CN113506065A - 配送轨迹修正方法及装置 - Google Patents
配送轨迹修正方法及装置 Download PDFInfo
- Publication number
- CN113506065A CN113506065A CN202110838688.0A CN202110838688A CN113506065A CN 113506065 A CN113506065 A CN 113506065A CN 202110838688 A CN202110838688 A CN 202110838688A CN 113506065 A CN113506065 A CN 113506065A
- Authority
- CN
- China
- Prior art keywords
- corrected
- track information
- distribution
- information
- characteristic data
- 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.)
- Granted
Links
- 238000012937 correction Methods 0.000 title claims abstract description 87
- 238000000034 method Methods 0.000 title claims abstract description 54
- 238000005070 sampling Methods 0.000 claims abstract description 111
- 238000012545 processing Methods 0.000 claims abstract description 75
- 230000006835 compression Effects 0.000 claims abstract description 51
- 238000007906 compression Methods 0.000 claims abstract description 51
- 238000007781 pre-processing Methods 0.000 claims abstract description 28
- 238000012549 training Methods 0.000 claims description 61
- 238000012795 verification Methods 0.000 claims description 22
- 230000009467 reduction Effects 0.000 claims description 19
- 230000011218 segmentation Effects 0.000 claims description 19
- 238000004891 communication Methods 0.000 claims description 15
- 230000015654 memory Effects 0.000 claims description 14
- 238000000605 extraction Methods 0.000 claims description 5
- 230000008859 change Effects 0.000 description 9
- 230000008569 process Effects 0.000 description 9
- 238000001914 filtration Methods 0.000 description 6
- 230000002159 abnormal effect Effects 0.000 description 4
- 230000003321 amplification Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000003199 nucleic acid amplification method Methods 0.000 description 4
- 230000001133 acceleration Effects 0.000 description 3
- 230000008901 benefit Effects 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000005065 mining Methods 0.000 description 3
- 230000002123 temporal effect Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000004590 computer program Methods 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 239000002245 particle Substances 0.000 description 2
- 230000003416 augmentation Effects 0.000 description 1
- 238000013475 authorization Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000011022 operating instruction Methods 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 238000005728 strengthening Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/08—Logistics, e.g. warehousing, loading or distribution; Inventory or stock management
- G06Q10/083—Shipping
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S19/00—Satellite radio beacon positioning systems; Determining position, velocity or attitude using signals transmitted by such systems
- G01S19/38—Determining a navigation solution using signals transmitted by a satellite radio beacon positioning system
- G01S19/39—Determining a navigation solution using signals transmitted by a satellite radio beacon positioning system the satellite radio beacon positioning system transmitting time-stamped messages, e.g. GPS [Global Positioning System], GLONASS [Global Orbiting Navigation Satellite System] or GALILEO
- G01S19/40—Correcting position, velocity or attitude
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S19/00—Satellite radio beacon positioning systems; Determining position, velocity or attitude using signals transmitted by such systems
- G01S19/38—Determining a navigation solution using signals transmitted by a satellite radio beacon positioning system
- G01S19/39—Determining a navigation solution using signals transmitted by a satellite radio beacon positioning system the satellite radio beacon positioning system transmitting time-stamped messages, e.g. GPS [Global Positioning System], GLONASS [Global Orbiting Navigation Satellite System] or GALILEO
- G01S19/42—Determining position
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/29—Geographical information databases
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/088—Non-supervised learning, e.g. competitive learning
Landscapes
- Engineering & Computer Science (AREA)
- Remote Sensing (AREA)
- Physics & Mathematics (AREA)
- Radar, Positioning & Navigation (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Economics (AREA)
- Databases & Information Systems (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Operations Research (AREA)
- Artificial Intelligence (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Development Economics (AREA)
- Quality & Reliability (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Entrepreneurship & Innovation (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Machines For Laying And Maintaining Railways (AREA)
Abstract
本发明实施例公开了一种配送轨迹修正方法及装置，方法包括：获取配送设备上传的多个轨迹采样点的信息，得到待修正的配送轨迹信息；对待修正的配送轨迹信息进行预处理，提取多个轨迹采样点的特征数据，组合得到待修正的配送轨迹信息的特征数据；将待修正的配送轨迹信息的特征数据进行编码压缩，以去除突发特征数据；对编码压缩后的待修正的配送轨迹信息的特征数据进行升维处理，还原至待修正的配送轨迹信息的初始维度；计算待修正的配送轨迹信息的特征数据中多个轨迹采样点的特征相似度，根据特征相似度进行加权处理，强化放大转折特征数据，以修正转折特征数据；对待修正的配送轨迹信息的特征数据进行解码还原，得到修正后的配送轨迹信息。
Description
技术领域
本发明实施例涉及数据分析技术领域，具体涉及一种配送轨迹修正方法及装置。
背景技术
配送设备在进行配送过程中，产生对应的配送轨迹。通过对配送轨迹进行分析，可以从中得到不同轨迹区域的特性，可以方便地利用区域特性，在配送时对配送资源进行调度优化，减轻配送设备的配送压力，提升配送效率。
配送轨迹的准确性影响到对配送轨迹最终分析的结果。现有收集配送轨迹的方式如获取GPS定位等，由于GPS定位存在噪音、采样误差、采集数据在传输过程中丢失等问题，使得配送轨迹中存在偏差和干扰信息，导致对配送轨迹的分析不准确等问题，急需对配送轨迹中进行修正，以尽可能还原准确的配送轨迹。
发明内容
鉴于上述问题，提出了本发明实施例以便提供一种克服上述问题或者至少部分地解决上述问题的配送轨迹修正方法及装置。
根据本发明实施例的一个方面，提供了一种配送轨迹修正方法，方法包括：
获取配送设备上传的多个轨迹采样点的信息，得到待修正的配送轨迹信息；待修正的配送轨迹信息包括第一定位轨迹信息及第二定位轨迹信息；第一定位轨迹信息包括GPS定位信息；第二定位轨迹信息包括配送设备的传感器信息；
对待修正的配送轨迹信息进行预处理，提取多个轨迹采样点的特征数据，根据多个轨迹采样点的前后顺序，将提取的特征数据依次组合得到待修正的配送轨迹信息的特征数据；轨迹采样点的特征数据包含同一轨迹采样点的第一定位轨迹信息得到的时域特征数据和第二定位轨迹信息得到的频域特征数据的组合；
将待修正的配送轨迹信息的特征数据进行编码压缩，以去除突发特征数据；
对编码压缩后的待修正的配送轨迹信息的特征数据进行升维处理，还原至待修正的配送轨迹信息的初始维度；计算待修正的配送轨迹信息的特征数据中多个轨迹采样点的特征相似度，根据特征相似度进行加权处理，强化放大转折特征数据，以修正转折特征数据；
对待修正的配送轨迹信息的特征数据进行解码还原，得到修正后的配送轨迹信息。
可选地，对待修正的配送轨迹信息进行预处理，提取多个轨迹采样点的特征数据，根据多个轨迹采样点的前后顺序，将提取的特征数据依次组合得到待修正的配送轨迹信息的特征数据进一步包括：
对待修正的配送轨迹信息的特征数据进行差值化处理，去除标记性信息；标记性信息包括绝对地域标记性信息和/或绝对时间标记性信息。
可选地，获取配送设备上传的多个轨迹采样点的信息，得到待修正的配送轨迹信息进一步包括：
获取配送对象上传的多个轨迹采样点的信息，得到历史配送轨迹信息；
根据历史配送轨迹信息，划分得到目标区域的待修正的配送轨迹信息。
可选地，在对待修正的配送轨迹信息进行预处理，提取多个轨迹采样点的特征数据，根据多个轨迹采样点的前后顺序，将提取的特征数据依次组合得到待修正的配送轨迹信息的特征数据之后，方法还包括：
对待修正的配送轨迹信息的特征数据进行轨迹切分处理和/或滑动窗口切分处理。
可选地，方法还包括：训练得到修正模型；修正模型至少包括编码压缩模型；
将待修正的配送轨迹信息的特征数据进行编码压缩，以去除突发特征数据进一步包括：
将待修正的配送轨迹信息的特征数据输入至编码压缩模型，得到编码压缩模型对特征数据的提取频域高分量处理后输出的去除突发特征的待修正的配送轨迹信息的特征数据；
修正模型还包括还原模型、强化模型和解码模型；
对编码压缩后的待修正的配送轨迹信息的特征数据进行升维处理，还原至待修正的配送轨迹信息的初始维度；计算待修正的配送轨迹信息的特征数据中多个轨迹采样点的特征相似度，根据特征相似度进行加权处理，强化放大转折特征数据，以修正转折特征数据；对待修正的配送轨迹信息的特征数据进行解码还原，得到修正后的配送轨迹信息进一步包括：
将编码压缩后的待修正的配送轨迹信息的特征数据输入至还原模型，得到还原模型输出的升维处理后的待修正的配送轨迹信息的特征数据；
将升维处理后的待修正的配送轨迹信息的特征数据输入至强化模型，得到强化模型输出的修正转折特征数据后的待修正的配送轨迹信息的特征数据；
将修正转折特征数据后的待修正的配送轨迹信息的特征数据输入至解码模型，得到解码模型输出的修正后的配送轨迹信息。
可选地，修正模型为无监督模型；
训练得到修正模型进一步包括：
获取包含历史配送轨迹信息的训练样本和验证样本；
对训练样本和验证样本进行预处理，得到处理后的训练样本的特征数据及验证样本的特征数据；
将训练样本的特征数据输入至待训练的修正模型中进行训练，直至满足无监督训练条件；无监督训练条件包括训练至修正结果相同情况下编码压缩对应的最低维度；
利用验证样本的特征数据对训练得到的修正模型进行验证。
根据本发明实施例的另一方面，提供了一种配送轨迹修正装置，其包括：
获取模块，适于获取配送设备上传的多个轨迹采样点的信息，得到待修正的配送轨迹信息；待修正的配送轨迹信息包括第一定位轨迹信息及第二定位轨迹信息；第一定位轨迹信息包括GPS定位信息；第二定位轨迹信息包括配送设备的传感器信息；
预处理模块，适于对待修正的配送轨迹信息进行预处理，提取多个轨迹采样点的特征数据，根据多个轨迹采样点的前后顺序，将提取的特征数据依次组合得到待修正的配送轨迹信息的特征数据；轨迹采样点的特征数据包含同一轨迹采样点的第一定位轨迹信息得到的时域特征数据和第二定位轨迹信息得到的频域特征数据的组合；
编码压缩模块，适于将待修正的配送轨迹信息的特征数据进行编码压缩，以去除突发特征数据；
升维修正模块，适于对编码压缩后的待修正的配送轨迹信息的特征数据进行升维处理，还原至待修正的配送轨迹信息的初始维度；计算待修正的配送轨迹信息的特征数据中多个轨迹采样点的特征相似度，根据特征相似度进行加权处理，强化放大转折特征数据，以修正转折特征数据；
解码还原模块，适于对待修正的配送轨迹信息的特征数据进行解码还原，得到修正后的配送轨迹信息。
可选地，预处理模块进一步适于：
对待修正的配送轨迹信息的特征数据进行差值化处理，去除标记性信息；标记性信息包括绝对地域标记性信息和/或绝对时间标记性信息。
可选地，获取模块进一步适于：
获取配送对象上传的多个轨迹采样点的信息，得到历史配送轨迹信息；
根据历史配送轨迹信息，划分得到目标区域的待修正的配送轨迹信息。
可选地，装置还包括：
切分模块，适于对待修正的配送轨迹信息的特征数据进行轨迹切分处理和/或滑动窗口切分处理。
可选地，装置还包括：
训练模块，适于训练得到修正模型；修正模型至少包括编码压缩模型；
编码压缩模块进一步适于：
将待修正的配送轨迹信息的特征数据输入至编码压缩模型，得到编码压缩模型对特征数据的提取频域高分量处理后输出的去除突发特征的待修正的配送轨迹信息的特征数据；
修正模型还包括还原模型、强化模型和解码模型；
升维修正模块进一步适于：
将编码压缩后的待修正的配送轨迹信息的特征数据输入至还原模型，得到还原模型输出的升维处理后的待修正的配送轨迹信息的特征数据；
将升维处理后的待修正的配送轨迹信息的特征数据输入至强化模型，得到强化模型输出的修正转折特征数据后的待修正的配送轨迹信息的特征数据；
解码还原模块进一步适于：
将修正转折特征数据后的待修正的配送轨迹信息的特征数据输入至解码模型，得到解码模型输出的修正后的配送轨迹信息。
可选地，修正模型为无监督模型；
训练模块进一步适于：
获取包含历史配送轨迹信息的训练样本和验证样本；
对训练样本和验证样本进行预处理，得到处理后的训练样本的特征数据及验证样本的特征数据；
将训练样本的特征数据输入至待训练的修正模型中进行训练，直至满足无监督训练条件；无监督训练条件包括训练至修正结果相同情况下编码压缩对应的最低维度；
利用验证样本的特征数据对训练得到的修正模型进行验证。
根据本发明实施例的又一方面，提供了一种计算设备，包括：处理器、存储器、通信接口和通信总线，所述处理器、所述存储器和所述通信接口通过所述通信总线完成相互间的通信；
所述存储器用于存放至少一可执行指令，所述可执行指令使所述处理器执行上述配送轨迹修正方法对应的操作。
根据本发明实施例的再一方面，提供了一种计算机存储介质，所述存储介质中存储有至少一可执行指令，所述可执行指令使处理器执行如上述配送轨迹修正方法对应的操作。
根据本发明实施例的提供的配送轨迹修正方法及装置，获取包括第一定位轨迹信息及第二定位轨迹信息的待修正的配送轨迹信息，对待修正的配送轨迹信息进行预处理，提取得到对应的特征数据，特征数据包含同一轨迹采样点的第一定位轨迹信息得到的时域特征数据和第二定位轨迹信息得到的频域特征数据的组合。基于特征数据进行编码压缩，降低维度实现去除突发特征数据，完成降噪处理。再通过计算多个轨迹采样点的特征相似度，进行加权处理，强化放大转折特征数据，修正转折特征数据，避免过平滑，完成对配送轨迹的修正。
上述说明仅是本发明实施例技术方案的概述，为了能够更清楚了解本发明实施例的技术手段，而可依照说明书的内容予以实施，并且为了让本发明实施例的上述和其它目的、特征和优点能够更明显易懂，以下特举本发明实施例的具体实施方式。
附图说明
通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本发明实施例的限制。而且在整个附图中，用相同的参考符号表示相同的部件。在附图中：
图1示出了根据本发明一个实施例的配送轨迹修正方法的流程图；
图2示出了根据本发明另一个实施例的配送轨迹修正方法的流程图；
图3示出了根据本发明一个实施例的配送轨迹修正装置的结构示意图；
图4示出了根据本发明一个实施例的一种计算设备的结构示意图。
具体实施方式
下面将参照附图更详细地描述本发明的示例性实施例。虽然附图中显示了本发明的示例性实施例，然而应当理解，可以以各种形式实现本发明而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本发明，并且能够将本发明的范围完整的传达给本领域的技术人员。
图1示出了根据本发明一个实施例的配送轨迹修正方法的流程图，如图1所示，该方法包括如下步骤：
步骤101，获取配送设备上传的多个轨迹采样点的信息，得到待修正的配送轨迹信息。
本实施例中配送设备为配送资源所携带的配送设备，其中，配送资源包括但不仅限于骑手、骑手APP等，还包括如无人机、机器人、无人车等具备末端配送能力的资源。经配送资源授权许可，可以获取配送设备上传的多个轨迹采样点的信息，如按照预设时间间隔定时上传配送设备的位置信息等，得到多个轨迹采样点的信息。连接多个轨迹采样点的信息，得到待修正的配送轨迹信息。
待修正的配送轨迹信息包括第一定位轨迹信息及第二定位轨迹信息。本实施例中，第一定位轨迹信息可以采用GPS定位信息，包括如时间、经纬度、角度、速度等信息；第二定位轨迹信息可以采用配送设备的传感器信息，包括如角速度传感器、加速度传感器、磁力计等传感器采集的三个坐标轴(x、y、z)的信息。第一定位轨迹信息和第二定位轨迹信息可以从配送设备中获取，具体获取方式可以采用移动终端获取GPS定位信息、传感器信息的获取方式，经配送对象授权允许后，获取配送设备上传的GPS定位信息、传感器信息等，此处不做展开说明。
步骤102，对待修正的配送轨迹信息进行预处理，提取多个轨迹采样点的特征数据，根据多个轨迹采样点的前后顺序，将提取的特征数据依次组合得到待修正的配送轨迹信息的特征数据。
由于对上传的轨迹采样点的信息直接处理可能因轨迹采样点的信息存在不准确等问题，导致后续的修正不准确。因此，本实施例对待修正的配送轨迹信息进行预处理，对多个轨迹采样点的信息进行计算、转换等处理，提取多个轨迹采样点的特征数据。将多个轨迹采样点的特征数据进行组合，得到待修正的配送轨迹信息的特征数据。提取特征数据，可以对待修正的配送轨迹信息中无关信息进行剔除，提高后续修正处理的准确性。
具体的，对于待修正的配送轨迹信息中的任一轨迹采样点，对该轨迹采样点对应的第一定位轨迹信息和第二定位轨迹信息进行处理。提取第一定位轨迹信息得到时域特征数据，包括如时间顺序的经纬度、角度、速度等信息；对第二定位轨迹信息进行转换，将该轨迹采样点周围一定窗口的第二定位轨迹信息转换为频域特征数据，如利用STFT(短时傅里叶变换)算法转换，针对陀螺仪、磁场、加速度计等传感器采集的三个坐标轴的信息，分别选取最大分量的频率和分量绝对值的频率，得到9*2的频域特征数据，对齐不同频率的数据。每个轨迹采样点的特征数据包含同一轨迹采样点的第一定位轨迹信息得到的时域特征数据和第二定位轨迹信息得到的频域特征数据的组合。在每个轨迹采样点的特征数据既包括了时域特征数据又包括了频域特征数据。按照各个轨迹采样点的前后顺序，将各个轨迹采样点的时域特征数据和频域特征数据依次组合得到待修正的配送轨迹信息的特征数据。
步骤103，将待修正的配送轨迹信息的特征数据进行编码压缩，以去除突发特征数据。
通过编码压缩，降低待修正的配送轨迹信息的特征数据的维度，选取其中高分量的特征数据进行降维处理，保留轨迹信息中具有代表性的特征数据，去除突发特征数据，即异常特征数据。具体的，对于配送轨迹信息，通过进行编码压缩，去除如突然转弯、路线摇摆等突发特征数据，保留如直线行驶等代表性的特征数据。这些突发特征数据大多为待修正的配送轨迹信息中的噪点，通过编码压缩，保留配送轨迹中代表性的特征数据，从而实现对待修正的配送轨迹信息的去燥。
步骤S104，对编码压缩后的待修正的配送轨迹信息的特征数据进行升维处理，还原至待修正的配送轨迹信息的初始维度。
通过编码压缩实现对待修正的配送轨迹信息的去燥，在编码压缩后，待修正的配送轨迹的特征数据维度降低了，为方便后续的修正，对编码压缩后的待修正的配送轨迹信息的特征数据进行升维处理，将编码压缩后的待修正的配送轨迹信息的维度还原至待修正的配送轨迹信息的初始维度。在升维处理时，可以根据第一定位轨迹信息和第二定位轨迹信息中各信息的权重，计算损失函数，进行维度展开。如设置GPS定位信息的权重为第一权重、传感器信息中的各信息为第二权重等，第一权重大于第二权重，为GPS定位信息为主要信息进行维度展开，将特征数据还原为编码压缩前的相同维度。
步骤S105，计算待修正的配送轨迹信息的特征数据中多个轨迹采样点的特征相似度，根据特征相似度进行加权处理，强化放大转折特征数据，以修正转折特征数据。
考虑到编码压缩在降维处理时，会去除突发特征数据，配送轨迹信息中的转弯都易被去除，导致配送轨迹中正常的转弯也会被去除，最终得到的配送轨迹过于平滑，与实际配送时的行程不符合。为解决上述问题，本实施例计算待修正的配送轨迹信息的特征数据中多个轨迹采样点的特征相似度，如计算轨迹采样点的特征相似度，可以从中提取出特征相似度高的轨迹采样点的特征数据，确定其属于直行特征数据、转折特征数据等。对于直行或转折特征数据对其进行加权处理，强化并放大这些特征数据的特征，尤其对于转折特征数据，使得权重更突出，如对于转折特征数据，其损失函数与如直行特征数据相比，更明显，以便修正转折特征数据，改善配送轨迹过于平滑等问题。特征相似度的计算可以通过挖掘确定待修正的配送轨迹信息的特征数据中多个轨迹采样点间的关联性，如挖掘相邻两个轨迹采样点的特征数据间的规律性变化，基于规律性变化，计算特征相似度，确定直行特征数据、转折特征数据。本实施例中可以对直行特征数据、转折特征数据均进行加权处理，对转折特征数据在加权处理时，其权重占比更大，对转折进行强化放大，突出转折，修正因编码压缩导致的过于平滑问题。
步骤S106，对待修正的配送轨迹信息的特征数据进行解码还原，得到修正后的配送轨迹信息。
在经过编码压缩、升维处理、强化放大转折特征数据后，对待修正的配送轨迹信息的特征数据进行解码还原，将特征数据解码还原为物理世界的配送轨迹信息，如还原为物理世界的坐标等，从而得到修正后的配送轨迹信息。
根据本发明实施例提供的配送轨迹修正方法，获取包括第一定位轨迹信息及第二定位轨迹信息的待修正的配送轨迹信息，对待修正的配送轨迹信息进行预处理，提取得到对应的特征数据，特征数据包含同一轨迹采样点的第一定位轨迹信息得到的时域特征数据和第二定位轨迹信息得到的频域特征数据的组合。基于特征数据进行编码压缩，降低维度实现去除突发特征数据，完成降噪处理。再通过计算多个轨迹采样点的特征相似度，进行加权处理，强化放大转折特征数据，修正转折特征数据，避免过平滑，完成对配送轨迹的修正。
图2示出了根据本发明一个实施例的配送轨迹修正方法的流程图，如图2所示，该方法包括以下步骤：
步骤S201，训练得到修正模型。
发明人在实现本发明的过程中发现，对配送轨迹修正进行修正存在以下问题：针对配送轨迹信息先采用过滤异常点方式，如预设速度阈值方式检测过滤配送轨迹中明显的异常轨迹采样点，再通过滤波，如粒子滤波、卡尔曼滤波等修正配送轨迹中某轨迹采样点，可以在一定程度上实现配送轨迹的平滑和降噪。但这一修正过程极大地依赖于配送轨迹中各GPS信息的准确性。当配送设备进入楼宇等物理空间，GPS信号丢失，无法获取到GPS信息或者信息传输延迟等问题时，GPS信息的准确性低。此时，无法通过各个GPS信息的经纬度、各轨迹采样点的时间间隔计算相邻两个轨迹采样点间的平均速度，也就无法通过预设速度阈值检测，过滤超过预设速度阈值的异常轨迹采样点。也无法通过对每一轨迹采样点进行迭代处理，根据待处理轨迹采样点的相邻轨迹采样点的状态信息，计算卡尔曼滤波或粒子滤波的相关系数，来更新待处理轨迹采样点的状态信息，推导出准确的配送轨迹信息。
进一步，这种修正方式一次仅能对一条配送轨迹进行修正，修正时受地域、时间、配送设备、环境等因素影响，如天气变化导致速度、行为等发生变化，单条历史轨迹的修正效果不佳，且缺少泛用性。
基于上述问题，本实施例通过训练修正模型，修正模型采用无监督模型，无需对训练样本进行人工标记，根据训练样本中的地域特征以及配送设备的共性进行训练，如地域中道路变化趋势、配送设备转向频率等进行训练，而非针对单个配送轨迹进行修正，提升修正模型的泛用性。
具体的，获取包含历史配送轨迹信息的训练样本和验证样本。根据获取的历史配送轨迹信息，划分为训练样本和验证样本，其中，训练样本和验证样本的比例可以根据实施情况设置，此处不做限定。对获取的训练样本和验证样本进行预处理，得到处理后的训练样本的特征数据及验证样本的特征数据。预处理与待修正的配送轨迹信息的预处理相同，可以参照步骤S202-S204的描述。
将训练样本的特征数据输入至待训练的修正模型中进行训练，直至满足无监督训练条件。此处，无监督训练条件包括训练至修正结果相同情况下编码压缩对应的最低维度，即在训练修正模型时，在保证修正模型损失函数尺度的基础之上，尽可能压缩中间特征层的维度，排除无用维度，直至修正模型对训练样本输出的修正结果不变的情况下，编码压缩为最低维度，则修正模型训练完成。进一步，还可以利用验证样本的特征数据对训练得到的修正模型进行验证。
步骤S202，获取配送设备上传的多个轨迹采样点的信息，得到待修正的配送轨迹信息。
待修正的配送轨迹信息包括第一定位轨迹信息及第二定位轨迹信息。第一定位轨迹信息可以采用GPS定位信息，包括如时间、经纬度、角度、速度等信息；第二定位轨迹信息可以采用配送设备的传感器信息，包括如角速度传感器、加速度传感器、磁力计等传感器采集的三个坐标轴(x、y、z)的信息。第一定位轨迹信息和第二定位轨迹信息可以从配送设备中获取，具体获取方式可以采用移动终端获取GPS定位信息、传感器信息的获取方式，此处不做展开说明。
进一步，当配送设备位于配送最终环节，如配送小区等区域时，由于每个小区内部的道路结构不同、道路的设置具有区域特性，对该类区域的配送轨迹的修正难度较大，且该类区域往往极大地影响配送效率，急需对该类区域的配送轨迹进行修正，以方便对配送轨迹进行分析，优化调度设置，进行配送路线推荐等，减轻配送资源的配送压力。
本实施例针对上述问题，在获取配送对象上传的多个轨迹采样点的信息，得到历史配送轨迹信息后，根据历史配送轨迹信息，划分得到目标区域的待修正的配送轨迹信息。在一个可选地实施例中，目标区域为配送最终环节对应的区域。
步骤S203，对待修正的配送轨迹信息进行预处理，提取多个轨迹采样点的特征数据，根据多个轨迹采样点的前后顺序，将提取的特征数据依次组合得到待修正的配送轨迹信息的特征数据。
针对目标区域内的待修正的配送轨迹信息，对其进行预处理。具体的，提取第一定位轨迹信息得到时域特征数据，包括如时间顺序的经纬度、角度、速度等信息；对第二定位轨迹信息进行转换，将该轨迹采样点周围一定窗口的第二定位轨迹信息转换为频域特征数据，如利用STFT(短时傅里叶变换)算法转换，针对陀螺仪、磁场、加速度计等传感器采集的三个坐标轴的信息，分别选取最大分量的频率和分量绝对值的频率，得到9*2的频域特征数据，对齐不同频率的数据。每个轨迹采样点的特征数据包含同一轨迹采样点的第一定位轨迹信息得到的时域特征数据和第二定位轨迹信息得到的频域特征数据的组合。在每个轨迹采样点的特征数据既包括了时域特征数据又包括了频域特征数据。按照各个轨迹采样点的前后顺序，将各个轨迹采样点的时域特征数据和频域特征数据依次组合得到待修正的配送轨迹信息的特征数据。
进一步，由于待修正的配送轨迹信息中包含的时间、地域信息等，均为绝对的时间和地域信息，如下午2点20分，纬度XX，经度XX等。这些信息在使用修正模型时，会具有特定时间和特定地域信息，不易处理。因此，本实施例对待修正的配送轨迹信息的特征数据，进行差值化处理，去除标记性信息。具体去除绝对地域标记性信息、绝对时间标记性信息等，使得修正模型更注重配送轨迹的序列变化，不引入绝对时间和绝对的地域位置信息，扩大修正模型的泛用性。具体的，如时间为2点20分，2点25分，2点30分……，将时间差值化处理后，转化为0，5，10……等，将时间标准化；如地域信息中，经纬度1，经纬度2，经纬度3……对应的地域信息，转化为0，(经纬度1和经纬度2的距离)，(经纬度1和经纬度3的距离)……等，或者转化为0，(经纬度1和经纬度2的距离)，(经纬度2和经纬度3的距离)……等，将地域信息标准化，去除标记性信息，更方便修正模型的训练，以及利用修正模型进行修正等。以上为举例说明，具体根据实施情况实现差值化处理。进一步，对待修正的配送轨迹信息的特征数据进行差值化处理时，记录未处理的初始数据以及处理后的特征数据，方便在编码还原时，对应的还原为初始数据中的时间及真实地域信息。
步骤S204，对待修正的配送轨迹信息的特征数据进行轨迹切分处理和/或滑动窗口切分处理。
为防止待修正的配送轨迹信息的时间跨度、距离跨度过大，可以对待修正的配送轨迹信息的特征数据进行轨迹切分处理、滑动窗口切分处理，将一条待修正的配送轨迹信息按照轨迹采样点作为间隔，进行轨迹切分处理，得到多条待修正的配送轨迹信息；或者，将一条待修正的配送轨迹信息按照预设滑动窗口大小，进行滑动窗口切分处理，使得窗口滑动步长尽可能小，得到多条待修正的配送轨迹信息；或者，使用两种切分处理对一条待修正的配送轨迹信息进行切分，得到多条待修正的配送轨迹信息。
轨迹切分处理、滑动窗口切分处理可以将一条待修正的配送轨迹信息切分得到多条待修正的配送轨迹信息，一方面获取较多的待修正的配送轨迹信息以便进行修正模型的训练，另一方面，避免待修正的配送轨迹信息的时间跨度过大，将非同一配送形成的两条待修正的配送轨迹信息误处理为一条待修正的配送轨迹信息，提升对待修正的配送轨迹信息的修正准确率，也可以使得待修正的配送轨迹信息的时间长短一致，方便修正模型的训练以及对配送轨迹的修正。
该步骤为可选步骤，可以根据实施情况确定是否执行该步骤，此处不做限定。
步骤S205，将待修正的配送轨迹信息的特征数据进行编码压缩，以去除突发特征数据。
在对待修正的配送轨迹信息的特征数据进行编码压缩时，基于特征数据中的频域特征数据，提取频域高分量的特征数据，去除低分量的突发特征数据。
对于修正模型，其包括编码压缩模型，将待修正的配送轨迹信息的特征数据输入至编码压缩模型，编码压缩模型对特征数据进行提取频域高分量处理后，输出去除突发特征的待修正的配送轨迹信息的特征数据。在一个可选的实施例中，编码压缩模型可以采用如自动编码器模型，以一层全连接层作为编码层。如采用LSTM(Long Short-Term Memory，长短期记忆网络)作为编码层，基于待修正的配送轨迹信息中各轨迹采样点的时序性，编码压缩，降低维度输出去除突发特征的待修正的配送轨迹信息的特征数据。
步骤S206，对编码压缩后的待修正的配送轨迹信息的特征数据进行升维处理，还原至待修正的配送轨迹信息的初始维度。
编码压缩将待修正的配送轨迹信息的特征数据的维度降低，升维处理将待修正的配送轨迹信息的特征数据还原为初始的维度。
对于修正模型，其还包括还原模型。将编码压缩后的待修正的配送轨迹信息的特征数据输入至还原模型，得到还原模型输出的升维处理后的待修正的配送轨迹信息的特征数据。在一个可选的实施例中，还原模型采用LSTM，针对待修正的配送轨迹信息中各轨迹采样点的时序性，可以更好的还原。
步骤S207，计算待修正的配送轨迹信息的特征数据中多个轨迹采样点的特征相似度，根据特征相似度进行加权处理，强化放大转折特征数据，以修正转折特征数据。
计算待修正的配送轨迹信息的特征数据中多个轨迹采样点的特征相似度时，可以根据时域特征数据间的时间关联性，确定相邻轨迹采样点间的规律变化，根据频域特征数据中角速度传感器、加速度传感器和磁力计等数据的规律变化，确定轨迹采样点间是否具有相同的特征相似度，从而确定直行特征数据、转折特征数据。在此基础上，进行加权处理，增加对转折特征数据的关注，进行强化放大，使得转折特征数据更突出。
对于修正模型，其还包括强化模型。将升维处理后的待修正的配送轨迹信息的特征数据输入至强化模型，得到强化模型输出的修正转折特征数据后的待修正的配送轨迹信息的特征数据。在一个可选的实施例中，强化模型采用如Self-attention(自注意力机制)。Self-attention根据相邻轨迹采样点间规律变化，计算轨迹采样点的特征相似度，确定出直行特征数据、转折特征数据等特征数据，进行加权处理，使得特征数据更加突出。对于转折特征数据，加权处理时，更突出其权重，强化放大效果，使得折线角度更突出。对于本就平滑的特征数据，变化小或者无规律变化等情况，不会显著突出。这一处理用于解决编码压缩模型带来的修正后配送轨迹过于平滑问题，将配送轨迹中存在的，非噪点的转弯进行强化。
步骤S208，对待修正的配送轨迹信息的特征数据进行解码还原，得到修正后的配送轨迹信息。
对待修正的配送轨迹信息的特征数据进行解码还原，是将特征数据最终还原为物理世界的轨迹坐标，得到修正后的配送轨迹信息。
修正模型还包括解码模型，将修正转折特征数据后的待修正的配送轨迹信息的特征数据输入至解码模型，得到解码模型输出的修正后的配送轨迹信息。在一个可选的实施例中，解码模型为自动编码器的解码层，采用一层全连接层作为解码层，实现对特征数据进行预处理的反向操作，将各个轨迹采样点特征数据还原为真实的轨迹坐标。具体的，将该轨迹坐标根据预处理时的轨迹采样点的初始数据以及差值化处理后的特征数据的对应关系进行还原，对于修正轨迹采样点，对应的计算，确定真实的轨迹坐标的时间及真实地域信息等。
根据本发明实施例提供的配送轨迹修正方法，利用无监督模型的修正模型，无需人工标记，自动学习配送轨迹信息，训练得到修正模型。对配送轨迹信息进行预处理，提取出时域特征数据和频域特征数据，挖掘特征数据的共性，从而实现去除多余的噪声。且通过去差值化处理，保证修正模型中不引入绝对时间和地域位置信息，扩大了模型的泛用性，使得模型可以跨时间和跨区域使用，做到少量配送轨迹训练，大量配送轨迹修正的效果。
图3示出了本发明实施例提供的配送轨迹修正装置的结构示意图。如图3所示，该装置包括：
获取模块310，适于获取配送设备上传的多个轨迹采样点的信息，得到待修正的配送轨迹信息；所述待修正的配送轨迹信息包括第一定位轨迹信息及第二定位轨迹信息；所述第一定位轨迹信息包括GPS定位信息；所述第二定位轨迹信息包括配送设备的传感器信息；
预处理模块320，适于对所述待修正的配送轨迹信息进行预处理，提取多个轨迹采样点的特征数据，根据多个轨迹采样点的前后顺序，将提取的特征数据依次组合得到待修正的配送轨迹信息的特征数据；所述轨迹采样点的特征数据包含同一轨迹采样点的第一定位轨迹信息得到的时域特征数据和第二定位轨迹信息得到的频域特征数据的组合；
编码压缩模块330，适于将所述待修正的配送轨迹信息的特征数据进行编码压缩，以去除突发特征数据；
升维修正模块340，适于对编码压缩后的待修正的配送轨迹信息的特征数据进行升维处理，还原至待修正的配送轨迹信息的初始维度；计算待修正的配送轨迹信息的特征数据中多个轨迹采样点的特征相似度，根据特征相似度进行加权处理，强化放大转折特征数据，以修正转折特征数据；
解码还原模块350，适于对待修正的配送轨迹信息的特征数据进行解码还原，得到修正后的配送轨迹信息。
可选地，预处理模块320进一步适于：对待修正的配送轨迹信息的特征数据进行差值化处理，去除标记性信息；标记性信息包括绝对地域标记性信息和/或绝对时间标记性信息。
可选地，获取模块310进一步适于：获取配送对象上传的多个轨迹采样点的信息，得到历史配送轨迹信息；根据历史配送轨迹信息，划分得到目标区域的待修正的配送轨迹信息。
可选地，装置还包括：切分模块360，适于对待修正的配送轨迹信息的特征数据进行轨迹切分处理和/或滑动窗口切分处理。
可选地，装置还包括：训练模块370，适于训练得到修正模型；修正模型至少包括编码压缩模型；
编码压缩模块330进一步适于：将待修正的配送轨迹信息的特征数据输入至编码压缩模型，得到编码压缩模型对特征数据的提取频域高分量处理后输出的去除突发特征的待修正的配送轨迹信息的特征数据；
修正模型还包括还原模型、强化模型和解码模型；
升维修正模块340进一步适于：将编码压缩后的待修正的配送轨迹信息的特征数据输入至还原模型，得到还原模型输出的升维处理后的待修正的配送轨迹信息的特征数据；将升维处理后的待修正的配送轨迹信息的特征数据输入至强化模型，得到强化模型输出的修正转折特征数据后的待修正的配送轨迹信息的特征数据；
解码还原模块350进一步适于：将修正转折特征数据后的待修正的配送轨迹信息的特征数据输入至解码模型，得到解码模型输出的修正后的配送轨迹信息。
可选地，修正模型为无监督模型；
训练模块370进一步适于：获取包含历史配送轨迹信息的训练样本和验证样本；对训练样本和验证样本进行预处理，得到处理后的训练样本的特征数据及验证样本的特征数据；将训练样本的特征数据输入至待训练的修正模型中进行训练，直至满足无监督训练条件；无监督训练条件包括训练至修正结果相同情况下编码压缩对应的最低维度；利用验证样本的特征数据对训练得到的修正模型进行验证。
以上各模块的描述参照方法实施例中对应的描述，在此不再赘述。
根据本发明实施例提供的配送轨迹修正装置，获取包括第一定位轨迹信息及第二定位轨迹信息的待修正的配送轨迹信息，对待修正的配送轨迹信息进行预处理，提取得到对应的特征数据，特征数据包含同一轨迹采样点的第一定位轨迹信息得到的时域特征数据和第二定位轨迹信息得到的频域特征数据的组合。基于特征数据进行编码压缩，降低维度实现去除突发特征数据，完成降噪处理。再通过计算多个轨迹采样点的特征相似度，进行加权处理，强化放大转折特征数据，修正转折特征数据，避免过平滑，完成对配送轨迹的修正。
本发明实施例还提供了一种非易失性计算机存储介质，计算机存储介质存储有至少一可执行指令，可执行指令可执行上述任意方法实施例中的配送轨迹修正方法。
图4示出了根据本发明实施例的一种计算设备的结构示意图，本发明实施例的具体实施例并不对计算设备的具体实现做限定。
如图4所示，该计算设备可以包括：处理器(processor)402、通信接口(Communications Interface)404、存储器(memory)406、以及通信总线408。
其中：
处理器402、通信接口404、以及存储器406通过通信总线408完成相互间的通信。
通信接口404，用于与其它设备比如客户端或其它服务器等的网元通信。
处理器402，用于执行程序410，具体可以执行上述配送轨迹修正方法实施例中的相关步骤。
具体地，程序410可以包括程序代码，该程序代码包括计算机操作指令。
处理器402可能是中央处理器CPU，或者是特定集成电路ASIC(ApplicationSpecific Integrated Circuit)，或者是被配置成实施本发明实施例的一个或多个集成电路。计算设备包括的一个或多个处理器，可以是同一类型的处理器，如一个或多个CPU；也可以是不同类型的处理器，如一个或多个CPU以及一个或多个ASIC。
存储器406，用于存放程序410。存储器406可能包含高速RAM存储器，也可能还包括非易失性存储器(non-volatile memory)，例如至少一个磁盘存储器。
程序410具体可以用于使得处理器402执行上述任意方法实施例中的配送轨迹修正方法。程序410中各步骤的具体实现可以参见上述配送轨迹修正实施例中的相应步骤和单元中对应的描述，在此不赘述。所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的设备和模块的具体工作过程，可以参考前述方法实施例中的对应过程描述，在此不再赘述。
在此提供的算法或显示不与任何特定计算机、虚拟***或者其它设备固有相关。各种通用***也可以与基于在此的示教一起使用。根据上面的描述，构造这类***所要求的结构是显而易见的。此外，本发明实施例也不针对任何特定编程语言。应当明白，可以利用各种编程语言实现在此描述的本发明实施例的内容，并且上面对特定语言所做的描述是为了披露本发明实施例的较佳实施方式。
在此处所提供的说明书中，说明了大量具体细节。然而，能够理解，本发明的实施例可以在没有这些具体细节的情况下实践。在一些实例中，并未详细示出公知的方法、结构和技术，以便不模糊对本说明书的理解。
类似地，应当理解，为了精简本发明实施例并帮助理解各个发明方面中的一个或多个，在上面对本发明的示例性实施例的描述中，本发明实施例的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。然而，并不应将该公开的方法解释成反映如下意图：即所要求保护的本发明实施例要求比在每个权利要求中所明确记载的特征更多的特征。更确切地说，如下面的权利要求书所反映的那样，发明方面在于少于前面公开的单个实施例的所有特征。因此，遵循具体实施方式的权利要求书由此明确地并入该具体实施方式，其中每个权利要求本身都作为本发明的单独实施例。
本领域那些技术人员可以理解，可以对实施例中的设备中的模块进行自适应性地改变并且把它们设置在与该实施例不同的一个或多个设备中。可以把实施例中的模块或单元或组件组合成一个模块或单元或组件，以及此外可以把它们分成多个子模块或子单元或子组件。除了这样的特征和/或过程或者单元中的至少一些是相互排斥之外，可以采用任何组合对本说明书(包括伴随的权利要求、摘要和附图)中公开的所有特征以及如此公开的任何方法或者设备的所有过程或单元进行组合。除非另外明确陈述，本说明书(包括伴随的权利要求、摘要和附图)中公开的每个特征可以由提供相同、等同或相似目的的替代特征来代替。
此外，本领域的技术人员能够理解，尽管在此的一些实施例包括其它实施例中所包括的某些特征而不是其它特征，但是不同实施例的特征的组合意味着处于本发明的范围之内并且形成不同的实施例。例如，在下面的权利要求书中，所要求保护的实施例的任意之一都可以以任意的组合方式来使用。
本发明的各个部件实施例可以以硬件实现，或者以在一个或者多个处理器上运行的软件模块实现，或者以它们的组合实现。本领域的技术人员应当理解，可以在实践中使用微处理器或者数字信号处理器(DSP)来实现根据本发明实施例的一些或者全部部件的一些或者全部功能。本发明实施例还可以实现为用于执行这里所描述的方法的一部分或者全部的设备或者装置程序(例如，计算机程序和计算机程序产品)。这样的实现本发明实施例的程序可以存储在计算机可读介质上，或者可以具有一个或者多个信号的形式。这样的信号可以从因特网网站上下载得到，或者在载体信号上提供，或者以任何其他形式提供。
应该注意的是上述实施例对本发明实施例进行说明而不是对本发明进行限制，并且本领域技术人员在不脱离所附权利要求的范围的情况下可设计出替换实施例。在权利要求中，不应将位于括号之间的任何参考符号构造成对权利要求的限制。单词“包含”不排除存在未列在权利要求中的元件或步骤。位于元件之前的单词“一”或“一个”不排除存在多个这样的元件。本发明实施例可以借助于包括有若干不同元件的硬件以及借助于适当编程的计算机来实现。在列举了若干装置的单元权利要求中，这些装置中的若干个可以是通过同一个硬件项来具体体现。单词第一、第二、以及第三等的使用不表示任何顺序。可将这些单词解释为名称。上述实施例中的步骤，除有特殊说明外，不应理解为对执行顺序的限定。
Claims (10)
1.一种配送轨迹修正方法，其包括：
获取配送设备上传的多个轨迹采样点的信息，得到待修正的配送轨迹信息；所述待修正的配送轨迹信息包括第一定位轨迹信息及第二定位轨迹信息；所述第一定位轨迹信息包括GPS定位信息；所述第二定位轨迹信息包括配送设备的传感器信息；
对所述待修正的配送轨迹信息进行预处理，提取多个轨迹采样点的特征数据，根据多个轨迹采样点的前后顺序，将提取的特征数据依次组合得到待修正的配送轨迹信息的特征数据；所述轨迹采样点的特征数据包含同一轨迹采样点的第一定位轨迹信息得到的时域特征数据和第二定位轨迹信息得到的频域特征数据的组合；
将所述待修正的配送轨迹信息的特征数据进行编码压缩，以去除突发特征数据；
对编码压缩后的待修正的配送轨迹信息的特征数据进行升维处理，还原至待修正的配送轨迹信息的初始维度；计算待修正的配送轨迹信息的特征数据中多个轨迹采样点的特征相似度，根据特征相似度进行加权处理，强化放大转折特征数据，以修正转折特征数据；
对待修正的配送轨迹信息的特征数据进行解码还原，得到修正后的配送轨迹信息。
2.根据权利要求1所述的方法，其中，所述对所述待修正的配送轨迹信息进行预处理，提取多个轨迹采样点的特征数据，根据多个轨迹采样点的前后顺序，将提取的特征数据依次组合得到待修正的配送轨迹信息的特征数据进一步包括：
对所述待修正的配送轨迹信息的特征数据进行差值化处理，去除标记性信息；所述标记性信息包括绝对地域标记性信息和/或绝对时间标记性信息。
3.根据权利要求1或2所述的方法，其中，所述获取配送设备上传的多个轨迹采样点的信息，得到待修正的配送轨迹信息进一步包括：
获取配送对象上传的多个轨迹采样点的信息，得到历史配送轨迹信息；
根据历史配送轨迹信息，划分得到目标区域的待修正的配送轨迹信息。
4.根据权利要求1-3中任一项所述的方法，其中，在所述对所述待修正的配送轨迹信息进行预处理，提取多个轨迹采样点的特征数据，根据多个轨迹采样点的前后顺序，将提取的特征数据依次组合得到待修正的配送轨迹信息的特征数据之后，所述方法还包括：
对所述待修正的配送轨迹信息的特征数据进行轨迹切分处理和/或滑动窗口切分处理。
5.根据权利要求1所述的方法，其中，所述方法还包括：训练得到修正模型；所述修正模型至少包括编码压缩模型；
所述将所述待修正的配送轨迹信息的特征数据进行编码压缩，以去除突发特征数据进一步包括：
将所述待修正的配送轨迹信息的特征数据输入至编码压缩模型，得到所述编码压缩模型对所述特征数据的提取频域高分量处理后输出的去除突发特征的待修正的配送轨迹信息的特征数据；
所述修正模型还包括还原模型、强化模型和解码模型；
所述对编码压缩后的待修正的配送轨迹信息的特征数据进行升维处理，还原至待修正的配送轨迹信息的初始维度；计算待修正的配送轨迹信息的特征数据中多个轨迹采样点的特征相似度，根据特征相似度进行加权处理，强化放大转折特征数据，以修正转折特征数据；对待修正的配送轨迹信息的特征数据进行解码还原，得到修正后的配送轨迹信息进一步包括：
将编码压缩后的待修正的配送轨迹信息的特征数据输入至还原模型，得到还原模型输出的升维处理后的待修正的配送轨迹信息的特征数据；
将升维处理后的待修正的配送轨迹信息的特征数据输入至强化模型，得到强化模型输出的修正转折特征数据后的待修正的配送轨迹信息的特征数据；
将修正转折特征数据后的待修正的配送轨迹信息的特征数据输入至解码模型，得到解码模型输出的修正后的配送轨迹信息。
6.根据权利要求5所述的方法，其中，所述修正模型为无监督模型；
所述训练得到修正模型进一步包括：
获取包含历史配送轨迹信息的训练样本和验证样本；
对所述训练样本和验证样本进行预处理，得到处理后的训练样本的特征数据及验证样本的特征数据；
将所述训练样本的特征数据输入至待训练的修正模型中进行训练，直至满足无监督训练条件；所述无监督训练条件包括训练至修正结果相同情况下编码压缩对应的最低维度；
利用验证样本的特征数据对训练得到的修正模型进行验证。
7.一种配送轨迹修正装置，其包括：
获取模块，适于获取配送设备上传的多个轨迹采样点的信息，得到待修正的配送轨迹信息；所述待修正的配送轨迹信息包括第一定位轨迹信息及第二定位轨迹信息；所述第一定位轨迹信息包括GPS定位信息；所述第二定位轨迹信息包括配送设备的传感器信息；
预处理模块，适于对所述待修正的配送轨迹信息进行预处理，提取多个轨迹采样点的特征数据，根据多个轨迹采样点的前后顺序，将提取的特征数据依次组合得到待修正的配送轨迹信息的特征数据；所述轨迹采样点的特征数据包含同一轨迹采样点的第一定位轨迹信息得到的时域特征数据和第二定位轨迹信息得到的频域特征数据的组合；
编码压缩模块，适于将所述待修正的配送轨迹信息的特征数据进行编码压缩，以去除突发特征数据；
升维修正模块，适于对编码压缩后的待修正的配送轨迹信息的特征数据进行升维处理，还原至待修正的配送轨迹信息的初始维度；计算待修正的配送轨迹信息的特征数据中多个轨迹采样点的特征相似度，根据特征相似度进行加权处理，强化放大转折特征数据，以修正转折特征数据；
解码还原模块，适于对待修正的配送轨迹信息的特征数据进行解码还原，得到修正后的配送轨迹信息。
8.根据权利要求7所述的装置，其中，所述预处理模块进一步适于：
对所述待修正的配送轨迹信息的特征数据进行差值化处理，去除标记性信息；所述标记性信息包括绝对地域标记性信息和/或绝对时间标记性信息。
9.一种计算设备，包括：处理器、存储器、通信接口和通信总线，所述处理器、所述存储器和所述通信接口通过所述通信总线完成相互间的通信；
所述存储器用于存放至少一可执行指令，所述可执行指令使所述处理器执行如权利要求1-6中任一项所述的配送轨迹修正方法对应的操作。
10.一种计算机存储介质，所述存储介质中存储有至少一可执行指令，所述可执行指令使处理器执行如权利要求1-6中任一项所述的配送轨迹修正方法对应的操作。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110838688.0A CN113506065B (zh) | 2021-07-23 | 2021-07-23 | 配送轨迹修正方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110838688.0A CN113506065B (zh) | 2021-07-23 | 2021-07-23 | 配送轨迹修正方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113506065A true CN113506065A (zh) | 2021-10-15 |
| CN113506065B CN113506065B (zh) | 2022-12-02 |
Family
ID=78014530
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110838688.0A Active CN113506065B (zh) | 2021-07-23 | 2021-07-23 | 配送轨迹修正方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113506065B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114817273A (zh) * | 2022-07-01 | 2022-07-29 | 湖南智警公共安全技术研究院有限公司 | 一种高频人车关联异常的数据识别方法及*** |
Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105788273A (zh) * | 2016-05-18 | 2016-07-20 | 武汉大学 | 基于低精度时空轨迹数据的城市交叉口自动识别的方法 |
| WO2017016716A1 (de) * | 2015-07-30 | 2017-02-02 | Continental Automotive Gmbh | Fahrerassistenzsystem zum anpassen der bremskraft einer elektrischen rekuperationsbremse eines fahrzeugs |
| CN110443185A (zh) * | 2019-07-31 | 2019-11-12 | 京东城市(北京)数字科技有限公司 | 驾驶员识别方法、驾驶员识别装置、电子设备及存储介质 |
| CN110579219A (zh) * | 2019-09-09 | 2019-12-17 | 腾讯大地通途（北京）科技有限公司 | 轨迹数据处理方法、装置、存储介质和计算机设备 |
| CN110631589A (zh) * | 2019-09-29 | 2019-12-31 | 广东星舆科技有限公司 | 一种实时修正定位轨迹的方法 |
| CN111009153A (zh) * | 2019-12-04 | 2020-04-14 | 珠海深圳清华大学研究院创新中心 | 一种轨迹预测模型的训练方法、装置和设备 |
| CN111207760A (zh) * | 2019-12-31 | 2020-05-29 | 上海炬宏信息技术有限公司 | 一种路口实时轨迹修正的方法、装置、电子设备及计算机可读介质 |
| CN111783960A (zh) * | 2020-07-09 | 2020-10-16 | 中国人民解放军国防科技大学 | 基于自动编码器和双向lstm的船舶轨迹预测方法及*** |
| CN112464837A (zh) * | 2020-12-03 | 2021-03-09 | 中国人民解放军战略支援部队信息工程大学 | 基于小数据样本的浅海水声通信信号调制识别方法及*** |
| CN112633812A (zh) * | 2020-12-30 | 2021-04-09 | 北京优挂信息科技有限公司 | 货运车辆的轨迹分段方法、装置、设备及存储介质 |
| CN112801193A (zh) * | 2021-02-03 | 2021-05-14 | 拉扎斯网络科技（上海）有限公司 | 定位数据处理方法、装置、电子设备、介质及程序产品 |
| CN113119966A (zh) * | 2019-12-30 | 2021-07-16 | 伟摩有限责任公司 | 自主驾驶卡车路由的运动模型 |
-
2021
- 2021-07-23 CN CN202110838688.0A patent/CN113506065B/zh active Active
Patent Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2017016716A1 (de) * | 2015-07-30 | 2017-02-02 | Continental Automotive Gmbh | Fahrerassistenzsystem zum anpassen der bremskraft einer elektrischen rekuperationsbremse eines fahrzeugs |
| CN105788273A (zh) * | 2016-05-18 | 2016-07-20 | 武汉大学 | 基于低精度时空轨迹数据的城市交叉口自动识别的方法 |
| CN110443185A (zh) * | 2019-07-31 | 2019-11-12 | 京东城市(北京)数字科技有限公司 | 驾驶员识别方法、驾驶员识别装置、电子设备及存储介质 |
| CN110579219A (zh) * | 2019-09-09 | 2019-12-17 | 腾讯大地通途（北京）科技有限公司 | 轨迹数据处理方法、装置、存储介质和计算机设备 |
| CN110631589A (zh) * | 2019-09-29 | 2019-12-31 | 广东星舆科技有限公司 | 一种实时修正定位轨迹的方法 |
| CN111009153A (zh) * | 2019-12-04 | 2020-04-14 | 珠海深圳清华大学研究院创新中心 | 一种轨迹预测模型的训练方法、装置和设备 |
| CN113119966A (zh) * | 2019-12-30 | 2021-07-16 | 伟摩有限责任公司 | 自主驾驶卡车路由的运动模型 |
| CN111207760A (zh) * | 2019-12-31 | 2020-05-29 | 上海炬宏信息技术有限公司 | 一种路口实时轨迹修正的方法、装置、电子设备及计算机可读介质 |
| CN111783960A (zh) * | 2020-07-09 | 2020-10-16 | 中国人民解放军国防科技大学 | 基于自动编码器和双向lstm的船舶轨迹预测方法及*** |
| CN112464837A (zh) * | 2020-12-03 | 2021-03-09 | 中国人民解放军战略支援部队信息工程大学 | 基于小数据样本的浅海水声通信信号调制识别方法及*** |
| CN112633812A (zh) * | 2020-12-30 | 2021-04-09 | 北京优挂信息科技有限公司 | 货运车辆的轨迹分段方法、装置、设备及存储介质 |
| CN112801193A (zh) * | 2021-02-03 | 2021-05-14 | 拉扎斯网络科技（上海）有限公司 | 定位数据处理方法、装置、电子设备、介质及程序产品 |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114817273A (zh) * | 2022-07-01 | 2022-07-29 | 湖南智警公共安全技术研究院有限公司 | 一种高频人车关联异常的数据识别方法及*** |
| CN114817273B (zh) * | 2022-07-01 | 2022-09-27 | 湖南智警公共安全技术研究院有限公司 | 一种高频人车关联异常的数据识别方法及*** |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113506065B (zh) | 2022-12-02 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113506065B (zh) | 配送轨迹修正方法及装置 | |
| CN101776747B (zh) | 基于自适应重采样的雷达信号压缩方法 | |
| CN114049356B (zh) | 一种结构表观裂缝检测方法、装置及*** | |
| CN115249349B (zh) | 一种点云去噪方法、电子设备及存储介质 | |
| CN116110036B (zh) | 基于机器视觉的电力铭牌信息缺陷等级判断方法及装置 | |
| CN111488413A (zh) | 一种轨迹特征点判断方法、轨迹记录方法和相关装置 | |
| CN105304091A (zh) | 一种基于dct的语音篡改恢复方法 | |
| CN110633853A (zh) | 时空数据预测模型的训练方法、装置及电子设备 | |
| CN114140446A (zh) | 基于语义分割和目标检测的绝缘子缺陷检测方法 | |
| CN115222610B (zh) | 图像方法、装置、电子设备及存储介质 | |
| CN111311573A (zh) | 枝条确定方法、装置及电子设备 | |
| CN116488874A (zh) | 基于自监督掩码上下文重构的网络入侵检测方法和*** | |
| CN114973152A (zh) | 基于神经网络的小分子可循环压裂液储存罐的监控方法、装置、介质 | |
| CN115878735A (zh) | 路网生成方法、装置、电子设备及存储介质 | |
| CN114288674A (zh) | 一种vr滑雪控制方法及*** | |
| CN112700007A (zh) | 电离层电子含量预报模型的训练方法、预报方法及装置 | |
| CN114186583A (zh) | 一种储油罐罐壁腐蚀检测异常信号恢复方法及*** | |
| CN114690223A (zh) | 场景识别方法、装置、电子设备及计算机可读介质 | |
| CN116469013B (zh) | 道路积水预测方法、装置、计算机设备及存储介质 | |
| CN115471875B (zh) | 一种多码率的行人识别视觉特征编码压缩方法和装置 | |
| CN113095136B (zh) | 一种基于UVid-Net的无人机航拍视频的语义分割方法 | |
| CN115063402B (zh) | 基于滑动分析的电缆异物检测方法、***、终端及介质 | |
| CN114782907B (zh) | 无人车行驶环境识别方法、装置、设备和计算机可读存储介质 | |
| CN113340627B (zh) | 空气防滑试验方法、装置及轨道交通车辆 | |
| CN113627338A (zh) | 基于ppct的气象灾难预测方法 |
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 |