一种基于云平台的交通物流道路推荐方法及系统与流程

1.本发明涉及云计算技术领域，尤其涉及一种基于云平台的交通物流道路推荐方法及系统。


背景技术：

2.伴随着物联网、人工智能、雷达与视频的融合技术、云计算等新一代技术的发展与成熟，其赋予交通产品和解决方案智能化特点，人工智能大数据系统有助于进行预警和行车引导。毫米波雷达技术使得路面感知系统在目标识别、信号处理以及事件检测算法领域均实现重要突破，与ai智能摄像头实现多维度感知的优劣势互补，可有效探测前方500米内道路上超速、违停、违规并线、应急车道及行驶等交通违法行为，并与大数据交通硬件系列产品联动。融合路面感知系统完成全息道路的实时车流信息等交通数据的手机，利用ai人工智能视觉算法快速分析反馈核心数据，预判道路上可能存在的危险系数，并通过碟形灯、发光指示牌以及云播报音箱等智能路端设备进行交通预警与行车引导。
3.然而，在实际运用过程中，在交通道路大数据智能行车服务系统中，最近路线的选择往往只是基于起点终点之间相对距离以及路段限速情况进行分析生成，而往往忽略节假日以及行驶车辆骤增导致的道路拥挤，即没有考虑人路之间的影响。


技术实现要素：

4.本发明为解决上述技术问题，提出了一种基于云平台的交通物流道路推荐方法及系统，以解决至少一个上述技术问题。
5.一种基于云平台的交通物流道路推荐方法，应用于云平台，包括以下步骤：
6.步骤s1：采集驾驶员图像信息，并根据驾驶员图像信息进行识别，获取驾驶员历史驾驶信息并生成驾驶员基本状态信息；
7.步骤s2：根据驾驶员历史驾驶信息以及驾驶员基本状态信息生成驾驶员行驶风险信息；
8.步骤s3：获取道路基本信息，并根据道路基本信息以及驾驶员行驶风险信息构建道路交通预期模型；
9.步骤s4：获取货物基础信息，并根据货物基础信息以及道路交通预期模型构建物流道路预期模型；
10.步骤s5：获取物流历史基本信息，并利用物流历史基本信息对物流道路预期模型进行修正，生成交通物流道路推荐信息，以供交通物流大数据分析路线规划。
11.本实施例通过对驾驶员图像信息进行采集并识别，从而生成驾驶员历史驾驶信息以及驾驶员基本状态信息，并根据道路基本信息，生成交通物流道路推荐信息，充分考虑了人货路之间的影响，从而提供耗时短以及多式联运的交通物流道路推荐信息，以供交通物流大数据分析路线规划。
12.在本说明书的一个实施例中，步骤s1包括以下步骤：
13.步骤s11：对驾驶员图像信息进行预处理，生成驾驶员预处理图像信息；
14.步骤s12：对驾驶员预处理图像信息进行人脸特征计算以及情绪特征计算，生成驾驶员人脸特征信息以及驾驶员情绪特征信息；
15.步骤s13：将驾驶员人脸特征信息通过预设的驾驶员人脸识别模型进行匹配计算，生成驾驶员人脸信息；
16.步骤s14：根据驾驶员人脸信息通过与存储在本地或者云平台的驾驶员基本信息集进行查询，生成驾驶员基本信息；
17.步骤s15：根据驾驶员基本信息通过与存储在本地或者云平台的驾驶员历史驾驶信息集进行查询，获取驾驶员历史驾驶信息；
18.步骤s16：将驾驶员情绪特征信息通过预设的驾驶员情绪识别模型进行匹配计算，生成驾驶员情绪信息；
19.步骤s17：根据驾驶员基本信息以及驾驶员情绪信息，生成驾驶员基本状态信息。
20.本实施例通过对驾驶员图像信息进行识别，生成驾驶员基础信息以及驾驶员情绪信息，从而根据驾驶员基本信息以及驾驶员情绪信息，生成驾驶员基本状态信息，从而提供准确的驾驶员基本状态信息，从而为下一步做好前提准备。
21.在本说明书的一个实施例中，步骤s17包括以下步骤：
22.根据驾驶员基本信息以及驾驶员情绪信息通过驾驶员基本状态计算公式，生成驾驶员基本状态信息；
23.其中驾驶员基本状态计算公式具体为：
[0024][0025]
s为驾驶员基本状态信息，δx为驾驶员当前情绪变化信息，α为驾驶员当前情绪变化信息的调整项，t为驾驶员年龄，δ为驾驶健康状况指数，β为驾驶健康状况指数的调整权重信息，μ为驾驶员基本状态信息的偏差项。
[0026]
本实施例通过根据驾驶员基本信息以及驾驶员情绪信息通过驾驶员基本状态计算公式，生成驾驶员基本状态信息，从而为下一步做好前提准备。
[0027]
本实施例提供一种驾驶员基本状态计算公式，该公式充分考虑了驾驶员当前情绪变化信息δx、驾驶员当前情绪变化信息的调整项α、驾驶员年龄t、驾驶健康状况指数δ、驾驶健康状况指数的调整权重信息β以及相互之间的作用关系，以形成函数关系驶健康状况指数的调整权重信息β以及相互之间的作用关系，以形成函数关系并根据驾驶员基本状态信息的偏差项μ进行修正，以提供准确的数据支持。
[0028]
在本说明书的一个实施例中，步骤s2包括以下步骤：
[0029]
根据驾驶员历史驾驶信息生成驾驶员历史风险信息；
[0030]
基于驾驶员基本状态信息对驾驶员历史风险信息通过驾驶员行驶风险计算公式进行计算，生成驾驶员风险信息；
[0031]
其中驾驶员行驶风险计算公式具体为：
[0032][0033]
p为驾驶员风险信息,s为驾驶员基本状态信息，ω为驾驶员历史安全行驶时长，t
为当前行驶时长,o为当前行驶速度，γ为当前行驶速度的权重信息，u为驾驶员风险信息的修正项。
[0034]
本实施例通过根据驾驶员历史驾驶信息生成驾驶员历史风险信息，并基于驾驶员基本状态信息对驾驶员历史风险信息通过驾驶员行驶风险计算公式进行计算，生成驾驶员风险信息，从而为下一步做好前提准备。
[0035]
本实施例提供一种驾驶员行驶风险计算公式，该公式充分考虑了驾驶员基本状态信息s、驾驶员历史安全行驶时长ω、当前行驶时长t、当前行驶速度o、当前行驶速度的权重信息γ以及相互之间的作用关系，以形成函数关系exp-logsωt/∫γo do，并通过驾驶员风险信息的修正项u进行修正，从而提供可靠的数据支撑。
[0036]
在本说明书的一个实施例中，步骤s3包括以下步骤：
[0037]
步骤s31：获取道路基本信息；
[0038]
步骤s32：根据道路基本信息中的路线使用信息、路线规划时长信息以及路线风险信息，构建道路自风险模型；
[0039]
步骤s33：利用驾驶员行驶风险信息对道路自风险模型进行加权计算，构建道路交通预期模型。
[0040]
本实施例通过获取道路基本信息，根据道路基本信息中的路线使用信息、路线规划时长信息以及路线风险信息，构建道路自风险模型，并利用驾驶员行驶风险信息对道路自风险模型进行加权计算，构建道路交通预期模型，从而实现人路之间深度联系，从而为下一步做好前提准备。
[0041]
在本说明书的一个实施例中，步骤s4的步骤包括以下步骤：
[0042]
步骤s41：获取货物基础信息；
[0043]
步骤s42：根据货物基础信息以及道路基础信息构建货物物流基础模型；
[0044]
步骤s43：根据货物物流基础模型以及道路交通预期模型，构建物流道路预期模型。
[0045]
本实施例通过货物基础信息以及道路基础信息构建货物物流基础模型，从而提供货物物流的所有情况，根据道路交通预期模型进行调整，构建物流道路预期模型，将推荐路线进行深度挖掘，以实现物流道路的短耗时路径推荐。
[0046]
在本说明书的一个实施例中，步骤s5包括以下步骤：
[0047]
步骤s51：获取物流历史基本信息；
[0048]
步骤s52：利用物流历史基本信息对物流道路预期模型进行修正，生成道路交通预期推荐信息；
[0049]
步骤s53：根据货物基础信息中的货物风险信息以及道路交通预期推荐信息，生成交通物流道路推荐信息，以供交通物流大数据分析路线规划。
[0050]
本实施例通过物流历史基础信息对物流道路预期模型进行修正，从而避免节假日或者其余常规社会条件带来的周期性交通阻塞的情况，通过货物基础信息中的货物风险信息进行修正，从而避免运输危险物品如化工、燃料或者高价值物品时路线选择不当带来的潜在的经济负面影响。
[0051]
在本说明书的一个实施例中，步骤s2之后步骤s3之前还包括以下步骤：
[0052]
步骤s201：确定驾驶员行驶风险信息为包含驾驶员行驶中风险信息或驾驶员行驶
高风险信息时，实时获取驾驶员语音信息；
[0053]
步骤s202：对驾驶员语音信息进行降噪，生成驾驶员降噪语音信息；
[0054]
步骤s203：对驾驶员降噪语音信息进行分帧，生成驾驶员分帧语音信息；
[0055]
步骤s204：对驾驶员分帧语音信息进行加窗处理，生成驾驶员加窗语音信息；
[0056]
步骤s205：对驾驶员加窗语音信息进行疲劳程度特征提取，生成驾驶员疲劳程度特征信息；
[0057]
步骤s206：通过预设的驾驶员疲劳程度识别模型对驾驶员疲劳程度特征信息进行识别计算，生成驾驶员疲劳程度指数；
[0058]
步骤s207：判断驾驶员疲劳程度指数是否大于预设的驾驶员疲劳程度警告指数；
[0059]
步骤s208：确定驾驶员疲劳程度指数大于预设的驾驶员疲劳程度警告指数时，则进行音频警告作业。
[0060]
本实施例通过实时获取驾驶员语音信息，并根据驾驶员语音信息进行疲劳程度特征分析，从而生成驾驶员疲劳程度指数，并同预设的驾驶员疲劳程度警告指数进行判断，从而进行相应的音频警告作业。
[0061]
在本说明书的一个实施例中，步骤s1之后步骤s2之前包括以下步骤：
[0062]
步骤s101：通过驾驶员预警计算公式对驾驶员基本信息中的当前驾驶时长以及驾驶员情绪信息进行计算，生成驾驶员预警提醒指数；
[0063]
步骤s102：判断驾驶员预警提醒指数是否大于预设的第一预警阈值；
[0064]
步骤s103：确定驾驶员预警提醒指数大于预设的第一预警阈值时，以第一时间间隔进行第一预警音量的第一预警提醒作业；
[0065]
步骤s104：确定驾驶员预警提醒指数小于或等于预设的第一预警阈值时，判断驾驶员预警提醒指数是否大于预设的第二预警阈值，其中第二预警阈值小于第一预警阈值；
[0066]
步骤s105：确定驾驶员预警提醒指数大于预设的第二预警阈值时，以第二时间间隔进行第二预警音量的第二预警提醒作业。
[0067]
本实施例通过通过驾驶员预警计算公式对驾驶员基本信息中的当前驾驶时长以及驾驶员情绪信息进行计算，生成驾驶员预警提醒指数，并根据不同的驾驶员预警提醒指数，执行不同的预警提醒作业，从而降低驾驶员疲劳驾驶或者负面情绪驾驶引发的安全隐患。
[0068]
在本说明书的一个实施例中，其中驾驶员预警计算公式具体为：
[0069][0070]
r为驾驶员预警提醒指数，q为驾驶员驾驶时长，p为驾驶员情绪信息中的负面情绪变化值，ρ为驾驶员情绪信息中的负面情绪变化值的权重信息，k为驾驶员当前驾驶时长的调整项，l为驾驶员历史驾驶时长的负面情绪变化预估值的调整项，m为驾驶员历史驾驶时长的负面情绪变化预估值,σ为调整项，τ为驾驶员预警提醒指数的修正项。
[0071]
本实施例提供一种驾驶员预警计算公式，该公式充分考虑了驾驶员驾驶时长q、驾驶员情绪信息中的负面情绪变化值p、驾驶员当前驾驶时长的调整项k、驾驶员历史驾驶时长的负面情绪变化预估值的调整项l、驾驶员历史驾驶时长的负面情绪变化预估值m、调整
项σ以及相互之间的作用关系，从而形成函数关系并通过驾驶员预警提醒指数的修正项τ进行修正，从而提供准确可靠的数据支撑。
[0072]
一种基于云平台的交通物流道路推荐系统，所述系统包括：
[0073]
至少一个处理器；以及，
[0074]
与所述至少一个处理器通信连接的存储器；其中，
[0075]
所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器能够执行如上所述任意一项的一种基于云平台的交通物流道路推荐方法。
[0076]
本系统给能够对驾驶员图像进行识别，从而生成驾驶员历史驾驶信息以及驾驶员基本状态信息，并根据道路基本信息，生成交通物流道路推荐信息，从而为交通物流大数据分析路线规划提供准确的数据支持，其中考虑了人路关系，降低实际行驶时间，减少潜在安全隐患。
[0077]
本发明通过对驾驶员图像信息进行采集并识别，从而生成驾驶员历史驾驶信息以及驾驶员基本状态信息，并根据道路基本信息，生成交通物流道路推荐信息，充分考虑了人路之间的影响，从而提供耗时短的交通物流道路推荐信息，以供交通物流大数据分析路线规划，实时采集驾驶员图像信息以及语音信息，并实根据图像信息以及语音信息进行判断，从而确定驾驶员处于疲劳驾驶时，提供警告提醒作业，从而降低潜在事故。
附图说明
[0078]
通过阅读参照以下附图所作的对非限制性实施所作的详细描述，本技术的其它特征、目的和优点将会变得更明显：
[0079]
图1示出了一实施例的一种基于云平台的交通物流道路推荐方法的步骤流程图；
[0080]
图2示出了一实施例的驾驶员基本状态信息生成方法的步骤流程图；
[0081]
图3示出了一实施例的道路交通预期模型构建方法的步骤流程图；
[0082]
图4示出了一实施例的交通物流道路推荐信息生成方法的步骤流程图；
[0083]
图5示出了一实施例的驾驶员语音疲劳识别作业的步骤流程图；
[0084]
图6示出了一实施例的驾驶员情绪识别提醒作业的步骤流程图；
[0085]
图7示出了一实施例的物流道路预期模型构建方法的步骤流程图。
具体实施方式
[0086]
下面结合附图对本发明专利的技术方法进行清楚、完整的描述，显然，所描述的实施例是本发明的一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域所属的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。
[0087]
此外，附图仅为本发明的示意性图解，并非一定是按比例绘制。图中相同的附图标记表示相同或类似的部分，因而将省略对它们的重复描述。附图中所示的一些方框图是功能实体，不一定必须与物理或逻辑上独立的实体相对应。可以采用软件形式来实现功能实体，或在一个或多个硬件模块或集成电路中实现这些功能实体，或在不同网络和/或处理器方法和/或微控制器方法中实现这些功能实体。
[0088]
应当理解的是，虽然在这里可能使用了术语“第一”、“第二”等等来描述各个单元，但是这些单元不应当受这些术语限制。使用这些术语仅仅是为了将一个单元与另一个单元进行区分。举例来说，在不背离示例性实施例的范围的情况下，第一单元可以被称为第二单元，并且类似地第二单元可以被称为第一单元。这里所使用的术语“和/或”包括其中一个或更多所列出的相关联项目的任意和所有组合。
[0089]
一种基于云平台的交通物流道路推荐方法，应用于云平台，请参阅图1至图7，包括以下步骤：
[0090]
步骤s1：采集驾驶员图像信息，并根据驾驶员图像信息进行识别，获取驾驶员历史驾驶信息并生成驾驶员基本状态信息；
[0091]
具体地，例如通过摄像头采集驾驶员图像信息，并根据驾驶员图像信息以及预设的驾驶员识别模型进行识别，生成驾驶员信息，根据驾驶员信息同预存在云平台的数据库表进行查询，生成驾驶员历史驾驶信息，其中驾驶员识别模型根据机器学习算法生成，包括深度神经网络算法、卷积神经网络算法以及重复神经网络算法；
[0092]
根据驾驶员图像信息根据预设的驾驶员状态识别模型进行比配，生成驾驶员基本状态信息，其中驾驶员识别模型根据驾驶员图像信息通过深度学习算法生成，深度学习算法包括神经网络算法以及支持向量机模型算法。
[0093]
步骤s2：根据驾驶员历史驾驶信息以及驾驶员基本状态信息生成驾驶员行驶风险信息；
[0094]
具体地，例如根据驾驶员历史驾驶信息以及驾驶员基本状态信息进行计算，生成驾驶员行驶风险信息。
[0095]
步骤s3：获取道路基本信息，并根据道路基本信息以及驾驶员行驶风险信息构建道路交通预期模型；
[0096]
具体地，例如与云平台进行通信从而获取道路基本信息，其中道路基本信息包括道路使用信息、道路风险信息，并根据道路基本信息以及驾驶员行驶风险信息构建道路交通预期模型。
[0097]
步骤s4：获取道路历史基本信息，并利用道路历史基本信息对道路交通预期模型进行修正，生成交通物流道路推荐信息，以供交通物流大数据分析路线规划。
[0098]
具体地，例如与云平台进行通信获取道路历史基本信息，并利用道路历史基本信息对道路交通预期模型进行修正，生成交通物流道路推荐信息，以供交通物流大数据分析路线规划。
[0099]
本实施例通过对驾驶员图像信息进行采集并识别，从而生成驾驶员历史驾驶信息以及驾驶员基本状态信息，并根据道路基本信息，生成交通物流道路推荐信息，充分考虑了人路之间的影响，从而提供耗时短的交通物流道路推荐信息，以供交通物流大数据分析路线规划。
[0100]
在本说明书的一个实施例中，步骤s1包括以下步骤：
[0101]
步骤s11：对驾驶员图像信息进行预处理，生成驾驶员预处理图像信息；
[0102]
具体地，例如将驾驶员图像信息划分为2*2的图像序列。
[0103]
具体地，例如将驾驶员图像信息划分为3*3的图像序列。
[0104]
具体地，例如根据天气情况，自适应地生成滤波器对驾驶员图像信息进行降噪。
[0105]
步骤s12：对驾驶员预处理图像信息进行人脸特征计算以及情绪特征计算，生成驾驶员人脸特征信息以及驾驶员情绪特征信息；
[0106]
具体地，例如深度升级网络，在全连接层采用不同的权重系数进行计算，生成驾驶员人脸特征信息以及驾驶员情绪特征信息。
[0107]
步骤s13：将驾驶员人脸特征信息通过预设的驾驶员人脸识别模型进行匹配计算，生成驾驶员人脸信息；
[0108]
具体地，例如将驾驶员人脸特征信息通过预设的驾驶员人脸识别模型进行匹配计算，生成驾驶员人脸信息，其中预设的驾驶员人脸识别模型根据驾驶员人脸图像信息通过机器学习算法生成。
[0109]
步骤s14：根据驾驶员人脸信息通过与存储在本地或者云平台的驾驶员基本信息集进行查询，生成驾驶员基本信息；
[0110]
具体地，例如根据驾驶员人脸信息关联的驾驶员唯一标识对存储在本地或云平台的就驾驶员基本信息集进行查询，生成驾驶员基本信息。
[0111]
步骤s15：根据驾驶员基本信息通过与存储在本地或者云平台的驾驶员历史驾驶信息集进行查询，获取驾驶员历史驾驶信息；
[0112]
具体地，例如根据驾驶员基本信息中的具备相关性的唯一标识通过与存储在本地或者云平台的驾驶员历史驾驶信息集如驾驶员历史驾驶信息数据库进行查询，生成驾驶员历史驾驶信息。
[0113]
步骤s16：将驾驶员情绪特征信息通过预设的驾驶员情绪识别模型进行匹配计算，生成驾驶员情绪信息；
[0114]
具体地，例如预设的驾驶员情绪识别模型通过深度学习算法生成，如支持向量机算法、贝叶斯算法以及神经网络算法。
[0115]
步骤s17：根据驾驶员基本信息以及驾驶员情绪信息，生成驾驶员基本状态信息。
[0116]
具体地，例如根据驾驶员基本信息以及驾驶员情绪信息进行加权计算，生成驾驶员基本状态信息。
[0117]
本实施例通过对驾驶员图像信息进行识别，生成驾驶员基础信息以及驾驶员情绪信息，从而根据驾驶员基本信息以及驾驶员情绪信息，生成驾驶员基本状态信息，从而提供准确的驾驶员基本状态信息，从而为下一步做好前提准备。
[0118]
在本说明书的一个实施例中，步骤s17包括以下步骤：
[0119]
根据驾驶员基本信息以及驾驶员情绪信息通过驾驶员基本状态计算公式，生成驾驶员基本状态信息；
[0120]
具体地，例如通过本实施例中的驾驶员基本状态计算公式进行计算。
[0121]
其中驾驶员基本状态计算公式具体为：
[0122][0123]
s为驾驶员基本状态信息，δx为驾驶员当前情绪变化信息，α为驾驶员当前情绪变化信息的调整项，t为驾驶员年龄，δ为驾驶健康状况指数，β为驾驶健康状况指数的调整权重信息，μ为驾驶员基本状态信息的偏差项。
[0124]
本实施例通过根据驾驶员基本信息以及驾驶员情绪信息通过驾驶员基本状态计
算公式，生成驾驶员基本状态信息，从而为下一步做好前提准备。
[0125]
本实施例提供一种驾驶员基本状态计算公式，该公式充分考虑了驾驶员当前情绪变化信息δx、驾驶员当前情绪变化信息的调整项α、驾驶员年龄t、驾驶健康状况指数δ、驾驶健康状况指数的调整权重信息β以及相互之间的作用关系，以形成函数关系驶健康状况指数的调整权重信息β以及相互之间的作用关系，以形成函数关系并根据驾驶员基本状态信息的偏差项μ进行修正，以提供准确的数据支持。
[0126]
在本说明书的一个实施例中，步骤s2包括以下步骤：
[0127]
根据驾驶员历史驾驶信息生成驾驶员历史风险信息；
[0128]
具体地，例如根据驾驶员历史驾驶信息中的驾驶员历史安全驾驶时长以及驾驶员历史安全信息如违章次数、违章程度，生成驾驶员历史风险信息。
[0129]
基于驾驶员基本状态信息对驾驶员历史风险信息通过驾驶员行驶风险计算公式进行计算，生成驾驶员风险信息；
[0130]
具体地，例如通过本实施例中驾驶员行驶风险计算公式进行计算。
[0131]
其中驾驶员行驶风险计算公式具体为：
[0132][0133]
p为驾驶员风险信息,s为驾驶员基本状态信息，ω为驾驶员历史安全行驶时长，t为当前行驶时长,o为当前行驶速度，γ为当前行驶速度的权重信息，u为驾驶员风险信息的修正项。
[0134]
本实施例通过根据驾驶员历史驾驶信息生成驾驶员历史风险信息，并基于驾驶员基本状态信息对驾驶员历史风险信息通过驾驶员行驶风险计算公式进行计算，生成驾驶员风险信息，从而为下一步做好前提准备。
[0135]
本实施例提供一种驾驶员行驶风险计算公式，该公式充分考虑了驾驶员基本状态信息s、驾驶员历史安全行驶时长ω、当前行驶时长t、当前行驶速度o、当前行驶速度的权重信息γ以及相互之间的作用关系，以形成函数关系exp-logsωt/∫γo do，并通过驾驶员风险信息的修正项u进行修正，从而提供可靠的数据支撑。
[0136]
在本说明书的一个实施例中，步骤s3包括以下步骤：
[0137]
步骤s31：获取道路基本信息；
[0138]
具体地，例如获取驾驶员初始点以及终点，根据初始点到终点生成简单路线规划信息，并对简单路线规划信息进行道路基本信息获取，其中道路基本信息包括路线使用信息如道路已用时长以及当前车辆行驶数量、路线规划时长信息以及路线风险信息如根据每辆车辆驾驶员驾驶风险系数进行加权生成的路线风险指数。
[0139]
步骤s32：根据道路基本信息中的路线使用信息、路线规划时长信息以及路线风险信息，构建道路自风险模型；
[0140]
具体地，例如对任一路线规划信息的道路基本信息进行判断并标记，如根据当前车辆行驶数量生成道路拥挤标记如高速、畅通以及拥挤，根据路线风险指数生成安全、隐患以及潜在高发事故，从而构建道路自风险模型。
[0141]
步骤s33：利用驾驶员行驶风险信息对道路自风险模型进行加权计算，构建道路交通预期模型。
[0142]
具体地，例如利用驾驶员行驶风险信息对道路自风险模型中的参数进行加权计算，构建道路交通预期模型。
[0143]
本实施例通过获取道路基本信息，根据道路基本信息中的路线使用信息、路线规划时长信息以及路线风险信息，构建道路自风险模型，并利用驾驶员行驶风险信息对道路自风险模型进行加权计算，构建道路交通预期模型，从而实现人路之间深度联系，从而为下一步做好前提准备。
[0144]
在本说明书的一个实施例中，步骤s4的步骤包括以下步骤：
[0145]
步骤s41：获取货物基础信息；
[0146]
具体地，例如通过输入界面获取货物基础信息，如货物型号如大件、中件或小件、货物名称、货物物流信息如货物初始点以及货物接受点、货物种类如日常用品、化工用品、办公用品、贵重用品、建筑用品或其他基于用途的货物种类名称，货物预期到达时间，以及货物风险信息如高风险、中风险以及低风险。
[0147]
步骤s42：根据货物基础信息以及道路基础信息构建货物物流基础模型；
[0148]
具体地，例如根据货物基础信息中的货物物流信息以及道路基础信息构建货物物流基础模型，其中货物物流基础模型包括不限于航运、海运以及道路运输，道路基础信息包括空运线路道路信息、航运水路道路信息以及陆运道路信息。
[0149]
步骤s43：根据货物物流基础模型以及道路交通预期模型，构建物流道路预期模型。
[0150]
具体地，例如根据货物物流基础模型的可选线路信息以及道路交通预期模型的道路使用情况在预设的货物预期到达时间内，生成物流道路预期线路集，从而构建物流道路预期模型。
[0151]
本实施例通过货物基础信息以及道路基础信息构建货物物流基础模型，从而提供货物物流的所有情况，根据道路交通预期模型进行调整，构建物流道路预期模型，将推荐路线进行深度挖掘，以实现物流道路的短耗时路径推荐。
[0152]
在本说明书的一个实施例中，步骤s5包括以下步骤：
[0153]
步骤s51：获取物流历史基本信息；
[0154]
具体地，例如通过存储在云平台获取物流历史基本信息。
[0155]
步骤s52：利用物流历史基本信息对物流道路预期模型进行修正，生成道路交通预期推荐信息；
[0156]
具体地，例如根据物流历史基础信息对物流道路预期模型进行修正，将特定时间下的物流道路预期模型中的特定路线在物流时间范围内的异常进行标注并修正物流时间，生成道路交通预期推荐信息。
[0157]
步骤s53：根据货物基础信息中的货物风险信息以及道路交通预期推荐信息，生成交通物流道路推荐信息，以供交通物流大数据分析路线规划。
[0158]
具体地，例如对道路交通预期推荐信息中道路交通预期推荐线路进行分段标注，标注信息如人群聚集、闹市街区、城市道路、郊区道路以及其余表示人群聚集程度的标注信息，根据货物基础信息中的货物风险信息以及分段标注的标注信息，如高风险应当选择远离人群聚集、闹市街区以及城市道路的情况，中风险应当选择远离人群聚集、闹市街区的情况。
[0159]
本实施例通过物流历史基础信息对物流道路预期模型进行修正，从而避免节假日或者其余常规社会条件带来的周期性交通阻塞的情况，通过货物基础信息中的货物风险信息进行修正，从而避免运输危险物品如化工、燃料或者高价值物品时路线选择不当带来的潜在的经济负面影响。
[0160]
在本说明书的一个实施例中，步骤s2之后步骤s3之前还包括以下步骤：
[0161]
步骤s201：确定驾驶员行驶风险信息为包含驾驶员行驶中风险信息或驾驶员行驶高风险信息时，实时获取驾驶员语音信息；
[0162]
步骤s202：对驾驶员语音信息进行降噪，生成驾驶员降噪语音信息；
[0163]
具体地，例如根据lms自适应滤波器进行降噪，生成驾驶员降噪语音信息。
[0164]
步骤s203：对驾驶员降噪语音信息进行分帧，生成驾驶员分帧语音信息；
[0165]
具体地，例如以20ms对驾驶员降噪语音进行分帧，生成驾驶员分帧语音信息。
[0166]
步骤s204：对驾驶员分帧语音信息进行加窗处理，生成驾驶员加窗语音信息；
[0167]
具体地，例如对驾驶员分帧语音信息进行加窗处理如汉宁窗、汉明窗以及矩形窗，生成驾驶员加窗语音信息。
[0168]
步骤s205：对驾驶员加窗语音信息进行疲劳程度特征提取，生成驾驶员疲劳程度特征信息；
[0169]
具体地，例如对驾驶员加窗语音信息进行疲劳程度特征提取如mfcc特征提取，生成驾驶员疲劳程度特征信息。
[0170]
步骤s206：通过预设的驾驶员疲劳程度识别模型对驾驶员疲劳程度特征信息进行识别计算，生成驾驶员疲劳程度指数；
[0171]
具体地，例如驾驶员疲惫程度识别模型根据深度学习算法生成，如支持向量机算法、隐马尔可夫模型、高斯混合模型、人工神经网络、深度神经网络/深信度网络-隐马尔可夫模型、循环神经网络、长短时记忆模块以及卷积神经网络。
[0172]
步骤s207：判断驾驶员疲劳程度指数是否大于预设的驾驶员疲劳程度警告指数；
[0173]
具体地，例如判断驾驶员疲劳程度指数是否大于预设的驾驶员疲劳程度警告指数。
[0174]
步骤s208：确定驾驶员疲劳程度指数大于预设的驾驶员疲劳程度警告指数时，则进行音频警告作业。
[0175]
具体地，例如确定驾驶员疲劳程度指数如46大于预设的驾驶员疲劳程度警告指数如30时，则进行音频警告作业。
[0176]
本实施例通过实时获取驾驶员语音信息，并根据驾驶员语音信息进行疲劳程度特征分析，从而生成驾驶员疲劳程度指数，并同预设的驾驶员疲劳程度警告指数进行判断，从而进行相应的音频警告作业。
[0177]
在本说明书的一个实施例中，步骤s1之后步骤s2之前包括以下步骤：
[0178]
步骤s101：通过驾驶员预警计算公式对驾驶员基本信息中的当前驾驶时长以及驾驶员情绪信息进行计算，生成驾驶员预警提醒指数；
[0179]
具体地，例如通过其余实施例提供的驾驶员预警计算公式或者自拟定的计算公式进行计算。
[0180]
步骤s102：判断驾驶员预警提醒指数是否大于预设的第一预警阈值；
[0181]
具体地，例如判断驾驶员预警提醒指数如23.35是否大于预设的第一预警阈值如46。
[0182]
步骤s103：确定驾驶员预警提醒指数大于预设的第一预警阈值时，以第一时间间隔进行第一预警音量的第一预警提醒作业；
[0183]
具体地，例如确定驾驶员预警提醒指数如56.3大于预设的第一预警阈值如46时，以第一时间间隔如一分钟进行第一预警音量如70db的第一预警提醒作业。
[0184]
步骤s104：确定驾驶员预警提醒指数小于或等于预设的第一预警阈值时，判断驾驶员预警提醒指数是否大于预设的第二预警阈值，其中第二预警阈值小于第一预警阈值；
[0185]
具体地，例如确定驾驶员预警提醒指数如25.3小于或等于预设的第一预警阈值如46时，判断驾驶员预警提醒指数如25.3是否大于预设的第二预警阈值如23。
[0186]
步骤s105：确定驾驶员预警提醒指数大于预设的第二预警阈值时，以第二时间间隔进行第二预警音量的第二预警提醒作业。
[0187]
具体地，例如确定驾驶员预警提醒指数如25.3大于预设的第二预警阈值如23时，以第二时间间隔如3min进行第二预警音量如60db的第二预警提醒作业。
[0188]
本实施例通过通过驾驶员预警计算公式对驾驶员基本信息中的当前驾驶时长以及驾驶员情绪信息进行计算，生成驾驶员预警提醒指数，并根据不同的驾驶员预警提醒指数，执行不同的预警提醒作业，从而降低驾驶员疲劳驾驶或者负面情绪驾驶引发的安全隐患。
[0189]
在本说明书的一个实施例中，其中驾驶员预警计算公式具体为：
[0190][0191]
r为驾驶员预警提醒指数，q为驾驶员驾驶时长，p为驾驶员情绪信息中的负面情绪变化值，ρ为驾驶员情绪信息中的负面情绪变化值的权重信息，k为驾驶员当前驾驶时长的调整项，l为驾驶员历史驾驶时长的负面情绪变化预估值的调整项，m为驾驶员历史驾驶时长的负面情绪变化预估值,σ为调整项，τ为驾驶员预警提醒指数的修正项。
[0192]
本实施例提供一种驾驶员预警计算公式，该公式充分考虑了驾驶员驾驶时长q、驾驶员情绪信息中的负面情绪变化值p、驾驶员当前驾驶时长的调整项k、驾驶员历史驾驶时长的负面情绪变化预估值的调整项l、驾驶员历史驾驶时长的负面情绪变化预估值m、调整项σ以及相互之间的作用关系，从而形成函数关系并通过驾驶员预警提醒指数的修正项τ进行修正，从而提供准确可靠的数据支撑。
[0193]
一种基于云平台的交通物流道路推荐系统，所述系统包括：
[0194]
至少一个处理器；以及，
[0195]
与所述至少一个处理器通信连接的存储器；其中，
[0196]
所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器能够执行如上所述任意一项的一种基于云平台的交通物流道路推荐方法。
[0197]
本系统给能够对驾驶员图像进行识别，从而生成驾驶员历史驾驶信息以及驾驶员基本状态信息，并根据道路基本信息，生成交通物流道路推荐信息，从而为交通物流大数据分析路线规划提供准确的数据支持，其中考虑了人路关系，降低实际行驶时间，减少潜在安
全隐患。
[0198]
本发明通过对驾驶员图像信息进行采集并识别，从而生成驾驶员历史驾驶信息以及驾驶员基本状态信息，并根据道路基本信息，生成交通物流道路推荐信息，充分考虑了人路之间的影响，从而提供耗时短的交通物流道路推荐信息，以供交通物流大数据分析路线规划，实时采集驾驶员图像信息以及语音信息，并实根据图像信息以及语音信息进行判断，从而确定驾驶员处于疲劳驾驶时，提供警告提醒作业，从而降低潜在事故。
[0199]
因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附关联图标记视为限制所涉及的权利要求。
[0200]
以上所述仅是本发明的具体实施方式，使本领域技术人员能够理解或实现本发明。对这些实施例的多种修改对本领域的技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所发明的原理和新颖特点相一致的最宽的范围。

技术特征：
1.一种基于云平台的交通物流道路推荐方法，其特征在于，应用于云平台，包括以下步骤：步骤s1：采集驾驶员图像信息，并根据驾驶员图像信息进行识别，获取驾驶员历史驾驶信息并生成驾驶员基本状态信息；步骤s2：根据驾驶员历史驾驶信息以及驾驶员基本状态信息生成驾驶员行驶风险信息；步骤s3：获取道路基本信息，并根据道路基本信息以及驾驶员行驶风险信息构建道路交通预期模型；步骤s4：获取货物基础信息，并根据货物基础信息以及道路交通预期模型构建物流道路预期模型；步骤s5：获取物流历史基本信息，并利用物流历史基本信息对物流道路预期模型进行修正，生成交通物流道路推荐信息，以供交通物流大数据分析路线规划。2.根据权利要求1所述的方法，其特征在于，步骤s1包括以下步骤：步骤s11：对驾驶员图像信息进行预处理，生成驾驶员预处理图像信息；步骤s12：对驾驶员预处理图像信息进行人脸特征计算以及情绪特征计算，生成驾驶员人脸特征信息以及驾驶员情绪特征信息；步骤s13：将驾驶员人脸特征信息通过预设的驾驶员人脸识别模型进行匹配计算，生成驾驶员人脸信息；步骤s14：根据驾驶员人脸信息通过与存储在本地或者云平台的驾驶员基本信息集进行查询，生成驾驶员基本信息；步骤s15：根据驾驶员基本信息通过与存储在本地或者云平台的驾驶员历史驾驶信息集进行查询，获取驾驶员历史驾驶信息；步骤s16：将驾驶员情绪特征信息通过预设的驾驶员情绪识别模型进行匹配计算，生成驾驶员情绪信息；步骤s17：根据驾驶员基本信息以及驾驶员情绪信息，生成驾驶员基本状态信息；其中步骤s17包括以下步骤：根据驾驶员基本信息以及驾驶员情绪信息通过驾驶员基本状态计算公式，生成驾驶员基本状态信息；其中驾驶员基本状态计算公式具体为：s为驾驶员基本状态信息，δx为驾驶员当前情绪变化信息，α为驾驶员当前情绪变化信息的调整项，t为驾驶员年龄，δ为驾驶健康状况指数，β为驾驶健康状况指数的调整权重信息，μ为驾驶员基本状态信息的偏差项。3.根据权利要求1所述的方法，其特征在于，步骤s2包括以下步骤：根据驾驶员历史驾驶信息生成驾驶员历史风险信息；基于驾驶员基本状态信息对驾驶员历史风险信息通过驾驶员行驶风险计算公式进行计算，生成驾驶员风险信息；
其中驾驶员行驶风险计算公式具体为：p为驾驶员风险信息,s为驾驶员基本状态信息，ω为驾驶员历史安全行驶时长，t为当前行驶时长,o为当前行驶速度，γ为当前行驶速度的权重信息，u为驾驶员风险信息的修正项。4.根据权利要求1所述的方法，其特征在于，步骤s3包括以下步骤：获取道路基本信息；根据道路基本信息中的路线使用信息、路线规划时长信息以及路线风险信息，构建道路自风险模型；利用驾驶员行驶风险信息对道路自风险模型进行加权计算，构建道路交通预期模型。5.根据权利要求1所述的方法，其特征在于，步骤s4的步骤包括以下步骤：获取货物基础信息；根据货物基础信息以及道路基础信息构建货物物流基础模型；根据货物物流基础模型以及道路交通预期模型，构建物流道路预期模型。6.根据权利要求1所述的方法，其特征在于，步骤s5包括以下步骤：获取物流历史基本信息；利用物流历史基本信息对物流道路预期模型进行修正，生成道路交通预期推荐信息；根据货物基础信息中的货物风险信息以及道路交通预期推荐信息，生成交通物流道路推荐信息，以供交通物流大数据分析路线规划。7.根据权利要求1所述的方法，其特征在于，步骤s2之后步骤s3之前还包括以下步骤：确定驾驶员行驶风险信息为包含驾驶员行驶中风险信息或驾驶员行驶高风险信息时，实时获取驾驶员语音信息；对驾驶员语音信息进行降噪，生成驾驶员降噪语音信息；对驾驶员降噪语音信息进行分帧，生成驾驶员分帧语音信息；对驾驶员分帧语音信息进行加窗处理，生成驾驶员加窗语音信息；对驾驶员加窗语音信息进行疲劳程度特征提取，生成驾驶员疲劳程度特征信息；通过预设的驾驶员疲劳程度识别模型对驾驶员疲劳程度特征信息进行识别计算，生成驾驶员疲劳程度指数；判断驾驶员疲劳程度指数是否大于预设的驾驶员疲劳程度警告指数；确定驾驶员疲劳程度指数大于预设的驾驶员疲劳程度警告指数时，则进行音频警告作业。8.根据权利要求2所述的方法，其特征在于，步骤s1之后步骤s2之前包括以下步骤：通过驾驶员预警计算公式对驾驶员基本信息中的当前驾驶时长以及驾驶员情绪信息进行计算，生成驾驶员预警提醒指数；判断驾驶员预警提醒指数是否大于预设的第一预警阈值；确定驾驶员预警提醒指数大于预设的第一预警阈值时，以第一时间间隔进行第一预警音量的第一预警提醒作业；确定驾驶员预警提醒指数小于或等于预设的第一预警阈值时，判断驾驶员预警提醒指
数是否大于预设的第二预警阈值，其中第二预警阈值小于第一预警阈值；确定驾驶员预警提醒指数大于预设的第二预警阈值时，以第二时间间隔进行第二预警音量的第二预警提醒作业。9.根据权利要求8所述的方法，其特征在于，其中驾驶员预警计算公式具体为：r为驾驶员预警提醒指数，q为驾驶员驾驶时长，p为驾驶员情绪信息中的负面情绪变化值，ρ为驾驶员情绪信息中的负面情绪变化值的权重信息，k为驾驶员当前驾驶时长的调整项，l为驾驶员历史驾驶时长的负面情绪变化预估值的调整项，m为驾驶员历史驾驶时长的负面情绪变化预估值,σ为调整项，τ为驾驶员预警提醒指数的修正项。10.一种基于云平台的交通物流道路推荐系统，其特征在于，所述系统包括：至少一个处理器；以及，与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器能够执行如权利要求1至9中任意一项所述的一种基于云平台的交通物流道路推荐方法。

技术总结
本发明涉及云计算技术领域，尤其涉及一种基于云平台的交通物流道路推荐方法及系统。该方法包括以下步骤：采集驾驶员图像信息，并根据驾驶员图像信息进行识别，获取驾驶员历史驾驶信息并生成驾驶员基本状态信息；根据驾驶员历史驾驶信息以及驾驶员基本状态信息生成驾驶员行驶风险信息；获取道路基本信息，并根据道路基本信息以及驾驶员行驶风险信息构建道路交通预期模型；获取货物基础信息，并根据货物基础信息以及道路交通预期模型构建物流道路预期模型；获取物流历史基本信息，生成交通物流道路推荐信息。本发明通过构建道路交通模型，充分考虑共享路权的驾驶员信息，以提供耗时短的交通物流路线信息，提高交通物流运输效率。率。率。


技术研发人员：王淑芳 莫婉清 赵晓梅
受保护的技术使用者：深圳市春晖国际货运代理有限公司
技术研发日：2023.05.17
技术公布日：2023/8/28