设计和开发动态地磅使用车载远程信息处理

文摘

识别重载车辆在公路上车辆的安全是至关重要的在路上的性能监控以及公路基础设施和规划。交通执法使用各种动态称重(WIM)方法。因为车辆的远程信息处理(VT)是交通运输行业的青睐,使用它来构建一个新的WIM系统来推断的负载车辆在任何道路运输业段都是有益的。介绍了努力使用VT数据取自机载诊断模块和智能手机来推断车辆的负载。实验发现VT数据之间的相关性和车辆的载荷进行了探讨。特性工程完成;九个不同的设置进行测试来找到最好的回归模型。产生显著的多元非线性回归模型值为6.322 - - - - - -08年和一个 - - - - - -平方值为0.8736。结果支持使用VT数据的概念不干扰测量车辆的重量。

1。介绍

道路安全是世界上最重要的问题之一(1]。驾驶超载车辆造成的各种危害,如机械故障和结构变形的车辆和道路,导致事故发生,这是一个非法的,惩罚犯罪行为在大多数国家。根据南非国家道路交通法规、驾驶超载车辆导致起诉违反规定的国家道路交通法案,1996年2]。根据美国交通部、车辆和道路条件及环境条件的两个因素共同负责5.2%的道路交通事故(3]。车辆携带超过制造商的规定,允许负载被认为是超载。换句话说,车辆超载,如果汽车满载时的总重量超过最大允许车辆总重量(总),以上是总重量的总和和有效负载(4]。

路上行驶的车辆称重的重量称为动态称重(WIM)。弗雷德摩西和乔治全球介绍桥WIM (B-WIM)在美国在1970年代早期。B-WIM成功应用在澳大利亚发生在1980年代中期5]。WIM用于运输行业已有十多年,原因有很多。早些时候,它只是用来计划和建造道路和桥梁。近年来,立法已经改变,所使用的WIM数据也交通执法部门执法的重载。识别一个重载汽车驾驶在任何道路执法官员仍然是一个艰巨的任务。在许多国家,高速WIM (HS-WIM)是用于检测重载车辆在路上;然后选中的车辆检查在一个静态的WIM获得更准确的重量。目前HS-WIMs有5% - -15%的准确性由于各种内部和外部的干扰因素6]。

汽车行业已经使用车辆的远程信息处理(VT)超过十年由于各种原因。支付当你开车(PAYD)或基于用户驾驶保险(UBI)是最受欢迎的保险计划所使用的车辆保险公司在世界各地。车载设备安装在用户收集信息,他们驾驶的交通工具,开车。安装这些设备正在成为强制性的在一些国家(7]。这些VT数据用于分析和道路驾驶行为异常。这些数据的可用性为进一步的研究提供更多的路径。甚至使用各种WIM解决方案在实践中,每一种都有其优点和缺点。机器学习(ML)算法广泛应用于智能交通系统(ITS)及其应用。提出了一种新的WIM解决方案使用VT和毫升(8]。本文说明了拟议的WIM系统的原型设计并讨论了结果。下一节将讨论可用的WIM系统、VT能力数据,毫升。下一节描述了原型设计考虑和解决方案使用。各种特性进行了测试,找到一个更好的回归毫升模型。最后,相比与其他WIM系统原型系统。

2。背景

一般来说,WIM系统是用来测量车辆的总车和其他参数(6]。WIM解决方案的两种主要的分类方法是静态的WIM和动态WIM。有两个子目录的动态WIM方法(1)低速WIM (LS-WIM)和(2)高速WIM (HS-WIM)。图1显示了(WIM的分类9]。LS-WIM,车辆称重虽然在规模较低的速度移动,通常不到15公里,但HS-WIMs车辆能够称量重量以完整的高速公路的速度(5]。

2.1。静态WIM

在静态WIM方法,车辆重量虽然是静止的。静态WIM方法大多是准确的,但麻烦。固定系统、半固定的系统和便携式系统的三种类型的静态wim一般(5]。固定系统是永久安装在人行道上,通常在一个钢筋混凝土框架或平台。半移动系统使用永久性的凹槽,和道路设施与便携式尺度仅安装在称重操作正在进行。便携式系统使用轮或轴尺度,它被放置在人行道上表面(5]。

2.2。低速WIM

根据(6),静态尺度和LS-WIM设备非常准确和用于执行在许多美国和几个欧洲国家。介绍了LS-WIM设备,因为静态wim的缺点。LS-WIM设备通常是轮或轴尺度配备负载细胞,通常安装在钢筋混凝土或沥青平台至少30 - 40米的长度。车辆可能会受限制减少车轮的横向位置的变化。数据处理系统分析信号从负载细胞和考虑了车辆速度,以便准确地计算轮或轴负载。LS-WIMs显著降低重车辆所需的时间,但它不是一个可行的解决方案部署高速公路由于其成本安装、维护和显著延迟测量重量的车辆需要开车速度慢。静态和LS-WIM系统需要车辆退出高速公路和等待队列中。据报道,这将推迟10到30分钟(6]。

2.3。高速WIM

HS-WIM系统是用来测量重量的车辆在高速公路上开车。以完整的高速公路速度HS-WIMs计算轴的重量。大多数HS-WIMs无人。因此,它可以收集数据的24/7。这些设备安装在路面或公路大桥的背面。几种类型的pavement-based HS-WIM设备存在,包括弯曲板、带传感器和多个传感器。另外,HS-WIM使用桥就可以实现动态称重(B-WIM)设备。几个因素影响B-WIM系统的准确性,因此,HS-WIM一样(5]。

介绍了多传感器WIM (MS-WIM) (6),因为HS-WIMs低准确性或正确性的。的作者(6)断定,测量精度可以通过加入MS-WIM提高HS-WIM。他们还指出,安装MS-WIM的成本是一个主要问题。在报告中(10),研究人员确定了三个主要的因素影响WIM系统的准确性,现场条件、天气条件、车辆特征。他们报告说,温度和湿度会影响传感器的准确性,这将影响系统的整体效率。在其他因素中,现场条件和路面粗糙度影响最显著的WIM系统的效率10]。他们还报道,车辆特征,如速度、轮胎类型,通货膨胀压力,悬架系统,和轴配置,影响动态轮胎力,从而影响WIM传感器精度。根据(6),HS-WIMs静态wim仍然是不准确的。目前,HS-WIMs用于过滤重载车辆的交通必然有限。过滤后的车辆然后发送到静态wim进一步立法行动,因为它需要更多的准确的结果(6]。等其他方法使用轮胎压力监测系统(及),底盘高度(悬架位移),和底盘安装尺度提出了除了pavement-based静态和动态wim。在[11通过观察的长度),维姆·减震器是摩托车辆开发的。文献[12]讨论了一个实验去探索一个被动的WIM系统的各种可能性。研究人员在12]调查多个车辆指标包括制动温度,轮胎温度,发动机温度,加速和减速,发动机声学,暂停响应,轮胎变形,振动响应。他们的传感系统包括红外摄像机、三轴加速度计,麦克风,摄像机和热电偶。他们发现一辆车的重量显示很强的相关性轮胎偏转,暂停响应,以及其他一些功能。专利(13]讨论了车辆重量估算设备。估算车辆的重量的发明通常是用于确定转移范围的自动变速器车辆。它是基于集成和加速度动力集成。动力计算的转矩值,速度和加速度计算的值。目前车辆使用电子/发动机控制单元(ECU)计算发动机负载和其他值和调整参数如进气、燃油喷射、点火时间提高性能和效率(14]。

总之,使用质量尺度在地秤昂贵和耗时的解决方案。底盘和seat-mounted天平使用机械设备需要频繁的校准。此外,阅读不同在开车。智能轮胎和使用轮胎气压测量体重是昂贵的,因为它需要安装在每轮。

2.4。车辆远程信息处理

佛蒙特是一个系统,包括各种感知设备、通信方法和使用数据的应用程序。VT数据也称为飞行汽车数据。它已经被用于运输行业十多年了。PAYD或者无论何时严重依赖于使用这些数据。板载诊断模块或一个黑盒子是用于收集这些数据从发动机控制单元通过控制器区域网络(可以)总线。除此之外,一个惯性测量单元(IMU)也使用。驾驶行为检测和道路异常检测是主要的应用程序的数据。从文学研究,VT数据收集设备可以在很少或没有成本的情况下强制保险的目的和立法在一些国家(15- - - - - -17]。表1总结了一些可用的VT数据收集装置,也称为黑匣子在2017年改编自(18]。

研究表明,有几种方法和数据用于驾驶行为和道路异常检测(19]。艾莫斯加速度计和陀螺仪等是使用最广泛的感知设备的一些研究。加速度计测量三维加速度力应用于观测设备。陀螺仪测量节距、偏航和滚(三维旋转)的一种观察装置。全球导航卫星系统(GNSS)是用来在全球范围内找到设备的位置(地球)使用GPS / GLONASS定位卫星。纬度、经度和海拔在某个时间点上的观察和捕捉来自这些GNSS设备。阅读的精度取决于设备和连接数量的卫星。

车载诊断(OBD)端口的引入在1996年以后生产的现代汽车使我们阅读CAN总线数据。ECU的CAN总线数据带来了太多的信息。等信息革命每分钟(RPM),油门位置,进入的空气温度、冷却液温度、油压和许多其他制造商特定的数据可以从车辆通过连接获得OBD电子狗。可以传输数据通过有线或无线(蓝牙/ wi - fi)媒介。

2.5。汽车电子/发动机控制单元(ECU)

现代车辆配备几个传感器和ecu。这些传感器的主要原因和ecu获得燃油效率和提高安全性能。

ECU接收到传感器和解释的数组值与多维性能地图和控制相应的执行机构(20.]。调整燃料混合物和点火时间更好的燃烧是ECU的主要功能之一。控制防抱死刹车传感器(ABS)和气囊是一个关于安全的安全功能。众多的传感器是用于自主车辆(见图2)。表2包含一些控制系统、传感器和执行器在汽车车辆。

2.6。控制器区域网络(可以)总线数据

传感器通过CAN总线数据传输发生ECU。与大量的组件,通过交换数据技术发明于1986年罗伯特•博世(21),一个串行总线广播允许接近实时管理大多数传感器和电子设备中嵌入汽车(20.]。CAN总线传输ECU数据以外的故障诊断和性能日志使用几个标准,例如,J1939。

2.7。板载诊断模块

几乎所有新生产的汽车是必需的,根据法律,提供一个接口,用于诊断测试设备的连接(22]。1996年以后生产的汽车有一个OBD接口,允许用户向汽车ECU的读和写。通信协议和数据传输速率可能不同于生产。榆树327是广泛使用的单片机与ECU(芯片)的通信。榆树327徒OBD港口之间的一座桥梁,一个标准的RS232串行接口。榆树芯片的接口从外部应用程序来发送和接收数据,和ecu是由不同的制造商。

图3显示模块的框图参与OBD数据通信。数据从传感器到ECU通过CAN总线传输;汽车制造商遵循一些标准建立外部世界通过OBDII接口通信。他们允许访问的OBD一些通用参数界面。一旦OBD适配器插入到汽车的OBD接口,榆树327试图建立一个连接汽车的ECU。它试图建立连接与几个通信协议和波特率。根据榆树电子报告(22),有12种不同的协议支持的榆树,包括两个用户定义的协议。建立连接后,榆树327从ECU中读取数据,并允许其连接应用程序访问ECU通过转换的值数据。可以用几种不同的方式沟通(服务)。表3描述中描述的十诊断服务的最新OBD-II标准汽车工程师协会(SAE) J1979。在2002年之前,这些服务J1979称为“模式”。

参数是使用他们的访问参数标识符(pid);例如,发动机转每分钟12号(RPM) PID在服务第一。OBD-II是强制要求在1996年美国轿车和轻型卡车。OBD-II需要在欧盟所有汽油汽车2001年之后,2003年柴油紧随其后。在2005年,它需要在美国中型卡车。2008年,ISO 15765 - 4 CAN总线标准是必需的在美国。2010年,OBD被要求对所有重型车辆(在美国16]。

在[23,24)的速度和加速度计算只用GNSS数据。他们报告说,向后差分法找到速度和加速度利用GNSS数据显示更多的准确性。GNSS和IMU数据用于(3)检测危险转弯事件。一项研究[25)仅用OBD-II数据检测鲁莽驾驶和车辆异常行为。类似的研究(26)使用速度,加速度,和发动机转速作为参数对驾驶行为检测。文献[23)报道,在控制实验,实现了99.5%的总精度在使用智能手机的传感器(IMU和GNSS)和99.3%是当使用OBD-II装置实现的。陀螺仪、加速度计、GNSS和麦克风传感器数据被用于(24转弯,转弯检测系统。系统部署在智能手机。麦克风是用来检测信号继电器的声音。研究[27)用几个传感器收集丰富的多通道数据。12-channel音频、四通道视频GNSS信息,气体和刹车踏板压力、转向角、距离后,车辆速度,驾驶员的心率、皮肤电导和基于感性出汗的手掌和脚底是一些数据聚集在这个研究研究驾驶行为。最近的一项研究[28]调查几个智能手机传感器和ML算法和道路驾驶行为异常检测发现,加速度计和陀螺仪是最好的传感器来检测驾驶行为。在研究[24,29日,30.),传感器融合在司机的行为,更有前途的道路异常检测。文章(31日)报道,OBD传感器已经验证,具有良好的精度是用于计算瞬时功率和燃料消耗。这鼓励我们使用OBDⅱ数据在这个项目。

2.8。理论背景

根据牛顿物理空间和时间是绝对的,我们认为,牛顿的力学理论在这个物质世界仍然有效。根据牛顿第二运动定律,“当一个力作用产生的加速度成正比的力和方向发生强迫行为,“这是 ,在一个公式,是应用于大规模的力, ,和是质量的加速度。这也可以解释作用力, ,与质量成正比, ,为一个特定的加速度。

与内燃机汽车动力,动力, ,产生转矩成正比(发动机负载)的引擎,而扭矩是发动机转速和进气气流的函数。根据(12),车辆的重量可以使用几个内部和外部特性测量。在[13),车重的评估方式是基于运动和由以下方程: 在哪里加速度是女士吗²,在公斤,机器的质量的驱动力在吗 , 是驱动表面的斜率度,重力加速度的女士吗²,运行阻力在吗 。

从方程(1),质量

林和李(32]下面列出的条件影响电动汽车电机的负载:(1)旅行表面,(2)道路梯度,(3)车辆的重量,滚动阻力(4),(5)类型的轮胎,(6)一个或多个轮胎气压,空气阻力(7)、(8)的大小和形状,(9)对齐的轮子,和(10)传输系统。汽车的驱动力影响车辆的加速度。负载所需的驱动力是移动车辆。电动马达的负载计算使用安培。根据国际SAE J1979 SAE / ISO 15031 - 5,在内燃机,计算引擎负载(EL)是一个函数的当前的气流,环境空气温度、转速,峰值气流,气压。根据SAE, EL计算使用方程(3),这通常表明当前的气流除以峰值气流在大开油门转速的函数,在气流的高度和环境温度(33]。 CAFR当前空气流量,PAFR山顶空气流量以完全开放速度在标准温度(25°C)和压力在Hg气压(29.92),和AAT环境空气温度(°C)。

总之,部队( )应用于一个对象与质量( )产生一个加速度( )(牛顿第二运动定律)。这也可以视为力需要获得一个特定的加速度成正比,一个物体的重量(质量)。内燃机车使用发动机产生的转矩来移动车辆。发动机产生的转矩成正比的计算引擎负载(EL)方程(3)。从这两个因素,我们可以说汽车EL正比于它的重量在一定的加速度。但厄尔是受到一些内部(方程(3))和外部(方程(2),(20.,21,34)因素。我们假设是多元线性回归关系。它可以被视为 一辆汽车的重量在哪里偏差值的总和吗和积累的总和的产品系数和特性所有的数量的特性。

2.9。机器学习

毫升是人工智能(AI)的一种形式,使一个系统从数据中学习而不是通过显式的编程。然而,毫升不是一个简单的过程。毫升使用多种算法,迭代学习数据改善,描述数据和预测结果。算法摄取训练数据,那么就可以产生更精确的模型基于该数据。

一般来说,预测是毫升。假设的主要目标是一个训练集的数据: 在哪里响应(依赖)向量和吗预测(独立)变量的向量。我们的目标是找到一个函数( )操作的空间预测向量与响应值空间,这样

如果 是独立同分布变量向量的分布 鉴于损失函数 措施之间的损失和预测 。使用函数的预测误差在训练数据如下:

在培训过程中,我们总是尽量选择的小 对于一个给定的数据集 通常情况下,是一维的。如果数值,这个问题被称为回归(下面讨论)。如果是无序标签或定值,称为分类的问题。的损失函数回归通常是平方误差(下面讨论)。在分类中,损失是在二进制值决定的。损失是如果预测类别,或标签不等于真正的(鉴于)标签,否则零。

2.10。毫升模型

一毫升模型输出时生成的ML算法训练数据。培训后,当一个模型提供了一个输入,一个输出将[35]。

2.11。机器学习算法

组织了ML算法分类,基于该算法的期望的结果。两个主要的ML算法的分类类型是监督学习和无监督学习。在监督学习中,算法生成一个函数映射输入所期望的输出。一个标准制定的监督学习任务是分类问题:学习的学习者是必需的(近似)的行为函数向量映射到一个的几类通过观察几个输入输出函数的例子。无监督学习创建模型的输入没有标签的例子。这些算法中常用的分类、聚类和异常检测问题。该算法将学习的趋势和变化自动输入数据集和预测输出。

监督毫升包括两个主要过程:分类和回归。分类是一个过程,输入数据标签是基于过去的数据样本和手动训练算法识别特定类型的对象并相应地归类。系统必须知道如何区分类型的信息和执行光学字符图像,或二进制的认可。

回归的过程就是识别模式和计算连续的预测结果。系统必须理解这些数字,他们的价值观,和分组(例如,高度和宽度)。

2.12。线性回归

线性回归是一个简单的模型,使其更容易解释的。一个线性回归模型假设响应或因变量( )权重的线性组合(' s)乘以一组预测或独立变量( )。完整的公式包含一个误差项占随机抽样的噪音 。 在哪里截距项和吗是每个预测变量的系数从变量的数量。学习从训练数据线性模型的目标是找到系数( )最好的解释数据。在线性回归,最好的解释是采取平均系数( )最小化残差平方和(RSS)也称为平方误差的总和(SSE)。RSS / SSE的总方已知值之间的差异( )和预测模型输出( )。剩余平方和函数模型的参数

系数( )使最小的RSS / SSE价值获得最大似然估计的吗 。这种模型的拟合方式通过最小化RSS叫做普通最小二乘法(OLS) [29日]。

让 响应矢量和是 协变量的矩阵。的意思是是和OLS解决方案

OLS合适方法适合单一独立变量和因变量回归。如果响应变量与多个预测变量的非线性关系,被称为多元非线性回归关系,或者在某些情况下,多个多项式回归。它仅仅是通过引入新的变量通过应用非线性函数,如日志,罪恶,平方根,现有的预测变量。梯度下降法通常被用来找到最好的系数( )在多个回归。标准的回归方法不是很健壮的异常值和非线性,容易过度拟合高维特征空间时,或者当有小的训练数据30.]。

2.13。问题定义

VT数据变得更加丰富和更加准确,由于技术进步在传感器和连接。毫升方法广泛应用于识别和道路驾驶行为异常检测(28)和其他WIM解决方案(36]。建立一个新的WIM系统来推断任何道路上车辆的有效载荷部分使用VT数据和ML将有助于交通行业。探索推断负载使用VT和ML的可行性需要通过设计和测试原型。

3所示。材料和方法

开发一个应用程序(WIM应用程序)作为这一研究的副产品。应用程序的主要目的是阅读VT来自多个数据源的数据(VT模块)和培训和测试从接收到的数据的推理模型。概念设计框架的WIM应用提出了考虑三个模块:后端模块,数据采集模块,毫升模块。前两个模块是独立的,和后来的模块依赖于另外两个模块。

图4显示的顺序执行的设计和开发,考虑它们的依赖项。后端设计接收天气数据,简单和散装(集合)VT的数据数据收集模块,并将其存储到一个数据库中。数据库也是为了从各种驾驶事件日志的重量数据;这包括年、月、时间、车辆标识符,开始位置,结束位置,推断每个注册车辆的负载。数据采集模块是为了收到OBDII VT数据设备,从GNSS地理定位数据模块、IMU数据和气象数据,并将接收到的数据发送到后端流或批处理输入。毫升模块被设计用来推断出车辆的重量关怀(载荷)。毫升模型选择的训练和测试数据的后端。WIM应用程序旨在使用应用程序编程接口(api)得到广泛的来源使用一个JavaScript对象表示法(JSON)格式。

图5显示了原型的架构来处理来自多个VT的快速数据处理数据设备,描绘成汽车(IoV)的网络设备。原型系统应用程序部署在集群Kubernetes 5物理节点(34]。系统接收到从每个IoV吨VT数据设备。传入的VT数据将由Kubernetes服务。Kubernetes服务将发送VT数据可用的节点,pod WIM应用程序运行。原型WIM应用程序可以快速处理流数据通过卡夫卡集群和Akka流。卡夫卡集群消耗,并持有VT了goroutine要处理的数据。每个VT Akka流用于流数据(卡夫卡主题)进行进一步处理。卡夫卡的“完全一次”传递语义是用于流媒体。了goroutine将处理VT的数据路由从其内部API端点。持久性存储是用于存储处理过的数据(模型、日志、事件和结果)。 This persistence storage is easily scalable horizontally to serve more data. The data overflow is handled internally without limiting (or requesting) the IoV devices to reduce the transmission rate (or resend). The generation of backpressure starts from the goroutines in case of any delay in processing. The backpressure is then propagated to the Akka streams to the Kafka Cluster. This will trigger the streaming to be flexible with the backpressure by reducing the streaming data rate. But this could lead to the Kafka Cluster overflowing by the fast-incoming VT data accumulation. In such cases, the Kafka Cluster with the help of Zookeeper could scale up horizontally.

3.1。部署的环境

出口集装箱的应用程序在云时代成为一种趋势。容器是一个应用程序捆绑与所有必要的组件。它允许开发者包和隔离应用程序运行时环境和运行所需的所有文件。Kubernetes集装箱编配引擎运行和管理Linux容器。Kubernetes自动化是一个开源的平台部署、扩展,和操作的应用程序容器集群主机,提供container-centric基础设施(37]。应用程序是用集装箱运输和部署在集群Kubernetes 5物理节点。持久性存储提供的三个Gluster [38]节点,包括一个Kubernetes节点。Kubernetes集装箱编配引擎运行几个状态集,经常在这样的应用程序保存的状态。如果一个节点死亡或停止由于意外事件,那么Kubernetes将旋转它从保存的状态。有几个持久性存储卷,可用于Kubernetes集群重生和恢复任何状态集。在这个研究中,从而用于维护的持久性卷Kubernetes集群。从而是分布式文件系统软件定义,存储设备,被称为“砖头”,选择一个或多个节点上形成跨Gluster集群逻辑存储卷。很容易增加存储,只需添加更多的节点,它提供了功能cross-node和跨站点复制,使用平衡和iSCSI存储访问(38]。复制从而体积Gluster集群体系结构使用。这样做是为了解决数据丢失问题面临在分布式体积。确切的副本数据维护所有的砖块。卷的副本数量可以由客户决定在创建体积。三个砖被用来创建卷3副本。这样一个卷的一个重要优点是即使一个砖失败,数据仍然可以被访问的复制砖。这本书是用来更好的可靠性和数据冗余。

3.2。语言

Golang(去)被选为编程语言开发毫升WIM应用程序的模块。Scala是用于构建Akka流API端点被毫升模块开发的。R语言被用来选择模型;这些模型被使用Golang在应用程序中实现。R是最受欢迎的之一,广泛用于统计,数据挖掘和机器学习。

3.3。数据库管理系统

Apache Cassandra是一个线性的,可伸缩的,容错数据库管理系统运行在一种商品的硬件或云基础设施。Apache Cassandra NoSQL数据库管理系统也被部署在同一个Kubernetes集群。数据库是用于存储从计划工作(cron)天气信息,检索存储VT和天气数据训练模型和测试毫升、和存储的输出。

图6描述应用程序架构的开发概念框架集中在VT数据摄入。WIM应用程序有两个主要工作,安排天气数据记录器和ML的应用程序。计划工作读的当前天气信息选择的地方从OpenWeatherMap部署。读天气数据被写入了卡桑德拉数据库,以供将来使用。这样做是由于两个原因。第一个原因是,VT数据可能不是实时流的不可用连接和其他原因,所以抓取当前天气数据的时候收到VT数据可能不会产生正确的天气数据。第二个原因是限制API调用,因为我们有一个免费账户用于OpenWeatherMap API请求,最大的API调用每分钟60,和总阈值是7200。OpenWeatherMap提供天气信息对于某些特定的固定位置;例如,天气数据给出了整体的城市,不是好地方。把这一点铭记在心,已知的数据收集地方车辆收集VT数据所致。 The cron job automatically collected current weather data of the prior set locations from the OpenWeatherMap and stored it into the Cassandra database.

WIM应用程序可以访问使用的API端点端口Kubernetes公开的服务。当一个JSON post请求Kubernetes集群,服务将它映射到特定的节点根据其可用性。如果请求是培训,那么合并应用程序将传入的数据存储到数据库和触发器goroutine合并现有的气象数据与VT数据基于时间价值。推理的结果存储在Casandra数据库。存储的推断结果可以为任何前端。

3.4。原型系统

一个原型系统的开发验证新的WIM系统的方法。系统由三个组件,(我)OBD-II蓝牙/无线模块(2)android的移动设备(3)WIM推理引擎的应用程序运行在一个Kubernetes集群

OBD-II模块被用来收集CAN总线的数据。安卓移动设备被用来获取OBD-II模块的CAN总线数据通过蓝牙或无线网络。安卓移动设备收集每个第二和ECU数据存储以及数据与内置卫星系统位置进行数据。收集/存储的数据被发送到WIM API服务器使用REST客户通过服务API端点。图7显示的原理图开发原型。android手机收集的数据OBD-II模块(1)通过蓝牙,其内部IMU, GNSS(2)。然后将收集的数据转移从电话到后端服务器WIM应用程序(3)。系统从OpenWeatherMap建于收集天气数据API。天气系统收集数据,包括风速、风向、大气温度、大气压力和湿度。

3.5。数据收集

根据(39),产品从理念到实践的实现必须从小开始实验室条件,即。,start development and test on the context of a specific group then move to the road credibility to test on many groups. The major goal of this research was to verify the idea of using VT and ML for WIM. The verification of this idea was done considering the context of a small car. The validation of these systems is yet to be done. The fully internal combustion engine, hybrid (electric+internal combustion engine), and fully electric motor are the available three different driving sources of the present-day vehicles. Internal combustion engine vehicles on the current market have the combination of properties listed in Table4。一辆车有一个组合的特性被用来验证的概念。

数据收集是在2015年,福特嘉年华制造这是一个1.4升四缸汽油发动机与前轮驱动五手动变速器和抑制体重1110公斤。转矩Lite应用android手机上运行android操作系统8被用来收集数据从榆树237 OBD蓝牙扫描装置。汽车驱动控制和不受控制的环境。控制数据收集的前提是开普半岛科技大学(CPUT)。志愿者权衡不同的权重参与数据收集期间乘客。汽车只在第一和第二齿轮驱动。大学的景观包含斜坡停车(高达40度)和低(0度仰角)道路。控制数据收集是晴天,风力不超过5公里。的不受控制的数据收集的日常通勤汽车四个不同天类似的天气条件。VT数据标签的总重量,也称为载荷(即。, the sum of the masses of the passengers and the driver with the mass of any bags carried). Since the density of the fuel is 0.7 kg/l and the fuel tank capacity is 43 litres, it makes a significant 30 kg difference in total weight. The weight of the fuel was also considered in four-quarter blocks by observing the fuel gauge reading.

3.6。数据

收集各种数据集的OBD-II电子狗,智能手机,OpenWeatherMap天气API。数据收集应用程序记录每一秒的时间间隔(样本的数据 )。

表5显示的细节从不同来源收集的数据在初始数据收集。ECU数据,如车速(VS),油门位置(TP),发动机转速(RPM),计算引擎负载(EL)和传动距离(DD) OBDII的收集装置。全球位置数据,例如纬度(LAT),经度(朗),和高度(ALT)收集从智能手机的GNSS单位。合并后的数据与时间戳和地理位置被用来提取天气信息从数据库存储的天气因为EL取决于气流,标准温度和压力。减少多重共线性,气流、标准温度和压力读数没有记录也不包含在特性集。

3.7。数据的正确性

3.7.1。天气数据

从OpenWeatherMap风向数据API包含气象风速和风向的度。风的速度和方向直接影响车辆的动力。因此,它是至关重要的对我们的推理系统数据。不幸的是,我们目前的能力来监控天气和环境条件仍然极其有限的时间和空间。现在天气数据与空间粒度在几平方公里的顺序和时间分辨率的顺序一个小时(20.]。风的方向和速度可能会有所不同,由于景观和对象。我们的天气数据获得的分辨率是两个小时。大多数的数据记录都保持不变,或数据以最小方差。风向和风速数据需要我们收集VT瞬时在每个位置数据。天气数据的模型错误是更高的。因此,天气数据排除在外,而选择模型研究。

3.7.2章。从ODB与GNSS车辆速度

对收集的OBD和GNSS如图8。皮尔逊积差相关系数(PPMCC) [40)是用来检查之间的相关性两个不同的读数。两个向量之间的PPMCC: 和 ,是 在哪里 , 。

的PPMCC OBD和GNSS的VS读数是0.842。非零值的零读数速度OBD读数是由于时间修复卫星系统卫星进行定位。由于这个原因,本研究选择的OBD阅读速度。

3.7.3。高度形式GNSS和Google地图API

海拔从谷歌地图API的经度和纬度位置从GNSS传感器带来一个不同的价值高度,如图9。这两个之间的PPMCC高度测量是0.976。

3.8。路梯度(仰角)

使用手机的旋转传感器测试找到路的避署。为了获得避署,电话是严格平行放置车辆的底盘假设车辆底盘永远是平行于路面。由于车辆的悬架系统,鼻子和鼻子电梯发生在加速和刹车。同样,从IMU线性加速度计算并不足以捕捉横向加速度/减速度(ACC)的车辆由于节流和制动。方程(11)和(12分别)被用来计算ACC和避署。 在哪里公里,车辆速度的变化是改变的时间以秒为单位。

以下是路上梯度/仰角度: 在哪里高度的变化吗和是驱动公里距离。

3.9。的数据收集

系统测量误差如延迟时间和滞后可能出现在阅读从CAN总线数据和GNSS的值。这些错误很难检测和消除。

在图10图表显示,发动机转速的响应(用红线表示)油门输入(用黑色线表示)。当TP(即有一个变化。,∆TP), that change reflects in the engine RPM. The parts of the graph in rounded rectangles show the delay in engine response during the throttle change (∆TP) in normal conditions, that is, when either clutch is engaged (pedal released) and accelerating or when the clutch is disengaged. The delay in engine response in those regions is clearly visible. It was found that there is a 0.6-second delay in average between peaks on input and its response. The area denoted by the oval shows the reverse response (negative or irregular response) of the engine. This was due to the engine braking, that is when we deaccelerate by reducing throttle while the clutch is engaged. Such data was considered inappropriate. The frequency of parameters ranged from 1 Hz to 100 Hz but was collected at the rate of 1 Hz. The reduced rate of data collection might have missed some crucial facts from those data.

3.10。数据预处理

数据的正确性影响模型精度。精心挑选的模型需要被训练数据更好的和健壮的准确性。的数据开始一段旅程的结束是绘制观察独立变量的行为。图在图11显示的值RPM, VS, EL, ACC的旅程在20年代a点到B点。

第一个峰值在EL显示了第一个齿轮的变速第二齿轮。将发布在此期间,离合器分离发动机和传输,TP将减少。因此,转速也将减少。这个速度差异( )很瘦,因此,ACC达到零,然后拍摄装置时发生了变化。15倍之间的图段描述了制动(减速度)事件将车辆是静止的。ACC可能发生由于两个不同的原因:(1)车辆在一个倾斜或平面(即, )TP是高时,转速高,和EL很高,(2)车辆拒绝表面(例如, )当TP、RPM和EL很低,在车辆启动移动由于重力的拉力。同样,没有应用制动减速度可能发生由于两个不同的条件:(1)在一个倾斜表面(例如, ),较低的TP,低转速,低EL和(2)表面持平或下降(即, )高转速、低TP和EL低(通常在低齿轮)解释为椭圆形状,如图10。培训毫升与这个复杂的模型和噪声数据并没有产生一个好的模型精度。因此,模型训练数据点 和 和 和 TP。

图12显示了不受控制的转速与车速图收集的数据在不同的载荷(95、110、112、180、240和320公斤)。这个图表清晰地显示了不同的齿轮VS和转速之间的关系。很容易区分为代表的五个齿轮五线斜率图。TP和RPM导致减少在这个图表(地区)在齿轮变化和制动。地区B表示我们在这个图像的感兴趣区域,在那里 。当车辆获得地区B包含数据改变了从静止到运动状态。VS增益在第一齿轮不同的负载设置被捕。左边的角落地区B的密度比其他地区在这个图。这让我们关注这一地区其他齿轮设置没有任何明显的模式不同的载荷。

3.10.1。数据传输

收集到的VT数据必须被发送到WIM系统批处理或以流的方式。流与短时间会比VT数据的连续流更可取。假设车辆数据采集设备(发送方)的速度收集VT数据1赫兹,开始发送或排队VT数据系统的旅程的开始。在这种情况下,整个旅程的数据量取决于旅行的持续时间。的数据量形成了VT更好的反应系统的设备应该最小化。此外,我们已经注意到,并不是所有的VT数据用于推断重量。下面的步骤解释了数据收集过程部署在原型系统。在这里,速度是当前车辆的速度。车辆标识符(VID)是一个独特的标识符分配给每辆车。路线标识符(路线ID)结合了VID和开始时间。

发送方:如果(0 <速度)然后routeID⟵VID +开始时间如果(速度< 20)然后如果(连接)然后VT数据流其他的队列VT数据其他的日志Locatiodata routeID其他的连接和发送VT数据队列,日志

VT数据设备有两个主要功能,即流媒体和日志记录。VT数据流的大小是通过限制VT流数据减少了只流在0-20公里速度。通过这样做,我们减少流时间和不必要的数据的积累。如果VT设备连接到后端,然后,数据流。否则,VT数据流的排队。在后台,推测是由蒸数据(在开车从0到20公里)为每个routeID。如果车速大于20公里,然后VT数据收集设备日志生成的地理位置(GNSS数据)routeID每一秒。后端合并的推断重量routeID与记录数据跟踪车辆的载荷在整个旅程。当车辆停止和重新开始,然后发送新的VT数据推断出重量。每一站去触发推论。 This allows tracking any vehicles which overload at any point of their journey.

图13描述了使用数据提取样品中提取数据的过程。这个数据被用来选择毫升中提取模型。

3.11。毫升模型选择

本研究关注的回归模型,而不是分类模型。没有尝试,测试一个分类模型分类超载和合法装载的车辆。这是为了不违反法律或损害测试车辆。另一方面,已经尝试使用回归模型测试重量推理系统。

3.12。功能创建

特性工程是最困难和耗时的部分毫升项目(41]。我们收集的原始数据是不适合学习的一种形式。这部分的研究已经消耗了大量的时间。执行数据预处理后,预处理数据然后使用数据提取过滤过程。所选的数据被用来建立学习模型。相关矩阵被用来检查变量之间的相关性。表6显示收集特性之间的相关矩阵。相关矩阵不显示任何直接的基本特性和因变量之间的相关性。

独立变量之间的相关性也被称为多重共线性。在这里,车辆速度和转速与价值0.76高度相关。RPM是删除一些设置检查消除多重共线性的影响。选择RPM代替车辆速度的原因是因为RPM不太相关的重量比汽车速度(0.12)(0.05)。乘以现有功能又增加了一些新特性,发现选择的权力特性。ACC、VS RPM, EL,避署,TP用于创建新功能使用非线性函数等 , ,和 ,和 ,在哪里 。功能交叉也做获得新特性的乘法、除法现有功能。功能交叉n的乘法功能的结合。因为我们得到的负面力量特性,功能交叉导致逆矩阵乘法。

3.13。特征选择

选择最好的特性是至关重要的ML的更好的性能模型。保持更多的功能可能会导致许多危险的情况。更多的特征空间使模型难以解释。空间和时间复杂度也受数量的影响特性。它也可能导致在某些情况下模型过度拟合。处理高维数据与更高的特征空间是一个问题。

有几种方法可用于特征选择。逐步回归,惩罚回归(脊、套索和弹性),和主成分回归(42有一些可用的特征选择方法。根据(42),逐步回归与多个特性非常适合于高维数据。逐步回归是为了找到最好的特性。逐步回归的特征选择使用根均方误差(RMSE) [43),表明使用four-variable模型结果的最佳权值推断出重量。基于Akaike信息分段特征选择标准(AIC) [43]也执行。使用逐步回归的结果将在结果与讨论讨论。九个不同的设置,并根据他们的标准性能测量残余误差,自由度,a价值的模型, - - - - - -平方,调整 - - - - - -的平方。

之后设置选择模型:(1)简单的回归,所有基本功能(2)简单的回归,所有基本功能不包括RPM(由于多重共线性)(3)与单一特征交叉(即设置1。,each base feature is multiplied with another)(4)与单一特征交叉设置2(5)引入新功能增加非线性等功能 , , ,和设置1(6)引入新功能增加非线性等功能 , , ,和设置3(7)设置6跨越两个特性(8)选择最佳的特性从7基于意义价值(9)特征选择上设置6使用逐步AIC和3功能交叉

4所示。结果与讨论

表7总结了模型的性能结果前面提到的9设置。

设置1表明,模型很重要,但 - - - - - -方和调整 - - - - - -平方值明显较低。自由度高,由于小数量的特性。设置2显示一个更好的结果比设置1小价值和调整后的 - - - - - -平方;这是由于从前面设置一个特性。然而,剩余图(见图14)表现出非线性独立变量和因变量之间的关系。新特性介绍了通过应用非线性函数基本特性。这是测试设置5以上。

设置3和4不屈服任何更好的性能比设置值1和2。然而,设置5显示较小的性能显著改善价值和更高的 - - - - - -方和调整 - - - - - -平方值;这再次证实了功能(独立变量)是非线性相关的因变量。尽管设置6显示更高的成本比之前的设置,它仍然疲弱将越高价值。

设置7收益更大 - - - - - -方(主要是overfitted)更重要值和一个小自由度。调整后的负值 - - - - - -方显示,模型遭受太多的多余功能。特征的数量似乎高于观测的数量设置7。

设置8是由从设置7只选择的重要特性。这导致一个像样的结果与意义,更好 - - - - - -平方,调整 - - - - - -的平方。模型是复杂的解释但执行比简单的模型。以上所有其他设置,设置9使用逐步AIC与三重功能交叉导致更好的结果。

逐步线性回归特征选择基于设置6导致图;如图,图(15日)crossvalidation结果和图显示了10倍15 (b)显示分析(例如, )crossvalidation。这两个图表显示,最好的调整基于RMSE当使用4变量。结果是完全基于RMSE以来,这是不被认为是最好的模型。

回归模型的设定8比另一个更重要的七个模型与一个更小的价值和体面的 - - - - - -的平方。

模型从设置9可以被认为是一个概念证明即使模型是复杂的解释和调整 - - - - - -方低于0.8。模型设置9显示与一个非常小的一个更好的结果值,调整升高 - - - - - -的平方值,和一个更小的标准残差。

数据16和17显示模型的四个地块从设置8,9,分别。由于没有抛物面模式中可见残留与安装图,我们可以确保模型独立变量之间的非线性关系。正常的 - - - - - - 情节表明残差正态分布。scale-location情节表明残差通常出现即使它不是水平的 - - - - - -轴;这是由于观测值的数量有限。剩余与杠杆率图显示,有几行数据集,影响观察。

图18显示了推理测试使用回归的误差分布设置9,可以肯定地说,回归推断预测±21公斤65%的数据,在平均为65%±19%的精度情况下,准确的有95%的信心。

4.1。模型的性能

这些模型依赖训练了两个截然不同的观察值与305年观测。模型的性能可以增加更多的培训数据。然而,在现实世界中,不可能培养每辆车与一个巨大的数据集。寻找最优数据点仍然是一个可研究的问题。我们选择了两个随机的重量数据,每一个都有几乎相同数量的观察。在这篇文章中,我们已经讨论了多元非线性回归模型,这对于一个较小的数据集显示更好的性能。这项研究的结果显示了强有力的证据推断出车辆重量的能力使用VT数据。结果表明,预测的一个重要层面可以使用选定的功能。选择的模型表现良好,即使一个小的数据集。这是令人鼓舞的,因为在现实世界中,我们不能让车主将车开几次和几个不同的权重。

4.2。WIM系统性能

WIM系统的性能通过观察讨论了许多不同的因素。在这里,我们比较建议的WIM系统与其他WIM系统使用分类值。

表8论述了原型WIM系统的性能比较与现有的基于[赢得系统6,44- - - - - -48]。费用列在表8比较了WIM系统基于安装、维修费用,和劳动力成本。与其他WIM解决方案相比,使用我们的方法构建的系统不会有任何维护成本和劳动力成本。此外,安装成本可以忽略不计,如果现有的VT设备使用。这个系统的主要成本将维持云服务器。这是比现有的WIM系统便宜,因此标签低。

WIM系统的准确性并不是同质的整个范围。WIM量表测量重量的几千公斤(大规模的间隔)可能不精确测量小重量数十公斤(小规模的间隔)。当前wim专注于更大的车辆,如卡车和运输车辆,重达数吨。这种系统的加权准确率仅限于特定的体重范围。当前wim的范围不包括小型汽车等汽车(49]。但我们提出WIM系统方法可以简单地部署在任何兼容的车辆OBD端口。重量从这个新提议WIM系统推理方法没有任何特定的重量限制(无限制)。静态地秤是最精确的列表中。但这种静态的可读性(刻度值)wim通常是~ 100公斤。这是常见的情况,大部分的WIM系统因为它们是用来测量重型车辆的加载(权重)。这个限制在WIM系统使我们标签限制精度。最大的阅读能力的wim几吨。但由于发动机所产生的功率的特点之一,就是用来推断重量,VT数据从车辆大引擎可能可读性差,即,更大的刻度值。这需要进一步研究。

据校准频率更高比静态和LS-WIMs HS-WIMs。提出系统的方法,一旦车辆与VT数据训练,培训可以在任何时间完成。这个培训过程可以被认为是一个在其他wim校准。这可以通过重复错误的推理。可用性是WIM系统的存在。静态WIM系统通常位于一个单独的地方远离公路。LS-WIMs和HS-WIMs放在几个路段。但它们部署在特定的位置。WIM系统使用该方法将在任何道路部分几乎到处都是可用的。

根据文献,传感器材料用于HS-WIM更脆弱,容易失败。自提出WIM系统方法不需要任何此类传感器和依靠强劲的ECU数据,它有一个较小的失败的机会。一旦数据后端服务器上可用,推理速度几乎是瞬时的。这使得原型系统在测量速度快得多。我们的方法的另一个最重要的优点是,它是可伸缩的。测试使用该方法构建的原型WIM系统显示±19%推理精度平均为65%情况下,±38%的准确率有95%的信心。这是大多数HS-WIM系统附近。但与其他WIM解决方案相比,使用我们的方法构建的系统可扩展且高效。我们可以使用现有的数据采集设备由保险(无论何时或PAYD)计划。这将降低成本实现大规模。 Communication technologies such as LoRaWAN (long range wide area network) [50)允许我们建立快速、可靠、廉价的通信系统。

4.3。假设和限制

这项研究是基于一些假设和局限性。根据麦凯et al。12),轮胎气压检测精度的影响。推荐的轮胎压力维护和压力波动由于大气温度变化是被忽视的。轮胎的大小和形状的影响在本研究没有考虑(轮胎)。

这项研究是不包括外部极端风等天气因素,雪,雨。本研究中使用的数据集只包含收集的数据在平静的晴天。摩擦系数是一个重要因素对移动车辆没有下滑。道路条件和类型的道路中发挥主要作用的摩擦。没有考虑这个因素在本研究收集的所有数据从城市道路。

换挡模式和离合器释放模式可能因人而异。这可能影响汽车手动变速器上的传输函数。毫升模型在这个原型系统是使用一个司机驾驶数据。涡轮增压和混合动力车可能产生不同的结果的EL公式并不适用于这些车辆。这项研究的焦点并非是这些类型的车辆。

5。结论

在本文中,我们讨论了原型设计和开发一个新的WIM系统的使用VT和毫升。原型WIM系统开发和使用的概念。设计注意事项和使用的解决方案进行了探讨。原型是使用小型汽车的VT数据样本进行了测试。结果表明,可以推断出重量的车辆使用其远程信息处理数据。多元线性回归与设置9表现好于其他设置较小的标准残差为23.1,88年的自由度,意义重大值为6.322 - - - - - -08年,更好的 - - - - - -0.87平方,一个像样的调整 - - - - - -0.56平方。结果表明,小型汽车的上下文中,可以推断出使用瞬时VT的有效载荷数据如RPM、道路坡度(高程),车辆速度,加速度,计算引擎负载。这个研究显示的可能性使用VT数据推断出车辆的重量。这可能是通过运输行业对重载车辆执行浅筛查。原型WIM系统的比较与其他现有系统表明,该系统方法可以产生一个更便宜、可伸缩的、无所不在、在线(24/7)的解决方案。

原型系统的性能在不同的车辆类型和不同的道路和天气条件需要被研究。其他毫升方法如决策树、贝叶斯推断法,神经网络需要应用,及其性能比较是在这一领域未来的研究要做。

数据可用性

VT数据用于支持本研究的发现可以从相应的作者。

的利益冲突

作者宣称没有利益冲突有关的出版。

引用

1. g·梅尔和h . Myburgh回顾智能驾驶风格分析系统和相关的人工智能算法,”传感器,15卷,不。12日,第30682 - 30653页,2015年。视图:出版商的网站|谷歌学术搜索
2. 国家道路交通法案,1996(没有行动。93 -248 1996)假设,1999年。
3. v c·杰罗姆翻译和m . Munoz-Organero”向更安全的高速公路:预测司机压力在不同条件下习惯性的航线,”IEEE车辆技术杂志,12卷,不。4、69 - 76年,2017页。视图:出版商的网站|谷歌学术搜索
4. m . Oastler车辆重量解释|皮重,路边,GVM载荷和拖车人物——汽车建议| CarsGuide考克斯,考克斯汽车、澳大利亚媒体解决方案企业有限公司,2015年,2017年12月,https://www.carsguide.com.au/car - advice/vehicle权重-解释-皮重路边gvm -载荷-和-预告片-数据- 37482。
5. j·理查森,琼斯s, a .布朗,e . O '和d n a Brien Hajializadeh,“使用桥梁的动态称重超重卡车执法,“重型车辆系统的国际期刊,21卷,不。2,p。83年,2014年。视图:出版商的网站|谷歌学术搜索
6. p . j . Gajda Burnos, r . Sroka“车辆行驶称重系统精度评估的直接执行,”IEEE智能交通系统杂志,10卷,不。1,第94 - 88页,2018。视图:出版商的网站|谷歌学术搜索
7. w·怀德、f·w·g·Transchel和r·怀德”分类scale-sensitive远程信息处理可见riskindividual定价,”欧洲保险精算的杂志》第六卷,没有。1,3-24,2016页。视图:出版商的网站|谷歌学术搜索
8. Kirushnath和b . Kabaso“动态地磅使用机器学习和远程信息处理”2018年第二届国际会议上远程信息处理和下一代网络(TAFGEN)古晋,页115 - 120年,马来西亚,2018年7月。视图:出版商的网站|谷歌学术搜索
9. j . Labarrere“WIM和历史是什么,”ISWIM——国际社会参与运动,ISWIM�国际社会参与运动,2017年,2017年12月,http://www.is-wim.org/index.php?nm=2&nsm=1&lg=en。视图:谷歌学术搜索
10. y . i . l . Al-Qadi h . Wang欧阳,k . Grimmelsman和j·e·珀迪LTBP程序对动态称重系统(没有的文献综述。供料-荷尔蒙替代疗法- 16 - 024)联邦高速公路管理局。美国办公室基础设施的研究与开发,2016年。
11. r·沙y沙玛,马修,诉Kateshiya和j . Parmar”审查论文重载效应”,国际先进的科学研究和管理杂志》上,1卷,不。4、131 - 134年,2016页。视图:谷歌学术搜索
12. t·r·麦凯c . Salvaggio j . w . Faulring et al .,“被动探测车辆装载,”视觉信息处理和通信III2012年,伯林盖姆,加州,美国。视图:出版商的网站|谷歌学术搜索
13. a·t·t·Ihiguro c n Yamada Murahashi, t·c·h·加藤,“车重估计设备,“我们7039519 B2, 2006。视图:谷歌学术搜索
14. s·k·w·保罗Hilgeman和r .韦森特”,系统控制的加速度载荷耦合的燃气涡轮发动机,“US006035629A, 2000。视图:谷歌学术搜索
15. d·布劳恩、大肠Reiter和a . Siddharthan“创建文本司机遥测数据的反馈,”美国15日欧洲自然语言生成(ENLG)研讨会布莱顿,页156 - 165年,英国,2015年。视图:出版商的网站|谷歌学术搜索
16. e . CSS”OBD2解释说,一个简单的介绍(2019),“CSS电子CSS电子产品,2018年,2019年1月,https://www.csselectronics.com/screen/page/simple-intro-obd2-explained。视图:谷歌学术搜索
17. r . Vaiana t . Iuele诉Astarita et al .,“驾驶行为与交通安全:acceleration-based安全性评价过程的智能手机,“现代应用科学,8卷,不。1,第96 - 88页,2014。视图:出版商的网站|谷歌学术搜索
18. d . i Tselentis g . Yannis依Vlahogianni,“创新的汽车保险计划:回顾当前实践和新兴的挑战,”事故分析和预防卷,98年,第148 - 139页,2017年。视图:出版商的网站|谷歌学术搜索
19. Kirushanth和b . Kabaso“远程信息处理和道路安全,”2018年第二届国际会议上远程信息处理和下一代网络(TAFGEN)古晋,页103 - 108年,马来西亚,2018年7月。视图:出版商的网站|谷歌学术搜索
20. 大肠马萨罗,c·安,Ratti c . et al .,“汽车作为一个环境遥感平台(的观点),“IEEE学报》,卷105,不。1,3 - 7,2017页。视图:出版商的网站|谷歌学术搜索
21. 美国Kiencke、美国讲台和m . Litschel“汽车串行控制器区域网络,”SAE技术论文系列美国,8页,1986年2月。视图:出版商的网站|谷歌学术搜索
22. Elmelectronics,OBD ELM327 RS232翻译,2011年榆树电子。
23. 依Vlahogianni和e . n . Barmpounakis开车使用智能手机分析:算法,比较和挑战,”交通研究部分C:新兴技术卷,79年,第206 - 196页,2017年。视图:出版商的网站|谷歌学术搜索
24. d . Chen k·t·曹汉,z,和k . g . Shin“车辆转向无形的传感与智能手机,”《第13届国际会议在移动系统中,应用程序和服务——经验”15,页1-13,佛罗伦萨,意大利,2015年。视图:出版商的网站|谷歌学术搜索
25. m .编写s Kottegoda a . l . Arachchi s Muramudalige h . m . n . Dilum Bandara,和a . Azeez”基于云的司机与OBD2远程信息技术监控和车辆诊断,”2015年IEEE国际会议上电/信息技术(EIT)迪卡尔布,页505 - 510年,2015年5月,美国。视图:出版商的网站|谷歌学术搜索
26. j . e . Meseguer c·t·卡拉j·c·卡诺和p•曼卓尼”Drivingstyles:智能手机应用程序来评估司机的行为,”2013年IEEE计算机和通信(ISCC)研讨会上2013年7月,分裂,克罗地亚,。视图:出版商的网站|谷歌学术搜索
27. 铃木k .武田c . Miyajima t . et al .,“使用系统基于驾驶记录数据:从一个人的学习经历,”IEEE智能交通系统,13卷,不。4、1821 - 1831年,2012页。视图:出版商的网站|谷歌学术搜索
28. j·费雷拉,e·卡瓦略b . v .费雷拉et al .,”司机行为分析:调查与不同的智能手机的传感器和机器学习,”《公共科学图书馆•综合》,12卷,不。4、2017。视图:出版商的网站|谷歌学术搜索
29. j . t . Pohlmann和d . w .莱特纳比较普通最小二乘法和逻辑回归,”俄亥俄州的科学杂志,卷103,不。5,2003。视图:谷歌学术搜索
30. a . b . Chan和n .塞·伐斯冈萨雷斯,他的“低级特征和贝叶斯计算回归。”IEEE图像处理,21卷,不。4、2160 - 2177年,2012页。视图:出版商的网站|谷歌学术搜索
31. a . Alessandrini f .菲利皮主持,f . Ortenzi“消费车辆使用OBD数据,计算”2012年国际排放清单会议”排放清单——新兴全球会议带来的挑战,国家、地区和地方空气质量问题”美国佛罗里达州坦帕,页21,,2012。视图:谷歌学术搜索
32. 研究所。林和K.-C。李,“车辆负载检测和响应系统和方法,“US20160355189 A1, 2016。视图:谷歌学术搜索
33. 国际标准化组织ISO 15031 -公路车辆,车辆之间的通信和外部设备emissions-related诊断,国际标准化组织,2015年。
34. Kirushanth和b . Kabaso“设计进行动态称重,”2019开放创新(OI)25 - 29,页,开普敦,南非,2019年10月。视图:出版商的网站|谷歌学术搜索
35. 赫维茨和d·基尔希机器学习IBM限量版的假人约翰•威利& Sons Inc ., 2018年。
36. a·冈萨雷斯,a . t . Papagiannakis和e . j . O ' brien”评价的人工神经网络技术应用于复式传感器动态称重系统,”交通研究记录,卷1855,不。1,第159 - 151页,2003。视图:出版商的网站|谷歌学术搜索
37. d·h·哦,备忘单:KubernetesJBoss社区,2018年。
38. t . Gluster架构——Gluster文档2019年5月,2019岁的Red Hat,https://docs.gluster.org/en/latest/Quick-Start-Guide/Architecture/。
39. p . r . Wieringa设计科学研究在信息系统和软件系统工程跨越学科的研究方法2016年,意大利德拉瑞士italiana。
40. t . Swinscow”,在广场一个统计数据:11。相关和回归。”BMJ,16卷,不。22日,1997年。视图:谷歌学术搜索
41. p·多明戈”,了解机器学习一些有用的东西,”ACM的通信,55卷,不。10,78年,页2012。视图:出版商的网站|谷歌学术搜索
42. a . Kassambara逐步回归在R -文章STHDA必需品STHDA, 2018年,2019年2月,http://www.sthda.com/english/articles/37-model-selection-essentials-in-r/154-stepwise-regression-essentials-in-r/。
43. r·r·霍金“生物识别技术邀请报告。变量线性回归的分析和选择,”生物识别技术,32卷,不。1,p。1976。视图:出版商的网站|谷歌学术搜索
44. b . Timerson技术评估动态称重系统精度和耐用性,2018年明尼苏达州交通部。
45. b·雅各布和v . f . de La Beaumelle”,改善汽车安全:动态称重技术的潜力,”IATSS研究,34卷,不。1、9 - 15,2010页。视图:出版商的网站|谷歌学术搜索
46. m·莱登美国e·泰勒·d·罗宾逊,a .穆夫提和e·j·o·布里恩,“最近的事态发展在桥参与运动(B-WIM)”土木结构健康监测》杂志上》第六卷,没有。1,第81 - 69页,2016。视图:出版商的网站|谷歌学术搜索
47. m·r·卡里姆:易卜拉欣,a . a . Saifizul和h Yamanaka”车重执法的有效性在发展中国家使用动态排序系统考虑车辆旁通和执法能力,”IATSS研究,37卷,不。2、124 - 129年,2014页。视图:出版商的网站|谷歌学术搜索
48. 美国运输部,动态称重袖珍指南第2部分WIM选址,设计和安装指南2018年,美国运输部。
49. t . Haugen j·r·莱维e . Aakre和m . e . p . Tello”动态称重设备——经验和挑战。”交通研究Procedia,14卷,不。2352年,第1432 - 1423页,2016年。视图:出版商的网站|谷歌学术搜索
50. l . r .联盟,关于LoRaWAN®|罗拉联盟™罗拉联盟,2019年,2019年4月,https://lora-alliance.org/about-lorawan。

版权

版权©2020 Sivaramalingam Kirushanth和小旅店Kabaso。这是一个开放的分布式下文章知识共享归属许可,它允许无限制的使用、分配和复制在任何媒介,提供最初的工作是正确引用。