公路运输一直是交通运输业的主要运输方式,商用车作为公路运输的主要工具,其销量也一直在稳步上升,商用车使用量的增加势必会增加燃油的消耗,进而增加大量污染气体的排放,对环境、资源都会造成更大的压力。燃油消耗的支出也是交通运输业主要成本之一,商用车的燃油利用率若一直得不到改善,则会增加交通运输经营者的支出,降低盈利,抑制行业的发展。降低油耗既可以缓解给环境、资源造成的压力,还可以降低交通运输的成本,增添整个交通运输行业的活力,因此油耗研究引起了广泛的关注。油耗的研究主要分为两类,分别是物理类研究和统计类研究,由于物理类研究在车辆投入使用后很难再在降低油耗方面起作用,因此统计类的油耗研究逐渐成为热点。在基于统计类的油耗研究中,一部分是考虑外部因素与车辆行驶工况对油耗的影响,通过分析其与油耗的相关性,得到哪些因素对油耗的影响较大,并利用相关性较大的因素对油耗进行预测,从而给出降低油耗的建议;还有一部分是基于驾驶行为这一影响油耗的主要因素对油耗进行分析与预测,通过对驾驶行为进行总结和评价,预测出低油耗驾驶行为和高油耗驾驶行为。上述提到的油耗分析与预测方法虽然已经取得了一些成果,但依然有一定的不足。首先,现有的油耗分析与预测方法考虑的影响油耗的因素依然不够全面,很少有考虑到车辆内部状态对油耗的影响;其次,在考虑各因素对油耗的影响时,大多数的思路都是单独分析每个因素对油耗的影响,并没有全面考虑到影响油耗的因素之间也存在相互作用关系,这会在一定程度上影响油耗预测的效果。基于上述问题,由于各方面因素对车辆的影响会直接反应在车辆的运行状态中,因此本文结合车联网提供的大量数据,提出了基于车辆运行状态的商用车油耗分析与预测方法。首先从数据中挖掘出可以描述车辆运行状态的相关因素,并分析各因素与油耗之间的相互影响关系,构建可以描述它们之间相互影响关系的关联图。然后建立油耗预测模型,通过深入学习各因素之间时空依赖关系,利用历史时间段的车辆运行状态数据去预测下一个时间段的平均油耗,并在实际应用中取得了良好的预测效果。基于车辆运行状态的商用车油耗分析与预测方法主要分为三步:第一步,分析车辆运行状态各因素与油耗之间相互影响关系并构建其关联图。本文先是通过灰关联分析的方法,得到由各因素与油耗之间灰关联度组成的灰关联矩阵,并依据该矩阵建立描述它们之间相互影响关系的关联图。第二步,构建模型学习和融合油耗影响因素的时空特征。车辆在运行过程中,各因素和油耗之间在空间、时间上都存在相互依赖关系。本文首先采用图卷积神经网络、LSTM网络分别学习各因素与油耗之间的时空特征,然后基于注意力机制对时空特征学习的结果进一步学习,衡量每个因素的重要程度,融合本时间段的时空特征信息。第三步,预测车辆未来时间段的平均油耗。本文按照时间顺序将LSTM单元和注意力机制单元交替连接,并将最后一个时间特征模块的输出结果通过一个全连接层作为最后的预测结果解码输出。本文的主要工作和贡献如下:1.提出了一种基于灰关联分析的油耗分析新方法。为了全面考虑各类因素对油耗的影响,本文将其聚焦于车辆运行状态相关因素对油耗的影响,基于灰关联分析对车辆运行状态相关因素与油耗的关系进行分析,并用关联图描述出各因素与油耗之间复杂的相互影响关系。2.构建了基于车辆运行状态和时空特征学习的油耗预测新模型。该模型可以利用历史时间段与油耗相关的数据预测出下个时间段车辆的平均油耗。本文将时空特征学习运用到油耗预测模型中,通过充分分析车辆运行状态相关因素与油耗之间的时空依赖关系,使油耗预测模型达到了较好的预测效果。3.利用某大型商用车制造企业提供的车辆行驶的相关数据来验证本文分析与预测方法的准确性。实验结果显示,本文的方法可以根据车辆的历史运行状态较为准确地预测出车辆下一个时间段内的油耗值。此外,本文进行消融实验验证了时空特征学习方法应用于油耗预测中的有效性。最后将本文提出的方法与其他预测方法进行对比,结果表明该方法较其他预测方法更适用于油耗预测。