1.基于大数据的新能源汽车超载检测分析方法，其特征在于：所述方法包括以下步骤：采集端采集汽车的静态、动态称重数据值；

采集静态称重数据值时，摄录端摄录汽车外观、车标以及汽车车牌，处理端通过数据库对比汽车外观、车标，识别汽车车型，并依据汽车车型确认汽车的超重阈值；

通过静态称重数据值与超重阈值对比后选择将汽车车牌划入超载/未超载分区；

采集动态称重数据值时，摄录端摄录汽车外观、车标、汽车车牌以及行驶速度，识别汽车车型，并依据汽车车型确认汽车的超重阈值；

采集端基于动态检测模型计算得到车辆第一动态称重数据值；

处理端将第一动态称重数据值与超重阈值进行对比将汽车车牌划入超载/未超载分区；

所述采集端基于动态检测模型采集汽车的第一动态称重数据，计算公式为：式中，d(t)是幅值为单位1的输入信号，其反映称重台在汽车通过时的一个冲击，w(t)表示称重台面上下的位移，m表示汽车真实载荷，M表示称重台面质量，k为称重传感系统结构的弹性系数，c为系统阻尼次数；

所述采集端采集汽车的第二动态称重数据步骤为：

摄录端采集车辆外观确定车辆型号，并获取该型号车辆的满载重量；

冲击力d0(t)通过车辆的满载重量与行驶速度计算公式为：d0(t)＝VG

式中，V表示车辆行驶速度，G表示车辆的满载重量，获取冲击力d0(t)后，将冲击力d0(t)代入动态检测模型计算获取汽车的第二动态称重数据；

汽车行驶进入地磅称重台，采集端通过动态检测模型计算第一动态称重数据，然后通过摄录端采集车辆外观确定车辆型号，并依据数据库得到该型号车辆的满载重量，重新计算冲击力后，再次通过动态检测模型计算第二动态称重数据；

所述处理端通过第一动态称重数据值、第二动态称重数据值以及超重阈值进行对比将汽车车牌划入超载/未超载分区的步骤为：第一动态称重数据值、第二动态称重数据值的相差50‑60kg，以第一动态称重数据值为对比值，第二动态称重数据值为参照值；

第一动态称重数据值、第二动态称重数据值相差小于50kg，第一动态称重数据值>第二动态称重数据值，以第一动态称重数据值为参照值，第一动态称重数据值<第二动态称重数据值，以第二动态称重数据值为参照值，第一动态称重数据值＝第二动态称重数据值，则第一动态称重数据值为参照值；

将参照值与超重阈值进行对比，参照值≤超重阈值，汽车车牌划入未超载分区，参照值>超重阈值，汽车车牌划入超载分区；

所述处理端通过静态数据值与超重阈值对比，选择将汽车车牌划入超载/未超载分区的步骤为：静态数据值≤超重阈值，汽车车牌划入未超载分区，静态数据值>超重阈值，汽车车牌划入超载分区。

2.根据权利要求1所述的基于大数据的新能源汽车超载检测分析方法，其特征在于：所述摄录端基于深度学习算法识别采集图像，所述深度学习算法包括卷积神经网络，卷积神经网络利用空间关系减少需要学习的参数数目，图像的局部感受区域作为层级结构的最低层的输入，信息再依次传输到不同的层，每层通过一个数字滤波器去获得观测数据的最显著的特征。

3.根据权利要求2所述的基于大数据的新能源汽车超载检测分析方法，其特征在于：所述深度学习算法的处理逻辑为：设一个系统L，有n层(L1......Ln)；

输入是I，输出是O，过程表示为：I＝>L1＝>L2＝>......＝>Ln＝>O，输出O等于输入I，输入I经过这个系统L变化之后没有信息损失，输入I经过每一层Li没有信息损失。

4.根据权利要求2所述的基于大数据的新能源汽车超载检测分析方法，其特征在于：所述卷积神经网络的处理逻辑为：输入图像通过三个滤波器及一个可加偏置进行卷积，卷积后在C1层产生三个特征映射图；

特征映射图中相邻四个像素为一组再进行相加求平均值，再进行加权值、加偏置；

通过激活函数得到三个S2层的特征映射图，映射图再经过相应滤波得到C3层，C3层再和S2一样产生S4；

像素值被栅格化，连接成一个一维向量输入到传统的神经网络中，得到输出。