CN112785223B - 一种基于北斗定位与移动信令的时空轨迹匹配方法及系统 - Google Patents
一种基于北斗定位与移动信令的时空轨迹匹配方法及系统 Download PDFInfo
- Publication number
- CN112785223B CN112785223B CN202110009459.8A CN202110009459A CN112785223B CN 112785223 B CN112785223 B CN 112785223B CN 202110009459 A CN202110009459 A CN 202110009459A CN 112785223 B CN112785223 B CN 112785223B
- Authority
- CN
- China
- Prior art keywords
- track
- data
- matching
- signaling
- vehicle
- 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
- 230000011664 signaling Effects 0.000 title claims abstract description 134
- 238000000034 method Methods 0.000 title claims abstract description 50
- 238000007477 logistic regression Methods 0.000 claims abstract description 15
- 238000004364 calculation method Methods 0.000 claims description 31
- 230000008569 process Effects 0.000 claims description 20
- 238000012545 processing Methods 0.000 claims description 14
- 238000012216 screening Methods 0.000 claims description 13
- WMQLLTKSISGWHQ-UHFFFAOYSA-N C1CC(NC(=O)NC)CCC1CCN1CCN(C=2C(=C(Cl)C=CC=2)Cl)CC1 Chemical compound C1CC(NC(=O)NC)CCC1CCN1CCN(C=2C(=C(Cl)C=CC=2)Cl)CC1 WMQLLTKSISGWHQ-UHFFFAOYSA-N 0.000 claims description 12
- 238000013507 mapping Methods 0.000 claims description 12
- 239000011159 matrix material Substances 0.000 claims description 12
- 238000012549 training Methods 0.000 claims description 7
- 238000013075 data extraction Methods 0.000 abstract description 3
- 238000010606 normalization Methods 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 238000012550 audit Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 239000000243 solution Substances 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000003111 delayed effect Effects 0.000 description 1
- 238000003113 dilution method Methods 0.000 description 1
- 238000010801 machine learning 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
- G06Q10/08—Logistics, e.g. warehousing, loading or distribution; Inventory or stock management
- G06Q10/083—Shipping
- G06Q10/0833—Tracking
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- 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)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Business, Economics & Management (AREA)
- Algebra (AREA)
- Operations Research (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- Economics (AREA)
- General Engineering & Computer Science (AREA)
- Quality & Reliability (AREA)
- Computing Systems (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Strategic Management (AREA)
- Marketing (AREA)
- Human Resources & Organizations (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Probability & Statistics with Applications (AREA)
- Train Traffic Observation, Control, And Security (AREA)
Abstract
本发明实施例公开了一种基于北斗定位与移动信令的时空轨迹匹配方法及系统，基于我国自行研制的北斗卫星定位系统，其可靠性和准确性有较大提升，基于全量的轨迹数据按需进行数据提取和轨迹匹配，有效保留空间轨迹特征，并减小了运算数据总量，无需依靠卡口数据，不受定点设备的限制，无需投放信令相关设备，通过多个轨迹匹配指标训练的逻辑回归模型，可有效提高整体判定的正确率。
Description
技术领域
本发明实施例涉及轨迹匹配技术领域，具体涉及一种基于北斗定位与移动信令的时空轨迹匹配方法及系统。
背景技术
随着物流行业互联网化、物联网化的产业升级的大趋势的到来，基于物联网设备、手机信令定位进行物流运单的合规监督的需求日益增大，其目标是监督承运车辆和承运司机按物流运单要求完成运输任务，运输途中人员、车辆不可进行更换，轨迹匹配技术可协助业务审计人员快速完成业务审计流程，提高监督审计的效率和准确度。目前主要通过对车辆物联网定位数据和司机的手机信令进行轨迹匹配，如果司机和车辆的轨迹在时间和空间上都是匹配的，则判定运输人员和车辆在运输过程中，符合监督要求；否则判断为异常运输行为。
现有技术主要采用设置全量信令数据匹配或匹配特定卡口打点的信令数据，全量信令数据匹配的过程中，如运输过程中车辆采集m个定位点，信令定位采集n个定位定，则需对完成m×n次空间距离比较运算，在大量运单的运营过程中，需要大量的计算资源；基于卡口的定位数据，减少了信令定位点的数量，计算效率提高了，但受限于卡口的地理位置和数量，需要有较高的设备投入。此外，现有技术方案常常弱化了运输过程中一些关键点的匹配结果对整个匹配结果的影响，比如运输过程中，起始地点和目标地点的匹配结果往往和行进过程中的定位点的匹配结果的权重相同，这种处理方式有待改善。在定位数量的来源方面，之前物联网设备多采用GPS系统进行位置定位，其准确度和可靠性存在一些不足。
发明内容
为此，本发明实施例提供一种基于北斗定位与移动信令的时空轨迹匹配方法及系统，以解决物流行业中承运车辆和承运司机轨迹匹配存在的需要大量的计算资源、需要较高的设备投入、准确度和可靠性不足等问题。
为了实现上述目的，本发明实施例提供如下技术方案：
根据本发明实施例的第一方面，提出了一种基于北斗定位与移动信令的时空轨迹匹配方法，所述方法包括：
获取车辆和信令用户时空轨迹数据，所述时空轨迹数据包括物流运单数据和匹配数据集，所述物流运单数据包括发货地点、目标地点、承运车辆、承运司机和承运时间信息，所述匹配数据集包括由全量车辆北斗定位数据源和移动信令定位数据源中提取的预设时间范围内的车辆定位数据和信令用户定位数据以及人工判定结果；
将所述车辆定位数据和信令用户定位数据根据物流运单数据中的承运车辆和承运司机进行两两匹配完成特征筛选，并将筛选的车辆定位数据作为匹配模板以及信令用户定位数据作为待匹配信息，根据轨迹匹配算法计算车辆轨迹与信令用户轨迹之间的匹配度p1；
计算轨迹匹配综合指标，所述综合指标包括判断发货地点和目标地点与车辆轨迹是否匹配的第一指标p2、判断发货地点和目标地点与信令轨迹是否匹配的第二指标p3、表征车辆轨迹覆盖率的第四指标p4以及表征信令轨迹覆盖率的第五指标p5；
构建逻辑回归模型，将计算结果p1、p2、p3、p4、p5作为模型的输入，相对应的人工判定结果作为目标数据对模型进行训练和评估，对模型参数进行优化，使模型准确率达到预设值，使用优化后的模型进行轨迹匹配判断。
进一步地，将筛选的车辆定位数据作为匹配模板以及信令用户定位数据作为待匹配信息，根据轨迹匹配算法计算车辆轨迹与信令用户轨迹之间的匹配度p1，具体包括：
数据标准化，对位置坐标信息和时间信息进行标准化处理，实现不同采集系统的坐标系和量纲统一，将时间统一成标准时间戳形式。
进一步地，将筛选的车辆定位数据作为匹配模板以及信令用户定位数据作为待匹配信息，根据轨迹匹配算法计算车辆轨迹与信令用户轨迹之间的匹配度p1，具体包括：
将匹配模板数据采用道格拉斯-普克算法进行抽稀处理。
进一步地，将筛选的车辆定位数据作为匹配模板以及信令用户定位数据作为待匹配信息，根据轨迹匹配算法计算车辆轨迹与信令用户轨迹之间的匹配度p1，具体包括：
计算轨迹邻接矩阵，若匹配模板轨迹包含n个轨迹点，待匹配信息轨迹包含m个轨迹点，根据车辆轨迹点与信令用户轨迹点之间距离的预设计算规则，构造邻接矩阵Gm×n：
进而求矩阵的迹tr(G)：
通过矩阵的迹计算两条轨迹的匹配度p1＝tr(G)/m。
进一步地，所述预设计算规则为：若i、j两点匹配，即两点空间距离不超出3000m，并且时间差值应不超过300s，则计算i、j两点的距离为dij，否则两点距离为0。
进一步地，计算轨迹匹配综合指标，具体包括：
将车辆定位数据和信令用户定位数据与物流运单数据中发货地点、目标地点进行匹配完成特征筛选，分别对车辆轨迹和信令用户轨迹提前和延后半个小时进行数据集提取，并进行数据标准化处理。
进一步地，p2、p3的计算过程具体包括：
计算载货时间点前600s车辆轨迹数据集与发货地点之间的最短距离，记成dcar_start_min，卸货时间点后600s车辆轨迹数据集与目标地点之间的最短距离，记成dcar_end_min，若dcar_start_min小于50m，则判断发货地点和车辆轨迹匹配，若dcar_end_min小于50m，则判断目标地点和车辆轨迹匹配，p2取值为0、0.5或1；
计算载货时间点前600s信令用户轨迹数据集与发货地点之间的最短距离，记成dsignal_start_min，卸货时间点后后600s信令用户轨迹数据集与目标地点之间的最短距离，记成dsignal_end_min，若dsignal_start_min小于3000m，则判断发货地点和信令轨迹匹配，若dsignal_end_min小于3000m，则判断目标地点和信令轨迹匹配，p3取值为0、0.5或1。
进一步地，p4、p5的计算过程具体包括：
以发货地点与目标地点之间连接的直线作为坐标轴，其长度记作dstart_end，分别将车辆轨迹映射到此坐标轴上，计算映射线段的长度为dcar，则车辆轨迹覆盖率为p4＝|dcar-dstart_end|/dstart_end；
以发货地点与目标地点之间连接的直线作为坐标轴，其长度记作dstart_end1，分别将信令用户轨迹映射到此坐标轴上，计算映射线段的长度为dsignal，则信令轨迹覆盖率为p5＝|dsignal-dstart_end1|/dstart_end1。
根据本发明实施例的第二方面，提出了一种基于北斗定位与移动信令的时空轨迹匹配系统，所述系统包括：
数据获取模块，用于获取车辆和信令用户时空轨迹数据，所述时空轨迹数据包括物流运单数据和匹配数据集，所述物流运单数据包括发货地点、目标地点、承运车辆、承运司机和承运时间信息，所述匹配数据集包括由全量车辆北斗定位数据源和移动信令定位数据源中提取的预设时间范围内的车辆定位数据和信令用户定位数据以及人工判定结果；
轨迹匹配度计算模块，用于将所述车辆定位数据和信令用户定位数据根据物流运单数据中的承运车辆和承运司机进行两两匹配完成特征筛选，并将筛选的车辆定位数据作为匹配模板以及信令用户定位数据作为待匹配信息，根据轨迹匹配算法计算车辆轨迹与信令用户轨迹之间的匹配度p1；
轨迹匹配综合指标计算模块，用于计算轨迹匹配综合指标，所述综合指标包括判断发货地点和目标地点与车辆轨迹是否匹配的第一指标p2、判断发货地点和目标地点与信令轨迹是否匹配的第二指标p3、表征车辆轨迹覆盖率的第四指标p4以及表征信令轨迹覆盖率的第五指标p5；
逻辑回归模型训练和评估模块，用于构建逻辑回归模型，将计算结果p1、p2、p3、p4、p5作为模型的输入，相对应的人工判定结果作为目标数据对模型进行训练和评估，对模型参数进行优化，使模型准确率达到预设值，使用优化后的模型进行轨迹匹配判断。
根据本发明实施例的第三方面，提出了一种计算机存储介质，其特征在于，所述计算机存储介质中包含一个或多个程序指令，所述一个或多个程序指令用于被一种基于北斗定位与移动信令的时空轨迹匹配系统执行如上所述的基于北斗定位与移动信令的时空轨迹匹配方法。
本发明实施例具有如下优点：
本发明实施例提出的一种基于北斗定位与移动信令的时空轨迹匹配方法及系统，基于我国自行研制的北斗卫星定位系统，其可靠性和准确性有较大提升，基于全量的轨迹数据按需进行数据提取和轨迹匹配，有效保留空间轨迹特征，并减小了运算数据总量，无需依靠卡口数据，不受定点设备的限制，无需投放信令相关设备，通过多个轨迹匹配指标训练的逻辑回归模型，可有效提高整体判定的正确率。
附图说明
为了更清楚地说明本发明的实施方式或现有技术中的技术方案，下面将对实施方式或现有技术描述中所需要使用的附图作简单地介绍。显而易见地，下面描述中的附图仅仅是示例性的，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图引伸获得其它的实施附图。
图1为本发明实施例1提供的一种基于北斗定位与移动信令的时空轨迹匹配方法的流程示意图；
图2为道格拉斯-普克算法抽稀过程示意图；
图3为本发明实施例2提供的一种基于北斗定位与移动信令的时空轨迹匹配系统的结构示意图。
具体实施方式
以下由特定的具体实施例说明本发明的实施方式，熟悉此技术的人士可由本说明书所揭露的内容轻易地了解本发明的其他优点及功效，显然，所描述的实施例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做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本发明实施例1提出了一种基于北斗定位与移动信令的时空轨迹匹配方法，如图1所示，该方法包括具体包括以下步骤：
步骤S110、获取车辆和信令用户时空轨迹数据，时空轨迹数据包括物流运单数据和匹配数据集，物流运单数据包括发货地点、目标地点、承运车辆、承运司机和承运时间信息，匹配数据集包括由全量车辆北斗定位数据源和移动信令定位数据源中提取的预设时间范围内的车辆定位数据和信令用户定位数据以及人工判定结果。
时空数据提取过程，根据物流监管业务需要，在物流业务中，提取运单数据，运单数据中包含发货地点(lng,lat)、目标地点(lng,lat)、承运车辆(car_no)、承运司机(cuid)和承运时间信息(time start,time end)；在全量车辆北斗定位数据源和移动信令定位数据源中预设时间范围内(比如将提前和延后半小时的数据进行一并提取)的数据作为匹配数据集，其数据的主要内容维度是车辆定位信息(car_no,lng,lat,time)和信令用户定位信息(cuid，lng,lat,time)；以及包含人工的判定结果的历史数据集。
步骤S120、将车辆定位数据和信令用户定位数据根据物流运单数据中的承运车辆和承运司机进行两两匹配完成特征筛选，并将筛选的车辆定位数据作为匹配模板以及信令用户定位数据作为待匹配信息，根据轨迹匹配算法计算车辆轨迹与信令用户轨迹之间的匹配度p1。
轨迹匹配算法过程：
特征筛选：将车辆定位信息和信令用户定位信息，根据运单中承运车辆和承运司机，将这两类数据集根据物流运单进行两两匹配。
数据标准化：对位置坐标信息和时间信息进行标准化处理，实现不同采集系统的坐标系和量纲统一，将时间统一成标准时间戳形式。
进一步地，将筛选的车辆定位数据作为匹配模板以及信令用户定位数据作为待匹配信息，根据轨迹匹配算法计算车辆轨迹与信令用户轨迹之间的匹配度p1，具体包括：
将匹配模板数据采用道格拉斯-普克算法进行抽稀处理。
由于北斗卫星定位的数据准确度远高于信令定位，因此将车辆定位数据集做为匹配模板。但是该数据集的采集频率高，导致其数据量往往较大，为了有效利用算力资源，对此数据集采用道格拉斯-普克算法进行抽稀，抽稀过程如图2所示。通过相关参数调整，可在有效保留轨迹几何关键点的前提下，可大量缩减匹配模板的数据量。
时空轨迹计算根据货运车辆和信令数据特点，对信令轨迹点和北斗定位轨迹点的计算规则做出参考规范。进一步地，预设计算规则为：若i、j两点匹配，即两点空间距离不超出3000m，并且时间差值应不超过300s，则计算i、j两点的距离为dij，否则两点距离为0。
计算轨迹邻接矩阵，若匹配模板轨迹包含n个轨迹点，待匹配信息轨迹包含m个轨迹点，根据车辆轨迹点与信令用户轨迹点之间距离的预设计算规则，构造邻接矩阵Gm×n：
进而求矩阵的迹tr(G)：
通过矩阵的迹计算两条轨迹的匹配度p1＝tr(G)/m。
步骤S130、计算轨迹匹配综合指标，综合指标包括判断发货地点和目标地点与车辆轨迹是否匹配的第一指标p2、判断发货地点和目标地点与信令轨迹是否匹配的第二指标p3、表征车辆轨迹覆盖率的第四指标p4以及表征信令轨迹覆盖率的第五指标p5。
轨迹匹配综合指标算法过程具体包括：
特征筛选：将车辆定位数据和信令用户定位数据与物流运单数据中发货地点、目标地点进行匹配完成特征筛选，分别对车辆轨迹和信令用户轨迹提前和延后半个小时进行数据集提取。
数据标准化：数据标准化：对位置坐标信息和时间信息进行标准化处理，解决不同采集系统的坐标系和量纲不统一的问题，将时间统一成标准时间戳形式。
指标计算：
p2、p3的计算过程具体包括：
计算载货时间点前600s车辆轨迹数据集与发货地点之间的最短距离，记成dcar_start_min，卸货时间点后600s车辆轨迹数据集与目标地点之间的最短距离，记成dcar_end_min，若dcar_start_min小于50m，则判断发货地点和车辆轨迹匹配，若dcar_end_min小于50m，则判断目标地点和车辆轨迹匹配，p2取值为0、0.5或1，若发货地点或卸货地点不匹配，则p2＝0，若发货地点判定匹配，则p2累加0.5，p2＝0.5，若进一步判定卸货地点也匹配，则p2继续累加0.5，p2＝1；
信令轨迹与发货地点、目标地点的最小距离计算与车辆轨迹相同，计算载货时间点前600s信令用户轨迹数据集与发货地点之间的最短距离，记成dsignal_start_min，卸货时间点后后600s信令用户轨迹数据集与目标地点之间的最短距离，记成dsignal_end_min，若dsignal_start_min小于3000m，则判断发货地点和信令轨迹匹配，若dsignal_end_min小于3000m，则判断目标地点和信令轨迹匹配，p3取值为0、0.5或1，若发货地点或卸货地点不匹配，则p3＝0，若发货地点判定匹配，则p3累加0.5，p3＝0.5，若进一步判定卸货地点也匹配，则p3继续累加0.5，p3＝1。
进一步地，p4、p5的计算过程具体包括：
以发货地点与目标地点之间连接的直线作为坐标轴，其长度记作dstart_end，分别将车辆轨迹映射到此坐标轴上，计算映射线段的长度为dcar，则车辆轨迹覆盖率为p4＝|dcar-dstart_end|/dstart_end；
同理，以发货地点与目标地点之间连接的直线作为坐标轴，其长度记作dstart_end1，分别将信令用户轨迹映射到此坐标轴上，计算映射线段的长度为dsignal，则信令轨迹覆盖率为p5＝|dsignal-dstart_end1|/dstart_end1。
步骤S140、构建逻辑回归模型，将计算结果p1、p2、p3、p4、p5作为模型的输入，相对应的人工判定结果作为目标数据对模型进行训练和评估，对模型参数进行优化，使模型准确率达到预设值，使用优化后的模型进行轨迹匹配判断。
逻辑回归模型的训练与评估过程具体包括：
特征筛选：通过上文中各模型计算历史数据的结果(p1～p5)，以及对应的人工判断的数据作为模型的训练集。
数据预处理：由于各模型结果的取值范围都是0～1之间，此次不再进行归一化处理。
模型的训练与评估，采用交叉验证的方式，将各模型计算历史数据的结果(p1～p5)做出算法输入，将人工判断的数据作为目标，对逻辑回归模型进行评估，通过调整算法参数，使训练集中模型准确率达到90％以上。
通过机器学习模型中经典的逻辑回归模型，根据以上的计算结果，对轨迹是否匹配这一问题做出最终判定。其判定结果范围是(0～1)，若大于0.6，说明轨迹匹配，否则为轨迹不匹配。
本发明实施例提出的一种基于北斗定位与移动信令的时空轨迹匹配方法及系统，基于我国自行研制的北斗卫星定位系统，其可靠性和准确性有较大提升；基于全量的轨迹数据，在数据预处理方面，在采用时间筛选的前提下对定位和信令轨迹数据按需提取数据集，而后使用道格拉斯-普克算法，对空间数据进行抽稀处理，根据抽稀算法的实验结果表明，抽稀率在30％左右(可节约70％的计算资源)，轨迹匹配结果未受影响，特点场景下匹配率还有所提升，有效保留空间轨迹特征，并减小了运算数据总量；使用定位数据、信令数据和运单相关数据，无需依靠卡口数据，不受定点设备的限制，无需投放信令相关设备，无特色设备限制，整体设备成本较低；通过多个轨迹匹配指标训练的逻辑回归模型，可有效提高整体判定的正确率。
与上述实施例相对应的，本发明实施例2提出了一种基于北斗定位与移动信令的时空轨迹匹配系统，如图3所示，该系统包括：
数据获取模块210，用于获取车辆和信令用户时空轨迹数据，时空轨迹数据包括物流运单数据和匹配数据集，物流运单数据包括发货地点、目标地点、承运车辆、承运司机和承运时间信息，匹配数据集包括由全量车辆北斗定位数据源和移动信令定位数据源中提取的预设时间范围内的车辆定位数据和信令用户定位数据以及人工判定结果；
轨迹匹配度计算模块220，用于将车辆定位数据和信令用户定位数据根据物流运单数据中的承运车辆和承运司机进行两两匹配完成特征筛选，并将筛选的车辆定位数据作为匹配模板以及信令用户定位数据作为待匹配信息，根据轨迹匹配算法计算车辆轨迹与信令用户轨迹之间的匹配度p1；
轨迹匹配综合指标计算模块230，用于计算轨迹匹配综合指标，综合指标包括判断发货地点和目标地点与车辆轨迹是否匹配的第一指标p2、判断发货地点和目标地点与信令轨迹是否匹配的第二指标p3、表征车辆轨迹覆盖率的第四指标p4以及表征信令轨迹覆盖率的第五指标p5；
逻辑回归模型训练和评估模块240，用于构建逻辑回归模型，将计算结果p1、p2、p3、p4、p5作为模型的输入，相对应的人工判定结果作为目标数据对模型进行训练和评估，对模型参数进行优化，使模型准确率达到预设值。
本发明实施例3提出了一种计算机存储介质，该计算机存储介质中包含一个或多个程序指令，一个或多个程序指令用于被一种基于北斗定位与移动信令的时空轨迹匹配系统执行如上的基于北斗定位与移动信令的时空轨迹匹配方法。
虽然，上文中已经用一般性说明及具体实施例对本发明作了详尽的描述，但在本发明基础上，可以对之作一些修改或改进，这对本领域技术人员而言是显而易见的。因此，在不偏离本发明精神的基础上所做的这些修改或改进，均属于本发明要求保护的范围。
Claims (10)
1.一种基于北斗定位与移动信令的时空轨迹匹配方法，其特征在于，所述方法包括：
获取车辆和信令用户时空轨迹数据，所述时空轨迹数据包括物流运单数据和匹配数据集，所述物流运单数据包括发货地点、目标地点、承运车辆、承运司机和承运时间信息，所述匹配数据集包括由全量车辆北斗定位数据源和移动信令定位数据源中提取的预设时间范围内的车辆定位数据和信令用户定位数据以及人工判定结果；
将所述车辆定位数据和信令用户定位数据根据物流运单数据中的承运车辆和承运司机进行两两匹配完成特征筛选，并将筛选的车辆定位数据作为匹配模板以及信令用户定位数据作为待匹配信息，根据轨迹匹配算法计算车辆轨迹与信令用户轨迹之间的匹配度p1；
计算轨迹匹配综合指标，所述综合指标包括判断发货地点和目标地点与车辆轨迹是否匹配的第一指标p2、判断发货地点和目标地点与信令轨迹是否匹配的第二指标p3、表征车辆轨迹覆盖率的第四指标p4以及表征信令轨迹覆盖率的第五指标p5；
构建逻辑回归模型，将计算结果p1、p2、p3、p4、p5作为模型的输入，相对应的人工判定结果作为目标数据对模型进行训练和评估，对模型参数进行优化，使模型准确率达到预设值，使用优化后的模型进行轨迹匹配判断。
2.根据权利要求1所述的一种基于北斗定位与移动信令的时空轨迹匹配方法，其特征在于，将筛选的车辆定位数据作为匹配模板以及信令用户定位数据作为待匹配信息，根据轨迹匹配算法计算车辆轨迹与信令用户轨迹之间的匹配度p1，具体包括：
数据标准化，对位置坐标信息和时间信息进行标准化处理，实现不同采集系统的坐标系和量纲统一，将时间统一成标准时间戳形式。
3.根据权利要求1所述的一种基于北斗定位与移动信令的时空轨迹匹配方法，其特征在于，将筛选的车辆定位数据作为匹配模板以及信令用户定位数据作为待匹配信息，根据轨迹匹配算法计算车辆轨迹与信令用户轨迹之间的匹配度p1，具体包括：
将匹配模板数据采用道格拉斯-普克算法进行抽稀处理。
4.根据权利要求1所述的一种基于北斗定位与移动信令的时空轨迹匹配方法，其特征在于，将筛选的车辆定位数据作为匹配模板以及信令用户定位数据作为待匹配信息，根据轨迹匹配算法计算车辆轨迹与信令用户轨迹之间的匹配度p1，具体包括：
计算轨迹邻接矩阵，若匹配模板轨迹包含n个轨迹点，待匹配信息轨迹包含m个轨迹点，根据车辆轨迹点与信令用户轨迹点之间距离的预设计算规则，构造邻接矩阵Gm×n：
进而求矩阵的迹tr(G)：
通过矩阵的迹计算两条轨迹的匹配度p1＝tr(G)/m。
5.根据权利要求4所述的一种基于北斗定位与移动信令的时空轨迹匹配方法，其特征在于，所述预设计算规则为：若i、j两点匹配，即两点空间距离不超出3000m，并且时间差值应不超过300s，则计算i、j两点的距离为dij，否则两点距离为0。
6.根据权利要求1所述的一种基于北斗定位与移动信令的时空轨迹匹配方法，其特征在于，计算轨迹匹配综合指标，具体包括：
将车辆定位数据和信令用户定位数据与物流运单数据中发货地点、目标地点进行匹配完成特征筛选，分别对车辆轨迹和信令用户轨迹提前和延后半个小时进行数据集提取，并进行数据标准化处理。
7.根据权利要求1所述的一种基于北斗定位与移动信令的时空轨迹匹配方法，其特征在于，p2、p3的计算过程具体包括：
计算载货时间点前600s车辆轨迹数据集与发货地点之间的最短距离，记成dcar_start_min，卸货时间点后600s车辆轨迹数据集与目标地点之间的最短距离，记成dcar_end_min，若dcar_start_min小于50m，则判断发货地点和车辆轨迹匹配，若dcar_end_min小于50m，则判断目标地点和车辆轨迹匹配，p2取值为0、0.5或1；
计算载货时间点前600s信令用户轨迹数据集与发货地点之间的最短距离，记成dsignal_start_min，卸货时间点后后600s信令用户轨迹数据集与目标地点之间的最短距离，记成dsignal_end_min，若dsignal_start_min小于3000m，则判断发货地点和信令轨迹匹配，若dsignal_end_min小于3000m，则判断目标地点和信令轨迹匹配，p3取值为0、0.5或1。
8.根据权利要求1所述的一种基于北斗定位与移动信令的时空轨迹匹配方法，其特征在于，p4、p5的计算过程具体包括：
以发货地点与目标地点之间连接的直线作为坐标轴，其长度记作dstart_end，分别将车辆轨迹映射到此坐标轴上，计算映射线段的长度为dcar，则车辆轨迹覆盖率为p4＝|dcar-dstart_end|/dstart_end；
以发货地点与目标地点之间连接的直线作为坐标轴，其长度记作dstart_end1，分别将信令用户轨迹映射到此坐标轴上，计算映射线段的长度为dsignal，则信令轨迹覆盖率为p5＝|dsignal-dstart_end1|/dstart_end1。
9.一种基于北斗定位与移动信令的时空轨迹匹配系统，其特征在于，所述系统包括：
数据获取模块，用于获取车辆和信令用户时空轨迹数据，所述时空轨迹数据包括物流运单数据和匹配数据集，所述物流运单数据包括发货地点、目标地点、承运车辆、承运司机和承运时间信息，所述匹配数据集包括由全量车辆北斗定位数据源和移动信令定位数据源中提取的预设时间范围内的车辆定位数据和信令用户定位数据以及人工判定结果；
轨迹匹配度计算模块，用于将所述车辆定位数据和信令用户定位数据根据物流运单数据中的承运车辆和承运司机进行两两匹配完成特征筛选，并将筛选的车辆定位数据作为匹配模板以及信令用户定位数据作为待匹配信息，根据轨迹匹配算法计算车辆轨迹与信令用户轨迹之间的匹配度p1；
轨迹匹配综合指标计算模块，用于计算轨迹匹配综合指标，所述综合指标包括判断发货地点和目标地点与车辆轨迹是否匹配的第一指标p2、判断发货地点和目标地点与信令轨迹是否匹配的第二指标p3、表征车辆轨迹覆盖率的第四指标p4以及表征信令轨迹覆盖率的第五指标p5；
逻辑回归模型训练和评估模块，用于构建逻辑回归模型，将计算结果p1、p2、p3、p4、p5作为模型的输入，相对应的人工判定结果作为目标数据对模型进行训练和评估，对模型参数进行优化，使模型准确率达到预设值，使用优化后的模型进行轨迹匹配判断。
10.一种计算机存储介质，其特征在于，所述计算机存储介质中包含一个或多个程序指令，所述一个或多个程序指令用于被一种基于北斗定位与移动信令的时空轨迹匹配系统执行如权利要求1-8任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110009459.8A CN112785223B (zh) | 2021-01-05 | 2021-01-05 | 一种基于北斗定位与移动信令的时空轨迹匹配方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110009459.8A CN112785223B (zh) | 2021-01-05 | 2021-01-05 | 一种基于北斗定位与移动信令的时空轨迹匹配方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112785223A CN112785223A (zh) | 2021-05-11 |
| CN112785223B true CN112785223B (zh) | 2022-06-07 |
Family
ID=75755508
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110009459.8A Active CN112785223B (zh) | 2021-01-05 | 2021-01-05 | 一种基于北斗定位与移动信令的时空轨迹匹配方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112785223B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115460552A (zh) * | 2022-09-05 | 2022-12-09 | 杭州数澜科技有限公司 | 基于信令轨迹查找目标用户的方法、系统和计算机可读介质 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104462193A (zh) * | 2014-10-28 | 2015-03-25 | 上海市政工程设计研究总院（集团）有限公司 | 一种基于时空匹配的车辆运动轨迹搜索系统及方法 |
| CN109635059A (zh) * | 2018-11-23 | 2019-04-16 | 武汉烽火众智数字技术有限责任公司 | 基于轨迹相似度匹配的人车关联分析方法及系统 |
| CN110310477A (zh) * | 2019-05-14 | 2019-10-08 | 浙江工业大学之江学院 | 基于公交gps与手机信令数据的公交客流检测方法 |
| CN110505583A (zh) * | 2019-07-23 | 2019-11-26 | 中山大学 | 一种基于卡口数据与信令数据的轨迹匹配算法 |
| CN110674236A (zh) * | 2019-09-23 | 2020-01-10 | 浙江省北大信息技术高等研究院 | 基于时空轨迹匹配的移动目标关联方法、装置、设备及存储介质 |
| CN111144446A (zh) * | 2019-12-06 | 2020-05-12 | 北京中交兴路信息科技有限公司 | 一种基于时空网格的司机身份识别方法和系统 |
| CN111368881A (zh) * | 2020-02-19 | 2020-07-03 | 浙江工业大学 | 基于多维数据融合分析的低频gps轨迹路网匹配方法 |
| CN111512345A (zh) * | 2017-09-06 | 2020-08-07 | 瑞士再保险有限公司 | 仅基于手机遥测动态、准实时测量与识别驾驶员动作的电子系统及其相应方法 |
-
2021
- 2021-01-05 CN CN202110009459.8A patent/CN112785223B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104462193A (zh) * | 2014-10-28 | 2015-03-25 | 上海市政工程设计研究总院（集团）有限公司 | 一种基于时空匹配的车辆运动轨迹搜索系统及方法 |
| CN111512345A (zh) * | 2017-09-06 | 2020-08-07 | 瑞士再保险有限公司 | 仅基于手机遥测动态、准实时测量与识别驾驶员动作的电子系统及其相应方法 |
| CN109635059A (zh) * | 2018-11-23 | 2019-04-16 | 武汉烽火众智数字技术有限责任公司 | 基于轨迹相似度匹配的人车关联分析方法及系统 |
| CN110310477A (zh) * | 2019-05-14 | 2019-10-08 | 浙江工业大学之江学院 | 基于公交gps与手机信令数据的公交客流检测方法 |
| CN110505583A (zh) * | 2019-07-23 | 2019-11-26 | 中山大学 | 一种基于卡口数据与信令数据的轨迹匹配算法 |
| CN110674236A (zh) * | 2019-09-23 | 2020-01-10 | 浙江省北大信息技术高等研究院 | 基于时空轨迹匹配的移动目标关联方法、装置、设备及存储介质 |
| CN111144446A (zh) * | 2019-12-06 | 2020-05-12 | 北京中交兴路信息科技有限公司 | 一种基于时空网格的司机身份识别方法和系统 |
| CN111368881A (zh) * | 2020-02-19 | 2020-07-03 | 浙江工业大学 | 基于多维数据融合分析的低频gps轨迹路网匹配方法 |
Non-Patent Citations (2)
| Title |
|---|
| "大规模商贸物流数据分析与处理技术研究";张明;《中国优秀博硕士学位论文全文数据库(博士)信息科技辑》;20190715;全文 * |
| "物流企业车辆监控与调度系统";宋晓亮;《中国优秀博硕士学位论文全文数据库(硕士)工程科技Ⅱ辑》;20140315;全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112785223A (zh) | 2021-05-11 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113077103B (zh) | 运输网络规划方法和装置 | |
| CN112785223B (zh) | 一种基于北斗定位与移动信令的时空轨迹匹配方法及系统 | |
| CN114386856A (zh) | 一种空壳企业识别方法、装置、设备及计算机存储介质 | |
| CN114723543B (zh) | 一种跨境电商的财务档案大数据管理系统及方法 | |
| CN113841156B (zh) | 基于图像识别的控制方法与装置 | |
| CN116883184A (zh) | 一种基于大数据的财税智能化分析方法 | |
| CN115187525A (zh) | 基于知识蒸馏的无监督图像缺陷检测方法、装置及介质 | |
| CN115018513A (zh) | 数据巡检方法、装置、设备及存储介质 | |
| CN111754261B (zh) | 一种车辆出租意愿的评估方法、装置及终端设备 | |
| Lyan et al. | Impact of data cleansing for urban bus commercial speed prediction | |
| CN111324597B (zh) | 一种主数据管理方法和系统 | |
| Bridgelall et al. | Mining connected vehicle data for beneficial patterns in Dubai taxi operations | |
| CN116662387A (zh) | 业务数据处理方法、装置、设备及存储介质 | |
| CN115439079A (zh) | 项目分类方法及装置 | |
| CN114708600A (zh) | 单证审核方法、装置、计算机设备和存储介质 | |
| CN112053087A (zh) | 投诉工单的处理方法、装置、设备及存储介质 | |
| CN114004601B (zh) | 一种创意实施状态的追踪方法及装置 | |
| CN110175181A (zh) | 一种基于数据分析的信息更新方法及相关设备 | |
| CN116503887B (zh) | 基于图像识别的货代订单处理方法 | |
| CN114546706B (zh) | 一种应用于深度学习的应用程序缺陷分析方法及服务器 | |
| CN116976300B (zh) | 一种文本信息提取生成方法及系统 | |
| CN116362462B (zh) | 一种基于物联网和大数据分析的全闭环生产管理系统 | |
| CN112396513B (zh) | 一种数据处理的方法及装置 | |
| CN111967458B (zh) | 票据交换方法、相关设备及系统 | |
| CN117437027A (zh) | 一种汽车经销商授信自动化审批方法 |
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 | ||
| TA01 | Transfer of patent application right | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20220307 Address after: No.13, heiniucheng Road, Hexi District, Tianjin 300210 Applicant after: CCCC Intelligent Transportation Co.,Ltd. Applicant after: CHINA HIGHWAY ENGINEERING CONSULTING Corp. Applicant after: ZHONGZI DATA CO.,LTD. Address before: No.13, heiniucheng Road, Hexi District, Tianjin 300210 Applicant before: CCCC Intelligent Transportation Co.,Ltd. |
|
| GR01 | Patent grant | ||
| GR01 | Patent grant |