机器学习如何使用卡尔曼滤波器简化位置数据

捕获位置数据的挑战

让我们在捕获位置和移动数据时快速了解约束：

跟踪硬件
追踪器以信号的形式发送基于位置的ping信号。这些信号被公司接收，并被传送到他们的物流管理系统（LMS）。LMS将资源的移动从它们离开始发仓库的位置记录到他们到达目的地的点。许多公司没有技术实时跟踪资源。但是，他们争取跟踪和优化专业人员的服务，以帮助他们管理他们的资源。

这些跟踪公司利用资源运动的位置数据点（纬度 - 长度）来创建旅程的旅程。这是错误首次展示的地方。

虽然跟踪器正在发送位置凸版，但跟踪器可能会发送错误的ping，这可能会抵消资源的实际路线。例如，车辆的报告位置可能是其实际位置的左侧10米。在接下来的第二个中，它可能是右边10米。这些随机波动来自内部硬件限制或围绕车辆的周围网络问题。当报告和处理此数据（错误）数据时，它会给它带来一个错觉。车辆行驶更多的距离，或者是b。车辆在短时间内从一个点到另一个点。

在这两种情况下，所处理的信息可能会导致公司做出效率低下的决策。

跟踪软件
在习惯的软件级别读取和处理位置信息，必须具有清除和组织传入数据的内置功能。然而，大多数跟踪公司无法区分好的跟踪数据和坏的跟踪数据。这导致他们展示基于错误数据预测的eta。这意味着交付将比预期的晚或早到达。集线器在交付时保持自己的装载器-卸载器的空闲，当ETAs不能满足时，它们就会浪费时间。

即使在规划阶段，坏数据也会产生预测问题，这意味着公司将无法将其成本准确地将其成本映射到其活跃资源，导致以超过或以上的能力。

现在，你知道为什么好的数据对优化至关重要，这里是签名将使用卡尔曼滤波器解决这些问题的问题。

卡尔曼滤波器:它是如何工作的

卡尔曼滤波是一种创新的数据清理方法最初被美国宇航局发现了用于阿波罗任务。从那以后，这个过滤器被随机地用于路线和位置修正。其理念是，过滤器从平均数据中识别出突然的偏差(冲动)，并标记出数据出错的可能性。当这种可能性或概率增加一个预设阈值时，过滤器就会自动调整信息，使其更接近错误数据之前和之后报告的点。

跟踪错误和更正

这提供了一组更准确的信息。该过滤器作为传入位置信息的初步验证引擎。

我们更新并改进了卡尔曼过滤器以增加其原始过滤过程的学习能力。这意味着作为过滤器流程信息，它会从中学习，并在下次运行时变得更有效。如果乍一看滤波器以70％的效率工作，那么下次将以72％运行，然后在78％处运行，然后进一步或直到发动机知道每个可能的偏差和错误点甚至几码。即使当车辆以常规速度移动或加速时，过滤器也能够完全分析路线（以及历史和当前的流量和天气条件）是否证明了记录的跟踪点。

简单地单词，更新的卡尔曼滤波器将判断是否馈入LMS的信息是绝对准确的。将所有坏数据转化为不同的数据库（再次用作调整所有以下信息的基准测试）。例如，滤波器可以识别出，当车辆沿着路线移动时，在晚上在4：00-5：00 PM之间穿过特定领域的虽然在傍晚之间，所记录的跟踪信息往往会因拘留，超速，网络问题或任何其他原因。它会清洁和调整信息，使其成为一致和可用的。

卡尔曼滤波在物流管理中的应用

以下是从错误的硬件或基础架构接收的一些实际跟踪信息：

校正前的卡尔曼滤波

可以看出，记录的总距离将高于车辆行驶的实际距离。即使是ETA可能会重新校准，这可能会产生仓储和员工问题（如前所述）。通过车辆内的硬件之间的连接，手机塔，服务器等每天改进，仍然存在一些从时间创建不良数据的处理错误。这种不良数据，当加入公司的ERP时，然后导致错误和过度规划。这导致资源或库存过度或不足，进一步导致损失和效率低下。这最终会影响最终的客户或客户并损害公司的品牌价值。

软件的覆盖层必须补偿这些错误。因此,我们的机器学习使卡尔曼滤波器可以实时运行，并实时跟踪资源和车队。这个更新版本的过滤器很轻，可以在跟踪信息进来时立即运行。数据接收、清理、调整和报告之间几乎没有延迟。这意味着，当经理查看仪表盘中的交通信息时，她看到的是每辆车在任何时刻的准确位置、方向和速度。

纠正后卡尔曼滤波器

作为分析报告的一部分，诸如路线偏差，拘留，延迟和速度之类的旅行信息绝对准确。正如我们之前所见的那样，运行越多，此过滤器会越好。因此，每个渐进报告比前一个逐步报告更准确。

准确的信息有助于企业做出正确的战略决策，从而提高企业成功的可能性。这很简单:如果我们使用正确的信息，计划就会更精确，有更高的机会准时交付，减少延误，更大的资源利用率和更高的客户和客户满意度。

因此，更新的Kalman滤波器，因此增加了使用Internet互联网创建越来越多的工业价值的进展。

所有IOT议程网络贡献者负责其帖子的内容和准确性。意见是作者，不一定能够传达物联盟议程的思想。