CN104573326A - 一种车辆行驶数据统计分析系统 - Google Patents
一种车辆行驶数据统计分析系统 Download PDFInfo
- Publication number
- CN104573326A CN104573326A CN201410779320.1A CN201410779320A CN104573326A CN 104573326 A CN104573326 A CN 104573326A CN 201410779320 A CN201410779320 A CN 201410779320A CN 104573326 A CN104573326 A CN 104573326A
- Authority
- CN
- China
- Prior art keywords
- statistics
- module
- data
- vehicle operation
- operation data
- 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.)
- Pending
Links
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开一种车辆行驶数据统计分析系统,其文件读取时间短，文件的分析、计算占用资源小，分析时间短，分析后的结果随着业务扩展而动态实现统计分析，支持通过定制化的查询条件过滤数据，支持导出多种主流文件格式。其包括解析车辆行驶数据模块、统计数据智能筛选分析模块、统计数据经验积累模块、统计数据推送模块；解析车辆行驶数据模块配置来对车辆行驶数据进行解析；统计数据智能筛选分析模块配置来进行筛选、分类、整合、存储；统计数据经验积累模块配置来结合机器学习方式构建经验学习模型，积累经验数据；统计数据推送模块配置来当客户端与该系统建立通信后，按照指定频率将统计数据定时推送到相应的客户端。
Description
技术领域
本发明涉及计算机数据处理的技术领域，具体地涉及一种车辆行驶数据统计分析系统。
背景技术
随着社会的发展和科技的进步，汽车作为交通工具，越来越广泛地被应用到人类的日常生活中。这就需要对车辆联网监控，以保证道路行驶畅通和人们人身安全。但是，如果要实施车辆联网监控，就要求能够实现车辆行驶数据的统计分析。
现有的车辆行驶数据统计分析系统，是通过读取车辆行驶轨迹文件进行统计分析，这样存在以下几个缺点：
1.文件读取时间随着时间增长、业务量增多而增加。
2.文件的分析、计算占用资源很大，分析时间很长。
3.分析后的结果并非完全具有说服性，不能随着业务扩展而动态实现统计分析。
4.原统计分析后的数据在展现上不支持通过定制化的查询条件过滤数据，不支持导出除excel以外的主流格式文件。
发明内容
本发明的技术解决问题是：克服现有技术的不足，提供一种车辆行驶数据统计分析系统,其文件读取时间不随着时间增长、业务量增多而增加，文件的分析、计算占用资源小，分析时间短，分析后的结果随着业务扩展而动态实现统计分析，支持通过定制化的查询条件过滤数据，支持导出多种主流文件格式。
本发明的技术解决方案是：这种车辆行驶数据统计分析系统，其包括解析车辆行驶数据模块、统计数据智能筛选分析模块、统计数据经验积累模块、统计数据推送模块；
解析车辆行驶数据模块配置来对车辆行驶数据进行解析；
统计数据智能筛选分析模块配置来对解析后的统计数据进行筛选、分类、整合、存储，并包括筛选统计数据模块、分类统计数据模块、整合统计数据模块、存储统计数据模块；
统计数据经验积累模块配置来结合机器学习方式构建经验学习模型，积累经验数据，为客户端展现提供数据支持；
统计数据推送模块配置来当客户端与该系统建立通信后，统计数据推送模块按照指定频率将统计数据定时推送到相应的客户端。
通过本发明的解析车辆行驶数据模块、统计数据智能筛选分析模块、统计数据经验积累模块、统计数据推送模块，能够实现文件读取时间不随着时间增长、业务量增多而增加，文件的分析、计算占用资源小，分析时间短，分析后的结果随着业务扩展而动态实现统计分析，支持通过定制化的查询条件过滤数据，支持导出多种主流文件格式。
附图说明
图1为根据本发明的车辆行驶数据统计分析系统的结构示意图。
图2为根据本发明的车辆行驶数据统计分析系统的流程图。
具体实施方式
如图1所示，这种车辆行驶数据统计分析系统，其包括解析车辆行驶数据模块、统计数据智能筛选分析模块、统计数据经验积累模块、统计数据推送模块；
解析车辆行驶数据模块配置来对车辆行驶数据进行解析；
统计数据智能筛选分析模块配置来对解析后的统计数据进行筛选、分类、整合、存储，并包括筛选统计数据模块、分类统计数据模块、整合统计数据模块、存储统计数据模块；
统计数据经验积累模块配置来结合机器学习方式构建经验学习模型，积累经验数据，为客户端展现提供数据支持；
统计数据推送模块配置来当客户端(例如，移动终端、web浏览器)与该系统建立通信后，统计数据推送模块按照指定频率将统计数据定时推送到相应的客户端。
通过本发明的解析车辆行驶数据模块、统计数据智能筛选分析模块、统计数据经验积累模块、统计数据推送模块，能够实现文件读取时间不随着时间增长、业务量增多而增加，文件的分析、计算占用资源小，分析时间短，分析后的结果随着业务扩展而动态实现统计分析，支持通过定制化的查询条件过滤数据，支持导出多种主流文件格式(文本文件、WORD文档、图片、HTML、PDF文件等)。
另外，解析车辆行驶数据模块还配置来通过分布式实时计算服务开启分布式线上和线下调度任务；线上调度任务为，将车辆实时动态行驶数据分发到线上任务中，由调度任务进行分布式计算来分析处理，从而生成动态统计数据；线下调度任务为，将实时性差的车辆行驶数据分发给线下任务，由调度任务以日、月、季度、年的统计频率进行线下分析并生成统计数据。
另外，筛选统计数据模块配置为，统计后的结果以机器学习方式智能挑选出符合条件的统计业务相关数据分发到分类统计数据模块。
另外，符合条件的统计业务相关数据包含在业务需求范围的时间、海拔、经度、纬度、报警编码、油耗、GPS速度、里程、引擎转速等。
另外，分类统计数据模块配置为，经过筛选的数据由统计数据经验积累模块按照多维度条件进行分类后，分发到整合统计数据模块。
另外，多维度条件是行驶时间段维度、区域范围维度、行驶路线范围维度、报警点纬度等。
另外，整合统计数据模块配置为，经过分类的数据由调度任务通过分布式计算方式在各服务器上进行数据汇总、归并、函数运算的整合任务，整合内容包括：里程分布汇总、油耗分布汇总、汇总车辆行驶时间对应经纬度集合、汇总报警点坐标集合，将整合后的统计数据返回到客户端。
另外，车辆行驶时间对应经纬度集合为，以车辆各个时间点为键，相应经纬度为值的JSON(JavaScript Object Notation，是一种轻量级的数据交换格式。它基于JavaScript(Standard ECMA-2623rd Edition-December1999)的一个子集))字符串；报警点坐标集合为，以车辆某个时间段内报警编码为键，相应报警时的经纬度为值的JSON字符串。
另外，存储统计数据模块配置为，整合后的统计数据以指定格式(分布式文件系统按行存储，每行为一个车辆的所有统计数据，格式为：车辆主键+tab分隔符+报警总数+tab分隔符+上线时间+tab分隔符+定位无效总数+tab分隔符+终端异常总数；对应数据库存储的格式为车辆信息统计表，包含车辆主键、月份、年份、季度、报警总数、上线时间、定位无效总数、终端异常总数等字段)封装，智能区分存储目标。
另外，该系统还包括绘制统计分析结果模块，其配置来通过数据包装、页面渲染，以便形成图表、图片、文档。
另外，该系统绘制统计分析结果模块使用HTML5的本地存储特性来形成统计图表、图片，通过设备兼容性支持多媒体、支持三维立体特效特性来实现页面渲染、页面元素构建，从而展现丰富的统计内容结果。
本发明的有益效果是：
展现上：通过多维度查询条件、分析图表、数据列表来展现车辆行驶行为信息，如车辆季节性迁徙分布图表、车辆物流迁徙分布图表、车辆行驶时间趋势分布图表、车辆行驶轨迹分布图表等，用户可自定义查询纬度进行查询，并可以保存查询条件以供后续再次使用，同时支持导出多种主流文件格式(文本文件、WORD文档、图片、HTML、PDF文件等)。
数据处理上：通过线上线下统计分析任务并行处理车辆行驶数据，以分布式实时计算及机器学习方式进行智能统计分析，将统计后结果以实时和异步方式进行筛选、合并、汇总、分析，最后绘制指定业务的统计结果图表。
创新上：通过分布式实时计算服务实时采集车辆行驶数据，将数据分发给统计数据智能筛选分析模块来构建线上和线下任务进行智能筛选分析，同时，在分析过程中，统计数据经验积累模块可以将数据分析业务处理过程构建成计算模型，提供给机器学习以支持动态添加统计业务。。
以下给出一个具体的应用场景：
货车A在1月20日由四川开往宁夏运输建筑材料，沿着高速公路行驶，晚上行驶速度比白天快，在石嘴山—银川高速公路中间地段耗油量较高，晚上11点至12点终端一直提示疲劳报警，该时间段内引擎转速为3500r/分钟。此时，系统实时采集行驶数据，通过系统筛选、分类、整合，生成第一季度车辆行驶里程趋势图、车辆行驶轨迹热度图、车辆报警时段分析图、车辆耗油排行等图表，同时将统计数据推送到移动终端，来保证最精确、最全面、最丰富的展现车辆行驶行为分析，了解当前车辆整体行驶情况，为监管单位提供精确度高的统计分析数据。
以上所述，仅是本发明的较佳实施例，并非对本发明作任何形式上的限制，凡是依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化与修饰，均仍属本发明技术方案的保护范围。
Claims (11)
1.一种车辆行驶数据统计分析系统，其特征在于：其包括解析车辆行驶数据模块、统计数据智能筛选分析模块、统计数据经验积累模块、统计数据推送模块；
解析车辆行驶数据模块配置来对车辆行驶数据进行解析；
统计数据智能筛选分析模块配置来对解析后的统计数据进行筛选、分类、整合、存储，并包括筛选统计数据模块、分类统计数据模块、整合统计数据模块、存储统计数据模块；
统计数据经验积累模块配置来结合机器学习方式构建经验学习模型，积累经验数据，为客户端展现提供数据支持；
统计数据推送模块配置来当客户端与该系统建立通信后，统计数据推送模块按照指定频率将统计数据定时推送到相应的客户端。
2.根据权利要求1所述的车辆行驶数据统计分析系统，其特征在于：所述解析车辆行驶数据模块还配置来通过分布式实时计算服务开启分布式线上和线下调度任务；线上调度任务为，将车辆实时动态行驶数据分发到线上任务中，由调度任务进行分布式计算来分析处理，从而生成动态统计数据；线下调度任务为，将实时性差的车辆行驶数据分发给线下任务，由调度任务以日、月、季度、年的统计频率进行线下分析并生成统计数据。
3.根据权利要求2所述的车辆行驶数据统计分析系统，其特征在于：所述筛选统计数据模块配置为，统计后的结果以机器学习方式智能挑选出符合条件的统计业务相关数据分发到分类统计数据模块。
4.根据权利要求3所述的车辆行驶数据统计分析系统，其特征在于：所述符合条件的统计业务相关数据包含在业务需求范围的时间、海拔、经度、纬度、报警编码、油耗、GPS速度、里程、引擎转速。
5.根据权利要求4所述的车辆行驶数据统计分析系统，其特征在于：所述分类统计数据模块配置为，经过筛选的数据由统计数据经验积累模块按照多维度条件进行分类后，分发到整合统计数据模块。
6.根据权利要求5所述的车辆行驶数据统计分析系统，其特征在于：所述多维度条件是行驶时间段维度、区域范围维度、行驶路线范围维度、报警点纬度。
7.根据权利要求6所述的车辆行驶数据统计分析系统，其特征在于：所述整合统计数据模块配置为，经过分类的数据由调度任务通过分布式计算方式在各服务器上进行数据汇总、归并、函数运算的整合任务，整合内容包括：里程分布汇总、油耗分布汇总、汇总车辆行驶时间对应经纬度集合、汇总报警点坐标集合，将整合后的统计数据返回到客户端。
8.根据权利要求7所述的车辆行驶数据统计分析系统，其特征在于：所述车辆行驶时间对应经纬度集合为，以车辆各个时间点为键，相应经纬度为值的JSON字符串；所述报警点坐标集合为，以车辆某个时间段内报警编码为键，相应报警时的经纬度为值的JSON字符串。
9.根据权利要求8所述的车辆行驶数据统计分析系统，其特征在于：所述存储统计数据模块配置为，整合后的统计数据以指定格式封装，智能区分存储目标。
10.根据权利要求1-9任一项所述的车辆行驶数据统计分析系统，其特征在于：该系统还包括绘制统计分析结果模块，其配置来通过数据包装、页面渲染，以便形成图表、图片、文档。
11.根据权利要求1-9任一项所述的车辆行驶数据统计分析系统，其特征在于：该系统绘制统计分析结果模块使用HTML5的本地存储特性来形成统计图表、图片，通过设备兼容性支持多媒体、支持三维立体特效特性来实现页面渲染、页面元素构建。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201410779320.1A CN104573326A (zh) | 2014-12-16 | 2014-12-16 | 一种车辆行驶数据统计分析系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201410779320.1A CN104573326A (zh) | 2014-12-16 | 2014-12-16 | 一种车辆行驶数据统计分析系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN104573326A true CN104573326A (zh) | 2015-04-29 |
Family
ID=53089372
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201410779320.1A Pending CN104573326A (zh) | 2014-12-16 | 2014-12-16 | 一种车辆行驶数据统计分析系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN104573326A (zh) |
Cited By (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105657074A (zh) * | 2016-03-31 | 2016-06-08 | 大连楼兰科技股份有限公司 | 车载设备监控和数据分析的方法及装置 |
| CN105869396A (zh) * | 2016-04-28 | 2016-08-17 | 泰华智慧产业集团股份有限公司 | 基于大数据平台的过车指数统计方法及系统 |
| CN105912699A (zh) * | 2016-04-25 | 2016-08-31 | 乐视控股（北京）有限公司 | 一种数据分析方法及装置 |
| CN106453456A (zh) * | 2015-08-10 | 2017-02-22 | 北京易华录信息技术股份有限公司 | 基于汽车电子标识的信息处理方法和系统 |
| CN106776696A (zh) * | 2016-11-11 | 2017-05-31 | 浙江宇视科技有限公司 | 一种基于分类模型的热度图数据处理方法及装置 |
| CN108734433A (zh) * | 2018-05-29 | 2018-11-02 | 广州亿程交通信息集团有限公司 | 车辆日志数据分析系统 |
| CN109934233A (zh) * | 2019-03-11 | 2019-06-25 | 北京经纬恒润科技有限公司 | 一种运输业务识别方法和系统 |
| CN110889618A (zh) * | 2019-11-21 | 2020-03-17 | 贵州电网有限责任公司 | 一种配网终端在线率多维统计分析方法 |
| WO2021217626A1 (zh) * | 2020-04-30 | 2021-11-04 | 上海华东汽车信息技术有限公司 | 车辆数据处理方法、装置、计算机设备和存储介质 |
| CN114120642A (zh) * | 2021-11-23 | 2022-03-01 | 深圳大学 | 一种道路车流三维重建方法、计算机设备及存储介质 |
| CN114997756A (zh) * | 2022-08-03 | 2022-09-02 | 成都智暄科技有限责任公司 | 基于座舱数据的车辆残值评估系统及方法 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20100174514A1 (en) * | 2009-01-07 | 2010-07-08 | Aman Melkumyan | Method and system of data modelling |
| WO2011085819A1 (en) * | 2010-01-15 | 2011-07-21 | Zenrobotics Ltd. | A machine-learning system and a method for determining different operating points in such a system |
| CN102903240A (zh) * | 2012-10-09 | 2013-01-30 | 潮州市创佳电子有限公司 | 一种基于车载北斗定位终端的实时路况感知系统 |
-
2014
- 2014-12-16 CN CN201410779320.1A patent/CN104573326A/zh active Pending
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20100174514A1 (en) * | 2009-01-07 | 2010-07-08 | Aman Melkumyan | Method and system of data modelling |
| WO2011085819A1 (en) * | 2010-01-15 | 2011-07-21 | Zenrobotics Ltd. | A machine-learning system and a method for determining different operating points in such a system |
| CN102903240A (zh) * | 2012-10-09 | 2013-01-30 | 潮州市创佳电子有限公司 | 一种基于车载北斗定位终端的实时路况感知系统 |
Non-Patent Citations (9)
| Title |
|---|
| 刘世刚等: ""企业铁路可视化机车运行实时监控系统"", 《甘肃科技》 * |
| 常青: "《网络农业科技信息资源的开发与利用》", 31 May 2008, 长沙：湖南人民出版社 * |
| 张晓清: "《网页构图与设计》", 30 April 2001, 人民邮电出版社 * |
| 杜占元等: "《自然科技资源共享平台建设的理论与实践》", 31 December 2007, 北京：科学出版社 * |
| 苏枫等: ""基于机器学习分类判断算法构建心力衰竭疾病分期模型"", 《中国组织工程研究》 * |
| 蒋乾悦等: ""基于模糊综合决策的服务器推送方法"", 《计算机科学》 * |
| 靳东旺等: "《图书馆信息服务研究》", 30 June 2013, 西安地图出版社 * |
| 高丽华等: "《新媒体广告》", 30 June 2011, 北京：清华大学出版社、北京交通大学出版社 * |
| 黄诗华等: ""基于机器学习的自然特征匹配方法"", 《计算机工程》 * |
Cited By (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106453456A (zh) * | 2015-08-10 | 2017-02-22 | 北京易华录信息技术股份有限公司 | 基于汽车电子标识的信息处理方法和系统 |
| CN105657074A (zh) * | 2016-03-31 | 2016-06-08 | 大连楼兰科技股份有限公司 | 车载设备监控和数据分析的方法及装置 |
| CN105912699A (zh) * | 2016-04-25 | 2016-08-31 | 乐视控股（北京）有限公司 | 一种数据分析方法及装置 |
| CN105869396A (zh) * | 2016-04-28 | 2016-08-17 | 泰华智慧产业集团股份有限公司 | 基于大数据平台的过车指数统计方法及系统 |
| CN106776696B (zh) * | 2016-11-11 | 2022-05-06 | 浙江宇视科技有限公司 | 一种基于分类模型的热度图数据处理方法及装置 |
| CN106776696A (zh) * | 2016-11-11 | 2017-05-31 | 浙江宇视科技有限公司 | 一种基于分类模型的热度图数据处理方法及装置 |
| CN108734433A (zh) * | 2018-05-29 | 2018-11-02 | 广州亿程交通信息集团有限公司 | 车辆日志数据分析系统 |
| CN109934233A (zh) * | 2019-03-11 | 2019-06-25 | 北京经纬恒润科技有限公司 | 一种运输业务识别方法和系统 |
| CN110889618A (zh) * | 2019-11-21 | 2020-03-17 | 贵州电网有限责任公司 | 一种配网终端在线率多维统计分析方法 |
| WO2021217626A1 (zh) * | 2020-04-30 | 2021-11-04 | 上海华东汽车信息技术有限公司 | 车辆数据处理方法、装置、计算机设备和存储介质 |
| CN114120642A (zh) * | 2021-11-23 | 2022-03-01 | 深圳大学 | 一种道路车流三维重建方法、计算机设备及存储介质 |
| CN114997756A (zh) * | 2022-08-03 | 2022-09-02 | 成都智暄科技有限责任公司 | 基于座舱数据的车辆残值评估系统及方法 |
| CN114997756B (zh) * | 2022-08-03 | 2022-12-20 | 成都智暄科技有限责任公司 | 基于座舱数据的车辆残值评估系统及方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN104573326A (zh) | 一种车辆行驶数据统计分析系统 | |
| Yi et al. | Electric vehicle charging demand forecasting using deep learning model | |
| Balbin et al. | Predictive analytics on open big data for supporting smart transportation services | |
| Yue et al. | Zooming into individuals to understand the collective: A review of trajectory-based travel behaviour studies | |
| Tang et al. | A network Kernel Density Estimation for linear features in space–time analysis of big trace data | |
| Giraka et al. | Short-term prediction of intersection turning volume using seasonal ARIMA model | |
| CN104216889B (zh) | 基于云服务的数据传播性分析预测方法及系统 | |
| Peredo et al. | Urban dynamic estimation using mobile phone logs and locally varying anisotropy | |
| Li et al. | Empirical study of travel time estimation and reliability | |
| Petalas et al. | A big data architecture for traffic forecasting using multi-source information | |
| Jiang et al. | A collective human mobility analysis method based on data usage detail records | |
| Ferreira-Vanegas et al. | Analytical Methods and Determinants of Frequency and Severity of Road Accidents: A 20‐Year Systematic Literature Review | |
| Kashifi et al. | Spatiotemporal grid-based crash prediction—application of a transparent deep hybrid modeling framework | |
| Guo | Application of meteorological big data | |
| Shen et al. | Novel model for predicting individuals’ movements in dynamic regions of interest | |
| Zheng et al. | A novel grid based k-means cluster method for traffic zone division | |
| Khekare et al. | Prophetic probe of accidents in Indian smart cities using machine learning | |
| Cromartie et al. | Defining frontier areas in the United States | |
| Dou et al. | Spatial evolution pattern of tourism flow in China: case study of the May Day Holiday based on Baidu migration data | |
| Nagpal | Analyzing role of big data and IoT in smart cities | |
| Sjöbergh et al. | Geospatial digital dashboard for exploratory visual analytics | |
| Wang et al. | A semantic embedding methodology for motor vehicle crash records: A case study of traffic safety in Manhattan Borough of New York City | |
| Ravikanth et al. | Identification of accident hotspots using clustering algorithms in machine learning | |
| Alajali et al. | Fog computing based traffic and car parking intelligent system | |
| Maktoubian et al. | Analyzing large-scale smart card data to investigate public transport travel behaviour using big data analytics |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20150429 |
|
| RJ01 | Rejection of invention patent application after publication |