CN111833604B - 基于驾驶行为特征提取的车辆载重状态识别方法及装置 - Google Patents

Abstract

本发明公开了一种基于驾驶行为特征提取的车辆载重状态识别方法及装置，该识别方法包括：获取预设时间段内目标车辆的历史运行数据及当前时刻的实时运行数据；根据历史运行数据及实时运行数据计算不同时间粒度轨迹数据的机动车比功率及比功率区间分布；根据机动车比功率及比功率区间分布确定目标车辆在不同载重状态下的比功率分布差异；根据比功率分布差异进行拟合，确定概率密度函数；根据概率密度函数确定车辆载重状态判别阈值与车辆的载重状态的对应关系，识别目标车辆的载重状态。通过实施本发明，无需额外增添设备，适用范围较为广泛，且不会因感测设备或其所处环境的影响而影响实际的识别结果，准确性得到提高。

Description

基于驾驶行为特征提取的车辆载重状态识别方法及装置

技术领域

本发明涉及车辆载重检测技术领域，具体涉及一种基于驾驶行为特征提取的车辆载重状态识别方法及装置。

背景技术

目前针对基于驾驶行为特征提取的车辆载重状态识别方法主要有三种：一是基于车辆静态称重系统(static weighting)的载重识别，二是基于车辆动态称重系统(weight-in-motion,WIM)的载重识别，三是基于车载称重系统(Vehicle On-Board WeighingSystem)的载重识别。

车辆静态称重系统指车辆在完全静止条件下测量车辆的载重，该称重装置有三种类型：固定式、半固定式、便携式。固定式称重系统需要永久安装在混凝土框架或平台上；半固定式称重系统使用永久性沟槽和道路设施，在称重操作期间安装便携式称重系统；便携式称重系统使用铺设在路面上的称重系统，并辅以调平板或坡道，保证车轮处于同一水平面内。其主要存在的问题是：(1)只能在固定位置或固定时间测量车辆载重；(2)识别系统体积巨大，结构复杂，安装困难。

动态称重系统指在不中断交通流的情况下测算车辆的重量，广泛使用的动态称重系统由一对有线磁环和一个力传感器组成，磁环探测车辆并测算其速度，力传感器测量车辆轮胎施加的瞬时载荷。动态称重系统存在的主要存在的问题是：(1)只能在固定点位安装，难以进行大规模应用；(2)识别精度受外界因素(路面平滑度、坡度、车辆胎压等)的影响较大。

车载称重系统基于安装在车体上的称重系统获取车辆的载重，车载称重系统通过车身构件受载后的弹性形变识别车辆载重，因此，传感器的传输敏感度直接影响车辆载重识别的精度。车身构件弹性形变受车身的振动、车辆的运行速度和加速度的影响较大，导致载重识别精度受到影响。另外，在长期使用过程中，疲劳和机械蠕变等外部因素，会对传感器产生不可逆的干扰。

发明内容

有鉴于此，本发明实施例提供了一种基于驾驶行为特征提取的车辆载重状态识别方法及装置，以解决现有技术中的称重方法测重方式较为受限，且容易受到干扰影响测量精度的问题。

根据第一方面，本发明实施例提供了一种基于驾驶行为特征提取的车辆载重状态识别方法，包括：获取预设时间段内目标车辆的历史运行数据及当前时刻的实时运行数据；根据所述历史运行数据及实时运行数据计算不同时间粒度轨迹数据的机动车比功率及比功率区间分布；根据所述机动车比功率及比功率区间分布确定所述目标车辆在不同载重状态下的比功率分布差异；根据所述比功率分布差异进行拟合，确定概率密度函数；根据所述概率密度函数确定车辆载重状态判别阈值与车辆的载重状态的对应关系，识别所述目标车辆的载重状态。

结合第一方面，在第一方面第一实施方式中，在获取预设时间段内车辆的历史运行数据及当前时刻的实时运行数据之后、根据所述历史运行数据及当前时刻的实时运行数据计算不同时间粒度轨迹数据的机动车比功率及比功率区间分布之前，所述车辆载重状态识别方法还包括：根据预设筛选标准对所述历史运行数据及实时运行数据进行筛选，得到筛选后的标准数据。

结合第一方面，在第一方面第二实施方式中，所述根据所述历史运行数据及当前时刻的实时运行数据计算不同时间粒度轨迹数据的机动车比功率及比功率区间分布，包括：根据所述历史运行数据及当前时刻的实时运行数据确定所述机动车比功率的初步计算公式；根据动能、势能、滚动阻力的物理公式展开，将所述初步计算公式转换为第二计算公式；将所述第二计算公式中的动能、势能部分对时间求导展开，得到第三计算公式；根据所述第三计算公式确定所述不同时间粒度轨迹数据的机动车比功率及比功率区间分布。

结合第一方面，在第一方面第三实施方式中，根据所述机动车比功率及比功率区间分布确定所述车辆在不同载重状态下的比功率分布差异，包括：根据所述历史运行数据及实时运行数据提取车辆的载重状态信息、道路等级信息、速度区间信息及油耗信息；根据所述载重状态信息、道路等级信息、速度区间信息、油耗信息、机动车比功率及比功率区间分布构建全场景车辆工况数据库；根据所述全场景车辆工况数据库构建车辆在不同时间粒度轨迹数据的比功率图谱库；根据所述比功率图谱库确定所述车辆在不同载重状态下的比功率分布差异。

结合第一方面，在第一方面第四实施方式中，通过以下公式确定所述比功率分布差异：

L＝∑_vf_v·(F_iv-F_0v)，

其中：L为统计量；VSPbin_ij为速度为j、VSP为i时的VSP值；a为油耗率参数；NFR_ij为VSPbin_ij时的平均燃油速率；F_v为速度为v时的单位时间油耗；VSPf_i为分布在VSP bin为i时的时间占比；N为VSP bin的数量；f_v为所述目标车辆在所述预设时间段内平均车速为v时所占的频率；F_iv为第i辆车在所述预设时间段内平均车速为v时的单位时间油耗；F_0v为在所述预设时间段内平均车速为v时的单位时间油耗标准。

结合第一方面第四实施方式，在第一方面第五实施方式中，根据所述比功率分布差异进行拟合，确定概率密度函数，包括：通过统计学方法拟合全场景车辆的VSP分布特征量，得到统计量L在全场景条件下的状态符合不同参数的Johnson-su分布，则所述概率密度函数为：

均值为：

其中，γ为形状参数；δ为形状参数；μ为定位参数；σ为尺度参数，X为变量。

结合第一方面第五实施方式，在第一方面第六实施方式中，根据所述概率密度函数确定车辆载重状态判别阈值与车辆的载重状态的对应关系，包括：根据所述Johnson-su分布，将变量X转化为符合标准正态分布的正态变量Z；使用3σ原则划分车辆载重状态判别阈值，确定车辆载重状态判别阈值与所述正态变量Z的对应关系。

结合第一方面，在第一方面第七实施方式中，所述正态变量Z为：

Z～N(0,1)。

根据第二方面，本发明实施例提供了一种车辆载重的识别装置，包括：数据获取模块，用于获取预设时间段内目标车辆的历史运行数据及当前时刻的实时运行数据；比功率计算模块，用于根据所述历史运行数据及实时运行数据计算不同时间粒度轨迹数据的机动车比功率及比功率区间分布；分布差异确定模块，用于根据所述机动车比功率及比功率区间分布确定所述目标车辆在不同载重状态下的比功率分布差异；概率密度函数确定模块，用于根据所述比功率分布差异进行拟合，确定概率密度函数；载重状态识别模块，用于根据所述概率密度函数确定车辆载重状态判别阈值与车辆的载重状态的对应关系，识别所述目标车辆的载重状态。

根据第三方面，本发明实施例提供了一种计算机设备，包括：存储器和处理器，所述存储器和所述处理器之间互相通信连接，所述存储器中存储有计算机指令，所述处理器通过执行所述计算机指令，从而执行第一方面或者第一方面的任意一种实施方式中所述的基于驾驶行为特征提取的车辆载重状态识别方法。

根据第四方面，本发明实施例提供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计算机指令，所述计算机指令用于使所述计算机执行第一方面或者第一方面的任意一种实施方式中所述的基于驾驶行为特征提取的车辆载重状态识别方法。

通过实施本发明，在交通大数据背景条件下，基于车辆运行信息数据，建立了车辆全场景VSP分布图谱库，建立了基于车辆运行轨迹的快速载重状态识别算法，并提出超载识别体系的参数划分和阈值区间。与传统的车辆载重识别方法相比，本发明实施例的基于驾驶行为特征提取的车辆载重状态识别方法，无需额外增添设备即可实时监控路网运行车辆的载重情况，适用范围较为广泛，且由于不需借助外接的其他感测设备，不会因感测设备或其所处环境的影响而影响实际的识别结果，准确性得到提高。

附图说明

通过参考附图会更加清楚的理解本发明的特征和优点，附图是示意性的而不应理解为对本发明进行任何限制，在附图中：

图1示出了本发明实施例的基于驾驶行为特征提取的车辆载重状态识别方法的流程示意图；

图2示出了本发明实施例的地理信息系统采集的路网示意图；

图3示出了本发明实施例的基于驾驶行为特征提取的车辆载重状态识别方法的步骤S3的具体流程示意图；

图4示出了本发明实施例的车辆工况数据库的示意图；

图5A及图5B示出了本发明实施例的车辆不同载重状态VSP分布对比示意图；

图6示出了本发明实施例的统计量L的拟合分布图；

图7示出了本发明实施例的车辆载重的识别装置的结构示意图；

图8示出了本发明实施例的计算机设备的硬件结构示意图。

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，下面将结合本发明实施例中的附图，对本发明实施例中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，本领域技术人员在没有作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。

现有的车辆载重识别方法都存在不可弥补的缺陷，因此，本发明基于现有的重型货车在线监控大数据平台获取的车辆运行数据，提取了驾驶行为特征，用于分析不同交通条件下不同载重状态的货车机动车比功率(VSP)区间内分布的差异，设计了重型货车载重状态的识别算法。

本发明实施例提供了一种基于驾驶行为特征提取的车辆载重状态识别方法，如图1所示，该识别方法主要包括：

步骤S1：获取预设时间段内目标车辆的历史运行数据及当前时刻的实时运行数据。

用于载重状态判别方法的车辆相关数据，主要是用以表征驾驶员的驾驶行为特征的数据，主要需获取四类数据：车载故障诊断系统数据、全球定位系统数据、地理信息系统数据、车辆信息数据。随着国家对车辆监控力度的增强，已经初步建立并逐步完善车辆在线监控大数据平台，实现对车辆运行情况的实时监测，因此，用于载重识别的数据可通过大数据监控平台获取，无需额外安装相关设备。

其中，车载故障诊断系统(OBD)是一种为汽车故障诊断而延伸出来的一种检测系统。OBD实时监测发动机、催化转化器、颗粒捕集器、氧传感器、排放控制系统、燃油系统、EGR等系统和部件，然后通过相关部件联接到车辆电子控制单元(Electronic Control Unit，ECU)。因此，需要通过OBD实时获取车辆逐秒的运行时间、发动机的转速、输出扭矩等信息。

全球定位系统(GPS)是一种以空中卫星为基础的高精度无线电导航的定位系统，在全球任何地方以及近地空间都能够提供准确的地理位置、车行速度及精确的时间信息。通过车载GPS实时获取车辆逐秒精确的经纬度、车辆行驶速度以及车辆运行时间等信息。

地理信息系统(GIS)具有集中、存储、操作和显示地理参考信息等功能的计算机系统，如图2所示，集成了计算机数据库技术和计算机图形处理技术。通过GIS系统，获取车辆运行道路的坡度、经纬度、道路等级、路网分布等信息，用于计算机动车比功率并实时展示车辆在路网的运行信息。

车辆信息数据是大数据监控平台的底层静态数据，用于查询车辆的具体属性信息。通过车辆信息数据库，可获取车辆识别码、生产年份、生产厂家、车辆总质量、排放标准、燃料类型、发动机型号、发动机排量、最大输出功率等信息。

在本发明实施例中，所获取的预设时间段的历史运行数据及实施运行数据，可包括上述中的数据中的至少一种。该预设时间段可根据需要设置，例如可为检测时间点向前推算一天、一周或是任意时间段，可根据实际需要进行调整，本发明并不以此为限。

步骤S2：根据历史运行数据及实时运行数据计算不同时间粒度轨迹数据的机动车比功率及比功率区间分布。

机动车比功率(VSP)的计算数据来源于车载GPS提供的车辆运行时间和行驶速度以及GIS提供的道路坡度信息。

VSP为机动车比功率，其定义为发动机每移动一吨质量(包括自重)所输出的功率，单位为kW/t(或W/kg)。在物理理论上，VSP综合考虑了机动车发动机做功的几种用途，包括动能的变化、势能的变化、克服车辆的滚动摩擦阻力、和克服空气阻力，其推导过程如下：

初始公式如公式(1)所示：

在公式(1)中：

分别代表机动车的动能/势能变化所需的功率、克服滚动阻力所需的功率、克服空气阻力所需的功率。

其中，KE为机动车的动能；PE为机动车的势能；Frolling为机动车所受滚动阻力；m为机动车的质量(kg)；v为机动车行驶速度(m/s)；vw为机动车迎面风速(m/s)；CD为风阻系数，无量纲；A为车辆横截面积(m²)；ρa为环境空气密度，在20℃时为1.207kg/m³。

根据动能、势能、滚动阻力的物理公式展开，公式(1)可变形为公式(2)：

其中，ε_i为滚动质量系数，代表机动车动力系中转动部分的当量质量；h为机动车行驶时所处位置的海拔高度(m)；g为重力加速度，取为9.81m/s²；CR为滚动阻尼系数(无量纲)，与路面材料和轮胎类型与压力有关，一般在0.0085～0.016之间；

将公式(2)中的动能/势能部分对时间t求导展开，可得到公式(3)：

其中，a为机动车行驶加速度(m/s²)；grade为道路坡度(在路网信息有坡度信息时，道路坡度需参与计算)。

进一步地，可以得到比功率区间VSPbin：

具体地，可以为VSP区间编号-20、-19、…、-1、0、1、…19、20分别表示VSP区间[-20.5，-19.5)、[-19.5，-18.5)、…、[-1.5，-0.5)、[-0.5，0.5)、[0.5，1.5)、…、[18.5，19.5)、[19.5，20.5)，如表1所示。

表1

步骤S3：根据机动车比功率及比功率区间分布确定目标车辆在不同载重状态下的比功率分布差异。

在本发明实施例中，是根据计算得出的机动车比功率及比功率区间分布来建立车辆在不同时间粒度轨迹数据的比功率图谱库，然后根据该比功率图谱库中的数据，构建全场景车辆在不同载重下的标准比功率分布差异。

步骤S4：根据比功率分布差异进行拟合，确定概率密度函数。

在得到比功率分布差异后，结合该分布差异进行拟合，从而确定车辆的比功率分布特征。通常情况下，得到的分布差异较为明显的，可以通过对比直接得出，但实际应用中，也有很多分布差异并不容易被识别，因此，在本发明中，提出了使用统计学方法表征分布差异的方法，根据该方法得到的统计量，能够适用于各种场景。因此，通过统计学方法进行拟合，确定概率密度函数。

步骤S5：根据概率密度函数确定车辆载重状态判别阈值与车辆的载重状态的对应关系，识别目标车辆的载重状态。

结合概率密度函数，以及车辆载重状态判别阈值来确定该阈值与车辆的载重状态的对应关系，从而识别目标车辆的载重状态。

通过本发明实施例的基于驾驶行为特征提取的车辆载重状态识别方法，在交通大数据背景条件下，基于车辆运行信息数据，建立了车辆全场景VSP分布图谱库，建立了基于车辆运行轨迹的快速载重状态识别算法，并提出超载识别体系的参数划分和阈值区间。与传统的车辆载重识别方法相比，本发明实施例的基于驾驶行为特征提取的车辆载重状态识别方法，无需额外增添设备即可实时监控路网运行车辆的载重情况，适用范围较为广泛，且由于不需借助外接的其他感测设备，不会因感测设备或其所处环境的影响而影响实际的识别结果，准确性得到提高。

可选地，在本发明的一些实施例中，由于各装置系统在采集车辆运行数据时，存在数据漂移、数据异常情况，因此，在上述步骤S1采集到的各类车辆运行相关的数据进行筛选处理，通过检验数据字段的完整性、连续性、有效性和稳定性，严格控制输入数据精度。具体的筛选过程包括：

(1)完整性检验

典型的机动车行驶工况数据应包括时间、速度、加速度等字段。为保证数据的准确、利于计算和分析，可采用逐秒采集行驶工况数据的方式。为了方便数据沟通、节约沟通成本，根据工况数据字段要求，完整的数据可按照标准字段格式来进行筛选，不符合该标准字段格式的数据则剔除，从而保证完整且字段内容规范。

(2)连续性检验

机动车在道路上行驶的实际情况经常需要以区间平均速度为参数进行衡量，同时，不同的道路类型对其区间平均速度有着相当程度的影响。工况数据逐秒连续性包括时间连续性，最重要的是速度数据的连续性，保证速度能够反映车辆逐秒的运行特性，合理划分短行程。因此，本发明实施例中，获取的数据保证在时间上的连续性，对于时间上存在间隔的数据段，则可剔除。

(3)有效性检验

有效性检验主要包括速度有效性和加速度有效性。速度有效性包括对速度精度、速度合理数值范围、速度是否插值、速度是否为0进行检验。加速度有效性主要指加速度值是否处于有效范围内。对于符合要求的数据予以保留，对于不符合要求的数据则可以剔除。

(4)稳定性检验

稳定性检验主要包括对每个速度区间下的油耗进行分析测算，若数据上下波动不大(即数据偏差在允许误差范围内)，则处于较稳定的驾驶行为范畴，则保留该数据。

可选地，在本发明的一些实施例中，如图3所示，上述步骤S3，根据所述机动车比功率及比功率区间分布确定所述车辆在不同载重状态下的比功率分布差异的具体过程，包括：

步骤S31：根据历史运行数据及实时运行数据提取车辆的载重状态信息、道路等级信息、速度区间信息及油耗信息；

步骤S32：根据载重状态信息、道路等级信息、速度区间信息、油耗信息、机动车比功率及比功率区间分布构建全场景车辆工况数据库；

具体地，根据采集的大量有效数据，划分时间区间，例如，快速路段和主干路划分每60s为时间区间，其他道路类型划分每180s为一个时间区间。按照每个时间区间内的不同条件计算平均速度、VSPbin等参数后，根据货车载重状态、道路等级、速度区间、比功率分布区间等不同角度和层次建立全场景车辆工况数据库，如图4所示，该数据库主要包括Weightclass(车重类型)，Loadcondition(载重状态)，Roadtype(道路类型)，Avgspeed(平均速度)，Accbin(加速度区间)，VSPbin(VSP区间)，VSPfrequency(VSP频率)等7个字段。

其中，“Weightclass”字段为数字整型。货车按车重进行分类，分为微型车、轻型车、中型车和重型车。数据库中用“10”表示微型车，“20”表示轻型车，“30”表示中型车，“40”表示重型车。

“Loadcondition”字段为数字整型。货车按照载重状态进行分类，分为空载、半载、满载、超载四种状态。数据库中使用“10”表示空载，“11”表示半载，“12”表示满载，“13”表示超载。

“Roadtype”字段为数字整型。道路类型分为全路网、快速路、主干路、次干路、支路、次-支路。数据库中用10、11、12、13、14、15依次表示上述六种道路类型。

“Avgspeed”字段为数字整型。快速路平均速度分为(单位km/h)：[0，0.5)、[0.5，1.5)、[1.5，2.5)、…、[129.5，+∞)。数据库中用0、1、2、…129和130表示上述131种分类。主干路、次干路、支路、次-支路的平均速度分为(单位km/h)：[0，0.5)、[0.5，1.5)、[1.5，2.5)、…、[59.5，+∞)。数据库中用0、1、2、…59和60表示上述61种分类。

“Accbin”字段为数字整型。数据库中用-3、-2.9、-2.8、…、-0.1、0、0.1、…、2.7、2.8、2.9分别表示加速度区间[-3，-2.9)、[-2.9，-2.8)、…、[-0.1，0)、[3，0.1)、…、[2.7，2.8)、[2.9，3)。

“VSPbin”字段为数字整型。数据库中用-20、-19、…、-1、0、1、…19、20分别表示VSP区间[-20.5，-19.5)、[-19.5，-18.5)、…、[-1.5，-0.5)、[-0.5，0.5)、[0.5，1.5)、…、[18.5，19.5)、[19.5，20.5)。

“VSPfrequency”字段为数字单精度型。

步骤S33：根据全场景车辆工况数据库构建车辆在不同时间粒度轨迹数据的比功率图谱库。

根据建立的全场景车辆工况数据库，建立起全场景车辆不同载重下的标准比功率分布图。在本发明实施例中，以选择同一辆车在相同道路类型、速度区间为20-22km/h以及不同载重情况下的VSP分布为例，如图5A及图5B所示。

步骤S34：根据比功率图谱库确定车辆在不同载重状态下的比功率分布差异。具体地，是通过以下公式确定所述比功率分布差异：

L＝∑_vf_v·(F_iv-F_0v)，

其中：L为统计量；VSPbin_ij为速度为j、VSP为i时的VSP值；a为油耗率参数；NFR_ij为VSPbin_ij时的平均燃油速率；F_v为速度为v时的单位时间油耗；VSPf_i为分布在VSP bin为i时的时间占比；N为VSP bin的数量；f_v为所述目标车辆在所述预设时间段内平均车速为v时所占的频率；F_iv为第i辆车在所述预设时间段内平均车速为v时的单位时间油耗；F_0v为在所述预设时间段内平均车速为v时的单位时间油耗标准。

可选地，在本发明的一些实施例中，上述步骤S4，根据所述比功率分布差异进行拟合，确定概率密度函数，具体包括：

通过统计学方法拟合全场景车辆的VSP分布特征量，得到统计量L在全场景条件下的状态符合不同参数的Johnson-su分布，得到如图6所示的拟合分布图，则所述概率密度函数为：

均值为：

其中，γ为形状参数；δ为形状参数；μ为定位参数；σ为尺度参数，X为变量。

可选地，在本发明的一些实施例中，上述步骤S5，根据概率密度函数确定车辆载重状态判别阈值与车辆的载重状态的对应关系，识别目标车辆的载重状态，具体包括：

基于全场景货车比功率分布图谱库中的标准分布曲线，通过对图像的统计学特征数据化，基于对应交通场景下的Johnson-su分布参数，识别路网上运行车辆的载重状态对应Johnson-su分布。

根据Johnson su分布的特性，把变量X转化为符合标准正态分布的变量Z：

Z～N(0,1)，

然后，使用3σ原则划分车辆载重状态判别阈值，能够得到车辆载重状态判别阈值与变量Z的对应关系，如表2所示。

表2

基于该对应关系，以及目标车辆的变量Z的值，即可识别目标车辆载重状态。

本发明实施例的基于驾驶行为特征提取的车辆载重状态识别方法，基于重型货车大数据车辆运行信息监控平台构建了货车载重状态识别方法。通过数据分析筛选驾驶行为稳定的数据；基于车辆在不同交通场景下的运行工况，构建货车不同时间粒度轨迹数据的比功率图谱库；使用统计学方法，设计参数表征全场景下货车载重的不同分布数据并使用不同尺度参数的Johnson-su随机分布勾勒不同交通条件下的数字化阈值；通过对货车所处交通场景的条件，使用对应下的Johnson-su参数识别载重状态。

并且，利用已知载重车辆的实时运行数据，根据VSP在不同交通场景下的分布规律，建立完善的全场景货车比功率分布图谱库，后提取出对应的特征，设计参数使用数字化表征车辆一段时间的运行状态，提高了车辆超载识别精度。

本发明实施例还提供一种车辆载重的识别装置，如图7所示，该识别装置主要包括：

数据获取模块71，用于获取预设时间段内目标车辆的历史运行数据及当前时刻的实时运行数据；详细内容可参见上述任意方法实施例的步骤S1的相关描述，在此不再赘述。

比功率计算模块72，用于根据所述历史运行数据及实时运行数据计算不同时间粒度轨迹数据的机动车比功率及比功率区间分布；详细内容可参见上述任意方法实施例的步骤S2的相关描述，在此不再赘述。

分布差异确定模块73，用于根据所述机动车比功率及比功率区间分布确定所述目标车辆在不同载重状态下的比功率分布差异；详细内容可参见上述任意方法实施例的步骤S3的相关描述，在此不再赘述。

概率密度函数确定模块74，用于根据所述比功率分布差异进行拟合，确定概率密度函数；详细内容可参见上述任意方法实施例的步骤S4的相关描述，在此不再赘述。

载重状态识别模块75，用于根据所述概率密度函数确定车辆载重状态判别阈值与车辆的载重状态的对应关系，识别所述目标车辆的载重状态；详细内容可参见上述任意方法实施例的步骤S5的相关描述，在此不再赘述。

通过本发明实施例的车辆载重的识别装置，在交通大数据背景条件下，基于车辆运行信息数据，建立了车辆全场景VSP分布图谱库，建立了基于车辆运行轨迹的快速载重状态识别算法，并提出超载识别体系的参数划分和阈值区间。与传统的车辆载重识别方法相比，本发明实施例的基于驾驶行为特征提取的车辆载重状态识别方法，无需额外增添设备即可实时监控路网运行车辆的载重情况，适用范围较为广泛，且由于不需借助外接的其他感测设备，不会因感测设备或其所处环境的影响而影响实际的识别结果，准确性得到提高。

本发明实施例还提供了一种计算机设备，如图8所示，该计算机设备可以包括处理器81和存储器82，其中处理器81和存储器82可以通过总线或者其他方式连接，图8中以通过总线连接为例。

处理器81可以为中央处理器(Central Processing Unit，CPU)。处理器81还可以为其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等芯片，或者上述各类芯片的组合。

存储器82作为一种非暂态计算机可读存储介质，可用于存储非暂态软件程序、非暂态计算机可执行程序以及模块，如本发明实施例中的基于驾驶行为特征提取的车辆载重状态识别方法对应的程序指令/模块(例如，图7所示的

数据获取模块71、比功率计算模块72、分布差异确定模块73、概率密度函数确定模块74及载重状态识别模块75)。处理器81通过运行存储在存储器82中的非暂态软件程序、指令以及模块，从而执行处理器的各种功能应用以及数据处理，即实现上述方法实施例中的基于驾驶行为特征提取的车辆载重状态识别方法。

存储器82可以包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需要的应用程序；存储数据区可存储处理器81所创建的数据等。此外，存储器82可以包括高速随机存取存储器，还可以包括非暂态存储器，例如至少一个磁盘存储器件、闪存器件、或其他非暂态固态存储器件。在一些实施例中，存储器82可选包括相对于处理器81远程设置的存储器，这些远程存储器可以通过网络连接至处理器81。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。

所述一个或者多个模块存储在所述存储器82中，当被所述处理器81执行时，执行如图1-图6所示实施例中的基于驾驶行为特征提取的车辆载重状态识别方法。

上述计算机设备具体细节可以对应参阅图1至图6所示的实施例中对应的相关描述和效果进行理解，此处不再赘述。

本领域技术人员可以理解，实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，所述存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory，ROM)、随机存储记忆体(Random AccessMemory，RAM)、快闪存储器(Flash Memory)、硬盘(Hard Disk Drive，缩写：HDD)或固态硬盘(Solid-State Drive，SSD)等；所述存储介质还可以包括上述种类的存储器的组合。

虽然结合附图描述了本发明的实施例，但是本领域技术人员可以在不脱离本发明的精神和范围的情况下作出各种修改和变型，这样的修改和变型均落入由所附权利要求所限定的范围之内。

Claims (10)

1.一种基于驾驶行为特征提取的车辆载重状态识别方法，其特征在于，包括：

获取预设时间段内目标车辆的历史运行数据及当前时刻的实时运行数据；

根据所述历史运行数据及实时运行数据计算不同时间粒度轨迹数据的机动车比功率及比功率区间分布；

根据所述机动车比功率及比功率区间分布确定所述目标车辆在不同载重状态下的比功率分布差异；

根据所述比功率分布差异进行拟合，确定概率密度函数；

根据所述概率密度函数确定车辆载重状态判别阈值与车辆的载重状态的对应关系，识别所述目标车辆的载重状态；

其中，根据所述机动车比功率及比功率区间分布确定所述车辆在不同载重状态下的比功率分布差异，包括：

根据所述历史运行数据及实时运行数据提取车辆的载重状态信息、道路等级信息、速度区间信息及油耗信息；

根据所述载重状态信息、道路等级信息、速度区间信息、油耗信息、机动车比功率及比功率区间分布构建全场景车辆工况数据库；

根据所述全场景车辆工况数据库构建车辆在不同时间粒度轨迹数据的比功率图谱库；

根据所述比功率图谱库确定所述车辆在不同载重状态下的比功率分布差异。

2.根据权利要求1所述的基于驾驶行为特征提取的车辆载重状态识别方法，其特征在于，在获取预设时间段内车辆的历史运行数据及当前时刻的实时运行数据之后、根据所述历史运行数据及当前时刻的实时运行数据计算不同时间粒度轨迹数据的机动车比功率及比功率区间分布之前，所述车辆载重状态识别方法还包括：

根据预设筛选标准对所述历史运行数据及实时运行数据进行筛选，得到筛选后的标准数据。

3.根据权利要求1所述的基于驾驶行为特征提取的车辆载重状态识别方法，其特征在于，所述根据所述历史运行数据及当前时刻的实时运行数据计算不同时间粒度轨迹数据的机动车比功率及比功率区间分布，包括：

根据所述历史运行数据及当前时刻的实时运行数据确定所述机动车比功率的初步计算公式；

根据动能、势能、滚动阻力的物理公式展开，将所述初步计算公式转换为第二计算公式；

将所述第二计算公式中的动能、势能部分对时间求导展开，得到第三计算公式；

根据所述第三计算公式确定所述不同时间粒度轨迹数据的机动车比功率及比功率区间分布。

4.根据权利要求1所述的基于驾驶行为特征提取的车辆载重状态识别方法，其特征在于，通过以下公式确定所述比功率分布差异：

，

L＝∑_vf_v·(F_iv-F_0v)，

其中：L为统计量；VSPbin_ij为速度为j、VSP为i时的VSP值；a为油耗率参数；NFR_ij为VSPbin_ij时的平均燃油速率；F_v为速度为v时的单位时间油耗；VSPf_i为分布在VSP bin为i时的时间占比；N为VSP bin的数量；f_v为所述目标车辆在所述预设时间段内平均车速为v时所占的频率；F_iv为第i辆车在所述预设时间段内平均车速为v时的单位时间油耗；F_0v为在所述预设时间段内平均车速为v时的单位时间油耗标准。

5.根据权利要求4所述的基于驾驶行为特征提取的车辆载重状态识别方法，其特征在于，根据所述比功率分布差异进行拟合，确定概率密度函数，包括：

通过统计学方法拟合全场景车辆的VSP分布特征量，得到统计量L在全场景条件下的状态符合不同参数的Johnson-su分布，则所述概率密度函数为：

均值为：

其中，γ为形状参数；δ为形状参数；μ为定位参数；σ为尺度参数，X为变量。

6.根据权利要求5所述的基于驾驶行为特征提取的车辆载重状态识别方法，其特征在于，根据所述概率密度函数确定车辆载重状态判别阈值与车辆的载重状态的对应关系，包括：

根据所述Johnson-su分布，将变量X转化为符合标准正态分布的正态变量Z；

使用3σ原则划分车辆载重状态判别阈值，确定车辆载重状态判别阈值与所述正态变量Z的对应关系。

7.根据权利要求6所述的基于驾驶行为特征提取的车辆载重状态识别方法，其特征在于，所述正态变量Z为：

Z～N(0,1)。

8.一种车辆载重的识别装置，其特征在于，包括：

数据获取模块，用于获取预设时间段内目标车辆的历史运行数据及当前时刻的实时运行数据；

比功率计算模块，用于根据所述历史运行数据及实时运行数据计算不同时间粒度轨迹数据的机动车比功率及比功率区间分布；

分布差异确定模块，用于根据所述机动车比功率及比功率区间分布确定所述目标车辆在不同载重状态下的比功率分布差异；

其中，根据所述机动车比功率及比功率区间分布确定所述车辆在不同载重状态下的比功率分布差异，包括：

根据所述历史运行数据及实时运行数据提取车辆的载重状态信息、道路等级信息、速度区间信息及油耗信息；

根据所述载重状态信息、道路等级信息、速度区间信息、油耗信息、机动车比功率及比功率区间分布构建全场景车辆工况数据库；

根据所述全场景车辆工况数据库构建车辆在不同时间粒度轨迹数据的比功率图谱库；

根据所述比功率图谱库确定所述车辆在不同载重状态下的比功率分布差异；

概率密度函数确定模块，用于根据所述比功率分布差异进行拟合，确定概率密度函数；

载重状态识别模块，用于根据所述概率密度函数确定车辆载重状态判别阈值与车辆的载重状态的对应关系，识别所述目标车辆的载重状态。

9.一种计算机设备，其特征在于，包括：

存储器和处理器，所述存储器和所述处理器之间互相通信连接，所述存储器中存储有计算机指令，所述处理器通过执行所述计算机指令，从而执行如权利要求1-7中任一项所述的基于驾驶行为特征提取的车辆载重状态识别方法。

10.一种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有计算机指令，所述计算机指令用于使所述计算机执行如权利要求1-7中任一项所述的基于驾驶行为特征提取的车辆载重状态识别方法。

Images