[发明专利]一种车辆重量预测方法及其系统

说明书

本发明公开了一种车辆重量预测方法及其系统，包括：S1：基于多种采样模式持续获取车辆行驶数据；S2：对所述车辆行驶数据进行特征变换和归一化处理后生成行驶数据矩阵；S3：神经网络单元基于所述行驶数据矩阵输出车辆重量数据。本发明通过非侵入式的方法获取车辆中原有的行驶数据，并通过设置多种采样模式构建能够表征车辆不同运动状态的车辆行驶数据，进行特征变换和归一化处理后生成能够有效提高神经网络预测结果准确性的行驶数据矩阵，使得神经网络能够基于行驶数据矩阵准确预测车辆重量，解决了传统的车辆重量检测方法存在的成本高、可靠性差的问题。

技术领域

本发明涉及智能交通技术领域，具体涉及一种车辆重量预测方法及其系统。

背景技术

随着我国基建的日益发展，使用车辆的中长途客运行业、物流运输行业近年来发展十分迅速。而中长途客运行业中的超载、超员问题，物流运输行业的超重、货物偷换问题，均属于长期存在、亟待解决的问题。

以物流运输行业为例，在公路运输的过程中，如果能实时获得货车的货运重量，并与货车的GPS行驶轨迹相匹配，即可实现物流企业对运输过程中偷换货物的情况进行监控，还可实现车辆的网络化管理，方便对车辆货运的调度。还能够让物流企业掌握各车辆的实时载荷情况以及行驶情况，进而及时对物流地货源进行运载分配，提高货物运输率，降低空驶率。

传统的车辆重量检测方法为：给车辆加装载重感应器。但是该种重量检测方法由于载重感应器的成本较高，且载重感应器装载于车辆上时受复杂工况的影响导致易失效，以及对车辆进行改装的过程非常复杂，易用性差。

综上所述，传统的车辆重量检测方法存在成本高、可靠性差的问题。

发明内容

有鉴于此，本发明提供一种车辆重量预测方法及其系统，通过非侵入式的方法获取车辆中原有的行驶数据，并通过设置多种采样模式构建能够表征车辆不同运动状态的车辆行驶数据，通过数据处理后生成能够有效提高神经网络预测结果准确性的行驶数据矩阵，使得神经网络能够基于行驶数据矩阵准确预测车辆重量，解决了传统的车辆重量检测方法存在的成本高、可靠性差的问题。

为解决以上问题，本发明的技术方案为采用一种车辆重量预测方法，包括：S1：基于多种采样模式持续获取车辆行驶数据；S2：对所述车辆行驶数据进行特征变换和归一化处理后生成行驶数据矩阵；S3：神经网络单元基于所述行驶数据矩阵输出车辆重量数据。

可选地，所述车辆行驶数据包括多组行驶子数据集，每组所述行驶子数据集包含的行驶子数据对应的所述采样模式相同且时间戳连续。

可选地，所述行驶子数据包括所述时间戳、车辆速度数据、车辆经度数据和车辆纬度数据，所述采样模式包括起步模式、转弯模式、爬坡模式和直行模式，其中，所述起步模式和所述转弯模式被配置为，基于第一预设时间间隔周期性地获取所述车辆行驶子数据；所述爬坡模式被配置为，基于第二预设时间间隔周期性地获取所述车辆行驶子数据；所述直行模式被配置为，基于第三预设时间间隔周期性地获取所述车辆行驶子数据。

可选地，所述S1包括：在车辆初始起步时，数据采集单元在起步模式下基于第一预设时间间隔周期性地获取所述车辆行驶子数据；数据处理单元持续性解析所述车辆行驶数据并转换数据采集单元的所述采样模式，其中，在当前帧的所述车辆速度数据包含的车辆方向数据与上一帧的所述车辆速度数据包含的所述车辆方向数据的差值超过第一阈值的情况下，所述数据处理单元控制所述数据采集单元的采样模式转换为转弯模式；在当前帧的所述车辆经度数据和所述车辆纬度数据与上一帧的所述车辆经度数据和所述车辆纬度数据的一阶差分数值超过第二阈值的情况下，所述数据处理单元控制所述数据采集单元的采样模式转换为爬坡模式；在所述数据处理单元判断车辆不处于起步状态、转弯状态和爬坡状态的情况下，所述数据处理单元控制所述数据处理单元的采样模式转换为直行模式。