CN110428193B - 基于车辆轨迹数据的多模式液化天然气运输车辆筛选方法 - Google Patents

Abstract

本发明涉及一种基于车辆轨迹数据的多模式液化天然气运输车辆筛选方法，包括以下步骤：筛选出疑似液化天然气运输车辆；将筛选出疑似液化天然气运输车辆分别进行上游接货行为分析、下游高可信缷液行为分析和下游异常卸货行为分析并输出行为分析结果；将行为分析结果进行综合决策，得到判定结果；机器学习中Q‑learning强化学习方法进行最优车辆筛选的寻找，得到筛选后的液化天然气运输车辆清单。本发明通过行业数据库进行疑似液化天然气运输车辆筛选，提高了精准筛选出液化天然气运输车辆准确率；同时进行三种行为分析，尽可能多的覆盖筛选条件，提高了筛选的效率，供后续对于液化天然气行业的市场供需分析。

Description

基于车辆轨迹数据的多模式液化天然气运输车辆筛选方法

技术领域

本发明涉及数据分析领域，具体涉及一种基于车辆轨迹数据的多模式液化天然气运输车辆筛选方法。

背景技术

随着国家环保政策的推动，以及人民群众对于环保的要求提升，天然气消费量逐年攀升。2017年，我国全年天然气消费量约2373亿立方米天然气，同比增长15.31％，增量刷新我国天然气消费增量历史记录。天然气按照其形态分为液化天然气(Liquefied NaturalGas)和压缩天然气(Compressed Natural Gas)，液化天然气主要通过液化天然气槽车来运输，属于危化品范畴中的2类1项(可燃烧气体)。液化天然气上游分为液化工厂和接收站。液化天然气运输车辆遵循“上游接货-下游卸货”的行为循环，从上游液化工厂或接收站接货，然后在下游天然气用气终端卸货。

随着危化品运输车辆数字化的不断推动，按照国家交通部门的要求，危化品运输车辆都安装了定位终端，定位终端会以一定频率上传车辆位置数据，从而形成车辆轨迹数据。车辆轨迹数据包含了车辆的id，车辆轨迹点经度，车辆轨迹点纬度，轨迹点时间戳，基于车辆轨迹数据，可以挖掘液化天然气行业的供需情况，但由于危化品车辆轨迹数据中，并未标注出具体车辆的类型归属，可能会混杂液化石油气车辆、压缩天然气车辆等。

现有专利CN105469599A公开了一种车辆轨迹跟踪和车辆行为预测方法，包括：用户对特地地点请求道路服务，服务器根据接受到的请求地点以及等待时间搜寻，基于地图服务，建立搜索树，获取附近可能到达请求点的车辆信息；搜索到的车辆向服务器传送GPS信息、加速度数据；服务器会在每个十字路口之前处理收集到的加速度数据并预测车辆在十字路口的机动行为；服务器比较车辆实时位置与根据道路平均速度计算出来的位置；服务器将明显落后或者在十字路口前行方向不是指向请求点的车辆剔除，最后获取会到请求节点的车辆。现有专利CN103605362B提出了利用轨迹的多个特征信息来进行轨迹模式学习和异常检测的方法，通过构造Laplacian矩阵降维大大提高了时间效率，然后在异常检测阶段，该专利先通过GMM模型学习场景起点分布区域，再以移动窗作为基本比较单元，定义位置距离和方向距离衡量待测轨迹在位置和方向上的差异，建立基于方向距离和位置距离的在线分类器；通过提出的多特征异常检测算法在线判断轨迹的起点异常、全局异常和局部异常。

因此如何从各种类型的危化品车辆中精准地筛选出液化天然气运输车辆，是当前要解决的技术难题。

发明内容

本发明为克服现有技术中的缺陷，提供了一种基于车辆轨迹数据的多模式液化天然气运输车辆筛选方法，精准筛选出液化天然气运输车辆，供后续对于液化天然气行业的市场供需分析。具体采用如下技术方案：

一种基于车辆轨迹数据的多模式液化天然气运输车辆筛选方法，包括以下步骤：

S1、输入危化品车辆轨迹数据和液化天然气上游数据库，利用规则筛选出疑似液化天然气运输车辆；

S2、将步骤S1中筛选出疑似液化天然气运输车辆分别进行上游接货行为分析、下游高可信缷液行为分析和下游异常卸货行为分析并输出行为分析结果；

S3、将所述步骤S2中的行为分析结果进行综合决策，得到判定结果；

S4、采用机器学习中 Q-learning强化学习方法进行最优车辆筛选的寻找，得到筛选后的液化天然气运输车辆清单。

具体地，步骤S1中所述规则具体包括以下步骤：

1)读取接货点的坐标信息，得到标准轨迹点，读取危化品车辆轨迹信息后进行上游位置匹配；

2)根据所述危化品车辆轨迹数据计算危化品车辆轨迹点与接货点之间的距离A；

3)将所述步骤2)中的距离A与筛车距离作比较，将距离A小于筛车距离的危化品车辆记录为疑似液化天然气运输车辆。

具体地，所述步骤S2中上游接货行为分析，包括通过车辆轨迹和上游接货点位置的匹配，记录车辆的接货次数和对应上游接货点个数。

具体地，所述步骤S2中下游高可信缷液行为分析，包括通过车辆轨迹和下游卸货点位置的匹配，记录车辆卸货次数和对应下游卸货点个数。

具体地，所述步骤S2中下游异常卸货行为分析，包括通过车辆轨迹和下游异常终端的匹配，记录车辆异常卸货次数和对应异常终端的个数。

具体地，所述步骤S3中综合决策包括以下步骤：

1)判断所述上游接货点的个数是否小于阈值；

2)判断所述车辆卸货次数和对应下游卸货点个数的乘积是否小于所述车辆异常卸货次数和对应异常终端个数的乘积；

3)输出判定结果。

具体地，所述步骤1)中判断步骤具体包括：若所述上游接货点的个数小于阈值，则执行步骤2)；否则，输出所述车辆的判定结果为液化天然气运输车辆。

具体地，所述步骤2)中判断步骤具体包括：若所述车辆卸货次数和对应下游卸货点个数的乘积小于所述车辆异常卸货次数和对应异常终端个数的乘积，则输出所述车辆的判定结果为非液化天然气运输车辆；否则，输出所述车辆的判定结果为液化天然气运输车辆。

具体地，所述步骤S4强化学习奖励值计算步骤中，液化天然气运输车辆筛选结果为agent初始状态，Q值函数是在环境状态s_t时执行动作a_t的评价函数，所述Q值函数满足下列公式：

式中，r_t+1状态s_t时执行动作a_t到达状态s_t+1时获得的奖励值；A为可执行的动作集；γ为折扣率。

具体地，所述奖励值由奖励函数R计算所得，所述奖励函数R满足下列公式：

式中，n_t表示当前接卸货点个数，N表示最初所有接卸货点个数，c_t表示当前LNG车辆个数，C表示最初所有LNG车辆个数，δ为比例系数。

本发明的有益效果是：

一、首先通过行业数据库进行疑似液化天然气运输车辆筛选，提高了精准筛选出液化天然气运输车辆准确率；

二、同时进行三种模式识别，尽可能多的覆盖筛选条件，提高了筛选的效率；

三、对于识别后的结果进行投票融合，得到最终行为异常概率，再通过强化学习奖励值计算进行最优车辆筛选，使得在众多类型危化品车辆轨迹数据中，结合液化天然气运输车辆行为模式，精准筛选出液化天然气运输车辆，供后续对于液化天然气行业的市场供需分析。

附图说明

图1为基于车辆轨迹数据的多模式液化天然气运输车辆筛选方法步骤示意图。

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。

一种基于车辆轨迹数据的多模式液化天然气运输车辆筛选方法，包括以下步骤：

S1、输入危化品车辆轨迹数据和液化天然气上游数据库，根据上游接货点坐标信息，搜索轨迹中经过了这些接货点的车辆，利用规则筛选出疑似液化天然气运输车辆；所述规则具体包括以下步骤：

1)读取液化工厂和对接货点的坐标信息，得到标准轨迹点，读取危化品车辆轨迹信息；

2)根据所述危化品车辆轨迹数据计算危化品车辆轨迹点与标准轨迹点之间的距离A；

3)分析所述距离A是否有筛车距离α的情况，α根据不同规模的液化天然气上游有所区别，例如大型接收站设定为200米，小型液化工厂设定为80米，通过该步骤，初筛出可能为液化天然气运输车辆的列表；

S2、上游接货行为分析，该步骤通过车辆轨迹和上游位置的匹配，记录车辆的接货次数和对应上游个数。通过车辆轨迹数据，判断其和上游的位置是否有小于距离阈值α的情况，得到其和上游的匹配次数b与对应不同上游的个数c，作为综合决策输入；

下游高可信缷液行为分析，该步骤通过车辆轨迹和下游位置的匹配，记录车辆的卸货次数和对应下游个数。借助高可信液化天然气用气点，将车辆轨迹数据和下游高可信用气点匹配，判断其是否有小于距离阈值β的情况，得到其轨迹和下游高可信用气点的匹配次数e与对应高可信用气点的个数f，作为综合决策输入；

下游异常卸货行为分析，该步骤通过车辆轨迹和下游异常终端点匹配，记录车辆的异常卸货次数和对应异常终端的个数。借助液化石油气、压缩天然气等可能可液化天然气混淆的终端点，将车辆轨迹数据和下游异常终端点匹配，判断其是否有小于距离阈值θ的情况，得到其轨迹和异常终端点的匹配次数g与对应异常终端点的个数h，作为综合决策输入；

S3、综合决策，该步骤通过综合以上上游接货行为分析、下游高可信缷液行为分析、下游异常卸货行为分析步骤结果，得到最终判定结果，输出液化天然气运输车辆清单。

对于c>＝2的情况，表明车辆曾在多个上游接货，直接判断车辆为液化天然气运输车辆；

对于c＝1的情况，计算i＝e*f-g*h，判断i的大小，如果i大于0，则为液化天然气运输车辆，如果i小于0，则为非液化天然气运输车辆。

S4、强化学习奖励值计算：采用机器学习中 Q-learning强化学习方法进行最优车辆筛选的寻找，得到筛选后的液化天然气运输车辆清单，其中以液化天然气运输车辆筛选结果为agent初始状态，Q值函数是在环境状态s_t时执行动作a_t的评价函数，所述Q值函数与按照最优动作序列执行时得到的强化信号折扣和满足下列公式：

式中，r_t+1状态s_t时执行动作a_t到达状态s_t+1时获得的奖励值；A为可执行的动作集；γ为折扣率。

agent执行动作a_t到达状态s_t+1时，奖励函数R用于计算奖励值，agent是要获得最大化的累计回报，本实施例拟采用接货卸货点数量和行为异常车辆数量作为奖励函数，可表示为：

式中，n_t表示当前接卸货点个数，N表示最初所有接卸货点个数，c_t表示当前LNG车辆个数，C表示最初所有LNG车辆个数，δ为比例系数。

该方法需要借助行业数据库，行业数据库包含全国上游液化工厂和接收站的精准位置信息，高可信液化天然气用气点，异常终端点(如液化石油气用气点、压缩天然气用气点)数据。

Claims (5)

1.一种基于车辆轨迹数据的多模式液化天然气运输车辆筛选方法，包括以下步骤：

S1、输入危化品车辆轨迹数据和液化天然气上游数据库，利用规则筛选出疑似液化天然气运输车辆；

S2、将步骤S1中筛选出疑似液化天然气运输车辆分别进行上游接货行为分析、下游高可信缷液行为分析和下游异常卸货行为分析并输出行为分析结果；所述上游接货行为分析，包括通过车辆轨迹和上游接货点位置的匹配，记录车辆的接货次数和对应上游接货点个数；所述下游高可信缷液行为分析，包括通过车辆轨迹和下游卸货点位置的匹配，记录车辆卸货次数和对应下游卸货点个数；所述下游异常卸货行为分析，包括通过车辆轨迹和下游异常终端的匹配，记录车辆异常卸货次数和对应异常终端的个数；

S3、将所述步骤S2中的行为分析结果进行综合决策，得到判定结果；

S4、采用机器学习中的Q-learning强化学习方法进行最优车辆筛选的寻找，得到筛选后的液化天然气运输车辆清单；

步骤S1中筛选出疑似液化天然气运输车辆具体包括以下步骤：

1)读取接货点的坐标信息，得到标准轨迹点，读取危化品车辆轨迹信息；

2)根据所述危化品车辆轨迹信息计算危化品车辆轨迹点与接货点之间的距离A；

3)将所述步骤2)中的距离A与筛车距离作比较，将距离A小于筛车距离的危化品车辆记录为疑似液化天然气运输车辆；

所述综合决策包括以下步骤：

1)判断所述上游接货点的个数是否小于阈值；

2)判断所述车辆卸货次数和对应下游卸货点个数的乘积是否小于所述车辆异常卸货次数和对应异常终端个数的乘积；

3)输出判定结果。

2.根据权利要求1所述的基于车辆轨迹数据的多模式液化天然气运输车辆筛选方法，其特征在于，所述综合决策中的所述步骤1)中判断步骤具体包括：若所述上游接货点的个数小于阈值，则执行步骤2)；否则，输出所述车辆的判定结果为液化天然气运输车辆。

3.根据权利要求1所述的基于车辆轨迹数据的多模式液化天然气运输车辆筛选方法，其特征在于，所述综合决策中的所述步骤2)中判断步骤具体包括：若所述车辆卸货次数和对应下游卸货点个数的乘积小于所述车辆异常卸货次数和对应异常终端个数的乘积，则输出所述车辆的判定结果为非液化天然气运输车辆；否则，输出所述车辆的判定结果为液化天然气运输车辆。

4.根据权利要求1所述的基于车辆轨迹数据的多模式液化天然气运输车辆筛选方法，其特征在于，所述步骤S4强化学习奖励值计算步骤中，液化天然气运输车辆筛选结果为agent初始状态，Q值函数是在环境状态s_t时执行动作a_t的评价函数，所述Q值函数满足下列公式：

式中，r_t+1为状态s_t时执行动作a_t到达状态s_t+1时获得的奖励值；A为可执行的动作集；γ为折扣率。

5.根据权利要求4所述的基于车辆轨迹数据的多模式液化天然气运输车辆筛选方法，其特征在于，所述奖励值由奖励函数R计算所得，所述奖励函数R满足下列公式：

式中，n_t表示当前接卸货点个数，N表示最初所有接卸货点个数，c_t表示当前LNG车辆个数，C表示最初所有LNG车辆个数，δ为比例系数。

Images