CN113312707B - 货车状态自适应实时检测方法及其装置 - Google Patents
货车状态自适应实时检测方法及其装置 Download PDFInfo
- Publication number
- CN113312707B CN113312707B CN202110680589.4A CN202110680589A CN113312707B CN 113312707 B CN113312707 B CN 113312707B CN 202110680589 A CN202110680589 A CN 202110680589A CN 113312707 B CN113312707 B CN 113312707B
- Authority
- CN
- China
- Prior art keywords
- model
- data
- truck
- sensor
- matrix
- 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 49
- 238000011897 real-time detection Methods 0.000 title claims abstract description 24
- 230000003044 adaptive effect Effects 0.000 title claims abstract description 23
- 230000008859 change Effects 0.000 claims abstract description 103
- 238000001514 detection method Methods 0.000 claims abstract description 73
- 239000011159 matrix material Substances 0.000 claims description 81
- 238000013499 data model Methods 0.000 claims description 62
- 238000005303 weighing Methods 0.000 claims description 18
- 238000009826 distribution Methods 0.000 claims description 11
- 238000004364 calculation method Methods 0.000 claims description 7
- 238000004891 communication Methods 0.000 claims description 3
- 230000002596 correlated effect Effects 0.000 claims 2
- 238000010606 normalization Methods 0.000 claims 1
- 238000012545 processing Methods 0.000 abstract description 5
- 230000000694 effects Effects 0.000 abstract 1
- 230000001568 sexual effect Effects 0.000 abstract 1
- 238000013398 bayesian method Methods 0.000 description 8
- 230000008569 process Effects 0.000 description 6
- 238000003860 storage Methods 0.000 description 3
- 238000004590 computer program Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/15—Vehicle, aircraft or watercraft design
-
- 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
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N7/00—Computing arrangements based on specific mathematical models
- G06N7/01—Probabilistic graphical models, e.g. probabilistic networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/08—Probabilistic or stochastic CAD
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Geometry (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Computational Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Algebra (AREA)
- Computer Hardware Design (AREA)
- Software Systems (AREA)
- Aviation & Aerospace Engineering (AREA)
- Automation & Control Theory (AREA)
- Databases & Information Systems (AREA)
- Probability & Statistics with Applications (AREA)
- Artificial Intelligence (AREA)
- Traffic Control Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种货车状态自适应实时检测方法及其装置，该方法包括：采集设置在货车上的传感器的数据信息，并采用贝叶斯检测方法对所述数据信息进行变点检测；当检测到变点时，根据所述变点的数据信息判断货车的状态；重新初始化所述贝叶斯检测方法的参数，重新采集所述传感器的数据信息进行变点检测并判断货车的状态。本申请在货车负载数据处理中，随着传感器的读数变化自动调节贝叶斯变点检测方法的概率模型预测参数，并在变点检测后重置整个变点检测方法，以达到减少整体系统随机性过大带来的影响。
Description
技术领域
本发明涉及货车状态检测技术领域，特别涉及一种货车状态自适应实时检测方法及其装置。
背景技术
随着社会经济的快速发展，人民生活生产需求水平不断提高，对物流的需求量剧增，物流货车在其中充当了极其重要且不可能替代的角色。为了检测和监控货车超载行为，往往需要对于货车的货物进行称重，现有货车货物称重方式主要分为两大类：地面式整车称重方式和车载在线称重方式。地面式整车称重方式是指在固定地点或移动地点通过地磅等方式对整车的重量进行计量。车载在线称重方式是指通过车上的称重设备直接对货车上货物的重量进行计量，不依赖于地面上某固定点或移动点的地磅等设备来称重。现有车载在线称重的方式主要有以下几种：一是通过激光测距仪、超声波测距仪等测量货车板簧相对车轴的距离变化来间接计算货物重量；二是在货车架与车厢之间放置称重传感器来直接计量货物重量；三是通过货车板簧横向形变状态变化程度来间接计量货物重量。
随着技术的发展，车载在线称重方式越来越得到普及，基于车辆上设置的传感器件，更多地感知与监测功能得以实现。物流调度管理系统对于运输货车载货状态的实时判断可以极大地提高系统整体调度的效率。货车当前的载货量可以通过对应安置于车辆的称重或者压力传感器获取，可以通过对传感器获取数据进行分析，进而获得货车装卸货等状态的判断，在货车处于以上状态时，传感器的读数势必会发生较大的变化，可以通过检测这种变化来实时获得货车的状态。例如，贝叶斯变点检测方法可以很好地获取一组数据的变化情况，适用于对传感器数据的处理获取变化点，进而提示货车当前的装卸货状态。
但是，使用贝叶斯方法进行变点检测对于潜在概率模型的参数设计有一定的要求，若设置的概率模型与实际情况有较大的偏差则对于变点的检测精度会大大下降。而由于货车的装卸货将很容易导致传感器读数发生较大的变化，采用贝叶斯方法进行变点检测存在检测精度低，失真情况较为严重的缺陷。
发明内容
本发明要解决的技术问题是提供一种货车状态自适应实时检测方法及其装置，旨在解决传感器读数发生较大的变化而使得变点检测精度低的技术问题。
为了解决上述技术问题，本发明的技术方案如下：
本发明的第一个方面，提供了一种货车状态自适应实时检测方法，该方法包括：
采集设置在货车上的传感器的数据信息，并采用贝叶斯检测方法对所述数据信息进行变点检测；
当检测到变点时，根据所述变点的数据信息判断货车的状态；
重新初始化所述贝叶斯检测方法的参数，重新采集所述传感器的数据信息进行变点检测并判断货车的状态。
进一步的，所述采集设置在货车上的传感器的数据信息的步骤包括：
实时或者预设时间周期内，采集设置在货车上用于感知货车载货重量的称重传感器或者压力传感器的数据信息。
进一步的，所述采用贝叶斯检测方法对所述数据信息进行变点检测的步骤包括：
设当前所述传感器采集的数据信息为上一个变点后在当前数据模型下的第t个数据，根据所述数据信息和所述传感器的初始高斯模型矩阵更新先验概率预测
根据公式(1)计算出所述当前数据模型运行长度信息矩阵，公式(1)如下：
其中t为运行时间，rt为运行长度，x1：t为递归数据，x(l)为与rt相关的数据长度的预测数据模型，p(xt|rt，x(l))为先验概率模型预测矩阵，每次迭代中先验概率预测将会添加到先验概率模型矩阵中，p(rt|rt-1)为变点概率预测，p(rt-1，x1：t-1)为递归的运行长度信息矩阵；
对p(rt-1，x1：t-1)进行归一化即获当前数据模型的运行数据长度概率矩阵，当数据长度为0的概率最大时，则判定该点为变点。
进一步的，所述采用贝叶斯检测方法对所述数据信息进行变点检测的步骤之前，所述方法还包括：
初始化贝叶斯检测方法的参数，包括所述传感器的初始高斯模型，当前数据模型的初始概率预测分布矩阵。
可选的，设置所述传感器的高斯概率模型初始均值，所述初始均值对应初始设置的高斯模型方差，通过所述初始均值和所述高斯模型方差确定所述传感器的初始高斯模型。
进一步的，所述根据公式(1)计算出所述当前数据模型运行长度信息矩阵的步骤包括：
使用计算出所述当前数据模型长度为1至t的运行长度信息矩阵；使用公式计算出所述当前数据模型运行长度为0的信息，将两者结合得到所述当前数据模型运行长度信息矩阵，即是将运行长度为0的信息添加到1-t的信息矩阵上，获取到0-t的运行长度信息矩阵。
进一步的，所述根据所述变点的数据信息判断货车的状态步骤包括：
将所述变点的数据信息与所述当前数据模型的趋势曲线进行拟合，当所述变点位于所述趋势曲线下方，则判断为卸货状态，若所述变点位于所述趋势曲线上方，则判断为装载状态。
进一步的，所述采用贝叶斯检测方法对所述数据信息进行变点检测之后，所述货车状态自适应实时检测方法包括：
当所述运行数据长度概率矩阵显示该点不属于变点时，更新所述传感器的当前高斯模型矩阵你，添加当前数据模型的高斯模型，并重新读取所述传感器的数据信息；
其中方差的计算公式为：均值的计算公式为/>
基于同一发明构思，本发明另一方面，还提供了一种货车状态自适应实时检测装置，所述货车状态自适应实时检测装置包括处理器、存储器及数据总线；
所述数据总线用于实现设置在货车上的传感器、所述处理器和所述存储器之间的连接通信；
所述处理器用于执行存储器中存储的货车状态自适应实时检测程序，以实现以下步骤：
采集设置在货车上的传感器的数据信息，并采用贝叶斯检测方法对所述数据信息进行变点检测；
当检测到变点时，根据所述变点的数据信息判断货车的状态；
重新初始化所述贝叶斯检测方法的参数，重新采集所述传感器的数据信息进行变点检测并判断货车的状态。
进一步的，所述装置还实现如下的货车状态自适应实时检测方法的步骤：
实时或者预设时间周期内，采集设置在货车上用于感知货车载货重量的称重传感器或者压力传感器的数据信息；
初始化贝叶斯检测方法的参数，包括所述传感器的初始高斯模型，当前数据模型的初始概率预测分布矩阵，设置所述传感器的高斯概率模型初始均值，所述初始均值对应初始设置的高斯模型方差，通过所述初始均值和所述高斯模型方差确定所述传感器的初始高斯模型；
设当前所述传感器采集的数据信息为上一个变点后在当前数据模型下的第t个数据，根据所述数据信息和所述传感器的初始高斯模型矩阵更新先验概率预测
根据公式(1)计算出所述当前数据模型运行长度信息矩阵，公式(1)如下：
其中t为运行时间，rt为运行长度，x1：t为递归数据，x(l)为与rt相关的数据长度的预测数据模型，p(xt|rt，x(l))为先验概率模型预测矩阵，p(rt|rt-1)为变点概率预测，p(rt-1，x1：t-1)为递归的运行长度信息矩阵；
对p(rt-1，x1：t-1)进行归一化即获当前数据模型的运行数据长度概率矩阵，当数据长度为0的概率最大时，则判定该点为变点；
将所述变点的数据信息与所述当前数据模型的趋势曲线进行拟合，当所述变点位于所述趋势曲线下方，则判断为卸货状态，若所述变点位于所述趋势曲线上方，则判断为装载状态；
当所述运行数据长度概率矩阵显示该点不属于变点时，更新所述传感器的当前高斯模型矩阵你，添加当前数据模型的高斯模型，并重新读取所述传感器的数据信息；
其中方差的计算公式为：均值的计算公式为/>
本发明技术方案的有益效果：
本申请的货车状态自适应实时检测方法及其装置，在货车负载数据处理中，随着传感器的读数变化自动调节贝叶斯变点检测方法的概率模型预测参数，并在变点检测后重置整个变点检测方法，以达到减少整体系统随机性过大带来的影响。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述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发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明的货车状态自适应实时检测方法的流程框图；
图2为本发明的基于称重传感器的贝叶斯变点检测方法流程框图；
图3为本发明的货车状态自适应实时检测装置结构示意图。
具体实施方式
下面结合附图对本发明的具体实施方式作进一步说明。在此需要说明的是，对于这些实施方式的说明用于帮助理解本发明，但并不构成对本发明的限定。此外，下面所描述的本发明各个实施方式中所涉及的技术特征只要彼此之间未构成冲突就可以相互组合。
实施例1
如图1所示，本发明实施例提供了一种货车状态自适应实时检测方法，该方法包括：
S101、采集设置在货车上的传感器的数据信息，并采用贝叶斯检测方法对所述数据信息进行变点检测；
具体的，实时或者预设时间周期内，采集设置在货车上用于感知货车载货重量的称重传感器或者压力传感器的数据信息。
S102、当检测到变点时，根据所述变点的数据信息判断货车的状态；
具体的，将所述变点的数据信息与所述当前数据模型的趋势曲线进行拟合，当所述变点位于所述趋势曲线下方，则判断为卸货状态，若所述变点位于所述趋势曲线上方，则判断为装载状态。
S103、重新初始化所述贝叶斯检测方法的参数，重新采集所述传感器的数据信息进行变点检测并判断货车的状态。
具体的，对货车负载传感器使用贝叶斯方法检测变点时，每当检测到变点时，都会抛弃之前数据，用检测到变点后的稳定数据重新构建贝叶斯方法的潜在概率模型，并重新进行贝叶斯方法计算变点。这样可以在调整贝叶斯变点检测的参数使其保证较高的灵敏度的同时，不至于使得潜在概率模型预测偏离实际过多导致的随着时间推移准确度下降的情况。
贝叶斯变点检测方法是对一组数据进行递归分析，根据贝叶斯方法进行后验分布判断，并获取数据在在当前模型下的运行长度(设定跳变点发生后运行长度归0，单个数据处未发生跳变则运行长度+1)概率。其公式为：
其中t为运行时间，rt为运行长度，x1：t为递归数据，x(l)为与rt相关的数据长度的预测数据模型。其中p(xt|rt，x(l))为先验概率模型预测矩阵，每次迭代中先验概率预测将会添加到先验概率模型矩阵中；p(rt|rt-1)为变点概率预测，p(rt-1，x1：t-1)为递归的运行长度信息矩阵，对其进行归一化即可获取当前模型的运行数据长度概率矩阵。
对于获取的传感器模型，设置其概率模型预测，对于理想状况下运行的传感器，可以认为当其检测的负载不动时，其获取的数据满足高斯分布。且当负载变化时传感器的读数标准差可以保持不变，因此对于每一次检测到变化点后，可以重新设置传感器数据的高斯模型，修改其均值为变点后稳定数值，保持其标准差数值。这样便可以保证贝叶斯方法的概率模型不随着装卸货的变化导致的传感器读数变化而偏离实际过大。此外，为了消除变点之前数据的干扰，在每次通过贝叶斯方法检测到变点后，都应同时重新初始化贝叶斯算法进行变点检测，这样同样可以有效防止概率模型的变化导致的检测精度下降的问题。
具体的，所述采用贝叶斯检测方法对所述数据信息进行变点检测的步骤包括：
设当前所述传感器采集的数据信息为上一个变点后在当前数据模型下的第t个数据，根据所述数据信息和所述传感器的初始高斯模型矩阵更新先验概率预测
根据公式(1)计算出所述当前数据模型运行长度信息矩阵，公式(1)如下：
其中t为运行时间，rt为运行长度，x1：t为递归数据，x(l)为与rt相关的数据长度的预测数据模型，p(xt|rt，x(l))为先验概率模型预测矩阵，每次迭代中先验概率预测将会添加到先验概率模型矩阵中；p(rt|rt-1)为变点概率预测，p(rt-1，x1：t-1)为递归的运行长度信息矩阵；
对p(rt-1，x1：t-1)进行归一化即获当前数据模型的运行数据长度概率矩阵，当数据长度为0的概率最大时，则判定该点为变点。
进一步的，所述采用贝叶斯检测方法对所述数据信息进行变点检测的步骤之前，所述方法还包括：
初始化贝叶斯检测方法的参数，包括所述传感器的初始高斯模型，当前数据模型的初始概率预测分布矩阵。
可选的，设置所述传感器的高斯概率模型初始均值，所述初始均值对应初始设置的高斯模型方差，通过所述初始均值和所述高斯模型方差确定所述传感器的初始高斯模型。
进一步的，所述根据公式(1)计算出所述当前数据模型运行长度信息矩阵的步骤包括：
使用计算出所述当前数据模型长度为1至t的运行长度信息矩阵；使用公式计算出所述当前数据模型运行长度为0的信息，将两者结合得到所述当前数据模型运行长度信息矩阵，即是将运行长度为0的信息添加到1-t的信息矩阵上，获取到0-t的运行长度信息矩阵。
进一步的，所述采用贝叶斯检测方法对所述数据信息进行变点检测之后，所述方法包括：
当所述运行数据长度概率矩阵显示该点不属于变点时，更新所述传感器的当前高斯模型矩阵你，添加当前数据模型的高斯模型，并重新读取所述传感器的数据信息；
其中方差的计算公式为：均值的计算公式为/>
如图2所示，下面以货车携带称重传感器为例，详细说明贝叶斯检测方法流程：
S201、开始执行时首先需要设置整个流程中不会发生改变的参数，包括称重传感器的高斯模型方差，变点预测概率H等。
S202、设置称重传感器的高斯概率模型初始均值，该初始均值搭配初始设置的高斯模型方差可用于设置称重传感器的初始高斯模型。
S203、初始化贝叶斯变点检测的各项参数，包括称重传感器的初始高斯模型，当前数据模型的初始概率预测分布矩阵。
S204、读取称重传感器数据，假设当前所述传感器采集的数据信息为上一个变点后在当前数据模型下的第t个数据。
S205、根据读取数据和高斯模型矩阵更新先验概率预测
S206、根据公式(1)计算出当前模型运行长度信息矩阵。
其中使用计算出当前数据模型长度为1至t的运行长度信息矩阵。使用公式计算出当前数据模型运行长度为0的信息，将两者结合便获取了当前数据模型运行长度信息矩阵，，即是将运行长度为0的信息添加到1-t的信息矩阵上，获取到0-t的运行长度信息矩阵。
S207、根据步骤S206获取的数据模型运行长度信息矩阵，对其进行归一化处理便可获得当前模型运行长度的概率分布，当数据长度为0的概率最大时，则代表该点为变点。若检测到变点，则跳转到步骤S202，否则继续到步骤S208。
S208、更新当前高斯模型矩阵，添加当前数据的高斯模型。其中方差的计算公式为：均值的计算公式为/>更新高斯模型后跳转到步骤S204。
实施例2
本发明实施例提供的一种货车状态自适应实时检测装置硬件结构，具体地，如图3所示，所述货车状态自适应实时检测装置30至少包括处理器31、存储器32以及数据总线33。数据总线33用于实现在货车上的传感器、处理器31和存储器32之间的连接通信，存储器32作为一种计算机可读存储介质，可以存储至少一个计算机程序，这些计算机程序可供处理器31读取、编译并执行，从而实现对应的处理流程。在本实施例中，存储器32作为一种计算机可读存储介质，其中存储有货车状态自适应实时检测程序，该程序可供处理器31执行，从而实现如下的货车状态自适应实时检测方法的步骤：
采集设置在货车上的传感器的数据信息，并采用贝叶斯检测方法对所述数据信息进行变点检测；
当检测到变点时，根据所述变点的数据信息判断货车的状态；
重新初始化所述贝叶斯检测方法的参数，重新采集所述传感器的数据信息进行变点检测并判断货车的状态。
具体的，所述装置还实现如下的货车状态自适应实时检测方法的步骤：
实时或者预设时间周期内，采集设置在货车上用于感知货车载货重量的称重传感器或者压力传感器的数据信息；
初始化贝叶斯检测方法的参数，包括所述传感器的初始高斯模型，当前数据模型的初始概率预测分布矩阵，设置所述传感器的高斯概率模型初始均值，所述初始均值对应初始设置的高斯模型方差，通过所述初始均值和所述高斯模型方差确定所述传感器的初始高斯模型；
设当前所述传感器采集的数据信息为上一个变点后在当前数据模型下的第t个数据，根据所述数据信息和所述传感器的初始高斯模型矩阵更新先验概率预测
根据公式(1)计算出所述当前数据模型运行长度信息矩阵，公式(1)如下：
其中t为运行时间，rt为运行长度，x1：t为递归数据，x(l)为与rt相关的数据长度的预测数据模型，p(xt|rt，x(l))为先验概率模型预测矩阵，p(rt|rt-1)为变点概率预测，p(rt-1，x1：t-1)为递归的运行长度信息矩阵；
对p(rt-1，x1：t-1)进行归一化即获当前数据模型的运行数据长度概率矩阵，当数据长度为0的概率最大时，则判定该点为变点；
将所述变点的数据信息与所述当前数据模型的趋势曲线进行拟合，当所述变点位于所述趋势曲线下方，则判断为卸货状态，若所述变点位于所述趋势曲线上方，则判断为装载状态；
当所述运行数据长度概率矩阵显示该点不属于变点时，更新所述传感器的当前高斯模型矩阵你，添加当前数据模型的高斯模型，并重新读取所述传感器的数据信息；
其中方差的计算公式为：均值的计算公式为/>
本发明实施例的货车状态自适应实时检测方法及其装置，在货车负载数据处理中，随着传感器的读数变化自动调节贝叶斯变点检测方法的概率模型预测参数，并在变点检测后重置整个变点检测方法，以达到减少整体系统随机性过大带来的影响。
需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者装置不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者装置所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素。
上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，空调器，或者网络设备等)执行本发明各个实施例所述的方法。
以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。
Claims (8)
1.一种货车状态自适应实时检测方法，其特征在于，所述方法包括：
采集设置在货车上的传感器的数据信息，并采用贝叶斯检测方法对所述数据信息进行变点检测；
当检测到变点时，根据所述变点的数据信息判断货车的状态；
检测到变点之后重新初始化贝叶斯检测方法的参数，重新采集所述传感器的数据信息进行变点检测并判断货车的状态；所述初始化贝叶斯检测方法的参数包括所述传感器的初始高斯模型，当前数据模型的初始概率预测分布矩阵，设置所述传感器的高斯概率模型初始均值，所述初始均值对应初始设置的高斯模型方差，通过所述初始均值和所述高斯模型方差确定所述传感器的初始高斯模型；
所述采用贝叶斯检测方法对所述数据信息进行变点检测的步骤包括：
设当前所述传感器采集的数据信息为上一个变点后在当前数据模型下的第t个数据，根据所述数据信息和所述传感器的初始高斯模型矩阵更新先验概率预测
根据公式(1)计算出当前数据模型运行长度信息矩阵，公式(1)如下：
其中t为运行时间，rt为运行长度，x1：t为递归数据，x(l)为与rt相关的数据长度的预测数据模型，p(xt|rt，x(l))为先验概率模型预测矩阵，每次迭代中先验概率预测将会添加到先验概率矩阵中；p(rt|rt-1)为变点概率预测，p(rt-1，x1：t-1)为递归的运行长度信息矩阵；
对p(rt-1，x1：t-1)进行归一化即获当前数据模型的运行数据长度概率矩阵，当数据长度为0的概率最大时，则判定该点为变点。
2.根据权利要求1所述的货车状态自适应实时检测方法，其特征在于，所述采集设置在货车上的传感器的数据信息的步骤包括：
实时或者预设时间周期内，采集设置在货车上用于感知货车载货重量的称重传感器或者压力传感器的数据信息。
3.根据权利要求1所述的货车状态自适应实时检测方法，其特征在于，所述采用贝叶斯检测方法对所述数据信息进行变点检测的步骤之前，所述方法还包括：
初始化贝叶斯检测方法的参数，包括所述传感器的初始高斯模型，当前数据模型的初始概率预测分布矩阵。
4.根据权利要求3所述的货车状态自适应实时检测方法，其特征在于，设置所述传感器的高斯概率模型初始均值，所述初始均值对应初始设置的高斯模型方差，通过所述初始均值和所述高斯模型方差确定所述传感器的初始高斯模型。
5.根据权利要求1所述的货车状态自适应实时检测方法，其特征在于，所述根据公式(1)计算出所述当前数据模型运行长度信息矩阵的步骤包括：
使用计算出所述当前数据模型长度为1至t的运行长度信息矩阵；使用公式/>计算出所述当前数据模型运行长度为0的信息，将两者结合得到所述当前数据模型运行长度信息矩阵，即是将运行长度为0的信息添加到1-t的信息矩阵上，获取到0-t的运行长度信息矩阵。
6.根据权利要求1所述的货车状态自适应实时检测方法，其特征在于，所述根据所述变点的数据信息判断货车的状态步骤包括：
将所述变点的数据信息与所述当前数据模型的趋势曲线进行拟合，当所述变点位于所述趋势曲线下方，则判断为卸货状态，若所述变点位于所述趋势曲线上方，则判断为装载状态。
7.根据权利要求1所述的货车状态自适应实时检测方法，其特征在于，所述采用贝叶斯检测方法对所述数据信息进行变点检测之后，所述货车状态自适应实时检测方法还包括：
当所述运行数据长度概率矩阵显示该点不属于变点时，更新所述传感器的当前高斯模型矩阵，添加当前数据模型的高斯模型，并重新读取所述传感器的数据信息；
其中方差的计算公式为：均值的计算公式为/>
8.一种货车状态自适应实时检测装置，其特征在于，所述货车状态自适应实时检测装置包括处理器、存储器及数据总线；
所述数据总线用于实现设置在货车上的传感器、所述处理器和所述存储器之间的连接通信；
所述处理器用于执行存储器中存储的货车状态自适应实时检测程序，以实现以下步骤：
采集设置在货车上的传感器的数据信息，并采用贝叶斯检测方法对所述数据信息进行变点检测；
当检测到变点时，根据所述变点的数据信息判断货车的状态；
重新初始化所述贝叶斯检测方法的参数，重新采集所述传感器的数据信息进行变点检测并判断货车的状态；
所述装置还实现以下货车状态自适应实时检测方法的步骤：
实时或者预设时间周期内，采集设置在货车上用于感知货车载货重量的称重传感器或者压力传感器的数据信息；
初始化贝叶斯检测方法的参数，包括所述传感器的初始高斯模型，当前数据模型的初始概率预测分布矩阵，设置所述传感器的高斯概率模型初始均值，所述初始均值对应初始设置的高斯模型方差，通过所述初始均值和所述高斯模型方差确定所述传感器的初始高斯模型；
设当前所述传感器采集的数据信息为上一个变点后在当前数据模型下的第t个数据，根据所述数据信息和所述传感器的初始高斯模型矩阵更新先验概率预测
根据公式(1)计算出当前数据模型运行长度信息矩阵，公式(1)如下：
其中t为运行时间，rt为运行长度，x1：t为递归数据，x(l)为与rt相关的数据长度的预测数据模型，p(xt|rt，x(l))为先验概率模型预测矩阵，每次迭代中先验概率预测将会添加到先验概率矩阵中；p(rt|rt-1)为变点概率预测，p(rt-1，x1：t-1)为递归的运行长度信息矩阵；
对p(rt-1，x1：t-1)进行归一化即获当前数据模型的运行数据长度概率矩阵，当数据长度为0的概率最大时，则判定该点为变点；
将所述变点的数据信息与所述当前数据模型的趋势曲线进行拟合，当所述变点位于所述趋势曲线下方，则判断为卸货状态，若所述变点位于所述趋势曲线上方，则判断为装载状态；
当所述运行数据长度概率矩阵显示该点不属于变点时，更新所述传感器的当前高斯模型矩阵，添加当前数据模型的高斯模型，并重新读取所述传感器的数据信息；
其中方差的计算公式为：均值的计算公式为/>
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110680589.4A CN113312707B (zh) | 2021-06-18 | 2021-06-18 | 货车状态自适应实时检测方法及其装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110680589.4A CN113312707B (zh) | 2021-06-18 | 2021-06-18 | 货车状态自适应实时检测方法及其装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113312707A CN113312707A (zh) | 2021-08-27 |
| CN113312707B true CN113312707B (zh) | 2023-09-08 |
Family
ID=77379325
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110680589.4A Active CN113312707B (zh) | 2021-06-18 | 2021-06-18 | 货车状态自适应实时检测方法及其装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113312707B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118798438A (zh) * | 2024-09-05 | 2024-10-18 | 北京金融大数据有限公司 | 一种基于贝叶斯在线变点检测的企业外迁预警方法及装置 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110334986A (zh) * | 2019-06-20 | 2019-10-15 | 吉旗物联科技（上海）有限公司 | 基于货物量方的车辆装卸点识别方法及装置 |
| CN111126438A (zh) * | 2019-11-22 | 2020-05-08 | 北京理工大学 | 一种驾驶行为识别方法及系统 |
| CN112001596A (zh) * | 2020-07-27 | 2020-11-27 | 北京科技大学 | 一种时间序列数据异常点检测方法及系统 |
| CN112766556A (zh) * | 2021-01-13 | 2021-05-07 | 北京交通大学 | 基于贝叶斯信息准则的铁路轨道历史维修自动识别方法 |
Family Cites Families (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101140025B1 (ko) * | 2010-12-14 | 2012-05-02 | 김기태 | 부정 계측 검출 방법 및 시스템 |
| US20150206427A1 (en) * | 2014-01-17 | 2015-07-23 | International Business Machines Corporation | Prediction of local and network-wide impact of non-recurrent events in transportation networks |
| US11620556B2 (en) * | 2017-06-30 | 2023-04-04 | The Johns Hopkins University | Hardware architecture and processing units for exact Bayesian inference with on-line learning and methods for same |
| AU2018401402B2 (en) * | 2018-01-10 | 2022-01-27 | Beijing Oriental Railway Technology Development Co., Ltd. | Railway overload and unbalanced load system and detection method |
-
2021
- 2021-06-18 CN CN202110680589.4A patent/CN113312707B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110334986A (zh) * | 2019-06-20 | 2019-10-15 | 吉旗物联科技（上海）有限公司 | 基于货物量方的车辆装卸点识别方法及装置 |
| CN111126438A (zh) * | 2019-11-22 | 2020-05-08 | 北京理工大学 | 一种驾驶行为识别方法及系统 |
| CN112001596A (zh) * | 2020-07-27 | 2020-11-27 | 北京科技大学 | 一种时间序列数据异常点检测方法及系统 |
| CN112766556A (zh) * | 2021-01-13 | 2021-05-07 | 北京交通大学 | 基于贝叶斯信息准则的铁路轨道历史维修自动识别方法 |
Non-Patent Citations (1)
| Title |
|---|
| 李丽宏.基于多传感器信息融合的超限超载检测系统设计研究.《中国优秀博硕士学位论文全文数据库(博士)信息科技辑》.2017,第I140-61页. * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113312707A (zh) | 2021-08-27 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113306449B (zh) | 一种新能源汽车的电池健康提醒方法及系统 | |
| CN113312707B (zh) | 货车状态自适应实时检测方法及其装置 | |
| CN113916565B (zh) | 一种方向盘零偏角估计方法、装置、车辆及存储介质 | |
| CN113392518A (zh) | 估计车辆重量的方法和装置 | |
| CN115163266A (zh) | 一种颗粒捕集器灰分负荷确定方法、装置、设备和介质 | |
| CN111798263A (zh) | 一种交易趋势的预测方法和装置 | |
| CN117455976A (zh) | 一种干污泥运出重量的获取方法以及装置 | |
| WO2021187386A1 (en) | Information processor for diagnosing the state of a humidity sensor | |
| CN116615772A (zh) | 生成驾驶建议的方法、装置、设备和存储介质 | |
| CN119550996B (zh) | 车辆侧向速度的确定方法、电子设备及车辆 | |
| CN119474688B (zh) | 一种井下装载机爬坡角度获取方法及系统 | |
| CN119068444B (zh) | 一种牵引车的拖挂角度检测方法、电子设备及存储介质 | |
| CN116189832B (zh) | 一种材料疲劳寿命曲线确定方法及相关设备 | |
| TWI863095B (zh) | 續行里程預估模型取得裝置、續行里程預測裝置及應用其之系統及方法 | |
| CN115265739A (zh) | 用于货车称重传感器的数据滤波方法、装置及存储介质 | |
| CN118790266A (zh) | 一种基于坡度等效的商用车车重估算方法、系统、设备及介质 | |
| WO2024138364A1 (zh) | 基于车辆的重量分布变化来估计坡度的方法、装置和电子设备以及计算机可读介质和车辆 | |
| CN118419012A (zh) | 车辆坡道速度控制方法、设备及计算机可读存储介质 | |
| CN116968810A (zh) | 转向中位修正方法、装置、电子设备及存储介质 | |
| CN116147745A (zh) | 车辆超限检测方法、装置、存储介质和电子装置 | |
| CN117168501A (zh) | Imu标定方法、装置、设备及存储介质 | |
| CN116778274A (zh) | 点云数据均衡重采样方法、装置、目标检测设备及终端 | |
| CN118182491A (zh) | 数据处理方法、装置以及车辆 | |
| CN115808317A (zh) | 汽车前束检测方法、装置、设备及存储介质 | |
| CN118579096A (zh) | 零点偏移补偿方法、装置、设备以及存储介质 |
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 | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20250205 Address after: No. 456, 2nd Floor, Building 12, Steel Trading Center, Gaoxing Logistics Park, Wangcheng Economic and Technological Development Zone, Changsha City, Hunan Province, China 410219 Patentee after: Changsha Gangxin Technology Co.,Ltd. Country or region after: China Address before: 518000 5th floor, Sanhang science and technology building, Northwest University of technology, No. 45, Gaoxin South ninth Road, high tech Zone community, Yuehai street, Nanshan District, Shenzhen, Guangdong Patentee before: Shenzhen Shentuo Technology Co.,Ltd. Country or region before: China |
|
| TR01 | Transfer of patent right |