CN110555733A - 一种基于智能手机的用户行程驾乘识别的方法 - Google Patents
一种基于智能手机的用户行程驾乘识别的方法 Download PDFInfo
- Publication number
- CN110555733A CN110555733A CN201910824870.3A CN201910824870A CN110555733A CN 110555733 A CN110555733 A CN 110555733A CN 201910824870 A CN201910824870 A CN 201910824870A CN 110555733 A CN110555733 A CN 110555733A
- Authority
- CN
- China
- Prior art keywords
- user
- travel
- bus
- data
- satellite positioning
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 24
- 238000007781 pre-processing Methods 0.000 claims abstract description 8
- 238000004140 cleaning Methods 0.000 claims abstract description 5
- 230000001133 acceleration Effects 0.000 claims description 15
- 238000000605 extraction Methods 0.000 claims description 6
- 239000011159 matrix material Substances 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 230000001502 supplementing effect Effects 0.000 claims description 3
- 238000010219 correlation analysis Methods 0.000 claims description 2
- 238000004364 calculation method Methods 0.000 abstract description 2
- 238000005259 measurement Methods 0.000 abstract 1
- 230000006399 behavior Effects 0.000 description 4
- 238000006467 substitution reaction Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/29—Geographical information databases
-
- 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
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Finance (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- Accounting & Taxation (AREA)
- Development Economics (AREA)
- Databases & Information Systems (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- General Engineering & Computer Science (AREA)
- Remote Sensing (AREA)
- Game Theory and Decision Science (AREA)
- Economics (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Navigation (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种基于智能手机的用户行程驾乘识别的方法,步骤如下:S10:行程数据的获取;S20:行程数据的预处理;S30:行程数据转弯时间片段的特征提取与选择;S40:用户行程数据的聚类测算;本发明通过制定公交车行程清洗规则,有效的区分了公交车行程数据与非公交车行程数据;进一步地,本发明用了结合了两种聚类算法,有效的区分了用户的驾乘状态并进一步提升算法的稳定性;本发明将提高用户识别分析及用户行为与实时场景分析等后续分析的准确性和稳定性。
Description
技术领域
本发明涉及用户识别技术领域,具体是一种基于智能手机的用户行程驾乘识别的方法。
背景技术
现代生活中,智能手机用户行程数据的广泛应用让汽车后服务和车主从中获益。挖掘用户行程数据中的有效信息,实现用户行为在实时场景下的精准识别,是社会各界关注的问题之一;本发明通过对手机用户行程数据做聚类,可有效识别用户处于驾车或者是乘车状态;同时,本发明将提高驾驶行为分析及用户行为与实时场景分析等后续分析的准确性和稳定性;上述内容仅用于辅助理解本发明的技术方案,并不代表承认上述内容是现有技术。
发明内容
本发明的实施例目的在于提供一种基于智能手机的用户行程驾乘识别的方法,以解决上述问题。
为实现上述目的,本发明提供如下技术方案:
一种基于智能手机的用户行程驾乘识别的方法,步骤如下:
S10:行程数据的获取;
S20:行程数据的预处理;
S30:行程数据转弯时间片段的特征提取与选择;
S40:用户行程数据的聚类测算。
在一种可选方案中:所述行程数据的获取包括:基于智能手机获取的用户的卫星定位数据。
在一种可选方案中:所述卫星定位数据包括: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。
在一种可选方案中:所述行程数据的预处理的方法包括如下步骤:
A.补充公交车站点的经纬度数据;
B.制定公交车行程清洗规则,区分公交车行程与非公交车行程,并保留非公交车行程;
优选的,步骤B进一步包括:
1)判断当前行程连续两次行驶速度为零时的卫星定位数据经纬度都是否与公交车站点经纬度匹配;若是,执行步骤2);若否,则当前行程标记为非公交车行程并判断下一个行程;
2)判断当前行程的最大行驶速度是否小于或等于某个设定的阈值。若是,则当前行程标记为公交车行程;若否,则当前行程标记为非公交车行程并判断下一个行程;
C.选择有效用户;
3)判断当前用户非公交车行程数是否大于或等于某个设定的阈值;若是,执行步骤4);若否,直接判断下一个用户;
D.提取行程数据卫星定位数据中所有转弯时间片;
步骤D进一步包括:
4)选用某个固定时间作为提取转弯时间片段的时间窗口,按照一定的时间步长滑动时间窗口;
5)判断当前时间窗口中行程累积的卫星定位方向方位角之和是否小于或等于某个设定的阈值;若否,提取转弯时间片段;若是,直接判断下一个时间窗口;。
在一种可选方案中:所述行程数据转弯时间片段的特征提取与选择的方法包括如下步骤:
E.选择有效行程;
优选的,步骤E进一步包括:
6)判断当前用户左转时间片段数量是否大于或等于某个设定的阈值;若是,执行步骤7);若否,直接判断下一个用户;
7)判断当前用户右转片段数量是否大于某个设定的阈值;若是,当前用户为有效用户;若否,直接判断下一个用户;
F.对有效用户的转弯时间片进行特征提取;
优选的,步骤F进一步包括:
8)提取转弯时间片段中转弯相关特征的均值及方差,转弯相关的特征包括:角速度、角速度均值、角速度最小值以及角速度最大值;
9)提取转弯时间片段中速度有关特征的均值及方差,速度有关的特征包括:速度均值、速度最小值以及速度最大值;
10)提取转弯时间片段中加速度有关特征的均值及方差,加速度有关的特征包括:加速度均值,加速度最小值、加速度最小值以及加速度方差;
G.对步骤F中提取出的特征做相关性分析;
计算各个特征之间的相关系数矩阵,判断某两个特征之间的相关系数数值是否小于等于某一设定的阈值;若是,则这保留两个特征;若否,直接判断下一个相关系数。
在一种可选方案中:所述行程数据的聚类测算的方法包括如下步骤:
H.对执行步骤11)后剩余的行程特征做归一化处理;
I.对每个用户执行步骤H后的特征数据分别应用Kmeans++聚类算法和层析聚类算法;优选的,步骤I进一步包括:
12)分别将Kmeans++聚类算法和层析聚类算法应用于从非公交车行程数据中提取的特征,将用户的私家车行程数据聚为不同的簇数;
13)分别计算这两种算法下,聚成的不同簇数的轮廓系数;对于每一种算法,选择轮廓系数最大值所对应的簇数作为通过该算法得到的最优簇数;
14)比较这两种算法各自的最优簇数对应的轮廓系数,选择轮廓系数大的算法对应的最优簇数作为该用户最终行程数据的聚类簇数;
15)判断当前用户步骤14)中得到的聚类簇数是否小于某个设定阈值;若是,当前用户标记为有车用户并执行步骤15);若否,当前用户标记为无车用户并判断下一个用户;
16)对于当前用户,计算步骤14)中各聚类中包含行程的数量,行程数量最多的一簇中所包含的行程标记为驾车行程,其余行程标记为乘车行程。
相较于现有技术,本发明实施例的有益效果如下:
本发明通过制定公交车行程清洗规则,有效的区分了公交车行程数据与非公交车行程数据;进一步地,本发明用了结合了两种聚类算法,有效的区分了用户的驾乘状态并进一步提升算法的稳定性;本发明将提高用户识别分析及用户行为与实时场景分析等后续分析的准确性和稳定性。
附图说明
图1为本发明第一实施例中一种基于智能手机的用户行程驾乘识别的方法的流程示意图;
图2为本发明第二实施例中针对行程数据预处理的流程示意图;
图3为本发明第三实施例中针对行程数据转弯时间片段的特征提取与选择的流程示意图;
图4为本发明第四实施例中针对用户行程数据的聚类测算的流程示意图。
具体实施方式
以下实施例会结合附图对本发明进行详述,在附图或说明中,相似或相同的部分使用相同的标号,并且在实际应用中,各部件的形状、厚度或高度可扩大或缩小。本发明所列举的各实施例仅用以说明本发明,并非用以限制本发明的范围。对本发明所作的任何显而易知的修饰或变更都不脱离本发明的精神与范围。
实施例1
请参阅图1,本发明实施例中,一种基于智能手机的用户行程驾乘识别的方法,步骤如下:
S10:行程数据的获取;
S20:行程数据的预处理;
S30:行程数据转弯时间片段的特征提取与选择;
S40:行程数据的聚类测算。
在本实施例中,所述行程数据指:在手机端采集的卫星定位数据,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。
实施例2
如图2所示,在实施例1的基础上,在本实例中步骤S2001-S2004为公交车行程清洗规则,步骤S2005-S2007为提取行程数据卫星定位数据中所有的转弯时间片,所述行程数据的预处理的方法包括如下步骤:
S2001:补充公交车站点POI数据;
S2002:判断当前行程连续两次停止时的卫星定位数据的经纬度是否与公交车站点经纬度匹配;若是,则顺序执行步骤S2003;若否,则顺序执行步骤S2004;
S2003:判断当前行程的最大行驶速度是否小于或等于某个设定的阈值;若是,则行程标记为公交车行程,对下一个行程重复执行步骤S2002;若否,则顺序执行步骤S2004。优选地,该阈值为60km/h;
S2004:不满足步骤S2001或者S2002的点标记为非公交车行程,对下一个点重复执行步骤S2001;判断完最后一条行程后顺序执行步骤S2005;
S2005:判断当前用户非公交车行程数是否小于某个阈值;若是,顺序执行步骤S2006;若否,标记为无效用户并对下一个用户重复执行步骤S2005;
S2006:当前用户标记为有效用户,对下一个用户重复执行步骤S2005;判断完最后一个用户后顺序执行步骤S2007;
S2007:确定提取转弯时间片段的时间窗口为t1秒,时间窗口滑动步长为t2秒,并顺序执行步骤S2008;本实施例中,优选地,时间窗口为5秒,步长为1秒。
S2008:判断当前非公交车行程的时间窗口中行程累积的卫星定位方向方位角之和是否小于或等于某个阈值;若否,则顺序执行步骤S2009;若是,则不提取转弯时间片段对下一个窗口重复执行步骤S2008;本实施例中,优选地,该阈值为60度。
S2009:提取转弯时间片段;对下一个时间窗口重复执行步骤S2008;判断完最后一个时间窗口后,对下一条非公交车行程顺序执行步骤S2007;最终得到所有非公交车行程的转弯时间片段;
实施例3
在实施例2的基础上,经过步骤S20处理后的转弯时间片段进入步骤S30;如图3所示,在本实施例中步骤S3001-S3005为行程数据转弯时间片段的特征提取,步骤S3006为行程数据转弯时间片段的特征选择,所述行程数据转弯时间片段的特征提取与选择的方法包括如下步骤:
S3001:判断当前行程左转弯片段个数是否小于某个阈值;若是,当前行程标记为无效行程并对下一条行程重复执行S3001;若否,则顺序执行步骤S3002;
S3002:判断当前行程右转弯片段个数是否小于某个阈值;若是,当前行程标记为无效行程并对下一条行程重复执行S3001;则;若否,则顺序执行步骤S3003;
S3003:当前行程标记为有效行程,对下一条行程重复执行步骤S3001;判断完最后一个用户后顺序执行步骤S3004;
S3004:从当前行程提取的转弯时间片段提取角速度相关特征的均值及方差作为特征值后顺序执行步骤S3005;转弯相关的特征包括:角速度、角速度均值、角速度最小值以及角速度最大值;
S3005:从有效行程中提取的转弯时间片段提取速度相关特征的均值及方差作为特征值后顺序执行步骤S3006;速度有关的特征包括:速度均值、速度最小值以及速度最大值;
S3006:从有效行程中提取的转弯时间片段提取加速度相关特征的均值及方差作为特征值后顺序执行步骤S3007;加速度有关的特征包括:加速度均值,加速度最小值、加速度最小值以及加速度方差;
S3007:计算各个特征之间的相关系数矩阵,判断某两个特征之间的相关系数数值是否小于或等于某一阈值;若是,则这保留两个特征,若否,抛弃其中的一个特征,抛弃的顺序为特征计算的先后顺序,即先提取出的特征优先被抛弃;
实施例4
在实施例3的基础上,经过步骤S30处理后的有效用户行程的特征数据进入步骤S40;如图4所示,在本实施例中,所述行程数据的聚类测算的方法包括如下步骤:
S4001:对有效用户的特征数据进行归一化处理后顺序执行步骤S4002;
S4002:对当前用户的特征数据用Kmeans++聚类算法聚类,得到最优簇数k1以及对应的轮廓系数s1;用层次聚类算法聚类,得到最优簇数k2以及对应的轮廓系数s2,然后顺序执行步骤S4003;
S4003:比较s1与s2的大小;如果s1大于s2,则当前用户行程的最优簇数k为k1;如果s1不大于s2,则当前用户行程的最优簇数k为k2;得到用户行程数据的最优簇数k后顺序执行步骤S4004;
S4004:判断最优簇数k是否等于2;若是,则顺序执行步骤S4005;若否,则标记当前用户为无车用户并对下一个用户重复执行步骤S4002;
S4005:标记当前用户为拥车用户并顺序执行步骤S4006;
S4006:计算聚成的两簇对应的行程数,行程数多的一簇左右行程标记为自驾,另外一簇的行程均标记为乘车;然后,对下一个用户重复执行步骤S4002;最终得到了所有拥车用户的驾乘识别状态。
以上所述,仅为本公开的具体实施方式,但本公开的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本公开揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本公开的保护范围之内。因此,本公开的保护范围应以权利要求的保护范围为准。
Claims (6)
1.一种基于智能手机的用户行程驾乘识别的方法,其特征在于,步骤如下:
S10:行程数据的获取;
S20:行程数据的预处理;
S30:行程数据转弯时间片段的特征提取与选择;
S40:用户行程数据的聚类测算。
2.根据权利要求1所述的基于智能手机的用户行程驾乘识别的方法,其特征在于,所述行程数据的获取包括:基于智能手机获取的用户的卫星定位数据。
3.根据权利要求2所述的基于智能手机的用户行程驾乘识别的方法,其特征在于,所述卫星定位数据包括: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。
4.根据权利要求1-3任一所述的基于智能手机的用户行程驾乘识别的方法,其特征在于,所述行程数据的预处理的方法包括如下步骤:
A.补充公交车站点的经纬度数据;
B.制定公交车行程清洗规则,区分公交车行程与非公交车行程,并保留非公交车行程;
步骤B进一步包括:
1)判断当前行程连续两次行驶速度为零时的卫星定位数据经纬度都是否与公交车站点经纬度匹配;若是,执行步骤2);若否,则当前行程标记为非公交车行程并判断下一个行程;
2)判断当前行程的最大行驶速度是否小于或等于某个设定的阈值;若是,则当前行程标记为公交车行程;若否,则当前行程标记为非公交车行程并判断下一个行程;
C.选择有效用户;
3)判断当前用户非公交车行程数是否大于或等于某个设定的阈值;若是,执行步骤4);若否,直接判断下一个用户;
D.提取行程数据卫星定位数据中所有转弯时间片;
步骤D进一步包括:
4)选用某个固定时间作为提取转弯时间片段的时间窗口,按照一定的时间步长滑动时间窗口;
5)判断当前时间窗口中行程累积的卫星定位方向方位角之和是否小于或等于某个设定的阈值;若否,提取转弯时间片段;若是,直接判断下一个时间窗口。
5.根据权利要求4所述的基于智能手机的用户行程驾乘识别的方法,其特征在于,所述行程数据转弯时间片段的特征提取与选择的方法包括如下步骤:
E.选择有效行程;
步骤E进一步包括:
6)判断当前用户左转时间片段数量是否大于或等于某个设定的阈值;若是,执行步骤7);若否,直接判断下一个用户;
7)判断当前用户右转片段数量是否大于某个设定的阈值;若是,当前用户为有效用户;若否,直接判断下一个用户;
F.对有效用户的转弯时间片进行特征提取;
步骤F进一步包括:
8)提取转弯时间片段中转弯相关特征的均值及方差,转弯相关的特征包括:角速度、角速度均值、角速度最小值以及角速度最大值;
9)提取转弯时间片段中速度有关特征的均值及方差,速度有关的特征包括:速度均值、速度最小值以及速度最大值;
10)提取转弯时间片段中加速度有关特征的均值及方差,加速度有关的特征包括:加速度均值,加速度最小值、加速度最小值以及加速度方差;
G.对步骤F中提取出的特征做相关性分析;
计算各个特征之间的相关系数矩阵,判断某两个特征之间的相关系数数值是否小于等于某一设定的阈值;若是,则这保留两个特征;若否,直接判断下一个相关系数。
6.根据权利要求5所述的基于智能手机的用户行程驾乘识别的方法,其特征在于,所述行程数据的聚类测算的方法包括如下步骤:
H.对执行步骤11)后剩余的行程特征做归一化处理;
I.对每个用户执行步骤H后的特征数据分别应用Kmeans++聚类算法和层析聚类算法;步骤I进一步包括:
12)分别将Kmeans++聚类算法和层析聚类算法应用于从非公交车行程数据中提取的特征,将用户的私家车行程数据聚为不同的簇数;
13)分别计算这两种算法下,聚成的不同簇数的轮廓系数;对于每一种算法,选择轮廓系数最大值所对应的簇数作为通过该算法得到的最优簇数;
14)比较这两种算法各自的最优簇数对应的轮廓系数,选择轮廓系数大的算法对应的最优簇数作为该用户最终行程数据的聚类簇数;
15)判断当前用户步骤14)中得到的聚类簇数是否小于某个设定阈值;若是,当前用户标记为有车用户并执行步骤15);若否,当前用户标记为无车用户并判断下一个用户;
16)对于当前用户,计算步骤14)中各聚类中包含行程的数量,行程数量最多的一簇中所包含的行程标记为驾车行程,其余行程标记为乘车行程。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910824870.3A CN110555733A (zh) | 2019-09-02 | 2019-09-02 | 一种基于智能手机的用户行程驾乘识别的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910824870.3A CN110555733A (zh) | 2019-09-02 | 2019-09-02 | 一种基于智能手机的用户行程驾乘识别的方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110555733A true CN110555733A (zh) | 2019-12-10 |
Family
ID=68738786
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910824870.3A Pending CN110555733A (zh) | 2019-09-02 | 2019-09-02 | 一种基于智能手机的用户行程驾乘识别的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110555733A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111487651A (zh) * | 2020-05-20 | 2020-08-04 | 上海评驾科技有限公司 | 一种基于车联网数据的车辆逃避监管判断方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2006244052A (ja) * | 2005-03-02 | 2006-09-14 | Matsushita Electric Ind Co Ltd | 半導体集積回路の設計方法 |
US8566765B1 (en) * | 2010-08-30 | 2013-10-22 | Atoptech, Inc. | In-hierarchy circuit analysis and modification |
CN105303854A (zh) * | 2015-09-11 | 2016-02-03 | 百度在线网络技术(北京)有限公司 | 一种出行路线数据的处理方法和装置 |
CN105374211A (zh) * | 2015-12-09 | 2016-03-02 | 敏驰信息科技(上海)有限公司 | 基于多源数据计算驾驶风险与辅助车险定价的系统及方法 |
CN107784251A (zh) * | 2016-08-25 | 2018-03-09 | 大连楼兰科技股份有限公司 | 基于图像识别技术对驾驶行为评价的方法 |
CN108091133A (zh) * | 2017-11-27 | 2018-05-29 | 银江股份有限公司 | 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 |
CN108460057A (zh) * | 2017-02-22 | 2018-08-28 | 深圳市赛格车圣智联科技有限公司 | 一种基于无监督学习的用户行程挖掘方法和装置 |
-
2019
- 2019-09-02 CN CN201910824870.3A patent/CN110555733A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2006244052A (ja) * | 2005-03-02 | 2006-09-14 | Matsushita Electric Ind Co Ltd | 半導体集積回路の設計方法 |
US8566765B1 (en) * | 2010-08-30 | 2013-10-22 | Atoptech, Inc. | In-hierarchy circuit analysis and modification |
CN105303854A (zh) * | 2015-09-11 | 2016-02-03 | 百度在线网络技术(北京)有限公司 | 一种出行路线数据的处理方法和装置 |
CN105374211A (zh) * | 2015-12-09 | 2016-03-02 | 敏驰信息科技(上海)有限公司 | 基于多源数据计算驾驶风险与辅助车险定价的系统及方法 |
CN107784251A (zh) * | 2016-08-25 | 2018-03-09 | 大连楼兰科技股份有限公司 | 基于图像识别技术对驾驶行为评价的方法 |
CN108460057A (zh) * | 2017-02-22 | 2018-08-28 | 深圳市赛格车圣智联科技有限公司 | 一种基于无监督学习的用户行程挖掘方法和装置 |
CN108091133A (zh) * | 2017-11-27 | 2018-05-29 | 银江股份有限公司 | 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 |
Non-Patent Citations (2)
Title |
---|
惠飞;彭娜;景首才;周琪;贾硕;: "基于凝聚层次的驾驶行为聚类与异常检测方法" * |
文江辉;杨先敏;吴超仲;: "大数据环境下营运车辆驾驶行为特征分析" * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111487651A (zh) * | 2020-05-20 | 2020-08-04 | 上海评驾科技有限公司 | 一种基于车联网数据的车辆逃避监管判断方法 |
CN111487651B (zh) * | 2020-05-20 | 2023-06-20 | 上海评驾科技有限公司 | 一种基于车联网数据的车辆逃避监管判断方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109050535B (zh) | 一种基于车辆姿态的快速地形工况辨识方法 | |
WO2018058967A1 (zh) | 公交路线推荐方法、装置、设备及计算机存储介质 | |
CN109359690B (zh) | 基于卡口数据的车辆出行轨迹识别方法 | |
CN106779116B (zh) | 一种基于时空数据挖掘的网约车客户征信方法 | |
CN111341103B (zh) | 车道信息提取方法、装置、设备及存储介质 | |
CN105809193B (zh) | 一种基于kmeans算法的非法运营车辆的识别方法 | |
CN106203505B (zh) | 一种利用手机定位数据判断用户移动与停留状态的方法 | |
CN110969142B (zh) | 一种基于网联车辆自然驾驶数据的异常驾驶场景提取方法 | |
CN105910612A (zh) | 一种个性化导航的方法及系统 | |
CN109872533A (zh) | 一种基于空间数据的车道级实时交通情报处理方法 | |
CN102622370A (zh) | 一种获取路线描述的方法及装置、电子地图服务器 | |
CN108171976A (zh) | 基于在途数据的车辆用途识别方法 | |
Feng et al. | Extracting activity-travel diaries from GPS data: Towards integrated semi-automatic imputation | |
CN110555733A (zh) | 一种基于智能手机的用户行程驾乘识别的方法 | |
CN112700473B (zh) | 一种基于图像识别进行车厢拥挤度判断系统 | |
CN111046723A (zh) | 一种基于深度学习的车道线检测方法 | |
CN113850151A (zh) | 一种驾驶员分心行为的识别方法、装置、终端及存储介质 | |
CN111428612B (zh) | 行人重识别方法、终端、装置及存储介质 | |
CN110728214B (zh) | 一种基于尺度匹配的弱小人物目标检测方法 | |
CN112651366A (zh) | 客流人数的处理方法、装置、电子设备及存储介质 | |
CN102609732B (zh) | 基于泛化视觉词典图的物体识别方法 | |
Van Hinsbergh et al. | Vehicle point of interest detection using in-car data | |
CN115691139A (zh) | 一种新能源汽车大数据路况预测系统 | |
CN112380311A (zh) | 一种基于行程轨迹的poi识别方法 | |
CN113516850A (zh) | 基于空间句法分析的管道沿线交通流量数据采集方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20191210 |
|
RJ01 | Rejection of invention patent application after publication |