CN109145982A - 驾驶员的身份识别方法及装置、存储介质、终端 - Google Patents
驾驶员的身份识别方法及装置、存储介质、终端 Download PDFInfo
- Publication number
- CN109145982A CN109145982A CN201810942086.8A CN201810942086A CN109145982A CN 109145982 A CN109145982 A CN 109145982A CN 201810942086 A CN201810942086 A CN 201810942086A CN 109145982 A CN109145982 A CN 109145982A
- Authority
- CN
- China
- Prior art keywords
- data
- driver
- dimension
- driving trace
- vehicle
- 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
- 238000000034 method Methods 0.000 title claims abstract description 51
- 238000012549 training Methods 0.000 claims abstract description 76
- 238000012360 testing method Methods 0.000 claims description 48
- 238000004140 cleaning Methods 0.000 claims description 39
- 238000006243 chemical reaction Methods 0.000 claims description 34
- 238000000605 extraction Methods 0.000 claims description 18
- 230000008569 process Effects 0.000 claims description 18
- 238000012545 processing Methods 0.000 claims description 10
- 239000000284 extract Substances 0.000 claims description 4
- 238000012935 Averaging Methods 0.000 claims description 3
- 230000002452 interceptive effect Effects 0.000 claims description 3
- 235000013399 edible fruits Nutrition 0.000 claims 1
- 230000002354 daily effect Effects 0.000 description 23
- 238000012937 correction Methods 0.000 description 6
- 238000012417 linear regression Methods 0.000 description 6
- 230000008859 change Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000005406 washing Methods 0.000 description 3
- 230000009471 action Effects 0.000 description 2
- 230000003203 everyday effect Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000007477 logistic regression Methods 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 241001269238 Data Species 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000012790 confirmation Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
Abstract
一种驾驶员的身份识别方法及装置、存储介质、终端，所述方法包括：获取所述驾驶员关联的车辆在第一预设时段内的行驶轨迹数据；对所述行驶轨迹数据进行处理，以获取至少一个维度的特征数据；基于预设算法模型分析所述至少一个维度的特征数据，以获取所述驾驶员为专车司机的概率；其中，所述预设算法模型是通过对历史数据的训练获得的，所述历史数据包括第二预设时段内获取的多个车辆的行驶轨迹数据和驾驶各台车辆的驾驶员的身份信息，所述身份信息包括专车司机和非专车司机。通过本发明提供的方案能够自动识别驾驶员身份，且识别准确率高、效率高、成本低。
Description
技术领域
本发明涉及大数据技术领域，具体地涉及一种驾驶员的身份识别方法及装置、存储介质、终端。
背景技术
随着滴滴、Uber等网约车业务的快速发展，对网约车的安全监管逐渐成为百姓的重点关注议题之一。
现有较常用的方式是对驾驶员的身份进行监管，通过区分驾驶员是否为网约车司机(也可称为专车司机)的方式实现对网约车司机的专门监管。
为了识别驾驶员的身份，现有主要是通过调查问卷、统计驾驶员自行上传的证件等方式来实现的，这样的手段需要人工判断驾驶员是否为专车司机，成本高、效率低。
发明内容
本发明解决的技术问题是如何实现对驾驶员身份的自动识别。
为解决上述技术问题，本发明实施例提供一种驾驶员的身份识别方法，包括：获取所述驾驶员关联的车辆在第一预设时段内的行驶轨迹数据；对所述行驶轨迹数据进行处理，以获取至少一个维度的特征数据；基于预设算法模型分析所述至少一个维度的特征数据，以获取所述驾驶员为专车司机的概率；其中，所述预设算法模型是通过对历史数据的训练获得的，所述历史数据包括第二预设时段内获取的多个车辆的行驶轨迹数据和驾驶各台车辆的驾驶员的身份信息，所述身份信息包括专车司机和非专车司机。
可选的，所述获取所述驾驶员关联的车辆在第一预设时段内的行驶轨迹数据包括：与所述车辆的车载数据采集器交互，以获取所述车辆在第一预设时段内的行驶轨迹数据。
可选的，所述对所述行驶轨迹数据进行处理，以获取至少一个维度的特征数据包括：对所述行驶轨迹数据进行清洗和转换处理；对于各个维度，对清洗和转换后的行驶轨迹数据进行统计处理，以提取该维度的特征数据。
可选的，所述对于各个维度，对所述行驶轨迹数据进行统计处理，以提取该维度的特征数据包括：从清洗和转换后的行驶轨迹数据中提取所述维度下的所有数据；对所述维度下的所有数据求平均值，以获取该维度的特征数据。
可选的，对所述预设算法模型的训练过程包括：从所述历史数据中分别抽取预设数量的行驶轨迹数据形成测试集和训练集；基于所述训练集对所述预设算法模型进行训练；基于所述测试集对训练获得的预设算法模型进行测试，直至测试结果符合预设标准。
可选的，所述行驶轨迹数据包括：时间数据和空间数据，所述空间数据基于经纬度数据描述。
可选的，所述维度选自：日均里程；日均活跃时间段数；日均偏移量；第三预设时段内到达预设目的地次数的占比。
可选的，所述预设算法模型是为二分类的算法模型。
为解决上述技术问题，本发明实施例还提供一种驾驶员的身份识别装置，包括：获取模块，用于获取所述驾驶员关联的车辆在第一预设时段内的行驶轨迹数据；处理模块，用于对所述行驶轨迹数据进行处理，以获取至少一个维度的特征数据；分析模块，用于基于预设算法模型分析所述至少一个维度的特征数据，以获取所述驾驶员为专车司机的概率；其中，所述预设算法模型是通过对历史数据的训练获得的，所述历史数据包括第二预设时段内获取的多个车辆的行驶轨迹数据和驾驶各台车辆的驾驶员的身份信息，所述身份信息包括专车司机和非专车司机。
可选的，所述获取模块包括：交互子模块，用于与所述车辆的车载数据采集器交互，以获取所述车辆在第一预设时段内的行驶轨迹数据。
可选的，所述处理模块包括：清洗转换子模块，用于对所述行驶轨迹数据进行清洗和转换处理；统计处理子模块，对于各个维度，对清洗和转换后的行驶轨迹数据进行统计处理，以提取该维度的特征数据。
可选的，所述统计处理子模块包括：提取单元，用于从清洗和转换后的行驶轨迹数据中提取所述维度下的所有数据；计算单元，用于对所述维度下的所有数据求平均值，以获取该维度的特征数据。
可选的，所述身份识别装置还包括：训练模块，用于对所述预设算法模型进行训练，所述训练模块包括：抽取子模块，用于从所述历史数据中分别抽取预设数量的行驶轨迹数据形成测试集和训练集；训练子模块，用于基于所述训练集对所述预设算法模型进行训练；测试子模块，用于基于所述测试集对训练获得的预设算法模型进行测试，直至测试结果符合预设标准。
可选的，所述行驶轨迹数据包括：时间数据和空间数据，所述空间数据基于经纬度数据描述。
可选的，所述维度选自：日均里程；日均活跃时间段数；日均偏移量；第三预设时段内到达预设目的地次数的占比。
可选的，所述预设算法模型是为二分类的算法模型。
为解决上述技术问题，本发明实施例还提供一种存储介质，其上存储有计算机指令，所述计算机指令运行时执行上述方法的步骤。
为解决上述技术问题，本发明实施例还提供一种终端，包括存储器和处理器，所述存储器上存储有能够在所述处理器上运行的计算机指令，所述处理器运行所述计算机指令时执行上述方法的步骤。
与现有技术相比，本发明实施例的技术方案具有以下有益效果：
本发明实施例提供一种驾驶员的身份识别方法，包括：获取所述驾驶员关联的车辆在第一预设时段内的行驶轨迹数据；对所述行驶轨迹数据进行处理，以获取至少一个维度的特征数据；基于预设算法模型分析所述至少一个维度的特征数据，以获取所述驾驶员为专车司机的概率；其中，所述预设算法模型是通过对历史数据的训练获得的，所述历史数据包括第二预设时段内获取的多个车辆的行驶轨迹数据和驾驶各台车辆的驾驶员的身份信息，所述身份信息包括专车司机和非专车司机。较之现有对驾驶员身份只能基于人工进行识别的实现方式，本发明实施例的方案基于历史数据训练所述预设算法模型，进而基于该模型根据车辆的行驶轨迹数据精准、自动地识别驾驶员的身份，识别速度快，利于提高对驾驶员身份的识别准确率和识别效率，极大地降低识别成本。进一步，本实施例的方案对所述行驶轨迹数据进行特征提取，以获取输入至所述预设算法模型的特征数据，利于所述模型据此识别所述驾驶员是否为专车司机。
进一步，所述对所述行驶轨迹数据进行处理，以获取至少一个维度的特征数据包括：对所述行驶轨迹数据进行清洗和转换处理；对于各个维度，对清洗和转换后的行驶轨迹数据进行统计处理，以提取该维度的特征数据。由此，对清洗后的有效数据按照特征的定义和规则进行特征提取，获得各个维度的特征量作为所述特征数据，使得各个维度的特征数据均能全面、客观、真实的反映对应维度下车辆的实际行驶信息，利于所述预设算法模型根据输入的各个维度的特征数据准确、智能化地确定驾驶员的真实身份信息。
附图说明
图1是本发明实施例的一种驾驶员的身份识别方法的流程图；
图2是本发明实施例中特征提取环节的原理流程图；
图3是本发明实施例中预设算法模型的训练过程的流程图；
图4是本发明实施例的一个典型的应用场景的功能模块示意图；
图5是本发明实施例的一种驾驶员的身份识别装置的结构示意图。
具体实施方式
本领域技术人员理解，如背景技术所言，现有技术在确认驾驶员的身份，如核查驾驶员是否为专车司机时，仍需要通过调查问卷、统计驾驶员自行上传的证件等方式进行，人工成本高、效率低。
为解决上述技术问题，本发明实施例提供一种驾驶员的身份识别方法，包括：获取所述驾驶员关联的车辆在第一预设时段内的行驶轨迹数据；对所述行驶轨迹数据进行处理，以获取至少一个维度的特征数据；基于预设算法模型分析所述至少一个维度的特征数据，以获取所述驾驶员为专车司机的概率；其中，所述预设算法模型是通过对历史数据的训练获得的，所述历史数据包括第二预设时段内获取的多个车辆的行驶轨迹数据和驾驶各台车辆的驾驶员的身份信息，所述身份信息包括专车司机和非专车司机。
本领域技术人员理解，本发明实施例的方案基于历史数据训练所述预设算法模型，进而基于该模型根据车辆的行驶轨迹数据精准、自动地识别驾驶员的身份，识别速度快，利于提高对驾驶员身份的识别准确率和识别效率，极大地降低识别成本。
进一步，本实施例的方案对所述行驶轨迹数据进行特征提取，以获取输入至所述预设算法模型的特征数据，利于所述模型据此识别所述驾驶员是否为专车司机。
为使本发明的上述目的、特征和有益效果能够更为明显易懂，下面结合附图对本发明的具体实施例做详细的说明。
图1是本发明实施例的一种驾驶员的身份识别方法的流程图。其中，对所述驾驶员的身份的识别可以包括：识别所述驾驶员是否为专车司机，所述专车司机可以类似于出租车司机，也即，使用如滴滴、Uber等网约车软件驾驶汽车载客运营的司机。
本申请发明人经过分析发现，所述专车司机与普通驾驶员(如上班族)的区别在于：普通驾驶员的汽车活动区域和活动路线基本是固定的，如工作日一般为公司与家之间两点一线；而专车司机的汽车活动区域和活动路线则是不固定的，如前三天可能主要在A市B区活动，第四天则主要在A市C区活动，且在一段时间(如一个月)内到达机场、火车站等旅客集散中心的次数较多。
因而，本实施例的方案无需与驾驶员进行交流，而是基于驾驶员用车期间产生的车辆行驶数据来分析、识别驾驶员的身份，也即，本实施例的方案可以通过对车辆本身的轨迹数据智能检测驾驶员的身份，排除人工判断时主观因素对检测结果的影响，在提高识别效率、精准率的同时，极大地降低识别成本，利于提高识别速度。
本实施例的方案可以适于识别任何城市的任何车型的驾驶员的身份。
具体地，在本实施例中，参考图1，所述驾驶员的身份识别方法可以包括如下步骤：
步骤S101，获取所述驾驶员关联的车辆在第一预设时段内的行驶轨迹数据。
步骤S102，对所述行驶轨迹数据进行处理，以获取至少一个维度的特征数据。
步骤S103，基于预设算法模型分析所述至少一个维度的特征数据，以获取所述驾驶员为专车司机的概率。
其中，所述预设算法模型可以是通过对历史数据的训练获得的，所述历史数据可以包括第二预设时段内获取的多个车辆的行驶轨迹数据和驾驶各台车辆的驾驶员的身份信息，所述身份信息包括专车司机和非专车司机。
在一个或多个实施例中，可以通过驾驶员提供的车牌信息、对驾驶员的定位信息与对车辆的定位信息的匹配结果等确定所述驾驶员关联的车辆。所述定位信息可以基于全球定位系统(Global Positioning System，简称GPS)获取。所述驾驶员的定位信息可以基于驾驶员随身携带的移动设备(如手机、IPAD)等获取，所述车辆的定位信息可以基于所述车辆的车载定位模块获取。
进一步地，所述第一预设时段可以包括需要对驾驶员的身份进行识别的时间段。例如，X年X月X日至X年Y月Y日期间；又例如，从特定时间点至今的一段时间内。在实际应用中，可以由用户设定所述第一预设时段的具体时长以及开始、结束时间点；或者，也可以默认设定所述第一预设时段，用户可以根据需要对该默认数值进行调整。
进一步地，所述第二预设时段可以包括历史上的一个或多个特定时间段。与所述第一预设时段相类似，在实际应用中，也可以由用户设定所述第二预设时段的具体时长以及开始、结束时间点。
进一步地，可以根据需要获取的历史数据的样本数量确定所述第二预设时段的合适时长，以确保在该时段内获取的历史数据的数量足够多，保证用于训练所述预设算法模型的样本基数。
在一个或多个实施例中，所述第一预设时段与第二预设时段可以不相重叠、有交集、或完全重合。
例如，所述第二预设时段可以为上一个月，所述第一预设时段则为当月。
又例如，所述第一预设时段可以为当月，所述第二预设时段则为当年。
进一步地，所述行驶轨迹数据可以包括：时间数据和空间数据，所述空间数据可以基于经纬度数据描述。由此，可以通过车辆行驶过程中产生的时空数据来分析驾驶员的行为模式，进而识别驾驶员的身份。
优选地，所述时间数据可以为时刻数据；所述空间数据可以为经纬度数据。例如，可以通过多个时刻数据，以及，每一个时刻数据对应的车辆的经纬度数据形成所述行驶轨迹数据。
在一个或多个实施例中，假设获取的车辆数据集合V可以包括n个车辆的行驶轨迹数据：
V＝{v1,v2,...,vi,...,vn},1≤i≤n；
其中，第i个车辆的行驶轨迹数据vi可以包括如下元素：
其中，Tij可以为第i个车辆的第j时刻；Latij和Lonij可以为第i个车辆在第j时刻的维度和经度；mi可以为第i个车辆的行驶轨迹时刻数量。
优选地，所述mi可以与所述第i个车辆相关。具体而言，对于不同的车辆，每天的开车时长不同，导致产生的数据量也不相同。因而，所述mi可以表示第i个车辆在所述第一预设时段内产生的总数据条数。也即，所述mi可以与所述第i个车辆相关是指，所述第i个车辆的行驶轨迹时刻数量总体取决于该车辆的驾驶员在所述第一预设时段内的开车时长。
在一个或多个实施例中，在所述第一预设时段内，可以以预设频率采集所述n个车辆各自的行驶轨迹数据，由此，对于第i个车辆，获取的所述行驶轨迹数据vi包括的数据量为第i个车辆在第一预设时段内的开车时长除以所述预设频率的结果。
例如，所述预设频率可以为5秒(second，简称s)/次。
作为一个变化例，对于不同的车辆，也可以采用不同的频率采集对应车辆的行驶轨迹数据。
例如，对于在所述第一预设时段内的开车时长较短的车辆，可以设定更密集(即更高)的预设频率，以获取足够多的样本数量。
又例如，对于在所述第一预设时段内的开车时长较长的车辆，可以设定相对较低的预设频率，以减少数据处理量，提高数据处理速度。
在一个或多个实施例中，在获取多个车辆在所述第一预设时段内的行驶轨迹数据后，可以从样本质量的角度进行初筛，以从中选取出样本质量较高的n个车辆的行驶轨迹数据进行后续操作。
例如，所述样本质量可以指，对于每一个车辆，所述车辆在所述第一预设时段内采集到的行驶轨迹数据包括的元素越多，也即，该车辆的行驶轨迹数据中可供分析的样本数量(即时刻和经纬度数据)越多，该车辆的行驶轨迹的参考价值越高，其样本质量也越高。由此，可以将获取的所述多个车辆中数据条数太少的车辆的行驶轨迹数据剔除。
在一个或多个非限制性实施例中，所述步骤S101可以包括：与所述车辆的车载数据采集器交互，以获取所述车辆在第一预设时段内的行驶轨迹数据。
例如，所述车载数据采集器可以包括车载远程信息处理器(TelematicsBOX，简称TBOX)，其用于和后台系统或应用程序(Application，简称APP)通信，以将采集到的车辆的相关信息传递至所述后台系统或APP。其中，所述APP可以安装于手机、IPAD等电子设备；所述车辆的相关信息可以包括所述车辆运行时产生的海量轨迹数据。
由此，执行本实施例所述方案的后台系统或APP可以从所述TBOX传输的海量数据中提取所述车辆在所述第一预设时段内的行驶轨迹数据。
进一步地，还可以从所述海量数据中获取车辆的发动机数据、车门开关状态、车辆行驶期间的天气数据等辅助信息，以与所述车辆的行驶轨迹数据相结合，辅助确定所述车辆在第一预设时段内的移动轨迹及驾驶员相关信息。
在一个或多个实施例中，为避免噪音数据对识别结果的干扰，所述步骤S102可以包括：对所述行驶轨迹数据进行清洗处理。
具体地，所述噪音数据可以包括：所述车辆的行驶轨迹数据中与所述车辆的位置明显不符的数据。例如，某一时刻对应的经纬度为(0,0)的这类肯定不在中国境内的行驶轨迹数据。这类噪音数据可以是由于车辆的GPS异常导致的，也可能是其他因素导致的。
更为具体地，所述噪音数据还可以包括：时刻不属于所述第一预设时段的行驶轨迹数据。
在一个或多个实施例中，不同车辆的车载地图使用的加密方式可能不同，导致获得的经纬度数据的格式、精度也可能不同，因而，所述步骤S102还可以包括：对所述行驶轨迹数据进行转换处理。
例如，对获取的行驶轨迹数据中的经纬度数据进行纠偏和校正处理。
又例如，纠偏和校正处理后的经纬度数据的精度可能过高(如可能精确到小数点十位以后)，为减少数据量，可以对纠偏和校正处理后的经纬度数据做取舍操作，如取舍到小数点后四位，由此，可以获取清洗和转换后的行驶轨迹数据。
仍以前述假设的车辆数据集合V为例，经过所述步骤S102处理后，可以获取所述清洗和转换后的行驶轨迹数据其中，第i个车辆的清洗和转换后的行驶轨迹数据可以包括如下元素：
其中，所述可以为第i个车辆的经过清洗和转换后的第j时刻；和可以为第i个车辆在第j时刻的经过清洗和转换后的维度和经度；hi可以为第i个车辆的经过清洗和转换后的行驶轨迹时刻数量，且0≤hi≤mi。
在一个或多个实施例中，对于hi<mi的情形，可以是由于所述第i个车辆的行驶轨迹数据中存在噪音数据并被去除导致的，还可以是由于经过精度取舍的经纬度数据中存在重复数据并被去除导致的。
进一步地，在获取所述清洗和转换后的行驶轨迹数据后，可以按照特征的定义和规则对所述清洗和转换后的行驶轨迹数据进行特征提取，并将提取到的一定数量车辆的至少一个维度的特征量作为后续操作的输入值。
在一个或多个实施例中，参考图2，所述步骤S102可以包括如下步骤：
步骤a101，获取所述清洗和转换后的行驶轨迹数据。
步骤a102，对车辆的各个维度的特征进行定义。
步骤a103，对于各个维度，按照该维度的特征的定义对清洗和转换后的行驶轨迹数据进行统计处理，以提取该维度的特征数据，从而实现对该维度的特征提取。
由此，对清洗后的有效数据按照特征的定义和规则进行特征提取，获得各个维度的特征量作为所述特征数据，使得各个维度的特征数据均能全面、客观、真实的反映对应维度下车辆的实际行驶信息，利于所述预设算法模型根据输入的各个维度的特征数据准确、智能化地确定驾驶员的真实身份信息。
具体地，所述步骤a102中，所述维度可以选自：日均里程；日均活跃时间段数；日均偏移量；第三预设时段内到达预设目的地次数的占比。
所述日均偏移量可以指，所述车辆的日均活动轨迹相对于预设轨迹的偏移量。优选地，可以对所述车辆在一段时间内每天的经纬度数据求平均值，不同天的经纬度数据的平均值的差异即为所述日均偏移量。
例如，可以在一周的5天工作日内每天对所述车辆当天所有的经纬度数据求平均值，看5天的均值是否接近。对于上班族的车辆，由于所述车辆的活动区域基本固定(如公司和家两点一线)，则所述车辆的日均偏移量可能较小；对于专车司机的车辆，由于所述车辆的活动区域不固定，则所述车辆的日均偏移量可能较大。
所述第三预设时段可以等于所述第一预设时段，也可以为所述第一预设时段中的一段时间段。例如，所述第三预设时段可以为一周，本领域技术人员也可以根据需要进行调整，在此不予赘述。
所述预设目的地可以包括：火车站、机场等旅客集散中心。
所述占比可以指所述车辆在所述第三预设时段内行驶目的地为所述预设目的地的时长占所述第三预设时段的比例。例如，对于一辆车，所述车辆在一周内共行驶30小时，其中9小时的目的地为机场，则所述占比为9÷30＝0.3。
或者，所述占比也可以指所述车辆在所述第三预设时段内行驶目的地为所述预设目的地的次数占所述第三预设时段内行驶次数的比例。例如，对于一辆车，所述车辆在一周内采集到30万条行驶轨迹数据，其中5000条的目的地为火车站，则所述占比为5000÷300000＝0.017。
仍以前述清洗和转换后的行驶轨迹数据V～为例，经过图2所述步骤处理后，可以获取各个车辆的四个维度的特征量数据(也可称为特征数据)
其中，第i个车辆的四个维度的特征数据可以基于如下公式表示：
fi＝(avg_milei,avg_acthalfi,avg_anglei,airplant_pcti)；
其中，avg_milei可以为第i个车辆的日均里程；avg_atchalfi可以为第i个车辆的日均活跃时段数；avg_anglei可以为第i个车辆的日均偏移量；avg_airplanti可以为第i个车辆在第三预设时段内到达预设目的地(本示例中为机场)次数的占比。
进一步地，所述维度还可以包括其他可能有助于识别所述车辆的驾驶员的身份的维度，如车辆在行驶期间的车门开关情况、车辆在高速上行驶里程占总行驶里程的占比等，本领域技术人员可以根据需要调整，在此不予赘述。
在一个或多个实施例中，对于各个维度，所述步骤a103可以包括：从清洗和转换后的行驶轨迹数据中提取所述维度下的所有数据；对所述维度下的所有数据求平均值，以获取该维度的特征数据。
也即，对于每一辆车，在确定所述四个维度后，分别对各个维度的数据求平均值，以获取该车辆在所述四个维度下的特征数据。
作为一个变化例，所述步骤a102可以在执行所述步骤S102之前预先执行，以确定对维度的通用定义，并在所述步骤a101获取所述清洗和转换后的行驶轨迹数据后直接执行所述步骤a103。
本申请发明人理解，训练机器自动识别所述车辆的驾驶员是否为专车司机的过程，实质为一个典型的二分类问题的求解过程。因而，可以采用二分类的算法模型作为所述预设算法模型。
所述二分类的算法模型可以选自：逻辑回归(Logistic Regression，简称LR)模型；线性回归模型；支持向量机(Support Vector Machine，简称SVM)。
其中，所述LR为统计学习中的经典分类方法，属于判别模型。所述LR模型是一种非线性模型，其实质是在线性回归的基础上套用S型(Sigmoid)函数，以轻松处理二分类问题。但所述LR模型本质上是一个广义的线性回归模型，因为出去S映射函数关系，其他的步骤都是以线性回归为理论支持的。
在一个或多个实施例中，参考图3，对所述预设算法模型的训练过程可以包括如下步骤：
步骤S201，从所述历史数据中分别抽取预设数量的行驶轨迹数据形成测试集和训练集。
步骤S202，基于所述训练集对所述预设算法模型进行训练。
步骤S203，基于所述测试集对训练获得的预设算法模型进行测试，直至测试结果符合预设标准。
仍以上述获取的n个车辆的四个维度的特征数据V_feature为例，当所述第一预设时段和第二预设时段重合时，可以将所述n个车辆的四个维度的特征数据V_feature分为V_feature1和V_feature2两部分，也即，可以有如下等式：
V_feature＝V_feature1+V_feature2；
其中，V_feature1可以为所述训练集和测试集的集合；V_feature2可以为待识别的车辆的特征数据集合。
接下来以所述预设算法模型为LR模型为例作具体阐述。
通过所述训练集和测试集对所述LR模型进行训练和测试的伪代码可以表示为：LR_model＝LR_train_test(V_feature1)，其中，LR_model为满足准确率的LR模型。
例如，假设n＝10000，随机从中抽取1000个车辆的特征数据作为所述训练集和测试集的集合V_feature1，进而从中随机抽取800个车辆的特征数据作为所述训练集。
进一步地，对于所述训练集中的车辆，可以形成每个车辆连续1周内的行驶轨迹数据地图，进而确定各个车辆的驾驶员的身份信息，以识别各个车辆的驾驶员是否为专车司机，并根据识别结果训练所述LR模型。例如，对于所述行驶轨迹数据地图上的轨迹比较重复的车辆，可以确定所述车辆的驾驶员非专车司机。又例如，对于所述行驶轨迹数据地图上的轨迹比较凌乱(如无规律)的车辆，可以确定所述车辆的驾驶员为专车司机。
为提高训练准确度，对于所述训练集中的车辆，可以另外获取的所述车辆的驾驶员的年龄、学历等信息辅助判断所述驾驶员是否为专车司机。
进一步地，对于训练获得的LR模型，可以基于所述测试集中的200个车辆的特征数据对所述训练获得的LR模型进行测试，并根据测试结果调整所述LR模型，直至所述LR模型符合所述预设标准。
优选地，所述预设标准可以包括：查准率；查全率等。例如，当所述测试集对所述训练获得的LR模型的测试结果表明所述LR模型的查准率(即准确率)达到90％以上，可以确定所述LR模型为满足准确率的LR模型LR_model。
进一步地，在所述满足准确率的LR模型LR_model后，可以基于该模型识别待识别的车辆的特征数据集合V_feature2，获取识别结果，所述识别结果可以包括：对V_feature2中车辆的驾驶员的身份集合V_IDE。也即，可以有伪代码：V_IDE＝LR_model(V_feature2)。
在一个或多个实施例中，所述身份集合可以表示为：V_IDE＝{w1,w2,...,wi,...,wn}，其中，第i个车辆的驾驶员的身份可以基于如下公式表示：
例如，可以预先设定阈值，对于第i个车辆，当所述满足准确率的LR模型LR_model的输出结果大于所述阈值时，可以确定该车辆的驾驶员为专车司机，也即该车辆的wi＝1；若所述当所述满足准确率的LR模型LR_model的输出结果小于所述阈值时，可以确定该车辆的驾驶员为专车司机，也即该车辆的wi＝0。
优选地，对于每一个车辆，所述满足准确率的LR模型LR_model的输出结果可以为该车辆的驾驶员为专车司机的概率，也即，所述输出结果可以为0至1之间的数值。
优选地，所述阈值可以为0.5，本领域技术人员可以根据对识别结果的精准度的考虑调整所述阈值的具体数值，在此不予赘述。
由此，所述步骤S102至步骤S103对应的伪代码可以表示为：
\\LR模型对车辆驾驶员的职业进行识别、分类模型开始
\\数据清洗
\\特征提取过程
V_feature＝V_feature1+V_feature2
\\LR模型的训练和测试
LR_model＝LR_train_test(V_feature1)
\\识别车辆的驾驶员的身份
V_IDE＝LR_model(V_feature2)
在一个或多个变化例中，所述第一预设时段可以与所述第二预设时段不相重叠，也即，可以预先基于所述第二预设时段内获取的多个车辆的行驶轨迹数据和驾驶各台车辆的驾驶员的身份信息训练和测试所述预设算法模型，然后，在需要时基于所述预设算法模型根据车辆的第一预设时段内的行驶轨迹数据确定该车辆的驾驶员的身份。
由此，采用本实施例的方案，通过将车载TBOX传输的车辆运行时的海量轨迹数据清洗之后进行特征提取，将提取的特征数据抽取部分样本作为训练集和测试集去训练、测试LR模型，将测试得到的LR模型去对车辆驾驶者的身份进行识别分类，判定其是否为专车司机，经过训练的模型可以达到很好的分类效果。
在一个典型的应用场景中，参考图4，本实施例所述方案可以基于四个功能模块执行，所述四个功能模块包括：数据清洗模块41、特征提取模块42、LR模型训练和测试模块43以及LR模型识别车辆身份进行分类/识别模块(可简称为识别分类模块)44。
具体地，在本场景中，对于待提取特征的原始的车辆数据集合V＝{v1,v2,...,vi,...,vn}，所述数据清洗模块41可以执行所述步骤S102，以对所述车辆数据集合V进行清洗和转换，以获取清洗和转换后的行驶轨迹数据将，并将所述清洗和转换后的行驶轨迹数据传输至所述特征提取模块42。
对于所述清洗和转换后的行驶轨迹数据V～，所述特征提取模块42可以继续执行所述步骤S102，以通过定义好的特征提取得到每个车辆的四个维度的特征数据
进一步地，所述特征提取模块42还可以执行所述步骤S201，以将所述特征数据V_feature分为训练和测试集V_feature1和待识别集V_feature2两部分。
进一步地，所述特征提取模块42可以将所述训练和测试集V_feature1作为样本传输至所述LR模型训练和测试模块43。
进一步地，所述特征提取模块42该可以在后续将所述待识别集V_feature2传输至所述识别分类模块44，以基于训练获得的LR模型对所述待识别集中的车辆的驾驶员身份进行识别。
进一步地，对于所述训练和测试集V_feature1包括的车辆的特征数据，所述LR模型训练和测试模块43可以执行所述步骤S203和步骤S203，以基于所述训练和测试集V_feature1训练获得满足预设标准(如预设的准确率)的LR模型LR_model＝LR_train_test(V_feature1)，所述满足准确率的LR模型LR_model可以作为下一个模块(即所述识别分类模块44)的模型输入。具体地，在训练期间，可以判断训练获得的模型是否满足所述准确率的要求，若否，则所述LR模型训练和测试模块43调整所述LR模型的具体参数并重新训练，直至所述LR模型满足所述准确率的要求。
进一步地，对于所述待识别集V_feature2包括的车辆的特征数据，所述识别分类模块44可以执行所述步骤S103，以基于所述LR模型训练和测试模块训练获得的满足准确率的LR模型LR_model对所述待识别集V_feature2中所有车辆的驾驶员的身份进行识别分类，以判定各个车辆的驾驶员是否为专车司机，获取识别结果V_IDE＝LR_model(V_feature2)。
具体而言，在本场景中，各个模块之间的作用和功能可以包括：
所述数据清洗模块41可以用于完成对数据的清洗和转换工作。例如，去除噪音数据，对经纬度数据进行坐标转换与精度取舍等。
所述特征提取模块42可以用于将所述行驶轨迹数据进行计算转换，以通过统计方法获得符合所述四个维度的特征数据，并抽取其中部分的样本作为所述LR模型训练和测试模块43的输入。
所述LR模型训练和测试模块43可以基于前述获得的四个维度的特征数据中的样本数据对LR模型进行训练和测试，以获取满足准确率的LR模型。
所述识别分类模块44可以根据所述LR模型训练和测试模块43获取的LR模型对所述特征数据V_feature中除用于训练所述LR模型的样本数据(即训练和测试集V_feature1)外的其余车辆的特征数据(即所述待识别集V_feature2)包括的车辆的驾驶员身份进行识别，以确定每个车辆的驾驶者的身份是否为专车司机。
从开发的角度讲，技术人员首先要对车辆行驶过程中所产生的行驶轨迹数据进行清洗，以确保数据本身的可靠性和合理性，这是在进行特征提取和训练LR模型前的准备工作。其次，技术人员需要结合数据和算法的特点来定义特征以及训练测试LR模型。最后，技术人员要对已经完成的项目代码本身进行检查和修改，来尽可能提高代码本身的执行效率和性能。
由此，基于本实施例的方案，可以基于历史数据训练所述预设算法模型，进而基于该模型根据车辆的行驶轨迹数据精准、自动地识别驾驶员的身份，识别速度快，利于提高对驾驶员身份的识别准确率和识别效率，极大地降低识别成本。进一步，本实施例的方案对所述行驶轨迹数据进行特征提取，以获取输入至所述预设算法模型的特征数据，利于所述模型据此识别所述驾驶员是否为专车司机。
图5是本发明实施例的一种驾驶员的身份识别装置的结构示意图。本领域技术人员理解，本实施例所述数据的驾驶员的身份识别装置50(以下简称为身份识别装置50)用于实施上述图1至图4所示实施例中所述的方法技术方案。
具体地，在本实施例中，所述身份识别装置50可以包括：获取模块52，用于获取所述驾驶员关联的车辆在第一预设时段内的行驶轨迹数据；处理模块53，用于对所述行驶轨迹数据进行处理，以获取至少一个维度的特征数据；分析模块54，用于基于预设算法模型分析所述至少一个维度的特征数据，以获取所述驾驶员为专车司机的概率；其中，所述预设算法模型是通过对历史数据的训练获得的，所述历史数据包括第二预设时段内获取的多个车辆的行驶轨迹数据和驾驶各台车辆的驾驶员的身份信息，所述身份信息包括专车司机和非专车司机。
进一步地，所述获取模块52可以包括：交互子模块521，用于与所述车辆的车载数据采集器交互，以获取所述车辆在第一预设时段内的行驶轨迹数据。
进一步地，所述处理模块53可以包括：清洗转换子模块531，用于对所述行驶轨迹数据进行清洗和转换处理；统计处理子模块532，对于各个维度，对清洗和转换后的行驶轨迹数据进行统计处理，以提取该维度的特征数据。
进一步地，所述统计处理子模块532可以包括：提取单元5321，用于从清洗和转换后的行驶轨迹数据中提取所述维度下的所有数据；计算单元5322，用于对所述维度下的所有数据求平均值，以获取该维度的特征数据。
进一步地，所述身份识别装置50还可以包括：训练模块51，用于对所述预设算法模型进行训练，所述训练模块51可以包括：抽取子模块511，用于从所述历史数据中分别抽取预设数量的行驶轨迹数据形成测试集和训练集；训练子模块512，用于基于所述训练集对所述预设算法模型进行训练；测试子模块513，用于基于所述测试集对训练获得的预设算法模型进行测试，直至测试结果符合预设标准。
进一步地，所述行驶轨迹数据可以包括：时间数据和空间数据，所述空间数据基于经纬度数据描述。
进一步地，所述维度可以选自：日均里程；日均活跃时间段数；日均偏移量；第三预设时段内到达预设目的地次数的占比。
进一步地，所述预设算法模型可以是为二分类的算法模型。
关于所述身份识别装置50的工作原理、工作方式的更多内容，可以参照上述图1至图4中的相关描述，这里不再赘述。
进一步地，本发明实施例还公开一种存储介质，其上存储有计算机指令，所述计算机指令运行时执行上述图1至图4所示实施例中所述的方法技术方案。优选地，所述存储介质可以包括诸如非挥发性(non-volatile)存储器或者非瞬态(non-transitory)存储器等计算机可读存储介质。所述存储介质可以包括ROM、RAM、磁盘或光盘等。
进一步地，本发明实施例还公开一种终端，包括存储器和处理器，所述存储器上存储有能够在所述处理器上运行的计算机指令，所述处理器运行所述计算机指令时执行上述图1至图4所示实施例中所述的方法技术方案。优选地，所述终端可以为执行所述后台系统的后台服务器。
虽然本发明披露如上，但本发明并非限定于此。任何本领域技术人员，在不脱离本发明的精神和范围内，均可作各种更动与修改，因此本发明的保护范围应当以权利要求所限定的范围为准。
Claims (18)
1.一种驾驶员的身份识别方法，其特征在于，包括：
获取所述驾驶员关联的车辆在第一预设时段内的行驶轨迹数据；
对所述行驶轨迹数据进行处理，以获取至少一个维度的特征数据；
基于预设算法模型分析所述至少一个维度的特征数据，以获取所述驾驶员为专车司机的概率；
其中，所述预设算法模型是通过对历史数据的训练获得的，所述历史数据包括第二预设时段内获取的多个车辆的行驶轨迹数据和驾驶各台车辆的驾驶员的身份信息，所述身份信息包括专车司机和非专车司机。
2.根据权利要求1所述的身份识别方法，其特征在于，所述获取所述驾驶员关联的车辆在第一预设时段内的行驶轨迹数据包括：
与所述车辆的车载数据采集器交互，以获取所述车辆在第一预设时段内的行驶轨迹数据。
3.根据权利要求1所述的身份识别方法，其特征在于，所述对所述行驶轨迹数据进行处理，以获取至少一个维度的特征数据包括：
对所述行驶轨迹数据进行清洗和转换处理；
对于各个维度，对清洗和转换后的行驶轨迹数据进行统计处理，以提取该维度的特征数据。
4.根据权利要求3所述的身份识别方法，其特征在于，所述对于各个维度，对所述行驶轨迹数据进行统计处理，以提取该维度的特征数据包括：
从清洗和转换后的行驶轨迹数据中提取所述维度下的所有数据；
对所述维度下的所有数据求平均值，以获取该维度的特征数据。
5.根据权利要求1所述的身份识别方法，其特征在于，对所述预设算法模型的训练过程包括：
从所述历史数据中分别抽取预设数量的行驶轨迹数据形成测试集和训练集；
基于所述训练集对所述预设算法模型进行训练；
基于所述测试集对训练获得的预设算法模型进行测试，直至测试结果符合预设标准。
6.根据权利要求1至5中任一项所述的身份识别方法，其特征在于，所述行驶轨迹数据包括：时间数据和空间数据，所述空间数据基于经纬度数据描述。
7.根据权利要求1至5中任一项所述的身份识别方法，其特征在于，所述维度选自：
日均里程；
日均活跃时间段数；
日均偏移量；
第三预设时段内到达预设目的地次数的占比。
8.根据权利要求1至5中任一项所述的身份识别方法，其特征在于，所述预设算法模型是为二分类的算法模型。
9.一种驾驶员的身份识别装置，其特征在于，包括：
获取模块，用于获取所述驾驶员关联的车辆在第一预设时段内的行驶轨迹数据；
处理模块，用于对所述行驶轨迹数据进行处理，以获取至少一个维度的特征数据；
分析模块，用于基于预设算法模型分析所述至少一个维度的特征数据，以获取所述驾驶员为专车司机的概率；
其中，所述预设算法模型是通过对历史数据的训练获得的，所述历史数据包括第二预设时段内获取的多个车辆的行驶轨迹数据和驾驶各台车辆的驾驶员的身份信息，所述身份信息包括专车司机和非专车司机。
10.根据权利要求9所述的身份识别装置，其特征在于，所述获取模块包括：交互子模块，用于与所述车辆的车载数据采集器交互，以获取所述车辆在第一预设时段内的行驶轨迹数据。
11.根据权利要求9所述的身份识别装置，其特征在于，所述处理模块包括：清洗转换子模块，用于对所述行驶轨迹数据进行清洗和转换处理；
统计处理子模块，对于各个维度，对清洗和转换后的行驶轨迹数据进行统计处理，以提取该维度的特征数据。
12.根据权利要求11所述的身份识别装置，其特征在于，所述统计处理子模块包括：
提取单元，用于从清洗和转换后的行驶轨迹数据中提取所述维度下的所有数据；
计算单元，用于对所述维度下的所有数据求平均值，以获取该维度的特征数据。
13.根据权利要求9所述的身份识别装置，其特征在于，还包括：训练模块，用于对所述预设算法模型进行训练，所述训练模块包括：
抽取子模块，用于从所述历史数据中分别抽取预设数量的行驶轨迹数据形成测试集和训练集；
训练子模块，用于基于所述训练集对所述预设算法模型进行训练；
测试子模块，用于基于所述测试集对训练获得的预设算法模型进行测试，直至测试结果符合预设标准。
14.根据权利要求9至13中任一项所述的身份识别装置，其特征在于，所述行驶轨迹数据包括：时间数据和空间数据，所述空间数据基于经纬度数据描述。
15.根据权利要求9至13中任一项所述的身份识别装置，其特征在于，所述维度选自：
日均里程；
日均活跃时间段数；
日均偏移量；
第三预设时段内到达预设目的地次数的占比。
16.根据权利要求9至13中任一项所述的身份识别装置，其特征在于，所述预设算法模型是为二分类的算法模型。
17.一种存储介质，其上存储有计算机指令，其特征在于，所述计算机指令运行时执行权利要求1至8任一项所述方法的步骤。
18.一种终端，包括存储器和处理器，所述存储器上存储有能够在所述处理器上运行的计算机指令，其特征在于，所述处理器运行所述计算机指令时执行权利要求1至8任一项所述方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810942086.8A CN109145982A (zh) | 2018-08-17 | 2018-08-17 | 驾驶员的身份识别方法及装置、存储介质、终端 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810942086.8A CN109145982A (zh) | 2018-08-17 | 2018-08-17 | 驾驶员的身份识别方法及装置、存储介质、终端 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN109145982A true CN109145982A (zh) | 2019-01-04 |
Family
ID=64789841
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810942086.8A Pending CN109145982A (zh) | 2018-08-17 | 2018-08-17 | 驾驶员的身份识别方法及装置、存储介质、终端 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109145982A (zh) |
Cited By (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109918368A (zh) * | 2019-03-27 | 2019-06-21 | 成都市公安科学技术研究所 | 一种通过轨迹关联度识别车辆驾驶者的系统和方法 |
| CN109947822A (zh) * | 2019-03-19 | 2019-06-28 | 成都市公安科学技术研究所 | 一种行动轨迹模式识别工作状态的方法 |
| CN110443185A (zh) * | 2019-07-31 | 2019-11-12 | 京东城市(北京)数字科技有限公司 | 驾驶员识别方法、驾驶员识别装置、电子设备及存储介质 |
| CN110969861A (zh) * | 2019-12-20 | 2020-04-07 | 中国移动通信集团黑龙江有限公司 | 一种车辆识别方法、装置、设备及计算机存储介质 |
| CN111091215A (zh) * | 2019-12-11 | 2020-05-01 | 浙江大搜车软件技术有限公司 | 车辆识别方法、装置、计算机设备和存储介质 |
| CN111127035A (zh) * | 2019-12-06 | 2020-05-08 | 北京中交兴路信息科技有限公司 | 一种基于轨迹数据的置信度检测方法和系统 |
| CN111163137A (zh) * | 2019-12-18 | 2020-05-15 | 北京中交兴路信息科技有限公司 | 一种应用程序的用户身份识别方法及装置 |
| CN111163425A (zh) * | 2020-01-02 | 2020-05-15 | 中国平安财产保险股份有限公司 | 基于lbs轨迹的身份识别方法、电子装置及可读存储介质 |
| CN113157817A (zh) * | 2021-03-15 | 2021-07-23 | 平安科技（深圳）有限公司 | 区分驾驶员的方法、装置和计算机设备 |
| CN113610257A (zh) * | 2021-08-16 | 2021-11-05 | 公安部交通管理科学研究所 | 一种新能源网约车信息挖掘方法 |
| CN113859247A (zh) * | 2020-06-30 | 2021-12-31 | 比亚迪股份有限公司 | 车辆的用户识别方法、装置、车机和存储介质 |
| CN115631632A (zh) * | 2022-12-19 | 2023-01-20 | 北京码牛科技股份有限公司 | 一种基于车辆的轨迹特征识别网约车的方法和系统 |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103593977A (zh) * | 2013-11-28 | 2014-02-19 | 福建工程学院 | 私家车非法营运的检测方法 |
| CN104268599A (zh) * | 2014-09-29 | 2015-01-07 | 中国科学院软件研究所 | 一种基于车辆轨迹时空特征分析的黑车智能发现方法 |
| CN104794184A (zh) * | 2014-12-15 | 2015-07-22 | 安徽四创电子股份有限公司 | 一种基于大规模数据的贝叶斯分类算法的黑车识别方法 |
| CN105809193A (zh) * | 2016-03-07 | 2016-07-27 | 山东大学 | 一种基于kmeans算法的非法运营车辆的识别方法 |
| CN105938654A (zh) * | 2016-02-01 | 2016-09-14 | 刘超 | 基于身份识别的车辆监管系统及监管方法 |
| CN105976617A (zh) * | 2016-03-21 | 2016-09-28 | 江苏智通交通科技有限公司 | 非法营运车辆检测方法和系统 |
| CN106355892A (zh) * | 2016-11-06 | 2017-01-25 | 天泽信息产业股份有限公司 | 一种车辆和驾驶员信息的采集系统及其采集、处理方法 |
| CN107301433A (zh) * | 2017-07-14 | 2017-10-27 | 南京华苏科技有限公司 | 基于聚类判别模型的网约车鉴别方法和系统 |
| CN108009463A (zh) * | 2016-10-27 | 2018-05-08 | 中国移动通信有限公司研究院 | 一种身份识别的方法及装置 |
-
2018
- 2018-08-17 CN CN201810942086.8A patent/CN109145982A/zh active Pending
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103593977A (zh) * | 2013-11-28 | 2014-02-19 | 福建工程学院 | 私家车非法营运的检测方法 |
| CN104268599A (zh) * | 2014-09-29 | 2015-01-07 | 中国科学院软件研究所 | 一种基于车辆轨迹时空特征分析的黑车智能发现方法 |
| CN104794184A (zh) * | 2014-12-15 | 2015-07-22 | 安徽四创电子股份有限公司 | 一种基于大规模数据的贝叶斯分类算法的黑车识别方法 |
| CN105938654A (zh) * | 2016-02-01 | 2016-09-14 | 刘超 | 基于身份识别的车辆监管系统及监管方法 |
| CN105809193A (zh) * | 2016-03-07 | 2016-07-27 | 山东大学 | 一种基于kmeans算法的非法运营车辆的识别方法 |
| CN105976617A (zh) * | 2016-03-21 | 2016-09-28 | 江苏智通交通科技有限公司 | 非法营运车辆检测方法和系统 |
| CN108009463A (zh) * | 2016-10-27 | 2018-05-08 | 中国移动通信有限公司研究院 | 一种身份识别的方法及装置 |
| CN106355892A (zh) * | 2016-11-06 | 2017-01-25 | 天泽信息产业股份有限公司 | 一种车辆和驾驶员信息的采集系统及其采集、处理方法 |
| CN107301433A (zh) * | 2017-07-14 | 2017-10-27 | 南京华苏科技有限公司 | 基于聚类判别模型的网约车鉴别方法和系统 |
Cited By (16)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109947822A (zh) * | 2019-03-19 | 2019-06-28 | 成都市公安科学技术研究所 | 一种行动轨迹模式识别工作状态的方法 |
| CN109918368A (zh) * | 2019-03-27 | 2019-06-21 | 成都市公安科学技术研究所 | 一种通过轨迹关联度识别车辆驾驶者的系统和方法 |
| CN110443185A (zh) * | 2019-07-31 | 2019-11-12 | 京东城市(北京)数字科技有限公司 | 驾驶员识别方法、驾驶员识别装置、电子设备及存储介质 |
| CN110443185B (zh) * | 2019-07-31 | 2020-11-24 | 北京京东智能城市大数据研究院 | 驾驶员识别方法、驾驶员识别装置、电子设备及存储介质 |
| CN111127035B (zh) * | 2019-12-06 | 2023-04-21 | 北京中交兴路信息科技有限公司 | 一种基于轨迹数据的置信度检测方法和系统 |
| CN111127035A (zh) * | 2019-12-06 | 2020-05-08 | 北京中交兴路信息科技有限公司 | 一种基于轨迹数据的置信度检测方法和系统 |
| CN111091215A (zh) * | 2019-12-11 | 2020-05-01 | 浙江大搜车软件技术有限公司 | 车辆识别方法、装置、计算机设备和存储介质 |
| CN111091215B (zh) * | 2019-12-11 | 2023-10-20 | 浙江大搜车软件技术有限公司 | 车辆识别方法、装置、计算机设备和存储介质 |
| CN111163137A (zh) * | 2019-12-18 | 2020-05-15 | 北京中交兴路信息科技有限公司 | 一种应用程序的用户身份识别方法及装置 |
| CN110969861A (zh) * | 2019-12-20 | 2020-04-07 | 中国移动通信集团黑龙江有限公司 | 一种车辆识别方法、装置、设备及计算机存储介质 |
| CN111163425B (zh) * | 2020-01-02 | 2020-09-18 | 中国平安财产保险股份有限公司 | 基于lbs轨迹的身份识别方法、电子装置及可读存储介质 |
| CN111163425A (zh) * | 2020-01-02 | 2020-05-15 | 中国平安财产保险股份有限公司 | 基于lbs轨迹的身份识别方法、电子装置及可读存储介质 |
| CN113859247A (zh) * | 2020-06-30 | 2021-12-31 | 比亚迪股份有限公司 | 车辆的用户识别方法、装置、车机和存储介质 |
| CN113157817A (zh) * | 2021-03-15 | 2021-07-23 | 平安科技（深圳）有限公司 | 区分驾驶员的方法、装置和计算机设备 |
| CN113610257A (zh) * | 2021-08-16 | 2021-11-05 | 公安部交通管理科学研究所 | 一种新能源网约车信息挖掘方法 |
| CN115631632A (zh) * | 2022-12-19 | 2023-01-20 | 北京码牛科技股份有限公司 | 一种基于车辆的轨迹特征识别网约车的方法和系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109145982A (zh) | 驾驶员的身份识别方法及装置、存储介质、终端 | |
| CN105373840B (zh) | 代驾订单预测方法和代驾运力调度方法 | |
| CN112530166B (zh) | 基于信令数据与大数据分析识别公交出行上下车站点的方法与系统 | |
| CN112700072B (zh) | 交通状况预测方法、电子设备和存储介质 | |
| Castignani et al. | Smartphone-based adaptive driving maneuver detection: A large-scale evaluation study | |
| Iliopoulou et al. | Combining ITS and optimization in public transportation planning: state of the art and future research paths | |
| US9349150B2 (en) | System and method for multi-task learning for prediction of demand on a system | |
| Alvarez et al. | Modeling the driving behavior of electric vehicles using smartphones and neural networks | |
| CN104346921B (zh) | 基于位置信息的出租车信息通讯服务系统、终端和方法 | |
| CN105206041B (zh) | 一种考虑时序dbscan的智能手机轨迹链簇识别方法 | |
| CN111985710A (zh) | 一种公交乘客出行站点预测方法、存储介质及服务器 | |
| Zhu et al. | Prediction of individual social-demographic role based on travel behavior variability using long-term GPS data | |
| CN106710215B (zh) | 瓶颈上游车道级交通状态预测系统及实现方法 | |
| Nour et al. | Classification of automobile and transit trips from Smartphone data: Enhancing accuracy using spatial statistics and GIS | |
| CN107610282A (zh) | 一种公交客流统计系统 | |
| CN111144446B (zh) | 一种基于时空网格的司机身份识别方法和系统 | |
| CN106227859A (zh) | 从gps数据中识别交通工具的方法 | |
| CN106909269A (zh) | 一种车型标签的展示方法及系统 | |
| CN106504525A (zh) | 基于ic卡数据的od矩阵生成技术及其应用研究 | |
| Wang et al. | Vehicle reidentification with self-adaptive time windows for real-time travel time estimation | |
| CN108573600A (zh) | 一种驾驶员行为诱导与局部交通流优化方法 | |
| Ushakov et al. | Artificial Intelligence as a factor of public transportations system development | |
| Noor et al. | Predict Arrival Time by Using Machine Learning Algorithm to Promote Utilization of Urban Smart Bus | |
| CN105890600A (zh) | 基于手机传感器的地铁乘客位置推测方法 | |
| Monnot et al. | How bad is selfish routing in practice? |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190104 |
|
| RJ01 | Rejection of invention patent application after publication |