Совершенствование алгоритмов прогнозирования энергопотребления электромобиля для точной оценки запаса хода с учетом реальных параметров рельефа местности и текущих метеорологических факторов

Обоснование. Точное прогнозирование энергопотребления электромобилей представляет критически важную задачу для повышения эффективности эксплуатации транспортных средств и снижения тревожности водителей относительно запаса хода. Современные методы прогнозирования демонстрируют недостаточную точность при учете комплексного влияния топографических характеристик местности и динамически изменяющихся метеорологических условий.

Цель – разработка инновационной архитектуры ансамблевых алгоритмов машинного обучения, интегрирующей модели XGBoost, BiLSTM и Extra Trees Regressor для прогнозирования энергопотребления с учетом параметров рельефа и погодных факторов.

Материалы и методы. Методологическая основа исследования базируется на комплексном применении ансамблевых алгоритмов машинного обучения, адаптированных для решения задач многофакторного прогнозирования энергопотребления электромобилей в условиях сложной пространственно-временной изменчивости внешних факторов. Выбор методов обусловлен необходимостью обработки гетерогенных данных высокой размерности и обеспечения робастности прогнозов при наличии шума и пропусков в исходных данных. Основу алгоритмической архитектуры составляет трехуровневая ансамблевая модель, интегрирующая XGBoost для обработки табличных данных, BiLSTM для моделирования временных зависимостей и Extra Trees Regressor для захвата нелинейных взаимодействий между признаками. Данная комбинация обеспечивает синергетический эффект, позволяющий компенсировать индивидуальные ограничения каждого алгоритма и достигать высокой точности прогнозирования в различных условиях эксплуатации

Результаты. В рамках данного исследования разработана инновационная архитектура ансамблевых алгоритмов машинного обучения, интегрирующая модели XGBoost, BiLSTM и Extra Trees Regressor для прогнозирования энергопотребления с учетом параметров рельефа и погодных факторов. Экспериментальная валидация проведена на выборке, включающей 2847 поездок электромобилей различных моделей с общим пробегом 156843 км в условиях разнообразных топографических и климатических характеристик. Предложенная гибридная модель достигает средней абсолютной ошибки 4.2 кВт·ч/100км и коэффициента детерминации R² = 0.971, что превосходит базовые алгоритмы на 23.8%. Интеграция высокоточных цифровых моделей рельефа с разрешением 30 метров и метеорологических данных реального времени обеспечивает повышение точности прогнозирования энергопотребления на холмистой местности на 31.4% по сравнению с методами, не учитывающими топографические факторы. Анализ важности признаков выявил, что наклон дороги и температура окружающей среды объясняют 42.6% и 18.3% дисперсии энергопотребления соответственно. Разработанные алгоритмы демонстрируют высокую адаптивность к различным условиям эксплуатации и обеспечивают надежное прогнозирование запаса хода для электромобилей в реальных условиях эксплуатации.