CN109978075B - 车辆虚假位置信息识别方法、装置、电子设备、存储介质 - Google Patents
车辆虚假位置信息识别方法、装置、电子设备、存储介质 Download PDFInfo
- Publication number
- CN109978075B CN109978075B CN201910275364.3A CN201910275364A CN109978075B CN 109978075 B CN109978075 B CN 109978075B CN 201910275364 A CN201910275364 A CN 201910275364A CN 109978075 B CN109978075 B CN 109978075B
- Authority
- CN
- China
- Prior art keywords
- vehicle
- positioning
- historical
- data
- cluster
- 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
Classifications
-
- 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
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Probability & Statistics with Applications (AREA)
- Navigation (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明提供一种车辆虚假位置信息识别方法、装置、电子设备、存储介质,车辆虚假位置信息识别方法包括:获取车辆历史定位数据,以形成车辆定位集合;利用第一聚类算法,将所述车辆定位集合聚合为不设定数量的多个第一簇;利用第二聚类算法,将每个所述第一簇聚合为设定数量的多个第二簇,以获得每个第二簇的质心;根据所获得的多个质心生成一常驻地集合;获取待识别的车辆位置数据;以及根据待识别的车辆位置数据与所述常驻地集合的匹配,判断待识别的车辆位置数据是否虚假。本发明提供的方法及装置实现车辆虚假位置信息的识别。
Description
技术领域
本发明涉及车联网技术领域,尤其涉及一种车辆虚假位置信息识别方法、装置、电子设备、存储介质。
背景技术
物流业作为国民经济基础产业,融合了道路运输业、仓储业和信息业等多个产业,涉及领域广。现代物流借助现代科技特别是计算机网络技术的力量,对社会现有的物流资源进行整合,实现物品从生产地到消费地的快递、准确和低成本转移的全过程,获取物流资源在时间和空间上的最优配置,因此,为车找货和为货找车提供全面的物流信息服务的基于移动互联网技术开发的手机信息物流配货安全平台也获得越来越多的关注。如何判别平台车辆中是否存在虚假注册地,或者由于刷单等造成的虚假订单等风险控制成为急需解决的问题。
由于载重汽车在运输行进过程中周围环境变化较多,车载终端信号极难保证一直处于优良状态,故载重汽车位置数据传输的频率不稳定且存在间断性。若单一仅靠上传位置信息的次数来判断载重汽车的常驻地是十分不准确的。并且,载重汽车处于长时间长距离的行进状态,经纬度位置数据通常每三十秒上传一次,总行程数据量较多且差距较大,因此,需要寻求一种较合理的位置数据处理方式,以对车辆虚假位置信息进行识别。
发明内容
本发明为了克服上述相关技术存在的缺陷,提供一种车辆虚假位置信息识别方法、装置、电子设备、存储介质,进而至少在一定程度上克服由于相关技术的限制和缺陷而导致的一个或者多个问题。
根据本发明的一个方面,提供车辆虚假位置信息识别方法,包括:
获取车辆历史定位数据,以形成车辆定位集合;
利用第一聚类算法,将所述车辆定位集合聚合为不设定数量的多个第一簇;
利用第二聚类算法,将每个所述第一簇聚合为设定数量的多个第二簇,以获得每个第二簇的质心;
根据所获得的多个质心生成一常驻地集合;
获取待识别的车辆位置数据;以及
根据待识别的车辆位置数据与所述常驻地集合的匹配,判断待识别的车辆位置数据是否虚假。
可选地,所述获取车辆历史定位数据,以形成车辆定位集合包括:
获取车辆历史定位数据及采集该历史定位数据的时刻;
根据车辆历史定位数据计算相邻时刻的两个车辆历史定位之间的距离;
根据相邻时刻的两个车辆历史定位之间的距离及该相邻时刻的时间差计算车辆在该相邻时刻内的平均速度;以及
若所述平均速度小于预定速度阈值,则将该相邻时刻采集的历史定位数据加入所述车辆定位集合。
可选地,所述第一聚类算法为DBSCAN算法。
可选地,所述利用第一聚类算法,将所述车辆定位集合聚合为多个第一簇包括:
a.根据设定的邻域距离及邻域距离内定位数据数目阈值,将所述车辆定位集合的各历史定位数据中,邻域距离内定位数据数目大于等于邻域距离内定位数据数目阈值的历史定位数据作为核心定位点,并加入一核心定位集合;
b.自所述核心定位集合随机选取一核心定位点;
c.将所述车辆定位集合中,将该核心定位点及自该核心定位点密度可达的历史定位数据加入当前生成的第一簇中,并将当前生成的准第一簇中的历史定位数据自所述车辆定位集合移除;
d.将所述核心定位集合中,自该核心定位点密度可达的核心定位点加入一待匹配定位集合,并将加入一待匹配定位集合的核心定位点自所述核心定位集合移除;
e.自所述待匹配定位集合中,随机选取一核心定位点,将该核心定位点自所述待匹配定位集合移除;
f.重复执行步骤c至e直到所述待匹配定位集合为空集,将当前的准第一簇作为当前生成的第一簇;
g.重复执行步骤b至f直到所述核心定位集合为空集,获得生成的多个第一簇。
可选地,所述步骤g之后还包括:
根据生成的多个第一簇,计算各第一簇中各历史定位数据的轮廓系数的均值;以及
当所述轮廓系数的均值小于轮廓系数阈值时,调整设定的邻域距离及邻域距离内定位数据数目阈值,重新执行步骤b至g。
可选地,所述第二聚类算法为K-MEANS算法。
可选地,所述利用第二聚类算法,将每个所述第一簇聚合为多个第二簇,以获得每个第二簇的质心包括:
对每个第一簇进行至少一次质心迭代以获得每个第二簇的质心,其中,
本次质心迭代的各历史定位数据其与根据上一次质心迭代的所有质心的距离进行聚类以划分多个第二簇,并根据本次质心迭代的划分的第二簇更新质心,直到本次质心迭代更新的质心与上一次质心迭代的质心的距离差值小于预设阈值。
可选地,所述获取待识别的车辆位置数据包括:
获取车辆关联的注册地,历史订单及当前订单的起始地和终止地作为待识别的车辆位置数据。
可选地,所述根据待识别的车辆位置数据与所述常驻地集合的匹配,判断待识别的车辆位置数据是否虚假包括:
当车辆关联的注册地,历史订单及当前订单的起始地和终止地命中所述常驻地集合时,向该车辆分配权重分数;
当该车辆所获得的权重分数之和小于预设分数阈值时,判断待识别的车辆位置数据虚假。
根据本发明的又一方面,还提供一种车辆虚假位置信息识别装置,包括:
第一获取模块,用于获取车辆历史定位数据,以形成车辆定位集合;
第一聚类模块,用于利用第一聚类算法,将所述车辆定位集合聚合为不设定数量的多个第一簇;
第二聚类模块,用于利用第二聚类算法,将每个所述第一簇聚合为设定数量的多个第二簇,以获得每个第二簇的质心;
集合生成模块,用于根据所获得的多个质心生成一常驻地集合;
第二获取模块,用于获取待识别的车辆位置数据;以及
判断模块,用于根据待识别的车辆位置数据与所述常驻地集合的匹配,判断待识别的车辆位置数据是否虚假。
根据本发明的又一方面,还提供一种电子设备,所述电子设备包括:处理器;存储介质,其上存储有计算机程序,所述计算机程序被所述处理器运行时执行如上所述的步骤。
根据本发明的又一方面,还提供一种存储介质,所述存储介质上存储有计算机程序,所述计算机程序被处理器运行时执行如上所述的步骤。
相比现有技术,本发明的优势在于:
考虑到车辆的行驶导致聚类的簇的数量难以预先设定以实现聚合度较高的簇,因此,选取无需设定簇数量的第一聚类算法对车辆定位集合进行初步聚类,在初步聚类成多个第一簇后,对每个第一簇通过需要预选设定簇数量的第二聚类算法进行进一步地聚类,从而获取更可靠的质心,从而根据车辆历史定位数据确定车辆常住地集合。再依据常驻地集合与待识别的车辆位置数据的匹配来对判断待识别的车辆位置数据是否为虚假数据,由此,通过合理的位置数据处理来进行车辆虚假位置信息识别,从而提高物流配货平台的风控安全及车辆的有效管理。
附图说明
通过参照附图详细描述其示例实施方式,本发明的上述和其它特征及优点将变得更加明显。
图1示出了根据本发明实施例的车辆虚假位置信息识别方法的流程图。
图2示出了根据本发明实施例的生成车辆定位集合的流程图。
图3至图4示出了根据本发明实施例的第一聚类算法的示意图。
图5至图8示出了根据本发明实施例的第二聚类算法的示意图。
图9示出了根据本发明实施例的车辆虚假位置信息识别装置的模块图。
图10示意性示出本发明示例性实施例中一种计算机可读存储介质示意图。
图11示意性示出本发明示例性实施例中一种电子设备示意图。
具体实施方式
现在将参考附图更全面地描述示例实施方式。然而,示例实施方式能够以多种形式实施,且不应被理解为限于在此阐述的范例;相反,提供这些实施方式使得本发明将更加全面和完整,并将示例实施方式的构思全面地传达给本领域的技术人员。所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施方式中。
此外,附图仅为本发明的示意性图解,并非一定是按比例绘制。图中相同的附图标记表示相同或类似的部分,因而将省略对它们的重复描述。附图中所示的一些方框图是功能实体,不一定必须与物理或逻辑上独立的实体相对应。可以采用软件形式来实现这些功能实体,或在一个或多个硬件模块或集成电路中实现这些功能实体,或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。
附图中所示的流程图仅是示例性说明,不是必须包括所有的步骤。例如,有的步骤还可以分解,而有的步骤可以合并或部分合并,因此,实际执行的顺序有可能根据实际情况改变。
图1示出了根据本发明实施例的车辆虚假位置信息识别方法的流程图。车辆虚假位置信息识别方法包括如下步骤:
步骤S110:获取车辆历史定位数据,以形成车辆定位集合。
步骤S120:利用第一聚类算法,将所述车辆定位集合聚合为不设定数量的多个第一簇。
步骤S130:利用第二聚类算法,将每个所述第一簇聚合为设定数量的多个第二簇,以获得每个第二簇的质心。
步骤S140:根据所获得的多个质心生成一常驻地集合。
步骤S150:获取待识别的车辆位置数据。以及
步骤S160:根据待识别的车辆位置数据与所述常驻地集合的匹配,判断待识别的车辆位置数据是否虚假。
在本发明提供的车辆虚假位置信息识别方法中,考虑到车辆的行驶导致聚类的簇的数量难以预先设定以实现聚合度较高的簇,因此,选取无需设定簇数量的第一聚类算法对车辆定位集合进行初步聚类,在初步聚类成多个第一簇后,对每个第一簇通过需要预选设定簇数量的第二聚类算法进行进一步地聚类,从而获取更可靠的质心,从而根据车辆历史定位数据确定车辆常住地集合。再依据常驻地集合与待识别的车辆位置数据的匹配来对判断待识别的车辆位置数据是否为虚假数据,由此,通过合理的位置数据处理来进行车辆虚假位置信息识别,从而提高物流配货平台的风控安全及车辆的有效管理。
在本发明的一些实施例中,上述步骤S110的具体实现可以参见图2,图2示出了根据本发明实施例的生成车辆定位集合的流程图。图2共示出如下步骤:
步骤S111:获取车辆历史定位数据及采集该历史定位数据的时刻。
具体而言,可以通过车载终端获取车辆历史定位数据及采集该历史定位数据的时刻。车辆历史定位数据可以以经纬度的形式储存在云端平台。步骤S111可以自车载终端获取数据也可以自云端平台获取数据,本发明并非以此为限制。
步骤S112:根据车辆历史定位数据计算相邻时刻的两个车辆历史定位之间的距离。
具体而言,可以对经纬度进行储存的车辆历史定位数据按照以下公式处理,计算得出相邻时刻的两个车辆历史定位之间的距离:
其中,Lat1,Lung1表示A点经纬度,Lat2,Lung2表示B点经纬度,a=Lat1-Lat2为两点纬度之差,b=Lung1-Lung2为两点经度之差,r为地球半径,计算结果S单位为千米。
步骤S113:根据相邻时刻的两个车辆历史定位之间的距离及该相邻时刻的时间差计算车辆在该相邻时刻内的平均速度。
具体而言,利用上述计算获得的S除以相邻时刻的时间差以获得该相邻时刻内的平均速度。
步骤S114:若所述平均速度小于预定速度阈值,则将该相邻时刻采集的历史定位数据加入所述车辆定位集合。
具体而言,考虑到载重汽车多为长时间长距离行进,地理位置数据多且冗余,而需要输出的结果为车辆常驻地,故通过步骤S112至步骤S114对数据进行筛选,将行进时的车辆历史定位数据筛除。考虑到由于信号强度不稳定等因素,在车辆静止时存在地址位置数据漂移的情况,故选出速度小于预定速度阈值的历史定位数据加入所述车辆定位集合。预定速度阈值例如可以设定为6~7km/h,可以依车载终端的定位模块的漂移情况而定,本发明并非以此为限。
进一步地,例如对于车辆历史定位数据及采集该历史定位数据的时刻xA,tA;xB,tB;xC,tC;xD,tD;xE,tE……,当计算tA时刻和tB时刻之间的平均速度小于预定速度阈值,则将车辆历史定位数据xA和xB加入所述车辆定位集合;tB时刻和tC时刻之间的平均速度大于预定速度阈值,则不将车辆历史定位数据xC加入所述车辆定位集合(无需自车辆定位集合移除xB);tC时刻和tD时刻之间的平均速度大于预定速度阈值,则不将车辆历史定位数据xC和xD加入所述车辆定位集合;tD时刻和tE时刻之间的平均速度小于预定速度阈值,则将车辆历史定位数据xD和xE加入所述车辆定位集合,以此类推。本发明并非以此为限制。
在本发明的一些实施例中,上述步骤S120中,所述第一聚类算法为DBSCAN算法。
在该实施例中,所述步骤S120利用第一聚类算法,将所述车辆定位集合聚合为不设定数量的多个第一簇可以包括如下步骤:
a.根据设定的邻域距离及邻域距离内定位数据数目阈值,将所述车辆定位集合的各历史定位数据中,邻域距离内定位数据数目大于等于邻域距离内定位数据数目阈值的历史定位数据作为核心定位点,并加入一核心定位集合;
b.自所述核心定位集合随机选取一核心定位点;
c.将所述车辆定位集合中,将该核心定位点及自该核心定位点密度可达的历史定位数据加入当前生成的第一簇中,并将当前生成的准第一簇中的历史定位数据自所述车辆定位集合移除;
d.将所述核心定位集合中,自该核心定位点密度可达的核心定位点加入一待匹配定位集合,并将加入一待匹配定位集合的核心定位点自所述核心定位集合移除;
e.自所述待匹配定位集合中,随机选取一核心定位点,将该核心定位点自所述待匹配定位集合移除;
f.重复执行步骤c至e直到所述待匹配定位集合为空集,将当前的准第一簇作为当前生成的第一簇;
g.重复执行步骤b至f直到所述核心定位集合为空集,获得生成的多个第一簇。
在一些具体实施例中,对于车辆定位集合D={x1,x2,…,xm},上述步骤可以按如下算法来实现:
1)设定初始化核心定位集合初始化聚类簇数k=0,邻域的距离阈值为ε,MinPts阈值为§,初始化未访问样本集合Г=D,簇划分为集合对于j=1,2,…,m,通过距离度量方式找到历史定位数据xj的ε-邻域子样本集Nε(xj),若子样本集样本个数满足|Nε(xj)|≥MinPts,将样本xj加入核心定位集合:Ω=Ω∪{xj}。
具体而言,距离阈值ε:定义为和历史定位数据距离超过ε的样本点不在该历史定位数据的ε-邻域内。一般需要通过在多组值里面选择一个合适的阈值。距离阈值ε过大,则更多的点会落在核心定位点的ε-邻域,此时我们的类别数可能会减少,本来不应该是一类的样本也会被划为一类。反之则类别数可能会增大,本来是一类的样本却被划分开。MinPts:定义为历史定位数据距离要成为核心定位点其ε-邻域的所需的历史定位数据的数量阈值。一般需要通过在多组值里面选择一个合适的阈值。通常和ε一起调参。在ε一定的情况下,MinPts过大,则核心定位点会过少,此时簇内部分本来是一类的样本可能会被标为噪音点,类别数也会变多。反之MinPts过小的话,则会产生大量的核心定位点,可能会导致类别数过少。
参数都是根据实际数据进行调整,本发明数据较多,距离较大,经实验,ε取距离阈值可以为10至20,MinPts设置为70至90,效果最好。
2)判断核心定位集合Ω是否为0,若Ω=0则结束算法,否则转入步骤3)。
3)在核心定位集合Ω中,随机选择一个核心定位点o,初始化当前第一簇的待匹配定位集合Ωnow={o},初始化类别序列号k=k+1,初始化当前第一簇样本集合Ck={o},更新未访问样本集合=Г-{o}。
5)在当前第一簇待匹配定位集合Ωnow中取出一个核心对象o’,通过邻域距离阈值ε找出所有的ε-邻域子样本集Nε(o’),令Δ=Nε(o′)∩Γ,更新当前第一簇样本集合Ck=Ck∪Δ,更新未访问样本集合Γ=Γ-Δ,更新Ωnow=Ωnow∪(Δ∩Ω)-o′,转入步骤4)。
下面结合图3和图4的实施例说明上述算法的过程。
如图3,车辆定位集合D={x1,x2,…,x13},其中,x1=(1,2);x2=(2,1);x3=(2,4);x4=(4,3);x5=(5,8);x6=(6,7);x7=(6,9);x8=(7,9);x9=(9,5);x10=(1,12);x11=(3,12);x12=(5,12);x13=(3,3)。设定邻域的距离阈值为ε=3,MinPts阈值为§=3。
首先,执行步骤1),初始化核心定位集合初始化聚类簇数k=0,初始化未访问样本集合Г=D,簇划分为集合对于j=1,2,…,13,通过距离度量方式找到历史定位数据xj的ε-邻域子样本集Nε(xj),若子样本集样本个数满足|Nε(xj)|≥MinPts,将样本xj加入核心定位集合:Ω=Ω∪{xj}。获得Ω={x1,x2,…,x8,x11,x13}。
然后执行步骤2)判断Ω不为空,执行步骤3),在核心定位集合Ω中,随机选择一个核心定位点o=x1,初始化当前第一簇的待匹配定位集合Ωnow={x1},初始化类别序列号k=k+1=1,初始化当前第一簇样本集合C1={x1},更新未访问样本集合Г=Г-{x1}={x2,…,x13}。
然后执行步骤4)判断当前第一簇的待匹配定位集合Ωnow不为空,执行步骤5)在当前第一簇待匹配定位集合Ωnow={x1}中取出一个核心对象o’=x1,通过邻域距离阈值ε找出所有的ε-邻域子样本集Nε(x1)={x1,x2,x3,x13},令Δ=Nε(o′)∩Γ={x1,x2,x3,x13},更新当前第一簇样本集合C1={x1,x2,x3,x13},更新未访问样本集合Γ=Γ-Δ={x4,…,x12},更新Ωnow=Ωnow∪(Δ∩Ω)-o′={x2,x3,x13},转入步骤4)。
步骤4)判断当前第一簇的待匹配定位集合Ωnow不为空,执行步骤5)在当前第一簇待匹配定位集合Ωnow={x2,x3,x13}中取出一个核心对象o’=x2,通过邻域距离阈值ε找出所有的ε-邻域子样本集Nε(x2)={x1,x2,x3,x4,x13},令Δ=Nε(o′)∩Γ={x4},更新当前第一簇样本集合C1={x1,x2,x3,x4,x13},更新未访问样本集合Γ=Γ-Δ={x5,…,x12},更新Ωnow=Ωnow∪(Δ∩Ω)-o′={x3,x4,x13},转入步骤4)。
步骤4)判断当前第一簇的待匹配定位集合Ωnow不为空,执行步骤5)在当前第一簇待匹配定位集合Ωnow={x3,x4,x13}中取出一个核心对象o’=x3,通过邻域距离阈值ε找出所有的ε-邻域子样本集Nε(x3)={x1,x2,x3,x4,x13},令Δ=Nε(o′)∩Γ为空集,更新当前第一簇样本集合C1={x1,x2,x3,x4,x13},更新未访问样本集合Γ=Γ-Δ={x5,…,x12},更新Ωnow=Ωnow∪(Δ∩Ω)-o′={x4,x13},转入步骤4)。
步骤4)判断当前第一簇的待匹配定位集合Ωnow不为空,执行步骤5)当前第一簇待匹配定位集合Ωnow={x4,x13}中取出一个核心对象o’=x4时,第一簇样本集合C1={x1,x2,x3,x4,x13},Ωnow=Ωnow∪(Δ∩Ω)-o′={x13}。
步骤4)判断当前第一簇的待匹配定位集合Ωnow不为空,执行步骤5)当前第一簇待匹配定位集合Ωnow={x13}中取出一个核心对象o’=x13时,第一簇样本集合C1={x1,x2,x3,x4,x13},Ωnow=Ωnow∪(Δ∩Ω)-o′为空集。
步骤4)判断当前第一簇的待匹配定位集合Ωnow为空,更新第一簇划分C={C1},更新核心定位集合Ω=Ω-Ck={x5,…,x8,x11,x13},转入步骤2)。
步骤2)判断Ω不为空,执行步骤3),在核心定位集合Ω中,随机选择一个核心定位点o=x5,初始化当前第一簇的待匹配定位集合Ωnow={x5},初始化类别序列号k=k+1=2,初始化当前第一簇样本集合C2={x5},更新未访问样本集合Г=Г-{x5}={x6,…,x12}。
然后执行步骤4)判断当前第一簇的待匹配定位集合Ωnow不为空,执行步骤5)在当前第一簇待匹配定位集合Ωnow={x5}中取出一个核心对象o’=x5,通过邻域距离阈值ε找出所有的ε-邻域子样本集Nε(x5)={x5,x6,x7,x8},令Δ=Nε(o′)∩Γ={x5,x6,x7,x8},更新当前第一簇样本集合C2={x5,x6,x7,x8},更新未访问样本集合Γ=Γ-Δ={x9,…,x12},更新Ωnow=Ωnow∪(Δ∩Ω)-o′={x6,x7,x8},转入步骤4)。
以此类推,获得如图4所示的聚类C={C1,C2,C3},其中,C1={x1,x2,x3,x4,x13},C2={x5,x6,x7,x8},C3={x10,x11,x12}。
以上仅仅是以少量的历史定位数据来描述本发明提供的第一聚类算法,本发明并非以此为限制。
在本发明的一些具体实施例中,经由上述第一聚类算法进行聚类的多个第一簇需要通过轮廓系数来判断当前簇划分是否合适。
例如,在生成的多个第一簇之后还可以包括如下步骤:
根据生成的多个第一簇,计算各第一簇中各历史定位数据的轮廓系数的均值。其中,每个历史定位数据的轮廓系数q(j)根据如下公式计算:
其中,a(j)为样本xj到同簇其他样本的平均距离,b(j)为样本xj到其他某簇的所有样本的平均距离。
当所述轮廓系数的均值小于轮廓系数阈值时,调整设定的邻域距离及邻域距离内定位数据数目阈值,重新执行前述步骤。
具体而言,轮廓系数的范围是-1到1。轮廓系数q(j)值越接近1,表示样本j聚类越合理;越接近-1,表示样本j应该分类到另外的簇中;近似为0,表示样本j应该在边界上。本实施例中,本专利取的聚类结果轮廓系数阈值为0.75至0.95中的任一数值。
在本发明的一些实施例中,上述步骤S130中,所述第二聚类算法为K-MEANS算法。所述步骤S130利用第二聚类算法,将每个所述第一簇聚合为多个第二簇,以获得每个第二簇的质心可以包括如下步骤:
对每个第一簇进行至少一次质心迭代以获得每个第二簇的质心,其中,
本次质心迭代的各历史定位数据其与根据上一次质心迭代的所有质心的距离进行聚类以划分多个第二簇,并根据本次质心迭代的划分的第二簇更新质心,直到本次质心迭代更新的质心与上一次质心迭代的质心的距离差值小于预设阈值。
具体而言,上述步骤可以按如下算法表示:
从当前第一簇中任意选择p个(p为设定数量)历史定位数据作为第一质心,其中,p为大于1的整数;
计算当前第一簇中的n个历史定位数据与p个第一质心之间的距离,n为大于等于1的整数;
将n个历史定位数据关联距离其最近的第一质心,形成p个第二簇;
计算该p个第二簇的中心作为第二质心;
判断该p个第二簇的第二质心与第一质心的差值是否小于预设阈值;
若是,则输出该p个第二簇的第二质心;
若否,则将该P个第二簇的第二质心作为第一质心进行迭代。
由此,对k个第一簇进行第二聚类算法以获得k*p个质心。
如图5至图8所示,从第一簇302中任意选择2个点作为第一质心313F和313G。第一簇302的5个历史定位数据(所有历史定位数据311A至311E)与2个第一质心313F和313G之间的距离。例如,可以采用欧式距离算法根据各历史定位数据的地理位置(经度纬度)来计算历史定位数据和第一质心之间的距离。将5个历史定位数据311A至311E关联距离其最近的第一质心313F和313G,形成2个第二簇。如图5,2个历史定位数据311A和311B关联距离其最近的第一质心313F;3个历史定位数据311C至311E关联距离其最近的第一质心313G。然后,计算该2个第二簇的中心作为第二质心314F和314G,如图6所示,历史定位数据311A和311B的中心为第二质心314F,历史定位数据311C至311E的中心为第二质心314G。然后,判断该2个聚类的第二质心314F和314G与第一质心313F和313G的差值是否小于预设阈值(在允许的情况下,优选地判断条件为第二质心与第一质心相同)。在本实施例中,第二质心314F和314G与第一质心313F和313G不同,因此,将该2个第二簇的第二质心314F和314G作为第一质心进行迭代。即,3个历史定位数据311A至311C关联距离其最近的第一质心314F;2个历史定位数据311D和311E关联距离其最近的第一质心314G(如图6)。然后,计算该2个第二簇的中心作为第二质心315F和315G,如图7所示,历史定位数据311A至311C的中心为第二质心315F,历史定位数据311D和311E的中心为第二质心315G。然后,判断该2个第二簇的第二质心315F和315G与第一质心314F和314G是否相同。在本实施例中,第二质心314F和314G与第一质心313F和313G不同,因此,将该2个第二簇的第二质心315F和315G作为第一质心进行迭代,迭代后发现,再次生成的第二质心与第一质心315F和315G一致,由此,将质心315F和315G作为第一簇302的两个质心(如图8所示)。
以上仅仅是示意性地描述本发明的第二聚类算法,本发明并非以此为限制。
在本发明的一些实施例中,所述步骤S150获取待识别的车辆位置数据包括:获取车辆关联的注册地,历史订单及当前订单的起始地和终止地作为待识别的车辆位置数据。
在该实施例中,所述步骤S160根据待识别的车辆位置数据与所述常驻地集合的匹配,判断待识别的车辆位置数据是否虚假包括:当车辆关联的注册地,历史订单及当前订单的起始地和终止地命中所述常驻地集合时,向该车辆分配权重分数;当该车辆所获得的权重分数之和小于预设分数阈值时,判断待识别的车辆位置数据虚假。
具体而言,根据第二聚类算法输出的质心映射到街道、区、市中任一项以生成常驻地集合。当车辆关联的注册地命中该常驻地集合时,向该车辆分配权重分数a(若未命中,则不分配分数);当车辆关联的历史订单及当前订单的起始地和终止地命中该常驻地集合时,向该车辆分配权重分数b(若未命中,则不分配分数)。在一些实施例中,当多个订单的情况下,可以将其权重分数的平均值作为订单的位置命中的权重分数。由此,可以获得待识别的车辆位置数据的权重分数之和,并由此可以对车辆进行排序,将最低的10%(根据排序确定预设分数阈值,本发明并非以此为限制)的车辆确定为待识别的车辆位置数据虚假。
上仅仅是本发明提供的一个或多个具体实现方式,本发明并非以为限制。
图9示出了根据本发明实施例的车辆虚假位置信息识别装置的模块图。车辆虚假位置信息识别装置400包括第一获取模块410、第一聚类模块420、第二聚类模块430、集合生成模块440、第二获取模块450及判断模块460。
第一获取模块410用于获取车辆历史定位数据,以形成车辆定位集合;
第一聚类模块420用于利用第一聚类算法,将所述车辆定位集合聚合为不设定数量的多个第一簇;
第二聚类模块430用于利用第二聚类算法,将每个所述第一簇聚合为设定数量的多个第二簇,以获得每个第二簇的质心;
集合生成模块440用于根据所获得的多个质心生成一常驻地集合;
第二获取模块450用于获取待识别的车辆位置数据;以及
判断模块460用于根据待识别的车辆位置数据与所述常驻地集合的匹配,判断待识别的车辆位置数据是否虚假。
在本发明提供的车辆虚假位置信息识别装置中,考虑到车辆的行驶导致聚类的簇的数量难以预先设定以实现聚合度较高的簇,因此,选取无需设定簇数量的第一聚类算法对车辆定位集合进行初步聚类,在初步聚类成多个第一簇后,对每个第一簇通过需要预选设定簇数量的第二聚类算法进行进一步地聚类,从而获取更可靠的质心,从而根据车辆历史定位数据确定车辆常住地集合。再依据常驻地集合与待识别的车辆位置数据的匹配来对判断待识别的车辆位置数据是否为虚假数据,由此,通过合理的位置数据处理来进行车辆虚假位置信息识别,从而提高物流配货平台的风控安全及车辆的有效管理。
图9仅仅是示意性的示出本发明提供的车辆虚假位置信息识别装置400,在不违背本发明构思的前提下,模块的拆分、合并、增加都在本发明的保护范围之内。本发明提供的车辆虚假位置信息识别装置400可以由软件、硬件、固件、插件及他们之间的任意组合来实现,本发明并非以此为限。
在本发明的示例性实施例中,还提供了一种计算机可读存储介质,其上存储有计算机程序,该程序被例如处理器执行时可以实现上述任意一个实施例中所述车辆虚假位置信息识别方法的步骤。在一些可能的实施方式中,本发明的各个方面还可以实现为一种程序产品的形式,其包括程序代码,当所述程序产品在终端设备上运行时,所述程序代码用于使所述终端设备执行本说明书上述车辆虚假位置信息识别方法部分中描述的根据本发明各种示例性实施方式的步骤。
参考图10所示,描述了根据本发明的实施方式的用于实现上述方法的程序产品700,其可以采用便携式紧凑盘只读存储器(CD-ROM)并包括程序代码,并可以在终端设备,例如个人电脑上运行。然而,本发明的程序产品不限于此,在本文件中,可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
所述程序产品可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以为但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括:具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。
所述计算机可读存储介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了可读程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。可读存储介质还可以是可读存储介质以外的任何可读介质,该可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。可读存储介质上包含的程序代码可以用任何适当的介质传输,包括但不限于无线、有线、光缆、RF等等,或者上述的任意合适的组合。
可以以一种或多种程序设计语言的任意组合来编写用于执行本发明操作的程序代码,所述程序设计语言包括面向对象的程序设计语言—诸如Java、C++等,还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在租户计算设备上执行、部分地在租户设备上执行、作为一个独立的软件包执行、部分在租户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中,远程计算设备可以通过任意种类的网络,包括局域网(LAN)或广域网(WAN),连接到租户计算设备,或者,可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。
在本发明的示例性实施例中,还提供一种电子设备,该电子设备可以包括处理器,以及用于存储所述处理器的可执行指令的存储器。其中,所述处理器配置为经由执行所述可执行指令来执行上述任意一个实施例中所述车辆虚假位置信息识别方法的步骤。
所属技术领域的技术人员能够理解,本发明的各个方面可以实现为系统、方法或程序产品。因此,本发明的各个方面可以具体实现为以下形式,即:完全的硬件实施方式、完全的软件实施方式(包括固件、微代码等),或硬件和软件方面结合的实施方式,这里可以统称为“电路”、“模块”或“系统”。
下面参照图11来描述根据本发明的这种实施方式的电子设备500。图11显示的电子设备500仅仅是一个示例,不应对本发明实施例的功能和使用范围带来任何限制。
如图11所示,电子设备500以通用计算设备的形式表现。电子设备500的组件可以包括但不限于:至少一个处理单元510、至少一个存储单元520、连接不同系统组件(包括存储单元520和处理单元510)的总线530、显示单元540等。
其中,所述存储单元存储有程序代码,所述程序代码可以被所述处理单元510执行,使得所述处理单元510执行本说明书上述车辆虚假位置信息识别方法部分中描述的根据本发明各种示例性实施方式的步骤。例如,所述处理单元510可以执行如图1至图2所示的步骤。
所述存储单元520可以包括易失性存储单元形式的可读介质,例如随机存取存储单元(RAM)5201和/或高速缓存存储单元5202,还可以进一步包括只读存储单元(ROM)5203。
所述存储单元520还可以包括具有一组(至少一个)程序模块5205的程序/实用工具5204,这样的程序模块5205包括但不限于:操作系统、一个或者多个应用程序、其它程序模块以及程序数据,这些示例中的每一个或某种组合中可能包括网络环境的实现。
总线530可以为表示几类总线结构中的一种或多种,包括存储单元总线或者存储单元控制器、外围总线、图形加速端口、处理单元或者使用多种总线结构中的任意总线结构的局域总线。
电子设备500也可以与一个或多个外部设备600(例如键盘、指向设备、蓝牙设备等)通信,还可与一个或者多个使得租户能与该电子设备500交互的设备通信,和/或与使得该电子设备500能与一个或多个其它计算设备进行通信的任何设备(例如路由器、调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口550进行。并且,电子设备500还可以通过网络适配器560与一个或者多个网络(例如局域网(LAN),广域网(WAN)和/或公共网络,例如因特网)通信。网络适配器560可以通过总线530与电子设备500的其它模块通信。应当明白,尽管图中未示出,可以结合电子设备500使用其它硬件和/或软件模块,包括但不限于:微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。
通过以上的实施方式的描述,本领域的技术人员易于理解,这里描述的示例实施方式可以通过软件实现,也可以通过软件结合必要的硬件的方式来实现。因此,根据本发明实施方式的技术方案可以以软件产品的形式体现出来,该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM,U盘,移动硬盘等)中或网络上,包括若干指令以使得一台计算设备(可以是个人计算机、服务器、或者网络设备等)执行根据本发明实施方式的上述车辆虚假位置信息识别方法。
相比现有技术,本发明的优势在于:
考虑到车辆的行驶导致聚类的簇的数量难以预先设定以实现聚合度较高的簇,因此,选取无需设定簇数量的第一聚类算法对车辆定位集合进行初步聚类,在初步聚类成多个第一簇后,对每个第一簇通过需要预选设定簇数量的第二聚类算法进行进一步地聚类,从而获取更可靠的质心,从而根据车辆历史定位数据确定车辆常住地集合。再依据常驻地集合与待识别的车辆位置数据的匹配来对判断待识别的车辆位置数据是否为虚假数据,由此,通过合理的位置数据处理来进行车辆虚假位置信息识别,从而提高物流配货平台的风控安全及车辆的有效管理。
本领域技术人员在考虑说明书及实践这里公开的发明后,将容易想到本发明的其它实施方案。本申请旨在涵盖本发明的任何变型、用途或者适应性变化,这些变型、用途或者适应性变化遵循本发明的一般性原理并包括本发明未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的,本发明的真正范围和精神由所附的权利要求指出。
Claims (11)
1.一种车辆虚假位置信息识别方法,其特征在于,包括:
获取车辆历史定位数据,以形成车辆定位集合;
利用第一聚类算法,将所述车辆定位集合聚合为不设定数量的多个第一簇;
利用第二聚类算法,将每个所述第一簇聚合为设定数量的多个第二簇,以获得每个第二簇的质心;
根据所获得的多个质心生成一常驻地集合;
获取待识别的车辆位置数据;以及
根据待识别的车辆位置数据与所述常驻地集合的匹配,判断待识别的车辆位置数据是否虚假,
其中,所述获取车辆历史定位数据,以形成车辆定位集合包括:
获取车辆历史定位数据及采集该历史定位数据的时刻;
根据车辆历史定位数据计算相邻时刻的两个车辆历史定位之间的距离;
根据相邻时刻的两个车辆历史定位之间的距离及该相邻时刻的时间差计算车辆在该相邻时刻内的平均速度;以及
若所述平均速度小于预定速度阈值,则将该相邻时刻采集的历史定位数据加入所述车辆定位集合。
2.如权利要求1所述的车辆虚假位置信息识别方法,其特征在于,所述第一聚类算法为DBSCAN算法。
3.如权利要求2所述的车辆虚假位置信息识别方法,其特征在于,所述利用第一聚类算法,将所述车辆定位集合聚合为不设定数量的多个第一簇包括:
a.根据设定的邻域距离及邻域距离内定位数据数目阈值,将所述车辆定位集合的各历史定位数据中,邻域距离内定位数据数目大于等于邻域距离内定位数据数目阈值的历史定位数据作为核心定位点,并加入一核心定位集合;
b.自所述核心定位集合随机选取一核心定位点;
c.将所述车辆定位集合中,将该核心定位点及自该核心定位点密度可达的历史定位数据加入当前生成的第一簇中,并将当前生成的准第一簇中的历史定位数据自所述车辆定位集合移除;
d.将所述核心定位集合中,自该核心定位点密度可达的核心定位点加入一待匹配定位集合,并将加入一待匹配定位集合的核心定位点自所述核心定位集合移除;
e.自所述待匹配定位集合中,随机选取一核心定位点,将该核心定位点自所述待匹配定位集合移除;
f.重复执行步骤c至e直到所述待匹配定位集合为空集,将当前的准第一簇作为当前生成的第一簇;
g.重复执行步骤b至f直到所述核心定位集合为空集,获得生成的多个第一簇。
4.如权利要求3所述的车辆虚假位置信息识别方法,其特征在于,所述步骤g之后还包括:
根据生成的多个第一簇,计算各第一簇中各历史定位数据的轮廓系数的均值;以及
当所述轮廓系数的均值小于轮廓系数阈值时,调整设定的邻域距离及邻域距离内定位数据数目阈值,并重新执行步骤b至g。
5.如权利要求1所述的车辆虚假位置信息识别方法,其特征在于,所述第二聚类算法为K-MEANS算法。
6.如权利要求5所述的车辆虚假位置信息识别方法,其特征在于,所述利用第二聚类算法,将每个所述第一簇聚合为多个设定数量的第二簇,以获得每个第二簇的质心包括:
对每个第一簇进行至少一次质心迭代以获得每个第二簇的质心,其中,
本次质心迭代的各历史定位数据其与根据上一次质心迭代的所有质心的距离进行聚类以划分多个第二簇,并根据本次质心迭代的划分的第二簇更新质心,直到本次质心迭代更新的质心与上一次质心迭代的质心的距离差值小于预设阈值。
7.如权利要求1所述的车辆虚假位置信息识别方法,其特征在于,所述获取待识别的车辆位置数据包括:
获取车辆关联的注册地,历史订单及当前订单的起始地和终止地作为待识别的车辆位置数据。
8.如权利要求7所述的车辆虚假位置信息识别方法,其特征在于,所述根据待识别的车辆位置数据与所述常驻地集合的匹配,判断待识别的车辆位置数据是否虚假包括:
当车辆关联的注册地,历史订单及当前订单的起始地和终止地命中所述常驻地集合时,向该车辆分配权重分数;
当该车辆所获得的权重分数之和小于预设分数阈值时,判断待识别的车辆位置数据虚假。
9.一种车辆虚假位置信息识别装置,其特征在于,包括:
第一获取模块,用于获取车辆历史定位数据,以形成车辆定位集合;
第一聚类模块,用于利用第一聚类算法,将所述车辆定位集合聚合为不设定数量的多个第一簇;
第二聚类模块,用于利用第二聚类算法,将每个所述第一簇聚合为设定数量的多个第二簇,以获得每个第二簇的质心;
集合生成模块,用于根据所获得的多个质心生成一常驻地集合;
第二获取模块,用于获取待识别的车辆位置数据;以及
判断模块,用于根据待识别的车辆位置数据与所述常驻地集合的匹配,判断待识别的车辆位置数据是否虚假,
其中,所述获取车辆历史定位数据,以形成车辆定位集合包括:
获取车辆历史定位数据及采集该历史定位数据的时刻;
根据车辆历史定位数据计算相邻时刻的两个车辆历史定位之间的距离;
根据相邻时刻的两个车辆历史定位之间的距离及该相邻时刻的时间差计算车辆在该相邻时刻内的平均速度;以及
若所述平均速度小于预定速度阈值,则将该相邻时刻采集的历史定位数据加入所述车辆定位集合。
10.一种电子设备,其特征在于,所述电子设备包括:
处理器;
存储器,其上存储有计算机程序,所述计算机程序被所述处理器运行时执行如权利要求1至8任一项所述的车辆虚假位置信息识别方法。
11.一种存储介质,其特征在于,所述存储介质上存储有计算机程序,所述计算机程序被处理器运行时执行如权利要求1至8任一项所述的车辆虚假位置信息识别方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910275364.3A CN109978075B (zh) | 2019-04-04 | 2019-04-04 | 车辆虚假位置信息识别方法、装置、电子设备、存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910275364.3A CN109978075B (zh) | 2019-04-04 | 2019-04-04 | 车辆虚假位置信息识别方法、装置、电子设备、存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109978075A CN109978075A (zh) | 2019-07-05 |
CN109978075B true CN109978075B (zh) | 2021-09-28 |
Family
ID=67083334
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910275364.3A Active CN109978075B (zh) | 2019-04-04 | 2019-04-04 | 车辆虚假位置信息识别方法、装置、电子设备、存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109978075B (zh) |
Families Citing this family (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110689218A (zh) * | 2019-08-13 | 2020-01-14 | 平安科技(深圳)有限公司 | 风险用户识别方法、装置、计算机设备及存储介质 |
CN110599200B (zh) * | 2019-09-10 | 2022-11-01 | 携程计算机技术(上海)有限公司 | Ota酒店的虚假地址的检测方法、系统、介质及设备 |
CN112622923B (zh) * | 2019-09-24 | 2022-07-05 | 北京百度网讯科技有限公司 | 用于控制车辆的方法和装置 |
CN110824421A (zh) * | 2019-11-15 | 2020-02-21 | 广东博智林机器人有限公司 | 一种位置信息处理方法、装置、存储介质及电子设备 |
CN110839211B (zh) * | 2019-11-19 | 2022-05-31 | 腾讯科技(深圳)有限公司 | 信息分享的方法、装置及存储介质 |
CN111080198B (zh) * | 2019-11-29 | 2023-06-09 | 浙江大搜车软件技术有限公司 | 车辆物流路径生成的方法、装置、计算机设备及存储介质 |
CN111882346B (zh) * | 2020-01-17 | 2023-12-26 | 成都检车家汽车服务有限公司 | 车辆历史数据检测方法、终端设备及计算机可读存储介质 |
CN112104687B (zh) * | 2020-05-07 | 2023-02-07 | 上海寻梦信息技术有限公司 | 物流路由服务的监控方法、装置、电子设备及存储介质 |
CN111784268A (zh) * | 2020-08-07 | 2020-10-16 | 拉扎斯网络科技(上海)有限公司 | 标识对象确定方法、装置、电子设备及计算机存储介质 |
CN112131980A (zh) * | 2020-09-10 | 2020-12-25 | 中数通信息有限公司 | 一种虚假位置识别方法、系统、电子设备和介质 |
CN112465065B (zh) * | 2020-12-11 | 2022-10-14 | 中国第一汽车股份有限公司 | 一种传感器数据关联方法、装置、设备及存储介质 |
CN112782743B (zh) * | 2021-02-08 | 2022-08-30 | 深圳市发掘科技有限公司 | 一种车辆定位方法、装置、计算机设备及存储介质 |
CN113570899B (zh) * | 2021-07-16 | 2023-03-31 | 广州小鹏自动驾驶科技有限公司 | 停车场列表生成方法、装置、服务设备及存储介质 |
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 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106095987A (zh) * | 2016-06-20 | 2016-11-09 | 广州中大电讯科技有限公司 | 一种基于社区网络的内容个性化推送方法及系统 |
CN107066478A (zh) * | 2016-12-14 | 2017-08-18 | 阿里巴巴集团控股有限公司 | 一种虚假地址信息识别的方法及装置 |
CN107358468A (zh) * | 2017-07-14 | 2017-11-17 | 杨克宁 | 广告管理方法和存储介质 |
CN108182446A (zh) * | 2017-12-13 | 2018-06-19 | 北京中交兴路信息科技有限公司 | 一种基于聚类算法的司机常驻地预测方法及装置 |
CN108693543A (zh) * | 2017-03-31 | 2018-10-23 | 法拉第未来公司 | 用于检测信号欺骗的方法及系统 |
CN108931260A (zh) * | 2018-07-04 | 2018-12-04 | 山东省科学院自动化研究所 | Gps欺骗时无人驾驶车辆定位安全测试系统及方法 |
CN108961086A (zh) * | 2018-07-09 | 2018-12-07 | 江苏满运软件科技有限公司 | 一种车辆骗保的预警分析方法及系统 |
CN109255125A (zh) * | 2018-08-17 | 2019-01-22 | 浙江工业大学 | 一种基于改进DBSCAN算法的Web服务聚类方法 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105444770B (zh) * | 2015-12-18 | 2018-05-29 | 上海交通大学 | 基于智能手机的车道级别地图生成和定位方法 |
CN105843943B (zh) * | 2016-04-08 | 2019-03-01 | 深圳广联赛讯有限公司 | 车辆常驻地分析方法 |
CN108240813B (zh) * | 2016-12-23 | 2021-08-24 | 北京四维图新科技股份有限公司 | 获取车辆实际行车轨迹、行车历史的存储及导航方法 |
CN107507432A (zh) * | 2017-09-25 | 2017-12-22 | 南京律智诚专利技术开发有限公司 | 一种大数据分析动态交通信号系统 |
CN108399221B (zh) * | 2018-02-11 | 2021-07-30 | 山东建筑大学 | 基于大数据关联分析的室内电气设备分类识别方法与系统 |
CN109214422B (zh) * | 2018-08-02 | 2020-05-22 | 深圳先进技术研究院 | 基于dcgan的停车数据修补方法、装置、设备及存储介质 |
-
2019
- 2019-04-04 CN CN201910275364.3A patent/CN109978075B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106095987A (zh) * | 2016-06-20 | 2016-11-09 | 广州中大电讯科技有限公司 | 一种基于社区网络的内容个性化推送方法及系统 |
CN107066478A (zh) * | 2016-12-14 | 2017-08-18 | 阿里巴巴集团控股有限公司 | 一种虚假地址信息识别的方法及装置 |
CN108693543A (zh) * | 2017-03-31 | 2018-10-23 | 法拉第未来公司 | 用于检测信号欺骗的方法及系统 |
CN107358468A (zh) * | 2017-07-14 | 2017-11-17 | 杨克宁 | 广告管理方法和存储介质 |
CN108182446A (zh) * | 2017-12-13 | 2018-06-19 | 北京中交兴路信息科技有限公司 | 一种基于聚类算法的司机常驻地预测方法及装置 |
CN108931260A (zh) * | 2018-07-04 | 2018-12-04 | 山东省科学院自动化研究所 | Gps欺骗时无人驾驶车辆定位安全测试系统及方法 |
CN108961086A (zh) * | 2018-07-09 | 2018-12-07 | 江苏满运软件科技有限公司 | 一种车辆骗保的预警分析方法及系统 |
CN109255125A (zh) * | 2018-08-17 | 2019-01-22 | 浙江工业大学 | 一种基于改进DBSCAN算法的Web服务聚类方法 |
Non-Patent Citations (4)
Title |
---|
DBSCAN和K-Means混合聚类的牙齿特征自动识别;褚玉伟;《计算机辅助设计与图形学学报》;20180731;第30卷(第7期);第1276-1283页 * |
Solving High Volume Capacitated Vehicle Routing Problem with Time Windows using Recursive-DBSCAN clustering algorithm;Kamil Bujel等;《arXiv:1812.02300v2 [cs.OH]》;20190323;第1-17页 * |
车联网的道路拥堵和车辆行为数据挖掘分析;戴莉莉;《中国优秀硕士学位论文全文数据库 信息科技辑》;20160215(第2期);I138-1106 * |
道路运输信息系统的数据挖掘方法研究与应用;郑晓峰;《中国博士学位论文全文数据库 信息科技辑》;20141215(第12期);I138-24 * |
Also Published As
Publication number | Publication date |
---|---|
CN109978075A (zh) | 2019-07-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109978075B (zh) | 车辆虚假位置信息识别方法、装置、电子设备、存储介质 | |
Wang et al. | Battery electric vehicle energy consumption prediction for a trip based on route information | |
US11651244B2 (en) | Method and apparatus for predicting sensor error | |
JP6414760B2 (ja) | 電力需要予測装置、電力供給システム、及び電力需要予測方法 | |
CN109919347B (zh) | 路况生成方法、相关装置和设备 | |
US10262529B2 (en) | Management of moving objects | |
US10119826B2 (en) | System and method for accelerating route search | |
US10749734B2 (en) | Management of events and moving objects | |
CN110816549B (zh) | 能源管理装置、模型管理方法以及计算机程序 | |
US9355063B2 (en) | Parking lot detection using probe data | |
US11118921B2 (en) | Vehicle routing guidance to an authoritative location for a point of interest | |
US10585180B2 (en) | Management of mobile objects | |
CN111582559B (zh) | 一种到达时间的预估方法及装置 | |
US20180252540A1 (en) | Method and system for providing route guidance using navigation system | |
WO2015132931A1 (ja) | 電動移動体情報提供装置と電動移動体情報提供方法 | |
CN110503528A (zh) | 一种线路推荐方法、装置、设备和存储介质 | |
Bhuyan et al. | Affinity propagation clustering in defining level of service criteria of urban streets | |
EP3881030A1 (en) | System and method for vehicle routing using big data | |
US11922530B2 (en) | Systems and methods for utilizing models to determine real time estimated times of arrival for scheduled appointments | |
CN112304326A (zh) | 出行路线规划方法、设备及存储介质 | |
CN113724490A (zh) | 一种道路拥堵检测的方法 | |
EP4343576A1 (en) | Method, apparatus, and computer program product for map data conflation | |
US20230289667A1 (en) | Contextual relevance for shared mobility | |
US20230196787A1 (en) | Estimating object uncertainty using a pre-non-maximum suppression ensemble | |
JP2021036417A (ja) | 物流配送の最適ルートの決定 |
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 |