技術(shù)特征：

1.一種到港航班行李狀態(tài)自動獲取的方法，其特征在于，包括以下步驟：

步驟1，基于特征識別算法對行李車軌跡進(jìn)行聚類，得到分別與每個停機(jī)位對應(yīng)的軌跡聚類集合；具體包括：

步驟1.1，獲取N個行李車歷史原始軌跡序列；其中，每個所述行李車歷史原始軌跡序列為一輛行李車從進(jìn)入停機(jī)坪到駛出停機(jī)坪的軌跡序列，所述軌跡序列由多個軌跡點(diǎn)表示，每個所述軌跡點(diǎn)為四維數(shù)據(jù)，表示為：R_ij＝{(t_ij,x_ij,y_ij,a_ij},i∈[1,N],j∈[1,C_i]；其中，R_ij為四維數(shù)據(jù)形式的軌跡點(diǎn)；C_i為第i輛行李車的軌跡點(diǎn)數(shù)；N為行李車樣本總數(shù)；t_ij為第i輛行李車在第j個軌跡序號位置的時間；x_ij為第i輛行李車在第j個軌跡序號位置的經(jīng)度位置值；y_ij為第i輛行李車在第j個軌跡序號位置的緯度位置值；a_ij為第i輛行李車在第j個軌跡序號位置的加速度值；

步驟1.2，對于每個所述行李車歷史原始軌跡序列，按軌跡序號依次連接各個軌跡點(diǎn)，得到一條行李車歷史原始軌跡線；

步驟1.3，對每個所述行李車歷史原始軌跡線進(jìn)行特征識別定位，在行李車歷史原始軌跡線中定位到同時滿足以下5個約束條件的某段軌跡線作為停車特征軌跡線：

條件1：abs(a_i(t_j))＜＝T_abs(a)

條件2：var[a_i(t₁),a_i(t₂),...a_i(t_m)]＜＝T_var(a)

條件3：var[(x_i(t₁),y_i(t₁)),(x_i(t₂),y_i(t₂)),...(x_i(t_m),y_i(t_m))]＜＝T_var(xy)

條件4：

條件5：t_m-t₁＞＝T_work

其中：

i∈[1,N],j∈[1,m],q∈[1,Q]；

Q為停機(jī)坪的停機(jī)位總數(shù)；m為停車特征軌跡線的采樣軌跡點(diǎn)數(shù)；

abs(a_i(t_j))代表停車特征軌跡線每一個采樣軌跡點(diǎn)的加速度值的絕對值；其中，a_i(t_j)代表時間為t_j的采樣軌跡點(diǎn)的加速度值；

T_abs(a)代表加速度閾值的極大值；

var[a_i(t₁)，a_i(t₂)，...a_i(t_m)]代表停車特征軌跡線的m個采樣軌跡點(diǎn)的加速度值的方差值；

T_var(a)代表加速度方差閾值的極大值；

var[(x_i(t₁)，y_i(t₁))，(x_i(t₂)，y_i(t₂))，...(x_i(t_m)，y_i(t_m))]代表停車特征軌跡線的m個采樣軌跡點(diǎn)的經(jīng)緯度值的方差值；

T_var(xy)代表經(jīng)緯度方差閾值的極大值；

代表停車特征軌跡線的m個采樣軌跡點(diǎn)的經(jīng)度平均值；

Q_q(x)代表最近停機(jī)位q的經(jīng)度值；

代表停車特征軌跡線的m個采樣軌跡點(diǎn)的緯度平均值；

Q_q(y)代表最近停機(jī)位q的緯度值；

T_dist代表停車特征軌跡線的幾何中心位置與停機(jī)位距離之間的裝載作業(yè)距離的極大值；

t_m-t₁代表停車特征軌跡線的終點(diǎn)軌跡點(diǎn)時間與起點(diǎn)軌跡點(diǎn)時間之差；

T_work代表持續(xù)時間長度的極小值；

步驟1.4，對于定位到的所述停車特征軌跡線，進(jìn)一步定位到停車特征軌跡線的中心位置，然后，以中心位置為圓心，以預(yù)設(shè)定的半徑R值為半徑畫圓，該圓與行李車歷史原始軌跡線相交于兩點(diǎn)，分別記為起點(diǎn)P1和終點(diǎn)P2；

起點(diǎn)P1到終點(diǎn)P2之間的行李車歷史原始軌跡線即形成與最近停機(jī)位q對應(yīng)的停機(jī)位附近特征軌跡線；

步驟1.5，由此共得到N個停機(jī)位附近特征軌跡線；每個停機(jī)位附近特征軌跡線與某個最近停機(jī)位對應(yīng)；

將停機(jī)位附近特征軌跡線作為目標(biāo)軌跡線，在得到的所有目標(biāo)軌跡線中，選擇M條目標(biāo)軌跡線作為M個類的初始特征代表T_i,i∈[1,M]；

步驟1.6，依次計(jì)算每個目標(biāo)軌跡線到M個初始特征代表的軌跡相似度，將符合軌跡相似度閾值的目標(biāo)軌跡線歸屬到最相似特征代表所屬的類Cluster_i,i∈[1,M]；

步驟1.7，對類Cluster_i的特征代表進(jìn)行更新，更新方法為：對于類內(nèi)多條目標(biāo)軌跡線，選擇與其他目標(biāo)軌跡線平均相似度最高的某條目標(biāo)軌跡線作為新的特征代表D_i；

步驟1.8，重復(fù)步驟1.6和步驟1.7，直到所有目標(biāo)軌跡線的歸屬、類的特征代表不再變化；由此得到每個聚類的最終特征代表，每個聚類的最終特征代表唯一對應(yīng)一個停機(jī)位；

步驟2，當(dāng)需要自動獲取到港航班行李狀態(tài)時，對于停機(jī)坪上的每個行李車，從行李車進(jìn)入停機(jī)坪開始，實(shí)時獲得行李車軌跡點(diǎn)，并實(shí)時分析已獲取到的行李車軌跡點(diǎn)的特征，一旦識別到該行李車出現(xiàn)符合步驟1.3中的5個約束條件的停車特征軌跡線時，對識別到的停車特征軌跡線進(jìn)行處理，得到對應(yīng)的目標(biāo)軌跡線；然后，基于預(yù)設(shè)定的軌跡相似度比對算法，得到該目標(biāo)軌跡線所歸屬的聚類，進(jìn)而識別到該聚類所對應(yīng)的停機(jī)位，從而識別到該行李車所對應(yīng)的目標(biāo)停機(jī)位；

結(jié)合目標(biāo)停機(jī)位的航班信息，可推算到目標(biāo)停機(jī)位當(dāng)前?？康娘w機(jī)中的行李已轉(zhuǎn)移到對應(yīng)的行李車，同時，停車特征軌跡線的終點(diǎn)所對應(yīng)的時間即作為行李裝載結(jié)束的時間點(diǎn)；

步驟3，從行李裝載結(jié)束的時間點(diǎn)開始，繼續(xù)實(shí)時獲取行李車位置信息，直到達(dá)到行李分揀區(qū)；其中，行李車位置信息即為追蹤到的對應(yīng)航班行李實(shí)時信息，進(jìn)而實(shí)現(xiàn)航班行李信息實(shí)時自動追蹤的目的。

2.根據(jù)權(quán)利要求1所述的到港航班行李狀態(tài)自動獲取的方法，其特征在于，步驟2中，在得到行李裝載結(jié)束的時間點(diǎn)后，還包括：

步驟4，預(yù)測到港行李進(jìn)入分揀區(qū)的時間。

3.根據(jù)權(quán)利要求2所述的到港航班行李狀態(tài)自動獲取的方法，其特征在于，步驟4中，預(yù)測到港行李進(jìn)入分揀區(qū)的時間，具體包括以下步驟：

采用靜態(tài)時間預(yù)估方法，即：

對海量行李車歷史軌跡序列進(jìn)行分析，獲取每個停機(jī)位到分揀區(qū)的經(jīng)驗(yàn)路線，然后，根據(jù)行李車在駛向停機(jī)位的過程中的行車速度，推算到從停機(jī)位駛向分揀區(qū)的行車速度；采用經(jīng)驗(yàn)路線的路線長度除以行車速度，推算到從停機(jī)位到分揀區(qū)所需的時間，因此，行李裝載結(jié)束的時間點(diǎn)開始，再經(jīng)過從停機(jī)位到分揀區(qū)所需的時間，即為到港行李進(jìn)入分揀區(qū)的時間。

4.根據(jù)權(quán)利要求2所述的到港航班行李狀態(tài)自動獲取的方法，其特征在于，步驟4中，預(yù)測到港行李進(jìn)入分揀區(qū)的時間，具體包括以下步驟：

采用動態(tài)時間預(yù)估方法，即：

對海量行李車歷史軌跡序列進(jìn)行分析，獲取每個停機(jī)位到分揀區(qū)的多條經(jīng)驗(yàn)路線；

實(shí)時獲得當(dāng)前時刻停機(jī)坪上所有行李車的軌跡點(diǎn)，從而實(shí)時計(jì)算得到每條經(jīng)驗(yàn)路線的行李車流量；根據(jù)每條經(jīng)驗(yàn)路線的行李車流量，推算到每條經(jīng)驗(yàn)路線的行李車行進(jìn)速度；

在行李車從停機(jī)位駛向分揀區(qū)的過程中，不斷歸算到其所屬的經(jīng)典路線，一旦行李車實(shí)時軌跡偏離某條經(jīng)典路線到達(dá)設(shè)定閾值，則將其歸屬到另一條最相近的經(jīng)典路線；然后，結(jié)合行李車所屬經(jīng)典路線的長度以及該條經(jīng)驗(yàn)路線的行李車行進(jìn)速度，預(yù)測出行李進(jìn)入分揀區(qū)的時間。