CN113158141B - 基于大数据的新能源汽车超载检测方法 - Google Patents

基于大数据的新能源汽车超载检测方法 Download PDF

Info

Publication number
CN113158141B
CN113158141B CN202110372170.2A CN202110372170A CN113158141B CN 113158141 B CN113158141 B CN 113158141B CN 202110372170 A CN202110372170 A CN 202110372170A CN 113158141 B CN113158141 B CN 113158141B
Authority
CN
China
Prior art keywords
overload
probability
target vehicle
road section
average speed
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.)
Active
Application number
CN202110372170.2A
Other languages
English (en)
Other versions
CN113158141A (zh
Inventor
王震坡
刘鹏
张普琛
张照生
武烨
曲昌辉
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 Institute of Technology BIT
Original Assignee
Beijing Institute of Technology BIT
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 Institute of Technology BIT filed Critical Beijing Institute of Technology BIT
Priority to CN202110372170.2A priority Critical patent/CN113158141B/zh
Publication of CN113158141A publication Critical patent/CN113158141A/zh
Priority to PCT/CN2021/129476 priority patent/WO2022213596A1/zh
Application granted granted Critical
Publication of CN113158141B publication Critical patent/CN113158141B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/15—Correlation function computation including computation of convolution operations
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/40—Business processes related to the transportation industry

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Physics (AREA)
  • Computational Mathematics (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • Business, Economics & Management (AREA)
  • General Engineering & Computer Science (AREA)
  • Algebra (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • General Health & Medical Sciences (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computing Systems (AREA)
  • Probability & Statistics with Applications (AREA)
  • Health & Medical Sciences (AREA)
  • Economics (AREA)
  • Operations Research (AREA)
  • Human Resources & Organizations (AREA)
  • Marketing (AREA)
  • Primary Health Care (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明提供了基于大数据的新能源汽车超载检测方法，通过计算同类车型在相同路段上的超载能耗概率，并与经处理的交管历史数据比较即可确定目标新能源汽车是否发生超载情况，克服了现有技术中繁复的单车单次的车辆检查方式，充分地发挥了新能源车辆以及大数据平台的优势，显著提高了超载检查的效率并降低了成本。结合对目标车辆平均速度概率的计算，将超载区分为超载且超速与超载不超速的不同情况，从而能够有效发现低速低耗能状态的超载目标车辆，避免了检查结果的遗漏或者将仅超速的目标误识别为超载，保证了本方法的精确性。本领域技术人员根据本发明所提供的教导，可以较为灵活地选择是否结合后续对平均速度的检测过程来调整结果的精确度。

Description

基于大数据的新能源汽车超载检测方法
技术领域
本发明属于新能源汽车大数据技术领域，具体涉及利用新能源汽车的大数据对车辆超载情况进行检测的方法。
背景技术
由于路况的不断改善和新能源汽车各项性能的提升，新能源汽车的超载问题也日趋严重。超载问题不仅仅会对公共道路造成破坏，还会对人员的生命财产安全造成伤害。超载问题已经成为导致交通事故的主要原因之一。
为了解决汽车超载问题，交通管理部门及其相关部门耗费大量的人力物力财力，然而在目前条件下，无论是对于传统燃油车辆亦或是新能源汽车超载的检测方法主要包括：设置超限站进行检测，给车辆加装加速度传感器进行检测以及交管部门工作人员进行车辆超载例行检查等方法，都仍然局限于单车单次的检测，在实时性和检测效率方面均存在严重缺陷，所耗费的人力、物力、财力成本极高。
发明内容
有鉴于此，本发明旨在解决现有技术中超载检测效率低下成本过高的技术问题，利用新能源汽车与大数据、车联网等技术的优势，提供了一种基于大数据的新能源汽车超载检测方法，具体包括以下步骤：
(1)对某新能源汽车车型在某一特定路段上行驶的多个连续片段所对应的行驶工况数据进行采集；
(2)利用所采集的每个片段所对应的行驶工况数据，计算出目标车辆在每个所述片段上消耗的能量；基于每个片段上消耗的能量，得到目标车辆在该路段上消耗的总能量；
(3)对同一车型其他车辆重复执行步骤(1)-(2)，并统计得到该车型在该路段所消耗总能量的概率密度函数；
(4)基于所述总能量的概率密度函数计算得到该车型的待测目标车辆当前在该路段行驶时消耗的总能量的概率，并与根据交管部门的历史统计数据所确定的超载能量概率阈值比较，从而确定目标车辆是否发生超载。
进一步地，步骤(2)具体为：获取多个连续片段所对应的行驶工况数据中的电压与电流数据，通过以下公式计算某特定车型在该路段上消耗的总能量E：
Figure BDA0003009712510000011
其中，n为采集片段的次数；Uk为第k次采样的电压，单位为V；Ik为第k次采样的电流，单位为A；Δt为相邻两次采样的时间间隔，单位为s；E的单位为J。
进一步地，根据交管部门的历史统计数据确定超载能量概率阈值的具体计算方法为：
Figure BDA0003009712510000021
其中，n1为同路段上已经检查过的与目标车辆同类型的车辆总数；n2为已经检查过的同类车辆超载且超速的总数；
比较目标车辆在该路段行驶时消耗的总能量的概率P(E测)与所述P1，如果P(E测)>P1则确认发生超载。
进一步地，在执行所述步骤(1)-(3)后，还执行以下步骤(5)-(6)：
(5)利用所采集的每个片段所对应的行驶工况数据，计算出目标车辆在每个所述片段上平均速度；基于每个片段上的平均速度，得到目标车辆在该路段上总平均速度；
(6)对同一车型其他车辆重复执行步骤(5)，并统计得到该车型在该路段上总平均速度的概率密度函数；
当50％<P(E测)<P1时，则利用所述总平均速度的概率密度函数计算目标车辆平均速度的概率，并与根据交管部门的历史统计数据所确定的速度概率阈值比较，从而确定目标车辆是否发生超载。
进一步地，步骤(6)具体为：获取多个连续片段所对应的平均速度vk，通过以下公式计算某特定车型在该路段上的总平均速度v：
Figure BDA0003009712510000022
进一步地，根据交管部门的历史统计数据确定超速概率阈值的具体计算方法为：
Figure BDA0003009712510000023
其中，n1为同路段上已经检查过的与目标车辆同类型的车辆总数；n3为已经检查过的同类车辆超载但未超速的总数；
比较目标车辆在该路段行驶时总平均速度的概率P(v测)与所述P2，如果P(v测)<P2则确认发生超载，否则没有发生超载。
上述本发明所提供的方法，通过计算同类车型在相同路段上的超载能耗概率，并与经处理的交管历史数据比较即可确定目标新能源汽车是否发生超载情况，克服了现有技术中繁复的单车单次的检查方式，充分地发挥了新能源车辆以及大数据平台的优势，显著提高了超载检查的效率并降低了成本。结合对目标车辆超速概率的计算，将超载区分为超载且超速与超载不超速的不同情况，从而能够有效发现低速低耗能状态的超载目标车辆，避免了检查结果的遗漏或者将仅超速的目标误识别为超载，保证了本方法的精确性。本领域技术人员根据本发明所提供的教导，可以较为灵活地选择是否结合后续对平均速度的检测过程来调整结果的精确度。
附图说明
图1为本发明所提供方法的流程示意图。
具体实施方式
下面将结合附图对本发明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发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，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，都属于本发明保护的范围。
本发明所提供的基于大数据的新能源汽车超载检测方法，具体包括以下步骤：
(1)对某新能源汽车车型在某一特定路段上行驶的多个连续片段所对应的行驶工况数据进行采集；
(2)利用所采集的每个片段所对应的行驶工况数据，计算出目标车辆在每个所述片段上消耗的能量；基于每个片段上消耗的能量，得到目标车辆在该路段上消耗的总能量；
(3)对同一车型其他车辆重复执行步骤(1)-(2)，并统计得到该车型在该路段所消耗总能量的概率密度函数；
(4)基于所述总能量的概率密度函数计算得到该车型的待测目标车辆当前在该路段行驶时消耗的总能量的概率，并与根据交管部门的历史统计数据所确定的超载能量概率阈值比较，从而确定目标车辆是否发生超载。
在本发明的一个优选实施方式中，步骤(2)具体为：获取多个连续片段所对应的行驶工况数据中的电压与电流数据，通过以下公式计算某特定车型车辆在该路段上消耗的总能量E：
Figure BDA0003009712510000031
其中，n为采集片段的次数；Uk为第k次采样的电压，单位为V；Ik为第k次采样的电流，单位为A；Δt为相邻两次采样的时间间隔，单位为s；E的单位为J。
根据交管部门的历史统计数据确定超载能量概率阈值的具体计算方法为：
Figure BDA0003009712510000032
其中，n1为同路段上已经检查过的与目标车辆同类型的车辆总数；n2为已经检查过的同类车辆超载且超速的总数；
利用总能量的概率密度函数fE(x)通过公式
Figure BDA0003009712510000033
即可得到目标车辆总能量的概率。比较目标车辆在该路段行驶时消耗的总能量的概率P(E测)与所述P1，如果P(E测)＞P1则确认发生超载。
当目标车辆处于低速状态，由于此时消耗的能量较少，仅根据能量概率可能无法正确判断其是否超载。由于低速时超载车辆的危害性较小，因此可以在上述步骤实现对超载且超速这种更具危险性的情况检查后终止继续检查，此时已足以解决本发明所提出的技术问题。而对于需要更全面地检查超载的场景，则可在执行所述步骤(1)-(3)时同步执行以下步骤(5)-(6)：
(5)利用所采集的每个片段所对应的行驶工况数据，计算出目标车辆在每个所述片段上平均速度；基于每个片段上的平均速度，得到目标车辆在该路段上总平均速度；
(6)对同一车型其他车辆重复执行步骤(5)，并统计得到该车型在该路段上总平均速度的概率密度函数；
利用总平均速度的概率密度函数fv(x)通过公式
Figure BDA0003009712510000041
可得到目标车辆总平均速度的概率。当50％<P(E测)<P1时，由于消耗的能量仍然较高，故利用所述总平均速度的概率密度函数计算目标车辆的平均速度概率，并与根据交管部门的历史统计数据所确定的超速概率阈值比较，从而确定目标车辆是否发生超载。
在步骤(6)中，获取多个连续片段所对应的平均速度vk，通过以下公式计算某特定车型车辆在该路段上的总平均速度v：
Figure BDA0003009712510000042
根据交管部门的历史统计数据确定超速概率阈值的具体计算方法为：
Figure BDA0003009712510000043
其中，n1为同路段上已经检查过的与目标车辆同类型的车辆总数；n3为已经检查过的同类车辆超载但未超速的总数；
比较目标车辆在该路段行驶时总平均速度的概率P(v测)与所述P2，如果P(v测)＜P2则说明目标车辆在速度较低的状态下仍然消耗了较高的能量，因此可以确认发生超载，否则可以确认没有发生超载。
应理解，本发明实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限定。
尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。

Claims (6)

1.基于大数据的新能源汽车超载检测方法，其特征在于：具体包括以下步骤：
(1)对某一特定的新能源汽车车型在某一特定路段上行驶的多个连续片段所对应的行驶工况数据进行采集；
(2)利用所采集的每个片段所对应的行驶工况数据，计算出目标车辆在每个所属片段上消耗的能量；基于每个片段上消耗的能量，得到目标车辆在该路段上消耗的总能量；
(3)对同一车型其他车辆重复执行步骤(1)-(2)，并统计得到该车型在该路段所消耗总能量的概率密度函数；
(4)利用所采集的每个片段所对应的行驶工况数据，计算出目标车辆在每个所述片段上平均速度；基于每个片段上的平均速度，得到目标车辆在该路段上总平均速度；
(5)对同一车型其他车辆重复执行步骤(4)，并统计得到该车型在该路段上总平均速度的概率密度函数；
(6)基于所述总能量的概率密度函数以及所述总平均速度的概率密度函数，计算得到该车型的待测目标车辆当前在该路段行驶时消耗的总能量的概率与平均速度的概率，并分别与根据交管部门的历史统计数据所确定的超载能量概率阈值以及速度概率阈值比较，从而确定目标车辆是否发生超载。
2.如权利要求1所述的方法，其特征在于：步骤(2)具体为：获取多个连续片段所对应的行驶工况数据中的电压与电流数据，通过以下公式计算某特定车型目标车辆在该路段上消耗的总能量E：
Figure FDA0003952411110000011
其中，n为采集片段的次数；Uk为第k次采样的电压，单位为V；Ik为第k次采样的电流，单位为A；Δt为相邻两次采样的时间间隔，单位为s；E的单位为J。
3.如权利要求1所述的方法，其特征在于：根据交管部门的历史统计数据确定超载能量概率阈值的具体计算方法为：
Figure FDA0003952411110000012
其中，n1为同路段上已经检查过的与目标车辆同类型的车辆总数；n2为已经检查过的同类车辆超载且超速的总数；
比较目标车辆在该路段行驶时消耗的总能量的概率P(E测)与所述P1，如果P(E测)>P1则确认发生超载。
4.如权利要求3所述的方法，其特征在于：具体当50％<P(E测)<P1时利用所述总平均速度的概率密度函数计算目标车辆平均速度的概率，并与根据交管部门的历史统计数据所确定的速度概率阈值比较，从而确定目标车辆是否发生超载。
5.如权利要求4所述的方法，其特征在于：步骤(6)具体为：获取多个连续片段所对应的平均速度vk，通过以下公式计算某特定车型在该路段上的总平均速度v：
Figure FDA0003952411110000021
6.如权利要求5所述的方法，其特征在于：根据交管部门的历史统计数据确定速度概率阈值的具体计算方法为：
Figure FDA0003952411110000022
其中，n1为同路段上已经检查过的与目标车辆同类型的车辆总数；n3为已经检查过的同类车辆超载但未超速的总数；
比较目标车辆在该路段行驶时总平均速度的概率P(v测)与所述P2，如果P(v测)<P2则确认发生超载，否则没有发生超载。
CN202110372170.2A 2021-04-07 2021-04-07 基于大数据的新能源汽车超载检测方法 Active CN113158141B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202110372170.2A CN113158141B (zh) 2021-04-07 2021-04-07 基于大数据的新能源汽车超载检测方法
PCT/CN2021/129476 WO2022213596A1 (zh) 2021-04-07 2021-11-09 基于大数据的新能源汽车超载检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110372170.2A CN113158141B (zh) 2021-04-07 2021-04-07 基于大数据的新能源汽车超载检测方法

Publications (2)

Publication Number Publication Date
CN113158141A CN113158141A (zh) 2021-07-23
CN113158141B true CN113158141B (zh) 2023-02-28

Family

ID=76888559

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110372170.2A Active CN113158141B (zh) 2021-04-07 2021-04-07 基于大数据的新能源汽车超载检测方法

Country Status (2)

Country Link
CN (1) CN113158141B (zh)
WO (1) WO2022213596A1 (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113158141B (zh) * 2021-04-07 2023-02-28 北京理工大学 基于大数据的新能源汽车超载检测方法
CN116152757B (zh) * 2023-04-18 2023-07-07 深圳亿维锐创科技股份有限公司 一种基于多点位的称重数据分析方法及相关装置

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101887639A (zh) * 2010-06-25 2010-11-17 苏州位置科技有限公司 基于can总线的车辆超载检测***和检测方法
CN105416297A (zh) * 2014-11-11 2016-03-23 冯春魁 车辆运行监控、监视、数据处理、超载监控的方法及***
CN108860011B (zh) * 2018-04-17 2020-04-28 北京理工大学 一种车辆超载识别方法及***
CN111027146B (zh) * 2019-12-30 2023-11-24 行蜂科技(深圳)有限责任公司 一种车辆载荷动态实时计算方法
CN111762096A (zh) * 2020-06-27 2020-10-13 王亚鹏 一种基于人工智能的新能源汽车安全预警方法及***
CN111833604B (zh) * 2020-07-10 2021-10-29 北京交通大学 基于驾驶行为特征提取的车辆载重状态识别方法及装置
CN113158141B (zh) * 2021-04-07 2023-02-28 北京理工大学 基于大数据的新能源汽车超载检测方法

Also Published As

Publication number Publication date
WO2022213596A1 (zh) 2022-10-13
CN113158141A (zh) 2021-07-23

Similar Documents

Publication Publication Date Title
CN113158141B (zh) 基于大数据的新能源汽车超载检测方法
WO2020244288A1 (zh) 一种基于gps轨迹数据的大货车驾驶行为评估方法及装置
CN104809878B (zh) 利用公交车gps数据检测城市道路交通异常状态的方法
CN109552338B (zh) 一种纯电动汽车生态驾驶行为评估方法及***
CN102592451B (zh) 一种基于双截面环形线圈检测器的道路交通事件检测方法
CN114954494B (zh) 一种重型商用车辆载重快速估计方法
CN103646542A (zh) 一种交通影响范围的预测方法和装置
CN114435138A (zh) 一种车辆能耗预测方法、装置、车辆及存储介质
CN111598424A (zh) 一种基于重型柴油车远程监控数据的排放计算方法
CN106910334B (zh) 一种基于大数据预测路段状况的方法及装置
CN114991922B (zh) 一种车辆NOx排放超标的实时预警方法
CN112477877A (zh) 获取车辆载重的方法、装置、存储介质以及车辆
CN105844915A (zh) 一种可变限速控制下交通流基本图的确定方法
CN111081030B (zh) 一种高速路堵车的判断方法和***
CN101075377A (zh) 基于偏最小二乘原理的高速公路交通事件自动检测方法
CN112486962A (zh) 一种提取组合短片段计算重型柴油车NOx排放的方法
CN114005275B (zh) 一种基于多数据源融合的高速公路车辆拥堵判别方法
CN114023065A (zh) 一种利用视频解析数据智能诊断路口服务等级的算法
CN111464613A (zh) 一种车辆载卸货行为识别方法及***
CN110459067B (zh) 基于车辆个体的交通绿路信号协调控制评价方法及***
CN111798663B (zh) 一种路网关键路段辨识方法
CN114627643A (zh) 一种高速公路事故风险预测方法、装置、设备及介质
CN113112803A (zh) 基于视频监控的城市交通道路车流数据采集和分析处理***
CN114944055B (zh) 基于电子收费门架的高速公路碰撞风险动态预测方法
CN115188205B (zh) 一种基于道路信息的汽车行驶工况修正方法

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
GR01 Patent grant
GR01 Patent grant