《Journal of Cleaner Production》：Temporal feature augmentation for transient fuel consumption prediction of heavy-duty trucks: Toward sustainable road freight and cleaner operations
编辑推荐：
•基于物理学的TFA结合机器学习，用于瞬态燃油预测模型。•重型卡车瞬态燃油预测的RMSE降低了23.4%，R2值为0.996。•基于导数的代理模型能够捕捉空气路径的惯性和热滞后。•该框架能够从实验室测试条件（CHTC）稳健地推广到实际驾驶情况。•有助于低碳重型道路货运的节能驾驶。
- •
基于物理学的TFA结合机器学习，用于瞬态燃油预测模型。
- •
重型卡车瞬态燃油预测的RMSE降低了23.4%，R2值为0.996。
- •
基于导数的代理模型能够捕捉空气路径的惯性和热滞后。
- •
该框架能够从实验室测试条件（CHTC）稳健地推广到实际驾驶情况。
- •
有助于低碳重型道路货运的节能驾驶。
引言
与车队规模相比，商用车辆在运输行业的燃油消耗和碳排放中占据了不成比例的份额（Song等人，2026年；Yang等人，2022年）。因此，提高重型卡车的运营效率，尤其是在实际瞬态驾驶条件下的效率，是实现道路货运脱碳的关键策略（Ruangkanjanases等人，2025年；Szonja等人，2025年）。重型车辆的大部分运行时间都处于瞬态状态，这种状态的特点是车速频繁波动和负荷变化，导致燃油消耗率出现明显的峰值和滞后现象。因此，准确预测瞬时燃油消耗对于节能驾驶评估、车队燃油监控以及先进动力系统的控制应用至关重要（Song等人，2018年；Rosero等人，2021年；Miotti等人，2021年）。
现有的预测方法通常分为基于机制的（白盒）和数据驱动的（黑盒）模型（Zhou等人，2016年；Wang等人，2023a；Huang等人，2023年）。基于机制的模型虽然具有物理上的可解释性，但往往依赖于简化的经验图表，并且难以适应实际驾驶的随机性和异质性。相比之下，利用大规模车联网数据的数据驱动方法在捕捉非线性依赖关系方面表现更好（He等人，2021年；Li等人，2022年；Noroozi等人，2023年；Rahman等人，2025年）。Fan等人（2024年）表明，与传统的物理模型相比，深度学习模型在应对不同的车速、加速度和车辆重量时具有更高的稳定性。Su等人（2025年）应用SVM、RF和ANN利用重型卡车的传感器数据来预测燃油消耗。同样，Zhu等人（2024年）和Fahd等人（2025年）采用集成学习方法来提高预测准确性。然而，一个持续的挑战是：许多纯数据驱动的模型隐含地将发动机-车辆系统视为静态的，直接将瞬时输入映射到输出。这种“无记忆”的假设在快速变化的情况下往往会导致预测偏差。
最近的研究表明，当模型在相似的输入上进行训练时，不同机器学习算法之间的性能差异通常很小。相反，物理相关状态和动态在特征空间中的表示成为建模准确性的关键决定因素（Hussain等人，2025年；Liu等人，2025a；Nguyen等人，2025年）。Schoen等人（Alexander等人，2019年）将性能差异主要归因于数据收集和聚合程序的差异。Liu等人（2023年）指出，模型的准确性受到与燃油消耗相关的精确特征的可用性的限制，而高精度的参数（如发动机转速、扭矩、油门位置和测量的燃油消耗率）可以显著提高预测能力。Hamed等人（2021年）通过一个结合了空气质量流量、车辆速度、发动机转速和油门位置的SVR模型支持了这一发现，达到了0.97的R2准确率。然而，许多研究仍然未能充分表示在瞬态运行期间特别重要的发动机状态参数，尤其是那些反映涡轮增压器响应（进气/排气动态）和热条件的参数。
涡轮增压柴油发动机作为一个具有明显短期记忆的动态系统运行。在快速变化的情况下，由于涡轮增压器的惯性和进气歧管的填充动态，空气供应会滞后于燃油需求（Trvcar等人，2011年；Baek等人，2021年）。重型车辆经常在加速、减速和怠速状态下运行，此时发动机状态和燃油消耗表现出高度动态和非线性的特性（Katreddi等人，2022年；Liu等人，2025b）。因此，燃油消耗率取决于当前运行条件以及负荷变化的方向和速度，这引入了静态模型无法捕捉的滞后现象，从而导致预测结果模糊或延迟。尽管RNN和LSTM能够学习时间依赖性，但它们在运输应用中的可解释性较差（Xu等人，2018年；Gong等人，2021年；Bentaleb等人，2025年）。类似的表示挑战也出现在电池状态估计中，其中贝叶斯优化的Bi-LSTM提高了SOC的准确性（Wang等人，2025年），神经网络算法编码了用于预测SOE的隐藏电热动态（Wang等人，2026年），多特征电热模型结合实时校正能够捕捉低温锂离子电池的行为（Wang等人，2024年）。总的来说，这些研究强调了本工作的一个核心原则：动态系统的预测准确性取决于物理状态及其动态是如何在模型结构内或在特征空间内表示的。
从系统识别的角度来看，瞬态预测误差源于内部动态状态的部分可观测性，这些状态无法通过瞬时测量来捕获。现有方法要么需要额外的传感器来估计不可观测的状态，要么通过使用黑盒序列模型来牺牲可解释性。目前，还没有一个框架能够系统地将短期物理动态编码为与标准车载仪器兼容的紧凑、可测量的代理特征。本研究通过提出一个基于物理知识的时序特征增强（TFA）框架来弥合这一缺口，该框架将未观测的瞬态动态嵌入到可解释的基于导数的代理中。这种方法无需额外的硬件或牺牲模型透明度，即可实现准确的燃油消耗预测。所提出的方法分为三个步骤。首先，Spearman筛选选择关键的发动机状态和车辆变量作为原始特征集。其次，因果两点导数生成五个编码瞬态的代理。第三，使用得到的13维瞬时特征向量在相同的协议下训练五种机器学习算法，从而分离出TFA的贡献和算法效应。主要贡献如下：
- (1)
基于物理学的状态增强，用于瞬态驾驶（方法创新）：本研究提出了一个框架，将未观测的瞬态动态（空气路径延迟、涡轮增压器惯性和热滞后）编码为可使用标准车载仪器测量的可解释的基于导数的代理，从而在没有额外传感器的情况下减轻了部分可观测性的问题。
- (2)
在监管和实际驾驶循环中的统一控制基准测试（评估创新）：对五种学习范式（RF、XGBoost、SVM、RNN、LSTM）进行了对比测试，分别使用和不使用TFA，在标准化和实际驾驶循环中隔离了时序增强的贡献。这证明了基于不变物理时间常数的跨循环可转移性。
针对运输应用的机制 aware 可解释性（应用创新）：特征重要性分析定量地将导数代理与瞬态发动机机制联系起来，为节能驾驶策略、车队燃油监控和混合动力系统能源管理提供信息。
部分摘要
实验方法和数据
底盘测功机测试按照GB/T 27840-2021标准协议进行。主要的实验控制条件包括：(a) 车辆预处理，磨合里程不超过10,000公里；(b) 根据最大滚动阻力规格和制造商规定的充气压力优化轮胎配置；(c) 基于滑行测试得出的道路载荷系数进行测功机校准。
方法
瞬时燃油消耗受到外部需求（如车辆动态和驾驶员输入）以及内部发动机状态（包括空气路径、燃烧和热条件）的影响。在瞬态运行期间，响应延迟和滞后导致瞬时测量值与燃油消耗率之间的关系不稳定。为了解决这个问题，本研究提出了一种学习框架，该框架通过
模型验证与分析
本节评估了所提出的增强状态框架在各种驾驶循环中的预测性能，并研究了导数代理在减少瞬态预测误差方面的效果。
结论
本研究的主要贡献是开发了一个基于物理知识的、模型无关的TFA框架，该框架将未观测的瞬态发动机-车辆动态（空气路径延迟、涡轮增压惯性和热滞后）编码为一组简洁的、可解释的、基于因果计算的导数代理，这些代理源自标准的车载测量数据，无需额外的传感器或不透明的序列模型。在此基础上，研究了
CRediT作者贡献声明
Daokun Bi：撰写 – 初始草案，验证，方法论，数据整理，概念化。Dafeng Song：资金获取，概念化。Xiaohua Zeng：资金获取。Zhiyuan Liu：撰写 – 审稿与编辑，可视化，验证，软件。Chaosheng Duan：可视化，验证，调查。
利益冲突声明
作者声明他们没有已知的可能会影响本文所述工作的竞争性财务利益或个人关系。
致谢
作者感谢国家自然科学基金（编号52394265和52572443）提供的财政支持。
Daokun Bi|Dafeng Song|Xiaohua Zeng|Zhiyuan Liu|Chaosheng Duan
