一种货运状态识别方法、装置、设备及存储介质与流程

本发明涉及智能识别技术领域，特别是涉及一种货运状态识别方法、一种货运状态识别装置、一种货运状态识别设备以及一种计算机可读存储介质。

背景技术：

近年来，随着人工智能的发展，神经网络以其强大的自学习能力和高速寻找优化解的能力，在模式识别、自动控制、信号处理、辅助决策等众多研究领域取得了广泛的成功。在物流的实际运作过程中，如果能准确地获取到重卡的货运状态，如空载、半载、满载、停车或加油，并匹配其对应配载状态的gps行驶轨迹，就能够准确地掌控货物的流向，货物的集散地，匹配车源和货源，提高运输效率，降低空驶率。对于某些特定的行业，还可以帮助货主方判断是否发生了串货等。

在不加装载重感应器的情况下，物流运输过程中，重型卡车的货运状态是车辆监控系统无法感知的。如果想实时获取到车辆的货运状态，目前的方法有以下两种：一是加装重力感应器来识别车辆的货运状态；二是司机在app上手动切换货运状态。

上述技术方案存在以下几个问题：加装重力感应器会涉及到设备成本较高、车辆改装和质保、售后等一系列问题；现实情况下司机一般不会去做手动切换，且基于人工梳理的方式不但耗时长，而且效率低，准确性和合理性都直接受到人自身因素的影响。所以如何提供一种可以确定车辆货运状态的方法是本领域技术人员急需解决的问题。

技术实现要素：

本发明的目的是提供一种货运状态识别方法，可以仅通过车辆的gps数据识别该车辆的货运状态；本发明的另一目的在于提供一种货运状态识别装置、一种货运状态识别设备以及一种计算机可读存储介质，可以仅通过车辆的gps数据识别该车辆的货运状态。

为解决上述技术问题，本发明提供一种货运状态识别方法，包括：

获取目标车辆的待识别gps数据，生成对应所述待识别gps数据的待识别轨迹数据；

对所述待识别轨迹数据进行预处理，得到待识别数据矩阵；

调用预先训练的神经网络模型，根据所述待识别数据矩阵得到对应所述目标车辆的车辆货运状态。

可选的，所述对所述待识别轨迹数据进行预处理，得到待识别数据矩阵包括：

提取所述待识别轨迹数据的特征值生成待过滤数据；所述特征值包括时间戳；

过滤所述待过滤数据中的异常数据，得到待归一化数据；所述待归一化数据为目标车辆连续行驶时所产生的数据；

对所述待归一化数据进行归一化，得到待识别数据矩阵。

可选的，所述特征值包括：

经度、维度、角度、速度、和所述时间戳。

可选的，所述对所述待归一化数据进行归一化，得到待识别数据矩阵包括：

根据所述时间戳的先后顺序排列所述待归一化数据；

在排列所述待归一化数据之后，计算相邻两个所述待归一化数据中对应特征值的差值以及方差值；

调用离差标准化模型，根据所述差值中的最大值与所述差值中的最小值对所述待归一化数据进行归一化，并调用所述离差标准化模型，根据所述方差值中的最大值与所述方差值中的最小值对所述待归一化数据进行归一化，得到待识别数据矩阵。

可选的，所述神经网络模型中的池化层包括最大值池化层。

可选的，训练所述神经网络模型的步骤包括：

获取目标车辆的待训练gps数据，生成对应所述待训练gps数据的待训练轨迹数据；

对所述待训练轨迹数据进行预处理，得到待训练数据矩阵；

将所述待训练数据矩阵输入神经网络模型，对所述神经网络模型进行训练。

可选的，所述将所述待训练数据矩阵输入神经网络模型，对所述神经网络模型进行训练包括：

将所述待训练数据矩阵输入神经网络模型，并根据交叉熵损失函数模型对所述神经网络模型进行训练。

本发明还提供了一种货运状态识别装置，包括：

获取模块：用于获取目标车辆的待识别gps数据，生成对应所述待识别gps数据的待识别轨迹数据；

预处理模块：用于对所述待识别轨迹数据进行预处理，得到待识别数据矩阵；

神经网络模块：用于调用预先训练的神经网络模型，根据所述待识别数据矩阵得到对应所述目标车辆的车辆货运状态。

本发明还提供了一种货运状态识别设备，所述设备包括：

存储器：用于存储计算机程序；

处理器：用于执行所述计算机程序时实现如上述任一项所述货运状态识别方法的步骤。

本发明还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上存储有计算机程序，所述计算机程序被处理器执行时实现如上述任一项所述货运状态识别方法的步骤。

本发明所提供的一种货运状态识别方法，包括获取目标车辆的待识别gps数据，生成对应所述待识别gps数据的待识别轨迹数据；对所述待识别轨迹数据进行预处理，得到待识别数据矩阵；调用预先训练的神经网络模型，根据所述待识别数据矩阵得到对应所述目标车辆的车辆货运状态。

根据物理学知识可知，车辆在满载的状态下，启动的加速度会相对空载和半载的状态下小很多，上坡的速度会相对空载和半载的状态下慢很多，转弯的速度可能会比空载和半载的状态下慢，直行的平均速度会比空载和半载的状态下慢。在本发明中通过神经网络模型根据目标车辆的待识别gps数据识别目标车辆的车辆货运状态，可以实现在不外置其他设备的情况下，充分考虑到经济成本和人工疏漏的问题，自动识别目标车辆的货运状态，以便对车辆的运输路线进行规划和导航，实现合理的调度。

本发明还提供了一种货运状态识别装置、一种货运状态识别设备以及一种计算机可读存储介质，同样具有上述有益效果，在此不再进行赘述。

附图说明

为了更清楚的说明本发明实施例或现有技术的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍，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为本发明实施例所提供的一种货运状态识别方法的流程图；

图2为本发明实施例所提供的一种具体的货运状态识别方法的流程图；

图3为本发明实施例所提供的另一种具体的货运状态识别方法的流程图；

图4为本发明实施例所提供的一种货运状态识别装置的结构框图；

图5为本发明实施例所提供的一种货运状态识别设备的结构框图。

具体实施方式

本发明的核心是提供一种货运状态识别方法。在现有技术中，在不加装载重感应器的情况下，物流运输过程中，重型卡车的货运状态是车辆监控系统无法感知的。如果想实时获取到车辆的货运状态，目前的方法有以下两种：一是加装重力感应器来识别车辆的货运状态；二是司机在app上手动切换货运状态。

上述技术方案存在以下几个问题：加装重力感应器会涉及到设备成本较高、车辆改装和质保、售后等一系列问题；现实情况下司机一般不会去做手动切换，且基于人工梳理的方式不但耗时长，而且效率低，准确性和合理性都直接受到人自身因素的影响。

而本发明所提供的一种货运状态识别方法，包括获取目标车辆的待识别gps数据，生成对应所述待识别gps数据的待识别轨迹数据；对所述待识别轨迹数据进行预处理，得到待识别数据矩阵；调用预先训练的神经网络模型，根据所述待识别数据矩阵得到对应所述目标车辆的车辆货运状态。

根据物理学知识可知，车辆在满载的状态下，启动的加速度会相对空载和半载的状态下小很多，上坡的速度会相对空载和半载的状态下慢很多，转弯的速度可能会比空载和半载的状态下慢，直行的平均速度会比空载和半载的状态下慢。在本发明中通过神经网络模型根据目标车辆的待识别gps数据识别目标车辆的车辆货运状态，可以实现在不外置其他设备的情况下，充分考虑到经济成本和人工疏漏的问题，自动识别目标车辆的货运状态，以便对车辆的运输路线进行规划和导航，实现合理的调度。

为了使本技术领域的人员更好地理解本发明方案，下面结合附图和具体实施方式对本发明作进一步的详细说明。显然，所描述的实施例仅仅是本发明一部分实施例，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，都属于本发明保护的范围。

请参考图1，图1为本发明实施例所提供的一种货运状态识别方法的流程图。

参见图1，在本发明实施例中，货运状态识别方法包括：

s101：获取目标车辆的待识别gps数据，生成对应待识别gps数据的待识别轨迹数据。

在本步骤中，通常会按照预设的频率，例如4s一次获取目标车辆的待识别gps(globalpositioningsystem，全球定位系统)数据，并根据待识别gps数据，生成对应的待识别轨迹数据。有关待识别轨迹数据的具体形式可以参考现有技术，在此不再进行赘述。

s102：对待识别轨迹数据进行预处理，得到待识别数据矩阵。

有关预处理的内容将在下述发明实施例中做详细介绍，在此不再进行赘述。上述待识别数据矩阵即可以输入至神经网络模型的数据。

s103：调用预先训练的神经网络模型，根据待识别数据矩阵得到对应目标车辆的车辆货运状态。

有关神经网络模型的具体训练过程以及具体内容将在下述发明实施例中做详细介绍，在此不再进行赘述。在本步骤中，会将上述s102中得到的待识别数据矩阵输入预先经过训练的神经网络模型，从而通过神经网络模型输出对应目标车辆的车辆货运状态。通常情况下，在本步骤中可以识别出的车辆货运状态，即目标车辆可能存在的车辆货运状态通常包括空载、半载、满载、停车、加油等。

本发明实施例所提供的一种货运状态识别方法，包括获取目标车辆的待识别gps数据，生成对应所述待识别gps数据的待识别轨迹数据；对所述待识别轨迹数据进行预处理，得到待识别数据矩阵；调用预先训练的神经网络模型，根据所述待识别数据矩阵得到对应所述目标车辆的车辆货运状态。在本发明中通过神经网络模型根据目标车辆的待识别gps数据识别目标车辆的车辆货运状态，可以实现在不外置其他设备的情况下，充分考虑到经济成本和人工疏漏的问题，自动识别目标车辆的货运状态，以便对车辆的运输路线进行规划和导航，实现合理的调度。

有关本发明所提供的一种货运状态识别方法的具体内容将在下述发明实施例中做详细介绍。

请参考图2，图2为本发明实施例所提供的一种具体的货运状态识别方法的流程图。

参见图2，在本发明实施例中，货运状态识别方法包括：

s201：获取目标车辆的待识别gps数据，生成对应待识别gps数据的待识别轨迹数据。

本步骤与上述发明实施例中s101基本一致，详细内容请参考上述发明实施例，在此不再进行赘述。

s202：提取待识别轨迹数据的特征值生成待过滤数据。

在本发明实施例中，所述特征值包括时间戳。通常情况下，上述从待识别轨迹数据中提取出的特征值包括经度、维度、角度、速度、和时间戳。其中，上述经度、维度、角度、速度等特征值可以表示目标车辆的运行状态，而时间戳用于表示每组特征值之间的时间先后关系。需要说明的是，在本步骤中，通常会从每一组待识别轨迹数据中提取上述经度、维度、角度、速度、时间戳这五个特征值，并将对应同一组待识别轨迹数据的五个特征值作为一组待过滤数据。

s203：过滤待过滤数据中的异常数据，得到待归一化数据。

在本发明实施例中，所述待归一化数据为目标车辆连续行驶时所产生的数据。通常情况下，上述待归一化数据为目标车辆最新连续行驶时所对应的数据。由于目标车辆，例如重卡必须要停车以后才会发生空载、半载、满载和加油等车辆货运状态的切换。因此在本步骤中会筛选出目标车辆连续行驶时所产生的数据，以识别出该数据所对应的时间段内目标车辆的车辆货运状态，上述异常数据即与其他数据相比，不在同一连续行驶过程中的数据。

具体的，在本步骤中可以结合目标车辆的经度、纬度以及时间戳，当目标车辆长时间在一个经纬度坐标停止时，截取该时间点之前或之后的数据作为待归一化数据。当然，有关上述异常数据过滤的标准可以根据实际情况自行设定，在此不做具体限定，只要能保证筛选出的待归一化数据为目标车辆连续行驶，中间没有停止时所产生的数据即可。过滤掉待过滤数据中的异常数据之后，可以保证待归一化数据具有同一车辆货运状态。

s204：对待归一化数据进行归一化，得到待识别数据矩阵。

在本步骤中，需要对待归一化数据进行归一化，以得到最终的待识别数据矩阵。在本步骤中通常会对待归一化数据进行min-maxnormalization归一化处理，即调用离差标准化模型处理上述待归一化数据。

本步骤可以具体包括：

s1：根据所述时间戳的先后顺序排列所述待归一化数据。

在本步骤中，需要首先根据时间戳的先后顺序排列待归一化数据，以便确定相邻的待归一化数据。

s2：在排列所述待归一化数据之后，计算相邻两个所述待归一化数据中对应特征值的差值以及方差值。

在本步骤中，对于待归一化数据中的每一种特征值，需要在相邻两个待归一化数据中对应特征值的差值，以及在相邻两个待归一化数据中对应特征值的方差值。有关差值以及方差值的具体计算过程可以参考现有技术，在此不再进行赘述。

s3：调用离差标准化模型，根据所述差值中的最大值与所述差值中的最小值对所述待归一化数据进行归一化，并调用所述离差标准化模型，根据所述方差值中的最大值与所述方差值中的最小值对所述待归一化数据进行归一化，得到待识别数据矩阵。

在上述步骤中计算完各个特征值的差值以及方差值之后，本步骤中需要对于每一种特征值，遍历其差值中的最大值与最小值，以及其方差值中的最大值与最小值，以便带入离差标准化模型。上述离差标准化模型可以表示为：

其中x表示待做归一化处理的原始数据，即上述待归一化数据中的各个特征值；min表示遍历其对应特征值数据后得到的最小值，max表示遍历其对应特征值数据后得到的最大值，x^*表示归一化处理后得到的数据，即待识别数据矩阵中的特征值。在本发明实施例中，会将对应同一时间戳的，归一化后的不同特征值作为一组待识别数据矩阵。需要说明的是，在归一化之前同一个特征值，在归一化后会变为两个特征值，其中一个是对应上述差值，另一个对应上述方差值。即在本发明实施例中，上述归一化过程，具体是对待归一化数据中的每个特征值进行两次归一化。

s205：调用预先训练的神经网络模型，根据待识别数据矩阵得到对应目标车辆的车辆货运状态。

有关神经网络模型的具体训练过程以及具体内容将在下述发明实施例中做详细介绍，在此不再进行赘述。

本发明实施例所提供的一种货运状态识别方法，通过筛选出目标车辆连续行驶时所产生的数据作为待归一化数据，可以通过神经网络模型有效判断出目标车辆的车辆货运状态。

有关本发明所提供的一种货运状态识别方法的具体内容将在下述发明实施例中做详细介绍。

请参考图3，图3为本发明实施例所提供的另一种具体的货运状态识别方法的流程图。

参见图3，在本发明实施例中，货运状态识别方法包括：

s301：获取目标车辆的待训练gps数据，生成对应待训练gps数据的待训练轨迹数据。

有关待训练gps数据的获取方式可以参考现有技术，在此不再进行赘述。通常情况下，上述待训练轨迹数据为经过标记的数据，即在待训练轨迹数据中，通常标记有各个数据所对应目标车辆的车辆货运状态。

s302：对待训练轨迹数据进行预处理，得到待训练数据矩阵。

本步骤中的预处理过程可以参考上述发明实施例中对待识别轨迹数据进行预处理的过程，仅仅需要将上述发明实施例中的待识别轨迹数据替换为待训练轨迹数据即可，在此不再进行赘述。相应的，在本步骤中根据待训练轨迹数据所得到的数据矩阵为待训练数据矩阵。

在本发明实施例中，为了实现对神经网络模型的训练，可以设置每组取样点位数20和偏移量2对待训练数据矩阵进行切片处理，再进行乱序处理后利用5折k-fold交叉验证得到若干训练集与测试集，即将数据随机划分成五份，轮流将其中一份当作测试集，剩下四份当作训练集，以便在下述步骤中对神经网络模型进行训练。

s303：将待训练数据矩阵输入神经网络模型，对神经网络模型进行训练。

对于预处理后得到的待训练数据矩阵，通常设定其数据通道数为1，例如待训练数据矩阵的维度为(32，20，10，1)，则表示有32组数据，每组数据是一个通道数为1、行列数为20×10的矩阵，其中20表示每组取样点位数，10表示目标车辆所对应的经度、纬度、角度、速度和时间戳这五个特征值，分别对其差值与方差值归一化后所得到的数据。在本发明实施例中如果采用一维卷积神经网络模型，则上述待训练数据矩阵的维度通常为(32，20，10)。

在本步骤中，会将上述待训练数据矩阵输入到卷积神经网络模型，即即将训练的神经网络模型，让预处理后的待训练数据矩阵依次通过神经网络模型中的卷积层和最大值池化层，其中卷积层可以使用线性整流函数，该线性整流函数可以定义为：

f(x)＝max(0，x)；

其中x为神经网络模型中单个神经元的加权求和值，f(x)为线性整流函数的输出值。在本发明实施例中，会将上述多维的输入一维化，同时使用dropout层让神经元以一定概率失活来防止过拟合，进入全连接层并用softmax函数对输出结果进行处理，其中softmax函数可以定义为：

其中表示样本属于第个类别的概率，该类别即本发明实施例中目标车辆可能存在的车辆货运状态，k表示类别的数量，e为常数，约等于2.7。

具体的，在本发明实施例中可以使用交叉熵损失函数来衡量预测结果与真实标签的差异来得到优化的卷积神经网络模型，即本步骤可以具体包括：将所述待训练数据矩阵输入神经网络模型，并根据交叉熵损失函数模型对所述神经网络模型进行训练。

上述交叉熵损失函数定义如下：

其中yi表示样本i的标签，例如满载为1，空载为0；pi表示样本i预测为满载的概率，n表示数据总数，l表示损失函数值。

具体的，在本发明实施例中，上述卷积神经网络模型所涉及的池化方式优选为最大池化，即本发明实施例中所述神经网络模型中的池化层包括最大值池化层。最大池化层是通过在特征图的k×k邻域内取得最大值的方法来计算池化矩形区域的最大值，用于分离非常稀疏的特征，且能够减小卷积层参数误差造成估计均值的偏移误差，更多地保留纹理信息。其定义如下：

其中zi∈{0，1}^k表示为激活值为i的激活数值，k表示类别的索引，m表示偏移误差，xi表示真实值，表示预测值，hm为第m个均值池化结果，nm为第m个池化区域。

s304：获取目标车辆的待识别gps数据，生成对应待识别gps数据的待识别轨迹数据。

s305：对待识别轨迹数据进行预处理，得到待识别数据矩阵。

s306：调用预先训练的神经网络模型，根据待识别数据矩阵得到对应目标车辆的车辆货运状态。

上述s304至s306与上述发明实施例中s101至s103基本一致，详细内容请参考上述发明实施例，在此不再进行赘述。

本发明实施例所提供的一种货运状态识别方法，通过神经网络模型根据目标车辆的待识别gps数据识别目标车辆的车辆货运状态，可以实现在不外置其他设备的情况下，充分考虑到经济成本和人工疏漏的问题，自动识别目标车辆的货运状态，以便对车辆的运输路线进行规划和导航，实现合理的调度。

下面对本发明实施例所提供的一种货运状态识别装置进行介绍，下文描述的货运状态识别装置与上文描述的货运状态识别方法可相互对应参照。

请参考图4，图4为本发明实施例所提供的一种货运状态识别装置的结构框图。

参见图4，在本发明实施例中，货运状态识别装置可以包括：

获取模块100：用于获取目标车辆的待识别gps数据，生成对应所述待识别gps数据的待识别轨迹数据。

预处理模块200：用于对所述待识别轨迹数据进行预处理，得到待识别数据矩阵。

神经网络模块300：用于调用预先训练的神经网络模型，根据所述待识别数据矩阵得到对应所述目标车辆的车辆货运状态。

作为优选的，在本发明实施例中，预处理模块200可以包括：

提取单元：用于提取所述待识别轨迹数据的特征值生成待过滤数据；所述特征值包括时间戳。

过滤单元：用于过滤所述待过滤数据中的异常数据，得到待归一化数据；所述待归一化数据为目标车辆连续行驶时所产生的数据。

归一化单元：用于对所述待归一化数据进行归一化，得到待识别数据矩阵。

作为优选的，在本发明实施例中，所述特征值包括：

经度、维度、角度、速度、和所述时间戳。

作为优选的，在本发明实施例中，归一化单元可以包括：

排列子单元：用于根据所述时间戳的先后顺序排列所述待归一化数据。

计算子单元：用于在排列所述待归一化数据之后，计算相邻两个所述待归一化数据中对应特征值的差值以及方差值。

离差标准化模型子单元：用于调用离差标准化模型，根据所述差值中的最大值与所述差值中的最小值对所述待归一化数据进行归一化，并调用所述离差标准化模型，根据所述方差值中的最大值与所述方差值中的最小值对所述待归一化数据进行归一化，得到待识别数据矩阵。

作为优选的，在本发明实施例中，所述神经网络模型中的池化层包括最大值池化层。

作为优选的，在本发明实施例中，还可以包括：

训练获取模块：用于获取目标车辆的待训练gps数据，生成对应所述待训练gps数据的待训练轨迹数据。

训练预处理模块：用于对所述待训练轨迹数据进行预处理，得到待训练数据矩阵。

训练模块：用于将所述待训练数据矩阵输入神经网络模型，对所述神经网络模型进行训练。

作为优选的，在本发明实施例中，训练模块具体用于：

将所述待训练数据矩阵输入神经网络模型，并根据交叉熵损失函数模型对所述神经网络模型进行训练。

本实施例的货运状态识别装置用于实现前述的货运状态识别方法，因此货运状态识别装置中的具体实施方式可见前文中货运状态识别方法的实施例部分，例如，获取模块100，预处理模块200，神经网络模块300分别用于实现上述货运状态识别方法中步骤s101至s103，所以，其具体实施方式可以参照相应的各个部分实施例的描述，在此不再赘述。

下面对本发明实施例提供的一种货运状态识别设备进行介绍，下文描述的货运状态识别设备与上文描述的货运状态识别方法以及货运状态识别装置可相互对应参照。

请参考图5，图5为本发明实施例所提供的一种货运状态识别设备的结构框图。

参照图5，该货运状态识别设备可以包括处理器11和存储器12。

所述存储器12用于存储计算机程序；所述处理器11用于执行所述计算机程序时实现上述发明实施例中所述的货运状态识别方法。

本实施例的货运状态识别设备中处理器11用于安装上述发明实施例中所述的货运状态识别装置，同时处理器11与存储器12相结合可以实现上述任一发明实施例中所述的货运状态识别方法。因此基于货运状态识别设备中的具体实施方式可见前文中的货运状态识别方法的实施例部分，其具体实施方式可以参照相应的各个部分实施例的描述，在此不再赘述。

本发明还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上存储有计算机程序，所述计算机程序被处理器执行时实现上述任一发明实施例中所介绍的一种货运状态识别方法。其余内容可以参照现有技术，在此不再进行展开描述。

本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其它实施例的不同之处，各个实施例之间相同或相似部分互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。

专业人员还可以进一步意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。

结合本文中所公开的实施例描述的方法或算法的步骤可以直接用硬件、处理器执行的软件模块，或者二者的结合来实施。软件模块可以置于随机存储器(ram)、内存、只读存储器(rom)、电可编程rom、电可擦除可编程rom、寄存器、硬盘、可移动磁盘、cd-rom、或技术领域内所公知的任意其它形式的存储介质中。

最后，还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他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、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。

以上对本发明所提供的一种货运状态识别方法、一种货运状态识别装置、一种货运状态识别设备以及一种计算机可读存储介质进行了详细介绍。本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想。应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以对本发明进行若干改进和修饰，这些改进和修饰也落入本发明权利要求的保护范围内。