CN113128929A - 车辆载重状态的识别方法、装置、计算机设备和介质 - Google Patents
车辆载重状态的识别方法、装置、计算机设备和介质 Download PDFInfo
- Publication number
- CN113128929A CN113128929A CN202110360951.XA CN202110360951A CN113128929A CN 113128929 A CN113128929 A CN 113128929A CN 202110360951 A CN202110360951 A CN 202110360951A CN 113128929 A CN113128929 A CN 113128929A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- historical
- load state
- data
- load
- 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.)
- Pending
Links
Images
Classifications
-
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/20—Ensemble learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/01—Dynamic search techniques; Heuristics; Dynamic trees; Branch-and-bound
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Business, Economics & Management (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Economics (AREA)
- Medical Informatics (AREA)
- Marketing (AREA)
- Development Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Human Resources & Organizations (AREA)
- Computational Linguistics (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本公开提供了一种车辆载重状态的识别方法、装置、计算机设备和介质。该方法包括:获取车辆所执行的货运任务的装货点地址、卸货点地址、驾驶行为数据,其中,驾驶行为数据包括车辆执行货运任务期间的行驶速度、载重数据、车辆位置数据;基于车辆所执行的货运任务的装货点地址、卸货点地址、驾驶行为数据,得到载重状态识别参数;将载重状态识别参数输入车辆载重状态识别模型,由车辆载重状态识别模型得到车辆的载重状态。本公开实施例提高了车辆载重状态的识别准确率。
Description
技术领域
本公开涉及车辆管理技术领域,更具体而言,涉及一种车辆载重状态的识别方法、装置、计算机设备和介质。
背景技术
车辆载重状态是在执行货运任务过程中车辆的载货情况,一般来说,车辆载重状态包括空载、装货、满载和卸货。识别车辆载重状态的用途包括车辆调度、以及车辆执行货运任务过程中的装卸货时间安排等。目前在进行载重状态识别时,主要依赖车辆载重数据识别车辆载重状态。如果载重数据在某一个低水平区间内,则车辆载重状态为空载;如果载重数据在某一个较高水平区间内,则车辆载重状态为满载。但检测到的载重数据受到多种因素的影响,例如,车辆进入山区或隧道后检测到的载重数据的信号易丢失、车辆爬坡时载重数据偏大而下坡时载重数据偏小、路况颠簸时载重数据会发生陡增或突降等。检测到的载重数据的误差易导致车辆载重状态的识别结果与车辆的实际载重状态不符,这降低了车辆载重状态的识别准确率。
公开内容
有鉴于此,本公开提供了一种车辆载重状态的识别方法、装置、计算机设备和介质,提高了车辆载重状态的识别准确率。
根据本公开的一个方面,提供了一种车辆载重状态的识别方法,包括:
获取车辆所执行的货运任务的装货点地址、卸货点地址、驾驶行为数据,其中,所述驾驶行为数据包括所述车辆执行所述货运任务期间的行驶速度、载重数据、车辆位置数据;
基于所述车辆所执行的货运任务的装货点地址、卸货点地址、驾驶行为数据,得到载重状态识别参数;
将所述载重状态识别参数输入车辆载重状态识别模型,由所述车辆载重状态识别模型得到所述车辆的载重状态。
可选地,所述获取车辆所执行的货运任务的装货点地址、卸货点地址、驾驶行为数据包括:
获取所述车辆在执行所述货运任务期间的当前时刻的驾驶行为数据、和所述当前时刻前的至少一个相邻时刻的驾驶行为数据;
所述基于所述车辆所执行的货运任务的装货点地址、卸货点地址、驾驶行为数据,得到载重状态识别参数包括:
基于所述车辆的位置数据、所述装货点地址和所述卸货点地址,计算在所述当前时刻所述车辆与所述装货点的距离、所述车辆与所述卸货点的距离、以及在所述当前时刻前的至少一个相邻时刻所述车辆与所述装货点的距离、所述车辆与所述卸货点的距离;
计算所述当前时刻、和所述当前时刻前的至少一个相邻时刻的所述车辆与所述装货点的距离的均值、所述车辆与所述卸货点的距离的均值、所述行驶速度的均值和所述载重数据的均值,得到所述当前时刻的所述载重状态识别参数。
可选地,所述基于所述车辆的位置数据、所述装货点地址和所述卸货点地址,计算在所述当前时刻所述车辆与所述装货点的距离、所述车辆与所述卸货点的距离、以及在所述当前时刻前的至少一个相邻时刻所述车辆与所述装货点的距离、所述车辆与所述卸货点的距离后,所述基于所述车辆所执行的货运任务的装货点地址、卸货点地址、驾驶行为数据,得到载重状态识别参数还包括:
校准所述当前时刻、和所述当前时刻前的至少一个相邻时刻的所述车辆与所述装货点的距离、所述车辆与所述卸货点的距离、所述行驶速度和所述载重数据。
可选地,所述将所述载重状态识别参数输入车辆载重状态识别模型,由所述车辆载重状态识别模型得到所述车辆的载重状态前,所述识别方法还包括:
建立所述车辆载重状态识别模型。
可选地,所述建立所述车辆载重状态识别模型包括:
建立所述车辆的车辆载重状态识别目标模型;
基于历史上所述车辆所执行的货运任务的装货点地址、卸货点地址、驾驶行为数据,训练所述车辆载重状态识别目标模型,得到所述车辆的车辆载重状态识别模型。
可选地,所述基于历史上所述车辆所执行的货运任务的装货点地址、卸货点地址、驾驶行为数据,训练所述车辆载重状态识别目标模型,得到所述车辆的车辆载重状态识别模型包括:
获取历史上所述车辆所执行货运任务的历史装货点地址、历史卸货点地址、历史驾驶行为数据;
基于所述历史装货点地址、历史卸货点地址、历史驾驶行为数据,得到载重状态识别训练参数;
获取历史上所述车辆执行货运任务期间所述车辆的历史载重状态;
由所述历史载重状态和所述载重状态识别训练参数得到训练集和测试集,基于所述训练集和测试集,得到所述车辆载重状态识别模型。
可选地,所述基于所述历史装货点地址、历史卸货点地址、历史驾驶行为数据,得到载重状态识别训练参数包括:
基于历史上所述车辆执行货运任务期间的历史车辆位置数据、所述历史装货点地址和所述历史卸货点地址,计算历史上所述车辆执行货运任务期间所述车辆与历史装货点的距离、所述车辆与历史卸货点的距离;
计算历史上所述车辆执行货运任务期间的历史时刻、和所述历史时刻前的至少一个相邻时刻的所述车辆与历史装货点的距离的均值、所述车辆与历史卸货点的距离的均值、历史行驶速度的均值和历史载重数据的均值,得到所述历史时刻的载重状态识别训练参数。
可选地,所述基于历史上所述车辆执行货运任务期间的历史车辆位置数据、所述历史装货点地址和所述历史卸货点地址,计算历史上所述车辆执行货运任务期间所述车辆与历史装货点的距离、所述车辆与历史卸货点的距离之后,所述基于所述历史装货点地址、历史卸货点地址、历史驾驶行为数据,得到载重状态识别训练参数还包括:
校准历史上所述车辆执行货运任务期间所述车辆与历史装货点的距离、所述车辆与历史卸货点的距离、历史行驶速度和历史载重数据。
可选地,所述获取历史上所述车辆执行货运任务期间所述车辆的历史载重状态包括:
将历史上所述车辆执行货运任务期间的历史载重数据聚类,得到所述历史载重数据的聚类标签;
根据所述历史载重数据的聚类标签,得到所述车辆的历史载重数据的变化趋势;
对所述车辆的历史载重数据的变化趋势进行数据拟合,由拟合曲线得到历史上所述车辆执行货运任务的历史载重状态。
可选地,所述将历史上所述车辆执行货运任务期间的历史载重数据聚类,得到所述历史载重数据的聚类标签前,所述获取历史上所述车辆执行货运任务期间所述车辆的历史载重状态还包括:
获取历史上所述车辆执行货运任务的预计任务开始时刻和预计任务结束时刻;
扩展所述预计任务开始时刻和预计任务结束时刻,得到历史上所述车辆执行货运任务的有效任务执行时间;
基于所述车辆的最大载重量,在所述车辆的所述有效任务执行时间内的历史载重数据中筛选出有效的历史载重数据。
根据本公开的一个方面,提供了一种车辆载重状态的识别装置,包括:
载重状态识别参数获取单元,用于基于车辆所执行的货运任务的装货点地址、卸货点地址、驾驶行为数据,得到载重状态识别参数,其中,所述驾驶行为数据包括所述车辆执行所述货运任务期间的行驶速度、载重数据、车辆位置数据;
车辆载重状态识别单元,用于将所述载重状态识别参数输入车辆载重状态识别模型,由所述车辆载重状态识别模型得到所述车辆的载重状态。
根据本公开的一个方面,提供了一种计算机设备,包括:存储器,用于存储计算机可执行代码;处理器,用于执行所述计算机可执行代码,以实现如上所述的方法。
根据本公开的一个方面,提供了一种计算机可读介质,包括计算机可执行代码,所述计算机可执行代码被处理器执行时实现如上所述的方法。
在本公开实施例中,将载重状态识别参数输入车辆载重状态识别模型,由车辆载重状态识别模型得到车辆的载重状态。载重状态识别参数是基于车辆所执行的货运任务的装货点地址、卸货点地址、驾驶行为数据得到的。驾驶行为数据包括车辆执行货运任务期间的行驶速度、载重数据、车辆位置数据。在由车辆载重状态识别模型得到车辆的载重状态的过程中,不依赖于人工,提高了自动化程度。由于识别车辆的载重状态时,不仅依靠车辆的载重数据,还依靠车辆执行货运任务期间的行驶速度、车辆位置数据,以及货运任务对应的装货点地址和卸货点地址,使识别到的载重状态与车辆执行货运任务期间的车辆行驶特征(载重数据、行驶速度和车辆位置数据)联系更紧密,更有针对性,提高了识别的车辆载重状态的准确率。与仅依靠车辆的载重数据识别车辆载重状态相比,本公开实施例的车辆载重状态的识别方法降低了车辆载重数据的误差对车辆载重状态的识别结果的影响,进而提高了识别的车辆载重状态的准确率。
附图说明
通过参考以下附图对本公开实施例的描述,本公开的上述以及其它目的、特征和优点将更为清楚,在附图中:
图1示出了根据本公开实施例的车辆载重状态的识别方法所应用的体系架构图。
图2示出了根据本公开一个实施例的数据采集模块的内部模块的交互的图。
图3示出了根据本公开一个实施例的车辆载重状态的识别方法的流程图。
图4示出了根据本公开一个实施例的车辆载重状态识别模型的建立方法的流程图。
图5示出了根据本公开一个实施例的车辆载重状态识别模型的建立方法的流程图。
图6示出了根据本公开一个实施例的历史载重状态的获取方法的流程图。
图7示出了根据本公开一个实施例的历史载重状态的可视化图。
图8示出了根据本公开一个实施例的车辆载重状态的识别装置的结构示意图。
图9示出了根据本公开一个实施例的车辆载重状态的识别控制设备的结构示意图。
具体实施方式
以下基于实施例对本公开进行描述,但是本公开并不仅仅限于这些实施例。在下文对本公开的细节描述中,详尽描述了一些特定的细节部分。对本领域技术人员来说没有这些细节部分的描述也可以完全理解本公开。为了避免混淆本公开的实质,公知的方法、过程、流程没有详细叙述。另外附图不一定是按比例绘制的。
图1示出了根据本公开实施例的车辆载重状态的识别方法所应用的体系架构图。该体系构架100包括车辆载重状态识别服务器110和数据库120。车辆载重状态识别服务器110包括数据采集模块111、模型训练模块112和车辆载重状态识别模块113。
车辆载重状态是在执行货运任务过程中车辆的载货情况。货运任务是指将指定的货运对象由装货点地址运输至卸货点地址的任务。在执行货运任务过程中,车辆的载重状态包括空载、装货、满载和卸货。空载是车辆在未装载货运对象的情况下,前往装货点前或离开卸货点之后车辆的载重状态。满载是车辆在装满货运对象的情况下,将货运对象由装货点运输至卸货点的过程中车辆的载重状态。装货是车辆在装货点装载货运对象的过程,在此过程中车辆的载重状态由空载向满载转变。卸货是车辆在卸货点卸载货运对象的过程,在此过程中车辆的载重状态由满载向空载转变。在执行货运任务过程中车辆生成驾驶行为数据,数据库120用于存储车辆生成的驾驶行为数据。
车辆载重状态识别服务器110用于识别车辆的载重状态。其中,数据采集模块111用于采集车辆执行货运任务期间的驾驶行为数据,将采集到的驾驶行为数据存储至数据库120。模型训练模块112用于基于历史上车辆执行货运任务期间的历史载重数据得到车辆的历史载重状态,将历史载重状态存储至数据库120,还用于基于历史上车辆所执行的货运任务的历史装货点地址、历史卸货点地址、历史驾驶行为数据和历史载重状态,建立车辆的车辆载重状态识别模型。车辆载重状态识别模块113用于基于车辆正在执行的货运任务对应的装货点地址和卸货点地址,以及在执行货运任务期间的驾驶行为数据,利用车辆载重状态识别模型,识别得到当前时刻的车辆载重状态。
上述的车辆载重状态识别服务器110可以体现为单台计算机的形式,也可以体现为多台计算机构成的集合,还可以体现为云的形式。当车辆载重状态识别服务器110体现为多台计算机构成的集合时,多台计算机相互配合,各自完成一部分车辆载重状态识别工作。当车辆载重状态识别服务器110体现为云的形式时,由云端的一系列计算机或计算机上的部分构成。
上述的数据采集模块111、模型训练模块112和车辆载重状态识别模块113可以是单台计算机,也可以是单台计算机的一部分,例如在单台物理机上划分出的虚拟机。在一些情况下,车辆载重状态识别服务器110可以是单台计算机,数据采集模块111、模型训练模块112和车辆载重状态识别模块113可以是该计算机上划分出的虚拟机。
图2示出了根据本公开一个实施例的数据采集模块的内部模块的交互的图。如图2所示,该数据采集模块111包括微处理器210、重量传感器220、GPS模块230、速度传感器240、GPRS通信模块250、存储器260、通信接口270、北斗模块280和APP程序接口290。
数据采集模块111采集的驾驶行为数据包括车辆执行货运任务期间的行驶速度、载重数据、车辆位置数据。微处理器210是实现采集驾驶行为数据的控制的处理器。重量传感器220用于检测执行货运任务期间的车辆的载重数据。GPS模块230是利用全球定位系统的定位模型。北斗模块280是利用中国北斗卫星导航系统的定位模块。GPS模块230和北斗模块280用于采集执行货运任务期间的车辆位置数据。速度传感器240用于检测执行货运任务期间的车辆的行驶速度。GPRS(通用无线分组业务)通信模块250和通信接口270实现数据采集模块111与数据库120之间的数据传输。存储器260用于存储重量传感器220、GPS模块230、北斗模块280和速度传感器240采集的驾驶行为数据。例如,存储器260为缓存存储器。APP程序接口290用于与本地客户端通信,本地客户端中安装有用于查看车辆载重状态的识别结果、以及驾驶行为数据等信息的应用程序APP。
图3示出了根据本公开一个实施例的车辆载重状态的识别方法的流程图。本公开实施例提供的车辆载重状态的识别方法可以由车辆载重状态识别服务器110执行。本公开实施例提供的车辆载重状态的识别方法具体包括以下步骤:
在步骤310、获取车辆所执行的货运任务的装货点地址、卸货点地址、驾驶行为数据,其中,所述驾驶行为数据包括所述车辆执行所述货运任务期间的行驶速度、载重数据、车辆位置数据。
在该步骤中,获取车辆正在执行的货运任务的装货点地址和卸货点地址,获取车辆在执行货运任务期间的当前时刻的驾驶行为数据、所述当前时刻前的至少一个相邻时刻的驾驶行为数据。驾驶行为数据包括车辆执行货运任务期间的行驶速度、载重数据和车辆位置数据。该步骤可以由数据采集模块111执行。
车辆的载重状态具有连续性和突变性。也就是说,在车辆执行货运任务期间车辆的载重状态(空载、装货、满载和卸货中的一个)持续时间较长,而载重状态的转变(例如,由空载转变为装货)是突然改变的。因此,可以借助于车辆在执行货运任务期间的当前时刻前的至少一个相邻时刻的载重状态来实时预测在当前时刻车辆的载重状态。考虑到用于识别车辆载重状态的车辆载重状态识别模型的预测性,在获取车辆所执行的货运任务的驾驶行为数据时,不仅获取车辆在执行货运任务期间的当前时刻的驾驶行为数据,而且获取所述当前时刻前的至少一个相邻时刻的驾驶行为数据。
在步骤320、基于所述车辆所执行的货运任务的装货点地址、卸货点地址、驾驶行为数据,得到载重状态识别参数。
在该步骤中,基于车辆在执行货运任务期间的当前时刻的驾驶行为数据、所述当前时刻前的至少一个相邻时刻的驾驶行为数据以及货运任务对应的装货点地址和卸货点地址,得到所述当前时刻的载重状态识别参数。该步骤可以由车辆载重状态识别模块113执行。
在一些实施例中,基于车辆的位置数据、装货点地址和卸货点地址,计算在所述当前时刻车辆与装货点的距离、车辆与卸货点的距离、以及在所述当前时刻前的至少一个相邻时刻车辆与装货点的距离、车辆与卸货点的距离。计算所述当前时刻、和所述当前时刻前的至少一个相邻时刻的车辆与装货点的距离的均值,计算所述当前时刻、和所述当前时刻前的至少一个相邻时刻的车辆与卸货点的距离的均值,计算所述当前时刻、和所述当前时刻前的至少一个相邻时刻的行驶速度的均值,计算所述当前时刻、和所述当前时刻前的至少一个相邻时刻的载重数据的均值。由所述车辆与装货点的距离的均值、车辆与卸货点的距离的均值、行驶速度的均值和载重数据的均值得到所述当前时刻的载重状态识别参数。
在一些实施例中,基于车辆的位置数据、装货点地址和卸货点地址,计算在所述当前时刻车辆与装货点的距离、车辆与卸货点的距离、以及在所述当前时刻前的至少一个相邻时刻车辆与装货点的距离、车辆与卸货点的距离后,接着,校准所述当前时刻的车辆与装货点的距离、车辆与卸货点的距离、行驶速度和载重数据、和所述当前时刻前的至少一个相邻时刻的车辆与装货点的距离、车辆与卸货点的距离、行驶速度和载重数据。例如,将所述当前时刻的车辆与装货点的距离校准为所述当前时刻的车辆与装货点的距离除以装货点和卸货点间的距离。将所述当前时刻前的至少一个相邻时刻的车辆与装货点的距离校准为所述当前时刻前的至少一个相邻时刻的车辆与装货点的距离除以装货点和卸货点间的距离。将所述当前时刻的车辆与卸货点的距离校准为所述当前时刻的车辆与卸货点的距离除以装货点和卸货点间的距离。将所述当前时刻前的至少一个相邻时刻的车辆与卸货点的距离校准为所述当前时刻前的至少一个相邻时刻的车辆与卸货点的距离除以装货点和卸货点间的距离。将所述当前时刻的车辆的行驶速度校准为行驶速度除以第一校准值,行驶速度的单位为公里/小时,第一校准值例如是80。将所述当前时刻前的至少一个相邻时刻的车辆的行驶速度校准为行驶速度除以第一校准值。将所述当前时刻的车辆的载重数据校准为行驶速度除以第二校准值,载重数据的单位为千克,第二校准值例如是3200。将所述当前时刻前的至少一个相邻时刻的车辆的载重数据校准为载重数据除以第二校准值。
在一些实施例中,在执行步骤330前,车辆载重状态的识别方法还包括:建立车辆载重状态识别模型。图4示出了根据本公开一个实施例的车辆载重状态识别模型的建立方法的流程图。本公开实施例提供的车辆载重状态识别模型的建立方法可以由模型训练模块112执行。本公开实施例提供的车辆载重状态识别模型的建立方法具体包括以下步骤:
在步骤410、建立所述车辆的车辆载重状态识别目标模型。
在该步骤中,基于机器学习算法建立车辆的车辆载重状态识别目标模型。例如,机器学习算法是随机森林算法。由于随机森林算法是已有技术,这里就不再详述。
在步骤420、基于历史上所述车辆所执行的货运任务的装货点地址、卸货点地址、驾驶行为数据,训练所述车辆载重状态识别目标模型,得到所述车辆的车辆载重状态识别模型。
在该步骤中,基于历史上车辆执行货运任务期间的驾驶行为数据、历史上车辆执行的货运任务对应的装货点地址和卸货点地址,训练车辆载重状态识别目标模型,得到车辆的车辆载重状态识别模型。需要说明的是,考虑到车辆具有较为固定的行驶路线与驾驶习惯,因此本公开实施例中对不同的车辆分别建立车辆载重状态识别模型,车辆载重状态的识别也是基于不同的车辆的不同驾驶特征来进行的。
图5示出了根据本公开一个实施例的车辆载重状态识别模型的建立方法的流程图,具体公开了训练车辆载重状态识别目标模型,得到车辆的车辆载重状态识别模型的过程。本公开实施例提供的车辆载重状态识别模型的建立方法具体包括以下步骤:
在步骤S510、获取历史上所述车辆所执行货运任务的历史装货点地址、历史卸货点地址、历史驾驶行为数据。
在该步骤中,获取历史上车辆所执行的货运任务的历史装货点地址和历史卸货点地址,获取历史上车辆在执行货运任务期间的历史时刻的历史驾驶行为数据、所述历史时刻前的至少一个相邻时刻的历史驾驶行为数据。
在步骤S520、基于所述历史装货点地址、历史卸货点地址、历史驾驶行为数据,得到载重状态识别训练参数。
在该步骤中,基于历史上车辆在执行货运任务期间的历史时刻的历史驾驶行为数据、所述历史时刻前的至少一个相邻时刻的历史驾驶行为数据以及历史上车辆所执行的货运任务对应的历史装货点地址和历史卸货点地址,得到所述历史时刻的载重状态识别训练参数。
在一些实施例中,基于历史上车辆执行货运任务期间的历史车辆位置数据、历史装货点地址和历史卸货点地址,计算历史上车辆执行货运任务期间车辆与历史装货点的距离、车辆与历史卸货点的距离。计算历史上车辆执行货运任务期间的历史时刻、和所述历史时刻前的至少一个相邻时刻的车辆与历史装货点的距离的均值,计算历史上车辆执行货运任务期间的历史时刻、和所述历史时刻前的至少一个相邻时刻的车辆与历史卸货点的距离的均值,计算历史上车辆执行货运任务期间的历史时刻、和所述历史时刻前的至少一个相邻时刻的历史行驶速度的均值,计算历史上车辆执行货运任务期间的历史时刻、和所述历史时刻前的至少一个相邻时刻的历史载重数据的均值。由所述车辆与历史装货点的距离的均值、车辆与历史卸货点的距离的均值、历史行驶速度的均值和历史载重数据的均值得到所述历史时刻的载重状态识别训练参数。
在一些实施例中,基于历史上车辆执行货运任务期间的历史车辆位置数据、历史装货点地址和历史卸货点地址,计算历史上车辆执行货运任务期间车辆与历史装货点的距离、车辆与历史卸货点的距离后,接着,校准历史上车辆执行货运任务期间所述车辆与历史装货点的距离、所述车辆与历史卸货点的距离、历史行驶速度和历史载重数据。历史上车辆执行货运任务期间所述车辆与历史装货点的距离、所述车辆与历史卸货点的距离、历史行驶速度和历史载重数据的校准方式与图3所示的步骤320中描述的所述当前时刻的车辆与装货点的距离、车辆与卸货点的距离、行驶速度和载重数据、和所述当前时刻前的至少一个相邻时刻的车辆与装货点的距离、车辆与卸货点的距离、行驶速度和载重数据的校准方式一致,这里就不再赘述。
在步骤S530、获取历史上所述车辆执行货运任务期间所述车辆的历史载重状态。
在该步骤中,获取历史上车辆执行货运任务期间车辆的历史载重状态。图6示出了根据本公开一个实施例的历史载重状态的获取方法的流程图。本公开实施例提供的历史载重状态的获取方法具体包括以下步骤:
在步骤S610、获取历史上所述车辆执行货运任务的预计任务开始时刻和预计任务结束时刻;扩展所述预计任务开始时刻和预计任务结束时刻,得到历史上所述车辆执行货运任务的有效任务执行时间;基于所述车辆的最大载重量,在所述车辆的所述有效任务执行时间内的历史载重数据中筛选出有效的历史载重数据。
在该步骤中,获取历史上车辆执行货运任务的预计任务开始时刻和预计任务结束时刻;预计任务开始时刻是预计的车辆开始执行货运任务的时刻。预计任务结束时刻是预计的车辆执行完毕货运任务的时刻。由于预计任务开始时刻和预计任务结束时刻通常是人工填写的预估时间,所以会出现预计任务结束时刻早于卸货完成时刻的情况。为了避免出现预计任务结束时刻早于卸货完成时刻的情况,扩展预计任务开始时刻和预计任务结束时刻,得到历史上车辆执行货运任务的有效任务执行时间;例如,将预计任务开始时刻向前扩展8小时,将预计任务结束时刻向后扩展8小时。由于车辆运输效率要尽量最大化,也即是车辆在执行货运任务过程中所搭载的货运对象的重量一般接近于车辆的最大载重量。因此基于车辆的最大载重量,在车辆的有效任务执行时间内的历史载重数据中筛选出有效的历史载重数据。例如,车辆的最大载重量为35000kg,可以设置区间[0kg,10000kg]∪[20000kg,40000kg]来筛选空载的车辆的历史载重数据和满载的车辆的历史载重数据,在车辆的有效任务执行时间内的历史载重数据中筛选出位于区间[0kg,10000kg]∪[20000kg,40000kg]的历史载重数据,得到有效的历史载重数据。
在步骤S620、将历史上所述车辆执行货运任务期间的历史载重数据聚类,得到所述历史载重数据的聚类标签。
在该步骤中,将历史上车辆执行货运任务期间的历史载重数据聚类,得到历史载重数据的聚类标签。在一些实施例中,使用K均值聚类算法将历史载重数据聚类。经过聚类后,历史载重数据被分类,根据分类结果得到历史载重数据的聚类标签。例如,均值中心目标数为2,经过聚类后,历史载重数据被分为历史高载重数据和历史低载重数据,并对历史高载重数据打上标签“1”,对历史高载重数据打上标签“0”。由于K均值聚类算法是已有技术,故不赘述。
在步骤S630、根据所述历史载重数据的聚类标签,得到所述车辆的历史载重数据的变化趋势。
在该步骤中,根据历史载重数据的聚类标签,得到车辆的历史载重数据的变化趋势。需要说明的是,对于一装一卸的货运任务,车辆执行货运任务期间车辆的载重数据的变化趋势通常包括空载-装货-满载-卸货-空载这样的五段式类梯形变化趋势。容易理解的是,空载-装货-满载-卸货-空载这样的五段式类梯形变化趋势可以分为空载-装货-满载和满载-卸货-空载这样的两个变化趋势。通常,根据历史载重数据的聚类标签,如果车辆的历史载重数据的聚类标签满足0-1-0这样的“低-高-低”三段式变化趋势,则得到车辆的历史载重数据的变化趋势满足上述的五段式类梯形变化趋势,则接着执行步骤S640。如果车辆的历史载重数据的聚类标签不满足0-1-0这样的“低-高-低”三段式变化趋势,则得到车辆的历史载重数据的变化趋势不满足上述的五段式类梯形变化趋势,则需要返回执行步骤S610至步骤S630,在步骤S610中调整预计任务开始时刻和预计任务结束时刻的扩展时间,得到历史上车辆执行货运任务的有效任务执行时间。
在步骤S640、对所述车辆的历史载重数据的变化趋势进行数据拟合,由拟合曲线得到历史上所述车辆执行货运任务的历史载重状态。
在该步骤中,对车辆的历史载重数据的变化趋势进行数据拟合,由拟合曲线得到历史上车辆执行货运任务的历史载重状态。在一些实施例中,可以将车辆的历史载重数据的变化趋势数据拟合为空载-装货-满载和满载-卸货-空载这样的两个变化趋势。如下所示的公式(1)示出了空载-装货-满载或满载-卸货-空载这样的变化趋势的拟合曲线。
其中,w(t)是车辆的历史载重数据,t表示时刻,若w0<w1,t0是装货开始时刻,t1是装货完成时刻,w0是装货前处于空载状态的车辆的历史载重数据,w1是装货完成后处于满载状态的车辆的历史载重数据;若w0>w1,t0是卸货开始时刻,t1是卸货完成时刻,w0是卸货前处于满载状态的车辆的历史载重数据,w1是卸货完成后处于空载状态的车辆的历史载重数据。利用最小二乘拟合方法,可得到t0、t1、w0和w1的估计值。
由公式(1)所示的拟合曲线可以得出历史上车辆执行货运任务的历史载重状态。若w0<w1,则t0<t<t1期间车辆的历史载重状态为装货,min(t)≤t≤t0期间车辆的历史载重状态为空载,t1≤t≤max(t)期间车辆的历史载重状态为满载。若w0>w1,则t0<t<t1期间车辆的历史载重状态为卸货,min(t)≤t≤t0期间车辆的历史载重状态为满载,t1≤t≤max(t)期间车辆的历史载重状态为空载。
在一些实施例中,可以将车辆的历史载重数据的变化趋势数据拟合为空载-装货-满载-卸货-空载这样的五段式类梯形变化趋势。如下所示的公式(2)示出了空载-装货-满载-卸货-空载这样的变化趋势的拟合曲线。
其中,w(t)是车辆的历史载重数据,t表示时刻,t0是装货开始时刻,t1是装货完成时刻,t2是卸货开始时刻,t3是卸货完成时刻,w0是装货前处于空载状态的车辆的历史载重数据,w1是装货完成后处于满载状态的车辆的历史载重数据;w2是卸货完成后处于空载状态的车辆的历史载重数据。利用最小二乘拟合方法,可得到t0、t1、t2、t3、w0、w1和w2的估计值。
由公式(2)所示的拟合曲线可以得出历史上车辆执行货运任务的历史载重状态。min(t)≤t≤t0期间车辆的历史载重状态为空载,t0<t<t1期间车辆的历史载重状态为装货,t1≤t≤t2期间车辆的历史载重状态为满载,t2<t<t3期间车辆的历史载重状态为卸货,t3≤t≤max(t)期间车辆的历史载重状态为空载。
图7示出了根据本公开一个实施例的历史载重状态的可视化图。如图7所示,横坐标为历史上车辆执行货运任务的时间,纵坐标为车辆的历史载重数据。车辆的历史载重数据具有空载-装货-满载-卸货-空载这样的五段式类梯形变化趋势,车辆的历史载重数据经过数据拟合后形成拟合曲线。由拟合曲线可知,8月27日11时为装货开始时刻,8月27日17时为装货结束时刻,8月29日07时为卸货开始时刻,8月29日16时为卸货结束时刻,从而得到8月27日11时之前车辆的历史载重状态为空载,8月27日11时至8月27日17时车辆的历史载重状态为装货,8月27日17时至8月29日07时车辆的历史载重状态为满载,8月29日07时至8月29日16时车辆的历史载重状态为卸货,8月29日16时之后车辆的历史载重状态为空载。
在步骤S540、由所述历史载重状态和所述载重状态识别训练参数得到训练集和测试集,基于所述训练集和测试集,得到所述车辆载重状态识别模型。
在该步骤中,将载重状态识别训练参数及其对应的历史载重状态划分为训练集和测试集。训练集中每个训练样本包括历史上车辆执行货运任务期间的历史时刻的载重状态识别训练参数,以及所述历史时刻的历史载重状态,所述历史时刻的历史载重状态为该历史时刻的载重状态识别训练参数的标签。将样本集合中的每个训练样本输入车辆载重状态识别目标模型,由车辆载重状态识别目标模型输出学习得到的车辆载重状态识别结果。由该车辆载重状态识别结果与标签生成混淆矩阵,如果对于训练集,车辆载重状态识别目标模型的预测准确率大于预设值(例如95%)且召回率大于预设值(例如90%)则说明该车辆载重状态识别目标模型训练成功,否则调整车辆载重状态识别目标模型中的参数,使得车辆载重状态识别目标模型的预测准确率大于预设值(例如95%)且召回率大于预设值(例如90%)。其中,可调整的车辆载重状态识别目标模型中的参数包括弱学习器的最大迭代数、树的最大深度以及叶节点最小样本数等。
当车辆载重状态识别目标模型训练成功后,一般要经受测试的过程才能正式投入使用。测试集中每个测试样本包括历史上车辆执行货运任务期间的历史时刻的载重状态识别训练参数,以及所述历史时刻的历史载重状态,所述历史时刻的历史载重状态为该历史时刻的载重状态识别训练参数的标签。在测试时,由车辆载重状态识别目标模型输出学习得到的车辆载重状态识别结果。由该车辆载重状态识别结果与标签生成混淆矩阵,如果对于测试集,车辆载重状态识别目标模型的预测准确率大于预设值(例如95%)且召回率大于预设值(例如90%),则确定车辆载重状态识别目标模型训练成功,得到车辆载重状态识别模型,否则重复进行上述训练的过程。
车辆载重状态识别模型训练好后即可投入使用。向其输入车辆执行货运任务期间当前时刻的载重状态识别参数,即可得到是所述当前时刻的车辆载重状态。
在步骤330、将所述载重状态识别参数输入车辆载重状态识别模型,由所述车辆载重状态识别模型得到所述车辆的载重状态。
在该步骤中,将车辆执行货运任务期间当前时刻的载重状态识别参数输入车辆载重状态识别模型,由车辆载重状态识别模型得到所述当前时刻的车辆的载重状态。需要说明的是,与通过图像识别模型来识别车辆的载重状态相比,本公开实施例的车辆载重状态识别模型仅需要处理驾驶行为数据,在执行货运任务期间采集的驾驶行为数据比图像更不易受路况颠簸、环境湿度等的影响,其需要耗费的算力较少,效率更高。
图8示出了根据本公开一个实施例的车辆载重状态的识别装置的结构示意图。车辆载重状态的识别装置800包括:载重状态识别参数获取单元810和车辆载重状态识别单元820。
载重状态识别参数获取单元810,用于基于车辆所执行的货运任务的装货点地址、卸货点地址、驾驶行为数据,得到载重状态识别参数,其中,所述驾驶行为数据包括所述车辆执行所述货运任务期间的行驶速度、载重数据、车辆位置数据;车辆载重状态识别单元820,用于将所述载重状态识别参数输入车辆载重状态识别模型,由所述车辆载重状态识别模型得到所述车辆的载重状态。
由于上述装置的实现细节在上文的方法实施例的详细介绍中已经描述,为节约篇幅,故不赘述。
图9示出了根据本公开一个实施例的车辆载重状态的识别控制设备的结构示意图。图9示出的设备仅仅是一个示例,不应对本公开实施例的功能和使用范围构成任何限制。
参考图9,该设备包括通过总线连接的处理器910、存储器920和输入输出设备930。存储器920包括只读存储器(ROM)和随机访问存储器(RAM),存储器920内存储有执行系统功能所需的各种计算机指令和数据,处理器910从存储器920中读取各种计算机指令以执行各种适当的动作和处理。输入输出设备830包括键盘、鼠标等的输入部分;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;包括硬盘等的存储部分;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。存储器920还存储有计算机指令以完成本公开实施例的识别方法规定的操作。
相应地,本公开实施例提供一种计算机设备,包括:存储器,用于存储计算机可执行代码;处理器,用于执行所述计算机可执行代码,以实现上述的方法。
相应地,本公开实施例提供一种计算机可读介质,包括计算机可执行代码,所述计算机可执行代码被处理器执行时实现上述的方法。
在本公开实施例中,将载重状态识别参数输入车辆载重状态识别模型,由车辆载重状态识别模型得到车辆的载重状态。载重状态识别参数是基于车辆所执行的货运任务的装货点地址、卸货点地址、驾驶行为数据得到的。驾驶行为数据包括车辆执行货运任务期间的行驶速度、载重数据、车辆位置数据。在由车辆载重状态识别模型得到车辆的载重状态的过程中,不依赖于人工,提高了自动化程度。由于识别车辆的载重状态时,不仅依靠车辆的载重数据,还依靠车辆执行货运任务期间的行驶速度、车辆位置数据,以及货运任务对应的装货点地址、卸货点地址,使识别到的载重状态与车辆执行货运任务期间的车辆行驶特征(载重数据、行驶速度和车辆位置数据)联系更紧密,更有针对性,提高了识别的车辆载重状态的准确率。与仅依靠车辆的载重数据识别车辆载重状态相比,本公开实施例的车辆载重状态的识别方法降低了车辆载重数据的误差对车辆载重状态的识别结果的影响,进而提高了识别的车辆载重状态的准确率。
将当前时刻、和所述当前时刻前的至少一个相邻时刻的车辆与装货点的距离的均值、车辆与卸货点的距离的均值、行驶速度的均值和载重数据的均值作为所述当前时刻的载重状态识别参数。考虑到在执行货运任务期间车辆的载重状态具有连续性,借助于车辆在执行货运任务期间的当前时刻前的至少一个相邻时刻的载重状态来实时预测在当前时刻车辆的载重状态,降低了车辆与装货点的距离、车辆与卸货点的距离、行驶速度和载重数据的信息实时性要求,提高了识别的车辆载重状态的准确率。
在建立车辆载重状态识别模型过程中,获取历史上车辆执行货运任务的预计任务开始时刻和预计任务结束时刻;扩展预计任务开始时刻和预计任务结束时刻,得到历史上车辆执行货运任务的有效任务执行时间;基于车辆的最大载重量,在车辆的有效任务执行时间内的历史载重数据中筛选出有效的历史载重数据。有效任务执行时间的开始时刻早于预计任务开始时刻,结束时刻晚于预计任务结束时刻,降低了对历史载重数据的时间精确度要求,降低了历史载重数据的误差对历史载重状态的识别结果的影响,进而提高了本公开实施例中历史上车辆执行货运任务期间车辆的历史载重状态的准确率。
将历史上车辆执行货运任务期间的历史载重数据聚类,得到历史载重数据的聚类标签;根据历史载重数据的聚类标签,得到车辆的历史载重数据的变化趋势;对车辆的历史载重数据的变化趋势进行数据拟合,利用最小二乘拟合方法估算出装货开始时刻、装货结束时刻、卸货开始时刻和卸货结束时刻,从而准确地得到历史上车辆执行货运任务的历史载重状态,提高了基于历史载重状态建立的车辆载重状态识别模型的识别准确性。
附图中的流程图、框图图示了本公开实施例的系统、方法、装置的可能的体系框架、功能和操作,流程图和框图上的方框可以代表一个模块、程序段或仅仅是一段代码,所述模块、程序段和代码都是用来实现规定逻辑功能的可执行指令。也应当注意,所述实现规定逻辑功能的可执行指令可以重新组合,从而生成新的模块和程序段。因此附图的方框以及方框顺序只是用来更好的图示实施例的过程和步骤,而不应以此作为对发明本身的限制。
以上所述仅为本公开的一些实施例,并不用于限制本公开,对于本领域技术人员而言,本公开可以有各种改动和变化。凡在本公开的精神和原理之内所作的任何修改、等同替换、改进等,均应包含在本公开的保护范围之内。
Claims (13)
1.一种车辆载重状态的识别方法,包括:
获取车辆所执行的货运任务的装货点地址、卸货点地址、驾驶行为数据,其中,所述驾驶行为数据包括所述车辆执行所述货运任务期间的行驶速度、载重数据、车辆位置数据;
基于所述车辆所执行的货运任务的装货点地址、卸货点地址、驾驶行为数据,得到载重状态识别参数;
将所述载重状态识别参数输入车辆载重状态识别模型,由所述车辆载重状态识别模型得到所述车辆的载重状态。
2.根据权利要求1所述的识别方法,其中,所述获取车辆所执行的货运任务的装货点地址、卸货点地址、驾驶行为数据包括:
获取所述车辆在执行所述货运任务期间的当前时刻的驾驶行为数据、和所述当前时刻前的至少一个相邻时刻的驾驶行为数据;
所述基于所述车辆所执行的货运任务的装货点地址、卸货点地址、驾驶行为数据,得到载重状态识别参数包括:
基于所述车辆的位置数据、所述装货点地址和所述卸货点地址,计算在所述当前时刻所述车辆与所述装货点的距离、所述车辆与所述卸货点的距离、以及在所述当前时刻前的至少一个相邻时刻所述车辆与所述装货点的距离、所述车辆与所述卸货点的距离;
计算所述当前时刻、和所述当前时刻前的至少一个相邻时刻的所述车辆与所述装货点的距离的均值、所述车辆与所述卸货点的距离的均值、所述行驶速度的均值和所述载重数据的均值,得到所述当前时刻的所述载重状态识别参数。
3.根据权利要求2所述的识别方法,其中,所述基于所述车辆的位置数据、所述装货点地址和所述卸货点地址,计算在所述当前时刻所述车辆与所述装货点的距离、所述车辆与所述卸货点的距离、以及在所述当前时刻前的至少一个相邻时刻所述车辆与所述装货点的距离、所述车辆与所述卸货点的距离后,所述基于所述车辆所执行的货运任务的装货点地址、卸货点地址、驾驶行为数据,得到载重状态识别参数还包括:
校准所述当前时刻、和所述当前时刻前的至少一个相邻时刻的所述车辆与所述装货点的距离、所述车辆与所述卸货点的距离、所述行驶速度和所述载重数据。
4.根据权利要求1所述的识别方法,其中,所述将所述载重状态识别参数输入车辆载重状态识别模型,由所述车辆载重状态识别模型得到所述车辆的载重状态前,所述识别方法还包括:
建立所述车辆载重状态识别模型。
5.根据权利要求4所述的识别方法,其中,所述建立所述车辆载重状态识别模型包括:
建立所述车辆的车辆载重状态识别目标模型;
基于历史上所述车辆所执行的货运任务的装货点地址、卸货点地址、驾驶行为数据,训练所述车辆载重状态识别目标模型,得到所述车辆的车辆载重状态识别模型。
6.根据权利要求5所述的识别方法,其中,所述基于历史上所述车辆所执行的货运任务的装货点地址、卸货点地址、驾驶行为数据,训练所述车辆载重状态识别目标模型,得到所述车辆的车辆载重状态识别模型包括:
获取历史上所述车辆所执行货运任务的历史装货点地址、历史卸货点地址、历史驾驶行为数据;
基于所述历史装货点地址、历史卸货点地址、历史驾驶行为数据,得到载重状态识别训练参数;
获取历史上所述车辆执行货运任务期间所述车辆的历史载重状态;
由所述历史载重状态和所述载重状态识别训练参数得到训练集和测试集,基于所述训练集和测试集,得到所述车辆载重状态识别模型。
7.根据权利要求6所述的识别方法,其中,所述基于所述历史装货点地址、历史卸货点地址、历史驾驶行为数据,得到载重状态识别训练参数包括:
基于历史上所述车辆执行货运任务期间的历史车辆位置数据、所述历史装货点地址和所述历史卸货点地址,计算历史上所述车辆执行货运任务期间所述车辆与历史装货点的距离、所述车辆与历史卸货点的距离;
计算历史上所述车辆执行货运任务期间的历史时刻、和所述历史时刻前的至少一个相邻时刻的所述车辆与历史装货点的距离的均值、所述车辆与历史卸货点的距离的均值、历史行驶速度的均值和历史载重数据的均值,得到所述历史时刻的载重状态识别训练参数。
8.根据权利要求7所述的识别方法,其中,所述基于历史上所述车辆执行货运任务期间的历史车辆位置数据、所述历史装货点地址和所述历史卸货点地址,计算历史上所述车辆执行货运任务期间所述车辆与历史装货点的距离、所述车辆与历史卸货点的距离之后,所述基于所述历史装货点地址、历史卸货点地址、历史驾驶行为数据,得到载重状态识别训练参数还包括:
校准历史上所述车辆执行货运任务期间所述车辆与历史装货点的距离、所述车辆与历史卸货点的距离、历史行驶速度和历史载重数据。
9.根据权利要求6所述的识别方法,其中,所述获取历史上所述车辆执行货运任务期间所述车辆的历史载重状态包括:
将历史上所述车辆执行货运任务期间的历史载重数据聚类,得到所述历史载重数据的聚类标签;
根据所述历史载重数据的聚类标签,得到所述车辆的历史载重数据的变化趋势;
对所述车辆的历史载重数据的变化趋势进行数据拟合,由拟合曲线得到历史上所述车辆执行货运任务的历史载重状态。
10.根据权利要求9所述的识别方法,其中,所述将历史上所述车辆执行货运任务期间的历史载重数据聚类,得到所述历史载重数据的聚类标签前,所述获取历史上所述车辆执行货运任务期间所述车辆的历史载重状态还包括:
获取历史上所述车辆执行货运任务的预计任务开始时刻和预计任务结束时刻;
扩展所述预计任务开始时刻和预计任务结束时刻,得到历史上所述车辆执行货运任务的有效任务执行时间;
基于所述车辆的最大载重量,在所述车辆的所述有效任务执行时间内的历史载重数据中筛选出有效的历史载重数据。
11.一种车辆载重状态的识别装置,包括:
载重状态识别参数获取单元,用于基于车辆所执行的货运任务的装货点地址、卸货点地址、驾驶行为数据,得到载重状态识别参数,其中,所述驾驶行为数据包括所述车辆执行所述货运任务期间的行驶速度、载重数据、车辆位置数据;
车辆载重状态识别单元,用于将所述载重状态识别参数输入车辆载重状态识别模型,由所述车辆载重状态识别模型得到所述车辆的载重状态。
12.一种计算机设备,包括:
存储器,用于存储计算机可执行代码;
处理器,用于执行所述计算机可执行代码,以实现权利要求1-10中任一个所述的方法。
13.一种计算机可读介质,其特征在于,包括计算机可执行代码,所述计算机可执行代码被处理器执行时实现权利要求1-10中任一个所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110360951.XA CN113128929A (zh) | 2021-04-02 | 2021-04-02 | 车辆载重状态的识别方法、装置、计算机设备和介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110360951.XA CN113128929A (zh) | 2021-04-02 | 2021-04-02 | 车辆载重状态的识别方法、装置、计算机设备和介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113128929A true CN113128929A (zh) | 2021-07-16 |
Family
ID=76774740
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110360951.XA Pending CN113128929A (zh) | 2021-04-02 | 2021-04-02 | 车辆载重状态的识别方法、装置、计算机设备和介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113128929A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114676648A (zh) * | 2022-05-30 | 2022-06-28 | 岚图汽车科技有限公司 | 一种基于机器学习的车辆载荷谱预测方法和装置 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109767023A (zh) * | 2019-01-16 | 2019-05-17 | 北京经纬恒润科技有限公司 | 一种车辆载重状态的预估方法及系统 |
CN111060153A (zh) * | 2019-12-23 | 2020-04-24 | 北京中交兴路车联网科技有限公司 | 货车载货状态的检测方法、装置及存储介质 |
CN112083456A (zh) * | 2020-09-14 | 2020-12-15 | 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 |
-
2021
- 2021-04-02 CN CN202110360951.XA patent/CN113128929A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109767023A (zh) * | 2019-01-16 | 2019-05-17 | 北京经纬恒润科技有限公司 | 一种车辆载重状态的预估方法及系统 |
CN111060153A (zh) * | 2019-12-23 | 2020-04-24 | 北京中交兴路车联网科技有限公司 | 货车载货状态的检测方法、装置及存储介质 |
CN112083456A (zh) * | 2020-09-14 | 2020-12-15 | 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 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114676648A (zh) * | 2022-05-30 | 2022-06-28 | 岚图汽车科技有限公司 | 一种基于机器学习的车辆载荷谱预测方法和装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11300619B2 (en) | Method and system for predicting energy consumption of a vehicle through application of a statistical model utilizing sensor and database data | |
CN109598566B (zh) | 下单预测方法、装置、计算机设备和计算机可读存储介质 | |
CN111179589B (zh) | 车辆od预测的方法、装置、设备及存储介质 | |
CN111191696B (zh) | 一种基于深度学习算法的钢筋分层方法及系统 | |
CN111060153B (zh) | 货车载货状态的检测方法、装置及存储介质 | |
CN114076631A (zh) | 超载车辆识别方法、系统及设备 | |
KR102368286B1 (ko) | 자동차 주행 가능 거리 추정과 관련된 데이터 분석 방법 및 장치 | |
CN113792782A (zh) | 运营车辆的轨迹监测方法、装置、存储介质及计算机设备 | |
CN115384516A (zh) | 运输车的轮胎磨损里程计算方法、装置及设备 | |
CN113128929A (zh) | 车辆载重状态的识别方法、装置、计算机设备和介质 | |
CN110789396A (zh) | 电池组荷电状态数据检测方法、装置、介质、终端及汽车 | |
CN117392855A (zh) | 基于卫星定位数据的车辆超限超载概率识别方法及系统 | |
CN117241212A (zh) | 车辆常驻停车点的确定方法、装置、设备以及存储介质 | |
CN112660140A (zh) | 基于机器学习的驾驶风格分类方法、装置和电子设备 | |
CN112712608A (zh) | 用于通过车辆收集性能数据的系统和方法 | |
CN116443032A (zh) | 一种未来长时车速预测方法、系统、设备和存储介质 | |
CN113393011B (zh) | 预测限速信息的方法、装置、计算机设备和介质 | |
US11614491B2 (en) | Systems and methods for predicting the cycle life of cycling protocols | |
CN113284337B (zh) | 基于车辆轨迹多维数据的od矩阵计算方法及装置 | |
CN113335070B (zh) | 路线引导装置以及计算机可读存储介质 | |
CN112406874B (zh) | 一种电动汽车远距离充电辅助决策方法 | |
US20220371530A1 (en) | Device-level fault detection | |
CN109726924A (zh) | 一种车辆的作业调度方法、装置、计算机设备和存储介质 | |
CN114407662B (zh) | 一种剩余里程预测方法、装置、电动汽车及存储介质 | |
CN111932035B (zh) | 基于多模型的数据处理方法、装置及分类建模的方法 |
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 |