基于BP神经网络的车辆超载判别方法、系统和装置与流程

本发明涉及物理领域，尤其涉及测量技术，特别是一种基于bp神经网络的车辆超载判别方法、系统和装置。

背景技术：

随着科技的逐步发展，人民生活水平的大幅提高，交通运输日益发达，车辆不断增多，交通安全成为当今道路交通的主题。其中，大型货车违规造成的交通安全问题尤为严重，超重对路面造成了严重损害的同时，也引发了众多重大的交通安全事故。为检查货车超重等违规行为，交通管理部门在要道通常会设立超重监测点，由于监测点的时间和地点的固定性，不能有效的监控货车的超载违规行为，交通部门的检查监督显得被动，不能很好控制道路交通。因此，利用信息化技术实现货运车辆的实时监管具有重大的应用价值。

目前，基于海量数据挖掘的车辆驾驶行为定量评估，暂时没有相关研究见诸于文献。怎样有效的利用车联网监控系统中海量的gps数据，对货运车辆的超载违规行为进行分析，挖掘货运车辆时空数据流中潜在的规律，从而利用已有货运车辆gps数据为道路交通部门、物流、保险企业等提供更加科学的辅助决策。具有重要的社会经济价值和广阔的应用前景。

技术实现要素：

针对上述技术问题，本发明的目的在于提供一种解决上述技术问题的基于bp神经网络的车辆超载判别方法、系统和装置。

为解决上述技术问题，本发明的基于bp神经网络的车辆超载判别方法，包括：步骤s1，对超载源数据进行预处理；

步骤s2，利用bp神经网络结构建立超载模型；

步骤s3，将经过预处理的超载源数据代入超载模型中获取载重预测值；

若载重预测值与额定荷载的比值大于1，则判定车辆超载；

若载重预测值与额定荷载的比值小于等于1，则判定车辆未超载。

步骤s1包括：

步骤s1.1，获取车辆的原始数据；

步骤s1.2，对原始数据根据不同的道路类型进行划分。

步骤s1中，原始数据包括车辆运营情况、车辆定位数据及车辆总线数据。

步骤s2包括：

步骤s2.1，建立输入层、隐含层及输出层；其中

输入层有n个神经元，隐含层有p个神经元，输出层有q个神经元；

输入向量x＝(x1,x2,...,xn)；隐含层输入向量hi＝(hi1,hi2,...,hin)；隐含层输出向量ho＝(xo1,xo2,...,xop)；输出层输入向量yi＝(yi1,yi2,...,yiq)；输出层输出向量yo＝(yo1,yo2,...,yoq)；期望输出向量do＝(d1,d2,...,dq)；

输入层第i个神经元与隐含层第h个神经元之间的连接权值为wih，隐含层第h个神经元与输出层第o个神经元之间的连接权值为who；

隐含层各神经元的阈值为b隐，输出层各神经元的阈值为b出；

样本数据个数：k＝1,2,…,m，激活函数f(x)，误差函数其中，对于第k个样本，do(k)表示期望输出向量的第o个神经元，yoo(k)表示输出层输出向量的第o个神经元；

①初始化；给各连接权值分别赋一个区间(-1,1)内的随机数，设定误差函数e，给定计算精度值ε和最大学习次数m；

②随机选取第k个输入样本以及对应的期望输出，其中k的取值范围为k＝1,2,…,m：

x(k)＝(x1(k),x2(k),...,xn(k)),do(k)＝(d1(k),d2(k),.....,dn(k))

③将x(k)代入下式，计算各层各神经元的输入和输出：

④计算误差函数对输出层的各神经元的偏导数δo(k)

⑤计算误差函数对隐含层各神经元的偏导数δh(k)；

⑥利用第④步计算的δo(k)和隐含层各神经元的输出来修正连接权值who(k)，设连接权值的修正值为δwho(k)，给定学习率即步长η；

⑦利用第⑤步计算的δh(k)和输入层神经元的输入参数修正连接权值，设连接权值的修正值为δwih(k)，给定学习率即步长η；

⑧计算全局误差e

当误差达到预设精度或学习次数大于设定的最大次数，则结束算法；否则，选取下一个学习样本及对应的期望输出，返回到第③步，进入下一轮学习。

超载源数据至少行驶速度、加速度、超速程度、转速、瞬时油耗、发动机负荷、发动机期望转速。

一种车辆超载判别系统，包括：

预处理模块，用于对超载源数据进行预处理；

建模模块，用于用bp神经网络结构建立超载模型；

判断模块，将经过预处理的超载源数据代入超载模型中获取载重预测值；

若载重预测值与额定荷载的比值大于1，则判定车辆超载；

若载重预测值与额定荷载的比值小于等于1，则判定车辆未超载。

一种车辆超载判别装置，包括：存储有车辆超载判别程序的存储器及用于运行车辆超载判别程序的处理器，车辆超载判别程序配置为实现基于bp神经网络的车辆超载判别方法的步骤。

计算机可读存储介质上存储有车辆超载判别程序，车辆超载判别程序被处理器执行实现基于bp神经网络的车辆超载判别方法的步骤。

本发明基于bp神经网络的车辆超载判别方法首先，将采集到的各类数据进行数据预处理和整合，从而得到超载分析的源数据(包括车牌号、时间、经度、纬度、道路、道路类型、速度、加速度、超速程度、转速、发动机负荷、发动机期望转速、瞬时油耗、货物重量)。然后，在区分运输时间和道路类型的基础上，将源数据按运输时间段(白天和晚上)和五种道路类型(高速公路、城市快速道路、城市主要道路、城市次要道路、城市普通道路)进行划分。在不同的运输时间段，针对每种道路类型，利用bp神经网络进行建模，得到车辆各驾驶行为与车辆载重之间的数学模型，对比具体车型的额定载重，判断该车辆是否存在超载现象。

附图说明

图1为本发明基于bp神经网络的车辆超载判别方法原理图。

具体实施方式

下面结合附图对本发明基于bp神经网络的车辆超载判别方法、系统和装置作进一步详细说明。

如图1所示，本发明基于bp神经网络的车辆超载判别方法，包括：

(1)超载源数据准备流程

原始数据为车辆定位数据(包括车牌号、驾驶时间、经度、纬度、速度等)、obd采集的can总线数据(包括时间、速度、转速、发动机负荷、发动机期望转速、瞬时油耗)和车辆运营情况表(包括车牌号、车型、运营时间、装货地点、卸货地点、货物重量)。

将车辆定位数据、can总线数据和车辆运营情况经过数据预处理，得到超载源数据(包括车牌号、时间、经度、纬度、道路、道路类型、速度、加速度、超速程度、转速、瞬时油耗、发动机负荷、发动机期望转速、货物重量)。然后，在区分驾驶时间段和道路类型的基础上，将超载分析源数据按五种道路类型(高速公路、城市快速道路、城市主要道路、城市次要道路、城市普通道路)进行划分。得到各时间段各道路类型上的超载样本数据。

(2)特征指标变量的建立

考虑到车辆在不同载重状态下，其驾驶行为特征应该会有所差异。根据现有数据，可选择的特征如下：

输入特征x：速度、加速度、超速程度、转速、瞬时油耗、发动机负荷、发动机期望转速。

输出y：车辆载重

对于数据预处理得到的源数据，在区分道路类型的基础上，可选取的特征指标为车辆行驶速度、加速度、超速程度、转速、瞬时油耗、发动机负荷、发动机期望转速。其中道路类型分为高速公路、城市快速道路、城市主要道路、城市次要道路和城市普通道路。设时间段数目t＝2，道路类型数目r＝5，每种道路类型上的特征变量数目为x＝7。

(3)超载模型建立

神经网络模型是许多逻辑单元按照不同层级组织起来的网络，每一层的输出变量都是下一层的输入变量。采用最基本的bp神经网络结构模型，输入层为内容(2)中的超载特征变量，只有一个隐含层，输出层为车辆载重。计算步骤如下：

设输入层有n个神经元，隐含层有p个神经元，输出层有q个神经元；

输入向量x＝(x1,x2,...,xn)，即为：速度、加速度、超速程度、转速、瞬时油耗、发动机负荷、发动机期望转速。隐含层输入向量hi＝(hi1,hi2,...,hin)，由输入向量x和权重组合计算得到，见公式(5)。隐含层输出向量ho＝(xo1,xo2,...,xop)，由输入向量hi代入激励函数计算得到，见公式(5)。输出层输入向量yi＝(yi1,yi2,...,yiq)，由向量ho和权重组合计算得到，见公式(6)。输出层输出向量yo＝(yo1,yo2,...,yoq)，由输入向量yi代入激励函数计算得到，见公式(6)。期望输出向量do＝(d1,d2,...,dq)，即为样本数据中车辆载重数据；

输入层第i个神经元与隐含层第h个神经元之间的连接权值为wih，隐含层第h个神经元与输出层第o个神经元之间的连接权值为who；

隐含层各神经元的阈值为b隐，输出层各神经元的阈值为b出；

样本数据个数：k＝1,2,…,m，激活函数f(x)，误差函数其中，对于第k个样本，do(k)表示期望输出向量的第o个神经元，yoo(k)表示输出层输出向量的第o个神经元。

①初始化。给各连接权值分别赋一个区间(-1,1)内的随机数，设定误差函数e，给定计算精度值ε和最大学习次数m。

②随机选取第k个输入样本以及对应的期望输出，其中k的取值范围为k＝1,2,…,m：

x(k)＝(x1(k),x2(k),...,xn(k)),do(k)＝(d1(k),d2(k),.....,dn(k))

③将x(k)代入下式，计算各层各神经元的输入和输出：

④计算误差函数对输出层的各神经元的偏导数δo(k)

⑤计算误差函数对隐含层各神经元的偏导数δh(k)。

⑥利用第④步计算的δo(k)和隐含层各神经元的输出来修正连接权值who(k)，设连接权值的修正值为δwho(k)，给定学习率即步长η。

⑦利用第⑤步计算的δh(k)和输入层神经元的输入参数修正连接权值，设连接权值的修正值为δwih(k)，给定学习率即步长η。

⑧计算全局误差e

当误差达到预设精度或学习次数大于设定的最大次数，则结束算法。否则，选取下一个学习样本及对应的期望输出，返回到第③步，进入下一轮学习。

(4)根据样本数据建立的超载模型，对车辆载重进行计算，获取载重预测值，与额定荷载比较，超出一倍以上则怀疑该车辆存在超载行为。

本发明还提供了一种车辆超载判别系统，包括：

预处理模块，用于对超载源数据进行预处理；

建模模块，用于用bp神经网络结构建立超载模型；

判断模块，将经过预处理的超载源数据代入超载模型中获取载重预测值；

若载重预测值与额定荷载的比值大于1，则判定车辆超载；

若载重预测值与额定荷载的比值小于等于1，则判定车辆未超载。

本发明还提供了一种车辆超载判别装置，包括：存储有车辆超载判别程序的存储器及用于运行车辆超载判别程序的处理器，车辆超载判别程序配置为实现基于bp神经网络的车辆超载判别方法的步骤。

本发明还提供了计算机可读存储介质上存储有车辆超载判别程序，车辆超载判别程序被处理器执行实现基于bp神经网络的车辆超载判别方法的步骤。

以上已对本发明创造的较佳实施例进行了具体说明，但本发明创造并不限于所述实施例，熟悉本领域的技术人员在不违背本发明创造精神的前提下还可作出种种的等同的变型或替换，这些等同的变型或替换均包含在本申请权利要求所限定的范围内。