CN111079774B - 基于半监督学习的渣土车偷倒判别方法、系统和装置 - Google Patents
基于半监督学习的渣土车偷倒判别方法、系统和装置 Download PDFInfo
- Publication number
- CN111079774B CN111079774B CN201811213546.XA CN201811213546A CN111079774B CN 111079774 B CN111079774 B CN 111079774B CN 201811213546 A CN201811213546 A CN 201811213546A CN 111079774 B CN111079774 B CN 111079774B
- Authority
- CN
- China
- Prior art keywords
- data
- graph
- load
- muck
- matrix
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 28
- 239000002893 slag Substances 0.000 title abstract description 14
- 230000006399 behavior Effects 0.000 claims abstract description 9
- 238000007781 pre-processing Methods 0.000 claims abstract description 9
- 230000006870 function Effects 0.000 claims abstract description 6
- 239000011159 matrix material Substances 0.000 claims description 32
- 230000007704 transition Effects 0.000 claims description 10
- 230000001133 acceleration Effects 0.000 claims description 7
- 230000009471 action Effects 0.000 claims description 5
- 230000007480 spreading Effects 0.000 claims description 3
- 238000013528 artificial neural network Methods 0.000 claims description 2
- 230000008569 process Effects 0.000 abstract description 5
- 238000005516 engineering process Methods 0.000 abstract description 4
- 238000013473 artificial intelligence Methods 0.000 abstract description 2
- 239000002689 soil Substances 0.000 description 9
- 238000010276 construction Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 238000002360 preparation method Methods 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 206010039203 Road traffic accident Diseases 0.000 description 1
- SAZUGELZHZOXHB-UHFFFAOYSA-N acecarbromal Chemical compound CCC(Br)(CC)C(=O)NC(=O)NC(C)=O SAZUGELZHZOXHB-UHFFFAOYSA-N 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 239000000446 fuel Substances 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 230000001902 propagating effect Effects 0.000 description 1
- 230000007306 turnover Effects 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
- G06F18/2155—Generating training patterns; Bootstrap methods, e.g. bagging or boosting characterised by the incorporation of unlabelled data, e.g. multiple instance learning [MIL], semi-supervised techniques using expectation-maximisation [EM] or naïve labelling
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
- G08G1/0125—Traffic data processing
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Analytical Chemistry (AREA)
- Chemical & Material Sciences (AREA)
- Theoretical Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- General Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Traffic Control Systems (AREA)
- Alarm Systems (AREA)
- Emergency Alarm Devices (AREA)
Abstract
一种基于半监督学习的渣土车偷倒判别方法,包括:步骤S1,对超载源数据进行预处理;步骤S2,利用基于图的标签传播算法建立载重模型;步骤S3,将经过预处理的超载源数据代入载重模型中获取载重预测值。本发明通过对渣土车辆运输过程中监管实际需求的研究,利用车载终端GP步骤S模块的定位跟踪功能,结合人工智能技术设计出一套实用的渣土车偷倒判别方案,实现对渣土车运输过程中违法违规行为的实时判别,并可以对已产生后果的违规行为发生地进行回溯和追责,为管理工作提供有效证据。提高监督力度和效率,避免违规作业,确保渣土车辆运行有序,为相关政府职能部门的行政管理和执法提供有力的证据和科学的决策依据。
Description
技术领域
本发明涉及物理领域,尤其涉及交通状态检测技术,特别是一种基于半监督学习的渣土车偷倒判别方法、系统和装置。
背景技术
渣土车作为运输工程渣土和建筑垃圾的车辆,在城市建设中起到了重要作用。渣土车交通违法行为极易引发交通事故,城市渣土车目前主要存在的问题有交通安全、环境卫生、噪音污染。如渣土车进出道路时不按规定让行易和其他车辆发生侧面相撞,超载、超速易引发车辆侧翻,随意偷倒、乱倒渣土、车辆超载,严重污染城市道路环境卫生的现象在城市中也是一个重要问题。渣土车辆本身的质量管理未做好,导致车辆本身质量安全性能差,是造成运输管理问题的原因。
发明内容
针对上述技术问题,本发明的目的在于提供一种解决上述技术问题的基于半监督学习的渣土车偷倒判别方法、系统和装置。
为解决上述技术问题,本发明基于半监督学习的渣土车偷倒判别方法,包括一个采集源数据的步骤,所述的源数据包括渣土车的GPS步骤定位数据、CAN总线数据和装载情况的人工记录数据,所述的GPS步骤定位数据包括车牌号、驾驶时间、经度、纬度和速度,所述的CAN总线数据包括车牌号、时间、速度、转速、发动机负荷、发动机期望转速和瞬时油耗,所述的装载情况的人工记录数据包括车牌号、时间、装货时间和卸货时间,还包括::
步骤S1,对所述的源数据进行预处理;
步骤S2,利用基于图的标签传播算法建立载重模型;
步骤S3,将经过预处理的源数据代入载重模型中获取载重预测值。
步骤S1包括:
步骤S1.1,获取车辆的原始数据;
步骤S1.2,对原始数据进行划分。
步骤S1中,原始数据包括车辆定位数据、车辆总线数据及车辆装载情况。
步骤S2包括:
步骤S2.1,构造相似矩阵;
步骤S2.2,进行传播;
步骤S2.1包括:
步骤S2.1.1,图的构建;
X表示所选取的特征:超速程度,高速公路,城市主要道路,城市次要道路,城市普通道路,城市快速道路,当前转速下发动机负荷百分比,瞬时油耗,加速度绝对值,进气压力,发动机转速差;
Y表示载重特征,标签只有2种状态,载重为1,空载为0;
令(x1,y1),…,(xL,yL)表示有标签的样本数据,yi∈(0,1),i=0,1,…,L-1,表示载重状态,令(xL,yL),…,(xL+U-1,yL+U-1)为未标记数据,且L<<U,设整个数据集X={x0,x1,…,xL+U-1};问题转换为:从数据集X中,利用有标签数据集YL进行学习,为无标签数据集YU找到对应的载重。
标签传播算法是基于图的,因此需要先构建一个图;以数据点为图的节点,将数据点用边连接,构造连接图;
连接图分为稠密图和稀疏图;
稠密图采用全连接图,采用rbf核函数计算节点i和节点j的边权重,如式(1)所示:
其中,α是超参,c表示特征指标中的某个特征,总特征数目为7,L表示有标签数据的数目,U表示无标签数据的数目。xi,xj∈X={x0,x1,…,xL+U-1},i,j=0,1,…,L+U-1;
稀疏图采用KNN图,计算数据集X={x0,x1,…,xL+U-1}中的xi,其中,i=0,1,…,L+U-1之间的距离,采用欧式距离计算并且按照距离的递增关系进行排序,选取距离最小的k个点,保留k近邻权重为1,其他的为0;
步骤S2.1.2,计算概率转移矩阵P;
定义一个(L+U)×(L+U)的概率转移矩阵P,如式(2):
pij表示从节点i转移到节点j的概率,n=1,2,…,L+U;
因为存在0和1两种载重状态和L个有标签的样本数据;令有标签数据集YL中的元素为YL(i)∈(0,1),i=0,1,…,L-1;
对于有标签数据,定义一个L×2的矩阵ZL,如果YL(i)=j,其中j∈(0,1),可得ZL(i,j)=1,即如果YL第i行为j=0,即为空载,那么ZL的第i行第j列,j=0的元素为1,第i行的其他列元素都为0;反之,如果YL第i行为j=1,即为满载,那么ZL的第i行第j列,j=1的元素为1,第i行的其他列元素都为0;
对于无标签数据,定义一个U×2的矩阵ZU,令ZU(i,j)=-1,其中,i=0,1,…,U-1;j=0,1;将矩阵ZL和ZU合并,得到一个(L+U)×2的步骤Softlabel矩阵F=[ZL;ZU]。
步骤S2.2包括:
步骤S2.2.1,执行传播:F=PF;
步骤S2.2.2,重置F中的已存在载重样本的载重信息:FL=ZL;
步骤S2.2.3,判断F是否收敛;
若F收敛,则结束;
若F未收敛,则返回步骤步骤S2.2.1,直至F收敛。
一种渣土车偷倒判别系统,包括:
预处理模块,用于对超载源数据进行预处理;
建模模块,用于用BP神经网络结构建立超载模型;
判断模块,经过预处理的超载源数据代入载重模型中获取载重预测值。
一种渣土车偷倒判别装置,包括:存储有渣土车偷倒判别程序的存储器及用于运行渣土车偷倒判别程序的处理器,渣土车偷倒判别程序配置为实现基于半监督学习的渣土车偷倒判别方法的步骤。
一种计算机可读存储介质,计算机可读存储介质上存储有渣土车偷倒判别程序,渣土车偷倒判别程序被处理器执行实现基于半监督学习的渣土车偷倒判别方法的步骤。
本发明的基于半监督学习的渣土车偷倒判别方法通过对渣土车辆运输过程中监管实际需求的研究,利用车载终端GPS步骤模块的定位跟踪功能,结合人工智能技术设计出一套实用的渣土车偷倒判别方案,实现对渣土车运输过程中违法违规行为的实时判别,并可以对已产生后果的违规行为发生地进行回溯和追责,为管理工作提供有效证据。提高监督力度和效率,避免违规作业,确保渣土车辆运行有序,为相关政府职能部门的行政管理和执法提供有力的证据和科学的决策依据。采用信息化技术,实现对渣土车辆的全过程监管,不仅可以提高监管科学和水平,同时也提高了管理者的工作效率。
附图说明
图1为本发明源数据准备流程图;
图2为本发明特征选取流程图;
图3为本发明标签传播算法流程图。
具体实施方式
下面结合附图对本发明基于半监督学习的渣土车偷倒判别方法、系统和装置作进一步详细说明。
如图1~图3所示,本发明基于半监督学习的渣土车偷倒判别方法,包括:
(1)源数据准备流程
原始数据为车辆的GPS步骤定位数据(包括车牌号、驾驶时间、经度、纬度、速度等)、OBD采集的CAN总线数据(包括车牌号、时间、速度、转速、发动机负荷、发动机期望转速、瞬时油耗)和渣土车装载情况的人工记录数据(包括车牌号、时间、装货时间、卸货时间)。
将车辆定位数据和CAN总线数据经过数据预处理,再依据时间字段将人工记录数据整合进去,得到分析的源数据(包括车牌号、时间、经度、纬度、道路、道路类型、速度、加速度、超速程度、瞬时油耗、转速差值、发动机负荷百分比、车辆装载情况)。
(2)特征指标变量的建立
考虑到渣土车的业务特征,以及技术人员的跟车调查,车辆通常有满载和空载两种状态,在不同装载状态下,其车辆的驾驶行为特征有所差异。根据现有数据,可选择的特征如下:
输入特征X:道路类型、速度、加速度、超速程度、瞬时油耗、转速差值、发动机负荷百分比。
输出Y:车辆装载情况,用1和0表示,其中1表示满载,0表示空载。
对于数据预处理得到的源数据,可选取的特征指标为道路类型、速度、加速度、超速程度、瞬时油耗、转速差值。其中道路类型分为高速公路、城市快速道路、城市主要道路、城市次要道路和城市普通道路。
(3)载重模型建立
基于图的方法性能优越,具有坚实的数学理论基础、计算速度快及准确性高等优点,本建模选取基于图的标签传播算法。LP算法包括两大步骤:1)构造相似矩阵;2)进行传播操作。
X表示所选取的特征:超速程度,高速公路,城市主要道路,城市次要道路,城市普通道路,城市快速道路,当前转速下发动机负荷百分比,瞬时油耗,加速度绝对值,进气压力,发动机转速差。
Y表示载重特征,标签只有2种状态,载重为1,空载为0。
令(x1,y1),…,(xL,yL)表示有标签的样本数据,yi∈(0,1),i=0,1,…,L-1,表示载重状态(0为空载,1为满载),令(xL,yL),…,(xL+U-1,yL+U-1)为未标记数据,且L<<U,设整个数据集X={x0,x1,…,xL+U-1}。问题转换为:从数据集X中,利用有标签数据集YL进行学习,为无标签数据集YU找到对应的载重。
①图的构建。
标签传播算法是基于图的,因此需要先构建一个图。图的节点就是一个数据点,包含有标签和无标签的数据,将数据点用边(Edge)连接,构造连接图。
连接图分为稠密图和稀疏图,稠密图的典型代表是全连接图,采用rbf核函数计算节点i和节点j的边权重,如式(1)所示:
这里,α是超参(超参数根据经验确定),c表示特征指标中的某个特征,本方法中的总特征数目为7。L表示有标签数据的数目,U表示无标签数据的数目;
xi,xj∈X={x0,x1,…,xL+U-1},i,j=0,1,…,L+U-1。
稀疏图按照某种准则将距离最近的几个点连接,典型代表为KNN图,计算数据集X={x0,x1,…,xL+U-1}中xi(其中,i=0,1,…,L+U-1)之间的距离,采用欧式距离计算并且按照距离的递增关系进行排序,选取距离最小的k个点,保留k近邻权重为1,其他的为0。
②计算概率转移矩阵P。
标签传播的主要思想是:通过节点之间的边的相似程度来传播载重信息。边的权重越大,表示两个节点越相似,那么载重信息越容易传播过去。我们定义一个(L+u)×(L+u)的概率转移矩阵P,如式(2):
pij表示从节点i转移到节点j的概率,n=1,2,…,L+U。
因为存在0和1两种载重状态和L个有标签的样本数据。令有标签数据集YL中的元素为YL(i)∈(0,1),i=0,1,…,L-1。
对于有标签数据,定义一个L×2的矩阵ZL,如果YL(i)=j(其中j∈(0,1)),可得ZL(i,j)=1,即如果YL第i行为j=0(空载),那么ZL的第i行第j列(j=0)元素为1,第i行的其他列元素都为0;反之,如果YL第i行为j=1(满载),那么ZL的第i行第j列(j=1)元素为1,第i行的其他列元素都为0。
对于无标签数据,定义一个U×2的矩阵ZU,令ZU(i,j)=-1(其中,i=0,1,…,U-1;j=0,1)。将矩阵ZL和ZU合并,得到一个(L+U)×2的步骤Softlabel矩阵F=[ZL;ZU],然后通过概率转移矩阵进行传播;最后确定这个样本的载重类型时,取概率最大的位置作为它的载重信息。
标签传播算法操作如下:
1)执行传播:F=PF
2)重置F中的已存在载重样本的载重信息:FL=ZL
3)重复步骤1)和2),直到F收敛。
步骤1)就是将概率转移矩阵P和矩阵F相乘,每个节点都将载重信息以概率传播给其他节点。如果两个节点越相似,那么对方的载重信息就越容易被自己的载重信息赋予。步骤2)非常关键,因为已存在载重数据的载重信息是已知的,它不能被改变的,所以每次传播完,都需要还原已有的载重信息。当矩阵F的变化程度达到设定的阈值或达到迭代次数,则完成传播,已存在载重数据不断的将自己的载重信息传播出去,最后的类边界会穿越高密度区域,而停留在低密度的间隔中。
(4)根据样本数据建立的载重模型,对车辆载重进行计算,获取载重情况预测。
本发明还提供了一种渣土车偷倒判别装置,包括:存储有渣土车偷倒判别程序的存储器及用于运行渣土车偷倒判别程序的处理器,渣土车偷倒判别程序配置为实现基于半监督学习的渣土车偷倒判别方法的步骤。
本发明还提供了计算机可读存储介质上存储有渣土车偷倒判别程序,渣土车偷倒判别程序被处理器执行实现基于半监督学习的渣土车偷倒判别方法的步骤。
以上已对本发明创造的较佳实施例进行了具体说明,但本发明创造并不限于所述实施例,熟悉本领域的技术人员在不违背本发明创造精神的前提下还可作出种种的等同的变型或替换,这些等同的变型或替换均包含在本申请权利要求所限定的范围内。
Claims (6)
1.一种基于半监督学习的渣土车偷倒判别方法,包括一个采集源数据的步骤,所述的源数据包括渣土车的GPS步骤定位数据、CAN总线数据和装载情况的人工记录数据,所述的GPS步骤定位数据包括车牌号、驾驶时间、经度、纬度和速度,所述的CAN总线数据包括车牌号、时间、速度、转速、发动机负荷、发动机期望转速和瞬时油耗,所述的装载情况的人工记录数据包括车牌号、时间、装货时间和卸货时间,其特征在于,还包括:
步骤S1,对所述的源数据进行预处理;
步骤S2,利用基于图的标签传播算法建立载重模型;
步骤S2包括:
步骤S2.1,构造相似矩阵;
步骤S2.2,进行传播;
步骤S2.1包括:
步骤S2.1.1,图的构建;
X表示所选取的特征:超速程度,高速公路,城市主要道路,城市次要道路,城市普通道路,城市快速道路,当前转速下发动机负荷百分比,瞬时油耗,加速度绝对值,进气压力,发动机转速差;
Y表示载重特征,标签只有2种状态,载重为1,空载为0;
令(x1,y1),…,(xL,yL)表示有标签的样本数据,yi∈(0,1),i=0,1,…,L-1,表示载重状态,令(xL,yL),...,(xL+U-1,yL+U-1)为未标记数据,且L<<U,设整个数据集X={x0,x1,…,xL+U-1};问题转换为:从数据集X中,利用有标签数据集YL进行学习,为无标签数据集YU找到对应的载重;
标签传播算法是基于图的,因此需要先构建一个图;以数据点为图的节点,将数据点用边连接,构造连接图;
连接图分为稠密图和稀疏图;
稠密图采用全连接图,采用rbf核函数计算节点i和节点j的边权重,如式(1)所示:
其中,α是超参,c表示特征指标中的某个特征,总特征数目为7,L表示有标签数据的数目,U表示无标签数据的数目;xi,xj∈X={x0,x1,…,xL+U-1},i,j=0,1,…,L+U-1;
稀疏图采用KNN图,计算数据集X={x0,x1,…,xL+U-1}中的xi,其中,i=0,1,…,L+U-1之间的距离,采用欧式距离计算并且按照距离的递增关系进行排序,选取距离最小的k个点,保留k近邻权重为1,其他的为0;
步骤S2.1.2,计算概率转移矩阵P;
定义一个(L+U)×(L+U)的概率转移矩阵P,如式(2):
pij表示从节点i转移到节点j的概率,n=1,2,…,L+U;
因为存在0和1两种载重状态和L个有标签的样本数据;令有标签数据集YL中的元素为YL(i)∈(0,1),i=0,1,…,L-1;
对于有标签数据,定义一个L×2的矩阵ZL,如果YL(i)=j,其中j∈(0,1),可得ZL(i,j)=1,即如果YL第i行为j=0,即为空载,那么ZL的第i行第j列,j=0的元素为1,第i行的其他列元素都为0;反之,如果YL第i行为j=1,即为满载,那么ZL的第i行第j列,j=1的元素为1,第i行的其他列元素都为0;
对于无标签数据,定义一个U×2的矩阵ZU,令ZU(i,j)=-1,其中,i=0,1,…,U-1;j=0,1;将矩阵ZL和ZU合并,得到一个(L+U)×2的步骤Softlabel矩阵F=[ZL;ZU];
步骤S2.2包括:
步骤S2.2.1,执行传播:F=PF;
步骤S2.2.2,重置F中的已存在载重样本的载重信息:FL=ZL;
步骤S2.2.3,判断F是否收敛;
若F收敛,则结束;
若F未收敛,则返回步骤步骤S2.2.1,直至F收敛;
步骤S3,将经过预处理的源数据代入载重模型中获取载重预测值。
2.根据权利要求1所述的基于半监督学习的渣土车偷倒判别方法,其特征在于,步骤S1包括:
步骤S1.1,获取车辆的原始数据;
步骤S1.2,对原始数据进行划分。
3.根据权利要求2所述的基于半监督学习的渣土车偷倒判别方法,其特征在于,步骤S1中,原始数据包括车辆定位数据、车辆总线数据及车辆装载情况。
4.一种渣土车偷倒判别系统,其特征在于,包括:
预处理模块,用于对超载源数据进行预处理;
建模模块,用于用BP神经网络结构建立载重模型;包括如下步骤:
步骤S2.1,构造相似矩阵;
步骤S2.2,进行传播;
步骤S2.1包括:
步骤S2.1.1,图的构建;
X表示所选取的特征:超速程度,高速公路,城市主要道路,城市次要道路,城市普通道路,城市快速道路,当前转速下发动机负荷百分比,瞬时油耗,加速度绝对值,进气压力,发动机转速差;
Y表示载重特征,标签只有2种状态,载重为1,空载为0;
令(x1,y1),…,(xL,yL)表示有标签的样本数据,yi∈(0,1),i=0,1,…,L-1,表示载重状态,令(xL,yL),…,(xL+U-1,yL+U-1)为未标记数据,且L<<U,设整个数据集X={x0,x1,…,xL+U-1};问题转换为:从数据集X中,利用有标签数据集YL进行学习,为无标签数据集YU找到对应的载重;
标签传播算法是基于图的,因此需要先构建一个图;以数据点为图的节点,将数据点用边连接,构造连接图;
连接图分为稠密图和稀疏图;
稠密图采用全连接图,采用rbf核函数计算节点i和节点j的边权重,如式(1)所示:
其中,α是超参,c表示特征指标中的某个特征,总特征数目为7,L表示有标签数据的数目,U表示无标签数据的数目;xi,xj∈X={x0,x1,…,xL+U-1},
i,j=0,1,…,L+U-1;
稀疏图采用KNN图,计算数据集X={x0,x1,…,xL+U-1}中的xi,其中,i=0,1,…,L+U-1之间的距离,采用欧式距离计算并且按照距离的递增关系进行排序,选取距离最小的k个点,保留k近邻权重为1,其他的为0;
步骤S2.1.2,计算概率转移矩阵P;
定义一个(L+U)×(L+U)的概率转移矩阵P,如式(2):
pij表示从节点i转移到节点j的概率,n=1,2,…,L+U;
因为存在0和1两种载重状态和L个有标签的样本数据;令有标签数据集YL中的元素为YL(i)∈(0,1),i=0,1,…,L-1;
对于有标签数据,定义一个L×2的矩阵ZL,如果YL(i)=j,其中j∈(0,1),可得ZL(i,j)=1,即如果YL第i行为j=0,即为空载,那么ZL的第i行第j列,j=0的元素为1,第i行的其他列元素都为0;反之,如果YL第i行为j=1,即为满载,那么ZL的第i行第j列,j=1的元素为1,第i行的其他列元素都为0;
对于无标签数据,定义一个U×2的矩阵ZU,令ZU(i,j)=-1,其中,i=0,1,…,U-1;j=0,1;将矩阵ZL和ZU合并,得到一个(L+U)×2的步骤Softlabel矩阵F=[ZL;ZU];
步骤S2.2包括如下步骤:
步骤S2.2.1,执行传播:F=PF;
步骤S2.2.2,重置F中的已存在载重样本的载重信息:FL=ZL;
步骤S2.2.3,判断F是否收敛;
若F收敛,则结束;
若F未收敛,则返回步骤步骤S2.2.1,直至F收敛;
判断模块,将经过预处理的源数据代入载重模型中获取载重预测值。
5.一种渣土车偷倒判别装置,其特征在于,包括:存储有渣土车偷倒判别程序的存储器及用于运行渣土车偷倒判别程序的处理器,渣土车偷倒判别程序配置为实现如权利要求1~3任一项所述的基于半监督学习的渣土车偷倒判别方法的步骤。
6.一种计算机可读存储介质,其特征在于,计算机可读存储介质上存储有渣土车偷倒判别程序,渣土车偷倒判别程序被处理器执行实现如权利要求1~3任一项所述的基于半监督学习的渣土车偷倒判别方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811213546.XA CN111079774B (zh) | 2018-10-18 | 2018-10-18 | 基于半监督学习的渣土车偷倒判别方法、系统和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811213546.XA CN111079774B (zh) | 2018-10-18 | 2018-10-18 | 基于半监督学习的渣土车偷倒判别方法、系统和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111079774A CN111079774A (zh) | 2020-04-28 |
CN111079774B true CN111079774B (zh) | 2023-05-16 |
Family
ID=70308546
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811213546.XA Active CN111079774B (zh) | 2018-10-18 | 2018-10-18 | 基于半监督学习的渣土车偷倒判别方法、系统和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111079774B (zh) |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107203158A (zh) * | 2017-05-08 | 2017-09-26 | 武汉依迅北斗空间技术有限公司 | 一种基于渣土作业的违规工地鉴别方法、装置和程序产品 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8965597B2 (en) * | 2013-02-26 | 2015-02-24 | Ford Global Technologies, Llc | Road grade auto-mapping |
-
2018
- 2018-10-18 CN CN201811213546.XA patent/CN111079774B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107203158A (zh) * | 2017-05-08 | 2017-09-26 | 武汉依迅北斗空间技术有限公司 | 一种基于渣土作业的违规工地鉴别方法、装置和程序产品 |
Non-Patent Citations (2)
Title |
---|
廖警 ; 蒋春玲 ; 韦仁宝 ; 黄广祯 ; .城市智能渣土车管理系统设计.装备制造技术.2017,(09),全文. * |
徐胜 ; 瞿国庆 ; 袁辉 ; .基于物联网的渣土车环保运输智能监控装置设计.仪表技术.2013,(11),全文. * |
Also Published As
Publication number | Publication date |
---|---|
CN111079774A (zh) | 2020-04-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Carfora et al. | A “pay-how-you-drive” car insurance approach through cluster analysis | |
US20190378039A1 (en) | Normalized performance comparison techniques | |
Wang et al. | Truck traffic flow prediction based on LSTM and GRU methods with sampled GPS data | |
Cheng et al. | A big data based deep learning approach for vehicle speed prediction | |
Chen et al. | Sdcae: Stack denoising convolutional autoencoder model for accident risk prediction via traffic big data | |
Cai | Cause analysis of traffic accidents on urban roads based on an improved association rule mining algorithm | |
Mousa et al. | An extreme gradient boosting method for identifying the factors contributing to crash/near-crash events: a naturalistic driving study | |
CN109377046A (zh) | 基于bp神经网络的车辆超载判别方法、系统和装置 | |
CN104318315A (zh) | 一种城市道路交通污染物排放监控预警系统及方法 | |
CN104269057A (zh) | 一种基于浮动车od数据的卡口传感器部署方法 | |
Shokohyar et al. | The effect of drivers' demographic characteristics on road accidents in different seasons using data mining | |
Hamad et al. | Predicting freeway incident duration using machine learning | |
Kumar et al. | Evaluation of pavement condition index using artificial neural network approach | |
Zhao et al. | Factors affecting traffic risks on bridge sections of freeways based on partial dependence plots | |
CN109767617B (zh) | 一种基于Apriori的公安交管业务异常数据研判方法 | |
Anttila et al. | Effect of vehicle properties and driving environment on fuel consumption and CO2 emissions of timber trucking based on data from fleet management system | |
CN111079774B (zh) | 基于半监督学习的渣土车偷倒判别方法、系统和装置 | |
Dutta et al. | Hybrid Deep Learning Enabled Air Pollution Monitoring in ITS Environment. | |
CN114580874B (zh) | 一种适用于高速公路风险评估的多维分布式数据分析系统 | |
Xu et al. | An assistant decision-supporting method for urban transportation planning over big traffic data | |
Al-Mistarehi et al. | Investigating the factors affecting speeding violations in Jordan using phone camera, radar, and machine learning | |
Li et al. | Using LightGBM with SHAP for predicting and analyzing traffic accidents severity | |
Nai et al. | Effective presenting method for different driving styles based on hexagonal eye diagram applied in pay-how-you-drive vehicle insurance | |
Liu et al. | Using classification and regression tree and dimension reduction in analyzing motor vehicle traffic accidents | |
Lazar et al. | Road traffic accident prediction: a driving behavior approach |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
PE01 | Entry into force of the registration of the contract for pledge of patent right | ||
PE01 | Entry into force of the registration of the contract for pledge of patent right |
Denomination of invention: A method, system, and device for identifying the theft of dump trucks based on semi supervised learning Granted publication date: 20230516 Pledgee: Agricultural Bank of China Limited Shanghai Songjiang Sub-branch Pledgor: SHANGHAI JINGDA INFORMATION TECHNOLOGY Co.,Ltd. Registration number: Y2024980019571 |