基于支持向量机与改进高斯过程混合模型的车用电池容量预测方法^* 电气工程学报    2024, 19 (1): 87-96.   DOI: 10.11985/2024.01.009

图6 实车1不同方法绝对误差对比图

正文中引用本图/表的段落

为了验证算法的有效性，建立了融合模型，利用了三辆车，实车1、实车2和实车3的数据进行训练、验证和测试。本文对每辆车的容量数据进行划分，50%作为训练集，其余50%作为测试集。每组试验均利用本文提出的混合模型、长短期记忆网络(Long short term memory, LSTM)、SVM和反向传播(Back propagation, BP)神经网络来预测，其中，实车1具体的预测曲线如图5所示，对应的绝对误差曲线如图6所示。为了便于比较3种预测结果的效果，计算得到的RMSE、MAE和MAPE如表1所示。

本文的其它图/表

• 图1 实车原始数据预处理过程
  
• 图2 总体框架
  
• 图3 实车1原始容量
  
• 图4 EEMD分解得到的IMF以及残差
  
• 图5 实车1预测结果对比图
  
• 表1 不同方法预测结果对比
  
• 图7 不同车辆预测结果图
  
• 图8 不同车辆绝对误差对比图
  
• 图9 不同方法三步预测结果对比
  
• 图10 不同方法六步预测结果对比
  
• 表2 不同方法多步预测结果对比
  
• 图11 训练集为30%时不同方法预测结果对比
  
• 表3 训练集为30%时不同方法预测结果对比