基于大数据下的物流货车修正GPS定位分析方法与流程

本发明涉及物流管理领域，具体涉及一种基于大数据下的物流货车修正gps定位分析方法。

背景技术：

相对于传统的数据库应用，大数据分析具有数据量大、类型多样、价值密度低、处理速度快等特点，采用对所有数据进行收集、分类、处理和整理，并为企业经营决策提供有应用价值的信息。大数据时代给物流企业信息化带来的最大挑战，是如何通过大数据分析提升自身的物流服务水平。物流行业与材料供应商、产品制造商、批发零售商、消费者紧紧地联系在一起，所涉及的数据量极大且具有一定经济价值。而应用大数据分析恰恰能对这些数据进行快速高效的处理，得到准确的具有潜在价值的信息，对物流行业的发展具有强大的推进作用。

大数据技术的战略意义在于对已掌握信息的专业化处理和价值挖掘，并分析市场中长期发展趋势等。而随着物流行业对大数据应用的逐渐深入，未来物流行业获取的数据已不只是行业内部信息，还包括大量的外部信息。通过对这些数据的判辨，使得物流企业可以预测性地为每家客户量身定制个性化、差异化服务。

大数据分析可以帮助物流企业了解行业发展动态。目前，物流企业面对的是一个高度竞争、瞬息万变的市场环境，许多运载错误的问题就是由于物流企业缺少通过数据分析和对未来市场做出预判，只看到眼前的业务增长就盲目增加运力和仓储面积。当市场出现萎缩、业务量下滑的时候就会产生大批的富余运力和空置仓库，从而导致物流企业的亏损。通过对大数据的分析，物流企业就可以对未来市场和竞争对手的行为做出一定的预测，及时调整发展战略，避免盲目的资产投入，以减少损失。

技术实现要素：

本发明为了解决上述问题，提供一种基于大数据下的物流货车修正gps定位分析方法，该方法不仅可以实时监控货流过程中安全情况，还可以实时控制物流车队在运输中的过程，真正实现物流管理的高效节能。

本发明的目的通过以下技术方案来实现：一种基于大数据下的物流货车修正gps定位分析方法，步骤如下：

a、首先要在每辆货车上装上gps定位模块；

b、确定每辆货车的出发点，目的地，并按照当地交通规划出最便捷的行车路线；

c、当货车出发之后，实时上传当前gps的坐标位置，按照ransac的算法原理，计算出每一个子轨迹的直线方程，对比当前规定路径的直线方程，进行滤选阈值分析，当误差较大的时候，判定当前形势路径不正确。

优选的是，步骤c具体为：

c1、参考基线是最能代表轨迹点的基线，主要用作控制滤选轨迹整体线性平滑度的标尺；

c2、需要记录每一次gps坐标并显示出来；

c3、依据车辆上传的两次gps坐标，计算出当前子轨迹的直线方程；

c4、按照一定的阈值，分析当前子轨迹直线方程是否满足整体轨迹平滑度。

优选的是，滤选阈值具体为：ransac算法中作为参考基线的规定轨迹路径虽然不等于实际的货车行驶路径，但是参考基线用作控制滤选轨迹整体线性平滑度的标尺，是没有方向的直线，为了方便之后的滤选，需要在直线基础上加上方向，即参考方向，参考基线方向与子轨迹移动方向一致。

优选的是，参考方向为一种向量相似度模型，这种模型具体为：参考基线在滤选的过程中，通过计算子轨迹段内其他轨迹向量与参考基线向量的相似度，按照相似度阈值进行滤选，向量相似度的模型主要包含向量的模、夹角及向量间距离等因子。

优选的是，轨迹滤选，这种模型具体为：轨迹滤选中心是设定多大的滤选阈值，假设相似度阈值与gps定位精度存在某种函数关系如下：

f(ε)＝sim

式中，ε表示gps轨迹数据的定位精度，当滤选数据的定位精度为ε时，即可通过式得到相应相似度阈值sim。

本发明具有以下优点：可广泛应用于交通领域，实用性极强。

附图说明

图1为本发明的步骤流程图；

图2为本发明中ransac算法模型；

图3为本发明中的货车行驶轨迹模型；

图4为本发明中的加入ransac算法模型的货车行驶轨迹模型。

具体实施方式

为了加深对发明的理解，下面将结合实施例和附图对本发明作进一步详述，该实施例仅用于解释本发明，并不构成对本发明保护范围的限定。

如图1，一种基于大数据下的物流货车修正gps定位分析方法，包括以下步骤：a、首先设定车辆行驶基线：确定货车的始发点以及目的地，按照交通路线，选取可靠稳定的行驶路线，可以让车沿着车道中心线的延伸方向稳定行驶；b、实时获取车辆行驶gps路径：规划好货车行车路径之后，会在客户端软件上显示出来当前车辆的行车路径，之后货车发车，按照行车路径行走；c、利用ransac算法验算车辆是否在正确道路上：如果车辆在规定好的行车路径上行车的时候，反映车辆真实行驶状态的高精度gps轨迹数据线性连接应该是一条平滑没有明显锯齿状的线条，即处于同一个子轨迹段内的高精度轨迹点在航向与位置上存在较高的空间一致性，利用ransac算法，以直线方程作为数学模型，对于每一段时间内车辆发生的子轨迹模型进行基准检验，就可以知道车辆是否按照规定好的行车路径在运货；d、反馈结果：ransac算法判断如果车辆按照规定路径行驶，则不报警；如果判断车辆没有按照规定路径行驶，则发生报警。

ransac算法模型如图2所示，由于行驶车辆的速度对gps定位精度的影响可以忽略不计，假设子轨迹段为：

s＝{pk,pk+1,…}

根据轨迹点pk的航向值及其空间位置，构成的向量与参考基线向量之间的相似度可定义为：

式中，sim(pk,g)表示轨迹向量pk与基线向量g之间的相似度值；pk,p′k表示轨迹向量点pk与其投影在参考基线上的点p′k的垂直距离；角度δθk表示轨迹向量pk与参考基线的夹角；w1和w2为距离和角度因子的权重值，

w1+w2＝1

相似度sim的取值范围为[0，1]，当sim＝0时，表示两者完全不相同；当sim＝1表示两者完全相同，相似度值越高，表示轨迹点与参考基线的相似程度越高，其轨迹点线性平滑度也越高。

如图3与图4，运行软件描述为：最上一行显示当前货车号，经纬度，界面显示列车轨迹，其中图4是基于ransac的轨迹分析，在分析中需要注意轨迹滤选最关键的一步是如何设定滤选阈值，假设相似度阈值与gps定位精度存在某种函数关系如下：

f(ε)＝sim

式中，ε表示gps轨迹数据的定位精度。当滤选数据的定位精度为ε时，即可通过式得到相应相似度阈值sim。大量试验结果表明，gps轨迹数据的相似度与定位精度呈现稳定的指数分布，如下：

f(ε)＝sim＝ae^b+c

式中，a，b，c分别是相似度与定位精度函数关系式的系数，其具体值与相似度评价模型内距离和角度的权重系数息息相关，而与原始gps数据集的整体定位精度不相关。