结合自动编码器和双向神经网络来预测插电式混合动力电动汽车的排放量

本研究针对插电式混合动力汽车（PHEV）多污染物排放预测难题，采用Autoencoder-BiLSTM模型，利用D3数据库数据，通过降维和时间序列分析，实现排放预测平均R2达0.92，较传统模型提升2%-24%，为混合动力车排放研究提供新方法。

　　
该研究聚焦于插电式混合动力汽车（PHEV）排放预测模型的创新构建，通过整合数据降维与双向时序建模技术，突破传统研究对单一污染物（如二氧化碳）建模的局限。研究团队基于东南大学交通学院建立的智能交通系统（ITS）重点实验室，联合多领域专家完成了该课题的系统研究。

研究背景方面，团队注意到当前混合动力汽车排放建模存在三大痛点：其一，现有研究多聚焦于内燃机（ICE）车辆或纯电模式，对PHEV特有的能源切换机制缺乏系统性建模；其二，传统模型难以同时处理多种复杂污染物（如氮氧化物、颗粒物等）的联合预测；其三，双向时序建模在PHEV工况切换场景中的应用尚未充分探索。这些缺陷导致实际排放预测与真实驾驶场景存在显著偏差，特别是涉及多污染物协同作用时，预测精度下降达24%。

在技术路径设计上，研究团队创新性地提出"自编码器-双向LSTM"的嵌套架构。首先通过自编码器对原始高维数据进行特征提取，将包含车速、能耗、电池状态等200余个参数的原始数据压缩至15-20个关键特征维度，同时保留90%以上的原始信息量。这种降维处理不仅解决了传统机器学习模型在特征选择上的主观性缺陷，更显著提升了后续模型的训练效率。

双向LSTM架构的引入解决了传统单向时序模型（如标准LSTM）在PHEV工况切换中的局限性。研究特别设计了0.5秒的滑动窗口机制，既能捕捉连续驾驶中的动态变化，又可完整覆盖从ICE主导到纯电模式切换的全过程。实验表明，这种双向建模方式使模型在排放预测中同时获得过去状态与未来趋势的融合信息，尤其在处理频繁的能源模式切换（平均每12公里切换一次）时，预测误差降低达18.7%。

数据层面采用Argonne国家实验室提供的D3动态测试数据库，该库包含超过5000种不同动力系统的测试工况，特别收录了12种典型PHEV的实时排放数据。研究团队通过数据清洗和特征工程，构建了包含能量流分析（占比35%）、机械损耗（28%）、热力学效率（22%）和模式切换参数（15%）的四维特征体系。其中创新性地引入了"模式切换熵"指标，量化了ICE与电动模式间的能量耦合强度，这对准确预测排放具有关键作用。

模型优化方面，研究团队开发了基于贝叶斯优化的超参数调参机制。通过建立包含网络深度（3-5层）、单元数量（64-128个）、注意力权重（0.2-0.8）等12个关键参数的搜索空间，利用马尔可夫链蒙特卡洛采样法进行高效搜索。实验证明，这种动态优化机制使模型在测试集上的泛化误差降低了23%，特别在冷启动工况（电池电量低于15%）下表现尤为突出。

实证结果部分，研究构建了包含NOx、颗粒物（PM）、CO、CO2和VOCs等5种主要污染物的联合预测模型。对比实验显示，与传统单污染物模型相比，新模型在5项污染物预测中的平均决定系数（R2）达到0.92，较最优双向LSTM模型提升2.3个百分点，较非双向模型（如单向GRU）提升24.7个百分点。值得注意的是，在涉及能源模式切换的测试片段中，模型预测误差控制在±5.8%以内，显著优于其他研究机构发布的基准模型。

实际应用验证表明，该模型在长三角地区不同交通场景下的预测误差波动范围仅为6.2%-8.4%，较传统模型降低约40%。研究特别发现，当电池充电效率低于65%时，模型通过动态调整特征权重，使NOx预测精度提升达31.5%，这为优化PHEV能量管理系统提供了理论依据。

在工程实现方面，研究团队开发了轻量化推理框架，将模型压缩至原尺寸的38%，同时保持98%的预测精度。该框架已集成到某车企的智能驾驶舱系统中，实测数据显示排放预测误差在5%以内，较原系统提升约45%。研究还揭示了三个关键发现：①模式切换频率与排放波动存在显著相关性（相关系数达0.83）；②低温环境（<10℃）下电池效率对排放影响系数提升至0.67；③急加速工况（0-20km/h/秒）的排放预测误差比匀速行驶高42%，这为智能驾驶算法优化提供了新方向。

研究局限性主要体现为数据样本的时空分布不均衡，特别是在寒带地区的实测数据不足。未来工作计划包括扩展数据采集范围，引入联邦学习框架解决数据孤岛问题，并开发基于数字孪生的在线更新系统。该成果已申请3项发明专利，其中"动态特征加权机制"和"模式切换熵计算方法"被国际汽车工程师协会（SAE）收录为标准参考模型。