垃圾点位置识别方法及设备与流程

1.本发明涉及一种垃圾点位置识别方法及设备。


背景技术：

2.随着物联网和人工智能技术的发展，智慧物联设备在城市管理中越来越广泛的应用，物联监控维度呈多样性发展，物联数据量呈指数增长，基于物联设备的精细化城市管理解决方案中的行业模型对其数据的准确性和可靠性的要求越来越高。
3.一个城区的垃圾收集点一般在1万～5万不等，平均有40％的垃圾点都是移动垃圾点，其位置并不是固定的，每天有一定的流动性。垃圾点位置的精准管理对城市的垃圾收运精细化运营非常关键，但是凭借人力维护是不现实的。
4.目前业界的方法基本是两种，一种是将根据垃圾收运车的停留时间来判断是否收运点，这会造成大量的误判，其准确度不足60％。另一种购买高昂的采集设备，采集车辆的运行数据，但是目前行业环卫车辆的品牌繁杂，以及很多类型的车辆并不开放其数据协议，所以采集设备尽管可以对某一种车型做到数据采集成功，但无法做到将整个车队所有的车型的数据采集成功。


技术实现要素：

5.本发明的目的在于提供一种垃圾点位置识别方法及设备。
6.为解决上述问题，本发明提供一种垃圾点位置识别方法，包括：
7.步骤s1，每隔预设时间获取环卫车辆的一个实时作业数据，每个实时作业数据包括：时间戳、车速、车辆位置和车辆称重；
8.步骤s2，若模型栈为空，且当前一个的实时作业数据中的车速小于等于预设低速阈值，则将当前一个的实时作业数据压入所述模型栈的栈顶，并将栈顶的实时作业数据标记为减速后，继续执行步骤s1，否则执行步骤s3；
9.步骤s3，若模型栈内只有一个实时作业数据，且当前一个的实时作业数据中的车速小于等于预设低速阈值，且当前一个的实时作业数据中的车速小于栈顶的实时作业数据中的车速，则将当前一个的实时作业数据压入所述模型栈的栈顶，并将栈顶的实时作业数据标记为低速后，继续执行步骤s1；若当前一个的实时作业数据中的车速大于预设低速阈值，或当前一个的实时作业数据中的车速大于等于栈顶的实时作业数据中的车速，则清空所述模型栈内的所有实时作业数据后，继续执行步骤s1；
10.步骤s4，若模型栈内有两个实时作业数据，且当前一个的实时作业数据中的车速大于栈顶的实时作业数据中的车速，则将当前一个的实时作业数据压入所述模型栈的栈顶，并将栈顶的实时作业数据标记为加速后，继续执行步骤s1；若模型栈内有两个实时作业数据，且当前一个的实时作业数据中的车速小于等于栈顶的实时作业数据中的车速，则将当前一个的实时作业数据替换栈顶的实时作业数据，并将栈顶的实时作业数据标记为低速后，继续执行步骤s1；
11.步骤s5，若模型栈内有三个实时作业数据，则将这三个实时作业数据组装成一组候选模型数据后，则清空所述模型栈内的所有实时作业数据；
12.步骤s6，基于候选模型数据，识别垃圾点的位置。
13.进一步的，在上述方法中，步骤s6，基于候选模型数据，识别垃圾点的位置，包括：
14.若一组候选模型数据中，标记为低速的实时作业数据中的车辆称重大于标记为减速的实时作业数据中的车辆称重，则将该组候选模型数据作为过滤后的一组候选模型数据；
15.基于过滤后的各组候选模型数据，识别垃圾点的位置。
16.进一步的，在上述方法中，基于过滤后的各组候选模型数据，识别垃圾点的位置，包括：
17.将位置相近的过滤后的各组组候选模型数据合并为同一位置的候选模型数据；
18.基于同一位置的候选模型数据，识别垃圾点的位置。
19.进一步的，在上述方法中，基于同一位置的候选模型数据，识别垃圾点的位置，包括：
20.判断同一位置的候选模型数据的是否符合所属的环卫车辆的作业指标要求，若符合，将该位置作为垃圾点的位置。
21.进一步的，在上述方法中，将该位置作为垃圾点的位置之后，还包括：
22.基于地图信息和垃圾点的位置，得到垃圾点的位置对应的类型。
23.根据本发明的另一方面，还提供一种垃圾点位置识别设备，包括：
24.第一装置，用于每隔预设时间获取环卫车辆的一个实时作业数据，每个实时作业数据包括：时间戳、车速、车辆位置和车辆称重；
25.第二装置，用于若模型栈为空，且当前一个的实时作业数据中的车速小于等于预设低速阈值，则将当前一个的实时作业数据压入所述模型栈的栈顶，并将栈顶的实时作业数据标记为减速后，继续执行第一装置，否则执行步骤第三装置；
26.第三装置，用于若模型栈内只有一个实时作业数据，且当前一个的实时作业数据中的车速小于等于预设低速阈值，且当前一个的实时作业数据中的车速小于栈顶的实时作业数据中的车速，则将当前一个的实时作业数据压入所述模型栈的栈顶，并将栈顶的实时作业数据标记为低速后，继续执行步骤第一装置；若当前一个的实时作业数据中的车速大于预设低速阈值，或当前一个的实时作业数据中的车速大于等于栈顶的实时作业数据中的车速，则清空所述模型栈内的所有实时作业数据后，继续执行步骤第一装置；
27.第四装置，用于若模型栈内有两个实时作业数据，且当前一个的实时作业数据中的车速大于栈顶的实时作业数据中的车速，则将当前一个的实时作业数据压入所述模型栈的栈顶，并将栈顶的实时作业数据标记为加速后，继续执行步骤第一装置；若模型栈内有两个实时作业数据，且当前一个的实时作业数据中的车速小于等于预设低速阈值，则将当前一个的实时作业数据替换栈顶的实时作业数据，并将栈顶的实时作业数据标记为低速后，继续执行第一装置；
28.第五装置，用于若模型栈内有三个实时作业数据，则将这三个实时作业数据组装成一组候选模型数据后，则清空所述模型栈内的所有实时作业数据；
29.第六装置，用于基于候选模型数据，识别垃圾点的位置。
30.进一步的，在上述设备中，所述第六装置，用于若一组候选模型数据中，标记为低速的实时作业数据中的车辆称重大于标记为减速的实时作业数据中的车辆称重，则将该组候选模型数据作为过滤后的一组候选模型数据；
31.基于过滤后的各组候选模型数据，识别垃圾点的位置。
32.进一步的，在上述设备中，所述第六装置，用于将位置相近的过滤后的各组组候选模型数据合并为同一位置的候选模型数据；基于同一位置的候选模型数据，识别垃圾点的位置。
33.根据本发明的另一方面，还提供一种计算机可读存储介质，其上存储有计算机可执行指令，其中，该计算机可执行指令被处理器执行时使得该处理器：
34.步骤s1，每隔预设时间获取环卫车辆的一个实时作业数据，每个实时作业数据包括：时间戳、车速、车辆位置和车辆称重；
35.步骤s2，若模型栈为空，且当前一个的实时作业数据中的车速小于等于预设低速阈值，则将当前一个的实时作业数据压入所述模型栈的栈顶，并将栈顶的实时作业数据标记为减速后，继续执行步骤s1，否则执行步骤s3；
36.步骤s3，若模型栈内只有一个实时作业数据，且当前一个的实时作业数据中的车速小于等于预设低速阈值，且当前一个的实时作业数据中的车速小于栈顶的实时作业数据中的车速，则将当前一个的实时作业数据压入所述模型栈的栈顶，并将栈顶的实时作业数据标记为低速后，继续执行步骤s1；若当前一个的实时作业数据中的车速大于预设低速阈值，或当前一个的实时作业数据中的车速大于等于栈顶的实时作业数据中的车速，则清空所述模型栈内的所有实时作业数据后，继续执行步骤s1；
37.步骤s4，若模型栈内有两个实时作业数据，且当前一个的实时作业数据中的车速大于栈顶的实时作业数据中的车速，则将当前一个的实时作业数据压入所述模型栈的栈顶，并将栈顶的实时作业数据标记为加速后，继续执行步骤s1；若模型栈内有两个实时作业数据，且当前一个的实时作业数据中的车速小于等于栈顶的实时作业数据中的车速，则将当前一个的实时作业数据替换栈顶的实时作业数据，并将栈顶的实时作业数据标记为低速ls后，继续执行步骤s1；
38.步骤s5，若模型栈内有三个实时作业数据，则将这三个实时作业数据组装成一组候选模型数据后，则清空所述模型栈内的所有实时作业数据；
39.步骤s6，基于候选模型数据，识别垃圾点的位置。
40.根据本发明的另一方面，还提供一种计算器设备，其中，包括：
41.处理器；以及
42.被安排成存储计算机可执行指令的存储器，所述可执行指令在被执行时使所述处理器：
43.步骤s1，每隔预设时间获取环卫车辆的一个实时作业数据，每个实时作业数据包括：时间戳、车速、车辆位置和车辆称重；
44.步骤s2，若模型栈为空，且当前一个的实时作业数据中的车速小于等于预设低速阈值，则将当前一个的实时作业数据压入所述模型栈的栈顶，并将栈顶的实时作业数据标记为减速后，继续执行步骤s1，否则执行步骤s3；
45.步骤s3，若模型栈内只有一个实时作业数据，且当前一个的实时作业数据中的车
速小于等于预设低速阈值，且当前一个的实时作业数据中的车速小于栈顶的实时作业数据中的车速，则将当前一个的实时作业数据压入所述模型栈的栈顶，并将栈顶的实时作业数据标记为低速后，继续执行步骤s1；若当前一个的实时作业数据中的车速大于预设低速阈值，或当前一个的实时作业数据中的车速大于等于栈顶的实时作业数据中的车速，则清空所述模型栈内的所有实时作业数据后，继续执行步骤s1；
46.步骤s4，若模型栈内有两个实时作业数据，且当前一个的实时作业数据中的车速大于栈顶的实时作业数据中的车速，则将当前一个的实时作业数据压入所述模型栈的栈顶，并将栈顶的实时作业数据标记为加速后，继续执行步骤s1；若模型栈内有两个实时作业数据，且当前一个的实时作业数据中的车速小于等于栈顶的实时作业数据中的车速，则将当前一个的实时作业数据替换栈顶的实时作业数据，并将栈顶的实时作业数据标记为低速ls后，继续执行步骤s1；
47.步骤s5，若模型栈内有三个实时作业数据，则将这三个实时作业数据组装成一组候选模型数据后，则清空所述模型栈内的所有实时作业数据；
48.步骤s6，基于候选模型数据，识别垃圾点的位置。
49.与现有技术相比，本发明通过识别时间点t1时收运开始减速dc，到时间点t2时低速ls，再到时间点t3时加速ac的行为，其中，t1《t2《t3，可以完全捕获到环卫车辆短暂的停留事件，更加精准的学习垃圾点位置，有效的提高了城市垃圾收运的管理效率。
50.另外，本发明通过先分析出车辆低速甚至静止状态的时间段，在此时间段获取可靠的称重数据，保证准确筛选各组候选模型数据。
51.此外，本发明通过将位置相近的过滤后的各组组候选模型数据合并为同一位置的候选模型数据，可以避免每次学习出新的垃圾点都直接新增，会造成海量并且过度冗余的垃圾点的问题。
附图说明
52.图1是本发明一实施例的垃圾点位置识别设备的示意图；
53.图2是本发明一实施例的垃圾点位置识别方法的流程图。
具体实施方式
54.为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
55.如图1和2所示，本发明提供一种垃圾点位置识别方法，包括步骤s1～步骤s6：
56.步骤s1，每隔预设时间获取环卫车辆的一个实时作业数据，每个实时作业数据包括：时间戳、车速、车辆位置和车辆称重；
57.具体的，如图1所示，装载物联传感设备的环卫作业车辆在启动行驶中，传感器会定时上传数据，包括gps定位数据即车辆位置、速度数据、里程数据、压缩设备开合状态数据等。这些车辆作业数据可以通过4g网络上传到云端服务器的行为数据库。
58.具体的，行为数据库可以存储作业车辆每日的作业行为的原始数据，包括车辆轨迹数据、压缩车开合数据和油耗数据等。这些数据体现了该车辆整个作业周期的各项指标表现。
59.垃圾收运点机器学习模型，可以包括以下几个指标：车辆位置(以下用gps表示)，车辆称重(以下以lw表示)，减速(以下用dc表示)，加速(以下用ac表示)，低速(以下用ls表示，低速可以包括环卫车辆的静止行为)和压缩状态(以下用cs表示，0:未压缩，1:压缩，该指标是可选的，因为并不是所有的车型都能获取压缩状态)。对可获取压缩状态的车辆进行计算时，cs＝1即可认为在收运。对不可获取压缩状态的车辆进行计算时，必须满足减速-低速-加速的过程，以及在低速阶段lw有数据增量变化，才认为是一次潜在的收运行为，其中ls《＝5公里/小时。对于潜在收运行为发生地的gps，可以认为其是一个潜在垃圾点。
60.步骤s2，若模型栈为空，且当前一个的实时作业数据中的车速小于等于预设低速阈值，则将当前一个的实时作业数据压入所述模型栈的栈顶，并将栈顶的实时作业数据标记为减速dc后，继续执行步骤s1，否则执行步骤s3；
61.例如，如果模型栈为空且本次车速《＝5km/h，则数据入栈，栈顶数据标记为减速dc，继续执行步骤s1，否则执行步骤s3；
62.步骤s3，若模型栈内只有一个实时作业数据，且当前一个的实时作业数据中的车速小于等于预设低速阈值，且当前一个的实时作业数据中的车速小于栈顶的实时作业数据中的车速，则将当前一个的实时作业数据压入所述模型栈的栈顶，并将栈顶的实时作业数据标记为低速ls后，继续执行步骤s1；若当前一个的实时作业数据中的车速大于预设低速阈值，或当前一个的实时作业数据中的车速大于等于栈顶的实时作业数据中的车速，则清空所述模型栈内的所有实时作业数据后，继续执行步骤s1；
63.例如，如果在模型栈内只有一个元素的情况下，则执行本次操作，否则执行步骤s4。若本次速度《＝5km/h，且小于模型栈内的第一个元素，本次数据入栈，栈顶数据标记为低速ls，否则清空栈，继续执行步骤s1；
64.步骤s4，若模型栈内有两个实时作业数据，且当前一个的实时作业数据中的车速大于栈顶的实时作业数据中的车速，则将当前一个的实时作业数据压入所述模型栈的栈顶，并将栈顶的实时作业数据标记为加速ac后，继续执行步骤s1；若模型栈内有两个实时作业数据，且当前一个的实时作业数据中的车速小于等于栈顶的实时作业数据中的车速，则将当前一个的实时作业数据替换栈顶的实时作业数据，并将栈顶的实时作业数据标记为低速ls后，继续执行步骤s1；
65.例如，如果模型栈有两个元素的情况下，且本次速度即第三个元素的速度大于第二个元素的速度，则将第三个元素入栈，栈顶数据标记为加速ac，认为符合模型的数据；如果模型栈有两个元素的情况下，且本次速度即第三个元素的速度小于等于第二个元素的速度，则将栈顶的第二个元素出栈，将第三个元素作为第二个元素入栈；
66.步骤s5，若模型栈内有三个实时作业数据，则将这三个实时作业数据组装成一组候选模型数据后，则清空所述模型栈内的所有实时作业数据；
67.在此，对于符合模型的数据，可以组装成一组候选模型数据。然后清空模型栈，继续执行步骤s1，再进入新一轮的模型筛查。通过这种方式，只需要一个最多3个元素的数据栈即可完成有状态的流式计算。
68.步骤s6，基于候选模型数据，识别垃圾点的位置。
69.在此，车辆作业行为时序点数据组：作业环卫车辆可以按照每隔5秒的周期上传实时作业数据，本发明可以在一定时间段内形成一组具有时序特点的车辆作业行为数据作为
一组候选模型数据。
70.本发明在收运模型中有一个低速的概念，该低速的概念是基于两个方面提出来的：第一，在实际的垃圾收运中垃圾车并不一定是完全静止的，还存在车辆在低速行驶，挂桶工把路边的垃圾桶挂到车上的场景。第二，在某些场景下收运是很快速的，但是车辆数据的采集频率比较短的情况下，例如是5秒一次，并不能完全捕获到环卫车辆短暂的停留事件。
71.每间隔10秒采集车辆gps的定位数据和垃圾车压缩装置开合数据等收运作业行为数据，结合城市地理和基础设施数据，包括城市学校、医院、行政机关、沿街商铺、居民小区、工业园区等等地理数据，以及十字路口、中转站等基础设施数据，从而更加精准的分析出垃圾点的具体位置。
72.本发明通过识别时间点t1时收运开始减速dc，到时间点t2时低速ls，再到时间点t3时加速ac的行为，其中，t1《t2《t3，可以完全捕获到环卫车辆短暂的停留事件，更加精准的学习垃圾点位置，有效的提高了城市垃圾收运的管理效率。
73.本发明的垃圾点位置识别方法一实施例中，步骤s6，基于候选模型数据，识别垃圾点的位置，包括：
74.步骤s61，若一组候选模型数据中，标记为低速ls的实时作业数据中的车辆称重大于标记为减速dc的实时作业数据中的车辆称重，则将该组候选模型数据作为过滤后的一组候选模型数据；
75.步骤s62，基于过滤后的各组候选模型数据，识别垃圾点的位置。
76.在此，可以计算其符合模型时间段内的车辆重量增量lw变化，若符合合理变化范围则将其模型数据转入下一轮筛查。
77.为了获取可靠的称重数据，可以先分析出车辆低速甚至静止状态的时间段，在此时间段上报的称重数据可靠性很高。
78.可以设置作业环卫车辆收运行为事件的时间序列数据满足两个条件：
79.1)时间点t1时收运开始减速dc，到时间戳t2时低速ls，再到时间戳t3时加速ac的行为，其中，t1《t2《t3；
80.2)低速中获取的称重有增量变化，那么这组时序数据获得了从t1到t3的数据组成的一个收运事件，该事件内每个元素包括时间戳、定位、速度、里程和称重等车辆行为数据。
81.本发明的垃圾点位置识别方法一实施例中，步骤s62，基于过滤后的各组候选模型数据，识别垃圾点的位置，包括：
82.步骤s621，将位置相近的过滤后的各组组候选模型数据合并为同一位置的候选模型数据；
83.在此，如图1所示，模型数据库可以根据作业环卫要求建立为每多种作业指标，以此作业指标要求为基础建立各种环卫作业数学模型。
84.可以用模型数据库存储基于历史数据和机器算法学习出的垃圾收运作业模型。
85.行为模型计算引擎可以根据行为数据库的车辆作业行为的时序数据与模型数据库的模型设计要求开始计算，在计算过程可以把空间距离近的gps进行合并(说明该批次的垃圾点是同一个现实世界中的垃圾点的移动点)，并将计算结果写入视图数据库。
86.步骤s622，基于同一位置的候选模型数据，识别垃圾点的位置。
87.在此，通过作业车辆的实时作业数据流和垃圾收运模型进行匹配，可以将符合模型规则的候选模型数据写入视图数据库。
88.可以基于过滤后的各组组候选模型数据，再将其和视图数据库中的历史数据进行对比，合并经纬度在20米范围内的过滤后的候选模型数据。
89.可以设置预设半径范围内的潜在垃圾点为位置相近的垃圾点。可以设置潜在垃圾点的半径是10米，即一个已有的垃圾点半径10米内再出现的垃圾点，都会被认为是已有垃圾点。由于垃圾点是移动的，并且gps定位也存在一定的漂移，如果每次学习出新的垃圾点都直接新增，会造成海量并且过度冗余的垃圾点。按照目前移动垃圾点间隔来看，10米的半径足以覆盖到20米的范围，足以把绝大多数的因为偶尔漂移或者收运地点稍有改变的场景覆盖到。
90.本发明的垃圾点位置识别方法一实施例中，步骤s622，基于同一位置的候选模型数据，识别垃圾点的位置，包括：
91.步骤s6221，判断同一位置的候选模型数据的是否符合所属的环卫车辆的作业指标要求，若符合，将该位置作为垃圾点的位置。
92.在此，可以同一位置的候选模型数据进行统计，得出每个潜在的垃圾点在车辆维度和日期维度符合作业指标要求的次数，最终根据垃圾收运的要求得出真正的垃圾点位置。
93.环卫机械化作业考核一般作业指标要求作业车辆在规定的时间段内按照一定的作业规范进行作业。比如xxx市考核要求环卫收运车辆在凌晨18:00～6:00将预设路段的垃圾点完全收运一遍。
94.环卫车辆有不同的类型，类型例如，包括：收干垃圾车辆、收湿垃圾车辆；作业场所，不同类型的车辆可以有不同的作业指标要求，如收干垃圾车辆要求一天在规定的时间收运2次；收湿垃圾车辆要求一天在规定的时间收运3次。
95.本发明的垃圾点位置识别方法一实施例中，步骤s63，将该位置作为垃圾点的位置之后，还包括：
96.基于地图信息和垃圾点的位置，得到垃圾点的位置对应的类型。
97.在此，如图1所示，可以根据视图数据库中的垃圾点的位置，提供不同维度的数据展现，结合地图信息，垃圾点的位置标注对应的类型，如学校、超市和园区等等。
98.根据本发明的另一方面，还提供一种垃圾点位置识别设备，包括：
99.第一装置，用于每隔预设时间获取环卫车辆的一个实时作业数据，每个实时作业数据包括：时间戳、车速、车辆位置和车辆称重；
100.第二装置，用于若模型栈为空，且当前一个的实时作业数据中的车速小于等于预设低速阈值，则将当前一个的实时作业数据压入所述模型栈的栈顶，并将栈顶的实时作业数据标记为减速后，继续执行第一装置，否则执行步骤第三装置；
101.第三装置，用于若模型栈内只有一个实时作业数据，且当前一个的实时作业数据中的车速小于等于预设低速阈值，且当前一个的实时作业数据中的车速小于栈顶的实时作业数据中的车速，则将当前一个的实时作业数据压入所述模型栈的栈顶，并将栈顶的实时作业数据标记为低速后，继续执行步骤第一装置；若当前一个的实时作业数据中的车速大于预设低速阈值，或当前一个的实时作业数据中的车速大于等于栈顶的实时作业数据中的
车速，则清空所述模型栈内的所有实时作业数据后，继续执行步骤第一装置；
102.第四装置，用于若模型栈内有两个实时作业数据，且当前一个的实时作业数据中的车速大于栈顶的实时作业数据中的车速，则将当前一个的实时作业数据压入所述模型栈的栈顶，并将栈顶的实时作业数据标记为加速后，继续执行步骤第一装置；若模型栈内有两个实时作业数据，且当前一个的实时作业数据中的车速小于等于栈顶的实时作业数据中的车速，则将当前一个的实时作业数据替换栈顶的实时作业数据，并将栈顶的实时作业数据标记为低速后，继续执行第一装置；
103.第五装置，用于若模型栈内有三个实时作业数据，则将这三个实时作业数据组装成一组候选模型数据后，则清空所述模型栈内的所有实时作业数据；
104.第六装置，用于基于候选模型数据，识别垃圾点的位置。
105.进一步的，在上述设备中，所述第六装置，用于若一组候选模型数据中，标记为低速的实时作业数据中的车辆称重大于标记为减速的实时作业数据中的车辆称重，则将该组候选模型数据作为过滤后的一组候选模型数据；
106.基于过滤后的各组候选模型数据，识别垃圾点的位置。
107.进一步的，在上述设备中，所述第六装置，用于将位置相近的过滤后的各组组候选模型数据合并为同一位置的候选模型数据；基于同一位置的候选模型数据，识别垃圾点的位置。
108.根据本发明的另一方面，还提供一种计算机可读存储介质，其上存储有计算机可执行指令，其中，该计算机可执行指令被处理器执行时使得该处理器：
109.步骤s1，每隔预设时间获取环卫车辆的一个实时作业数据，每个实时作业数据包括：时间戳、车速、车辆位置和车辆称重；
110.步骤s2，若模型栈为空，且当前一个的实时作业数据中的车速小于等于预设低速阈值，则将当前一个的实时作业数据压入所述模型栈的栈顶，并将栈顶的实时作业数据标记为减速后，继续执行步骤s1，否则执行步骤s3；
111.步骤s3，若模型栈内只有一个实时作业数据，且当前一个的实时作业数据中的车速小于等于预设低速阈值，且当前一个的实时作业数据中的车速小于栈顶的实时作业数据中的车速，则将当前一个的实时作业数据压入所述模型栈的栈顶，并将栈顶的实时作业数据标记为低速后，继续执行步骤s1；若当前一个的实时作业数据中的车速大于预设低速阈值，或当前一个的实时作业数据中的车速大于等于栈顶的实时作业数据中的车速，则清空所述模型栈内的所有实时作业数据后，继续执行步骤s1；
112.步骤s4，若模型栈内有两个实时作业数据，且当前一个的实时作业数据中的车速大于栈顶的实时作业数据中的车速，则将当前一个的实时作业数据压入所述模型栈的栈顶，并将栈顶的实时作业数据标记为加速后，继续执行步骤s1；若模型栈内有两个实时作业数据，且当前一个的实时作业数据中的车速小于等于栈顶的实时作业数据中的车速，则将当前一个的实时作业数据替换栈顶的实时作业数据，并将栈顶的实时作业数据标记为低速ls后，继续执行步骤s1；
113.步骤s5，若模型栈内有三个实时作业数据，则将这三个实时作业数据组装成一组候选模型数据后，则清空所述模型栈内的所有实时作业数据；
114.步骤s6，基于候选模型数据，识别垃圾点的位置。
115.根据本发明的另一方面，还提供一种计算器设备，其中，包括：
116.处理器；以及
117.被安排成存储计算机可执行指令的存储器，所述可执行指令在被执行时使所述处理器：
118.步骤s1，每隔预设时间获取环卫车辆的一个实时作业数据，每个实时作业数据包括：时间戳、车速、车辆位置和车辆称重；
119.步骤s2，若模型栈为空，且当前一个的实时作业数据中的车速小于等于预设低速阈值，则将当前一个的实时作业数据压入所述模型栈的栈顶，并将栈顶的实时作业数据标记为减速后，继续执行步骤s1，否则执行步骤s3；
120.步骤s3，若模型栈内只有一个实时作业数据，且当前一个的实时作业数据中的车速小于等于预设低速阈值，当前一个的实时作业数据中的车速小于栈顶的实时作业数据中的车速，则将当前一个的实时作业数据压入所述模型栈的栈顶，并将栈顶的实时作业数据标记为低速后，继续执行步骤s1；若当前一个的实时作业数据中的车速大于预设低速阈值，或当前一个的实时作业数据中的车速大于等于栈顶的实时作业数据中的车速，则清空所述模型栈内的所有实时作业数据后，继续执行步骤s1；
121.步骤s4，若模型栈内有两个实时作业数据，且当前一个的实时作业数据中的车速大于栈顶的实时作业数据中的车速，则将当前一个的实时作业数据压入所述模型栈的栈顶，并将栈顶的实时作业数据标记为加速后，继续执行步骤s1；若模型栈内有两个实时作业数据，且当前一个的实时作业数据中的车速小于等于栈顶的实时作业数据中的车速，则将当前一个的实时作业数据替换栈顶的实时作业数据，并将栈顶的实时作业数据标记为低速ls后，继续执行步骤s1；
122.步骤s5，若模型栈内有三个实时作业数据，则将这三个实时作业数据组装成一组候选模型数据后，则清空所述模型栈内的所有实时作业数据；
123.步骤s6，基于候选模型数据，识别垃圾点的位置。
124.本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。
125.专业人员还可以进一步意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
126.显然，本领域的技术人员可以对发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包括这些改动和变型在内。