买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉河南省计量测试科学研究院;广东技术师范大学申请的专利一种参数自动拟合的动态汽车衡计量方法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN119884540B 。

龙图腾网通过国家知识产权局官网在2025-09-19发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202411868999.1，技术领域涉及：G06F17/10；该发明授权一种参数自动拟合的动态汽车衡计量方法是由刘沙;伍银波;郭名芳设计研发完成，并于2024-12-18向国家知识产权局提交的专利申请。

本一种参数自动拟合的动态汽车衡计量方法在说明书摘要公布了：本发明提供一种参数自动拟合的动态汽车衡计量方法，涉及参数自动拟合的动态汽车衡计量技术领域，本发明实时记录待监测车辆经过称重平台时的重量、速度和车型数据，并采集历史数据以及对应的实际重量数据，对这些数据进行清洗和特征提取以获得车辆特征数据；其次构建决策树模型，将历史车辆特征数据包括重量、速度和车型作为训练集，以对应的实际重量数据作为标签进行训练；再将实时记录的车辆数据输入训练完成的决策树模型，以预测实际车辆重量；最后根据模型预测的重量与实际称重数据之间的误差，判断该误差是否超过设定的阈值，并在需要时对模型进行重新训练，以提升预测的准确性和可靠性。

本发明授权一种参数自动拟合的动态汽车衡计量方法在权利要求书中公布了：1.一种参数自动拟合的动态汽车衡计量方法，其特征在于，具体步骤包括： 步骤1：实时记录待监测车辆经过称重平台时的重量、速度和车型数据，采集历史时间段内待监测车辆经过称重平台时的重量、速度和车型数据，并对采集的重量和速度数据进行清洗及特征提取得到车辆的特征数据； 步骤2：构建决策树模型，将所述待监测的历史车辆特征数据，包含重量、速度和车型数据作为训练集，将其对应的车辆实际重量数据作为标签，输入到决策树模型中进行训练； 步骤3：将实时记录的待监测车辆经过称重平台时的重量、速度和车型数据输入到训练完成的决策树模型中，预测实际的车辆重量数据； 步骤4：根据模型预测的实际车辆重量数据与车辆称重的实际重量数据之间的误差，判断此误差是否超过设定的误差阈值，重新训练模型； 对特征数据集F进行标准化，消除特征之间由于量纲不同而导致的影响： 其中，F'为标准化后的特征数据，F为特征数据集； μ为特征数据的均值，其计算公式为： 其中，u表示特征数据的样本数量，Fa表示第a个样本的特征值； σ为特征数据的标准差，其计算公式为： 其中，Fa-μ2表示每个样本与均值的差异的平方； 决策树在处理分类数据时，One-HotEncoding独热编码可将类别变量转化为数值形式，设车型分类Cs有三种类别：SUV、轿车和卡车，通过独热编码，每个类别用一个独立的二进制列0或1表示，将这些类别表示为： 每一行对应一个类别，使得模型可将每个类别视为不同的输入特征； 用历史数据中记录的车辆重量作为标签向量Y： Y＝{Wo|o＝1,2,…,O} 其中，O表示车辆的数量，Wo是第o辆车的实际重量； 在每个节点，选择一个特征f来划分数据，采用MSE均方误差作为划分标准，评估每个节点的划分效果，对于当前节点R，计算其均方误差： 其中，MR表示当前节点R的样本数量，Wo表示第o个样本的真实重量，表示当前节点R的预测重量，为该节点中所有样本的均值： 决策树从根节点开始，递归地选择最佳特征f并根据划分标准将数据划分为左子集Dleft和右子集Dright，用p表示正在检查的样本索引： Dleft＝{F′p，Yp|F′p，f≤threshold} 其中，左子集包含所有特征f的取值小于等于某个阈值threshold的样本，F'p表示经过标准化的第p个样本的特征向量，Yp表示第p个样本的目标变量； Dright＝{F′p，Yp|Fp,fthreshold} 其中，右子集包含所有特征f的取值大于某个阈值threshold的样本； 计算特征f划分后的左子集Dleft和右子集Dright的均方误差： 其中，Mleft和Mright是左子集和右子集的样本数量，和是左子集和右子集的预测重量； 综合考虑划分前后的均方误差，计算整体均方误差： 其中，MSEsplit为当前划分的整体均方误差，表示通过某特征和阈值划分数据后的预测误差的加权平均值，MR为当前节点中样本的总数量，即左子节点和右子节点的样本数量之和，即MR＝Mleft+Mright，MSEleft和MSEright分别为左右子节点的均方误差，表示在左右子节点中样本预测值与真实值之间的均方误差； 选择最佳划分特征和阈值，对于所有特征及其可能的划分点，选择具有最小MSEsplit的特征f*和阈值threshold*： 其中，f*为选择的最佳特征，能够最有效地降低均方误差的特征，threshold*为选择的最佳阈值，用于划分特征f*的取值，使得划分后整体均方误差最小，argmin表示寻找使得均方误差最小的特征和阈值的操作； 创建子节点，根据特征f*和阈值threshold*进行划分，满足条件的样本将被划分到左子节点Rleft，不满足条件的样本将被划分到右子节点Rright，对每个子节点Rleft和Rright，重复以上操作，直到达到停止条件； 在训练过程中，决定何时停止划分：叶子当前节点的样本数量小于预设的最小样本数，停止分裂；树的深度达到预设的最大深度，停止分裂；节点的均方误差足够小，停止分裂； 当达到停止条件时，当前节点成为叶子节点，存储该节点的预测值，预测值通常是该节点样本的均值： 其中，为当前叶子节点的预测值，表示该叶子节点对应样本的预测结果，Mleaf为当前叶子节点的样本数量，Wo为当前叶子节点中第o个样本的真实目标值； 根据实时监测到的数据，构建特征数据: Fr＝{Wr，s，Vr，s,Cr,s} 把经过标准化后的特征数据输入训练好的决策树模型X中，预测车辆的实际重量： 其中，表示模型对实时输入特征的预测实际重量，F' r是经过标准化的特征数据； 所述决策树模型X的计算过程： 其中，每个是对应于叶子节点Leafk的预测值。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人河南省计量测试科学研究院;广东技术师范大学，其通讯地址为：450000 河南省郑州市管城区白佛路10号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。

以上内容由龙图腾AI智能生成。