CN109686085A - 基于gps数据危险货物运输车辆停留节点活动类型识别方法 - Google Patents

基于gps数据危险货物运输车辆停留节点活动类型识别方法 Download PDF

Info

Publication number
CN109686085A
CN109686085A CN201811538708.7A CN201811538708A CN109686085A CN 109686085 A CN109686085 A CN 109686085A CN 201811538708 A CN201811538708 A CN 201811538708A CN 109686085 A CN109686085 A CN 109686085A
Authority
CN
China
Prior art keywords
node
activity
stop
point
zone
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.)
Granted
Application number
CN201811538708.7A
Other languages
English (en)
Other versions
CN109686085B (zh
Inventor
钱大琳
赵慧英
张博
冯建国
李金鹏
李瑾瑾
杨梦迪
朱秋辰
宋鹤
梁星灿
梁旭刚
文博
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Jiaotong University
Original Assignee
Beijing Jiaotong University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beijing Jiaotong University filed Critical Beijing Jiaotong University
Priority to CN201811538708.7A priority Critical patent/CN109686085B/zh
Publication of CN109686085A publication Critical patent/CN109686085A/zh
Application granted granted Critical
Publication of CN109686085B publication Critical patent/CN109686085B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
    • G08G1/0125—Traffic data processing
    • G08G1/0133—Traffic data processing for classifying traffic situation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/24323—Tree-organised classifiers
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
    • G08G1/0137—Measuring and analyzing of parameters relative to traffic conditions for specific applications

Landscapes

  • Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Chemical & Material Sciences (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Analytical Chemistry (AREA)
  • Traffic Control Systems (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明涉及一种基于GPS数据的危险货物运输车辆停留节点活动类型识别方法，包括提取停留节点，根据停留节点的平均经度平均纬度将停留节点聚类为活动热区Hu；根据活动热区Hu构建时空特征，时空特征包括：平均停留时间avgTu、平均起点包含率avgFu和混合熵指数Entropyu；定义装货活动、卸货活动、归场活动和非货运活动，得出这四类活动类型对应的时空特征实际取值倾向；采用FCM聚类方法根据时空特征和定义的四类活动类型获取停留节点的备选车辆活动类型；为每个停留节点设置兴趣点类别，从2个备选车辆活动类型中判断出最终的车辆活动类型。

Description

基于GPS数据危险货物运输车辆停留节点活动类型识别方法
技术领域
本发明涉及数据处理领域，特别涉及一种基于GPS轨迹数据的危险货物运输车辆停留节点活动类型识别方法。
背景技术
随着社会对危险货物需求的迅猛增长，近年来危险货物道路运输量逐年上升，由此引发的道路运输事故也呈上升趋势，很多城市的交通主管部门面临危险货物道路运输监管不充分、不到位等问题。其中一个原因是主管部门缺乏详细的危险货物运输车辆出行活动数据，导致无法及时了解货物流量流向、难以确定监管重点。
以往车辆出行活动信息的获取大多依赖于货运交通调查，这种方法需要花费大量的人力物力，调查频率低，无法及时反映运输问题。2012年以来，得益于传感技术的发展，中国危险品运输行业在相关车辆上完成了全球卫星定位系统(GPS)设备的安装。GPS设备能够自动精确记录出行轨迹，所保存的海量轨迹数据为充分挖掘危险货物运输车辆出行活动提供了应用潜力。
危险货物车辆停留节点活动类型是指车辆在一个停留地点所开展的具体活动。据了解，危险货物运输行业对车辆停留节点活动类型的分析目前仍处于空白。由于轨迹数据没有真实的活动类型标签，如何从GPS数据中智能化提取蕴含在其中的车辆停留节点活动类型是必须解决的问题。
现有技术一的技术方案
申请号为201210056545.5的发明专利一种基于出行轨迹数据的行程识别方法公开了一种基于出行轨迹数据的行程识别方法，通过速度对轨迹点进行划分，并将速度低于一定速度阈值以下的轨迹点合并为候选停留位置，再利用距离和时间阈值对候选停留位置进行合并，从而确定出真正的停留节点。
现有技术一的缺点
只确定了停留节点，未对停留的活动信息进行挖掘分析。
现有技术二的技术方案
申请号为201711405689.6的发明专利用于出租车乘客出行目的的预测方法公开了一种基于出租车运营数据和信息点(Point of Interesting，POI)数据推断出租车乘客出行目的的方法。在所提出的方法中，首先通过所构建的特征识别模型获取出租车运营数据中乘客的出行特征，然后依据小样本调查数据，训练不同的识别模型，并选取识别精度最高的模型，最后利用所得到的出租车乘客出行的特征数据和训练好的识别模型实现对乘客出行目的识别。
现有技术二的缺点
1)该专利所用的技术需要借助乘客出行活动的实际标签提前训练预测模型，而现实中很难收集到带有标签的数据，实用性不高。
2)该专利识别的是乘客的出行目的，由于货运活动与客运活动差别很大，所述方法不能直接用于危险货物运输车辆停留节点活动类型的识别；
现有技术三的技术方案
Gingerich，Maoh和Anderson(2016)的研究应用熵原理从卡车GPS数据中挖掘出主要停留(货运相关)和次要停留(非货运相关)两种类型的活动。
现有技术三的缺点
该技术仅限于解决简单的货运活动和非货运活动二分类问题，所提方法在缺乏辅助信息的条件下对停车活动的识别准确率较低，无法满足精细化监管的需要。
发明内容
针对现有技术中存在的缺陷，本发明的目的在于提供一种能以较高准确率从GPS轨迹数据中识别危险货物运输车辆4类出行活动的方法。在所提出的方法中，首先对车辆GPS数据构建基于决策树规则的车辆起停检测模型，提取停留节点；然后开发并使用改进的OPTICS混合聚类算法(SOMA)对停留节点聚类得到活动热区；对停留节点所处热区的群体特征进行构建，利用模糊C均值算法(FCM)和兴趣点信息(POI)建立危险货物运输车辆的活动类型识别模型得到各停留节点的活动类型识别结果。
为达到以上目的，本发明采取的技术方案是：
一种基于GPS数据的危险货物运输车辆停留节点活动类型识别方法，包括以下步骤：
S1、提取停留节点
S11、在识别危险货物运输车辆停留节点之前，先对原始GPS数据进行预处理，具体步骤为：
S111、格式化操作：为每条GPS数据记录添加车牌号码字段，解密经纬度，将时间戳拆分为日期和时间，并按照时间重排数据；同时令每个GPS文件的第一条记录的“首点”标记为1，其余标记为0；
S112、识别并处理有问题的GPS数据：出现以下情况则删除GPS数据：(1)经纬度坐标越界，出现在研究范围以外；(2)GPS时间超过1440分钟；(3)速度大于120公里/小时；(4)方向角不在0°到360°范围内；(5)GPS数据重复；
S113、原始GPS数据经上述预处理步骤后，得到GPS轨迹集，记作St＝{Trl}(l＝1,2,…,nT)，其中nT为待处理轨迹总数，Trl为St中的第l条轨迹，它由某辆车某日的GPS轨迹点组成，记作其中Pi l表示第l条轨迹中按照时间顺序排列的第i个轨迹点，为该轨迹的轨迹点数量；轨迹点其中分别表示该轨迹点的经度、纬度、日期、时间、速度、首点标记和车辆编号，且表示编号为的车辆，车辆所属运输企业编号为cv，车辆允许装载的货物类型为gv；
S12、基于速度变化将GPS轨迹划分为节点：将轨迹Trl中速度持续为零的点或持续不为零的点列划分为节点其中为第l条轨迹中按照时间顺序排列的第α～β个轨迹点，由下式求得节点的平均速度和持续时间
其中分别为i＝β,i＝α时的；
至此轨迹点序列可转化为节点序列其中为节点个数；
S13、基于决策树分类规则对步骤S12中节点的运动状态进行判断，从而提取停留节点，具体步骤为：
S131、当j＝1时，初始化节点N1的运动状态为stop；
S132、对于j>1的后续节点，根据基于决策树算法的行驶/停留分类规则按顺序依次判断每个节点的运动状态对于当前节点它的前驱节点为令表示的前驱节点运动状态，有将步骤S12中的平均速度持续时间和前驱节点的运动状态输入到基于决策树算法的行驶/停留分类规则中，进行停留/行驶二元分类；
S133、将为stop的节点提取为第m个停留节点，记作Am，有计算Am的平均经度、平均纬度、持续时间△tm、首点率和车牌编号
将该停留节点添加到停留节点集合Ac中，即Ac＝{Am}，其中m＝1,2,…,nA，nA为停留节点总数；
S2、根据停留节点的平均经度平均纬度将停留节点聚类为活动热区Hu；
S3、根据步骤S2得到的活动热区Hu构建时空特征，时空特征包括：平均停留时间avgTu、平均起点包含率avgFu和混合熵指数Entropyu；将时空特征按最大最小值归一化，以确保每个时空特征的标准化值落在0和1之间；
S4、定义装货活动、卸货活动、归场活动和非货运活动，得出这四类活动类型对应的时空特征实际取值倾向；
S5、采用FCM聚类方法根据步骤S3构建的时空特征和步骤S4定义的四类活动类型获取停留节点的备选车辆活动类型；
S6、为每个停留节点设置兴趣点类别，从2个备选车辆活动类型中判断出最终的车辆活动类型。
在上述方案的基础上，步骤S2的具体步骤为：
S21、根据停留节点集合Ac的统计特性，选择关键参数邻域半径ε和形成团簇所需的最小点数minPts的值；
首先设置点数变量th，然后对于每一停留节点Am∈Ac，根据经纬度距离公式(0)计算出与Am第th近的对象距离distth(Am)，遍历停留节点集合Ac得到距离集合Distth＝{distth(Am)}，对距离集合Distth排序并绘制累积概率分布曲线；将分布曲线的转折点的横坐标值记为epsth；判断Ac中的每一点Am是否是核心点：若distth(Am)≤epsth，则活动节点Am为核心点；判断Am是否是噪声：对于每一停留节点Am，如果其epsth邻域内的节点都不是核心点则为噪声；计算Ac中噪声的占比，依次取th＝2,3,…10，根据噪声占比最小时对应的确定关键参数取值，即
其中 分别为与Am第th近的对象的平均经度、平均纬度；S22、采用步骤S21所确定的关键参数取值，应用改进的OPTICS算法对停留节点进行聚类，得到一次聚类结果；
S23、对一次聚类结果中的每一个类簇，采用高斯混合聚类算法进行二次分类，将最终得到的每一个新类簇均记为一个活动热区Hu，添加到活动热区集合Re中，记Re＝{Hu}，其中Hu表示Re中第u个活动热区且Hu＝{Ar},r＝1,2,…,nA u，其中，为构成活动热区Hu的停留节点，△tr,表示停留节点Ar的持续时间、首点状态和车辆编号，nA u为活动热区Hu内的停留节点数。
在上述方案的基础上，步骤S22的具体步骤为：
S221、将停留节点集合Ac中所有停留节点Am，m＝1,2,…,nA的处理状态PSm和可达距离RDm分别初始化为UNPROCESSED和UNDEFINED，然后使用GETNEIGHBORS函数为Am检索半径为ε的邻域，得到邻域集合Nεm；使用SETCOREDISTANCE函数计算核心距离CDm，计算公式如下所示：
输出序列O中的处理点数pos在开始时设置为1；
S222、从任意活动节点Am,m＝1,2,…,nA开始，将其写入输出序列O中；如果Am不是核心点，即CDm＝UNDEFINED，则继续下一个未处理的点；否则，使用名为UPDATE函数将邻域集合Nεm中所有未处理的邻居停留节点Ap添加或更新到可达距离最小优先级队列Q中；UPDATE函数采用经典OPTICS的更新机制，按照式(2)更新Ap的可达距离：
RDp＝min(RDp,max(CDm,dist(Am,Ap))),Ap∈Nεm,p∈{1,2,…,nA} (2)；
由于Q是最小优先级队列，当Q为空时，整个群集已被检测并添加到输出序列O中，然后对Ac中的下一个未处理的点执行上述步骤S222操作；否则，将从Q中提取与当前群集中已处理点的可达距离最小的邻居点An进行后续操作；
S223、在处理Q中的点An时，将其邻域集合Nεn中的所有核心点邻居添加到数据集Nεac n，从中筛选出未处理的核心点邻居添加到数据集Nεuc n，代入公式(3)确定An的dropout概率prob；以prob决定是否进行dropout，如果不成立，则用与对Am相同的方式处理An，否则从Q中删除An，将RDn复位成UNDEFINED，然后继续到Q中的下一个可达距离最小的点；
其中：stan表示标准化，为选择概率因子，且|Nεuc n|、|Nεac n|分别表示数据集Nεuc n、Nεac n中包含的邻居节点个数，为执行进程衰减因子，nA为Ac中停留节点总数；
S224、执行完上述步骤后，将传统OPTICS算法的ExtractDBSCAN-Clustering函数提取时的聚类结果作为一次聚类结果。
在上述方案的基础上，计算平均停留时间avgTu，即某个活动热区内所有停留节点的平均持续时间，公式为：
在上述方案的基础上，计算平均起点包含率avgFu，即某一活动热区内具有“当日起点”标签的停留节点数目与该活动热区内停留节点数的比值，按下式获取：
在上述方案的基础上，计算混合熵指数Entropyu，按式(6)获取：
其中：nc u为运营商c的车辆在活动热区Hu所产生的停留节点数，C为在活动热区Hu停留车辆涉及的运营商总数，ng u为在活动热区Hu运输g类货物的停留节点数，G为活动热区Hu运输的所有货物种类数，G的取值范围为1～9。
在上述方案的基础上，步骤S5的具体步骤为：
S51、将停留节点的车辆活动类型的簇数设置为4；
S52、对活动热区集合Re运行FCM算法，获得四类FCM簇的时空特征均值，以及每个活动热区Hu对四类FCM簇的隶属度值，四类FCM簇分别为0、1、2、3；
S53、根据四类FCM簇的时空特征均值大小和步骤S4给出的四类活动类型对应的时空特征实际取值倾向，将“装货活动、卸货活动、归场活动、非货运活动”的四个语义标签和四类FCM簇两两配对后，每个活动热区Hu对四类活动类型的隶属度值等于对四类FCM簇的隶属度值；
S54、对活动热区Hu的四类活动类型的隶属度值按从大到小的顺序进行排序，将排名前二的隶属度值对应的2个活动类型标签作为每个活动热区Hu的第一备选活动类型和第二备选活动类型；
S55、将Hu的2个备选活动类型映射到聚成它的每一停留节点Ar上，即令Ar的备选车辆活动类型等于活动热区Hu的备选活动类型。
在上述方案的基础上，步骤S6中为每个停留节点匹配最近的兴趣点类别，检查与危险品运输车辆活动相关的六个兴趣点类别，六个兴趣点类别分别为食堂、公司企业、汽车服务、交通设施、加油站和医疗/科研机构；
按如下规则判断最终的车辆活动类型：
如果车辆将2类危险物质运输到“汽车服务”、“交通设施”、“医疗/科研机构”，或者将3类危险物质运输到“食堂”、“汽车服务”、“交通设施”、“医疗/科研机构”，或者将其他类危险物质运输到“食堂”、“汽车服务”、“交通设施”、“加油站”、“医疗/科研机构”，最可能的活动是非货运活动，从两个备选活动类型来看，如果它们包含非货运活动，则最终车辆活动类型为非货运活动，否则，最终车辆活动类型为第一备选活动类型；
其余运输情况则不太可能是非货运活动，如果其第一备选活动类型是非货运活动，则最终车辆活动类型识别为第二备选活动类型；否则，最终车辆活动类型识别为第一备选活动类型。
在上述方案的基础上，所述其他类危险物质包括1类危险物质和4-9类危险物质。
附图说明
本发明有如下附图：
图1基于GPS数据危险货物运输车辆停留节点活动类型识别方法流程图。
图2轨迹划分示意图。
图3基于决策树算法的行驶/停留分类规则。
图4第th近邻距离累积概率分布曲线。
图5SOMA核心算法伪代码。
具体实施方式
以下结合附图1-5对本发明作进一步详细说明。
一种基于GPS数据的危险货物运输车辆停留节点活动类型识别方法，所述方法为：
a、提取停留节点，具体方法为：
1)由于GPS设备可能会发生定位错误和数据漂移等情况，在识别危险货物运输车辆停留节点之前，先对原始GPS数据进行预处理，具体步骤如下：
step1：简单的格式化操作。为每条GPS记录添加车牌号码字段，解密经纬度，将时间戳拆分为日期和时间，并按照时间重排数据。同时为了方便后续推断，令每个GPS文件的第一条记录的“首点”标记值为1，其余为0。
step2：识别并处理有问题的数据。出现以下情况则删除GPS数据：(1)经纬度坐标越界，出现在研究范围以外；(2)GPS时间超过1440分钟；(3)速度大于120公里/小时；(4)方向角不在0°到360°范围内；(5)数据重复。
step3：原始GPS数据经上述预处理步骤后，得到GPS轨迹集，记作St＝{Trl}(l＝1,2,…,nT)，其中nT为待处理轨迹总数，Trl为St中的第l条轨迹，它由某辆车某日的GPS轨迹点组成，记作其中Pi l表示第l条轨迹中按照时间顺序排列的第i个轨迹点，为该轨迹的轨迹点数量；轨迹点其中分别表示该轨迹点的经度、纬度、日期、时间、速度、首点标记和车辆编号，且表示编号为的车辆，车辆所属运输企业编号为cv，车辆允许装载的货物类型为gv；
2)基于速度变化将GPS轨迹划分为节点：将轨迹Trl中速度持续为零的点或持续不为零的点列划分为节点其中为第l条轨迹中按照时间顺序排列的第α～β个轨迹点，由下式求得节点的平均速度和持续时间
其中分别为i＝β,i＝α时的
至此轨迹点序列可转化为节点序列其中为节点个数。例如，图2中速度持续为零且坐标相近的点被划分为节点同理划分为节点而速度持续不为零的则被抽象成节点N2 l，节点序列表示为
3)基于决策树分类规则对2)中节点的运动状态进行判断，从而提取停留节点，具体步骤为：
step1：j＝1时，初始化节点N1的运动状态为stop；
step2：对于j>1的后续节点，根据图3所示基于决策树算法的行驶/停留分类规则按顺序依次判断每个节点的运动状态对于当前节点它的前驱节点为令表示的前驱节点运动状态，有将上述步骤中的平均速度持续时间和前驱节点的运动状态输入到图3的规则中，进行停留(stop)/行驶(move)二元分类。
step3：将为stop的节点提取为第m个停留节点，记作Am，有计算Am的平均经度、平均纬度、持续时间△tm、首点率和车牌编号
4)将该停留节点添加到停留节点集合Ac中，即Ac＝{Am}，其中m＝1,2,…,nA，nA为停留节点总数。
b、根据停留节点的平均经度平均纬度将停留节点聚类为活动热区
本发明基于经典OPTICS算法[4]，引入随机退出技术(Dropout)，设计了SOMA方法对活动热区进行识别，具体步骤为：
1)根据停留节点数据集Ac的统计特性选择关键参数ε(邻域半径)和minPts(形成团簇所需的最小点数)的值。
首先设置点数变量th，然后对于每一停留节点Am∈Ac，根据经纬度距离公式(0)计算出与Am第th近的对象距离distth(Am)，遍历Ac得到集合Distth＝{distth(Am)}，对Distth排序并绘制累积概率分布曲线(如图4)。将分布曲线的转折点(图4中空心点)的横坐标值记为epsth，判断Ac中的每一点Am是否是核心点：若distth(Am)≤epsth，则活动节点Am为核心点；判断Am是否是噪声：对于每一停留节点Am，如果其epsth邻域内的节点都不是核心点则为噪声；计算Ac中噪声的占比，依次取th＝2,3,…10，根据噪声占比最小时对应的确定关键参数取值，即
其中分别为与Am第th近的对象的平均经度、平均纬度；此后提到的距离均套用此公式计算。
2)采用1)所确定的参数取值，应用改进的OPTICS算法对停留节点进行聚类，得到一次聚类结果。算法伪代码见图5。
step1：将Ac中所有停留节点Am，m＝1,2,…,nA的处理状态PSm和可达距离RDm分别初始化为UNPROCESSED(图5中的第1行)和UNDEFINED(图5中的第2行)，然后使用GETNEIGHBORS函数(图5中的第3行)为Am检索半径为ε的邻域，得到邻域集合Nεm；使用SETCOREDISTANCE函数计算核心距离CDm(图5中的第4行)。请注意，我们与传统OPTICS算法相同的GETNEIGHBORS函数，但是SETCOREDISTANCE函数采用文献[5]中新的核心距离公式(见式1)。本发明提到的所有函数名引用自文献[6]，下同。输出序列O中的处理点数pos在开始时设置为1(图5中的第5行)。
step2：从任意活动节点Am,m＝1,2,…,nA开始，将其写入结果序列O中。如果Am不是核心点，即CDm＝UNDEFINED，则继续下一个未处理的点；否则，我们使用名为UPDATE函数将邻域集合Nεm中所有未处理的邻居停留节点Ap添加或更新到可达距离最小优先级队列Q中(图5中的第11行)，UPDATE函数采用经典OPTICS的更新机制，按照式(2)更新Ap的可达距离。由于Q是最小优先级队列，当Q为空时，整个群集已被检测并添加到结果序列O中，然后对Ac中的下一个未处理的点执行上述步骤。否则，将从Q中提取与当前群集中已处理点的可达距离最小的邻居点An进行扩展(图5中的第13行)。
RDp＝min(RDp,max(CDm,dist(Am,Ap))),Ap∈Nεm,p∈{1,2,…,nA} (2)
step3：请注意，该扩展步骤是改进的OPTICS算法的核心所在。经典OPTICS只是对Q中的每个点简单重复算法(图5中的第8-11行)。而改进的OPTICS算法在处理Q中的点An时，将其邻域集合Nεn中的所有核心点邻居添加到数据集Nεac n，从中筛选出未处理的核心点邻居添加到数据集Nεuc n(图5中的第14-18行)。代入公式(3)确定An的dropout概率prob；以prob决定是否进行dropout(图5中的第19行)：如果不成立，则用与对Am相同的方式(图5中的第8-11行)处理An(图5中的第21-24行)，否则从Q中删除An，将RDn复位成UNDEFINED，算法然后继续到Q中的下一个可达距离最小的点。
其中：stan表示标准化，为选择概率因子，且|Nεuc n|、|Nεac n|分别表示数据集Nεuc n、Nεac n中包含的邻居节点个数，为执行进程衰减因子，nA为Ac中停留节点总数；
step4：执行完上述步骤后，按照传统OPTICS[4]的ExtractDBSCAN-Clustering函数提取时的聚类结果作为一次聚类结果(图5中的第26行)。
3)对一次聚类结果中的每一个类簇，采用文献[7]的高斯混合聚类算法(GMM)进行二次分类，将最终得到的每一个新类簇均记为一个活动热区Hu，添加到活动热区集合Re中，记Re＝{Hu}，其中Hu表示Re中第u个活动热区且Hu＝{Ar},r＝1,2,…,nA u，其中，为构成活动热区Hu的停留节点，△tr,表示停留节点Ar的持续时间、首点状态和车辆编号，nA u为活动热区Hu内的停留节点数。
c、识别停留节点的活动目的
1)为b步骤得到的各活动热区Hz构建时空特征，时空特征包括：平均停留时间avgTu、平均起点包含率avgFu和混合熵指数Entropyu：
step1：计算平均停留时间avgTu，即某个热区内所有停留节点的平均持续时间，公式为：
step2：计算平均起点包含率avgFu，即某一热区内具有“当日起点”标签的停留节点数目与该热区所含总停留节点数的比值，按下式获取：
step3：计算混合熵指数Entropyu，基于Gingerich等人研究中熵指数的概念，按式(6)获取：
其中：nc u为运营商c的车辆在活动热区Hu所产生的停留节点数，C为在活动热区Hu停留车辆涉及的运营商总数，ng u为在活动热区Hu运输g类货物的停留节点数，G为活动热区Hu运输的所有货物种类数，G的取值范围为1～9。
step4：将时空特征按最大最小值归一化，以确保每个时空特征的标准化值落在0和1之间。
2)定义四类活动(装货、卸货、归场和非货运活动)，得出这四类活动类型对应的时空特征实际取值倾向。
表1所识别4类活动的取值倾向
3)采用FCM聚类方法根据步骤1)构建的时空特征和定义的四类活动类型获取停留节点的备选车辆活动类型；
step1：将停留节点的车辆活动类型的簇数设置为4，对应于2)中的分析。
step2：对活动热区集合Re运行FCM算法，获得四类FCM簇的时空特征均值，以及每个活动热区Hu对四类FCM簇的隶属度值，四类FCM簇分别为0、1、2、3。
step3：根据四类FCM簇的时空特征均值大小步骤S4给出的四类活动类型对应的时空特征实际取值倾向，将“装货活动、卸货活动、归场活动、非货运活动”的四个语义标签和四类FCM簇两两配对后，每个活动热区Hu对四类活动类型的隶属度值等于对四类FCM簇的隶属度值；
step4：对活动热区Hu的四类活动类型的隶属度值按从大到小的顺序进行排序，将排名前二的隶属度值对应的2个活动类型标签作为每个活动热区Hu的第一备选活动类型和第二备选活动类型；
step5：将Hu的2个备选活动类型映射到聚成它的每一停留节点Ar上，即令Ar的备选车辆活动类型等于活动热区Hu的备选活动类型。
4)为每个停留节点设置兴趣点类别，从2个备选车辆活动类型中判断出最终的车辆活动类型：
step1：为每个停留节点匹配最近的兴趣点类别，检查与危险品运输车辆活动相关的六个兴趣点类别，六个兴趣点类别分别为食堂、公司企业、汽车服务、交通设施、加油站和医疗/科研机构；(见表2第一行)。
step2：按照表2中的规则从备选车辆活动类型中确定最可能的车辆活动。表中的“非√”符号表示最可能的活动是非货运活动。相反，“非×”表示不太可能是非货运活动。使用规则的示例如下：如果车辆将3类危险物质运输到“食堂”，则最可能的活动是非货运活动。从两个备选活动类型来看，如果它们包含非货运活动，则最终活动类型识别为非货运活动；否则，最终活动类型识别为第一备选活动类型。如果将3类危险物质运输到“公司企业”，则不太可能是非货运活动。如果其第一备选活动类型是非货运活动，则最终活动类型识别为第二备选活动类型；否则，最终活动类型识别为第一备选活动类型。
表2结合POI的危险货物运输车辆停留点活动类型最终确定规则
与传统的方法相比，本发明公开的活动类型识别算法，通过对每一阶段的方法进行优化，可以在不增加活动标签辅助信息的条件下，打破传统二类活动识别方法的局限性，以超过80％的准确率识别出4类危险货物运输车辆活动。具体而言：所述基于决策树分类规则的起停检测算法采用机器学习得到的参数获取停留节点，符合危险货物运输车辆停留节点的特征，避免了人工设置参数的主观性太强等问题，可以全面准确地发现停留节点；所述SOMA算法在累计概率分析的前提下，在OPTICS算法中引入随机推出技术，并结合GMM算法，解决了传统OPTICS算法的参数设置、聚类覆盖率低、类簇过度扩张、聚类结构不好等问题，使得得到的热区数目和停留节点构成都更为合理；所述基于FCM和POI的活动类别推测模型解决了传统硬分类的类重叠问题，提高了识别准确率。
本发明的技术关键点和欲保护点：
(1)整套识别方法的思路
(2)SOMA算法
(3)构建的群体特征
(4)热区与其包含停留节点的可能活动类型映射操作
(5)货类和POI的活动类型确定规则
缩略语、英文和关键术语定义列表：
1、GPS 全球卫星定位系统。
2、OPTICS 对点进行排序识别聚类结构。
3、SOMA 改进的OPTICS混合聚类算法。
4、FCM 模糊C均值算法。
5、POI 兴趣点。
参考文献：
[1]专利一种基于出行轨迹数据的行程识别方法.
[2]CN201711405689.6用于出租车乘客出行目的的预测方法.
[3]Gingerich,K.,Maoh,H.,&Anderson,W.(2016).Classifying the purpose ofstopped truck events:An application of entropy to GPS data.TransportationResearch Part C Emerging Technologies,64,17–27.
[4]Ankerst,M.,Breunig,M.M.,Kriegel,H-P.,&Sander,J.(1999)OPTICS:ordering points to identify the clustering structure.ACM SIGMOD.Philadelphia,Pennsylvania,United States:ACM.pp.49–60.
[5]Alzaalan,M.E.,Aldahdooh,R.T.,&Ashour,W.(2012).Eoptics"enhancementordering points to identify the clustering structure".International Journalof Computer Applications,40(17),975-8887.
[6]Patwary,M.A.(2014).Scalable parallel OPTICS data clustering usinggraph algorithmic techniques.High PERFORMANCE Computing,Networking,Storageand Analysis.pp,1-12.
[7]https://scikit-learn.org/stable/modules/generated/sklearn.mixture.GaussianMixture.html.
[8]Liu,F.,&Zhang,Z.(2017).Adaptive density trajectory cluster basedon time and space distance.Physica A Statistical Mechanics&Its Applications,484,41-56.
本说明书中未作详细描述的内容属于本领域专业技术人员公知的现有技术。

Claims (9)

1.一种基于GPS数据的危险货物运输车辆停留节点活动类型识别方法，其特征在于，包括以下步骤：
S1、提取停留节点
S11、在识别危险货物运输车辆停留节点之前，先对原始GPS数据进行预处理，具体步骤为：
S111、格式化操作：为每条GPS数据记录添加车牌号码字段，解密经纬度，将时间戳拆分为日期和时间，并按照时间重排数据；同时令每个GPS文件的第一条记录的“首点”标记为1，其余标记为0；
S112、识别并处理有问题的GPS数据：出现以下情况则删除GPS数据：(1)经纬度坐标越界，出现在研究范围以外；(2)GPS时间超过1440分钟；(3)速度大于120公里/小时；(4)方向角不在0°到360°范围内；(5)GPS数据重复；
S113、原始GPS数据经上述预处理步骤后，得到GPS轨迹集，记作St＝{Trl}(l＝1,2,…,nT)，其中nT为待处理轨迹总数，Trl为St中的第l条轨迹，它由某辆车某日的GPS轨迹点组成，记作其中Pi l表示第l条轨迹中按照时间顺序排列的第i个轨迹点，为该轨迹的轨迹点数量；轨迹点其中分别表示该轨迹点的经度、纬度、日期、时间、速度、首点标记和车辆编号，且表示编号为的车辆，车辆所属运输企业编号为cv，车辆允许装载的货物类型为gv；
S12、基于速度变化将GPS轨迹划分为节点：将轨迹Trl中速度持续为零的点或持续不为零的点列划分为节点其中为第l条轨迹中按照时间顺序排列的第α～β个轨迹点，由下式求得节点的平均速度和持续时间
其中分别为i＝β,i＝α时的
至此轨迹点序列可转化为节点序列其中为节点个数；
S13、基于决策树分类规则对步骤S12中节点的运动状态进行判断，从而提取停留节点，具体步骤为：
S131、当j＝1时，初始化节点N1的运动状态为stop；
S132、对于j>1的后续节点，根据基于决策树算法的行驶/停留分类规则按顺序依次判断每个节点的运动状态对于当前节点它的前驱节点为令表示的前驱节点运动状态，有将步骤S12中的平均速度持续时间和前驱节点的运动状态输入到基于决策树算法的行驶/停留分类规则中，进行停留/行驶二元分类；
S133、将为stop的节点提取为第m个停留节点，记作Am，有计算Am的平均经度、平均纬度、持续时间△tm、首点率和车牌编号
将该停留节点添加到停留节点集合Ac中，即Ac＝{Am}，其中m＝1,2,…,nA，nA为停留节点总数；
S2、根据停留节点的平均经度平均纬度将停留节点聚类为活动热区Hu；
S3、根据步骤S2得到的活动热区Hu构建时空特征，时空特征包括：平均停留时间avgTu、平均起点包含率avgFu和混合熵指数Entropyu；将时空特征按最大最小值归一化，以确保每个时空特征的标准化值落在0和1之间；
S4、定义装货活动、卸货活动、归场活动和非货运活动，得出这四类活动类型对应的时空特征实际取值倾向；
S5、采用FCM聚类方法根据步骤S3构建的时空特征和步骤S4定义的四类活动类型获取停留节点的备选车辆活动类型；
S6、为每个停留节点设置兴趣点类别，从2个备选车辆活动类型中判断出最终的车辆活动类型。
2.如权利要求1所述的基于GPS数据的危险货物运输车辆停留节点活动类型识别方法，其特征在于，步骤S2的具体步骤为：
S21、根据停留节点集合Ac的统计特性，选择关键参数邻域半径ε和形成团簇所需的最小点数minPts的值；
首先设置点数变量th，然后对于每一停留节点Am∈Ac，根据经纬度距离公式(0)计算出与Am第th近的对象距离distth(Am)，遍历停留节点集合Ac得到距离集合Distth＝{distth(Am)}，对距离集合Distth排序并绘制累积概率分布曲线；将分布曲线的转折点的横坐标值记为epsth；判断Ac中的每一点Am是否是核心点：若distth(Am)≤epsth，则活动节点Am为核心点；判断Am是否是噪声：对于每一停留节点Am，如果其epsth邻域内的节点都不是核心点则为噪声；计算Ac中噪声的占比，依次取th＝2,3,…10，根据噪声占比最小时对应的确定关键参数取值，即
其中 分别为与Am第th近的对象的平均经度、平均纬度；
S22、采用步骤S21所确定的关键参数取值，应用改进的OPTICS算法对停留节点进行聚类，得到一次聚类结果；
S23、对一次聚类结果中的每一个类簇，采用高斯混合聚类算法进行二次分类，将最终得到的每一个新类簇均记为一个活动热区Hu，添加到活动热区集合Re中，记Re＝{Hu}，其中Hu表示Re中第u个活动热区且Hu＝{Ar},r＝1,2,…,nA u，其中，为构成活动热区Hu的停留节点，表示停留节点Ar的持续时间、首点状态和车辆编号，nA u为活动热区Hu内的停留节点数。
3.如权利要求2所述的基于GPS数据的危险货物运输车辆停留节点活动类型识别方法，其特征在于，步骤S22的具体步骤为：
S221、将停留节点集合Ac中所有停留节点Am，m＝1,2,…,nA的处理状态PSm和可达距离RDm分别初始化为UNPROCESSED和UNDEFINED，然后使用GETNEIGHBORS函数为Am检索半径为ε的邻域，得到邻域集合Nεm；使用SETCOREDISTANCE函数计算核心距离CDm，计算公式如下所示：
输出序列O中的处理点数pos在开始时设置为1；
S222、从任意活动节点Am,m＝1,2,…,nA开始，将其写入输出序列O中；如果Am不是核心点，即CDm＝UNDEFINED，则继续下一个未处理的点；否则，使用名为UPDATE函数将邻域集合Nεm中所有未处理的邻居停留节点Ap添加或更新到可达距离最小优先级队列Q中；UPDATE函数采用经典OPTICS的更新机制，按照式(2)更新Ap的可达距离：
RDp＝min(RDp,max(CDm,dist(Am,Ap))),Ap∈Nεm,p∈{1,2,…,nA} (2)；
由于Q是最小优先级队列，当Q为空时，整个群集已被检测并添加到输出序列O中，然后对Ac中的下一个未处理的点执行上述步骤S222操作；否则，将从Q中提取与当前群集中已处理点的可达距离最小的邻居点An进行后续操作；
S223、在处理Q中的点An时，将其邻域集合Nεn中的所有核心点邻居添加到数据集Nεac n，从中筛选出未处理的核心点邻居添加到数据集Nεuc n，代入公式(3)确定An的dropout概率prob；以prob决定是否进行dropout，如果不成立，则用与对Am相同的方式处理An，否则从Q中删除An，将RDn复位成UNDEFINED，然后继续到Q中的下一个可达距离最小的点；
其中：stan表示标准化，为选择概率因子，且|Nεuc n|、|Nεac n|分别表示数据集Nεuc n、Nεac n中包含的邻居节点个数，为执行进程衰减因子，nA为Ac中停留节点总数；
S224、执行完上述步骤后，将传统OPTICS算法的ExtractDBSCAN-Clustering函数提取时的聚类结果作为一次聚类结果。
4.如权利要求1所述的基于GPS数据的危险货物运输车辆停留节点活动类型识别方法，其特征在于，计算平均停留时间avgTu，即某个活动热区内所有停留节点的平均持续时间，公式为：
5.如权利要求1所述的基于GPS数据的危险货物运输车辆停留节点活动类型识别方法，其特征在于，计算平均起点包含率avgFu，即某一活动热区内具有“当日起点”标签的停留节点数目与该活动热区内停留节点数的比值，按下式获取：
6.如权利要求1所述的基于GPS数据的危险货物运输车辆停留节点活动类型识别方法，其特征在于，计算混合熵指数Entropyu，按式(6)获取：
其中：nc u为运营商c的车辆在活动热区Hu所产生的停留节点数，C为在活动热区Hu停留车辆涉及的运营商总数，ng u为在活动热区Hu运输g类货物的停留节点数，G为活动热区Hu运输的所有货物种类数，G的取值范围为1～9。
7.如权利要求2所述的基于GPS数据的危险货物运输车辆停留节点活动类型识别方法，其特征在于，步骤S5的具体步骤为：
S51、将停留节点的车辆活动类型的簇数设置为4；
S52、对活动热区集合Re运行FCM算法，获得四类FCM簇的时空特征均值，以及每个活动热区Hu对四类FCM簇的隶属度值，四类FCM簇分别为0、1、2、3；
S53、根据四类FCM簇的时空特征均值大小和步骤S4给出的四类活动类型对应的时空特征实际取值倾向，将“装货活动、卸货活动、归场活动、非货运活动”的四个语义标签和四类FCM簇两两配对后，每个活动热区Hu对四类活动类型的隶属度值等于对四类FCM簇的隶属度值；
S54、对活动热区Hu的四类活动类型的隶属度值按从大到小的顺序进行排序，将排名前二的隶属度值对应的2个活动类型标签作为每个活动热区Hu的第一备选活动类型和第二备选活动类型；
S55、将Hu的2个备选活动类型映射到聚成它的每一停留节点Ar上，即令Ar的备选车辆活动类型等于活动热区Hu的备选活动类型。
8.如权利要求1所述的基于GPS数据的危险货物运输车辆停留节点活动类型识别方法，其特征在于，步骤S6中为每个停留节点匹配最近的兴趣点类别，检查与危险品运输车辆活动相关的六个兴趣点类别，六个兴趣点类别分别为食堂、公司企业、汽车服务、交通设施、加油站和医疗/科研机构；
按如下规则判断最终的车辆活动类型：
如果车辆将2类危险物质运输到“汽车服务”、“交通设施”、“医疗/科研机构”，或者将3类危险物质运输到“食堂”、“汽车服务”、“交通设施”、“医疗/科研机构”，或者将其他类危险物质运输到“食堂”、“汽车服务”、“交通设施”、“加油站”、“医疗/科研机构”，则车辆活动类型是非货运活动的概率最大，从两个备选活动类型来看，如果它们包含非货运活动，则最终车辆活动类型为非货运活动，否则，最终车辆活动类型为第一备选活动类型；
其余运输情况则是非货运活动的概率最小，如果其第一备选活动类型是非货运活动，则最终车辆活动类型识别为第二备选活动类型；否则，最终车辆活动类型识别为第一备选活动类型。
9.如权利要求8所述的基于GPS数据的危险货物运输车辆停留节点活动类型识别方法，其特征在于，所述其他类危险物质包括1类危险物质和4-9类危险物质。
CN201811538708.7A 2018-12-17 2018-12-17 基于gps数据危险货物运输车辆停留节点活动类型识别方法 Active CN109686085B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811538708.7A CN109686085B (zh) 2018-12-17 2018-12-17 基于gps数据危险货物运输车辆停留节点活动类型识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811538708.7A CN109686085B (zh) 2018-12-17 2018-12-17 基于gps数据危险货物运输车辆停留节点活动类型识别方法

Publications (2)

Publication Number Publication Date
CN109686085A true CN109686085A (zh) 2019-04-26
CN109686085B CN109686085B (zh) 2020-05-05

Family

ID=66187863

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811538708.7A Active CN109686085B (zh) 2018-12-17 2018-12-17 基于gps数据危险货物运输车辆停留节点活动类型识别方法

Country Status (1)

Country Link
CN (1) CN109686085B (zh)

Cited By (18)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110135492A (zh) * 2019-05-13 2019-08-16 山东大学 基于多高斯模型的设备故障诊断与异常检测方法及系统
CN110428193A (zh) * 2019-06-14 2019-11-08 上海中旖能源科技有限公司 基于车辆轨迹数据的多模式液化天然气运输车辆筛选方法
CN110852354A (zh) * 2019-10-22 2020-02-28 上海中旖能源科技有限公司 车辆轨迹点识别方法及设备
CN111126912A (zh) * 2019-12-23 2020-05-08 北京中交兴路信息科技有限公司 一种货车运货类型识别方法、装置、存储介质及终端
CN111325274A (zh) * 2020-02-20 2020-06-23 东软睿驰汽车技术（沈阳）有限公司 车辆数据预测的方法、装置、设备及计算机存储介质
CN111340427A (zh) * 2020-03-02 2020-06-26 西南交通大学 一种基于轨迹数据的货车运行状态识别方法
CN111984929A (zh) * 2020-08-19 2020-11-24 智慧足迹数据科技有限公司 用户线下活跃度确定方法、装置、电子设备及存储介质
CN112382083A (zh) * 2020-10-13 2021-02-19 厦门市交通研究中心 一种基于gps数据的货运交通od分析方法、装置及设备
CN112991804A (zh) * 2019-12-18 2021-06-18 浙江大华技术股份有限公司 停留区域确定方法以及相关装置
CN113011815A (zh) * 2021-03-11 2021-06-22 深圳市城市交通规划设计研究中心股份有限公司 一种货车停靠点提取方法和出行特征确定方法、装置
CN113282638A (zh) * 2021-04-23 2021-08-20 中寰卫星导航通信有限公司 一种城建用车识别方法和装置
CN113538072A (zh) * 2021-09-16 2021-10-22 深圳市城市交通规划设计研究中心股份有限公司 一种货运车辆的出行链智能识别方法、装置及电子设备
CN113627850A (zh) * 2021-08-16 2021-11-09 北京汇通天下物联科技有限公司 运输货物类型的确定方法、装置、电子设备及存储介质
CN113946646A (zh) * 2021-11-02 2022-01-18 京东城市(北京)数字科技有限公司 车辆驻留检测方法、装置、电子设备和存储介质
CN115423841A (zh) * 2022-08-08 2022-12-02 华东师范大学 一种面向大宗物流的运输终点校准方法及系统
CN116029624A (zh) * 2022-07-21 2023-04-28 大连海事大学 一种融合货车轨迹和poi数据的货源地识别方法
CN116092037A (zh) * 2023-02-13 2023-05-09 长沙理工大学 融合轨迹空间-语义特征的车辆类型识别方法
CN117290741A (zh) * 2023-11-14 2023-12-26 北京阿帕科蓝科技有限公司 车辆聚类方法、装置、计算机设备和存储介质

Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101673466A (zh) * 2009-09-25 2010-03-17 北京航空航天大学 交通信号控制下的浮动车信息处理方法
JP4824790B2 (ja) * 2008-12-22 2011-11-30 韓國電子通信研究院 位置別受信感度のデータの収集及び処理装置及び方法
KR101213784B1 (ko) * 2011-06-21 2012-12-18 부산대학교 산학협력단 충격 감지를 이용한 컨테이너 보안장치 및 그의 위치 보정 방법
CN103106793A (zh) * 2013-01-11 2013-05-15 福州大学 基于实时行车方向和通行时段信息的交通状态判别方法
KR20130052761A (ko) * 2011-11-13 2013-05-23 홍익대학교 산학협력단 위치정보 분류방법 및 이를 위한 장치
CN103646560A (zh) * 2013-11-27 2014-03-19 福建工程学院 出租车行车轨迹经验知识路径的提取方法
CN103646187A (zh) * 2013-12-27 2014-03-19 中国科学院自动化研究所 一种统计周期内车辆出行路线及od矩阵获取方法
CN104408203A (zh) * 2014-12-18 2015-03-11 西安电子科技大学宁波信息技术研究院 一种预测移动对象轨迹终点的方法
CN104965913A (zh) * 2015-07-03 2015-10-07 重庆邮电大学 一种基于gps地理位置数据挖掘的用户分类方法
CN107301254A (zh) * 2017-08-24 2017-10-27 电子科技大学 一种路网热点区域挖掘方法
CN108415975A (zh) * 2018-02-08 2018-08-17 淮阴工学院 基于bdch-dbscan的出租车载客热点识别方法

Patent Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP4824790B2 (ja) * 2008-12-22 2011-11-30 韓國電子通信研究院 位置別受信感度のデータの収集及び処理装置及び方法
CN101673466A (zh) * 2009-09-25 2010-03-17 北京航空航天大学 交通信号控制下的浮动车信息处理方法
KR101213784B1 (ko) * 2011-06-21 2012-12-18 부산대학교 산학협력단 충격 감지를 이용한 컨테이너 보안장치 및 그의 위치 보정 방법
KR20130052761A (ko) * 2011-11-13 2013-05-23 홍익대학교 산학협력단 위치정보 분류방법 및 이를 위한 장치
CN103106793A (zh) * 2013-01-11 2013-05-15 福州大学 基于实时行车方向和通行时段信息的交通状态判别方法
CN103646560A (zh) * 2013-11-27 2014-03-19 福建工程学院 出租车行车轨迹经验知识路径的提取方法
CN103646187A (zh) * 2013-12-27 2014-03-19 中国科学院自动化研究所 一种统计周期内车辆出行路线及od矩阵获取方法
CN104408203A (zh) * 2014-12-18 2015-03-11 西安电子科技大学宁波信息技术研究院 一种预测移动对象轨迹终点的方法
CN104965913A (zh) * 2015-07-03 2015-10-07 重庆邮电大学 一种基于gps地理位置数据挖掘的用户分类方法
CN107301254A (zh) * 2017-08-24 2017-10-27 电子科技大学 一种路网热点区域挖掘方法
CN108415975A (zh) * 2018-02-08 2018-08-17 淮阴工学院 基于bdch-dbscan的出租车载客热点识别方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
李博: "高速公路客运及危险品运输车辆运行监控系统研究", 《中国优秀硕士学位论文全文数据库工程科技Ⅱ辑》 *

Cited By (23)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110135492B (zh) * 2019-05-13 2020-12-22 山东大学 基于多高斯模型的设备故障诊断与异常检测方法及系统
CN110135492A (zh) * 2019-05-13 2019-08-16 山东大学 基于多高斯模型的设备故障诊断与异常检测方法及系统
CN110428193A (zh) * 2019-06-14 2019-11-08 上海中旖能源科技有限公司 基于车辆轨迹数据的多模式液化天然气运输车辆筛选方法
CN110852354A (zh) * 2019-10-22 2020-02-28 上海中旖能源科技有限公司 车辆轨迹点识别方法及设备
CN112991804A (zh) * 2019-12-18 2021-06-18 浙江大华技术股份有限公司 停留区域确定方法以及相关装置
CN111126912A (zh) * 2019-12-23 2020-05-08 北京中交兴路信息科技有限公司 一种货车运货类型识别方法、装置、存储介质及终端
CN111325274B (zh) * 2020-02-20 2023-04-28 东软睿驰汽车技术（沈阳）有限公司 车辆数据预测的方法、装置、设备及计算机存储介质
CN111325274A (zh) * 2020-02-20 2020-06-23 东软睿驰汽车技术（沈阳）有限公司 车辆数据预测的方法、装置、设备及计算机存储介质
CN111340427A (zh) * 2020-03-02 2020-06-26 西南交通大学 一种基于轨迹数据的货车运行状态识别方法
CN111984929A (zh) * 2020-08-19 2020-11-24 智慧足迹数据科技有限公司 用户线下活跃度确定方法、装置、电子设备及存储介质
CN112382083A (zh) * 2020-10-13 2021-02-19 厦门市交通研究中心 一种基于gps数据的货运交通od分析方法、装置及设备
CN113011815A (zh) * 2021-03-11 2021-06-22 深圳市城市交通规划设计研究中心股份有限公司 一种货车停靠点提取方法和出行特征确定方法、装置
CN113282638A (zh) * 2021-04-23 2021-08-20 中寰卫星导航通信有限公司 一种城建用车识别方法和装置
CN113282638B (zh) * 2021-04-23 2024-05-07 中寰卫星导航通信有限公司 一种城建用车识别方法和装置
CN113627850A (zh) * 2021-08-16 2021-11-09 北京汇通天下物联科技有限公司 运输货物类型的确定方法、装置、电子设备及存储介质
CN113538072A (zh) * 2021-09-16 2021-10-22 深圳市城市交通规划设计研究中心股份有限公司 一种货运车辆的出行链智能识别方法、装置及电子设备
CN113946646A (zh) * 2021-11-02 2022-01-18 京东城市(北京)数字科技有限公司 车辆驻留检测方法、装置、电子设备和存储介质
CN116029624A (zh) * 2022-07-21 2023-04-28 大连海事大学 一种融合货车轨迹和poi数据的货源地识别方法
CN116029624B (zh) * 2022-07-21 2024-02-06 大连海事大学 一种融合货车轨迹和poi数据的货源地识别方法
CN115423841A (zh) * 2022-08-08 2022-12-02 华东师范大学 一种面向大宗物流的运输终点校准方法及系统
CN116092037A (zh) * 2023-02-13 2023-05-09 长沙理工大学 融合轨迹空间-语义特征的车辆类型识别方法
CN117290741A (zh) * 2023-11-14 2023-12-26 北京阿帕科蓝科技有限公司 车辆聚类方法、装置、计算机设备和存储介质
CN117290741B (zh) * 2023-11-14 2024-03-19 北京阿帕科蓝科技有限公司 车辆聚类方法、装置、计算机设备和存储介质

Also Published As

Publication number Publication date
CN109686085B (zh) 2020-05-05

Similar Documents

Publication Publication Date Title
CN109686085A (zh) 基于gps数据危险货物运输车辆停留节点活动类型识别方法
Zhang et al. Hierarchical semantic cognition for urban functional zones with VHR satellite images and POI data
CN105045858B (zh) 基于投票的出租车载客点推荐方法
Jiang et al. Spatial big data science
CN110288001B (zh) 基于目标数据特征训练学习的目标识别方法
CN107656987B (zh) 一种基于lda模型的地铁站点功能挖掘方法
CN108875816A (zh) 融合置信度准则和多样性准则的主动学习样本选择策略
CN113157800B (zh) 实时发现空中动态目标识别方法
CN112732905B (zh) 一种基于知识图谱的交通事故分析与防控方法及系统
CN111814596A (zh) 一种遥感影像与出租车轨迹融合的自动城市功能分区方法
Ceci et al. Spatial associative classification: propositional vs structural approach
Wang et al. R2-trans: Fine-grained visual categorization with redundancy reduction
CN109033102A (zh) 城市客运交通信息资源整合平台数据仓库构建的方法
CN114723596A (zh) 一种基于多源交通出行数据和主题模型的城市功能区识别方法
CN106355537A (zh) 一种智能串并案分析方法及系统
CN105335758A (zh) 一种基于视频费舍尔向量描述符的车型识别方法
CN112559909A (zh) 一种基于gcn嵌入空间聚类模型的商业区发现方法
CN103745232B (zh) 基于波段迁移的高光谱图像聚类方法
Xu et al. MM-UrbanFAC: Urban functional area classification model based on multimodal machine learning
Wu et al. Excavation of Attractive Areas for Car-Share Travel and Prediction of Car-Share Usage
CN116484266B (zh) 一种精细城市用地类型识别模型训练方法
Li SF EXPRESS Automated Robotic Sorting System Based on Machine Learning
Rasaizadi et al. Stacking ensemble learning process to predict rural road traffic flow
Teng et al. The method of analyzing metro complaint data and its application
CN116029624B (zh) 一种融合货车轨迹和poi数据的货源地识别方法

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