序特征，所以具备了较高的预测准确率。本发明涉及大数据分析领域，更具体的说，它涉及一种基于大数据的车辆油耗预测方法及系统。一种基于大数据的车辆油耗预测系统，包括：车辆型号数据获取模块、车辆运行状态数据获取模块、待预测车辆时序数据集建立模块、车辆油耗预测模型管理模块和车辆油耗预测模块。本发明通过获取来自车辆各处传感器的车辆运行状态数据，并通过车辆油耗预测模型学习车辆
1.一种基于大数据的车辆油耗预测方法，其特征在于，包括：
获取当前的车辆运行状态数据，并与前N‑1次获取的车辆运行状态数据组成待预测车辆时序数据集T，且T＝{X1，X2…Xn…XN}，其中Xn为待预测车辆时序数据集T中第n个车辆运行状态数据，n＝1，2，3······N，N为待预测车辆时序数据集T中车辆运行状态数据的总个数，且车辆运行状态数据XN为当前获取的车辆运行状态数据；车辆运行状态数据Xn为n n n n n{x1，x 2…xd…xD}，其中xd为车辆运行状态数据Xn中第d个影响因素对应的车辆运行状态n
数据值，d＝1，2，3······D，D为影响因素的总数；满足xD为油耗量对应的车辆运行状态数据值；
将待预测车辆时序数据集T和车辆的车辆型号数据送入训练好的车辆油耗预测模型进行处理，得到车辆下一时刻的油耗量；
车辆油耗预测模型包括数据统一块、全局时序特征提取块、局部时序特征提取块、特征融合块，注意力机制块和预测块；其中数据统一块用于对车辆运行状态数据进行数据统一；
全局时序特征提取块用于提取待预测车辆时序数据集中的全局时序特征；局部时序特征提取块用于提取待预测车辆时序数据集中的局部时序特征；特征融合块用于融合待预测车辆时序数据集中的全局时序特征和局部时序特征；注意力机制块用于强化车辆运行状态数据中各个影响因素之间的关系；预测块包括全连接层和预测层，用于输出车辆下一时刻的油耗量；
车辆油耗预测模型中的数据统一块基于BP神经网络建立，包括输入层、隐含层和输出层，其中输入层的神经节点个数为D+1，输出层的神经节点个数为D，隐含层的神经节点个数为 其中ε为1至10之间的随机数；
通过车辆油耗预测模型中的数据统一块对车辆运行状态数据进行数据统一具体包括如下步骤：从待预测车辆时序数据集T中逐个选择车辆运行状态数据Xn，针对选择的车辆运行状态数据Xn，将车辆型号数据与选择的车辆运行状态数据Xn进行拼接，再输入至输入层中的D+1个神经节点处，依次经过输入层、隐含层和输出层的处理，重新得到一个D维的车辆运行状态数据Xn，实现对车辆运行状态数据Xn的更新；当待预测车辆时序数据集T中所有的车辆运行状态数据Xn都被更新之后，将更新后的所有车辆运行状态数据Xn进行拼接，构建一个D×D的油耗待预测矩阵；
车辆油耗预测模型中全局时序特征提取块包括待预测矩阵重构层和6个Encoder层，6个Encoder层分别记为第一Encoder层、第二Encoder层、第三Encoder层、第四Encoder层、第五Encoder层和第六Encoder层，其中待预测矩阵重构层用于对待油耗待预测矩阵进行重构，6个Encoder层参照Transfomer模型进行建立；
通过全局时序特征提取块对待预测车辆时序数据集中的全局时序特征进行提取，具体包括如下步骤：将油耗待预测矩阵与待预测矩阵重构层内部的重构矩阵进行矩阵乘法，对油耗待预测矩阵进行重构，得到重构油耗待预测矩阵，再将重构油耗待预测矩阵依次经过第一Encoder层、第二Encoder层、第三Encoder层、第四Encoder层、第五Encoder层和第六Encoder层进行处理，得到第一特征图，第一特征图即为待预测车辆时序数据集中的全局时序特征；
重构矩阵的大小为D×D，且重构矩阵基于一个1×D的权重向量进行建立，建立方式如下：将1×D的权重向量记为基向量，将基向量的后k个数据值进行剪切，并将剪切的k个数据值按照反方向的顺序拼接在进行了剪切后的基向量的前面，构建顺序向量αk；将k从1变化至D‑1，生成D‑1个顺序向量αk，再将D‑1个顺序向量αk按照k从小至大的顺序排列在基向量下方，与基向量进行拼接，构建重构矩阵；
车辆油耗预测模型中局部时序特征提取块参照GRU模型进行建立，包括GRU层，且GRU层中的隐藏层的节点个数设置为D；
通过车辆油耗预测模型中局部时序特征提取块对待预测车辆时序数据集中的局部时序特征进行提取，具体包括如下步骤：将待预测车辆时序数据集T中的车辆运行状态数据Xn依次送入GRU层，分别得到车辆运行向量Fn，且车辆运行向量Fn的大小为1×D；将所有车辆运行向量Fn按照n从小到大的顺序从上至下进行排列拼接，得到第二特征图，第二特征图即为待预测车辆时序数据集中的局部时序特征；
通过车辆油耗预测模型中的特征融合块对待预测车辆时序数据集中的全局时序特征和局部时序特征进行融合，具体包括如下步骤：将第一特征图和第二特征图按照通道进行拼接，再通过一次卷积操作，得到第三特征图，第三特征图的大小为D×D；
车辆油耗预测模型中的注意力机制块内部包括影响矩阵，影响矩阵的大小为D×D；
通过车辆油耗预测模型中的注意力机制块强化车辆运行状态数据中各个影响因素之间的关系，具体包括如下步骤：将第三特征图与影响矩阵进行矩阵乘法，再通过一个激活函数进行处理，得到注意力权重矩阵；将第三特征图与注意力权重矩阵进行点乘，得到第四特征图；再将第四特征图与第三特征图进行相加，并执行归一化操作，得到第五特征图。
2.根据权利要求1所述的一种基于大数据的车辆油耗预测方法，其特征在于，通过训练好的车辆油耗预测模型对待预测车辆时序数据集T和车辆的车辆型号数据进行处理，具体包括如下步骤：将预测车辆时序数据集T和车辆的车辆型号数据送入数据统一块进行处理，得到油耗待预测矩阵；再将油耗待预测矩阵送入全局时序特征提取块进行处理，得到，第一特征图；将待预测车辆时序数据集T送入局部时序特征提取块进行处理，得到第二特征图；
将第一特征图和第二特征图通过特征融合块进行融合，得到第三特征图；将第三特征图通过注意力机制块进行处理，得到第五特征图；再将第五特征图送入预测块进行处理，得到车辆下一时刻的油耗量。
3.根据权利要求2所述的一种基于大数据的车辆油耗预测方法，其特征在于，对车辆油耗预测模型的训练，具体包括如下步骤：获取历史记录的车辆运行数据，并结合车辆型号数据建立第一训练样本，将获取的所有第一训练样本组成第一样本训练集；并将第一样本训练集送入初始化参数的数据统一块中进行训练，期间对数据统一块新增一层油耗量输出层，油耗量输出层的神经节点个数为1，将数据统一块中的输出层也作为隐含层，并以每个第一训练样本对应的油耗量作为目标输出，计算第一损失值，若是第一损失值在第一预设范围内，完成对数据统一块的训练，输出数据统一块；否则，继续迭代训练；获取历史记录的车辆运行数据，并以长度为N的滑动窗口遍历所有历史记录的车辆运行数据，在滑动窗口内，选择前N‑1个取历史记录的车辆运行数据和第N个取历史记录的车辆运行数据中油耗量构建第二训练样本；将所有构建的第二训练样本组成第二训练样本集；将第二训练样本集送入初始化参数的车辆油耗预测模型进行训练，期间数据统一块的参数不变，且停用注意力机制块，即特征融合块直接连接预测块，以第二训练样本末尾的油耗量作为目标输出，计算第二损失值，若是第二损失值在第二预设范围内，完成对除开数据统一块和注意力机制块的车辆油耗预测模型的训练，输出除开数据统一块和注意力机制块的车辆油耗预测模型；否则，继续迭代训练；
固定除开注意力机制块的车辆油耗预测模型的参数不变，将第二训练样本集送入不再停用注意力机制块的车辆油耗预测模型进行预测，注意力机制块内部的影响矩阵对应的参数通过遗传算法进行模拟计算，并以车辆油耗预测模型的预测准确率作为适应度；当执行遗传算法时达到目标条件或者迭代次数达到最大迭代次数时，停止通过遗传算法进行模拟计算，并输出训练好的车辆油耗预测模型。
4.一种基于大数据的车辆油耗预测系统，其特征在于，所述系统应用上述权利要求1‑3任一项所述的一种基于大数据的车辆油耗预测方法，包括：车辆型号数据获取模块，用于获取车辆的车辆型号数据；
车辆运行状态数据获取模块，用于获取车辆运行状态数据；
待预测车辆时序数据集建立模块，用于将当前的车辆运行状态数据与前N‑1次获取的车辆运行状态数据组成待预测车辆时序数据集；
车辆油耗预测模型管理模块，用于训练和存储车辆油耗预测模型；
车辆油耗预测模块，用于根据待预测车辆时序数据集T、车辆的车辆型号数据和车辆油耗预测模型预测车辆下一时刻的油耗量。
一种基于大数据的车辆油耗预测方法及系统
技术领域
[0001] 本发明涉及大数据分析领域，更具体的说，它涉及一种基于大数据的车辆油耗预测方法及系统。
背景技术
[0002] 针对目前的交通领域，汽车的油耗仍然是位列前茅，因此，如何降低汽车的油耗是一个重要的研究方向。其中一种研究思路是针对车辆的油耗进行预测，并基于预测的油耗来对降低油耗提供参考意见。常见的油耗预测方式是针对特定路线结合地图导航来进行预测，这种方式缺少对车辆本身运行参数的考虑，导致在增加例如驾驶人操作习惯等因素的情况下，预测准确率较低。
发明内容
[0003] 本发明提供一种基于大数据的车辆油耗预测方法及系统，通过获取来自车辆各处传感器的车辆运行状态数据，并通过车辆油耗预测模型学习车辆运行状态数据之间的全局时序特征和局部时序特征，进而对下一时刻的油耗量进行预测，由于在预测的过程中兼顾了全局时序特征和局部时序特征，所以具备了较高的预测准确率。
[0004] 一种基于大数据的车辆油耗预测方法，包括：
[0005] 获取车辆的车辆型号数据；
[0006] 获取当前的车辆运行状态数据，并与前N‑1次获取的车辆运行状态数据组成待预测车辆时序数据集T，且T={X1，X2…Xn…XN}，其中Xn为待预测车辆时序数据集T中第n个车辆运行状态数据，n=1，2，3······N，N为待预测车辆时序数据集T中车辆运行状态数据的总个数，且车辆运行状态数据XN为当前获取的车辆运行状态数据；车辆运行状态数据Xn为，其中 为车辆运行状态数据Xn中第d个影响因素对应的车辆运行状态数据值，d=1，2，3······D，D为影响因素的总数；满足 为油耗量对应的车辆运行状态数据值；
[0007] 将待预测车辆时序数据集T和车辆的车辆型号数据送入训练好的车辆油耗预测模型进行处理，得到车辆下一时刻的油耗量；
[0008] 车辆油耗预测模型包括数据统一块、全局时序特征提取块、局部时序特征提取块、特征融合块，注意力机制块和预测块；其中数据统一块用于对车辆运行状态数据进行数据统一；全局时序特征提取块用于提取待预测车辆时序数据集中的全局时序特征；局部时序特征提取块用于提取待预测车辆时序数据集中的局部时序特征；特征融合块用于融合待预测车辆时序数据集中的全局时序特征和局部时序特征；注意力机制块用于强化车辆运行状态数据中各个影响因素之间的关系；预测块包括全连接层和预测层，用于输出车辆下一时刻的油耗量。
[0009] 作为本发明的一个优选，车辆油耗预测模型中的数据统一块基于BP神经网络建立，包括输入层、隐含层和输出层，其中输入层的神经节点个数为D+1，输出层的神经节点个数为D，隐含层的神经节点个数为 ，其中ε为1至10之间的随机数；
[0010] 通过车辆油耗预测模型中的数据统一块对车辆运行状态数据进行数据统一具体包括如下步骤：从待预测车辆时序数据集T中逐个选择车辆运行状态数据Xn，针对选择的车辆运行状态数据Xn，将车辆型号数据与选择的车辆运行状态数据Xn进行拼接，再输入至输入层中的D+1个神经节点处，依次经过输入层、隐含层和输出层的处理，重新得到一个D维的车辆运行状态数据Xn，实现对车辆运行状态数据Xn的更新；当待预测车辆时序数据集T中所有的车辆运行状态数据Xn都被更新之后，将更新后的所有车辆运行状态数据Xn进行拼接，构建一个D×D的油耗待预测矩阵。
[0011] 作为本发明的一个优选，车辆油耗预测模型中全局时序特征提取块包括待预测矩阵重构层和6个Encoder层，6个Encoder层分别记为第一Encoder层、第二Encoder层、第三Encoder层、第四Encoder层、第五Encoder层和第六Encoder层，其中待预测矩阵重构层用于对待油耗待预测矩阵进行重构，6个Encoder层参照Transfomer模型进行建立；
[0012] 通过全局时序特征提取块对待预测车辆时序数据集中的全局时序特征进行提取，具体包括如下步骤：将油耗待预测矩阵与待预测矩阵重构层内部的重构矩阵进行矩阵乘法，对油耗待预测矩阵进行重构，得到重构油耗待预测矩阵，再将重构油耗待预测矩阵依次经过第一Encoder层、第二Encoder层、第三Encoder层、第四Encoder层、第五Encoder层和第六Encoder层进行处理，得到第一特征图，第一特征图即为待预测车辆时序数据集中的全局时序特征。
[0013] 作为本发明的一个优选，重构矩阵的大小为D×D，且重构矩阵基于一个1×D的权重向量进行建立，建立方式如下：将1×D的权重向量记为基向量，将基向量的后k个数据值进行剪切，并将剪切的k个数据值按照反方向的顺序拼接在进行了剪切后的基向量的前面，构建顺序向量αk；将k从1变化至D‑1，生成D‑1个顺序向量αk，再将D‑1个顺序向量αk按照k从小至大的顺序排列在基向量下方，与基向量进行拼接，构建重构矩阵。
[0014] 作为本发明的一个优选，车辆油耗预测模型中局部时序特征提取块参照GRU模型进行建立，包括GRU层，且GRU层中的隐藏层的节点个数设置为D；
[0015] 通过车辆油耗预测模型中局部时序特征提取块对待预测车辆时序数据集中的局部时序特征进行提取，具体包括如下步骤：将待预测车辆时序数据集T中的车辆运行状态数据Xn依次送入GRU层，分别得到车辆运行向量Fn，且车辆运行向量Fn的大小为1×D；将所有车辆运行向量Fn按照n从小到大的顺序从上至下进行排列拼接，得到第二特征图，第二特征图即为待预测车辆时序数据集中的局部时序特征。
[0016] 作为本发明的一个优选，通过车辆油耗预测模型中的特征融合块对待预测车辆时序数据集中的全局时序特征和局部时序特征进行融合，具体包括如下步骤：将第一特征图和第二特征图按照通道进行拼接，再通过一次卷积操作，得到第三特征图，第三特征图的大小为D×D。
[0017] 作为本发明的一个优选，车辆油耗预测模型中的注意力机制块内部包括影响矩阵，影响矩阵的大小为D×D；
[0018] 通过车辆油耗预测模型中的注意力机制块强化车辆运行状态数据中各个影响因素之间的关系，具体包括如下步骤：将第三特征图与影响矩阵进行矩阵乘法，再通过一个激活函数进行处理，得到注意力权重矩阵；将第三特征图与注意力权重矩阵进行点乘，得到第四特征图；再将第四特征图与第三特征图进行相加，并执行归一化操作，得到第五特征图。
[0019] 作为本发明的一个优选，通过训练好的车辆油耗预测模型对待预测车辆时序数据集T和车辆的车辆型号数据进行处理，具体包括如下步骤：将预测车辆时序数据集T和车辆的车辆型号数据送入数据统一块进行处理，得到油耗待预测矩阵；再将油耗待预测矩阵送入全局时序特征提取块进行处理，得到，第一特征图；将待预测车辆时序数据集T送入局部时序特征提取块进行处理，得到第二特征图；将第一特征图和第二特征图通过特征融合块进行融合，得到第三特征图；将第三特征图通过注意力机制块进行处理，得到第五特征图；再将第五特征图送入预测块进行处理，得到车辆下一时刻的油耗量。
[0020] 作为本发明的一个优选，对车辆油耗预测模型的训练，具体包括如下步骤：获取历史记录的车辆运行数据，并结合车辆型号数据建立第一训练样本，将获取的所有第一训练样本组成第一样本训练集；并将第一样本训练集送入初始化参数的数据统一块中进行训练，期间对数据统一块新增一层油耗量输出层，油耗量输出层的神经节点个数为1，将数据统一块中的输出层也作为隐含层，并以每个第一训练样本对应的油耗量作为目标输出，计算第一损失值，若是第一损失值在第一预设范围内，完成对数据统一块的训练，输出数据统一块；否则，继续迭代训练；
[0021] 获取历史记录的车辆运行数据，并以长度为N的滑动窗口遍历所有历史记录的车辆运行数据，在滑动窗口内，选择前N‑1个取历史记录的车辆运行数据和第N个取历史记录的车辆运行数据中油耗量构建第二训练样本；将所有构建的第二训练样本组成第二训练样本集；将第二训练样本集送入初始化参数的车辆油耗预测模型进行训练，期间数据统一块的参数不变，且停用注意力机制块，即特征融合块直接连接预测块，以第二训练样本末尾的油耗量作为目标输出，计算第二损失值，若是第二损失值在第二预设范围内，完成对除开数据统一块和注意力机制块的车辆油耗预测模型的训练，输出除开数据统一块和注意力机制块的车辆油耗预测模型；否则，继续迭代训练；
[0022] 固定除开注意力机制块的车辆油耗预测模型的参数不变，将第二训练样本集送入不再停用注意力机制块的车辆油耗预测模型进行预测，注意力机制块内部的影响矩阵对应的参数通过遗传算法进行模拟计算，并以车辆油耗预测模型的预测准确率作为适应度；当执行遗传算法时达到目标条件或者迭代次数达到最大迭代次数时，停止通过遗传算法进行模拟计算，并输出训练好的车辆油耗预测模型。
[0023] 一种基于大数据的车辆油耗预测系统，包括：
[0024] 车辆型号数据获取模块，用于获取车辆的车辆型号数据；
[0025] 车辆运行状态数据获取模块，用于获取车辆运行状态数据；
[0026] 待预测车辆时序数据集建立模块，用于将当前的车辆运行状态数据与前N‑1次获取的车辆运行状态数据组成待预测车辆时序数据集；
[0027] 车辆油耗预测模型管理模块，用于训练和存储车辆油耗预测模型；
[0028] 车辆油耗预测模块，用于根据待预测车辆时序数据集T、车辆的车辆型号数据和车辆油耗预测模型预测车辆下一时刻的油耗量。
[0029] 本发明具有以下优点：
[0030] 1、本发明通过获取来自车辆各处传感器的车辆运行状态数据，并通过车辆油耗预测模型学习车辆运行状态数据之间的全局时序特征和局部时序特征，进而对下一时刻的油耗量进行预测，由于在预测的过程中兼顾了全局时序特征和局部时序特征，所以具备了较高的预测准确率。
[0031] 2、本发明通过对车辆运行状态数据进行数据统一，消除不同车辆型号和生产厂家等因素的影响，增加适用性。
[0032] 3、本发明通过结合车辆运行状态数据中各个影响因素之间的关系，并对车辆运行状态数据中特征进行强化，能够更加贴合实际的油耗量变化情况，提升车辆油耗预测模型预测份准确率。
[0033] 4、本发明通过遗传算法来对注意力机制块内部的影响矩阵进行模拟计算，使得注意力机制块内部的影响矩阵在不断优化的过程中，不断往最高预测准确率的方向进行拟合，能够更加符合车辆运行过程中不同影响因素的互相影响关系，进一步提升车辆油耗预测模型的预测准确率。
附图说明
[0034] 图1为本发明实施例采用的基于大数据的车辆油耗预测系统的结构示意图。
[0035] 图2为本发明实施例采用的车辆油耗预测模型的结构示意图。
具体实施方式
[0036] 为了使本技术领域的人员更好地理解本发明中的技术方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述。
[0037] 实施例1
[0038] 一种基于大数据的车辆油耗预测方法，包括：
[0039] 获取车辆的车辆型号数据，车辆型号数据指代车辆对应的型号和生产厂家等信息，例如比亚迪秦plus DM‑i，需要说明的是，车辆型号数据可以以二进制编码进行存储，方便进行后续的处理；
[0040] 获取当前来自于车辆各处传感器的车辆运行状态数据，并与前N‑1次获取的车辆运行状态数据组成待预测车辆时序数据集T，且T={X1，X2…Xn…XN}，其中Xn为待预测车辆时序数据集T中第n个车辆运行状态数据，即从当前时刻起，往前数第N+1‑n次获取车辆运行状态数据，n=1，2，3······N，N为待预测车辆时序数据集T中车辆运行状态数据的总个数，且车辆运行状态数据XN为当前获取的车辆运行状态数据；车辆运行状态数据Xn为，其中 为车辆运行状态数据Xn中第d个影响因素对应的车辆运行状态数据值，d=1，2，3······D，D为影响因素的总数；影响因素来自于车辆各处传感器，例如车辆运行扭矩和油耗量等，且满足 为油耗量对应的车辆运行状态数据值；
[0041] 将待预测车辆时序数据集T和车辆的车辆型号数据送入训练好的车辆油耗预测模型进行处理，得到车辆下一时刻的油耗量；
[0042] 如图2所示，车辆油耗预测模型包括数据统一块、全局时序特征提取块、局部时序特征提取块、特征融合块，注意力机制块和预测块；其中数据统一块用于对车辆运行状态数据进行数据统一，以此来消除不同车辆型号和生产厂家等因素的影响；全局时序特征提取块用于提取待预测车辆时序数据集中的全局时序特征，即指车辆在行驶过程收到的长期影响因素，例如车辆发动机的自身参数；局部时序特征提取块用于提取待预测车辆时序数据集中的局部时序特征，例如个人用户自身的驾驶习惯导致的油耗变化；特征融合块用于融合待预测车辆时序数据集中的全局时序特征和局部时序特征；注意力机制块用于强化车辆运行状态数据中各个影响因素之间的关系；预测块包括全连接层和预测层，用于输出车辆下一时刻的油耗量。
[0043] 本发明通过获取来自车辆各处传感器的车辆运行状态数据，并通过车辆油耗预测模型学习车辆运行状态数据之间的全局时序特征和局部时序特征，进而对下一时刻的油耗量进行预测，由于在预测的过程中兼顾了全局时序特征和局部时序特征，所以具备了较高的预测准确率。
[0044] 车辆油耗预测模型中的数据统一块基于BP神经网络建立，包括输入层、隐含层和输出层，其中输入层的神经节点个数为D+1，输出层的神经节点个数为D，隐含层的神经节点个数为 ，其中ε为1至10之间的随机数；
[0045] 通过车辆油耗预测模型中的数据统一块对车辆运行状态数据进行数据统一具体包括如下步骤：从待预测车辆时序数据集T中逐个选择车辆运行状态数据Xn，针对选择的车辆运行状态数据Xn，将车辆型号数据与选择的车辆运行状态数据Xn进行拼接，再输入至输入层中的D+1个神经节点处，依次经过输入层、隐含层和输出层的处理，重新得到一个D维的车辆运行状态数据Xn，实现对车辆运行状态数据Xn的更新；当待预测车辆时序数据集T中所有的车辆运行状态数据Xn都被更新之后，将更新后的所有车辆运行状态数据Xn进行拼接，构建一个D×D的油耗待预测矩阵，即对车辆运行状态数据进行数据统一，需要说明的是，输入层、隐含层和输出层内部的权重经过训练得到；由于不同型号的车辆由于生产工艺不同，内部组件不同，在同等的车辆运行状态下，对应的油耗量也会不相同，因此本发明通过对车辆运行状态数据进行数据统一，消除不同车辆型号和生产厂家等因素的影响，增加适用性。
[0046] 车辆油耗预测模型中全局时序特征提取块包括待预测矩阵重构层和6个Encoder层，6个Encoder层分别记为第一Encoder层、第二Encoder层、第三Encoder层、第四Encoder层、第五Encoder层和第六Encoder层，其中待预测矩阵重构层用于对待油耗待预测矩阵进行重构，6个Encoder层参照Transfomer模型进行建立，即6个Encoder层内部结构与参数与传统的Transfomer模型一致；Encoder层内部设置自注意力机制，能够直接捕捉序列中不同位置之间的依赖关系，避免了梯度传播的问题，实现了对长期依赖特征的提取；
[0047] 通过全局时序特征提取块对待预测车辆时序数据集中的全局时序特征进行提取，具体包括如下步骤：将油耗待预测矩阵与待预测矩阵重构层内部的重构矩阵进行矩阵乘法，对油耗待预测矩阵进行重构，得到重构油耗待预测矩阵，再将重构油耗待预测矩阵依次经过第一Encoder层、第二Encoder层、第三Encoder层、第四Encoder层、第五Encoder层和第六Encoder层进行处理，得到第一特征图，第一特征图即为待预测车辆时序数据集中的全局时序特征；
[0048] 重构矩阵的大小为D×D，且重构矩阵基于一个1×D的权重向量进行建立，建立方式如下：将1×D的权重向量记为基向量，将基向量的后k个数据值进行剪切，并将剪切的k个数据值按照反方向的顺序拼接在进行了剪切后的基向量的前面，构建顺序向量αk；将k从1变化至D‑1，生成D‑1个顺序向量αk，再将D‑1个顺序向量αk按照k从小至大的顺序排列在基向量下方，与基向量进行拼接，构建重构矩阵，通过重构矩阵的处理能够使得重构油耗待预测矩阵具备时序性特征，进而提取时序性特征；
[0049] 车辆油耗预测模型中局部时序特征提取块参照GRU模型进行建立，包括GRU层，且GRU层中的隐藏层的节点个数设置为D；需要说明的是，将GRU层中的隐藏层的节点个数设置为D能够避免后续提取的局部时序特征维度不变，便于与全局时序特征进行融合；
[0050] 通过车辆油耗预测模型中局部时序特征提取块对待预测车辆时序数据集中的局部时序特征进行提取，具体包括如下步骤：将待预测车辆时序数据集T中的车辆运行状态数据Xn依次送入GRU层，分别得到车辆运行向量Fn，且车辆运行向量Fn的大小为1×D；将所有车辆运行向量Fn按照n从小到大的顺序从上至下进行排列拼接，得到第二特征图，第二特征图即为待预测车辆时序数据集中的局部时序特征；
[0051] 通过车辆油耗预测模型中的特征融合块对待预测车辆时序数据集中的全局时序特征和局部时序特征进行融合，具体包括如下步骤：将第一特征图和第二特征图按照通道进行拼接，再通过一次卷积操作，卷积核大小为1×1，得到第三特征图，第三特征图的大小为D×D；通过对待预测车辆时序数据集中的全局时序特征和局部时序特征进行融合可以提高后续预测的准确率；
[0052] 车辆油耗预测模型中的注意力机制块内部包括影响矩阵，影响矩阵的大小为D×D，代表的是车辆运行状态数据中不同影响因素之间的相关性；
[0053] 通过车辆油耗预测模型中的注意力机制块强化车辆运行状态数据中各个影响因素之间的关系，具体包括如下步骤：将第三特征图与影响矩阵进行矩阵乘法，再通过一个激活函数进行处理，得到注意力权重矩阵，激活函数采用softmax；将第三特征图与注意力权重矩阵进行点乘，得到第四特征图；再将第四特征图与第三特征图进行相加，并执行归一化操作，得到第五特征图。
[0054] 本发明通过结合车辆运行状态数据中各个影响因素之间的关系，并对车辆运行状态数据中特征进行强化，能够更加贴合实际的油耗量变化情况，提升车辆油耗预测模型预测份准确率。
[0055] 通过训练好的车辆油耗预测模型对待预测车辆时序数据集T和车辆的车辆型号数据进行处理，具体包括如下步骤：将预测车辆时序数据集T和车辆的车辆型号数据送入数据统一块进行处理，得到油耗待预测矩阵；再将油耗待预测矩阵送入全局时序特征提取块进行处理，得到，第一特征图；将待预测车辆时序数据集T送入局部时序特征提取块进行处理，得到第二特征图；将第一特征图和第二特征图通过特征融合块进行融合，得到第三特征图；将第三特征图通过注意力机制块进行处理，得到第五特征图；再将第五特征图送入预测块进行处理，得到车辆下一时刻的油耗量。
[0056] 对车辆油耗预测模型的训练，具体包括如下步骤：获取历史记录的车辆运行数据，并结合车辆型号数据建立第一训练样本，将获取的所有第一训练样本组成第一样本训练集；并将第一样本训练集送入初始化参数的数据统一块中进行训练，期间对数据统一块新增一层油耗量输出层，油耗量输出层的神经节点个数为1，将数据统一块中的输出层也作为隐含层，并以每个第一训练样本对应的油耗量作为目标输出，计算第一损失值，若是第一损失值在第一预设范围内，第一预设范围由人为设定，完成对数据统一块的训练，输出数据统一块；否则，继续迭代训练；
[0057] 获取历史记录的车辆运行数据，并以长度为N的滑动窗口遍历所有历史记录的车辆运行数据，在滑动窗口内，选择前N‑1个取历史记录的车辆运行数据和第N个取历史记录的车辆运行数据中油耗量构建第二训练样本；将所有构建的第二训练样本组成第二训练样本集；将第二训练样本集送入初始化参数的车辆油耗预测模型进行训练，期间数据统一块的参数不变，且停用注意力机制块，即特征融合块直接连接预测块，以第二训练样本末尾的油耗量作为目标输出，计算第二损失值，若是第二损失值在第二预设范围内，第二预设范围由人为设定，完成对除开数据统一块和注意力机制块的车辆油耗预测模型的训练，输出除开数据统一块和注意力机制块的车辆油耗预测模型；否则，继续迭代训练；
[0058] 固定除开注意力机制块的车辆油耗预测模型的参数不变，将第二训练样本集送入不再停用注意力机制块的车辆油耗预测模型进行预测，注意力机制块内部的影响矩阵对应的参数通过遗传算法进行模拟计算，并以车辆油耗预测模型的预测准确率作为适应度；当执行遗传算法时达到目标条件或者迭代次数达到最大迭代次数时，停止通过遗传算法进行模拟计算，并输出训练好的车辆油耗预测模型。
[0059] 本发明通过遗传算法来对注意力机制块内部的影响矩阵进行模拟计算，使得注意力机制块内部的影响矩阵在不断优化的过程中，不断往最高预测准确率的方向进行拟合，能够更加符合车辆运行过程中不同影响因素的互相影响关系，进一步提升车辆油耗预测模型的预测准确率。
[0060] 通过遗传算法对注意力机制块内部的影响矩阵进行模拟运算，可以包括如下内容：
[0061] S1：建立种群集合，种群集合内部包括模拟影响矩阵Hm，m=1，2，3······M，M为模拟影响矩阵的总数量，模拟影响矩阵Hm为D×D的二维矩阵，设定最大迭代次数G；
[0062] 建立种群集合具体包括如下步骤：
[0063] S1.1：建立一个空的模拟矩阵，模拟矩阵的大小为D×D，将模拟矩阵中第i行第j列的数据值记为Rij，i=1，2，3······D，j=1，2，3······D；遍历模拟矩阵，并对数据值Rij随机赋值为1或者0，其中，若是数据值Rij赋值为1，说明第i个影响因素与第j个影响因素之间具备互相影响关系；若是数据值Rij赋值为0，说明第i个影响因素与第j个影响因素之间不具备互相影响关系；当模拟矩阵全部填写完毕后，将此模拟矩阵记为模拟影响矩阵；
[0064] S1.2：重复M次步骤S1.1，生成M个模拟影响矩阵，并组成种群集合；
[0065] S2：令g=1，g用于记录迭代次数；
[0066] S3：依次计算种群集合中M个模拟影响矩阵Hm对应的适应度δm，将最高适应度对应的模拟影响矩阵存入待选模拟影响矩阵库中；
[0067] 计算种群集合中M个模拟影响矩阵Hm对应的适应度δm包括如下内容：选择模拟影响矩阵Hm，并以此模拟影响矩阵Hm作为车辆油耗预测模型中注意力机制块的影响矩阵，通过第二训练样本集对不再停用注意力机制块的车辆油耗预测模型进行预测，以预测准确率作为模拟影响矩阵Hm适应度δm；
[0068] S4：基于模拟影响矩阵Hm对应的适应度δm对群集合中M个模拟影响矩阵Hm执行选择、交叉重组和变异等操作；
[0069] 需要说明的是，在对模拟影响矩阵执行交叉重组和变异时，可以以基因片段作为基本单位，一个基因单位为模拟影响矩阵一个2×2大小的子矩阵。
[0070] S5：判断是否达到目标条件或者迭代次数达到最大迭代次数时，若是，则输出适应度最大的模拟影响矩阵作为注意力机制块内部的影响矩阵，否则，继续迭代模拟。
[0071] 实施例2
[0072] 一种基于大数据的车辆油耗预测系统，参见图1，包括：
[0073] 车辆型号数据获取模块，用于获取车辆的车辆型号数据，车辆型号数据可以存储于车联网内部，当车辆上传数据时，可以直接获取；
[0074] 车辆运行状态数据获取模块，用于获取车辆运行状态数据；
[0075] 待预测车辆时序数据集建立模块，用于将当前来自于车辆各处传感器的车辆运行状态数据与前N‑1次获取的车辆运行状态数据组成待预测车辆时序数据集；
[0076] 车辆油耗预测模型管理模块，用于训练和存储车辆油耗预测模型；
[0077] 车辆油耗预测模块，用于根据待预测车辆时序数据集T、车辆的车辆型号数据和车辆油耗预测模型预测车辆下一时刻的油耗量。
[0078] 应当理解的是，对本领域普通技术人员来说，可以根据上述说明加以改进或变换，而所有这些改进和变换都应属于本发明所附权利要求的保护范围。本说明书中未作详细描述的部分属于本领域专业技术人员公知的现有技术。
