CN111340427A - 一种基于轨迹数据的货车运行状态识别方法 - Google Patents
一种基于轨迹数据的货车运行状态识别方法 Download PDFInfo
- Publication number
- CN111340427A CN111340427A CN202010135079.4A CN202010135079A CN111340427A CN 111340427 A CN111340427 A CN 111340427A CN 202010135079 A CN202010135079 A CN 202010135079A CN 111340427 A CN111340427 A CN 111340427A
- Authority
- CN
- China
- Prior art keywords
- truck
- point
- suspected
- max
- track 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.)
- Granted
Links
Images
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
- G06Q10/00—Administration; Management
- G06Q10/08—Logistics, e.g. warehousing, loading or distribution; Inventory or stock management
- G06Q10/083—Shipping
- G06Q10/0833—Tracking
-
- 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
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/048—Activation functions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Entrepreneurship & Innovation (AREA)
- Evolutionary Biology (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Development Economics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种基于轨迹数据的货车状态识别方法,涉及货车管理技术领域。该方法将货车状态分为停留和运行,搭建神经网络模型,选取速度、距离、时间阈值作为特征变量,提出了一种基于海量轨迹数据的货车状态分类算法,通过数据可视化可找到每辆物流货车的的行驶轨迹和起止点等信息,该方法可以应用于不同时间、空间的货车运行状态识别中,网络模型搭建过程方便简单、方法真实可靠,具有良好的操作性、通用性和可重用性。
Description
技术领域
本发明涉及货车管理技术领域,具体而言,涉及一种基于轨迹数据的货车运行状态识别方法。
背景技术
目前对货车运行状态识别的方法主要有规则判断法和机器学习方法。
规则判断法中,常以时间、距离和速度作为规则判断的依据,其中速度判断方式通常是设定一个速度阈值,连续一段时间内速度维持在该阈值以下即为停留,而时间、距离判断方式则通过停留时间、GPS数据间隔时间、相邻点之间的距离等区分车辆运行状态。
机器学习方法主要利用聚类算法对轨迹数据进行分类,现有轨迹聚类方法包括k-均值聚类、基于网格的密度聚类和核函数方法聚类算法,一般包含三个步骤:(1)将轨迹分割成段;(2)从每个段(或点)提取特征;(3)建立模型,进行轨迹点聚类。然后基于货车出行时空轨迹数据的聚类分段,根据货车运输的特点利用时间、速度、距离等变量识别货车运行状态。
现有技术方案中,规则判断法变量简单因而判断结果不够精确,机器学习方法判断更加精确,但是主要应用于货车OD点(起讫点)判断中,对于货车运输途中停留点的识别仍存在较大模糊性。
发明内容
本发明在于提供一种基于轨迹数据的货车运行状态识别方法,其能够缓解上述问题。
为了缓解上述的问题,本发明采取的技术方案如下:
本发明提供了一种基于轨迹数据的货车运行状态识别方法,包括以下步骤:
S1、获取货车在一段时间内的若干GPS轨迹数据作为大样本,所述GPS轨迹数据包括货车运行途中的时间和所在经纬度;
S2、从大样本中随机抽取少量GPS轨迹数据作为小样本;
S3、设定货车运行速度阈值为Vmax,货车运行速度为V,其中V通过货车运行途中的时间和所在经纬度计算得出,将小样本中所有的V小于Vmax的货车所在经纬度均记为疑似停留点,并一起形成疑似停留点数据集合,将小样本中所有的V大于或等于Vmax的货车所在经纬度均记为行驶点,并均标记为1;
S4、设定距离阈值dmax和时间阈值tmax,通过dmax和tmax判断所述疑似停留点数据集合中的各疑似停留点,从中识别出停留点和行驶点,其中停留点标记为0,行驶点标记为1;
S5、利用识别出的停留点和行驶点构造训练集,利用神经网络算法对训练集进行训练,并得到神经网络模型;
S6、利用神经网络模型对大样本中除小样本外的其它GPS轨迹数据进行识别,输出包含停留点和行驶点的分类表,完成货车运行状态识别。
本技术方案的技术效果是:选取GPS数据中的速度、时间、距离作为特征变量,从货运共享平台即可获取,数据容易获取且准确可靠;基于特征变量进行货车停留点识别,构造停留点训练集,方法准确可靠,操作过程较为简单;基于海量轨迹数据构造货车运行状态识别方法具有较好的通用性与可重用性,满足不同时间、空间,不同车辆的运行状态识别需要。
可选地,所述步骤S4具体包括:
S41、选择所述疑似停留点数据集合的第一个疑似停留点作为计算起点,记为S1,并将其标记为0;
S42、将疑似停留点数据集合内的其它疑似停留点记为Si,i=2,3,4,...;通过货车运行途中的时间和所在经纬度计算Si与Si-1之间的距离di-1,i,如果di-1,i小于dmax,则将Si标记为0,否则将Si记为行驶点,并标记为1;
S43、逐一计算各标记为0的疑似停留点的停车起始时间tstart和结束时间tend,如果其中某疑似停留点的tstart和tend之间的差值小于tmax,则去掉该疑似停留点的标记0,该疑似停留点不再使用,否则保留该疑似停留点,并记为停留点。
本技术方案的技术效果是:能够挑选出货车运行速度较慢,运行距离较短且运行时间较长的轨迹点作为货车停留点,满足货车在实际情况下处于停留状态的特征,从而完成货车运行状态分类,操作方法简单、高效。
可选地,所述步骤S43中去掉标记0的疑似停留点记为货车短暂停留点。
本技术方案的技术效果是:筛选出货车运行速度较慢,运行距离较远但运行时间较短的轨迹点作为短暂停留点,满足货车在实际情况下处于短暂停留状态的特征,进一步细分货车运行状态。
具体地,所述步骤S3中,货车运行速度V的计算方法具体为:
1)根据货车GPS轨迹数据中的时间字段计算相邻两记录点的时间间隔Δt,计算公式为:Δt=ti-ti-1,其中,i=1,2,3...;
3)根据公式V=Δd/Δt计算货车运行速度V。
可选地,所述步骤S5中,通过Python工具训练所述神经网络模型。
具体地,所述步骤S6中,根据训练好的神经网络模型,利用python工具读取GPS轨迹数据。
进一步地,所述分类表中还包括对货车运行状态的详细备注。
为使本发明的上述目的、特征和优点能更明显易懂,下文特举本发明实施例,并配合所附附图,作详细说明如下。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本发明的某些实施例,因此不应被看作是对范围的限定,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他相关的附图。
图1是实施例中所述基于轨迹数据的货车运行状态识别方法的流程示意图;
图2是实施例中疑似停留点的判别示意图;
图3是实施例中停留点的识别示意图;
图4是实施例中单层神经网络模型示意图。
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。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。
因此,以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围,而是仅仅表示本发明的选定实施例。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。
实施例1
请参照图1,本实施例提供了一种基于轨迹数据的货车运行状态识别方法,包括以下步骤:
S1、获取货车在一段时间内的若干GPS轨迹数据作为大样本,所述GPS轨迹数据包括货车运行途中的时间和所在经纬度;
S2、从大样本中随机抽取少量GPS轨迹数据作为小样本;
S3、设定货车运行速度阈值为Vmax,货车运行速度为V,其中V通过货车运行途中的时间和所在经纬度计算得出,将小样本中所有的V小于Vmax的货车所在经纬度均记为疑似停留点,并一起形成疑似停留点数据集合,将小样本中所有的V大于或等于Vmax的货车所在经纬度均记为行驶点,并均标记为1;
S4、设定距离阈值dmax和时间阈值tmax,通过dmax和tmax判断所述疑似停留点数据集合中的各疑似停留点,从中识别出停留点和行驶点,其中停留点标记为0,行驶点标记为1;
S5、利用识别出的停留点和行驶点构造训练集,利用神经网络算法对训练集进行训练,并得到神经网络模型;
S6、利用神经网络模型对大样本中除小样本外的其它GPS轨迹数据进行识别,输出包含停留点和行驶点的分类表,完成货车运行状态识别。
在本实施例中,通过Python工具训练神经网络模型,且根据训练好的神经网络模型,利用python工具读取GPS轨迹数据。
在本实施例中,分类表中还包括对货车运行状态的详细备注,包括:通过神经网络训练输出y值,y值0-1变量,1表示行驶点,0表示停留点。
在本实施例中,初步筛选出的疑似停留点(即疑似停车点)构成一个停车区域,再通过下一步的识别确定为停留点,该过程如图2所示,其中速度的单位:km/h。
在本实施例中,运用神经网络算法的相关理论与方法,选取速度、距离、时间阈值作为特征变量,设计出了一种基于海量轨迹数据的货车运行状态识别方法,使之适应于不同时间、空间车辆的运行状态识别。
在本实施例中,所有标记为0的点均为停留点,所有标记为1的点均为行驶点,由于训练集中轨迹数据的运动状态是人为标记的,神经网络模型训练完成后不需要更改,直接输入测试数据进行算法分类,部分经过人为标记的训练集数据如表1所示。
表1部分训练集数据
表中,POI代表货车兴趣点;y值为0-1变量,代表货车运行状态。
在本实施例中,训练集数据构成如下:
Input部分:与上一个记录点的欧氏距离(distance);与上一个记录点的间隔时间(period);该POI点在所有GPS记录中出现的次数(count)
Output部分:1(travel)、0(stop)
按照以下方法训练神经网络模型。
1)构建如图4所示的单层神经网络模型
其中,xi为输入参数;Wi为输入参数的权重;b为每次训练实际值与预测值的误差;y为0-1变量,y=0表示行驶点,y=1表示停留点。
Y=x1W1+x2W2+x3W3+b
y=δ(Y)
利用激活函数Sigmoid函数得到y值;
2)构建参数集合
Input:
与上一个记录点的欧氏距离(distance):Δd
与上一个记录点的间隔时间(period):Δt
该POI点在所有GPS记录中出现的次数(count):POI
output:y值
3)借助Python工具,输入训练集数据,进行模型训练。
经过神经网络训练后,导入待识别数据后,进入程序界面,完成软件会输出“output.csv”的文件并保存与之前数据相同的文件夹,打开此文件即可得到测试集的结果,如表2所示。
表2部分识别结果数据
训练得到算法,使用待识别数据进行检验后,结果如下:
准确性:预测正确/测试样本量=647/703=0.920
真实为stop/预测为stop=335/355=0.944
精确度:真实为stop且预测为stop/预测为stop=323/355=0.910
回收率:真实为stop且预测为stop/真实为stop=323/335=0.964。
实施例2
请参考图3,针对实施例1中的步骤S4,其具体包括:
S41、选择所述疑似停留点数据集合的第一个疑似停留点作为计算起点,记为S1,并将其标记为0;
S42、将疑似停留点数据集合内的其它疑似停留点记为Si,i=2,3,4,...;通过货车运行途中的时间和所在经纬度计算Si与Si-1之间的距离di-1,i,如果di-1,i小于dmax,则将Si标记为0,否则将Si记为行驶点,并标记为1;
S43、逐一计算各标记为0的疑似停留点的停车起始时间tstart和结束时间tend,如果其中某疑似停留点的tstart和tend之间的差值小于tmax,则去掉该疑似停留点的标记0,该疑似停留点不再使用,否则保留该疑似停留点,并记为停留点。
实施例3
针对实施例2中的步骤S43,其中将去掉标记0的疑似停留点记为货车短暂停留点。
在本实施例中,货车短暂停留点不需要进行训练和识别,本发明主要目的是识别货车司机休息停留、装卸停留等长时间的停留行为,故对因交通信号等待、急刹车等短暂时间停留不做讨论。
除以上实施例外,本发明还具有以下替代方案:
1)GPS数据记录字段中增加对货车运行状态的详细备注等信息,视为本发明的替代方案;
2)本发明构建和实现的是货车运行状态识别方法,若利用该技术构建既有出租车运行状态识别,视为本发明的替代方案。
以上所述仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (7)
1.一种基于轨迹数据的货车运行状态识别方法,其特征在于,包括以下步骤:
S1、获取货车在一段时间内的若干GPS轨迹数据作为大样本,所述GPS轨迹数据包括货车运行途中的时间和所在经纬度;
S2、从大样本中随机抽取少量GPS轨迹数据作为小样本;
S3、设定货车运行速度阈值为Vmax,货车运行速度为V,其中V通过货车运行途中的时间和所在经纬度计算得出,将小样本中所有的V小于Vmax的货车所在经纬度均记为疑似停留点,并一起形成疑似停留点数据集合,将小样本中所有的V大于或等于Vmax的货车所在经纬度均记为行驶点,并均标记为1;
S4、设定距离阈值dmax和时间阈值tmax,通过dmax和tmax判断所述疑似停留点数据集合中的各疑似停留点,从中识别出停留点和行驶点,其中停留点标记为0,行驶点标记为1;
S5、利用识别出的停留点和行驶点构造训练集,利用神经网络算法对训练集进行训练,并得到神经网络模型;
S6、利用神经网络模型对大样本中除小样本外的其它GPS轨迹数据进行识别,输出包含停留点和行驶点的分类表,完成货车运行状态识别。
2.根据权利要求1所述基于轨迹数据的货车运行状态识别方法,其特征在于,所述步骤S4具体包括:
S41、选择所述疑似停留点数据集合的第一个疑似停留点作为计算起点,记为S1,并将其标记为0;
S42、将疑似停留点数据集合内的其它疑似停留点记为Si,i=2,3,4,...;通过货车运行途中的时间和所在经纬度计算Si与Si-1之间的距离di-1,i,如果di-1,i小于dmax,则将Si标记为0,否则将Si记为行驶点,并标记为1;
S43、逐一计算各标记为0的疑似停留点的停车起始时间tstart和结束时间tend,如果其中某疑似停留点的tstart和tend之间的差值小于tmax,则去掉该疑似停留点的标记0,该疑似停留点不再使用,否则保留该疑似停留点,并记为停留点。
3.根据权利要求2所述基于轨迹数据的货车运行状态识别方法,其特征在于,所述步骤S43中去掉标记0的疑似停留点记为货车短暂停留点。
5.根据权利要求1所述基于轨迹数据的货车运行状态识别方法,其特征在于,所述步骤S5中,通过Python工具训练所述神经网络模型。
6.根据权利要求5所述基于轨迹数据的货车运行状态识别方法,其特征在于,所述步骤S6中,根据训练好的神经网络模型,利用python工具读取GPS轨迹数据。
7.根据权利要求6所述基于轨迹数据的货车运行状态识别方法,其特征在于,所述分类表中还包括对货车运行状态的详细备注。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010135079.4A CN111340427B (zh) | 2020-03-02 | 2020-03-02 | 一种基于轨迹数据的货车运行状态识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010135079.4A CN111340427B (zh) | 2020-03-02 | 2020-03-02 | 一种基于轨迹数据的货车运行状态识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111340427A true CN111340427A (zh) | 2020-06-26 |
CN111340427B CN111340427B (zh) | 2022-05-03 |
Family
ID=71187292
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010135079.4A Active CN111340427B (zh) | 2020-03-02 | 2020-03-02 | 一种基于轨迹数据的货车运行状态识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111340427B (zh) |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112083456A (zh) * | 2020-09-14 | 2020-12-15 | 电子科技大学 | 一种货运状态识别方法、装置、设备及存储介质 |
CN112419707A (zh) * | 2020-08-13 | 2021-02-26 | 北京交通发展研究院 | 一种基于gps数据空间匹配的车辆运行效率评价方法及系统 |
CN112434122A (zh) * | 2020-11-24 | 2021-03-02 | 天津市市政工程设计研究院 | 一种识别道路货运集散区的实现方法 |
CN112767690A (zh) * | 2020-12-27 | 2021-05-07 | 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 |
CN113291356A (zh) * | 2021-06-24 | 2021-08-24 | 北京交通大学 | 动态列车追踪间隔计算方法 |
CN114565176A (zh) * | 2022-03-08 | 2022-05-31 | 上海迈利船舶科技有限公司 | 一种长期船舶轨迹预测方法 |
CN115409430A (zh) * | 2022-10-31 | 2022-11-29 | 湖南省交通科学研究院有限公司 | 基于货车行驶轨迹的物流强度分析方法、系统及存储介质 |
CN115830901A (zh) * | 2023-02-17 | 2023-03-21 | 交通运输部规划研究院 | 一种货车停留点的确定方法及装置 |
CN115938080A (zh) * | 2022-10-27 | 2023-04-07 | 安徽共生众服供应链技术研究院有限公司 | 一种网络货运运营异常预警的方法 |
CN116092037A (zh) * | 2023-02-13 | 2023-05-09 | 长沙理工大学 | 融合轨迹空间-语义特征的车辆类型识别方法 |
CN116524723A (zh) * | 2023-06-27 | 2023-08-01 | 天津大学 | 一种货车轨迹异常识别方法及系统 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH04131561A (ja) * | 1990-09-25 | 1992-05-06 | Nissan Motor Co Ltd | 車両の走行条件認識装置 |
CN105654417A (zh) * | 2016-01-13 | 2016-06-08 | 北京中交兴路信息科技有限公司 | 一种货车停靠点信息的获取方法及系统 |
CN108182801A (zh) * | 2017-12-21 | 2018-06-19 | 北京中交兴路信源科技有限公司 | 一种基于车辆轨迹的停留点实时检测方法及系统 |
CN108509896A (zh) * | 2018-03-28 | 2018-09-07 | 腾讯科技(深圳)有限公司 | 一种轨迹跟踪方法、装置和存储介质 |
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 |
CN110647675A (zh) * | 2019-08-07 | 2020-01-03 | 北京百度网讯科技有限公司 | 停留点识别及预测模型训练方法、装置及存储介质 |
-
2020
- 2020-03-02 CN CN202010135079.4A patent/CN111340427B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH04131561A (ja) * | 1990-09-25 | 1992-05-06 | Nissan Motor Co Ltd | 車両の走行条件認識装置 |
CN105654417A (zh) * | 2016-01-13 | 2016-06-08 | 北京中交兴路信息科技有限公司 | 一种货车停靠点信息的获取方法及系统 |
CN108182801A (zh) * | 2017-12-21 | 2018-06-19 | 北京中交兴路信源科技有限公司 | 一种基于车辆轨迹的停留点实时检测方法及系统 |
CN108509896A (zh) * | 2018-03-28 | 2018-09-07 | 腾讯科技(深圳)有限公司 | 一种轨迹跟踪方法、装置和存储介质 |
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 |
CN110647675A (zh) * | 2019-08-07 | 2020-01-03 | 北京百度网讯科技有限公司 | 停留点识别及预测模型训练方法、装置及存储介质 |
Non-Patent Citations (3)
Title |
---|
IBRAHIM KAMARUDDIN 等: "BUS TRAVEL TIME IN THE MIXED TRAFFIC BASED ON STATISTICA NEURAL NETWORK", 《JURNAL TRANSPORTASI 》 * |
侯颖超 等: "基于速度的空间轨迹停留点提取算法", 《地理与地理信息科学》 * |
甘蜜 等: "货车轨迹数据在公路货运系统中应用研究综述", 《交通运输系统工程与信息》 * |
Cited By (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112419707A (zh) * | 2020-08-13 | 2021-02-26 | 北京交通发展研究院 | 一种基于gps数据空间匹配的车辆运行效率评价方法及系统 |
CN112419707B (zh) * | 2020-08-13 | 2022-03-22 | 北京交通发展研究院 | 基于gps数据空间匹配的车辆运行效率评价方法及系统 |
CN112083456A (zh) * | 2020-09-14 | 2020-12-15 | 电子科技大学 | 一种货运状态识别方法、装置、设备及存储介质 |
CN112434122A (zh) * | 2020-11-24 | 2021-03-02 | 天津市市政工程设计研究院 | 一种识别道路货运集散区的实现方法 |
CN112767690A (zh) * | 2020-12-27 | 2021-05-07 | 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 |
CN113291356B (zh) * | 2021-06-24 | 2022-06-03 | 北京交通大学 | 动态列车追踪间隔计算方法 |
CN113291356A (zh) * | 2021-06-24 | 2021-08-24 | 北京交通大学 | 动态列车追踪间隔计算方法 |
CN114565176B (zh) * | 2022-03-08 | 2022-11-22 | 上海迈利船舶科技有限公司 | 一种长期船舶轨迹预测方法 |
CN114565176A (zh) * | 2022-03-08 | 2022-05-31 | 上海迈利船舶科技有限公司 | 一种长期船舶轨迹预测方法 |
CN115938080A (zh) * | 2022-10-27 | 2023-04-07 | 安徽共生众服供应链技术研究院有限公司 | 一种网络货运运营异常预警的方法 |
CN115409430A (zh) * | 2022-10-31 | 2022-11-29 | 湖南省交通科学研究院有限公司 | 基于货车行驶轨迹的物流强度分析方法、系统及存储介质 |
CN115409430B (zh) * | 2022-10-31 | 2023-03-31 | 湖南省交通科学研究院有限公司 | 基于货车行驶轨迹的物流强度分析方法、系统及存储介质 |
CN116092037A (zh) * | 2023-02-13 | 2023-05-09 | 长沙理工大学 | 融合轨迹空间-语义特征的车辆类型识别方法 |
CN116092037B (zh) * | 2023-02-13 | 2023-07-28 | 长沙理工大学 | 融合轨迹空间-语义特征的车辆类型识别方法 |
CN115830901A (zh) * | 2023-02-17 | 2023-03-21 | 交通运输部规划研究院 | 一种货车停留点的确定方法及装置 |
CN116524723A (zh) * | 2023-06-27 | 2023-08-01 | 天津大学 | 一种货车轨迹异常识别方法及系统 |
CN116524723B (zh) * | 2023-06-27 | 2023-09-12 | 天津大学 | 一种货车轨迹异常识别方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN111340427B (zh) | 2022-05-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111340427B (zh) | 一种基于轨迹数据的货车运行状态识别方法 | |
Dharneeshkar et al. | Deep Learning based Detection of potholes in Indian roads using YOLO | |
CN110544373B (zh) | 一种基于北斗车联网的货车预警信息提取与风险识别方法 | |
CN110176139B (zh) | 一种基于dbscan+的道路拥堵识别可视化方法 | |
Brombacher et al. | Driving event detection and driving style classification using artificial neural networks | |
CN111539454B (zh) | 一种基于元学习的车辆轨迹聚类方法及系统 | |
CN109166317B (zh) | 基于状态特征的城市交通路径通过时间确定方法 | |
CN106776988B (zh) | 一种基于时间聚合的停靠点确定方法及装置 | |
CN106314438A (zh) | 一种司机驾驶轨迹中异常轨迹的检测方法和系统 | |
CN109493449B (zh) | 一种基于货车gps轨迹数据和高速交易数据的货车载货状态估计方法 | |
CN108932255B (zh) | 一种车辆综合能力分析方法及装置 | |
CN113611157B (zh) | 一种高速公路车辆追尾碰撞风险估计方法 | |
CN106956680A (zh) | 一种电动汽车驾驶行为识别分析方法 | |
US20230066476A1 (en) | System and method for monitoring a vehicle | |
CN114997777A (zh) | 一种基于轨迹信息的车辆移动特征识别方法 | |
CN110909907A (zh) | 卡车的油耗预测方法、装置及存储介质 | |
CN111444286B (zh) | 一种基于轨迹数据的远距离交通节点关联性挖掘方法 | |
CN115841765B (zh) | 车辆位置盲区监控方法、装置、电子设备及可读存储介质 | |
CN116092037B (zh) | 融合轨迹空间-语义特征的车辆类型识别方法 | |
CN114973681B (zh) | 一种在途车辆感知方法及设备 | |
Van Hinsbergh et al. | Vehicle point of interest detection using in-car data | |
CN114492544B (zh) | 模型训练方法及装置、交通事件发生概率评估方法及装置 | |
CN115204755A (zh) | 服务区入区率测算方法、装置、电子设备及可读存储介质 | |
CN108460057B (zh) | 一种基于无监督学习的用户行程挖掘方法和装置 | |
CN114119256A (zh) | 一种ubi危险化学品车辆驾驶行为采集分析系统及保费折扣方法 |
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 |