一种车辆载重计算方法、装置及存储介质
技术领域
本发明涉及汽车技术领域,尤其涉及一种车辆载重计算方法、装置及存储介质。
背景技术
近年来,随着工业生产和物流行业的迅速发展,公路运输业竞争越来越激烈,车辆超限超载的现象屡见不鲜,这些超限超载车辆在威胁驾驶员司机以及人民群众生命财产安全的同时,也给运输路面,尤其是对一些限制车重的桥梁带来了极大的破坏。如何能让驾驶员司机实时了解到车辆载重,提高车辆运输的安全性,减少超重事件的发生,是一个亟待解决的问题。
发明内容
本发明的主要目的在于提供了一种车辆载重计算方法、装置及存储介质,旨在解决如何准确获取车辆载重的技术问题。
为实现上述目的,本发明提供了一种车辆载重计算方法,所述方法包括以下步骤:
获取目标车辆不同时刻的历史车辆载重以及所述历史车辆载重对应的历史车辆状态参数;
根据所述历史车辆载重及所述历史车辆状态参数建立预设关系函数;
获取所述目标车辆的当前车辆状态参数;
根据所述当前车辆状态参数,通过所述预设关系函数计算出所述目标车辆的当前车辆载重。
优选地,所述根据所述当前车辆状态参数,通过所述预设关系函数计算出所述目标车辆的当前车辆载重之后,所述方法还包括:
判断所述当前车辆载重是否超过预设载重阈值;
在所述当前车辆载重超过所述预设载重阈值时,向驾驶员和/或执法部门发出超载提示。
优选地,所述根据所述历史车辆载重及所述历史车辆状态参数建立预设关系函数,具体包括:
根据所述历史车辆载重及所述历史车辆状态参数通过拟合算法建立所述预设关系函数;
其中,所述拟合算法包括:线性拟合算法、多项式拟合算法或三角函数拟合算法中的任意一种。
优选地,所述根据所述历史车辆载重及所述历史车辆状态参数通过拟合算法建立所述预设关系函数,具体包括:
通过坐标系对各历史车辆载重以及与各历史车辆载重对应的历史目标参数进行表示;
对所述坐标系中所述历史车辆载重以及所述历史车辆状态参数的变化趋势进行拟合,获得所述预设关系函数。
优选地,所述根据所述历史车辆载重及所述历史车辆状态参数建立预设关系函数,具体包括:
根据所述历史车辆载重及所述历史车辆状态参数对预设分类模型进行训练,获得所述预设关系函数。
优选地,所述预设分类模型包括:支持向量机模型;
相应地,所述根据所述历史车辆载重及所述历史车辆状态参数对预设分类模型进行训练,获得所述预设关系函数,具体包括:
根据所述历史车辆载重及所述历史车辆状态参数对支持向量机模型进行训练,获得所述预设关系函数。
优选地,所述预设分类模型包括:神经网络模型;
相应地,所述根据所述历史车辆载重及所述历史车辆状态参数对预设分类模型进行训练,获得所述预设关系函数,具体包括:
根据所述历史车辆载重及所述历史车辆状态参数对神经网络模型进行训练,获得所述预设关系函数。
优选地,所述当前车辆状态参数包括:车辆速度、加速度、油耗、轮胎胎压及轮胎形变量中的至少一种。
此外,为实现上述目的,本发明还提出一种车辆载重计算装置,所述装置包括:存储器、处理器及存储在所述存储器上并可在所述处理器上运行的车辆载重计算程序,所述车辆载重计算程序配置为实现如上文所述的车辆载重计算方法的步骤。
此外,为实现上述目的,本发明还提出一种存储介质,所述计算机可读存储介质上存储有车辆载重计算程序,所述车辆载重计算程序被处理器执行时实现如上文所述的车辆载重计算方法的步骤。
本发明通过获取目标车辆不同时刻的历史车辆载重以及所述历史车辆载重对应的历史车辆状态参数;根据所述历史车辆载重及所述历史车辆状态参数建立预设关系函数;获取所述目标车辆的当前车辆状态参数;根据所述当前车辆状态参数,通过所述预设关系函数计算出所述目标车辆的当前车辆载重,从而能够实现对所述目标车辆当前车辆载重的准确计算,提高了司机驾驶车辆的安全性。
附图说明
图1为本发明实施例方案涉及的硬件运行环境的车辆载重计算装置的结构示意图;
图2为本发明一种车辆载重计算方法第一实施例的流程示意图;
图3为本发明一种车辆载重计算方法第二实施例的流程示意图;
图4为本发明一种车辆载重计算方法第三实施例的流程示意图;
图5为本发明一种车辆载重计算方法第四实施例的流程示意图。
本发明目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
应当理解,此处所描述的具体实施例仅用以解释本发明,并不用于限定本发明。
参照图1,图1为本发明实施例方案涉及的硬件运行环境的车辆载重计算装置结构示意图。
如图1所示,该装置可以包括:处理器1001,例如CPU,通信总线1002、用户接口1003,网络接口1004,存储器1005,车载总线接口1006。其中,通信总线1002用于实现这些组件之间的连接通信。用户接口1003可以包括显示屏(Display)、输入单元比如键盘(Keyboard),可选用户接口1003还可以包括标准的有线接口、无线接口。网络接口1004可选的可以包括标准的有线接口、无线接口(如WI-FI接口)。存储器1005可以是高速RAM存储器,也可以是稳定的存储器(non-volatile memory),例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储装置。车载总线接口1006,可以是控制器局域网络(Controller Area Network,CAN)总线接口。
本领域技术人员可以理解,图1中示出的结构并不构成对装置的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件布置。
如图1所示,作为一种计算机存储介质的存储器1005中可以包括操作系统、网络通信模块、用户接口模块以及车辆载重计算程序。
在图1所示的装置中,网络接口1004主要用于连接服务器,与服务器进行数据通信;用户接口1003主要用于连接用户终端,与终端进行数据通信,车载总线接口1006可以与车辆的车载诊断系统(On-Board Diagnostic,OBD)诊断座连接,获取车辆数据;还可以直接与车辆的CAN总线连接,获取车辆数据。所述装置通过处理器1001调用存储器1005中存储的车辆载重计算程序,并执行以下操作:
获取目标车辆不同时刻的历史车辆载重以及所述历史车辆载重对应的历史车辆状态参数;
根据所述历史车辆载重及所述历史车辆状态参数建立预设关系函数;
获取所述目标车辆的当前车辆状态参数;
根据所述当前车辆状态参数,通过所述预设关系函数计算出所述目标车辆的当前车辆载重。
进一步地,处理器1001可以调用存储器1005中存储的车辆载重计算程序,还执行以下操作:
判断所述当前车辆载重是否超过预设载重阈值;
在所述当前车辆载重超过所述预设载重阈值时,向驾驶员和/或执法部门发出超载提示。
进一步地,处理器1001可以调用存储器1005中存储的车辆载重计算程序,还执行以下操作:
根据所述历史车辆载重及所述历史车辆状态参数通过拟合算法建立所述预设关系函数;
其中,所述拟合算法包括:线性拟合算法、多项式拟合算法或三角函数拟合算法中的任意一种。
进一步地,处理器1001可以调用存储器1005中存储的车辆载重计算程序,还执行以下操作:
通过坐标系对各历史车辆载重以及与各历史车辆载重对应的历史目标参数进行表示;
对所述坐标系中所述历史车辆载重以及所述历史车辆状态参数的变化趋势进行拟合,获得所述预设关系函数。
进一步地,处理器1001可以调用存储器1005中存储的车辆载重计算程序,还执行以下操作:
根据所述历史车辆载重及所述历史车辆状态参数对预设分类模型进行训练,获得所述预设关系函数。
进一步地,处理器1001可以调用存储器1005中存储的车辆载重计算程序,还执行以下操作:
根据所述历史车辆载重及所述历史车辆状态参数对支持向量机模型进行训练,获得所述预设关系函数。
进一步地,处理器1001可以调用存储器1005中存储的车辆载重计算程序,还执行以下操作:
根据所述历史车辆载重及所述历史车辆状态参数对神经网络模型进行训练,获得所述预设关系函数。
本实施例通过获取目标车辆不同时刻的历史车辆载重以及所述历史车辆载重对应的历史车辆状态参数;根据所述历史车辆载重及所述历史车辆状态参数建立预设关系函数;获取所述目标车辆的当前车辆状态参数;根据所述当前车辆状态参数,通过所述预设关系函数计算出所述目标车辆的当前车辆载重,从而能够实现对所述目标车辆当前载重的准确计算,提高了司机驾驶车辆的安全性。
基于上述硬件结构,提出本发明车辆载重计算方法实施例。
参照图2,图2为本发明一种车辆载重计算方法第一实施例的流程示意图。
本实施例中,所述控制方法包括以下步骤:
步骤S10:获取目标车辆不同时刻的历史车辆载重以及所述历史车辆载重对应的历史车辆状态参数;
步骤S20:根据所述历史车辆载重及所述历史车辆状态参数建立预设关系函数;
需要说明的是,本发明方法的执行主体可以是车载终端,所述车载终端可以是能够实现程序运行、数据运算及监测车辆状态参数的电子设备。所述历史车辆状态参数为当前时刻之前的车辆状态参数,所述车辆状态参数包括但不限于车辆速度、加速度、发动机转速、油耗、里程、轮胎胎压、轮胎温度及轮胎形变量中的一种或多种。
应理解的是,车辆的载重会影响车辆的各种状态参数,例如:相同的发动机转速下,当车辆载重大时,车辆的行驶速度比未负重时慢;车辆的加速度也比未负重时的车辆加速度小;车辆行驶相同的路程,负重时的车辆油耗比未负重时的油耗大。车辆负重时,轮胎胎压较大,轮胎的形变量也相应较大等。
为实现对所述目标车辆的当前车辆载重的准确计算,可通过收集所述目标车辆不同时刻的历史车辆载重,然后根据收集到的各个历史车辆载重获取各个历史车辆载重在当时情形下对应的各项车辆状态参数的数值大小,例如:车辆速度、加速度、发动机转速、油耗、里程、碳排放量、轮胎胎压、轮胎温度、轮胎形变量等。
本实施例在获取到大量车辆载重以及该车辆载重对应的车辆状态参数之后,可采用不同的数学工具:例如:线性拟合算法、多项式拟合算法、三角函数拟合算法、支持向量机或神经网络算法来对这些海量的数据进行拟合处理,以建立反映所述目标车辆的当前车辆载重与所述车辆状态参数之间影响关系的目标函数,即所述预设关系函数。本实施例在所述预设关系函数中,将所述车辆状态参数,如车辆速度、加速度、发动机转速、油耗、车辆轮胎胎压、和/或轮胎形变量作为自变量,将所述车辆载重作为因变量。通过实时获取上述自变量,即可利用所述预设关系函数计算出作为因变量的所述目标车辆的车辆载重。其中,具体数学工具的选择可根据实际情况选择,本实施例对此不加以限制。此外,在实际情况中车辆载重应该是引起所述目标参数变化的自变量,本实施例中将车辆载重定义为因变量。
本实施例中,所述车载终端可通过所述目标车辆的车载诊断系统(On-BoardDiagnostic,OBD)随时监控车辆发动机的运行状况和尾气后处理系统的工作状态,也就是说车辆的车辆速度、加速度、发动机转速、里程及油耗都可通过车辆的车载诊断系统获得;所述轮胎胎压和轮胎温度可以通过轮胎压力监测系统(Tire Pressure MonitoringSystem,TPMS)来获取,所述轮胎压力监测系统是一种采用无线传输技术,利用固定于汽车轮胎内的高灵敏度微型无线传感装置在行车或静止的状态下采集汽车轮胎压力、温度等数据,它可以对采集到的轮胎压力、温度等数据进行实时传送。
实际情况中,所述车载诊断通过OBD或TPMS获取的所述车辆状态参数并非都是与车辆载重有关的参数,例如:里程、轮胎温度等。因此,在所述预设关系函数建立后,即可确定出与所述车辆载重密切相关的目标参数,例如:车辆速度、加速度、油耗、轮胎胎压、轮胎形变量等,从而在后续计算车辆载重时,只需要获取所述目标参数即可,进一步降低所述车载终端的数据运算及处理工作量。
步骤S30:获取所述目标车辆的当前车辆状态参数;
步骤S40:根据所述当前车辆状态参数,通过所述预设关系函数计算出所述目标车辆当前的车辆载重。
可理解的是,所述车载终端在进行车辆载重的计算时,通过OBD或TPMS获取所述目标车辆当前时刻的车辆状态参数;然后再根据预先建立的所述预设关系函数计算出所述目标车辆的当前车辆载重。
本实施例有益效果:车载终端获取目标车辆不同时刻的历史车辆载重以及所述历史车辆载重对应的历史车辆状态参数;根据所述历史车辆载重及所述历史车辆状态参数建立预设关系函数;获取所述目标车辆的当前车辆状态参数;根据所述当前车辆状态参数,通过所述预设关系函数计算出所述目标车辆的当前车辆载重,从而能够实现对所述目标车辆当前载重的准确计算,提高了司机驾驶车辆的安全性。
进一步地,如图3所示,基于上述第一实施例提出本发明一种车辆载重计算方法第二实施例。
在本实施例中,在所述步骤S40之后,还包括如下步骤:
步骤S50:判断所述车辆载重是否超过预设载重阈值;
步骤S60:在所述车辆载重超过所述预设载重阈值时,向驾驶员和/或执法部门发出超载提示。
可理解的是,为了提高驾驶员的安全意识,保证生命安全,可通过设置一个预设载重阈值来对当前车辆的车辆载重进行监测,即在计算出所述目标车辆的当前车辆载重后,将所述当前车辆载重与所述预设载重阈值进行比较,在所述当前车辆载重超过所述预设载重阈值时,向驾驶员和/或执法部门发出超载提示。其中,所述预设载重阈值可以是目标车辆出厂时规定的核准载重或标准载重,也可以是驾驶员司机自行设定的载重值,本实施例对此不加以限制。
可理解的是,一般情况下,交管部门或运营车辆的主管部门等执法部门对应的车辆管理系统中都会保存有各运营车辆(例如:客车和货车等)对应的车牌号或车架号。因此在执行所述步骤S60之前,可通过将各运营车辆对应的车牌号或车架号与对应的车载终端进行关联,以使这些运营车辆的车载终端在监测到所述车辆载重超过所述预设载重阈值时,直接向驾驶员和/或上述执法部门发出超载提示或报警,以提醒驾驶员和执法部门行车注意,不要超载。
在具体实现中,当监测到所述当前车辆载重超过该预设载重阈值时,判定目标车辆当前出于超载状态,则通过预设方式向驾驶员和/或执法部门发出超载提示,提醒驾驶员注意行车安全不要超载,所述预设方式可以是通过播报如“请注意,已超过标准载重”的语音来提醒驾驶员,也可以是通过蜂鸣器发出警报来提醒驾驶员,还可以是通过目标车辆的车载终端的人机交互界面显示预设的超载文字或图片来提示驾驶员,具体的超载提示方式可根据实际情况选择,本实施例对此不加以限制。
本实施例在计算出目标车辆的当前车辆载重后,判断所述当前车辆载重是否超过预设载重阈值,在所述当前车辆载重超过所述预设载重阈值时,向驾驶员司机和/或执法部门发出超载提示来提醒驾驶员司机和/或执法部门注意,从而保证了驾驶员司机的行车安全。
进一步地,如图4所示,基于上述各实施例提出本发明一种车辆载重计算方法第三实施例。
在本实施例中,所述步骤S20具体包括:
步骤S201:根据所述历史车辆载重及所述历史车辆状态参数通过拟合算法建立所述预设关系函数;其中,所述拟合算法包括:线性拟合算法、多项式拟合算法或三角函数拟合算法中的任意一种;
本实施例中,所述预设关系函数的建立具体包括:通过坐标系对各历史车辆载重以及与各历史车辆载重对应的历史车辆状态参数进行表示,对所述坐标系中所述历史车辆载重以及所述历史车辆状态参数的变化趋势进行拟合,获得所述预设关系函数。下面以线性拟合算法为例进行说明。
在具体实现中,先获取到待拟合的数据,例如:作为因变量车辆载重的数据,以及作为自变量的目标数据,然后根据获取到的数据建立对应的坐标系,具体地,如果待拟合的数据中每个点只有两个数值时,说明待拟合的数据对应的曲线为二维曲线,例如(胎压,车辆载重)等;如果待拟合数据中每个点有多个数值时,说明待拟合的数据对应的曲线为多维曲线,例如(车辆设定,油耗,车辆载重)等。本实施例在建立坐标系时,可根据实际情况选择建立直角坐标系或多维坐标系,例如三维空间坐标系;通过坐标系对各历史车辆载重以及与各历史车辆载重对应的历史车辆状态参数进行表示后,再分析各历史车辆载重与对应的历史车辆状态参数之间的影响关系以及变化趋势,并对所述历史车辆载重以及所述历史车辆状态参数的变化趋势进行线性拟合,获得拟合后的函数,即所述预设关系函数。
本实施例上述方案,通过对历史车辆载重以及其对应历史车辆状态参数的变化趋势进行线性拟合,获得拟合后的曲线函数,即预设关系函数,从而在获取到目标车辆当前的目标数据后能够利用所述预设关系函数较为精确的计算出目标车辆的当前车辆载重。
进一步地,如图5所示,基于上述第二实施例提出本发明一种车辆载重计算方法第四实施例。
本实施例中,所述步骤S20,具体包括:
步骤S202:根据所述历史车辆载重及所述历史车辆状态参数对预设分类模型进行训练,获得所述预设关系函数。
需要说明的是,本实施例中,所述预设分类模型可以是支持向量机模型,也可以是神经网络模型,还可以是其他分类模型,具体模型的选用可以根据实际情况选择,本实施例对此不加以限制。
可理解的是,所述支持向量机模型(Support Vector Machine,SVM)是一种判别方法,在机器学习领域,该模型用于进行模式识别、分类及回归分析。本实施例中,可利用机器学习算法对获取到的历史车辆载重数据以及其对应的历史车辆状态参数进行分析,获取两者变化规律,也就是说可选取支持向量机模型作为被训练的模型,并根据所述历史车辆载重及所述历史车辆状态参数对所述支持向量机模型进行训练,获得所述预设关系函数。
当然,在选用模型时,也可以选择神经网络模型作为被训练的目标模型,可理解的是,神经网络模型是以神经元的数学模型为基础来描述的,大量形式相同的神经元连接在一起就组成了神经网络,神经网络模型由网络拓扑、节点特点和学习规则来表示,神经网络模型具有:并行分布处理、高度鲁棒性和容错能力、分布存储及学习能力、能充分逼近复杂的非线性关系等优点。目前,神经网络的模型中,应用较多的包括:误差逆向传播算法(BackPropagation,BP)神经网络模型、霍普菲尔德(Hopfield)网络模型和Kohonen网络模型(一种自组织竞争型神经网络,该网络为无监督学习网络,能够识别环境特征并自动聚类),具体神经网络模型的选用可根据实际情况而定,本实施例对此不加以限制。
本实施例在具体实现中,基于获取到的历史车辆载重及其对应的历史车辆状态参数来对选用的预设分类模型,例如:支持向量机模型或神经网络模型进行训练,获得能够反映车辆载重与车辆状态参数之间的影响关系函数(即所述预设关系函数)。
本实施例通过选用具有很强的非线性拟合能力的神经网络模型或具有在模型复杂性和学习能力之间寻求最佳折衷能力的支持向量机模型,能够使最终获得的预设关系函数更加接近实际,从而使利用该预设关系函数计算出的当前车辆载重误差更小更精确。
此外,本发明还提供一种存储介质,所述存储介质上存储有车辆载重计算程序,所述车辆载重计算程序被处理器执行时实现如下操作:
获取目标车辆不同时刻的历史车辆载重以及所述历史车辆载重对应的历史车辆状态参数;
根据所述历史车辆载重及所述历史车辆状态参数建立预设关系函数;
获取所述目标车辆的当前车辆状态参数;
根据所述当前车辆状态参数,通过所述预设关系函数计算出所述目标车辆的当前车辆载重。
进一步地,所述车辆载重计算程序被处理器执行时还实现如下操作:
判断所述当前车辆载重是否超过预设载重阈值;
在所述当前车辆载重超过所述预设载重阈值时,向驾驶员和/或执法部门发出超载提示。
进一步地,所述车辆载重计算程序被处理器执行时还实现如下操作:
根据所述历史车辆载重及所述历史车辆状态参数通过拟合算法建立所述预设关系函数;
其中,所述拟合算法包括:线性拟合算法、多项式拟合算法或三角函数拟合算法中的任意一种。
进一步地,所述车辆载重计算程序被处理器执行时还实现如下操作:
通过坐标系对各历史车辆载重以及与各历史车辆载重对应的历史目标参数进行表示;
对所述坐标系中所述历史车辆载重以及所述历史车辆状态参数的变化趋势进行线性拟合,获得所述预设关系函数。
进一步地,所述车辆载重计算程序被处理器执行时还实现如下操作:
根据所述历史车辆载重及所述历史车辆状态参数对预设分类模型进行训练,获得所述预设关系函数。
进一步地,所述车辆载重计算程序被处理器执行时还实现如下操作:
根据所述历史车辆载重及所述历史车辆状态参数对支持向量机模型进行训练,获得所述预设关系函数。
进一步地,所述车辆载重计算程序被处理器执行时还实现如下操作:
根据所述历史车辆载重及所述历史车辆状态参数对神经网络模型进行训练,获得所述预设关系函数。
本实施例通过获取目标车辆不同时刻的历史车辆载重以及所述历史车辆载重对应的历史车辆状态参数;根据所述历史车辆载重及所述历史车辆状态参数建立预设关系函数;获取所述目标车辆的当前车辆状态参数;根据所述当前车辆状态参数,通过所述预设关系函数计算出所述目标车辆的当前车辆载重,从而能够实现对所述目标车辆当前载重的准确计算,提高了司机驾驶车辆的安全性。
需要说明的是,在本文中,术语“包括”、“包含”或者其任何其它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、物品或者系统不仅包括那些要素,而且还包括没有明确列出的其它要素,或者是还包括为这种过程、方法、物品或者系统所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括该要素的过程、方法、物品或者系统中还存在另外的相同要素。
上述本发明实施例序号仅仅为了描述,不代表实施例的优劣。
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上述实施例方法可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件,但很多情况下前者是更佳的实施方式。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质(如ROM/RAM、磁碟、光盘)中,包括若干指令用以使得一台终端设备(可以是手机,计算机,服务器,空调器,或者网络设备等)执行本发明各个实施例所述的方法。
以上仅为本发明的优选实施例,并非因此限制本发明的专利范围,凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其它相关的技术领域,均同理包括在本发明的专利保护范围内。