CN107437147A - 还原货运物流情景的车辆行驶风险动态评估方法及其系统 - Google Patents
还原货运物流情景的车辆行驶风险动态评估方法及其系统 Download PDFInfo
- Publication number
- CN107437147A CN107437147A CN201710652571.7A CN201710652571A CN107437147A CN 107437147 A CN107437147 A CN 107437147A CN 201710652571 A CN201710652571 A CN 201710652571A CN 107437147 A CN107437147 A CN 107437147A
- Authority
- CN
- China
- Prior art keywords
- data
- information
- vehicle
- data acquisition
- acquisition device
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 53
- 238000012549 training Methods 0.000 claims abstract description 21
- 238000012502 risk assessment Methods 0.000 claims abstract description 19
- 238000013135 deep learning Methods 0.000 claims abstract description 16
- 239000000523 sample Substances 0.000 claims description 23
- 230000009467 reduction Effects 0.000 claims description 20
- 238000012544 monitoring process Methods 0.000 claims description 14
- 238000005457 optimization Methods 0.000 claims description 13
- 238000012545 processing Methods 0.000 claims description 13
- 230000005856 abnormality Effects 0.000 claims description 8
- 238000011156 evaluation Methods 0.000 claims description 7
- 230000008569 process Effects 0.000 abstract description 9
- 238000004458 analytical method Methods 0.000 description 3
- 230000006399 behavior Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000010354 integration Effects 0.000 description 2
- 241001269238 Data Species 0.000 description 1
- 230000002547 anomalous effect Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 230000001815 facial effect Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000013016 learning Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 230000007935 neutral effect Effects 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 241000894007 species Species 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000003786 synthesis reaction Methods 0.000 description 1
- 238000002604 ultrasonography Methods 0.000 description 1
- 230000005428 wave function Effects 0.000 description 1
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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0635—Risk analysis of enterprise or organisation activities
-
- 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
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- 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
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Marketing (AREA)
- Development Economics (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Game Theory and Decision Science (AREA)
- Educational Administration (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明实施例公开了一种还原货运物流情景的车辆行驶风险动态评估方法及其系统,其中,该方法包括:接收数据采集装置采集的原始数据,根据所述原始数据还原货运物流运输的真实情景以得到训练数据;基于深度学习算法对所述训练数据进行建模以得到预测模型;接收所述数据采集装置所发送的标准数据,所述标准数据由所述数据采集装置对采集的当前数据进行处理所得;将所述标准数据输入所述预测模型进行预测以得到风险评估报告。实施本发明实施例,实现了对物流货运过程中的车辆驾驶风险的准确、有效评估。
Description
技术领域
本发明涉及物流运输技术领域,具体涉及一种还原货运物流情景的车辆行驶风险动态评估方法及其系统。
背景技术
伴随物联网概念与技术的政策支持与商业应用的发展,智能硬件运算处理能力加强与各类传感器种类功能变得丰富、稳定,为物流大数据的应用落地奠下坚实基础。目前有关物流货运风险评估的方法主要有以下两种:
(1)疲劳驾驶检测方法:通过摄像头采集驾驶员的脸部图像,对脸部图像进行分析识别,从而实现驾驶风险评估;(2)驾驶行为评分方法:采集车辆行驶过程中产生的多项指标数据,通过主观定义设定每项指标固定的报警阈值(也可以是均值统计),根据超出阈值次数来判定驾驶行为的好坏,从而实现驾驶风险评估。但,第一种方法中,通过摄像头对驾驶人员面部的图像监测也并不是完全有效的措施,图像采集成功效率并不是很高,一方面图像采集位置是固定的,另一方面驾驶人员的面部特征比较特殊,比如眼睛过小、脸部不够清洁,都有可能造成疲劳监测的误判;第二种方法中,缺失了不同情景下的行驶环境的客观判断,容易造成误判。
综上,上述两种驾驶风险评估方法都难以准确、有效地评估物流货运过程中的车辆驾驶风险。
发明内容
本发明实施例的目的在于提供一种还原货运物流情景的车辆行驶风险动态评估方法,以准确、有效地评估物流货运过程中的车辆驾驶风险。
为实现上述目的,第一方面,本发明实施例提供了一种还原货运物流情景的车辆行驶风险动态评估方法,包括:
接收数据采集装置采集的原始数据,根据所述原始数据还原货运物流运输的真实情景以得到训练数据;
基于深度学习算法对所述训练数据进行建模以得到预测模型;
接收所述数据采集装置所发送的标准数据,所述标准数据由所述数据采集装置对采集的当前数据进行处理所得;
将所述标准数据输入所述预测模型进行预测以得到风险评估报告。
作为一种可选的实施方式,所述原始数据包括第一数据、第二数据以及第三数据,所述第一数据由超声波探头所采集的车辆四周距离构成,所述第二数据由多数据采集设备所采集的司机图像信息、车辆油耗信息、车辆行驶状态信息和车辆位置信息构成,所述第三数据由车辆信息、司机信息、天气信息及道路信息构成。
作为一种可选的实施方式,所述当前数据包括第一数据、第二数据以及第三数据,所述第一数据由超声波探头所采集的车辆四周距离构成,所述第二数据由多数据采集设备所采集的司机图像信息、车辆油耗信息、车辆行驶状态信息和车辆位置信息构成,且所述第二数据保存于所述多数据采集设备中,所述第三数据由车辆信息、司机信息、天气信息及道路信息构成。
作为一种可选的实施方式,所述数据采集装置包括超声波探头及多数据采集设备,所述数据采集装置对当前数据进行处理以得到标准数据具体包括:
所述超声波探头对所述第一数据中的车辆四周距离进行处理以得到监测外部车辆和超车情况的监测数据,并将所述监测数据保存至所述多数据采集设备;
在所述多数据采集设备中,对所述第一数据、第二数据及第三数据进行处理以得到所述标准数据。
作为一种可选的实施方式,接收所述数据采集装置所发送的标准数据之后,所述方法还包括:
根据所述标准数据对所述预测模型进行拟合及优化处理。
作为一种可选的实施方式,将所述标准数据输入所述预测模型进行预测以得到风险评估报告之后,所述方法还包括:
基于时间序列异常识别方法对货运车辆进行预警。
第二方面,本发明实施例还提供了一种还原货运物流情景的车辆行驶风险动态评估系统,包括数据采集装置及服务器。其中,所述服务器包括:
接收模块,用于接收数据采集装置采集的原始数据,根据所述原始数据还原货运物流运输的真实情景以得到训练数据;
建模模块,用于基于深度学习算法对所述训练数据进行建模以得到预测模型;
所述接收模块还用于接收所述数据采集装置所发送的标准数据,所述标准数据由所述数据采集装置对采集的当前数据进行处理所得;
预测模块,用于将所述标准数据输入所述预测模型进行预测以得到风险评估报告。
作为一种可选的实施方式,所述原始数据包括第一数据、第二数据以及第三数据,所述数据采集装置包括超声波探头及多数据采集设备,所述超声波探头用于采集所述第一数据,所述多数据采集设备用于采集所述第二数据。
作为一种可选的实施方式,所述第一数据包括车辆四周距离,所述第二数据包括司机图像信息、车辆油耗信息、车辆行驶状态信息和车辆位置信息,所述第三数据包括车辆信息、司机信息、天气信息及道路信息。
作为一种可选的实施方式,所述系统还包括:
拟合优化模块,用于根据所述标准数据对所述预测模型进行拟合及优化处理;
预警模块,用于基于时间序列异常识别方法对货运车辆进行预警。
本发明实施例所提供还原货运物流情景的车辆行驶风险动态评估方法及其系统,服务器先接收数据采集装置采集的原始数据以还原货运物流运输的真实场景,从而得到训练数据,在基于深度学习算法对训练数据进行建模以得到预测模型,接着,服务器接收数据采集装置所发送的标准数据,将标准数据输入预测模型预测以得到风险评估报告。实施本发明实施例,实现了对物流货运过程中的车辆驾驶风险的准确、有效评估。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案,下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍。在所有附图中,类似的元件或部分一般由类似的附图标记标识。附图中,各元件或部分并不一定按照实际的比例绘制。
图1是本发明第一实施例提供的还原货运物流情景的车辆行驶风险动态评估方法的流程示意图;
图2是本发明第二实施例提供的还原货运物流情景的车辆行驶风险动态评估方法的流程示意图;
图3是本发明第一实施例提供的还原货运物流情景的车辆行驶风险动态评估系统的流程示意图;
图4是图3所示服务器的一结构示意图;
图5是图3所示服务器的另一结构示意图。
具体实施方式
下面将结合附图对本发明技术方案的实施例进行详细的描述。以下实施例仅用于更加清楚地说明本发明的技术方案,因此只是作为示例,而不能以此来限制本发明的保护范围。
需要注意的是,除非另有说明,本申请使用的技术术语或者科学术语应当为本发明所属领域技术人员所理解的通常意义。
为了更好地阐述本发明实施例的技术方案,先对本发明所涉及的相关信息做如下说明:
本发明的原理是通过硬件运算处理设备与摄像头、超声波探头、温湿度等各类传感器连接,结合车机、司机信息,还原真实货运物流运输过程中的情景,从而利用深度学习方法对运输过程中产生的一系列数据建模,大数据技术综合分析,实现对司机驾驶风险评估判断与预测,提高货运物流运输安全和预判。
安卓设备是目前国内手机设计、制造商使用最多的一个完整手机硬件软件一体化方案产品,该产品内置多个传感器和摄像头,同时可以外接其他传感器接口,作用相当于一部完整的智能手机,可以根据不同场景切换应用方案;
超声波探头,通过超声波的发射和接收实现距离的测算,测算频率自定,作用计算汽车行驶过程中前后左右四周的动态变化情况,前后探头可测近范围车距,左右探头可通过实时的距离探测来实现监测汽车环境的变化情况,比如汽车自身或其他车辆的超车行为,超声波传感器优点有近侧稳定性极佳,不受环境影响,且能监测到绝大部分物体;
摄像头,作用为识别外部信号、阻碍物,以及监测车内驾驶员身份、疲劳等行为状态,摄像头的优势是能够有效辨别事物、识别信号;
各类传感器接收来的数据通过安卓设备汇总传输给服务器端,服务器对分布式数据进行处理整合,初期需要对所有数据进行数据建模处理,建模方法我们选用机器学习的深度学习方法,后续根据新增数据不断优化模型的拟合程度,提高风险判别准确率。
时间序列异常识别方法我们采用小波分析算法,小波分析的基本思想是用一簇小波函数系来表示或逼近某一信号的函数,小波的特点在于能够提供受分析序列的时间域、频率域上两个维度的特征。大概流程有数据格式转化、边界效应的消除或减小、计算小波系数、计算复小波系数的实部,在实际时间序列分析过程中起到消噪与滤波的作用。
深度学习属于机器学习方法,是一种包含多隐层的神经网络的学习结构,通过组合低层特征形成更加抽象的高层来表示属性类别或特征,可用于解决回归和分类问题,在此应用场景中我们采用Tenserflow深度学习工具进行图像识别。
请参考图1,是本发明第一实施例所提供的还原货运物流情景的车辆行驶风险动态评估方法的流程示意图,如图所示,该方法可以包括以下步骤:
S101,接收数据采集装置采集的原始数据,根据原始数据还原货运物流运输的真实情景以得到训练数据;
原始数据包括第一数据、第二数据以及第三数据,数据采集设备包括超声波探头及多数据采集设备等,该多数据采集设备可以是上述所述的安卓设备,但不仅限于此。所述第一数据由超声波探头所采集的车辆四周距离构成,所述第二数据由多数据采集设备所采集的司机图像信息、车辆油耗信息、车辆行驶状态信息和车辆位置信息构成,所述第三数据由车辆信息、司机信息、天气信息及道路信息构成。数据采集设备采集上述原始数据之后,将其传送至服务器,服务器根据所述原始数据还原货运物流运输的真实情景以得到训练数据。需要说明的是,此处还原货运物流运输的真实情景具体包括:先根据超声波探头所采集的车辆四周距离(特别是两侧方向)以及安卓设备内部集成的各类传感器(包括GPS传感器、油耗传感器、行驶状态传感器、摄像头等)所采集的数据进行情景还原的第一步,再在此基础上结合车辆信息(长宽高、发动机马力、车龄、档位、载荷等)、司机信息(司机驾龄等)、天气信息及道路信息(道路曲度、坡度等)进行情景还原的第二步,从而完成货运物流运输的真实情景还原。完成真实情景还原之后,便得到了用于建模的训练数据。
S102,基于深度学习算法对训练数据进行建模以得到预测模型。
基于深度学习算法对训练数据进行建模以得到多个初期模型,之后对多个初期模型进行模型评估检验与解释,对于得到的模型效果良好的初期模型的生成上述预测模型。
S103,接收数据采集装置所发送的标准数据,标准数据由数据采集装置对采集的当前数据进行处理所得。
其中,所述当前数据包括第一数据、第二数据以及第三数据,所述第一数据由超声波探头所采集的车辆四周距离构成,所述第二数据由多数据采集设备所采集的司机图像信息、车辆油耗信息、车辆行驶状态信息和车辆位置信息构成,且所述第二数据保存于所述多数据采集设备中,所述第三数据由车辆信息、司机信息、天气信息及道路信息构成。
进一步地,所述数据采集装置对当前数据进行处理以得到标准数据具体包括:
所述超声波探头对所述第一数据中的车辆四周距离进行处理以得到监测外部车辆和超车情况的监测数据,并将所述监测数据保存至所述多数据采集设备;具体地,超声波探头持续采集车辆四周距离,特别是两侧方向,通过特殊处理算法监测外部其他车辆和超车情况以得到监测数据,并将所述监测数据保存至所述多数据采集设备(安卓设备);
在所述多数据采集设备中,对所述第一数据、第二数据及第三数据进行处理以得到所述标准数据。如上所述,多数据采集设备(安卓设备)集成内置各类传感器(包括GPS传感器、油耗传感器、行驶状态传感器、摄像头等)和接口,安卓设备采集并保存第二数据。此外,安卓设备还与单片机连接,通过单片机可将多个传感器数据(第三数据)传送至安卓设备中。安卓设备中配置有数据处理工具环境,可对上述第一数据、第二数据及第三数据进行大量的数据汇集与处理工作,从而形成标准数据发送至服务器中进行存放。
S104,将标准数据输入预测模型进行预测以得到风险评估报告。
服务器将安卓设备所发送的标准数据输入预测模型进行预测,从而生成风险评估报告。
本发明实施例所提供还原货运物流情景的车辆行驶风险动态评估方法及其系统,服务器先接收数据采集装置采集的原始数据以还原货运物流运输的真实场景,从而得到训练数据,在基于深度学习算法对训练数据进行建模以得到预测模型,接着,服务器接收数据采集装置所发送的标准数据,将标准数据输入预测模型预测以得到风险评估报告。实施本发明实施例,实现了对物流货运过程中的车辆驾驶风险的准确、有效评估。
此外,本发明实施例中,建模时采用了机器学习算法中的深度学习算法,从而提高了风险评估的准确性。
请参考图2,是本发明第二实施例所提供的还原货运物流情景的车辆行驶风险动态评估方法的流程示意图,如图所示,该方法可以包括以下步骤:
S201,接收数据采集装置采集的原始数据,根据原始数据还原货运物流运输的真实情景以得到训练数据;
S202,基于深度学习算法对训练数据进行建模以得到预测模型;
S203,接收数据采集装置所发送的标准数据;
S204,根据标准数据对预测模型进行拟合及优化处理;
S205,将标准数据输入预测模型进行预测以得到风险评估报告;
其中,标准数据由数据采集装置对采集的当前数据(即新数据)进行处理所得。使用预测模型对标准数据进行数据的同时,也对现有的预测模型进行了不断的拟合、优化及更新。
S206,基于时间序列异常识别方法对货运车辆进行预警。
需要说明的是,本实施例中与第一实施例中对应步骤的具体过程,请参考第一实施例,在此不再赘述。
实施本发明实施例,实现了对物流货运过程中的车辆驾驶风险的准确、有效评估。且,还可对风险评估中的预测模型进行不断拟合优化,同时还基于时间序列异常识别方法对货运车辆的未来风险进行了预警。
请参考图3,是本发明第一实施例所提供的还原货运物流情景的车辆行驶风险动态评估系统的结构示意图,如图所示,该系统可以包括数据采集装置100及服务器200。
其中,数据采集装置100用于采集原始数据和当前数据。所述原始数据及当前数据均包括第一数据、第二数据以及第三数据。所述第一数据包括车辆四周距离,所述第二数据包括司机图像信息、车辆油耗信息、车辆行驶状态信息和车辆位置信息,所述第三数据包括车辆信息、司机信息、天气信息及道路信息。数据采集装置100包括超声探头10及多数据采集设备11。所述超声波探头10用于采集所述第一数据,所述多数据采集设备11用于采集所述第二数据。
进一步地,在本实施例中,如图4所示,服务器200包括:
接收模块20,用于接收数据采集装置采集的原始数据,根据所述原始数据还原货运物流运输的真实情景以得到训练数据;
建模模块21,用于基于深度学习算法对所述训练数据进行建模以得到预测模型;
所述接收模块20还用于接收所述数据采集装置所发送的标准数据,所述标准数据由所述数据采集装置对采集的当前数据进行处理所得;
预测模块22,用于将所述标准数据输入所述预测模型进行预测以得到风险评估报告。
可选地,在本发明的另一实施例中,如图5所示,服务器300包括接收模块30、建模模块31、预测模块32、拟合优化模块33以及预警模块34。其中,拟合优化模块33用于根据所述标准数据对所述预测模型进行拟合及优化处理,预警模块34用于基于时间序列异常识别方法对货运车辆进行预警。其余模块的功能及连接关系与图4所示类似,在此不再赘述。
实施本发明实施例,实现了对物流货运过程中的车辆驾驶风险的准确、有效评估。且,还可对风险评估中的预测模型进行不断拟合优化,同时还基于时间序列异常识别方法对货运车辆的未来风险进行了预警。
以上各实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述各实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分或者全部技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的范围,其均应涵盖在本发明的权利要求和说明书的范围当中。
Claims (10)
1.一种还原货运物流情景的车辆行驶风险动态评估方法,其特征在于,包括:
接收数据采集装置采集的原始数据,根据所述原始数据还原货运物流运输的真实情景以得到训练数据;
基于深度学习算法对所述训练数据进行建模以得到预测模型;
接收所述数据采集装置所发送的标准数据,所述标准数据由所述数据采集装置对采集的当前数据进行处理所得;
将所述标准数据输入所述预测模型进行预测以得到风险评估报告。
2.如权利要求1所述的还原货运物流情景的车辆行驶风险动态评估方法,其特征在于,所述原始数据包括第一数据、第二数据以及第三数据,所述第一数据由超声波探头所采集的车辆四周距离构成,所述第二数据由多数据采集设备所采集的司机图像信息、车辆油耗信息、车辆行驶状态信息和车辆位置信息构成,所述第三数据由车辆信息、司机信息、天气信息及道路信息构成。
3.如权利要求1所述的还原货运物流情景的车辆行驶风险动态评估方法,其特征在于,所述当前数据包括第一数据、第二数据以及第三数据,所述第一数据由超声波探头所采集的车辆四周距离构成,所述第二数据由多数据采集设备所采集的司机图像信息、车辆油耗信息、车辆行驶状态信息和车辆位置信息构成,且所述第二数据保存于所述多数据采集设备中,所述第三数据由车辆信息、司机信息、天气信息及道路信息构成。
4.如权利要求3所述的还原货运物流情景的车辆行驶风险动态评估方法,其特征在于,所述数据采集装置包括超声波探头及多数据采集设备,所述数据采集装置对当前数据进行处理以得到标准数据具体包括:
所述超声波探头对所述第一数据中的车辆四周距离进行处理以得到监测外部车辆和超车情况的监测数据,并将所述监测数据保存至所述多数据采集设备;
在所述多数据采集设备中,对所述第一数据、第二数据及第三数据进行处理以得到所述标准数据。
5.如权利要求4所述的还原货运物流情景的车辆行驶风险动态评估方法,其特征在于,接收所述数据采集装置所发送的标准数据之后,所述方法还包括:
根据所述标准数据对所述预测模型进行拟合及优化处理。
6.如权利要求5所述的还原货运物流情景的车辆行驶风险动态评估方法,其特征在于,将所述标准数据输入所述预测模型进行预测以得到风险评估报告之后,所述方法还包括:
基于时间序列异常识别方法对货运车辆进行预警。
7.一种还原货运物流情景的车辆行驶风险动态评估系统,包括数据采集装置及服务器,其特征在于,所述服务器包括:
接收模块,用于接收数据采集装置采集的原始数据,根据所述原始数据还原货运物流运输的真实情景以得到训练数据;
建模模块,用于基于深度学习算法对所述训练数据进行建模以得到预测模型;
所述接收模块还用于接收所述数据采集装置所发送的标准数据,所述标准数据由所述数据采集装置对采集的当前数据进行处理所得;
预测模块,用于将所述标准数据输入所述预测模型进行预测以得到风险评估报告。
8.如权利要求7所述的还原货运物流情景的车辆行驶风险动态评估系统,其特征在于,所述原始数据包括第一数据、第二数据以及第三数据,所述数据采集装置包括超声波探头及多数据采集设备,所述超声波探头用于采集所述第一数据,所述多数据采集设备用于采集所述第二数据。
9.如权利要求8所述的还原货运物流情景的车辆行驶风险动态评估系统,其特征在于,所述第一数据包括车辆四周距离,所述第二数据包括司机图像信息、车辆油耗信息、车辆行驶状态信息和车辆位置信息,所述第三数据包括车辆信息、司机信息、天气信息及道路信息。
10.如权利要求8所述的还原货运物流情景的车辆行驶风险动态评估系统,其特征在于,所述系统还包括:
拟合优化模块,用于根据所述标准数据对所述预测模型进行拟合及优化处理;
预警模块,用于基于时间序列异常识别方法对货运车辆进行预警。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710652571.7A CN107437147A (zh) | 2017-08-02 | 2017-08-02 | 还原货运物流情景的车辆行驶风险动态评估方法及其系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710652571.7A CN107437147A (zh) | 2017-08-02 | 2017-08-02 | 还原货运物流情景的车辆行驶风险动态评估方法及其系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107437147A true CN107437147A (zh) | 2017-12-05 |
Family
ID=60460949
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710652571.7A Pending CN107437147A (zh) | 2017-08-02 | 2017-08-02 | 还原货运物流情景的车辆行驶风险动态评估方法及其系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107437147A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109242391A (zh) * | 2018-09-19 | 2019-01-18 | 惠龙易通国际物流股份有限公司 | 一种货物识别方法及装置 |
CN109583741A (zh) * | 2018-11-23 | 2019-04-05 | 上海交通大学 | 行驶轨迹风险评估方法和系统 |
CN109858553A (zh) * | 2019-01-31 | 2019-06-07 | 深圳市赛梅斯凯科技有限公司 | 驾驶状态的监测模型更新方法、更新装置及存储介质 |
CN110033614A (zh) * | 2019-03-22 | 2019-07-19 | 山西省交通科学研究院有限公司 | 一种基于物联网技术的道路危险货物运输动态风险预警系统 |
CN111222767A (zh) * | 2019-12-29 | 2020-06-02 | 航天信息股份有限公司 | 一种粮食物流过程质量安全风险评估方法及系统 |
CN112948749A (zh) * | 2021-03-02 | 2021-06-11 | 北京交通大学 | 全链条物流风险因素识别预测系统及方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070216521A1 (en) * | 2006-02-28 | 2007-09-20 | Guensler Randall L | Real-time traffic citation probability display system and method |
CN105046766A (zh) * | 2015-08-27 | 2015-11-11 | 孙健 | 一种货运车辆行驶安全监测系统和方法 |
CN105303197A (zh) * | 2015-11-11 | 2016-02-03 | 江苏省邮电规划设计院有限责任公司 | 一种基于机器学习的车辆跟车安全自动评估方法 |
CN106651162A (zh) * | 2016-12-09 | 2017-05-10 | 思建科技有限公司 | 一种基于大数据的驾驶风险评估方法 |
CN106855965A (zh) * | 2016-08-16 | 2017-06-16 | 芮锶钶(上海)网络技术有限公司 | 一种基于机动车的驾驶行程数据评估其驾驶风险的方法 |
CN106952002A (zh) * | 2017-04-05 | 2017-07-14 | 南京人人保网络技术有限公司 | 基于驾驶行为的驾驶风险评估方法及装置 |
-
2017
- 2017-08-02 CN CN201710652571.7A patent/CN107437147A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070216521A1 (en) * | 2006-02-28 | 2007-09-20 | Guensler Randall L | Real-time traffic citation probability display system and method |
CN105046766A (zh) * | 2015-08-27 | 2015-11-11 | 孙健 | 一种货运车辆行驶安全监测系统和方法 |
CN105303197A (zh) * | 2015-11-11 | 2016-02-03 | 江苏省邮电规划设计院有限责任公司 | 一种基于机器学习的车辆跟车安全自动评估方法 |
CN106855965A (zh) * | 2016-08-16 | 2017-06-16 | 芮锶钶(上海)网络技术有限公司 | 一种基于机动车的驾驶行程数据评估其驾驶风险的方法 |
CN106651162A (zh) * | 2016-12-09 | 2017-05-10 | 思建科技有限公司 | 一种基于大数据的驾驶风险评估方法 |
CN106952002A (zh) * | 2017-04-05 | 2017-07-14 | 南京人人保网络技术有限公司 | 基于驾驶行为的驾驶风险评估方法及装置 |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109242391A (zh) * | 2018-09-19 | 2019-01-18 | 惠龙易通国际物流股份有限公司 | 一种货物识别方法及装置 |
CN109583741A (zh) * | 2018-11-23 | 2019-04-05 | 上海交通大学 | 行驶轨迹风险评估方法和系统 |
CN109583741B (zh) * | 2018-11-23 | 2021-03-09 | 上海交通大学 | 行驶轨迹风险评估方法和系统 |
CN109858553A (zh) * | 2019-01-31 | 2019-06-07 | 深圳市赛梅斯凯科技有限公司 | 驾驶状态的监测模型更新方法、更新装置及存储介质 |
CN109858553B (zh) * | 2019-01-31 | 2023-12-12 | 锦图计算技术(深圳)有限公司 | 驾驶状态的监测模型更新方法、更新装置及存储介质 |
CN110033614A (zh) * | 2019-03-22 | 2019-07-19 | 山西省交通科学研究院有限公司 | 一种基于物联网技术的道路危险货物运输动态风险预警系统 |
CN111222767A (zh) * | 2019-12-29 | 2020-06-02 | 航天信息股份有限公司 | 一种粮食物流过程质量安全风险评估方法及系统 |
CN112948749A (zh) * | 2021-03-02 | 2021-06-11 | 北京交通大学 | 全链条物流风险因素识别预测系统及方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107437147A (zh) | 还原货运物流情景的车辆行驶风险动态评估方法及其系统 | |
CN109947086B (zh) | 基于对抗学习的机械故障迁移诊断方法及系统 | |
CN107941537B (zh) | 一种机械设备健康状态评估方法 | |
CN112465395A (zh) | 一种面向自动驾驶汽车的多维度综合评价方法及装置 | |
CN111860155B (zh) | 一种车道线的检测方法及相关设备 | |
CN107591002B (zh) | 一种基于分布式光纤的高速公路交通参数实时估计方法 | |
US20220139070A1 (en) | Learning apparatus, estimation apparatus, data generation apparatus, learning method, and computer-readable storage medium storing a learning program | |
CN105300692B (zh) | 一种基于扩展卡尔曼滤波算法的轴承故障诊断及预测方法 | |
CN109118055A (zh) | 一种驾驶行为评分方法及装置 | |
US10928277B1 (en) | Intelligent telematics system for providing vehicle vocation | |
US10474684B2 (en) | Method, computer program, computer program product and system for handling sensor data | |
CN110348103A (zh) | 一种基于数字孪生的车辆抗毁伤评估方法 | |
CN117172414A (zh) | 一种基于bim技术的建筑幕墙施工管理系统 | |
TWI604324B (zh) | Performance evaluation system and method | |
CN116901975B (zh) | 一种车载ai安防监控系统及其方法 | |
CN116647651B (zh) | 一种基于北斗卫星的无人机施工监控方法及系统 | |
Ma et al. | Structural fault diagnosis of UAV based on convolutional neural network and data processing technology | |
CN114137526A (zh) | 基于标签的车载毫米波雷达多目标检测方法和系统 | |
CN105719359B (zh) | 车辆信息的获取方法和装置 | |
Wang et al. | Road surface state recognition based on semantic segmentation | |
CN108694486A (zh) | 一种基于云模型的驾驶行为智能评价方法和装置 | |
CN106570535A (zh) | 一种基于adas和obd数据用户分类方法 | |
Kee et al. | Cloud-based IoT solution for predictive modeling of ship fuel consumption | |
CN109421679A (zh) | 一种车辆自适应主动刹车方法 | |
CN115176255A (zh) | 参数调整装置、推论装置、参数调整方法以及参数调整程序 |
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 | ||
TA01 | Transfer of patent application right | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20181219 Address after: 200120 118, 20, 1-42 Lane 83, Hongxiang North Road, Wanxiang Town, Pudong New Area, Shanghai. Applicant after: Shanghai Hao Ling Technology Co., Ltd. Address before: 113006 Office No. 1, Building 7, Tongyi North Road, Dongzhou District, Fushun City, Liaoning Province Applicant before: Liaoning AIA Network Technology Co., Ltd. |
|
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20171205 |