CN117590444A - 基于资产货物定位信息的实时追踪方法及系统 - Google Patents

Abstract

本发明公开了基于资产货物定位信息的实时追踪方法及系统，具体涉及实时定位技术领域，包括数据采集模块、模型构建模块、分析验证模块和精准处理模块；通过车队中的图像传感器，拍摄和记录周围车辆的运行场景，并获取对应场景的天气信息、GPS坐标数据信息和车载陀螺仪信息。本发明基于对货物运输过程中车辆图像参数的监测和分析，通过构建GPS实时定位评估模型和卷积神经网络模型对车辆运行图像与GPS定位参数的差异进行评估，以获取GPS定位系统与实际位置之间的差值，再用目标检测算法构建回归模型对计算出的差值进行位置修正和安全性检测，最后根据正则化优化模型中的过拟合现象，得到更加准确的定位实时追踪信息。

Description

基于资产货物定位信息的实时追踪方法及系统

技术领域

本发明涉及实时定位技术领域，更具体地说，本发明涉及基于资产货物定位信息的实时追踪方法及系统。

背景技术

在资产货物运输过程中，通常使用GPS定位技术进行资产货物的实时追踪，通过用户手持设备或车辆上的装置，接受不同的卫星信号，接收器内置计算器再计算出经纬度与海拔，从而得到接收器的位置所在。

然而，目前的GPS定位技术在使用的过程中，由于受到大气湍流导致的信号折射、光速传播之间的延迟、卫星相对位置的远近以及传播路径中的高楼、山脉、树木等障碍物导致信号反射、折射，最后引起信号的多径效应，这些原因导致的误差可能造成GPS定位产生数米乃至数十米的误差，对于普通的GPS使用者来说，这类误差无关紧要，可以忽略不计，但是对于如运钞车、文物运输车等贵重物品运输车辆来说，需要在保证资产完好的情况下，对车辆进行实时追踪，此时GPS造成的误差有可能会导致意外情况发生，如增加潜在威胁风险、无法及时响应紧急情况和损害对运输过程的信任等，因此需要对误差进行排除。

发明内容

为了克服现有技术的上述缺陷，本发明的实施例提供基于资产货物定位信息的实时追踪方法及系统，基于对货物运输过程中车辆图像参数的监测和分析，通过构建GPS实时定位评估模型和卷积神经网络模型对车辆运行图像与GPS定位参数的差异进行评估，以获取GPS定位系统与实际位置之间的差值，再用目标检测算法构建回归模型对计算出的差值进行位置修正和安全性检测，目标检测算法在记录数据、分析结果后还能为促进系统性能、优化运营策略提供基础，最后根据正则化优化模型中的过拟合现象，得到更加准确的定位实时追踪信息，以解决上述背景技术中提出的问题。

为实现上述目的，本发明提供如下技术方案：

基于资产货物定位信息的实时追踪方法，包括如下步骤：

步骤S1，通过车队中的图像传感器，拍摄和记录周围车辆的运行场景，并获取对应场景的天气信息、GPS坐标数据信息和车载陀螺仪信息；

步骤S2，构建GPS实时定位评估模型，确定GPS定位是否能对资产货物进行实时追踪，若GPS定位不能实现对货物进行实时追踪，对数据进行预处理，构建车辆的卷积神经网络模型，定义适当的损失函数，通过损失函数得到模型输出与实际GPS坐标之间的差异；

步骤S3，通过目标检测算法建立回归模型对车辆卷积神经网络模型中得到的差异值进行验证；

步骤S4，根据正则化优化归一化方程中的过拟合现象，提高验证集的准确性。

具体的，在步骤S1中，对于同一车队中的需要实时追踪的装载有资产货物车辆，在行驶过程中，使用车载图像传感器捕捉目标车辆图像数据，同时通过移动设备接收卫星信号获取对应时刻的GPS坐标数据集。

在步骤S2中，对GPS是否能实现对资产货物实时追踪进行评估，获取GPS接收间隔信息、区域GPS信号干扰信息和惯性导航瞬时差值信息，其中，GPS接收间隔信息包括GPS接收间隔系数，标定为，区域GPS信号干扰信息包括Wi-Fi信号干扰系数和天气干扰系数，分别标定为/>和/>，惯性导航瞬时差值信息包括惯性导航瞬时差值系数，标定为/>；

GPS接收间隔系数通过记录用户接收目标资产货物GPS定位变化具体次数后计算得到，记录用户十分钟内接收到的目标资产货物GPS定位变化次数，标记为，则GPS接收间隔系数/>；

Wi-Fi信号干扰系数采集目标资产货物周围Wi-Fi信号传输时的衰减情况，取Wi-Fi信号发出时的信号强度和实际接收到Wi-Fi信号强度，分别标定为和/>，Wi-Fi信号发出地与接收地之间的距离差为/>，通过监测目标资产货物周围Wi-Fi信号反映GPS信号受到干扰信号源影响的程度，由于GPS所使用的频段一般在L频段（1.2 GHz和1.5 GHz）和S频段（2.4 GHz），与Wi-Fi信号频段相似，因此Wi-Fi信号干扰系数/>；

天气干扰系数记录目标区域在不同气候下的GPS信号接收强弱情况，将定位最准确的天气情况下的GPS信号数值记为，当前天气情况下的GPS信号数值记为/>，可得天气干扰系数/>，需要说明的是，过强的GPS信号并不代表着定位越强，可能由于强信号引发的信号饱和、多路径效应等问题，造成定位失真；

惯性导航瞬时差值系数利用加速度计和陀螺仪等传感器，通过测量目标的加速度和角速度来推断其位置和方向，将目标在一次GPS定位变化时间内的位置变换直线距离记为，对应的GPS定位变化直线距离记为/>，则惯性导航瞬时差值系数/>，需要说明的是，惯性导航在短期内提供了高精度的位置信息，但随时间的推移可能会积累误差。因此在本发明中仅作为瞬时距离变化验证。

在步骤S2中，构建GPS实时定位评估模型，由GPS接收间隔信息、区域GPS信号干扰信息和惯性导航瞬时差值信息加权而成，生成GPS实时定位评估指数，对应的系数分别为GPS接收间隔系数/>、Wi-Fi信号干扰系数/>、天气干扰系数/>、惯性导航瞬时差值系数，构成的公式为/>；

均大于0，为根据实际情况进行设定，例如，采用专家赋权法，即邀请相关领域的专家通过专业的意见调查和综合评估来确定各项指标的权重，以确保权重系数能够准确地反映GPS实时定位评估中各项指标的重要性。此外，还可以考虑采用层次分析法、模糊综合评价法等多种方法来确定权重系数，以保证权重系数的客观性和科学性。在此不作赘述。

在步骤S2中，当GPS实时定位评估指数大于信号阈值时，则说明当前区域GPS定位不能实现对资产货物信息的实时追踪，需要对GPS信号进行优化处理，发出定位不准信号，并进行后续步骤；

当GPS实时定位评估指数小于等于信号阈值时，则说明当前区域GPS定位可以实现对资产货物信息的实时追踪，继续通过GPS实时定位对资产货物定位信息进行实时追踪。

在步骤S2中，接收到定位不准信号后，对数据进行预处理，将采集到的图像缩放到模型输入的期望尺寸，同时把图像像素值标准化，通常采用的标准化值为【0，1】或【-1，1】之间；对于GPS坐标进行归一化处理，确保位于相同的尺寸范围，然后进行编码转化为适合模型输入的格式，例如将经纬度坐标转换为相对于某个参考点的距离或其他表示，在这一过程中始终保持着数据对齐， 确保图像和GPS坐标是正确的一一对应关系，最后将图像和GPS坐标转换为模型接受的输入格式，例如空洞卷积模型通常期望输入是张量（tensor），确保数据被正确转换。

进一步的，本发明卷积神经网络模型的构建方法如下：

步骤S2.1，使用Python中的TensorFlow和Keras框架定义空洞卷积模型build_dilated_conv_model，使用两个空洞卷积层，卷积核初步设定为3*3，通过dilation_rate参数控制卷积核中的空洞，分别设定为1*1和2*2；

步骤S2.2，实现空洞卷积层后，建立用于减小特征图尺寸的池化层，全局平均池化层用于将特征图的空间维度降为1，具体计算方式是将每个通道的特征图上所有值取平均，由于池化层不设计权重分布，故没有具体数据体现；

步骤S2.3，建立全连接层，将全局平均池化作用下的平均值标量通过全连接层中的flatten指令将得到的特征张量展平为一维向量，这个一维向量包含了来自卷积层的高层次特征，然后通过全连接层进行学习和映射，最终输出经度和纬度的预测结果，最后的输出层使用线性激活函数，因为车辆位置是一个连续值的回归问题。

在步骤S2中，需要对构建的卷积神经网络模型进行训练，在模型训练的过程中，需要定义适当的损失函数，然后在数据集训练模型期间，使用随机梯度下降或其他优化算法来最小化损失函数。

在步骤S2中，通过定义损失函数计算卷积神经网络模型中得到的经纬度坐标与实际GPS定位之间的误差值，一般采用均方误差或平均绝对误差进行计算，以均方误差为例，，其中N为样本数量，/>和/>分别是第i个样本的实际坐标和模型预测的坐标，通过坐标可以求得GPS定位产生的误差值。

在步骤S2中，通过损失函数得到GPS定位产生的误差值后，输入数据进行反向传播，计算损失函数对模型参数的梯度，参数是模型中的权重，是需要调整的部分，梯度表示损失函数关于模型参数的变化率，表示损失函数在参数空间中的变化方向，由此更新模型的参数，新参数=旧参数-每次参数更新的步长 * 梯度，每次参数更新的步长是使用者设定的值，重复以上步骤，通过多次迭代不断调整模型参数，以减小损失函数的值，这些步骤可以在计算机中使用矩阵运算和自动微分的方式高效地实现，由于为已知现有技术，故不在进行赘述。

在步骤S3中，通过目标检测算法对步骤S2中求得的误差值进行验证，通过生成一个边界框来框定每一个检测到的目标，从而为检测到的目标提供空间位置信息，准确定位目标在图像中的位置。

在步骤S4中，利用L1正则化通过在损失函数中添加权重的绝对值之和，促使模型的权重趋向于零，模型更加简化，可具体定义为：；其中J为损失函数总损失，如步骤S3.3中的类别损失，/>表示原始分支的损失函数，/>表示正则化的强度，/>为模型所有权重的绝对值之和。L1正则化项的存在使得在模型训练中，优化过程不仅考虑到减小原始任务损失，还要尽量使模型的权重趋向于零。在训练过程中，如果某个权重/>的梯度为正，那么该权重会减小，如果梯度为负，那么该权重会增加。但当梯度很小或为零时，L1正则化的效果就会使得对应的权重趋向于零，实现了特征选择的效果，实际应用中，通常在软件PyTorch中定义优化器时，可以通过设置正则化项的权重（weight_decay参数）来实现 L1正则化，提高泛化性能，并减缓过拟合的风险。

基于资产货物定位信息的实时追踪系统，用于上述基于资产货物定位信息的实时追踪方法，包括：

数据采集模块，通过车队中的图像传感器，拍摄和记录周围车辆的运行场景，并获取对应场景的天气信息、GPS坐标数据信息和车载陀螺仪信息；

模型构建模块，构建GPS实时定位评估模型，确定GPS定位是否能对资产货物进行实时追踪，若GPS定位不能实现对货物进行实时追踪，对数据进行预处理，构建车辆的卷积神经网络模型，定义适当的损失函数，通过损失函数得到模型输出与实际GPS坐标之间的差异；

分析验证模块，通过目标检测算法建立回归模型对车辆卷积神经网络模型中得到的差异值进行验证；

精准处理模块，根据正则化优化归一化方程中的过拟合现象，提高验证集的准确性。

本发明的技术效果和优点：

本发明基于资产货物定位信息的实时追踪方法及系统，是基于对货物运输过程中车辆图像参数的监测和分析，通过构建卷积神经网络模型对车辆运行图像与GPS定位参数的差异进行评估，以获取GPS定位系统与实际位置之间的差值，再用目标检测算法构建回归模型对计算出的差值进行位置修正和安全性检测，目标检测算法在记录数据、分析结果后还能为促进系统性能、优化运营策略提供基础，最后根据正则化优化模型中的过拟合现象，得到更加准确的定位实时追踪信息。

附图说明

图1为本发明基于资产货物定位信息的实时追踪方法流程图。

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、完整的描述，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。

本发明基于资产货物定位信息的实时追踪方法及系统，是基于对货物运输过程中车辆图像参数的监测和分析，通过构建卷积神经网络模型对车辆运行图像与GPS定位参数的差异进行评估，以获取GPS定位系统与实际位置之间的差值，再用目标检测算法构建回归模型对计算出的差值进行位置修正和安全性检测，目标检测算法在记录数据、分析结果后还能为促进系统性能、优化运营策略提供基础，最后根据正则化优化模型中的过拟合现象，得到更加准确的定位实时追踪信息。

下面是使用空洞卷积模型对车辆位置进行识别的一般数学步骤：

数据预处理：准备包含车辆图像和对应GPS坐标的数据集。对图像进行预处理，包括标准化、缩放和裁剪，以及对GPS坐标进行适当的归一化。

模型构建：构建空洞卷积模型，该模型应该包含适当的卷积层、池化层、激活函数以及全连接层。在模型的最后几层，可能需要输出两个值，分别表示车辆位置的经度和纬度。

损失函数：定义适当的损失函数，通常使用均方误差（Mean Squared Error，MSE）或其他回归任务中常用的损失函数。损失函数应该能够度量模型输出与实际GPS坐标之间的差异。

训练模型：使用数据集训练空洞卷积模型。在训练期间，模型将学到图像特征与GPS坐标之间的关系。使用随机梯度下降或其他优化算法来最小化损失函数。

模型评估：使用验证集评估模型的性能，检查其对车辆位置的预测准确性。

调整和优化：根据评估结果对模型进行调整和优化。可能需要调整模型架构、学习率、正则化等超参数，以提高性能。

实施例1，如图1所示，基于资产货物定位信息的实时追踪方法步骤如下：

步骤S1，通过车队中的图像传感器，拍摄和记录周围车辆的运行场景，并获取对应场景的天气信息、GPS坐标数据信息和车载陀螺仪信息；

步骤S2，构建GPS实时定位评估模型，确定GPS定位是否能对资产货物进行实时追踪，若GPS定位不能实现对货物进行实时追踪，对数据进行预处理，构建车辆的卷积神经网络模型，定义适当的损失函数，通过损失函数得到模型输出与实际GPS坐标之间的差异；

步骤S3，通过目标检测算法建立回归模型对车辆卷积神经网络模型中得到的差异值进行验证；

步骤S4，根据正则化优化归一化方程中的过拟合现象，提高验证集的准确性。

具体的，在步骤S1中，对于同一车队中的需要实时追踪的装载有资产货物车辆，在行驶过程中，使用车载图像传感器捕捉目标车辆图像数据，同时通过移动设备接收卫星信号获取对应时刻的GPS坐标数据集。

在步骤S2中，对GPS是否能实现对资产货物实时追踪进行评估，获取GPS接收间隔信息、区域GPS信号干扰信息和惯性导航瞬时差值信息，其中，GPS接收间隔信息包括GPS接收间隔系数，标定为，区域GPS信号干扰信息包括Wi-Fi信号干扰系数和天气干扰系数，分别标定为/>和/>，惯性导航瞬时差值信息包括惯性导航瞬时差值系数，标定为/>；

GPS接收间隔系数通过记录用户接收目标资产货物GPS定位变化具体次数后计算得到，记录用户十分钟内接收到的目标资产货物GPS定位变化次数，标记为，则GPS接收间隔系数/>；

Wi-Fi信号干扰系数采集目标资产货物周围Wi-Fi信号传输时的衰减情况，取Wi-Fi信号发出时的信号强度和实际接收到Wi-Fi信号强度，分别标定为和/>，Wi-Fi信号发出地与接收地之间的距离差为/>，通过监测目标资产货物周围Wi-Fi信号反映GPS信号受到干扰信号源影响的程度，由于GPS所使用的频段一般在L频段（1.2 GHz和1.5 GHz）和S频段（2.4 GHz），与Wi-Fi信号频段相似，因此Wi-Fi信号干扰系数/>；

天气干扰系数记录目标区域在不同气候下的GPS信号接收强弱情况，将定位最准确的天气情况下的GPS信号数值记为，当前天气情况下的GPS信号数值记为/>，可得天气干扰系数/>，需要说明的是，过强的GPS信号并不代表着定位越强，可能由于强信号引发的信号饱和、多路径效应等问题，造成定位失真；

惯性导航瞬时差值系数利用加速度计和陀螺仪等传感器，通过测量目标的加速度和角速度来推断其位置和方向，将目标在一次GPS定位变化时间内的位置变换直线距离记为，对应的GPS定位变化直线距离记为/>，则惯性导航瞬时差值系数/>，需要说明的是，惯性导航在短期内提供了高精度的位置信息，但随时间的推移可能会积累误差。因此在本发明中仅作为瞬时距离变化验证。

在步骤S2中，构建GPS实时定位评估模型，由GPS接收间隔信息、区域GPS信号干扰信息和惯性导航瞬时差值信息加权而成，生成GPS实时定位评估指数，对应的系数分别为GPS接收间隔系数/>、Wi-Fi信号干扰系数/>、天气干扰系数/>、惯性导航瞬时差值系数，构成的公式为/>；

均大于0，为根据实际情况进行设定，例如，采用专家赋权法，即邀请相关领域的专家通过专业的意见调查和综合评估来确定各项指标的权重，以确保权重系数能够准确地反映GPS实时定位评估中各项指标的重要性。此外，还可以考虑采用层次分析法、模糊综合评价法等多种方法来确定权重系数，以保证权重系数的客观性和科学性。在此不作赘述。

在步骤S2中，当GPS实时定位评估指数大于信号阈值时，则说明当前区域GPS定位不能实现对资产货物信息的实时追踪，需要对GPS信号进行优化处理，发出定位不准信号，并进行后续步骤；

当GPS实时定位评估指数小于等于信号阈值时，则说明当前区域GPS定位可以实现对资产货物信息的实时追踪，继续通过GPS实时定位对资产货物定位信息进行实时追踪。

在步骤S2中，接收到定位不准信号后，对数据进行预处理，将采集到的图像缩放到模型输入的期望尺寸，同时把图像像素值标准化，通常采用的标准化值为【0，1】或【-1，1】之间；对于GPS坐标进行归一化处理，确保位于相同的尺寸范围，然后进行编码转化为适合模型输入的格式，例如将经纬度坐标转换为相对于某个参考点的距离或其他表示，在这一过程中始终保持着数据对齐， 确保图像和GPS坐标是正确的一一对应关系，最后将图像和GPS坐标转换为模型接受的输入格式，例如空洞卷积模型通常期望输入是张量（tensor），确保数据被正确转换。

进一步的，本发明卷积神经网络模型的构建方法如下：

步骤S2.1，使用Python中的TensorFlow和Keras框架定义空洞卷积模型build_dilated_conv_model，使用两个空洞卷积层，卷积核初步设定为3*3，通过dilation_rate参数控制卷积核中的空洞，分别设定为1*1和2*2；

步骤S2.2，实现空洞卷积层后，建立用于减小特征图尺寸的池化层，全局平均池化层用于将特征图的空间维度降为1，具体计算方式是将每个通道的特征图上所有值取平均，由于池化层不设计权重分布，故没有具体数据体现；

步骤S2.3，建立全连接层，将全局平均池化作用下的平均值标量通过全连接层中的flatten指令将得到的特征张量展平为一维向量，这个一维向量包含了来自卷积层的高层次特征，然后通过全连接层进行学习和映射，最终输出经度和纬度的预测结果，最后的输出层使用线性激活函数，因为车辆位置是一个连续值的回归问题。

在步骤S2中，需要对构建的卷积神经网络模型进行训练，在模型训练的过程中，需要定义适当的损失函数，然后在数据集训练模型期间，使用随机梯度下降或其他优化算法来最小化损失函数。

在步骤S2中，通过定义损失函数计算卷积神经网络模型中得到的经纬度坐标与实际GPS定位之间的误差值，一般采用均方误差或平均绝对误差进行计算，以均方误差为例，，其中N为样本数量，/>和/>分别是第i个样本的实际坐标和模型预测的坐标，通过坐标可以求得GPS定位产生的误差值。

在步骤S2中，通过损失函数得到GPS定位产生的误差值后，输入数据进行反向传播，计算损失函数对模型参数的梯度，参数是模型中的权重，是需要调整的部分，梯度表示损失函数关于模型参数的变化率，表示损失函数在参数空间中的变化方向，由此更新模型的参数，新参数=旧参数-每次参数更新的步长 * 梯度，每次参数更新的步长是使用者设定的值，重复以上步骤，通过多次迭代不断调整模型参数，以减小损失函数的值，这些步骤可以在计算机中使用矩阵运算和自动微分的方式高效地实现，由于为已知现有技术，故不在进行赘述。

在步骤S2中，完成训练模型后，需要使用验证集评估模型的性能，检查其对车辆位置的预测准确性，验证集可由目标检测算法构建回归模型得出，同时目标检测算法在系统中提供了额外的位置信息，帮助进一步修正车辆的位置，目标检测算法的结果可以用于记录和分析车辆的行为，为后续的数据分析提供基础，例如对卷积神经网络在卷积层和卷积核的优化设定方面，对于改进系统性能、优化运营策略等方面是有帮助的。

在步骤S3中，通过目标检测算法对步骤S2中求得的误差值进行验证，通过生成一个边界框来框定每一个检测到的目标，从而为检测到的目标提供空间位置信息，准确定位目标在图像中的位置。

进一步的，本发明目标检测算法的计算步骤如下：

步骤S3.1，定义回归目标，将图像像素值标准化，然后将输入网络的待检测图像进行S*S的网格划分，若目标的中点落在其中，则由当前网格对落入的目标进行检测。把预测得到的边界框设定为L，则边界框预测的具体图形分别由以下公式构成：和/>；其中，/>、/>为待测目标的中心到当前网格左上角的位置；/>为预测框的边长；/>、/>为预测框中点到左上角的网格相差的网格数目；/>为预设锚框的高、宽；这类在特征图上形成的数量固定的边界框包含着目标预测的位置和类别信息，对生成的边界框直接进行位置回归。

步骤S3.2，选择回归目标，为了防止出现预测边界框的多次重合情况，对边界框设置重合度，同时设置边界框阈值，若重合度的值在边界框阈值之上，则说明边界框未重合，可用于回归，若重合度的值在边界框阈值之下，则说明边界框出现重合，舍弃数值，重合度大小的判断由两部分构成，一方面为网格内是否出现目标，若存在则/>，若不存在，/>；另一方面为对预测边界框的准确度的计算，定义如下：/> ，其中/>是指预测框的重合度；是指每个网格单元内预测C个条件类别的概率；/>是指框内存在目标时的重合度；/>是指预测框面积与真实框面积的交并比。

步骤S3.3，删去多余的预测边界框，采用非极大值抑制算法通过判断剩余边界框交叠在一起的程度，由于损失函数可以表达为：总损失=*坐标损失+/>*重合度损失+/>*类别损失，其中/>、/>和/>是由开发者根据具体问题和需求进行调整的超参数。因此目标检测算法通过回归模型得到的坐标损失需要用预测边界框的总损失减去预测重合度的损失和预测类别的损失，将预测边界框的总损失、预测重合度的损失和预测类别的损失分别设定为/>、/>和/>，即预测边界框的坐标损失为/>，由框架的自动微分（Automatic Differentiation）功能通过二元交叉熵损失函数及多类别交叉熵损失函数等方法自动完成公式的构建和计算，框架会跟踪计算图中的操作，并能够生成导数信息，从而实现梯度计算和参数更新，保留重合度较高的预测框作为目标检测框，得到的目标预测框在二维图像中通常表示为/>，表示了框的左上角和右下角的坐标，则此时目标的中心点坐标为/>。

在步骤S4中，利用L1正则化通过在损失函数中添加权重的绝对值之和，促使模型的权重趋向于零，模型更加简化，可具体定义为：；其中J为损失函数总损失，如步骤S3.3中的类别损失，/>表示原始分支的损失函数，/>表示正则化的强度，/>为模型所有权重的绝对值之和。L1正则化项的存在使得在模型训练中，优化过程不仅考虑到减小原始任务损失，还要尽量使模型的权重趋向于零。在训练过程中，如果某个权重/>的梯度为正，那么该权重会减小，如果梯度为负，那么该权重会增加。但当梯度很小或为零时，L1正则化的效果就会使得对应的权重趋向于零，实现了特征选择的效果，实际应用中，通常在软件PyTorch中定义优化器时，可以通过设置正则化项的权重（weight_decay参数）来实现 L1正则化，提高泛化性能，并减缓过拟合的风险。

实施例2，本实施例为实施例1的系统实施例，用于实现实施例1中介绍的基于资产货物定位信息的实时追踪方法，具体包括：

数据采集模块，通过车队中的图像传感器，拍摄和记录周围车辆的运行场景，并获取对应场景的天气信息、GPS坐标数据信息和车载陀螺仪信息；

模型构建模块，构建GPS实时定位评估模型，确定GPS定位是否能对资产货物进行实时追踪，若GPS定位不能实现对货物进行实时追踪，对数据进行预处理，构建车辆的卷积神经网络模型，定义适当的损失函数，通过损失函数得到模型输出与实际GPS坐标之间的差异；

分析验证模块，通过目标检测算法建立回归模型对车辆卷积神经网络模型中得到的差异值进行验证；

精准处理模块，根据正则化优化归一化方程中的过拟合现象，提高验证集的准确性。

上述公式均是去量纲取其数值计算，具体去量纲可采用标准化等多种手段，在此不进行赘述，公式是由采集大量数据进行软件模拟得到最近真实情况的一个公式，公式中的预设参数由本领域的技术人员根据实际情况进行设置。

上述实施例，可以全部或部分地通过软件、硬件、固件或其他任意组合来实现。当使用软件实现时，上述实施例可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令或计算机程序。在计算机上加载或执行所述计算机指令或计算机程序时，全部或部分地产生按照本申请实施例所述的流程或功能。所述计算机可以为通用计算机、专用计算机、计算机网络，或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一个计算机可读存储介质传输，例如，所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线或无线（例如红外、无线、微波等）方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集合的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质（例如，软盘、ATA硬盘、磁带）、光介质（例如，DVD），或者半导体介质。半导体介质可以是固态ATA硬盘。

应理解，在本申请的各种实施例中，上述各过程的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本申请实施例的实施过程构成任何限定。

本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件，或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。

在本申请所提供的几个实施例中，应该理解到，所揭露的系统、装置和方法，可以通过其他的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其他的形式。

所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，既可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。

另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。

所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术作出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备（可以是个人计算机，服务器，或者网络设备等）执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动ATA硬盘、只读存储器（read-only memory，ROM）、随机存取存储器（random access memory，RAM）、磁碟或者光盘等各种可以存储程序代码的介质。

以上所述，仅为本申请的具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应以所述权利要求的保护范围为准。

Claims (9)

1.基于资产货物定位信息的实时追踪方法，其特征在于，包括如下步骤：

步骤S1，通过车队中的图像传感器，拍摄和记录周围车辆的运行场景，并获取对应场景的天气信息、GPS坐标数据信息和车载陀螺仪信息；

步骤S2，构建GPS实时定位评估模型，确定GPS定位是否能对资产货物进行实时追踪，若GPS定位不能实现对货物进行实时追踪，对数据进行预处理，构建车辆的卷积神经网络模型，定义适当的损失函数，通过损失函数得到模型输出与实际GPS坐标之间的差异；

步骤S3，通过目标检测算法建立回归模型对车辆卷积神经网络模型中得到的差异值进行验证；

步骤S4，根据正则化优化归一化方程中的过拟合现象，提高验证集的准确性。

2.根据权利要求1所述的基于资产货物定位信息的实时追踪方法，其特征在于：

在步骤S2中，对GPS是否能实现对资产货物实时追踪进行评估，获取GPS接收间隔信息、区域GPS信号干扰信息和惯性导航瞬时差值信息，其中，GPS接收间隔信息包括GPS接收间隔系数，标定为，区域GPS信号干扰信息包括Wi-Fi信号干扰系数和天气干扰系数，分别标定为/>和/>，惯性导航瞬时差值信息包括惯性导航瞬时差值系数，标定为/>；

GPS接收间隔系数通过记录用户接收目标资产货物GPS定位变化具体次数后计算得到，记录用户十分钟内接收到的目标资产货物GPS定位变化次数，标记为，则GPS接收间隔系数/>；

Wi-Fi信号干扰系数采集目标资产货物周围Wi-Fi信号传输时的衰减情况，取Wi-Fi信号发出时的信号强度和实际接收到Wi-Fi信号强度，分别标定为和/>，Wi-Fi信号发出地与接收地之间的距离差为/>，Wi-Fi信号干扰系数/>；

天气干扰系数记录目标区域在不同气候下的GPS信号接收强弱情况，将定位最准确的天气情况下的GPS信号数值记为，当前天气情况下的GPS信号数值记为/>，可得天气干扰系数/>；

惯性导航瞬时差值系数利用加速度计和陀螺仪等传感器，通过测量目标的加速度和角速度来推断其位置和方向，将目标在一次GPS定位变化时间内的位置变换直线距离记为，对应的GPS定位变化直线距离记为/>，则惯性导航瞬时差值系数/>。

3.根据权利要求2所述的基于资产货物定位信息的实时追踪方法，其特征在于：

构建GPS实时定位评估模型，由GPS接收间隔信息、区域GPS信号干扰信息和惯性导航瞬时差值信息加权而成，生成GPS实时定位评估指数，对应的系数分别为GPS接收间隔系数/>、Wi-Fi信号干扰系数/>、天气干扰系数/>、惯性导航瞬时差值系数/>，构成的公式为，式中，/>是相应指标的权重系数；

当GPS实时定位评估指数大于信号阈值时，发出定位不准信号，并进行后续步骤；

当GPS实时定位评估指数小于等于信号阈值时，继续通过GPS实时定位对资产货物定位信息进行实时追踪。

4.根据权利要求3所述的基于资产货物定位信息的实时追踪方法，其特征在于：

在步骤S2中，对数据进行预处理，将采集到的图像缩放到模型输入的期望尺寸，同时把图像像素值标准化，对于GPS坐标进行归一化处理，然后在数据对齐下将编码转化为适合模型输入的格式，使得图像和GPS坐标是正确的一一对应关系，最后将图像和GPS坐标转换为模型接受的输入格式；

在步骤S2中，卷积神经网络模型的构建方法如下：

步骤S2.1，定义空洞卷积模型中的两个空洞卷积层，卷积核初步设定为3*3，控制卷积核中的空洞，分别设定为1*1和2*2；

步骤S2.2，实现空洞卷积层后，建立用于减小特征图尺寸的池化层；

步骤S2.3，建立全连接层，输出经度和纬度的预测结果。

5.根据权利要求4所述的基于资产货物定位信息的实时追踪方法，其特征在于：

在步骤S2中，通过定义损失函数计算卷积神经网络模型中得到的经纬度坐标与实际GPS定位之间的误差值。

6.根据权利要求5所述的基于资产货物定位信息的实时追踪方法，其特征在于：

在步骤S2中，通过损失函数得到GPS定位产生的误差值后，输入数据进行反向传播，计算损失函数对模型参数的梯度，重复以上步骤，通过多次迭代不断调整模型参数。

7.根据权利要求6所述的基于资产货物定位信息的实时追踪方法，其特征在于：

在步骤S3中，通过目标检测算法对步骤S2中求得的误差值进行验证，通过生成一个边界框来框定每一个检测到的目标，得到空间位置信息，准确定位目标在图像中的位置；

目标检测算法的计算步骤如下：

步骤S3.1，定义回归目标；

步骤S3.2，选择回归目标；

步骤S3.3，删去多余的预测边界框，采用非极大值抑制算法通过判断剩余边界框交叠在一起的程度，保留重合度较高的预测框作为目标检测框。

8.根据权利要求7所述的基于资产货物定位信息的实时追踪方法，其特征在于：

在步骤S4中，利用L1正则化通过在损失函数中添加权重的绝对值之和，促使模型的权重趋向于零，模型更加简化。

9.基于资产货物定位信息的实时追踪系统，用于实现权利要求1-8中任一项所述的基于资产货物定位信息的实时追踪方法，其特征在于，包括：

数据采集模块，通过车队中的图像传感器，拍摄和记录周围车辆的运行场景，并获取对应场景的天气信息、GPS坐标数据信息和车载陀螺仪信息；

模型构建模块，构建GPS实时定位评估模型，确定GPS定位是否能对资产货物进行实时追踪，若GPS定位不能实现对货物进行实时追踪，对数据进行预处理，构建车辆的卷积神经网络模型，定义适当的损失函数，通过损失函数得到模型输出与实际GPS坐标之间的差异；

分析验证模块，通过目标检测算法建立回归模型对车辆卷积神经网络模型中得到的差异值进行验证；

精准处理模块，根据正则化优化归一化方程中的过拟合现象，提高验证集的准确性。