CN116433136A - 一种基于大数据的货运安全监测系统及方法 - Google Patents

Abstract

本发明涉及大数据技术领域，具体为一种基于大数据的货运安全监测系统及方法，包括：监测数据采集模块、数据管理中心、数据筛选管理模块、货运安全监测模块和异常警报管理模块，通过监测数据采集模块采集货运安全历史监测数据，将采集到的全部数据传输到数据管理中心，通过数据管理中心存储并管理采集到的全部数据，通过数据筛选管理模块分析历史监测数据的参考价值，筛选出参考价值最高的历史监测数据作为参考数据，通过货运安全监测模块对当前货运进行安全监测，通过异常警报管理模块分析当前监测数据和参考数据，在监测数据出现异常时做警报处理，保障了货运安全，同时有效规避了在货物位置停止变化时就做出无效警报处理的情况。

Description

一种基于大数据的货运安全监测系统及方法

技术领域

本发明涉及大数据技术领域，具体为一种基于大数据的货运安全监测系统及方法。

背景技术

随着经济的快速发展，货物运输得到了快速的发展，在货物运输时，大型货车运输起到了重大作用，现有针对货运车辆的安全监测，主要针对车辆运行状态的监测，并不能将监测重点放在货物上，对货物进行有效的安全监测，尤其对于长途运输过程中，车辆停车次数较多，在停车时发生货物丢失问题往往无法被及时发现，因此，将安全监测重点放在货物上，能够及时发现货物丢失等异常现象；

然而，现有的货运安全监测技术仍然存在一些弊端：现有技术对货物运输进行安全监测时，单从货物位置一方面进行监测，在监测到货物位置维持一段时间未发生变化时会进行货运异常警报，存在货物位置未发生变化是因车辆中途停车的可能性，尤其对于长途运输过程，车辆是需要有一定途中停车的时间的，在这种情况下做出的货运异常警报显然是无效的，现有技术无法判断货物位置是否异常从而做出有效的异常警报，无法在保障货运安全的基础上有效减少无效异常警报的次数。

所以，人们需要一种基于大数据的货运安全监测系统及方法来解决上述问题。

发明内容

本发明的目的在于提供一种基于大数据的货运安全监测系统及方法，以解决上述背景技术中提出的问题。

为了解决上述技术问题，本发明提供如下技术方案：一种基于大数据的货运安全监测系统，所述系统包括：监测数据采集模块、数据管理中心、数据筛选管理模块、货运安全监测模块和异常警报管理模块；

所述监测数据采集模块的输出端连接所述数据管理中心的输入端，所述数据管理中心的输出端连接所述数据筛选管理模块的输入端，所述数据筛选管理模块的输出端连接所述异常警报管理模块的输入端，所述货运安全监测模块的输出端连接所述异常警报管理模块的输入端；

所述监测数据采集模块用于采集货运安全历史监测数据，将采集到的全部数据传输到所述数据管理中心；

所述数据管理中心用于存储并管理采集到的全部数据；

所述数据筛选管理模块用于分析历史监测数据的参考价值，筛选出参考价值最高的历史监测数据作为参考数据；

所述货运安全监测模块用于对当前货运进行安全监测；

所述异常警报管理模块用于分析当前监测数据和参考数据，在监测数据出现异常时做警报处理。

进一步的，所述监测数据采集模块包括货运数据采集单元和货物信息采集单元；

所述货运数据采集单元和货物位置采集单元的输出端连接所述数据管理中心的输入端；

所述货运数据采集单元用于采集货物运输过程中的历史监测数据，包括货物运输路程以及运输过程中的停车次数和每次的停车时长数据；

所述货物信息采集单元用于采集货物运输过程中，在车辆停车时发生的货物丢失信息。

进一步的，所述数据筛选管理模块包括历史数据分类单元和历史数据筛选单元；

所述历史数据分类单元的输入端连接所述数据管理中心的输出端，所述历史数据分类单元的输出端连接所述历史数据筛选单元的输入端；

所述历史数据分类单元用于分析历史监测数据的参考价值，将若干次的历史监测数据按参考价值进行随机分类，并选择最佳的分类方式；

所述历史数据筛选单元用于获取按最佳的分类方式分类后的结果，筛选出平均参考价值最高的一类历史监测数据作为参考数据，将参考数据传输到所述异常警报管理模块。

进一步的，所述货运安全监测模块包括货物位置追踪单元和监测数据传输单元；

所述货物位置追踪单元的输出端连接所述监测数据传输单元的输入端；

所述货物位置追踪单元用于实时追踪当前运输的货物位置；

所述监测数据传输单元用于将监测到的货物位置数据传输到所述异常警报管理模块。

进一步的，所述异常警报管理模块包括数据比对核实单元和货运异常警报单元；

所述数据比对核实单元的输入端连接所述历史数据筛选单元和监测数据传输单元的输出端，所述数据比对核实单元的输出端连接所述货运异常警报单元的输入端；

所述数据比对核实单元用于分析参考数据，预测当前运输车辆的停车时长，在监测到运输车辆停车后，获取监测到的货物位置信息，核实货物位置在预测到的运输车辆停车时间段内是否发生改变；

所述货运异常警报单元用于在核实到货物位置发生改变时发送货运安全异常警报信号至监测终端。

一种基于大数据的货运安全监测方法，包括以下步骤：

Z1：采集货运安全历史监测数据；

Z2：分析历史监测数据的参考价值，筛选出参考价值最高的历史监测数据作为参考数据；

Z3：对当前货运进行安全监测；

Z4：分析参考数据，预测当前运输车辆的停车时长；

Z5：分析当前监测数据和参考数据，在监测数据出现异常时做警报处理。

进一步的，在步骤Z1中：采集到以往进行货运安全监测时，监测到的货物n次运输的路程集合为D＝{D1，D2，…，Dn}，对应次货物运输过程中的停车次数集合为M＝{M1，M2，…，Mn}，采集货物运输过程中每次的停车时长数据，采集到n次货物运输过程中，在停车时发生的货物丢失次数集合为H＝{H1，H2，…，Hn}；

在步骤Z2中：获取到当前货物运输总路程为s，根据公式

计算随机一次历史监测数据的参考价值Ri，其中，Di表示监测到的随机一次货物运输的路程，Mi表示随机一次货物运输过程中的停车次数，Hi表示在随机一次货物运输过程中，在停车时发生的货物丢失次数，得到n次历史监测数据的参考价值集合为R＝{R1，R2，…，Ri，…，Rn}，将n次历史监测数据按参考价值随机分为k类，其中，第j类数据中每次历史监测数据的参考价值都高于第j+1类数据中所有历史监测数据的参考价值，选择最佳的分类方式：最佳的分类方式满足下列公式：

使得L的值最大的分类方式为最佳的分类方式，其中，rj表示按随机一种分类方式分类后，随机一类历史监测数据的平均参考价值，L表示k类历史监测数据间参考价值的差异程度，筛选出按最佳的分类方式进行分类后平均参考价值最高的一类历史监测数据作为参考数据，得到参考数据中共有m次历史监测数据；

通过将历史监测数据作为判断当前货运的异常情况的参考数据，通过大数据技术采集监测到的货物运输的路程和停车时的货物数据，依据采集到的数据分析历史监测数据的参考价值，在分析参考价值时，考虑到长途运输由于停车次数较多，更加容易出现停车时丢失货物的问题，因此，货物运输路程越长、货物在停车时丢失的次数占停车次数比例越高，判断该次历史监测数据的参考价值越高，同时，为了筛选出更高参考价值的历史监测数据，添加历史监测数据中的货物运输路程与当前货物运输路程的差值参数，差值越小，说明两者的路程越相近，判断对应监测数据的参考价值越大，结合路程、比例和差值三种参数分析历史监测数据的综合参考价值，有利于提高参考价值判断结果的准确度；

在分析出参考价值后，将历史监测数据按参考价值进行分类，并通过分析每类监测数据参考价值间的差异程度选择最佳的分类方式，差异程度越大，说明分类的效果越好，依据按最佳的分类方式得到效果最好的分类结果，筛选出对应分类结果中参考价值最高的一类历史监测数据作为判断当前货运安全的参考数据，提高了判断货运是否安全结果的准确性。

进一步的，在步骤Z3中：利用RFID技术实时追踪当前运输的货物位置，获取实时的货物位置数据；

在步骤Z4中：调取m次历史监测数据，获取到m次监测到的货物运输过程中的平均停车时长集合为t＝{t1，t2，…，tm}，m次货物运输路程集合为d＝{d1，d2，…，dm}，其中，

对数据点{(d1，t1)，(d2，t2)，…，(dm，tm)}进行直线拟合，建立停车时长预测模型：Y＝aX+B，其中，a和B表示拟合系数，通过求解a和B得到最终的停车时长预测模型，将s代入最终的停车时长预测模型中，令X＝s，预测得到运输车辆当前的停车时长为T，T＝as+B；

通过分析筛选出来的参考数据，分析参考数据中不同次货物运输路程与在货运过程中每次停车的时长，将其组合成数据点进行直线拟合，建立停车时长预测模型，目的在于预测当前运输车辆的停车时长，进一步判断货物位置在预计停车后的时间段内是否改变，在改变时预测货物存在丢失的可能性，有利于及时做出警报处理，单从货物位置来看，货物位置维持一段时间没有变化，现有技术往往会判断货运出现异常，若正好在停车时货物位置不变是正常的，因此，在这种情况下做出警报处理是无效的，不单单只是监测货物位置数据、在货物位置停止变化时判断货运出现异常而做出无效警报处理，在预测的时间内监测到货物位置发生变化而做警报处理，减少了无效警报的次数，提高了判断货运异常而进行警报处理的有效性。

进一步的，在步骤Z5中：在监测到当前运输车辆停车后，获取监测到的货物位置信息，核实货物位置在停车后时长为T的时间段内是否发生改变：若核实到货物位置发生改变，发送货运安全异常警报信号至监测终端。

与现有技术相比，本发明所达到的有益效果是：

本发明通过大数据技术采集监测到的货物运输的路程和停车时的货物数据，依据采集到的数据分析历史监测数据的参考价值，在分析参考价值时，结合货物运输路程、货物在停车时丢失的次数占停车次数比例以及历史监测数据中的货物运输路程与当前货物运输路程的差值参数，分析历史监测数据的综合参考价值，提高了参考价值判断结果的准确度；

在分析出参考价值后，将历史监测数据按参考价值进行分类，并通过分析每类监测数据参考价值间的差异程度选择最佳的分类方式，依据按最佳的分类方式得到效果最好的分类结果，筛选出对应分类结果中参考价值最高的一类历史监测数据作为判断当前货运安全的参考数据，提高了判断货运是否安全结果的准确性；

通过分析筛选出来的参考数据，分析参考数据中不同次货物运输路程与在货运过程中每次停车的时长，将其组合成数据点进行直线拟合，建立停车时长预测模型，预测当前运输车辆的停车时长，进一步判断货物位置在预计停车后的时间段内是否改变，在改变时预测货物存在丢失的可能性，在保障货运安全的基础上减少了无效警报的次数，提高了判断货运异常而进行警报处理的有效性。

附图说明

附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。在附图中：

图1是本发明一种基于大数据的货运安全监测系统的结构图；

图2是本发明一种基于大数据的货运安全监测方法的流程图。

具体实施方式

以下结合附图对本发明的优选实施例进行说明，应当理解，此处所描述的优选实施例仅用于说明和解释本发明，并不用于限定本发明。

下面结合图1-图2和具体实施例对本发明作进一步的说明。

实施例1：

如图1所示，本实施例提供了一种基于大数据的货运安全监测系统，系统包括：监测数据采集模块、数据管理中心、数据筛选管理模块、货运安全监测模块和异常警报管理模块；

监测数据采集模块的输出端连接数据管理中心的输入端，数据管理中心的输出端连接数据筛选管理模块的输入端，数据筛选管理模块的输出端连接异常警报管理模块的输入端，货运安全监测模块的输出端连接异常警报管理模块的输入端；

监测数据采集模块用于采集货运安全历史监测数据，将采集到的全部数据传输到数据管理中心；

数据管理中心用于存储并管理采集到的全部数据；

数据筛选管理模块用于分析历史监测数据的参考价值，筛选出参考价值最高的历史监测数据作为参考数据；

货运安全监测模块用于对当前货运进行安全监测；

异常警报管理模块用于分析当前监测数据和参考数据，在监测数据出现异常时做警报处理。

监测数据采集模块包括货运数据采集单元和货物信息采集单元；

货运数据采集单元和货物位置采集单元的输出端连接数据管理中心的输入端；

货运数据采集单元用于采集货物运输过程中的历史监测数据，包括货物运输路程以及运输过程中的停车次数和每次的停车时长数据；

货物信息采集单元用于采集货物运输过程中，在车辆停车时发生的货物丢失信息。

数据筛选管理模块包括历史数据分类单元和历史数据筛选单元；

历史数据分类单元的输入端连接数据管理中心的输出端，历史数据分类单元的输出端连接历史数据筛选单元的输入端；

历史数据分类单元用于分析历史监测数据的参考价值，将若干次的历史监测数据按参考价值进行随机分类，并选择最佳的分类方式；

历史数据筛选单元用于获取按最佳的分类方式分类后的结果，筛选出平均参考价值最高的一类历史监测数据作为参考数据，将参考数据传输到异常警报管理模块。

货运安全监测模块包括货物位置追踪单元和监测数据传输单元；

货物位置追踪单元的输出端连接监测数据传输单元的输入端；

货物位置追踪单元用于实时追踪当前运输的货物位置；

监测数据传输单元用于将监测到的货物位置数据传输到异常警报管理模块。

异常警报管理模块包括数据比对核实单元和货运异常警报单元；

数据比对核实单元的输入端连接历史数据筛选单元和监测数据传输单元的输出端，数据比对核实单元的输出端连接货运异常警报单元的输入端；

数据比对核实单元用于分析参考数据，预测当前运输车辆的停车时长，在监测到运输车辆停车后，获取监测到的货物位置信息，核实货物位置在预测到的运输车辆停车时间段内是否发生改变；

货运异常警报单元用于在核实到货物位置发生改变时发送货运安全异常警报信号至监测终端。

实施例2：

如图2所示，本实施例提供了一种基于大数据的货运安全监测方法，其基于实施例中的监测系统实现，具体包括以下步骤：

Z1：采集货运安全历史监测数据：采集到以往进行货运安全监测时，监测到的货物n＝7次运输的路程集合为D＝{D1，D2，D3，D4，D5}＝{200，300，260，220，420，250，360}，单位为：公里，对应次货物运输过程中的停车次数集合为M＝{M1，M2，M3，M4，M5，M6，M7}＝{1，3，2，2，4，2，3}，采集货物运输过程中每次的停车时长数据，采集到n次货物运输过程中，在停车时发生的货物丢失次数集合为H＝{H1，H2，H3，H4，H5，H6，H7}＝{0，2，1，0，2，0，1}；

Z2：分析历史监测数据的参考价值，筛选出参考价值最高的历史监测数据作为参考数据，获取到当前货物运输总路程为s＝290，根据公式

计算随机一次历史监测数据的参考价值Ri≈3.2，其中，Di表示监测到的随机一次货物运输的路程，Mi表示随机一次货物运输过程中的停车次数，Hi表示在随机一次货物运输过程中，在停车时发生的货物丢失次数，得到n次历史监测数据的参考价值集合为R＝{R1，R2，R3，R4，R5，R6，R7}＝{3.2，30.7，9.2，3.1，3.7，6.3，5.5}，将n＝7次历史监测数据按参考价值随机分为k＝3类，其中，第j类数据中每次历史监测数据的参考价值都高于第j+1类数据中所有历史监测数据的参考价值，选择最佳的分类方式：最佳的分类方式满足公式：/>

使得L的值最大的分类方式为最佳的分类方式，其中，rj表示按随机一种分类方式分类后，随机一类历史监测数据的平均参考价值，L表示k类历史监测数据间参考价值的差异程度，筛选出按最佳的分类方式进行分类后平均参考价值最高的一类历史监测数据作为参考数据：该历史监测数据中包含参考价值为R2、R3和R6对应的监测数据，即第2、3、6次历史监测数据，得到参考数据中共有m＝3次历史监测数据；

Z3：对当前货运进行安全监测，利用RFID技术实时追踪当前运输的货物位置，获取实时的货物位置数据；

RFID技术指的是射频识别技术，在货物运输过程中，给在途运输的货物和车辆贴身RFID标签，能够实时地获取RFID标签信息，从而确认货物的位置信息，借助RFID技术可以很好地把控运输的过程，解决货运时的物流追踪问题；

Z4：分析参考数据，预测当前运输车辆的停车时长，调取m＝3次历史监测数据，获取到m次监测到的货物运输过程中的平均停车时长集合为t＝{t1，t2，t3}＝{30，20，26}，单位为：分钟，m＝3次货物运输路程集合为d＝{d1，d2，d3}＝{300，260，250}，其中，

对数据点{(d1，t1)，(d2，t2)，(d3，t3)}＝{(300，30)，(260，20)，(250，26)}进行直线拟合，建立停车时长预测模型：Y＝aX+B，其中，a和B表示拟合系数，通过求解a和B得到最终的停车时长预测模型，其中，/>

将s代入最终的停车时长预测模型中，令X＝s＝290，预测得到运输车辆当前的停车时长为T，T＝as+B≈28；

Z5：分析当前监测数据和参考数据，在监测数据出现异常时做警报处理，在监测到当前运输车辆停车后，获取监测到的货物位置信息，核实货物位置在停车后28分钟内的时间段内是否发生改变：若核实到货物位置发生改变，发送货运安全异常警报信号至监测终端。

最后应说明的是：以上所述仅为本发明的优选实例而已，并不用于限制本发明，尽管参照前述实施例对本发明进行了详细的说明，对于本领域的技术人员来说，其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (9)

1.一种基于大数据的货运安全监测系统，其特征在于：所述系统包括：监测数据采集模块、数据管理中心、数据筛选管理模块、货运安全监测模块和异常警报管理模块；

所述监测数据采集模块的输出端连接所述数据管理中心的输入端，所述数据管理中心的输出端连接所述数据筛选管理模块的输入端，所述数据筛选管理模块的输出端连接所述异常警报管理模块的输入端，所述货运安全监测模块的输出端连接所述异常警报管理模块的输入端；

所述监测数据采集模块用于采集货运安全历史监测数据，将采集到的全部数据传输到所述数据管理中心；

所述数据管理中心用于存储并管理采集到的全部数据；

所述数据筛选管理模块用于分析历史监测数据的参考价值，筛选出参考价值最高的历史监测数据作为参考数据；

所述货运安全监测模块用于对当前货运进行安全监测；

所述异常警报管理模块用于分析当前监测数据和参考数据，在监测数据出现异常时做警报处理。

2.根据权利要求1所述的一种基于大数据的货运安全监测系统，其特征在于：所述监测数据采集模块包括货运数据采集单元和货物信息采集单元；

所述货运数据采集单元和货物位置采集单元的输出端连接所述数据管理中心的输入端；

所述货运数据采集单元用于采集货物运输过程中的历史监测数据，包括货物运输路程以及运输过程中的停车次数和每次的停车时长数据；

所述货物信息采集单元用于采集货物运输过程中，在车辆停车时发生的货物丢失信息。

3.根据权利要求1所述的一种基于大数据的货运安全监测系统，其特征在于：所述数据筛选管理模块包括历史数据分类单元和历史数据筛选单元；

所述历史数据分类单元的输入端连接所述数据管理中心的输出端，所述历史数据分类单元的输出端连接所述历史数据筛选单元的输入端；

所述历史数据分类单元用于分析历史监测数据的参考价值，将若干次的历史监测数据按参考价值进行随机分类，并选择最佳的分类方式；

所述历史数据筛选单元用于获取按最佳的分类方式分类后的结果，筛选出平均参考价值最高的一类历史监测数据作为参考数据，将参考数据传输到所述异常警报管理模块。

4.根据权利要求1所述的一种基于大数据的货运安全监测系统，其特征在于：所述货运安全监测模块包括货物位置追踪单元和监测数据传输单元；

所述货物位置追踪单元的输出端连接所述监测数据传输单元的输入端；

所述货物位置追踪单元用于实时追踪当前运输的货物位置；

所述监测数据传输单元用于将监测到的货物位置数据传输到所述异常警报管理模块。

5.根据权利要求3或4所述的一种基于大数据的货运安全监测系统，其特征在于：所述异常警报管理模块包括数据比对核实单元和货运异常警报单元；

所述数据比对核实单元的输入端连接所述历史数据筛选单元和监测数据传输单元的输出端，所述数据比对核实单元的输出端连接所述货运异常警报单元的输入端；

所述数据比对核实单元用于分析参考数据，预测当前运输车辆的停车时长，在监测到运输车辆停车后，获取监测到的货物位置信息，核实货物位置在预测到的运输车辆停车时间段内是否发生改变；

所述货运异常警报单元用于在核实到货物位置发生改变时发送货运安全异常警报信号至监测终端。

6.一种基于大数据的货运安全监测方法，其特征在于：包括以下步骤：

Z1：采集货运安全历史监测数据；

Z2：分析历史监测数据的参考价值，筛选出参考价值最高的历史监测数据作为参考数据；

Z3：对当前货运进行安全监测；

Z4：分析参考数据，预测当前运输车辆的停车时长；

Z5：分析当前监测数据和参考数据，在监测数据出现异常时做警报处理。

7.根据权利要求6所述的一种基于大数据的货运安全监测方法，其特征在于：在步骤Z1中：采集到以往进行货运安全监测时，监测到的货物n次运输的路程集合为D＝{D1，D2，…，Dn}，对应次货物运输过程中的停车次数集合为M＝{M1，M2，…，Mn}，采集货物运输过程中每次的停车时长数据，采集到n次货物运输过程中，在停车时发生的货物丢失次数集合为H＝{H1，H2，…，Hn}；

在步骤Z2中：获取到当前货物运输总路程为s，根据公式

计算随机一次历史监测数据的参考价值Ri，其中，Di表示监测到的随机一次货物运输的路程，Mi表示随机一次货物运输过程中的停车次数，Hi表示在随机一次货物运输过程中，在停车时发生的货物丢失次数，得到n次历史监测数据的参考价值集合为R＝{R1，R2，…，Ri，…，Rn}，将n次历史监测数据按参考价值随机分为k类，其中，第j类数据中每次历史监测数据的参考价值都高于第j+1类数据中所有历史监测数据的参考价值，选择最佳的分类方式：最佳的分类方式满足下列公式：

使得L的值最大的分类方式为最佳的分类方式，其中，rj表示按随机一种分类方式分类后，随机一类历史监测数据的平均参考价值，L表示k类历史监测数据间参考价值的差异程度，筛选出按最佳的分类方式进行分类后平均参考价值最高的一类历史监测数据作为参考数据，得到参考数据中共有m次历史监测数据。

8.根据权利要求7所述的一种基于大数据的货运安全监测方法，其特征在于：在步骤Z3中：利用RFID技术实时追踪当前运输的货物位置，获取实时的货物位置数据；

在步骤Z4中：调取m次历史监测数据，获取到m次监测到的货物运输过程中的平均停车时长集合为t＝{t1，t2，…，tm}，m次货物运输路程集合为d＝{d1，d2，…，dm}，其中，

对数据点{(d1，t1)，(d2，t2)，…，(dm，tm)}进行直线拟合，建立停车时长预测模型：Y＝aX+B，其中，a和B表示拟合系数，通过求解a和B得到最终的停车时长预测模型，将s代入最终的停车时长预测模型中，令X＝s，预测得到运输车辆当前的停车时长为T，T＝as+B。

9.根据权利要求8所述的一种基于大数据的货运安全监测方法，其特征在于：在步骤Z5中：在监测到当前运输车辆停车后，获取监测到的货物位置信息，核实货物位置在停车后时长为T的时间段内是否发生改变：若核实到货物位置发生改变，发送货运安全异常警报信号至监测终端。

Images