一种整车重量的计算方法、装置及电子设备与流程

本发明涉及整车开发领域，更具体的说，涉及一种整车重量的计算方法、装置及电子设备。

背景技术：

乘用车的整车重量是指车辆的整备质量，即汽车完全装备好(但不包括货物、驾驶员及乘客)的重量，整车重量除了包括发动机、底盘和车身的重量之外，还包括加满的燃料、润滑剂、冷却水及携带的随身工具等的重量。

整车重量与整车的燃油经济性、碰撞试验、结构耐久设计、底盘设计及变速箱耐久型设计等密切相关，特别是在新车型研制的初始阶段，整车重量将直接影响到汽车性能设计指标。

当前整车重量的计算方法为：根据整车的长宽高，计算出整车的体积，根据预先设定的多款竞争车辆的重量以及体积计算出全部竞争车辆的平均密度，将平均密度与整车的体积相乘，即可计算出整车重量。由于在计算整车重量时，依据的是整车的体积，但是整车的车型形状不是立方体形状，即计算得到的整车的体积与整车的实际体积不同。因此，依据整车的体积计算整车重量，会导致计算结果不准确，进而使计算得到的整车重量与最终的量产车的整车重量差距较大。

技术实现要素：

有鉴于此，本发明提供一种整车重量的计算方法、装置及电子设备，以解决依据整车的体积计算整车重量，会导致计算结果不准确，进而使计算得到的整车重量与最终的量产车的整车重量差距较大的问题。

为解决上述技术问题，本发明采用了如下技术方案：

一种整车重量的计算方法，包括：

获取至少一个影响车辆的整车重量的自变量；

当所述自变量的数量为多个时，将每个所述自变量的数值代入第一整车重量计算公式中，计算得到整车重量；

其中，所述第一整车重量计算公式的生成方法包括：

获取第一样本数据；其中，所述第一样本数据包括预设的多个样本车辆的整车样本重量以及每个自变量的数值；

根据所述第一样本数据，计算得到所述第一预设回归模型中的每个模型参数的数值；

根据计算得到的第一预设回归模型中的每个所述模型参数的数值，生成第一回归模型；

根据所述第一回归模型和所述第一样本数据，计算第一可决系数和方差齐性检验值；

当所述第一可决系数大于第一预设数值、所述方差齐性检验值大于第二预设数值、且所述第一样本数据的残差的分布属于标准正态分布时，选取所述第一回归模型为所述第一整车重量计算公式。

优选地，当所述自变量的数量为一个时，还包括：

将所述自变量的数值代入第二整车重量计算公式中，计算得到整车重量；

其中，所述第二整车重量计算公式的生成方法包括：

获取第二样本数据；其中，所述第二样本数据包括预设的多个样本车辆的整车样本重量以及自变量的数值；

根据所述第二样本数据，计算得到所述第二预设回归模型中的每个模型参数的数值；

根据计算得到的第二预设回归模型中的每个所述模型参数的数值，生成第二回归模型；

根据所述第二样本数据和所述第二回归模型，计算得到第二可决系数以及学生化残差分布；

当所述第二可决系数大于第三预设数值、且所述学生化残差分布属于标准正态分布时，选取所述第二回归模型为所述第二整车重量计算公式。

优选地，获取第一样本数据后，还包括：

根据第一样本数据，计算每个自变量与整车样本重量的相关系数；

将相关系数小于第四预设数值的样本车辆的整车样本重量以及每个自变量的数值删除；

将剩余的样本车辆的整车样本重量以及每个自变量的数值组成第三样本数据；

相应的，根据所述第一样本数据，计算得到所述第一预设回归模型中的每个模型参数的数值，具体包括：

根据所述第三样本数据，计算得到所述第一预设回归模型中的每个模型参数的数值。

优选地，根据计算得到的第二预设回归模型中的每个所述模型参数的数值，生成第二回归模型后，还包括：

计算第二样本数据中的每个自变量的残差杠杆率；

删除残差杠杆率小于第五预设数值的样本车辆的整车样本重量以及每个自变量的数值；

将剩余的样本车辆的整车样本重量以及每个自变量的数值组成第四样本数据；

相应的，根据所述第二样本数据，计算得到所述第二预设回归模型中的每个模型参数的数值，具体包括：

根据所述第四样本数据，计算得到所述第二预设回归模型中的每个模型参数的数值。

一种整车重量的计算装置，包括：

第一获取模块，用于获取至少一个影响车辆的整车重量的自变量；

第一计算模块，用于当所述自变量的数量为多个时，将每个所述自变量的数值代入第一整车重量计算公式中，计算得到整车重量；

第一数据获取模块，用于获取第一样本数据；其中，所述第一样本数据包括预设的多个样本车辆的整车样本重量以及每个自变量的数值；

第一数值计算模块，用于根据所述第一样本数据，计算得到所述第一预设回归模型中的每个模型参数的数值；

第一模型生成模块，用于根据计算得到的第一预设回归模型中的每个所述模型参数的数值，生成第一回归模型；

第二数值计算模块，用于根据所述第一回归模型和所述第一样本数据，计算第一可决系数和方差齐性检验值；

第一选取模块，用于当所述第一可决系数大于第一预设数值、所述方差齐性检验值大于第二预设数值、且所述第一样本数据的残差的分布属于标准正态分布时，选取所述第一回归模型为所述第一整车重量计算公式。

优选地，还包括：

第二计算模块，用于当所述自变量的数量为一个时，将所述自变量的数值代入第二整车重量计算公式中，计算得到整车重量；

第二数据获取模块，用于获取第二样本数据；其中，所述第二样本数据包括预设的多个样本车辆的整车样本重量以及自变量的数值；

第三数值计算模块，用于根据所述第二样本数据，计算得到所述第二预设回归模型中的每个模型参数的数值；

第二模型生成模块，用于根据计算得到的第二预设回归模型中的每个所述模型参数的数值，生成第二回归模型；

第四数值计算模块，用于根据所述第二样本数据和所述第二回归模型，计算得到第二可决系数以及学生化残差分布；

第二选取模块，用于当所述第二可决系数大于第三预设数值、且所述学生化残差分布属于标准正态分布时，选取所述第二回归模型为所述第二整车重量计算公式。

优选地，还包括：

相关系数计算模块，用于获取第一样本数据后，根据第一样本数据，计算每个自变量与整车样本重量的相关系数；

第一删除模块，用于将相关系数小于第四预设数值的样本车辆的整车样本重量以及每个自变量的数值删除；

第一组成模块，用于将剩余的样本车辆的整车样本重量以及每个自变量的数值组成第三样本数据；

相应的，第一数值计算模块用于根据所述第一样本数据，计算得到所述第一预设回归模型中的每个模型参数的数值时，具体用于：

根据所述第三样本数据，计算得到所述第一预设回归模型中的每个模型参数的数值。

优选地，还包括：

杠杆率计算模块，用于根据计算得到的第二预设回归模型中的每个所述模型参数的数值，生成第二回归模型后，计算第二样本数据中的每个自变量的残差杠杆率；

第二删除模块，用于删除残差杠杆率小于第五预设数值的样本车辆的整车样本重量以及每个自变量的数值；

第二组成模块，用于将剩余的样本车辆的整车样本重量以及每个自变量的数值组成第四样本数据；

相应的，第三数值计算模块用于根据所述第二样本数据，计算得到所述第二预设回归模型中的每个模型参数的数值时，具体用于：

根据所述第四样本数据，计算得到所述第二预设回归模型中的每个模型参数的数值。

一种电子设备，包括：

存储器和处理器；

其中，所述存储器用于存储程序；

处理器用于调用程序，其中，所述程序用于：

获取至少一个影响车辆的整车重量的自变量；

当所述自变量的数量为多个时，将每个所述自变量的数值代入第一整车重量计算公式中，计算得到整车重量；

其中，所述第一整车重量计算公式的生成方法包括：

获取第一样本数据；其中，所述第一样本数据包括预设的多个样本车辆的整车样本重量以及每个自变量的数值；

根据所述第一样本数据，计算得到所述第一预设回归模型中的每个模型参数的数值；

根据计算得到的第一预设回归模型中的每个所述模型参数的数值，生成第一回归模型；

根据所述第一回归模型和所述第一样本数据，计算第一可决系数和方差齐性检验值；

当所述第一可决系数大于第一预设数值、所述方差齐性检验值大于第二预设数值、且所述第一样本数据的残差的分布属于标准正态分布时，选取所述第一回归模型为所述第一整车重量计算公式。

相较于现有技术，本发明具有以下有益效果：

本发明提供了一种整车重量的计算方法、装置及电子设备，本发明中当自变量的数量为多个时，将每个所述自变量的数值代入第一整车重量计算公式中，计算得到整车重量。由于计算整车重量时，依据的是多个影响车辆的整车重量的自变量，依据多个自变量计算得到的整车重量，相对于仅依靠整车的体积计算得到的整车重量更准确。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。

图1为本发明提供的一种整车重量的计算方法的方法流程图；

图2为本发明提供的另一种整车重量的计算方法的方法流程图；

图3为本发明提供的再一种整车重量的计算方法的方法流程图；

图4为本发明提供的体积-残差杠杆率分布图；

图5为本发明提供的整车质量与体积回归结果图；

图6为本发明提供的学生化残差图；

图7为本发明提供的第一实施例中的学生化残差分布图；

图8为本发明提供的第二实施例中的学生化残差分布图；

图9为本发明提供的一种整车重量的计算装置的结构示意图；

图10为本发明提供的另一种整车重量的计算装置的结构示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

本发明实施例提供了一种整车重量的计算方法，参照图1，包括：

s11、获取至少一个影响车辆的整车重量的自变量；

其中，根据车辆研发需求，确定自变量，其中需求是指市场输入的对待开发车型的功能及配置需求，需求可以是油耗低、动力性好、操控性好、乘坐空间大、安全性高等需求。

需要说明的是，不同的车型的需求不同，其中，在根据需求确定自变量时，可以确定一个自变量，也可以确定多个自变量。

其中，自变量可以包括体积、油耗、轴距、发动机排量、轮距、驱动模式和/或涡轮增压等。

s12、当自变量的数量为多个时，将每个自变量的数值代入第一整车重量计算公式中，计算得到整车重量。

其中，整车重量计算公式根据自变量的数量的不同而不同。

当自变量的数量为多个时，整车重量计算公式为第一重量计算公式，当自变量的数量为一个时，整车重量计算公式为第二重量计算公式。

在本实施例的基础上，参照图2，第一整车重量计算公式的生成方法包括：

s21、获取第一样本数据；

其中，第一样本数据包括预设的多个样本车辆的整车样本重量以及每个自变量的数值。

具体的，第一样本数据可以从汽车网站或者是其他渠道获取。

当自变量为多个时，收集的第一样本数据中的每个样本车辆的数据包括该样本车辆的整车样本重量以及定义的每个自变量的数值。

需要说明的是，自变量的含义和数值参照表1。

表1各自变量含义与数值

需要说明的是，当自变量为车辆体积等可以有具体数值的自变量时，自变量的数值为根据样本车辆的长宽高计算得到的数值，当自变量为可以用是否标识的自变量时，自变量的数值为1或0。具体参照表1。

举例来说，当自变量为x1时，x1的数值为由车辆的长×宽×高近似计算得到的数值。当自变量为x3时，当车辆有涡轮增压时，x3的数值为1，当没有涡轮增压时，x3的数值为0。

s22、根据第一样本数据，计算得到第一预设回归模型中的每个模型参数的数值；

具体的，第一预设回归模型为其中，表示整车重量的估计值。b0为常数项，b1，b2，…，bk为由第一样本数据计算的偏回归系数。

假设第一样本数据的数量为n，引入矩阵：

其中，矩阵y表示的是第一样本数据中每个样本车辆的整车样本重量组成的矩阵。矩阵b为偏回归系数组成的矩阵。矩阵x表示的是第一样本数据中每个样本车辆的每个自变量的数值组成的矩阵。

由最小二乘法原理，可以计算出b＝(x^tx)^-1x^ty。计算得到矩阵b后，即计算出了第一预设回归模型中的每个模型参数的数值。

s23、根据计算得到的第一预设回归模型中的每个模型参数的数值，生成第一回归模型。

具体的，将矩阵b中的每个值代入第一预设回归模型中，即可以得到第一回归模型。

s24、根据第一回归模型和第一样本数据，计算第一可决系数和方差齐性检验值；

具体的，第一可决系数

其中：

其中，ess为回归平方和，tss为总体平方和，rss为残差平方和。

具体的，表示的是样本车辆的整车样本重量的估计值。表示的是全部的样本车辆的整车样本重量的平均值。yi表示第i个样本车辆的整车样本重量的数值。n为样本数。

根据第一样本数据，以及上述公式和第一回归模型，即可以计算得到第一可决系数。

此外，计算方差齐性检验值的过程即为进行f检验，计算得到方差齐性检验值，其中，f检验又称为方差齐性检验。

s25、当第一可决系数大于第一预设数值、方差齐性检验值大于第二预设数值、且第一样本数据的残差的分布属于标准正态分布时，选取第一回归模型为第一整车重量计算公式。

具体的，第一预设数值可以是0.8。当第一可决系数大于0.8时，说明计算得到的第一回归模型可被接受。即第一回归模型可用于计算整车重量。

第二预设数值可以是自己根据具体情况进行设定的。具体设定过程是：

根据统计学知识，统计量f应服从自由度为(k，n-k-1)的f分布；给定显著水平α，可得到临界值fα(k，n-k-1)，这个是可以查表或直接计算的。其中，k为自变量的个数。

对比方差齐性检验值f与fα(k，n-k-1)大小；

当f＞fα(k，n-k-1)，则认为该因变量和自变量符合线性关系，即该模型可接受。

第一样本数据的残差的分布属于标准正态分布是指对第一样本数据进行残差正态分布检验。

其中，在回归分析中，测定值与按回归方程预测的值之差，以δ表示。残差δ服从正态分布n(0，σ2)；

称为标准化残差，以δ*表示。δ*应该服从标准正态分布n(0，1)。

若对第一样本数据进行残差正态分布检验时，发现第一样本数据的残差的分布属于标准正态分布，则认为第一回归模型可被接受。

需要说明的是，当第一可决系数大于第一预设数值、方差齐性检验值大于第二预设数值、且第一样本数据的残差的分布属于标准正态分布三个条件同时满足时，选取第一回归模型为第一整车重量计算公式。

当三个条件有至少一个条件没有满足时，则认为第一回归模型设定的不合理。

本实施例中当自变量的数量为多个时，将每个自变量的数值代入第一整车重量计算公式中，计算得到整车重量。由于计算整车重量时，依据的是多个影响车辆的整车重量的自变量，依据多个自变量计算得到的整车重量，相对于仅依靠整车的体积计算得到的整车重量更准确。

可选的，在上述实施例的基础上，获取第一样本数据后，即步骤s21后，还包括：

1)根据第一样本数据，计算每个自变量与整车重量的相关系数；

其中，由于第一样本数据中包括预设的多个样本车辆的整车样本重量以及每个自变量的数值。

如，选取其中一个自变量，如自变量x1，获取每个样本车辆关于自变量x1的数值，以及每个样本车辆的整车样本重量。

根据获取的这些数据，计算自变量x1与整车样本重量的相关系数，具体的计算过程如下：

其中，x代表自变量，，y代表整车样本重量，ρxy代表相关系数，cov(x，y)表示变量x、y的协方差，d(x)、d(y)分别为变量x、y的方差。

根据上述公式计算得到自变量x1与整车样本重量的相关系数，根据这种方法，计算出每个自变量与整车样本重量的相关系数。

2)将相关系数小于第四预设数值的样本车辆的整车样本重量以及每个自变量的数值删除；

使用相关系数可以判断各个自变量对整车重量的影响程度，并将相关系数小的自变量删除。

3)将剩余的样本车辆的整车样本重量以及每个自变量的数值组成第三样本数据；

相应的，根据第一样本数据，计算得到第一预设回归模型中的每个模型参数的数值，具体包括：

根据第三样本数据，计算得到第一预设回归模型中的每个模型参数的数值。

本实施例中，增加了计算自变量和整车样本重量的相关系数这一步，进而能够使第三样本数据中自变量都是影响整车重量的自变量。

可选的，在上述任一实施例的基础上，当自变量的数量为一个时，还包括：

将自变量的数值代入第二整车重量计算公式中，计算得到整车重量。

参照图3，第二整车重量计算公式的生成方法包括：

s31、获取第二样本数据；

其中，第二样本数据包括预设的多个样本车辆的整车样本重量以及自变量的数值。

其中，第二样本数据与第一样本数据的数据内容可以相同，也可以不同。

s32、根据第二样本数据，计算得到第二预设回归模型中的每个模型参数的数值；

其中，第二预设回归模型为其中，表示整车重量的估计值，a和b为一元模型参数。

其中，a和b的数值可以用最小二乘法计算得到。具体计算过程为：

a＝(n∑xy-∑x∑y)/(n∑x^2-(∑x)^2)

其中，表示自变量的平均值，表示整个样本重量的平均值，n表示样本数。

根据上述公式计算得到a和b，即计算得到第二预设回归模型中的每个模型参数的数值。

s33、根据计算得到的第二预设回归模型中的每个模型参数的数值，生成第二回归模型；

具体的，将a和b的值带入第二预设回归模型中，即可以得到第二回归模型。

s34、根据第二样本数据和第二回归模型，计算得到第二可决系数以及学生化残差分布；

具体的，计算第二可决系数的过程同计算第一可决系数的过程相似，请参照计算第一可决系数的过程，在此不再赘述。

另外计算学生化残差分布的过程包括：

其中，

δi：为第i个因变量对应的残差，即其中，yi表示第i个因变量对应的样本车辆的整车样本重量，表示第i个因变量对应的样本车辆的整车重量的估计值。n表示样本数，k表示自变量的个数。

表示第i个因变量对应的残差的估计值的平方和。

根据上述公式计算得到学生化残差分布。其中，需要说明的是，可以先计算得到第i个因变量对应的残差，然后根据计算得到的残差进行后续计算即可。

s35、当第二可决系数大于第三预设数值、且学生化残差分布属于标准正态分布时，选取第二回归模型为第二整车重量计算公式。

其中，第三预设数值可以是0.8。当同时满足第二可决系数大于第三预设数值和学生化残差分布属于标准正态分布两个条件时，认为第二回归模型可以是计算得到整车重量的模型，此时将第二回归模型为第二整车重量计算公式。

需要说明的是，当上述两个条件有至少一个不满足时，不能将第二回归模型为第二整车重量计算公式。

可选的，在本实施例的基础上，根据计算得到的第二预设回归模型中的每个模型参数的数值，生成第二回归模型后，还包括：

1)计算第二样本数据中的每个自变量的残差杠杆率；

具体的，残差杠杆率的计算过程包括：

其中，hi表示残差杠杆率，xi表示每个子变量的数值，x表示自变量的平均值，n表示样本数。

根据这个公式，就能够计算出每个自变量的残差杠杆率。

2)删除残差杠杆率小于第五预设数值的样本车辆的整车样本重量以及每个自变量的数值；

具体的，使用残差杠杆率的计算公式的意义在于：在进行回归分析计算时，有些数据点的存在与否对模型的影响很小；反之，有些点影响很大。因此需要剔除坏点，可以计算残差杠杆率，利用残差杠杆率判断是否为坏点。残差杠杆率可以用来表征该数据点对整体模型的影响，高杠杆点即是需要删除的坏点。当残差杠杆率大于6/n时，即认为该点为高杠杆点。

具体的，将残差杠杆率大于6/n的高杠杆点删除。

3)将剩余的样本车辆的整车样本重量以及每个自变量的数值组成第四样本数据；

相应的，将第二样本数据输入到第二预设回归模型中，计算得到第二预设回归模型中的每个模型参数的数值；，具体包括：

将第四样本数据输入到第二预设回归模型中，计算得到第二预设回归模型中的每个模型参数的数值。

本实施例中，计算出了自变量的残差杠杆率，进而能够根据残差杠杆率的计算结果，将高杠杆点删除，进而能够保证第四样本数据中的数据是对计算结果影响较小的数据。

为了本领域的技术人员能够更加清楚的了解本发明，现举例介绍本发明。

第一实施例：

以车辆体积为自变量，选取样本总数为1839，首先建立第二预设回归模型，并计算了各个数据的残差杠杆率，杠杆率图如图4。将杠杆率h>6/1839＝0.003263的点视为高杠杆点并删除。再删除高杠杆点之后，样本容量n＝1776。

根据最小二乘原理，分别计算模型参数a，b，计算结果为a＝154.95，b＝-610.54，第二回归模型和数据散点图如图5所示。因此，整车质量cvw和体积v之间的回归模型为：

cvw＝154.95v-610.54

计算出第二回归模型的可决系数r2为0.8243。计算模型的学生化残差图，并画出学生化残差图如图6所示，学生化残差分布图如图7所示。可以看出，残差均值为0，且均匀的分布在残差图内，这表明随机误差与自变量(体积)不相关，而且回归模型不存在异方差性。另外，残差图内没有明显的离群点，这表明之前去除的高杠杆点是有效且完全的。且残差近似呈正态分布。根据数据统计结果，可知残差在[-2，2]的范围内有1679个样本点，占样本总数94.54％，约等于95％，这表明回归模型符合线性回归的基本假设。因此，可以接受该第二回归模型。

目标车辆体积v＝14.28m³，根据模型计算重量m＝1602.15kg，另外，考虑到企业本身的开发成本，另外需要对车辆本身的成本进行控制，并合理规划好研发周期，故对m进行3％的修正，得其最终重量目标为m＝1602.15(1-3％)＝1554.09kg。

第二实施例：

初步选取八个自变量如表1所示，并对分类变量进行赋值。选取样本总数为3263，以ln(cvw)为因变量。

表1各自变量含义与数值

计算出各自变量和整车重量(cvw)之间的相关系数，并取绝对值，结果见表2。

表2各自变量与因变量的相关系数计算结果

是否为混合动力(x8)、是否前驱(x5)和因变量的相关系数最小，分别为0.1231和0.2814。因此，将x8、x5舍去，不作为自变量进入模型计算。取舍后的自变量重新编号见表3。

表3新的各自变量含义与数值

由样本估计的第一回归模型为：

y＝5.217+0.042x1+0.054x2+0.055x3+0.741x4+0.083x5+0.082x6

整车重量的估计值为：

cvw＝e^y

该第一回归模型的可决系数为0.9097，表明第一回归模型具有较高的可信度，且f＝4095。图8为该第一回归模型的学生化残差分布图，可以看出该模型的残差分布大致与标准正态分布模型相符合，相对残差主要集中在[-0.1，0.1]范围内。因此，可以接受该模型。

目标车型体积v＝13.75--，发动机排量2l，无涡轮增压，后轮距1625mm，前驱，轴距2670mm。根据模型计算出目标值为m＝1524.99kg。考虑到企业本身的开发成本，对m进行3％的修正，得其最终重量目标为m＝1524.99(1-3％)＝1479.24kg。

可选的，本发明的另一实施例中提供了一种整车重量的计算装置，参照图9，包括：

第一获取模块101，用于获取至少一个影响车辆的整车重量的自变量；

第一计算模块102，用于当自变量的数量为多个时，将每个自变量的数值代入第一整车重量计算公式中，计算得到整车重量；

第一数据获取模块105，用于获取第一样本数据；其中，第一样本数据包括预设的多个样本车辆的整车样本重量以及每个自变量的数值；

第一数值计算模块106，用于根据第一样本数据，计算得到第一预设回归模型中的每个模型参数的数值；

第一模型生成模块107，用于根据计算得到的第一预设回归模型中的每个模型参数的数值，生成第一回归模型；

第二数值计算模块104，用于根据第一回归模型和第一样本数据，计算第一可决系数和方差齐性检验值；

第一选取模块103，用于当第一可决系数大于第一预设数值、方差齐性检验值大于第二预设数值、且第一样本数据的残差的分布属于标准正态分布时，选取第一回归模型为第一整车重量计算公式。

本实施例中当自变量的数量为多个时，将每个自变量的数值代入第一整车重量计算公式中，计算得到整车重量。由于计算整车重量时，依据的是多个影响车辆的整车重量的自变量，依据多个自变量计算得到的整车重量，相对于仅依靠整车的体积计算得到的整车重量更准确。

需要说明的是，本实施例中的各个模块的工作过程，请参照上述实施例中的相应说明，在此不再赘述。

可选的，在上述计算装置的实施例的基础上，还包括：

相关系数计算模块，用于获取第一样本数据后，根据第一样本数据，计算每个自变量与整车样本重量的相关系数；

第一删除模块，用于将相关系数小于第四预设数值的样本车辆的整车样本重量以及每个自变量的数值删除；

第一组成模块，用于将剩余的样本车辆的整车样本重量以及每个自变量的数值组成第三样本数据；

相应的，第一数值计算模块106用于根据第一样本数据，计算得到第一预设回归模型中的每个模型参数的数值时，具体用于：

根据第三样本数据，计算得到第一预设回归模型中的每个模型参数的数值。

本实施例中，增加了计算自变量和整车样本重量的相关系数这一步，进而能够使第三样本数据中自变量都是影响整车重量的自变量。

需要说明的是，本实施例中的各个模块的工作过程，请参照上述实施例中的相应说明，在此不再赘述。

可选的，在上述任一计算装置的实施例的基础上，参照图10，还包括：

第二计算模块206，用于当自变量的数量为一个时，将自变量的数值代入第二整车重量计算公式中，计算得到整车重量；

第二数据获取模块201，用于获取第二样本数据；其中，第二样本数据包括预设的多个样本车辆的整车样本重量以及自变量的数值；

第三数值计算模块202，用于根据第二样本数据，计算得到第二预设回归模型中的每个模型参数的数值；

第二模型生成模块203，用于根据计算得到的第二预设回归模型中的每个模型参数的数值，生成第二回归模型；

第四数值计算模块204，用于根据第二样本数据和第二回归模型，计算得到第二可决系数以及学生化残差分布；

第二选取模块205，用于当第二可决系数大于第三预设数值、且学生化残差分布属于标准正态分布时，选取第二回归模型为第二整车重量计算公式。

可选的，在本实施例的基础上，还包括：

杠杆率计算模块，用于根据计算得到的第二预设回归模型中的每个模型参数的数值，生成第二回归模型后，计算第二样本数据中的每个自变量的残差杠杆率；

第二删除模块，用于删除残差杠杆率小于第五预设数值的样本车辆的整车样本重量以及每个自变量的数值；

第二组成模块，用于将剩余的样本车辆的整车样本重量以及每个自变量的数值组成第四样本数据；

相应的，第三数值计算模块用于根据第二样本数据，计算得到第二预设回归模型中的每个模型参数的数值时，具体用于：

根据第四样本数据，计算得到第二预设回归模型中的每个模型参数的数值。

本实施例中，计算出了自变量的残差杠杆率，进而能够根据残差杠杆率的计算结果，将高杠杆点删除，进而能够保证第四样本数据中的数据是对计算结果影响较小的数据。

需要说明的是，本实施例中的各个模块的工作过程，请参照上述实施例中的相应说明，在此不再赘述。

可选的，本发明的另一实施例中提供了一种电子设备，包括：

存储器和处理器；

其中，存储器用于存储程序；

处理器用于调用程序，其中，程序用于：

获取至少一个影响车辆的整车重量的自变量；

当自变量的数量为多个时，将每个自变量的数值代入第一整车重量计算公式中，计算得到整车重量；

其中，第一整车重量计算公式的生成方法包括：

获取第一样本数据；其中，第一样本数据包括预设的多个样本车辆的整车样本重量以及每个自变量的数值；

根据第一样本数据，计算得到第一预设回归模型中的每个模型参数的数值；

根据计算得到的第一预设回归模型中的每个模型参数的数值，生成第一回归模型；

根据第一回归模型和第一样本数据，计算第一可决系数和方差齐性检验值；

当第一可决系数大于第一预设数值、方差齐性检验值大于第二预设数值、且第一样本数据的残差的分布属于标准正态分布时，选取第一回归模型为第一整车重量计算公式。

本实施例中当自变量的数量为多个时，将每个自变量的数值代入第一整车重量计算公式中，计算得到整车重量。由于计算整车重量时，依据的是多个影响车辆的整车重量的自变量，依据多个自变量计算得到的整车重量，相对于仅依靠整车的体积计算得到的整车重量更准确。

对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。