基于PCA-SSA-XGBoost的车辆驾驶性评估

摘要

为提高车辆驾驶性评估的效率与质量，提出了一种基于主成分分析、极限梯度提升树和麻雀优化算法的驾驶性评估模型。以双离合变速箱（Dual clutch transmission,DCT）车辆动力升挡为典型工况，研究并定义了动力升挡工况下的18项客观评价指标，利用主成分分析法对客观评价指标进行约简，降低其冗余性与耦合性，优化了模型输入样本，训练极限梯度提升树模型对驾驶性主观评分进行预测，并采用麻雀算法优化极限梯度提升树的核心超参数，提高模型精度与稳定性。道路试验表明：经主成分分析约简客观评价指标后，模型评估准确率达97%，优于BPNN(90%)、SVM(91%)、ELM(92%)与SSA-XGBoost(95%)。证明了本文PCA-SSA-XGBoost模型的准确性与稳定性优于其他模型，能更有效地完成驾驶性评估。该评估模型可迁移应用于其他驾驶工况，对于解决驾驶性评估中的主客观映射问题具有应用价值。

关键词

驾驶性 / 主成分分析 / 麻雀算法 / 极限梯度提升树

基金资助

国家自然科学基金面上项目(52275505)