货物状态预测的方法、装置及多分类建模方法制造方法及图纸

本申请公开了一种货物状态预测的方法、装置及多分类建模方法，本申请所述的货物状态预测的方法包括获取车载称重设备最新产生的连续的N个原始数据点，所述原始数据点中记录原始测量数据；根据连续的N个原始数据点得到1个整段数据和M个分段数据；将1个整段数据和M个分段数据输入多分类模型，得到当前预测状态，所述多分类模型为根据车载称重设备的原始测量数据能够预测货物当前状态的模型。本申请用以解决现有的基于人工识别的方式进行货物状态识别的方式的及时性和准确性差、并且成本高的问题。的问题。的问题。

【技术实现步骤摘要】
货物状态预测的方法、装置及多分类建模方法
[0001]本申请是申请号为202010956370.8、申请日为2020年09月11日、专利技术名称为“货物状态预测的方法、装置及多分类建模方法”的中国专利申请的分案申请。


[0002]本申请涉及物流
，具体而言，涉及一种货物状态预测的方法、装置及多分类建模方法。

技术介绍

[0003]在物流领域，尤其是卡车货运领域或干线公路货运领域，对于货物状态的判断十分重要，精准及时的货物状态识别可以帮助管理者提升车辆管理效率，降低运输成本。
[0004]目前的货物状态识别主要通过人工识别，即由司机或场站管理员人工统计货物实际状态后上报，但是这种方式存在信息的滞后性；若要求场站管理员人工实时上报货物状态，会大幅增加人力成本；若要求司机实时上报货物状态，效果不尽人意，因为司机的本职工作是驾驶车辆，其将车辆完成靠台后需要去休息，并不会去关注货物状态，如要求司机实时上报货物状态，必然影响司机的休息，造成安全隐患。
[0005]综上，现有的基于人工识别的方式进行货物状态识别的方式的及时性和准确性差，并且成本高。

技术实现思路

[0006]本申请的主要目的在于提供一种货物状态预测的方法、装置及多分类建模方法，以解决现有的基于人工识别的方式进行货物状态识别的方式的及时性和准确性差、并且成本高的问题。
[0007]为了实现上述目的，根据本申请的第一方面，提供了一种货物状态预测的方法。
[0008]根据本申请的货物状态预测的方法包括：/>[0009]获取车载称重设备最新产生的连续的N个原始数据点，所述原始数据点中记录原始测量数据，N为大于等于2的整数；
[0010]根据连续的N个原始数据点得到1个整段数据和M个分段数据，M为大于等于2的整数；
[0011]将1个整段数据和M个分段数据输入多分类模型，得到当前预测状态，所述多分类模型为根据车载称重设备的原始测量数据能够预测货物当前状态的模型。
[0012]可选的，所述将1个整段数据和M个分段数据输入多分类模型，还包括：
[0013]对1个整段数据和M个分段数据分别进行处理得到处理后的数据，将处理后的数据输入多分类模型。
[0014]可选的，所述对1个整段数据和M个分段数据分别进行处理得到处理后的数据，将处理后的数据输入多分类模型，还包括：
[0015]对1个整段数据和M个分段数据分别进行特征化处理得到特征数据，将特征数据输
入多分类模型。
[0016]可选的，所述原始测量数据包括形变数据、电阻数据、电压数据、电流数据或时间数据中至少一种数据。
[0017]为了实现上述目的，根据本申请的第二方面，提供了一种多分类建模的方法。
[0018]根据本申请的多分类建模的方法包括：
[0019]从数据集中多次获取连续的N个原始数据点及其对应的货物状态，数据集中包含了多个原始数据点及其对应的货物状态，所述原始数据点中记录原始测量数据，N为大于等于2的整数；
[0020]根据每个连续的N个原始数据点及其对应的货物状态分别得到1个整段数据、M个分段数据和状态数据，M为大于等于2的整数；
[0021]将所有的1个整段数据、M个分段数据和状态数据作为训练数据输入待训练的多分类模型，得到训练后的多分类模型。
[0022]可选的，所述根据每个连续的N个原始数据点分别得到M个分段数据包括：
[0023]按照每个分段数据与其他任一分段数据存在数据点交集的方式对N个原始数据点进行分段处理，得到M个分段数据。
[0024]可选的，根据每个连续的N个原始数据点及其对应的货物状态分别得到状态数据包括：
[0025]将N个原始数据点中的最后一个原始数据点对应的货物状态作为状态数据；或，
[0026]根据N个原始数据点中对应的货物状态的数量或比例确定状态数据。
[0027]可选的，将所有的1个整段数据、M个分段数据和状态数据作为训练数据输入待训练的多分类模型，还包括：
[0028]对每个所述1个整段数据、M个分段数据进行特征化处理得到特征数据，将每个所述1个整段数据、M个分段数据对应的特征数据和状态数据输入到待训练的多分类模型。
[0029]为了实现上述目的，根据本申请的第三方面，提供了一种货物状态预测的装置。
[0030]根据本申请的货物状态预测的装置包括：
[0031]获取单元，用于获取车载称重设备最新产生的连续的N个原始数据点，所述原始数据点中记录原始测量数据，N为大于等于2的整数；
[0032]数据处理单元，用于对获取单元获取到的数据进行处理，得到多分类模型所需的输入数据；
[0033]预测单元，用于将数据处理单元得到的输入数据输入多分类模型，得到当前预测状态，其中，所述多分类模型为根据车载称重设备的原始测量数据或原始测量数据衍生出的特征数据能够预测货物当前状态的模型；预测单元中存储有训练好的多分类模型。
[0034]可选的，所述数据处理单元包括：
[0035]分段模块，用于根据获取单元获取到连续的N个原始数据点得到1个整段数据和M个分段数据，M为大于等于2的整数；
[0036]特征模块，用于对分段模块得到的1个整段数据和/或M个分段数据分别进行特征化处理得到特征数据。
[0037]为了实现上述目的，根据本申请的第四方面，提供了一种多分类建模的装置，所述装置包括：
[0038]获取单元，用于从数据集中多次获取连续的N个原始数据点及其对应的货物状态，数据集中包含了多个原始数据点及其对应的货物状态，所述原始数据点中记录原始测量数据，N为大于等于2的整数；
[0039]数据处理单元，用于根据每个连续的N个原始数据点及其对应的货物状态分别得到1个整段数据、M个分段数据和状态数据，M为大于等于2的整数；
[0040]训练单元，用于将所有的1个整段数据、M个分段数据和状态数据作为训练数据输入待训练的多分类模型，得到训练后的多分类模型。
[0041]为了实现上述目的，根据本申请的第五方面，提供了一种货物状态预测的方法，所述方法包括：
[0042]获取车载称重设备最新产生的连续的N个原始数据点，所述原始数据点中记录原始测量数据，N为大于等于2的整数；
[0043]对连续的N个原始数据点进行特征化处理得到特征数据；
[0044]将特征数据输入多分类模型，进行货物状态预测。
[0045]为了实现上述目的，根据本申请的第六方面，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所述计算机执行上述第一方面或第五方面中任意一项所述的货物状态预测的方法和/或第二方面中任意一项所述的多分类建模的方法。
[0046]为了实现上述目的，根据本申请的第七方面，提供了一种电子设备，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，所述存本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种货物状态预测的方法，其特征在于，所述方法包括：获取车载称重设备当前产生的连续的N个原始数据点，所述原始数据点中记录原始测量数据，N为大于等于2的整数；根据所述连续的N个原始数据点得到一个整段数据和M个分段数据，M为大于等于2的整数；将所述一个整段数据和所述M个分段数据输入多分类模型，得到当前预测状态，所述多分类模型为根据车载称重设备的原始测量数据能够预测货物当前状态的模型，所述多分类模型根据数据集中连续的原始数据点和所述数据集中连续的原始数据点对应的货物状态训练得到。2.根据权利要求1所述的货物状态预测的方法，其特征在于，所述将所述一个整段数据和所述M个分段数据输入多分类模型，包括：对所述一个整段数据和所述M个分段数据分别进行处理得到处理后的数据，将所述处理后的数据输入所述多分类模型，所述处理包括预处理和特征化处理中的至少一种，所述预处理包括调整格式和数字化。3.根据权利要求2所述的货物状态预测的方法，其特征在于，所述处理为特征化处理，所述处理后的数据为特征数据，所述特征数据包括如下的至少一种：所述一个整段数据和所述M个分段数据的中位数，所述中位数的两两之比，所述一个整段数据和所述M个分段数据的差分值的标准差。4.根据权利要求1所述的货物状态预测的方法，其特征在于，所述原始测量数据包括形变数据、电阻数据、电压数据、电流数据或时间数据中至少一种数据。5.一种多分类建模的方法，其特征在于，所述方法用于得到权利要求1
‑
4中任意一项所述的货物状态预测的方法中的多分类模型，所述方法包括：从数据集中多次获取连续的N个原始数据点及其对应的货物状态，所述数据集中包含多个原始数据点及其对应的货物状态，所述原始数据点中记录原始测量数据，N为大于等于2的整数；根据每个连续的N个原始数据点及其对应的货物状态分别得到一个整段数据、M个分段数据和状态数据，M为大于等于2的整数；将所有的一个整段数据、M个分段数据和状态数据作为训练数据输入待训练的多分类模型，得到训练后的多分类模型，所述多分类模型为根据车载称重设备的原始测量数据能够预测货物当前状态的模型。6.根据权利要求5所述...

【专利技术属性】
技术研发人员：陈凯，陈冠岭，
申请(专利权)人：北京福佑多多信息技术有限公司，
类型：发明
国别省市：