CN113091866A - 一种实时测量汽车载重质量的方法与装置 - Google Patents

Abstract

本公开提供了一种实时测量汽车载重质量的方法与装置，其中方法包括：获取安装于车辆的传感器采集的数据，输入循环神经网络模型，得到关于车辆状态的识别结果；对所述数据进行标定，得到不同车辆状态下所述数据的传感器标定系数；针对所述车辆状态，利用所述传感器标定系数，以及所述数据与对应的车辆状态之间的映射关系，建立车辆状态预测模型；根据所述传感器采集的数据，结合所述车辆状态的识别结果，以及所述车辆状态预测模型，得到车辆载重质量的数值。

Description

一种实时测量汽车载重质量的方法与装置

技术领域

本公开涉及实时数据测量技术领域，特别涉及一种实时测量汽车载重质量的方法、装置、电子设备及计算机可读存储介质。

背景技术

众所周知，某些商品，例如水泥，由于其特殊性，比如运输成本较高，生产与销售的半径通常比较近，对于这一类商品，企业可以限制销售区域，在不同的区域制定不同的价格，更好的维护区域市场的价格稳定。因此，需要对车辆流向数据进行统计，及时发现异常的运输车辆。不过，这样的管控方式存在工作量大、发现不及时、处理不及时、监管效率低等问题。

因此，急需一种实时车载称重技术，实现实时的检测车载质量，并上传至系统，以发现中途卸货、换货等问题。

发明内容

有鉴于此，本公开实施例的目的在于提供一种实时测量汽车载重质量的方法，可以实时的根据车辆状态，优化传感器与载重之间的关系曲线，得到更加精确的、符合车辆当前状态的载重质量数据，该称重技术更加贴近实际情况，提高抗外界干扰能力，提高了车载称重技术的精确性。

根据本公开的第一方面，提供了一种实时测量汽车载重质量的方法，包括：

获取安装于车辆的传感器采集的数据，输入循环神经网络模型，得到关于车辆状态的识别结果；

对所述数据进行标定，得到不同车辆状态下所述数据的传感器标定系数；

针对所述车辆状态，利用所述传感器标定系数，以及所述数据与对应的车辆状态之间的映射关系，建立车辆状态预测模型；

根据所述传感器采集的数据，结合所述车辆状态的识别结果，以及所述车辆状态预测模型，得到车辆载重质量的数值。

在一个可能的实施例中，其中，所述循环神经网络模型是由传感器采集的数据为样本数据，以及预先确定的车辆状态的识别结果为样本标签，经过训练后得到的。

在一个可能的实施例中，其中，所述车辆识别的结果包括：静止状态、跑车状态、上货状态、卸货状态、其他状态，其中，静止状态与跑车状态、上货状态、卸货状态、其他状态可以直接转换，跑车状态、上货状态、卸货状态、其他状态之间的转换只能通过先到达静止状态后，再进行转换。

在一个可能的实施例中，其中，所述建立车辆状态预测模型包括：针对识别到的卸货状态，得到传感器卸货开始与卸货完成之间的差值d_ij，其中，i表示传感器个数，j表示上货过程次数，卸货预测模型为：d_ij＝m_i*D_ij+b_i，其中m_i、b_i为不同传感器的预测模型系数，D_ij为传感器上货完成与上货开始之间的差值。

在一个可能的实施例中，所述循环神经网络模型的结构包括：一个含有十个结点的输入层，两个含有十个结点的隐藏层、一个含有一个结点的输出层，输入是时间序列长度为十秒的传感器数据，输出是所述时间序列的第一秒时刻对应的车辆状态。

在一个可能的实施例中，其中，训练所述循环神经网络模型包括：采用时间步长为10的滑动窗口，对模型进行迭代循环训练，训练时采用tanh函数作为隐藏层的激活函数。

在一个可能的实施例中，其中，对所述数据进行标定包括：根据所述车辆状态的识别结果，当车辆状态为上货状态时，计算传感器采集的上货完成与上货开始之间的差值，以及与上货过程相对应的地磅值，建立所述传感器的差值与所述地磅值的映射关系。

根据本公开的第二方面，提供了一种实时测量汽车载重质量的装置，包括：

识别车辆状态单元，用于获取安装于车辆的传感器采集的数据，输入循环神经网络模型，得到关于车辆状态的识别结果；

传感器标定单元，用于对所述数据进行标定，得到不同车辆状态下所述数据的传感器标定系数；

车辆状态预测单元，用于针对所述车辆状态，利用所述传感器标定系数，以及所述数据与对应的车辆状态之间的映射关系，建立车辆状态预测模型；

车辆载重结果单元，用于根据所述传感器采集的数据，结合所述车辆状态的识别结果，以及所述车辆状态预测模型，得到车辆载重质量的数值。

根据本公开的第三方面，提供一种电子设备，包括：存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如第一方面所述的方法。

根据本公开的第四方面，提供一种计算机可读存储介质，所述计算机可读存储介质上存储有可执行指令，该指令被处理器执行时使处理器执行如第一方面所述的方法。

附图说明

为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，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。通过附图所示，本申请的上述及其它目的、特征和优势将更加清晰。在全部附图中相同的附图标记指示相同的部分。并未刻意按实际尺寸等比例缩放绘制附图，重点在于示出本申请的主旨。

图1示出了根据本公开实施例的典型的车辆状态转换的示意图。

图2示出了根据本公开实施例的典型的在车辆上安装传感器的位置的示意图。

图3示出了根据本公开实施例的典型的实时测量汽车载重质量的方法的示意图。

图4示出了根据本公开实施例的典型的循环神经网络模型的结构的示意图。

图5示出了根据本公开实施例的典型的循环神经网络的结点的示意图。

图6示出了根据本公开实施例的典型的实时测量汽车载重质量的装置的示意图。

图7示出了用于实现本公开实施例的电子设备的结构示意图。

具体实施方式

以下，将参照附图来描述本公开的实施例。但是应该理解，这些描述只是示例性的，而并非要限制本公开的范围。此外，在以下说明中，省略了对公知结构和技术的描述，以避免不必要地混淆本公开的概念。

在此使用的术语仅仅是为了描述具体实施例，而并非意在限制本公开。这里使用的词语“一”、“一个(种)”和“该”等也应包括“多个”、“多种”的意思，除非上下文另外明确指出。此外，在此使用的术语“包括”、“包含”等表明了所述特征、步骤、操作和/或部件的存在，但是并不排除存在或添加一个或多个其他特征、步骤、操作或部件。

在此使用的所有术语(包括技术和科学术语)具有本领域技术人员通常所理解的含义，除非另外定义。应注意，这里使用的术语应解释为具有与本说明书的上下文相一致的含义，而不应以理想化或过于刻板的方式来解释。

某些商品，例如水泥，由于其特殊性，比如运输成本较高，生产与销售的半径通常比较近，对于这一类商品，由于错峰生产和区域性限产的增多，水泥企业可以更好的维护好区域市场的价格稳定，但是“窜货”问题的存在却给区域水泥价格增加了不稳定因素。为解决“窜货”问题，可以通过传统的手工方式，对车辆流向数据进行统计。不过，这样的管控方式存在工作量大、发现不及时、处理不及时、监管效率低等问题。

现有技术中，出现了一种水泥流向的管控系统，主要方法是实时监测车载货物的质量，及时发现不在目的地的卸货行为。但是，现有技术中的测量方法，忽略了车辆状态的复杂性、传感器安装的多样性、传感器的不对称性、以及水泥车辆无法用标准砝码进行标定称重。

有鉴于此，本公开实施例的目的在于提供一种实时测量汽车载重质量的方法，能够先根据识别出的车辆状态，有效优化不同状态下传感器与质量之间的关系曲线，使得称重技术更加贴近实际情况，提高抗外界干扰能力，提高车载称重技术的精确性，尤其在车辆处于卸货状态时，依然能够输出正确的载货质量曲线。同时，不需要人为设置异常状态的阈值，增加车辆管控的效率。此外，本公开在进行传感器标定时，可以对接水泥地磅系统，能够通过地磅对车辆进行标定，实现不同类型水泥车辆的标定，可以使得标定工作自动化，减少人力成本。

以下结合附图详细描述本公开。

图1示出了根据本公开实施例的典型的车辆状态转换的示意图。

如图1所示，车辆在完成一次运输动作时，除了上货状态、跑车状态、卸货状态，还有可能出现其他状态，例如车辆维修、车辆颠簸等，这些状态都对传感器信号产生影响，从而影响车辆载重变化的判断。根据实际情况，本公开对车辆状态的识别结果分为五类，分别是：静止状态101、跑车状态102、其他状态103、上货状态104、卸货状态105。其中其他状态可以包括：车辆维修。其中静止状态指车辆处于停放的状态，跑车状态指车辆处于行驶的状态，上货状态指车辆静止，并且车载质量不断增加的状态，卸货状态指车辆静止，并且车载质量不断减小的状态，其他状态主要指车辆处于维修中，或者颠簸中，导致传感器数据没有规律的状态。

由此可见，所述车辆识别的结果包括：静止状态、跑车状态、上货状态、卸货状态、其他状态，其中，静止状态与跑车状态、上货状态、卸货状态、其他状态可以直接转换，跑车状态、上货状态、卸货状态、其他状态之间的转换只能通过先到达静止状态后，再进行转换。例如，跑车状态不能直接转换进入卸货状态，必须经过静止状态这一过程。这一结论与实际车辆的运输过程也相符合，因为一般情况下，车辆会先上货、行驶至目的地，再卸货，车辆在运动状态下一般也无法实现上货、卸货。

图2示出了根据本公开实施例的典型的在车辆上安装传感器的位置的示意图。

由于车辆在行驶中的状态具有复杂性，车辆在完成一次运输动作时，除了上货状态、跑车状态、卸货状态，还有可能出现其他状态，例如车辆维修、车辆颠簸等，这些状态都对传感器信号产生影响，从而影响车辆载重变化的判断。

同时，在车辆上安装传感器的位置具有多样性。由于车辆的不同类型、不同安装位置，甚至不同安装手法都会对传感器信号表现产生影响。现有技术中，需要设定一系列阈值，如低通滤波器的截止频率、时间、变化值，车辆称重的准确性将依赖这些阈值设置的优劣，而且当车辆数目达到一定程度时，这些阈值的设定也将变得繁琐。

在安装传感器时，也不能忽略传感器的不对称性。车辆在运输货物过程中，因车辆状态、路况颠簸、停车位置以及传感器本身的非确定性影响，导致传感器在卸货过程中的数据表现与上货过程呈非对称关系，而现有技术没有将此纳入考虑范围，都是通过上货过程来直接推导卸货过程的重量曲线，是在传感器处于理想情况下对车辆进行车辆称重。

因此，本公开在如图2所示的位置安装传感器。在车辆车桥位置安装应变传感器，将车辆状态通过应变传感器转化为模拟数值。由于车辆会因为货物偏载、车辆停放位置(如处于斜坡)等外界因素而导致的传感器变化具有不对称性，因此在车辆前车桥、后车桥位置上安装传感器，会使得传感器在安装数量最少的情况下能够更好的反映出车辆货物质量。

在一个可能的实施例中，传感器201和传感器202安装于靠近车头205的车桥前轴206处，传感器201与传感器202到车辆外沿的距离相等。传感器203和传感器204安装于靠近车尾208的车桥后轴207处，传感器203与传感器204到车辆外沿的距离相等。这样在车辆上安装传感器，将能最大限度的克服上述的困难。传感器可以在前、后车桥对称地安装偶数数量，可以大于4个。

图3示出了根据本公开实施例的典型的实时测量汽车载重质量的方法的示意图。

参见图3，所述实时测量汽车载重质量的方法包括：

步骤301:获取安装于车辆的传感器采集的数据，输入循环神经网络模型，得到关于车辆状态的识别结果。

在如图2所示的位置上，安装4个应变传感器。应变传感器是测量由物体受力变形所产生的应变的一种传感器，电阻应变片则是其最常采用的传感元件，它是一种能将机械构件上应变的变化转换为电阻变化的传感元件。当车载质量变化时，传感器受到的压力也产生变化，导致传感器应变片的电阻变化，电路中的电流也产生变化，也可以通过电路的特殊设计将电流的变化转化为电压的变化，因此可以找到电阻、电流或电压与车载质量的变化关系，推算出车载质量。也可以使用其他方法获取传感器参数与车载质量之间的关系，本公开对此不做限制。

获得到传感器采集的数据之后，输入到经过训练的循环神经网络模型，可以得到如图1所示的车辆状态的识别结果。但是，如果应用时车辆状态的识别结果出现了异常的车辆状态转换，将不会采用此次的识别结果，比如识别结果在时间上连续，但是这两个状态是不能互相转换的两个状态。

步骤302:对所述数据进行标定，得到不同车辆状态下所述数据的传感器标定系数。

首先，建立质量模型，一个可能的方法是，获取步骤301中识别到的上货状态的数据，得到传感器上货完成与上货开始之间的差值D_ij，其中i代表传感器，j表示上货过程次数。通常，i＝4，j＝10,因为根据工程经验得到，10组数据可以对4个传感器进行标定，且精度在5％的可接受范围内。

其次，对接地磅系统，获取与上货过程相对应的地磅值W_j，建立传感器差值与重量数值的映射关系。一个建立映射关系的方法是，求解线性回归方程W_j＝k_i*D_ij，得到k的系数即为传感器标定系数。

再次，由于传感器的老化、损耗等原因，需要在一定使用时间后，对传感器进行再次标定，以保证实时测量汽车车载质量算法的准确性。因此，在一个可能的实施例中，本公开设置的周期为1个月，每个周期重复执行标定一次，得到新的传感器标定系数，使算法输出的车载质量数据输出更加精准可靠。

最后，在对所述数据进行标定时，当出现传感器异常情况时，可剔除错误传感器并重新标定，得到正确的传感器标定系数，确保算法的准确性。

步骤303:针对所述车辆状态，利用所述传感器标定系数，以及所述数据与对应的车辆状态之间的映射关系，建立车辆状态预测模型。

由于传感器的变化是非绝对对称的，即传感器在上货过程中的变化并非绝对等于传感器在卸货过程中的变化，那么建立上货与卸货过程的预测模型是有必要的。这样能更加精确的输出车辆在卸货过程中的车载质量变化情况。

一种建立上货与卸货过程的车辆状态预测模型的方法是，获取步骤301中识别到的卸货状态的对应传感器数据，得到传感器卸货开始与卸货完成之间的差值d_ij，其中i代表传感器，j表示卸货过程次数。同样的，通常，i＝4，j＝10,因为根据工程经验得到，10组数据可以对4个传感器进行标定，且精度在5％的可接受范围内。

建立不同传感器上货与卸货过程对应的映射关系，求解线性回归方程得到卸货预测模型为：d_ij＝m_i*D_ij+b_i，其中m_i、b_i为不同传感器的预测模型系数。

步骤304:根据所述传感器采集的数据，结合所述车辆状态的识别结果，以及所述车辆状态预测模型，得到车辆载重质量的数值。

根据步骤301得到的车辆状态，在车辆状态识别结果为上货状态和卸货状态时，利用步骤303的车辆状态预测模型，可以更精细化的得到车载质量与传感器变化的关系，求得更加精准的车载质量曲线。

通过如图3所示的方法，可以自动识别车辆状态，不需要人为设置传感器阈值，减少了阈值设置的优劣影响测量车载质量的风险，能深入分析传感器数据的变化情况，建立上货过程与卸货过程的车辆状态预测模型，增强了抗外界干扰能力，使得车辆在卸货时，依然能够输出正确的质量曲线，提高卸货过程的质量曲线精度，提高了测量车载质量的精确性。此外，由于对接了地磅系统，能够通过地磅对车辆进行标定，实现不同类型车辆的标定，可以使得标定工作自动化，减少人力成本。

图4示出了根据本公开实施例的典型的循环神经网络模型的结构的示意图。

在一个可能的实施例中，所述循环神经网络模型是由传感器采集的数据为样本数据，以及预先确定的车辆状态的识别结果为样本标签，经过训练后得到的。所述循环神经网络模型的结构包括：一个含有十个结点的输入层401，两个含有十个结点的隐藏层402和隐藏层403、一个含有一个结点的输出层404，其中，输入是时间序列长度为10秒的传感器数据，输出是所述时间序列的第一秒时刻对应的车辆状态。

应变传感器安装完毕后，采集车辆在不同状态下的传感器数据，将数据分别为训练数据集和测试数据集，并分别进行数据状态分类，标记对应状态标签。这里一共分为：静止、跑车、其他、上货、卸货五类状态，状态标签记为：0，1，2，3，4。

如前文所述，由于前一车辆状态对后一车辆状态将产生影响这一特殊属性，比如前一状态是静止，那么后一状态可能是跑车、上货、卸货等多种情况，但是前一状态是运动，那么后一状态不可能是上货、卸货等情况，即这是一个时间序列问题。因此本公开采用循环神经网络(RNN)模型对传感器数据进行分类处理，因为RNN模型通过使用带自反馈的神经元，使得网络的输出不仅和当前的输入有关，还和上一时刻的输出相关，于是具有短期记忆能力，能够更好的对车辆状态进行训练识别。

图5示出了根据本公开实施例的典型的循环神经网络的结点的示意图。

在一个可能的实施例中，RNN模型网络的每一个结点按时间展开过程如图5所示，其中，t是时刻，Xt是t时刻神经网络的输入，U是输入层到隐藏层之间的权重矩阵，W是记忆单元到隐藏层之间的权重矩阵，V是隐藏层到输出层之间的权重矩阵，S是隐藏层的输出，同时也保存到记忆单元，并与下一时刻的X一起作为输入，O是神经网络的输出。

在一个可能的实施例中，训练所述循环神经网络模型包括：采用时间步长为10的滑动窗口，对模型进行迭代循环训练，训练时采用tanh函数作为隐藏层的激活函数。本公开构建的RNN模型结构为每输入10秒传感器数据，经过两个隐藏层，输出第一秒传感器数据对应的状态标签。

根据已经分类完成的训练数据，令传感器数值为x_ij，(i∈1,2,…N；j∈1,2,..M)，其中N为传感器个数，M为训练数据长度。通常，根据工程经验，N＝4，M＝18000(M＝18000为5天数据量，一般情况下，数据量越多，模型越精准，根据经验，5天左右数据量可以包括车辆的所有状态，且模型精度较高)。令对应的传感器状态标签为y_j(j∈1,2,…M)。提取传感器差分特征矩阵X_it＝x_ij-x_ij-1作为模型输入，采用时间步长为10(10个采样周期)的滑动窗口，对该模型进行迭代循环训练。采用tanh作为隐藏层的激活函数。即：

S_t＝f(UX_t+WS_t-1)＝tanh(UX_t+WS_t-1)

采用softmax作为输出层的激活函数，即：

O_t＝softmax(VS_t)

通过上述方法训练可得具备识别车辆状态能力的循环神经网络模型。

由于经过上述方法训练的循环神经网络模型可以准确的识别出车辆状态，因为如图2所示，车辆的五种状态之间并非是自由转换的关系，而是具有一定的逻辑关系。利用循环神经网络的短期记忆功能，可以精确识别出与时间序列有关的不同状态，迅速发现在逻辑上有错误的识别结果。具有短期记忆功能的模型在训练阶段能更好的发现采集到的传感器数据与车辆状态之间的隐含关系，在合理调整训练方法之后，能得到符合误差要求的模型，为接下来的步骤提供正确的识别结果，使得实时测量车载质量的算法与车辆状态有关，尤其是在卸货状态时，更加贴近实际情况，提高了抗外界干扰能力，提高了输出的车载质量的精确性。

因此对于通过步骤303建立的车辆状态预测模型来说，提供了可靠的数据支持，在卸货时传感器表现出与上货时的非对称性特性时，也能有效地精确地建立在实际情况下的车载质量曲线，并非通过上货过程来直接推导卸货过程的车载质量曲线。由于卸货过程的车载质量被实时和准确的检测到了，所以可以实时和准确的知道运输车辆在路途中是否存在掉包和换货的行为，更好的实现了车辆的流向管控，提高了管控效率。

同时，通过循环神经网络模型识别的车辆状态，无需设定一系列传感器阈值，使测量车载质量的准确性不依赖这些阈值设置的优劣。而且解决了当车辆数目达到一定程度时，这些阈值的设定也将变得繁琐的问题，无需再针对不同车辆，设定不同的阈值，减少了工作量和工作强度，也不容易出现人工带来的差错。

图6示出了根据本公开实施例的典型的实时测量汽车载重质量的示意图。

实时测量汽车载重质量600可以包括：

识别车辆状态单元601，用于获取安装于车辆的传感器采集的数据，输入循环神经网络模型，得到关于车辆状态的识别结果；

传感器标定单元602，用于对所述数据进行标定，得到不同车辆状态下所述数据的传感器标定系数；

车辆状态预测单元603，用于针对所述车辆状态，利用所述传感器标定系数，以及所述数据与对应的车辆状态之间的映射关系，建立车辆状态预测模型；

车辆载重结果单元604，用于根据所述传感器采集的数据，结合所述车辆状态的识别结果，以及所述车辆状态预测模型，得到车辆载重质量的数值。

在一个可能的实施例中，其中，所述循环神经网络模型是由传感器采集的数据为样本数据，以及预先确定的车辆状态的识别结果为样本标签，经过训练后得到的。

在一个可能的实施例中，其中，所述车辆识别的结果包括：静止状态、跑车状态、上货状态、卸货状态、其他状态，其中，静止状态与跑车状态、上货状态、卸货状态、其他状态可以直接转换，跑车状态、上货状态、卸货状态、其他状态之间的转换只能通过先到达静止状态后，再进行转换。

在一个可能的实施例中，其中，如果应用时车辆状态的识别结果出现了异常的车辆状态转换，将不会采用此次的识别结果。

在一个可能的实施例中，其中，所述建立车辆状态预测模型包括：针对识别到的卸货状态，得到传感器卸货开始与卸货完成之间的差值d_ij，其中，i表示传感器个数，j表示上货过程次数，卸货预测模型为：d_ij＝m_i*D_ij+b_i，其中m_i、b_i为不同传感器的预测模型系数，D_ij为传感器上货完成与上货开始之间的差值。

在一个可能的实施例中，其中，所述循环神经网络模型的结构包括：一个含有十个结点的输入层，两个含有十个结点的隐藏层、一个含有一个结点的输出层，输入是时间序列长度为十秒的传感器数据，输出是所述时间序列的第一秒时刻对应的车辆状态。

在一个可能的实施例中，其中，训练所述循环神经网络模型包括：采用时间步长为10的滑动窗口，对模型进行迭代循环训练，训练时采用tanh函数作为隐藏层的激活函数。

在一个可能的实施例中，其中，对所述数据进行标定包括：根据所述车辆状态的识别结果，当车辆状态为上货状态时，计算传感器采集的上货完成与上货开始之间的差值，以及与上货过程相对应的地磅值，建立所述传感器的差值与所述地磅值的映射关系。

在一个可能的实施例中，其中，在对所述数据进行标定时，当出现传感器异常情况时，剔除异常传感器的数据后，再计算得到正确的传感器标定系数。

图7示出了用于实现本公开的实施例的电子设备的结构示意图。如图7所示，电子设备700包括中央处理单元(CPU)701，其可以根据存储在只读存储器(ROM)702中的程序或者从存储部分708加载到随机访问存储器(RAM)703中的程序而执行各种适当的动作和处理。在RAM703中，还存储有电子设备700操作所需的各种程序和数据。CPU 701、ROM 702以及RAM 703通过总线704彼此相连。输入/输出(I/O)接口705也连接至总线704。

以下部件连接至I/O接口705：包括键盘、鼠标等的输入部分706；包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分707；包括硬盘等的存储部分708；以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分709。通信部分709经由诸如因特网的网络执行通信处理。驱动器710也根据需要连接至I/O接口705。可拆卸介质711，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器710上，以便于从其上读出的计算机程序根据需要被安装入存储部分708。

特别地，根据本公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，包括承载指令的在计算机可读介质，在这样的实施例中，该指令可以通过通信部分709从网络上被下载和安装，和/或从可拆卸介质711被安装。在该指令被中央处理单元(CPU)701执行时，执行本公开中描述的各个方法步骤。

尽管已经描述了示例实施例，但是对于本领域技术人员来说显而易见的是，在不脱离本公开构思的精神和范围的情况下，可以进行各种改变和修改。因此，应当理解，上述示例实施例不是限制性的，而是说明性的。

Claims (10)

1.一种实时测量汽车载重质量的方法，包括：

获取安装于车辆的传感器采集的数据，输入循环神经网络模型，得到关于车辆状态的识别结果；

对所述数据进行标定，得到不同车辆状态下所述数据的传感器标定系数；

针对所述车辆状态，利用所述传感器标定系数，以及所述数据与对应的车辆状态之间的映射关系，建立车辆状态预测模型；

根据所述传感器采集的数据，结合所述车辆状态的识别结果，以及所述车辆状态预测模型，得到车辆载重质量的数值。

2.如权利要求1所述的方法，其中，所述循环神经网络模型是由传感器采集的数据为样本数据，以及预先确定的车辆状态的识别结果为样本标签，经过训练后得到的。

3.如权利要求1所述的方法，其中，所述车辆识别的结果包括：静止状态、跑车状态、上货状态、卸货状态、其他状态，其中，静止状态与跑车状态、上货状态、卸货状态、其他状态可以直接转换，跑车状态、上货状态、卸货状态、其他状态之间的转换只能通过先到达静止状态后，再进行转换。

4.如权利要求1所述的方法，其中，所述建立车辆状态预测模型包括：针对识别到的卸货状态，得到传感器卸货开始与卸货完成之间的差值d_ij，其中，i表示传感器个数，j表示上货过程次数，卸货预测模型为：d_ij＝m_i*D_ij+b_i，其中m_i、b_i为不同传感器的预测模型系数，D_ij为传感器上货完成与上货开始之间的差值。

5.如权利要求1所述的方法，其中，所述循环神经网络模型的结构包括：一个含有十个结点的输入层，两个含有十个结点的隐藏层、一个含有一个结点的输出层，输入是时间序列长度为十秒的传感器数据，输出是所述时间序列的第一秒时刻对应的车辆状态。

6.如权利要求2所述的方法，其中，训练所述循环神经网络模型包括：采用时间步长为10的滑动窗口，对模型进行迭代循环训练，训练时采用tanh函数作为隐藏层的激活函数。

7.如权利要求1所述的方法，其中，对所述数据进行标定包括：根据所述车辆状态的识别结果，当车辆状态为上货状态时，计算传感器采集的上货完成与上货开始之间的差值，以及与上货过程相对应的地磅值，建立所述传感器的差值与所述地磅值的映射关系。

8.一种实时测量汽车载重质量的装置，包括：

识别车辆状态单元，用于获取安装于车辆的传感器采集的数据，输入循环神经网络模型，得到关于车辆状态的识别结果；

传感器标定单元，用于对所述数据进行标定，得到不同车辆状态下所述数据的传感器标定系数；

车辆状态预测单元，用于针对所述车辆状态，利用所述传感器标定系数，以及所述数据与对应的车辆状态之间的映射关系，建立车辆状态预测模型；

车辆载重结果单元，用于根据所述传感器采集的数据，结合所述车辆状态的识别结果，以及所述车辆状态预测模型，得到车辆载重质量的数值。

9.一种电子设备，包括：

一个或多个处理器；

存储器，用于存储一个或多个程序；

其中，当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器执行如权利要求1至7任一项所述方法。

10.一种计算机可读存储介质，其上存储有可执行指令，所述可执行指令被处理器执行时使处理器执行如权利要求1至7任一项所述方法。

Images