CN111539551A - 行车目的地地址预测方法、装置、计算机设备和存储介质 - Google Patents
行车目的地地址预测方法、装置、计算机设备和存储介质 Download PDFInfo
- Publication number
- CN111539551A CN111539551A CN202010191657.6A CN202010191657A CN111539551A CN 111539551 A CN111539551 A CN 111539551A CN 202010191657 A CN202010191657 A CN 202010191657A CN 111539551 A CN111539551 A CN 111539551A
- Authority
- CN
- China
- Prior art keywords
- parking
- vehicle
- driving
- interval
- time
- 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
- 238000000034 method Methods 0.000 title claims abstract description 37
- 238000004590 computer program Methods 0.000 claims description 23
- 238000004422 calculation algorithm Methods 0.000 claims description 16
- 238000013507 mapping Methods 0.000 claims description 12
- 238000012216 screening Methods 0.000 description 10
- 238000010586 diagram Methods 0.000 description 5
- 230000006855 networking Effects 0.000 description 3
- 230000007812 deficiency Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000007621 cluster analysis Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000003111 delayed effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000000007 visual effect Effects 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
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
- G01C21/26—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network
- G01C21/34—Route searching; Route guidance
- G01C21/3407—Route searching; Route guidance specially adapted for specific applications
- G01C21/343—Calculating itineraries, i.e. routes leading from a starting point to a series of categorical destinations using a global route restraint, round trips, touristic trips
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
- G01C21/26—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network
- G01C21/34—Route searching; Route guidance
- G01C21/3446—Details of route searching algorithms, e.g. Dijkstra, A*, arc-flags, using precalculated routes
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S19/00—Satellite radio beacon positioning systems; Determining position, velocity or attitude using signals transmitted by such systems
- G01S19/38—Determining a navigation solution using signals transmitted by a satellite radio beacon positioning system
- G01S19/39—Determining a navigation solution using signals transmitted by a satellite radio beacon positioning system the satellite radio beacon positioning system transmitting time-stamped messages, e.g. GPS [Global Positioning System], GLONASS [Global Orbiting Navigation Satellite System] or GALILEO
- G01S19/393—Trajectory determination or predictive tracking, e.g. Kalman filtering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
Landscapes
- Engineering & Computer Science (AREA)
- Remote Sensing (AREA)
- Radar, Positioning & Navigation (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Automation & Control Theory (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Computer Networks & Wireless Communication (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Development Economics (AREA)
- Evolutionary Biology (AREA)
- Game Theory and Decision Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Traffic Control Systems (AREA)
Abstract
本申请涉及一种行车目的地地址预测方法、装置、计算机设备和存储介质。所述方法包括:获取目标车辆的行车会话数据;根据所述行车会话数据中的车辆启停时间,确定所述目标车辆的行车目的地地址候选集;将所述行车目的地地址候选集进行聚类预测,确定所述目标车辆的行车目的地地址。采用本方法,可避免出现单端分析车辆启动信息或车辆停止信息时所造成的信息缺失性误差,能够提高行车目的地地址的预测准确率。
Description
技术领域
本申请涉及车联网技术领域,特别是涉及一种行车目的地地址预测方法、装置、计算机设备和存储介质。
背景技术
随着车联网技术的不断发展,基于行车数据所开发的车用软件逐渐走进人们的视野,给人们的出行带来了极大便利,例如采用行车数据分析预测用车者的行车目的地,以满足其相关行程需求。
然而,传统技术中对车辆行车目的地的预测,通常是基于固定时段内的行车状态来预测,并未进一步分析车辆出行所产生的其他数据,地址判断依据单薄,导致预测结果存在一定误差。
因此,目前的行车目的地预测方法存在预测结果准确率低的问题。
发明内容
基于此,有必要针对上述技术问题,提供一种能够提高行车目的地地址预测准确率的行车目的地地址预测方法、装置、计算机设备和存储介质。
一种行车目的地地址预测方法,所述方法包括:
获取目标车辆的行车会话数据;
根据所述行车会话数据中的车辆启停时间,确定所述目标车辆的行车目的地地址候选集;
将所述行车目的地地址候选集进行聚类预测,确定所述目标车辆的行车目的地地址。
在其中一个实施例中,所述根据所述行车会话数据中的车辆启停时间,确定所述目标车辆的行车目的地地址候选集,包括:
提取所述行车会话数据中预设时段内的车辆启停时间;
根据所述预设时段内的车辆启停时间,确定所述目标车辆的停车区间和停车时长;
根据所述停车区间和所述停车时长,确定所述目标车辆的行车目的地地址候选集。
在其中一个实施例中,所述根据所述预设时段内的车辆启停时间,确定所述目标车辆的停车区间和停车时长,包括:
根据所述预设时段内的车辆启停时间对应的车辆启停时序,确定所述车辆启停时间中多于一个的车辆熄火时间;
分别确定与所述车辆熄火时间相邻后序的车辆点火时间,得到所述车辆熄火时间对应的车辆点火时间;
根据所述车辆熄火时间对应的车辆点火时间,确定所述目标车辆的停车区间和停车时长。
在其中一个实施例中,所述根据所述车辆熄火时间对应的车辆点火时间,确定所述目标车辆的停车区间和停车时长,包括:
获取所述目标车辆的停车时段;所述停车时段为所述车辆熄火时间至其对应的车辆点火时间之间的时段;
若所述停车时段与第一预设时段相匹配,则确定所述目标车辆的停车区间为白天停车区间;所述白天停车区间为与所述第一预设时段存在映射关系的停车区间;
若所述停车时段与第二预设时段相匹配,则确定所述目标车辆的停车区间为夜晚停车区间;所述夜晚停车区间为与所述第二预设时段存在映射关系的停车区间;
根据所述停车时段,分别获取所述目标车辆在所述白天停车区间与所述夜晚停车区间的停车时长。
在其中一个实施例中,所述停车区间包括白天停车区间和夜晚停车区间,所述根据所述停车区间和所述停车时长,确定所述目标车辆的行车目的地地址候选集,包括:
获取所述白天停车区间中多于一个的白天熄火坐标,得到所述目标车辆在所述预设时段内的公司地址候选集,以及,获取所述夜晚停车区间中多于一个的夜晚熄火坐标,得到所述目标车辆在所述预设时段内的住宅地址候选集;
按照所述预设时段内的单位时段,在所述公司地址候选集中获取所述单位时段内具有最大停车时长的白天熄火坐标,得到所述目标车辆的行车公司地址候选集,以及,在所述住宅地址候选集中获取所述单位时段内具有最大停车时长的夜晚熄火坐标,得到所述目标车辆的行车住宅地址候选集;
确定所述行车公司地址候选集与所述行车住宅地址候选集,作为所述目标车辆的行车目的地地址候选集。
在其中一个实施例中,所述行车目的地地址候选集包括行车公司地址候选集和行车住宅地址候选集,所述将所述行车目的地地址候选集进行聚类预测,确定所述目标车辆的行车目的地地址,包括:
基于密度聚类算法,分别对所述行车公司地址候选集与所述行车住宅地址候选集进行聚类预测,得到所述目标车辆的行车公司地址与行车住宅地址;
确定所述行车公司地址与所述行车住宅地址,作为所述行车目的地地址的预测地址。
在其中一个实施例中,所述行车会话数据包括车辆启停时间或者车辆熄火坐标中的至少一个。
一种行车目的地地址预测装置,所述装置包括:
数据获取模块,用于获取目标车辆的行车会话数据;
候选集确定模块,用于根据所述行车会话数据中的车辆启停时间,确定所述目标车辆的行车目的地地址候选集;
目的地地址确定模块,用于将所述行车目的地地址候选集进行聚类预测,确定所述目标车辆的行车目的地地址。
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:
获取目标车辆的行车会话数据;
根据所述行车会话数据中的车辆启停时间,确定所述目标车辆的行车目的地地址候选集;
将所述行车目的地地址候选集进行聚类预测,确定所述目标车辆的行车目的地地址。
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:
获取目标车辆的行车会话数据;
根据所述行车会话数据中的车辆启停时间,确定所述目标车辆的行车目的地地址候选集;
将所述行车目的地地址候选集进行聚类预测,确定所述目标车辆的行车目的地地址。
上述行车目的地地址预测法、装置、计算机设备和存储介质,通过获取目标车辆其行车会话数据中的车辆启停时间,可确定出目标车辆的行车目的地地址候选集,进而将行车目的地地址候选集进行聚类预测,可最终确定出目标车辆的行车目的地地址。采用本方法,可避免出现单端分析车辆启动信息或车辆停止信息时所造成的信息缺失性误差,进而实现对行车目的地地址预测准确率的有效提高。
附图说明
图1为一个实施例中行车目的地地址预测方法的应用环境图;
图2为一个实施例中行车目的地地址预测方法的流程示意图;
图3为一个实施例中行车目的地地址候选集确定步骤的流程示意图;
图4为一个实施例中停车区间和停车时长确定步骤的流程示意图;
图5为另一个实施例中停车区间和停车时长确定步骤的流程示意图;
图6为另一个实施例中行车目的地地址候选集确定步骤的流程示意图;
图7为一个实施例中行车目的地地址确定步骤的流程示意图;
图8为一个实施例中行车目的地地址预测装置的结构框图;
图9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。
需要说明的是,本发明实施例所涉及的术语“第一\第二”仅仅是区别类似的对象,不代表针对对象的特定排序,可以理解地,“第一\第二”在允许的情况下可以互换特定的顺序或先后次序。应该理解“第一\第二”区分的对象在适当情况下可以互换,以使这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。
本申请提供的行车目的地地址预测方法,可以应用于如图1所示的应用环境中。其中,车载终端102、服务器104以及用户终端106之间可通过网络进行通信,车载终端102在持续记录车辆行车数据的同时,可将该行车数据上传至服务器104,供服务器104分析预测车辆的行车目的地地址,以便车用户在需要获取相关车辆行车目的地地址的信息时,通过用户终端106获取服务器104分析预测所得结果,例如在某个上班时段预测到车辆的行车目的地地址为公司地址,则服务器104可进一步获取该车辆去往公司地址的途径路况,并将其获取到的途径路况发送至用户终端106等。其中,车载终端102可以但不限于是各种车联网硬件设备,如OBD(On Board Diagnostics)系统。服务器104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。用户终端106可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备。网络包含但不限于:广域网、城域网或局域网。
在一个实施例中,如图2所示,提供了一种行车目的地地址预测方法,以该方法应用于图1中的服务器104为例进行说明,包括以下步骤:
步骤S202,获取目标车辆的行车会话数据。
其中,目标车辆是指具有行车目的地地址预测需求、且服务器104可响应其需求进行行车目的地地址预测的车辆。
其中,行车会话数据是指目标车辆通过车载终端102与服务器104之间创建会话所产生的数据,例如,车辆ID、会话ID、车辆点火时间(车辆点火启动完成的瞬间)、车辆熄火时间(车辆熄火停车完成的瞬间)、车辆点火坐标(车辆点火启动完成时刻对应的坐标位置)以及车辆熄火坐标(车辆熄火停车完成时刻对应坐标位置)等。
具体地,服务器104可通过响应目标车辆上车载终端102的会话请求来获取其行车会话数据,即,目标车辆上的车载终端102可实时采集目标车辆的行车数据,如每一段行程所产生的车辆点火时间、车辆熄火时间、车辆点火坐标以及车辆熄火坐标等,在行车数据记录采集的同时,车载终端102可将其中一部分预设时段内的行车数据发送至服务器104,发送方式可以是向服务器104发起会话请求,通过与服务器104创建的会话通道将行车数据上传至服务器104,由此,服务器104可获取到该目标车辆的行车会话数据。
更具体地,由于不同车辆具有不同的设备标识(车辆ID),因此当目标车辆上的车载终端102与服务器104创建会话时,服务器104可为该目标车辆的车载终端102设置一个会话标识(会话ID),用以关联记录该目标车辆的行车会话数据。因此,服务器104所获取到行车会话数据,可由目标车辆的车辆标识与会话标识一同关联。
例如,可参阅表1,为一个目标车辆在预设时段内的行车会话数据:
表1目标车辆的行车会话数据
由上表可知,服务器104可针对目标车辆获取到车辆点火时间、车辆熄火时间、车辆点火坐标以及车辆熄火坐标等行车会话数据。
步骤S204,根据所述行车会话数据中的车辆启停时间,确定所述目标车辆的行车目的地地址候选集。
其中,车辆启停时间是指车辆点火时间(启动)与车辆熄火时间(停止)的时间总称。
其中,行车目的地地址候选集是指车辆出行目的地地址的待预测候选GPS坐标集合。
具体地,服务器104获取到目标车辆的行车会话数据后,可通过提取分析该行车会话数据中的车辆启停时间(车辆点火时间、车辆熄火时间),以便对确定该目标车辆的行车目的地地址进行初步筛选,即筛选出可用于作最终地址预测的行车目的地地址候选集,该行车目的地地址候选集中,主要包括有目标车辆在预设时段内各行程中车辆启停时间符合预设筛选条件的车辆熄火坐标。
更具体地,针对行车会话数据中的车辆启停时间分析确定行车目的地地址候选集,有利于对目标车辆不同行程中所产生的启停信息进行充分且完整地解析,可避免出现单端分析车辆启动信息或车辆停止信息时所造成的信息缺失性误差,进而提高行车目的地地址的预测准确率。
步骤S206,将所述行车目的地地址候选集进行聚类预测,确定所述目标车辆的行车目的地地址。
其中,行车目的地地址是指目标车辆的出行目的地地址,例如,公司地址、住宅地址等。
具体地,可通过密度聚类算法对行车目的地地址候选集进行聚类预测,例如OPTICS算法、DBSCAN算法等,但相较于DBSCAN算法,OPTICS算法可以对领域半径(Eps)不再敏感,只需确定Eps领域最小点数(min Pts)的值即可得到相对准确的聚类结果,相对于DBSCAN算法对“Eps”和“min Pts”两个参数的敏感性确定,半径Eps的轻微变化并不会影响OPTICS的聚类结果,因此本实施例中优先考虑使用OPTICS算法对行车目的地地址候选集进行聚类预测。
例如,将行车目的地地址候选集中的每个地址坐标作为点,通过预设领域半径ε以及在该ε领域内能够成为核心点的最小领域点数,对所有点按照可达距离(核心点到各点之间的距离)进行排序,可达距离最小的在队首,可获取点集的有序队列。服务器104获取到点集的有序队列后,可根据可达距离与半径ε之差,将大于半径ε的点进行删除(即删除噪声点),即可得到符合半径条件的剩余点,从中任选一个点所表示的地址坐标,可作为目标车辆的行车目的地地址。
上述行车目的地地址预测方法中,通过获取目标车辆其行车会话数据中的车辆启停时间,可确定出目标车辆的行车目的地地址候选集,进而将行车目的地地址候选集进行聚类预测,可最终确定出目标车辆的行车目的地地址。采用本方法,可避免出现单端分析车辆启动信息或车辆停止信息时所造成的信息缺失性误差,进而实现对行车目的地地址预测准确率的有效提高。
在一个实施例中,如图3所示,步骤S204包括:
步骤S302,提取所述行车会话数据中预设时段内的车辆启停时间。
其中,预设时段是指根据目标车辆出行周期预先设置的预测样本数据采集时间段,例如,30天、365天等。
具体地,服务器104所获取到的行车会话数据,可以是车载终端102所提交目标车辆在预设时段内的行车会话数据,也可以是服务器104从大量行车会话数据中针对预设时段所提取到的行车会话数据,进而相应获取行车会话数据中的车辆点火时间和车辆熄火时间。
步骤S304,根据所述预设时段内的车辆启停时间,确定所述目标车辆的停车区间和停车时长。
其中,停车区间是指目标车辆的某停车时刻至下一次启动时刻之间的时间所属时间区间,例如,白天停车区间、夜晚停车区间。可以理解的是,一个停车区间相应的对应一组行程会话数据,即包括:目标车辆在该停车区间内的车辆熄火时间、车辆熄火时间对应的车辆熄火坐标、车辆点火时间、车辆点火时间对应的车辆点火坐标。
其中,停车时长是指目标车辆在某停车时刻至下一次启动时刻之间所占时间的长短,例如,30分钟、60分钟等。
具体地,服务器104可针对目标车辆在预设时段内的车辆启停时间,确定其每一次停车状态对应的停车区间和停车时长,进而对停车区间和停车时长进行分析,以便确定可筛选出行车目的地地址的行车目的地地址候选集。
步骤S306,根据所述停车区间和所述停车时长,确定所述目标车辆的行车目的地地址候选集。
具体地,服务器104可利用停车区间首先对目标车辆在预设时段内的车辆熄火坐标进行划分,即将预设时段内的车辆熄火坐标划分至不同的初选地址候选集,再针对不同的初选地址候选集,基于停车时长的筛选确定最终的行车目的地地址候选集。
例如,通过分析停车区间,可将预设时段内属于白天停车区间的停车区间对应的车辆熄火坐标划分至公司地址候选集,将另一部分属于夜晚停车区间的停车区间对应的车辆熄火坐标划分至住宅地址选集,进而通过分析停车时长,将所属不同停车区间的坐标进行再次筛选,分别得到行车公司地址候选集与行车住宅地址候选集,即可确定目标车辆的行车目的地地址候选集。
本实施例中,通过分析目标车辆的停车区间和停车时长,来确定目标车辆的行车目的地地址候选集,能够有效提高行车目的地地址的预测准确率。
在一个实施例中,如图4所示,步骤S304包括:
步骤S402,根据所述预设时段内的车辆启停时间对应的车辆启停时序,确定所述车辆启停时间中多于一个的车辆熄火时间。
步骤S404,分别确定与所述车辆熄火时间相邻后序的车辆点火时间,得到所述车辆熄火时间对应的车辆点火时间。
步骤S406,根据所述车辆熄火时间对应的车辆点火时间,确定所述目标车辆的停车区间和停车时长。
其中,车辆启停时序是指车辆点火时间、车辆熄火时间的时间顺序。
具体地,服务器104在确定目标车辆的停车区间和停车时长之前,可首先将获取到的车辆启停时间按时序进行整理,进而确定车辆启停时间中的所有车辆熄火时间,以及每个车辆熄火时间相邻后序的一个车辆点火时间,即可锁定每一个车辆熄火时间及其对应的车辆点火时间,分析多组车辆熄火时间与其所对应车辆点火时间之间的停车时段,即可得到当前所分析目标车辆的停车区间和停车时长。
例如,可参阅表1,针对目标车辆“Device1”,在实际应用场景中,车辆熄火时间“time_off_1.1”与其相邻后序的车辆点火时间“time_on_1.2”应是对应关联的,分析“time_off_1.1-time_on_1.2”之间的停车时段,即可得到该停车时段所属的停车区间,及其停车时长。
本实施例中,通过对两个时序相邻的车辆熄火时间与车辆点火时间进行分析,进而确定目标车辆的停车区间和停车时长,能够有效提高行车目的地地址的预测准确率。
在一个实施例中,如图5所示,步骤S406包括:
步骤S502,获取所述目标车辆的停车时段;所述停车时段为所述车辆熄火时间至其对应的车辆点火时间之间的时段。
步骤S504,若所述停车时段与第一预设时段相匹配,则确定所述目标车辆的停车区间为白天停车区间;所述白天停车区间为与所述第一预设时段存在映射关系的停车区间。
步骤S506,若所述停车时段与第二预设时段相匹配,则确定所述目标车辆的停车区间为夜晚停车区间;所述夜晚停车区间为与所述第二预设时段存在映射关系的停车区间。
其中,第一预设时段与第二预设时段是指将一天24小时分为两个时区的时间段,例如,第一预设时段为“06:00:00~18:00:00”、第二预设时段为“18:00:00~06:00:00”。可以理解的是,在实际应用中,可以根据实际需求设置时区得到划分,本实施例中不对此进行限定。
具体地,服务器104在前序步骤中已分别确定出各个车辆熄火时间及其后序相邻对应的车辆点火时间,即可确定目标车辆的各个停车时段,将各停车时段与第一预设时段、第二预设时段进行匹配,即可确定各个停车时段所属的停车区间是白天停车区间,还是夜晚停车区间。
例如,可参阅表1,目标车辆“Device1”的某次出行中,其车辆熄火时间“time_off_1.1”为2019-10-1[09:42:28]、后序相邻的车辆点火时间“time_on_1.2”为“2019-10-1[17:45:32]”,则该次停车状态所维持的停车时段为“2019-10-1[09:42:28]~2019-10-1[17:45:32]”,该时段符合第一预设时段“06:00:00~18:00:00”,可确定该时段停车区间为白天停车区间。
更具体地,若存在无法界定某停车时段属于第一预设时段还是第二预设时段的情况,如停车时段“2019-10-1[17:30:00]~2019-10-2[06:00:00]”,已跨越两个预设时段的交界时间点,但停车时长不足24小时,可分析该停车时段所属不同预设时段的占比,利用时段占比信息确定其停车时段所属停车区间。
例如,停车时段“2019-10-1[17:30:00]~2019-10-2[06:00:00]”,在第一预设时段“06:00:00~18:00:00”内的占比为30分钟,而在第二预设时段“18:00:00~06:00:00”内的占比为750分钟,则该停车时段在第二预设时段中的占比更大,可判定该停车时段所属停车区间为夜晚停车区间。
又例如,停车时段“2019-10-1[17:30:00]~2019-10-7[12:00:00]”中,包括了若干个预设时段而无法划定其所属停车区间,则可将此类停车时段超过24小时的坐标数据进行筛除,并顺延获取该目标车辆下一个预设时段内的车辆启停时间进行分析。
步骤S508,根据所述停车时段,分别获取所述目标车辆在所述白天停车区间与所述夜晚停车区间的停车时长。
具体地,服务器104确定出目标车辆在预设时段内各个停车时段所属的停车区间后,可针对不同停车区间内的停车时段计算相应的停车时长,则可得到每个停车时段所属的停车区间,及其停车时长。
例如,可参阅表1,目标车辆“Device1”的某次停车时段为“2019-10-1[09:42:28]~2019-10-1[17:45:32]”,该时段符合第一预设时段“06:00:00~18:00:00”,可确定该时段停车区间为白天停车区间,进而可确定该时段的停车时长约为483分钟。
本实施例中,通过对目标车辆停车时段属于停车区间的预判,以及各停车区间对应时段停车时长的计算,能够有效提高行车目的地地址的预测准确率。
在一个实施例中,如图6所示,所述停车区间包括白天停车区间和夜晚停车区间,步骤S306包括:
步骤S602,获取所述白天停车区间中多于一个的白天熄火坐标,得到所述目标车辆在所述预设时段内的公司地址候选集,以及,获取所述夜晚停车区间中多于一个的夜晚熄火坐标,得到所述目标车辆在所述预设时段内的住宅地址候选集。
其中,白天熄火坐标是指停车时段属于白天停车区间中的车辆熄火时间,其对应的车辆熄火坐标,例如,目标车辆“Device1”的某次停车时段“2019-10-1[09:42:28]~2019-10-1[17:45:32]”,该时段所属停车区间确定为白天停车区间;则可获取停车熄火时间“2019-10-1[09:42:28]”所对应的车辆熄火坐标,为此白天停车区间的白天熄火坐标。同理,可参阅表1,车辆熄火时间“time_off_1.1”对应车辆熄火坐标“gps_off_1.1”。
其中,公司地址候选集是指多个白天熄火坐标所组成的、可用于预测行车目的地地址为公司地址的坐标候选集。
其中,夜晚熄火坐标是指停车时段属于夜晚停车区间中的车辆熄火时间,其对应的车辆熄火坐标,例如,目标车辆“Device1”的某次停车时段为“2019-10-1[19:45:50]~2019-10-2[05:20:15]”,该时段所属停车区间确定为夜晚停车区间,则获取车辆熄火时间“2019-10-1[19:45:50]”所对应的车辆熄火坐标,为此夜晚停车区间的夜晚熄火坐标,同理,可参阅表1,车辆熄火时间“time_off_1.2”对应车辆熄火坐标“gps_off_1.2”。
其中,住宅地址候选集是指多个夜晚熄火坐标所组成的、可用于预测行车目的地地址为住宅地址的坐标候选集。
具体地,服务器104在确定不同停车时段所属的停车区间,及其停车时长后,可首先利用停车区间从预设时段内多个车辆熄火坐标中,筛选出属于白天停车区间的白天熄火坐标,进而将多个白天熄火坐标组合构成公司地址候选集;同时,筛选出属于夜晚停车区间的夜晚熄火坐标,进而将多个夜晚熄火坐标组合构成住宅地址候选集。
例如,可参阅表2,表示不同目标车辆的公司地址候选集与住宅地址候选集:
车辆ID | 公司地址候选集 | 住宅地址候选集 |
Device1 | gps_off_1.1、gps_off_1.3… | gps_off_1.2、gps_off_1.4… |
Device2 | gps_off_2.1、gps_off_2.3… | gps_off_2.2、gps_off_2.4… |
Device3 | gps_off_3.1、gps_off_3.3… | gps_off_3.2、gps_off_3.4… |
表2目标车辆的公司地址候选集与住宅地址候选集
步骤S604,按照所述预设时段内的单位时段,在所述公司地址候选集中获取所述单位时段内具有最大停车时长的白天熄火坐标,得到所述目标车辆的行车公司地址候选集,以及,在所述住宅地址候选集中获取所述单位时段内具有最大停车时长的夜晚熄火坐标,得到所述目标车辆的行车住宅地址候选集。
其中,预设时段内的单位时段是指预设时段内的单位周期时间段,例如,30天内的1天。具有最大停车时长的白天熄火坐标是指,单位时间段内的白天停车区间的停车时长为最大值时,该白天停车区间对应的白天熄火坐标;具有最大停车时长的夜晚熄火坐标是指,单位时段内的夜晚停车区间的停车时长为最大值时,该夜晚停车区间对应的夜晚熄火坐标。
具体地,服务器104在分别筛选出属于白天停车区间的白天熄火坐标,以及属于夜晚停车区间的夜晚熄火坐标后,可进一步针对各个白天熄火坐标、夜晚熄火坐标所在停车时段的停车时长,为筛选条件进行再一次坐标过滤筛选。即,将白天停车区间中的全部白天熄火坐标,按照单位时段进行分组,基于每一组中的白天熄火坐标筛选出唯一一个所属停车时段停车时长为最大值的坐标,得到多组形成的多个白天熄火坐标,可构成为行车公司地址候选集。
更具体地,行车住宅地址候选集的形成步骤同上,将夜晚停车区间中的全部夜晚熄火坐标,按照单位时段进行分组,基于每一组中的夜晚熄火坐标筛选出唯一一个所属停车时段停车时长为最大值的坐标,得到多组形成的多个夜晚熄火坐标,可构成为行车住宅地址候选集。
例如,可参阅表3,表示不同目标车辆的行车公司地址候选集与行车住宅地址候选集:
车辆ID | 行车公司地址候选集 | 行车住宅地址候选集 |
Device1 | gps_off_1.1、gps_off_1.5… | gps_off_1.4、gps_off_1.6… |
Device2 | gps_off_2.3、gps_off_2.5… | gps_off_2.2、gps_off_2.6… |
Device3 | gps_off_3.1、gps_off_3.7… | gps_off_3.4、gps_off_3.8… |
表3目标车辆的行车公司地址候选集与行车住宅地址候选集
需要说明的是,上述将白天停车区间中的全部白天熄火坐标,按照单位时段进行分组,基于每一组中的白天熄火坐标筛选出唯一一个所述停车时段停车时长为最大值的坐标,得到多组形成的多个白天熄火坐标,实际可以是:将预设时段30天内所产生白天停车区间中的全部白天熄火坐标,按照时段“1天”为单位进行分组,基于每一组(每一天)中的白天熄火坐标筛选出唯一一个所属停车时段停车时长为最大值的坐标,得到多组(总计30天)形成的多个白天熄火坐标,可构成行车公司地址候选集。此外,构成行车住宅地址候选集的示例同上,在此不再赘述。
步骤S606,确定所述行车公司地址候选集与所述行车住宅地址候选集,作为所述目标车辆的行车目的地地址候选集。
具体地,上述构成的行车公司地址候选集与行车住宅地址候选集,即可作为目标车辆的行车目的地地址候选集,即可针对不同的候选集预测出不同的行车目的地地址。
当然,本领域技术人员还可通过上述行车目的地地址预测方法,预测出除公司、住宅以外的行车目的地地址,例如,学校、体育馆、医院等,均可基于目标车辆停车时段所属不同停车区间,及其对应时长进行筛选,即通过对停车区间类型和停车时长的精确进行优化。因此,本申请所提出的行车目的地地址预测方法,并不仅限于对行车公司地址与行车住宅地址的预测。
本实施例中,通过获取预处理后的公司地址候选集和住宅地址候选集,可进一步获取再次筛选所得的行车公司地址候选集和行车住宅地址候选集,基于后续两个候选集来确定行车目的地地址,能够有效提高行车目的地地址的预测准确率。
在一个实施例中,如图7所示,所述行车目的地地址候选集包括行车公司地址候选集和行车住宅地址候选集,步骤S206包括:
步骤S702,基于密度聚类算法,分别对所述行车公司地址候选集与所述行车住宅地址候选集进行聚类预测,得到所述目标车辆的行车公司地址与行车住宅地址。
步骤S704,确定所述行车公司地址与所述行车住宅地址,作为所述行车目的地地址的预测地址。
具体地,可采用密度聚类算法中的OPTICS算法,对行车目的地地址候选集中的车辆熄火坐标进行聚类预测,进一步获取更准确有效的多组行车目的地地址集合,进而从多组行车目的地地址集合中筛选出聚类数量最大的集合,并从中挑选出任意一个车辆熄火坐标作为目标车辆指定的行车目的地地址,具体实施方式已在上述实施例中详细说明,在此不再赘述。
更具体地,行车公司地址即为上述实施例中所提的行车公司地址候选集中的任意一个地址坐标,而行车住宅地址也同样为上述实施例中所提行车住宅地址候选集中的任意一个地址坐标。
例如,目标车辆“Device1”行车公司地址为行车公司地址候选集“gps_off_1.1、gps_off_1.5…”中的“gps_off_1.1”;目标车辆“Device1”行车住宅地址为行车住宅地址候选集“gps_off_1.4、gps_off_1.6…”中的“gps_off_1.6”。
本实施例中,通过密度聚类算法确定目标车辆的行车目的地地址,能够有效提高行车目的地地址的预测准确率。
在一个实施例中,所述行车会话数据包括车辆启停时间或者车辆熄火坐标中的至少一个。
具体地,服务器104可获取目标车辆在预设时段内的车辆启停时间以及车辆熄火坐标,作为目标车辆的行车会话数据进行聚类分析,最终确定准确率较高的目标车辆的行车目的地地址。
本实施例中,通过获取目标车辆在预设时段内的车辆启停时间以及车辆熄火坐标,实现后续对目标车辆行车目的地地址的预测,不仅能够节省计算成本,还能够有效提高行车目的地地址的预测准确率。
应该理解的是,虽然图2-7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2-7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8所示,提供了一种行车目的地地址预测装置800,包括:数据获取模块802、候选集确定模块804和目的地地址确定模块806,其中:
数据获取模块802,用于获取目标车辆的行车会话数据;
候选集确定模块804,用于根据所述行车会话数据中的车辆启停时间,确定所述目标车辆的行车目的地地址候选集;
目的地地址确定模块806,用于将所述行车目的地地址候选集进行聚类预测,确定所述目标车辆的行车目的地地址。
在一个实施例中,候选集确定模块804还用于提取所述行车会话数据中预设时段内的车辆启停时间;根据所述预设时段内的车辆启停时间,确定所述目标车辆的停车区间和停车时长;根据所述停车区间和所述停车时长,确定所述目标车辆的行车目的地地址候选集。
在一个实施例中,候选集确定模块804还用于根据所述预设时段内的车辆启停时间对应的车辆启停时序,确定所述车辆启停时间中多于一个的车辆熄火时间;分别确定与所述车辆熄火时间相邻后序的车辆点火时间,得到所述车辆熄火时间对应的车辆点火时间;根据所述车辆熄火时间对应的车辆点火时间,确定所述目标车辆的停车区间和停车时长。
在一个实施例中,候选集确定模块804还用于获取所述目标车辆的停车时段;若所述停车时段与第一预设时段相匹配,则确定所述目标车辆的停车区间为白天停车区间;所述白天停车区间为与所述第一预设时段存在映射关系的停车区间;若所述停车时段与第二预设时段相匹配,则确定所述目标车辆的停车区间为夜晚停车区间;所述夜晚停车区间为与所述第二预设时段存在映射关系的停车区间;根据所述停车时段,分别获取所述目标车辆在所述白天停车区间与所述夜晚停车区间的停车时长。
在一个实施例中,所述停车区间包括白天停车区间和夜晚停车区间,候选集确定模块804还用于获取所述白天停车区间中多于一个的白天熄火坐标,得到所述目标车辆在所述预设时段内的公司地址候选集,以及,获取所述夜晚停车区间中多于一个的夜晚熄火坐标,得到所述目标车辆在所述预设时段内的住宅地址候选集;按照所述预设时段内的单位时段,在所述公司地址候选集中获取所述单位时段内具有最大停车时长的白天熄火坐标,得到所述目标车辆的行车公司地址候选集,以及,在所述住宅地址候选集中获取所述单位时段内具有最大停车时长的夜晚熄火坐标,得到所述目标车辆的行车住宅地址候选集;确定所述行车公司地址候选集与所述行车住宅地址候选集,作为所述目标车辆的行车目的地地址候选集。
在一个实施例中,所述行车目的地地址候选集包括行车公司地址候选集和行车住宅地址候选集,目的地地址确定模块806还用于基于密度聚类算法,分别对所述行车公司地址候选集与所述行车住宅地址候选集进行聚类预测,得到所述目标车辆的行车公司地址与行车住宅地址;确定所述行车公司地址与所述行车住宅地址,作为所述行车目的地地址的预测地址。
在一个实施例中,所述行车会话数据包括车辆启停时间或者车辆熄火坐标中的至少一个。
上述实施例中,可避免出现单端分析车辆启动信息或车辆停止信息时所造成的信息缺失性误差,进而实现对行车目的地地址预测准确率的有效提高。
关于行车目的地地址预测装置的具体限定可以参见上文中对于行车目的地地址预测方法的限定,在此不再赘述。上述行车目的地地址预测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9所示。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车会话数据。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行车目的地地址预测方法。
本领域技术人员可以理解,图9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,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以下步骤:
获取目标车辆的行车会话数据;
根据所述行车会话数据中的车辆启停时间,确定所述目标车辆的行车目的地地址候选集;
将所述行车目的地地址候选集进行聚类预测,确定所述目标车辆的行车目的地地址。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
提取所述行车会话数据中预设时段内的车辆启停时间;根据所述预设时段内的车辆启停时间,确定所述目标车辆的停车区间和停车时长;根据所述停车区间和所述停车时长,确定所述目标车辆的行车目的地地址候选集。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
根据所述预设时段内的车辆启停时间对应的车辆启停时序,确定所述车辆启停时间中多于一个的车辆熄火时间;分别确定与所述车辆熄火时间相邻后序的车辆点火时间,得到所述车辆熄火时间对应的车辆点火时间;根据所述车辆熄火时间对应的车辆点火时间,确定所述目标车辆的停车区间和停车时长。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
获取所述目标车辆的停车时段;所述停车时段为所述车辆熄火时间至其对应的车辆点火时间之间的时段;若所述停车时段与第一预设时段相匹配,则确定所述目标车辆的停车区间为白天停车区间;所述白天停车区间为与所述第一预设时段存在映射关系的停车区间;若所述停车时段与第二预设时段相匹配,则确定所述目标车辆的停车区间为夜晚停车区间;所述夜晚停车区间为与所述第二预设时段存在映射关系的停车区间;根据所述停车时段,分别获取所述目标车辆在所述白天停车区间与所述夜晚停车区间的停车时长。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
获取所述白天停车区间中多于一个的白天熄火坐标,得到所述目标车辆在所述预设时段内的公司地址候选集,以及,获取所述夜晚停车区间中多于一个的夜晚熄火坐标,得到所述目标车辆在所述预设时段内的住宅地址候选集;按照所述预设时段内的单位时段,在所述公司地址候选集中获取所述单位时段内具有最大停车时长的白天熄火坐标,得到所述目标车辆的行车公司地址候选集,以及,在所述住宅地址候选集中获取所述单位时段内具有最大停车时长的夜晚熄火坐标,得到所述目标车辆的行车住宅地址候选集;确定所述行车公司地址候选集与所述行车住宅地址候选集,作为所述目标车辆的行车目的地地址候选集。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
基于密度聚类算法,分别对所述行车公司地址候选集与所述行车住宅地址候选集进行聚类预测,得到所述目标车辆的行车公司地址与行车住宅地址;确定所述行车公司地址与所述行车住宅地址,作为所述行车目的地地址的预测地址。
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,计算机程序被处理器执行时实现以下步骤:
获取目标车辆的行车会话数据;
根据所述行车会话数据中的车辆启停时间,确定所述目标车辆的行车目的地地址候选集;
将所述行车目的地地址候选集进行聚类预测,确定所述目标车辆的行车目的地地址。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
提取所述行车会话数据中预设时段内的车辆启停时间;根据所述预设时段内的车辆启停时间,确定所述目标车辆的停车区间和停车时长;根据所述停车区间和所述停车时长,确定所述目标车辆的行车目的地地址候选集。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
根据所述预设时段内的车辆启停时间对应的车辆启停时序,确定所述车辆启停时间中多于一个的车辆熄火时间;分别确定与所述车辆熄火时间相邻后序的车辆点火时间,得到所述车辆熄火时间对应的车辆点火时间;根据所述车辆熄火时间对应的车辆点火时间,确定所述目标车辆的停车区间和停车时长。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
获取所述目标车辆的停车时段;所述停车时段为所述车辆熄火时间至其对应的车辆点火时间之间的时段;若所述停车时段与第一预设时段相匹配,则确定所述目标车辆的停车区间为白天停车区间;所述白天停车区间为与所述第一预设时段存在映射关系的停车区间;若所述停车时段与第二预设时段相匹配,则确定所述目标车辆的停车区间为夜晚停车区间;所述夜晚停车区间为与所述第二预设时段存在映射关系的停车区间;根据所述停车时段,分别获取所述目标车辆在所述白天停车区间与所述夜晚停车区间的停车时长。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
获取所述白天停车区间中多于一个的白天熄火坐标,得到所述目标车辆在所述预设时段内的公司地址候选集,以及,获取所述夜晚停车区间中多于一个的夜晚熄火坐标,得到所述目标车辆在所述预设时段内的住宅地址候选集;按照所述预设时段内的单位时段,在所述公司地址候选集中获取所述单位时段内具有最大停车时长的白天熄火坐标,得到所述目标车辆的行车公司地址候选集,以及,在所述住宅地址候选集中获取所述单位时段内具有最大停车时长的夜晚熄火坐标,得到所述目标车辆的行车住宅地址候选集;确定所述行车公司地址候选集与所述行车住宅地址候选集,作为所述目标车辆的行车目的地地址候选集。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
基于密度聚类算法,分别对所述行车公司地址候选集与所述行车住宅地址候选集进行聚类预测,得到所述目标车辆的行车公司地址与行车住宅地址;确定所述行车公司地址与所述行车住宅地址,作为所述行车目的地地址的预测地址。
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)
1.一种行车目的地地址预测方法,所述方法包括:
获取目标车辆的行车会话数据;
根据所述行车会话数据中的车辆启停时间,确定所述目标车辆的行车目的地地址候选集;
将所述行车目的地地址候选集进行聚类预测,确定所述目标车辆的行车目的地地址。
2.根据权利要求1所述的方法,其特征在于,所述根据所述行车会话数据中的车辆启停时间,确定所述目标车辆的行车目的地地址候选集,包括:
提取所述行车会话数据中预设时段内的车辆启停时间;
根据所述预设时段内的车辆启停时间,确定所述目标车辆的停车区间和停车时长;
根据所述停车区间和所述停车时长,确定所述目标车辆的行车目的地地址候选集。
3.根据权利要求2所述的方法,其特征在于,所述根据所述预设时段内的车辆启停时间,确定所述目标车辆的停车区间和停车时长,包括:
根据所述预设时段内的车辆启停时间对应的车辆启停时序,确定所述车辆启停时间中多于一个的车辆熄火时间;
分别确定与所述车辆熄火时间相邻后序的车辆点火时间,得到所述车辆熄火时间对应的车辆点火时间;
根据所述车辆熄火时间对应的车辆点火时间,确定所述目标车辆的停车区间和停车时长。
4.根据权利要求3所述的方法,其特征在于,所述根据所述车辆熄火时间对应的车辆点火时间,确定所述目标车辆的停车区间和停车时长,包括:
获取所述目标车辆的停车时段;所述停车时段为所述车辆熄火时间至其对应的车辆点火时间之间的时段;
若所述停车时段与第一预设时段相匹配,则确定所述目标车辆的停车区间为白天停车区间;所述白天停车区间为与所述第一预设时段存在映射关系的停车区间;
若所述停车时段与第二预设时段相匹配,则确定所述目标车辆的停车区间为夜晚停车区间;所述夜晚停车区间为与所述第二预设时段存在映射关系的停车区间;
根据所述停车时段,分别获取所述目标车辆在所述白天停车区间与所述夜晚停车区间的停车时长。
5.根据权利要求2所述的方法,其特征在于,所述停车区间包括白天停车区间和夜晚停车区间,所述根据所述停车区间和所述停车时长,确定所述目标车辆的行车目的地地址候选集,包括:
获取所述白天停车区间中多于一个的白天熄火坐标,得到所述目标车辆在所述预设时段内的公司地址候选集,以及,获取所述夜晚停车区间中多于一个的夜晚熄火坐标,得到所述目标车辆在所述预设时段内的住宅地址候选集;
按照所述预设时段内的单位时段,在所述公司地址候选集中获取所述单位时段内具有最大停车时长的白天熄火坐标,得到所述目标车辆的行车公司地址候选集,以及,在所述住宅地址候选集中获取所述单位时段内具有最大停车时长的夜晚熄火坐标,得到所述目标车辆的行车住宅地址候选集;
确定所述行车公司地址候选集与所述行车住宅地址候选集,作为所述目标车辆的行车目的地地址候选集。
6.根据权利要求1所述的方法,其特征在于,所述行车目的地地址候选集包括行车公司地址候选集和行车住宅地址候选集,所述将所述行车目的地地址候选集进行聚类预测,确定所述目标车辆的行车目的地地址,包括:
基于密度聚类算法,分别对所述行车公司地址候选集与所述行车住宅地址候选集进行聚类预测,得到所述目标车辆的行车公司地址与行车住宅地址;
确定所述行车公司地址与所述行车住宅地址,作为所述行车目的地地址的预测地址。
7.根据权利要求1所述的方法,其特征在于,所述行车会话数据包括车辆启停时间或者车辆熄火坐标中的至少一个。
8.一种行车目的地地址预测装置,其特征在于,所述装置包括:
数据获取模块,用于获取目标车辆的行车会话数据;
候选集确定模块,用于根据所述行车会话数据中的车辆启停时间,确定所述目标车辆的行车目的地地址候选集;
目的地地址确定模块,用于将所述行车目的地地址候选集进行聚类预测,确定所述目标车辆的行车目的地地址。
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。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010191657.6A CN111539551A (zh) | 2020-03-18 | 2020-03-18 | 行车目的地地址预测方法、装置、计算机设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010191657.6A CN111539551A (zh) | 2020-03-18 | 2020-03-18 | 行车目的地地址预测方法、装置、计算机设备和存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111539551A true CN111539551A (zh) | 2020-08-14 |
Family
ID=71974970
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010191657.6A Pending CN111539551A (zh) | 2020-03-18 | 2020-03-18 | 行车目的地地址预测方法、装置、计算机设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111539551A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112101656A (zh) * | 2020-09-11 | 2020-12-18 | 上海博泰悦臻网络技术服务有限公司 | 基于用户地址信息的管控方法、介质、服务端及系统 |
CN112380906A (zh) * | 2020-10-19 | 2021-02-19 | 上汽通用五菱汽车股份有限公司 | 一种基于行车数据确定用户住址的方法 |
CN114323143A (zh) * | 2021-12-30 | 2022-04-12 | 上海商汤临港智能科技有限公司 | 一种车辆数据检测方法、装置、计算机设备及存储介质 |
CN112380906B (zh) * | 2020-10-19 | 2024-05-31 | 上汽通用五菱汽车股份有限公司 | 一种基于行车数据确定用户住址的方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109348422A (zh) * | 2018-10-19 | 2019-02-15 | 海南易乐物联科技有限公司 | 基于obd/tbox设备轨迹分段处理方法 |
CN109636020A (zh) * | 2018-11-30 | 2019-04-16 | 广州亚美信息科技有限公司 | 一种预测目的地地址的方法及系统 |
CN110751356A (zh) * | 2018-12-07 | 2020-02-04 | 北京嘀嘀无限科技发展有限公司 | 一种服务设备选址方法及装置 |
-
2020
- 2020-03-18 CN CN202010191657.6A patent/CN111539551A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109348422A (zh) * | 2018-10-19 | 2019-02-15 | 海南易乐物联科技有限公司 | 基于obd/tbox设备轨迹分段处理方法 |
CN109636020A (zh) * | 2018-11-30 | 2019-04-16 | 广州亚美信息科技有限公司 | 一种预测目的地地址的方法及系统 |
CN110751356A (zh) * | 2018-12-07 | 2020-02-04 | 北京嘀嘀无限科技发展有限公司 | 一种服务设备选址方法及装置 |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112101656A (zh) * | 2020-09-11 | 2020-12-18 | 上海博泰悦臻网络技术服务有限公司 | 基于用户地址信息的管控方法、介质、服务端及系统 |
CN112380906A (zh) * | 2020-10-19 | 2021-02-19 | 上汽通用五菱汽车股份有限公司 | 一种基于行车数据确定用户住址的方法 |
CN112380906B (zh) * | 2020-10-19 | 2024-05-31 | 上汽通用五菱汽车股份有限公司 | 一种基于行车数据确定用户住址的方法 |
CN114323143A (zh) * | 2021-12-30 | 2022-04-12 | 上海商汤临港智能科技有限公司 | 一种车辆数据检测方法、装置、计算机设备及存储介质 |
WO2023123854A1 (zh) * | 2021-12-30 | 2023-07-06 | 上海商汤智能科技有限公司 | 车辆数据检测方法、装置、设备、介质及程序 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2019237522A1 (zh) | 车辆租赁方法、装置、计算机设备和存储介质 | |
CN107945507B (zh) | 行程时间预测方法及装置 | |
CN108648496B (zh) | 一种用于城市智能化的系统及方法 | |
CN110838239B (zh) | 车位导航方法、装置、计算机可读存储介质和计算机设备 | |
CN108230725B (zh) | 停车推荐方法和装置 | |
CN113672938B (zh) | 一种区块链节点可信状态确定方法 | |
CN108749596B (zh) | 车机端启动方法、系统及装置 | |
CN109936819B (zh) | 上车点推荐方法、装置及设备 | |
CN111539551A (zh) | 行车目的地地址预测方法、装置、计算机设备和存储介质 | |
CN109841054B (zh) | 一种推荐上车点的方法、装置、设备及存储介质 | |
CN112153070B (zh) | 车载can总线的异常检测方法、设备、存储介质及装置 | |
CN110969834A (zh) | 处理方法、装置、计算机设备、存储介质及车辆调度系统 | |
CN106557963A (zh) | 处理用车订单的方法、装置及服务器 | |
CN109754631B (zh) | 车辆位置追踪的方法、装置、计算机设备及存储介质 | |
CN112509317A (zh) | 基于机器学习算法的公交实时到站预测方法、装置和设备 | |
CN106961441B (zh) | 一种用于Hadoop云平台的用户动态访问控制方法 | |
CN109547931B (zh) | 确定移动终端所在地的服务器 | |
CN111723835A (zh) | 车辆移动轨迹区分方法、装置和电子设备 | |
Jossé et al. | Probabilistic parking queries using aging functions | |
CN113705893A (zh) | 充电调度管理方法、装置、计算机设备及可读存储介质 | |
CN116453371B (zh) | 共享车辆的还车识别方法、装置、计算机设备和存储介质 | |
CN111669711A (zh) | 车辆信息存储的实现方法、装置及计算机设备 | |
CN116312023B (zh) | 引导停车方法、装置、设备及存储介质 | |
CN111737601A (zh) | 出行策略的推荐方法、装置、设备及存储介质 | |
CN104978323A (zh) | 搜寻及分享行车记录影片的方法及其系统 |
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 | ||
TA01 | Transfer of patent application right | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20230524 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. |
|
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200814 |