CN109887292B - 车辆类型的识别方法及系统 - Google Patents
车辆类型的识别方法及系统 Download PDFInfo
- Publication number
- CN109887292B CN109887292B CN201910271046.XA CN201910271046A CN109887292B CN 109887292 B CN109887292 B CN 109887292B CN 201910271046 A CN201910271046 A CN 201910271046A CN 109887292 B CN109887292 B CN 109887292B
- Authority
- CN
- China
- Prior art keywords
- vehicle
- travel
- historical
- calculating
- frequency
- 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
Images
Landscapes
- Time Recorders, Dirve Recorders, Access Control (AREA)
Abstract
本发明公开了一种车辆类型的识别方法及系统。所述识别方法包括以下步骤:获取车辆的多段历史行程;计算每段历史行程中乘客车门开启的频繁度;计算每段历史行程的行程曲率;根据所述多段历史行程的频繁度和行程曲率判断所述车辆类型。本发明结合车辆的乘客车门开启频率、发动机状态和行驶里程多个维度识别车辆类型,准确度大大提高。
Description
技术领域
本发明涉及识别车辆类型的技术领域,特别涉及一种识别网约车的车辆类型的识别方法及系统。
背景技术
近年来,网约车市场再次掀起竞争热潮,全国已有100多家公司在不同城市开展网约车业务。由于网约车的经营性质,使其日常风险显著高于其他车辆,安全事件层出不穷。但是对主机厂、保险公司和监管机构而言,却无法掌握哪些车是网约车。另一方面,网约车企业对运营数据的开放意愿度极低,业内对网约车的识别和研究也大多基于定性分析的层面,这些都对后续的保险政策制定、社会监管、车况监测都带来了很大风险。
不过,随着车联网的日渐普及,越来越多的主机厂开始对车辆预装各种传感器,通过这些传感器获取和分析实时车辆位置、车辆速度、发动机状态、车门状态等,为车主提供增值服务。但是,如何进一步利用这些车联网数据,准确区分出网约车和其他车辆依然是一个难题。
现有技术中,有两类可能的识别方法:一是通过行程次数来推测车辆是网约车的可能性,即在一段时间内,如果车辆的行程次数特别多,那这辆车作为网约车的可能性也越大;二是通过统计开关门的GPS位置分布来推测,即上下客的地理位置分布越广,网约车的可能性也越大。
但这两种方法都无法准确识别网约车。对于行程次数而言,网约车通常会连续接单,中途不会熄火,即,一次行程包含了多次的网约车单,一天可能只有一两次行程。也就无法通过行程次数来识别。对上下客位置分布的方法而言,如果是长途旅行,上下车次数自然也会比较多,也会带来很大比例的误判。
发明内容
本发明要解决的技术问题是为了克服现有技术的车辆类型识别方法有很大比例的误判的缺陷,提供一种车辆类型的识别方法及系统。
本发明是通过下述技术方案来解决上述技术问题:
一种车辆类型的识别方法,所述识别方法包括以下步骤:
获取车辆的多段历史行程;
计算每段历史行程中乘客车门开启的频繁度;
计算每段历史行程的行程曲率;
根据所述多段历史行程的频繁度和行程曲率判断所述车辆类型。
较佳地,所述车辆包括发动机;
获取车辆的多段历史行程的步骤,具体包括:
获取预设时间段内车辆的历史行驶数据;所述历史行驶数据包括行驶路径和位置信息;
根据所述位置信息和发动机状态将所述行驶路径切分为所述多段历史行程。
较佳地,计算每段历史行程中乘客车门开启的频繁度的步骤,具体包括:
检测每段历史行程中乘客车门开启的次数;
根据所述次数计算所述频繁度。
较佳地,根据所述次数和所述历史行程的距离计算所述频繁度的步骤之后,还包括:
对所述频繁度进行标准化处理,然后执行判断车辆类型的步骤。
较佳地,计算每段历史行程的行程曲率的步骤,具体包括:
计算每段历史行程的起点与终点的直线距离;
根据所述直线距离和所述历史行程的行驶里程计算所述行程曲率。
较佳地,根据所述直线距离和所述历史行程的行驶里程计算所述行程曲率的步骤之后,还包括:
对所述行程曲率进行标准化处理,然后执行判断车辆类型的步骤。
较佳地,根据所述多段历史行程的频繁度和行程曲率判断车辆类型的步骤,具体包括:
根据所述频繁度和所述行程曲率计算每段历史行程的行驶评分;
汇总所述多段历史行程的行驶评分,得到所述车辆的总分值;
根据所述总分值判断所述车辆类型。
一种车辆类型的识别系统,所述识别系统包括:
获取模块,用于获取车辆的多段历史行程;
计算模块,用于计算每段历史行程的行程曲率和乘客车门开启的频繁度;
判断模块,用于根据所述多段历史行程的频繁度和行程曲率判断所述车辆类型。
较佳地,所述车辆包括发动机;
所述获取模块具体包括:
数据获取单元,用于获取预设时间段内车辆的历史行驶数据;所述历史行驶数据包括行驶路径和位置信息;
切分单元,用于根据所述位置信息和发动机状态将所述行驶路径切分为所述多段历史行程。
较佳地,所述计算模块具体包括:
检测单元,用于检测每段历史行程中乘客车门开启的次数;
频繁度计算单元,用于根据所述次数计算所述频繁度。
较佳地,所述计算模块还包括:
处理单元,用于对所述频繁度进行标准化处理,然后调用所述判断模块。
较佳地,所述计算模块还包括:
距离计算单元,用于计算每段历史行程的起点与终点的直线距离;
曲率计算单元,用于根据所述直线距离和所述历史行程的行驶里程计算所述行程曲率。
较佳地,所述处理单元还用于对所述行程曲率进行标准化处理。
较佳地,所述判断模块具体包括:
评分计算单元,用于根据所述频繁度和所述行程曲率计算每段历史行程的行驶评分;
汇总单元,用于汇总所述多段历史行程的行驶评分,得到所述车辆的总分值;
判断单元,用于根据所述总分值判断所述车辆类型。
本发明的积极进步效果在于:本发明结合车辆的乘客车门开启频率、发动机状态和行驶里程多个维度识别车辆类型,准确度大大提高。
附图说明
图1为本发明实施例1的车辆类型的识别方法的第一流程图。
图2为本发明实施例1的车辆类型的识别方法的第二流程图。
图3为本发明实施例2的车辆类型的识别方法的流程图。
图4为本发明实施例3的车辆类型的识别系统的模块示意图。
图5为本发明实施例4的车辆类型的识别系统的模块示意图。
具体实施方式
下面通过实施例的方式进一步说明本发明,但并不因此将本发明限制在所述的实施例范围之中。
实施例1
本实施例提供一种车辆类型的识别方法,用于判断车辆是否为网约车,如图1所示,该识别方法包括以下步骤:
步骤101、获取预设时间段内车辆的多段历史行程。
其中,预设时间段例如可以是当月或当周。
具体的,如图2所示,步骤101包括:
步骤101-1、获取预设时间段内车辆的历史行驶数据。
其中,历史行驶数据包括时间戳、位置信息、车速、行驶路径和行驶里程等。位置信息通过GPS(全球定位系统)坐标表征。
步骤101-2、根据车辆的位置信息和发动机状态将行驶路径切分为多段历史行程。
具体的,发动机(发动机传感器)点火表示一段行程开始,一段时间后,若车辆的位置发生了变化,且检测到发动机关闭或者车速为0,并且此状态连续保持5分钟(根据实际需求自行设置,不限于5分钟)时,表示为该段行程已经结束,根据上述切分规则将车辆的历史行驶路径切分成多段历史行程。
步骤102、计算每段历史行程的行程曲率和乘客车门开启的频繁度。
网约车在一次不间断的行程中通常会包含多笔订单,即多次上下客;而普通行程通常在起终点各开关一次车门,如果没有乘客,乘客车门也不会有开关动作。从而,乘客车门开启的频繁度能很好的表征车辆的载客频繁度。
本实施例的步骤102中,计算每段历史行程中乘客车门开启的频繁度的步骤,具体包括:
步骤102-1、检测每段历史行程中乘客车门开启的次数。
具体的,乘客车门开启的次数获取方式如下:获取该段行程中所有的乘客车门传感器数据(0表示关闭,1表示开启),根据传感器数据统计乘客车门开启的次数。需要说明的是,某一乘客车门开启后一段时间(可以但不限于5分钟)内,任意乘客车门的开启,均记为同一次车门开启。
步骤102-2、根据每段历史行程中乘客车门开启的次数计算频繁度。
具体的,频繁度计算公式如下:
fi,j=ti,j;
其中,fi,j表示车辆i在第j段历史行程中乘客车门开启的频繁度;ti,j表示在第j段历史行程中车辆i的乘客车门开启的次数。
本实施例的步骤102中,计算每段历史行程的行程曲率的步骤,具体包括:
步骤102-3、计算每段历史行程中起点与终点的直线距离。
具体的,通过车辆的GPS获取该行程起/终点的GPS坐标,以计算出起点与终点的直线距离。
步骤102-4、根据每段历史行程的直线距离和行驶里程计算行程曲率。
具体的,行程曲率的计算公式如下:
其中,ci,j表示车辆i在第j段历史行程中的行程曲率;di,j表示第j段历史行程中起点与终点之间的直线距离;mi,j表示车辆i在第j段历史行程中的行驶里程。
步骤103、根据多段历史行程的频繁度和行程曲率判断车辆类型。
本实施例中,步骤103具体包括:
步骤103-1、根据频繁度和行程曲率计算每段历史行程的行驶评分。
步骤103-2、汇总多段历史行程的行驶评分,得到车辆的总分值,并根据该总分值判断车辆类型。
具体的,对于车辆i,计算该车辆当月或当周的历史行程(开启过乘客车门)的行驶评分后,从中筛选出行程评分>a(常用值为9-25,即表示平均来看,ci,j和fi,j这两个指标超过其均值3倍或5倍的标准差)的高分行程,统计高分行程的数量。使用政府公开的网约车登记记录匹配其实际车辆行程数据后,发现全职网约车的日均高分行程的数量>3。因此,若车辆的日均高分行程的数量在(1,3]范围内时,将该车辆识别为兼职网约车(即日均网约车载客行程1~3次);若车辆的日均高分行程的数量>3,将该车辆识别为全职网约车(即日均网约车载客行程超过3次)。
本实施例中,结合乘客车门开启频率、发动机状态和行驶里程多个维度识别车辆类型,准确度大大提高。其在行程层面识别出每次行程载客的可能性,从而可以方便的汇总到车辆维度来识别兼职和全职网约车的情形。通过载客频繁度来科学量化上下客的频次与行驶里程的关系,识别网约车行程;通过行程曲率刻画网约车通常在同一次行程中,完成多个订单的特征。
实施例2
本实施例提供一种车辆类型的识别方法,用于判断车辆是否为网约车,如图3所示,该识别方法包括以下步骤:
步骤201、获取预设时间段内车辆的历史行驶数据。
其中,历史行驶数据包括时间戳、位置信息、车速、行驶路径和行驶里程等。位置信息通过GPS(全球定位系统)坐标表征。预设时间段例如可以是当月或当周。
步骤202、根据车辆的位置信息和发动机状态将行驶路径切分为多段历史行程。
具体的,发动机(发动机传感器)点火表示一段行程开始,一段时间后,若车辆的位置发生了变化,且检测到发动机关闭或者车速为0,并且此状态连续保持5分钟(根据实际需求自行设置,不限于5分钟)时,表示为该段行程已经结束,根据上述切分规则将车辆的历史行驶路径切分成多段历史行程。
步骤203-1、检测每段历史行程中乘客车门开启的次数。
具体的,乘客车门开启的次数获取方式如下:获取该段行程中所有的乘客车门传感器数据(0表示关闭,1表示开启),根据传感器数据统计乘客车门开启的次数。需要说明的是,某一乘客车门开启后一段时间(可以但不限于5分钟)内,任意乘客车门的开启,均记为同一次车门开启。
步骤203-2、根据每段历史行程中乘客车门开启的次数计算频繁度。
具体的,频繁度计算公式如下:
fi,j=ti,j;
其中,fi,j表示车辆i在第j段历史行程中乘客车门开启的频繁度;ti,j表示在第j段历史行程中车辆i的乘客车门开启的次数。
步骤203-3、对频繁度进行标准化处理。具体公式如下:
其中,norm_fi,j表示标准化的fi,j,favg表示频繁度的平均值;fstd表示频繁度的标准差。具体的,查询车辆i所在区域(例如省份),可以但不限于从上个月该省所有车辆行程中,取出开启过乘客车门的所有行程,计算出这些行程的频繁度的平均值favg和标准差fstd。
网约车在一次不间断的行程中通常会包含多笔订单,即多次上下客;而普通行程通常在起终点各开关一次车门,如果没有乘客,乘客车门也不会有开关动作。从而,乘客车门开启的频繁度能很好的表征载客频繁度。例如:计算得到某地区的favg=1.7,fstd=1.4,参见表1,其中行程编号1和行程编号2为正常行程,行程编号3为网约车行程,有频繁上下客的行为,标准化后,行程编号3具有较高的频繁度,说明乘客车门开启的频繁度能很好的表征载客频繁度,该指标能作为判断车辆类型的指标。
表1
行程编号 | 乘客车门开启次数 | 频繁度 | 频繁度标准化 |
1 | 2 | 2 | 0.21 |
2 | 5 | 5 | 2.36 |
3 | 12 | 12 | 7.36 |
步骤203-4、计算每段历史行程中起点与终点的直线距离。
具体的,通过车辆的GPS获取该行程起/终点的GPS坐标,以计算出起点与终点的直线距离。
步骤203-5、根据每段历史行程的直线距离和行驶里程计算行程曲率。
具体的,行程曲率的计算公式如下:
其中,ci,j表示车辆i在第j段历史行程中的行程曲率;di,j表示第j段历史行程中起点与终点之间的直线距离;mi,j表示车辆i在第j段历史行程中的行驶里程。
步骤203-6、对行程曲率进行标准化处理。具体公式如下:
其中,norm_ci,j表示标准化的ci,j,cavg表示行程曲率的平均值;cstd表示行程曲率的标准差。具体的,查询车辆i所在区域(例如省份),可以但不限于从上个月该省所有车辆行程中,取出开启过乘客车门的所有行程,计算出这些行程的行程曲率的平均值cavg和标准差cstd。
例如:计算得到某区域的的cavg=1.9,cstd=1.2,参见表2,其中行程编号1和行程编号2为正常行程;行程编号3为网约车行程,其多次载客后,回到了起点附近,行程编号3具有较高的曲率标准化,说明该指标能作为判断车辆类型的指标。
表2
步骤204、根据经过标准化处理的频繁度和行程曲率计算每段历史行程的行驶评分。
具体的,行程评分的计算公式如下:
其中,si,j表示第j段历史行程的行驶评分。
步骤205、汇总多段历史行程的行驶评分,得到车辆的总分值,并根据该总分值判断车辆类型。
具体的,对于车辆i,计算该车辆当月或当周的历史行程(开启过乘客车门)的行驶评分后,从中筛选出行程评分>a(常用值为9-25)的高分行程,统计高分行程的数量。使用政府公开的网约车登记记录匹配其实际车辆行程数据后,发现全职网约车的日均高分行程的数量>3。因此,若车辆的日均高分行程的数量在(1,3]范围内时,将该车辆识别为兼职网约车(即日均网约车载客行程1~3次);若车辆的日均高分行程的数量>3,将该车辆识别为全职网约车(即日均网约车载客行程超过3次)。
实施例3
如图4所示,本实施例的车辆类型的识别系统包括:获取模块1、计算模块2和判断模块3。
获取模块1用于获取车辆的多段历史行程。
具体的,获取模块包括:数据获取单元11和切分单元12。
数据获取单元11用于获取预设时间段内车辆的历史行驶数据。其中,预设时间段例如可以是当月或当周。历史行驶数据包括时间戳、位置信息、车速、行驶路径和行驶里程等。位置信息通过GPS(全球定位系统)坐标表征。
切分单元12用于根据位置信息和发动机状态将行驶路径切分为多段历史行程。具体的,发动机(发动机传感器)点火表示一段行程开始,一段时间后,若车辆的位置发生了变化,且检测到发动机关闭或者车速为0,并且此状态连续保持5分钟(根据实际需求自行设置,不限于5分钟)时,表示为该段行程已经结束,根据上述切分规则将车辆的历史行驶路径切分成多段历史行程。
计算模块2用于计算每段历史行程的行程曲率和乘客车门开启的频繁度。网约车在一次不间断的行程中通常会包含多笔订单,即多次上下客;而普通行程通常在起终点各开关一次车门,如果没有乘客,乘客车门也不会有开关动作。从而,乘客车门开启的频繁度能很好的表征车辆的载客频繁度。
具体的,计算模块2包括:检测单元21、频繁度计算单元22、距离计算单元23和曲率计算单元24。
检测单元21用于检测每段历史行程中乘客车门开启的次数。具体的,乘客车门开启的次数获取方式如下:获取该段行程中所有的乘客车门传感器数据(0表示关闭,1表示开启),根据传感器数据统计乘客车门开启的次数。需要说明的是,某一乘客车门开启后一段时间(可以但不限于5分钟)内,任意乘客车门的开启,均记为同一次车门开启。
频繁度计算单元22用于根据次数计算频繁度。频繁度计算公式如下:
fi,j=ti,j;
其中,fi,j表示车辆i在第j段历史行程中乘客车门开启的频繁度;ti,j表示在第j段历史行程中车辆i的乘客车门开启的次数。
距离计算单元23用于计算每段历史行程的起点与终点的直线距离。具体的,通过车辆的GPS获取该行程起/终点的GPS坐标,以计算出起点与终点的直线距离。
曲率计算单元24用于根据直线距离和历史行程的行驶里程计算行程曲率。行程曲率的计算公式如下:
其中,ci,j表示车辆i在第j段历史行程中的行程曲率;di,j表示第j段历史行程中起点与终点之间的直线距离;mi,j表示车辆i在第j段历史行程中的行驶里程。
判断模块3用于根据多段历史行程的频繁度和行程曲率判断车辆类型。
具体的,判断模块包括:评分计算单元31、汇总单元32和判断单元33。
评分计算单元31根据频繁度和行程曲率计算每段历史行程的行驶评分。
汇总单元32用于汇总多段历史行程的行驶评分,得到车辆的总分值。
判断单元33用于根据总分值判断车辆类型。具体的,对于车辆i,计算该车辆当月或当周的历史行程(开启过乘客车门)的行驶评分后,从中筛选出行程评分>a(常用值为9-25)的高分行程,统计高分行程的数量。使用政府公开的网约车登记记录匹配其实际车辆行程数据后,发现全职网约车的日均高分行程的数量>3。因此,若车辆的日均高分行程的数量在(1,3]范围内时,将该车辆识别为兼职网约车(即日均网约车载客行程1~3次);若车辆的日均高分行程的数量>3,将该车辆识别为全职网约车(即日均网约车载客行程超过3次)。
本实施例中,结合乘客车门开启频率、发动机状态和行驶里程多个维度识别车辆类型,准确度大大提高。其在行程层面识别出每次行程载客的可能性,从而可以方便的汇总到车辆维度来识别兼职和全职网约车的情形。通过载客频繁度来科学量化上下客的频次与行驶里程的关系,识别网约车行程;通过行程曲率刻画网约车通常在同一次行程中,完成多个订单的特征。
实施例4
实施例4与实施例3基本相同,如图5所示,不同之处在于,计算模块还包括:处理单元25。处理单元25用于对频繁度和行程曲率进行标准化处理后,调用判断模块3。判断模块3则根据根据经过标准化处理的频繁度和行程曲率判断车辆类型。
对频繁度进行标准化处理的公式如下:
其中,norm_fi,j表示标准化的fi,j,favg表示频繁度的平均值;fstd表示频繁度的标准差。具体的,查询车辆i所在区域(例如省份),可以但不限于从上个月该省所有车辆行程中,取出开启过乘客车门的所有行程,计算出这些行程的频繁度的平均值favg和标准差fstd。
对行程曲率进行标准化处理的公式如下:
其中,norm_ci,j表示标准化的ci,j,cavg表示行程曲率的平均值;cstd表示行程曲率的标准差。具体的,查询车辆i所在区域(例如省份),可以但不限于从上个月该省所有车辆行程中,取出开启过乘客车门的所有行程,计算出这些行程的行程曲率的平均值cavg和标准差cstd。
从而,判断模块3的评分计算单元31计算行程评分的公式如下:
其中,si,j表示第j段历史行程的行驶评分。
虽然以上描述了本发明的具体实施方式,但是本领域的技术人员应当理解,这仅是举例说明,本发明的保护范围是由所附权利要求书限定的。本领域的技术人员在不背离本发明的原理和实质的前提下,可以对这些实施方式做出多种变更或修改,但这些变更和修改均落入本发明的保护范围。
Claims (10)
1.一种车辆类型的识别方法,其特征在于,所述识别方法包括以下步骤:
获取车辆的多段历史行程;
计算每段历史行程中乘客车门开启的频繁度;
计算每段历史行程的行程曲率;
根据所述多段历史行程的频繁度和行程曲率判断所述车辆类型;
所述车辆类型包括全职网约车和兼职网约车;
计算每段历史行程的行程曲率的步骤,具体包括:
计算每段历史行程的起点与终点的直线距离;
根据所述直线距离和所述历史行程的行驶里程计算所述行程曲率;
根据所述多段历史行程的频繁度和行程曲率判断车辆类型的步骤,具体包括:
根据所述频繁度和所述行程曲率计算每段历史行程的行驶评分;
汇总所述多段历史行程的行驶评分,得到所述车辆的总分值;
根据所述总分值判断所述车辆类型。
2.如权利要求1所述的车辆类型的识别方法,其特征在于,所述车辆包括发动机;
获取车辆的多段历史行程的步骤,具体包括:
获取预设时间段内车辆的历史行驶数据;所述历史行驶数据包括行驶路径和位置信息;
根据所述位置信息和发动机状态将所述行驶路径切分为所述多段历史行程。
3.如权利要求1所述的车辆类型的识别方法,其特征在于,计算每段历史行程中乘客车门开启的频繁度的步骤,具体包括:
检测每段历史行程中乘客车门开启的次数;
根据所述次数计算所述频繁度。
4.如权利要求3所述的车辆类型的识别方法,其特征在于,根据所述次数和所述历史行程的距离计算所述频繁度的步骤之后,还包括:
对所述频繁度进行标准化处理,然后执行判断车辆类型的步骤。
5.如权利要求1所述的车辆类型的识别方法,其特征在于,根据所述直线距离和所述历史行程的行驶里程计算所述行程曲率的步骤之后,还包括:
对所述行程曲率进行标准化处理,然后执行判断车辆类型的步骤。
6.一种车辆类型的识别系统,其特征在于,所述识别系统包括:
获取模块,用于获取车辆的多段历史行程;
计算模块,用于计算每段历史行程的行程曲率和乘客车门开启的频繁度;
判断模块,用于根据所述多段历史行程的频繁度和行程曲率判断所述车辆类型;
所述车辆类型包括全职网约车和兼职网约车;
所述计算模块还包括:
距离计算单元,用于计算每段历史行程的起点与终点的直线距离;
曲率计算单元,用于根据所述直线距离和所述历史行程的行驶里程计算所述行程曲率;
所述判断模块具体包括:
评分计算单元,用于根据所述频繁度和所述行程曲率计算每段历史行程的行驶评分;
汇总单元,用于汇总所述多段历史行程的行驶评分,得到所述车辆的总分值;
判断单元,用于根据所述总分值判断所述车辆类型。
7.如权利要求6所述的车辆类型的识别系统,其特征在于,所述车辆包括发动机;
所述获取模块具体包括:
数据获取单元,用于获取预设时间段内车辆的历史行驶数据;所述历史行驶数据包括行驶路径和位置信息;
切分单元,用于根据所述位置信息和发动机状态将所述行驶路径切分为所述多段历史行程。
8.如权利要求6所述的车辆类型的识别系统,其特征在于,所述计算模块具体包括:
检测单元,用于检测每段历史行程中乘客车门开启的次数;
频繁度计算单元,用于根据所述次数计算所述频繁度。
9.如权利要求8所述的车辆类型的识别系统,其特征在于,所述计算模块还包括:
处理单元,用于对所述频繁度进行标准化处理,然后调用所述判断模块。
10.如权利要求9所述的车辆类型的识别系统,其特征在于,所述处理单元还用于对所述行程曲率进行标准化处理。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910271046.XA CN109887292B (zh) | 2019-04-04 | 2019-04-04 | 车辆类型的识别方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910271046.XA CN109887292B (zh) | 2019-04-04 | 2019-04-04 | 车辆类型的识别方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109887292A CN109887292A (zh) | 2019-06-14 |
CN109887292B true CN109887292B (zh) | 2022-01-25 |
Family
ID=66936162
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910271046.XA Active CN109887292B (zh) | 2019-04-04 | 2019-04-04 | 车辆类型的识别方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109887292B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN112208336B (zh) * | 2019-12-30 | 2022-02-15 | 蜂巢能源科技有限公司 | 车辆用途识别方法及装置 |
CN113610257B (zh) * | 2021-08-16 | 2022-12-06 | 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 |
CN114626453A (zh) * | 2022-03-10 | 2022-06-14 | 平安科技(深圳)有限公司 | 车辆识别方法、识别系统、设备及介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107153906A (zh) * | 2017-03-21 | 2017-09-12 | 北京工业大学 | 一种出租车违法行为判定方法及系统 |
CN108645422A (zh) * | 2018-06-20 | 2018-10-12 | 郑州云海信息技术有限公司 | 一种车辆用户行为特征的分析方法、系统及装置 |
CN108648453A (zh) * | 2018-05-15 | 2018-10-12 | 北京百益高科信息技术有限公司 | 一种基于手机位置更新信息进行交通出行数据画像的方法 |
CN108717784A (zh) * | 2018-05-21 | 2018-10-30 | 杭州优行科技有限公司 | 网约车监管方法、装置及计算机可读存储介质 |
CN108846383A (zh) * | 2018-07-06 | 2018-11-20 | 中创国联(北京)文化旅游产业发展有限公司 | 一种基于身份识别的客车旅客沿途安全管理系统和方法 |
Family Cites Families (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP3783525B2 (ja) * | 2000-05-18 | 2006-06-07 | 株式会社デンソー | 平均車速算出装置及び記録媒体 |
US20130046562A1 (en) * | 2009-11-06 | 2013-02-21 | Jeffrey Taylor | Method for gathering, processing, and analyzing data to determine the risk associated with driving behavior |
CN102778238A (zh) * | 2012-07-30 | 2012-11-14 | 南京信息工程大学 | 一种基于车辆识别的行驶里程统计装置及其工作方法 |
JP5939230B2 (ja) * | 2013-11-05 | 2016-06-22 | トヨタ自動車株式会社 | 車両位置同定システム及び車両位置同定方法 |
CN105365592B (zh) * | 2015-10-30 | 2018-01-09 | 北京新能源汽车股份有限公司 | 电动汽车的剩余续航里程估计方法、系统及电动汽车 |
CN106683227B (zh) * | 2015-11-06 | 2019-03-15 | 上海汽车集团股份有限公司 | 车辆行程划分方法及装置 |
CN105702042B (zh) * | 2016-04-22 | 2018-06-26 | 北京国交信通科技发展有限公司 | 根据重点营运车辆定位信息判断公路拥堵的方法 |
US11244252B2 (en) * | 2017-06-21 | 2022-02-08 | Chian Chiu Li | Autonomous driving under user instructions and hailing methods |
-
2019
- 2019-04-04 CN CN201910271046.XA patent/CN109887292B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107153906A (zh) * | 2017-03-21 | 2017-09-12 | 北京工业大学 | 一种出租车违法行为判定方法及系统 |
CN108648453A (zh) * | 2018-05-15 | 2018-10-12 | 北京百益高科信息技术有限公司 | 一种基于手机位置更新信息进行交通出行数据画像的方法 |
CN108717784A (zh) * | 2018-05-21 | 2018-10-30 | 杭州优行科技有限公司 | 网约车监管方法、装置及计算机可读存储介质 |
CN108645422A (zh) * | 2018-06-20 | 2018-10-12 | 郑州云海信息技术有限公司 | 一种车辆用户行为特征的分析方法、系统及装置 |
CN108846383A (zh) * | 2018-07-06 | 2018-11-20 | 中创国联(北京)文化旅游产业发展有限公司 | 一种基于身份识别的客车旅客沿途安全管理系统和方法 |
Also Published As
Publication number | Publication date |
---|---|
CN109887292A (zh) | 2019-06-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109887292B (zh) | 车辆类型的识别方法及系统 | |
CN109903553B (zh) | 多源数据挖掘的公交车上下车站点识别和检验方法 | |
CN107918826B (zh) | 一种驾驶环境感知的司机评价与调度方法 | |
CN106314438A (zh) | 一种司机驾驶轨迹中异常轨迹的检测方法和系统 | |
CN109903555B (zh) | 一种基于大数据的公交乘客下车数据预测方法及系统 | |
EP3162651A1 (en) | Driver profiling system and method | |
CN105931068A (zh) | 一种持卡人消费画像的生成方法及装置 | |
CN105390013A (zh) | 一种利用公交ic卡预测公交到站时间的方法 | |
CN111932925A (zh) | 一种公共交通站点的出行客流的确定方法、装置及系统 | |
CN112767684A (zh) | 一种基于收费数据的高速公路交通拥堵检测方法 | |
CN112734219A (zh) | 一种车辆运输行驶行为分析方法及系统 | |
Zhao et al. | Isolating high-priority metro and feeder bus transfers using smart card data | |
CN115713858A (zh) | 一种基于交通大数据的智慧交通运行管控系统 | |
CN109615036B (zh) | 一种基于公汽ic刷卡系统的细颗粒物暴露风险评估方法 | |
Guo et al. | Exploring potential travel demand of customized bus using smartcard data | |
CN113658433B (zh) | 一种基于公交刷卡扫码数据提取客流特征的方法 | |
CN116542466A (zh) | 一种基于数据分析的资产全周期管理系统 | |
CN112700473B (zh) | 一种基于图像识别进行车厢拥挤度判断系统 | |
CN110020666B (zh) | 一种基于乘客行为模式的公共交通广告投放方法及系统 | |
CN114333320B (zh) | 基于rfid的车辆驾驶行为风险评估系统 | |
CN111241162A (zh) | 高速铁路成网条件下旅客出行行为分析方法及存储介质 | |
CN114757447B (zh) | 一种多模型混合的客运枢纽站客流量预测方法及系统 | |
CN113361885B (zh) | 一种基于多源数据的双目标城市公交效益评价方法 | |
CN114331181A (zh) | 基于大数据的车辆驾驶行为风险分析方法 | |
CN111489556B (zh) | 一种营运车辆挂靠行为的判断方法 |
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 |