CN111126912A

CN111126912A - 一种货车运货类型识别方法、装置、存储介质及终端

Info

Publication number: CN111126912A
Application number: CN201911338889.3A
Authority: CN
Inventors: 陈利玲; 邓伟; 张志平; 胡道生; 夏曙东
Original assignee: Beijing Transwiseway Information Technology Co Ltd
Current assignee: Beijing Transwiseway Information Technology Co Ltd
Priority date: 2019-12-23
Filing date: 2019-12-23
Publication date: 2020-05-08

Abstract

本发明公开了一种货车运货类型识别方法、装置、存储介质及终端，所述方法包括：获取预先聚类后的货车停靠点数据样本；根据预设兴趣点类型对所述预先聚类后的货车停靠点数据样本进行兴趣点类型匹配，生成匹配后的停靠点数据样本；基于所述匹配后的停靠点数据样本确定出匹配次数最多的停靠点确定为兴趣点；将所述匹配次数最多的兴趣点对应的类型确定为货车运货类型。因此，采用本申请实施例，可以提高货物的运输效率。

Description

一种货车运货类型识别方法、装置、存储介质及终端

技术领域

本发明涉及车联网技术领域，特别涉及一种货车运货类型识别方法、装置、存储介质及终端。

背景技术

随着社会经济的高速发展，每年的货物逐渐增加，货物类型也出现千变万化，针对具体的货物类型寻找准确的货车信息来运输货物成为了一件必不可少的事情。

目前的技术大部分是基于VIN或者视频或者图片识别区分出货车的类型，然后来判断出货车可以运输的货物类型，当这些信息都缺失的情况下，目前的技术是无法确认车辆类型的，也就无法知道车辆运输的货物类型，此时需要花费时间去寻找符合运输货物的车辆类型。从而增加了货物运输的时间，导致降低了货物运输效率。

发明内容

本申请实施例提供了一种货车运货类型识别方法、装置、存储介质及终端。为了对披露的实施例的一些方面有一个基本的理解，下面给出了简单的概括。该概括部分不是泛泛评述，也不是要确定关键/重要组成元素或描绘这些实施例的保护范围。其唯一目的是用简单的形式呈现一些概念，以此作为后面的详细说明的序言。

第一方面，本申请实施例提供了一种货车运货类型识别方法，所述方法包括：

获取预先聚类后的货车停靠点数据样本；

根据预设兴趣点类型对所述预先聚类后的货车停靠点数据样本进行兴趣点类型匹配，生成匹配后的停靠点数据样本；

基于所述匹配后的停靠点数据样本确定出匹配次数最多的停靠点确定为兴趣点；

将所述匹配次数最多的兴趣点对应的类型确定为货车运货类型。

可选的，所述获取预先聚类后的货车停靠点数据样本之前，还包括：

获取目标货车预设时间内的历史停靠点数据样本；

根据预设规则对所述历史停靠点数据样本进行处理生成处理后的数据样本；

将处理后的数据样本进行聚类生成聚类后的数据样本，将所述聚类后的数据样本作为预先聚类后的货车停靠点数据样本。

可选的，所述根据预设规则对所述历史停靠点数据样本进行处理生成处理后的数据样本，包括：

基于所述提取规则获取所述目标货车预设时间内的历史停靠点数据样本中历史停靠点生成提取后的历史停靠点数据样本；

根据所述过滤规则过滤所述提取后的历史停靠点数据样本生成处理后的数据样本。

可选的，所述基于所述匹配后的停靠点数据样本确定出匹配次数最多的停靠点确定为兴趣点，包括：

获取所述匹配后的停靠点数据样本中各停靠点数据样本对应的匹配次数；

将所述匹配次数按照降序排列生成排列后的停靠点数据样本；

将所述排列后的停靠点数据样本中的第一个停靠点确定为匹配次数最多的兴趣点。

第二方面，本申请实施例提供了一种货车运货类型识别装置，所述装置包括：

第一样本获取模块，用于获取预先聚类后的货车停靠点数据样本；

第一样本生成模块，用于根据预设兴趣点类型对所述预先聚类后的货车停靠点数据样本进行兴趣点类型匹配，生成匹配后的停靠点数据样本；

兴趣点确定模块，用于基于所述匹配后的停靠点数据样本确定出匹配次数最多的停靠点确定为兴趣点；

类型确定模块，用于将所述匹配次数最多的兴趣点对应的类型确定为货车运货类型。

可选的，所述装置还包括：

第二样本获取模块，用于获取目标货车预设时间内的历史停靠点数据样本；

第二样本生成模块，用于根据预设规则对所述历史停靠点数据样本进行处理生成处理后的数据样本；

第三样本生成模块，用于将处理后的数据样本进行聚类生成聚类后的数据样本，将所述聚类后的数据样本作为预先聚类后的货车停靠点数据样本。

可选的，所述第二样本生成模块，包括：

第一样本生成单元，用于基于所述提取规则获取所述目标货车预设时间内的历史停靠点数据样本中历史停靠点生成提取后的历史停靠点数据样本；

第二样本生成单元，用于根据所述过滤规则过滤所述提取后的历史停靠点数据样本生成处理后的数据样本。

可选的，所述兴趣点确定模块，包括：

次数获取单元，用于获取所述匹配后的停靠点数据样本中各停靠点数据样本对应的匹配次数；

第三样本生成单元，用于将所述匹配次数按照降序排列生成排列后的停靠点数据样本；

兴趣点确定单元，用于将所述排列后的停靠点数据样本中的第一个停靠点确定为匹配次数最多的兴趣点。

第三方面，本申请实施例提供一种计算机存储介质，所述计算机存储介质存储有多条指令，所述指令适于由处理器加载并执行上述的方法步骤。

第四方面，本申请实施例提供一种终端，可包括：处理器和存储器；其中，所述存储器存储有计算机程序，所述计算机程序适于由所述处理器加载并执行上述的方法步骤。

本申请实施例提供的技术方案可以包括以下有益效果：

在本申请实施例中，首先获取预先聚类后的货车停靠点数据样本，再根据预设兴趣点类型对所述预先聚类后的货车停靠点数据样本进行兴趣点类型匹配，生成匹配后的停靠点数据样本，然后基于所述匹配后的停靠点数据样本确定出匹配次数最多的停靠点确定为兴趣点，最后将所述匹配次数最多的兴趣点对应的类型确定为货车运货类型。由于是通过货车车辆类型，结合停靠的停靠点类型挖掘出货车在过去历史一个月运输的货物类型。因此在运力交易中，利用本方法根据货物类型并且结合车辆类型可以快速找到需要匹配的货车。

应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本发明。

附图说明

此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本发明的实施例，并与说明书一起用于解释本发明的原理。

图1是本申请实施例提供的一种货车运货类型识别方法的流程示意图；

图2是本申请实施例提供的另一种货车运货类型识别方法的流程示意图；

图3是本申请实施例提供的一种兴趣点聚类过程的过程示意图；

图4是本申请实施例提供的一种兴趣点匹配过程的过程示意图；

图5是本申请实施例提供的一种货车运货类型识别装置的结构示意图；

图6是本申请实施例提供的另一种货车运货类型识别装置的结构示意图；

图7是本申请实施例提供的一种第二样本生成模块的结构示意图；

图8是本申请实施例提供的一种兴趣点确定模块的结构示意图；

图9是本申请实施例提供的一种终端的结构示意图。

具体实施方式

以下描述和附图充分地示出本发明的具体实施方案，以使本领域的技术人员能够实践它们。

应当明确，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作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。

下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本发明相一致的所有实施方式。相反，它们仅是如所附权利要求书中所详述的、本发明的一些方面相一致的装置和方法的例子。

在本申请的描述中，需要理解的是，术语“第一”、“第二”等仅用于描述目的，而不能理解为指示或暗示相对重要性。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。此外，在本发明的描述中，除非另有说明，“多个”是指两个或两个以上。“和/或”，描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。字符“/”一般表示前后关联对象是一种“或”的关系。

到目前为止，对于货车运货类型识别，目前的技术大部分是基于VIN或者视频或者图片识别区分出货车的类型，然后来判断出货车可以运输的货物类型，当这些信息都缺失的情况下，目前的技术是无法确认车辆类型的，也就无法知道车辆运输的货物类型，从而降低了货物运输效率。为此，本申请提供了一种货车运货类型识别方法、装置、存储介质及终端，以解决上述相关技术问题中存在的问题。本申请提供的技术方案中，由于是通过货车车辆类型，结合停靠的停靠点类型挖掘出货车在过去历史一个月运输的货物类型。因此在运力交易中，利用本方法根据货物类型并且结合车辆类型可以快速找到需要匹配的货车，下面采用示例性的实施例进行详细说明。

下面将结合附图1-附图4，对本申请实施例提供的货车运货类型识别方法进行详细介绍。该方法可依赖于计算机程序实现，可运行于基于冯诺依曼体系的货车运货类型识别装置上。该计算机程序可集成在应用中，也可作为独立的工具类应用运行。其中，本申请实施例中的货车运货类型识别装置可以为用户终端，包括但不限于：个人电脑、平板电脑、手持设备、车载设备、可穿戴设备、计算设备或连接到无线调制解调器的其它处理设备等。在不同的网络中用户终端可以叫做不同的名称，例如：用户设备、接入终端、用户单元、用户站、移动站、移动台、远方站、远程终端、移动设备、用户终端、终端、无线通信设备、用户代理或用户装置、蜂窝电话、无绳电话、个人数字处理(personal digital assistant，PDA)、5G网络或未来演进网络中的终端设备等。

请参见图1，为本申请实施例提供了一种货车运货类型识别方法的流程示意图。如图1所示，本申请实施例的所述方法可以包括以下步骤：

S101，获取预先聚类后的货车停靠点数据样本；

其中，所谓数据样本，就是利用字符、词语以及句子构成的具有表达其产品性能、功能、结构原理和尺寸参数的数据信息集合，将多个数据样本的数据信息集合保存至一个专有的数据仓库，就构成了数据库，在本实施例中具体指保存车辆历史停靠点的数据库。它是传统的纸质样本数据的电子化升级版本，可以通过网络进行传播，并以更新颖、更直观的形式展现在用户面前，具有可视化的友好人机交互界面，表现力丰富，表现手法多样化，使得用户的查询速度更快，查找样本数据的效率更高。聚类后的货车停靠点数据样本是用户终端根据预设聚类程序对数据样本进行处理生成的货车停靠点数据样本。

在本申请实施例中，用户终端获取聚类后的货车停靠点数据样本时，首先要获取目标货车在一定时间内的目标车辆历史停靠点数据样本，此处的一定时间可以为一个月内的历史停靠点数据样本，也可以是两个月内的历史停靠点数据样本，具体的时间可以根据实际场景确定，此处不做限定。在用户终端获取到历史停靠点数据样本之后，首先要对获取到历史停靠点数据样本进行分类、清洗和过滤处理，处理结束后生成处理结束的历史停靠点，最后根据内部聚类程序对处理结束的历史停靠点进行聚类，聚类结束后可生成聚类后的货车停靠点数据样本。

S102，根据预设兴趣点类型对所述预先聚类后的货车停靠点数据样本进行兴趣点类型匹配，生成匹配后的停靠点数据样本；

其中，预设兴趣点类型是用户提前确定的货车运货类型，例如图4所示，预设的兴趣点类型可以包括药品、生鲜、农产品、危险品、烟草和钢材等。预设兴趣点可以包含很多种，可以根据实际场景而定，此处不做限定。

在一种可能的实现方式中，首先用户终端获取基于步骤S101得到的聚类后的货车停靠点数据样本，然后再根据预设清除程序清除低频次的货车停靠点数据样本，此处的低频次的货车停靠点数据样本为目标货车在一定时间内出现的停靠点次数小于预设的阈值时，才确定为低频次的货车停靠点数据样本，此时的预设阈值可以为1，也可以为2，具体参数根据实际场景自行设定，此处不做限定，最后用户终端根据预先保存的兴趣点类型对去除低频次的货车停靠点数据样本进行预设兴趣点类型匹配，匹配完成后生成匹配后的停靠点数据样本。

例如图4所示，用户终端首先获取保存在终端内部的兴趣点类型，例如药品、生鲜、农产品、危险品、烟草和钢材等。然后获取基于步骤S101聚类得到的货车停靠点数据样本，例如图4中的货车停靠点数据样本为水果，蔬菜农产品批发市场、医药物流园、冷冻，冷链物流园、化工厂，易爆品、钢材物流园、卷烟配送中心等。从图4中可得水果，蔬菜农产品批发市场对应的兴趣点类型为农产品。医药物流园对应的兴趣点类型为药品。冷冻，冷链物流园对应的兴趣点类型为生鲜。化工厂，易爆品对应的兴趣点类型为危险品。钢材物流园对应的兴趣点类型为钢材。卷烟配送中心对应的兴趣点类型为烟草。由此可得到匹配后的停靠点数据样本

S103，基于所述匹配后的停靠点数据样本确定出匹配次数最多的停靠点确定为兴趣点；

其中，匹配后的停靠点数据样本可参见步骤S102，此处不再赘述。确定出的兴趣点是根据货车停靠点匹配对应的预设兴趣点后，匹配次数最多的运货类型确定为兴趣点。

在本申请实施例中，用户终端基于步骤S102得到匹配后的停靠点数据样本后，用户终端通过内部程序查找货车停靠点最多的运货类型，例如表1所示，根据货车停靠点数据样本匹配的预设兴趣点中药品为3次，生鲜为1次，农产品为16次，钢材为2次，由表1可以看出，匹配的兴趣点最多的兴趣点为农产品，因此将农产品确定为兴趣点。

表1

预设兴趣点	药品	生鲜	农产品	钢材
					匹配次数	3	1	16	2

S104，将所述匹配次数最多的兴趣点对应的类型确定为货车运货类型。

在本申请实施例中，基于步骤S103可得到匹配次数最多的货车停靠点确定为兴趣点，由表1可知，农产品为目标货车停靠点次数最多的兴趣点，因此该兴趣点可以看作目标货车在预设时间中运货次数最多的，所以可以根据此兴趣点的类型得到货车运货类型，所以可以确定出目标货车的运货类型为农产品。

请参见图2，为本申请实施例提供的一种货车运货类型识别方法的流程示意图。本实施例以货车运货类型识别方法应用于用户终端中来举例说明。该货车运货类型识别方法可以包括以下步骤：

S201，获取目标货车预设时间内的历史停靠点数据样本；

其中，货车是运输货物的车辆，根据不同的货物类型可以有不同的货车，目标货车为本申请实施例中需要进行分析处理的货车。预设时间是根据实际场景来设定的一个参考值，根据该参考值可以统计这段时间里目标货车的停靠点。历史停靠点数据样本是根据预设时间统计得出的目标车辆在该时间的停靠点。

在一种可能的实现方式中，用户终端首先获取目标车辆的停靠点数据样本，然后获取保存在终端上的预设参考值，当用户终端获取到这两个数据样本后，最后根据内部保存的程序基于预设时间值查询目标货车在这段时间中的历史停靠点数据样本。

S202，根据预设规则对所述历史停靠点数据样本进行处理生成处理后的数据样本；

其中，预设规则为对目标车辆历史停靠点进行分类、清洗和过滤的规则，具体可根据货车客观需求，例如吃饭，休息，堵车，加油，装卸货，高速公路休息停靠等，根据该需求进行分类，分类结束后可以根据预设规则清洗提取只有装卸货的历史停靠点，预设规则可以是提取总里程超过R0公里的停靠点和提取总停靠次数大于R1次的停靠点，此处的R0和R1是不为0的自然数，具体数值可根据实际场景设定，此处不做限定。

在一种可能的实现方式中，首先用户终端基于步骤S101获取到例如一个月的目标货车停靠点数据样本，然后再从一个月的目标货车停靠点数据样本中获取行驶总里程超过100公里的历史停靠点，再从行驶总里程超过100公里的历史停靠点中获取总停靠次数大于10次的历史停靠点，最后得到基于预设规则处理后的历史停靠点数据样本。

S203，将处理后的数据样本进行聚类生成聚类后的数据样本，将所述聚类后的数据样本作为预先聚类后的货车停靠点数据样本；

其中，对处理后的数据样本进行聚类可以使用用于聚类的算法模型，例如DBScan模型，DBScan模型是一个具有聚类功能的数学模型。DBScan是一个比较有代表性的基于密度的聚类算法，与划分和层次聚类算法不同，它将簇定义为密度相连的点的最大集合，能够把具有足够高密度的区域划分为簇，并可在噪声的空间数据库中发现任意形状的聚类。

在本申请实施例中，经过步骤S202可以得出很多目标车辆的历史停靠点数据样本，此时该数据样本中可能包含多个相同类型的数据样本，用户终端需要根据预设聚类算法模型进行聚类，将相同的历史停靠点进行合并生成没有重复的停靠点数据样本。

在一种可能的实现方式中，例如图3所示，大圆里边的三角形代表目标货车停靠点为煤矿开采中心，大圆里边的五角星代表目标货车停靠点为苹果厂，用户终端首先基于步骤S202可以得出目标货车的停靠点为图3大圆中所示，目标货车在煤矿开采中心的停靠点为6个，在苹果厂的停靠点为5个。用户终端通过获取预先保存的聚类算法DBScan模型对煤矿开采中心的停靠点和苹果厂的停靠点进行聚类生成图3正方形中的一个煤矿开采中心对应的停靠点和一个苹果厂对应的停靠点。

S204，获取预先聚类后的货车停靠点数据样本；

具体可参见步骤S101，此处不再赘述。

S205，根据预设兴趣点类型对所述预先聚类后的货车停靠点数据样本进行兴趣点类型匹配，生成匹配后的停靠点数据样本；

具体可参见步骤S102，此处不再赘述。

S206，获取所述匹配后的停靠点数据样本中各停靠点数据样本对应的匹配次数；

具体可参见步骤S103，此处不再赘述。

S207，将所述匹配次数按照降序排列生成排列后的停靠点数据样本；

其中，所述降序排列是将匹配次数按照从大到小的顺序进行排列。

在本申请实施例中，例如表1所示，根据货车停靠点数据样本匹配的预设兴趣点中药品为3次，生鲜为1次，农产品为16次，钢材为2次，根据降序排列后可知农产品次数大于药品次数大于钢材次数大于生鲜次数。

S208，将所述排列后的停靠点数据样本中的第一个停靠点确定为匹配次数最多的兴趣点,；

在本申请实施例中，根据步骤S207可知，根据降序排列后可知农产品的次数最多，排名在第一位，因此确定农产品为兴趣点。

S209，将所述匹配次数最多的兴趣点对应的类型确定为货车运货类型。

具体可参见步骤S104，此处不再赘述。

下述为本发明装置实施例，可以用于执行本发明方法实施例。对于本发明装置实施例中未披露的细节，请参照本发明方法实施例。

请参见图5，其示出了本发明一个示例性实施例提供的货车运货类型识别装置的结构示意图。该货车运货类型识别装置可以通过软件、硬件或者两者的结合实现成为终端的全部或一部分。该装置1包括第一样本获取模块10、第一样本生成模块20、兴趣点确定模块30、类型确定模块40。

第一样本获取模块10，用于获取预先聚类后的货车停靠点数据样本；

第一样本生成模块20，用于根据预设兴趣点类型对所述预先聚类后的货车停靠点数据样本进行兴趣点类型匹配，生成匹配后的停靠点数据样本；

兴趣点确定模块30，用于基于所述匹配后的停靠点数据样本确定出匹配次数最多的停靠点确定为兴趣点；

类型确定模块40，用于将所述匹配次数最多的兴趣点对应的类型确定为货车运货类型。

可选的，如图6所示，所述装置1还包括：

第二样本获取模块50，用于获取目标货车预设时间内的历史停靠点数据样本；

第二样本生成模块60，用于根据预设规则对所述历史停靠点数据样本进行处理生成处理后的数据样本；

第三样本生成模块70，用于将处理后的数据样本进行聚类生成聚类后的数据样本，将所述聚类后的数据样本作为预先聚类后的货车停靠点数据样本。

可选的，如图7所示，所述第二样本生成模块60，包括：

第一样本生成单元610，用于基于所述提取规则获取所述目标货车预设时间内的历史停靠点数据样本中历史停靠点生成提取后的历史停靠点数据样本；

第二样本生成单元620，用于根据所述过滤规则过滤所述提取后的历史停靠点数据样本生成处理后的数据样本。

可选的，如图8所示，所述兴趣点确定模块30，包括：

次数获取单元310，用于获取所述匹配后的停靠点数据样本中各停靠点数据样本对应的匹配次数；

第三样本生成单元320，用于将所述匹配次数按照降序排列生成排列后的停靠点数据样本；

兴趣点确定单元330，用于将所述排列后的停靠点数据样本中的第一个停靠点确定为匹配次数最多的兴趣点。

需要说明的是，上述实施例提供的货车运货类型识别装置在执行货车运货类型识别方法时，仅以上述各功能模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能模块完成，即将设备的内部结构划分成不同的功能模块，以完成以上描述的全部或者部分功能。另外，上述实施例提供的货车运货类型识别装置与货车运货类型识别方法实施例属于同一构思，其体现实现过程详见方法实施例，这里不再赘述。

上述本申请实施例序号仅仅为了描述，不代表实施例的优劣。

本发明还提供一种计算机可读介质，其上存储有程序指令，该程序指令被处理器执行时实现上述各个方法实施例提供的货车运货类型识别方法。

本发明还提供了一种包含指令的计算机程序产品，当其在计算机上运行时，使得计算机执行上述各个方法实施例所述的货车运货类型识别方法。

请参见图9，为本申请实施例提供了一种终端的结构示意图。如图9所示，所述终端1000可以包括：至少一个处理器1001，至少一个网络接口1004，用户接口1003，存储器1005，至少一个通信总线1002。

其中，通信总线1002用于实现这些组件之间的连接通信。

其中，用户接口1003可以包括显示屏(Display)、摄像头(Camera)，可选用户接口1003还可以包括标准的有线接口、无线接口。

其中，网络接口1004可选的可以包括标准的有线接口、无线接口(如WI-FI接口)。

其中，处理器1001可以包括一个或者多个处理核心。处理器1001利用各种借口和线路连接整个电子设备1000内的各个部分，通过运行或执行存储在存储器1005内的指令、程序、代码集或指令集，以及调用存储在存储器1005内的数据，执行电子设备1000的各种功能和处理数据。可选的，处理器1001可以采用数字信号处理(Digital Signal Processing，DSP)、现场可编程门阵列(Field-Programmable Gate Array，FPGA)、可编程逻辑阵列(Programmable Logic Array，PLA)中的至少一种硬件形式来实现。处理器1001可集成中央处理器(Central Processing Unit，CPU)、图像处理器(Graphics Processing Unit，GPU)和调制解调器等中的一种或几种的组合。其中，CPU主要处理操作系统、用户界面和应用程序等；GPU用于负责显示屏所需要显示的内容的渲染和绘制；调制解调器用于处理无线通信。可以理解的是，上述调制解调器也可以不集成到处理器1001中，单独通过一块芯片进行实现。

其中，存储器1005可以包括随机存储器(Random Access Memory，RAM)，也可以包括只读存储器(Read-Only Memory)。可选的，该存储器1005包括非瞬时性计算机可读介质(non-transitory computer-readable storage medium)。存储器1005可用于存储指令、程序、代码、代码集或指令集。存储器1005可包括存储程序区和存储数据区，其中，存储程序区可存储用于实现操作系统的指令、用于至少一个功能的指令(比如触控功能、声音播放功能、图像播放功能等)、用于实现上述各个方法实施例的指令等；存储数据区可存储上面各个方法实施例中涉及到的数据等。存储器1005可选的还可以是至少一个位于远离前述处理器1001的存储装置。如图9所示，作为一种计算机存储介质的存储器1005中可以包括操作系统、网络通信模块、用户接口模块以及货车运货类型识别应用程序。

在图9所示的终端1000中，用户接口1003主要用于为用户提供输入的接口，获取用户输入的数据；而处理器1001可以用于调用存储器1005中存储的货车运货类型识别应用程序，并具体执行以下操作：

获取预先聚类后的货车停靠点数据样本；

在一个实施例中，所述处理器1001在执行所述获取预先聚类后的货车停靠点数据样本之前之前，还执行以下操作：

获取目标货车预设时间内的历史停靠点数据样本；

在一个实施例中，所述处理器1001在执行所述根据预设规则对所述历史停靠点数据样本进行处理生成处理后的数据样本时，具体执行以下操作：

在一个实施例中，所述处理器1001在执行所述基于所述匹配后的停靠点数据样本确定出匹配次数最多的停靠点确定为兴趣点时，具体执行以下操作：

本领域技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。所属技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统、装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

本文所披露的实施例中，应该理解到，所揭露的方法、产品(包括但不限于装置、设备等)，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。

应当理解的是，附图中的流程图和框图显示了根据本发明的多个实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。本发明并不局限于上面已经描述并在附图中示出的流程及结构，并且可以在不脱离其范围进行各种修改和改变。本发明的范围仅由所附的权利要求来限制。

Claims

1.一种货车运货类型识别方法，其特征在于，所述方法包括：

获取预先聚类后的货车停靠点数据样本；

2.根据权利要求1所述的方法，其特征在于，所述获取预先聚类后的货车停靠点数据样本之前，还包括：

获取目标货车预设时间内的历史停靠点数据样本；

3.根据权利要求2所述的方法，其特征在于，所述预设规则包括提取规则和过滤规则；

所述根据预设规则对所述历史停靠点数据样本进行处理生成处理后的数据样本，包括：

4.根据权利要求1所述的方法，其特征在于，所述基于所述匹配后的停靠点数据样本确定出匹配次数最多的停靠点确定为兴趣点，包括：

5.一种货车运货类型识别装置，其特征在于，所述装置包括：

6.根据权利要求5所述的装置，其特征在于，所述装置还包括：

7.根据权利要求6所述的装置，其特征在于，所述第二样本生成模块，包括：

8.根据权利要求5所述的装置，其特征在于，所述兴趣点确定模块，包括：

9.一种计算机存储介质，其特征在于，所述计算机存储介质存储有多条指令，所述指令适于由处理器加载并执行如权利要求1～4任意一项的方法步骤。

10.一种终端，其特征在于，包括：处理器和存储器；其中，所述存储器存储有计算机程序，所述计算机程序适于由所述处理器加载并执行如权利要求1～4任意一项的方法步骤。