CN112766578A - 一种基于车辆网的车辆用途识别方法、系统及存储介质 - Google Patents
一种基于车辆网的车辆用途识别方法、系统及存储介质 Download PDFInfo
- Publication number
- CN112766578A CN112766578A CN202110088380.9A CN202110088380A CN112766578A CN 112766578 A CN112766578 A CN 112766578A CN 202110088380 A CN202110088380 A CN 202110088380A CN 112766578 A CN112766578 A CN 112766578A
- Authority
- CN
- China
- Prior art keywords
- data set
- days
- driving
- vehicle
- data
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 25
- 238000012549 training Methods 0.000 claims abstract description 39
- 238000012360 testing method Methods 0.000 claims abstract description 28
- 230000009467 reduction Effects 0.000 claims abstract description 18
- 238000007477 logistic regression Methods 0.000 claims abstract description 10
- 238000012545 processing Methods 0.000 claims abstract description 8
- 230000006870 function Effects 0.000 claims abstract description 6
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 5
- 238000013507 mapping Methods 0.000 claims abstract description 4
- 230000000284 resting effect Effects 0.000 claims description 9
- 238000012827 research and development Methods 0.000 description 6
- 238000011161 development Methods 0.000 description 4
- 230000003137 locomotive effect Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000012795 verification Methods 0.000 description 3
- 230000006399 behavior Effects 0.000 description 2
- 238000003064 k means clustering Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 238000007619 statistical method Methods 0.000 description 2
- 230000029305 taxis Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000004806 packaging method and process Methods 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- 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
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
-
- 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
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/40—Business processes related to the transportation industry
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Strategic Management (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Development Economics (AREA)
- Data Mining & Analysis (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Accounting & Taxation (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- Human Resources & Organizations (AREA)
- Finance (AREA)
- Tourism & Hospitality (AREA)
- Game Theory and Decision Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Operations Research (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Quality & Reliability (AREA)
- Life Sciences & Earth Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本方案涉及一种基于车辆网的车辆用途识别方法、系统及存储介质，包括：基于所获取到的多个车辆的行驶数据和充电数据构成原始数据集；构建用于描述原始数据集的特征变量，基于所构建的特征变量将原始数据集转换成待降维数据集；对待降维数据集进行降维处理，使待降维处理数据的特征变量降维至二维；将待降维处理数据映射到二维空间中得到待聚类数据集，再使用高斯核函数K‑means算法对待聚类数据集进行聚类，获得聚类数据集；使用逻辑回归模型对聚类数据集进行训练学习，获得预测模型；对预测模型进行准确率测试，获得车辆用途识别预测模型；使用车辆用途识别预测模型进行车辆用途识别。
Description
技术领域
本发明具体涉及一种基于车辆网的车辆用途识别方法、系统及存储介质。
背景技术
近年来，随着国家、地区政府鼓励、企业持续投入、技术不断发展、基础设施配套不断完善，新能源汽车逐步被社会大众认可。为争夺新能源汽车的市场份额，各家车企纷纷加大了在新能源汽车研发方面的投入。为实现有限资源的最大利益化，对不同用途新能源用户的车主信息、车型信息、出行习惯、驾驶偏好、充电行为等特征数据进行统计分析，可进一步明确新品的市场定位、目标人群、配置参数等，极大的提升了车企研发效率，增强了车企的核心竞争力。
发明内容
本发明提出的是一种基于车辆网的车辆用途识别方法、系统及存储介质，用于为产品策划、机车性能、试验测试、电池开发等汽车研发部门提供准确的数据支撑。
本发明实施例提供了一种基于车辆网的车辆用途识别方法，包括：
基于所获取到的多个车辆的行驶数据和充电数据构成原始数据集；其中，所获取的行驶数据包括：行驶里程、行驶时长；所获取的充电数据包括：充电时间、车辆状态、车辆的充电频次；
构建用于描述原始数据集的特征变量，基于所构建的特征变量将原始数据集转换成待降维数据集；
对待降维数据集进行降维处理，使待降维处理数据的特征变量降维至二维；
将待降维处理数据映射到二维空间中得到待聚类数据集，再使用高斯核函数K-means算法对待聚类数据集进行聚类，获得聚类数据集；
使用逻辑回归模型对聚类数据集进行训练学习，获得预测模型；
对预测模型进行准确率测试，获得车辆用途识别预测模型；
使用车辆用途识别预测模型进行车辆用途识别。
优选地，使用逻辑回归模型对聚类数据集进行训练学习，获得预测模型的步骤具体为：
将聚类数据集划分为训练数据集和测试数据集；
使用训练数据集进行逻辑回归模型训练，获得训练模型；
使用测试数据集对所述训练模型进行测试，在训练模型的AUC值达到设定值，确定训练模型可信；
若训练模型的AUC值未达到设定值，则依靠训练数据集和测试数据集进行迭代求解，直至迭代求解得到的训练模型的AUC值达到设定值。
优选地，对预测模型进行准确率测试，获得车辆用途识别预测模型的步骤包括：
基于已知真实车辆用途的多个车辆的行驶数据和充电数据，对预测模型进行检验；
对预测模型输出的关于各车辆的车辆用途与各车辆的真实车辆用途进行比对，若预测模型输出的比对结果准确率达到预设数值，则确定预测模型为车辆用途识别预测模型。
优选地，所构建的特征变量包括：工作日日均行驶次数、休息日日日均行驶次数、日均早高峰行驶次数、日均晚高峰行驶次数、日均行驶时长、日均充电时长、工作日日均行驶时长、休息日日均行驶时长、日均早高峰行驶时长、日均晚高峰行驶时长、日均行驶里程、工作日日均行驶里程、休息日日均行驶里程、日均行程数、快充日均使用次数和慢充日均使用次数。
本发明实施例还提供了一种基于车联网的车辆用途识别系统，包括处理器和存储器；
所述存储器上存储有能被所述处理器执行的计算机可读程序；
所述处理器执行所述计算机可读程序时能实现如上述的基于车联网的车辆用途识别方法的步骤。
本发明实施例还提供了一种存储介质，所述存储介质存储有一个或者多个计算机可读程序，所述一个或者多个计算机可读程序能被一个或者多个处理器执行，以实现如所述的基于车联网的车辆用途识别方法的步骤。
本发明的有益效果为：
实现了对车辆的用途识别，为产品策划、机车性能、试验测试、电池开发等汽车研发部门提供准确的数据支撑。
附图说明
图1本发明方法的流程示意图。
具体实施方式
下面将参照附图更详细地描述本发明的示例性实施例。虽然附图中显示了本发明的示例性实施例，然而应当理解，可以以各种形式实现本发明而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本发明，并且能够将本发明的范围完整的传达给本领域的技术人员。
参照图1，本发明实施例提供了一种车辆用途识别方法，其包括：
步骤S1，获取多个车辆的行驶数据和充电数据，基于所获取到的行驶数据和充电数据构成原始数据集，其中，原始数据集中：一条数据包含有一个车辆的VIN码信息，以及该车辆的行驶数据和充电数据。
具体的，平台通过车载终端获取多个用户在一定时间段内的行驶数据，和充电数据，进行数据获取时通过字段提取，所提取的数据字段包括：车辆行驶里程、行驶时长、充电时间、车辆状态、快慢充频次等。
步骤S2，构建用于描述原始数据的特征变量，并基于所构建的特征变量将原始初始转换成待降维处理数据。
步骤2，构建用于描述原始数据的特征变量，基于所构建的特征变量将原始初始转换成待降维处理数据；其中，所构建的特征变量包括：工作日日均行驶次数、休息日日日均行驶次数、日均早高峰行驶次数、日均晚高峰行驶次数、日均行驶时长、日均充电时长、工作日日均行驶时长、休息日日均行驶时长、日均早高峰行驶时长、日均晚高峰行驶时长、日均行驶里程、工作日日均行驶里程、休息日日均行驶里程、日均行程数、快充日均使用次数和慢充日均使用次数。
其中，工作日日均行驶次数具体为：工作日行驶总次数/工作日总天数；
休息日日均行驶次数具体为：休息日行驶总次数/休息日总天数；
日均早高峰行驶次数具体为：早高峰行驶总次数/早高峰总天数；
日均晚高峰行驶次数具体为：晚高峰行驶总次数/晚高峰总天数；
日均行驶时长具体为：总行驶时长/对应总天数；
日均充电时长具体为：总充电时长/对应总天数；
工作日日均行驶时长具体为：工作日总行驶时长/工作日天数；
休息日日均行驶时长具体为：休息日总行驶时长/休息日天数；
日均早高峰行驶时长具体为：早高峰总时长/对应总天数；
日均晚高峰行驶时长具体为：晚高峰总时长/对应总天数；
日均行驶里程具体为：总行驶里程/对应总天数；
工作日日均行驶里程具体为：工作日总行驶里程/工作日天数；
休息日日均行驶里程具体为：休息日总行驶里程/工作日天数；
日均行程数具体为：总行程数/对应总天数；
快充日均使用次数具体为：快充使用总次数/对应总天数；
慢充日均使用次数具体为：
慢充使用总次数/对应总天数；
日均充电次数具体为：总充电次数/对应总天数；
日均充电电量具体为：总充电电量/对应总天数。
本实施例中，建模过程中所构建的特征变量可根据实际情况进行增减。
步骤S3，对待降维处理数据进行降维处理，使待降维处理数据的特征变量降维至二维。
本实施例中，可以以PCA算法或T-SNE算法等对待降维数据进行降维处理。具体降维处理的方式同现有技术记载手段相同。
步骤S4，使用高斯核函数k-means对待聚类数据集进行聚类，获得聚类结果（即将待聚类数据集聚类为两类聚类数据集）。
具体来说，步骤S4包括将待降维数据集中的数据对象点映射到二维空间中得到待聚类数据集。
再通过使用高斯核函数的k-means聚类（高斯核函数k-means聚类是光谱聚类的一种，它可以对不规则形状进行很好地聚类）将待聚类数据集聚类成两个不同类，并将数据进行标记（0：表示非运营、1：表示运营），生成有标签的数据集。
步骤S5，建立训练模型
采用逻辑回归模型进行训练模型建立，具体建模步骤如下：
将两类聚类数据集划分为训练数据集和测试数据集，训练数据集和测试数据集的比例为7:3。训练数据集用于获得训练模型，测试数据集用于对训练模型的验证测试。
基于训练数据集，采用交叉验证的方式，对逻辑回归模型进行训练，得到训练模型。
步骤S6和步骤S7，基于测试数据集，对上一步产出的训练模型进行验证测试，进行验证测试的具体步骤为：通过混淆矩阵、ROC曲线、AUC值评估以检验模型的准确性，其中，AUC值超过一个预先标定的设定值（如0.95）时，则确定获得的训练模型有效，将得到的训练模型确定为预测模型。
若AUC值低于上述的设定值，则需要重复循环2、3步骤过程，直至得到最优的训练模型。
因训练模型采用的是逻辑回归模型，属于二分类情况。所以这里采用混淆矩阵、ROC曲线结合AUC值的方法进行评估得到的训练模型的精确率，（ROC曲线是一种比较两个分类模型有用的可视化工具，显示了给定模型的真正例率和假正例率之间的权衡），最终得到AUC = 0.9735980112844113。
步骤S8，对预测模型进行检验
该步骤S6的设置目的在于，基于已知的营运车和非营运车数据，使用预测模型进行用途分类，以检验预测模型的预测能力（即检验该预测模型的可信度）。通过选取已知车辆用途的数据对该预测模型进行检验（例如，通过已知车辆用途的多个车辆在2020年8月份的数据对预测模型检验），其中1代表运营、0代表非运营。通过将预测模型预测得到的各车辆的用途和已知的这些车辆的实际用途进行比对，来验证该预测模型的可信度。例如：
| 车辆总数 | 预测运营车辆数 | 预测非运营车辆数 | 准确率 |
| 98 | 84 | 14 | 85.71% |
表1
| 车辆总数 | 预测运营车辆数 | 预测非运营车辆数 | 准确率 |
| 9272 | 8778 | 507 | 94.67% |
表2
根据业务需求和实际情况规定，若该预测模型的预测结果的准确率超过85%即为合格，因而本次预测模型通过检验，可作为车辆用途识别预测模型部署在服务器上运行。
步骤S9，进行预测模型部署
将车辆用途识别预测模型包并上传至 Azkaban平台服务器，使用Azkaban 平台服务器进行任务调度。具体步骤如下：
车辆用途识别预测模型的最终预测结果输出至：
2）车辆用途识别预测模型部署到Azkaban平台服务器上后，并没有具体指定哪台服务器执行脚本。而是由Azkaban平台服务器在执行脚本时动态选择。目前Azkaban 平台服务器用于执行的服务器有appnode01 和 appnode02两台，也就是预测模型会在appnode01和 appnode02上进行执行，具体在哪台服务器上执行，由Azkaban平台服务器调度。车辆用途识别预测模型运行的时间、运行日志、运行状态等，可在Azkaban平台服务器上进行查看。
基于本实施例提供的上述方法，能够实现对车辆的用途识别。基于该用途识别结果，可进一步对出租车、网约车用户的出行习惯、驾驶偏好、充电行为等进行统计分析，为产品策划、机车性能、试验测试、电池开发等汽车研发部门提供更准确的数据支撑，以提升车企的新品研发及产品迭代效率，增强企业的核心竞争力，获取更多的市场份额。
一种基于车联网的车辆用途识别系统，，包括处理器和存储器；
所述存储器上存储有能被所述处理器执行的计算机可读程序；
所述处理器执行所述计算机可读程序时能实现如上述的基于车联网的车辆用途识别方法的步骤。
本实施例还提供了一种存储介质，所述存储介质存储有一个或者多个计算机可读程序，所述一个或者多个计算机可读程序能被一个或者多个处理器执行，以实现如上述的基于车联网的车辆用途识别方法的步骤。
上述实施例只对其中一些本发明的一个或多个实施例进行了描述，但是本领域普通技术人员应当了解，本发明可以在不偏离其主旨与范围内以许多其他的形式实施。因此，所展示的例子与实施方式被视为示意性的而非限制性的，在不脱离如所附各权利要求所定义的本发明精神及范围的情况下，本发明可能涵盖各种的修改与替换。
Claims (6)
1.一种基于车联网的车辆用途识别方法，其特征在于，包括：
基于所获取到的多个车辆的行驶数据和充电数据构成原始数据集；其中，所获取的行驶数据包括：行驶里程、行驶时长；所获取的充电数据包括：充电时间、车辆状态、车辆的充电频次；
构建用于描述原始数据集的特征变量，基于所构建的特征变量将原始数据集转换成待降维数据集；
对待降维数据集进行降维处理，使待降维处理数据的特征变量降维至二维；
将待降维处理数据映射到二维空间中得到待聚类数据集，再使用高斯核函数K-means算法对待聚类数据集进行聚类，获得聚类数据集；
使用逻辑回归模型对聚类数据集进行训练学习，获得预测模型；
对预测模型进行准确率测试，获得车辆用途识别预测模型；
使用车辆用途识别预测模型进行车辆用途识别。
2.根据权利要求1所述的方法，其特征在于，使用逻辑回归模型对聚类数据集进行训练学习，获得预测模型的步骤具体为：
将聚类数据集划分为训练数据集和测试数据集；
使用训练数据集进行逻辑回归模型训练，获得训练模型；
使用测试数据集对所述训练模型进行测试，在训练模型的AUC值达到设定值，确定训练模型可信；
若训练模型的AUC值未达到设定值，则依靠训练数据集和测试数据集进行迭代求解，直至迭代求解得到的训练模型的AUC值达到设定值。
3.根据权利要求1所述的方法，其特征在于，对预测模型进行准确率测试，获得车辆用途识别预测模型的步骤包括：
基于已知真实车辆用途的多个车辆的行驶数据和充电数据，对预测模型进行检验；
对预测模型输出的关于各车辆的车辆用途与各车辆的真实车辆用途进行比对，若预测模型输出的比对结果准确率达到预设数值，则确定预测模型为车辆用途识别预测模型。
4.根据权利要求1所述的方法，其特征在于，所构建的特征变量包括：工作日日均行驶次数、休息日日日均行驶次数、日均早高峰行驶次数、日均晚高峰行驶次数、日均行驶时长、日均充电时长、工作日日均行驶时长、休息日日均行驶时长、日均早高峰行驶时长、日均晚高峰行驶时长、日均行驶里程、工作日日均行驶里程、休息日日均行驶里程、日均行程数、快充日均使用次数和慢充日均使用次数。
5.一种基于车联网的车辆用途识别系统，其特征在于，包括处理器和存储器；
所述存储器上存储有能被所述处理器执行的计算机可读程序；
所述处理器执行所述计算机可读程序时能实现如权利要求1至4任意一项所述的基于车联网的车辆用途识别方法的步骤。
6.一种存储介质，其特征在于，所述存储介质存储有一个或者多个计算机可读程序，所述一个或者多个计算机可读程序能被一个或者多个处理器执行，以实现如权利要求1至4任意一项所述的基于车联网的车辆用途识别方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110088380.9A CN112766578A (zh) | 2021-01-22 | 2021-01-22 | 一种基于车辆网的车辆用途识别方法、系统及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110088380.9A CN112766578A (zh) | 2021-01-22 | 2021-01-22 | 一种基于车辆网的车辆用途识别方法、系统及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112766578A true CN112766578A (zh) | 2021-05-07 |
Family
ID=75705652
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110088380.9A Pending CN112766578A (zh) | 2021-01-22 | 2021-01-22 | 一种基于车辆网的车辆用途识别方法、系统及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112766578A (zh) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113610257A (zh) * | 2021-08-16 | 2021-11-05 | 公安部交通管理科学研究所 | 一种新能源网约车信息挖掘方法 |
| CN114187489A (zh) * | 2021-12-14 | 2022-03-15 | 中国平安财产保险股份有限公司 | 车辆异常驾驶风险检测方法、装置、电子设备及存储介质 |
| CN115273470A (zh) * | 2022-07-26 | 2022-11-01 | 重庆铭凯科技发展有限公司 | 电动摩托智能仪表系统及控制方法 |
| WO2023124655A1 (zh) * | 2021-12-31 | 2023-07-06 | 比亚迪股份有限公司 | 用户类型的识别方法、电子设备及可读存储介质 |
| CN117422596A (zh) * | 2023-10-19 | 2024-01-19 | 北京保险服务中心股份有限公司 | 基于大数据的非营业性质车辆从事营业行为的识别方法 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103150774A (zh) * | 2013-03-07 | 2013-06-12 | 吉林省高速公路管理局 | 一种高速公路绿色通道车辆鉴别系统和方法 |
| US20190339688A1 (en) * | 2016-05-09 | 2019-11-07 | Strong Force Iot Portfolio 2016, Llc | Methods and systems for data collection, learning, and streaming of machine signals for analytics and maintenance using the industrial internet of things |
| CN111081016A (zh) * | 2019-12-18 | 2020-04-28 | 北京航空航天大学 | 一种基于复杂网络理论的城市交通异常识别方法 |
| CN111523562A (zh) * | 2020-03-20 | 2020-08-11 | 浙江大学 | 一种基于车牌识别数据的通勤模式车辆识别方法 |
| CN111538752A (zh) * | 2020-04-22 | 2020-08-14 | 重庆长安新能源汽车科技有限公司 | 基于车联网的车辆用途识别方法、系统及存储介质 |
-
2021
- 2021-01-22 CN CN202110088380.9A patent/CN112766578A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103150774A (zh) * | 2013-03-07 | 2013-06-12 | 吉林省高速公路管理局 | 一种高速公路绿色通道车辆鉴别系统和方法 |
| US20190339688A1 (en) * | 2016-05-09 | 2019-11-07 | Strong Force Iot Portfolio 2016, Llc | Methods and systems for data collection, learning, and streaming of machine signals for analytics and maintenance using the industrial internet of things |
| CN111081016A (zh) * | 2019-12-18 | 2020-04-28 | 北京航空航天大学 | 一种基于复杂网络理论的城市交通异常识别方法 |
| CN111523562A (zh) * | 2020-03-20 | 2020-08-11 | 浙江大学 | 一种基于车牌识别数据的通勤模式车辆识别方法 |
| CN111538752A (zh) * | 2020-04-22 | 2020-08-14 | 重庆长安新能源汽车科技有限公司 | 基于车联网的车辆用途识别方法、系统及存储介质 |
Non-Patent Citations (2)
| Title |
|---|
| 刘宝锺: "《大数据分类模型和算法研究》", 31 December 2019, 云南大学出版社 * |
| 李剑波 等: "《大数据挖掘技术与应用》", 31 July 2018, 延边大学出版社 * |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113610257A (zh) * | 2021-08-16 | 2021-11-05 | 公安部交通管理科学研究所 | 一种新能源网约车信息挖掘方法 |
| CN114187489A (zh) * | 2021-12-14 | 2022-03-15 | 中国平安财产保险股份有限公司 | 车辆异常驾驶风险检测方法、装置、电子设备及存储介质 |
| CN114187489B (zh) * | 2021-12-14 | 2024-04-30 | 中国平安财产保险股份有限公司 | 车辆异常驾驶风险检测方法、装置、电子设备及存储介质 |
| WO2023124655A1 (zh) * | 2021-12-31 | 2023-07-06 | 比亚迪股份有限公司 | 用户类型的识别方法、电子设备及可读存储介质 |
| CN116409328A (zh) * | 2021-12-31 | 2023-07-11 | 比亚迪股份有限公司 | 用户类型的识别方法、电子设备及可读存储介质 |
| CN115273470A (zh) * | 2022-07-26 | 2022-11-01 | 重庆铭凯科技发展有限公司 | 电动摩托智能仪表系统及控制方法 |
| CN115273470B (zh) * | 2022-07-26 | 2024-04-02 | 重庆铭凯科技发展有限公司 | 电动摩托智能仪表系统及控制方法 |
| CN117422596A (zh) * | 2023-10-19 | 2024-01-19 | 北京保险服务中心股份有限公司 | 基于大数据的非营业性质车辆从事营业行为的识别方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112766578A (zh) | 一种基于车辆网的车辆用途识别方法、系统及存储介质 | |
| US20240132078A1 (en) | Driving model training method, driver identification method, apparatus, device and medium | |
| CN108596630B (zh) | 基于深度学习的欺诈交易识别方法、系统及存储介质 | |
| CN110674636B (zh) | 一种用电行为分析方法 | |
| CN107704883A (zh) | 一种菱镁矿矿石的品级的分类方法及系统 | |
| CN111353094A (zh) | 一种信息推送方法及装置 | |
| CN112651570A (zh) | 高速公路服务区交通量预测模型构建、预测方法及装置 | |
| CN114048468A (zh) | 入侵检测的方法、入侵检测模型训练的方法、装置及介质 | |
| CN114638633A (zh) | 异常流量检测的方法和装置、电子设备和存储介质 | |
| CN112487284A (zh) | 银行客户画像生成方法、设备、存储介质及装置 | |
| Le Rhun et al. | A stochastic data-based traffic model applied to vehicles energy consumption estimation | |
| CN114584601A (zh) | 用户流失识别及干预方法、系统、终端及介质 | |
| CN114692889A (zh) | 用于机器学习算法的元特征训练模型 | |
| CN117391257A (zh) | 一种道路拥堵情况的预测方法及装置 | |
| CN116451125A (zh) | 一种新能源车车主识别方法、装置、设备及存储介质 | |
| CN114281664A (zh) | 应用程序负载数据预测方法、装置及存储介质 | |
| CN116862035A (zh) | 航延预测方法、装置、设备和计算机可读存储介质 | |
| CN111127184B (zh) | 一种分布式组合信用评估方法 | |
| CN105939383A (zh) | 一种位置信息确定的方法以及服务器 | |
| CN112612934A (zh) | 用户充电行为画像处理方法和装置 | |
| CN111538752A (zh) | 基于车联网的车辆用途识别方法、系统及存储介质 | |
| CN113570098A (zh) | 出货量预测方法、装置、计算机装置及存储介质 | |
| CN111178292A (zh) | 一种车型识别方法、装置及设备 | |
| Kumar | Driver Usage Risk Profiling by Analyzing Vehicle Driving Behavior using Machine Learning Model Based on Vehicular Cloud Telematics Data | |
| CN114510638B (zh) | 信息处理方法、装置、设备、存储介质及程序产品 |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210507 |
|
| RJ01 | Rejection of invention patent application after publication |