CN110851490B - 一种基于过车数据的车辆出行常用停留点挖掘方法及装置 - Google Patents
一种基于过车数据的车辆出行常用停留点挖掘方法及装置 Download PDFInfo
- Publication number
- CN110851490B CN110851490B CN201910985189.7A CN201910985189A CN110851490B CN 110851490 B CN110851490 B CN 110851490B CN 201910985189 A CN201910985189 A CN 201910985189A CN 110851490 B CN110851490 B CN 110851490B
- Authority
- CN
- China
- Prior art keywords
- vehicle
- point
- detection
- time
- detection point
- 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
- 238000000034 method Methods 0.000 title claims abstract description 25
- 238000005065 mining Methods 0.000 title claims abstract description 19
- 238000001514 detection method Methods 0.000 claims abstract description 192
- 239000002131 composite material Substances 0.000 claims description 5
- 238000010586 diagram Methods 0.000 description 15
- 230000006870 function Effects 0.000 description 8
- 230000008569 process Effects 0.000 description 6
- 238000004458 analytical method Methods 0.000 description 5
- 238000004590 computer program Methods 0.000 description 5
- 238000012986 modification Methods 0.000 description 5
- 230000004048 modification Effects 0.000 description 5
- 208000037656 Respiratory Sounds Diseases 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- 230000006698 induction Effects 0.000 description 3
- 206010037833 rales Diseases 0.000 description 3
- 238000013500 data storage Methods 0.000 description 2
- 241001622623 Coeliadinae Species 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000010009 beating Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000001939 inductive effect Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
Images
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
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2465—Query processing support for facilitating data mining operations in structured databases
-
- 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
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2477—Temporal data queries
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- Probability & Statistics with Applications (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Fuzzy Systems (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种基于过车数据的车辆出行常用停留点挖掘方法及装置，该方法包括获取车辆的过车数据，过车数据包括车辆的检测点位、检测时间，依据车辆的检测时间，从第一个检测点位开始，依据预设阈值和拉依达准则确定车辆每次出行的停留点，根据车辆每次出行的停留点的停留时间和停留次数，确定车辆的常用停留点。依据车辆的过车数据，从第一个检测点位开始依据预设阈值和拉依达准则来识别车辆每次出行的停留点，由于在识别过程中采用了预设阈值和拉依达准则，计算量较小，可以提高识别效率和识别的准确率，为后续案件侦破、公众出行等提供数据基础。
Description
技术领域
本发明实施例涉及交通技术领域，尤其涉及一种基于过车数据的车辆出行常用停留点挖掘方法及装置。
背景技术
随着电子警察及卡口设备的普及及应用，车辆经过检测点位的信息可以被记录和存储，过车数据蕴含着丰富的时空信息，通过分析过车数据，可以发现出行车辆的行为特性、活动规律及车辆出行经常停留的点位等时空规律，为后续案件侦破、公众出行等提供数据基础。
但是，目前的车辆停留点识别的方案都比较复杂，计算量大，识别效率低，识别准确度低。
发明内容
本发明实施例提供一种基于过车数据的车辆出行常用停留点挖掘方法及装置，用以提高车辆出行常用停留点的识别准确率。
第一方面，本发明实施例提供一种基于过车数据的车辆出行常用停留点挖掘方法，包括：
获取车辆的过车数据，所述过车数据包括车辆的检测点位、检测时间；
依据所述车辆的检测时间，从第一个检测点位开始，依据预设阈值和拉依达准则确定所述车辆每次出行的停留点；
根据所述车辆每次出行的停留点的停留时间和停留次数，确定所述车辆的常用停留点。
上述技术方案中，依据车辆的过车数据，从第一个检测点位开始依据预设阈值和拉依达准则来识别车辆每次出行的停留点，由于在识别过程中采用了预设阈值和拉依达准则，计算量较小，可以提高识别效率和识别的准确率，为后续案件侦破、公众出行等提供数据基础。
可选的，所述依据所述车辆的检测时间，从第一个检测点位开始，依据预设阈值和拉依达准则确定所述车辆每次出行的停留点，包括：
依据所述车辆的检测时间，确定相邻两个检测点位之间的时间间隔；
确定所述第一个检测点位与第二个检测点位之间的时间间隔是否大于预设阈值，若是，则将所述第一个检测点位确定为所述车辆本次出行的停留点，否则确定所述第二个检测点位与第三个检测点位之间的时间间隔是否大于所述预设阈值，若是，则将所述第二个检测点位确定为所述车辆本次出行的停留点，否则针对所述第二个检测点位之后的任一检测点位，依据所述拉依达准则确定所述任一检测点位是否为所述车辆本次出行的停留点。
可选的，所述针对所述第二个检测点位之后的任一检测点位，依据所述拉依达准则确定所述任一检测点位是否为所述车辆本次出行的停留点，包括：
针对所述第二个检测点位之后的任一检测点位，依据所述任一检测点位之前的各检测点位之间的时间间隔，确定所述车辆已经过路段的平均行程时间；
根据所述车辆已经过路段的平均行程时间和所述任一检测点位之前的各检测点位之间的时间间隔，确定所述车辆已经过路段行程时间的标准差；
若所述任一检测点位与所述任一检测点位之后的检测点位的时间间隔不符合所述拉依达准则，则确定所述任一检测点位为所述车辆本次出行的停留点。
可选的，所述根据所述车辆每次出行的停留点的停留时间和停留次数，确定所述车辆的常用停留点，包括：
统计所述车辆每次出行的停留点的停留时间和停留次数；
根据所述车辆每次出行的停留点的停留时间和停留次数，确定出每个停留点的累计停留时长和累计停留次数；
根据所述每个停留点的累计停留时长和累计停留次数，确定每个停留点的综合得分；
将综合得分大于第一阈值的停留点确定为所述车辆的常用停留点。
第二方面，本发明实施例提供一种基于过车数据的车辆出行常用停留点挖掘装置，包括：
获取单元，用于获取车辆的过车数据，所述过车数据包括车辆的检测点位、检测时间；
处理单元，用于依据所述车辆的检测时间，从第一个检测点位开始，依据预设阈值和拉依达准则确定所述车辆每次出行的停留点；以及根据所述车辆每次出行的停留点的停留时间和停留次数，确定所述车辆的常用停留点。
可选的，所述处理单元具体用于：
依据所述车辆的检测时间，确定相邻两个检测点位之间的时间间隔；
确定所述第一个检测点位与第二个检测点位之间的时间间隔是否大于预设阈值，若是，则将所述第一个检测点位确定为所述车辆本次出行的停留点，否则确定所述第二个检测点位与第三个检测点位之间的时间间隔是否大于所述预设阈值，若是，则将所述第二个检测点位确定为所述车辆本次出行的停留点，否则针对所述第二个检测点位之后的任一检测点位，依据所述拉依达准则确定所述任一检测点位是否为所述车辆本次出行的停留点。
可选的，所述处理单元具体用于：
针对所述第二个检测点位之后的任一检测点位，依据所述任一检测点位之前的各检测点位之间的时间间隔，确定所述车辆已经过路段的平均行程时间；
根据所述车辆已经过路段的平均行程时间和所述任一检测点位之前的各检测点位之间的时间间隔，确定所述车辆已经过路段行程时间的标准差；
若所述任一检测点位与所述任一检测点位之后的检测点位的时间间隔不符合所述拉依达准则，则确定所述任一检测点位为所述车辆本次出行的停留点。
可选的，所述处理单元具体用于：
统计所述车辆每次出行的停留点的停留时间和停留次数；
根据所述车辆每次出行的停留点的停留时间和停留次数，确定出每个停留点的累计停留时长和累计停留次数；
根据所述每个停留点的累计停留时长和累计停留次数，确定每个停留点的综合得分；
将综合得分大于第一阈值的停留点确定为所述车辆的常用停留点。
第三方面，本发明实施例还提供一种计算设备，包括：
存储器，用于存储程序指令；
处理器，用于调用所述存储器中存储的程序指令，按照获得的程序执行上述基于过车数据的车辆出行常用停留点挖掘方法。
第四方面，本发明实施例还提供一种计算机可读非易失性存储介质，包括计算机可读指令，当计算机读取并执行所述计算机可读指令时，使得计算机执行上述基于过车数据的车辆出行常用停留点挖掘方法。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简要介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域的普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的一种系统架构的示意图；
图2为本发明实施例提供的一种基于过车数据的车辆出行常用停留点挖掘方法的流程示意图；
图3为本发明实施例提供的一种感应检测器的示意图；
图4为本发明实施例提供的一种电警检测器的示意图；
图5为本发明实施例提供的一种出行规律的示意图；
图6为本发明实施例提供的一种出行规律的示意图；
图7为本发明实施例提供的一种基于过车数据的车辆出行常用停留点挖掘装置的结构示意图。
具体实施方式
为了使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明作进一步地详细描述，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它实施例，都属于本发明保护的范围。
图1示例性的示出了本发明实施例所适用的一种系统架构，该系统架构可以服务器100，该服务器100可以包括处理器110、通信接口120和存储器130。
其中，通信接口120用于交通卡口设备进行通信，收发交通卡口设备传输的信息，实现通信。
处理器110是服务器100的控制中心，利用各种接口和路线连接整个服务器100的各个部分，通过运行或执行存储在存储器130内的软件程序/或模块，以及调用存储在存储器130内的数据，执行服务器100的各种功能和处理数据。可选地，处理器110可以包括一个或多个处理单元。
存储器130可用于存储软件程序以及模块，处理器110通过运行存储在存储器130的软件程序以及模块，从而执行各种功能应用以及数据处理。存储器130可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序等；存储数据区可存储根据业务处理所创建的数据等。此外，存储器130可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
需要说明的是，上述图1所示的结构仅是一种示例，本发明实施例对此不做限定。
基于上述描述，图2详细的示出了本发明实施例提供的一种基于过车数据的车辆出行常用停留点挖掘方法的流程，该流程可以由基于过车数据的车辆出行常用停留点挖掘装置执行，该装置可以位于如图1所示服务器100内，也可以是该服务器100。
如图2所示，该流程具体包括：
步骤201，获取车辆的过车数据，所述过车数据包括车辆的检测点位、检测时间。
在本发明实施例中，车辆过车数据是通过电子警察及卡口设备采集的，电子警察和卡口设备可以包括感应检测器和电警检测器，其中感应检测器一般布设于距离停止线30m的位置，该感应检测器的检测数据一般包括入口道的车流量(过车数据)、占有率，数据输出间隔为一个信号周期，具体的布设方式可以如图3所示。电警检测器一般布设在每个交叉口各方向的入口道，电警应为集成了卡口功能的多功能电警，可以实现逢车必拍功能。多功能电警一般布设于距离停车线18-23m的位置，其输出数据为通过停车线的各车辆的车牌号与通过时间，数据输出间隔为一个信号周期，具体布设方式可以如图4所示。
过车数据可以以Oracle数据存储为基础，大数据检索平台及大数据分析平台各存储备份，数据存储以日为单位，一个城市每日采集数据条目数约3000万。
其中，在进行车辆出行分析时，可以使用过车数据中的以下字段：CLICENSETYPE，CCARNUMBER，DCOLLECTIONDATE，CADDRESSCODE，CCOLLECTIONADDRESS。这些字段信息详细说明如下：
(1)号牌种类：CLICENSETYPE数据类型为字符串型，用以区分车辆类型，包括，大型汽车、小型汽车、境外汽车等41种类型。
(2)号牌号码：CCARNUMBER数据类型为字符串型，用以区分车辆。
(3)采集时间：DCOLLECTIONDATE数据类型为日期类型，用以描述当条数据采集的年、月、日、时、分、秒等时间信息。
(4)采集地点编号：CADDRESSCODE数据类型为字符串型，用以存储车辆经过检测设备的位置。
(5)采集地点名称：CCOLLECTIONADDRESS数据类型为字符串型，以存储车辆经过检测设备的位置。
需要说明的是，本发明实施例中的车辆出行分析可以包括每次车辆出行起始时间，每次车辆出行起始地点，每次车辆出行路径，每次车辆出行目的地时间，每次车辆出行目的地地址。可以用向量Cartrip表示如下：
Cartrip＝{timestart,addressstart,timeend,addressend,path}。
由此，单次车辆出行分析可以包含单次车辆出行起始时间，单次车辆出行起始地点，单次车辆出行路径，单次车辆出行到达停留点时间，单次车辆出行停留点点位，单次车量出行旅行时间。可以用向量Cartrip(i)表示如下：
Cartrip(i)＝{timestart(i),addressstart(i),timeend(i),addressend(i),path(i),traveltime(i)}。其中，Cartrip(i)：表示某辆车第i次出行信息。
timestart(i)：表示某辆车第i次出行起始时间。
addressstart(i)：表示某辆车第i次出行起始地点。
timeend(i)：表示某辆车第i次出行到达停留点时间。
addressend(i)：表示某辆车第i次出行停留点点位。
path(i)：表示某辆车第i次出行路径。
traveltime(i):表示某辆车第i次出行旅行时间。
在本发明实施例中，
这里
表示某辆车第i次出行经过第j个检测点位与第j+1个检测点位的时间间隔，m表示检测点位的数量。
举例来说，针对某一辆车car，即用车牌号carnumber及车牌类型cartype确定一辆车car，其出行规律如图5所示。
其中：timestart1,timestart2,…,timestartn表示时间轴上所识别得到车辆car第1次至第n次出行起始时间。
addressstart1,addressstart2,…,addressstartn表示时间轴上所识别得到车辆car第1次至第n次车辆出行起始地点。
timeend1,timeend2,…,timeendn表示时间轴上所识别得到车辆car第1次至第n次车辆出行到达停留点的时间。
addressend1,addressend2,…,addressendn表示时间轴上所识别得到车辆car第1次至第n次车辆出行停留点点位。
path1,path2,…,pathn表示时间轴上所识别得到车辆car第1次至第n次车辆出行路径。
步骤202，依据所述车辆的检测时间，从第一个检测点位开始，依据预设阈值和拉依达准则确定所述车辆每次出行的停留点。
具体的，在进行每一次的车辆出行分析时，都需要先依据车辆的检测时间，确定相邻两个检测点位之间的时间间隔，然后确定第一个检测点位与第二个检测点位之间的时间间隔是否大于预设阈值，若是，则将第一个检测点位确定为车辆本次出行的停留点，否则确定第二个检测点位与第三个检测点位之间的时间间隔是否大于所述预设阈值，若是，则将第二个检测点位确定为车辆本次出行的停留点，否则针对第二个检测点位之后的任一检测点位，依据拉依达准则(3σ准则)确定任一检测点位是否为所述车辆本次出行的停留点。
而在进行依据3σ准则确定任一检测点位是否为所述车辆本次出行的停留点时，具体可以针对第二个检测点位之后的任一检测点位，依据任一检测点位之前的各检测点位之间的时间间隔，确定车辆已经过路段的平均行程时间，根据车辆已经过路段的平均行程时间和任一检测点位之前的各检测点位之间的时间间隔，确定车辆已经过路段行程时间的标准差。若任一检测点位与任一检测点位之后的检测点位的时间间隔不符合拉依达准则，则确定任一检测点位为车辆本次出行的停留点。这里主要是判断该任一检测点位与任一检测点位之后的检测点位的时间间隔是否符合3σ准则，如果符合，则继续判断下一个检测点位是否符合，若不符合，则就可以确定该任一检测点位就是本次出行的停留点。这里的预设阈值可以依据经验设置。
需要说明的是，车辆出行的停留点信息可以使用向量的形式进行表示：
Cartrip(i)＝{timestart(i),addressstart(i),timeend(i),addressend(i),path(i),dur(i),tf(i)}。
其中，Cartrip(i)：表示某辆车第i次出行信息。
timestart(i)：表示某辆车第i次出行起始时间。
addressstart(i)：表示某辆车第i次出行起始地点。
timeend(i)：表示某辆车第i次出行到达停留点时间。
addressend(i)：表示某辆车第i次出行停留点点位。
path(i)：表示某辆车第i次出行路径。
dur(i)：表示某辆车第i次出行到达停留点时间与第i+1次出行起始时间之间的时间间隔，即某辆车第i次出行在停留点点位停留时长。
tf(i)：为表示某辆车出行次数，一条路径算出行一次。
设某辆车第i次出行，共经过m个点位，其每两个点位时间间隔分别为
i＝1,2,…。具体的出行示意图可以如图6所示。
基于上述信息，举例来说，停留点识别步骤如下：
Step1，从数据库过车表中识别出车辆第一次检测点信息(包括检测点位、检测时间。若是选择时间段P(Period)，则根据选择时间范围于过车表中识别车辆第一次检测信息；若是所有历史数据，在直接从数据库过车表中识别车辆第一次检测信息。
Step2，首先判别出行第一个检测点位与第二个检测点位之间的时间间隔，若
其中θ为预设阈值，例如θ＝2h，则判别第一个检测点位为停留点，转至Step2，否则转至Step3。
Step3，其次判断第二个检测点位与第三个检测点位之间的时间间隔，若
其中θ为预设阈值，则判别第二个检测点位为停留点，转至Step2，否则转至Step4。
Step4，计算车辆经过第j个点位与经过第j+1个点位之间时间间隔
Step5，计算出行车辆已经过路段的平均行程时间μ，即依次计算：
…；
迭代计算(m≥3)。
Step6，计算出行车辆已经过路段行程时间的标准差σ，即依次计算：
σ1＝0；
…；
迭代计算(m≥3)。
Step7，若
其中，
则判别第m个检测点位为停留点，
为出行车辆在第i次出行过程中经过第m个点位的停留时长，即
Step8，记录车辆第i次出行的停留次数即为tf(i)。
需要说明的是，上述m＞3，也就是在第3个检测点位之后，每个检测点位都需要重新计算标准差，然后判断是否符合3σ准则。
步骤203，根据所述车辆每次出行的停留点的停留时间和停留次数，确定所述车辆的常用停留点。
当得到车辆每次出行的停留点之后，就可以统计车辆每次出行的停留点的停留时间和停留次数，然后根据车辆每次出行的停留点的停留时间和停留次数，确定出每个停留点的累计停留时长和累计停留次数，最后根据每个停留点的累计停留时长和累计停留次数，确定每个停留点的综合得分，将综合得分大于第一阈值的停留点确定为车辆的常用停留点。该第一阈值可以依据经验设置。
例如，通过上述步骤202的出行分析之后，就可以得到停留点addressend(i)停留时长dur(i)及停留次数tf(i)。首先对所有停留点去重，然后计算每一个停留点的累计时长dur及累计停留次数tf，设第i个停留点综合得分为stop(i)。则stop(i)＝α*dur+(1-α)*tf，其中，0≤α≤1。
对stop(i)从高到低进行排序，取前五名即为车辆出行常用停留点。
上述实施例表明，获取车辆的过车数据，过车数据包括车辆的检测点位、检测时间，依据车辆的检测时间，从第一个检测点位开始，依据预设阈值和拉依达准则确定车辆每次出行的停留点，根据车辆每次出行的停留点的停留时间和停留次数，确定车辆的常用停留点。依据车辆的过车数据，从第一个检测点位开始依据预设阈值和拉依达准则来识别车辆每次出行的停留点，由于在识别过程中采用了预设阈值和拉依达准则，计算量较小，可以提高识别效率和识别的准确率，为后续案件侦破、公众出行等提供数据基础。
基于相同的技术构思，图7示例性的示出了本发明实施例提供的一种基于过车数据的车辆出行常用停留点挖掘装置的结构，该装置可以执行基于过车数据的车辆出行常用停留点挖掘流程，该装置可以位于图1所示的服务器100内，也可以是该服务器100。
如图7所示，该装置具体包括：
获取单元701，用于获取车辆的过车数据，所述过车数据包括车辆的检测点位、检测时间；
处理单元702，用于依据所述车辆的检测时间，从第一个检测点位开始，依据预设阈值和拉依达准则确定所述车辆每次出行的停留点；以及根据所述车辆每次出行的停留点的停留时间和停留次数，确定所述车辆的常用停留点。
可选的，所述处理单元702具体用于：
依据所述车辆的检测时间，确定相邻两个检测点位之间的时间间隔；
确定所述第一个检测点位与第二个检测点位之间的时间间隔是否大于预设阈值，若是，则将所述第一个检测点位确定为所述车辆本次出行的停留点，否则确定所述第二个检测点位与第三个检测点位之间的时间间隔是否大于所述预设阈值，若是，则将所述第二个检测点位确定为所述车辆本次出行的停留点，否则针对所述第二个检测点位之后的任一检测点位，依据所述拉依达准则确定所述任一检测点位是否为所述车辆本次出行的停留点。
可选的，所述处理单元702具体用于：
针对所述第二个检测点位之后的任一检测点位，依据所述任一检测点位之前的各检测点位之间的时间间隔，确定所述车辆已经过路段的平均行程时间；
根据所述车辆已经过路段的平均行程时间和所述任一检测点位之前的各检测点位之间的时间间隔，确定所述车辆已经过路段行程时间的标准差；
若所述任一检测点位与所述任一检测点位之后的检测点位的时间间隔不符合所述拉依达准则，则确定所述任一检测点位为所述车辆本次出行的停留点。
可选的，所述处理单元702具体用于：
统计所述车辆每次出行的停留点的停留时间和停留次数；
根据所述车辆每次出行的停留点的停留时间和停留次数，确定出每个停留点的累计停留时长和累计停留次数；
根据所述每个停留点的累计停留时长和累计停留次数，确定每个停留点的综合得分；
将综合得分大于第一阈值的停留点确定为所述车辆的常用停留点。
基于相同的技术构思，本发明实施例还提供了一种计算设备，包括：
存储器，用于存储程序指令；
处理器，用于调用存储器中存储的程序指令，按照获得的程序执行上述基于过车数据的车辆出行常用停留点挖掘方法。
基于相同的技术构思，本发明实施例还提供了一种计算机可读非易失性存储介质，包括计算机可读指令，当计算机读取并执行计算机可读指令时，使得计算机执行上述基于过车数据的车辆出行常用停留点挖掘方法。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
尽管已描述了本发明的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。
显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。
Claims (8)
1.一种基于过车数据的车辆出行常用停留点挖掘方法，其特征在于，包括：
获取车辆的过车数据，所述过车数据包括车辆的检测点位、检测时间；
依据所述车辆的检测时间，从第一个检测点位开始，依据预设阈值和拉依达准则确定所述车辆每次出行的停留点；
根据所述车辆每次出行的停留点的停留时间和停留次数，确定所述车辆的常用停留点；
所述依据所述车辆的检测时间，从第一个检测点位开始，依据预设阈值和拉依达准则确定所述车辆每次出行的停留点，包括：
依据所述车辆的检测时间，确定相邻两个检测点位之间的时间间隔；
确定所述第一个检测点位与第二个检测点位之间的时间间隔是否大于预设阈值，若是，则将所述第一个检测点位确定为所述车辆本次出行的停留点，否则确定所述第二个检测点位与第三个检测点位之间的时间间隔是否大于所述预设阈值，若是，则将所述第二个检测点位确定为所述车辆本次出行的停留点，否则针对所述第二个检测点位之后的任一检测点位，依据所述拉依达准则确定所述任一检测点位是否为所述车辆本次出行的停留点。
2.如权利要求1所述的方法，其特征在于，所述针对所述第二个检测点位之后的任一检测点位，依据所述拉依达准则确定所述任一检测点位是否为所述车辆本次出行的停留点，包括：
针对所述第二个检测点位之后的任一检测点位，依据所述任一检测点位之前的各检测点位之间的时间间隔，确定所述车辆已经过路段的平均行程时间；
根据所述车辆已经过路段的平均行程时间和所述任一检测点位之前的各检测点位之间的时间间隔，确定所述车辆已经过路段行程时间的标准差；
若所述任一检测点位与所述任一检测点位之后的检测点位的时间间隔不符合所述拉依达准则，则确定所述任一检测点位为所述车辆本次出行的停留点。
3.如权利要求1或2所述的方法，其特征在于，所述根据所述车辆每次出行的停留点的停留时间和停留次数，确定所述车辆的常用停留点，包括：
统计所述车辆每次出行的停留点的停留时间和停留次数；
根据所述车辆每次出行的停留点的停留时间和停留次数，确定出每个停留点的累计停留时长和累计停留次数；
根据所述每个停留点的累计停留时长和累计停留次数，确定每个停留点的综合得分；
将综合得分大于第一阈值的停留点确定为所述车辆的常用停留点。
4.一种基于过车数据的车辆出行常用停留点挖掘装置，其特征在于，包括：
获取单元，用于获取车辆的过车数据，所述过车数据包括车辆的检测点位、检测时间；
处理单元，用于依据所述车辆的检测时间，从第一个检测点位开始，依据预设阈值和拉依达准则确定所述车辆每次出行的停留点；以及根据所述车辆每次出行的停留点的停留时间和停留次数，确定所述车辆的常用停留点；
所述处理单元具体用于：
依据所述车辆的检测时间，确定相邻两个检测点位之间的时间间隔；
确定所述第一个检测点位与第二个检测点位之间的时间间隔是否大于预设阈值，若是，则将所述第一个检测点位确定为所述车辆本次出行的停留点，否则确定所述第二个检测点位与第三个检测点位之间的时间间隔是否大于所述预设阈值，若是，则将所述第二个检测点位确定为所述车辆本次出行的停留点，否则针对所述第二个检测点位之后的任一检测点位，依据所述拉依达准则确定所述任一检测点位是否为所述车辆本次出行的停留点。
5.如权利要求4所述的装置，其特征在于，所述处理单元具体用于：
针对所述第二个检测点位之后的任一检测点位，依据所述任一检测点位之前的各检测点位之间的时间间隔，确定所述车辆已经过路段的平均行程时间；
根据所述车辆已经过路段的平均行程时间和所述任一检测点位之前的各检测点位之间的时间间隔，确定所述车辆已经过路段行程时间的标准差；
若所述任一检测点位与所述任一检测点位之后的检测点位的时间间隔不符合所述拉依达准则，则确定所述任一检测点位为所述车辆本次出行的停留点。
6.如权利要求4或5所述的装置，其特征在于，所述处理单元具体用于：
统计所述车辆每次出行的停留点的停留时间和停留次数；
根据所述车辆每次出行的停留点的停留时间和停留次数，确定出每个停留点的累计停留时长和累计停留次数；
根据所述每个停留点的累计停留时长和累计停留次数，确定每个停留点的综合得分；
将综合得分大于第一阈值的停留点确定为所述车辆的常用停留点。
7.一种计算设备，其特征在于，包括：
存储器，用于存储程序指令；
处理器，用于调用所述存储器中存储的程序指令，按照获得的程序执行权利要求1-3任一项所述的方法。
8.一种计算机可读非易失性存储介质，其特征在于，包括计算机可读指令，当计算机读取并执行所述计算机可读指令时，使得计算机执行如权利要求1-3任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910985189.7A CN110851490B (zh) | 2019-10-16 | 2019-10-16 | 一种基于过车数据的车辆出行常用停留点挖掘方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910985189.7A CN110851490B (zh) | 2019-10-16 | 2019-10-16 | 一种基于过车数据的车辆出行常用停留点挖掘方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110851490A CN110851490A (zh) | 2020-02-28 |
| CN110851490B true CN110851490B (zh) | 2022-04-26 |
Family
ID=69596487
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910985189.7A Active CN110851490B (zh) | 2019-10-16 | 2019-10-16 | 一种基于过车数据的车辆出行常用停留点挖掘方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110851490B (zh) |
Families Citing this family (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112053566B (zh) * | 2020-08-24 | 2022-01-11 | 青岛海信网络科技股份有限公司 | 电子设备及车辆的出行类型识别方法 |
| CN112185155B (zh) * | 2020-09-29 | 2021-12-28 | 上海万位科技有限公司 | 基于大数据的汽车定位管理方法、计算机设备及存储介质 |
| CN112395955B (zh) * | 2020-10-27 | 2022-07-12 | 南威软件股份有限公司 | 一种涉车常驻落脚点分析方法、装置、设备和介质 |
| CN114141014B (zh) * | 2021-11-30 | 2023-04-18 | 中寰卫星导航通信有限公司 | 一种停车场的确定方法、装置、设备及存储介质 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6256577B1 (en) * | 1999-09-17 | 2001-07-03 | Intel Corporation | Using predictive traffic modeling |
| CN105513339A (zh) * | 2015-12-16 | 2016-04-20 | 青岛海信网络科技股份有限公司 | 一种车辆轨迹分析方法和设备 |
| CN105741553A (zh) * | 2016-04-28 | 2016-07-06 | 泰华智慧产业集团股份有限公司 | 基于动态阈值的识别车辆轨迹中停靠路段的方法 |
| CN106971534A (zh) * | 2017-02-09 | 2017-07-21 | 江苏智通交通科技有限公司 | 基于号牌数据的通勤出行特征分析方法 |
| CN107025788A (zh) * | 2017-05-17 | 2017-08-08 | 青岛海信网络科技股份有限公司 | 一种旅行时间预测方法及装置 |
| CN108806248A (zh) * | 2018-05-31 | 2018-11-13 | 重庆大学 | 一种针对rfid电子车牌数据的车辆出行轨迹划分方法 |
| CN109726874A (zh) * | 2019-01-18 | 2019-05-07 | 创新奇智(北京)科技有限公司 | 出行线路规划方法、装置、计算设备及存储介质 |
Family Cites Families (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2008196906A (ja) * | 2007-02-09 | 2008-08-28 | Sumitomo Electric Ind Ltd | 車両位置検出システム、車載装置及び車両位置検出方法 |
| CN106683227B (zh) * | 2015-11-06 | 2019-03-15 | 上海汽车集团股份有限公司 | 车辆行程划分方法及装置 |
| CN109242024B (zh) * | 2018-09-13 | 2021-09-14 | 中南大学 | 一种基于卡口数据的车辆行为相似度计算方法 |
| CN110095133A (zh) * | 2019-04-30 | 2019-08-06 | 广州小鹏汽车科技有限公司 | 路况提醒方法、装置、车辆、计算机设备及其存储介质 |
-
2019
- 2019-10-16 CN CN201910985189.7A patent/CN110851490B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6256577B1 (en) * | 1999-09-17 | 2001-07-03 | Intel Corporation | Using predictive traffic modeling |
| CN105513339A (zh) * | 2015-12-16 | 2016-04-20 | 青岛海信网络科技股份有限公司 | 一种车辆轨迹分析方法和设备 |
| CN105741553A (zh) * | 2016-04-28 | 2016-07-06 | 泰华智慧产业集团股份有限公司 | 基于动态阈值的识别车辆轨迹中停靠路段的方法 |
| CN106971534A (zh) * | 2017-02-09 | 2017-07-21 | 江苏智通交通科技有限公司 | 基于号牌数据的通勤出行特征分析方法 |
| CN107025788A (zh) * | 2017-05-17 | 2017-08-08 | 青岛海信网络科技股份有限公司 | 一种旅行时间预测方法及装置 |
| CN108806248A (zh) * | 2018-05-31 | 2018-11-13 | 重庆大学 | 一种针对rfid电子车牌数据的车辆出行轨迹划分方法 |
| CN109726874A (zh) * | 2019-01-18 | 2019-05-07 | 创新奇智(北京)科技有限公司 | 出行线路规划方法、装置、计算设备及存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110851490A (zh) | 2020-02-28 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110851490B (zh) | 一种基于过车数据的车辆出行常用停留点挖掘方法及装置 | |
| CN111966729B (zh) | 一种车辆轨迹数据处理方法、装置、设备及存储介质 | |
| CN111462484B (zh) | 拥堵状态的确定方法、装置、设备及计算机可读存储介质 | |
| CN109166337B (zh) | 公交到站时间生成方法、装置及公交乘客出行od获取方法 | |
| JP2021503106A (ja) | 交差点における対象道路設備の有無を確定する方法及びシステム | |
| CN111275975B (zh) | 一种交叉口转向流量数据的获取方法、装置和存储介质 | |
| CN111680377A (zh) | 一种交通态势仿真方法、系统和电子设备 | |
| CN110363984B (zh) | 交通流量预测方法和设备 | |
| CN113847925A (zh) | 基于轨迹数据检测车辆偏航的方法、装置、设备及介质 | |
| CN113570864B (zh) | 一种电动自行车行驶路径匹配方法、设备及存储介质 | |
| CN112837542B (zh) | 一种高速公路段交通量统计方法、装置、存储介质及终端 | |
| CN104424812A (zh) | 一种公交到站时间预测系统和方法 | |
| CN110532250B (zh) | 交规数据的处理方法及装置 | |
| CN112686466A (zh) | 地铁乘客的路径确认方法及装置 | |
| 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 | |
| CN106940929B (zh) | 交通数据预测方法及装置 | |
| CN110827537B (zh) | 一种潮汐车道的设置方法、装置及设备 | |
| CN110021161A (zh) | 一种交通流向的预测方法及系统 | |
| CN115655301A (zh) | 车辆导航路线的选取方法、装置、电子设备及介质 | |
| CN113850237A (zh) | 基于视频和轨迹数据的网联车目标检测评价方法及系统 | |
| CN113963550B (zh) | 一种多义路径识别方法、装置及电子设备 | |
| CN114596704A (zh) | 交通事件处理方法、装置、设备及存储介质 | |
| CN111369790B (zh) | 过车记录校正方法、装置、设备及存储介质 | |
| CN111899505B (zh) | 交通限制解除的检测方法和装置 | |
| CN108074301B (zh) | 一种交通卡的实名制方法及装置 |
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 |