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9 不同方法三步预测结果对比

正文中引用本图/表的段落

为了进一步展示所提方法的优势，图9、10展示了三辆车多步预测的结果，从表2所提供的精度数据来看，本文提出的混合模型具有明显的优势，在大多数情况下预测效果都优于其他传统模型，即使在实车1和2的六步预测中，在RMSE参数上SVM击败了本文所提模型，但这两种方法之间的性能差异也非常小，可以忽略不计。而出现这种现象可能是由于均方根误差会对大误差进行平方，使大误差对整体误差的贡献更大，而平均绝对误差和平均绝对百分比误差只考虑误差本身，会导致大误差和小误差对整体的贡献度相同，而所提混合模型在进行六步预测时虽然正确度好，但是精密度稍差，所以导致RMSE参数上表现不如SVM好。此外，三步预测和六步预测的结果通常不如单步预测的结果准确，这是因为多步预测误差会随着步数的增加而累积，并且随着预测步数的增加，捕捉容量的变化趋势变得更加困难，导致预测难度变大，但是本文所提模型依然在大部分时候都优于其他模型，更加证明了其优越性能。

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
  
• 图6 实车1不同方法绝对误差对比图
  
• 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