CN115204417B - 基于集成学习的车辆重量预测方法、***及存储介质 - Google Patents

基于集成学习的车辆重量预测方法、***及存储介质 Download PDF

Info

Publication number
CN115204417B
CN115204417B CN202211109476.XA CN202211109476A CN115204417B CN 115204417 B CN115204417 B CN 115204417B CN 202211109476 A CN202211109476 A CN 202211109476A CN 115204417 B CN115204417 B CN 115204417B
Authority
CN
China
Prior art keywords
vehicle
vehicle weight
learner
trained
predicting
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
CN202211109476.XA
Other languages
English (en)
Other versions
CN115204417A (zh
Inventor
张楠
吴碧磊
张中磊
张文
陈金城
张志武
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.)
Yukuai Chuangling Intelligent Technology Nanjing Co ltd
Original Assignee
Yukuai Chuangling Intelligent Technology Nanjing 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 Yukuai Chuangling Intelligent Technology Nanjing Co ltd filed Critical Yukuai Chuangling Intelligent Technology Nanjing Co ltd
Priority to CN202211109476.XA priority Critical patent/CN115204417B/zh
Publication of CN115204417A publication Critical patent/CN115204417A/zh
Application granted granted Critical
Publication of CN115204417B publication Critical patent/CN115204417B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/20—Ensemble learning
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Software Systems (AREA)
  • Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Artificial Intelligence (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Medical Informatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本申请提供了一种基于集成学***衡方程基于车辆行驶状态参数和环境参数预测得到第一车辆重量；通过至少一个训练完成的基学习器至少基于所述车辆行驶状态参数和所述环境参数中的非常数项预测得到第二车辆重量；通过训练完成的元学习器基于所述第一车辆重量和所述第二车辆重量预测车辆重量。

Description

基于集成学习的车辆重量预测方法、***及存储介质
技术领域
本申请涉及计算和推算领域，具体地，涉及一种基于集成学习的车辆重量预测方法、***及存储介质。
背景技术
近年来，我国的交通运输行业正在蓬勃发展。在利用车辆进行人员和货物运输的过程中，客运或货运管理者通常期望能够实时或者近实时地了解车辆的重量信息。
例如，在当下车联网与大数据技术迅速发展的背景下，如果企业在物流车辆的管理过程中能够对车辆重量进行实时监测，那么企业可以有效地进行车辆的任务调度与监控管理，从而可以避免一些不必要的资源损耗或风险。此外，对于政府交管部门来说，如果能够实现对车辆重量的实时动态监测，则可以方便的对车辆超载问题进行有效治理，从而延长公路使用寿命并且有效地保障行车安全。
在这一大背景下，传统的使用静态地磅进行车重测量已经不满足当前社会发展的需求。市场对于新一代车辆重量检测分析方案具有较高的需求。
发明内容
本申请提出了一种基于集成学***衡方程基于车辆行驶状态参数和环境参数预测得到第一车辆重量；通过至少一个训练完成的基学***衡方程的输出和所述至少一个训练完成的基学习器的输出作为输入，利用梯度下降算法进行训练，所述元学习器采用的线性回归模型为
Figure DEST_PATH_IMAGE002A
，
其中，
Figure DEST_PATH_IMAGE004A
、
Figure DEST_PATH_IMAGE006A
、
Figure DEST_PATH_IMAGE008A
为权重值，
Figure DEST_PATH_IMAGE010A
为误差项，
Figure DEST_PATH_IMAGE012A
是所述纵向车辆力平衡方程的输出，
Figure DEST_PATH_IMAGE014A
至
Figure DEST_PATH_IMAGE016A
是所述至少一个训练完成的基学习器的输出，
目标函数为:
Figure DEST_PATH_IMAGE018A
。
根据本申请实施方式，所述车辆行驶状态参数包括：车辆沿迎风方向的正投影面积
Figure DEST_PATH_IMAGE020A
，车速
Figure DEST_PATH_IMAGE022A
，发动机转速
Figure DEST_PATH_IMAGE024A
，发动机扭矩
Figure DEST_PATH_IMAGE026A
，车辆传动系机械效率
Figure DEST_PATH_IMAGE028A
，车辆加速度
Figure DEST_PATH_IMAGE030A
，车胎内压强
Figure DEST_PATH_IMAGE032A
，车辆与水平面的夹角
Figure DEST_PATH_IMAGE034A
；所述环境参数包括：空气压力
Figure DEST_PATH_IMAGE036A
，空气相对湿度
Figure DEST_PATH_IMAGE038A
，以开尔文为单位的气温
Figure DEST_PATH_IMAGE040A
，摄氏温度
Figure DEST_PATH_IMAGE042A
，空气阻力系数
Figure DEST_PATH_IMAGE044A
，风速
Figure DEST_PATH_IMAGE046A
，重力加速度
Figure DEST_PATH_IMAGE048A
。
根据本申请实施方式，所述纵向车辆力平衡方程为：
Figure DEST_PATH_IMAGE050A
，其中，m为所述第一车辆重量，
滚动阻力系数
Figure DEST_PATH_IMAGE052A
的表达式为：
Figure DEST_PATH_IMAGE054A
车辆所在位置的空气密度
Figure DEST_PATH_IMAGE056A
的表达式为：
Figure DEST_PATH_IMAGE058A
。
根据本申请实施方式，所述至少一个训练完成的基学习器包括基于不同初始化参数训练完成的多个基学习器。
根据本申请实施方式，所述多个基学习器中的每个基学习器包括至少一层隐藏层，所述隐藏层采用的非线性激活函数为Sigmoid函数。
根据本申请实施方式，采用K折交叉验证方法训练所述多个基学习器中的每个基学习器，其中K为不小于2的自然数。
根据本申请实施方式，所述至少一个训练完成的基学习器包括三个基于不同初始化参数训练完成的基学习器，并且每个基学习器采用四折交叉验证方法进行训练。
本申请还提出了一种基于集成学***衡方程基于车辆行驶状态参数和环境参数预测得到第一车辆重量；通过至少一个训练完成的基学习器至少基于所述车辆行驶状态参数和所述环境参数中的非常数项预测得到第二车辆重量；通过训练完成的元学习器基于所述第一车辆重量和所述第二车辆重量预测车辆重量。
本申请还提出了一种计算机可读存储介质，所述计算机可读存储介质存储可执行指令，所述可执行指令能够被一个或多个处理器执行以完成以下操作：通过纵向车辆力平衡方程基于车辆行驶状态参数和环境参数预测得到第一车辆重量；通过至少一个训练完成的基学习器至少基于所述车辆行驶状态参数和所述环境参数中的非常数项预测得到第二车辆重量；通过训练完成的元学习器基于所述第一车辆重量和所述第二车辆重量预测车辆重量。
本申请还提出了一种用于车辆重量预测的计算机程序产品，包括计算机程序，其特征在于，所述计算机程序被处理时完成以下操作：通过纵向车辆力平衡方程基于车辆行驶状态参数和环境参数预测得到第一车辆重量；通过至少一个训练完成的基学习器至少基于所述车辆行驶状态参数和所述环境参数中的非常数项预测得到第二车辆重量；通过训练完成的元学习器基于所述第一车辆重量和所述第二车辆重量预测车辆重量。
本申请还提出了一种车辆重量预测装置，包括：方程预测模块，其通过纵向车辆力平衡方程基于车辆行驶状态参数和环境参数预测得到第一车辆重量；神经网络预测模块，其通过至少一个训练完成的基学习器至少基于所述车辆行驶状态参数和所述环境参数中的非常数项预测得到第二车辆重量；二次拟合模块，其通过训练完成的元学习器基于所述第一车辆重量和所述第二车辆重量预测车辆重量。
本申请提供的车辆重量预测的技术方案将基于纵向车辆力平衡方程预测车辆重量的方法与基于神经网络（基学***衡方程对车辆重量进行预测，这种预测通常不存在神经网络模型可能出现的过拟合或泛化能力差的缺点；另一方面也可以有效地利用神经网络的“万能近似”的能力以获得更精准的预测结果。考虑到集成学习的模型的泛化能力通常比单个强学习器要好，并且强学习器通常难以获取，因此，本申请利用集成学习将容易获得但相对弱的学习器的预测准确度提升到能够与强学习器所媲美的预测准确度。根据本申请实施方式的车辆重量预测的技术方案引入了基于堆叠法的集成学习方法，预测结果具有高鲁棒性、低预测误差的有益效果。
附图说明
通过阅读参照以下附图所作的对非限制性实施例所作的详细描述，本申请的其它特征、目的和优点将会变得更明显：
图1是根据本申请实施方式的车辆重量预测方法的流程图；
图2是根据本申请实施方式的集成训练模型训练过程的示意图；
图3是根据本申请实施方式的车辆重量预测***的示意性框图。
具体实施方式
为了更好地理解本申请，将参考附图对本申请的技术方案做出更详细的说明。应理解，这些详细说明只是对本申请的示例性实施方式的描述，而非旨在以任何方式限制本申请的范围。在说明书全文中，相同的附图标记指代相同的元件。表述“和/或”包括相关联的所列项目中的一个或多个项目的任何组合或全部组合。
应注意，在本说明书中，“第一”“第二”“第三”等表述仅用于将一个特征与另一个特征区分开来，而不表示对特征的任何限制。因此，在不背离本申请的教导的情况下，下文中讨论的第一车辆重量也可被称作第二车辆重量。反之亦然。
在附图中，为了便于说明，已稍微调整了图例的尺寸、比例和形状。附图仅为示例而并非严格按比例绘制。如在本文中使用的，用语“大致”“大约”以及类似的用语用作表近似的用语，而不用作表程度的用语，并且旨在说明将由本领域普通技术人员认识到的测量值或计算值中的固有偏差。
还应理解的是，诸如“包括”“包括有”“具有”“包含”和/或“包含有”等表述在本说明书中是开放性而非封闭性的表述，其表示存在所陈述的特征、元件和/或部件，但不排除一个或多个其它特征、元件、部件和/或它们的组合的存在。此外，当诸如“...中的至少一个”的表述出现在所列特征的列表之后时，其修饰整列特征，而非仅仅修饰列表中的单个特征。此外，当描述本申请的实施方式时，使用“可”表示“本申请的一个或多个实施方式”。并且，措辞“示例性的”旨在指代示例或举例说明。
除非另外限定，否则本文中使用的所有措辞（包括工程术语和科技术语）均具有与本申请所属领域普通技术人员的通常理解相同的含义。还应理解的是，除非本申请中有明确的说明，否则在常用词典中定义的词语应被解释为具有与它们在相关技术的上下文中的含义一致的含义，而不应以理想化或过于形式化的意义解释。
需要说明的是，在不冲突的情况下，本申请中的实施方式及实施例中的特征可以相互组合。另外，除非明确限定或与上下文相矛盾，否则本申请所记载的方法中包含的具体步骤不必限于所记载的顺序，而可以任意顺序执行或并行地执行。下面将参考附图并结合实施方式来详细说明本申请。
图1是根据本申请实施方式的车辆重量预测方法的流程图。
参考图1，本申请提出了一种基于集成学习的车辆重量预测方法1000。根据本申请实施方式，车辆重量预测方法1000包括以下步骤。
在步骤S1010，通过纵向车辆力平衡方程基于车辆行驶状态参数和环境参数预测得到第一车辆重量。车辆行驶状态参数可以是与车辆行驶状态相关的物理量，而环境参数可以是与车辆当前所处的环境相关的物理量。纵向车辆力平衡方程可以是基于车辆在竖直方向（即，纵向）的受力平衡推导出的方程。车辆行驶状态参数和环境参数可以由车载传感器获取，但本申请并不对此作出限制。例如，环境参数还可由行车电脑经由网络从外部服务器获取。
在步骤S1020，通过至少一个训练完成的基学习器至少基于所述车辆行驶状态参数和所述环境参数中的非常数项预测得到第二车辆重量。基学习器可以是基于Keras或TensorFlow搭建的神经网络模型，其输入量可以是车辆行驶状态参数和环境参数，输出量是车辆的重量。由于基学习器可以很好地适应常数偏差，因此一般无需将车辆行驶状态参数和环境参数中的常数项输入基学习器。
在一些应用场景下，部分车辆行驶状态参数和环境参数可能具有较大的噪声。这些噪声可能是由于传感器的电噪声或其他因素导致。例如，在车辆连续运行的过程中，速度信息在某一瞬间出现跳变并且在下一瞬间恢复正常。这种瞬间的异常速度信息即属于噪声信息。根据本申请实施方式，可以先对这些参数进行数据清洗，然后再将其输入至纵向车辆力平衡方程或基学习器。例如，当采集到某项参数相较于同类其他参数具有较大跳变时，可以用上一时刻采集的该同类参数替代该跳变的参数。进一步地，还可采用低通滤波来对参数进行滤波处理以筛除噪声数据。
在步骤S1030，通过训练完成的元学***衡方程预测车辆重量的模型与基于神经网络预测车辆重量的模型作为位于第一层的基学习器，并且利用位于第二层的元学习器对第一层的基学习器的结果进行二次拟合，从而得到具有高鲁棒性、低预测误差的车辆重量。
在本申请中，步骤S1010与步骤S1020没有顺序限制。步骤S1010可以在步骤S1020前执行，可以在步骤S1020后执行，也可以与步骤S1020并行执行。
参考图1说明的车辆重量预测方法1000将基于纵向车辆力平衡方程预测车辆重量的方法与基于神经网络（基学***衡方程对车辆重量进行预测，这种预测通常不存在神经网络模型可能出现的过拟合或泛化能力差的缺点；另一方面也可以有效地利用神经网络的“万能近似”的能力以获得更精准的预测结果。考虑到集成学习的模型的泛化能力通常比单个强学习器要好，并且强学习器通常难以获取，因此，本申请利用集成学习将容易获得但相对弱的学习器的预测准确度提升到能够与强学习器所媲美的预测准确度。根据本申请实施方式的车辆重量预测方法1000引入了基于堆叠法的集成学习方法，预测结果具有高鲁棒性、低预测误差的有益效果。
根据本申请实施方式，所述车辆行驶状态参数包括：车辆沿迎风方向的正投影面积
Figure DEST_PATH_IMAGE020AA
，车速
Figure DEST_PATH_IMAGE022AA
，发动机转速
Figure DEST_PATH_IMAGE024AA
，发动机扭矩
Figure DEST_PATH_IMAGE026AA
，车辆传动系机械效率
Figure DEST_PATH_IMAGE028AA
，车辆加速度
Figure DEST_PATH_IMAGE030AA
，车胎内压强
Figure DEST_PATH_IMAGE032AA
，车辆与水平面的夹角
Figure DEST_PATH_IMAGE034AA
；所述环境参数包括：空气压力
Figure DEST_PATH_IMAGE036AA
，空气相对湿度
Figure DEST_PATH_IMAGE038AA
，以开尔文为单位的气温
Figure DEST_PATH_IMAGE040AA
，摄氏温度
Figure DEST_PATH_IMAGE042AA
，空气阻力系数
Figure DEST_PATH_IMAGE044AA
，风速
Figure DEST_PATH_IMAGE046AA
，重力加速度
Figure DEST_PATH_IMAGE048AA
。
根据本申请实施方式，纵向车辆力平衡方程可以是：
Figure DEST_PATH_IMAGE060A
，
其中，m为所述第一车辆重量，
滚动阻力系数
Figure DEST_PATH_IMAGE062A
的表达式为：
Figure DEST_PATH_IMAGE064
车辆所在位置的空气密度
Figure DEST_PATH_IMAGE066A
的表达式为：
Figure DEST_PATH_IMAGE068A
。
值得注意的是，虽然现有技术提出过多种纵向车辆力平衡方程，但不同的技术方案考量的参数、近似假设不同，因而纵向车辆力平衡方程均有所不同。
本申请在提出纵向车辆力平衡方程时考虑了车辆牵引力、滚动阻力、空气阻力、车辆重力之间的力平衡。以下具体描述纵向车辆力平衡方程的建立过程。
车辆牵引力
Figure DEST_PATH_IMAGE070A
的公式为：
Figure DEST_PATH_IMAGE072A
，
Figure DEST_PATH_IMAGE074A
是发动机扭矩，单位：
Figure DEST_PATH_IMAGE076A
；
Figure DEST_PATH_IMAGE078A
是车轮半径，单位：
Figure DEST_PATH_IMAGE080A
；
Figure DEST_PATH_IMAGE082
是主减速器传动比，单位：无；
Figure DEST_PATH_IMAGE084
是变速器某档的传动比，单位：无；
Figure DEST_PATH_IMAGE086
是传动系机械效率，单位：
Figure DEST_PATH_IMAGE088
。
发动机转速n（单位为rpm，转/每分钟）与车速v（单位为km/h）之间的关系为：
Figure DEST_PATH_IMAGE090
，
综合考虑上述表达式，可得车辆牵引力
Figure DEST_PATH_IMAGE091
的公式为：
Figure DEST_PATH_IMAGE093
，
当车辆的车轮转动时，车轮与地面之间会产生形变。这样的形变造成了一些不可逆的能量损失，在受力方面体现为车辆运动过程中的滚动阻力。本申请采用的滚动阻力
Figure DEST_PATH_IMAGE095
的公式为：
Figure DEST_PATH_IMAGE097
，
Figure DEST_PATH_IMAGE099
表示车辆与地平面之间的夹角，即，车辆所行驶的道路与水平面的夹角，单位：
Figure DEST_PATH_IMAGE101
；
Figure DEST_PATH_IMAGE103
表示车辆此时的重量，单位：
Figure DEST_PATH_IMAGE105
；
Figure DEST_PATH_IMAGE107
是滚动阻力系数，单位：无。
由于滚动阻力系数与车速和车胎内压强有很大的关系，因此本申请选择下式作为滚动阻力系数的近似公式：
Figure DEST_PATH_IMAGE109
上式中，
Figure DEST_PATH_IMAGE111
的单位为psi，
Figure DEST_PATH_IMAGE113
的单位是mph。
因此，滚动阻力
Figure DEST_PATH_IMAGE095A
的公式可演进为：
Figure DEST_PATH_IMAGE115
，
根据本申请实施方式的空气阻力公式选为：
Figure DEST_PATH_IMAGE117
，
其中，
Figure DEST_PATH_IMAGE119
表示车辆所在位置的空气密度，单位：
Figure DEST_PATH_IMAGE121
;
Figure DEST_PATH_IMAGE020AAA
表示车辆沿迎风方向的正投影面积，单位：
Figure DEST_PATH_IMAGE123
;
Figure DEST_PATH_IMAGE046AAA
表示风速，矢量的正方向与车速同向，单位：
Figure DEST_PATH_IMAGE125
。Cd表示空气阻力系数，单位：无。由于空气密度在现实生活中变化很大，所以可采用下式近似：
Figure DEST_PATH_IMAGE127
，
其中，
Figure DEST_PATH_IMAGE129
表示空气相对湿度，单位：%；
Figure DEST_PATH_IMAGE131
是以开尔文（K）为单位的气温；
Figure DEST_PATH_IMAGE132
是摄氏温度；
Figure DEST_PATH_IMAGE133
是总空气压力，单位：
Figure DEST_PATH_IMAGE135
。所以最终空气阻力的表达式为：
Figure DEST_PATH_IMAGE137
，
综合考虑车辆牵引力、滚动阻力、空气阻力、车辆重力之间的力平衡，可以得出以下纵向车辆力平衡方程：
Figure DEST_PATH_IMAGE139
其中，
Figure DEST_PATH_IMAGE030AAA
表示车辆的加速度，单位：
Figure DEST_PATH_IMAGE141
；
Figure DEST_PATH_IMAGE048AAA
是重力加速度，单位：
Figure DEST_PATH_IMAGE143
。由此可得出车辆重量为：
Figure DEST_PATH_IMAGE145
。
根据本申请实施方式，至少一个训练完成的基学习器包括基于不同初始化参数训练完成的多个基学习器。在这种设置下，基学习器具有一定的多样性，不同的基学习器的输出误差也具有一定的独立性。这对于增强***的鲁棒性具有助益。
在本申请一个示例性实施方式中，所述至少一个训练完成的基学习器包括三个基于不同初始化参数训练完成的基学习器。为了实现对训练样本的充分利用，可以采用K折交叉验证方法（例如，四折交叉验证方法）训练各个基学习器。
表1示出了根据本申请实施方式的一种训练方案组合，其中，NN1、NN2、NN3分别表示基于Keras建立的三个基学习器。
表1
Figure DEST_PATH_IMAGE147
Figure DEST_PATH_IMAGE149
Figure DEST_PATH_IMAGE151
每次迭代batch_size： 50 100 200
epoch: 3000 3000 3000
beta_1,beta_2： 0.9,0.999 0.9,0.999 0.9,0.999
学习率,衰减率： 0.001，0.0 0.001，0.0 0.001，0.0
每个基学习器可以包括深层神经网络结构，包括依次连接的多个卷积层、池化层、隐藏层、全连接层，其中：卷积层用于对前一层的输入数据进行特征提取；池化层用于对数据进行下采样，从而一定程度上防止过拟合并且提供一定的非线性；隐藏层包含非线性激活函数，例如Sigmoid函数，从而为整个基学习器提供非线性；全连接层用于将各个局部特征进行整合，从而做到对输入信息的全面感知。
根据本申请实施方式，利用元学***衡方程的结果进行二次拟合。元学***衡方程的输出和所述至少一个训练完成的基学***衡方程的输出，
Figure DEST_PATH_IMAGE014AA
至
Figure DEST_PATH_IMAGE016AA
是所述至少一个训练完成的基学习器的输出。使用较为简单的线性回归模型作为元学习器的基础模型可以有效地降低过拟合的风险。
根据本申请实施方式的元学习器利用梯度下降算法进行训练，其中目标函数为
Figure DEST_PATH_IMAGE154
。
以下参考图2示例性地示出根据本申请实施方式对实施车辆重量预测方法的集成学***衡方程以及位于第二层的元学习器。需要注意的是，虽然在图2中示出了三个基学习器并且示出了四折交叉验证的训练方案，然而本申请不限于此。根据本申请实施方式的集成学习模型可以包括其他数量的基学习器，并且可以采用K折交叉验证的训练方案（K为不小于2的自然数）。
首先，需要采集并整理具有足够数量样本2100的样本集。样本集中的每一样本均包含车辆行驶状态参数、环境参数以及车辆真实重量。
然后，将样本集分成两份S1和S2，S1用于整个集成学习模型的训练，以下称训练集S1；S2用于测试训练好的集成学习模型的预测准确率，以下称测试集S2。通常S1的数据规模要大于S2的数据规模。
根据本申请实施方式，对集成学习模型的训练分两步进行，首先对基学习器进行训练，固化基学习器的网络参数；然后对元学习器进行训练，固化元学习器的各项参数，例如
Figure DEST_PATH_IMAGE004AAA
、
Figure DEST_PATH_IMAGE006AA
、
Figure DEST_PATH_IMAGE156
。
以四折交叉验证法为例，在对基学***衡方程2240无需进行训练，但其可以视作为一个训练完成的基学习器。
在对第一基学习器2210进行训练时，用第二子训练集D2、第三子训练集D3、第四子训练集D4作为训练集进行训练，例如，使用适应性矩估计优化算法（ADAM）进行训练。根据本申请实施方式，可以循环迭代训练3000个周期后自动终止训练过程并固化第一基学习器2210的网络参数。然后，利用第一子训练集D1作为测试集，获得输出D11。
在对第一基学习器2210进行训练时，还可用第一子训练集D1、第三子训练集D3、第四子训练集D4作为训练集进行训练，然后利用第二子训练集D2作为测试集，获得输出D21。
在对第一基学习器2210进行训练时，还可用第一子训练集D1、第二子训练集D2、第四子训练集D4作为训练集进行训练，然后利用第三子训练集D3作为测试集，获得输出D31。
在对第一基学习器2210进行训练时，还可用第一子训练集D1、第二子训练集D2、第三子训练集D3作为训练集进行训练，然后利用第四子训练集D4作为测试集，获得输出D41。
因此，在对第一基学习器2210进行训练后可以得到第一中间输出集2310，其包含（D11，D21，D31，D41）。
对第二基学习器2220、第三基学习器2230的训练过程与对第一基学习器2210的训练过程类似。在对第二基学习器2220、第三基学习器2230进行训练后可以得到第二中间输出集2320和第三中间输出集2330。第二中间输出集2320包含（D12，D22，D32，D42），第三中间输出集包含（D13，D23，D33，D43）。
虽然无需对纵向车辆力平衡方程2240进行训练，但仍可分别以D1、D2、D3、D4作为样本输入该方程，并得到第四中间输出集2340，其包含（D14，D24，D34，D44）。
在对元学习器进行训练时，其输入即为第一中间输出集2310、第二中间输出集2320、第三中间输出集2330、第四中间输出集2340以及相应车辆的真实重量。之后，可以通过梯度下降法求解目标函数的局部最小值，其中目标函数为：
Figure DEST_PATH_IMAGE158
。
根据本申请实施方式，最大迭代次数可以设置为1000次。在训练完成后，可以利用测试集S2来测试集成学习模型对于车辆重量的预测准确度。
本申请还提出了一种车辆重量预测***，可以通过移动终端、个人计算机（PC）、平板电脑、服务器等形式实现。下面参考图3，其示出了适于用来实现本申请实施方式的车辆重量预测***的结构示意图。
如图3所示，计算机***包括一个或多个处理器、通信部等，所述一个或多个处理器例如：一个或多个中央处理单元（CPU）301，和/或一个或多个图像处理器（GPU）313等，处理器可以根据存储在只读存储器（ROM）302中的可执行指令或者从存储部308加载到随机存取存储器（RAM）303中的可执行指令而执行各种适当的动作和处理。通信部312可包括但不限于网卡，所述网卡可包括但不限于IB（Infiniband）网卡。
处理器可与只读存储器302和/或随机存取存储器303通信以执行所述可执行指令，通过总线304与通信部312相连、并经通信部312与其他目标设备通信，从而完成本申请实施方式提出的任一项方法对应的操作，例如：通过纵向车辆力平衡方程基于车辆行驶状态参数和环境参数预测得到第一车辆重量；通过至少一个训练完成的基学习器至少基于所述车辆行驶状态参数和所述环境参数中的非常数项预测得到第二车辆重量；通过训练完成的元学习器基于所述第一车辆重量和所述第二车辆重量预测车辆重量。
此外，在RAM 303中，还可存储有装置操作所需的各种程序和数据。CPU 301、ROM302以及RAM 303通过总线304彼此相连。在有RAM 303的情况下，ROM 302为可选模块。RAM303存储可执行指令，或在运行时向ROM 302中写入可执行指令，可执行指令使处理器301执行上述通信方法对应的操作。输入/输出接口（I/O接口）305也连接至总线304。通信部312可以集成设置，也可以设置为具有多个子模块（例如多个IB网卡），并在总线链接上。
以下部件连接至I/O接口305：包括键盘、鼠标等的输入部306；包括诸如阴极射线管（CRT）、液晶显示器（LCD）等以及扬声器等的输出部307；包括硬盘等的存储部308；以及包括诸如LAN卡、调制解调器等的网络接口卡的通讯部309。通讯部309经由诸如因特网的网络执行通信处理。驱动器310也根据需要连接至I/O接口305。可拆卸介质311，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器310上。
需要说明的，如图3所示的架构仅为一种可选实现方式，在具体实践过程中，可根据实际需要对上述图3的部件数量和类型进行选择、删减、增加或替换；在不同功能部件设置上，也可采用分离设置或集成设置等实现方式，例如GPU和CPU可分离设置或者可将GPU集成在CPU上，通信部312可分离设置，也可集成设置在CPU或GPU上，等等。这些可替换的实施方式均落入本发明公开的保护范围。
特别地，根据本申请，参考流程图1描述的过程可以被实现为计算机程序产品。例如，本申请提出一种计算机程序产品，包括计算机可读指令，所述计算机可读指令被处理器执行时实现以下操作：通过纵向车辆力平衡方程基于车辆行驶状态参数和环境参数预测得到第一车辆重量；通过至少一个训练完成的基学习器至少基于所述车辆行驶状态参数和所述环境参数中的非常数项预测得到第二车辆重量；通过训练完成的元学习器基于所述第一车辆重量和所述第二车辆重量预测车辆重量。
在这样的实施方式中，该计算机程序产品可以通过通讯部309从网络上被下载和安装，和/或从可拆卸介质311中读取并安装。在该计算机程序产品被中央处理单元（CPU）301执行时，执行本申请的方法中限定的上述功能。
可能以许多方式来实现本申请的技术方案。例如，可通过软件、硬件、固件或者软件、硬件、固件的任何组合来实现本申请的技术方案。用于说明方法的步骤顺序仅是为了更清楚地说明技术方案的目的而提供。除非经特别限定，否则本申请的方法步骤不限于以上具体描述的顺序。此外，在一些实施方式中，还可将本申请实施为存储计算机程序产品的存储介质。
以上描述仅为本申请的实施方式以及对所运用技术原理的说明。本领域技术人员应当理解，本申请中所涉及的保护范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离所述技术构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本申请中公开的（但不限于）具有类似功能的技术特征进行互相替换而形成的技术方案。

Claims (9)

1.一种基于集成学习的车辆重量预测方法，其特征在于，所述车辆重量预测方法包括：
通过纵向车辆力平衡方程基于车辆行驶状态参数和环境参数预测得到第一车辆重量；
通过至少一个训练完成的基学习器至少基于所述车辆行驶状态参数和所述环境参数中的非常数项预测得到第二车辆重量；
通过训练完成的元学习器基于所述第一车辆重量和所述第二车辆重量预测车辆重量，
其中，所述元学***衡方程的输出和所述至少一个训练完成的基学习器的输出作为输入，利用梯度下降算法进行训练，所述元学习器采用的线性回归模型为
Figure 330702DEST_PATH_IMAGE002
，
其中，
Figure 8546DEST_PATH_IMAGE004
、
Figure 752511DEST_PATH_IMAGE006
、
Figure 333665DEST_PATH_IMAGE008
为权重值，
Figure 606515DEST_PATH_IMAGE010
为误差项，
Figure 69857DEST_PATH_IMAGE012
是所述纵向车辆力平衡方程的输出，
Figure 319310DEST_PATH_IMAGE014
至
Figure 551709DEST_PATH_IMAGE016
是所述至少一个训练完成的基学习器的输出，
目标函数为:
Figure 995459DEST_PATH_IMAGE018
。
2.根据权利要求1所述的车辆重量预测方法，其特征在于，
所述车辆行驶状态参数包括：车辆沿迎风方向的正投影面积
Figure 883781DEST_PATH_IMAGE020
，车速
Figure 500707DEST_PATH_IMAGE022
，发动机转速
Figure 283550DEST_PATH_IMAGE024
，发动机扭矩
Figure 898202DEST_PATH_IMAGE026
，车辆传动系机械效率
Figure 70557DEST_PATH_IMAGE028
，车辆加速度
Figure 163278DEST_PATH_IMAGE030
，车胎内压强
Figure 370269DEST_PATH_IMAGE032
，车辆与水平面的夹角
Figure 919937DEST_PATH_IMAGE034
；
所述环境参数包括：空气压力
Figure 517271DEST_PATH_IMAGE036
，空气相对湿度
Figure 476000DEST_PATH_IMAGE038
，以开尔文为单位的气温
Figure 6338DEST_PATH_IMAGE040
，摄氏温度
Figure 228372DEST_PATH_IMAGE042
，空气阻力系数
Figure 77117DEST_PATH_IMAGE044
，风速
Figure 573958DEST_PATH_IMAGE046
，重力加速度
Figure 693223DEST_PATH_IMAGE048
。
3.根据权利要求2所述的车辆重量预测方法，其特征在于，
所述纵向车辆力平衡方程为：
Figure 555000DEST_PATH_IMAGE050
，
其中，m为所述第一车辆重量，
滚动阻力系数
Figure 891041DEST_PATH_IMAGE052
的表达式为：
Figure 394835DEST_PATH_IMAGE054
车辆所在位置的空气密度
Figure 430924DEST_PATH_IMAGE056
的表达式为：
Figure 932444DEST_PATH_IMAGE058
。
4.根据权利要求1所述的车辆重量预测方法，其特征在于，所述至少一个训练完成的基学习器包括基于不同初始化参数训练完成的多个基学习器。
5.根据权利要求4所述的车辆重量预测方法，其特征在于，所述多个基学习器中的每个基学习器包括至少一层隐藏层，所述隐藏层采用的非线性激活函数为Sigmoid函数。
6.根据权利要求5所述的车辆重量预测方法，其特征在于，采用K折交叉验证方法训练所述多个基学习器中的每个基学习器，其中K为不小于2的自然数。
7.根据权利要求6所述的车辆重量预测方法，其特征在于，所述至少一个训练完成的基学习器包括三个基于不同初始化参数训练完成的基学习器，并且每个基学习器采用四折交叉验证方法进行训练。
8. 一种基于集成学习的车辆重量预测***，其特征在于，所述车辆重量预测***包括：
存储器，所述存储器存储可执行指令；以及
一个或多个处理器，所述一个或多个处理器与所述存储器通信以执行所述可执行指令从而完成以下操作：
通过纵向车辆力平衡方程基于车辆行驶状态参数和环境参数预测得到第一车辆重量；
通过至少一个训练完成的基学习器至少基于所述车辆行驶状态参数和所述环境参数中的非常数项预测得到第二车辆重量；
通过训练完成的元学习器基于所述第一车辆重量和所述第二车辆重量预测车辆重量，
其中，所述元学***衡方程的输出和所述至少一个训练完成的基学习器的输出作为输入，利用梯度下降算法进行训练，所述元学习器采用的线性回归模型为
Figure 761640DEST_PATH_IMAGE059
，
其中，
Figure 69125DEST_PATH_IMAGE004
、
Figure 694141DEST_PATH_IMAGE006
、
Figure 163300DEST_PATH_IMAGE008
为权重值，
Figure 709819DEST_PATH_IMAGE010
为误差项，
Figure 116267DEST_PATH_IMAGE012
是所述纵向车辆力平衡方程的输出，
Figure 64632DEST_PATH_IMAGE014
至
Figure 704692DEST_PATH_IMAGE016
是所述至少一个训练完成的基学习器的输出，
目标函数为:
Figure 535244DEST_PATH_IMAGE018
。
9.一种用于车辆重量预测的计算机可读存储介质，其特征在于，所述计算机可读存储介质存储可执行指令，所述可执行指令能够被一个或多个处理器执行以完成以下操作：
通过纵向车辆力平衡方程基于车辆行驶状态参数和环境参数预测得到第一车辆重量；
通过至少一个训练完成的基学习器至少基于所述车辆行驶状态参数和所述环境参数中的非常数项预测得到第二车辆重量；
通过训练完成的元学习器基于所述第一车辆重量和所述第二车辆重量预测车辆重量，
其中，所述元学***衡方程的输出和所述至少一个训练完成的基学习器的输出作为输入，利用梯度下降算法进行训练，所述元学习器采用的线性回归模型为
Figure 184531DEST_PATH_IMAGE059
，
其中，
Figure 220358DEST_PATH_IMAGE004
、
Figure 93636DEST_PATH_IMAGE006
、
Figure 614748DEST_PATH_IMAGE008
为权重值，
Figure 536567DEST_PATH_IMAGE010
为误差项，
Figure 958059DEST_PATH_IMAGE012
是所述纵向车辆力平衡方程的输出，
Figure 2238DEST_PATH_IMAGE014
至
Figure 745066DEST_PATH_IMAGE016
是所述至少一个训练完成的基学习器的输出，
目标函数为:
Figure 736156DEST_PATH_IMAGE060
。
CN202211109476.XA 2022-09-13 2022-09-13 基于集成学习的车辆重量预测方法、***及存储介质 Active CN115204417B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211109476.XA CN115204417B (zh) 2022-09-13 2022-09-13 基于集成学习的车辆重量预测方法、***及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211109476.XA CN115204417B (zh) 2022-09-13 2022-09-13 基于集成学习的车辆重量预测方法、***及存储介质

Publications (2)

Publication Number Publication Date
CN115204417A CN115204417A (zh) 2022-10-18
CN115204417B true CN115204417B (zh) 2022-12-27

Family

ID=83572329

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211109476.XA Active CN115204417B (zh) 2022-09-13 2022-09-13 基于集成学习的车辆重量预测方法、***及存储介质

Country Status (1)

Country Link
CN (1) CN115204417B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115871684B (zh) * 2023-01-05 2023-06-06 中汽研汽车检验中心（天津）有限公司 基于网联运行数据和机器学习的重型车辆质量估算方法

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109118787A (zh) * 2018-08-20 2019-01-01 浙江工业大学 一种基于深度神经网络的车辆速度预测方法
WO2019199561A1 (en) * 2018-04-09 2019-10-17 Cambridge Mobile Telematics Inc. Vehicle classification based on telematics data
CN111047085A (zh) * 2019-12-06 2020-04-21 北京理工大学 一种基于元学习的混合动力车辆工况预测方法
CN111121939A (zh) * 2020-01-02 2020-05-08 深圳市汉德网络科技有限公司 一种高精度车载区域称重方法
CN111707343A (zh) * 2020-06-23 2020-09-25 北京经纬恒润科技有限公司 一种确定车辆重量的方法及装置
CN112258251A (zh) * 2020-11-18 2021-01-22 北京理工大学 基于灰色关联的电动汽车换电需求的集成学习预测方法及***
CN115009288A (zh) * 2022-07-19 2022-09-06 潍柴动力股份有限公司 确定车辆重量的方法和装置

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7783450B2 (en) * 2007-11-14 2010-08-24 Ut-Battelle, Llc Method and system for reducing errors in vehicle weighing systems
CN113386781B (zh) * 2021-05-24 2024-05-24 江苏大学 一种基于数据驱动车辆动力学模型的智能车辆轨迹跟踪控制方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2019199561A1 (en) * 2018-04-09 2019-10-17 Cambridge Mobile Telematics Inc. Vehicle classification based on telematics data
CN109118787A (zh) * 2018-08-20 2019-01-01 浙江工业大学 一种基于深度神经网络的车辆速度预测方法
CN111047085A (zh) * 2019-12-06 2020-04-21 北京理工大学 一种基于元学习的混合动力车辆工况预测方法
CN111121939A (zh) * 2020-01-02 2020-05-08 深圳市汉德网络科技有限公司 一种高精度车载区域称重方法
CN111707343A (zh) * 2020-06-23 2020-09-25 北京经纬恒润科技有限公司 一种确定车辆重量的方法及装置
CN112258251A (zh) * 2020-11-18 2021-01-22 北京理工大学 基于灰色关联的电动汽车换电需求的集成学习预测方法及***
CN115009288A (zh) * 2022-07-19 2022-09-06 潍柴动力股份有限公司 确定车辆重量的方法和装置

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
Hierarchical reinforcement learning based energy management strategy for hybrid electric vehicle;ChunyangQi等;《Energy》;20220101;第238卷;1-10 *
高海拔环境下轻型车滑行阻力建模及实验研究;陈伟;《中国优秀硕士学位论文全文数据库工程科技Ⅱ辑》;20200315(第03期);C035-499 *
高精度高速公路车辆动态称重***的研究;王丽丽;《中国优秀硕士学位论文全文数据库工程科技Ⅱ辑》;20111215(第S2期);C030-23 *

Also Published As

Publication number Publication date
CN115204417A (zh) 2022-10-18

Similar Documents

Publication Publication Date Title
Wang et al. A novel method for intelligent fault diagnosis of bearing based on capsule neural network
CN106095963B (zh) 互联网+时代下的车辆驾驶行为分析大数据公共服务平台
CN110657984B (zh) 一种基于强化胶囊网络的行星齿轮箱故障诊断方法
US20120084042A1 (en) System and method for conditional multi-output regression for machine condition monitoring
CN115204417B (zh) 基于集成学习的车辆重量预测方法、***及存储介质
CN111275660B (zh) 一种平板显示器缺陷检测方法及装置
CN110929839A (zh) 训练神经网络的方法和装置、电子设备和计算机存储介质
CN111047078A (zh) 交通特征预测方法、***及存储介质
Jiang et al. A novel fusion algorithm for estimation of the side-slip angle and the roll angle of a vehicle with optimized key parameters
CN113139594A (zh) 一种机载图像无人机目标自适应检测方法
CN110988263B (zh) 一种基于改进的Stacking模型的车辆尾气浓度估计方法
CN112733692A (zh) 基于集成混合模型的故障预测方法、装置及相关设备
CN114722520A (zh) 基于增强字典学习的行星轴承智能故障诊断方法
JP2021526696A (ja) オンライン・オンデマンドサービス・プラットフォームからのデータを処理するためのシステムおよび方法
Yang et al. Simultaneous estimation of vehicle mass and unknown road roughness based on adaptive extended Kalman filtering of suspension systems
Sun et al. Fault diagnosis of train traction motor bearing based on improved deep residual network
Fraikin et al. A fast and accurate hybrid simulation model for the large-scale testing of automated driving functions
Haspolat et al. Energy Management of P2 Hybrid Electric Vehicle Based on Event-Triggered Nonlinear Model Predictive Control and Deep Q Network
Dong et al. Global wavelet-integrated residual frequency attention regularized network for hypersonic flight vehicle fault diagnosis with imbalanced data
CN114278727B (zh) 极限工况下的车辆自动换挡控制方法、***、介质及设备
US11525728B1 (en) Systems and methods for determining an estimated weight of a vehicle
CN113112061B (zh) 一种预测车辆油耗的方法与装置
CN114997214A (zh) 一种残差密集网络故障诊断方法以及装置
Moghadam et al. Application of smartphones in pavement deterioration identification using artificial neural network
TW201913528A (zh) 基於多核學習的駕駛風險評估方法及其處理裝置

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