[發明專利]基于大數據的建筑材料運輸車非正常卸貨行為的識別方法

在審

• 申請號: 202210030499.5
• 申請日: 2022-01-12
• 公開（公告）號: CN114359846A
• 公開（公告）日: 2022-04-15
• 發明（設計）人: 陳奕昆;唐陵衡
• 申請（專利權）人: 廣東建采網科技有限公司
• 主分類號: G06V20/54
• 分類號: G06V20/54;G06V40/20;G07C5/00
• 代理公司: 廣州匯航專利代理事務所(普通合伙) 44537
• 代理人: 郭奎

1.基于大數據的建筑材料運輸車非正常卸貨行為的識別方法，其特征在于，包括：

基于車載終端將移動傳輸的實時在線數據上傳至云端大數據平臺；

利用大數據分析技術，對車輛的質量進行計算，并根據車輛質量的變化識別其載卸貨行為。

2.根據權利要求1所述的基于大數據的建筑材料運輸車非正常卸貨行為的識別方法，其特征在于，所述基于車載終端將移動傳輸的實時在線數據上傳至云端大數據平臺；具體包括：建筑材料運輸車上設置車載終端，車載終端將車輛信息及送貨單信息通過MQTT協議上送云端大數據平臺。

3.根據權利要求2所述的基于大數據的建筑材料運輸車非正常卸貨行為的識別方法，其特征在于，所述車輛信息包括車輛唯一識別碼、采集時間、車輛速度、發動機最大扭矩輸出比例、發動機轉速、經度定位數據，緯度定位數據；所述送貨單信息為針對材料送貨單記錄送貨起始地址、目的地址、預計送達時間的目標值。

4.根據權利要求1所述的基于大數據的建筑材料運輸車非正常卸貨行為的識別方法，其特征在于，利用大數據分析技術，對車輛的質量進行計算，并根據車輛質量的變化識別其載卸貨行為；具體包括：

對車載終端上傳的車輛信息及送貨單信息進行數據質量預處理；

對預處理后數據進行車輛行駛片段切片；

計算車輛行駛片段的預估載重質量；

通過識別經緯度連續數據幀誤差識別車輛停駐點并求取該停駐點的最終車輛質量；

根據車輛各個停駐點的車輛質量與送貨起始點的質量做對比，識別為卸貨點并進行違規卸貨點行為判斷。

5.根據權利要求4所述的基于大數據的建筑材料運輸車非正常卸貨行為的識別方法，其特征在于，所述對車載終端上傳的車輛信息及送貨單信息進行數據質量預處理；具體包括：對車輛信息及送貨單信息的各字段的異常值進行、缺失值進行刪除，對車輛信息及送貨單信息的時間跨度進行確定，對車量信息及送貨單信息的數據單位進行一致性整合。

6.根據權利要求4所述的基于大數據的建筑材料運輸車非正常卸貨行為的識別方法，其特征在于，所述對預處理后數據進行車輛行駛片段切片，具體包括：根據速度變化，切分出車輛各個加速的行駛片段，根據速度前后10幀數據首尾差值超過設定百分比作為切片原則，根據加速開始速度、加速結束速度以及加速時間的限制條件對切片出的原始行駛片段進行篩選，過濾掉時間小于無效時間內的無效片段。

7.根據權利要求4所述的基于大數據的建筑材料運輸車非正常卸貨行為的識別方法，其特征在于，所述計算車輛行駛片段的預估載重質量；具體包括：

針對車輛的各個加速片段，根據公式：

功率＝扭矩*轉速；

其中，M為功率，PT為扭矩，V1為加速片段的起始速度，V2為加速片段的末端速度；

忽略坡度計算維度，計算車輛路程中每段行駛片段的預估載重質量函數如下：

gong＝g1/9550；

Zhiliang1＝2*gong*1000/math.abs(math.pow(sd1/3.6,2)-math.pow(sd2/3.6,2)；

Zhiliang＝Zhiliang1/1000；

其中sd1為里程片段起始，sd2為里程片段結束，g1為弓高，Gong為弓，Zhiliang為質量。

8.根據權利要求4所述的基于大數據的建筑材料運輸車非正常卸貨行為的識別方法，其特征在于，所述通過識別經緯度連續數據幀誤差識別車輛停駐點并求取該停駐點的最終車輛質量；具體包括：通過識別經緯度連續數據幀誤差在設定距離內且超過設定時間并最后一幀數據為熄火狀態的行為識別車輛停駐點，計算出車輛停駐的時間、位置、時長信息；并根據每個停駐點車輛的質量求取中位數作為該停駐點的最終車輛質量。

9.根據權利要求4所述的基于大數據的建筑材料運輸車非正常卸貨行為的識別方法，其特征在于，所述根據車輛各個停駐點的車輛質量與送貨起始點的質量做對比，識別為卸貨點并進行違規卸貨點行為判斷，具體包括：根據車輛各個停駐點的車輛質量與送貨起始點的質量做對比，識別質量顯著降低的停駐點，并識別為卸貨點；將卸貨點經緯度、時間與送貨單目標地址做匹配，如發現其卸貨點總數大于目標送貨點總數則視為疑似違規行為，記錄下與非送貨地址誤差大于一定距離的卸貨地址作為違規卸貨點并作為監控證據提供建筑業主方進行管控。