CN118133097A - 一种车辆运输属性的识别方法、装置、设备及存储介质 - Google Patents
一种车辆运输属性的识别方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN118133097A CN118133097A CN202311362121.6A CN202311362121A CN118133097A CN 118133097 A CN118133097 A CN 118133097A CN 202311362121 A CN202311362121 A CN 202311362121A CN 118133097 A CN118133097 A CN 118133097A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- transportation
- driving
- data
- determining
- 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
- 238000000034 method Methods 0.000 title claims abstract description 54
- 238000013145 classification model Methods 0.000 claims abstract description 43
- 230000000694 effects Effects 0.000 claims abstract description 10
- 239000000446 fuel Substances 0.000 claims description 25
- 238000004590 computer program Methods 0.000 claims description 16
- 238000012549 training Methods 0.000 claims description 16
- 238000011156 evaluation Methods 0.000 claims description 10
- 230000008569 process Effects 0.000 claims description 7
- 238000004140 cleaning Methods 0.000 claims description 4
- 230000006855 networking Effects 0.000 description 15
- 238000004891 communication Methods 0.000 description 9
- 238000012545 processing Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 230000010365 information processing Effects 0.000 description 3
- 210000002569 neuron Anatomy 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 238000013459 approach Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 239000000047 product Substances 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种车辆运输属性的识别方法、装置、设备及存储介质。该方法包括:获取待识别车辆的行驶数据,并根据所述行驶数据,确定行驶特征;其中,所述行驶特征包括停车点数量、活动范围、平均速度、平均油耗以及怠速时间占比;将所述行驶特征输入至预先训练的分类模型,得到待识别车辆的运输属性的识别结果。本技术方案解决了车辆运输属性的识别准确率低的问题,可以在提高车辆运输属性识别准确性的同时,提升运输属性的识别效率,实现运输资源的高效匹配。
Description
技术领域
本发明涉及车联网技术领域,尤其涉及一种车辆运输属性的识别方法、装置、电子设备及存储介质。
背景技术
车联网技术可以在车辆进行运输任务过程获取丰富的行驶数据,利用车辆的行驶数据,进行科学的运输任务分配,可以有效提高车辆利用率和运输效率。
目前,车辆的运输属性通常由运输管理人员根据行驶数据的统计结果,依据经验进行识别,识别的准确率和效率低,难以实现运输资源的高效匹配。
发明内容
本发明提供了一种车辆运输属性的识别方法、装置、设备及存储介质,以解决车辆运输属性的识别准确率低的问题,可以在提高车辆运输属性识别准确性的同时,提升运输属性的识别效率,实现运输资源的高效匹配。
根据本发明的一方面,提供了一种车辆运输属性的识别方法,所述方法包括:
获取待识别车辆的行驶数据,并根据所述行驶数据,确定行驶特征;
其中,所述行驶特征包括停车点数量、活动范围、平均速度、平均油耗以及怠速时间占比;
将所述行驶特征输入至预先训练的分类模型,得到待识别车辆的运输属性的识别结果。
根据本发明的另一方面,提供了一种车辆运输属性的识别装置,该装置包括:
行驶特征确定模块,用于获取待识别车辆的行驶数据,并根据所述行驶数据,确定行驶特征;
其中,所述行驶特征包括停车点数量、活动范围、平均速度、平均油耗以及怠速时间占比;
识别结果生成模块,用于将所述行驶特征输入至预先训练的分类模型,得到待识别车辆的运输属性的识别结果。
根据本发明的另一方面,提供了一种电子设备,所述电子设备包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的计算机程序,所述计算机程序被所述至少一个处理器执行,以使所述至少一个处理器能够执行本发明任一实施例所述的车辆运输属性的识别方法。
根据本发明的另一方面,提供了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机指令,所述计算机指令用于使处理器执行时实现本发明任一实施例所述的车辆运输属性的识别方法。
本发明实施例的技术方案,通过获取待识别车辆的行驶数据,根据所述行驶数据,确定行驶特征,然后将所述行驶特征输入至预先训练的分类模型,得到待识别车辆的运输属性的识别结果。该技术方案解决了车辆运输属性的识别准确率低的问题,可以在提高车辆运输属性识别准确性的同时,提升运输属性的识别效率,实现运输资源的高效匹配。
应当理解,本部分所描述的内容并非旨在标识本发明的实施例的关键或重要特征,也不用于限制本发明的范围。本发明的其它特征将通过以下的说明书而变得容易理解。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是根据本发明实施例一提供的一种车辆运输属性的识别方法的流程图;
图2是根据本发明实施例二提供的一种车辆运输属性的识别方法的流程图;
图3是根据本发明实施例三提供的一种车辆运输属性的识别装置的结构示意图;
图4是实现本发明实施例的车辆运输属性的识别方法的电子设备的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分的实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都应当属于本发明保护的范围。
需要说明的是,本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。本申请技术方案中对数据的获取、存储、使用、处理等均符合国家法律法规的相关规定。
实施例一
图1为本发明实施例一提供了一种车辆运输属性的识别方法的流程图,本实施例可适用于担任运输任务的车辆的运输属性识别场景。该方法可以由车辆运输属性的识别装置来执行,该装置可以采用硬件和/或软件的形式实现,该装置可配置于电子设备中。如图1所示,该方法包括:
S110、获取待识别车辆的行驶数据,并根据所述行驶数据,确定行驶特征。
本方案可以由车联网系统执行,所述车联网系统可以包括信息处理平台以及车载设备,所述车载设备可以配置于业务体系内各车辆中。基于无线通信技术,车载设备可以与信息处理平台进行信息交互。车联网系统的信息处理平台可以通过车载设备获取业务体系内各车辆的行驶数据。所述行驶数据可以包括车辆的启动时间、熄火时间、运行速度、运行加速度、所在位置以及油耗量等信息。车联网系统可以在待识别车辆的行驶数据中直接提取运行指标作为行驶特征,也可以根据行驶数据进行计算,得到待识别车辆的行驶特征。其中,所述行驶特征包括停车点数量、活动范围、平均速度、平均油耗以及怠速时间占比。
在一个可行的方案中,所述行驶数据包括停车点数量、停车点位置、运行里程、发动机运行时间、怠速时间、总油耗量以及怠速油耗量。
在上述方案的基础上,所述根据所述行驶数据,确定行驶特征,包括:
根据停车点位置,确定待识别车辆的活动范围;
根据运行里程、发动机运行时间以及怠速时间,确定待识别车辆的平均速度;
根据运行里程、总油耗量以及怠速油耗量,确定待识别车辆的平均油耗;
根据发动机运行时间和怠速时间,确定待识别车辆的怠速时间占比。
可以理解的,车联网系统可以直接将行驶数据中的停车点数量作为一项行驶特征。停车点位置可以是停车点的经纬度坐标,也可以是停车点在行驶区域的平面坐标。车联网系统可以根据待识别车辆的停车点位置,生成停车点集合,依次计算停车点集合中每两个停车点的距离,将各距离中的最大距离作为待识别车辆的活动范围。车联网系统也可以根据待识别车辆的停车点位置,确定活动边界,根据活动边界,确定待识别车辆的活动范围。
车联网系统可以根据运行里程、发动机运行时间以及怠速时间,计算待识别车辆的平均速度,平均速度的计算公式可以表示为: 根据运行里程、总油耗量以及怠速油耗量,车联网系统可以计算待识别车辆的平均油耗,平均油耗的计算公式可以表示为:/>容易理解的,根据发动机运行时间和怠速时间,车联网系统可以计算待识别车辆的怠速时间占比,怠速时间占比的计算公式可以表示为:/>
S120、将所述行驶特征输入至预先训练的分类模型,得到待识别车辆的运输属性的识别结果。
车联网系统可以将行驶特征作为分类模型的输入信息,确定待识别车辆的运输属性。所述分类模型可以是预先基于各车辆的历史行驶数据以及匹配的运输属性训练得到的。所述分类模型的结构可以是基于神经网络构建的。所述运输属性可以是基于车辆的运输内容确定的,例如所述运输属性可以包括固体运输、液体运输以及气体运输。所述运输属性也可以是基于车辆的运输体量确定的,例如所述运输属性可以包括大宗运输、中宗运输以及小宗运输。所述运输属性还也可以是基于车辆的运输任务的规律性确定的,例如所述运输属性可以包括长期运输、间歇运输以及短期运输。
在本方案中,所述运输属性是基于运输路途确定的;所述运输属性包括长途运输、中途运输和短途运输。
具体的,运输属性可以是基于运输路途的长短划分的,例如所述运输属性可以包括长途运输、中途运输和短途运输。车联网系统可以根据待识别车辆的运输属性,进行运输任务匹配,以提高运输资源的利用率,延长车辆的使用寿命。
本发明实施例的技术方案,通过获取待识别车辆的行驶数据,根据所述行驶数据,确定行驶特征,然后将所述行驶特征输入至预先训练的分类模型,得到待识别车辆的运输属性的识别结果。该技术方案解决了车辆运输属性的识别准确率低的问题,可以在提高车辆运输属性识别准确性的同时,提升运输属性的识别效率,实现运输资源的高效匹配。
实施例二
图2为本发明实施例二提供的一种车辆运输属性的识别方法的流程图,本实施例以上述实施例为基础对分类模型的训练过程进行细化。如图2所示,该方法包括:
S210、按照预设周期获取至少一组行驶数据以及各组行驶数据匹配的运输属性。
车联网系统可以周期性的更新分类模型,以保证分类模型的时间适用性。具体的,车联网系统可以按照预设周期获取各车辆的行驶数据,以及各组行驶数据匹配的运输属性。其中,每个运输任务可以对应一组行驶数据,所述行驶数据匹配的运输属性可以是在运输任务开始前预先标记的。在本方案中,所述行驶数据可以包括停车点数量、停车点位置、运行里程、发动机运行时间、怠速时间、总油耗量以及怠速油耗量。
S220、根据所述行驶数据,确定各组行驶数据匹配的行驶特征。
可选的,在根据所述行驶数据,确定各组行驶数据匹配的行驶特征之前,所述方法还包括:
对所述行驶数据进行数据清洗。
为避免异常数据对于分类模型训练的影响,车联网系统可以在得到行驶数据之后,对行驶数据进行数据清洗。具体的,车联网系统可以通过将已存在数据进行拟合确定缺失数据取值,并将缺失数据进行补充。车联网系统还可以对异常取值进行剔除或修正,以保证行驶数据的可靠性。
可以理解的,所述行驶特征可以包括停车点数量、活动范围、平均速度、平均油耗以及怠速时间占比。车联网系统可以直接将行驶数据中的停车点数量作为一项行驶特征。根据待识别车辆的停车点位置,车联网系统可以确定待识别车辆的活动范围。根据运行里程、发动机运行时间以及怠速时间,车联网系统可以计算待识别车辆的平均速度。根据运行里程、总油耗量以及怠速油耗量,车联网系统可以计算待识别车辆的平均油耗。根据发动机运行时间和怠速时间,车联网系统可以计算待识别车辆的怠速时间占比。
S230、将所述行驶特征输入至预先搭建的多层感知器,根据多层感知器的输出结果以及所述行驶特征匹配的运输属性,对所述多层感知器进行至少一次迭代训练,直到多层感知器的输出结果满足预设模型评估条件,得到分类模型。
在本实施例中,分类模型可以是基于多层感知器构建的。例如输入层有5个神经元,隐藏层有10个神经元,输出层有3个神经元,使用Relu作为激活函数,Adam作为优化器,cross-entropy作为损失函数。
车联网系统可以将行驶特征输入至多层感知器,根据多层感知器的输出结果和行驶特征匹配的运输属性,计算模型损失。根据模型损失对多层感知器进行至少一次迭代训练。根据模型损失,车联网系统可以判断多层感知器的输出结果是否满足预设模型评估条件,在输出结果满足预设模型评估条件时,得到分类模型。所述模型评估条件可以包括模型损失低于预设损失阈值。
在一个可行的方案中,多层感知器的训练迭代次数可以是预先设置的,例如100代。车联网系统可以在训练迭代次数达到预设值时,停止训练,输出分类模型。
在一个优选的方案中,在确定各组行驶数据匹配的行驶特征之后,所述方法还包括:
获取超参数取值范围,并根据所述超参数取值范围,生成至少两个超参数组合;
生成各超参数组合匹配的候选多层感知器;
依次将所述行驶特征输入至各候选多层感知器,根据各候选多层感知器的输出结果以及所述行驶特征匹配的运输属性,对各候选多层感知器进行至少一次迭代训练,直到各候选多层感知器的输出结果满足预设模型评估条件,输出各候选多层感知器匹配的候选分类模型;
根据各候选分类模型,确定分类模型。
为了提高分类模型的识别准确率,车联网系统可以基于交叉验证与网络搜索法,在预设超参数取值范围内,穷举所有超参数组合,并生成各超参数组合匹配的候选多层感知器。
车联网系统可以依次将行驶特征输入至各候选多层感知器,根据各候选多层感知器的输出结果以及所述行驶特征匹配的运输属性,对各候选多层感知器进行至少一次迭代训练,直到各候选多层感知器的输出结果满足预设模型评估条件,输出各候选多层感知器匹配的候选分类模型。车联网系统可以根据各候选分类模型的模型损失、测试准确率以及F1分数等指标,将识别效果最好的候选分类模型作为最终应用的分类模型。
S240、获取待识别车辆的行驶数据,并根据所述行驶数据,确定行驶特征。
S250、将所述行驶特征输入至预先训练的分类模型,得到待识别车辆的运输属性的识别结果。
本发明实施例的技术方案,通过获取待识别车辆的行驶数据,根据所述行驶数据,确定行驶特征,然后将所述行驶特征输入至预先训练的分类模型,得到待识别车辆的运输属性的识别结果。该技术方案解决了车辆运输属性的识别准确率低的问题,可以在提高车辆运输属性识别准确性的同时,提升运输属性的识别效率,实现运输资源的高效匹配。
实施例三
图3为本发明实施例三提供的一种车辆运输属性的识别装置的结构示意图。如图3所示,该装置包括:
行驶特征确定模块310,用于获取待识别车辆的行驶数据,并根据所述行驶数据,确定行驶特征;
其中,所述行驶特征包括停车点数量、活动范围、平均速度、平均油耗以及怠速时间占比;
识别结果生成模块320,用于将所述行驶特征输入至预先训练的分类模型,得到待识别车辆的运输属性的识别结果。
本方案中,可选的,所述行驶数据包括停车点数量、停车点位置、运行里程、发动机运行时间、怠速时间、总油耗量以及怠速油耗量。
在上述方案的基础上,可选的,所述行驶特征确定模块310,具体用于:
根据停车点位置,确定待识别车辆的活动范围;
根据运行里程、发动机运行时间以及怠速时间,确定待识别车辆的平均速度;
根据运行里程、总油耗量以及怠速油耗量,确定待识别车辆的平均油耗;
根据发动机运行时间和怠速时间,确定待识别车辆的怠速时间占比。
在一个可行的方案中,所述运输属性是基于运输路途确定的;所述运输属性包括长途运输、中途运输和短途运输。
本实施例中,可选的,所述分类模型是基于多层感知器构建的;所述装置还包括分类模型训练模块,用于:
按照预设周期获取至少一组行驶数据以及各组行驶数据匹配的运输属性;
根据所述行驶数据,确定各组行驶数据匹配的行驶特征;
将所述行驶特征输入至预先搭建的多层感知器,根据多层感知器的输出结果以及所述行驶特征匹配的运输属性,对所述多层感知器进行至少一次迭代训练,直到多层感知器的输出结果满足预设模型评估条件,得到分类模型。
在上述方案的基础上,可选的,所述分类模型训练模块,还用于:
在确定各组行驶数据匹配的行驶特征之后,获取超参数取值范围,并根据所述超参数取值范围,生成至少两个超参数组合;
生成各超参数组合匹配的候选多层感知器;
依次将所述行驶特征输入至各候选多层感知器,根据各候选多层感知器的输出结果以及所述行驶特征匹配的运输属性,对各候选多层感知器进行至少一次迭代训练,直到各候选多层感知器的输出结果满足预设模型评估条件,输出各候选多层感知器匹配的候选分类模型;
根据各候选分类模型,确定分类模型。
在一个优选的方案中,所述装置还包括数据清洗模块,用于:
在根据所述行驶数据,确定各组行驶数据匹配的行驶特征之前,对所述行驶数据进行数据清洗。
本发明实施例所提供的车辆运输属性的识别装置可执行本发明任意实施例所提供的车辆运输属性的识别方法,具备执行方法相应的功能模块和有益效果。
实施例四
图4示出了可以用来实施本发明的实施例的电子设备410的结构示意图。电子设备旨在表示各种形式的数字计算机,诸如,膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置,诸如,个人数字处理、蜂窝电话、智能电话、可穿戴设备(如头盔、眼镜、手表等)和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例,并且不意在限制本文中描述的和/或者要求的本发明的实现。
如图4所示,电子设备410包括至少一个处理器411,以及与至少一个处理器411通信连接的存储器,如只读存储器(ROM)412、随机访问存储器(RAM)413等,其中,存储器存储有可被至少一个处理器执行的计算机程序,处理器411可以根据存储在只读存储器(ROM)412中的计算机程序或者从存储单元418加载到随机访问存储器(RAM)413中的计算机程序,来执行各种适当的动作和处理。在RAM 413中,还可存储电子设备410操作所需的各种程序和数据。处理器411、ROM 412以及RAM 413通过总线414彼此相连。输入/输出(I/O)接口415也连接至总线414。
电子设备410中的多个部件连接至I/O接口415,包括:输入单元416,例如键盘、鼠标等;输出单元417,例如各种类型的显示器、扬声器等;存储单元418,例如磁盘、光盘等;以及通信单元419,例如网卡、调制解调器、无线通信收发机等。通信单元419允许电子设备410通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
处理器411可以是各种具有处理和计算能力的通用和/或专用处理组件。处理器411的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的处理器、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。处理器411执行上文所描述的各个方法和处理,例如车辆运输属性的识别方法。
在一些实施例中,车辆运输属性的识别方法可被实现为计算机程序,其被有形地包含于计算机可读存储介质,例如存储单元418。在一些实施例中,计算机程序的部分或者全部可以经由ROM 412和/或通信单元419而被载入和/或安装到电子设备410上。当计算机程序加载到RAM 413并由处理器411执行时,可以执行上文描述的车辆运输属性的识别方法的一个或多个步骤。备选地,在其他实施例中,处理器411可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行车辆运输属性的识别方法。
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、现场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、片上系统(SOC)、复杂可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括:实施在一个或者多个计算机程序中,该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释,该可编程处理器可以是专用或者通用可编程处理器,可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令,并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
用于实施本发明的方法的计算机程序可以采用一个或多个编程语言的任何组合来编写。这些计算机程序可以提供给通用计算机、专用计算机或其他可编程车辆运输属性的识别装置的处理器,使得计算机程序当由处理器执行时使流程图和/或框图中所规定的功能/操作被实施。计算机程序可以完全在机器上执行、部分地在机器上执行,作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本发明的上下文中,计算机可读存储介质可以是有形的介质,其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的计算机程序。计算机可读存储介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备,或者上述内容的任何合适组合。备选地,计算机可读存储介质可以是机器可读信号介质。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互,可以在电子设备上实施此处描述的系统和技术,该电子设备具有:用于向用户显示信息的显示装置(例如,CRT(阴极射线管)或者LCD(液晶显示器)监视器);以及键盘和指向装置(例如,鼠标或者轨迹球),用户可以通过该键盘和该指向装置来将输入提供给电子设备。其它种类的装置还可以用于提供与用户的交互;例如,提供给用户的反馈可以是任何形式的传感反馈(例如,视觉反馈、听觉反馈、或者触觉反馈);并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如,作为数据服务器)、或者包括中间件部件的计算系统(例如,应用服务器)、或者包括前端部件的计算系统(例如,具有图形用户界面或者网络浏览器的用户计算机,用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如,通信网络)来将系统的部件相互连接。通信网络的示例包括:局域网(LAN)、广域网(WAN)、区块链网络和互联网。
计算系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器,又称为云计算服务器或云主机,是云计算服务体系中的一项主机产品,以解决了传统物理主机与VPS服务中,存在的管理难度大,业务扩展性弱的缺陷。
应该理解,可以使用上面所示的各种形式的流程,重新排序、增加或删除步骤。例如,本发明中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行,只要能够实现本发明的技术方案所期望的结果,本文在此不进行限制。
上述具体实施方式,并不构成对本发明保护范围的限制。本领域技术人员应该明白的是,根据设计要求和其他因素,可以进行各种修改、组合、子组合和替代。任何在本发明的精神和原则之内所作的修改、等同替换和改进等,均应包含在本发明保护范围之内。
Claims (10)
1.一种车辆运输属性的识别方法,其特征在于,所述方法包括:
获取待识别车辆的行驶数据,并根据所述行驶数据,确定行驶特征;
其中,所述行驶特征包括停车点数量、活动范围、平均速度、平均油耗以及怠速时间占比;
将所述行驶特征输入至预先训练的分类模型,得到待识别车辆的运输属性的识别结果。
2.根据权利要求1所述的方法,其特征在于,所述行驶数据包括停车点数量、停车点位置、运行里程、发动机运行时间、怠速时间、总油耗量以及怠速油耗量。
3.根据权利要求2所述的方法,其特征在于,所述根据所述行驶数据,确定行驶特征,包括:
根据停车点位置,确定待识别车辆的活动范围;
根据运行里程、发动机运行时间以及怠速时间,确定待识别车辆的平均速度;
根据运行里程、总油耗量以及怠速油耗量,确定待识别车辆的平均油耗;
根据发动机运行时间和怠速时间,确定待识别车辆的怠速时间占比。
4.根据权利要求3所述的方法,其特征在于,所述运输属性是基于运输路途确定的;所述运输属性包括长途运输、中途运输和短途运输。
5.根据权利要求1所述的方法,其特征在于,所述分类模型是基于多层感知器构建的;
所述分类模型的训练过程包括:
按照预设周期获取至少一组行驶数据以及各组行驶数据匹配的运输属性;
根据所述行驶数据,确定各组行驶数据匹配的行驶特征;
将所述行驶特征输入至预先搭建的多层感知器,根据多层感知器的输出结果以及所述行驶特征匹配的运输属性,对所述多层感知器进行至少一次迭代训练,直到多层感知器的输出结果满足预设模型评估条件,得到分类模型。
6.根据权利要求5所述的方法,其特征在于,在确定各组行驶数据匹配的行驶特征之后,所述方法还包括:
获取超参数取值范围,并根据所述超参数取值范围,生成至少两个超参数组合;
生成各超参数组合匹配的候选多层感知器;
依次将所述行驶特征输入至各候选多层感知器,根据各候选多层感知器的输出结果以及所述行驶特征匹配的运输属性,对各候选多层感知器进行至少一次迭代训练,直到各候选多层感知器的输出结果满足预设模型评估条件,输出各候选多层感知器匹配的候选分类模型;
根据各候选分类模型,确定分类模型。
7.根据权利要求5所述的方法,其特征在于,在根据所述行驶数据,确定各组行驶数据匹配的行驶特征之前,所述方法还包括:
对所述行驶数据进行数据清洗。
8.一种车辆运输属性的识别装置,其特征在于,包括:
行驶特征确定模块,用于获取待识别车辆的行驶数据,并根据所述行驶数据,确定行驶特征;
其中,所述行驶特征包括停车点数量、活动范围、平均速度、平均油耗以及怠速时间占比;
识别结果生成模块,用于将所述行驶特征输入至预先训练的分类模型,得到待识别车辆的运输属性的识别结果。
9.一种电子设备,其特征在于,所述电子设备包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的计算机程序,所述计算机程序被所述至少一个处理器执行,以使所述至少一个处理器能够执行权利要求1-7中任一项所述的车辆运输属性的识别方法。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有计算机指令,所述计算机指令用于使处理器执行时实现权利要求1-7中任一项所述的车辆运输属性的识别方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311362121.6A CN118133097A (zh) | 2023-10-19 | 2023-10-19 | 一种车辆运输属性的识别方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311362121.6A CN118133097A (zh) | 2023-10-19 | 2023-10-19 | 一种车辆运输属性的识别方法、装置、设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN118133097A true CN118133097A (zh) | 2024-06-04 |
Family
ID=91244582
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311362121.6A Pending CN118133097A (zh) | 2023-10-19 | 2023-10-19 | 一种车辆运输属性的识别方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN118133097A (zh) |
-
2023
- 2023-10-19 CN CN202311362121.6A patent/CN118133097A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112560496A (zh) | 语义分析模型的训练方法、装置、电子设备及存储介质 | |
CN112541122A (zh) | 推荐模型的训练方法、装置、电子设备及存储介质 | |
CN114897312A (zh) | 驾驶行为评分方法、装置、设备及存储介质 | |
CN112560461A (zh) | 新闻线索的生成方法、装置、电子设备及存储介质 | |
CN115829058A (zh) | 训练样本处理方法、跨模态匹配方法、装置、设备和介质 | |
CN117649115A (zh) | 一种风险评估方法、装置、电子设备和存储介质 | |
CN118133097A (zh) | 一种车辆运输属性的识别方法、装置、设备及存储介质 | |
CN116300946A (zh) | 一种自动装载机的路径规划方法、装置、设备及介质 | |
CN113032681B (zh) | 用于地图搜索的方法、装置、电子设备和介质 | |
CN114880183A (zh) | 自动驾驶性能评价模型训练、性能评价方法、装置及介质 | |
CN115546844A (zh) | 跨模态行人重识别模型生成方法、识别方法、装置及设备 | |
CN114863715A (zh) | 停车数据确定方法、装置、电子设备及存储介质 | |
CN114119972A (zh) | 模型获取及对象处理方法、装置、电子设备及存储介质 | |
CN113886543A (zh) | 生成意图识别模型的方法、装置、介质及程序产品 | |
CN112862187A (zh) | 一种公交客流预测方法、装置、电子设备及存储介质 | |
CN114581751B (zh) | 图像识别模型的训练方法和图像识别方法、装置 | |
CN112528002B (zh) | 对话识别方法、装置、电子设备和存储介质 | |
CN115658826A (zh) | 一种轨迹停留点确定方法、装置、设备及存储介质 | |
CN117609723A (zh) | 一种对象识别方法、装置、电子设备及存储介质 | |
CN117446122A (zh) | 一种混合动力船舶的航速优化方法、装置、设备及介质 | |
CN116340773A (zh) | 一种氮氧化物排放浓度预测方法、装置、设备和存储介质 | |
CN117198040A (zh) | 路口通行信息的获取方法、装置、电子设备与可读存储介质 | |
CN114580896A (zh) | 一种碳排放量数据分类方法、装置、电子设备及存储介质 | |
CN116625392A (zh) | 路线推荐方法、装置、电子设备和存储介质 | |
CN117273117A (zh) | 语言模型训练方法、奖励模型训练方法、装置及电子设备 |
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 |