[发明专利]一种实时测量汽车载重质量的方法与装置

说明书

本公开提供了一种实时测量汽车载重质量的方法与装置，其中方法包括：获取安装于车辆的传感器采集的数据，输入循环神经网络模型，得到关于车辆状态的识别结果；对所述数据进行标定，得到不同车辆状态下所述数据的传感器标定系数；针对所述车辆状态，利用所述传感器标定系数，以及所述数据与对应的车辆状态之间的映射关系，建立车辆状态预测模型；根据所述传感器采集的数据，结合所述车辆状态的识别结果，以及所述车辆状态预测模型，得到车辆载重质量的数值。

技术领域

本公开涉及实时数据测量技术领域，特别涉及一种实时测量汽车载重质量的方法、装置、电子设备及计算机可读存储介质。

背景技术

众所周知，某些商品，例如水泥，由于其特殊性，比如运输成本较高，生产与销售的半径通常比较近，对于这一类商品，企业可以限制销售区域，在不同的区域制定不同的价格，更好的维护区域市场的价格稳定。因此，需要对车辆流向数据进行统计，及时发现异常的运输车辆。不过，这样的管控方式存在工作量大、发现不及时、处理不及时、监管效率低等问题。

因此，急需一种实时车载称重技术，实现实时的检测车载质量，并上传至系统，以发现中途卸货、换货等问题。

发明内容

有鉴于此，本公开实施例的目的在于提供一种实时测量汽车载重质量的方法，可以实时的根据车辆状态，优化传感器与载重之间的关系曲线，得到更加精确的、符合车辆当前状态的载重质量数据，该称重技术更加贴近实际情况，提高抗外界干扰能力，提高了车载称重技术的精确性。

根据本公开的第一方面，提供了一种实时测量汽车载重质量的方法，包括：

获取安装于车辆的传感器采集的数据，输入循环神经网络模型，得到关于车辆状态的识别结果；

对所述数据进行标定，得到不同车辆状态下所述数据的传感器标定系数；

针对所述车辆状态，利用所述传感器标定系数，以及所述数据与对应的车辆状态之间的映射关系，建立车辆状态预测模型；

根据所述传感器采集的数据，结合所述车辆状态的识别结果，以及所述车辆状态预测模型，得到车辆载重质量的数值。

在一个可能的实施例中，其中，所述循环神经网络模型是由传感器采集的数据为样本数据，以及预先确定的车辆状态的识别结果为样本标签，经过训练后得到的。

在一个可能的实施例中，其中，所述车辆识别的结果包括：静止状态、跑车状态、上货状态、卸货状态、其他状态，其中，静止状态与跑车状态、上货状态、卸货状态、其他状态可以直接转换，跑车状态、上货状态、卸货状态、其他状态之间的转换只能通过先到达静止状态后，再进行转换。

在一个可能的实施例中，其中，所述建立车辆状态预测模型包括：针对识别到的卸货状态，得到传感器卸货开始与卸货完成之间的差值d_ij，其中，i表示传感器个数，j表示上货过程次数，卸货预测模型为：d_ij＝m_i*D_ij+b_i，其中m_i、b_i为不同传感器的预测模型系数，D_ij为传感器上货完成与上货开始之间的差值。

在一个可能的实施例中，所述循环神经网络模型的结构包括：一个含有十个结点的输入层，两个含有十个结点的隐藏层、一个含有一个结点的输出层，输入是时间序列长度为十秒的传感器数据，输出是所述时间序列的第一秒时刻对应的车辆状态。

在一个可能的实施例中，其中，训练所述循环神经网络模型包括：采用时间步长为10的滑动窗口，对模型进行迭代循环训练，训练时采用tanh函数作为隐藏层的激活函数。