利用数字行车记录仪数据的物理引导货车载重状态估计

卡车载重为何与每个人息息相关

每天都有成千上万辆重型卡车运输维持现代生活所需的物资——从食品和药品到建筑材料。然而，令人惊讶的是，其中相当一部分卡车几乎或完全为空驶，浪费燃料、加速道路损耗，并在不运送货物的情况下增加拥堵和空气污染。本研究展示了如何将已为安全目的收集的卡车数据重新利用，以近实时判断车辆是载货还是空驶，从而开发新工具以提高货运效率、减少排放并更好地管理道路基础设施。

卡车“黑匣子”中的隐蔽线索

在韩国，超过一定规模的卡车必须安装称为数字行车记录仪的设备，该设备持续记录诸如速度、加速度、发动机转速和 GPS 位置等基本驾驶信息。与昂贵的定制传感器或路侧称重系统不同，这些装置已在全国范围内安装并在真实环境中每天运行。研究人员提出了一个简单但有力的问题：仅使用这些标准信号，是否能在不增加任何新硬件的情况下可靠识别卡车是在运输货物还是空驶？

用基础物理解读卡车行为

团队的做法基于一个直观的物理观点：重载卡车比轻载卡车更难加速。为使这一原理可规模化应用，他们将行车记录仪数据与道路地图和高程信息结合。从原始信号中推断出卡车使用的档位、行驶速度以及是上坡还是平路，然后聚焦于司机实际加速的时刻。通过比较已知载货和空驶行程的加速模式——以货运单据作为真实标签——他们证实在相当的速度、档位和坡度条件下，载货卡车的加速度明显较弱。

教会谨慎的机器做出判断

研究人员没有依赖简单的经验法则，而是训练了一种贝叶斯神经网络，这是一类不仅给出预测结果还表达置信度的机器学习模型。该模型利用三个关键要素——速度、推断出的档位以及短时九秒加速期间的平均加速度——来将每一段行驶分类为载货或空驶。在单条记录上，它大约能正确识别四分之三的载重状态。当模型只看短时加速片段时，总体准确率上升到约85%，在高速公路上驾驶更稳定时准确率超过90%。通过合并连续若干段，它在此案例研究中达到了几近完美的准确度，同时对不确定的情况发出警示而不是强行给出结论。

从数据流到更好的道路与更清洁的空气

由于数字行车记录仪在韩国已是重型卡车的强制配置，该方法可以扩展以提供卡车何时何地运输货物与空驶的实时图景，且无需安装新传感器。这些信息可帮助物流公司将空载车辆与附近货源匹配，减少无效行程；为规划者提供更清晰的视角，识别重载对路面和桥梁的应力点；并支持对长期超载行为的更智能执法。尽管当前研究集中在单一公司的一种25吨卡车上，该框架可以针对其他车队重新训练，将常规的安全数据转化为推动更清洁、更高效、更耐用货运系统的实用工具。

引用: 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

关键词: 货运卡车, 数字行车记录仪, 运输数据, 机器学习, 物流效率