一种行程自动切分及载重状态分类方法与流程

摘要: 本发明涉及智能交通,尤其是涉及一种行程自动切分及载重状态分类方法。背景技术:1、车辆载重状态的实时监测与行程数据分析是智能交通、车联网及车队调度管理的核心环节,...
一种行程自动切分及载重状态分类方法与流程

本发明涉及智能交通,尤其是涉及一种行程自动切分及载重状态分类方法。

背景技术:

1、车辆载重状态的实时监测与行程数据分析是智能交通、车联网及车队调度管理的核心环节,其结果直接关系到物流运输效率评估与安全监管。随着车联网数据挖掘技术的发展,基于车辆行驶数据进行载重预测逐渐取代了高成本的传统车载硬件称重传感器。然而,车辆在实际运营中,其装载和卸载通常是一个渐变过程,且采集的时序序列极易受传感器单点噪声和异常波动干扰,这给精准切分行程边界及保证载重状态分类的时序一致性带来了巨大挑战。

2、现有技术中,cn121301986a公开了一种基于行驶特性聚类的车辆实时载重估算方法及系统,该方案通过采集发动机转速、驱动轴扭矩以及行驶速度等动力学特征参数,利用k-means++聚类算法和肘部法则,实现了空载、半载、满载及超载等状态区间的实时映射与估算。虽然该技术有效地解决了载重估算对硬件传感器的依赖问题,提升了估算的适配性和实时性,但其本质上仍属于将每个时间点进行独立分类的方案,未充分考虑相邻时间点标签的时序上下文与依赖关系。在面对实际行驶中频繁的微小波动和单点数据噪声时,这种基于独立时间点的分类极易导致结果出现严重的时序抖动与不一致现象,且其缺乏针对渐变装卸载过程的边界检测机制,无法直接实现行程的自动精确切分。

3、此外,针对时序上下文的建模问题,现有技术cn107767036a公开了一种基于条件随机场的实时交通状态估计方法,该方法通过提取单个车辆的速度时间序列,利用条件随机场(crf)模型学习速度序列与路段拥堵级别之间的隐含状态转移关系,从而在单一轨迹下实现交通状况的最优估计。虽然该技术引入了条件随机场解决了独立分类问题并实现了序列标注的全局寻优,但其应用场景局限于交通拥堵预测,未能解决复杂载重状态的分类需求。更重要的是,该方法同样缺乏针对车辆缓慢装货、卸货等渐变物理行为的拐点识别机制,在面对载重连续变化的序列时,无法精确捕获行程的真实物理起点与终点,难以实现物理边界定位与逻辑状态平滑的协同。

4、综上所述,现有技术在车辆行程处理与载重分类领域,主要存在依赖简单阈值或单点独立分类导致对噪声极为敏感、无法有效处理装卸载的渐变过程、以及分类结果缺乏时序关联和一致性等问题,难以在复杂噪声干扰下,实现高鲁棒性的行程边界自动检测与载重状态的全局联合优化分类。

技术实现思路

1、本发明的主要目的在于提供一种行程自动切分及载重状态分类方法,解决因数据噪声和装卸载渐变过程导致车辆行程边界检测模糊及载重状态分类时序不一致的问题。将二阶差分极值检测与条件随机场时序序列标注相联合,实现了行程边界物理切分与载重状态全局最优平滑的协同优化。

2、为解决上述技术问题,本发明所采用的技术方案是:一种行程自动切分及载重状态分类方法,该方法包括:

3、s1、获取车辆gps时序数据序列,输入至编码器提取并输出预测载重序列;

4、s2、对预测的载重序列依次计算一阶差分与二阶差分,结合二阶差分极值与一阶差分方向检测载重变化的拐点,并通过行程持续时间条件过滤短行程噪声,输出行程边界点集合;

5、s3、将载重状态分类问题建模为时序序列标注问题,构建crf模型,并动态规划解码求解出载重状态序列;

6、s4、基于crf标注输出的载重状态序列与行程边界点集合进行联合逻辑后处理,判定行程的起点与终点,并输出各独立行程区间的载重状态类别。

7、优选的,步骤s1中,编码器为共享权重的cnn-transformer编码器,通过时间点级掩码策略生成掩码版本1和掩码版本2并同步输入至该编码器,利用包含掩码重建损失、编码器对比损失以及时序连续性损失的三重联合损失优化框架进行训练;

8、三重联合损失优化框架的总目标损失计算公式为:

9、;

10、其中,表示总目标损失函数,表示掩码重建损失,表示编码器对比损失,表示时序连续性损失,、和分别代表对应损失项的权重参数。

11、优选的,步骤s1中,通过时间点级掩码策略对原始序列进行随机掩盖生成掩码版本1和掩码版本2,将原始gps时序数据序列及掩码版本1、掩码版本2同步输入至共享权重的cnn-transformer编码器中生成高维隐层表示,高维隐层表示分别进入投影头1与投影头2以计算编码器对比损失。

12、优选的,步骤s2中,对预测载重序列计算一阶差分与二阶差分的计算公式分别为:

13、;

14、;

15、其中,表示时间点的一阶差分值,表示当前时间点的预测载重值,表示前一时间点的预测载重值,表示时间点的二阶差分值,为前一时间点的一阶差分值。

16、优选的,步骤s2中,结合二阶差分极值与一阶差分方向检测载重变化的拐点的逻辑为:

17、若且,则判定时间点为上行拐点,将其标记为行程起点的候选点;

18、若且,则判定时间点为下行拐点,将其标记为行程终点的候选点;

19、若不满足极值条件,则作为平稳波动数据略过。

20、优选的,步骤s2中,提取行程边界点集合还包括通过行程持续时间条件过滤短行程噪声的步骤,具体逻辑为:

21、合并候选起点与终点生成行程候选段,判断行程持续时间是否小于最短时间段;

22、若是,则将其视为局部噪声波动予以排除;

23、若否,则保留为有效行程,输出行程边界点集合。

24、优选的,步骤s3中,将载重状态分类问题建模为时序序列标注问题,定义包含空载、半载和满载的状态集合及对应的发射与转移特征函数,求解全局标签序列条件概率的公式为:

25、;

26、其中,表示在给定观测特征输入序列的条件下,生成目标载重标签序列的条件概率,为归一化因子,表示时间序列的时间步索引,为模型训练学习得到的特征权重向量,代表综合了当前状态、前一状态以及观测序列的联合特征函数。

27、优选的,步骤s3中,利用viterbi算法动态规划解码的求解公式为:

28、;

29、其中,表示模型输出的全局最优载重状态序列,表示在所有可能的候选标签序列中,搜索并返回使得条件概率达到最大值的序列参数组合。

30、优选的,步骤s4中,进行联合逻辑后处理的逻辑为:

31、将载重状态从空载变为非空载的跳变点标记为行程起点;

32、将载重状态从非空载变为空载的跳变点标记为行程终点。

33、优选的,步骤s4中,联合逻辑后处理的步骤还包括:将标记的行程起点和行程终点与行程边界点集合进行交叉验证与时序对齐,计算对齐后的每一个独立行程区间内的平均载重值,确定并输出该行程的确切载重状态类别。

34、有益效果:

35、1、前端引入时间点级掩码策略,并结合掩码重建损失、编码器对比损失以及时序连续性损失的三重联合损失优化框架训练cnn-transformer编码器,有效滤除了原始gps时序数据中的单点噪声和异常波动,从源头上提取出具有强鲁棒性的预测载重序列。

36、2、本发明提出结合一阶差分方向与二阶差分极值的边界拐点检测策略,彻底克服了传统固定阈值法无法精准识别车辆“缓慢渐变装卸载”物理过程的技术盲区,结合短行程过滤机制,实现了高精度的行程物理边界切分。

37、3、将载重状态分类建模为时序序列标注问题,利用crf结合转移特征进行时序平滑,并通过viterbi算法全局解码,彻底消除了独立时间点分类导致的状态突变与时序抖动现象,保证了分类结果的严格时序一致性。