CN107153931B - 一种快递物流配送异常检测方法 - Google Patents
一种快递物流配送异常检测方法 Download PDFInfo
- Publication number
- CN107153931B CN107153931B CN201610119007.4A CN201610119007A CN107153931B CN 107153931 B CN107153931 B CN 107153931B CN 201610119007 A CN201610119007 A CN 201610119007A CN 107153931 B CN107153931 B CN 107153931B
- Authority
- CN
- China
- Prior art keywords
- sub
- distribution
- subsegment
- formula
- distance
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 61
- 230000002159 abnormal effect Effects 0.000 claims abstract description 47
- 238000000034 method Methods 0.000 claims abstract description 26
- 238000004364 calculation method Methods 0.000 claims description 10
- 230000009191 jumping Effects 0.000 claims description 3
- 238000005259 measurement Methods 0.000 claims description 3
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 claims 1
- 238000000556 factor analysis Methods 0.000 claims 1
- 239000000126 substance Substances 0.000 claims 1
- 230000005856 abnormality Effects 0.000 description 11
- 238000005516 engineering process Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 230000002123 temporal effect Effects 0.000 description 2
- 238000007418 data mining Methods 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/08—Logistics, e.g. warehousing, loading or distribution; Inventory or stock management
- G06Q10/083—Shipping
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/08—Logistics, e.g. warehousing, loading or distribution; Inventory or stock management
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Development Economics (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Data Exchanges In Wide-Area Networks (AREA)
Abstract
一种快递物流配送异常检测方法,用于快速有效地发现快递物流在配送过程中出现的配送时间延迟,过程错误(绕路),终点错误(未送达正确目的地)等异常配送情况。通过分析快递物流配送轨迹数据的多属性特点,提出将基于距离与基于角度的异常检测算法思想相结合的方法来度量每条轨迹子段的异常程度;将对配送时间延迟的检测转化为对配送过程平均速度的检测;利用轨迹数据的位置坐标、城市编号、城市级别等属性,对配送终点错误进行检测。采用本发明方法,可以快速准确地发现快递物流的异常配送情况,及时反馈给物流企业进行处理,减少经济损失,为提高物流企业的竞争力创造条件。
Description
技术领域
本发明涉及数据挖掘,异常检测等技术,特别是涉及一种快递物流配送异常检测方法。
背景技术
以共同配送为发展方向的现代规模化快递物流配送模式,由于其实行的是不区分货主与商品的大规模集载配送方式,车辆多、路线复杂,这必然在一定程度上导致配送时间延迟、路径错误、终点错误等异常配送问题的发生。因此,如何快速发现异常配送问题并反馈给快递物流企业进行及时处理,是现代规模化快递物流配送模式非常重要的组成部分。
目前对快递物流配送的异常检测技术还处于起步阶段,因为大多数异常检测技术的研究主要针对简单和结构化的数据集,主要有:Lee等提出的基于划分和检测框架的TRAOD算法;Knorr等提出的基于抽取轨迹全局特征的方法;Li等提出的基于分类器的方法等。以上的异常检测方法都是针对具有一定形状的线段的轨迹异常检测方法,而快递物流配送异常包括配送时间延迟,过程错误,终点错误等方面的异常,同时快递物流配送轨迹是由一系列配送中心按照配送级别序列组成的线段,其相对于传统意义的轨迹具有时间、速度、位置坐标、城市级别、城市点从属关系等属性,从而现有的异常检测方法无法满足快递物流配送异常检测的需求。
根据以上描述,传统的异常检测方法无法适用于具有多属性特点的快递物流配送轨迹数据。因此迫切需要提供一种适用于快递物流配送轨迹多属性特点的异常检测方法,以发现快递物流在配送过程中出现的异常情况,为现代规模化快递物流配送模式的发展提供技术支撑。
发明内容
针对上述背景中的问题,本发明提供一种快递物流配送异常检测方法,以解决传统异常检测方法不适用于具有多属性特点的快递物流配送轨迹数据异常检测的问题。
本发明采用的技术方案的步骤如下:
一种快递物流配送异常检测方法,用于检测快递物流在配送过程中出现的配送时间延迟,过程错误(绕路),终点错误(未送达正确目的地)等异常配送情况,包括步骤:
A.采集配送轨迹数据子段s,并索引出与该子段具有相同起端点的邻域子段集合N(s);
B.将配送时间延迟检测转化为对速度的检测,利用平均速度与标准差公式计算邻域子段集合N(s)的平均速度与速度标准差;
C.将步骤B求得的平均速度与标准差代入时间延迟检测算子进行计算分析,获得子段s的时间异常因子值,将时间异常因子值与子段s的速度属性进行比较,以判断子段s是否为时间延迟。如果子段s为时间延迟,则将其纳入配送时间延迟子段集合Time_O;
D.运用线段Hausdorff距离公式计算子段s与其邻域子段集合N(s)中各子段之间的距离,利用基于距离的异常检测算法的DB(p,d)准则与设定的距离阈值来获得子段s的距离异常因子值;
E.运用基于角度的异常检测算法的异常因子公式对子段s的终端点与其邻域子段集合N(s)中所有子段的终端点进行分析计算,获得子段s的角度异常因子值;
F.根据子段s的距离与角度异常因子值,以及设定的比例系数,角度阈值对子段s进行轨迹异常检测与判断。如果子段s为轨迹异常,则将其纳入配送过程错误子段集合Pro_O;
G.根据子段s终端点的属性(位置坐标、编号、级别等)与物流订单目的地的属性进行一致性比较,检测货物是否送达正确目的地。如果未送达正确目的地,则将子段s纳入配送终点错误子段集合Ter_O;
H.跳转至步骤A,直至检测完所有轨迹子段。
所述步骤A采集配送轨迹数据子段s,并索引出与该子段具有相同起端点的邻域子段集合N(s)。
所述步骤B将对配送时间的异常检测转化为对配送过程的平均速度的检测,利用平均速度与标准差公式计算得出邻域子段集合N(s)中子段的平均速度与速度标准差。平均速度与速度标准差计算公式如下:
其中,公式(1)中的Vsegi为邻域子段segi的速度属性,n为集合N(s)中子段的数目。公式(2)中的σv为速度标准差。
所述步骤C将步骤B获得的平均速度与速度标准差代入时间延迟检测算子,以获得子段s的时间异常因子值。将时间异常因子值与子段s的速度属性进行比较。时间延迟检测算子如下:
所述步骤D利用线段Hausdorff距离公式来度量子段s与其邻域子段集合N(s)中所有子段的距离,然后利用基于距离的异常检测算法的DB(p,d)准则与设定的距离阈值来分析得出子段s的距离异常因子值。线段Hausdorff距离公式如下:
d//(Li,Lj)=min(l//1,l//2) (4)
dist(Li,Lj)=ω//·d//(Li,Lj)+ω⊥·d⊥(Li,Lj)+ωθ·dθ(Li,Lj) (7)
其中,公式(4)为子段间平行距离计算公式,l//1与l//2分别为较短子段的端点在较长子段上的投影点与长子段的两端点之间的较小的欧式距离。公式(5)为子段间垂直距离计算公式,l⊥1与l⊥2分别为较短子段的端点与其在较长子段上的投影点之间的欧式距离。公式(6)为子段间角度距离计算公式,Lj为两条子段中的较短子段,θ为两条子段中较小的夹角。公式(7)为线段Hausdorff距离度量公式,ω//,ω⊥与ωθ分别为平行距离,垂直距离,角度距离的权值参数。
所述步骤E运用基于角度的异常检测算法的异常因子公式对子段s的终端点p与其邻域子段集合N(s)中所有子段的终端点进行分析计算,获得子段s的角度异常因子值。角度异常因子公式如下:
所述步骤F根据步骤D与步骤E所获得子段s的距离异常因子值,角度异常因子值,以及设定的比例系数,角度阈值对子段s进行异常检测与判断。如果子段s的距离异常因子值小于N(s)中子段数目与比例系数的乘积,或者角度异常因子值小于角度阈值,则把该子段s纳入配送过程错误子段集合Pro_O。
所述步骤G根据子段s终端点的属性(位置坐标、编号、级别等)与物流订单目的地的属性进行一致性比较,判断货物是否送达正确目的地。如果子段s终端点的属性与物流订单目的地的属性不一致,则将子段s纳入配送终点错误子段集合Ter_O。
所述步骤H为实现对整个快递物流配送过程进行异常检测创造必要条件。通过步骤H返回到步骤A,循环步骤A至步骤H,实现对整个物流配送过程的连续检测。
本发明提出了一种适用于具有多属性特点的快递物流配送轨迹数据的异常检测方法,具有以下优点:
1.通过用配送过程的平均速度来对配送时间进行量化表示,将对快递物流配送的时间异常检测转化为对平均速度的异常检测。
2.通过运用线段Hausdorff距离来度量轨迹子段之间的距离,然后利用基于距离的异常检测算法的DB(p,d)准则对每条轨迹子段进行分析,并能够准确地获得每条轨迹子段的距离异常因子值,以检测出轨迹异常子段。
3.通过运用基于角度分布的异常因子公式,可以对每条轨迹子段的终端点进行分析,并准确获得每条子段的角度异常因子值,以检测出轨迹子段在形状上相似,但终端点错误的异常子段。
4.通过对轨迹子段终端点的属性与物流订单终端点的属性进行一致性比较,以发现配送终点错误的轨迹子段,实现对快递物流配送异常情况的准确识别。
附图说明
图1是本发明实施步骤A至步骤C的流程图。
图2是本发明实施步骤D至步骤F的流程图。
图3是本发明实施的整体流程图。
具体实施方式
下面,结合附图对本发明的具体实施方式作进一步说明。
如图1至图3所示,本发明的具体实施过程和工作原理如下:
A.采集配送轨迹数据子段s,并索引出与该子段具有相同起端点的邻域子段集合N(s);
B.将配送时间延迟检测转化为对速度的检测,利用平均速度与标准差公式计算邻域子段集合N(s)中子段的平均速度与速度标准差;
C.将步骤B求得的平均速度与标准差代入时间延迟检测算子进行计算分析,获得子段s的时间异常因子值,将时间异常因子值与子段s的速度属性进行比较,以判断子段s是否为时间延迟。如果子段s为时间延迟,则将其纳入配送时间延迟子段集合Time_O;
D.运用线段Hausdorff距离公式计算子段s与其邻域子段集合N(s)中各子段之间的距离,利用基于距离的异常检测算法的DB(p,d)准则与设定的距离阈值来获得子段s的距离异常因子值;
E.运用基于角度的异常检测算法的异常因子公式对子段s的终端点与其邻域子段集合N(s)中所有子段的终端点进行分析计算,获得子段s的角度异常因子值;
F.根据子段s的距离异常因子值,角度异常因子值,以及设定的比例系数,角度阈值对子段s进行轨迹异常检测与判断。如果子段s为轨迹异常,则将其纳入配送过程错误子段集合Pro_O;
G.根据子段s终端点的属性(位置坐标、编号、级别等)与物流订单目的地的属性进行一致性比较,检测货物是否送达正确目的地。如果未送达正确目的地,则将子段s纳入配送终点错误子段集合Ter_O;
H.跳转至步骤A,直至检测完所有轨迹子段。
步骤A采集配送轨迹数据子段s,并索引出与该子段具有相同起端点的邻域子段集合N(s),每条配送子段都具有位置坐标,时间,速度,城市级别,城市点从属关系等属性;
步骤B将对配送时间的异常检测转化为对配送过程平均速度的检测,利用平均速度与标准差公式计算得出邻域子段集合N(s)中子段的平均速度与速度标准差。平均速度与速度标准差计算公式如下:
其中,公式(1)中的Vsegi为邻域子段segi的速度属性,n为集合N(s)中子段的数目。公式(2)中的σv为速度标准差。
步骤C将通过步骤B获得的平均速度与速度标准差代入时间延迟检测算子,以获得子段s的时间异常因子值。将时间异常因子值与子段s的速度属性进行比较。时间延迟检测算子如下:
步骤D利用线段Hausdorff距离公式来度量子段s与其邻域子段集合N(s)中子段之间的距离,然后利用基于距离的异常检测算法的DB(p,d)准则与设定的距离阈值d来分析子段集合N(s)中与子段s的距离小于等于d的子段数目|cs(seg(s),d)|,即距离异常因子值。线段Hausdorff距离公式如下:
d//(Li,Lj)=min(l//1,l//2) (4)
dist(Li,Lj)=ω//·d//(Li,Lj)+ω⊥·d⊥(Li,Lj)+ωθ·dθ(Li,Lj) (7)
其中,公式(4)为子段之间平行距离计算公式,l//1与l//2分别为较短子段的端点在较长子段上的投影点与长子段的两端点之间的较小的欧式距离。公式(5)为子段之间垂直距离计算公式,l⊥1与l⊥2分别为较短子段的端点与其在较长子段上的投影点之间的欧式距离。公式(6)为子段之间角度距离计算公式,Lj为两条子段中的较短子段,θ为两条子段中较小的夹角。公式(7)为线段Hausdorff距离度量公式,ω//,ω⊥与ωθ分别为平行距离,垂直距离,角度距离的权值参数。
步骤E运用基于角度的异常检测算法的异常因子公式对子段s的终端点p与其邻域子段集合N(s)中所有子段的终端点进行分析计算,获得子段s的角度异常因子值。角度异常因子公式如下:
步骤F根据步骤D与步骤E所获得的子段s的距离异常因子值|cs(seg(s),d)|,角度异常因子值VOA(p),以及设定的比例系数p,角度阈值VOA,对子段s进行异常检测与判断。如果子段s的距离异常因子值|cs(seg(s),d)|小于N(s)中子段数目n与比例系数p的乘积,或者角度异常因子值VOA(p)小于角度阈值VOA,则把该子段s纳入配送过程错误子段集合Pro_O。
步骤G根据子段s终端点的属性(位置坐标、编号、级别等)与物流订单目的地的属性进行一致性比较,判断货物是否送达正确目的地。如果子段s终端点的属性与物流订单目的地的属性不一致,则将子段s纳入配送终点错误子段集合Ter_O。
步骤H使得流程跳转至步骤A,通过步骤A到步骤H的循环实现了对整个物流配送过程的异常检测,并准确得出异常配送情况的错误类型。
Claims (1)
1.一种快递物流配送异常检测方法,用于快速有效地发现快递物流在配送过程中出现的异常配送情况,具体为配送时间延迟,过程错误,终点错误,包括步骤:
A.采集配送轨迹数据子段s,并索引出与该子段具有相同起端点的邻域子段集合N(s);
B.将配送时间延迟检测转化为对速度的检测,利用公式(1)和公式(2)计算邻域子段集合N(s)的平均速度与速度标准差;
其中,公式(1)中的Vsegi为邻域子段segi的速度属性,n为集合N(s)中子段的数目,公式(2)中的σv为速度标准差;
C.利用时间延迟检测算子对子段s的时间异常因子值进行计算分析,利用步骤B求得的平均速度与标准差计算子段s的时间异常因子值:再利用公式(4)对时间异常因子值与子段s的速度属性进行比较,以判断子段s是否为时间延迟,如果子段s为时间延迟,则将其纳入配送时间延迟子段集合Time_O;
D.结合线段Hausdorff距离公式,利用公式(5)、公式(6)、公式(7)、公式(8)计算子段s与其邻域子段集合N(s)中各个子段之间的Hausdorff距离,然后利用基于距离的异常检测算法的DB(p,d)准则与设定的距离阈值d来获得子段s的距离异常因子值;
d//(Li,Lj)=min(l//1,l//2) (5)
dist(Li,Lj)=ω//·d//(Li,Lj)+ω⊥·d⊥(Li,Lj)+ωθ·dθ(Li,Lj) (8)
其中,公式(5)为子段间平行距离计算公式,l//1与l//2分别为较短子段的端点在较长子段上的投影点与长子段的两端点之间的较小的欧式距离;公式(6)为子段间垂直距离计算公式,l⊥1与l⊥2分别为较短子段的端点与其在较长子段上的投影点之间的欧式距离;公式(7)为子段间角度距离计算公式,Lj为两条子段中的较短子段,θ为两条子段中较小的夹角;公式(8)为线段Hausdorff距离度量公式,ω//,ω⊥与ωθ分别为平行距离,垂直距离,角度距离的权值参数;
E.运用公式(9)和公式(10)对子段s的终端点与其邻域子段集合N(s)中所有子段的终端点进行基于角度异常检测算法的异常因子分析计算,获得子段s的角度异常因子值;
F.根据子段s的距离异常因子值,角度异常因子值,以及设定的比例系数,角度阈值对子段s进行轨迹异常检测与判断,如果子段s为轨迹异常,则将其纳入配送过程错误子段集合Pro_O;
G.根据子段s终端点的位置坐标、城市编号、城市级别与物流订单目的地的位置坐标、城市编号、城市级别进行一致性比较,检测货物是否送达正确目的地,如果未送达正确目的地,则将子段s纳入配送终点错误子段集合Ter_O;
H.跳转至步骤A,直至检测完所有轨迹子段。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610119007.4A CN107153931B (zh) | 2016-03-03 | 2016-03-03 | 一种快递物流配送异常检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610119007.4A CN107153931B (zh) | 2016-03-03 | 2016-03-03 | 一种快递物流配送异常检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107153931A CN107153931A (zh) | 2017-09-12 |
CN107153931B true CN107153931B (zh) | 2020-11-20 |
Family
ID=59791817
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610119007.4A Active CN107153931B (zh) | 2016-03-03 | 2016-03-03 | 一种快递物流配送异常检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107153931B (zh) |
Families Citing this family (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107767097A (zh) * | 2017-10-17 | 2018-03-06 | 安徽凯京物联科技有限公司 | 一种物流干线运输订单真实性的判断方法 |
CN109389349A (zh) * | 2018-10-31 | 2019-02-26 | 四川爱联科技有限公司 | 基于微信的物流信息跟踪系统 |
CN109471141A (zh) * | 2018-11-12 | 2019-03-15 | 湖南科技大学 | 一种手机记录日常生活和运动轨迹的方法 |
CN109766777B (zh) * | 2018-12-18 | 2021-08-13 | 东软集团股份有限公司 | 异常轨迹的检测方法、装置、存储介质及电子设备 |
CN110060004A (zh) * | 2019-03-19 | 2019-07-26 | 深圳市金鹰鹏物流有限公司 | 物流配送异常检测方法及系统 |
CN110175633B (zh) * | 2019-04-29 | 2020-12-15 | 杭州电子科技大学 | 一种基于北斗卫星传输数据的渔船轨迹异常检测方法 |
CN110110785B (zh) * | 2019-05-05 | 2021-09-14 | 北京印刷学院 | 一种快件物流过程状态检测分类方法 |
CN112085426A (zh) * | 2019-06-14 | 2020-12-15 | 北京京东尚科信息技术有限公司 | 订单下发控制方法、装置、存储介质及电子设备 |
CN111062655A (zh) * | 2019-11-29 | 2020-04-24 | 德银天下投资控股有限公司 | 一种异常物流运单的识别方法、装置及系统 |
KR102228191B1 (ko) | 2020-06-24 | 2021-03-17 | 쿠팡 주식회사 | 배송 상태 관리 방법 및 이를 수행하는 전자 장치 |
CN112184115B (zh) * | 2020-09-28 | 2024-04-16 | 上海寻梦信息技术有限公司 | 物流预警方法、物流推荐方法、装置及相关设备 |
CN112415536B (zh) * | 2020-11-11 | 2023-07-14 | 南京市测绘勘察研究院股份有限公司 | 一种自动获取车载激光点云行车轨迹异常区域的方法 |
CN112465439B (zh) * | 2021-02-02 | 2021-05-11 | 红石阳光(北京)科技股份有限公司 | 基于智慧大脑控制机器人的物流配送方法及系统 |
CN113034037B (zh) * | 2021-04-16 | 2024-04-09 | 西安京迅递供应链科技有限公司 | 物流监控方法、装置、存储介质及电子设备 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102232222A (zh) * | 2008-09-30 | 2011-11-02 | 亚马逊技术股份有限公司 | 用于接收装运包裹的系统和方法 |
CN103020800A (zh) * | 2012-12-13 | 2013-04-03 | 北京时代凌宇科技有限公司 | 一种快递监控方法和装置 |
CN103123704A (zh) * | 2013-01-21 | 2013-05-29 | 浙江工业大学 | 一种基于富网络属性路网的物流配送方法 |
CN103605362A (zh) * | 2013-09-11 | 2014-02-26 | 天津工业大学 | 基于车辆轨迹多特征的运动模式学习及异常检测方法 |
CN103999102A (zh) * | 2011-08-03 | 2014-08-20 | Sita信息网络处理美国有限公司 | 物品处理和跟踪系统及其方法 |
CN104064029A (zh) * | 2014-07-07 | 2014-09-24 | 哈尔滨工业大学 | 一种VANETs中V2V链路延迟的动态预测方法 |
US9020536B1 (en) * | 2012-10-30 | 2015-04-28 | Onasset Intelligence, Inc. | Method and apparatus for tracking a transported item while accommodating communication gaps |
CN104769618A (zh) * | 2012-12-20 | 2015-07-08 | 艾玛迪斯简易股份公司 | 确定运输工具的实时延迟 |
CN104869105A (zh) * | 2014-02-26 | 2015-08-26 | 重庆邮电大学 | 一种异常状态在线识别方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9070100B2 (en) * | 2011-03-31 | 2015-06-30 | United Parcel Service Of America, Inc. | Calculating speed and travel times with travel delays |
US20150199636A1 (en) * | 2014-01-13 | 2015-07-16 | Xerox Corporation | Method and system for performance metric anomaly detection in transportation systems |
-
2016
- 2016-03-03 CN CN201610119007.4A patent/CN107153931B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102232222A (zh) * | 2008-09-30 | 2011-11-02 | 亚马逊技术股份有限公司 | 用于接收装运包裹的系统和方法 |
CN103999102A (zh) * | 2011-08-03 | 2014-08-20 | Sita信息网络处理美国有限公司 | 物品处理和跟踪系统及其方法 |
US9020536B1 (en) * | 2012-10-30 | 2015-04-28 | Onasset Intelligence, Inc. | Method and apparatus for tracking a transported item while accommodating communication gaps |
CN103020800A (zh) * | 2012-12-13 | 2013-04-03 | 北京时代凌宇科技有限公司 | 一种快递监控方法和装置 |
CN104769618A (zh) * | 2012-12-20 | 2015-07-08 | 艾玛迪斯简易股份公司 | 确定运输工具的实时延迟 |
CN103123704A (zh) * | 2013-01-21 | 2013-05-29 | 浙江工业大学 | 一种基于富网络属性路网的物流配送方法 |
CN103605362A (zh) * | 2013-09-11 | 2014-02-26 | 天津工业大学 | 基于车辆轨迹多特征的运动模式学习及异常检测方法 |
CN104869105A (zh) * | 2014-02-26 | 2015-08-26 | 重庆邮电大学 | 一种异常状态在线识别方法 |
CN104064029A (zh) * | 2014-07-07 | 2014-09-24 | 哈尔滨工业大学 | 一种VANETs中V2V链路延迟的动态预测方法 |
Non-Patent Citations (2)
Title |
---|
基于Hausdorff距离的图像配准研究;牛力丕等;《电子与信息学报》;20070131;第29卷(第1期);35-38 * |
基于角度分布的高维数据流异常点检测算法;朴昌浩等;《上海交通大学学报》;20140531;第48卷(第5期);647-652 * |
Also Published As
Publication number | Publication date |
---|---|
CN107153931A (zh) | 2017-09-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107153931B (zh) | 一种快递物流配送异常检测方法 | |
US10222217B2 (en) | Verifying a road network of a map | |
CN106855415B (zh) | 地图匹配方法和系统 | |
US10429189B2 (en) | Method and apparatus of data classification for routes in a digitized map | |
US9747805B2 (en) | Computing a similarity measure over moving object trajectories | |
WO2016086792A1 (zh) | 一种驾驶行为分析方法及设备 | |
CN104900059A (zh) | 一种利用隐马尔可夫地图匹配算法增强手机基站定位精度的方法 | |
US20170227365A1 (en) | Information processing apparatus and trajectory information correcting method | |
CN110288032A (zh) | 一种车辆行驶轨迹类型检测方法及装置 | |
CN112747755B (zh) | 道路线确定方法、装置、可读存储介质及地图更新系统 | |
US20190137289A1 (en) | Detection of Map Anomalies | |
CN111291790A (zh) | 一种基于轨迹相似度的转向路径提取及路网拓扑变化检测框架方法 | |
US11521337B2 (en) | Map generation system, map generation method, and computer readable medium which generates linearization information calculates a reliability degree | |
WO2022116831A1 (zh) | 定位方法、装置、电子设备及可读存储介质 | |
EP4242996A1 (en) | Status determination device, status determination system, and status determination method | |
KR101436045B1 (ko) | 차량의 주행정보를 이용한 도로경사 측정방법 | |
CN114954532A (zh) | 一种车道线确定方法、装置、设备和存储介质 | |
CN108871226B (zh) | 一种积雪深度的测量方法、装置及系统 | |
CN104462820B (zh) | 一种电网杆塔坐标检错的方法 | |
US10114910B2 (en) | Three-dimensional model generating device, method of determining structural member, and program | |
KR101882384B1 (ko) | 다중 센서의 신뢰도 향상을 위한 통합적 교차 교정 장치 및 방법 | |
CN114485681B (zh) | 一种利用dr轨迹评价中精度地图数据一致率的方法 | |
CN113342591B (zh) | 信息处理方法、装置、电子设备和存储介质 | |
US20230067558A1 (en) | Road surface estimation apparatus, road surface estimation method and program thereof | |
CN112288834A (zh) | Rgv地图点坐标计算方法、系统及地图生成方法、系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |