CN113989534A - 一种基于多源运行数据的公交车站间载重识别方法和系统 - Google Patents

一种基于多源运行数据的公交车站间载重识别方法和系统 Download PDF

Info

Publication number
CN113989534A
CN113989534A CN202111204859.0A CN202111204859A CN113989534A CN 113989534 A CN113989534 A CN 113989534A CN 202111204859 A CN202111204859 A CN 202111204859A CN 113989534 A CN113989534 A CN 113989534A
Authority
CN
China
Prior art keywords
data
bus
load
vehicle
acceleration
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
Application number
CN202111204859.0A
Other languages
English (en)
Inventor
侯亮
郑正中
王少杰
卜祥建
赖辉平
张文博
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Xiamen University
Original Assignee
Xiamen University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Xiamen University filed Critical Xiamen University
Priority to CN202111204859.0A priority Critical patent/CN113989534A/zh
Publication of CN113989534A publication Critical patent/CN113989534A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • 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
    • G06N3/08—Learning methods
    • G06Q50/40—

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computational Linguistics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Evolutionary Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Electric Propulsion And Braking For Vehicles (AREA)

Abstract

本发明公开了一种基于多源运行数据的公交车站间载重识别方法，包括如下步骤：获取公交车历史运行数据，对获取的公交车历史运行数据进行预处理；根构造预处理后数据的特征向量，再将特征向量归一化处理；将归一化处理后的特征向量生成数据集，并将数据集划分为训练样本集和测试样本集；基于训练样本集对径向基函数神经网络模型进行训练，生成公交车站间载重识别模型，再利用测试样本集进行精度验证；采集公交车不同站间的行驶数据，使用公交车站间载重识别模型对公交车站间载重进行识别。本发明方法有效解决了公交车频繁启停导致载重识别结果不准确的问题，同时也能够识别出不同站间公交车载重的变化，作为实时能量管理策略调整的依据。

Description

一种基于多源运行数据的公交车站间载重识别方法和系统
技术领域
本发明涉及交通运输领域，特别是指一种基于多源运行数据的公交车站间载重识别方法和系统。
背景技术
公交车在不同时间和不同站点间的载客重量差距较大，而载客重量与能量管理策略、制动能量回收策略及驾驶安全性息息相关。对于车辆质量识别，国内外已有很多研究，如地磅系统、基于胎压的载重识别技术、基于遗忘因子的最小二乘法、基于扩展卡尔曼滤波器的估计算法和基于机器学习的方法。专利CN112766771A中采用SVM对重型汽车的整车质量进行预测，该专利基于GPS高度信息对坡度因素进行解耦，而车载GPS海拔数据的精度差，导致识别结果不准确。专利CN 109377046 A中提供一种基于BP神经网络的车辆超载判别方法。
这些方法大都针对是长时间行驶过程中载重不变的小轿车和重型汽车，不一定适用于载重快速变化的公交车。而且现有方法无法排除急加速和急减速时车身俯仰运动对识别结果的影响，而公交车频繁加减速，这将导致识别结果波动和不准确。
发明内容
本发明的主要目的在于克服现有技术中的上述缺陷，提出一种基于多源运行数据的公交车站间载重识别方法，有效解决了公交车频繁启停导致载重识别结果不准确的问题，同时也能够识别出不同站间公交车载重的变化，而且精确的载重识别结果可以作为实时能量管理策略调整的依据。
本发明采用如下技术方案：
一种基于多源运行数据的公交车站间载重识别方法，包括如下步骤：
获取公交车历史运行数据，所述运行数据包括但不限于整车数据、加速度数据；
对获取的公交车历史运行数据进行预处理，删除奇异值，选取有效数据集；
根据整车动力学特性、运动学特性和车身俯仰模型构造预处理后数据的特征向量，再将特征向量归一化处理；
将归一化处理后的特征向量生成数据集，并将数据集划分为训练样本集和测试样本集；
基于训练样本集对径向基函数神经网络模型进行训练，生成公交车站间载重识别模型，再利用测试样本集对训练好的公交车站间载重识别模型进行精度验证；
采集公交车不同站间的行驶数据，使用公交车站间载重识别模型对公交车站间载重进行识别。
具体地，获取公交车历史运行数据，所述运行数据包括但不限于整车数据、加速度数据，具体包括：
车载数据采集系统通过can总线采集整车数据，整车数据包括时间、车速数据和制动踏板开度数据；
车载数据采集系统通过can总线采集驱动电机数据，驱动电机数据包括扭矩；
车载数据采集系统通过MEMS加速度传感器采集公交车加速度数据，加速度数据为公交车前进方向加速度。
具体地，根据整车动力学特性、运动学特性和车身俯仰模型构造预处理后数据的特征向量，具体包括：
根据车辆动力学方程的变形形式如下：
Figure BDA0003306437580000031
其中，v是车速，g是重力加速度，β是道路坡度，m为整车质量，Tm是电机扭矩，i0是主减速比，ηT为机械效率，rw为车轮滚动半径，CD为空气阻力系数，ρ是空气密度，f是滚动阻力系数；
其中道路坡度与所采集数据的关系如下式所示：
Figure BDA0003306437580000032
其中aM为加速度传感器所采集的X向加速度信号，γ为车身俯仰运动导致的与路面夹角；
车身与路面夹角γ的计算公式如下：
Figure BDA0003306437580000033
其中，dfront为车身前方测点离地间距，drear为车身后方测点离地间距，l为两测点间距离。
构造汽车加速度
Figure BDA0003306437580000034
特征向量，电机扭矩Tm特征向量，速度平方v2特征向量，传感器加速度aM特征向量，车身与路夹角γ特征向量。
加速度
Figure BDA0003306437580000035
特征向量的计算公式如下：
Figure BDA0003306437580000036
其中，F为采样频率，vt为t时刻的速度值，vt-1为t-1时刻的速度值。
具体地，基于训练样本集对径向基函数神经网络模型进行训练，生成公交车站间载重识别模型，再利用测试样本集对训练好的公交车站间载重识别模型进行精度验证，具体包括：
基于训练集对径向基函数神经网络模型进行训练，调节模型参数，需调节的参数包括：输入层至隐藏层的非线性变换函数类型，聚类中心位置，隐藏层至输出层的权重；
将测试样本输入训练好的径向基函数神经网络模型，预测出公交车载重；
将标签公交车载重与预测公交车载重进行均方误差估计，判断均方根误差是否满足精度要求。
具体地，采集公交车不同站间的行驶数据，使用公交车站间载重识别模型对公交车站间载重进行识别，具体包括：
通过车载数据采集系统采集公交车从原地起步开始的行驶数据；
对所采集的行驶数据进行片段分割，车速≠0的瞬间到车速降为0的瞬间这段行驶数据作为一段识别数据集；
对每一段数据集进行数据预处理和特征向量构建；
按时间先后顺序，利用公交车站间载重识别模型对不同段的数据集进行载重识别。
本发明实施例还提供一种基于多源运行数据的公交车站间载重识别系统，包括：
历史运行数据获取单元：获取公交车历史运行数据，所述运行数据包括但不限于整车数据、加速度数据；
数据预处理单元：对获取的公交车历史运行数据进行预处理，删除奇异值，选取有效数据集；
特征向量构造单元：根据整车动力学特性、运动学特性和车身俯仰模型构造预处理后数据的特征向量，再将特征向量归一化处理；
数据集生成单元：将归一化处理后的特征向量生成数据集，并将数据集划分为训练样本集和测试样本集；
模型训练单元：基于训练样本集对径向基函数神经网络模型进行训练，生成公交车站间载重识别模型，再利用测试样本集对训练好的公交车站间载重识别模型进行精度验证；
站间载重识别单元：采集公交车不同站间的行驶数据，使用公交车站间载重识别模型对公交车站间载重进行识别。
具体地，历史运行数据获取单元中，获取公交车历史运行数据，所述运行数据包括但不限于整车数据、加速度数据，具体包括：
车载数据采集系统通过can总线采集整车数据，整车数据包括时间、车速数据和制动踏板开度数据；
车载数据采集系统通过can总线采集驱动电机数据，驱动电机数据包括扭矩；
车载数据采集系统通过MEMS加速度传感器采集公交车加速度数据，加速度数据为公交车前进方向加速度。
具体地，特征向量构造单元中，根据整车动力学特性、运动学特性和车身俯仰模型构造预处理后数据的特征向量，具体包括：
根据车辆动力学方程的变形形式如下：
Figure BDA0003306437580000051
其中，v是车速，g是重力加速度，β是道路坡度，m为整车质量，Tm是电机扭矩，i0是主减速比，ηT为机械效率，rw为车轮滚动半径，CD为空气阻力系数，ρ是空气密度，f是滚动阻力系数；
其中道路坡度与所采集数据的关系如下式所示：
Figure BDA0003306437580000052
其中aM为加速度传感器所采集的X向加速度信号，γ为车身俯仰运动导致的与路面夹角；
车身与路面夹角γ的计算公式如下：
Figure BDA0003306437580000061
其中，dfront为车身前方测点离地间距，drear为车身后方测点离地间距，l为两测点间距离。
构造汽车加速度
Figure BDA0003306437580000062
特征向量，电机扭矩Tm特征向量，速度平方v2特征向量，传感器加速度aM特征向量，车身与路夹角γ特征向量。
加速度
Figure BDA0003306437580000063
特征向量的计算公式如下：
Figure BDA0003306437580000064
其中，F为采样频率，vt为t时刻的速度值，vt-1为t-1时刻的速度值。
具体地，模型训练单元中，基于训练样本集对径向基函数神经网络模型进行训练，生成公交车站间载重识别模型，再利用测试样本集对训练好的公交车站间载重识别模型进行精度验证，具体包括：
基于训练集对径向基函数神经网络模型进行训练，调节模型参数，需调节的参数包括：输入层至隐藏层的非线性变换函数类型，聚类中心位置，隐藏层至输出层的权重；
将测试样本输入训练好的径向基函数神经网络模型，预测出公交车载重；
将标签公交车载重与预测公交车载重进行均方误差估计，判断均方根误差是否满足精度要求。
具体地，站间载重识别单元中，采集公交车不同站间的行驶数据，使用公交车站间载重识别模型对公交车站间载重进行识别，具体包括：
通过车载数据采集系统采集公交车从原地起步开始的行驶数据；
对所采集的行驶数据进行片段分割，车速≠0的瞬间到车速降为0的瞬间这段行驶数据作为一段识别数据集；
对每一段数据集进行数据预处理和特征向量构建；
按时间先后顺序，利用公交车站间载重识别模型对不同段的数据集进行载重识别。
由上述对本发明的描述可知，与现有技术相比，本发明具有如下有益效果：
本发明基于多源运行数据的公交车站间载重识别方法首先，利用车载数据采集系统采集驱动电机扭矩、车速、制动踏板开度、加速度、车身两点离地间距这些公交车行驶数据，经过数据预处理、有效片段提取、构建特征值(汽车加速度
Figure BDA0003306437580000071
特征向量，电机扭矩Tm特征向量，速度平方v2特征向量，传感器加速度aM特征向量，车身与路夹角γ特征向量)，以载重为标签，用训练集对径向基函数神经网络模型进行训练获得公交车载重识别模型，并用测试集对该模型进行测试验证，最后将该载重识别模型应用于公交车站间载重预测，基于车速为0时刻作为站间划分依据。本发明利用多种传感器数据进行公交车载重识别，有效解决了公交车频繁启停导致载重识别结果不准确的问题；同时也能够识别出不同站间公交车载重的变化；精确的载重识别结果可以作为实时能量管理策略调整的依据，也可以为制动能量回收策略提供更准确的需求制动力矩，对公交车的经济型和安全性的提升是非常有利的。
附图说明
图1为本发明基于多源数据的公交车站间载重识别方法的总流程图；
图2为本发明基于多源数据的公交车站间载重识别方法详细流程图；
图3为本发明所采集的公交车行驶数据示意图。
具体实施方式
以下通过具体实施方式对本发明作进一步的描述。
如图1-2所示，本发明提供一种基于多源运行数据的公交车站间载重识别方法，包括如下步骤：
S1：获取公交车历史运行数据，所述运行数据包括但不限于整车数据、加速度数据；
利用车载数据采集系统和can总线、MEMS加速度传感器、超声波测距传感器采集公交车运行数据，所述数据包括整车数据、加速度数据、距离数据，具体数据如图3所示；具体步骤如下：
S11.在公交车上安装车载数据采集系统、MEMS加速度传感器和超声波车距传感器，并设定采样频率为100Hz；
S12.车载数据采集系统通过can总线采集整车数据，整车数据包括时间、车速数据和制动踏板开度数据；
S13.车载数据采集系统通过can总线采集驱动电机数据，驱动电机数据包括扭矩；
S14.车载数据采集系统通过MEMS加速度传感器采集公交车加速度数据，加速度数据为公交车前进方向加速度。
S2：对获取的公交车历史运行数据进行预处理，删除奇异值，选取有效数据集；具体步骤：
S21.判断车载数据采集系统所采数据是否存在奇异值；
若是，则删除该时刻的所有数据，进入步骤S22；
若否，进入步骤S22；
S22.对车载数据采集系统所采数据按以下规则进行有效数据及片段选取：
规则一：最小车速>5m/s，保证车辆稳定行驶；
规则二：制动踏板开度＝0，消除制动力影响；
规则三：0.05m/s^2<加速度<0.8m/s^2，消除不稳定数据；
规则四：驱动扭矩>500N，消除不稳定数据；
S3：根据整车动力学特性、运动学特性和车身俯仰模型构造预处理后数据的特征向量，再将特征向量归一化处理；
S31.根据车辆动力学方程的变形形式如下：
Figure BDA0003306437580000091
其中，v是车速，g是重力加速度，β是道路坡度，m为整车质量，Tm是电机扭矩，i0是主减速比，ηT为机械效率，rw为车轮滚动半径，CD为空气阻力系数，ρ是空气密度，f是滚动阻力系数。
可以发现公式中随着行驶过车动态变化的参数有车速v和坡度β，其他参数均为定值。其中道路坡度与所采集数据的关系如下式所示：
Figure BDA0003306437580000092
其中aM为加速度传感器所采集的X向加速度信号，γ为车身俯仰运动导致的与路面夹角。
车身与路面夹角γ的计算公式如下：
Figure BDA0003306437580000093
其中，dfront为车身前方测点离地间距，drear为车身后方测点离地间距，l为两测点间距离。
综合考虑以上三个公式，构造汽车加速度
Figure BDA0003306437580000094
特征向量，电机扭矩Tm特征向量，速度平方v2特征向量，传感器加速度aM特征向量，车身与路夹角γ特征向量。
特征值的计算公式如下
Figure BDA0003306437580000095
F为采样频率；
S32.将所选的5个特征向量进行z-score归一化处理，将每个特征向量处理成均值为0标准差为1的数据集；
S4：将归一化处理后的特征向量生成数据集，并将数据集划分为训练样本集和测试样本集；
S41.以载重作为列标签，将归一化处理后的5个特征向量生成特征向量数据集
S42.特征向量列数据集的80％作为训练集，特征向量列数据集的20％作为测试集
S5：基于训练样本集对径向基函数神经网络模型进行训练，生成公交车站间载重识别模型，再利用测试样本集对训练好的公交车站间载重识别模型进行精度验证；
S51.基于训练集对径向基函数神经网络模型进行训练，调节模型参数以获得较为准确的学习模型，所属需调节的超参数包括：输入层至隐藏层的非线性变换函数类型，聚类中心位置，隐藏层至输出层的权重。
S52.将测试样本输入训练好的径向基函数神经网络模型，预测出公交车载重；
S53.将所述标签质量与所述预测质量进行均方误差估计，判断均方根误差是否小于阈值；
若小于阈值，判断该载重识别模型的识别精度达到要求，进入步骤S6；
若大于阈值，判断该载重识别模型的识别精度未达到要求，返回步骤S1
S6：采集公交车不同站间的行驶数据，使用公交车站间载重识别模型对公交车站间载重进行识别。
具体步骤如下：
S61.通过车载数据采集系统采集公交车从原地起步开始的行驶数据；
S62.对所采集的行驶数据进行片段分割，车速≠0的瞬间到车速降为0的瞬间这段行驶数据作为一段识别数据集；
S63.对每一段数据集进行数据预处理和特征向量构建；
S64.按时间先后顺序，利用公交车载重识别模型对不同段的数据集进行载重识别。
上述仅为本发明的具体实施方式，但本发明的设计构思并不局限于此，凡利用此构思对本发明进行非实质性的改动，均应属于侵犯本发明保护范围的行为。

Claims (10)

1.一种基于多源运行数据的公交车站间载重识别方法，其特征在于，包括如下步骤：
获取公交车历史运行数据，所述运行数据包括但不限于整车数据、加速度数据；
对获取的公交车历史运行数据进行预处理，删除奇异值，选取有效数据集；
根据整车动力学特性、运动学特性和车身俯仰模型构造预处理后数据的特征向量，再将特征向量归一化处理；
将归一化处理后的特征向量生成数据集，并将数据集划分为训练样本集和测试样本集；
基于训练样本集对径向基函数神经网络模型进行训练，生成公交车站间载重识别模型，再利用测试样本集对训练好的公交车站间载重识别模型进行精度验证；
采集公交车不同站间的行驶数据，使用公交车站间载重识别模型对公交车站间载重进行识别。
2.根据权利要求1所述的一种基于多源运行数据的公交车站间载重识别方法，其特征在于，获取公交车历史运行数据，所述运行数据包括但不限于整车数据、加速度数据，具体包括：
车载数据采集系统通过can总线采集整车数据，整车数据包括时间、车速数据和制动踏板开度数据；
车载数据采集系统通过can总线采集驱动电机数据，驱动电机数据包括扭矩；
车载数据采集系统通过MEMS加速度传感器采集公交车加速度数据，加速度数据为公交车前进方向加速度。
3.根据权利要求1所述的一种基于多源运行数据的公交车站间载重识别方法，其特征在于，根据整车动力学特性、运动学特性和车身俯仰模型构造预处理后数据的特征向量，具体包括：
根据车辆动力学方程的变形形式如下：
Figure FDA0003306437570000021
其中，v是车速，g是重力加速度，β是道路坡度，m为整车质量，Tm是电机扭矩，i0是主减速比，ηT为机械效率，rw为车轮滚动半径，CD为空气阻力系数，ρ是空气密度，f是滚动阻力系数；
其中道路坡度与所采集数据的关系如下式所示：
Figure FDA0003306437570000022
其中aM为加速度传感器所采集的X向加速度信号，γ为车身俯仰运动导致的与路面夹角；
车身与路面夹角γ的计算公式如下：
Figure FDA0003306437570000023
其中，dfront为车身前方测点离地间距，drear为车身后方测点离地间距，l为两测点间距离。
构造汽车加速度
Figure FDA0003306437570000024
特征向量，电机扭矩Tm特征向量，速度平方v2特征向量，传感器加速度aM特征向量，车身与路夹角γ特征向量。
加速度
Figure FDA0003306437570000025
特征向量的计算公式如下：
Figure FDA0003306437570000026
其中，F为采样频率，vt为t时刻的速度值，vt-1为t-1时刻的速度值。
4.根据权利要求3所述的一种基于多源运行数据的公交车站间载重识别方法，其特征在于，基于训练样本集对径向基函数神经网络模型进行训练，生成公交车站间载重识别模型，再利用测试样本集对训练好的公交车站间载重识别模型进行精度验证，具体包括：
基于训练集对径向基函数神经网络模型进行训练，调节模型参数，需调节的参数包括：输入层至隐藏层的非线性变换函数类型，聚类中心位置，隐藏层至输出层的权重；
将测试样本输入训练好的径向基函数神经网络模型，预测出公交车载重；
将标签公交车载重与预测公交车载重进行均方误差估计，判断均方根误差是否满足精度要求。
5.根据权利要求1所述的一种基于多源运行数据的公交车站间载重识别方法，其特征在于，采集公交车不同站间的行驶数据，使用公交车站间载重识别模型对公交车站间载重进行识别，具体包括：
通过车载数据采集系统采集公交车从原地起步开始的行驶数据；
对所采集的行驶数据进行片段分割，车速≠0的瞬间到车速降为0的瞬间这段行驶数据作为一段识别数据集；
对每一段数据集进行数据预处理和特征向量构建；
按时间先后顺序，利用公交车站间载重识别模型对不同段的数据集进行载重识别。
6.一种基于多源运行数据的公交车站间载重识别系统，其特征在于，包括：
历史运行数据获取单元：获取公交车历史运行数据，所述运行数据包括但不限于整车数据、加速度数据；
数据预处理单元：对获取的公交车历史运行数据进行预处理，删除奇异值，选取有效数据集；
特征向量构造单元：根据整车动力学特性、运动学特性和车身俯仰模型构造预处理后数据的特征向量，再将特征向量归一化处理；
数据集生成单元：将归一化处理后的特征向量生成数据集，并将数据集划分为训练样本集和测试样本集；
模型训练单元：基于训练样本集对径向基函数神经网络模型进行训练，生成公交车站间载重识别模型，再利用测试样本集对训练好的公交车站间载重识别模型进行精度验证；
站间载重识别单元：采集公交车不同站间的行驶数据，使用公交车站间载重识别模型对公交车站间载重进行识别。
7.根据权利要求6所述的一种基于多源运行数据的公交车站间载重识别系统，其特征在于，历史运行数据获取单元中，获取公交车历史运行数据，所述运行数据包括但不限于整车数据、加速度数据，具体包括：
车载数据采集系统通过can总线采集整车数据，整车数据包括时间、车速数据和制动踏板开度数据；
车载数据采集系统通过can总线采集驱动电机数据，驱动电机数据包括扭矩；
车载数据采集系统通过MEMS加速度传感器采集公交车加速度数据，加速度数据为公交车前进方向加速度。
8.根据权利要求6所述的一种基于多源运行数据的公交车站间载重识别系统，其特征在于，特征向量构造单元中，根据整车动力学特性、运动学特性和车身俯仰模型构造预处理后数据的特征向量，具体包括：
根据车辆动力学方程的变形形式如下：
Figure FDA0003306437570000041
其中，v是车速，g是重力加速度，β是道路坡度，m为整车质量，Tm是电机扭矩，i0是主减速比，ηT为机械效率，rw为车轮滚动半径，CD为空气阻力系数，ρ是空气密度，f是滚动阻力系数；
其中道路坡度与所采集数据的关系如下式所示：
Figure FDA0003306437570000051
其中aM为加速度传感器所采集的X向加速度信号，γ为车身俯仰运动导致的与路面夹角；
车身与路面夹角γ的计算公式如下：
Figure FDA0003306437570000052
其中，dfront为车身前方测点离地间距，drear为车身后方测点离地间距，l为两测点间距离。
构造汽车加速度
Figure FDA0003306437570000053
特征向量，电机扭矩Tm特征向量，速度平方v2特征向量，传感器加速度aM特征向量，车身与路夹角γ特征向量。
加速度
Figure FDA0003306437570000054
特征向量的计算公式如下：
Figure FDA0003306437570000055
其中，F为采样频率，vt为t时刻的速度值，vt-1为t-1时刻的速度值。
9.根据权利要求8所述的一种基于多源运行数据的公交车站间载重识别系统，其特征在于，模型训练单元中，基于训练样本集对径向基函数神经网络模型进行训练，生成公交车站间载重识别模型，再利用测试样本集对训练好的公交车站间载重识别模型进行精度验证，具体包括：
基于训练集对径向基函数神经网络模型进行训练，调节模型参数，需调节的参数包括：输入层至隐藏层的非线性变换函数类型，聚类中心位置，隐藏层至输出层的权重；
将测试样本输入训练好的径向基函数神经网络模型，预测出公交车载重；
将标签公交车载重与预测公交车载重进行均方误差估计，判断均方根误差是否满足精度要求。
10.根据权利要求6所述的一种基于多源运行数据的公交车站间载重识别系统，其特征在于，站间载重识别单元中，采集公交车不同站间的行驶数据，使用公交车站间载重识别模型对公交车站间载重进行识别，具体包括：
通过车载数据采集系统采集公交车从原地起步开始的行驶数据；
对所采集的行驶数据进行片段分割，车速≠0的瞬间到车速降为0的瞬间这段行驶数据作为一段识别数据集；
对每一段数据集进行数据预处理和特征向量构建；
按时间先后顺序，利用公交车站间载重识别模型对不同段的数据集进行载重识别。
CN202111204859.0A 2021-10-15 2021-10-15 一种基于多源运行数据的公交车站间载重识别方法和系统 Pending CN113989534A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111204859.0A CN113989534A (zh) 2021-10-15 2021-10-15 一种基于多源运行数据的公交车站间载重识别方法和系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111204859.0A CN113989534A (zh) 2021-10-15 2021-10-15 一种基于多源运行数据的公交车站间载重识别方法和系统

Publications (1)

Publication Number Publication Date
CN113989534A true CN113989534A (zh) 2022-01-28

Family

ID=79738882

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111204859.0A Pending CN113989534A (zh) 2021-10-15 2021-10-15 一种基于多源运行数据的公交车站间载重识别方法和系统

Country Status (1)

Country Link
CN (1) CN113989534A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116090938A (zh) * 2023-04-06 2023-05-09 江苏华溯大数据有限公司 一种后装车辆载重状态识别方法
CN116306254A (zh) * 2023-02-18 2023-06-23 交通运输部规划研究院 货车载重估计方法及其模型训练方法、装置

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110148230A (zh) * 2019-05-20 2019-08-20 兴民智通(武汉)汽车技术有限公司 一种基于lstm神经网络的整车载重预测方法
CN112766771A (zh) * 2021-01-26 2021-05-07 中国重汽集团济南动力有限公司 一种基于svm的重型汽车整车质量预测方法
WO2021103625A1 (zh) * 2019-11-25 2021-06-03 北京理工大学 一种基于前车与自车互动的短期车速工况实时预测方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110148230A (zh) * 2019-05-20 2019-08-20 兴民智通(武汉)汽车技术有限公司 一种基于lstm神经网络的整车载重预测方法
WO2021103625A1 (zh) * 2019-11-25 2021-06-03 北京理工大学 一种基于前车与自车互动的短期车速工况实时预测方法
CN112766771A (zh) * 2021-01-26 2021-05-07 中国重汽集团济南动力有限公司 一种基于svm的重型汽车整车质量预测方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
谢炜;: "基于BP神经网络的公交车到站时间预测", 中国石油大学胜利学院学报, no. 04, 15 December 2016 (2016-12-15), pages 44 - 46 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116306254A (zh) * 2023-02-18 2023-06-23 交通运输部规划研究院 货车载重估计方法及其模型训练方法、装置
CN116306254B (zh) * 2023-02-18 2023-11-10 交通运输部规划研究院 货车载重估计方法及其模型训练方法、装置
CN116090938A (zh) * 2023-04-06 2023-05-09 江苏华溯大数据有限公司 一种后装车辆载重状态识别方法

Similar Documents

Publication Publication Date Title
CN109641603B (zh) 异常检测装置、异常检测方法和计算机程序
CN106971194B (zh) 一种基于改进hmm和svm双层算法的驾驶意图识别方法
CN113989534A (zh) 一种基于多源运行数据的公交车站间载重识别方法和系统
CN108622105B (zh) 基于多元回归分析的车辆弯道安全车速预测及预警系统
CN101883695B (zh) 用于支持车辆驾驶的调节策略的方法和设备
CN107458380A (zh) 一种适用于综合驾驶工况下的道路坡度实时估计方法
CN112304633B (zh) 一种路面湿滑状态下汽车制动安全性风险识别方法
CN111783943B (zh) 一种基于lstm神经网络的驾驶员制动强度预测方法
CN111563555A (zh) 一种司机驾驶行为分析方法及系统
CN111216736A (zh) 基于行驶工况的辅助驾驶系统自适应调节方法及系统
CN113581188A (zh) 一种基于车联网数据的商用车驾驶员驾驶风格识别方法
CN105808857A (zh) 基于碰撞变形深度的汽车主动安全系统有效性的预测方法
CN112991685A (zh) 考虑驾驶人疲劳状态影响的交通系统风险评估及预警方法
CN114954494A (zh) 一种重型商用车辆载重快速估计方法
CN114987539A (zh) 一种基于风险场模型的自动驾驶汽车个性化碰撞分级预警方法及系统
CN108509999A (zh) 一种愤怒驾驶检测及安全预警方法
Liu et al. Development of Driver-Behavior Model Based onWOA-RBM Deep Learning Network
CN116092037B (zh) 融合轨迹空间-语义特征的车辆类型识别方法
CN116821775A (zh) 一种基于机器学习的载重估计方法
CN113761715A (zh) 一种基于高斯混合和隐马尔可夫的个性化车辆跟驰模型的建立方法
Leoni et al. Real Time Passenger Mass Estimation for e-scooters
CN113128120A (zh) 一种汽车起重机典型行驶工况构建方法
CN113291311A (zh) 一种紧急避撞工况下驾驶员异常行为检测方法及存储介质
CN116383678B (zh) 一种营运客车异常变速行为常发性路段识别方法
Anil et al. Driver behavior analysis using K-means algorithm

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