CN110490507A - 一种物流网络的新增线路检测方法、装置及设备 - Google Patents
一种物流网络的新增线路检测方法、装置及设备 Download PDFInfo
- Publication number
- CN110490507A CN110490507A CN201910598911.1A CN201910598911A CN110490507A CN 110490507 A CN110490507 A CN 110490507A CN 201910598911 A CN201910598911 A CN 201910598911A CN 110490507 A CN110490507 A CN 110490507A
- Authority
- CN
- China
- Prior art keywords
- newly
- track
- increased
- route
- logistics network
- 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
Links
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
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/08—Logistics, e.g. warehousing, loading or distribution; Inventory or stock management
- G06Q10/083—Shipping
- G06Q10/0838—Historical data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/20—Image enhancement or restoration by the use of local operators
- G06T5/30—Erosion or dilatation, e.g. thinning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30236—Traffic on road, railway or crossing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30241—Trajectory
Abstract
一种物流网络的新增线路检测方法包括:获取物流系统的运输车辆和/或收派人员的轨迹数据;根据轨迹数据中的轨迹的关键点,将轨迹划分为多个轨迹段;将所述轨迹段与物流网络进行匹配,获取疑似新增线路的轨迹段;对所述疑似新增线路的轨迹段进行聚类,得到所述疑似新增线路的轨迹段对应的类簇;提取所述类簇对应的多边形,根据所述类簇对应多边形与物流网络的线路的重合比率,确定所述疑似新增线路是否为新增线路。根据物流系统的运输车辆和/或收派人员的轨迹数据,有利于提高数据采集的效率,降低采集成本,并且通过匹配聚类,计算类簇多边形与线路匹配,有利于提高新增线路的判断精度。
Description
技术领域
本申请属于道路检测领域,尤其涉及一种物流网络的新增道路检测方法、装置及设备。
背景技术
物流网络是指由完成物流货物配送的线路,以及完成物流货物包装、装卸、保管、分货、配货、流通加工等处理的结点所组成的网络。其中,线路可以包括用于集货运输的集货运输线路、干线运输线路和配送线路等。由于交通建设的原因,物流网络的线路可能需要相应的更新。
目前在检测新增物流网络的线路时,一般是由专业的道路检测工作人员对现场的线路信息进行检测,并根据检测的道路信息与之前的物流网络进行比较,根据比较结果来确定新增的线路。由于物流网络的线路范围较广,采集线路信息的周期较长,成本较高,并且由于周期较长导致更新的时效性不佳。
发明内容
有鉴于此,本申请实施例提供了一种物流网络的新增线路检测方法、装置及设备,以解决现有技术中通过道路检测工作人员采集线路信息时,采集线路信息的周期较长,成本较高,并且由于周期较长导致更新的时效性不佳的问题。
本申请实施例的第一方面提供了一种物流网络的新增线路检测方法,所述物流网络的新增线路检测方法包括:
获取物流系统的运输车辆和/或收派人员的轨迹数据;
根据轨迹数据中的轨迹的关键点,将轨迹划分为多个轨迹段;
将所述轨迹段与物流网络进行匹配,获取疑似新增线路的轨迹段;
对所述疑似新增线路的轨迹段进行聚类,得到所述疑似新增线路的轨迹段对应的类簇;
提取所述类簇对应的多边形,根据所述类簇对应多边形与物流网络的线路的重合比率,确定所述疑似新增线路是否为新增线路。
结合第一方面,在第一方面的第一种可能实现方式中,所述根据轨迹数据中的轨迹的关键点,将轨迹划分为多个轨迹段的步骤包括:
对所获取的轨迹数据中的轨迹进行清洗;
当所述轨迹为运输车辆的轨迹时,根据调试任务确定所述轨迹的关键点,根据所述关键点对清洗后的所述轨迹进行划分;
当所述轨迹为收派人员的轨迹时,根据工作时长确定轨迹时长,根据所述轨迹的停留时间确定所述关键点,根据所述关键点对清洗后的所述轨迹进行划分。
结合第一方面的第一种可能实现方式,在第一方面的第二种可能实现方式中,所述根据所述轨迹的停留时间确定所述关键点的步骤包括:
当数量大于预定的第一停留点数值的N1个连续的轨迹点在小于预设的第一区域的范围折返,根据所述N1个连续的轨迹点确定关键点;
当数量大于预定的第二停留点数值的N2个连续的轨迹点在小于预设的第二区域且大于第一区域的范围内折返时,计算N2个轨迹点所构成的凸包的周长,当相邻两个轨迹点之间的长度与所述周长的比值大于预定比值时,根据所述N2个连续的轨迹点确定关键点。
结合第一方面,在第一方面的第三种可能实现方式中,在所述将所述轨迹段与物流网络进行匹配,获取疑似新增线路的轨迹段的步骤之前,所述方法还包括:
获取收派人员的轨迹的速度和/或轨迹的路径;
根据所述轨迹的速度和/或轨迹的路径,确定所述收派人员的车辆类型;
根据车辆类型确定所述轨迹所匹配的物流网络的线路。
结合第一方面,在第一方面的第四种可能实现方式中,所述对所述疑似新增线路的轨迹段进行聚类,得到所述疑似新增线路的轨迹段对应的类簇的步骤包括:
通过轨迹段中的转向点,对疑似新增线路的轨迹段进行分割得到轨迹子段;
根据所述轨迹子段之间的距离特征,将多个轨迹子段进行归组聚类,得到由所述轨迹子段构成的类簇。
结合第一方面,在第一方面的第五种可能实现方式中,所述提取所述类簇对应的多边形的步骤包括:
提取所述类簇中的轨迹段的像素点,得到类簇的二值栅格图像;
对所述二值栅格图像进行平滑处理和图像开闭运算处理,获取类簇对应的道路区域;
提取所述道路区域的边界像素点,根据所述边界像素点生成类簇对应的多边形。
结合第一方面,在第一方面的第六种可能实现方式中,所述根据所述类簇对应多边形与物流网络的线路的重合比率,确定所述疑似新增线路是否为新增线路的步骤包括:
查找与所述类簇对应的多边形相交的物流网络的路段;
确定所述类簇对应的多边形与所述物流网络的路段的相交区域的第一面积,以及所述类簇对应的多边形的第二面积;
在所述第一面积与第二面积的比值小于预定的匹配阈值,确定所述疑似新增线路是否为新增线路。
结合第一方面,在第一方面的第七种可能实现方式中,所述轨迹数据还包括轨迹类型、轨迹运动速度、轨迹运动方向、轨迹采集设备的唯一编号、轨迹对应的调度任务中的一项或者多项。
本申请实施例的第二方面提供了一种物流网络的新增线路检测装置,所述物流网络的新增线路检测装置包括:
轨迹数据获取单元,用于获取物流系统的运输车辆和/或收派人员的轨迹数据;
轨迹段划分单元,用于根据轨迹数据中的轨迹的关键点,将轨迹划分为多个轨迹段;
匹配单元,用于将所述轨迹段与物流网络进行匹配,获取疑似新增线路的轨迹段;
聚类单元,用于对所述疑似新增线路的轨迹段进行聚类,得到所述疑似新增线路的轨迹段对应的类簇;
新增线路确定单元,用于提取所述类簇对应的多边形,根据所述类簇对应多边形与物流网络的线路的重合比率,确定所述疑似新增线路是否为新增线路。
本申请实施例的第三方面提供了一种物流网络的新增线路检测设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如第一方面任一项所述物流网络的新增线路检测方法的步骤。
本申请实施例的第四方面提供了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现如第一方面任一项所述物流网络的新增线路检测方法的步骤。
本申请实施例与现有技术相比存在的有益效果是:通过获取物流系统的运输车辆和/或收派人员的轨迹数据,可以不需要专门的道路检测人员进行检测,有利于节省物流网络的新增线路检测成本,并且能够有效的利用物流网络的轨迹采集端大数量、并发性的特点,能够更为高效的完成数据采集,有利于提高物流网络的新增线路的检测效率。通过对轨迹匹配,对疑似新增路线的轨迹段进行聚类并提取聚类后的类簇的多边形进行匹配,有利于提高新增线路的判断精度。
附图说明
为了更清楚地说明本申请实施例中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本申请的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1是本申请实施例提供的一种物流网络的新增线路检测方法的实施场景示意图;
图2是本申请实施例提供的一种物流网络的新增线路检测方法的实现流程示意图;
图3是本申请实施例提供的停留点示意图;
图4是本申请实施例提供的一种类簇生成方法的实现流程示意图;
图5是本申请实施例提供的一种确定类簇对应的多边形的实现流程示意图;
图6是本申请实施例提供的一种对矢量轨迹栅格化后的示意图;
图7是本申请实施例提供的一种判断是否为新增线路的实现流程示意图;
图8是本申请实施例提供的根据相交区域面积确定新增线路的示意图;
图9是本申请实施例提供的物流网络的新增线路检测装置的示意图;
图10是本申请实施例提供的物流网络的新增线路检测设备的示意图。
具体实施方式
以下描述中,为了说明而不是为了限定,提出了诸如特定系统结构、技术之类的具体细节,以便透彻理解本申请实施例。然而,本领域的技术人员应当清楚,在没有这些具体细节的其它实施例中也可以实现本申请。在其它情况中,省略对众所周知的系统、装置、电路以及方法的详细说明,以免不必要的细节妨碍本申请的描述。
为了说明本申请所述的技术方案,下面通过具体实施例来进行说明。
图1为本申请实施例提供的物流网络的新增线路检测方法的实施场景示意图,如图1所示,所述实施场景包括服务器101、运输车辆102、收派人员携带的扫描终端103,其中,所述运动车辆102设置有第一定位装置1021,所述扫描终端103上设置有第二定位装置1031。所述第一定位装置和第二定位装置可以相同,也可不同。比如,所述第一定位装置或第二定位装置可以包括卫星定位、基站定位等定位方式中的一种或者多种。每个收派人员通常会携带所述扫描终端103,从而对收取或派发的物流件进行扫码记录。通过所述扫描终端103中的定位装置1031记录收派人员的位置,由所述运输车辆的定位装置1021记录运输车辆的位置,并按照预定的时间间隔将所述收派人员的位置发送至服务器101。所述服务器101可以根据所述位置,生成运输车辆和收派人员的轨迹数据,并对所述轨迹数据进行分段、对比、聚类、区域对比的方式,来确定物流网络的新增线路。
图2为本申请实施例提供的一种物流网络的新增线路检测方法的实现流程示意图,详述如下:
在步骤S201中,获取物流系统的运输车辆和/或收派人员的轨迹数据;
通过在物流系统的运输车辆中设置定位装置,可以实时的获取所述运输车辆的位置,根据所采集的运输车辆位置、所采集的运输车辆位置的时间,可以生成所述运输车辆轨迹数据。由于收派人员一般会携带有扫描终端,通过在扫描终端中设置定位装置,通过定位装置所采集的扫描终端的位置,作为所述收派人员的位置。根据所采集的扫描终端的位置,结合所述位置对应的采集时间,生成所述收派人员的轨迹数据。
当然,作为本申请优选的实施方式中,所述轨迹数据还可以包括轨迹的类型,比如为运输车辆的轨迹或收派人员的轨迹。或者所述轨迹数据还可以包括运输车辆或收派人员的运动速度、运动方位角、采集设备的唯一编号信息、调度任务等,以便于根据所述轨迹数据对新增道路进行更为精确的检测。根据所述轨迹的类型,可以选择与该轨迹所需要匹配的不同的道路类型。比如轨迹的类型为运输车辆的位置时,则可以为所述运输车辆对应的轨迹匹配较高级别的道路,比如调整公路或一级公路等。如果轨迹类型为收派人员时,则可以匹配较低级别的道路,比如乡村公路、街道等。获取所述轨迹的运动速度、运动方位角,可以用于辅助匹配物流网络的线路匹配,比如,根据轨迹的运动方向与线路的方向进行匹配,根据轨迹的运动速度与线路的限速要求进行匹配等。通过所述采集设备的唯一编号信息,可以便于对采集的轨迹进行标识,并根据该标识建立与其它属性的对应关系。所述调度任务可以用于确定用于分割的关键点,通过所述关键点对运输车辆的线路进行时分割。
在步骤S202中,根据轨迹数据中的轨迹的关键点,将轨迹划分为多个轨迹段;
在对所述轨迹数据中的轨迹进行分段前,可以对所述轨迹进行清洗。可以根据相邻轨迹点的时间间隔是否异常、相邻轨迹点的距离间隔是否异常来确定异常的轨迹点。所述时间间隔异常可以包括相邻轨迹点的时间间隔与预定的标准时间间隔的比值大于预定比值,来确定所述轨迹点是否异常。通过相邻轨迹点的距离间隔来判断轨迹点是否异常时,可以结合轨迹数据所对应的交通工具类型来确定相邻轨迹点之间的距离阈值,如果所述距离阈值大于预定距离阈值,则确定该轨迹点为异常的轨迹点并清洗掉该异常轨迹点。
所述关键点,可以为运输车辆的任务起点和终点,也可以为收派人员的停留点。
当所述轨迹数据为运输车辆的轨迹数据时,则可以根据运输车辆的调度任务来确定关键点。其中,所述调度任务一般为从某个中转场或网点出发,到达另一个中转场或网点。所述运动车辆的轨迹一般为高等级道路,比如高速公路或一级公路等。通过调度任务的节点对所述运输车辆的轨迹进行划分,得到运输车辆的多个轨迹段。
当所述轨迹数据为收派人员的轨迹数据时,则可以根据所述收派人员的停留点来确定所述关键点。即根据收派人员的收件行为、派件行为所产生的停留点对轨迹进行划分,将收派人员的轨迹进行划分。另外,本申请对物流网络进行更新检测,可以按照收派人员的工作时间,对所述收派人员的轨迹进行截取,再进一步根据停留点所确定的关键点来对所截取的收派人员的轨迹进行划分。
受城市高大建筑遮挡与定位设备信号差等因素的影响,收派人员的停留点所对应的轨迹点通常不会固定在同一个位置,其表现形式主要有以下两种,如图3所示:
第一类停留点(图3左边的停留点),一般也可以表示为静止停留点。其表现为数量较多的轨迹点集中在预设的相对于第二区域的面积较小的第一区域,或者小于所述第一区域的范围内折返,且轨迹点个数N1大于预定的第一停留点数值。由于轨迹点按照预定的时间间隔采集,因此,可以通过活动范围是否小于第一区域,以及连续轨迹点的个数N1是否大于预定的第一停留点数值,来确定是否符合第一类停留点。当位于第一区域内的轨迹点个数大于预定的第一停留点数值时,则表示轨迹点在所述第一区域的停留时长大于预定时长,可以根据所述N1个连续的轨迹点所在的第一区域的中心确定为所述停留点,即关键点的位置。
第二类停留点(图3右边的停留点)表现为数量较多的轨迹点集中在较大的第二区域。当连续N2个轨迹点属于所述第二区域,且N2大于预定的第二停留点数值时,则可以进一步确定所述N2个轨迹点所构成的凸包的周长,并计算所述第二区域内任意相连的两个轨迹点之间的长度与所述周长的比值,如果存在所述比值大于预定比值,则第二区域内的轨迹不是停留点,如果不存在所述比值大于预定比值,则第二区域内的轨迹可视为一个停留点,并根据所述第二区域确定停留点,比如可以设定第二区域内的任意一个位置点为停留点,或者设定第二区域的中心点为停留点。
其中,所述凸包根据所述第二区域内的轨迹点中的最外层的点连接起来所构成的多边形,对于轨迹点集合X的凸包,可以用所有包含X的凸集的交集确定所述轨迹点集合X的凸包。所述凸集是指实数R上(或复数C上)的向量空间中,如果集合S中任两点的连线上的点都在S内,则称集合S为凸集。
其中,预设的第一停留点数值和第二停留点数值可以相同,也可以不同。所述预定比值可以为绕路阈值。
在步骤S203中,将所述轨迹段与物流网络进行匹配,获取疑似新增线路的轨迹段;
在将轨迹段与物流网络进行匹配时,还可以包括确定收派人员的车辆类型的步骤,比如可以获取收派人员的轨迹的速度和/或轨迹的路径,根据所述轨迹的速度和/或轨迹的路径,来确定收派人员的车辆类型,比如包括电动车、小汽车等。由于电动车和小汽车的通行规则不同,并且电动车最高可达速度低于机动车,可以通过收派人员的轨迹的路径,和/或收派人员的速度,来确定所述收派人员的车辆类型,根据所述车辆类型可以确定其轨迹所匹配的物联网络的线路,从而进一步提高物流网络的线路的匹配精度。
所述线路匹配算法可以包括基于几何特征匹配方式、顾及路由的HMM(隐马尔科夫模型)匹配方式,或者基于匹配路径概率的匹配方式等。当轨迹与物流网络的匹配度小于预定值时,则可将该段不匹配的轨迹确定为疑似新增线路的轨迹段。
在步骤S204中,对所述疑似新增线路的轨迹段进行聚类,得到所述疑似新增线路的轨迹段对应的类簇;
在确定疑似新增线路的轨迹段后,可对疑似新增线路的轨迹段中的轨迹进行聚类处理,得到疑似新增线路的轨迹段所对应的类簇,避免因轨迹漂移、地图匹配错误的偶然现象影响,使新路检测结果更具可信度。聚类过程具体可以如图4所示,包括:
在步骤S401中,通过轨迹段中的转向点,对疑似新增线路的轨迹段进行分割得到轨迹子段;
为了减少计算量,可以对疑似新增线路的轨迹进一步分割,得到轨迹子段。可以为所述轨迹段中包括的转向点作为特征点,通过特征点序列替代原始轨迹,通过较少的特征点描述原始轨迹,可采用轨迹压缩算法Douglas-Peuker(道格拉斯-普克)算法或Traclus中的MDL(最小描述长度)原则进行轨迹分段得到轨迹子段。所述转向点是指轨迹方向角发生变化,且方向角的变化角度大于预定的角度时所对应的轨迹点。比如,所述预定的角度可以为45度等。
在步骤S402中,根据所述轨迹子段之间的距离特征,将多个轨迹子段进行归组聚类,得到由所述轨迹子段构成的类簇。
可以根据所述轨迹子段之间的距离特征,比如可以包括如垂直距离、平行距离和夹角距离等,通过线性加权计算综合相似度,可以通过基于密度的聚类算法,把密度大于预定值的线段聚为一类,得到由所述轨迹子段构成的类簇。
类簇的密度越高,表示偏离物流网络的线路的轨迹子段的数量越多,因而检测到新增线路的可能性越高。考虑不同区域配送人员或车辆数量的差异,给定不同区域密度阈值,滤除低于该阈值的类簇。
在步骤S205中,提取所述类簇对应的多边形,根据所述类簇对应多边形与物流网络的线路的重合比率,确定所述疑似新增线路是否为新增线路。
对于高密度的类簇,可以采样矢量栅格化的方式提取类簇的多边形,具体可以如图5所示,包括:
在步骤S501中,提取所述类簇中的轨迹段的像素点,得到类簇的二值栅格图像;
在对所述类簇中的轨迹段或者轨迹子段对应的矢量转化为栅格化格式时,所提取的栅格的分辨率应当满足车道级别的道路变更检测要求,比如可设定栅格的分辨率小于10米。可以分别对类簇中的轨迹段或子轨迹段采用Bresenham(布兰森汉姆)算法提取像素点,得到二值栅格图像,比如可以得到如6所示的栅格化图像。
在步骤S502中,对所述二值栅格图像进行平滑处理和图像开闭运算处理,获取类簇对应的道路区域;
由于轨迹点漂移或道路覆盖率低,栅格化后的类簇图像会存在孔洞,对栅格化后的图像,可以进行高斯平滑与若干次的图像开闭运算,消除孔洞,获取完整的道路区域。比如可以一次高斯平滑处理,结合三次图像开闭运算来消除孔洞。
在步骤S503中,提取所述道路区域的边界像素点,根据所述边界像素点生成类簇对应的多边形。
可以提取上述处理后的类簇区域边界(包括内、外轮廓)的像素点坐标,对轮廓线进行压缩,获取所述类簇区域所对应的多边形。并可以根据所获取的类簇对应的多边形,与物流网络的线路进行匹配,来确定所述疑似新增线路是否为新增线路,具体可以如图7所示,包括:
在步骤S701中,查找与所述类簇对应的多边形相交的物流网络的路段;
根据所述类簇所确定的多边形的位置区域,在该位置区域查找是否存在物流网络的线路,如果存在物流网络的线路,则进一步进行匹配计算,如果不存在物流网络的线路,则直接确认为新增线路。
在步骤S702中,确定所述类簇对应的多边形与所述物流网络的路段的相交区域的第一面积,以及所述类簇对应的多边形的第二面积;
如图8所示,在获取了图6所示的栅格化图像后,如果所述类簇对应的多边形的位置区域存在物流网络的线路,则获取所述物流网络的线路宽度,根据所述线路宽度和类簇对应的多边形,可以计算两者相交区域的第一面积,以及类簇对应的多边形的第二面积。
在步骤S703中,在所述第一面积与第二面积的比值小于预定的匹配阈值,确定所述疑似新增线路是否为新增线路。
通过计算第一面积与第二面积的比值,即可确定所述疑似新增线路与物流网络的线路的匹配度,如果低于预定的匹配阈值,则确认该疑似新增线路为新增线路,否则确认该疑似新增线路为非新增线路。
应理解,上述实施例中各步骤的序号的大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本申请实施例的实施过程构成任何限定。
图9为本申请实施例提供的一种物流网络的新增线路检测装置的结构示意图,详述如下:
所述物流网络的新增线路检测装置包括:
轨迹数据获取单元901,用于获取物流系统的运输车辆和/或收派人员的轨迹数据;
轨迹段划分单元902,用于根据轨迹数据中的轨迹的关键点,将轨迹划分为多个轨迹段;
匹配单元903,用于将所述轨迹段与物流网络进行匹配,获取疑似新增线路的轨迹段;
聚类单元904,用于对所述疑似新增线路的轨迹段进行聚类,得到所述疑似新增线路的轨迹段对应的类簇;
新增线路确定单元905,用于提取所述类簇对应的多边形,根据所述类簇对应多边形与物流网络的线路的重合比率,确定所述疑似新增线路是否为新增线路。
图9所述物流网络的新增线路检测装置,与图2所述的物流网络的新增线路检测方法对应。
图10是本申请一实施例提供的物流网络的新增线路检测设备的示意图。如图10所示,该实施例的物流网络的新增线路检测设备10包括:处理器100、存储器101以及存储在所述存储器101中并可在所述处理器100上运行的计算机程序102,例如物流网络的新增线路检测程序。所述处理器100执行所述计算机程序102时实现上述各个物流网络的新增线路检测方法实施例中的步骤。或者,所述处理器100执行所述计算机程序102时实现上述各装置实施例中各模块/单元的功能。
示例性的,所述计算机程序102可以被分割成一个或多个模块/单元,所述一个或者多个模块/单元被存储在所述存储器101中,并由所述处理器100执行,以完成本申请。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段,该指令段用于描述所述计算机程序102在所述物流网络的新增线路检测设备10中的执行过程。例如,所述计算机程序102可以被分割成:
轨迹数据获取单元,用于获取物流系统的运输车辆和/或收派人员的轨迹数据;
轨迹段划分单元,用于根据轨迹数据中的轨迹的关键点,将轨迹划分为多个轨迹段;
匹配单元,用于将所述轨迹段与物流网络进行匹配,获取疑似新增线路的轨迹段;
聚类单元,用于对所述疑似新增线路的轨迹段进行聚类,得到所述疑似新增线路的轨迹段对应的类簇;
新增线路确定单元,用于提取所述类簇对应的多边形,根据所述类簇对应多边形与物流网络的线路的重合比率,确定所述疑似新增线路是否为新增线路。
所述物流网络的新增线路检测设备10可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述物流网络的新增线路检测设备可包括,但不仅限于,处理器100、存储器101。本领域技术人员可以理解,图9仅仅是物流网络的新增线路检测设备10的示例,并不构成对物流网络的新增线路检测设备10的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件,例如所述物流网络的新增线路检测设备还可以包括输入输出设备、网络接入设备、总线等。
所称处理器100可以是中央处理单元(Central Processing Unit,CPU),还可以是其他通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现成可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
所述存储器101可以是所述物流网络的新增线路检测设备10的内部存储单元,例如物流网络的新增线路检测设备10的硬盘或内存。所述存储器101也可以是所述物流网络的新增线路检测设备10的外部存储设备,例如所述物流网络的新增线路检测设备10上配备的插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(Flash Card)等。进一步地,所述存储器101还可以既包括所述物流网络的新增线路检测设备10的内部存储单元也包括外部存储设备。所述存储器101用于存储所述计算机程序以及所述物流网络的新增线路检测设备所需的其他程序和数据。所述存储器101还可以用于暂时地存储已经输出或者将要输出的数据。
所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,仅以上述各功能单元、模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能单元、模块完成,即将所述装置的内部结构划分成不同的功能单元或模块,以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中,上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。另外,各功能单元、模块的具体名称也只是为了便于相互区分,并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述或记载的部分,可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本申请的范围。
在本申请所提供的实施例中,应该理解到,所揭露的装置/终端设备和方法,可以通过其它的方式实现。例如,以上所描述的装置/终端设备实施例仅仅是示意性的,例如,所述模块或单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口,装置或单元的间接耦合或通讯连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本申请各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
所述集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本申请实现上述实施例方法中的全部或部分流程,也可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一计算机可读存储介质中,该计算机程序在被处理器执行时,可实现上述各个方法实施例的步骤。其中,所述计算机程序包括计算机程序代码,所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括:能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是,所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减,例如在某些司法管辖区,根据立法和专利实践,计算机可读介质不包括是电载波信号和电信信号。
以上所述实施例仅用以说明本申请的技术方案,而非对其限制;尽管参照前述实施例对本申请进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围,均应包含在本申请的保护范围之内。
Claims (11)
1.一种物流网络的新增线路检测方法,其特征在于,所述物流网络的新增线路检测方法包括:
获取物流系统的运输车辆和/或收派人员的轨迹数据;
根据轨迹数据中的轨迹的关键点,将轨迹划分为多个轨迹段;
将所述轨迹段与物流网络进行匹配,获取疑似新增线路的轨迹段;
对所述疑似新增线路的轨迹段进行聚类,得到所述疑似新增线路的轨迹段对应的类簇;
提取所述类簇对应的多边形,根据所述类簇对应多边形与物流网络的线路的重合比率,确定所述疑似新增线路是否为新增线路。
2.根据权利要求1所述的物流网络的新增线路检测方法,其特征在于,所述根据轨迹数据中的轨迹的关键点,将轨迹划分为多个轨迹段的步骤包括:
对所获取的轨迹数据中的轨迹进行清洗;
当所述轨迹为运输车辆的轨迹时,根据调试任务确定所述轨迹的关键点,根据所述关键点对清洗后的所述轨迹进行划分;
当所述轨迹为收派人员的轨迹时,根据工作时长确定轨迹时长,根据所述轨迹的停留时间确定所述关键点,根据所述关键点对清洗后的所述轨迹进行划分。
3.根据权利要求2所述的物流网络的新增线路检测方法,其特征在于,所述根据所述轨迹的停留时间确定所述关键点的步骤包括:
当数量大于预定的第一停留点数值的N1个连续的轨迹点在小于预设的第一区域的范围折返,根据所述N1个连续的轨迹点确定关键点;
当数量大于预定的第二停留点数值的N2个连续的轨迹点在小于预设的第二区域且大于第一区域的范围内折返时,计算N2个轨迹点所构成的凸包的周长,当相邻两个轨迹点之间的长度与所述周长的比值大于预定比值时,根据所述N2个连续的轨迹点确定关键点。
4.根据权利要求1所述的物流网络的新增线路检测方法,其特征在于,在所述将所述轨迹段与物流网络进行匹配,获取疑似新增线路的轨迹段的步骤之前,所述方法还包括:
获取收派人员的轨迹的速度和/或轨迹的路径;
根据所述轨迹的速度和/或轨迹的路径,确定所述收派人员的车辆类型;
根据车辆类型确定所述轨迹所匹配的物流网络的线路。
5.根据权利要求1所述的物流网络的新增线路检测方法,其特征在于,所述对所述疑似新增线路的轨迹段进行聚类,得到所述疑似新增线路的轨迹段对应的类簇的步骤包括:
通过轨迹段中的转向点,对疑似新增线路的轨迹段进行分割得到轨迹子段;
根据所述轨迹子段之间的距离特征,将多个轨迹子段进行归组聚类,得到由所述轨迹子段构成的类簇。
6.根据权利要求1所述的物流网络的新增线路检测方法,其特征在于,所述提取所述类簇对应的多边形的步骤包括:
提取所述类簇中的轨迹段的像素点,得到类簇的二值栅格图像;
对所述二值栅格图像进行平滑处理和图像开闭运算处理,获取类簇对应的道路区域;
提取所述道路区域的边界像素点,根据所述边界像素点生成类簇对应的多边形。
7.根据权利要求1所述的物流网络的新增线路检测方法,其特征在于,所述根据所述类簇对应多边形与物流网络的线路的重合比率,确定所述疑似新增线路是否为新增线路的步骤包括:
查找与所述类簇对应的多边形相交的物流网络的路段;
确定所述类簇对应的多边形与所述物流网络的路段的相交区域的第一面积,以及所述类簇对应的多边形的第二面积;
在所述第一面积与第二面积的比值小于预定的匹配阈值,确定所述疑似新增线路是否为新增线路。
8.根据权利要求1所述的物流网络的新增线路检测装置,其特征在于,所述轨迹数据还包括轨迹类型、轨迹运动速度、轨迹运动方向、轨迹采集设备的唯一编号、轨迹对应的调度任务中的一项或者多项。
9.一种物流网络的新增线路检测装置,其特征在于,所述物流网络的新增线路检测装置包括:
轨迹数据获取单元,用于获取物流系统的运输车辆和/或收派人员的轨迹数据;
轨迹段划分单元,用于根据轨迹数据中的轨迹的关键点,将轨迹划分为多个轨迹段;
匹配单元,用于将所述轨迹段与物流网络进行匹配,获取疑似新增线路的轨迹段;
聚类单元,用于对所述疑似新增线路的轨迹段进行聚类,得到所述疑似新增线路的轨迹段对应的类簇;
新增线路确定单元,用于提取所述类簇对应的多边形,根据所述类簇对应多边形与物流网络的线路的重合比率,确定所述疑似新增线路是否为新增线路。
10.一种物流网络的新增线路检测设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1至8任一项所述物流网络的新增线路检测方法的步骤。
11.一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至8任一项所述物流网络的新增线路检测方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910598911.1A CN110490507B (zh) | 2019-07-04 | 2019-07-04 | 一种物流网络的新增线路检测方法、装置及设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910598911.1A CN110490507B (zh) | 2019-07-04 | 2019-07-04 | 一种物流网络的新增线路检测方法、装置及设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110490507A true CN110490507A (zh) | 2019-11-22 |
CN110490507B CN110490507B (zh) | 2022-08-12 |
Family
ID=68546084
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910598911.1A Active CN110490507B (zh) | 2019-07-04 | 2019-07-04 | 一种物流网络的新增线路检测方法、装置及设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110490507B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111159321A (zh) * | 2019-12-13 | 2020-05-15 | 智慧航海(青岛)科技有限公司 | 船舶轨迹数据筛选方法和装置 |
CN111737377A (zh) * | 2019-12-25 | 2020-10-02 | 腾讯科技(深圳)有限公司 | 一种漂移轨迹的识别方法、装置及计算设备、存储介质 |
CN112633812A (zh) * | 2020-12-30 | 2021-04-09 | 北京优挂信息科技有限公司 | 货运车辆的轨迹分段方法、装置、设备及存储介质 |
CN112633389A (zh) * | 2020-12-28 | 2021-04-09 | 西北工业大学 | 一种基于mdl和速度方向的飓风运动轨迹趋势计算方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100179849A1 (en) * | 2009-01-09 | 2010-07-15 | General Electric Company | System and method for identifying backhaul opportunities |
WO2011044924A1 (en) * | 2009-10-12 | 2011-04-21 | Telefonaktiebolaget Lm Ericsson (Publ) | Method and arrangement for improved positioning |
WO2016150407A1 (zh) * | 2015-03-23 | 2016-09-29 | 华南理工大学 | 一种基于地址解析数据的建设用地类型快速识别方法 |
CN108931795A (zh) * | 2018-05-21 | 2018-12-04 | 千寻位置网络有限公司 | 定位设备轨迹优化和边界提取方法及装置 |
CN109242211A (zh) * | 2018-10-16 | 2019-01-18 | 顺丰科技有限公司 | 一种运输网络规划方法、系统、设备及存储介质 |
CN109405840A (zh) * | 2017-08-18 | 2019-03-01 | 中兴通讯股份有限公司 | 地图数据更新方法、服务器及计算机可读存储介质 |
US20190155290A1 (en) * | 2017-07-13 | 2019-05-23 | Beijing Didi Infinity Technology And Development Co., Ltd. | Systems and methods for trajectory determination |
-
2019
- 2019-07-04 CN CN201910598911.1A patent/CN110490507B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100179849A1 (en) * | 2009-01-09 | 2010-07-15 | General Electric Company | System and method for identifying backhaul opportunities |
WO2011044924A1 (en) * | 2009-10-12 | 2011-04-21 | Telefonaktiebolaget Lm Ericsson (Publ) | Method and arrangement for improved positioning |
WO2016150407A1 (zh) * | 2015-03-23 | 2016-09-29 | 华南理工大学 | 一种基于地址解析数据的建设用地类型快速识别方法 |
US20190155290A1 (en) * | 2017-07-13 | 2019-05-23 | Beijing Didi Infinity Technology And Development Co., Ltd. | Systems and methods for trajectory determination |
CN109405840A (zh) * | 2017-08-18 | 2019-03-01 | 中兴通讯股份有限公司 | 地图数据更新方法、服务器及计算机可读存储介质 |
CN108931795A (zh) * | 2018-05-21 | 2018-12-04 | 千寻位置网络有限公司 | 定位设备轨迹优化和边界提取方法及装置 |
CN109242211A (zh) * | 2018-10-16 | 2019-01-18 | 顺丰科技有限公司 | 一种运输网络规划方法、系统、设备及存储介质 |
Non-Patent Citations (2)
Title |
---|
丁宇虹: "基于目标匹配的道路网增量信息的识别和提取", 《山西交通科技》 * |
唐炉亮等: "基于GPS时空轨迹的路网拓扑自动变化检测", 《武汉大学学报(信息科学版)》 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111159321A (zh) * | 2019-12-13 | 2020-05-15 | 智慧航海(青岛)科技有限公司 | 船舶轨迹数据筛选方法和装置 |
CN111737377A (zh) * | 2019-12-25 | 2020-10-02 | 腾讯科技(深圳)有限公司 | 一种漂移轨迹的识别方法、装置及计算设备、存储介质 |
CN111737377B (zh) * | 2019-12-25 | 2022-06-03 | 腾讯科技(深圳)有限公司 | 一种漂移轨迹的识别方法、装置及计算设备、存储介质 |
CN112633389A (zh) * | 2020-12-28 | 2021-04-09 | 西北工业大学 | 一种基于mdl和速度方向的飓风运动轨迹趋势计算方法 |
CN112633389B (zh) * | 2020-12-28 | 2024-01-23 | 西北工业大学 | 一种基于mdl和速度方向的飓风运动轨迹趋势计算方法 |
CN112633812A (zh) * | 2020-12-30 | 2021-04-09 | 北京优挂信息科技有限公司 | 货运车辆的轨迹分段方法、装置、设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN110490507B (zh) | 2022-08-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110490507A (zh) | 一种物流网络的新增线路检测方法、装置及设备 | |
Chen et al. | Travel time prediction system based on data clustering for waste collection vehicles | |
US11709058B2 (en) | Path planning method and device and mobile device | |
Niemeyer et al. | Hierarchical higher order crf for the classification of airborne lidar point clouds in urban areas | |
Clode et al. | Detection and vectorization of roads from lidar data | |
Karagiorgou et al. | On vehicle tracking data-based road network generation | |
CN105975913B (zh) | 一种基于自适应聚类学习的道路网提取的方法 | |
WO2018068653A1 (zh) | 点云数据处理方法、装置及存储介质 | |
CN105206041B (zh) | 一种考虑时序dbscan的智能手机轨迹链簇识别方法 | |
JP2019153281A (ja) | 道路中の車線境界線を確定するための方法、装置および機器 | |
Keidar et al. | Robot exploration with fast frontier detection: Theory and experiments | |
Lee et al. | Semantic segmentation of bridge components based on hierarchical point cloud model | |
Chen et al. | T-DBSCAN: A Spatiotemporal Density Clustering for GPS Trajectory Segmentation. | |
EP3443482B1 (en) | Classifying entities in digital maps using discrete non-trace positioning data | |
Zhang et al. | Rethinking semantic segmentation evaluation for explainability and model selection | |
CN114428828A (zh) | 基于行驶轨迹挖掘新增道路方法、装置及电子设备 | |
Satari et al. | A multi‐resolution hybrid approach for building model reconstruction from lidar data | |
CN110021161B (zh) | 一种交通流向的预测方法及系统 | |
Prentow et al. | Making sense of trajectory data in indoor spaces | |
CN114170797A (zh) | 交通限制路口的识别方法、装置、设备、介质及产品 | |
CN115308770A (zh) | 一种基于拟合图形的动态障碍物检测方法 | |
Xu et al. | A real-time complex road AI perception based on 5G-V2X for smart city security | |
Ahmed et al. | Choosing thresholds for density-based map construction algorithms | |
Ai et al. | Geometry preserving active polygon-incorporated sign detection algorithm | |
Wang et al. | A traffic state recognition model based on feature map and deep learning |
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 |