一种基于轨迹数据的货车运行状态识别方法技术

本发明专利技术公开了一种基于轨迹数据的货车状态识别方法，涉及货车管理技术领域。该方法将货车状态分为停留和运行，搭建神经网络模型，选取速度、距离、时间阈值作为特征变量，提出了一种基于海量轨迹数据的货车状态分类算法，通过数据可视化可找到每辆物流货车的的行驶轨迹和起止点等信息，该方法可以应用于不同时间、空间的货车运行状态识别中，网络模型搭建过程方便简单、方法真实可靠，具有良好的操作性、通用性和可重用性。

A method of freight train running state recognition based on track data

【技术实现步骤摘要】
一种基于轨迹数据的货车运行状态识别方法
本专利技术涉及货车管理
，具体而言，涉及一种基于轨迹数据的货车运行状态识别方法。
技术介绍
目前对货车运行状态识别的方法主要有规则判断法和机器学习方法。规则判断法中，常以时间、距离和速度作为规则判断的依据，其中速度判断方式通常是设定一个速度阈值，连续一段时间内速度维持在该阈值以下即为停留，而时间、距离判断方式则通过停留时间、GPS数据间隔时间、相邻点之间的距离等区分车辆运行状态。机器学习方法主要利用聚类算法对轨迹数据进行分类，现有轨迹聚类方法包括k-均值聚类、基于网格的密度聚类和核函数方法聚类算法，一般包含三个步骤：(1)将轨迹分割成段；(2)从每个段(或点)提取特征；(3)建立模型，进行轨迹点聚类。然后基于货车出行时空轨迹数据的聚类分段，根据货车运输的特点利用时间、速度、距离等变量识别货车运行状态。现有技术方案中，规则判断法变量简单因而判断结果不够精确，机器学习方法判断更加精确，但是主要应用于货车OD点(起讫点)判断中，对于货车运输途中停留点的识别仍存在较大模糊性。
技术实现思路
本专利技术在于提供一种基于轨迹数据的货车运行状态识别方法，其能够缓解上述问题。为了缓解上述的问题，本专利技术采取的技术方案如下：本专利技术提供了一种基于轨迹数据的货车运行状态识别方法，包括以下步骤：S1、获取货车在一段时间内的若干GPS轨迹数据作为大样本，所述GPS轨迹数据包括货车运行途中的时间和所在经纬度；S2、从大样本中随机抽取少量GPS轨迹数据作为小样本；S3、设定货车运行速度阈值为Vmax，货车运行速度为V，其中V通过货车运行途中的时间和所在经纬度计算得出，将小样本中所有的V小于Vmax的货车所在经纬度均记为疑似停留点，并一起形成疑似停留点数据集合，将小样本中所有的V大于或等于Vmax的货车所在经纬度均记为行驶点，并均标记为1；S4、设定距离阈值dmax和时间阈值tmax，通过dmax和tmax判断所述疑似停留点数据集合中的各疑似停留点，从中识别出停留点和行驶点，其中停留点标记为0，行驶点标记为1；S5、利用识别出的停留点和行驶点构造训练集，利用神经网络算法对训练集进行训练，并得到神经网络模型；S6、利用神经网络模型对大样本中除小样本外的其它GPS轨迹数据进行识别，输出包含停留点和行驶点的分类表，完成货车运行状态识别。本技术方案的技术效果是：选取GPS数据中的速度、时间、距离作为特征变量，从货运共享平台即可获取，数据容易获取且准确可靠；基于特征变量进行货车停留点识别，构造停留点训练集，方法准确可靠，操作过程较为简单；基于海量轨迹数据构造货车运行状态识别方法具有较好的通用性与可重用性，满足不同时间、空间，不同车辆的运行状态识别需要。可选地，所述步骤S4具体包括：S41、选择所述疑似停留点数据集合的第一个疑似停留点作为计算起点，记为S1，并将其标记为0；S42、将疑似停留点数据集合内的其它疑似停留点记为Si，i＝2,3,4,...；通过货车运行途中的时间和所在经纬度计算Si与Si-1之间的距离di-1,i，如果di-1,i小于dmax，则将Si标记为0，否则将Si记为行驶点，并标记为1；S43、逐一计算各标记为0的疑似停留点的停车起始时间tstart和结束时间tend，如果其中某疑似停留点的tstart和tend之间的差值小于tmax，则去掉该疑似停留点的标记0，该疑似停留点不再使用，否则保留该疑似停留点，并记为停留点。本技术方案的技术效果是：能够挑选出货车运行速度较慢，运行距离较短且运行时间较长的轨迹点作为货车停留点，满足货车在实际情况下处于停留状态的特征，从而完成货车运行状态分类，操作方法简单、高效。可选地，所述步骤S43中去掉标记0的疑似停留点记为货车短暂停留点。本技术方案的技术效果是：筛选出货车运行速度较慢，运行距离较远但运行时间较短的轨迹点作为短暂停留点，满足货车在实际情况下处于短暂停留状态的特征，进一步细分货车运行状态。具体地，所述步骤S3中，货车运行速度V的计算方法具体为：1)根据货车GPS轨迹数据中的时间字段计算相邻两记录点的时间间隔Δt，计算公式为：Δt＝ti-ti-1，其中，i＝1,2,3...；2)根据货车GPS轨迹数据中的经纬度字段，计算相邻两记录点的距离Δd，计算公式为Haversine公式：其中R＝6371KM为地球半径；φ1,φ2表示两记录点的纬度；Δλ表示两记录点经度的差值；3)根据公式V＝Δd/Δt计算货车运行速度V。可选地，所述步骤S5中，通过Python工具训练所述神经网络模型。具体地，所述步骤S6中，根据训练好的神经网络模型，利用python工具读取GPS轨迹数据。进一步地，所述分类表中还包括对货车运行状态的详细备注。为使本专利技术的上述目的、特征和优点能更明显易懂，下文特举本专利技术实施例，并配合所附附图，作详细说明如下。附图说明为了更清楚地说明本专利技术实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本专利技术的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。图1是实施例中所述基于轨迹数据的货车运行状态识别方法的流程示意图；图2是实施例中疑似停留点的判别示意图；图3是实施例中停留点的识别示意图；图4是实施例中单层神经网络模型示意图。具体实施方式为使本专利技术实施例的目的、技术方案和优点更加清楚，下面将结合本专利技术实施例中的附图，对本专利技术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专利技术一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本专利技术实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本专利技术的实施例的详细描述并非旨在限制要求保护的本专利技术的范围，而是仅仅表示本专利技术的选定实施例。基于本专利技术中的实施例，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，都属于本专利技术保护的范围。实施例1请参照图1，本实施例提供了一种基于轨迹数据的货车运行状态识别方法，包括以下步骤：S1、获取货车在一段时间内的若干GPS轨迹数据作为大样本，所述GPS轨迹数据包括货车运行途中的时间和所在经纬度；S2、从大样本中随机抽取少量GPS轨迹数据作为小样本；S3、设定货车运行速度阈值为Vmax，货车运行速度为V，其中V通过货车运行途中的时间和所在经纬度计算得出，将小样本中所有的V小于Vmax的货车所在经纬度均记为疑似停留点，并一起形成疑似停留点数据集合，将小样本中所有的V大于或等于Vmax的货车所在经纬度均记为行驶点，并均标记为1；S4、设定距离阈值dmax和时间阈值tma本文档来自技高网...

【技术保护点】
1.一种基于轨迹数据的货车运行状态识别方法，其特征在于，包括以下步骤：/nS1、获取货车在一段时间内的若干GPS轨迹数据作为大样本，所述GPS轨迹数据包括货车运行途中的时间和所在经纬度；/nS2、从大样本中随机抽取少量GPS轨迹数据作为小样本；/nS3、设定货车运行速度阈值为V

【技术特征摘要】
1.一种基于轨迹数据的货车运行状态识别方法，其特征在于，包括以下步骤：
S1、获取货车在一段时间内的若干GPS轨迹数据作为大样本，所述GPS轨迹数据包括货车运行途中的时间和所在经纬度；
S2、从大样本中随机抽取少量GPS轨迹数据作为小样本；
S3、设定货车运行速度阈值为Vmax，货车运行速度为V，其中V通过货车运行途中的时间和所在经纬度计算得出，将小样本中所有的V小于Vmax的货车所在经纬度均记为疑似停留点，并一起形成疑似停留点数据集合，将小样本中所有的V大于或等于Vmax的货车所在经纬度均记为行驶点，并均标记为1；
S4、设定距离阈值dmax和时间阈值tmax，通过dmax和tmax判断所述疑似停留点数据集合中的各疑似停留点，从中识别出停留点和行驶点，其中停留点标记为0，行驶点标记为1；
S5、利用识别出的停留点和行驶点构造训练集，利用神经网络算法对训练集进行训练，并得到神经网络模型；
S6、利用神经网络模型对大样本中除小样本外的其它GPS轨迹数据进行识别，输出包含停留点和行驶点的分类表，完成货车运行状态识别。


2.根据权利要求1所述基于轨迹数据的货车运行状态识别方法，其特征在于，所述步骤S4具体包括：
S41、选择所述疑似停留点数据集合的第一个疑似停留点作为计算起点，记为S1，并将其标记为0；
S42、将疑似停留点数据集合内的其它疑似停留点记为Si，i＝2,3,4,...；通过货车运行途中的时间和所在经纬度计算Si与Si-1之间的距离di-1,i，如果di-1,i小于dmax，则将Si标记为0，否则将Si记为行驶点，...

【专利技术属性】
技术研发人员：甘蜜，邓余玲，钱秋君，王嘉伟，田昀翊，张文畅，
申请(专利权)人：西南交通大学，
类型：发明
国别省市：四川;51