CN110222421B - 一种行驶路线集中度评估方法及系统 - Google Patents
一种行驶路线集中度评估方法及系统 Download PDFInfo
- Publication number
- CN110222421B CN110222421B CN201910490885.0A CN201910490885A CN110222421B CN 110222421 B CN110222421 B CN 110222421B CN 201910490885 A CN201910490885 A CN 201910490885A CN 110222421 B CN110222421 B CN 110222421B
- Authority
- CN
- China
- Prior art keywords
- degree
- mileage
- concentration
- vehicle
- value
- 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
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C22/00—Measuring distance traversed on the ground by vehicles, persons, animals or other moving solid bodies, e.g. using odometers, using pedometers
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Theoretical Computer Science (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Traffic Control Systems (AREA)
Abstract
本申请涉及一种行驶路线集中度评估方法及系统,本申请中,获取的待评价车辆的行驶记录信息中,精确到了各行驶记录的起点位置经纬度和终点位置经纬度,及各行驶记录的里程值。利用行驶记录的起始点经纬度,基于车辆行驶路线集中度评估模型来计算行驶路线的集中趋势和离散程度,相对于只利用行驶记录的起始城市进行计算,更加精确。并且本申请中基于车辆行驶路线集中度评估模型来计算行驶路线的集中趋势和离散程度还利用了各行驶记录的里程值数据,得到的行驶路线的集中趋势和离散程度更加精确。待评价车辆的行驶路线的集中趋势和离散程度即可用来反映待评价车辆对应的驾驶员的驾驶路线集中度。
Description
技术领域
本申请涉及数据处理领域,尤其涉及一种行驶路线集中度评估方法及系统。
背景技术
智能车联网技术的发展,带动了汽车产业的升级,而汽车产业的快速发展,又催生了车险保费规模快速增长,由此产生的各类型车险产品层出不穷,需要根据驾驶员不同的行为特征制定适合本人的车险产品,使保主有更好的用户体验,对于驾驶员行为的研究,其中具有“驾驶路线集中度”这一行为特征。
相关技术中,对于驾驶路线集中度的研究,数据来源单一,划定标准粗糙,起止点以城市级别为标准,且仅使用众数测算,使得到的结果准确性较低。
发明内容
为至少在一定程度上克服相关技术中存在的问题,本申请提供一种行驶路线集中度评估方法及系统。
本申请的方案如下:
一种行驶路线集中度评估方法,包括:
获取待评价车辆一个周期内的行驶记录信息,所述行驶记录信息包括多种维度;
确定评估车辆行驶路线集中度的所需维度,从所述行驶记录信息中筛选出所述所需维度对应的数据;所述所需维度至少包括:位置数据和里程数据;其中,所述位置数据包括:各行驶记录的起点位置经纬度和终点位置经纬度,所述里程数据包括:各行驶记录的里程值;
根据所述位置数据和所述里程数据,基于车辆行驶路线集中度评估模型,得到待评价车辆一个周期内的行驶路线的集中趋势和离散程度。
优选的,在本申请一种可实行的方案中,行驶路线集中度评估方法还包括:获取所述待评价车辆的历史数据作为样本数据;所述历史数据包括:位置数据和里程数据;
对所述样本数据进行训练,得到所述车辆行驶路线集中度评估模型,所述车辆行驶路线集中度评估模型用于表征所述样本数据与待评价车辆行驶路线的集中趋势和离散程度之间的关系。
优选的,在本申请一种可实行的方案中,所述对所述样本数据进行训练,得到所述车辆行驶路线集中度评估模型,具体包括:
确定各所述行驶记录终点位置相对于起点位置的方位角,并将所述行驶记录对应的里程值记录为所述方位角对应的里程值;
按照预设度数值,将各所述方位角分成多个度数区间,将所述方位角对应的里程值记录为所述方位角所在的度数区间对应的里程值;
将所述度数区间对应的多个里程值相加得到所述度数区间对应的里程累计值;
根据各所述度数区间对应的里程累计值输出车辆的行驶路线的集中趋势和离散程度。
优选的,在本申请一种可实行的方案中,所述根据各所述度数区间对应的里程累计值输出车辆的行驶路线的集中趋势和离散程度,具体包括:
建立直角坐标系;
以所述直角坐标系的原点为起点,以所述度数区间的中间度数值为倾斜角度,以所述度数区间对应的里程累计值为线段长度建立所述度数区间在所述直角坐标系上对应的线段;
根据所述度数区间在所述直角坐标系上对应的线段,得到所述线段终点对应所述直角坐标系横轴的第一数值和所述线段终点对应所述直角坐标系纵轴的第二数值;
得到所有度数区间对应的线段终点的第一数值和第二数值,并计算所有第一数值的均值和所有第二数值的均值;
将所述第一数值的均值和所述第二数值的均值与0进行对比,若所述第一数值的均值和所述第二数值的均值与0的差距不超过预设阈值,则输出车辆的行驶路线大多为往返状态,集中度较高;若所述第一数值的均值和所述第二数值的均值中至少一个与0的差距超过预设阈值,则输出车辆的行驶路线较不规律,集中度较低。
优选的,在本申请一种可实行的方案中,所述根据各所述度数区间对应的里程累计值输出车辆的行驶路线的集中趋势和离散程度,具体包括:
按照各度数区间对应的里程累计值大小,规定里程累计值最大的度数区间对应第一行驶路线,并对各度数区间依次排序;
计算所有度数区间对应的里程累计值之和;
至少计算里程累计值大小排序前五的度数区间的里程累计值分别在所述累计值之和中的占比;
根据所述占比的大小输出行驶路线集中度;其中所述行驶路线集中度与所述占比的对应规律为所述行驶路线集中度随着所述占比的增大而增高。
优选的,在本申请一种可实行的方案中,所述根据各所述度数区间对应的里程累计值输出车辆的行驶路线的集中趋势和离散程度,具体包括:
基于标准差算法,根据各方位角区间对应的的里程累计值,计算所有方位角的里程累计值的标准差;
根据标准差的大小输出行驶路线集中度;其中所述行驶路线集中度与所述标准差的对应规律为所述行驶路线集中度随着所述标准差的增大而增高。
优选的,在本申请一种可实行的方案中,所述根据各所述度数区间对应的里程累计值输出车辆的行驶路线的集中趋势和离散程度,具体包括:
将所述历史数据按照周期进行分组;
分别计算各组历史数据中各所述度数区间对应的里程累计值的均值;
若各组历史数据中各所述度数区间对应的里程累计值的均值相同,则基于变异系数算法,计算所述标准差与所述里程累计值的均值的比值;
根据所述比值的大小输出行驶路线集中度;其中所述行驶路线集中度与所述比值的对应规律为所述行驶路线集中度随着所述比值的增大而增高。
优选的,在本申请一种可实行的方案中,所述根据各所述度数区间对应的里程累计值输出车辆的行驶路线的集中趋势和离散程度,具体包括:
根据各方位角区间对应的里程累计值大小,对各方位角区间对应的里程累计值依次进行排序;
基于四分位差算法,计算排序后的各方位角区间对应的里程累计值的四分位差;
根据所述四分位差的大小输出行驶路线集中度;其中所述行驶路线集中度与所述四分位差的对应规律为所述行驶路线集中度随着所述四分位差的减小而增高。
优选的,在本申请一种可实行的方案中,所述对所述样本数据进行训练,得到所述车辆行驶路线集中度评估模型,具体包括:
建立平面极坐标系;
建立各所述度数区间的第一边缘线和第二边缘线;其中,所述建立各所述度数区间的第一边缘线和第二边缘线具体包括:将所述平面极坐标系的极点确定为所述第一边缘线的起点,根据所述度数区间对应的里程累计值,所述度数区间的起始度数确定所述第一边缘线在所述平面极坐标系的终点,所述第一边缘线的终点坐标为(所述度数区间对应的里程累计值,所述度数区间的起始度数),连接所述第一边缘线的起点和终点建立第一边缘线;将所述平面极坐标系的极点确定为所述第二边缘线的起点,根据所述度数区间对应的里程累计值,所述度数区间的终止度数确定所述第一边缘线在所述平面极坐标系的终点,所述第二边缘线的终点坐标为(所述度数区间对应的里程累计值,所述度数区间的终止度数),连接所述第二边缘线的起点和终点建立第二边缘线;
连接所述度数区间第一边缘线和第二边缘线的终点,得到所述度数区间对应的柱状图;
将各所述度数区间对应的柱状图整合到一个平面极坐标系中,输出整合后的所述平面极坐标系。
一种行驶路线集中度评估系统,包括:
获取模块,用于获取待评价车辆一个周期内的行驶记录信息,所述行驶记录信息包括多种维度;
处理模块,用于确定计算车辆行驶路线集中度的所需维度,从所述行驶记录信息中筛选出所述所需维度对应的数据,所述所需维度至少包括:位置数据和里程数据;根据所述位置数据和所述里程数据,基于车辆行驶路线集中度评估模型,得到车辆一个周期内的行驶路线的集中趋势和离散程度;其中,所述位置数据包括:各行驶记录的起点位置经纬度和终点位置经纬度,所述里程数据包括:各行驶记录的里程值。
本申请提供的技术方案可以包括以下有益效果:
本申请中,获取的待评价车辆的行驶记录信息中,精确到了各行驶记录的起点位置经纬度和终点位置经纬度,及各行驶记录的里程值。利用行驶记录的起始点经纬度,基于车辆行驶路线集中度评估模型来计算行驶路线的集中趋势和离散程度,相对于只利用行驶记录的起始城市进行计算,更加精确。并且本申请中基于车辆行驶路线集中度评估模型来计算行驶路线的集中趋势和离散程度还利用了各行驶记录的里程值数据,得到的行驶路线的集中趋势和离散程度更加精确。待评价车辆的行驶路线的集中趋势和离散程度即可用来反映待评价车辆对应的驾驶员的驾驶路线集中度。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性和解释性的,并不能限制本申请。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本申请的实施例,并与说明书一起用于解释本申请的原理。
图1是本申请一个实施例提供的一种行驶路线集中度评估方法的流程图;
图2是本申请一个实施例提供的一种行驶路线集中度评估方法中得到车辆行驶路线集中度评估模型的流程图;
图3是本申请一个实施例提供的一种行驶路线集中度评估方法中训练车辆行驶路线集中度评估模型的流程图;
图4是本申请一个实施例提供的一种行驶路线集中度评估方法中将方位角对应的线段分解为横纵坐标轴上的两个标量的参考图;
图5是本申请一个实施例提供的一种行驶路线集中度评估方法中车辆行驶路线集中度评估模型输出的平面极坐标系的示意图。
具体实施方式
这里将详细地对示例性实施例进行说明,其示例表示在附图中。下面的描述涉及附图时,除非另有表示,不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本申请相一致的所有实施方式。相反,它们仅是与如所附权利要求书中所详述的、本申请的一些方面相一致的装置和方法的例子。
图1是本申请一个实施例提供的一种行驶路线集中度评估方法的流程图,参照图1,一种行驶路线集中度评估方法,包括:
S11:获取待评价车辆一个周期内的行驶记录信息,行驶记录信息包括多种维度;
周期可以根据实际情况确定多长时间为一周期,获取待评价车辆一个周期内的行驶记录信息即只评估待评价车辆在该周期内的行驶路线集中度。
可通过待评价车辆上的前装车联网设备,获取待评价车辆在一个周期内的行驶记录信息,行驶记录信息中包含多个维度的数据,数据量和覆盖范围具有大数据的特征,其中包括位置数据、时间数据、里程数据和车辆状态数据等17个变量。具体包括车辆识别码、起点位置、起点时间、终点位置、终点时间、驾驶时间、驾驶里程、急加速次数,急减速次数、车速等33个变量。
S12:确定评估车辆行驶路线集中度的所需维度,从行驶记录信息中筛选出所需维度对应的数据;所需维度至少包括:位置数据和里程数据;其中,位置数据包括:各行驶记录的起点位置经纬度和终点位置经纬度,里程数据包括:各行驶记录的里程值;
本实施例中,评估待评价车辆的行驶路线集中度至少需要待评价车辆的位置数据和里程数据,位置数据包括:各行驶记录的起点位置经纬度和终点位置经纬度。
经纬度是经度与纬度的合称组成一个坐标系统,称为地理坐标系统,它是一种利用三度空间的球面来定义地球上的空间的球面坐标系统,能够标示地球上的任何一个位置。起点位置和终点位置精确到经纬度为了更精确的判断起点位置和终点位置,并且更方便在地图上进行表示。
S13:根据位置数据和里程数据,基于车辆行驶路线集中度评估模型,得到待评价车辆一个周期内的行驶路线的集中趋势和离散程度。
本实施例中的的车辆行驶路线集中度评估模型是通过如下方法得到的:
行驶路线集中度评估方法还包括:
S21:获取待评价车辆的历史数据作为样本数据;历史数据包括:位置数据和里程数据;
S22:对样本数据进行训练,得到车辆行驶路线集中度评估模型,车辆行驶路线集中度评估模型用于表征样本数据与待评价车辆行驶路线集中趋势和离散程度之间的关系。
车辆行驶路线集中度评估模型是提前建立的。步骤S13在执行时,向已经训练完成的车辆行驶路线集中度评估模型输入待评价车辆的位置数据和里程数据,车辆行驶路线集中度评估模型输出待评价车辆行驶路线的集中趋势和离散程度。
进一步的,对样本数据进行训练,得到车辆行驶路线集中度评估模型,具体包括:
S31:确定各行驶记录终点位置相对于起点位置的方位角,并将行驶记录对应的里程值记录为方位角对应的里程值;
因为各行驶记录的起点位置和终点位置均为经纬度坐标,所以可以得出各行驶记录终点位置相对于起点位置精确的方位角。
如果车辆的某条行驶记录的终点位置相对于起点位置的方位角度数为30°,该行驶记录的里程值为10km,则将该行驶记录的10km里程值记为30°方位角上的里程值,即30°方位角对应的里程值包括10km,如果车辆的又一条行驶记录的终点位置相对于起点位置的方位角度数也为30°,该行驶记录的里程值为20km,则将该行驶记录的20km里程值也记为30°方位角上的里程值,即30°方位角对应的里程值包括10km和20km。
优选的,也可以直接将某个方位角上对应的所有里程值相加得到该方位角对应的里程值。如上述例子中,30°方位角对应的里程值包括10km和20km,也可以记为30°方位角对应的里程值为30km。
S32:按照预设度数值,将各方位角分成多个度数区间,将方位角对应的里程值记录为方位角所在的度数区间对应的里程值;
预设度数值可以为5°,10°等,本实施例中对预设度数值不做限定。
本实施例中以10°为预设度数值进行举例说明。
以10°为预设度数值将各方位角分成36个度数区间,将方位角对应的里程值记录为方位角所在的度数区间对应的里程值。如21°-30°为一个度数区间。将21°方位角对应的里程值,22°方位角对应的里程值...30°方位角对应的里程值都记录为21°-30°度数区间对应的里程值。
S33:将度数区间对应的多个里程值相加得到度数区间对应的里程累计值;
将21°方位角对应的里程值,22°方位角对应的里程值...30°方位角对应的里程值相加即为21°-30°度数区间的里程累计值。
其他度数区间都如此操作。
S34:根据各度数区间对应的里程累计值输出车辆的行驶路线的集中趋势和离散程度。
根据各度数区间对应的里程累计值输出车辆的行驶路线的集中趋势和离散程度具体有如下几种方案:
方案1:
利用均值来计算车辆的行驶路线的集中趋势和离散程度,具体如下。
建立直角坐标系;
以直角坐标系的原点为起点,以度数区间的中间度数值为倾斜角度,以度数区间对应的里程累计值为线段长度建立度数区间在直角坐标系上对应的线段;
根据度数区间在直角坐标系上对应的线段,得到线段终点对应直角坐标系横轴的第一数值和线段终点对应直角坐标系纵轴的第二数值;
得到所有度数区间对应的线段终点的第一数值和第二数值,并计算所有第一数值的均值和所有第二数值的均值;
将第一数值的均值和第二数值的均值与0进行对比,若第一数值的均值和第二数值的均值与0的差距不超过预设阈值,则输出车辆的行驶路线大多为往返状态,集中度较高;若第一数值的均值和第二数值的均值中至少一个与0的差距超过预设阈值,则输出车辆的行驶路线较不规律,集中度较低。
分别选取各方位区间的中值为其方位角代表,如:11°-20°度数区间,选取15°作为该度数区间方位角代表,以15°为倾斜角度,以11°-20°度数区间对应的里程累计值为线段长度建立11°-20°度数区间在直角坐标系上对应的线段。从而达到利用15°方位角将11°-20°区间上的累积里程分解为横纵坐标轴上的两个标量的目标。求出该车辆所有行驶记录中两个标量分别的均值,据此分析,如果两个均值都在0附近,与0的差距不超过预设阈值,可以推测该车辆的行驶路线大多为往返状态,集中度较大;如果至少一个均值明显与0差距太大超过预设阈值,则可以推测该车辆的行驶路线较不规律,集中度较小。此外,反映离散程度的指标计算也在均值的基础上进行。
将某一方位角对应的线段分解为横纵坐标轴上的两个标量的目标可以参照图4,图4中以方位角为60°为例,60度的方位角对应的里程值为5000km,则线段长度为5000km,线段终点对应直角坐标系横轴的第一数值为4000km,线段终点对应直角坐标系纵轴的第二数值为3000km。
方案2:
利用众数来计算车辆的行驶路线的集中趋势和离散程度,具体如下。
按照各度数区间对应的里程累计值大小,规定里程累计值最大的度数区间对应第一行驶路线,并对各度数区间依次排序;
计算所有度数区间对应的里程累计值之和;
至少计算里程累计值大小排序前五的度数区间的里程累计值分别在累计值之和中的占比;
根据占比的大小输出行驶路线集中度;其中行驶路线集中度与占比的对应规律为行驶路线集中度随着占比的增大而增高。
举例说明:
按照各度数区间对应的里程累计值大小,规定里程累计值最大的度数区间对应第一行驶路线,并对各度数区间依次排序。
假设11°-20°度数区间对应的里程累计值最大,则规定11°-20°度数区间对应第一行驶路线。
21°-30°度数区间对应的里程累计值仅次于11°-20°度数区间对应的里程累计值,则规定21°-30°度数区间对应第二行驶路线。
31°-40°度数区间对应的里程累计值仅次于21°-30°度数区间对应的里程累计值,则规定31°-40°度数区间对应第三行驶路线,以此类推。
计算36个度数区间对应的里程累计值之和。
统计前几条行驶路线累积里程在总里程值中的占比情况,本实施例中,至少计算里程累计值大小排序前五的度数区间的里程累计值分别在累计值之和中的占比。
即分别计算11°-20°度数区间对应的里程累计值在总里程值中的占比情况,21°-30°度数区间对应的里程累计值在总里程值中的占比情况...直到计算到排序第五的度数区间对应的里程累计值在总里程值中的占比情况为止。
若11°-20°度数区间对应的里程累计值在总里程值中的占比越大,说明行驶路线集中度越高,驾驶员在11°-20°度数区间对应的行驶路线中行驶的频率越高。
方案3:
利用标准差来计算车辆的行驶路线的集中趋势和离散程度,具体如下。
基于标准差算法,根据各方位角区间对应的的里程累计值,计算所有方位角的里程累计值的标准差;
根据标准差的大小输出行驶路线集中度;其中行驶路线集中度与标准差的对应规律为行驶路线集中度随着标准差的增大而增高。
标准差是离均差平方的算术平均数的平方根,标准差能反映一个数据集的离散程度,平均数相同的两组数据,标准差未必相同。
对于本申请车辆的行驶路线集中度的研究,标准差是最为直接的判别方法,标准差越大,表示该车辆驾驶路线的里程值差异越大,其行驶路线具有明显的方向特征,说明其行驶路线集中度也越高。
进一步的,利用变异系数反映里程的相对离散程度。
将历史数据按照周期进行分组;
分别计算各组历史数据中各度数区间对应的里程累计值的均值;
若各组历史数据中各度数区间对应的里程累计值的均值相同,则基于变异系数算法,计算标准差与里程累计值的均值的比值;
根据比值的大小输出行驶路线集中度;其中行驶路线集中度与比值的对应规律为行驶路线集中度随着比值的增大而增高。
变异系数:当需要比较两组数据离散程度大小的时候,如果两组数据的测量尺度相差太大,或者数据量纲的不同,直接使用标准差来进行比较不合适,此时就应当消除测量尺度和量纲的影响,而变异系数可以做到这一点,它是原始数据标准差与原始数据平均数的比。变异系数没有量纲,这样就可以进行客观比较了。事实上,可以认为变异系数和极差、标准差和方差一样,都是反映数据离散程度的绝对值。其数据大小不仅受变量值离散程度的影响,而且还受变量值平均水平大小的影响。
当各组历史数据中各度数区间对应的里程累计值的均值相同时,需计算变异系数来观察其离散度。此处计算时仅考虑里程值大小。变异系数越大,表明标准差越大,行驶路线集中度越高。样本数据中有多组历史数据,如果变异系数大于15%,则要考虑该组数据可能不正常,应该剔除。
方案4:
利用四分位差来计算车辆的行驶路线的集中趋势和离散程度,具体如下。
根据各方位角区间对应的里程累计值大小,对各方位角区间对应的里程累计值依次进行排序;
基于四分位差算法,计算排序后的各方位角区间对应的里程累计值的四分位差;
根据四分位差的大小输出行驶路线集中度;其中行驶路线集中度与四分位差的对应规律为行驶路线集中度随着四分位差的减小而增高。
四分位差反映了中间50%数据的离散程度,其数值越小,说明中间的数据越集中;其数值越大,说明中间的数据越分散。四分位差不受极值的影响。此外,由于中位数处于数据的中间位置,因此,四分位差的大小在一定程度上也说明了中位数对一组数据的代表程度。四分位差主要用于测度顺序数据的离散程度。
四分位差的优点是不受极端里程值的影响。对所有方位区间的里程值进行升序排序,截取其上四分位数与下四分位数之间的数据进行研究,从而达到了在避免极端值影响的条件下,判定行驶路线集中度的目的。它反映了中间50%里程值的离散程度,其数值越大,说明中间的里程值越分散;其数值越小,说明中间的里程值越集中,从而说明其行驶路线具有明显的方向特征,说明行驶路线集中度也越高。
本申请中,获取的待评价车辆的行驶记录信息中,精确到了各行驶记录的起点位置经纬度和终点位置经纬度,及各行驶记录的里程值。利用行驶记录的起始点经纬度,基于车辆行驶路线集中度评估模型来计算行驶路线的集中趋势和离散程度,相对于只利用行驶记录的起始城市进行计算,更加精确。并且本申请中基于车辆行驶路线集中度评估模型来计算行驶路线的集中趋势和离散程度还利用了各行驶记录的里程值数据,得到的行驶路线的集中趋势和离散程度更加精确。
本申请中,还基于上述四种方案精准的计算了待评价车辆的行驶路线的集中趋势和离散程度。
待评价车辆的行驶路线的集中趋势和离散程度即可用来反映待评价车辆对应的驾驶员的驾驶路线集中度。
一些实施例中的行驶路线集中度评估方法,对样本数据进行训练,得到车辆行驶路线集中度评估模型,具体包括:
建立平面极坐标系;
建立各度数区间的第一边缘线和第二边缘线;其中,建立各度数区间的第一边缘线和第二边缘线具体包括:将平面极坐标系的极点确定为第一边缘线的起点,根据度数区间对应的里程累计值,度数区间的起始度数确定第一边缘线在平面极坐标系的终点,第一边缘线的终点坐标为(度数区间对应的里程累计值,度数区间的起始度数),连接第一边缘线的起点和终点建立第一边缘线;将平面极坐标系的极点确定为第二边缘线的起点,根据度数区间对应的里程累计值,度数区间的终止度数确定第一边缘线在平面极坐标系的终点,第二边缘线的终点坐标为(度数区间对应的里程累计值,度数区间的终止度数),连接第二边缘线的起点和终点建立第二边缘线;
连接度数区间第一边缘线和第二边缘线的终点,得到度数区间对应的柱状图;
将各度数区间对应的柱状图整合到一个平面极坐标系中,输出整合后的平面极坐标系。
本实施例中的车辆行驶路线集中度评估模型,向已经训练完成的车辆行驶路线集中度评估模型输入待评价车辆的位置数据和里程数据,车辆行驶路线集中度评估模型输出反应待评价车辆行驶路线的平面极坐标系的柱状图。
平面极坐标系是指在平面内由极点、极轴和极径组成的坐标系。在平面上取定一点O,称为极点。从O出发引一条射线Ox,称为极轴。再取定一个单位长度,通常规定角度取逆时针方向为正。这样,平面上任一点P的位置就可以用线段OP的长度ρ以及从Ox到OP的角度θ来确定,有序数对(ρ,θ)就称为P点的极坐标,记为P(ρ,θ);ρ称为P点的极径,θ称为P点的极角。
度数区间的第一边缘线和第二边缘线即为度数区间对应的柱状图的第一边缘线和第二边缘线。
其中,建立各度数区间的第一边缘线和第二边缘线具体包括:将平面极坐标系的极点确定为第一边缘线的起点,根据度数区间对应的里程累计值,度数区间的起始度数确定第一边缘线在平面极坐标系的终点,第一边缘线的终点坐标为(度数区间对应的里程累计值,度数区间的起始度数);
度数区间对应的里程累计值即为第一边缘线的终点与极点的线段长度,度数区间的起始度数即为第一边缘线的终点的极角。
连接第一边缘线的起点和终点建立第一边缘线。建立第二边缘线与建立第一边缘线同理。
连接度数区间第一边缘线和第二边缘线的终点,得到度数区间对应的柱状图。
分别建立各度数区间对应的柱状图后,将各度数区间对应的柱状图整合到一个平面极坐标系中,输出整合后的平面极坐标系。
车辆行驶路线集中度评估模型将各度数区间对应的柱状图整合到一个平面极坐标系中,输出的整合后的平面极坐标系如图5所示。
将待评价车辆的位置数据和里程数据的处理结果以极坐标上的柱状图的形式展示出来,柱状图表示在不同度数区间上的累积里程值,可以直观地展示待评价车辆的车辆行驶路线集中度。
一种行驶路线集中度评估系统,包括:
获取模块,用于获取待评价车辆一个周期内的行驶记录信息,行驶记录信息包括多种维度;
处理模块,用于确定计算车辆行驶路线集中度的所需维度,从行驶记录信息中筛选出所需维度对应的数据,所需维度至少包括:位置数据和里程数据;根据位置数据和里程数据,基于车辆行驶路线集中度评估模型,得到车辆一个周期内的行驶路线的集中趋势和离散程度;其中,所述位置数据包括:各行驶记录的起点位置经纬度和终点位置经纬度,所述里程数据包括:各行驶记录的里程值。
可以理解的是,上述各实施例中相同或相似部分可以相互参考,在一些实施例中未详细说明的内容可以参见其他实施例中相同或相似的内容。
需要说明的是,在本申请的描述中,术语“第一”、“第二”等仅用于描述目的,而不能理解为指示或暗示相对重要性。此外,在本申请的描述中,除非另有说明,“多个”的含义是指至少两个。
流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为,表示包括一个或更多个用于实现特定逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分,并且本申请的优选实施方式的范围包括另外的实现,其中可以不按所示出或讨论的顺序,包括根据所涉及的功能按基本同时的方式或按相反的顺序,来执行功能,这应被本申请的实施例所属技术领域的技术人员所理解。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本申请的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不一定指的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
尽管上面已经示出和描述了本申请的实施例,可以理解的是,上述实施例是示例性的,不能理解为对本申请的限制,本领域的普通技术人员在本申请的范围内可以对上述实施例进行变化、修改、替换和变型。
Claims (8)
1.一种行驶路线集中度评估方法,其特征在于,包括:
获取待评价车辆一个周期内的行驶记录信息,所述行驶记录信息包括多种维度;
确定评估车辆行驶路线集中度的所需维度,从所述行驶记录信息中筛选出所述所需维度对应的数据;所述所需维度至少包括:位置数据和里程数据;其中,所述位置数据包括:各行驶记录的起点位置经纬度和终点位置经纬度,所述里程数据包括:各行驶记录的里程值;
根据所述位置数据和所述里程数据,基于车辆行驶路线集中度评估模型,得到待评价车辆一个周期内的行驶路线的集中趋势和离散程度;
所述车辆行驶路线集中度评估模型的训练过程包括:
获取所述待评价车辆的历史数据作为样本数据;所述历史数据包括:位置数据和里程数据;
对所述样本数据进行训练,得到所述车辆行驶路线集中度评估模型,所述车辆行驶路线集中度评估模型用于表征所述样本数据与待评价车辆行驶路线的集中趋势和离散程度之间的关系;
其中,所述对所述样本数据进行训练,得到所述车辆行驶路线集中度评估模型,具体包括:
确定各行驶记录终点位置相对于起点位置的方位角,并将所述行驶记录对应的里程值记录为所述方位角对应的里程值;
按照预设度数值,将各所述方位角分成多个度数区间,将所述方位角对应的里程值记录为所述方位角所在的度数区间对应的里程值;
将所述度数区间对应的多个里程值相加得到所述度数区间对应的里程累计值;
根据各所述度数区间对应的里程累计值输出车辆的行驶路线的集中趋势和离散程度。
2.根据权利要求1所述的行驶路线集中度评估方法,其特征在于,所述根据各所述度数区间对应的里程累计值输出车辆的行驶路线的集中趋势和离散程度,具体包括:
建立直角坐标系;
以所述直角坐标系的原点为起点,以所述度数区间的中间度数值为倾斜角度,以所述度数区间对应的里程累计值为线段长度建立所述度数区间在所述直角坐标系上对应的线段;
根据所述度数区间在所述直角坐标系上对应的线段,得到线段终点对应所述直角坐标系横轴的第一数值和所述线段终点对应所述直角坐标系纵轴的第二数值;
得到所有度数区间对应的线段终点的第一数值和第二数值,并计算所有第一数值的均值和所有第二数值的均值;
将所述第一数值的均值和所述第二数值的均值与0进行对比,若所述第一数值的均值和所述第二数值的均值与0的差距不超过预设阈值,则输出车辆的行驶路线大多为往返状态,集中度较高;若所述第一数值的均值和所述第二数值的均值中至少一个与0的差距超过预设阈值,则输出车辆的行驶路线较不规律,集中度较低。
3.根据权利要求1所述的行驶路线集中度评估方法,其特征在于,所述根据各所述度数区间对应的里程累计值输出车辆的行驶路线的集中趋势和离散程度,具体包括:
按照各度数区间对应的里程累计值大小,规定里程累计值最大的度数区间对应第一行驶路线,并对各度数区间依次排序;
计算所有度数区间对应的里程累计值之和;
至少计算里程累计值大小排序前五的度数区间的里程累计值分别在所述累计值之和中的占比;
根据所述占比的大小输出行驶路线集中度;其中所述行驶路线集中度与所述占比的对应规律为所述行驶路线集中度随着所述占比的增大而增高。
4.根据权利要求1所述的行驶路线集中度评估方法,其特征在于,所述根据各所述度数区间对应的里程累计值输出车辆的行驶路线的集中趋势和离散程度,具体包括:
基于标准差算法,根据各方位角区间对应的里程累计值,计算所有方位角的里程累计值的标准差;
根据标准差的大小输出行驶路线集中度;其中所述行驶路线集中度与所述标准差的对应规律为所述行驶路线集中度随着所述标准差的增大而增高。
5.根据权利要求4所述的行驶路线集中度评估方法,其特征在于,所述根据各所述度数区间对应的里程累计值输出车辆的行驶路线的集中趋势和离散程度,具体包括:
将所述历史数据按照周期进行分组;
分别计算各组历史数据中各所述度数区间对应的里程累计值的均值;
若各组历史数据中各所述度数区间对应的里程累计值的均值相同,则基于变异系数算法,计算所述标准差与所述里程累计值的均值的比值;
根据所述比值的大小输出行驶路线集中度;其中所述行驶路线集中度与所述比值的对应规律为所述行驶路线集中度随着所述比值的增大而增高。
6.根据权利要求1所述的行驶路线集中度评估方法,其特征在于,所述根据各所述度数区间对应的里程累计值输出车辆的行驶路线的集中趋势和离散程度,具体包括:
根据各方位角区间对应的里程累计值大小,对各方位角区间对应的里程累计值依次进行排序;
基于四分位差算法,计算排序后的各方位角区间对应的里程累计值的四分位差;
根据所述四分位差的大小输出行驶路线集中度;其中所述行驶路线集中度与所述四分位差的对应规律为所述行驶路线集中度随着所述四分位差的减小而增高。
7.根据权利要求1所述的行驶路线集中度评估方法,其特征在于,所述对所述样本数据进行训练,得到所述车辆行驶路线集中度评估模型,具体包括:
建立平面极坐标系;
建立各所述度数区间的第一边缘线和第二边缘线;其中,所述建立各所述度数区间的第一边缘线和第二边缘线具体包括:将所述平面极坐标系的极点确定为所述第一边缘线的起点,根据所述度数区间对应的里程累计值、所述度数区间的起始度数确定所述第一边缘线在所述平面极坐标系的终点,所述第一边缘线的终点坐标为(所述度数区间对应的里程累计值,所述度数区间的起始度数),连接所述第一边缘线的起点和终点建立第一边缘线;将所述平面极坐标系的极点确定为所述第二边缘线的起点,根据所述度数区间对应的里程累计值、所述度数区间的终止度数确定所述第二边缘线在所述平面极坐标系的终点,所述第二边缘线的终点坐标为(所述度数区间对应的里程累计值,所述度数区间的终止度数),连接所述第二边缘线的起点和终点建立第二边缘线;
连接所述度数区间第一边缘线和第二边缘线的终点,得到所述度数区间对应的柱状图;
将各所述度数区间对应的柱状图整合到一个平面极坐标系中,输出整合后的所述平面极坐标系。
8.一种行驶路线集中度评估系统,其特征在于,包括:
获取模块,用于获取待评价车辆一个周期内的行驶记录信息,所述行驶记录信息包括多种维度;
处理模块,用于确定计算车辆行驶路线集中度的所需维度,从所述行驶记录信息中筛选出所述所需维度对应的数据,所述所需维度至少包括:位置数据和里程数据;根据所述位置数据和所述里程数据,基于车辆行驶路线集中度评估模型,得到车辆一个周期内的行驶路线的集中趋势和离散程度;其中,所述位置数据包括:各行驶记录的起点位置经纬度和终点位置经纬度,所述里程数据包括:各行驶记录的里程值;
模型训练模块,用于获取所述待评价车辆的历史数据作为样本数据;所述历史数据包括:位置数据和里程数据;
对所述样本数据进行训练,得到所述车辆行驶路线集中度评估模型,所述车辆行驶路线集中度评估模型用于表征所述样本数据与待评价车辆行驶路线的集中趋势和离散程度之间的关系;
其中,所述对所述样本数据进行训练,得到所述车辆行驶路线集中度评估模型,具体包括:
确定各行驶记录终点位置相对于起点位置的方位角,并将所述行驶记录对应的里程值记录为所述方位角对应的里程值;
按照预设度数值,将各所述方位角分成多个度数区间,将所述方位角对应的里程值记录为所述方位角所在的度数区间对应的里程值;
将所述度数区间对应的多个里程值相加得到所述度数区间对应的里程累计值;
根据各所述度数区间对应的里程累计值输出车辆的行驶路线的集中趋势和离散程度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910490885.0A CN110222421B (zh) | 2019-06-06 | 2019-06-06 | 一种行驶路线集中度评估方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910490885.0A CN110222421B (zh) | 2019-06-06 | 2019-06-06 | 一种行驶路线集中度评估方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110222421A CN110222421A (zh) | 2019-09-10 |
CN110222421B true CN110222421B (zh) | 2023-03-10 |
Family
ID=67819716
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910490885.0A Active CN110222421B (zh) | 2019-06-06 | 2019-06-06 | 一种行驶路线集中度评估方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110222421B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112785055B (zh) * | 2021-01-18 | 2024-02-06 | 优必爱信息技术(北京)有限公司 | 车辆加油日期预测方法及设备 |
CN113029175B (zh) * | 2021-03-11 | 2021-09-10 | 东莞职业技术学院 | 考虑双程的多途经点的快速路径规划方法 |
CN114166890B (zh) * | 2021-11-05 | 2022-07-19 | 西南交通大学 | 一种车载epr电缆运行年龄的估算方法 |
CN116109145B (zh) * | 2023-04-10 | 2023-06-20 | 天津所托瑞安汽车科技有限公司 | 车辆行驶路线的风险评估方法、装置、终端及存储介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2014202733A (ja) * | 2013-04-10 | 2014-10-27 | トヨタ自動車株式会社 | ナビゲーション装置及びナビゲーション方法 |
CN106022846A (zh) * | 2016-06-17 | 2016-10-12 | 深圳市慧动创想科技有限公司 | 车险定价及二手车定价方法和装置 |
CN108492053A (zh) * | 2018-04-11 | 2018-09-04 | 北京汽车研究总院有限公司 | 驾驶员风险评估模型训练、风险评估方法和装置 |
WO2018168099A1 (ja) * | 2017-03-14 | 2018-09-20 | オムロン株式会社 | 集中度判定装置、集中度判定方法及び集中度判定のためのプログラム |
CN109033011A (zh) * | 2018-06-19 | 2018-12-18 | 东软集团股份有限公司 | 计算轨迹频繁度的方法、装置、存储介质及电子设备 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10878328B2 (en) * | 2016-06-21 | 2020-12-29 | Tata Consultancy Services Limited | Method and system for analyzing driver behaviour based on telematics data |
-
2019
- 2019-06-06 CN CN201910490885.0A patent/CN110222421B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2014202733A (ja) * | 2013-04-10 | 2014-10-27 | トヨタ自動車株式会社 | ナビゲーション装置及びナビゲーション方法 |
CN106022846A (zh) * | 2016-06-17 | 2016-10-12 | 深圳市慧动创想科技有限公司 | 车险定价及二手车定价方法和装置 |
WO2018168099A1 (ja) * | 2017-03-14 | 2018-09-20 | オムロン株式会社 | 集中度判定装置、集中度判定方法及び集中度判定のためのプログラム |
CN108492053A (zh) * | 2018-04-11 | 2018-09-04 | 北京汽车研究总院有限公司 | 驾驶员风险评估模型训练、风险评估方法和装置 |
CN109033011A (zh) * | 2018-06-19 | 2018-12-18 | 东软集团股份有限公司 | 计算轨迹频繁度的方法、装置、存储介质及电子设备 |
Also Published As
Publication number | Publication date |
---|---|
CN110222421A (zh) | 2019-09-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110222421B (zh) | 一种行驶路线集中度评估方法及系统 | |
EP3075621B1 (en) | Driving diagnosis method and driving diagnosis apparatus | |
US8645052B2 (en) | Motor vehicle acceleration determining system | |
CN100535957C (zh) | 交通信息系统 | |
CN111539454B (zh) | 一种基于元学习的车辆轨迹聚类方法及系统 | |
CN106649709B (zh) | 一种基于数据挖掘的车辆停留行为模式预测与评估方法 | |
US10514696B2 (en) | Navigation driving metric | |
CN108091133A (zh) | 一种基于海量交通数据分析的车辆安全驾驶行为分析方法 | |
EP3420308B1 (en) | Road monitoring method and system | |
JP2019112049A (ja) | 陸上車両の運転者の運転スタイルを認識するための方法及び対応する装置 | |
JP2016217084A (ja) | 路面状況計測システム、路面状況計測方法並びに路面状況計測プログラム | |
CN110852542B (zh) | 一种道路平整度的计算方法及系统 | |
CN111127906B (zh) | 一种基于物联网的智能路面管理系统及其方法 | |
CN109886724B (zh) | 一种鲁棒性的居民出行轨迹识别方法 | |
EP3688487A1 (de) | Verfahren und system zum kartieren und lokalisieren eines fahrzeugs basierend auf radarmessungen | |
CN113360587B (zh) | 一种基于gis技术的土地测绘设备及测绘方法 | |
US20230066476A1 (en) | System and method for monitoring a vehicle | |
Wood et al. | EPA GHG certification of medium-and heavy-duty vehicles: Development of road grade profiles representative of US controlled access highways | |
CN109387374B (zh) | 一种车道保持水平评价方法 | |
CN110909907A (zh) | 卡车的油耗预测方法、装置及存储介质 | |
CN110135216A (zh) | 电子地图中车道数变化区域检测方法、装置及存储设备 | |
JP2019114039A (ja) | 異常検出装置 | |
CN116416780A (zh) | 一种路侧感知系统的测试方法、装置、测试设备和介质 | |
CN116663939B (zh) | 一种无人车路径规划场景及任务的复杂度评价方法和系统 | |
Richardson et al. | Network stratification method by travel time variation |
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 |