一种超限运输违法监测分析与预警方法及系统

技术领域

本发明涉及运输数据处理技术领域，尤其涉及一种超限运输违法监测分析与预警方法及系统。

背景技术

超限运输违法监测分析与预警方法是指针对道路运输中的车辆超载、超限等违法行为，通过运用现代科技手段，进行监测、分析、预警和处置的方法体系。一些监测设备的性能有限，无法对所有类型的违法情况进行准确监测，尤其是对于一些潜在或者突发的运输违法情况无法有效识别。

发明内容

本发明为解决上述技术问题，提出了一种超限运输违法监测分析与预警方法及系统，以解决至少一个上述技术问题。

本申请提供了一种超限运输违法监测分析与预警方法，包括以下步骤：

步骤S1：获取交通运输基础数据，并对交通运输基础数据进行数据有效性筛选，从而获取交通运输数据；

步骤S2：对交通运输数据进行载重异常检测，从而获取载重异常检测数据；

步骤S3：获取历史交通运输数据，并根据历史交通运输数据对载重异常检测数据进行第一超限载重异常关联，从而获取第一超限载重异常数据，并根据预设的道路限载标准数据对载重异常检测数据进行第二超限载重异常关联，从而获取第二超限载重异常数据；

步骤S4：根据第一超限载重异常数据以及第二超限载重异常数据进行预警生成，从而获取超限运输违法监测预警数据。

本发明中通过历史数据的参考，对载重异常数据进行两次关联，可以准确地识别出第一和第二超限载重异常情况，降低了误报率，提高了预警的准确性。基于载重异常检测数据，能够实时地监测车辆的载重情况，及时发现超限运输违法行为，有助于采取相应措施。通过第一超限和第二超限载重异常数据，生成预警信息，能够提前通知交通管理部门或执法部门，以便及时处置超限运输违法行为，降低交通事故风险。通过数据筛选和准确的预警机制，可以使用户有针对性地采取措施，节省了人力物力资源，提高了工作效率。遵循预设的道路限载标准数据，能够确保超限运输活动符合法规，保障了道路交通的安全与通畅。

优选地，步骤S1具体为：

步骤S11：获取交通运输基础数据；

步骤S12：对交通运输基础数据进行交通运输数据清洗，从而获取交通运输清洗数据；

步骤S13：根据交通运输清洗数据进行时序交通场景识别分类，从而获取时序交通场景数据，其中时序交通场景数据包括特定时间点数据、车辆速度数据、车辆密度数据以及车辆道路状况数据，车辆密度数据包括高车辆密度数据以及低车辆密度数据，车辆道路状况数据包括拥堵道路状况数据以及顺畅道路状况数据；

步骤S14：根据时序交通场景数据对交通运输清洗数据进行交通异常值筛选，从而获取交通运输数据。

本发明中通过步骤S12中的交通运输数据清洗，可以排除无效或异常数据，提升了数据的准确性和可靠性。通过步骤S13中的时序交通场景识别分类，可以更精确地将交通运输数据分类到特定的交通场景中，有助于后续的分析和处理。通过步骤S14中的时序交通场景数据对交通运输数据进行异常值筛选，可以在特定场景下更精确地识别和排除异常数据，提高了异常检测的准确性。通过对异常数据的筛选，可以及时发现交通运输中的异常情况，有助于提前预警并采取相应措施，降低交通事故的风险。通过数据清洗和异常值筛选，可以排除无效数据，节省了资源的采集和处理成本，提高了数据利用效率。通过数据清洗和异常值筛选，可以确保交通运输活动符合法规，保障了道路交通的安全与通畅。

优选地，交通运输数据清洗通过交通运输数据清洗计算公式进行清洗，其中交通运输数据清洗计算公式具体为：

；

为交通运输清洗数据，/>

本发明构造了一种交通运输数据清洗计算公式，该计算公式通过对交通运输数据进行清洗和处理，可以消除异常值、修正数据、提取有用信息，从而得到更可靠、准确的交通运输数据，为后续分析和决策提供支持。通过对每个基础数据项

优选地，交通运输清洗数据包括单体交通运输清洗数据以及群体交通运输清洗数据，步骤S13具体为：

步骤S131：根据单体交通运输清洗数据进行时序交通运输特征数据提取，从而获取时序交通运输特征数据，其中时序交通运输特征数据包括时间间隔数据、速度变化率数据、载重变化率数据、停车时长数据以及加速度变化数据；

步骤S132：对群体交通运输清洗数据进行分布特征提取，从而获取群体交通运输分布特征数据；

步骤S133：对群体交通运输分布特征数据进行历史交通经验映射，从而获取交通运输场景类别数据；

步骤S134：根据交通运输场景类别数据对时序交通运输特征数据进行时序交通场景识别分类，从而获取时序交通场景数据，其中时序交通场景识别分类通过长短时记忆网络进行识别分类。

本发明中通过对单体交通运输清洗数据进行时序特征数据提取，可以获取丰富的时序特征信息，如时间间隔、速度变化率、载重变化率、停车时长和加速度变化，从而更全面地描述交通运输过程的动态变化。对群体交通运输清洗数据进行分布特征提取，获得群体运输的整体特征，以挖掘数据背后的统计规律，从而实现数据的深度处理。将群体交通运输分布特征数据映射到历史交通经验，可以通过历史数据来验证和评估当前的交通情况，提高了预测的准确性。通过长短时记忆网络（LSTM）进行时序场景识别分类，对交通运输数据进行更精细的分类，提高了场景识别的精度。采用了长短时记忆网络等深度学习技术，相比传统的方法，可以更好地处理时序数据，提高了识别和分类的效果。同时考虑了单体交通运输和群体交通运输的特征，从而综合利用了不同层次的数据，提供了更全面的信息。通过对不同类型的数据进行分层处理，可以有效提升数据处理的效率，使得分析和预测的过程更加高效。

优选地，步骤S14具体为：

步骤S141：根据时序交通场景数据进行交通参数映射，生成特定时序阈值设定数据；

步骤S142：利用特定时序阈值设定数据对交通运输清洗数据进行异常值筛选，从而获取交通运输筛选数据；

步骤S143：根据时序交通场景数据对交通运输筛选数据进行交通数据重建，从而获取交通运输数据。

本发明中通过根据时序交通场景数据进行交通参数映射，生成特定时序阈值设定数据，使得异常值的判定更具针对性，可以更准确地识别异常情况。利用特定时序阈值设定数据对交通运输清洗数据进行异常值筛选，能够更有效地排除掉异常数据，保证了数据的准确性和可信度。根据时序交通场景数据对筛选后的数据进行重建，可以还原出交通运输的原始数据，有助于进一步的分析和应用。通过对交通运输数据的重建，可以得到更全面的交通情况，包括各种交通参数的信息，有助于对交通状况进行全面的了解。通过一系列的处理步骤，包括异常值筛选和数据重建，可以提升交通运输数据的质量，保证了数据的准确性和可靠性。

优选地，载重异常检测数据包括规则载重异常检测数据以及车辆载重异常检测数据，步骤S2具体为：

步骤S21：根据交通运输数据对应的交通运输位置数据获取交通运输位置规则数据；

步骤S22：根据交通运输位置规则数据对交通运输数据进行规则载重异常检测，从而获取规则载重异常检测数据；

步骤S23：根据交通运输数据中的车辆图像数据进行车辆损伤检测，从而获取车辆损伤检测数据；

步骤S24：根据车辆损伤检测数据进行车辆行驶异常检测，从而获取车辆载重异常检测数据。

本发明中通过根据交通运输数据获取交通运输位置规则数据，结合位置信息和规则信息进行载重异常检测，使得检测更加全面和准确。利用交通运输位置规则数据进行规则载重异常检测，能够快速识别出存在的载重异常情况，提高了检测的效率。结合车辆图像数据进行车辆损伤检测，可以为载重异常检测提供额外的辅助信息，提升了检测的准确性。通过车辆损伤检测数据进行车辆行驶异常检测，可以进一步筛选出存在的载重异常情况，提高了检测的精度。将载重异常检测分为多个步骤，每个步骤都有特定的功能，相互之间形成了一种层次化的检测策略，提高了检测的准确性和效率。通过结合位置数据、图像数据和损伤检测数据，综合处理了不同类型的信息，使得检测更具全面性和准确性。通过多层次的检测策略和综合利用不同信息，可以降低误报率，提高了检测结果的可信度。

优选地，步骤S22中规则载重异常检测通过规则载重异常检测计算公式进行处理，其中规则载重异常检测计算公式具体为：

；

为规则载重异常检测数据，/>

本发明构造了一种规则载重异常检测计算公式，该计算公式用于评估交通运输过程中的载重情况是否符合规则或标准。其中

优选地，步骤S23中车辆损伤检测通过车辆损伤检测模型进行检测处理，其中车辆损伤检测模型的构建步骤具体为：

步骤S231：获取标准车辆图像数据以及标准车辆损伤标签数据；

步骤S232：对标准车辆图像数据进行二值化处理，从而获取标准车辆二值化图像数据；

步骤S233：对标准车辆二值化图像数据进行边缘检测，从而获取标准车辆边缘检测图像数据；

步骤S234：根据标准车辆边缘检测图像数据进行正态分布计算，从而获取标准车辆正态分布数据；

步骤S235：根据标准车辆损伤标签数据对标准车辆正态分布数据进行标注，从而获取车辆损伤检测模型。

本发明中通过获取标准车辆图像数据以及标准车辆损伤标签数据，建立了一个包含了标准图像和相应损伤信息的数据集，为模型训练提供了基础。通过对标准车辆图像数据进行二值化处理和边缘检测，对图像进行了预处理，使得图像中的损伤部分更加突出，有利于后续的特征提取。通过边缘检测获取标准车辆边缘检测图像数据，可以提取出车辆图像中的边缘信息，这是损伤检测的重要特征之一。基于标准车辆边缘检测图像数据进行正态分布计算，用于对损伤区域进行统计分析，提供了额外的特征信息。通过标准车辆损伤标签数据对正态分布数据进行标注，使得模型能够学习到损伤区域的特征，从而实现了车辆损伤检测模型的构建。相比于现有技术，避免了机器学习的复杂计算，同时通过边缘计算以及正态分布计算，将数据背后蕴含的深度数据进行提炼，以提供准确且可靠的粗指标数据，而非具体到某种指标数值层面的精细度较高数据，提高了实用性。

优选地，步骤S3具体为：

步骤S31：获取历史交通运输数据，其中历史交通运输数据包括常规历史交通运输数据以及异常历史交通运输数据；

步骤S32：根据常规历史交通运输数据以及异常历史交通运输数据对载重异常检测数据进行数据关联，从而获取常规关联交通运输数据以及异常关联交通运输数据；

步骤S33：对常规关联交通运输数据以及异常关联交通运输数据进行交通运输置信度计算，从而获取第一超限载重异常数据；

步骤S34：根据预设的道路限载标准数据对载重异常检测数据进行第二超限载重异常关联，从而获取第二超限载重异常数据。

本发明中通过获取常规历史交通运输数据和异常历史交通运输数据，将历史数据纳入考量，提升了载重异常检测的全面性和准确性。通过根据历史数据对载重异常检测数据进行关联，可以将当前的载重异常数据与历史数据进行比对，识别出存在的异常情况。对关联后的交通运输数据进行交通运输置信度计算，可以量化载重异常情况的可信度，提高了检测结果的可信度。通过预设的道路限载标准数据对载重异常检测数据进行第二超限载重异常关联，进一步提升了异常检测的准确性。引入第一超限和第二超限的概念，对超限情况进行了分级检测，能够更准确地判定超限情况的严重程度。通过综合利用历史数据、置信度计算以及超限标准数据，使得异常检测更具准确性和可靠性。

优选地，本发明还提供了一种超限运输违法监测分析与预警系统，用于执行如上所述的超限运输违法监测分析与预警方法，该超限运输违法监测分析与预警系统包括：

交通数据有效性筛选模块，用于获取交通运输基础数据，并对交通运输基础数据进行数据有效性筛选，从而获取交通运输数据；

载重异常检测模块，用于对交通运输数据进行载重异常检测，从而获取载重异常检测数据；

超限载重异常关联模块，用于获取历史交通运输数据，并根据历史交通运输数据对载重异常检测数据进行第一超限载重异常关联，从而获取第一超限载重异常数据，并根据预设的道路限载标准数据对载重异常检测数据进行第二超限载重异常关联，从而获取第二超限载重异常数据；

预警生成模块，用于根据第一超限载重异常数据以及第二超限载重异常数据进行预警生成，从而获取超限运输违法监测预警数据。

本发明的有益效果在于：在获取交通运输基础数据时，进行了数据有效性筛选，排除了无效或异常数据，确保了后续分析的数据质量，提高了分析的准确性。采用了先进的载重异常检测技术，通过对交通运输数据进行分析和处理，准确识别出载重异常情况，避免了传统方法中的漏报和误报问题。通过引入历史交通运输数据，对载重异常检测数据进行第一超限和第二超限的关联分析，实现了对异常情况的多层次、全方位检测。这样做可以提高异常情况的准确性和可信度。采用了预设的道路限载标准数据，对载重异常检测数据进行了第二超限载重异常关联分析，从而进一步提高了异常检测的精度。基于第一超限和第二超限载重异常数据，通过生成超限运输违法监测预警数据，使得监测系统能够及时发现并报警超限运输情况，有力地提升了违法行为的查处效率。通过全面监测和预警系统的建立，可以有效降低超限运输违法的发生频率，提升了道路交通安全水平。减少了超限运输所导致的交通拥堵和事故风险，优化了道路交通资源的利用，对于城市交通规划和资源调配具有积极的推动作用。

附图说明

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，本申请的其它特征、目的和优点将会变得更明显：

图1示出了一实施例的超限运输违法监测分析与预警方法的步骤流程图；

图2示出了一实施例的步骤S1的步骤流程图；

图3示出了一实施例的步骤S13的步骤流程图；

图4示出了一实施例的步骤S14的步骤流程图；

图5示出了一实施例的步骤S2的步骤流程图。

具体实施方式

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。

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。

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。

请参阅图1至图5，本申请提供了一种超限运输违法监测分析与预警方法，包括以下步骤：

步骤S1：获取交通运输基础数据，并对交通运输基础数据进行数据有效性筛选，从而获取交通运输数据；

具体地，例如GPS定位技术：使用全球卫星定位系统（如GPS、GLONASS等）获取车辆的经纬度坐标。传感器技术：包括速度传感器、载重传感器等，用于获取车辆的速度和载重情况。车载终端设备：安装在车辆上的设备，用于数据采集、传输和处理。数据通信技术：用于将采集到的数据传输至后台服务器，常用的有4G/5G通信技术。

具体地，例如对数据采集设备进行设备检测，从而获取设备检测数据，根据设备检测数据对交通运输基础数据进行筛选，从而获取交通运输数据，如根据传感器的使用损耗对交通运输基础数据进行调整，从而获取交通运输数据。

步骤S2：对交通运输数据进行载重异常检测，从而获取载重异常检测数据；

具体地，例如载重传感器：安装在车辆上的传感器，实时监测货物的重量。数据处理算法：采用统计学方法或机器学习算法，分析载重数据，识别出异常情况。阈值设定：根据历史数据或道路限载标准，设置合适的阈值进行异常检测。

步骤S3：获取历史交通运输数据，并根据历史交通运输数据对载重异常检测数据进行第一超限载重异常关联，从而获取第一超限载重异常数据，并根据预设的道路限载标准数据对载重异常检测数据进行第二超限载重异常关联，从而获取第二超限载重异常数据；

具体地，例如系统将历史运输数据与载重异常检测数据关联起来。例如，系统通过匹配时间和位置信息，将载重异常检测数据与历史运输数据中的对应运输事件关联起来。在关联完成后，系统得到了第一超限载重异常数据，其中包括了哪些运输事件发生了载重异常以及其具体情况。事先设定了道路的载重限制标准，根据当地法规或道路特性来确定。通过比较载重异常数据与预设的道路限载标准数据，系统确定了哪些运输事件的载重异常超过了道路的限制，从而得到了第二超限载重异常数据，其中包括了哪些运输事件因载重超限而违反了道路规定。

步骤S4：根据第一超限载重异常数据以及第二超限载重异常数据进行预警生成，从而获取超限运输违法监测预警数据。

具体地，例如数据分析：利用历史数据和实时数据，采用统计分析、机器学习等方法进行数据处理。预测模型：建立预测模型，例如逻辑回归、神经网络等，用于预测超限运输情况。预警系统：根据预测结果生成预警信息，并通过短信、邮件等方式通知相关部门或者驾驶员。

具体地，例如：日期：2022年9月15日，时间：14:00，车牌号：国A12345，载重：15吨，车速：60公里/小时，GPS坐标：(39.9042°N,116.4074°E)，经过载重传感器检测，发现车辆载重异常；检索历史数据，发现相似日期和时间的运输记录；对比相似记录，发现有多条运输记录的载重超过了预设的阈值；根据预设的道路限载标准，确认车辆所在道路的限载为10吨，此时15吨的载重超过了限制；生成超限运输违法监测预警数据：预警类型：超限运输，预警内容：车牌号为国A12345的卡车在2022年9月15日14:00进行运输时，载重超限，超过道路限载标准。

本发明中通过历史数据的参考，对载重异常数据进行两次关联，可以准确地识别出第一和第二超限载重异常情况，降低了误报率，提高了预警的准确性。基于载重异常检测数据，能够实时地监测车辆的载重情况，及时发现超限运输违法行为，有助于采取相应措施。通过第一超限和第二超限载重异常数据，生成预警信息，能够提前通知交通管理部门或执法部门，以便及时处置超限运输违法行为，降低交通事故风险。通过数据筛选和准确的预警机制，可以使用户有针对性地采取措施，节省了人力物力资源，提高了工作效率。遵循预设的道路限载标准数据，能够确保超限运输活动符合法规，保障了道路交通的安全与通畅。

优选地，步骤S1具体为：

步骤S11：获取交通运输基础数据；

具体地，例如GPS定位装置：安装在车辆上，用于实时获取车辆的位置信息，包括经度和纬度坐标。传感器技术：速度传感器、载重传感器等，用于获取车辆的速度、载重等基础数据。车载终端设备：用于数据采集和传输，通常包括处理器、存储设备等。

步骤S12：对交通运输基础数据进行交通运输数据清洗，从而获取交通运输清洗数据；

具体地，例如数据异常检测算法：利用统计学方法或者机器学习算法，识别和处理异常数据点。数据滤波器：使用滤波器技术，去除数据中的噪声和干扰。数据规范化处理：将数据转化为统一的格式，方便后续处理和分析。

步骤S13：根据交通运输清洗数据进行时序交通场景识别分类，从而获取时序交通场景数据，其中时序交通场景数据包括特定时间点数据、车辆速度数据、车辆密度数据以及车辆道路状况数据，车辆密度数据包括高车辆密度数据以及低车辆密度数据，车辆道路状况数据包括拥堵道路状况数据以及顺畅道路状况数据；

具体地，例如场景分类：根据模型的输出结果，对时序数据进行场景分类，包括特定时间点数据、车辆速度数据、车辆密度数据和车辆道路状况数据。时序交通场景数据：存储识别到的时序交通场景数据，包括时间戳、车辆速度、车辆密度、道路状况等。细分数据：将车辆密度数据细分为高车辆密度和低车辆密度，将道路状况数据细分为拥堵和顺畅。交通流分析：利用存储的时序数据进行交通流分析，识别高密度和低密度的交通场景，以及拥堵和顺畅的道路状况。

具体地，例如机器学习算法：例如循环神经网络（RNN）或卷积神经网络（CNN），用于对时序数据进行分类。特征工程：提取时序数据中的特征，如时间间隔、速度变化率等，作为分类的依据。训练模型：利用标注好的数据集，训练模型以实现时序场景分类。

步骤S14：根据时序交通场景数据对交通运输清洗数据进行交通异常值筛选，从而获取交通运输数据。

具体地，例如机器学习算法：例如循环神经网络（RNN）或卷积神经网络（CNN），用于对时序数据进行分类。特征工程：提取时序数据中的特征，如时间间隔、速度变化率等，作为分类的依据。训练模型：利用标注好的数据集，训练模型以实现时序场景分类。

本发明中通过步骤S12中的交通运输数据清洗，可以排除无效或异常数据，提升了数据的准确性和可靠性。通过步骤S13中的时序交通场景识别分类，可以更精确地将交通运输数据分类到特定的交通场景中，有助于后续的分析和处理。通过步骤S14中的时序交通场景数据对交通运输数据进行异常值筛选，可以在特定场景下更精确地识别和排除异常数据，提高了异常检测的准确性。通过对异常数据的筛选，可以及时发现交通运输中的异常情况，有助于提前预警并采取相应措施，降低交通事故的风险。通过数据清洗和异常值筛选，可以排除无效数据，节省了资源的采集和处理成本，提高了数据利用效率。通过数据清洗和异常值筛选，可以确保交通运输活动符合法规，保障了道路交通的安全与通畅。

优选地，交通运输数据清洗通过交通运输数据清洗计算公式进行清洗，其中交通运输数据清洗计算公式具体为：

；

为交通运输清洗数据，/>

本发明构造了一种交通运输数据清洗计算公式，该计算公式通过对交通运输数据进行清洗和处理，可以消除异常值、修正数据、提取有用信息，从而得到更可靠、准确的交通运输数据，为后续分析和决策提供支持。通过对每个基础数据项

优选地，交通运输清洗数据包括单体交通运输清洗数据以及群体交通运输清洗数据，步骤S13具体为：

步骤S131：根据单体交通运输清洗数据进行时序交通运输特征数据提取，从而获取时序交通运输特征数据，其中时序交通运输特征数据包括时间间隔数据、速度变化率数据、载重变化率数据、停车时长数据以及加速度变化数据；

具体地，例如利用GPS数据时间戳，计算相邻时间戳之间的差值。利用GPS数据中的速度信息，计算相邻时刻速度的变化率。结合载重传感器数据，计算相邻时刻载重的变化率。分析速度数据，识别速度为零的时间段。基于速度数据，计算相邻时刻的加速度。

步骤S132：对群体交通运输清洗数据进行分布特征提取，从而获取群体交通运输分布特征数据；

具体地，例如利用群体数据的统计信息，如平均值、方差等，描述群体的分布特征。

步骤S133：对群体交通运输分布特征数据进行历史交通经验映射，从而获取交通运输场景类别数据；

具体地，例如利用历史数据对群体特征进行映射，建立历史经验模型。如获取大量历史交通运输数据，这些数据记录了不同交通运输场景下的特征信息以及所属的交通运输场景类别。通过利用机器学习或统计分析等方法，预先建立了一个历史经验模型，这个模型可以根据特征数据，预测其所属的交通运输场景类别，将群体交通运输分布特征数据输入到历史经验模型中，模型会根据历史经验，将特征数据映射到相应的交通运输场景类别。经过映射后，系统得到了一组交通运输场景类别数据，这些数据表明了每个特征数据所属的交通运输场景类别。

步骤S134：根据交通运输场景类别数据对时序交通运输特征数据进行时序交通场景识别分类，从而获取时序交通场景数据，其中时序交通场景识别分类通过长短时记忆网络进行识别分类。

具体地，例如使用LSTM网络对时序特征数据进行训练和分类，识别不同的交通场景。如使用一个包含1000个样本的数据集进行训练和测试，每个样本包括10个时序特征，共有5个不同的交通运输场景类别。系统构建一个包含两层LSTM层和一个全连接层的神经网络模型，其中隐藏层的节点数为32。在训练过程中，系统使用交叉熵损失函数和随机梯度下降（SGD）优化器来最小化损失函数。经过多轮训练后，模型在测试集上达到了90%的准确率，表明它能够有效地识别不同的交通运输场景。

本发明中通过对单体交通运输清洗数据进行时序特征数据提取，可以获取丰富的时序特征信息，如时间间隔、速度变化率、载重变化率、停车时长和加速度变化，从而更全面地描述交通运输过程的动态变化。对群体交通运输清洗数据进行分布特征提取，获得群体运输的整体特征，以挖掘数据背后的统计规律，从而实现数据的深度处理。将群体交通运输分布特征数据映射到历史交通经验，可以通过历史数据来验证和评估当前的交通情况，提高了预测的准确性。通过长短时记忆网络（LSTM）进行时序场景识别分类，对交通运输数据进行更精细的分类，提高了场景识别的精度。采用了长短时记忆网络等深度学习技术，相比传统的方法，可以更好地处理时序数据，提高了识别和分类的效果。同时考虑了单体交通运输和群体交通运输的特征，从而综合利用了不同层次的数据，提供了更全面的信息。通过对不同类型的数据进行分层处理，可以有效提升数据处理的效率，使得分析和预测的过程更加高效。

优选地，步骤S14具体为：

步骤S141：根据时序交通场景数据进行交通参数映射，生成特定时序阈值设定数据；

具体地，例如利用时序交通场景数据，将场景特征映射到对应的交通参数范围，如速度、载重等。基于历史数据或者领域专家经验，设定特定时序下的阈值，用于异常值检测。

步骤S142：利用特定时序阈值设定数据对交通运输清洗数据进行异常值筛选，从而获取交通运输筛选数据；

具体地，例如将交通运输清洗数据与设定的特定时序阈值进行比较，识别超出阈值的数据点。

步骤S143：根据时序交通场景数据对交通运输筛选数据进行交通数据重建，从而获取交通运输数据。

具体地，例如利用时序交通场景数据和筛选后的数据，重建完整的交通运输数据。

本发明中通过根据时序交通场景数据进行交通参数映射，生成特定时序阈值设定数据，使得异常值的判定更具针对性，可以更准确地识别异常情况。利用特定时序阈值设定数据对交通运输清洗数据进行异常值筛选，能够更有效地排除掉异常数据，保证了数据的准确性和可信度。根据时序交通场景数据对筛选后的数据进行重建，可以还原出交通运输的原始数据，有助于进一步的分析和应用。通过对交通运输数据的重建，可以得到更全面的交通情况，包括各种交通参数的信息，有助于对交通状况进行全面的了解。通过一系列的处理步骤，包括异常值筛选和数据重建，可以提升交通运输数据的质量，保证了数据的准确性和可靠性。

优选地，载重异常检测数据包括规则载重异常检测数据以及车辆载重异常检测数据，步骤S2具体为：

步骤S21：根据交通运输数据对应的交通运输位置数据获取交通运输位置规则数据；

具体地，例如使用全球定位系统（GPS）等技术，获取交通运输车辆的精确位置信息。

步骤S22：根据交通运输位置规则数据对交通运输数据进行规则载重异常检测，从而获取规则载重异常检测数据；

具体地，例如根据交通运输位置规则数据，设定针对不同位置的载重阈值。利用载重传感器等装置获取实时载重数据，与规则进行比对，识别是否存在异常。如一段高速公路，根据交通运输位置规则数据，将这段公路分为三个区段：起始区段、中间区段和结束区段。每个区段对应着不同的路况和交通条件。起始区段：根据历史数据分析，在起始区段通常会有很多车辆进入高速公路，因此载重会略高于其他区段，系统根据这一规律设定一个相对较高的载重阈值，例如15000千克。中间区段：在中间区段，车辆的速度会更加稳定，因此可以将载重阈值设置在一个中等水平，系统将载重阈值设定为12000千克。结束区段：在结束区段，车辆会减速或者进行出口操作，因此载重会再次略高于中间区段，系统将载重阈值设定在13000千克左右。根据这样设定的规则载重阈值，针对不同区段对交通运输数据进行载重异常检测，从而获取规则载重异常检测数据。如果某辆车的载重超过了设定的阈值，就可以被标记为载重异常。

步骤S23：根据交通运输数据中的车辆图像数据进行车辆损伤检测，从而获取车辆损伤检测数据；

具体地，例如使用图像处理技术，对车辆图像进行预处理，提取有用信息。利用深度学习或传统计算机视觉算法，构建车辆损伤检测模型。如对车辆图像进行二值化处理，从而获取二值化车辆图像数据，对二值化车辆图像数据进行统计分布处理，从而获取车辆图像统计特征数据，利用预设的车辆损伤检测模型对车辆图像统计特征数据进行识别计算，从而获取车辆损伤检测数据，其中车辆损伤检测模型为根据标准车辆图像数据进行二值化、统计特征提取并根据预设的车辆损伤标签进行标注的经验模型，或者根据标准车辆图像数据进行机器学习训练生成的，标准车辆图像数据为预设的数据库中的训练数据集。

步骤S24：根据车辆损伤检测数据进行车辆行驶异常检测，从而获取车辆载重异常检测数据。

具体地，例如利用车载传感器等设备，获取车辆行驶时的数据，如速度、加速度等。使用机器学习或统计方法，分析行驶数据，识别是否存在异常行为。例如，假设在训练阶段，模型学习到正常行驶状态的平均速度为60km/h，最大加速度为3m/s²，行驶距离为100km。如果实时监测到某辆车的平均速度超过80km/h，加速度超过5m/s²，行驶距离只有50km，那么就会被判定为异常行为。

本发明中通过根据交通运输数据获取交通运输位置规则数据，结合位置信息和规则信息进行载重异常检测，使得检测更加全面和准确。利用交通运输位置规则数据进行规则载重异常检测，能够快速识别出存在的载重异常情况，提高了检测的效率。结合车辆图像数据进行车辆损伤检测，可以为载重异常检测提供额外的辅助信息，提升了检测的准确性。通过车辆损伤检测数据进行车辆行驶异常检测，可以进一步筛选出存在的载重异常情况，提高了检测的精度。将载重异常检测分为多个步骤，每个步骤都有特定的功能，相互之间形成了一种层次化的检测策略，提高了检测的准确性和效率。通过结合位置数据、图像数据和损伤检测数据，综合处理了不同类型的信息，使得检测更具全面性和准确性。通过多层次的检测策略和综合利用不同信息，可以降低误报率，提高了检测结果的可信度。

优选地，步骤S22中规则载重异常检测通过规则载重异常检测计算公式进行处理，其中规则载重异常检测计算公式具体为：

；

为规则载重异常检测数据，/>

本发明构造了一种规则载重异常检测计算公式，该计算公式用于评估交通运输过程中的载重情况是否符合规则或标准。其中

优选地，步骤S23中车辆损伤检测通过车辆损伤检测模型进行检测处理，其中车辆损伤检测模型的构建步骤具体为：

步骤S231：获取标准车辆图像数据以及标准车辆损伤标签数据；

具体地，例如使用高分辨率相机或者专业的车载摄像头，对标准车辆进行拍摄，以获取图像数据。对损伤区域进行标注，可以使用标注工具或者软件。

步骤S232：对标准车辆图像数据进行二值化处理，从而获取标准车辆二值化图像数据；

具体地，例如应用图像处理算法如OTSU、自适应阈值等，将标准车辆图像转化为二值图像，突出损伤部位。

步骤S233：对标准车辆二值化图像数据进行边缘检测，从而获取标准车辆边缘检测图像数据；

具体地，例如使用Canny、Sobel等图像处理算法，检测出图像中的边缘信息，以突出损伤部位的轮廓。

步骤S234：根据标准车辆边缘检测图像数据进行正态分布计算，从而获取标准车辆正态分布数据；

具体地，例如基于标准车辆边缘检测图像数据，利用统计方法计算出正态分布的均值和标准差。

步骤S235：根据标准车辆损伤标签数据对标准车辆正态分布数据进行标注，从而获取车辆损伤检测模型。

具体地，例如根据损伤标签数据，将正态分布数据中与损伤相关的部分进行标注，形成训练集或者车辆损伤检测模型。可以进行下一步的机器学习训练，也可以直接用于进行损伤检测。

本发明中通过获取标准车辆图像数据以及标准车辆损伤标签数据，建立了一个包含了标准图像和相应损伤信息的数据集，为模型训练提供了基础。通过对标准车辆图像数据进行二值化处理和边缘检测，对图像进行了预处理，使得图像中的损伤部分更加突出，有利于后续的特征提取。通过边缘检测获取标准车辆边缘检测图像数据，可以提取出车辆图像中的边缘信息，这是损伤检测的重要特征之一。基于标准车辆边缘检测图像数据进行正态分布计算，用于对损伤区域进行统计分析，提供了额外的特征信息。通过标准车辆损伤标签数据对正态分布数据进行标注，使得模型能够学习到损伤区域的特征，从而实现了车辆损伤检测模型的构建。相比于现有技术，避免了机器学习的复杂计算，同时通过边缘计算以及正态分布计算，将数据背后蕴含的深度数据进行提炼，以提供准确且可靠的粗指标数据，而非具体到某种指标数值层面的精细度较高数据，提高了实用性。

优选地，步骤S3具体为：

步骤S31：获取历史交通运输数据，其中历史交通运输数据包括常规历史交通运输数据以及异常历史交通运输数据；

具体地，例如获取交通部门、运输公司或相关机构提供的历史交通运输记录，包括车辆行驶轨迹、载重情况等数据。

步骤S32：根据常规历史交通运输数据以及异常历史交通运输数据对载重异常检测数据进行数据关联，从而获取常规关联交通运输数据以及异常关联交通运输数据；

具体地，例如使用数据关联算法如KNN、关联规则挖掘等，将载重异常检测数据与常规和异常历史运输数据进行关联，找到相关联的数据。常规历史交通运输数据：记录1:车牌号-国A123,载重-10吨,路线-A地到B地,时间-2022年9月10日，记录2:车牌号-国B456,载重-12吨,路线-B地到C地,时间-2022年9月12日，记录3:车牌号-国C789,载重-9吨,路线-A地到C地,时间-2022年9月14日；异常历史交通运输数据：记录4:车牌号-国X111,载重-20吨,路线-D地到E地,时间-2022年9月11日，记录5:车牌号-国Y222,载重-18吨,路线-B地到F地,时间-2022年9月13日，记录6:车牌号-国Z333,载重-22吨,路线-C地到G地,时间-2022年9月15日；检测记录:车牌号-国A123,载重-15吨,路线-A地到B地,时间-2022年9月16日；使用数据关联算法如KNN或关联规则挖掘，系统通过匹配车牌号、载重、路线等关键信息，将检测记录与历史数据进行关联。得到的结果：常规关联交通运输数据：记录1:车牌号-国A123,载重-10吨,路线-A地到B地,时间-2022年9月10日；异常关联交通运输数据：记录6:车牌号-国Z333,载重-22吨,路线-C地到G地,时间-2022年9月15日，系统将载重异常检测数据与历史数据进行了关联，找到了常规关联交通运输数据以及异常关联交通运输数据。

步骤S33：对常规关联交通运输数据以及异常关联交通运输数据进行交通运输置信度计算，从而获取第一超限载重异常数据；

具体地，例如利用统计学方法或机器学习模型，对关联的常规和异常运输数据进行置信度计算，识别第一超限载重异常数据。如常规关联交通运输数据和异常关联交通运输数据中包含了许多特征，如载重、速度、时间等。可以使用统计学方法或者机器学习模型来计算置信度。如系统采用机器学习模型，使用支持向量机（SVM）来训练一个分类器，该分类器可以根据特征来区分正常运输数据和异常运输数据。训练数据集：将常规关联交通运输数据和异常关联交通运输数据作为训练集，提取相应的特征（如载重、速度等）作为输入，将其标记为正常或异常。训练模型：使用SVM或其他分类算法训练一个分类模型，使其能够准确地区分正常数据和异常数据。置信度计算：对于每条关联的运输数据，将其输入到训练好的模型中，得到一个置信度分数。置信度分数越高，表示该运输数据越是异常数据。设定阈值：根据实际需求，可以设定一个阈值，高于该阈值的数据将被判定为第一超限载重异常数据。

步骤S34：根据预设的道路限载标准数据对载重异常检测数据进行第二超限载重异常关联，从而获取第二超限载重异常数据。

具体地，例如制定或获取针对不同道路类型的限载标准，包括桥梁、隧道等，以便进行比对。将载重异常检测数据与预设的道路限载标准进行比对，识别第二超限载重异常数据。如将载重异常检测数据与预设的道路限载标准进行比对。例如，如果某条运输数据经过一座桥梁，就需要将其与桥梁的限载标准进行比对。举例：假设某桥梁的限载为10吨，而某条运输数据的载重为12吨，那么就可以判定该运输数据存在第二超限载重异常。

本发明中通过获取常规历史交通运输数据和异常历史交通运输数据，将历史数据纳入考量，提升了载重异常检测的全面性和准确性。通过根据历史数据对载重异常检测数据进行关联，可以将当前的载重异常数据与历史数据进行比对，识别出存在的异常情况。对关联后的交通运输数据进行交通运输置信度计算，可以量化载重异常情况的可信度，提高了检测结果的可信度。通过预设的道路限载标准数据对载重异常检测数据进行第二超限载重异常关联，进一步提升了异常检测的准确性。引入第一超限和第二超限的概念，对超限情况进行了分级检测，能够更准确地判定超限情况的严重程度。通过综合利用历史数据、置信度计算以及超限标准数据，使得异常检测更具准确性和可靠性。

优选地，本发明还提供了一种超限运输违法监测分析与预警系统，用于执行如上所述的超限运输违法监测分析与预警方法，该超限运输违法监测分析与预警系统包括：

交通数据有效性筛选模块，用于获取交通运输基础数据，并对交通运输基础数据进行数据有效性筛选，从而获取交通运输数据；

载重异常检测模块，用于对交通运输数据进行载重异常检测，从而获取载重异常检测数据；

超限载重异常关联模块，用于获取历史交通运输数据，并根据历史交通运输数据对载重异常检测数据进行第一超限载重异常关联，从而获取第一超限载重异常数据，并根据预设的道路限载标准数据对载重异常检测数据进行第二超限载重异常关联，从而获取第二超限载重异常数据；

预警生成模块，用于根据第一超限载重异常数据以及第二超限载重异常数据进行预警生成，从而获取超限运输违法监测预警数据。

在获取交通运输基础数据时，进行了数据有效性筛选，排除了无效或异常数据，确保了后续分析的数据质量，提高了分析的准确性。采用了先进的载重异常检测技术，通过对交通运输数据进行分析和处理，准确识别出载重异常情况，避免了传统方法中的漏报和误报问题。通过引入历史交通运输数据，对载重异常检测数据进行第一超限和第二超限的关联分析，实现了对异常情况的多层次、全方位检测。这样做可以提高异常情况的准确性和可信度。采用了预设的道路限载标准数据，对载重异常检测数据进行了第二超限载重异常关联分析，从而进一步提高了异常检测的精度。基于第一超限和第二超限载重异常数据，通过生成超限运输违法监测预警数据，使得监测系统能够及时发现并报警超限运输情况，有力地提升了违法行为的查处效率。通过全面监测和预警系统的建立，可以有效降低超限运输违法的发生频率，提升了道路交通安全水平。减少了超限运输所导致的交通拥堵和事故风险，优化了道路交通资源的利用，对于城市交通规划和资源调配具有积极的推动作用。

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申请文件而不是上述说明限定，因此旨在将落在申请文件的等同要件的含义和范围内的所有变化涵括在本发明内。

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。