运输车的货物流向管控方法、装置以及运输车

摘要

本发明提供的运输车的货物流向管控方法、装置以及运输车，包括：基于惯性传感器采集运输车的状态数据，以及基于GPS传感器采集运输车的位置信息；其中，所述状态数据为运输车的振动信号数据；基于运输车的状态数据以及训练得到的状态分类模型，检测运输车的当前运输状态；将运输车的状态数据、运输车的当前运输状态以及运输车对应的位置信息发送至云端服务器；其中，云端服务器基于所述运输车的当前运输状态以及运输车对应的位置信息判断所述运输车是否出现偷货。本发明中，通过采用惯性传感器采集运输车的振动信号数据，进而检测出车辆的当前运输状态，运输状态包括停车中、运输中、上货中和卸货中，进而判断是否出现偷货，准确性高，成本低。

权利要求

1.一种运输车的货物流向管控方法，其特征在于，包括以下步骤：基于惯性传感器采集运输车的状态数据，以及基于GPS传感器采集运输车的位置信息；

其中，所述状态数据为运输车的振动信号数据；

基于所述运输车的状态数据以及训练得到的状态分类模型，检测所述运输车的当前运输状态；其中，所述状态分类模型预先基于决策树训练的XGBoost机器学习模型训练得到；

将所述运输车的状态数据、运输车的当前运输状态以及运输车对应的位置信息发送至云端服务器；其中，所述云端服务器基于所述运输车的当前运输状态以及运输车对应的位置信息判断所述运输车是否出现偷货；

所述状态分类模型的训练过程，包括：

初始化XGBoost机器学习模型；初始化后的XGBoost机器学习模型为决策树模型；

将训练集中的样本输入至初始化后的XGBoost机器学习模型中，计算每个样本的预测值与真实值之间的损失值；

计算每个样本的梯度以及海森矩阵；其中，梯度表示损失值对模型参数的一阶导数，海森矩阵表示损失值对模型参数的二阶导数；

根据梯度以及海森矩阵构建一个新的决策树，其中所述新的决策树的叶节点对应于所述样本的预测值；

计算决策树每个叶节点的权重值；权重值表示叶节点对应的样本的梯度之和，除以梯度之和的平方，之后再加上一个正则项用于防止过拟合；

根据新的决策树以及各个叶节点的权重值，迭代训练更新对应的模型参数，训练完成得到所述状态分类模型；

所述惯性传感器采集的状态数据包括三轴加速计以及三轴陀螺仪分别采集的信号数据；

所述基于所述运输车的状态数据以及训练得到的状态分类模型，检测所述运输车的当前运输状态的步骤，包括：分别对同一时刻三轴加速计采集的信号数据以及三轴陀螺仪采集的信号数据进行特征计算，得到对应的加速度能量值特征以及陀螺仪能量值特征；

对同一时刻下三轴加速计对应的信号数据进行合加速度特征计算；

对同一时刻下三轴陀螺仪对应的信号数据进行合陀螺仪特征计算；

将加速度能量值特征、陀螺仪能量值特征、合加速度特征、合陀螺仪特征共同输入至训练得到的状态分类模型中进行分类检测，得到所述运输车的当前运输状态。

2.根据权利要求1所述的运输车的货物流向管控方法，其特征在于，所述分别对同一时刻三轴加速计采集的信号数据以及三轴陀螺仪采集的信号数据进行特征计算，得到对应的加速度能量值特征以及陀螺仪能量值特征的步骤之前，还包括：对所述同一时刻三轴加速计采集的信号数据以及三轴陀螺仪采集的信号数据分别进行滑动均值降噪以及标准化处理；

其中，滑动均值降噪计算方法包括：

其中x（i）为第i时刻的数据值，x（i‑3）指的是第i‑3时刻的数据值，x（i+3）指的是第i+3时刻数据值，7指的是均值窗口的大小；

标准化处理，其标准化计算公式为：

其中， 指的是数据轴的均值， 指的是数据轴的方差。

3.根据权利要求1所述的运输车的货物流向管控方法，其特征在于，所述加速度能量值特征的计算公式为：所述陀螺仪能量值特征的计算公式为：

Acc_x_abs(i)指的是三轴加速计的x轴在i时刻绝对值后的加速度能量值，Gro_x_abs(i)指的是三轴陀螺仪的x轴在i时刻绝对值后的陀螺仪能量值特征，abs指的是绝对值函数；

合加速度特征的计算公式为：

合陀螺仪特征的计算公式为：

其中，x、y、z为三轴加速计以及三轴陀螺仪的三个轴；

Acc_x (i)、Acc_y (i)、Acc_z (i)，分别为三轴加速计的x、y、z轴在i时刻的信号数据；

Gro_x (i)、Gro_y (i)、Gro_z (i)，分别为三轴陀螺仪的x、y、z轴在i时刻的信号数据。

4.根据权利要求1所述的运输车的货物流向管控方法，其特征在于，所述损失值的计算函数为：L表示损失值，y表示真实标签， 表示预测概率值；

海森矩阵的计算公式为：

H表示海森矩阵， 表示第i个样本的真实值， 表示第i个样本属于第k个类别预测的概率值。

5.根据权利要求1所述的运输车的货物流向管控方法，其特征在于，所述云端服务器具体用于：若运输车的当前运输状态为停车状态，记录此时的位置信息，并将该段GPS位置数据标记为停车中；

若运输车的当前运输状态为开车运输状态，记录此时的位置信息，并将该段GPS位置数据标记为运输中；

若运输车的当前运输状态为上货状态，记录此时的位置信息，表示上货地点从此地开始；

若运输车的当前运输状态为卸货状态，记录此时的位置信息，并与预先设定的卸货地点位置信息进行对比；若两个相差超过预设距离，则表示运输车此时出现偷货。

6.根据权利要求1所述的运输车的货物流向管控方法，其特征在于，所述惯性传感器安装于运输车的车厢中间的底部。

7.一种运输车的货物流向管控装置，其特征在于，包括：采集单元，用于基于惯性传感器采集运输车的状态数据，以及基于GPS传感器采集运输车的位置信息；其中，所述状态数据为运输车的振动信号数据；

分类单元，用于基于所述运输车的状态数据以及训练得到的状态分类模型，检测所述运输车的当前运输状态；其中，所述状态分类模型预先基于决策树训练的XGBoost机器学习模型训练得到；

发送单元，用于将所述运输车的状态数据、运输车的当前运输状态以及运输车对应的位置信息发送至云端服务器；其中，所述云端服务器基于所述运输车的当前运输状态以及运输车对应的位置信息判断所述运输车是否出现偷货；

所述状态分类模型的训练过程，包括：

初始化XGBoost机器学习模型；初始化后的XGBoost机器学习模型为决策树模型；

将训练集中的样本输入至初始化后的XGBoost机器学习模型中，计算每个样本的预测值与真实值之间的损失值；

计算每个样本的梯度以及海森矩阵；其中，梯度表示损失值对模型参数的一阶导数，海森矩阵表示损失值对模型参数的二阶导数；

根据梯度以及海森矩阵构建一个新的决策树，其中所述新的决策树的叶节点对应于所述样本的预测值；

计算决策树每个叶节点的权重值；权重值表示叶节点对应的样本的梯度之和，除以梯度之和的平方，之后再加上一个正则项用于防止过拟合；

根据新的决策树以及各个叶节点的权重值，迭代训练更新对应的模型参数，训练完成得到所述状态分类模型；

所述惯性传感器采集的状态数据包括三轴加速计以及三轴陀螺仪分别采集的信号数据；

所述基于所述运输车的状态数据以及训练得到的状态分类模型，检测所述运输车的当前运输状态的步骤，包括：分别对同一时刻三轴加速计采集的信号数据以及三轴陀螺仪采集的信号数据进行特征计算，得到对应的加速度能量值特征以及陀螺仪能量值特征；

对同一时刻下三轴加速计对应的信号数据进行合加速度特征计算；

对同一时刻下三轴陀螺仪对应的信号数据进行合陀螺仪特征计算；

将加速度能量值特征、陀螺仪能量值特征、合加速度特征、合陀螺仪特征共同输入至训练得到的状态分类模型中进行分类检测，得到所述运输车的当前运输状态。

8.一种运输车，包括存储器和处理器，所述存储器中存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至6中任一项所述方法的步骤。

说明书

运输车的货物流向管控方法、装置以及运输车

技术领域

[0001] 本发明涉及数据处理领域，特别涉及一种运输车的货物流向管控方法、装置以及运输车。

背景技术

[0002] 水泥、沙石、煤炭等是国民经济建设的重要基础原材料，目前国内外尚无其他材料可以替代它们的地位。随着我国经济的高速发展，水泥、沙石、煤炭在国民经济中的作用越来越大。水泥、沙石、煤炭在过去十年的使用量也是一直居高不下，它们的运输方式有陆运也有水运，一般陆运采用四轴、六轴等多轴自卸车来运输这类建筑材料。

[0003] 基于水泥等材料本身的货值，水泥若长途运输便会运费高于货值的现象，完全丧失产品竞争力，所以一般水泥运输半径陆地运输为200km，水路运输为500km。基于建筑材料对区域的强烈依赖性，一般运输公司将根据销售区域不同而划分不同的价格，因此建筑材料的实际流向区域变的尤其重要，成为各大生产厂商的关注焦点。

[0004] 在当前的现有技术中，对运输车辆的流向管控主要通过对车载重量的变化来体现。

[0005] 例如：利用车辆发动机的扭矩、转速等信息来测量车辆载重值，进而确定当前车辆处于上完货或者卸完货状态。该技术的缺点是发动机老化的时候，所测量的重量会逐渐不准确，进而影响对车载货物的重量计算。

[0006] 或者，采用应变计来测车桥的形变，从而来根据当前车辆载重量的变化来判断车辆的货物状态，然而由于车载应变计容易因为高频振动而损坏的问题，导致这类技术方案的成本很高。

[0007] 或者，利用胎压传感器来测量车体载重量的变化，进而对货物进行流向管控，但是胎压会随着温度的变化而变化，因此很难精准对车体载重进行监控。

[0008] 或者，通过板簧的形变程度来测量车辆上货重量，进而对车辆的货物进行监控。该技术缺点在于板簧的线性并不是太好，导致所测量的重量往往不太准确，进而影响对货物的监控。

[0009] 因此，目前采用车载重量检测的方式判断车辆状态的方式存在不准确以及成本高的缺陷。

发明内容

[0010] 本发明的主要目的为提供一种运输车的货物流向管控方法、装置以及运输车，旨在克服目前采用车载重量检测的方式判断车辆状态的方式存在不准确以及成本高的缺陷。

[0011] 为实现上述目的，本发明提供了一种运输车的货物流向管控方法，包括以下步骤：

[0012] 基于惯性传感器采集运输车的状态数据，以及基于GPS传感器采集运输车的位置信息；其中，所述状态数据为运输车的振动信号数据；

[0013] 基于所述运输车的状态数据以及训练得到的状态分类模型，检测所述运输车的当前运输状态；其中，所述状态分类模型预先基于决策树训练的XGBoost机器学习模型训练得到；

[0014] 将所述运输车的状态数据、运输车的当前运输状态以及运输车对应的位置信息发送至云端服务器；其中，所述云端服务器基于所述运输车的当前运输状态以及运输车对应的位置信息判断所述运输车是否出现偷货。

[0015] 进一步地，所述惯性传感器采集的状态数据包括三轴加速计以及三轴陀螺仪分别采集的信号数据；

[0016] 所述基于所述运输车的状态数据以及训练得到的状态分类模型，检测所述运输车的当前运输状态的步骤，包括：

[0017] 分别对同一时刻三轴加速计采集的信号数据以及三轴陀螺仪采集的信号数据进行特征计算，得到对应的加速度能量值特征以及陀螺仪能量值特征；

[0018] 对同一时刻下三轴加速计对应的信号数据进行合加速度特征计算；

[0019] 对同一时刻下三轴陀螺仪对应的信号数据进行合陀螺仪特征计算；

[0020] 将加速度能量值特征、陀螺仪能量值特征、合加速度特征、合陀螺仪特征共同输入至训练得到的状态分类模型中进行分类检测，得到所述运输车的当前运输状态；其中，所述状态分类模型预先基于XGBoost机器学习模型训练得到。

[0021] 进一步地，所述分别对同一时刻三轴加速计采集的信号数据以及三轴陀螺仪采集的信号数据进行特征计算，得到对应的加速度能量值特征以及陀螺仪能量值特征的步骤之前，还包括：

[0022] 对所述同一时刻三轴加速计采集的信号数据以及三轴陀螺仪采集的信号数据分别进行滑动均值降噪以及标准化处理；

[0023] 其中，滑动均值降噪计算方法包括：

[0024]

[0025] 其中x（i）为第i时刻的数据值，x（i‑3）指的是第i‑3时刻的数据值，x（i+3）指的是第i+3时刻数据值，7指的是均值窗口的大小；

[0026] 标准化处理，其标准化计算公式为：

[0027]

[0028] 其中， 指的是数据轴的均值， 指的是数据轴的方差。

[0029] 进一步地，所述加速度能量值特征的计算公式为：

[0030]

[0031] 所述陀螺仪能量值特征的计算公式为：

[0032]

[0033] Acc_x_abs(i)指的是三轴加速计的x轴在i时刻绝对值后的加速度能量值，Gro_x_abs(i)指的是三轴陀螺仪的x轴在i时刻绝对值后的陀螺仪能量值特征，abs指的是绝对值函数；

[0034] 合加速度特征的计算公式为：

[0035]

[0036] 合陀螺仪特征的计算公式为：

[0037]

[0038] 其中，x、y、z为三轴加速计以及三轴陀螺仪的三个轴；

[0039] Acc_x (i)、Acc_y (i)、Acc_z (i)，分别为三轴加速计的x、y、z轴在i时刻的信号数据；

[0040] Gro_x (i)、Gro_y (i)、Gro_z (i)，分别为三轴陀螺仪的x、y、z轴在i时刻的信号数据。

[0041] 进一步地，所述状态分类模型的训练过程，包括：

[0042] 初始化XGBoost机器学习模型；初始化后的XGBoost机器学习模型为决策树模型；

[0043] 将训练集中的样本输入至初始化后的XGBoost机器学习模型中，计算每个样本的预测值与真实值之间的损失值；

[0044] 计算每个样本的梯度以及海森矩阵；其中，梯度表示损失值对模型参数的一阶导数，海森矩阵表示损失值对模型参数的二阶导数；

[0045] 根据梯度以及海森矩阵构建一个新的决策树，其中所述新的决策树的叶节点对应于所述样本的预测值；

[0046] 计算决策树每个叶节点的权重值；

[0047] 根据新的决策树以及各个叶节点的权重值，迭代训练更新对应的模型参数，训练完成得到所述状态分类模型。

[0048] 进一步地，所述损失值的计算函数为：

[0049]

[0050] L表示损失值，y表示真实标签， 表示预测概率值；

[0051] 海森矩阵的计算公式为：

[0052]

[0053] H表示海森矩阵， 表示第i个样本的真实值， 表示第i个样本属于第k个类别预测的概率值。

[0054] 进一步地，所述云端服务器具体用于：

[0055] 若运输车的当前运输状态为停车状态，记录此时的位置信息，并将该段GPS位置数据标记为停车中；

[0056] 若运输车的当前运输状态为开车运输状态，记录此时的位置信息，并将该段GPS位置数据标记为运输中；

[0057] 若运输车的当前运输状态为上货状态，记录此时的位置信息，表示上货地点从此地开始；

[0058] 若运输车的当前运输状态为卸货状态，记录此时的位置信息，并与预先设定的卸货地点位置信息进行对比；若两个相差超过预设距离，则表示运输车此时出现偷货。

[0059] 进一步地，所述惯性传感器安装于运输车的车厢中间的底部。

[0060] 本发明还提供了一种运输车的货物流向管控装置，包括：

[0061] 采集单元，用于基于惯性传感器采集运输车的状态数据，以及基于GPS传感器采集运输车的位置信息；其中，所述状态数据为运输车的振动信号数据；

[0062] 分类单元，用于基于所述运输车的状态数据以及训练得到的状态分类模型，检测所述运输车的当前运输状态；其中，所述状态分类模型预先基于决策树训练的XGBoost机器学习模型训练得到；

[0063] 发送单元，用于将所述运输车的状态数据、运输车的当前运输状态以及运输车对应的位置信息发送至云端服务器；其中，所述云端服务器基于所述运输车的当前运输状态以及运输车对应的位置信息判断所述运输车是否出现偷货。

[0064] 本发明还提供一种运输车，包括存储器和处理器，所述存储器中存储有计算机程序，所述处理器执行所述计算机程序时实现上述任一项所述方法的步骤。

[0065] 本发明提供的运输车的货物流向管控方法、装置以及运输车，包括：基于惯性传感器采集运输车的状态数据，以及基于GPS传感器采集运输车的位置信息；其中，所述状态数据为运输车的振动信号数据；基于所述运输车的状态数据以及训练得到的状态分类模型，检测所述运输车的当前运输状态；将所述运输车的状态数据、运输车的当前运输状态以及运输车对应的位置信息发送至云端服务器；其中，所述云端服务器基于所述运输车的当前运输状态以及运输车对应的位置信息判断所述运输车是否出现偷货。本发明中，通过采用惯性传感器采集运输车的振动信号数据，进而检测出车辆的当前运输状态，进而判断是否出现偷货，准确性高，成本低。

附图说明

[0066] 图1是本发明一实施例中运输车的货物流向管控方法步骤示意图；

[0067] 图2是本发明一实施例中惯性传感器的安装示意图；

[0068] 图3是本发明一实施例中运输车的货物流向管控装置结构框图；

[0069] 图4是本发明一实施例的运输车的结构示意框图。

[0070] 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

[0071] 为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

[0072] 参照图1，本发明一实施例中提供了一种运输车的货物流向管控方法，包括以下步骤：

[0073] 步骤S1，基于惯性传感器采集运输车的状态数据，以及基于GPS传感器采集运输车的位置信息；其中，所述状态数据为运输车的振动信号数据；

[0074] 步骤S2，基于所述运输车的状态数据以及训练得到的状态分类模型，检测所述运输车的当前运输状态；其中，所述状态分类模型预先基于决策树训练的XGBoost机器学习模型训练得到；

[0075] 步骤S3，将所述运输车的状态数据、运输车的当前运输状态以及运输车对应的位置信息发送至云端服务器；其中，所述云端服务器基于所述运输车的当前运输状态以及运输车对应的位置信息判断所述运输车是否出现偷货。

[0076] 在本实施例中，上述方案应用于运输车的货物流向管控，区别于传统方案中采用重量检测的方案，本实施例中的方案不需要重量检测，而是通过采用惯性传感器采集运输车的振动信号数据，进而检测出车辆的当前运输状态，进而判断是否出现偷货，准确性高，成本低。

[0077] 如上述步骤S1所述的，所述惯性传感器安装于运输车的车厢中间的底部（结合参照图2），其可以采集运输车的状态数据，GPS传感器安装于运输车上用于采集运输车的位置信息。在本实施例中，包括感知端（惯性传感器、GPS传感器等）、主机端、云端服务器以及移动端。具体地，在感知端，主要利用惯性传感器（IMU，Inertial Measurement Unit）和GPS传感器。惯性传感器（采用型号为MPU6050），该惯性传感器上有三轴加速计和三轴陀螺仪，用于检测运输车上货卸货时车框产生的振动信号数据。当下的运输车在上货时主要有两种方式，一种是通过管道将货物直接倾倒车厢中，另一种是通过铲车一铲一铲的倒进车厢中，因此这样的上货方式会对车厢底部产生剧烈的碰撞，进而惯性传感器可以获取到高频振动信号。当运输车进行卸货，往往通过升降车厢将货物倾斜于地上，此时惯性传感器便可收到车厢运动状态信号。为了让惯性传感器更好收到车厢状态数据，需要将该传感器安装于车厢中间底部，只安装1个，并连接于主机上。GPS传感器主要用于实时检测运输车的位置信息，记录运输车状态变化的地点坐标。

[0078] 如上述步骤S2‑S3所述的，在主机端上有处理芯片（STM32芯片）和机器学习算法对惯性传感器所传递过来的状态数据进行模式识别，然后输出当前运输车是否处于上货、卸货、静止和运输中的4个状态结果。最后将运输车的状态数据、运输车的当前运输状态以及运输车对应的位置信息发送到云端服务器存储，使得在移动端例如安卓或者电脑网页上可以查询当前被监测的运输车货物流向信息。

[0079] 在云端上：主要用于存储和计算当前被监测运输车是否在预定位置进行上货和卸货，当出现在非预定位置进行卸货时，则发出警报，表示此时运输车处于非法卸货，从而完成对运输车的监控。

[0080] 在本实施例中，通过采用惯性传感器采集运输车的振动信号数据，进而检测出车辆的当前运输状态，进而判断是否出现偷货，准确性高，成本低。本发明实施例的关键点在于改变了过去流向监控采用重量这一维度的来对车辆进行监控的方式，而是只通过一个惯性传感器对运输车的车身状态和行为进行精准识别，进而对货物的流向信息进行精准监测。相比起其它方案，本发明更加低成本、更加精准、更加持久耐用，且适用多种车辆和不损坏车身结构。

[0081] 在一实施例中，所述惯性传感器采集的状态数据包括三轴加速计以及三轴陀螺仪分别采集的信号数据；

[0082] 所述基于所述运输车的状态数据以及训练得到的状态分类模型，检测所述运输车的当前运输状态的步骤，包括：

[0083] 分别对同一时刻三轴加速计采集的信号数据以及三轴陀螺仪采集的信号数据进行特征计算，得到对应的加速度能量值特征以及陀螺仪能量值特征；

[0084] 对同一时刻下三轴加速计对应的信号数据进行合加速度特征计算；

[0085] 对同一时刻下三轴陀螺仪对应的信号数据进行合陀螺仪特征计算；

[0086] 将加速度能量值特征、陀螺仪能量值特征、合加速度特征、合陀螺仪特征共同输入至训练得到的状态分类模型中进行分类检测，得到所述运输车的当前运输状态；其中，所述状态分类模型预先基于XGBoost机器学习模型训练得到。

[0087] 在本实施例中，在获取到惯性传感器采集的状态数据之后，需要对其进行特征工程，特征工程是指利用领域知识和数据处理技巧，从状态数据中提取有意义、可用的特征，用于机器学习模型的训练和预测。为了提高模型的性能、降低模型在在训练数据中过拟合的风险、加速模型训练速度和增强模型的可解释性，此处在每一个时间戳的6个数据点上做进一步的特征工程。

[0088] 具体包括：

[0089] 能量值特征计算，计上述加速度能量值特征以及陀螺仪能量值特征，其分别指的是三轴加速计和三轴陀螺仪i时刻的数据做一个绝对值得到的特征。

[0090] 合加速度特征：指将每一个时间戳的三轴加速度的三个信号数据进行平方和后再开方，即可以得到合加速度特征。

[0091] 合陀螺仪的特征：指将每一个时间戳的三轴陀螺仪的三个信号数据进行平方和后再开方，即可以得到合陀螺仪特征。过特征工程阶段之后，总共提取6个能量值特征，1个合加速度特征，1个合陀螺仪特征，再加上原始的6个数据，合计获得14个可供模型训练的特征。

[0092] 在本实施例中，为了更好的学习特征工程中所产生的特征数据，所述状态分类模型预先基于XGBoost机器学习模型训练得到。XGBoost模型对特征工程中衍生的数据进行计算。XGBoost是一种高效的机器学习模型，它是基于梯度提升树（Gradient Boosting Tree）算法的实现，且采用了类似于决策树的方法，通过不断地迭代、调整预测模型，来提升预测精度。具体地，将加速度能量值特征、陀螺仪能量值特征、合加速度特征、合陀螺仪特征共同输入至训练得到的状态分类模型中进行分类检测，得到所述运输车的当前运输状态，即可以预测出当前运输车是上货、卸货、静止和运输中的任意一个状态。

[0093] 惯性传感器采集的状态数据主要有1个惯性传感器数据，考虑到，采集频率为1Hz，该惯性传感器在每一秒会获得3个加速计的值和3个陀螺仪的值。因此得到的三轴加速计在三个轴上的值分别记为Acc_x，Acc_y，Acc_z，得到的三轴陀螺仪在三个轴上的值记为Gro_x，Gro_y，Gro_z，每一秒获取到惯性传感器的数据尺寸为[1，6]。由于惯性传感器所获取的数据属于时序数据，需要采用滑动窗口对原始数据进行结果，此处采用滑动窗口的大小为50，滑动步长为25，这样将获取到窗口里面的IMU数据尺寸为[50，6]。

[0094] 在一实施例中，所述分别对同一时刻三轴加速计采集的信号数据以及三轴陀螺仪采集的信号数据进行特征计算，得到对应的加速度能量值特征以及陀螺仪能量值特征的步骤之前，还包括：

[0095] 对所述同一时刻三轴加速计采集的信号数据以及三轴陀螺仪采集的信号数据分别进行滑动均值降噪以及标准化处理；对于获得到的惯性传感器的状态数据，由于所获取的状态数据包含有其他噪声，需要做初步降噪，此处采用滑动均值降噪方法对状态数据进行处理。

[0096] 其中，滑动均值降噪计算方法包括：

[0097]

[0098] 其中x（i）为第i时刻的数据值，x（i‑3）指的是第i‑3时刻的数据值，x（i+3）指的是第i+3时刻数据值，7指的是均值窗口的大小；上述惯性传感器的6条时序数据进行均值滤波降噪后输出尺寸仍然为[50，6]。

[0099] 标准化处理，其标准化计算公式为：

[0100]

[0101] 其中， 指的是数据轴的均值， 指的是数据轴的方差。

[0102] 在一实施例中，所述加速度能量值特征的计算公式为：

[0103]

[0104] 所述陀螺仪能量值特征的计算公式为：

[0105]

[0106] Acc_x_abs(i)指的是三轴加速计的x轴在i时刻绝对值后的加速度能量值，Gro_x_abs(i)指的是三轴陀螺仪的x轴在i时刻绝对值后的陀螺仪能量值特征，abs指的是绝对值函数；

[0107] 合加速度特征的计算公式为：

[0108]

[0109] 合陀螺仪特征的计算公式为：

[0110]

[0111] 其中，x、y、z为三轴加速计以及三轴陀螺仪的三个轴；

[0112] Acc_x (i)、Acc_y (i)、Acc_z (i)，分别为三轴加速计的x、y、z轴在i时刻的信号数据；

[0113] Gro_x (i)、Gro_y (i)、Gro_z (i)，分别为三轴陀螺仪的x、y、z轴在i时刻的信号数据。

[0114] 在一实施例中，所述状态分类模型的训练过程，包括：

[0115] 初始化XGBoost机器学习模型；初始化后的XGBoost机器学习模型为决策树模型；在本实施例中，对决策树模型的深度设置为6，决策树的数量为200。

[0116] 将训练集中的样本输入至初始化后的XGBoost机器学习模型中，计算每个样本的预测值与真实值之间的损失值；其中，常用的损失函数为softmax损失函数。在计算损失函数时，XGBoost会将每个样本的损失函数值累加起来，作为当前模型的总损失函数值，用于后续的模型优化和更新。同时，XGBoost还会加入正则项，用于防止过拟合。

[0117] 计算每个样本的梯度以及海森矩阵；其中，梯度表示损失值对模型参数的一阶导数，海森矩阵表示损失值对模型参数的二阶导数，用于描述函数的局部曲率和凸性；海森矩阵的具体公式是根据损失函数的二阶导数计算得到的。

[0118] 根据梯度以及海森矩阵构建一个新的决策树，其中所述新的决策树的叶节点对应于所述样本的预测值；

[0119] 计算决策树每个叶节点的权重值；权重值表示叶节点对应的样本的梯度之和，除以梯度之和的平方，之后再加上一个正则项用于防止过拟合。

[0120] 根据新的决策树以及各个叶节点的权重值，迭代训练更新对应的模型参数，直到达到指定的迭代次数或模型的性能不再提升为止，训练完成得到所述状态分类模型。

[0121] 在一实施例中，所述损失值的计算函数为：

[0122]

[0123] L表示损失值，y表示真实标签， 表示预测概率值；

[0124] 海森矩阵的计算公式为：

[0125]

[0126] H表示海森矩阵， 表示第i个样本的真实值， 表示第i个样本属于第k个类别预测的概率值。

[0127] 在一实施例中，所述云端服务器具体用于：

[0128] 若运输车的当前运输状态为停车状态，记录此时的位置信息，并将该段GPS位置数据标记为停车中；其中，该段GPS位置数据指的是停车状态阶段的位置信息；

[0129] 若运输车的当前运输状态为开车运输状态，记录此时的位置信息，并将该段GPS位置数据标记为运输中；其中，该段GPS位置数据指的是开车运输状态阶段下的位置信息；

[0130] 若运输车的当前运输状态为上货状态，记录此时的位置信息，表示上货地点从此地开始；

[0131] 若运输车的当前运输状态为卸货状态，记录此时的位置信息，并与预先设定的卸货地点位置信息进行对比；若两个相差超过预设距离（例如2公里），则表示运输车此时出现偷货；当出现偷货现象时，则可以发出警报。

[0132] 在一实施例中，所述基于所述运输车的状态数据以及训练得到的状态分类模型，检测所述运输车的当前运输状态的步骤之前，还包括：

[0133] 获取运输车的类型、标识码以及当前时间戳；其中，所述标识码中为一个字符串；

[0134] 调用数据库；其中，数据库中包括多个文件夹，每个文件夹具有唯一标识号，每个文件夹中存储有对应的多个预选状态分类模型；

[0135] 根据运输车的类型，在数据库中匹配对应的解码表；基于匹配出的解码表分别对所述标识码进行解码，得到对应的解码字符串；

[0136] 依序将所述解码字符串中的每个字符输入至第一集合中；其中，每个字符作为第一集合中的一个元素；

[0137] 针对每个文件夹，依序将每个所述文件夹的唯一标识号中的标识字符输入至第二集合中，得到各个文件夹分别对应的第二集合；其中，每个标识字符作为第二集合中的一个元素；

[0138] 分别计算第一集合与各个第二集合的交集元素，并获取与所述第一集合的交集元素最多的第二集合作为目标集合，将所述目标集合对应的文件夹作为目标文件夹；

[0139] 获取目标文件夹中存储的各个预选状态分类模型的更新时间，并获取更新时间与所述当前时间戳最接近的预选状态分类模型作为所述状态分类模型；其中，所述状态分类模型用于检测所述运输车的当前运输状态。

[0140] 在本实施例中，在检测运输车的当前运输状态之前，首先需要获取与运输车相关的信息。其中包括运输车的类型（可能根据不同类型的车辆使用不同的模型和解码表）、标识码（通常是一个字符串用于唯一标识车辆）以及当前时间戳（用于后续与预选状态分类模型的更新时间进行比较）。

[0141] 调用数据库：针对所述运输车的检测需求，需要访问一个数据库，该数据库包含多个文件夹，每个文件夹具有唯一标识号，而每个文件夹中存储有对应的多个预选状态分类模型。通过访问数据库，可以获取与所述运输车相关的预选状态分类模型。

[0142] 根据运输车的类型，在数据库中匹配对应的解码表：根据所述运输车的类型，系统会在数据库中匹配该类别车辆对应的解码表。解码表通常是一种规则或映射，用于将标识码中的字符解码为特定的字符串。这个解码过程是为了得到可读性更好的标识码，以便后续处理。

[0143] 对标识码进行解码，得到解码字符串：在匹配到所需的解码表后，系统将使用解码表对标识码进行解码操作。解码的目的是将标识码中的字符转换为容易理解的字符串形式，这样可以为后续的计算和比较提供更方便的数据。

[0144] 构建第一集合和第二集合：在解码字符串后，系统会将每个字符作为第一集合的一个元素，每个文件夹的唯一标识字符作为第二集合的一个元素。这样，第一集合和第二集合将包含运输车的解码字符串和数据库中的标识字符。

[0145] 计算第一集合与第二集合的交集元素，找到目标集合和目标文件夹：系统会分别计算第一集合与每个第二集合的交集元素，并找到与第一集合交集元素最多的第二集合作为目标集合。根据这个目标集合，系统可以确定对应的文件夹作为目标文件夹，以供后续步骤使用。

[0146] 获取目标文件夹中各个预选状态分类模型的更新时间：在确定目标文件夹后，系统会获取该文件夹中存储的各个预选状态分类模型的更新时间。这个更新时间用于与当前时间戳进行比较，以找到更新时间与当前时间戳最接近的预选状态分类模型。

[0147] 获取更新时间最接近的预选状态分类模型作为状态分类模型：通过比较预选状态分类模型的更新时间和当前时间戳，系统可以找到更新时间最接近的模型，将其作为所述状态分类模型。状态分类模型可以用于检测所述运输车的当前运输状态，根据实际需求进行状态识别和预测。

[0148] 参照图3，本发明一实施例中还提供了一种运输车的货物流向管控装置，包括：

[0149] 采集单元，用于基于惯性传感器采集运输车的状态数据，以及基于GPS传感器采集运输车的位置信息；其中，所述状态数据为运输车的振动信号数据；

[0150] 分类单元，用于基于所述运输车的状态数据以及训练得到的状态分类模型，检测所述运输车的当前运输状态；其中，所述状态分类模型预先基于决策树训练的XGBoost机器学习模型训练得到；

[0151] 发送单元，用于将所述运输车的状态数据、运输车的当前运输状态以及运输车对应的位置信息发送至云端服务器；其中，所述云端服务器基于所述运输车的当前运输状态以及运输车对应的位置信息判断所述运输车是否出现偷货。

[0152] 在本实施例中，上述装置实施例中的各个单元的具体实现，请参照上述方法实施例中所述，在此不再进行赘述。

[0153] 参照图4，本发明实施例中还提供一种运输车，该运输车可以是服务器，其内部结构可以如图4所示。该运输车包括通过系统总线连接的处理器、存储器、显示屏、输入装置、网络接口和数据库。其中，该计算机设计的处理器用于提供计算和控制能力。该运输车的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该运输车的数据库用于存储本实施例中对应的数据。该运输车的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现上述方法。

[0154] 本领域技术人员可以理解，图4中示出的结构，仅仅是与本发明方案相关的部分结构的框图，并不构成对本发明方案所应用于其上的运输车的限定。

[0155] 综上所述，为本发明实施例中提供的运输车的货物流向管控方法、装置以及运输车，包括：基于惯性传感器采集运输车的状态数据，以及基于GPS传感器采集运输车的位置信息；其中，所述状态数据为运输车的振动信号数据；基于所述运输车的状态数据以及训练得到的状态分类模型，检测所述运输车的当前运输状态；将所述运输车的状态数据、运输车的当前运输状态以及运输车对应的位置信息发送至云端服务器；其中，所述云端服务器基于所述运输车的当前运输状态以及运输车对应的位置信息判断所述运输车是否出现偷货。本发明中，通过采用惯性传感器采集运输车的振动信号数据，进而检测出车辆的当前运输状态，进而判断是否出现偷货，准确性高，成本低。

[0156] 本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本发明所提供的和实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可以包括只读存储器（ROM）、可编程ROM（PROM）、电可编程ROM（EPROM）、电可擦除可编程ROM（EEPROM）或闪存。易失性存储器可包括随机存取存储器（RAM）或者外部高速缓冲存储器。作为说明而非局限，RAM通过多种形式可得，诸如静态RAM（SRAM）、动态RAM（DRAM）、同步DRAM（SDRAM）、双速据率SDRAM（SSRSDRAM）、增强型SDRAM（ESDRAM）、同步链路（Synchlink）DRAM（SLDRAM）、存储器总线（Rambus）直接RAM（RDRAM）、直接存储器总线动态RAM（DRDRAM）、以及存储器总线动态RAM等。

[0157] 需要说明的是，在本文中，术语“包括”、“包含”或者其任何其它变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、装置、物品或者方法不仅包括那些要素，而且还包括没有明确列出的其它要素，或者是还包括为这种过程、装置、物品或者方法所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、装置、物品或者方法中还存在另外的相同要素。

[0158] 以上所述仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其它相关的技术领域，均同理包括在本发明的专利保护范围内。