。和C是通过按照一定的规则把它们分成几个小细胞来确定的。计算每个单元的变量值对应的模型误差，并选取误差最小的小单元的变量值。径向基函数(RBF)在SVR的应用中具有较好的性能[12，13］．因此，本研究采用的核函数为RBF，计算方法如下: 在哪里是RBF核的超参数，可以确定输入数据的范围特征和支持向量之间的关联程度。

2.2.3。随机森林

随机森林(random forest, RF)是一种用于预测和分类的有效分类方法[14］．随机森林是由大量决策树的。决策树的基础上，随机过程被添加到行和列向量，从而避免决策树的潜在过度拟合问题。对于每一个树，训练样品与置换取样，并且在每个树外的袋（OOB）数据占总数据的约37％。是随机森林回归算法的主要计算步骤如下：

首先,k的训练样本集团通过用置换取样选择。其次，米特征是随机选取的n每个训练样本中的功能设置为拆分节点，以及k生成了决策树。各决策树的节点拆分采用均方误差最小原则，使两组数据集拆分后的均方偏差之和最小。最后，对的预测值进行平均，得到预测的车辆油耗k决策树。基于随机森林车辆燃料消耗预测模型的结构显示在图4．

这三种模型在不同的数据集的基础上具有它们的优点和缺点。本研究构建了三种燃料消耗预测模型，选择最合适且有效的模型以预测燃料消耗。

3.数据源和索引提取

3.1。数据源

实验数据来源于安装在出租车上的OBD终端和手机终端，采样间隔为1 s。收集到的数据类型如表所示1．

该实验于2017年8月进行，20名驾驶员参与实验，收集了15天的自然驾驶数据。所有出租车均为伊兰特(Elantra)， 4缸1.6升发动机，通过了国家iv级排放标准认证。在实验过程中，每辆出租车都安装了车载诊断系统(OBD)，以收集驾驶行为和油耗数据。OBD设备已在北京出租车公司广泛使用五年多，用于监测北京市交通局统计监测平台的油耗和排放数据。通过发动机负荷率、发动机转速、峰值进气量、燃油校正因子等相关参数计算OBD采集的车辆瞬时油耗。OBD计算的油耗与CAN总线采集的油耗(按燃油喷射脉冲宽度计算)比较，瞬时油耗误差在±3%以内，每百公里平均油耗误差为0.74% [15］．同时，司机被要求自己的手机上安装软件，并保持运行在驾驶时收集的GPS数据的软件。该软件是基于Android系统，并专门开发的手机传感器和计算驾驶行为收集GPS数据。这两种类型的数据的收集，同时上传至云中。

在实验之前，给每个驾驶员给出移动电话支架并保持在车辆中的相同位置。手机的屏幕垂直于水平线放置。手机方向传感器应用于测试，以确保手机的位置是固定的，统一的，并且需要在驾驶时将手机放置在适当位置。

虽然两者的OBD和移动电话具有GPS和司机必须在行驶期间将移动电话中的固定位置，从OBD和移动电话收集GPS数据的输出结果是不同的，这可以通过移动的摇动而引起电话当车辆振动或移动电话型的差异。在实际驾驶过程中，手机震动和类型的差异是不可避免的。因此，本研究假定燃料消耗量预测模型的构造可以减小由移动电话收集的数据错误的影响，准确地预测燃料消耗量不OBD设备。

3.2。折射率提取

通过匹配OBD和手机终端采集到的数据，可以得到每个司机每天的驾驶行为和相应的油耗。影响车辆燃油消耗的驾驶行为因素有很多[16］．这可以通过移动电话的数据计算七个指标选择来预测燃料消耗量。的类型和各项指标的定义示于表2．加速度条件定义为加速度大于0.1 m/s²，减速条件定义为小于-0.1米/秒的加速度²，和the condition of cruising is defined as the absolute value of acceleration less than 0.1 m/s²．通过对20名驾驶员15天内的驾驶行为进行平均，可以得到300组数据。

虽然道路状况，天气和其他因素也对燃料消耗产生了很大影响，但在本研究中不考虑它们。本研究的主要目标是评估出租车司机的日常驾驶水平，以帮助交通管理部门监测和改善出租车司机的生态驾驶技能，并提供生态驾驶培训课程具有较差的生态驾驶技能的司机，以降低燃料消耗。因此，有必要估算出租车司机的日平均燃料消耗（L / 100公里）。由于每个出租车驱动程序每天都驱动不同的路线，因此难以全天计算所有道路类型。虽然忽略了道路状况和其他因素的影响，导致燃料消耗的预测准确性降低，但本研究采用的方法更适用于更广泛的条件，可以估计司机的日常生态驾驶水平。该方法还提供了未来精炼燃料消耗预测的可行性演示。在未来的研究中，将分析和比较不同道路状况（如斜坡，曲线和交叉点）下驾驶员的燃料消耗预测结果，从而提高车辆燃料消耗预测的准确性。

采用Pearson相关分析对OBD驾驶行为数据与手机终端的相关性进行验证，结果如表所示3.．可以看出的是，除了巡航时间百分比，通过OBD和移动电话计算出的其它的驾驶行为指标显著相关，与上述0.6的相关系数。巡航时间百分比差异的原因是移动电话和OBD之间采样精度存在一些差异，因此来自移动电话和OBD收集的GPS数据计算的速度和加速的值并不完全相同。多个指示器的高相关表明，使用移动电话数据来预测燃料消耗的方法是可行的。

为了验证由移动电话收集的数据与由OBD收集的燃料消耗数据之间的相关性并提取用于预测燃料消耗的相关索引，分析了从OBD收集的不同驾驶行为指标之间的关系，并从OBD收集的燃料消耗;结果如图所示5．从图中可以看出5（a），司机的平均驾驶速度越高，油耗越低。平均速度和油耗之间有很强的相关性。由于本研究只考虑每天的平均行驶速度，最大平均速度不超过50，油耗与速度呈线性关系。从瞬时速度来看，超过80 km/h油耗增加，速度与油耗呈u型曲线[17］．平均加速/减速和燃料消耗之间的关系如图所示5（b）和5（c）．结果表明，在一天的驾驶过程中，加减速度较大的驾驶员会消耗较多的燃油。数字5 (d)显示了加速时间百分比、减速时间百分比、巡航时间百分比和油耗之间的关系。结果表明:在油耗较低的行程中，巡航驾驶时间所占比例较大，驾驶员怠速行为较少;在油耗较高的行程中，驾驶员怠速时间较长。时间百分比与油耗也有一定的相关性，但这些趋势不像速度或加速度值对油耗的影响那么明显。为了验证各种驾驶行为指标对油耗的影响，并选择油耗预测的相关指标，下面进行相关性分析。

皮尔逊相关是一种常用的基于滤波器的特征选择方法。通过分析手机采集的驾驶行为数据与OBD采集的油耗数据之间的Pearson相关性，通过过滤筛选出影响车辆油耗的关键驾驶行为指标。结果如表所示4．各驾驶行为指标均与油耗显著相关( )．因此，平均速度，ASEI，平均加速度，平均减速度，加速时间百分比，减速时间百分比，和巡航时间百分比的指标被选择为预测的燃料消耗。

4.结果和讨论

4.1。模型培训

基于出租车司机的日常驾驶行为数据构建燃料消耗预测模型的过程如图所示6．一方面，利用手机终端采集的驾驶行为数据，计算每个驾驶员每天的平均速度、ASEI、平均加减速、加减速时间百分比、加减速时间百分比、巡航时间百分比等指标;另一方面，通过OBD终端采集车辆瞬时油耗数据并转换为日油耗数据。两个数据源(驾驶行为数据和每日油耗数据)通过收集时间进行匹配。在收集的所有数据中，随机抽取75%作为训练样本，其余数据为测试样本。建立了基于BP神经网络、SVR和随机森林的燃油消耗预测模型。为保证预测模型的准确性和稳定性，进行了10次样本选择和模型训练。通过比较三种模型的预测油耗和实际油耗的差异，评价利用手机数据预测汽车油耗的准确性。

在基于BP神经网络的油耗预测模型中，采用“trainlm”算法进行训练，用对数函数“tansig”作为激励函数，用线性函数“purelin”作为节点传递函数。将模型的训练次数设置为100次，将收敛条件设置为模型误差小于0.001。

基于SVR，该不敏感损失函数和惩罚参数的值的确定的燃料消耗量预测模型基于穷举法，并通过有限的迭代次数，以使误差计算出的两个系数的最佳值小于某一绝对值。径向基函数（RBF）取作SVR模型的核函数。

基于随机林的燃料消耗预测模型，为培训设定了50棵回归树。附图中显示了回归树数与袋袋外误差之间的关系7．可以看出，随着回归树的数量的增加，模型误差减小，并且在大约有大约50个回归树时融合模型。

4．2.评价结果

一个训练过程的油耗预测结果如图所示8．该图显示了三种燃料消耗预测结果（BP神经网络，SVR和随机林）和实际燃料消耗之间的近似程度。从图中可以看出8，具有较大偏差的一些点是BP神经网络模型的预测结果。然而，一般而言，三个预测模型具有良好的拟合度;预测结果基本上分布在两侧y=x具有很高的近似度。

为了评估三个油耗预测模型，四项指标，即根均方误差（RMSE），平均绝对误差百分比K，R平方和模型运行时间的精度和效率进行了比较。的前三个这些指标的计算方法如下： 在哪里是预测的燃料消耗，是实际的燃料消耗，平均油耗是多少为样本数。

该模型评价结果示于表5．由此可以看出，三种模式都显示出较高的预测精度。The RMSE is 0.78–0.89 L/100 km, the absolute relative error (K）是6.9％-7.5％，而且R-Squared大于0.5，表明三种模型可以准确地预测由移动电话收集的数据的车辆的燃料消耗。通过比较三种模型中的错误和效率，可以看出，基于随机森林的模型比BP神经网络或SVR的准确性更高，随机林模型的运行时间远低于BP的运行时间神经网络和SVR模型。因此，基于从移动电话收集的各个驾驶行为的预测，基于随机林的燃料消耗预测模型是有效且有效的预测，并且更适合于对较大样本数据集的实际应用。

5.结论

在本研究中，匹配从OBD和移动电话终端收集的出租车驱动程序的驾驶行为数据和燃料消耗数据。分析了驾驶行为和燃料消耗之间的相关性，并通过基于滤光片的特征选择方法提取影响燃料消耗的相关驾驶行为指标。使用七种选定的驾驶行为指标（即平均速度，ASEI，平均加速度，平均减速，加速时间百分比，减速时间百分比和巡航时间百分比），基于BP神经网络，SVR和的三个燃料消耗预测模型建造一个随机的森林。

The results of model error and the run time comparison analysis show that the three models could predict fuel consumption accurately, and the random forest model had the highest accuracy and efficiency, with an RMSE of 0.783 L/100 km, mean absolute percentage error (K）6.9％，和模型运行时间为0.14秒。这一发现与Wickramanayake和Bandara的研究一致[15，这也表明随机森林模型在基于驾驶行为数据预测油耗方面是最有效的。Wickramanayake和Bandara的研究对象是公交车的油耗预测，本研究的重点是出租车的油耗。与此同时，本研究的驾驶行为数据来自于具有更高灵活性和复杂性的手机，而不是固定的GPS设备。该方法可以基于手机数据准确、高效地预测车辆油耗，为交通管理部门监测出租车司机驾驶行为的生态水平提供有力支持。

值得强调的是，在模型建设的早期阶段，应用由OBD收集的移动电话和燃料消耗数据收集的驾驶行为数据。构建预测模型后，移动电话数据可以直接用于预测驱动器的日常燃料消耗，而无需安装OBD设备。这种方法的应用可以改变传统的燃料消耗方法，以及使用手机数据来评估各个驾驶行为的生态影响可以节省设备安装的成本。同时，由于并非所有出租车司机愿意在其出租车中安装OBD设备，因此这种方法可以帮助增加用户数据源，这可以大大提高出租车燃料消耗的数据库大小。因此，本研究中的方法可以提高燃料消耗监测和出租车驾驶行为的燃料消耗监测和管理的深度，广度和细化水平，从而奠定了理论基础并为城市提供技术支持，以降低燃料消耗。

本研究旨在提出一种利用手机数据预测汽车能耗的方法。虽然本研究使用的样本量有限，但为更大规模、更准确的油耗预测提供了依据。在未来的研究中，将进一步扩大样本的收集，并考虑各种道路条件、交通条件和天气条件下的油耗。该方法通过对数据的丰富、模型的优化、预测指标的改进，为出租车企业的精准能耗监管奠定了理论基础。同时，由于出租车的同质化程度较高，因此本研究的燃油消耗量预测模型是固定的，仅以出租车司机为研究对象。在未来的研究中，可以考虑更多类型的车辆，如公共汽车和卡车。构建基于不同车型的差异化油耗预测模型，进一步完善城市能耗监测与管理。

数据可用性

用于支持本研究结果的驾驶行为和燃料消耗数据可根据要求提供相应的作者。

利益冲突

作者声明他们没有利益冲突。

致谢

本研究得到了中国国家重点研发计划（2018YFB1601000），中国国家自然科学基金（Grant No.61672067），北京市自然科学基金（Grant No.17Jh0001），未来运输的联合实验室北京工业大学城市运输运营保障与城市计算与北京工程研究中心。

参考

1. H. Wang，“运输能耗：改变趋势，影响因素和消费预测的评估，”期刊重庆理工大学学报（社会科学），卷。7日，2017年。查看在：谷歌学术
2. J. N. Barkenbus，《生态驾驶:一个被忽视的气候变化倡议》，能源政策第38卷第2期2，页762-769,2010。查看在：出版商网站|谷歌学术
3. T.平冈，Y.寺门，S.松本和S.山部，在“基于驾驶模拟器的实验环保驾驶油耗定量评价，”第16届ITS世界大会暨展览会的智能交通系统和服务程序，斯德哥尔摩，瑞典，2009年9月。查看在：谷歌学术
4. K. Ahn和H. Rakha，“道路选择决策对车辆能源消耗和排放的影响”，交通研究D部分:交通与环境，第13卷，第2期3，页151 - 167,2008。查看在：出版商网站|谷歌学术
5. 胡凯，吴建军，刘敏，“基于现场测试数据和驾驶风格问卷的电动汽车能耗模型研究”，系统仿真学报，卷。30，没有。11，第83-91，2018。查看在：谷歌学术
6. 徐志伟，“基于汽车互联网数据的汽车燃油消耗与驾驶行为关系模型研究”，计算机辅助土木和基础设施工程第33卷第3期3，页209-219,2018。查看在：出版商网站|谷歌学术
7. X.-h。赵永平，姚永平。“基于PCA和BP网络的汽车能耗预测模型，”交通系统工程与信息技术学报，第5卷，185-191页，2016。查看在：谷歌学术
8. D. A. Johnson和M. M. Trivedi，“使用智能手机作为传感器平台推动风格识别”2011第14届IEEE智能交通系统国际会议论文集，第1609-1615页，加拿大多伦多，2011年10月。查看在：出版商网站|谷歌学术
9. G. Guido，A.Vitale，V.Starita，F. Saccomanno，V.P.Giofré和V. Gallelli，“智能手机传感器的安全性能措施估算”程序 - 社会和行为科学，卷。54，第1095-1103，2012。查看在：出版商网站|谷歌学术
10. W. J. Zhang，S. X. Yu，Y.Peng，Z. Cheng和C.王，“使用错误回波神经网络算法驾驶习惯分析车辆数据”计算机、控制、信息和教育工程，第55卷，CRC出版社，桂林，2015。查看在：谷歌学术
11. H. Drucker, J. C. Chris, L. Kaufman, A. Smola, and V. Vapnik，《支持向量回归机》，刊于神经信息处理系统的进步，页155-161，麻省理工学院出版社，剑桥，马萨诸塞州，美国，1997。查看在：谷歌学术
12. H.-1.冯，“基于SVR模型的重庆市生态安全指数预测模型研究”计算机科学，卷。40，不。8，第245-248，2013。查看在：谷歌学术
13. Z.RAMEDANI，M. OMID，A. Keyhani，S. Shamshirband和B. Khoshnevisan，“基于径向基函数的潜力基于全球太阳辐射预测的支持向量回归”，可再生和可持续能源评论，卷。39，第1005年至1011年，2014。查看在：出版商网站|谷歌学术
14. L. Breiman，“随机森林”，机器学习，卷。45，不。1，pp。5-32,2001。查看在：出版商网站|谷歌学术
15. S.维克勒马纳亚克和H. M. N. D.班达拉，“使用机器学习车队车辆的燃料消耗量预测的比较研究”，在2016 Moratuwa工程研究会议(MERCon)论文集，第90-95页，IEEE, Moratuwa，斯里兰卡，2016年4月。查看在：出版商网站|谷歌学术
16. M. Kuhler和D. Karstens，“改进的驾驶周期测试汽车尾气排放”在国际汽车工程师学会论文集美国密歇根州迪尔伯恩市，1978年。查看在：谷歌学术
17. 杨东，李敏，班欣，“基于OBD系统的汽油车燃油消耗量车载实时监测方法”，汽车安全与能源学报，卷。7，不。1，pp。108-114,2016。查看在：谷歌学术

版权

版权所有©2020应约等人。这是分布下的开放式访问文章知识共享署名许可协议，允许在任何媒介上不受限制地使用、传播和复制，但必须正确引用原作。