CN112633592B - 基于机器学习聚类算法的车辆常跑路线计算方法及系统 - Google Patents

基于机器学习聚类算法的车辆常跑路线计算方法及系统 Download PDF

Info

Publication number
CN112633592B
CN112633592B CN202011620267.2A CN202011620267A CN112633592B CN 112633592 B CN112633592 B CN 112633592B CN 202011620267 A CN202011620267 A CN 202011620267A CN 112633592 B CN112633592 B CN 112633592B
Authority
CN
China
Prior art keywords
distance
path
long
time interval
general
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
CN202011620267.2A
Other languages
English (en)
Other versions
CN112633592A (zh
Inventor
张贤俊
张鹏飞
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.)
Yukuai Chuangling Intelligent Technology Nanjing Co ltd
Original Assignee
Yukuai Chuangling Intelligent Technology Nanjing 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 Yukuai Chuangling Intelligent Technology Nanjing Co ltd filed Critical Yukuai Chuangling Intelligent Technology Nanjing Co ltd
Priority to CN202011620267.2A priority Critical patent/CN112633592B/zh
Publication of CN112633592A publication Critical patent/CN112633592A/zh
Application granted granted Critical
Publication of CN112633592B publication Critical patent/CN112633592B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06F18/23—Clustering techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • 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)
  • Data Mining & Analysis (AREA)
  • Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Human Resources & Organizations (AREA)
  • Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Engineering & Computer Science (AREA)
  • Economics (AREA)
  • Software Systems (AREA)
  • Strategic Management (AREA)
  • Evolutionary Biology (AREA)
  • Game Theory and Decision Science (AREA)
  • Mathematical Physics (AREA)
  • Medical Informatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Development Economics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Computing Systems (AREA)
  • Life Sciences & Earth Sciences (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

本发明涉及数据挖掘计算领域，公开了一种基于机器学习聚类算法的车辆常跑路线计算方法及系统，解决了现有市场对于计算常跑路线的技术空缺问题，其技术方案要点是包括如下步骤：获取目标车辆的技术行程数据；在第一时间周期内，将获取的技术行程数据按照工作长途计算规则和一般路径计算规则计算得到若干个一般路径；根据聚类算法，对所有一般路径进行聚类计算得出聚类类别；从聚类类别中提取出相同部分作为常跑路线。

Description

基于机器学习聚类算法的车辆常跑路线计算方法及系统
技术领域
本发明涉及数据挖掘计算领域，更具体地说，它涉及一种基于机器学习聚类算法的车辆常跑路线计算方法及系统。
背景技术
为了对车辆的历史使用情况做出总结归纳，得出车辆画像，所以需要计算得出车辆的常跑路线，车辆的常跑路线可以用于判断商用车辆的专线运营、散户运行、运力掌握、车辆保险风险、经济路线、运营扩展等方面。
常跑路线是属于用户画像的一个独特的业务需求，目前市面暂时没有相关技术用来得到常跑路线，所以急需要有一种方法来计算出车辆的常跑路线。
发明内容
本发明的目的是提供一种基于机器学习聚类算法的车辆常跑路线计算方法及系统，达到计算出车辆的常跑路线的目的，能够满足实际中对于车辆画像中常跑路线的需求。
本发明的上述技术目的是通过以下技术方案得以实现的：基于机器学习聚类算法的车辆常跑路线计算方法，包括如下步骤：
获取目标车辆的技术行程数据；
在第一时间周期内，将获取的技术行程数据按照工作长途计算规则和一般路径计算规则计算得到若干个一般路径；
根据聚类算法，对所有一般路径进行聚类计算得出聚类类别；
从聚类类别中提取出相同部分作为常跑路线；
工作长途计算规则为：约定时间间隔阈值Q= q2 + 1.5 * (q2 - q1)， q2为时间间隔的75%分位数，q1 为时间间隔百分之25%分位数，如果Q小于20000秒，那么Q=20000秒,如果Q大于20000秒，Q不变；计算得出Q之后，将时间间隔序列的技术行程数据中大于时间间隔阈值Q的位置作为切分点；
一般路径计算规则为：
先计算长途行程片段中相邻两个路径序列点之间的距离，并累计求和，记为A；
依次计算出起始点到各个中间点的距离，得到起始点到一个中间点的最大距离，记为A1；
如果A1<A*2/3，那么就将起始点到该中间点的最大距离路径提取出来，作为一般路径；并从长途行程片段中删去，将长途行程片段中的剩余行程作为新的长途行程片段，重新提取一般路径，直到长途行程片段被切分完成。
进一步的，所述技术行程数据包括车辆ID和行驶过程，所述行驶过程包括行程起始时间、途径路段。
进一步的，所述技术行程数据包括若干个有效行程片段，以第一停车时间间隔为所述行驶过程的切分依据，将目标车辆的停车时间间隔超过所述第一停车时间间隔的行驶过程作为一个独立的有效行程片段。
进一步的，所述在第一时间周期内，将获取的技术行程数据按照工作长途计算规则和一般路径计算规则计算得到若干个一般路径的步骤包括如下子步骤：
计算将获取的技术行程数据中相邻的有效行程片段之间的时间间隔，并得到有效行程片段之间的时间间隔序列；
制定长途计算规则，并利用长途计算规则将已经形成时间间隔序列的技术行程数据切分为若干个长途行程片段；
获取长途行程片段中的路径序列点；
制定一般路径计算规则，并利用一般路径计算规则将已经形成路径序列点的长途行程片段切分为若干个一般路径。
进一步的，所述根据聚类算法，对所有一般路径进行聚类计算得出聚类类别的步骤包括如下子步骤：
把所有一般路径转换为路径经纬度序列；
利用瓦片算法把路径经纬度序列转换成对应的路径数值；
利用最长公共子序列算法对路径数值建立矩阵，矩阵中的元素为两个路径数值的相似度；
将矩阵送到DBSCAN聚类算法中进行计算并得出聚类类别。
进一步的，所述从聚类类别中提取出相同部分作为常跑路线的步骤包括：利用aprior算法从聚类类别中提取出相同部分作为常跑路线。
基于机器学习聚类算法的车辆常跑路线计算系统，包括：
数据获取模块：用于获取目标车辆的技术行程数据；
路径处理模块：用于在第一时间周期内，将获取的技术行程数据按照工作长途计算规则和一般路径计算规则计算得到若干个一般路径；
聚类计算模块：用于根据聚类算法，对所有一般路径进行聚类计算得出聚类类别；
路线提取模块：用于从聚类类别中提取出相同部分作为常跑路线；
工作长途计算规则为：约定时间间隔阈值Q= q2 + 1.5*(q2 - q1)， q2为时间间隔的75%分位数，q1 为时间间隔百分之25%分位数，如果Q小于20000秒，那么Q=20000秒,如果Q大于20000秒，Q不变；计算得出Q之后，将时间间隔序列的技术行程数据中大于时间间隔阈值Q的位置作为切分点；
一般路径计算规则为：
先计算长途行程片段中相邻两个路径序列点之间的距离，并累计求和，记为A；
依次计算出起始点到各个中间点的距离，得到起始点到一个中间点的最大距离，记为A1；
如果A1<A*2/3，那么就将起始点到该中间点的最大距离路径提取出来，作为一般路径；并从长途行程片段中删去，将长途行程片段中的剩余行程作为新的长途行程片段，重新提取一般路径，直到长途行程片段被切分完成。
综上所述，本发明具有以下有益效果：以DBSCAN(机器学习密度聚类算法)为核心结合传统的LCSS(最长公共子序列算法)，Dijkstra（最短路径算法）以及aprior（关联统计算法）综合在一起，计算出车辆的常跑路线，提高商用车常跑路线领域的性能指标。
附图说明
图1是本发明的方法的流程图；
图2是本发明的实施例中环形路径示意图。
实施方式
以下结合附图对本发明作进一步详细说明。
如图1所示，本发明提供一种基于机器学习聚类算法的车辆常跑路线计算方法，包括如下步骤：
S1、获取目标车辆的技术行程数据；技术行程数据包括车辆ID和行驶过程，行驶过程包括行程起始时间、途径路段；技术行程数据包括若干个有效行程片段，以第一停车时间间隔为行驶过程的切分依据，将目标车辆的停车时间间隔超过第一停车时间间隔的行驶过程作为一个独立的有效行程片段。
S2、在第一时间周期内，将获取的技术行程数据按照工作长途计算规则和一般路径计算规则计算得到若干个一般路径；具体的包括如下子步骤：
S21、计算将获取的技术行程数据中相邻的有效行程片段之间的时间间隔，并得到有效行程片段之间的时间间隔序列；
S22、制定长途计算规则，工作长途计算规则为：约定时间间隔阈值Q= q2 + 1.5 *(q2 - q1)， q2为时间间隔的75%分位数，q1 为时间间隔百分之25%分位数，如果Q小于20000秒，那么Q=20000秒,如果Q大于20000秒，Q不变；计算得出Q之后，将时间间隔序列的技术行程数据中大于时间间隔阈值Q的位置作为切分点；按照计算出的切分点将已经形成时间间隔序列的技术行程数据切分为若干个长途行程片段；
S23、获取长途行程片段中的路径序列点，其中路径序列点的位置可以是行程中经过的城市，也可以是经过的路段标记点；
S24、制定一般路径计算规则，并利用一般路径计算规则将已经形成路径序列点的长途行程片段切分为若干个一般路径；一般路径计算规则为：先计算长途行程片段中相邻两个路径序列点之间的距离，并累计求和，记为A；依次计算出起始点到各个中间点的距离，得到起始点到一个中间点的最大距离，记为A1；如果A1<A*2/3，那么就将起始点到该中间点的最大距离路径提取出来，作为一般路径；并从长途行程片段中删去，将长途行程片段中的剩余行程作为新的长途行程片段，重新提取一般路径，直到长途行程片段被切分完成；
在一般路径被切分得出后，还需要进一步处理，选用dijkstra算法作为基于点的路径规划，根据一般与特殊的性质，去除一般路径中环形的部分，得到特征路径，降低分析复杂度，Dijkstra算法是典型的最短路径算法，用于计算一个节点到其他所有节点的最短路径。主要特点是以起始点为中心向外层层扩展，直到扩展到终点为止。本发明中使用Dijkstra算法计算起始到终点的最短路径，如果行程存在类似于回环路径，那么把这条路径起始点到终点的最短路径作为该路径的表示形式，如图****所示，如果起始位置，位置a,位置b，位置c，位置d，起始位置构成一个高强度的工作长途路线，那么分别计算起始位置到位置a,位置b，位置c，位置d的距离，如果起始位置到位置c的距离最大，那么把起始位置，位置a，位置b，位置c，切分成一个路径，然后位置c再作为起始位置，进行循环计算。
S3、根据聚类算法，对所有一般路径进行聚类计算得出聚类类别；包括如下子步骤：
S31、把所有一般路径转换为路径经纬度序列；
S32、利用瓦片算法把路径经纬度序列转换成对应的路径数值，例如将（123,35）转化为15234678；瓦片算法是一种哈希算法，就是可以将经纬度在不同的精度下转换成一个数来表示，比如计算精度是1公里，那么在1公里范围内的经纬度就是相同的参数，这样会大大减小下一步相似度距离计算工作量，也会排除一些细节干扰。
利用LCSS（最长公共子序列）算法对路径数值建立矩阵，矩阵中的元素为两个路径数值的相似度；比如124条路径，计算后是124*124的矩阵数据，矩阵数据的每个元素是2条路径的相似度。
LCSS算法可以计算出2条路径(r1,r2)的最长的公共子序列元素个数a,相似度的计算公式：similary_score=a/max(len(r1),len(r2))
上述公式分母中，Len(r1)是计算出路径1的元素个数，len(r2)是计算出路径2的元素个书，求两者的最大值。也可以使用其他方式作为分母，比如r1,r2做并集的元素个数作为分母。
S33、将矩阵送到DBSCAN聚类算法中进行计算并得出聚类类别：
矩阵数据送到DBSCAN聚类算法中进行计算，DBSCAN中的参数进行网格遍历，使用轮廓系数（SilhouetteCoefficient）作为评价标准评估聚类效果好坏，找出最佳聚类参数的结果作为聚类结果。
DBSCAN是一种无监督的密度聚类算法，也是聚类路径的核心算法，输入的数据就是上述的相似度矩阵数据，因为每辆车的情况不同，跑专线的车辆和跑临时路线的车辆的聚类数量不同，所以可以设置不同的距离参数，来求解出一辆车可以聚成几类。DBSCAN算法参数的选择：基于已有车辆轨迹分布，定制DBSCAN参数eps，min_samples范围，优化模型精度，针对每台车得到不同的最优参数组合。
S4、从聚类类别中提取出相同部分作为常跑路线，具体为，使用aprior算法从聚类类别中进行常跑路线寻找，aprior是一种关联规则的数据挖掘算法，利用逐层搜索的迭代方法找出实物数据库中项集的关系，以形成规则，在本发明中就可以发回其自身的算法作用，找出聚类类别中的相同部分。
对应于上述的方法，本发明还提供一种基于机器学习聚类算法的车辆常跑路线计算系统，其特征是：包括：
数据获取模块：用于获取目标车辆的技术行程数据；
路径处理模块：用于在第一时间周期内，将获取的技术行程数据按照工作长途计算规则和一般路径计算规则计算得到若干个一般路径；
聚类计算模块：用于根据聚类算法，对所有一般路径进行聚类计算得出聚类类别；
路线提取模块：用于从聚类类别中提取出相同部分作为常跑路线；
工作长途计算规则为：约定时间间隔阈值Q= q2 + 1.5*(q2 - q1)， q2为时间间隔的75%分位数，q1 为时间间隔百分之25%分位数，如果Q小于20000秒，那么Q=20000秒,如果Q大于20000秒，Q不变；计算得出Q之后，将时间间隔序列的技术行程数据中大于时间间隔阈值Q的位置作为切分点；
一般路径计算规则为：
先计算长途行程片段中相邻两个路径序列点之间的距离，并累计求和，记为A；
依次计算出起始点到各个中间点的距离，得到起始点到一个中间点的最大距离，记为A1；
如果A1<A*2/3，那么就将起始点到该中间点的最大距离路径提取出来，作为一般路径；并从长途行程片段中删去，将长途行程片段中的剩余行程作为新的长途行程片段，重新提取一般路径，直到长途行程片段被切分完成。
在本发明的方法中，以DBSCAN(机器学习密度聚类算法)为核心结合传统的LCSS(最长公共子序列算法)，Dijkstra（最短路径算法）以及aprior（关联统计算法）综合在一起，计算出车辆的常跑路线，提高商用车常跑路线领域的性能指标，其中DBSCAN用于把某一辆车的所有的路径分成若干个类别，每个类别内的路径是相似的，LCSS用于计算两条路径的相似度，Dijkstra算法用于寻找单条路径中是否回环，如果存在去掉回环，aprior算法用于计算同一个类路径中的公共路径（即常跑路线）。
以上所述仅是本发明的优选实施方式，本发明的保护范围并不仅局限于上述实施例，凡属于本发明思路下的技术方案均属于本发明的保护范围。应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理前提下的若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (7)

1.基于机器学习聚类算法的车辆常跑路线计算方法，其特征是：包括如下步骤：
获取目标车辆的技术行程数据；
在第一时间周期内，将获取的技术行程数据按照工作长途计算规则和一般路径计算规则计算得到若干个一般路径；
根据聚类算法，对所有一般路径进行聚类计算得出聚类类别；
从聚类类别中提取出相同部分作为常跑路线；
工作长途计算规则为：约定时间间隔阈值Q= q2 + 1.5*(q2 - q1)， q2为时间间隔的75%分位数，q1 为时间间隔百分之25%分位数，如果Q小于20000秒，那么Q=20000秒,如果Q大于20000秒，Q不变；计算得出Q之后，将时间间隔序列的技术行程数据中大于时间间隔阈值Q的位置作为切分点；
一般路径计算规则为：
先计算长途行程片段中相邻两个路径序列点之间的距离，并累计求和，记为A；
依次计算出起始点到各个中间点的距离，得到起始点到一个中间点的最大距离，记为A1；
如果A1<A*2/3，那么就将起始点到该中间点的最大距离路径提取出来，作为一般路径；并从长途行程片段中删去，将长途行程片段中的剩余行程作为新的长途行程片段，重新提取一般路径，直到长途行程片段被切分完成。
2.根据权利要求1所述的基于机器学习聚类算法的车辆常跑路线计算方法，其特征是：所述技术行程数据包括车辆ID和行驶过程，所述行驶过程包括行程起始时间、途径路段。
3.根据权利要求2所述的基于机器学习聚类算法的车辆常跑路线计算方法，其特征是：所述技术行程数据包括若干个有效行程片段，以第一停车时间间隔为所述行驶过程的切分依据，将目标车辆的停车时间间隔超过所述第一停车时间间隔的行驶过程作为一个独立的有效行程片段。
4.根据权利要求3所述的基于机器学习聚类算法的车辆常跑路线计算方法，其特征是：所述在第一时间周期内，将获取的技术行程数据按照工作长途计算规则和一般路径计算规则计算得到若干个一般路径的步骤包括如下子步骤：
计算将获取的技术行程数据中相邻的有效行程片段之间的时间间隔，并得到有效行程片段之间的时间间隔序列；
制定长途计算规则，并利用长途计算规则将已经形成时间间隔序列的技术行程数据切分为若干个长途行程片段；
获取长途行程片段中的路径序列点；
制定一般路径计算规则，并利用一般路径计算规则将已经形成路径序列点的长途行程片段切分为若干个一般路径。
5.根据权利要求1所述的基于机器学习聚类算法的车辆常跑路线计算方法，其特征是：所述根据聚类算法，对所有一般路径进行聚类计算得出聚类类别的步骤包括如下子步骤：
把所有一般路径转换为路径经纬度序列；
利用瓦片算法把路径经纬度序列转换成对应的路径数值；
利用最长公共子序列算法对路径数值建立矩阵，矩阵中的元素为两个路径数值的相似度；
将矩阵送到DBSCAN聚类算法中进行计算并得出聚类类别。
6.根据权利要求1所述的基于机器学习聚类算法的车辆常跑路线计算方法，其特征是：所述从聚类类别中提取出相同部分作为常跑路线的步骤包括：利用aprior算法从聚类类别中提取出相同部分作为常跑路线。
7.基于机器学习聚类算法的车辆常跑路线计算系统，其特征是：包括：
数据获取模块：用于获取目标车辆的技术行程数据；
路径处理模块：用于在第一时间周期内，将获取的技术行程数据按照工作长途计算规则和一般路径计算规则计算得到若干个一般路径；
聚类计算模块：用于根据聚类算法，对所有一般路径进行聚类计算得出聚类类别；
路线提取模块：用于从聚类类别中提取出相同部分作为常跑路线；
工作长途计算规则为：约定时间间隔阈值Q= q2 + 1.5*(q2 - q1)， q2为时间间隔的75%分位数，q1 为时间间隔百分之25%分位数，如果Q小于20000秒，那么Q=20000秒,如果Q大于20000秒，Q不变；计算得出Q之后，将时间间隔序列的技术行程数据中大于时间间隔阈值Q的位置作为切分点；
一般路径计算规则为：
先计算长途行程片段中相邻两个路径序列点之间的距离，并累计求和，记为A；
依次计算出起始点到各个中间点的距离，得到起始点到一个中间点的最大距离，记为A1；
如果A1<A*2/3，那么就将起始点到该中间点的最大距离路径提取出来，作为一般路径；并从长途行程片段中删去，将长途行程片段中的剩余行程作为新的长途行程片段，重新提取一般路径，直到长途行程片段被切分完成。
CN202011620267.2A 2020-12-30 2020-12-30 基于机器学习聚类算法的车辆常跑路线计算方法及系统 Active CN112633592B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011620267.2A CN112633592B (zh) 2020-12-30 2020-12-30 基于机器学习聚类算法的车辆常跑路线计算方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011620267.2A CN112633592B (zh) 2020-12-30 2020-12-30 基于机器学习聚类算法的车辆常跑路线计算方法及系统

Publications (2)

Publication Number Publication Date
CN112633592A CN112633592A (zh) 2021-04-09
CN112633592B true CN112633592B (zh) 2023-07-18

Family

ID=75287290

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011620267.2A Active CN112633592B (zh) 2020-12-30 2020-12-30 基于机器学习聚类算法的车辆常跑路线计算方法及系统

Country Status (1)

Country Link
CN (1) CN112633592B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115099341A (zh) * 2022-06-25 2022-09-23 平安银行股份有限公司 车辆常跑路线识别方法、计算机设备和存储介质

Citations (22)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2003178396A (ja) * 2001-12-12 2003-06-27 Hitachi Ltd 車両走行経路推定装置、その車載端末、車両走行経路推定方法、及び車両走行経路推定プログラム
JP2004279077A (ja) * 2003-03-13 2004-10-07 Denso Corp 車両のナビゲーション装置
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
JP2016095752A (ja) * 2014-11-17 2016-05-26 富士通株式会社 配送計画プログラム、配送計画方法、および配送計画装置
CN107092978A (zh) * 2017-04-05 2017-08-25 武汉大学 一种面向虚拟地球的最短路径分层规划方法
CN107111794A (zh) * 2015-01-11 2017-08-29 微软技术许可有限责任公司 预测和利用地图服务中出行时间的可变性
CN107636720A (zh) * 2015-06-09 2018-01-26 日产自动车株式会社 车辆到达区域提示装置及车辆到达区域提示方法
CN107766808A (zh) * 2017-09-30 2018-03-06 北京泓达九通科技发展有限公司 道路网络空间中车辆对象移动轨迹聚类的方法及系统
CN108286980A (zh) * 2017-12-29 2018-07-17 广州通易科技有限公司 一种预测目的地和推荐驾驶路线的方法
CN108369683A (zh) * 2015-12-15 2018-08-03 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
CN108519096A (zh) * 2018-03-20 2018-09-11 武汉光庭信息技术股份有限公司 一种基于瓦片化的多路线道路筛选规划方法及系统
CN108573324A (zh) * 2018-03-30 2018-09-25 东莞产权交易中心 一种长途火车票分段购买路径规划系统及方法
CN109711591A (zh) * 2017-10-25 2019-05-03 腾讯科技（深圳）有限公司 一种路段速度预测方法、装置、服务器及存储介质
CN109961162A (zh) * 2017-12-22 2019-07-02 株式会社日立制作所 路径规划方法和路径规划装置
CN110084308A (zh) * 2019-04-30 2019-08-02 杭州远眺科技有限公司 一种基于车辆轨迹分析构建通勤路径的方法
CN110309244A (zh) * 2018-03-23 2019-10-08 北京京东尚科信息技术有限公司 一种目标点定位的方法和装置
CN110334435A (zh) * 2019-07-03 2019-10-15 北京交通大学 城市轨道交通乘客出行路径选择估计方法
CN111311905A (zh) * 2020-01-21 2020-06-19 北京工业大学 一种基于粒子群优化小波神经网络的高速公路行程时间预测方法
CN111460076A (zh) * 2020-04-20 2020-07-28 广州亚美信息科技有限公司 驾驶路线熟悉度确定方法、装置、计算机设备和存储介质
CN111539454A (zh) * 2020-03-30 2020-08-14 武汉理工大学 一种基于元学习的车辆轨迹聚类方法及系统
AU2020101761A4 (en) * 2020-08-11 2020-09-17 Nanjing University Of Science & Technology Method for planning path of parking agv based on improved dijkstra algorithm
CN111768082A (zh) * 2020-06-02 2020-10-13 广东电网有限责任公司 一种基于大数据分析的电力设备状态评估方法

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20060122846A1 (en) * 2002-08-29 2006-06-08 Jonathan Burr Apparatus and method for providing traffic information
US9261376B2 (en) * 2010-02-24 2016-02-16 Microsoft Technology Licensing, Llc Route computation based on route-oriented vehicle trajectories
US10296993B2 (en) * 2014-11-10 2019-05-21 Conduent Business Services, Llc Method and apparatus for defining performance milestone track for planned process
US10423892B2 (en) * 2016-04-05 2019-09-24 Omni Ai, Inc. Trajectory cluster model for learning trajectory patterns in video data
US11248924B2 (en) * 2019-04-05 2022-02-15 Volvo Car Corporation Systems and methods for the classification of geographic locations based on vehicle trip logs

Patent Citations (22)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2003178396A (ja) * 2001-12-12 2003-06-27 Hitachi Ltd 車両走行経路推定装置、その車載端末、車両走行経路推定方法、及び車両走行経路推定プログラム
JP2004279077A (ja) * 2003-03-13 2004-10-07 Denso Corp 車両のナビゲーション装置
JP2016095752A (ja) * 2014-11-17 2016-05-26 富士通株式会社 配送計画プログラム、配送計画方法、および配送計画装置
CN107111794A (zh) * 2015-01-11 2017-08-29 微软技术许可有限责任公司 预测和利用地图服务中出行时间的可变性
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
CN107636720A (zh) * 2015-06-09 2018-01-26 日产自动车株式会社 车辆到达区域提示装置及车辆到达区域提示方法
CN108369683A (zh) * 2015-12-15 2018-08-03 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
CN107092978A (zh) * 2017-04-05 2017-08-25 武汉大学 一种面向虚拟地球的最短路径分层规划方法
CN107766808A (zh) * 2017-09-30 2018-03-06 北京泓达九通科技发展有限公司 道路网络空间中车辆对象移动轨迹聚类的方法及系统
CN109711591A (zh) * 2017-10-25 2019-05-03 腾讯科技（深圳）有限公司 一种路段速度预测方法、装置、服务器及存储介质
CN109961162A (zh) * 2017-12-22 2019-07-02 株式会社日立制作所 路径规划方法和路径规划装置
CN108286980A (zh) * 2017-12-29 2018-07-17 广州通易科技有限公司 一种预测目的地和推荐驾驶路线的方法
CN108519096A (zh) * 2018-03-20 2018-09-11 武汉光庭信息技术股份有限公司 一种基于瓦片化的多路线道路筛选规划方法及系统
CN110309244A (zh) * 2018-03-23 2019-10-08 北京京东尚科信息技术有限公司 一种目标点定位的方法和装置
CN108573324A (zh) * 2018-03-30 2018-09-25 东莞产权交易中心 一种长途火车票分段购买路径规划系统及方法
CN110084308A (zh) * 2019-04-30 2019-08-02 杭州远眺科技有限公司 一种基于车辆轨迹分析构建通勤路径的方法
CN110334435A (zh) * 2019-07-03 2019-10-15 北京交通大学 城市轨道交通乘客出行路径选择估计方法
CN111311905A (zh) * 2020-01-21 2020-06-19 北京工业大学 一种基于粒子群优化小波神经网络的高速公路行程时间预测方法
CN111539454A (zh) * 2020-03-30 2020-08-14 武汉理工大学 一种基于元学习的车辆轨迹聚类方法及系统
CN111460076A (zh) * 2020-04-20 2020-07-28 广州亚美信息科技有限公司 驾驶路线熟悉度确定方法、装置、计算机设备和存储介质
CN111768082A (zh) * 2020-06-02 2020-10-13 广东电网有限责任公司 一种基于大数据分析的电力设备状态评估方法
AU2020101761A4 (en) * 2020-08-11 2020-09-17 Nanjing University Of Science & Technology Method for planning path of parking agv based on improved dijkstra algorithm

Also Published As

Publication number Publication date
CN112633592A (zh) 2021-04-09

Similar Documents

Publication Publication Date Title
CN108362293B (zh) 一种基于关键点技术的车辆轨迹匹配方法
CN108399748B (zh) 一种基于随机森林与聚类算法的道路旅行时间预测方法
CN108417033B (zh) 基于多维因素的高速路交通事故分析预测方法
CN105389713A (zh) 基于用户历史数据的移动流量套餐推荐算法
CN105091889A (zh) 一种热点路径的确定方法及设备
CN111104398B (zh) 针对智能船舶近似重复记录的检测方法、消除方法
CN104346444B (zh) 一种基于路网反空间关键字查询的最佳选址方法
CN106326923A (zh) 一种顾及位置重复和密度峰值点的签到位置数据聚类方法
CN115662124A (zh) 一种基于网络编码的gps轨迹数据路段流量匹配方法
CN112633592B (zh) 基于机器学习聚类算法的车辆常跑路线计算方法及系统
CN105678590A (zh) 一种面向社交网络基于云模型的topN推荐方法
CN103680185B (zh) 一种车辆行驶道路等级精确划分方法
CN116739376A (zh) 一种基于数据挖掘的公路路面预防性养护决策方法
CN112733890A (zh) 一种考虑时空特征的网联车辆轨迹聚类方法
CN115862331A (zh) 考虑卡口网络拓扑结构的车辆出行轨迹重构方法
CN110232067B (zh) 一种基于BHR-Tree索引的共乘群体发现方法
CN111444286B (zh) 一种基于轨迹数据的远距离交通节点关联性挖掘方法
CN111221819B (zh) 一种基于多维数据空间分割的相似台风快速匹配方法
CN110097757B (zh) 一种基于深度优先搜索的交叉口群关键路径识别方法
CN110120154B (zh) 大规模路网下利用检测器数据的交通路况预测方法
CN109344729B (zh) 一种识别道路中人员运动的方法
CN112866934B (zh) 地铁用户识别方法与系统
CN115310522A (zh) 一种非机动车骑行轨迹的数据质量提升方法及系统
CN114996544A (zh) 一种基于手机信令数据和Mix-Markov模型的出行路径提取方法
CN114013285B (zh) 一种电动汽车实际续驶里程评估方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant