本发明属于物联网技术领域，更具体地，涉及一种基于svm的在途物流人车跟踪监控管理系统及方法。
背景技术：
随着物流行业发展，对物流过程的准确监控具有了实际需求。现有技术中，采用gps对物流过程进行监控。
一些承运车辆在运输任务中私自接受第三方的委托，承担一些额外的运输任务，损害了物流公司的利益，而由于物流公司无法掌握承运车辆的运行轨迹，物流公司难以有效地对承运车辆进行监督。而在一些“监守自盗”的案件中，承运司机都有异常离开承运车辆的情况；而由于物流公司无法掌握承运司机的轨迹，无从判断承运司机有无异常离开承运车辆的情况。
而物流过程存在运输距离长、gps模块电量、手机电量紧张的情况，为节省电量，承运车辆端、承运司机端的gps坐标上传不会太频密；因此最新的承运车辆端gps坐标与最新的承运司机端gps坐标可能存在较大的时间差，考虑到承运车辆较快的运行速度，这个时间差会造成较大的人车距离。人车距离很大，但实际上承运司机并没有离开承运车辆，因此无法简单地根据两个gps坐标计算出的距离来判断承运司机是否离开了承运车辆。
技术实现要素：
针对现有技术的以上缺陷或改进需求，本发明提供了一种基于svm的在途物流人车跟踪监控管理系统及方法，其目的在于解决现有技术仅根据gps坐标来获得人车距离容易造成对人车是否分离的误判的技术问题。
为实现上述目的，按照本发明的一个方面，提供了一种基于svm的在途物流人车跟踪监控管理系统，包括移动终端、设置于承运车辆的gps发射模块以及数据服务器；
其中，移动终端用于向数据服务器发送承运司机的注册信息，并用于向数据服务器发送当次物流的相关信息；在获得授权后，移动终端在后台自动向数据服务器发送承运司机的gps坐标；
gps发射模块用于将承运车辆的gps坐标发送到数据服务器；
数据服务器用于根据接收到的承运司机gps坐标、承运车辆gps坐标获得人车距离；并采用支持向量机根据历史数据训练出的模型、以同一承运车辆在最近固定时段内的多组人车距离数据作为输入进行二分类处理，来判断当前承运司机是否离开承运车辆。
优选地，上述在途物流人车跟踪监控管理系统，还包括线上管理平台，该线上管理平台用于绘制承运司机和/或承运车辆在承运过程中的轨迹，也用于呈现历史物流信息；并用于向移动终端发送许可授权信息。
按照本发明的另一方面，提供了一种基于svm的在途物流人车跟踪监控管理方法，以根据同一承运车辆的最近固定时段内多组承运司机与所述承运车辆的gps坐标获取的承运司机与承运车辆之间的多组人车距离作输入；
支持向量机(svm)以所有在途承运车辆运输过程中已有的承运司机与对应的承运车辆的人车距离作为训练集中的正例、同一承运司机与另一辆非对应的承运车辆的人车距离作为训练集中的反例所训练出模型；
根据所述输入与模型通过svm判断承运司机是否有离开承运车辆；其中，最近固定时段的时长可预先灵活设定。
优选地，上述在途物流人车跟踪监控管理方法，还包括承运司机的轨迹绘制步骤：
对承运司机历史轨迹采用stz算法进行处理来计算轨迹之间的相似性；并采用k-modes算法根据相似性进行聚类处理；针对最新的承运司机轨迹，依据聚类结果找到合适轨迹数据来填补所的缺失数据，形成补全的承运司机轨迹。
优选地，上述在途物流人车跟踪监控管理方法，还包括承运车辆的轨迹绘制步骤，对承运车辆的历史轨迹采用stz算法进行处理来计算轨迹之间的相似性；并采用k-modes算法根据相似性进行聚类处理；针对最新的承运车辆轨迹，依据聚类结果找到合适轨迹数据来填补所的缺失数据，形成补全的承运车辆轨迹。
优选地，上述在途物流人车跟踪监控管理方法，svm的工作流程包括训练集的选定、交叉验证选择最佳参数、利用最佳参数训练svm、预测以及分类准确率确定；
其中，训练集的选定包括如下子步骤：
(a.1)对所有在途承运车辆运输过程中已有的承运司机、承运车辆之间对应的人车距离进行数据预处理，将其处理为符合svm数据格式的训练数据集；
(a.2)默认运输任务开始的最初n分钟承运司机一直在承运车辆上，将该时段内的人车距离作为最初的训练集正例；将测试集中被判定为正例的人车距离补充进训练集正例，判定为反例的人车距离补充进训练集反例。
优选地，上述在途物流人车跟踪监控管理方法，调用svm_train()函数对svm进行训练，采用径向基核函数作为svm_train()函数的核函数。
优选地，上述在途物流人车跟踪监控管理方法，采用交叉验证确定所述径向基核函数的最优参数，包括最优的关键参数g和目标函数的惩罚系数c；具体为：
给定一个较大的数值范围，让关键参数g以及目标函数的惩罚系数c在所述数值范围内遍历；通过交叉验证找到使得分类准确率最高的关键参数g以及目标函数的惩罚系数c。
优选地，上述在途物流人车跟踪监控管理方法，若存在多组不同的最佳关键参数g以及目标函数的惩罚系数c都能使得准确率最高，选择惩罚系数c最小的那一组最佳关键参数g以及目标函数的惩罚系数c作为最优参数。
总体而言，通过本发明所构思的以上技术方案与现有技术相比，能够取得下列有益效果：
本发明提供的基于svm的在途物流人车跟踪监控管理系统及方法，通过对最新的承运司机、承运车辆之间的人车距离进行判断，并通过svm半监督学习及聚类处理，克服了因承运司机、承运车辆两个gps坐标上传存在时间差而导致的对人车是否分离的误判；对于实际物流应用可进一步的有效监管承运司机，有效提高货物在承运途中的安全度。
附图说明
图1是本发明提供的基于svm的在途物流人车跟踪监控管理系统的一个实施例的架构示意图；
图2是实施例提供的基于svm的在途物流人车跟踪监控管理方法的svm工作流程。
具体实施方式
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，此处所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。此外，下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。
实施例提供的基于svm的在途物流人车跟踪监控管理系统，根据承运司机、承运车辆的距离准确判断承运司机是否离开承运车辆，防止误判。该管理系统的架构参照图1，具体包括数据服务器，线上管理平台，移动终端，以及设置于承运车辆的gps发射模块。实施例中，移动终端采用具有上传gps坐标功能的智能手机实现。
在该管理系统中，移动终端用于向数据服务器发送承运司机的gps坐标，并用于接收承运司机发送的注册、授权申请信息到线上管理平台；并用于接收管理平台发送的信号譬如授权许可信号；当承运司机有特殊需求需长时间离开承运车辆时，可以通过移动终端向线上管理平台提出申请；申请通过后暂停承运司机gps坐标的上传。
gps发射模块用于将承运车辆的gps坐标发送到数据服务器；数据服务器用于根据接收到的承运司机gps坐标、承运车辆gps坐标获得人车距离；并采用支持向量机根据历史数据训练出的模型、以同一承运车辆在最近固定时段内的多组人车距离数据作为输入进行二分类处理，来判断当前承运司机是否离开承运车辆；
由于支持向量机(svm)在非线性情况下利用核函数将低维非线性问题转化为了高位线性可分问题，且本系统采用同一车辆的最近固定时段内多组人车距离作输入，而不仅仅是最近一组人车距离作输入，即根据最近固定时段的行为来分析当前行为，可以克服由于承运车辆运行速度较快导致承运车辆gps坐标与承运司机gps坐标之间的上传时间差造成的较大的人车距离以及进而导致的误判。
线上管理平台用于绘制承运司机的轨迹，并实时分析承运司机与物流货车的在途状况；也用于呈现所有历史物流信息。通过线上管理平台对承运司机的轨迹、承运司机异常离开承运车辆的情况、承运司机工作量等信息的分析，可以有效地记录承运司机的工作状况，有助于管理人员对承运司机的考核。
实施例中，该数据服务器采用spark架构，启用了内存分布数据集，除了能够提供交互式查询外，还可以优化迭代工作负载。用户譬如物流公司可以通过线上管理平台从数据服务器调用历史承运司机轨迹、承运车辆轨迹、任务耗时等数据，进行分析、挖掘，以找到更高效的运输路线。
其中，spark架构是ucberkeleyamplab(加州大学伯克利分校的amp实验室)所开源的类hadoop、mapreduce的通用并行框架，拥有hadoop、mapreduce所具有的优点；但不同于mapreduce的是spark架构的中间输出结果可以保存在内存中，从而不再需要读写hdfs，spark架构能更好地适用于数据挖掘与机器学习等需要迭代的算法。
实施例中，为了实现移动终端与服务器端的全双工通信，采用在html5中推出的websocket技术，提供移动终端与数据服务器之间原生的双全工跨域通信，通过移动终端和数据库服务器之间建立websocket连接，在同一时刻能够实现移动终端到数据库服务器和数据库服务器到移动终端的数据发送。
根据上述基于svm的在途物流人车跟踪监控管理系统的在途物流人车跟踪监控管理方法，包括轨迹绘制的步骤以及判断承运司机是否有离开承运车辆的步骤。
轨迹绘制的方法具体为：对数据服务器中存储的历史物流轨迹包括承运车辆轨迹以及承运司机轨迹分别采用stz算法进行处理来计算轨迹之间的相似性；再采用k-modes算法进行聚类处理；并针对最新的承运车辆轨迹，依据聚类结果找到合适轨迹数据来填补其缺失数据。
对承运车辆轨迹处理过程如下：
首先利用stz算法来计算历史承运车辆轨迹之间的相似性；
然后，根据采用k-modes算法根据上述的相似性对所存储的历史承运车辆轨迹进行聚类处理，把所有的承运车辆轨迹分到不同的类；
再根据聚类的结果来补全缺失的轨迹；
根据获得的补全轨迹在电子地图上绘制出承运车辆的运行轨迹。
对承运司机轨迹处理过程具体如下：
首先利用stz算法来计算历史承运司机轨迹之间的相似性；
然后，根据采用k-modes算法根据上述的相似性对所存储的历史承运司机轨迹进行聚类处理，把所有的承运司机轨迹分到不同的类；
再根据聚类的结果来补全缺失的轨迹；
根据获得的补全轨迹在电子地图上绘制出承运司机的运行轨迹。
其中，stz算法是一种用来衡量轨迹间相似性的算法，轨迹之间的面积代表轨迹的聚集程度，轨迹之间的时间差代表轨迹耗时的差，轨迹之间的距离代表轨迹之间距离的远近，stz算法就是这三种距离的和来衡量轨迹间的相似性；k-modes作为k-means的一种扩展，适用于离散属性的数据集的聚类处理。
本方法中的轨迹绘制方法有别于传统轨迹绘制方法需基于频密的gps坐标上传；由于本方法主要针对的物流场景具备物流线路相对固定的特点，所上传的gps坐标并不频密；本方法依靠积累的历史轨迹数据以及聚类算法对物流轨迹进行补全；利用k-modes算法根据轨迹之间的相似性把轨迹分割成不同的组；相似性判断的依据包括轨迹之间的面积，任意两条轨迹之间的距离差和时间差；轨迹之间的面积只代表轨迹之间的聚集程度，时间差只代表两条轨迹到达终点所耗时间的长短，距离差代表两条轨迹相差的距离长短。
判断承运司机是否有离开承运车辆的方法具体为：对于根据最新的承运车辆gps坐标与最新的承运司机gps坐标计算出的人车距离，支持向量机(svm)以所有在途承运车辆运输过程中已有的承运司机、承运车辆的距离作为训练集中的正例，该承运司机与另一辆承运车辆的距离作为训练集中的反例进行模型训练，根据训练出的模型以及上述的同一承运车辆在最近固定时段内的多组人车距离来判断承运司机是否离开承运车辆。
参照图2，是实施例提供的在途物流人车跟踪监控管理方法中支持向量机(svm)的工作流程，包括训练集和测试集的选定，数据预处理，交叉验证选择最佳参数c、g，利用最佳参数训练svm，预测以及分类准确率确定。以下结合实施例进行具体阐述。
(a)训练集和测试集的选定；
(a.1)数据预处理获得训练数据集；
对所有在途承运车辆运输过程中已有的承运司机、承运车辆之间对应的人车距离进行数据预处理，将其处理为符合支持向量机(svm)数据格式的训练数据集。支持向量机(svm)数据格式具体为“类别feature索引：feature值”。其中，“类别(label)”采用安全距离、危险距离两种情况中的一种，分别对应数字0、1；“feature索引”是指特征维数。
(a.2)选择训练集；
默认运输任务开始的最初10分钟承运司机是一直在承运车辆上的。将该时段内的人车距离作为最初的训练集正例。在随后的运输过程中，测试集中被判定为正例的人车距离被补充进训练集正例，被判定为反例的人车距离被补充进训练集反例。
(b)对支持向量机(svm)进行训练；
采用训练集对支持向量机(svm)进行训练。实施例中，对支持向量机(svm)进行训练需要调用svm_train()函数，该函数中有几个参数需要特别注意，一个是核函数的选择，核函数的正确选取依赖产生分类问题的实际问题的特点，由于不同的实际问题对相似程度有着不同的度量，核函数可以看作一个特征提取的过程，选择正确的核函数以提高分类准确率。本实施例中采用径向基核函数。
对径向基核函数还需要确定关键参数g，以及目标函数的惩罚系数c；确定最优参数c和g后，调用svm_train()函数生成模型model，保存该model。
(c)交叉验证选择最佳参数；
本实施例中采用穷举法进行参数寻优，首先给定一个较大的数值范围，让参数c与g在这个数值范围内遍历，然后通过交叉验证(crossvalidation)找到使得分类准确率最高的c和g；可能存在多组不同的c和g都能使得准确率最高；为了克服过大的惩罚系数c可能造成的支持向量机过学习的情况，选择c最小的那一组c、g作为最优参数。
对于交叉验证(crossvalidation)，本实施例中采用k-foldcrossvalidation(记为k-cv)的方法，将训练集数据平均分为k组，从这k组中任意选择1组作为验证集，剩下的(k-1)组作为训练集，对支持向量机进行训练，得到1个模型；依此类推，最终得到k个模型，一并得到k个验证集的准确率。取这k个准确率的平均值作为该交叉验证下的最终准确率。实施例中采用k-cv避免了支持向量机过学习与欠学习的情况。
(d)数据预测；
对于待检测的承运车辆及承运司机，根据其最近的固定时间段内的多组依据承运车辆gps坐标与承运司机gps坐标获取的人车距离作为测试数据集；
根据测试数据集，结合获得的模型调用支持向量机(svm)的svm_predict()函数进行预测，获得相应的类别标签(label)。
根据上述类别标签(label)判断此刻承运司机是否还在承运车辆上，类别标签(label)为0表示在承运车辆上，类别标签(label)为1表示不在承运车辆上。
实施例提供的上述系统及方法基于svm在非线性情况下利用核函数将低维非线性问题转化为了高位线性可分问题，且本系统采用同一车辆的最近固定时段内多组人车距离作输入，而不仅仅是最近一组人车距离作输入，即根据最近固定时段的行为来分析当前行为；采用了所有在途承运车辆运输过程中已有的承运司机、承运车辆的距离作为训练集中的一部分，提高了判断的准确性，克服了由于承运车辆运行速度较快导致承运车辆gps坐标与承运司机gps坐标之间的时间差造成的较大的人车距离，进而导致的误判。
本领域的技术人员容易理解，以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。