CN110544378B - 一种手机用户拥车情况的判断方法 - Google Patents
一种手机用户拥车情况的判断方法 Download PDFInfo
- Publication number
- CN110544378B CN110544378B CN201910824863.3A CN201910824863A CN110544378B CN 110544378 B CN110544378 B CN 110544378B CN 201910824863 A CN201910824863 A CN 201910824863A CN 110544378 B CN110544378 B CN 110544378B
- Authority
- CN
- China
- Prior art keywords
- user
- satellite positioning
- bus
- data
- acceleration
- 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
- G06F18/231—Hierarchical techniques, i.e. dividing or merging pattern sets so as to obtain a dendrogram
-
- 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
-
- 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
-
- 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
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/123—Traffic control systems for road vehicles indicating the position of vehicles, e.g. scheduled vehicles; Managing passenger vehicles circulating according to a fixed timetable, e.g. buses, trains, trams
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Chemical & Material Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Analytical Chemistry (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Remote Sensing (AREA)
- Probability & Statistics with Applications (AREA)
- Radar, Positioning & Navigation (AREA)
- Traffic Control Systems (AREA)
- Navigation (AREA)
Abstract
本发明涉及手机用户属性判断领域,具体是一种手机用户拥车情况的判断方法,包括如下步骤:获取卫星定位轨迹数据和加速度计数据;进行数据异常点检测过滤与预处理;补充公交车站地理信息;特征提取与选择;公交车与其他交通模式的识别;识别用户是否有车。本发明通过使用卫星轨迹数据、加速度计数据以及公交车站地理信息,在进行公交车和其他交通模式识别后,对用户是否有车进行准确合理的判断,即在不调查用户实际的拥车情况下,能够根据用户提供的行程数据来判定其拥车情况,减少了信息采集的成本,避免侵犯用户的个人隐私等法律权限。
Description
技术领域
本发明涉及手机用户属性判断领域,具体是一种手机用户拥车情况的判断方法。
背景技术
当今社会,私家车出行已经成为人们出行选择的重要方式之一。随着车载智能设备和智能手机的普及,获取手机用户出行的数据也越来越方便。伴随大数据的存储能力和计算能力的提升,将手机用户出行数据应用到保险分析、政府交通监管等方面势在必行。对于手机用户是否拥车情况的识别,会对其驾驶行为的分析、判断和预测提供有力的支持。
由于手机用户的出行模式具有多样性,并且卫星定位技术在实际应用中会受到环境因素的影响,因此在无法准确获取手机用户拥车情况的条件下对其进行判断具有一定难度。因此,针对以上现状,迫切需要开发一种手机用户拥车情况的判断方法,以克服当前实际应用中的不足。
发明内容
本发明实施例的目的在于提供一种手机用户拥车情况的判断方法,以解决上述背景技术中提出的问题。
为实现上述目的,本发明实施例提供如下技术方案:
一种手机用户拥车情况的判断方法,包括如下步骤:
步骤A,获取卫星定位轨迹数据和加速度计数据;
步骤B,进行数据异常点检测过滤与预处理;
步骤C,补充公交车站地理信息;
步骤D,特征提取与选择;
步骤E,公交车与其他交通模式的识别;
步骤F,识别用户是否有车。
作为本发明进一步的方案:在步骤A中,卫星定位轨迹数据包括:卫星定位纬度、卫星定位经度、卫星定位时间、卫星定位方向、卫星定位速度、卫星定位精度和卫星数;加速度计数据包括:加速度计X轴加速度、加速度计Y轴加速度和加速度计Z轴加速度。
作为本发明进一步的方案:在步骤B中,对所取得的卫星定位数据进行过滤,去除卫星定位精度差、卫星定位时间异常、卫星定位经纬度异常、卫星定位方向异常和卫星定位速度异常的数据点;删除行程数小于20条或每次行程中左转和右转小于两次的行程。
作为本发明进一步的方案:在步骤C中,通过接入地图API获取地区公交车站地理信息,主要包括公交车站的地理经度信息和纬度信息。
作为本发明进一步的方案:在步骤D中,提取的特征包括速度有关特征、加速度有关特征和转弯有关特征,具体包括速度均值、速度最大值、速度最小值、加速度均值、加速度最大值、加速度最小值、加速度方差、转弯角度、角速度均值、角速度最大值和角速度最小值,并根据方差和均值,以及向左转和向右转将其扩展成44个特征指标。
作为本发明进一步的方案:在步骤E中,根据公交车站地理信息和用户行程数据,按照用户行程中在公交车站连续经停达到某次数来判断交通模式是否是公交车;如果大于某次数则判定为公交车模式;否则判断为非公交车模式。
作为本发明进一步的方案:在步骤F中,对于非公交模式的用户行程进行聚类,根据聚类算法的k值对用户是否有车进行判断;如果聚类算法的k值等于某值则判断该用户拥有私家车;否则判断该用户未拥有私家车。
与现有技术相比,本发明实施例的有益效果是:
该手机用户拥车情况的判断方法,通过对卫星定位轨迹数据、加速度计数据以及公交车站地理信息的过滤和处理,构建44个特征指标。在识别公交车模式和非公交车模式的前提下,运用聚类分析方法对手机用户拥车情况进行准确合理的判断。
具体的,本发明对采集的卫星定位数据和加速度计数据进行过滤和预处理,减少了因为数据质量问题对用户拥车行为判断的影响。
采用公交车站地理位置信息,并根据行程的经纬度信息与经停公交车站次数,有效的识别用户的公交车出行模式。由于行程的速度、加速度和转弯能够有效的刻画用户的行为习惯,根据均值和方差以及左右转弯的情况构建特征变量,提升了模型的合理性。
本发明采用聚类分析方法,提出合理的假设,设定合理的k值,对用户的行程数据进行无监督的聚类学习,进而判断出手机用户的拥车情况。
本发明在不调查用户实际的拥车情况下,能够根据用户提供的行程数据来判定其拥车情况,减少了信息采集的成本,避免侵犯用户的个人隐私等法律权限。
附图说明
图1为本发明实施例中判断手机用户拥车情况方法的流程示意图。
图2为本发明实施例中公交车与其他交通模式的识别流程示意图。
图3为本发明实施例中识别用户是否有车的流程示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
实施例1
请参阅图1,本发明实施例中,一种手机用户拥车情况的判断方法,包括如下步骤:
步骤A,获取卫星定位轨迹数据和加速度计数据:
具体的,启动卫星定位模块(包括驾驶车辆内部、车载智能设备、智能手机等),通过卫星定位模块与计算终端建立数据连接,可以获取卫星定位纬度、卫星定位经度、卫星定位时间、卫星定位方向、卫星定位速度、卫星定位精度、卫星数等行程数据,同时通过加速度计模块获取加速度计X轴加速度、Y轴加速度和Z轴加速度。
步骤B,进行数据异常点检测过滤与预处理:
具体的,对获取的数据进行异常点检测与预处理,删除卫星定位精度差、卫星定位时间异常、卫星定位经纬度异常、卫星定位方向异常和卫星定位速度异常的数据点,因为聚类的条件对行程的数量具有一定的要求,经过实验判断可进行识别的最小行程为20条行程,为了保证大部分行程的可用性和用户本人特征提取的稳定性,删除行程数小于20条或每次行程中左转和右转小于两次的行程;又由于在算法流程中设定识别最小行程数为20后,当更多的行程数加入时其判别的模型参数不变,为了防止过多的行程输入对模型性能造成影响,聚类分类器的输入数据量为最新的20条行程,即设定一个固定窗口大小为20,使其保持读取用户最新的20条行程。
步骤C,补充公交车站地理信息:
具体的,公交车模式的识别需要获取中国所有公交车站点数据,主要包括公交车的经度信息和纬度信息。本发明获取地区公交车站点地理位置信息的方法是通过接入地图API接口技术,从网络上获取相应信息,并将获取的信息数据离线保存在服务器中。
步骤D,特征提取与选择:
具体的,通过对用户的所有行程的卫星定位数据进行分析,发现用户的速度、加速度和转弯数据能够很好的刻画其自身的个性特征;速度是对司机驾车行为最直观的描述,速度均值刻画了用户在每个轨迹分段内对速度大小的偏好,极值反映了用户在对速度把握过程中速度波动的范围;加速度均值体现了用户驾驶汽车过程中的速度平稳性,加速度最大值和最小值则体现了用户对加速过程的偏好,加速度方差可以体现用户对速度改变的平稳性;轨迹是一个连续的序列,但行为是阶段性的,转弯时一般存在一个减速过弯和加速出弯的行驶过程,用户过弯的角度、时间等均可以刻画其行车偏好。对同一用户来说,左转弯与右转弯时的驾驶情况(如转弯半径、转弯)与驾驶习惯会有所不同,反应到数据中来看,可能导致用户在左、右转弯时的数据特征不同,所以按照左转弯和右转弯对用户行程进行划分。
步骤E,公交车与其他交通模式的识别:
具体的,通过直接获得的用户卫星定位行程数据和加速度计数据,与补充的公交车站地理信息对公交车模式进行识别。在考虑公交车数据筛选时,主要考虑方向为公交车与私家车的区别。根据对已有数据的分析,公交车与私家车最大的差别主要反映在两方面:其一,由于公交公司限制和安全因素,公交车速度最大时速约为60km/h,其远低于私家车最大时速;其二,公交车必须按照规定的路线行驶,并且在每一个公交车站点都要停车以等待乘客上下车,驾驶路线可以与站点POI进行匹配。
步骤F,识别用户是否有车:
具体的,不同的用户具有不同的出行习惯,有车和无车用户的出行方式会有较大的差异,有车的用户出行时倾向于自驾出行,少部分情况下会选择乘坐公共交通或者乘坐他人的车出行,而无车的用户大部分情况下会乘坐公共交通或乘坐别人的车出行,很少会自驾出行。使用聚类算法(如k均值聚类)进行不同出行方式判断的过程中,特定用户相同的出行方式将会被聚集到一个簇中,最终聚类结束后簇的数目(k值)决定了某个特定用户出行过程中习惯选择的出行方式的数量,因此可以利用特定用户的k值来判断该用户是否有车。
在本实施例中的行车轨迹优化方法,首先按照设定的采样频率采集车辆运动的卫星定位数据点信息,然后对采集到的所述卫星定位数据信息进行过滤预处理,去除异常点,之后进行聚类、平滑与行驶特征抽取,得到最终的行车轨迹。与现有技术相比,本实施例中的行车轨迹优化方法去除了数据异常点,修正观测误差的影响,去掉了静止时的漂移数据影响,同时大大减少结果数据量。
在本实施例中的手机用户拥车情况的判断方法,首先获取卫星定位轨迹数据和加速度计数据,然后据异常点检测过滤与预处理,之后补充公交车站地理信息和特征提取与选择,接着对公交车与其他交通模式的识别,最后进行聚类分析识别用户是否有车。该方法在获取相关数据并进行清洗和预处理后,采用地理位置匹配识别公交车模式,根据聚类分析识别用户拥车情况。在降低获取数据成本的前提下,有效的识别手机用户的拥车情况。
实施例2
请参阅图1-3,本实施例与实施例1的不同之处在于:
本实施例中,实施例1中步骤D具体包括如下步骤:
1)行程转弯时间片段划分:当其卫星定位方位角之和大于某一角度的数据作为用户的转弯数据,提取所有转弯时间片段;
2)特征发现:通过对所有卫星定位时间片段数据分析,得到用户的速度、加速度、转弯能够很好的刻画其驾驶特征;
3)变量选择:通过对用户行程特征进行相关性分析,对其相关性用相关系数矩阵热力图进行展示发现,其颜色相对较暗即相关系性较弱,所以算选取的变量具有代表性。具体所选择的变量为:速度均值、速度最大值、速度最小值、加速度均值、加速度最大值、加速度最小值、加速度方差、转弯角度、角速度均值、角速度最大值、角速度最小值这11个特征的均值和方差。
4)转弯划分:在数据划分时,判断左右转弯的依据主要是用户行驶过程中卫星定位方位角的正或负变化,当方位角在五秒内持续增加且总转角达到60°时,将其判定为右转;类似地,当方位角持续减少且总转角达到60°时,将其判断为左转。
5)变量扩充:根据转弯的情况将用户转弯时间片段划分为向左转和向右转情况,结合上述变量选择所得出的22个变量进行扩充,最终得出44个特征变量。
本实施例中,如图2所示,实施例1中步骤E具体包括如下步骤:
1)获取数据包括:通过卫星定位定位系统和加速度计提供用户行程数据,卫星定位纬度、卫星定位经度、卫星定位时间、卫星定位方向、卫星定位速度、卫星定位精度、卫星数等行程数据。同时通过加速度计模块获取加速度计X轴加速度、Y轴加速度和Z轴加速度。
2)用户行程最大速度判断:由于公交公司限制和安全因素,公交车速度最大时速约为60km/h,其远低于私家车最大时速。将用户行程的最大速度与60km/h进行比较,如果大于60km/h则认为用户的该段行程为非公交车模式;如果小于60km/h则认为用户的该段行程可以进入下一阶段的判断。
3)补充数据:如果用户行程通过其最大速度小于60km/h的判断,则需要对其数据内容进行补充。需要根据接入地图API接口获取全国公交车站点地理信息,包括其经纬度信息。
4)用户公交车站速度判断:公交车必须按照规定的路线行驶,并且在每一个公交车站点都要停车以等待乘客上下车,驾驶路线可以与站点POI进行匹配。根据用户行程的经纬度信息与公交车站点经纬度信息进行匹配后,可以根据用户在公交车站的速度情况来反映用户是否经停。如果用户在公交车站点的速度大于0,则认为用户该段行程为非公交车模式;如果用户在公交车站点的速度等于0,则认为用户的该段行程可以进入下一阶段的判断。
5)用户公交车模式判断:在初始试验中,考虑当行程连续两次经停公交车站时即认为该行程为公交车行程。在后续实验中,当经停次数为2时,过滤掉的公交车行程相对较好。因此采用连续两次经停公交车站作为判断行程是否为公交车行程的标志。所以将行程过程中的经停公交车站的次数与2进行比较,如果连续经停次数在2次以上则判断该用户的出行为公交车模式;否则认为该用户的出行为非公交车模式。
本实施例中,如图3所示,实施例1中步骤F具体包括如下步骤:
1)特征提取与变量选择:通过对所有卫星定位时间片段数据分析,发现用户的速度、加速度、转弯能够很好的刻画用户驾驶个性习惯。将速度均值、速度最大值、速度最小值、加速度均值、加速度最大值、加速度最小值、加速度方差、转弯角度、角速度均值、角速度最大值、角速度最小值这11个特征的均值和方差用向左转及向右转再进行区分,最后得到44个特征变量。经过相关性分析后得出其相关性较弱,能够为判别模型提供合理有效的特征变量。
2)公交车模式识别:执行如图2所示的公交车模式识别环节,对识别为公交车模式的行程进行剔除操作。
3)聚类分析:不同的用户具有不同的出行习惯,有车和无车用户的出行方式会有较大的差异,有车的用户出行时倾向于自驾出行,少部分情况下会选择乘坐公共交通或者乘坐他人的车出行,而无车的用户大部分情况下会乘坐公共交通或乘坐别人的车出行,很少会自驾出行。使用聚类算法(这里使用k-means++聚类和层次聚类)进行不同出行方式判断的过程中,特定用户相同的出行方式将会被聚集到一个簇中,最终聚类结束后簇的数目(k值)决定了某个特定用户出行过程中习惯选择的出行方式的数量,因此可以利用特定用户的k值来判断该用户是否有车。聚类过程中,针对不同用户利用不同的先验k值(如2、3、4等)进行特征聚类,根据聚类结果的轮廓系数、CH指标等特征判断聚类效果,选取轮廓系数、CH指标最大的k值作为该用户的聚类k值。
4)用户拥车情况判断:有车用户大部分情况下倾向于自驾出行,偶尔也会乘坐家人朋友的车或乘坐出租车出行,因此其k值总体应为2较为合理,而无车用户只能选择公共交通或乘坐他人的车出行,每次出行特征差异应较大,聚类k值同样也较大。因此利用特定用户的k值即可完成用户是否有车的判断,若k值为2,则可判断该用户有车,若k值较大,则可判断该用户没有车。即通过聚类分析所得到k进行判断,如果聚类所得到的k值等于2,则认为该用户拥有私家车;否则认为该用户未拥有私家车。
该手机用户拥车情况的判断方法,通过对卫星定位轨迹数据、加速度计数据以及公交车站地理信息的过滤和处理,构建44个特征指标。在识别公交车模式和非公交车模式的前提下,运用聚类分析方法对手机用户拥车情况进行准确合理的判断。
具体的,本发明对采集的卫星定位数据和加速度计数据进行过滤和预处理,减少了因为数据质量问题对用户拥车行为判断的影响。
进一步地,采用公交车站地理位置信息,并根据行程的经纬度信息与经停公交车站次数,有效的识别用户的公交车出行模式。由于行程的速度、加速度和转弯能够有效的刻画用户的行为习惯,根据均值和方差以及左右转弯的情况构建特征变量,提升了模型的合理性。
进一步地,本发明采用聚类分析方法,提出合理的假设,设定合理的k值,对用户的行程数据进行无监督的聚类学习,进而判断出手机用户的拥车情况。
本发明在不调查用户实际的拥车情况下,能够根据用户提供的行程数据来判定其拥车情况,减少了信息采集的成本,避免侵犯用户的个人隐私等法律权限。
本发明可被应用于各种与驾驶行为相关的应用之中,在判定用户拥有私家车的前提下能够更好评估用户驾驶行为、评估用户驾驶风险,为用户提供风险预警等。
以上的仅是本发明的优选实施方式,应当指出,对于本领域的技术人员来说,在不脱离本发明构思的前提下,还可以作出若干变形和改进,这些也应该视为本发明的保护范围,这些都不会影响本发明实施的效果和专利的实用性。
Claims (1)
1.一种手机用户拥车情况的判断方法,其特征在于,包括如下步骤:
步骤A,获取卫星定位轨迹数据和加速度计数据;
步骤B,进行数据异常点检测过滤与预处理;
步骤C,补充公交车站地理信息;
步骤D,特征提取与选择;
步骤E,公交车与其他交通模式的识别;
步骤F,识别用户是否有车;
其中,在步骤A中,卫星定位轨迹数据包括:卫星定位纬度、卫星定位经度、卫星定位时间、卫星定位方向、卫星定位速度、卫星定位精度和卫星数;加速度计数据包括:加速度计X轴加速度、加速度计Y轴加速度和加速度计Z轴加速度;
在步骤B中,对所取得的卫星定位数据进行过滤,去除卫星定位精度差、卫星定位时间异常、卫星定位经纬度异常、卫星定位方向异常和卫星定位速度异常的数据点;删除行程数小于20条或每次行程中左转和右转小于两次的行程;
在步骤C中,通过接入地图API获取地区公交车站地理信息,主要包括公交车站的地理经度信息和纬度信息;
在步骤D中,提取的特征包括速度有关特征、加速度有关特征和转弯有关特征,具体包括速度均值、速度最大值、速度最小值、加速度均值、加速度最大值、加速度最小值、加速度方差、转弯角度、角速度均值、角速度最大值和角速度最小值,并根据方差和均值,以及向左转和向右转将其扩展成44个特征指标;
在步骤E中,根据公交车站地理信息和用户行程数据,按照用户行程中在公交车站连续经停达到某次数来判断交通模式是否是公交车;如果大于某次数则判定为公交车模式;否则判断为非公交车模式;
在步骤F中,对于非公交模式的用户行程进行聚类,根据聚类算法的k值对用户是否有车进行判断;如果聚类算法的k值等于某值则判断该用户拥有私家车;否则判断该用户未拥有私家车。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910824863.3A CN110544378B (zh) | 2019-09-02 | 2019-09-02 | 一种手机用户拥车情况的判断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910824863.3A CN110544378B (zh) | 2019-09-02 | 2019-09-02 | 一种手机用户拥车情况的判断方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110544378A CN110544378A (zh) | 2019-12-06 |
CN110544378B true CN110544378B (zh) | 2020-11-03 |
Family
ID=68711310
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910824863.3A Active CN110544378B (zh) | 2019-09-02 | 2019-09-02 | 一种手机用户拥车情况的判断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110544378B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111489556B (zh) * | 2020-05-20 | 2022-06-21 | 上海评驾科技有限公司 | 一种营运车辆挂靠行为的判断方法 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
AU2001271462B2 (en) * | 2000-07-11 | 2005-06-09 | Northrop Grumman Systems Corporation | Method and apparatus for providing accurate boundaries of predicted areas of danger for collision avoidance |
CN105701123A (zh) * | 2014-11-27 | 2016-06-22 | 阿里巴巴集团控股有限公司 | 人车关系的识别方法及装置 |
CN106231562A (zh) * | 2016-09-30 | 2016-12-14 | 福建工程学院 | 识别出行人员的方法及系统 |
CN106740861A (zh) * | 2015-11-19 | 2017-05-31 | 通用汽车环球科技运作有限责任公司 | 基于驾驶行为区分驾驶员的方法和设备 |
CN107292327A (zh) * | 2016-04-01 | 2017-10-24 | 北京易车互联信息技术有限公司 | 拥车状态识别方法及装置 |
CN108122069A (zh) * | 2017-12-08 | 2018-06-05 | 杭州电子科技大学 | 基于海量交通数据居民出行起点终点矩阵提取方法 |
EP3358541A1 (en) * | 2017-02-01 | 2018-08-08 | Kapsch TrafficCom AG | A method of predicting a traffic behaviour in a road system |
CN108961744A (zh) * | 2017-06-03 | 2018-12-07 | 广东联大智能科技有限公司 | 智慧出行的系统和终端 |
CN109961344A (zh) * | 2017-12-26 | 2019-07-02 | 中国移动通信集团内蒙古有限公司 | 一种汽车服务选址方法和装置 |
Family Cites Families (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102136192B (zh) * | 2011-01-31 | 2013-04-24 | 上海美慧软件有限公司 | 一种基于手机信号数据的出行方式识别方法 |
CN103778780A (zh) * | 2014-01-21 | 2014-05-07 | 深圳市京泰基科技有限公司 | 出租车的智能电召系统 |
CN103810851B (zh) * | 2014-01-23 | 2015-10-21 | 广州地理研究所 | 一种基于手机定位的交通出行模式识别方法 |
CN104933157A (zh) * | 2015-06-26 | 2015-09-23 | 百度在线网络技术(北京)有限公司 | 用于获取用户属性信息的方法、装置及服务器 |
CN105117789A (zh) * | 2015-07-29 | 2015-12-02 | 西南交通大学 | 基于手机信令数据的居民出行方式综合判别的方法 |
JP6510969B2 (ja) * | 2015-12-22 | 2019-05-08 | 本田技研工業株式会社 | サーバおよびサーバクライアントシステム |
CN107066458A (zh) * | 2016-08-26 | 2017-08-18 | 北京车网互联科技有限公司 | 一种基于车联网数据的时空维度用户画像分析方法 |
CN106446208B (zh) * | 2016-09-30 | 2019-07-26 | 东南大学 | 一种考虑路网契合度的智能手机出行方式识别方法 |
US20180186468A1 (en) * | 2017-01-04 | 2018-07-05 | Honeywell International Inc. | System and methods to evaluate or improve own ship sensor data in connected vehicles |
CN108107448A (zh) * | 2017-12-06 | 2018-06-01 | 上海评驾科技有限公司 | 一种使用卫星定位数据检测驾驶行为的方法 |
US20190034716A1 (en) * | 2017-12-28 | 2019-01-31 | Intel Corporation | Privacy-preserving demographics identification |
CN108510011B (zh) * | 2018-05-03 | 2020-05-29 | 浙江大学 | 一种基于手机多传感器的用户出行方式分析方法 |
-
2019
- 2019-09-02 CN CN201910824863.3A patent/CN110544378B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
AU2001271462B2 (en) * | 2000-07-11 | 2005-06-09 | Northrop Grumman Systems Corporation | Method and apparatus for providing accurate boundaries of predicted areas of danger for collision avoidance |
CN105701123A (zh) * | 2014-11-27 | 2016-06-22 | 阿里巴巴集团控股有限公司 | 人车关系的识别方法及装置 |
CN106740861A (zh) * | 2015-11-19 | 2017-05-31 | 通用汽车环球科技运作有限责任公司 | 基于驾驶行为区分驾驶员的方法和设备 |
CN107292327A (zh) * | 2016-04-01 | 2017-10-24 | 北京易车互联信息技术有限公司 | 拥车状态识别方法及装置 |
CN106231562A (zh) * | 2016-09-30 | 2016-12-14 | 福建工程学院 | 识别出行人员的方法及系统 |
EP3358541A1 (en) * | 2017-02-01 | 2018-08-08 | Kapsch TrafficCom AG | A method of predicting a traffic behaviour in a road system |
CN108961744A (zh) * | 2017-06-03 | 2018-12-07 | 广东联大智能科技有限公司 | 智慧出行的系统和终端 |
CN108122069A (zh) * | 2017-12-08 | 2018-06-05 | 杭州电子科技大学 | 基于海量交通数据居民出行起点终点矩阵提取方法 |
CN109961344A (zh) * | 2017-12-26 | 2019-07-02 | 中国移动通信集团内蒙古有限公司 | 一种汽车服务选址方法和装置 |
Also Published As
Publication number | Publication date |
---|---|
CN110544378A (zh) | 2019-12-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110176139B (zh) | 一种基于dbscan+的道路拥堵识别可视化方法 | |
CN114435138B (zh) | 一种车辆能耗预测方法、装置、车辆及存储介质 | |
CN107103775B (zh) | 一种基于群智计算的道路质量检测方法 | |
CN100589143C (zh) | 判断浮动车行驶状态的方法及装置 | |
CN103050013B (zh) | 基于车联网技术的车辆分级限速监控方法及其装置 | |
CN110304068B (zh) | 汽车行驶环境信息的采集方法、装置、设备和存储介质 | |
CN204945122U (zh) | 一种车辆尾气污染物监测系统 | |
CN111144446B (zh) | 一种基于时空网格的司机身份识别方法和系统 | |
CN114140300A (zh) | 基于gps数据识别车辆停靠点方法、装置、存储介质及终端 | |
CN108573604A (zh) | 基于移动终端定位的公交od数据获取方法及存储介质 | |
CN110544378B (zh) | 一种手机用户拥车情况的判断方法 | |
Ferreira et al. | Vehicular sensing: Emergence of a massive urban scanner | |
CN108515967B (zh) | 一种基于车牌识别的防撞预警方法及装置 | |
CN116412854A (zh) | 基于5g车联网的路面信息数据采集系统 | |
CN114091581A (zh) | 一种基于稀疏轨迹的车辆运营行为类型识别方法 | |
CN111444286B (zh) | 一种基于轨迹数据的远距离交通节点关联性挖掘方法 | |
CN107038857A (zh) | 一种公交数据获取方法及公交数据平台 | |
CN117400948A (zh) | 一种汽车能耗预测方法、装置、电子设备及存储介质 | |
CN116383678B (zh) | 一种营运客车异常变速行为常发性路段识别方法 | |
CN115909752B (zh) | 一种基于车辆用户历史数据的急转弯识别及统计方法 | |
CN115757628A (zh) | 车辆碰撞检测方法、装置、设备及介质 | |
CN110715685A (zh) | 一种基于智能手机的路面行驶质量检测方法 | |
CN115691139A (zh) | 一种新能源汽车大数据路况预测系统 | |
CN115257803A (zh) | 一种适用于高速自动驾驶功能场景提取方法 | |
CN114895274A (zh) | 一种护栏识别方法 |
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 |