一种基于LSTM神经网络的整车载重预测方法技术

本发明专利技术提供了一种基于LSTM神经网络的整车载重预测方法，通过车载终端采集车辆数据；对车辆数据进行整合、数据清洗和标准化处理，获得训练数据；通过长短期记忆神经网络模型进行训练，得到载重模型；将预测数据输入训练后的载重模型进行预测得到载重数据。本发明专利技术提供的一种基于LSTM神经网络的整车载重预测方法利用大数据计算平台，基于神经网络模型在预测领域的应用，结合纵向动力学车辆质量计算方程，能够实现对整车载荷进行实时、准确地预测。

A Method of Vehicle Load Prediction Based on LSTM Neural Network

【技术实现步骤摘要】
一种基于LSTM神经网络的整车载重预测方法
本专利技术涉及一种基于LSTM神经网络的整车载重预测方法，属于车联网和物流运输

技术介绍
目前传统载重预测的方法主要有以下两种：方法一：基于纵向动力学采用遗忘因子递归最小二乘法对整车质量进行估计。缺点：未考虑换挡操作，换挡过程中进行估计会导致算法估计精度不高且收敛速度慢。而且现实中由于刹车制动力、空气阻力，滚动摩擦力等因素实时变化，很难准确获取，也在一定程度上影响了预测的精度。其预测结果与真实值对比误差范围很难控制在15％以内。方法二：采用在汽车上安装传感器，通过传感器形变来估计车辆当前载重。缺点：每台车上都需要额外安装传感器，一个普通的车辆载重传感器的价格就在一万元人民币以上，成本高昂，而且基于形变的传感器容易老化，会增加后期维护成本，对载重精度的计算也会产生影响。
技术实现思路
为了解决现有技术的不足，增加预测准确率，降低成本，本专利技术提供了一种基于LSTM神经网络的整车载重预测方法，利用大数据计算平台，基于神经网络模型在预测领域的应用，结合纵向动力学车辆质量计算方程，在不额外添加车辆载重传感器的情况下，能够实现对整车载荷进行实时、准确地预测，预测结果误差在5％以内。本专利技术为解决其技术问题所采用的技术方案是：提供了一种基于LSTM神经网络的整车载重预测方法，包括以下步骤：(1)通过车载终端采集车辆数据；(2)对车辆数据进行整合、数据清洗和标准化处理，获得训练数据；(3)将训练数据通过长短期记忆神经网络模型进行训练，得到载重模型；(4)将预测数据输入训练后的载重模型进行预测，得到目标车辆的载重预测结果集，取结果集的中位数作为最终预测结果。步骤(1)所述车辆数据包括时刻、车速、发动机转速、离合器开关、油门踏板开度和刹车开关，以及扭矩或者扭矩百分比。步骤(2)所述整合是分别将连续两个时刻的各项车辆数据整合为一组特征指标数据。步骤(2)所述数据清洗是根据以下条件对车辆数据进行过滤，对于各个时刻的车辆数据，满足以下所有条件才保留：条件一：后一时刻与前一时刻的车速之差大于0；条件二：发动机转速n的有效范围为700转/分钟＜n＜2500转/分钟；条件三：扭矩Te的有效范围为1000N·m＜Te＜2200N·m；条件四：刹车开关fbswitch＝0；条件五：后一时刻与前一时刻的时间间隔deltaT≤5s；条件六：离合开关lhswitch＝0。步骤(2)采用z-score标准化方法进行标准化处理。步骤(3)在长短期记忆神经网络模型进行训练的过程中，采用RMSE作为评价标准，其中训练集误差损失train_loss、验证集误差损失val_loss和预测及误差损失pre_loss越小，表示长短期记忆神经网络模型的拟合效果越好。对于载重模型，设置载重模型的对外访问接口，供第三方调用进行预测得到载重数据。对于载重模型，将其移植到车载终端，用于直接将采集到的车辆数据输入载重模型，输出预测得到的载重数据。本专利技术基于其技术方案所具有的有益效果在于：(1)本专利技术提供的一种基于LSTM神经网络的整车载重预测方法计算过程不依赖刹车制动力、空气阻力、滚动摩擦力等难以采集的随环境因素变化数据，经过实验，预测结果误差在5％以内，与传统的最小二乘法误差范围超过15％相比，预测精度有显著提升；(2)本专利技术提供的一种基于LSTM神经网络的整车载重预测方法只采集车载终端发送的数据，无需额外安装任何质量相关的传感器，节省了制造成本和后期维护成本；(3)本专利技术提供的一种基于LSTM神经网络的整车载重预测方法在运输方面可对车辆在运输过程中进行载荷监控，合理利用(调度)载荷资源，监测货物是否到达指定地点以及对过载、超载进行预警；(4)本专利技术提供的一种基于LSTM神经网络的整车载重预测方法在售后方面可以有效了解车辆在保修期内的故障界定问题以及超载对车辆零部件使用寿命带来的影响；在整车研发方面，通过大数据挖掘分析车辆在不同载荷下的性能及燃油经济性表现，为提高整车水平提供数据依据；(5)本专利技术提供的一种基于LSTM神经网络的整车载重预测方法在整车性能优化方面可以通过实时载重的预测并将结果与整车控制器进行交互，达到控制器控制策略动态优化，提高车辆运行经济效益及安全。附图说明图1是整合后的数据示意图。具体实施方式下面结合附图和实施例对本专利技术作进一步说明。本专利技术提供了一种基于LSTM神经网络的整车载重预测方法，包括以下步骤：(1)通过车载终端(T-BOX)采集车辆数据，包括时刻、车速、发动机转速、离合器开关、油门踏板开度和刹车开关，以及扭矩或者扭矩百分比；(2)对车辆数据进行整合、数据清洗和标准化处理，获得训练数据；本步骤主要是对数据进行准备工作。由纵向动力学公式：其中M表示汽车总的质量，v表示汽车行驶速度(可采集数据)，加速度Te表示发动机作用在飞轮上的扭矩(可采集数据)，表示总变速比，其中rw表示车轮半径(车型静态值)，gd为变速比(车型静态值)，gf表示驱动比(车型静态值)，Je表示转动惯量(车型静态值)，ω表示发动机转速(可采集数据)，Ffb表示车轮上的制动摩擦力(可采集数据)，其中Cd是空气阻力系数，ρ表示空气密度，A是汽车挡风面积，Fgrade＝Mg(μcosβ+sinβ)是由坡度和滚动摩擦产生的合力，其中μ表示路面滚动摩擦力系数，β表示坡度，β>0为上坡，β<0为下坡，β＝0为没有坡度。由纵向动力学公式可知，在终端采集的数据中，与质量相关的信息有：时间、车速、发送机转速、扭矩、刹车开关、离合器开关和油门踏板开度。由于加速度的计算最少需要两个时刻的上报数据，故首先对数据进行整合，分别将连续两个时刻的各项车辆数据整合为一组特征指标数据，即图1所示的每一行数据。接着进行数据清洗，过滤掉一些错误数据和对计算结果产生干扰的脏数据。根据以下条件对车辆数据进行过滤，对于各个时刻的车辆数据，满足以下所有条件才保留：条件一：后一时刻与前一时刻的车速之差大于0；条件二：发动机转速n的有效范围为700转/分钟＜n＜2500转/分钟；条件三：扭矩Te的有效范围为1000N·m＜Te＜2200N·m；条件四：刹车开关fbswitch＝0；条件五：后一时刻与前一时刻的时间间隔deltaT≤5s；条件六：离合开关lhswitch＝0。采集的数据包含多个指标，由于各指标的性质不同，具有不同的量纲和数量级。考虑到某些指标间的水平相差较大，如果直接用原始指标值进行分析，就会突出数值较高的指标在综合分析中的作用，相对削弱数值水平较低指标的作用。因此，为了保证结果的可靠性，需要对原始指标数据进行标准化处理。采用z-score标准化方法对采集的数据进行标准化处理，这种方法基于原始数据的均值(mean)和标准差(standarddeviation)进行数据的标准化，即新数据＝(原数据－均值)/标准差。(3)建立长短期记忆神经网络模型，输入层神经元个数为8，输出层神经元个数为1，激活函数为ReLU，其数学表达式为：f(x)＝max(αx,x)，其中α＝0.01，x为输入向量，f(x)为输出向量，激活函数是神经网络计算中间过程的一个非线性转换函数，用于实现一对一的变换，即用相同的函数对输入向量的每个分量进行映射，得到输出向量。优化器采本文档来自技高网...

【技术保护点】
1.一种基于LSTM神经网络的整车载重预测方法，其特征在于包括以下步骤：(1)通过车载终端采集车辆数据；(2)对车辆数据进行整合、数据清洗和标准化处理，获得训练数据；(3)将训练数据通过长短期记忆神经网络模型进行训练，得到载重模型；(4)将预测数据输入训练后的载重模型进行预测，得到目标车辆的载重预测结果集，取结果集的中位数作为最终预测结果。

【技术特征摘要】
1.一种基于LSTM神经网络的整车载重预测方法，其特征在于包括以下步骤：(1)通过车载终端采集车辆数据；(2)对车辆数据进行整合、数据清洗和标准化处理，获得训练数据；(3)将训练数据通过长短期记忆神经网络模型进行训练，得到载重模型；(4)将预测数据输入训练后的载重模型进行预测，得到目标车辆的载重预测结果集，取结果集的中位数作为最终预测结果。2.根据权利要求1所述的基于LSTM神经网络的整车载重预测方法，其特征在于：步骤(1)所述车辆数据包括时刻、车速、发动机转速、离合器开关、油门踏板开度和刹车开关，以及扭矩或者扭矩百分比。3.根据权利要求1所述的基于LSTM神经网络的整车载重预测方法，其特征在于：步骤(2)所述整合是分别将连续两个时刻的各项车辆数据整合为一组特征指标数据。4.根据权利要求1所述的基于LSTM神经网络的整车载重预测方法，其特征在于：步骤(2)所述数据清洗是根据以下条件对车辆数据进行过滤，对于各个时刻的车辆数据，满足以下所有条件才保留：条件一：后一时刻与前一时刻的车速之差大于0；条件二：发动机转速n的有效范围为700转/分钟＜n＜2500转...

【专利技术属性】
技术研发人员：王平，李荣成，柳伟，
申请(专利权)人：兴民智通武汉汽车技术有限公司，
类型：发明
国别省市：湖北,42