基于GPS与双流深度学习的货车运输风险行为实时监测方法

本发明公开了基于GPS与双流深度学习的货车运输风险行为实时监测方法，基于GPS与双流深度学习的货车运输风险行为实时监测方法，首先在预处理层基于卡尔曼滤波等方法进行实时的轨迹去噪，排除非倒卖盗卖行为所导致的轨迹噪点，同时保留异常停留点、绕行路径行为特征；然后通过深度学习的卷积神经网络从时间序列中提取局部异常区，进行风险的监测，并通过CNN‑Transformer双流网络架构，利用1D‑CNN捕提取局部轨迹片段中的高频异常模式，结合Transformer的自注意力机制建模车辆的长周期行为规律；最后通过机器学习的聚类算法，识别高风险倒卖盗卖风险行为的轨迹段。本发明通过“轻量化数据+轻量化算法”设计，实现低成本、高效率的异常行为检测。