一種基于半監(jiān)督學(xué)習(xí)的危險(xiǎn)品運(yùn)輸車(chē)輛運(yùn)行遠(yuǎn)程監(jiān)控方法

陸曉君

（安徽交通職業(yè)技術(shù)學(xué)院，安徽 合肥 230051）

化學(xué)品、化石能源等危險(xiǎn)品在運(yùn)輸過(guò)程中，一旦發(fā)生爆炸、泄漏等事故，將對(duì)人體、環(huán)境造成極大的傷害，需要非常特殊的儲(chǔ)運(yùn)方式。在現(xiàn)代科學(xué)技術(shù)的背景下，研究人員開(kāi)始嘗試對(duì)危險(xiǎn)品運(yùn)輸車(chē)輛進(jìn)行遠(yuǎn)程監(jiān)控。文獻(xiàn)[1]設(shè)計(jì)了一種主控芯片，基于北斗定位技術(shù)，實(shí)現(xiàn)對(duì)車(chē)輛位置、速度、故障原因等信息的實(shí)時(shí)監(jiān)測(cè)，并將此類(lèi)信息傳輸?shù)街鞫朔?wù)器進(jìn)行數(shù)據(jù)整理，使遠(yuǎn)程監(jiān)控系統(tǒng)能夠更高效地運(yùn)行。文獻(xiàn)[2]應(yīng)用5G技術(shù)，設(shè)計(jì)了一種監(jiān)測(cè)車(chē)輛基礎(chǔ)信息并及時(shí)處理故障數(shù)據(jù)的算法，通過(guò)5G網(wǎng)絡(luò)對(duì)所有在編車(chē)輛進(jìn)行實(shí)時(shí)監(jiān)測(cè)。文獻(xiàn)[3]設(shè)計(jì)了一種車(chē)載網(wǎng)絡(luò)監(jiān)測(cè)系統(tǒng)，通過(guò)搭建服務(wù)器，結(jié)合車(chē)載自動(dòng)診斷（on-board-diagnose，OBD）協(xié)議，實(shí)時(shí)監(jiān)測(cè)車(chē)輛中的異常數(shù)據(jù)，一旦有錯(cuò)誤信息，立即報(bào)警。以上3種方法雖然可以較好地完成終端信息數(shù)據(jù)的處理，但在車(chē)輛定位的精準(zhǔn)度上，均達(dá)不到預(yù)期效果。

半監(jiān)督學(xué)習(xí)算法（Semi-Supervised Learning，SSL）是將無(wú)監(jiān)督學(xué)習(xí)和監(jiān)督學(xué)習(xí)相結(jié)合的一種學(xué)習(xí)方法。半監(jiān)督學(xué)習(xí)使用未標(biāo)記數(shù)進(jìn)行模式識(shí)別，由于半監(jiān)督學(xué)習(xí)算法應(yīng)用人工智能方式，節(jié)省了勞動(dòng)力，同時(shí)計(jì)算準(zhǔn)確性較高。綜上，本文設(shè)計(jì)一種基于半監(jiān)督學(xué)習(xí)的危險(xiǎn)品運(yùn)輸車(chē)輛運(yùn)行遠(yuǎn)程監(jiān)控方法。采用半監(jiān)督學(xué)習(xí)算法降低計(jì)算機(jī)程序中的誤差數(shù)據(jù)，用分類(lèi)器提高訓(xùn)練性能，計(jì)算車(chē)輛行駛路程，利用二維卷積核離散運(yùn)算實(shí)時(shí)更新車(chē)輛遠(yuǎn)程定位數(shù)據(jù)，以期更好地實(shí)施危險(xiǎn)品運(yùn)輸車(chē)輛的遠(yuǎn)程監(jiān)控。

1 基于半監(jiān)督學(xué)習(xí)設(shè)計(jì)危險(xiǎn)品運(yùn)輸車(chē)輛運(yùn)行遠(yuǎn)程監(jiān)控方法

1.1 基于半監(jiān)督學(xué)習(xí)算法初始化危險(xiǎn)品運(yùn)輸車(chē)輛行駛路線占有柵格

在半監(jiān)督學(xué)習(xí)算法下，可以將車(chē)輛目的地與出發(fā)地之間的行駛路線大致劃分為經(jīng)過(guò)路線、待經(jīng)過(guò)路線、未知路線3部分。在地圖上將危險(xiǎn)品運(yùn)輸車(chē)輛的行駛路線采用二維柵格劃分成無(wú)數(shù)的網(wǎng)格單元，每個(gè)柵格（網(wǎng)格）單元代表更為精細(xì)的地面矩形單元，對(duì)危險(xiǎn)品運(yùn)輸車(chē)輛的行駛路線的占有柵格掃描數(shù)據(jù)進(jìn)行編碼，以利于初始化占有柵格，根據(jù)文獻(xiàn)[4]設(shè)置本文的最佳柵格尺寸為98 mm。

危險(xiǎn)品運(yùn)輸車(chē)輛行駛路線占有柵格Mn描述為

式（1）可以簡(jiǎn)單地理解為：將所有已經(jīng)經(jīng)過(guò)的路線占有柵格設(shè)置為0.5以上，將下一刻將要經(jīng)過(guò)路線的占有柵格設(shè)置為0.5，將不知道是否需要經(jīng)過(guò)的路線占有柵格設(shè)置為0.5以下[5-6]。3部分路線占有情況如圖1 所示，其中深灰部分為未知路線，淺灰部分為待經(jīng)過(guò)路線，白色部分為已經(jīng)過(guò)路線。

圖1 路線占有柵格

設(shè)置柵格更新的時(shí)刻為第t時(shí)刻，根據(jù)貝葉斯定理，同時(shí)分析地圖柵格狀態(tài)的環(huán)境屬性，可以得到簡(jiǎn)化后的地圖柵格占有率表達(dá)式

其中P(Ht|K1,t,Lt-1)為簡(jiǎn)化后地圖柵格被占據(jù)的概率，P(Ht|K1,t)為t時(shí)刻車(chē)輛所處位置占有柵格的概率，P(Lt-1|Kt,Ht)為在t時(shí)刻?hào)鸥癍h(huán)境狀態(tài)下車(chē)輛在t-1 時(shí)刻占據(jù)地圖柵格的概率，P(Lt-1)為t-1 時(shí)刻地圖柵格被占據(jù)的概率；Ht為t時(shí)刻某柵格的狀態(tài)，Kt為t時(shí)刻車(chē)輛所處的位置序列[7-9]，K1,t為從初始化開(kāi)始時(shí)刻到t時(shí)刻車(chē)輛的位置序列，Lt-1為t-1時(shí)刻的車(chē)輛經(jīng)過(guò)的環(huán)境數(shù)據(jù)。

根據(jù)貝葉斯獨(dú)立原則，可以得到路線占有的柵格個(gè)數(shù)

其中P(Ht|K1,t,L1,t)為t時(shí)刻車(chē)輛經(jīng)過(guò)柵格的環(huán)境數(shù)據(jù)的出現(xiàn)概率。

通過(guò)式（3）可以更安全地計(jì)算出計(jì)算機(jī)程序中的車(chē)輛經(jīng)過(guò)路線占有柵格個(gè)數(shù)的極端值，避免地圖初始化更新后較大的誤差。

1.2 車(chē)輛行駛路程計(jì)算

在車(chē)輛行駛路程計(jì)算過(guò)程中，危險(xiǎn)品運(yùn)輸車(chē)輛行駛路線計(jì)算樣本訓(xùn)練系統(tǒng)誤差往往會(huì)干擾計(jì)算結(jié)果的準(zhǔn)確性。因此，通過(guò)基于半監(jiān)督學(xué)習(xí)的分類(lèi)器對(duì)樣本的誤差情況進(jìn)行分類(lèi)，從而對(duì)車(chē)輛運(yùn)行路徑作出更準(zhǔn)確的預(yù)測(cè)[10-12]。

設(shè)訓(xùn)練集Up的樣本數(shù)為Rn，設(shè)被標(biāo)記（已經(jīng)經(jīng)過(guò)的車(chē)輛運(yùn)行路線）為Bn，則可以得到

通過(guò)少量已經(jīng)經(jīng)過(guò)標(biāo)記的樣本集Bn和未被標(biāo)記的樣本集（待經(jīng)過(guò)路線、未經(jīng)過(guò)路線）Bm，可以獲得結(jié)構(gòu)式

其中θi為2種分類(lèi)器（一種是分類(lèi)器，一種是回歸分類(lèi)器）標(biāo)記一致的樣本集結(jié)構(gòu)。μi為該車(chē)輛運(yùn)行路線樣本集中最差情況下的分類(lèi)誤差數(shù)值，XD為半監(jiān)督學(xué)習(xí)模型中泛化路線的數(shù)量，γi為當(dāng)模型中的數(shù)據(jù)分類(lèi)錯(cuò)誤時(shí)樣本集誤差噪聲的界限值，ηz為計(jì)算的置信度[13-15]。

通過(guò)式（4）可以判定運(yùn)行路線高維空間分類(lèi)權(quán)重的核函數(shù)，并將核函數(shù)帶寬作為區(qū)分回歸器與分類(lèi)器的樣本

其中kn(x) 為判定運(yùn)行路線高維空間分類(lèi)權(quán)重的核函數(shù)，GWR是地理加權(quán)回歸核函數(shù)的符號(hào)，i表示核函數(shù)帶寬，fj為帶寬達(dá)到最優(yōu)比例時(shí)核函數(shù)的分類(lèi)，bj為核函數(shù)達(dá)到最小值時(shí)帶寬的最小比例，Km為帶有標(biāo)記的樣本總數(shù)。

將未標(biāo)記的樣本作為分類(lèi)器模型整體訓(xùn)練誤差平均值（即泛化誤差）的計(jì)算標(biāo)志，可以得到分類(lèi)器置信度的訓(xùn)練模型，如圖2所示。

如圖2所示，通過(guò)建立分類(lèi)器的方式，初始化最初的參數(shù)，并以此增加迭代次數(shù)與未訓(xùn)練的樣本總數(shù)，計(jì)算標(biāo)記樣本和未標(biāo)記樣本中的最優(yōu)帶寬。在每一個(gè)分類(lèi)器中，都需要通過(guò)計(jì)算其預(yù)測(cè)值增加分類(lèi)器的置信度。若發(fā)現(xiàn)未被完全標(biāo)記的置信度數(shù)據(jù)，則需要至少通過(guò)一個(gè)回歸器刪除該樣本數(shù)據(jù)[16-18]。在迭代次數(shù)不斷+1 的過(guò)程中，未被標(biāo)記的樣本也在不斷減少，當(dāng)?shù)螖?shù)大于最大迭代次數(shù)時(shí)，未被標(biāo)記的樣本數(shù)量就會(huì)減少到一定數(shù)值內(nèi)。循環(huán)結(jié)束以后，取輸出結(jié)果中2個(gè)預(yù)測(cè)值的平均數(shù)作為最終的車(chē)輛行駛路徑誤差結(jié)果。

圖2 分類(lèi)器置信度計(jì)算算法流程

1.3 實(shí)時(shí)更新車(chē)輛遠(yuǎn)程定位數(shù)據(jù)

危險(xiǎn)品的運(yùn)輸風(fēng)險(xiǎn)高，危險(xiǎn)品運(yùn)輸車(chē)輛遠(yuǎn)程監(jiān)控需要具備強(qiáng)大的車(chē)輛準(zhǔn)確定位、實(shí)時(shí)監(jiān)控、高效調(diào)度功能，對(duì)定位精度的要求更高，需要提前預(yù)測(cè)運(yùn)輸車(chē)輛行駛路徑，以將意外情況帶來(lái)的損失降低到最小。因此，在1.2節(jié)基礎(chǔ)上清除危險(xiǎn)品運(yùn)輸車(chē)輛運(yùn)行路徑誤差之后，可以直接同步更新車(chē)輛的實(shí)時(shí)運(yùn)行數(shù)據(jù)，并通過(guò)數(shù)據(jù)得到位置信息[19-21]。

其中arg max 表示對(duì)函數(shù)求最大參數(shù)（集合）的函數(shù)，fn為式（3）對(duì)車(chē)輛位置實(shí)時(shí)信息的最優(yōu)估計(jì)，ut為t時(shí)刻待經(jīng)過(guò)車(chē)輛的行駛路徑模型預(yù)測(cè)的位置坐標(biāo)，kt-1為在t-1 時(shí)刻車(chē)輛計(jì)算遠(yuǎn)程監(jiān)控系統(tǒng)輸入數(shù)據(jù)與周邊地圖的匹配度[22-23]，p(fn|ut,kt-1)為fn在t時(shí)刻的概率。

通過(guò)對(duì)整個(gè)車(chē)輛狀態(tài)數(shù)據(jù)的遍歷，可以大幅度降低定位的誤差，并將更新頻率集中在測(cè)量窗口中。若在其中加入一個(gè)以平移軌跡為主導(dǎo)的車(chē)輛計(jì)算遠(yuǎn)程監(jiān)控系統(tǒng)，則可以通過(guò)車(chē)輛運(yùn)行路徑的離散卷積神經(jīng)核，求得地圖數(shù)據(jù)測(cè)量窗口與車(chē)輛實(shí)際運(yùn)行距離的匹配相關(guān)性，實(shí)現(xiàn)車(chē)輛的遠(yuǎn)程定位。如圖3 所示，（at，bt）表示t時(shí)刻車(chē)輛在地圖中的位置坐標(biāo)、（ai，bi）為車(chē)輛在地圖中行駛路徑卷積核的橫、縱坐標(biāo)。

由圖3可以得到t時(shí)刻的車(chē)輛運(yùn)行狀態(tài)為

圖3 二維卷積核離散運(yùn)算

其中G(at+1,bt+1)為t+1 時(shí)刻車(chē)輛在地圖中的運(yùn)行位置坐標(biāo)，k(i,j)為圖3中右側(cè)的卷積核，i為卷積核的橫坐標(biāo)，j為卷積核的縱坐標(biāo)，ai和bj均表示卷積核可以囊括的范圍，T(at-ai,bt-bj)表示卷積結(jié)果在二維窗口中的形態(tài)[24-25]，m為地圖二維窗口的長(zhǎng)度，n為地圖二維窗口的寬度。

計(jì)算與車(chē)輛實(shí)際運(yùn)行距離的匹配程度

其中G(dt)為地圖二維測(cè)量窗口數(shù)據(jù)與車(chē)輛實(shí)際運(yùn)行距離的匹配相關(guān)性，為計(jì)算后得到的車(chē)輛運(yùn)行距離預(yù)測(cè)值，st為車(chē)輛實(shí)際運(yùn)行距離，H為最大相關(guān)性。

對(duì)于更新后的車(chē)輛狀態(tài)，可以通過(guò)窗口的平移計(jì)算得到，則某時(shí)刻危險(xiǎn)品運(yùn)輸車(chē)輛的實(shí)時(shí)位置表示為

其中kx-t+1為經(jīng)過(guò)x時(shí)刻后車(chē)輛的實(shí)時(shí)位置。

通過(guò)車(chē)輛在二維地圖測(cè)量窗口的實(shí)時(shí)位置，可以得到實(shí)時(shí)更新的車(chē)輛遠(yuǎn)程定位數(shù)據(jù)。

2 實(shí)例測(cè)試與結(jié)果分析

2.1 實(shí)例測(cè)試準(zhǔn)備

為了測(cè)試該遠(yuǎn)程監(jiān)控方法的有效性、優(yōu)越性和準(zhǔn)確性，通過(guò)實(shí)例應(yīng)用，將其與現(xiàn)有的北斗定位（文獻(xiàn)[1]方法）、5G 通信技術(shù)（文獻(xiàn)[2]方法）、OBD 協(xié)議等方法（文獻(xiàn)[3]方法）進(jìn)行對(duì)比。

（1）依據(jù)文獻(xiàn)[26]，選取危險(xiǎn)品運(yùn)輸車(chē)輛如圖4所示。測(cè)試定位技術(shù)的準(zhǔn)確度，因?yàn)檫h(yuǎn)程監(jiān)督過(guò)程中的網(wǎng)絡(luò)延遲以及數(shù)據(jù)計(jì)算速度等問(wèn)題，車(chē)輛的定位參數(shù)與實(shí)際測(cè)量結(jié)果存在一定的誤差。

圖4 實(shí)例測(cè)試用車(chē)輛

（2）測(cè)試目標(biāo)車(chē)輛行駛的速度越快，實(shí)時(shí)定位的誤差越大，因此需要在本次實(shí)驗(yàn)中設(shè)置不同的實(shí)驗(yàn)組作為對(duì)照。

（3）至少有5 名工作人員同時(shí)參與試驗(yàn)，其中1人作為駕駛員，將車(chē)輛加速到目標(biāo)速度后，盡量保持勻速行駛。第2人通過(guò)計(jì)時(shí)儀器觀察時(shí)間，另外3人手持標(biāo)準(zhǔn)速度儀，根據(jù)攝像機(jī)顯示結(jié)果記錄每隔一段時(shí)間后的汽車(chē)行駛距離，取3個(gè)數(shù)據(jù)的平均值作為實(shí)驗(yàn)的最終數(shù)據(jù)。將以上實(shí)際測(cè)試得到的數(shù)據(jù)作為本實(shí)驗(yàn)的真實(shí)值標(biāo)準(zhǔn)數(shù)據(jù)。

2.2 算法的均方誤差

在開(kāi)展實(shí)車(chē)測(cè)試前，先計(jì)算北斗定位預(yù)測(cè)方法（文獻(xiàn)[1]方法）、5G 通信技術(shù)預(yù)測(cè)方法（文獻(xiàn)[2]方法）、OBD協(xié)議預(yù)測(cè)方法（文獻(xiàn)[3]方法）、半監(jiān)督學(xué)習(xí)預(yù)測(cè)方法（本文方法）這4種方法的均方誤差。采用在二維地圖窗口模擬仿真的方式，設(shè)定一條車(chē)輛的行駛路徑，并對(duì)車(chē)輛行駛過(guò)的所有位置坐標(biāo)進(jìn)行采樣，選擇200個(gè)坐標(biāo)作為測(cè)試的訓(xùn)練樣本（真實(shí)值），計(jì)算四種方法對(duì)這200個(gè)坐標(biāo)樣本的預(yù)測(cè)誤差結(jié)果（預(yù)測(cè)值）。

假設(shè)車(chē)輛在某時(shí)刻的實(shí)時(shí)位置為（x，y），則可以得到均方誤差的計(jì)算公式為

通過(guò)式（10）計(jì)算以上4種算法的均方誤差，結(jié)果如圖5所示。由圖5可以看出：隨著采樣點(diǎn)數(shù)量的增加，4 種算法的呈現(xiàn)不同的變化。OBD 系統(tǒng)的從0.385 增加到0.692，5G 通信技術(shù)的經(jīng)過(guò)0.237 到0.379 的變化，北斗定位技術(shù)的均方誤差由0.294 提高到0.391，半監(jiān)督學(xué)習(xí)算法的從最初的0.143增加到0.264，因此，本文設(shè)計(jì)的半監(jiān)督學(xué)習(xí)算法的遠(yuǎn)小于其他3 種方法，具備明顯的精度優(yōu)勢(shì)。

圖5 4種算法的均方誤差

2.3 車(chē)輛實(shí)時(shí)定位測(cè)試

通過(guò)實(shí)例測(cè)試，判斷4種遠(yuǎn)程監(jiān)控方法車(chē)輛的實(shí)時(shí)定位能力。A、B、C、D 4個(gè)試驗(yàn)組車(chē)輛的行駛速度分別為10、30、50、70 km/h。使車(chē)輛運(yùn)行，經(jīng)過(guò)一段時(shí)間的加速轉(zhuǎn)入勻速行駛，以開(kāi)始勻速行駛的時(shí)間作為初始點(diǎn)，每隔10 s 對(duì)車(chē)輛進(jìn)行實(shí)時(shí)定位。使用以上4種方法分別計(jì)算車(chē)輛的實(shí)時(shí)行駛距離，結(jié)果如圖6所示。

圖6 不同行駛速度下4種測(cè)試方法的行駛距離

圖6 中實(shí)際測(cè)量距離曲線在理想狀態(tài)下應(yīng)為直線，由圖6可知：實(shí)際測(cè)量的行駛距離隨行駛時(shí)間的變化并非呈直線關(guān)系，這是因?yàn)檐?chē)輛在行駛過(guò)程中不能保證勻速行駛，出現(xiàn)了速度波動(dòng)。隨著行駛速度的增長(zhǎng)，4種算法對(duì)危險(xiǎn)品運(yùn)輸車(chē)輛實(shí)時(shí)定位的精準(zhǔn)度逐漸降低。速度為10 km/h 時(shí)，4 種算法的計(jì)算數(shù)據(jù)基本可以與實(shí)際測(cè)量值保持相等，速度為70 km/h 時(shí)，算法得到的定位數(shù)據(jù)與實(shí)際測(cè)量數(shù)據(jù)有較大差異，其中半監(jiān)督學(xué)習(xí)算法的誤差明顯小于北斗定位、5G通信和OBD系統(tǒng)3種算法。

綜合以上4組試驗(yàn)可以得知：文中針對(duì)遠(yuǎn)程監(jiān)控方法的實(shí)時(shí)定位精確度，提出的基于半監(jiān)督學(xué)習(xí)的危險(xiǎn)品運(yùn)輸車(chē)輛運(yùn)行遠(yuǎn)程監(jiān)控方法，在定位車(chē)輛行駛距離時(shí)的誤差更小。

3 結(jié)語(yǔ)

為了滿(mǎn)足危險(xiǎn)品運(yùn)輸車(chē)輛遠(yuǎn)程監(jiān)控實(shí)時(shí)定位的精度要求，設(shè)計(jì)一種基于半監(jiān)督學(xué)習(xí)的危險(xiǎn)品運(yùn)輸車(chē)輛遠(yuǎn)程監(jiān)控方法。將危險(xiǎn)品運(yùn)輸車(chē)輛的行駛路線采用二維柵格進(jìn)行劃分，采用分類(lèi)器對(duì)危險(xiǎn)品運(yùn)輸車(chē)輛行駛路線訓(xùn)練樣本的誤差進(jìn)行標(biāo)記分類(lèi)，減少計(jì)算誤差；計(jì)算車(chē)輛行駛路程，增加分類(lèi)回歸模型器的置信度，計(jì)算車(chē)輛行駛路徑的預(yù)測(cè)值，利用二維卷積核離散運(yùn)算實(shí)時(shí)更新車(chē)輛遠(yuǎn)程定位數(shù)據(jù)。

實(shí)例測(cè)試結(jié)果表明，基于半監(jiān)督學(xué)習(xí)的車(chē)輛運(yùn)行遠(yuǎn)程監(jiān)控方法相較于北斗定位、5G 通信技術(shù)、OBD 協(xié)議3 種方法的行駛路程均方誤差最小，監(jiān)測(cè)到的行駛距離最接近實(shí)際測(cè)量結(jié)果，實(shí)時(shí)定位精度最高。但本文只針對(duì)定位精度進(jìn)行了研究，定位時(shí)間沒(méi)有顯著提高，未來(lái)研究可以從定位時(shí)間入手，進(jìn)一步提高危險(xiǎn)品運(yùn)輸車(chē)輛監(jiān)控定位的效果。