CN111060153B - 货车载货状态的检测方法、装置及存储介质 - Google Patents
货车载货状态的检测方法、装置及存储介质 Download PDFInfo
- Publication number
- CN111060153B CN111060153B CN201911338873.2A CN201911338873A CN111060153B CN 111060153 B CN111060153 B CN 111060153B CN 201911338873 A CN201911338873 A CN 201911338873A CN 111060153 B CN111060153 B CN 111060153B
- Authority
- CN
- China
- Prior art keywords
- parking
- truck
- state
- sample set
- cargo
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
- G01D21/00—Measuring or testing not otherwise provided for
- G01D21/02—Measuring two or more variables by means not covered by a single other subclass
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种货车载货状态的检测方法,包括:获取货车停车前预设时间内的GPS数据和停车后预设时间内的GPS数据,根据所述停车前预设时间内的GPS数据计算货车停车前的载重状态参数,将所述停车前的载重状态参数作为第一样本集,根据所述停车后预设时间内的GPS数据计算货车停车后的载重状态参数,将所述停车后的载重状态参数作为第二样本集,将所述第一样本集和所述第二样本集输入预先训练的载货状态检测模型,得到检测结果。通过上述方法,无需加装任何设备,只需利用车辆的GPS数据就可以实现货车载货状态的检测,大大节约成本。
Description
技术领域
本发明涉及智能交通技术领域,特别涉及一种货车载货状态的检测方法、装置及存储介质。
背景技术
目前物流行业信息化程度低,货找不到车、车找不到的货的现象比较严重,货车空跑现象也比较严重。因此,估计货车空跑情况、分析货车订单饱满程度,最后进行合理的货车调度具有重要的现实意义。现有技术中,大部分关于货车载货状态的判断,基本都是基于卡口数据或者基于视频数据进行识别,这种方法需要加装设备,或者是拿不到适合的卡口数据,成本比较高。
发明内容
本公开实施例提供了一种货车载货状态的检测方法、装置及存储介质。为了对披露的实施例的一些方面有一个基本的理解,下面给出了简单的概括。该概括部分不是泛泛评述,也不是要确定关键/重要组成元素或描绘这些实施例的保护范围。其唯一目的是用简单的形式呈现一些概念,以此作为后面的详细说明的序言。
在一些可选地实施例中,一种货车载货状态的检测方法,包括:
获取货车停车前预设时间内的GPS数据和停车后预设时间内的GPS数据;
根据停车前预设时间内的GPS数据计算货车停车前的载重状态参数,将停车前的载重状态参数作为第一样本集,根据停车后预设时间内的GPS数据计算货车停车后的载重状态参数,将停车后的载重状态参数作为第二样本集;
将第一样本集和第二样本集输入预先训练的载货状态检测模型,得到检测结果。
可选地,获取货车停车前预设时间内的GPS数据和停车后预设时间内的GPS数据之前,还包括:
判断货车是否停车,当确定出货车停车时,获取货车停车前预设时间内的GPS数据和停车后预设时间内的GPS数据。
可选地,判断货车是否停车,包括:
当货车的停车时间达到预设停车时间,且货车的停车点是预设停车点时,确定货车停车。
可选地,载重状态参数,包括:
货车的经度、纬度、点加速度、平均加速度、平均速度、点动能、动能变化量、油耗量、平均油耗量、周停车时长、周停车次数和停车点。
可选地,将第一样本集和第二样本集输入预先训练的载货状态检测模型进行检测之前,还包括:
训练载货状态检测模型。
可选地,训练载货状态检测模型,包括:
根据DBSCAN聚类算法对第一样本集和第二样本集进行聚类运算,得到聚类结果;
根据轮廓系数算法对聚类结果进行分析,得到最优聚类结果;
根据最优聚类结果得到载货状态检测模型。
可选地,GPS数据,包括:
车辆的经度、纬度、速度、时间、行驶方向。
在一些可选地实施例中,一种货车载货状态的检测装置,包括:
获取模块:用于获取货车停车前预设时间内的GPS数据和停车后预设时间内的GPS数据;
计算模块,用于根据停车前预设时间内的GPS数据计算货车停车前的载重状态参数,将停车前的载重状态参数作为第一样本集,根据停车后预设时间内的GPS数据计算货车停车后的载重状态参数,将停车后的载重状态参数作为第二样本集;
检测模块,用于将第一样本集和第二样本集输入预先训练的载货状态检测模型进行检测,得到检测结果。
在一些可选地实施例中,一种货车载货状态的检测***,包括处理器和存储有程序指令的存储器,其特征在于,处理器被配置为在执行程序指令时,执行上述实施例提供的货车载货状态的检测方法。
在一些可选地实施例中,一种计算机可读介质,其上存储有计算机可读指令,计算机可读指令可被处理器执行以实现上述实施例提供的货车载货状态的检测方法。
本公开实施例提供的技术方案可以包括以下有益效果:
本发明通过获取货车停车前的GPS数据以及停车后的GPS数据,并利用上述数据计算货车的载货状态参数,将上述载货状态参数输入预先训练的载货状态检测模型,得到检测结果,通过上述方法,货车不需要加装任何设备,不需要获取第三方数据,仅仅利用货车的GPS数据就可以实现载货状态的检测,大大节约成本。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性和解释性的,并不能限制本发明。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本发明的实施例,并与说明书一起用于解释本发明的原理。
图1是根据一示例性实施例示出的一种货车载货状态的检测方法的流程示意图;
图2是根据一示例性实施例示出的一种货车载货状态的检测方法的流程示意图;
图3是根据一示例性实施例示出的一种货车载货状态的检测装置的结构示意图;
图4是根据一示例性实施例示出的一种货车载货状态的检测***的结构示意图。
具体实施方式
为了能够更加详尽地了解本公开实施例的特点与技术内容,下面结合附图对本公开实施例的实现进行详细阐述,所附附图仅供参考说明之用,并非用来限定本公开实施例。在以下的技术描述中,为方便解释起见,通过多个细节以提供对所披露实施例的充分理解。然而,在没有这些细节的情况下,一个或一个以上实施例仍然可以实施。在其它情况下,为简化附图,熟知的结构和装置可以简化展示。
图1是根据一示例性实施例示出的一种货车载货状态的检测方法的流程示意图;
在一些实施例中,一种货车载货状态的检测方法包括:
步骤S101、获取货车停车前预设时间内的GPS数据和停车后预设时间内的GPS数据;
获取货车停车前预设时间内的GPS数据和停车后预设时间内的GPS数据之前,还包括:判断货车是否停车,当确定出货车停车时,获取货车停车前预设时间内的GPS数据和停车后预设时间内的GPS数据。预设时间可自行设定,在一些示例性场景中,预设时间为90分钟。
具体地,当货车的停车时间达到预设停车时间,且货车的停车点是预设停车点时,确定货车停车。其中,货车的预设停车时间是用户自行设定的,根据实际情况可知,货车在长时间停车时会发生装卸货行为,根据目前对现有的货车装卸货的停车数据分析,一般装卸货时间在120分钟左右,因此,将预设停车时长设为120分钟。预设停车点也是用户自行设定的,根据实际情况可知,当货车的停车地点为物流园或者厂房时,货车发生装卸货的可能性比较大,当货车的停车地点是服务区、加油站时,一般不会发生装卸货行为,因此预设停车点设为厂房、物流园。
因此,结合货车的GPS数据和停车点的POI信息,分析货车的停车时间和停车点,当货车的停车时间达到预设停车时间,且货车的停车点是预设停车点时,确定货车停车。
其中,货车的GPS数据包括:货车的经度信息、纬度信息、时间信息、速度信息、行驶方向信息等。
具体地,可以在车机上安装GPS定位***,实时采集车辆的经度信息、纬度信息、时间信息、速度信息、行驶方向信息。
步骤S102、根据停车前预设时间内的GPS数据计算货车停车前的载重状态参数,将停车前的载重状态参数作为第一样本集,根据停车后预设时间内的GPS数据计算货车停车后的载重状态参数,将停车后的载重状态参数作为第二样本集;
其中,货车的载货状态参数包括:货车的经度、纬度、点加速度、平均加速度、平均速度、点动能、动能变化量、油耗量、平均油耗量、周停车时长、周停车次数和停车点。
根据获取到的货车停车前的GPS数据计算停车前的载货状态参数,根据获取到的货车停车后的GPS数据计算停车后的载货状态参数。
具体地,将停车前的GPS数据按照时间顺序分成顺序时间段,在一些示例性场景中,按照3分钟为一个时间段的规则分为若干个顺序时间段,分别计算各个顺序时间段的载货状态参数。
其中,经度参数可以从货车GPS数据中提取,纬度参数也可以从货车GPS数据中提取。
油耗量为瞬时油耗量乘以一段时间内的油耗量,油耗量的计算公式为:油耗量=瞬时油耗×Δt。
停车点可由GPS数据中的经纬度信息得出。
其中,平均加速度是停车前的预设时长内的平均加速度,可根据计算出来的各个时间段的加速度得出。
平均速度是停车前的预设时长内的平均速度,可根据GPS数据中的各个时间段的速度得出。
平均油耗量是停车前的预设时长内的平均油耗量,可根据计算出来的各个时间段的油耗量得出。
周停车次数和周停车时长可由DBSCAN聚类算法得出,具体地,周停车次数包括预设范围内的周停车次数和货车的周停车次数,周停车时长包括预设范围内的周停车时长和货车的周停车时长。
以停车点为圆心,预设距离为半径,利用DBSCAN聚类算法得出在以停车点为圆心的停车范围内,每周总共发生过多少次停车,为预设范围内的周停车次数,某辆车在该预设范围内一周总共停车的次数为货车的周停车次数。
每周在该预设范围内停车的所有货车的停车时长总和为预设范围内的周停车时长,某辆车在该预设范围内的一周的总停车时长为货车的周停车时长。
将上述步骤根据停车前的GPS数据计算出来的载货状态参数作为第一样本集,通过同样的算法,将根据停车后的GPS数据计算出来的载货状态参数作为第二样本集。
通过上述方法,仅利用货车的GPS数据就可以得到货车在停车前后的载货状态参数。
步骤S103、将第一样本集和第二样本集输入预先训练的载货状态检测模型,得到检测结果。
其中,载货状态检测模型是预先训练的。
具体地,利用已知的载重货车停车前后的GPS数据作为训练模型的原始数据,已知该货车在停车时发生装卸货行为,获取该货车在停车前的预设时间内的GPS数据,获取该货车在停车后预设时间内的GPS数据,根据停车前的GPS数据计算货车的载货状态参数,作为第一样本集,根据停车后的GPS数据计算货车停车后的载货状态参数,作为第二样本集,具体计算步骤参考步骤2的方法。
得到第一样本集和第二样本集后,由于第一样本集和第二样本集中的载货状态参数属于标称形变量,对上述变量进行one-hot编码处理后进行模型训练。首先,利用DBSCAN聚类算法对第一样本集进行聚类,得到第一样本集的聚类结果,利用DBSCAN聚类算法对第二样本集进行聚类,得到第二样本集的聚类结果,将第一样本集的聚类结果和第二样本集的聚类结果输入轮廓系数模型,轮廓系数模型是聚类效果好坏的一种检查方式,轮廓系数值越大,说明聚类效果越好。通过运行轮廓系数算法,可以得到第一样本集的最优聚类结果和第二样本集的最优聚类结果。
载货状态检测模型包括第一样本集状态检测和第二样本集状态检测,其中,第一样本集状态包括0和1两种状态,0表示未载货,1表示载货,第二样本集状态也包括0和1两种状态,0表示未载货,1表示载货。
基于训练好的载货状态检测模型,将未知载货状态的货车的第一样本集和第二样本集输入该载货状态检测模型,得到检测结果。
具体地,将第一样本集输入载货状态模型,检测第一样本集的状态,将第二样本集输入载货状态检测模型,检测第二样本集的状态,根据第一样本集的状态和第二样本集的状态,可以得到检测结果。
当第一样本集的状态为0,第二样本集的状态也为0时,说明货车在停车前未载货,在停车后依然未载货,车辆现在是未载货状态。
当第一样本集的状态为0,第二样本集的状态为1时,说明货车在停车前未载货,停车后载货,在停车点发生装货行为,车辆现在是载货的状态。
当第一样本集的状态为1,第二样本集的状态为0时,说明货车在停车前载货,在停车后未载货,在停车点发生卸货行为,车辆现在是未载货状态。
当第一样本集的状态为1,第二样本集的状态为1时,说明货车在停车前载货,在停车后载货,在停车点没有发生卸货行为,车辆现在是载货状态。
通过上述方法,无需安装任何设备,也无需加载第三方数据,仅仅利用货车的GPS数据就可以实现载货状态的检测。
可选地,获取货车停车前预设时间内的GPS数据和停车后预设时间内的GPS数据之前,还包括:
判断货车是否停车,当确定出货车停车时,获取货车停车前预设时间内的GPS数据和停车后预设时间内的GPS数据。
可选地,判断货车是否停车,包括:
当货车的停车时间达到预设停车时间,且货车的停车点是预设停车点时,确定货车停车。
其中,货车的预设停车时间是用户自行设定的,根据实际情况可知,货车在长时间停车时会发生装卸货行为,根据目前对现有的货车装卸货的停车数据分析,一般装卸货时间在120分钟左右,因此,将预设停车时长设为120分钟。预设停车点也是用户自行设定的,根据实际情况可知,当货车的停车地点为物流园或者厂房时,货车发生装卸货的可能性比较大,当货车的停车地点是服务区、加油站时,一般不会发生装卸货行为,因此预设停车点设为厂房、物流园。
因此,结合货车的GPS数据和停车点的POI信息,分析货车的停车时间和停车点,当货车的停车时间达到预设停车时间,且货车的停车点是预设停车点时,确定货车停车。
通过上述方法,可以过滤掉大量不可能发生装卸货行为的停车点,减少了后续计算的计算量。
可选地,载重状态参数,包括:
货车的经度、纬度、点加速度、平均加速度、平均速度、点动能、动能变化量、油耗量、平均油耗量、周停车时长、周停车次数和停车点。
其中,经度参数可以从货车GPS数据中提取,纬度参数也可以从货车GPS数据中提取。
油耗量为瞬时油耗量乘以一段时间内的油耗量,油耗量的计算公式为:油耗量=瞬时油耗×Δt。
停车点可由GPS数据中的经纬度信息得出。
其中,平均加速度是停车前的预设时长内的平均加速度,可根据计算出来的各个时间段的加速度得出。
平均速度是停车前的预设时长内的平均速度,可根据GPS数据中的各个时间段的速度得出。
平均油耗量是停车前的预设时长内的平均油耗量,可根据计算出来的各个时间段的油耗量得出。
周停车次数和周停车时长可由DBSCAN聚类算法得出,具体地,周停车次数包括预设范围内的周停车次数和货车的周停车次数,周停车时长包括预设范围内的周停车时长和货车的周停车时长。
以停车点为圆心,预设距离为半径,利用DBSCAN聚类算法得出在以停车点为圆心的停车范围内,每周总共发生过多少次停车,为预设范围内的周停车次数,某辆车在该预设范围内一周总共停车的次数为货车的周停车次数。
每周在该预设范围内停车的所有货车的停车时长总和为预设范围内的周停车时长,某辆车在该预设范围内的一周的总停车时长为货车的周停车时长。
可选地,将第一样本集和第二样本集输入预先训练的载货状态检测模型进行检测之前,还包括:
训练载货状态检测模型。
可选地,训练载货状态检测模型,包括:
根据DBSCAN聚类算法对第一样本集和第二样本集进行聚类运算,得到聚类结果;
根据轮廓系数算法对聚类结果进行分析,得到最优聚类结果;
根据最优聚类结果得到载货状态检测模型。
其中,载货状态检测模型是预先训练的。
具体地,利用已知的载重货车停车前后的GPS数据作为训练模型的原始数据,已知该货车在停车时发生装卸货行为,获取该货车在停车前的预设时间内的GPS数据,获取该货车在停车后预设时间内的GPS数据,根据停车前的GPS数据计算货车的载货状态参数,作为第一样本集,根据停车后的GPS数据计算货车停车后的载货状态参数,作为第二样本集,具体计算步骤参考步骤2的方法。
得到第一样本集和第二样本集后,由于第一样本集和第二样本集中的载货状态参数属于标称形变量,对上述变量进行one-hot编码处理后进行模型训练。首先,利用DBSCAN聚类算法对第一样本集进行聚类,得到第一样本集的聚类结果,利用DBSCAN聚类算法对第二样本集进行聚类,得到第二样本集的聚类结果,将第一样本集的聚类结果和第二样本集的聚类结果输入轮廓系数模型,轮廓系数模型是聚类效果好坏的一种检查方式,轮廓系数值越大,说明聚类效果越好。
轮廓系数的计算过程描述:
假设我们已经通过一定算法,将待分类数据进行了聚类。得到若干组聚类结果,对于每组聚类结果中的每个向量,分别计算它们的轮廓系数。
对于其中一个向量i来说:
计算a(i)=average(i向量到所有它属于的簇中的点的平均距离),a(i)越小,说明样本i越应该被聚类到该簇;
计算b(i)=min(i向量到所有它不属于的簇中的点的平均距离),b(i)越大,说明样本i越不属于其他簇。
向量i的轮廓系数为:
所有样本的轮廓系数均值称为该聚类结果的轮廓系数,从轮廓系数公式可以看出,轮廓系数的值是介于[-1,1]。
si接近1,则说明样本i聚类合理;
si接近-1,则说明样本i更应该分类到另外的簇;
若si近似为0,则说明样本i在两个簇的边界上。
通过运行轮廓系数算法,可以得到第一样本集的最优聚类结果和第二样本集的最优聚类结果。
载货状态检测模型包括第一样本集状态检测和第二样本集状态检测,其中,第一样本集状态包括0和1两种状态,0表示未载货,1表示载货,第二样本集状态也包括0和1两种状态,0表示未载货,1表示载货。
通过上述方法,可以得到训练好的载货状态检测模型,对输入的第一样本集和第二样本集进行载货状态检测。
可选地,GPS数据,包括:
车辆的经度、纬度、速度、时间、行驶方向。
具体地,可以在车机上安装GPS定位***,实时采集车辆的经度信息、纬度信息、时间信息、速度信息、行驶方向信息。
图2是根据一示例性实施例示出的一种货车载货状态的检测方法的流程示意图。
在一些实施例中,一种货车载货状态的检测方法包括:
步骤S201、获取货车的GPS数据。
步骤S202、判断货车是否满足停车条件,当满足停车条件时,执行步骤S203,获取停车前预设时间内的GPS数据,当不满足停车条件时,执行步骤S201,继续获取货车的GPS数据。
步骤S203、获取停车前预设时间内的GPS数据。
步骤S204、获取停车后预设时间内的GPS数据。
步骤S205、根据停车前预设时间内的GPS数据计算停车前的载货状态参数,作为第一样本集。
步骤S206、根据停车后预设时间内的GPS数据计算停车后的载货状态参数,作为第二样本集。
步骤S207、将第一样本集和第二样本集输入预先训练的载货状态检测模型,得到检测结果。
图3是根据一示例性实施例示出的一种货车载货状态的检测装置的示意图。
在一些实施例中,一种货车载货状态的检测装置包括:
S301获取模块:用于获取货车停车前预设时间内的GPS数据和停车后预设时间内的GPS数据;
S302计算模块,用于根据停车前预设时间内的GPS数据计算货车停车前的载重状态参数,将停车前的载重状态参数作为第一样本集,根据停车后预设时间内的GPS数据计算货车停车后的载重状态参数,将停车后的载重状态参数作为第二样本集;
S303检测模块,用于将第一样本集和第二样本集输入预先训练的载货状态检测模型进行检测,得到检测结果。
图4是根据一示例性实施例示出的一种货车载货状态的检测***的示意图
在一些实施例中,一种货车载货状态的检测***,包括处理器41和存储有程序指令的存储器42,还可以包括通信接口43和总线44。其中,处理器41、通信接口43、存储器42可以通过总线44完成相互间的通信。通信接口43可以用于信息传输。处理器41可以调用存储器42中的逻辑指令,以执行上述实施例提供的货车载货状态的检测的方法。
此外,上述的存储器42中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。
存储器42作为一种计算机可读存储介质,可用于存储软件程序、计算机可执行程序,如本公开实施例中的方法对应的程序指令/模块。处理器41通过运行存储在存储器42中的软件程序、指令以及模块,从而执行功能应用以及数据处理,即实现上述方法实施例中的方法。
存储器42可包括存储程序区和存储数据区,其中,存储程序区可存储操作***、至少一个功能所需的应用程序;存储数据区可存储根据终端设备的使用所创建的数据等。此外,存储器42可以包括高速随机存取存储器,还可以包括非易失性存储器。
本公开实施例提供了一种计算机可读介质,其上存储有计算机可读指令,计算机可读指令可被处理器执行以实现上述实施例提供的货车载货状态的检测方法。
上述的计算机可读存储介质可以是暂态计算机可读存储介质,也可以是非暂态计算机可读存储介质。
本领域技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,可以取决于技术方案的特定应用和设计约束条件。技术人员可以对每个特定的应用来使用不同方法以实现所描述的功能,但是这种实现不应认为超出本公开实施例的范围。技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的***、装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
本文所披露的实施例中,所揭露的方法、产品(包括但不限于装置、设备等),可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,单元的划分,可以仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个***,或一些特征可以忽略,或不执行。另外,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例。另外,在本公开实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。
附图中的流程图和框图显示了根据本公开实施例的***、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分,模块、程序段或代码的一部分包含一个或一个以上用于实现规定的逻辑功能的可执行指令。在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个连续的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这可以依所涉及的功能而定。框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或动作的专用的基于硬件的***来实现,或者可以用专用硬件与计算机指令的组合来实现。
以上所述,仅为本申请较佳的具体实施方式,但本申请的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本申请揭露的技术范围内,可轻易想到的变化或替换,都应涵盖在本申请的保护范围之内。因此,本申请的保护范围应以权利要求的保护范围为准。
Claims (5)
1.一种货车载货状态的检测方法,其特征在于,包括:
判断货车是否停车,当货车的停车时间达到预设停车时间,且货车的停车点是预设停车点时,确定货车停车;
当确定出所述货车停车时,获取货车停车前预设时间内的GPS数据和停车后预设时间内的GPS数据;
根据所述停车前预设时间内的GPS数据计算货车停车前的载重状态参数,将所述停车前的载重状态参数作为第一样本集,根据所述停车后预设时间内的GPS数据计算货车停车后的载重状态参数,将所述停车后的载重状态参数作为第二样本集;
训练载货状态检测模型,包括根据DBSCAN聚类算法对第一样本集和第二样本集进行聚类运算,得到聚类结果;根据轮廓系数算法对所述聚类结果进行分析,得到最优聚类结果;根据所述最优聚类结果得到所述载货状态检测模型;
将所述第一样本集和所述第二样本集输入预先训练的载货状态检测模型,得到检测结果,载货状态检测模型包括第一样本集状态检测和第二样本集状态检测,其中,第一样本集状态包括0和1两种状态,0表示未载货,1表示载货,第二样本集状态也包括0和1两种状态,0表示未载货,1表示载货;
其中,载货状态检测模型的检测状态包括:
当第一样本集的状态为0,第二样本集的状态也为0时,说明货车在停车前未载货,在停车后依然未载货,车辆现在是未载货状态;
当第一样本集的状态为0,第二样本集的状态为1时,说明货车在停车前未载货,停车后载货,在停车点发生装货行为,车辆现在是载货的状态;
当第一样本集的状态为1,第二样本集的状态为0时,说明货车在停车前载货,在停车后未载货,在停车点发生卸货行为,车辆现在是未载货状态;
当第一样本集的状态为1,第二样本集的状态为1时,说明货车在停车前载货,在停车后载货,在停车点没有发生卸货行为,车辆现在是载货状态;
其中,所述载重状态参数,包括货车的经度、纬度、点加速度、平均加速度、平均速度、点动能、动能变化量、油耗量、平均油耗量、周停车时长、周停车次数和停车点。
2.根据权利要求1所述的方法,其特征在于,所述GPS数据,包括:
车辆的经度、纬度、速度、时间、行驶方向。
3.一种货车载货状态的检测装置,其特征在于,包括:
判断模块,用于判断货车是否停车,当货车的停车时间达到预设停车时间,且货车的停车点是预设停车点时,确定货车停车;
获取模块:用于当确定出所述货车停车时,获取货车停车前预设时间内的GPS数据和停车后预设时间内的GPS数据;
计算模块,用于根据所述停车前预设时间内的GPS数据计算货车停车前的载重状态参数,将所述停车前的载重状态参数作为第一样本集,根据所述停车后预设时间内的GPS数据计算货车停车后的载重状态参数,将所述停车后的载重状态参数作为第二样本集;
训练模块,用于训练载货状态检测模型,包括根据DBSCAN聚类算法对第一样本集和第二样本集进行聚类运算,得到聚类结果;根据轮廓系数算法对所述聚类结果进行分析,得到最优聚类结果;根据所述最优聚类结果得到所述载货状态检测模型;
检测模块,用于将所述第一样本集和所述第二样本集输入预先训练的载货状态检测模型进行检测,得到检测结果,载货状态检测模型包括第一样本集状态检测和第二样本集状态检测,其中,第一样本集状态包括0和1两种状态,0表示未载货,1表示载货,第二样本集状态也包括0和1两种状态,0表示未载货,1表示载货;
其中,载货状态检测模型的检测状态包括:
当第一样本集的状态为0,第二样本集的状态也为0时,说明货车在停车前未载货,在停车后依然未载货,车辆现在是未载货状态;
当第一样本集的状态为0,第二样本集的状态为1时,说明货车在停车前未载货,停车后载货,在停车点发生装货行为,车辆现在是载货的状态;
当第一样本集的状态为1,第二样本集的状态为0时,说明货车在停车前载货,在停车后未载货,在停车点发生卸货行为,车辆现在是未载货状态;
当第一样本集的状态为1,第二样本集的状态为1时,说明货车在停车前载货,在停车后载货,在停车点没有发生卸货行为,车辆现在是载货状态;
其中,所述载重状态参数,包括货车的经度、纬度、点加速度、平均加速度、平均速度、点动能、动能变化量、油耗量、平均油耗量、周停车时长、周停车次数和停车点。
4.一种货车载货状态的检测***,其特征在于,包括处理器和存储有程序指令的存储器,所述处理器被配置为在执行所述程序指令时,执行如权利要求1至2任一项所述的货车载货状态的检测方法。
5.一种计算机可读介质,其特征在于,其上存储有计算机可读指令,所述计算机可读指令可被处理器执行以实现如权利要求1至2任一项所述的货车载货状态的检测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911338873.2A CN111060153B (zh) | 2019-12-23 | 2019-12-23 | 货车载货状态的检测方法、装置及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911338873.2A CN111060153B (zh) | 2019-12-23 | 2019-12-23 | 货车载货状态的检测方法、装置及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111060153A CN111060153A (zh) | 2020-04-24 |
CN111060153B true CN111060153B (zh) | 2022-09-13 |
Family
ID=70300887
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911338873.2A Active CN111060153B (zh) | 2019-12-23 | 2019-12-23 | 货车载货状态的检测方法、装置及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111060153B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111723862A (zh) * | 2020-06-18 | 2020-09-29 | 广东电网有限责任公司清远供电局 | 开关柜状态评估方法和装置 |
CN112309113A (zh) * | 2020-09-22 | 2021-02-02 | 北京智科车联科技有限公司 | 车辆载重监测方法、装置、***、介质及设备 |
CN112613939A (zh) * | 2020-12-14 | 2021-04-06 | 北京优挂信息科技有限公司 | 一种车辆装卸状态的识别方法、装置、存储介质及终端 |
CN113128929A (zh) * | 2021-04-02 | 2021-07-16 | 北京知藏云道科技有限公司 | 车辆载重状态的识别方法、装置、计算机设备和介质 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103697982B (zh) * | 2013-12-17 | 2015-12-09 | 重庆大唐科技股份有限公司 | 车载称重方法、车载称重装置、车载称重***以及车辆控制*** |
CN105182867B (zh) * | 2015-08-05 | 2018-10-02 | 深圳市杰英特传感仪器有限公司 | 一种智能车载超载监控*** |
CN107680375B (zh) * | 2017-09-29 | 2020-07-17 | 深圳市易成自动驾驶技术有限公司 | 一种车辆载重计算方法、装置及存储介质 |
CN109493449B (zh) * | 2018-11-23 | 2020-05-26 | 北京航空航天大学 | 一种基于货车gps轨迹数据和高速交易数据的货车载货状态估计方法 |
CN109767023A (zh) * | 2019-01-16 | 2019-05-17 | 北京经纬恒润科技有限公司 | 一种车辆载重状态的预估方法及*** |
-
2019
- 2019-12-23 CN CN201911338873.2A patent/CN111060153B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN111060153A (zh) | 2020-04-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111060153B (zh) | 货车载货状态的检测方法、装置及存储介质 | |
CN111179589B (zh) | 车辆od预测的方法、装置、设备及存储介质 | |
US20160308887A1 (en) | In-vehicle network intrusion detection system and method for controlling the same | |
US11187753B2 (en) | System and method for determining a status of a vehicle battery | |
CN111784984B (zh) | 一种分布式预警***、方法及装置 | |
CN105814583A (zh) | 用于监测部件运行的方法 | |
CN114261397B (zh) | 商用车载重状态的估计方法、设备和存储介质 | |
JP2019519041A (ja) | 逆走ドライバを検出するための方法、装置、およびシステム | |
CN110160615B (zh) | 车载称重方法、装置及*** | |
RU2709357C2 (ru) | Алгоритмы сжатия для передачи сообщений по шине транспортного средства с данными предварительного представления | |
CN113284337B (zh) | 基于车辆轨迹多维数据的od矩阵计算方法及装置 | |
CN117818625A (zh) | 车辆动力***能耗预测方法及相关装置 | |
CN117392855A (zh) | 基于卫星定位数据的车辆超限超载概率识别方法及*** | |
US11541776B2 (en) | Parameterization of an electric vehicle's energy consumption | |
CN109945880A (zh) | 路径规划方法、相关设备及可读存储介质 | |
CN105719359B (zh) | 车辆信息的获取方法和装置 | |
CN116521374A (zh) | 一种数据处理方法、设备、车辆及计算机程序产品 | |
CN114676175B (zh) | 一种道路颠簸点检测方法、装置、设备及介质 | |
CN113900861A (zh) | 传感器数据的修复方法、装置、设备及存储介质 | |
CN114485826A (zh) | 一种车辆里程油耗数据确定方法及装置 | |
CN110161544B (zh) | 一种车辆驾驶状态的识别方法、装置及存储介质 | |
CN113128929A (zh) | 车辆载重状态的识别方法、装置、计算机设备和介质 | |
CN111469785B (zh) | 一种数据处理方法、装置及电子设备和存储介质 | |
CN115620508A (zh) | 用于预测交通信息的设备及其方法 | |
CN113327078B (zh) | 基于lstm算法的货车装卸车停靠类型判断方法、***及介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |