CN110969449B - 车辆尾号的确定方法和装置 - Google Patents
车辆尾号的确定方法和装置 Download PDFInfo
- Publication number
- CN110969449B CN110969449B CN201811137421.3A CN201811137421A CN110969449B CN 110969449 B CN110969449 B CN 110969449B CN 201811137421 A CN201811137421 A CN 201811137421A CN 110969449 B CN110969449 B CN 110969449B
- Authority
- CN
- China
- Prior art keywords
- user
- matrix
- determining
- vehicle
- time sequence
- 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 46
- 239000011159 matrix material Substances 0.000 claims abstract description 108
- 238000001228 spectrum Methods 0.000 claims description 27
- 238000012545 processing Methods 0.000 claims description 15
- 238000005516 engineering process Methods 0.000 claims description 7
- 238000004590 computer program Methods 0.000 claims description 6
- 238000000354 decomposition reaction Methods 0.000 claims description 6
- 238000012795 verification Methods 0.000 claims description 6
- 230000003203 everyday effect Effects 0.000 claims description 5
- 238000010276 construction Methods 0.000 claims description 3
- 230000010354 integration Effects 0.000 claims description 3
- 230000002354 daily effect Effects 0.000 claims description 2
- 238000001514 detection method Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 230000000737 periodic effect Effects 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- 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
- G06Q30/0203—Market surveys; Market polls
-
- 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
- G08G1/017—Detecting movement of traffic to be counted or controlled identifying vehicles
Landscapes
- Business, Economics & Management (AREA)
- Finance (AREA)
- Engineering & Computer Science (AREA)
- Accounting & Taxation (AREA)
- Development Economics (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Game Theory and Decision Science (AREA)
- Economics (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明提供一种车辆尾号的确定方法和装置。该方法包括:根据至少一个用户在预设时间范围内的乘车记录,构建时间序列矩阵;对所述时间序列矩阵进行非负矩阵分解,得到权重矩阵;根据所述权重矩阵,确定所述至少一个用户中每个用户的权重分数分布;根据所述权重分数分布和所述至少一个用户的历史乘车记录,确定所述至少一个用户中有车用户的车辆的尾号。使得打车平台可根据确定的车辆尾号在限号日前一天对用户进行策略提醒,帮助用户方便出行。
Description
技术领域
本发明涉及数据处理技术,尤其涉及一种车辆尾号的确定方法和装置。
背景技术
尾号限行制度是为了缓解城市交通压力而催生的一种交通制度。对于打车平台来说,如果能获得有车用户的车辆的尾号,便可在对应的限号日的前一天对这些用户进行策略提醒,进而帮助用户方便出行。因此,如何获得有车用户的车辆的尾号,便成为亟待解决的问题。
现有技术中主要通过用户在打车平台上主动注册为司机时提供的车牌数据来获取用户的车辆的尾号,然而,对于未在打车平台上注册为司机的有车用户,上述方法却无法确定这些用户的车辆的尾号。
发明内容
本发明提供一种车辆尾号的确定方法和装置,用以解决现有技术无法确定未在打车平台上注册为司机的有车用户的车牌尾号的问题。
第一方面,本发明提供一种车辆尾号的确定方法,包括:
根据至少一个用户在预设时间范围内的乘车记录,构建时间序列矩阵;
对所述时间序列矩阵进行非负矩阵分解,得到权重矩阵;
根据所述权重矩阵,确定所述至少一个用户中每个用户的权重分数分布;
根据所述权重分数分布和所述至少一个用户的历史乘车记录,确定所述至少一个用户中有车用户的车辆的尾号。
可选的,所述根据至少一个用户在预设时间范围内的乘车记录,构建时间序列矩阵,包括:
根据用户在所述预设时间范围内每天的出行次数,确定所述用户在所述预设时间范围内的时间序列数据;
对所述至少一个用户的时间序列数据进行整合,得到待处理矩阵;
对所述待处理矩阵进行加权处理,得到所述时间序列矩阵。
可选的,所述对所述待处理矩阵进行加权处理,得到所述时间序列矩阵,包括:
采用词频-逆文档频率(Term Frequency–Inverse Document Frequency,简称TF-IDF)技术对所述待处理矩阵进行加权处理,得到所述时间序列矩阵。
可选的,所述根据所述权重分数分布和所述至少一个用户的历史乘车记录,确定所述至少一个用户中有车用户的车辆的尾号,包括:
根据所述权重分数分布,从所述至少一个用户中识别有车用户;
根据所述有车用户的历史乘车记录,确定有车用户的车辆的尾号。
可选的,所述根据所述有车用户的历史乘车记录,确定有车用户的车辆的尾号,包括:
对所述有车用户的历史乘车记录进行周期验证,得到至少一个候选周期;
对所述至少一个候选周期进行峰值探测,得到目标周期;
根据所述有车用户的历史乘车记录和所述目标周期,确定所述车辆尾号。
可选的,所述对所述至少一个候选周期进行峰值探测,得到目标周期,包括:
分别对所述至少一个候选周期对应的能量图谱曲线进行一阶差分,得到差分结果,其中,所述差分结果包括至少一个差分数值,所述至少一个候选周期和所述至少一个差分数值一一对应;
根据所述差分数值和所述至少一个候选周期对应的能量图谱向量,确定目标周期;
其中,所述能量图谱曲线和能量图谱向量是对所述有车用户的历史乘车记录进行周期验证时得到的。
可选的,所述根据所述差分结果和所述对应的能量图谱向量,确定目标周期,包括:
将所述至少一个候选周期中差分数值最大,且能量图谱向量大于预设阈值的候选周期确定为目标周期。
第二方面,本发明提供一种车辆尾号的确定装置,包括:
构建模块,用于根据至少一个用户在预设时间范围内的乘车记录,构建时间序列矩阵;
矩阵分解模块,用于对所述时间序列矩阵进行非负矩阵分解,得到权重矩阵;
第一确定模块,用于根据所述权重矩阵,确定所述至少一个用户中每个用户的权重分数分布;
第二确定模块,用于根据所述权重分数分布和所述至少一个用户的历史乘车记录,确定所述至少一个用户中有车用户的车辆的尾号。
可选的,所述构建模块,包括:
第一确定单元,用于根据用户在所述预设时间范围内每天的出行次数,确定所述用户在所述预设时间范围内的时间序列数据;
整合模块,用于对所述至少一个用户的时间序列数据进行整合,得到待处理矩阵;
加权处理模块,用于对所述待处理矩阵进行加权处理,得到所述时间序列矩阵。
可选的,所述加权处理模块,具体用于采用词频-逆文档频率(Term Frequency–Inverse Document Frequency,简称TF-IDF)技术对所述待处理矩阵进行加权处理,得到所述时间序列矩阵。
可选的,所述第二确定模块,包括:
识别模块,用于根据所述权重分数分布,从所述至少一个用户中识别有车用户;
第二确定单元,用于根据所述有车用户的历史乘车记录,确定有车用户的车辆的尾号。
可选的,所述第二确定单元,具体用于:
对所述有车用户的历史乘车记录进行周期验证,得到至少一个候选周期;
对所述至少一个候选周期进行峰值探测,得到目标周期;
根据所述有车用户的历史乘车记录和所述目标周期,确定所述车辆尾号。
可选的,所述第二确定单元,具体用于:
分别对所述至少一个候选周期对应的能量图谱曲线进行一阶差分,得到差分结果,其中,所述差分结果包括至少一个差分数值,所述至少一个候选周期和所述至少一个差分数值一一对应;
根据所述差分数值和所述至少一个候选周期对应的能量图谱向量,确定目标周期;
其中,所述能量图谱曲线和能量图谱向量是对所述有车用户的历史乘车记录进行周期验证时得到的。
可选的,所述第二确定单元,具体用于:
将所述至少一个候选周期中差分数值最大,且能量图谱向量大于预设阈值的候选周期确定为目标周期。
第三方面,本发明提供一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现上述车辆尾号的确定方法。
第四方面,本发明提供一种车辆尾号的确定装置,包括:
处理器;以及
存储器,用于存储所述处理器的可执行指令;
其中,所述处理器配置为经由执行所述可执行指令来实现上述车辆尾号的确定方法。
本发明提供一种车辆尾号的确定方法和装置,在获取到至少一个用户在预设时间范围内的乘车记录的基础上,构建时间序列矩阵;然后对该时间序列矩阵进行非负矩阵分解,得到权重矩阵;进而根据该权重矩阵确定所述至少一个用户在不同层级的权重分数,最后根据该权重分数和所述至少一个用户的历史乘车记录,确定有车用户的车辆的尾号;使得打车平台可根据确定的车辆尾号在限号日前一天对用户进行策略提醒,帮助用户方便出行。
附图说明
图1为本发明涉及到的系统示意图;
图2为本发明提供的车辆尾号的确定方法的一实施例的流程图;
图3为本发明提供的车辆尾号的确定方法的另一实施例的流程图;
图4为本发明提供的车辆尾号的确定装置的一实施例的结构示意图;
图5为本发明提供的车辆尾号的确定装置的另一实施例的结构示意图;
图6为本发明提供的车辆尾号的确定装置的硬件结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,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作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。
面对如何获取有车用户的车辆的尾号的问题,现有技术中主要通过用户在打车平台上主动注册为司机时提供的车牌数据来获取用户的车辆的尾号。然而,对于未在打车平台上注册的有车用户,上述方法却无法确定其车辆尾号。
基于上述技术问题,本发明提供一种车辆尾号的确定方法和装置。图1为本发明涉及到的系统示意图;如图1所示,车辆尾号的确定装置可从打车平台上获取预设时间范围内某城市中利用打车平台打过车的所有用户的乘车记录,然后通过执行本实施例提供的车辆尾号的确定方法,识别出有车用户,并且确定出有车用户的车辆的尾号反馈给打车平台,为后续根据车辆尾号进行精细化运营提供了依据。
可选的,车辆尾号的确定装置可以集成在打车平台上,也可和打车平台物理上分开,图1仅为示意,本发明对此不做限定。
下面以具体地实施例对本发明的技术方案以及本申请的技术方案如何解决上述技术问题进行详细说明。下面这几个具体的实施例可以相互结合,对于相同或相似的概念或过程可能在某些实施例中不再赘述。下面将结合附图,对本发明的实施例进行描述。
图2为本发明提供的车辆尾号的确定方法的一实施例的流程图;本实施例的方法可由上文描述的车辆尾号的确定装置执行,该车辆尾号的确定装置可以采用硬件的形式实现,也可以采用硬件加软件功能单元的形式实现。
如图2所示,本实施例提供的车辆尾号的确定方法,包括:
S101、根据至少一个用户在预设时间范围内的乘车记录,构建时间序列矩阵。
其中,至少一个用户可以包括:在预设时间范围内,某城市中所有利用打车平台打过车的用户。
其中,预设时间范围可以为一个单一限号周期的限号总天数。该单一限号周期内每个星期限号规则固定。
以北京为例:北京限号周期为13周一轮换,则北京这个城市对应的单一限号周期的限号总天数就是:13*5(工作日)=65天。
可选的,上述根据至少一个用户在预设时间范围内的乘车记录,构建时间序列矩阵的可实现方式包括但不限于以下方式:
步骤A:根据用户在所述预设时间范围内每天的出行次数,确定所述用户在所述预设时间范围内的时间序列数据;
继续以北京为例:
首先,获取北京这个城市中用户在上述65天内每天的出行次数;
具体的,可用双变量数据T(d,n)来表示用户的出行次数,其中,d表示出行日期,n表示在对应出行日期内的出行次数。比如:某用户的一双变量数据为T(1,3),则表示该用户在65天的第一天内出行3次。
然后,根据上述每天的出行次数,确定用户的时间序列数据;
具体的,根据上述双变量数据T(d,n)中的出行日期,按照日期的先后顺序构建时间序列数据。比如:某用户在上述65天内的双变量数据为:T(1,n1)、T(2,n2)、T(3,n3)、……、T(65,n65);则根据该65天内的双变量数据,按照日期先后顺序确定的时间序列数据为(n1,n2,……,n65)。
步骤B:对所述至少一个用户的时间序列数据进行整合,得到待处理矩阵;
具体的,对上述至少一个用户中的每个用户都采用上述的方法获取对应的时间序列数据。将每个用户的时间序列数据作为矩阵的行,构建待处理矩阵M:
其中,待处理矩阵M的每一行代表一个用户的时间序列数据。
步骤C:对所述待处理矩阵进行加权处理,得到所述时间序列矩阵。
其中,上述加权处理的可实现方式包括但不限于以下方式:
采用词频-逆文档频率(Term Frequency–Inverse Document Frequency,简称TF-IDF)技术对所述待处理矩阵进行加权处理,得到所述时间序列矩阵。
其中,对待处理矩阵进行加权处理后的时间序列矩阵可用下面的矩阵V表示:
其中,矩阵V的每一行代表加权处理后的用户的时间序列数据。该矩阵V包含了用户P1至用户Pm共m个用户加权处理后的时间序列数据。
S102、对所述时间序列矩阵进行非负矩阵分解,得到权重矩阵;
S103、根据所述权重矩阵,确定所述至少一个用户中每个用户的权重分数分布;
具体的,对应上述举例,可根据如下公式对上述步骤C中的时间序列矩阵V进行非负矩阵分解:
Vm×65≈wm×k×Hk×65
其中,wm×k表示权重矩阵,Hk×65表示特征矩阵。k代表非负矩阵分解的层级数量。
可选的,上述层级数量可根据分析师对业务的判断而定,也可根据用户乘车记录的分布规律进行指定。比如:为了分析用户在5个工作日中哪个工作日用车频繁,可将上述层级数量指定为5。相应的,本步骤中非负矩阵分解的过程即为:
Vm×65≈wm×5×H5×65
或者为:
其中,权重矩阵w每一行表示一条用户数据,权重矩阵w的列数等于层级数量,权重矩阵的一列对应一个层级。每个元素的具体值表示对应乘客在对应层级的权重分数。比如,上述公式中权重矩阵w有5列,其对应5个不同的层级。假设第一列对应第一个层级,第二列对应第个二层级,第三列对应第个三层级,第四列对应第四个层级,第五列对应第五个层级;p12就表示乘客p1在第二个层级里面的权重分数为p12。
相应的,可采用上述相同的方法确定每个用户在各个层级的权重分数,即每个用户的权重分数分布。
S104、根据所述权重分数分布和所述至少一个用户的历史乘车记录,确定所述至少一个用户中有车用户的车辆的尾号。
可选的,上述确定有车用户的车辆的尾号的一种可实现的方式为:
根据所述权重分数分布,从所述至少一个用户中识别有车用户;根据所述有车用户的历史乘车记录,确定有车用户的车辆的尾号。
具体的,若用户在某个层级的权重分数明显高于其他层级,则说明用户在5个工作日中某一天利用打车平台出行的比例明显大于其他时间,则该用户很可能就是有车用户,而这一天很可能就是该用户的限行日。
可选的,当某用户在某个层级的权重分数与在其他层级的权重分数差值大于预设阈值时,可直接将该用户确定为有车用户。然后,获取该有车用户的历史乘车记录,根据该历史乘车记录,以及每次乘车时尾号和限号日的关系,确定该有车用户的车辆的尾号。
本实施例提供一种车辆尾号的确定方法,在获取到至少一个用户在预设时间范围内的乘车记录的基础上,构建时间序列矩阵;然后对该时间序列矩阵进行非负矩阵分解,得到权重矩阵;进而根据该权重矩阵确定所述至少一个用户在不同层级的权重分数,最后根据该权重分数和所述至少一个用户的历史乘车记录,确定有车用户的车辆的尾号;使得打车平台可根据确定的车辆尾号在限号日前一天对用户进行策略提醒,帮助用户方便出行。
在上述图2所示实施例的基础上,下面的实施例对上述S104中的根据所述有车用户的历史乘车记录,确定有车用户的车辆的尾号的具体实现方式进行了详细说明。
图3为本发明提供的车辆尾号的确定方法的另一实施例的流程图,如图3所示,本实施例提供的车辆尾号的确定方法,包括:
S201、根据至少一个用户在预设时间范围内的乘车记录,构建时间序列矩阵;
S202、对所述时间序列矩阵进行非负矩阵分解,得到权重矩阵;
S203、根据所述权重矩阵,确定所述至少一个用户中每个用户的权重分数分布;
S204、根据所述权重分数分布,从所述至少一个用户中识别有车用户;
其中,S201-S204的实现方法与图2中S101-S104的实现方法类似,具体内容可参见上述实施例,此处不再赘述。
S205、对所述有车用户的历史乘车记录进行周期验证,得到至少一个候选周期;
可选的,可采用周期性识别算法对有车用户的历史乘车记录进行周期识别。周期性识别算法可能会识别出多个乘车周期。可将该多个乘车周期作为上述至少一个候选周期。
其中,采用周期性识别算法对有车用户的历史乘车记录进行周期识别的方式和现有的周期识别过程类似,对此不再赘述。
S206、对所述至少一个候选周期进行峰值探测,得到目标周期;
其中,通过峰值探测得到目标周期的可实现方式包括但不限于以下方式:
分别对所述至少一个候选周期对应的能量图谱曲线进行一阶差分,得到差分结果,其中,所述差分结果包括至少一个差分数值,所述至少一个候选周期和所述至少一个差分数值一一对应;根据所述差分数值和所述至少一个候选周期对应的能量图谱向量,确定目标周期。
可选的,可将所述至少一个候选周期中差分数值最大,且能量图谱向量大于预设阈值的候选周期确定为目标周期。
其中,所述能量图谱曲线和能量图谱向量是对所述有车用户的历史乘车记录进行周期验证时得到的,具体过程和现有技术类似,对此不再赘述。
可选的,上述预设阈值可根据实际情况设定,本发明对此不做限定。
S207、根据所述有车用户的历史乘车记录和所述目标周期,确定所述车辆尾号。
具体的,结合该目标周期,在对应用户的历史乘车记录中找到符合该目标周期的日期,再根据该日期和限行尾号的对应关系,便可得到该用户的车辆的尾号。
本实施例提供的车辆尾号的确定方法,描述了根据所述有车用户的历史乘车记录,确定有车用户的车辆的尾号的一种可实现方式,为打车平台根据车辆尾号执行精细化运营的过程提供以依据。
图4为本发明提供的车辆尾号的确定装置的一实施例的结构示意图。如图4所示,本实施例提供的车辆尾号的确定装置,包括:
构建模块401,用于根据至少一个用户在预设时间范围内的乘车记录,构建时间序列矩阵;
矩阵分解模块402,用于对所述时间序列矩阵进行非负矩阵分解,得到权重矩阵;
第一确定模块403,用于根据所述权重矩阵,确定所述至少一个用户中每个用户的权重分数分布;
第二确定模块404,用于根据所述权重分数分布和所述至少一个用户的历史乘车记录,确定所述至少一个用户中有车用户的车辆的尾号。
本实施例提供的车辆尾号的确定装置,可用于执行图2所示实施例中的方法,其实现原理和技术效果类似,在此不再赘述。
图5为本发明提供的车辆尾号的确定装置的另一实施例的结构示意图。如图5所示,本实施例提供的车辆尾号的确定装置,所述构建模块401,包括:
第一确定单元501,用于根据用户在所述预设时间范围内每天的出行次数,确定所述用户在所述预设时间范围内的时间序列数据;
整合模块502,用于对所述至少一个用户的时间序列数据进行整合,得到待处理矩阵;
加权处理模块503,用于对所述待处理矩阵进行加权处理,得到所述时间序列矩阵。
可选的,所述加权处理模块503,具体用于采用词频-逆文档频率(TermFrequency–Inverse Document Frequency,简称TF-IDF)技术对所述待处理矩阵进行加权处理,得到所述时间序列矩阵。
可选的,所述第二确定模块404,包括:
识别模块504,用于根据所述权重分数分布,从所述至少一个用户中识别有车用户;
第二确定单元505,用于根据所述有车用户的历史乘车记录,确定有车用户的车辆的尾号。
可选的,所述第二确定单元505,具体用于:
对所述有车用户的历史乘车记录进行周期验证,得到至少一个候选周期;
对所述至少一个候选周期进行峰值探测,得到目标周期;
根据所述有车用户的历史乘车记录和所述目标周期,确定所述车辆尾号。
可选的,所述第二确定单元505,具体用于:
分别对所述至少一个候选周期对应的能量图谱曲线进行一阶差分,得到差分结果,其中,所述差分结果包括至少一个差分数值,所述至少一个候选周期和所述至少一个差分数值一一对应;
根据所述差分数值和所述至少一个候选周期对应的能量图谱向量,确定目标周期;
其中,所述能量图谱曲线和能量图谱向量是对所述有车用户的历史乘车记录进行周期验证时得到的。
可选的,所述第二确定单元505,具体用于:
将所述至少一个候选周期中差分数值最大,且能量图谱向量大于预设阈值的候选周期确定为目标周期。
本实施例提供的车辆尾号的确定装置,可用于执行图3所示实施例中的方法,其实现原理和技术效果类似,在此不再赘述。
图6为本发明提供的服务器的硬件结构示意图。如图6所示,本实施例的车辆尾号的确定装置可以包括:
存储器601,用于存储程序指令。
处理器602,用于在所述程序指令被执行时实现上述任一实施例描述的车辆尾号的确定方法,具体实现原理可参见上述实施例,本实施例此处不再赘述。
本发明提供一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现上述任一实施例描述的车辆尾号的确定方法
本发明还提供一种程序产品,所述程序产品包括计算机程序,所述计算机程序存储在可读存储介质中,至少一个处理器可以从所述可读存储介质读取所述计算机程序,所述至少一个处理器执行所述计算机程序使得服务器实施上述任一实施例描述的车辆尾号的确定方法。
在本发明所提供的几个实施例中,应该理解到,所揭露的装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,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信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,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,在本发明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,也可以采用硬件加软件功能单元的形式实现。
上述以软件功能单元的形式实现的集成的单元,可以存储在一个计算机可读取存储介质中。上述软件功能单元存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)或处理器(英文:processor)执行本发明各个实施例所述方法的部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(英文:Read-Only Memory,简称:ROM)、随机存取存储器(英文:Random Access Memory,简称:RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
最后应说明的是:以上各实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述各实施例对本发明进行了详细的说明,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,或者对其中部分或者全部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发明各实施例技术方案的范围。
Claims (8)
1.一种车辆尾号的确定方法,其特征在于,包括:
根据至少一个用户在预设时间范围内的乘车记录,构建时间序列矩阵;所述乘车记录包括用户在所述预设时间范围内每天的出行次数;
对所述时间序列矩阵进行非负矩阵分解,得到权重矩阵;
根据所述权重矩阵,确定所述至少一个用户中每个用户的权重分数分布;
根据所述权重分数分布,从所述至少一个用户中识别有车用户;
对所述有车用户的历史乘车记录进行周期验证,得到至少一个候选周期;
分别对所述至少一个候选周期对应的能量图谱曲线进行一阶差分,得到差分结果,其中,所述差分结果包括至少一个差分数值,所述至少一个候选周期和所述至少一个差分数值一一对应;
将所述至少一个候选周期中差分数值最大,且能量图谱向量大于预设阈值的候选周期确定为目标周期;
根据所述有车用户的历史乘车记录和所述目标周期,确定所述车辆尾号;
其中,所述能量图谱曲线和所述能量图谱向量是对所述有车用户的历史乘车记录进行周期验证时得到的。
2.根据权利要求1所述的方法,其特征在于,所述根据至少一个用户在预设时间范围内的乘车记录,构建时间序列矩阵,包括:
根据用户在所述预设时间范围内每天的出行次数,确定所述用户在所述预设时间范围内的时间序列数据;
对所述至少一个用户的时间序列数据进行整合,得到待处理矩阵;
对所述待处理矩阵进行加权处理,得到所述时间序列矩阵。
3.根据权利要求2所述的方法,其特征在于,所述对所述待处理矩阵进行加权处理,得到所述时间序列矩阵,包括:
采用词频-逆文档频率技术对所述待处理矩阵进行加权处理,得到所述时间序列矩阵。
4.一种车辆尾号的确定装置,其特征在于,包括:
构建模块,用于根据至少一个用户在预设时间范围内的乘车记录,构建时间序列矩阵;所述乘车记录包括用户在所述预设时间范围内每天的出行次数;
矩阵分解模块,用于对所述时间序列矩阵进行非负矩阵分解,得到权重矩阵;
第一确定模块,用于根据所述权重矩阵,确定所述至少一个用户中每个用户的权重分数分布;
第二确定模块,用于根据所述权重分数分布和所述至少一个用户的历史乘车记录,确定所述至少一个用户中有车用户的车辆的尾号;所述第二确定模块,包括:
识别模块,用于根据所述权重分数分布,从所述至少一个用户中识别有车用户;
第二确定单元,用于对所述有车用户的历史乘车记录进行周期验证,得到至少一个候选周期;分别对所述至少一个候选周期对应的能量图谱曲线进行一阶差分,得到差分结果,其中,所述差分结果包括至少一个差分数值,所述至少一个候选周期和所述至少一个差分数值一一对应;将所述至少一个候选周期中差分数值最大,且能量图谱向量大于预设阈值的候选周期确定为目标周期;根据所述有车用户的历史乘车记录和所述目标周期,确定所述车辆尾号;其中,所述能量图谱曲线和所述能量图谱向量是对所述有车用户的历史乘车记录进行周期验证时得到的。
5.根据权利要求4所述的装置,其特征在于,所述构建模块,包括:
第一确定单元,用于根据用户在所述预设时间范围内每天的出行次数,确定所述用户在所述预设时间范围内的时间序列数据;
整合模块,用于对所述至少一个用户的时间序列数据进行整合,得到待处理矩阵;
加权处理模块,用于对所述待处理矩阵进行加权处理,得到所述时间序列矩阵。
6.根据权利要求5所述的装置,其特征在于,
所述加权处理模块,具体用于采用词频-逆文档频率技术对所述待处理矩阵进行加权处理,得到所述时间序列矩阵。
7.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1-3任一项所述的方法。
8.一种服务器,其特征在于,包括:
处理器;以及
存储器,用于存储所述处理器的可执行指令;
其中,所述处理器配置为经由执行所述可执行指令来实现权利要求1-3任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811137421.3A CN110969449B (zh) | 2018-09-28 | 2018-09-28 | 车辆尾号的确定方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811137421.3A CN110969449B (zh) | 2018-09-28 | 2018-09-28 | 车辆尾号的确定方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110969449A CN110969449A (zh) | 2020-04-07 |
CN110969449B true CN110969449B (zh) | 2023-12-05 |
Family
ID=70027741
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811137421.3A Active CN110969449B (zh) | 2018-09-28 | 2018-09-28 | 车辆尾号的确定方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110969449B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103559623A (zh) * | 2013-09-24 | 2014-02-05 | 浙江大学 | 一种基于联合非负矩阵分解的个性化产品推荐方法 |
CN105138584A (zh) * | 2015-07-31 | 2015-12-09 | 小米科技有限责任公司 | 智能提醒车辆限行的方法及装置 |
WO2017041541A1 (zh) * | 2015-09-08 | 2017-03-16 | 北京邮电大学 | 推送推荐信息的方法、服务器及存储介质 |
CN107038620A (zh) * | 2017-02-15 | 2017-08-11 | 阿里巴巴集团控股有限公司 | 基于用户打车偏好的信息推送及装置 |
CN107203579A (zh) * | 2016-03-18 | 2017-09-26 | 滴滴(中国)科技有限公司 | 基于用户打车数据的休息日分类方法及装置 |
CN107230150A (zh) * | 2017-07-19 | 2017-10-03 | 西南大学 | 一种基于非负矩阵分解的股票市场中的异常检测方法 |
-
2018
- 2018-09-28 CN CN201811137421.3A patent/CN110969449B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103559623A (zh) * | 2013-09-24 | 2014-02-05 | 浙江大学 | 一种基于联合非负矩阵分解的个性化产品推荐方法 |
CN105138584A (zh) * | 2015-07-31 | 2015-12-09 | 小米科技有限责任公司 | 智能提醒车辆限行的方法及装置 |
WO2017041541A1 (zh) * | 2015-09-08 | 2017-03-16 | 北京邮电大学 | 推送推荐信息的方法、服务器及存储介质 |
CN107203579A (zh) * | 2016-03-18 | 2017-09-26 | 滴滴(中国)科技有限公司 | 基于用户打车数据的休息日分类方法及装置 |
CN107038620A (zh) * | 2017-02-15 | 2017-08-11 | 阿里巴巴集团控股有限公司 | 基于用户打车偏好的信息推送及装置 |
CN107230150A (zh) * | 2017-07-19 | 2017-10-03 | 西南大学 | 一种基于非负矩阵分解的股票市场中的异常检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110969449A (zh) | 2020-04-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109118055B (zh) | 一种驾驶行为评分方法及装置 | |
Azadani et al. | Driving behavior analysis guidelines for intelligent transportation systems | |
Kwak et al. | Driver identification based on wavelet transform using driving patterns | |
CN109829601B (zh) | 一种驾驶员驾驶车辆风险行为的预测方法及系统 | |
Li et al. | Driving style classification based on driving operational pictures | |
CN110378397B (zh) | 一种驾驶风格识别方法及装置 | |
CN112200046A (zh) | 驾驶行为识别方法、装置、电子设备及存储介质 | |
Li et al. | Driver identification in intelligent vehicle systems using machine learning algorithms | |
CN113516846B (zh) | 车辆换道行为预测模型构建、预测预警方法及系统 | |
CN110910180A (zh) | 信息推送方法、装置、电子设备和存储介质 | |
CN111832869A (zh) | 一种车辆调度方法、装置、电子设备及存储介质 | |
CN110969844A (zh) | 一种基于行车数据计算驾驶行为相似度的方法及应用 | |
Tselentis et al. | Driver profile and driving pattern recognition for road safety assessment: Main challenges and future directions | |
Zhao et al. | An abnormal driving behavior recognition algorithm based on the temporal convolutional network and soft thresholding | |
Abdelrahman et al. | Data-driven robust scoring approach for driver profiling applications | |
Savino et al. | Motorcycle active safety systems: Assessment of the function and applicability using a population-based crash data set | |
CN110990389A (zh) | 精简题库的方法、装置及计算机可读存储介质 | |
CN110969449B (zh) | 车辆尾号的确定方法和装置 | |
So et al. | Classification modeling approach for vehicle dynamics model‐integrated traffic simulation assessing surrogate safety | |
CN115841712A (zh) | 一种基于v2x技术的驾驶数据处理方法、装置及设备 | |
US20220351614A1 (en) | Accident risk diagnosis method, accident risk diagnosis apparatus, and accident risk diagnosis system | |
Trende et al. | Modelling turning intention in unsignalized intersections with bayesian networks | |
Zhang et al. | Driving data generation using affinity propagation, data augmentation, and convolutional neural network in communication system | |
Lee et al. | Automotive ECU data-based driver’s propensity learning using evolutionary random forest | |
CN112712696A (zh) | 确定发生违章停车的路段方法和装置 |
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 |