CN110044451A - 车辆负载的称重方法、装置及电子设备 - Google Patents

Abstract

本发明提供了一种车辆负载的称重方法、装置及电子设备，涉及称重技术领域，该方法包括：获取待称重车辆的车辆数据；其中，车辆数据包括待称重车辆的车辆类型、发动机运行参数和待称重车辆所处的当前道路对应的道路信息；将车辆数据输入至预先训练得到的称重模型；其中，称重模型包括机器学习模型；获取称重模型针对车辆数据输出的待称重车辆的负载重量。本发明可以简化称重操作所需的装置结构，同时有效降低测量误差，并且还具有较高的普适性。

Description

车辆负载的称重方法、装置及电子设备

技术领域

本发明涉及称重技术领域，尤其是涉及一种车辆负载的称重方法、装置及电子设备。

背景技术

目前，为了得知车载重量，通常可以通过汽车衡器或称重仪表对车辆进行称重。其中，汽车衡器属于一种固定装置，在对车辆进行称重前需要将车辆驾驶至汽车衡器上才可以完成称重操作，较为不便；称重仪表为一类固定在车辆上的重量测量装置，可以在车辆驾驶过程中得知车载质量，现有的称重仪表中，便携的称重仪表受道路状况以及周边环境影响较大，导致测量得到的车载质量存在较大的误差，而诸如称重传感器或液压举升系统等称重仪表虽然具有较高的测量准确度，但是其结构较为复杂，并且仅适用于带有货箱的车辆。综上所述，现有的称重仪表难以通过简单的称重结构获取测量准确度高的称重结果，并且普适性较低。

发明内容

有鉴于此，本发明的目的在于提供一种车辆负载的称重方法、装置及电子设备，可以简化称重操作所需的装置结构，同时有效降低测量误差，并且还具有较高的普适性。

第一方面，本发明实施例提供了一种车辆负载的称重方法，包括：获取待称重车辆的车辆数据；其中，所述车辆数据包括待称重车辆的车辆类型、发动机运行参数和所述待称重车辆所处的当前道路对应的道路信息；将所述车辆数据输入至预先训练得到的称重模型；其中，所述称重模型包括机器学习模型；获取所述称重模型针对所述车辆数据输出的所述待称重车辆的负载重量。

结合第一方面，本发明实施例提供了第一方面的第一种可能的实施方式，其中，所述获取待称重车辆的车辆数据的步骤，包括：获取待称重车辆的车辆类型；接收所述待称重车辆的OBD系统输出的发动机运行参数；对所述待称重车辆进行跟踪，确定所述待称重车辆所处的当前道路，并获取所述当前道路对应的道路信息；将所述车辆类型、所述发动机运行参数和所述道路信息作为所述待称重车辆的车辆数据。

结合第一方面或第一方面的第一种可能的实施方式，本发明实施例提供了第一方面的第二种可能的实施方式，其中，所述发动机运行参数包括行驶速度、行驶加速度、牵引扭矩、变速箱传动比和主减速传动比中的一种或多种。

结合第一方面，本发明实施例提供了第一方面的第三种可能的实施方式，其中，所述称重模型包括神经网络模型或支持向量机模型。

结合第一方面，本发明实施例提供了第一方面的第四种可能的实施方式，其中，所述称重模型的训练过程，包括：获取训练数据；其中，所述训练数据包括负载车辆的车辆数据和以及与所述车辆数据对应的负载重量；将所述训练数据输入至所述称重模型，基于所述训练数据训练所述称重模型，直至所述称重模型的损失函数收敛至预设阈值，停止训练。

结合第一方面的第四种可能的实施方式，本发明实施例提供了第一方面的第五种可能的实施方式，其中，所述将所述训练数据输入至所述称重模型的步骤，包括：将所述训练数据中各所述负载车辆的车辆数据以子矩阵的形式表示，集合各所述子矩阵得到第一矩阵；将所述训练数据中各所述车辆数据对应的负载数量以第二矩阵的形式表示；将所述第一矩阵和所述第二矩阵关联输入至所述称重模型。

结合第一方面，本发明实施例提供了第一方面的第六种可能的实施方式，其中，所述方法还包括：基于所述待称重车辆的负载重量，确定所述待称重车辆的整车重量。

第二方面，本发明实施例还提供一种车辆负载的称重装置，包括：车辆数据获取模块，用于获取待称重车辆的车辆数据；其中，所述车辆数据包括待称重车辆的车辆类型、发动机运行参数和所述待称重车辆所处的当前道路对应的道路信息；输入模块，用于将所述车辆数据输入至预先训练得到的称重模型；其中，所述称重模型包括神经网络模型或支持向量机模型；负载重量获取模块，用于获取所述称重模型针对所述车辆数据输出的所述待称重车辆的负载重量。

第三方面，本发明实施例还提供一种电子设备，所述电子设备包括存储器以及处理器，所述存储器用于存储支持处理器执行第一方面至第一方面的第六种可能的实施方式任一项所述方法的程序，所述处理器被配置为用于执行所述存储器中存储的程序。

第四方面，本发明实施例还提供一种计算机存储介质，用于储存为第一方面至第一方面的第六种可能的实施方式任一项所述方法所用的计算机软件指令。

本发明实施例带来了以下有益效果：

本发明实施例提供的车辆负载的称重方法、装置及电子设备，首先获取待称重车辆的车辆类型、发动机运行参数和该待称重车辆所处的当前道路对应的道路信息等车辆数据，并将该车辆数据输入至预先训练得到的称重模型，该称重模型包括机器学习模型，通过称重模型根据车辆数据确定待称重车辆的负载重量。本发明实施例通过机器学习模型确定待称重车辆的负载重量，机器学习模型具有较强的学习能力和数据处理能力，相较于现有技术中的称重方法，本发明可以有效降低车辆负载重量的测量误差，并且可以应用于多种称重环境，具有较高的普适性；另外，本发明根据上述车辆数据即可确定待称重车辆的负载重量，无需再安装其他称重结构，因此可以有效降低称重装置的结构复杂度。

本发明的其他特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点在说明书、权利要求书以及附图中所特别指出的结构来实现和获得。

为使本发明的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。

附图说明

为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施方式，对于本领域普通技术人员来讲，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为本发明实施例提供的一种车辆负载的称重方法的流程示意图；

图2为本发明实施例提供的另一种车辆负载的称重方法的流程示意图；

图3为本发明实施例提供的一种车辆负载的称重装置的结构示意图；

图4为本发明实施例提供的一种电子设备的结构示意图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合实施例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。

目前，现有的称重仪表难以通过简单的称重结构获取测量准确度高的称重结果，并且普适性较低，基于此，本发明实施提供的车辆负载的称重方法、装置及电子设备，可以简化称重操作所需的装置结构，同时有效降低测量误差，并且还具有较高的普适性。

为便于对本实施例进行理解，首先对本发明实施例所公开的一种车辆负载的称重方法进行详细介绍，参见图1所示的一种车辆负载的称重方法的流程示意图，该方法可以由车载ECU(Electronic Control Unit，电子控制单元)执行，该方法可以包括以下步骤：

步骤S102，获取待称重车辆的车辆数据。

车辆数据包括待称重车辆的车辆类型、发动机运行参数和待称重车辆所处的当前道路对应的道路信息。其中，车辆类型可以包括牵引车、载货车、自卸车或卡车等不同重量的多种车辆类型；发动机运行参数是指车辆在行驶过程中发动机运行状况的相关参数；道路信息可以包括高速、国道或山路等多种道路类型以及道路坡度等信息。在一种实施方式中，可以分别获取车辆类型、发动机运行参数和道路信息等车辆数据，例如通过对发动机的运行状况进行监控以获取待称重车辆的发动机运行参数，或对待称重车辆进行跟踪以获取待称重车辆所处的当前道路对应的道路信息。

步骤S104，将车辆数据输入至预先训练得到的称重模型。

称重模型包括机器学习模型，机器学习模型可以自动学习车辆数据与负载重量之间的关系，因此将车辆数据输入至训练后的称重模型中，即可得到待称重车辆的负载重量。其中，可以获取训练数据预先对称重模型进行训练，以使训练后的称重模型可以输出准确的待称重车辆的负载重量。另外，神经网络模型、支持向量机模型、回归模型或ORB(Oriented FAST and Rotated BRIEF)模型等均属于机器学习模型。

步骤S106，获取称重模型针对车辆数据输出的待称重车辆的负载重量。

称重模型基于输入的车辆数据对待称重车辆的负载重量进行预测，并输出预测得到的待称重车辆的负载重量，从而使ECU获取并展示待称重车辆的负载重量。

本发明实施例提供的车辆负载的称重方法，首先获取待称重车辆的车辆类型、发动机运行参数和该待称重车辆所处的当前道路对应的道路信息等车辆数据，并将该车辆数据输入至预先训练得到的称重模型，该称重模型包括机器学习模型，通过称重模型根据车辆数据确定待称重车辆的负载重量。本发明实施例通过机器学习模型确定待称重车辆的负载重量，机器学习模型具有较强的学习能力和数据处理能力，相较于现有技术中的称重方法，本发明可以有效降低车辆负载重量的测量误差，并且可以应用于多种称重环境，具有较高的普适性；另外，本发明根据上述车辆数据即可确定待称重车辆的负载重量，无需再安装其他称重结构，因此可以有效降低称重装置的结构复杂度。

为便于对上述实施例进行理解，本发明实施例还提供了另一种车辆负载的称重方法，参见图2所示的另一种车辆负载的称重方法的流程图，该方法可以包括以下步骤：

步骤S202，获取待称重车辆的车辆类型。

因为在待称重车辆上应用该方法时，待称重车辆的车辆类型将不会改变，所以可以直接获取待称重车辆的车辆类型。

步骤S204，接收待称重车辆的OBD(On-Board Diagnostics，车载诊断系统)系统输出的发动机运行参数。

OBD系统用于实时监控发动机的运行状况，得到发动机运行参数，其中，发动机运行参数包括行驶速度、行驶加速度、牵引扭矩、变速箱传动比和主减速传动比中的一种或多种。在一种实施方式中，可以利用ECU从OBD系统中读取待称重车辆在行驶过程中的发动机运行参数。

步骤S206，对待称重车辆进行跟踪，确定待称重车辆所处的当前道路，并获取当前道路对应的道路信息。

在一些实施方式中，可以在待称重车辆上安装GPS(Global Positioning System，全球定位系统)或BDS(BeiDou Navigation Satellite System，北斗卫星导航系统)等定位装置，通过对待称重车辆进行实时定位，即可确定待称重车辆所处的当前道路，从而获取与该当前道路对应的道路类型和道路坡度等道路信息。

步骤S208，将车辆类型、发动机运行参数和道路信息作为待称重车辆的车辆数据。

步骤S210，将车辆数据输入至预先训练得到的称重模型。

在一些实施方式中，称重模型包括神经网络模型或支持向量机模型，其中，可以利用matlab软件建立称重模型。

本发明实施例进一步提供了一种称重模型的训练过程，具体实施时，可以参见如下步骤(1)至(2)：

(1)获取训练数据。其中，训练数据包括负载车辆的车辆数据和以及与车辆数据对应的负载重量。具体实施时，分别采用不同类型以及不同负载重量的负载车辆，以不同稳定速度在给定道路下行驶，并采集在每个道路下行驶时负载车辆的发动机运行参数，将上述车辆类型、道路信息、发动机运行参数等车辆数据以及与各车辆数据对应的负载重量作为训练数据。

例如，负载车辆的车辆类型为牵引车、载货车和自卸车，并且每种车辆类型的负载车辆分别承载10吨的负载、30吨的负载和60吨的负载，即此时的负载车辆包括：负载重量为10吨的牵引车、负载重量为30吨的牵引车、负载重量为60吨的牵引车、负载重量为10吨的载货车、负载重量为30吨的载货车、负载重量为60吨的载货车、负载重量为10吨的自卸车、负载重量为30吨的自卸车和负载重量为60吨的自卸车，使上述各负载车辆分别行驶在平直高速路段、平直国道路段、1％坡度高速路段、1％坡度国道路段、3％坡度高速路段、3％坡度国道路段、5％坡度高速路段和5％坡度国道路段等多种道路，此时ECU从OBD系统读取牵引扭矩、行驶速度、行驶加速度、变速箱传动比和主减速传动比等发动机运行参数，记录上述车辆类型、道路信息、发动机运行参数等车辆数据和各车辆数据对应的负载重量，并将车辆数据和各车辆数据对应的负载重量作为训练数据。

(2)将训练数据输入至称重模型，基于训练数据训练称重模型，直至称重模型的损失函数收敛至预设阈值，停止训练。

在一种实施方式中，训练数据可以用矩阵的形式输入至称重模型中，具体实施时，将训练数据中各负载车辆的车辆数据以子矩阵的形式表示，集合各子矩阵得到第一矩阵，将训练数据中各车辆数据对应的负载数量以第二矩阵的形式表示，并将第一矩阵和第二矩阵关联输入至称重模型。例如，训练数据中的车辆数据用k*n矩阵X表示，各车辆数据对应的负载重量用矩阵Y表示，其中，k表示自变量的个数，当自变量包括车辆数据中的车辆类型、行驶速度、行驶加速度、牵引扭矩、变速箱传动比、主减速传动比、道路类型和道路坡度时，此时k＝8；n表示采样序列的长度，即采集的训练数据的个数。

步骤S212，获取称重模型针对车辆数据输出的待称重车辆的负载重量。

步骤S214，基于待称重车辆的负载重量，确定待称重车辆的整车重量。

因为待称重车辆在空载时的重量是已知的，因此在得知待称重车辆的负载重量后，可以计算得出待称重车辆的整车重量，即计算待称重车辆的空载质量与待称重车辆的负载重量的和，得到待称重车辆的整车重量。

为便于对前述实施例提供的车辆负载的称重方法，本发明实施例还提供了另一种车辆负载的称重方法，具体实施时，可以参见如下步骤1至步骤5：

步骤1，采集训练样本(也即，前述训练数据)。

步骤2，建立神经网络模型或支持向量机模型。在一种实施方式中，可以利用Matlab软件建立神经网络模型或支持向量机模型。

步骤3，学习训练。将训练样本中的车辆数据作为输入，并将各车辆数据对应的负载重量作为目标输出，对上述神经网络模型或支持向量机模型进行训练，得到称重模型。

步骤4，获取实测信号(也即，前述待称重车辆的车辆数据)。用ECU读取OBD系统的发动机参数，以及获取待称重车辆所处的当前道路的道路信息。

步骤5，负载重量或整车重量预测。将上述实测信号输入至称重模型，预测待称重车辆的负载重量或整车重量。

综上，本发明通过ECU直接读取发动机运行参数，相较于现有技术增加其他称重设备，本发明有效减少了添加称重设备所需的成本。同时，采用神经网络算法和支持向量机算法对采集到的发动机运行参数进行分析学习，保证了称重结果的可靠性和准确性。所以，本发明具有技术成本低、可靠性高以及重量计算准确度高的优点。

对于前述实施例提供的车辆负载的称重方法，本发明实施例还提供了一种车辆负载的称重装置，参见图3所示的一种车辆负载的称重装置的结构示意图，该装置可以包括以下部分：

车辆数据获取模块302，用于获取待称重车辆的车辆数据；其中，车辆数据包括待称重车辆的车辆类型、发动机运行参数和待称重车辆所处的当前道路对应的道路信息。

输入模块304，用于将车辆数据输入至预先训练得到的称重模型；其中，称重模型包括神经网络模型或支持向量机模型。

负载重量获取模块306，用于获取称重模型针对车辆数据输出的待称重车辆的负载重量。

本发明实施例提供的车辆负载的称重装置，首先通过车辆数据获取模块获取待称重车辆的车辆类型、发动机运行参数和该待称重车辆所处的当前道路对应的道路信息等车辆数据，并通过输入模块将该车辆数据输入至预先训练得到的称重模型，该称重模型包括机器学习模型，负载重量获取模块通过称重模型根据车辆数据确定待称重车辆的负载重量。本发明实施例通过机器学习模型确定待称重车辆的负载重量，机器学习模型具有较强的学习能力和数据处理能力，相较于现有技术中的称重方法，本发明可以有效降低车辆负载重量的测量误差，并且可以应用于多种称重环境，具有较高的普适性；另外，本发明根据上述车辆数据即可确定待称重车辆的负载重量，无需再安装其他称重结构，因此可以有效降低称重装置的结构复杂度。

在一种实施方式中，上述车辆数据获取模块302还用于：获取待称重车辆的车辆类型；接收待称重车辆的OBD系统输出的发动机运行参数；对待称重车辆进行跟踪，确定待称重车辆所处的当前道路，并获取当前道路对应的道路信息；将车辆类型、发动机运行参数和道路信息作为待称重车辆的车辆数据。

在一些实施方式中，发动机运行参数包括行驶速度、行驶加速度、牵引扭矩、变速箱传动比和主减速传动比中的一种或多种。

另外，上述称重模型包括神经网络模型或支持向量机模型。

在一些实施方式中，该车辆负载的称重装置还包括：训练数据获取模块，用于获取训练数据；其中，训练数据包括车辆的车辆数据和以及与车辆数据对应的负载重量；训练模块，用于将训练数据输入至称重模型，基于训练数据训练称重模型，直至称重模型的损失函数收敛至预设阈值，停止训练。进一步的，上述训练模块还用于：将训练数据中各负载车辆的车辆数据以子矩阵的形式表示，集合各子矩阵得到第一矩阵；将训练数据中各车辆数据对应的负载数量以第二矩阵的形式表示；将第一矩阵和第二矩阵关联输入至称重模型。

在一种实施方式中，该车辆负载的称重装置还用于：基于待称重车辆的负载重量，确定待称重车辆的整车重量。

本发明实施例所提供的装置，其实现原理及产生的技术效果和前述方法实施例相同，为简要描述，装置实施例部分未提及之处，可参考前述方法实施例中相应内容。

该设备为一种电子设备，具体的，该电子设备包括处理器和存储装置；存储装置上存储有计算机程序，计算机程序在被所述处理器运行时执行如上所述实施方式的任一项所述的方法。

图4为本发明实施例提供的一种电子设备的结构示意图，该电子设备100包括：处理器40，存储器41，总线42和通信接口43，所述处理器40、通信接口43和存储器41通过总线42连接；处理器40用于执行存储器41中存储的可执行模块，例如计算机程序。

其中，存储器41可能包含高速随机存取存储器(RAM，Random Access Memory)，也可能还包括非不稳定的存储器(non-volatile memory)，例如至少一个磁盘存储器。通过至少一个通信接口43(可以是有线或者无线)实现该系统网元与至少一个其他网元之间的通信连接，可以使用互联网，广域网，本地网，城域网等。

总线42可以是ISA总线、PCI总线或EISA总线等。所述总线可以分为地址总线、数据总线、控制总线等。为便于表示，图4中仅用一个双向箭头表示，但并不表示仅有一根总线或一种类型的总线。

其中，存储器41用于存储程序，所述处理器40在接收到执行指令后，执行所述程序，前述本发明实施例任一实施例揭示的流过程定义的装置所执行的方法可以应用于处理器40中，或者由处理器40实现。

处理器40可能是一种集成电路芯片，具有信号的处理能力。在实现过程中，上述方法的各步骤可以通过处理器40中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器40可以是通用处理器，包括中央处理器(Central Processing Unit，简称CPU)、网络处理器(Network Processor，简称NP)等；还可以是数字信号处理器(Digital SignalProcessing，简称DSP)、专用集成电路(Application Specific Integrated Circuit，简称ASIC)、现成可编程门阵列(Field-Programmable Gate Array，简称FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本发明实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本发明实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成，或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器，闪存、只读存储器，可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器41，处理器40读取存储器41中的信息，结合其硬件完成上述方法的步骤。

本发明实施例所提供的可读存储介质的计算机程序产品，包括存储了程序代码的计算机可读存储介质，所述程序代码包括的指令可用于执行前面方法实施例中所述的方法，具体实现可参见前述方法实施例，在此不再赘述。

所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。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或者该技术方案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中，包括若干指令用以使得一台计算机设备(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例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。

最后应说明的是：以上所述实施例，仅为本发明的具体实施方式，用以说明本发明的技术方案，而非对其限制，本发明的保护范围并不局限于此，尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化，或者对其中部分技术特征进行等同替换；而这些修改、变化或者替换，并不使相应技术方案的本质脱离本发明实施例技术方案的精神和范围，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应所述以权利要求的保护范围为准。

Claims (10)

1.一种车辆负载的称重方法，其特征在于，包括：

获取待称重车辆的车辆数据；其中，所述车辆数据包括待称重车辆的车辆类型、发动机运行参数和所述待称重车辆所处的当前道路对应的道路信息；

将所述车辆数据输入至预先训练得到的称重模型；其中，所述称重模型包括机器学习模型；

获取所述称重模型针对所述车辆数据输出的所述待称重车辆的负载重量。

2.根据权利要求1所述的方法，其特征在于，所述获取待称重车辆的车辆数据的步骤，包括：

获取待称重车辆的车辆类型；

接收所述待称重车辆的OBD系统输出的发动机运行参数；

对所述待称重车辆进行跟踪，确定所述待称重车辆所处的当前道路，并获取所述当前道路对应的道路信息；

将所述车辆类型、所述发动机运行参数和所述道路信息作为所述待称重车辆的车辆数据。

3.根据权利要求1或2所述的方法，其特征在于，所述发动机运行参数包括行驶速度、行驶加速度、牵引扭矩、变速箱传动比和主减速传动比中的一种或多种。

4.根据权利要求1所述的方法，其特征在于，所述称重模型包括神经网络模型或支持向量机模型。

5.根据权利要求1所述的方法，其特征在于，所述称重模型的训练过程，包括：

获取训练数据；其中，所述训练数据包括负载车辆的车辆数据和以及与所述车辆数据对应的负载重量；

将所述训练数据输入至所述称重模型，基于所述训练数据训练所述称重模型，直至所述称重模型的损失函数收敛至预设阈值，停止训练。

6.根据权利要求5所述的方法，其特征在于，所述将所述训练数据输入至所述称重模型的步骤，包括：

将所述训练数据中各所述负载车辆的车辆数据以子矩阵的形式表示，集合各所述子矩阵得到第一矩阵；

将所述训练数据中各所述车辆数据对应的负载数量以第二矩阵的形式表示；

将所述第一矩阵和所述第二矩阵关联输入至所述称重模型。

7.根据权利要求1所述的方法，其特征在于，所述方法还包括：

基于所述待称重车辆的负载重量，确定所述待称重车辆的整车重量。

8.一种车辆负载的称重装置，其特征在于，包括：

车辆数据获取模块，用于获取待称重车辆的车辆数据；其中，所述车辆数据包括待称重车辆的车辆类型、发动机运行参数和所述待称重车辆所处的当前道路对应的道路信息；

输入模块，用于将所述车辆数据输入至预先训练得到的称重模型；其中，所述称重模型包括神经网络模型或支持向量机模型；

负载重量获取模块，用于获取所述称重模型针对所述车辆数据输出的所述待称重车辆的负载重量。

9.一种电子设备，其特征在于，所述电子设备包括存储器以及处理器，所述存储器用于存储支持处理器执行权利要求1至7任一项所述方法的程序，所述处理器被配置为用于执行所述存储器中存储的程序。

10.一种计算机存储介质，其特征在于，用于储存为权利要求1至7任一项所述方法所用的计算机软件指令。