CN117689400A - 一种基于数据标签的超限源头溯源方法及系统 - Google Patents
一种基于数据标签的超限源头溯源方法及系统 Download PDFInfo
- Publication number
- CN117689400A CN117689400A CN202410146206.9A CN202410146206A CN117689400A CN 117689400 A CN117689400 A CN 117689400A CN 202410146206 A CN202410146206 A CN 202410146206A CN 117689400 A CN117689400 A CN 117689400A
- Authority
- CN
- China
- Prior art keywords
- data
- truck
- license plate
- generate
- weight
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 68
- 238000005303 weighing Methods 0.000 claims abstract description 164
- 230000002159 abnormal effect Effects 0.000 claims abstract description 150
- 239000011159 matrix material Substances 0.000 claims abstract description 145
- 238000001514 detection method Methods 0.000 claims abstract description 74
- 238000012545 processing Methods 0.000 claims abstract description 65
- 238000002372 labelling Methods 0.000 claims abstract description 13
- 230000003068 static effect Effects 0.000 claims description 66
- 238000004458 analytical method Methods 0.000 claims description 40
- 238000011156 evaluation Methods 0.000 claims description 40
- 238000012544 monitoring process Methods 0.000 claims description 33
- 238000005259 measurement Methods 0.000 claims description 28
- 238000007726 management method Methods 0.000 claims description 23
- 238000013461 design Methods 0.000 claims description 18
- 238000007405 data analysis Methods 0.000 claims description 10
- 230000010354 integration Effects 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 8
- 238000011049 filling Methods 0.000 claims description 5
- 238000010276 construction Methods 0.000 claims description 3
- 238000013075 data extraction Methods 0.000 abstract description 6
- 230000008569 process Effects 0.000 description 18
- 230000009286 beneficial effect Effects 0.000 description 17
- 230000005856 abnormality Effects 0.000 description 11
- 230000006399 behavior Effects 0.000 description 10
- 230000008859 change Effects 0.000 description 10
- 230000008520 organization Effects 0.000 description 10
- 230000000694 effects Effects 0.000 description 7
- 230000007246 mechanism Effects 0.000 description 7
- 238000010586 diagram Methods 0.000 description 5
- 238000007689 inspection Methods 0.000 description 4
- 238000011068 loading method Methods 0.000 description 4
- 239000007787 solid Substances 0.000 description 4
- 230000000007 visual effect Effects 0.000 description 4
- 238000005299 abrasion Methods 0.000 description 2
- 230000033228 biological regulation Effects 0.000 description 2
- 230000006583 body weight regulation Effects 0.000 description 2
- 238000013481 data capture Methods 0.000 description 2
- 238000013500 data storage Methods 0.000 description 2
- 208000002173 dizziness Diseases 0.000 description 2
- 230000002349 favourable effect Effects 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 230000036541 health Effects 0.000 description 2
- 238000011835 investigation Methods 0.000 description 2
- 230000001105 regulatory effect Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000007665 sagging Methods 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 206010039203 Road traffic accident Diseases 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
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
- G06Q30/00—Commerce
- G06Q30/018—Certifying business or products
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01G—WEIGHING
- G01G19/00—Weighing apparatus or methods adapted for special purposes not provided for in the preceding groups
- G01G19/02—Weighing apparatus or methods adapted for special purposes not provided for in the preceding groups for weighing wheeled or rolling bodies, e.g. vehicles
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/903—Querying
- G06F16/9035—Filtering based on additional data, e.g. user or group profiles
-
- 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
- G06Q10/0833—Tracking
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Economics (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Quality & Reliability (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Databases & Information Systems (AREA)
- Data Mining & Analysis (AREA)
- Human Resources & Organizations (AREA)
- Computational Linguistics (AREA)
- Operations Research (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Tourism & Hospitality (AREA)
- General Engineering & Computer Science (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明涉及数据溯源技术领域，尤其涉及一种基于数据标签的超限源头溯源方法及系统。所述方法包括以下步骤：根据货车信息数据建立多源异构数据矩阵；利用车牌数据对多源异构数据矩阵进行多源异构数据矩阵的标签化处理，生成货车标签数据矩阵；设计货运源头追溯引擎；对动态轮胎形变数据以及个性化轮胎形变‑重量关联数据进行异常车牌数据提取处理，生成异常车牌数据；当异常车牌数据的货车车辆经过货车检测站点时，利用货车检测站点的称重设备对异常车牌数据的货车车辆进行精准称重测量，生成异常货车称重数据；对异常车牌数据进行违规车牌数据标记，生成违规车牌数据。本发明实现精准地超限问题检测，并自动化地进行超限源头溯源。
Description
技术领域
本发明涉及数据溯源技术领域，尤其涉及一种基于数据标签的超限源头溯源方法及系统。
背景技术
货车超限问题对道路交通安全和公路基础设施造成了严重威胁，可能导致交通事故、道路损坏以及额外的公共资源投入。货车超限行为溯源能够追踪货车的行驶轨迹和载重情况，有助于及早发现超限行为，减少事故风险，有助于优化货车运输管理，提高运输效率，减少货物损失和公路维护成本，对交通管理和公共安全具有积极的社会经济影响。然而，传统的超限检测方式依赖于人工巡查和固定货车检测站点，效率低下且容易被逃避，难以全面监管，并且对超限车辆的溯源需要人工进行查找，过于浪费人力资源。
发明内容
基于此，本发明提供一种基于数据标签的超限源头溯源方法及系统，以解决至少一个上述技术问题。
为实现上述目的，一种基于数据标签的超限源头溯源方法，包括以下步骤：
步骤S1：获取货车信息数据；根据预设的目标分析类别对货车信息数据进行目标货车信息数据提取，生成目标货车信息数据；根据目标货车信息数据建立多源异构数据矩阵；
步骤S2：对货车信息数据进行货车车辆的车牌数据提取，生成车牌数据；利用车牌数据对多源异构数据矩阵进行多源异构数据矩阵的标签化处理，生成货车标签数据矩阵；获取治超管理系统的货运源头数据；根据车牌数据、治超管理系统的货运源头数据以及货车标签数据矩阵进行货运源头追溯的自动化引擎设计，生成货运源头追溯引擎；
步骤S3：对货车车辆进行静态轮胎形变数据采集，生成静态轮胎形变数据；对货车车辆进行重量数据采集，生成货车重量数据；将静态轮胎形变数据与货车重量数据进行数据关联处理，生成轮胎形变-重量关联数据，并对轮胎形变-重量关联数据进行数据划分，生成个性化轮胎形变-重量关联数据；
步骤S4：对货车车辆进行动态轮胎形变数据采集处理，生成动态轮胎形变数据；根据个性化轮胎形变-重量关联数据以及动态轮胎形变数据对车牌数据进行数据划分处理，分别生成异常车牌数据以及常规车牌数据；当常规车牌数据的货车车辆经过货车检测站点时，利用货车检测站点的称重设备对常规车牌数据的货车车辆进行抽查称重测量，生成抽查货车称重数据；当异常车牌数据的货车车辆经过货车检测站点时，利用货车检测站点的称重设备对异常车牌数据的货车车辆进行精准称重测量，生成异常货车称重数据；
步骤S5：对异常货车称重数据以及抽查货车称重数据进行称重违规货车重量数据提取，生成违规货车重量数据；将违规货车重量数据对应的车牌数据进行数据标记，生成违规车牌数据；将违规车牌数据传输至货运源头追溯引擎进行货运源头信息溯源，分别生成违规货运源头数据以及违规货车标签数据矩阵，将违规货运源头数据以及违规货车标签数据矩阵传输至终端进行超限源头溯源反馈。
本发明通过获取货车信息数据，能够实时监测货车的情况，便于观测货车是否满足道路交通规则，有助于提高道路交通安全，为后续步骤提供数据基础。根据预设的目标分析类别对数据进行提取和筛选，我们能够聚焦在感兴趣的货车信息上，从而减少了数据的冗余和复杂性，有助于提高数据处理的效率和精确性，生成目标货车信息数据并建立多源异构数据矩阵，将不同来源的数据整合到一个矩阵中，这样的整合有助于综合分析和跨源数据比较，从而提供了更全面的视角，有助于检测潜在的异常情况。建立了多源异构数据矩阵后，我们可以更容易地进行后续的数据处理和分析，包括车辆标签化、车牌数据提取以及其他相关操作，整合后的数据矩阵为后续步骤提供了坚实的基础，使得整个溯源过程更加高效和准确。车牌数据提取让我们能够精确地识别每辆货车，无论其它信息如何变化，这为后续的源头追溯提供了坚实的基础。使用车牌数据来标签化多源异构数据矩阵，将不同数据源的信息与特定货车关联，这个标签化处理有助于创建关联性更强的数据矩阵，从而更容易进行进一步的数据分析和处理。基于车牌数据、治超管理系统的货运源头数据以及货车标签数据矩阵的整合，设计货运源头追溯引擎，使得整个溯源过程能够自动化执行，包括了数据匹配、跟踪和追溯源头企业的功能。通过对货车进行静态轮胎形变和重量数据的采集，获得了与货车状态相关的重要信息，静态轮胎形变数据可以指示轮胎的受重量影响的形变状况，而货车重量数据提供了货车载重的信息，有助于货车状态的全面监测。将静态轮胎形变数据与货车重量数据进行关联处理，生成轮胎形变-重量关联数据，这种关联允许在货车状态与负载之间建立关联，提供了更深入的洞察力，例如可以用来检测是否存在不符合规定的重量超限情况，以及这些情况是否与轮胎形变有关。对轮胎形变-重量关联数据进行数据划分，生成个性化轮胎形变-重量关联数据，这种划分可以根据具体的需求进行，以识别不同货车类型的异常情况，例如可以根据不同的轮胎型号或车辆类型进行划分，以获得更精细的数据分析和监控。通过轮胎形变和重量数据的关联，可以检测到潜在的异常情况，这些异常情况可作为源头追溯的关键线索，有助于确定可能存在的问题货车和货运源头企业。通过对货车进行动态轮胎形变数据的采集，能够实时监测货车轮胎的状态，有助于及时发现轮胎异常情况，如轮胎爆胎或轮胎磨损不均。将动态轮胎形变数据与个性化轮胎形变-重量关联数据结合，进行轮胎形变程度等级的计算，这个等级可以帮助分类货车的轮胎状态，从正常到严重异常，提供了一种标准化的方法来评估货车的安全性。基于轮胎形变程度等级数据，可以提取出异常车牌数据，即那些轮胎状态可能存在问题的货车，为进一步监测和追溯的重要线索。当常规车牌数据的货车经过货车检测站点时，对这些货车进行货车抽查称重测量，有助于验证货车是否存在超重问题，抽查的方式降低车辆称重的等待数量。当异常车牌数据的货车经过货车检测站点时，对这些货车进行精准称重测量，有助于验证货车是否存在超重问题，以及轮胎异常是否与重量超限有关。基于异常货车称重数据，对异常车牌数据进行标记，准确定位哪些车辆存在违规行为，这个标记为后续的源头追溯提供了清晰的起点，使监管机构能够有针对性地处理问题车辆。将违规车牌数据传输至货运源头追溯引擎进行信息溯源，这个过程允许监管机构追踪货物的起源，包括货运源头企业，对于确定违规行为的责任方非常重要。通过追溯货运晕头企业，生成了违规货运源头数据，可以用来确定哪些企业涉及到了违规运输，从而采取适当的法律和监管措施，同时，生成了违规货车标签数据矩阵，用于更深入的分析和监测。这个矩阵允许监管机构进一步了解哪些车辆、车队或货车类型可能更容易违规，以便采取更有针对性的措施。将违规货运源头数据和违规货车标签数据矩阵传输至终端，使监管机构能够快速、准确地反馈超限源头追溯的结果，反馈有助于监管机构更好地执行其职责，确保货物运输在合规的条件下进行。
优选地，步骤S1包括以下步骤：
步骤S11：获取货车信息数据；
步骤S12：根据预设的目标分析类别对货车信息数据进行目标货车信息数据提取，生成目标货车信息数据；
步骤S13：根据目标货车信息数据的数据格式建立多源异构数据矩阵框架，并利用目标货车信息数据对多源异构数据矩阵框架进行数据填充，生成多源异构数据矩阵。
本发明将大量的货车信息数据收集到一个中央数据存储中，为后续的源头追溯提供了广泛的数据资源，这包括货车车辆的运输历史、行驶轨迹、车型信息等，提供了全面的数据基础，以支持货物监管和源头追溯。根据预设的目标分析类别对货车信息数据进行提取，将注意力集中在特定的货车子集上，有助于提高数据处理效率，减少冗余信息的干扰。建立多源异构数据矩阵框架的效果在于创造了一个数据集成的基础架构，这个矩阵框架能够容纳不同来源的数据，包括车辆特征、GPS位置、时间戳等信息，并且通过目标货车信息数据的填充，确保了数据的一致性和可比性，可以更轻松地跨源进行数据分析、检测异常情况，并实施源头追溯。
优选地，步骤S2包括以下步骤：
步骤S21：对货车信息数据进行货车车辆的车牌数据提取，生成车牌数据；
步骤S22：利用车牌数据作为多源异构数据矩阵的数据标签进行多源异构数据矩阵的标签化处理，从而生成货车标签数据矩阵；
步骤S23：获取治超管理系统的货运源头数据；
步骤S24：根据车牌数据对治超管理系统的货运源头数据进行数据关联，生成货运源头-车牌关联数据；
步骤S25：根据货运源头-车牌关联数据以及货车标签数据矩阵进行货运源头追溯的自动化引擎设计，生成货运源头追溯引擎。
本发明从货车信息数据中提取车牌数据，我们获得了货车的唯一标识符，为每辆货车建立了独特的身份，确保了数据关联的准确性和唯一性。通过将车牌数据用作多源异构数据矩阵的数据标签，为不同来源的数据建立了关联，有助于数据整合和跨源数据比较，提供了更全面的视角，有助于检测潜在的异常情况。获取治超管理系统的货运源头数据的效果在于可以确定货物的起始点以及货车对应的企业，对于源头追溯非常关键，帮助监管机构了解货物的初始来源和运输路径。将车牌数据与治超管理系统的货运源头数据关联，生成了货运源头-车牌关联数据，这个关联数据允将特定的货车与其所属的源头企业联系起来，为源头追溯提供了关键线索。基于车牌数据、货运源头-车牌关联数据以及货车标签数据矩阵，设计自动化的货运源头追溯引擎，这个引擎的效果在于能够快速、准确地追溯货物的起源和运输历史，为监管机构提供了有力的工具来监督货物流通并确保合规性。
优选地，步骤S25包括以下步骤：
步骤S251：将货运源头-车牌关联数据以及货车标签数据矩阵进行数据整合，生成货运关联数据；
步骤S252：根据货运关联数据进行货运源头追溯的自动化引擎设计，生成货运源头追溯引擎。
本发明将车牌数据作为数据序列，将货运源头-车牌关联数据和货车标签数据矩阵进行整合，生成了货运关联数据，将不同来源的数据有机地结合在一起，形成一个完整的数据集，其中包括车辆标识、源头企业信息以及其他相关数据，有助于实现全面的货物追溯。基于整合后的货运关联数据，设计自动化的货运源头追溯引擎，这个引擎的效果在于能够高效地分析和追溯货物的运输历史和源头信息，可以识别货物的初始来源、经过的中间点、交易记录等，为监管机构提供详尽的信息，以便监控货物运输的完整路径。
优选地，步骤S3包括以下步骤：
步骤S31：利用摄像设备对货车车辆进行静态轮胎图像数据采集，生成静态轮胎图像数据；
步骤S32：对静态轮胎图像数据进行静态轮胎形变数据计算，生成静态轮胎形变数据；
步骤S33：利用称重设备对货车车辆进行重量数据采集，生成货车重量数据；
步骤S33：将静态轮胎形变数据与货车重量数据进行数据关联处理，生成轮胎形变-重量关联数据；
步骤S34：对货车标签数据矩阵进行货车类型数据提取，生成货车类型数据；
步骤S35：根据货车类型数据对轮胎形变-重量关联数据进行数据划分，生成个性化轮胎形变-重量关联数据。
本发明通过摄像设备对货车车辆进行静态轮胎图像数据的采集，实现了对轮胎状态的实时监测，获得轮胎的视觉信息，有助于检测轮胎的异常凹陷形态。基于静态轮胎图像数据，计算静态轮胎形变数据，反映了轮胎的形态变化，有助于检测是否存在异常的轮胎形变情况，如根据货车重量使轮胎凹陷的程度。通过称重设备对货车进行重量数据的采集，获得了货车的实际重量信息，对于检测货车是否超载或违反重量规定至关重要。将静态轮胎形变数据与货车重量数据进行关联处理，生成轮胎形变-重量关联数据，将轮胎状态与货车重量相关联，有助于更全面地监测货车的健康状态。从货车标签数据矩阵中提取货车类型数据。这个信息用于区分不同类型的货车，例如卡车、集装箱车等，以便更精确地分析数据和监测货车类型对轮胎形变和重量的影响。根据货车类型数据对轮胎形变-重量关联数据进行数据划分，生成个性化的数据，能够针对不同类型的货车实施个性化的监测和分析，更准确地检测异常情况。
优选地，步骤S4包括以下步骤：
步骤S41：利用交通系统中的电子监控设备对货车车辆进行动态轮胎图像数据采集，生成动态轮胎图像数据；
步骤S42：对动态轮胎图像数据进行动态轮胎形变数据计算处理，生成动态轮胎形变数据；
步骤S43：根据个性化轮胎形变-重量关联数据以及动态轮胎形变数据进行载重量评估分析，生成载重量评估数据；
步骤S44：根据载重量评估数据对车牌数据进行数据划分处理，分别生成异常车牌数据以及常规车牌数据；
步骤S45：当常规车牌数据的货车车辆经过货车检测站点时，利用货车检测站点的称重设备对常规车牌数据的货车车辆进行抽查称重测量，生成抽查货车称重数据；
步骤S46：当异常车牌数据的货车车辆经过货车检测站点时，利用货车检测站点的称重设备对异常车牌数据的货车车辆进行精准称重测量，生成异常货车称重数据。
本发明通过运输途中的电子监控设备，实现对货车车辆动态轮胎图像数据的采集，实时监测轮胎的状态，捕捉轮胎在运输过程中的变化，以及可能的异常情况，如爆胎或磨损不均。基于动态轮胎图像数据，计算动态轮胎形变数据，反映了轮胎形态和变化的实时情况，有助于根据轮胎形变预估汽车的载货重量。通过个性化轮胎形变-重量关联数据以及动态轮胎形变数据进行载重量评估分析，可以根据轮胎大致分析出每辆货车在载货物是否会出现异常行为，以用于判定是否要专门对车辆进行称重测试，可以更精确对货车进行超限评估。根据载重量评估数据，将车牌数据进行数据划分，有助于提取出异常车牌数据，即那些轮胎状态可能存在问题的货车，常规车牌数据反馈至终端，以区分正常运输的货车。当常规车牌数据的货车车辆经过货车检测站点时，利用货车检测站点的称重设备对常规车牌数据的货车车辆进行抽查称重测量，有助于验证货车是否存在超重问题，并且通过抽查方式随机测量称重货车车辆，节约了称重设备用于称重货车车辆称重的占有率。当异常车牌数据的货车车辆经过货车检测站点时，对这些货车进行精准称重测量，有助于验证货车是否存在超重问题，以及轮胎异常是否与重量超限有关。
优选地，步骤S44包括以下步骤：
当载重量评估数据大于预设的货车载重量阈值时，将载重量评估数据对应的车牌数据标记为异常车牌数据；当载重量评估数据不大于预设的货车载重量阈值时，将载重量评估数据对应的车牌数据标记为常规车牌数据。
本发明利用预设的货车载重量阈值对载重量评估数据进行比较，这个阈值是用于判断货车载重是否超出正常范围。当载重量评估数据大于预设的货车载重量阈值时，将载重量评估数据对应的车牌数据标记为异常车牌数据，表示货车载重可能超过了阈值，存在异常情况。当载重量评估数据不大于预设的货车载重量阈值时，将载重量评估数据对应的车牌数据标记为常规车牌数据，并将这些常规车牌数据反馈至终端，有助于区分正常运输的货车，减少不必要的干预和检查。实现了自动化的异常情况检测和标记，通过载重量评估数据与预设阈值，可以迅速识别出潜在问题，标记异常车辆，从而提高了监管效率有助于减轻监管压力，集中精力处理可能存在问题的货车，以确保货物运输的合规性和安全性，有助于提高监管工作的精度和效率，同时减少了对合规货车的不必要干扰。
优选地，步骤S5包括以下步骤：
步骤S51：获取超限运输规则数据；
步骤S52：利用超限运输规则数据对异常货车称重数据以及抽查货车称重数据进行称重违规货车重量数据提取，生成违规货车重量数据；
步骤S53：将违规货车重量数据对应的车牌数据进行数据标记，生成违规车牌数据；
步骤S54：将违规车牌数据传输至货运源头追溯引擎进行货运源头信息溯源，分别生成违规货运源头数据以及违规货车标签数据矩阵，将违规货运源头数据以及违规货车标签数据矩阵传输至终端进行超限源头溯源反馈。
本发明获取超限运输规则数据，这些规则包括了对货车载重量的限制，建立了衡量货车合规性的标准，确保了货物运输的安全和合法性。利用超限运输规则数据，对异常货车称重数据以及抽查货车称重数据进行判定，如果异常货车以及抽查货车的重量超过了规定限制，将该数据标记为违规货车重量数据；如果重量在规则范围内，将其标记为规范货车重量数据，并将这些规范货车重量数据反馈至终，准确识别超限货车，以便进一步的处理。将违规货车重量数据对应的异常车牌数据进行标记，生成违规车牌数据，有助于快速识别货车及其车牌是否存在违规行为。将违规车牌数据传输至货运源头追溯引擎，进行货运源头信息溯源，确定超限货车的起源和货运路径，生成违规货运源头数据以及违规货车标签数据矩阵，以便监管机构更好地了解违规货物的来源和运输历史，将生成的违规货运源头数据以及违规货车标签数据矩阵传输至终端，进行超限源头溯源反馈，有助于监管机构采取适当的措施，如罚款或处罚违规企业，以确保货物运输的合规性和安全性。
优选地，步骤S52包括以下步骤：
利用超限运输规则数据对异常货车称重数据进行称重规则判定，将不符合超限运输规则数据的异常货车称重数据标记为违规货车重量数据；将符合超限运输规则数据的异常货车称重数据标记为规范货车重量数据。
本发明利用预先设定的超限运输规则数据对异常货车称重数据进行严格的判定，这些规则可能包括对不同类型货车的最大载重量、轴重、车辆类别等方面的限制，通过将称重数据与这些规则进行比较，能够准确判断货车是否符合合规标准。当系统发现异常货车的称重数据不符合超限运输规则数据时，将该异常货车的称重数据标记为违规货车重量数据，有助于迅速识别违规货车，即那些超过规则规定的重量限制的货车，保障道路安全和运输公平性的重要一步。如果异常货车的称重数据符合超限运输规则数据的要求，系统将这些数据标记为规范货车重量数据，有助于确定货车在合规范围内运输，减少了不必要的监管干预。
本说明书中提供一种基于数据标签的超限源头溯源系统，用于执行如上述所述的基于数据标签的超限源头溯源方法，该基于数据标签的超限源头溯源系统包括：
货车信息采集模块，用于获取货车信息数据；根据预设的目标分析类别对货车信息数据进行目标货车信息数据提取，生成目标货车信息数据；根据目标货车信息数据建立多源异构数据矩阵；
源头追溯引擎构建模块，用于对货车信息数据进行货车车辆的车牌数据提取，生成车牌数据；利用车牌数据对多源异构数据矩阵进行多源异构数据矩阵的标签化处理，生成货车标签数据矩阵；获取治超管理系统的货运源头数据；根据车牌数据、治超管理系统的货运源头数据以及货车标签数据矩阵进行货运源头追溯的自动化引擎设计，生成货运源头追溯引擎；
货车关联数据分析模块，用于对货车车辆进行静态轮胎形变数据采集，生成静态轮胎形变数据；对货车车辆进行重量数据采集，生成货车重量数据；将静态轮胎形变数据与货车重量数据进行数据关联处理，生成轮胎形变-重量关联数据，并对轮胎形变-重量关联数据进行数据划分，生成个性化轮胎形变-重量关联数据；
货车重量分析模块，用于对货车车辆进行动态轮胎形变数据采集处理，生成动态轮胎形变数据；根据个性化轮胎形变-重量关联数据以及动态轮胎形变数据对车牌数据进行数据划分处理，分别生成异常车牌数据以及常规车牌数据；当常规车牌数据的货车车辆经过货车检测站点时，利用货车检测站点的称重设备对常规车牌数据的货车车辆进行抽查称重测量，生成抽查货车称重数据；当异常车牌数据的货车车辆经过货车检测站点时，利用货车检测站点的称重设备对异常车牌数据的货车车辆进行精准称重测量，生成异常货车称重数据；
超限源头溯源模块，用于对异常货车称重数据以及抽查货车称重数据进行称重违规货车重量数据提取，生成违规货车重量数据；将违规货车重量数据对应的车牌数据进行数据标记，生成违规车牌数据；将违规车牌数据传输至货运源头追溯引擎进行货运源头信息溯源，分别生成违规货运源头数据以及违规货车标签数据矩阵，将违规货运源头数据以及违规货车标签数据矩阵传输至终端进行超限源头溯源反馈。
本申请有益效果在于，本发明的基于数据标签的超限源头溯源方法通过自动检测车辆的轮胎形变，用于初步判定车辆是否存在异常，进一步对判定出异常的货车车辆进行称重测量来判断是否存在超限问题，有效且简便了对超限车辆的管理，并且对于超限的货车车辆进行自动化地溯源，节约了人力资源。
附图说明
图1为本发明一种基于数据标签的超限源头溯源方法的步骤流程示意图；
图2为图1中步骤S2的详细实施步骤流程示意图；
图3为图1中步骤S3的详细实施步骤流程示意图；
图4为图1中步骤S4的详细实施步骤流程示意图；
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
下面结合附图对本发明专利的技术方法进行清楚、完整的描述，显然，所描述的实施例是本发明的一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域所属的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。
此外，附图仅为本发明的示意性图解，并非一定是按比例绘制。图中相同的附图标记表示相同或类似的部分，因而将省略对它们的重复描述。附图中所示的一些方框图是功能实体，不一定必须与物理或逻辑上独立的实体相对应。可以采用软件形式来实现功能实体，或在一个或多个硬件模块或集成电路中实现这些功能实体，或在不同网络和/或处理器方法和/或微控制器方法中实现这些功能实体。
应当理解的是，虽然在这里可能使用了术语“第一”、“第二”等等来描述各个单元，但是这些单元不应当受这些术语限制。使用这些术语仅仅是为了将一个单元与另一个单元进行区分。举例来说，在不背离示例性实施例的范围的情况下，第一单元可以被称为第二单元，并且类似地第二单元可以被称为第一单元。这里所使用的术语“和/或”包括其中一个或更多所列出的相关联项目的任意和所有组合。
为实现上述目的，请参阅图1至图4，本发明提供一种基于数据标签的超限源头溯源方法，包括以下步骤：
步骤S1：获取货车信息数据；根据预设的目标分析类别对货车信息数据进行目标货车信息数据提取，生成目标货车信息数据；根据目标货车信息数据建立多源异构数据矩阵；
步骤S2：对货车信息数据进行货车车辆的车牌数据提取，生成车牌数据；利用车牌数据对多源异构数据矩阵进行多源异构数据矩阵的标签化处理，生成货车标签数据矩阵；获取治超管理系统的货运源头数据；根据车牌数据、治超管理系统的货运源头数据以及货车标签数据矩阵进行货运源头追溯的自动化引擎设计，生成货运源头追溯引擎；
步骤S3：对货车车辆进行静态轮胎形变数据采集，生成静态轮胎形变数据；对货车车辆进行重量数据采集，生成货车重量数据；将静态轮胎形变数据与货车重量数据进行数据关联处理，生成轮胎形变-重量关联数据，并对轮胎形变-重量关联数据进行数据划分，生成个性化轮胎形变-重量关联数据；
步骤S4：对货车车辆进行动态轮胎形变数据采集处理，生成动态轮胎形变数据；根据个性化轮胎形变-重量关联数据以及动态轮胎形变数据对车牌数据进行数据划分处理，分别生成异常车牌数据以及常规车牌数据；当常规车牌数据的货车车辆经过货车检测站点时，利用货车检测站点的称重设备对常规车牌数据的货车车辆进行抽查称重测量，生成抽查货车称重数据；当异常车牌数据的货车车辆经过货车检测站点时，利用货车检测站点的称重设备对异常车牌数据的货车车辆进行精准称重测量，生成异常货车称重数据；
步骤S5：对异常货车称重数据以及抽查货车称重数据进行称重违规货车重量数据提取，生成违规货车重量数据；将违规货车重量数据对应的车牌数据进行数据标记，生成违规车牌数据；将违规车牌数据传输至货运源头追溯引擎进行货运源头信息溯源，分别生成违规货运源头数据以及违规货车标签数据矩阵，将违规货运源头数据以及违规货车标签数据矩阵传输至终端进行超限源头溯源反馈。
本发明通过获取货车信息数据，能够实时监测货车的情况，便于观测货车是否满足道路交通规则，有助于提高道路交通安全，为后续步骤提供数据基础。根据预设的目标分析类别对数据进行提取和筛选，我们能够聚焦在感兴趣的货车信息上，从而减少了数据的冗余和复杂性，有助于提高数据处理的效率和精确性，生成目标货车信息数据并建立多源异构数据矩阵，将不同来源的数据整合到一个矩阵中，这样的整合有助于综合分析和跨源数据比较，从而提供了更全面的视角，有助于检测潜在的异常情况。建立了多源异构数据矩阵后，我们可以更容易地进行后续的数据处理和分析，包括车辆标签化、车牌数据提取以及其他相关操作，整合后的数据矩阵为后续步骤提供了坚实的基础，使得整个溯源过程更加高效和准确。车牌数据提取让我们能够精确地识别每辆货车，无论其它信息如何变化，这为后续的源头追溯提供了坚实的基础。使用车牌数据来标签化多源异构数据矩阵，将不同数据源的信息与特定货车关联，这个标签化处理有助于创建关联性更强的数据矩阵，从而更容易进行进一步的数据分析和处理。基于车牌数据、治超管理系统的货运源头数据以及货车标签数据矩阵的整合，设计货运源头追溯引擎，使得整个溯源过程能够自动化执行，包括了数据匹配、跟踪和追溯源头企业的功能。通过对货车进行静态轮胎形变和重量数据的采集，获得了与货车状态相关的重要信息，静态轮胎形变数据可以指示轮胎的受重量影响的形变状况，而货车重量数据提供了货车载重的信息，有助于货车状态的全面监测。将静态轮胎形变数据与货车重量数据进行关联处理，生成轮胎形变-重量关联数据，这种关联允许在货车状态与负载之间建立关联，提供了更深入的洞察力，例如可以用来检测是否存在不符合规定的重量超限情况，以及这些情况是否与轮胎形变有关。对轮胎形变-重量关联数据进行数据划分，生成个性化轮胎形变-重量关联数据，这种划分可以根据具体的需求进行，以识别不同货车类型的异常情况，例如可以根据不同的轮胎型号或车辆类型进行划分，以获得更精细的数据分析和监控。通过轮胎形变和重量数据的关联，可以检测到潜在的异常情况，这些异常情况可作为源头追溯的关键线索，有助于确定可能存在的问题货车和货运源头企业。通过对货车进行动态轮胎形变数据的采集，能够实时监测货车轮胎的状态，有助于及时发现轮胎异常情况，如轮胎爆胎或轮胎磨损不均。将动态轮胎形变数据与个性化轮胎形变-重量关联数据结合，进行轮胎形变程度等级的计算，这个等级可以帮助分类货车的轮胎状态，从正常到严重异常，提供了一种标准化的方法来评估货车的安全性。基于轮胎形变程度等级数据，可以提取出异常车牌数据，即那些轮胎状态可能存在问题的货车，为进一步监测和追溯的重要线索。当常规车牌数据的货车经过货车检测站点时，对这些货车进行货车抽查称重测量，有助于验证货车是否存在超重问题，抽查的方式降低车辆称重的等待数量。当异常车牌数据的货车经过货车检测站点时，对这些货车进行精准称重测量，有助于验证货车是否存在超重问题，以及轮胎异常是否与重量超限有关。基于异常货车称重数据，对异常车牌数据进行标记，准确定位哪些车辆存在违规行为，这个标记为后续的源头追溯提供了清晰的起点，使监管机构能够有针对性地处理问题车辆。将违规车牌数据传输至货运源头追溯引擎进行信息溯源，这个过程允许监管机构追踪货物的起源，包括货运源头企业，对于确定违规行为的责任方非常重要。通过追溯货运晕头企业，生成了违规货运源头数据，可以用来确定哪些企业涉及到了违规运输，从而采取适当的法律和监管措施，同时，生成了违规货车标签数据矩阵，用于更深入的分析和监测。这个矩阵允许监管机构进一步了解哪些车辆、车队或货车类型可能更容易违规，以便采取更有针对性的措施。将违规货运源头数据和违规货车标签数据矩阵传输至终端，使监管机构能够快速、准确地反馈超限源头追溯的结果，反馈有助于监管机构更好地执行其职责，确保货物运输在合规的条件下进行。
本发明实施例中，参考图1所述，为本发明一种基于数据标签的超限源头溯源方法的步骤流程示意图，在本实施例中，所述基于数据标签的超限源头溯源方法包括以下步骤：
步骤S1：获取货车信息数据；根据预设的目标分析类别对货车信息数据进行目标货车信息数据提取，生成目标货车信息数据；根据目标货车信息数据建立多源异构数据矩阵；
本发明实施例中，获取货车信息数据，可以从各种数据源获取，包括交通监控摄像头、车载传感器、GPS系统和交通管理中心等，这些数据源可以提供各种有关货车的信息，如车辆的位置、速度、外观特征和路况情况等。根据预设的目标分析类别，筛选并提取与我们研究目的相关的信息，可以通过数据过滤和分析实现，例如我们的目标是追踪超限货车，因此我们筛选出符合特定尺寸和载重标准的货车数据，通过分析摄像头捕获的图像和视频，可以识别货车的尺寸并检查其载重状态，或者，我们的目标是监测货车的速度违规行为，我们可以筛选出速度超过限速值的货车信息。一旦我们提取了目标货车信息数据，就可以将这些数据整合到多源异构数据矩阵中，以便更好地管理和分析数据，例如将从监控摄像头和GPS设备收集的数据整合到一个数据矩阵中，每一行代表一辆货车，每一列包含不同的数据字段，如车牌号、位置、速度、载重状态等，这样的数据矩阵有助于后续的分析和源头溯源。
步骤S2：对货车信息数据进行货车车辆的车牌数据提取，生成车牌数据；利用车牌数据对多源异构数据矩阵进行多源异构数据矩阵的标签化处理，生成货车标签数据矩阵；获取治超管理系统的货运源头数据；根据车牌数据、治超管理系统的货运源头数据以及货车标签数据矩阵进行货运源头追溯的自动化引擎设计，生成货运源头追溯引擎；
本发明实施例中，对货车信息数据中包含的车牌数据进行提取，生成车牌数据。利用车牌数据对多源异构数据矩阵进行多源异构数据矩阵的标签化处理，将提取的车牌数据作为数据的标签，将其与多源异构数据矩阵中的相应记录关联，这意味着每一行的数据记录都会被标记上与之关联的车牌号码，从而建立了数据之间的关联性。获取治超管理系统的货运源头数据，可以通过API或数据接口直接获取每个货运源头企业的运输记录和车辆相关信息，包括发货方、收货方、货物类型等，这些数据将用于后续的源头追溯。根据车牌数据、治超管理系统的货运源头数据以及货车标签数据矩阵进行货运源头追溯的自动化引擎设计，该引擎能够根据车牌数据，自动关联货车标签数据矩阵中的信息，同时结合治超管理系统的货运源头数据，以确定货物的源头，生成货运源头追溯引擎，能够快速准确地追溯货物的来源，还可以与监管机构的数据库进行集成，以实现实时的数据查询和源头追溯，当异常情况出现时，引擎能够立即识别，并触发警报或采取必要的行动。
步骤S3：对货车车辆进行静态轮胎形变数据采集，生成静态轮胎形变数据；对货车车辆进行重量数据采集，生成货车重量数据；将静态轮胎形变数据与货车重量数据进行数据关联处理，生成轮胎形变-重量关联数据，并对轮胎形变-重量关联数据进行数据划分，生成个性化轮胎形变-重量关联数据；
本发明实施例中，使用激光测距仪和摄像设备对货车的静态轮胎进行拍摄和测量，通过比较轮胎在负载前后的形状差异，我们可以计算出静态轮胎形变数据，包括凹陷程度、轮胎的变形情况等。使用地磅或称重仪器，当货车停在上面时，测量货车的总重量。这些数据可以准确反映出货车的负载情况，如果货车已经装备了称重传感器，可以实时获取重量数据，以监测货车的负载状态。将静态轮胎形变数据与同一时间和地点获取的货车重量数据关联，建立轮胎形变与重量之间的关系，这些数据关联可以通过时间戳和地理位置信息进行匹配，如果有多辆货车的数据，可以将每辆货车的轮胎形变和重量数据进行对应，以建立更全面的数据关联。根据每个不同车型的车辆将轮胎形变-重量关联数据进行数据划分，以此得到每个不同车型对应的轮胎形变-重量关联数据。
步骤S4：对货车车辆进行动态轮胎形变数据采集处理，生成动态轮胎形变数据；根据个性化轮胎形变-重量关联数据以及动态轮胎形变数据对车牌数据进行数据划分处理，分别生成异常车牌数据以及常规车牌数据；当常规车牌数据的货车车辆经过货车检测站点时，利用货车检测站点的称重设备对常规车牌数据的货车车辆进行抽查称重测量，生成抽查货车称重数据；当异常车牌数据的货车车辆经过货车检测站点时，利用货车检测站点的称重设备对异常车牌数据的货车车辆进行精准称重测量，生成异常货车称重数据；
本发明实施例中，对货车车辆进行动态轮胎形变数据采集处理，使用激光传感器或摄像设备来连续监测货车行驶过程中轮胎的形变情况，通过实时采集轮胎的动态形变数据，包括轮胎的扭曲、压缩等变化，我们可以生成动态轮胎形变数据。对动态轮胎形变数据以及个性化轮胎形变-重量关联数据进行货车载重量评估，如相同的轮胎形变量，监控摄像头采集到的货车的对应的轮胎形变程度更大，则预估的货车载重可能存在超重行为。根据动态轮胎形变数据对车牌数据进行异常车牌数据提取处理，如货车的载重评估数据超过设定的阈值，则对应的车辆可能存在着超重行为，进而提取出与这些异常货车相关的车牌数据，这些车牌数据即为异常车牌数据。当常规车辆通过货车检测站点时，我们可以使用高精度的地磅或称重仪器对这些车辆进行抽查称重，可以获得抽查的货车车辆的准确重量数据，当异常车辆通过货车检测站点时，我们可以使用高精度的地磅或称重仪器对这些车辆进行精准称重，可以获得异常货车的准确重量数据。
步骤S5：对异常货车称重数据以及抽查货车称重数据进行称重违规货车重量数据提取，生成违规货车重量数据；将违规货车重量数据对应的车牌数据进行数据标记，生成违规车牌数据；将违规车牌数据传输至货运源头追溯引擎进行货运源头信息溯源，分别生成违规货运源头数据以及违规货车标签数据矩阵，将违规货运源头数据以及违规货车标签数据矩阵传输至终端进行超限源头溯源反馈。
本发明实施例中，根据超限规则和标准对异常货车称重数据以及抽查货车称重数据进行称重违规货车重量数据，对异常货车称重数据进行分析，如果货车的实际重量超过了规定的超限重量，将其视为超限，标记与这些超限货车相关的车牌数据为违规车牌数据。将违规车牌数据传输至货运源头追溯引擎，该引擎会根据这些车牌数据和相应的异常货车信息，追溯到超限货物的起始点，即货运源头企业，这个过程包括对货物的物流路径、运输记录和相关企业的检查，将违规车牌数据与货运源头企业的记录进行匹配，以确定超限货物的来源，同时，也会生成一个包含违规货车标签数据的矩阵，以便后续的数据分析和监管。违规货运源头数据和违规货车标签数据矩阵会被传输至终端设备，供相关部门或运输监管机构进行超限源头溯源反馈，帮助监管机构采取必要的措施，例如对货运源头企业进行调查或制定更严格的运输规则，提供实时的超限源头溯源信息，以便及时干预和监管，有助于提高道路运输的安全性和合规性，减少超限货物对道路和桥梁的损害，维护交通秩序。
优选地，步骤S1包括以下步骤：
步骤S11：获取货车信息数据；
步骤S12：根据预设的目标分析类别对货车信息数据进行目标货车信息数据提取，生成目标货车信息数据；
步骤S13：根据目标货车信息数据的数据格式建立多源异构数据矩阵框架，并利用目标货车信息数据对多源异构数据矩阵框架进行数据填充，生成多源异构数据矩阵。
本发明将大量的货车信息数据收集到一个中央数据存储中，为后续的源头追溯提供了广泛的数据资源，这包括货车车辆的运输历史、行驶轨迹、车型信息等，提供了全面的数据基础，以支持货物监管和源头追溯。根据预设的目标分析类别对货车信息数据进行提取，将注意力集中在特定的货车子集上，有助于提高数据处理效率，减少冗余信息的干扰。建立多源异构数据矩阵框架的效果在于创造了一个数据集成的基础架构，这个矩阵框架能够容纳不同来源的数据，包括车辆特征、GPS位置、时间戳等信息，并且通过目标货车信息数据的填充，确保了数据的一致性和可比性，可以更轻松地跨源进行数据分析、检测异常情况，并实施源头追溯。
本发明实施例中，首先获取了包括货车运输信息的原始数据，这些数据可以来自不同的数据源，如交通摄像头、物流公司记录、运输监测系统等，这些数据包括货车的位置、速度、时间戳、运输路线等信息。根据预设的目标分析类别，筛选并提取与我们研究目的相关的信息，可以通过数据过滤和分析实现，例如我们的目标是追踪超限货车，因此我们筛选出符合特定尺寸和载重标准的货车数据，通过分析摄像头捕获的图像和视频，可以识别货车的尺寸并检查其载重状态，或者，我们的目标是监测货车的速度违规行为，我们可以筛选出速度超过限速值的货车信息。创建了一个多源异构数据矩阵框架，该框架可以容纳各种类型的数据，并且具有一致的数据格式，例如可以将货车的唯一标识作为矩阵的行索引，将时间作为列索引，以便将不同时间点的数据进行对应，接着将目标货车信息数据按照格式填充到矩阵中的相应位置，这可能包括填充货车的位置、速度等信息，从而生成了一个多源异构数据矩阵，其中包含了货车信息的结构化数据，方便后续的数据处理和分析。
优选地，步骤S2包括以下步骤：
步骤S21：对货车信息数据进行货车车辆的车牌数据提取，生成车牌数据；
步骤S22：利用车牌数据作为多源异构数据矩阵的数据标签进行多源异构数据矩阵的标签化处理，从而生成货车标签数据矩阵；
步骤S23：获取治超管理系统的货运源头数据；
步骤S24：根据车牌数据对治超管理系统的货运源头数据进行数据关联，生成货运源头-车牌关联数据；
步骤S25：根据货运源头-车牌关联数据以及货车标签数据矩阵进行货运源头追溯的自动化引擎设计，生成货运源头追溯引擎。
本发明从货车信息数据中提取车牌数据，我们获得了货车的唯一标识符，为每辆货车建立了独特的身份，确保了数据关联的准确性和唯一性。通过将车牌数据用作多源异构数据矩阵的数据标签，为不同来源的数据建立了关联，有助于数据整合和跨源数据比较，提供了更全面的视角，有助于检测潜在的异常情况。获取治超管理系统的货运源头数据的效果在于可以确定货物的起始点以及货车对应的企业，对于源头追溯非常关键，帮助监管机构了解货物的初始来源和运输路径。将车牌数据与治超管理系统的货运源头数据关联，生成了货运源头-车牌关联数据，这个关联数据允将特定的货车与其所属的源头企业联系起来，为源头追溯提供了关键线索。基于车牌数据、货运源头-车牌关联数据以及货车标签数据矩阵，设计自动化的货运源头追溯引擎，这个引擎的效果在于能够快速、准确地追溯货物的起源和运输历史，为监管机构提供了有力的工具来监督货物流通并确保合规性。
作为本发明的一个实例，参考图2所示，为图1中步骤S2的详细实施步骤流程示意图，在本实例中所述步骤S2包括：
步骤S21：对货车信息数据进行货车车辆的车牌数据提取，生成车牌数据；
本发明实施例中，对货车信息数据中包含的车牌数据进行提取，生成车牌数据
步骤S22：利用车牌数据作为多源异构数据矩阵的数据标签进行多源异构数据矩阵的标签化处理，从而生成货车标签数据矩阵；
本发明实施例中，将提取的车牌数据作为标签，与多源异构数据矩阵中的对应货车信息数据关联起来，实现数据的标签化。例如，如果某辆货车的车牌号是"ABC123"，我们将在多源异构数据矩阵中相关的数据点标记为"ABC123"，以示这些数据与该辆货车相关联，从而生成了一个货车标签数据矩阵，其中包含了与每辆货车相关的数据。
步骤S23：获取治超管理系统的货运源头数据；
本发明实施例中，获取治超管理系统的货运源头数据，可以通过API或数据接口直接获取每个货运源头企业的运输记录和车辆相关信息，包括发货方、收货方、货物类型等，这些数据将用于后续的源头追溯
步骤S24：根据车牌数据对治超管理系统的货运源头数据进行数据关联，生成货运源头-车牌关联数据；
本发明实施例中，使用车牌数据将治超管理系统的货运源头数据与货车信息数据进行关联。例如，可以通过车牌号将特定的货车关联到特定的货运源头企业，生成货运源头-车牌关联数据，它记录了每辆货车与其货运源头企业之间的关系。
步骤S25：根据货运源头-车牌关联数据以及货车标签数据矩阵进行货运源头追溯的自动化引擎设计，生成货运源头追溯引擎。
本发明实施例中，设计一个自动化引擎，该引擎利用货运源头-车牌关联数据以及货车标签数据矩阵来实现货运源头的追溯，这个引擎可以根据车牌号追溯货物的起始点，同时也可以根据车牌号检查与货运源头企业相关的信息，以确保货物的合法性，有助于实现货运源头的精确追踪和监管。
优选地，步骤S25包括以下步骤：
步骤S251：将货运源头-车牌关联数据以及货车标签数据矩阵进行数据整合，生成货运关联数据；
步骤S252：根据货运关联数据进行货运源头追溯的自动化引擎设计，生成货运源头追溯引擎。
本发明将车牌数据作为数据序列，将货运源头-车牌关联数据和货车标签数据矩阵进行整合，生成了货运关联数据，将不同来源的数据有机地结合在一起，形成一个完整的数据集，其中包括车辆标识、源头企业信息以及其他相关数据，有助于实现全面的货物追溯。基于整合后的货运关联数据，设计自动化的货运源头追溯引擎，这个引擎的效果在于能够高效地分析和追溯货物的运输历史和源头信息，可以识别货物的初始来源、经过的中间点、交易记录等，为监管机构提供详尽的信息，以便监控货物运输的完整路径。
本发明实施例中，以车牌数据为关键连接点，将不同数据源的信息整合在一起，生成一种称为"货运关联数据"的新数据结构，这个数据结构将包含与每个车牌号相关联的信息，其中包括货运源头-车牌关联数据和货车标签数据矩阵，例如对于车牌号“ABC123”，我们将整合所有与该车牌号相关的数据，包括它与货运源头企业的关联以及其在货车标签数据矩阵中的标签信息。基于生成的货运关联数据设计了一个自动化引擎，这个引擎将有助于实现货运源头的精确追溯，引擎的设计考虑了搜索节点，并通过识别搜索节点反馈对应的相关信息，如通过货运源头追溯引擎查询车牌号“ABC123”，则反馈车牌号“ABC123”的相关信息及源头企业信息，可以通过它来查找与货运源头企业的关联以及货车标签数据矩阵中的标签信息，并且这个引擎可以根据不同的查询需求，比如根据车牌号查询源头企业或货车标签信息，以及根据源头企业查询相关车牌号等，从而提供了多种追溯方式，引擎的设计有助于实现货运源头的高效追踪和监管，以确保货物的合法性和安全性。
优选地，步骤S3包括以下步骤：
步骤S31：利用摄像设备对货车车辆进行静态轮胎图像数据采集，生成静态轮胎图像数据；
步骤S32：对静态轮胎图像数据进行静态轮胎形变数据计算，生成静态轮胎形变数据；
步骤S33：利用称重设备对货车车辆进行重量数据采集，生成货车重量数据；
步骤S33：将静态轮胎形变数据与货车重量数据进行数据关联处理，生成轮胎形变-重量关联数据；
步骤S34：对货车标签数据矩阵进行货车类型数据提取，生成货车类型数据；
步骤S35：根据货车类型数据对轮胎形变-重量关联数据进行数据划分，生成个性化轮胎形变-重量关联数据。
本发明通过摄像设备对货车车辆进行静态轮胎图像数据的采集，实现了对轮胎状态的实时监测，获得轮胎的视觉信息，有助于检测轮胎的异常凹陷形态。基于静态轮胎图像数据，计算静态轮胎形变数据，反映了轮胎的形态变化，有助于检测是否存在异常的轮胎形变情况，如根据货车重量使轮胎凹陷的程度。通过称重设备对货车进行重量数据的采集，获得了货车的实际重量信息，对于检测货车是否超载或违反重量规定至关重要。将静态轮胎形变数据与货车重量数据进行关联处理，生成轮胎形变-重量关联数据，将轮胎状态与货车重量相关联，有助于更全面地监测货车的健康状态。从货车标签数据矩阵中提取货车类型数据。这个信息用于区分不同类型的货车，例如卡车、集装箱车等，以便更精确地分析数据和监测货车类型对轮胎形变和重量的影响。根据货车类型数据对轮胎形变-重量关联数据进行数据划分，生成个性化的数据，能够针对不同类型的货车实施个性化的监测和分析，更准确地检测异常情况。
作为本发明的一个实例，参考图3所示，为图1中步骤S3的详细实施步骤流程示意图，在本实例中所述步骤S3包括：
步骤S31：利用摄像设备对货车车辆进行静态轮胎图像数据采集，生成静态轮胎图像数据；
本发明实施例中，使用专门设计的摄像设备，例如高分辨率摄像头，对货车车辆的轮胎进行拍摄和数据采集，这些图像数据捕获了货车轮胎的静态状态，包括轮胎的外观和形状。
步骤S32：对静态轮胎图像数据进行静态轮胎形变数据计算，生成静态轮胎形变数据；
本发明实施例中，利用计算机视觉技术和图像处理算法对静态轮胎图像数据进行分析，通过比对轮胎的实际形状和理想形状，计算出轮胎的静态形变数据，包括轮胎的轮廓偏差、凹陷度等信息。
步骤S33：利用称重设备对货车车辆进行重量数据采集，生成货车重量数据；
本发明实施例中，使用称重设备对货车车辆进行重量测量，这些称重设备可以安装在地面上或驶过的道路上，以捕获货车的重量数据，包括整车重量和各轴的重量分布。
步骤S33：将静态轮胎形变数据与货车重量数据进行数据关联处理，生成轮胎形变-重量关联数据；
本发明实施例中，将静态轮胎形变数据和货车重量数据关联起来，我们可以建立轮胎形变与货车重量之间的关联关系，这些数据关联可以帮助我们了解不同轮胎形变情况下货车的重量表现，并检测是否存在异常情况。
步骤S34：对货车标签数据矩阵进行货车类型数据提取，生成货车类型数据；
本发明实施例中，从货车标签数据矩阵中提取有关货车类型的信息，可以包括货车的车型、载重量等标识。
步骤S35：根据货车类型数据对轮胎形变-重量关联数据进行数据划分，生成个性化轮胎形变-重量关联数据。
本发明实施例中，根据货车类型数据将轮胎形变-重量关联数据进行划分，生成不同车型的轮胎形变-重量关联数据，有助于将不同类型的货车进行分类和比较，以便进一步的分析和监测。
优选地，步骤S4包括以下步骤：
步骤S41：利用交通系统中的电子监控设备对货车车辆进行动态轮胎图像数据采集，生成动态轮胎图像数据；
步骤S42：对动态轮胎图像数据进行动态轮胎形变数据计算处理，生成动态轮胎形变数据；
步骤S43：根据个性化轮胎形变-重量关联数据以及动态轮胎形变数据进行载重量评估分析，生成载重量评估数据；
步骤S44：根据载重量评估数据对车牌数据进行数据划分处理，分别生成异常车牌数据以及常规车牌数据；
步骤S45：当常规车牌数据的货车车辆经过货车检测站点时，利用货车检测站点的称重设备对常规车牌数据的货车车辆进行抽查称重测量，生成抽查货车称重数据；
步骤S46：当异常车牌数据的货车车辆经过货车检测站点时，利用货车检测站点的称重设备对异常车牌数据的货车车辆进行精准称重测量，生成异常货车称重数据。
本发明通过运输途中的电子监控设备，实现对货车车辆动态轮胎图像数据的采集，实时监测轮胎的状态，捕捉轮胎在运输过程中的变化，以及可能的异常情况，如爆胎或磨损不均。基于动态轮胎图像数据，计算动态轮胎形变数据，反映了轮胎形态和变化的实时情况，有助于根据轮胎形变预估汽车的载货重量。通过个性化轮胎形变-重量关联数据以及动态轮胎形变数据进行载重量评估分析，可以根据轮胎大致分析出每辆货车在载货物是否会出现异常行为，以用于判定是否要专门对车辆进行称重测试，可以更精确对货车进行超限评估。根据载重量评估数据，将车牌数据进行数据划分，有助于提取出异常车牌数据，即那些轮胎状态可能存在问题的货车，常规车牌数据反馈至终端，以区分正常运输的货车。当常规车牌数据的货车车辆经过货车检测站点时，利用货车检测站点的称重设备对常规车牌数据的货车车辆进行抽查称重测量，有助于验证货车是否存在超重问题，并且通过抽查方式随机测量称重货车车辆，节约了称重设备用于称重货车车辆称重的占有率。当异常车牌数据的货车车辆经过货车检测站点时，对这些货车进行精准称重测量，有助于验证货车是否存在超重问题，以及轮胎异常是否与重量超限有关。
作为本发明的一个实例，参考图4所示，为图1中步骤S4的详细实施步骤流程示意图，在本实例中所述步骤S4包括：
步骤S41：利用交通系统中的电子监控设备对货车车辆进行动态轮胎图像数据采集，生成动态轮胎图像数据；
本发明实施例中，利用交通系统中的电子监控设备在运输途中对货车的轮胎进行连续的拍摄和数据采集，这些设备可以包括高速路上和公路上的摄像头，以捕获轮胎在行驶过程中的实时状态和动态变化。
步骤S42：对动态轮胎图像数据进行动态轮胎形变数据计算处理，生成动态轮胎形变数据；
本发明实施例中，对动态轮胎图像数据的分析和处理，我们能够计算出轮胎在运输过程中的动态形变情况。这些数据包括轮胎的形状变化、轮胎表面的凹陷程度变化等，可以反映出轮胎在不同路况和负载下的性能表现。
步骤S43：根据个性化轮胎形变-重量关联数据以及动态轮胎形变数据进行载重量评估分析，生成载重量评估数据；
本发明实施例中，根据个性化轮胎形变-重量关联数据以及动态轮胎形变数据进行载重量评估分析，可以根据轮胎形变程度预估货车运行时的载重重量，如通过动态轮胎形变数据的形变数据对比个性化轮胎形变-重量关联数据得到的载重量评估数据大于货车限定载重，则可能判断运行过程中出现超载。
步骤S44：根据载重量评估数据对车牌数据进行数据划分处理，分别生成异常车牌数据以及常规车牌数据；
本发明实施例中，根据载重量评估数据对车牌数据进行分类处理，如果某辆货车的载重量评估数据超过预设阈值，我们将其标记为异常车牌数据。反之，将其标记为常规车牌数据，以供进一步的监测和分析。
步骤S45：当常规车牌数据的货车车辆经过货车检测站点时，利用货车检测站点的称重设备对常规车牌数据的货车车辆进行抽查称重测量，生成抽查货车称重数据；
本发明实施例中，当常规车牌数据的货车车辆经过货车检测站点时，利用货车检测站点的称重设备对常规车牌数据的货车车辆其进行抽查的称重测量，这可以通过安装在货车检测站点的称重设备来实现，以获取其中一些常规货车的准确重量数据，这些数据对于超限源头的监测和溯源非常重要。
步骤S46：当异常车牌数据的货车车辆经过货车检测站点时，利用货车检测站点的称重设备对异常车牌数据的货车车辆进行精准称重测量，生成异常货车称重数据。
本发明实施例中，当异常车牌数据的货车经过货车检测站点时，利用货车检测站点的称重设备对异常车牌数据的货车车辆其进行精准的称重测量，这可以通过安装在货车检测站点的称重设备来实现，以获取异常货车的准确重量数据，这些数据对于超限源头的监测和溯源非常重要。
优选地，步骤S44包括以下步骤：
当载重量评估数据大于预设的货车载重量阈值时，将载重量评估数据对应的车牌数据标记为异常车牌数据；当载重量评估数据不大于预设的货车载重量阈值时，将载重量评估数据对应的车牌数据标记为常规车牌数据。
本发明利用预设的货车载重量阈值对载重量评估数据进行比较，这个阈值是用于评估货车载重是否超出正常范围。当载重量评估数据大于预设的货车载重量阈值时，将载重量评估数据对应的车牌数据标记为异常车牌数据，表示货车存在异常载货情况。当载重量评估数据不大于预设的货车载重量阈值时，将载重量评估数据对应的车牌数据标记为常规车牌数据，并将这些常规车牌数据反馈至终端，有助于区分正常运输的货车，减少不必要的干预和检查。实现了自动化的异常情况检测和标记，通过比较货车的载重量评估数据与预设阈值，可以迅速识别出潜在问题，标记异常车辆，从而提高了监管效率有助于减轻监管压力，集中精力处理可能存在问题的货车，同时减少了对合规货车的不必要干扰。
本发明实施例中，首先确定了一个预设的轮胎形变程度变化阈值，这个阈值根据实际需求和数据统计以及专家结论得出，将每辆货车的轮胎形变程度等级数据与这个阈值进行比较。如果某辆货车的轮胎形变程度等级数据超过了预设的阈值，将这辆货车的车牌数据标记为异常车牌数据，表示该货车的轮胎形变情况异常，可能存在安全隐患或超限情况，需要进一步检测和处理。如果某辆货车的轮胎形变程度等级数据未超过预设的阈值，我们将其车牌数据标记为常规车牌数据，表示货车的轮胎形变情况在安全范围内，不需要特别处理，将这些常规车牌数据反馈至终端，以便进一步的记录和监测。
优选地，步骤S5包括以下步骤：
步骤S51：获取超限运输规则数据；
步骤S52：利用超限运输规则数据对异常货车称重数据以及抽查货车称重数据进行称重违规货车重量数据提取，生成违规货车重量数据；
步骤S53：将违规货车重量数据对应的车牌数据进行数据标记，生成违规车牌数据；
步骤S54：将违规车牌数据传输至货运源头追溯引擎进行货运源头信息溯源，分别生成违规货运源头数据以及违规货车标签数据矩阵，将违规货运源头数据以及违规货车标签数据矩阵传输至终端进行超限源头溯源反馈。
本发明获取超限运输规则数据，这些规则包括了对货车载重量的限制，建立了衡量货车合规性的标准，确保了货物运输的安全和合法性。利用超限运输规则数据，对异常货车称重数据以及抽查货车称重数据进行判定，如果异常货车以及抽查货车的重量超过了规定限制，将该数据标记为违规货车重量数据；如果重量在规则范围内，将其标记为规范货车重量数据，并将这些规范货车重量数据反馈至终，准确识别超限货车，以便进一步的处理。将违规货车重量数据对应的异常车牌数据进行标记，生成违规车牌数据，有助于快速识别货车及其车牌是否存在违规行为。将违规车牌数据传输至货运源头追溯引擎，进行货运源头信息溯源，确定超限货车的起源和货运路径，生成违规货运源头数据以及违规货车标签数据矩阵，以便监管机构更好地了解违规货物的来源和运输历史，将生成的违规货运源头数据以及违规货车标签数据矩阵传输至终端，进行超限源头溯源反馈，有助于监管机构采取适当的措施，如罚款或处罚违规企业，以确保货物运输的合规性和安全性。
本发明实施例中，收集了各种超限运输规则的数据，这些规则包括了货车在不同道路和地区的最大允许重量、尺寸和载荷等方面的限制，这些规则可以从交通管理部门、法规文件或相关数据库中获取。将已经采集到的异常货车称重数据以及抽查货车称重数据与收集的超限运输规则数据进行比对，对于每辆异常货车，根据其称重数据和适用的超限规则进行判定。如果某辆货车的重量超出了适用的超限规则限制，将其称为违规货车重量数据，并标记相关信息，如果货车的重量在规定范围内，将其称为规范货车重量数据，并将这些数据反馈至终端，以供监管和记录。对于那些被判定为违规的货车，我们将其车牌数据与异常车牌数据进行关联，并将这些车牌数据标记为违规车牌数据，有助于后续的监测和溯源。对于违规车牌数据，将其传输至货运源头追溯引擎，以进行进一步的溯源和调查，包括查明违规货运的起始点和相关的运输企业，通过货运源头追溯引擎，可以分别生成违规货运源头数据和违规货车标签数据矩阵，这些数据可用于追溯货物的来源和运输路径，以及相关企业的责任，将这些数据传输至终端，以进行超限源头溯源反馈，帮助监管部门采取必要的措施和改进货物运输安全与合规性。
优选地，步骤S52包括以下步骤：
利用超限运输规则数据对异常货车称重数据进行称重规则判定，将不符合超限运输规则数据的异常货车称重数据标记为违规货车重量数据；将符合超限运输规则数据的异常货车称重数据标记为规范货车重量数据。
本发明利用预先设定的超限运输规则数据对异常货车称重数据进行严格的判定，这些规则可能包括对不同类型货车的最大载重量、轴重、车辆类别等方面的限制，通过将称重数据与这些规则进行比较，能够准确判断货车是否符合合规标准。当系统发现异常货车的称重数据不符合超限运输规则数据时，将该异常货车的称重数据标记为违规货车重量数据，有助于迅速识别违规货车，即那些超过规则规定的重量限制的货车，保障道路安全和运输公平性的重要一步。如果异常货车的称重数据符合超限运输规则数据的要求，系统将这些数据标记为规范货车重量数据，有助于确定货车在合规范围内运输，减少了不必要的监管干预。
本发明实施例中，将已经采集到的异常货车称重数据与超限运输规则数据进行匹配。这意味着需要比对每辆异常货车的各项数据，如重量、尺寸等，与适用的规则数据。对于每辆异常货车，会根据匹配的规则数据来判定其是否违反了超限运输规则，例如货车的总重量超出了规则中规定的最大允许重量，将其标记为违规货车重量数据，反之，如果货车的重量在规定范围内，将其标记为规范货车重量数据。在判定完成后，会对每辆异常货车的称重数据进行相应的标记，以指示其是否符合规定，同时，会记录这些数据，以备后续监管和溯源之用。
本说明书中提供一种基于数据标签的超限源头溯源系统，用于执行如上述所述的基于数据标签的超限源头溯源方法，该基于数据标签的超限源头溯源系统包括：
货车信息采集模块，用于获取货车信息数据；根据预设的目标分析类别对货车信息数据进行目标货车信息数据提取，生成目标货车信息数据；根据目标货车信息数据建立多源异构数据矩阵；
源头追溯引擎构建模块，用于对货车信息数据进行货车车辆的车牌数据提取，生成车牌数据；利用车牌数据对多源异构数据矩阵进行多源异构数据矩阵的标签化处理，生成货车标签数据矩阵；获取治超管理系统的货运源头数据；根据车牌数据、治超管理系统的货运源头数据以及货车标签数据矩阵进行货运源头追溯的自动化引擎设计，生成货运源头追溯引擎；
货车关联数据分析模块，用于对货车车辆进行静态轮胎形变数据采集，生成静态轮胎形变数据；对货车车辆进行重量数据采集，生成货车重量数据；将静态轮胎形变数据与货车重量数据进行数据关联处理，生成轮胎形变-重量关联数据，并对轮胎形变-重量关联数据进行数据划分，生成个性化轮胎形变-重量关联数据；
货车重量分析模块，用于对货车车辆进行动态轮胎形变数据采集处理，生成动态轮胎形变数据；根据个性化轮胎形变-重量关联数据以及动态轮胎形变数据对车牌数据进行数据划分处理，分别生成异常车牌数据以及常规车牌数据；当常规车牌数据的货车车辆经过货车检测站点时，利用货车检测站点的称重设备对常规车牌数据的货车车辆进行抽查称重测量，生成抽查货车称重数据；当异常车牌数据的货车车辆经过货车检测站点时，利用货车检测站点的称重设备对异常车牌数据的货车车辆进行精准称重测量，生成异常货车称重数据；
超限源头溯源模块，用于对异常货车称重数据以及抽查货车称重数据进行称重违规货车重量数据提取，生成违规货车重量数据；将违规货车重量数据对应的车牌数据进行数据标记，生成违规车牌数据；将违规车牌数据传输至货运源头追溯引擎进行货运源头信息溯源，分别生成违规货运源头数据以及违规货车标签数据矩阵，将违规货运源头数据以及违规货车标签数据矩阵传输至终端进行超限源头溯源反馈。
本申请有益效果在于，本发明的基于数据标签的超限源头溯源方法通过自动检测车辆的轮胎形变，用于初步判定车辆是否存在异常，进一步对判定出异常的货车车辆进行称重测量来判断是否存在超限问题，有效且简便了对超限车辆的管理，并且对于超限的货车车辆进行自动化地溯源，节约了人力资源。
因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在申请文件的等同要件的含义和范围内的所有变化涵括在本发明内。
以上所述仅是本发明的具体实施方式，使本领域技术人员能够理解或实现本发明。对这些实施例的多种修改对本领域的技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所发明的原理和新颖特点相一致的最宽的范围。
Claims (10)
1.一种基于数据标签的超限源头溯源方法，其特征在于，包括以下步骤：
步骤S1：获取货车信息数据；根据预设的目标分析类别对货车信息数据进行目标货车信息数据提取，生成目标货车信息数据；根据目标货车信息数据建立多源异构数据矩阵；
步骤S2：对货车信息数据进行货车车辆的车牌数据提取，生成车牌数据；利用车牌数据对多源异构数据矩阵进行多源异构数据矩阵的标签化处理，生成货车标签数据矩阵；获取治超管理系统的货运源头数据；根据车牌数据、治超管理系统的货运源头数据以及货车标签数据矩阵进行货运源头追溯的自动化引擎设计，生成货运源头追溯引擎；
步骤S3：对货车车辆进行静态轮胎形变数据采集，生成静态轮胎形变数据；对货车车辆进行重量数据采集，生成货车重量数据；将静态轮胎形变数据与货车重量数据进行数据关联处理，生成轮胎形变-重量关联数据，并对轮胎形变-重量关联数据进行数据划分，生成个性化轮胎形变-重量关联数据；
步骤S4：对货车车辆进行动态轮胎形变数据采集处理，生成动态轮胎形变数据；根据个性化轮胎形变-重量关联数据以及动态轮胎形变数据对车牌数据进行数据划分处理，分别生成异常车牌数据以及常规车牌数据；当常规车牌数据的货车车辆经过货车检测站点时，利用货车检测站点的称重设备对常规车牌数据的货车车辆进行抽查称重测量，生成抽查货车称重数据；当异常车牌数据的货车车辆经过货车检测站点时，利用货车检测站点的称重设备对异常车牌数据的货车车辆进行精准称重测量，生成异常货车称重数据；
步骤S5：对异常货车称重数据以及抽查货车称重数据进行称重违规货车重量数据提取，生成违规货车重量数据；将违规货车重量数据对应的车牌数据进行数据标记，生成违规车牌数据；将违规车牌数据传输至货运源头追溯引擎进行货运源头信息溯源，分别生成违规货运源头数据以及违规货车标签数据矩阵，将违规货运源头数据以及违规货车标签数据矩阵传输至终端进行超限源头溯源反馈。
2.根据权利要求1所述的基于数据标签的超限源头溯源方法，其特征在于，步骤S1包括以下步骤：
步骤S11：获取货车信息数据；
步骤S12：根据预设的目标分析类别对货车信息数据进行目标货车信息数据提取，生成目标货车信息数据；
步骤S13：根据目标货车信息数据的数据格式建立多源异构数据矩阵框架，并利用目标货车信息数据对多源异构数据矩阵框架进行数据填充，生成多源异构数据矩阵。
3.根据权利要求2所述的基于数据标签的超限源头溯源方法，其特征在于，步骤S2包括以下步骤：
步骤S21：对货车信息数据进行货车车辆的车牌数据提取，生成车牌数据；
步骤S22：利用车牌数据作为多源异构数据矩阵的数据标签进行多源异构数据矩阵的标签化处理，从而生成货车标签数据矩阵；
步骤S23：获取治超管理系统的货运源头数据；
步骤S24：根据车牌数据对治超管理系统的货运源头数据进行数据关联，生成货运源头-车牌关联数据；
步骤S25：根据货运源头-车牌关联数据以及货车标签数据矩阵进行货运源头追溯的自动化引擎设计，生成货运源头追溯引擎。
4.根据权利要求3所述的基于数据标签的超限源头溯源方法，其特征在于，步骤S25包括以下步骤：
步骤S251：将货运源头-车牌关联数据以及货车标签数据矩阵进行数据整合，生成货运关联数据；
步骤S252：根据货运关联数据进行货运源头追溯的自动化引擎设计，生成货运源头追溯引擎。
5.根据权利要求1所述的基于数据标签的超限源头溯源方法，其特征在于，步骤S3包括以下步骤：
步骤S31：利用摄像设备对货车车辆进行静态轮胎图像数据采集，生成静态轮胎图像数据；
步骤S32：对静态轮胎图像数据进行静态轮胎形变数据计算，生成静态轮胎形变数据；
步骤S33：利用称重设备对货车车辆进行重量数据采集，生成货车重量数据；
步骤S33：将静态轮胎形变数据与货车重量数据进行数据关联处理，生成轮胎形变-重量关联数据；
步骤S34：对货车标签数据矩阵进行货车类型数据提取，生成货车类型数据；
步骤S35：根据货车类型数据对轮胎形变-重量关联数据进行数据划分，生成个性化轮胎形变-重量关联数据。
6.根据权利要求1所述的基于数据标签的超限源头溯源方法，其特征在于，步骤S4包括以下步骤：
步骤S41：利用交通系统中的电子监控设备对货车车辆进行动态轮胎图像数据采集，生成动态轮胎图像数据；
步骤S42：对动态轮胎图像数据进行动态轮胎形变数据计算处理，生成动态轮胎形变数据；
步骤S43：根据个性化轮胎形变-重量关联数据以及动态轮胎形变数据进行载重量评估分析，生成载重量评估数据；
步骤S44：根据载重量评估数据对车牌数据进行数据划分处理，分别生成异常车牌数据以及常规车牌数据；
步骤S45：当常规车牌数据的货车车辆经过货车检测站点时，利用货车检测站点的称重设备对常规车牌数据的货车车辆进行抽查称重测量，生成抽查货车称重数据；
步骤S46：当异常车牌数据的货车车辆经过货车检测站点时，利用货车检测站点的称重设备对异常车牌数据的货车车辆进行精准称重测量，生成异常货车称重数据。
7.根据权利要求6所述的基于数据标签的超限源头溯源方法，其特征在于，步骤S44包括以下步骤：
当载重量评估数据大于预设的货车载重量阈值时，将载重量评估数据对应的车牌数据标记为异常车牌数据；当载重量评估数据不大于预设的货车载重量阈值时，将载重量评估数据对应的车牌数据标记为常规车牌数据。
8.根据权利要求1所述的基于数据标签的超限源头溯源方法，其特征在于，步骤S5包括以下步骤：
步骤S51：获取超限运输规则数据；
步骤S52：利用超限运输规则数据对异常货车称重数据以及抽查货车称重数据进行称重违规货车重量数据提取，生成违规货车重量数据；
步骤S53：将违规货车重量数据对应的车牌数据进行数据标记，生成违规车牌数据；
步骤S54：将违规车牌数据传输至货运源头追溯引擎进行货运源头信息溯源，分别生成违规货运源头数据以及违规货车标签数据矩阵，将违规货运源头数据以及违规货车标签数据矩阵传输至终端进行超限源头溯源反馈。
9.根据权利要求8所述的基于数据标签的超限源头溯源方法，其特征在于，步骤S52包括以下步骤：
利用超限运输规则数据对异常货车称重数据进行称重规则判定，将不符合超限运输规则数据的异常货车称重数据标记为违规货车重量数据；将符合超限运输规则数据的异常货车称重数据标记为规范货车重量数据。
10.一种基于数据标签的超限源头溯源系统，其特征在于，用于执行如权利要求1所述的基于数据标签的超限源头溯源方法，该基于数据标签的超限源头溯源系统包括：
货车信息采集模块，用于获取货车信息数据；根据预设的目标分析类别对货车信息数据进行目标货车信息数据提取，生成目标货车信息数据；根据目标货车信息数据建立多源异构数据矩阵；
源头追溯引擎构建模块，用于对货车信息数据进行货车车辆的车牌数据提取，生成车牌数据；利用车牌数据对多源异构数据矩阵进行多源异构数据矩阵的标签化处理，生成货车标签数据矩阵；获取治超管理系统的货运源头数据；根据车牌数据、治超管理系统的货运源头数据以及货车标签数据矩阵进行货运源头追溯的自动化引擎设计，生成货运源头追溯引擎；
货车关联数据分析模块，用于对货车车辆进行静态轮胎形变数据采集，生成静态轮胎形变数据；对货车车辆进行重量数据采集，生成货车重量数据；将静态轮胎形变数据与货车重量数据进行数据关联处理，生成轮胎形变-重量关联数据，并对轮胎形变-重量关联数据进行数据划分，生成个性化轮胎形变-重量关联数据；
货车重量分析模块，用于对货车车辆进行动态轮胎形变数据采集处理，生成动态轮胎形变数据；根据个性化轮胎形变-重量关联数据以及动态轮胎形变数据对车牌数据进行数据划分处理，分别生成异常车牌数据以及常规车牌数据；当常规车牌数据的货车车辆经过货车检测站点时，利用货车检测站点的称重设备对常规车牌数据的货车车辆进行抽查称重测量，生成抽查货车称重数据；当异常车牌数据的货车车辆经过货车检测站点时，利用货车检测站点的称重设备对异常车牌数据的货车车辆进行精准称重测量，生成异常货车称重数据；
超限源头溯源模块，用于对异常货车称重数据以及抽查货车称重数据进行称重违规货车重量数据提取，生成违规货车重量数据；将违规货车重量数据对应的车牌数据进行数据标记，生成违规车牌数据；将违规车牌数据传输至货运源头追溯引擎进行货运源头信息溯源，分别生成违规货运源头数据以及违规货车标签数据矩阵，将违规货运源头数据以及违规货车标签数据矩阵传输至终端进行超限源头溯源反馈。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410146206.9A CN117689400B (zh) | 2024-02-02 | 2024-02-02 | 一种基于数据标签的超限源头溯源方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410146206.9A CN117689400B (zh) | 2024-02-02 | 2024-02-02 | 一种基于数据标签的超限源头溯源方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117689400A true CN117689400A (zh) | 2024-03-12 |
| CN117689400B CN117689400B (zh) | 2024-05-03 |
Family
ID=90130342
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410146206.9A Active CN117689400B (zh) | 2024-02-02 | 2024-02-02 | 一种基于数据标签的超限源头溯源方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117689400B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118195597A (zh) * | 2024-04-12 | 2024-06-14 | 税网(江苏)软件有限公司 | 一种基于数据处理的再生资源回收循环利用控制系统 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104063712A (zh) * | 2014-06-27 | 2014-09-24 | 杭州科度科技有限公司 | 一种车辆信息提取方法和系统 |
| US20150143913A1 (en) * | 2012-01-19 | 2015-05-28 | Purdue Research Foundation | Multi-modal sensing for vehicle |
| KR102106104B1 (ko) * | 2019-10-08 | 2020-04-29 | (주)에이티맥스 | 화물차량 이동단속 시스템 및 그 방법 |
| CN112036413A (zh) * | 2020-09-04 | 2020-12-04 | 湖南大学 | 车辆重量确定方法、装置、设备及计算机可读存储介质 |
| CN113507494A (zh) * | 2021-05-26 | 2021-10-15 | 杭州金毅科技有限公司 | 源头治超采集方法及系统 |
| CN116543549A (zh) * | 2023-03-20 | 2023-08-04 | 浙江纺织服装职业技术学院 | 基于多传感器数据融合的货运车辆车况及行车异常辨识方法 |
| CN117035422A (zh) * | 2023-08-22 | 2023-11-10 | 鱼快创领智能科技(南京)有限公司 | 一种货车线路运输风险预测的方法 |
-
2024
- 2024-02-02 CN CN202410146206.9A patent/CN117689400B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20150143913A1 (en) * | 2012-01-19 | 2015-05-28 | Purdue Research Foundation | Multi-modal sensing for vehicle |
| CN104063712A (zh) * | 2014-06-27 | 2014-09-24 | 杭州科度科技有限公司 | 一种车辆信息提取方法和系统 |
| KR102106104B1 (ko) * | 2019-10-08 | 2020-04-29 | (주)에이티맥스 | 화물차량 이동단속 시스템 및 그 방법 |
| CN112036413A (zh) * | 2020-09-04 | 2020-12-04 | 湖南大学 | 车辆重量确定方法、装置、设备及计算机可读存储介质 |
| CN113507494A (zh) * | 2021-05-26 | 2021-10-15 | 杭州金毅科技有限公司 | 源头治超采集方法及系统 |
| CN116543549A (zh) * | 2023-03-20 | 2023-08-04 | 浙江纺织服装职业技术学院 | 基于多传感器数据融合的货运车辆车况及行车异常辨识方法 |
| CN117035422A (zh) * | 2023-08-22 | 2023-11-10 | 鱼快创领智能科技(南京)有限公司 | 一种货车线路运输风险预测的方法 |
Non-Patent Citations (1)
| Title |
|---|
| 梁先登;: "公路科技治超机制研究", 交通科技, no. 05, 15 October 2015 (2015-10-15) * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118195597A (zh) * | 2024-04-12 | 2024-06-14 | 税网(江苏)软件有限公司 | 一种基于数据处理的再生资源回收循环利用控制系统 |
| CN118195597B (zh) * | 2024-04-12 | 2024-08-20 | 税网(江苏)软件有限公司 | 一种基于数据处理的再生资源回收循环利用控制系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117689400B (zh) | 2024-05-03 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN117689400B (zh) | 一种基于数据标签的超限源头溯源方法及系统 | |
| CN106530733A (zh) | 基于视频联动抓拍的远程桥梁超载执法系统 | |
| CN111127897A (zh) | 车辆状态检测方法、装置、服务器及稽查系统 | |
| CN106710231A (zh) | 一种超限超载非现场执法系统 | |
| CN112508488B (zh) | 固废车辆运输监控方法、装置、设备及存储介质 | |
| CN107918762B (zh) | 一种公路遗撒物快速检测系统及方法 | |
| CN105448103A (zh) | 车辆套牌检测方法与系统 | |
| CN112633076A (zh) | 基于大数据分析的营运车辆监控系统 | |
| CN112435463B (zh) | 一种基于道路物联网监测的车型与车重分类方法 | |
| CN112528208B (zh) | 一种无称重ai智能识别货车超载估算方法、装置及系统 | |
| CN103281388B (zh) | 机动车云检测及监测管理的方法 | |
| Kyriakou et al. | Roadway pavement anomaly classification utilizing smartphones and artificial intelligence | |
| CN115691148A (zh) | 一种基于高速公路的智能收费辅助方法、设备及介质 | |
| CN115527364B (zh) | 一种基于雷视数据融合的交通事故溯源方法及系统 | |
| CN110849454B (zh) | 一种车辆超载检测方法及装置 | |
| CN117455318B (zh) | 汽车零部件检测过程的监控方法、装置及电子设备 | |
| CN113762255A (zh) | 一种基于多源数据融合深度学习的非现场超载监测方法 | |
| JP2022042580A (ja) | 故障検知装置、料金収受システム、故障検知方法、及びプログラム | |
| CN117218181A (zh) | 一种基于ai视频分析技术的垃圾体积和质量估算方法 | |
| CN114724356B (zh) | 基于气象数据整合的gis高速公路事故预警的方法及系统 | |
| CN115861895A (zh) | 一种磷酸铁锂生产现场的物料追踪方法及系统 | |
| Kyriakou et al. | Do vehicles sense pavement surface anomalies? | |
| CN114238502A (zh) | 基于区块链技术的缺陷汽车信息分析平台 | |
| CN113962331A (zh) | 一种etc门架系统故障原因识别方法及系统 | |
| Chen et al. | Using data mining techniques on fleet management system |
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 |