CN111179589B - 车辆od预测的方法、装置、设备及存储介质 - Google Patents
车辆od预测的方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN111179589B CN111179589B CN201911243752.XA CN201911243752A CN111179589B CN 111179589 B CN111179589 B CN 111179589B CN 201911243752 A CN201911243752 A CN 201911243752A CN 111179589 B CN111179589 B CN 111179589B
- Authority
- CN
- China
- Prior art keywords
- vehicle
- stop
- data
- information
- 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
Images
Classifications
-
- 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
- G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
- G08G1/0125—Traffic data processing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- 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
- G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
- G08G1/0125—Traffic data processing
- G08G1/0129—Traffic data processing for creating historical data or processing based on historical data
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Analytical Chemistry (AREA)
- Chemical & Material Sciences (AREA)
- Theoretical Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- General Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种车辆OD预测的方法,包括:获取车辆轨迹数据样本,根据所述轨迹数据样本获得车辆停靠点数据,将所述车辆停靠点数据输入DBSCAN模型进行聚类,生成聚类后的类簇,根据所述类簇构建OD先验数据,通过所述OD先验数据和贝叶斯公式构建OD预测模型,通过所述OD预测模型预测车辆OD。通过上述方法,可以根据车辆轨迹数据预测车辆OD,尤其对于轨迹数据量大和时间跨度长的货车预测更加准确,实现方式更加简单。
Description
技术领域
本发明涉及智能交通技术领域,特别涉及一种车辆OD预测的方法、装置、设备及存储介质。
背景技术
随着智能交通技术的发展,进行车辆OD预测有着非常重要的现实意义,例如,通过预测货车的出发地和目的地,就可以将沿途物流站点的信息传输给货车管理人员,也可以将沿途物流站点中的货物信息传输给货车管理人员,从而方便货车管理人员进行货物的运输和管理。
目前,进行车辆OD预测的方法,将车辆轨迹数据预处理为轨迹向量,并构建先验路段流量矩阵和路段行程时间矩阵,计算得到OD先验矩阵,通过OD先验矩阵和路段流量、路段行程时间、交通分配关系等对OD预测模型进行求解,这种方法所处理的轨迹数据多为私家车的轨迹数据,私家车的轨迹数据的地域和时间跨度都比较小,不利于处理轨迹数据量大和时间跨度长的货车数据,进行货车OD预测的准确率也比较低。
发明内容
本公开实施例提供了一种车辆OD预测的方法、装置、设备及存储介质。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。
在一些可选地实施例中,一种车辆OD预测的方法,包括:
获取车辆轨迹数据样本,根据轨迹数据样本获得车辆停靠点数据;
将车辆停靠点数据输入DBSCAN模型进行聚类,生成聚类后的类簇,根据类簇构建OD先验数据;
通过OD先验数据和贝叶斯公式构建OD预测模型,通过OD预测模型预测车辆OD。
可选地,根据轨迹数据样本获得车辆停靠点数据,包括:
根据车辆轨迹数据样本中的车辆速度信息获得车辆停靠点;
根据车辆轨迹数据样本中的车辆时间信息获得车辆停靠点的停靠起始时间信息和停靠时长信息;
将车辆停靠点的停靠车辆标识信息、停靠车辆经度信息、停靠车辆纬度信息、停靠起始时间信息以及停靠时长信息作为车辆停靠点数据,其中,通过车辆定位终端获得停靠车辆标识信息、停靠车辆经度信息、停靠车辆纬度信息。
可选地,将车辆停靠点数据输入DBSCAN模型进行聚类之前,还包括:
将车辆停靠点数据中停靠时长小于预设停靠时长的停靠点去除;
将车辆停靠点数据中预设范围内是饭店、服务区的停靠点去除;
将车辆停靠点数据中因为交通阻塞导致的停靠的停靠点去除;
获得预处理后的车辆停靠点数据。
可选地,获得预处理后的车辆停靠点数据之后,还包括:
根据预处理后的车辆停靠点数据和时间顺序,构建车辆的经纬度向量矩阵;
将经纬度向量矩阵输入DBSCAN模型进行聚类,生成聚类后的类簇。
可选地,根据类簇构建OD先验数据,包括:
按照时间顺序遍历每辆车的每个停靠点,将车辆停靠点数据中的停靠车辆标识信息、停靠车辆经度信息、停靠车辆纬度信息、车辆停靠起始时间信息、车辆停靠时长信息、以及每个停靠点所属的车辆出发地信息以及所属的车辆目的地信息作为OD先验数据。
可选地,根据OD先验数据和贝叶斯公式构建OD预测模型,包括:
其中,Ci表示第i个停靠点类簇,X表示停靠车辆经度,Y表示停靠车辆纬度。
在一些可选地实施例中,一种车辆OD预测的装置,包括:
获取模块:用于获取车辆轨迹数据样本,根据轨迹数据样本获得车辆停靠点数据;
第一构建模块:用于将车辆停靠点数据输入DBSCAN模型进行聚类,生成聚类后的类簇,根据类簇构建OD先验数据;
第二构建模块:用于基于OD先验数据和贝叶斯公式构建OD预测模型,通过OD预测模型预测车辆OD。
在一些可选地实施例中,一种车辆OD预测的装置,包括处理器和存储有程序指令的存储器,其特征在于,处理器被配置为在执行程序指令时,执行上述实施例提供的车辆OD预测的方法。
在一些可选地实施例中,一种车辆OD预测的设备,包括上述实施例提供的车辆OD预测的装置。
在一些可选地实施例中,一种计算机可读介质,其上存储有计算机可读指令,计算机可读指令可被处理器执行以实现上述实施例提供的一种车辆OD预测的方法。
本公开实施例提供的技术方案可以包括以下有益效果:
本发明通过根据大量的车辆轨迹数据样本先获得车辆的停靠点数据,将车辆停靠点数据进行DBSCAN聚类,生成聚类后的类簇,根据聚类后生成的类簇可知车辆在行驶过程中的最常停靠的停靠点,然后构建OD先验数据,通过OD先验数据和贝叶斯公式构建OD预测模型,通过预测模型预测车辆OD,上述预测方法不仅实现简单,而且预测结果准确,更适合预测轨迹数据量大和时间跨度长的货车数据。
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是根据一示例性实施例示出的一种车辆OD预测方法的流程示意图;
图2是根据一示例性实施例示出的一种车辆OD预测方法的流程示意图;
图3是根据一示例性实施例示出的一种车辆OD预测方法的流程示意图;
图4是根据一示例性实施例示出的一种车辆OD预测装置的示意图;
图5是根据一示例性实施例示出的一种车辆OD预测装置的示意图。
具体实施方式
为了能够更加详尽地了解本公开实施例的特点与技术内容,下面结合附图对本公开实施例的实现进行详细阐述,所附附图仅供参考说明之用,并非用来限定本公开实施例。在以下的技术描述中,为方便解释起见,通过多个细节以提供对所披露实施例的充分理解。然而,在没有这些细节的情况下,一个或一个以上实施例仍然可以实施。在其它情况下,为简化附图,熟知的结构和装置可以简化展示。
图1是根据一示例性实施例示出的一种车辆OD预测方法的流程示意图;
在一些可选地实施例中,一种车辆OD预测的方法,包括:
步骤S101、获取车辆轨迹数据样本,根据轨迹数据样本获得车辆停靠点数据;
具体地,车辆轨迹数据样本可以将其理解成分布在地图上的一个个零散的点,直接由车辆轨迹数据样本求OD,是一个比较复杂的过程。O和D是车辆的出发地和目的地,事实上,也就是车辆的停靠点。因此可以得出,O和D肯定是停靠点,但是停靠点不一定是O和D。因此,先从车辆轨迹数据样本中获得车辆的停靠点数据。
在一些示例性场景中,在车辆上安装定位终端,定位终端可以为GPS定位仪,通过定位终端检测车辆的标识信息、经纬度信息、速度信息、方向信息、和时间信息,并将检测到的信息发送给服务器,服务器将接收到的车辆定位终端发送过来的信息进行筛选过滤处理,去除无用属性、去除日期格式,最终得到车辆轨迹数据样本,包括:
其中,vidi表示第i辆车辆的标识,表示第i辆车辆的第j条轨迹数据的经度信息,表示第i辆车辆的第j条轨迹数据的纬度信息,表示第i辆车辆的第j条轨迹数据的速度信息,表示第i辆车辆的第j条轨迹数据的方向信息,表示第i辆车辆的第j条轨迹数据的时间信息。
首先,根据获得的车辆轨迹数据样本判断车辆的停靠点,车辆的停靠行为是指车辆停留在一个地方保持静止状态,此时车辆的速度为0,根据车辆轨迹数据样本中首个速度为0的点判断为停靠开始点,首个速度大于0的点判断为停靠结束点。在实际情况下,车辆可能会在一个地方反复启动发动机,以使车辆停靠在合适的位置上,GPS定位仪也会上报多个速度为0和速度大于0的点,因此,实际情况下会得到多个停靠开始点和停靠结束点,从得到的多个停靠开始点和停靠结束点中,选取一个中间位置的点,计算中间位置的点到其它停靠开始点和停靠结束点的半径,将计算出来的半径最大值和预设半径值进行比较,如果计算出来的半径最大值大于预设半径值,则不属于停靠点,如果计算出来的半径最大值小于等于预设半径值,则该中间位置点为停靠点,然后进入下一次停靠点的判断。
根据判断出来的停靠点,可知车辆在此处发生了停靠,将车辆停靠后定位终端发送的车辆标识信息作为停靠车辆标识信息,将车辆停靠后定位终端发送的车辆经度信息作为停靠车辆经度信息,将车辆停靠后定位终端发送的车辆纬度信息作为停靠车辆纬度信息,将车辆停靠后定位终端发送过来的时间信息作为停靠起始时间信息,根据车辆的停靠起始时间信息和接收到的停靠结束点上传的时间信息确定车辆的停靠时长信息。
将停靠车辆标识信息、停靠车辆经度信息、停靠车辆纬度信息、停靠起始时间信息以及停靠时长信息作为车辆停靠点数据,车辆停靠点数据格式为:
通过上述方法,对原始车辆轨迹数据进行筛选和处理,获得车辆的停靠点数据,可以大大减少后续需要处理的数据量。
步骤S102、将车辆停靠点数据输入DBSCAN模型进行聚类,生成聚类后的类簇,根据类簇构建OD先验数据;
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。
DBSCAN聚类算法和传统的K-means算法相比,DBSCAN聚类算法的最大的不同是不需要事先知道要形成的簇类的数量,因此不需要输入类别个数K,它最大的优势是可以发现任意形状的聚类簇,而不像K-means算法,一般只适用凸的样本集,结合轨迹数据在停靠点附近轨迹数相对密集等特征,本公开实施例选择了DBSCAN聚类算法。
DBSCAN聚类算法的描述如下:
a、输入:包含n个对象的样本集合,半径eps,密度参数Minpts;
b、输出:生成的所有达到密度要求的簇;
c、从样本中抽出一个未被访问的点,找出与该点在距离eps内的所有附近点;
d、将在距离eps内的所有附近点累加;
e、如果累加得到的数值≥密度参数Minpts,则当前点与其附近点形成一个簇,并且出发点被标记为已访问,然后递归,以相同的方法处理该簇内所有未被标记为已访问点,从而对簇进行扩展;
f、如果累加得到的数值<密度参数Minpts,则该点暂时被标记为噪声点;
g、用同样的算法去处理未被访问的点,直到所有的点被访问完。
在将车辆停靠点数据输入DBSCAN模型进行聚类之前,首先进行数据预处理,具体地,首先将获得的车辆停靠点数据进行预处理,包括,将车辆停靠点数据中停靠时长小于预设停靠时长的停靠点去除,可选地,预设停靠时长为20—100min,例如,预设停靠时长为20min、40min、60min、80min、100min中的任意一个,在一个示例性场景中,预设停靠时长为40min,得到的停靠点数据中有停靠点1、停靠点2、停靠点3、停靠点4、停靠点5,其中,停靠点1的停靠时长为20min,停靠点2的停靠时长为40min,停靠点3的停靠时长为10min,停靠点4的停靠时长为60min,停靠点5的停靠时长为70min,通过上述方法可知,停靠点1和停靠点3的停靠时长小于预设停靠时长,将停靠点1和停靠点3去除。
将车辆停靠点数据中预设范围内是饭店、服务区的停靠点去除,结合停靠点数据中的停靠车辆经度信息和停靠车辆纬度信息,可知停靠点在地图中的位置,将停靠点在地图中预设范围内是饭店、服务区的停靠点去除,其中,预设范围可为0—500米,例如,预设范围为100米、200米、300米、400米、500米,在一些示例性场景中,预设范围为300米,结合地图,将停靠点300米范围内有饭店、服务区的停靠点去除。
结合电子地图的路况预测功能,将车辆停靠点数据中因为交通阻塞导致的停靠的停靠点去除,通过上述方法,获得预处理后的车辆停靠点数据。
通过进行数据预处理,将不可靠的停靠点去除,可以使后续的聚类结果更准确。
根据预处理后的车辆停靠点数据和时间顺序,构建车辆的经纬度向量矩阵,具体地,经纬度向量矩阵的形式为:
其中,X代表停靠点的经度,Y代表停靠点的纬度,向量矩阵的排列顺序为时间顺序,停靠时间越早排列顺序越靠前。将获得的经纬度向量矩阵输入DBSCAN模型进行聚类,按照密度聚集关系,生成聚类后的类簇。
通过对预处理后的车辆停靠点数据进行聚类,分成几个类簇,可得车辆在行驶过程中最常停靠的停靠点。
根据聚类后的类簇构建OD先验数据,包括,按照时间顺序遍历每辆车的每个停靠点,并标记每个停靠点所属的车辆出发地信息和每个停靠点所属的车辆目的地信息。
在一些示例性场景中,得到的车辆停靠点类簇为成都、重庆、广州,得到的停靠点有停靠点1、停靠点2、停靠点3、停靠点4,停靠点1在成都和重庆之间,那么停靠点1的出发地标记为成都,目的地标记为重庆,停靠点2也在成都和重庆之间,那么停靠点2的出发地也标记为成都,目的地也标记为重庆,停靠点3在重庆和广州之间,那么停靠点3的出发地标记为重庆,目的地标记为广州,停靠点4也在重庆和广州之间,那么停靠点4的出发地标记为重庆,目的地标记为广州。
将车辆停靠点数据中的停靠车辆标识信息、停靠车辆经度信息、停靠车辆纬度信息、车辆停靠起始时间信息、车辆停靠时长信息、以及每个停靠点所属的车辆出发地信息以及所属的车辆目的地信息作为OD先验数据。OD先验数据的格式为:
其中,Tvidi表示停靠车辆i的标识信息,表示车辆i的第j次停靠的经度信息,表示车辆i的第j次停靠的纬度信息,表示车辆i的第j次停靠的起始时间信息,表示车辆i的第j次停靠的停靠时长信息,表示车辆i的第j次停靠的出发地信息,表示车辆i的第j次停靠的目的地信息。
通过上述方法,可以获得OD先验数据,利用OD先验数据构建OD预测模型。
步骤S103、通过OD先验数据和贝叶斯公式构建OD预测模型,通过OD预测模型预测车辆OD。
具体地,结合OD先验数据和贝叶斯公式,构建OD预测模型:
其中,Ci表示第i个停靠点类簇,X表示停靠车辆经度,Y表示停靠车辆纬度。
因为经度和纬度都是连续值,无法直接套用贝叶斯公式来进行计算。这里我们利用高斯分布,把连续变量转变成一个概率,如下所示:
P(X,Y|C)=N(μ,μ2)
上式的均值μ和方差σ都可以从先验OD数据中计算得到。通过上述步骤,得到OD预测模型,通过所述OD预测模型可以预测车辆的OD。
图2是根据一示例性实施例示出的一种车辆OD预测方法的流程示意图。
如图2所示,可选地,根据轨迹数据样本获得车辆停靠点数据,包括:
步骤S201、根据车辆轨迹数据样本中的车辆速度信息获得车辆停靠点;
在一些示例性场景中,在车辆上安装定位终端,定位终端可以为GPS定位仪,通过定位终端检测车辆的标识信息、经纬度信息、速度信息、方向信息、和时间信息,并将检测到的信息发送给服务器,服务器将接收到的车辆定位终端发送过来的信息进行筛选过滤处理,去除无用属性、去除日期格式,最终得到车辆轨迹数据样本,包括:
其中,vidi表示第i辆车辆的标识,表示第i辆车辆的第j条轨迹数据的经度信息,表示第i辆车辆的第j条轨迹数据的纬度信息,表示第i辆车辆的第j条轨迹数据的速度信息,表示第i辆车辆的第j条轨迹数据的方向信息,表示第i辆车辆的第j条轨迹数据的时间信息。
首先,根据获得的车辆轨迹数据样本判断车辆的停靠点,车辆的停靠行为是指车辆停留在一个地方保持静止状态,此时车辆的速度为0,根据车辆轨迹数据样本中首个速度为0的点判断为停靠开始点,首个速度大于0的点判断为停靠结束点。在实际情况下,车辆可能会在一个地方反复启动发动机,以使车辆停靠在合适的位置上,GPS定位仪也会上报多个速度为0和速度大于0的点,因此,实际情况下会得到多个停靠开始点和停靠结束点,从得到的多个停靠开始点和停靠结束点中,选取一个中间位置的点,计算中间位置的点到其它停靠开始点和停靠结束点的半径,将计算出来的半径最大值和预设半径值进行比较,如果计算出来的半径最大值大于预设半径值,则不属于停靠点,如果计算出来的半径最大值小于等于预设半径值,则该中间位置点为停靠点,然后进入下一次停靠点的判断。例如,预设半径值为300米,中间位置点到其他点的最大半径为500米,可知计算出来的最大半径值大于预设半径值,则判断车辆的停靠点并不是在中心点浮动,并没有发生停靠行为,此时中心点不是停靠点;例如,预设半径值为300米,中间位置点到其他点的最大半径为100米,可知计算出来的最大半径值小于预设半径值,则判断车辆的停靠点是在中心点浮动,发生停靠行为,此时中心点是停靠点。
步骤S202、根据车辆轨迹数据样本中的车辆时间信息获得车辆停靠点的停靠起始时间信息和停靠时长信息;
具体地,根据判断出来的停靠点,可知车辆在此处发生了停靠,将车辆停靠后定位终端发送的车辆标识信息作为停靠车辆标识信息,将车辆停靠后定位终端发送的车辆经度信息作为停靠车辆经度信息,将车辆停靠后定位终端发送的车辆纬度信息作为停靠车辆纬度信息,将车辆停靠后定位终端发送过来的时间信息作为停靠起始时间信息,根据车辆的停靠起始时间信息和接收到的停靠结束点上传的时间信息确定车辆的停靠时长信息。在一些示例性场景中,车辆在停靠过程中上传了50个点,根据最后一个点上传的时间和停靠起始时间确定车辆的停靠时长。
步骤S203、将车辆停靠点的停靠车辆标识信息、停靠车辆经度信息、停靠车辆纬度信息、停靠起始时间信息以及停靠时长信息作为车辆停靠点数据,其中,通过车辆定位终端获得停靠车辆标识信息、停靠车辆经度信息、停靠车辆纬度信息。
具体地,将停靠车辆标识信息、停靠车辆经度信息、停靠车辆纬度信息、停靠起始时间信息以及停靠时长信息作为车辆停靠点数据,车辆停靠点数据格式为:
通过上述方法,对原始车辆轨迹数据进行筛选和处理,获得车辆的停靠点数据,可以大大减少后续需要处理的数据量。
可选地,将车辆停靠点数据输入DBSCAN模型进行聚类之前,还包括:
将车辆停靠点数据中停靠时长小于预设停靠时长的停靠点去除;
将车辆停靠点数据中预设范围内是饭店、服务区的停靠点去除;
将车辆停靠点数据中因为交通阻塞导致的停靠的停靠点去除;
获得预处理后的车辆停靠点数据。
具体地,首先将获得的车辆停靠点数据进行预处理,包括,将车辆停靠点数据中停靠时长小于预设停靠时长的停靠点去除,可选地,预设停靠时长为20—100min,例如,预设停靠时长为20min、40min、60min、80min、100min中的任意一个,在一个示例性场景中,预设停靠时长为40min,得到的停靠点数据中有停靠点1、停靠点2、停靠点3、停靠点4、停靠点5,其中,停靠点1的停靠时长为20min,停靠点2的停靠时长为40min,停靠点3的停靠时长为10min,停靠点4的停靠时长为60min,停靠点5的停靠时长为70min,通过上述方法可知,停靠点1和停靠点3的停靠时长小于预设停靠时长,将停靠点1和停靠点3去除。
将车辆停靠点数据中预设范围内是饭店、服务区的停靠点去除,结合停靠点数据中的停靠车辆经度信息和停靠车辆纬度信息,可知停靠点在地图中的位置,将停靠点在地图中预设范围内是饭店、服务区的停靠点去除,其中,预设范围可为0—500米,例如,预设范围为100米、200米、300米、400米、500米,在一些示例性场景中,预设范围为300米,结合地图,将停靠点300米范围内有饭店、服务区的停靠点去除。
结合电子地图的路况预测功能,将车辆停靠点数据中因为交通阻塞导致的停靠的停靠点去除,通过上述方法,获得预处理后的车辆停靠点数据。
通过进行数据预处理,将不可靠的停靠点去除,可以使后续的聚类结果更准确。
可选地,获得预处理后的车辆停靠点数据之后,还包括:
根据预处理后的车辆停靠点数据和时间顺序,构建车辆的经纬度向量矩阵;
将经纬度向量矩阵输入DBSCAN模型进行聚类,生成聚类后的类簇。
具体地,根据预处理后的车辆停靠点数据和时间顺序,构建车辆的经纬度向量矩阵,具体地,经纬度向量矩阵的形式为:
其中,X代表停靠点的经度,Y代表停靠点的纬度,向量矩阵的排列顺序为时间顺序,停靠时间越早排列顺序越靠前。在一些示例性场景中,按照时间顺序获得的停靠点经纬度分别为(x1,y1),(x2,y2),(x3,y3),根据获得的停靠点经纬度构建经纬度向量矩阵:
将获得的经纬度向量矩阵输入DBSCAN模型进行聚类,按照密度聚集关系,生成聚类后的类簇。
通过对预处理后的车辆停靠点数据进行聚类,分成几个类簇,可得车辆在行驶过程中最常停靠的停靠点。
可选地,根据类簇构建OD先验数据,包括:
按照时间顺序遍历每辆车的每个停靠点,将车辆停靠点数据中的停靠车辆标识信息、停靠车辆经度信息、停靠车辆纬度信息、车辆停靠起始时间信息、车辆停靠时长信息、以及每个停靠点所属的车辆出发地信息以及所属的车辆目的地信息作为OD先验数据。
具体地,根据聚类后的类簇构建OD先验数据,包括,按照时间顺序遍历每辆车的每个停靠点,并标记每个停靠点所属的车辆出发地信息和每个停靠点所属的车辆目的地信息。
在一些示例性场景中,得到的车辆停靠点类簇为成都、重庆、广州,得到的停靠点有停靠点1、停靠点2、停靠点3、停靠点4,停靠点1在成都和重庆之间,那么停靠点1的出发地标记为成都,目的地标记为重庆,停靠点2也在成都和重庆之间,那么停靠点2的出发地也标记为成都,目的地也标记为重庆,停靠点3在重庆和广州之间,那么停靠点3的出发地标记为重庆,目的地标记为广州,停靠点4也在重庆和广州之间,那么停靠点4的出发地标记为重庆,目的地标记为广州。
将车辆停靠点数据中的停靠车辆标识信息、停靠车辆经度信息、停靠车辆纬度信息、车辆停靠起始时间信息、车辆停靠时长信息、以及每个停靠点所属的车辆出发地信息以及所属的车辆目的地信息作为OD先验数据。OD先验数据的格式为:
其中,Tvidi表示停靠车辆i的标识信息,表示车辆i的第j次停靠的经度信息,表示车辆i的第j次停靠的纬度信息,表示车辆i的第j次停靠的起始时间信息,表示车辆i的第j次停靠的停靠时长信息,表示车辆i的第j次停靠的出发地信息,表示车辆i的第j次停靠的目的地信息。
通过上述方法,可以获得OD先验数据,利用OD先验数据构建OD预测模型。
可选地,根据OD先验数据和贝叶斯公式构建OD预测模型,包括:
其中,Ci表示第i个停靠点类簇,X表示停靠车辆经度,Y表示停靠车辆纬度。
具体地,因为经度和纬度都是连续值,无法直接套用贝叶斯公式来进行计算。这里我们利用高斯分布,把连续变量转变成一个概率,如下所示:
P(X,Y|C)=N(μ,μ2)
上式的均值μ和方差σ都可以从先验OD数据中计算得到。通过上述步骤,得到OD预测模型,通过所述OD预测模型可以预测车辆的OD。
图3是根据一示例性实施例示出的一种车辆OD预测方法的流程示意图。
步骤S301、获取车辆轨迹数据样本,在车辆上安装定位终端,定位终端可以为GPS定位仪,通过定位终端检测车辆的标识信息、经纬度信息、速度信息、方向信息、和时间信息,并将检测到的信息发送给服务器,服务器将接收到的车辆定位终端发送过来的信息进行筛选过滤处理,去除无用属性、去除日期格式,最终得到车辆轨迹数据样本。
步骤S302、获取车辆停靠点数据,首先根据车辆轨迹数据样本中的速度信息判断停靠点,根据判断出来的停靠点,可知车辆在此处发生了停靠,将车辆停靠后定位终端发送的车辆标识信息作为停靠车辆标识信息,将车辆停靠后定位终端发送的车辆经度信息作为停靠车辆经度信息,将车辆停靠后定位终端发送的车辆纬度信息作为停靠车辆纬度信息,将车辆停靠后定位终端发送过来的时间信息作为停靠起始时间信息,根据车辆的停靠起始时间信息和接收到的停靠结束点上传的时间信息确定车辆的停靠时长信息。
将停靠车辆标识信息、停靠车辆经度信息、停靠车辆纬度信息、停靠起始时间信息以及停靠时长信息作为车辆停靠点数据。
步骤S303、对车辆停靠点数据进行数据预处理,将车辆停靠点数据中停靠时长小于预设停靠时长的停靠点去除,将车辆停靠点数据中预设范围内是饭店、服务区的停靠点去除,将车辆停靠点数据中因为交通阻塞导致的停靠的停靠点去除,获得预处理后的车辆停靠点数据。
步骤S304、根据预处理后的车辆停靠点数据和时间顺序,构建经纬度向量矩阵,将经纬度向量矩阵输入DBSCAN模型进行聚类,生成聚类后的类簇。
步骤S305、根据聚类后生成的类簇,构建OD先验数据,按照时间顺序遍历每辆车的每个停靠点,将车辆停靠点数据中的停靠车辆标识信息、停靠车辆经度信息、停靠车辆纬度信息、车辆停靠起始时间信息、车辆停靠时长信息、以及每个停靠点所属的车辆出发地信息以及所属的车辆目的地信息作为OD先验数据。
步骤S306、根据OD先验数据和贝叶斯公式构建OD预测模型,通过OD预测模型预测车辆OD。
图4是根据一示例性实施例示出的一种车辆OD预测的装置示意图。
在一些可选地实施例中,一种车辆OD预测的装置,包括:
S401、获取模块:用于获取车辆轨迹数据样本,根据轨迹数据样本获得车辆停靠点数据;
S402、第一构建模块:用于将车辆停靠点数据输入DBSCAN模型进行聚类,生成聚类后的类簇,根据类簇构建OD先验数据;
S403、第二构建模块:用于基于OD先验数据和贝叶斯公式构建OD预测模型,通过OD预测模型预测车辆OD。
图5是根据一示例性实施例示出的一种车辆OD预测的装置示意图。
在一些实施例中,一种车辆OD预测的装置,包括处理器51和存储有程序指令的存储器52,还可以包括通信接口53和总线54。其中,处理器51、通信接口53、存储器52可以通过总线54完成相互间的通信。通信接口53可以用于信息传输。处理器51可以调用存储器52中的逻辑指令,以执行上述实施例提供的车辆OD预测的方法。
此外,上述的存储器52中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。
存储器52作为一种计算机可读存储介质,可用于存储软件程序、计算机可执行程序,如本公开实施例中的方法对应的程序指令/模块。处理器51通过运行存储在存储器52中的软件程序、指令以及模块,从而执行功能应用以及数据处理,即实现上述方法实施例中的方法。
存储器52可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;存储数据区可存储根据终端设备的使用所创建的数据等。此外,存储器52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。
本公开实施例提供了一种车辆OD预测的设备,包括存储器52及处理器51;
存储器52中存储有可执行程序代码;
处理器51读取可执行程序代码,运行与可执行程序代码对应的程序,以实现上述实施例提供的车辆OD预测的方法。
本公开实施例提供了一种计算机可读介质,其上存储有计算机可读指令,计算机可读指令可被处理器执行以实现上述实施例提供的车辆OD预测的方法。
上述的计算机可读存储介质可以是暂态计算机可读存储介质,也可以是非暂态计算机可读存储介质。
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,可以取决于技术方案的特定应用和设计约束条件。技术人员可以对每个特定的应用来使用不同方法以实现所描述的功能,但是这种实现不应认为超出本公开实施例的范围。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,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,单元的划分,可以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。另外,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。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。另外,在本公开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。
附图中的流程图和框图显示了根据本公开实施例的系统、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,模块、程序段或代码的一部分包含一个或一个以上用于实现规定的逻辑功能的可执行指令。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,这可以依所涉及的功能而定。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。
以上所述,仅为本申请较佳的具体实施方式,但本申请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申请揭露的技术范围内,可轻易想到的变化或替换,都应涵盖在本申请的保护范围之内。因此,本申请的保护范围应以权利要求的保护范围为准。
Claims (8)
1.一种车辆OD预测的方法,其特征在于,包括:
获取车辆轨迹数据样本,根据所述轨迹数据样本获得车辆停靠点数据;
将所述车辆停靠点数据中停靠时长小于预设停靠时长的停靠点去除,将所述车辆停靠点数据中预设范围内是饭店、服务区的停靠点去除,将所述车辆停靠点数据中因为交通阻塞导致的停靠的停靠点去除,获得预处理后的车辆停靠点数据;
将所述预处理后的车辆停靠点数据输入DBSCAN模型进行聚类,生成聚类后的类簇,根据所述类簇构建OD先验数据,包括按照时间顺序遍历每辆车的每个停靠点,将车辆停靠点数据中的停靠车辆标识信息、停靠车辆经度信息、停靠车辆纬度信息、车辆停靠起始时间信息、车辆停靠时长信息、以及每个停靠点所属的车辆出发地信息以及所属的车辆目的地信息作为OD先验数据;
通过所述OD先验数据和贝叶斯公式构建OD预测模型,通过所述OD预测模型预测车辆OD。
2.根据权利要求1所述的方法,其特征在于,所述根据所述轨迹数据样本获得车辆停靠点数据,包括:
根据车辆轨迹数据样本中的车辆速度信息获得车辆停靠点;
根据车辆轨迹数据样本中的车辆时间信息获得车辆停靠点的停靠起始时间信息和停靠时长信息;
将车辆停靠点的停靠车辆标识信息、停靠车辆经度信息、停靠车辆纬度信息、所述停靠起始时间信息以及所述停靠时长信息作为所述车辆停靠点数据,其中,通过车辆定位终端获得所述停靠车辆标识信息、停靠车辆经度信息、停靠车辆纬度信息。
3.根据权利要求1所述的方法,其特征在于,所述获得预处理后的车辆停靠点数据之后,还包括:
根据预处理后的车辆停靠点数据和时间顺序,构建车辆的经纬度向量矩阵;
将所述经纬度向量矩阵输入DBSCAN模型进行聚类,生成聚类后的类簇。
5.一种车辆OD预测的装置,其特征在于,包括:
获取模块:用于获取车辆轨迹数据样本,根据所述轨迹数据样本获得车辆停靠点数据;
预处理模块,用于将所述车辆停靠点数据中停靠时长小于预设停靠时长的停靠点去除,将所述车辆停靠点数据中预设范围内是饭店、服务区的停靠点去除,将所述车辆停靠点数据中因为交通阻塞导致的停靠的停靠点去除,获得预处理后的车辆停靠点数据;
第一构建模块:用于将所述预处理后的车辆停靠点数据输入DBSCAN模型进行聚类,生成聚类后的类簇,根据所述类簇构建OD先验数据,包括按照时间顺序遍历每辆车的每个停靠点,将车辆停靠点数据中的停靠车辆标识信息、停靠车辆经度信息、停靠车辆纬度信息、车辆停靠起始时间信息、车辆停靠时长信息、以及每个停靠点所属的车辆出发地信息以及所属的车辆目的地信息作为OD先验数据;
第二构建模块:用于基于所述OD先验数据和贝叶斯公式构建OD预测模型,通过所述OD预测模型预测车辆OD。
6.一种车辆OD预测的装置,其特征在于,包括处理器和存储有程序指令的存储器,其特征在于,所述处理器被配置为在执行所述程序指令时,执行如权利要求1至4任一项所述的车辆OD预测的方法。
7.一种车辆OD预测的设备,其特征在于,所述设备包括权利要求5和6所述的车辆OD预测的装置。
8.一种计算机可读介质,其特征在于,其上存储有计算机可读指令,所述计算机可读指令可被处理器执行以实现如权利要求1至4任一项所述的一种车辆OD预测的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911243752.XA CN111179589B (zh) | 2019-12-06 | 2019-12-06 | 车辆od预测的方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911243752.XA CN111179589B (zh) | 2019-12-06 | 2019-12-06 | 车辆od预测的方法、装置、设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111179589A CN111179589A (zh) | 2020-05-19 |
CN111179589B true CN111179589B (zh) | 2021-06-29 |
Family
ID=70653808
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911243752.XA Active CN111179589B (zh) | 2019-12-06 | 2019-12-06 | 车辆od预测的方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111179589B (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112215261A (zh) * | 2020-09-18 | 2021-01-12 | 武汉理工大学 | 基于元学习的车辆od点聚类方法、系统、装置及存储介质 |
CN112529086B (zh) * | 2020-12-17 | 2022-08-09 | 武汉中海庭数据技术有限公司 | 停止线生成方法、电子装置和存储介质 |
CN112767690B (zh) * | 2020-12-27 | 2022-03-29 | 交通运输部规划研究院 | 一种基于断面调查数据的区域路网重型货车流量估算方法 |
CN112633812B (zh) * | 2020-12-30 | 2023-04-07 | 北京优挂信息科技有限公司 | 货运车辆的轨迹分段方法、装置、设备及存储介质 |
CN113222492B (zh) * | 2021-03-29 | 2024-05-03 | 北京中交兴路信息科技有限公司 | 一种车辆行驶线路类型的判别方法、装置、存储介质及终端 |
CN113222331B (zh) * | 2021-03-29 | 2024-03-05 | 北京中交兴路信息科技有限公司 | 识别车辆事故真实性的方法、装置、设备及存储介质 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US4799162A (en) * | 1985-10-25 | 1989-01-17 | Mitsubishi Denki Kabushiki Kaisha | Route bus service controlling system |
CN102081846A (zh) * | 2011-02-22 | 2011-06-01 | 交通运输部公路科学研究所 | 基于高速公路收费数据轨迹匹配的交通状态识别方法 |
CN106297288A (zh) * | 2016-08-23 | 2017-01-04 | 同济大学 | 一种公交乘客客流数据采集与分析方法 |
CN106919953A (zh) * | 2017-02-23 | 2017-07-04 | 北京工业大学 | 一种基于轨道交通数据分析的异常出行群体识别方法 |
CN108108831A (zh) * | 2016-11-24 | 2018-06-01 | 中国移动通信有限公司研究院 | 一种目的地预测方法及装置 |
CN109961240A (zh) * | 2019-04-08 | 2019-07-02 | 陈鹏 | 一种对监控车辆综合风险的判断方法 |
CN110175713A (zh) * | 2019-05-22 | 2019-08-27 | 北京交通大学 | 分时租赁汽车用户出行目的预测方法 |
Family Cites Families (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE19653726A1 (de) * | 1996-12-11 | 1998-07-09 | Siemens Ag | Informationssystem für Nutzer eines öffentlichen Verkehrsmittels |
US20100185486A1 (en) * | 2009-01-21 | 2010-07-22 | Disney Enterprises, Inc. | Determining demand associated with origin-destination pairs for bus ridership forecasting |
CN102324128B (zh) * | 2011-05-24 | 2013-07-31 | 北京交通大学 | 基于ic卡记录的公交站间od客流预测方法及装置 |
US20130262222A1 (en) * | 2012-03-30 | 2013-10-03 | Xerox Corporation | Customer metrics driven traveler information system for multimodal public transporation systems |
CN104134343B (zh) * | 2014-06-23 | 2016-05-18 | 上海城市交通设计院有限公司 | 一种基于交通卡数据的乘客上下车时间和位置的获取方法 |
CN106683404B (zh) * | 2016-12-06 | 2019-10-18 | 华南理工大学 | 一种通过手机定位技术获取公交客流od的方法 |
CN107767669B (zh) * | 2017-10-24 | 2020-11-20 | 东南大学 | 基于WiFi和蓝牙识别的公交线路客流OD估计方法 |
CN108761509B (zh) * | 2018-04-09 | 2021-04-23 | 吉林大学 | 一种基于历史数据的汽车行驶轨迹及里程预测方法 |
CN109257694A (zh) * | 2018-08-23 | 2019-01-22 | 东南大学 | 一种基于rfid数据的车辆od矩阵划分方法 |
CN109308546B (zh) * | 2018-08-31 | 2021-09-17 | 江苏智通交通科技有限公司 | 乘客公交出行下车站点预测方法及系统 |
CN110084442A (zh) * | 2019-05-16 | 2019-08-02 | 重庆大学 | 一种联合公交和轨道交通刷卡数据进行客流od计算的方法 |
CN110222131A (zh) * | 2019-05-21 | 2019-09-10 | 北京交通大学 | 起讫信息提取方法及装置 |
CN110348614B (zh) * | 2019-06-24 | 2022-04-01 | 武汉烽火信息集成技术有限公司 | 一种获取乘客od的方法及公交客流的预测方法 |
-
2019
- 2019-12-06 CN CN201911243752.XA patent/CN111179589B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US4799162A (en) * | 1985-10-25 | 1989-01-17 | Mitsubishi Denki Kabushiki Kaisha | Route bus service controlling system |
CN102081846A (zh) * | 2011-02-22 | 2011-06-01 | 交通运输部公路科学研究所 | 基于高速公路收费数据轨迹匹配的交通状态识别方法 |
CN106297288A (zh) * | 2016-08-23 | 2017-01-04 | 同济大学 | 一种公交乘客客流数据采集与分析方法 |
CN108108831A (zh) * | 2016-11-24 | 2018-06-01 | 中国移动通信有限公司研究院 | 一种目的地预测方法及装置 |
CN106919953A (zh) * | 2017-02-23 | 2017-07-04 | 北京工业大学 | 一种基于轨道交通数据分析的异常出行群体识别方法 |
CN109961240A (zh) * | 2019-04-08 | 2019-07-02 | 陈鹏 | 一种对监控车辆综合风险的判断方法 |
CN110175713A (zh) * | 2019-05-22 | 2019-08-27 | 北京交通大学 | 分时租赁汽车用户出行目的预测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111179589A (zh) | 2020-05-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111179589B (zh) | 车辆od预测的方法、装置、设备及存储介质 | |
EP3719714B1 (en) | Machine learning system for classifying an area as vehicle way | |
CN111489588A (zh) | 车辆驾驶风险预警方法及装置、设备、存储介质 | |
US10585180B2 (en) | Management of mobile objects | |
JP6944472B2 (ja) | 逆走ドライバを検出するための方法、装置、およびシステム | |
CN111060153B (zh) | 货车载货状态的检测方法、装置及存储介质 | |
US11180154B2 (en) | Fingerprinting drivers based on vehicle turns | |
JP2019519850A (ja) | 逆走ドライバを検出するための方法、装置、およびシステム | |
CN114194209A (zh) | 自动驾驶环境中的风险评估 | |
CN111739293A (zh) | 一种数据融合方法及装置 | |
US10953871B2 (en) | Transportation infrastructure communication and control | |
JP2019009617A (ja) | 異常検知装置、異常検知システム、異常検知方法、異常検知プログラム及び記録媒体 | |
Ali et al. | Future connected vehicles: challenges and opportunities for spatio-temporal computing | |
CN109313851B (zh) | 用于逆行驾驶员识别的方法、设备和系统 | |
CN110502601B (zh) | 查找仓库的方法和装置 | |
CN111488417B (zh) | 信息处理方法、系统、装置、设备及计算机存储介质 | |
CN112712608A (zh) | 用于通过车辆收集性能数据的系统和方法 | |
CN109308806A (zh) | 一种交通工具的行驶检测方法及服务器 | |
US20230090338A1 (en) | Method and system for evaluation and development of automated driving system features or functions | |
CN111078923A (zh) | 查找违法嫌疑车辆的方法、装置及存储介质 | |
CN105719359A (zh) | 车辆信息的获取方法和装置 | |
CN116994413A (zh) | 车辆的告警方法及装置、设备、介质 | |
CN112710316A (zh) | 专注于构造和本地化技术领域的动态地图生成 | |
Worrall et al. | A probabilistic method for detecting impending vehicle interactions | |
CN110161544B (zh) | 一种车辆驾驶状态的识别方法、装置及存储介质 |
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 |