CN110852354A - 车辆轨迹点识别方法及设备 - Google Patents
车辆轨迹点识别方法及设备 Download PDFInfo
- Publication number
- CN110852354A CN110852354A CN201911010527.1A CN201911010527A CN110852354A CN 110852354 A CN110852354 A CN 110852354A CN 201911010527 A CN201911010527 A CN 201911010527A CN 110852354 A CN110852354 A CN 110852354A
- Authority
- CN
- China
- Prior art keywords
- vehicle track
- point
- track point
- vehicle
- data
- 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 45
- 238000010801 machine learning Methods 0.000 claims abstract description 26
- 238000012549 training Methods 0.000 claims abstract description 26
- 230000015654 memory Effects 0.000 claims description 23
- 238000012545 processing Methods 0.000 claims description 11
- 238000004422 calculation algorithm Methods 0.000 claims description 10
- 230000009467 reduction Effects 0.000 claims description 10
- 238000002372 labelling Methods 0.000 claims description 4
- 230000009471 action Effects 0.000 claims description 3
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 abstract description 34
- 239000003949 liquefied natural gas Substances 0.000 abstract description 17
- 239000003345 natural gas Substances 0.000 abstract description 17
- 238000011144 upstream manufacturing Methods 0.000 abstract description 6
- 230000002860 competitive effect Effects 0.000 abstract description 5
- 238000003672 processing method Methods 0.000 abstract description 2
- 239000007789 gas Substances 0.000 description 22
- 238000003066 decision tree Methods 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 5
- 230000002159 abnormal effect Effects 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 239000000383 hazardous chemical Substances 0.000 description 3
- 239000007788 liquid Substances 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 239000000126 substance Substances 0.000 description 3
- 230000005856 abnormality Effects 0.000 description 2
- 238000007405 data analysis Methods 0.000 description 2
- 238000013136 deep learning model Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 239000007787 solid Substances 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 239000000969 carrier Substances 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 230000006866 deterioration Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S19/00—Satellite radio beacon positioning systems; Determining position, velocity or attitude using signals transmitted by such systems
- G01S19/38—Determining a navigation solution using signals transmitted by a satellite radio beacon positioning system
- G01S19/39—Determining a navigation solution using signals transmitted by a satellite radio beacon positioning system the satellite radio beacon positioning system transmitting time-stamped messages, e.g. GPS [Global Positioning System], GLONASS [Global Orbiting Navigation Satellite System] or GALILEO
- G01S19/42—Determining position
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/217—Validation; Performance evaluation; Active pattern learning techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Business, Economics & Management (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Software Systems (AREA)
- Economics (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Marketing (AREA)
- Medical Informatics (AREA)
- Human Resources & Organizations (AREA)
- General Business, Economics & Management (AREA)
- Strategic Management (AREA)
- Mathematical Physics (AREA)
- Water Supply & Treatment (AREA)
- Public Health (AREA)
- Tourism & Hospitality (AREA)
- Computer Networks & Wireless Communication (AREA)
- Navigation (AREA)
Abstract
本申请公开了一种车辆轨迹点识别方法及设备,其中,所述方法包括:获取车辆轨迹点数据;根据所述车辆轨迹点数据计算车辆轨迹点的类型特征;根据所述轨迹点的类型特征利用机器学习模型对所述车辆轨迹点进行预测,以输出车辆轨迹点分类结果,其中所述机器学习模型是利用已知类型特征的轨迹点样本进行训练得到的;根据所述分类结果得到目标点。基于机器学习,以液化天然气运输车辆停车点数据为基础,通过独特的特征处理方法和模型挖掘液化天然气用气点,进而可以为天然气上游和中游企业建立竞争优势以及合理调配液化天然气供给保障民生提供可靠的数据支持。
Description
技术领域
本申请涉及数据分析技术领域,具体而言,涉及一种车辆轨迹点识别方法及设备。
背景技术
随着环境的日益恶化,人民群众对于环保的要求不断提升,天然气消费量逐年攀升。2017年,我国全年天然气消费量约2373亿方天然气,同比增长15.31%,增量刷新我国天然气消费增量历史记录,但是天然气的供给却远远赶不上市场的需求,2017年入冬以来,京津冀地区天然气供应偏紧,天然气供应短缺问题凸显,部分学校、医院、住宅区供暖不足。面对严峻的天然气“气荒”问题,如何解决,保证民生需求,是目前亟需解决的问题。
天然气按照其形态分为液化天然气(Liquefied Natural Gas)和压缩天然气(Compressed Natural Gas),液化天然气主要通过液化天然气槽车来运输,属于危险化品范畴中的2类1项(可燃烧气体)。液化天然气运输车辆从上游液化工厂或接收站接货,然后在下游天然气用气终端卸货,全国目前共有液化工厂和接收站200余家。
随着天然气行业信息化的发展,如何获取液化天然气用气点信息,是当前天然气上游和中游企业建立竞争优势的关键,也是合理调配液化天然气供给,保障民生的重要举措。当前市场上获取用气终端信息的方式主要有两种,一种是依靠人为的搜集,例如电话、实地走访等等,但这种方式效率较低,而且无法获取比较全面的数据;另外一种是依靠物联网,以获取精准的终端数据,但是成本较高。
因此,如何实现较为便捷合理的获取用气点信息成为亟待解决的技术问题。
发明内容
本申请的主要目的在于提供一种车辆轨迹点识别方法以实现较为便捷合理的获取用气点信息。
根据第一方面,本发明实施例提供了一种车辆轨迹点识别方法,包括:获取车辆轨迹点数据;根据所述车辆轨迹点数据计算车辆轨迹点的类型特征;根据所述轨迹点的类型特征利用机器学习模型对所述车辆轨迹点进行预测,以输出车辆轨迹点分类结果,其中所述机器学习模型是利用已知类型特征的轨迹点样本进行训练得到的;根据所述分类结果得到目标点。
可选地,所述获取车辆轨迹点数据包括:获取所述车辆轨迹点位置坐标;对所述位置坐标进行降维处理,得到位置标识。
可选地,所述对所述位置坐标进行降维处理,得到位置标识包括:将所述位置坐标通过Geohash算法编码为一维字符串作为所述位置标识。
可选地,所述车辆轨迹点数据包括:车辆轨迹点的位置坐标和时间戳;所述根据所述车辆轨迹点数据计算车辆轨迹点的第一特征包括:基于所述位置坐标和所述时间戳得到所述第一特征,所述第一特征包括:停车时间点、停车时长、停车点所处区域、停车动作以及停车点与预设兴趣点的关系中的至少之一。
根据第二方面,本发明实施例提供了一种车辆轨迹点识别模型训练方法,包括:获取样本数据,所述样本数据包括标记了类型特征的历史车辆轨迹点数据;利用所述样本数据对机器学习模型进行训练,以使所述机器学习模型从车辆轨迹点数据中预测出车辆轨迹点的类型。
可选地,获取样本数据包括:获取第一样本数据,所述第一样本数据包括历史车辆轨迹点数据;对所述历史车辆轨迹点数据进行类型特征标注得到第二样本数据。
可选地,在对所述历史车辆轨迹点数据进行类型特征标注得到第二样本数据之前包括:获取所述历史车辆轨迹点位置坐标;对所述位置坐标进行降维处理,得到位置标识。
可选地,所述对所述位置坐标进行降维处理,得到位置标识包括:将所述位置坐标通过Geohash算法编码为一维字符串作为所述位置标识。
根据第三方面,本发明实施例提供了一种车辆轨迹点识别设备,其特征在于,包括至少一个处理器;以及与所述至少一个处理器通信连接的存储器;其中,所述存储器存储有可被所述一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器执行如上述第一方面任意一项所述的车辆轨迹点识别方法。
根据第四方面,本发明实施例提供了一种车辆轨迹点识别模型训练设备,其特征在于,包括至少一个处理器;以及与所述至少一个处理器通信连接的存储器;其中,所述存储器存储有可被所述一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器执行如上述第二方面任意一项所述的车辆轨迹点识别模型训练方法。
获取车辆轨迹点数据;根据所述车辆轨迹点数据计算车辆轨迹点的类型特征;根据所述轨迹点的类型特征利用机器学习模型对所述车辆轨迹点进行预测,以输出车辆轨迹点分类结果,其中所述机器学习模型是利用已知类型特征的轨迹点样本进行训练得到的;根据所述分类结果得到目标点。基于机器学习,以液化天然气运输车辆停车点数据为基础,通过独特的特征处理方法和模型挖掘液化天然气用气点,进而可以为天然气上游和中游企业建立竞争优势以及合理调配液化天然气供给保障民生提供可靠的数据支持。
附图说明
构成本申请的一部分的附图用来提供对本申请的进一步理解,使得本申请的其它特征、目的和优点变得更明显。本申请的示意性实施例附图及其说明用于解释本申请,并不构成对本申请的不当限定。在附图中:
图1是根据本申请实施例的车辆轨迹点识方法流程示意图;
图2是根据本申请实施例的车辆轨迹点识别模型训练方法流程示意图;
图3是根据本申请实施例的设备的示意图。
具体实施方式
为了使本技术领域的人员更好地理解本申请方案,下面将结合本申请实施例中的附图,对本申请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申请一部分的实施例,而不是全部的实施例。基于本申请中的实施例,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,都应当属于本申请保护的范围。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含
需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
正如背景技术所述,现有的用气点信息的获取通常采用人为搜集或互联网搜集,其中,人为搜集通常采用电话、实地走访等手段进行,导致效率极其低下,而互联网方式通常需要在各个用户端部署相关的设施,其实施费时费力。基于此,发明人发现随着危险化品运输车辆数字化的不断推动,液化天然气运输车辆都安装了定位终端,定位终端会以一定频率上传车辆位置数据,从而形成车辆轨迹数据和停车点数据。发明人发现,可以利用互联网+大数据。无需增加用户端部署即可完成用气点信息挖掘,在本实施例中,基于机器学习理论,以液化天然气运输车辆轨迹点数据为基础进行用气点识别。具体的,如图1所示,该方法可以包括:
S11.获取车辆轨迹点数据;行车数据车辆标识信息、车辆轨迹点的位置坐标信息和时间戳。作为示例性的实施例,车辆安装有定位装置,尤其,危化品运输车辆,按照国家交通部门的要求,危化品运输车辆都安装了定位终端,定位终端会以一定频率上传车辆位置数据从而形成行车数据,该行车数据可以包括车辆标识信息,车辆轨迹点的位置坐标信息及车辆轨迹点经度坐标和纬度坐标以及轨迹点时间戳。
S12.根据车辆轨迹点数据计算车辆轨迹点的类型特征。作为示例性的实施例,可以基于车辆轨迹点的基于位置坐标和时间戳得到第一特征,第一特征包括:停车时间点、停车时长、停车点所处区域、停车动作以及停车点与预设兴趣点的关系中的至少之一。其中,停车点与预设兴趣点关系可以包括:与停车点距离最近的预设兴趣点的类型、停车点附近是否存在预设兴趣点,其中预设兴趣点可以为工业用气点、生活用气点以及加气站。在本实施例中,车辆轨迹点是否为停车点,以及停车点的类型可以根据车辆轨迹点数据得到。作为示例性的实施例,可以先确定车辆轨迹点为停车点,停车点的类型特征可以根据车辆轨迹点数抽象得到,下列表1示例性的示出了停车点的类型特征:
表1轨迹点类型特征表
其中,表1中的POI(Point of Interest)兴趣点,AOI(area of interest),即信息面,也叫兴趣面。指的是地图数据中的区域状的地理实体。
S13.根据轨迹点的类型特征利用机器学习模型对车辆轨迹点进行预测,以输出车辆轨迹点分类结果,其中机器学习模型是利用已知类型特征的轨迹点样本进行训练得到的。该机器学习模型是预先使用大量样本数据训练出的模型。本发明中的机器学习模型可以是神经网络模型、深度学习模型等,用于机器学习的分类检测有多种算法可以使用,比如R-CNN(Regions with ConvolutionalNeural Network,卷积神经网络)、Fast R-CNN、Faster R-CNN、DSOD(Deeply SupervisedObject Detectors,学习型深度监督对象检测器)以及GBDT(Gradient Boosting Decision Tree)等。在本实施例中,及其学习模型可以采用GBDT(Gradient Boosting Decision Tree)模型。
具体地,机器学习模型是利用已知类型特征轨迹点样本进行训练得到的。例如可以先对轨迹点的类型特征进行离线计算,然后由人工或其他自动识别方法对各个轨迹点的类型特征进行标注,并将其作为样本数据。标记的内容可以是轨迹点的类型,以及该类型下ID和值范围等。机器学习模型通过对大量的样本数据进行学习以改变内部参数,终将可以对未做标记的车辆轨迹点的类型进行识别,输出车辆轨迹点的分类结果。
S14.根据分类结果得到目标点。在本实施例中,可以针对分类结果得到得到待识别的轨迹点的类型以及对应的特征,进而根据该特征确定用气点的信息,进而可以为天然气上游和中游企业建立竞争优势以及合理调配液化天然气供给保障民生提供可靠的数据支持。
作为示例性的实施例,为了提升模型训练与识别效率,可以对获取的车辆轨迹点数据进行预处理,例如,获取车辆轨迹点位置坐标;对位置坐标进行降维处理,得到位置标识。具体的,可以将位置坐标通过Geohash算法编码为一维字符串作为位置标识。在本实施例中,将轨迹点的经纬度坐标通过Geohash算法编码为一维字符串在进行类型特征计算,可以提升GBDT(Gradient Boosting Decision Tree)模型的训练以及识别效率。
作为示例性的实施例,根据车辆轨迹点数据计算车辆轨迹点类型特征,可以先确定轨迹点为停车点,具体的,车辆轨迹点数据可以包括车辆标识信息、车辆轨迹点的位置坐标信息和时间戳。按照时间顺序,以前一个轨迹点和后一轨迹点或后续连续的一系列轨迹点进行距离计算得到第一距离。由于定位数据存在一定的精度偏差,即使车辆实际时停驶状态,仍有可能出现上传的轨迹点出现小幅度偏移的情况,会导致误生成多个停车点,因此可以判断第一距离是否小于预设阈值;当第一距离小于预设阈值时,则根据相邻的轨迹点生成停车位置。当距离大于预设预设值时,则生成新的欲停车点,继续计算欲停车点与后续相邻的轨迹点之间的第一距离,从而确定新的停车点。在本实施例中,可以任意选取轨迹点开始计算与后续轨迹点的第一距离。
作为具体的实施例,对于停车位置的确定可以计算第一距离小于预设阈值的所有轨迹点的位置坐标信息的均值;将均值作为作为停车位置。示例性的,在确定存在5个第一距离小于预设阈值的轨迹点,可以计算该5个轨迹点的经度坐标的平均值作为停车位置的经度坐标,计算该5个轨迹点的维度坐标的平均值作为停车位置的维度坐标。作为另一示例性的实施例,由于车辆在停车过程中,产生多个轨迹点是由于定位设备不稳定或定位精度不准或定位信号较弱造成的位置漂移,通常位置漂移均在一定范围内,位置偏移较小,因此还可以将第一距离小于预设阈值的所有轨迹点中任一轨迹点的位置坐标信息作为停车位置。
作为另一示例性的实施例,还可以根据轨迹点之间的第一距离确定停车时长,具体的,按照时间戳连续统计第一距离小于预设值的多个连续的轨迹点,直至第一距离大于预设值,将统计的所有的轨迹点中的起始轨迹点和结束轨迹点之间的时间差作为停车时长。示例性的,以存在5个第一距离小于预设阈值的轨迹点为例,可以计算第一个轨迹点和第五个轨迹点之间的时间差,并将该时间差作为停车时长。
示例性的,由于全球定位系统(Global Positioning System,GPS)或北斗定位系统的定位设备可能存在一定程度的位置偏移,因此,预设阈值可以为5-30米。若车辆行驶按时间排序的的轨迹点为:A、B、C、D、……
计算相邻两点(以轨迹点A为起始点为例)的第一距离:
步骤a:如果轨迹点A和轨迹点B两点距离小于30米,继续计算轨迹点A和轨迹点C两点的距离,若轨迹点A和轨迹点C小于30米继续计算轨迹点A和轨迹点D的距离,依次类推,直到轨迹点A和轨迹点N的距离大于等于30米,可以根据轨迹点A至轨迹点N位置坐标信息确定停车位置,并将轨迹点N和轨迹点A的时间相减,得到停车点时长T;
步骤b:若轨迹点A和轨迹点B的距离大约30米,将轨迹点B作为起始点,继续计算与下一个相邻点的距离即轨迹点B和轨迹点C的第一距离,重复步骤a的操作。
由于行车数据上传受到定位设备质量影响,定位设备可能会上传异常数据,其包含时间异常和位置异常,会使得生成错误停车点。作为可选的实施例,在按照时间戳计算相邻轨迹点之间的第一距离之前可以先将异常停车点剔除,以提高停车信息的准确性。具体的,判断轨迹点中是否存在超出预设位置范围和/或预设时间范围的轨迹点;当存在超出预设位置范围和/或预设时间范围的轨迹点时,将超出预设位置范围的行车轨迹点删除。作为示例性的实施例,对于位置异常,预设位置范围可以以本国国界的经纬度范围为例,对超过本国国界经纬度范围的车辆轨迹点进行删除,例如,经度范围为东经73度40分至东经135度2分30秒,纬度范围为北纬3度52分至北纬53度33分,对于在此区域范围外的轨迹点进行删除。对于时间异常,预设时间范围可以为0:00:00~23:59:59,对于在此区域范围外的轨迹点进行删除。
由于定位设备可以能存在不稳定的状况,可能会出现轨迹点漂移较为严重的状况,因此,需要将轨迹点中漂移较为严重的轨迹点删除,以提高停车信息的准确性。在本实施例中,可以通过车辆行驶速度对漂移较为严重的轨迹点删除,具体的,按照时间戳计算前后两个轨迹点之间的第二距离;根据第二距离和前后两个轨迹点时间差计算车辆在两个轨迹点之间的行驶速度;判断行驶速度是否超过预设速度;当行驶速度超过预设速度时,将后一轨迹点删除。示例性的,计算轨迹点之间的距离差和时间差的比值,得到车辆在两个轨迹点之间的速度。如前一个轨迹点和后一个轨迹点距离为Dab,两者的时间差为Tab,则速度Vab=Dab/Tab。由于车辆行驶速度均有限速值,例如危化品车辆运输速度限速80公里/小时,排除超速等因素,可以120公里/小时作为阈值,如果超过正常阈值,则认为后一个点产生了异常漂移,对漂移的点进行过滤。在本实施例中,由于轨迹点时通过定位设备以一定频率上传的,因此,轨迹点之间的时间差Tab为定值。
在本实施例中,在确定轨迹点为停车点以及停车时长和停车时间点等类型特征后,可以根据液化气行业的停车行为的大数据分析以及各个预设兴趣点的位置坐标得到轨迹点的其他特征,例如,表1中的停车点距离道路的距离,可以听过北斗或GPS信息等地图定位信息可以确定该特征,距离最近的POI类型,可以通过北斗或GPS信息等地图定位信息定位该停车点周边兴趣点的类型是工业用气点或生活用气点或加气站等类型。还可以根据停车点位置和地图定位信息确定该停车点周围是否存在兴趣点的关键字,存在可以记为1,不存在可以记为0。以及周围是否存在生活用气点的POI、AOI和/或工业用气点的POI、AOI和/或加气站的POI、AOI。存在记为1,不存在记为0。还可以根据停车点的位置信息以及地图信息确定接液点区域,以及根据停车位置信息、停车时间点和停车时长计算距离接液点时间和距离。根据在停车位置与POI或AOI的位置关系以及停车时长计算已卸液次数等特征。这些特征可以较为真实的反映出用气点的信息。进而可以为天然气上游和中游企业建立竞争优势以及合理调配液化天然气供给保障民生提供可靠的数据支持。
本发明实施例还提供了一种车辆轨迹点识别模型训练方法,如图2所示,该方法可以包括如下步骤:
S21.获取样本数据,样本数据包括标记了类型特征的历史车辆轨迹点数据。可以先对轨迹点的类型特征进行离线计算,然后由人工或其他自动识别方法对各个轨迹点的类型特征进行标注,并将其作为样本数据。标记的内容可以是轨迹点的类型,以及该类型下ID和值范围等。具体的轨迹点的类型特征的计算可以参见上述实施例中对于轨迹点类型特征的计算的描述。
S22.利用样本数据对机器学习模型进行训练,以使机器学习模型从车辆轨迹点数据中预测出车辆轨迹点的类型。机器学习模型通过对大量的样本数据进行学习以改变内部参数,本发明中的机器学习模型可以是神经网络模型、深度学习模型等,用于机器学习的分类检测有多种算法可以使用,比如R-CNN(Regions with ConvolutionalNeural Network,卷积神经网络)、Fast R-CNN、Faster R-CNN、DSOD(Deeply SupervisedObject Detectors,学习型深度监督对象检测器)以及GBDT(Gradient Boosting Decision Tree)等。在本实施例中,及其学习模型可以采用GBDT(Gradient Boosting Decision Tree)模型。可以预先设置收敛条件,以提高模型识别精确度或者速度。例如:假设调度体系中上存在N辆车,每辆车走过的的轨迹包含M个点,那么针对点Pi,j(i∈N,j∈M)有一个实际的点类型yi,j∈{0,1},表示该点是否属于目标点。可以通过预先设置收敛条件使得函数H(x),F(x)的最小,其中,F(x)代表了轨迹点Pi,j的特征函数,H(x)代表了最终的预测函数。
作为示例性的实施例,为了提升模型训练与识别效率,可以对获取的车辆轨迹点数据进行预处理,例如,获取车辆轨迹点位置坐标;对位置坐标进行降维处理,得到位置标识。具体的,可以将位置坐标通过Geohash算法编码为一维字符串作为位置标识。在本实施例中,将轨迹点的经纬度坐标通过Geohash算法编码为一维字符串在进行类型特征计算,可以提升GBDT(Gradient Boosting Decision Tree)模型的训练以及识别效率。
本发明实施例提供了了一种电子设备,该电子设备可以为服务器,具体的可以参见图3,该电子设备可以包括处理器11和存储器12,其中处理器11和存储器12可以通过总线或者其他方式连接,图3中以通过总线连接为例。
处理器11可以为中央处理器(Central Processing Unit,CPU)。处理器11还可以为其他通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现场可编程门阵列(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、分立硬件组件等芯片,或者上述各类芯片的组合。
存储器12作为一种非暂态计算机可读存储介质,可用于存储非暂态软件程序、非暂态计算机可执行程序以及模块,如本发明实施例中的容器镜像的管理、使用或构建方法所对应的程序指令/模块。处理器11通过运行存储在存储器12中的非暂态软件程序、指令以及模块,从而执行处理器的各种功能应用以及数据处理,即实现上述方法实施例中的车辆轨迹点识别方法和/或车辆轨迹点识别模型训练方法。
存储器12可以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、至少一个功能所需要的应用程序;存储数据区可存储处理器11所创建的数据等。此外,存储器12可以包括高速随机存取存储器,还可以包括非暂态存储器,例如至少一个磁盘存储器件、闪存器件、或其他非暂态固态存储器件。在一些实施例中,存储器12可选包括相对于处理器11远程设置的存储器,这些远程存储器可以通过网络连接至处理器11。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
一个或者多个模块存储在存储器12中,当被处理器11执行时,执行上述方法实施例中的车辆轨迹点识别方法和/或车辆轨迹点识别模型训练方法。
本领域技术人员可以理解,实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,程序可存储于一计算机可读取存储介质中,该程序在执行时,可包括如上述各方法的实施例的流程。其中,存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory,ROM)、随机存储记忆体(Random Access Memory,RAM)、快闪存储器(Flash Memory)、硬盘(Hard Disk Drive,缩写:HDD)或固态硬盘(Solid-StateDrive,SSD)等;存储介质还可以包括上述种类的存储器的组合。
以上仅为本申请的优选实施例而已,并不用于限制本申请,对于本领域的技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本申请的保护范围之内。
Claims (10)
1.一种车辆轨迹点识别方法,其特征在于,包括
获取车辆轨迹点数据;
根据所述车辆轨迹点数据计算车辆轨迹点的类型特征;
根据所述轨迹点的类型特征利用机器学习模型对所述车辆轨迹点进行预测,以输出车辆轨迹点分类结果,其中所述机器学习模型是利用已知类型特征的轨迹点样本进行训练得到的;
根据所述分类结果得到目标点。
2.如权利要求1所述的车辆轨迹点识别方法,其特征在于,所述获取车辆轨迹点数据包括:
获取所述车辆轨迹点位置坐标;
对所述位置坐标进行降维处理,得到位置标识。
3.如权利要求2所述的车辆轨迹点识别方法,其特征在于,所述对所述位置坐标进行降维处理,得到位置标识包括:
将所述位置坐标通过Geohash算法编码为一维字符串作为所述位置标识。
4.如权利要求1-3任意一项所述的车辆轨迹点识别方法,其特征在于,所述车辆轨迹点数据包括:车辆轨迹点的位置坐标和时间戳;
所述根据所述车辆轨迹点数据计算车辆轨迹点的第一特征包括:
基于所述位置坐标和所述时间戳得到所述第一特征,所述第一特征包括:停车时间点、停车时长、停车点所处区域、停车动作以及停车点与预设兴趣点的关系中的至少之一。
5.一种车辆轨迹点识别模型训练方法,其特征在于,包括:
获取样本数据,所述样本数据包括标记了类型特征的历史车辆轨迹点数据;
利用所述样本数据对机器学习模型进行训练,以使所述机器学习模型从车辆轨迹点数据中预测出车辆轨迹点的类型。
6.如权利要求5所述的车辆轨迹点识别模型训练方法,其特征在于,获取样本数据包括:
获取第一样本数据,所述第一样本数据包括历史车辆轨迹点数据;
对所述历史车辆轨迹点数据进行类型特征标注得到第二样本数据。
7.如权利要求6所述的车辆轨迹点识别模型训练方法,其特征在于,在对所述历史车辆轨迹点数据进行类型特征标注得到第二样本数据之前包括:
获取所述历史车辆轨迹点位置坐标;
对所述位置坐标进行降维处理,得到位置标识。
8.如权利要求7所述的车辆轨迹点识别模型训练方法,其特征在于,所述对所述位置坐标进行降维处理,得到位置标识包括:
将所述位置坐标通过Geohash算法编码为一维字符串作为所述位置标识。
9.一种车辆轨迹点识别设备,其特征在于,包括至少一个处理器;以及与所述至少一个处理器通信连接的存储器;其中,所述存储器存储有可被所述一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器执行如权利要求1-4任意一项所述的车辆轨迹点识别方法。
10.一种车辆轨迹点识别模型训练设备,其特征在于,包括至少一个处理器;以及与所述至少一个处理器通信连接的存储器;其中,所述存储器存储有可被所述一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器执行如权利要求5-8任意一项所述的车辆轨迹点识别模型训练方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911010527.1A CN110852354A (zh) | 2019-10-22 | 2019-10-22 | 车辆轨迹点识别方法及设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911010527.1A CN110852354A (zh) | 2019-10-22 | 2019-10-22 | 车辆轨迹点识别方法及设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110852354A true CN110852354A (zh) | 2020-02-28 |
Family
ID=69596853
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911010527.1A Pending CN110852354A (zh) | 2019-10-22 | 2019-10-22 | 车辆轨迹点识别方法及设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110852354A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112365088A (zh) * | 2020-11-28 | 2021-02-12 | 北京梧桐车联科技有限责任公司 | 行程关键点的确定方法、装置、设备及可读存储介质 |
CN112835080A (zh) * | 2021-01-21 | 2021-05-25 | 成都路行通信息技术有限公司 | 车辆静止状态的轨迹修复方法、装置及电子设备 |
CN113327078A (zh) * | 2021-05-08 | 2021-08-31 | 北京中交兴路信息科技有限公司 | 基于lstm算法的货车装卸车停靠类型判断方法、系统及介质 |
CN114265409A (zh) * | 2021-12-24 | 2022-04-01 | 广州极飞科技股份有限公司 | 轨迹信息处理方法、装置及地面设备 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103020284A (zh) * | 2012-12-28 | 2013-04-03 | 刘建勋 | 一种基于时空聚类的出租车载客点推荐方法 |
CN104167092A (zh) * | 2014-07-30 | 2014-11-26 | 北京市交通信息中心 | 一种确定出租车上下客热点区域中心的方法以及装置 |
CN107463940A (zh) * | 2017-06-29 | 2017-12-12 | 清华大学 | 基于手机数据的车辆类型识别方法和设备 |
CN108090220A (zh) * | 2017-12-29 | 2018-05-29 | 科大讯飞股份有限公司 | 兴趣点搜索排序方法及系统 |
CN109460950A (zh) * | 2018-10-19 | 2019-03-12 | 嘉兴亚航信息技术有限公司 | 一种基于大数据的危化品车辆动态分析方法及其系统 |
CN109460509A (zh) * | 2018-10-12 | 2019-03-12 | 平安科技(深圳)有限公司 | 用户兴趣点评估方法、装置、计算机设备及存储介质 |
CN109686085A (zh) * | 2018-12-17 | 2019-04-26 | 北京交通大学 | 基于gps数据危险货物运输车辆停留节点活动类型识别方法 |
CN110264706A (zh) * | 2019-04-07 | 2019-09-20 | 武汉理工大学 | 一种基于大数据挖掘的空载出租车辅助系统 |
-
2019
- 2019-10-22 CN CN201911010527.1A patent/CN110852354A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103020284A (zh) * | 2012-12-28 | 2013-04-03 | 刘建勋 | 一种基于时空聚类的出租车载客点推荐方法 |
CN104167092A (zh) * | 2014-07-30 | 2014-11-26 | 北京市交通信息中心 | 一种确定出租车上下客热点区域中心的方法以及装置 |
CN107463940A (zh) * | 2017-06-29 | 2017-12-12 | 清华大学 | 基于手机数据的车辆类型识别方法和设备 |
CN108090220A (zh) * | 2017-12-29 | 2018-05-29 | 科大讯飞股份有限公司 | 兴趣点搜索排序方法及系统 |
CN109460509A (zh) * | 2018-10-12 | 2019-03-12 | 平安科技(深圳)有限公司 | 用户兴趣点评估方法、装置、计算机设备及存储介质 |
CN109460950A (zh) * | 2018-10-19 | 2019-03-12 | 嘉兴亚航信息技术有限公司 | 一种基于大数据的危化品车辆动态分析方法及其系统 |
CN109686085A (zh) * | 2018-12-17 | 2019-04-26 | 北京交通大学 | 基于gps数据危险货物运输车辆停留节点活动类型识别方法 |
CN110264706A (zh) * | 2019-04-07 | 2019-09-20 | 武汉理工大学 | 一种基于大数据挖掘的空载出租车辅助系统 |
Non-Patent Citations (2)
Title |
---|
NIEMEYER G.GEOHASH: "Tips & Tricks[EB/OL]", 《HTTP://GEOHASH.ORG/SITE/TIPS.HTML》 * |
金安 等: "基于Geohash的面数据区域查询", 《地理与地理信息科学》 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112365088A (zh) * | 2020-11-28 | 2021-02-12 | 北京梧桐车联科技有限责任公司 | 行程关键点的确定方法、装置、设备及可读存储介质 |
CN112365088B (zh) * | 2020-11-28 | 2024-04-26 | 北京梧桐车联科技有限责任公司 | 行程关键点的确定方法、装置、设备及可读存储介质 |
CN112835080A (zh) * | 2021-01-21 | 2021-05-25 | 成都路行通信息技术有限公司 | 车辆静止状态的轨迹修复方法、装置及电子设备 |
CN112835080B (zh) * | 2021-01-21 | 2024-03-19 | 成都路行通信息技术有限公司 | 车辆静止状态的轨迹修复方法、装置及电子设备 |
CN113327078A (zh) * | 2021-05-08 | 2021-08-31 | 北京中交兴路信息科技有限公司 | 基于lstm算法的货车装卸车停靠类型判断方法、系统及介质 |
CN114265409A (zh) * | 2021-12-24 | 2022-04-01 | 广州极飞科技股份有限公司 | 轨迹信息处理方法、装置及地面设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110852354A (zh) | 车辆轨迹点识别方法及设备 | |
CN106600960B (zh) | 基于时空聚类分析算法的交通出行起讫点识别方法 | |
Barron et al. | A comprehensive framework for intrinsic OpenStreetMap quality analysis | |
US11651326B2 (en) | Automatically predicting shipper behavior using machine learning models | |
CN111125293B (zh) | 公交网络模型自动生成方法、装置及电子设备 | |
WO2014125802A1 (en) | New road detection logic | |
US10830604B2 (en) | Methods and systems for detecting a closure of a navigable element | |
CN110426493B (zh) | 空气质量监测数据校准方法、装置、设备和存储介质 | |
CN111127891B (zh) | 一种基于浮动车轨迹大数据的路网核查方法 | |
CN110738523A (zh) | 一种维修订单量预测方法及装置 | |
CN109859505B (zh) | 高速站点的预警处理方法、装置、服务器和介质 | |
Li et al. | Empirical study of travel time estimation and reliability | |
CN116026352A (zh) | 定位信号的处理方法、装置、介质及电子设备 | |
CN112633812B (zh) | 货运车辆的轨迹分段方法、装置、设备及存储介质 | |
Sharifi et al. | Outsourced probe data effectiveness on signalized arterials | |
Li et al. | An automatic extraction method of coach operation information from historical trajectory data | |
Zhu et al. | Glocal map-matching algorithm for high-frequency and large-scale GPS data | |
CN112668967A (zh) | 基于大数据分析的冷链物流跟踪与溯源处理方法及大数据云平台 | |
CN116340768B (zh) | 一种智能化道路积尘负荷监测方法及监测装置 | |
CN117128950A (zh) | 一种点云地图构建方法、装置、电子设备和存储介质 | |
CN111144429B (zh) | 对象分类方法及其系统、计算机系统及计算机可读介质 | |
CN115034718B (zh) | 一种危化品管理方法、系统、计算设备及存储介质 | |
Taniarza et al. | Anomalous trajectory detection from taxi GPS traces using combination of iBAT and DTW | |
CN114387812A (zh) | 一种垃圾收运监控方法、装置、设备和存储介质 | |
CN107884797B (zh) | 位置漂移判决方法及系统 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200228 |