CN113064933B - 一种车辆重量预测方法及其系统 - Google Patents
一种车辆重量预测方法及其系统 Download PDFInfo
- Publication number
- CN113064933B CN113064933B CN202110303367.0A CN202110303367A CN113064933B CN 113064933 B CN113064933 B CN 113064933B CN 202110303367 A CN202110303367 A CN 202110303367A CN 113064933 B CN113064933 B CN 113064933B
- Authority
- CN
- China
- Prior art keywords
- data
- vehicle
- mode
- driving
- processing unit
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 29
- 238000012545 processing Methods 0.000 claims abstract description 56
- 239000011159 matrix material Substances 0.000 claims abstract description 47
- 238000005070 sampling Methods 0.000 claims abstract description 36
- 238000010606 normalization Methods 0.000 claims abstract description 26
- 230000009466 transformation Effects 0.000 claims abstract description 24
- 238000013528 artificial neural network Methods 0.000 claims abstract description 21
- 238000012549 training Methods 0.000 claims description 19
- 230000009194 climbing Effects 0.000 claims description 17
- 238000013500 data storage Methods 0.000 claims description 11
- 238000012360 testing method Methods 0.000 claims description 9
- 230000001174 ascending effect Effects 0.000 claims description 5
- 239000006185 dispersion Substances 0.000 claims description 3
- 238000002372 labelling Methods 0.000 claims description 3
- 238000001514 detection method Methods 0.000 abstract description 7
- 239000013598 vector Substances 0.000 description 16
- 230000015654 memory Effects 0.000 description 7
- 230000008569 process Effects 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 4
- 210000004027 cell Anatomy 0.000 description 4
- 230000006870 function Effects 0.000 description 3
- 230000006872 improvement Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2462—Approximate or statistical queries
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2474—Sequence data queries, e.g. querying versioned data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2477—Temporal data queries
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
-
- 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
- G07C5/0841—Registering performance data
- G07C5/085—Registering performance data using electronic data carriers
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Computational Linguistics (AREA)
- Business, Economics & Management (AREA)
- Life Sciences & Earth Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Databases & Information Systems (AREA)
- Computing Systems (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Biophysics (AREA)
- Economics (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Fuzzy Systems (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Operations Research (AREA)
- Development Economics (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- Quality & Reliability (AREA)
- Algebra (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Game Theory and Decision Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
Abstract
本发明公开了一种车辆重量预测方法及其系统,包括:S1:基于多种采样模式持续获取车辆行驶数据;S2:对所述车辆行驶数据进行特征变换和归一化处理后生成行驶数据矩阵;S3:神经网络单元基于所述行驶数据矩阵输出车辆重量数据。本发明通过非侵入式的方法获取车辆中原有的行驶数据,并通过设置多种采样模式构建能够表征车辆不同运动状态的车辆行驶数据,进行特征变换和归一化处理后生成能够有效提高神经网络预测结果准确性的行驶数据矩阵,使得神经网络能够基于行驶数据矩阵准确预测车辆重量,解决了传统的车辆重量检测方法存在的成本高、可靠性差的问题。
Description
技术领域
本发明涉及智能交通技术领域,具体涉及一种车辆重量预测方法及其系统。
背景技术
随着我国基建的日益发展,使用车辆的中长途客运行业、物流运输行业近年来发展十分迅速。而中长途客运行业中的超载、超员问题,物流运输行业的超重、货物偷换问题,均属于长期存在、亟待解决的问题。
以物流运输行业为例,在公路运输的过程中,如果能实时获得货车的货运重量,并与货车的GPS行驶轨迹相匹配,即可实现物流企业对运输过程中偷换货物的情况进行监控,还可实现车辆的网络化管理,方便对车辆货运的调度。还能够让物流企业掌握各车辆的实时载荷情况以及行驶情况,进而及时对物流地货源进行运载分配,提高货物运输率,降低空驶率。
传统的车辆重量检测方法为:给车辆加装载重感应器。但是该种重量检测方法由于载重感应器的成本较高,且载重感应器装载于车辆上时受复杂工况的影响导致易失效,以及对车辆进行改装的过程非常复杂,易用性差。
综上所述,传统的车辆重量检测方法存在成本高、可靠性差的问题。
发明内容
有鉴于此,本发明提供一种车辆重量预测方法及其系统,通过非侵入式的方法获取车辆中原有的行驶数据,并通过设置多种采样模式构建能够表征车辆不同运动状态的车辆行驶数据,通过数据处理后生成能够有效提高神经网络预测结果准确性的行驶数据矩阵,使得神经网络能够基于行驶数据矩阵准确预测车辆重量,解决了传统的车辆重量检测方法存在的成本高、可靠性差的问题。
为解决以上问题,本发明的技术方案为采用一种车辆重量预测方法,包括:S1:基于多种采样模式持续获取车辆行驶数据;S2:对所述车辆行驶数据进行特征变换和归一化处理后生成行驶数据矩阵;S3:神经网络单元基于所述行驶数据矩阵输出车辆重量数据。
可选地,所述车辆行驶数据包括多组行驶子数据集,每组所述行驶子数据集包含的行驶子数据对应的所述采样模式相同且时间戳连续。
可选地,所述行驶子数据包括所述时间戳、车辆速度数据、车辆经度数据和车辆纬度数据,所述采样模式包括起步模式、转弯模式、爬坡模式和直行模式,其中,所述起步模式和所述转弯模式被配置为,基于第一预设时间间隔周期性地获取所述车辆行驶子数据;所述爬坡模式被配置为,基于第二预设时间间隔周期性地获取所述车辆行驶子数据;所述直行模式被配置为,基于第三预设时间间隔周期性地获取所述车辆行驶子数据。
可选地,所述S1包括:在车辆初始起步时,数据采集单元在起步模式下基于第一预设时间间隔周期性地获取所述车辆行驶子数据;数据处理单元持续性解析所述车辆行驶数据并转换数据采集单元的所述采样模式,其中,在当前帧的所述车辆速度数据包含的车辆方向数据与上一帧的所述车辆速度数据包含的所述车辆方向数据的差值超过第一阈值的情况下,所述数据处理单元控制所述数据采集单元的采样模式转换为转弯模式;在当前帧的所述车辆经度数据和所述车辆纬度数据与上一帧的所述车辆经度数据和所述车辆纬度数据的一阶差分数值超过第二阈值的情况下,所述数据处理单元控制所述数据采集单元的采样模式转换为爬坡模式;在所述数据处理单元判断车辆不处于起步状态、转弯状态和爬坡状态的情况下,所述数据处理单元控制所述数据处理单元的采样模式转换为直行模式。
可选地,所述S2包括:所述数据处理单元按照所述时间戳升序的方式顺序调用存储于数据存储单元的多组所述行驶子数据集构成的所述车辆行驶数据;对所述车辆行驶数据进行特征变换和归一化处理后生成归一化数据集;基于所述车辆行驶数据的分组信息对所述归一化数据集进行分组并构建所述行驶数据矩阵。
可选地,对所述车辆行驶数据进行特征变换和归一化处理,包括:提取所述车辆行驶数据包含的所述时间戳、车辆速度数据、车辆经度数据和车辆纬度数据作为原始特征数据集;对所述时间戳、所述车辆速度数据、所述车辆经度数据和所述车辆纬度数据进行一阶差分和二阶差分,并将差分后的特征数据合并至所述原始特征数据集,生成特征变换数据集;基于离差标准化模型对所述特征变换数据集进行归一化处理,生成归一化数据集。
可选地,所述S3包括:构建用于预测车辆重量的网络模型;获取多组标准行驶数据矩阵并对每组所述标准行驶数据矩阵进行车辆重量标注,生成由多组包含车辆重量信息的标准行驶数据矩阵构成的训练样本集和测试集;基于所述训练样本集和测试集,对所述网络模型进行训练并验证,生成用于预测车辆重量的预测模型;将所述行驶数据矩阵输入所述神经网络单元,基于所述预测模型输出所述车辆重量数据。
相应地,本发明提供,一种车辆重量预测系统,包括:数据采集单元,用于在多种采样模式持续获取车辆行驶数据;数据处理单元,用于对所述车辆行驶数据进行特征变换和归一化处理后生成行驶数据矩阵;神经网络单元,用于构建网络模型并基于所述行驶数据矩阵输出车辆重量数据。
可选地,所述车辆重量预测系统还包括数据存储单元,所述数据存储单元用于存储所述车辆行驶数据、所述行驶数据矩阵、所述车辆重量数据和用于训练预测模型的多组标准行驶数据矩阵。
可选地,所述数据处理单元按照所述时间戳升序的方式顺序调用存储于所述数据存储单元的多组所述行驶子数据集构成的所述车辆行驶数据,通过对所述车辆行驶数据进行特征变换和归一化处理后生成归一化数据集后,所述数据处理单元基于所述车辆行驶数据的分组信息对所述归一化数据集进行分组并构建所述行驶数据矩阵。
本发明的首要改进之处为提供的车辆重量预测方法,通过非侵入式的方法获取车辆中原有的行驶数据,并通过设置多种采样模式构建能够表征车辆不同运动状态的车辆行驶数据,进行特征变换和归一化处理后生成能够有效提高神经网络预测结果准确性的行驶数据矩阵,使得神经网络能够基于行驶数据矩阵准确预测车辆重量。同时,通过在神经网络单元构建网络模型时融入分层注意力机制,通过样本集的训练赋予不同车辆行驶状态下采集的行驶数据表征的特征向量的权重,进一步提升了车辆重量的预测准确性,解决了传统的车辆重量检测方法存在的成本高、可靠性差的问题。
附图说明
图1是本发明的车辆重量预测方法的简化流程图;
图2是本发明的车辆重量预测系统的简化模块连接图。
具体实施方式
为了使本领域的技术人员更好地理解本发明的技术方案,下面结合附图和具体实施例对本发明作进一步的详细说明。
如图1所示,一种车辆重量预测方法,包括:
S1:基于多种采样模式持续获取车辆行驶数据。所述车辆行驶数据包括多组行驶子数据集,每组所述行驶子数据集包含的行驶子数据对应的所述采样模式相同且时间戳连续。所述行驶子数据包括所述时间戳、车辆速度数据、车辆经度数据和车辆纬度数据;所述行驶子数据通过车辆内置传感设备获取,例如:GPS传感器、车速传感器等;所述采样模式包括起步模式、转弯模式、爬坡模式和直行模式,所述起步模式和所述转弯模式被配置为,基于第一预设时间间隔周期性地获取所述车辆行驶子数据;所述爬坡模式被配置为,基于第二预设时间间隔周期性地获取所述车辆行驶子数据;所述直行模式被配置为,基于第三预设时间间隔周期性地获取所述车辆行驶子数据。其中,所述第一预设时间间隔小于所述第二预设时间间隔,所述第二预设时间间隔小于第三预设时间间隔,所述第一预设时间间隔可以是2S,所述第二预设时间间隔可以是10s,第三预设时间间隔可以是2min。
发明人在进行系统设计时发现,使用传统序列模型的神经网络用于车辆重量预测时,输出的车辆重量预测结果的置信度偏低,通过进一步的解析预测结果失真时的车辆行驶数据,发现在不同时间段的车辆运动模式差异(例如起步、转弯、爬坡、直行)对于车辆重量识别的影响权重不同,因此,通过设置车辆运动状态的前置判定,实现车辆行驶子数据所对应的车辆运动状态标定及进行多模式数据获取,有效提升了预测结果的准确性,具体的,所述S1包括:在车辆初始起步时,数据采集单元在起步模式下基于第一预设时间间隔周期性地获取所述车辆行驶子数据;数据处理单元持续性解析所述车辆行驶数据并转换数据采集单元的所述采样模式,其中,在当前帧的所述车辆速度数据包含的车辆方向数据与上一帧的所述车辆速度数据包含的所述车辆方向数据的差值超过第一阈值的情况下,所述数据处理单元控制所述数据采集单元的采样模式转换为转弯模式;在当前帧的所述车辆经度数据和所述车辆纬度数据与上一帧的所述车辆经度数据和所述车辆纬度数据的一阶差分数值超过第二阈值的情况下,所述数据处理单元控制所述数据采集单元的采样模式转换为爬坡模式;在所述数据处理单元判断车辆不处于起步状态、转弯状态和爬坡状态的情况下,所述数据处理单元控制所述数据处理单元的采样模式转换为直行模式。
S2:对所述车辆行驶数据进行特征变换和归一化处理后生成行驶数据矩阵。
进一步的,所述S2包括:所述数据处理单元按照所述时间戳升序的方式顺序调用存储于数据存储单元的多组所述行驶子数据集构成的所述车辆行驶数据;对所述车辆行驶数据进行特征变换和归一化处理后生成归一化数据集;基于所述车辆行驶数据的分组信息对所述归一化数据集进行分组并构建所述行驶数据矩阵。其中,对所述车辆行驶数据进行特征变换和归一化处理,包括:提取所述车辆行驶数据包含的所述时间戳、车辆速度数据、车辆经度数据和车辆纬度数据作为原始特征数据集;对所述时间戳、所述车辆速度数据、所述车辆经度数据和所述车辆纬度数据进行一阶差分和二阶差分,并将差分后的特征数据合并至所述原始特征数据集,生成特征变换数据集;基于离差标准化模型对所述特征变换数据集进行归一化处理,生成归一化数据集。
更进一步的,归一化处理包括:遍历各个特征数据,得到每个特征的最大值与最小值,利用每个特征的最大值与最小值对所有数据做Min-Max Normalization归一化处理。其中,计算公式为x表示待做归一化处理的原始数据,min表示特征的最小值,max表示特征的最大值,x*表示归一化处理后得到的数据。其中,进行归一化处理的特征数据种类包括:所述时间戳、车辆速度数据、车辆经度数据和车辆纬度数据及以上五种特征数据的一阶、二阶差分数据。
更进一步的,基于所述车辆行驶数据的分组信息对所述归一化数据集进行分组并构建所述行驶数据矩阵时,由于行驶数据矩阵包含的归一化数据列需要设定阈值,若构建的所述行驶数据矩阵包含的归一化数据列的数量高于阈值,则采用随机丢弃的方式丢弃一定数量的归一化数据列直至归一化数据列的数量等于阈值;若构建的所述行驶数据矩阵包含的归一化数据列的数量小于阈值,则将行驶数据矩阵中空缺的区域用-1补齐。同理,归一化数据列包含的归一化数据的数量需要设定阈值,若所述归一化数据列包含的归一化数据的数量高于阈值,则采用随机丢弃的方式丢弃一定数量的归一化数据直至归一化数据的数量等于阈值;若归一化数据列包含的归一化数据的数量小于阈值,则将归一化数据列中空缺的区域用-1补齐。
S3:神经网络单元基于所述行驶数据矩阵输出车辆重量数据。
进一步的,所述S3包括:构建用于预测车辆重量的网络模型;获取多组标准行驶数据矩阵并对每组所述标准行驶数据矩阵进行车辆重量标注,生成由多组包含车辆重量信息的标准行驶数据矩阵构成的训练样本集和测试集;基于所述训练样本集和测试集,对所述网络模型进行训练并验证,生成用于预测车辆重量的预测模型;将所述行驶数据矩阵输入所述神经网络单元,基于所述预测模型输出所述车辆重量数据。其中,网络模型可以是BiLSTM(Bi-directional Long Short-Term Memory,长短期记忆网络);生成训练样本集和测试集的方式可以是将多组包含车辆重量信息的标准行驶数据矩阵随机打乱,再利用5折交叉验证的方式得到若干训练集与测试集,即将数据随机划分成五份,轮流将其中一份当作测试集,剩下四份当作训练集。
更进一步的,所述网络模型包括特征提取层、归一化数据级注意力层、行驶模式级注意力层及回归层,样本训练的方法可以是:确定样本输入量,设每批次样本量为32,每个样本的矩阵维度为(20,50,16),则每批次输入样本的维度即为(32,20,50,16),让输入样本依次通过前向LSTM和后向LSTM,所述的LSTM网络由四个部分组成,分别为输入门、忘记门、输出门和细胞状态。单个LSTM网络层在t时刻不同门的计算过程如下:
it=σ(Wi*[ht-1,xt]+bi)
ft=σ(Wf*[ht-1,xt]+bf)
ot=σ(Wo*[ht-1,xt]+bo)
ht=ot*tanh(Ct)
其中,ft、it、ot、Ct、ht分别表示第t时刻计算单元中输入门、遗忘门、输出门、候选记忆细胞、记忆细胞以及隐藏状态的计算值,Wi、Wf、Wo、WC分别为输入门、遗忘门、输出门、候选记忆细胞的权重矩阵,bi、bf、bo、bC为对应的偏置项。xt为t时刻的输入向量,σ为sigmoid函数,即tanh为双曲正切函数,即
归一化数据列的每个归一化数据的特征向量都通过BiLSTM后,即可获得由BiLSTM层输出的每个时间步的隐语义向量hit
对于归一化数据级注意力层:
hit通过MLP进行加权后可得到uit,通过softmax进行归一化后可得到短轨迹中每一个轨迹点的重要性得分ait。最后对各轨迹点向量加权后的结果进行累加求和,得到每条短轨迹的特征向量si:
uit=tanh(Wwhit+bw)
其中,hit、uit和ait分别代表表示行驶数据矩阵中第i列归一化数据列中第t个归一化数据的Bilstm所提取的特征向量、hit加权后的向量以及归一化后得到的归一化数据的重要性得分,Ww为权重矩阵,bw为偏置项,uw表示一条随机的查询向量,si表示行驶数据矩阵中第i列归一化数据列的特征向量。
对于行驶模式级注意力层:
由归一化数据级注意力层可生成行驶数据矩阵中每列的归一化数据列的特征向量si,每条归一化数据的特征向量都包含了车辆在不同时间段下各异的行驶模式的信息。可将行驶数据矩阵中每列的归一化数据列的特征向量si输入到行驶模式级注意力层中,用于衡量不同行驶模式对于重量感知的重要性,最终可得到每个行驶数据矩阵的语义特征表示v。计算过程如下:
ui=tanh(Wssi+bs) (式4)
其中,si表示行驶数据矩阵中第i列归一化数据列的特征向量,ui表示第i列归一化数据列的特征向量加权后的向量,Ww为权重矩阵,bw为偏置项,us表示随机的查询向量,ai表示第i条归一化数据列的注意力权重系数,v表示行驶数据矩阵总体的语义特征表示。
对于回归层:
由行驶模式级注意力层可输出的各行驶数据矩阵的语义特征表示,最终将各行驶数据矩阵的语义特征表示映射至全连接层,为了防止模型的过拟合,此处使用drop out技术,使全连接层一定比例的神经元不工作。最终再通过一个全连接层,完成对车辆重量的数值预测,即完成一个回归任务。其中,可以使用Adam作为优化器,以均方误差来衡量预测结果与真实标签的差异来得到优化的卷积神经网络模型,函数定义如下。
本发明通过非侵入式的方法获取车辆中原有的行驶数据,并通过设置多种采样模式构建能够表征车辆不同运动状态的车辆行驶数据,进行特征变换和归一化处理后生成能够有效提高神经网络预测结果准确性的行驶数据矩阵,使得神经网络能够基于行驶数据矩阵准确预测车辆重量。同时,通过在神经网络单元构建网络模型时融入分层注意力机制,通过样本集的训练赋予不同车辆行驶状态下采集的行驶数据表征的特征向量的权重,进一步提升了车辆重量的预测准确性,解决了传统的车辆重量检测方法存在的成本高、可靠性差的问题。
相应的,如图2所示,本发明提供,一种车辆重量预测系统,包括:数据采集单元,用于在多种采样模式持续获取车辆行驶数据;数据处理单元,用于对所述车辆行驶数据进行特征变换和归一化处理后生成行驶数据矩阵;神经网络单元,用于构建网络模型并基于所述行驶数据矩阵输出车辆重量数据。其中,数据采集单元可以是内置传感设备获取,例如:GPS传感器、车速传感器等。
进一步的,所述车辆重量预测系统还包括数据存储单元,所述数据存储单元用于存储所述车辆行驶数据、所述行驶数据矩阵、所述车辆重量数据和用于训练预测模型的多组标准行驶数据矩阵。
更进一步的,所述数据存储单元可以是随机存储器RAM、内存、只读存储器ROM、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。
以上对本发明实施例所提供的车辆重量预测方法及其系统进行了详细介绍。说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以对本发明进行若干改进和修饰,这些改进和修饰也落入本发明权利要求的保护范围内。
专业人员还可以进一步意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、计算机软件或者二者的结合来实现,为了清楚地说明硬件和软件的可互换性,在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
结合本文中所公开的实施例描述的方法或算法的步骤可以直接用硬件、处理器执行的软件模块,或者二者的结合来实施。软件模块可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。
Claims (7)
1.一种车辆重量预测方法,其特征在于,包括:
S1:基于多种采样模式持续获取车辆行驶数据,所述车辆行驶数据包括多组行驶子数据集,每组所述行驶子数据集包含的行驶子数据对应的所述采样模式相同且时间戳连续,所述行驶子数据包括所述时间戳、车辆速度数据、车辆经度数据和车辆纬度数据,所述采样模式包括起步模式、转弯模式、爬坡模式和直行模式,所述起步模式和所述转弯模式被配置为,基于第一预设时间间隔周期性地获取所述行驶子数据;所述爬坡模式被配置为,基于第二预设时间间隔周期性地获取所述行驶子数据;所述直行模式被配置为,基于第三预设时间间隔周期性地获取所述行驶子数据,所述S1包括:在车辆初始起步时,数据采集单元在起步模式下基于第一预设时间间隔周期性地获取所述行驶子数据;数据处理单元持续性解析所述车辆行驶数据并转换数据采集单元的所述采样模式,其中,在当前帧的所述车辆速度数据包含的车辆方向数据与上一帧的所述车辆速度数据包含的所述车辆方向数据的差值超过第一阈值的情况下,所述数据处理单元控制所述数据采集单元的采样模式转换为转弯模式;在当前帧的所述车辆经度数据和所述车辆纬度数据与上一帧的所述车辆经度数据和所述车辆纬度数据的一阶差分数值超过第二阈值的情况下,所述数据处理单元控制所述数据采集单元的采样模式转换为爬坡模式;在所述数据处理单元判断车辆不处于起步状态、转弯状态和爬坡状态的情况下,所述数据处理单元控制所述数据处理单元的采样模式转换为直行模式;
S2:对所述车辆行驶数据进行特征变换和归一化处理后生成行驶数据矩阵;
S3:神经网络单元基于所述行驶数据矩阵输出车辆重量数据。
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S2包括:
所述数据处理单元按照所述时间戳升序的方式顺序调用存储于数据存储单元的多组所述行驶子数据集构成的所述车辆行驶数据;
对所述车辆行驶数据进行特征变换和归一化处理后生成归一化数据集;
基于所述车辆行驶数据的分组信息对所述归一化数据集进行分组并构建所述行驶数据矩阵。
3.根据权利要求2所述的车辆重量预测方法,其特征在于,对所述车辆行驶数据进行特征变换和归一化处理,包括:
提取所述车辆行驶数据包含的所述时间戳、车辆速度数据、车辆经度数据和车辆纬度数据作为原始特征数据集;
对所述时间戳、所述车辆速度数据、所述车辆经度数据和所述车辆纬度数据进行一阶差分和二阶差分,并将差分后的特征数据合并至所述原始特征数据集,生成特征变换数据集;
基于离差标准化模型对所述特征变换数据集进行归一化处理,生成归一化数据集。
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S3包括:
构建用于预测车辆重量的网络模型;
获取多组包含不同采样模式下获取的行驶子数据构成的标准行驶数据矩阵并对每组所述标准行驶数据矩阵进行车辆重量标注,生成由多组包含车辆重量信息的标准行驶数据矩阵构成的训练样本集和测试集;
基于所述训练样本集和测试集,对所述网络模型进行训练并验证,生成用于预测车辆重量的预测模型;
将所述行驶数据矩阵输入所述神经网络单元,基于所述预测模型输出所述车辆重量数据。
5.一种车辆重量预测系统,其特征在于,包括:
数据采集单元,用于在多种采样模式持续获取车辆行驶数据,所述车辆行驶数据包括多组行驶子数据集,每组所述行驶子数据集包含的行驶子数据对应的所述采样模式相同且时间戳连续,所述行驶子数据包括所述时间戳、车辆速度数据、车辆经度数据和车辆纬度数据,所述采样模式包括起步模式、转弯模式、爬坡模式和直行模式,所述起步模式和所述转弯模式被配置为,基于第一预设时间间隔周期性地获取所述行驶子数据;所述爬坡模式被配置为,基于第二预设时间间隔周期性地获取所述行驶子数据;所述直行模式被配置为,基于第三预设时间间隔周期性地获取所述行驶子数据;
在车辆初始起步时,数据采集单元在起步模式下基于第一预设时间间隔周期性地获取所述行驶子数据;数据处理单元持续性解析所述车辆行驶数据并转换数据采集单元的所述采样模式,其中,在当前帧的所述车辆速度数据包含的车辆方向数据与上一帧的所述车辆速度数据包含的所述车辆方向数据的差值超过第一阈值的情况下,所述数据处理单元控制所述数据采集单元的采样模式转换为转弯模式;在当前帧的所述车辆经度数据和所述车辆纬度数据与上一帧的所述车辆经度数据和所述车辆纬度数据的一阶差分数值超过第二阈值的情况下,所述数据处理单元控制所述数据采集单元的采样模式转换为爬坡模式;在所述数据处理单元判断车辆不处于起步状态、转弯状态和爬坡状态的情况下,所述数据处理单元控制所述数据处理单元的采样模式转换为直行模式;
所述数据处理单元,用于对所述车辆行驶数据进行特征变换和归一化处理后生成行驶数据矩阵;
神经网络单元,用于构建网络模型并基于所述行驶数据矩阵输出车辆重量数据。
6.根据权利要求5所述的车辆重量预测系统,其特征在于,所述车辆重量预测系统还包括数据存储单元,
所述数据存储单元用于存储所述车辆行驶数据、所述行驶数据矩阵、所述车辆重量数据和用于训练预测模型的多组标准行驶数据矩阵。
7.根据权利要求6所述的车辆重量预测系统,其特征在于,所述数据处理单元按照所述时间戳升序的方式顺序调用存储于所述数据存储单元的多组所述行驶子数据集构成的所述车辆行驶数据,通过对所述车辆行驶数据进行特征变换和归一化处理后生成归一化数据集后,所述数据处理单元基于所述车辆行驶数据的分组信息对所述归一化数据集进行分组并构建所述行驶数据矩阵。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110303367.0A CN113064933B (zh) | 2021-03-22 | 2021-03-22 | 一种车辆重量预测方法及其系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110303367.0A CN113064933B (zh) | 2021-03-22 | 2021-03-22 | 一种车辆重量预测方法及其系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113064933A CN113064933A (zh) | 2021-07-02 |
CN113064933B true CN113064933B (zh) | 2023-04-07 |
Family
ID=76563370
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110303367.0A Active CN113064933B (zh) | 2021-03-22 | 2021-03-22 | 一种车辆重量预测方法及其系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113064933B (zh) |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102142195A (zh) * | 2011-03-16 | 2011-08-03 | 浙江工业大学 | 城市快速公交行驶工况信息的获取方法 |
JP2018106589A (ja) * | 2016-12-28 | 2018-07-05 | パナソニックIpマネジメント株式会社 | 車両軌道予測装置、方法、プログラム及び記録媒体、並びに、警報装置 |
Family Cites Families (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2010033352A (ja) * | 2008-07-29 | 2010-02-12 | Toyota Central R&D Labs Inc | 車線変更警報装置及びプログラム |
CN101696886A (zh) * | 2009-10-29 | 2010-04-21 | 哈尔滨工业大学 | 一种在gps盲区内的电子地图辅助惯性导航方法 |
CN103033832B (zh) * | 2011-09-30 | 2015-10-07 | 上海博泰悦臻电子设备制造有限公司 | 导航系统及道路匹配方法与装置 |
WO2015081546A1 (zh) * | 2013-12-05 | 2015-06-11 | 华为终端有限公司 | 一种确定车辆加速度的方法及装置 |
CN104464375B (zh) * | 2014-11-20 | 2017-05-31 | 长安大学 | 一种识别车辆高速转弯的方法 |
CN106097754B (zh) * | 2016-06-27 | 2019-03-22 | 安徽超远信息技术有限公司 | 一种基于无线通信及卫星型号的移动执法位置获取和校正方法 |
CN106646549A (zh) * | 2016-09-27 | 2017-05-10 | 东软集团股份有限公司 | 一种gps数据采集的控制方法和装置 |
CN108319637A (zh) * | 2017-12-19 | 2018-07-24 | 广州斯沃德科技有限公司 | 行驶轨迹生成方法、装置和定位设备 |
US11686862B2 (en) * | 2018-12-19 | 2023-06-27 | Uber Technologies, Inc. | Inferring vehicle location and movement using sensor data fusion |
CN110195780B (zh) * | 2019-04-29 | 2020-11-13 | 东风商用车有限公司 | 一种重型车自动变速箱坡道换挡控制方法 |
CN112083456B (zh) * | 2020-09-14 | 2023-04-07 | 电子科技大学 | 一种货运状态识别方法、装置、设备及存储介质 |
CN112265546B (zh) * | 2020-10-26 | 2021-11-02 | 吉林大学 | 基于时空序列信息的网联汽车车速预测方法 |
CN112347410B (zh) * | 2020-10-29 | 2022-11-15 | 同济大学 | 一种基于智能手机传感器的婴儿车街道推行环境评价方法 |
-
2021
- 2021-03-22 CN CN202110303367.0A patent/CN113064933B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102142195A (zh) * | 2011-03-16 | 2011-08-03 | 浙江工业大学 | 城市快速公交行驶工况信息的获取方法 |
JP2018106589A (ja) * | 2016-12-28 | 2018-07-05 | パナソニックIpマネジメント株式会社 | 車両軌道予測装置、方法、プログラム及び記録媒体、並びに、警報装置 |
Also Published As
Publication number | Publication date |
---|---|
CN113064933A (zh) | 2021-07-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112700072B (zh) | 交通状况预测方法、电子设备和存储介质 | |
CN110889546B (zh) | 一种基于注意力机制的交通流量模型训练方法 | |
CN111832225B (zh) | 一种构建汽车行驶工况的方法 | |
Jindal et al. | A unified neural network approach for estimating travel time and distance for a taxi trip | |
CN111539454B (zh) | 一种基于元学习的车辆轨迹聚类方法及系统 | |
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 | |
CN110220725B (zh) | 一种基于深度学习与bp集成的地铁车轮健康状态预测方法 | |
Lu et al. | Lane-level traffic speed forecasting: A novel mixed deep learning model | |
CN107563425A (zh) | 一种基于随机森林的隧道运营状态感知模型的建立方法 | |
CN108319909B (zh) | 一种驾驶行为分析方法及系统 | |
CN112085947A (zh) | 一种基于深度学习和模糊聚类的交通拥堵预测方法 | |
CN112883648B (zh) | 汽车油耗预测模型的训练方法、装置、计算机设备 | |
CN116010885A (zh) | 一种长序列条件下的车辆异常时空数据检测方法及系统 | |
US20230267549A1 (en) | Method of predicting the future accident risk rate of the drivers using artificial intelligence and its device | |
CN112083456B (zh) | 一种货运状态识别方法、装置、设备及存储介质 | |
CN114863170A (zh) | 一种基于深度学习的新能源车电池自燃预警方法及装置 | |
CN116206451A (zh) | 一种智慧交通车流数据分析方法 | |
CN113064933B (zh) | 一种车辆重量预测方法及其系统 | |
CN106157657A (zh) | 一种移动用户的运动状态识别系统及其方法 | |
CN110704789A (zh) | 一种依托“城市超脑”计算平台的人口动态测算方法和系统 | |
Wilby et al. | Short-term prediction of level of service in highways based on Bluetooth identification | |
CN115841712A (zh) | 一种基于v2x技术的驾驶数据处理方法、装置及设备 | |
CN118314727B (zh) | 基于机器学习的车辆交通事故实时检测方法及系统 | |
Gernale et al. | Classification and Prediction of Overloaded Trucks Passing the Southbound Lane of North-Luzon Expressway Using Artificial Neural Network | |
CN117975178B (zh) | 一种基于大数据分析的出租车轨迹数据分析方法 |
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 |