CN111912506A - 一种确定机动车载重状态的方法和设备 - Google Patents

Abstract

本发明公开了一种确定机动车载重状态的方法和设备，该方法包括：获取所述机动车在预设时间间隔内的历史运行数据，所述历史运行数据至少包括运行轨迹数据、运行速度数据、发动机声音数据以及实际载重数据；根据不同时间点位的所述运行速度数据和所述发动机声音数据确定所述机动车运行时的重量特征值序列；基于所述重量特征值序列和所述运行轨迹数据对预设多元线性回归模型进行训练，以确定所述预设多元线性回归模型的模型结构；当所述机动车在加速度为零的预设行驶状态时，基于所述模型结构确定所述机动车的当前载重状态，从而在不依赖地磅秤或高刚度载荷感应传感器的情况下灵活高效的确定机动车的载重状态。

Description

一种确定机动车载重状态的方法和设备

技术领域

本申请涉及机动车载重检测技术领域，更具体地，涉及一种确定机动车载重状态的方法和设备。

背景技术

对于用于运输货物的机动车，其载重信息非常重要。对于车队管理者来说，载重信息能用于监控机动车运行情况；对于交通管理部门来说，载重信息可用于监控机动车是否出现超载，避免交通安全损失。然而，获取货车载重信息需要付出很大的人力和物力成本，市场上缺少智能检测货车载重的***或装置。

传统的机动车载重检测需要把载货的机动车行驶到有地磅称的地方进行检测有没有超载，这对货车司机和远程管理者带来不便。或需要安装相应的载荷感应传感器，货箱需要压在传感器一端，传感器另一端压在车架上，这样的检测***，对传感器有很高的刚度设计要求，传感器需要承载货箱重量，若长时间使用会造成传感器损坏使得检测功能失效。安装这种传感器，整车年检的安全检测也不容易通过；若选择安装不易损坏的传感器，如国外的电容式的传感器，几千元一只，整个***软硬件成本下来得万元以上，价格昂贵，且安装设计不灵活。

因此，如何更加高效便捷地确定机动车的载重状态，是目前有待解决的技术问题。

发明内容

针对现有技术中确定机动车的载重状态时存在成本高，监测过程复杂的技术问题，本发明提供了一种确定机动车载重状态的方法，该方法包括：

获取所述机动车在预设时间间隔内的历史运行数据，所述历史运行数据至少包括运行轨迹数据、运行速度数据、发动机声音数据以及实际载重数据；

根据不同时间点位的所述运行速度数据和所述发动机声音数据确定所述机动车运行时的重量特征值序列；

基于所述重量特征值序列和所述运行轨迹数据对预设多元线性回归模型进行训练，以确定所述预设多元线性回归模型的模型结构；

当所述机动车在加速度为零的预设行驶状态时，基于所述模型结构确定所述机动车的总重量，并根据所述总重量与所述机动车的空载重状态的差值确定所述机动车的当前载重状态，所述预设行驶状态为发动机扭矩在第一预设范围内，且运行速度在第二预设范围内，且速度偏差在第三预设范围内。

优选的，基于所述重量特征值序列和所述运行轨迹数据对预设多元线性回归模型进行训练，具体为：

基于一阶差分算法和或均值滤波算法对所述重量特征值序列进行过滤；

根据所述过滤的结果确定最终重量特征值序列；

基于窗口函数确定所述运行轨迹数据中的有效运行轨迹数据；

从所述有效运行轨迹数据中筛选出非上下坡数据，所述非上下坡数据为所述机动车在预设时间内的海拔差值的绝对值小于预设距离的数据；

将所述最终重量特征值序列和所述非上下坡数据作为训练数据进行所述训练。

优选的，预先确定所述预设多元线性回归模型的相关系数，所述相关系数至少包括发动机在传递过程中的损失系数、空气阻力对机动车行驶的阻碍系数以及影响因数系数，将所述最终重量特征值序列和所述非上下坡数据作为训练数据进行所述训练，具体为：

将各所述相关系数的预设值和所述训练数据输入所述预设多元线性回归模型，以确定预测载重状态；

根据所述预测载重状态和所述实际载重数据的差值确定预测误差；

当所述预测误差的绝对值小于预设阈值时，基于各所述预设值确定所述模型结构；

当所述预测误差的绝对值不小于所述预设阈值时，设定各所述相关系数的新的预设值，继续将各所述新的预设值和所述训练数据输入所述预设多元线性回归模型。

优选的，基于窗口函数确定所述运行轨迹数据中的有效运行轨迹数据，具体为：

确定所述运行轨迹数据中的异常数据点，所述异常数据点包括：在同一时间戳上存在多条运行轨迹数据的数据点，和或里程数据丢失的数据点，和或里程信号跳变的数据点；

基于所述窗口函数提取所述异常数据点并进行剔除操作，所述剔除操作具体包括合并、和或填充、和或删除的操作；

基于所述剔除操作的结果确定所述有效运行轨迹数据

优选的，根据不同时间点位的所述运行速度数据和所述发动机声音数据确定所述机动车运行时的重量特征值序列，具体为：

基于所述运行速度数据确定所述机动车各次加速的开始时刻和结束时刻；

根据各次所述开始时刻和所述结束时刻确定所述机动车的加速度时间序列；

根据所述加速度时间序列中每次加速的四分位距数据中的二三分位数据的平均值确定加速度特征值序列；

基于所述发动机声音数据确定与所述加速度时间序列对应的声音能量时间序列，所述声音能量时间序列的时间点位超前所述加速度时间序列的时间点位预设时长；

根据所述声音能量时间序列中每次加速的四分位距数据中的二三分位数据的平均值确定声音能量特征值序列；

根据所述加速度特征值序列和所述声音能量特征值序列确定所述重量特征值序列。

相应地，本发明还提出了一种确定机动车载重状态的设备，所述设备包括：

获取模块，用于获取所述机动车在预设时间间隔内的历史运行数据，所述历史运行数据至少包括运行轨迹数据、运行速度数据、发动机声音数据以及实际载重数据；

第一确定模块，用于根据不同时间点位的所述运行速度数据和所述发动机声音数据确定所述机动车运行时的重量特征值序列；

训练模块，用于基于所述重量特征值序列和所述运行轨迹数据对预设多元线性回归模型进行训练，以确定所述预设多元线性回归模型的模型结构；

第二确定模块，用于当所述机动车在加速度为零的预设行驶状态时，基于所述模型结构确定所述机动车的总重量，并根据所述总重量与所述机动车的空载重状态的差值确定所述机动车的当前载重状态，所述预设行驶状态为发动机扭矩在第一预设范围内，且运行速度在第二预设范围内，且速度偏差在第三预设范围内。

优选的，所述训练模块，具体用于：

基于一阶差分算法和或均值滤波算法对所述重量特征值序列进行过滤；

根据所述过滤的结果确定最终重量特征值序列；

基于窗口函数确定所述运行轨迹数据中的有效运行轨迹数据；

从所述有效运行轨迹数据中筛选出非上下坡数据，所述非上下坡数据为所述机动车在预设时间内的海拔差值的绝对值小于预设距离的数据；

将所述最终重量特征值序列和所述非上下坡数据作为训练数据进行所述训练。

优选的，预先确定所述预设多元线性回归模型的相关系数，所述相关系数至少包括发动机在传递过程中的损失系数、空气阻力对机动车行驶的阻碍系数以及影响因数系数，所述训练模块，还具体用于：

将各所述相关系数的预设值和所述训练数据输入所述预设多元线性回归模型，以确定预测载重状态；

根据所述预测载重状态和所述实际载重数据的差值确定预测误差；

当所述预测误差的绝对值小于预设阈值时，基于各所述预设值确定所述模型结构；

当所述预测误差的绝对值不小于所述预设阈值时，设定各所述相关系数的新的预设值，继续将各所述新的预设值和所述训练数据输入所述预设多元线性回归模型。

优选的，所述训练模块，还具体用于：

确定所述运行轨迹数据中的异常数据点，所述异常数据点包括：在同一时间戳上存在多条运行轨迹数据的数据点，和或里程数据丢失的数据点，和或里程信号跳变的数据点；

基于所述窗口函数提取所述异常数据点并进行剔除操作，所述剔除操作具体包括合并、和或填充、和或删除的操作；

基于所述剔除操作的结果确定所述有效运行轨迹数据。

优选的，所述第一确定模块，具体用于：

基于所述运行速度数据确定所述机动车各次加速的开始时刻和结束时刻；

根据各次所述开始时刻和所述结束时刻确定所述机动车的加速度时间序列；

根据所述加速度时间序列中每次加速的四分位距数据中的二三分位数据的平均值确定加速度特征值序列；

基于所述发动机声音数据确定与所述加速度时间序列对应的声音能量时间序列，所述声音能量时间序列的时间点位超前所述加速度时间序列的时间点位预设时长；

根据所述声音能量时间序列中每次加速的四分位距数据中的二三分位数据的平均值确定声音能量特征值序列；

根据所述加速度特征值序列和所述声音能量特征值序列确定所述重量特征值序列。

与现有技术对比，本发明具备以下有益效果：

本发明公开了一种确定机动车载重状态的方法和设备，该方法包括：获取所述机动车在预设时间间隔内的历史运行数据，所述历史运行数据至少包括运行轨迹数据、运行速度数据、发动机声音数据以及实际载重数据；根据不同时间点位的所述运行速度数据和所述发动机声音数据确定所述机动车运行时的重量特征值序列；基于所述重量特征值序列和所述运行轨迹数据对预设多元线性回归模型进行训练，以确定所述预设多元线性回归模型的模型结构；当所述机动车在加速度为零的预设行驶状态时，基于所述模型结构确定所述机动车的当前载重状态，从而在不依赖地磅秤或高刚度载荷感应传感器的情况下灵活高效的确定机动车的载重状态。

附图说明

为了更清楚地说明本申请实施例中的技术方案，下面将对实施例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机动车载重状态的方法的流程示意图；

图2为本申请另一实施例公开的一种确定机动车载重状态的方法的流程示意图；

图3为本申请实施例提出的一种确定机动车载重状态的设备的结构示意图。

具体实施方式

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，所描述的实施例仅仅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作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。

如背景技术所述，现有技术中确定机动车的载重状态时成本高，监测过程复杂。

为此，本申请公开了一种确定机动车载重状态的方法，在不需要高刚度载荷传感器和地磅秤的情况下确定机动车载重状态，从而提高了确定机动车载重状态的效率和灵活性。如图1所示，包括以下步骤：

步骤S101、获取所述机动车在预设时间间隔内的历史运行数据，所述历史运行数据至少包括运行轨迹数据、运行速度数据、发动机声音数据以及实际载重数据。

可以理解的是，预设时间间隔为几天或十几天，这可以根据实际情况进行调整，在具体的应用场景中，通过CAN(Controller Area Network，控制器局域网络)总线从OBD(On-Board Diagnostics，车载诊断***)的和GPS(Global Positioning System，全球定位***)获取历史运行数据。其中，发动机声音数据可通过麦克风获取。

OBD是一个可以随时监控汽车运行状态的***，可以监测汽车上的多个***和部件，GPS是一种以空中卫星为基础的高精度无线电导航的定位***，它在全球任何地方以及近地空间都能够提供准确的地理位置、车行速度及精确的时间信息。

S102、根据不同时间点位的所述运行速度数据和所述发动机声音数据确定所述机动车运行时的重量特征值序列。

机动车在加速过程中，在产生加速度时发动机的声音也会相应变化，机动车在不同载重状态的情况下，其加速时间和加速时的声音能量也会不同，基于此，本申请根据不同时间点位的所述运行速度数据和所述发动机声音数据确定所述机动车运行时的重量特征值序列。

为准确获取重量特征值序列，在本申请优选的实施例中，根据不同时间点位的所述运行速度数据和所述发动机声音数据确定所述机动车运行时的重量特征值序列，具体为：

基于所述运行速度数据确定所述机动车各次加速的开始时刻和结束时刻；

根据各次所述开始时刻和所述结束时刻确定所述机动车的加速度时间序列；

根据所述加速度时间序列中每次加速的四分位距数据中的二三分位数据的平均值确定加速度特征值序列；

基于所述发动机声音数据确定与所述加速度时间序列对应的声音能量时间序列，所述声音能量时间序列的时间点位超前所述加速度时间序列的时间点位预设时长；

根据所述声音能量时间序列中每次加速的四分位距数据中的二三分位数据的平均值确定声音能量特征值序列；

根据所述加速度特征值序列和所述声音能量特征值序列确定所述重量特征值序列。

如上所述，先根据运行速度数据确定所述机动车各次加速的开始时刻和结束时刻，进而确定机动车的加速度时间序列，在本申请具体的应用场景中，根据本发明的实施例，根据车速、加速度和加速持续时间判断机动车的加速状态。例如，在车速大于15Km/h的情况下，如果加速度在3s以上的时间内持续大于0.3m/s，则判断机动车处于加速状态。由于每次加速时还会获取多个加速度，根据所述加速度时间序列中每次加速的四分位距数据中的二三分位数据的平均值确定加速度特征值序列。然后，基于发动机声音数据确定与所述加速度时间序列对应的声音能量时间序列，由于声音早于加速，声音能量时间序列的时间点位超前所述加速度时间序列的时间点位预设时长，由于每次加速时还会获取多个声音能量，还根据声音能量时间序列中每次加速的四分位距数据中的二三分位数据的平均值确定声音能量特征值序列，最后，根据所述加速度特征值序列和所述声音能量特征值序列确定所述重量特征值序列。在本申请具体的应用场景中，可以通过将加速度特征值除以声音能量特征值确定重量特征值，也可将声音能量特征值除以加速度特征值确定重量特征值，本领域技术人员可灵活选择上述确定方式或选择其他确定方式，这并不影响本申请的保护范围。

另外，还可根据每次加速时的加速度序列，对上述序列进行降序排列，取第二和第三个数值求平均作为此次加速的加速度特征值；根据每次加速时的声音能量序列，对其进行降序排列，取第二和第三个数值求平均作为此次加速的声音能量特征值。

需要说明的是，以上优选实施例的方案仅为本申请所提出的一种具体实现方案，其他根据不同时间点位的所述运行速度数据和所述发动机声音数据确定所述机动车运行时的重量特征值序列的方式均属于本申请的保护范围。

步骤S103、基于所述重量特征值序列和所述运行轨迹数据对预设多元线性回归模型进行训练，以确定所述预设多元线性回归模型的模型结构。

多元线性回归模型是指包括两个或两个以上自变量的回归模型，采用该多元线性回归模型来进行预测或者估计会更贴合实际和准确。

为保证合理的对多元线性回归模型进行训练，在本申请优选实施例中，基于所述重量特征值序列和所述运行轨迹数据对预设多元线性回归模型进行训练，具体为：

基于一阶差分算法和或均值滤波算法对所述重量特征值序列进行过滤；

根据所述过滤的结果确定最终重量特征值序列；

基于窗口函数确定所述运行轨迹数据中的有效运行轨迹数据；

从所述有效运行轨迹数据中筛选出非上下坡数据，所述非上下坡数据为所述机动车在预设时间内的海拔差值的绝对值小于预设距离的数据；

将所述最终重量特征值序列和所述非上下坡数据作为训练数据进行所述训练。

具体的，窗口函数是SQL中一类特别的函数。窗口函数的输入是多行记录并作用于一个窗口，窗口是由一个OVER子句定义的多行记录。窗口函数对其所作用的窗口中的每一行记录输出一条结果，基于窗口函数可以确定所述运行轨迹数据中的有效运行轨迹数据。由于机动车在上下坡时的数据不是机动车在稳定运行工况下的数据，会影响载重状态的准确性，因此需要从所述有效运行轨迹数据中筛选出非上下坡数据，所述非上下坡数据为所述机动车在预设时间内的海拔差值的绝对值小于预设距离的数据。另外，非上下坡数据也可通过四分位距数据中的二三分位数据获取。然后将最终重量特征值序列和非上下坡数据作为训练数据进行所述训练。

需要指出的是，以上优选实施例的方案仅为本申请所提出的一种具体实现方案，其他基于所述重量特征值序列和所述运行轨迹数据对预设多元线性回归模型进行训练的方式均属于本申请的保护范围。

为了获得准确的多元线性回归模型，在本申请优选的实施例中，预先确定所述预设多元线性回归模型的相关系数，所述相关系数至少包括发动机在传递过程中的损失系数、空气阻力对机动车行驶的阻碍系数以及影响因数系数，将所述最终重量特征值序列和所述非上下坡数据作为训练数据进行所述训练，具体为：

将各所述相关系数的预设值和所述训练数据输入所述预设多元线性回归模型，以确定预测载重状态；

根据所述预测载重状态和所述实际载重数据的差值确定预测误差；

当所述预测误差的绝对值小于预设阈值时，基于各所述预设值确定所述模型结构；

当所述预测误差的绝对值不小于所述预设阈值时，设定各所述相关系数的新的预设值，继续将各所述新的预设值和所述训练数据输入所述预设多元线性回归模型。

具体的，预先确定上述多元线性回归模型的相关系数，该相关系数可以为发动机在传递过程中的损失系数a、空气阻力对机动车行驶的阻碍系数b和影响因素c，在本申请的具体应用场景中，具体的公式可以为：

其中，M为预测的机动车载货总重量，将上述得到的最终重量特征值序列数据和非上下坡数据作为训练数据，各相关系数可以为预设值，以此对机动车的载重进行预测计算，并将计算得到的结果与实际载重相对比，若得到的结果与实际载重的误差小于预设的阈值例如10％时，则将保留相关的系数确定模型结构，若得到的结果与实际载重之间的误差大于预设的阈值例如10％时，重新进行训练计算。

本领域技术人员可灵活设定其他的多元线性回归模型的相关系数，设定其他不同的误差的预设阈值，这并不影响本申请的保护范围。

为了确定准确的有效运行轨迹数据，在本申请优选的实施例中，基于窗口函数确定所述运行轨迹数据中的有效运行轨迹数据，具体为：

确定所述运行轨迹数据中的异常数据点，所述异常数据点包括：在同一时间戳上存在多条运行轨迹数据的数据点，和或里程数据丢失的数据点，和或里程信号跳变的数据点；

基于所述窗口函数提取所述异常数据点并进行剔除操作，所述剔除操作具体包括合并、和或填充、和或删除的操作；

基于所述剔除操作的结果确定所述有效运行轨迹数据。

具体的，当GPS信号强度低或者发动机熄火/启动时所述运行轨迹数据都有可能产生异常数据，这就会造成运行轨迹数据存在信号质量问题，首先需要对所述运行轨迹数据进行预处理，预处理主要目的是剔除异常数据点。常见的异常数据点对应的数据质量问题包含如下几种：

(1)同一时间戳上传多条行驶数据

本发明实施例中，当同一时间戳上传多条运行轨迹数据时，通过窗口函数筛选同一时间上传的运行轨迹数据，选择最后一条运行轨迹数据作为当前时间戳的上传运行轨迹数据。

(2)里程数据或车速数据等信号丢失

本发明实施例中，当里程数据或者车速数据等信号丢失时，通过窗口函数提取丢失的里程数据或车速数据等信号，选择距离最近的一个非空行驶数据进行填充。

(3)里程信号跳变

本发明实施例中，里程信号的数值呈现递增的特性，跳变分两种情况，一种是跳变出正常合理范围，一种是跳变为负值(当前里程小于上一时刻里程)。处理方式如下：按照上传数据的频率为1次/30s，机动车最大限速100km/h，前后两个时刻行驶里程跳变量限值约为833m，以当前时刻为例，如果当前里程距离上一个里程的跳变范围过大(833m以上)，则认为此次里程上传的过程出错，直接过滤掉当前时刻的数据；如果跳变范围为负值(里程值减小)，则采用上一个和下一个时刻的里程求取平均值的方式替换当前时刻里程。

本发明实施例中，通过窗口函数设置提取异常数据点的条件并对上述几种异常数据点进行剔除操作，所述剔除操作具体包括合并、和或填充、和或删除的操作。

需要指出的是，以上优选实施例的方案仅为本申请所提出的一种具体实现方案，其他基于窗口函数确定有效运行轨迹数据的方式均属于本申请的保护范围。

步骤S104、当所述机动车在加速度为零的预设行驶状态时，基于所述模型结构确定所述机动车的总重量，并根据所述总重量与所述机动车的空载重状态的差值确定所述机动车的当前载重状态。

具体的，在通过模型结构确定载重状态时，需要使机动车在稳定的行驶工况下，以获得准确的结果，因此预设机动车的行驶状态，在机动车处于该预设行驶状态时才进行确定载重状态的过程，所述预设行驶状态为发动机扭矩在第一预设范围内，且运行速度在第二预设范围内，且速度偏差在第三预设范围内，在本申请的具体应用场景中，预设行驶状态可以为发动机扭矩区间为±100Nm、车速区间为40～120km/h以及车速偏差范围为±4km/h。通过步骤S103的训练，能确定误差值小于预设阈值的模型结构，并将重量特征值和行驶速度代入至该确定的模型结构中，并利用该模型结构可以计算出机动车的总重量，再将该得到的总重量减去机动车的空载重状态便得到机动车的当前载重状态。

通过应用本申请中的技术方案，获取所述机动车在预设时间间隔内的历史运行数据，所述历史运行数据至少包括运行轨迹数据、运行速度数据、发动机声音数据以及实际载重数据；根据不同时间点位的所述运行速度数据和所述发动机声音数据确定所述机动车运行时的重量特征值序列；基于所述重量特征值序列和所述运行轨迹数据对预设多元线性回归模型进行训练，以确定所述预设多元线性回归模型的模型结构；当所述机动车在加速度为零的预设行驶状态时，基于所述模型结构确定所述机动车的当前载重状态，从而在不依赖地磅秤或高刚度载荷感应传感器的情况下灵活高效的确定机动车的载重状态。

为了进一步阐述本发明的技术思想，现结合具体的应用场景，如图2所示，对本发明的技术方案进行说明。

步骤S201、获取历史运行数据。

机动车上预先安装有OBD和GPS，还安装有用于获取发动机声音数据的麦克风，从而获取到预设的时间间隔内的历史运行数据，所述历史运行数据至少包括运行轨迹数据、运行速度数据、发动机声音数据以及实际载重数据。

步骤S202、根据不同时间点位的所述运行速度数据和所述发动机声音数据确定所述机动车运行时的重量特征值序列。

对运行速度数据进行均值滤波和一阶差分计算获得加速度的时间序列，通过加速度的值和加速的持续时间判断机动车的加速状态，并确认加速状态开始和结束的时刻。根据本发明的实施例，根据车速、加速度和加速持续时间判断机动车的加速状态。例如，在车速大于15Km/h的情况下，如果加速度在3s以上的时间内持续大于0.3m/s，则判断机动车处于加速状态；

根据所述加速度时间序列中每次加速的四分位距数据中的二三分位数据的平均值确定加速度特征值序列；

发动机声音数据可通过麦克风获取，对发动机声音数据的波形进行400Hz的低通滤波，过滤除发动机以外的音源干扰，对滤波后的声音数据求每秒的能量积分值，得到声音能量的时间序列，由于声音早于加速，声音能量时间序列的时间点位超前所述加速度时间序列的时间点位3～5秒；

根据所述声音能量时间序列中每次加速的四分位距数据中的二三分位数据的平均值确定声音能量特征值序列；

根据所述加速度特征值序列和所述声音能量特征值序列确定所述重量特征值序列，可以通过将加速度特征值除以声音能量特征值确定重量特征值，也可将声音能量特征值除以加速度特征值确定重量特征值，本领域技术人员可灵活选择确定方式。

步骤S203、对重量特征值序列和运行轨迹数据进行处理。

基于所述窗口函数提取所述运行轨迹数据中的异常数据点并进行剔除操作后确定有效运行轨迹数据，所述异常数据点包括：在同一时间戳上存在多条运行轨迹数据的数据点，和或里程数据丢失的数据点，和或里程信号跳变的数据点；所述剔除操作具体包括合并、和或填充、和或删除的操作。

从有效运行轨迹数据中筛选出非上下坡数据，非上下坡数据为所述机动车在预设时间内的海拔差值的绝对值小于预设距离的数据，具体的，由大气压力传感器获得实时的大气压力，计算此时的海拔高度，用当前的海拔高度减去3秒前的海拔高度，对差值取绝对值，如果小于2m，则认为此时机动车的状态处于非上下坡状态，否则为上下坡状态。也可将有效运行轨迹数据中对应的四分位距中的二三分位数据确定为非上下坡数据。

步骤S204、根据最终重量特征值序列和非上下坡数据训练多元线性回归模型。

预先确定预设多元线性回归模型的相关系数，所述相关系数至少包括发动机在传递过程中的损失系数、空气阻力对机动车行驶的阻碍系数以及影响因数系数。

将所述最终重量特征值序列和所述非上下坡数据作为训练数据对预设多元线性回归模型进行训练，具体包括以下步骤：

步骤a，将各所述相关系数的预设值和所述训练数据输入所述预设多元线性回归模型，以确定预测载重状态；

步骤b，根据所述预测载重状态和所述实际载重数据的差值确定预测误差；

步骤c，判断预测误差的绝对值小于预设阈值，可设定预设阈值为10％，若是，执行步骤d，若否，执行步骤e；

步骤d，基于各所述预设值确定所述模型结构；

步骤e，设定各所述相关系数的新的预设值，执行步骤a。

在本发明实施例中，多元线性回归模型的具体公式如下：

其中，M为机动车的总重量，a为发动机在传递过程中的损失系数，T_t机动车的瞬时扭矩，R为汽车轮胎的标准半径，m_a为重量特征值，b为空气阻力对机动车行驶的阻碍系数，c为影响因素系数，v为相对应的时间点位的速度。

步骤S205、基于模型结构确定所述机动车的当前载重状态。

当发动机扭矩区间为±100Nm、车速区间为40～120km/h以及车速偏差范围为±4km/h时，将机动车的行驶状态看做是没有加速度的稳态工况，并作为预设行驶状态。

将机动车在加速度为零的预设行驶状态时的重量特征值和速度数据带入至确定的多元线性回归模型中进行计算，得到的值即为机动车的当前总重量，再将该得到的当前总重量减去机动车的空载重状态便得到机动车的当前载重状态。

另外，还可根据停车时长预设载重分段条件，比如，机动车只有在具有一定时长的停车情况下，才有可能进行换载，停车时间太短可能只是司机停车休息，无法完成换载；根据预设的载重分段条件，对机动车的载重段进行划分，在划分后的各载重段内确定机动车在预设行驶状态，提高准确性。

通过应用本申请中的技术方案，获取所述机动车在预设时间间隔内的历史运行数据，所述历史运行数据至少包括运行轨迹数据、运行速度数据、发动机声音数据以及实际载重数据；根据不同时间点位的所述运行速度数据和所述发动机声音数据确定所述机动车运行时的重量特征值序列；基于所述重量特征值序列和所述运行轨迹数据对预设多元线性回归模型进行训练，以确定所述预设多元线性回归模型的模型结构；当所述机动车在加速度为零的预设行驶状态时，基于所述模型结构确定所述机动车的当前载重状态，从而在不依赖地磅秤或高刚度载荷感应传感器的情况下灵活高效的确定机动车的载重状态。

为了达到以上目的，本发明还提出了一种确定机动车载重状态的设备，如图3所示，包括：

获取模块301，用于获取所述机动车在预设时间间隔内的历史运行数据，所述历史运行数据至少包括运行轨迹数据、运行速度数据、发动机声音数据以及实际载重数据；

第一确定模块302，用于根据不同时间点位的所述运行速度数据和所述发动机声音数据确定所述机动车运行时的重量特征值序列；

训练模块303，用于基于所述重量特征值序列和所述运行轨迹数据对预设多元线性回归模型进行训练，以确定所述预设多元线性回归模型的模型结构；

第二确定模块304，用于当所述机动车在加速度为零的预设行驶状态时，基于所述模型结构确定所述机动车的总重量，并根据所述总重量与所述机动车的空载重状态的差值确定所述机动车的当前载重状态，所述预设行驶状态为发动机扭矩在第一预设范围内，且运行速度在第二预设范围内，且速度偏差在第三预设范围内。

在具体的应用场景中，所述训练模块303，具体用于：

基于一阶差分算法和或均值滤波算法对所述重量特征值序列进行过滤；

根据所述过滤的结果确定最终重量特征值序列；

基于窗口函数确定所述运行轨迹数据中的有效运行轨迹数据；

从所述有效运行轨迹数据中筛选出非上下坡数据，所述非上下坡数据为所述机动车在预设时间内的海拔差值的绝对值小于预设距离的数据；

将所述最终重量特征值序列和所述非上下坡数据作为训练数据进行所述训练。

在具体的应用场景中，预先确定所述预设多元线性回归模型的相关系数，所述相关系数至少包括发动机在传递过程中的损失系数、空气阻力对机动车行驶的阻碍系数以及影响因数系数，所述训练模块303，还具体用于：

将各所述相关系数的预设值和所述训练数据输入所述预设多元线性回归模型，以确定预测载重状态；

根据所述预测载重状态和所述实际载重数据的差值确定预测误差；

当所述预测误差的绝对值小于预设阈值时，基于各所述预设值确定所述模型结构；

当所述预测误差的绝对值不小于所述预设阈值时，设定各所述相关系数的新的预设值，继续将各所述新的预设值和所述训练数据输入所述预设多元线性回归模型。

在具体的应用场景中，所述训练模块303，还具体用于：

确定所述运行轨迹数据中的异常数据点，所述异常数据点包括：在同一时间戳上存在多条运行轨迹数据的数据点，和或里程数据丢失的数据点，和或里程信号跳变的数据点；

基于所述窗口函数提取所述异常数据点并进行剔除操作，所述剔除操作具体包括合并、和或填充、和或删除的操作；

基于所述剔除操作的结果确定所述有效运行轨迹数据。

在具体的应用场景中，所述第一确定模块302，具体用于：

基于所述运行速度数据确定所述机动车各次加速的开始时刻和结束时刻；

根据各次所述开始时刻和所述结束时刻确定所述机动车的加速度时间序列；

根据所述加速度时间序列中每次加速的四分位距数据中的二三分位数据的平均值确定加速度特征值序列；

基于所述发动机声音数据确定与所述加速度时间序列对应的声音能量时间序列，所述声音能量时间序列的时间点位超前所述加速度时间序列的时间点位预设时长；

根据所述声音能量时间序列中每次加速的四分位距数据中的二三分位数据的平均值确定声音能量特征值序列；

根据所述加速度特征值序列和所述声音能量特征值序列确定所述重量特征值序列。

通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到本发明可以通过硬件实现，也可以借助软件加必要的通用硬件平台的方式来实现。基于这样的理解，本发明的技术方案可以以软件产品的形式体现出来，该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM，U盘，移动硬盘等)中，包括以若干指令的形式使一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施场景所述的方法。

本领域技术人员可以理解附图只是一个优选实施场景的示意图，附图中的模块或流程并不一定是实施本发明所必须的。

本领域技术人员可以理解装置中的模块可以按照实施场景描述分布于实施场景的装置中，也可以进行相应变化位于不同于本实施场景的一个或多个装置中。上述实施场景的模块可以合并为一个模块，也可以进一步拆分成多个子模块。

上述本发明序号仅仅为了描述，不代表实施场景的优劣。

最后应说明的是：以上实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不驱使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围。

Claims (10)

1.一种确定机动车载重状态的方法，其特征在于，所述方法包括：

获取所述机动车在预设时间间隔内的历史运行数据，所述历史运行数据至少包括运行轨迹数据、运行速度数据、发动机声音数据以及实际载重数据；

根据不同时间点位的所述运行速度数据和所述发动机声音数据确定所述机动车运行时的重量特征值序列；

基于所述重量特征值序列和所述运行轨迹数据对预设多元线性回归模型进行训练，以确定所述预设多元线性回归模型的模型结构；

当所述机动车在加速度为零的预设行驶状态时，基于所述模型结构确定所述机动车的总重量，并根据所述总重量与所述机动车的空载重状态的差值确定所述机动车的当前载重状态，所述预设行驶状态为发动机扭矩在第一预设范围内，且运行速度在第二预设范围内，且速度偏差在第三预设范围内。

2.如权利要求1所述的方法，其特征在于，基于所述重量特征值序列和所述运行轨迹数据对预设多元线性回归模型进行训练，具体为：

基于一阶差分算法和或均值滤波算法对所述重量特征值序列进行过滤；

根据所述过滤的结果确定最终重量特征值序列；

基于窗口函数确定所述运行轨迹数据中的有效运行轨迹数据；

从所述有效运行轨迹数据中筛选出非上下坡数据，所述非上下坡数据为所述机动车在预设时间内的海拔差值的绝对值小于预设距离的数据；

将所述最终重量特征值序列和所述非上下坡数据作为训练数据进行所述训练。

3.如权利要求2所述的方法，其特征在于，预先确定所述预设多元线性回归模型的相关系数，所述相关系数至少包括发动机在传递过程中的损失系数、空气阻力对机动车行驶的阻碍系数以及影响因数系数，将所述最终重量特征值序列和所述非上下坡数据作为训练数据进行所述训练，具体为：

将各所述相关系数的预设值和所述训练数据输入所述预设多元线性回归模型，以确定预测载重状态；

根据所述预测载重状态和所述实际载重数据的差值确定预测误差；

当所述预测误差的绝对值小于预设阈值时，基于各所述预设值确定所述模型结构；

当所述预测误差的绝对值不小于所述预设阈值时，设定各所述相关系数的新的预设值，继续将各所述新的预设值和所述训练数据输入所述预设多元线性回归模型。

4.如权利要求2所述的方法，其特征在于，基于窗口函数确定所述运行轨迹数据中的有效运行轨迹数据，具体为：

确定所述运行轨迹数据中的异常数据点，所述异常数据点包括：在同一时间戳上存在多条运行轨迹数据的数据点，和或里程数据丢失的数据点，和或里程信号跳变的数据点；

基于所述窗口函数提取所述异常数据点并进行剔除操作，所述剔除操作具体包括合并、和或填充、和或删除的操作；

基于所述剔除操作的结果确定所述有效运行轨迹数据。

5.如权利要求1所述的方法，其特征在于，根据不同时间点位的所述运行速度数据和所述发动机声音数据确定所述机动车运行时的重量特征值序列，具体为：

基于所述运行速度数据确定所述机动车各次加速的开始时刻和结束时刻；

根据各次所述开始时刻和所述结束时刻确定所述机动车的加速度时间序列；

根据所述加速度时间序列中每次加速的四分位距数据中的二三分位数据的平均值确定加速度特征值序列；

基于所述发动机声音数据确定与所述加速度时间序列对应的声音能量时间序列，所述声音能量时间序列的时间点位超前所述加速度时间序列的时间点位预设时长；

根据所述声音能量时间序列中每次加速的四分位距数据中的二三分位数据的平均值确定声音能量特征值序列；

根据所述加速度特征值序列和所述声音能量特征值序列确定所述重量特征值序列。

6.一种确定机动车载重状态的设备，其特征在于，所述设备包括：

获取模块，用于获取所述机动车在预设时间间隔内的历史运行数据，所述历史运行数据至少包括运行轨迹数据、运行速度数据、发动机声音数据以及实际载重数据；

第一确定模块，用于根据不同时间点位的所述运行速度数据和所述发动机声音数据确定所述机动车运行时的重量特征值序列；

训练模块，用于基于所述重量特征值序列和所述运行轨迹数据对预设多元线性回归模型进行训练，以确定所述预设多元线性回归模型的模型结构；

第二确定模块，用于当所述机动车在加速度为零的预设行驶状态时，基于所述模型结构确定所述机动车的总重量，并根据所述总重量与所述机动车的空载重状态的差值确定所述机动车的当前载重状态，所述预设行驶状态为发动机扭矩在第一预设范围内，且运行速度在第二预设范围内，且速度偏差在第三预设范围内。

7.如权利要求6所述的设备，其特征在于，所述训练模块，具体用于：

基于一阶差分算法和或均值滤波算法对所述重量特征值序列进行过滤；

根据所述过滤的结果确定最终重量特征值序列；

基于窗口函数确定所述运行轨迹数据中的有效运行轨迹数据；

从所述有效运行轨迹数据中筛选出非上下坡数据，所述非上下坡数据为所述机动车在预设时间内的海拔差值的绝对值小于预设距离的数据；

将所述最终重量特征值序列和所述非上下坡数据作为训练数据进行所述训练。

8.如权利要求7所述设备，其特征在于，预先确定所述预设多元线性回归模型的相关系数，所述相关系数至少包括发动机在传递过程中的损失系数、空气阻力对机动车行驶的阻碍系数以及影响因数系数，所述训练模块，还具体用于：

将各所述相关系数的预设值和所述训练数据输入所述预设多元线性回归模型，以确定预测载重状态；

根据所述预测载重状态和所述实际载重数据的差值确定预测误差；

当所述预测误差的绝对值小于预设阈值时，基于各所述预设值确定所述模型结构；

当所述预测误差的绝对值不小于所述预设阈值时，设定各所述相关系数的新的预设值，继续将各所述新的预设值和所述训练数据输入所述预设多元线性回归模型。

9.如权利要求7所述设备，其特征在于，所述训练模块，还具体用于：

确定所述运行轨迹数据中的异常数据点，所述异常数据点包括：在同一时间戳上存在多条运行轨迹数据的数据点，和或里程数据丢失的数据点，和或里程信号跳变的数据点；

基于所述窗口函数提取所述异常数据点并进行剔除操作，所述剔除操作具体包括合并、和或填充、和或删除的操作；

基于所述剔除操作的结果确定所述有效运行轨迹数据。

10.如权利要求6所述的设备，其特征在于，所述第一确定模块，具体用于：

基于所述运行速度数据确定所述机动车各次加速的开始时刻和结束时刻；

根据各次所述开始时刻和所述结束时刻确定所述机动车的加速度时间序列；

根据所述加速度时间序列中每次加速的四分位距数据中的二三分位数据的平均值确定加速度特征值序列；

基于所述发动机声音数据确定与所述加速度时间序列对应的声音能量时间序列，所述声音能量时间序列的时间点位超前所述加速度时间序列的时间点位预设时长；

根据所述声音能量时间序列中每次加速的四分位距数据中的二三分位数据的平均值确定声音能量特征值序列；

根据所述加速度特征值序列和所述声音能量特征值序列确定所述重量特征值序列。

Images