整车重量确定方法、装置及存储介质与流程

1.本发明涉及车辆研发领域，尤其涉及一种整车重量确定方法、装置及存储介质。

背景技术：

2.车辆重量是衡量车辆整体性能的重要指标，车辆重量的对车辆的动力性、耐久性和稳定性均有较大影响，车辆重量越轻，车辆的相关性能就越好。但对车辆而言，车辆重量不可能无限制地削减，合理的车辆重量目标值对于整车设计研发来说至关重要。因此，在车辆研发阶段，需要对车辆的整车重量进行预测，以根据预测重量指导车辆的研发设计工作。
3.现有技术中，车辆重量的预测方式一般是根据竞品车型的相关数据，对研发车辆的重量进行预测：通过excel内部函数linest分析现有竞争车型的数据，得到与整车重量关联度较高的关键参数，即单位面积质量，然后建立单位面积质量、上市年份等参数的一元线性回归模型作为预测模型，然后基于预测模型对车辆的重量目标进行设定。但该方式仅将单位面积质量作为关键参数，未考虑到车辆的经济性，预测模型的精度和可靠性较差，导致预测得到的车辆重量不够准确、可靠。

技术实现要素：

4.本发明提供一种整车重量确定方法、装置及存储介质，以解决现有技术中，预测模型的精度和可靠性较差，导致预测得到的车辆重量不够准确、可靠的问题。
5.提供一种整车重量确定方法，包括：
6.基于多种上市车辆的整车级数据，确定影响车辆重量的多个关键变量参数，多个关键变量参数包括车辆体积、最大发动机功率和预设里程综合油耗；
7.建立包含车辆体积、最大发动机功率和预设里程综合油耗的多元线性回归模型，并对多元线性回归模型进行拟合，以获得重量预测模型；
8.确定研发车辆的车辆体积、最大发动机功率和预设里程综合油耗；
9.将研发车辆的车辆体积、最大发动机功率和预设里程综合油耗，输入重量预测模型进行整车重量预测，以获得研发车辆的预测整车重量。
10.提供一种整车重量确定装置，包括：
11.第一确定模块，用于基于多种上市车辆的整车级数据，确定影响车辆重量的多个关键变量参数，多个关键变量参数包括车辆体积、最大发动机功率和预设里程综合油耗；
12.拟合模块，用于建立包含车辆体积、最大发动机功率和预设里程综合油耗的多元线性回归模型，并对多元线性回归模型进行拟合，以获得重量预测模型；
13.第二确定模块，用于确定研发车辆的车辆体积、最大发动机功率和预设里程综合油耗；
14.输入模块，用于将研发车辆的车辆体积、最大发动机功率和预设里程综合油耗，输入重量预测模型进行整车重量预测，以获得研发车辆的预测整车重量。
15.一种整车重量确定装置，包括存储器、处理器以及存储在存储器中并可在处理器
上运行的计算机程序，处理器执行计算机程序时实现上述整车重量确定方法的步骤。
16.一种可读存储介质，可读存储介质存储有计算机程序，计算机程序被处理器执行时实现上述整车重量确定方法的步骤。
17.上述整车重量确定方法、装置及存储介质所提供的一个方案中，基于多种上市车辆的整车级数据，确定影响车辆重量的多个关键变量参数，多个关键变量参数包括车辆体积、最大发动机功率和预设里程综合油耗；然后建立包含车辆体积、最大发动机功率和预设里程综合油耗的多元线性回归模型，并对多元线性回归模型进行拟合，以获得重量预测模型；再确定研发车辆的车辆体积、最大发动机功率和预设里程综合油耗；最后将研发车辆的车辆体积、最大发动机功率和预设里程综合油耗，输入重量预测模型进行整车重量预测，以获得研发车辆的预测整车重量；本发明中，利用多元线性回归分析方法，建立了包括车辆体积、发动机功率和油耗等参数在内的重量预测模型，考虑了发动机功率和油耗对车辆经济性的影响，提高了重量预测模型的精度和可靠性，在研发阶段即可对车辆的整车重量进行快速准确地进行预测，保证了整车重量预测的准确性和可靠性。
附图说明
18.为了更清楚地说明本发明实施例的技术方案，下面将对本发明实施例的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一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
19.图1是本发明一实施例中整车重量确定方法的一应用环境示意图；
20.图2是本发明一实施例中整车重量确定方法的一流程示意图；
21.图3是本发明一实施例中整车重量确定方法的另一流程示意图；
22.图4是本发明一实施例中轻量化率正态分布曲线的划分图区间示意图；
23.图5是本发明一实施例中整车重量确定装置的一结构示意图；
24.图6是本发明一实施例中整车重量确定装置的另一结构示意图。
具体实施方式
25.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作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。
26.本发明实施例提供的整车重量确定方法，可应用在如图1所示的应用环境中，其中，终端设备通过网络与整车重量确定装置进行通信。终端设备将多种上市车辆的整车级数据发送至服务器，整车重量确定装置基于多种上市车辆的整车级数据，确定影响车辆重量的多个关键变量参数，多个关键变量参数包括车辆体积、最大发动机功率和预设里程综合油耗；然后建立包含车辆体积、最大发动机功率和预设里程综合油耗的多元线性回归模型，并对多元线性回归模型进行拟合，以获得重量预测模型；再确定研发车辆的车辆体积、最大发动机功率和预设里程综合油耗；最后将研发车辆的车辆体积、最大发动机功率和预设里程综合油耗，输入重量预测模型进行整车重量预测，以获得研发车辆的预测整车重量；
本实施例中，利用多元线性回归分析方法，建立了包括车辆体积、发动机功率和油耗等参数在内的重量预测模型，考虑了发动机功率和油耗对车辆经济性的影响，提高了重量预测模型的精度和可靠性，在研发阶段即可对车辆的整车重量进行快速准确地进行预测，保证了整车重量预测的准确性和可靠性。
27.其中，终端设备可以但不限于各种个人计算机、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备。整车重量确定装置为服务器，服务器可以用独立的服务器或者是多个服务器组成的服务器集来实现。
28.在一实施例中，如图2所示，提供一种整车重量确定方法，以该方法应用在图1中的整车重量确定装置为例进行说明，包括如下步骤：
29.s10：基于多种上市车辆的整车级数据，确定影响车辆重量的多个关键变量参数。
30.首先，整车重量确定装置需要获取多种上市车辆的整车级数据，以获得大量整车级数据。其中，上市车辆为市场上进行售卖的实车车辆；整车级数据至少包括各上市车辆实际的重量数据、相关尺寸数据、油耗数据和发动机功率数据等。
31.在获取多种上市车辆的整车级数据之后，基于多种上市车辆的整车级数据，分析车辆重量与影响车辆重量的变量参数之间的线性相关性，从而根据线性相关性分析结果，确定影响车辆重量的多个关键变量参数。
32.其中，影响车辆重量的变量参数包括白车身重量、单位面积重量、体积、投影面积、不同里程综合油耗和发动机功率等车辆参数。根据上述变量参数与车辆重量之间的线性相关性，选取满足要求的多个变量参数，作为影响车辆重量的多个关键变量参数。例如，确定线性相关性较高的多个变量参数，作为影响车辆重量的多个关键变量参数。
33.s20：建立包含车辆体积、最大发动机功率和预设里程综合油耗的多元线性回归模型，并对多元线性回归模型进行拟合，以获得重量预测模型。
34.其中，预设里程综合油耗为100公里里程综合油耗(简称百公里综合油耗)，即车辆在100公里里程时的综合油耗。
35.在确定影响车辆重量的多个关键变量参数之后，建立包含车辆体积、最大发动机功率和预设里程综合油耗(百公里综合油耗)的多元线性回归模型，并对多元线性回归模型进行拟合，以获得满足拟合目标的拟合参数组合，从而获得重量预测模型。拟合参数组合包括各关键变量参数对应的特征系数、无量纲常数，即重量预测模型为包含多个关键变量参数的多元线性回归模型，重量预测模型中各关键变量参数对应的特征系数为需要满足拟合目标的回归系数。
36.其中，多元线性回归模型为：
37.m
预测
＝α0+α1v+α2p+α3q+c；
38.其中，m
预测
为预测整车重量，v为车辆体积，p为最大发动机功率，q为预设里程综合油耗，α1、α2、α3均为回归系数，其中，α1为车辆体积对应的特征系数，α2为最大发动机功率对应的特征系数，α3为预设里程综合油耗对应的特征系数，α0与c均为无量纲常数。即α0、α1、α2、α3、c为需要进行拟合的拟合参数组合。
39.在建立多元线性回归模型之后，根据预设拟合优度对多元线性回归模型进行拟合，当多元线性回归模型的拟合优度满足预设拟合优度时，将满足预设拟合优度的拟合参数(包括回归系数α1、α2、α3)进行记录，从而获得重量预测模型。
40.其中，多元线性回归模型的拟合优度的计算公式如下：
[0041][0042]
其中，rss为残差平方和；tss为总离差平方和；为自变量xi对因变量m
预测
的重量预测值；自变量xi即为影响车辆重量的多个关键变量参数，包括整车体积、最大发动机功率和百公里综合油耗；为全域样本车辆(多种上市车辆)的重量平均值；r2为多元线性回归模型的拟合优度，(0≤r2≤1)。
[0043]
其中，多元线性回归模型的拟合优度r2越接近1，表明多元线性回归模型的回归拟合效果越好。一般认为r2超过0.8时，多元线性回归模型的拟合优度比较高，能够满足回归拟合要求，即预设拟合优度为0.8，当r2大于0.8，即判断多元线性回归模型满足拟合目标，此时则将多元线性回归模型的回归系数记录下来，以生成重量预测模型。
[0044]
例如，预设拟合优度为0.8，在对多元线性回归模型进行拟合时，当拟合优度为0.862时(r2＝0.862)，多元线性回归模型的大于0.8，表示多元线性回归模型满足拟合目标，多元线性回归模型的拟合优度比较高，回归系数α1、α2、α3分别为68.904、3.279、33.791、78.004，同时α0为0，c为78.004，则将上述代入多元线性回归模型中，获得重量预测模型，此时重量预测模型为：
[0045]m预测
＝68.904v+3.279p+33.791q+78.004；
[0046]
其中，当拟合优度为0.862时获得的重量预测模型，能够预测市场上86.2％车辆的整车重量。
[0047]
本实施例中，以预设拟合优度为0.8仅为示例性说明，在其他实施例中，预设拟合优度可以根据实际需要设置；上述重量预测模型也为示例性说明，在其他实施例中，还可以有其他满足预设拟合优度的重量预测模型，在此不再赘述。
[0048]
s30：确定研发车辆的车辆体积、最大发动机功率和预设里程综合油耗。
[0049]
在获得重量预测模型之后，可以直接根据研发车辆的设计目标参数，确定研发车辆的车辆体积、最大发动机功率和预设里程综合油耗。
[0050]
其中，当研发车辆还未有实车时，确定研发车辆的车辆体积的最大发动机功率和预设里程综合油耗，具体包括如下步骤：
[0051]
a、获取研发车辆的设计目标参数，设计目标参数包括研发车辆的设计尺寸数据、最大发动机功率设计值、不同里程综合油耗设计值，设计尺寸数据包括研发车辆的整车长度、整车宽度、整车高度、整车轴距、车身离地间隙。
[0052]
a、根据研发车辆的整车长、整车宽、整车高、整车轴距、车身离地间隙，计算获得研发车辆的等效体积，并将等效体积作为车辆体积。
[0053]
其中，等效体积的计算公式如下：
[0054]
v＝[u*(l-b)+b]*w*(h-c)*10-9
；
[0055]
其中，v为等效体积，单位为m3；l为整车长度，单位为mm；w为整车宽度，单位为mm；h为整车高度，单位为mm；b为整车轴距，单位为mm；c为车身离地间隙，单位为mm；u为无量纲系数。
[0056]
其中，车身离地间隙一般为车辆空载时离地距离，当无法获取车身离地间隙时，可以根据实际情况，将车身离地间隙c设为0，以便后续计算。无量纲系数u与车辆的车型相关，不同的车型的车辆具有不同的u值，且u的大小随车辆体积的增大而增大，例如当车辆的车型分别为轿车、suv、mpv时，u值依次为1/2、2/3、3/4。
[0057]
本实施例中，当车辆的车型分别为轿车、suv、mpv时，u值依次为1/2、2/3、3/4仅为示例性说明，在其他实施例中，u值还可以是其他，在此不再赘述。
[0058]
b、将研发车辆的最大发动机功率设计值作为最大发动机功率。
[0059]
c、在研发车辆的不同里程综合油耗设计值中，确定预设里程综合油耗设计值，作为预设里程综合油耗。
[0060]
其中，当研发车辆已有实车时，对研发车辆进行实车试验，以获得研发车辆的最大发动机功率和预设里程综合油耗。然后测量研发车辆的实车尺寸数据，实车尺寸数据包括实车的整车长、整车宽、整车高、整车轴距、车身离地间隙，进而根据实车尺寸数据计算获得等效体积，以作为车辆体积；或者直接对实车的体积进行计算，获得车辆体积，以保证体积准确性。
[0061]
s40：将研发车辆的车辆体积、最大发动机功率和预设里程综合油耗，输入重量预测模型进行整车重量预测，以获得研发车辆的预测整车重量。
[0062]
在确定研发车辆的车辆体积、最大发动机功率和预设里程综合油耗之后，将研发车辆的车辆体积、最大发动机功率和预设里程综合油耗，输入重量预测模型进行整车重量预测，以获得研发车辆的预测整车重量。
[0063]
其中，预测整车重量通过如下公式计算：
[0064]m预测
＝α1v+α2p+α3q+c；
[0065]
其中，m
预测
为预测整车重量，v为车辆体积，p为最大发动机功率，q为预设里程综合油耗，c为常数，α1为车辆体积对应的特征系数，α2为最大发动机功率对应的特征系数，α3均为预设里程综合油耗对应的特征系数。
[0066]
例如，当拟合优度满足拟合目标时，以α1、α2、α3分别为68.904、3.279、33.791、78.004，c为78.004为例，可知重量预测模型如下：
[0067]m预测
＝68.904v+3.279p+33.791q+78.004；
[0068]
在获取重量预测模型之后，将研发车辆的车辆体积、最大发动机功率和预设里程综合油耗输入上述公式(重量预测模型)，即可对研发车辆进行整车重量预测，获取重量预测模型输出的m
预测
，作为研发车辆的预测整车重量。
[0069]
在其他实施例中，还可以根据实际需要确定满足拟合目标的拟合参数α1、α2、α3、α0和c，以获得具有不同拟合参数的其他重量预测模型。
[0070]
在基于重量预测模型对研发车辆的整车重量进行预测，获得研发车辆的预测整车重量之后，研发人员可以根据预测整车重量与市场上的竞品车型进行对比，以确定研发车辆的市场竞争力；还可以根据预测整车重量指导研发车辆的研发设计工作，确保研发车辆的经济性、动力性等相关性能满足研发需求。
[0071]
本实施例中，基于多种上市车辆的整车级数据，确定影响车辆重量的多个关键变量参数，多个关键变量参数包括车辆体积、最大发动机功率和预设里程综合油耗；然后建立包含车辆体积、最大发动机功率和预设里程综合油耗的多元线性回归模型，并对多元线性
回归模型进行拟合，以获得重量预测模型；再确定研发车辆的车辆体积、最大发动机功率和预设里程综合油耗；最后将研发车辆的车辆体积、最大发动机功率和预设里程综合油耗，输入重量预测模型进行整车重量预测，以获得研发车辆的预测整车重量；利用多元线性回归分析方法，建立了包括车辆体积、发动机功率和油耗等参数在内的重量预测模型，考虑了发动机功率和油耗对车辆经济性的影响，提高了重量预测模型的精度和可靠性，在研发阶段即可对车辆的整车重量进行快速准确地进行预测，保证了整车重量预测的准确性和可靠性，从而能够有效指导车辆的研发设计工作。
[0072]
在一实施例中，步骤s10中，即基于多种上市车辆的整车级数据，确定影响车辆重量的多个关键变量参数，具体包括如下步骤：
[0073]
s11：基于多种上市车辆的整车级数据，对多个变量参数与车辆重量的线性相关性进行分析，以获得各变量参数与车辆重量的相关性值。
[0074]
首先，需要确定影响车辆重量的多个变量参数，影响车辆重量的多个变量参数至少包括白车身重量、单位面积重量、车辆体积、投影面积、不同里程综合油耗和发动机功率等参数。考虑到车辆体积对车辆重量影响较大，在材料不变的情况下，车辆体积对车辆重量一般呈正相关关系；同时，车辆轻量化的核心及重要意义在于节能减排，而油耗和发动机功率为影响车辆经济性的重要因素，与车辆轻量化的核心要义-节能减排对应，因此，本实施例中，需要将车辆体积、不同里程综合油耗和发动机功率作为重点关注的变量参数，分析不同车辆体积、不同里程综合油耗和不同发动机功率，与车辆重量的相关性。
[0075]
在确定影响车辆重量的多个变量参数，需要基于多种上市车辆的整车级数据，对多个变量参数与车辆重量的线性相关性进行分析，以获得各变量参数与车辆重量的相关性值。
[0076]
其中，需要根据上市车辆的整车级数据，确定上市车辆中与各变量参数一一对应的变量参数值，以获得多种上市车辆的变量参数值。整车级数据包括实车的整车重量(车辆重量)、整车长度、整车宽度、整车高度、整车轴距、车身离地间隙、发动机功率(包括最大发动机功率)和不同里程综合油耗(包括百公里综合油耗)等车辆参数。
[0077]
若影响车辆重量的多个变量参数为车辆体积、最大发动机功率、百公里综合油耗，当上市车辆的整车级数据包含整车体积(车辆体积)时，则直接在上市车辆的整车级数据中提取出整车体积、最大发动机功率、不同里程综合油耗这三个车辆参数，作为与变量参数对应的变量参数值；当上市车辆的整车级数据未包含整车体积时，则根据整车长度、整车宽度、整车高度、整车轴距、车身离地间隙，计算获得上市车辆的等效体积，以将等效体积作为整车体积，并在直接在上市车辆的整车级数据中提取出最大发动机功率、不同里程综合油耗，与等效体积一起，作为变量参数对应的变量参数值。其中，等效体积的计算公式如下：
[0078]
v＝[u*(l-b)+b]*w*(h-c)*10-9
；
[0079]
其中，v为等效体积，单位为m3；l为整车长度，单位为mm；w为整车宽度，单位为mm；h为整车高度，单位为mm；b为整车轴距，单位为mm；c为车身离地间隙，单位为mm；u为无量纲系数。其中，车身离地间隙一般为车辆空载时离地距离，当无法获取车身离地间隙时，可以根据实际情况，将车身离地间隙c设为0，以便后续计算。
[0080]
在确定上市车辆中与各变量参数一一对应的变量参数值，以获得多种上市车辆的变量参数值之后，基于多种上市车辆的变量参数值，对多个变量参数与车辆重量的线性相
关性进行分析，以获得各变量参数与车辆重量的相关性值。其中，对多个变量参数与车辆重量的线性相关性进行分析，遵循如下线性公式：
[0081]
m＝axi+b；
[0082]
其中，m为车辆重量，xi为自变量，即变量参数，b为常数，a为变量参数对应的特征系数。
[0083]
例如，多个变量参数包括车辆体积、最大发动机功率和百公里综合油耗，则需要根据上市车辆的整车级数据确定的上市车辆的变量参数值包括：上市车辆的车辆体积、上市车辆的最大发动机功率、上市车辆的百公里综合油耗，然后将上市车辆的各变量参数值代入上述线性公式，分别进行各变量参数与车辆重量的线性相关性进行回归分析，分别获得的线性相关性分析结果，包括线性相关性分析模型和相关性值。
[0084]
以1000款车型的的整车级数据为例，在确定1000款车型对应的车辆体积值、最大发动机功率值、百公里综合油耗值之后，基于1000款车型对应的车辆体积值、最大发动机功率值、百公里综合油耗值，对车辆体积、最大发动机功率、百公里综合油耗三个变量参数进行回归分析后，获得的相关性值分别为0.666、r2＝0.713、r2＝0.617，获得的线性相关性分析模型依次为：
[0085]
m＝170.52v+473.73；
[0086]
m＝4.27p+1030.7；
[0087]
m＝119.92q-473.73；
[0088]
其中，m为车辆重量，v为车辆体积对应的变量参数，p为最大发动机功率对应的变量参数，q为百公里综合油耗对应的变量参数。
[0089]
本实施例中，多个变量参数包括车辆体积、最大发动机功率和百公里综合油耗，车辆体积、最大发动机功率、百公里综合油耗三个变量参数的线性相关性分析模型和相关性值，仅为示例性说明，在其他实施例中，多个变量参数还包括其他变量参数，车辆体积、最大发动机功率、百公里综合油耗的线性相关性分析模型和相关性值还可以是其他，在此不再赘述。
[0090]
s12：根据各变量参数与车辆重量的相关性值，确定满足预设条件的多个变量参数。
[0091]
在获得各变量参数与车辆重量的相关性值之后，根据各变量参数与车辆重量的相关性值，确定满足预设条件的多个变量参数。其中，预设条件可以是相关性值最高的前三个变量参数；预设条件也可以是相关性值满足预设值，且满足预设参数限定的变量参数，预设参数限定可以是多个关键变量参数需包括与节能减排相关的变量参数。
[0092]
例如，以预设条件可以是相关性值最高的前三个变量参数为例，选取与研发车型相关的1000款车型，获取该1000款车型的上市车辆的整车级数据，分析车辆重量与影响车辆重量的变量参数之间的线性相关性，获得各变量参数与车辆重量之间的相关值。其中，根据实际分析可知，多个变量参数中，与车辆重量的相关性最高的三个变量参数如表1所示。
[0093]
表1
[0094][0095]
其中，表1中的m为上市车辆的实车重量(车辆重量)，r2为变量参数与车辆重量之间的相关性值。根据表1的内容可知，多个变量参数中，与车辆重量的相关性最高的前三个变量参数，依次为最大发动机功率、整车体积(以计算的等效体积表示)和百公里综合油耗。因此，将整车体积、最大发动机功率和百公里综合油耗，作为影响车辆重量的多个关键变量参数，以便建立多元线性回归模型。
[0096]
s13：将满足预设条件的多个变量参数，作为影响车辆重量的多个关键变量参数。
[0097]
在确定满足预设条件的多个变量参数之后，将满足预设条件的多个变量参数，作为影响车辆重量的多个关键变量参数。
[0098]
本实施例中，基于多种上市车辆的整车级数据，对多个变量参数与车辆重量的线性相关性进行分析，以获得各变量参数与车辆重量的相关性值，并根据各变量参数与车辆重量的相关性值，确定满足预设条件的多个变量参数，将满足预设条件的多个变量参数，作为影响车辆重量的多个关键变量参数，明确了基于多种上市车辆的整车级数据，确定影响车辆重量的多个关键变量参数的具体步骤，为多个关键变量参数的确定提供了基础。
[0099]
在一实施例中，如图3所示，步骤s40之后，即获得研发车辆的预测整车重量之后，该方法还包括如下步骤：
[0100]
s50：根据重量预测模型和研发车辆的多个竞品车型，确定多个竞品车型的轻量化率。
[0101]
由于重量预测模型可能存在一定误差，重量预测模型预测的整车重量的准确性不可能达到100％，因此，在获得研发车辆的预测整车重量之后，需要确定研发车辆的多个竞品车型，并获取多个竞品车型的整车级数据，以利用多个竞品车型的整车级数据对预测整车重量进行修正。其中，需要根据上市车辆的整车级数据，在上述多种上市车辆中确定多个竞品车型，需要注意的是，研发车辆的竞品车型需要满足：动力总成(发动机与变速箱)、配置(天窗、轮胎型号)、悬架形式等结构与研发车辆尽可能相似。
[0102]
其中，利用多个竞品车型的整车级数据对预测整车重量进行修正，需要根据重量预测模型和多个竞品车型的整车级数据，确定每一竞品车型的轻量化率，以获得多个竞品车型的轻量化率。其中，竞品车型的轻量化率通过竞品车型的实测整车重量(实际整车重量)，与重量预测模型对竞品车型的预测整车重量确定。
[0103]
竞品车型的轻量化率的计算公司如下：
[0104]kn
＝(m
实测n-m
预测n
)/m
实测n
；
[0105]
其中，kn为第n个竞品车型的轻量化率，m
预测n
为重量预测模型对第n个竞品车型的预测整车重量，m
实测n
为第n个竞品车型的实测整备重量。
[0106]
s60：根据轻量化需求和多个竞品车型的轻量化率确定目标轻量化率。
[0107]
在确定多个竞品车型的轻量化率之后，根据轻量化需求和多个竞品车型的轻量化
率确定目标轻量化率。
[0108]
例如，若轻量化需求为研发车辆的轻量化率需要保持与多个竞品车型的轻量化率的平均值相同，则目标轻量化率即为多个竞品车型的轻量化率的平均值；目标轻量化率还可以是多个竞品车型的轻量化率的中位数，在其他实施例中，目标轻量化率还可以是其他数值，只需确保目标轻量化率满足轻量化需求即可。
[0109]
s70：根据目标轻量化率对预测整车重量进行修正，以获得研发车辆的目标整车重量。
[0110]
在根据轻量化需求和多个竞品车型的轻量化率确定目标轻量化率之后，根据目标轻量化率对预测整车重量进行修正，以获得研发车辆的目标整车重量。
[0111]
其中，研发车辆的目标整车重量通过如下公式计算：
[0112]
m＝(1+k)*m
预测
；
[0113]
其中，m为目标整车重量，k为目标轻量化率，m
预测
为预测整车重量。
[0114]
当轻量化需求为保持研发车辆的轻量化率与多个竞品车型的轻量化率的平均值相同时，需要确定多个竞品车型的轻量化率的平均值μ，令目标轻量化率k＝μ时，则研发车辆的目标整车重量m＝(1+μ)*m
预测
，此时研发车辆的轻量化率为多个竞品车型的轻量化率的平均值，研发车辆的目标整车重量处于多个竞品车型重量的平均水平，研发车辆的市场竞争力一般。
[0115]
当轻量化需求为使研发车辆的轻量化率处于多个竞品车型的轻量化率的前10％时，需要确定多个竞品车型的轻量化率的平均值μ，并确定多个竞品车型的轻量化率的标准差δ，令目标轻量化率k＝μ+1.25δ时，则研发车辆的目标整车重量m＝(1+μ-1.25δ)*m
预测
，此时研发车辆的轻量化率处于多个竞品车型的轻量化率的前10％，研发车辆的目标整车重量处于多个竞品车型重量的领先水平，研发车辆的市场竞争力较佳。
[0116]
本实施例中，上述的轻量化需求、目标轻量化率仅为示例性说明，在其他实施例中，轻量化需求还可以是其他，对应的目标轻量化率还可以是其他数值，在此不再赘述。
[0117]
本实施例中，在获得研发车辆的预测整车重量之后，先根据重量预测模型和研发车辆的多个竞品车型，确定多个竞品车型的轻量化率，然后根据轻量化需求和多个竞品车型的轻量化率确定目标轻量化率，再根据目标轻量化率对预测整车重量进行修正，以获得研发车辆的目标整车重量，依据多个竞品车型和轻量化需求设定合理的目标轻量化率，从而基于准确的预测重量和合理的目标轻量化率确定准确、合理的目标整车重量，进而能够根据目标整车重量预测研发车辆的市场竞争力，并可以基于目标整车重量指导研发车辆的研发设计工作，减少了整车项目开发常规方案存在的耗时费资、延滞性的问题，从而减少了过度轻量化所导致的成本增加和资源浪费。
[0118]
在一实施例中，步骤s50中，即根据重量预测模型和研发车辆的多个竞品车型，确定多个竞品车型的轻量化率，具体包括如下步骤：
[0119]
s51：确定竞品车型的实际整车重量、等效体积、最大发动机功率和预设里程综合油耗。
[0120]
在多种上市车辆中确定研发车辆的多个竞品车型，然后根据竞品车型的整车级数据，确定竞品车型的实际整车重量、等效体积、最大发动机功率和预设里程综合油耗。其中，竞品车型的实际整车重量为竞品车型的实测整备重量；等效体积的计算过程请参照前文，
在此不再赘述。
[0121]
s52：将竞品车型的等效体积、最大发动机功率和预设里程综合油耗，输入重量预测模型进行整车重量预测，以获得竞品车型的预测整车重量。
[0122]
在确定竞品车型的等效体积、最大发动机功率和预设里程综合油耗之后，将竞品车型的等效体积、最大发动机功率和预设里程综合油耗输入重量预测模型进行整车重量预测，以获得竞品车型的预测整车重量。其中，预测整车重量的计算过程请参照前文，在此不再赘述。
[0123]
s53：根据竞品车型的实际整车重量与预测整车重量，确定竞品车型的轻量化率，以获得多个竞品车型的轻量化率。其中，轻量化率越大，则车辆的性能越差，轻量化率越小，则车辆的性能越好。
[0124]
在获得竞品车型的预测整车重量之后，根据竞品车型的实际整车重量与预测整车重量，确定竞品车型的轻量化率，以获得多个竞品车型的轻量化率。
[0125]
其中，竞品车型的轻量化率的计算公司如下：
[0126]kn
＝(m
实测n-m
预测n
)/m
实测n
；
[0127]
其中，kn为第n个竞品车型的轻量化率，m
预测n
为重量预测模型对第n个竞品车型的预测整车重量，m
实测n
为第n个竞品车型的实测整备重量。
[0128]
在多种上市车辆中，选取悬架行驶、动力总成、整备质量、尺寸等参数与研发车辆尽可能相似的上市车辆，作为研发车辆的竞品车型。
[0129]
其中，以研发车辆为a级suv为例，选取了9个竞品车型，根据9个竞品车型的整车级数据确定各竞品车型的等效体积、最大发动机功率和百公里综合油耗，然后将各竞品车型的等效体积、最大发动机功率和百公里综合油耗输入重量预测模型，获得各竞品车型的预测整车重量m
预测
，然后根据竞品车型的预测整车重量与实测整备重量m
实测
，确定竞品车型的轻量化率，从而获得9个竞品车型对应的轻量化率。
[0130]
其中，如表2示出了，研发车辆与9个竞品车型的具体参数、等效体积、最大发动机功率和百公里综合油耗、整备重量、预测整车重量和轻量化率等数据：
[0131]
表2
[0132][0133]
其中，通过表2可知，上述研发车辆的9个竞品车型对应的轻量化率分别为：
[0134]
{k9}＝{-1.78％，-2.44％，0.95％，-0.61％，-1.00％，1.33％，-0.24％，2.64％，2.51％，3.91％。
[0135]
本实施例中，研发车辆、9个竞品车辆的相关数据仅为示例性说明，在其他实施例中，研发车辆、9个竞品车辆的相关数据还可以是其他，在此不再赘述。
[0136]
本实施例中，通过确定竞品车型的实际整车重量、等效体积、最大发动机功率和预设里程综合油耗，然后将竞品车型的等效体积、最大发动机功率和预设里程综合油耗，输入重量预测模型进行整车重量预测，以获得竞品车型的预测整车重量。然后根据竞品车型的实际整车重量与预测整车重量，确定竞品车型的轻量化率，以获得多个竞品车型的轻量化率，明确了根据重量预测模型和研发车辆的多个竞品车型，确定多个竞品车型的轻量化率的具体步骤，为后续根据竞品车型的轻量化率确定目标轻量化率提供了基础。
[0137]
在一实施例中，步骤s60中，即根据轻量化需求和多个竞品车型的轻量化率确定目标轻量化率，具体包括如下步骤：
[0138]
s61：根据多个竞品车型的轻量化率确定轻量化率正态分布曲线。
[0139]
在获得多个竞品车型的轻量化率之后，对多个竞品车型的轻量化率进行概率统计，从而获得多个竞品车型的轻量化率正态分布曲线。轻量化率正态分布曲线可以是如图4所示的正态分布曲线，图4中的横轴表示竞品车型，纵轴(未示出)则表示轻量化率，轻量化率k服从正态分布，轻量化率k越小，则车辆的性能越优。
[0140]
s62：基于产品属性领导策略对轻量化率正态分布曲线进行划分，以获得第一区间、第二区间、第三区间和第四区间。
[0141]
在确定轻量化率正态分布曲线之后，基于产品属性领导策略(product attribute leadership strategy，简称pals)，对轻量化率正态分布曲线进行划分，以获得第一区间、第二区间、第三区间和第四区间。
1.00％，-1.33％，-0.24％，2.64％，2.51％，3.91％为例，计算9个竞品车型的轻量化率k的平均值μ为-0.53％，9个竞品车型的轻量化率k的标准差δ为0.0198，则通过lacu策略实现轻量化率k区间划分可得，在lacu各定位区间的边界值如下：
[0155][0156]
当轻量化需求为：保持研发车辆的轻量化率与多个竞品车型的轻量化率的平均值相同时，则：
[0157]
目标轻量化率k＝μ＝0.53％，研发车辆的目标整车重量m＝(1+μ)*m
预测
＝1.0053*1553.7＝1561.9(单位为kg)，此时研发车辆的轻量化率为多个竞品车型的轻量化率的平均值，研发车辆的目标整车重量处于多个竞品车型重量的平均水平，研发车辆的市场竞争力一般。
[0158]
当轻量化需求为：使研发车辆的轻量化率处于多个竞品车型的轻量化率的前10％时，则：
[0159]
目标轻量化率k＝μ-1.25δ＝-1.945％，研发车辆的目标整车重量m＝(1+μ-1.25δ)*m
预测
＝1523.5，此时，研发车辆的轻量化率处于多个竞品车型的轻量化率的前10％，研发车辆的目标整车重量处于多个竞品车型重量的领先水平，研发车辆的市场竞争力较佳。
[0160]
本实施例中，根据多个竞品车型的轻量化率确定轻量化率正态分布曲线，然后基于产品属性领导策略对轻量化率正态分布曲线进行划分，以获得第一区间、第二区间、第三区间和第四区间，再在第一区间、第二区间、第三区间和第四区间中，确定满足轻量化需求的目标区间，最后在轻量化率目标区间中选取任一轻量化率，作为目标轻量化率，明确了根据轻量化需求和多个竞品车型的轻量化率确定目标轻量化率的具体过程，依据产品属性领导策略和轻量化需求确定目标轻量化率，能够获取具有市场竞争力的目标轻量化率，为后续根据目标轻量化率对研发车辆的预测整车重量进行修正提高了基础，提高了目标整车重量的准确性和可靠性。
[0161]
应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限定。
[0162]
在一实施例中，提供一种整车重量确定装置，该整车重量确定装置与上述实施例中整车重量确定方法一一对应。如图5所示，该整车重量确定装置包括第一确定模块501、拟合模块502、第二确定模块503和输入模块504。各功能模块详细说明如下：
[0163]
第一确定模块501，用于基于多种上市车辆的整车级数据，确定影响车辆重量的多个关键变量参数，多个关键变量参数包括车辆体积、最大发动机功率和预设里程综合油耗；
[0164]
拟合模块502，用于建立包含车辆体积、最大发动机功率和预设里程综合油耗的多元线性回归模型，并对多元线性回归模型进行拟合，以获得重量预测模型；
[0165]
第二确定模块503，用于确定研发车辆的车辆体积、最大发动机功率和预设里程综合油耗；
[0166]
输入模块504，用于将研发车辆的车辆体积、最大发动机功率和预设里程综合油耗，输入重量预测模型进行整车重量预测，以获得研发车辆的预测整车重量。
[0167]
进一步地，该整车重量确定装置还包括第三确定模块505，获得研发车辆的预测整车重量之后，第三确定模块505具体用于：
[0168]
根据重量预测模型和研发车辆的多个竞品车型，确定多个竞品车型的轻量化率；
[0169]
根据轻量化需求和多个竞品车型的轻量化率确定目标轻量化率；
[0170]
根据目标轻量化率对预测整车重量进行修正，以获得研发车辆的目标整车重量。
[0171]
进一步地，第三确定模块505具体还用于：
[0172]
确定竞品车型的实际整车重量、等效体积、最大发动机功率和预设里程综合油耗；
[0173]
将竞品车型的等效体积、最大发动机功率和预设里程综合油耗，输入重量预测模型进行整车重量预测，以获得竞品车型的预测整车重量；
[0174]
根据竞品车型的实际整车重量与预测整车重量，确定竞品车型的轻量化率，以获得多个竞品车型的轻量化率。
[0175]
进一步地，第三确定模块505具体还用于：
[0176]
根据多个竞品车型的轻量化率确定轻量化率正态分布曲线；
[0177]
基于产品属性领导策略对轻量化率正态分布曲线进行划分，以获得第一区间、第二区间、第三区间和第四区间；
[0178]
在第一区间、第二区间、第三区间和第四区间中，确定满足轻量化需求的目标区间；
[0179]
在轻量化率目标区间中选取任一轻量化率，作为目标轻量化率。
[0180]
进一步地，第一确定模块501具体用于：
[0181]
基于多种上市车辆的整车级数据，对多个变量参数与车辆重量的线性相关性进行分析，以获得各变量参数与车辆重量的相关性值；
[0182]
根据各变量参数与车辆重量的相关性值，确定满足预设条件的多个变量参数；
[0183]
将满足预设条件的多个变量参数，作为影响车辆重量的多个关键变量参数。
[0184]
进一步地，输入模块504具体用于通过如下公式计算目标整车重量：
[0185]
m＝(1+k)*m
预测
；
[0186]
其中，m为目标整车重量，k为目标轻量化率，m
预测
为预测整车重量。
[0187]
进一步地，重量预测模型为：
[0188]m预测
＝α1v+α2p+α3q+c；
[0189]
其中，m
预测
为预测整车重量，v为车辆体积，p为最大发动机功率，q为预设里程综合油耗，c为常数，α1为车辆体积对应的特征系数，α2为最大发动机功率对应的特征系数，α3均为预设里程综合油耗对应的特征系数。
[0190]
关于整车重量确定装置的具体限定可以参见上文中对于整车重量确定方法的限定，在此不再赘述。上述整车重量确定装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
[0191]
在一个实施例中，提供了一种整车重量确定装置，该整车重量确定装置可以是服务器。该整车重量确定装置包括通过系统总线连接的处理器、存储器、网络接口和数据库。其中，该整车重量确定装置的处理器用于提供计算和控制能力。该整车重量确定装置的存
储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该整车重量确定装置的数据库用于存储上述整车重量确定方法所用到和生成的数据。该整车重量确定装置的网络接口用于与外部设备通过网络连接通信。该计算机程序被处理器执行时以实现一种整车重量确定方法。
[0192]
在一个实施例中，如图6所示，提供了一种整车重量确定装置，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行计算机程序时实现以下步骤：
[0193]
基于多种上市车辆的整车级数据，确定影响车辆重量的多个关键变量参数，多个关键变量参数包括车辆体积、最大发动机功率和预设里程综合油耗；
[0194]
建立包含车辆体积、最大发动机功率和预设里程综合油耗的多元线性回归模型，并对多元线性回归模型进行拟合，以获得重量预测模型；
[0195]
确定研发车辆的车辆体积、最大发动机功率和预设里程综合油耗；
[0196]
将研发车辆的车辆体积、最大发动机功率和预设里程综合油耗，输入重量预测模型进行整车重量预测，以获得研发车辆的预测整车重量。
[0197]
在一个实施例中，提供了一种可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：
[0198]
基于多种上市车辆的整车级数据，确定影响车辆重量的多个关键变量参数，多个关键变量参数包括车辆体积、最大发动机功率和预设里程综合油耗；
[0199]
建立包含车辆体积、最大发动机功率和预设里程综合油耗的多元线性回归模型，并对多元线性回归模型进行拟合，以获得重量预测模型；
[0200]
确定研发车辆的车辆体积、最大发动机功率和预设里程综合油耗；
[0201]
将研发车辆的车辆体积、最大发动机功率和预设里程综合油耗，输入重量预测模型进行整车重量预测，以获得研发车辆的预测整车重量。
[0202]
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本技术所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(rom)、可编程rom(prom)、电可编程rom(eprom)、电可擦除可编程rom(eeprom)或闪存。易失性存储器可包括随机存取存储器(ram)或者外部高速缓冲存储器。作为说明而非局限，ram以多种形式可得，诸如静态ram(sram)、动态ram(dram)、同步dram(sdram)、双数据率sdram(ddrsdram)、增强型sdram(esdram)、同步链路(synchlink)dram(sldram)、存储器总线(rambus)直接ram(rdram)、直接存储器总线动态ram(drdram)、以及存储器总线动态ram(rdram)等。
[0203]
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。
[0204]
以上所述实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实
施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围，均应包含在本发明的保护范围之内。

技术特征：

1.一种整车重量确定方法，其特征在于，包括：基于多种上市车辆的整车级数据，确定影响车辆重量的多个关键变量参数，所述多个关键变量参数包括车辆体积、最大发动机功率和预设里程综合油耗；建立包含所述车辆体积、最大发动机功率和预设里程综合油耗的多元线性回归模型，并对所述多元线性回归模型进行拟合，以获得重量预测模型；确定研发车辆的车辆体积、最大发动机功率和预设里程综合油耗；将所述研发车辆的车辆体积、最大发动机功率和预设里程综合油耗，输入所述重量预测模型进行整车重量预测，以获得所述研发车辆的预测整车重量。2.如权利要求1所述的整车重量确定方法，其特征在于，所述获得所述研发车辆的预测整车重量之后，所述方法还包括：根据所述重量预测模型和所述研发车辆的多个竞品车型，确定所述多个竞品车型的轻量化率；根据轻量化需求和所述多个竞品车型的轻量化率确定目标轻量化率；根据所述目标轻量化率对所述预测整车重量进行修正，以获得所述研发车辆的目标整车重量。3.如权利要求2所述的整车重量确定方法，其特征在于，所述根据所述重量预测模型和所述研发车辆的多个竞品车型，确定所述多个竞品车型的轻量化率，包括：确定所述竞品车型的实际整车重量、等效体积、最大发动机功率和预设里程综合油耗；将所述竞品车型的等效体积、最大发动机功率和预设里程综合油耗，输入所述重量预测模型进行整车重量预测，以获得所述竞品车型的预测整车重量；根据所述竞品车型的实际整车重量与预测整车重量，确定所述竞品车型的轻量化率，以获得多个所述竞品车型的轻量化率。4.如权利要求2所述的整车重量确定方法，其特征在于，所述根据轻量化需求和所述多个竞品车型的轻量化率确定目标轻量化率，包括：根据所述多个竞品车型的轻量化率确定轻量化率正态分布曲线；基于产品属性领导策略对所述轻量化率正态分布曲线进行划分，以获得第一区间、第二区间、第三区间和第四区间；在所述第一区间、第二区间、第三区间和第四区间中，确定满足所述轻量化需求的目标区间；在所述轻量化率目标区间中选取任一轻量化率，作为所述目标轻量化率。5.如权利要求2所述的整车重量确定方法，其特征在于，所述目标整车重量通过如下公式计算：m＝(1+k)*m
预测
；其中，m为所述目标整车重量，k为所述目标轻量化率，m
预测
为所述预测整车重量。6.如权利要求1所述的整车重量确定方法，其特征在于，所述基于多种上市车辆的整车级数据，确定影响车辆重量的多个关键变量参数，包括：基于多种上市车辆的整车级数据，对多个变量参数与车辆重量的线性相关性进行分析，以获得各所述变量参数与车辆重量的相关性值；根据各所述变量参数与车辆重量的相关性值，确定满足预设条件的多个变量参数；
将所述满足预设条件的多个变量参数，作为所述影响车辆重量的多个关键变量参数。7.如权利要求1-6任一项所述的整车重量确定方法，其特征在于，所述重量预测模型为：m
预测
＝α1v+α2p+α3q+c；其中，m
预测
为所述预测整车重量，v为所述车辆体积，p为所述最大发动机功率，q为所述预设里程综合油耗，c为常数，α1为所述车辆体积对应的特征系数，α2为所述最大发动机功率对应的特征系数，α3均为所述预设里程综合油耗对应的特征系数。8.一种整车重量确定装置，其特征在于，包括：第一确定模块，用于基于多种上市车辆的整车级数据，确定影响车辆重量的多个关键变量参数，所述多个关键变量参数包括车辆体积、最大发动机功率和预设里程综合油耗；拟合模块，用于建立包含所述车辆体积、最大发动机功率和预设里程综合油耗的多元线性回归模型，并对所述多元线性回归模型进行拟合，以获得重量预测模型；第二确定模块，用于确定研发车辆的车辆体积、最大发动机功率和预设里程综合油耗；输入模块，用于将所述研发车辆的车辆体积、最大发动机功率和预设里程综合油耗，输入所述重量预测模型进行整车重量预测，以获得所述研发车辆的预测整车重量。9.一种整车重量确定装置，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至7任一项所述整车重量确定方法的步骤。10.一种可读存储介质，所述可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至7任一项所述整车重量确定方法的步骤。

技术总结

本发明公开了一种整车重量确定方法、装置及存储介质，其中，方法部分包括：基于多种上市车辆的整车级数据，确定影响车辆重量的多个关键变量参数；建立包含车辆体积、最大发动机功率和预设里程综合油耗的多元线性回归模型，并对多元线性回归模型进行拟合，以获得重量预测模型；确定研发车辆的车辆体积、最大发动机功率和预设里程综合油耗；将研发车辆的车辆体积、最大发动机功率和预设里程综合油耗，输入重量预测模型进行整车重量预测，以获得研发车辆的预测整车重量；本发明中，利用多元线性回归分析方法，建立了包括车辆体积、发动机功率和油耗等参数在内的重量预测模型，提高了重量预测模型的精度和可靠性，保证了整车重量预测的准确性和可靠性。的准确性和可靠性。的准确性和可靠性。