CN111460076B - 驾驶路线熟悉度确定方法、装置、计算机设备和存储介质 - Google Patents

驾驶路线熟悉度确定方法、装置、计算机设备和存储介质 Download PDF

Info

Publication number
CN111460076B
CN111460076B CN202010309681.5A CN202010309681A CN111460076B CN 111460076 B CN111460076 B CN 111460076B CN 202010309681 A CN202010309681 A CN 202010309681A CN 111460076 B CN111460076 B CN 111460076B
Authority
CN
China
Prior art keywords
driving
travel
route
similarity
coordinate 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.)
Active
Application number
CN202010309681.5A
Other languages
English (en)
Other versions
CN111460076A (zh
Inventor
邱嘉寅
胡鹏
冯智泉
江勇
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.)
Yamei Zhilian Data Technology Co ltd
Original Assignee
Yamei Zhilian Data Technology Co ltd
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 Yamei Zhilian Data Technology Co ltd filed Critical Yamei Zhilian Data Technology Co ltd
Priority to CN202010309681.5A priority Critical patent/CN111460076B/zh
Publication of CN111460076A publication Critical patent/CN111460076A/zh
Application granted granted Critical
Publication of CN111460076B publication Critical patent/CN111460076B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/29—Geographical information databases
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/24—Querying
    • G06F16/245—Query processing
    • G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
    • G06F16/2474—Sequence data queries, e.g. querying versioned data
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2323—Non-hierarchical techniques based on graph theory, e.g. minimum spanning trees [MST] or graph cuts
    • 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
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0635—Risk analysis of enterprise or organisation activities
    • 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
    • G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
    • G06Q40/08—Insurance
    • 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
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Human Resources & Organizations (AREA)
  • General Engineering & Computer Science (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • General Business, Economics & Management (AREA)
  • Databases & Information Systems (AREA)
  • Marketing (AREA)
  • Evolutionary Computation (AREA)
  • Development Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Accounting & Taxation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Tourism & Hospitality (AREA)
  • Finance (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Quality & Reliability (AREA)
  • Software Systems (AREA)
  • Operations Research (AREA)
  • Game Theory and Decision Science (AREA)
  • Fuzzy Systems (AREA)
  • Mathematical Physics (AREA)
  • Probability & Statistics with Applications (AREA)
  • Technology Law (AREA)
  • Computational Linguistics (AREA)
  • Educational Administration (AREA)
  • Remote Sensing (AREA)
  • Discrete Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)

Abstract

本申请涉及车辆信息处理领域，提供了一种驾驶路线熟悉度的确定方法、装置、计算机设备和存储介质，获取车辆的多个驾驶行程对应的行程坐标数据序列，基于该行程坐标数据序列得到各驾驶行程之间的行程相似度，然后基于行程相似度对各驾驶行程进行聚类分析，将同一类的驾驶行程对应同一驾驶路线，最后根据各驾驶路线对应的驾驶行程数以及前述多个驾驶行程对应的驾驶行程总数，得到驾驶路线熟悉度。本申请提供的技术方案可评估驾驶员对如一段时期内的所驾驶路线的熟悉程度，提高了评估驾驶路线熟悉度的准确性，还可为基于驾驶行为的车辆保险等方面提供一个有力的特征参与到驾驶风险、出险风险的预测当中。

Description

驾驶路线熟悉度确定方法、装置、计算机设备和存储介质
技术领域
本申请涉及车辆信息处理技术领域，特别是涉及一种驾驶路线熟悉度的确定方法、装置、计算机设备和存储介质。
背景技术
根据统计数据显示，驾驶员对驾驶路线的熟悉程度，直接影响该车辆的出险风险。其中，在一定时期内经常行驶相同路线的驾驶人群，对比同期内对驾驶路线不熟悉的驾驶人群，其平均出险次数低30％以上。可见，准确评估驾驶员对驾驶路线的熟悉程度，在例如基于驾驶行为的车辆保险等方面，具有很强的使用意义。
然而，目前对驾驶路线熟悉程度的评估方案比较少，也比较简单。例如，有的方案通过直接比较两个驾驶行程的起点和终点的坐标来评估驾驶员对驾驶路线的熟悉程度，但这种方式难以体现相同起点和终点之间不同路线之间的差别，从而也难以准确评估驾驶路线熟悉度。
发明内容
基于此，有必要针对传统技术难以准确评估驾驶路线熟悉度的技术问题，提供一种驾驶路线熟悉度的确定方法、装置、计算机设备和存储介质。
一种驾驶路线熟悉度的确定方法，包括：
获取车辆的多个驾驶行程对应的行程坐标数据序列；其中，所述车辆从启动到熄火所经过的行程为一个驾驶行程，每个所述驾驶行程对应一组行程坐标数据序列；
基于所述行程坐标数据序列，得到所述多个驾驶行程之间的行程相似度；
基于所述行程相似度对所述多个驾驶行程进行聚类，将同一类的驾驶行程对应同一驾驶路线；
根据各驾驶路线对应的驾驶行程数以及所述多个驾驶行程对应的驾驶行程总数，得到驾驶路线熟悉度。
在一个实施例中，所述获取车辆的多个驾驶行程对应的行程坐标数据序列，包括：按照设定时间间隔获取所述车辆在各驾驶行程中对应的多个经纬度数据，得到所述行程坐标数据序列。
在一个实施例中，还包括：获取所述车辆在设定时间段内的驾驶行程源数据；以所述车辆发出启动信号时所在位置作为驾驶行程的起点，以所述车辆发出熄火信号时所在位置作为所述驾驶行程的终点，对所述驾驶行程源数据进行行程划分处理，得到所述多个驾驶行程。
在一个实施例中，所述基于所述行程坐标数据序列，得到所述多个驾驶行程之间的行程相似度，包括：基于所述行程坐标数据序列，采用动态时间规划算法计算各驾驶行程之间的行程相似度。
在一个实施例中，所述行程坐标数据序列包括与多个行程坐标采样点相对应的多个行程坐标数据；所述多个行程坐标采样点具有时序关系；所述基于所述行程坐标数据序列，采用动态时间规划算法计算各驾驶行程之间的行程相似度，包括：基于所述多个驾驶行程对应的多个行程坐标数据，计算每个驾驶行程的各个行程坐标采样点，分别与其他驾驶行程的各个行程坐标采样点之间的行程坐标距离；采用所述动态时间规划算法，依据所述多个行程坐标采样点具有的所述时序关系，将所述行程坐标距离进行累计，计算得到每个驾驶行程与其他驾驶行程之间针对于所述行程坐标距离的最小累计距离；根据所述最小累计距离，得到所述各驾驶行程之间的行程相似度。
在一个实施例中，所述基于所述行程相似度对所述多个驾驶行程进行聚类，将同一类的驾驶行程对应同一驾驶路线，包括：根据所述多个驾驶行程之间的行程相似度，构建驾驶行程相似度矩阵；所述驾驶行程相似度矩阵中的矩阵元素，用于表征各驾驶行程之间的行程相似度；基于所述驾驶行程相似度矩阵，采用近邻传播聚类算法进行聚类，得到各驾驶行程对应的聚类中心；根据所述各驾驶行程对应的聚类中心，将归属于同一聚类中心的驾驶行程对应同一驾驶路线。
在一个实施例中，所述根据各驾驶路线对应的驾驶行程数以及所述多个驾驶行程对应的驾驶行程总数，得到驾驶路线熟悉度，包括：将所述各驾驶路线中对应驾驶行程数大于或等于设定行程数阈值的驾驶路线作为目标驾驶路线；根据所述目标驾驶路线对应的驾驶行程数与所述驾驶行程总数的比值，得到所述驾驶路线熟悉度。
一种驾驶路线熟悉度的确定装置，包括：
序列获取模块，用于获取车辆的多个驾驶行程对应的行程坐标数据序列；其中，所述车辆从启动到熄火所经过的行程为一个驾驶行程，每个所述驾驶行程对应一组行程坐标数据序列；
相似度得到模块，用于基于所述行程坐标数据序列，得到所述多个驾驶行程之间的行程相似度；
聚类分析模块，用于基于所述行程相似度对所述多个驾驶行程进行聚类，将同一类的驾驶行程对应同一驾驶路线；
熟悉度确定模块，用于根据各驾驶路线对应的驾驶行程数以及所述多个驾驶行程对应的驾驶行程总数，得到驾驶路线熟悉度。
在一个实施例中，序列获取模块，进一步用于按照设定时间间隔获取所述车辆在各驾驶行程中对应的多个经纬度数据，得到所述行程坐标数据序列。
在一个实施例中，序列获取模块，还用于获取所述车辆在设定时间段内的驾驶行程源数据；以所述车辆发出启动信号时所在位置作为驾驶行程的起点，以所述车辆发出熄火信号时所在位置作为所述驾驶行程的终点，对所述驾驶行程源数据进行行程划分处理，得到所述多个驾驶行程。
在一个实施例中，相似度得到模块，进一步用于基于所述行程坐标数据序列，采用动态时间规划算法计算各驾驶行程之间的行程相似度。
在一个实施例中，所述行程坐标数据序列包括与多个行程坐标采样点相对应的多个行程坐标数据；所述多个行程坐标采样点具有时序关系；相似度得到模块，进一步用于基于所述多个驾驶行程对应的多个行程坐标数据，计算每个驾驶行程的各个行程坐标采样点，分别与其他驾驶行程的各个行程坐标采样点之间的行程坐标距离；采用所述动态时间规划算法，依据所述多个行程坐标采样点具有的所述时序关系，将所述行程坐标距离进行累计，计算得到每个驾驶行程与其他驾驶行程之间针对于所述行程坐标距离的最小累计距离；根据所述最小累计距离，得到所述各驾驶行程之间的行程相似度。
在一个实施例中，聚类分析模块，进一步用于根据所述多个驾驶行程之间的行程相似度，构建驾驶行程相似度矩阵；所述驾驶行程相似度矩阵中的矩阵元素，用于表征各驾驶行程之间的行程相似度；基于所述驾驶行程相似度矩阵，采用近邻传播聚类算法进行聚类，得到各驾驶行程对应的聚类中心；根据所述各驾驶行程对应的聚类中心，将归属于同一聚类中心的驾驶行程对应同一驾驶路线。
在一个实施例中，熟悉度确定模块，进一步用于将所述各驾驶路线中对应驾驶行程数大于或等于设定行程数阈值的驾驶路线作为目标驾驶路线；根据所述目标驾驶路线对应的驾驶行程数与所述驾驶行程总数的比值，得到所述驾驶路线熟悉度。
一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现以下步骤：
获取车辆的多个驾驶行程对应的行程坐标数据序列；其中，所述车辆从启动到熄火所经过的行程为一个驾驶行程，每个所述驾驶行程对应一组行程坐标数据序列；基于所述行程坐标数据序列，得到所述多个驾驶行程之间的行程相似度；基于所述行程相似度对所述多个驾驶行程进行聚类，将同一类的驾驶行程对应同一驾驶路线；根据各驾驶路线对应的驾驶行程数以及所述多个驾驶行程对应的驾驶行程总数，得到驾驶路线熟悉度。
一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现以下步骤：
获取车辆的多个驾驶行程对应的行程坐标数据序列；其中，所述车辆从启动到熄火所经过的行程为一个驾驶行程，每个所述驾驶行程对应一组行程坐标数据序列；基于所述行程坐标数据序列，得到所述多个驾驶行程之间的行程相似度；基于所述行程相似度对所述多个驾驶行程进行聚类，将同一类的驾驶行程对应同一驾驶路线；根据各驾驶路线对应的驾驶行程数以及所述多个驾驶行程对应的驾驶行程总数，得到驾驶路线熟悉度。
上述驾驶路线熟悉度的确定方法、装置、计算机设备和存储介质，获取车辆的多个驾驶行程对应的行程坐标数据序列，基于该行程坐标数据序列得到各驾驶行程之间的行程相似度，然后基于行程相似度对各驾驶行程进行聚类，将同一类的驾驶行程对应同一驾驶路线，最后根据各驾驶路线对应的驾驶行程数以及前述多个驾驶行程对应的驾驶行程总数，得到驾驶路线熟悉度。该方案通过计算各驾驶行程之间的相似度并基于该相似度对各驾驶行程进行聚类分析，能够将同一类的驾驶行程对应同一驾驶路线，然后根据各驾驶路线的驾驶行程的数量与多个驾驶行程的总数量评估驾驶员对例如一段时期内的所驾驶路线的熟悉程度，提高了评估驾驶路线熟悉度的准确性，还可为基于驾驶行为的车辆保险等方面提供一个有力的特征参与到驾驶风险、出险风险的预测当中。
附图说明
图1为一个实施例中驾驶路线熟悉度的确定方法的应用环境图；
图2为一个实施例中驾驶路线熟悉度的确定方法的流程示意图；
图3为一个实施例中两段行程坐标数据序列的示意图；
图4为一个实施例中动态时间规划算法的距离计算的示意图；
图5为一个实施例中驾驶路线熟悉度的确定装置的结构框图；
图6为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
本申请提供的驾驶路线熟悉度的确定方法，可以应用于如图1所示的应用环境中，图1为一个实施例中驾驶路线熟悉度的确定方法的应用环境图。其中，该应用环境可以包括车辆和服务器110，服务器110可以通过网络与车辆进行通信，例如服务器110可以与车辆所配置的车载终端进行通信连接。其中，服务器110可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
具体的，服务器110可以获取车辆的多个驾驶行程对应的行程坐标数据序列，并基于行程坐标数据序列得到该多个驾驶行程之间的行程相似度，然后服务器110可以基于该多个行程相似度对各驾驶行程进行聚类，将同一类的驾驶行程对应同一驾驶路线，最后服务器110可以根据各驾驶路线对应的驾驶行程数以及多个驾驶行程对应的驾驶行程总数，得到该车辆驾驶员的驾驶路线熟悉度。
在一个实施例中，如图2所示，图2为一个实施例中驾驶路线熟悉度的确定方法的流程示意图，提供了一种驾驶路线熟悉度的确定方法，以该方法应用于图1中的服务器110为例进行说明，包括以下步骤：
步骤S201，获取车辆的多个驾驶行程对应的行程坐标数据序列；
本步骤中，服务器110可以在该车辆的驾驶过程中通过具备全球定位功能的设备(GPS终端/北斗终端)采集该车辆的行程坐标数据，该行程坐标数据可以是在行驶过程中该车辆的经纬度坐标数据。其中，车辆从启动到熄火所经过的行程为一个驾驶行程，每个所述驾驶行程对应一组行程坐标数据序列。对于一段驾驶行程而言，服务器110可以按照一定的时间间隔依序采集行程坐标数据，得到行程坐标数据序列。由此，服务器110可对该车辆在一段时期内的多个驾驶行程进行数据采集，得到多个行程坐标数据序列。
步骤S202，基于行程坐标数据序列，得到多个驾驶行程之间的行程相似；
本步骤中，服务器110可以根据各驾驶行程对应的行程坐标数据序列，计算每两个驾驶行程之间的相似度，该相似度称为行程相似度。示例性的，不同的驾驶行程对应的行程坐标数据序列可以用不同的向量进行表示，由此可基于向量间的相似度计算各驾驶行程之间的行程相似度。
步骤S203，基于行程相似度对多个驾驶行程进行聚类，将同一类的驾驶行程对应同一驾驶路线；
在得到各驾驶行程之间的行程相似度后，服务器110可以根据该行程相似度对各个驾驶行程进行聚类分析，通过聚类将多个驾驶行程划分为不同类别，每一类别可以作为同一驾驶路线，由于聚类得到的类别一般是多个，从而本步骤可通过聚类分析将多个驾驶行程划分至多个驾驶路线，每个驾驶路线可以包括至少一个驾驶行程，服务器110由此将同一类的驾驶行程对应同一驾驶路线。
步骤S204，根据各驾驶路线对应的驾驶行程数以及多个驾驶行程对应的驾驶行程总数，得到驾驶路线熟悉度。
本步骤中，服务器110可以分别确定出归属于各驾驶路线的驾驶行程的数量，该数量称为驾驶行程数，从而服务器110可以得到各驾驶路线对应的驾驶行程数。举例来说，归属于驾驶路线D的驾驶行程可以包括驾驶行程d1、驾驶行程d2，则该驾驶路线D的驾驶行程数为2。另外，服务器110还可以获取车辆的多个驾驶行程对应的驾驶行程总数。其中，该驾驶行程总数是指前述步骤S201中的多个驾驶行程的数量。具体的，设前述步骤S201中的多个驾驶行程包括驾驶行程d1、d2、d3、d4、d5、d6和d7，则多个驾驶行程对应的驾驶行程总数为7。服务器110在确定出各驾驶路线对应的驾驶行程数和驾驶行程总数后，可以进一步计算该车辆的驾驶员的驾驶路线熟悉度。
在一个实施例中，步骤S204中的根据各驾驶路线对应的驾驶行程数以及多个驾驶行程对应的驾驶行程总数，得到驾驶路线熟悉度，可以包括：
将各驾驶路线中对应驾驶行程数大于或等于设定行程数阈值的驾驶路线作为目标驾驶路线；根据目标驾驶路线对应的驾驶行程数与驾驶行程总数的比值，得到驾驶路线熟悉度。
本实施例中，服务器110可以预先设定一个行程数阈值，在得到各驾驶路线对应的驾驶行程数后，利用该行程数阈值对驾驶路线进行筛选。其中，服务器110可以将各驾驶路线中对应驾驶行程数大于或等于该行程数阈值的驾驶路线作为目标驾驶路线，该目标驾驶路线的数量可以是多个。然后，服务器110获取该目标驾驶路线对应的驾驶行程数，将该目标驾驶路线对应的驾驶行程数与驾驶行程总数的比值，作为驾驶路线熟悉度。
示例性的，驾驶路线熟悉度的计算可以采用如下方式：
Figure BDA0002457175750000071
其中，f表示驾驶路线熟悉度，l表示驾驶行程所属驾驶路线的编号，取值范围为{1,2，…，C}，C表示不同驾驶路线的个数，nl表示编号为l的驾驶路线对应的驾驶行程的数量。由此可见，该驾驶路线熟悉度f的含义为：驾驶行程数大于等于2次的驾驶路线对应的驾驶行程数之和占全部驾驶行程数之和(即驾驶行程总数)的比例。该驾驶路线熟悉度指标f的取值范围为[0,1]，取值越大表明驾驶员对驾驶路线越熟悉，该驾驶路线熟悉度指标f能准确反映驾驶员在一定时期内对所驾驶路线的熟悉程度。
上述驾驶路线熟悉度的确定方法，服务器110获取车辆的多个驾驶行程对应的行程坐标数据序列，服务器110基于该行程坐标数据序列得到各驾驶行程之间的行程相似度，然后服务器110基于行程相似度对各驾驶行程进行聚类，将同一类的驾驶行程对应同一驾驶路线，最后服务器110根据各驾驶路线对应的驾驶行程数以及前述多个驾驶行程对应的驾驶行程总数，得到驾驶路线熟悉度。该技术方案，服务器110可通过计算各驾驶行程之间的相似度并基于该相似度对各驾驶行程进行聚类分析，从而能够将同一类的驾驶行程对应同一驾驶路线，然后根据各驾驶路线的驾驶行程的数量与多个驾驶行程的总数量评估驾驶员对例如一段时期内的所驾驶路线的熟悉程度，提高了评估驾驶路线熟悉度的准确性，还可为基于驾驶行为的车辆保险等方面提供一个有力的特征参与到驾驶风险、出险风险的预测当中。
在一个实施例中，步骤S201中的获取车辆的多个驾驶行程对应的行程坐标数据序列，包括：
按照设定时间间隔获取车辆在各驾驶行程中对应的多个经纬度数据，得到行程坐标数据序列。
本实施例中，服务器110可以按照设定的时间间隔(或称采样周期)获取车辆在各驾驶行程中对应的多个经纬度数据，该经纬度数据可以由具备全球定位功能的GPS终端、北斗终端等设备采集。
具体的，服务器110可以以驾驶行程为单位将采集的经纬度数据进行分组，一个驾驶行程为一组，每组包含若干个经纬度数据，该若干个经纬度数据可以作为行程坐标数据序列。示例性的，一个驾驶行程所采集的数据可以是：([113.211205，23.673416]，[113.211206，23.673417]，[113.211207，23.673418]，[113.211208，23.673419]，[113.211209，23.673420]，…，[113.211280，23.673492]，[113.211281，23.673493])。其中，每个经纬度数据的采样周期可以设置为不大于120秒，以避免采样周期很大时可能会出现两个采样点之间的路线差别很大而导致评估熟悉度的准确性降低的问题。
进一步的，在一些实施例中，还可以通过如下方式从驾驶行程源数据中划分多个驾驶行程，具体包括：
获取车辆在设定时间段内的驾驶行程源数据；以车辆发出启动信号时所在位置作为驾驶行程的起点，以车辆发出熄火信号时所在位置作为驾驶行程的终点，对驾驶行程源数据进行行程划分处理，得到多个驾驶行程。
本实施例中，服务器110可以依据车辆发出启动信号和熄火信号将驾驶行程源数据划分为多个驾驶行程。具体的，服务器110可以先获取车辆在一设定时间段内的驾驶行程源数据，在该时间段内，车辆可能启动、熄火多次。由此，服务器110可以该车辆发出启动信号时所在位置作为一个驾驶行程的起点，然后检测在该车辆发出该启动信号行驶后，是否发出熄火信号，若是，则服务器110可以以该车辆发出的熄火信号时所在位置作为该一个驾驶行程的终点，从而从驾驶行程源数据中划分出该驾驶行程，即车辆从发动到熄火作为一个驾驶行程的划分依据，按照同样的方式，可以将驾驶行程源数据划分为多个驾驶行程，以实现对多个驾驶行程的准确划分。
在一个实施例中，步骤S202中的基于行程坐标数据序列，得到多个驾驶行程之间的行程相似度，可以包括：基于行程坐标数据序列，采用动态时间规划算法计算各驾驶行程之间的行程相似度。其中，服务器120在得到车辆的多个驾驶行程对应的行程坐标数据序列后，可以采用动态时间规划算法计算各驾驶行程之间的行程相似度。
在一个实施例中，行程坐标数据序列可以包括与多个行程坐标采样点相对应的多个行程坐标数据；多个行程坐标采样点具有时序关系；上述实施例中的基于行程坐标数据序列，采用动态时间规划算法计算各驾驶行程之间的行程相似度，进一步包括：
基于多个驾驶行程对应的多个行程坐标数据，计算每个驾驶行程的各个行程坐标采样点，分别与其他驾驶行程的各个行程坐标采样点之间的行程坐标距离；采用动态时间规划算法，依据多个行程坐标采样点具有的时序关系，将行程坐标距离进行累计，计算得到每个驾驶行程与其他驾驶行程之间针对于行程坐标距离的最小累计距离；根据最小累计距离，得到各驾驶行程之间的行程相似度。
本实施例中，服务器110所获取的各驾驶行程对应的行程坐标数据序列均包括多个行程坐标数据，例如可以包括多个经纬度数据，该多个行程坐标数据分别对应于多个行程坐标采样点，各行程坐标采样点之间具有时序关系，服务器110可以在车辆行驶过程中，按照一定的时间间隔对车辆的经纬度数据进行采样，每次采样对应于一个行程坐标采样点，每个行程坐标采样点所采集的数据可以包括该车辆在该采样时刻对应的经纬度数据，从而服务器110可以得到各驾驶行程中，对应于各行程坐标采样点的多个行程坐标数据。
基于各行程坐标采样点的多个行程坐标数据，服务器110可以计算针对于每一个驾驶行程的各个行程坐标采样点，分别与其他驾驶行程的各个行程坐标采样点之间的行程坐标距离，该行程坐标距离可以根据不同的驾驶行程的，两个行程坐标采样点分别对应的行程坐标数据进行计算。
具体的，设两段驾驶行程对应的行程坐标数据序列包括第一序列和第二序列，每个序列都可以包括多个行程坐标采样点，第一序列、第二序列的行程坐标数据采样点的数量可以相同，也可以不相同，则第一序列的第i个行程坐标数据采样点与第二序列的第j个行程坐标数据采样点之间的行程坐标距离d(i,j)可以表示为：
Figure BDA0002457175750000101
基于行程坐标距离，服务器110可以进一步采用动态时间规划算法计算各驾驶行程之间的行程相似度，具体可以包括：采用动态时间规划算法，服务器110依据多个行程坐标采样点具有的时序关系，将行程坐标距离进行累计，计算得到每个驾驶行程与其他驾驶行程之间针对于行程坐标距离的最小累计距离；根据该最小累计距离，得到各驾驶行程之间的行程相似度。
具体的，结合图3进行说明，图3为一个实施例中两段行程坐标数据序列的示意图，在获得多个驾驶行程的经纬度数据之后，服务器110可以依据该经纬度数据计算这些驾驶行程之间的相似度，即行程相似度。其中，驾驶行程的坐标数据具有两个特点：
1)在同一个物理地点测量出来的位置坐标，在数值上往往不会完全一致，而是有一些差异；
2)行经同一条驾驶路线的两个驾驶行程，由于驾驶速度的差异，采样回来的经纬度数据集(对应于行程坐标数据序列)存在一定差异，比如驾驶速度快的驾驶行程，采集的样本点较少，采样点之间距离较大。
由于以上两个特点，在计算两段驾驶行程之间的相似度时，不能机械地使用计算距离的方法来计算相似度，本实施例采用了动态时间规划算法来计算两段行程之间的相似度。其中，动态时间规划算法的特点在于，可以自动地根据两个序列数据的特点，对序列进行时间轴上的缩放，从而使相似度的计算更合理准确。如图3所示，该动态时间规划算法可以对两段行程坐标数据序列(行程坐标数据序列301、行程坐标数据序列302)进行缩放，虚线标识的是用对应的两个采样点来计算距离。
如图4所示，图4为一个实施例中动态时间规划算法的距离计算的示意图，动态时间规划算法的实现过程如下：假设有两个序列A和B，分别对应于不同的驾驶行程，序列A有依时序排列的n个采样点，序列B有依时序排列的m个采样点，可以先生成一个m*n的矩阵，矩阵中d(i,j)这个元素代表序列A的第i个采样点和序列B的第j个采样点的距离即如上所述的行程坐标距离。这里的行程坐标距离可以采用欧氏距离
Figure BDA0002457175750000111
进行计算即可。
动态时间规划算法就是要从(1,1)到(m,n)找到一条路径使得累计距离D(m,n)最小，具体方法是：假设要找从起点(1,1)到某位置(i,j)的最小累计距离D(i,j)，那么它只能由D(i-1,j)、D(i,j-1)和D(i-1,j-1)这三个位置的最小累计距离中寻找，也就是D(i,j)＝d(i,j)+min(D(i-1,j),D(i,j-1),D(i-1,j-1))，按此方法从起点逐格向终点计算。最终，可以计算得到每个驾驶行程与其他驾驶行程之间针对于行程坐标距离的最小累计距离，而最小累计距离D(m,n)越小，表示两个序列间的相似性越高，相应的两个驾驶行程之间的行程相似度也越高，从而可以服务器110可以依据最小累计距离，得到各驾驶行程之间的行程相似度。
在一个实施例中，步骤S203中的基于行程相似度对多个驾驶行程进行聚类，将同一类的驾驶行程对应同一驾驶路线，包括：
根据多个驾驶行程之间的行程相似度，构建驾驶行程相似度矩阵；驾驶行程相似度矩阵中的矩阵元素，用于表征各驾驶行程之间的行程相似度；基于驾驶行程相似度矩阵，采用近邻传播聚类算法进行聚类，得到各驾驶行程对应的聚类中心；根据各驾驶行程对应的聚类中心，将归属于同一聚类中心的驾驶行程对应同一驾驶路线。
本实施例主要是基于多个驾驶行程之间的行程相似度构建出驾驶行程相似度矩阵，然后采用近邻传播聚类算法基于该驾驶行程相似度矩阵，对各驾驶行程进行聚类。具体的，对于某驾驶员在一定时间内的多个驾驶行程，使用前述动态时间规划算法计算每两个驾驶行程之间的最小累计距离，可生成一个n*n(n为驾驶行程数量)的距离矩阵，如下所示：
Figure BDA0002457175750000121
其中，D(n,n)表示第n个驾驶行程与该驾驶行程自身的最小累计距离，D(1,2)表示第1个驾驶行程与第2个驾驶行程的最小累计距离，对应于第1个驾驶行程与第2个驾驶行程的行程相似度，以此类推。
在得到该距离矩阵之后，需要基于这个距离矩阵进行聚类建模，本实施例采用Affinity Propagation聚类算法(即近邻传播聚类算法，以下简称AP算法)进行聚类分析，AP算法是一种基于图论的聚类算法，其具体实现过程如下：
步骤S1：对以上距离矩阵的每个矩阵元素取反，得到相似度矩阵S，该相似度矩阵的矩阵元素可以用于表征各驾驶行程之间的行程相似度，该相似度矩阵S可称为驾驶行程相似度矩阵。然后，建立两个全零矩阵，分别是吸引度矩阵R和归属度矩阵A，两个矩阵尺寸均为n*n，即与相似度矩阵S的尺寸相同。其中，吸引度矩阵R中的元素r(i,k)表征样本k适合作为样本i的聚类中心的程度，归属度矩阵A中的元素a(i,k)表征样本i选择样本k作为其聚类中心的适合程度。
步骤S2：采用如下方式更新吸引度矩阵R：
Figure BDA0002457175750000131
其中，s(i,k)是相似度矩阵S的元素，a(i,k)是归属度矩阵A的元素，r(i,k)是吸引度矩阵R的元素，其中，t+1表示该矩阵的第t+1轮更新结果，t则表示该矩阵在第t轮更新结果，maxj≠k{at(i,j)+rt(i,j)}表示在j不等于k的条件下，取at(i,j)和rt(i,j)之间最大的一个元素，maxj≠k{s(i,j)}表示在j不等于k的条件下，取s(i,j)中最大的一个元素。
步骤S3：更新归属度矩阵A：
Figure BDA0002457175750000132
其中，a(i,k)是归属度矩阵A的元素，r(i,k)是吸引度矩阵R的元素，t+1表示该矩阵的第t+1轮更新结果，Σj≠i,kmax{rt+1(j,k),0}表示在j不等于i,k的条件下，逐个求出rt+1(j,k)和0之间的最大值，然后对各个值进行求和，Σj≠kmax{rt+1(j,k),0}则表示在j不等于k的条件下，逐个求出rt+1(j,k)和0之间的最大值，然后对各个值进行求和。
步骤S4：根据衰减系数λ对两个公式进行衰减：
rt+1(i,k)＝λ*rt(i,k)+(1-λ)*rt+1(i,k)
at+1(i,k)＝λ*at(i,k)+(1-λ)*at+1(i,k)
重复步骤S2、S3、S4直至矩阵稳定或者达到最大迭代次数，算法结束。最终取a+r最大的k作为聚类中心。其中，衰减系数λ的作用在用于调节更新吸引度矩阵R和归属度矩阵A的迭代速度，该衰减系数λ越大，吸引度矩阵R和归属度矩阵A每次迭代后的相比上一轮的变化越小，衰减系数λ通常设置0.5即可。对于矩阵稳定的条件，可以是达到这个常数即可结束迭代过程。另外，在吸引度矩阵R和归属度矩阵A中，可以选择某一行(即保持r(i,j)和a(i,j)中的i不变，j遍历所有样本)，然后求出r(i,j)+a(i,j)中的最大值，这个最大值对应的样本j作为样本i的聚类中心。从而可以对每一个样本(各样本对应各驾驶行程)都选出一个聚类中心，同一聚类中心对应同一驾驶路线，然后把这些聚类中心放在一起并且去重，可以得到最终的聚类中心集，归属于同一个聚类中心的样本被划分为同一个类别(即同一驾驶路线)，这些被划分在同一类别的驾驶行程可以被标上同一个标签，如数字1、2、3、……，从而拥有同样标签的驾驶行程认为属于同一驾驶路线。
本实施例的方案，可以采用近邻传播聚类算法基于驾驶行程相似度矩阵对各驾驶行程进行聚类分析，从而智能化地分析出归属于不同驾驶路线的驾驶行程，以便于提高驾驶路线熟悉度评估的效率和准确性。
应该理解的是，虽然图2的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图2中的至少一部分步骤可以包括多个步骤或者多个阶段，这些步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中，如图5所示，图5为一个实施例中驾驶路线熟悉度的确定装置的结构框图，提供了一种驾驶路线熟悉度的确定装置，该驾驶路线熟悉度的确定装置500，可以包括：
序列获取模块501，用于获取车辆的多个驾驶行程对应的行程坐标数据序列；其中，车辆从启动到熄火所经过的行程为一个驾驶行程，每个驾驶行程对应一组行程坐标数据序列；
相似度得到模块502，用于基于行程坐标数据序列，得到多个驾驶行程之间的行程相似度；
聚类分析模块503，用于基于行程相似度对多个驾驶行程进行聚类，将同一类的驾驶行程对应同一驾驶路线；
熟悉度确定模块504，用于根据各驾驶路线对应的驾驶行程数以及多个驾驶行程对应的驾驶行程总数，得到驾驶路线熟悉度。
在一个实施例中，序列获取模块501，进一步用于按照设定时间间隔获取车辆在各驾驶行程中对应的多个经纬度数据，得到行程坐标数据序列。
在一个实施例中，序列获取模块501，还用于获取车辆在设定时间段内的驾驶行程源数据；以车辆发出启动信号时所在位置作为驾驶行程的起点，以车辆发出熄火信号时所在位置作为驾驶行程的终点，对驾驶行程源数据进行行程划分处理，得到多个驾驶行程。
在一个实施例中，相似度得到模块502，进一步用于基于行程坐标数据序列，采用动态时间规划算法计算各驾驶行程之间的行程相似度。
在一个实施例中，行程坐标数据序列包括与多个行程坐标采样点相对应的多个行程坐标数据；多个行程坐标采样点具有时序关系；相似度得到模块502，进一步用于基于多个驾驶行程对应的多个行程坐标数据，计算每个驾驶行程的各个行程坐标采样点，分别与其他驾驶行程的各个行程坐标采样点之间的行程坐标距离；采用动态时间规划算法，依据多个行程坐标采样点具有的时序关系，将行程坐标距离进行累计，计算得到每个驾驶行程与其他驾驶行程之间针对于行程坐标距离的最小累计距离；根据最小累计距离，得到各驾驶行程之间的行程相似度。
在一个实施例中，聚类分析模块503，进一步用于根据多个驾驶行程之间的行程相似度，构建驾驶行程相似度矩阵；驾驶行程相似度矩阵中的矩阵元素，用于表征各驾驶行程之间的行程相似度；基于驾驶行程相似度矩阵，采用近邻传播聚类算法进行聚类，得到各驾驶行程对应的聚类中心；根据各驾驶行程对应的聚类中心，将归属于同一聚类中心的驾驶行程对应同一驾驶路线。
在一个实施例中，熟悉度确定模块504，进一步用于将各驾驶路线中对应驾驶行程数大于或等于设定行程数阈值的驾驶路线作为目标驾驶路线；根据目标驾驶路线对应的驾驶行程数与驾驶行程总数的比值，得到驾驶路线熟悉度。
关于驾驶路线熟悉度的确定装置的具体限定可以参见上文中对于驾驶路线熟悉度的确定方法的限定，在此不再赘述。上述驾驶路线熟悉度的确定装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中，提供了一种计算机设备，该计算机设备可以是服务器，其内部结构图可以如图6所示，图6为一个实施例中计算机设备的内部结构图。该计算机设备包括通过系统总线连接的处理器、存储器和网络接口。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储行程坐标数据序列、行程相似度和驾驶路线熟悉度等数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种驾驶路线熟悉度的确定方法。
本领域技术人员可以理解，图6中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在一个实施例中，还提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现上述各驾驶路线熟悉度的确定方法实施例中的步骤。
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现上述各驾驶路线熟悉度的确定方法实施例中的步骤。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-Only Memory，ROM)、磁带、软盘、闪存或光存储器等。易失性存储器可包括随机存取存储器(Random Access Memory，RAM)或外部高速缓冲存储器。作为说明而非局限，RAM可以是多种形式，比如静态随机存取存储器(Static Random Access Memory，SRAM)或动态随机存取存储器(Dynamic Random Access Memory，DRAM)等。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。

Claims (10)

1.一种驾驶路线熟悉度的确定方法，其特征在于，包括：
获取车辆的多个驾驶行程对应的行程坐标数据序列；其中，所述车辆从启动到熄火所经过的行程为一个驾驶行程，每个所述驾驶行程对应一组行程坐标数据序列；
基于所述行程坐标数据序列，得到所述多个驾驶行程之间的行程相似度；所述行程坐标数据序列包括与多个行程坐标采样点相对应的多个行程坐标数据；所述多个行程坐标采样点具有时序关系；
基于所述行程相似度对所述多个驾驶行程进行聚类，将同一类的驾驶行程对应同一驾驶路线；
根据各驾驶路线对应的驾驶行程数以及所述多个驾驶行程对应的驾驶行程总数，得到驾驶路线熟悉度。
2.根据权利要求1所述的方法，其特征在于，所述获取车辆的多个驾驶行程对应的行程坐标数据序列，包括：
按照设定时间间隔获取所述车辆在各驾驶行程中对应的多个经纬度数据，得到所述行程坐标数据序列。
3.根据权利要求2所述的方法，其特征在于，还包括：
获取所述车辆在设定时间段内的驾驶行程源数据；
以所述车辆发出启动信号时所在位置作为驾驶行程的起点，以所述车辆发出熄火信号时所在位置作为所述驾驶行程的终点，对所述驾驶行程源数据进行行程划分处理，得到所述多个驾驶行程。
4.根据权利要求1至3中任一项所述的方法，其特征在于，所述基于所述行程坐标数据序列，得到所述多个驾驶行程之间的行程相似度，包括：
基于所述行程坐标数据序列，采用动态时间规划算法计算各驾驶行程之间的行程相似度。
5.根据权利要求4所述的方法，其特征在于，所述基于所述行程坐标数据序列，采用动态时间规划算法计算各驾驶行程之间的行程相似度，包括：
基于所述多个驾驶行程对应的多个行程坐标数据，计算每个驾驶行程的各个行程坐标采样点，分别与其他驾驶行程的各个行程坐标采样点之间的行程坐标距离；
采用所述动态时间规划算法，依据所述多个行程坐标采样点具有的所述时序关系，将所述行程坐标距离进行累计，计算得到每个驾驶行程与其他驾驶行程之间针对于所述行程坐标距离的最小累计距离；
根据所述最小累计距离，得到所述各驾驶行程之间的行程相似度。
6.根据权利要求1至3中任一项所述的方法，其特征在于，所述基于所述行程相似度对所述多个驾驶行程进行聚类，将同一类的驾驶行程对应同一驾驶路线，包括：
根据所述多个驾驶行程之间的行程相似度，构建驾驶行程相似度矩阵；所述驾驶行程相似度矩阵中的矩阵元素，用于表征各驾驶行程之间的行程相似度；
基于所述驾驶行程相似度矩阵，采用近邻传播聚类算法进行聚类，得到各驾驶行程对应的聚类中心；
根据所述各驾驶行程对应的聚类中心，将归属于同一聚类中心的驾驶行程对应同一驾驶路线。
7.根据权利要求1至3中任一项所述的方法，其特征在于，所述根据各驾驶路线对应的驾驶行程数以及所述多个驾驶行程对应的驾驶行程总数，得到驾驶路线熟悉度，包括：
将所述各驾驶路线中对应驾驶行程数大于或等于设定行程数阈值的驾驶路线作为目标驾驶路线；
根据所述目标驾驶路线对应的驾驶行程数与所述驾驶行程总数的比值，得到所述驾驶路线熟悉度。
8.一种驾驶路线熟悉度的确定装置，其特征在于，包括：
序列获取模块，用于获取车辆的多个驾驶行程对应的行程坐标数据序列；其中，所述车辆从启动到熄火所经过的行程为一个驾驶行程，每个所述驾驶行程对应一组行程坐标数据序列；
相似度得到模块，用于基于所述行程坐标数据序列，得到所述多个驾驶行程之间的行程相似度；所述行程坐标数据序列包括与多个行程坐标采样点相对应的多个行程坐标数据；所述多个行程坐标采样点具有时序关系；
聚类分析模块，用于基于所述行程相似度对所述多个驾驶行程进行聚类，将同一类的驾驶行程对应同一驾驶路线；
熟悉度确定模块，用于根据各驾驶路线对应的驾驶行程数以及所述多个驾驶行程对应的驾驶行程总数，得到驾驶路线熟悉度。
9.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述的方法的步骤。
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，所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。
CN202010309681.5A 2020-04-20 2020-04-20 驾驶路线熟悉度确定方法、装置、计算机设备和存储介质 Active CN111460076B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010309681.5A CN111460076B (zh) 2020-04-20 2020-04-20 驾驶路线熟悉度确定方法、装置、计算机设备和存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010309681.5A CN111460076B (zh) 2020-04-20 2020-04-20 驾驶路线熟悉度确定方法、装置、计算机设备和存储介质

Publications (2)

Publication Number Publication Date
CN111460076A CN111460076A (zh) 2020-07-28
CN111460076B true CN111460076B (zh) 2023-05-26

Family

ID=71681868

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010309681.5A Active CN111460076B (zh) 2020-04-20 2020-04-20 驾驶路线熟悉度确定方法、装置、计算机设备和存储介质

Country Status (1)

Country Link
CN (1) CN111460076B (zh)

Families Citing this family (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112149921B (zh) * 2020-10-20 2024-04-19 国网重庆市电力公司营销服务中心 大规模电动物流车路径规划方法及系统、充电规划方法
CN112633592B (zh) * 2020-12-30 2023-07-18 鱼快创领智能科技(南京)有限公司 基于机器学习聚类算法的车辆常跑路线计算方法及系统
CN112857392A (zh) * 2021-02-25 2021-05-28 北京百度网讯科技有限公司 导航语音播报方法、装置、设备以及存储介质
CN113792085A (zh) * 2021-08-16 2021-12-14 天津布尔科技有限公司 一种高污染车辆经常行驶路段监控方法、装置及存储介质
CN113546396B (zh) * 2021-09-22 2021-11-23 南泽(广东)科技股份有限公司 一种基于大数据的数据处理系统及方法
CN116109145B (zh) * 2023-04-10 2023-06-20 天津所托瑞安汽车科技有限公司 车辆行驶路线的风险评估方法、装置、终端及存储介质

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108460057A (zh) * 2017-02-22 2018-08-28 深圳市赛格车圣智联科技有限公司 一种基于无监督学习的用户行程挖掘方法和装置
CN108475357A (zh) * 2015-12-15 2018-08-31 格瑞特坦有限责任公司 用于评价驾驶员的行程性能的方法和系统
CN108806241A (zh) * 2017-04-27 2018-11-13 高德软件有限公司 一种常用驾车路线的确定方法及装置
CN109033332A (zh) * 2018-07-20 2018-12-18 汉纳森（厦门）数据股份有限公司 驾驶行为分析方法、介质及系统
CN109948711A (zh) * 2019-03-21 2019-06-28 上海赢科信息技术有限公司 行程相似度获取方法和设备、查找相似行程的方法和系统
CN110969844A (zh) * 2019-11-19 2020-04-07 惠州市德赛西威汽车电子股份有限公司 一种基于行车数据计算驾驶行为相似度的方法及应用

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108475357A (zh) * 2015-12-15 2018-08-31 格瑞特坦有限责任公司 用于评价驾驶员的行程性能的方法和系统
CN108460057A (zh) * 2017-02-22 2018-08-28 深圳市赛格车圣智联科技有限公司 一种基于无监督学习的用户行程挖掘方法和装置
CN108806241A (zh) * 2017-04-27 2018-11-13 高德软件有限公司 一种常用驾车路线的确定方法及装置
CN109033332A (zh) * 2018-07-20 2018-12-18 汉纳森（厦门）数据股份有限公司 驾驶行为分析方法、介质及系统
CN109948711A (zh) * 2019-03-21 2019-06-28 上海赢科信息技术有限公司 行程相似度获取方法和设备、查找相似行程的方法和系统
CN110969844A (zh) * 2019-11-19 2020-04-07 惠州市德赛西威汽车电子股份有限公司 一种基于行车数据计算驾驶行为相似度的方法及应用

Also Published As

Publication number Publication date
CN111460076A (zh) 2020-07-28

Similar Documents

Publication Publication Date Title
CN111460076B (zh) 驾驶路线熟悉度确定方法、装置、计算机设备和存储介质
CN107103754B (zh) 一种道路交通状况预测方法及系统
CN106919957B (zh) 处理数据的方法及装置
US20230030127A1 (en) People flow prediction device, people flow prediction method, and people flow prediction program
EP2981095A1 (en) Data collection and management system, data collection and management method, terminal, and management device
CN107679558A (zh) 一种基于度量学习的用户轨迹相似性度量方法
US11416007B2 (en) Computer-implemented method and system for evaluating uncertainty in trajectory prediction
CN111027837B (zh) 预新增国际航线的参考航线确定方法、系统、设备及介质
CN116257663A (zh) 面向无人地面车辆的异常检测与关联分析方法及相关设备
US11176502B2 (en) Analytical model training method for customer experience estimation
CN108712317B (zh) 一种基于移动社交网络的城市人群时空动态感知方法和系统
CN108133234B (zh) 基于稀疏子集选择算法的社区检测方法、装置及设备
CN115240400B (zh) 车辆位置识别方法和装置、车辆位置输出方法和装置
CN116244356A (zh) 异常轨迹检测方法、装置、电子设备及存储介质
CN115760486A (zh) 临建规模评估方法、装置、设备和可读存储介质
WO2018167826A1 (ja) 因果関係評価装置、因果関係評価システムおよび因果関係評価方法
CN112949951A (zh) 数据预测方法、装置、电子设备及存储介质
CN113127804B (zh) 确定车辆故障次数的方法、装置、计算机设备和存储介质
CN111222672A (zh) 空气质量指数aqi的预测方法和装置
US20230214727A1 (en) Degradation Estimation Device and Degradation Estimation Method
JP7437277B2 (ja) 情報処理装置及び情報処理システム
CN113704964B (zh) 整车可靠性试验的路线设计方法、装置及计算机设备
CN116109145B (zh) 车辆行驶路线的风险评估方法、装置、终端及存储介质
CN117423234A (zh) 交通流量估计方法、装置、电子设备及存储介质
CN117271535A (zh) 数据处理方法、装置、设备及存储介质

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
TA01 Transfer of patent application right
TA01 Transfer of patent application right

Effective date of registration: 20230512

Address after: Room 101, No. 227 Gaotang Road, Tianhe District, Guangzhou City, Guangdong Province, 510665 (Location: Room 601)

Applicant after: Yamei Zhilian Data Technology Co.,Ltd.

Address before: Room 201, No.1 Hanjing Road, Tianhe District, Guangzhou City, Guangdong Province

Applicant before: GUANGZHOU YAME INFORMATION TECHNOLOGY Co.,Ltd.