CN118071234A - 基于输入输出隐马尔可夫模型的运渣车运输活动预测方法 - Google Patents

Abstract

本发明涉及运渣车运输活动预测技术领域，公开了一种基于输入输出隐马尔可夫模型的运渣车运输活动预测方法。该方法包括获取运渣车的原始轨迹数据，并提取运渣车的运输活动信息；获取运渣车的历史活动背景信息；构建输入输出隐马尔可夫模型，以运渣车的运输活动信息和历史活动背景信息作为模型输入，并进行模型训练；利用训练后的输入输出隐马尔可夫模型，根据运渣车的当前运输活动信息和下一次活动背景信息，得到运渣车的下一次运输活动预测结果。本发明通过从运渣车原始轨迹中提取运输活动信息，并且构建输入输出隐马尔可夫模型，可以建立起不同运输活动与背景信息之间的联系，实现对运渣车的运输活动信息进行准确预测。

Description

基于输入输出隐马尔可夫模型的运渣车运输活动预测方法

技术领域

本发明涉及运渣车运输活动预测技术领域，具体涉及一种基于输入输出隐马尔可夫模型的运渣车运输活动预测方法。

背景技术

随着信息和通信技术的不断创新，GPS定位、车牌识别和射频技术已被广泛应用于城市重型车辆监控。在城市重型车辆中，运渣车的运营不仅会导致大量氮氧化物和可吸入颗粒物的排放，还会引发路面扬尘问题。

目前，中国的许多城市已经引入信息管理平台，用以监控建筑垃圾运输车辆。通过这些平台，监管机构能够跟踪这些车辆的行驶轨迹，以监控和分析它们的潜在运输行为。这些平台通常由环境执法部门委托第三方公司来管理，并在发现建筑垃圾运输车的违规行为方面发挥着重要作用。然而，由于不同政府部门之间存在信息共享方面的障碍，因此在获取实时数据以进行有效监管方面存在一些困难。

具体来说，第三方公司的监管人员需要向住建部门和交警部门提交申请，以获取道路和建筑工地内部的摄像头影像数据。另外，由于GPS轨迹数据容易被篡改，不能单独作为调查运渣车辆违规行为的确凿证据。因此，监管机构必须派遣现场检查人员，对运渣车的违规行为进行拍照取证。一旦确认了这些违规行为，环境执法部门会对运营公司进行相应的处罚。

尽管监管机构能够收集到运渣车的位置信息，但由于需要经过多轮传输才能到达最终的数据中心，导致运渣车的位置信息的获取存在着延迟，因此，监管机构无法获得建筑垃圾运输车的实时位置信息。此外，在观察到可疑行为后，组织和派遣调查人员来收集证据的过程也非常耗时。当调查人员到达指定监视地点时，运渣车可能已经离开。因此现有运渣车运输活动预测相关技术存在因运渣车轨迹数据传输延迟而导致的相关监管平台无法准确及时发现运渣车违规行为的问题。

发明内容

针对现有技术中的上述不足，本发明提供了一种基于输入输出隐马尔可夫模型的运渣车运输活动预测方法。

为了达到上述发明目的，本发明采用的技术方案为：

一种基于输入输出隐马尔可夫模型的运渣车运输活动预测方法，包括以下步骤：

获取运渣车的原始轨迹数据，并提取运渣车的运输活动信息；

获取运渣车的历史活动背景信息；

构建输入输出隐马尔可夫模型，以运渣车的运输活动信息和历史活动背景信息作为模型输入，并进行模型训练；

利用训练后的输入输出隐马尔可夫模型，根据运渣车的当前运输活动信息和下一次活动背景信息，得到运渣车的下一次运输活动预测结果。

作为优选地，原始轨迹数据包括：

运渣车的经纬度信息以及轨迹数据采集时间。

作为优选地，提取运渣车的运输活动信息之前还包括以下步骤：

对运渣车的原始轨迹数据进行非活跃轨迹剔除；

对处理后的运渣车轨迹数据进行停驻点筛选。

作为优选地，对运渣车的原始轨迹数据进行非活跃轨迹剔除包括以下步骤：

遍历运渣车的原始轨迹数据，统计自每条轨迹数据采集时间起第一时段内的最大经纬度和最小经纬度；

计算最大经纬度对应数据点与最小经纬度对应数据点之间的直线距离，作为最大移动距离；

筛选最大移动距离小于第一距离阈值的轨迹数据，并将筛选得到的轨迹数据剔除。

作为优选地，对处理后的运渣车轨迹数据进行停驻点筛选包括以下步骤：

遍历运渣车的原始轨迹数据，统计每条轨迹数据的经纬度信息与自该轨迹数据采集时间起第二时段后的轨迹数据的经纬度信息；

计算两个经纬度信息对应数据点之间的直线距离；

筛选直线距离大于第二距离阈值的轨迹数据，并将筛选得到的轨迹数据剔除。

作为优选地，提取运渣车的运输活动信息包括以下步骤：

遍历每一辆运渣车的轨迹数据，计算每条轨迹数据与后一条轨迹数据的采集时间差值和距离差值；

将与后一条轨迹数据采集时间差值大于设定时间阈值或距离差值大于设定距离阈值的轨迹数据记为一次停驻活动的起始数据，将后一条轨迹数据记为一次停驻活动的终止数据；

将研究区域进行网络划分，并对各个网格进行编号；

遍历每一次停驻活动包含的所有轨迹点的经纬度数据，计算轨迹点的经纬度平均值，根据计算得到的轨迹点的经纬度均值查找轨迹点所在网格的网格编号，将该网格编号作为该次停驻活动的位置信息，得到所有停驻活动信息；

根据所有停驻活动信息，生成运渣车的运输活动信息。

作为优选地，运渣车的运输活动信息包括：

运输活动的开始时间、运输活动的结束时间和运输活动的持续时间。

作为优选地，运渣车的历史活动背景信息包括：

运输活动当前时段天气信息、上一次停驻活动持续时间、上一次运输活动持续时间、上一时段停驻次数、上一时段首次停驻时间段、上一时段最后停驻时间段和未活跃连续天数。

作为优选地，模型训练采用期望最大化算法进行参数训练，包括以下步骤：

初始化输入输出隐马尔可夫模型中初始概率计算模型、转移概率计算模型以及发射概率计算模型下的模型参数；

根据运渣车的运输活动信息和历史活动背景信息计算初始概率、转移概率以及发射概率；

根据初始概率、转移概率以及发射概率更新前向概率和后向概率；

根据更新后的前向概率和后向概率计算后验状态概率和后验转移概率；

根据后验状态概率和后验转移概率更新模型期望；

重复上述步骤对模型参数进行迭代更新，直至模型期望不再增加。

作为优选地，利用训练后的输入输出隐马尔可夫模型，根据运渣车的当前运输活动信息和下一次活动背景信息，得到运渣车的下一次运输活动预测结果，包括以下步骤：

利用训练后的输入输出隐马尔可夫模型中的前向概率和转移概率，根据运渣车的当前运输活动信息和下一次活动背景信息计算下一次运输活动的第一概率；

根据下一次运输活动的第一概率计算下一次运输活动的第二概率；

利用训练后的输入输出隐马尔可夫模型中的发射概率，根据运渣车的当前运输活动信息和下一次活动背景信息计算下一次运输活动的发射概率；

根据下一次运输活动的第二概率和发射概率计算下一次运输活动信息的概率分布，并选择概率最高的运输活动信息作为运输活动预测结果。

本发明具有以下有益效果：

本发明通过从运渣车原始轨迹中提取运输活动信息，并且构建输入输出隐马尔可夫模型，可以综合考虑运渣车的历史轨迹以及历史活动背景信息等多方面因素，从而可以在模型训练中更好地建立起不同运输活动与背景信息之间的联系，实现对运渣车的运输活动信息，包括运渣车的运输活动终点以及到达时间进行准确预测，从而协助相关监管平台针对运渣车的违规行为做出准确及时的判断。

附图说明

图1为本发明中一种基于输入输出隐马尔可夫模型的运渣车运输活动预测方法的流程示意图；

图2为本发明中运渣车停驻活动与运输活动之间的关系示意图；

图3为本发明中构建的输入输出隐马尔可夫模型的结构示意图。

具体实施方式

下面对本发明的具体实施方式进行描述，以便于本技术领域的技术人员理解本发明，但应该清楚，本发明不限于具体实施方式的范围，对本技术领域的普通技术人员来讲，只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内，这些变化是显而易见的，一切利用本发明构思的发明创造均在保护之列。

如图1所示，本发明实施例提供了一种基于输入输出隐马尔可夫模型的运渣车运输活动预测方法，包括以下步骤S1至S4：

S1、获取运渣车的原始轨迹数据，并提取运渣车的运输活动信息；

在本发明的一个可选实施例中，本实施例获取的运渣车的原始轨迹数据包括运渣车的经纬度信息以及轨迹数据采集时间。

具体而言，轨迹数据采集时间精确到秒，采集频率为每30秒一次。由于运渣车每日不论活跃与否，均会产生大量的轨迹数据信息，而本实施例在构建模型时仅需要运渣车在活跃期间的运输活动信息，因此需要对运渣车的原始轨迹进行处理，并从中提取运输活动信息。

在本发明的一个可选实施例中，本实施例在提取运渣车的运输活动信息之前对运渣车的原始轨迹数据进行预处理，包括以下步骤：

对运渣车的原始轨迹数据进行非活跃轨迹剔除；

对处理后的运渣车轨迹数据进行停驻点筛选。

本实施例对运渣车的原始轨迹数据进行非活跃轨迹剔除包括以下步骤：

遍历运渣车的原始轨迹数据，统计自每条轨迹数据采集时间起第一时段内的最大经纬度和最小经纬度；其中第一时段可以设置为3小时；

计算最大经纬度对应数据点与最小经纬度对应数据点之间的直线距离，作为最大移动距离；

筛选最大移动距离小于第一距离阈值的轨迹数据，并将筛选得到的轨迹数据剔除。

本实施例对处理后的运渣车轨迹数据进行停驻点筛选包括以下步骤：

遍历运渣车的原始轨迹数据，统计每条轨迹数据的经纬度信息与自该轨迹数据采集时间起第二时段后的轨迹数据的经纬度信息；其中第二时段可以设置为10分钟；

计算两个经纬度信息对应数据点之间的直线距离；

筛选直线距离大于第二距离阈值的轨迹数据，并将筛选得到的轨迹数据剔除。

在本发明的一个可选实施例中，本实施例提取运渣车的运输活动信息包括以下步骤：

遍历每一辆运渣车的轨迹数据，计算每条轨迹数据与后一条轨迹数据的采集时间差值和距离差值；

将与后一条轨迹数据采集时间差值大于设定时间阈值或距离差值大于设定距离阈值的轨迹数据记为一次停驻活动的起始数据，将后一条轨迹数据记为一次停驻活动的终止数据；

将研究区域进行网络划分，并对各个网格进行编号；具体而言，可以将研究区域划分为大小相同的若干个边长为2km的正方形网格，并依次对正方形网格进行编号；

遍历每一次停驻活动包含的所有轨迹点的经纬度数据，计算轨迹点的经纬度平均值，根据计算得到的轨迹点的经纬度均值查找轨迹点所在网格的网格编号，将该网格编号作为该次停驻活动的位置信息，得到所有停驻活动信息；其中第次停驻活动/>的信息记作；

根据所有停驻活动信息，生成运渣车的运输活动信息。其中运渣车的运输活动信息包括：运输活动的开始时间、运输活动的结束时间和运输活动的持续时间。

如图2所示，为停驻活动与运输活动之间的关系示意图。本实施例遍历提取出的停驻活动信息，对于第次停驻活动而言，将第/>次停驻活动的结束时间/>作为第/>次运输活动的开始时间；将第/>次停驻活动的开始时间/>作为运输活动的结束时间；将第次停驻活动的位置信息/>作为第/>次运输活动的出发位置信息；将第/>次停驻活动的位置信息/>作为第/>次运输活动的到达位置信息；计算当前停驻活动结束与下一次停驻活动开始之间的采集时间差值，作为运输活动的持续时间，记作/>，具体计算公式如下：

S2、获取运渣车的历史活动背景信息；

在本发明的一个可选实施例中，本实施例获取的运渣车的历史活动背景信息包括：运输活动当前时段天气信息、上一次停驻活动持续时间、上一次运输活动持续时间、上一时段停驻次数、上一时段首次停驻时间段、上一时段最后停驻时间段和未活跃连续天数。

具体而言，运渣车的历史活动背景信息可以包括运输活动当日天气信息、上一次停驻活动持续时间、上一次运输活动持续时间、昨日停驻次数、昨日首次停驻时间段、昨日最后停驻时间段和未活跃连续天数。

其中天气数据从中国天气网获取，考虑到可能的天气情况较多，本实施例将所有天气情况分类为晴天、雨天、多云以及雾天以简便计算，并定义在一天中天气情况不会发生改变。本实施例通过对天气数据进行独热编码，天气数据便转化为可以用于特征运算的编码信息。持续时间信息单位精确到秒，时间段信息单位精确到小时。

最终将第次运输活动下运渣车历史活动背景信息记作/>。

S3、构建输入输出隐马尔可夫模型，以运渣车的运输活动信息和历史活动背景信息作为模型输入，并进行模型训练；

在本发明的一个可选实施例中，本实施例构建的输入输出隐马尔可夫模型的结构示意图如图3所示。输入输出隐马尔可夫模型主要包括三个模型，包括初始概率计算模型、转移概率计算模型以及发射概率计算模型，利用来分别表示这三个模型中的参数。模型的训练目的在于对三个参数进行更新优化。

本实施例构建模型参数的极大似然估计，具体计算公式为：

其中，，/>表示运渣车当日的总运输活动数，/>表示第/>次运输活动所对应的隐藏状态，/>表示第/>次运输活动运渣车的活动背景信息，/>包含两个变量，分别表示第/>次运输活动的持续时间/>和到达位置/>。

本实施例以运渣车的运输活动信息和历史活动背景信息作为模型输入，并进行模型训练，采用期望最大化算法进行参数训练，包括以下步骤：

初始化输入输出隐马尔可夫模型中初始概率计算模型、转移概率计算模型以及发射概率计算模型下的模型参数；

根据运渣车的运输活动信息和历史活动背景信息计算初始概率、转移概率以及发射概率；

根据初始概率、转移概率以及发射概率更新前向概率和后向概率；

根据更新后的前向概率和后向概率计算后验状态概率和后验转移概率；

根据后验状态概率和后验转移概率更新模型期望；

重复上述步骤对模型参数进行迭代更新，直至模型期望不再增加。

具体而言，本实施例采用期望最大化算法进行模型训练的流程如下：

步骤（1）初始化所有参数，使用来表示当前初始概率、转移概率以及发射概率下的模型参数：

其中，表示隐藏状态为/>时的初始概率，/>表示第/>次运输活动从隐藏状态/>转移到隐藏状态/>的转移概率，/>表示第/>次运输活动隐藏状态/>对应的发射概率，/>表示所有隐藏状态的集合。

步骤（2）计算初始概率、转移概率以及发射概率；

初始概率的具体计算公式为：

其中，表示第1次运输活动隐藏状态为/>时的初始概率；/>表示以自然对数/>为底的指数函数；/>表示初始隐藏状态为/>时，初始概率计算模型的参数；/>表示初始状态为/>时，初始概率计算模型的参数。

转移概率的具体计算公式为：

其中，表示第/>次运输活动隐藏状态为/>时，下一次隐藏状态为/>的转移概率；/>表示从隐藏状态/>转移到隐藏状态/>时，转移概率计算模型的参数；/>表示从隐藏状态/>转移到隐藏状态/>时，转移概率计算模型的参数。

发射概率由位置发射概率和时间发射概率共同计算得到，具体计算公式为：

其中，表示第/>次运输活动隐藏状态为/>时，观察状态/>的发射概率；/>表示第/>次运输活动隐藏状态为/>时，运输活动终点位置为/>的位置发射概率；/>表示第/>次运输活动隐藏状态为/>时，运输活动持续时间为/>的时间发射概率；/>与/>分别表示位置发射概率计算模型参数以及时间发射概率计算模型参数，二者共同构成发射概率计算模型参数。

与/>的具体计算公式为：

其中，表示隐藏状态为/>，对应的运输活动终点为/>时，位置发射概率计算模型的参数；/>表示所有可能的运输活动终点集合；/>表示隐藏状态为/>时，时间发射概率计算模型的参数；/>表示隐藏状态为/>时，发射概率计算模型的参数标准差。

步骤（3）更新前向概率和后向概率/>，具体计算公式如下：

其中，表示在第/>次运输活动隐藏状态为/>时的前向概率，更新后的前向概率由/>表示；/>表示从第1次到第/>次运输活动的所有观察状态；/>表示从第1次到第/>次运输活动的所有相关背景信息；/>表示更新后在第/>次运输活动隐藏状态为/>时的前向概率；/>表示在第/>次运输活动隐藏状态为/>时的后向概率，更新后的后向概率由/>表示；/>表示第/>次运输活动发生转移前隐藏状态为/>时的转移概率；/>表示更新后在第/>次运输活动隐藏状态为/>时的后向概率。

步骤（4）然后根据更新之后的前向概率和后向概率，计算后验状态概率和后验转移概率/>，具体计算公式如下：

其中，表示在第/>次运输活动隐藏状态为/>时的后验状态概率，更新后的后验状态概率由/>表示；/>表示在第/>次运输活动从隐藏状态/>转移到隐藏状态/>时的后验转移概率，更新后的后验转移概率由/>表示。

步骤（5）根据计算的后验状态概率和后验转移概率/>，更新期望，具体计算公式如下：

其中，、/>和/>分别表示根据初始、转移、发射概率以及相应后验概率计算得到的期望。将它们相加，得到期望/>。

步骤（6）最后判断期望是否增加；若是，则返回步骤（2），将更新后的/>作为新的模型参数继续进行迭代更新；否则模型训练结束。

S4、利用训练后的输入输出隐马尔可夫模型，根据运渣车的当前运输活动信息和下一次活动背景信息，得到运渣车的下一次运输活动预测结果。

在本发明的一个可选实施例中，本实施例利用训练后的输入输出隐马尔可夫模型，根据运渣车的当前运输活动信息和下一次活动背景信息，得到运渣车的下一次运输活动预测结果，包括以下步骤：

利用训练后的输入输出隐马尔可夫模型中的前向概率和转移概率，根据运渣车的当前运输活动信息和下一次活动背景信息计算下一次运输活动的第一概率；

根据下一次运输活动的第一概率计算下一次运输活动的第二概率；

利用训练后的输入输出隐马尔可夫模型中的发射概率，根据运渣车的当前运输活动信息和下一次活动背景信息计算下一次运输活动的发射概率；

根据下一次运输活动的第二概率和发射概率计算下一次运输活动信息的概率分布，并选择概率最高的运输活动信息作为运输活动预测结果。

具体而言，模型预测的目标为当运渣车结束第次运输活动之后，对第/>次运输活动的终点/>以及持续时间/>进行预测，在介绍预测公式时，将这两个变量统一记作运渣车活动信息/>。模型的输入为当前的运渣车运输活动信息/>以及相关背景信息，模型预测的具体计算公式如下：

其中，表示在已知第/>次运输活动及之前所有信息的情况下，第/>次运输活动不同观察状态出现概率；/>表示第/>次运输活动隐藏状态为/>时，不同观察状态出现概率；/>表示在当前信息下，第/>次运输活动隐藏状态为/>的概率。

可以从发射概率中得到，而等式右侧第二项的第二概率的具体计算公式如下：

其中，第一概率的具体计算公式如下：

其中，即为转移概率/>；/>即为前向概率/>，二者的计算公式均已给出。

因此，在获取运渣车停驻活动信息以及相关背景信息下，可以利用训练好的计算前向概率、转移概率和发射概率，计算出的概率分布，其中包括目的地/>和下一次运输活动的持续时间/>。最终概率最高的目的地以及到达时间将被确定为最终预测结果。

本发明通过从运渣车原始轨迹中提取运输活动信息，并且构建输入输出隐马尔可夫模型，可以综合考虑运渣车的历史轨迹以及历史活动背景信息等多方面因素，从而可以在模型训练中更好地建立起不同运输活动与背景信息之间的联系，实现对运渣车的运输活动信息，包括运渣车的运输活动终点以及到达时间进行准确预测，从而协助相关监管平台针对运渣车的违规行为做出准确及时的判断。

本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

本发明中应用了具体实施例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。

本领域的普通技术人员将会意识到，这里所述的实施例是为了帮助读者理解本发明的原理，应被理解为本发明的保护范围并不局限于这样的特别陈述和实施例。本领域的普通技术人员可以根据本发明公开的这些技术启示做出各种不脱离本发明实质的其它各种具体变形和组合，这些变形和组合仍然在本发明的保护范围内。

Claims (10)

1.一种基于输入输出隐马尔可夫模型的运渣车运输活动预测方法，其特征在于，包括以下步骤：

获取运渣车的原始轨迹数据，并提取运渣车的运输活动信息；

获取运渣车的历史活动背景信息；

构建输入输出隐马尔可夫模型，以运渣车的运输活动信息和历史活动背景信息作为模型输入，并进行模型训练；

利用训练后的输入输出隐马尔可夫模型，根据运渣车的当前运输活动信息和下一次活动背景信息，得到运渣车的下一次运输活动预测结果。

2.根据权利要求1所述的基于输入输出隐马尔可夫模型的运渣车运输活动预测方法，其特征在于，原始轨迹数据包括：

运渣车的经纬度信息以及轨迹数据采集时间。

3.根据权利要求1所述的基于输入输出隐马尔可夫模型的运渣车运输活动预测方法，其特征在于，提取运渣车的运输活动信息之前还包括以下步骤：

对运渣车的原始轨迹数据进行非活跃轨迹剔除；

对处理后的运渣车轨迹数据进行停驻点筛选。

4.根据权利要求3所述的基于输入输出隐马尔可夫模型的运渣车运输活动预测方法，其特征在于，对运渣车的原始轨迹数据进行非活跃轨迹剔除包括以下步骤：

遍历运渣车的原始轨迹数据，统计自每条轨迹数据采集时间起第一时段内的最大经纬度和最小经纬度；

计算最大经纬度对应数据点与最小经纬度对应数据点之间的直线距离，作为最大移动距离；

筛选最大移动距离小于第一距离阈值的轨迹数据，并将筛选得到的轨迹数据剔除。

5.根据权利要求3所述的基于输入输出隐马尔可夫模型的运渣车运输活动预测方法，其特征在于，对处理后的运渣车轨迹数据进行停驻点筛选包括以下步骤：

遍历运渣车的原始轨迹数据，统计每条轨迹数据的经纬度信息与自该轨迹数据采集时间起第二时段后的轨迹数据的经纬度信息；

计算两个经纬度信息对应数据点之间的直线距离；

筛选直线距离大于第二距离阈值的轨迹数据，并将筛选得到的轨迹数据剔除。

6.根据权利要求1所述的基于输入输出隐马尔可夫模型的运渣车运输活动预测方法，其特征在于，提取运渣车的运输活动信息包括以下步骤：

遍历每一辆运渣车的轨迹数据，计算每条轨迹数据与后一条轨迹数据的采集时间差值和距离差值；

将与后一条轨迹数据采集时间差值大于设定时间阈值或距离差值大于设定距离阈值的轨迹数据记为一次停驻活动的起始数据，将后一条轨迹数据记为一次停驻活动的终止数据；

将研究区域进行网络划分，并对各个网格进行编号；

遍历每一次停驻活动包含的所有轨迹点的经纬度数据，计算轨迹点的经纬度平均值，根据计算得到的轨迹点的经纬度均值查找轨迹点所在网格的网格编号，将该网格编号作为该次停驻活动的位置信息，得到所有停驻活动信息；

根据所有停驻活动信息，生成运渣车的运输活动信息。

7.根据权利要求1所述的基于输入输出隐马尔可夫模型的运渣车运输活动预测方法，其特征在于，运渣车的运输活动信息包括：

运输活动的开始时间、运输活动的结束时间和运输活动的持续时间。

8.根据权利要求1所述的基于输入输出隐马尔可夫模型的运渣车运输活动预测方法，其特征在于，运渣车的历史活动背景信息包括：

运输活动当前时段天气信息、上一次停驻活动持续时间、上一次运输活动持续时间、上一时段停驻次数、上一时段首次停驻时间段、上一时段最后停驻时间段和未活跃连续天数。

9.根据权利要求1所述的基于输入输出隐马尔可夫模型的运渣车运输活动预测方法，其特征在于，模型训练采用期望最大化算法进行参数训练，包括以下步骤：

初始化输入输出隐马尔可夫模型中初始概率计算模型、转移概率计算模型以及发射概率计算模型下的模型参数；

根据运渣车的运输活动信息和历史活动背景信息计算初始概率、转移概率以及发射概率；

根据初始概率、转移概率以及发射概率更新前向概率和后向概率；

根据更新后的前向概率和后向概率计算后验状态概率和后验转移概率；

根据后验状态概率和后验转移概率更新模型期望；

重复上述步骤对模型参数进行迭代更新，直至模型期望不再增加。

10.根据权利要求1所述的基于输入输出隐马尔可夫模型的运渣车运输活动预测方法，其特征在于，利用训练后的输入输出隐马尔可夫模型，根据运渣车的当前运输活动信息和下一次活动背景信息，得到运渣车的下一次运输活动预测结果，包括以下步骤：

利用训练后的输入输出隐马尔可夫模型中的前向概率和转移概率，根据运渣车的当前运输活动信息和下一次活动背景信息计算下一次运输活动的第一概率；

根据下一次运输活动的第一概率计算下一次运输活动的第二概率；

利用训练后的输入输出隐马尔可夫模型中的发射概率，根据运渣车的当前运输活动信息和下一次活动背景信息计算下一次运输活动的发射概率；

根据下一次运输活动的第二概率和发射概率计算下一次运输活动信息的概率分布，并选择概率最高的运输活动信息作为运输活动预测结果。