Оценка загрузки грузовых автомобилей, основанная на физических принципах, с использованием данных цифрового тахографа

Почему загрузка грузовиков важна для всех

Каждый день тысячи тяжёлых грузовиков перевозят товары, которые поддерживают современную жизнь — от продуктов и лекарств до стройматериалов. При этом значительная доля таких автомобилей ездит практически пустыми, зря тратя топливо, разрушая дороги и усугубляя заторы и загрязнение воздуха, не перевозя при этом никакого груза. В этом исследовании показано, как данные, уже собираемые с грузовиков в целях безопасности, можно повторно использовать для определения в почти реальном времени, загружен ли автомобиль или едет пустым, создавая новые инструменты для повышения эффективности перевозок, снижения выбросов и улучшения управления дорожной инфраструктурой.

Скрытые подсказки в «чёрных ящиках» грузовиков

В Корее грузовики определённого класса обязаны иметь устройство, называемое цифровым тахографом, которое непрерывно записывает базовую информацию о движении — скорость, ускорение, обороты двигателя и GPS-координаты. В отличие от дорогостоящих специализированных датчиков или стационарных весовых комплексов, эти блоки уже установлены по всей стране и работают ежедневно в реальных условиях. Исследователи поставили простой, но мощный вопрос: можно ли, используя только эти стандартные сигналы, надежно определить, везёт ли грузовик груз или едет пустым, без установки дополнительного оборудования?

Использование базовой физики для интерпретации поведения грузовика

Команда опиралась на простую физическую идею: тяжёлому грузовику сложнее придать ускорение, чем лёгкому. Чтобы сделать это правило пригодным для масштабного применения, они совместили данные тахографа с картами дорог и информацией о рельефе. По сырым сигналам они выводили используемую передачу, скорость движения и уклон дороги, затем сосредотачивались на моментах, когда водитель действительно ускорялся. Сравнивая шаблоны ускорения в поездках, известным образом загруженных и пустых — используя сопроводительные документы на груз как эталон — они подтвердили, что в сопоставимых условиях скорости, передачи и уклона загруженные грузовики демонстрируют заметно более слабое ускорение.

Обучение осторожной машины принимать решения

Вместо простых эвристик исследователи обучили байесовскую нейронную сеть — тип модели машинного обучения, которая не только предсказывает результат, но и оценивает свою уверенность. Модель использовала три ключевых параметра — скорость, выведенную передачу и среднее ускорение за короткие девятисекундные отрезки — чтобы классифицировать каждый сегмент движения как загруженный или пустой. По отдельным записям модель правильно определяла статус загрузки примерно в трёх четвертях случаев. При анализе коротких периодов ускорения точность выросла примерно до 85% в целом и превысила 90% на автомагистралях, где вождение более равномерное. Объединяя несколько последовательных сегментов, модель в этом исследовании достигала почти идеальной точности, при этом помечая сомнительные случаи вместо принудительного угадывания.

От потоков данных к лучшим дорогам и чище воздуху

Поскольку цифровые тахографы уже обязательны для тяжёлых грузовиков в Корее, этот метод можно масштабировать для получения оперативной картины того, где и когда грузовики перевозят грузы, а где ездят пустыми, без установки новых датчиков. Такая информация может помочь логистическим компаниям сопоставлять пустые машины с ближайшими грузами, сокращая пустые рейсы; дать планировщикам более ясное представление о том, где тяжёлые нагрузки изнашивают покрытие дорог и мосты; и поддержать более точное пресечение систематического перегруза. Хотя текущее исследование было сосредоточено на одном типе 25-тонного грузовика одной компании, эта методика может быть дообучена для других парков, превращая рутинные данные безопасности в практический инструмент для более чистой, эффективной и долговечной системы грузоперевозок.

Цитирование: Tak, J., Hong, J. & Park, D. Physics-guided estimation of freight vehicle loading status using digital tachograph data. Sci Rep 16, 12633 (2026). https://doi.org/10.1038/s41598-026-42232-5

Ключевые слова: грузовые автомобили, цифровой тахограф, транспортные данные, машинное обучение, эффективность логистики