一种基于HTM的物流货运车辆快速查询系统及其设计方法与流程

一种基于htm的物流货运车辆快速查询系统及其设计方法
技术领域
1.本发明涉及人工智能深度学习领域,尤其涉及一种基于htm的物流货运车辆快速查询系统及其设计方法。


背景技术：

2.随着互联网的逐渐普及，在线购物的需求日渐增长，随之而来的物流需求也逐渐上升。对于物流平台而言，面对海量的物流数据，一个稳定且高效的物流管理平台不可或缺。随着物流大数据体积的不断增长，物流平台也应逐步调整自身的数据管理方式。在面对物流大数据的情况，传统的数据检索方案在存储上面临着巨大压力，并且已经出现检索效率低，稳定性较弱的问题。因而很难保证服务器的稳定性，以及物流决策的及时性。
3.受益于近些年来的大数据和计算力的提升，以及各种算法上的优化，深度学习广泛的应用于图像、语音、自然语言处理等领域，其中以循环神经网络、卷积神经网络、对抗神经网络、transforms等为几个典型的深度学习算法。另一方面，脑科学、生物神经学的研究取的了不断突破，为人工神经网络的研究提供了良好的借鉴。其中，一种受人类大脑皮层启发的时间序列数据预测模型，层级时序记忆(hierarchical temporal memory,htm)开始受到人们的广泛关注，该模型利用了稀疏分布表征，通过空间池和时间池等算法完成学习，广泛的应用于时间序列的分析和处理，据一些研究报道称，htm的预测效果与lstm相当甚至更好。
4.因此提出了一种基于htm的物流货运车辆快速查询系统及其设计方法，减少物流车辆数据所需要的存储空间，提高物流管理平台对物流车辆的快速查询效率。


技术实现要素：

5.本发明的目的在于提供一种基于htm的物流货运车辆快速查询系统及其设计方法，以解决现有的系统在面对物流大数据的情况下，数据检索方案在存储上的巨大压力，和检索效率低，稳定性较弱的问题。利用htm机器学习训练模型，降低存储压力，提高物流大数据系统中检索物流车辆数据的效率。
6.一种基于htm的物流货运车辆快速查询系统及其设计方法，包括以下步骤：
7.步骤1，采集单个物流车辆在某个较长时间内路线统计数据，将所经过的每个区县地点转换为六位数的地理编码，与该物流车辆的索引编码联合编码，构成具有时序特性的物流车辆轨迹实时在线数据流；
8.步骤2，针对物流平台的物流车辆轨迹分析应用，将该物流车辆的每个时间点的车辆和地点的联合编码转化为输入编码作为输入，用htm模型学习该物流车辆行驶轨迹的变化；
9.步骤3，利用htm空间池算法对该输入空间池化，将该输入映射为一组激活的微柱，完成空间池对输入数据的表征；
10.步骤4，空间池完成学习之后，在被激活微柱上生成学习细胞集将被激活的微柱集
送入时间池进行训练，构建输入之间的时序关系，并在htm中形成记忆；
11.步骤5，时间池完成对物流车辆实时在线轨迹数据的学习，输出下个时间点的物流车辆轨迹预测模式，由分类解码器根据最终训练的结果给出预测的物流车辆与地点的联合编码，最后将该联合编码解码为车辆和地点，作为该物流车辆的下个时间点的预测到达地点。
12.步骤6，实现一个基于htm训练模型的物流车辆的在线查询系统，对模型输入起始地点和到达地点，根据输出车辆与起始地点的联合编码，判断该车辆是否有该到达地点的预测模式，将满足条件的车辆作为两个地点之间的来往车辆，完成快速查询。
13.进一步，所属步骤6中，实现一个基于htm训练模型的物流车辆的在线查询系统，主要包括以下步骤：
14.步骤6.1，将物流车辆的车牌号与经过地点作为联合编码输入模型进行训练；
15.步骤6.2，完成训练后达到输入该物流车辆与目前所在地点可以预测到下一目的地的效果；
16.步骤6.3，输入的两个地点，根据该物流车辆与起始地点的联合编码，判断下一到达地点是否包含输入的到达地点；
17.步骤6.4，若包含，该物流车辆即为两个地点之间的经常往来车辆。
18.步骤6.5，将该物流平台所有的物流车辆与所行驶的轨迹的联合编码都输入htm模型进行以上训练，完成最终的训练。
19.本发明的有益效果：
20.1、本发明与现有物流管理平台的物流车辆查询方法不同，使用了一种基于htm的物流货运车辆快速查询方法，利用htm实现了车辆的轨迹预测方案
21.2、并在该轨迹预测方案的基础上，实现了地点之间的物流车辆快速查询系统。
22.3、本发明降低了物流货运车辆的数据存储压力，节省了存储空间，提高了货运车辆的查询效率，增强了物流管理平台对货运车辆管理的时效性。
附图说明
23.图1为一种基于htm的物流货运车辆轨迹预测方案的流程图；
24.图2为一种基于htm的物流货运车辆快速查询系统及其设计方法的流程图。
具体实施方式
25.为了使本发明的目的、技术方案及优点更加清楚明白，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用于解释本发明，并不用于限定本发明。
26.实施例1：
27.如图1和图2所示，一种基于htm的物流货运车辆快速查询系统及其设计方法。该方法的总体思路是引入基于htm的机器学习方案替代原有的单一数据库检索的方案，设计了基于htm的物流货运车辆快速查询系统，以完成物流货运车辆大数据的快速查询。具体过程如下：
28.步骤1，采集单个物流车辆在某个较长时间内路线统计数据，将所经过的每个区县
地点转换为六位数的地理编码，与该物流车辆的索引编码联合编码，构成具有时序特性的物流车辆轨迹实时在线数据流；
29.步骤2，针对物流平台的物流车辆轨迹分析应用，将该物流车辆的每个时间点的车辆和地点的联合编码转化为输入编码作为输入，用htm模型学习该物流车辆行驶轨迹的变化；
30.步骤3，利用htm空间池算法对该输入空间池化，将该输入映射为一组激活的微柱，完成空间池对输入数据的表征；
31.步骤4，空间池完成学习之后，在被激活微柱上生成学习细胞集将被激活的微柱集送入时间池进行训练，构建输入之间的时序关系，并在htm中形成记忆；
32.步骤5，时间池完成对物流车辆实时在线轨迹数据的学习，输出下个时间点的物流车辆轨迹预测模式，由分类解码器根据最终训练的结果给出预测的物流车辆与地点的联合编码，最后将该联合编码解码为车辆和地点，作为该物流车辆的下个时间点的预测到达地点。
33.步骤6，实现一个基于htm训练模型的物流车辆的在线查询系统，对模型输入起始地点和到达地点，根据输出车辆与起始地点的联合编码，判断该车辆是否有该到达地点的预测模式，将满足条件的车辆作为两个地点之间的来往车辆，完成快速查询。实现一个基于htm训练模型的物流货运车辆的在线查询系统，主要包括以下步骤：
34.步骤6.1，将物流车辆的车牌号与经过地点作为联合编码输入模型进行训练；
35.步骤6.2，完成训练后达到输入该物流车辆与目前所在地点可以预测到下一目的地的效果；
36.步骤6.3，输入的两个地点，根据该物流车辆与起始地点的联合编码，判断下一到达地点是否包含输入的到达地点；
37.步骤6.4，若包含，该物流车辆即为两个地点之间的经常往来车辆。
38.步骤6.5，将该物流平台所有的物流车辆与所行驶的轨迹的联合编码都输入htm模型进行以上训练，完成最终的训练。
39.综上，本发明的一种基于htm的物流货运车辆快速查询系统及其设计方法，引入了基于htm的机器学习方案替代原有的单一数据库检索的方案，设计了基于htm的物流货运车辆快速查询系统，以完成物流车辆大数据的快速查询。本发明利用了htm在时序预测方面运行效率高的优点，构建了物流车辆的轨迹预测方案，并在此基础上完成了车辆的快速查询系统，利用机器学习训练模型，提高物车辆大数据系统中存储和访问海量数据的效率。并且该模型能够动态的适应车辆的轨迹变化，可以实时记录并完成训练，增强了该系统的有效性和实用性。
40.在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示意性实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
41.以上实施例仅用于说明本发明的设计思想和特点，其目的在于使本领域内的技术人员能够了解本发明的内容并据以实施，本发明的保护范围不限于上述实施例。所以，凡依
据本发明所揭示的原理、设计思路所作的等同变化或修饰，均在本发明的保护范围之内。