CN111210181B - 一种货物流向管控方法及*** - Google Patents

Abstract

本发明提供一种货物流向管控方法及***，方法包括：S1：获取货物运输车辆的起始位置信息和车载重量；S2：在货物车辆运输过程中实时获取所述货物运输车辆的车载重量和位置信息，并与获取的所述货物运输车辆正在执行的订单的订单信息的货物重量、位置信息进行比对，得到比对结果；S3：根据比对结果发出提醒。通过实时监测车辆位置和重量信息并与订单信息进行比对，对丢货情况实时立即提醒，为企业提供精准化管理；全流程自动化管控，自动生成订单、跟踪订单、记录订单完成情况，减少人为干预，大大减少人工成本。

Description

一种货物流向管控方法及***

技术领域

本发明涉及水泥运输技术领域，尤其涉及一种货物流向管控方法及***。

背景技术

基于水泥本身的货值，水泥若长途运输便会运费高于货值的现象，完全丧失产品竞争力，所以一般水泥运输半径陆地运输为200km、水路运输为500km。基于水泥对区域的强烈依赖性，一般水泥公司将根据销售区域不同而划分不同的价格，因此水泥的实际流向区域变的尤其重要，成为各大水泥生产厂商的关注焦点。

随着水泥的快速增长，水泥供求矛盾不断加剧，特别是在区域价、特殊价水泥的销售区域，水泥的流向监控是重要的市场监管工作，通常的管理手段是靠建立人工路签单或单靠GPS轨迹查看的模式，但这两种模式都存在效率低、效果差、人工成本高的特点，因此用先进的物联网技术实现水泥流向的自动化监控，具有重大的实用价值。

目前国内水泥流向管控的现状。第一，水泥配送运输流向监管难度大，缺少对货物实时状态的有效监督，在用的GPS轨迹监控方案存在不方便、不稳定、效率低的特点，较高的设备故障率验证影响了车辆的运输效率；第二，企业流向管控的管理成本较高，人力投入过多，监管效率较低，仅建设并维持人工路签点一项每年就需要数千万的资金开销。

除了水泥以外，其他货物的运输的监管也存在类似的问题。

发明内容

本发明为了解决现有技术中货物运输的问题，提供一种货物流向管控方法及***。

为了解决上述问题，本发明采用的技术方案如下所述：

一种货物流向管控方法，包括如下步骤：S1：获取货物运输车辆的起始位置信息和车载重量；S2：在货物车辆运输过程中实时获取所述货物运输车辆的车载重量和位置信息，并与获取的所述货物运输车辆正在执行的订单的订单信息的货物重量、位置信息进行比对，得到比对结果；S3：根据比对结果发出提醒。

优选地，还包括：S4：根据实时获取的所述车载重量和所述位置信息生成任务信息报表。

优选地，所述任务信息报表中包括所有获取的所述车载重量和所述位置信息；或，所述车载重量发生变化时刻对应的时间、对应的所述车载重量和对应的所述位置信息；所述订单信息包括：起始位置信息、终点位置信息、装卸货位置信息以及各个位置对应的货物重量信息。

优选地，实时获取所述货物运输车辆的车载重量的方法包括如下步骤：S21：采集标定数据：至少采集15次所述运输车辆的地磅重量并得到地磅重量构成的向量Y_i(i∈1,...,N)；同时依次获取所述运输车辆的车桥部位安装的应变计的数值及传感器数值构成的矩阵X_i,j(i∈1,2,3,...,N；j∈1,2,3,...,M)，其中N是称重次数，M是所述应变计的数量；S22：利用多元线性回归建立所述应变计的数值与所述地磅重量的映射关系；S23：基于缓冲时间内所述运输车辆的车载重量的差分、方差和斜率构成特征向量；S24：将所述特征向量输入到随机森林分类器中识别出所述运输车辆的运行状态；S25：依据所述运输车辆的运行状态，实时输出车辆重量。

优选地，利用多元线性回归求解超定方程Y＝k*X中系数k的值建立所述应变计的数值与所述地磅重量的映射关系。

优选地，通过随机森林分类器识别出所述运输车辆的运行状态包括如下步骤：S241：所述差分包括：高差分、低差分；所述方差包括：大方差、小方差；所述斜率包括：正斜率、负斜率、水平；所述运输车辆的运行状态包括：车辆跑动、车辆静止、车辆上货和车辆卸货；采集所述运输车辆的运行状态数据构建训练数据集，如下所示：

D＝{(x₁,y₁),(x₂,y₂),…,(x_N,y_N)}

其中，N为训练数据大小，每个运行状态均取至少1000个数据，第i∈[1,N]个数据

代表的分别是差分、方差、斜率取值，类别y_i∈{1,2,3,4}中的取值，数值分别代表车辆跑动、车辆静止、车辆上货和车辆卸货四个状态；模型特征集A＝{'差分','方差','斜率'}；从所述训练集D中随机且有放回地抽取M个训练样本，其中M<N；S242：所述训练样本作为决策树的训练集，得到K个决策树分类器，K为大于1的自然数；S243：从所述模型特征及A中的三个特征子集中随机抽取两个特征子集，每次树***时，从所述两个特征子集中选择最优的；S244：每个决策树会给所述训练样本数据一个车辆的运行状态，所述随机森林分类器输出出现次数最多的所述运行状态。

优选地，依据所述运输车辆的运行状态，实时输出车辆重量包括：当车辆跑动时，所述车辆重量为所述车辆跑动前一时刻的重量；当所述车辆静止时，所述车辆重量为所述车辆静止前一时刻的重量；当所述车辆上货和车辆卸货时，所述车辆重量实时输出。

本发明还提供一种货物流向管控***，包括：位置获取单元，用于获取运输车辆的位置信息；车辆称重单元，用于实时获取所述运输车辆的车载重量；车载监控单元，用于接收所述运输车辆的位置信息和实时获取的所述车载重量并与获取的订单信息进行匹配，得到匹配结果；提醒单元，用于根据所述匹配结果发出提醒。

优选地，还包括：任务信息报表生成单元，根据实时获取的所述车载重量和所述位置信息生成任务信息报表；所述任务信息报表中包括所有获取的所述车载重量和所述位置信息；或，所述车载重量发生变化时刻对应的时间、对应的所述车载重量和对应的所述位置信息；所述订单信息包括：起始位置信息、终点位置信息、装卸货位置信息以及各个位置对应的货物重量信息。

优选地，所述位置获取单元是GPS设备；或，GPS设备与电子围栏。

本发明的有益效果为：提供一种水泥流向管控方法及***，通过实时监测车辆位置和重量信息并与订单信息进行比对，对丢货情况实时立即提醒，为企业提供精准化管理；全流程自动化管控，自动生成订单、跟踪订单、记录订单完成情况，减少人为干预，大大减少人工成本。

附图说明

图1是本发明实施例中一种货物流向管控方法的示意图。

图2是本发明实施例中又一种货物流向管控方法的示意图。

图3是本发明实施例中车辆的示意图。

图4是本发明实施例中实时获取所述货物运输车辆的车载重量的方法的示意图。

图5是本发明实施例中通过随机森林分类器识别出所述运输车辆的运行状态的方法示意图。

图6是本发明实施例中一种货物流向管控***的示意图。

图7是本发明实施例中又一种货物流向管控***的示意图。

图8是本发明实施例中***自动判定任务是否完成的业务逻辑流程图。

图9是本发明实施例中水泥流向管控流程的示意图。

其中，1-车头，2-车厢，3-前车桥，4-后车桥，5、5A、5B-应变计。

具体实施方式

为了使本发明实施例所要解决的技术问题、技术方案及有益效果更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

需要说明的是，当元件被称为“固定于”或“设置于”另一个元件，它可以直接在另一个元件上或者间接在该另一个元件上。当一个元件被称为是“连接于”另一个元件，它可以是直接连接到另一个元件或间接连接至该另一个元件上。另外，连接既可以是用于固定作用也可以是用于电路连通作用。

需要理解的是，术语“长度”、“宽度”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明实施例和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。

此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多该特征。在本发明实施例的描述中，“多个”的含义是两个或两个以上，除非另有明确具体的限定。

相关术语解释

车载称重：是指一种利用物体对车辆本身特性产生的变化，通过复杂模型***，将该变化映射到物体重量上的一种称重方法。

货物流向检测：是指通过技术手段检测货物实际被运输销售的区域。基于特殊货物(水泥等)本身的货值，货物若长途运输便会运费高于货值的现象，完全丧失产品竞争力，所以一般运输半径陆地运输为200km、水路运输为500km。基于货物对区域的强烈依赖性，一般货物公司将根据销售区域不同而划分不同的价格，因此货物的实际流向区域变的尤其重要，成为各大货物生产厂商的关注焦点。

决策树模型：决策树是机器学习中一种分类的方法，目前其生成算法有ID3,C4.5和C5.0等版本。决策树首先是一种树形结构，其中每个内部节点表示一个属性上的判断，每个分支代表一个判断结果的输出，最后每个叶节点代表一种分类结果。决策树是一种十分常用的监督学习分类方法，监管学习分训练和测试两个过程，训练过程已知样本类别，每个样本都有一组属性和一个分类类别，通过学习训练样本得到决策树参数，训练得到的决策树参数能够正确分出测试样本的类别。

随机森林模型：是指一种利用多棵决策树对样本进行训练并预测的分类方法。在使用决策树的基础上，随机森林对决策树作了改进，普通决策树会在节点上所有的样本特征中选择一个最优的特征来做决策树的左右划分，但随机森林是通过随机选择节点上的部分特征，其小于最大节点数，然后在随机选择出来的样本特征中，选择一个最优的特征来做决策树左右子树的划分，以此增强模型的泛化能力。

如图1所示，一种货物流向管控方法，包括如下步骤：

S1：获取货物运输车辆的起始位置信息和车载重量；

S2：在货物车辆运输过程中实时获取所述货物运输车辆的车载重量和位置信息，并与获取的所述货物运输车辆正在执行的订单的订单信息的货物重量、位置信息进行比对，得到比对结果；

S3：根据比对结果发出提醒。

如图2所示，本发明还提供一种货物流向管控方法，还包括：

S4：根据实时获取的所述车载重量和所述位置信息生成任务信息报表。

任务信息报表中包括所有获取的所述车载重量和所述位置信息；或，所述车载重量发生变化时刻对应的时间、对应的所述车载重量和对应的所述位置信息；所述订单信息包括：起始位置信息、终点位置信息、装卸货位置信息以及各个位置对应的货物重量信息。

可以理解的是，货物车辆接收一个订单然后开始执行订单的运输任务，在货物运输过程中实时获取车载重量和位置信息，同时与执行订单的订单信息实时进行匹配，如果出现于订单信息不符的情况，比如在不该卸货的地点进行卸货就会发出提醒。

在本发明的一种实施例中，货物车辆可直接对接销售订单***。订单***也可以获知执行订单任务的车辆，后续与执行订单任务的车辆的位置和车载比对。

如图3所示，车头1后面连接车厢2，两个应变计5装在前车桥3的正上方，两个应变计5A装在后车桥4的正上方，两个应变计5B装在后车桥4的后侧方。

在本发明的一种实施例中，应变计可以在前、后车桥对称地安装偶数数量，可以多于6个；通过应变计将车桥形变大小转化为应变计模拟信号值，作为模型输入的特征值。在前、后车桥部分，对称地安装偶数个数的应变计可以均匀地获取到由货物带给车厢的受力，避免受力不均衡带来的形变扑捉丢失的情况，造成精度的丧失。同时，可以采用现有技术中的位置获取单元比如GPS实时获取车辆位置，可以理解的是，通过实时获取车辆位置和车辆载重，可以明确知道在某一具体的时刻、货物车辆的位置和载重量，比如订单是从A地-B地运输CKG的货物，则起始地点为A，起始车载为C，从A到B的过程中实时监控货物车辆的车载和位置，不但可以保证足量的货物从A到B，防止货物遗失；而且可以保证在A到B的路程中不会有换货掉包等行为。

车载称重全程检测车载重量，根据安装的应变计传感器感应车桥形变大小，利用多元线性回归建立传感器数值与重量的映射关系，采用实时原始重量的差分、方差和斜率提取特征向量，然后将特征向量输入到随机森林分类器中，分类器精确识别车辆的每一次装、卸货起止时间、重量变化过程，并将装、卸货信息实时传输到货物流向监控平台。

如图4所示，实时获取所述货物运输车辆的车载重量的方法包括如下步骤：

S21：采集标定数据：至少采集15次所述运输车辆的地磅重量并得到地磅重量构成的向量Y_i(i∈1,...,N)；同时依次获取所述运输车辆的车桥部位安装的应变计的数值及传感器数值构成的矩阵X_i,j(i∈1,2,3,...,N；j∈1,2,3,...,M)，其中N是称重次数，M是所述应变计的数量；

可以理解的是，采集至少15次的不同的重量货物的地磅重量。

S22：利用多元线性回归建立所述应变计的数值与所述地磅重量的映射关系；

S23：基于缓冲时间内所述运输车辆的车载重量的差分、方差和斜率构成特征向量；

S24：将所述特征向量输入到随机森林分类器中识别出所述运输车辆的运行状态；

S25：依据所述运输车辆的运行状态，实时输出车辆重量。

在本发明的一种实施例中，利用多元线性回归求解超定方程Y＝k*X中系数k的值建立所述应变计的数值与所述地磅重量的映射关系。本发明通过大量标定数据对比，相对于高次、非线性函数关系，一次函数表现出来的拟合能力、泛化能力都很优秀，因此选择一次函数。

缓冲t∈[30,60]秒应变计数据X，根据求解得到的系数k，利用多元线性模型实时拟合应变计数值，得到原始重量输出。将车辆状态划分为车辆跑动、车辆静止、车辆上货和车辆卸货四个状态，通过数据观察车辆在不同状态时，重量差分、方差、斜率表现出差异化，因此将缓冲时间内车辆重量的差分、方差、斜率三个因素构成特征向量。

将得到的特征向量，输入到多分类随机森林分类器中，将车辆运行状态分类为：车辆跑动、车辆静止、车辆上货和车辆卸货四个状态。

随机森林模型是指一种利用多棵决策树对样本进行训练并预测的分类方法，下述先给出决策树的构造。

如图5所示，通过随机森林分类器识别出所述运输车辆的运行状态包括如下步骤：

S241：所述差分包括：高差分、低差分；所述方差包括：大方差、小方差；所述斜率包括：正斜率、负斜率、水平；所述运输车辆的运行状态包括：车辆跑动、车辆静止、车辆上货和车辆卸货；采集所述运输车辆的运行状态数据构建训练数据集，如下所示：

D＝{(x₁,y₁),(x₂,y₂),…,(x_N,y_N)}

其中，N为训练数据大小，每个运行状态均取至少1000个数据，第i∈[1,N]个数据

代表的分别是差分、方差、斜率取值，类别y_i∈{1,2,3,4}中的取值，数值分别代表车辆跑动、车辆静止、车辆上货和车辆卸货四个状态；模型特征集A＝{'差分','方差','斜率'}；

从所述训练集D中随机且有放回地抽取M个训练样本，其中M<N；

在本发明的一种实施例中，N＝4000，K＝50。

S242：所述训练样本作为决策树的训练集，得到K个决策树分类器，K为大于1的自然数；

S243：从所述模型特征及A中的三个特征子集中随机抽取两个特征子集，每次树***时，从所述两个特征子集中选择最优的；

S244：每个决策树会给所述训练样本数据一个车辆的运行状态，所述随机森林分类器输出出现次数最多的所述运行状态。

具体的，

1)若

则置为单节点树T，并将D中实例数最大的类C_k作为该节点的类，返回T；

2)计算A中各特征对D的信息增益比，选择信息增益比最大的特征A_g；

3)对A_g的每一个可能值a_i，依A_g＝a_i将D分割为子集若干非空D_i，将D_i中实数最大的类作为标记，构建子结点，由结点及其子结点构成树T，返回T；

4)对结点i，以D_i为训练集，以A-A_g为特征值，递归调用上述步骤(1)(2)，得到子树T_i，返回T_i。

依据所述运输车辆的运行状态，实时输出车辆重量包括：

当车辆跑动时，所述车辆重量为所述车辆跑动前一时刻的重量；可以理解为在车辆跑动过程中车辆重量不变。

当所述车辆静止时，所述车辆重量为所述车辆静止前一时刻的重量；可以理解为在车辆静止时，车辆重量保持不变。

当所述车辆上货和车辆卸货时，所述车辆重量实时输出。

基于本发明的方法实时监控车辆重量变化同时将数据返回给货物流向监控平台，结合车载设备GPS传回的位置信息，实时监控货物车辆，若与订单信息不符合立即发送提醒信息。

本发明使用精确识别车辆位置和行驶轨迹，解决车在哪里的问题；最重要的是，安装载重应变计精确识别车辆每一次装货和卸货时间和重量大小，紧紧抓住了货物流向的核心问题，在哪里装的货装了多少、在哪里卸的货卸了多少；最后与订单信息对接数据，对比订单***中货物订单量、目的地位置和实际车辆的装、卸货物的重量、位置信息，清晰明确掌握货物流向的目的地区域位置和重量大小，为客户提供最有价值的数据；货物流向的全程监控极大实现自动化、智能化处理，几乎不需要人为干预，大大减低人为管理成本，为企业创造利润空间。

本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-OnlyMemory)、随机存取存储器(RAM，Random Access Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是，所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括电载波信号和电信信号。

如图6所示，本发明还提供一种货物流向管控***，包括：

位置获取单元，用于获取运输车辆的位置信息；

车辆称重单元，用于实时获取所述运输车辆的车载重量；

车载监控单元，用于接收所述运输车辆的位置信息和实时获取的所述车载重量并与获取的订单信息进行匹配，得到匹配结果；

提醒单元，用于根据所述匹配结果发出提醒。

如图7所示的货物流向管控***，还包括：

任务信息报表生成单元，根据实时获取的所述车载重量和所述位置信息生成任务信息报表；

所述任务信息报表中包括所有获取的所述车载重量和所述位置信息；或，所述车载重量发生变化时刻对应的时间、对应的所述车载重量和对应的所述位置信息；所述订单信息包括：起始位置信息、终点位置信息、装卸货位置信息以及各个位置对应的货物重量信息。

在本发明的一种实施例中，位置获取单元是GPS设备；或，GPS设备与电子围栏。使用电子围栏将出货场位置标记出来，结合车载GPS位置，当感知指定车辆抵达出货场，开始全面监控货物车辆。使用电子围栏将目的地位置标记出来，结合车载GPS位置，感应车辆到达卸货区域；

如图8所示，本发明的***还可以根据车载称重、GPS监控给出重量和位置信息，对照订单信息，自动判定任务是否完成，并生成任务信息报表为人工复审提供详细日志信息。

本实施例中使用高精度GPS设备、结合电子围栏精确识别车辆位置和行驶轨迹；安装应变计，应变计感应车桥形变，利用重量的差分、方差提取形变特征向量，通过随机森林精确识别车辆的每一次装、卸货过程，主要起止时间、重量大小变化；最后与任务***对接数据，对比订单***中货物订单量、目的地位置和实际车辆的装、卸货的重量、卸货位置信息，清晰明确掌握水泥流向的目的地区域位置和重量大小，为客户提供最有价值的数据，真正实现货物流向的智能精细化管控。

如图9所示，是一种货物运输管控的流程图。首先，采取货物车辆一周车辆数据，以每秒采集一次应变计数据的频率，共产生7*24*60*60＝604800条数据。将采集数据随机划分，50％划分为训练数据，50％划分为测试数据。表1给出随机森林在测试数据上的分类效果：

表1 分类混淆矩阵表

根据混淆矩阵数据，下面计算多分类模型的Kappa系数，

多分类随机森林模型的Kappa系数为0.993，表明其分类结果与真实结果几乎一致，因此多分类随机森林模型能高精度地识别车辆运行状态。

订单记录接入流向监控平台后，***后台启动监听，基于设备上传的重量、坐标信息，实时判断订单卸货状态；车辆卸货结束后，流向监控平台调取订单客户的围栏记录，判断订单是否违流。下面表2给出流向管控平台正式上线，运行前六个月的违流订单***误判情况，

表2 流行管控平台***误判统计表

从上表可见，流向管控平台上线初期，订单误判较高，随着对业务有更深入了解，并对算法进行调优，订单误判率大大降低。

下面表3统计的数据是，剔除***误判订单水泥厂商实际产生违流的订单情况，

表3 实际产生违流统计表

从上表可见，流向管控平台上线后，触及经销商利益，前期经销商出现恶意违流情况，随着对经销商违流情况的查处，订单的违流率也急剧下降。流向管控平台对于货物订单提供了便捷、有效的监测手段，打击了经销商串货(违流)行为，维护了厂商的经济利益。

以上内容是结合具体的优选实施方式对本发明所做的进一步详细说明，不能认定本发明的具体实施只局限于这些说明。对于本发明所属技术领域的技术人员来说，在不脱离本发明构思的前提下，还可以做出若干等同替代或明显变型，而且性能或用途相同，都应当视为属于本发明的保护范围。

Claims (9)

1.一种货物流向管控方法，其特征在于，包括如下步骤：

S1：获取货物运输车辆的起始位置信息和车载重量；

S2：在货物车辆运输过程中实时获取所述货物运输车辆的车载重量和位置信息，并与获取的所述货物运输车辆正在执行的订单的订单信息的货物重量、位置信息进行比对，得到比对结果；实时获取所述货物运输车辆的车载重量的方法包括如下步骤：

S21：采集标定数据：至少采集15次所述运输车辆的地磅重量并得到地磅重量构成的向量Y_i(i∈1,...,N)；同时依次获取所述运输车辆的车桥部位安装的应变计的数值及传感器数值构成的矩阵X_i,j(i∈1,2,3,...,N；j∈1,2,3,...,M)，其中N是称重次数，M是所述应变计的数量；

S22：利用多元线性回归建立所述应变计的数值与所述地磅重量的映射关系；

S23：基于缓冲时间内所述运输车辆的车载重量的差分、方差和斜率构成特征向量；

S24：将所述特征向量输入到随机森林分类器中识别出所述运输车辆的运行状态；

S25：依据所述运输车辆的运行状态，实时输出车辆重量；

S3：根据比对结果发出提醒。

2.如权利要求1所述的货物流向管控方法，其特征在于，还包括：

S4：根据实时获取的所述车载重量和所述位置信息生成任务信息报表。

3.如权利要求2所述的货物流向管控方法，其特征在于，所述任务信息报表中包括所有获取的所述车载重量和所述位置信息；或，所述车载重量发生变化时刻对应的时间、对应的所述车载重量和对应的所述位置信息；所述订单信息包括：起始位置信息、终点位置信息、装卸货位置信息以及各个位置对应的货物重量信息。

4.如权利要求1所述的货物流向管控方法，其特征在于，利用多元线性回归求解超定方程Y＝k*X中系数k的值建立所述应变计的数值与所述地磅重量的映射关系。

5.如权利要求4所述的货物流向管控方法，其特征在于，通过随机森林分类器识别出所述运输车辆的运行状态包括如下步骤：

S241：所述差分包括：高差分、低差分；所述方差包括：大方差、小方差；所述斜率包括：正斜率、负斜率、水平；所述运输车辆的运行状态包括：车辆跑动、车辆静止、车辆上货和车辆卸货；采集所述运输车辆的运行状态数据构建训练数据集，如下所示：

D＝{(x₁,y₁),(x₂,y₂),…,(x_N,y_N)}

其中，N为训练数据大小，每个运行状态均取至少1000个数据，第i∈[1,N]个数据

代表的分别是差分、方差、斜率取值，类别y_i∈{1,2,3,4}中的取值，数值分别代表车辆跑动、车辆静止、车辆上货和车辆卸货四个状态；模型特征集A＝{'差分','方差','斜率'}；

从所述训练数据集D中随机且有放回地抽取M个训练样本，其中M＜N；

S242：所述训练样本作为决策树的训练集，得到K个决策树分类器，K为大于1的自然数；

S243：从所述模型特征及A中的三个特征子集中随机抽取两个特征子集，每次树***时，从所述两个特征子集中选择最优的；

S244：每个决策树会给所述训练样本数据一个车辆的运行状态，所述随机森林分类器输出出现次数最多的所述运行状态。

6.如权利要求5所述的货物流向管控方法，其特征在于，依据所述运输车辆的运行状态，实时输出车辆重量包括：

当车辆跑动时，所述车辆重量为所述车辆跑动前一时刻的重量；

当所述车辆静止时，所述车辆重量为所述车辆静止前一时刻的重量；

当所述车辆上货和车辆卸货时，所述车辆重量实时输出。

7.一种货物流向管控***，其特征在于，包括：

位置获取单元，用于获取运输车辆的位置信息；

车辆称重单元，用于实时获取所述运输车辆的车载重量；

车载监控单元，用于接收所述运输车辆的位置信息和实时获取的所述车载重量并与获取的订单信息进行匹配，得到匹配结果；实时获取所述货物运输车辆的车载重量的方法包括如下步骤：

S21：采集标定数据：至少采集15次所述运输车辆的地磅重量并得到地磅重量构成的向量Y_i(i∈1,...,N)；同时依次获取所述运输车辆的车桥部位安装的应变计的数值及传感器数值构成的矩阵X_i,j(i∈1,2,3,...,N；j∈1,2,3,...,M)，其中N是称重次数，M是所述应变计的数量；

S22：利用多元线性回归建立所述应变计的数值与所述地磅重量的映射关系；

S23：基于缓冲时间内所述运输车辆的车载重量的差分、方差和斜率构成特征向量；

S24：将所述特征向量输入到随机森林分类器中识别出所述运输车辆的运行状态；

S25：依据所述运输车辆的运行状态，实时输出车辆重量；

提醒单元，用于根据所述匹配结果发出提醒。

8.如权利要求7所述的货物流向管控***，其特征在于，还包括：

任务信息报表生成单元，根据实时获取的所述车载重量和所述位置信息生成任务信息报表；

所述任务信息报表中包括所有获取的所述车载重量和所述位置信息；或，所述车载重量发生变化时刻对应的时间、对应的所述车载重量和对应的所述位置信息；所述订单信息包括：起始位置信息、终点位置信息、装卸货位置信息以及各个位置对应的货物重量信息。

9.如权利要求7或8任一所述的货物流向管控***，其特征在于，所述位置获取单元是GPS设备；或，GPS设备与电子围栏。

Images