CN104636443B - 一种基于货车轨迹挖掘poi潜在信息的基础数据模型 - Google Patents
一种基于货车轨迹挖掘poi潜在信息的基础数据模型 Download PDFInfo
- Publication number
- CN104636443B CN104636443B CN201510013405.3A CN201510013405A CN104636443B CN 104636443 B CN104636443 B CN 104636443B CN 201510013405 A CN201510013405 A CN 201510013405A CN 104636443 B CN104636443 B CN 104636443B
- Authority
- CN
- China
- Prior art keywords
- data
- poi
- anchor point
- point
- lorry
- 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
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/21—Design, administration or maintenance of databases
- G06F16/211—Schema design and management
- G06F16/213—Schema design and management with details for schema evolution support
Landscapes
- Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开一种基于货车轨迹挖掘POI潜在信息的基础数据模型,该模型包括步骤:(1)选择样例数据,样例数据包括货车轨迹数据、最近更新的信息点POI数据、全国基础路网数据;(2)数据预处理,包括脏数据过滤、POI数据分类、路网数据准备;(3)数据处理,包括停靠点的统计、停靠点与路网数据做匹配、停靠点与POI均在地图上进行网格的划分与编号以及停靠点与POI的匹配;(4)数据统计,包括从车辆的角度统计每辆车在行经的停靠点处的POI输出、从POI的角度统计在每个POI处全国货车车辆的停靠信息。
Description
技术领域
本发明涉及数据处理和挖掘的技术领域,具体地涉及一种基于货车轨迹挖掘POI潜在信息的基础数据模型,此模型对轨迹数据的处理不仅对货车及司机的行为分析适用,而且可以应用到交通领域的其他车辆数据分析中,如客车服务平台等。
背景技术
现有技术中存在货车运营平台,能够对全国的大部分货车车辆进行接入网服务,并对这些货车轨迹数据也具有一定的独立使用权限,随着接入车辆数目的快速增长,海量数据随之而来,故基于大数据技术的基础数据模型是一种新型的交通领域的数据模型,以货车轨迹数据为输入,经过一系列算法的分析及参数的调整,输出固定信息的数据,为初期数据分析的过程提供正确的思路向导,为进一步的数据分析提供数据及技术支持。
发明内容
本发明的技术解决问题是:克服现有技术的不足,提供一种基于货车轨迹挖掘POI潜在信息的基础数据模型,其能够为后续的挖掘分析提供相对可靠的数据信息,基于此模型输出数据的开发工作(如常跑路线、车货匹配、用户信息推荐等)更简单,方向更明确,降低开发成本,缩短开发周期。
本发明的技术解决方案是:这种基于货车轨迹挖掘POI潜在信息的基础数据模型,该模型包括以下步骤:
(1)选择样例数据,样例数据包括货车轨迹数据、最近更新的信息点POI数据、全国基础路网数据;
(2)数据预处理,包括脏数据过滤、POI数据分类、路网数据准备;
(3)数据处理,包括停靠点的统计、停靠点与路网数据做匹配、停靠点与POI均在地图上进行网格的划分与编号以及停靠点与POI的匹配;
(4)数据统计,包括从车辆的角度统计每辆车在行经的停靠点处的POI输出、从POI的角度统计在每个POI处全国货车车辆的停靠信息。
本发明过滤掉了因终端设备引起的部分脏数据,甚至是有问题的数据采集终端,所以为后续的挖掘分析提供相对可靠的数据信息;基于此模型输出数据的开发工作(如常跑路线、车货匹配、用户信息推荐等)更简单,方向更明确,降低开发成本,缩短开发周期。
还提供了一种基于货车轨迹挖掘POI潜在信息的基础数据模型,该模型包括以下步骤:
(I)开始;
(II)选择最近一年内的货车轨迹数据;
(III)根据之前的数据处理经验进行原始轨迹的脏数据过滤;
(IV)制定全国货车停靠点筛选方案:货车轨迹点坐标持续5分钟以上没有超出制定的距离范围,认为是货车停靠点;
(V)统计全国路网数据;
(VI)停靠点与全国路网数据匹配:在路网范围内的停靠点为真正的货车停靠点,在路网范围外的停靠点输出其初始偏离路网处的轨迹点作为真正的停靠点;
(VII)对道路网上的停靠点信息进行脏数据过滤;
(VIII)成果数据验收、存储并进行地图数据匹配;
(IX)停靠点与POI匹配,对POI数据统计分析;
(X)统计车辆停靠信息和POI信息;
(XI)结束。
附图说明
图1为根据本发明的基于货车轨迹挖掘POI潜在信息的基础数据模型的结构示意图。
图2为根据本发明的基于货车轨迹挖掘POI潜在信息的基础数据模型的流程图。
图3为根据本发明的基于货车轨迹挖掘POI潜在信息的基础数据模型的步骤(3.2)的流程图。
具体实施方式
如图1所示,这种基于货车轨迹挖掘POI潜在信息的基础数据模型,该模型包括以下步骤:
(1)选择样例数据,样例数据包括货车轨迹数据、最近更新的信息点POI数据、全国基础路网数据;
(2)数据预处理,包括脏数据过滤、POI数据分类、路网数据准备;
(3)数据处理,包括停靠点的统计、停靠点与路网数据做匹配、停靠点与POI均在地图上进行网格的划分与编号以及停靠点与POI的匹配;
(4)数据统计,包括从车辆的角度统计每辆车在行经的停靠点处的POI信息、从POI的角度统计在每个POI处全国货车车辆的停靠信息。
本发明过滤掉了因终端设备引起的部分脏数据,甚至是有问题的数据采集终端,所以为后续的挖掘分析提供相对可靠的数据信息;基于此模型输出数据的开发工作(如常跑路线、车货匹配、用户信息推荐等)更简单,方向更明确,降低开发成本,缩短开发周期。
另外,所述步骤(3)包括以下分步骤:
(3.1)停靠点的统计:在一定距离范围内,货车轨迹持续停靠时间超过5分钟,针对车辆的停靠特点做相应的脏数据过滤;
(3.2)停靠点与路网数据做匹配:在路网范围内的停靠点为真正的货车停靠点,在路网范围外的停靠点输出其初始偏离路网处的轨迹点作为真正的停靠点;
(3.3)停靠点与POI点均在地图上进行网格的划分与编号,根据制定的相关参数匹配货车停靠处的最可能POI。
另外,如图3所示,所述步骤(3.2)包括以下分步骤:
(3.2.1)开始;
(3.2.2)读取路网范围外的车辆停靠点数据及每次停靠前20分钟的车辆轨迹数据(离开路网20分钟后仍没有发生停靠的货车,认为其之后的停靠点是无意义的);
(3.2.3)取出一个停靠点及此次停靠前20分钟的车辆轨迹数据;
(3.2.4)取出此停靠点附近的路网数据,将停靠点坐标与附近指定范围内每个路段的坐标数据进行对比;
(3.2.5)判断停靠点是否在道路两边35米的范围内(这个35米是根据POI数据的特点而定的),是则执行步骤(3.2.6),否则执行步骤
(3.2.7);
(3.2.6)输出此停靠点信息,跳转步骤(3.2.11);
(3.2.7)从停靠前的最后一个轨迹点开始向前寻找最后一个在路网35米内的车辆轨迹点;
(3.2.8)判断是否存在符合条件的车辆轨迹点,是则执行步骤
(3.2.10),否则执行步骤(3.2.9);
(3.2.9)不输出任何信息,跳转步骤(3.2.11);
(3.2.10)输出该车辆轨迹点及停靠点信息;
(3.2.11)判断下个停靠点是否存在,是则执行步骤(3.2.3),否则执行步骤(3.2.12);
(3.2.12)结束。
如图2所示,还提供了一种基于货车轨迹挖掘POI潜在信息的基础数据模型,该模型包括以下步骤:
(I)开始;
(II)选择最近一年内的货车轨迹数据;
(III)根据之前的数据处理经验进行原始轨迹的脏数据过滤;
(IV)制定全国货车停靠点筛选方案:货车轨迹点坐标持续5分钟以上没有超出制定的距离范围,认为是货车停靠点;
(V)统计全国路网数据;
(VI)停靠点与全国路网数据匹配:在路网范围内的停靠点为真正的货车停靠点,在路网范围外的停靠点输出其初始偏离路网处的轨迹点作为真正的停靠点;
(VII)对道路网上的停靠点信息进行脏数据过滤;
(VIII)成果数据验收、存储并进行地图数据匹配;
(IX)停靠点与POI匹配,对POI数据结构统计分析;
(X)统计车辆停靠信息和POI信息;
(XI)结束。
另外,所述步骤(IX)还包括:优化POI分类,制定POI数据分类方案和获取POI数据之后,再执行停靠点与POI匹配,对POI数据统计分析。
相对于现有技术,本方法有如下创新点:
1.基于大数据技术,充分利用车机报文大数据的优势,尽量挖掘有效的信息为目标提供支持;
2.建立货车轨迹数据的基础模型,可应用到交通领域的其他车辆数据分析与挖掘中,具有广泛的实用价值;
3.根据货车及司机的行为习惯和个人喜好等数据可优化POI的分布情况。
本发明的一个应用场景为:
在车旺平台上,需要向不同的用户做相关的智能推荐,如向货主推荐合适的货车,就必须要了解货车的行为习惯以及司机的个人喜好,这些都是基于基础数据模型所提供的信息,停靠点及POI数据的统计就能够分析出货车的行为习惯以及司机的个人喜好,基于此就可以向货主做相关信息推荐了。
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 (3)
1.一种基于货车轨迹挖掘POI潜在信息的基础数据模型,其特征在于:
该模型包括以下步骤:
(1)选择样例数据,样例数据包括货车轨迹数据、最近更新的信息点POI数据、全国基础路网数据;
(2)数据预处理,包括脏数据过滤、POI数据分类、路网数据准备;
(3)数据处理,包括停靠点的统计、停靠点与路网数据做匹配、停靠点与POI均在地图上进行网格的划分与编号以及停靠点与POI的匹配;
(4)数据统计,包括从车辆的角度统计每辆车在行经的停靠点处的POI信息、从POI的角度统计在每个POI处全国货车车辆的停靠信息;
所述步骤(3)包括以下分步骤:
(3.1)停靠点的统计:在一定距离范围内,货车轨迹持续停靠时间超过5分钟,然后针对车辆的停靠特点做相应的脏数据过滤;
(3.2)停靠点与路网数据做匹配:在路网范围内的停靠点为真正的货车停靠点,在路网范围外的停靠点输出其初始偏离路网处的轨迹点作为真正的停靠点;
(3.3)停靠点与POI点均在地图上进行网格的划分与编号,根据制定的相关参数匹配货车停靠处的最可能POI;
所述步骤(3.2)包括以下分步骤:
(3.2.1)开始;
(3.2.2)读取路网范围外的车辆停靠点数据及每次停靠前20分钟的车辆轨迹数据;
(3.2.3)取出一个停靠点及此次停靠前20分钟的车辆轨迹数据;
(3.2.4)取出此停靠点附近的路网数据,将停靠点坐标与附近指定范围内每个路段的坐标数据进行对比;
(3.2.5)判断停靠点是否在道路两边35米的范围内,是则执行步骤
(3.2.6),否则执行步骤(3.2.7);
(3.2.6)输出此停靠点信息,跳转步骤(3.2.11);
(3.2.7)从停靠前的最后一个轨迹点开始向前寻找最后一个在路网35米内的车辆轨迹点;
(3.2.8)判断是否存在符合条件的车辆轨迹点,是则执行步骤
(3.2.10),否则执行步骤(3.2.9);
(3.2.9)不输出任何信息,跳转步骤(3.2.11);
(3.2.10)输出该车辆轨迹点及停靠点信息;
(3.2.11)判断下个停靠点是否存在,是则执行步骤(3.2.3),否则执行步骤(3.2.12);
(3.2.12)结束。
2.一种基于货车轨迹挖掘POI潜在信息的基础数据模型,其特征在于:
该模型包括以下步骤:
(I)开始;
(II)选择最近一年内的货车轨迹数据;
(III)根据之前的数据处理经验进行原始轨迹的脏数据过滤;
(IV)制定全国货车停靠点筛选方案:货车轨迹点坐标持续5分钟以上没有超出指定的距离范围,认为是货车停靠点;
(V)统计全国路网数据;
(VI)停靠点与全国路网数据匹配:在路网范围内的停靠点为真正的货车停靠点,在路网范围外的停靠点输出其初始偏离路网处的轨迹点作为真正的停靠点;
(VII)对道路网上的停靠点信息进行脏数据过滤;
(VIII)成果数据验收、存储并进行地图数据匹配;
(IX)停靠点与POI匹配,对POI数据结构统计分析;
(X)统计车辆停靠信息和POI信息;
(XI)结束。
3.根据权利要求2所述的基于货车轨迹挖掘POI潜在信息的基础数据模型,其特征在于:所述步骤(IX)还包括:优化POI分类,制定POI数据分类方案和获取POI数据之后,再执行停靠点与POI匹配,对POI数据结构统计分析。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510013405.3A CN104636443B (zh) | 2015-01-12 | 2015-01-12 | 一种基于货车轨迹挖掘poi潜在信息的基础数据模型 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510013405.3A CN104636443B (zh) | 2015-01-12 | 2015-01-12 | 一种基于货车轨迹挖掘poi潜在信息的基础数据模型 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104636443A CN104636443A (zh) | 2015-05-20 |
CN104636443B true CN104636443B (zh) | 2018-01-23 |
Family
ID=53215189
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510013405.3A Active CN104636443B (zh) | 2015-01-12 | 2015-01-12 | 一种基于货车轨迹挖掘poi潜在信息的基础数据模型 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104636443B (zh) |
Families Citing this family (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105654417A (zh) * | 2016-01-13 | 2016-06-08 | 北京中交兴路信息科技有限公司 | 一种货车停靠点信息的获取方法及系统 |
CN107990909B (zh) * | 2016-10-27 | 2021-05-25 | 千寻位置网络有限公司 | 一种模拟道路位置数据的测试方法及其系统 |
CN106595685B (zh) * | 2016-12-06 | 2019-09-20 | 北京中交兴路信息科技有限公司 | 一种加油站停靠点的识别方法及装置 |
CN108170793B (zh) * | 2017-12-27 | 2020-10-09 | 厦门市美亚柏科信息股份有限公司 | 基于车辆语义轨迹数据的停留点分析方法及其系统 |
CN108108448B (zh) * | 2017-12-27 | 2020-07-03 | 北京中交兴路车联网科技有限公司 | 一种生成全国道路画像的方法及系统 |
CN110222131A (zh) * | 2019-05-21 | 2019-09-10 | 北京交通大学 | 起讫信息提取方法及装置 |
CN110599765A (zh) * | 2019-08-16 | 2019-12-20 | 华南理工大学 | 一种基于多源数据融合的公路客货运输量指标统计方法 |
CN111121803B (zh) * | 2019-11-27 | 2021-12-03 | 北京中交兴路信息科技有限公司 | 获取道路常用停靠点的方法及装置 |
CN111046049B (zh) * | 2019-12-20 | 2021-10-26 | 西南交通大学 | 一种货车gps轨迹数据压缩方法 |
CN112837197A (zh) * | 2021-01-28 | 2021-05-25 | 南斗六星系统集成有限公司 | 一种基于局部覆盖盲区的专用车服务站选址方法 |
CN113222492B (zh) * | 2021-03-29 | 2024-05-03 | 北京中交兴路信息科技有限公司 | 一种车辆行驶线路类型的判别方法、装置、存储介质及终端 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101004858A (zh) * | 2007-01-26 | 2007-07-25 | 徐贵超 | 一种减少出租车空驶网络指挥系统 |
CN102202256A (zh) * | 2010-03-25 | 2011-09-28 | 陈冠岭 | 基于位置的移动虚拟宠物系统及其方法 |
CN102542790A (zh) * | 2011-11-15 | 2012-07-04 | 浪潮齐鲁软件产业有限公司 | 一种出租车停靠载客点选择的智能调度方法 |
WO2014151054A3 (en) * | 2013-03-15 | 2014-11-13 | Honda Motor Co., Ltd. | Systems and methods for vehicle user interface |
-
2015
- 2015-01-12 CN CN201510013405.3A patent/CN104636443B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101004858A (zh) * | 2007-01-26 | 2007-07-25 | 徐贵超 | 一种减少出租车空驶网络指挥系统 |
CN102202256A (zh) * | 2010-03-25 | 2011-09-28 | 陈冠岭 | 基于位置的移动虚拟宠物系统及其方法 |
CN102542790A (zh) * | 2011-11-15 | 2012-07-04 | 浪潮齐鲁软件产业有限公司 | 一种出租车停靠载客点选择的智能调度方法 |
WO2014151054A3 (en) * | 2013-03-15 | 2014-11-13 | Honda Motor Co., Ltd. | Systems and methods for vehicle user interface |
Also Published As
Publication number | Publication date |
---|---|
CN104636443A (zh) | 2015-05-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104636443B (zh) | 一种基于货车轨迹挖掘poi潜在信息的基础数据模型 | |
CN112863172B (zh) | 高速公路交通运行状态判定方法、预警方法、装置及终端 | |
CN104732765B (zh) | 基于卡口数据的城市道路饱和度实时监测方法 | |
CN103294594B (zh) | 一种基于测试的静态分析误报消除方法 | |
Pu et al. | Impact of license plate restriction policy on emission reduction in Hangzhou using a bottom-up approach | |
CN103077610A (zh) | 一种路段旅行时间估计的方法和系统 | |
CN104111073A (zh) | 一种识别地图数据中不准确路段的方法和装置 | |
CN113257017B (zh) | 一种交叉口信号配时方案的估算方法、装置和终端 | |
CN105868860A (zh) | 基于聚类的区域出行意愿强度分析方法、装置及选址方法 | |
CN103065468A (zh) | 交通信息的评估方法和装置 | |
CN113538072A (zh) | 一种货运车辆的出行链智能识别方法、装置及电子设备 | |
CN105355045A (zh) | 一种辅助确定驾驶员身份的方法及装置 | |
CN109684373A (zh) | 基于出行和话单数据分析的重点关系人发现方法 | |
CN106504525A (zh) | 基于ic卡数据的od矩阵生成技术及其应用研究 | |
CN105046957A (zh) | 一种用于事故分析与安全评价的平衡采样方法 | |
CN104217593A (zh) | 一种面向手机移动速度的路况信息实时获取方法 | |
CN114664087B (zh) | 基于轨迹识别车辆上下高速的方法、装置、设备及介质 | |
CN103888961B (zh) | 一种用户监控方法及装置 | |
CN114218976A (zh) | 臭氧前体物高值区精细化排放源追溯定位方法和系统 | |
CN106650976A (zh) | 出行分析预测方法及系统、基于ic卡的出行分析预测方法及系统 | |
Ambros et al. | Developing updatable crash prediction model for network screening: case study of Czech two-lane rural road segments | |
CN102376025A (zh) | 一种模拟手机数据并评估城市路网交通状态的方法 | |
CN111190984A (zh) | 职住地提取方法、装置及计算机可读存储介质 | |
CN102436742A (zh) | 浮动车系统交通信息服务水平评价方法及装置 | |
CN102819885B (zh) | 一种城市公共交通客流信息的统计分析方法及系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |