[发明专利]一种基于轨迹数据的货车运行状态识别方法

说明书

本发明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。

技术领域

本发明涉及货车管理技术领域，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。

背景技术

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。

发明内容

本发明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，本发明采取的技术方案如下：

本发明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V_max，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V_max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V_max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d_max和时间阈值t_max，通过d_max和t_max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；