CN111707343A - 一种确定车辆重量的方法及装置 - Google Patents

一种确定车辆重量的方法及装置 Download PDF

Info

Publication number
CN111707343A
CN111707343A CN202010595150.7A CN202010595150A CN111707343A CN 111707343 A CN111707343 A CN 111707343A CN 202010595150 A CN202010595150 A CN 202010595150A CN 111707343 A CN111707343 A CN 111707343A
Authority
CN
China
Prior art keywords
road resistance
resistance coefficient
vehicle
prediction model
value
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN202010595150.7A
Other languages
English (en)
Other versions
CN111707343B (zh
Inventor
赵梓淳
吴临政
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Jingwei Hirain Tech Co Ltd
Original Assignee
Beijing Jingwei Hirain Tech Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Beijing Jingwei Hirain Tech Co Ltd filed Critical Beijing Jingwei Hirain Tech Co Ltd
Priority to CN202010595150.7A priority Critical patent/CN111707343B/zh
Publication of CN111707343A publication Critical patent/CN111707343A/zh
Application granted granted Critical
Publication of CN111707343B publication Critical patent/CN111707343B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01G—WEIGHING
    • G01G19/00—Weighing apparatus or methods adapted for special purposes not provided for in the preceding groups
    • G01G19/02—Weighing apparatus or methods adapted for special purposes not provided for in the preceding groups for weighing wheeled or rolling bodies, e.g. vehicles
    • G01G19/022—Weighing apparatus or methods adapted for special purposes not provided for in the preceding groups for weighing wheeled or rolling bodies, e.g. vehicles for weighing wheeled or rolling bodies in motion
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01G—WEIGHING
    • G01G19/00—Weighing apparatus or methods adapted for special purposes not provided for in the preceding groups
    • G01G19/08—Weighing apparatus or methods adapted for special purposes not provided for in the preceding groups for incorporation in vehicles
    • G01G19/086—Weighing apparatus or methods adapted for special purposes not provided for in the preceding groups for incorporation in vehicles wherein the vehicle mass is dynamically estimated
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/24323—Tree-organised classifiers

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Control Of Driving Devices And Active Controlling Of Vehicle (AREA)
  • Traffic Control Systems (AREA)

Abstract

本申请公开了一种确定车辆重量的方法及装置，包括：获取待测车辆的至少一组行驶数据；对获取的待测车辆的每组行驶数据进行预处理；调用利用多个车辆的历史行驶数据和对应的道路阻力系数的真实值训练产生的道路阻力系数预测模型；将经过预处理的每组行驶数据分别作为道路阻力系数预测模型的输入，得到道路阻力系数预测模型输出的、与待测车辆的每组行驶数据对应的道路阻力系数的预测值；根据道路阻力系数预测模型输出的道路阻力系数的预测值，确定待测车辆的道路阻力系数的最终值；根据待测车辆的道路阻力系数的最终值确定待测车辆的重量。基于本申请公开的技术方案，能够在无需设置车重传感器和使用地秤的前提下确定车辆重量。

Description

一种确定车辆重量的方法及装置
技术领域
本发明涉及车辆技术领域，尤其涉及一种确定车辆重量的方法及装置。
背景技术
车辆的出现，改变了人们的生产生活，带来了极大的便利。车辆重量是车辆的一个重要参数，确定车辆重量，对于安全行车以及控制发动机功率具有较强的指导意义。
目前，主要由两种方式获得车辆重量：一种方式是采用特殊的车重传感器，来获取车辆重量，由于车重传感器的成本较高，且对安装位置的要求较高，因此该种方案多用于试验车，难以在每辆车都配备车重传感器。另一种方式是采用地秤对车辆进行测重，但只能在有地秤的特定停车处对车辆进行测重。
发明内容
有鉴于此，本申请的目的在于提供一种确定车辆重量的方法及装置，能够在无需设置车重传感器和使用地秤的前提下确定车辆重量。
为实现上述目的，本申请提供如下技术方案：
一方面，本申请提供一种确定车辆重量的方法，包括：
获取待测车辆的至少一组行驶数据；
对获取的所述待测车辆的每组行驶数据进行预处理；
调用预先完成训练的道路阻力系数预测模型，其中，所述道路阻力系数预测模型利用多个车辆的历史行驶数据和对应的道路阻力系数的真实值训练产生；
将经过预处理的每组行驶数据分别作为所述道路阻力系数预测模型的输入，得到所述道路阻力系数预测模型输出的、与所述待测车辆的每组行驶数据对应的道路阻力系数的预测值，每组行驶数据对应一个道路阻力系数的预测值；
根据所述道路阻力系数预测模型输出的道路阻力系数的预测值，确定所述待测车辆的道路阻力系数的最终值；
根据所述待测车辆的道路阻力系数的最终值确定所述待测车辆的重量。
可选的，所述获取待测车辆的至少一组行驶数据，包括：获取所述待测车辆的至少两组行驶数据；
所述根据所述道路阻力系数预测模型输出的道路阻力系数的预测值，确定所述待测车辆的道路阻力系数的最终值，包括：计算所述道路阻力系数预测模型输出的全部或部分道路阻力系数的预测值的平均值，将所述平均值确定为所述待测车辆的道路阻力系数的最终值。
可选的，所述对所述待测车辆的每组行驶数据进行预处理，包括：
筛除所述待测车辆的每组行驶数据中的异常数据；
对所述待测车辆的每组行驶数据中的缺失数据进行填充。
可选的，所述道路阻力系数预测模型的训练过程，包括：
获得多个训练样本，其中，所述多个训练样本由多个样本车辆产生，每个训练样本包括样本车辆的瞬时特征数据、时段特征数据和驾驶行为特征数据，并且，每个训练样本标注有道路阻力系数的真实值；
利用预先构建的道路阻力系数预测模型对所述训练样本进行预测，得到所述训练样本对应的道路阻力系数的预测值；
依据所述训练样本对应的道路阻力系数的真实值和道路阻力系数的预测值，调整所述道路阻力系数预测模型，直至调整后的道路阻力系数预测模型满足预设收敛条件。
可选的，所述预设收敛条件为：
所述道路阻力系数预测模型的损失函数的值小于预设值。
可选的，所述道路阻力系数预测模型的损失函数为：
所述多个训练样本的道路阻力系数的真实值和预测值的差值，与真实值的比值的绝对值。
另一方面，本申请提供一种确定车辆重量的装置，包括：
行驶数据获取单元，用于获取待测车辆的至少一组行驶数据；
预处理单元，用于对获取的所述待测车辆的每组行驶数据进行预处理；
系数预测单元，调用预先完成训练的道路阻力系数预测模型，将经过预处理的每组行驶数据分别作为所述道路阻力系数预测模型的输入，得到所述道路阻力系数预测模型输出的、与所述待测车辆的每组行驶数据对应的道路阻力系数的预测值，每组行驶数据对应一个道路阻力系数的预测值，其中，所述道路阻力系数预测模型利用多个车辆的历史行驶数据和对应的道路阻力系数的真实值训练产生；
确定单元，用于根据所述道路阻力系数预测模型输出的道路阻力系数的预测值，确定所述待测车辆的道路阻力系数的最终值，根据所述待测车辆的道路阻力系数的最终值确定所述待测车辆的重量。
可选的，所述行驶数据获取单元获取待测车辆的至少一组行驶数据，具体为：获取所述待测车辆的至少两组行驶数据；
所述确定单元根据所述道路阻力系数预测模型输出的道路阻力系数的预测值，确定所述待测车辆的道路阻力系数的最终值，具体为：计算所述道路阻力系数预测模型输出的全部或部分道路阻力系数的预测值的平均值，将所述平均值确定为所述待测车辆的道路阻力系数的最终值。
可选的，所述预处理单元对所述待测车辆的每组行驶数据进行预处理，具体为：
筛除所述待测车辆的每组行驶数据中的异常数据；
对所述待测车辆的每组行驶数据中的缺失数据进行填充。
可选的，上述装置还包括模型训练单元；
所述模型训练单元用于：获得多个训练样本，其中，所述多个训练样本由多个样本车辆产生，每个训练样本包括样本车辆的瞬时特征数据、时段特征数据和驾驶行为特征数据，并且，每个训练样本标注有道路阻力系数的真实值；
利用预先构建的道路阻力系数预测模型对所述训练样本进行预测，得到所述训练样本对应的道路阻力系数的预测值；
依据所述训练样本对应的道路阻力系数的真实值和道路阻力系数的预测值，调整所述道路阻力系数预测模型，直至调整后的道路阻力系数预测模型满足预设收敛条件。
由此可见，本申请的有益效果为：
本申请提供的确定车辆重量的方法及装置，获取待测车辆的行驶数据并进行预处理，将预处理后的行驶数据作为预先完成训练的道路阻力系数预测模型的输入，由预测模型对输入的数据进行计算，得到道路阻力系数的预测值，再根据道路阻力系数的预测值确定待测车辆的道路阻力系数的最终值，根据待测车辆的道路阻力系数的最终值确定待测车辆的重量。可以看到，基于本申请提供的确定车辆重量的方法及装置，只需要获取待测车辆的行驶数据，就可以利用预先完成训练的道路阻力系数预测模型确定车辆的重量，也就是，在无需设置车重传感器和使用地秤的前提下，快速地确定车辆重量；而且，道路阻力系数预测模型是经过大量训练产生的，能够准确确定道路阻力系数的预测值，依据该预测值确定道路阻力系数的最终值，进而确定待测车辆的重量，因此，最后计算得到的车辆重量具有较高的可靠性。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本申请实施例公开的一种确定车辆重量的方法的流程图；
图2为本申请实施例公开的道路阻力系数预测模型的训练方法的流程图；
图3为本申请实施例公开的一种确定车辆重量的装置的结构框图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
本申请提供一种确定车辆重量的方法及装置，能够在无需设置车重传感器和使用地秤的前提下确定车辆重量。
参见图1，图1为本申请实施例公开的一种确定车辆重量的方法的流程图。该方法包括：
S101：获取待测车辆的至少一组行驶数据。
可选的，通过车辆本身的检测器件获得车辆的行驶数据。
可选的，该行驶数据由车载T-BOX从车联网数据存储后台采集。
可选的，该行驶数据包括三类特征数据：瞬时特征数据、时段特征数据和驾驶行为特征数据。
其中，瞬时特征数据包括该待测车辆在预设时刻的瞬时挡位、瞬时车速、瞬时加速度、发动机瞬时扭矩和发动机瞬时转速；时段特征数据包括该待测车辆在预设时段的车速平均值、车速标准差、加速度平均值、加速度标准差、发动机扭矩平均值、发动机扭矩标准差、发动机转速平均值和发动机转速标准差；驾驶行为特征数据包括该待测车辆在预设时刻的换挡状态指示数据，该换挡状态指示数据用于指示该待测车辆在预设时刻是否处于换挡状态。
这里以在t时刻获取的一组行驶数据为例，对上述三类特征数据进一步说明。
瞬时特征数据：
瞬时挡位，表达式为Geart，指待测车辆在t时刻所处的挡位，单位为挡；
瞬时车速，表达式为VhlSpdt，指待测车辆在t时刻的车速，单位为km/h；
瞬时加速度，表达式为
Figure BDA0002552491870000051
Accelerationt指待测车辆在t时刻的加速度，单位为m/s2，gapVhlSpdt指待测车辆在t时刻的瞬时车速与在t-1时刻的瞬时车速的速度差，单位为m/s，gapTimet指t时刻与上一时刻(即t-1时刻)的时间差，单位为s；
发动机瞬时扭矩，表达式为Torquet，指待测车辆在t时刻的发动机扭矩，单位为N·m；
发动机瞬时转速，表达式为EngSpdt，指待测车辆在t时刻的发动机转速，单位为rpm。
时段特征数据：
车速平均值，表达式为avgVhlSpdT，指待测车辆在t时刻之前时长为T的时段内的车速平均值，单位为km/h；
车速标准差，表达式为varVhlSpdT，指待测车辆在t时刻之前时长为T的时段内的车速标准差，单位为km/h；
加速度平均值，表达式为avgAccelerationT，指待测车辆在t时刻之前时长为T的时段内的加速度平均值，单位为m/s2；
加速度标准差表达式为varAccelerationT，指待测车辆在t时刻之前时长为T的时段内的加速度标准差，单位为m/s2；
发动机扭矩平均值，表达式为avgTorqueT，指待测车辆在t时刻之前时长为T的时段内的发动机扭矩平均值，单位为N·m；
发动机扭矩标准差，表达式为varTorqueT，指待测车辆在t时刻之前时长为T的时段内的发动机扭矩标准差，单位为N·m；
发动机转速平均值，表达式为avgEngSpdT，指待测车辆在t时刻之前时长为T的时段内的发动机转速平均值，单位为rpm；
发动机转速标准差，表达式为varEngSpdT，指待测车辆在t时刻之前时长为T的时段内的发动机转速标准差，单位为rpm。
驾驶行为特征数据：
待测车辆在预设时刻的换挡状态指示数据，该换挡状态指示数据的表达式为shiftT，用于指示该待测车辆在预设时刻是否处于换挡状态。
一种可能的实施方式中，按照预设周期采集待测车辆的行驶数据。可选的，采集周期可以设为30秒以内。
S102：对获取的待测车辆的每组行驶数据进行预处理。
S103：调用预先完成训练的道路阻力系数预测模型。
其中，该道路阻力系数预测模型利用多个车辆的历史行驶数据和对应的道路阻力系数的真实值训练产生的。
S104：将经过预处理的每组行驶数据分别作为道路阻力系数预测模型的输入，得到道路阻力系数预测模型输出的、与待测车辆的每组行驶数据对应的道路阻力系数的预测值，其中，每组行驶数据对应一个道路阻力系数的预测值。
需要说明的是，道路阻力系数预测模型对输入的每组行驶数据进行处理，针对输入的每组行驶数据分别输出对应的道路阻力系数的预测值，也就是针对输入的每组行驶数据分别输出一个道路阻力系数的预测值。例如，如果将经过预处理的三组行驶数据作为道路阻力系数预测模型的输入，那么道路阻力系数预测模型针对输入的每一组行驶数据各输出一个道路阻力系数的预测值，共输出三个道路阻力系数的预测值。
由于是对获取的待测车辆的每组行驶数据进行预处理后输入道路阻力系数预测模型，因此，道路阻力系数预测模型输出的，也就是与待测车辆的每组行驶数据对应的道路阻力系数的预测值，并且每组行驶数据对应一个道路阻力系数的预测值。
S105：根据道路阻力系数预测模型输出的道路阻力系数的预测值，确定待测车辆的道路阻力系数的最终值。
在一种可能的实现方式中，S101具体为：获取待测车辆的一组行驶数据。在这种情况下，将道路阻力系数预测模型输出的道路阻力系数的预测值确定为待测车辆的道路阻力系数的最终值。
在另一种可能的实现方式中，S101具体为：获取待测车辆的至少两组行驶数据。在这种情况下，根据道路阻力系数预测模型输出的道路阻力系数的预测值，确定待测车辆的道路阻力系数的最终值，可以采用多种方案。
第一种方案：计算道路阻力系数预测模型输出的全部道路阻力系数的预测值的平均值，并将该平均值确定为待测车辆的道路阻力系数的最终值。
第二种方案：计算道路阻力系数预测模型输出的部分道路阻力系数的预测值的平均值，并将该平均值确定为待测车辆的道路阻力系数的最终值。
车辆在行进过程中，可能会由于特殊情况导致行驶数据出现较为剧烈的波动。基于上述第二种方案，获取待测车辆的多组行驶数据，并分别确定各组行驶数据对应的道路阻力系数的预测值，计算全部或部分道路阻力系数的预测值的平均值，将该平均值确定为待测车辆的道路阻力系数的最终值，能够有效减小待测车辆的道路阻力系数的最终值与实际值之间的误差。
实施中，可以用以下公式确定待测车辆的道路阻力系数的最终值：
Figure BDA0002552491870000081
式中，βfinal表示待测车辆的道路阻力系数的最终值；J表示待测车辆当前所处的时刻；K为采样数，表示取在K个时刻获取到的待测车辆的行驶数据对应的道路阻力系数的预测值；βpredi表示在第i个时刻获取到的待测车辆的行驶数据对应的道路阻力系数的预测值。
例如，在J为3，K为2时，也就是说待测车辆当前所处的时刻为第3时刻，取2个时刻获取到的待测车辆的行驶数据对应的道路阻力系数的预测值，从第1时刻到第3时刻获取到的待测车辆的行驶数据对应的道路阻力系数的预测值依次为：0.5、0.6和0.7。那么基于上述公式，可以得到待测车辆的道路阻力系数的最终值βfinal＝(0.6+0.7)/2＝0.65。
S106：根据待测车辆的道路阻力系数的最终值确定待测车辆的重量。
实施中，基于车辆功率平衡方程，根据待测车辆的道路阻力系数的最终值、发动机瞬时转速、发动机瞬时扭矩、瞬时车速、瞬时加速度、传动系效率、空气阻力系数、车辆的迎风面积、以及车辆的旋转质量换算系数确定车辆的重量。
本申请提供的确定车辆重量的方法，获取待测车辆的行驶数据并进行预处理，将预处理后的行驶数据作为预先完成训练的道路阻力系数预测模型的输入，由预测模型对输入的数据进行计算，得到道路阻力系数的预测值，再根据道路阻力系数的预测值确定待测车辆的道路阻力系数的最终值，根据待测车辆的道路阻力系数的最终值确定待测车辆的重量。可以看到，基于本申请提供的确定车辆重量的方法，只需要获取待测车辆的行驶数据，就可以利用预先完成训练的道路阻力系数预测模型确定待测车辆的重量，也就是，在无需设置车重传感器和使用地秤的前提下，快速地确定车辆重量；而且，道路阻力系数预测模型是经过大量训练产生的，能够准确确定道路阻力系数的预测值，依据该预测值确定道路阻力系数的最终值，进而确定待测车辆的重量，因此，最后计算得到的车辆重量具有较高的可靠性。
需要说明的是，本申请提供的确定车辆重量的方法适用于多种应用场景。
例如：在待测车辆行驶过程中实时地获取该待测车辆的行驶数据，利用实时获取到的行驶数据确定该待测车辆的重量，也就是，在待测车辆行驶过程中实时地确定该待测车辆的重量。
又如：在待测车辆行驶过程中，保存该待测车辆的行驶数据；当需要确定该待测车辆在某个时间的重量时，从保存的该待测车辆的行驶数据中获取指定时间的行驶数据，利用获取到的行驶数据确定该待测车辆在该指定时间的重量。可以理解的是，在第二种应用场景中，当待测车辆处于停车状态时，也可以利用在该待测车辆行驶过程中保存的行驶数据确定该待测车辆在指定时间的重量。
这里对上述提到的步骤S102做具体介绍。
在获取待测车辆的行驶数据后，对该行驶数据进行预处理，包括：筛选并剔除该行驶数据中的异常数据，以及对该行驶数据中的缺失数据进行填充。
需要说明的是，获取到的行驶数据可能会由于一些原因(例如传输过程出现错误等)而导致数据发生异常。例如：数据出现错位、数据表征车辆状态异常等。这些异常数据会对后续处理过程造成负面影响，因此，需要筛选并剔除掉这些异常数据。
还需要说明的是，获取到的行驶数据中可能会出现部分数据(如车速、发动机扭矩及发动机转速等)缺失的情况，为保证数据的可连续性，对行驶数据中的缺失数据进行填充。
例如，采用向上填充的方式对行驶数据中的缺失数据进行填充。
这里举例阐释，A列用于存储待测车辆的瞬时车速，从上至下依次为45、null1、60、null2、90，那么向上填充完后为45、45、60、60、90，也就是说，从空值区域开始向前取值，用最靠近空值区域的最后一个非空值来填充空值区域。
可选的，还可以采用向下填充的方式对行驶数据中的缺失数据进行填充。
这里同样举例阐释，B列用于存储待测车辆的瞬时加速度，从上至下依次为12、null3、null4、17、null5、20，那么向下填充完后12、17、17、17、20、20，也就是说，从空值区域开始向后取值，用最靠近空值区域的最后一个非空值来填充空值区域。
对获取到的行驶数据进行预处理，可以提高行驶数据的准确性和可连续性，保证后续得到的车辆重量具有较高的准确性。
这里对上述提到的步骤S106做具体介绍。
车辆在行驶过程中满足车辆功率平衡方程，车辆功率平衡方程如下：
Figure BDA0002552491870000101
式中，EngSpd表示车辆的发动机瞬时转速，Torque表示车辆的发动机瞬时扭矩，ηT表示传动系效率，m表示车辆重量，g表示重力加速度，f表示滚动摩擦阻力系数，α表示坡度角，VhlSpd表示车辆的瞬时车速，CD表示空气阻力系数，A表示车辆的迎风面积，δ表示车辆的旋转质量换算系数，Acceleration表示车辆的瞬时加速度。
由公式β＝fcosα+sinα，式中，β表示道路阻力系数，f表示滚动摩擦阻力系数，α表示坡度角，对车辆功率平衡方程进行变换，得到：
Figure BDA0002552491870000102
需要说明的是，变换后得到的公式中，β的取值为道路阻力系数的最终值，即，基于道路阻力系数预测模型输出的道路阻力系数的预测值确定的道路阻力系数的最终值，再根据发动机瞬时转速、发动机瞬时扭矩、瞬时车速和瞬时加速度就可以确定车辆重量m。还需要说明的是，空气阻力系数CD变化不大，可以忽略。不同车型的迎风面积A也不同。δ为车轮旋转质量换算系数，为经验值。
下面对上述实施例中所使用的道路阻力系数预测模型的训练过程进行说明。
如图2所示，图2为本申请实施例公开的道路阻力系数预测模型的训练方法的流程图。该方法包括：
步骤S201：获得多个训练样本。
其中，多个训练样本由多个样本车辆产生。每个训练样本包括样本车辆的瞬时特征数据、时段特征数据和驾驶行为特征数据，并且，每个训练样本标注有道路阻力系数的真实值。
瞬时特征数据包括样本车辆在预设时刻的瞬时挡位、瞬时车速、瞬时加速度、发动机瞬时扭矩和发动机瞬时转速；时段特征数据包括样本车辆在预设时段的车速平均值、车速标准差、加速度平均值、加速度标准差、发动机扭矩平均值、发动机扭矩标准差、发动机转速平均值和发动机转速标准差；驾驶行为特征数据包括样本车辆在预设时刻的换挡状态指示数据，该换挡状态指示数据用于指示样本车辆在预设时刻是否处于换挡状态。
对于样本车辆的瞬时特征数据、时段特征数据和驾驶行为特征数据的具体介绍，可以参照前文中相关的描述，这里不再赘述。
在一种可能的实现方式中，多个训练样本由多个样本车辆产生，并且每个样本车辆产生多个训练样本。假设多个训练样本由N辆车产生，且每个样本车辆产生多个训练样本，那么形成的特征空间Tfeature如下：
Figure BDA0002552491870000121
需要说明的是，上述特征空间Tfeature的每一行包括14个参量，以第一行为例，按照从左到右的顺序，第一行中的参量依次为Gear1t_start、VhlSpd1t_start、Acceleration1t_start、Torque1t_start、EngSpd1t_start、avgVhlSpd1T_start、varVhlSpd1T_start、avgAcceleration1T_start、varAcceleration1T_start、avgTorque1T_start、varTorque1T_start、avgEngSpd1T_start、varEngSpd1T_start、shift1t_start。上述特征空间Tfeature的其他各行包含的参量是类似的，这里不再一一进行列举。
其中，Gear1t_start、VhlSpd1t_start、Acceleration1t_start、Torque1t_start和EngSpd1t_start分别表示第一样本车辆在第1个时刻(记为start时刻)的瞬时挡位、瞬时车速、瞬时加速度、发动机瞬时扭矩和发动机瞬时转速；avgVhlSpd1T_start、varVhlSpd1T_start、avgAcceleration1T_start、varAcceleration1T_start、avgTorque1T_start、varTorque1T_start、avgEngSpd1T_start和varEngSpd1T_start分别表示第一样本车辆在第1个时刻之前、时长为T的时段内的车速平均值、车速标准差、加速度平均值、加速度标准差、发动机扭矩平均值、发动机扭矩标准差、发动机转速平均值和发动机转速标准差；shift1t_start表示第一样本车辆在第1个时刻的换挡状态。
Gear1t_end、VhlSpd1t_end、Acceleration1t_end、Torque1t_end和EngSpd1t_end分别表示第一样本车辆在第m个时刻(记为end时刻)的瞬时挡位、瞬时车速、瞬时加速度、发动机瞬时扭矩和发动机瞬时转速；avgVhlSpd1T_end、varVhlSpd1T_end、avgAcceleration1T_end、varAcceleration1T_end、avgTorque1T_end、varTorque1T_end、avgEngSpd1T_end和varEngSpd1T_end分别表示第一样本车辆在第m个时刻(记为end时刻)之前、时长为T的时段内的车速平均值、车速标准差、加速度平均值、加速度标准差、发动机扭矩平均值、发动机扭矩标准差、发动机转速平均值和发动机转速标准差，shift1t_end表示第一样本车辆在第m个时刻(记为end时刻)的换挡状态。
同理，Gearnt_start表示第n样本车辆在第1个时刻(记为start时刻)的瞬时挡位，Gearnt_end表示第n样本车辆在第m个时刻(记为end时刻)的瞬时挡位，第n样本车辆的其他参数的含义以此类推，这里不再逐个进行说明。
同理，GearNt_start表示第N样本车辆在第1个时刻(记为start时刻)的瞬时挡位，GearNt_end表示第N样本车辆在第m个时刻(记为end时刻)的瞬时挡位，第N样本车辆的其他参数的含义以此类推，这里不再逐个进行说明。
需要说明的是，上述只对特征空间内部分参数的含义做了详细介绍，未能做出详细介绍的其他参数的含义可以参考上述描述，以此类推，这里不再逐个进行详细介绍。
步骤S202：利用预先构建的道路阻力系数预测模型对训练样本进行预测，得到训练样本对应的道路阻力系数的预测值。
需要说明的是，在本申请实施例中采用提升树回归算法。由于训练样本具有多特征、非线性且数量有限的特性，而提升树回归算法采用加法模型(即基函数的线性组合)与前向分步算法，完成回归任务的时候可以很好地提升预测模型的泛化能力，适用于数量有限的训练样本；并且提升树回归算法的弱分类器是决策树，一方面可以很好地处理多特征、非线性的训练样本，另一方面，其具有较强的可解释性。
步骤S203：依据训练样本对应的道路阻力系数的真实值和道路阻力系数的预测值，调整道路阻力系数预测模型，直至调整后的道路阻力系数预测模型满足预设收敛条件。
预先构建的道路阻力系数预测模型的初始模型参数均为自定义数值，训练的过程就是优化模型参数，以使得道路阻力系数预测模型逐渐收敛，且预测结果的准确率逐渐提高的过程。
在一种可能的实现情况下，预设收敛条件为：道路阻力系数预测模型的损失函数的值小于预设值。在另一种可能的实现情况下，预设收敛条件为：道路阻力系数预测模型的损失函数的值不再减小。
一种可能的实施方式中，道路阻力系数预测模型的损失函数为：多个训练样本的道路阻力系数的真实值和预测值的差值，与真实值的比值的绝对值。
该道路阻力系数预测模型的损失函数由如下公式表示：
Figure BDA0002552491870000141
式中，Loss表示损失函数值，Y表示训练样本的道路阻力系数的真实值，f(x)表示训练样本的道路阻力系数的预测值。
其中，道路阻力系数预测模型的损失函数值表征道路阻力系数预测模型的预测结果准确率，损失函数值越小，道路阻力系数预测模型的预测结果准确率越高，反之，损失函数值越大，道路阻力系数预测模型的预测结果准确率越低。
本申请图2所示的道路阻力系数预测模型的训练方法，首先，获得多个训练样本，多个训练样本由多个样本车辆产生，每个训练样本包括样本车辆的瞬时特征数据、时段特征数据和驾驶行为特征数据，并且，每个训练样本标注有道路阻力系数的真实值，之后，道路阻力系数预测模型基于多个训练样本进行训练，当满足预设的收敛条件时，表示道路阻力系数预测模型对多个训练样本分析计算得到的道路阻力系数的预测值和标注的道路阻力系数的真实值之间的偏差足够小，完成道路阻力系数预测模型的训练过程，完成训练的道路阻力系数预测模型能够对待测车辆的道路阻力系数的预测值进行准确地预测。
本发明上述公开了确定车辆重量的方法，相应的，本发明还公开一种确定车辆重量的装置，说明书中关于两者的描述可以相互参考。
请参见图3，图3为本发明公开的确定车辆重量的装置的结构框图。
该装置包括行驶数据获取单元301、预处理单元302、系数预测单元303和确定单元304。
行驶数据获取单元301用于：获取待测车辆的至少一组行驶数据。
预处理单元302用于：对获取的待测车辆的每组行驶数据进行预处理。
系数预测单元303用于：调用预先完成训练的道路阻力系数预测模型，将经过预处理的每组行驶数据分别作为道路阻力系数预测模型的输入，得到道路阻力系数预测模型输出的、与待测车辆的每组行驶数据对应的道路阻力系数的预测值，每组行驶数据对应一个道路阻力系数的预测值，其中，道路阻力系数预测模型利用多个车辆的历史行驶数据和对应的道路阻力系数的真实值训练产生。
确定单元304用于：根据道路阻力系数预测模型输出的道路阻力系数的预测值，确定待测车辆的道路阻力系数的最终值，根据待测车辆的道路阻力系数的最终值确定待测车辆的重量。
可选的，行驶数据获取单元301获取待测车辆的至少一组行驶数据，具体为：获取待测车辆的至少两组行驶数据；
相应的，确定单元304根据道路阻力系数预测模型输出的道路阻力系数的预测值，确定待测车辆的道路阻力系数的最终值，具体为：计算道路阻力系数预测模型输出的全部或部分道路阻力系数的预测值的平均值，将该平均值确定为待测车辆的道路阻力系数的最终值。
可选的，预处理单元302对待测车辆的每组行驶数据进行预处理，具体为：筛除待测车辆的每组行驶数据中的异常数据；对待测车辆的每组行驶数据中的缺失数据进行填充。
可选的，该装置还包括模型训练单元。
模型训练单元用于：获得多个训练样本，其中，多个训练样本由多个样本车辆产生，每个训练样本包括样本车辆的瞬时特征数据、时段特征数据和驾驶行为特征数据，并且，每个训练样本标注有道路阻力系数的真实值；利用预先构建的道路阻力系数预测模型对训练样本进行预测，得到训练样本对应的道路阻力系数的预测值；依据训练样本对应的道路阻力系数的真实值和道路阻力系数的预测值，调整道路阻力系数预测模型，直至调整后的道路阻力系数预测模型满足预设收敛条件。
可选的，该预设收敛条件为：道路阻力系数预测模型的损失函数的值小于预设值。
可选的，该道路阻力系数预测模型的损失函数为：多个训练样本的道路阻力系数的真实值和预测值的差值，与真实值的比值的绝对值。
最后，还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本申请。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本申请的精神或范围的情况下，在其它实施例中实现。因此，本申请将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。

Claims (10)

1.一种确定车辆重量的方法，其特征在于，包括：
获取待测车辆的至少一组行驶数据；
对获取的所述待测车辆的每组行驶数据进行预处理；
调用预先完成训练的道路阻力系数预测模型，其中，所述道路阻力系数预测模型利用多个车辆的历史行驶数据和对应的道路阻力系数的真实值训练产生；
将经过预处理的每组行驶数据分别作为所述道路阻力系数预测模型的输入，得到所述道路阻力系数预测模型输出的、与所述待测车辆的每组行驶数据对应的道路阻力系数的预测值，每组行驶数据对应一个道路阻力系数的预测值；
根据所述道路阻力系数预测模型输出的道路阻力系数的预测值，确定所述待测车辆的道路阻力系数的最终值；
根据所述待测车辆的道路阻力系数的最终值确定所述待测车辆的重量。
2.根据权利要求1所述的方法，其特征在于，所述获取待测车辆的至少一组行驶数据，包括：获取所述待测车辆的至少两组行驶数据；
所述根据所述道路阻力系数预测模型输出的道路阻力系数的预测值，确定所述待测车辆的道路阻力系数的最终值，包括：计算所述道路阻力系数预测模型输出的全部或部分道路阻力系数的预测值的平均值，将所述平均值确定为所述待测车辆的道路阻力系数的最终值。
3.根据权利要求1所述的方法，其特征在于，所述对所述待测车辆的每组行驶数据进行预处理，包括：
筛除所述待测车辆的每组行驶数据中的异常数据；
对所述待测车辆的每组行驶数据中的缺失数据进行填充。
4.根据权利要求1所述的方法，其特征在于，所述道路阻力系数预测模型的训练过程，包括：
获得多个训练样本，其中，所述多个训练样本由多个样本车辆产生，每个训练样本包括样本车辆的瞬时特征数据、时段特征数据和驾驶行为特征数据，并且，每个训练样本标注有道路阻力系数的真实值；
利用预先构建的道路阻力系数预测模型对所述训练样本进行预测，得到所述训练样本对应的道路阻力系数的预测值；
依据所述训练样本对应的道路阻力系数的真实值和道路阻力系数的预测值，调整所述道路阻力系数预测模型，直至调整后的道路阻力系数预测模型满足预设收敛条件。
5.根据权利要求4所述的方法，其特征在于，所述预设收敛条件为：
所述道路阻力系数预测模型的损失函数的值小于预设值。
6.根据权利要求5所述的方法，其特征在于，所述道路阻力系数预测模型的损失函数为：
所述多个训练样本的道路阻力系数的真实值和预测值的差值，与真实值的比值的绝对值。
7.一种确定车辆重量的装置，其特征在于，包括：
行驶数据获取单元，用于获取待测车辆的至少一组行驶数据；
预处理单元，用于对获取的所述待测车辆的每组行驶数据进行预处理；
系数预测单元，调用预先完成训练的道路阻力系数预测模型，将经过预处理的每组行驶数据分别作为所述道路阻力系数预测模型的输入，得到所述道路阻力系数预测模型输出的、与所述待测车辆的每组行驶数据对应的道路阻力系数的预测值，每组行驶数据对应一个道路阻力系数的预测值，其中，所述道路阻力系数预测模型利用多个车辆的历史行驶数据和对应的道路阻力系数的真实值训练产生；
确定单元，用于根据所述道路阻力系数预测模型输出的道路阻力系数的预测值，确定所述待测车辆的道路阻力系数的最终值，根据所述待测车辆的道路阻力系数的最终值确定所述待测车辆的重量。
8.根据权利要求7所述的装置，其特征在于，所述行驶数据获取单元获取待测车辆的至少一组行驶数据，具体为：获取所述待测车辆的至少两组行驶数据；
所述确定单元根据所述道路阻力系数预测模型输出的道路阻力系数的预测值，确定所述待测车辆的道路阻力系数的最终值，具体为：计算所述道路阻力系数预测模型输出的全部或部分道路阻力系数的预测值的平均值，将所述平均值确定为所述待测车辆的道路阻力系数的最终值。
9.根据权利要求7所述的装置，其特征在于，所述预处理单元对所述待测车辆的每组行驶数据进行预处理，具体为：
筛除所述待测车辆的每组行驶数据中的异常数据；对所述待测车辆的每组行驶数据中的缺失数据进行填充。
10.根据权利要求7所述的装置，其特征在于，还包括模型训练单元；
所述模型训练单元用于：获得多个训练样本，其中，所述多个训练样本由多个样本车辆产生，每个训练样本包括样本车辆的瞬时特征数据、时段特征数据和驾驶行为特征数据，并且，每个训练样本标注有道路阻力系数的真实值；利用预先构建的道路阻力系数预测模型对所述训练样本进行预测，得到所述训练样本对应的道路阻力系数的预测值；依据所述训练样本对应的道路阻力系数的真实值和道路阻力系数的预测值，调整所述道路阻力系数预测模型，直至调整后的道路阻力系数预测模型满足预设收敛条件。
CN202010595150.7A 2020-06-23 2020-06-23 一种确定车辆重量的方法及装置 Active CN111707343B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010595150.7A CN111707343B (zh) 2020-06-23 2020-06-23 一种确定车辆重量的方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010595150.7A CN111707343B (zh) 2020-06-23 2020-06-23 一种确定车辆重量的方法及装置

Publications (2)

Publication Number Publication Date
CN111707343A true CN111707343A (zh) 2020-09-25
CN111707343B CN111707343B (zh) 2022-01-28

Family

ID=72542811

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010595150.7A Active CN111707343B (zh) 2020-06-23 2020-06-23 一种确定车辆重量的方法及装置

Country Status (1)

Country Link
CN (1) CN111707343B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115204417A (zh) * 2022-09-13 2022-10-18 鱼快创领智能科技(南京)有限公司 基于集成学习的车辆重量预测方法、***及存储介质
CN116070520A (zh) * 2023-01-20 2023-05-05 清华大学 水流阻力预测模型的构建方法、流量预测方法及装置
CN116702096A (zh) * 2023-08-04 2023-09-05 中汽研汽车检验中心(昆明)有限公司 车辆高原环境道路滑行阻力测算方法及装置

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP1387153A1 (de) * 2002-08-03 2004-02-04 Robert Bosch Gmbh Verfahren und Vorrichtung zur Ermittlung der Fahrzeugmasse
CN102486400A (zh) * 2010-12-06 2012-06-06 罗伯特·博世有限公司 车辆质量辨识方法和装置
CN102717800A (zh) * 2012-06-13 2012-10-10 吉林大学 基于发动机万有特性的汽车经济性巡航控制方法
CN103287437A (zh) * 2012-02-22 2013-09-11 厦门金龙联合汽车工业有限公司 一种基于车辆运行工况的发动机自适应***及节油方法
CN109466562A (zh) * 2018-10-15 2019-03-15 浙江吉利新能源商用车有限公司 车辆重量自动获取、车辆超载自动报警的***及方法
CN109668610A (zh) * 2019-01-11 2019-04-23 东南大学 基于神经网络回归的车辆动态测重方法及其采用的***
CN110044451A (zh) * 2019-04-30 2019-07-23 湖南行必达网联科技有限公司 车辆负载的称重方法、装置及电子设备
CN110920625A (zh) * 2019-11-27 2020-03-27 北京交通大学 一种电动汽车整车质量与道路阻力的解耦及持续估计方法
CN111016917A (zh) * 2018-10-10 2020-04-17 北汽福田汽车股份有限公司 车辆载重量检测方法、装置、计算机可读存储介质及车辆
CN111198032A (zh) * 2018-11-19 2020-05-26 陕西汽车集团有限责任公司 汽车质量实时估算方法

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP1387153A1 (de) * 2002-08-03 2004-02-04 Robert Bosch Gmbh Verfahren und Vorrichtung zur Ermittlung der Fahrzeugmasse
CN102486400A (zh) * 2010-12-06 2012-06-06 罗伯特·博世有限公司 车辆质量辨识方法和装置
CN103287437A (zh) * 2012-02-22 2013-09-11 厦门金龙联合汽车工业有限公司 一种基于车辆运行工况的发动机自适应***及节油方法
CN102717800A (zh) * 2012-06-13 2012-10-10 吉林大学 基于发动机万有特性的汽车经济性巡航控制方法
CN111016917A (zh) * 2018-10-10 2020-04-17 北汽福田汽车股份有限公司 车辆载重量检测方法、装置、计算机可读存储介质及车辆
CN109466562A (zh) * 2018-10-15 2019-03-15 浙江吉利新能源商用车有限公司 车辆重量自动获取、车辆超载自动报警的***及方法
CN111198032A (zh) * 2018-11-19 2020-05-26 陕西汽车集团有限责任公司 汽车质量实时估算方法
CN109668610A (zh) * 2019-01-11 2019-04-23 东南大学 基于神经网络回归的车辆动态测重方法及其采用的***
CN110044451A (zh) * 2019-04-30 2019-07-23 湖南行必达网联科技有限公司 车辆负载的称重方法、装置及电子设备
CN110920625A (zh) * 2019-11-27 2020-03-27 北京交通大学 一种电动汽车整车质量与道路阻力的解耦及持续估计方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
魏庆凯: "越野车辆液力机械式自动变速器换挡控制技术研究", 《中国博士学位论文全文数据库 工程科技II辑》 *

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115204417A (zh) * 2022-09-13 2022-10-18 鱼快创领智能科技(南京)有限公司 基于集成学习的车辆重量预测方法、***及存储介质
CN115204417B (zh) * 2022-09-13 2022-12-27 鱼快创领智能科技(南京)有限公司 基于集成学习的车辆重量预测方法、***及存储介质
CN116070520A (zh) * 2023-01-20 2023-05-05 清华大学 水流阻力预测模型的构建方法、流量预测方法及装置
CN116702096A (zh) * 2023-08-04 2023-09-05 中汽研汽车检验中心(昆明)有限公司 车辆高原环境道路滑行阻力测算方法及装置
CN116702096B (zh) * 2023-08-04 2023-10-03 中汽研汽车检验中心(昆明)有限公司 车辆高原环境道路滑行阻力测算方法及装置

Also Published As

Publication number Publication date
CN111707343B (zh) 2022-01-28

Similar Documents

Publication Publication Date Title
CN111707343B (zh) 一种确定车辆重量的方法及装置
CN108960426B (zh) 基于bp神经网络的道路坡度综合估计***
CN110148230B (zh) 一种基于lstm神经网络的整车载重预测方法
CN112765772B (zh) 一种基于数据驱动的动力电池剩余寿命预测方法
CN111452619B (zh) 电动车辆在线能耗预测方法及***
CN101590832B (zh) 行驶能量学习装置以及方法
CN103402847B (zh) 用于确定车辆的行驶阻力的方法
CN109131350B (zh) 一种混合动力汽车能量管理方法及***
CN111038334A (zh) 一种电动汽车续驶里程预测方法及装置
CN111191824B (zh) 一种动力电池容量衰减预测方法及***
CN104598753B (zh) 一种基于Brakhage v方法的桥梁移动车辆荷载识别方法
CN102486400A (zh) 车辆质量辨识方法和装置
CN109808699B (zh) 一种预估车辆载重的方法及***
CN112345956A (zh) 一种电池组荷电状态检测方法和装置
CN112860782A (zh) 一种基于大数据分析的纯电动车续驶里程估计方法
CN111198032A (zh) 汽车质量实时估算方法
CN115586023A (zh) 一种轨道车辆传动***故障诊断方法及***
CN108510130A (zh) 一种智能无人驾驶车辆极限里程智能多源评估方法及装置
CN114676870A (zh) 车速预测方法、车速预测模型训练方法和相关装置
CN109421679A (zh) 一种车辆自适应主动刹车方法
CN115655431A (zh) 一种汽车载重的估算方法、***、计算机及存储介质
US20210241104A1 (en) Device, method and machine learning system for determining a velocity for a vehicle
CN113567863A (zh) 基于量子同化与数据填充的异常退化锂电池容量预测方法
CN112949187A (zh) 整车质量计算方法
CN107368914B (zh) 一种基于bp神经网络的超速辨别模型优化方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
CB02 Change of applicant information

Address after: 4 / F, building 1, No.14 Jiuxianqiao Road, Chaoyang District, Beijing 100020

Applicant after: Beijing Jingwei Hirain Technologies Co.,Inc.

Address before: 8 / F, block B, No. 11, Anxiang Beili, Chaoyang District, Beijing 100101

Applicant before: Beijing Jingwei HiRain Technologies Co.,Ltd.

CB02 Change of applicant information
GR01 Patent grant
GR01 Patent grant