CN114548508A - 货物状态预测的方法、装置及多分类建模方法 - Google Patents
货物状态预测的方法、装置及多分类建模方法 Download PDFInfo
- Publication number
- CN114548508A CN114548508A CN202210054273.9A CN202210054273A CN114548508A CN 114548508 A CN114548508 A CN 114548508A CN 202210054273 A CN202210054273 A CN 202210054273A CN 114548508 A CN114548508 A CN 114548508A
- Authority
- CN
- China
- Prior art keywords
- data
- original
- classification model
- state
- cargo
- 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 89
- 238000013145 classification model Methods 0.000 claims abstract description 83
- 238000005259 measurement Methods 0.000 claims abstract description 47
- 238000005303 weighing Methods 0.000 claims abstract description 43
- 238000012545 processing Methods 0.000 claims description 54
- 238000012549 training Methods 0.000 claims description 33
- 238000012512 characterization method Methods 0.000 claims description 28
- 230000008569 process Effects 0.000 claims description 18
- 230000011218 segmentation Effects 0.000 claims description 9
- 238000004590 computer program Methods 0.000 claims description 5
- 238000007781 pre-processing Methods 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 2
- 238000002372 labelling Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000002203 pretreatment Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
Images
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
- G06Q10/04—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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/067—Enterprise or organisation modelling
-
- 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
- G06Q10/083—Shipping
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Development Economics (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)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请公开了一种货物状态预测的方法、装置及多分类建模方法,本申请所述的货物状态预测的方法包括获取车载称重设备最新产生的连续的N个原始数据点,所述原始数据点中记录原始测量数据;根据连续的N个原始数据点得到1个整段数据和M个分段数据;将1个整段数据和M个分段数据输入多分类模型,得到当前预测状态,所述多分类模型为根据车载称重设备的原始测量数据能够预测货物当前状态的模型。本申请用以解决现有的基于人工识别的方式进行货物状态识别的方式的及时性和准确性差、并且成本高的问题。
Description
本申请是申请号为202010956370.8、申请日为2020年09月11日、发明名称为“货物状态预测的方法、装置及多分类建模方法”的中国专利申请的分案申请。
技术领域
本申请涉及物流技术领域,具体而言,涉及一种货物状态预测的方法、装置及多分类建模方法。
背景技术
在物流领域,尤其是卡车货运领域或干线公路货运领域,对于货物状态的判断十分重要,精准及时的货物状态识别可以帮助管理者提升车辆管理效率,降低运输成本。
目前的货物状态识别主要通过人工识别,即由司机或场站管理员人工统计货物实际状态后上报,但是这种方式存在信息的滞后性;若要求场站管理员人工实时上报货物状态,会大幅增加人力成本;若要求司机实时上报货物状态,效果不尽人意,因为司机的本职工作是驾驶车辆,其将车辆完成靠台后需要去休息,并不会去关注货物状态,如要求司机实时上报货物状态,必然影响司机的休息,造成安全隐患。
综上,现有的基于人工识别的方式进行货物状态识别的方式的及时性和准确性差,并且成本高。
发明内容
本申请的主要目的在于提供一种货物状态预测的方法、装置及多分类建模方法,以解决现有的基于人工识别的方式进行货物状态识别的方式的及时性和准确性差、并且成本高的问题。
为了实现上述目的,根据本申请的第一方面,提供了一种货物状态预测的方法。
根据本申请的货物状态预测的方法包括:
获取车载称重设备最新产生的连续的N个原始数据点,所述原始数据点中记录原始测量数据,N为大于等于2的整数;
根据连续的N个原始数据点得到1个整段数据和M个分段数据,M为大于等于2的整数;
将1个整段数据和M个分段数据输入多分类模型,得到当前预测状态,所述多分类模型为根据车载称重设备的原始测量数据能够预测货物当前状态的模型。
可选的,所述将1个整段数据和M个分段数据输入多分类模型,还包括:
对1个整段数据和M个分段数据分别进行处理得到处理后的数据,将处理后的数据输入多分类模型。
可选的,所述对1个整段数据和M个分段数据分别进行处理得到处理后的数据,将处理后的数据输入多分类模型,还包括:
对1个整段数据和M个分段数据分别进行特征化处理得到特征数据,将特征数据输入多分类模型。
可选的,所述原始测量数据包括形变数据、电阻数据、电压数据、电流数据或时间数据中至少一种数据。
为了实现上述目的,根据本申请的第二方面,提供了一种多分类建模的方法。
根据本申请的多分类建模的方法包括:
从数据集中多次获取连续的N个原始数据点及其对应的货物状态,数据集中包含了多个原始数据点及其对应的货物状态,所述原始数据点中记录原始测量数据,N为大于等于2的整数;
根据每个连续的N个原始数据点及其对应的货物状态分别得到1个整段数据、M个分段数据和状态数据,M为大于等于2的整数;
将所有的1个整段数据、M个分段数据和状态数据作为训练数据输入待训练的多分类模型,得到训练后的多分类模型。
可选的,所述根据每个连续的N个原始数据点分别得到M个分段数据包括:
按照每个分段数据与其他任一分段数据存在数据点交集的方式对N个原始数据点进行分段处理,得到M个分段数据。
可选的,根据每个连续的N个原始数据点及其对应的货物状态分别得到状态数据包括:
将N个原始数据点中的最后一个原始数据点对应的货物状态作为状态数据;或,
根据N个原始数据点中对应的货物状态的数量或比例确定状态数据。
可选的,将所有的1个整段数据、M个分段数据和状态数据作为训练数据输入待训练的多分类模型,还包括:
对每个所述1个整段数据、M个分段数据进行特征化处理得到特征数据,将每个所述1个整段数据、M个分段数据对应的特征数据和状态数据输入到待训练的多分类模型。
为了实现上述目的,根据本申请的第三方面,提供了一种货物状态预测的装置。
根据本申请的货物状态预测的装置包括:
获取单元,用于获取车载称重设备最新产生的连续的N个原始数据点,所述原始数据点中记录原始测量数据,N为大于等于2的整数;
数据处理单元,用于对获取单元获取到的数据进行处理,得到多分类模型所需的输入数据;
预测单元,用于将数据处理单元得到的输入数据输入多分类模型,得到当前预测状态,其中,所述多分类模型为根据车载称重设备的原始测量数据或原始测量数据衍生出的特征数据能够预测货物当前状态的模型;预测单元中存储有训练好的多分类模型。
可选的,所述数据处理单元包括:
分段模块,用于根据获取单元获取到连续的N个原始数据点得到1个整段数据和M个分段数据,M为大于等于2的整数;
特征模块,用于对分段模块得到的1个整段数据和/或M个分段数据分别进行特征化处理得到特征数据。
为了实现上述目的,根据本申请的第四方面,提供了一种多分类建模的装置,所述装置包括:
获取单元,用于从数据集中多次获取连续的N个原始数据点及其对应的货物状态,数据集中包含了多个原始数据点及其对应的货物状态,所述原始数据点中记录原始测量数据,N为大于等于2的整数;
数据处理单元,用于根据每个连续的N个原始数据点及其对应的货物状态分别得到1个整段数据、M个分段数据和状态数据,M为大于等于2的整数;
训练单元,用于将所有的1个整段数据、M个分段数据和状态数据作为训练数据输入待训练的多分类模型,得到训练后的多分类模型。
为了实现上述目的,根据本申请的第五方面,提供了一种货物状态预测的方法,所述方法包括:
获取车载称重设备最新产生的连续的N个原始数据点,所述原始数据点中记录原始测量数据,N为大于等于2的整数;
对连续的N个原始数据点进行特征化处理得到特征数据;
将特征数据输入多分类模型,进行货物状态预测。
为了实现上述目的,根据本申请的第六方面,提供了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机指令,所述计算机指令用于使所述计算机执行上述第一方面或第五方面中任意一项所述的货物状态预测的方法和/或第二方面中任意一项所述的多分类建模的方法。
为了实现上述目的,根据本申请的第七方面,提供了一种电子设备,包括:至少一个处理器;以及与所述至少一个处理器通信连接的存储器;其中,所述存储器存储有可被所述至少一个处理器执行的计算机程序,所述计算机程序被所述至少一个处理器执行,以使所述至少一个处理器执行上述第一方面或第五方面中任意一项所述的货物状态预测的方法和/或第二方面中任意一项所述的多分类建模的方法。
本申请所述的货物状态预测的方法及装置中,获取车载称重设备最新产生的连续的N个原始数据点,所述原始数据点中记录原始测量数据;根据连续的N个原始数据点得到1个整段数据和M个分段数据;将1个整段数据和M个分段数据输入多分类模型,得到当前预测状态。其中,多分类模型为根据车载称重设备的原始测量数据能够预测货物当前状态的模型。
本申请的多分类建模方法中,从数据集中多次获取连续的N个原始数据点及其对应的货物状态,数据集中包含了多个原始数据点及其对应的货物状态,所述原始数据点中记录原始测量数据;根据每个连续的N个原始数据点及其对应的货物状态分别得到1个整段数据、M个分段数据和状态数据;将所有的1个整段数据、M个分段数据和状态数据作为训练数据输入待训练的多分类模型,得到训练后的多分类模型。
本申请在进行货物状态预测时,根据多分类模型进行预测,预测的过程中不需要人工识别,可显著提高货物状态识别的准确性和及时性,同时降低成本。另外,预测时只需要利用车载称重设备的原始数据就可以实现货物状态的预测,无需获取车速、GPS等其他一系列数据,也无需针对特定车辆建立单独的预测模型。
附图说明
构成本申请的一部分的附图用来提供对本申请的进一步理解,使得本申请的其它特征、目的和优点变得更明显。本申请的示意性实施例附图及其说明用于解释本申请,并不构成对本申请的不当限定。在附图中:
图1是根据本申请实施例提供的一种多分类建模的方法流程图;
图2是根据本申请实施例提供的一种货物状态预测的方法流程图;
图3是根据本申请实施例提供的一种货物状态预测的装置的组成框图;
图4是根据本申请实施例提供的另一种货物状态预测的装置的组成框图;
图5是根据本申请实施例提供的一种多分类建模的装置的组成框图。
具体实施方式
为了使本技术领域的人员更好地理解本申请方案,下面将结合本申请实施例中的附图,对本申请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申请一部分的实施例,而不是全部的实施例。基于本申请中的实施例,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,都应当属于本申请保护的范围。
需要说明的是,本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以使这里描述的本申请的实施例。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
根据本申请实施例,提供了一种多分类建模的方法,如图1所示,该方法包括如下的步骤:
S101.从数据集中多次获取连续的N个原始数据点及其对应的货物状态。
数据集中每个原始数据点对应的货物状态是将通过数据标注得到的,例如,历史数据中为车载称重设备产生的多个原始数据点,而货物状态有很多种(其可以由人为设定),在数据标注时,可以根据需要预测的货物状态进行标记,假设需要预测的货物状态为开始装货、装货完成、开始卸货、卸货完成,那么可以根据实际情况对历史数据中的原始数据点标注上开始装货、装货完成、开始卸货、卸货完成这四种货物状态,对于实际情况中没有与这四个货物状态匹配上的原始数据点可以标注上其他,这样就形成了数据集。
比如,某个原始数据点可以对应一个货物状态,如原始数据点1对应的货物状态为其他状态,原始数据点2对应的货物状态为其他状态,原始数据点3对应的货物状态为开始装货状态,等等。这个数据集中包含了多个原始数据点及其对应的货物状态,这个示例中原始数据点及其对应的货物状态共有五种,即开始装货、装货完成、开始卸货、卸货完成及其他这五种货物状态。需要说明的是,上述五种货物状态是一个示例,在实际应用中货物状态还可以根据实际的需求进行适应性地调整。
进一步的,为了保证模型的准确性,在数据集中,对每种货物状态对应的原始数据点的数量进行设置。以上述五种货物状态为例进行说明,每种货物状态对应的原始数据点的数量不低于数据集中原始数据点总数的10%(具体的可利用随机降采样的方式对数据集中原始数据点的数量进行调整);或者,开始装货、装货完成、开始卸货、卸货完成这四种状态对应的原始数据点的数量均不低于数据集中原始数据点总数的10%;或者,开始装货、装货完成、开始卸货、卸货完成、其他这五种状态对应的原始数据点之间的比例为1:1:1:1:2。需要说明的是,上述示例中10%、1:1:1:1:2这些具体的数据值在实际应用中,可以根据货物状态的种类以及实际的需求进行适应性地调整。
原始数据点中记录了车载称重设备产生的原始测量数据。例如,利用物体的形变数据通过特定的计算过程得到称重数据(或重量数据)的车载称重设备,其首先会通过自身的测量装置得到物体的形变数据,进而利用这个数据计算得到称重数据,这里的原始测量数据就是物体的形变数据;再如,利用物体的电阻数据通过特定的计算过程得到称重数据的车载称重设备,其首先会通过自身的测量装置得到物体的电阻数据,进而利用这个数据计算得到称重数据,这里的原始测量数据就是物体的电阻数据;当然还有利用其它测量原理制造的车载称重设备,如利用测量到的电流或电压等数据制造的车载称重设备,还有利用超声波测量距离时产生的时间数据(如超声波往返所用时间)制造的车载称重设备,因此只要是车载称重设备中的原始测量数据即可。
需要说明的是原始测量数据不是车载称重设备最终得到的称重数据或重量数据,因为现有的车载称重设备会结合环境温度、车速等影响因素调整计算过程,进而使称重数据实时接近货物重量的真实数值,因此不同的原始测量数据经过计算可能产生同一个称重数据,如果利用这些称重数据则无法很好的建立预测的模型。
由于数据集中的原始数据点及其对应的货物状态均是从历史数据中得来的,因此每个原始数据点之间的顺序关系也是己知的(如由原始数据点产生的时间而得到的顺序关系),因此也可以从数据集中获取连续的N个原始数据点及其对应的货物状态。其中N为大于等于2的整数,例如可以取N=30、40等。
一个连续的N个原始数据点及其对应的货物状态无法达到模型训练的数据量的需求,训练数据越多,最终得到的模型的准确性越高,因此需要多个连续的N个原始数据点及其对应的货物状态得到训练数据。
S102.根据每个连续的N个原始数据点及其对应的货物状态分别得到1个整段数据、M个分段数据和状态数据。
其中,1个整段数据包含了连续的N个原始数据点。M(M为大于等于2的整数)个分段数据,是按照每个分段数据与其他任一分段数据存在数据点交集的方式对N个原始数据点进行分段处理得到的。即每段数据包含了连续的N个原始数据点中的连续的多个原始数据点,且每段数据与至少一个其他分段数据存在交集。需要说明的是,对数据进行分段也是为了提高模型的准确性。
给出具体的示例进行说明,例如N=30、M=3,这3段分段数据分别为:分段数据1:第1至第16个原始数据点;分段数据2:第7至第23个原始数据点;分段数据3:第15至第30个原始数据点。
本实施例中给出两种状态数据的确定方式:
第一种,以连续的N个原始数据点中的最后一个原始数据点对应的货物状态作为状态数据(如最后一个原始数据点对应的货物状态为开始装货,则状态数据为开始装货);
第二种,可以以N个原始数据点中对应的货物状态的数量或比例来确定(如30个原始数据点中有10个原始数据点对应的货物状态为其他状态,20个原始数据点对应的货物状态为开始装货状态,由于对应开始装货状态的原始数据点的数量较多,则状态数据为开始装货状态,即以N个原始数据点中对应的货物状态的数量最多的货物状态作为状态数据)。
另外,需要说明的是,在得到整段数据,分段数据及状态数据的过程中,均可以根据实际需要对原始数据点及其对应的货物状态进行预处理,如调整格式及数字化等等,以形成模型训练所需的整段数据、分段数据及状态数据。该预处理方法利用现有技术即可。
S103.将所有的1个整段数据、M个分段数据和状态数据作为训练数据输入待训练的多分类模型,得到训练后的多分类模型。
将前述步骤中得到的所有的1个整段数据、M个分段数据和状态数据作为训练数据,输入到待训练的多分类模型中进行训练,得到多分类模型。多分类模型的输入为1个整段数据、M个分段数据,模型的输出结果为当前货物状态。对于前述的示例,训练得到的模型的输出结果为开始装货、装货完成、开始卸货、卸货完成及其他(其他也可以为非需要预测的状态等等)这五种之一。具体的模型训练方法很多,这里不做限定,只要能够得到训练后的多分类模型即可。另外,对于待训练的多分类模型可以为任意的可以实现多分类的模型。
另外,还可以对1个整段数据和M个分段数据分别进行处理得到处理后的数据,将处理后的数据和状态数据输入待训练的多分类模型,得到训练后的多分类模型。更具体的,该处理包括预处理和/或特征化处理,亦或是其他处理手段。
进一步的,在将所有的1个整段数据、M个分段数据和状态数据作为训练数据输入待训练的多分类模型之前,可以对所有的1个整段数据、M个分段数据中的每个所述1个整段数据、M个分段数据进行特征化处理得到特征数据,然后将每个所述1个整段数据、M个分段数据对应的特征数据和状态数据输入到待训练的多分类模型中进行训练,得到多分类模型。具体的,对特征化处理进行说明,如下:
(1)将各段数据的中位数作为特征数据。
即将1个整段数据及M个分段数据的中位数作为特征数据。结合上述的具体的示例进行说明,1整段数据为30个原始测量数据,3个分段数据分别为分段数据1:第1至第16个原始测量数据;分段数据2:第7至第23个原始测量数据;分段数据3:第15至第30个原始测量数据。按照中位数的计算方式,得到每段数据的中位数。
(2)将各段数据的中位数的比作为特征数据。
按照上述(1)中的方式可以得到各段数据的中位数,然后将各段的中位数两两计算得到各中位数的比得到特征数据。
(3)将各段数据的差分值的标准差作为特征数据。
计算各段数据的差分值,得到多个差分值,计算多个差分值的标准差得到特征数据。
需要说明的是,上述(1)-(3)为三种特征化处理的方式,在实际应用中,可以选择任意一种或者多种组合进行特征化处理。
从以上的描述中,可以看出,本申请实施例的多分类建模的方法中,在进行数据处理时,选择的原始数据点是车载称重设备的原始测量值,而且还进行分段处理,因此可以提高模型的准确性。
另外,还需要说明的是,在实际的应用中,多分类建模在训练时还可以加入车速数据、车辆定位数据等与货物状态有关的数据作为模型的输入数据,其依然属于本技术方案的保护范围。
另外,本申请实施例还提供了另一种多分类建模的方法,该方法包括如下的步骤:
首先,从数据集中多次获取连续的N个原始数据点及其对应的货物状态,数据集中包含了多个原始数据点及其对应的货物状态,原始数据点中记录原始测量数据,N为大于等于2的整数;
该步骤的实现方式可以参见图1步骤S101的实现方式,此处不再赘述。
其次,根据每个连续的N个原始数据点及其对应的货物状态分别得到1个整段数据和状态数据;
本步骤的实现方式与图1步骤S102的实现方式中的不同在于,不需要对一个整段的数据进行分段得到M个分段数据,关于得到1个整段数据和状态数据的实现方式都是相同,此处不再赘述。需要说明的是,此处没有得到M个分段数据,以及后续训练的时候也没有使用到得到M个分段数据是该多分类建模方法与前述多分类建模方法的区别,除此之外,其他的处理方式都类同。
最后,对每个1个整段数据进行特征化处理得到特征数据,将每个1个整段数据对应的特征数据和状态数据输入到待训练的多分类模型,得到多分类模型。
对每个1个整段数据进行特征化处理得到特征数据的实现方式与前述实施例中对1个整段数据、M个分段数据进行特征化处理的实现方式是相同,此处不再赘述。得到特征数据后,将所有的1个整段数据对应的特征数据和状态数据输入到待训练的多分类模型中进行训练,得到多分类模型。多分类模型的输入为1个整段数据,模型的输出结果为当前货物状态。对于前述的示例,训练得到的模型的输出结果为开始装货、装货完成、开始卸货、卸货完成及其他(其他也可以为非需要预测的状态等等)这五种之一。具体的模型训练方法很多,这里不做限定,只要能够得到训练后的多分类模型即可。另外,对于待训练的多分类模型可以为任意的可以实现多分类的模型。
根据本申请实施例,提供了一种货物状态预测的方法,如图2所示,该方法包括如下的步骤:
S201.获取车载称重设备最新产生的连续的N个原始数据点,原始数据点中记录原始测量数据。
需要说明的是,其中N的取值跟多分类模型训练时选择的N的值需要保持一致。原始数据点与在多分类模型训练过程中的涉及的原始数据点的性质也是相同的。即若多分类模型训练时使用的原始数据点为形变数据,则本步骤中获取的也是形变数据;若为电阻数据,获取的也是电阻数据;等。
S202.根据连续的N个原始数据点得到1个整段数据和M个分段数据。
本步骤的实现方式与图1步骤S102中根据连续的N个原始数据点得到1个整段数据和M个分段数据的方式是相同的,此处不再赘述。并且,N和M的取值与实际训练时选择的N和M的值是相同的。
S203.将1个整段数据和M个分段数据输入多分类模型,得到当前预测状态。
将步骤S202中得到的1个整段数据和M个分段数据输入到上述图1实施例中训练得到的多分类模型中进行预测,得到当前预测状态,即当前的货物状态。当前预测状态为多分类模型训练时输出结果中的任一种。比如,当前预测状态可以为开始装货、装货完成、开始卸货、卸货完成及其他这五种之一。
除此以外,还可以对1个整段数据和M个分段数据分别进行处理得到处理后的数据,将处理后的数据输入多分类模型。更具体的,该处理包括预处理和/或特征化处理,亦或是其他处理手段。
另外,需要说明的是,对应于多分类模型的训练过程,如果对1个整段数据和M个分段数据进行了预处理和/或特征化处理的过程,则在进行预测时,也需要按照同样的方式对最新产生的连续的N个原始数据点得到的1个整段数据和M个分段数据进行了预处理和/或特征化处理。即,对1个整段数据和M个分段数据分别进行特征化处理得到特征数据,将特征数据输入训练好的多分类模型,得到当前预测状态。
从以上的描述中,可以看出,本实施例的货物状态预测的方法中,获取车载称重设备最新产生的连续的N个原始数据点,所述原始数据点中记录原始测量数据;根据连续的N个原始数据点得到1个整段数据和M个分段数据;将1个整段数据和M个分段数据输入多分类模型,得到当前预测状态。其中,多分类模型为根据车载称重设备的原始测量数据能够预测货物当前状态的模型。具体的,多分类建模方法中,从数据集中多次获取连续的N个原始数据点及其对应的货物状态,数据集中包含了多个原始数据点及其对应的货物状态,所述原始数据点中记录原始测量数据;根据每个连续的N个原始数据点及其对应的货物状态分别得到1个整段数据、M个分段数据和状态数据;将所有的1个整段数据、M个分段数据和状态数据作为训练数据输入待训练的多分类模型,得到训练后的多分类模型。
因此,本申请中在进行货物状态预测时,是根据多分类模型进行预测的,预测的过程中不需要人工识别,因此可以显著提高货物状态识别的准确性和及时性,同时也可以降低成本。另外,预测时只需要利用车载称重设备的原始数据就可以实现货物状态的预测,可无需获取车速、GPS等其他一系列数据,也无需针对特定车辆建立单独的预测模型。
除此以外,本申请实施例还提供了一种货物状态预测的方法,该方法具体包括如下步骤。
首先,获取车载称重设备最新产生的连续的N个原始数据点,原始数据点中记录原始测量数据,N为大于等于2的整数;
该步骤的实现方式与图2步骤S201的实现方式相同,此处不再赘述。
其次,对连续的N个原始数据点进行特征化处理得到特征数据,将特征数据输入多分类模型,得到当前预测状态。
需要说明的是,对连续的N个原始数据点进行特征化处理得到特征数据,等同于根据连续的N个原始数据点得到1个整段数据,对1个整段数据进行特征化处理得到特征数据。具体的,对1个整段数据进行特征化处理得到特征数据的处理方式与多分类模型训练时对1个整段数据进行特征化处理的方式是相同的,此处不再赘述,特征化处理后得到对应的特征数据。然后将得到的特征数据输入到之前训练得到的多分类模型中,得到当前预测状态,即当前的货物状态。当前预测状态为多分类模型训练时输出结果中的任一种。比如,当前预测状态可以为开始装货、装货完成、开始卸货、卸货完成及其他这五种之一。需要说明的是,此处特征数据输入的多分类模型是根据将每个1个整段数据对应的特征数据和状态数据输入到待训练的多分类模型得到的多分类模型。
从以上的描述中,可以看出,本申请实施例的货物状态预测的方法中,获取车载称重设备最新产生的连续的N个原始数据点,所述原始数据点中记录原始测量数据;对连续的N个原始数据点进行特征化处理得到特征数据,将特征数据输入多分类模型,得到当前预测状态。其中,多分类模型为根据车载称重设备的原始测量数据能够预测货物当前状态的模型。具体的,多分类建模方法中,从数据集中多次获取连续的N个原始数据点及其对应的货物状态,数据集中包含了多个原始数据点及其对应的货物状态,所述原始数据点中记录原始测量数据;根据每个连续的N个原始数据点及其对应的货物状态分别得到1个整段数据和状态数据;对每个1个整段数据进行特征化处理得到特征数据,将每个1个整段数据对应的特征数据和状态数据输入到待训练的多分类模型,得到训练后的多分类模型。
因此,本申请中在进行货物状态预测时,是根据多分类模型进行预测的,预测的过程中不需要人工识别,因此可以提高货物状态识别的准确性和及时性,同时也可以降低成本。另外,预测时只需要利用车载称重设备的原始数据就可以实现货物状态的预测,可无需获取车速、GPS等其他一系列数据,也无需针对特定车辆建立单独的预测模型。
需要说明的是,在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行,并且,虽然在流程图中示出了逻辑顺序,但是在某些情况下,可以以不同于此处的顺序执行所示出或描述的步骤。
根据本申请实施例,还提供了一种用于实施上述图2方法的货物状态预测的装置,如图3所示,该装置包括:
获取单元31,用于获取车载称重设备最新产生的连续的N个原始数据点,所述原始数据点中记录原始测量数据,N为大于等于2的整数;
数据处理单元32,用于对获取单元31获取到数据进行处理,得到多分类模型所需的输入数据;
预测单元33,用于将数据处理单元32得到的输入数据输入多分类模型,得到当前预测状态;
其中,所述多分类模型为根据车载称重设备的原始测量数据或原始测量数据衍生出的特征数据能够预测货物当前状态的模型;
其中,预测单元中存储有训练好的多分类模型。
进一步的,如图4所示,数据处理单元32还包含,
分段模块321,用于根据获取单元31获取到连续的N个原始数据点得到1个整段数据和M个分段数据,M为大于等于2的整数;
进一步的,如图4所示,数据处理单元32还包含,特征模块322,用于对分段模块321得到的1个整段数据和/或M个分段数据分别进行特征化处理得到特征数据。
具体的,本申请实施例的装置中各单元、模块实现其功能的具体过程可参见方法实施例中的相关描述,此处不再赘述。
根据本申请实施例,还提供了一种用于实施上述图1方法的多分类建模的装置,如图5所示,该装置包括:
获取单元41,用于从数据集中多次获取连续的N个原始数据点及其对应的货物状态,数据集中包含了多个原始数据点及其对应的货物状态,所述原始数据点中记录原始测量数据,N为大于等于2的整数;
数据处理单元42,用于根据每个连续的N个原始数据点及其对应的货物状态分别得到1个整段数据、M个分段数据和状态数据,M为大于等于2的整数;
训练单元43,用于将所有的1个整段数据、M个分段数据和状态数据作为训练数据输入待训练的多分类模型,得到训练后的多分类模型。
具体的,本申请实施例的装置中各单元、模块实现其功能的具体过程可参见方法实施例中的相关描述,此处不再赘述。
从以上的描述中,可以看出,本申请实施例的多分类建模的装置中,在进行数据处理时,选择的原始数据点是车载称重设备的原始测量值,而且还进行分段处理,因此可以提高模型的准确性。
根据本申请实施例,还提供了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机指令,所述计算机指令用于使所述计算机执行上述方法实施例中的货物状态预测的方法和/或多分类建模的方法。
根据本申请实施例,还提供了一种电子设备,包括:至少一个处理器;以及与所述至少一个处理器通信连接的存储器;其中,所述存储器存储有可被所述至少一个处理器执行的计算机程序,所述计算机程序被所述至少一个处理器执行,以使所述至少一个处理器执行上述方法实施例中的货物状态预测的方法和/或多分类建模的方法。
显然,本领域的技术人员应该明白,上述的本申请的各模块或各步骤可以用通用的计算装置来实现,它们可以集中在单个的计算装置上,或者分布在多个计算装置所组成的网络上,可选地,它们可以用计算装置可执行的程序代码来实现,从而,可以将它们存储在存储装置中由计算装置来执行,或者将它们分别制作成各个集成电路模块,或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。这样,本申请不限制于任何特定的硬件和软件结合。
以上所述仅为本申请的优选实施例而己,并不用于限制本申请,对于本领域的技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本申请的保护范围之内。
Claims (10)
1.一种货物状态预测的方法,其特征在于,所述方法包括:
获取车载称重设备当前产生的连续的N个原始数据点,所述原始数据点中记录原始测量数据,N为大于等于2的整数;
根据所述连续的N个原始数据点得到一个整段数据和M个分段数据,M为大于等于2的整数;
将所述一个整段数据和所述M个分段数据输入多分类模型,得到当前预测状态,所述多分类模型为根据车载称重设备的原始测量数据能够预测货物当前状态的模型,所述多分类模型根据数据集中连续的原始数据点和所述数据集中连续的原始数据点对应的货物状态训练得到。
2.根据权利要求1所述的货物状态预测的方法,其特征在于,所述将所述一个整段数据和所述M个分段数据输入多分类模型,包括:
对所述一个整段数据和所述M个分段数据分别进行处理得到处理后的数据,将所述处理后的数据输入所述多分类模型,所述处理包括预处理和特征化处理中的至少一种,所述预处理包括调整格式和数字化。
3.根据权利要求2所述的货物状态预测的方法,其特征在于,所述处理为特征化处理,所述处理后的数据为特征数据,所述特征数据包括如下的至少一种:所述一个整段数据和所述M个分段数据的中位数,所述中位数的两两之比,所述一个整段数据和所述M个分段数据的差分值的标准差。
4.根据权利要求1所述的货物状态预测的方法,其特征在于,所述原始测量数据包括形变数据、电阻数据、电压数据、电流数据或时间数据中至少一种数据。
5.一种多分类建模的方法,其特征在于,所述方法用于得到权利要求1-4中任意一项所述的货物状态预测的方法中的多分类模型,所述方法包括:
从数据集中多次获取连续的N个原始数据点及其对应的货物状态,所述数据集中包含多个原始数据点及其对应的货物状态,所述原始数据点中记录原始测量数据,N为大于等于2的整数;
根据每个连续的N个原始数据点及其对应的货物状态分别得到一个整段数据、M个分段数据和状态数据,M为大于等于2的整数;
将所有的一个整段数据、M个分段数据和状态数据作为训练数据输入待训练的多分类模型,得到训练后的多分类模型,所述多分类模型为根据车载称重设备的原始测量数据能够预测货物当前状态的模型。
6.根据权利要求5所述的多分类建模的方法,其特征在于,所述M个分段数据通过对所述N个原始数据点进行分段处理得到,所述M个分段数据中的每个分段数据与其他任一分段数据存在数据点交集。
7.一种货物状态预测的装置,其特征在于,所述装置用于实现权利要求1-4中任意一项所述的货物状态预测的方法,所述装置包括:
获取单元,用于获取车载称重设备当前产生的连续的N个原始数据点,所述原始数据点中记录原始测量数据,N为大于等于2的整数;
数据处理单元,用于对所述获取单元获取到的N个原始数据点进行处理,得到多分类模型所需的输入数据;
预测单元,用于将所述数据处理单元得到的输入数据输入多分类模型,得到当前预测状态,其中,所述多分类模型为根据车载称重设备的原始测量数据或所述原始测量数据衍生出的特征数据能够预测货物当前状态的模型,所述多分类模型根据数据集中连续的原始数据点和所述数据集中连续的原始数据点对应的货物状态训练得到,所述预测单元中存储有训练好的多分类模型。
8.根据权利要求7所述的货物状态预测的装置,其特征在于,所述数据处理单元包括:
分段模块,用于根据所述获取单元获取到的连续的N个原始数据点得到一个整段数据和M个分段数据,M为大于等于2的整数;
特征模块,用于对所述分段模块得到的一个整段数据和/或M个分段数据分别进行特征化处理得到特征数据,所述输入数据为所述特征数据。
9.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有计算机指令,所述计算机指令用于使所述计算机执行权利要求1-4中任意一项所述的货物状态预测的方法和/或权利要求5-6中任意一项所述的多分类建模的方法。
10.一种电子设备,其特征在于,包括:至少一个处理器;以及与所述至少一个处理器通信连接的存储器;其中,所述存储器存储有计算机程序,所述计算机程序被所述至少一个处理器执行,以使所述至少一个处理器执行权利要求1-4中任意一项所述的货物状态预测的方法和/或权利要求5-6中任意一项所述的多分类建模的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210054273.9A CN114548508A (zh) | 2020-09-11 | 2020-09-11 | 货物状态预测的方法、装置及多分类建模方法 |
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210054273.9A CN114548508A (zh) | 2020-09-11 | 2020-09-11 | 货物状态预测的方法、装置及多分类建模方法 |
CN202010956370.8A CN111932031B (zh) | 2020-09-11 | 2020-09-11 | 货物状态预测的方法、装置及多分类建模方法 |
Related Parent Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010956370.8A Division CN111932031B (zh) | 2020-09-11 | 2020-09-11 | 货物状态预测的方法、装置及多分类建模方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114548508A true CN114548508A (zh) | 2022-05-27 |
Family
ID=73309913
Family Applications (2)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210054273.9A Pending CN114548508A (zh) | 2020-09-11 | 2020-09-11 | 货物状态预测的方法、装置及多分类建模方法 |
CN202010956370.8A Active CN111932031B (zh) | 2020-09-11 | 2020-09-11 | 货物状态预测的方法、装置及多分类建模方法 |
Family Applications After (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010956370.8A Active CN111932031B (zh) | 2020-09-11 | 2020-09-11 | 货物状态预测的方法、装置及多分类建模方法 |
Country Status (1)
Country | Link |
---|---|
CN (2) | CN114548508A (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108545013A (zh) * | 2018-04-09 | 2018-09-18 | 吉旗(成都)科技有限公司 | 一种基于传感器形变计算车辆载重及装卸货事件的方法 |
CN108573059A (zh) * | 2018-04-26 | 2018-09-25 | 哈尔滨工业大学 | 一种基于特征采样的时间序列分类方法及装置 |
CN110334986A (zh) * | 2019-06-20 | 2019-10-15 | 吉旗物联科技(上海)有限公司 | 基于货物量方的车辆装卸点识别方法及装置 |
CN111191693A (zh) * | 2019-12-18 | 2020-05-22 | 广西电网有限责任公司电力科学研究院 | 基于卷积神经网络的识别高压开关柜热故障状态的方法 |
Family Cites Families (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070040677A1 (en) * | 2005-08-17 | 2007-02-22 | Blair Herbert W Jr | Detecting cargo status and load activity |
US20180060774A1 (en) * | 2016-09-01 | 2018-03-01 | Blackberry Limited | Efficiency of a cargo shipping system |
CN107609808A (zh) * | 2017-07-26 | 2018-01-19 | 深圳市易成自动驾驶技术有限公司 | 车辆状态信息的监控方法、装置及计算机可读存储介质 |
CN107680375B (zh) * | 2017-09-29 | 2020-07-17 | 深圳市易成自动驾驶技术有限公司 | 一种车辆载重计算方法、装置及存储介质 |
CN109808839B (zh) * | 2017-11-22 | 2020-07-17 | 中冶宝钢技术服务有限公司 | 船舶的装货方法 |
US11475680B2 (en) * | 2018-12-12 | 2022-10-18 | Spireon, Inc. | Cargo sensor system implemented using neural network |
CN110991965B (zh) * | 2019-11-29 | 2023-04-18 | 广汽丰田汽车有限公司 | 物流运输在途监控管理方法、系统及存储介质 |
CN111209951B (zh) * | 2020-01-02 | 2021-03-23 | 深圳市汉德网络科技有限公司 | 一种实时车载称重方法 |
-
2020
- 2020-09-11 CN CN202210054273.9A patent/CN114548508A/zh active Pending
- 2020-09-11 CN CN202010956370.8A patent/CN111932031B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108545013A (zh) * | 2018-04-09 | 2018-09-18 | 吉旗(成都)科技有限公司 | 一种基于传感器形变计算车辆载重及装卸货事件的方法 |
CN108573059A (zh) * | 2018-04-26 | 2018-09-25 | 哈尔滨工业大学 | 一种基于特征采样的时间序列分类方法及装置 |
CN110334986A (zh) * | 2019-06-20 | 2019-10-15 | 吉旗物联科技(上海)有限公司 | 基于货物量方的车辆装卸点识别方法及装置 |
CN111191693A (zh) * | 2019-12-18 | 2020-05-22 | 广西电网有限责任公司电力科学研究院 | 基于卷积神经网络的识别高压开关柜热故障状态的方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111932031B (zh) | 2022-02-08 |
CN111932031A (zh) | 2020-11-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110288096B (zh) | 预测模型训练及预测方法、装置、电子设备、存储介质 | |
CN110765615B (zh) | 物流仿真方法、装置及设备 | |
CN112862184A (zh) | 运输信息预测方法、装置、电子设备及可读存储介质 | |
CN104599002B (zh) | 预测订单价值的方法及设备 | |
CN111507541B (zh) | 货量预测模型构建方法、货量测量方法、装置及电子设备 | |
CN108932595A (zh) | 一种运输车辆评价方法及设备 | |
CN111859172A (zh) | 信息推送方法、装置、电子设备和计算机可读存储介质 | |
CN116415747A (zh) | 拼车路线确定方法、装置和电子设备 | |
CN111815250B (zh) | 用于物流的货物状态识别方法、装置及二分类建模方法 | |
CN111932031B (zh) | 货物状态预测的方法、装置及多分类建模方法 | |
CN113807560A (zh) | 一种物流成本预测方法、装置、电子设备以及存储介质 | |
CN111932035B (zh) | 基于多模型的数据处理方法、装置及分类建模的方法 | |
CN115760187A (zh) | 一种运力成本估算方法、装置、电子设备及存储介质 | |
CN111680941A (zh) | 保价推荐方法、装置、设备及存储介质 | |
CN115983896A (zh) | 需求预测方法及相关装置 | |
CN115689245A (zh) | 一种用于确定不同场景下骑手的背单量的方法及装置 | |
CN112051843B (zh) | 基于订单预估的路径规划方法、装置、机器人和存储介质 | |
CN114202208A (zh) | 延迟装卸货的风险检测方法、装置及电子设备 | |
CN114925895A (zh) | 维修器材预测方法、终端及存储介质 | |
CN114239996A (zh) | 物流信息预测方法、装置、设备、平台及存储介质 | |
CN112308344A (zh) | 一种未离港航班订座值预测方法、装置及电子设备 | |
CN109934233B (zh) | 一种运输业务识别方法和系统 | |
CN113222502A (zh) | 铁路车辆位置跟踪方法、装置及终端 | |
CN111209937A (zh) | 一种充电曲线模型的分类方法、装置以及服务器 | |
CN110321521A (zh) | 评估追踪系统对要求的集合的符合性的方法和相关装置 |
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 |