基于ARIMA-LSTM與RBF-NOA的車速工況預(yù)測

打開文本圖片集

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