CN108932255B - 一种车辆综合能力分析方法及装置 - Google Patents
一种车辆综合能力分析方法及装置 Download PDFInfo
- Publication number
- CN108932255B CN108932255B CN201710379265.0A CN201710379265A CN108932255B CN 108932255 B CN108932255 B CN 108932255B CN 201710379265 A CN201710379265 A CN 201710379265A CN 108932255 B CN108932255 B CN 108932255B
- Authority
- CN
- China
- Prior art keywords
- vehicle
- analysis
- data
- information
- transportation
- 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
- 238000004458 analytical method Methods 0.000 title claims abstract description 75
- 238000011156 evaluation Methods 0.000 claims abstract description 37
- 238000000034 method Methods 0.000 claims abstract description 34
- 238000007781 pre-processing Methods 0.000 claims abstract description 26
- 238000013499 data model Methods 0.000 claims abstract description 23
- 238000007418 data mining Methods 0.000 claims abstract description 22
- 238000012545 processing Methods 0.000 claims description 14
- 230000002159 abnormal effect Effects 0.000 claims description 5
- 238000012937 correction Methods 0.000 claims description 5
- 230000000694 effects Effects 0.000 claims description 5
- 238000007689 inspection Methods 0.000 claims description 4
- 238000007621 cluster analysis Methods 0.000 claims 2
- 230000006399 behavior Effects 0.000 description 14
- 238000010586 diagram Methods 0.000 description 10
- 238000012423 maintenance Methods 0.000 description 8
- 238000004590 computer program Methods 0.000 description 5
- 238000005065 mining Methods 0.000 description 3
- 238000011425 standardization method Methods 0.000 description 3
- 238000007726 management method Methods 0.000 description 2
- 230000001681 protective effect Effects 0.000 description 2
- 238000013480 data collection Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000006698 induction Effects 0.000 description 1
- 238000002955 isolation Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000002759 z-score normalization 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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- 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
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/40—Business processes related to the transportation industry
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Theoretical Computer Science (AREA)
- Educational Administration (AREA)
- Marketing (AREA)
- Development Economics (AREA)
- General Business, Economics & Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Physics & Mathematics (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供了一种车辆综合能力分析方法及装置，能够准确、量化的分析描述车辆的综合能力。该方法包括：获取车辆的多维度信息；对所述多维度信息进行数据预处理；通过对数据预处理结果进行数据挖掘，确定车辆数据模型；根据所述车辆数据模型，建立车辆综合能力评价指标体系，从所述车辆综合能力评价指标体系中提取待分析车辆的车辆画像，得到所述待分析车辆的车辆综合能力分析结果。
Description
技术领域
本发明涉及智能交通的技术领域，具体涉及一种车辆综合能力分析方法及装置。
背景技术
准确、量化的描述车辆的综合能力在物流、营销、交通等领域有广泛应用，通过采集车辆相关的信息，分析建立车辆各项维度的数据模型和指标，利用大数据挖掘算法，为数据仓库中的每一辆车辆建立综合能力模型和输出结果，为每一辆车辆建立行驶行为、营运能力、经济能力、信用体系等方面的量化描述信息。
智能交通系统(Intelligent Transportation System，ITS)改变了传统交通信息孤立的状态，充分利用车辆、驾驶员、道路、货物等多维度的信息的数据源，将多行业的车辆相关数据关联、匹配，利用数据挖掘算法实现车辆数据的综合性分析。通过车辆相关数据的数据仓库建立和算法挖掘，从而为车辆综合能力建立量化的描述信息，以便于车辆精准营销、物流信息推送、车辆保险服务、汽车金融服务、汽车安全、信用体系等多方面提供数据支撑和价值保障。
在现有的技术中只有车辆行为的分析方法，通过车载硬件或者公路卡口、停车场卡口等采集数据用于车辆的驾驶行为分析和驾驶路线分析，而目前车辆关联信息具有维度多、数据量大、关联性弱的特性，如何利用大数据技术，通过数据建模、数据挖掘的方法，提炼出综合性的车辆描述模型和有价值数据，以提高车辆信息的利用率和挖掘车辆数据价值，成为亟待解决的技术问题。
发明内容
本发明实施例提供一种车辆综合能力分析方法及装置，能够准确、量化的分析描述车辆的综合能力，可用于物流行业车辆运输车货匹配、保险行业车辆保险评估、银行行业车辆营运贷款、汽车行业配件精准营销、全行业车辆能力评估和信用评估等。
本发明实施例提供了一种车辆综合能力分析方法，包括：
获取车辆的多维度信息；
对所述多维度信息进行数据预处理；
通过对数据预处理结果进行数据挖掘，确定车辆数据模型；
根据所述车辆数据模型，建立车辆综合能力评价指标体系，从所述车辆综合能力评价指标体系中提取待分析车辆的车辆画像，得到所述待分析车辆的车辆综合能力分析结果。
可选地，所述多维度信息包括由信息采集系统采集的数据，所述信息采集系统，包括但不限于高速公路收费站点、非现场执法站点、高速预检站点、低速超限站点、源头治超站点等，同时包括从其它系统调取、上传的数据。
可选地，所述多维度信息包括车辆、驾驶员、道路、货物等信息，具体包括车辆基本信息(车辆管理所登记信息、车辆配件设备信息、车辆维修养护信息)、车辆运输信息(各类站点原始数据、货物信息、物流信息)、车辆实时信息(车辆APP信息、车辆GPS定位信息)、驾驶员信息(年龄、驾龄)、车辆消费信息(车辆运输过程中的消费信息、车辆保险信息)。
可选地，所述数据预处理，包括数据格式标准化、异常数据清除、错误纠正、重复数据清除等。
可选地，所述数据挖掘，包括：
营运能力分析：分析车辆交通量、货运量、平均货运量、平均速度、超限次数、超限比例等；
轨迹分析：复现车辆运输路径，分析车辆行驶规律、跨区行驶、出省行驶等；
车辆归属地分析：通过每一次运输行为，分析车辆归属地、常出没区域、熟悉路线等；
车辆经济分析：通过车辆载货情况、通行费率、油耗、运输费用等分析基于运输行驶的经济状况。
可选地，所述车辆数据模型包括：
车辆运行状态模型：包括车辆基本信息(车型、限载、空车重、长宽高、类型(如挂车、铰接、箱式、列车等))、车辆使用信息、车辆购买信息、车辆检修信息、车辆保养信息、车辆各部件(制动装置、安全气囊等保护装置和防盗装置)运行状态信息、车辆的故障信息；
车辆行驶行为模型：包括车辆行驶轨迹、车辆出没区域、车辆驾驶习惯、车辆超限状况、车辆违章状况、车辆驾驶员匹配；
车辆营运能力模型：包括车辆运输状况(运输频次、运输距离、平均速度、到达准点率)、车辆载货状况(空车率、平均载货重量)、车辆超限状况、车辆运输习惯；
车辆经济能力模型：包括车辆运输费用、车辆油耗状况、车辆通行费用、车辆维修养护费用、车辆保险费用；
车辆信用体系模型：包括车辆运输信息、车辆行驶行为、车辆违章信息(违章、超限等)、车辆保险信息(历史赔付记录)、车辆借贷信息、驾驶员信息、企业信息。
本发明实施例提供了一种车辆综合能力分析装置，包括：
获取单元：用于获取车辆的多维度信息；
数据预处理单元：用于对所述多维度信息进行数据预处理；
数据挖掘单元：用于通过对数据预处理结果进行数据挖掘，确定车辆数据模型；
综合能力分析单元：用于根据所述车辆数据模型，建立车辆综合能力评价指标体系，从所述车辆综合能力评价指标体系中提取待分析车辆的车辆画像，得到所述待分析车辆的车辆综合能力分析结果。
本发明实施例提供的一种车辆综合能力分析方法及装置，通过信息采集系统对车辆、驾驶员、道路、货物等多维度信息进行采集；对采集的多维度信息进行数据预处理；对数据进行数据挖掘，确定车辆的行驶行为、营运能力、经济能力等数据模型；建立车辆综合能力评价指标体系，构建车辆画像，生成车辆综合能力分析结果。本发明通过获取车辆相关的多维度信息，进行数据提取、挖掘，建立车辆综合能力评价指标体系，构建车辆画像，生成车辆综合能力分析结果，能够准确、量化的分析描述车辆的综合能力，可用于物流行业车辆运输车货匹配、保险行业车辆保险评估、银行行业车辆营运贷款、汽车行业配件精准营销、全行业车辆能力评估和信用评估等。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本发明一个实施例的车辆综合能力分析方法的流程示意图；
图2是本发明一个实施例的车辆综合能力分析装置的结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整的描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
图1是本发明一个实施例的车辆综合能力分析方法的流程示意图。如图1所示，该实施例的方法以车辆综合能力分析服务器为执行主体，包括：
S1：获取车辆的多维度信息；
需要说明的是，本发明实施例中多维度信息包括由信息采集系统采集的数据，所述信息采集系统包括但不限于高速公路收费站点、非现场执法站点、高速预检站点、低速超限站点、源头治超站点等，同时包括从其它系统调取、上传的数据。
在实际应用中，多维度信息包括车辆、驾驶员、道路、货物等信息，具体包括车辆基本信息(车辆管理所登记信息、车辆配件设备信息、车辆维修养护信息)、车辆运输信息(各类站点原始数据、货物信息、物流信息)、车辆实时信息(车辆APP信息、车辆GPS定位信息)、驾驶员信息(年龄、驾龄)、车辆消费信息(车辆运输过程中的消费信息、车辆保险信息)。
S2：对所述多维度信息进行数据预处理；
需要说明的是，本发明实施例数据预处理，包括数据格式标准化、异常数据清除、错误纠正、重复数据清除等。
S3：通过对数据预处理结果进行数据挖掘，确定车辆数据模型；
需要说明的是，本发明实施例数据挖掘，包括：
营运能力分析：分析车辆交通量、货运量、平均货运量、平均速度、超限次数、超限比例等；
轨迹分析：复现车辆运输路径，分析车辆行驶规律、跨区行驶、出省行驶等；
车辆归属地分析：通过每一次运输行为，分析车辆归属地、常出没区域、熟悉路线等；
车辆经济分析：通过车辆载货情况、通行费率、油耗、运输费用等分析基于运输行驶的经济状况。
S4：根据所述车辆数据模型，建立车辆综合能力评价指标体系，从所述车辆综合能力评价指标体系中提取待分析车辆的车辆画像，得到所述待分析车辆的车辆综合能力分析结果。
需要说明的是，本发明实施例车辆数据模型，包括：
车辆运行状态模型：包括车辆基本信息(车型、限载、空车重、长宽高、类型(如挂车、铰接、箱式、列车等))、车辆使用信息、车辆购买信息、车辆检修信息、车辆保养信息、车辆各部件(制动装置、安全气囊等保护装置和防盗装置)运行状态信息、车辆的故障信息；
车辆行驶行为模型：包括车辆行驶轨迹、车辆出没区域、车辆驾驶习惯、车辆超限状况、车辆违章状况、车辆驾驶员匹配；
车辆营运能力模型：包括车辆运输状况(运输频次、运输距离、平均速度、到达准点率)、车辆载货状况(空车率、平均载货重量)、车辆超限状况、车辆运输习惯；
车辆经济能力模型：包括车辆运输费用、车辆油耗状况、车辆通行费用、车辆维修养护费用、车辆保险费用；
车辆信用体系模型：包括车辆运输信息、车辆行驶行为、车辆违章信息(违章、超限等)、车辆保险信息(历史赔付记录)、车辆借贷信息、驾驶员信息、企业信息。
车辆综合能力评价指标体系包括海量车辆的车辆数据模型，从中可以提取出待分析车辆的各个评价指标项，即车辆画像，该车辆画像即为对应车辆的车辆综合能力分析结果。
下面对本发明的实施过程进行详细说明。
举例来说，S1：从信息采集系统采集或其它系统调取多维度信息inf o为：
S2：对多维度信息inf o进行数据预处理，包括：
(1)数据格式标准化，包括min-max标准化法和Z-score标准化法等，其中min-max标准化法为：
Z-score标准化法为：
(2)异常数据清除，包括拉依达方法、肖维勒方法、一阶差分法等，其中拉依达方法为：
如果某测量值与平均值之差大于标准偏差的三倍，则予以剔除，即：
|xi-μ|＞3×σ，其中：xi为测量值，μ为均值，σ为标准差；
(3)错误纠正，包括缺失值和不一致数据，其中：解决缺失值的方法为：使用最可能的值填充缺失值，用回归方法或者贝叶斯形式化方法的基于推理的工具或决策树归纳确定；
(4)重复数据清除，对于元组级检测数据的重复直接剔除。
S3：根据数据预处理结果进行数据挖掘，包括营运能力分析、轨迹分析、车辆归属地分析、车辆经济分析，具体为：
(1)营运能力分析：分析车辆交通量、货运量、平均货运量、平均速度、超限次数、超限比例等；
通过数据采集系统采集车辆海量数据，计算各项分析指标：
其中，n为车辆数量，traf为交通量，frei为货运量，weighti为第i辆车的检测重量，frei_avg为平均货运量，speed_avg为平均速度，speedi为第i辆车的速度，over为超限次数，limiti为第i辆车的限载；
(2)轨迹分析：复现车辆运输路径，分析车辆行驶规律、跨区行驶、出省行驶等；
以高速公路数据为例说明，车辆Veh，高速公路行驶的起始站点为station_in，终止站点为station_out，该省高速公路所有收费站为{station1,…,stationi,…,stationn}，根据所有站点的拓扑关系、以及任意相邻站点之间的距离，通过Floyd算法计算最短路径，则车辆从起始站点到终止站点的轨迹为从station_in到station_out的最短路径；
(3)车辆归属地分析：通过每一次运输行为，分析车辆归属地、常出没区域、熟悉路线等；
根据轨迹分析的结果，分析车辆每一次运输行为，记录起始位置、终止位置，形成位置集合：pos＝{p1,…,pi,…,pn}，对车辆活动位置进行聚类分析，得到常出没区域，在实际应用中，聚类距离可以调整，例如以10km为范围，通过聚类结果中各个起始终止位置的轨迹，分析车辆熟悉路线、常出没区域；通过车辆运输行为的起止时间，分析车辆运输时间time_transit和停留时间time_stay，同时根据货物类型判断货物装卸时间time_assem等，综合分析和判断车辆归属地；
(4)车辆经济分析：通过车辆载货情况、通行费率、油耗、运输费用等分析基于运输行驶的经济状况；
以高速公路运输为例说明，车辆重量w，通过轨迹分析计算车辆行驶距离d，单位里程单位重量的运输费用为p_t，单位里程单位重量的通行费为t，单位里程油费p_g，则基于车辆运输的经济分析为：p_t×d×w-t×d×w-p_g×d；
S4：根据数据模型，建立车辆综合能力评价指标体系，构建车辆画像，得到车辆综合能力分析结果
图2是本发明一个实施例的车辆综合能力分析装置的结构示意图。如图2所示，本发明实施例的装置包括获取单元1、数据预处理单元2、数据挖掘单元3、综合能力分析单元4，具体地，
获取单元1：用于获取车辆的多维度信息；
数据预处理单元2：用于对所述多维度信息进行数据预处理；
数据挖掘单元3：用于通过对数据预处理结果进行数据挖掘，确定车辆数据模型；
综合能力分析单元4：用于根据所述车辆数据模型，建立车辆综合能力评价指标体系，从所述车辆综合能力评价指标体系中提取待分析车辆的车辆画像，得到所述待分析车辆的车辆综合能力分析结果。
本发明实施例提供的车辆综合能力评价指标体系装置，通过获取车辆相关的信息，建立车辆综合能力评价指标体系，构建车辆画像，提取、挖掘数据生成车辆综合能力分析结果。
本发明实施例的装置可以用于执行上述方法实施例，其原理和技术效果类似，此处不再赘述。
本发明实施例提供的一种车辆综合能力分析方法及装置，通过信息采集系统对车辆、驾驶员、道路、货物等多维度信息进行采集；对采集的多维度信息进行数据预处理；对数据进行数据挖掘，确定车辆的行驶行为、营运能力、经济能力等数据模型；建立车辆综合能力评价指标体系，构建车辆画像，生成车辆综合能力分析结果。本发明通过获取车辆相关的多维度信息，进行数据提取、挖掘，建立车辆综合能力评价指标体系，构建车辆画像，生成车辆综合能力分析结果，能够准确、量化的分析描述车辆的综合能力，可用于物流行业车辆运输车货匹配、保险行业车辆保险评估、银行行业车辆营运贷款、汽车行业配件精准营销、全行业车辆能力评估和信用评估等。
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
需要说明的是术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
本发明的说明书中，说明了大量具体细节。然而能够理解的是，本发明的实施例可以在没有这些具体细节的情况下实践。在一些实例中，并未详细示出公知的方法、结构和技术，以便不模糊对本说明书的理解。类似地，应当理解，为了精简本发明公开并帮助理解各个发明方面中的一个或多个，在上面对本发明的示例性实施例的描述中，本发明的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。然而，并不应将该公开的方法解释呈反映如下意图：即所要求保护的本发明要求比在每个权利要求中所明确记载的特征更多的特征。更确切地说，如权利要求书所反映的那样，发明方面在于少于前面公开的单个实施例的所有特征。因此，遵循具体实施方式的权利要求书由此明确地并入该具体实施方式，其中每个权利要求本身都作为本发明的单独实施例。
以上实施例仅用于说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (4)
1.一种车辆综合能力分析方法，其特征在于，包括：
获取车辆的多维度信息；
其中，所述多维度信息通过信息采集系统采集，所述信息采集系统，包括高速公路收费站点、非现场执法站点、高速预检站点、低速超限站点和源头治超站点；
对所述多维度信息进行数据预处理；
所述数据预处理，包括数据格式标准化、异常数据清除、错误纠正、重复数据清除；
通过对数据预处理结果进行数据挖掘，确定车辆数据模型；
所述数据挖掘，包括：营运能力分析、轨迹分析、车辆归属地分析和车辆经济分析；
其中，所述轨迹分析，包括：
基于所述多维度信息中各个站点的拓扑关系，以及任意相邻所述站点之间的距离，确定所述车辆的轨迹分析结果；
其中，所述车辆归属地分析，包括：
根据所述轨迹分析的结果，记录所述车辆每次运输的起止位置，得到所述车辆的活动位置集合；
对所述车辆的活动位置集合进行聚类分析，确定所述车辆的常出没区域；
根据所述车辆每次运输行为的起止时间，得到所述车辆每次运输行为的运输时间及在各个活动位置的停留时间，并根据所述车辆每次运输行为的货物类型，得到所述车辆每次运输行为的货物装卸时间；
基于所述车辆的常出没区域、各个所述运输时间、各个所述停留时间和各个所述货物装卸时间，得到所述车辆的归属地分析结果；
其中，所述车辆经济分析，包括：
根据所述轨迹分析的结果，计算所述车辆的行驶距离；
根据所述车辆的行驶距离、所述车辆的单位运输费用、所述车辆的单位通行费用和所述车辆的单位油费，得到所述车辆的经济分析结果；
根据所述车辆数据模型，建立车辆综合能力评价指标体系，从所述车辆综合能力评价指标体系中提取待分析车辆的车辆画像，得到所述待分析车辆的车辆综合能力分析结果。
2.根据权利要求1所述的方法，其特征在于，所述多维度信息包括车辆基本信息、车辆运输信息、车辆实时信息、驾驶员信息和车辆消费信息。
3.根据权利要求1所述的方法，其特征在于，所述车辆数据模型包括：车辆运行状态模型、车辆行驶行为模型、车辆营运能力模型、车辆经济能力模型和车辆信用体系模型。
4.一种车辆综合能力分析装置，其特征在于，包括：
获取单元：用于获取车辆的多维度信息；
其中，所述多维度信息通过信息采集系统采集，所述信息采集系统，包括高速公路收费站点、非现场执法站点、高速预检站点、低速超限站点和源头治超站点；
数据预处理单元：用于对所述多维度信息进行数据预处理；
所述数据预处理，包括数据格式标准化、异常数据清除、错误纠正、重复数据清除；
数据挖掘单元：用于通过对数据预处理结果进行数据挖掘，确定车辆数据模型；
所述数据挖掘，包括：营运能力分析、轨迹分析、车辆归属地分析和车辆经济分析；
其中，所述轨迹分析，包括：
基于所述多维度信息中各个站点的拓扑关系，以及任意相邻所述站点之间的距离，确定所述车辆的轨迹分析结果；
其中，所述车辆归属地分析，包括：
根据所述轨迹分析的结果，记录所述车辆每次运输的起止位置，得到所述车辆的活动位置集合；
对所述车辆的活动位置集合进行聚类分析，确定所述车辆的常出没区域；
根据所述车辆每次运输行为的起止时间，得到所述车辆每次运输行为的运输时间及在各个活动位置的停留时间，并根据所述车辆每次运输行为的货物类型，得到所述车辆每次运输行为的货物装卸时间；
基于所述车辆的常出没区域、各个所述运输时间、各个所述停留时间和各个所述货物装卸时间，得到所述车辆的归属地分析结果；
其中，所述车辆经济分析，包括：
根据所述轨迹分析的结果，计算所述车辆的行驶距离；
根据所述车辆的行驶距离、所述车辆的单位运输费用、所述车辆的单位通行费用和所述车辆的单位油费，得到所述车辆的经济分析结果；
综合能力分析单元：用于根据所述车辆数据模型，建立车辆综合能力评价指标体系，从所述车辆综合能力评价指标体系中提取待分析车辆的车辆画像，得到所述待分析车辆的车辆综合能力分析结果。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710379265.0A CN108932255B (zh) | 2017-05-25 | 2017-05-25 | 一种车辆综合能力分析方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710379265.0A CN108932255B (zh) | 2017-05-25 | 2017-05-25 | 一种车辆综合能力分析方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN108932255A CN108932255A (zh) | 2018-12-04 |
| CN108932255B true CN108932255B (zh) | 2022-01-14 |
Family
ID=64450921
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710379265.0A Active CN108932255B (zh) | 2017-05-25 | 2017-05-25 | 一种车辆综合能力分析方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108932255B (zh) |
Families Citing this family (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110264066A (zh) * | 2019-06-18 | 2019-09-20 | 重庆摩托车(汽车)知识产权信息中心 | 一种汽车产业转型升级信息监测系统 |
| CN110766826B (zh) * | 2019-09-10 | 2023-07-25 | 中国平安财产保险股份有限公司 | 一种驾驶行为分析方法 |
| CN111581479B (zh) * | 2020-05-11 | 2021-04-13 | 北京精准沟通传媒科技股份有限公司 | 一站式数据处理的方法、装置、存储介质及电子设备 |
| CN112100239A (zh) * | 2020-09-11 | 2020-12-18 | 深圳市道通科技股份有限公司 | 车辆检测设备画像生成方法、装置、服务器及可读存储介质 |
| CN113344365B (zh) * | 2021-05-31 | 2024-08-06 | 深圳市顺易通信息科技有限公司 | 一种车场综合质量的多维评估方法及相关装置 |
| CN116739437A (zh) * | 2023-07-14 | 2023-09-12 | 鱼快创领智能科技(南京)有限公司 | 一种基于车联网数据的综合运力分级方法 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1347824A (zh) * | 2001-09-24 | 2002-05-08 | 黑龙江省庆安三松实业有限公司 | 板式汽车综合性能检测系统 |
| CN103577555A (zh) * | 2013-10-21 | 2014-02-12 | 汕头大学 | 一种基于车联网的大数据分析方法 |
| CN204303041U (zh) * | 2014-11-13 | 2015-04-29 | 西红柿科技（武汉）有限公司 | 一种用于安全驾驶评估的车辆数据收集装置 |
| CN105389863A (zh) * | 2015-10-16 | 2016-03-09 | 江苏南亿迪纳数字科技发展有限公司 | 一种对车况进行评估的车况指数计算方法 |
| CN105610850A (zh) * | 2016-01-13 | 2016-05-25 | 天津大学 | 基于车联网的车辆服务与管理系统 |
| CN106297291A (zh) * | 2016-08-29 | 2017-01-04 | 苏州金螳螂怡和科技有限公司 | 城市快速路交通信息采集系统 |
Family Cites Families (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US8972161B1 (en) * | 2005-11-17 | 2015-03-03 | Invent.Ly, Llc | Power management systems and devices |
| CN102629297B (zh) * | 2012-03-06 | 2016-01-06 | 北京建筑工程学院 | 一种基于行程识别的出行者活动规律分析方法 |
| CN103093516B (zh) * | 2012-12-25 | 2016-05-11 | 北京理工大学 | 车辆轨迹回放系统 |
| US20150046352A1 (en) * | 2013-08-09 | 2015-02-12 | Ronald R. Shea | Apparatus for Detecting Stolen Automotive Components |
| CN106022787A (zh) * | 2016-04-25 | 2016-10-12 | 王琳 | 一种基于大数据的人车多因子评估方法及系统 |
-
2017
- 2017-05-25 CN CN201710379265.0A patent/CN108932255B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1347824A (zh) * | 2001-09-24 | 2002-05-08 | 黑龙江省庆安三松实业有限公司 | 板式汽车综合性能检测系统 |
| CN103577555A (zh) * | 2013-10-21 | 2014-02-12 | 汕头大学 | 一种基于车联网的大数据分析方法 |
| CN204303041U (zh) * | 2014-11-13 | 2015-04-29 | 西红柿科技（武汉）有限公司 | 一种用于安全驾驶评估的车辆数据收集装置 |
| CN105389863A (zh) * | 2015-10-16 | 2016-03-09 | 江苏南亿迪纳数字科技发展有限公司 | 一种对车况进行评估的车况指数计算方法 |
| CN105610850A (zh) * | 2016-01-13 | 2016-05-25 | 天津大学 | 基于车联网的车辆服务与管理系统 |
| CN106297291A (zh) * | 2016-08-29 | 2017-01-04 | 苏州金螳螂怡和科技有限公司 | 城市快速路交通信息采集系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN108932255A (zh) | 2018-12-04 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108932255B (zh) | 一种车辆综合能力分析方法及装置 | |
| Perrotta et al. | Verification of the HDM-4 fuel consumption model using a Big data approach: A UK case study | |
| US20190287388A1 (en) | System and method for determining a vehicle classification from gps tracks | |
| CN110544373A (zh) | 一种基于北斗车联网的货车预警信息提取与风险识别方法 | |
| 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 | |
| CN112700201A (zh) | 货源推荐方法、电子设备和存储介质 | |
| CN112613939A (zh) | 一种车辆装卸状态的识别方法、装置、存储介质及终端 | |
| CN114076631A (zh) | 超载车辆识别方法、系统及设备 | |
| Figliozzi et al. | Algorithms for studying the impact of travel time reliability along multisegment trucking freight corridors | |
| Mehdizadeh et al. | Predicting unsafe driving risk among commercial truck drivers using machine learning: lessons learned from the surveillance of 20 million driving miles | |
| CN113263993A (zh) | 故障预警方法、装置、通信设备及存储介质 | |
| CN113743815A (zh) | 运营车辆的风险监控方法、装置、存储介质及计算机设备 | |
| DE102021110705A1 (de) | Vorrichtungen, verfahren und systeme zur lieferungsverfolgung, routenplanung und bewertung | |
| CN117711174A (zh) | 一种车辆通行信息的数据处理方法及系统 | |
| Mishra et al. | Exploring variation of length of haul and associated freight transport emission of Indian establishments: A survival analysis approach | |
| CN114973681B (zh) | 一种在途车辆感知方法及设备 | |
| CN115619103B (zh) | 基于货车行驶轨迹的典型行业物流联运分析方法及系统 | |
| CN112863171B (zh) | 一种基于历史数据分析的智能稽查方法及系统 | |
| Sun et al. | Loading and Unloading Points Identification Based on Freight Trajectory Big Data and Clustering Method | |
| CN117315943B (zh) | 一种超限运输违法监测分析与预警方法及系统 | |
| Kazinski et al. | Contribution Determination of the Statistical Loading of the Crossroads by Means of the YOLO5 Neural Network | |
| Zhang | Optimization of freight truck driver scheduling based on operation cost model for Less-Than-Truckload (LTL) transportation | |
| CN116029624B (zh) | 一种融合货车轨迹和poi数据的货源地识别方法 | |
| CN113327078B (zh) | 基于lstm算法的货车装卸车停靠类型判断方法、系统及介质 | |
| CN116226598B (zh) | 一种基于车辆性质及货物属地原则的公路货运量计算方法 |
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 | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20221103 Address after: Room 601, 6th Floor, Building B, Building 9, Start Zone, Yangtze River Delta International R&D Community, No. 286, Qinglonggang Road, High-speed Rail New Town, Xiangcheng District, Suzhou City, Jiangsu Province, 215131 Patentee after: Suzhou Wanji IoV Technology Co.,Ltd. Address before: 100085 No. 5, building 1, East Road, Haidian District, Beijing, 601 Patentee before: BEIJING WANJI TECHNOLOGY Co.,Ltd. |
|
| TR01 | Transfer of patent right |