申请/专利权人：交通运输部规划研究院

申请日：2023-09-15

公开（公告）日：2023-12-15

公开（公告）号：CN116934202B

主分类号：G06Q10/0833

分类号：G06Q10/0833;G06N3/08;G06Q10/083;G06F16/29;G06F16/9537;G06F18/10;G06F18/232

优先权：

专利状态码：有效-授权

法律状态：2023.12.15#授权;2023.11.10#实质审查的生效;2023.10.24#公开

摘要：本发明公开了一种基于LBS大数据的集装箱货源地识别方法，包括以下步骤：步骤一：基于电子围栏技术获取进出集装箱码头的LBS数据并预处理；步骤二：基于时空聚类方法识别停留点；步骤三：基于插值法和小波去噪处理行程中的轨迹定位数据；步骤四：基于广度和深度学习模型识别集装箱卡车运输行程；步骤五：识别集装箱卡车运输货源地。本发明一种基于LBS大数据的集装箱货源地识别方法，可以实时高效的获取集卡位置，能够准确的识别货源地并实时监测集卡车辆的行驶轨迹同时分析其与货源地之间的关系，大大提高了结果的准确性，也提高了模型的效率和准确性。

主权项：1.一种基于LBS大数据的集装箱货源地识别方法，其特征在于，包括以下步骤：S1、基于电子围栏技术获取进出集装箱码头的LBS数据并预处理；S2、基于时空聚类方法识别停留点；其中步骤S2，具体为：对S1步骤中预处理完成后的LBS数据，采用时空聚类算法，对轨迹定位数据的起终点进行识别；所述时空聚类算法的输入，包括：ε邻域，包含距离阈值εs和时间阈值εt；核心轨迹对象最少点数阈值MinPts；轨迹点时间戳t和轨迹定位点集合Q′Traj＝z1，z2，…，zm；所述时空聚类算法的输出为：聚类后识别的停留点集合P＝{P1，P2，…，Pi}：所述时空聚类的具体步骤为：S21、初始化聚类簇数Ci＝{}，并且输入的轨迹点集合Q′Traj＝z1，z2，…，zm中所有轨迹点zm的初始聚类簇标签状态均是“未标记”；S22、依次遍历轨迹点集合Q′Traj＝z1，z2，…，zm中的每一个轨迹点，若所有节点均已“标记”，则转到步骤S27；反之则进入下一步骤；S23、判断当前轨迹点zm是否拥有聚类簇标签，若有聚类簇标签，返回至步骤S22；若没有，则进入下一步骤；S24、通过公式Eps计算当前轨迹点zm与其他轨迹点之间的时空距离，若符合邻域ε的纳入阈值，则将该轨迹点放入zm的ε邻域集合X中；在计算完所有其余轨迹点与当前轨迹点zm的时空距离后，判断集合X中的轨迹点数量是否小于核心轨迹对象最少点数阈值MinPts，若小于，则将该轨迹点赋上标签“噪声点”，并返回至步骤S22；若大于，聚类簇数加1且将该轨迹点zm赋上标签“Cm”，并将集合X中的所有点赋上与该轨迹点相同的标签，集合Cm＝{X}∪{zm}，并进入下一步骤；所述Eps计算公式如下所示： Epst＝|tm-tn|Eps＝Epss，Epst，式中，Eps代表两个轨迹点之间的时空距离，xm和ym分别代表当前轨迹点zm的经纬度坐标，tm则代表当前轨迹点zm的时间戳数据信息；S25、遍历集合X中的所有轨迹点zq，若集合X遍历完毕，则返回至步骤S22；若集合X未遍历完毕，则进入下一步骤；S26、重复S24中计算操作，得到符合轨迹点zq的邻域集合Y，并判断该集合中轨迹点数量是否小于核心轨迹对象最少点数阈值MinPts，若小于，则返回至步骤S25；若大于，则遍历集合Y，并将集合Y“未标记”的轨迹点赋上与轨迹点zm相同的标签“Cm”并放入集合Cm中，完成后再返回至步骤S25；S27、轨迹点Q′Traj＝z1，z2，…，zm遍历结束，共输出i个目标簇集合；对具有相同标签的点计算其经纬度均值和时间戳均值，最终得出停留点集合P，并将识别后的出行停留点连同相邻轨迹点串联形成出行路径；S3、基于插值法和小波去噪处理行程中的轨迹定位数据；所述步骤S3，具体为：基于S27步骤识别出的出行路径数据，通过插值法对缺失数据进行补全，通过小波去噪方法对轨迹进行降噪处理，并将处理后的出行轨迹点相连，从而得到完整的出行路径数据；通过插值法对缺失数据进行补全，具体操作为：对于轨迹点Aij，Aij+1之间的缺失点，采用插值法进行补全，其具体的补全方法如下所示： 式中，Aij代表出行行程i的第j个轨迹点，轨迹点包含了步骤S1中处理好的LBS数值参数；通过小波去噪方法对轨迹进行降噪处理，具体操作为：对于重复采样操作造成的轨迹波动的问题，采用小波去噪的方法对轨迹进行降噪处理；小波去噪需要确定小波基函数、分解层数、阈值以及阈值函数；在此步骤中，确定分解层数为5，小波基函数为“db8”，阈值计算如下所示： 式中，λ代表小波去噪中的阈值，lenAij表示轨迹数据的长度；所述阈值函数，采用软阈值函数，将幅度大于阈值的小波系数进行缩小，小于阈值的小波系数置0，其式见下： 式中，w代表小波系数，s代表阈值函数采用软阈值函数方法，λ表示阈值；S4、基于广度和深度学习模型识别集装箱卡车运输行程；所述步骤S4，具体为：基于步骤S3获得的完整的出行路径数据，通过广度和深度学习模型，基于计算得到的出行行程数据中的特征指标，将所有的出行行程划分为不同的出行方式，识别出属于集装箱卡车的出行行程，筛除其他出行方式的行程；所述模型分为输入层、隐藏层和输出层；所述模型的输入层为一层，输入轨迹特征指标和网络特征指标；轨迹特征指标为行程时间、行程距离、OD距离、行程的平均速度和最高速度；网络特征指标为到最近地铁线、公交线和公路网的平均距离；这些特征都是连续的，且归一化的范围为[0，1]；所述模型的隐藏层是由广义线性模型和深度学习模型组成的广度和深度学习模式；广义线性模型代表了该模型广度上的组件，该步骤采用一个多次二项式Logit模型，计算公式如下所示： 式中，Y是预测值，xy是模式y的d个特征向量，β是模型参数的d维向量，b是偏差；其次，指定一个三层深度神经网络DNN作为深度组件，计算方式如下所示：αl+1＝fγl·al+bl，式中α、γ和b分别代表第1层隐藏层的激活度、DNN模型参数和异质性；f表示激活函数，这里采用整流线性单元RELU作为激活函数；广义线性模型和DNN的组合代表了广度和深度学习模型，该模型的整体预测函数如下所示： 式中，Pr表示联合概率模型的预测值，表示线性模型组件的参数向量，γlf表示DNN组件最终激活时的参数，标记为alf，σ为sigmoid函数；在该模型的基础上，采用10折交叉验证的方法来训练和测试数据集；最终，可以识别得到所有出行轨迹中使用集装箱卡车行驶的行程轨迹，并获得集装箱卡车行驶行程的停留点集合P′；S5、识别集装箱卡车运输货源地；所述步骤S5，具体为：根据步骤S4中广度和深度学习模型识别得到集装箱卡车行驶行程轨迹，再通过下述步骤对集装箱货运集装箱卡车货源地进行识别：S51、选取集卡行驶轨迹在一天中行驶的距离大于100公里；S52、选取集卡行驶轨迹的某一起点或终点端在港口集装箱码头区域停留；S53、结合集装卡车夜间跨天行驶的特点，分析的时间跨度为前一天的中午12点至下一天的中午12点，共48小时的数据进行分析，并在最后进行去重；S54、以车辆行程轨迹中停留点集合P'中的节点作为货源地的候选节点，且该候选节点200米内有符合筛选条件的POI，将该点判别为货源地。

全文数据：

权利要求：

百度查询： 交通运输部规划研究院 一种基于LBS大数据的集装箱货源地识别方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD