CN105139638B - 一种出租车载客点选取的方法及系统 - Google Patents
一种出租车载客点选取的方法及系统 Download PDFInfo
- Publication number
- CN105139638B CN105139638B CN201510445598.XA CN201510445598A CN105139638B CN 105139638 B CN105139638 B CN 105139638B CN 201510445598 A CN201510445598 A CN 201510445598A CN 105139638 B CN105139638 B CN 105139638B
- Authority
- CN
- China
- Prior art keywords
- taxi
- point
- basic grid
- travelling data
- labeled
- 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
Abstract
本发明提供一种出租车载客点选取的方法及系统，方法包括：获取一预选的封闭区域对应的出租车的行车数据；平均划分所述封闭区域为多个的基础网格；依据所述行车数据，获取每一基础网格的出租车停靠次数；标记所述出租车停靠次数大于预设的停靠次数阀值的基础网格；匹配被标记的基础网格与地图数据；选取地图数据中与所述被标记的基础网格匹配的POI点作为出租车载客点。实现以行车数据为依据动态选取出租车载客点，为搭乘出租车、交通规划和路径导航提供科学的决策、预测分析和技术支持的基础。
Description
技术领域
本发明涉及一种出租车载客点选取的方法及系统。
背景技术
随着城市的现代化发展，城市的出租车覆盖率逐渐提升，出租车几乎遍布各个角落。而随着城市化发展，道路的行车数量剧增，直接导致了城市道路的拥堵；在道路拥堵情况下，人们选择何种代步出行方式便显得极为重要；若选择自驾，则有必要获取实时且准确的路况信息；若选择搭乘出租车，则有如何在拥堵路况下知晓哪里能够便捷地搭乘到出租车的需求。因此，若能够依据遍布城市各地出租车行车数据进行分析，获取出租车频繁上下客的载客点，便能够为有搭乘出租车需求的人提供准确的信息；同时，也能够依据出租车的载客点获取实时的路况信息，方便人们出行。
申请号为201110360269.7的专利申请，提供一种出租车停靠载客点选择的智能调度方法；通过采用蜂窝技术原理对城区进行划片，蜂窝大小根据区域内客流量的多少确定，并根据实际情况定期进行调整，在每个蜂窝内建立出租车停车载客点。
上述出租车停靠载客点的选取方式仅通过区域内的客流量多少确定，而不涉及出租车本身的行车数据，且停靠载客点的个数取决于每个蜂窝划分的范围大小；最终选取的出租车停靠载客点精确度不够高。
发明内容
本发明所要解决的技术问题是：提供一种出租车载客点选取的方法及系统，实现准确的选取出租车载客点，为城市规划、出租车运营或第三方提供服务。
为了解决上述技术问题，本发明采用的技术方案为：
一种出租车载客点选取的方法，包括：
获取一预选的封闭区域对应的出租车的行车数据；
平均划分所述封闭区域为多个的基础网格；
依据所述行车数据，获取每一基础网格的出租车停靠次数；
标记所述出租车停靠次数大于预设的停靠次数阈值 的基础网格；
匹配被标记的基础网格与地图数据；
选取地图数据中与所述被标记的基础网格匹配的POI点作为出租车载客点。
本发明提供的另一个技术方案为：
一种出租车载客点选取的系统，包括：
第一获取模块，用于获取一预选的封闭区域对应的出租车的行车数据；
划分模块，用于平均划分所述封闭区域为多个的基础网格；
第二获取模块，用于依据所述行车数据，获取每一基础网格的出租车停靠次数；
标记模块，用于标记所述出租车停靠次数大于预设的停靠次数阈值 的基础网格；
匹配模块，用于匹配被标记的基础网格与地图数据；
选取模块，用于选取地图数据中与所述被标记的基础网格匹配的POI点作为出租车载客点。
本发明的有益效果在于：通过获取一预选封闭区域对应的出租车的行车数据，依据行车数据获取区域内每一基础网格的出租车停靠次数；标记所述出租车停靠次数大于预设停靠次数阈值 的基础网格；选取地图数据中与所述被标记的基础网格匹配的POI点作为出租车载客点；确保出租车载客点的覆盖范围尽可能的广，出租车载客点的密度分布合理，且出租车载客点所处的位置坐标所对应的是出租车常通行的道路中具有标识作用的地图POI点，在交通道路系统中具有代表性，便于寻找；能够为交通行政部门的道路规划，导航系统的路径规划，以及第三方运营商提供科学的决策、预测分析和技术支持；保证道路规划、路径规划，以及推荐服务的实用性和准确性。
附图说明
图1为本发明一种出租车载客点选取的方法的流程方框图；
图2为本发明一具体实施方式一种出租车载客点选取的方法中的第一部分的流程方框图；
图3为本发明一具体实施方式一种出租车载客点选取的方法中的第二部分的流程方框图；
图4为本发明一种出租车载客点选取的系统的结构组成方框图；
图5为本发明一具体实施方式一种出租车载客点选取方法及系统所选取的一预选的封闭区域的示意图。
标号说明：
1、第一获取模块；2、划分模块；3、第二获取模块；4、标记模块； 5、匹配模块；6、选取模块。
具体实施方式
为详细说明本发明的技术内容、所实现目的及效果，以下结合实施方式并配合附图予以说明。
本发明最关键的构思在于：以预选的封闭区域内的每一基础网格的出租车停靠次数为依据，标记基础网格，通过与地图数据中PIO点的匹配来选取出租车载客点；实现以行车数据为依据动态选取出租车载客点，为搭乘出租车、交通规划和路径导航提供科学的决策、预测分析和技术支持的基础。
本发明涉及的技术术语解释:
请参照图1至图3，本发明提供一种出租车载客点选取的方法，包括：
一种出租车载客点选取的方法，包括：
获取一预选的封闭区域对应的出租车的行车数据；
平均划分所述封闭区域为多个的基础网格；
依据所述行车数据，获取每一基础网格的出租车停靠次数；
标记所述出租车停靠次数大于预设的停靠次数阈值 的基础网格；
匹配被标记的基础网格与地图数据；
选取地图数据中与所述被标记的基础网格匹配的POI点作为出租车载客点。
从上述描述可知，本发明的有益效果在于：以出租车的行车数据为依据，经过动态的分析处理过程，获取预选的封闭区域内出租车停靠次数大于预设停靠次数阈值 的基础网格，并与地图数据中具有标识作用的POI点相匹配，最终获取出租车载客点；确保所选取的出租车载客点在交通道路系统中具备代表性，便于寻找；至少具备以下优点：
(1)能够作为交通行政部门进行道路规划的依据；
(2)为导航系统、出租车搭乘服务系统等第三方运营商提供基础分析数据；
(3)为出租车公司服务，提高载客效率。
进一步的，所述行车数据包括时间点、速度和位置点；所述“依据所述行车数据，获取每一基础网格的出租车停靠次数”具体为：
S1：依据所述行车数据，获取出租车在相邻所述时间点之间的相对距离变化值；
S2：依据所述相对距离变化值，获取处于停靠状态的出租车；
S3：获取所述处于停靠状态的出租车当前所处的基础网格；
S4：累计所述当前所处的基础网格的出租车停靠次数加一；
S5：统计得到每个基础网格的出租车停靠次数。
由上述描述可知，出租车依据在相邻时间点之间的相对距离变化值的判断，确认是否处于停靠状态，分析判断具有针对性，有效提高每个基础网格对应的出租车停靠次数的精确度。
进一步的，所述S1具体为：
S11：获取一出租车在预设的时间段内的行车数据；
S12：依据所记录的时间点先后顺序依次读取所述行车数据；
S13：依据所述速度，标记处于缓慢行驶状态的位置点；
S14：计算每个被标记的位置点与第一个被标记的位置点的相对距离值和相对速度；
S15：依次计算每一个被标记的位置点所对应的相对距离值与前一个被标记的位置点所对应的相对距离值之差，得到所述一出租车在相邻所述时间点之间的相对距离变化值。
由上述描述可知，依据行车数据首先判断是否处于缓慢行驶状态，在此基础上再计算获取相邻的行车缓慢点之间的相对距离变化值；确保后续依据所述相对距离变化值判断出租车是否处于停靠状态的结果具备较高准确度。
进一步的，所述S2具体为：
S21：判断所述相对距离变化值是否小于等于预设的相对距离变化阈值 ；若是，则执行S22；若否，则执行S23；
S22：判定所述一出租车处于停靠状态；
S23：判断所述一出租车处于拥堵状态，不进行处理。
由上述描述可知，依据相对距离变化值与预设的相对距离变化阈值 的判断结果，判断出租车是处于停靠装置还是拥堵状态，排除出租车处于拥堵状态的情况，避免将处于拥堵状态的出租车误判断为停靠状态，提高出租车停靠次数的统计精度。
进一步的，所述S22具体为：
S221：依据所述行车数据记录的位置点的变化，获取所述一出租车的行驶方向改变值；
S222：判断所述行驶方向改变值是否等于预设的方向改变阈值 ；若否，则执行S223；若是，则判断所述一出租车处于掉头状态，不进行处理；
S223：依据所述行车数据记录的时间点，获取所述一出租车的停靠时长；
S224：判断所述停靠时长是否大于预设的停靠时长阈值 ；若是，则执行S225；
S225：判定所述一出租车处于停靠状态。
由上述描述可知，依据出租车的行驶方向改变值是否超过预设的方向改变阈值 ，排除出租车处于掉头状态的情况，避免将处于掉头状态的出租车误判断为停靠状态，提高提高出租车停靠次数的统计精度。
进一步的，所述S4之后进一步包括：
S41：判断所述一出租车对应的所有行车数据是否都已处理完毕；
若否，则获取所述一出租车另一预设的时间段内的行车数据，返回继续执行S12；
若是，则返回继续执行S11，获取下一出租车在预设时长内的行车数据。
由上述描述可知，针对每一出租车在不同预设时间段内的行车数据进行独立分析处理，直至所有的出租车在所有时间段内的行车数据都处理完毕，避免行车数据的遗漏处理；同时，使依据行车数据的分析处理结果而选取的出租车载客点更具代表性，精确度更高。
进一步的，所述S13具体为：
S131：判断所述行车数据中所记录的速度是否小于等于预设的速度阈值 ；若是，则执行S132；
S132：判断所述行车数据对应的出租车处于缓慢行驶状态，标记所述行车数据所处的位置点；
S133：判断被标记的位置点的个数是否大于等于预设的第一点数阈值 ；若是，则执行S14。
由上述描述可知，当速度小于预设的速度阈值 时，判定对应的出租车处于缓慢行驶状态，且只有处于缓慢行驶状态的出租车所处的位置点的个数达到预设第一点数阈值时，才启动对位置点的相对距离值和相对速度的计算，提高行车数据的分析处理效率，以及分析结果的准确度。
进一步的，所述S14之后，进一步包括：
S16：判断所述相对速度是否大于等于预设的相对速度阈值 ；若是，则执行 S17；若否，则执行S18；
S17：判断被标记的位置点的个数是否大于等于预设的第二点数阈值 ；
若是，则判定所述出租车处于准缓慢行驶状态；继续执行S15；
若否，则直接获取下一条行车数据，返回继续执行S13；
S18：累计被标记的位置点的个数减一；直接获取下一条行车数据，返回继续执行S13。
由上述描述可知，进一步的提升对出租车是否处于缓慢行驶状态的判定准确度。
进一步的，所述“匹配被标记的基础网格与地图数据”之后进一步包括：
判断所述被标记的基础网格是否处于距离红绿灯路口预设的距离范围之内；
若是，则取消对所述基础网格的标记。
由上述描述可知，能够判断是否处于红绿灯路口，避免将出租车处于路口正常转弯而导致的减速停靠误视为载客停靠；提高出租车停靠状态判断的精确度。
进一步的，所述“选取地图数据中与所述被标记的基础网格匹配的POI点作为出租车载客点”具体为：
判断所述被标记的基础网格内包含的POI点的个数；
选取所述POI点的个数为0的基础网格中道路的中心位置作为出租车载客点；
选取所述POI点的个数为1的基础网格中该POI作为出租车载客点；
选取所述POI点的个数大于1的基础网格中距离所述基础网格中心点最近的POI点作为出租车载客点。
由上述描述可知，选取地图数据中与所述被标记的基础网格匹配的POI点作为出租车载客点，使出租车载客点在交通道路中具备显著的标识性，辨识度高，便于寻找。
本发明提供的另一个技术方案为：
一种出租车载客点选取的系统，包括：
第一获取模块1，用于获取一预选的封闭区域对应的出租车的行车数据；
划分模块2，用于平均划分所述封闭区域为多个的基础网格；
第二获取模块3，用于依据所述行车数据，获取每一基础网格的出租车停靠次数；
标记模块4，用于标记所述出租车停靠次数大于预设的停靠次数阈值 的基础网格；
匹配模块5，用于匹配被标记的基础网格与地图数据；
选取模块6，用于选取地图数据中与所述被标记的基础网格匹配的POI点作为出租车载客点。
从上述描述可知，本发明的有益效果在于：通过第一获取模块1获取对应预选的封闭区域的行车数据；通过划分模块2划分得到基础网格；通过第二获取模块3获取对应每个基础网格的出租车停靠次数；通过匹配模块5和选取模块6选取地图数据中与被标记的基础网格匹配的POI点作为出租车载客点；确保出租车载客点在预选封闭区域内分布合理，且在交通道路中具有标识性作用，便于寻找；为搭乘出租车、交通规划和路径导航提供科学的决策、预测分析和技术支持的基础。
请参阅图2、图3和图5，本发明的实施例为：
SS1：一种出租车载客点选取的方法，包括：
获取一预选的封闭区域对应的出租车的行车数据；
所述预选的封闭区域可以是选取一预设经纬度围成的封闭区域，也可以直接在地图中依据需求截取一封闭区域；所述选取一预设经纬度围成的封闭区域的具体过程可以是：选取一个由经度[X1，X2]，纬度[Y1，Y2]所围成的封闭区域；所围成的封闭区域的大小可以依据系统的数据处理能力或者所预设节点分布的密集程度需求来确定；
所述出租车的行车数据，利用装载在出租车上的车载定位系统依据预先设置的采集周期T定期采集预设时长内包括出租车的编号、当前的时间点、当前的速度和位置点等信息；并将所述行车数据通过移动蜂窝通信技术等无线移动通信技术传送到数据中心，为数据中心后续针对出租车的行车数据的统计分析提供可靠的数据分析基础。采集周期T可以是每10s、30s、40s或60s等；所述第一预设时长可以是最近3天、一周内，或一个月内；时长的预设同样可以依据系统的数据处理能力或者基本网格对应的出租车停靠频次的统计精确度灵活进行配置；
在数据中心接收到第一预设时间段内的所有出租车的行车数据后，按照采集的时间顺序依次读取每条行车数据，在此，以所述第一预设时间段为最近一周为例进行说明；依据行车数据中记录的位置点判断所述行车数据是否位于所述预选的封闭区域内，若是，则存储；若否，则直接舍弃该条行车数据，读取下一条行车数据。
SS2：平均划分所述封闭区域为多个的基础网格；
所述基础网格的大小同样可以依据系统的数据处理能力或者所预设节点分布的密集程度需求来确定，如划分为M*N个的基础网格；也可以直接按照地图本身默认设置划分完成的无数个基本网格模板来进行划分，即划分后形成的多个基础网格与地图数据中默认设置的基本网格大小，位置相一致；
如图5所示，以处于福建省福州市为例进行说明：选取一个由经度 [119.300045，26.101749]，纬度[119.304133，26.098837]所围成的封闭区域；结合地图可知，上述封闭区域大体上是北后弄十字路口、西湖丽景、工商银行以及金湖延为四个边角位置所围成的矩形封闭区域，参见图5中黑框封闭区域。
SS3：获取一出租车在预设的第二时间段内的行车数据；
在此，所述第二时间段可以是最近2min、3min或5min；以获取最近3min 时间内的出租车的行车数据进行处理为例进行说明；
SS4：依据所记录的时间点先后顺序依次读取所述行车数据；
SS5：获取第一条行车数据，判断所述行车数据中所记录的速度是否小于等于预设的第一速度阈值 V1；所述第一速度阈值 V1可以是10～25km/h，优选为 15km/h；
若否，则执行SS6；若是，执行SS7；
SS6：返回SS5，获取下一条行车数据，继续执行判断步骤；
SS7：判定所述行车数据对应的出租车疑似处于缓慢行驶状态，标记所述行车数据所处的位置点；标记位置点个数N加一；继续执行SS8；
SS8：判断标记位置点个数N是否大于等于预设的第一点数阈值 2；
若否，则不进行处理；
若是，则计算该被标记的位置点与第一个被标记的位置点的相对距离值Si 和相对速度Vi；执行步骤SS9；
SS9：判断所述相对速度Vi是否大于等于预设的第二速度阈值 V2，所述第二速度阈值 V2可以是10km/h，或者更小的数值；若是，则执行SS10；若否，则标记位置点个数N减一，同时返回执行SS7；
SS10：判断被标记的位置点的个数N是否大于等于预设的第二点数阈值 m；所述m可以是5-20，优选为10；
若是，则判定所述出租车确实处于缓慢行驶状态；执行SS11；
若否，则返回SS5，获取下一条行车数据继续执行判断步骤；
SS11：计算当前被标记的位置点所对应的相对距离值与前一个被标记的位置点所对应的相对距离值之差，得到所述一出租车在当前时间点与相邻上一时间点之间的相对距离变化值ΔS；即ΔS＝Si-Si-1；执行SS12；
SS12：判断所述相对距离变化值ΔS是否小于等于预设的相对距离变化阈值 Smin，所述Smin可以是100m；若否，则执行SS13；若是，则执行SS14；
SS13：判定出租车处于拥堵状态，不进行处理；
SS14：依据所述行车数据记录的位置点的变化，获取所述一出租车的行驶方向改变值|ΔD|；执行SS15；
SS15：判断所述行驶方向改变值|ΔD|是否等于预设的方向改变阈值 ，在此，优选所述方向改变阈值 为4；
若否，则执行SS16；
若是，则判定所述一出租车处于掉头状态，不进行处理；
SS16：判定所述一出租车处于暂时停止状态，依据所述行车数据记录的时间点，获取所述一出租车的停靠时长T；
SS17：判断所述停靠时长T是否大于预设的停靠时长阈值 t；
若是，则执行SS18；若否，则判定所述一出租车处于拥堵状态，不进行处理；
SS18：判定所述一出租车处于停靠状态；获取所述处于停靠状态的出租车当前所处的基础网格；累计所述当前所处的基础网格的出租车停靠次数加一；执行SS19；
SS19：判断所述一出租车对应的所有行车数据是否都已处理完毕；
若否，则获取所述一出租车在所述第二时间段的前一个时间段时间段内的行车数据，即再前3min时间内的行车数据；返回循环执行SS5；
若是，则判断是否所有的出租车的行车数据都已经处理完毕；若否，则返回循环执行SS3，获取下一出租车在预设时长内的行车数据；若是，则继续执行 SS20；
SS20：统计得到每个基础网格的出租车停靠次数；
SS21：判断每个基础网格的出租车停靠次数是否大于等于预设的停靠次数阈值a，所述停靠次数阈值 a优选为15次；若否，则不进行标记，继续执行SS23；若是，则执行SS22；
SS22：标记所述基础网格；
SS23：判断是否所有的基础网格都处理完毕，若是，则执行SS24；如否，则获取下一基础网格，返回执行SS21；
SS24：将被标记的基础网格与地图数据进行匹配；
SS25：判断所述被标记的基础网格是否处于距离红绿灯路口预设的距离y 米范围之内，所述距离y优选为200m；
若是，则取消对所述基础网格的标记；执行SS26；
若否，则不进行处理，执行SS26；
SS26：判断是否所有的基础网格都处理完毕，若是，则执行SS27；若否，则获取下一基础网格，返回执行SS25；
SS27：将被标记的基础网格与地图数据中的真实POI点进行匹配；
SS28：判断所述被标记的基础网格内包含的POI点的个数是否大于等于1；若否，则执行SS29；若是，则执行SS30；
SS29：在网格中心附近所有道路中，将离中心距离最近的点作为出租车载客点；
SS30：判断所述被标记的基础网格内包含的POI点的个数是否大于等于2；
若否，则直接选取唯一的POI点作为出租车载客点；
若是，则认为离网格中心点最近的POI点作为出租车载客点；执行SS31；
SS31：判断是否所有被标记的基础网格都已经匹配完毕；
若否，则获取下一个被标记的基础网格，返回循环执行SS28；
若是，则结束。
综上所述，本发明提供的一种出租车载客点选取的方法及系统，依据出租车的行车数据进行动态分析处理，准确获取出租车频繁上下客的出租车载客点；所选取的出租车载客点不仅具备标识性，便于寻找，且密度分布合理，在交通道路系统中具备代表性；进一步的，所获取的出租车载客点能够为第三方运营商提供技术支持，为有搭乘出租车需求的人提供针对性服务；同时，也能够为交通行政部门的道路规划提供决策指引；最后，还能够为出租车公司提供便利，使出租车师傅依据所述出租车载客点便捷地接到顾客，提高载客率的同时，又能方便人们出行。
以上所述仅为本发明的实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等同变换，或直接或间接运用在相关的技术领域，均同理包括在本发明的专利保护范围内。
Claims (9)
1.一种出租车载客点选取的方法，其特征在于，包括：
获取一预选的封闭区域对应的出租车的行车数据；
平均划分所述封闭区域为多个的基础网格；
依据所述行车数据，获取每一基础网格的出租车停靠次数；
标记所述出租车停靠次数大于预设的停靠次数阈值 的基础网格；
匹配被标记的基础网格与地图数据；
选取地图数据中与所述被标记的基础网格匹配的POI点作为出租车载客点；
所述行车数据包括时间点、速度和位置点；所述“依据所述行车数据，获取每一基础网格的出租车停靠次数”具体为：
S1：依据所述行车数据，获取出租车在相邻所述时间点之间的相对距离变化值；
S2：依据所述相对距离变化值，获取处于停靠状态的出租车；
S3：获取所述处于停靠状态的出租车当前所处的基础网格；
S4：累计所述当前所处的基础网格的出租车停靠次数加一；
S5：统计得到每个基础网格的出租车停靠次数；
所述S1具体为：
S11：获取一出租车在预设的时间段内的行车数据；
S12：依据所记录的时间点先后顺序依次读取所述行车数据；
S13：依据所述速度，标记处于缓慢行驶状态的位置点；
S14：计算每个被标记的位置点与第一个被标记的位置点的相对距离值和相对速度；
S15：依次计算每一个被标记的位置点所对应的相对距离值与前一个被标记的位置点所对应的相对距离值之差，得到所述一出租车在相邻所述时间点之间的相对距离变化值。
2.如权利要求1所述的一种出租车载客点选取的方法，其特征在于，所述S2具体为：
S21：判断所述相对距离变化值是否小于等于预设的相对距离变化阈值 ；若是，则执行S22；若否，则执行S23；
S22：判定所述一出租车处于停靠状态；
S23：判断所述一出租车处于拥堵状态，不进行处理。
3.如权利要求2所述的一种出租车载客点选取的方法，其特征在于，所述S22具体为：
S221：依据所述行车数据记录的位置点的变化，获取所述一出租车的行驶方向改变值；
S222：判断所述行驶方向改变值是否等于预设的方向改变阈值 ；若否，则执行S223；若是，则判断所述一出租车处于掉头状态，不进行处理；
S223：依据所述行车数据记录的时间点，获取所述一出租车的停靠时长；
S224：判断所述停靠时长是否大于预设的停靠时长阈值 ；若是，则执行S225；
S225：判定所述一出租车处于停靠状态。
4.如权利要求3所述的一种出租车载客点选取的方法，其特征在于，所述S4之后进一步包括：
S41：判断所述一出租车对应的所有行车数据是否都已处理完毕；
若否，则获取所述一出租车另一预设的时间段内的行车数据，返回继续执行S12；
若是，则返回继续执行S11，获取下一出租车在预设时长内的行车数据。
5.如权利要求1所述的一种出租车载客点选取的方法，其特征在于，所述S13具体为：
S131：判断所述行车数据中所记录的速度是否小于等于预设的速度阈值 ；若是，则执行S132；
S132：判断所述行车数据对应的出租车处于缓慢行驶状态，标记所述行车数据所处的位置点；
S133：判断被标记的位置点的个数是否大于等于预设的第一点数阈值 ；若是，则执行S14。
6.如权利要求1或5所述的一种出租车载客点选取的方法，其特征在于，所述S14之后，进一步包括：
S16：判断所述相对速度是否大于等于预设的相对速度阈值 ；若是，则执行S17；若否，则执行S18；
S17：判断被标记的位置点的个数是否大于等于预设的第二点数阈值 ；
若是，则判定所述出租车处于准缓慢行驶状态；继续执行S15；
若否，则直接获取下一条行车数据，返回继续执行S13；
S18：累计被标记的位置点的个数减一；直接获取下一条行车数据，返回继续执行S13。
7.如权利要求1所述的一种出租车载客点选取的方法，其特征在于，所述“匹配被标记的基础网格与地图数据”之后进一步包括：
判断所述被标记的基础网格是否处于距离红绿灯路口预设的距离范围之内；
若是，则取消对所述基础网格的标记。
8.如权利要求1所述的一种出租车载客点选取的方法，其特征在于，所述“选取地图数据中与所述被标记的基础网格匹配的POI点作为出租车载客点”具体为：
判断所述被标记的基础网格内包含的POI点的个数；
选取所述POI点的个数为0的基础网格中道路的中心位置作为出租车载客点；
选取所述POI点的个数为1的基础网格中该POI作为出租车载客点；
选取所述POI点的个数大于1的基础网格中距离所述基础网格中心点最近的POI点作为出租车载客点。
9.一种出租车载客点选取的系统，其特征在于，包括：
第一获取模块，用于获取一预选的封闭区域对应的出租车的行车数据；
划分模块，用于平均划分所述封闭区域为多个的基础网格；
第二获取模块，用于依据所述行车数据，获取每一基础网格的出租车停靠次数；
标记模块，用于标记所述出租车停靠次数大于预设的停靠次数阈值 的基础网格；
匹配模块，用于匹配被标记的基础网格与地图数据；
选取模块，用于选取地图数据中与所述被标记的基础网格匹配的POI点作为出租车载客点；
所述行车数据包括时间点、速度和位置点；
所述“依据所述行车数据，获取每一基础网格的出租车停靠次数”具体为：
依据所述行车数据，获取出租车在相邻所述时间点之间的相对距离变化值；
依据所述相对距离变化值，获取处于停靠状态的出租车；
获取所述处于停靠状态的出租车当前所处的基础网格；
累计所述当前所处的基础网格的出租车停靠次数加一；
统计得到每个基础网格的出租车停靠次数；
所述“依据所述行车数据，获取出租车在相邻所述时间点之间的相对距离变化值”具体为：
获取一出租车在预设的时间段内的行车数据；
依据所记录的时间点先后顺序依次读取所述行车数据；
依据所述速度，标记处于缓慢行驶状态的位置点；
计算每个被标记的位置点与第一个被标记的位置点的相对距离值和相对速度；
依次计算每一个被标记的位置点所对应的相对距离值与前一个被标记的位置点所对应的相对距离值之差，得到所述一出租车在相邻所述时间点之间的相对距离变化值。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201510445598.XA CN105139638B (zh) | 2015-07-27 | 2015-07-27 | 一种出租车载客点选取的方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201510445598.XA CN105139638B (zh) | 2015-07-27 | 2015-07-27 | 一种出租车载客点选取的方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN105139638A CN105139638A (zh) | 2015-12-09 |
| CN105139638B true CN105139638B (zh) | 2018-07-27 |
Family
ID=54724965
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201510445598.XA Active CN105139638B (zh) | 2015-07-27 | 2015-07-27 | 一种出租车载客点选取的方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN105139638B (zh) |
Families Citing this family (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107346494A (zh) * | 2016-05-05 | 2017-11-14 | 滴滴（中国）科技有限公司 | 一种用于出行规律挖掘的方法和系统 |
| 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 |
| CN105741537B (zh) * | 2016-03-29 | 2018-06-26 | 福建工程学院 | 车辆寻客状态的识别方法及系统 |
| 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 |
| CN106846795A (zh) * | 2017-01-04 | 2017-06-13 | 百度在线网络技术（北京）有限公司 | 人群密集区域的获取方法及装置 |
| CN106843219B (zh) * | 2017-02-20 | 2020-07-10 | 北京百度网讯科技有限公司 | 无人驾驶车辆选择接泊点的方法、装置、设备及存储介质 |
| CN110651266B (zh) * | 2017-05-27 | 2023-05-23 | 北京嘀嘀无限科技发展有限公司 | 为按需服务提供信息的系统及方法 |
| CN107239862B (zh) * | 2017-06-09 | 2021-06-04 | 长沙贤正益祥机械科技有限公司 | 一种共享租赁自行车管理系统和方法 |
| CN108182800B (zh) * | 2017-12-08 | 2020-08-11 | 北京中交兴路信息科技有限公司 | 一种货运交通信息处理方法及设备 |
| CN109115237B (zh) * | 2018-08-27 | 2021-05-07 | 阿里巴巴（中国）有限公司 | 一种乘车位置推荐方法及服务器 |
| CN111798025A (zh) * | 2019-09-10 | 2020-10-20 | 马园 | 基于大数据的出租车实时巡游路线推荐系统 |
| CN110728305B (zh) * | 2019-09-16 | 2024-01-05 | 南京信息工程大学 | 基于网格信息熵聚类算法的出租车载客热点区域挖掘方法 |
| CN112085236B (zh) * | 2020-09-04 | 2023-06-02 | 武汉大学 | 基于网约车订单数据的城市热点poi探测方法及装置 |
Family Cites Families (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103578265B (zh) * | 2012-07-18 | 2015-07-08 | 北京掌城科技有限公司 | 基于出租车gps数据的打车热点获取方法 |
| CN103632532B (zh) * | 2012-08-22 | 2015-09-30 | 北京掌城科技有限公司 | 一种出租车的打车诱导方法 |
| CN103000025B (zh) * | 2012-11-28 | 2017-08-22 | 北京百度网讯科技有限公司 | 一种为用户提供乘车参考信息的方法和装置 |
| CN103218672B (zh) * | 2013-03-24 | 2016-03-02 | 吉林大学 | 一种基于gps数据网格统计的出租车巡航行为分析方法 |
| CN104156489B (zh) * | 2014-08-29 | 2017-11-28 | 北京嘀嘀无限科技发展有限公司 | 基于司机轨迹进行司机常驻点挖掘的方法 |
| CN104361117B (zh) * | 2014-12-01 | 2018-04-27 | 北京趣拿软件科技有限公司 | 一种城市热门打车点推荐方法及系统 |
-
2015
- 2015-07-27 CN CN201510445598.XA patent/CN105139638B/zh active Active
Also Published As
| Publication number | Publication date |
|---|---|
| CN105139638A (zh) | 2015-12-09 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN105139638B (zh) | 一种出租车载客点选取的方法及系统 | |
| Bertini et al. | Transit buses as traffic probes: Use of geolocation data for empirical evaluation | |
| US9418545B2 (en) | Method and system for collecting traffic data | |
| Wang et al. | Estimating dynamic origin-destination data and travel demand using cell phone network data | |
| CN100452109C (zh) | 城市路段交通流平均速度获取方法 | |
| CN105810006B (zh) | 路边停车位的识别方法及系统 | |
| CN101308029A (zh) | 路网网格匹配、路况状态信息及诱导路线信息获取方法 | |
| Gong et al. | Hybrid dynamic prediction model of bus arrival time based on weighted of historical and real-time GPS data | |
| CN105550789A (zh) | 一种公交出行客流的预测方法 | |
| CN104900057B (zh) | 一种城市快速路主辅道的浮动车地图匹配方法 | |
| US20220215749A1 (en) | Method for predicting at least one profile of the speed of a vehicle on a road network | |
| Pan et al. | Exploring spatial variation of the bus stop influence zone with multi-source data: A case study in Zhenjiang, China | |
| Figliozzi et al. | Algorithms for studying the impact of travel time reliability along multisegment trucking freight corridors | |
| CN112017429B (zh) | 一种基于货车gps数据的治超监测布点方法 | |
| CN112036757A (zh) | 基于手机信令和浮动车数据的停车换乘停车场的选址方法 | |
| Flaskou et al. | Analysis of freight corridors using GPS data on trucks | |
| CN115691120A (zh) | 一种基于高速公路流水数据的拥堵识别方法及系统 | |
| CN108765949A (zh) | 基于汽车电子标识技术的智能交通系统 | |
| CN110413855B (zh) | 一种基于出租车下客点的区域出入口动态提取方法 | |
| Cohen et al. | Travel time estimation between loop detectors and FCD: A compatibility study on the Lille network, France | |
| Wong et al. | Transit delay estimation using stop-level automated passenger count data | |
| Yang et al. | Origin–destination-based travel time reliability | |
| Oh et al. | Calculation of travel time variability from loop detector data | |
| Li et al. | A feature-based approach to large-scale freeway congestion detection using full cellular activity data | |
| Fei et al. | Spatiotemporal clustering in urban transportation: a bus route case study in Washington DC |
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 |