CN111190984A - 职住地提取方法、装置及计算机可读存储介质 - Google Patents
职住地提取方法、装置及计算机可读存储介质 Download PDFInfo
- Publication number
- CN111190984A CN111190984A CN201911394758.7A CN201911394758A CN111190984A CN 111190984 A CN111190984 A CN 111190984A CN 201911394758 A CN201911394758 A CN 201911394758A CN 111190984 A CN111190984 A CN 111190984A
- Authority
- CN
- China
- Prior art keywords
- place
- road
- data
- residence
- information
- 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.)
- Granted
Links
- 238000000605 extraction Methods 0.000 title claims description 17
- 238000000034 method Methods 0.000 claims abstract description 40
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 17
- 238000003066 decision tree Methods 0.000 claims abstract description 8
- 230000015654 memory Effects 0.000 claims description 17
- 238000004590 computer program Methods 0.000 claims description 10
- 238000004364 calculation method Methods 0.000 claims description 4
- 230000004308 accommodation Effects 0.000 claims description 2
- 230000000694 effects Effects 0.000 abstract description 2
- 238000010801 machine learning Methods 0.000 abstract description 2
- 238000013507 mapping Methods 0.000 abstract description 2
- 239000000284 extract Substances 0.000 abstract 1
- 230000011664 signaling Effects 0.000 description 8
- 238000012545 processing Methods 0.000 description 4
- 239000007787 solid Substances 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000010295 mobile communication Methods 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
- 238000012163 sequencing technique Methods 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
- G06F16/29—Geographical information 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
- G06F16/28—Databases characterised by their database models, e.g. relational or object models
- G06F16/284—Relational databases
- G06F16/285—Clustering or classification
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Remote Sensing (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种职住地提取方法。本方法根据车厂提供的私家车GPS记录以及部分车主的居住地和工作地，提取其中有效信息；通过地图匹配算法把GPS记录映射为车辆行驶经过的路链；取出首尾路段进行基于路网拓扑距离的空间聚类；然后结合已知的用户职住地信息，通过机器学习方法建立判别用户职住地的决策树模型，根据模型进一步判别空间聚类结果是否属于用户职住地。车厂利用识别出的用户职住地信息，可以优化服务质量，提升产品竞争力；还可以对用户开展更准确的营销活动。
Description
技术领域
本发明涉及职住地提取方法，特别是一种依靠GPS数据的职住地提取方法。
背景技术
目前判断用户职住地的主要方法是利用手机信令数据，例如，首先根据用户停留点的GPS定位匹配到对应住宅或商圈，然后对GPS点进行空间聚类排除噪声，最后根据停留时间等阈值进一步从聚类结果中筛选用户常驻住宅或商圈。
随着当前城市机动车数量的快速增长，车厂日渐积累了大量私家车主的出行GPS记录。针对出行GPS记录进行数据分析挖掘，从中提取用户的职住地信息，日益成为车厂的痛点，能够帮助车厂优化服务，提升竞争力，开展更有效的营销。
对于车企而言，若希望提高用户体验，在汽车上没有手机信令的基础上，如何基于车辆的GPS数据实现职住地提取是需要克服的问题。
上述手机信令的方法不适合直接应用于车辆进行职住地提取，原因如下：
1、手机信令数据的原理是基于停留点进行提取，认为这些点是职住地，但是车辆GPS提取的停留点大部分是等候红绿灯的位置，并非是职住地；
2、若仅考虑车辆GPS中行程的起终点的GPS数据，因为车辆在起终点处的速度较慢，GPS数据有时存在较大的定位误差；
3、手机信令数据的聚类是采用GPS点的球面距离聚类，但由于车辆在路网上行驶，直接使用GPS点的球面距离进行聚类不合理，并未考虑车辆的轨迹。
发明内容
本发明目的在于提供一种职住地提取方法，用于解决传统的手机信令职住地提取方法不适用于车辆GPS数据进行职住地提取的技术问题。
为达成上述目的，本发明提出如下技术方案：
职住地提取方法，包括，
采集第一数据，所述第一数据为车辆的历史行驶数据；
采集第二数据，所述第二数据为第一职住地信息，所述第一职住地信息为先验信息；
根据DBSCAN算法，将车辆的每段行程中的起始路段和终止路段进行空间聚类，获得第一聚类结果；
根据第二数据建立决策树模型，并根据第一聚类结果判断第一聚类结果中的簇中心是否为职住地。
本发明同时还公开了一种职住地提取装置，包括
第一采集模块，用于采集第一数据，所述第一数据为车辆的历史行驶数据；
第二采集模块，用于采集第二数据，所述第二数据为第一职住地信息，所述第一职住地信息为先验信息；
第一计算模块，用于根据DBSCAN算法，将车辆的每段行程中的起始路段和终止路段进行空间聚类，获得第一聚类结果；
第一判断模块，用于建立决策树模型，并根据第一职住地信息和第一聚类结果判断第一聚类结果中的簇中心是否为职住地。
本发明同时公开了一种职住地提取装置，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序实现上述的方法步骤。
本发明同时公开了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述的方法步骤。
有益效果：
本发明通过对GPS记录进行地图匹配，并提取匹配的路链起始和终止路段进行空间聚类，有效解决了利用手机信令的职住地提取方法无法直接使用在车辆GPS数据提取职住地的技术问题。
上述方法考虑了车辆的在路网行驶的实际情况，在聚类过程中采用拓扑距离，聚类结果可信度高。
车厂利用识别出的用户职住地信息，可以优化服务质量，提升产品竞争力；还可以对用户开展更准确的营销活动。
应当理解，前述构思以及在下面更加详细地描述的额外构思的所有组合只要在这样的构思不相互矛盾的情况下都可以被视为本公开的发明主题的一部分。
结合附图从下面的描述中可以更加全面地理解本发明教导的前述和其他方面、实施例和特征。本发明的其他附加方面例如示例性实施方式的特征和/或有益效果将在下面的描述中显见，或通过根据本发明教导的具体实施方式的实践中得知。
附图说明
附图不意在按比例绘制。在附图中，在各个图中示出的每个相同或近似相同的组成部分可以用相同的标号表示。为了清晰起见，在每个图中，并非每个组成部分均被标记。现在，将通过例子并参考附图来描述本发明的各个方面的实施例，其中：
图1为本发明的流程示意图。
具体实施方式
为了更了解本发明的技术内容，特举具体实施例并配合所附图式说明如下。
在本公开中参照附图来描述本发明的各方面，附图中示出了许多说明的实施例。本公开的实施例不必定意在包括本发明的所有方面。应当理解，上面介绍的多种构思和实施例，以及下面更加详细地描述的那些构思和实施方式可以以很多方式中任意一种来实施，这是因为本发明所公开的构思和实施例并不限于任何实施方式。另外，本发明公开的一些方面可以单独使用，或者与本发明公开的其他方面的任何适当组合来使用。
本发明基于车辆GPS数据判断车主的职住地，用于车企给与用户提供相关信息，以使用户具有更好的使用体验。
在车辆上安装有GPS采集设备，用于采集用户的历史数据，该数据通常被厂家收集并存储。
车辆在出售时，通常会进行用户调查，通过类似手段可以获得部分用户的职住地信息。
本发明的实施例基于上述两种信息的基础上，进行职住地判断。具体如下：
职住地提取方法，该方法包括以下步骤：
采集第一数据，所述第一数据为车辆的历史行驶数据；该数据可从厂家处获取，一般取3-6个月的数据，即具有参考价值。历史行驶数据包括车辆ID、时间戳、经纬度、速度、打火点和熄火点。
采集第二数据，所述第二数据为第一职住地信息，所述第一职住地信息为先验信息；该数据主要通过调查问卷的方式获得。第一职住地信息包括车辆ID、工作地、居住地以及工作地的所属商圈、居住地的所属住宅群。
对每一辆车，将第一数据按时间戳大小排序，提取打火点至熄火点之间的GPS记录集合，结合地图数据通过地图匹配算法把该集合映射为车辆行驶经过的路链。根据DBSCAN算法，对每一辆车，取每条路链的起始路段和终止路段进行空间聚类，获得第一聚类结果。
这里所述地图匹配算法，针对大规模数据处理，为了加快处理速度，对单处理器程序做了如下优化：将地图数据存储至联网存储介质以支持高频数据请求；将单处理器程序嵌入分布式计算框架。
根据第二数据，建立决策树模型，并根据第一聚类结果判断第一聚类结果中的簇中心是否为职住地。
进一步的，在上述方法中，所述第一聚类结果包括第一簇集合和第一簇属性集。所述第一簇集合包括第一簇集合内的路段和簇中心；簇中心是指，簇包含的所有路段中，到其他路段距离平方之和最小的路段。所述第一簇属性集包括第一簇集合内的路段通过时间在5点-10点的数量和频次、在17点-24点的数量和频次、通过时间属于工作日的数量和频次、通过时间属于周末及节假日的数量和频次、第一簇集合内的路段总数。
上述第一聚类结果的簇中心为后续步骤判断的对象，第一簇内的路段以及属性可以用于判断簇中心是否为职住地以及具体是工作地还是居住地。
这里的决策树模型，可通过机器学习方法生成，数学表达式为
(X,Y1)＝(x1,x2,x3…,xk,y1)
(X,Y2)＝(x1,x2,x3…,xk,y2)
其中：
布尔变量y1，y2分别表示是否为用户住址，是否为用户工作地，即判断结果；
变量x1,x2,x3…,xk是判定用户职住地的因素，即第一簇属性集中的内容。
进一步的，由于车辆的打火点和熄火点可能是位于真正的职住地周围而并非职住地中心，因此当所述簇中心为职住地时，根据该簇中心为工作地获得第一商圈信息，所述第一商圈信息为所述为工作地的簇中心的邻近商圈，或根据该簇中心为居住地获得第一住宅信息，所述第一住宅信息为所述居住地的簇中心的邻近住宅；发送第一商圈信息或第一住宅信息以便告知。
由此，可以方便用户知晓周围的商圈信息和住宅信息。
具体的，在本发明中，采用DBSCAN算法，该算法大致步骤如下：
步骤一、随机选取未访问的某第一元素，本发明中，元素为某辆车各条路链的起始或终止路段；计算与该第一元素拓扑距离小于邻域半径的元素数量；若符合上述条件的元素数量少于预设最小元素数量，该第一元素为噪声点不参与聚类；反之，为该第一元素创建新簇，将邻域半径内的元素加入簇，随着元素的加入，簇在不断扩展。
步骤二、迭代地取出簇中其他元素，依次进行类似步骤一中的操作，直至该簇无法继续扩展。
步骤三、随机选取未访问的某元素，进行步骤一和步骤二中的操作，直至集合中所有元素均被访问，聚类结束。
进一步的，上述方法中，在所述DBSCAN算法中采用路网拓扑距离计算路段之间的距离。具体的，
定义对于元素中的任意第一路段和第二路段，即第一路段和第二路段属于起始路段或终止路段，按照如下方法计算第一路段与第二路段之间的距离：获得第一路段和第二路段的起终点，计算起终点之间的球面距离；比较球面距离与邻域半径；若球面距离小于邻域半径，且第二路段属于第一路段的终点的邻域半径范围内，根据广度优先算法计算第一路段的终点到第二路段的起始点之间的最短拓扑距离；所述最短拓扑距离为第一路段与第二路段之间的距离。
上述方法通过两个条件将大于邻域半径的路段剔除，仅计算满足要求的路段之间的距离，节省了计算量。
现有技术中，目前基于路段的空间聚类相关方法不多，有的方法通过对路网建模，将路网转换为有向图来计算路段的拓扑距离。然而该方法难以处理大规模数据，而且当路网较为复杂时将完整路网建模很难实现。本发明针对大规模车辆GPS记录，对空间聚类中计算路段拓扑距离模块做了改进，利用分布式计算框架优化了聚类算法的运算性能。
这里的邻域半径可根据需要选择，一般的，推荐1km～5km之间。
这里的预设最小元素数量可根据需要选择，一般的，推荐10～20条。
若设定领域半径为3km，预设最小元素数量为15，则表示聚类出的每个簇，路段数量不少于15个，每一路段到其邻近路段的最小距离不超过3km。
与上述方法对应的，本发明的具体实施例提供一种职住地提取装置，包括
第一采集模块，用于采集第一数据，所述第一数据为车辆的历史行驶数据。
第二采集模块，用于采集第二数据，所述第二数据为第一职住地信息，所述第一职住地信息为先验信息。
第一计算模块，用于根据DBSCAN算法，将车辆的每段行程中的起始路段和终止路段进行空间聚类，获得第一聚类结果。
第一判断模块，用于建立决策树模型，并根据第一职住地信息和第一聚类结果判断第一聚类结果中的簇中心是否为职住地。
与上述方法对应的，本发明的具体实施例提供一种职住地提取装置，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序实现上述方法步骤。
处理器优选但不限于是中央处理器(Central Processing Unit，CPU)。例如，处理器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(FieldProgrammable 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一种职住地提取方法对应的程序指令/模块，处理器通过运行存储在存储器的非暂态软件程序、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一种职住地提取方法。
存储器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所创建的数据等。此外，存储器优选但不限于高速随机存取存储器，例如，还可以是非暂态存储器，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，存储器还可选包括相对于处理器远程设置的存储器，这些远程存储器可以通过网络连接至处理器。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。
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的程序，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。
本方法针对大规模车辆GPS记录提取职住地，通过地图匹配算法将位置点匹配到路段，有效利用了GPS记录的空间连续性，降低了GPS定位误差对结果的影响；通过对路段的空间聚类进一步减少了噪声干扰；此外，针对大规模车辆GPS记录，对空间聚类中计算路段拓扑距离模块做了改进，优化了程序的运算性能。该方法适用于大规模车辆GPS记录的职住地提取。
虽然本发明已以较佳实施例揭露如上，然其并非用以限定本发明。本发明所属技术领域中具有通常知识者，在不脱离本发明的精神和范围内，当可作各种的更动与润饰。因此，本发明的保护范围当视权利要求书所界定者为准。
Claims (10)
1.职住地提取方法，其特征在于：
采集第一数据，所述第一数据为车辆的历史行驶数据；
采集第二数据，所述第二数据为第一职住地信息，所述第一职住地信息为先验信息；
根据DBSCAN算法，将车辆的每段行程中的起始路段和终止路段进行空间聚类，获得第一聚类结果；
根据第二数据建立决策树模型，并根据第一聚类结果判断第一聚类结果中的簇中心是否为职住地。
2.根据权利要求1所述的职住地提取方法，其特征在于：
所述第一数据包括车辆ID、时间戳、经纬度、速度、打火点和熄火点。
3.根据权利要求2所述的职住地提取方法，其特征在于：
所述第二数据包括车辆ID、工作地、居住地以及工作地的所属商圈、居住地的所属住宅群。
4.根据权利要求3所述的职住地提取方法，其特征在于：
所述第一聚类结果包括第一簇集合和第一簇属性集；
所述第一簇集合包括第一簇集合内的路段和簇中心；
所述第一簇属性集包括第一簇集合内的路段通过时间在5点-10点的数量和频次、在17点-24点的数量和频次、通过时间属于工作日的数量和频次、通过时间属于周末及节假日的数量和频次、第一簇集合内的路段总数。
5.根据权利要求4所述的职住地提取方法，其特征在于：所述方法还包括：
当所述簇中心为职住地时，
根据该簇中心为工作地获得第一商圈信息，所述第一商圈信息为所述为工作地的簇中心的邻近商圈，或根据该簇中心为居住地获得第一住宅信息，所述第一住宅信息为所述居住地的簇中心的邻近住宅；
发送第一商圈信息或第一住宅信息以便告知。
6.根据权利要求1所述的职住地提取方法，其特征在于：
在所述DBSCAN算法中采用路网拓扑距离计算路段之间的距离。
7.根据权利要求6所述的职住地提取方法，其特征在于：对于属于起始路段或终止路段的任意第一路段和第二路段，按照如下方法计算第一路段与第二路段之间的距离：
获得第一路段和第二路段的起终点，计算起终点之间的球面距离；
比较球面距离与邻域半径；
若球面距离小于邻域半径，且第二路段属于第一路段的终点的邻域半径范围内，根据广度优先算法计算第一路段的终点到第二路段的起始点之间的最短拓扑距离；
所述最短拓扑距离为第一路段与第二路段之间的距离。
8.职住地提取装置，其特征在于：包括
第一采集模块，用于采集第一数据，所述第一数据为车辆的历史行驶数据；
第二采集模块，用于采集第二数据，所述第二数据为第一职住地信息，所述第一职住地信息为先验信息；
第一计算模块，用于根据DBSCAN算法，将车辆的每段行程中的起始路段和终止路段进行空间聚类，获得第一聚类结果；
第一判断模块，用于建立决策树模型，并根据第一职住地信息和第一聚类结果判断第一聚类结果中的簇中心是否为职住地。
9.职住地提取装置，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序实现如权利要求1-7中的任意一项所述的方法步骤。
10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1-7中的任意一项所述的方法步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911394758.7A CN111190984B (zh) | 2019-12-30 | 2019-12-30 | 职住地提取方法、装置及计算机可读存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911394758.7A CN111190984B (zh) | 2019-12-30 | 2019-12-30 | 职住地提取方法、装置及计算机可读存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111190984A true CN111190984A (zh) | 2020-05-22 |
| CN111190984B CN111190984B (zh) | 2024-03-08 |
Family
ID=70705892
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911394758.7A Active CN111190984B (zh) | 2019-12-30 | 2019-12-30 | 职住地提取方法、装置及计算机可读存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111190984B (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112613530A (zh) * | 2020-11-23 | 2021-04-06 | 北京思特奇信息技术股份有限公司 | 基于自适应密度聚类算法的小区住户识别方法和系统 |
| CN114187489A (zh) * | 2021-12-14 | 2022-03-15 | 中国平安财产保险股份有限公司 | 车辆异常驾驶风险检测方法、装置、电子设备及存储介质 |
| CN117252633A (zh) * | 2023-11-20 | 2023-12-19 | 深圳联友科技有限公司 | 一种基于车联网数据的工作地识别的营销方法及系统 |
Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20070061303A1 (en) * | 2005-09-14 | 2007-03-15 | Jorey Ramer | Mobile search result clustering |
| CN101964148A (zh) * | 2009-07-24 | 2011-02-02 | 日立(中国)研究开发有限公司 | 道路交通信息记录服务器和gps用户终端 |
| CN102509470A (zh) * | 2011-10-14 | 2012-06-20 | 北京掌城科技有限公司 | 基于动态路径规划实现车辆节能减排的系统和方法 |
| CN104217593A (zh) * | 2014-08-27 | 2014-12-17 | 北京航空航天大学 | 一种面向手机移动速度的路况信息实时获取方法 |
| CN105389974A (zh) * | 2015-11-19 | 2016-03-09 | 深圳市赛格导航科技股份有限公司 | 基于车辆历史行驶数据追踪车辆的方法及系统 |
| CN105427001A (zh) * | 2015-12-03 | 2016-03-23 | 北京理工大学 | 地区中小学校校车最优路线与配置方法 |
| CN105745674A (zh) * | 2013-11-21 | 2016-07-06 | 骑乘组合有限公司 | 用于在通勤者之间安排共乘的方法和系统 |
| CN106407277A (zh) * | 2016-08-26 | 2017-02-15 | 北京车网互联科技有限公司 | 一种基于车联网数据对车主驻留点聚类后的属性分析方法 |
| CN108255944A (zh) * | 2017-12-12 | 2018-07-06 | 北京荣之联科技股份有限公司 | 确定用户的居住地和工作地的方法和装置 |
| CN108717790A (zh) * | 2018-07-06 | 2018-10-30 | 广州市交通运输研究所 | 一种基于卡口车牌识别数据的车辆出行分析方法 |
| CN109272032A (zh) * | 2018-09-05 | 2019-01-25 | 广州视源电子科技股份有限公司 | 出行方式识别方法、装置、计算机设备和存储介质 |
| CN110020221A (zh) * | 2017-12-11 | 2019-07-16 | 腾讯科技（深圳）有限公司 | 职住分布确认方法、装置、服务器及计算机可读存储介质 |
-
2019
- 2019-12-30 CN CN201911394758.7A patent/CN111190984B/zh active Active
Patent Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20070061303A1 (en) * | 2005-09-14 | 2007-03-15 | Jorey Ramer | Mobile search result clustering |
| CN101964148A (zh) * | 2009-07-24 | 2011-02-02 | 日立(中国)研究开发有限公司 | 道路交通信息记录服务器和gps用户终端 |
| CN102509470A (zh) * | 2011-10-14 | 2012-06-20 | 北京掌城科技有限公司 | 基于动态路径规划实现车辆节能减排的系统和方法 |
| CN105745674A (zh) * | 2013-11-21 | 2016-07-06 | 骑乘组合有限公司 | 用于在通勤者之间安排共乘的方法和系统 |
| CN104217593A (zh) * | 2014-08-27 | 2014-12-17 | 北京航空航天大学 | 一种面向手机移动速度的路况信息实时获取方法 |
| CN105389974A (zh) * | 2015-11-19 | 2016-03-09 | 深圳市赛格导航科技股份有限公司 | 基于车辆历史行驶数据追踪车辆的方法及系统 |
| CN105427001A (zh) * | 2015-12-03 | 2016-03-23 | 北京理工大学 | 地区中小学校校车最优路线与配置方法 |
| CN106407277A (zh) * | 2016-08-26 | 2017-02-15 | 北京车网互联科技有限公司 | 一种基于车联网数据对车主驻留点聚类后的属性分析方法 |
| CN110020221A (zh) * | 2017-12-11 | 2019-07-16 | 腾讯科技（深圳）有限公司 | 职住分布确认方法、装置、服务器及计算机可读存储介质 |
| CN108255944A (zh) * | 2017-12-12 | 2018-07-06 | 北京荣之联科技股份有限公司 | 确定用户的居住地和工作地的方法和装置 |
| CN108717790A (zh) * | 2018-07-06 | 2018-10-30 | 广州市交通运输研究所 | 一种基于卡口车牌识别数据的车辆出行分析方法 |
| CN109272032A (zh) * | 2018-09-05 | 2019-01-25 | 广州视源电子科技股份有限公司 | 出行方式识别方法、装置、计算机设备和存储介质 |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112613530A (zh) * | 2020-11-23 | 2021-04-06 | 北京思特奇信息技术股份有限公司 | 基于自适应密度聚类算法的小区住户识别方法和系统 |
| CN114187489A (zh) * | 2021-12-14 | 2022-03-15 | 中国平安财产保险股份有限公司 | 车辆异常驾驶风险检测方法、装置、电子设备及存储介质 |
| CN114187489B (zh) * | 2021-12-14 | 2024-04-30 | 中国平安财产保险股份有限公司 | 车辆异常驾驶风险检测方法、装置、电子设备及存储介质 |
| CN117252633A (zh) * | 2023-11-20 | 2023-12-19 | 深圳联友科技有限公司 | 一种基于车联网数据的工作地识别的营销方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111190984B (zh) | 2024-03-08 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111190984A (zh) | 职住地提取方法、装置及计算机可读存储介质 | |
| CN108513676B (zh) | 一种路况识别方法、装置及设备 | |
| CN112116806B (zh) | 车流量特征提取方法及系统 | |
| JP2018534647A (ja) | レーザ点群に基づく都市道路の認識方法、装置、記憶媒体及び機器 | |
| CN106911670B (zh) | 一种车联网中的隐私保护系统及方法 | |
| KR102054090B1 (ko) | 주유소 poi를 자동적으로 발견하는 방법, 장치, 저장 매체 및 기기 | |
| CN109214422B (zh) | 基于dcgan的停车数据修补方法、装置、设备及存储介质 | |
| CN108108825A (zh) | 故障车辆的寻找方法、服务器及运维端 | |
| CN104111073A (zh) | 一种识别地图数据中不准确路段的方法和装置 | |
| CN105100284A (zh) | 一种基于移动终端的车辆管理系统 | |
| JP2018531458A6 (ja) | ガソリンスタンドｐｏｉの自動発見方法、自動発見装置、及び記憶媒体と機器 | |
| CN111182457A (zh) | 地理围栏及生成方法、装置及存储介质 | |
| WO2021236006A1 (en) | Route deviation quantification and vehicular route learning based thereon | |
| CN107545318B (zh) | 公交线路优先级确定、公交换乘线路排序方法及装置 | |
| CN105489021A (zh) | 一种基于用户行为数据的车主身份识别方法及装置 | |
| US20210390856A1 (en) | Systems and methods for utilizing a machine learning model to identify public parking spaces and for providing notifications of available public parking spaces | |
| CN105488571A (zh) | 维保提醒方法 | |
| CN117241212A (zh) | 车辆常驻停车点的确定方法、装置、设备以及存储介质 | |
| CN115587503B (zh) | 基于多模式仿真的个体出行链还原方法 | |
| JP2023095812A (ja) | 車載データ処理方法、装置、電子デバイス、記憶媒体、及びプログラム | |
| CN113282638B (zh) | 一种城建用车识别方法和装置 | |
| CN114169247A (zh) | 仿真交通流的生成方法、装置、设备和计算机可读存储介质 | |
| CN110542426B (zh) | 小路识别方法、设备及可读介质 | |
| WO2020024206A1 (zh) | 基于dcgan的停车数据修补方法、装置、设备及存储介质 | |
| CN109685027A (zh) | 一种基于区块链技术的新增道路识别方法和系统 |
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 | ||
| TA01 | Transfer of patent application right | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20230419 Address after: Room 1002C, 10th Floor, No. 7 Xueyuan Road, Haidian District, Beijing, 100083 Applicant after: CENNAVI TECHNOLOGIES Co.,Ltd. Address before: Room 903, block B, 970 Nanning Road, Xuhui District, Shanghai 200030 Applicant before: SHANGHAI JUHONG INFORMATION TECHNOLOGY Co.,Ltd. |
|
| GR01 | Patent grant | ||
| GR01 | Patent grant |