[发明专利]基于深度学习的汽车载重分析模型构建和分析方法

权利要求书

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。