CN111353732A - 车辆运输模式识别方法、装置、设备和存储介质 - Google Patents
车辆运输模式识别方法、装置、设备和存储介质 Download PDFInfo
- Publication number
- CN111353732A CN111353732A CN201811573913.7A CN201811573913A CN111353732A CN 111353732 A CN111353732 A CN 111353732A CN 201811573913 A CN201811573913 A CN 201811573913A CN 111353732 A CN111353732 A CN 111353732A
- Authority
- CN
- China
- Prior art keywords
- stay
- city
- determining
- candidate
- cities
- 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.)
- Pending
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
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Quality & Reliability (AREA)
- Entrepreneurship & Innovation (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Development Economics (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明实施例公开了一种车辆运输模式识别方法、装置、设备和存储介质。该方法包括:依据目标车辆的历史行驶轨迹数据,确定所述目标车辆的候选停留点;依据停留点、城市及区域之间的从属关系,对所述候选停留点进行分层聚类,确定停留点聚类结果;依据所述停留点聚类结果,确定所述目标车辆的运输模式。本发明实施例在随机且零散分布的停留点的基础上,通过对车辆的历史行驶轨迹数据进行大数据分析,对车辆途径停留点进行分层聚类,实现了车辆运输模式的有效确定,提高了车辆分析的效率和准确率,降低了车辆分析成本和人力投入,为车辆的在线配货提供依据。
Description
技术领域
本发明实施例涉及物流技术领域,尤其涉及一种车辆运输模式识别方法、装置、设备和存储介质。
背景技术
随着城市建设的快速发展以及个人生活水平的稳健提高,物流行业也得到蓬勃发展。相应的,车辆、货物以及车辆对货物的运输数据急剧增加,对于车辆运输数据的监控越发困难。
现有技术中,可以通过车机上报车辆自身的运行数据,例如车辆运行速度和卫星定位信息等,进行停留点或常跑路线分析。或者结合配货电话记录或成交订单,来采集车辆运输数据,从而分析确定车辆的运输模式,为车货物匹配提供粗粒度的依据。
然而,现有技术无法根据车辆的行为模式推测车辆的货源信息。且由于车辆分布较为分散,货物货源较为繁多,记录数据量庞大,因此依据人工进行运输记录的分析方式,难以涵盖所有车辆的运输模式分析,且分析成本和人力投入较高,确定分析结果的效率和准确率较低,相应的也影响为车辆与货物匹配的效率和准确率。
发明内容
本发明实施例提供了一种车辆运输模式识别方法、装置、设备和存储介质,能够有效地在线识别车辆运输模式,提高车辆分析的效率和准确率
第一方面,本发明实施例提供了一种车辆运输模式识别方法,包括:
依据目标车辆的历史行驶轨迹数据,确定所述目标车辆的候选停留点;
依据停留点、城市及区域之间的从属关系,对所述候选停留点进行分层聚类,确定停留点聚类结果;
依据所述停留点聚类结果,确定所述目标车辆的运输模式。
第二方面,本发明实施例提供了一种车辆运输模式识别装置,包括:
停留点确定模块,用于依据目标车辆的历史行驶轨迹数据,确定所述目标车辆的候选停留点;
停留点聚类模块,用于依据停留点、城市及区域之间的从属关系,对所述候选停留点进行分层聚类,确定停留点聚类结果;
车辆运输模式确定模块,用于依据所述停留点聚类结果,确定所述目标车辆的运输模式。
第三方面,本发明实施例提供了一种设备,包括:
一个或多个处理器;
存储器,用于存储一个或多个程序;
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现本发明任意实施例所述的车辆运输模式识别方法。
第四方面,本发明实施例提供了一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现本发明任意实施例所述的车辆运输模式识别方法。
本发明实施例依据目标车辆的历史行驶轨迹数据,确定目标车辆历史经停过的候选停留点,根据地点之间的层级关系和包含关系等,对停留点进行包括城市、省份和区域的分层聚类,从而根据聚类结果确定目标车辆的运输模式。本发明实施例在随机且零散分布的停留点的基础上,通过对车辆的历史行驶轨迹数据进行大数据分析,使得车辆途径地点标准化聚类,实现了车辆运输模式的有效确定,提高了车辆分析的效率和准确率,降低了车辆分析成本和人力投入,为车辆的在线配货提供依据。
附图说明
图1为本发明实施例一提供的一种车辆运输模式识别方法的流程图;
图2为本发明实施例二提供的一种车辆运输模式识别方法的流程图;
图3为本发明实施例二提供的候选停留点聚类的示例图;
图4为本发明实施例三提供的一种车辆运输模式识别装置的结构示意图;
图5为本发明实施例四提供的一种设备的结构示意图。
具体实施方式
下面结合附图和实施例对本发明实施例作进一步的详细说明。可以理解的是,此处所描述的具体实施例仅仅用于解释本发明实施例,而非对本发明的限定。另外还需要说明的是,为了便于描述,附图中仅示出了与本发明实施例相关的部分而非全部结构。
实施例一
图1为本发明实施例一提供的一种车辆运输模式识别方法的流程图,本实施例可适用于监控车辆数据并为车辆配货的情况,该方法可由一种车辆运输模式识别装置来执行。该方法具体包括如下步骤:
步骤110、依据目标车辆的历史行驶轨迹数据,确定目标车辆的候选停留点。
在本发明具体实施例中,目标车辆是指可以运输货物的待监控车辆,目标车辆可以是具有稳定货源的车辆,即通常所说的具有合同物流的合同物流车辆或大车队,也可以是货源较为分散且不固定的个体司机车辆。历史行驶轨迹数据是指目标车辆在当前时刻之前的车辆行驶数据,可以是通过目标车辆实时或定时反馈得到的。为了提高行驶轨迹数据的分析与车辆当前运输模式的一致性,历史行驶轨迹数据可以是距离当前一段时间的行驶数据,例如目标车辆过去一年的行驶轨迹数据。其中,历史行驶轨迹数据可以包括目标车辆反馈的GPS定位信息、行驶速度信息以及行驶时间信息等。候选停留点是指通过数据分析确定的目标车辆处于停留状态的地点,例如车车辆加油地点、休息地点以及装卸货地点等。其中,候选停留点可以为经纬度表示的位置地点坐标,也可以是位置地点坐标所归属的市、县、乡、镇等地点名称。
本实施例中,可以依据目标车辆的历史行驶轨迹数据,确定目标车辆的行驶轨迹点,并通过计算车辆的平均行驶速度,对历史行驶轨迹中各个轨迹点的行驶状态进行判断,以此对历史轨迹中的停留点进行检测。同时还可以依据目标车辆实时反馈的车辆行驶轨迹数据,实时检测目标车辆的停留点,综合确定目标车辆近期内的候选停留点。
步骤120、依据停留点、城市及区域之间的从属关系,对候选停留点进行分层聚类,确定停留点聚类结果。
在本发明具体实施例中,城市是指行政区域划分的地级市、直辖市和特别行政区;区域是指人为划分的相对集中且具有代表性的城市集合,可以包括省份、城市群聚集区以及地理分区等。其中,省份包括全国23个省和5个自治区,例如河北省。城市群聚集区可以包括京津冀城市群、长三角城市群、粤港澳大湾区、珠三角区域、成渝城市群、长江中游城市群、中原城市群以及关中平原城市群等地理或经济区域。地理分区可以包括华东地区、华北地区、东北地区、西北地区、粤西以及粤东等。相应的,停留点、城市及区域之间具有从属关系,停留点可以归属于对应的城市,城市归属于对应的区域,而区域中还可以具体包括多级区域之间的从属关系。
本实施例中,依据停留点、城市及区域之间的从属关系,确定候选停留点所属停留城市,其中不免存在多个停留点所属停留城市相同的情况,以及候选停留点本身为城市,其他停留点所属停留城市与该城市相同的情况,进而对停留城市进行去重处理,并筛选确定候选停留城市。其次依据候选停留城市共同所属于的上级地点,以此类推逐层向上级对候选停留城市进行分层聚类,直至聚类为一个终极地点,构成树状的候选停留点聚类图。相应的,将终极地点的下一层聚类地点确定为候选停留点的聚类结果。其中,当确定的候选停留城市为1个时,则聚类结果即为该城市本身。
示例性的,可以依据停留点与城市之间的从属关系,确定候选停留点的所属停留城市,并筛选出满足预设装卸货条件的候选停留城市。具体的,依据目标车辆的历史行驶轨迹数据,确定目标车辆在各停留城市的单次停留时间,统计目标车辆在各停留城市的单次停留时间大于预设装卸货时间阈值的历史停留次数,确定历史停留次数大于预设次数阈值的城市为候选停留城市。其中,预设装卸货时间阈值是根据车辆通常所需的装货和/或卸货的时间而分析确定的,例如可以为2小时;预设次数阈值是指车辆在习惯性或倾向性运输的城市中的停留次数,例如可以为5次。从而以城市为最小聚类单位,依据城市及区域之间的从属关系,确定各候选停留城市的所属停留区域。若存在至少两个候选停留城市的所属停留区域相同,则将该至少两个候选停留城市聚类为同一候选停留区域,并依据各区域之间的从属关系,对候选停留区域进行分层聚类,以此类推,直至聚类为同一地点。最终依据同一地点的下层聚类地点,确定停留点聚类结果。
步骤130、依据停留点聚类结果,确定目标车辆的运输模式。
在本发明具体实施例中,车辆的运输模式是指对车辆在长时间行驶后分析确定的车辆运输规律及行为模式。本实施例主要根据地理位置对车辆的运输模式进行划分,可以包括城市-城市、城市-区域以及区域-区域等。其中,城市-城市运输模式是指目标车辆经常在单一城市或至少两个城市之间进行货物运输;城市-区域运输模式是指目标车辆经常在至少一个城市与至少一个区域之间进行货物运输;区域-区域是指目标车辆经常在单一区域或至少两个区域之间进行货物运输。
相应的,依据停留点聚类结果,若聚类结果中聚类地点均为城市,则确定目标车辆的运输模式为城市-城市;若聚类结果中聚类地点包括城市和区域,则确定目标车辆的运输模式为城市-区域;若聚类结果中聚类地点均为区域,则确定目标车辆的运输模式为区域-区域。其中,各运输模式还可以进一步细分,此部分将在后续实施例中进行详细解释说明。
此外,可以理解的是,城市为一个具体的限定地点,而区域中包括多个城市,且不限定具体的城市。因此城市相对于区域来说,地点较为集中。本实施例可以依据目标车辆的运输模式,确定目标车辆的货源稳定性。相应的,城市-城市以及城市-区域运输模式的货源较为稳定,装卸货地点较为固定,对应的目标车辆可能为合同物流车辆;区域-区域运输模式的货源不稳定,进而装卸货地点不固定,对应的目标车辆可能为个体司机车辆。因此,个体司机车辆比合同物流车辆具有更高的灵活性,需要更多合适的货源匹配,且车货撮合成功率较高。进而本实施例可以依据识别出的车辆的运输模式和货源稳定性,从在线车辆中挖掘个体司机车辆,对识别为个体司机车辆的目标车辆进行配货。
本实施例的技术方案,依据目标车辆的历史行驶轨迹数据,确定目标车辆历史经停过的候选停留点,根据地点之间的层级关系和包含关系等,对停留点进行包括城市、省份和区域的分层聚类,从而根据聚类结果确定目标车辆的运输模式。本发明实施例在随机且零散分布的停留点的基础上,通过对车辆的历史行驶轨迹数据进行大数据分析,使得车辆途径地点标准化聚类,实现了车辆运输模式的有效确定,提高了车辆分析的效率和准确率,降低了车辆分析成本和人力投入,为车辆的在线配货提供依据。
实施例二
本实施例在上述实施例一的基础上,提供了车辆运输模式识别方法的一个优选实施方式,能够依据车辆运输模式为车辆合理配货。图2为本发明实施例二提供的一种车辆运输模式识别方法的流程图,如图2所示,该方法包括以下具体步骤:
步骤210、依据目标车辆的历史行驶轨迹数据,确定目标车辆的候选停留点。
在本发明具体实施例中,可以依据目标车辆的历史行驶轨迹数据,确定目标车辆的行驶轨迹点,并通过计算车辆的平均行驶速度,对历史行驶轨迹中各个轨迹点的行驶状态进行判断,以此对历史轨迹中的停留点进行检测。同时还可以依据目标车辆实时反馈的车辆行驶轨迹数据,实时检测目标车辆的停留点,综合确定目标车辆近期内的候选停留点。
步骤220、依据停留点与城市之间的从属关系,确定候选停留点的所属停留城市。
在本发明具体实施例中,停留点可以为经纬度表示的位置地点坐标,也可以是位置地点坐标所归属的市、县、乡、镇等地点名称;城市是指行政区域划分的地级市、直辖市和特别行政区。相应的,停留点必然为一个具体的城市,或者归属于具体的城市。因此依据停留点与城市之间的从属关系,确定候选停留点的所属停留城市。
步骤230、对停留城市进行过滤,确定满足预设装卸货条件的候选停留城市。
在本发明具体实施例中,鉴于车辆停留时可能只进行简单的车辆加油或吃饭休息,而并未进行装卸货等有关货物运输的操作事项。因此预先设定了装卸货条件,即根据目标车辆在某一城市的单次停留时间,筛选出可能进行装卸货的停留城市,并根据目标车辆在该城市的停留次数进一步筛选出有运输习惯或倾向的候选停留城市。其中,确定的候选停留城市至少为1个。
可选的,依据目标车辆的历史行驶轨迹数据,确定目标车辆在各停留城市的单次停留时间;统计目标车辆在各停留城市的单次停留时间大于预设装卸货时间阈值的历史停留次数;确定历史停留次数大于预设次数阈值的城市为候选停留城市。
本实施例中,预设装卸货时间阈值是根据车辆通常所需的装货和/或卸货的时间而分析确定的,例如可以为2小时;预设次数阈值是指车辆在习惯性或倾向性运输的城市中的停留次数,例如可以为5次。相应的,依据目标车辆的历史行驶轨迹数据,确定目标车辆在各停留城市的单次停留时间,统计目标车辆在各停留城市的单次停留时间大于预设装卸货时间阈值的历史停留次数,从而筛选出满足装卸货时间条件的停留城市。并确定历史停留次数大于预设次数阈值的城市为候选停留城市,筛选出具有习惯性或倾向性的运输城市。
示例性的,假设预设装卸货时间阈值为2小时,预设次数阈值为5次。并假设目标车辆在城市A曾停留过8次,其中6次的单次停留时间都超过2小时;目标车辆在城市B停留过2次,且每次停留时间都超过2小时;目标车辆在城市C停留过10次,其中3次的单次停留时间都超过2小时。进而,分析确定该目标车辆经常在城市A装卸货进行货物运输,可能偶尔在城市B进行装卸货物,且不倾向于在城市B运输货物,而城市C只是运输途中时常经过的城市。因此确定城市A为满足预设装卸货条件的候选停留城市。
步骤240、依据城市及区域之间的从属关系,逐层向上对候选停留城市进行分层聚类,确定停留点聚类结果。
在本发明具体实施例中,区域是指人为划分的相对集中且具有代表性的城市集合,可以包括省份、城市群聚集区以及地理分区等。相应的,城市可以归属包含该城市的省份或城市群区域等初级区域,而该初级区域可以归属于更大一级的地理分区。因此依据停留点、城市及区域之间的从属关系,确定多个候选停留点共同所属于的上级地点,以此类推,逐层向上级对候选停留点进行分层聚类,直至聚类为一个终极地点,构成树状的候选停留点聚类图。
可选的,以城市为最小聚类单位,依据城市及区域之间的从属关系,确定各候选停留城市的所属停留区域;若存在至少两个候选停留城市的所属停留区域相同,则将至少两个候选停留城市聚类为同一候选停留区域;依据各区域之间的从属关系,对候选停留区域进行分层聚类,直至聚类为同一地点;依据同一地点的下层聚类地点,确定停留点聚类结果。
本实施例中,以城市为最小聚类单位,依据城市及区域之间的从属关系,通过确定各候选停留城市所归属的上一级停留区域,将归属于同一停留区域的至少两个候选停留城市进行分层聚类。以此类推,依据区域与区域之间的从属关系,通过确定各停留区域所归属的更上一级停留区域,将归属于同一更上一级停留区域的至少两个下级停留区域进行分层聚类,直至聚类为一个终极地点,构成树状的候选停留点聚类图。可以理解的是,在聚类过程中,若确定不同子节点的归属父节点相同,则进行聚类,生成上一级区域节点,否则保留原子节点而不进行聚类。最终,将该终极地点的下层聚类地点确定为停留点聚类结果。其中,当确定的候选停留城市为1个时,则该城市本身即为聚类结果。
示例性的,图3为候选停留点聚类的示例图。其中,节点C1至节点Cn表示n个根据候选停留点筛选出来的候选停留城市。以候选停留城市为聚类的最小单位,候选停留城市作为子节点,依据城市与区域之间的从属关系,确定候选停留城市所属的停留区域即子节点的父节点。其中,候选停留城市C1、C2和C3的所属停留区域均为C11,进而将候选停留城市C1、C2和C3聚类为候选停留区域C11;同理将候选停留城市C4和C5聚类为候选停留区域C12。然而,由于n个候选停留城市分别所属的停留区域中,没有一个与候选停留城市Cn的所属停留区域相同的候选停留城市,因此不对候选停留城市Cn进行聚类,保留候选停留城市Cn本身。以此类推,将候选停留区域C11、C12以及候选停留城市Cn聚类为同一区域C。因此,将同一区域C的下层聚类地点,即候选停留区域C11、C12和候选停留城市Cn,确定为停留点聚类结果。例如,假设C1为佛山市,C2为广州市,C3为中山市,C4为南宁市,C5为玉林市,Cn为厦门市。则C11可以为广东省,C12可以为广西省,C可以为华南地区。相应的,停留点聚类结果包括广东省、广西省和厦门市。
步骤250、依据停留点聚类结果,确定目标车辆的运输模式。
在本发明具体实施例中,车辆的运输模式是指对车辆在长时间行驶后分析确定的车辆运输规律及行为模式。本实施例主要根据地理位置对车辆的运输模式进行划分,可以包括城市-城市、城市-区域以及区域-区域等。
可选的,若聚类结果中聚类地点均为城市,则确定目标车辆的运输模式为城市-城市;若聚类结果中聚类地点包括城市和区域,则确定目标车辆的运输模式为城市-区域;若聚类结果中聚类地点均为区域,则确定目标车辆的运输模式为区域-区域。
本实施例中,城市-城市运输模式中的城市的数量至少为1个,即模式中的城市可以为相同的城市,也可以为不同的城市。进而城市-城市运输模式还可以细分为单城市子模式、单城市-多城市子模式以及多城市-多城市子模式。例如,当候选停留点进行过滤后,确定的满足预设装卸货条件的候选停留城市仅为1个时,则聚类结果即为该城市。相应的,可以确定该车辆的运输模式为城市-城市,即单城市。同理,区域-区域运输模式中的区域的数量至少为1个,即模式中的区域可以为相同的区域或不同的区域。进而区域-区域运输模式还可以细分为单区域子模式、单区域-多区域子模式以及多区域-多区域子模式。此外,城市-区域运输模式中的城市或区域的数量至少为1个,即模式中的城市可以为相同的城市或不同的城市,模式中的区域可以为相同的区域或不同的区域。进而城市-区域运输模式还可以细分为单城市-单区域子模式、单城市-多区域子模式、多城市-单区域子模式以及多城市-多区域子模式。
示例性的,在上述示例中,停留点聚类结果包括广东省、广西省和厦门市,依据停留点聚类结果,确定目标车辆的运输模式为城市-区域,即目标车辆主要在广东省、广西省和厦门市之间运输货物。
步骤260、依据目标车辆的运输模式,确定目标车辆的货源稳定性。
在本发明具体实施例中,城市为一个具体的限定地点,而区域中包括多个城市,且停留点不限定具体的城市。因此城市相对于区域来说,地点较为集中。相应的,在包含城市的运输模式中,视为其货源较为集中,运输模式较为固定,因此确定包含城市的运输模式的货源稳定性较高,即城市-城市运输模式以及城市-区域运输模式的货源稳定性较高。反之,区域中可以包括多个城市,且聚类结果显示车辆在区域中的多个城市之间运输,而不局限于其中固定的城市。因此区域-区域运输模式的货源较为分散,运输模式较为灵活,确定区域-区域运输模式的货源稳定性较低。其中,城市-区域运输模式可以视为一端具有稳定货源,而另一端货源较为分散。示例性的,在上述示例中,确定目标车辆的运输模式为城市-区域,因此目标车辆的货源稳定性较高。
步骤270、依据目标车辆的运输模式和货源稳定性,对目标车辆进行配货。
在本发明具体实施例中,配货是指对车辆进行货源的推荐,从而撮合车辆与货物的成功运输,提高物流运输效率。其中,将货源稳定性较高的车辆视为合同物流车辆,即该车辆依据合同关系或固定的货源,而不接受其他货源的分配;将货源稳定性较低的车辆视为个体司机车辆,即该车辆自由度较高,可以随时接受运输习惯范围内的任何货源。因此,本实施例着重对货源不稳定的个体司机车辆进行在线识别和配货,以提供配货成功率。
具体的,城市-城市运输模式货源稳定性较高,可以视为目标车辆为合同物流车辆,配货成功率较低,故可以不进行配货。其中,若城市-城市运输模式中的城市相同,即单城市子模式,则可以尝试配送仅在城市内配送货物的货源。城市-区域运输模式的一端货源稳定性较高,而另一端货源稳定性较低,可以根据目标车辆当前停留位置及时配返程货源。区域-区域运输模式货源稳定性较低,可以通过目标车辆运输模式的识别,确定目标车辆的经常运输范围以及当前所在地,从而将货源位于车辆当前所在地附近,且运输范围在目标车辆运输模式范围内的货源推荐给目标车辆。以减少目标车辆不必要的路途,使目标车辆能够快速装载货物,并在自己的运输范围内进行货物运输,提高车货匹配成功率和目标车辆司机运输的满意度,进一步提高了物流运输效率。
示例性的,在上述示例中,由于目标车辆的运输模式为城市-区域,因此将其视为一端货源稳定性较高而另一端货源稳定性较低的车辆,进而若目标车辆当前位于城市一端,则不对其进行货源推荐,而继续挖掘运输模式为区域-区域的目标车辆,并进行车货匹配;若目标车辆当前位于区域一端,则根据目标车辆具体位置进行返程配货。
本实施例的技术方案,依据目标车辆的历史行驶轨迹数据,确定目标车辆历史经停过的候选停留点,并确定及筛选出满足装卸货条件的候选停留城市,依据城市与区域之间的从属关系,对候选停留城市进行分层聚类,从而依据聚类结果确定目标车辆的运输模式,并依据目标车辆识别的运输模式进行货源推荐。本发明实施例在随机且零散分布的停留点的基础上,通过对车辆的历史行驶轨迹数据进行大数据分析,使得车辆途径地点标准化聚类,实现了车辆运输模式的有效确定,提高了车辆分析的效率和准确率,降低了车辆分析成本和人力投入,为车辆的在线配货提供依据,提高车货匹配成功率和目标车辆司机运输的满意度,进一步提高了物流运输效率。
实施例三
图4为本发明实施例三提供的一种车辆运输模式识别装置的结构示意图,本实施例可适用于监控车辆数据并为车辆配货的情况,该装置可实现本发明任意实施例所述的车辆运输模式识别方法。该装置具体包括:
停留点确定模块410,用于依据目标车辆的历史行驶轨迹数据,确定所述目标车辆的候选停留点;
停留点聚类模块420,用于依据停留点、城市及区域之间的从属关系,对所述候选停留点进行分层聚类,确定停留点聚类结果;
车辆运输模式确定模块430,用于依据所述停留点聚类结果,确定所述目标车辆的运输模式。
可选的,所述停留点聚类模块420,包括:
停留城市确定单元4201,用于依据停留点与城市之间的从属关系,确定所述候选停留点的所属停留城市;
停留城市过滤单元4202,用于对所述停留城市进行过滤,确定满足预设装卸货条件的候选停留城市;
停留城市聚类单元4203,用于依据城市及区域之间的从属关系,逐层向上对所述候选停留城市进行分层聚类,确定停留点聚类结果。
可选的,所述停留城市过滤单元4202具体用于:
依据所述目标车辆的历史行驶轨迹数据,确定所述目标车辆在各停留城市的单次停留时间;
统计所述目标车辆在各停留城市的单次停留时间大于预设装卸货时间阈值的历史停留次数;
确定所述历史停留次数大于预设次数阈值的城市为所述候选停留城市。
可选的,所述停留城市聚类单元4203具体用于:
以城市为最小聚类单位,依据城市及区域之间的从属关系,确定各候选停留城市的所属停留区域;
若存在至少两个候选停留城市的所属停留区域相同,则将所述至少两个候选停留城市聚类为同一候选停留区域;
依据各区域之间的从属关系,对所述候选停留区域进行分层聚类,直至聚类为同一地点;
依据所述同一地点的下层聚类地点,确定停留点聚类结果。
可选的,所述车辆运输模式确定模块430具体用于:
若所述聚类结果中聚类地点均为城市,则确定所述目标车辆的运输模式为城市-城市;
若所述聚类结果中聚类地点包括城市和区域,则确定所述目标车辆的运输模式为城市-区域;
若所述聚类结果中聚类地点均为区域,则确定所述目标车辆的运输模式为区域-区域。
进一步的,所述装置还包括车辆配货模块440;所述车辆配货模块440具体用于:
依据所述目标车辆的运输模式,确定所述目标车辆的货源稳定性;
依据所述目标车辆的运输模式和货源稳定性,对所述目标车辆进行配货。
本实施例的技术方案,通过各个功能模块之间的相互配合,实现了车辆行驶轨迹数据的获取、候选停留点的确定、停留城市的确定、候选停留城市的筛选、候选停留城市的逐层聚类、聚类结果的确定、车辆运输模式的识别以及车辆货源的推荐等功能。本发明实施例在随机且零散分布的停留点的基础上,通过对车辆的历史行驶轨迹数据进行大数据分析,使得车辆途径地点标准化聚类,实现了车辆运输模式的有效确定,提高了车辆分析的效率和准确率,降低了车辆分析成本和人力投入,为车辆的在线配货提供依据,提高车货匹配成功率和目标车辆司机运输的满意度,进一步提高了物流运输效率。
实施例四
图5为本发明实施例四提供的一种设备的结构示意图。如图5所示,该设备具体包括:一个或多个处理器510,图5中以一个处理器510为例;存储器520,用于存储一个或多个程序,当一个或多个程序被一个或多个处理器510执行,使得一个或多个处理器510实现本发明任意实施例所述的车辆运输模式识别方法。处理器510与存储器520可以通过总线或其他方式连接,图5中以通过总线连接为例。
存储器520,作为一种计算机可读存储介质,可用于存储软件程序、计算机可执行程序以及模块,如本发明实施例中的车辆运输模式识别方法对应的程序指令(例如,停留点的确定和聚类以及运输模式的识别和配货)。处理器510通过运行存储在存储器520中的软件程序、指令以及模块,从而执行设备的各种功能应用以及数据处理,即实现上述的车辆运输模式识别方法。
存储器520可主要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设备的使用所创建的数据等。此外,存储器520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,例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实例中,存储器520可进一步包括相对于处理器510远程设置的存储器,这些远程存储器可以通过网络连接至设备。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。
实施例五
本发明实施例五还提供一种计算机可读存储介质,其上存储有计算机程序(或称为计算机可执行指令),该程序被处理器执行时用于执行一种车辆运输模式识别方法,该方法包括:
依据目标车辆的历史行驶轨迹数据,确定所述目标车辆的候选停留点;
依据停留点、城市及区域之间的从属关系,对所述候选停留点进行分层聚类,确定停留点聚类结果;
依据所述停留点聚类结果,确定所述目标车辆的运输模式。
当然,本发明实施例所提供的一种计算机可读存储介质,其计算机可执行指令不限于如上所述的方法操作,还可以执行本发明任意实施例所提供的车辆运输模式识别方法中的相关操作。
通过以上关于实施方式的描述,所属领域的技术人员可以清楚地了解到,本发明实施例可借助软件及必需的通用硬件来实现,当然也可以通过硬件实现,但很多情况下前者是更佳的实施方式。基于这样的理解,本发明实施例的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,如计算机的软盘、只读存储器(Read-Only Memory,ROM)、随机存取存储器(Random Access Memory,RAM)、闪存(FLASH)、硬盘或光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述的方法。
值得注意的是,上述装置的实施例中,所包括的各个单元和模块只是按照功能逻辑进行划分的,但并不局限于上述的划分,只要能够实现相应的功能即可;另外,各功能单元的具体名称也只是为了便于相互区分,并不用于限制本发明的保护范围。
注意,上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解,本发明不限于这里所述的特定实施例,对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此,虽然通过以上实施例对本发明实施例进行了较为详细的说明,但是本发明实施例不仅仅限于以上实施例,在不脱离本发明构思的情况下,还可以包括更多其他等效实施例,而本发明的范围由所附的权利要求范围决定。
Claims (10)
1.一种车辆运输模式识别方法,其特征在于,包括:
依据目标车辆的历史行驶轨迹数据,确定所述目标车辆的候选停留点;
依据停留点、城市及区域之间的从属关系,对所述候选停留点进行分层聚类,确定停留点聚类结果;
依据所述停留点聚类结果,确定所述目标车辆的运输模式。
2.根据权利要求1所述的方法,其特征在于,所述依据停留点、城市及区域之间的从属关系,对所述候选停留点进行分层聚类,确定停留点聚类结果,包括:
依据停留点与城市之间的从属关系,确定所述候选停留点的所属停留城市;
对所述停留城市进行过滤,确定满足预设装卸货条件的候选停留城市;
依据城市及区域之间的从属关系,逐层向上对所述候选停留城市进行分层聚类,确定停留点聚类结果。
3.根据权利要求2所述的方法,其特征在于,所述对所述停留城市进行过滤,确定满足预设装卸货条件的候选停留城市,包括:
依据所述目标车辆的历史行驶轨迹数据,确定所述目标车辆在各停留城市的单次停留时间;
统计所述目标车辆在各停留城市的单次停留时间大于预设装卸货时间阈值的历史停留次数;
确定所述历史停留次数大于预设次数阈值的城市为所述候选停留城市。
4.根据权利要求2所述的方法,其特征在于,所述依据城市及区域之间的从属关系,逐层向上对所述候选停留城市进行分层聚类,确定停留点聚类结果,包括:
以城市为最小聚类单位,依据城市及区域之间的从属关系,确定各候选停留城市的所属停留区域;
若存在至少两个候选停留城市的所属停留区域相同,则将所述至少两个候选停留城市聚类为同一候选停留区域;
依据各区域之间的从属关系,对所述候选停留区域进行分层聚类,直至聚类为同一地点;
依据所述同一地点的下层聚类地点,确定停留点聚类结果。
5.根据权利要求1所述的方法,其特征在于,所述依据所述停留点聚类结果,确定所述目标车辆的运输模式,包括:
若所述聚类结果中聚类地点均为城市,则确定所述目标车辆的运输模式为城市-城市;
若所述聚类结果中聚类地点包括城市和区域,则确定所述目标车辆的运输模式为城市-区域;
若所述聚类结果中聚类地点均为区域,则确定所述目标车辆的运输模式为区域-区域。
6.根据权利要求1所述的方法,其特征在于,在所述依据所述停留点聚类结果,确定所述目标车辆的运输模式之后,包括:
依据所述目标车辆的运输模式,确定所述目标车辆的货源稳定性;
依据所述目标车辆的运输模式和货源稳定性,对所述目标车辆进行配货。
7.一种车辆运输模式识别装置,其特征在于,包括:
停留点确定模块,用于依据目标车辆的历史行驶轨迹数据,确定所述目标车辆的候选停留点;
停留点聚类模块,用于依据停留点、城市及区域之间的从属关系,对所述候选停留点进行分层聚类,确定停留点聚类结果;
车辆运输模式确定模块,用于依据所述停留点聚类结果,确定所述目标车辆的运输模式。
8.根据权利要求7所述的装置,其特征在于,所述停留点聚类模块,包括:
停留城市确定单元,用于依据停留点与城市之间的从属关系,确定所述候选停留点的所属停留城市;
停留城市过滤单元,用于对所述停留城市进行过滤,确定满足预设装卸货条件的候选停留城市;
停留城市聚类单元,用于依据城市及区域之间的从属关系,逐层向上对所述候选停留城市进行分层聚类,确定停留点聚类结果。
9.一种设备,其特征在于,包括:
一个或多个处理器;
存储器,用于存储一个或多个程序;
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如权利要求1-6中任一项所述的车辆运输模式识别方法。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现如权利要求1-6中任一项所述的车辆运输模式识别方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811573913.7A CN111353732A (zh) | 2018-12-21 | 2018-12-21 | 车辆运输模式识别方法、装置、设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811573913.7A CN111353732A (zh) | 2018-12-21 | 2018-12-21 | 车辆运输模式识别方法、装置、设备和存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111353732A true CN111353732A (zh) | 2020-06-30 |
Family
ID=71195422
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811573913.7A Pending CN111353732A (zh) | 2018-12-21 | 2018-12-21 | 车辆运输模式识别方法、装置、设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111353732A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112700201A (zh) * | 2021-01-12 | 2021-04-23 | 上海斑马来拉物流科技有限公司 | 货源推荐方法、电子设备和存储介质 |
CN113222492A (zh) * | 2021-03-29 | 2021-08-06 | 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 |
CN113720340A (zh) * | 2021-04-16 | 2021-11-30 | 京东城市(北京)数字科技有限公司 | 地理位置的确定方法、装置、电子设备以及存储介质 |
Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102509205A (zh) * | 2011-11-17 | 2012-06-20 | 郑州多惠达科技有限公司 | 一种基于地理位置实现货物运输的方法和装置 |
EP2827289A1 (de) * | 2013-07-17 | 2015-01-21 | General Transports GmbH | Verfahren zur Abholung und Auslieferung von Sachgütern oder der Erbringung von Dienstleistungen mittels dynamischer Routenplanung und Umverteilung von Gütern |
CN104598992A (zh) * | 2015-01-12 | 2015-05-06 | 北京中交兴路车联网科技有限公司 | 一种车辆常跑路线分析方法 |
CN104615858A (zh) * | 2015-01-12 | 2015-05-13 | 北京中交兴路车联网科技有限公司 | 一种计算车辆起始地和目的地的方法 |
CN105682024A (zh) * | 2016-01-05 | 2016-06-15 | 重庆邮电大学 | 一种基于移动信令数据的城市热点识别方法 |
CN106027637A (zh) * | 2016-05-18 | 2016-10-12 | 福建工程学院 | 基于轨迹信息的拼车方法及系统 |
US20160300277A1 (en) * | 2007-08-13 | 2016-10-13 | Phillip Marlowe | Systems and Methods for Electronically Generating and Analyzing Shipping Parameters |
CN106982416A (zh) * | 2017-03-21 | 2017-07-25 | 深圳广联赛讯有限公司 | 确定车辆归属地的方法和装置 |
US20170228683A1 (en) * | 2014-08-04 | 2017-08-10 | Beijing Didi Infinity Technology And Development Co., Ltd. | Methods and systems for distributing orders |
CN107273520A (zh) * | 2017-06-22 | 2017-10-20 | 北京理工大学 | 一种基于货车监控数据的装卸货地点识别方法 |
CN107563699A (zh) * | 2017-09-08 | 2018-01-09 | 汪明陆 | 一种物流系统和配货运输流程 |
CN108038647A (zh) * | 2017-12-22 | 2018-05-15 | 江苏满运软件科技有限公司 | 一种公路干线物流的货源推荐方法 |
CN108133345A (zh) * | 2017-12-27 | 2018-06-08 | 北京中交兴路车联网科技有限公司 | 一种基于货车海量轨迹数据判断回程车的方法及系统 |
US10157364B1 (en) * | 2018-02-23 | 2018-12-18 | Capital One Service, LLC | Order identification and fulfillment based on vehicle monitoring |
-
2018
- 2018-12-21 CN CN201811573913.7A patent/CN111353732A/zh active Pending
Patent Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20160300277A1 (en) * | 2007-08-13 | 2016-10-13 | Phillip Marlowe | Systems and Methods for Electronically Generating and Analyzing Shipping Parameters |
CN102509205A (zh) * | 2011-11-17 | 2012-06-20 | 郑州多惠达科技有限公司 | 一种基于地理位置实现货物运输的方法和装置 |
EP2827289A1 (de) * | 2013-07-17 | 2015-01-21 | General Transports GmbH | Verfahren zur Abholung und Auslieferung von Sachgütern oder der Erbringung von Dienstleistungen mittels dynamischer Routenplanung und Umverteilung von Gütern |
US20170228683A1 (en) * | 2014-08-04 | 2017-08-10 | Beijing Didi Infinity Technology And Development Co., Ltd. | Methods and systems for distributing orders |
CN104615858A (zh) * | 2015-01-12 | 2015-05-13 | 北京中交兴路车联网科技有限公司 | 一种计算车辆起始地和目的地的方法 |
CN104598992A (zh) * | 2015-01-12 | 2015-05-06 | 北京中交兴路车联网科技有限公司 | 一种车辆常跑路线分析方法 |
CN105682024A (zh) * | 2016-01-05 | 2016-06-15 | 重庆邮电大学 | 一种基于移动信令数据的城市热点识别方法 |
CN106027637A (zh) * | 2016-05-18 | 2016-10-12 | 福建工程学院 | 基于轨迹信息的拼车方法及系统 |
CN106982416A (zh) * | 2017-03-21 | 2017-07-25 | 深圳广联赛讯有限公司 | 确定车辆归属地的方法和装置 |
CN107273520A (zh) * | 2017-06-22 | 2017-10-20 | 北京理工大学 | 一种基于货车监控数据的装卸货地点识别方法 |
CN107563699A (zh) * | 2017-09-08 | 2018-01-09 | 汪明陆 | 一种物流系统和配货运输流程 |
CN108038647A (zh) * | 2017-12-22 | 2018-05-15 | 江苏满运软件科技有限公司 | 一种公路干线物流的货源推荐方法 |
CN108133345A (zh) * | 2017-12-27 | 2018-06-08 | 北京中交兴路车联网科技有限公司 | 一种基于货车海量轨迹数据判断回程车的方法及系统 |
US10157364B1 (en) * | 2018-02-23 | 2018-12-18 | Capital One Service, LLC | Order identification and fulfillment based on vehicle monitoring |
Non-Patent Citations (2)
Title |
---|
晏王波;张晓祥;姚静;徐盼;余其鹏;: "基于GIS的盐城市区域发展时空特征研究" * |
肖正中;谭建;周玉峰;曾俊;: "跨区域多配送中心车辆调度智能优化研究" * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112700201A (zh) * | 2021-01-12 | 2021-04-23 | 上海斑马来拉物流科技有限公司 | 货源推荐方法、电子设备和存储介质 |
CN112700201B (zh) * | 2021-01-12 | 2023-08-15 | 上海斑马来拉物流科技有限公司 | 货源推荐方法、电子设备和存储介质 |
CN113222492A (zh) * | 2021-03-29 | 2021-08-06 | 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 |
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 |
CN113720340A (zh) * | 2021-04-16 | 2021-11-30 | 京东城市(北京)数字科技有限公司 | 地理位置的确定方法、装置、电子设备以及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111353732A (zh) | 车辆运输模式识别方法、装置、设备和存储介质 | |
Cobo et al. | A bibliometric analysis of the intelligent transportation systems research based on science mapping | |
Das et al. | Interpretable machine learning approach in estimating traffic volume on low-volume roadways | |
Kumar et al. | Fast and scalable big data trajectory clustering for understanding urban mobility | |
WO2022227303A1 (zh) | 信息处理方法、装置、计算机设备及存储介质 | |
CN111241350A (zh) | 图数据查询方法、装置、计算机设备和存储介质 | |
CN111428991A (zh) | 用于确定配送车辆的方法和装置 | |
Chen et al. | Extracting bus transit boarding stop information using smart card transaction data | |
Eum et al. | Vehicle detection from airborne LiDAR point clouds based on a decision tree algorithm with horizontal and vertical features | |
CN107798450B (zh) | 业务分配方法和装置 | |
RU2720072C1 (ru) | Оценка шаблона использования транспортного средства | |
CN110502601B (zh) | 查找仓库的方法和装置 | |
CN116664025A (zh) | 装卸货位置点生成方法、装置及设备 | |
CN111653115B (zh) | 任务的划分方法、装置及存储介质 | |
Heredia et al. | Characterization of mobility patterns with a hierarchical clustering of origin-destination gps taxi data | |
CN111506777A (zh) | 数据处理方法、装置、电子设备和存储介质 | |
CN114743050A (zh) | 一种驾驶员人像预分类方法、图像分类装置以及存储介质 | |
Filippova et al. | The development of basic algorithms for processing navigation data in dispatching control systems of road transportation of goods and passengers | |
Kolbay et al. | Analyzing last mile delivery operations in barcelona’s urban freight transport network | |
CN110210797B (zh) | 生产覆盖区域确定方法和装置以及计算机可读存储介质 | |
Nadizadeh et al. | A location-routing problem model with multiple periods and fuzzy demands | |
Xia et al. | A parallel fusion method for heterogeneous multi-sensor transportation data | |
Sundaram et al. | Hierarchical clustering technique for traffic signal decision support | |
CN108288401B (zh) | 控制用于车辆的停车空间 | |
Varghese et al. | Clustering Based Model For Facility Location In Logistic Network Using K-Means |
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 |