[发明专利]一种面向大宗物流的运输终点校准方法及系统

权利要求书

1.一种面向大宗物流的运输终点校准方法，其特征在于，所述方法包含以下步骤：

步骤S1、基于货车运单的开始时间和完成时间，提取货车在运单时间段内的轨迹点序列作为运单轨迹；

步骤S2、消除轨迹中速度值大于速度阈值的轨迹点，并寻找获得每个轨迹点的匹配路段，无法匹配的视为驶离道路的部分；

步骤S3、从步骤S2中驶离道路部分的轨迹点序列中提取速度值为0的子序列，将所述子序列中的第一个轨迹点作为停留点，将所有停留点聚类后产生停留点簇，作为停留区域；

步骤S4、根据步骤S3中停留区域获得停留区域中的停留点对应的道路转出点，对所有道路转出点分组聚类产生道路转出点簇，选择道路转出点数量最多的簇中心点位置作为停留区域对应的道路转出位置；

步骤S5、将步骤S4中道路转出位置对应的所有停留区域进行合并，获得停留热点；

步骤S6、从停留热点及其对应的信息中提取访问行为特征和区域特征，对特征值进行拼接获得多维向量对停留热点进行表征，即停留热点的特征向量；

步骤S7、利用停留热点的特征向量和标签训练XGBoost分类模型，作为运输终点识别模型；基于人工标注的停留热点样本集{h₁,h₂,……,h_q}，利用S6所述方法将所有标注的停留热点样本表征为特征向量，并利用所述停留热点样本的特征向量及正负样本标签通过XGBoost模型迭代地学习M棵回归树，所述回归树表示为f_k(·)，1≤k≤M，所述回归树的构建过程如下：

其中，L(t)为第t次迭代时的目标函数，y_i为第i(1≤i≤q)个停留热点样本h_i的真实标签，表示训练样本h_i在第t-1次模型迭代时模型的预测值，f_t(h_i)表示停留热点样本h_i在第t次模型迭代时模型的预测值；Γ(f_t)是正则项，η和λ为正则项系数，T为叶子节点的数量，w_j表示第j个叶子节点的输出值；

通过对M棵回归树的输出分数求和获得停留热点h_i的分数，即Scor_i＝f₁(h_i)+f₂(h_i)+…+f_M(h_i)，通过逻辑函数将其映射为概率值输出，以训练得到的模型作为最终的运输终点识别模型；

步骤S8、基于运单轨迹提取与每个运单的运输终点匹配的候选停留热点集，将停留热点集中每个停留热点的特征向量输入S7构建的运输终点识别模型，获得各运单匹配的运输终点，并对终点库中对应运输终点的位置与地址信息进行更新。

2.如权利要求1所述的运输终点校准方法，其特征在于，步骤S1中，对每辆货车按照其执行不同运单的开始时间对运单进行排序；若前序运单与后续运单有时段交叠，则将前序运单的任务完成时间调整到后续运单任务开始之前。

3.如权利要求1所述的运输终点校准方法，其特征在于，步骤S2中，所述轨迹中的轨迹点速度通过与前序轨迹点的距离和时间间隔计算获得；所述速度阈值设置为运输车辆的最高限速；将距离轨迹点距离阈值thr_r范围内的候选道路作为隐马尔科夫模型的隐状态，将轨迹点与临近候选道路垂直映射点的距离作为状态测量，轨迹点的最佳匹配路段通过Viterbi算法寻找获得。

4.如权利要求1所述的运输终点校准方法，其特征在于，步骤S3中，所述停留点的时间戳作为停留开始时间，并计算该轨迹点所在序列第一个点与最后一个点之间的时间间隔作为停留时长；所述停留点的聚类通过DBSCAN聚类方法进行；所述停留点簇为密度相连的停留点的最大集合。