CN116306254A - 货车载重估计方法及其模型训练方法、装置 - Google Patents

货车载重估计方法及其模型训练方法、装置 Download PDF

Info

Publication number
CN116306254A
CN116306254A CN202310146805.6A CN202310146805A CN116306254A CN 116306254 A CN116306254 A CN 116306254A CN 202310146805 A CN202310146805 A CN 202310146805A CN 116306254 A CN116306254 A CN 116306254A
Authority
CN
China
Prior art keywords
truck
data
feature extraction
load
model
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.)
Granted
Application number
CN202310146805.6A
Other languages
English (en)
Other versions
CN116306254B (zh
Inventor
顾明臣
熊慧媛
孙硕
刘宏
刘增军
黄叒
张硕
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.)
Transport Planning And Research Institute Ministry Of Transport
Original Assignee
Transport Planning And Research Institute Ministry Of Transport
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 Transport Planning And Research Institute Ministry Of Transport filed Critical Transport Planning And Research Institute Ministry Of Transport
Priority to CN202310146805.6A priority Critical patent/CN116306254B/zh
Publication of CN116306254A publication Critical patent/CN116306254A/zh
Application granted granted Critical
Publication of CN116306254B publication Critical patent/CN116306254B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • 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
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/14—Force analysis or force optimisation, e.g. static or dynamic forces
    • 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)
  • Theoretical Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biophysics (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Biomedical Technology (AREA)
  • General Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Geometry (AREA)
  • Medical Informatics (AREA)
  • Computer Hardware Design (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明提供了一种货车载重估计方法及其模型训练方法、装置，涉及货车载重数据分析技术领域，该模型在训练过程中利用时序特征提取策略和静态特征提取策略对训练集中的货车载重数据进行特征提取，通过融合货车运动学时序特征和货车静态特征，挖掘货车载重与输入特征之间的非线性关系，从而提高了模型性能，在利用该模型进行货车载重估计时提高了估计精度和估计效果。

Description

货车载重估计方法及其模型训练方法、装置
技术领域
本发明涉及货车载重数据分析技术领域，尤其是涉及一种货车载重估计方法及其模型训练方法、装置。
背景技术
伴随着货运物流需求的不断增加，货运车辆运输安全监管和服务难度明显加大，重载货车运输安全风险问题愈发突出。由货车载重不规范引起的超限超载行为依然是造成公路路面和桥梁等基础设施严重损坏、导致重大交通事故发生的首要原因，面对大范围的公路网超限超载的精准化管控、货车通行费差异化收费调控、路面承重损坏程度测算等诸多难题，现有技术中还缺乏准确、实时的货车载重数据的检测方式。
现有的货车载重估算过程主要从静态称重、动态称重两个方面来实现，静态称重存在测量效率低、影响交通运行效率等诸多问题；动态称重技术需要在特定高速路口或断面路段上布设称重相关设备且对道路条件有较高的要求。这些传统称重设施无法实现大面积覆盖在高速公路和普通公路上，无法对大范围区域路网货车载重进行动态掌握，并且称重设备误差也各有差异，存在称重结果不一致的问题。
随着人工智能技术的快速发展，机器学习、神经网络方法在车载式动态称重系统中得到了应用，通过车辆运动时产生的发动机扭矩、车辆牵引力、加速度、速度、急动度等动态特征进行建模来对货车载重进行评估，但评估过程中很少考虑车辆自身车长、轴数、车型等静态特征，因此现有使用神经网络对货车载重进行估计时还存在着精度低，效果差的问题。
发明内容
有鉴于此，本发明的目的在于提供一种货车载重估计方法及其模型训练方法、装置，该模型在训练过程中利用时序特征提取策略和静态特征提取策略对训练集中的货车载重数据进行特征提取，通过融合货车运动学时序特征和货车静态特征，挖掘货车载重与输入特征之间的非线性关系，从而提高了模型性能，在利用该模型进行货车载重估计时提高了估计精度和估计效果。
第一方面，本发明实施例提供了一种用于货车载重估计的模型训练方法，该方法包括以下步骤：
获取包含货车载重数据的多个数据集；其中，数据集至少包括：训练集以及验证集；
将数据集输入至预先构建的货车载重估计初始模型中，利用预设的时序特征提取策略和静态特征提取策略分别对训练集中的货车载重数据进行特征提取，得到训练集对应的时序特征提取结果和静态特征提取结果；
利用时序特征提取结果和静态特征提取结果进行特征融合训练，得到训练集中货车载重数据的特征融合张量；并利用特征融合张量进行载重计算得到训练集中货车载重数据对应的载重计算结果；
利用验证集对训练集中货车载重数据对应的载重计算结果进行验证，得到货车载重估计初始模型的验证结果；并利用验证结果更新数据集；
当验证结果满足预设阈值条件时停止货车载重估计初始模型的训练，并将当前货车载重估计初始模型确定为用于货车载重估计的模型。
在一些实施方式中，获取包含货车载重数据的多个数据集的步骤，包括：
利用高速公路收费入口治超站和交调轴载站提供的数据接口，分别获取货车的第一载重数据和第二载重数据；并根据第一载重数据和第二载重数据确定货车的静态特征数据；
利用货车调度站提供的数据接口获取货车定位数据，并根据货车定位数据确定货车的动力学时序特征数据；
将货车的静态特征数据和动力学时序特征数据按照预设比例进行划分，得到包含货车载重数据的多个数据集。
在一些实施方式中，将货车的静态特征数据和动力学时序特征数据按照预设比例进行划分，得到包含货车载重数据的多个数据集的步骤，包括：
获取货车载重估计初始模型在训练过程中输出的验证结果，并根据验证结果确定货车的载重数据；
将静态特征数据、动力学时序特征数据和载重数据汇总得到的数据集按照2:7:1的比例进行随机划分，并通过数据归一化处理后分别得到训练集、验证集和测试集。
在一些实施方式中，利用预设的时序特征提取策略和静态特征提取策略分别对训练集中的货车载重数据进行特征提取，得到训练集对应的时序特征提取结果和静态特征提取结果，包括：
获取货车载重数据中包含的：货车速度、货车加速度、货车车型、货车轴数和货车车长；
利用时序特征提取策略对货车速度和货车加速度进行特征提取，得到时序特征提取结果；
利用静态特征提取策略对货车车型、货车轴数和货车车长进行特征提取，得到静态特征提取结果。
在一些实施方式中，利用时序特征提取策略对货车速度和货车加速度进行特征提取，得到时序特征提取结果的步骤，包括：
利用时序特征提取策略确定时间窗参数；
利用时间窗参数确定货车速度和货车加速度对应的运动学时序特征；
将运动学时序特征输入至预设的时序特征提取模块中，并通过时序特征提取模块中包含的全连接层和注意力层输出时序特征提取结果。
在一些实施方式中，利用静态特征提取策略对货车车型、货车轴数和货车车长进行特征提取，得到静态特征提取结果的步骤，包括：
获取货车车型、货车轴数和货车车长对应的静态特征；
将静态特征输入至预设的静态特征提取模块中，并通过静态特征提取模块中包含的堆叠自编码器输出静态特征提取结果。
在一些实施方式中，利用时序特征提取结果和静态特征提取结果进行特征融合训练，得到训练集中货车载重数据的特征融合张量，包括：
获取货车载重数据中包含的货车进站时间，并将货车进站时间进行编码处理后，得到时间特征向量；
获取静态特征提取结果对应的静态特征向量，并将时间特征向量与静态特征向量进行拼接后输入至预设的第一全连接层，得到第一融合结果；
获取时序特征提取结果对应的时序特征向量，并将第一融合结果与时序特征向量进行拼接后输入至预设的第二全连接层，得到第二融合结果；
利用第二融合结果确定特征融合张量。
第二方面，本发明实施例提供了一种货车载重估计方法，该方法包括以下步骤：
获取待评估货车的车辆数据；
将车辆数据输入至预先完成训练的货车载重估计模型中，并获取货车载重估计模型的输出结果；其中，货车载重估计模型通过上述第一方面的用于货车载重估计的模型训练方法训练得到；
利用输出结果确定待评估货车的载重数据。
第三方面，本发明实施例提供了一种用于货车载重估计的模型训练装置，该装置包括：
模型训练初始化模块，用于获取包含货车载重数据的多个数据集；其中，数据集至少包括：训练集以及验证集；
第一模型训练模块，用于将数据集输入至预先构建的货车载重估计初始模型中，利用预设的时序特征提取策略和静态特征提取策略分别对训练集中的货车载重数据进行特征提取，得到训练集对应的时序特征提取结果和静态特征提取结果；
第二模型训练模块，用于利用时序特征提取结果和静态特征提取结果进行特征融合训练，得到训练集中货车载重数据的特征融合张量；并利用特征融合张量进行载重计算得到训练集中货车载重数据对应的载重计算结果；
第三模型训练模块，用于利用验证集对训练集中货车载重数据对应的载重计算结果进行验证，得到货车载重估计初始模型的验证结果；并利用验证结果更新数据集；
模型训练停止模块，用于当验证结果满足预设阈值条件时停止货车载重估计初始模型的训练，并将当前货车载重估计初始模型确定为用于货车载重估计的模型。
第四方面，本发明实施例提供了一种货车载重估计装置，该装置包括：
估计数据获取模块，用于获取待评估货车的车辆数据；
载重评估执行模块，用于将车辆数据输入至预先完成训练的货车载重估计模型中，并获取货车载重估计模型的输出结果；其中，货车载重估计模型通过上述第一方面提到的用于货车载重估计的模型训练方法训练得到；
载重数据获取模块，用于利用输出结果确定待评估货车的载重数据。
第五方面，本发明实施方式还提供一种电子设备，包括处理器和存储器，存储器存储有能够被处理器执行的计算机可执行指令，处理器执行计算机可执行指令以实现第一方面提供的用于货车载重估计的模型训练方法以及第二方面提供的货车载重估计方法的步骤。
第六方面，本发明实施方式还提供一种存储介质，存储介质存储有计算机可执行指令，计算机可执行指令在被处理器调用和执行时，计算机可执行指令促使处理器实现第一方面提供的用于货车载重估计的模型训练方法以及第二方面提供的货车载重估计方法的步骤。
本发明实施例带来了以下有益效果：本发明实施例提供了一种货车载重估计方法及其模型训练方法、装置，在用于货车载重估计的模型训练过程中，首先获取包含货车载重数据的多个数据集；其中，数据集至少包括：训练集以及验证集；然后将将数据集输入至预先构建的货车载重估计初始模型中，利用预设的时序特征提取策略和静态特征提取策略分别对训练集中的货车载重数据进行特征提取，得到训练集对应的时序特征提取结果和静态特征提取结果；再利用时序特征提取结果和静态特征提取结果进行特征融合训练，得到训练集中货车载重数据的特征融合张量；并利用特征融合张量进行载重计算得到训练集中货车载重数据对应的载重计算结果；然后利用验证集对训练集中货车载重数据对应的载重计算结果进行验证，得到货车载重估计初始模型的验证结果；并利用验证结果更新数据集；当验证结果满足预设阈值条件时停止货车载重估计初始模型的训练，并将当前货车载重估计初始模型确定为用于货车载重估计的模型。在利用该模型进行货车载重估计的过程中，首先获取待评估货车的车辆数据，然后将车辆数据输入至预先完成训练的货车载重估计模型中，并获取货车载重估计模型的输出结果，最后利用输出结果确定待评估货车的载重数据。该模型在训练过程中利用时序特征提取策略和静态特征提取策略对训练集中的货车载重数据进行特征提取，通过融合货车运动学时序特征和货车静态特征，挖掘货车载重与输入特征之间的非线性关系，从而提高了模型性能，在利用该模型进行货车载重估计时提高了估计精度和估计效果。
本发明的其他特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点在说明书、权利要求书以及附图中所特别指出的结构来实现和获得。
为使本发明的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。
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为本发明实施例提供的一种用于货车载重估计的模型训练方法的流程图；
图2为本发明实施例提供的一种用于货车载重估计的模型训练方法中，获取包含货车载重数据的多个数据集的流程图；
图3为本发明实施例提供的一种用于货车载重估计的模型训练方法中，将货车的静态特征数据和动力学时序特征数据按照预设比例进行划分，得到包含货车载重数据的多个数据集的流程图；
图4为本发明实施例提供的一种用于货车载重估计的模型训练方法中，利用预设的时序特征提取策略和静态特征提取策略分别对训练集中的货车载重数据进行特征提取，得到训练集对应的时序特征提取结果和静态特征提取结果的流程图；
图5为本发明实施例提供的一种用于货车载重估计的模型训练方法中，利用时序特征提取策略对货车速度和货车加速度进行特征提取，得到时序特征提取结果的流程图；
图6为本发明实施例提供的一种用于货车载重估计的模型训练方法中，利用静态特征提取策略对货车车型、货车轴数和货车车长进行特征提取，得到静态特征提取结果的流程图；
图7为本发明实施例提供的一种用于货车载重估计的模型训练方法中，利用时序特征提取结果和静态特征提取结果进行特征融合训练，得到训练集中货车载重数据的特征融合张量的流程图；
图8为本发明实施例提供的一种用于货车载重估计的模型训练方法的流程示意图；
图9为本发明实施例提供的一种用于货车载重估计的模型示意图；
图10为本发明实施例提供的一种用于货车载重估计的模型训练方法中不同时间窗下的性能对比曲线图；
图11为本发明实施例提供的一种用于货车载重估计的模型训练方法得到的模型性能测试图；
图12为本发明实施例提供的一种货车载重估计方法的流程图；
图13为本发明实施例提供的一种用于货车载重估计的模型训练装置的结构示意图；
图14为本发明实施例提供的一种货车载重估计装置的结构示意图；
图15为本发明实施例提供的一种电子设备的结构示意图。
图标：
1310-模型训练初始化模块；1320-第一模型训练模块；1330-第二模型训练模块；1340-第三模型训练模块；1350-模型训练停止模块；
1410-估计数据获取模块；1420-载重评估执行模块；1430-载重数据获取模块；
101-处理器；102-存储器；103-总线；104-通信接口。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合附图对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例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前提下所获得的所有其他实施例，都属于本发明保护的范围。
伴随着货运物流需求的不断增加，货运车辆运输安全监管和服务难度明显加大，重载货车运输安全风险问题愈发突出。由货车载重不规范引起的超限超载行为依然是造成公路路面和桥梁等基础设施严重损坏、导致重大交通事故发生的首要原因，面对大范围的公路网超限超载的精准化管控、货车通行费差异化收费调控、路面承重损坏程度测算等诸多难题，现有技术中还缺乏准确、实时的货车载重数据的检测方式。
现有的货车载重估算过程主要从静态称重、动态称重两个方面来实现，静态称重存在测量效率低、影响交通运行效率等诸多问题；动态称重技术需要在特定高速路口或断面路段上布设称重相关设备且对道路条件有较高的要求。这些传统称重设施无法实现大面积覆盖在高速公路和普通公路上，无法对大范围区域路网货车载重进行动态掌握，并且称重设备误差也各有差异，存在称重结果不一致的问题。
随着人工智能技术的快速发展，机器学习、神经网络方法在车载式动态称重系统中得到了应用，通过车辆运动时产生的发动机扭矩、车辆牵引力、加速度、速度、急动度等动态特征进行建模来对货车载重进行评估，但评估过程中很少考虑车辆自身车长、轴数、车型等静态特征，因此现有使用神经网络对货车载重进行估计时还存在着精度低，效果差的问题。针对上述问题，本发明提出一种货车载重估计方法及其模型训练方法、装置，该模型在训练过程中利用时序特征提取策略和静态特征提取策略对训练集中的货车载重数据进行特征提取，通过融合货车运动学时序特征和货车静态特征，挖掘货车载重与输入特征之间的非线性关系，从而提高了模型性能，在利用该模型进行货车载重估计时提高了估计精度和估计效果。
为便于对本实施例进行理解，首先对本发明实施例所公开的一种用于货车载重估计的模型训练方法进行详细介绍，该方法的流程图如图1所示，包括：
步骤S101，获取包含货车载重数据的多个数据集；其中，数据集至少包括：训练集以及验证集。
数据集中包含了货车的各类载重数据，这些数据集可分为多个子集以用于模型的训练。其中的数据集至少包括训练集和验证集，训练集用于模型的训练，以实现模型参数的迭代更新；验证集用于模型训练过程的相关指标进行验证，通过验证模型的相关指标的收敛程度来确定模型的训练结束的时机。
步骤S102，将数据集输入至预先构建的货车载重估计初始模型中，利用预设的时序特征提取策略和静态特征提取策略分别对训练集中的货车载重数据进行特征提取，得到训练集对应的时序特征提取结果和静态特征提取结果。
货车载重估计初始模型在初始化过程中根据其训练所用的策略设置相应的模块，在货车载重估计初始模型中利用预设的时序特征提取策略和静态特征提取策略进行特征提取，因此在货车载重估计初始模型中可设置相应的时序特征提取模块、静态特征提取模块和特征融合模块。上述模块通过设置不同的网络或模块来实现各自的功能。具体的，时序特征提取模块可执行时序特征提取策略；静态特征提取模块可执行静态特征提取策略。利用时序特征提取策略和静态特征提取策略分别对训练集中的货车载重数据进行特征提取，并分别得到对应的时序特征提取结果和静态特征提取结果。
步骤S103，利用时序特征提取结果和静态特征提取结果进行特征融合训练，得到训练集中货车载重数据的特征融合张量；并利用特征融合张量进行载重计算得到训练集中货车载重数据对应的载重计算结果。
获取货车载重数据的特征融合张量的过程通过特征融合模块来实现，特征融合模块是对货车运动学时序特征和货车静态特征的融合，主要结合元素级相加和维度拼接两种方式的融合结构，利用时序特征提取结果和静态特征提取结果进行特征融合训练，得到训练集中货车载重数据的特征融合张量。然后对特征融合张量进行载重计算，得到训练集中货车载重数据对应的载重计算结果。
步骤S104，利用验证集对训练集中货车载重数据对应的载重计算结果进行验证，得到货车载重估计初始模型的验证结果；并利用验证结果更新数据集。
基于训练集对货车载重估计初始模型进行训练，实现模型参数迭代更新。通过验证集对模型的相关指标进行验证，得到货车载重估计初始模型的验证结果，并利用验证结果更新数据集，从而进行循环训练。
步骤S105，当验证结果满足预设阈值条件时停止货车载重估计初始模型的训练，并将当前货车载重估计初始模型确定为用于货车载重估计的模型。
验证结果可与损失函数以及优化器的相关数据进行判断，从而对货车载重估计初始模型的训练过程进行管控。具体的说，损失函数可采用最小化预测值与真实值之间的平均绝对误差MAE作为损失函数，从而更好地指导模型训练。优化器可采用Adam优化器作为深度学习训练优化器，通过误差反向传播机制原理进行端到端的训练。当模型输出的损失值满足预设阈值条件时，可表明该货车载重估计初始模型的训练过程达到需求，此时停止该货车载重估计初始模型的训练，并将货车载重估计初始模型确定为用于货车载重估计的模型。
通过上述实施例提到的用于货车载重估计的模型训练方法可知，该模型在训练过程中利用时序特征提取策略和静态特征提取策略对训练集中的货车载重数据进行特征提取，通过融合货车运动学时序特征和货车静态特征，挖掘货车载重与输入特征之间的非线性关系，从而提高了模型性能。
在一些实施方式中，获取包含货车载重数据的多个数据集的步骤S101，如图2所示，包括：
步骤S201，利用高速公路收费入口治超站和交调轴载站提供的数据接口，分别获取货车的第一载重数据和第二载重数据；并根据第一载重数据和第二载重数据确定货车的静态特征数据；
步骤S202，利用货车调度站提供的数据接口获取货车定位数据，并根据货车定位数据确定货车的动力学时序特征数据；
步骤S203，将货车的静态特征数据和动力学时序特征数据按照预设比例进行划分，得到包含货车载重数据的多个数据集。
具体的说，货车载重数据的数据集基于3类交通行业数据，即高速公路收费入口治超站称重数据、交调轴载站称重数据和货车定位数据。通过货车定位数据得到货车速度、货车加速度等货车运动学时序特征，通过高速公路收费入口治超站数据和交调轴载数据获得货车进站时间、货车车型、货车轴数、货车车长等货车静态特征以及货车质量。将货车运动学时序特征、货车静态特征作为模型训练的输入，由货车质量减去货车空载质量计算得到货车载重，将货车载重作为模型训练的预期输出，由此构建货车载重估计的完整数据集。
在一些实施方式中，将货车的静态特征数据和动力学时序特征数据按照预设比例进行划分，得到包含货车载重数据的多个数据集的步骤S203，如图3所示，包括：
步骤S301，获取货车载重估计初始模型在训练过程中输出的验证结果，并根据验证结果确定货车的载重数据；
步骤S302，将静态特征数据、动力学时序特征数据和载重数据汇总得到的数据集按照2:7:1的比例进行随机划分，并通过数据归一化处理后分别得到训练集、验证集和测试集。
再对缺失和异常数据进行处理后，将上述由货车运动学时序特征、货车静态特征和货车载重构成的总数据集以2:7:1的比例划分后进行数据归一化，得到训练集、验证集、测试集。
数据集的获取过程中，可将货车GPS数据根据货车ID进行分组，再根据采集时间升序排序，得到所有货车的行驶轨迹，同时计算得到货车速度和货车加速度，即货车运动学时序特征。然后通过高速公路收费入口治超站数据和交调轴载数据获取货车进站时间、货车车型、货车轴数以及货车车长，即货车静态特征，其中，货车进站时间需基于独热编码(One-hot Encoding)根据月份、星期和一天当中的时间(以5分钟为划分，共24*12＝288个单元)分别编码映射至R12、R7、R288的时间向量，并拼接成R12+7+288的空间向量。
货车载重可通过货车质量减去货车空载质量获得，其中，货车质量由高速公路收费入口治超站数据和交调轴载数据获得，货车空载质量由双峰分布曲线确定。通过货车车牌与货车ID匹配，实现货车运动学时序特征与货车载重的关联。通过以上操作获得货车运动学时序特征、货车静态特征以及货车载重，构建得到货车载重估计的数据集。
在一些实施方式中，利用预设的时序特征提取策略和静态特征提取策略分别对训练集中的货车载重数据进行特征提取，得到训练集对应的时序特征提取结果和静态特征提取结果，如图4所示，包括：
步骤S401，获取货车载重数据中包含的：货车速度、货车加速度、货车车型、货车轴数和货车车长；
步骤S402，利用时序特征提取策略对货车速度和货车加速度进行特征提取，得到时序特征提取结果；
步骤S403，利用静态特征提取策略对货车车型、货车轴数和货车车长进行特征提取，得到静态特征提取结果。
货车载重估计初始模型中设置有相应的时序特征提取模块、静态特征提取模块和特征融合模块。时序特征提取模块可包含2个全连接层和3个多头注意力模块，挖掘货车运动学时序特征的内在特征，从而得到时序特征提取结果。静态特征提取模块可基于5层SAE(Stacked auto-encoder，堆叠自编码器)构建而成。货车车型、货车轴数、货车车长3个特征经SAE后得到静态特征向量，货车进站时间经独热编码和全连接层后得到输出特征向量，并根据该特征向量得到静态特征提取结果。
在一些实施方式中，利用时序特征提取策略对货车速度和货车加速度进行特征提取，得到时序特征提取结果的步骤S402，如图5所示，包括：
步骤S501，利用时序特征提取策略确定时间窗参数；
步骤S502，利用时间窗参数确定货车速度和货车加速度对应的运动学时序特征；
步骤S503，将运动学时序特征输入至预设的时序特征提取模块中，并通过时序特征提取模块中包含的全连接层和注意力层输出时序特征提取结果。
理论上来说，时间窗越长，模型学习到的特征会更明显，模型估计的货车载重会更加准确。但过长的时间窗也会包含大量无用的信息，影响估计精度。实际场景中，在5分钟至60分钟之间，以5分钟为时间间隔生成多个时间窗，分别对训练集进行模型训练，对比不同时间窗下模型的表现情况，可确定最佳时间窗为50分钟。
在一些实施方式中，利用静态特征提取策略对货车车型、货车轴数和货车车长进行特征提取，得到静态特征提取结果的步骤S403，如图6所示，包括：
步骤S601，获取货车车型、货车轴数和货车车长对应的静态特征；
步骤S602，将静态特征输入至预设的静态特征提取模块中，并通过静态特征提取模块中包含的堆叠自编码器输出静态特征提取结果。
时序特征提取模块包含2个全连接层和3个多头注意力模块，挖掘货车运动学时序特征x1的内在特征，得到输出x5，其中，输入的时间窗可由实验结果确定。静态特征提取模块基于5层SAE(Stacked auto-encoder，堆叠自编码器)构建，货车车型、货车轴数、货车车长3个特征经SAE后得到静态特征向量x3，货车进站时间经独热编码和全连接层后得到输出特征向量x4。
在一些实施方式中，利用时序特征提取结果和静态特征提取结果进行特征融合训练，得到训练集中货车载重数据的特征融合张量，如图7所示，包括：
步骤S701，获取货车载重数据中包含的货车进站时间，并将货车进站时间进行编码处理后，得到时间特征向量；
步骤S702，获取静态特征提取结果对应的静态特征向量，并将时间特征向量与静态特征向量进行拼接后输入至预设的第一全连接层，得到第一融合结果；
步骤S703，获取时序特征提取结果对应的时序特征向量，并将第一融合结果与时序特征向量进行拼接后输入至预设的第二全连接层，得到第二融合结果；
步骤S704，利用第二融合结果确定特征融合张量。
特征融合张量是对货车运动学时序特征和货车静态特征的融合结果，首先将x3和x4进行维度拼接，然后经过全连接层后，再与时序特征提取后的输出x5进行元素级相加。具体来说，模型中MAN网络部分的输入为x1∈Rwindow×N×1，window表示输入的时间窗参数，即选择多长的时间窗口用于货车载重估计，N表示训练样本数量；模型中的SAE网络提取部分的输入为向量x2∈RN×T，T表示输入的货车静态特征个数；此外，入口时间特征经过独热编码后表示为向量x4∈Rbactch_size×1×1×C，C为中间层的输出维度，bactch_size为批处理大小。那么，MAN部分得到输出x5∈Rbactch_size×window×N×C，SAE部分得到输出x3∈Rbactch_size×T′，T′为解码后的输出维度。然后，对x3、x4和x5进行特征融合，得到融合后的特征表示为张量Y∈Rbactch _size×window×N×(C+T′)。最后，经过一个全连接层后，得到最终期望的输出，即一个bactch_size×1×1的张量。
上述过程可参考图8所示的用于货车载重估计的模型训练方法的示意图，收件获得火车载重估计数据集，然后对缺失、异常数据进行处理，将70％作为训练数据、20％作为验证数据、10％作为测试数据。然后将数据进行归一化处理，将训练集用于火车载重估计模型的训练，训练过程中对模型参数进行迭代更新，同时利用验证集来验证相关指标是否收敛，如果否则继续训练；如果则得到相应的货车载重估计模型。获得的货车载重估计模型使用测试集来对模型的评价指标进行计算，从而确定出性能最佳的货车载重估计模型。
如图9所示的用于货车载重估计的模型示意图，在模型的训练过程中，将货车速度、货车加速度在当前时间窗的情况下生成货车运动学时序特征x1，然后将货车运动学时序特征x1进行特征提取，分别经过全连接层-多头注意力层-多头注意力层-多头注意力层-全连接层，输出x5。货车进站时间通过one-hot编码后，再通过全连接层生成x4；货车车型、货车轴数、货车车长作为货车静态特征x2输入至SAE模块进行特征提取，将得到的货车静态特征提取结果x3进行维度拼接，然后经过全连接层后再与时序特征提取后的输出x5进行元素级相加，最后经过一个全连接层后输出货车预测载重Y。
理论上来说，时间窗越长，模型学习到的特征会更明显，模型估计的货车载重会更加准确，但过长的时间窗也会包含大量无用的信息，影响估计精度。因此，在5分钟至60分钟之间，以5分钟为时间间隔生成多个时间窗，分别对训练集进行模型训练，对比不同时间窗下模型的表现情况，确定最佳时间窗为50分钟。图10为不同时间窗下测试结果和计算时间的曲线，从图10可以看出，随着时间窗的增加，模型能够从大量的数据中学习到有用的特征，模型表现在逐步提升，得到较好的估计效果，MAE和RMSE均在50分钟左右达到了最低值，但当时间窗大于50分钟时，模型的表现没有提升，计算时间却明显增加，因此，为了兼顾计算效率和估计准确性，选取时间窗为50分钟，可以实现在更短时间内更准确地估计货车载重。
为了验证本模型的性能的有效性，将同一辆车在连续时间内货车载重发生较大变化的两段行程作为测试数据，测试结果如图11所示，由图11可以看出，本方法估计出得到的货车载重接近真实值，同时，对货车载重的变化捕捉也比较准确，能够以较小延时发现货车载重突变点。
通过上述实施例提到的用于货车载重估计的模型训练方法可知，该模型在训练过程中利用时序特征提取策略和静态特征提取策略对训练集中的货车载重数据进行特征提取，通过融合货车运动学时序特征和货车静态特征，挖掘货车载重与输入特征之间的非线性关系，从而提高了模型性能。
本实施例还提供一种货车载重估计方法，如图12所示，该方法包括以下步骤：
步骤S1210，获取待评估货车的车辆数据；
步骤S1220，将车辆数据输入至预先完成训练的货车载重估计模型中，并获取货车载重估计模型的输出结果；
其中，货车载重估计模型通过上述实施例中提到的用于货车载重估计的模型训练方法训练得到。
步骤S1230，利用输出结果确定待评估货车的载重数据。
本发明实施例所提供的货车载重估计模型，其训练过程中实现原理及产生的技术效果和前述用于货车载重估计的模型训练方法训练得到的模型是相同的，为简要描述，实施例部分未提及之处，可参考前述方法实施例中相应内容。
通过上述实施例提到的货车载重估计方法可知，该方法中使用的货车载重估计模型在训练过程中利用时序特征提取策略和静态特征提取策略对训练集中的货车载重数据进行特征提取，通过融合货车运动学时序特征和货车静态特征，挖掘货车载重与输入特征之间的非线性关系，从而提高了模型性能，在利用该模型进行货车载重估计时提高了估计精度和估计效果。
对应于上述用于货车载重估计的模型训练方法的实施例，本实施例还提供一种用于货车载重估计的模型训练装置，如图13所示，该装置包括以下模块：
模型训练初始化模块1310，用于获取包含货车载重数据的多个数据集；其中，数据集至少包括：训练集以及验证集；
第一模型训练模块1320，用于将数据集输入至预先构建的货车载重估计初始模型中，利用预设的时序特征提取策略和静态特征提取策略分别对训练集中的货车载重数据进行特征提取，得到训练集对应的时序特征提取结果和静态特征提取结果；
第二模型训练模块1330，用于利用时序特征提取结果和静态特征提取结果进行特征融合训练，得到训练集中货车载重数据的特征融合张量；并利用特征融合张量进行载重计算得到训练集中货车载重数据对应的载重计算结果；
第三模型训练模块1340，用于利用验证集对训练集中货车载重数据对应的载重计算结果进行验证，得到货车载重估计初始模型的验证结果；并利用验证结果更新数据集；
模型训练停止模块1350，用于当验证结果满足预设阈值条件时停止货车载重估计初始模型的训练，并将当前货车载重估计初始模型确定为用于货车载重估计的模型。
在一些实施方式中，模型训练初始化模块1310，用于：利用高速公路收费入口治超站和交调轴载站提供的数据接口，分别获取货车的第一载重数据和第二载重数据；并根据第一载重数据和第二载重数据确定货车的静态特征数据；利用货车调度站提供的数据接口获取货车定位数据，并根据货车定位数据确定货车的动力学时序特征数据；将货车的静态特征数据和动力学时序特征数据按照预设比例进行划分，得到包含货车载重数据的多个数据集。
在一些实施方式中，模型训练初始化模块1310在将货车的静态特征数据和动力学时序特征数据按照预设比例进行划分，得到包含货车载重数据的多个数据集的过程中，还用于：获取货车载重估计初始模型在训练过程中输出的验证结果，并根据验证结果确定货车的载重数据；将静态特征数据、动力学时序特征数据和载重数据汇总得到的数据集按照2:7:1的比例进行随机划分，并通过数据归一化处理后分别得到训练集、验证集和测试集。
在一些实施方式中，第一模型训练模块1320在利用预设的时序特征提取策略和静态特征提取策略分别对训练集中的货车载重数据进行特征提取，得到训练集对应的时序特征提取结果和静态特征提取结果的过程中，还用于：获取货车载重数据中包含的：货车速度、货车加速度、货车车型、货车轴数和货车车长；利用时序特征提取策略对货车速度和货车加速度进行特征提取，得到时序特征提取结果；利用静态特征提取策略对货车车型、货车轴数和货车车长进行特征提取，得到静态特征提取结果。
在一些实施方式中，第一模型训练模块1320在利用时序特征提取策略对货车速度和货车加速度进行特征提取，得到时序特征提取结果的过程中，还用于：利用时序特征提取策略确定时间窗参数；利用时间窗参数确定货车速度和货车加速度对应的运动学时序特征；将运动学时序特征输入至预设的时序特征提取模块中，并通过时序特征提取模块中包含的全连接层和注意力层输出时序特征提取结果。
在一些实施方式中，第一模型训练模块1320在利用静态特征提取策略对货车车型、货车轴数和货车车长进行特征提取，得到静态特征提取结果的过程中，还用于：获取货车车型、货车轴数和货车车长对应的静态特征；将静态特征输入至预设的静态特征提取模块中，并通过静态特征提取模块中包含的堆叠自编码器输出静态特征提取结果。
在一些实施方式中，第二模型训练模块1330在利用时序特征提取结果和静态特征提取结果进行特征融合训练，得到训练集中货车载重数据的特征融合张量的过程中，还用于：获取货车载重数据中包含的货车进站时间，并将货车进站时间进行编码处理后，得到时间特征向量；获取静态特征提取结果对应的静态特征向量，并将时间特征向量与静态特征向量进行拼接后输入至预设的第一全连接层，得到第一融合结果；获取时序特征提取结果对应的时序特征向量，并将第一融合结果与时序特征向量进行拼接后输入至预设的第二全连接层，得到第二融合结果；利用第二融合结果确定特征融合张量。
对应于上述货车载重估计装置方法的实施例，本实施例还提供一种货车载重估计装置，如图14所示，该装置包括以下模块：
估计数据获取模块1410，用于获取待评估货车的车辆数据；
载重评估执行模块1420，用于将车辆数据输入至预先完成训练的货车载重估计模型中，并获取货车载重估计模型的输出结果；其中，货车载重估计模型通过上述实施例中提到的用于货车载重估计的模型训练方法训练得到；
载重数据获取模块1430，用于利用输出结果确定待评估货车的载重数据。
本发明实施例所提供的货车载重估计装置，其实现原理及产生的技术效果和前述货车载重估计方法的实施例相同，为简要描述，实施例部分未提及之处，可参考前述方法实施例中相应内容。
本实施例还提供一种电子设备，为该电子设备的结构示意图如图15所示，该设备包括处理器101和存储器102；其中，存储器102用于存储一条或多条计算机指令，一条或多条计算机指令被处理器执行，以实现上述用于货车载重估计的模型训练方法以及货车载重估计方法。
图15所示的服务器还包括总线103和通信接口104，处理器101、通信接口104和存储器102通过总线103连接。
其中，存储器102可能包含高速随机存取存储器(RAM，Random Access Memory)，也可能还包括非不稳定的存储器(non-volatile memory)，例如至少一个磁盘存储器。总线103可以是ISA总线、PCI总线或EISA总线等。总线可以分为地址总线、数据总线、控制总线等。为便于表示，图15中仅用一个双向箭头表示，但并不表示仅有一根总线或一种类型的总线。
通信接口104用于通过网络接口与至少一个用户终端及其它网络单元连接，将封装好的IPv4报文或IPv4报文通过网络接口发送至用户终端。
处理器101可能是一种集成电路芯片，具有信号的处理能力。在实现过程中，上述方法的各步骤可以通过处理器101中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器101可以是通用处理器，包括中央处理器(Central Processing Unit，简称CPU)、网络处理器(Network Processor，简称NP)等；还可以是数字信号处理器(DigitalSignal Processor，简称DSP)、专用集成电路(Application Specific IntegratedCircuit，简称ASIC)、现场可编程门阵列(Field-Programmable Gate Array，简称FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本公开实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本公开实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成，或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器，闪存、只读存储器，可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器102，处理器101读取存储器102中的信息，结合其硬件完成前述实施例的方法的步骤。
本发明实施例还提供了一种计算机可读存储介质，该计算机可读存储介质上存储有计算机程序，该计算机程序被处理器运行时执行前述实施例的方法的步骤。
在本申请所提供的几个实施例中，应该理解到，所揭露的系统、设备和方法，可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，又例如，多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些通信接口，设备或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。
功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个处理器可执行的非易失的计算机可读取存储介质中。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或者该技术方案的部分可以用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中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-OnlyMemory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
最后应说明的是：以上实施例，仅为本发明的具体实施方式，用以说明本发明的技术方案，而非对其限制，本发明的保护范围并不局限于此，尽管参照前述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：任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化，或者对其中部分技术特征进行等同替换；而这些修改、变化或者替换，并不使相应技术方案的本质脱离本发明实施例技术方案的精神和范围，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。

Claims (10)

1.一种用于货车载重估计的模型训练方法，其特征在于，所述方法包括：
获取包含货车载重数据的多个数据集；其中，所述数据集至少包括：训练集以及验证集；
将所述数据集输入至预先构建的货车载重估计初始模型中，利用预设的时序特征提取策略和静态特征提取策略分别对所述训练集中的所述货车载重数据进行特征提取，得到所述训练集对应的时序特征提取结果和静态特征提取结果；
利用所述时序特征提取结果和所述静态特征提取结果进行特征融合训练，得到所述训练集中所述货车载重数据的特征融合张量；并利用所述特征融合张量进行载重计算得到所述训练集中所述货车载重数据对应的载重计算结果；
利用所述验证集对所述训练集中所述货车载重数据对应的载重计算结果进行验证，得到所述货车载重估计初始模型的验证结果；并利用所述验证结果更新所述数据集；
当所述验证结果满足预设阈值条件时停止所述货车载重估计初始模型的训练，并将当前所述货车载重估计初始模型确定为用于货车载重估计的模型。
2.根据权利要求1所述的用于货车载重估计的模型训练方法，其特征在于，所述获取包含货车载重数据的多个数据集的步骤，包括：
利用高速公路收费入口治超站和交调轴载站提供的数据接口，分别获取货车的第一载重数据和第二载重数据；并根据所述第一载重数据和所述第二载重数据确定所述货车的静态特征数据；
利用货车调度站提供的数据接口获取货车定位数据，并根据所述货车定位数据确定所述货车的动力学时序特征数据；
将所述货车的所述静态特征数据和所述动力学时序特征数据按照预设比例进行划分，得到包含货车载重数据的多个所述数据集。
3.根据权利要求2所述的用于货车载重估计的模型训练方法，其特征在于，所述将所述货车的所述静态特征数据和所述动力学时序特征数据按照预设比例进行划分，得到包含货车载重数据的多个所述数据集的步骤，包括：
获取所述货车载重估计初始模型在训练过程中输出的所述验证结果，并根据所述验证结果确定所述货车的载重数据；
将所述静态特征数据、所述动力学时序特征数据和所述载重数据汇总得到的数据集按照2:7:1的比例进行随机划分，并通过数据归一化处理后分别得到训练集、验证集和测试集。
4.根据权利要求1所述的用于货车载重估计的模型训练方法，其特征在于，利用预设的时序特征提取策略和静态特征提取策略分别对所述训练集中的所述货车载重数据进行特征提取，得到所述训练集对应的时序特征提取结果和静态特征提取结果，包括：
获取所述货车载重数据中包含的：货车速度、货车加速度、货车车型、货车轴数和货车车长；
利用所述时序特征提取策略对所述货车速度和所述货车加速度进行特征提取，得到所述时序特征提取结果；
利用所述静态特征提取策略对所述货车车型、所述货车轴数和所述货车车长进行特征提取，得到所述静态特征提取结果。
5.根据权利要求4所述的用于货车载重估计的模型训练方法，其特征在于，利用所述时序特征提取策略对所述货车速度和所述货车加速度进行特征提取，得到所述时序特征提取结果的步骤，包括：
利用所述时序特征提取策略确定时间窗参数；
利用所述时间窗参数确定所述货车速度和所述货车加速度对应的运动学时序特征；
将所述运动学时序特征输入至预设的时序特征提取模块中，并通过所述时序特征提取模块中包含的全连接层和注意力层输出所述时序特征提取结果。
6.根据权利要求4所述的用于货车载重估计的模型训练方法，其特征在于，利用所述静态特征提取策略对所述货车车型、所述货车轴数和所述货车车长进行特征提取，得到所述静态特征提取结果的步骤，包括：
获取所述货车车型、所述货车轴数和所述货车车长对应的静态特征；
将所述静态特征输入至预设的静态特征提取模块中，并通过静态特征提取模块中包含的堆叠自编码器输出所述静态特征提取结果。
7.根据权利要求4至6任一项所述的用于货车载重估计的模型训练方法，其特征在于，利用所述时序特征提取结果和所述静态特征提取结果进行特征融合训练，得到所述训练集中所述货车载重数据的特征融合张量，包括：
获取所述货车载重数据中包含的货车进站时间，并将所述货车进站时间进行编码处理后，得到时间特征向量；
获取所述静态特征提取结果对应的静态特征向量，并将所述时间特征向量与所述静态特征向量进行拼接后输入至预设的第一全连接层，得到第一融合结果；
获取所述时序特征提取结果对应的时序特征向量，并将所述第一融合结果与所述时序特征向量进行拼接后输入至预设的第二全连接层，得到第二融合结果；
利用所述第二融合结果确定所述特征融合张量。
8.一种货车载重估计方法，其特征在于，所述方法包括：
获取待评估货车的车辆数据；
将所述车辆数据输入至预先完成训练的货车载重估计模型中，并获取所述货车载重估计模型的输出结果；其中，所述货车载重估计模型通过上述权利要求1-7任一项所述的用于货车载重估计的模型训练方法训练得到；
利用所述输出结果确定所述待评估货车的载重数据。
9.一种用于货车载重估计的模型训练装置，其特征在于，所述装置包括：
模型训练初始化模块，用于获取包含货车载重数据的多个数据集；其中，所述数据集至少包括：训练集以及验证集；
第一模型训练模块，用于将所述数据集输入至预先构建的货车载重估计初始模型中，利用预设的时序特征提取策略和静态特征提取策略分别对所述训练集中的所述货车载重数据进行特征提取，得到所述训练集对应的时序特征提取结果和静态特征提取结果；
第二模型训练模块，用于利用所述时序特征提取结果和所述静态特征提取结果进行特征融合训练，得到所述训练集中所述货车载重数据的特征融合张量；并利用所述特征融合张量进行载重计算得到所述训练集中所述货车载重数据对应的载重计算结果；
第三模型训练模块，用于利用所述验证集对所述训练集中所述货车载重数据对应的载重计算结果进行验证，得到所述货车载重估计初始模型的验证结果；并利用所述验证结果更新所述数据集；
模型训练停止模块，用于当所述验证结果满足预设阈值条件时停止所述货车载重估计初始模型的训练，并将当前所述货车载重估计初始模型确定为用于货车载重估计的模型。
10.一种货车载重估计装置，其特征在于，所述装置包括：
估计数据获取模块，用于获取待评估货车的车辆数据；
载重评估执行模块，用于将所述车辆数据输入至预先完成训练的货车载重估计模型中，并获取所述货车载重估计模型的输出结果；其中，所述货车载重估计模型通过上述权利要求1-7任一项所述的用于货车载重估计的模型训练方法训练得到；
载重数据获取模块，用于利用所述输出结果确定所述待评估货车的载重数据。
CN202310146805.6A 2023-02-18 2023-02-18 货车载重估计方法及其模型训练方法、装置 Active CN116306254B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310146805.6A CN116306254B (zh) 2023-02-18 2023-02-18 货车载重估计方法及其模型训练方法、装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310146805.6A CN116306254B (zh) 2023-02-18 2023-02-18 货车载重估计方法及其模型训练方法、装置

Publications (2)

Publication Number Publication Date
CN116306254A true CN116306254A (zh) 2023-06-23
CN116306254B CN116306254B (zh) 2023-11-10

Family

ID=86837082

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310146805.6A Active CN116306254B (zh) 2023-02-18 2023-02-18 货车载重估计方法及其模型训练方法、装置

Country Status (1)

Country Link
CN (1) CN116306254B (zh)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111445341A (zh) * 2020-05-18 2020-07-24 南京大学 一种基于多尺度自注意力的期货模型训练及交易实现方法
CN113487066A (zh) * 2021-06-18 2021-10-08 山西云时代智慧城市技术发展有限公司 基于多属性增强图卷积-Informer模型的长时序货运量预测方法
CN113989534A (zh) * 2021-10-15 2022-01-28 厦门大学 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
CN114037139A (zh) * 2021-11-04 2022-02-11 华东师范大学 一种基于注意力机制的货运车辆仓库逗留时长预测方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111445341A (zh) * 2020-05-18 2020-07-24 南京大学 一种基于多尺度自注意力的期货模型训练及交易实现方法
CN113487066A (zh) * 2021-06-18 2021-10-08 山西云时代智慧城市技术发展有限公司 基于多属性增强图卷积-Informer模型的长时序货运量预测方法
CN113989534A (zh) * 2021-10-15 2022-01-28 厦门大学 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
CN114037139A (zh) * 2021-11-04 2022-02-11 华东师范大学 一种基于注意力机制的货运车辆仓库逗留时长预测方法

Also Published As

Publication number Publication date
CN116306254B (zh) 2023-11-10

Similar Documents

Publication Publication Date Title
CN110091751B (zh) 基于深度学习的电动汽车续航里程预测方法、设备及介质
Xie et al. Pontryagin’s minimum principle based model predictive control of energy management for a plug-in hybrid electric bus
Yi et al. Effects of environmental factors on electric vehicle energy consumption: a sensitivity analysis
US20200027340A1 (en) A method and apparatus for predicting a location where a vehicle appears
CN114076631A (zh) 超载车辆识别方法、系统及设备
CN109543710B (zh) 一种模型训练方法及相关设备
CN114418189A (zh) 水质等级预测方法、系统、终端设备及存储介质
CN114103987B (zh) 车辆续航预警方法、装置及电子设备
CN116306254B (zh) 货车载重估计方法及其模型训练方法、装置
RU2709357C2 (ru) Алгоритмы сжатия для передачи сообщений по шине транспортного средства с данными предварительного представления
CN113918718B (zh) 基于人工智能的车险用户分类方法、装置、设备及介质
CN117863886A (zh) 增程车辆的续航预测方法、装置、电子设备及介质
CN111724502B (zh) 车辆行驶数据处理方法、装置、设备和存储介质
CN111369790B (zh) 过车记录校正方法、装置、设备及存储介质
Park et al. Development of complexity index and predictions of accident risks for mixed autonomous driving levels
CN105911984B (zh) 降低学习到错误的车辆行驶直线方向的概率的方法及装置
Agrawal et al. Multiparadigm Modeling Framework to Evaluate the Impacts of Travel Patterns on Electric Vehicle Battery Lifespan
Guo et al. Forwarding collision assessment with the localization information using the machine learning method
CN116011909A (zh) 货运驾驶人的行为监测方法、系统及电子设备
CN113276860B (zh) 车辆控制方法、装置、电子设备以及存储介质
Kim et al. Influence of dedicated lanes for connected and automated vehicles on highway traffic flow
CN113095126B (zh) 道路交通态势识别方法、系统和存储介质
Xi et al. Analysis Model of Risk Factors of Urban Bus Operation Based on FTA‐CLR
CN114692930A (zh) 一种优化车辆路径的方法、装置、设备和存储介质
Liu et al. Vehicle state and parameter estimation based on adaptive anti-outlier unscented Kalman filter and GA-BPNN method

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