基于车辆数据的集成学习框架，通过物理引导的特征和统计基准测试，实现对电动汽车能耗预测的准确预测，以提高预测的鲁棒性

《Scientific Reports》：Vehicle-wise validated ensemble learning framework for robust electric vehicle energy consumption prediction using physics-guided features and statistical benchmarking

　　

摘要

准确预测电动汽车的能耗对于解决续航焦虑问题以及在实际条件下进行更好的路线规划和能源管理至关重要。许多当前的研究采用随机数据分割方法，并且评估指标较少，这导致结果过于乐观。此外，这种方法未能充分测试模型在新数据上的表现。根据研究要求，本研究提出了一个系统的集成学习框架，通过按车辆划分数据来防止信息泄露并确保评估的真实性。使用仅包含基于物理特性的车辆运动和环境条件的真实电动汽车数据，对五种机器学习模型（随机森林、ExtraTrees、XGBoost、LightGBM 和 CatBoost）进行了测试。模型性能通过 MAE、RMSE、MAPE、R2 和 EVS 等指标进行评估，并通过 Friedman 和 Wilcoxon 检验进一步验证统计显著性。结果表明，ExtraTrees 模型的表现最佳，其 R2 值为 0.9407，RMSE 为 0.6113 kWh/km，MAPE 为 7.62%。此外，该模型在各种驾驶条件下的准确性都较高。研究显示，ExtraTrees 的性能明显优于 LightGBM，而与其他集成模型的结果相当。进一步的研究表明，集成方法通过减少误差能够有效处理不同类型的电动汽车数据。所提出的框架为预测实际情境下的电动汽车能耗和续航里程提供了可靠且有效的解决方案。