CN110148230A - 一种基于lstm神经网络的整车载重预测方法 - Google Patents

一种基于lstm神经网络的整车载重预测方法 Download PDF

Info

Publication number
CN110148230A
CN110148230A CN201910416481.7A CN201910416481A CN110148230A CN 110148230 A CN110148230 A CN 110148230A CN 201910416481 A CN201910416481 A CN 201910416481A CN 110148230 A CN110148230 A CN 110148230A
Authority
CN
China
Prior art keywords
carrying
data
load
vehicle
neural network
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
Application number
CN201910416481.7A
Other languages
English (en)
Other versions
CN110148230B (zh
Inventor
王平
李荣成
柳伟
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.)
Xingmin Zhitong (wuhan) Automobile Technology Co Ltd
Original Assignee
Xingmin Zhitong (wuhan) Automobile Technology 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 Xingmin Zhitong (wuhan) Automobile Technology Co Ltd filed Critical Xingmin Zhitong (wuhan) Automobile Technology Co Ltd
Priority to CN201910416481.7A priority Critical patent/CN110148230B/zh
Publication of CN110148230A publication Critical patent/CN110148230A/zh
Application granted granted Critical
Publication of CN110148230B publication Critical patent/CN110148230B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • 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
    • G06N3/044—Recurrent networks, e.g. Hopfield 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
    • G06N3/04—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
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • 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
    • G06Q10/00—Administration; Management
    • G06Q10/08—Logistics, e.g. warehousing, loading or distribution; Inventory or stock management
    • G06Q10/083—Shipping
    • G—PHYSICS
    • G07—CHECKING-DEVICES
    • G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
    • G07C5/00—Registering or indicating the working of vehicles
    • G07C5/08—Registering or indicating performance data other than driving, working, idle, or waiting time, with or without registering driving, working, idle or waiting time
    • G07C5/0808—Diagnosing performance data
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
    • G08G1/0108—Measuring and analyzing of parameters relative to traffic conditions based on the source of data
    • G08G1/0112—Measuring and analyzing of parameters relative to traffic conditions based on the source of data from the vehicle, e.g. floating car data [FCD]
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
    • G08G1/0125—Traffic data processing

Abstract

本发明提供了一种基于LSTM神经网络的整车载重预测方法，通过车载终端采集车辆数据；对车辆数据进行整合、数据清洗和标准化处理，获得训练数据；通过长短期记忆神经网络模型进行训练，得到载重模型；将预测数据输入训练后的载重模型进行预测得到载重数据。本发明提供的一种基于LSTM神经网络的整车载重预测方法利用大数据计算平台，基于神经网络模型在预测领域的应用，结合纵向动力学车辆质量计算方程，能够实现对整车载荷进行实时、准确地预测。

Description

一种基于LSTM神经网络的整车载重预测方法
技术领域
本发明涉及一种基于LSTM神经网络的整车载重预测方法，属于车联网和物流运输技术领域。
背景技术
目前传统载重预测的方法主要有以下两种：
方法一：基于纵向动力学采用遗忘因子递归最小二乘法对整车质量进行估计。
缺点：未考虑换挡操作，换挡过程中进行估计会导致算法估计精度不高且收敛速度慢。而且现实中由于刹车制动力、空气阻力，滚动摩擦力等因素实时变化，很难准确获取，也在一定程度上影响了预测的精度。其预测结果与真实值对比误差范围很难控制在15％以内。
方法二：采用在汽车上安装传感器，通过传感器形变来估计车辆当前载重。
缺点：每台车上都需要额外安装传感器，一个普通的车辆载重传感器的价格就在一万元人民币以上，成本高昂，而且基于形变的传感器容易老化，会增加后期维护成本，对载重精度的计算也会产生影响。
发明内容
为了解决现有技术的不足，增加预测准确率，降低成本，本发明提供了一种基于LSTM神经网络的整车载重预测方法，利用大数据计算平台，基于神经网络模型在预测领域的应用，结合纵向动力学车辆质量计算方程，在不额外添加车辆载重传感器的情况下，能够实现对整车载荷进行实时、准确地预测，预测结果误差在5％以内。
本发明为解决其技术问题所采用的技术方案是：提供了一种基于LSTM神经网络的整车载重预测方法，包括以下步骤：
(1)通过车载终端采集车辆数据；
(2)对车辆数据进行整合、数据清洗和标准化处理，获得训练数据；
(3)将训练数据通过长短期记忆神经网络模型进行训练，得到载重模型；
(4)将预测数据输入训练后的载重模型进行预测，得到目标车辆的载重预测结果集，取结果集的中位数作为最终预测结果。
步骤(1)所述车辆数据包括时刻、车速、发动机转速、离合器开关、油门踏板开度和刹车开关，以及扭矩或者扭矩百分比。
步骤(2)所述整合是分别将连续两个时刻的各项车辆数据整合为一组特征指标数据。
步骤(2)所述数据清洗是根据以下条件对车辆数据进行过滤，对于各个时刻的车辆数据，满足以下所有条件才保留：
条件一：后一时刻与前一时刻的车速之差大于0；
条件二：发动机转速n的有效范围为700转/分钟＜n＜2500转/分钟；
条件三：扭矩Te的有效范围为1000N·m＜Te＜2200N·m；
条件四：刹车开关fbswitch＝0；
条件五：后一时刻与前一时刻的时间间隔deltaT≤5s；
条件六：离合开关lhswitch＝0。
步骤(2)采用z-score标准化方法进行标准化处理。
步骤(3)在长短期记忆神经网络模型进行训练的过程中，采用RMSE作为评价标准，其中训练集误差损失train_loss、验证集误差损失val_loss和预测及误差损失pre_loss越小，表示长短期记忆神经网络模型的拟合效果越好。
对于载重模型，设置载重模型的对外访问接口，供第三方调用进行预测得到载重数据。
对于载重模型，将其移植到车载终端，用于直接将采集到的车辆数据输入载重模型，输出预测得到的载重数据。
本发明基于其技术方案所具有的有益效果在于：
(1)本发明提供的一种基于LSTM神经网络的整车载重预测方法计算过程不依赖刹车制动力、空气阻力、滚动摩擦力等难以采集的随环境因素变化数据，经过实验，预测结果误差在5％以内，与传统的最小二乘法误差范围超过15％相比，预测精度有显著提升；
(2)本发明提供的一种基于LSTM神经网络的整车载重预测方法只采集车载终端发送的数据，无需额外安装任何质量相关的传感器，节省了制造成本和后期维护成本；
(3)本发明提供的一种基于LSTM神经网络的整车载重预测方法在运输方面可对车辆在运输过程中进行载荷监控，合理利用(调度)载荷资源，监测货物是否到达指定地点以及对过载、超载进行预警；
(4)本发明提供的一种基于LSTM神经网络的整车载重预测方法在售后方面可以有效了解车辆在保修期内的故障界定问题以及超载对车辆零部件使用寿命带来的影响；在整车研发方面，通过大数据挖掘分析车辆在不同载荷下的性能及燃油经济性表现，为提高整车水平提供数据依据；
(5)本发明提供的一种基于LSTM神经网络的整车载重预测方法在整车性能优化方面可以通过实时载重的预测并将结果与整车控制器进行交互，达到控制器控制策略动态优化，提高车辆运行经济效益及安全。
附图说明
图1是整合后的数据示意图。
具体实施方式
下面结合附图和实施例对本发明作进一步说明。
本发明提供了一种基于LSTM神经网络的整车载重预测方法，包括以下步骤：
(1)通过车载终端(T-BOX)采集车辆数据，包括时刻、车速、发动机转速、离合器开关、油门踏板开度和刹车开关，以及扭矩或者扭矩百分比；
(2)对车辆数据进行整合、数据清洗和标准化处理，获得训练数据；
本步骤主要是对数据进行准备工作。由纵向动力学公式：
其中M表示汽车总的质量，v表示汽车行驶速度(可采集数据)，加速度Te表示发动机作用在飞轮上的扭矩(可采集数据)，表示总变速比，其中rw表示车轮半径(车型静态值)，gd为变速比(车型静态值)，gf表示驱动比(车型静态值)，Je表示转动惯量(车型静态值)，ω表示发动机转速(可采集数据)，Ffb表示车轮上的制动摩擦力(可采集数据)，其中Cd是空气阻力系数，ρ表示空气密度，A是汽车挡风面积，Fgrade＝Mg(μcosβ+sinβ)是由坡度和滚动摩擦产生的合力，其中μ表示路面滚动摩擦力系数，β表示坡度，β>0为上坡，β<0为下坡，β＝0为没有坡度。
由纵向动力学公式可知，在终端采集的数据中，与质量相关的信息有：时间、车速、发送机转速、扭矩、刹车开关、离合器开关和油门踏板开度。由于加速度的计算最少需要两个时刻的上报数据，故首先对数据进行整合，分别将连续两个时刻的各项车辆数据整合为一组特征指标数据，即图1所示的每一行数据。
接着进行数据清洗，过滤掉一些错误数据和对计算结果产生干扰的脏数据。根据以下条件对车辆数据进行过滤，对于各个时刻的车辆数据，满足以下所有条件才保留：
条件一：后一时刻与前一时刻的车速之差大于0；
条件二：发动机转速n的有效范围为700转/分钟＜n＜2500转/分钟；
条件三：扭矩Te的有效范围为1000N·m＜Te＜2200N·m；
条件四：刹车开关fbswitch＝0；
条件五：后一时刻与前一时刻的时间间隔deltaT≤5s；
条件六：离合开关lhswitch＝0。
采集的数据包含多个指标，由于各指标的性质不同，具有不同的量纲和数量级。考虑到某些指标间的水平相差较大，如果直接用原始指标值进行分析，就会突出数值较高的指标在综合分析中的作用，相对削弱数值水平较低指标的作用。因此，为了保证结果的可靠性，需要对原始指标数据进行标准化处理。采用z-score标准化方法对采集的数据进行标准化处理，这种方法基于原始数据的均值(mean)和标准差(standard deviation)进行数据的标准化，即新数据＝(原数据－均值)/标准差。
(3)建立长短期记忆神经网络模型，输入层神经元个数为8，输出层神经元个数为1，激活函数为ReLU，其数学表达式为：f(x)＝max(αx,x)，其中α＝0.01，x为输入向量，f(x)为输出向量，激活函数是神经网络计算中间过程的一个非线性转换函数，用于实现一对一的变换，即用相同的函数对输入向量的每个分量进行映射，得到输出向量。优化器采用Adam。将训练数据通过长短期记忆神经网络模型进行训练，得到载重模型。为使预测结果更加准确，减少个别预测结果对整体预测结果的影响，在进行预测时，预测数据取连续时间段内的数据集(预测数据不少于50条)，将其输入到载重模型得到预测结果集，取结果集的中位数作为最终的预测结果并输出。
训练过程中，采用RMSE(Root Mean Squared Error，均方根误差)作为评价标准，参数优化也是在RMSE的基础之上进行的，载重预测的损失函数等也都是在RMSE的基础之上进行迭代优化的，误差损失计算公式为：
其中ti表示输入第i组特征指标数据所对应的目标值(预设值)，yi表示输入第i组特征指标数据所对应的预测值(输出的结果)，通过输入数据集的不同得到相应的误差损失。当输入数据集为训练集时得到训练集误差损失train_loss；当输入数据为验证集时，得到验证集误差损失val_loss；当输入数据集为预测集时，得到预测集误差损失pre_loss。各loss的值越低说明模型拟合的效果越好。
(4)考虑到预测结果集中存在个别数据严重偏大或偏小的情况，为了更好的表现该组预测结果的一般水平，将预测数据输入训练后的载重模型进行预测，得到目标车辆的载重预测结果集，采用对结果集取中位数的方法输出最终预测结果，中位数的计算规则如下：
对于预测结果集中的数据：X1，......，XN，按从小到大的顺序排列为：X(1)，......，X(N)。当N为奇数时，预测载重值m0.5＝X(N+1)/2，当N为偶数时，预测载重值
对于载重模型，设置载重模型的对外基于TCP/IP协议栈访问接口，供第三方调用进行预测得到载重数据。通过接口，上传预测数据集，选择预测数据特征列，特征列必须包含信息有：数据上报时间、车速、发动机转速、离合器开关、油门踏板开度、刹车开关，扭矩或者扭矩百分比。然后调用已保存预测模型，最终得到预测结果。
对于载重模型，也可将其移植到车载终端(T-BOX)，通过T-BOX，采集预测数据集，选择预测数据特征列，特征列必须包含信息有：数据上报时间、车速、发动机转速、离合器开关、油门踏板开度、刹车开关，扭矩或者扭矩百分比，直接将采集到的车辆数据输入载重模型，得到最终预测的载重数据，并直接和车辆控制器交互，实现优化整车控制器策略。
本发明提供的一种基于LSTM神经网络的整车载重预测方法，通过神经网络模型与纵向动力学相结合，纵向动力学为神经网络模型特征列数据的选取、整合提供理论支持，LSTM网络提供带记忆功能的机器学习算法，利用车载终端上报的数据，无需再借助其他传感器，够快速准确识别车辆载重。

Claims (8)

1.一种基于LSTM神经网络的整车载重预测方法，其特征在于包括以下步骤：
(1)通过车载终端采集车辆数据；
(2)对车辆数据进行整合、数据清洗和标准化处理，获得训练数据；
(3)将训练数据通过长短期记忆神经网络模型进行训练，得到载重模型；
(4)将预测数据输入训练后的载重模型进行预测，得到目标车辆的载重预测结果集，取结果集的中位数作为最终预测结果。
2.根据权利要求1所述的基于LSTM神经网络的整车载重预测方法，其特征在于：步骤(1)所述车辆数据包括时刻、车速、发动机转速、离合器开关、油门踏板开度和刹车开关，以及扭矩或者扭矩百分比。
3.根据权利要求1所述的基于LSTM神经网络的整车载重预测方法，其特征在于：步骤(2)所述整合是分别将连续两个时刻的各项车辆数据整合为一组特征指标数据。
4.根据权利要求1所述的基于LSTM神经网络的整车载重预测方法，其特征在于：步骤(2)所述数据清洗是根据以下条件对车辆数据进行过滤，对于各个时刻的车辆数据，满足以下所有条件才保留：
条件一：后一时刻与前一时刻的车速之差大于0；
条件二：发动机转速n的有效范围为700转/分钟＜n＜2500转/分钟；
条件三：扭矩Te的有效范围为1000N·m＜Te＜2200N·m；
条件四：刹车开关fbswitch＝0；
条件五：后一时刻与前一时刻的时间间隔deltaT≤5s；
条件六：离合开关lhswitch＝0。
5.根据权利要求1所述的基于LSTM神经网络的整车载重预测方法，其特征在于：步骤(2)采用z-score标准化方法进行标准化处理。
6.根据权利要求1所述的基于LSTM神经网络的整车载重预测方法，其特征在于：步骤(3)在长短期记忆神经网络模型进行训练的过程中，采用RMSE作为评价标准，其中训练集误差损失train_loss、验证集误差损失val_loss和预测及误差损失pre_loss越小，表示长短期记忆神经网络模型的拟合效果越好。
7.根据权利要求1所述的基于LSTM神经网络的整车载重预测方法，其特征在于：对于载重模型，设置载重模型的对外访问接口，供第三方调用进行预测得到载重数据。
8.根据权利要求1所述的基于LSTM神经网络的整车载重预测方法，其特征在于：对于载重模型，将其移植到车载终端，用于直接将采集到的车辆数据输入载重模型，输出预测得到的载重数据。
CN201910416481.7A 2019-05-20 2019-05-20 一种基于lstm神经网络的整车载重预测方法 Active CN110148230B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910416481.7A CN110148230B (zh) 2019-05-20 2019-05-20 一种基于lstm神经网络的整车载重预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910416481.7A CN110148230B (zh) 2019-05-20 2019-05-20 一种基于lstm神经网络的整车载重预测方法

Publications (2)

Publication Number Publication Date
CN110148230A true CN110148230A (zh) 2019-08-20
CN110148230B CN110148230B (zh) 2021-05-25

Family

ID=67591844

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910416481.7A Active CN110148230B (zh) 2019-05-20 2019-05-20 一种基于lstm神经网络的整车载重预测方法

Country Status (1)

Country Link
CN (1) CN110148230B (zh)

Cited By (17)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111027146A (zh) * 2019-12-30 2020-04-17 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
CN111090959A (zh) * 2019-12-31 2020-05-01 湖南行必达网联科技有限公司 车辆载荷谱获取方法和系统
CN111157092A (zh) * 2020-01-02 2020-05-15 深圳市汉德网络科技有限公司 一种车载称重自动标定的方法及计算机可读存储介质
CN111209695A (zh) * 2019-12-30 2020-05-29 浙江大学 一种基于lstm的结构动力响应预测方法
CN111483277A (zh) * 2020-04-26 2020-08-04 武汉大学 基于机器学习的轮胎欠压识别方法、系统及存储介质
CN112373484A (zh) * 2020-11-26 2021-02-19 同济大学 一种基于前馈神经网络的汽车整车质量动力学获取方法
CN112441016A (zh) * 2019-09-05 2021-03-05 百度（美国）有限责任公司 基于齿轮的车辆载荷推断系统
CN112446402A (zh) * 2019-09-03 2021-03-05 顺丰科技有限公司 装载率识别方法、装置、计算机设备和存储介质
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
CN112819031A (zh) * 2021-01-04 2021-05-18 中国汽车技术研究中心有限公司 车载重量预测方法及系统、电子设备、介质
CN112949187A (zh) * 2021-03-05 2021-06-11 株洲齿轮有限责任公司 整车质量计算方法
CN113849910A (zh) * 2021-09-23 2021-12-28 四川大学 一种基于Dropout的BiLSTM网络机翼阻力系数预测方法
CN114036830A (zh) * 2021-11-03 2022-02-11 厦门大学 基于多视图集成学习的公交车载重预测方法及装置
CN114435378A (zh) * 2020-11-03 2022-05-06 陕西汽车集团有限责任公司 一种基于神经网络的纯电动汽车整车质量估算方法
CN114912073A (zh) * 2021-02-07 2022-08-16 北京潼荔科技有限公司 一种车辆单胎载重、整车载重及重心位置的测算方法
CN117315943A (zh) * 2023-11-28 2023-12-29 湖南省交通科学研究院有限公司 一种超限运输违法监测分析与预警方法及系统
CN117494585A (zh) * 2023-12-29 2024-02-02 中汽研汽车检验中心（天津）有限公司 一种基于互信息和数据模糊化的商用车实际载重预测方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103264669A (zh) * 2013-05-31 2013-08-28 吉林大学 一种基于can信息和功能原理的重型车质量实时辨识方法
CN106844949A (zh) * 2017-01-18 2017-06-13 清华大学 一种用于实现机车节能操纵的双向lstm模型的训练方法
WO2017223009A1 (en) * 2016-06-23 2017-12-28 Microsoft Technology Licensing, Llc Multi-domain joint semantic frame parsing
CN109255094A (zh) * 2018-08-10 2019-01-22 重庆邮电大学 基于SVR_Adaboost改进算法的商用货车质量估计方法
CN109635830A (zh) * 2018-10-24 2019-04-16 吉林大学 用于估算汽车质量的有效数据的筛选方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103264669A (zh) * 2013-05-31 2013-08-28 吉林大学 一种基于can信息和功能原理的重型车质量实时辨识方法
WO2017223009A1 (en) * 2016-06-23 2017-12-28 Microsoft Technology Licensing, Llc Multi-domain joint semantic frame parsing
CN106844949A (zh) * 2017-01-18 2017-06-13 清华大学 一种用于实现机车节能操纵的双向lstm模型的训练方法
CN109255094A (zh) * 2018-08-10 2019-01-22 重庆邮电大学 基于SVR_Adaboost改进算法的商用货车质量估计方法
CN109635830A (zh) * 2018-10-24 2019-04-16 吉林大学 用于估算汽车质量的有效数据的筛选方法

Cited By (26)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112446402B (zh) * 2019-09-03 2024-03-26 顺丰科技有限公司 装载率识别方法、装置、计算机设备和存储介质
CN112446402A (zh) * 2019-09-03 2021-03-05 顺丰科技有限公司 装载率识别方法、装置、计算机设备和存储介质
CN112441016A (zh) * 2019-09-05 2021-03-05 百度（美国）有限责任公司 基于齿轮的车辆载荷推断系统
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
CN111209695A (zh) * 2019-12-30 2020-05-29 浙江大学 一种基于lstm的结构动力响应预测方法
CN111027146A (zh) * 2019-12-30 2020-04-17 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
CN111090959B (zh) * 2019-12-31 2023-06-20 湖南行必达网联科技有限公司 车辆载荷谱获取方法和系统
CN111090959A (zh) * 2019-12-31 2020-05-01 湖南行必达网联科技有限公司 车辆载荷谱获取方法和系统
CN111157092A (zh) * 2020-01-02 2020-05-15 深圳市汉德网络科技有限公司 一种车载称重自动标定的方法及计算机可读存储介质
CN111483277A (zh) * 2020-04-26 2020-08-04 武汉大学 基于机器学习的轮胎欠压识别方法、系统及存储介质
CN114435378A (zh) * 2020-11-03 2022-05-06 陕西汽车集团有限责任公司 一种基于神经网络的纯电动汽车整车质量估算方法
CN112373484B (zh) * 2020-11-26 2021-12-31 同济大学 一种基于前馈神经网络的汽车整车质量动力学获取方法
CN112373484A (zh) * 2020-11-26 2021-02-19 同济大学 一种基于前馈神经网络的汽车整车质量动力学获取方法
CN112819031A (zh) * 2021-01-04 2021-05-18 中国汽车技术研究中心有限公司 车载重量预测方法及系统、电子设备、介质
CN112819031B (zh) * 2021-01-04 2022-06-17 中国汽车技术研究中心有限公司 车载重量预测方法及系统、电子设备、介质
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
CN114912073B (zh) * 2021-02-07 2023-11-21 北京潼荔科技有限公司 一种车辆单胎载重、整车载重及重心位置的测算方法
CN114912073A (zh) * 2021-02-07 2022-08-16 北京潼荔科技有限公司 一种车辆单胎载重、整车载重及重心位置的测算方法
CN112949187B (zh) * 2021-03-05 2022-06-14 株洲齿轮有限责任公司 整车质量计算方法
CN112949187A (zh) * 2021-03-05 2021-06-11 株洲齿轮有限责任公司 整车质量计算方法
CN113849910A (zh) * 2021-09-23 2021-12-28 四川大学 一种基于Dropout的BiLSTM网络机翼阻力系数预测方法
CN114036830A (zh) * 2021-11-03 2022-02-11 厦门大学 基于多视图集成学习的公交车载重预测方法及装置
CN117315943A (zh) * 2023-11-28 2023-12-29 湖南省交通科学研究院有限公司 一种超限运输违法监测分析与预警方法及系统
CN117315943B (zh) * 2023-11-28 2024-02-06 湖南省交通科学研究院有限公司 一种超限运输违法监测分析与预警方法及系统
CN117494585A (zh) * 2023-12-29 2024-02-02 中汽研汽车检验中心（天津）有限公司 一种基于互信息和数据模糊化的商用车实际载重预测方法
CN117494585B (zh) * 2023-12-29 2024-04-02 中汽研汽车检验中心（天津）有限公司 一种基于互信息和数据模糊化的商用车实际载重预测方法

Also Published As

Publication number Publication date
CN110148230B (zh) 2021-05-25

Similar Documents

Publication Publication Date Title
CN110148230A (zh) 一种基于lstm神经网络的整车载重预测方法
CN105946861B (zh) 一种基于驾驶意图识别的nar神经网络车速预测方法
CN110610260A (zh) 行车能耗预测系统、方法、存储介质和设备
CN110228470B (zh) 一种基于隐藏车辆模型预测的节油率实时计算方法
CN106662501B (zh) 用于分析车辆的能效的系统和方法
CN103544389B (zh) 基于故障树和模糊神经网络的汽车起重机故障诊断方法
CN112614344B (zh) 一种自动驾驶汽车参与的混合交通系统效能评估方法
CN108960426A (zh) 基于bp神经网络的道路坡度综合估计系统
CN105035085B (zh) 自动跟车方法及装置
CN106022929A (zh) 基于专家系统的碰撞事故定损方法及系统
CN112198799B (zh) 一种基于深度学习的高速列车停车控制方法及系统
CN112590789B (zh) 一种电动汽车自适应巡航控制方法
CN109377046A (zh) 基于bp神经网络的车辆超载判别方法、系统和装置
CN112883648A (zh) 汽车油耗预测模型的训练方法、装置、计算机设备
CN110990950A (zh) 基于混合运行模式的多目标列车节能优化方法
CN111707343B (zh) 一种确定车辆重量的方法及装置
Liu et al. The hybrid predictive model of elevator system for energy consumption
CN114526930A (zh) 一种智能网联汽车故障检测方法及系统
CN109886439A (zh) 电控车辆远程诊断系统及其诊断方法
CN113110022A (zh) 一种基于非线性pid的多车列队纵向跟随控制方法及装置
CN113954846B (zh) 一种车辆行驶中坡道信息的估算及系统
CN207208040U (zh) 一种车辆自适应主动刹车系统
CN110281774A (zh) 一种基于大数据、云平台车辆油耗管理系统及管理方法
CN109421679A (zh) 一种车辆自适应主动刹车方法
CN110658818B (zh) 面向新型供电列车的多目标优化智能运行控制预测方法

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