CN117196454B - 渣土车载重状态识别方法 - Google Patents
渣土车载重状态识别方法 Download PDFInfo
- Publication number
- CN117196454B CN117196454B CN202311474230.7A CN202311474230A CN117196454B CN 117196454 B CN117196454 B CN 117196454B CN 202311474230 A CN202311474230 A CN 202311474230A CN 117196454 B CN117196454 B CN 117196454B
- Authority
- CN
- China
- Prior art keywords
- muck truck
- feature
- time sequence
- spatial
- imf
- 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 63
- 238000000605 extraction Methods 0.000 claims abstract description 105
- 239000011159 matrix material Substances 0.000 claims abstract description 65
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 28
- 239000002689 soil Substances 0.000 claims abstract description 16
- 239000002893 slag Substances 0.000 claims abstract description 13
- 238000007781 pre-processing Methods 0.000 claims abstract description 8
- 239000013598 vector Substances 0.000 claims description 40
- 238000007635 classification algorithm Methods 0.000 claims description 13
- 238000004364 calculation method Methods 0.000 claims description 9
- 230000003247 decreasing effect Effects 0.000 claims description 6
- 230000004913 activation Effects 0.000 claims description 5
- 238000012935 Averaging Methods 0.000 claims description 4
- 230000001364 causal effect Effects 0.000 claims description 3
- 230000008859 change Effects 0.000 claims description 3
- 230000008569 process Effects 0.000 abstract description 10
- 238000003912 environmental pollution Methods 0.000 abstract description 2
- 238000012544 monitoring process Methods 0.000 abstract description 2
- 230000006870 function Effects 0.000 description 13
- 238000010606 normalization Methods 0.000 description 8
- 238000012706 support-vector machine Methods 0.000 description 6
- 238000004140 cleaning Methods 0.000 description 5
- 238000012545 processing Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 3
- 230000004927 fusion Effects 0.000 description 3
- 230000006835 compression Effects 0.000 description 2
- 238000007906 compression Methods 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 241000867077 Macropes Species 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 239000005337 ground glass Substances 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 230000014759 maintenance of location Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000012731 temporal analysis Methods 0.000 description 1
- 238000000700 time series analysis Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
Landscapes
- Image Analysis (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及车辆载重状态监测技术领域，具体公开了一种渣土车载重状态识别方法，包括：获取渣土车的运行数据，并对渣土车的运行数据进行数据预处理获得预处理数据；对所述预处理数据进行特征提取，并根据EEMD对提取的特征进行时间序列分解，获得IMF分量矩阵；对IMF分量矩阵进行空间特征提取以及全局特征提取，获得渣土车的时序运行特征；将所述渣土车的时序运行特征进行载重状态识别，获得渣土车的载重状态。本发明提供的渣土车载重状态识别方法能够更准确地分类识别渣土车的载重状态，并有效监测渣土车运输过程中沿街抛洒、随意倾倒等造成城市环境污染的问题。
Description
技术领域
本发明涉及车辆载重状态监测技术领域，尤其涉及一种渣土车载重状态识别方法。
背景技术
渣土车载重状态识别是一项利用时间序列分析的任务，其目标是通过渣土车上安装的传感器，采集在运输过程中产生的数据，并通过分析这些数据来判断渣土车的载重状态，即装载、卸载或运行状态。随着城市发展不断加快，渣土运输逐渐成为城市建设中的一个重要环节。渣土车在运输过程中沿街抛洒、私拉乱运、随意倾倒给城市带来了污染环境、噪音扰民等后果，影响居民生活及城市市容。
现有技术中关于渣土车载重状态识别的方式主要包括基于时间序列分解的方法以及基于机器学习的识别方法等等，由于基于时间序列分解的方法无法有效分解错误分量序列而导致识别准确度低，另外基于机器学习的识别方法由于无法关注不同时间段之间的特征也会导致识别准确度低。
因此，如何能够准确识别渣土车载重状态以有效减少违规操作发生成为本领域技术人员亟待解决的技术问题。
发明内容
本发明提供了一种渣土车载重状态识别方法，解决相关技术中存在的渣土车载重状态识别存在无法对时间序列特征进行有效提取等导致识别准确度低的问题。
作为本发明的第一个方面，提供一种渣土车载重状态识别方法，其中，包括：
获取渣土车的运行数据，并对渣土车的运行数据进行数据预处理获得预处理数据；
对所述预处理数据进行特征提取，并根据EEMD对提取的特征进行时间序列分解，获得IMF分量矩阵；
对IMF分量矩阵进行空间特征提取以及全局特征提取，获得渣土车的时序运行特征；
将所述渣土车的时序运行特征进行载重状态识别，获得渣土车的载重状态；
其中，所述根据EEMD对提取的特征进行时间序列分解，获得IMF分量矩阵包括根据EEMD对提取的特征通过加入白噪声序列的方式进行时间序列分解以获得多个IMF分量，并对获得的多个IMF分量进行分割以获得IMF分量矩阵；
所述对IMF分量矩阵进行空间特征提取以及全局特征提取包括将IMF分量矩阵输入至构建的多通道网络结构实现空间特征提取，并对多通道空间特征提取后的结果进行全局特征提取获得渣土车的时序运行特征。
进一步地，对所述预处理数据进行特征提取，并根据EEMD对提取的特征进行时间序列分解，获得IMF分量矩阵，包括：
根据Pearson相关系数法对所述预处理数据进行特征选取，并根据选取后的特征构造特征向量集；
根据EEMD对所述特征向量集进行时间序列分解，获得IMF分量；
对所述IMF分量进行分割获得IMF分量矩阵。
进一步地，根据Pearson相关系数法对所述预处理数据进行特征选取，并根据选取后的特征构造特征向量集，包括：
确定分类算法以及初始特征集；
将选取后的特征均加入初始特征集；
对加入初始特征集的特征的权重分别进行增加权重以及减少权重处理，并判断每个特征在增加权重和减小权重时分类算法中的识别准确率的变化；
将增加权重后分类算法的识别准确率上升的特征所对应的特征相关系数标记为1，并将减小权重后分类算法的识别准确率上升的特征所对应的特征相关系数标记为-1；
将相关系数标记为1的特征构造成特征向量集。
进一步地，根据EEMD对所述特征向量集进行时间序列分解，获得IMF分量，包括：
向所述特征向量集中的每个特征时序向量多次加入白噪声序列；
对每次加入白噪声序列的特征时序向量进行分解，获得多个imf分量；
对每次获得的imf分量均进行求和平均得到IMF分量；
重复上述加入白噪声序列至获得IMF分量的步骤，直至遍历所述特征向量集中的所有特征时序向量，获得多个IMF分量。
进一步地，对所述IMF分量进行分割获得IMF分量矩阵，包括：
将每个特征时序分量分解得到的imf分量沿时间轴展开，并按照imf分量的次序拼接得到拼接分量矩阵；
根据相关系数选取拼接分量矩阵中能够表示渣土车的运行数据的拼接分量矩阵作为IMF分量矩阵；所述相关系数的计算公式为：
，
其中，表示渣土车的运行数据的原始时间序列，/>表示第/>个IMF分量的相关系数，/>表示渣土车的运行数据的原始时间序列和第/>个IMF分量的交叉协方差，/>和/>分别表示渣土车的运行数据的原始时间序列和第/>个IMF分量的标准差。
进一步地，对IMF分量矩阵进行空间特征提取以及全局特征提取，获得渣土车的时序运行特征，包括：
构建多通道dTCN网络结构，并将所述IMF分量矩阵输入至多通道dTCN网络结构进行空间特征提取，获得多个通道的空间提取特征；
将多个通道的空间提取特征求和后的结果送入GRU层进行全局特征提取，获得渣土车的时序运行特征。
进一步地，构建多通道dTCN网络结构，并将所述IMF分量矩阵输入至多通道dTCN网络结构进行空间特征提取，获得多个通道的空间提取特征，包括：
根据预定义的输入序列进行双重膨胀因果卷积获得对应的输出序列的方式构建多通道dTCN网络结构，所述多通道dTCN网络结构表示为：
，
其中，表示输入序列，/>表示输出序列，/>表示多通道dTCN网络结构，表示激活函数；
将所述IMF分量矩阵送入空间特征提取通道进行空间特征提取获得多个通道的空间提取特征，其中，每个空间特征提取通道均包括dTCN网络结构，不同的空间特征提取通道包括不同层数的dTCN网络结构，且IMF分量矩阵的相关系数大小与dTCN网络结构的空间特征提取通道的层数多少成反比。
进一步地，将多个通道的空间提取特征求和后的结果送入GRU层进行全局特征提取，获得渣土车的时序运行特征，包括：
将多个通道的空间提取特征求和后的结果送入GRU层进行全局特征提取，所述GRU层包括多个细胞单元，每个细胞单元包括更新门和重置门，所述更新门用于将前一时刻的多个通道的空间提取特征求和后的结果与当前时刻的多个通道的空间提取特征求和后的结果进行结合，所述重置门用于确定前一时刻多个通道的空间提取特征求和后的结果对当前时刻的多个通道的空间提取特征求和后的结果的影响因数；
根据当前时刻的更新门的输出结果、前一时刻的每个细胞单元的信息以及当前时刻的候选隐藏状态确定当前时刻的渣土车的时序运行特征。
进一步地，将所述渣土车的时序运行特征进行载重状态识别，获得渣土车的载重状态，包括：
根据MLP层与Softmax函数对所述渣土车的时序运行特征进行载重状态分类识别，获得渣土车的载重状态，所述渣土车的载重状态包括装载、卸载和运行。
进一步地，根据MLP层与Softmax函数对所述渣土车的时序运行特征进行载重状态分类识别，包括：
将所述渣土车的时序运行特征输入至MLP层的输入层，并经过MLP层的隐藏层的计算与反向传播后，确定MLP层中的超参数；
根据MLP层中的超参数确定所述MLP层的输出层中细胞单元的输出结果；
根据Softmax函数将所述MLP层的输出层中细胞单元的输出结果转换为分类概率，获得渣土车载重状态概率，其中所述MLP层的输出层包括3个细胞单元，且3个细胞单元分别对应装载状态、卸载状态和运行状态。
本发明提供的渣土车载重状态识别方法，通过获取渣土车的运行数据并对其进行数据预处理操作；利用EEMD对预处理后的数据分解，并进而对分解后的IMF分量矩阵进行空间特征提取以及全局特征提取，获得渣土车的时序运行特征，最后对渣土车的时序运行特征进行分类识别，获得渣土车的载重状态。这种渣土车载重状态识别方法利用EEMD对预处理后的时序数据分解，有效消除了信号噪声影响，有效提升后续特征提取的准确性，而后续对IMF分量矩阵进行空间特征以及全局特征提取，对提取的特征进行分类，识别车辆载重状态，有效提升识别的准确度。
附图说明
附图是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，与下面的具体实施方式一起用于解释本发明，但并不构成对本发明的限制。
图1为本发明提供的渣土车载重状态识别方法的流程图。
图2为本发明提供的对预处理数据进行特征提取并获得IMF分量矩阵的流程图。
图3为本发明提供的EEMD对特征进行时间序列分解的流程图。
图4为本发明提供的对IMF分量进行分割获得IMF分量矩阵的流程图。
图5为本发明提供的多通道dTCN与GRU融合模型整体结构示意图。
图6为本发明提供的空间特征提取以及全局特征提取的流程图。
图7为本发明提供的dTCN的结构框图。
图8为本发明提供的GRU细胞单元结构图。
具体实施方式
需要说明的是，在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互结合。下面将参考附图并结合实施例来详细说明本发明。
为了使本领域技术人员更好地理解本发明方案，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的实施例，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，都应当属于本发明保护的范围。
需要说明的是，本发明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，以便这里描述的本发明的实施例。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括，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。
在本实施例中提供了一种渣土车载重状态识别方法，图1是根据本发明实施例提供的渣土车载重状态识别方法的流程图，如图1所示，包括：
S100、获取渣土车的运行数据，并对渣土车的运行数据进行数据预处理获得预处理数据；
在本发明实施例中，在每辆渣土车上均安装载重等车载传感器，通过载重车载传感器获取渣土车运输过程中的各项运行数据。
具体地，获取渣土车的运行数据，并对渣土车的运行数据进行数据预处理获得预处理数据，包括：
获取渣土车的运行数据，所述渣土车的运行数据包括原始AD值、载重、报警标志、状态标志、定位状态、运行状态、经度、纬度、海拔高度、车速、方向、电压、载重状态和载重相对值；
对所述渣土车的运行数据进行数据清洗和归一化处理，获得归一化处理数据。
应当理解的是，为了便于后续对渣土车的运行数据进行特征提取，首先需要对数据进行清洗以及归一化处理。
具体地，对所述渣土车的运行数据进行数据清洗和归一化处理，获得归一化处理数据，包括：
（1）对所述渣土车的运行数据通过时序窗口进行时序数据截取，并将有缺失的时序数据点舍弃后获得数据清洗后的数据；
利用车载传感器获取渣土车的运行数据，使用滑动窗口在时序数据上滑动，并设定滑动窗口的长度（例如滑动窗口的长度为10），将滑动窗口覆盖的数据点中含有缺失项的数据舍弃，滑动窗口不断地沿时间轴方向按两个时间步的长度滑动，直至遍历所有数据点，完成数据清洗。
（2）将数据清洗后的数据根据最大与最小化归一化方法进行归一化处理，以将不同量纲数据映射为无量纲数据，获得归一化处理数据。
为消除不同特征量纲对渣土车载重状态识别的影响，利用最大与最小化归一化方法对清洗后的数据进行归一化处理，将不同量纲数据映射为无量纲数据。
以渣土车的车速为例，对于t时刻速度归一化为：
，
其中，表示t时刻的渣土车的车速，/>和/>分别表示车速所在列的最大值和最小值。
S200、对所述预处理数据进行特征提取，并根据EEMD对提取的特征进行时间序列分解，获得IMF分量矩阵；
在本发明实施例中，由于对渣土车的运行数据进行预处理后获得的归一化后的数据，因此，对预处理数据进行特征提取即针对归一化后的数据进行特征提取。
具体地，对所述预处理数据进行特征提取，并根据EEMD（Ensemble EmpiricalMode Decomposition，集成经验模态分解）对提取的特征进行时间序列分解，获得IMF（Intrinsic Mode Function，本征模态函数）分量矩阵，如图2所示，包括：
S210、根据Pearson相关系数法对所述预处理数据进行特征选取，并根据选取后的特征构造特征向量集；
将归一化后的数据按照改变不同属性的权重值，选取提高模型识别精确度的特征构成特征集。利用Pearson相关系数法进行特征选取，选取t时刻对应的海拔高度（）、载重（/>）、载重相对值（/>）、载重数模转换值（/>）组成特征向量集。
具体地，在本发明实施例中，根据Pearson相关系数法对所述预处理数据进行特征选取，并根据选取后的特征构造特征向量集，包括：
（1）确定分类算法以及初始特征集；
在本发明实施例中，可以选择SVM（Support Vector Machine，支持向量机）算法作为具体的分类算法。
（2）将选取后的特征均加入初始特征集；
（3）对加入初始特征集的特征的权重分别进行增加权重以及减少权重处理，并判断每个特征在增加权重和减小权重时分类算法中的识别准确率的变化；
（4）将增加权重后分类算法的识别准确率上升的特征所对应的特征相关系数标记为1，并将减小权重后分类算法的识别准确率上升的特征所对应的特征相关系数标记为-1；
（5）将相关系数标记为1的特征构造成特征向量集。
S220、根据EEMD对所述特征向量集进行时间序列分解，获得IMF分量；
在本发明实施例中，采集的渣土车数据是典型的时序数据，由于渣土车在运输过程中运输的一般为建筑垃圾，载重量较大，遇到颠簸路段可能采集的数据伴随的噪声较大，因此，能够通过去除数据噪声的方式提升特征提取的准确度。
具体地，如图3所示，根据EEMD对所述特征向量集进行时间序列分解，获得IMF分量，包括：
S221、向所述特征向量集中的每个特征时序向量多次加入白噪声序列；
在时序长度为n+1的中加入白噪声序列，得到/>：
，
其中，为加入第/>次白噪声序列的载重时间序列，/>表示加入的第/>次幅值不同的白噪声序列。
S222、对每次加入白噪声序列的特征时序向量进行分解，获得多个imf分量；
S223、对每次获得的imf分量均进行求和平均得到IMF分量；
S224、重复上述加入白噪声序列至获得IMF分量的步骤，直至遍历所述特征向量集中的所有特征时序向量，获得多个IMF分量。
进一步具体地，获得多个IMF分量的具体过程包括：
（1）确定所有极大值点和极小值点；
（2）分别连接所有极大值点和极小值点，形成上下包络线；
（3）对上下包络线求均值，得到均值序列，将/>和/>的差值记为/>：
，
（4）判断是否满足IMF分量条件：
1）极值数量与零点数量必须相等或最多相差1。
2）在任意处的上下包络线均值为0。
若满足，即为本次筛选出的/>，若不满足，将/>代替/>重复步骤（1）~（4），直至满足条件。
（5）加入第次白噪声分解出/>，包含/>个/>分量和趋势项/>：
，
其中，表示/>加入第/>次白噪声时分解的第/>个/>分量，分解后。
（7）对加入Z次白噪声分解的第个分量求平均：
。
S230、对所述IMF分量进行分割获得IMF分量矩阵。
在本发明实施例中，对所述IMF分量进行分割获得IMF分量矩阵，如图4所示，具体可以包括：
S231、将每个特征时序分量分解得到的imf分量沿时间轴展开，并按照imf分量的次序拼接得到拼接分量矩阵；
采用滑动窗口截取t时刻的IMF分量矩阵，将上述加入Z次白噪声分解的第个分量求平均的公式中每个时序特征向量分解出/>（*表示任一渣土车运输属性的代称）项沿时间轴展开按照分量的次序拼接得到分量矩阵/>如下式所示：
。
S232、根据相关系数选取拼接分量矩阵中能够表示渣土车的运行数据的拼接分量矩阵作为IMF分量矩阵；所述相关系数的计算公式为：
，
其中，表示渣土车的运行数据的原始时间序列，/>表示第/>个IMF分量的相关系数，/>表示渣土车的运行数据的原始时间序列和第/>个IMF分量的交叉协方差，/>和/>分别表示渣土车的运行数据的原始时间序列和第/>个IMF分量的标准差。
应当理解的是，选取最能代表原始信号的IMF分量有利于对模型识别特征的学习。本发明实施例是基于相关性进行选取，按照相关系数对IMF进行排序，作为原始信号的最佳代表，每个IMF的相关系数的计算公式如上式所示，本发明实施例中最后计算结果表明前三个IMF分量最能代表原始信号。
S300、对IMF分量矩阵进行空间特征提取以及全局特征提取，获得渣土车的时序运行特征；
在本发明实施例中，对分量矩阵进行特征提取，构建多通道的dTCN网络结构，不同的/>分量经过包含不同dTCN层数的通道，分别对其进行时间轴方向上的特征提取，多通道提取时序数据的空间特征，提取空间特征后的特征向量拼接后输入GRU层进行全局特征提取，并最终输出分类结果。多通道dTCN与GRU融合模型整体结构如图5所示。
具体地，对IMF分量矩阵进行空间特征提取以及全局特征提取，获得渣土车的时序运行特征，如图6所示，包括：
S310、构建多通道dTCN网络结构，并将所述IMF分量矩阵输入至多通道dTCN网络结构进行空间特征提取，获得多个通道的空间提取特征；
TCN通过不同的膨胀因子 使处于较高层的隐藏层卷积核卷积时获得较大的感受野。然而，卷积核在较低层处仍具有较小的感受野，对于时间序列内部间的依赖关系仍然无法完全捕获，因此，将双重膨胀层替换单重膨胀层，全面捕捉时间序列信息。dTCN具体结构图如图7所示。
具体地，构建多通道dTCN网络结构，并将所述IMF分量矩阵输入至多通道dTCN网络结构进行空间特征提取，获得多个通道的空间提取特征，包括：
根据预定义的输入序列进行双重膨胀因果卷积获得对应的输出序列的方式构建多通道dTCN网络结构，所述多通道dTCN网络结构表示为：
，
其中，表示输入序列，/>表示输出序列，/>表示多通道dTCN网络结构，表示激活函数；
将所述IMF分量矩阵送入空间特征提取通道进行空间特征提取获得多个通道的空间提取特征，其中，每个空间特征提取通道均包括dTCN网络结构，不同的空间特征提取通道包括不同层数的dTCN网络结构，且MF分量矩阵的相关系数大小与dTCN网络结构的空间特征提取通道的层数多少成反比。
在本发明实施例中，MF分量矩阵的相关系数大小与dTCN网络结构的空间特征提取通道的层数多少成反比，具体可以表现为相关系数大的IMF分量矩阵对应dTCN网络结构的层数少的空间特征提取通道。
在本发明实施例中，通过扩充通道数的方式能够对时序数据进行更好的空间特征提取，多通道用于对不同的分量矩阵进行不同程度的特征提取，每个通道通过设置不同层数的dTCN堆叠而成。将/>分量矩阵按照对相关系数的大小依次对应不同通道，获取不同大小的感受野，进行时序数据空间特征提取。
需要说明的是，在本发明实施例中，可以根据前文所述的计算相关系数的方式确定IMF分量的相关系数，且按照相关系数的大小选择对应的空间特征提取通道。具体地，相关系数最大的对应dTCN网络结构层数最少的空间特征提取通道，例如，按照相关系数由大到小排列有5个IMF分量，且dTCN网络结构层数由少到多有5个空间特征提取通道，则相关系数最大的IMF分量对应dTCN网络结构层数最少的空间特征提取通道，因此，每个IMF分量按照其相关系数依次选择各自对应的空间特征提取通道。
S320、将多个通道的空间提取特征求和后的结果送入GRU层进行全局特征提取，获得渣土车的时序运行特征。
在本发明实施例中，具体可以包括：
将多个通道的空间提取特征求和后的结果送入GRU层进行全局特征提取，所述GRU层包括多个细胞单元，每个细胞单元包括更新门和重置门，所述更新门用于将前一时刻的多个通道的空间提取特征求和后的结果与当前时刻的多个通道的空间提取特征求和后的结果进行结合，所述重置门用于确定前一时刻多个通道的空间提取特征求和后的结果对当前时刻的多个通道的空间提取特征求和后的结果的影响因数；
根据当前时刻的更新门的输出结果、前一时刻的每个细胞单元的信息以及当前时刻的候选隐藏状态确定当前时刻的渣土车的时序运行特征。
具体地，将各个通道得到的进行求和得到/>。在本发明实施例中，例如，将不同通道特征求和得到的/>送入到由15个GRU单元组成的GRU链中进行全局特征提取。GRU能够保存长期序列中的信息，且不会随时间而清除或因为与预测不相关而移除，其细胞单元由更新门和重置门组成，GRU细胞单元结构如图8所示。设置初始时刻细胞输入状态和隐藏状态为零向量，对于每个时刻t，通过更新门控单元来计算新的细胞状态和隐藏状态。具体理解为，更新门决定了如何将过去的信息与当前的输入信息进行结合，用来控制旧信息的保留程度，而重置门则是决定是否忽略过去的信息，控制过去状态对当前状态的作用。
更新门和重置门的计算过程如下：
，
其中，表示更新门的输出结果，t时刻的输入信息/>和t-1时刻的状态信息与对应的权重/>所乘，/>表示激活函数，将/>取值压缩到/>之间。
，
其中，表示更新门的输出结果，t时刻的输入信息/>和t-1时刻的状态信息与对应的权重/>所乘，/>为激活函数，将/>取值压缩到/>之间。
候选隐藏状态将使用重置门来存储来自过去的相关信息：
，
其中，表示哈达玛积，/>表示/>的权重信息，/>表示激活函数。
最终输出信息保存了当前细胞的单元的信息，计算过程如下式所示：
。
GRU层通过15个细胞单元进行信息传递，从而实现全局特征提取，t时刻输出的即为最终提取的特征向量。
本发明在进行特征提取时，从时间和空间两个方面对采集的车辆载重等时间序列数据进行全面特征挖掘，进一步实现车辆载重状态的精确识别，在时间特征提取方面，采用dTCN模型扩大感受野，以获取更长的时间依赖关系。在空间特征提取方面，利用EEMD方法对时间序列数据进行分解，消除序列噪声对模型训练的影响。分解后的序列分量通过堆叠多层dTCN形成的通道进行特征提取，以全尺度提取时间序列的空间特征。
S400、将所述渣土车的时序运行特征进行载重状态识别，获得渣土车的载重状态。
在本发明实施例中，将GRU提取的特征向量送入MLP层中识别渣土车的载重状态，即渣土车处于装载、卸载或运行状态。
具体地，将所述渣土车的时序运行特征进行载重状态识别，获得渣土车的载重状态，包括：
根据MLP层与Softmax函数对所述渣土车的时序运行特征进行载重状态分类识别，获得渣土车的载重状态，所述渣土车的载重状态包括装载、卸载和运行。
进一步具体地，根据MLP层与Softmax函数对所述渣土车的时序运行特征进行载重状态分类识别，包括：
将所述渣土车的时序运行特征输入至MLP层的输入层，并经过MLP层的隐藏层的计算与反向传播后，确定MLP层中的超参数；
根据MLP层中的超参数确定所述MLP层的输出层中细胞单元的输出结果；
根据Softmax函数将所述MLP层的输出层中细胞单元的输出结果转换为分类概率，获得渣土车载重状态概率，其中所述MLP层的输出层包括3个细胞单元，且3个细胞单元分别对应装载状态、卸载状态和运行状态。
应当理解的是，本发明实施例中的多层感知机（MLP，Multilayer Perceptron）包括输入层、隐藏层和输出层。将GRU提取的特征向量 送入MLP中的输入层中，经由隐藏层与输出层计算与反向传播，确定MLP中的超参数，确定模型结构。
根据MLP内层机制，确定输入层由15个细胞单元组成，输出层由3个细胞单元组成，分别表示渣土车处于运行、装载和卸载状态。
综上，本发明提供的渣土车载重状态识别方法，通过车载传感器获取一系列的渣土车的运行数据，并经过时序数据预处理及特征选取、EEMD分解序列数据、滑动窗口截取特征IMF分量矩阵、多通道dTCN层与GRU层融合特征提取、MLP层识别车辆运行状态等多个步骤对车辆载重状态进行分类识别。因此，本发明提供的渣土车载重状态识别方法利用EEMD对预处理后的时序数据分解，得到IMF分量，以消除信号噪声影响，有利于后续模型训练；对多个IMF分量拼接后按t时刻展开后转置，由滑动窗口分割为分量矩阵；将分量矩阵送入由不同层数堆叠的dTCN多通道，更好的提取时序数据的空间特征，多通道提取的空间特征向量进行拼接后由GRU层提取数据的全局时序特征，有效提高了在渣土车载重状态识别这一场景下的识别准确性。
采用准确率（Acc）、宏查准率（Macro_P）和宏查全率（Macro_R）等3个性能指标来评估本发明实施例识别的准确性。通过和基准模型对比，证明本发明实施例中基于EEMD分解的渣土车辆载重状态识别方法的有效性，具体结果如表1所示。
表1不同模型识别性能指标
从表1中可以看出，本发明在渣土车的载重状态识别准确率明显高于SVM和CNN-LSTM，本发明的Macro_P比SVM和CNN-LSTM分别高32.73%和1.5%，Macro_R比SVM以及CNN-LSTM分别高出33.62%和1.57%，SVM和CNN-LSTM模型在渣土车的载重状态识别精度较差。因此，本发明提供的渣土车载重状态识别方法，具有识别精度较好，识别结果准确度高的优势。
综上，本发明提供的渣土车载重状态识别方法，通过对经过预处理和特征选取的时序数据进行EEMD分解，以消除噪声影响。然后，利用滑动窗口将分解出的IMF分量分割成不同的分量矩阵，并通过不同的dTCN层堆叠来提取空间特征。这些特征向量经过拼接后，传入GRU层提取全局时序特征。最后，通过MLP层对提取的特征进行分类识别。实验结果表明，本发明的这种渣土车载重状态识别方法能够更准确地分类识别渣土车的载重状态，并有效监测渣土车运输过程中沿街抛洒、随意倾倒等造成城市环境污染的问题。
可以理解的是，以上实施方式仅仅是为了说明本发明的原理而采用的示例性实施方式，然而本发明并不局限于此。对于本领域内的普通技术人员而言，在不脱离本发明的精神和实质的情况下，可以做出各种变型和改进，这些变型和改进也视为本发明的保护范围。
Claims (7)
1.一种渣土车载重状态识别方法，其特征在于，包括：
获取渣土车的运行数据，并对渣土车的运行数据进行数据预处理获得预处理数据；
对所述预处理数据进行特征提取，并根据EEMD对提取的特征进行时间序列分解，获得IMF分量矩阵；
对IMF分量矩阵进行空间特征提取以及全局特征提取，获得渣土车的时序运行特征；
将所述渣土车的时序运行特征进行载重状态识别，获得渣土车的载重状态；
其中，所述根据EEMD对提取的特征进行时间序列分解，获得IMF分量矩阵包括根据EEMD对提取的特征通过加入白噪声序列的方式进行时间序列分解以获得多个IMF分量，并对获得的多个IMF分量进行分割以获得IMF分量矩阵；
所述对IMF分量矩阵进行空间特征提取以及全局特征提取包括将IMF分量矩阵输入至构建的多通道网络结构实现空间特征提取，并对多通道空间特征提取后的结果进行全局特征提取获得渣土车的时序运行特征；
对IMF分量矩阵进行空间特征提取以及全局特征提取，获得渣土车的时序运行特征，包括：
构建多通道dTCN网络结构，并将所述IMF分量矩阵输入至多通道dTCN网络结构进行空间特征提取，获得多个通道的空间提取特征；
将多个通道的空间提取特征求和后的结果送入GRU层进行全局特征提取，获得渣土车的时序运行特征；
构建多通道dTCN网络结构，并将所述IMF分量矩阵输入至多通道dTCN网络结构进行空间特征提取，获得多个通道的空间提取特征，包括：
根据预定义的输入序列进行双重膨胀因果卷积获得对应的输出序列的方式构建多通道dTCN网络结构，所述多通道dTCN网络结构表示为：
，
其中，表示输入序列，/>表示输出序列，/>表示多通道dTCN网络结构，表示激活函数；
将所述IMF分量矩阵送入空间特征提取通道进行空间特征提取获得多个通道的空间提取特征，其中，每个空间特征提取通道均包括dTCN网络结构，不同的空间特征提取通道包括不同层数的dTCN网络结构，且IMF分量矩阵的相关系数大小与dTCN网络结构的空间特征提取通道的层数多少成反比；
将多个通道的空间提取特征求和后的结果送入GRU层进行全局特征提取，获得渣土车的时序运行特征，包括：
将多个通道的空间提取特征求和后的结果送入GRU层进行全局特征提取，所述GRU层包括多个细胞单元，每个细胞单元包括更新门和重置门，所述更新门用于将前一时刻的多个通道的空间提取特征求和后的结果与当前时刻的多个通道的空间提取特征求和后的结果进行结合，所述重置门用于确定前一时刻多个通道的空间提取特征求和后的结果对当前时刻的多个通道的空间提取特征求和后的结果的影响因数；
根据当前时刻的更新门的输出结果、前一时刻的每个细胞单元的信息以及当前时刻的候选隐藏状态确定当前时刻的渣土车的时序运行特征。
2.根据权利要求1所述的渣土车载重状态识别方法，其特征在于，对所述预处理数据进行特征提取，并根据EEMD对提取的特征进行时间序列分解，获得IMF分量矩阵，包括：
根据Pearson相关系数法对所述预处理数据进行特征选取，并根据选取后的特征构造特征向量集；
根据EEMD对所述特征向量集进行时间序列分解，获得IMF分量；
对所述IMF分量进行分割获得IMF分量矩阵。
3.根据权利要求2所述的渣土车载重状态识别方法，其特征在于，根据Pearson相关系数法对所述预处理数据进行特征选取，并根据选取后的特征构造特征向量集，包括：
确定分类算法以及初始特征集；
将选取后的特征均加入初始特征集；
对加入初始特征集的特征的权重分别进行增加权重以及减少权重处理，并判断每个特征在增加权重和减小权重时分类算法中的识别准确率的变化；
将增加权重后分类算法的识别准确率上升的特征所对应的特征相关系数标记为1，并将减小权重后分类算法的识别准确率上升的特征所对应的特征相关系数标记为-1；
将相关系数标记为1的特征构造成特征向量集。
4.根据权利要求2所述的渣土车载重状态识别方法，其特征在于，根据EEMD对所述特征向量集进行时间序列分解，获得IMF分量，包括：
向所述特征向量集中的每个特征时序向量多次加入白噪声序列；
对每次加入白噪声序列的特征时序向量进行分解，获得多个imf分量；
对每次获得的imf分量均进行求和平均得到IMF分量；
重复上述加入白噪声序列至获得IMF分量的步骤，直至遍历所述特征向量集中的所有特征时序向量，获得多个IMF分量。
5.根据权利要求4所述的渣土车载重状态识别方法，其特征在于，对所述IMF分量进行分割获得IMF分量矩阵，包括：
将每个特征时序分量分解得到的imf分量沿时间轴展开，并按照imf分量的次序拼接得到拼接分量矩阵；
根据相关系数选取拼接分量矩阵中能够表示渣土车的运行数据的拼接分量矩阵作为IMF分量矩阵；所述相关系数的计算公式为：
，
其中，表示渣土车的运行数据的原始时间序列，/>表示第/>个IMF分量的相关系数，/>表示渣土车的运行数据的原始时间序列和第/>个IMF分量的交叉协方差，和/>分别表示渣土车的运行数据的原始时间序列和第/>个IMF分量的标准差。
6.根据权利要求1所述的渣土车载重状态识别方法，其特征在于，将所述渣土车的时序运行特征进行载重状态识别，获得渣土车的载重状态，包括：
根据MLP层与Softmax函数对所述渣土车的时序运行特征进行载重状态分类识别，获得渣土车的载重状态，所述渣土车的载重状态包括装载、卸载和运行。
7.根据权利要求6所述的渣土车载重状态识别方法，其特征在于，根据MLP层与Softmax函数对所述渣土车的时序运行特征进行载重状态分类识别，包括：
将所述渣土车的时序运行特征输入至MLP层的输入层，并经过MLP层的隐藏层的计算与反向传播后，确定MLP层中的超参数；
根据MLP层中的超参数确定所述MLP层的输出层中细胞单元的输出结果；
根据Softmax函数将所述MLP层的输出层中细胞单元的输出结果转换为分类概率，获得渣土车载重状态概率，其中所述MLP层的输出层包括3个细胞单元，且3个细胞单元分别对应装载状态、卸载状态和运行状态。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311474230.7A CN117196454B (zh) | 2023-11-08 | 2023-11-08 | 渣土车载重状态识别方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311474230.7A CN117196454B (zh) | 2023-11-08 | 2023-11-08 | 渣土车载重状态识别方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117196454A CN117196454A (zh) | 2023-12-08 |
| CN117196454B true CN117196454B (zh) | 2024-01-30 |
Family
ID=88989113
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311474230.7A Active CN117196454B (zh) | 2023-11-08 | 2023-11-08 | 渣土车载重状态识别方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117196454B (zh) |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110766039A (zh) * | 2019-09-02 | 2020-02-07 | 厦门卫星定位应用股份有限公司 | 渣土车运输状态识别方法、介质、设备及渣土车 |
| CN116090938A (zh) * | 2023-04-06 | 2023-05-09 | 江苏华溯大数据有限公司 | 一种后装车辆载重状态识别方法 |
| CN116629417A (zh) * | 2023-05-16 | 2023-08-22 | 湖南大学 | 一种结合卷积注意力模块的轨道交通牵引负荷预测方法 |
| CN116885691A (zh) * | 2023-05-30 | 2023-10-13 | 淮阴工学院 | 一种风电功率爬坡事件间接预测方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP5868784B2 (ja) * | 2012-05-31 | 2016-02-24 | 横河電機株式会社 | プロセス監視システム及び方法 |
-
2023
- 2023-11-08 CN CN202311474230.7A patent/CN117196454B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110766039A (zh) * | 2019-09-02 | 2020-02-07 | 厦门卫星定位应用股份有限公司 | 渣土车运输状态识别方法、介质、设备及渣土车 |
| CN116090938A (zh) * | 2023-04-06 | 2023-05-09 | 江苏华溯大数据有限公司 | 一种后装车辆载重状态识别方法 |
| CN116629417A (zh) * | 2023-05-16 | 2023-08-22 | 湖南大学 | 一种结合卷积注意力模块的轨道交通牵引负荷预测方法 |
| CN116885691A (zh) * | 2023-05-30 | 2023-10-13 | 淮阴工学院 | 一种风电功率爬坡事件间接预测方法 |
Non-Patent Citations (2)
| Title |
|---|
| EEMD和SVM在发动机故障诊断中的应用;司景萍;牛家骅;郭丽娜;马继昌;;车用发动机(第01期) * |
| 司景萍 ; 牛家骅 ; 郭丽娜 ; 马继昌 ; .EEMD和SVM在发动机故障诊断中的应用.车用发动机.2015,(01),81-86页. * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117196454A (zh) | 2023-12-08 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109993082B (zh) | 卷积神经网络道路场景分类与道路分割方法 | |
| Arebey et al. | Solid waste bin level detection using gray level co-occurrence matrix feature extraction approach | |
| Potgieter et al. | Spatial and temporal patterns in Australian wheat yield and their relationship with ENSO | |
| Cao et al. | Image processing-based automatic detection of asphalt pavement rutting using a novel metaheuristic optimized machine learning approach | |
| CN111814685A (zh) | 基于双支路卷积自编码器的高光谱图像分类方法 | |
| CA3037941A1 (en) | Method and system for generating and using vehicle pricing models | |
| CN113052216B (zh) | 基于双路图u-net卷积网络的溢油高光谱图像检测方法 | |
| CN110083802A (zh) | 基于多目标回归的高速公路收费站车流量大数据预测方法 | |
| CN116432810A (zh) | 交通流预测模型确定方法、设备、装置及可读存储介质 | |
| Oh et al. | Investigating the effects of daily travel time patterns on short-term prediction | |
| CN117196454B (zh) | 渣土车载重状态识别方法 | |
| CN1252588C (zh) | 高光谱遥感图像联合加权随机分类方法 | |
| Viallon-Galinier et al. | Combining modelled snowpack stability with machine learning to predict avalanche activity | |
| CN116090938B (zh) | 一种后装车辆载重状态识别方法 | |
| Viallon-Galinier et al. | Combining snow physics and machine learning to predict avalanche activity: does it help? | |
| Alfaz et al. | Bridge crack detection using dense convolutional network (densenet) | |
| CN113221472A (zh) | 一种基于lstm的客流预测方法 | |
| CN117523449A (zh) | 一种煤矿井下辅助运输机器人车路协同定位系统及方法 | |
| CN115565373B (zh) | 高速公路隧道事故实时风险预测方法、装置、设备及介质 | |
| CN114973156B (zh) | 一种基于知识蒸馏的夜间渣土车检测方法 | |
| CN115984632A (zh) | 一种高光谱塑料垃圾材质快速分类方法、装置及存储介质 | |
| CN114445767B (zh) | 一种传输带传输异物检测方法及系统 | |
| Marciniuk et al. | Machine learning applied to acoustic-based road traffic monitoring | |
| CN112508103B (zh) | 一种基于垃圾收运车的易腐垃圾图像识别与考核管理方法 | |
| CN117315943B (zh) | 一种超限运输违法监测分析与预警方法及系统 |
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 |