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 PDF

Info

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
Application number
CN202010427532.9A
Other languages
English (en)
Other versions
CN111340674A (zh
Inventor
曹先彬
廖盛时
杜文博
朱熙
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beihang University
Original Assignee
Beihang University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beihang University filed Critical Beihang University
Priority to CN202010427532.9A priority Critical patent/CN111340674B/zh
Publication of CN111340674A publication Critical patent/CN111340674A/zh
Application granted granted Critical
Publication of CN111340674B publication Critical patent/CN111340674B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • 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

一种交通运力承运意图辨识方法
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：
Figure 154746DEST_PATH_IMAGE001
，
Figure 981757DEST_PATH_IMAGE002
，
Figure 123894DEST_PATH_IMAGE003
，
其中，
Figure 163394DEST_PATH_IMAGE004
为轨迹点A、地球地心O和轨迹点B依次连接形成的夹角的角度值，
Figure 44894DEST_PATH_IMAGE005
为
Figure 511647DEST_PATH_IMAGE004
的弧度，
Figure 360654DEST_PATH_IMAGE006
和
Figure 656375DEST_PATH_IMAGE007
分别为轨迹点A的经度和纬度，
Figure 438387DEST_PATH_IMAGE008
和
Figure 826774DEST_PATH_IMAGE009
分别轨迹点B的经度和纬 度，R为地球半径，
Figure 163077DEST_PATH_IMAGE010
为轨迹点A和轨迹点B之间的距离；
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；
S2-2-2：计算出每个轨迹点的平均速度，对于相邻的轨迹点A、B和C，B点的平均速 度计算公式为：
Figure 747642DEST_PATH_IMAGE011
，
其中，
Figure 164586DEST_PATH_IMAGE010
为轨迹点A和轨迹点B之间的距离，
Figure 910825DEST_PATH_IMAGE012
为轨迹点B和轨迹点C之间的距 离，
Figure 4DEST_PATH_IMAGE013
为C点的时间戳，
Figure 670151DEST_PATH_IMAGE014
为A点的时间戳，
Figure 630017DEST_PATH_IMAGE015
为B点平均速度；
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
Figure 78315DEST_PATH_IMAGE016
，其中，
Figure 389211DEST_PATH_IMAGE017
为第一段由平均速度均低于5km/h的轨 迹点组成的轨迹段，
Figure 570706DEST_PATH_IMAGE018
为第二段由平均速度均低于5km/h的轨迹点组成的轨迹段，
Figure 712974DEST_PATH_IMAGE019
为第
Figure 66595DEST_PATH_IMAGE020
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
Figure 349940DEST_PATH_IMAGE021
，其中，
Figure 79998DEST_PATH_IMAGE022
为货车的第一个停驻点，
Figure 280036DEST_PATH_IMAGE023
为货车的第 二个停驻点，
Figure 850563DEST_PATH_IMAGE024
为货车的第
Figure 870472DEST_PATH_IMAGE025
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
Figure 138642DEST_PATH_IMAGE026
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
Figure 193186DEST_PATH_IMAGE027
和外地长途货运货车
Figure 904921DEST_PATH_IMAGE028
，本地长 途货运货车
Figure 474443DEST_PATH_IMAGE027
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
Figure 280725DEST_PATH_IMAGE028
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
Figure 704621DEST_PATH_IMAGE029
在本段时间内所有轨迹的起点和终点，记为
Figure 305367DEST_PATH_IMAGE030
，其中，
Figure 565447DEST_PATH_IMAGE031
为长途货运货车的编号，
Figure 175420DEST_PATH_IMAGE032
，
Figure 955288DEST_PATH_IMAGE033
为长途货 运货车的总数量，
Figure 54831DEST_PATH_IMAGE034
为长途货运货车
Figure 536628DEST_PATH_IMAGE029
轨迹数据中检测到的第一个起点，
Figure 199560DEST_PATH_IMAGE035
为第二个起 点即第一个终点，
Figure 817623DEST_PATH_IMAGE036
为第三个起点即第二个终点，
Figure 291330DEST_PATH_IMAGE037
为第
Figure 807893DEST_PATH_IMAGE038
个终点，
Figure 759668DEST_PATH_IMAGE039
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：
Figure 763396DEST_PATH_IMAGE040
，
其中，
Figure 408004DEST_PATH_IMAGE041
为长途货运货车
Figure 842222DEST_PATH_IMAGE029
的所有起点中落在待测地区内点的数量，
Figure 597689DEST_PATH_IMAGE042
为起点 总数；将
Figure 190344DEST_PATH_IMAGE043
的长途货运货车标记为本地长途货运货车
Figure 553323DEST_PATH_IMAGE027
，
Figure 497009DEST_PATH_IMAGE044
的长途货运货车标 记为外地长途货运货车
Figure 790587DEST_PATH_IMAGE028
，
Figure 503328DEST_PATH_IMAGE045
；
S5：对全部长途货运货车的起点和终点
Figure 473427DEST_PATH_IMAGE046
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
Figure 904408DEST_PATH_IMAGE047
，其中，
Figure 798415DEST_PATH_IMAGE048
为第一个簇，
Figure 381974DEST_PATH_IMAGE049
为第二 个簇，
Figure 8127DEST_PATH_IMAGE050
为第
Figure 926405DEST_PATH_IMAGE051
个簇，统计每个簇中包含的起点和终点的数量，记为
Figure 827365DEST_PATH_IMAGE052
，其中，
Figure 295124DEST_PATH_IMAGE053
为
Figure 623337DEST_PATH_IMAGE048
包含的起点和终点的数量，
Figure 763331DEST_PATH_IMAGE054
为
Figure 218715DEST_PATH_IMAGE049
包含的起点和终点的数量，
Figure 494975DEST_PATH_IMAGE055
为
Figure 994090DEST_PATH_IMAGE050
包含的起点和 终点的数量，利用快速排序算法对集合
Figure 621380DEST_PATH_IMAGE052
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
Figure 910148DEST_PATH_IMAGE056
，其中，
Figure 306494DEST_PATH_IMAGE057
为筛选后的第一个簇，
Figure 976510DEST_PATH_IMAGE058
为筛选后的第二个簇，
Figure 576250DEST_PATH_IMAGE059
为筛选后的第
Figure 357124DEST_PATH_IMAGE060
个簇，对应的包含的 起点和终点的数量为
Figure 873556DEST_PATH_IMAGE061
,其中，
Figure 766338DEST_PATH_IMAGE062
为
Figure 368220DEST_PATH_IMAGE057
包含的起点和终点的数量，
Figure 952785DEST_PATH_IMAGE063
为
Figure 323724DEST_PATH_IMAGE058
包含的 起点和终点的数量，
Figure 86275DEST_PATH_IMAGE064
为
Figure 644295DEST_PATH_IMAGE059
包含的起点和终点的数量；
S6：计算本地长途货运货车
Figure 32551DEST_PATH_IMAGE027
对步骤S5中得到的兴趣点的“意愿值”，即本地长途 货运货车
Figure 257996DEST_PATH_IMAGE027
从待测地区出发前往兴趣点的概率，具体计算方法如下：
S6-1：将步骤S4中统计的本地长途货运货车
Figure 689983DEST_PATH_IMAGE027
每条轨迹的起点和终点，构成本地 长途货运货车
Figure 266458DEST_PATH_IMAGE027
交通出行量集合，即本地长途货运货车
Figure 989563DEST_PATH_IMAGE027
的
Figure 820247DEST_PATH_IMAGE065
集合
Figure 439447DEST_PATH_IMAGE066
， 其中，
Figure 237639DEST_PATH_IMAGE067
为本地长途货运货车
Figure 702118DEST_PATH_IMAGE027
的第一对起点和对应终点坐标，
Figure 682582DEST_PATH_IMAGE068
为本地长途货运货 车
Figure 472683DEST_PATH_IMAGE027
的第二对起点和对应终点坐标，
Figure 758171DEST_PATH_IMAGE069
为本地长途货运货车
Figure 777074DEST_PATH_IMAGE027
的第
Figure 831617DEST_PATH_IMAGE070
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
Figure 792620DEST_PATH_IMAGE071
用来记录本地长途货运货车
Figure 34246DEST_PATH_IMAGE027
的
Figure 355374DEST_PATH_IMAGE065
集合中每个元 素出现的次数，其中，
Figure 530004DEST_PATH_IMAGE072
为
Figure 396329DEST_PATH_IMAGE067
出现的次数，
Figure 656409DEST_PATH_IMAGE073
为
Figure 813852DEST_PATH_IMAGE068
出现的次数，
Figure 842987DEST_PATH_IMAGE074
为
Figure 880214DEST_PATH_IMAGE069
出现的次 数，遍历本地长途货运货车
Figure 894435DEST_PATH_IMAGE027
的
Figure 308099DEST_PATH_IMAGE065
集合，如果本地长途货运货车
Figure 926162DEST_PATH_IMAGE027
的
Figure 399869DEST_PATH_IMAGE065
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
Figure 119695DEST_PATH_IMAGE075
，终点属于
Figure 71470DEST_PATH_IMAGE076
，则添加一条从
Figure 75198DEST_PATH_IMAGE075
指向
Figure 454227DEST_PATH_IMAGE075
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
Figure 956621DEST_PATH_IMAGE027
的
Figure 712088DEST_PATH_IMAGE065
集合后得到了一 幅属于
Figure 570322DEST_PATH_IMAGE027
的加权有向图，记为
Figure 136564DEST_PATH_IMAGE077
；
S6-3：对
Figure 80249DEST_PATH_IMAGE078
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
Figure 373827DEST_PATH_IMAGE079
，并对最短路径树
Figure 86568DEST_PATH_IMAGE079
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
Figure 56667DEST_PATH_IMAGE027
的
Figure 487649DEST_PATH_IMAGE065
集合中的元素出现的次数；
S6-4：对最短路径树
Figure 584918DEST_PATH_IMAGE079
上除了根节点之外的每个节点计算意愿值，本地长途货运 货车
Figure 152165DEST_PATH_IMAGE027
相对节点
Figure 60209DEST_PATH_IMAGE080
的意愿值
Figure 978487DEST_PATH_IMAGE081
为
Figure 613868DEST_PATH_IMAGE082
，
其中，
Figure 347206DEST_PATH_IMAGE083
为节点
Figure 675419DEST_PATH_IMAGE080
到根节点之间的边的数量，
Figure 815414DEST_PATH_IMAGE084
为从根节点到节点
Figure 254485DEST_PATH_IMAGE080
的路径 上的每条边的权重；
S6-5：步骤S6-4得到所有本地长途货运货车相对各个节点的意愿值后，对所有意 愿值归一化处理：
Figure 547057DEST_PATH_IMAGE085
，
其中，
Figure 46172DEST_PATH_IMAGE086
为本地长途货运货车
Figure 673462DEST_PATH_IMAGE027
相对节点
Figure 650645DEST_PATH_IMAGE080
的意愿值做归一化处理后的结果，
Figure 567698DEST_PATH_IMAGE087
为所有本地长途货运货车相对各个节点的意愿值中的最小值，
Figure 34451DEST_PATH_IMAGE088
为所有本地长途 货运货车相对各个节点的意愿值中的最大值；
S7：计算外地长途货运货车
Figure 149038DEST_PATH_IMAGE028
对步骤S5中兴趣点的“意愿值”，具体计算方法为：
S7-1：将步骤S4中统计的外地长途货运货车
Figure 680645DEST_PATH_IMAGE028
每条轨迹的起点和终点，构成外地 长途货运货车
Figure 197076DEST_PATH_IMAGE028
的
Figure 37994DEST_PATH_IMAGE065
集合
Figure 374297DEST_PATH_IMAGE089
，其中，
Figure 208130DEST_PATH_IMAGE090
为外地长途货运货车
Figure 579068DEST_PATH_IMAGE028
的第 一对起点和对应终点坐标，
Figure 387624DEST_PATH_IMAGE091
为外地长途货运货车
Figure 961956DEST_PATH_IMAGE028
的第二对起点和对应终点坐标，
Figure 350212DEST_PATH_IMAGE092
为外地长途货运货车
Figure 575657DEST_PATH_IMAGE093
的第
Figure 758377DEST_PATH_IMAGE094
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
Figure 318540DEST_PATH_IMAGE095
用来记录外地长途货运货车
Figure 244908DEST_PATH_IMAGE028
的
Figure 324859DEST_PATH_IMAGE065
集合中每个 元素出现的次数，其中,
Figure 944059DEST_PATH_IMAGE096
为
Figure 492983DEST_PATH_IMAGE090
出现的次数，
Figure 957463DEST_PATH_IMAGE097
为
Figure 157500DEST_PATH_IMAGE091
出现的次数，
Figure 947601DEST_PATH_IMAGE098
为
Figure 13515DEST_PATH_IMAGE099
出现 的次数，遍历整个外地长途货运货车
Figure 547265DEST_PATH_IMAGE028
的
Figure 601808DEST_PATH_IMAGE065
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
Figure 47964DEST_PATH_IMAGE100
，对应的出现次数为
Figure 555169DEST_PATH_IMAGE101
；
S7-3：对
Figure 627030DEST_PATH_IMAGE100
中终点对应的兴趣点进行意愿值计算，外地长途货 运货车
Figure 536081DEST_PATH_IMAGE028
相对兴趣点
Figure 911393DEST_PATH_IMAGE102
的意愿值
Figure 905894DEST_PATH_IMAGE103
为：
Figure 578183DEST_PATH_IMAGE104
，
S7-4：步骤S7-3得到所有外地长途货运货车相对各个兴趣点的意愿值后，对所有 意愿值进行归一化处理：
Figure 358052DEST_PATH_IMAGE105
，
其中，
Figure 395278DEST_PATH_IMAGE106
为外地长途货运货车
Figure 142654DEST_PATH_IMAGE028
相对兴趣点
Figure 556318DEST_PATH_IMAGE102
的意愿值做归一化处理后的结 果，
Figure 689228DEST_PATH_IMAGE107
为所有外地长途货运货车相对各个节点的意愿值中的最小值，
Figure 631776DEST_PATH_IMAGE108
为所有外地长 途货运货车相对各个节点的意愿值中的最大值；
S8：计算某一时刻待测地区到目标地区
Figure 600869DEST_PATH_IMAGE109
的长途货运货车运输意图
Figure 818224DEST_PATH_IMAGE110
，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
Figure 307105DEST_PATH_IMAGE110
：
Figure 951713DEST_PATH_IMAGE111
，
其中，
Figure 408102DEST_PATH_IMAGE112
为步骤S6和步骤S7计算出的长途货运货车
Figure 163568DEST_PATH_IMAGE113
到目标地区
Figure 67808DEST_PATH_IMAGE114
的意愿 值，
Figure 883318DEST_PATH_IMAGE115
为空车数量；
根据计算出的结果判断出该时刻待测地区相对目标地区
Figure 561424DEST_PATH_IMAGE109
的货车运力大小，
Figure 871313DEST_PATH_IMAGE110
值越大代表该时刻待测地区相对目标地区
Figure 318475DEST_PATH_IMAGE109
的货车运力越大，即有较多的货车愿意承担前 往目标地区
Figure 304886DEST_PATH_IMAGE109
运货的任务的概率较大。
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，
Figure 735867DEST_PATH_IMAGE065
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：
Figure 82404DEST_PATH_IMAGE001
，
Figure 649651DEST_PATH_IMAGE002
，
Figure 603701DEST_PATH_IMAGE003
，
其中，
Figure 7131DEST_PATH_IMAGE004
为轨迹点A、地球地心O和轨迹点B依次连接形成的夹角的角度值，
Figure 908091DEST_PATH_IMAGE005
为
Figure 595425DEST_PATH_IMAGE004
的弧度，
Figure 923638DEST_PATH_IMAGE006
和
Figure 53180DEST_PATH_IMAGE007
分别为轨迹点A的经度和纬度，
Figure 492251DEST_PATH_IMAGE008
和
Figure 34091DEST_PATH_IMAGE009
分别轨迹点B的经度和纬 度，R为地球半径，
Figure 533206DEST_PATH_IMAGE010
为轨迹点A和轨迹点B之间的距离；
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；
S2-2-2：计算出每个轨迹点的平均速度，对于相邻的轨迹点A、B和C，B点的平均速 度计算公式为：
Figure 911228DEST_PATH_IMAGE011
，
其中，
Figure 950729DEST_PATH_IMAGE010
为轨迹点A和轨迹点B之间的距离，
Figure 815916DEST_PATH_IMAGE012
为轨迹点B和轨迹点C之间的距 离，
Figure 531937DEST_PATH_IMAGE013
为C点的时间戳，
Figure 380945DEST_PATH_IMAGE014
为A点的时间戳，
Figure 427398DEST_PATH_IMAGE015
为B点平均速度；
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
Figure 943830DEST_PATH_IMAGE016
，其中，
Figure 535480DEST_PATH_IMAGE017
为第一段由平均速度均低于5km/h的轨迹 点组成的轨迹段，
Figure 606204DEST_PATH_IMAGE018
为第二段由平均速度均低于5km/h的轨迹点组成的轨迹段，
Figure 987507DEST_PATH_IMAGE019
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
Figure 342133DEST_PATH_IMAGE116
，其中，
Figure 353952DEST_PATH_IMAGE022
为货车的第一个停驻点，
Figure 443131DEST_PATH_IMAGE023
为货车的第二 个停驻点，
Figure 565807DEST_PATH_IMAGE024
为货车的第
Figure 807564DEST_PATH_IMAGE025
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
Figure 787021DEST_PATH_IMAGE026
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
Figure 97917DEST_PATH_IMAGE027
和外地长途货运货车
Figure 273552DEST_PATH_IMAGE028
，本地 长途货运货车
Figure 619083DEST_PATH_IMAGE027
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
Figure 972704DEST_PATH_IMAGE028
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
Figure 770896DEST_PATH_IMAGE029
在本段时间内所有轨迹的起点和终点，记为
Figure 986107DEST_PATH_IMAGE117
，其中，
Figure 186145DEST_PATH_IMAGE031
为长途货运货车的编号，
Figure 710667DEST_PATH_IMAGE032
，
Figure 996155DEST_PATH_IMAGE033
为长途货 运货车的总数量，
Figure 796750DEST_PATH_IMAGE034
为长途货运货车
Figure 648031DEST_PATH_IMAGE029
轨迹数据中检测到的第一个起点，
Figure 343455DEST_PATH_IMAGE035
为第二个起 点即第一个终点，
Figure 866971DEST_PATH_IMAGE036
为第三个起点即第二个终点，
Figure 938832DEST_PATH_IMAGE037
为第
Figure 582303DEST_PATH_IMAGE038
个终点，
Figure 714207DEST_PATH_IMAGE039
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：
Figure 957976DEST_PATH_IMAGE040
，
其中，
Figure 833528DEST_PATH_IMAGE041
为长途货运货车
Figure 597084DEST_PATH_IMAGE029
的所有起点中落在待测地区内点的数量，
Figure 447360DEST_PATH_IMAGE042
为起点总 数；将
Figure 929157DEST_PATH_IMAGE043
的长途货运货车标记为本地长途货运货车
Figure 342821DEST_PATH_IMAGE027
，
Figure 226463DEST_PATH_IMAGE044
的长途货运货车标记 为外地长途货运货车
Figure 949437DEST_PATH_IMAGE028
，
Figure 918530DEST_PATH_IMAGE045
；
S5：对全部长途货运货车的起点和终点
Figure 135885DEST_PATH_IMAGE046
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
Figure 608455DEST_PATH_IMAGE047
，其中，
Figure 3795DEST_PATH_IMAGE048
为第一个簇，
Figure 460184DEST_PATH_IMAGE049
为第 二个簇，
Figure 215651DEST_PATH_IMAGE050
为第
Figure 119890DEST_PATH_IMAGE051
个簇，统计每个簇中包含的起点和终点的数量，记为
Figure 669820DEST_PATH_IMAGE052
，其中，
Figure 613506DEST_PATH_IMAGE053
为
Figure 172663DEST_PATH_IMAGE048
包含的起点和终点的数量，
Figure 636136DEST_PATH_IMAGE054
为
Figure 622547DEST_PATH_IMAGE049
包含的起点和终点的数量，
Figure 522370DEST_PATH_IMAGE055
为
Figure 619639DEST_PATH_IMAGE050
包含的起点 和终点的数量，利用快速排序算法对集合
Figure 707593DEST_PATH_IMAGE052
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
Figure 864905DEST_PATH_IMAGE056
，其 中，
Figure 517603DEST_PATH_IMAGE057
为筛选后的第一个簇，
Figure 966033DEST_PATH_IMAGE058
为筛选后的第二个簇，
Figure 653366DEST_PATH_IMAGE059
为筛选后的第
Figure 981579DEST_PATH_IMAGE060
个簇，对应的包 含的起点和终点的数量为
Figure 121574DEST_PATH_IMAGE061
,其中，
Figure 544333DEST_PATH_IMAGE062
为
Figure 86173DEST_PATH_IMAGE057
包含的起点和终点的数量，
Figure 585288DEST_PATH_IMAGE063
为
Figure 212578DEST_PATH_IMAGE058
包 含的起点和终点的数量，
Figure 2811DEST_PATH_IMAGE064
为
Figure 602419DEST_PATH_IMAGE059
包含的起点和终点的数量；
S6：计算本地长途货运货车
Figure 272435DEST_PATH_IMAGE027
对步骤S5中得到的兴趣点的“意愿值”，即本地长途 货运货车
Figure 433027DEST_PATH_IMAGE027
从待测地区出发前往兴趣点的概率，具体计算方法如下：
S6-1：将步骤S4中统计的本地长途货运货车
Figure 479480DEST_PATH_IMAGE027
每条轨迹的起点和终点，构成本地 长途货运货车
Figure 730333DEST_PATH_IMAGE027
交通出行量集合，即本地长途货运货车
Figure 571250DEST_PATH_IMAGE027
的
Figure 923865DEST_PATH_IMAGE065
集合
Figure 242851DEST_PATH_IMAGE066
， 其中，
Figure 613789DEST_PATH_IMAGE067
为本地长途货运货车
Figure 625608DEST_PATH_IMAGE027
的第一对起点和对应终点坐标，
Figure 964054DEST_PATH_IMAGE068
为本地长途货运货 车
Figure 86731DEST_PATH_IMAGE027
的第二对起点和对应终点坐标，
Figure 108914DEST_PATH_IMAGE069
为本地长途货运货车
Figure 307945DEST_PATH_IMAGE027
的第
Figure 618841DEST_PATH_IMAGE070
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
Figure 279629DEST_PATH_IMAGE118
用来记录本地长途货运货车
Figure 625160DEST_PATH_IMAGE027
的
Figure 222189DEST_PATH_IMAGE065
集合中每个元 素出现的次数，其中
Figure 20381DEST_PATH_IMAGE072
为
Figure 750439DEST_PATH_IMAGE119
出现的次数，
Figure 497946DEST_PATH_IMAGE073
为
Figure 22469DEST_PATH_IMAGE120
出现的次数，
Figure 42377DEST_PATH_IMAGE074
为
Figure 310548DEST_PATH_IMAGE121
出现的次数，遍 历本地长途货运货车
Figure 614359DEST_PATH_IMAGE027
的
Figure 575362DEST_PATH_IMAGE065
集合，如果本地长途货运货车
Figure 348146DEST_PATH_IMAGE027
的
Figure 701898DEST_PATH_IMAGE065
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
Figure 876527DEST_PATH_IMAGE122
，终点属于
Figure 742852DEST_PATH_IMAGE076
，则添加一条从
Figure 2932DEST_PATH_IMAGE122
指向
Figure 596593DEST_PATH_IMAGE122
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
Figure 625729DEST_PATH_IMAGE027
的
Figure 928534DEST_PATH_IMAGE065
集合后得到了一幅属 于
Figure 410331DEST_PATH_IMAGE027
的加权有向图，记为
Figure 574728DEST_PATH_IMAGE078
；
S6-3：对
Figure 255108DEST_PATH_IMAGE123
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
Figure 728814DEST_PATH_IMAGE079
，并对最短路径树
Figure 947175DEST_PATH_IMAGE079
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
Figure 898950DEST_PATH_IMAGE027
的
Figure 637099DEST_PATH_IMAGE065
集合中的元素出现的次数；
S6-4：对最短路径树
Figure 281707DEST_PATH_IMAGE079
上除了根节点之外的每个节点计算意愿值，本地长途货运 货车
Figure 488829DEST_PATH_IMAGE027
相对节点
Figure 244295DEST_PATH_IMAGE080
的意愿值
Figure 633688DEST_PATH_IMAGE081
为：
Figure 704324DEST_PATH_IMAGE124
，
其中，
Figure 382430DEST_PATH_IMAGE083
为节点
Figure 941588DEST_PATH_IMAGE080
到根节点之间的边的数量，
Figure 654329DEST_PATH_IMAGE084
为从根节点到节点
Figure 125893DEST_PATH_IMAGE080
的路径上 的每条边的权重；
S6-5：步骤S6-4得到所有本地长途货运货车相对各个节点的意愿值后，对所有意 愿值归一化处理：
Figure 353612DEST_PATH_IMAGE125
，
其中，
Figure 450881DEST_PATH_IMAGE086
为本地长途货运货车
Figure 532975DEST_PATH_IMAGE027
相对节点
Figure 424708DEST_PATH_IMAGE080
的意愿值做归一化处理后的结果
Figure 342985DEST_PATH_IMAGE087
为所有本地长途货运货车相对各个节点的意愿值中的最小值，
Figure 243945DEST_PATH_IMAGE088
为所有本地长途 货运货车相对各个节点的意愿值中的最大值；
S7：计算外地长途货运货车
Figure 150852DEST_PATH_IMAGE028
对步骤S5中兴趣点的“意愿值”，具体计算方法为：
S7-1：将步骤S4中统计的外地长途货运货车
Figure 479065DEST_PATH_IMAGE028
每条轨迹的起点和终点，构成外地 长途货运货车
Figure 619060DEST_PATH_IMAGE028
的
Figure 323710DEST_PATH_IMAGE065
集合
Figure 911555DEST_PATH_IMAGE089
，其中，
Figure 410670DEST_PATH_IMAGE090
为外地长途货运货车
Figure 37960DEST_PATH_IMAGE028
的第 一对起点和对应终点坐标，
Figure 31455DEST_PATH_IMAGE091
为外地长途货运货车
Figure 162222DEST_PATH_IMAGE028
的第二对起点和对应终点坐标，
Figure 832238DEST_PATH_IMAGE099
为外地长途货运货车
Figure 946825DEST_PATH_IMAGE093
的第
Figure 976966DEST_PATH_IMAGE094
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
Figure 290136DEST_PATH_IMAGE095
用来记录外地长途货运货车
Figure 131053DEST_PATH_IMAGE028
的
Figure 483668DEST_PATH_IMAGE065
集合中每个 元素出现的次数，其中,
Figure 802654DEST_PATH_IMAGE096
为
Figure 173593DEST_PATH_IMAGE090
出现的次数，
Figure 185411DEST_PATH_IMAGE097
为
Figure 275856DEST_PATH_IMAGE091
出现的次数，
Figure 460850DEST_PATH_IMAGE098
为
Figure 686295DEST_PATH_IMAGE099
出现 的次数，遍历整个外地长途货运货车
Figure 619747DEST_PATH_IMAGE028
的
Figure 196222DEST_PATH_IMAGE065
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
Figure 122589DEST_PATH_IMAGE100
，对应的出现次数为
Figure 202541DEST_PATH_IMAGE101
；
S7-3：对
Figure 71009DEST_PATH_IMAGE100
中终点对应的兴趣点进行意愿值计算，外地长途货 运货车
Figure 603621DEST_PATH_IMAGE028
相对兴趣点
Figure 333680DEST_PATH_IMAGE102
的意愿值
Figure 268138DEST_PATH_IMAGE103
为：
Figure 808972DEST_PATH_IMAGE104
，
S7-4：步骤S7-3得到所有外地长途货运货车相对各个兴趣点的意愿值后，对所有 意愿值进行归一化处理：
Figure 891197DEST_PATH_IMAGE105
，
其中，
Figure 159367DEST_PATH_IMAGE106
为外地长途货运货车
Figure 463179DEST_PATH_IMAGE028
相对兴趣点
Figure 158602DEST_PATH_IMAGE102
的意愿值做归一化处理后的结 果，
Figure 665807DEST_PATH_IMAGE107
为所有外地长途货运货车相对各个节点的意愿值中的最小值，
Figure 737668DEST_PATH_IMAGE108
为所有外地 长途货运货车相对各个节点的意愿值中的最大值；
S8：计算某一时刻待测地区到目标地区
Figure 663030DEST_PATH_IMAGE109
的长途货运货车运输意图
Figure 529355DEST_PATH_IMAGE110
，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
Figure 586172DEST_PATH_IMAGE110
：
Figure 445413DEST_PATH_IMAGE111
，
其中，
Figure 474549DEST_PATH_IMAGE112
为步骤S6和步骤S7计算出的长途货运货车
Figure 511775DEST_PATH_IMAGE113
到目标地区
Figure 259151DEST_PATH_IMAGE114
的意愿值，
Figure 423547DEST_PATH_IMAGE115
为空车数量；
根据计算出的结果判断出该时刻待测地区相对目标地区
Figure 41610DEST_PATH_IMAGE109
的货车运力大小，
Figure 515317DEST_PATH_IMAGE126
值越大代表该时刻待测地区相对目标地区
Figure 484410DEST_PATH_IMAGE109
的货车运力越大，即有较多的货车愿意承担 前往目标地区
Figure 691313DEST_PATH_IMAGE109
运货的任务的概率较大。
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：
Figure 335976DEST_PATH_IMAGE001
其中，
Figure 656099DEST_PATH_IMAGE002
为轨迹点A、地球地心O和轨迹点B依次连接形成的夹角的角度值，
Figure 554785DEST_PATH_IMAGE003
为
Figure 593148DEST_PATH_IMAGE002
的弧度，
Figure 133851DEST_PATH_IMAGE004
和
Figure 246164DEST_PATH_IMAGE005
分别为轨迹点A的经度和纬度，
Figure 846909DEST_PATH_IMAGE006
和
Figure 857722DEST_PATH_IMAGE007
分别轨迹点B的经度和纬度，R为地球半径，
Figure 936536DEST_PATH_IMAGE008
为轨迹点A和轨迹点B之间的距离；
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；
S2-2-2：计算出每个轨迹点的平均速度，对于相邻的轨迹点A、B和C，B点的平均速度计算公式为：
Figure 434514DEST_PATH_IMAGE009
，
其中，
Figure 737319DEST_PATH_IMAGE008
为轨迹点A和轨迹点B之间的距离，
Figure 687957DEST_PATH_IMAGE010
为轨迹点B和轨迹点C之间的距离，
Figure 570463DEST_PATH_IMAGE011
为C点的时间戳，
Figure 719684DEST_PATH_IMAGE012
为A点的时间戳，
Figure 131074DEST_PATH_IMAGE013
为B点平均速度；
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
Figure 569009DEST_PATH_IMAGE014
，其中，
Figure 51943DEST_PATH_IMAGE015
为第一段由平均速度均低于5km/h的轨迹点组成的轨迹段，
Figure 993354DEST_PATH_IMAGE016
为第二段由平均速度均低于5km/h的轨迹点组成的轨迹段，
Figure 167457DEST_PATH_IMAGE017
为第
Figure 92688DEST_PATH_IMAGE018
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
Figure 51416DEST_PATH_IMAGE019
，其中，
Figure 378493DEST_PATH_IMAGE020
为货车的第一个停驻点，
Figure 459581DEST_PATH_IMAGE021
为货车的第二个停驻点，
Figure 340949DEST_PATH_IMAGE022
为货车的第
Figure 165686DEST_PATH_IMAGE023
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
Figure 347269DEST_PATH_IMAGE019
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
Figure 536941DEST_PATH_IMAGE024
和外地长途货运货车
Figure 436764DEST_PATH_IMAGE025
本地长途货运货车
Figure 799613DEST_PATH_IMAGE024
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
Figure 570122DEST_PATH_IMAGE025
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
Figure 196276DEST_PATH_IMAGE026
在本段时间内所有轨迹的起点和终点，记为
Figure 865286DEST_PATH_IMAGE027
，其中，
Figure 969508DEST_PATH_IMAGE028
为长途货运货车的编号，
Figure 125683DEST_PATH_IMAGE029
为长途货运货车的总数量，
Figure 719475DEST_PATH_IMAGE030
为长途货运货车
Figure 62732DEST_PATH_IMAGE026
轨迹数据中检测到的第一个起点，
Figure 767383DEST_PATH_IMAGE031
为第二个起点即第一个终点，
Figure 778064DEST_PATH_IMAGE032
为第三个起点即第二个终点，
Figure 480441DEST_PATH_IMAGE033
为第
Figure 373310DEST_PATH_IMAGE034
个终点，
Figure 84914DEST_PATH_IMAGE035
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：
Figure 950102DEST_PATH_IMAGE036
，
其中，
Figure 134965DEST_PATH_IMAGE037
为长途货运货车
Figure 452814DEST_PATH_IMAGE026
的所有起点中落在待测地区内点的数量，
Figure 702529DEST_PATH_IMAGE038
为起点总数；将
Figure 484541DEST_PATH_IMAGE039
的长途货运货车标记为本地长途货运货车
Figure 794299DEST_PATH_IMAGE024
，
Figure 333865DEST_PATH_IMAGE040
的长途货运货车标记为外地长途货运货车
Figure 184009DEST_PATH_IMAGE025
，
Figure 23789DEST_PATH_IMAGE041
S5：对全部长途货运货车的起点和终点
Figure 238870DEST_PATH_IMAGE042
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
Figure 593628DEST_PATH_IMAGE043
，其中，
Figure 919567DEST_PATH_IMAGE044
为第一个簇，
Figure 879433DEST_PATH_IMAGE045
为第二个簇，
Figure 78464DEST_PATH_IMAGE046
为第
Figure 858201DEST_PATH_IMAGE047
个簇，统计每个簇中包含的起点和终点的数量，记为
Figure 987831DEST_PATH_IMAGE048
，其中，
Figure 598941DEST_PATH_IMAGE049
为
Figure 421404DEST_PATH_IMAGE044
包含的起点和终点的数量，
Figure 422858DEST_PATH_IMAGE050
为
Figure 418496DEST_PATH_IMAGE045
包含的起点和终点的数量，
Figure 821795DEST_PATH_IMAGE051
为
Figure 815159DEST_PATH_IMAGE046
包含的起点和终点的数量，利用快速排序算法对集合
Figure 366226DEST_PATH_IMAGE048
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
Figure 103238DEST_PATH_IMAGE052
，其中，
Figure 626623DEST_PATH_IMAGE053
为筛选后的第一个簇，
Figure 839823DEST_PATH_IMAGE054
为筛选后的第二个簇，
Figure 815869DEST_PATH_IMAGE055
为筛选后的第
Figure 153310DEST_PATH_IMAGE056
个簇，对应的包含的起点和终点的数量为
Figure 531202DEST_PATH_IMAGE057
,其中，
Figure 866368DEST_PATH_IMAGE058
为
Figure 126448DEST_PATH_IMAGE053
包含的起点和终点的数量，
Figure 470842DEST_PATH_IMAGE059
为
Figure 437661DEST_PATH_IMAGE054
包含的起点和终点的数量，
Figure 6045DEST_PATH_IMAGE060
为
Figure 956684DEST_PATH_IMAGE055
包含的起点和终点的数量；
S6：计算本地长途货运货车
Figure 573610DEST_PATH_IMAGE024
对步骤S5中得到的兴趣点的“意愿值”，即本地长途货运货车
Figure 473564DEST_PATH_IMAGE024
从待测地区出发前往兴趣点的概率，具体计算方法如下：
S6-1：将步骤S4中统计的本地长途货运货车
Figure 416112DEST_PATH_IMAGE024
每条轨迹的起点和终点，构成本地长途货运货车
Figure 588467DEST_PATH_IMAGE024
交通出行量集合，即本地长途货运货车
Figure 71401DEST_PATH_IMAGE024
的OD集合
Figure 278392DEST_PATH_IMAGE061
，其中，
Figure 126262DEST_PATH_IMAGE062
为本地长途货运货车
Figure 848230DEST_PATH_IMAGE024
的第一对起点和对应终点坐标，
Figure 72538DEST_PATH_IMAGE063
为本地长途货运货车
Figure 134035DEST_PATH_IMAGE024
的第二对起点和对应终点坐标，
Figure 949545DEST_PATH_IMAGE064
为本地长途货运货车
Figure 362071DEST_PATH_IMAGE024
的第
Figure 124491DEST_PATH_IMAGE065
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
Figure 352079DEST_PATH_IMAGE066
用来记录本地长途货运货车
Figure 541752DEST_PATH_IMAGE024
的OD集合中每个元素出现的次数，其中，
Figure 175995DEST_PATH_IMAGE067
为
Figure 538844DEST_PATH_IMAGE068
出现的次数，
Figure 574933DEST_PATH_IMAGE069
为
Figure 201086DEST_PATH_IMAGE063
出现的次数，
Figure 119364DEST_PATH_IMAGE070
为
Figure 223586DEST_PATH_IMAGE064
出现的次数，遍历本地长途货运货车
Figure 176498DEST_PATH_IMAGE024
的OD集合，如果本地长途货运货车
Figure 973553DEST_PATH_IMAGE024
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
Figure 316810DEST_PATH_IMAGE071
，终点属于
Figure 224723DEST_PATH_IMAGE072
，则添加一条从
Figure 782874DEST_PATH_IMAGE071
指向
Figure 485251DEST_PATH_IMAGE073
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
Figure 581383DEST_PATH_IMAGE024
的OD集合后得到了一幅属于
Figure 89725DEST_PATH_IMAGE024
的加权有向图，记为
Figure 689333DEST_PATH_IMAGE074
；
S6-3：对
Figure 828191DEST_PATH_IMAGE074
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
Figure 208356DEST_PATH_IMAGE075
，并对最短路径树
Figure 458072DEST_PATH_IMAGE075
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
Figure 177767DEST_PATH_IMAGE024
的OD集合中的元素出现的次数；
S6-4：对最短路径树
Figure 284263DEST_PATH_IMAGE075
上除了根节点之外的每个节点计算意愿值，本地长途货运货车
Figure 89408DEST_PATH_IMAGE024
相对节点
Figure 191749DEST_PATH_IMAGE076
的意愿值
Figure 31529DEST_PATH_IMAGE077
为：
Figure 246610DEST_PATH_IMAGE078
其中，
Figure 601368DEST_PATH_IMAGE079
为节点
Figure 192886DEST_PATH_IMAGE076
到根节点之间的边的数量，
Figure 621594DEST_PATH_IMAGE080
为从根节点到节点
Figure 335472DEST_PATH_IMAGE076
的路径上的每条边的权重；
S6-5：步骤S6-4得到所有本地长途货运货车相对各个节点的意愿值后，对所有意愿值归一化处理：
Figure 115209DEST_PATH_IMAGE081
其中，
Figure 244839DEST_PATH_IMAGE082
为本地长途货运货车
Figure 855949DEST_PATH_IMAGE024
相对节点
Figure 678411DEST_PATH_IMAGE076
的意愿值做归一化处理后的结果，
Figure 679865DEST_PATH_IMAGE083
为所有本地长途货运货车相对各个节点的意愿值中的最小值，
Figure 426236DEST_PATH_IMAGE084
为所有本地长途货运货车相对各个节点的意愿值中的最大值；
S7：计算外地长途货运货车
Figure 95114DEST_PATH_IMAGE025
对步骤S5中兴趣点的“意愿值”，具体计算方法为：
S7-1：将步骤S4中统计的外地长途货运货车
Figure 822899DEST_PATH_IMAGE025
每条轨迹的起点和终点，构成外地长途货运货车
Figure 373966DEST_PATH_IMAGE025
的OD集合
Figure 845399DEST_PATH_IMAGE085
，其中，
Figure 165522DEST_PATH_IMAGE086
为外地长途货运货车
Figure 595366DEST_PATH_IMAGE025
的第一对起点和对应终点坐标，
Figure 571412DEST_PATH_IMAGE087
为外地长途货运货车
Figure 846536DEST_PATH_IMAGE025
的第二对起点和对应终点坐标，
Figure 286744DEST_PATH_IMAGE088
为外地长途货运货车
Figure 356331DEST_PATH_IMAGE025
的第
Figure 131258DEST_PATH_IMAGE089
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
Figure 210073DEST_PATH_IMAGE090
用来记录外地长途货运货车
Figure 442471DEST_PATH_IMAGE025
的OD集合中每个元素出现的次数，其中,
Figure 10856DEST_PATH_IMAGE091
为
Figure 961494DEST_PATH_IMAGE086
出现的次数，
Figure 578420DEST_PATH_IMAGE092
为
Figure 930904DEST_PATH_IMAGE087
出现的次数，
Figure 670190DEST_PATH_IMAGE093
为
Figure 842545DEST_PATH_IMAGE088
出现的次数，遍历整个外地长途货运货车
Figure 59900DEST_PATH_IMAGE025
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
Figure 532470DEST_PATH_IMAGE094
,对应的出现次数为
Figure 380340DEST_PATH_IMAGE095
；
S7-3：对
Figure 305571DEST_PATH_IMAGE096
中终点对应的兴趣点进行意愿值计算，外地长途货运货车
Figure 77349DEST_PATH_IMAGE025
相对兴趣点
Figure 873266DEST_PATH_IMAGE097
的意愿值
Figure 954355DEST_PATH_IMAGE098
为：
Figure 366882DEST_PATH_IMAGE099
，
S7-4：步骤S7-3得到所有外地长途货运货车相对各个兴趣点的意愿值后，对所有意愿值进行归一化处理：
Figure 129301DEST_PATH_IMAGE100
其中,
Figure 107622DEST_PATH_IMAGE101
为外地长途货运货车
Figure 297294DEST_PATH_IMAGE025
相对兴趣点
Figure 931538DEST_PATH_IMAGE097
的意愿值做归一化处理后的结果，
Figure 294386DEST_PATH_IMAGE102
为所有外地长途货运货车相对各个节点的意愿值中的最小值，
Figure 596055DEST_PATH_IMAGE103
为所有外地长途货运货车相对各个节点的意愿值中的最大值；
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
Figure 691050DEST_PATH_IMAGE104
，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
Figure 127104DEST_PATH_IMAGE104
：
Figure 231326DEST_PATH_IMAGE105
其中，
Figure 121921DEST_PATH_IMAGE106
为步骤S6和步骤S7计算出的长途货运货车
Figure 715714DEST_PATH_IMAGE107
到目标地区D的意愿值，
Figure 58971DEST_PATH_IMAGE108
为空车数量；
根据计算出的结果判断出该时刻待测地区相对目标地区D的货车运力大小，
Figure 232463DEST_PATH_IMAGE109
值越大代表该时刻待测地区相对目标地区D的货车运力越大，即有较多的货车愿意承担前往目标地区D运货的任务的概率较大。
CN202010427532.9A 2020-05-20 2020-05-20 一种交通运力承运意图辨识方法 Active CN111340674B (zh)

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)

* Cited by examiner, † Cited by third party
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)

* Cited by examiner, † Cited by third party
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

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