CN112639764A - 汽车出行规律的分析方法、服务器及系统 - Google Patents

汽车出行规律的分析方法、服务器及系统 Download PDF

Info

Publication number
CN112639764A
CN112639764A CN202080004860.6A CN202080004860A CN112639764A CN 112639764 A CN112639764 A CN 112639764A CN 202080004860 A CN202080004860 A CN 202080004860A CN 112639764 A CN112639764 A CN 112639764A
Authority
CN
China
Prior art keywords
driving
position information
automobile
track
server
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
Application number
CN202080004860.6A
Other languages
English (en)
Inventor
朱泽敏
王甲佳
程康
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.)
Huawei Technologies Co Ltd
Original Assignee
Huawei Technologies 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 Huawei Technologies Co Ltd filed Critical Huawei Technologies Co Ltd
Publication of CN112639764A publication Critical patent/CN112639764A/zh
Pending legal-status Critical Current

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
    • G06F16/24—Querying
    • G06F16/245—Query processing
    • 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
    • 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
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16Y—INFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE INTERNET OF THINGS [IoT]
    • G16Y20/00—Information sensed or collected by the things
    • G16Y20/10—Information sensed or collected by the things relating to the environment, e.g. temperature; relating to location
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16Y—INFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE INTERNET OF THINGS [IoT]
    • G16Y20/00—Information sensed or collected by the things
    • G16Y20/20—Information sensed or collected by the things relating to the thing itself
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16Y—INFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE INTERNET OF THINGS [IoT]
    • G16Y40/00—IoT characterised by the purpose of the information processing
    • G16Y40/20—Analytics; Diagnosis

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Computing Systems (AREA)
  • Databases & Information Systems (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Computation (AREA)
  • Evolutionary Biology (AREA)
  • Remote Sensing (AREA)
  • Computational Linguistics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Biomedical Technology (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Environmental & Geological Engineering (AREA)
  • Toxicology (AREA)
  • Traffic Control Systems (AREA)

Abstract

一种汽车出行规律的分析方法、服务器及系统，涉及通信技术领域，所述方法包括：服务器获取汽车的多条行驶轨迹的位置信息；其中，每条行驶轨迹包括汽车的多个行驶点，行驶轨迹的位置信息包括每个行驶点的位置信息(S301)；服务器根据每条行驶轨迹的位置信息和每条行驶轨迹的轨迹长度，确定多条行驶轨迹中任两条行驶轨迹之间的轨迹相似度(S302)；服务器根据任两条行驶轨迹之间的轨迹相似度，得到汽车的出行规律(S303)。所述方法能够解决现有技术中分析出的汽车用户的出行规律准确性较低的技术问题。

Description

汽车出行规律的分析方法、服务器及系统
技术领域
本申请涉及智能驾驶技术领域，尤其是涉及一种汽车出行规律的分析方法、服务器及系统。
背景技术
随着车联网的快速发展，在车辆网通信中，汽车(例如，智能汽车(smart/intelligent car)、智能网联车(intelligent connected vehicle，ICV))在行驶的过程中可以不断将自身的行驶数据发送给云端服务器，由云端服务器保存汽车的行驶数据，并基于保存的行驶数据分析汽车用户的出行规律，根据汽车用户的出行规律为汽车用户规划路线、预测目的地以及推送个性化服务等。
现有技术中，基于汽车的行驶数据分析汽车用户的出行规律可以采用下述两种方式：方式一：对汽车的行驶轨迹的起点和终点聚类，根据行驶轨迹对应的汽车的启停时间和汽车的启停位置来分析汽车用户的出行规律。其中，行驶轨迹包括汽车用户行程的出行时间和出行线路，汽车的启停时间包括汽车用户每天第一个行程的开始时间、每天最后一个行程的结束时间，行驶轨迹的起点和终点包括汽车用户每天第一个行程的起点和终点、每天最后一个行程的起点和终点。方式二：利用电子车牌阅读器记录识别出的电子车牌对应的汽车的行驶数据，即汽车的历史行驶数据，根据汽车的历史行驶数据构建行驶轨迹数据立方体及周期时间切片，在周期时间切片上进行基于滑动窗口的层次聚类，根据聚类结果分析出汽车用户的出行规律。其中，行驶轨迹数据立方体包括周期维度、时间维度和电子车牌阅读器维度。
但是，在采用上述方式一时，会无法正确识别一些出行时间不固定，但是出行线路很规律的场景，或者无法正确识别每天第一次和最后一次出行时间固定，但是中间出行线路不规律的场景，导致分析出的汽车用户的出行规律准确性较低。在采用上述方式二时，由于方式二中是通过电子车牌阅读器记录汽车的历史行驶数据的，在没有设置电子车牌阅读器的位置，无法获取汽车的历史行驶数据，导致分析出的汽车用户的出行规律准确性较低。
发明内容
有鉴于此，本申请的目的在于提供一种汽车出行规律的分析方法、服务器及系统，能够解决现有技术中分析出的汽车用户的出行规律准确性较低的技术问题。
第一方面，提供一种汽车出行规律的分析方法，该方法包括：服务器获取汽车的多条行驶轨迹的位置信息；其中，每条行驶轨迹包括汽车的多个行驶点，行驶轨迹的位置信息包括每个行驶点的位置信息；服务器根据每条行驶轨迹的位置信息和每条行驶轨迹的轨迹长度，确定多条行驶轨迹中任两条行驶轨迹之间的轨迹相似度；服务器根据任两条行驶轨迹之间的轨迹相似度，得到汽车的出行规律。
基于第一方面所述的方法，本申请实施例中，服务器根据获取到的汽车的多条行驶轨迹的位置信息，以及每条行驶轨迹的轨迹长度，确定出多条行驶轨迹中任两条行驶轨迹之间的轨迹相似度，根据任两条行驶轨迹之间的轨迹相似度，分析出汽车的出行规律，可以提高分析出的汽车的出行规律的准确性。
一种可能的设计中，结合第一方面，行驶点的位置信息包括：经度、纬度、汽车的行驶时间和汽车的行驶方向。
基于该可能的设计，行驶点的位置信息除可以包括经度、纬度、汽车的行驶时间和汽车的行驶方向外，还可以包括其他位置信息，例如，汽车的车速、汽车的加速度、汽车的角速度等，不予限制。
一种可能的设计中，结合第一方面或者第一方面的可能的设计，服务器获取汽车的多条行驶轨迹的位置信息，包括：服务器接收来自汽车的多条行驶轨迹的位置信息。
基于该可能的设计，服务器可以接收汽车上报的多条行驶轨迹的位置信息，提高汽车的行驶轨迹的位置信息的准确性，便于提高服务器根据行驶轨迹的位置信息得到的汽车的出行规律的准确性。
一种可能的设计中，结合第一方面或者第一方面的可能的设计，服务器根据每条行驶轨迹的位置信息和每条行驶轨迹的轨迹长度，确定多条行驶轨迹中任两条行驶轨迹之间的轨迹相似度之前，该方法还包括：服务器对每条行驶轨迹的多组位置信息进行筛选处理。
基于该可能的设计，服务器可以接收汽车上报的多条行驶轨迹的位置信息，并对位置信息进行筛选处理，提高汽车的行驶轨迹的位置信息的准确性，便于提高服务器根据行驶轨迹的位置信息得到的汽车的出行规律的准确性。
一种可能的设计中，结合第一方面或者第一方面的可能的设计，服务器对每条行驶轨迹的多组位置信息进行筛选处理，包括：服务器对每条行驶轨迹的多组位置信息中的无效位置信息进行删除；和/或服务器对每条行驶轨迹的多组位置信息中发生漂移的位置信息进行处理。
基于该可能的设计，服务器可以采用上述方式对位置信息进行筛选处理，以提高汽车的行驶轨迹的位置信息的准确性。
一种可能的设计中，结合第一方面或者第一方面的可能的设计，服务器对每条行驶轨迹的多组位置信息中的无效位置信息进行删除，包括：如果某一组位置信息中存在空值，服务器删除空值所在的位置信息；和/或如果多组相邻的位置信息中汽车的车速一直为0，则保留多组相邻的位置信息中的第一组位置信息和最后一组位置信息；其中，多组相邻的位置信息中的汽车的行驶时间相邻。
基于该可能的设计，服务器可以采用上述方式对位置信息中的无效位置信息进行删除，以提高汽车的行驶轨迹的位置信息的准确性。
一种可能的设计中，结合第一方面或者第一方面的可能的设计，服务器获取汽车的多条行驶轨迹的位置信息，包括：服务器获取汽车的启停时间，根据汽车的启停时间，确定每条行驶轨迹对应的位置信息。
基于该可能的设计，服务器可以根据汽车的启停时间确定每条行驶轨迹对应的位置信息，便于后续根据行驶轨迹对应的位置信息得到汽车的出行规律。
一种可能的设计中，结合第一方面或者第一方面的可能的设计，服务器根据行驶轨迹的位置信息的经度和纬度，计算行驶轨迹的轨迹长度。
一种可能的设计中，结合第一方面或者第一方面的可能的设计，服务器根据每条行驶轨迹的位置信息和每条行驶轨迹的轨迹长度，确定多条行驶轨迹中任两条行驶轨迹之间的轨迹相似度，包括：服务器根据动态时间归整DTW算法对任两条行驶轨迹的位置信息进行处理；服务器根据处理结果和任两条行驶轨迹的轨迹长度，得到任两条行驶轨迹之间的轨迹相似度。
基于该可能的设计，服务器可以采用DTW算法对任两条行驶轨迹的位置信息进行处理，并根据处理结果和任两条行驶轨迹的轨迹长度，得到任两条行驶轨迹之间的轨迹相似度，便于后续根据轨迹相似度分析汽车的出行规律，提高分析出的汽车的出行规律的准确性。
一种可能的设计中，结合第一方面或者第一方面的可能的设计，服务器根据任两条行驶轨迹之间的轨迹相似度，得到汽车的出行规律，包括：服务器根据任两条行驶轨迹之间的轨迹相似度，构建汽车的轨迹相似度矩阵；服务器对轨迹相似度矩阵进行特征提取；服务器对特征提取后的结果进行数据聚类，得到汽车的出行规律。
基于该可能的设计，服务器可以采用构建轨迹相似度矩阵的方式，分析汽车的出行规律，以提高分析出的汽车的出行规律的准确性。
一种可能的设计中，结合第一方面或者第一方面的可能的设计，轨迹相似度矩阵为：M＝[S(Pi,Pj)]；(1≤i≤n，1≤j≤n)
其中，M为n*n-1的轨迹相似度矩阵；n为行驶轨迹的数目；S(Pi,Pj)表示行驶轨迹Pi与行驶轨迹Pj之间的轨迹相似度。
基于该可能的设计，为根据轨迹相似度矩阵分析汽车的出行规律提供了可行性方案。
一种可能的设计中，结合第一方面或者第一方面的可能的设计，服务器对轨迹相似度矩阵进行特征提取，包括：服务器根据核主成分分析KPCA算法对轨迹相似度矩阵进行特征提取。
基于该可能的设计，服务器通过采用KPCA算法将轨迹相似度矩阵中线性不可分的数据投影至线性可分的数据空间，得到特征向量，为后续进行数据聚类提供可行性方案。
一种可能的设计中，结合第一方面或者第一方面的可能的设计，汽车的出行规律包括以下中的一种或多种：行驶轨迹类型、行驶轨迹类型对应的概率、行驶轨迹类型对应的时间、驾驶行为的类型、驾驶行为对应的概率、汽车所属的类别。
基于该可能的设计，服务器根据汽车的行驶轨迹分析得到的汽车的出行规律除上述出行规律外，还可以包括其他出行规律，不予限制。
一种可能的设计中，结合第一方面或者第一方面的可能的设计，服务器根据汽车的出行规律，为汽车预测目的地、预测道路拥堵情况、规划路线、推送个性化服务和/或用于计算基于驾驶行为的UBI保险报价。
基于该可能的设计，服务器可以根据汽车的出行规律，为汽车的用户提供多种服务，提高用户体验感。
一种可能的设计中，结合第一方面或者第一方面的可能的设计，服务器根据多个汽车的出行规律，预测道路拥堵情况；服务器根据道路拥堵情况，向多个汽车中的至少一个汽车发送指示信息；其中，指示信息用于指示汽车更换行驶路线。
基于该可能的设计，服务器可以根据预测得到的道路拥堵情况，提醒汽车的用户更换行驶路线，可以有效控制各个道路的车流量，提高用户体验感。
第二方面，本申请实施例提供了一种服务器，服务器可以实现上述第一方面或者第一方面可能的设计中服务器所执行的功能，所述功能可以通过硬件执行相应的软件实现。所述硬件或软件包括一个或多个上述功能相应的模块。如：该服务器包括：处理模块。
接收模块，可以用于获取汽车的多条行驶轨迹的位置信息；其中，每条行驶轨迹包括汽车的多个行驶点，行驶轨迹的位置信息包括每个行驶点的位置信息；
处理模块，可以用于根据每条行驶轨迹的位置信息和每条行驶轨迹的轨迹长度，确定多条行驶轨迹中任两条行驶轨迹之间的轨迹相似度；
处理模块，还可以用于根据任两条行驶轨迹之间的轨迹相似度，得到汽车的出行规律。
其中，该服务器的具体实现方式可参考第一方面或第一方面的任一种可能的设计提供的汽车出行规律的分析方法中服务器的行为功能，基于第二方面所述的服务器，该服务器可以根据获取到的汽车的多条行驶轨迹的位置信息，以及每条行驶轨迹的轨迹长度，确定出多条行驶轨迹中任两条行驶轨迹之间的轨迹相似度，根据任两条行驶轨迹之间的轨迹相似度，分析出汽车的出行规律，可以提高分析出的汽车的出行规律的准确性。
一种可能的设计中，结合二方面，行驶点的位置信息包括：经度、纬度、汽车的行驶时间和汽车的行驶方向。
基于该可能的设计，行驶点的位置信息除可以包括经度、纬度、汽车的行驶时间和汽车的行驶方向外，还可以包括其他位置信息，例如，汽车的车速、汽车的加速度、汽车的角速度等，不予限制。
一种可能的设计中，结合第二方面或者第二方面的可能的设计，接收模块，具体用于接收来自汽车的多条行驶轨迹的位置信息。
基于该可能的设计，服务器可以接收汽车上报的多条行驶轨迹的位置信息，提高汽车的行驶轨迹的位置信息的准确性，便于提高服务器根据行驶轨迹的位置信息得到的汽车的出行规律的准确性。
一种可能的设计中，结合第二方面或者第二方面的可能的设计，处理模块，还用于对每条行驶轨迹的多组位置信息进行筛选处理。
基于该可能的设计，服务器可以接收汽车上报的多条行驶轨迹的位置信息，并对位置信息进行筛选处理，提高汽车的行驶轨迹的位置信息的准确性，便于提高服务器根据行驶轨迹的位置信息得到的汽车的出行规律的准确性。
一种可能的设计中，结合第二方面或者第二方面的可能的设计，处理模块，还用于对每条行驶轨迹的多组位置信息中的无效位置信息进行删除；和/或处理模块，还用于对每条行驶轨迹的多组位置信息中发生漂移的位置信息进行处理。
基于该可能的设计，服务器可以采用上述方式对位置信息进行筛选处理，以提高汽车的行驶轨迹的位置信息的准确性。
一种可能的设计中，结合第二方面或者第二方面的可能的设计，处理模块，还用于如果某一组位置信息中存在空值，服务器删除空值所在的位置信息；和/或处理模块，还用于如果多组相邻的位置信息中汽车的车速一直为0，则保留多组相邻的位置信息中的第一组位置信息和最后一组位置信息；其中，多组相邻的位置信息中的汽车的行驶时间相邻。
基于该可能的设计，服务器可以采用上述方式对位置信息中的无效位置信息进行删除，以提高汽车的行驶轨迹的位置信息的准确性。
一种可能的设计中，结合第二方面或者第二方面的可能的设计，处理模块，还用于获取汽车的启停时间，根据汽车的启停时间，确定每条行驶轨迹对应的位置信息。
基于该可能的设计，服务器可以根据汽车的启停时间确定每条行驶轨迹对应的位置信息，便于后续根据行驶轨迹对应的位置信息得到汽车的出行规律。
一种可能的设计中，结合第二方面或者第二方面的可能的设计，处理模块，还用于根据行驶轨迹的位置信息的经度和纬度，计算行驶轨迹的轨迹长度。
一种可能的设计中，结合第二方面或者第二方面的可能的设计，处理模块，还用于根据动态时间归整DTW算法对任两条行驶轨迹的位置信息进行处理；处理模块，还用于根据处理结果和任两条行驶轨迹的轨迹长度，得到任两条行驶轨迹之间的轨迹相似度。
基于该可能的设计，服务器可以采用DTW算法对任两条行驶轨迹的位置信息进行处理，并根据处理结果和任两条行驶轨迹的轨迹长度，得到任两条行驶轨迹之间的轨迹相似度，便于后续根据轨迹相似度分析汽车的出行规律，提高分析出的汽车的出行规律的准确性。
一种可能的设计中，结合第二方面或者第二方面的可能的设计，处理模块，还用于根据任两条行驶轨迹之间的轨迹相似度，构建汽车的轨迹相似度矩阵；处理模块，还用于对轨迹相似度矩阵进行特征提取；处理模块，还用于对特征提取后的结果进行数据聚类，得到汽车的出行规律。
基于该可能的设计，服务器可以采用构建轨迹相似度矩阵的方式，分析汽车的出行规律，以提高分析出的汽车的出行规律的准确性。
一种可能的设计中，结合第二方面或者第二方面的可能的设计，轨迹相似度矩阵为：M＝[S(Pi,Pj)]；(1≤i≤n，1≤j≤n)其中，M为n*n-1的轨迹相似度矩阵；n为行驶轨迹的数目；S(Pi,Pj)表示行驶轨迹Pi与行驶轨迹Pj之间的轨迹相似度。
基于该可能的设计，为根据轨迹相似度矩阵分析汽车的出行规律提供了可行性方案。
一种可能的设计中，结合第二方面或者第二方面的可能的设计，处理模块，还用于根据核主成分分析KPCA算法对轨迹相似度矩阵进行特征提取。
基于该可能的设计，服务器通过采用KPCA算法将轨迹相似度矩阵中线性不可分的数据投影至线性可分的数据空间，得到特征向量，为后续进行数据聚类提供可行性方案。
一种可能的设计中，结合第二方面或者第二方面的可能的设计，汽车的出行规律包括以下中的一种或多种：行驶轨迹类型、行驶轨迹类型对应的概率、行驶轨迹类型对应的时间、驾驶行为的类型、驾驶行为对应的概率、汽车所属的类别。
基于该可能的设计，服务器根据汽车的行驶轨迹分析得到的汽车的出行规律除上述出行规律外，还可以包括其他出行规律，不予限制。
一种可能的设计中，结合第二方面或者第二方面的可能的设计，处理模块，还用于根据汽车的出行规律，为汽车预测目的地、预测道路拥堵情况、规划路线、推送个性化服务和/或用于计算基于驾驶行为的UBI保险报价。
基于该可能的设计，服务器可以根据汽车的出行规律，为汽车的用户提供多种服务，提高用户体验感。
一种可能的设计中，结合第二方面或者第二方面的可能的设计，处理模块，还用于根据多个汽车的出行规律，预测道路拥堵情况；处理模块，还用于根据道路拥堵情况，向多个汽车中的至少一个汽车发送指示信息；其中，指示信息用于指示汽车更换行驶路线。
基于该可能的设计，服务器可以根据预测得到的道路拥堵情况，提醒汽车的用户更换行驶路线，可以有效控制各个道路的车流量，提高用户体验感。
第三方面，提供了一种服务器，该服务器可以为服务器或者服务器中的芯片或者片上系统。该服务器可以实现上述各方面或者各可能的设计中服务器所执行的功能，所述功能可以通过硬件实现。一种可能的设计中，该服务器可以包括：处理器。处理器可以用于支持服务器实现上述第一方面或者第一方面的任一种可能的设计中所涉及的功能。例如：处理器可以获取汽车的多条行驶轨迹的位置信息；其中，每条行驶轨迹包括汽车的多个行驶点，行驶轨迹的位置信息包括每个行驶点的位置信息；处理器还可以根据每条行驶轨迹的位置信息和每条行驶轨迹的轨迹长度，确定多条行驶轨迹中任两条行驶轨迹之间的轨迹相似度；处理器还可以根据任两条行驶轨迹之间的轨迹相似度，得到汽车的出行规律。在又一种可能的设计中，所述服务器还可以包括存储器，存储器，用于保存服务器必要的计算机执行指令和数据。当该服务器运行时，该处理器执行该存储器存储的该计算机执行指令，以使该服务器执行如上述第一方面或者第一方面的任一种可能的设计所述的汽车出行规律的分析方法。
其中，该服务器的具体实现方式可参考第一方面或第一方面的任一种可能的设计提供的汽车出行规律的分析方法中服务器的行为功能。
第四方面，提供了一种服务器，该服务器包括一个或多个处理器和一个或多个存储器；一个或多个存储器与一个或多个处理器耦合，一个或多个存储器用于存储计算机程序代码或计算机指令；当一个或多个处理器执行计算机指令时，使得服务器执行如第一方面或者第一方面的任一可能的设计所述的汽车出行规律的分析方法。
第五方面，提供了一种服务器，该服务器包括：处理器以及接口电路；其中，该处理器通过接口电路与存储器耦合，处理器用于执行该存储器中的程序代码，支持服务器执行如第一方面或者第一方面的任一可能的设计所述的汽车出行规律的分析方法。
第六方面，提供了一种计算机可读存储介质，该计算机可读存储介质存储有计算机指令或程序，当计算机指令或程序在计算机上运行时，使得计算机执行如第一方面或者第一方面的任一可能的设计所述的汽车出行规律的分析方法。
第七方面，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，使得计算机执行如第一方面或者第一方面的任一可能的设计所述的汽车出行规律的分析方法。
第八方面，提供了一种芯片系统，所述芯片系统包括一个或多个处理器和一个或多个存储器；一个或多个存储器与一个或多个处理器耦合，一个或多个存储器中存储有计算机程序代码或计算机指令；当所述一个或多个处理器执行所述计算机程序代码或计算机指令时，使得所述芯片系统执行如上述第一方面或者第一方面的任一可能的设计所述的汽车出行规律的分析方法。
其中，第三方面至第八方面中任一种设计方式所带来的技术效果可参见上述第一方面至第二方面的任一种可能的设计所带来的技术效果，不再赘述。
第九方面，提供了一种通信系统，该通信系统包括如第二方面或第二方面的任一可能的设计所述的服务器以及如第二方面或者第二方面的任一可能的设计所述的汽车。
本申请实施例中，服务器可以根据获取到的汽车的多条行驶轨迹的位置信息，以及每条行驶轨迹的轨迹长度，确定出多条行驶轨迹中任两条行驶轨迹之间的轨迹相似度，并根据任两条行驶轨迹之间的轨迹相似度，分析出汽车的出行规律，有效提高分析出的汽车的出行规律的准确性。
附图说明
图1为本申请实施例提供的一种通信系统的简化示意图；
图2为本申请实施例提供的一种通信装置的组成结构图；
图3为本申请实施例提供的一种汽车出行规律的分析方法的流程图；
图4为本申请实施例提供的一种汽车出行规律的分析方法的流程图；
图5为本申请实施例提供的一种服务器的组成示意图；
图6为本申请实施例提供的一种服务器的组成示意图。
具体实施方式
下面结合说明书附图对本申请实施例的实施方式进行详细描述。
本申请实施例提供的汽车出行规律的分析方法可用于支持车联网通信的任一通信系统，该通信系统可以为第三代合作伙伴计划(3rd generation partnership project，3GPP)通信系统，例如，长期演进(long term evolution，LTE)系统，又可以为第五代(5thgeneration，5G)移动通信系统、新空口(new radio，NR)系统、NR V2X系统以及其他下一代通信系统，也可以为非3GPP通信系统，不予限制。下面以图1为例，对本申请实施例提供的汽车出行规律的分析方法进行描述。
本申请实施例提供的汽车出行规律的分析方法可用于以下应用场景，如：无人驾驶(unmanned driving)、辅助驾驶(driver assistance，ADAS)、智能驾驶(intelligentdriving)、网联驾驶(connected driving)、智能网联驾驶(Intelligent networkdriving)、汽车共享(car sharing)等，不予限制。
图1为本申请实施例提供的一种通信系统的示意图，如图1所示，该通信系统可以包括多个汽车、网络设备以及服务器。汽车可以位于网络设备的小区覆盖范围内，也可以位于网络设备的小区覆盖范围外。其中，汽车可以通过上行链路(uplink，UL)与网络设备进行空口通信，汽车在UL上向网络设备发送业务数据，网络设备将接收到的业务数据转发给服务器，由服务器对该业务数据进行处理，并将处理后的业务数据通过网络设备下发给汽车。如：汽车在UL上通过上行链路物理层共享信道(physical sidelink share channel，PUSCH)向网络设备发送上行数据，网络设备将接收到的上行数据转发给服务器，服务器对该上行数据进行处理，将处理后的上行数据通过网络设备下发给汽车；其中，转发汽车至服务器的上行数据的网络设备与转发服务器至汽车的下行数据的网络设备可以是同一个网络设备，也可以是不同的网络设备，具体可以由服务器确定。
汽车也可以通过侧行链路(sidelink，SL)与其他汽车进行侧行通信，在SL上向其他汽车发送业务数据，如：在SL上通过侧行链路物理层共享信道(physical sidelinkshare channel，PSSCH)向其他汽车发送侧行数据、在SL上通过侧行链路物理层反馈信道(physical sidelink feedback channel，PSFCH)向其他汽车发送与接收到的侧行数据对应的侧行反馈控制信息(sidelink feedback control information，SFCI)等。本申请实施例中，侧行通信可以包括车与车的通信(vehicle to vehicle，V2V)、车与行人的通信(vehicle to pedestrian，V2P)、车与基础设施的通信(vehicle to infrastructure，V2I)等，不予限制。
其中，图1中的服务器可以是车联网应用服务器或者具有计算存储能力的服务器等，不予限制。服务器可以用于对汽车发送的数据进行存储与处理等等。
图1中的网络设备可以是任意一种具有无线收发功能的设备，主要用于实现无线物理控制功能、资源调度和无线资源管理、无线接入控制以及移动性管理等功能。具体的，该网络设备可以为接入网(access network，AN)/无线接入网(radio access network，RAN)设备，还可以为由多个5G-AN/5G-RAN节点组成的设备，又可以为基站(nodeB，NB)、演进型基站(evolution nodeB，eNB)、下一代基站(generation nodeB，gNB)、收发点(transmission receive point，TRP)、传输点(transmission point，TP)、路边单元(roadside unit，RSU)以及某种其它接入节点中的任一节点等，不予限制。
图1中的汽车可以是通过网络设备与服务器进行通信的车辆，也可以是无人驾驶中的无线终端、车载终端、智能网联车等等，不予限制。本申请实施例的汽车、网络设备以及服务器都可以为一个或多个芯片，也可以为片上系统(system on chip，SOC)等。
需要说明的是，本申请实施例中的汽车可以是智能汽车(smart/intelligentcar)、数字汽车(digital car)、无人汽车(unmanned car、driverless car、pilotlesscar/automobile)、自动汽车(self-driving car、autonomous car)等，不予限制。
需要说明的是，图1仅为示例性附图，其包括的设备数量不受限制。此外，除图1所示设备之外，该通信系统还可以包括其他设备。图1中各个设备的名称、各个链路的命名不受限制，除图1所示名称之外，各个设备、各个链路还可以命名为其他名称，如：汽车与网络设备之间通过用户设备(user equipment，Uu)接口进行通信，UL还可以命名为Uu链路等，不予限制。
为解决根据现有技术分析得到的汽车的出行规律准确性较低的技术问题，本申请实施例提供一种汽车出行规律的分析方法，由服务器根据汽车的多条行驶轨迹中每条行驶轨迹的位置信息和每条行驶轨迹的轨迹长度，确定多条行驶轨迹中任两条行驶轨迹之间的轨迹相似度，根据任两条行驶轨迹之间的轨迹相似度，得到汽车的出行规律，可以提高分析出的汽车的出行规律的准确性。
具体实现时，图1所示设备，如：服务器可以采用图2所示的组成结构，或者包括图2所示的部件。图2为本申请实施例提供的一种通信装置200的组成示意图，该通信装置200可以为服务器或者服务器中的芯片或者片上系统。如图2所示，该通信装置200包括处理器201，收发器202以及通信线路203。
进一步的，该通信装置200还可以包括存储器204。其中，处理器201，存储器204以及收发器202之间可以通过通信线路203连接。
其中，处理器201是中央处理器(central processing unit，CPU)、通用处理器网络处理器(network processor，NP)、数字信号处理器(digital signal processing，DSP)、微处理器、微控制器、可编程逻辑器件(programmable logic device，PLD)或它们的任意组合。处理器201还可以是其它具有处理功能的装置，例如电路、器件或软件模块，不予限制。
收发器202，用于与其他设备或其它通信网络进行通信。该其它通信网络可以为以太网，无线接入网(radio access network，RAN)，无线局域网(wireless local areanetworks，WLAN)等。收发器202可以是模块、电路、收发器或者任何能够实现通信的装置。
通信线路203，用于在通信装置200所包括的各部件之间传送信息。
存储器204，用于存储指令。其中，指令可以是计算机程序。
其中，存储器204可以是只读存储器(read-only memory，ROM)或可存储静态信息和/或指令的其他类型的静态存储设备，也可以是随机存取存储器(random accessmemory，RAM)或可存储信息和/或指令的其他类型的动态存储设备，还可以是电可擦可编程只读存储器(electrically erasable programmable read-only memory，EEPROM)、只读光盘(compact disc read-only memory，CD-ROM)或其他光盘存储、光碟存储(包括压缩光碟、激光碟、光碟、数字通用光碟、蓝光光碟等)、磁盘存储介质或其他磁存储设备等，不予限制。
需要指出的是，存储器204可以独立于处理器201存在，也可以和处理器201集成在一起。存储器204可以用于存储指令或者程序代码或者一些数据等。存储器204可以位于通信装置200内，也可以位于通信装置200外，不予限制。处理器201，用于执行存储器204中存储的指令，以实现本申请下述实施例提供的汽车出行规律的分析方法。
在一种示例中，处理器201可以包括一个或多个CPU，例如图2中的CPU0和CPU1。
作为一种可选的实现方式，通信装置200包括多个处理器，例如，除图2中的处理器201之外，还可以包括处理器207。
作为一种可选的实现方式，通信装置200还包括输出设备205和输入设备206。示例性地，输入设备206是键盘、鼠标、麦克风或操作杆等设备，输出设备205是显示屏、扬声器(speaker)等设备。
需要指出的是，通信装置200可以是网络服务器、嵌入式设备、芯片系统或有图2中类似结构的设备。此外，图2中示出的组成结构并不构成对该装置的限定，除图2所示部件之外，该装置可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。
本申请实施例中，芯片系统可以由芯片构成，也可以包括芯片和其他分立器件。
此外，本申请的各实施例之间涉及的动作、术语等均可以相互参考，不予限制。本申请的实施例中各个设备之间交互的消息名称或消息中的参数名称等只是一个示例，具体实现中也可以采用其他的名称，不予限制。
下图结合图1所示通信系统，对本申请实施例提供的汽车出行规律的分析方法进行描述。其中，汽车可以为图1中的任意一个汽车，服务器为图1中可以通过网络设备与汽车进行通信的服务器。下述实施例所述的汽车、服务器可以具备图2所示部件。
图3为本申请实施例提供的一种汽车出行规律的分析方法，该方法可以用以解决现有技术中分析出的汽车用户的出行规律准确性较低的技术问题，如图3所示，该方法可以包括：
步骤S301、服务器获取汽车的多条行驶轨迹的位置信息。
其中，每条行驶轨迹可以包括汽车的多个行驶点，行驶轨迹的位置信息可以包括每个行驶点的位置信息。位置信息可以包括经度、纬度、汽车的行驶时间和汽车的行驶方向。
示例性的，服务器可以接收汽车发送的多条行驶轨迹的位置信息。如：服务器可以周期性的接收到汽车发送的位置信息；即汽车可以根据预先设定的周期，在每个周期到来时向服务器发送一次位置信息。例如，汽车可以每隔10s向服务器发送一次位置信息。
具体的，汽车在每一个周期发送的位置信息都可以认为是汽车在一个行驶点的位置信息，汽车在多个周期发送的位置信息即汽车在多个行驶点的位置信息。
可选的，汽车利用汽车上安装的全球定位系统(global positioning system，GPS)装置通过GPS系统实时获取汽车的位置信息。
进一步的，服务器还可以接收汽车发送的启停时间，根据汽车的启停时间，确定汽车的每条行驶轨迹对应的位置信息。
其中，汽车的启停时间为汽车的启动时间与汽车的停止时间。
具体的，服务器可以根据汽车发送的汽车的启动时间和汽车的停止时间，将汽车发送的位置信息中，汽车的行驶时间位于汽车第一次启动时间和汽车第一次停止时间之间的位置信息确定为第一条行驶轨迹的位置信息，将汽车的行驶时间位于汽车第二次启动时间和汽车第二次停止时间之间的位置信息确定为第二条行驶轨迹的位置信息。
例如，服务器接收到的汽车的启停时间包括汽车第一次启动时间08:20、汽车第一次停止时间08:45、汽车第二次启动时间09:00、汽车第二次停止时间10:00；则将汽车的行驶时间位于08:20～08:45之间的位置信息确定为第一条行驶轨迹的位置信息，将汽车的行驶时间位于09:00～10:00之间的位置信息确定为第二条行驶轨迹的位置信息。
一种可能的设计中，服务器可以将其接收到的从汽车发送的多条行驶轨迹的位置信息均应用到步骤S302的计算过程中。
又一种可能的设计中，汽车在行驶过程中，为了保证获取的行驶轨迹的精确性，汽车向服务器上报位置信息的周期通常较短，导致服务器接收到的汽车的位置信息较多，服务器在对位置信息进行处理时，如果位置信息中存在较多无效位置信息，会给服务器带来不必要的处理压力。另外，在实际测量过程中，汽车的GPS装置通过GPS系统测量汽车的位置信息时，难免会出现失误，导致汽车获取的位置信息存在空值或者发生漂移，对最后分析出的汽车的出行规律的准确性产生影响。为解决上述问题，服务器可以对接收到的汽车的多条行驶轨迹的位置信息进行筛选处理，将筛选后的行驶轨迹的位置信息应用到步骤S302中。需要说明的是，空值指的是不存在测量值。
具体的，该筛选处理方法可以包括：服务器可以将每条行驶轨迹对应的多组位置信息中的无效位置信息进行删除，和/或，对多组位置信息中发生漂移的位置信息进行处理。
可选的，服务器对行驶轨迹的位置信息中的无效位置信息进行删除包括：如果某一组位置信息中存在空值，删除该空值所在的位置信息。
例如，某条行驶轨迹的位置信息包括位置信息1、位置信息2和位置信息3，其中，位置信息1为(经度1、纬度1、汽车的行驶时间1、汽车的行驶方向1)、位置信息2为(经度2、纬度2、汽车的行驶方向2)、位置信息3为(经度3、纬度3、汽车的行驶时间3)，可以看出，位置信息2中汽车的行驶时间为空值，位置信息3中汽车的行驶方向为空值，则可以删除该条行驶轨迹中的位置信息2和位置信息3。
可选的，服务器对行驶轨迹的位置信息中的无效位置信息进行删除还包括：如果多组相邻的位置信息中汽车的车速一直为0，则保留多组相邻的位置信息中的第一组位置信息和最后一组位置信息。
其中，汽车的位置信息中还可以包括汽车的车速，上述多组相邻的位置信息是指多组位置信息中，汽车的行驶时间相邻的多组位置信息。
例如，以服务器接收到汽车的位置信息的周期为10s为例，假设汽车的位置信息包括多组相邻的位置信息，即位置信息1、位置信息2、…、位置信息7；其中，位置信息1-7中汽车的行驶时间依次为8时30分10秒、8时30分20秒、8时30分30秒、8时30分40秒、8时30分50秒、8时31分00秒、8时31分10秒，位置信息1-7中汽车的车速依次为1km/h、0、0、0、0、0、1km/h，则在位置信息2-6中，删除位置信息3、位置信息4和位置信息5，保留位置信息2和位置信息6。
当汽车的车速在某段时间内一直为0时，表明汽车在该段时间内没有发生移动，即该段时间内汽车对应的经度、纬度、以及汽车的行驶方向是不变的，可以保留该段时间内第一组位置信息和最后一组位置信息，将中间的位置信息进行删除，以减轻服务器的处理压力。
可选的，服务器对多组位置信息中发生漂移的位置信息进行处理包括：对发生漂移的位置信息进行修正。
例如，以服务器接收到汽车的位置信息的周期为10s为例，假设汽车按照周期发送给服务器的位置信息依次为位置信息1、位置信息2、位置信息3和位置信息4；其中，其中，位置信息1-4中汽车的行驶时间依次为8时30分10秒、8时30分20秒、8时31分50秒、8时30分40秒，由于汽车发送位置信息的周期是10s，可知位置信息3中汽车的行驶时间应该为8时30分30秒，但是服务器接收到的位置信息3中汽车的行驶时间为8时31分50秒，可知，服务器接收到的位置信息3中汽车的行驶时间发生漂移，服务器可以根据位置信息2和位置信息4中汽车的行驶时间将位置信息3中汽车的行驶时间修正为8时30分30秒。
类似的，汽车在行驶过程中，由于汽车发送位置信息的周期较小，服务器在接收位置信息的过程中，相邻位置信息之间经纬度的变化、汽车的车速的变化、汽车的行驶时间的变化、以及汽车的方向变化是有规律可循的，如果某一位置信息与其相邻的位置信息相比，存在明显差异，则可以认为该位置信息发生漂移，服务器可以根据其相邻的位置信息对该位置信息进行修正。
服务器可以对汽车的每条行驶轨迹对应的位置信息均进行上述筛选处理，得到每条行驶轨迹对应的位置信息。服务器通过对汽车的位置信息进行筛选处理，将无效位置信息进行删除，可以减轻服务器的处理压力，将位置信息中发生漂移的位置信息进行处理，可以提高位置信息的准确性，进而提高服务器根据位置信息最终分析得到的汽车的出行规律的准确性。
可替换的，服务器也可以先对汽车的位置信息进行筛选处理，得到汽车的位置信息，再根据汽车的启停时间确定每条行驶轨迹对应的位置信息，以减轻服务器的处理压力。
步骤S302、服务器根据每条行驶轨迹的位置信息和每条行驶轨迹的轨迹长度，确定多条行驶轨迹中任两条行驶轨迹之间的轨迹相似度。
其中，行驶轨迹的轨迹长度可以指行驶轨迹对应的各个行驶点之间的距离之和。
可选的，服务器在确定每条行驶轨迹对应的位置信息后，可以根据每条行驶轨迹对应的位置信息中的经度和纬度确定每条行驶轨迹的轨迹长度。
例如，以某条行驶轨迹包括位置信息1、位置信息2、位置信息3和位置信息4为例，服务器可以根据位置信息1与位置信息2中的经度和纬度，确定位置信息1对应的行驶点1与位置信息2对应的行驶点2之间的距离1；根据位置信息2和位置信息3中的经度和纬度，确定位置信息2对应的行驶点2和位置信息3对应的行驶点3之间的距离2；根据位置信息3和位置信息4中的经度和纬度，确定位置信息3对应的行驶点3和位置信息4对应的行驶点4之间的距离3；然后将距离1、距离2与距离3的和作为该行驶轨迹的轨迹长度。
可选的，对于多条行驶轨迹中的任两条行驶轨迹，服务器根据动态时间规整(dynamic time warping，DTW)算法计算得到该两条行驶轨迹之间的处理结果，并根据该两条行驶轨迹的处理结果以及该两条行驶轨迹的轨迹长度，计算得到任两条行驶轨迹的轨迹相似度。
具体的，以两条行驶轨迹为行驶轨迹Pi和行驶轨迹Pj，服务器根据DTW算法计算对行驶轨迹Pi和行驶轨迹Pj进行处理为例，其中行驶轨迹Pi包括位置信息1、位置信息2、…、位置信息m；行驶轨迹Pj包括位置信息1、位置信息2、…、位置信息n；服务器计算行驶轨迹Pi的每个位置信息与行驶轨迹Pj的每个位置信息之间的距离，得到m*n的距离矩阵，并根据该距离矩阵，利用DTW算法计算得到行驶轨迹Pi与行驶轨迹Pj之间的距离，即得到处理结果。
需要说明的是，根据距离矩阵，利用DTW算法计算得到行驶轨迹Pi与行驶轨迹Pj之间的距离可参照现有技术对DTW算法的描述，不予赘述。
示例性的，以服务器根据对行驶轨迹Pi的位置信息与行驶轨迹Pj的位置信息进行处理后的处理结果、行驶轨迹Pi的轨迹长度、行驶轨迹Pj的轨迹长度，计算得到行驶轨迹Pi和行驶轨迹Pj之间的轨迹相似度为例，服务器可以采用下述公式计算得到行驶轨迹Pi和行驶轨迹Pj之间的轨迹相似度：
Figure BDA0002958955100000121
其中，S(Pi,Pj)表示行驶轨迹Pi和行驶轨迹Pj之间的轨迹相似度；DTW(Pi,Pj)表示对行驶轨迹Pi的位置信息与行驶轨迹Pj的位置信息进行处理后的处理结果；LPi表示行驶轨迹Pi的轨迹长度；LPj表示行驶轨迹Pj的轨迹长度。
步骤S303、服务器根据任两条行驶轨迹之间的轨迹相似度，得到汽车的出行规律。
可选的，汽车的出行规律包括行驶轨迹的类型、行驶轨迹对应的概率、行驶轨迹类型对应的时间、驾驶行为的类型、所述驾驶行为对应的概率、所述汽车所属的类别。
具体的，服务器得到汽车的多条行驶轨迹中任两条行驶轨迹的轨迹相似度后，可以采用下述图4所示方法根据轨迹相似度得到汽车的出行规律。
以汽车的出行规律包括行驶轨迹的类型、行驶轨迹对应的概率、行驶轨迹类型对应的时间为例，服务器可以将相似度大于预设阈值的多条行驶轨迹归为一类行驶轨迹，确定该类行驶轨迹对应的时间，并根据该类行驶轨迹的数量与参与汽车的出行规律分析的所有行驶轨迹的数量进行对比，得到汽车在该类行驶轨迹上的概率，根据各类行驶轨迹的概率确定汽车的常用行驶轨迹。
例如，以服务器获取的汽车的行驶轨迹包括行驶轨迹1、行驶轨迹2、行驶轨迹3、行驶轨迹4和行驶轨迹5条为例，其中，行驶轨迹1与行驶轨迹2的相似度为96％、行驶轨迹1与行驶轨迹3的相似度为97％、行驶轨迹1与行驶轨迹4的相似度为20％、行驶轨迹1与行驶轨迹5的相似度为25％、行驶轨迹2与行驶轨迹3的相似度为96％、形式轨迹2与形式轨迹4的相似度为20％、形式轨迹2与行驶轨迹5的相似度为23％、行驶轨迹3与行驶轨迹4的相似度为24％、行驶轨迹3与行驶轨迹5的相似度为22％、行驶轨迹4与行驶轨迹5的相似度为97％；可知，行驶轨迹1、行驶轨迹2和行驶轨迹3可以认为是第一种行驶轨迹，行驶轨迹4与行驶轨迹5可以认为是第二种行驶轨迹，由于当前举例中汽车的行驶轨迹包括5条，第一种行驶轨迹占比为60％，第二种行驶轨迹占比为40％，可以将第一种行驶轨迹认为是汽车的常用行驶轨迹等。
上述举例仅是以5条行驶轨迹为例进行说明，分析出的汽车的出行规律有限，其分析结果的准确性有限，当汽车的行驶轨迹越多，所能分析出的汽车的出行规律也会越多，分许结果的准确性也会越高。
以汽车的出行规律包括驾驶行为的类型、驾驶行为对应的概率为例，服务器可以根据汽车的位置信息确定汽车是否存在急加速、急刹车、超速、急转弯、侧滑或甩尾等危险驾驶行为。
示例性的，服务器可以根据汽车的车速确定汽车是否存在急加速、急刹车或超速等危险驾驶行为。
可选的，汽车的行驶轨迹的位置信息还可以包括汽车的加速度和/或汽车的角速度。服务器可以根据汽车的加速度和/或汽车的角速度，确定汽车是否存在急加速、急刹车、急转弯、侧滑或甩尾等危险驾驶行为。
具体的，服务器可以在行驶轨迹的类型、行驶轨迹对应的概率、行驶轨迹对应的时间的基础上，进一步分析每种行驶轨迹对应的驾驶行为的类型以及驾驶行为对应的概率。
例如，假设根据分析，得到汽车的行驶轨迹类型1对应的概率为80％，在此基础上，服务器还可以根据汽车的位置信息确定行驶轨迹类型1中是否存在危险驾驶行为，以及存在的危险驾驶行为对应的概率，如果行驶轨迹类型1包括5条行驶轨迹，且其中4条行驶轨迹均存在急转弯的驾驶行为，则确定第一种行驶轨迹存在急转弯的驾驶行为，且急转弯在行驶轨迹类型1中对应的概率为80％。
以汽车的出行规律包括汽车所属的类别为例，服务器还可以根据汽车的行驶轨迹的规律确定汽车所属的类别，其中，汽车所属的类别可以是私家车、公交、出租车或商用车等。
例如，若汽车1的出行规律为：每一天的行驶轨迹都相同，都是从早上六点开始从地点A行驶到地点B，再从地点B行驶到地点A，每天往返多次。则可以认为汽车1所属的类别为公交车。若汽车2的出行规律为：每天早上汽车的起始位置为地点C，晚上的停止位置也为地点C，但是中间的行驶轨迹基本不一致，可以认为汽车2所属的类别为出租车。
需要说明的是，汽车的出行规律还可以包括除上述提到的出行规律以外的其他出行规律，不予限制。
进一步的，服务器可以根据分析出的汽车的出行规律，预测汽车出行的目的地。
例如，假设汽车的出行规律包括：①当前汽车在每个工作日的上午八点到上午八点半之间基于行驶轨迹1从地点A(家)行驶到地点B(公司)，②当前汽车在每个工作日的晚上六点到六点半之间基于行驶轨迹2从地点B(公司)行驶到地点A(家)。基于该出行规律，当时间为工作日的上午八点，且汽车位于地点A时，可以预测汽车的目的地为地点B，当时间为工作日的晚上六点，且汽车位于地点B时，可以预测汽车的目的地为地点A。
可选的，服务器还根据分析出的多个汽车的出行规律，预测道路拥堵情况。
例如，假设当前汽车的出行规律之一为：工作日的早上八点到八点半之间基于行驶轨迹1从地点A行驶到地点B。服务器可以根据该出行规律预测当天早上八点到八点半之间该行驶轨迹上可能存在的汽车数量。根据预测的汽车数量，预测道路拥堵情况，从而根据道路拥堵情况确定是否需要提醒当前汽车的用户更换路线，如果需要更换路线，服务器还可以根据其他道路的道路拥堵情况为当前汽车的用户合理规划路线，提高用户体验。
可选的，服务器还根据汽车的出行规律为汽车推送个性化服务。
例如，服务器可以根据当前汽车的行驶轨迹，为当前汽车推送该行驶轨迹上存在的加油站的位置、超市的位置、商场的位置等，不予限制。
可选的，服务器还将汽车的出行规律作为基于驾驶行为的保险(usage basedinsurance，UBI)报价的一个权重因素。
示例性的，服务器可以将汽车的驾驶行为的类型以及驾驶行为对应的概率，作为UBI保险报价的一个权重因素。通过对不同汽车的驾驶行为进行分析，得到汽车对应的驾驶风险，危险驾驶行为越多，驾驶风险越高。对于不同驾驶风险的汽车用户，可以提供不同的UBI保险报价。
示例性的，服务器也可以将汽车所属的类别作为UBI保险报价的一个权重因素，不同类别的汽车对应不同的UBI保险报价。
通过根据汽车的出行规律为汽车提供相应的UBI保险报价，可以提高保险报价的准确性，降低保险公司的理赔成本，同时，也能约束汽车用户的驾驶行为，降低事故率。
基于图3所示方法，服务器根据获取到的汽车的多条行驶轨迹的位置信息，以及每条行驶轨迹的轨迹长度，确定出多条行驶轨迹中任两条行驶轨迹之间的轨迹相似度，根据任两条行驶轨迹之间的轨迹相似度，分析出汽车的出行规律，可以提高分析出的汽车的出行规律的准确性。同时，汽车主动将自己的位置信息发送给服务器，可以提高汽车的行驶轨迹的位置信息的准确性，便于提高服务器根据行驶轨迹的位置信息得到的汽车的出行规律的准确性。
其中，上述步骤303中，服务器根据任两条行驶轨迹之间的轨迹相似度，得到汽车的出行规律的具体过程可参照图4所示，图4为本申请实施例提供的一种汽车出行规律的分析方法的流程图，如图4所示，该汽车出行规律的分析方法可以包括：
步骤S401、服务器根据任两条行驶轨迹之间的轨迹相似度，构建汽车的轨迹相似度矩阵。
示例性的，服务器根据上述步骤302得到任两条行驶轨迹之间的轨迹相似度之后，可以构建汽车的轨迹相似度矩阵。
可选的，构建的汽车的轨迹相似度矩阵为：M＝[S(Pi,Pj)]；(1≤i≤n，1≤j≤n)
其中，M为n*n-1的轨迹相似度矩阵；n为行驶轨迹的数目；S(Pi,Pj)表示行驶轨迹Pi与行驶轨迹Pj之间的轨迹相似度。
例如，以汽车的行驶轨迹包括行驶轨迹P1、行驶轨迹P2、行驶轨迹P3、行驶轨迹P4为例，行驶轨迹P1与行驶轨迹P2之间的轨迹相似度为S(P1,P2)；行驶轨迹P1与行驶轨迹P3之间的轨迹相似度为S(P1,P3)；行驶轨迹P1与行驶轨迹P4之间的轨迹相似度为S(P1,P4)；行驶轨迹P2与行驶轨迹P3之间的轨迹相似度为S(P2,P3)；行驶轨迹P2与行驶轨迹P4之间的轨迹相似度为S(P2,P4)；行驶轨迹P3与行驶轨迹P4之间的轨迹相似度为S(P3,P4)；构建的轨迹相似度矩阵可以为：
Figure BDA0002958955100000151
步骤S402、服务器对轨迹相似度矩阵进行特征提取。
示例性的，服务器根据上述步骤401得到轨迹将相似度矩阵后，可以对相似度矩阵进行特征提取。
例如，服务器可以根据核主成分分析(kernel principal components analysis，KPCA)算法对轨迹相似度矩阵进行特征提取，将轨迹相似度矩阵中线性不可分的数据投影至线性可分的数据空间，得到特征向量，便于后续步骤403根据特征向量进行数据聚类，得到汽车的出行规律。
需要说明的是，根据KPCA算法对轨迹相似度矩阵进行特征提取可参照现有技术对KPCA算法的描述，不予赘述。
步骤S403、服务器对特征提取后的结果进行数据聚类，得到汽车的出行规律。
其中，数据聚类是指将相似的数据通过静态分类的方法分成不同的组别或者更多的子集，让在同一个子集中的数据都有相似的一些属性。
具体的，服务器根据特征提取后的特征向量进行数据聚类，可以得到行驶轨迹的类型、行驶轨迹对应的概率、行驶轨迹类型对应的时间、驾驶行为的类型、驾驶行为对应的概率、汽车所述的类别等出行规律。
例如，以特征向量为汽车的出行规律度为例，假设汽车所属的类别包括公交、私家车和出租车，如果将每天行驶轨迹都相同的出行规律度设置为1，则可以预先设置第一阈值和第二阈值，将出行规律度高于第一阈值的汽车归类为公交，将出行规律度低于第二阈值的汽车归类为出租车。其中，汽车每天的行驶轨迹越相似，汽车对应的出行规律度越高，汽车每天的行驶轨迹基本不一致，汽车对应的出行规律度越低。
需要说明的是，对汽车的出行规律的描述可以参照上述步骤303，不予赘述。
上述主要从各个网元之间交互的角度对本申请实施例提供的方案进行了介绍。可以理解的是，服务器为了实现上述功能，其包含了执行各个功能相应的硬件结构和/或软件模块。本领域技术人员应该很容易意识到，结合本文中所公开的实施例描述的各示例的算法步骤，本申请能够以硬件或硬件和计算机软件的结合形式来实现。某个功能究竟以硬件还是计算机软件驱动硬件的方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。
本申请实施例可以根据上述方法示例对服务器进行功能模块的划分，例如，可以对应各个功能划分各个功能模块，也可以将两个或两个以上的功能集成在一个处理模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。需要说明的是，本申请实施例中对模块的划分是示意性的，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式。
在采用对应各个功能划分各个功能模块的情况下，图5示出了一种服务器，服务器50可以为服务器或者服务器中的芯片或者片上系统。该服务器50可以用于执行上述实施例中涉及的服务器的功能。图5所示服务器50包括：接收模块501、处理模块502。
接收模块501，用于获取汽车的多条行驶轨迹的位置信息；其中，每条行驶轨迹包括汽车的多个行驶点，行驶轨迹的位置信息包括每个行驶点的位置信息；
处理模块502，用于根据每条行驶轨迹的位置信息和每条行驶轨迹的轨迹长度，确定多条行驶轨迹中任两条行驶轨迹之间的轨迹相似度；
处理模块502，还用于根据任两条行驶轨迹之间的轨迹相似度，得到汽车的出行规律。
其中，该服务器50的具体实现方式可参考图3或图4所述汽车出行规律的分析方法中服务器的行为功能。
一种可能的设计中，行驶点的位置信息包括：经度、纬度、汽车的行驶时间和汽车的行驶方向。
一种可能的设计中，接收模块501，具体用于接收来自汽车的多条行驶轨迹的位置信息。
一种可能的设计中，处理模块502，还用于对每条行驶轨迹的多组位置信息进行筛选处理。
一种可能的设计中，处理模块502，还用于对每条行驶轨迹的多组位置信息中的无效位置信息进行删除；和/或处理模块502，还用于对每条行驶轨迹的多组位置信息中发生漂移的位置信息进行处理。
一种可能的设计中，处理模块502，还用于如果某一组位置信息中存在空值，服务器删除空值所在的位置信息；和/或处理模块502，还用于如果多组相邻的位置信息中汽车的车速一直为0，则保留多组相邻的位置信息中的第一组位置信息和最后一组位置信息；其中，多组相邻的位置信息中的汽车的行驶时间相邻。
一种可能的设计中，处理模块502，还用于获取汽车的启停时间，根据汽车的启停时间，确定每条行驶轨迹对应的位置信息。
一种可能的设计中，处理模块502，还用于根据行驶轨迹的位置信息的经度和纬度，计算行驶轨迹的轨迹长度。
一种可能的设计中，处理模块502，还用于根据动态时间归整DTW算法对任两条行驶轨迹的位置信息进行处理；处理模块502，还用于根据处理结果和任两条行驶轨迹的轨迹长度，得到任两条行驶轨迹之间的轨迹相似度。
一种可能的设计中，处理模块502，还用于根据任两条行驶轨迹之间的轨迹相似度，构建汽车的轨迹相似度矩阵；处理模块502，还用于对轨迹相似度矩阵进行特征提取；处理模块502，还用于对特征提取后的结果进行数据聚类，得到汽车的出行规律。
一种可能的设计中，轨迹相似度矩阵为：M＝[S(Pi,Pj)]；(1≤i≤n，1≤j≤n)
其中，M为n*n-1的轨迹相似度矩阵；n为行驶轨迹的数目；S(Pi,Pj)表示行驶轨迹Pi与行驶轨迹Pj之间的轨迹相似度。
一种可能的设计中，处理模块502，还用于根据核主成分分析KPCA算法对轨迹相似度矩阵进行特征提取。
一种可能的设计中，汽车的出行规律包括以下中的一种或多种：行驶轨迹类型、行驶轨迹类型对应的概率、行驶轨迹类型对应的时间、驾驶行为的类型、驾驶行为对应的概率、汽车所属的类别。
一种可能的设计中，处理模块502，还用于根据汽车的出行规律，为汽车预测目的地、预测道路拥堵情况、规划路线、推送个性化服务和/或用于计算基于驾驶行为的UBI保险报价。
一种可能的设计中，处理模块502，还用于根据多个汽车的出行规律，预测道路拥堵情况；处理模块502，还用于根据道路拥堵情况，向多个汽车中的至少一个汽车发送指示信息；其中，指示信息用于指示汽车更换行驶路线。
作为又一种可实现方式，图5中的接收模块501可以由收发器代替，处理模块502可以由处理器代替，该收发器可以继承接收模块501的功能，该处理器可以继承处理模块502的功能。进一步的，图5所示服务器50还可以包括存储器。当接收模块501由收发器代替，处理模块502由处理器代替时，本申请实施例所涉及的处理器50可以为图2所示通信装置。
本申请实施例还提供了一种服务器的组成示意图，如图6所示，通信装置60包括处理器601和接口电路602。处理器601和接口电路602之间相互耦合。可以理解的是，接口电路602可以为收发器或输入输出接口。可选的，通信装置60还可以包括存储器603，用于存储处理器601执行的指令或存储处理器601运行指令所需要的输入数据或存储处理器601运行指令后产生的数据。
当通信装置60用于实现图3或图4所示的方法时，处理器601用于实现上述处理模块502的功能，接口电路602用于实现上述接收模块501的功能。
本申请实施例还提供了一种计算机可读存储介质。上述方法实施例中的全部或者部分流程可以由计算机程序来指令相关的硬件完成，该程序可存储于上述计算机可读存储介质中，该程序在执行时，可包括如上述各方法实施例的流程。计算机可读存储介质可以是前述任一实施例的终端(包括数据发送端和/或数据接收端)的内部存储单元，例如终端的硬盘或内存。上述计算机可读存储介质也可以是上述终端的外部存储设备，例如上述终端上配备的插接式硬盘，智能存储卡(smart media card,SMC)，安全数字(secure digital,SD)卡，闪存卡(flash card)等。进一步地，上述计算机可读存储介质还可以既包括上述终端的内部存储单元也包括外部存储设备。上述计算机可读存储介质用于存储上述计算机程序以及上述终端所需的其他程序和数据。上述计算机可读存储介质还可以用于暂时地存储已经输出或者将要输出的数据。
需要说明的是，本申请的说明书、权利要求书及附图中的术语“第一”和“第二”等是用于区别不同对象，而不是用于描述特定顺序。此外，术语“包括”和“具有”以及它们任何变形，意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元，而是可选地还包括没有列出的步骤或单元，或可选地还包括对于这些过程、方法、产品或设备固有的其它步骤或单元。
应当理解，在本申请中，“至少一个(项)”是指一个或者多个，“多个”是指两个或两个以上，“至少两个(项)”是指两个或三个及三个以上，“和/或”，用于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：只存在A，只存在B以及同时存在A和B三种情况，其中A，B可以是单数或者复数。字符“/”一般表示前后关联对象是一种“或”的关系。“以下至少一项(个)”或其类似表达，是指这些项中的任意组合，包括单项(个)或复数项(个)的任意组合。例如，a，b或c中的至少一项(个)，可以表示：a，b，c，“a和b”，“a和c”，“b和c”，或“a和b和c”，其中a，b，c可以是单个，也可以是多个。
通过以上的实施方式的描述，所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，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，即将装置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。
在本申请所提供的几个实施例中，应该理解到，所揭露的装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个装置，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是一个物理单元或多个物理单元，即可以位于一个地方，或者也可以分布到多个不同地方。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个可读取存储介质中。基于这样的理解，本申请实施例的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该软件产品存储在一个存储介质中，包括若干指令用以使得一个设备(可以是单片机，芯片等)或处理器(processor)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述，仅为本申请的具体实施方式，但本申请的保护范围并不局限于此，任何在本申请揭露的技术范围内的变化或替换，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应以权利要求的保护范围为准。

Claims (19)

1.一种汽车出行规律的分析方法，其特征在于，包括：
服务器获取汽车的多条行驶轨迹的位置信息；其中，每条行驶轨迹包括所述汽车的多个行驶点，所述行驶轨迹的位置信息包括每个行驶点的位置信息；
所述服务器根据所述每条行驶轨迹的位置信息和所述每条行驶轨迹的轨迹长度，确定所述多条行驶轨迹中任两条行驶轨迹之间的轨迹相似度；
所述服务器根据所述任两条行驶轨迹之间的轨迹相似度，得到所述汽车的出行规律。
2.根据权利要求1所述的方法，其特征在于，
所述行驶点的位置信息包括：经度、纬度、所述汽车的行驶时间和所述汽车的行驶方向。
3.根据权利要求1或2所述的方法，其特征在于，所述服务器获取所述汽车的多条行驶轨迹的位置信息，包括：
所述服务器接收来自所述汽车的多条行驶轨迹的位置信息。
4.根据权利要求1或2所述的方法，其特征在于，所述服务器根据所述每条行驶轨迹的位置信息和所述每条行驶轨迹的轨迹长度，确定所述多条行驶轨迹中任两条行驶轨迹之间的轨迹相似度之前，所述方法还包括：
所述服务器对所述每条行驶轨迹的多组位置信息进行筛选处理。
5.根据权利要求4所述的方法，其特征在于，所述服务器对所述每条行驶轨迹的多组位置信息进行筛选处理，包括：
所述服务器对所述每条行驶轨迹的多组位置信息中的无效位置信息进行删除；和/或
所述服务器对所述每条行驶轨迹的多组位置信息中发生漂移的位置信息进行处理。
6.根据权利要求5所述的方法，其特征在于，所述服务器对所述每条行驶轨迹的多组位置信息中的无效位置信息进行删除，包括：
如果某一组位置信息中存在空值，所述服务器删除所述空值所在的位置信息；和/或
如果多组相邻的位置信息中汽车的车速一直为0，则保留所述多组相邻的位置信息中的第一组位置信息和最后一组位置信息；其中，所述多组相邻的位置信息中的所述汽车的行驶时间相邻。
7.根据权利要求1-6任一项所述的方法，其特征在于，所述服务器获取汽车的多条行驶轨迹的位置信息，包括：
所述服务器获取所述汽车的启停时间，根据所述汽车的启停时间，确定所述每条行驶轨迹对应的位置信息。
8.根据权利要求2-7任一项所述的方法，其特征在于，所述方法还包括：
所述服务器根据所述行驶轨迹的位置信息的经度和纬度，计算所述行驶轨迹的轨迹长度。
9.根据权利要求1-8任一项所述的方法，其特征在于，所述服务器根据所述每条行驶轨迹的位置信息和所述每条行驶轨迹的轨迹长度，确定所述多条行驶轨迹中任两条行驶轨迹之间的轨迹相似度，包括：
所述服务器根据动态时间归整DTW算法对所述任两条行驶轨迹的位置信息进行处理；
所述服务器根据处理结果和所述任两条行驶轨迹的轨迹长度，得到所述任两条行驶轨迹之间的轨迹相似度。
10.根据权利要求1-9任一项所述的方法，其特征在于，所述服务器根据所述任两条行驶轨迹之间的轨迹相似度，得到所述汽车的出行规律，包括：
所述服务器根据所述任两条行驶轨迹之间的轨迹相似度，构建所述汽车的轨迹相似度矩阵；
所述服务器对所述轨迹相似度矩阵进行特征提取；
所述服务器对所述特征提取后的结果进行数据聚类，得到所述汽车的出行规律。
11.根据权利要求10所述的方法，其特征在于，
所述轨迹相似度矩阵为：M＝[S(Pi,Pj)]；(1≤i≤n，1≤j≤n)
其中，所述M为n*n-1的轨迹相似度矩阵；所述n为行驶轨迹的数目；所述S(Pi,Pj)表示行驶轨迹Pi与行驶轨迹Pj之间的轨迹相似度。
12.根据权利要求10或11所述的方法，其特征在于，所述服务器对所述轨迹相似度矩阵进行特征提取，包括：
所述服务器根据核主成分分析KPCA算法对所述轨迹相似度矩阵进行特征提取。
13.根据权利要求1-12任一项所述的方法，其特征在于，所述汽车的出行规律包括以下中的一种或多种：行驶轨迹类型、所述行驶轨迹类型对应的概率、所述行驶轨迹类型对应的时间、驾驶行为的类型、所述驾驶行为对应的概率、所述汽车所属的类别。
14.根据权利要求1-13任一项所述的方法，其特征在于，所述方法还包括：
所述服务器根据所述汽车的出行规律，为所述汽车预测目的地、预测道路拥堵情况、规划路线、推送个性化服务和/或用于计算基于驾驶行为的UBI保险报价。
15.根据权利要求1-14任一项所述的方法，其特征在于，所述方法还包括：
所述服务器根据多个汽车的出行规律，预测道路拥堵情况；
所述服务器根据所述道路拥堵情况，向所述多个汽车中的至少一个汽车发送指示信息；其中，所述指示信息用于指示所述汽车更换行驶路线。
16.一种服务器，其特征在于，所述服务器包括一个或多个处理器、收发器；所述一个或多个处理器、所述收发器支持所述服务器执行如权利要求1-15任一项所述的汽车出行规律的分析方法。
17.一种服务器，其特征在于，所述服务器包括：处理器以及接口电路；其中，所述处理器通过所述接口电路与存储器耦合，所述处理器用于执行该存储器中的程序代码，支持所述服务器执行如权利要求1-15任一项所述的汽车出行规律的分析方法。
18.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机指令或程序，当计算机指令或程序在计算机上运行时，使得计算机执行如权利要求1-15任一项所述的汽车出行规律的分析方法。
19.一种通信系统，其特征在于，通信系统包括：服务器和汽车；
所述服务器，用于获取汽车的多条行驶轨迹的位置信息；其中，每条行驶轨迹包括所述汽车的多个行驶点，所述行驶轨迹的位置信息包括每个行驶点的位置信息；所述服务器根据所述每条行驶轨迹的位置信息和所述每条行驶轨迹的轨迹长度，确定所述多条行驶轨迹中任两条行驶轨迹之间的轨迹相似度；所述服务器根据所述任两条行驶轨迹之间的轨迹相似度，得到所述汽车的出行规律；
所述汽车，用于向所述服务器发送所述汽车的多条行驶轨迹的位置信息。
CN202080004860.6A 2020-03-31 2020-03-31 汽车出行规律的分析方法、服务器及系统 Pending CN112639764A (zh)

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
PCT/CN2020/082633 WO2021196049A1 (zh) 2020-03-31 2020-03-31 汽车出行规律的分析方法、服务器及系统

Publications (1)

Publication Number Publication Date
CN112639764A true CN112639764A (zh) 2021-04-09

Family

ID=75291254

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202080004860.6A Pending CN112639764A (zh) 2020-03-31 2020-03-31 汽车出行规律的分析方法、服务器及系统

Country Status (2)

Country Link
CN (1) CN112639764A (zh)
WO (1) WO2021196049A1 (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115402057A (zh) * 2022-10-31 2022-11-29 长城汽车股份有限公司 一种空调调节方法、服务器、终端及系统

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102629297A (zh) * 2012-03-06 2012-08-08 北京建筑工程学院 一种基于行程识别的出行者活动规律分析方法
US20130054127A1 (en) * 2011-08-29 2013-02-28 Denso Corporation Vehicular Wireless Communication Apparatus And Communication System
CN107038168A (zh) * 2016-02-03 2017-08-11 中兴通讯股份有限公司 一种用户通勤轨迹管理方法、装置及系统
CN108647735A (zh) * 2018-05-15 2018-10-12 广州杰赛科技股份有限公司 用户出行规律分析方法、装置、设备及存储介质

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106114507B (zh) * 2016-06-21 2018-04-03 百度在线网络技术（北京）有限公司 用于智能车辆的局部轨迹规划方法和装置
CN108806301B (zh) * 2018-04-18 2021-02-26 上海城市交通设计院有限公司 一种公交车辆信息的自动识别方法
CN109029485A (zh) * 2018-08-21 2018-12-18 北京深瞐科技有限公司 车辆行驶轨迹确定方法及装置
CN110097074B (zh) * 2019-03-19 2021-06-22 中国科学院信息工程研究所 一种基于序列相似度的车辆轨迹压缩方法
CN109887288B (zh) * 2019-03-27 2021-06-15 江苏智通交通科技有限公司 一种基于出行结构的城市路网诱导方案发布方法和系统

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20130054127A1 (en) * 2011-08-29 2013-02-28 Denso Corporation Vehicular Wireless Communication Apparatus And Communication System
CN102629297A (zh) * 2012-03-06 2012-08-08 北京建筑工程学院 一种基于行程识别的出行者活动规律分析方法
CN107038168A (zh) * 2016-02-03 2017-08-11 中兴通讯股份有限公司 一种用户通勤轨迹管理方法、装置及系统
CN108647735A (zh) * 2018-05-15 2018-10-12 广州杰赛科技股份有限公司 用户出行规律分析方法、装置、设备及存储介质

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115402057A (zh) * 2022-10-31 2022-11-29 长城汽车股份有限公司 一种空调调节方法、服务器、终端及系统

Also Published As

Publication number Publication date
WO2021196049A1 (zh) 2021-10-07

Similar Documents

Publication Publication Date Title
US20240121583A1 (en) Devices and methods for updating maps in autonomous driving systems in bandwidth constrained networks
Rahim et al. Vehicular social networks: A survey
Lin et al. A survey of smart parking solutions
US20190138007A1 (en) Methods and apparatus to update autonomous vehicle perspectives
Paul et al. Intelligent vehicular networks and communications: fundamentals, architectures and solutions
JP2019016351A (ja) 歩行者安全メッセージに基づく人密度推定
Pillmann et al. Car-to-cloud communication traffic analysis based on the common vehicle information model
Ho et al. Efficient 3D road map data exchange for intelligent vehicles in vehicular fog networks
US20220227360A1 (en) Distributed method and system for collision avoidance between vulnerable road users and vehicles
CN101329814A (zh) 一种公共交通信息无线查询系统
US20210233395A1 (en) Differentially private solution for traffic monitoring
Yang et al. Generating routes for autonomous driving in vehicle-to-infrastructure communications
Kezia et al. Mobility models for internet of vehicles: a survey
Chen et al. Location prediction for large scale urban vehicular mobility
Joubari et al. Markov chain mobility model for multi-lane highways
de Almeida et al. Doctrams: a decentralized and offline community-based traffic monitoring system
Yang et al. Dependable and reliable cloud‐based architectures for vehicular communications: A systematic literature review
Gui et al. Taxi Efficiency Measurements Based on Motorcade‐Sharing Model: Evidence from GPS‐Equipped Taxi Data in Sanya
CN112639764A (zh) 汽车出行规律的分析方法、服务器及系统
Abhale et al. Intelligence transportation service using vehicular cloud network
US11823565B2 (en) System and method for vehicle queue length detection in a connected vehicle infrastructure environment
Jomrich Dynamic maps for highly automated driving-generation, distribution and provision
Obias et al. Extracting vehicular mobility dynamics from taxi fleet trajectories
Benzagouta et al. Impact of Speed Limitation on Urban Road Traffic
Zhang A pervasive prediction model for vehicular Ad-hoc network (VANET)

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