CN112598192B - 一种车辆进入物流园区的预测方法、装置、存储介质及终端 - Google Patents

一种车辆进入物流园区的预测方法、装置、存储介质及终端 Download PDF

Info

Publication number
CN112598192B
CN112598192B CN202011627086.2A CN202011627086A CN112598192B CN 112598192 B CN112598192 B CN 112598192B CN 202011627086 A CN202011627086 A CN 202011627086A CN 112598192 B CN112598192 B CN 112598192B
Authority
CN
China
Prior art keywords
track
road
sliding window
track point
distance
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
CN202011627086.2A
Other languages
English (en)
Other versions
CN112598192A (zh
Inventor
赵岩
张志恒
孙智彬
张志平
江天
夏曙东
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.)
Beijing Youhang Information Technology Co ltd
Original Assignee
Beijing Youhang Information 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 Beijing Youhang Information Technology Co ltd filed Critical Beijing Youhang Information Technology Co ltd
Priority to CN202011627086.2A priority Critical patent/CN112598192B/zh
Publication of CN112598192A publication Critical patent/CN112598192A/zh
Application granted granted Critical
Publication of CN112598192B publication Critical patent/CN112598192B/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
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G06Q10/047—Optimisation of routes or paths, e.g. travelling salesman problem
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/20—Ensemble learning
    • 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
    • G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
    • G06Q10/06311—Scheduling, planning or task assignment for a person or group
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Data Mining & Analysis (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Operations Research (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • Marketing (AREA)
  • General Engineering & Computer Science (AREA)
  • General Business, Economics & Management (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Development Economics (AREA)
  • Game Theory and Decision Science (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Software Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Computing Systems (AREA)
  • Probability & Statistics with Applications (AREA)
  • Mathematical Physics (AREA)
  • Medical Informatics (AREA)
  • Educational Administration (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种车辆进入物流园区的预测方法、装置、存储介质及终端，该方法包括：获取待预测车辆的行驶轨迹点集合，并加载预先设定的路网数据；从路网数据中匹配行驶轨迹点集合内轨迹对应的道路数据；其中，道路数据包括各轨迹所处道路的道路等级与所处道路之间的距离；将各轨迹点所处道路的道路等级与所处道路之间的距离依次输入预设滑动窗口算法中，提取各轨迹点的轨迹序列特征；将各轨迹点的轨迹序列特征输入预先训练的预测模型中，输出进入物流园区的概率值，并根据概率值确定车辆是否进入物流园区。因此，采用本申请实施例，可根据海量车辆轨迹数据及路网信息有效预测出车辆在某地发生进入园区行为，提升了预测准确度，进一步提升园区内车辆管理效率。

Description

一种车辆进入物流园区的预测方法、装置、存储介质及终端
技术领域
本发明涉及数据挖掘技术领域，特别涉及一种车辆进入物流园区的预测方法、装置、存储介质及终端。
背景技术
目前物流行业发展的如火如荼，从而诞生了大量的货车，货车作为陆运主力，其承担了很大一部分货物运输量，因此实现高效的货物运输是非常有必要的，在高效实现货物运输时，如何预测出车辆是否进入物流园区，根据预测结果为车辆提前安排货物并对园区内车辆进行路线停车和停靠位置管理是实现高效货物运输的必要条件。
在现有的技术方案中，在预测车辆是否进入物流园区时，通过创建电子围栏的方式进行预测，根据凸多边形的电子围栏区域的顶点构建基准直线，并通过判断车辆所在位置是否位于所有基准直线的同一侧来进一步判断车辆是否进入多边形电子围栏区域，由于现有方案中检测园区进入主要基于人工划定的电子围栏，通过人工标注创建电子围栏，标注成本高、信息不全以及信息滞后，从而降低了预测准确率。
因此，如何找到一种有效的方法，实现车辆进入园区精准预测为亟待解决的问题。
发明内容
本申请实施例提供了一种车辆进入物流园区的预测方法、装置、存储介质及终端。为了对披露的实施例的一些方面有一个基本的理解，下面给出了简单的概括。该概括部分不是泛泛评述，也不是要确定关键/重要组成元素或描绘这些实施例的保护范围。其唯一目的是用简单的形式呈现一些概念，以此作为后面的详细说明的序言。
第一方面，本申请实施例提供了一种车辆进入物流园区的预测方法，方法包括：
获取待预测车辆的行驶轨迹点集合，并加载预先设定的路网数据；
从预先设定的路网数据中匹配行驶轨迹点集合中各轨迹点对应的道路数据；其中，道路数据包括各轨迹点所处道路的道路等级与所处道路之间的距离；
将各轨迹点所处道路的道路等级与所处道路之间的距离依次输入预设滑动窗口算法中，提取各轨迹点的轨迹序列特征；
将各轨迹点的轨迹序列特征输入预先训练的预测模型中，输出进入物流园区的概率值，并根据概率值确定待预测车辆是否进入物流园区。
可选的，按照下述步骤生成预先训练的预测模型，包括：
采集多个进入物流园区车辆的行驶轨迹点集合；
接收标注指令，并根据标注指令针对多个进入物流园区车辆的行驶轨迹点集合中各轨迹点进行标注，生成标注的多个训练样本；
从预先设定的路网数据中匹配多个训练样本对应的道路数据；
将多个训练样本对应的道路数据依次输入预设滑动窗口算法中，提取各训练样本的轨迹序列特征；
采用分类模型创建预测模型；
将各训练样本的轨迹序列特征输入创建的预测模型中进行训练，训练结束后生成预先训练的预测模型。
可选的，将各轨迹点所处道路的道路等级与所处道路之间的距离依次输入预设滑动窗口算法中，提取各轨迹点的轨迹序列特征，包括：
采用预设滑动窗口算法创建滑动窗口；
将各轨迹点所处道路的道路等级与所处道路之间的距离依次输入预设滑动窗口中，并计算滑动窗口内轨迹点和进入滑动窗口前最后一个点的距离，生成距离集合；
从距离集合中确定出最大距离值，并将最大距离值确定为道路偏移度；
计算滑动窗口中各轨迹点组成的总路程和轨迹点个数，并将总路程和轨迹点个数的比值确定为单位距离报点密度；
将各轨迹点进入滑动窗口时刻与离开滑动窗口时刻的差值确定为滑窗时间跨度；
将滑窗时间跨度和报点密度的时间间隔以及轨迹点个数的乘积确定为滑窗内下线时长；
将道路偏移度、单位距离报点密度、滑窗时间跨度以及滑窗内下线时长确定为各轨迹点的轨迹序列特征。
可选的，根据概率值确定待预测车辆是否进入物流园区，包括：
当概率值大于等于预设阈值时，确定待预测车辆进入物流园区。
根据概率值确定待预测车辆是否进入物流园区，包括：
当概率值小于预设阈值时，确定待预测车辆不进入物流园区。
可选的，分类模型至少为逻辑回归、决策树以及神经网络中的任意一个。
第二方面，本申请实施例提供了一种车辆进入物流园区的预测装置，装置包括：
路网数据加载模块，用于获取待预测车辆的行驶轨迹点集合，并加载预先设定的路网数据；
道路数据匹配模块，用于从预先设定的路网数据中匹配行驶轨迹点集合中各轨迹点对应的道路数据；其中，道路数据包括各轨迹点所处道路的道路等级与所处道路之间的距离；
轨迹序列特征提取模块，用于将各轨迹点所处道路的道路等级与所处道路之间的距离依次输入预设滑动窗口算法中，提取各轨迹点的轨迹序列特征；
预测模块，用于将各轨迹点的轨迹序列特征输入预先训练的预测模型中，输出进入物流园区的概率值，并根据概率值确定待预测车辆是否进入物流园区。
可选的，所述轨迹序列特征提取模块，包括：
滑动窗口创建单元，用于采用预设滑动窗口算法创建滑动窗口；
距离集合生成单元，用于将所述各轨迹点所处道路的道路等级与所处道路之间的距离依次输入预设滑动窗口中，并计算所述滑动窗口内轨迹点和进入所述滑动窗口前最后一个点的距离，生成距离集合；
道路偏移度确定单元，用于从所述距离集合中确定出最大距离值，并将所述最大距离值确定为道路偏移度；
单位距离报点密度计算单元，用于计算所述滑动窗口中各轨迹点组成的总路程和轨迹点个数，并将所述总路程和所述轨迹点个数的比值确定为单位距离报点密度；
滑窗时间跨度计算单元，用于将所述各轨迹点进入所述滑动窗口时刻与离开所述滑动窗口时刻的差值确定为滑窗时间跨度；
滑窗内下线时长确定单元，用于将所述滑窗时间跨度和所述报点密度的时间间隔以及所述轨迹点个数的乘积确定为滑窗内下线时长；
轨迹序列特征确定单元，用于将所述道路偏移度、单位距离报点密度、滑窗时间跨度以及滑窗内下线时长确定为所述各轨迹点的轨迹序列特征。
第三方面，本申请实施例提供一种计算机存储介质，计算机存储介质存储有多条指令，指令适于由处理器加载并执行上述的方法步骤。
第四方面，本申请实施例提供一种终端，可包括：处理器和存储器；其中，存储器存储有计算机程序，计算机程序适于由处理器加载并执行上述的方法步骤。
本申请实施例提供的技术方案可以包括以下有益效果：
在本申请实施例中，车辆进入物流园区的预测装置首先获取待预测车辆的行驶轨迹点集合，并加载预先设定的路网数据，然后从路网数据中匹配行驶轨迹点集合内轨迹对应的道路数据，其中道路数据包括各轨迹所处道路的道路等级与所处道路之间的距离。其次将各轨迹点所处道路的道路等级与所处道路之间的距离依次输入预设滑动窗口算法中，提取各轨迹点的轨迹序列特征，最后将各轨迹点的轨迹序列特征输入预先训练的预测模型中，输出进入物流园区的概率值，并根据概率值确定车辆是否进入物流园区。因此，采用本申请实施例，由于本申请通过利用车辆轨迹与路网数据，抽象出轨迹点的轨迹序列特征来训练机器学习模型，最后用训练的机器模型来预测车辆是否进入物流园区，从而提升了预测准确度，进一步提升园区内车辆管理效率。
应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本发明。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本发明的实施例，并与说明书一起用于解释本发明的原理。
图1是本申请实施例提供的一种车辆进入物流园区的预测方法的流程示意图；
图2是本申请实施例提供的一种利用车辆进入物流园区的预测过程的过程示意框图；
图3是本申请实施例提供的一种车辆进入物流园区的预测装置的装置示意图；
图4是本申请实施例提供的一种轨迹序列特征确定单元结构示意图；
图5是本申请实施例提供的一种终端示意图。
具体实施方式
以下描述和附图充分地示出本发明的具体实施方案，以使本领域的技术人员能够实践它们。
应当明确，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本发明相一致的所有实施方式。相反，它们仅是如所附权利要求书中所详述的、本发明的一些方面相一致的系统和方法的例子。
在本发明的描述中，需要理解的是，术语“第一”、“第二”等仅用于描述目的，而不能理解为指示或暗示相对重要性。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。此外，在本发明的描述中，除非另有说明，“多个”是指两个或两个以上。“和/或”，描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。字符“/”一般表示前后关联对象是一种“或”的关系。
到目前为止，在现有的技术方案中，在预测车辆是否进入物流园区时，通过创建电子围栏的方式进行预测，根据凸多边形的电子围栏区域的顶点构建基准直线，并通过判断车辆所在位置是否位于所有基准直线的同一侧来进一步判断车辆是否进入多边形电子围栏区域，由于现有方案中检测园区进入主要基于人工划定的电子围栏，通过人工标注创建电子围栏，标注成本高、信息不全以及信息滞后，从而降低了预测准确率。为此，本申请提供了一种车辆进入物流园区的预测方法、装置、存储介质及终端，以解决上述相关技术问题中存在的问题。本申请提供的技术方案中，由于本申请通过利用车辆轨迹与路网数据，抽象出轨迹点的轨迹序列特征来训练机器学习模型，最后用训练的机器模型来预测车辆是否进入物流园区，从而提升了预测准确度，进一步提升园区内车辆管理效率，下面采用示例性的实施例进行详细说明。
下面将结合附图1-附图2，对本申请实施例提供的车辆进入物流园区的预测方法进行详细介绍。该方法可依赖于计算机程序实现，可运行于基于冯诺依曼体系的车辆进入物流园区的预测装置上。该计算机程序可集成在应用中，也可作为独立的工具类应用运行。
请参见图1，为本申请实施例提供了一种车辆进入物流园区的预测方法的流程示意图。如图1所示，本申请实施例的方法可以包括以下步骤：
S101，获取待预测车辆的行驶轨迹点集合，并加载预先设定的路网数据；
其中，行驶轨迹点集合为安装在车辆上的定位设备在一段时间内上报的车辆行驶轨迹数据。路网数据是人工预先采集并进行标注好的道路信息数据，例如地理信息系统中的路网数据。
通常，定位设备例如GPS导航设备，北斗导航设备等定位设备。车辆在行驶过程中定位设备会按照预设周期实时获取车辆行驶过程中产生的经纬度坐标点，然后发送至后台的车辆位置数据保存设备中进行保存。
在一种可能的实现方式中，当对道路上的某一个车辆预测其是否进入物流园区时，首先需要从车辆位置数据保存设备中加载待预测车辆在一段时间中的行驶轨迹点集合。具体可以是首先查询待预测车辆的起始时刻，然后将车辆起始时刻和当前时刻作为搜索参数，基于搜索参数生成获取待预测车辆行驶轨迹点的数据库sql语句，最后执行该sql语句进行查询操作后获取到待预测车辆在一段时间中的行驶轨迹点集合。
进一步地，在获取到待预测车辆行驶轨迹点集合后，为了找到该车辆所处道路的具体数据，需要从地理信息系统中获取路网数据。
需要说明的是，路网数据可以是保存在服务器中的，还可以是保存在边缘计算机中的数据，还可以是其他形式的路网数据。
S102，从预先设定的路网数据中匹配行驶轨迹点集合中各轨迹点对应的道路数据；其中，道路数据包括各轨迹点所处道路的道路等级与所处道路之间的距离；
其中，道路数据为待预测车辆所处的道路综合数据，例如所处的道路可能包括省道、国道、地方道路、乡镇道路以及各道路的等级参数。
通常，在进行道路数据匹配时，通过匹配算法匹配待预测车辆轨迹点对应的道路数据。
在一种可能的实现方式中，在基于步骤S101获取到待预测车辆轨迹点并加载到路网数据后，采用模式匹配算法从预先设定的路网数据中匹配行驶轨迹点集合中各轨迹点对应的道路数据。
具体的，采用模式匹配算法进行匹配操作时，首先将待预测车辆的行驶轨迹点集合转换为子串，然后将路网数据转换为主串，最后将子串的每一个字符全部循环遍历和主串进行匹配，到子串遍历结束后停止遍历，最后得到待预测车辆对应的道路数据。
S103，将各轨迹点所处道路的道路等级与所处道路之间的距离依次输入预设滑动窗口算法中，提取各轨迹点的轨迹序列特征；
其中，滑动窗口算法是是通过使用特定大小的子列表，在遍历完整列表的同时进行特定的操作，以达到降低了循环的嵌套深度。
通常，利用滑动窗口顺序遍历轨迹点时间序列时，当发现有道路等级下降、且下降等级为乡镇村道以下时，或者未匹配道路时开启滑窗；当发现有道路等级上升、且上升等级为乡镇村道以上时关闭滑窗，然后输出滑窗内轨迹点集合的特征。
在一种可能的实现方式中，在基于步骤S102获取到待预测车辆对应的道路数据后，查看道路数据中的道路等级随着时间的推移是出行等级下降的趋势还是出现等级上升的趋势，在查看后出现等级上升的趋势时，首先采用预设滑动窗口算法创建滑动窗口，再开启窗口并将各轨迹点所处道路的道路等级与所处道路之间的距离依次输入预设滑动窗口中，并计算滑动窗口内轨迹点和进入滑动窗口前最后一个点的距离，生成距离集合。
其次从距离集合中确定出最大距离值，并将最大距离值确定为道路偏移度，然后计算滑动窗口中各轨迹点组成的总路程和轨迹点个数，并将总路程和轨迹点个数的比值确定为单位距离报点密度，再将各轨迹点进入滑动窗口时刻与离开滑动窗口时刻的差值确定为滑窗时间跨度，再将滑窗时间跨度和报点密度的时间间隔以及轨迹点个数的乘积确定为滑窗内下线时长，最后将道路偏移度、单位距离报点密度、滑窗时间跨度以及滑窗内下线时长确定为各轨迹点的轨迹序列特征。
S104，将各轨迹点的轨迹序列特征输入预先训练的预测模型中，输出进入物流园区的概率值，并根据概率值确定待预测车辆是否进入物流园区。
其中，预测模型是根据待预测车辆的轨迹序列特征预测出车辆是否进入物流园区的数学模型，该模型可根据预测车辆的轨迹序列特征进行计算，得出最终的概率值大小。
通常，在训练预测模型时，首先采集多个进入物流园区车辆的行驶轨迹点集合，再接收标注指令，并根据标注指令针对多个进入物流园区车辆的行驶轨迹点集合中各轨迹点进行标注，生成标注的多个训练样本，再从预先设定的路网数据中匹配多个训练样本对应的道路数据，然后将多个训练样本对应的道路数据依次输入预设滑动窗口算法中，提取各训练样本的轨迹序列特征，再采用分类模型创建预测模型，最后将各训练样本的轨迹序列特征输入创建的预测模型中进行训练，训练结束后生成预先训练的预测模型。
需要说明的是，模型创建时可以采用任何分类模型，包括但不仅限于逻辑回归，决策树，神经网络等。
在一种可能的实现方式中，在确定出待预测车辆的各轨迹点的轨迹序列特征后，将轨迹特征输入预先训练的预测模型中输出概率值，当概率值大于等于预设阈值时，确定待预测车辆进入物流园区，或者当概率值小于预设阈值时，确定待预测车辆不进入物流园区。
例如图2所示，图2是本申请实施例提供的一种车辆进入物流园区的预测整体流程框架图，首先使用分类模型创建预测模型，然后采集进入物流园区车辆的行驶轨迹点进行标注，其次对标注的行驶轨迹点进行序列特征话，再将序列化后的数据输入创建的预测模型中进行训练，训练结束后生成训练后的预测模型并输出，再对位置的车辆轨迹点进行道路匹配，发现道路等级上升后对轨迹数据进行序列特征话，最后代入训练后的预测模型中输出预测概率值，最后根据概率值得到预测结果。
在本申请实施例中，车辆进入物流园区的预测装置首先获取待预测车辆的行驶轨迹点集合，并加载预先设定的路网数据，然后从路网数据中匹配行驶轨迹点集合内轨迹对应的道路数据，其中道路数据包括各轨迹所处道路的道路等级与所处道路之间的距离。其次将各轨迹点所处道路的道路等级与所处道路之间的距离依次输入预设滑动窗口算法中，提取各轨迹点的轨迹序列特征，最后将各轨迹点的轨迹序列特征输入预先训练的预测模型中，输出进入物流园区的概率值，并根据概率值确定车辆是否进入物流园区。因此，采用本申请实施例，由于本申请通过利用车辆轨迹与路网数据，抽象出轨迹点的轨迹序列特征来训练机器学习模型，最后用训练的机器模型来预测车辆是否进入物流园区，从而提升了预测准确度，进一步提升园区内车辆管理效率。
下述为本发明装置实施例，可以用于执行本发明方法实施例。对于本发明装置实施例中未披露的细节，请参照本发明方法实施例。
请参见图3，其示出了本发明一个示例性实施例提供的车辆进入物流园区的预测装置的结构示意图。该车辆进入物流园区的预测装置可以通过软件、硬件或者两者的结合实现成为智能机器人的全部或一部分。该装置1包括路网数据加载模块10、道路数据匹配模块20、轨迹序列特征提取模块30、预测模块 40。
路网数据加载模块10，用于获取待预测车辆的行驶轨迹点集合，并加载预先设定的路网数据；
道路数据匹配模块20，用于从预先设定的路网数据中匹配行驶轨迹点集合中各轨迹点对应的道路数据；其中，道路数据包括各轨迹点所处道路的道路等级与所处道路之间的距离；
轨迹序列特征提取模块30，用于将各轨迹点所处道路的道路等级与所处道路之间的距离依次输入预设滑动窗口算法中，提取各轨迹点的轨迹序列特征；
预测模块40，用于将各轨迹点的轨迹序列特征输入预先训练的预测模型中，输出进入物流园区的概率值，并根据概率值确定待预测车辆是否进入物流园区。
可选的，如图4所示，图4为本申请实施例提供的轨迹序列特征提取模块 30示意图，该模块包括：
滑动窗口创建单元301，用于采用预设滑动窗口算法创建滑动窗口；
距离集合生成单元302，用于将所述各轨迹点所处道路的道路等级与所处道路之间的距离依次输入预设滑动窗口中，并计算所述滑动窗口内轨迹点和进入所述滑动窗口前最后一个点的距离，生成距离集合；
道路偏移度确定单元303，用于从所述距离集合中确定出最大距离值，并将所述最大距离值确定为道路偏移度；
单位距离报点密度计算单元304，用于计算所述滑动窗口中各轨迹点组成的总路程和轨迹点个数，并将所述总路程和所述轨迹点个数的比值确定为单位距离报点密度；
滑窗时间跨度计算单元305，用于将所述各轨迹点进入所述滑动窗口时刻与离开所述滑动窗口时刻的差值确定为滑窗时间跨度；
滑窗内下线时长确定单元306，用于将所述滑窗时间跨度和所述报点密度的时间间隔以及所述轨迹点个数的乘积确定为滑窗内下线时长；
轨迹序列特征确定单元307，用于将所述道路偏移度、单位距离报点密度、滑窗时间跨度以及滑窗内下线时长确定为所述各轨迹点的轨迹序列特征。
需要说明的是，上述实施例提供的车辆进入物流园区的预测装置在执行车辆进入物流园区的预测方法时，仅以上述各功能模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能模块完成，即将设备的内部结构划分成不同的功能模块，以完成以上描述的全部或者部分功能。另外，上述实施例提供的车辆进入物流园区的预测装置与车辆进入物流园区的预测方法实施例属于同一构思，其体现实现过程详见方法实施例，这里不再赘述。
上述本申请实施例序号仅仅为了描述，不代表实施例的优劣。
在本申请实施例中，车辆进入物流园区的预测装置首先获取待预测车辆的行驶轨迹点集合，并加载预先设定的路网数据，然后从路网数据中匹配行驶轨迹点集合内轨迹对应的道路数据，其中道路数据包括各轨迹所处道路的道路等级与所处道路之间的距离。其次将各轨迹点所处道路的道路等级与所处道路之间的距离依次输入预设滑动窗口算法中，提取各轨迹点的轨迹序列特征，最后将各轨迹点的轨迹序列特征输入预先训练的预测模型中，输出进入物流园区的概率值，并根据概率值确定车辆是否进入物流园区。因此，采用本申请实施例，由于本申请通过利用车辆轨迹与路网数据，抽象出轨迹点的轨迹序列特征来训练机器学习模型，最后用训练的机器模型来预测车辆是否进入物流园区，从而提升了预测准确度，进一步提升园区内车辆管理效率。
本发明还提供一种计算机可读介质，其上存储有程序指令，该程序指令被处理器执行时实现上述各个方法实施例提供的车辆进入物流园区的预测方法。
本发明还提供了一种包含指令的计算机程序产品，当其在计算机上运行时，使得计算机执行上述各个方法实施例的车辆进入物流园区的预测方法。
请参见图5，为本申请实施例提供了一种终端的结构示意图。如图5所示，终端1000可以包括：至少一个处理器1001，至少一个网络接口1004，用户接口1003，存储器1005，至少一个通信总线1002。
其中，通信总线1002用于实现这些组件之间的连接通信。
其中，用户接口1003可以包括显示屏(Display)、摄像头(Camera)，可选用户接口1003还可以包括标准的有线接口、无线接口。
其中，网络接口1004可选的可以包括标准的有线接口、无线接口(如WI-FI 接口)。
其中，处理器1001可以包括一个或者多个处理核心。处理器1001利用各种借口和线路连接整个电子设备1000内的各个部分，通过运行或执行存储在存储器1005内的指令、程序、代码集或指令集，以及调用存储在存储器1005内的数据，执行电子设备1000的各种功能和处理数据。可选的，处理器1001可以采用数字信号处理(Digital Signal Processing，DSP)、现场可编程门阵列 (Field-Programmable Gate Array，FPGA)、可编程逻辑阵列(Programmable Logic Array，PLA)中的至少一种硬件形式来实现。处理器1001可集成中央处理器(Central Processing Unit，CPU)、图像处理器(Graphics Processing Unit， GPU)和调制解调器等中的一种或几种的组合。其中，CPU主要处理操作系统、用户界面和应用程序等；GPU用于负责显示屏所需要显示的内容的渲染和绘制；调制解调器用于处理无线通信。可以理解的是，上述调制解调器也可以不集成到处理器1001中，单独通过一块芯片进行实现。
其中，存储器1005可以包括随机存储器(Random Access Memory，RAM)，也可以包括只读存储器(Read-Only Memory)。可选的，该存储器1005包括非瞬时性计算机可读介质(non-transitory computer-readable storage medium)。存储器1005可用于存储指令、程序、代码、代码集或指令集。存储器1005可包括存储程序区和存储数据区，其中，存储程序区可存储用于实现操作系统的指令、用于至少一个功能的指令(比如触控功能、声音播放功能、图像播放功能等)、用于实现上述各个方法实施例的指令等；存储数据区可存储上面各个方法实施例中涉及到的数据等。存储器1005可选的还可以是至少一个位于远离前述处理器1001的存储装置。如图5所示，作为一种计算机存储介质的存储器 1005中可以包括操作系统、网络通信模块、用户接口模块以及车辆进入物流园区的预测应用程序。
在图5所示的终端1000中，用户接口1003主要用于为用户提供输入的接口，获取用户输入的数据；而处理器1001可以用于调用存储器1005中存储的车辆进入物流园区的预测应用程序，并具体执行以下操作：
获取待预测车辆的行驶轨迹点集合，并加载预先设定的路网数据；
从预先设定的路网数据中匹配行驶轨迹点集合中各轨迹点对应的道路数据；其中，道路数据包括各轨迹点所处道路的道路等级与所处道路之间的距离；
将各轨迹点所处道路的道路等级与所处道路之间的距离依次输入预设滑动窗口算法中，提取各轨迹点的轨迹序列特征；
将各轨迹点的轨迹序列特征输入预先训练的预测模型中，输出进入物流园区的概率值，并根据概率值确定待预测车辆是否进入物流园区。
在一个实施例中，处理器1001还执行以下操作：
采集多个进入物流园区车辆的行驶轨迹点集合；
接收标注指令，并根据标注指令针对多个进入物流园区车辆的行驶轨迹点集合中各轨迹点进行标注，生成标注的多个训练样本；
从预先设定的路网数据中匹配多个训练样本对应的道路数据；
将多个训练样本对应的道路数据依次输入预设滑动窗口算法中，提取各训练样本的轨迹序列特征；
采用分类模型创建预测模型；
将各训练样本的轨迹序列特征输入创建的预测模型中进行训练，训练结束后生成预先训练的预测模型。
在一个实施例中，处理器1001在执行将各轨迹点所处道路的道路等级与所处道路之间的距离依次输入预设滑动窗口算法中，提取各轨迹点的轨迹序列特征时，具体执行以下操作：
采用预设滑动窗口算法创建滑动窗口；
将各轨迹点所处道路的道路等级与所处道路之间的距离依次输入预设滑动窗口中，并计算滑动窗口内轨迹点和进入滑动窗口前最后一个点的距离，生成距离集合；
从距离集合中确定出最大距离值，并将最大距离值确定为道路偏移度；
计算滑动窗口中各轨迹点组成的总路程和轨迹点个数，并将总路程和轨迹点个数的比值确定为单位距离报点密度；
将各轨迹点进入滑动窗口时刻与离开滑动窗口时刻的差值确定为滑窗时间跨度；
将滑窗时间跨度和报点密度的时间间隔以及轨迹点个数的乘积确定为滑窗内下线时长；
将道路偏移度、单位距离报点密度、滑窗时间跨度以及滑窗内下线时长确定为各轨迹点的轨迹序列特征。
在一个实施例中，处理器1001在执行根据概率值确定待预测车辆是否进入物流园区时，具体执行以下操作：
当概率值大于等于预设阈值时，确定待预测车辆进入物流园区。
在一个实施例中，处理器1001在执行根据概率值确定待预测车辆是否进入物流园区时，具体执行以下操作：
当概率值小于预设阈值时，确定待预测车辆不进入物流园区。
在本申请实施例中，车辆进入物流园区的预测装置首先获取待预测车辆的行驶轨迹点集合，并加载预先设定的路网数据，然后从路网数据中匹配行驶轨迹点集合内轨迹对应的道路数据，其中道路数据包括各轨迹所处道路的道路等级与所处道路之间的距离。其次将各轨迹点所处道路的道路等级与所处道路之间的距离依次输入预设滑动窗口算法中，提取各轨迹点的轨迹序列特征，最后将各轨迹点的轨迹序列特征输入预先训练的预测模型中，输出进入物流园区的概率值，并根据概率值确定车辆是否进入物流园区。因此，采用本申请实施例，由于本申请通过利用车辆轨迹与路网数据，抽象出轨迹点的轨迹序列特征来训练机器学习模型，最后用训练的机器模型来预测车辆是否进入物流园区，从而提升了预测准确度，进一步提升园区内车辆管理效率。
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，的程序可存储于计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，的存储介质可为磁碟、光盘、只读存储记忆体或随机存储记忆体等。
以上所揭露的仅为本申请较佳实施例而已，当然不能以此来限定本申请之权利范围，因此依本申请权利要求所作的等同变化，仍属本申请所涵盖的范围。

Claims (8)

1.一种车辆进入物流园区的预测方法，其特征在于，所述方法包括：
获取待预测车辆的行驶轨迹点集合，并加载预先设定的路网数据；
从所述预先设定的路网数据中匹配所述行驶轨迹点集合中各轨迹点对应的道路数据；其中，所述道路数据包括所述各轨迹点所处道路的道路等级与所处道路之间的距离；
将所述各轨迹点所处道路的道路等级与所处道路之间的距离依次输入预设滑动窗口算法中，提取所述各轨迹点的轨迹序列特征；其中，
所述将所述各轨迹点所处道路的道路等级与所处道路之间的距离依次输入预设滑动窗口算法中，提取所述各轨迹点的轨迹序列特征，包括：
采用预设滑动窗口算法创建滑动窗口；
将所述各轨迹点所处道路的道路等级与所处道路之间的距离依次输入预设滑动窗口中，并计算所述滑动窗口内轨迹点和进入所述滑动窗口前最后一个点的距离，生成距离集合；
从所述距离集合中确定出最大距离值，并将所述最大距离值确定为道路偏移度；
计算所述滑动窗口中各轨迹点组成的总路程和轨迹点个数，并将所述总路程和所述轨迹点个数的比值确定为单位距离报点密度；
将所述各轨迹点进入所述滑动窗口时刻与离开所述滑动窗口时刻的差值确定为滑窗时间跨度；
将所述滑窗时间跨度和所述报点密度的时间间隔以及所述轨迹点个数的乘积确定为滑窗内下线时长；
将所述道路偏移度、单位距离报点密度、滑窗时间跨度以及滑窗内下线时长确定为所述各轨迹点的轨迹序列特征；
将所述各轨迹点的轨迹序列特征输入预先训练的预测模型中，输出进入物流园区的概率值，并根据所述概率值确定所述待预测车辆是否进入物流园区。
2.根据权利要求1所述的方法，其特征在于，按照下述步骤生成预先训练的预测模型，包括：
采集多个进入物流园区车辆的行驶轨迹点集合；
接收标注指令，并根据所述标注指令针对所述多个进入物流园区车辆的行驶轨迹点集合中各轨迹点进行标注，生成标注的多个训练样本；
从所述预先设定的路网数据中匹配所述多个训练样本对应的道路数据；
将所述多个训练样本对应的道路数据依次输入预设滑动窗口算法中，提取所述各训练样本的轨迹序列特征；
采用分类模型创建预测模型；
将所述各训练样本的轨迹序列特征输入所述创建的预测模型中进行训练，训练结束后生成预先训练的预测模型。
3.根据权利要求1所述的方法，其特征在于，所述根据所述概率值确定所述待预测车辆是否进入物流园区，包括：
当所述概率值大于等于预设阈值时，确定所述待预测车辆进入物流园区。
4.根据权利要求1所述的方法，其特征在于，所述根据所述概率值确定所述待预测车辆是否进入物流园区，包括：
当所述概率值小于预设阈值时，确定所述待预测车辆不进入物流园区。
5.根据权利要求2所述的方法，其特征在于，所述分类模型至少为逻辑回归、决策树以及神经网络中的任意一个。
6.一种车辆进入物流园区的预测装置，其特征在于，所述装置包括：
路网数据加载模块，用于获取待预测车辆的行驶轨迹点集合，并加载预先设定的路网数据；
道路数据匹配模块，用于从所述预先设定的路网数据中匹配所述行驶轨迹点集合中各轨迹点对应的道路数据；其中，所述道路数据包括所述各轨迹点所处道路的道路等级与所处道路之间的距离；
轨迹序列特征提取模块，用于将所述各轨迹点所处道路的道路等级与所处道路之间的距离依次输入预设滑动窗口算法中，提取所述各轨迹点的轨迹序列特征；其中，
所述轨迹序列特征提取模块，包括：
滑动窗口创建单元，用于采用预设滑动窗口算法创建滑动窗口；
距离集合生成单元，用于将所述各轨迹点所处道路的道路等级与所处道路之间的距离依次输入预设滑动窗口中，并计算所述滑动窗口内轨迹点和进入所述滑动窗口前最后一个点的距离，生成距离集合；
道路偏移度确定单元，用于从所述距离集合中确定出最大距离值，并将所述最大距离值确定为道路偏移度；
单位距离报点密度计算单元，用于计算所述滑动窗口中各轨迹点组成的总路程和轨迹点个数，并将所述总路程和所述轨迹点个数的比值确定为单位距离报点密度；
滑窗时间跨度计算单元，用于将所述各轨迹点进入所述滑动窗口时刻与离开所述滑动窗口时刻的差值确定为滑窗时间跨度；
滑窗内下线时长确定单元，用于将所述滑窗时间跨度和所述报点密度的时间间隔以及所述轨迹点个数的乘积确定为滑窗内下线时长；
轨迹序列特征确定单元，用于将所述道路偏移度、单位距离报点密度、滑窗时间跨度以及滑窗内下线时长确定为所述各轨迹点的轨迹序列特征；
预测模块，用于将所述各轨迹点的轨迹序列特征输入预先训练的预测模型中，输出进入物流园区的概率值，并根据所述概率值确定所述待预测车辆是否进入物流园区。
7.一种计算机存储介质，其特征在于，所述计算机存储介质存储有多条指令，所述指令适于由处理器加载并执行如权利要求1-5任意一项的方法步骤。
8.一种终端，其特征在于，包括：处理器和存储器；其中，所述存储器存储有计算机程序，所述计算机程序适于由所述处理器加载并执行如权利要求1-5任意一项的方法步骤。
CN202011627086.2A 2020-12-30 2020-12-30 一种车辆进入物流园区的预测方法、装置、存储介质及终端 Active CN112598192B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011627086.2A CN112598192B (zh) 2020-12-30 2020-12-30 一种车辆进入物流园区的预测方法、装置、存储介质及终端

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011627086.2A CN112598192B (zh) 2020-12-30 2020-12-30 一种车辆进入物流园区的预测方法、装置、存储介质及终端

Publications (2)

Publication Number Publication Date
CN112598192A CN112598192A (zh) 2021-04-02
CN112598192B true CN112598192B (zh) 2022-12-20

Family

ID=75206861

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011627086.2A Active CN112598192B (zh) 2020-12-30 2020-12-30 一种车辆进入物流园区的预测方法、装置、存储介质及终端

Country Status (1)

Country Link
CN (1) CN112598192B (zh)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113850297B (zh) * 2021-08-31 2023-10-27 北京百度网讯科技有限公司 道路数据的监测方法、装置、电子设备及存储介质
CN113838284B (zh) * 2021-09-15 2023-01-06 北京中交兴路车联网科技有限公司 一种事故高发路段上的车辆预警方法、装置、存储介质及终端
CN114169589A (zh) * 2021-11-22 2022-03-11 北京中交兴路信息科技有限公司 一种预测车辆目的地的方法、装置、存储介质及终端
CN114140550B (zh) * 2021-11-24 2024-08-06 武汉中海庭数据技术有限公司 一种基于轨迹形状的高速道路分歧合流点推测方法及系统
CN114547223B (zh) * 2022-02-24 2024-09-10 北京百度网讯科技有限公司 轨迹预测方法、轨迹预测模型的训练方法及装置

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH0377014A (ja) * 1989-08-21 1991-04-02 Honda Motor Co Ltd 移動体の現在位置表示装置
CN105526939A (zh) * 2014-09-29 2016-04-27 高德软件有限公司 道路匹配方法和装置
CN106840175A (zh) * 2016-12-06 2017-06-13 北京中交兴路信息科技有限公司 一种车辆行驶轨迹匹配路网的方法及装置
CN108022012A (zh) * 2017-12-01 2018-05-11 兰州大学 基于深度学习的车辆位置预测方法
CN110516888A (zh) * 2019-09-02 2019-11-29 重庆紫光华山智安科技有限公司 轨迹预测方法、装置、电子设备和计算机可读存储介质

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH0377014A (ja) * 1989-08-21 1991-04-02 Honda Motor Co Ltd 移動体の現在位置表示装置
CN105526939A (zh) * 2014-09-29 2016-04-27 高德软件有限公司 道路匹配方法和装置
CN106840175A (zh) * 2016-12-06 2017-06-13 北京中交兴路信息科技有限公司 一种车辆行驶轨迹匹配路网的方法及装置
CN108022012A (zh) * 2017-12-01 2018-05-11 兰州大学 基于深度学习的车辆位置预测方法
CN110516888A (zh) * 2019-09-02 2019-11-29 重庆紫光华山智安科技有限公司 轨迹预测方法、装置、电子设备和计算机可读存储介质

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
Trajectory Prediction Based on Improved Sliding Window Polynomial Fitting Prediction Method;Zhijing Zhou et al.;《IEEE Xplore》;20170126;全文 *
Vessel AIS Trajectory Online Compression Based on Scan-Pick-Move Algorithm Added Sliding Window;Shuang Sun et al.;《IEEE Access》;20200612;第08卷;全文 *
一种改进的滑动窗口轨迹数据压缩算法;吴家皋等;《计算机技术与发展》;20151119(第12期);全文 *

Also Published As

Publication number Publication date
CN112598192A (zh) 2021-04-02

Similar Documents

Publication Publication Date Title
CN112598192B (zh) 一种车辆进入物流园区的预测方法、装置、存储介质及终端
CN109754594B (zh) 一种路况信息获取方法及其设备、存储介质、终端
CN112863172B (zh) 高速公路交通运行状态判定方法、预警方法、装置及终端
CN112447041B (zh) 识别车辆的营运行为的方法、装置及计算设备
CN113343461A (zh) 自动驾驶车辆的仿真方法、装置、电子设备及存储介质
CN113838284A (zh) 一种事故高发路段上的车辆预警方法、装置、存储介质及终端
CN112613939A (zh) 一种车辆装卸状态的识别方法、装置、存储介质及终端
CN112749653A (zh) 行人检测方法、装置、电子设备及存储介质
CN113222492B (zh) 一种车辆行驶线路类型的判别方法、装置、存储介质及终端
CN114428828A (zh) 基于行驶轨迹挖掘新增道路方法、装置及电子设备
CN113423063A (zh) 基于车载t-box的车辆监控方法、装置、车辆及介质
CN112507624A (zh) 一种城际公路出行方式识别模型构建、识别方法及装置
CN115830399A (zh) 分类模型训练方法、装置、设备、存储介质和程序产品
CN109214827A (zh) 一种识别车辆刷单骗补行为的方法和装置
CN115165398A (zh) 车辆的行驶功能测试方法、装置、计算设备及介质
CN118014404A (zh) 基于停车场系统的智能优化方法及系统
CN113344277B (zh) 预测模型训练方法、状态更新方法、装置、设备和介质
CN114216471A (zh) 电子地图确定方法、装置、电子设备及存储介质
CN116824868B (zh) 车辆非法停驻点识别及拥堵预测方法、装置、设备及介质
CN117216615A (zh) 窜货行为识别方法、系统、介质及电子设备
CN114220191B (zh) 行车状态识别方法、装置、计算机设备及可读存储介质
CN113838283B (zh) 一种车辆的位置状态标记方法、装置、存储介质及终端
CN112861701B (zh) 违章停车识别方法、装置、电子设备以及计算机可读介质
CN111830937B (zh) 车辆故障识别模型的构建、识别方法及装置、管理系统
CN114202272A (zh) 一种基于电子围栏的车货匹配方法、装置、存储介质及终端

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