改進(jìn)CS優(yōu)化RBF神經(jīng)網(wǎng)絡(luò)的汽車熱舒適性預(yù)測(cè)

徐熊飛　周曉華　楊藝興

摘 要：針對(duì)汽車駕駛環(huán)境熱舒適性指標(biāo)預(yù)測(cè)平均熱感覺（predicted mean vote，PMV）計(jì)算復(fù)雜、預(yù)測(cè)精度不高的問題，提出了改進(jìn)布谷鳥搜索（cuckoo search，CS）算法優(yōu)化RBF神經(jīng)網(wǎng)絡(luò)的汽車熱舒適性預(yù)測(cè)模型（改進(jìn)CS-RBFNN）。采用自適應(yīng)步長(zhǎng)和高斯擾動(dòng)因子對(duì)CS算法進(jìn)行改進(jìn)，并用其對(duì)RBF神經(jīng)網(wǎng)絡(luò)的中心點(diǎn)c和寬度參數(shù)b進(jìn)行優(yōu)化。將改進(jìn)CS-RBFNN與CS-RBFNN和PSO-RBFNN模型的預(yù)測(cè)結(jié)果進(jìn)行對(duì)比，結(jié)果表明：改進(jìn)CS-RBFNN模型的均方根誤差（root mean square error，RMSE）值分別降低了9.2%和35.5%，具有更高的預(yù)測(cè)精度。當(dāng)RBFNN隱含層神經(jīng)元個(gè)數(shù)增加時(shí)，預(yù)測(cè)精度有所提高，但收斂速度降低，運(yùn)行時(shí)間變長(zhǎng)。

關(guān)鍵詞：RBF神經(jīng)網(wǎng)絡(luò)；布谷鳥搜索（CS）算法；熱舒適性；預(yù)測(cè)誤差；自適應(yīng)步長(zhǎng)

中圖分類號(hào)：TP273；U463.851 DOI：10.16375/j.cnki.cn45-1395/t.2023.04.015

0 引言

熱舒適性是人體對(duì)熱環(huán)境的自我感覺和評(píng)判。隨著汽車產(chǎn)業(yè)的不斷發(fā)展，熱舒適性已成為汽車研發(fā)過程中不可忽視的因素。人在適宜的熱環(huán)境中駕駛汽車，能更好地保持生理和心理的愉悅，可有效降低駕駛過程中發(fā)生交通事故的概率。

熱舒適既屬于物理環(huán)境的范疇，又涉及生理學(xué)、心理學(xué)和社會(huì)學(xué)等領(lǐng)域。自20世紀(jì)初以來，不少學(xué)者從多個(gè)維度對(duì)室內(nèi)熱舒適性的評(píng)價(jià)方法進(jìn)行了研究，并根據(jù)各種不同的評(píng)價(jià)方法先后提出了一系列的評(píng)價(jià)指標(biāo)。如標(biāo)準(zhǔn)有效溫度（SET）、有效溫度（ET）、新有效溫度（*ET）、舒適度指數(shù)（comfort index）和風(fēng)效指數(shù)（wind effect index）等。隨著熱舒適性評(píng)價(jià)方法的不斷變化和發(fā)展，目前得到廣泛認(rèn)可的熱舒適性指標(biāo)是丹麥學(xué)者Fanger提出的熱舒適理論及熱舒適方程，即預(yù)測(cè)平均熱感覺（predicted mean vote，PMV）[1]。與其他熱舒適性指標(biāo)相比，PMV方程綜合考慮了客觀環(huán)境因素和個(gè)體主觀感受。但計(jì)算PMV指標(biāo)時(shí)，參數(shù)之間互相迭代，增加了計(jì)算的復(fù)雜性，實(shí)時(shí)預(yù)測(cè)存在一定困難[2]。采用智能算法可實(shí)現(xiàn)人體對(duì)室內(nèi)環(huán)境熱舒適性的快速判斷。在PMV指標(biāo)控制下，空調(diào)的節(jié)能率也得到了提升[3]。文獻(xiàn)[4]采用BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)PMV，并用遺傳算法克服BP神經(jīng)網(wǎng)絡(luò)難以獲取全局最優(yōu)的問題。文獻(xiàn)[5]采用遺傳算法與布谷鳥搜索混合（genetic algorithm cuckoo search，GACS）的算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)，實(shí)現(xiàn)了PMV的預(yù)測(cè)，GACS算法跳出局部最優(yōu)的能力更強(qiáng)，但收斂速度較慢。文獻(xiàn)[6]采用粒子群PSO算法來減少RBF神經(jīng)網(wǎng)絡(luò)對(duì)初始值的依賴和收斂時(shí)間，并實(shí)現(xiàn)了PMV預(yù)測(cè)，但PSO算法存在全局尋優(yōu)能力較弱的缺點(diǎn)。本文采用自適應(yīng)步長(zhǎng)和高斯擾動(dòng)因子對(duì)布谷鳥搜索（cuckoo search，CS）算法進(jìn)行改進(jìn)，并用其對(duì)RBF神經(jīng)網(wǎng)絡(luò)進(jìn)行優(yōu)化，有效克服了初始值選取和出現(xiàn)局部最優(yōu)的問題。改進(jìn)CS算法參數(shù)能自適應(yīng)調(diào)整，可快速找到RBF神經(jīng)網(wǎng)絡(luò)的最優(yōu)參數(shù)，提高了PMV的預(yù)測(cè)精度，具有更好的預(yù)測(cè)效果。

1 熱舒適性評(píng)價(jià)PMV指標(biāo)分析

雖然PMV指標(biāo)在熱舒適性的評(píng)價(jià)上得到了廣泛認(rèn)可，在溫度控制上的應(yīng)用越來越多，但在實(shí)際應(yīng)用中，PMV指標(biāo)需考慮以下幾個(gè)因素：①人體需要長(zhǎng)期處于熱平衡狀態(tài)；②皮膚溫度應(yīng)適宜車內(nèi)環(huán)境溫度，并保持相對(duì)穩(wěn)定；③車內(nèi)人員的排汗率接近最佳狀態(tài)。駕駛和乘坐汽車時(shí)，人的活動(dòng)量較小，一般能滿足PMV指標(biāo)的要求[7]。PMV指標(biāo)取值一般在[-3， 3]，分為7個(gè)等級(jí)。取值越小，代表環(huán)境越冷；反之，說明環(huán)境越熱。當(dāng)PMV值在[-1， 1]時(shí)，人體會(huì)感到較為舒適。具體熱感覺對(duì)應(yīng)PMV指標(biāo)數(shù)值區(qū)間如表1所示。

不同模型預(yù)測(cè)效果評(píng)判如表2所示。與2種對(duì)比模型相比，改進(jìn)CS-RBFNN模型的RMSE值分別降低了9.2%和35.5%，MAE值降低了8.2%和32.2%，最大誤差均小于其他2種預(yù)測(cè)模型。

隨著隱含層神經(jīng)元個(gè)數(shù)的增加，適應(yīng)度值變小。當(dāng)隱含層神經(jīng)元個(gè)數(shù)增加到70時(shí)，適應(yīng)度曲線收斂速度變得緩慢，對(duì)中心點(diǎn)坐標(biāo)c和寬度參數(shù)b的尋優(yōu)能力有所降低。

不同神經(jīng)元個(gè)數(shù)的預(yù)測(cè)效果評(píng)價(jià)如表3所示。隨著神經(jīng)元個(gè)數(shù)的增加，RMSE、MAE和最大誤差有所降低。當(dāng)神經(jīng)元個(gè)數(shù)增加到70時(shí)，相較于神經(jīng)元個(gè)數(shù)為10的預(yù)測(cè)模型，RMSE、MAE降低了48.1%與48.5%，預(yù)測(cè)精度得到一定提升。

4 結(jié)論

由于參數(shù)互相迭代，增加了PMV指標(biāo)計(jì)算的復(fù)雜性，實(shí)時(shí)性降低。采用改進(jìn)CS-RBFNN模型對(duì)PMV指標(biāo)進(jìn)行預(yù)測(cè)。通過研究，可得如下結(jié)論：

1）改進(jìn)CS-RBFNN模型相較于CS-RBFNN和PSO-RBFNN模型，RMSE值降低了9.2%和35.5%，MAE值降低了8.2%和32.2%，其預(yù)測(cè)精度更佳。

2）增加模型隱含層神經(jīng)元個(gè)數(shù)可減小預(yù)測(cè)誤差，提升預(yù)測(cè)精度，但網(wǎng)絡(luò)運(yùn)行時(shí)間變長(zhǎng)，實(shí)時(shí)性降低。

參考文獻(xiàn)

[1] 劉啟媛.數(shù)據(jù)驅(qū)動(dòng)的汽車空調(diào)熱舒適性建模與優(yōu)化[D].上海：上海交通大學(xué)，2020.

[2] 侯啟真，李澤，姬雨初，等.基于CS-BPNN算法的飛機(jī)客艙P(yáng)MV指標(biāo)預(yù)測(cè)[J].計(jì)算機(jī)仿真，2020，37（3）：52-55，99.

[3] 蘇楚奇，江玥，汪怡平，等.駕駛艙熱舒適性與空調(diào)經(jīng)濟(jì)性分析研究[J].機(jī)械設(shè)計(jì)與制造，2022（1）：228-232，236.

[4] 王曉輝，劉靜蕾，邊會(huì)娟，等.基于改進(jìn)BP神經(jīng)網(wǎng)絡(luò)的室內(nèi)環(huán)境熱舒適度預(yù)測(cè)與分析[J].控制工程，2021，28（7）：1437-1445.

[5] 朱嬋.基于混合元啟發(fā)式算法優(yōu)化神經(jīng)網(wǎng)絡(luò)的熱舒適度預(yù)測(cè)模型[J].微型電腦應(yīng)用，2020，36（11）：66-69.

[6] 陸燁，朱其新，周敬松，等.一種基于PSO-RBF網(wǎng)絡(luò)算法的熱舒適性指標(biāo)預(yù)測(cè)新方法[J].蘇州科技大學(xué)學(xué)報(bào)（自然科學(xué)版），2020，37（1）：73-78.

[7] 章明超，鄒佳慶，周健，等.汽車亞穩(wěn)態(tài)熱環(huán)境測(cè)試與駕駛員熱舒適評(píng)價(jià)[J].汽車工程學(xué)報(bào)，2022，12（1）：64-74.

[8] 葉立，張夢(mèng)伢.SUV 6座汽車乘客艙熱舒適性研究[J].暖通空調(diào)，2022，52（2）：137-141.

[9] 季泰，袁偉琪，王坤，等.熱環(huán)境下運(yùn)動(dòng)人體熱感覺研究進(jìn)展[J].中國(guó)體育科技，2022，58（4）：73-80.

[10] 雷蕾，李健，吳青鴻.基于RBF神經(jīng)網(wǎng)絡(luò)自適應(yīng)控制的下肢外骨骼步態(tài)跟蹤[J].廣西科技大學(xué)學(xué)報(bào)，2021，32（3）：42-47，52.

[11] GUO R，SHEN X J，KANG H.Improved CS algorithm and its application in parking space prediction[J].Journal of Bionic Engineering，2020，17（5）：1075-1083.

[12] 郭德龍，周錦程，周永權(quán).基于Levy飛行改進(jìn)蝴蝶優(yōu)化算法[J].數(shù)學(xué)的實(shí)踐與認(rèn)識(shí)，2021，51（12）：130-137.

[13] LICINA V F，CHEUNG T，ZHANG H，et al.Development of the ASHRAE global thermal comfort database II[J].Building and Environment，2018，142： 502-512.

[14] 蔡博偉.基于機(jī)器學(xué)習(xí)的汽車空調(diào)熱舒適性系統(tǒng)算法研究[D].上海：上海交通大學(xué)，2019.

[15] TARTARINI F，SCHIAVON S.Pythermal comfort：a python package for thermal comfort research[J].Software X，2020，12：1005.

[16] 黃凱奇，陳岳坪，張怡坤.自由曲面加工誤差預(yù)測(cè)：基于模擬退火算法優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)算法[J].廣西科技大學(xué)學(xué)報(bào)，2022，33（2）：69-73，82.

Prediction of automobile thermal comfort based on RBF neural network optimized by improved CS

XU Xiongfei1， ZHOU Xiaohua*1， 2， YANG Yixing3

（1. School of Automation， Guangxi University of Science and Technology， Liuzhou 545616， China; 2. Guangxi Key Laboratory of Automobile Components and Vehicle Technology （Guangxi University of Science and Technology）， Liuzhou 545616， China; 3. Dongfeng Liuzhou Automobile Co.， Ltd.， Liuzhou 545005， China）

Abstract： To solve the problem that the calculation of the thermal comfort index PMV of automobile driving environment is complex and the prediction accuracy is not high， an improved cuckoo search（CS）algorithm is proposed to optimize the prediction model of automobile thermal comfort of RBF neural network（improved CS-RBFNN）. The CS algorithm is improved by using adaptive step size and Gaussian disturbance factor， and used to optimize the center point c and width parameter b of RBF neural network. The prediction results of the improved CS-RBFNN model are compared with those of the CS-RBFNN and PSO-RBFNN models. The results show that the RMSE values of the improved CS-RBFNN model are reduced by 9.2% and 35.5%， respectively， with higher prediction accuracy. When the number of RBFNN hidden layer neurons increases， the prediction accuracy improves， but the convergence speed decreases and the running time becomes longer.

Key words： RBF neural network; cuckoo search（CS）algorithm; thermal comfort; prediction error; adaptive step-size

（責(zé)任編輯：黎 婭）

收稿日期：2022-11-30

基金項(xiàng)目：廣西自然科學(xué)基金重點(diǎn)項(xiàng)目（2020GXNSFDA238011）；廣東省基礎(chǔ)與應(yīng)用基礎(chǔ)研究基金項(xiàng)目（2021B1515420003）資助

第一作者：徐熊飛，在讀碩士研究生

*通信作者：周曉華，碩士，副教授，研究方向：新能源汽車能量管理與控制，E-mail：zhxh76@126.com