CN118072523A - 一种基于em算法的大数据称重精准度稽核方法 - Google Patents
一种基于em算法的大数据称重精准度稽核方法 Download PDFInfo
- Publication number
- CN118072523A CN118072523A CN202410472693.8A CN202410472693A CN118072523A CN 118072523 A CN118072523 A CN 118072523A CN 202410472693 A CN202410472693 A CN 202410472693A CN 118072523 A CN118072523 A CN 118072523A
- Authority
- CN
- China
- Prior art keywords
- data
- vehicle
- weighing
- station
- passing
- 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.)
- Pending
Links
- 238000005303 weighing Methods 0.000 title claims abstract description 256
- 238000000034 method Methods 0.000 title claims abstract description 78
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 65
- 230000002159 abnormal effect Effects 0.000 claims abstract description 105
- 238000004458 analytical method Methods 0.000 claims abstract description 82
- 238000005259 measurement Methods 0.000 claims abstract description 43
- 238000005516 engineering process Methods 0.000 claims abstract description 34
- 230000011218 segmentation Effects 0.000 claims abstract description 16
- 238000004088 simulation Methods 0.000 claims abstract description 13
- 238000012216 screening Methods 0.000 claims abstract description 12
- 230000008569 process Effects 0.000 claims description 31
- 238000010586 diagram Methods 0.000 claims description 29
- 238000011156 evaluation Methods 0.000 claims description 25
- 230000001133 acceleration Effects 0.000 claims description 18
- 238000003062 neural network model Methods 0.000 claims description 17
- 238000004140 cleaning Methods 0.000 claims description 14
- 238000010276 construction Methods 0.000 claims description 13
- 238000003708 edge detection Methods 0.000 claims description 13
- 238000012549 training Methods 0.000 claims description 13
- 230000006835 compression Effects 0.000 claims description 12
- 238000007906 compression Methods 0.000 claims description 12
- 230000005484 gravity Effects 0.000 claims description 12
- 230000010354 integration Effects 0.000 claims description 7
- 238000001514 detection method Methods 0.000 claims description 5
- 238000011425 standardization method Methods 0.000 claims description 4
- 238000013079 data visualisation Methods 0.000 claims description 2
- 238000007405 data analysis Methods 0.000 abstract description 7
- 230000005856 abnormality Effects 0.000 abstract description 6
- 230000006399 behavior Effects 0.000 description 116
- 238000012545 processing Methods 0.000 description 31
- 238000004364 calculation method Methods 0.000 description 23
- 238000009826 distribution Methods 0.000 description 11
- 230000009286 beneficial effect Effects 0.000 description 8
- 230000008859 change Effects 0.000 description 8
- 238000001914 filtration Methods 0.000 description 8
- 230000000694 effects Effects 0.000 description 7
- 230000000007 visual effect Effects 0.000 description 7
- 238000012544 monitoring process Methods 0.000 description 6
- 238000013528 artificial neural network Methods 0.000 description 5
- 238000005520 cutting process Methods 0.000 description 5
- 238000000605 extraction Methods 0.000 description 5
- 238000007726 management method Methods 0.000 description 5
- 238000010606 normalization Methods 0.000 description 5
- 238000013439 planning Methods 0.000 description 5
- 238000011161 development Methods 0.000 description 4
- 230000018109 developmental process Effects 0.000 description 4
- 238000003860 storage Methods 0.000 description 4
- 238000006243 chemical reaction Methods 0.000 description 3
- 238000013500 data storage Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000010191 image analysis Methods 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 238000007619 statistical method Methods 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 206010000117 Abnormal behaviour Diseases 0.000 description 2
- 238000012098 association analyses Methods 0.000 description 2
- 238000012550 audit Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000011960 computer-aided design Methods 0.000 description 2
- 238000012805 post-processing Methods 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000005096 rolling process Methods 0.000 description 2
- 230000003595 spectral effect Effects 0.000 description 2
- 238000001228 spectrum Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 238000005452 bending Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 238000013075 data extraction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 230000005764 inhibitory process Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000000691 measurement method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000009877 rendering Methods 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
- 238000012795 verification 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
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Traffic Control Systems (AREA)
Abstract
本发明涉及道路数据分析技术领域,尤其涉及一种基于EM算法的大数据称重精准度稽核方法。所述方法包括以下步骤:获取测重站点综合数据,其中测重站点数据包括停车过车称重数据、不停车过车称重数据、治超站点基础数据和车辆定位信息数据;利用时间窗口对测重站点综合数据进行数据标准化,从而生成测重站点标准数据;根据测重站点综合数据确定车辆行驶时间戳;根据车辆行驶时间戳和测重站点综合数据进行车辆行驶路线构建,生成车辆行驶路径数据;利用3D模拟技术对车辆行驶路径数据进行出行段分割,从而生成车辆出行段数据;本发明通过对站点数据进行车辆路径分析以及车辆状态分析,减少站点称重异常的发生概率,提高了异常站点的筛选精准度。
Description
技术领域
本发明涉及道路数据分析技术领域,尤其涉及一种基于EM算法的大数据称重精准度稽核方法。
背景技术
随着物流、制造业、零售业等行业的不断发展,物品的精确称重变得至关重要,准确的称重数据不仅可以提高生产效率,还可以确保产品质量,减少资源浪费,降低运营成本,在这个背景下,大数据称重精准度稽核成为了一项关键技术,它结合了大数据分析和精准度评估方法,以确保称重过程的准确性和可追溯性,大数据技术在称重精准度稽核中的应用已经取得了显著进展,首先,传感器技术得到了极大的改进,现代传感器可以实时捕捉物体的重量,并将数据传输到集中式数据库中,这些传感器不仅可以测量静态物体的重量,还可以跟踪动态物体的重量变化,例如在生产线上移动的产品,然而目前在道路上对于车辆称重稽查仍然存在着一些缺陷,例如没有详细考虑到车辆本身状态所导致的称重不精准,进而导致异常称重站点筛选的精准度较低。
发明内容
基于此,有必要提供一种基于EM算法的大数据称重精准度稽核方法,以解决至少一个上述技术问题。
为实现上述目的,基于EM算法的大数据称重精准度稽核方法,所述方法包括以下步骤:
步骤S1:获取测重站点综合数据,其中测重站点数据包括停车过车称重数据、不停车过车称重数据、治超站点基础数据和车辆定位信息数据;利用时间窗口对测重站点综合数据进行数据标准化,从而生成测重站点标准数据;
步骤S2:根据测重站点综合数据确定车辆行驶时间戳;根据车辆行驶时间戳和测重站点综合数据进行车辆行驶路线构建,生成车辆行驶路径数据;利用3D模拟技术对车辆行驶路径数据进行出行段分割,从而生成车辆出行段数据;
步骤S3:对车辆出行段数据进行数据关联,得到治超站点访问数据;对治超站点访问数据进行治超站点路径偏移分析,从而得到路径偏移系数;将路径偏移系数与预设的标准偏移系数进行对比,生成正常出行行为数据和异常出行行为数据;
步骤S4:将正常出行行为数据和异常出行行为数据进行数据整合,得到车辆出行行为数据;根据摄像头获取车辆拍照信息数据;利用车辆拍照信息数据对车辆出行行为数据进行站点对比,从而得到有效出行记录;
步骤S5:利用有效出行记录对正常出行行为数据和异常出行行为数据进行图像采集,得到车辆过站图像;对车辆过站图像进行水平方向位置分析,生成车辆图像平衡度数据;对车辆过站图像进行像素密度分析,生成车辆像素密度数据;对车辆图像平衡度数据和车辆像素密度数据进行称重影响评估,从而得到车辆过站平衡系数;
步骤S6:基于虚拟现实场景技术对对停车过车称重数据和不停车过车称重数据进行场景构建,生成停车称重场景和不停车称重场景;当车辆处于停车称重场景时,利用加速度传感器对车辆进行车辆抖动分析,得到停车称重抖动频率数据;当车辆处于不停车称重场景时,利用速度传感器对车辆进行负载影响分析,得到车辆瞬时负载影响数据;
步骤S7:基于神经网络模型对停车称重抖动频率数据、车辆瞬时负载影响数据和车辆过站平衡系数进行站点异常称重预测,生成异常站点预测数据;利用EM算法对异常站点预测数据进行迭代计算,从而生成异常站点结果数据。
本发明通过标准化处理可以确保测重站点数据在格式和单位上一致,减少误差和不确定性,这有助于提高数据的准确性和可信度,标准化处理后的数据可供不同测重站点之间进行比较和分析,例如,可以对停车过车称重数据和不停车过车称重数据进行对比,找出异常情况或差异点,标准数据易于可视化和报告,可以通过图表、图像和报告等形式呈现,这有助于决策者和相关人员更好地理解和利用测重站点的数据;将车辆行驶路径数据细分为不同的出行段,可以更好地理解车辆的出行行为,包括起点、终点、行程距离、行程时间等,这有助于分析车辆的行驶模式、常用路径、频繁出行区域等,通过分析车辆出行段的数据,可以得到不同路段和时间段的交通流量信息,这有助于交通规划师和城市管理者更好地了解交通拥堵情况,优化交通流量管理和道路规划,通过分析车辆出行段的数据,可以研究不同出行模式的分布和特征,例如,可以分析通勤行程、商务出行、旅行等类型的出行段,以了解出行模式的变化和需求,通过分析车辆出行段数据,可以评估驾驶行为,如平均速度、加速度、拐弯半径等,这有助于提高交通安全、研究驾驶行为的影响因素,并支持智能交通系统的发展;通过数据关联步骤,可以得到车辆在治超站点的访问数据,包括经过站点的时间、位置等信息,这对于治超站点的管理和监测具有重要意义,通过路径偏移计算,可以利用车辆的轨迹数据来评估车辆是否存在超载行为,路径偏移系数提供了一种客观的指标,可以快速判断车辆的运输情况,通过将路径偏移系数与预设标准进行对比,可以准确地识别出异常的出行行为,即存在超载的情况,这有助于及时发现和处理非法或危险的运输活动,通过生成正常出行行为数据和异常出行行为数据,可以进行进一步的数据分析和统计,了解超载情况的分布和趋势;利用摄像头等设备获取车辆的拍照信息数据,可以获得车辆在不同站点的图片数据,这些图片数据可以提供额外的证据和信息来验证车辆的实际行驶情况,将车辆拍照信息数据与车辆出行行为数据进行站点对比,即比对车辆经过的实际站点和记录的出行行为,这可以确保出行记录的准确性和可信度,并帮助排除误判或异常事件,将车辆拍照信息数据与车辆出行行为数据进行站点对比,即比对车辆经过的实际站点和记录的出行行为。这可以确保出行记录的准确性和可信度,并帮助排除误判或异常事件;对车辆过站图像进行水平方向位置分析,可以评估车辆在水平方向上的平衡度,这有助于判断车辆是否在通过站点时保持平衡,以及是否存在倾斜、侧倾等问题,对车辆过站图像进行像素密度分析,可以评估车辆图像中像素点的分布密度,通过分析像素密度,可以推测车辆的装载情况、密度是否均匀等信息,通过车辆平衡偏移公式可以量化车辆的平衡情况,辅助判断车辆是否符合平衡要求,通过对车辆图像平衡度数据和车辆像素密度数据进行评估和称重影响评估,可以得到车辆过站平衡系数,该系数可以用来衡量车辆在过站过程中的平衡情况,提供客观的指标来评估车辆的稳定性和安全性;基于虚拟现实场景技术进行场景构建,并利用传感器对车辆抖动和负载影响进行分析,能够提供更全面的车辆称重数据,有助于评估车辆称重的准确性和稳定性;通过神经网络模型和EM算法的结合,可以提高异常站点称重预测的准确性和稳定性。神经网络模型能够学习和捕捉输入数据之间的复杂关系,提供更精确的预测结果,EM算法则能够通过迭代计算,充分利用预测数据和参数估计,得到对异常站点的更准确的估计结果,有助于及时发现和解决称重过程中可能存在的问题,提高称重的可靠性和成效。因此,本发明通过对站点数据进行车辆路径分析以及车辆状态分析,减少站点称重异常的发生概率,提高了异常站点的筛选精准度。
附图说明
图1为一种基于EM算法的大数据称重精准度稽核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S5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4,一种基于EM算法的大数据称重精准度稽核方法,所述方法包括以下步骤:
步骤S1:获取测重站点综合数据,其中测重站点数据包括停车过车称重数据、不停车过车称重数据、治超站点基础数据和车辆定位信息数据;利用时间窗口对测重站点综合数据进行数据标准化,从而生成测重站点标准数据;
步骤S2:根据测重站点综合数据确定车辆行驶时间戳;根据车辆行驶时间戳和测重站点综合数据进行车辆行驶路线构建,生成车辆行驶路径数据;利用3D模拟技术对车辆行驶路径数据进行出行段分割,从而生成车辆出行段数据;
步骤S3:对车辆出行段数据进行数据关联,得到治超站点访问数据;对治超站点访问数据进行治超站点路径偏移分析,从而得到路径偏移系数;将路径偏移系数与预设的标准偏移系数进行对比,生成正常出行行为数据和异常出行行为数据;
步骤S4:将正常出行行为数据和异常出行行为数据进行数据整合,得到车辆出行行为数据;根据摄像头获取车辆拍照信息数据;利用车辆拍照信息数据对车辆出行行为数据进行站点对比,从而得到有效出行记录;
步骤S5:利用有效出行记录对正常出行行为数据和异常出行行为数据进行图像采集,得到车辆过站图像;对车辆过站图像进行水平方向位置分析,生成车辆图像平衡度数据;对车辆过站图像进行像素密度分析,生成车辆像素密度数据;对车辆图像平衡度数据和车辆像素密度数据进行称重影响评估,从而得到车辆过站平衡系数;
步骤S6:基于虚拟现实场景技术对对停车过车称重数据和不停车过车称重数据进行场景构建,生成停车称重场景和不停车称重场景;当车辆处于停车称重场景时,利用加速度传感器对车辆进行车辆抖动分析,得到停车称重抖动频率数据;当车辆处于不停车称重场景时,利用速度传感器对车辆进行负载影响分析,得到车辆瞬时负载影响数据;
步骤S7:基于神经网络模型对停车称重抖动频率数据、车辆瞬时负载影响数据和车辆过站平衡系数进行站点异常称重预测,生成异常站点预测数据;利用EM算法对异常站点预测数据进行迭代计算,从而生成异常站点结果数据。
本发明通过标准化处理可以确保测重站点数据在格式和单位上一致,减少误差和不确定性,这有助于提高数据的准确性和可信度,标准化处理后的数据可供不同测重站点之间进行比较和分析,例如,可以对停车过车称重数据和不停车过车称重数据进行对比,找出异常情况或差异点,标准数据易于可视化和报告,可以通过图表、图像和报告等形式呈现,这有助于决策者和相关人员更好地理解和利用测重站点的数据;将车辆行驶路径数据细分为不同的出行段,可以更好地理解车辆的出行行为,包括起点、终点、行程距离、行程时间等,这有助于分析车辆的行驶模式、常用路径、频繁出行区域等,通过分析车辆出行段的数据,可以得到不同路段和时间段的交通流量信息,这有助于交通规划师和城市管理者更好地了解交通拥堵情况,优化交通流量管理和道路规划,通过分析车辆出行段的数据,可以研究不同出行模式的分布和特征,例如,可以分析通勤行程、商务出行、旅行等类型的出行段,以了解出行模式的变化和需求,通过分析车辆出行段数据,可以评估驾驶行为,如平均速度、加速度、拐弯半径等,这有助于提高交通安全、研究驾驶行为的影响因素,并支持智能交通系统的发展;通过数据关联步骤,可以得到车辆在治超站点的访问数据,包括经过站点的时间、位置等信息,这对于治超站点的管理和监测具有重要意义,通过路径偏移计算,可以利用车辆的轨迹数据来评估车辆是否存在超载行为,路径偏移系数提供了一种客观的指标,可以快速判断车辆的运输情况,通过将路径偏移系数与预设标准进行对比,可以准确地识别出异常的出行行为,即存在超载的情况,这有助于及时发现和处理非法或危险的运输活动,通过生成正常出行行为数据和异常出行行为数据,可以进行进一步的数据分析和统计,了解超载情况的分布和趋势;利用摄像头等设备获取车辆的拍照信息数据,可以获得车辆在不同站点的图片数据,这些图片数据可以提供额外的证据和信息来验证车辆的实际行驶情况,将车辆拍照信息数据与车辆出行行为数据进行站点对比,即比对车辆经过的实际站点和记录的出行行为,这可以确保出行记录的准确性和可信度,并帮助排除误判或异常事件,将车辆拍照信息数据与车辆出行行为数据进行站点对比,即比对车辆经过的实际站点和记录的出行行为。这可以确保出行记录的准确性和可信度,并帮助排除误判或异常事件;对车辆过站图像进行水平方向位置分析,可以评估车辆在水平方向上的平衡度,这有助于判断车辆是否在通过站点时保持平衡,以及是否存在倾斜、侧倾等问题,对车辆过站图像进行像素密度分析,可以评估车辆图像中像素点的分布密度,通过分析像素密度,可以推测车辆的装载情况、密度是否均匀等信息,通过车辆平衡偏移公式可以量化车辆的平衡情况,辅助判断车辆是否符合平衡要求,通过对车辆图像平衡度数据和车辆像素密度数据进行评估和称重影响评估,可以得到车辆过站平衡系数,该系数可以用来衡量车辆在过站过程中的平衡情况,提供客观的指标来评估车辆的稳定性和安全性;基于虚拟现实场景技术进行场景构建,并利用传感器对车辆抖动和负载影响进行分析,能够提供更全面的车辆称重数据,有助于评估车辆称重的准确性和稳定性;通过神经网络模型和EM算法的结合,可以提高异常站点称重预测的准确性和稳定性。神经网络模型能够学习和捕捉输入数据之间的复杂关系,提供更精确的预测结果,EM算法则能够通过迭代计算,充分利用预测数据和参数估计,得到对异常站点的更准确的估计结果,有助于及时发现和解决称重过程中可能存在的问题,提高称重的可靠性和成效。因此,本发明通过对站点数据进行车辆路径分析以及车辆状态分析,减少站点称重异常的发生概率,提高了异常站点的筛选精准度。
本发明实施例中,参考图1所述,为本发明一种基于EM算法的大数据称重精准度稽核方法的步骤流程示意图,在本实例中,所述一种基于EM算法的大数据称重精准度稽核方法包括以下步骤:
步骤S1:获取测重站点综合数据,其中测重站点数据包括停车过车称重数据、不停车过车称重数据、治超站点基础数据和车辆定位信息数据;利用时间窗口对测重站点综合数据进行数据标准化,从而生成测重站点标准数据;
本发明实施例中,通过需要获取测重站点的相关数据,包括停车过车称重数据、不停车过车称重数据、治超站点基础数据和车辆定位信息数据,这些数据可以来自于测重站点的记录系统、传感器设备、车辆定位系统等,将上述收集到的数据进行整合,以便后续的处理和分析,可以将不同类型的数据按照时间顺序进行排序和组合,形成综合的测重站点数据集,为了对测重站点数据进行标准化,在数据处理过程中,可以使用时间窗口的概念,时间窗口是指在数据集中选择一段特定的时间范围,并将该时间范围内的数据作为一个单位进行处理,时间窗口的长度可以根据具体需求进行设置,如以分钟、小时或其他时间间隔为单位,利用选定的时间窗口对测重站点综合数据进行标准化处理,标准化的目的是将不同类型和范围的数据统一到同一尺度下,消除数据差异性,常见的标准化方法包括归一化(Normalization)和标准化(Standardization),归一化将数据缩放到固定的区间范围内(如[0, 1]),而标准化将数据转化为均值为0、标准差为1的标准正态分布,经过时间窗口设置和数据标准化处理后,将得到标准化的测重站点数据,即测重站点标准数据。
步骤S2:根据测重站点综合数据确定车辆行驶时间戳;根据车辆行驶时间戳和测重站点综合数据进行车辆行驶路线构建,生成车辆行驶路径数据;利用3D模拟技术对车辆行驶路径数据进行出行段分割,从而生成车辆出行段数据;
本发明实施例中,通过从测重站点综合数据中提取时间信息,包括停车过车称重数据、不停车过车称重数据、治超站点基础数据和车辆定位信息数据,根据每个数据点的时间字段,确定车辆行驶的时间戳,结合测重站点综合数据和确定的时间戳,将数据点按时间顺序连接起来,形成车辆行驶路线,可以利用地理信息系统(GIS)等工具和算法,对车辆的行驶轨迹进行重建和连接,生成车辆行驶路径数据,利用3D模拟技术,可以将车辆行驶路径数据在三维空间中进行可视化和模拟,这可以通过使用三维地图数据、道路网络数据和车辆轨迹数据等来实现, 3D模拟技术可以呈现更加生动和真实的车辆行驶情况,有助于进一步分析和理解车辆出行特征,基于车辆行驶路径数据和3D模拟技术,可以进行出行段分割,出行段是指车辆行驶过程中的一段连续路段,通常包括起点、终点和中间的路径,通过分析车辆行驶路径的特征,如行驶速度、方向变化、停留点等,可以确定出行段的划分规则和算法,这样可以将车辆行驶路径数据划分为多个出行段,并生成相应的出行段数据。
步骤S3:对车辆出行段数据进行数据关联,得到治超站点访问数据;对治超站点访问数据进行治超站点路径偏移分析,从而得到路径偏移系数;将路径偏移系数与预设的标准偏移系数进行对比,生成正常出行行为数据和异常出行行为数据;
本发明实施例中,通过将车辆的出行段数据与治超站点数据进行关联,这可以通过匹配车辆行驶路径上的时间戳与治超站点访问记录的时间戳来实现,通过时间戳的匹配,我们可以确定哪些出行段经过了治超站点,对于经过治超站点的出行段数据,我们使用轨迹偏移估计公式进行路径偏移的计算,轨迹偏移估计公式可以利用车辆的速度、加速度和行驶方向等信息来推算车辆在治超站点附近的路径偏移量,通过计算得到的路径偏移量,可以得到治超站点的路径偏移系数,路径偏移系数表示车辆在治超站点附近路径偏离标准路径的程度,较大的路径偏移系数可能表明车辆存在超载行为,将得到的路径偏移系数与预设的标准偏移系数进行对比,如果路径偏移系数超过预设的标准偏移系数阈值,那么该出行段将被分类为异常出行行为数据;否则,该出行段将被分类为正常出行行为数据。
步骤S4:将正常出行行为数据和异常出行行为数据进行数据整合,得到车辆出行行为数据;根据摄像头获取车辆拍照信息数据;利用车辆拍照信息数据对车辆出行行为数据进行站点对比,从而得到有效出行记录;
本发明实施例中,通过将步骤S3中生成的正常出行行为数据和异常出行行为数据进行整合,这可以通过合并两个数据集或者创建一个包含正常和异常行为标识的新数据集来实现,整合后的数据集将成为车辆的出行行为数据集,通过摄像头或其他图像采集设备,获取车辆在不同站点的拍照信息数据,这些拍照信息数据可以包括车辆的车牌号、时间戳、拍摄位置等信息,将车辆拍照信息数据与车辆的出行行为数据进行站点对比,通过匹配车辆拍照信息中的时间戳、拍摄位置等信息与出行行为数据中的时间戳、车辆行驶路径等信息,确定哪些出行行为发生在与拍照信息对应的站点,通过站点对比,我们可以得到在每个站点上进行的有效出行记录,这些有效出行记录可以指示车辆的行程、停留时间和到达或离开站点的行为。
步骤S5:利用有效出行记录对正常出行行为数据和异常出行行为数据进行图像采集,得到车辆过站图像;对车辆过站图像进行水平方向位置分析,生成车辆图像平衡度数据;对车辆过站图像进行像素密度分析,生成车辆像素密度数据;对车辆图像平衡度数据和车辆像素密度数据进行称重影响评估,从而得到车辆过站平衡系数;
本发明实施例中,通过根据步骤S4中得到的有效出行记录,针对每个过站记录,从相应的摄像头或其他图像采集设备中获取车辆过站图像数据,确保采集到的图像包含车辆在过站时的水平位置和像素密度信息,对每个车辆过站图像进行水平方向位置分析,一种方法是检测车辆的位置并提取车辆的轮廓或关键点,然后,根据车辆的水平位置,计算车辆图像的平衡度数据,平衡度数据可以用于表示车辆在过站时是否偏离了水平方向,对每个车辆过站图像进行像素密度分析,这可以通过计算图像中车辆区域的像素数量来实现,像素密度数据可以用于表示车辆过站时图像的密集程度,根据车辆平衡偏移公式,利用车辆图像平衡度数据和车辆像素密度数据进行称重影响评估,这可以包括根据数据的权重和指定的公式,计算车辆过站的平衡系数,平衡系数可以衡量车辆在过站过程中的平衡性和稳定性,以及车辆图像的像素密度。
步骤S6:基于虚拟现实场景技术对对停车过车称重数据和不停车过车称重数据进行场景构建,生成停车称重场景和不停车称重场景;当车辆处于停车称重场景时,利用加速度传感器对车辆进行车辆抖动分析,得到停车称重抖动频率数据;当车辆处于不停车称重场景时,利用速度传感器对车辆进行负载影响分析,得到车辆瞬时负载影响数据;
本发明实施例中,通过利用虚拟现实技术,创建一个模拟环境来还原停车过车称重和不停车过车称重场景,这可以包括使用计算机图形技术创建虚拟道路、车辆和称重设备等元素,以生成逼真的场景,当车辆处于停车称重场景时,使用加速度传感器来对车辆进行抖动分析,将加速度传感器安装在车辆上,并记录车辆在称重过程中的加速度变化,通过分析这些数据,可以得到停车称重抖动频率数据,用于评估车辆在称重时的抖动程度,当车辆处于不停车称重场景时,使用速度传感器对车辆进行负载影响分析,通过监测车辆的速度变化,可以获得车辆在不停车过程中的瞬时负载影响数据,这些数据可以用于评估车辆在不停车称重时承受的负载影响程度。
步骤S7:基于神经网络模型对停车称重抖动频率数据、车辆瞬时负载影响数据和车辆过站平衡系数进行站点异常称重预测,生成异常站点预测数据;利用EM算法对异常站点预测数据进行迭代计算,从而生成异常站点结果数据。
本发明实施例中,通过将步骤S6中得到的停车称重抖动频率数据、车辆瞬时负载影响数据和车辆过站平衡系数整理和标准化,以便输入到神经网络模型中进行训练和预测,选择适当的神经网络模型,例如深度神经网络(DNN)或循环神经网络(RNN),并根据输入数据的特性进行网络结构的设计,将数据分为训练集和测试集,使用训练集对神经网络进行训练,优化模型的参数和权重,使用已训练好的神经网络模型,对测试集中的停车称重抖动频率数据、车辆瞬时负载影响数据和车辆过站平衡系数进行预测,通过将输入数据提供给神经网络,获取每个站点的异常称重预测结果数据,将预测结果数据整理,并转换为异常站点预测数据,可以根据设定的阈值或其他规则来判断一个站点是否异常称重,将预测结果标记为异常或正常,使用EM算法对异常站点预测数据进行迭代计算,以进一步细化和改进异常结果,EM算法是一种迭代优化算法,它通过不断迭代更新参数来最大化似然函数或最小化损失函数,在这里,EM算法可以用于对异常站点预测数据进行优化,提高异常标记的准确性和稳定性,从而生成异常站点结果数据。
优选地,步骤S1包括以下步骤:
步骤S11:利用数据库获取测重站点综合数据,其中测重站点数据包括停车过车称重数据、不停车过车称重数据、治超站点基础数据和车辆定位信息数据;
步骤S12:对测重站点综合数据进行数据清洗,生成测重站点清洗数据;
步骤S13:根据用户需求构建时间窗口;通过时间窗口对测重站点清洗数据进行数据裁剪,生成测重站点裁剪数据;
步骤S14:基于最大-最小规范化方法对测重站点裁剪数据进行数据标准化,从而生成测重站点标准数据。
本发明通过利用数据库获取测重站点综合数据,包括停车过车称重数据、不停车过车称重数据、治超站点基础数据和车辆定位信息数据,这些数据可以从实际测重站点系统或其他数据源中提取,停车过车称重数据包括车辆的重量信息,不停车过车称重数据包括车辆的速度和传感器测得的重量信息,治超站点基础数据包括站点的位置和相关属性信息,车辆定位信息可以通过GPS或其他定位技术获取,对测重站点综合数据进行数据清洗,目的是去除异常数据、缺失值,并进行数据格式转换等处理,以确保数据的准确性和一致性,数据清洗可以包括去除重复数据、处理异常值、填补缺失值等操作,以确保数据的完整性和可靠性,根据用户需求构建时间窗口,通过时间窗口对测重站点清洗数据进行数据裁剪,生成测重站点裁剪数据,时间窗口可以根据需要选择不同的时间间隔,例如按小时、按天或按周进行裁剪,以便进行后续分析和预测,基于最大-最小规范化方法对测重站点裁剪数据进行数据标准化,从而生成测重站点标准数据,最大-最小规范化是一种常用的数据标准化方法,它将数据线性转换到指定的范围内,通常是[0, 1]或[-1, 1],标准化后的数据可以消除不同特征之间的量纲差异,便于神经网络模型对数据进行训练和预测。
本发明实施例中,通过利用数据库获取测重站点综合数据,其中测重站点数据包括停车过车称重数据、不停车过车称重数据、治超站点基础数据和车辆定位信息数据,可以使用数据库查询语言(比如SQL)来获取所需数据,根据数据库结构和表关系,在使用合适的查询语句时可以联结多个表,以获取包含以上所述数据的综合数据集,对测重站点综合数据进行数据清洗,生成测重站点清洗数据,数据清洗包括涉及处理缺失值、异常值、重复值以及格式转换等数据处理操作,例如,可以使用数据清洗工具或编程语言(如Python)进行缺失值的填充、异常值的删除或修正,并确保数据在合适的格式和结构上,根据用户需求构建时间窗口,并通过时间窗口对测重站点清洗数据进行数据裁剪,生成测重站点裁剪数据,时间窗口可以基于固定的时间间隔(如小时、天、周等),或者是根据特定的时间范围来定义,通过筛选符合时间窗口要求的数据记录,并将其提取出来,生成测重站点裁剪数据集,基于最大-最小规范化方法对测重站点裁剪数据进行数据标准化,生成测重站点标准数据,最大-最小规范化是一种常见的数据标准化方法,它将数据线性转换到指定范围内,常见的是[0, 1]的范围,具体步骤包括计算每个数据项的最小值和最大值,然后将每个数据项的原始值转换到标准范围内,这样做可以消除不同特征之间的量纲差异,使得数据更加可比较和可解释。
优选地,步骤S2包括以下步骤:
步骤S21:通过车辆定位信息数据对车辆进行时间戳确定,得到车辆行驶时间戳;
步骤S22:基于车辆形式时间戳和车辆定位信息数据进行车辆轨迹构建,从而生成车辆行车轨迹数据;
步骤S23:根据停车过车称重数据和不停车过车称重数据对车辆进行车辆行程位置定位,生成车辆停车点数据和车辆行驶点数据;
步骤S24:利用车辆停车点数据和车辆行驶点数据进行车辆行驶路线构建,得到车辆行驶路径数据;
步骤S25:利用3D模拟技术将车辆行驶路径数据和车辆行车轨迹数据进行路径重建,生成车辆三维行驶路径图;
步骤S26:对车辆三维行驶路径图进行停车点位节点标记,生成停车标记节点;根据停车标记节点对车辆三维行驶路径图进行出行段分割,从而生成车辆出行段数据。
本发明通过车辆定位信息数据对车辆进行时间戳确定,得到车辆行驶时间戳,可以利用车辆定位系统获取车辆的位置信息,并根据时间戳记录车辆的行驶时间;将车辆的时间戳和位置信息进行整合,得到车辆的行车轨迹,可以是一系列经过的位置点组成的路径;根据车辆称重数据来确定车辆的停车点和行驶点,可以通过分析称重数据,判断车辆是否在某位置停留或直接通行,从而获取车辆的停车点和行驶点信息;将车辆的停车点和行驶点进行连接,构建车辆的行驶路线,得到精确的车辆行驶路径数据;利用3D模拟技术,将车辆的行驶路径数据和行车轨迹数据进行重建,得到车辆的三维行驶路径图,可以以可视化的方式展示车辆的行驶轨迹;根据车辆的停车点位将停车标记节点添加到车辆的三维行驶路径图中,然后根据停车标记节点将车辆的行驶路径分割为不同的出行段,生成车辆的出行段数据;通过时间戳确定车辆的行驶时间,可以用于分析车辆的行驶速度、行驶时段等信息,生成车辆行车轨迹数据,可以用于车辆轨迹分析、路径规划等应用,通过停车点和行驶点数据,可以得到车辆的停车位置和行驶路径,用于停车分析、出行模式研究等,通过3D模拟技术生成车辆的三维行驶路径图,提供可视化展示和分析车辆行驶轨迹的工具,生成车辆的出行段数据,可以用于出行模式分析、交通流量研究等领域。
作为本发明的一个实例,参考图2所示,在本实例中所述步骤S2包括:
步骤S21:通过车辆定位信息数据对车辆进行时间戳确定,得到车辆行驶时间戳;
本发明实施例中,通过获取车辆的定位信息数据,这可以通过车载定位系统(如GPS)或其他车辆追踪技术(如卫星定位、无线通信等)来获取,这些系统可以提供车辆的位置和时间信息,从车辆定位信息数据中提取出与车辆行驶相关的时间戳,时间戳可以包含日期、小时、分钟和秒等信息,用于确定车辆的行驶时间,根据车辆的时间戳数据,可以确定车辆的行驶时间,行驶时间可以以固定的时间格式表示,例如以日期和时间的形式记录车辆的行驶开始和结束时间,或者以总行驶时间的形式表示,例如以秒、分钟或小时为单位记录车辆的行驶持续时间,在确定车辆行驶时间戳之后,可以对数据进行处理和校准,这可能包括检查数据的准确性、处理时间戳的重复或不一致等情况,以确保获得准确的车辆行驶时间戳数据,将车辆行驶时间戳数据存储在合适的数据存储系统中,并进行进一步的数据分析和应用,根据具体需求,可以将车辆行驶时间戳与其他车辆数据(如车辆轨迹、速度、加速度等)结合起来,进行更深入的分析和研究。
步骤S22:基于车辆形式时间戳和车辆定位信息数据进行车辆轨迹构建,从而生成车辆行车轨迹数据;
本发明实施例中,通过根据车辆形式时间戳和车辆定位信息数据,确定车辆在不同时间点的位置,可以利用车辆定位信息数据中的经纬度坐标,将时间戳与坐标点进行关联,得到车辆的行车轨迹点,将车辆行车轨迹点按照时间先后顺序进行连接,形成连续的轨迹路径,可以使用线性插值或曲线拟合等方法对轨迹点进行插值,填补可能存在的间隔或缺失点,使轨迹路径更加平滑和完整,根据实际需求,对车辆行车轨迹数据进行滤波和平滑处理,可以使用滑动平均、卡尔曼滤波等技术来去除轨迹中的噪声,提高轨迹数据的精度和可靠性,根据车辆行驶情况,对车辆行车轨迹进行分段,提取不同时间段或行驶阶段的特征,例如,分析车辆的速度、加速度、转向角度等指标,并提取相关的特征值,用于后续的行车分析和应用,将生成的车辆行车轨迹数据存储在适当的数据存储系统中,例如数据库或文件系统,根据需求,可以对轨迹数据进行进一步的分析和应用,例如行车路径规划、交通拥堵分析、驾驶行为分析等。
步骤S23:根据停车过车称重数据和不停车过车称重数据对车辆进行车辆行程位置定位,生成车辆停车点数据和车辆行驶点数据;
本发明实施例中,通过根据停车过车称重数据,可以通过分析车辆在称重点上停留的时间及相应的称重值,将停车点定位为车辆停车的位置,可以考虑设置一定的停车时间阈值,超过该阈值的停车点被认定为有效的停车点,根据不停车过车称重数据,可以通过分析车辆在称重点上的称重值是否为零以及与前后时间点的关系,将行驶点定位为车辆行驶的位置,如果车辆在称重点上的称重值为零,并且与相邻时间点的称重值也为零,那么该位置可以被判定为行驶点,将停车点和行驶点数据与车辆的其他定位数据进行连接和整合,生成完整的车辆行程位置数据,这可以包括车辆定位信息、车辆速度、行驶时间等数据,以便后续的分析和应用,将生成的车辆停车点数据和车辆行驶点数据存储在适当的数据存储系统中,例如数据库或文件系统,根据需求,可以对数据进行进一步的分析和应用,例如识别常用停车点、计算行驶距离、推断行驶路线等。
步骤S24:利用车辆停车点数据和车辆行驶点数据进行车辆行驶路线构建,得到车辆行驶路径数据;
本发明实施例中,通过根据实际需求和可用数据,选择适合的路线构建算法,常用的算法包括基于网络的最短路径算法、基于图的路线规划算法以及基于GPS轨迹数据的路径生成算法等,将停车点数据用于路线构建时,可以考虑将停车点作为路线的节点,并使用路线构建算法将停车点连接起来,这样可以得到车辆行驶过程中的停车点之间的路径,将行驶点数据用于路线构建时,可以通过分析行驶点之间的关系和车辆的行驶方向,将行驶点连接起来形成行驶路径,这可以利用行驶点之间的距离和方向信息进行路径的推测和连接,将停车点之间的路径和行驶点之间的路径进行整合,得到完整的车辆行驶路径数据,这可能涉及到路径的拼接、去除冗余路径以及对路径的优化和调整,以提高路径的准确性和连续性,将车辆行驶路径数据进行可视化展示,例如在地图上显示车辆的行驶路线、停车点和行驶点的位置等,以便对路径进行分析和理解。
步骤S25:利用3D模拟技术将车辆行驶路径数据和车辆行车轨迹数据进行路径重建,生成车辆三维行驶路径图;
本发明实施例中,通过准备车辆行驶路径数据和车辆行车轨迹数据,确保这些数据包含有关车辆在三维空间中的位置和姿态信息,这可以是车辆行进的经纬度坐标、高度数据、方向角度以及时间戳等,创建车辆的3D模型,这可以是使用计算机辅助设计(CAD)工具进行建模,或者使用现有的车辆3D模型,将车辆行驶路径数据和车辆行车轨迹数据与3D模型的坐标系进行对齐,这样可以确保在3D场景中正确地呈现车辆的位置和运动轨迹,根据车辆行驶路径数据和车辆行车轨迹数据,在3D场景中重建车辆的行驶路径,这可以通过在每个时间步骤上在3D场景中绘制车辆位置和姿态来实现,根据车辆的运动轨迹和方向信息,可以绘制出车辆在三维空间中的行驶路径,使用渲染技术将车辆的行驶路径图与3D场景中的环境和其他元素进行融合,这可以包括添加适当的光照效果、材质、纹理和阴影等,以增强路径图的可视化效果,根据重建的车辆行驶路径数据和渲染的3D场景,生成车辆三维行驶路径图,这可以是静态图像或动态的演示,具体取决于需求。
步骤S26:对车辆三维行驶路径图进行停车点位节点标记,生成停车标记节点;根据停车标记节点对车辆三维行驶路径图进行出行段分割,从而生成车辆出行段数据。
本发明实施例中,通过根据车辆行驶路径图,在路径上标记出停车点位节点,停车点位节点通常指车辆在行驶过程中停下来的地点,例如停车场、交通红绿灯、停车位等,可以通过根据车辆速度和加速度等信息来检测停车事件,并在该位置上标记停车点位节点,根据停车点位节点,在车辆行驶路径图上进行出行段的分割,出行段是指车辆行驶过程中连续的运动段落,可以认为是两个停车点位节点之间的行驶段落,根据停车点位节点的位置,将路径图划分为多个出行段,每个出行段代表一次连续的行驶过程,根据分割后的出行段,在每个出行段的起点和终点位置上提取相关的数据,这些数据可以包括起点和终点的GPS坐标、行驶距离、行驶时间、平均速度、加速度等信息,根据需要,还可以添加其他自定义的属性,如路线特征、行驶行为等。
优选地,步骤S3包括以下步骤:
步骤S31:对车辆出行段数据进行车辆运行数据提取,从而得到车辆行驶速度数据和车辆行驶距离数据;
步骤S32:将治超站点基础数据和车辆出行段数据进行数据关联,生成治超站点访问数据;
步骤S33:基于距离匹配方法对车辆行驶速度数据、车辆行驶距离数据和治超站点访问数据进行数据匹配,从而生成站点匹配访问数据;
步骤S34:利用轨迹偏移评估公式对站点匹配访问数据和车辆三维行驶路径图进行治超站路径偏移分析,从而得到路径偏移系数;
步骤S35:将路径偏移系数与预设的标准偏移系数进行对比,当路径偏移系数大于或等于预设的标准偏移系数时,则将车辆行驶路径数据标记为正常出行行为数据;当路径偏移系数小于预设的标准偏移系数时,则将车辆行驶路径数据标记为异常出行行为数据。
本发明通过对车辆出行段数据进行车辆运行数据提取,以获取车辆行驶速度数据和车辆行驶距离数据,这一步骤可以利用车辆行驶记录仪、GPS定位系统或其他相关设备获取车辆的行驶数据;将治超站点基础数据和车辆出行段数据进行数据关联,以生成治超站点访问数据,治超站点基础数据包括治超站的位置、编号等信息,将其与车辆出行段数据进行匹配,找出车辆在治超站点的访问记录;基于距离匹配方法对车辆行驶速度数据、车辆行驶距离数据和治超站点访问数据进行数据匹配,通过比较车辆行驶段的时间、速度以及经过的位置信息,将车辆行驶段与治超站点的访问数据进行匹配,确定车辆是否在治超站点进行了超载行为;利用轨迹偏移评估公式对站点匹配访问数据和车辆三维行驶路径图进行治超站路径偏移计算,根据车辆的行驶轨迹数据和治超站点的位置信息,计算车辆在行驶过程中与治超站点之间的路径偏移程度;将路径偏移系数与预设的标准偏移系数进行对比,将计算得到的路径偏移系数与设定的标准偏移系数进行比较,如果路径偏移系数大于或等于预设的标准偏移系数,则将车辆行驶路径数据标记为正常的出行行为数据,如果路径偏移系数小于预设的标准偏移系数,则将车辆行驶路径数据标记为异常的出行行为数据,即超载行为数据,有助于监测和控制车辆的超载行为,提高道路交通安全性和治超管理效果。
作为本发明的一个实例,参考图3所示,在本实例中所述步骤S3包括:
步骤S31:对车辆出行段数据进行车辆运行数据提取,从而得到车辆行驶速度数据和车辆行驶距离数据;
本发明实施例中,通过获取车辆出行段的原始数据,可以通过车辆行驶记录仪、GPS定位系统、移动应用程序、交通监控系统等设备或系统来采集车辆行驶数据,对获取到的原始数据进行清洗和预处理,包括数据格式转换、去除异常值、填补缺失值等,确保数据的准确性和完整性,根据车辆的位置信息和时间戳,计算车辆在每个时间点的行驶速度,可以使用两个连续位置之间的距离和时间差来计算平均速度或瞬时速度,根据车辆的位置信息,计算车辆在每个行程段的行驶距离,可以通过累计计算GPS定位点之间的距离,或使用车辆行驶记录仪记录的行驶距离数据,将提取得到的车辆行驶速度数据和车辆行驶距离数据进行存储,并与其他相关的车辆行驶数据进行整合,如车辆标识符、时间戳、位置信息等,利用提取得到的车辆运行数据进行进一步的数据分析和应用,可以通过统计和可视化分析来了解车辆的行驶速度分布、行驶距离分布、行驶时间等,从而探索车辆的运行特征,识别异常行为或提供决策支持。
步骤S32:将治超站点基础数据和车辆出行段数据进行数据关联,生成治超站点访问数据;
本发明实施例中,通过根据车辆出行段数据中的出发地点和到达地点,以及治超站点基础数据中的位置信息,将两者进行关联,可以使用空间关联算法,如最近邻算法或地理信息系统(GIS)中的空间连接操作,将最接近的治超站点与每个出行段关联起来,根据数据关联的结果,将车辆出行段数据和对应的治超站点信息进行匹配,生成治超站点访问数据,可以包括每个出行段访问的治超站点编号、名称、时间信息等,将生成的治超站点访问数据进行存储,并与其他相关的数据进行整合,如车辆标识符、执法人员信息等,确保数据的完整性和易用性。
步骤S33:基于距离匹配方法对车辆行驶速度数据、车辆行驶距离数据和治超站点访问数据进行数据匹配,从而生成站点匹配访问数据;
本发明实施例中,通过获取车辆行驶速度数据、车辆行驶距离数据和治超站点访问数据,车辆行驶速度数据包括车辆在不同时间点的速度信息,可以通过车载GPS设备或交通流检测器获取,车辆行驶距离数据包括车辆在不同时间段内的行驶距离信息,可以通过行驶里程记录仪或车辆定位系统获取,治超站点访问数据是在步骤S32中生成的,包括车辆在不同治超站点的访问信息,使用合适的距离计算方法,根据车辆行驶速度数据和车辆行驶距离数据,计算车辆在不同时间段内行驶到每个治超站点的距离,常用的距离计算方法包括欧氏距离、曼哈顿距离或地理距离(如经纬度之间的距离),基于距离计算结果,将车辆行驶速度数据、车辆行驶距离数据和治超站点访问数据进行匹配,可以使用基于距离阈值的匹配方法,将车辆行驶到距离最近的治超站点进行匹配,如果车辆行驶距离和治超站点距离之间的差异较大,可以根据距离加权等方法进行优化匹配,基于数据匹配的结果,将车辆行驶速度数据、车辆行驶距离数据和对应的治超站点信息进行关联和匹配,生成站点匹配访问数据,可以包括每个车辆行驶段访问的治超站点编号、名称、时间信息、速度信息、行驶距离信息等。
步骤S34:利用轨迹偏移评估公式对站点匹配访问数据和车辆三维行驶路径图进行治超站路径偏移分析,从而得到路径偏移系数;
本发明实施例中,通过将车辆三维行驶路径图数据与站点匹配访问数据进行轨迹对齐,确保站点匹配访问数据与车辆实际行驶轨迹相匹配,轨迹对齐可以通过时间戳的匹配或者位置信息的匹配来实现,确保车辆经过的站点与轨迹图上记录的位置一致,根据评估路径偏移的需求,构建合适的评估公式,评估公式可以采用多种方法,如欧氏距离、曼哈顿距离、动态时间弯曲等,具体选择评估公式需要根据具体的路径偏移情况和评估指标来确定,利用构建的评估公式对轨迹路径进行偏移计算,根据公式中的输入数据,包括车辆经过的站点匹配访问数据和车辆实际行驶路径图数据,在每个站点位置上计算路径偏移量,路径偏移量表示车辆实际行驶路径与治超站点路径的偏移程度,根据路径偏移计算的结果,计算路径偏移系数,路径偏移系数可以表示车辆路径偏移的程度,其数值越大表示路径偏移越大,数值越小表示路径偏移越小,计算路径偏移系数可以基于一系列的规则或者统计方法,如归一化、标准化等,分析路径偏移系数的计算结果,并根据分析结果进行对治超行为的评估和判断,路径偏移系数可以用于评估车辆是否偏离了规定的治超路径,从而判断车辆是否存在超限行为,可以根据路径偏移系数的大小设定相应的阈值,进行超限车辆的筛选和识别。
步骤S35:将路径偏移系数与预设的标准偏移系数进行对比,当路径偏移系数大于或等于预设的标准偏移系数时,则将车辆行驶路径数据标记为正常出行行为数据;当路径偏移系数小于预设的标准偏移系数时,则将车辆行驶路径数据标记为异常出行行为数据。
本发明实施例中,通过车辆装备的GPS定位设备或其他相关技术,获取车辆行驶的路径数据。这些数据可以包括经纬度坐标点、时间戳、速度等信息,将车辆的行驶路径数据转换为一系列的路径线段或轨迹点,然后通过计算每个路径线段或轨迹点与预设的标准路径之间的偏离程度来计算路径偏移系数,常见的计算方法包括最小二乘法、最大距离法或平均偏移法,根据实际需求和领域知识,设定一个合理的预设的标准偏移系数作为衡量正常出行行为的界限,这个标准可以根据历史数据、经验经验法则或专家知识来确定,将计算得到的路径偏移系数与预设的标准偏移系数进行对比,如果路径偏移系数大于或等于预设的标准偏移系数,那么将车辆行驶路径数据标记为正常出行行为数据;如果路径偏移系数小于预设的标准偏移系数,那么将车辆行驶路径数据标记为异常出行行为数据,根据对比结果,将车辆行驶路径数据进行标记,标记为正常或异常出行行为数据。
优选地,步骤S4包括以下步骤:
步骤S41:将正常出行行为数据和异常出行行为数据进行数据整合,生成车辆出行行为数据;
步骤S42:根据摄像头获取车辆拍照信息数据;通过车辆拍照信息数据对车辆出行行为数据进行车辆分组,生成车辆分组行为数据;
步骤S43:对车辆出行段数据进行出入站数据标记,从而得到车辆进站数据和车辆出站数据;
步骤S44:通过车辆进站数据和车辆出站数据进行经过站点顺序记录,从而生成车辆经站数据;
步骤S45:当车辆经站数据大于或等于预设的站点数量时,则生成有效出行记录;当车辆经站数据小于预设的站点数量时,则生成无效站点记录并进行剔除。
本发明通过将正常出行行为数据和异常出行行为数据进行整合,可以得到完整的车辆出行行为数据,这有助于综合分析和理解车辆的行为模式,以及异常行为的特征和原因;根据摄像头获取的车辆拍照信息数据,对车辆出行行为数据进行车辆分组,通过车辆分组,可以对车辆进行分类和归类,方便后续的分析和处理;对车辆出行段数据进行出入站数据标记,可以确定车辆的进站和出站时刻,这为后续的站点顺序记录和有效出行记录提供了基础数据;通过车辆进站数据和车辆出站数据,记录车辆经过站点的顺序,这有助于分析车辆的行驶路线和行为,比如确定是否按照预设的顺序经过站点;通过判断车辆经站数据的数量是否达到预设的站点数量,可以确定有效出行记录,对于经站数据少于预设数量的情况,可以将这些无效站点记录剔除,以保证分析的准确性和可靠性。
本发明实施例中,通过可以使用数据处理工具或编程语言,例如Python,来将正常出行行为数据和异常出行行为数据进行整合,合并两类数据时,需确保数据结构和字段的一致性,可以使用数据合并函数或操作进行合并操作,生成车辆出行行为数据,获取摄像头拍照信息数据,可以使用图像处理技术或相关摄像头数据提取工具,将图像数据转换为可用的车辆拍照信息数据,根据车辆拍照信息数据,可以基于车辆的标识号码或其他特征,对车辆出行行为数据进行分组操作,生成车辆分组行为数据,这可以通过数据筛选、分组或聚合等方式实现,对车辆出行段数据进行分析,判断每个出行段是否属于车辆的进站或出站行为,通过设置出入站的判定条件,如特定的位置、时间间隔等,将车辆出行段标记为进站或出站,这可以通过地理位置判定、时间戳等方式来实现,可以使用地理信息系统(GIS)技术或相关算法进行处理,根据进站和出站数据,确定车辆经过站点的顺序。可以使用进站时间和出站时间信息,按时间先后顺序进行记录,通过对进站和出站数据进行匹配或关联,构建车辆经站数据,其中记录了车辆经过的站点及其顺序,对于每个车辆经站数据,判断其经过的站点数量是否达到预设的站点数量,其中阈值数量设置为2,即至少通过两个不同站点,如果经站数据数量满足预设条件,则将该记录标记为有效出行记录,如果经站数据数量小于预设条件,则将该记录标记为无效站点记录,并进行剔除或后续分析处理。
优选地,步骤S5包括以下步骤:
步骤S51:利用有效出行记录对正常出行行为数据和异常出行行为数据进行站点筛选,从而生成有效出行站点数据;
步骤S52:通过有效出行站点数据对车辆图像进行收集,从而获取车辆过站图像;
步骤S53:利用Canny边缘检测算法对车辆过站图像进行区域划分,生成车辆过站轮廓图像;
步骤S54:根据快速傅里叶变换对车辆过站分割图像进行图像压缩,生成车辆过站压缩图像;
步骤S55:对车辆过站压缩图像进行水平方向重心位置分析,从而得到车辆横向重心坐标;
步骤S56:根据车辆平衡度检测将车辆横向重心坐标与车辆过站轮廓图像进行图像重合,生成车辆图像平衡度数据;
步骤S57:对车辆过站压缩图像进行像素密度分析,生成车辆像素密度数据;通过车辆平衡偏移公式对车辆图像平衡度数据和车辆像素密度数据进行平衡度评估,生成车辆过站平衡系数。
本发明通过有效出行记录,可以从正常出行行为数据和异常出行行为数据中筛选出与有效出行相关的站点数据,这个步骤的目的是提取出与有效出行相关的站点信息,从而优化数据集并减少后续处理的计算量;利用有效出行站点数据,可以定位到车辆停留的站点,在该站点进行车辆图像的收集,这个步骤的目标是获取车辆过站图像,为后续的图像处理和分析提供数据源;利用Canny边缘检测算法,可以从车辆过站图像中提取出车辆的轮廓信息,这个步骤的目的是对车辆过站图像进行预处理,提取出车辆轮廓的形状信息;利用快速傅里叶变换,可以对车辆过站分割图像进行压缩,减少图像的维度和数据量,这个步骤的目标是通过图像压缩,降低后续分析的计算复杂度和存储需求;对车辆过站压缩图像进行水平方向重心分析,可以计算出车辆在图像中的横向重心位置,这个步骤的目的是获取车辆在过站图像中的横向位置信息,为后续的平衡度评估提供基础;通过将车辆横向重心坐标与车辆过站轮廓图像进行对比和重合,可以得到车辆图像的平衡度信息,这个步骤的目标是通过图像分析和对比,评估车辆在过站过程中的平衡度,可以用于判断车辆是否保持平衡的情况;对车辆过站压缩图像进行像素密度分析,可以获得车辆过站区域的像素密度数据,通过车辆平衡偏移公式,结合车辆图像平衡度数据和像素密度数据,可以计算出车辆过站的平衡系数,这个步骤的目的是通过像素密度和平衡度评估,量化车辆在过站过程中的平衡程度,从而提供有益的评估指标。
作为本发明的一个实例,参考图4所示,在本实例中所述步骤S5包括:
步骤S51:利用有效出行记录对正常出行行为数据和异常出行行为数据进行站点筛选,从而生成有效出行站点数据;
本发明实施例中,通过收集正常出行行为数据和异常出行行为数据,正常出行行为数据是用户在日常出行中生成的数据,例如旅行记录、交通卡使用记录等,异常出行行为数据是指用户的出行行为与正常模式有显著偏离的数据,例如异常时间、异常路径等。确保数据的质量和准确性,对收集到的数据进行清洗和整理,去除噪声数据和重复数据,并进行格式标准化,以方便后续的分析和处理,从清洗后的数据中提取有用的特征,特征可以包括出行时间、出行地点、出行方式等,根据具体情况,可以使用各种特征提取方法,如时间窗口分析、地理信息提取等,利用提取到的特征对正常出行行为数据和异常出行行为数据进行分析,可以使用统计方法、机器学习方法等进行分析,识别出正常出行行为和异常出行行为的模式,根据出行模式分析的结果,对正常出行行为数据和异常出行行为数据进行站点筛选,可以根据出行频次、出行时间等指标,在数据中找出经常出现的站点,将其作为有效出行站点。
步骤S52:通过有效出行站点数据对车辆图像进行收集,从而获取车辆过站图像;
本发明实施例中,通过根据实际情况和可行性,确定车辆图像数据的采集方式,可以使用摄像头设备进行现场拍摄,或者利用已有的交通监控摄像头进行采集,根据有效出行站点数据,确定采集车辆图像的时间和地点,根据出行记录和站点信息,可以确定车辆经常经过的站点和过站时间段,根据选定的采集方式,在有效出行站点附近安装摄像设备,确保设备的位置和角度能够覆盖到经过站点的车辆,并调试设备以确保图像质量和采集效果,在确定的时间段内,利用安装好的摄像设备进行车辆图像的采集,采集到的图像数据可以经过实时处理或者批量处理后进行存储,可以使用本地存储或者云存储等方式进行数据存储,对采集到的车辆图像进行处理和标注,以便后续的分析和应用,图像处理可以包括图像去噪、图像增强等操作,以提升图像质量,同时,也可以通过图像标注来提取有用的信息,例如车辆类型、车牌号码等,在整个数据采集过程中,需要进行数据质量控制,确保采集到的图像数据的准确性和完整性,可以采用自动化方法或者人工审核方法进行数据检查,并根据需要进行数据清理和修正,在数据采集和存储过程中,需要注意数据的安全性和隐私保护,合理设置访问权限和加密措施,确保数据不受未授权访问和滥用。
步骤S53:利用Canny边缘检测算法对车辆过站图像进行区域划分,生成车辆过站轮廓图像;
本发明实施例中,通过应用Canny边缘检测算法对预处理后的图像进行边缘检测,Canny边缘检测算法是一种常用的边缘检测方法,它能够有效地提取图像中的边缘信息,其中具体的将车辆过站图像转换为灰度图像,以便进行后续的计算,利用Canny边缘检测算法对灰度图像进行边缘检测,该算法首先通过计算图像中每个像素点的梯度值和方向来确定边缘的强度和方向,根据预先设定好的阈值,将梯度值高于阈值的像素点标记为强边缘,梯度值低于阈值的像素点标记为弱边缘,其他像素点则被抑制或丢弃,通过非极大值抑制和双阈值处理等步骤,将强边缘连接并细化,得到最终的边缘图像,根据Canny边缘检测得到的边缘图像,可以应用图像处理技术进行区域划分,从而生成车辆过站轮廓图像,区域划分可以通过分割算法(如阈值分割、基于区域的分割等)或轮廓提取算法(如轮廓检测、轮廓跟踪等)来实现,阈值分割可以根据图像的灰度值或者其他特征来将图像分割成多个区域,从而得到车辆过站轮廓的划分,基于区域的分割方法可以根据图像中的纹理、颜色等信息来将图像分割成具有相似特征的区域,进而提取出车辆过站轮廓,轮廓提取算法可以基于边缘图像中的边缘信息,提取出车辆过站轮廓的形状,根据区域划分的结果,将车辆过站图像中的非车辆部分去除,只保留车辆过站轮廓的图像区域,可以通过将非车辆区域设置为背景或进行像素级别的处理来实现轮廓图像的生成。
步骤S54:根据快速傅里叶变换对车辆过站分割图像进行图像压缩,生成车辆过站压缩图像;
本发明实施例中,通过准备车辆过站的分割图像数据,这些图像应该是在步骤S53中生成的车辆过站轮廓图像数据,对车辆过站分割图像进行预处理。这可以包括去除噪声、调整图像大小、转换图像格式等,预处理的目的是为了提高图像质量和处理效果,应用快速傅里叶变换(FFT)来对预处理后的图像进行频域分析,快速傅里叶变换是一种能够将图像转换到频域的数学变换方法,具体的将预处理后的图像转换为灰度图像,以便进行频域分析,对灰度图像应用快速傅里叶变换,将图像转换到频域,这样可以将图像从原始的空间域转换为频域表示,快速傅里叶变换将图像分解为一系列频谱分量,每个频谱分量代表一个特定频率的振幅和相位信息,在频域对图像进行滤波和降维操作,以实现图像压缩,频域滤波可以通过去除较低振幅的频率成分,选择保留重要的高频信息,以减小图像的数据量,可以根据实际需求和场景选择适当的滤波操作,如高通滤波或低通滤波等,频域降维可以通过保留较少的频谱分量或将频谱分量进行压缩,减少储存和传输所需的数据量,常用的方法包括截断傅里叶系数、量化和编码等,根据经过滤波和降维处理后的频域图像,应用反傅里叶变换将图像从频域转换回空间域,反傅里叶变换是傅里叶变换的逆操作,用于将频率域的图像转换为原始图像,对反傅里叶变换后的图像进行后处理,如调整图像大小、恢复图像质量等,根据需求选择适当的图像格式和压缩方法,将生成的车辆过站压缩图像保存起来,生成车辆过站压缩图像。
步骤S55:对车辆过站压缩图像进行水平方向重心位置分析,从而得到车辆横向重心坐标;
本发明实施例中,通过对车辆过站压缩图像进行像素值分析,以计算图像的重心位置,重心计算是通过计算图像的像素值和像素位置的加权平均来确定图像的重心位置,在水平方向上,对图像的每一列进行像素值加权计算来获得重心位置,具体的首先,遍历灰度图像的每一列,对于每一列,计算该列的像素值的加权平均,将每个像素的值乘以其在该列中的位置,然后将所有乘积相加,再除以该列中所有像素的总和。这将得到该列的加权平均位置,重复上述步骤,对图像的所有列进行加权平均计算,得到每列的重心位置,这些重心位置将构成车辆的横向重心坐标,根据实际应用需求和图像处理的准确性,可能需要对得到的重心位置进行后处理,如平滑处理、滤波处理等,这有助于消除噪声和提高坐标的准确性,根据实际需求,将计算得到的车辆横向重心坐标输出,可以是以数据形式保存或以可视化形式展示。
步骤S56:根据车辆平衡度检测将车辆横向重心坐标与车辆过站轮廓图像进行图像重合,生成车辆图像平衡度数据;
本发明实施例中,通过对车辆过站的图像进行轮廓提取,这可以使用图像处理算法,如边缘检测算法(如Canny边缘检测)或轮廓检测算法(如OpenCV中的findContours函数)来实现,这将提取出车辆的轮廓信息,根据车辆轮廓的像素位置,计算车辆轮廓的重心坐标,重心计算可以通过计算轮廓的中心点坐标来实现,这可以通过将轮廓的像素位置进行加权平均来得到,将车辆的横向重心坐标与车辆轮廓重心坐标进行对齐,即在同一坐标系下进行比较,可以通过简单的坐标变换(平移、缩放)来实现将两个坐标系对齐,根据车辆横向重心坐标与轮廓重心坐标的重合程度,计算车辆的平衡度,平衡度可以使用各种度量方法进行计算,如欧氏距离、重叠面积比例等,通过比较车辆的横向重心坐标与轮廓重心坐标的差异,可以得出车辆的平衡度数据,根据实际需求,将计算得到的车辆图像平衡度数据进行输出,可以是以数据形式保存或以可视化形式展示。
步骤S57:对车辆过站压缩图像进行像素密度分析,生成车辆像素密度数据;通过车辆平衡偏移公式对车辆图像平衡度数据和车辆像素密度数据进行平衡度评估,生成车辆过站平衡系数。
本发明实施例中,通过对车辆过站的图像进行压缩处理,以便进行像素密度分析,可以使用图像压缩算法,例如JPEG压缩,以减小图像文件大小并保持较高的图像质量,这样可以提高处理效率和减少资源开销,对压缩图像进行像素密度分析,以确定图像中的像素数量,可以通过像素统计方法,如计算每个像素值的频率或使用直方图分析,获得车辆图像中的像素密度分布,这将生成车辆的像素密度数据,反映了图像中像素的分布情况,根据车辆平衡偏移公式,结合车辆图像平衡度数据和车辆像素密度数据进行平衡度评估,具体的平衡偏移公式可以根据实际需求和领域知识来确定,以反映车辆平衡度的综合评估,例如,可以将像素密度数据与平衡度数据进行加权组合,将不同因素对车辆平衡度的影响进行综合考虑,利用车辆图像平衡度数据和车辆像素密度数据进行平衡度评估,根据平衡度评估结果,生成车辆过站平衡系数,该系数用于量化车辆在过站过程中的平衡度水平,该系数可以是一个数值,也可以是一个分类标签,例如"高度平衡"、"中度平衡"、"不平衡"等级别,根据实际需求,将生成的车辆过站平衡系数进行输出和结果展示,可以将结果保存为数据形式,如CSV文件或数据库记录,以便后续分析和使用,同时,可以将结果可视化展示,如生成平衡度报告、绘制平衡度曲线图等,以便于理解和沟通。
优选地,步骤S6包括以下步骤:
步骤S61:利用虚拟现实场景技术对停车过车称重数据和不停车过车称重数据进行场景构建,生成停车称重场景和不停车称重场景;
步骤S62:当车辆处于停车称重场景时,利用加速度传感器采集车辆抖动频率数据;将车身抖动频率数据和停车过车称重数据进行称重波动影响分析,从而得到称重波动图;对称重波动图进行相邻波长对比,从而得到停车称重抖动频率数据;
步骤S63:当车辆处于不停车称重场景时,利用速度传感器采集车辆过程称重速度;根据车辆过程称重速度进行空气阻力分析,从而得到称重空气阻力数据;对称重空气阻力数据进行数据可视化,从而生成阻力流动图;对阻力流动图对车辆负载进行影响分析,从而得到车辆瞬时负载影响数据。
本发明通过利用虚拟现实场景技术对停车过车称重数据和不停车过车称重数据进行场景构建,可以模拟真实的称重环境,这有助于提供可控的实验环境,减少实际测试的成本和风险;通过在停车称重场景下利用加速度传感器采集车辆抖动频率数据,并将其与停车过车称重数据进行分析,可以获取称重波动图,这样的分析有助于了解车辆停车过程中的抖动状况,为精确称重提供参考;对称重波动图进行相邻波长对比,可以得到停车称重抖动频率数据,这可以帮助识别并量化称重过程中的抖动频率,为准确的称重结果提供依据;在不停车称重场景下,通过速度传感器采集车辆过程的称重速度,进行空气阻力分析,得到称重空气阻力数据,这有助于理解车辆在高速行驶时,空气阻力对称重的影响,为准确称重提供更全面的考虑;对称重空气阻力数据进行数据可视化,可以生成阻力流动图,通过对阻力流动图进行分析,可以了解空气阻力对车辆负载的影响,这样可以帮助评估不同车辆负载下的准确称重情况,从而提供更准确的称重结果。
本发明实施例中,通过为停车过车称重和不停车过车称重数据建立数据库,使用虚拟现实软件或开发工具创建一个车辆称重的模拟环境,基于数据库中的数据,将车辆、道路和称重设备等元素添加到虚拟现实场景中,确保场景的真实性和准确性,生成停车称重场景和不停车称重场景,在停车称重场景中,通过安装加速度传感器在车辆上采集车身抖动频率数据,将停车过车称重数据与车辆抖动频率数据进行对比和分析,以揭示抖动对称重的影响,使用数据分析工具对称重波动图进行生成和分析,以计算停车称重抖动频率数据,在不停车称重场景中,通过安装速度传感器记录车辆过程称重的速度数据,基于车辆过程称重速度,使用空气动力学原理进行空气阻力分析,数据可视化和图表绘制,生成阻力流动图以展示空气阻力的分布和变化,对阻力流动图进行分析,以确定车辆瞬时负载影响数据,如空气阻力对负载的影响。
优选地,步骤S7包括以下步骤:
步骤S71:基于神经网络模型对停车称重抖动频率数据、车辆瞬时负载影响数据和车辆过站平衡系数进行模型训练,从而生成车辆称重站点预测模型;
步骤S72:将测重站点综合数据导入至车辆称重站点预测模型中进行模型预测,生成异常站点预测数据;
步骤S73:利用EM算法对异常站点预测数据进行迭代计算,从而生成异常站点结果数据。
本发明通过建立一个神经网络模型,通过训练这个模型,使其能够从给定的停车称重抖动频率数据、车辆瞬时负载影响数据和车辆过站平衡系数中学习到合适的模式和规律;将测重站点的综合数据输入到在步骤S71中训练好的车辆称重站点预测模型中进行预测,模型根据输入的数据和在训练过程中学到的知识,给出关于测重站点是否异常的预测结果;将测重站点的综合数据输入到在步骤S71中训练好的车辆称重站点预测模型中进行预测,模型根据输入的数据和在训练过程中学到的知识,给出关于测重站点是否异常的预测结果。
本发明实施例中,通过收集停车称重抖动频率数据、车辆瞬时负载影响数据和车辆过站平衡系数作为训练数据集,对收集到的数据进行清洗和预处理,包括数据去噪、缺失值填充、特征缩放等,选择适当的神经网络结构,如多层感知机(Multilayer Perceptron),设定模型的输入、隐藏层和输出层的节点数量,使用训练数据集对神经网络模型进行训练,通过反向传播算法(Backpropagation)不断更新模型的权重和偏置,以最小化损失函数,使用验证数据集评估训练好的模型的性能,例如计算准确率、精确率、召回率等指标,以及绘制学习曲线和混淆矩阵等可视化结果,保存训练好的神经网络模型,以备后续使用,收集或获取需要进行异常站点预测的测重站点的综合数据,包括停车称重抖动频率数据、车辆瞬时负载影响数据和车辆过站平衡系数,对收集到的测重站点综合数据进行与步骤S71中相同的预处理过程,确保数据符合模型的输入要求,将步骤S71中训练好的车辆称重站点预测模型加载到内存中,以便进行预测,将预处理后的测重站点综合数据输入到预训练的模型中,通过前向传播算法得到模型的输出结果,即异常站点的预测数据,将步骤S72中得到的异常站点预测数据准备好,作为EM算法的输入,设定EM算法的初始参数值,如混合模型的初始权重、均值和方差,通过交替进行E步和M步来迭代计算模型参数。在E步中,根据当前的模型参数和异常站点预测数据,计算每个样本属于各个分量的概率;在M步中,根据E步计算得到的概率更新模型的参数,判断迭代计算是否达到收敛条件,例如参数的变化是否小于设定阈值,若未达到收敛,则返回第3步进行下一轮迭代,根据EM算法最终得到的模型参数,计算异常站点的结果数据,可以是异常程度的度量值或异常判断的二分类结果。
本发明的有益效果在于通过利用测重站点数据、车辆行驶路径数据、出行行为数据和车辆过站图像数据等多种信息,通过数据整合和关联,以及图像分析和评估,能够对称重过程进行高精度的稽核,通过对正常和异常出行行为的判断、车辆平衡度和像素密度的评估,可以准确地检测出异常称重情况,提高称重的精准度,通过考虑多个因素对称重精准度的影响,包括车辆行驶路径、治超站点访问情况、车辆出行行为、车辆过站图像等多个方面,通过多个步骤的数据处理和分析,综合考虑了各种因素对称重结果的影响,提高了稽核的全面性和综合性,基于大数据技术,能够处理和分析大量的测重站点数据、车辆行驶数据和图像数据等复杂数据,通过应用时间窗口、数据标准化、数据关联和图像分析等技术手段,能够高效地处理和提取数据中的有用信息,实现对称重精准度的稽核,通过利用神经网络模型进行异常称重预测,并通过EM算法进行迭代计算,得到异常站点的预测数据和结果数据,这种组合能够有效地预测异常称重情况,并生成准确的异常站点结果数据,为进一步的处理和调整提供依据。因此,本发明通过对站点数据进行车辆路径分析以及车辆状态分析,减少站点称重异常的发生概率,提高了异常站点的筛选精准度。
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 (8)
1.一种基于EM算法的大数据称重精准度稽核方法,其特征在于,包括以下步骤:
步骤S1:获取测重站点综合数据,其中测重站点数据包括停车过车称重数据、不停车过车称重数据、治超站点基础数据和车辆定位信息数据;利用时间窗口对测重站点综合数据进行数据标准化,从而生成测重站点标准数据;
步骤S2:根据测重站点综合数据确定车辆行驶时间戳;根据车辆行驶时间戳和测重站点综合数据进行车辆行驶路线构建,生成车辆行驶路径数据;利用3D模拟技术对车辆行驶路径数据进行出行段分割,从而生成车辆出行段数据;
步骤S3:对车辆出行段数据进行数据关联,得到治超站点访问数据;对治超站点访问数据进行治超站点路径偏移分析,从而得到路径偏移系数;将路径偏移系数与预设的标准偏移系数进行对比,生成正常出行行为数据和异常出行行为数据;
步骤S4:将正常出行行为数据和异常出行行为数据进行数据整合,得到车辆出行行为数据;根据摄像头获取车辆拍照信息数据;利用车辆拍照信息数据对车辆出行行为数据进行站点对比,从而得到有效出行记录;
步骤S5:利用有效出行记录对正常出行行为数据和异常出行行为数据进行图像采集,得到车辆过站图像;对车辆过站图像进行水平方向位置分析,生成车辆图像平衡度数据;对车辆过站图像进行像素密度分析,生成车辆像素密度数据;对车辆图像平衡度数据和车辆像素密度数据进行称重影响评估,从而得到车辆过站平衡系数;
步骤S6:基于虚拟现实场景技术对对停车过车称重数据和不停车过车称重数据进行场景构建,生成停车称重场景和不停车称重场景;当车辆处于停车称重场景时,利用加速度传感器对车辆进行车辆抖动分析,得到停车称重抖动频率数据;当车辆处于不停车称重场景时,利用速度传感器对车辆进行负载影响分析,得到车辆瞬时负载影响数据;
步骤S7:基于神经网络模型对停车称重抖动频率数据、车辆瞬时负载影响数据和车辆过站平衡系数进行站点异常称重预测,生成异常站点预测数据;利用EM算法对异常站点预测数据进行迭代计算,从而生成异常站点结果数据。
2.根据权利要求1所述的基于EM算法的大数据称重精准度稽核方法,其特征在于,步骤S1包括以下步骤:
步骤S11:利用数据库获取测重站点综合数据,其中测重站点数据包括停车过车称重数据、不停车过车称重数据、治超站点基础数据和车辆定位信息数据;
步骤S12:对测重站点综合数据进行数据清洗,生成测重站点清洗数据;
步骤S13:根据用户需求构建时间窗口;通过时间窗口对测重站点清洗数据进行数据裁剪,生成测重站点裁剪数据;
步骤S14:基于最大-最小规范化方法对测重站点裁剪数据进行数据标准化,从而生成测重站点标准数据。
3.根据权利要求1所述的基于EM算法的大数据称重精准度稽核方法,其特征在于,步骤S2包括以下步骤:
步骤S21:通过车辆定位信息数据对车辆进行时间戳确定,得到车辆行驶时间戳;
步骤S22:基于车辆形式时间戳和车辆定位信息数据进行车辆轨迹构建,从而生成车辆行车轨迹数据;
步骤S23:根据停车过车称重数据和不停车过车称重数据对车辆进行车辆行程位置定位,生成车辆停车点数据和车辆行驶点数据;
步骤S24:利用车辆停车点数据和车辆行驶点数据进行车辆行驶路线构建,得到车辆行驶路径数据;
步骤S25:利用3D模拟技术将车辆行驶路径数据和车辆行车轨迹数据进行路径重建,生成车辆三维行驶路径图;
步骤S26:对车辆三维行驶路径图进行停车点位节点标记,生成停车标记节点;根据停车标记节点对车辆三维行驶路径图进行出行段分割,从而生成车辆出行段数据。
4.根据权利要求1所述的基于EM算法的大数据称重精准度稽核方法,其特征在于,步骤S3包括以下步骤:
步骤S31:对车辆出行段数据进行车辆运行数据提取,从而得到车辆行驶速度数据和车辆行驶距离数据;
步骤S32:将治超站点基础数据和车辆出行段数据进行数据关联,生成治超站点访问数据;
步骤S33:基于距离匹配方法对车辆行驶速度数据、车辆行驶距离数据和治超站点访问数据进行数据匹配,从而生成站点匹配访问数据;
步骤S34:对站点匹配访问数据和车辆三维行驶路径图进行治超站路径偏移分析,从而得到路径偏移系数;
步骤S35:将路径偏移系数与预设的标准偏移系数进行对比,当路径偏移系数大于或等于预设的标准偏移系数时,则将车辆行驶路径数据标记为正常出行行为数据;当路径偏移系数小于预设的标准偏移系数时,则将车辆行驶路径数据标记为异常出行行为数据。
5.根据权利要求1所述的基于EM算法的大数据称重精准度稽核方法,其特征在于,步骤S4包括以下步骤:
步骤S41:将正常出行行为数据和异常出行行为数据进行数据整合,生成车辆出行行为数据;
步骤S42:根据摄像头获取车辆拍照信息数据;通过车辆拍照信息数据对车辆出行行为数据进行车辆分组,生成车辆分组行为数据;
步骤S43:对车辆出行段数据进行出入站数据标记,从而得到车辆进站数据和车辆出站数据;
步骤S44:通过车辆进站数据和车辆出站数据进行经过站点顺序记录,从而生成车辆经站数据;
步骤S45:当车辆经站数据大于或等于预设的站点数量时,则生成有效出行记录;当车辆经站数据小于预设的站点数量时,则生成无效站点记录并进行剔除。
6.根据权利要求1所述的基于EM算法的大数据称重精准度稽核方法,其特征在于,步骤S5包括以下步骤:
步骤S51:利用有效出行记录对正常出行行为数据和异常出行行为数据进行站点筛选,从而生成有效出行站点数据;
步骤S52:通过有效出行站点数据对车辆图像进行收集,从而获取车辆过站图像;
步骤S53:利用Canny边缘检测算法对车辆过站图像进行区域划分,生成车辆过站轮廓图像;
步骤S54:根据快速傅里叶变换对车辆过站分割图像进行图像压缩,生成车辆过站压缩图像;
步骤S55:对车辆过站压缩图像进行水平方向重心位置分析,从而得到车辆横向重心坐标;
步骤S56:根据车辆平衡度检测将车辆横向重心坐标与车辆过站轮廓图像进行图像重合,生成车辆图像平衡度数据;
步骤S57:对车辆过站压缩图像进行像素密度分析,生成车辆像素密度数据;对车辆图像平衡度数据和车辆像素密度数据进行平衡度评估,生成车辆过站平衡系数。
7.根据权利要求1所述的基于EM算法的大数据称重精准度稽核方法,其特征在于,步骤S6包括以下步骤:
步骤S61:利用虚拟现实场景技术对停车过车称重数据和不停车过车称重数据进行场景构建,生成停车称重场景和不停车称重场景;
步骤S62:当车辆处于停车称重场景时,利用加速度传感器采集车辆抖动频率数据;将车身抖动频率数据和停车过车称重数据进行称重波动影响分析,从而得到称重波动图;对称重波动图进行相邻波长对比,从而得到停车称重抖动频率数据;
步骤S63:当车辆处于不停车称重场景时,利用速度传感器采集车辆过程称重速度;根据车辆过程称重速度进行空气阻力分析,从而得到称重空气阻力数据;对称重空气阻力数据进行数据可视化,从而生成阻力流动图;对阻力流动图对车辆负载进行影响分析,从而得到车辆瞬时负载影响数据。
8.根据权利要求1所述的基于EM算法的大数据称重精准度稽核方法,其特征在于,步骤S7包括以下步骤:
步骤S71:基于神经网络模型对停车称重抖动频率数据、车辆瞬时负载影响数据和车辆过站平衡系数进行模型训练,从而生成车辆称重站点预测模型;
步骤S72:将测重站点综合数据导入至车辆称重站点预测模型中进行模型预测,生成异常站点预测数据;
步骤S73:利用EM算法对异常站点预测数据进行迭代计算,从而生成异常站点结果数据。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410472693.8A CN118072523A (zh) | 2024-04-19 | 2024-04-19 | 一种基于em算法的大数据称重精准度稽核方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410472693.8A CN118072523A (zh) | 2024-04-19 | 2024-04-19 | 一种基于em算法的大数据称重精准度稽核方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN118072523A true CN118072523A (zh) | 2024-05-24 |
Family
ID=91097657
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410472693.8A Pending CN118072523A (zh) | 2024-04-19 | 2024-04-19 | 一种基于em算法的大数据称重精准度稽核方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN118072523A (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2020134275A (ja) * | 2019-02-18 | 2020-08-31 | 矢崎エナジーシステム株式会社 | 積載状況監視装置および積載状況監視方法 |
CN112539816A (zh) * | 2020-12-03 | 2021-03-23 | 西安科技大学 | 在数字孪生环境下基于深度神经网络的动态称重矫正方法 |
CN114818301A (zh) * | 2022-04-18 | 2022-07-29 | 深圳市坦成科技有限公司 | 不停车监测系统、方法、设备及存储介质 |
-
2024
- 2024-04-19 CN CN202410472693.8A patent/CN118072523A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2020134275A (ja) * | 2019-02-18 | 2020-08-31 | 矢崎エナジーシステム株式会社 | 積載状況監視装置および積載状況監視方法 |
CN112539816A (zh) * | 2020-12-03 | 2021-03-23 | 西安科技大学 | 在数字孪生环境下基于深度神经网络的动态称重矫正方法 |
CN114818301A (zh) * | 2022-04-18 | 2022-07-29 | 深圳市坦成科技有限公司 | 不停车监测系统、方法、设备及存储介质 |
Non-Patent Citations (2)
Title |
---|
文尚胜 等: "《有机光电子技术》", vol. 1, 31 August 2013, 华南理工大学出版社, pages: 131 - 132 * |
陈亮;李笑红;: "超重货车偏载过桥性能及影响因素分析", 铁道货运, no. 09, 10 September 2009 (2009-09-10), pages 36 - 39 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108010320B (zh) | 一种基于自适应时空约束低秩算法的路网交通数据的补全方法 | |
Radopoulou et al. | Patch detection for pavement assessment | |
Mirtabar et al. | Development of a crowdsourcing-based system for computing the international roughness index | |
Dimitriou et al. | A deep learning framework for simulation and defect prediction applied in microelectronics | |
CN111126713B (zh) | 基于卡口数据的时空热点预测方法、装置及控制器 | |
Aboah et al. | Smartphone-based pavement roughness estimation using deep learning with entity embedding | |
Daraghmi et al. | Crowdsourcing-based road surface evaluation and indexing | |
CN115907639A (zh) | 一种基于cim的区块链工程协同监管系统及方法 | |
CN102254185B (zh) | 基于对比度敏感函数的背景杂波量化方法 | |
CN117932763A (zh) | 基于数字孪生的高速公路交通模型构建方法 | |
CN107924423A (zh) | 模型确定设备和模型确定方法 | |
Shen et al. | Traffic velocity prediction using GPS data: IEEE ICDM contest task 3 report | |
Niu et al. | Road extraction using smart phones GPS | |
CN118072523A (zh) | 一种基于em算法的大数据称重精准度稽核方法 | |
JP6894395B2 (ja) | 情報取得装置及び情報集計システム並びに情報集計装置 | |
Al-Suleiman et al. | Assessment of the effect of alligator cracking on pavement condition using WSN-image processing | |
CN114880954A (zh) | 一种基于机器学习的滑坡敏感性的评估方法 | |
Kyriakou et al. | Do vehicles sense pavement surface anomalies? | |
CN112732773A (zh) | 一种继电保护缺陷数据的唯一性校核方法及系统 | |
CN117035469B (zh) | 公铁联运枢纽功能区建设用地指标测算的方法及装置 | |
Shen et al. | Real-time traffic prediction using GPS data with low sampling rates: a hybrid approach | |
CN113870565B (zh) | 基于迁移学习模型的城市路网未知流量估计方法及系统 | |
CN116822968B (zh) | 一种基于租赁物持续产生现金流的风险管理方法 | |
Kyriakou et al. | A low-cost pavement-rating system, based on machine learning, utilising smartphone sensors | |
Silva et al. | Visual Analysis of Multivariate Urban Traffic Data Resorting to Local Principal Curves. |
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 |