CN109934233A - 一种运输业务识别方法和系统 - Google Patents

Abstract

本发明提供一种运输业务识别方法和系统，该方案为：通过获取待识别车辆的车号、行驶日期和有效车辆行驶信息，根据待识别车辆的车号和行驶日期划分待识别车辆对应的训练样本，将训练样本和验证样本作为预先建立的分类模型的输入对象，输入分类模型执行分类处理，分别得到训练样本和验证样本对应的分类标签，基于验证样本的分类标签，确定训练样本对应的分类标签所对应的业务类别。基于本发明，通过分类模型来实现自动识别载货车辆的运输业务，能快速准确地识别出载货车辆的业务类型，大大降低人力成本。

Description

一种运输业务识别方法和系统

技术领域

本发明涉及物流运输技术领域，尤其涉及一种运输业务识别方法和系统。

背景技术

随着电商时代的发展，对物流运输的发展提出了更大的要求。公路运输作为物流运输中的最重要的一部分，为互联网经济的发展提供了巨大的助力。为了能够依据不同客户对运输业务场景的需求，合理分配资源配比，故而需要及时掌握货运市场中各个载货车辆的运输业务。由此可知，获悉载货车辆的运输业务类型对于如今的物流行业来说是至关重要的。

目前，运输业务一般分为长途物流和短途配送两种场景。当载货车辆完成运输业务后，通过人工统计载货车辆的各项载货运输记录，从而识别出该载货车辆的运输业务场景。由于该方案都是在运输业务完成之后再进行人工识别，识别的结果会具有较大的偏差，识别的效率以及时效性尤为低下。

发明内容

有鉴于此，本发明实施例提供一种运输业务识别方法和系统，以解决载货车运输业务的识别工作中识别结果准确性和时效性低下的问题。

为实现上述目的，本发明实施例提供如下技术方案：

本发明实施例第一方面公开了一种运输业务识别方法，所述运输业务识别方法包括：

获取待识别车辆的车号、行驶日期和有效车辆行驶信息；

根据所述待识别车辆的车号和行驶日期划分所述待识别车辆对应的训练样本，每一所述训练样本包括每一所述待识别车辆各个行驶日期所对应的有效车辆行驶信息；

将所述训练样本和验证样本作为预先建立的分类模型的输入对象，输入所述分类模型执行分类处理，分别得到所述训练样本和所述验证样本对应的分类标签，所述验证样本为已知业务类别的样本；

基于所述验证样本的分类标签，确定所述训练样本对应的分类标签所对应的业务类别，所述业务类别至少包括长途物流和短途配送。

优选的，在上述运输业务识别方法中，所述获取待识别车辆的车号、行驶日期和有效车辆行驶信息，包括：

基于预设数据采样频率获取所述待识别车辆通过车载智能终端上传的车号、行驶日期和车辆行驶信息；

判断获取到的车辆行驶信息中记录位置经度信息、位置纬度信息的数据段是否为空，以及行驶里程的跳变是否为有效数据；

若所述记录位置经度信息、位置纬度信息的数据段为空，则删除所述数据段；

若所述行驶里程的跳变为无效数据，则对里程数据进行处理，保留有效的里程数据；

确定记录位置经度信息、位置纬度信息的数据段不为空，且所述行驶里程的跳变为有效数据的车辆行驶信息为所述有效车辆行驶信息。

优选的，在上述运输业务识别方法中，所述若所述行驶里程的里程跳变为无效数据，则对里程数据进行处理的过程包括：

若所述行驶里程的跳变超出预设范围，则删除所述里程数据；

若所述行驶里程的跳变为负值，则将所述行驶里程的前一行驶里程与后一行驶里程的均值作为所述行驶里程。

优选的，在上述运输业务识别方法中，所述根据所述待识别车辆的车号信息和行驶日期信息划分所述待识别车辆对应的训练样本，包括：

以预设时间单位对所述待识别车辆的行驶日期进行拆分，提取多个子行驶日期；

划分同一车号的待识别车辆在一子行驶日期内的有效车辆行驶信息为一训练样本。

优选的，在上述运输业务识别方法中，所述将所述训练样本和验证样本作为预先建立的分类模型的输入对象，输入所述分类模型执行分类处理，分别得到所述训练样本和所述验证样本对应的分类标签，包括：

基于所述训练样本和验证样本的有效车辆行驶信息，计算得到跨省率、日均行驶时长和日均行驶里程；

基于K-means聚类算法构建的分类模型对所述跨省率、日均行驶时长和日均行驶里程进行分类学习，分别获得所述训练样本和验证样本对应的分类标签。

优选的，在上述运输业务识别方法中，所述基于所述训练样本和验证样本的有效车辆行驶信息，计算得到跨省率、日均行驶时长和日均行驶里程，包括：

基于公式分别计算所述训练样本和所述验证样本，得到分别对应所述训练样本和所述验证样本的跨省率，其中，ε_i指的是车号为i的车辆的跨省率，P_ij(Long,Lat)指的是车号为i的车辆在日期为j的当天中所行驶经历过的省份个数，M为车号为i的车辆行驶的总天数，i为车辆的车号，j为以天数为时间单位的日期；

基于公式分别计算所述训练样本和所述验证样本，得到分别对应所述训练样本和所述验证样本的日均行驶时长，其中，avgT_i指的是车号为i的车辆的日均行驶时长，ΔT_ij指的是车号为i的车辆在日期为j的当天中任意两个相邻的有效车辆行驶信息之间对应的时长差值，指的是车号为i的车辆在M天中的行驶时长总和；

基于公式分别计算所述训练样本和所述验证样本，得到分别对应所述训练样本和所述验证样本的日均行驶里程，其中，avgODO_i指的是车号为i的车辆的日均行驶里程，ΔODO_ij指的是车号为i的车辆在日期为j的当天中任意两个相邻的有效车辆行驶信息之间对应的行驶里程差值，指的是车号为i的车辆在M天中的行驶里程总和。

优选的，在上述运输业务识别方法中，所述基于所述验证样本的分类标签，确定所述训练样本对应的分类标签所对应的业务类别，包括：

基于所述验证样本的分类标签，确定所述验证样本的分类标签与业务类别的对应关系；

若所述验证样本的分类标签与业务类别的对应关系为第一分类标签对应长途物流，确定第二分类标签对应短途配送；

当所述训练样本对应的分类标签为第一分类标签时，所述训练样本对应的业务类别为长途物流；

当所述训练样本对应的分类标签为第二分类标签时，所述训练样本对应的业务类别为短途配送；

若所述验证样本的分类标签与业务类别的对应关系为第一分类标签对应短途配送，确定第二分类标签对应长途物流；

当所述训练样本对应的分类标签为第一分类标签时，所述训练样本对应的业务类别为短途配送；

当所述训练样本对应的分类标签为第二分类标签时，所述训练样本对应的业务类别为长途物流。

本发明实施例第二方面公开了一种运输业务识别系统，所述运输业务识别系统包括：

信息获取单元，用于获取待识别车辆的车号、行驶日期和有效车辆行驶信息；

训练样本单元，用于根据所述待识别车辆的车号和行驶日期划分所述待识别车辆对应的训练样本，每一所述训练样本包括每一所述待识别车辆各个行驶日期所对应的有效车辆行驶信息；

分类处理单元，用于将所述训练样本和验证样本作为预先建立的分类模型的输入对象，输入所述分类模型执行分类处理，分别得到所述训练样本和所述验证样本对应的分类标签，所述验证样本为已知业务类别的样本；

业务确定单元，用于基于所述验证样本的分类标签，确定所述训练样本对应的分类标签所对应的业务类别，所述业务类别至少包括长途物流和短途配送。

优选的，在上述运输业务识别系统中，所述信息获取单元包括：

采样模块，用于基于预设数据采样频率获取所述待识别车辆通过车载智能终端上传的车号、行驶日期和车辆行驶信息；

判断模块，用于判断获取到的车辆行驶信息中记录位置经度信息、位置纬度信息的数据段是否为空，以及行驶里程的跳变是否为有效数据；

第一处理模块，用于若所述记录位置经度信息、位置纬度信息的数据段为空，则删除所述数据段；

第二处理模块，用于若所述行驶里程的跳变为无效数据，则对里程数据进行处理，保留有效的里程数据；

确定模块，用于确定记录位置经度信息、位置纬度信息的数据段不为空，且所述行驶里程的跳变为有效数据的车辆行驶信息为所述有效车辆行驶信息。

优选的，在上述运输业务识别系统中，所述分类处理单元包括：

计算模块，用于基于所述训练样本和验证样本的有效车辆行驶信息，计算得到跨省率、日均行驶时长和日均行驶里程；

学习模块，用于基于K-means聚类算法构建的分类模型对所述跨省率、日均行驶时长和日均行驶里程进行分类学习，分别获得所述训练样本和验证样本对应的分类标签。

基于上述本发明实施例提供的一种运输业务识别方法和系统，通过获取待识别车辆的车号、行驶日期和有效车辆行驶信息，根据所述待识别车辆的车号和行驶日期划分所述待识别车辆对应的训练样本，将所述训练样本和验证样本作为预先建立的分类模型的输入对象，输入所述分类模型执行分类处理，分别得到所述训练样本和所述验证样本对应的分类标签，基于所述验证样本的分类标签，确定所述训练样本对应的分类标签所对应的业务类别。基于本发明实施例，通过分类模型来实现自动识别载货车辆的运输业务，能快速准确地识别出载货车辆的业务类型，大大降低人力成本。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。

图1为本发明实施例提供的一种运输业务识别方法的流程示意图；

图2为本发明实施例提供的一种获取待识别车辆的车号、行驶日期和有效车辆行驶信息的方法的流程示意图；

图3为本发明实施例提供的一种划分训练样本的方法的流程示意图；

图4为本发明实施例提供的一种分类模型处理方法的流程示意图；

图5为本发明实施例提供的一种计算得到跨省率、日均行驶时长和日均行驶里程的方法的流程示意图；

图6为本发明实施例提供的一种运输业务识别系统的结构示意图；

图7为本发明实施例提供的另一种运输业务识别系统的结构示意图；

图8为本发明实施例提供的另一种运输业务识别系统的结构示意图；

图9为本发明实施例提供的另一种运输业务识别系统的结构示意图；

图10为本发明实施例提供的另一种运输业务识别系统的结构示意图；

图11为本发明实施例提供的另一种运输业务识别系统的结构示意图；

图12为本发明实施例提供的另一种运输业务识别系统的结构示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

在本申请中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。

如图1所示，为本发明实施例提供的一种运输业务识别方法的流程示意图，所述方法包括如下步骤：

S101：获取待识别车辆的车号、行驶日期和有效车辆行驶信息。

在S101中，每一所述待识别车辆对应一车号，每一所述待识别车辆对应包含多个的行驶日期，所述行驶日期以天数为时间单位，优选的，可具体到时、分、秒。每一所述待识别车辆对应包含多个有效车辆行驶信息，其中，有效车辆行驶信息以行驶日期划分，也就是说每一行驶日期对应一有效车辆行驶信息。此外，所述有效车辆行驶信息包括但不限于所述待识别车辆所行驶经历过的位置经度信息和位置纬度信息，以及行驶里程。

S102：根据待识别车辆的车号和行驶日期划分待识别车辆对应的训练样本。

在S102中，一所述训练样本包括一所述待识别车辆一个行驶日期所对应的有效车辆行驶信息。换而言之，一所述训练样本包括一车号对应的待识别车辆在一个行驶日期所对应的有效车辆行驶信息。其中，所述训练样本的数目由所述待识别车辆对应的数目以及所述行驶日期对应的个数所决定。

所述训练样本可以记录为S_ij，其中，i指的是车号，j指的是所述行驶日期。

在具体实现过程中，假设所述待识别车辆的数目有3辆，车号分别对应为“11”、“56”和“75”。并且每辆车的行驶日期都包括“2019年1月1日”、“2019年1月2日”和“2019年1月3日”。由此可知，针对车号“11”的待识别车辆包括三个训练样本，分别是车号“11”的待识别车辆在行驶日期“2019年1月1日”下的有效车辆行驶信息所对应的训练样本S₁₁，车号“11”的待识别车辆在行驶日期“2019年1月2日”下的有效车辆行驶信息所对应的训练样本S₁₂，车号“11”的待识别车辆在行驶日期“2019年1月3日”下的有效车辆行驶信息所对应的训练样本S₁₃。

以此类推，针对车号“56”的待识别车辆包括三个训练样本，分别是车号“56”的待识别车辆在行驶日期“2019年1月1日”下的有效车辆行驶信息所对应的训练样本S₂₁，车号“56”的待识别车辆在行驶日期“2019年1月2日”下的有效车辆行驶信息所对应的训练样本S₂₂，车号“56”的待识别车辆在行驶日期“2019年1月3日”下的有效车辆行驶信息所对应的训练样本S₂₃。

针对车号“75”的待识别车辆包括三个训练样本，分别是车号“75”的待识别车辆在行驶日期“2019年1月1日”下的有效车辆行驶信息所对应的训练样本S₃₁，车号“75”的待识别车辆在行驶日期“2019年1月2日”下的有效车辆行驶信息所对应的训练样本S₃₂，车号“75”的待识别车辆在行驶日期“2019年1月3日”下的有效车辆行驶信息所对应的训练样本S₃₃。最终，所述训练样本具体包括S₁₁,S₁₂,S₁₃,S₂₁,S₂₂,S₂₃,S₃₁,S₃₂,S₃₃。

需要说明的是，针对上述同一车号下的训练样本，优选的，可将得到的各个训练样本进行集合，得到一训练样本集合。

需要说明的是，上述具体实施过程中所涉及的训练样本仅仅用于举例说明，具体的行驶日期和车号可由技术人员根据实际情况进行设置，本发明实施例不做限定。

S103：将训练样本和验证样本作为预先建立的分类模型的输入对象，输入分类模型执行分类处理，分别得到训练样本和验证样本对应的分类标签。

在S103中，所述验证样本为已知业务类别的样本，任一训练样本和验证样本分别对应单个分类标签。在本发明实施例中，所述分类模型基于非监督机器学习算法所构建，所述非监督机器学习算法包括但不限于K-means聚类算法。

在具体实现过程中，所述分类标签包括“0”和“1”，任一所述训练样本和所述验证样本分别对应的分类标签只能是“0”或“1”。需要说明的是，所述分类标签的具体数值可由技术人员根据实际情况进行设置，本发明实施例不做限定。

S104：基于所述验证样本的分类标签，确定所述训练样本对应的分类标签所对应的业务类别。

在S104中，所述业务类别至少包括长途物流和短途配送。因所述验证样本的业务类别是已知的，故可得到所述验证样本的分类标签与业务类别的对应关系。

优选的，基于所述验证样本的分类标签，确定所述验证样本的分类标签与业务类别的对应关系。

若所述验证样本的分类标签与业务类别的对应关系为第一分类标签对应长途物流，确定第二分类标签对应短途配送。

当所述训练样本对应的分类标签为第一分类标签时，所述训练样本对应的业务类别为长途物流。

当所述训练样本对应的分类标签为第二分类标签时，所述训练样本对应的业务类别为短途配送。

若所述验证样本的分类标签与业务类别的对应关系为第一分类标签对应短途配送，确定第二分类标签对应长途物流。

当所述训练样本对应的分类标签为第一分类标签时，所述训练样本对应的业务类别为短途配送。

当所述训练样本对应的分类标签为第二分类标签时，所述训练样本对应的业务类别为长途物流。

在本发明实施例中，通过获取待识别车辆的车号、行驶日期和有效车辆行驶信息，根据所述待识别车辆的车号和行驶日期划分所述待识别车辆对应的训练样本，将所述训练样本和验证样本作为预先建立的分类模型的输入对象，输入所述分类模型执行分类处理，分别得到所述训练样本和所述验证样本对应的分类标签，基于所述验证样本的分类标签，确定所述训练样本对应的分类标签所对应的业务类别。基于本发明实施例，通过分类模型来实现自动识别载货车辆的运输业务，能快速准确地识别出载货车辆的业务类型，大大降低人力成本。

优选的，结合上述图1示出的步骤S101，所述获取待识别车辆的车号、行驶日期和有效车辆行驶信息在具体实现过程中，参考图2，为本发明实施例提供的一种获取待识别车辆的车号、行驶日期和有效车辆行驶信息的方法的流程示意图，包括如下步骤：

S201：基于预设数据采样频率获取待识别车辆通过车载智能终端上传的车号、行驶日期和车辆行驶信息。

在S201中，所述预设数据采样频率的具体数值可由技术人员根据实际情况进行设置，在本发明实施例中，所述预设数据采样频率可以是30秒或者H秒，H为小于30大于0的自然数。

S202：判断获取到的车辆行驶信息中记录位置经度信息、位置纬度信息的数据段是否为空，以及行驶里程的跳变是否为有效数据。

在S202中，若获取到的车辆行驶信息中记录位置经度信息、位置纬度信息的数据段为空，则执行步骤S203；若所述行驶里程的跳变为无效数据，则执行步骤S204。其中，步骤S203和步骤S204不存在先后顺序可同时执行。此外，若获取到的车辆行驶信息中记录位置经度信息、位置纬度信息的数据段不为空，以及行驶里程的跳变为有效数据，则直接执行步骤S205。

S203：删除数据段。

在S203中，受限于通信信号的强弱和发动机熄火/启动时可能产生的异常信号的影响，因而会出现位置经度信息和位置纬度信息不存在的情况，为了保证所述车辆行驶信息的准确性和有效性，故删除所述数据段。

S204：对里程数据进行处理，保留有效的里程数据。

在S204中，所述里程数据记录了对应的行驶里程的跳变，受限于通信信号的强弱和发动机熄火/启动时可能产生的异常信号的影响，所述行驶里程的跳变可能会是无效数据，为了保证所述车辆行驶信息的准确性和有效性，故对所述里程数据进行相应的处理，保留有效的里程数据。

需要说明的是，基于所述行驶里程的跳变可能存在的情况，对所述里程数据的具体处理方式会有所不同。

优选的，若所述行驶里程的跳变超出预设范围，则删除所述里程数据。

在具体实现过程中，假设所述行驶里程的跳变为900m，预设范围是0～833m。由此可知，所述行驶里程的跳变超出预设范围，所述跳变为无效数据。针对所述行驶里程的跳变超出预设范围的情况，删除所述行驶里程的跳变为900m时所对应的里程数据。

需要说明的是，上述实现过程仅仅用于举例说明，所述预设范围的具体数值可由技术人员根据实际情况进行设置，本发明实施例不做限定。

优选的，若所述行驶里程的跳变为负值，则将所述行驶里程的前一行驶里程与后一行驶里程的均值作为所述行驶里程。

在具体实现过程中，假设所述行驶里程为1000m，所述行驶里程对应的跳变为-500m，所述行驶里程的前一行驶里程为1100m，所述行驶里程的后一行驶里程为1300m。由此可知，所述行驶里程对应的跳变为无效数据，计算所述行驶里程的前一行驶里程与后一行驶里程的均值，得到均值结果1200m，将1200m作为所述行驶里程。

需要说明的是，上述实现过程中行驶里程所涉及的具体数值仅仅用于举例说明，本发明实施例不做限定。

S205：确定记录位置经度信息、位置纬度信息的数据段不为空，且行驶里程的跳变为有效数据的车辆行驶信息为有效车辆行驶信息。

在S205中，所述车辆行驶信息包括经由步骤S203和步骤S204处理后的记录位置经度信息、位置纬度信息的数据段和里程数据，以及原本存在并且是有效数据的记录位置经度信息、位置纬度信息的数据段和里程数据。

在本发明实施例中，基于预设数据采样频率获取所述待识别车辆通过车载智能终端上传的车号、行驶日期和车辆行驶信息，判断获取到的车辆行驶信息中记录位置经度信息、位置纬度信息的数据段是否为空，以及行驶里程的跳变是否为有效数据，若所述记录位置经度信息、位置纬度信息的数据段为空，则删除所述数据段，若所述行驶里程的跳变为无效数据，则对里程数据进行处理，保留有效的里程数据，确定记录位置经度信息、位置纬度信息的数据段不为空，且所述行驶里程的跳变为有效数据的车辆行驶信息为所述有效车辆行驶信息。基于本发明实施例，通过接收车载智能终端上传的车号、行驶日期和车辆行驶信息，并对车辆行驶信息进行相应的处理，得到所述有效车辆行驶信息，保证所述有效车辆行驶信息的准确性和有效性，进一步提高载货车辆运输业务识别的准确性。

优选的，结合上述图1示出的步骤S102，所述根据所述待识别车辆的车号信息和行驶日期信息划分所述待识别车辆对应的训练样本的具体实现过程，参考图3，为本发明实施例提供的一种划分训练样本的方法的流程示意图，包括如下步骤：

S301：以预设时间单位对待识别车辆的行驶日期进行拆分，提取多个子行驶日期。

在S301中，所述预设时间单位可以为天数、小时、月份等时间单位，本发明实施例不做限定。此外，同一车号的待识别车辆对应的各个行驶日期之间互不相同。

在具体实现过程中，假设所述待识别车辆的行驶日期包括“2019年1月1日”、“2019年1月2日”和“2019年1月3日”，以天数为预设时间单位对所述待识别车辆的行驶日期进行拆分，得到三个子行驶日期，具体为“2019年1月1日”、“2019年1月2日”和“2019年1月3日”。

需要说明的是，上述实现过程仅仅用于举例说明，所述子行驶日期的具体形式可由技术人员根据实际情况进行设置，本发明实施例不做限定。

S302：划分同一车号的待识别车辆在一子行驶日期内的有效车辆行驶信息为一训练样本。

在S302中，单个训练样本对应单个待识别车辆的单个子行驶日期内的有效车辆行驶信息。此外，集合不同车号的待识别车辆在不同的子行驶日期内的有效车辆行驶信息所对应的各个训练样本，构建训练样本集合。

在具体实现过程中，假设有3辆待识别车辆，所述待识别车辆的车号分别为“11”、“56”和“75”，子行驶日期分别都包括“2019年1月1日”、“2019年1月2日”和“2019年1月3日”。由此可知，车号为“11”的待识别车辆对应的训练样本包括S₁₁,S₁₂,S₁₃，具体的，训练样本S₁₁用于指示车号为“11”的待识别车辆在“2019年1月1日”下的有效车辆行驶信息的训练样本，训练样本S₁₂用于指示车号为“11”的待识别车辆在“2019年1月2日”下的有效车辆行驶信息的训练样本，训练样本S₁₃用于指示车号为“11”的待识别车辆在“2019年1月3日”下的有效车辆行驶信息的训练样本。

以此类推，车号为“56”的待识别车辆对应的训练样本包括S₂₁,S₂₂,S₂₃，车号为“75”的待识别车辆对应的训练样本包括S₃₁,S₃₂,S₃₃。

进一步的，集合S₁₁,S₁₂,S₁₃,S₂₁,S₂₂,S₂₃,S₃₁,S₃₂,S₃₃构建训练样本集合T，即T＝[S₁₁,S₁₂,S₁₃,S₂₁,S₂₂,S₂₃,S₃₁,S₃₂,S₃₃]。

需要说明的是，上述实现过程所涉及的训练样本集合仅仅用于举例说明，本发明实施例不做限定。

在本发明实施例中，通过以预设时间单位对所述待识别车辆的行驶日期进行拆分，提取多个子行驶日期，划分同一车号的待识别车辆在一子行驶日期内的有效车辆行驶信息为一训练样本。基于本发明实施例，能够准确划分训练样本，保证载货车辆运输业务识别的准确性。

优选的，结合上述图1示出的步骤S103，所述将所述训练样本和验证样本作为预先建立的分类模型的输入对象，输入所述分类模型执行分类处理，分别得到所述训练样本和所述验证样本对应的分类标签在具体实现过程中，参考图4，为本发明实施例提供的一种分类模型处理方法的流程示意图，包括如下步骤：

S401：基于训练样本和验证样本的有效车辆行驶信息，计算得到跨省率、日均行驶时长和日均行驶里程。

在S401中，集合所述训练样本对应计算得到的跨省率、日均行驶时长和日均行驶里程，以及所述验证样本对应计算得到的跨省率、日均行驶时长和日均行驶里程，构建模型样本集合。

在具体实现过程中，假设第一训练样本对应计算得到跨省率ε₁、日均行驶时长avgT₁和日均行驶里程avgODO₁，第二训练样本对应计算得到跨省率ε₂、日均行驶时长avgT₂和日均行驶里程avgODO₂，验证样本对应计算得到跨省率ε₃、日均行驶时长avgT₃和日均行驶里程avgODO₃。由此可知，集合各个跨省率、日均行驶时长和日均行驶里程，构建模型样本集合，所述模型样本集合具体如下：

需要说明的是，上述实现过程中所涉及的内容仅仅用于举例说明，所述模型样本集合的具体形式由技术人员根据实际情况进行设置，本发明实施例不做限定。

S402：基于K-means聚类算法构建的分类模型对跨省率、日均行驶时长和日均行驶里程进行分类学习，分别获得训练样本和验证样本对应的分类标签。

在S402中，基于所述分类模型对跨省率、日均行驶时长和日均行驶里程进行分类学习，会获得至少包括两种类型的分类标签。任一所述训练样本和验证样本分别对应一种类型的分类标签。

在本发明实施例中，基于所述训练样本和验证样本的有效车辆行驶信息，计算得到跨省率、日均行驶时长和日均行驶里程，并基于K-means聚类算法构建的分类模型对所述跨省率、日均行驶时长和日均行驶里程进行分类学习，分别获得所述训练样本和验证样本对应的分类标签。基于本发明实施例，通过分类模型对所述跨省率、日均行驶时长和日均行驶里程进行分类学习，得到训练样本的分类标签，通过分类标签确定待识别车辆的运输业务的业务类型，能够准确便捷地实现载货车辆运输业务的识别，大大减少人力成本。

优选的，结合上述图4示出的步骤S401，所述基于所述训练样本和验证样本的有效车辆行驶信息，计算得到跨省率、日均行驶时长和日均行驶里程的具体实现过程，参考图5，为本发明实施例提供的一种计算得到跨省率、日均行驶时长和日均行驶里程的方法的流程示意图，包括如下步骤：

S501：基于公式(1)分别计算训练样本和验证样本，得到分别对应训练样本和验证样本的跨省率。

在S501中，所述公式(1)为：

其中，ε_i指的是车号为i的车辆的跨省率，P_ij(Long,Lat)指的是车号为i的车辆在日期为j的当天中所行驶经历过的省份个数，M为车号为i的车辆行驶的总天数，i为车辆的车号，j为以天数为时间单位的日期。

S502：基于公式(2)分别计算训练样本和验证样本，得到分别对应训练样本和验证样本的日均行驶时长。

在S502中，所述公式(2)为：

其中，avgT_i指的是车号为i的车辆的日均行驶时长，ΔT_ij指的是车号为i的车辆在日期为j的当天中任意两个相邻的有效车辆行驶信息之间对应的时长差值，指的是车号为i的车辆在M天中的行驶时长总和。

S503：基于公式(3)分别计算训练样本和验证样本，得到分别对应训练样本和验证样本的日均行驶里程。

在S503中，所述公式(3)为：

其中，avgODO_i指的是车号为i的车辆的日均行驶里程，ΔODO_ij指的是车号为i的车辆在日期为j的当天中任意两个相邻的有效车辆行驶信息之间对应的行驶里程差值，指的是车号为i的车辆在M天中的行驶里程总和。

在本发明实施例中，基于公式(1)分别计算训练样本和验证样本，得到分别对应训练样本和验证样本的跨省率，基于公式(2)分别计算训练样本和验证样本，得到分别对应训练样本和验证样本的日均行驶时长，基于公式(3)分别计算训练样本和验证样本，得到分别对应训练样本和验证样本的日均行驶里程。基于本发明实施例，能够基于所述训练样本和验证样本的有效车辆行驶信息，计算得到跨省率、日均行驶时长和日均行驶里程，进一步通过分类模型来实现自动识别载货车辆的运输业务，能快速准确地识别出载货车辆的业务类型，大大降低人力成本。

基于上述本发明实施例提供的一种运输业务识别的方法，本发明实施例还对应提供了一种运输业务识别系统，如图6所示，为本发明实施例提供的一种运输业务识别系统的结构示意图，所述系统包括：

信息获取单元100，用于获取待识别车辆的车号、行驶日期和有效车辆行驶信息。

训练样本单元200，用于根据所述待识别车辆的车号和行驶日期划分所述待识别车辆对应的训练样本，每一所述训练样本包括每一所述待识别车辆各个行驶日期所对应的有效车辆行驶信息。

分类处理单元300，用于将所述训练样本和验证样本作为预先建立的分类模型的输入对象，输入所述分类模型执行分类处理，分别得到所述训练样本和所述验证样本对应的分类标签，所述验证样本为已知业务类别的样本。

业务确定单元400，用于基于所述验证样本的分类标签，确定所述训练样本对应的分类标签所对应的业务类别，所述业务类别至少包括长途物流和短途配送。

在本发明实施例中，通过获取待识别车辆的车号、行驶日期和有效车辆行驶信息，根据所述待识别车辆的车号和行驶日期划分所述待识别车辆对应的训练样本，将所述训练样本和验证样本作为预先建立的分类模型的输入对象，输入所述分类模型执行分类处理，分别得到所述训练样本和所述验证样本对应的分类标签，基于所述验证样本的分类标签，确定所述训练样本对应的分类标签所对应的业务类别。基于本发明实施例，通过分类模型来实现自动识别载货车辆的运输业务，能快速准确地识别出载货车辆的业务类型，大大降低人力成本。

优选的，结合图6，参考图7，为本发明实施例提供的另一种运输业务识别系统的结构示意图，所述信息获取单元100包括：

采样模块101，用于基于预设数据采样频率获取所述待识别车辆通过车载智能终端上传的车号、行驶日期和车辆行驶信息。

判断模块102，用于判断获取到的车辆行驶信息中记录位置经度信息、位置纬度信息的数据段是否为空，以及行驶里程的跳变是否为有效数据。

第一处理模块103，用于若所述记录位置经度信息、位置纬度信息的数据段为空，则删除所述数据段。

第二处理模块104，用于若所述行驶里程的跳变为无效数据，则对里程数据进行处理，保留有效的里程数据。

确定模块105，用于确定记录位置经度信息、位置纬度信息的数据段不为空，且所述行驶里程的跳变为有效数据的车辆行驶信息为所述有效车辆行驶信息。

在本发明实施例中，基于预设数据采样频率获取所述待识别车辆通过车载智能终端上传的车号、行驶日期和车辆行驶信息，判断获取到的车辆行驶信息中记录位置经度信息、位置纬度信息的数据段是否为空，以及行驶里程的跳变是否为有效数据，若所述记录位置经度信息、位置纬度信息的数据段为空，则删除所述数据段，若所述行驶里程的跳变为无效数据，则对里程数据进行处理，保留有效的里程数据，确定记录位置经度信息、位置纬度信息的数据段不为空，且所述行驶里程的跳变为有效数据的车辆行驶信息为所述有效车辆行驶信息。基于本发明实施例，通过接收车载智能终端上传的车号、行驶日期和车辆行驶信息，并对车辆行驶信息进行相应的处理，得到所述有效车辆行驶信息，保证所述有效车辆行驶信息的准确性和有效性，进一步提高载货车辆运输业务识别的准确性。

优选的，结合图7，参考图8，为本发明实施例提供的另一种运输业务识别系统的结构示意图，所述第二处理模块104包括：

删除子模块1041，用于若所述行驶里程的跳变超出预设范围，则删除所述里程数据。

替换子模块1042，用于若所述行驶里程的跳变为负值，则将所述行驶里程的前一行驶里程与后一行驶里程的均值作为所述行驶里程。

在本发明实施例中，通过获取待识别车辆的车号、行驶日期和有效车辆行驶信息，根据所述待识别车辆的车号和行驶日期划分所述待识别车辆对应的训练样本，将所述训练样本和验证样本作为预先建立的分类模型的输入对象，输入所述分类模型执行分类处理，分别得到所述训练样本和所述验证样本对应的分类标签，基于所述验证样本的分类标签，确定所述训练样本对应的分类标签所对应的业务类别。基于本发明实施例，通过分类模型来实现自动识别载货车辆的运输业务，能快速准确地识别出载货车辆的业务类型，大大降低人力成本。

优选的，结合图6，参考图9，为本发明实施例提供的另一种运输业务识别系统的结构示意图，所述训练样本单元200包括：

提取模块201，用于以预设时间单位对所述待识别车辆的行驶日期进行拆分，提取多个子行驶日期。

划分模块202，用于划分同一车号的待识别车辆在一子行驶日期内的有效车辆行驶信息为一训练样本。

在本发明实施例中，通过以预设时间单位对所述待识别车辆的行驶日期进行拆分，提取多个子行驶日期，划分同一车号的待识别车辆在一子行驶日期内的有效车辆行驶信息为一训练样本。基于本发明实施例，能够准确划分训练样本，保证载货车辆运输业务识别的准确性。

优选的，结合图6，参考图10，为本发明实施例提供的另一种运输业务识别系统的结构示意图，所述分类处理单元300包括：

计算模块301，用于基于所述训练样本和验证样本的有效车辆行驶信息，计算得到跨省率、日均行驶时长和日均行驶里程。

学习模块302，用于基于K-means聚类算法构建的分类模型对所述跨省率、日均行驶时长和日均行驶里程进行分类学习，分别获得所述训练样本和验证样本对应的分类标签。

在本发明实施例中，基于所述训练样本和验证样本的有效车辆行驶信息，计算得到跨省率、日均行驶时长和日均行驶里程，并基于K-means聚类算法构建的分类模型对所述跨省率、日均行驶时长和日均行驶里程进行分类学习，分别获得所述训练样本和验证样本对应的分类标签。基于本发明实施例，通过分类模型对所述跨省率、日均行驶时长和日均行驶里程进行分类学习，得到训练样本的分类标签，通过分类标签确定待识别车辆的运输业务的业务类型，能够准确便捷地实现载货车辆运输业务的识别，大大减少人力成本。

优选的，结合图10，参考图11，为本发明实施例提供的另一种运输业务识别系统的结构示意图，所述计算模块301包括：

第一计算子模块3011，用于基于公式(1)分别计算训练样本和验证样本，得到分别对应训练样本和验证样本的跨省率。

第二计算子模块3012，用于基于公式(2)分别计算训练样本和验证样本，得到分别对应训练样本和验证样本的日均行驶时长。

第三计算子模块3013，用于基于公式(3)分别计算训练样本和验证样本，得到分别对应训练样本和验证样本的日均行驶里程。

在本发明实施例中，基于公式(1)分别计算训练样本和验证样本，得到分别对应训练样本和验证样本的跨省率，基于公式(2)分别计算训练样本和验证样本，得到分别对应训练样本和验证样本的日均行驶时长，基于公式(3)分别计算训练样本和验证样本，得到分别对应训练样本和验证样本的日均行驶里程。基于本发明实施例，能够基于所述训练样本和验证样本的有效车辆行驶信息，计算得到跨省率、日均行驶时长和日均行驶里程，进一步通过分类模型来实现自动识别载货车辆的运输业务，能快速准确地识别出载货车辆的业务类型，大大降低人力成本。

优选的，结合图6，参考图12，为本发明实施例提供的另一种运输业务识别系统的结构示意图，所述业务确定单元400包括：

确定模块401，用于基于所述验证样本的分类标签，确定所述验证样本的分类标签与业务类别的对应关系。

第一结果模块402，用于若所述验证样本的分类标签与业务类别的对应关系为第一分类标签对应长途物流，确定第二分类标签对应短途配送；当所述训练样本对应的分类标签为第一分类标签时，所述训练样本对应的业务类别为长途物流；当所述训练样本对应的分类标签为第二分类标签时，所述训练样本对应的业务类别为短途配送。

第二结果模块403，用于若所述验证样本的分类标签与业务类别的对应关系为第一分类标签对应短途配送，确定第二分类标签对应长途物流；当所述训练样本对应的分类标签为第一分类标签时，所述训练样本对应的业务类别为短途配送；当所述训练样本对应的分类标签为第二分类标签时，所述训练样本对应的业务类别为长途物流。

综上所述，在本发明实施例提供的运输业务识别方法和系统中，通过获取待识别车辆的车号、行驶日期和有效车辆行驶信息，根据所述待识别车辆的车号和行驶日期划分所述待识别车辆对应的训练样本，将所述训练样本和验证样本作为预先建立的分类模型的输入对象，输入所述分类模型执行分类处理，分别得到所述训练样本和所述验证样本对应的分类标签，基于所述验证样本的分类标签，确定所述训练样本对应的分类标签所对应的业务类别。基于本发明实施例，通过分类模型来实现自动识别载货车辆的运输业务，能快速准确地识别出载货车辆的业务类型，大大降低人力成本。

本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于系统或系统实施例而言，由于其基本相似于方法实施例，所以描述得比较简单，相关之处参见方法实施例的部分说明即可。以上所描述的系统及系统实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。

专业人员还可以进一步意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。

对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。

Claims (10)

1.一种运输业务识别方法，其特征在于，所述方法包括：

获取待识别车辆的车号、行驶日期和有效车辆行驶信息；

根据所述待识别车辆的车号和行驶日期划分所述待识别车辆对应的训练样本，每一所述训练样本包括每一所述待识别车辆各个行驶日期所对应的有效车辆行驶信息；

将所述训练样本和验证样本作为预先建立的分类模型的输入对象，输入所述分类模型执行分类处理，分别得到所述训练样本和所述验证样本对应的分类标签，所述验证样本为已知业务类别的样本；

基于所述验证样本的分类标签，确定所述训练样本对应的分类标签所对应的业务类别，所述业务类别至少包括长途物流和短途配送。

2.根据权利要求1所述的方法，其特征在于，所述获取待识别车辆的车号、行驶日期和有效车辆行驶信息，包括：

基于预设数据采样频率获取所述待识别车辆通过车载智能终端上传的车号、行驶日期和车辆行驶信息；

判断获取到的车辆行驶信息中记录位置经度信息、位置纬度信息的数据段是否为空，以及行驶里程的跳变是否为有效数据；

若所述记录位置经度信息、位置纬度信息的数据段为空，则删除所述数据段；

若所述行驶里程的跳变为无效数据，则对里程数据进行处理，保留有效的里程数据；

确定记录位置经度信息、位置纬度信息的数据段不为空，且所述行驶里程的跳变为有效数据的车辆行驶信息为所述有效车辆行驶信息。

3.根据权利要求2所述的方法，其特征在于，所述若所述行驶里程的里程跳变为无效数据，则对里程数据进行处理的过程包括：

若所述行驶里程的跳变超出预设范围，则删除所述里程数据；

若所述行驶里程的跳变为负值，则将所述行驶里程的前一行驶里程与后一行驶里程的均值作为所述行驶里程。

4.根据权利要求1所述的方法，其特征在于，所述根据所述待识别车辆的车号信息和行驶日期信息划分所述待识别车辆对应的训练样本，包括：

以预设时间单位对所述待识别车辆的行驶日期进行拆分，提取多个子行驶日期；

划分同一车号的待识别车辆在一子行驶日期内的有效车辆行驶信息为一训练样本。

5.根据权利要求1所述的方法，其特征在于，所述将所述训练样本和验证样本作为预先建立的分类模型的输入对象，输入所述分类模型执行分类处理，分别得到所述训练样本和所述验证样本对应的分类标签，包括：

基于所述训练样本和验证样本的有效车辆行驶信息，计算得到跨省率、日均行驶时长和日均行驶里程；

基于K-means聚类算法构建的分类模型对所述跨省率、日均行驶时长和日均行驶里程进行分类学习，分别获得所述训练样本和验证样本对应的分类标签。

6.根据权利要求5所述的方法，其特征在于，所述基于所述训练样本和验证样本的有效车辆行驶信息，计算得到跨省率、日均行驶时长和日均行驶里程，包括：

基于公式分别计算所述训练样本和所述验证样本，得到分别对应所述训练样本和所述验证样本的跨省率，其中，ε_i指的是车号为i的车辆的跨省率，P_ij(Long,Lat)指的是车号为i的车辆在日期为j的当天中所行驶经历过的省份个数，M为车号为i的车辆行驶的总天数，i为车辆的车号，j为以天数为时间单位的日期；

基于公式分别计算所述训练样本和所述验证样本，得到分别对应所述训练样本和所述验证样本的日均行驶时长，其中，avgT_i指的是车号为i的车辆的日均行驶时长，ΔT_ij指的是车号为i的车辆在日期为j的当天中任意两个相邻的有效车辆行驶信息之间对应的时长差值，指的是车号为i的车辆在M天中的行驶时长总和；

基于公式分别计算所述训练样本和所述验证样本，得到分别对应所述训练样本和所述验证样本的日均行驶里程，其中，avgODO_i指的是车号为i的车辆的日均行驶里程，ΔODO_ij指的是车号为i的车辆在日期为j的当天中任意两个相邻的有效车辆行驶信息之间对应的行驶里程差值，指的是车号为i的车辆在M天中的行驶里程总和。

7.根据权利要求1所述的方法，其特征在于，所述基于所述验证样本的分类标签，确定所述训练样本对应的分类标签所对应的业务类别，包括：

基于所述验证样本的分类标签，确定所述验证样本的分类标签与业务类别的对应关系；

若所述验证样本的分类标签与业务类别的对应关系为第一分类标签对应长途物流，确定第二分类标签对应短途配送；

当所述训练样本对应的分类标签为第一分类标签时，所述训练样本对应的业务类别为长途物流；

当所述训练样本对应的分类标签为第二分类标签时，所述训练样本对应的业务类别为短途配送；

若所述验证样本的分类标签与业务类别的对应关系为第一分类标签对应短途配送，确定第二分类标签对应长途物流；

当所述训练样本对应的分类标签为第一分类标签时，所述训练样本对应的业务类别为短途配送；

当所述训练样本对应的分类标签为第二分类标签时，所述训练样本对应的业务类别为长途物流。

8.一种运输业务识别系统，其特征在于，包括：

信息获取单元，用于获取待识别车辆的车号、行驶日期和有效车辆行驶信息；

训练样本单元，用于根据所述待识别车辆的车号和行驶日期划分所述待识别车辆对应的训练样本，每一所述训练样本包括每一所述待识别车辆各个行驶日期所对应的有效车辆行驶信息；

分类处理单元，用于将所述训练样本和验证样本作为预先建立的分类模型的输入对象，输入所述分类模型执行分类处理，分别得到所述训练样本和所述验证样本对应的分类标签，所述验证样本为已知业务类别的样本；

业务确定单元，用于基于所述验证样本的分类标签，确定所述训练样本对应的分类标签所对应的业务类别，所述业务类别至少包括长途物流和短途配送。

9.根据权利要求8所述的系统，其特征在于，所述信息获取单元包括：

采样模块，用于基于预设数据采样频率获取所述待识别车辆通过车载智能终端上传的车号、行驶日期和车辆行驶信息；

判断模块，用于判断获取到的车辆行驶信息中记录位置经度信息、位置纬度信息的数据段是否为空，以及行驶里程的跳变是否为有效数据；

第一处理模块，用于若所述记录位置经度信息、位置纬度信息的数据段为空，则删除所述数据段；

第二处理模块，用于若所述行驶里程的跳变为无效数据，则对里程数据进行处理，保留有效的里程数据；

确定模块，用于确定记录位置经度信息、位置纬度信息的数据段不为空，且所述行驶里程的跳变为有效数据的车辆行驶信息为所述有效车辆行驶信息。

10.根据权利要求8所述的系统，其特征在于，所述分类处理单元包括：

计算模块，用于基于所述训练样本和验证样本的有效车辆行驶信息，计算得到跨省率、日均行驶时长和日均行驶里程；

学习模块，用于基于K-means聚类算法构建的分类模型对所述跨省率、日均行驶时长和日均行驶里程进行分类学习，分别获得所述训练样本和验证样本对应的分类标签。