[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

说明书

本发明实施例公开了一种基于深度学习的汽车载重分析模型构建和分析方法。其中，构建方法包括：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；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；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。本实施例无需增加额外成本，即可以得到准确的车载分析结果。

技术领域

本发明实施例涉及人工智能领域，尤其涉及一种基于深度学习的汽车载重分析模型构建和分析方法。

背景技术

汽车作为运输和交通工具，装载重量是衡量其性能的重要指标。不同的车载重量会影响到司机驾驶行为、安全性能等。

现有技术中无法直接获取准确的车载重量，一般通过加装传感器来分析载重情况。这一方式会增加额外成本，且由于传感器与路况的不确定性，结果准确性也难以保障。

发明内容

本发明实施例提供一种基于深度学习的汽车载重分析模型构建和分析方法，无需增加额外成本，即可以得到准确的车载分析结果。

第一方面，本发明实施例提供了一种基于深度学习的汽车载重分析模型构建方法，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。

第二方面，本发明实施例提供了一种基于深度学习的汽车载重分析方法，包括：

获取汽车在特定时段内的道路地形和油耗，其中，所述特定时段内汽车载重固定不变；

根据所述道路地形和油耗构建待检测样本，输入采用上述方法训练的神经网络模型，得到所述特定时段内的汽车载重。

第三方面，本发明实施例还提供了一种电子设备，所述电子设备包括：

一个或多个处理器；

存储器，用于存储一个或多个程序，

当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现任一实施例所述的基于深度学习的汽车载重分析模型构建方法，或基于深度学习的汽车载重分析方法。

第四方面，本发明实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现任一实施例所述的基于深度学习的汽车载重分析模型构建方法，或基于深度学习的汽车载重分析方法。

本发明实施例利用汽车油耗、道路地形和汽车载重之间的关系，对基于深度学习的神经网络模型进行训练。首先通过运行数据中的瞬时喷油量和油箱液位，从不同的角度进行油耗估计；然后考虑两种计算方式的优缺点，根据数据上传的时间间隔对两种结果的影响规律对其进行加权融合，提高油耗估计的准确性；得到油耗数据和道路地形数据后，将其作为样本对神经网络模型进行训练，使模型自动输出汽车载重分析结果。整个过程无需在车内加装额外的传感器，降低载重分析成本，提高结果准确性。

附图说明