CN116767204B - 基于车辆载荷的车速控制方法及其系统 - Google Patents

Abstract

公开了一种基于车辆载荷的车速控制方法及其系统。该控制方法包括：获取预定时间段内多个预定时间点的车辆载荷值、道路坡度值和车辆车速值；基于深度卷积神经网络模型对所述多个预定时间点的车辆载荷值、道路坡度值和车辆车速值进行分析和处理以得到参数关联特征向量；以及，基于所述参数关联特征向量，确定车速控制策略。这样，可以智能化地对车速进行调整和控制，提高车辆在复杂行驶工况下的可靠性和安全性。

Description

基于车辆载荷的车速控制方法及其系统

技术领域

本公开涉及智能化控制领域，且更为具体地，涉及一种基于车辆载荷的车速控制方法及其系统。

背景技术

通常情况下车辆自动变速系统换档策略是以车速和油门开度作为控制参数，在水平良好路面具有令人满意的性能，但在行驶工况比较复杂情况下，这种换档策略会产生换档问题，如换档循环，意外换档等。究其原因是自动变速系统没有理解车辆自身及其所处环境信息。

因此，期待一种优化的车速控制方案，以此来增加自动变速系统的可靠性和安全性。

发明内容

有鉴于此，本公开提出了一种基于车辆载荷的车速控制方法及其系统，其基于深度学习和人工智能技术，并综合利用车辆载荷、道路坡度和车辆车速的多维度数据，来实现智能化地对车速进行调整和控制，提高车辆在复杂行驶工况下的可靠性和安全性。

根据本公开的一方面，提供了一种基于车辆载荷的车速控制方法，其包括：

获取预定时间段内多个预定时间点的车辆载荷值、道路坡度值和车辆车速值；

基于深度卷积神经网络模型对所述多个预定时间点的车辆载荷值、道路坡度值和车辆车速值进行分析和处理以得到参数关联特征向量；以及

基于所述参数关联特征向量，确定车速控制策略。

根据本公开的另一方面，提供了一种基于车辆载荷的车速控制系统，其包括：

数据获取模块，用于获取预定时间段内多个预定时间点的车辆载荷值、道路坡度值和车辆车速值；

分析处理模块，用于基于深度卷积神经网络模型对所述多个预定时间点的车辆载荷值、道路坡度值和车辆车速值进行分析和处理以得到参数关联特征向量；以及

车速控制模块，用于基于所述参数关联特征向量，确定车速控制策略。

根据本公开的实施例，其首先获取预定时间段内多个预定时间点的车辆载荷值、道路坡度值和车辆车速值；接着，基于深度卷积神经网络模型对所述多个预定时间点的车辆载荷值、道路坡度值和车辆车速值进行分析和处理以得到参数关联特征向量；最后，基于所述参数关联特征向量，确定车速控制策略。这样，可以智能化地对车速进行调整和控制，提高车辆在复杂行驶工况下的可靠性和安全性。

根据下面参考附图对示例性实施例的详细说明，本公开的其它特征及方面将变得清楚。

附图说明

包含在说明书中并且构成说明书的一部分的附图与说明书一起示出了本公开的示例性实施例、特征和方面，并且用于解释本公开的原理。

图1示出根据本公开的实施例的基于车辆载荷的车速控制方法的流程图。

图2示出根据本公开的实施例的基于车辆载荷的车速控制方法的架构示意图。

图3示出根据本公开的实施例的基于车辆载荷的车速控制方法的子步骤S120的流程图。

图4示出根据本公开的实施例的基于车辆载荷的车速控制方法的子步骤S130的流程图。

图5示出根据本公开的实施例的基于车辆载荷的车速控制方法进一步包括的训练步骤的流程图。

图6示出根据本公开的实施例的基于车辆载荷的车速控制系统的框图。

图7示出根据本公开的实施例的基于车辆载荷的车速控制方法的应用场景图。

具体实施方式

下面将结合附图对本公开实施例中的技术方案进行清楚、完整地描述，显而易见地，所描述的实施例仅仅是本公开的部分实施例，而不是全部的实施例。基于本公开实施例，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，也属于本公开保护的范围。

如本公开和权利要求书中所示，除非上下文明确提示例外情形，“一”、“一个”、“一种”和/或“该”等词并非特指单数，也可包括复数。一般说来，术语“包括”与“包含”仅提示包括已明确标识的步骤和元素，而这些步骤和元素不构成一个排它性的罗列，方法或者设备也可能包含其他的步骤或元素。

以下将参考附图详细说明本公开的各种示例性实施例、特征和方面。附图中相同的附图标记表示功能相同或相似的元件。尽管在附图中示出了实施例的各种方面，但是除非特别指出，不必按比例绘制附图。

另外，为了更好的说明本公开，在下文的具体实施方式中给出了众多的具体细节。本领域技术人员应当理解，没有某些具体细节，本公开同样可以实施。在一些实例中，对于本领域技术人员熟知的方法、手段、元件和电路未作详细描述，以便于凸显本公开的主旨。

针对上述技术问题，本公开的技术构思为基于深度学习和人工智能技术，并综合利用车辆载荷、道路坡度和车辆车速的多维度数据，来实现智能化地对车速进行调整和控制，提高车辆在复杂行驶工况下的可靠性和安全性。

图1示出根据本公开的实施例的基于车辆载荷的车速控制方法的流程图。图2示出根据本公开的实施例的基于车辆载荷的车速控制方法的架构示意图。如图1和图2所示，根据本公开实施例的基于车辆载荷的车速控制方法，包括步骤：S110，获取预定时间段内多个预定时间点的车辆载荷值、道路坡度值和车辆车速值；S120，基于深度卷积神经网络模型对所述多个预定时间点的车辆载荷值、道路坡度值和车辆车速值进行分析和处理以得到参数关联特征向量；以及，S130，基于所述参数关联特征向量，确定车速控制策略。

更具体地，在步骤S110中，获取预定时间段内多个预定时间点的车辆载荷值、道路坡度值和车辆车速值。通过获取预定时间段内多个预定时间点的车辆载荷值、道路坡度值和车辆车速值可以从中获得车辆自身及其所处环境的信息。在一个示例中，首先，确定需要获取数据的车辆和时间段，接着，可以使用车辆传感器或车载设备，获取车辆载荷值和车速值，例如通过车辆的CAN总线或OBD-II接口获取车辆载荷值和车辆车速值，然后，可以使用GPS设备或地图API，获取车辆所在位置的地形信息，该地形信息包括道路坡度值，最后，将获取到的数据存储在数据库或数据仓库中，以便后续分析和处理，例如，可以使用数据分析工具，如Python对数据进行处理和分析，以获得有关车辆载荷、道路坡度和车速的更深入的见解。

更具体地，在步骤S120中，基于深度卷积神经网络模型对所述多个预定时间点的车辆载荷值、道路坡度值和车辆车速值进行分析和处理以得到参数关联特征向量。应可以理解，深度卷积神经网络(Deep Convolutional Neural Network，DCNN)是一种用于图像识别和处理的深度学习模型。深度卷积神经网络是卷积神经网络(ConvolutionalNeuralNetwork，CNN)的扩展，具有更深层次的结构和更多的卷积层和池化层。深度卷积神经网络模型由多个卷积层、池化层和全连接层组成，卷积层通过卷积操作提取图像的特征，池化层通过下采样操作减少特征的维度，全连接层则将特征映射到输出结果。在图像处理中，深度卷积神经网络模型通过学习图像的特征来实现图像分类、目标检测、图像分割等任务。在车辆载荷、道路坡度和车速分析中，深度卷积神经网络模型可以通过学习车辆传感器或车载设备获取的数据，提取数据的特征，以便更好地理解和预测车辆的性能和行驶状况。

在一种可能的实现方式中，如图3所示，基于深度卷积神经网络模型对所述多个预定时间点的车辆载荷值、道路坡度值和车辆车速值进行分析和处理以得到参数关联特征向量，包括：S121，对所述多个预定时间点的车辆载荷值、道路坡度值和车辆车速值分别进行数据结构化处理以得到车辆载荷时序输入向量、道路坡度时序输入向量和车辆车速时序输入向量；S122，对所述车辆载荷时序输入向量、所述道路坡度时序输入向量和所述车辆车速时序输入向量进行时序特征提取以得到车辆载荷时序特征向量、道路坡度时序特征向量和车辆车速时序特征向量；以及，S123，融合所述车辆载荷时序特征向量、所述道路坡度时序特征向量和所述车辆车速时序特征向量以得到所述参数关联特征向量。

相应地，在一种可能的实现方式中，对所述多个预定时间点的车辆载荷值、道路坡度值和车辆车速值分别进行数据结构化处理以得到车辆载荷时序输入向量、道路坡度时序输入向量和车辆车速时序输入向量，包括：将所述多个预定时间点的车辆载荷值、道路坡度值和车辆车速值分别按照时间维度排列为所述车辆载荷时序输入向量、所述道路坡度时序输入向量和所述车辆车速时序输入向量。也就是，通过数据结构化的处理，将车辆载荷值、道路坡度值和车辆车速值的时序离散分布分别构造为结构化的向量形式。与此同时，按照时间维度排列可以保留时序数据中的时间信息，能够体现数据的变化规律。

相应地，在一种可能的实现方式中，对所述车辆载荷时序输入向量、所述道路坡度时序输入向量和所述车辆车速时序输入向量进行时序特征提取以得到车辆载荷时序特征向量、道路坡度时序特征向量和车辆车速时序特征向量，包括：将所述车辆载荷时序输入向量、道路坡度时序输入向量和车辆车速时序输入向量分别通过基于一维卷积神经网络模型的时序特征提取器以得到所述车辆载荷时序特征向量、所述道路坡度时序特征向量和所述车辆车速时序特征向量。由于时序数据存在时间依赖性和序列性，考虑到卷积神经网络通过卷积操作可以提取数据中的局部模式，通过池化操作可以将数据压缩到更低的维度，从而得到更为抽象和丰富的特征信息。因此，在本公开的技术方案中，可以利用使用一维卷积核的卷积神经网络来进行时序特征的提取。也就是，将所述车辆载荷时序输入向量、道路坡度时序输入向量和车辆车速时序输入向量分别通过基于一维卷积神经网络模型的时序特征提取器以得到车辆载荷时序特征向量、道路坡度时序特征向量和车辆车速时序特征向量。

在本公开的一个具体示例中，所述一维卷积神经网络模型包含输入层、第一一维卷积层、第一池化层、第二一维卷积层、第二池化层和输出层。其中，所述第一一维卷积层采用32个大小为3的一维卷积核，使用ReLU作为激活函数，所述第二一维卷积层采用64个大小为3的一维卷积核，使用ReLU作为激活函数，所述第一池化层和第二池化层皆采用池化窗口大小为2最大池化操作。

应可以理解，一维卷积神经网络(1D CNN)是一种用于序列数据处理的深度学习模型，一维卷积神经网络可以从时间序列数据中提取特征。与传统的全连接神经网络不同，一维卷积神经网络模型利用卷积层和池化层来处理序列数据，从而提取出数据中的相关特征。一维卷积神经网络模型的输入是一个一维的序列数据，一维卷积神经网络模型的核心是卷积层和池化层。卷积层通过滑动窗口的方式提取序列数据中的局部特征，而池化层则通过下采样的方式减少特征的维度。一维卷积神经网络模型可以通过多个卷积层和池化层的组合来提取序列数据中的不同层次的特征，从而实现更准确的分类和预测。

具体地，卷积层和池化层是深度卷积神经网络中的两个基本层次，卷积层和池化层分别用于提取序列数据中的局部特征和减少特征的维度。卷积层通过滑动窗口的方式提取序列数据中的局部特征，滑动窗口的大小和步长可以根据实际情况进行调整。在卷积层中，每个窗口的权重是由网络自动学习得到的，这使得卷积层具有较强的适应性和泛化能力。卷积层的输出可以通过激活函数进行非线性变换，以增加网络的表达能力。池化层则通过下采样的方式减少特征的维度，从而降低模型的复杂度和计算量。池化操作通常有两种方式：最大池化和平均池化。最大池化会选取窗口中的最大值作为输出，而平均池化则会计算窗口中所有值的平均值作为输出。池化层的输出可以进一步传递给下一层的卷积层或全连接层，以进行更高层次的特征提取和分类。

相应地，在一种可能的实现方式中，融合所述车辆载荷时序特征向量、所述道路坡度时序特征向量和所述车辆车速时序特征向量以得到所述参数关联特征向量，包括：以所述车辆车速时序特征向量作为查询特征向量、所述车辆载荷时序特征向量作为键特征向量和所述道路坡度时序特征向量为值特征向量，通过自注意力机制来融合所述车辆载荷时序特征向量、所述道路坡度时序特征向量和所述车辆车速时序特征向量以得到所述参数关联特征向量。为了能够实现对车辆载荷、道路坡度和车辆车速这三个关键因素之间的相互影响和作用进行建模，在本公开的技术方案中，以所述车辆车速时序特征向量作为查询特征向量、所述车辆载荷时序特征向量作为键特征向量和所述道路坡度时序特征向量为值特征向量，通过自注意力机制来融合所述车辆载荷时序特征向量、所述道路坡度时序特征向量和所述车辆车速时序特征向量以得到参数关联特征向量。其中，自注意力机制是一种能够自动学习关键信息之间相互依赖关系的方法。通过自注意力机制，可以基于输入特征的相互关系来动态地调节权重和特征的重要性，达到对不同特征信息的融合和筛选。在这里，以车辆车速时序特征作为查询特征向量，可以通过自注意力机制来自适应地找到与其具有较高相关性和影响力的车辆载荷和道路坡度时序特征向量，并以此来进行融合，得到参数关联特征向量。这样可以更好地揭示车辆的运行特征和环境因素对其性能的影响，为后续的模型预测和控制提供更为准确和全面的特征描述。

应可以理解，自注意力机制(self-attention mechanism)是一种用于处理序列数据的机制，自注意力机制可以将序列中的每个元素与序列中的其他元素进行交互，并根据这些交互来计算每个元素的表示。在自注意力机制中，每个元素的表示是根据序列中其他元素的表示值进行计算的，因此能够捕捉到序列中的全局关系，而不仅仅是局部关系。

更具体地，在步骤S130中，基于所述参数关联特征向量，确定车速控制策略。相应地，在一种可能的实现方式中，如图4所示，基于所述参数关联特征向量，确定车速控制策略，包括：S131，将所述参数关联特征向量通过分类器以得到分类结果，所述分类结果用于表示当前时间点的车速应增大或应减小；以及，S132，基于所述分类结果，确定车速控制策略。也就是，将所述参数关联特征向量输入分类器，分类器可以根据模型在训练过程中学习到的规律和关系，将其划分映射至对应的分类标签中，即“当前时间点的车速应增大”或“当前时间点的车速应减小”。在实际场景中，可以基于所述分类结果，确定车速的控制策略，并及时进行相应的调整。通过这样的方式，可以有效地针对车辆不同状态下的动态需求，实现准确的车速控制，从而提高车辆的行驶可靠性和安全性。

也就是，在本公开的技术方案中，所述分类器的标签包括当前时间点的车速应增大(第一标签)，以及，当前时间点的车速应减小(第二标签)，其中，所述分类器通过软最大值函数来确定所述参数关联特征向量属于哪个分类标签。值得注意的是，这里的所述第一标签p1和所述第二标签p2并不包含人为设定的概念，实际上在训练过程当中，计算机模型并没有“当前时间点的车速应增大或应减小”这种概念，其只是有两种分类标签且输出特征在这两个分类标签下的概率，即p1和p2之和为一。因此，当前时间点的车速应增大或应减小的分类结果实际上是通过分类标签转化为符合自然规律的二分类的类概率分布，实质上用到的是标签的自然概率分布的物理意义，而不是“当前时间点的车速应增大或应减小”的语言文本意义。

应可以理解，分类器是一种机器学习模型，用于将输入数据分为不同的类别。分类器的目标是学习一个函数，该函数将输入数据映射到预定义的类别之一。分类器的作用是利用给定的类别、已知的训练数据来学习分类规则和分类器，然后对未知数据进行分类(或预测)。逻辑回归(logistics)、SVM等常用于解决二分类问题，对于多分类问题(multi-class classification)，同样也可以用逻辑回归或SVM，只是需要多个二分类来组成多分类，但这样容易出错且效率不高，常用的多分类方法有Softmax分类函数。

相应地，在一种可能的实现方式中，将所述参数关联特征向量通过分类器以得到分类结果，所述分类结果用于表示当前时间点的车速应增大或应减小，包括：使用所述分类器的全连接层对所述参数关联特征向量进行全连接编码以得到编码分类特征向量；以及，将所述编码分类特征向量输入所述分类器的Softmax分类函数以得到所述分类结果。

关于步骤S132，基于所述分类结果，确定车速控制策略时，在确认当前时间点的车速应增大或应减小后，可以通过调整油门和刹车来控制车速，当前时间点的车速应增大时，可以适当加大油门来提高车速；当前时间点的车速应减小时，可以适当踩刹车来控制车速；或者，也可以基于巡航控制系统进行控制；又或者，也可以基于智能驾驶辅助系统进行控制，现在的车辆智能化程度越来越高，一些车辆已经配备了智能驾驶辅助系统。

进一步地，所述的基于车辆载荷的车速控制方法，还包括训练步骤：对所述基于一维卷积神经网络模型的时序特征提取器、所述自注意力机制和所述分类器进行训练。训练步骤通过使用标记数据来调整模型参数，使其能够更好地对未标记数据进行预测和分类，通过训练模型，可以提高模型的准确性、泛化能力和鲁棒性，从而能够更好地应对实际应用场景中的数据和问题。在训练过程中，需要选择合适的损失函数和优化算法来指导模型的学习和调整参数，同时需要进行超参数调优来提高模型的性能。

相应地，在一种可能的实现方式中，如图5所示，所述训练步骤，包括：S210，获取训练数据，所述训练数据包括预定时间段内多个预定时间点的训练车辆载荷值、训练道路坡度值和训练车辆车速值；S220，将所述多个预定时间点的训练车辆载荷值、训练道路坡度值和训练车辆车速值分别按照时间维度排列为训练车辆载荷时序输入向量、训练道路坡度时序输入向量和训练车辆车速时序输入向量；S230，将所述训练车辆载荷时序输入向量、训练道路坡度时序输入向量和训练车辆车速时序输入向量分别通过所述基于一维卷积神经网络模型的时序特征提取器以得到训练车辆载荷时序特征向量、训练道路坡度时序特征向量和训练车辆车速时序特征向量；S240，以所述训练车辆车速时序特征向量作为查询特征向量、所述训练车辆载荷时序特征向量作为键特征向量和所述训练道路坡度时序特征向量为值特征向量，通过自注意力机制来融合所述训练车辆载荷时序特征向量、所述训练道路坡度时序特征向量和所述训练车辆车速时序特征向量以得到训练参数关联特征向量；S250，将所述训练参数关联特征向量通过分类器以得到分类损失函数值；以及，S260，基于所述分类损失函数值并通过梯度下降的方向传播来对所述基于一维卷积神经网络模型的时序特征提取器、所述自注意力机制和所述分类器进行训练，其中，在所述训练的每一轮迭代中，对所述分类器的权重矩阵进行权重本征支持的半空间结构化约束。

应可以理解，分类损失函数值是在训练过程中用于衡量分类器预测结果与真实标签之间的差异的指标。在基于车辆载荷的车速控制方法中，分类损失函数值是将训练参数关联特征向量通过分类器预测得到的结果与真实标签之间的差异，通常使用交叉熵损失函数或均方误差损失函数来计算。分类损失函数值越小，表示分类器预测结果与真实标签之间的差异越小，模型的准确性越高。在训练过程中，通过不断地调整模型参数，使分类损失函数值尽可能地小，从而提高模型的性能。

应可以理解，半空间结构化约束是指在机器学习中，对模型参数进行限制的一种方法。具体来说，半空间结构化约束是通过将模型参数限制在一个半空间内来实现的。半空间可以理解为一个由向量组成的集合，其中每个向量都满足一定的条件。在模型训练过程中，半空间结构化约束可以帮助我们约束模型参数的范围，从而避免模型过度拟合数据，提高模型的泛化能力。常见的半空间结构化约束包括L1约束和L2约束。其中，L1约束可以使得模型参数中的一些维度为0，从而实现特征选择的效果；L2约束可以使得模型参数的范数不超过一个固定值，从而避免模型过拟合数据。

在本公开的技术方案中，在通过自注意力机制来融合所述训练车辆载荷时序特征向量、所述训练道路坡度时序特征向量和所述训练车辆车速时序特征向量以得到训练参数关联特征向量时，由于所述训练车辆载荷时序特征向量、所述训练道路坡度时序特征向量和所述训练车辆车速时序特征向量分别表达车辆载荷值、道路坡度值和车辆车速值在时序上的局部关联特征，源数据的差异会导致所述训练车辆载荷时序特征向量、所述训练道路坡度时序特征向量和所述训练车辆车速时序特征向量之间的分布差异，使得所述自注意力机制针对所述训练车辆载荷时序特征向量、所述训练道路坡度时序特征向量和所述训练车辆车速时序特征向量具有不同的特征拟合方向，例如其中部分过拟合和其它部分欠拟合。

这样，当所述训练参数关联特征向量通过分类器进行分类时，所述训练参数关联特征向量的分别对应于所述训练车辆载荷时序特征向量、所述训练道路坡度时序特征向量和所述训练车辆车速时序特征向量的部分特征分布相对于分类器的权重矩阵对应的部分也会具有不同的权重拟合方向，这样，所述训练参数关联特征向量的整体特征分布相对于分类器的权重矩阵就会具有收敛性差的问题，从而影响所述分类器的训练速度。基于此，本公开的申请人在所述训练参数关联特征向量，例如记为V的训练过程中，在每次分类器的权重矩阵，例如记为M的迭代过程中，对权重矩阵M进行权重本征支持的半空间结构化约束。

相应地，在一种可能的实现方式中，在所述训练的每一轮迭代中，对所述分类器的权重矩阵进行权重本征支持的半空间结构化约束，包括：在所述训练的每一轮迭代中，以如下优化公式对所述分类器的权重矩阵进行权重本征支持的半空间结构化约束；其中，所述优化公式为：

其中，V是所述训练参数关联特征向量，M是所述分类器的权重矩阵，V_e是矩阵M^TM的本征值组成的本征集合向量，(·)^T表示矩阵的转置矩阵，和⊕分别表示矩阵乘法和加法，M^′表示迭代后的所述分类器的权重矩阵。

这里，所述权重本征支持的半空间结构化约束以所述分类器的权重矩阵M的结构化矩阵的本征值集合与待分类的所述训练参数关联特征向量V的关联性集成作为支持，来对所述权重矩阵M表示的用于与所述训练待分类的所述参数关联特征向量V的高维流形相耦合的半空间(half-space)进行作为决策边界的超平面的结构化支持约束，以使得所述训练待分类的所述参数关联特征向量V的高维流形能够在所述权重矩阵M表示的半空间开放域内相对于超平面有效收敛，从而改进所述分类器的训练速度。

值得一提的是，矩阵的转置矩阵是指将原矩阵的行和列对换得到的新矩阵。对于一个m×n的矩阵A，其转置矩阵A^T是一个n×m，其中，A^T的第i行和第j列元素等于A的第j行和第i列元素。

综上，基于本公开实施例的基于车辆载荷的车速控制方法，其基于深度学习和人工智能技术，并综合利用车辆载荷、道路坡度和车辆车速的多维度数据，来实现智能化地对车速进行调整和控制，提高车辆在复杂行驶工况下的可靠性和安全性。

图6示出根据本公开的实施例的基于车辆载荷的车速控制系统100的框图。如图6所示，根据本公开实施例的基于车辆载荷的车速控制系统100，包括：数据获取模块110，用于获取预定时间段内多个预定时间点的车辆载荷值、道路坡度值和车辆车速值；分析处理模块120，用于基于深度卷积神经网络模型对所述多个预定时间点的车辆载荷值、道路坡度值和车辆车速值进行分析和处理以得到参数关联特征向量；以及，车速控制模块130，用于基于所述参数关联特征向量，确定车速控制策略。

这里，本领域技术人员可以理解，上述基于车辆载荷的车速控制系统100中的各个单元和模块的具体功能和操作已经在上面参考图1到图5的基于车辆载荷的车速控制方法的描述中得到了详细介绍，并因此，将省略其重复描述。

如上所述，根据本公开实施例的基于车辆载荷的车速控制系统100可以实现在各种无线终端中，例如具有基于车辆载荷的车速控制算法的服务器等。在一种可能的实现方式中，根据本公开实施例的基于车辆载荷的车速控制系统100可以作为一个软件模块和/或硬件模块而集成到无线终端中。例如，该基于车辆载荷的车速控制系统100可以是该无线终端的操作系统中的一个软件模块，或者可以是针对于该无线终端所开发的一个应用程序；当然，该基于车辆载荷的车速控制系统100同样可以是该无线终端的众多硬件模块之一。

替换地，在另一示例中，该基于车辆载荷的车速控制系统100与该无线终端也可以是分立的设备，并且该基于车辆载荷的车速控制系统100可以通过有线和/或无线网络连接到该无线终端，并且按照约定的数据格式来传输交互信息。

图7示出根据本公开的实施例的基于车辆载荷的车速控制方法的应用场景图。如图7所示，在该应用场景中，首先，获取预定时间段内多个预定时间点的车辆载荷值(例如，图7中所示意的D1)、道路坡度值(例如，图7中所示意的D2)和车辆车速值(例如，图7中所示意的D3)，然后，将所述多个预定时间点的车辆载荷值、道路坡度值和车辆车速值输入至部署有基于车辆载荷的车速控制算法的服务器中(例如，图7中所示意的S)，其中，所述服务器能够使用所述基于车辆载荷的车速控制算法对所述多个预定时间点的车辆载荷值、道路坡度值和车辆车速值进行处理以得到用于表示当前时间点的车速应增大或应减小的分类结果。

附图中的流程图和框图显示了根据本公开的多个实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或指令的一部分，所述模块、程序段或指令的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，两个连续的方框有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

以上已经描述了本公开的各实施例，上述说明是示例性的，并非穷尽性的，并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下，对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择，旨在最好地解释各实施例的原理、实际应用或对市场中的技术的改进，或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。

Claims (7)

1.一种基于车辆载荷的车速控制方法，其特征在于，包括：

获取预定时间段内多个预定时间点的车辆载荷值、道路坡度值和车辆车速值；

基于深度卷积神经网络模型对所述多个预定时间点的车辆载荷值、道路坡度值和车辆车速值进行分析和处理以得到参数关联特征向量；以及

基于所述参数关联特征向量，确定车速控制策略；

其中，所述基于车辆载荷的车速控制方法，还包括训练步骤：对基于一维卷积神经网络模型的时序特征提取器、自注意力机制和分类器进行训练；

其中，所述训练步骤，包括：

获取训练数据，所述训练数据包括预定时间段内多个预定时间点的训练车辆载荷值、训练道路坡度值和训练车辆车速值；

将所述多个预定时间点的训练车辆载荷值、训练道路坡度值和训练车辆车速值分别按照时间维度排列为训练车辆载荷时序输入向量、训练道路坡度时序输入向量和训练车辆车速时序输入向量；

将所述训练车辆载荷时序输入向量、训练道路坡度时序输入向量和训练车辆车速时序输入向量分别通过所述基于一维卷积神经网络模型的时序特征提取器以得到训练车辆载荷时序特征向量、训练道路坡度时序特征向量和训练车辆车速时序特征向量；

以所述训练车辆车速时序特征向量作为查询特征向量、所述训练车辆载荷时序特征向量作为键特征向量和所述训练道路坡度时序特征向量为值特征向量，通过自注意力机制来融合所述训练车辆载荷时序特征向量、所述训练道路坡度时序特征向量和所述训练车辆车速时序特征向量以得到训练参数关联特征向量；

将所述训练参数关联特征向量通过分类器以得到分类损失函数值；以及

基于所述分类损失函数值并通过梯度下降的方向传播来对所述基于一维卷积神经网络模型的时序特征提取器、所述自注意力机制和所述分类器进行训练，其中，在所述训练的每一轮迭代中，对所述分类器的权重矩阵进行权重本征支持的半空间结构化约束；

其中，在所述训练的每一轮迭代中，对所述分类器的权重矩阵进行权重本征支持的半空间结构化约束，包括：

在所述训练的每一轮迭代中，以如下优化公式对所述分类器的权重矩阵进行权重本征支持的半空间结构化约束；

其中，所述优化公式为：

其中，V是所述训练参数关联特征向量，M是所述分类器的权重矩阵，V_e是矩阵M^TM的本征值组成的本征集合向量，(·)^T表示矩阵的转置矩阵，和/>分别表示矩阵乘法和加法，M′表示迭代后的所述分类器的权重矩阵。

2.根据权利要求1所述的基于车辆载荷的车速控制方法，其特征在于，基于深度卷积神经网络模型对所述多个预定时间点的车辆载荷值、道路坡度值和车辆车速值进行分析和处理以得到参数关联特征向量，包括：

对所述多个预定时间点的车辆载荷值、道路坡度值和车辆车速值分别进行数据结构化处理以得到车辆载荷时序输入向量、道路坡度时序输入向量和车辆车速时序输入向量；

对所述车辆载荷时序输入向量、所述道路坡度时序输入向量和所述车辆车速时序输入向量进行时序特征提取以得到车辆载荷时序特征向量、道路坡度时序特征向量和车辆车速时序特征向量；以及

融合所述车辆载荷时序特征向量、所述道路坡度时序特征向量和所述车辆车速时序特征向量以得到所述参数关联特征向量。

3.根据权利要求2所述的基于车辆载荷的车速控制方法，其特征在于，对所述多个预定时间点的车辆载荷值、道路坡度值和车辆车速值分别进行数据结构化处理以得到车辆载荷时序输入向量、道路坡度时序输入向量和车辆车速时序输入向量，包括：

将所述多个预定时间点的车辆载荷值、道路坡度值和车辆车速值分别按照时间维度排列为所述车辆载荷时序输入向量、所述道路坡度时序输入向量和所述车辆车速时序输入向量。

4.根据权利要求3所述的基于车辆载荷的车速控制方法，其特征在于，对所述车辆载荷时序输入向量、所述道路坡度时序输入向量和所述车辆车速时序输入向量进行时序特征提取以得到车辆载荷时序特征向量、道路坡度时序特征向量和车辆车速时序特征向量，包括：

将所述车辆载荷时序输入向量、道路坡度时序输入向量和车辆车速时序输入向量分别通过基于一维卷积神经网络模型的时序特征提取器以得到所述车辆载荷时序特征向量、所述道路坡度时序特征向量和所述车辆车速时序特征向量。

5.根据权利要求4所述的基于车辆载荷的车速控制方法，其特征在于，融合所述车辆载荷时序特征向量、所述道路坡度时序特征向量和所述车辆车速时序特征向量以得到所述参数关联特征向量，包括：

以所述车辆车速时序特征向量作为查询特征向量、所述车辆载荷时序特征向量作为键特征向量和所述道路坡度时序特征向量为值特征向量，通过自注意力机制来融合所述车辆载荷时序特征向量、所述道路坡度时序特征向量和所述车辆车速时序特征向量以得到所述参数关联特征向量。

6.根据权利要求5所述的基于车辆载荷的车速控制方法，其特征在于，基于所述参数关联特征向量，确定车速控制策略，包括：

将所述参数关联特征向量通过分类器以得到分类结果，所述分类结果用于表示当前时间点的车速应增大或应减小；以及

基于所述分类结果，确定车速控制策略。

7.一种基于车辆载荷的车速控制系统，其特征在于，包括：

数据获取模块，用于获取预定时间段内多个预定时间点的车辆载荷值、道路坡度值和车辆车速值；

分析处理模块，用于基于深度卷积神经网络模型对所述多个预定时间点的车辆载荷值、道路坡度值和车辆车速值进行分析和处理以得到参数关联特征向量；以及

车速控制模块，用于基于所述参数关联特征向量，确定车速控制策略；

其中，所述基于车辆载荷的车速控制系统，还包括：对基于一维卷积神经网络模型的时序特征提取器、自注意力机制和分类器进行训练；

其中，对基于一维卷积神经网络模型的时序特征提取器、自注意力机制和分类器进行训练，包括：

获取训练数据，所述训练数据包括预定时间段内多个预定时间点的训练车辆载荷值、训练道路坡度值和训练车辆车速值；

将所述多个预定时间点的训练车辆载荷值、训练道路坡度值和训练车辆车速值分别按照时间维度排列为训练车辆载荷时序输入向量、训练道路坡度时序输入向量和训练车辆车速时序输入向量；

将所述训练车辆载荷时序输入向量、训练道路坡度时序输入向量和训练车辆车速时序输入向量分别通过所述基于一维卷积神经网络模型的时序特征提取器以得到训练车辆载荷时序特征向量、训练道路坡度时序特征向量和训练车辆车速时序特征向量；

以所述训练车辆车速时序特征向量作为查询特征向量、所述训练车辆载荷时序特征向量作为键特征向量和所述训练道路坡度时序特征向量为值特征向量，通过自注意力机制来融合所述训练车辆载荷时序特征向量、所述训练道路坡度时序特征向量和所述训练车辆车速时序特征向量以得到训练参数关联特征向量；

将所述训练参数关联特征向量通过分类器以得到分类损失函数值；以及

基于所述分类损失函数值并通过梯度下降的方向传播来对所述基于一维卷积神经网络模型的时序特征提取器、所述自注意力机制和所述分类器进行训练，其中，在所述训练的每一轮迭代中，对所述分类器的权重矩阵进行权重本征支持的半空间结构化约束；

其中，在所述训练的每一轮迭代中，对所述分类器的权重矩阵进行权重本征支持的半空间结构化约束，包括：

在所述训练的每一轮迭代中，以如下优化公式对所述分类器的权重矩阵进行权重本征支持的半空间结构化约束；

其中，所述优化公式为：

其中，V是所述训练参数关联特征向量，M是所述分类器的权重矩阵，V_e是矩阵M^TM的本征值组成的本征集合向量，(·)^T表示矩阵的转置矩阵，和/>分别表示矩阵乘法和加法，M′表示迭代后的所述分类器的权重矩阵。