CN113989534A - 一种基于多源运行数据的公交车站间载重识别方法和*** - Google Patents
一种基于多源运行数据的公交车站间载重识别方法和*** Download PDFInfo
- Publication number
- CN113989534A CN113989534A CN202111204859.0A CN202111204859A CN113989534A CN 113989534 A CN113989534 A CN 113989534A CN 202111204859 A CN202111204859 A CN 202111204859A CN 113989534 A CN113989534 A CN 113989534A
- Authority
- CN
- China
- Prior art keywords
- data
- bus
- load
- vehicle
- acceleration
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 36
- 239000013598 vector Substances 0.000 claims abstract description 53
- 238000012549 training Methods 0.000 claims abstract description 41
- 238000012360 testing method Methods 0.000 claims abstract description 23
- 238000003062 neural network model Methods 0.000 claims abstract description 21
- 238000007781 pre-processing Methods 0.000 claims abstract description 14
- 238000012795 verification Methods 0.000 claims abstract description 10
- 238000012545 processing Methods 0.000 claims abstract description 8
- 238000010606 normalization Methods 0.000 claims abstract description 6
- 230000001133 acceleration Effects 0.000 claims description 65
- 238000010276 construction Methods 0.000 claims description 14
- 238000004364 calculation method Methods 0.000 claims description 10
- 238000005096 rolling process Methods 0.000 claims description 10
- 238000005070 sampling Methods 0.000 claims description 6
- 230000009467 reduction Effects 0.000 claims description 5
- 230000009466 transformation Effects 0.000 claims description 5
- 230000008859 change Effects 0.000 abstract description 4
- 230000006870 function Effects 0.000 description 15
- 238000013461 design Methods 0.000 description 2
- 239000012634 fragment Substances 0.000 description 2
- 238000011084 recovery Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000002759 z-score normalization Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Biophysics (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computational Linguistics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Business, Economics & Management (AREA)
- Biomedical Technology (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Primary Health Care (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Economics (AREA)
- Electric Propulsion And Braking For Vehicles (AREA)
Abstract
本发明公开了一种基于多源运行数据的公交车站间载重识别方法,包括如下步骤:获取公交车历史运行数据,对获取的公交车历史运行数据进行预处理;根构造预处理后数据的特征向量,再将特征向量归一化处理;将归一化处理后的特征向量生成数据集,并将数据集划分为训练样本集和测试样本集;基于训练样本集对径向基函数神经网络模型进行训练,生成公交车站间载重识别模型,再利用测试样本集进行精度验证;采集公交车不同站间的行驶数据,使用公交车站间载重识别模型对公交车站间载重进行识别。本发明方法有效解决了公交车频繁启停导致载重识别结果不准确的问题,同时也能够识别出不同站间公交车载重的变化,作为实时能量管理策略调整的依据。
Description
技术领域
本发明涉及交通运输领域,特别是指一种基于多源运行数据的公交车站间载重识别方法和***。
背景技术
公交车在不同时间和不同站点间的载客重量差距较大,而载客重量与能量管理策略、制动能量回收策略及驾驶安全性息息相关。对于车辆质量识别,国内外已有很多研究,如地磅***、基于胎压的载重识别技术、基于遗忘因子的最小二乘法、基于扩展卡尔曼滤波器的估计算法和基于机器学习的方法。专利CN112766771A中采用SVM对重型汽车的整车质量进行预测,该专利基于GPS高度信息对坡度因素进行解耦,而车载GPS海拔数据的精度差,导致识别结果不准确。专利CN 109377046 A中提供一种基于BP神经网络的车辆超载判别方法。
这些方法大都针对是长时间行驶过程中载重不变的小轿车和重型汽车,不一定适用于载重快速变化的公交车。而且现有方法无法排除急加速和急减速时车身俯仰运动对识别结果的影响,而公交车频繁加减速,这将导致识别结果波动和不准确。
发明内容
本发明的主要目的在于克服现有技术中的上述缺陷,提出一种基于多源运行数据的公交车站间载重识别方法,有效解决了公交车频繁启停导致载重识别结果不准确的问题,同时也能够识别出不同站间公交车载重的变化,而且精确的载重识别结果可以作为实时能量管理策略调整的依据。
本发明采用如下技术方案:
一种基于多源运行数据的公交车站间载重识别方法,包括如下步骤:
获取公交车历史运行数据,所述运行数据包括但不限于整车数据、加速度数据;
对获取的公交车历史运行数据进行预处理,删除奇异值,选取有效数据集;
根据整车动力学特性、运动学特性和车身俯仰模型构造预处理后数据的特征向量,再将特征向量归一化处理;
将归一化处理后的特征向量生成数据集,并将数据集划分为训练样本集和测试样本集;
基于训练样本集对径向基函数神经网络模型进行训练,生成公交车站间载重识别模型,再利用测试样本集对训练好的公交车站间载重识别模型进行精度验证;
采集公交车不同站间的行驶数据,使用公交车站间载重识别模型对公交车站间载重进行识别。
具体地,获取公交车历史运行数据,所述运行数据包括但不限于整车数据、加速度数据,具体包括:
车载数据采集***通过can总线采集整车数据,整车数据包括时间、车速数据和制动踏板开度数据;
车载数据采集***通过can总线采集驱动电机数据,驱动电机数据包括扭矩;
车载数据采集***通过MEMS加速度传感器采集公交车加速度数据,加速度数据为公交车前进方向加速度。
具体地,根据整车动力学特性、运动学特性和车身俯仰模型构造预处理后数据的特征向量,具体包括:
根据车辆动力学方程的变形形式如下:
其中,v是车速,g是重力加速度,β是道路坡度,m为整车质量,Tm是电机扭矩,i0是主减速比,ηT为机械效率,rw为车轮滚动半径,CD为空气阻力系数,ρ是空气密度,f是滚动阻力系数;
其中道路坡度与所采集数据的关系如下式所示:
其中aM为加速度传感器所采集的X向加速度信号,γ为车身俯仰运动导致的与路面夹角;
车身与路面夹角γ的计算公式如下:
其中,dfront为车身前方测点离地间距,drear为车身后方测点离地间距,l为两测点间距离。
其中,F为采样频率,vt为t时刻的速度值,vt-1为t-1时刻的速度值。
具体地,基于训练样本集对径向基函数神经网络模型进行训练,生成公交车站间载重识别模型,再利用测试样本集对训练好的公交车站间载重识别模型进行精度验证,具体包括:
基于训练集对径向基函数神经网络模型进行训练,调节模型参数,需调节的参数包括:输入层至隐藏层的非线性变换函数类型,聚类中心位置,隐藏层至输出层的权重;
将测试样本输入训练好的径向基函数神经网络模型,预测出公交车载重;
将标签公交车载重与预测公交车载重进行均方误差估计,判断均方根误差是否满足精度要求。
具体地,采集公交车不同站间的行驶数据,使用公交车站间载重识别模型对公交车站间载重进行识别,具体包括:
通过车载数据采集***采集公交车从原地起步开始的行驶数据;
对所采集的行驶数据进行片段分割,车速≠0的瞬间到车速降为0的瞬间这段行驶数据作为一段识别数据集;
对每一段数据集进行数据预处理和特征向量构建;
按时间先后顺序,利用公交车站间载重识别模型对不同段的数据集进行载重识别。
本发明实施例还提供一种基于多源运行数据的公交车站间载重识别***,包括:
历史运行数据获取单元:获取公交车历史运行数据,所述运行数据包括但不限于整车数据、加速度数据;
数据预处理单元:对获取的公交车历史运行数据进行预处理,删除奇异值,选取有效数据集;
特征向量构造单元:根据整车动力学特性、运动学特性和车身俯仰模型构造预处理后数据的特征向量,再将特征向量归一化处理;
数据集生成单元:将归一化处理后的特征向量生成数据集,并将数据集划分为训练样本集和测试样本集;
模型训练单元:基于训练样本集对径向基函数神经网络模型进行训练,生成公交车站间载重识别模型,再利用测试样本集对训练好的公交车站间载重识别模型进行精度验证;
站间载重识别单元:采集公交车不同站间的行驶数据,使用公交车站间载重识别模型对公交车站间载重进行识别。
具体地,历史运行数据获取单元中,获取公交车历史运行数据,所述运行数据包括但不限于整车数据、加速度数据,具体包括:
车载数据采集***通过can总线采集整车数据,整车数据包括时间、车速数据和制动踏板开度数据;
车载数据采集***通过can总线采集驱动电机数据,驱动电机数据包括扭矩;
车载数据采集***通过MEMS加速度传感器采集公交车加速度数据,加速度数据为公交车前进方向加速度。
具体地,特征向量构造单元中,根据整车动力学特性、运动学特性和车身俯仰模型构造预处理后数据的特征向量,具体包括:
根据车辆动力学方程的变形形式如下:
其中,v是车速,g是重力加速度,β是道路坡度,m为整车质量,Tm是电机扭矩,i0是主减速比,ηT为机械效率,rw为车轮滚动半径,CD为空气阻力系数,ρ是空气密度,f是滚动阻力系数;
其中道路坡度与所采集数据的关系如下式所示:
其中aM为加速度传感器所采集的X向加速度信号,γ为车身俯仰运动导致的与路面夹角;
车身与路面夹角γ的计算公式如下:
其中,dfront为车身前方测点离地间距,drear为车身后方测点离地间距,l为两测点间距离。
其中,F为采样频率,vt为t时刻的速度值,vt-1为t-1时刻的速度值。
具体地,模型训练单元中,基于训练样本集对径向基函数神经网络模型进行训练,生成公交车站间载重识别模型,再利用测试样本集对训练好的公交车站间载重识别模型进行精度验证,具体包括:
基于训练集对径向基函数神经网络模型进行训练,调节模型参数,需调节的参数包括:输入层至隐藏层的非线性变换函数类型,聚类中心位置,隐藏层至输出层的权重;
将测试样本输入训练好的径向基函数神经网络模型,预测出公交车载重;
将标签公交车载重与预测公交车载重进行均方误差估计,判断均方根误差是否满足精度要求。
具体地,站间载重识别单元中,采集公交车不同站间的行驶数据,使用公交车站间载重识别模型对公交车站间载重进行识别,具体包括:
通过车载数据采集***采集公交车从原地起步开始的行驶数据;
对所采集的行驶数据进行片段分割,车速≠0的瞬间到车速降为0的瞬间这段行驶数据作为一段识别数据集;
对每一段数据集进行数据预处理和特征向量构建;
按时间先后顺序,利用公交车站间载重识别模型对不同段的数据集进行载重识别。
由上述对本发明的描述可知,与现有技术相比,本发明具有如下有益效果:
本发明基于多源运行数据的公交车站间载重识别方法首先,利用车载数据采集***采集驱动电机扭矩、车速、制动踏板开度、加速度、车身两点离地间距这些公交车行驶数据,经过数据预处理、有效片段提取、构建特征值(汽车加速度特征向量,电机扭矩Tm特征向量,速度平方v2特征向量,传感器加速度aM特征向量,车身与路夹角γ特征向量),以载重为标签,用训练集对径向基函数神经网络模型进行训练获得公交车载重识别模型,并用测试集对该模型进行测试验证,最后将该载重识别模型应用于公交车站间载重预测,基于车速为0时刻作为站间划分依据。本发明利用多种传感器数据进行公交车载重识别,有效解决了公交车频繁启停导致载重识别结果不准确的问题;同时也能够识别出不同站间公交车载重的变化;精确的载重识别结果可以作为实时能量管理策略调整的依据,也可以为制动能量回收策略提供更准确的需求制动力矩,对公交车的经济型和安全性的提升是非常有利的。
附图说明
图1为本发明基于多源数据的公交车站间载重识别方法的总流程图;
图2为本发明基于多源数据的公交车站间载重识别方法详细流程图;
图3为本发明所采集的公交车行驶数据示意图。
具体实施方式
以下通过具体实施方式对本发明作进一步的描述。
如图1-2所示,本发明提供一种基于多源运行数据的公交车站间载重识别方法,包括如下步骤:
S1:获取公交车历史运行数据,所述运行数据包括但不限于整车数据、加速度数据;
利用车载数据采集***和can总线、MEMS加速度传感器、超声波测距传感器采集公交车运行数据,所述数据包括整车数据、加速度数据、距离数据,具体数据如图3所示;具体步骤如下:
S11.在公交车上安装车载数据采集***、MEMS加速度传感器和超声波车距传感器,并设定采样频率为100Hz;
S12.车载数据采集***通过can总线采集整车数据,整车数据包括时间、车速数据和制动踏板开度数据;
S13.车载数据采集***通过can总线采集驱动电机数据,驱动电机数据包括扭矩;
S14.车载数据采集***通过MEMS加速度传感器采集公交车加速度数据,加速度数据为公交车前进方向加速度。
S2:对获取的公交车历史运行数据进行预处理,删除奇异值,选取有效数据集;具体步骤:
S21.判断车载数据采集***所采数据是否存在奇异值;
若是,则删除该时刻的所有数据,进入步骤S22;
若否,进入步骤S22;
S22.对车载数据采集***所采数据按以下规则进行有效数据及片段选取:
规则一:最小车速>5m/s,保证车辆稳定行驶;
规则二:制动踏板开度=0,消除制动力影响;
规则三:0.05m/s^2<加速度<0.8m/s^2,消除不稳定数据;
规则四:驱动扭矩>500N,消除不稳定数据;
S3:根据整车动力学特性、运动学特性和车身俯仰模型构造预处理后数据的特征向量,再将特征向量归一化处理;
S31.根据车辆动力学方程的变形形式如下:
其中,v是车速,g是重力加速度,β是道路坡度,m为整车质量,Tm是电机扭矩,i0是主减速比,ηT为机械效率,rw为车轮滚动半径,CD为空气阻力系数,ρ是空气密度,f是滚动阻力系数。
可以发现公式中随着行驶过车动态变化的参数有车速v和坡度β,其他参数均为定值。其中道路坡度与所采集数据的关系如下式所示:
其中aM为加速度传感器所采集的X向加速度信号,γ为车身俯仰运动导致的与路面夹角。
车身与路面夹角γ的计算公式如下:
其中,dfront为车身前方测点离地间距,drear为车身后方测点离地间距,l为两测点间距离。
特征值的计算公式如下
F为采样频率;
S32.将所选的5个特征向量进行z-score归一化处理,将每个特征向量处理成均值为0标准差为1的数据集;
S4:将归一化处理后的特征向量生成数据集,并将数据集划分为训练样本集和测试样本集;
S41.以载重作为列标签,将归一化处理后的5个特征向量生成特征向量数据集
S42.特征向量列数据集的80%作为训练集,特征向量列数据集的20%作为测试集
S5:基于训练样本集对径向基函数神经网络模型进行训练,生成公交车站间载重识别模型,再利用测试样本集对训练好的公交车站间载重识别模型进行精度验证;
S51.基于训练集对径向基函数神经网络模型进行训练,调节模型参数以获得较为准确的学习模型,所属需调节的超参数包括:输入层至隐藏层的非线性变换函数类型,聚类中心位置,隐藏层至输出层的权重。
S52.将测试样本输入训练好的径向基函数神经网络模型,预测出公交车载重;
S53.将所述标签质量与所述预测质量进行均方误差估计,判断均方根误差是否小于阈值;
若小于阈值,判断该载重识别模型的识别精度达到要求,进入步骤S6;
若大于阈值,判断该载重识别模型的识别精度未达到要求,返回步骤S1
S6:采集公交车不同站间的行驶数据,使用公交车站间载重识别模型对公交车站间载重进行识别。
具体步骤如下:
S61.通过车载数据采集***采集公交车从原地起步开始的行驶数据;
S62.对所采集的行驶数据进行片段分割,车速≠0的瞬间到车速降为0的瞬间这段行驶数据作为一段识别数据集;
S63.对每一段数据集进行数据预处理和特征向量构建;
S64.按时间先后顺序,利用公交车载重识别模型对不同段的数据集进行载重识别。
上述仅为本发明的具体实施方式,但本发明的设计构思并不局限于此,凡利用此构思对本发明进行非实质性的改动,均应属于侵犯本发明保护范围的行为。
Claims (10)
1.一种基于多源运行数据的公交车站间载重识别方法,其特征在于,包括如下步骤:
获取公交车历史运行数据,所述运行数据包括但不限于整车数据、加速度数据;
对获取的公交车历史运行数据进行预处理,删除奇异值,选取有效数据集;
根据整车动力学特性、运动学特性和车身俯仰模型构造预处理后数据的特征向量,再将特征向量归一化处理;
将归一化处理后的特征向量生成数据集,并将数据集划分为训练样本集和测试样本集;
基于训练样本集对径向基函数神经网络模型进行训练,生成公交车站间载重识别模型,再利用测试样本集对训练好的公交车站间载重识别模型进行精度验证;
采集公交车不同站间的行驶数据,使用公交车站间载重识别模型对公交车站间载重进行识别。
2.根据权利要求1所述的一种基于多源运行数据的公交车站间载重识别方法,其特征在于,获取公交车历史运行数据,所述运行数据包括但不限于整车数据、加速度数据,具体包括:
车载数据采集***通过can总线采集整车数据,整车数据包括时间、车速数据和制动踏板开度数据;
车载数据采集***通过can总线采集驱动电机数据,驱动电机数据包括扭矩;
车载数据采集***通过MEMS加速度传感器采集公交车加速度数据,加速度数据为公交车前进方向加速度。
3.根据权利要求1所述的一种基于多源运行数据的公交车站间载重识别方法,其特征在于,根据整车动力学特性、运动学特性和车身俯仰模型构造预处理后数据的特征向量,具体包括:
根据车辆动力学方程的变形形式如下:
其中,v是车速,g是重力加速度,β是道路坡度,m为整车质量,Tm是电机扭矩,i0是主减速比,ηT为机械效率,rw为车轮滚动半径,CD为空气阻力系数,ρ是空气密度,f是滚动阻力系数;
其中道路坡度与所采集数据的关系如下式所示:
其中aM为加速度传感器所采集的X向加速度信号,γ为车身俯仰运动导致的与路面夹角;
车身与路面夹角γ的计算公式如下:
其中,dfront为车身前方测点离地间距,drear为车身后方测点离地间距,l为两测点间距离。
其中,F为采样频率,vt为t时刻的速度值,vt-1为t-1时刻的速度值。
4.根据权利要求3所述的一种基于多源运行数据的公交车站间载重识别方法,其特征在于,基于训练样本集对径向基函数神经网络模型进行训练,生成公交车站间载重识别模型,再利用测试样本集对训练好的公交车站间载重识别模型进行精度验证,具体包括:
基于训练集对径向基函数神经网络模型进行训练,调节模型参数,需调节的参数包括:输入层至隐藏层的非线性变换函数类型,聚类中心位置,隐藏层至输出层的权重;
将测试样本输入训练好的径向基函数神经网络模型,预测出公交车载重;
将标签公交车载重与预测公交车载重进行均方误差估计,判断均方根误差是否满足精度要求。
5.根据权利要求1所述的一种基于多源运行数据的公交车站间载重识别方法,其特征在于,采集公交车不同站间的行驶数据,使用公交车站间载重识别模型对公交车站间载重进行识别,具体包括:
通过车载数据采集***采集公交车从原地起步开始的行驶数据;
对所采集的行驶数据进行片段分割,车速≠0的瞬间到车速降为0的瞬间这段行驶数据作为一段识别数据集;
对每一段数据集进行数据预处理和特征向量构建;
按时间先后顺序,利用公交车站间载重识别模型对不同段的数据集进行载重识别。
6.一种基于多源运行数据的公交车站间载重识别***,其特征在于,包括:
历史运行数据获取单元:获取公交车历史运行数据,所述运行数据包括但不限于整车数据、加速度数据;
数据预处理单元:对获取的公交车历史运行数据进行预处理,删除奇异值,选取有效数据集;
特征向量构造单元:根据整车动力学特性、运动学特性和车身俯仰模型构造预处理后数据的特征向量,再将特征向量归一化处理;
数据集生成单元:将归一化处理后的特征向量生成数据集,并将数据集划分为训练样本集和测试样本集;
模型训练单元:基于训练样本集对径向基函数神经网络模型进行训练,生成公交车站间载重识别模型,再利用测试样本集对训练好的公交车站间载重识别模型进行精度验证;
站间载重识别单元:采集公交车不同站间的行驶数据,使用公交车站间载重识别模型对公交车站间载重进行识别。
7.根据权利要求6所述的一种基于多源运行数据的公交车站间载重识别***,其特征在于,历史运行数据获取单元中,获取公交车历史运行数据,所述运行数据包括但不限于整车数据、加速度数据,具体包括:
车载数据采集***通过can总线采集整车数据,整车数据包括时间、车速数据和制动踏板开度数据;
车载数据采集***通过can总线采集驱动电机数据,驱动电机数据包括扭矩;
车载数据采集***通过MEMS加速度传感器采集公交车加速度数据,加速度数据为公交车前进方向加速度。
8.根据权利要求6所述的一种基于多源运行数据的公交车站间载重识别***,其特征在于,特征向量构造单元中,根据整车动力学特性、运动学特性和车身俯仰模型构造预处理后数据的特征向量,具体包括:
根据车辆动力学方程的变形形式如下:
其中,v是车速,g是重力加速度,β是道路坡度,m为整车质量,Tm是电机扭矩,i0是主减速比,ηT为机械效率,rw为车轮滚动半径,CD为空气阻力系数,ρ是空气密度,f是滚动阻力系数;
其中道路坡度与所采集数据的关系如下式所示:
其中aM为加速度传感器所采集的X向加速度信号,γ为车身俯仰运动导致的与路面夹角;
车身与路面夹角γ的计算公式如下:
其中,dfront为车身前方测点离地间距,drear为车身后方测点离地间距,l为两测点间距离。
其中,F为采样频率,vt为t时刻的速度值,vt-1为t-1时刻的速度值。
9.根据权利要求8所述的一种基于多源运行数据的公交车站间载重识别***,其特征在于,模型训练单元中,基于训练样本集对径向基函数神经网络模型进行训练,生成公交车站间载重识别模型,再利用测试样本集对训练好的公交车站间载重识别模型进行精度验证,具体包括:
基于训练集对径向基函数神经网络模型进行训练,调节模型参数,需调节的参数包括:输入层至隐藏层的非线性变换函数类型,聚类中心位置,隐藏层至输出层的权重;
将测试样本输入训练好的径向基函数神经网络模型,预测出公交车载重;
将标签公交车载重与预测公交车载重进行均方误差估计,判断均方根误差是否满足精度要求。
10.根据权利要求6所述的一种基于多源运行数据的公交车站间载重识别***,其特征在于,站间载重识别单元中,采集公交车不同站间的行驶数据,使用公交车站间载重识别模型对公交车站间载重进行识别,具体包括:
通过车载数据采集***采集公交车从原地起步开始的行驶数据;
对所采集的行驶数据进行片段分割,车速≠0的瞬间到车速降为0的瞬间这段行驶数据作为一段识别数据集;
对每一段数据集进行数据预处理和特征向量构建;
按时间先后顺序,利用公交车站间载重识别模型对不同段的数据集进行载重识别。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111204859.0A CN113989534B (zh) | 2021-10-15 | 2021-10-15 | 一种基于多源运行数据的公交车站间载重识别方法和*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111204859.0A CN113989534B (zh) | 2021-10-15 | 2021-10-15 | 一种基于多源运行数据的公交车站间载重识别方法和*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113989534A true CN113989534A (zh) | 2022-01-28 |
CN113989534B CN113989534B (zh) | 2024-07-02 |
Family
ID=79738882
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111204859.0A Active CN113989534B (zh) | 2021-10-15 | 2021-10-15 | 一种基于多源运行数据的公交车站间载重识别方法和*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113989534B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116090938A (zh) * | 2023-04-06 | 2023-05-09 | 江苏华溯大数据有限公司 | 一种后装车辆载重状态识别方法 |
CN116306254A (zh) * | 2023-02-18 | 2023-06-23 | 交通运输部规划研究院 | 货车载重估计方法及其模型训练方法、装置 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110148230A (zh) * | 2019-05-20 | 2019-08-20 | 兴民智通(武汉)汽车技术有限公司 | 一种基于lstm神经网络的整车载重预测方法 |
CN112766771A (zh) * | 2021-01-26 | 2021-05-07 | 中国重汽集团济南动力有限公司 | 一种基于svm的重型汽车整车质量预测方法 |
WO2021103625A1 (zh) * | 2019-11-25 | 2021-06-03 | 北京理工大学 | 一种基于前车与自车互动的短期车速工况实时预测方法 |
-
2021
- 2021-10-15 CN CN202111204859.0A patent/CN113989534B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110148230A (zh) * | 2019-05-20 | 2019-08-20 | 兴民智通(武汉)汽车技术有限公司 | 一种基于lstm神经网络的整车载重预测方法 |
WO2021103625A1 (zh) * | 2019-11-25 | 2021-06-03 | 北京理工大学 | 一种基于前车与自车互动的短期车速工况实时预测方法 |
CN112766771A (zh) * | 2021-01-26 | 2021-05-07 | 中国重汽集团济南动力有限公司 | 一种基于svm的重型汽车整车质量预测方法 |
Non-Patent Citations (1)
Title |
---|
谢炜;: "基于BP神经网络的公交车到站时间预测", 中国石油大学胜利学院学报, no. 04, 15 December 2016 (2016-12-15), pages 44 - 46 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116306254A (zh) * | 2023-02-18 | 2023-06-23 | 交通运输部规划研究院 | 货车载重估计方法及其模型训练方法、装置 |
CN116306254B (zh) * | 2023-02-18 | 2023-11-10 | 交通运输部规划研究院 | 货车载重估计方法及其模型训练方法、装置 |
CN116090938A (zh) * | 2023-04-06 | 2023-05-09 | 江苏华溯大数据有限公司 | 一种后装车辆载重状态识别方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113989534B (zh) | 2024-07-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109641603B (zh) | 异常检测装置、异常检测方法和计算机程序 | |
CN106971194B (zh) | 一种基于改进hmm和svm双层算法的驾驶意图识别方法 | |
CN113989534B (zh) | 一种基于多源运行数据的公交车站间载重识别方法和*** | |
CN101883695B (zh) | 用于支持车辆驾驶的调节策略的方法和设备 | |
CN107458380A (zh) | 一种适用于综合驾驶工况下的道路坡度实时估计方法 | |
CN112304633B (zh) | 一种路面湿滑状态下汽车制动安全性风险识别方法 | |
CN111783943B (zh) | 一种基于lstm神经网络的驾驶员制动强度预测方法 | |
CN111563555A (zh) | 一种司机驾驶行为分析方法及*** | |
CN111216736A (zh) | 基于行驶工况的辅助驾驶***自适应调节方法及*** | |
CN112991685A (zh) | 考虑驾驶人疲劳状态影响的交通***风险评估及预警方法 | |
CN113581188A (zh) | 一种基于车联网数据的商用车驾驶员驾驶风格识别方法 | |
CN105808857A (zh) | 基于碰撞变形深度的汽车主动安全***有效性的预测方法 | |
CN114954494A (zh) | 一种重型商用车辆载重快速估计方法 | |
CN114987539A (zh) | 一种基于风险场模型的自动驾驶汽车个性化碰撞分级预警方法及*** | |
CN113761715A (zh) | 一种基于高斯混合和隐马尔可夫的个性化车辆跟驰模型的建立方法 | |
CN108509999A (zh) | 一种愤怒驾驶检测及安全预警方法 | |
CN116383678B (zh) | 一种营运客车异常变速行为常发性路段识别方法 | |
CN113128120A (zh) | 一种汽车起重机典型行驶工况构建方法 | |
CN113291311A (zh) | 一种紧急避撞工况下驾驶员异常行为检测方法及存储介质 | |
CN116092037B (zh) | 融合轨迹空间-语义特征的车辆类型识别方法 | |
CN116821775A (zh) | 一种基于机器学习的载重估计方法 | |
Anil et al. | Driver behavior analysis using K-means algorithm | |
Leoni et al. | Real Time Passenger Mass Estimation for e-scooters | |
CN113744430B (zh) | 一种基于道路变化的汽车行驶需求功率预测方法 | |
Wen et al. | Analysis of vehicle driving styles at freeway merging areas using trajectory data |
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 |