AUTO行家聚焦新能源车与智驾智舱，定期提供资讯报道与供需对接服务，并组建了50+行业交流群，点击上方“AUTO行家”关注，后台回复“社群”加入行业群。
热舒适性指标PMV参数间互相迭代、计算复杂、不易实时预测，而采用支持向量回归
（SVR）进行数据拟合时，预测效果易受SVR参数的影响。针对以上问题，提出一种改进布谷
鸟算法（CS）优化SVR参数的PMV预测模型。改进CS算法采用自适应步长对Lévy全局随机
游动的步长进行调节，并用非洲野狗算法（DOA）的生存行为替换CS算法偏好局部随机游
动行为， 以提高CS算法寻优能力。实验结果表明，CS优化SVR模型预测值的RMSE为
0.00742，比DOA优化SVR模型的RMSE低0.00481；使用自适应步长或DOA算法改进CS优
化SVR模型比CS优化SVR模型的RMSE分别降低了32.34%和40.83%；融合两种策略改进CS
优化SVR模型预测值的RMSE整体降低了60.52%。融合两种策略改进CS算法优化SVR预测
模型具有更高的PMV预测精度。随着全球气候变化，21 世纪的极端天气增多，
为实现车内温度的有效控制，热舒适性评价成为许
多学者研究的热点[1]。热舒适性是人体对外界热环
境做出反应的心理感受。人体对不同外界环境温度会产生不同的反应，在适宜的热环境中，人体各项
指标保持在一个较稳定的状态，可有效降低驾驶员
错误的驾驶操作，有利于提高驾驶的安全性[2]。丹麦学者 Fanger 教授提出的热舒适理论及热
舒适方程（predicted mean vote，PMV）得到了广泛认
可和应用。PMV 方程综合考虑了客观环境因素和个
体主观感受，采用 PMV 指标作为控制目标时，更具
人性化和节约能源[3]。采用 SVR 对 PMV 预测时，对
异常值具有较强鲁棒性和泛化能力，具有预测精度
高、实时性佳和易于实现的优势，但 SVR 参数对预
测效果有明显的影响[4]。CS 优化算法具有参数少，收
敛速度对参数不敏感且全局搜索能力较强的特点[5]，
但 CS 算法收敛速度较慢且优化时间长。为提高 CS
算法优化效果，本文采用自适应步长策略和非洲野
狗算法（dingo optimization algorithm，DOA）分 别对
CS 算法 Lévy 全局随机游动部分和偏好局部随机游
动部分进行改进。然后用改进 CS 算法优化 SVR 参
数， 建立了改进 CS 优化 SVR 的 PMV 预测模型，有
效提高了 PMV 的预测精度。PMV 指标由人体自身影响因素和外部环境因
素两部分组成。为使用 PMV 指标对人体感知进行评
价，文献[6]制定 PMV 值七点式标尺为｛-3，-2，-1，
0，1，2，3｝，分别对应冷、凉、稍冷 、舒适、稍暖、暖
和热。当 PMV 值在［-1，1］范围时，人体会感到较为
舒适[7]。![]()
CS 算法偏好局部随机游动加大了布谷鸟在最
优鸟巢周围的搜索频率，但实际应用中存在收敛速
度慢和对最优鸟巢利用不充分的问题。为在不增加
算法空间复杂度和时间复杂度条件下优化 CS 算法
寻优效率，本文采用 DOA 算法中野狗的生存行为
替换 CS 算法中偏好局部随机游动行为[15]。布谷鸟通
过 Lévy 飞行更新鸟巢后，将鸟巢保持概率与适应度
相结合，适应度较差的在最优个体周围寻找，以提
高鸟巢质量。采用改进 CS 算法优化 SVR 的误差容忍度、核
函数系数和惩罚因子以提高 SVR 模型的预测精度，
优化流程如图 1 所示，具体步骤如下：步骤 2 将经筛选的数据进行归一化，并分为
训练集和测试集两部分，分别占比 70%和 30%； 步骤 3 初始化 CS 算法参数：种群规模 n、最
大迭代次数 nmax 和步长变化范围；步骤 4 用训练集训练 SVR 模型。采用测试集
对训练好的模型进行测试，保存测试集输出；步骤 5 以预测值与真实值的均方根误差（RMSE）
为适应度函数，计算每一个鸟巢适应度并保存。采
用贪婪选择机制保存适应度更小的鸟巢； 步骤 6 按式（19）判断适应度最差的 30%鸟
巢，按式（20）更新鸟巢位置，并将新鸟巢适应度值
与上一代进行比较，采用贪婪选择机制保存适应度
更小的鸟巢； 步骤 7 判断是否达到最大迭代次数，如达到
则将最优参数赋值给 SVR，反之则返回步骤 4 继续
迭代更新。本文数据来源于全球热舒适性数据库Ⅱ[16]。因
met 值设为 1.4， 选取数据库中 Icl、ta、tcl、V 和相对湿
度 φa 参数。采用热舒适指标和转换物理变量软件
包[17]重新计算 PMV 指标，并在计算过程中按式（4）
修正服装热阻。为满足实验要求，对数据库中的极端环境和非
中国地区数据进行剔除。考虑到剔除后数据仍存在
冗余现象，采用二分法—K 均值聚类对数据进行二
次筛选[18]以降低数据冗余。分别选取聚类中心为
500、1000、1500、2000、2500 和 3000，计算不同聚类
中心的和方差。并根据肘部法则，选取拐点 K 值处
的数据最佳聚类数，将数据压缩至 1000 组。因 SVR
模型输入和输出参数的数据范围大小不一致，采用
线性函数归一化将数据变为［0，1］间的数，以统一
不同种类数据对模型预测效果的影响。最后将处理
后的数据划分为 70%的训练集和 30%的测试集。将
训练好的模型用测试集进行预测，对应的适应值函
数 f（x）用均方根误差 RMSE 表示：为评价数据拟合效果，选用平均绝对误差（MAE）
和均方根误差（RMSE）进行评判。为比较不同优化算法优化效果，将迭代次数设
为 200。CS 算法鸟巢数为 40，被发现概率 Pa=0.25，
Lévy 飞行指数为 1.5。自适应步长改进 CS 算法最大
步长为 0.5，最小步长为 0.1，偏执参数为 0.05。迭代
结果如图 2 所示。由图 2 可知，CS 算法寻优效果优于 DOA 算法，
但 CS 算法收敛效率不高。随着迭代次数增加，适应
度逐渐变小但较为缓慢，迭代至 70 次左右适应度
有一次较大变化。自适应步长策略改进 CS 算法
（PACE_CS）的寻优能力有较大提升，PACE_CS 最小
适应度值较 CS 降低明显。DOA 算法野狗生存行为
替换的 CS 算法（DOA_CS）寻优能力也有所提升，但寻优效果不如 PACE_CS。两种策略改进 CS 算法
（PACE_DOA_CS） 继承了两种策略的优点，PACE_
DOA_CS 具有更好的收敛速度，寻优能力得到了进
一步提升。不同模型预测效果评判如表 1 所示。PACE_CS
算法较 CS 算法的 RMSE 和 MAE 值分别降低32.34%
和6.31%。DOA_CS 算法的 RMSE 和 MAE 值分别降低
40.83%和 43.61%，最大误差小于 CS 算法的 0.0331。PACE_DOA_CS 算法优化后的 RMSE 和 MAE 值降
低了 60.52%和 74.11%。不同算法优化模型的预测结果如图 3 和图 4
所示。可知，不同算法优化 SVR 模型预测的 PMV 指
标与真实值比较接近。为进一步体现不同算法优化 SVR 模型的预测
效果，将真实值与不同算法优化 SVR 模型 PMV 指
标差值进行比较，5 种模型的误差对比如图 5 和图
6 所示。图 5 为 CS-SVR、DOA_SVR 和 PACE_DOA_CSSVR 模型预测值与实际值间误差曲线。可知，与 CSSVR、DOA_SVR 模型相比，PACE_DOA_CS_SVR 模
型误差更接近于 0；图 6 为 PACE_CS-SVR、DOA_CS_
SVR 和 PACE_DOA_CS_SVR 模型误差曲线。可知，
PACE_DOA_CS_SVR 模型误差更小。针对 PMV 指标在求取过程中参数互相迭代、
计算过程复杂等问题。本文采用改进 CS 算法对SVR
进行优化，并将其用于 PMV 指标的预测，通过实验
对比，可得结论：两种 CS 算法改进策略未增加寻优
步骤，未提高算法空间复杂度和时间复杂度。迭代
过程采用贪婪选择机制保存优秀的鸟巢可提高算
法的寻优效率；采用自适应步长策略对 Lévy 全局
随 机游动中的步长进行改进，采用 DOA 算法改进
CS 算法中偏好局部随机游动行为，寻优能力得到了提升，同时采用两种
策略改进 CS 算法能更好地继承每种策略的优点，
具有更好的寻优能力和收敛速度。本文来源：徐熊飞,周晓华,杨艺兴.改进CS优化支持向量回归的汽车热舒适性预测[J].自动化与仪表,2023,38(06):5-9+44.。 本文所用视频、图片、文字如涉及作品版权问题，请第一时间告知，我们将根据您提供的证明材料确认版权并立即删除内容。![]()
![]()
