CN115879230B - 基于深度学习的汽车载重分析模型构建和分析方法 - Google Patents
基于深度学习的汽车载重分析模型构建和分析方法 Download PDFInfo
- Publication number
- CN115879230B CN115879230B CN202310120218.XA CN202310120218A CN115879230B CN 115879230 B CN115879230 B CN 115879230B CN 202310120218 A CN202310120218 A CN 202310120218A CN 115879230 B CN115879230 B CN 115879230B
- Authority
- CN
- China
- Prior art keywords
- load
- oil consumption
- automobile
- data slice
- data
- 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
- 238000004458 analytical method Methods 0.000 title claims abstract description 42
- 238000013135 deep learning Methods 0.000 title claims abstract description 37
- 238000010276 construction Methods 0.000 title claims abstract description 7
- 238000000034 method Methods 0.000 claims abstract description 38
- 238000012876 topography Methods 0.000 claims abstract description 24
- 238000002347 injection Methods 0.000 claims abstract description 23
- 239000007924 injection Substances 0.000 claims abstract description 23
- 239000007788 liquid Substances 0.000 claims abstract description 19
- 238000003062 neural network model Methods 0.000 claims abstract description 18
- 238000012549 training Methods 0.000 claims abstract description 11
- 239000000446 fuel Substances 0.000 claims description 50
- 230000006870 function Effects 0.000 claims description 17
- 230000008859 change Effects 0.000 claims description 10
- 230000008569 process Effects 0.000 claims description 9
- 238000004590 computer program Methods 0.000 claims description 4
- 230000003247 decreasing effect Effects 0.000 claims description 4
- 239000000758 substrate Substances 0.000 claims 1
- 238000004364 calculation method Methods 0.000 description 13
- 230000008901 benefit Effects 0.000 description 8
- 239000000243 solution Substances 0.000 description 6
- 230000004927 fusion Effects 0.000 description 5
- 239000002828 fuel tank Substances 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000013459 approach Methods 0.000 description 2
- 230000007423 decrease Effects 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 230000001419 dependent effect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000002372 labelling Methods 0.000 description 2
- 239000013307 optical fiber Substances 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 239000003502 gasoline Substances 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Landscapes
- Measuring Volume Flow (AREA)
- Combined Controls Of Internal Combustion Engines (AREA)
Abstract
本发明实施例公开了一种基于深度学习的汽车载重分析模型构建和分析方法。其中，构建方法包括：获取汽车以一定时间间隔上传的运行数据，所述运行数据包括瞬时喷油量和油箱液位；将所述运行数据切分为多个数据切片；根据各数据切片中瞬时喷油量和油箱液位，分别确定汽车在对应时段的第一油耗和第二油耗；根据所述时间间隔对所述第一油耗和第二油耗进行加权融合，得到各数据切片对应的最终油耗；根据各数据切片对应的道路地形和最终油耗构建样本，对基于深度学习的神经网络模型进行训练，使模型的输出不断逼近各数据切片对应的汽车载重。本实施例无需增加额外成本，即可以得到准确的车载分析结果。
Description
技术领域
本发明实施例涉及人工智能领域，尤其涉及一种基于深度学习的汽车载重分析模型构建和分析方法。
背景技术
汽车作为运输和交通工具，装载重量是衡量其性能的重要指标。不同的车载重量会影响到司机驾驶行为、安全性能等。
现有技术中无法直接获取准确的车载重量，一般通过加装传感器来分析载重情况。这一方式会增加额外成本，且由于传感器与路况的不确定性，结果准确性也难以保障。
发明内容
本发明实施例提供一种基于深度学习的汽车载重分析模型构建和分析方法，无需增加额外成本，即可以得到准确的车载分析结果。
第一方面，本发明实施例提供了一种基于深度学习的汽车载重分析模型构建方法，包括：
获取汽车以一定时间间隔上传的运行数据，所述运行数据包括瞬时喷油量和油箱液位；
将所述运行数据切分为多个数据切片，使同一数据切片对应的时段内汽车载重固定不变；
根据各数据切片中瞬时喷油量和油箱液位，分别确定汽车在对应时段的第一油耗和第二油耗；
根据所述时间间隔对所述第一油耗和第二油耗进行加权融合，得到各数据切片对应的最终油耗，其中，第一油耗的权重随所述时间间隔的增大而减小，第二油耗的权重随所述时间间隔的增大而增大；
根据各数据切片对应的道路地形和最终油耗构建样本，对基于深度学习的神经网络模型进行训练，使模型的输出不断逼近各数据切片对应的汽车载重。
第二方面，本发明实施例提供了一种基于深度学习的汽车载重分析方法，包括：
获取汽车在特定时段内的道路地形和油耗，其中，所述特定时段内汽车载重固定不变；
根据所述道路地形和油耗构建待检测样本，输入采用上述方法训练的神经网络模型，得到所述特定时段内的汽车载重。
第三方面，本发明实施例还提供了一种电子设备，所述电子设备包括：
一个或多个处理器；
存储器，用于存储一个或多个程序，
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现任一实施例所述的基于深度学习的汽车载重分析模型构建方法，或基于深度学习的汽车载重分析方法。
第四方面，本发明实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现任一实施例所述的基于深度学习的汽车载重分析模型构建方法，或基于深度学习的汽车载重分析方法。
本发明实施例利用汽车油耗、道路地形和汽车载重之间的关系，对基于深度学习的神经网络模型进行训练。首先通过运行数据中的瞬时喷油量和油箱液位，从不同的角度进行油耗估计；然后考虑两种计算方式的优缺点，根据数据上传的时间间隔对两种结果的影响规律对其进行加权融合，提高油耗估计的准确性；得到油耗数据和道路地形数据后，将其作为样本对神经网络模型进行训练，使模型自动输出汽车载重分析结果。整个过程无需在车内加装额外的传感器，降低载重分析成本，提高结果准确性。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式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，下面描述中的附图是本发明的一些实施方式，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。
图1是本发明实施例提供的一种基于深度学习的汽车载重分析模型构建方法的流程图。
图2是本发明实施例提供的一种权重函数曲线图。
图3是本发明实施例提供的一种基于深度学习的汽车载重分析方法的流程图。
图4为本发明实施例提供的一种电子设备的结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将对本发明的技术方案进行清楚、完整的描述。显然，所描述的实施例仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所得到的所有其它实施例，都属于本发明所保护的范围。
在本发明的描述中，需要说明的是，术语“中心”、“上”、“下”、“左”、“右”、“竖直”、“水平”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一”、“第二”、“第三”仅用于描述目的，而不能理解为指示或暗示相对重要性。
在本发明的描述中，还需要说明的是，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。
图1是本发明实施例提供的一种基于深度学习的汽车载重分析模型构建方法的流程图。该方法适用于根据汽车上传的运行数据进行汽车载重分析的情况。由于汽车油耗与道路地形和汽车载重相关，本发明实施例通过基于深度学习的神经网络模型来学习这一关系，并将训练好的神经网络模型作为汽车载重分析模型。该方法由电子设备执行，如图1所示，具体包括如下步骤：
S110、获取汽车以一定时间间隔上传的运行数据，所述运行数据包括瞬时喷油量和油箱液位。
汽车运行数据指汽车运行过程中的各种汽车参数，例如经纬度位置、油箱液位、瞬时喷油量、汽车车速、发动机转速、扭矩、汽车是否熄火等。随着车联网技术的发展，汽车使用过程中可以以一定时间间隔将运行数据上传至管理平台，以便对车辆（尤其是商用车）运行状态进行跟踪。本实施例可以获取这些信息，作为汽车载重分析的数据源。
通常情况下，各种运行数据通过汽车自身配置的各类传感器获取，由于汽车晃动、传感器异常等原因，直接获取的运行数据中会包括噪音和无效数据。获取数据源后，还可以对所述运行数据进行清洗，滤除噪音数据和/或无效数据。示例性的，可以通过使用卡尔曼滤波将无效数据滤除。
S120、将所述运行数据切分为多个数据切片，使同一数据切片对应的时段内汽车载重固定不变。
由于汽车在行驶过程中无法装卸货物，可以认为行驶时段汽车载重不变，从而根据车速或汽车是否熄火来进行数据切分。可选的，从所述运行数据中提取车速为0或汽车熄火的非行驶时段；如果所述非行驶时段的时长超过预设阈值，将所述非行驶时段前后的运行数据切分至两个数据切片。
S130、根据各数据切片中瞬时喷油量和油箱液位，分别确定汽车在对应时段的第一油耗和第二油耗。
通过瞬时喷油量和油箱液位，均可以计算一定时段内的百公里油耗。本实施例充分利用这两项参数，分别从不同的角度进行油耗计算。可选的，对于任一数据切片而言，累加所述数据切片中各时刻的瞬时喷油量，可以得到汽车在所述数据切片对应时段内的一油耗值
f1，表达为积分形式如下：
（1）
其中，
a(
t)表示为瞬时喷油量，
dt表示时间积分。
同时，根据所述数据切片中起始时刻和终止时刻的油箱液位，可以计算汽车在所述对应时段内的另一油耗值
f2，计算公式如下：
（2）
其中，
b(t1)表示起始时刻的油箱液位，
b(t2)为表示终止时刻的油箱液位，表示油箱容量。为了便于区分和描述，本实施例中将利用瞬时喷油量计算得到的油耗值称为第一油耗，将利用油箱液位计算得到的油耗值称为第二油耗。
S140、根据所述时间间隔对所述第一油耗和第二油耗进行加权融合，得到各数据切片对应的最终油耗，其中，第一油耗的权重随所述时间间隔的增大而减小，第二油耗的权重随所述时间间隔的增大而增大。
从公式（1）和公式（2）可以看出，上述两种油耗计算方式各有优缺点。对于使用瞬时喷油量的方式，优点是在数据上传时间间隔较短时计算较准确，缺点是如果数据上传时间间隔较长，计算结果准确度较低。对于使用油箱液位的方式，由于汽车行驶过程中颠簸，油箱内汽油晃动，导致油箱液位准确度较低，因此使用油箱液位计算油耗缺点是计算结果准确度较低，优点是不受数据上传时间间隔的限制。
基于上述优缺点，本步骤根据上传时间间隔构建合适的权重，对所述第一油耗和第二油耗进行加权融合，以弥补两种计算方式的优缺点。可选的，根据以下公式，计算任一数据切片对应的最终油耗
f：
（3）
其中，表示所述时间间隔，
f1表示所述第一油耗，
f2表示所述第二油耗。和分别为第一油耗和第二油耗的权重，和相加和为1，且在时取值范围为[0,1]，如图2所示。图2中横坐标表示数据上传的时间间隔，单位为秒；纵坐标表示第二油耗的权重；可以看出，数据上传时间间隔较短时，较小，则
f1的权重较大，主要使用瞬时喷油量计算的结果；如果数据间隔时长增大，会增大，则
f1的权重会减小，更多使用油箱液位计算的结果。
进一步的，可选的，所述第一油耗和第二油耗的权重随上传时间间隔的变化而变化，且权重变化率随上传时间间隔的增大而减小（即变化曲线的斜率随上传时间间隔的增大而减小）。以公式（3）中的权重为例，从图2可以看出：
f2的权重的变化率也随的增大而减小，而两个权重的和固定不变，因此
f1的权重的变化率也会随的增大而减小。本实施例设置这样的权重属性是因为，瞬时喷油量和油箱液位之间并无明确的线性关系，两个权重也并非随上传时间间隔线性变化，而是存在一定的非线性关系，具体表现为：当较小时第一油耗占主要部分，每增大一次，瞬时喷油量就会存在一部分缺失值，对最终油耗产生比较显著的影响，这时需要以较高的速率减小第一油耗的权重，弥补对最终油耗的显著影响；当增大时，第一油耗的权重减小，缺失值对最终油耗的影响减小，这时只需以较低的速率继续减小第一油耗的权重，就可以平衡两种油耗对最终油耗的影响。
S150、根据各数据切片对应的道路地形和最终油耗构建样本，对基于深度学习的神经网络模型进行训练，使模型的输出不断逼近各数据切片对应的汽车载重。
影响汽车油耗的主要因素为行驶地形和载重，本实施例采用基于深度学习的神经网络模型对这一规律进行学习，模型输入为与道路地形和最终油耗相关的数据，模型输出为汽车载重。可选的，道路地形包括高速路、山路和国道。
在一具体实施方式中，首先，根据每个数据切片构建一个训练样本。可选的，对于任一数据切片而言，根据切片中的运行数据确定对应时段内汽车在各道路地形的行驶里程。具体的确定方法为现有技术，例如专利CN114332825A提供了一种方法，根据车速、发动机转速、发动机扭矩、发动机节气门开度、行驶档位和油门踏板踩合状态，确定各道路地形的行驶里程。里程确定后，将所述数据切片对应的最终油耗和各道路地形的行驶里程，作为一个样本；示例性的，由高速路里程、国道里程、山路里程和最终油耗构成特征向量，作为一样样本。同时，将所述数据切片对应的汽车载重作为所述样本的标签，用于跟模型输出作比较。可选的，汽车载重的类型有M种（例如空载、半载和满载），模型输出和样本标签均包括与M种载重类型一一对应的M个0/1取值，其中，1代表属于对应的载重类型，0代表不属于对应的载重类型；示例性的，如果载重类型为空载，样本标签为[1 0 0]，半载的样本标签为[0 10]，满载的样本标签为[0 0 1]，模型输出的具体形式类似。
样本集构建完毕后，将各样本分别输入所述基于深度学习的神经网络模型进行训练，使模型的输出不断逼近各数据切片对应的汽车载重，即样本标签。可选的，使用基于自注意力的深度学习算法，将每个数据切片的高速路里程、国道里程、山路里程和最终油耗作为输入特征，对计算结果和标注结果进行改进的交叉熵对比。传统的交叉熵函数为：
（4）
其中，L1表示模型损失，N表示样本数量，i表示样本标引，i=1,…,N，c表示载重类型标引，y c 表示样本标签中与第c种载重类型对应的0/1取值（即标注结果），x c 表示模型输出中与第c种载重类型对应的0/1取值（即计算结果）。
传统的交叉熵函数擅长于学习类间的信息，因为它采用了类间竞争机制，只关心对于正确标签预测概率的准确性，忽略了其他非正确标签的差异，导致学习到的特征比较散乱。基于上述缺陷，本实施例对传统的交叉熵函数进行了改进，采用如下函数进行模型训练，以保持正确载重类型在损失函数中的主导地位并兼顾错误载重类型的差异：
（5）
其中，(1+e)×yc-1为各载重类型在损失函数的权重。权重的正负代表了模型参数调整的方向，权重为正时将xc向增大的方向调整，权重为负时将xc向减小的方向调整。权重的绝对值代表了模型参数调整速率，绝对值越大，调整越快。
可以看出，当yc对应错误载重类型时，yc=0，(1+e)×yc-1=-1，这时如果xc=1，表明识别有误，则将xc向减小的方向调整，不断趋近于xc=0，从而保证对错误载重类型的预测准确性。而当yc对应正确载重类型时，yc=1，(1+e)×yc-1=e，这时如果xc=0，表明识别有误，则将xc向增大的方向调整，不断趋近于xc=1，从而保证的正确载重类型的预测准确性。由于正确载重类型的权重绝对值e大于错误载重类型的权重绝对值1，使损失函数更加关注正确载重类型的预测准确性，保持正确载重类型的主体地位。综上，采用上述改进的交叉熵损失函数，能够大大提高模型预测准确度，并加快模型收敛速度。
本实施例利用汽车油耗、道路地形和汽车载重之间的关系，对基于深度学习的神经网络模型进行训练。首先通过运行数据中的瞬时喷油量和油箱液位，从不同的角度进行油耗估计；然后考虑两种计算方式的优缺点，根据上传时间间隔对两种结果的影响规律对其进行加权融合，提高油耗估计的准确性；得到油耗数据和道路地形数据后，将其作为样本对神经网络模型进行训练，使模型自动输出汽车载重分析结果。整个过程无需在车内加装额外的传感器，降低载重分析成本，提高结果准确性。
特别的，在模型训练过程中，针对传统的交叉熵损失函数无法保证非正确标签预测准确性的缺陷，对损失函数进行了改进，通过构建与正确载重类型和错误载重类型适配的函数权重，不仅能够保证两种标签对应的预测结果得到方向正确的调整，还能确保正确载重类型的主体地位，提高预测准确性，加快模型收敛。
基于构建好的汽车载重分析模型，本发明实施例还提供一种基于深度学习的汽车载重分析方法。该方法由电子设备执行，如图3所示，具体包括如下步骤：
S210、获取汽车在特定时段内的道路地形和油耗，其中，所述特定时段内汽车载重固定不变。
与模型构建过程类似，该特定时段可以为某一行车时段，该时段内汽车载重固定不变。其中，汽车在该时段内的油耗，可以通过汽车以一定时间间隔上传的运行数据估算得到。具体的，获取汽车以一定时间间隔上传的、该时段的运行数据，所述运行数据包括瞬时喷油量和油箱液位；根据所述瞬时喷油量和油箱液位，分别确定汽车在该时段内的第一油耗和第二油耗；根据所述时间间隔对所述第一油耗和第二油耗进行加权融合，得到最终油耗。同时，根据该时段的其它运行数据，确定汽车在各道路地形的行驶里程，连同所述最终油耗，共同作为汽车载重分析的输入数据。
S220、根据所述道路地形和油耗构建待检测样本，输入采用上述任一实施例训练的神经网络模型，得到所述特定时段内的汽车载重。
上述任一实施例训练的神经网络模型即为构建好的汽车载重分析模型。本步骤根据汽车在所述特定时段内的最终油耗和在各道路地形的行驶里程构建一个待检测样本，该待检测样本与训练样本具有相同数据结构；将待检测样本输入训练好的汽车载重分析模型，即可得到汽车在该时段内的载重分析结果。
本实施例基于汽车上传的运行数据进行汽车载重分析，利用训练好的神经网络模型自动输出汽车载重分析结果，无需在车内加装额外的传感器，降低载重分析成本，提高结果准确性。
图4为本发明实施例提供的一种电子设备的结构示意图，如图4所示，该设备包括处理器60、存储器61、输入装置62和输出装置63；设备中处理器60的数量可以是一个或多个，图4中以一个处理器60为例；设备中的处理器60、存储器61、输入装置62和输出装置63可以通过总线或其他方式连接，图4中以通过总线连接为例。
存储器61作为一种计算机可读存储介质，可用于存储软件程序、计算机可执行程序以及模块，如本发明实施例中的基于深度学习的汽车载重分析方法对应的程序指令/模块。处理器60通过运行存储在存储器61中的软件程序、指令以及模块，从而执行设备的各种功能应用以及数据处理，即实现任一实施例的基于深度学习的汽车载重分析模型构建方法，或基于深度学习的汽车载重分析方法。
存储器61可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序；存储数据区可存储根据终端的使用所创建的数据等。此外，存储器61可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实例中，存储器61可进一步包括相对于处理器60远程设置的存储器，这些远程存储器可以通过网络连接至设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
输入装置62可用于接收输入的数字或字符信息，以及产生与设备的用户设置以及功能控制有关的键信号输入。输出装置63可包括显示屏等显示设备。
本发明实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现任一实施例的基于深度学习的汽车载重分析模型构建方法，或基于深度学习的汽车载重分析方法。
本发明实施例的计算机存储介质，可以采用一个或多个计算机可读的介质的任意组合。计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质。计算机可读存储介质例如可以是但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子（非穷举的列表）包括：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器（RAM）、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本文件中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。
计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于无线、电线、光缆、RF等等，或者上述的任意合适的组合。
可以以一种或多种程序设计语言或其组合来编写用于执行本发明操作的计算机程序代码，程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如C语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络，包括局域网(LAN)或广域网(WAN)，连接到用户计算机，或者，可以连接到外部计算机（例如利用因特网服务提供商来通过因特网连接）。
最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案。
Claims (10)
1.一种基于深度学习的汽车载重分析模型构建方法，其特征在于，包括：
获取汽车以一定时间间隔上传的运行数据，所述运行数据包括瞬时喷油量和油箱液位；
将所述运行数据切分为多个数据切片，使同一数据切片对应的时段内汽车载重固定不变；
根据各数据切片中瞬时喷油量和油箱液位，分别确定汽车在对应时段的第一油耗和第二油耗；
根据所述时间间隔对所述第一油耗和第二油耗进行加权融合，得到各数据切片对应的最终油耗，其中，第一油耗的权重随所述时间间隔的增大而减小，第二油耗的权重随所述时间间隔的增大而增大；
根据各数据切片对应的道路地形和最终油耗构建样本，对基于深度学习的神经网络模型进行训练，使模型的输出不断逼近各数据切片对应的汽车载重。
2.根据权利要求1所述的方法，其特征在于，所述运行数据还包括车速或汽车是否熄火；
所述将所述运行数据切分为多个数据切片，使同一数据切片对应的时段内汽车载重固定不变，包括：
从所述运行数据中提取车速为0或汽车熄火的非行驶时段；
如果所述非行驶时段的时长超过预设阈值，将所述非行驶时段前后的运行数据切分至两个数据切片。
3.根据权利要求1所述的方法，其特征在于，所述根据各数据切片中瞬时喷油量和油箱液位，分别确定汽车在对应时段的第一油耗和第二油耗，包括：
累加任一数据切片中各时刻的瞬时喷油量，得到汽车在所述数据切片对应时段的第一油耗；
根据所述数据切片中起始时刻和终止时刻的油箱液位，计算汽车在所述对应时段的第二油耗。
4.根据权利要求1所述的方法，其特征在于，
第一油耗的权重随所述时间间隔的增大而减小，且所述时间间隔越小，第一油耗的权重随所述时间间隔的变化率越大；
第二油耗的权重随所述时间间隔的增大而增大，且所述时间间隔越小，第二油耗的权重随所述时间间隔的变化率越大。
5.根据权利要求4所述的方法，其特征在于，所述根据所述时间间隔对所述第一油耗和第二油耗进行加权融合，得到各数据切片对应的最终油耗，包括：
根据以下公式，计算任一数据切片对应的最终油耗f：
其中，表示所述时间间隔，f1表示所述第一油耗，f2表示所述第二油耗；f1的权重随的增大而减小，f2的权重随的增大而增大，且越小，和随的变化率越大。
6.根据权利要求1所述的方法，其特征在于，所述根据各数据切片对应的道路地形和最终油耗构建样本，包括：
根据任一数据切片，确定对应时段内汽车在各道路地形的行驶里程；
将所述数据切片对应的最终油耗和各道路地形的行驶里程，作为一个样本；
将所述数据切片对应的汽车载重，作为所述样本的标签。
7.根据权利要求1所述的方法，其特征在于，汽车载重的类型至少包括空载、半载和满载，模型输出和样本标签均包括与M种载重类型一一对应的M个0/1取值，其中，1代表属于对应的载重类型，0代表不属于对应的载重类型；
所述对基于深度学习的神经网络模型进行训练，使模型的输出不断逼近各数据切片对应的汽车载重，包括：
训练过程中采用如下改进的交叉熵损失函数，来保持正确载重类型在损失函数中的主导地位并兼顾错误载重类型的差异：
其中，L2表示模型损失，N表示样本数量，i表示样本标引，i=1,…,N，c表示载重类型标引，y c 表示样本标签中与第c种载重类型对应的0/1取值，x c 表示模型输出中与第c种载重类型对应的0/1取值。
8.一种基于深度学习的汽车载重分析方法，其特征在于，包括：
获取汽车在特定时段内的道路地形和油耗，其中，所述特定时段内汽车载重固定不变；
根据所述道路地形和油耗构建待检测样本，输入采用如权利要求1-7任一所述的方法训练的神经网络模型，得到所述特定时段内的汽车载重。
9.一种电子设备，其特征在于，包括：
一个或多个处理器；
存储器，用于存储一个或多个程序，
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现权利要求1-7任一所述的基于深度学习的汽车载重分析模型构建方法，或权利要求8所述的基于深度学习的汽车载重分析方法。
10.一种计算机可读存储介质，其特征在于，其上存储有计算机程序，该程序被处理器执行时实现权利要求1-7任一所述的基于深度学习的汽车载重分析模型构建方法，或权利要求8所述的基于深度学习的汽车载重分析方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310120218.XA CN115879230B (zh) | 2023-02-16 | 2023-02-16 | 基于深度学习的汽车载重分析模型构建和分析方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310120218.XA CN115879230B (zh) | 2023-02-16 | 2023-02-16 | 基于深度学习的汽车载重分析模型构建和分析方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115879230A CN115879230A (zh) | 2023-03-31 |
| CN115879230B true CN115879230B (zh) | 2023-05-05 |
Family
ID=85761198
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310120218.XA Active CN115879230B (zh) | 2023-02-16 | 2023-02-16 | 基于深度学习的汽车载重分析模型构建和分析方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115879230B (zh) |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US5831154A (en) * | 1996-01-25 | 1998-11-03 | Mercedes-Benz Ag | Process for determining a liquid quantity, particularly an engine oil quantity in a motor vehicle |
| US5913917A (en) * | 1997-08-04 | 1999-06-22 | Trimble Navigation Limited | Fuel consumption estimation |
| RU2191142C1 (ru) * | 2001-10-10 | 2002-10-20 | Открытое акционерное общество "Техприбор" | Бортовая топливоизмерительная система с компенсацией по характеристическим параметрам топлива |
| CN105737933A (zh) * | 2016-02-04 | 2016-07-06 | 徐州徐工挖掘机械有限公司 | 一种矿用自卸车油位测量装置及测量方法 |
| CN107680375A (zh) * | 2017-09-29 | 2018-02-09 | 深圳市易成自动驾驶技术有限公司 | 一种车辆载重计算方法、装置及存储介质 |
| 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 |
| CN111649798A (zh) * | 2020-06-30 | 2020-09-11 | 三一专用汽车有限责任公司 | 检测方法、车辆、检测装置和计算机可读存储介质 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US11820221B2 (en) * | 2021-06-29 | 2023-11-21 | Nissan North America, Inc. | Vehicle fuel level estimation |
-
2023
- 2023-02-16 CN CN202310120218.XA patent/CN115879230B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US5831154A (en) * | 1996-01-25 | 1998-11-03 | Mercedes-Benz Ag | Process for determining a liquid quantity, particularly an engine oil quantity in a motor vehicle |
| US5913917A (en) * | 1997-08-04 | 1999-06-22 | Trimble Navigation Limited | Fuel consumption estimation |
| RU2191142C1 (ru) * | 2001-10-10 | 2002-10-20 | Открытое акционерное общество "Техприбор" | Бортовая топливоизмерительная система с компенсацией по характеристическим параметрам топлива |
| CN105737933A (zh) * | 2016-02-04 | 2016-07-06 | 徐州徐工挖掘机械有限公司 | 一种矿用自卸车油位测量装置及测量方法 |
| CN107680375A (zh) * | 2017-09-29 | 2018-02-09 | 深圳市易成自动驾驶技术有限公司 | 一种车辆载重计算方法、装置及存储介质 |
| 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 |
| CN111649798A (zh) * | 2020-06-30 | 2020-09-11 | 三一专用汽车有限责任公司 | 检测方法、车辆、检测装置和计算机可读存储介质 |
Non-Patent Citations (2)
| Title |
|---|
| Combined machine learning and physics-based models for estimating fuel consumption of cargo ships;Bingjie Guo et al.;Ocean Engineering;全文 * |
| 矿用自卸车油位测量装置及测量方法的研究;王点等;矿业装备(第9期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115879230A (zh) | 2023-03-31 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111806239B (zh) | 电动车辆续航里程测量方法、电子设备及存储介质 | |
| WO2021045651A1 (ru) | Формирование энергоэффективного трека транспортного средства | |
| US10384687B2 (en) | Method and system for assessing the trip performance of a driver | |
| US10388083B2 (en) | Method and system for assessing the trip performance of a driver | |
| US10611380B2 (en) | Method and system for assessing the trip performance of a driver | |
| US10421461B2 (en) | Method and system for assessing the trip performance of a driver | |
| US10384688B2 (en) | Method and system for assessing the trip performance of a driver | |
| CN114078287A (zh) | 操作具有至少一个牵引电池驱动的牵引马达的传动系的机动车辆的方法 | |
| CN113968242B (zh) | 自动驾驶场景生成方法、装置及系统 | |
| CN112738209A (zh) | 基于大数据和人工智能的数据分析方法及云计算服务器 | |
| US10384686B2 (en) | Method and system for assessing the trip performance of a driver | |
| CN113859265B (zh) | 一种驾驶过程中的提醒方法及设备 | |
| CN111626905A (zh) | 一种乘客安全监测方法、装置及计算机可读存储介质 | |
| CN111489459A (zh) | 一种车辆数据分析方法 | |
| CN115879230B (zh) | 基于深度学习的汽车载重分析模型构建和分析方法 | |
| US10501089B2 (en) | Method and system for assessing the trip performance of a driver | |
| US20220315054A1 (en) | Safety control method and system based on environmental risk assessment for intelligent connected vehicle | |
| CN116395069A (zh) | 电动车辆能量管理方法、装置、存储介质及电动车辆 | |
| US10906553B2 (en) | Systems and methods for vehicle acceleration event prediction inhibit | |
| FR3119040A1 (fr) | Méthodes pour la prédiction de la consommation énergétique d’un véhicule automobile | |
| CN113256845B (zh) | 一种数据采集方法、装置、存储介质及系统 | |
| Konstantinou et al. | Effects of Driving Behavior on Fuel Consumption with Explainable Gradient Boosting Decision Trees | |
| CN118274870A (zh) | 续航里程预测曲线生成方法、装置、车辆、介质及产品 | |
| CN116080524A (zh) | 车辆提醒方法、系统、电子设备、车辆及计算机程序产品 | |
| CN117261605A (zh) | 续航里程确定方法、装置、存储介质及计算机设备 |
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 | ||
| EE01 | Entry into force of recordation of patent licensing contract |
Application publication date: 20230331 Assignee: Zhongqi Intellectual Property (Guangzhou) Co.,Ltd. Assignor: China automobile information technology (Tianjin) Co.,Ltd. Contract record no.: X2024440000002 Denomination of invention: Construction and analysis method of vehicle load analysis model based on deep learning Granted publication date: 20230505 License type: Common License Record date: 20240105 |
|
| EE01 | Entry into force of recordation of patent licensing contract |