CN103903474B - 一种基于K-means聚类的车队出行诱导方法 - Google Patents

一种基于K-means聚类的车队出行诱导方法 Download PDF

Info

Publication number
CN103903474B
CN103903474B CN201410140648.9A CN201410140648A CN103903474B CN 103903474 B CN103903474 B CN 103903474B CN 201410140648 A CN201410140648 A CN 201410140648A CN 103903474 B CN103903474 B CN 103903474B
Authority
CN
China
Prior art keywords
fleet
point
distance
cluster
initial center
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201410140648.9A
Other languages
English (en)
Other versions
CN103903474A (zh
Inventor
潘建
戴秀挺
华亦昂
严赵峰
梁奕晓
谢洲锋
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shaoxing Keqiao Zhejiang University Of Technology Innovation Research Institute Development Co Ltd
Original Assignee
Zhejiang University of Technology ZJUT
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Zhejiang University of Technology ZJUT filed Critical Zhejiang University of Technology ZJUT
Priority to CN201410140648.9A priority Critical patent/CN103903474B/zh
Publication of CN103903474A publication Critical patent/CN103903474A/zh
Application granted granted Critical
Publication of CN103903474B publication Critical patent/CN103903474B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Landscapes

  • Traffic Control Systems (AREA)
  • Navigation (AREA)

Abstract

一种基于K-means聚类的车队出行诱导方法，包括以下步骤：步骤1、从数据库中筛选，将车队中所有车辆最新上传的位置提取出来，形成GPS位置集合；步骤2、从GPS位置集合中选择3个点，将以上3点作为初始中心点，通过K-means聚类算法将该集合中的数据聚类成3组，即前中后3个梯队；步骤3、查看3个梯队，获取数据最多的一个梯队中的中心点，依次计算与其他两个梯队中各个点的距离，得到该中心点与其他分组中各个点的距离，将距离d与车队掉队距离阈值进行比较，若距离超过阈值，则找到该记录对应的车辆并通过后台消息发送向其发出掉队提醒。本方法可解决车队出行过程中通讯不便、指挥难等问题，实现更为智能的出行诱导。

Description

一种基于K-means聚类的车队出行诱导方法
技术领域
本发明涉及到一种基于K-means聚类的车队出行诱导方法。
技术背景
目前，全球定位系统（GlobalPositioningSystem，GPS）在交通方面的应用越来越多，车载定位设备通过接收GPS卫星的数据信息，并结合相应软件的电子地图，可将车辆较为精确的位置显示在电子地图上。
在人们日常生活中，车队常有集体出行的情况，如团体自驾游、行业车辆进行运输任务等。在车队出行过程中，不同的司机对路况和行驶路线了解也不同，因此车队成员需要在行驶过程中保持通信以便清楚地了解车队中其他成员的情况。当前车队间完成通讯的手段主要依靠对讲机，这种做法的缺陷在于十分不直观，各成员间无法了解相互之间具体的位置，一旦有人掉队，需要花费较长时间沟通才能使掉队成员重新返回队伍，大大影响了车队行驶进度。
发明内容
为了克服现有的车队出行过程中的无法有效提醒掉队现象、出行诱导性能较差的不足，本发明提供一种能否有效地提醒掉队信息、出行诱导性能良好的基于K-means聚类的车队出行诱导方法。
本发明所采用的技术方案是：
一种基于K-means聚类的车队出行诱导方法，包括以下步骤：
步骤1、从数据库中筛选，将车队中所有车辆最新上传的位置提取出来，形成一个GPS位置集合（L1,L2,L3.....Ln），n为车辆总数；
步骤2、从GPS位置集合中选择3个点La、Lb与Lc，1≤a,b,c≤n，将以上3点作为初始中心点，通过K-means聚类算法将该集合中的数据聚类成3组，即对应当前车队中行驶在前方的车辆、中间的车辆以及后方的车辆，即将车队分成前中后3个梯队；
所述K-means聚类算法的实现过程为：
（2.1）设定聚簇收敛阈值Delta和最大迭代次数M；
（2.2）将3个初始中心点作为初始值，对集合中其他点Li逐一进行遍历，1≤i≤n并且i≠a,b,c，计算出各点到3个初始中心点的距离dia，dib，dic，并根据最小的距离将该点归类到3个初始中心点中的一个，GPS位置集合（L1,L2,L3.....Ln）最终将并产生3个聚簇；
（2.3）更新3个聚簇的聚簇中心点，计算3个簇中每个点到簇中其他点的距离均值，距离均值最小的点被判定为该簇新的中心点；
（2.4）根据3个新的聚簇中心点重新聚类，过程与（2.1）中相同，计算出其余各分别点到3个中心点的距离，将各点归类到距离最短的中心点所属的簇中，依次类推，将集合重新聚类产生3个新的簇；
（2.5）各自比较上一次的3个聚簇中心与本次的3个聚簇中心的距离是否都小于收敛阈值Delta，若3个距离差均小于Delta，则判定整个K-means聚类过程收敛；反之，再查看迭代次数是否超过最大迭代次数M，若迭代次数超过M，算法结束，否则返回（2.2）；
步骤3、查看GPS位置集合分组后的3个梯队，获取数据最多的一个梯队中的中心点，依次计算与其他两个梯队中各个点的距离，得到该中心点与其他分组中各个点的距离，其距离公式如公式1所示：
d＝arccos(sin(y0)sin(ye)+cos(y0)cos(ye)cos(x0-xe))*Re(1)
其中，Re为地球半径，(x0,y0)和(xe,ye)分别为两个位置点的经纬度坐标；之后，将距离d与系统设定的车队掉队距离阈值进行比较，若距离超过阈值，则找到该记录对应的车辆并通过后台消息发送向其发出掉队提醒；若没有超过阈值，则检查另外两个位置分组中下一个数据，直到检查完毕。
进一步，所述诱导方法还包括以下步骤：步骤4、通过计时检查完成以上任务所花时间，若没有超过设定的掉队查询时间，后台中掉队检查线程暂停；当本次检查周期时间超过了设定的掉队查询时间，则返回步骤1进行下一轮的车辆掉队检查；
其中掉队查询时间是系统后台设定的掉队查询周期。
更进一步，所述步骤2中确定了初始中心点的数量为3，选择3个初始中心点的具体实现方法为：
①从GPS位置集合随机选取一个点作为第一个初始中心点；
②随机选取第二个点，选取后计算该点到第一个初始中心点的距离，若距离小于某个距离阈值W，则重新选择，依次类推，若选择超过10次仍未获得符合条件的点，则将下一个随机获得的点作为初始中心点；设置该距离阈值的目的在于尽量分散K-means聚类的各个初始中心点，使得位置集合更快地完成聚类，作为经验值人为设定；
③随机选取第三个点，选取后计算该点到前两个初始中心点的距离，若距离分别小于距离阈值W，则重新选择，依次类推，若选择超过10次仍未获得符合条件的点，则将下一个随机获得的点作为初始中心点。
所述步骤3中，车队掉队距离阈值是当车队队长在后台新建车队时设定，不同车队根据实际情况自定义设置。
所述步骤1中，车队内各车辆通过手机获取GPS位置并实时上传至后台服务器。
本发明的技术构思为：各车主均需要配备一个带有GPS定位功能的智能手机，并在系统中注册用户，然后创建或加入一个车队。车队队长可在系统中创建一个旅程，其他用户可选择加入该旅程。在车队出行过程中，车队内各车辆通过手机获取GPS位置并实时上传至后台服务器，车队各成员从服务器获取车队所有成员的实时位置并在电子地图上显示；各成员可在车队内进行文字、语音、图片的通讯，方便交流；该方法自动检查车队中各车辆的实时位置，通过K-means聚类算法计算出是否有车辆掉队，若发生掉队则自动向掉队车辆发出提醒，实现出行诱导。通过以上手段，本方法可解决车队出行过程中通讯不便、指挥难等问题，实现更为智能的出行诱导。
在车队出行过程中，车队内各车辆通过手机获取GPS位置并实时上传至后台服务器，系统后台根据车队内所有车辆的实时位置，基于K-means聚类算法计算出车队内是否存在车辆发生了掉队状况，若发生掉队，系统自动向掉队的车辆发出提醒，提醒消息可在手机上查看。
该方法可以保证车队在出行的过程中，各个成员通过手机便能在电子地图上直观地查看整个车队的实时位置信息，并可方便地进行文字、声音、图片的交流。同时该方法实现了成员掉队后的自动提醒，确保掉队成员可快速自助地返回车队，为整个车队的正常行驶提供了便利。
本发明的有益效果主要表现在：可向车队中掉队车辆发出自动提醒，并且结合电子地图使该车更容易快速归队，减少车队在路途中耽误的时间。
附图说明
图1为本发明实现基于K-means聚类的车队出行诱导方法的流程图。
图2为车队行驶示意图。
具体实施方式
下面结合附图对本发明作进一步描述。
参照图1和图2，一种基于K-means聚类的车队出行诱导方法，在车队出行过程中，车队内各车辆通过手机获取GPS位置并实时上传至后台服务器，系统后台根据车队内所有车辆的实时位置，基于K-means聚类算法计算出车队内是否存在车辆发生了掉队状况，若发生掉队，系统自动向掉队的车辆发出提醒，提醒消息可在手机上查看，所述诱导方法包括以下步骤：
步骤1、系统后台从数据库中筛选，将车队中所有车辆（假设n辆车）最新上传的位置提取出来，形成一个GPS位置集合（L1,L2,L3.....Ln），如表1所示。
序号 经度 纬度 车牌号码
1 120.122 30.11 浙A12345
2 120.123 30.41 浙A12344
3 120.121 30.45 浙A12343
4 120.122 30.50 浙A12342
5 120.124 30.93 浙A12341
6 120.123 30.89 浙A12346
… … …. …
i 120.122 30.51 浙A12347
i+1 120.124 30.94 浙A12348
i+2 120.123 30.13 浙A12349
… … ….. …
n … … …
表1
步骤2、从GPS位置集合中选择3个点La、Lb与Lc（1≤a,b,c≤n），将以上3点作为初始中心点，通过K-means聚类算法可将该集合中的数据聚类成3组，即对应当前车队中行驶在前方的车辆、中间的车辆以及后方的车辆，可将车队分成前中后3个梯队；
步骤2中所提到的K-means聚类算法的特点在于需要事先确定聚类个数k，由于在本系统的实际应用中需要将一个车队分成前中后3个梯队，从而计算出车辆掉队的实时情况，基于以上两点，步骤2中确定了初始中心点的数量为3。
其中选择3个初始中心点的具体实现方法为：
①从GPS位置集合随机选取一个点作为第一个初始中心点。
②随机选取第二个点，选取后计算该点到第一个初始中心点的距离，若距离小于某个距离阈值W，则重新选择，依次类推，若选择超过10次仍未获得符合条件的点，则将下一个随机获得的点作为初始中心点。设置该距离阈值的目的在于尽量分散K-means聚类的各个初始中心点，使得位置集合更快地完成聚类，作为经验值人为设定。
③随机选取第三个点，选取后计算该点到前两个初始中心点的距离，若距离分别小于距离阈值W，则重新选择，依次类推，若选择超过10次仍未获得符合条件的点，则将下一个随机获得的点作为初始中心点
其中K-means聚类算法的实现过程为：
（2.1）设定聚簇收敛阈值Delta和最大迭代次数M；
（2.2）将3个初始中心点作为初始值，对集合中其他点Li（1≤i≤n并且i≠a,b,c）逐一进行遍历，计算出各点到3个初始中心点的距离dia，dib，dic，并根据最小的距离将该点归类到3个初始中心点中的一个。如点L4到初始中心点La,Lb,Lc的距离分别为d4a，d4b，d4c，L4找到距离最近的中心点后将自动归类到该聚簇。依次类推，GPS位置集合（L1,L2,L3.....Ln）最终将并产生3个聚簇；
（2.3）更新3个聚簇的聚簇中心点。计算3个簇中每个点到簇中其他点的距离均值，距离均值最小的点被判定为该簇新的中心点。
（2.4）根据3个新的聚簇中心点重新聚类，过程与（2.1）中相同，计算出其余各分别点到3个中心点的距离，将各点归类到距离最短的中心点所属的簇中，依次类推，将集合重新聚类产生3个新的簇；
（2.5）各自比较上一次的3个聚簇中心与本次的3个聚簇中心的距离是否都小于收敛阈值Delta，若3个距离差均小于Delta，则整个K-means聚类过程收敛了，算法结束。反之，再查看迭代次数是否超过最大迭代次数M，若迭代次数超过M，算法结束，否则返回（2.2），继续执行该算法。
根据表1数据，本方法可得到最终的三个分组结果如表2所示。
表2
步骤3、查看GPS位置集合分组后的3个梯队，获取数据最多的一个梯队中的中心点，依次计算与其他两个梯队中各个点的距离，得到该中心点与其他分组中各个点的距离，其距离公式如公式（1）所示：
d＝arccos(sin(y0)sin(ye)+cos(y0)cos(ye)cos(x0-xe))*Re(1)
其中，Re为地球半径，(x0,y0)和(xe,ye)分别为两个位置点的经纬度坐标。之后，将距离d与系统设定的车队掉队距离阈值进行比较，若距离超过阈值，则找到该记录对应的车辆并通过后台消息发送向其发出掉队提醒；若没有超过阈值，则检查另外两个位置分组中下一个数据，直到检查完毕。
步骤4、系统后台程序通过计时检查完成以上任务所花时间，若没有超过设定的掉队查询时间，后台中掉队检查线程暂停；当本次检查周期时间超过了设定的掉队查询时间，则返回步骤1进行下一轮的车辆掉队检查；
其中掉队查询时间是系统后台设定的掉队查询周期，默认设定为15秒钟。
进一步，一种基于K-means聚类的车队出行诱导方法中，车队掉队距离阈值是当车队队长在后台新建车队时设定，不同车队可根据实际情况自定义设置。
本实施例中，车队掉队距离阈值设定为1000米，其中掉队查询时间，即系统后台设定的掉队查询周期，设定为15秒钟，聚簇收敛阈值Delta为100米，最大迭代次数为10次。
本实施例中，如图1所示，车队各成员的手机实时地将车辆的位置信息上传至系统后台，系统后台根据车队内所有车辆的实时位置，基于K-means聚类方法计算出车队内是否存在车辆发生了掉队状况，若发生掉队，系统自动向掉队的车辆发出提醒，提醒消息可在手机上查看。其中车辆掉队自动检测、提醒方法的实现步骤包括：
第一步，系统后台从数据库中筛选，将车队中所有车辆（假设n辆车）最新上传的位置提取出来，形成一个GPS位置集合（L1,L2,L3.....Ln）；
第二步，从GPS位置集合中选择3个点La、Lb与Lc（1≤a,b,c≤n），将以上3点作为初始中心点，通过K-means聚类算法可将该集合中的数据聚类成3组，即对应当前车队中行驶在前方的车辆、中间的车辆以及后方的车辆，可将车队分成前中后3个梯队；
第二步中所提到的K-means聚类算法的特点在于需要事先确定聚类个数k，而在本系统的实际应用中需要将一个车队分成前中后3个梯队，便于计算出车辆掉队的实时情况，基于以上两点，第二步中确定了初始中心点的数量为3。
其中选择3个初始中心点的具体实现方法为：
①从GPS位置集合随机选取一个点作为第一个初始中心点。
②随机选取第二个点，选取后计算该点到第一个初始中心点的距离，若距离小于某个距离阈值W，则重新选择，依次类推，若选择超过10次仍未获得符合条件的点，则将下一个随机获得的点作为初始中心点。设置该距离阈值的目的在于尽量分散K-means聚类的各个初始中心点，使得位置集合更快地完成聚类，作为经验值人为设定。
③随机选取第三个点，选取后计算该点到前两个初始中心点的距离，若距离分别小于距离阈值W，则重新选择，依次类推，若选择超过10次仍未获得符合条件的点，则将下一个随机获得的点作为初始中心点
其中K-means聚类算法的实现过程为：
（2.1）获得聚簇收敛阈值100米和最大迭代次数10次。
（2.2）将3个初始中心点作为初始值，对集合中其他点Li（1≤i≤n并且i≠a,b,c）逐一进行遍历，计算出各点到3个初始中心点的距离dia，dib，dic，并根据最小的距离将该点归类到3个初始中心点中的一个。如点L4到初始中心点La,Lb,Lc的距离分别为d4a，d4b，d4c，L4找到距离最近的中心点后将自动归类到该聚簇。依次类推，GPS位置集合（L1,L2,L3.....Ln）最终将并产生3个聚簇；
（2.3）更新3个聚簇的聚簇中心点。计算3个簇中每个点到簇中其他点的距离均值，距离均值最小的点被判定为该簇新的中心点。
（2.4）根据3个新的聚簇中心点重新聚类，过程与（2.1）中相同，计算出其余各分别点到3个中心点的距离，将各点归类到距离最短的中心点所属的簇中，依次类推，将集合重新聚类产生3个新的簇；
（2.5）各自比较上一次的3个聚簇中心与本次的3个聚簇中心的距离是否都小于收敛阈值100米，若3个距离差均小于100米，则整个K-means聚类过程收敛了，算法结束。反之，再查看迭代次数是否超过最大迭代次数，若迭代次数超过10次，算法结束，否则返回（2.2），继续执行该算法。
第三步，查看GPS位置集合分组后的3个梯队，获取数据最多的一个梯队中的中心点，依次计算与其他两个梯队中各个点的距离，得到该中心点与其他分组中各个点的距离，其距离公式如公式（1）所示：
d＝arccos(sin(y0)sin(ye)+cos(y0)cos(ye)cos(x0-xe))*Re(1)
其中，Re为地球半径，(x0,y0)和(xe,ye)分别为两个位置点的经纬度坐标。之后，将距离d与系统设定的车队掉队距离阈值进行比较，若距离超过阈值，则找到该记录对应的车辆并通过后台消息发送向其发出掉队提醒；若没有超过阈值，则检查另外两个位置分组中下一个数据，直到检查完毕。
第四步，系统后台程序通过计时检查完成以上任务所花时间，若没有超过设定的掉队查询时间，后台中掉队检查线程暂停；当本次检查周期时间超过了设定的掉队查询时间，则返回第一步进行下一轮的车辆掉队检查；
本技术领域中的普通技术人员应当认识到，以上内容仅是用来说明本发明，而并非用作为对本发明的限定，只要在本发明的实质精神范围内，对以上实例的变化、变型都将落在本发明的权利要求书范围内。

Claims (5)

1.一种基于K-means聚类的车队出行诱导方法，其特征在于：所述诱导方法包括以下步骤：
步骤1、从数据库中筛选，将车队中所有车辆最新上传的位置提取出来，形成一个GPS位置集合(L1,L2,L3.....Ln)，n为车辆总数；
步骤2、从GPS位置集合中选择3个点La、Lb与Lc，1≤a,b,c≤n，将以上3点作为初始中心点，通过K-means聚类算法将该集合中的数据聚类成3组，即对应当前车队中行驶在前方的车辆、中间的车辆以及后方的车辆，即将车队分成前中后3个梯队；
所述K-means聚类算法的实现过程为：
(2.1)设定聚簇收敛阈值Delta和最大迭代次数M；
(2.2)将3个初始中心点作为初始值，对集合中其他点Li逐一进行遍历，1≤i≤n并且i≠a,b,c，计算出各点到3个初始中心点的距离dia，dib，dic，并根据最小的距离将该点归类到3个初始中心点中的一个，GPS位置集合(L1,L2,L3.....Ln)最终将产生3个聚簇；
(2.3)更新3个聚簇的聚簇中心点，计算3个簇中每个点到簇中其他点的距离均值，距离均值最小的点被判定为该簇新的中心点；
(2.4)根据3个新的聚簇中心点重新聚类，过程与(2.1)中相同，计算出其余各点到3个中心点的距离，将各点归类到距离最短的中心点所属的簇中，依次类推，将集合重新聚类产生3个新的簇；
(2.5)各自比较上一次的3个聚簇中心与本次的3个聚簇中心的距离是否都小于收敛阈值Delta，若3个距离差均小于Delta，则判定整个K-means聚类过程收敛；反之，再查看迭代次数是否超过最大迭代次数M，若迭代次数超过M，算法结束，否则返回(2.2)；
步骤3、查看GPS位置集合分组后的3个梯队，获取数据最多的一个梯队中的中心点，依次计算与其他两个梯队中各个点的距离，得到该中心点与其他分组中各个点的距离，其距离公式如公式(1)所示：
d＝arccos(sin(y0)sin(ye)+cos(y0)cos(ye)cos(x0-xe))*Re(1)
其中，Re为地球半径，(x0,y0)和(xe,ye)分别为两个位置点的经纬度坐标；之后，将距离d与系统设定的车队掉队距离阈值进行比较，若距离超过阈值，则找到记录对应的车辆并通过后台消息发送向其发出掉队提醒；若没有超过阈值，则检查另外两个位置分组中下一个数据，直到检查完毕。
2.根据权利要求1所述一种基于K-means聚类的车队出行诱导方法，其特征在于：所述诱导方法还包括以下步骤：
步骤4、通过计时检查完成步骤1～步骤3的任务所花时间，若没有超过设定的掉队查询时间，后台中掉队检查线程暂停；当本次检查周期时间超过了设定的掉队查询时间，则返回步骤1进行下一轮的车辆掉队检查；
其中掉队查询时间是系统后台设定的掉队查询周期。
3.根据权利要求1或2所述一种基于K-means聚类的车队出行诱导方法，其特征在于：所述步骤2中确定了初始中心点的数量为3，选择3个初始中心点的具体实现方法为：
①从GPS位置集合随机选取一个点作为第一个初始中心点；
②随机选取第二个点，选取后计算该第二个点到第一个初始中心点的距离，若距离小于某个距离阈值W，则重新选择，依次类推，若选择超过10次仍未获得符合条件的点，则将下一个随机获得的点作为初始中心点；设置该距离阈值的目的在于尽量分散K-means聚类的各个初始中心点，使得位置集合更快地完成聚类，作为经验值人为设定；
③随机选取第三个点，选取后计算该第三个点到前两个初始中心点的距离，若距离分别小于距离阈值W，则重新选择，依次类推，若选择超过10次仍未获得符合条件的点，则将下一个随机获得的点作为初始中心点。
4.根据权利要求1或2所述一种基于K-means聚类的车队出行诱导方法，其特征在于：所述步骤3中，车队掉队距离阈值是当车队队长在后台新建车队时设定，不同车队根据实际情况自定义设置。
5.根据权利要求1或2所述一种基于K-means聚类的车队出行诱导方法，其特征在于：所述步骤1中，车队内各车辆通过手机获取GPS位置并实时上传至后台服务器。
CN201410140648.9A 2014-04-09 2014-04-09 一种基于K-means聚类的车队出行诱导方法 Active CN103903474B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201410140648.9A CN103903474B (zh) 2014-04-09 2014-04-09 一种基于K-means聚类的车队出行诱导方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201410140648.9A CN103903474B (zh) 2014-04-09 2014-04-09 一种基于K-means聚类的车队出行诱导方法

Publications (2)

Publication Number Publication Date
CN103903474A CN103903474A (zh) 2014-07-02
CN103903474B true CN103903474B (zh) 2016-03-02

Family

ID=50994775

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201410140648.9A Active CN103903474B (zh) 2014-04-09 2014-04-09 一种基于K-means聚类的车队出行诱导方法

Country Status (1)

Country Link
CN (1) CN103903474B (zh)

Families Citing this family (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104567891A (zh) * 2015-01-22 2015-04-29 北京微车一族信息技术发展有限公司 一种车队行车的地图导航方法
CN105119800B (zh) * 2015-07-07 2018-07-31 卫小会 一种共享导航信息的通讯方法及系统
CN106017498A (zh) * 2016-07-27 2016-10-12 福建富士通信息软件有限公司 一种自驾游组队防止队员掉队的方法以及系统
CN106403965A (zh) * 2016-08-29 2017-02-15 北京奇虎科技有限公司 行进过程中的车辆定位方法、装置及智能终端设备
CN107172677A (zh) * 2017-05-25 2017-09-15 北京大学 一种车联网广播中继选择方法及系统
CN108846438B (zh) * 2018-06-15 2022-05-24 电子科技大学 一种基于现实地理位置的组队匹配方法
CN109614970A (zh) * 2018-12-05 2019-04-12 中国人民解放军火箭军工程大学 一种红外目标隐身效能的评估方法及系统
CN109657601B (zh) * 2018-12-14 2023-07-07 中通服公众信息产业股份有限公司 基于目标检测算法和聚类算法的目标队伍长度统计方法
CN109977803A (zh) * 2019-03-07 2019-07-05 北京超维度计算科技有限公司 一种基于Kmeans监督学习的人脸识别方法
CN110197221B (zh) * 2019-05-27 2023-05-09 宁夏隆基宁光仪表股份有限公司 基于层次分析法确定智能仪表抄表集中器安装位置的方法
CN113177561B (zh) * 2021-04-27 2022-06-24 深圳市慧鲤科技有限公司 多用户集合方法及装置、电子设备和存储介质

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101408433A (zh) * 2008-11-12 2009-04-15 凯立德欣技术（深圳）有限公司 车队导航系统、领航导航装置、从导航装置及其导航方法
CN102176289A (zh) * 2011-01-26 2011-09-07 东莞市车友互联信息科技有限公司 车队领航方法、车队领航装置及车队导航系统
CN102256207A (zh) * 2011-04-07 2011-11-23 四川长虹电器股份有限公司 车队导航方法
CN102426798A (zh) * 2011-08-27 2012-04-25 广东东纳软件科技有限公司 一种车队通讯导航系统及其好友导航、车队导航方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP3813066B2 (ja) * 2001-03-30 2006-08-23 三菱電機インフォメーションシステムズ株式会社 ナビゲーションシステム及びナビゲーション方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101408433A (zh) * 2008-11-12 2009-04-15 凯立德欣技术（深圳）有限公司 车队导航系统、领航导航装置、从导航装置及其导航方法
CN102176289A (zh) * 2011-01-26 2011-09-07 东莞市车友互联信息科技有限公司 车队领航方法、车队领航装置及车队导航系统
CN102256207A (zh) * 2011-04-07 2011-11-23 四川长虹电器股份有限公司 车队导航方法
CN102426798A (zh) * 2011-08-27 2012-04-25 广东东纳软件科技有限公司 一种车队通讯导航系统及其好友导航、车队导航方法

Also Published As

Publication number Publication date
CN103903474A (zh) 2014-07-02

Similar Documents

Publication Publication Date Title
CN103903474B (zh) 一种基于K-means聚类的车队出行诱导方法
CN106912015B (zh) 一种基于移动网络数据的人员出行链识别方法
CN105825242B (zh) 基于混合网格分层聚类的集群通信终端轨迹实时异常检测方法与系统
CN109255068B (zh) 一种充电桩管理方法、装置、服务器及系统
WO2017054333A1 (zh) 用车业务中获取需求与运力不匹配区域的方法、装置、设备及非易失性计算机存储介质
CN109688532B (zh) 一种划分城市功能区域的方法及装置
CN110909759B (zh) 基于人口大数据的城市区域分级管理系统及方法
CN109754594A (zh) 一种路况信息获取方法及其设备、存储介质、终端
CN106937251B (zh) 一种室内定位方法及服务器
CN105160880A (zh) 一种车辆载客状态的预估方法及装置
WO2019205020A1 (zh) 一种路况识别方法、装置及设备
CN106708837B (zh) 兴趣点搜索方法、装置
CN109360421B (zh) 一种基于机器学习的交通信息预测方法及装置、电子终端
CN110399445B (zh) 一种兴趣点的处理方法、装置及设备
CN111311193B (zh) 公共服务资源的配置方法和装置
US20140031055A1 (en) Wireless network coverage estimation using down-sampled crowd-sourced data
CN110830915B (zh) 一种确定起点位置的方法及装置
CN107545318A (zh) 公交线路优先级确定、公交换乘线路排序方法及装置
KR101206570B1 (ko) 도로지도 생성 장치 및 방법
CN106997668B (zh) 利用手机移动数据评价路口信号机控制效率的方法和系统
US10306053B1 (en) Restricting computing devices used by vehicle operators
CN109274725B (zh) 互联网交易定位方法、装置及服务器
CN116664025A (zh) 装卸货位置点生成方法、装置及设备
US20210262824A1 (en) Path information management method and server using the same
CN103578270B (zh) 一种出租车信誉评价系统的信誉评价方法

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
C14 Grant of patent or utility model
GR01 Patent grant
TR01 Transfer of patent right

Effective date of registration: 20191223

Address after: Room 234, Kechuang building, Zhijiang college, Zhejiang University of technology, No. 958, Kehua Road, Keqiao District, Shaoxing City, Zhejiang Province

Patentee after: Shaoxing Keqiao Zhejiang University of Technology Innovation Research Institute Development Co., Ltd

Address before: The city Zhaohui six districts Chao Wang Road Hangzhou City, Zhejiang province 310014 18

Patentee before: Zhejiang University of Technology

TR01 Transfer of patent right