CN111340674B - 一种交通运力承运意图辨识方法 - Google Patents
一种交通运力承运意图辨识方法 Download PDFInfo
- Publication number
- CN111340674B CN111340674B CN202010427532.9A CN202010427532A CN111340674B CN 111340674 B CN111340674 B CN 111340674B CN 202010427532 A CN202010427532 A CN 202010427532A CN 111340674 B CN111340674 B CN 111340674B
- Authority
- CN
- China
- Prior art keywords
- point
- track
- long
- distance
- points
- 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 26
- 238000004364 calculation method Methods 0.000 claims abstract description 17
- 239000000126 substance Substances 0.000 claims description 21
- 238000012216 screening Methods 0.000 claims description 13
- 238000004422 calculation algorithm Methods 0.000 claims description 10
- 238000004140 cleaning Methods 0.000 claims description 6
- 238000010606 normalization Methods 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 6
- 238000007781 pre-processing Methods 0.000 claims description 4
- 101100326853 Pectobacterium carotovorum subsp. carotovorum carI gene Proteins 0.000 claims description 3
- 238000005065 mining Methods 0.000 abstract description 4
- 238000004891 communication Methods 0.000 description 2
- 230000001965 increasing effect Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000009440 infrastructure construction Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
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
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/40—Business processes related to the transportation industry
-
- 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
-
- 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
- G06Q10/0835—Relationships between shipper or supplier and carriers
- G06Q10/08355—Routing methods
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Quality & Reliability (AREA)
- Development Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种交通运力承运意图辨识方法,通过对货车运输场景的研究和对货车轨迹数据进行挖掘,提出货车相对其他地区的“意愿值”概念,通过计算每辆货车相对各个地区的意愿值,进而得出待测地区对其他地区的交通运力承运意图。通过本发明的技术方案,避免对特定方向的交通运力承运意图辨识结果产生影响;将所有的长途货车区分为本地货车和外地货车,并用不同方法分别对其进行意愿值计算,提高计算准确性;考虑因素全面,具备可操作性,计算的结果准确。
Description
技术领域
本发明属于轨迹数据挖掘技术领域,尤其涉及一种基于货车轨迹数据的交通运力承运意图辨识方法。
背景技术
随着我国公路基础设施建设持续快速发展以及汽车工业的不断进步,公路货物运输在综合运输体系中占有越来越重要的地位。同时伴随着商品经济的日益活跃,区域间经济交往和货物交流的日趋频繁和道路条件的改善,货物运输平均运距有所增加,导致长途货运的重要性也进一步提高。然而我国公路货运效率低下,车辆空驶率达40%以上。车辆空驶率高的主要原因是车辆和货物之间供需不匹配,我国的运力总体过剩,相对稀缺的是货源,因此造成了大量的空驶。特定方向的交通运力承运意图辨识,可以测算出某一时段内待测地区相对其他地区的运力潜力,进而优化待测地区内的车辆和货物间的供需匹配,避免运力资源浪费,对提高我国公路货运效率有重要意义。此外,明确待测地区对特定方向的运输意图也可以指导该地区相关人员更好的规划运载任务。
发明内容
本发明提出一种交通运力承运意图辨识方法,通过对货车运输场景的研究和对货车轨迹数据进行挖掘,提出货车相对其他地区的“意愿值”概念,通过计算每辆货车相对各个地区的意愿值,进而得出待测地区对其他地区的交通运力承运意图。本发明的具体技术方案如下:
一种交通运力承运意图辨识方法,包括以下步骤:
S1:数据获取及预处理;
S1-1:获取待测地区三个月内的所有货车轨迹数据和地图数据,全国路网、高速收费站和服务区数据,对货车轨迹数据做数据清洗;
S1-2:对货车轨迹数据做数据抽稀,数据抽稀尽量不改变轨迹的形状,且保证如果原本相邻轨迹点时间间隔不超过40分钟,数据抽稀后的相邻轨迹点时间间隔也不超过40分钟;
S1-3:对经过数据清洗和数据抽稀后的货车轨迹数据去除冗余信息,得到货车轨迹点的数据包括vehicle_id、Longitude、latitude、time_stamp,其中,vehicle_id为货车车牌号,Longitude为货车经度,latitude为货车纬度,time_stamp为本条记录的时间戳;
S2:检测货车轨迹起点和终点;
S2-1:采用位置择近算法对货车轨迹数据进行地图匹配;
S2-2:检测货车停驻点;
S2-2-1:计算出相邻轨迹点之间的距离,对于轨迹点A和轨迹点B,距离计算方法为:
遍历经过步骤S1处理后的货车轨迹点,按上述方法计算相邻轨迹点之间的距离;
遍历经过步骤S1处理后的货车轨迹点,将所有平均速度低于5km/h的轨迹点组成
的轨迹段构成轨迹段集合 ,其中, 为第一段由平均速度均低于5km/h的轨
迹点组成的轨迹段, 为第二段由平均速度均低于5km/h的轨迹点组成的轨迹段, 为第段由平均速度均低于5km/h的轨迹点组成的轨迹段;
S2-2-3:计算每个平均速度低于5km/h的轨迹点组成的轨迹段的持续时间,计算方法为:
用轨迹段的末轨迹点时间戳减去首轨迹点时间戳,得到的结果即为本轨迹段的持
续时间,统计出所有持续时间超过40分钟的轨迹段,取轨迹段中的首轨迹点作为停驻点,得
到的停驻点集合记为,其中, 为货车的第一个停驻点, 为货车的第
二个停驻点, 为货车的第 个停驻点;
S2-3:结合步骤S1-1获取的全国高速收费站和服务区信息,计算停驻点集合中的停驻点相对全国所有高速收费站和服务区的最短距离,将最短距离小
于100m的停驻点从集合中删除,保留下来的点即货车轨迹数据的起点和终点;
S3:对待测地区内所有货车轨迹数据进行分析,统计每辆货车在本段时间内产生的长途轨迹数据占此货车全部轨迹数据的里程比,将起点和终点间距离在25 km以上的轨迹视为长途轨迹,并将里程比大于50%的货车标记为长途货运货车;
S4:标记本地长途货运货车和外地长途货运货车:统计每辆长途货运货车轨迹的
起点和终点,计算每辆长途货运货车所有轨迹的起点和终点位于待测地区的比例,根据比
例大小将所有长途货运货车标记为本地长途货运货车和外地长途货运货车,本地长
途货运货车 指该长途货运货车的起点或终点频繁落在待测地区;外地长途货运货车 指长途货运货车的起点或终点少量落在待测地区,而频繁落在其他地区;具体标记方法
为:
统计长途货运货车在本段时间内所有轨迹的起点和终点,记为,其中, 为长途货运货车的编号,, 为长途货
运货车的总数量, 为长途货运货车 轨迹数据中检测到的第一个起点, 为第二个起
点即第一个终点, 为第三个起点即第二个终点, 为第 个终点,
均包含该点的经度和纬度信息,判断所有点是否位于待测地区内部,计算位于待测地区内
的点占所有点的比例: ,
S5:对全部长途货运货车的起点和终点进行聚类,结合步骤
S1-1获取的地图数据,统计所有起点和终点的坐标对应的地理位置,将位于同一个县范围
内的点聚成同一个簇,所有簇构成的集合记为 ,其中,为第一个簇,为第二
个簇, 为第个簇,统计每个簇中包含的起点和终点的数量,记为 ,其中,
为 包含的起点和终点的数量, 为 包含的起点和终点的数量, 为 包含的起点和
终点的数量,利用快速排序算法对集合中的元素降序排序,筛选包含的起点和
终点的数量排在前50%的簇作为待测地区长途货运货车的兴趣点,记为,其中, 为筛选后的第一个簇, 为筛选后的第二个簇,为筛选后的第 个簇,对应的包含的
起点和终点的数量为,其中,为包含的起点和终点的数量, 为 包含的
起点和终点的数量, 为包含的起点和终点的数量;
S6-1:将步骤S4中统计的本地长途货运货车每条轨迹的起点和终点,构成本地
长途货运货车交通出行量集合,即本地长途货运货车 的 集合,
其中, 为本地长途货运货车的第一对起点和对应终点坐标,为本地长途货运货
车 的第二对起点和对应终点坐标,为本地长途货运货车的第 对起点和对应终
点坐标,集合中不包含重复项,集合中的每个元素包含一条轨迹的起点的经纬度信息和终
点的经纬度信息;
S6-2:构建集合用来记录本地长途货运货车的集合中每个元
素出现的次数,其中, 为 出现的次数,为 出现的次数,为 出现的次
数,遍历本地长途货运货车的集合,如果本地长途货运货车的 集合中某个元素
的起点和终点均属于兴趣点,假设起点属于,终点属于,则添加一条从 指向的边,
边的权重均设为1,不添加重复的边,遍历整个本地长途货运货车的 集合后得到了一
幅属于 的加权有向图,记为;
S6-3:对 运用Dijkstra算法,得到以待测地区所在的兴趣点为起点的最短路
径树,并对最短路径树上的所有边重新赋予权重,规定每条边的权重即为步骤S6-2中
对应本地长途货运货车的 集合中的元素出现的次数;
S7-1:将步骤S4中统计的外地长途货运货车每条轨迹的起点和终点,构成外地
长途货运货车的 集合,其中, 为外地长途货运货车的第
一对起点和对应终点坐标, 为外地长途货运货车的第二对起点和对应终点坐标, 为外地长途货运货车的第 对起点和对应终点坐标,集合中不包含重复项,集合中
的每个元素包含一条轨迹的起点的经纬度信息和终点的经纬度信息;
S7-2:构建集合用来记录外地长途货运货车的集合中每个
元素出现的次数,其中, 为 出现的次数,为出现的次数, 为 出现
的次数,遍历整个外地长途货运货车的 集合,筛选出起点位于待测地区,终点属于其
他兴趣点的元素,记为,对应的出现次数为 ;
S8:计算某一时刻待测地区到目标地区的长途货运货车运输意图 ,首先获
得该时刻前一小时这段时间内待测地区的长途货运货车轨迹数据,并识别出为空车的长途
货运货车,具体识别方法为:计算长途货运货车在该时刻前一小时这段时间内行驶轨迹总
长度,总长不超过2km视为空车,针对所有空车计算运输意图: ,
本发明的有益效果在于:
1.本发明通过对货车轨迹数据进行挖掘,识别短途货车和长途货车,并将短途货车轨迹数据从全部的货车轨迹数据中删去,避免对特定方向的交通运力承运意图辨识结果产生影响,提高计算准确性;
2.本发明通过对货车轨迹数据进行挖掘,将所有的长途货车区分为本地长途货运货车和外地长途货运货车,并用不同方法分别对其进行意愿值计算,提高计算准确性。
3.本发明提出待测地区货车相对其他地区意愿值的概念,并借鉴图理论的相关知
识将货车经常到达的地方抽象为兴趣点,对抽象为连边,从而构成一幅加权有向图,通
过对加权有向图使用Dijkstra算法构建对应的最短路径树,进而得到货车对各个兴趣点的
意愿值,最终计算出待测地区对其他地区的交通运力承运意图辨识。本方法考虑因素较为
全面,具备可操作性,计算的结果准确。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,通过参考附图会更加清楚的理解本发明的特征和优点,附图是示意性的而不应理解为对本发明进行任何限制,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,可以根据这些附图获得其他的附图。其中:
图1是本发明的方法流程图。
具体实施方式
为了能够更清楚地理解本发明的上述目的、特征和优点,下面结合附图和具体实施方式对本发明进行进一步的详细描述。需要说明的是,在不冲突的情况下,本发明的实施例及实施例中的特征可以相互组合。
在下面的描述中阐述了很多具体细节以便于充分理解本发明,但是,本发明还可以采用其他不同于在此描述的其他方式来实施,因此,本发明的保护范围并不受下面公开的具体实施例的限制。
首先对待测地区货车轨迹数据进行预处理,并对轨迹数据进行地图匹配和时空轨迹分割。然后通过对每辆货车的轨迹数据进行统计分析,将货车标记为长途货车/短途货车以及本地长途货运货车/外地长途货运货车。之后对全部长途货车轨迹数据进行频繁模式挖掘,得到待测地区的主要货运目的地,即“兴趣点”。接着分别计算本地货车和外地货车对每个兴趣点的意愿值,最后基于意愿值得到待测地区对其他地区的交通运力承运意图。具体地,一种交通运力承运意图辨识方法,包括以下步骤:
S1:数据获取及预处理;
S1-1:获取待测地区三个月内的所有货车轨迹数据和地图数据,全国路网、高速收费站和服务区数据,对货车轨迹数据做数据清洗;
S1-2:对货车轨迹数据做数据抽稀,数据抽稀尽量不改变轨迹的形状,且保证如果原本相邻轨迹点时间间隔不超过40分钟,数据抽稀后的相邻轨迹点时间间隔也不超过40分钟;
S1-3:对经过数据清洗和数据抽稀后的货车轨迹数据去除冗余信息,得到货车轨迹点的数据包括vehicle_id、Longitude、latitude、time_stamp,其中,vehicle_id为货车车牌号,Longitude为货车经度,latitude为货车纬度,time_stamp为本条记录的时间戳;
S2:检测货车轨迹起点和终点;
S2-1:采用位置择近算法对货车轨迹数据进行地图匹配;
S2-2:检测货车停驻点;
S2-2-1:计算出相邻轨迹点之间的距离,对于轨迹点A和轨迹点B,距离计算方法为:
遍历经过步骤S1处理后的货车轨迹点,按上述方法计算相邻轨迹点之间的距离;
遍历经过步骤S1处理后的货车轨迹点,将所有平均速度低于5km/h的轨迹点组成
的轨迹段构成轨迹段集合,其中,为第一段由平均速度均低于5km/h的轨迹
点组成的轨迹段,为第二段由平均速度均低于5km/h的轨迹点组成的轨迹段, 为第q段
由平均速度均低于5km/h的轨迹点组成的轨迹段;
S2-2-3:计算每个平均速度低于5km/h的轨迹点组成的轨迹段的持续时间,计算方法为:
用轨迹段的末轨迹点时间戳减去首轨迹点时间戳,得到的结果即为本轨迹段的持
续时间,统计出所有持续时间超过40分钟的轨迹段,取轨迹段中的首轨迹点作为停驻点,得
到的停驻点集合记为,其中,为货车的第一个停驻点,为货车的第二
个停驻点, 为货车的第个停驻点;
S2-3:结合步骤S1-1获取的全国高速收费站和服务区信息,计算停驻点集合中的停驻点相对全国所有高速收费站和服务区的最短距离,将最短距离小
于100m的停驻点从集合中删除,保留下来的点即货车轨迹数据的起点和终点;
S3:对待测地区内所有货车轨迹数据进行分析,统计每辆货车在本段时间内产生的长途轨迹数据占此货车全部轨迹数据的里程比,将起点和终点间距离在25 km以上的轨迹视为长途轨迹,并将里程比大于50%的货车标记为长途货运货车;
S4:标记本地长途货运货车和外地长途货运货车:统计每辆长途货运货车轨迹的
起点和终点,计算每辆长途货运货车所有轨迹的起点和终点位于待测地区的比例,根据比
例大小将所有长途货运货车标记为本地长途货运货车 和外地长途货运货车 ,本地
长途货运货车 指该长途货运货车的起点或终点频繁落在待测地区;外地长途货运货车 指长途货运货车的起点或终点少量落在待测地区,而频繁落在其他地区;具体标记方法
为:
统计长途货运货车在本段时间内所有轨迹的起点和终点,记为,其中, 为长途货运货车的编号, ,为长途货
运货车的总数量, 为长途货运货车轨迹数据中检测到的第一个起点, 为第二个起
点即第一个终点,为第三个起点即第二个终点,为第 个终点, 均
包含该点的经度和纬度信息,判断所有点是否位于待测地区内部,计算位于待测地区内的
点占所有点的比例:,
S5:对全部长途货运货车的起点和终点进行聚类,结合步骤
S1-1获取的地图数据,统计所有起点和终点的坐标对应的地理位置,将位于同一个县范围
内的点聚成同一个簇,所有簇构成的集合记为,其中, 为第一个簇, 为第
二个簇, 为第 个簇,统计每个簇中包含的起点和终点的数量,记为,其中, 为 包含的起点和终点的数量, 为 包含的起点和终点的数量, 为 包含的起点
和终点的数量,利用快速排序算法对集合中的元素降序排序,筛选包含的起点
和终点的数量排在前50%的簇作为待测地区长途货运货车的兴趣点,记为,其
中, 为筛选后的第一个簇, 为筛选后的第二个簇, 为筛选后的第个簇,对应的包
含的起点和终点的数量为,其中, 为 包含的起点和终点的数量,为包
含的起点和终点的数量, 为 包含的起点和终点的数量;
S6-1:将步骤S4中统计的本地长途货运货车每条轨迹的起点和终点,构成本地
长途货运货车 交通出行量集合,即本地长途货运货车 的集合,
其中, 为本地长途货运货车的第一对起点和对应终点坐标, 为本地长途货运货
车 的第二对起点和对应终点坐标, 为本地长途货运货车的第 对起点和对应终
点坐标,集合中不包含重复项,集合中的每个元素包含一条轨迹的起点的经纬度信息和终
点的经纬度信息;
S6-2:构建集合用来记录本地长途货运货车的集合中每个元
素出现的次数,其中为出现的次数, 为出现的次数, 为出现的次数,遍
历本地长途货运货车的集合,如果本地长途货运货车 的集合中某个元素的起
点和终点均属于兴趣点,假设起点属于,终点属于,则添加一条从指向的边,边的
权重均设为1,不添加重复的边,遍历整个本地长途货运货车的集合后得到了一幅属
于的加权有向图,记为;
S6-3:对 运用Dijkstra算法,得到以待测地区所在的兴趣点为起点的最短路
径树 ,并对最短路径树上的所有边重新赋予权重,规定每条边的权重即为步骤S6-2
中对应本地长途货运货车的集合中的元素出现的次数;
S7-1:将步骤S4中统计的外地长途货运货车每条轨迹的起点和终点,构成外地
长途货运货车的集合,其中, 为外地长途货运货车的第
一对起点和对应终点坐标, 为外地长途货运货车的第二对起点和对应终点坐标, 为外地长途货运货车的第对起点和对应终点坐标,集合中不包含重复项,集合中
的每个元素包含一条轨迹的起点的经纬度信息和终点的经纬度信息;
S7-2:构建集合用来记录外地长途货运货车的集合中每个
元素出现的次数,其中, 为 出现的次数, 为出现的次数, 为 出现
的次数,遍历整个外地长途货运货车 的 集合,筛选出起点位于待测地区,终点属于
其他兴趣点的元素,记为,对应的出现次数为;
S8:计算某一时刻待测地区到目标地区的长途货运货车运输意图 ,首先获
得该时刻前一小时这段时间内待测地区的长途货运货车轨迹数据,并识别出为空车的长途
货运货车,具体识别方法为:计算长途货运货车在该时刻前一小时这段时间内行驶轨迹总
长度,总长不超过2km视为空车,针对所有空车计算运输意图: ,
在本发明中,除非另有明确的规定和限定,术语“安装”、“相连”、“连接”、“固定”等术语应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或成一体;可以是机械连接,也可以是电连接;可以是直接相连,也可以通过中间媒介间接相连,可以是两个元件内部的连通或两个元件的相互作用关系。对于本领域的普通技术人员而言,可以根据具体情况理解上述术语在本发明中的具体含义。
在本发明中,术语“第一”、“第二”、“第三”、“第四”仅用于描述目的,而不能理解为指示或暗示相对重要性。术语“多个”指两个或两个以上,除非另有明确的限定。
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 (1)
1.一种交通运力承运意图辨识方法,其特征在于,包括以下步骤:
S1:数据获取及预处理;
S1-1:获取待测地区三个月内的所有货车轨迹数据和地图数据,全国路网、高速收费站和服务区数据,对货车轨迹数据做数据清洗;
S1-2:对货车轨迹数据做数据抽稀,数据抽稀不改变轨迹的形状,且保证如果原本相邻轨迹点时间间隔不超过40分钟,数据抽稀后的相邻轨迹点时间间隔也不超过40分钟;
S1-3:对经过数据清洗和数据抽稀后的货车轨迹数据去除冗余信息,得到货车轨迹点的数据包括vehicle_id、Longitude、latitude、time_stamp,其中,vehicle_id为货车车牌号,Longitude为货车经度,latitude为货车纬度,time_stamp为本条记录的时间戳;
S2:检测货车轨迹起点和终点;
S2-1:采用位置择近算法对货车轨迹数据进行地图匹配;
S2-2:检测货车停驻点;
S2-2-1:计算出相邻轨迹点之间的距离,对于轨迹点A和轨迹点B,距离计算方法为:
遍历经过步骤S1处理后的货车轨迹点,按上述方法计算相邻轨迹点之间的距离;
遍历经过步骤S1处理后的货车轨迹点,将所有平均速度低于5km/h的轨迹点组成的轨迹段构成轨迹段集合,其中,为第一段由平均速度均低于5km/h的轨迹点组成的轨迹段,为第二段由平均速度均低于5km/h的轨迹点组成的轨迹段,为第段由平均速度均低于5km/h的轨迹点组成的轨迹段;
S2-2-3:计算每个平均速度低于5km/h的轨迹点组成的轨迹段的持续时间,计算方法为:
用轨迹段的末轨迹点时间戳减去首轨迹点时间戳,得到的结果即为本轨迹段的持续时间,统计出所有持续时间超过40分钟的轨迹段,取轨迹段中的首轨迹点作为停驻点,得到的停驻点集合记为,其中,为货车的第一个停驻点,为货车的第二个停驻点,为货车的第个停驻点;
S2-3:结合步骤S1-1获取的全国高速收费站和服务区信息,计算停驻点集合中的停驻点相对全国所有高速收费站和服务区的最短距离,将最短距离小于100m的停驻点从集合中删除,保留下来的点即货车轨迹数据的起点和终点;
S3:对待测地区内所有货车轨迹数据进行分析,统计每辆货车在本段时间内产生的长途轨迹数据占此货车全部轨迹数据的里程比,将起点和终点间距离在25 km以上的轨迹视为长途轨迹,并将里程比大于50%的货车标记为长途货运货车;
S4:标记本地长途货运货车和外地长途货运货车:统计每辆长途货运货车轨迹的起点和终点,计算每辆长途货运货车所有轨迹的起点和终点位于待测地区的比例,根据比例大小将所有长途货运货车标记为本地长途货运货车和外地长途货运货车本地长途货运货车指该长途货运货车的起点或终点频繁落在待测地区;外地长途货运货车指长途货运货车的起点或终点少量落在待测地区,而频繁落在其他地区;具体标记方法为:
统计长途货运货车在本段时间内所有轨迹的起点和终点,记为,其中,为长途货运货车的编号,为长途货运货车的总数量,为长途货运货车轨迹数据中检测到的第一个起点,为第二个起点即第一个终点,为第三个起点即第二个终点,为第个终点,均包含该点的经度和纬度信息,判断所有点是否位于待测地区内部,计算位于待测地区内的点占所有点的比例:,
S5:对全部长途货运货车的起点和终点进行聚类,结合步骤S1-1获取的地图数据,统计所有起点和终点的坐标对应的地理位置,将位于同一个县范围内的点聚成同一个簇,所有簇构成的集合记为,其中,为第一个簇,为第二个簇,为第个簇,统计每个簇中包含的起点和终点的数量,记为,其中,为包含的起点和终点的数量,为包含的起点和终点的数量,为包含的起点和终点的数量,利用快速排序算法对集合中的元素降序排序,筛选包含的起点和终点的数量排在前50%的簇作为待测地区长途货运货车的兴趣点,记为,其中,为筛选后的第一个簇,为筛选后的第二个簇,为筛选后的第个簇,对应的包含的起点和终点的数量为,其中,为包含的起点和终点的数量,为包含的起点和终点的数量,为包含的起点和终点的数量;
S6-1:将步骤S4中统计的本地长途货运货车每条轨迹的起点和终点,构成本地长途货运货车交通出行量集合,即本地长途货运货车的OD集合,其中,为本地长途货运货车的第一对起点和对应终点坐标,为本地长途货运货车的第二对起点和对应终点坐标,为本地长途货运货车的第对起点和对应终点坐标,集合中不包含重复项,集合中的每个元素包含一条轨迹的起点的经纬度信息和终点的经纬度信息;
S6-2:构建集合用来记录本地长途货运货车的OD集合中每个元素出现的次数,其中,为出现的次数,为出现的次数,为出现的次数,遍历本地长途货运货车的OD集合,如果本地长途货运货车的OD集合中某个元素的起点和终点均属于兴趣点,假设起点属于,终点属于,则添加一条从指向的边,边的权重均设为1,不添加重复的边,遍历整个本地长途货运货车的OD集合后得到了一幅属于的加权有向图,记为;
S6-3:对运用Dijkstra算法,得到以待测地区所在的兴趣点为起点的最短路径树,并对最短路径树上的所有边重新赋予权重,规定每条边的权重即为步骤S6-2中对应本地长途货运货车的OD集合中的元素出现的次数;
S7-1:将步骤S4中统计的外地长途货运货车每条轨迹的起点和终点,构成外地长途货运货车的OD集合,其中,为外地长途货运货车的第一对起点和对应终点坐标,为外地长途货运货车的第二对起点和对应终点坐标,为外地长途货运货车的第对起点和对应终点坐标,集合中不包含重复项,集合中的每个元素包含一条轨迹的起点的经纬度信息和终点的经纬度信息;
S7-2:构建集合用来记录外地长途货运货车的OD集合中每个元素出现的次数,其中,为出现的次数,为出现的次数,为出现的次数,遍历整个外地长途货运货车的OD集合,筛选出起点位于待测地区,终点属于其他兴趣点的元素,记为,对应的出现次数为;
S8:计算某一时刻待测地区到目标地区D的长途货运货车运输意图,首先获得该时刻前一小时这段时间内待测地区的长途货运货车轨迹数据,并识别出为空车的长途货运货车,具体识别方法为:计算长途货运货车在该时刻前一小时这段时间内行驶轨迹总长度,总长不超过2km视为空车,针对所有空车计算运输意图:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010427532.9A CN111340674B (zh) | 2020-05-20 | 2020-05-20 | 一种交通运力承运意图辨识方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010427532.9A CN111340674B (zh) | 2020-05-20 | 2020-05-20 | 一种交通运力承运意图辨识方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111340674A CN111340674A (zh) | 2020-06-26 |
CN111340674B true CN111340674B (zh) | 2020-08-18 |
Family
ID=71183028
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010427532.9A Active CN111340674B (zh) | 2020-05-20 | 2020-05-20 | 一种交通运力承运意图辨识方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111340674B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112581060A (zh) * | 2020-12-22 | 2021-03-30 | 北京优挂信息科技有限公司 | 基于车辆装卸点的配货需求度检测方法、装置及设备 |
CN113611130B (zh) * | 2021-08-03 | 2023-08-25 | 中国环境科学研究院 | 一种本地与过境货车车流量获取方法、系统及存储介质 |
CN114220263B (zh) * | 2021-11-29 | 2022-11-25 | 北京中交兴路信息科技有限公司 | 一种货运车辆通行时长确定方法、装置、存储介质及终端 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9830571B2 (en) * | 2010-09-23 | 2017-11-28 | Epona Llc | System and method for coordinating transport of cargo |
CN107844928A (zh) * | 2016-09-20 | 2018-03-27 | 广州亿码科技有限公司 | 一种货运物流协同方法 |
CN109686093B (zh) * | 2019-01-23 | 2020-10-30 | 北京航空航天大学 | 一种基于轨迹分析的交通运力测算方法和装置 |
CN109686092B (zh) * | 2019-01-23 | 2020-09-22 | 北京航空航天大学 | 一种交通网络通达性评估方法 |
-
2020
- 2020-05-20 CN CN202010427532.9A patent/CN111340674B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN111340674A (zh) | 2020-06-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111340674B (zh) | 一种交通运力承运意图辨识方法 | |
CN112270460B (zh) | 一种基于多源数据的超重货车货源站点识别方法 | |
CN113011815A (zh) | 一种货车停靠点提取方法和出行特征确定方法、装置 | |
CN110599765A (zh) | 一种基于多源数据融合的公路客货运输量指标统计方法 | |
CN113538072A (zh) | 一种货运车辆的出行链智能识别方法、装置及电子设备 | |
CN108932255B (zh) | 一种车辆综合能力分析方法及装置 | |
Figliozzi et al. | Algorithms for studying the impact of travel time reliability along multisegment trucking freight corridors | |
CN112767686B (zh) | 一种基于多源数据融合的公路网汽车排放估算方法 | |
Wheeler et al. | Multicriteria freeway performance measures for trucking in congested corridors | |
Wang et al. | Behavioral analysis of decisions in choice of commercial vehicular mode in urban areas | |
CN114912689A (zh) | 基于地图网格索引和xgboost的超限车辆目的地预测方法及系统 | |
CN113808414B (zh) | 道路荷载确定方法、装置及存储介质 | |
CN113886374A (zh) | 一种基于gps数据和车辆运单计算车辆载货里程的方法 | |
CN115409308A (zh) | 一种基于tms运输管理的智能调度系统 | |
CN115619103B (zh) | 基于货车行驶轨迹的典型行业物流联运分析方法及系统 | |
CN116092037B (zh) | 融合轨迹空间-语义特征的车辆类型识别方法 | |
CN115409430B (zh) | 基于货车行驶轨迹的物流强度分析方法、系统及存储介质 | |
Chen et al. | Detecting and analyzing unlicensed taxis: A case study of Chongqing City | |
CN109633716B (zh) | 基于gps的城市配送车辆出行链及其特征识别方法与设备 | |
Akter et al. | Representative truck activity patterns from anonymous mobile sensor data | |
CN112163807B (zh) | 一种省域在地公路货物运输量的统计方法 | |
Kataoka et al. | A smartphone-based probe data platform for road management and safety in developing countries | |
CN113611130A (zh) | 一种本地与过境货车车流量获取方法、系统及存储介质 | |
JP2012073835A (ja) | 鉄道貨物輸送による効果の評価方法 | |
CN116226598B (zh) | 一种基于车辆性质及货物属地原则的公路货运量计算方法 |
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 |