CN112686444B - 基于相似车辆行驶特征数据的货车路线规划方法及装置 - Google Patents
基于相似车辆行驶特征数据的货车路线规划方法及装置 Download PDFInfo
- Publication number
- CN112686444B CN112686444B CN202011602224.1A CN202011602224A CN112686444B CN 112686444 B CN112686444 B CN 112686444B CN 202011602224 A CN202011602224 A CN 202011602224A CN 112686444 B CN112686444 B CN 112686444B
- Authority
- CN
- China
- Prior art keywords
- route
- vehicle
- type
- data
- vehicles
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 55
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 14
- 230000006870 function Effects 0.000 claims description 22
- 238000004590 computer program Methods 0.000 claims description 11
- 238000012163 sequencing technique Methods 0.000 claims description 10
- 230000002194 synthesizing effect Effects 0.000 claims description 5
- 239000000758 substrate Substances 0.000 claims 2
- 230000008901 benefit Effects 0.000 description 5
- 238000004891 communication Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000004134 energy conservation Methods 0.000 description 1
- 238000000802 evaporation-induced self-assembly Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Landscapes
- Traffic Control Systems (AREA)
Abstract
本申请提出一种基于相似车辆行驶特征数据的货车路线规划方法、装置、电子设备及存储介质，所述方法包括如下步骤：基于全量货车属性数据，采用KMeans算法进行聚类，将全部货车划分为不同类别；基于全量货车实时轨迹数据，对每类车辆在全国各路线的行驶次数进行KMeans聚类，使各路线根据行驶次数被划分到多个类中；对路线的限速值和行驶次数进行加权排序，生成每种类型车辆新的路线类型数据；根据车辆长宽高、载重、轴数为车辆选择不同类型的路线类别，并基于所述路线类别的权重函数选择总权值最小的路线，作为所述车辆的规划路线。本申请通过全量货车实际行驶轨迹，作为关键路线规划特征，为用户推荐适合自己车辆行驶的路线。
Description
技术领域
本申请属于交通技术领域，具体涉及一种基于相似车辆行驶特征数据的货车路线规划方法、装置、电子设备及存储介质。
背景技术
目前主流的互联网货车导航方案，是通过采集道路限高、限重、限时等信息，结合路线联通性，路线限速值等数据，通过路线规划算法生成路线的。但由于缺乏实际货车的完整行驶数据，不能充分捕获货车在道路上的行驶规律，因此在不同备选路线距离、限速、限重相似的情况下，如何更好的选择路线，还缺乏足够的依据。
发明内容
本申请第一方面实施例提出了一种基于相似车辆行驶特征数据的货车路线规划方法，所述方法包括如下步骤：
基于全量货车属性数据，采用KMeans算法进行聚类，将全部货车划分为不同类别；
基于全量货车实时轨迹数据，对每类车辆在全国各路线的行驶次数进行KMeans聚类，使各路线根据行驶次数被划分到多个类中；
对路线的限速值和行驶次数进行加权排序，生成每种类型车辆新的路线类型数据；
根据车辆长宽高、载重、轴数为车辆选择不同类型的路线类别，并基于所述路线类别的权重函数选择总权值最小的路线，作为所述车辆的规划路线。
进一步地，所述基于全量货车属性数据，采用KMeans算法进行聚类，将全部货车划分为不同类别，包括：
根据货车长、宽、高、载重、轴数，对全量货车数据，采用KMeans算法进行聚类；
根据轮廓系数确定聚类规则；
将所有车辆分成多个类，使确定长宽高、载重、轴数的车辆都划分在确定的类别中。
进一步地，所述基于全量货车实时轨迹数据，对每类车辆在全国各路线的行驶次数进行KMeans聚类，使各路线根据行驶次数被划分到多个类中，包括：
遍历每一类车辆，统计预设时间段内，全国每条路上每类车辆的行驶次数；
对于每一类车辆，统计该类车辆在预设时间段内经过的路线的本类车辆数；
统计全国路线数据的限速类型，设类型数为N；
对每类车辆在全国各路线的行驶次数进行KMeans聚类，使各路线根据行驶次数被划分到N个类中。
进一步地，所述对路线的限速值和行驶次数进行加权排序，生成每种类型车辆新的路线类型数据，包括：
将路线限速类型根据限速值从大到小排序，并根据行驶次数类型进行由多到少排序，综合两种排序结果，生成每种类型车辆新的路线类型数据。
进一步地，所述综合两种排序结果的方式为：假设路线按照限速类别从大到小排序后，路线L在排序中的序号为M，权重为w1；各路线按照车辆数类别从大到小排序后，路线L在排序中的序号为N，权重为w2，则该路线L综合排序的类别是M*w1+N*w2的值取整。
进一步地，所述根据车辆长宽高、载重、轴数为车辆选择不同类型的路线类别，并基于所述路线类别的权重函数选择总权值最小的路线，作为所述车辆的规划路线，包括：
根据长宽高、载重、轴数，确定车辆的类别；
选择该类别车辆的路线数据；
构建路线权值函数，并基于该类别的权值函数选择总权值最小的路线。
进一步地，所述路线权值函数为：f(x)＝k*length(x)*level(x,N)，k为一个常数，x表示每条路线，length(x)为该路线的长度，level(x,N)为上述类别的影响函数。
本申请第二方面的实施例提供了一种基于相似车辆行驶特征数据的货车路线规划装置，所述装置包括如下模块：
第一聚类模块，基于全量货车属性数据，采用KMeans算法进行聚类，将全部货车划分为不同类别；
第二聚类模块，基于全量货车实时轨迹数据，对每类车辆在全国各路线的行驶次数进行KMeans聚类，使各路线根据行驶次数被划分到多个类中；
加权排序模块，用于对路线的限速值和行驶次数进行加权排序，生成每种类型车辆新的路线类型数据；
路线规划模块，用于根据车辆长宽高、载重、轴数为车辆选择不同类型的路线类别，并基于所述路线类别的权重函数选择总权值最小的路线，作为所述车辆的规划路线。
本申请第三方面的实施例提供了一种电子设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器运行所述计算机程序以实现上述第一方面所述的方法。
本申请第四方面的实施例提供了一种计算机可读存储介质，其上存储有计算机程序，所述程序被处理器执行实现上述第一方面所述的方法。
本申请实施例中提供的技术方案，至少具有如下技术效果或优点：
本申请提出一种基于相似车辆行驶特征数据的货车路线规划方法、装置、电子设备及存储介质，提供了一种在标准路线数据的基础上，通过全量货车实际行驶轨迹，作为关键路线规划特征，为用户推荐适合自己车辆行驶的路线，从而起到管控城市交通，减少道路拥堵，提高运输效率，节能减排的作用。
本申请附加的方面和优点将在下面的描述中部分给出，部分将从下面的描述中变的明显，或通过本申请的实践了解到。
附图说明
通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本申请的限制。而且在整个附图中，用相同的参考符号表示相同的部件。在附图中：
图1示出了本申请一实施例所提供的一种基于相似车辆行驶特征数据的货车路线规划方法的流程图；
图2示出了本申请一实施例所提供的数据建模流程图；
图3示出了本申请一实施例所提供的路线规划流程图；
图4示出了本申请一实施例所提供的一种基于相似车辆行驶特征数据的货车路线规划装置的结构示意图；
图5示出了本申请一实施例所提供的一种电子设备的结构示意图；
图6示出了本申请一实施例所提供的一种存储介质的示意图。
具体实施方式
下面将参照附图更详细地描述本申请的示例性实施方式。虽然附图中显示了本申请的示例性实施方式，然而应当理解，可以以各种形式实现本申请而不应被这里阐述的实施方式所限制。相反，提供这些实施方式是为了能够更透彻地理解本申请，并且能够将本申请的范围完整的传达给本领域的技术人员。
需要注意的是，除非另有说明，本申请使用的技术术语或者科学术语应当为本申请所属领域技术人员所理解的通常意义。
下面结合附图来描述根据本申请实施例提出的一种基于相似车辆行驶特征数据的货车路线规划方法、装置、电子设备及存储介质。
本申请提出一种基于相似车辆行驶特征数据的货车路线规划方法、装置、电子设备及存储介质，提供了一种在标准路线数据的基础上，通过全量货车实际行驶轨迹，作为关键路线规划特征，为用户推荐适合自己车辆行驶的路线的方法，从而起到管控城市交通，减少道路拥堵，提高运输效率，节能减排的作用。
参见图1，该方法具体包括以下步骤；
步骤S1：基于全量货车属性数据，采用KMeans算法进行聚类，将全部货车划分为不同类别。
步骤S2：基于全量货车实时轨迹数据，对每类车辆在全国各路线的行驶次数进行KMeans聚类，使各路线根据行驶次数被划分到多个类中。
步骤S3：对路线的限速值和行驶次数进行加权排序，生成每种类型车辆新的路线类型数据。
步骤S4：根据车辆长宽高、载重、轴数为车辆选择不同类型的路线类别，并基于该类别的权重函数选择总权值最小的路线，作为该车辆的规划路线。
上述全量货车属性数据和全量货车实时轨迹数据可以取自公开免费数据库来源，也可以从图商处购买，一般采用最近一年的数据。
如图2所示，以下为实现步骤S1、S2、S3的具体步骤，其中：
步骤S1包括：
S11、根据货车长、宽、高、载重、轴数等数据，对全量货车数据，采用KMeans算法进行聚类；
S12、根据轮廓系数确定聚类规则；
S13、将所有车辆分成多个类，使确定长宽高、载重、轴数的车辆都会被划分在确定的类别中。
步骤S2包括：
S21、遍历每一类车辆，统计近一段时间(可选为一周)内，全国每条路上，每类车辆的行驶次数；
S22、对于每一类车辆，统计该类车辆近期经过的路线的本类车辆数；
S23、统计全国路线数据的限速类型，设类型数为N。
S24、对每类车辆在全国各路线的行驶次数进行KMeans聚类，根据聚类结果，使各路线根据行驶次数被划分到N个类中。
步骤S3包括：
将路线限速类型根据限速值从大到小排序，并根据行驶次数类型进行由多到少排序，综合两种排序结果，生成该类型车辆新的路线类型数据。对每一个车辆类型，使其对应的全国路线生成新的N个类别。
假设路线按照限速类别从大到小排序后，路线L在排序中的序号为M，权重为w1。各路线按照车辆数类别从大到小排序后，路线L在排序中的序号为N，权重为w2，则该路线综合排序的类别是M*w1+N*w2的值取整。
举例来说，本申请中的类别个数为10，权重w1为0.7，权重w2为0.3，路线L的类别按照限速类别排序是类别3，按照车辆数排序的类别是类别8，则最终类别是3*0.7+8*0.3＝4.5，取整后的类别就是4。
如图3所示，以下为实现步骤S4的具体步骤，包括：
S41、根据长宽高、载重、轴数，确定该车辆的类别；
S42、选择该类型车辆的路线数据；
S43、设计一种路线权值计算方法，令权值f(x)＝k*length(x)*level(x,N)，k为一个常数，x表示每条路线，length(x)为该路线的长度，level(x,N)为上述类别的影响函数，对于类型级别越高的路线，level(x,N)的值越小。
S44、基于该类别的权值函数选择总权值最小的路线。
申请实施例提供了一种基于相似车辆行驶特征数据的货车路线规划装置，该装置用于执行上述实施例所述的基于相似车辆行驶特征数据的货车路线规划方法，如图4所示，该装置包括如下模块：
第一聚类模块501，基于全量货车属性数据，采用KMeans算法进行聚类，将全部货车划分为不同类别；
第二聚类模块502，基于全量货车实时轨迹数据，对每类车辆在全国各路线的行驶次数进行KMeans聚类，使各路线根据行驶次数被划分到多个类中；
加权排序模块503，用于对路线的限速值和行驶次数进行加权排序，生成每种类型车辆新的路线类型数据；
路线规划模块504，用于根据车辆长宽高、载重、轴数为车辆选择不同类型的路线类别，并基于所述路线类别的权重函数选择总权值最小的路线，作为所述车辆的规划路线。
本申请的上述实施例提供的基于相似车辆行驶特征数据的货车路线规划装置与本申请实施例提供的基于相似车辆行驶特征数据的货车路线规划方法出于相同的发明构思，具有与其存储的应用程序所采用、运行或实现的方法相同的有益效果。
本申请实施方式还提供一种与前述实施方式所提供的基于相似车辆行驶特征数据的货车路线规划方法对应的电子设备，以执行上基于相似车辆行驶特征数据的货车路线规划方法。本申请实施例不做限定。
请参考图5，其示出了本申请的一些实施方式所提供的一种电子设备的示意图。如图5所示，所述电子设备2包括：处理器200，存储器201，总线202和通信接口203，所述处理器200、通信接口203和存储器201通过总线202连接；所述存储器201中存储有可在所述处理器200上运行的计算机程序，所述处理器200运行所述计算机程序时执行本申请前述任一实施方式所提供的基于相似车辆行驶特征数据的货车路线规划方法。
其中，存储器201可能包含高速随机存取存储器(RAM：Random Access Memory)，也可能还包括非不稳定的存储器(non-volatile memory)，例如至少一个磁盘存储器。通过至少一个通信接口203(可以是有线或者无线)实现该系统网元与至少一个其他网元之间的通信连接，可以使用互联网、广域网、本地网、城域网等。
总线202可以是ISA总线、PCI总线或EISA总线等。所述总线可以分为地址总线、数据总线、控制总线等。其中，存储器201用于存储程序，所述处理器200在接收到执行指令后，执行所述程序，前述本申请实施例任一实施方式揭示的所述基于相似车辆行驶特征数据的货车路线规划方法可以应用于处理器200中，或者由处理器200实现。
处理器200可能是一种集成电路芯片，具有信号的处理能力。在实现过程中，上述方法的各步骤可以通过处理器200中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器200可以是通用处理器，包括中央处理器(Central Processing Unit，简称CPU)、网络处理器(Network Processor，简称NP)等；还可以是数字信号处理器(DSP)、专用集成电路(ASIC)、现成可编程门阵列(FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本申请实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本申请实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成，或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器，闪存、只读存储器，可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器201，处理器200读取存储器201中的信息，结合其硬件完成上述方法的步骤。
本申请实施例提供的电子设备与本申请实施例提供的基于相似车辆行驶特征数据的货车路线规划方法出于相同的发明构思，具有与其采用、运行或实现的方法相同的有益效果。
本申请实施方式还提供一种与前述实施方式所提供的基于相似车辆行驶特征数据的货车路线规划方法对应的计算机可读存储介质，请参考图6，其示出的计算机可读存储介质为光盘30，其上存储有计算机程序(即程序产品)，所述计算机程序在被处理器运行时，会执行前述任意实施方式所提供的基于相似车辆行驶特征数据的货车路线规划方法。
需要说明的是，所述计算机可读存储介质的例子还可以包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他光学、磁性存储介质，在此不再一一赘述。
本申请的上述实施例提供的计算机可读存储介质与本申请实施例提供的基于相似车辆行驶特征数据的货车路线规划方法出于相同的发明构思，具有与其存储的应用程序所采用、运行或实现的方法相同的有益效果。
需要说明的是：
在此提供的算法和显示不与任何特定计算机、虚拟装置或者其它设备有固有相关。各种通用装置也可以与基于在此的示教一起使用。根据上面的描述，构造这类装置所要求的结构是显而易见的。此外，本申请也不针对任何特定编程语言。应当明白，可以利用各种编程语言实现在此描述的本申请的内容，并且上面对特定语言所做的描述是为了披露本申请的最佳实施方式。
在此处所提供的说明书中，说明了大量具体细节。然而，能够理解，本申请的实施例可以在没有这些具体细节的情况下实践。在一些实例中，并未详细示出公知的方法、结构和技术，以便不模糊对本说明书的理解。
类似地，应当理解，为了精简本申请并帮助理解各个发明方面中的一个或多个，在上面对本申请的示例性实施例的描述中，本申请的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。然而，并不应将该公开的方法解释成反映如下意图：即所要求保护的本申请要求比在每个权利要求中所明确记载的特征更多的特征。更确切地说，如下面的权利要求书所反映的那样，发明方面在于少于前面公开的单个实施例的所有特征。因此，遵循具体实施方式的权利要求书由此明确地并入该具体实施方式，其中每个权利要求本身都作为本申请的单独实施例。
本领域那些技术人员可以理解，可以对实施例中的设备中的模块进行自适应性地改变并且把它们设置在与该实施例不同的一个或多个设备中。可以把实施例中的模块或单元或组件组合成一个模块或单元或组件，以及此外可以把它们分成多个子模块或子单元或子组件。除了这样的特征和/或过程或者单元中的至少一些是相互排斥之外，可以采用任何组合对本说明书(包括伴随的权利要求、摘要和附图)中公开的所有特征以及如此公开的任何方法或者设备的所有过程或单元进行组合。除非另外明确陈述，本说明书(包括伴随的权利要求、摘要和附图)中公开的每个特征可以由提供相同、等同或相似目的的替代特征来代替。
此外，本领域的技术人员能够理解，尽管在此所述的一些实施例包括其它实施例中所包括的某些特征而不是其它特征，但是不同实施例的特征的组合意味着处于本申请的范围之内并且形成不同的实施例。例如，在下面的权利要求书中，所要求保护的实施例的任意之一都可以以任意的组合方式来使用。
本申请的各个部件实施例可以以硬件实现，或者以在一个或者多个处理器上运行的软件模块实现，或者以它们的组合实现。本领域的技术人员应当理解，可以在实践中使用微处理器或者数字信号处理器(DSP)来实现根据本申请实施例的虚拟机的创建装置中的一些或者全部部件的一些或者全部功能。本申请还可以实现为用于执行这里所描述的方法的一部分或者全部的设备或者装置程序(例如，计算机程序和计算机程序产品)。这样的实现本申请的程序可以存储在计算机可读介质上，或者可以具有一个或者多个信号的形式。这样的信号可以从因特网网站上下载得到，或者在载体信号上提供，或者以任何其他形式提供。
应该注意的是上述实施例对本申请进行说明而不是对本申请进行限制，并且本领域技术人员在不脱离所附权利要求的范围的情况下可设计出替换实施例。在权利要求中，不应将位于括号之间的任何参考符号构造成对权利要求的限制。单词“包含”不排除存在未列在权利要求中的元件或步骤。位于元件之前的单词“一”或“一个”不排除存在多个这样的元件。本申请可以借助于包括有若干不同元件的硬件以及借助于适当编程的计算机来实现。在列举了若干装置的单元权利要求中，这些装置中的若干个可以是通过同一个硬件项来具体体现。单词第一、第二、以及第三等的使用不表示任何顺序。可将这些单词解释为名称。
以上所述，仅为本申请较佳的具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到的变化或替换，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所述权利要求的保护范围为准。
Claims (7)
1.一种基于相似车辆行驶特征数据的货车路线规划方法，其特征在于，所述方法包括如下步骤：
基于全量货车属性数据，采用KMeans算法进行聚类，将全部货车划分为不同类别；
基于全量货车实时轨迹数据，对每类车辆在全国各路线的行驶次数进行KMeans聚类，使各路线根据行驶次数被划分到多个类中，包括：遍历每一类车辆，统计预设时间段内，全国每条路上每类车辆的行驶次数；对于每一类车辆，统计该类车辆在预设时间段内经过的路线的本类车辆数；统计全国路线数据的限速类型，设类型数为N；对每类车辆在全国各路线的行驶次数进行KMeans聚类，使各路线根据行驶次数被划分到N个类中；
对路线的限速值和行驶次数进行加权排序，生成每种类型车辆新的路线类型数据；
根据车辆长宽高、载重、轴数为车辆选择不同类型的路线类别，并基于所述路线类别的权重函数选择总权值最小的路线，作为所述车辆的规划路线，包括：根据长宽高、载重、轴数，确定车辆的类别；选择该类别车辆的路线数据；构建路线权值函数，并基于该类别的权值函数选择总权值最小的路线；所述路线权值函数为：f(x)＝k*length(x)*level(x,N)，k为一个常数，x表示每条路线，length(x)为该路线的长度，level(x,N)为上述类别的影响函数。
2.根据权利要求1所述的方法，其特征在于，
所述基于全量货车属性数据，采用KMeans算法进行聚类，将全部货车划分为不同类别，包括：
根据货车长、宽、高、载重、轴数，对全量货车数据，采用KMeans算法进行聚类；
根据轮廓系数确定聚类规则；
将所有车辆分成多个类，使确定长宽高、载重、轴数的车辆都划分在确定的类别中。
3.根据权利要求1所述的方法，其特征在于，
所述对路线的限速值和行驶次数进行加权排序，生成每种类型车辆新的路线类型数据，包括：
将路线限速类型根据限速值从大到小排序，并根据行驶次数类型进行由多到少排序，综合两种排序结果，生成每种类型车辆新的路线类型数据。
4.根据权利要求3所述的方法，其特征在于，
所述综合两种排序结果的方式为：假设路线按照限速类别从大到小排序后，路线L在排序中的序号为M，权重为w1；各路线按照车辆数类别从大到小排序后，路线L在排序中的序号为N，权重为w2，则该路线L综合排序的类别是M*w1+N*w2的值取整。
5.一种基于相似车辆行驶特征数据的货车路线规划装置，其特征在于，所述装置包括如下模块：
第一聚类模块，基于全量货车属性数据，采用KMeans算法进行聚类，将全部货车划分为不同类别；
第二聚类模块，基于全量货车实时轨迹数据，对每类车辆在全国各路线的行驶次数进行KMeans聚类，使各路线根据行驶次数被划分到多个类中，包括：遍历每一类车辆，统计预设时间段内，全国每条路上每类车辆的行驶次数；对于每一类车辆，统计该类车辆在预设时间段内经过的路线的本类车辆数；统计全国路线数据的限速类型，设类型数为N；对每类车辆在全国各路线的行驶次数进行KMeans聚类，使各路线根据行驶次数被划分到N个类中；
加权排序模块，用于对路线的限速值和行驶次数进行加权排序，生成每种类型车辆新的路线类型数据；
路线规划模块，用于根据车辆长宽高、载重、轴数为车辆选择不同类型的路线类别，并基于所述路线类别的权重函数选择总权值最小的路线，作为所述车辆的规划路线，包括：根据长宽高、载重、轴数，确定车辆的类别；选择该类别车辆的路线数据；构建路线权值函数，并基于该类别的权值函数选择总权值最小的路线；所述路线权值函数为：f(x)＝k*length(x)*level(x,N)，k为一个常数，x表示每条路线，length(x)为该路线的长度，level(x,N)为上述类别的影响函数。
6.一种电子设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器运行所述计算机程序以实现如权利要求1-4任一项所述的方法。
7.一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，所述程序被处理器执行实现如权利要求1-4中任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011602224.1A CN112686444B (zh) | 2020-12-29 | 2020-12-29 | 基于相似车辆行驶特征数据的货车路线规划方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011602224.1A CN112686444B (zh) | 2020-12-29 | 2020-12-29 | 基于相似车辆行驶特征数据的货车路线规划方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112686444A CN112686444A (zh) | 2021-04-20 |
| CN112686444B true CN112686444B (zh) | 2024-02-09 |
Family
ID=75454411
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011602224.1A Active CN112686444B (zh) | 2020-12-29 | 2020-12-29 | 基于相似车辆行驶特征数据的货车路线规划方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112686444B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116562598B (zh) * | 2023-07-07 | 2023-09-19 | 成都花娃网络科技有限公司 | 一种分销调度方法、装置及存储介质 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107818377A (zh) * | 2016-09-12 | 2018-03-20 | 法乐第(北京)网络科技有限公司 | 基于云计算平台的车辆全局优化控制方法、系统、车辆和云计算平台 |
| CN108180919A (zh) * | 2017-12-12 | 2018-06-19 | 沈阳美行科技有限公司 | 一种规划路线的优化方法及装置 |
| CN109829573A (zh) * | 2019-01-15 | 2019-05-31 | 宁波洁程汽车科技有限公司 | 一种融合用户驾驶习惯的智能路径规划方法 |
| CN110045734A (zh) * | 2019-04-04 | 2019-07-23 | 百度在线网络技术（北京）有限公司 | 基于路径规划的参数权重确定方法、装置和计算机设备 |
| CN110164162A (zh) * | 2019-05-23 | 2019-08-23 | 济南大学 | 一种特种车辆精细化引导系统及通行方法 |
| CN111667691A (zh) * | 2020-05-28 | 2020-09-15 | 杭州三一谦成科技有限公司 | 一种基于大数据公务车辆调控规划系统及方法 |
-
2020
- 2020-12-29 CN CN202011602224.1A patent/CN112686444B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107818377A (zh) * | 2016-09-12 | 2018-03-20 | 法乐第(北京)网络科技有限公司 | 基于云计算平台的车辆全局优化控制方法、系统、车辆和云计算平台 |
| CN108180919A (zh) * | 2017-12-12 | 2018-06-19 | 沈阳美行科技有限公司 | 一种规划路线的优化方法及装置 |
| CN109829573A (zh) * | 2019-01-15 | 2019-05-31 | 宁波洁程汽车科技有限公司 | 一种融合用户驾驶习惯的智能路径规划方法 |
| CN110045734A (zh) * | 2019-04-04 | 2019-07-23 | 百度在线网络技术（北京）有限公司 | 基于路径规划的参数权重确定方法、装置和计算机设备 |
| CN110164162A (zh) * | 2019-05-23 | 2019-08-23 | 济南大学 | 一种特种车辆精细化引导系统及通行方法 |
| CN111667691A (zh) * | 2020-05-28 | 2020-09-15 | 杭州三一谦成科技有限公司 | 一种基于大数据公务车辆调控规划系统及方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112686444A (zh) | 2021-04-20 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Arnold et al. | Simulation of B2C e-commerce distribution in Antwerp using cargo bikes and delivery points | |
| Cervero | Induced travel demand: Research design, empirical evidence, and normative policies | |
| US10502578B2 (en) | Methods and systems for efficient and timely transportation of heavy-duty trucks | |
| CN112785841B (zh) | 判断货车行驶路线拥堵状态的方法及装置 | |
| US8433511B2 (en) | Rush hour modeling for routing and scheduling | |
| CN110765615B (zh) | 物流仿真方法、装置及设备 | |
| CN112735129B (zh) | 货车停车调度的方法及装置 | |
| CN103630142A (zh) | 对地图数据进行处理以确定节能路线的方法和装置 | |
| US20220107786A1 (en) | Information processing device and information processing system | |
| CN111326015A (zh) | 一种停车点推荐方法及装置 | |
| CN112686444B (zh) | 基于相似车辆行驶特征数据的货车路线规划方法及装置 | |
| CN108268974A (zh) | 一种路径推荐的方法及装置 | |
| Kučera et al. | Design of the city logistics simulation model using PTV VISSIM software | |
| CN113222492A (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 | |
| CN113284343B (zh) | 一种基于智慧交通物联网的交通监测系统及方法 | |
| CN114821843B (zh) | 一种etc业务推荐方法和系统 | |
| CN110648008A (zh) | 路况预测方法和装置 | |
| CN109360019A (zh) | 一种个人车辆价格评估方法 | |
| CN111121803B (zh) | 获取道路常用停靠点的方法及装置 | |
| CN117807331A (zh) | 车辆旅程的起终点确定方法、装置及电子设备 | |
| JP2005189925A (ja) | 物流費予測装置と予測方法とそのためのプログラム | |
| CN114461933B (zh) | 基于周边搜索的车辆推荐方法、装置、设备及存储介质 | |
| CN115759642A (zh) | 一种车辆推荐方法、系统、设备和可读存储介质 | |
| CN117808388A (zh) | 车辆装卸货地点的确定方法、装置、设备及介质 | |
| CN109615187A (zh) | 一种od矩阵的评估方法、公交负载模拟方法及装置 |
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 |