CN112801552A - 基于交通大数据挖掘和智能分析的网约车和巡游车的监管方法 - Google Patents
基于交通大数据挖掘和智能分析的网约车和巡游车的监管方法 Download PDFInfo
- Publication number
- CN112801552A CN112801552A CN202110321874.7A CN202110321874A CN112801552A CN 112801552 A CN112801552 A CN 112801552A CN 202110321874 A CN202110321874 A CN 202110321874A CN 112801552 A CN112801552 A CN 112801552A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- data
- information
- map
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 50
- 238000004458 analytical method Methods 0.000 title claims abstract description 44
- 238000007418 data mining Methods 0.000 title claims abstract description 15
- 230000002776 aggregation Effects 0.000 claims description 51
- 238000004220 aggregation Methods 0.000 claims description 51
- 238000007726 management method Methods 0.000 claims description 49
- 238000012544 monitoring process Methods 0.000 claims description 27
- 238000012545 processing Methods 0.000 claims description 26
- 238000004364 calculation method Methods 0.000 claims description 17
- 238000004422 calculation algorithm Methods 0.000 claims description 13
- 238000007405 data analysis Methods 0.000 claims description 13
- 230000008569 process Effects 0.000 claims description 10
- 238000004891 communication Methods 0.000 claims description 9
- 238000012797 qualification Methods 0.000 claims description 9
- 230000000007 visual effect Effects 0.000 claims description 4
- 238000003672 processing method Methods 0.000 claims description 3
- 238000007619 statistical method Methods 0.000 claims description 3
- 230000005540 biological transmission Effects 0.000 claims description 2
- 238000011156 evaluation Methods 0.000 abstract description 9
- 238000007689 inspection Methods 0.000 abstract description 4
- SAZUGELZHZOXHB-UHFFFAOYSA-N acecarbromal Chemical compound CCC(Br)(CC)C(=O)NC(=O)NC(C)=O SAZUGELZHZOXHB-UHFFFAOYSA-N 0.000 abstract description 2
- 230000006399 behavior Effects 0.000 description 23
- 230000006870 function Effects 0.000 description 19
- 238000005516 engineering process Methods 0.000 description 9
- 238000010586 diagram Methods 0.000 description 5
- 230000008901 benefit Effects 0.000 description 4
- 238000010276 construction Methods 0.000 description 4
- 238000013461 design Methods 0.000 description 4
- 238000011161 development Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 238000013439 planning Methods 0.000 description 4
- 238000007621 cluster analysis Methods 0.000 description 3
- 238000011835 investigation Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 230000009466 transformation Effects 0.000 description 3
- 206010000117 Abnormal behaviour Diseases 0.000 description 2
- 238000013459 approach Methods 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 238000013508 migration Methods 0.000 description 2
- 230000005012 migration Effects 0.000 description 2
- 239000000047 product Substances 0.000 description 2
- 230000029305 taxis Effects 0.000 description 2
- 238000003326 Quality management system Methods 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 230000004931 aggregating effect Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000013070 change management Methods 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000004141 dimensional analysis Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000002955 isolation Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000003032 molecular docking Methods 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 238000001556 precipitation Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 238000001931 thermography Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 238000012795 verification 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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/10—File systems; File servers
- G06F16/18—File system types
- G06F16/182—Distributed file systems
-
- 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
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2462—Approximate or statistical queries
-
- 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
- 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
- G06Q50/10—Services
- G06Q50/26—Government or public services
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Databases & Information Systems (AREA)
- Economics (AREA)
- General Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Data Mining & Analysis (AREA)
- Tourism & Hospitality (AREA)
- Development Economics (AREA)
- Probability & Statistics with Applications (AREA)
- Educational Administration (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Health & Medical Sciences (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Remote Sensing (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Traffic Control Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于交通大数据挖掘和智能分析的网约车和巡游车的监管方法。构建监管系统平台,包括交通信息层、硬件层、平台层、服务层、用户层;建立网约车营运动态监管平台,借助GIS地图实现网约车和出租车营运动态监管;整合网约车行业信息资源,建立信息共享与报送系统,实现行业业务信息、安全信息、评价信息、车辆和驾驶员基础信息等信息的共享和互联互通;建立公众信息服务平台和服务质量综合管理系统,实现网约车投诉信息、评价信息、执法稽查等服务质量信息的收集;建立应急处置监管平台,实现网约车行业应急处理能力。本发明为决策提供数据依据和技术支持,为后期安全运营提供数据支撑。
Description
技术领域
本发明涉及约租车监管方法,采集在本市运营的,并涵盖传统巡游出租车、网约车、私人小客车合乘车等各服务类型的约租车的基础数据、GPS数据和营运数据,建设规模化的约租车监管系统及其监管方法。
背景技术
网络预约出租汽车(以下简称网约车)是指以互联网技术为依托构建服务平台,接入符合条件的车辆和驾驶员,通过整合供需信息,提供非巡游的预约出租汽车服务。网约车平台将车辆、驾驶员和道路状况三方面的信息进行高效整合,平台负责接收订单,发送订单,根据客户的需求统一调度,将符合要求的车辆和目标乘客准确对接,实现点对点专程接送,完成供需双方的实时匹配,依靠网络信息共享实现命中出行计划。目前,根据网约车的车辆人员组成的不同,国内主要的网约车经营模式大致有三种:私家车和私家车主、平台自有车辆和平台公司驾驶员、租赁公司车辆和劳务公司驾驶员。
发明内容
本发明针对现有技术存在的不足,通过建立网约车营运动态监管平台,借助GIS(Geographic Information System,地理信息系统)地图,提供一种基于交通大数据挖掘和智能分析的网约车和巡游车的监管方法,实现网约车的营运动态监管。
实现本发明目的的技术方案是提供一种基于交通大数据挖掘和智能分析的网约车和巡游车的监管方法,包括如下步骤:
(1)构建监管系统平台,包括交通信息层、硬件层、平台层、服务层、用户层;
所述的交通信息层包括人员信息、车辆信息、车辆位置信息、道路信息和POI;
所述的硬件层包括车载设备、海量存储、数据服务器、网络服务器;车载设备通过对车辆的视频、订单、地理位置数据采集,将采集的位置、人员、车辆、道路、POI信息上传数据库;
所述的平台层包括应用支撑模块,用于连接硬件层与服务层;所述的应用支撑模块包括数据库、分布式文件系统和GIS;其中,数据库用于存储和处理硬件层采集的各种交通信息;分布式文件系统用于解决数据的存储和管理;GIS在硬件层和软件系统支持下,用于地理分布数据结合交通数据进行分析、显示和描述;
所述的服务层包括应用模块与数据处理模块;所述的应用模块包括地图车辆聚合大屏展示系统、网约车监控系统、资质审核系统、考试及管理系统、应急处置平台;所述的数据处理模块包括信息采集、位置服务、信息推送、信息搜索、数据挖掘与数据分析;
所述的用户层包括车辆使用人员、车辆监管人员,领导决策人员和供应商;
(2)通过硬件设备和服务模块中的数据处理模块对交通信息进行采集,采集方法包括如下步骤:
A1:数据服务器通过Internet接受从车载终端发送来的实时GPS数据、订单信息,并进行解析;
A2:数据服务器每隔一段时间,将解析后的若干个数据组成一个大数据包,通过局域网或专用网将该数据包发送至数据服务器中的计算集群服务器;
A3:计算集群服务器将大数据包拆分为多个单独的数据包,再依据各工作站的当前负载进行调度,将数据包分配给各个工作站进行数据处理;
A4:工作站对数据包进行处理,将得到的数据保存至数据库中,并对GPS数据进行经纬度计算处理,将处理后的数据返回至计算集群服务器;
A5:计算集群服务器将步骤A4中返回的GPS数据缓存到分布式缓存中的一个字典数据结构中,字典数据结构的键为车辆的标识符,键的值为一个内存结构与步骤A4返回的GPS数据一致的一个结构体,用于保存工作站处理返回的GPS数据;对应每个车辆标识符,字典数据结构中只保存一个对应的GPS时间最新的GPS数据,若需要保存的GPS数据的GPS时间比当前已保存的数据的GPS时间还要早的话,则放弃此次保存;
A6:将处理后的GPS数据、订单信息保存至数据库;
(3)通过服务模块中的应用模块,采用大屏系统,展示地图车辆聚合;
用于展示的地图车辆聚合的处理方法包括如下步骤:
B1:车辆监管人员启动客户端软件,加载电子地图,向数据服务器请求获取所有车辆的GPS数据,并发送当前地图范围的经纬度坐标及视野大小至数据服务器,请求进行地图内的车辆聚合统计;
B2:数据服务器收到GPS数据及地图内的车辆聚合统计请求,先将所有车辆按车辆标识符排序,分为几个小的车辆列表,并给每个列表编号,排序后的结果放在分布式缓存内;然后将各工作站要处理的车辆列表序号,请求聚合的地图范围的经纬度坐标,发送给各个工作站,分配各个工作站进行每个车辆列表的车辆聚合统计;
B3:数据服务器根据收到的请求车辆聚合统计的地图范围的经纬度坐标,将这部分地图再分割为N行 N列的 N*N个矩形格子,并计算出每个格子的长和宽,同时创建一个字典数据结构来存储统计结果,字典的键是格子的行和列,对应的值是一个对象,这个对象有两个成员变量,第一个成员变量是一个车辆总数计数器,用来存放该键对应的格子内车辆的总数 ;第二个成员变量是一个List对象,里面保存着该格子内的车辆标识符;然后工作站根据收到的自己要处理的车辆列表序号,从分布式缓存中获取待处理车辆列表的GPS数据,并循环遍历这个车辆GPS数据的List;
B4:工作站在步骤B3中所述的循环内部,使用地图引擎提供的接口,根据每辆车当前的经纬度判断该车辆是否在请求的地图范围,如果否,则跳到下一辆车,重新开始本步骤;如果是,则判断该车辆所在的格子,算法是:列=(GPS数据的经度-地图范围左上角的经度)/格子宽度 ,如果列不为整数,则列=取整(列)+1;行=(地图范围左上角的纬度-GPS数据的纬度)/格子长度 ,如果行不为整数,则行=取整(行)+1;判断之后,根据得到的[行,列],从所述字典数据结构中找到键对应的存储统计对象,将对应格子的车辆总数计数器加1;同时将此车辆的标识符加入到保存车辆标识符的List中;
B5:所有车辆GPS数据循环处理完成后,工作站将存储统计结果的字典进行二进制序列化后返回给服务器;
B6:数据服务器收到步骤B5中各个工作站返回的统计结果,当确认所有分配了任务的工作站都返回结果后服务器对所有的统计结果进行汇总:将各个统计结果中,有相同[行,列]对应的车辆总数计数器相加,得到步骤B3中所述的地图范围格子内的车辆总数;
B7:数据服务器需要同时向客户端返回一个List结构的数据,List的每个元素存储着一个步骤B3中所述的地图范围格子内的统计数据对象,统计数据对象内有的两个成员变量,分别为步骤B3中所述的地图各个格子区域内的车辆总数和地图各个格子区域的中心点经纬度坐标;设置一个阈值用于判断格子内的车辆总数,若车辆总数小于阈值,则将包含该格子内的所有车辆标识符列表数据结构;若车辆总数大于阈值,则不需要包含该格子内的车辆标识符列表数据结构;
B8:客户端收到数据服务器返回的统计结果List结构的数据,循环遍历该List,对每个步骤B3中所述的地图范围格子的统计结果,判断是否存在着该区域的车辆标识列表,如果不存在,则使用步骤B7中所述的格子区域的中心点经纬度坐标,在地图上绘制车辆聚合的标识图标,并在该图标下显示该区域的车辆数;如果统计结果中存在该区域的车辆标识列表,则根据这些车辆标识,从分布式缓存中获取这些车辆的最新GPS数据,并在地图上显示地图车辆聚合图标,用于大屏展示;
(4)监管部门依据地图车辆聚合状况作出监管调度决策。
上述技术方案中,所述的车辆聚合统计方法包括如下步骤:
C1:从数据库中获取车辆GPS点位信息,将点位对象放入优先队列;
C2:取出优先队列车辆点位对象p,若队列为空则取任意的车辆点位对象 ,搜索所取车辆点位的邻域,找到其邻域范围内的车辆点位对象,根据判断p是否为核心车辆点位对象;其中Eps表示邻域半径,MinPts表示密度阈值,表示车辆点位p对象的邻域;
C4:将由核心车辆点位对象p确定的邻域平均分成八等分,在二维平面上,形成八个象限;
C5:取最边缘的类标记车辆点位对象p,加入优先队列,来考察其是否能够成为新的核心车辆点位对象,重复步骤C1~C3;
C7:产生一个新的聚类;
C8:重复步骤C1~C6,直到完成全部车辆点位对象的处理,得到车辆点位对象的聚类结果,完成车辆聚合统计。
本发明所述的车载设备用于采集网约车视频、订单、地理位置数据,通过对位置、人员、车辆、道路、POI信息的采集,上传数据库。
本发明技术方案中所述的分布式文件系统将固定于某个地点的某个文件系统,扩展到任意多个地点/多个文件系统,将众多的节点组成一个文件系统网络,并将分布于不同地点的每个节点,通过网络进行节点间的通信和数据传输。
本发明采用基于分布式计算的地图聚合车辆刷新方法,运用分布式计算技术解决车辆显示数量瓶颈的问题,在保证提高系统性能的同时,增强系统的扩展性,降低维护升级的成本。基于分布式计算的地图聚合车辆刷新方法,包括两大部分,第一部分:服务器端接受并解析GPS数据;第二部分:客户端地图聚合。本发明将大数据分析和网约车监管平台相结合,通过大数据分析提高网约车监管平台的监管范围和效果,真正的实现智慧交通。
网约车监管平台的建立,将有效的实现网约车管理范围内的涵盖的网约车从业人员基础信息,网约车营运车辆基本信息,车辆营运信息,视频监控信息等信息采集,在此基础上,监管部门可以综合考虑人口数量、经济发展水平、出租汽车里程利用率、城市交通拥堵状况等因素,科学确定出租汽车运力规模及在城市综合交通运输体系中的分担比例。其中特别提到,“建立动态监测调整机制,每年评估市场供求情况并及时调整运力规模”。这有赖于各种大数据资源和数据处理平台的有力支撑。出租车行业为典型的大数据网约车,属于典型的大数据行业,随着监管平台的运行及不断完善,海量的人员,车辆,视频,设备及交易的数据将汇聚形成出租车及网约车大数据,经过不断的数据积累及沉淀,通过各类大数据分析的手段,最终将形成有数据支撑及科学依据的分析结果。
通过对各类汇聚数据(人员,车辆,企业)的大数据分析展示,不仅可以服务与交通管理职能部门,对网约车的规范运行及管理,对驾驶人员的行为进行监督约束,提升出租车的服务质量,缓解交通拥堵,并快速响应突发状况,为城市交通的良性运转提供科学的决策依据。同时大数据分析的手段也将大大提升出租车及网约车的经营企业的管理能力。
与现有技术相比,本发明具有以下优点和进步:
(1)提高系统适应性和经济性。系统设计严格按照国家有关标准,适应我国的政策法规、组织形式、数据格式和现有的设计及习惯,保证技术上的可行性和良好的性价比。在系统建设中,确保投资的长期有效使用。充分利用现有的电子政务平台,既保护已有设备投资又考虑新设各投资尽量减少项目的经费投入。
(2)采用现代管理理论,考虑系统先进性和开放性。应用公共管理、公共服务和公共经济等现代管理理论,在充分借鉴成功的网约车管理经验的基础上,为网约车管理创新建设提供一个完善的信息化平台。要求系统设计采用先进的概念、技术和方法,同时要求所采用的设备、工具相对成熟,并采用开放性标准以提高系统的兼容性,增强协同运行能力,保证系统功能不断扩展。
(3)实现信息共享,提高系统可靠性、安全性和易维护。网约车管理系统整合物联网、卫星定位,云计算等多种技术加强系统之间的互联互通、信息共享。网约车监控牵涉到车辆本身驾驶员的利益、安全,数据信息的实时性、安全保密性要求较高。在系统建设中,既要考虑信息资源的充分共享,又要注意信息的保护和隔离,建立完善的安全管理体系;系统具有高可靠性和强大的容错能力;系统要求易于维护,有良好的售后技术支持和完善的服务体系。
(4)结合大数据分析技术,全面深入的发现和监管行业需求及问题。随着网约车与巡游车大量应用移动互联网、大数据、云计算等最新的信息化高科技技术,每个消费者的基本信息及消费行为,每辆车和每位驾驶员的基本信息都能被移动设备(手机,出租车、网约车平台)记录,每辆车和每位驾驶员的服务行为,车辆行驶轨迹等都将可以通过物联网设备(IoT)如车载设备,GPS设备,视频监控设备进行采集。这为政府职能部门转变管理理念和更新管理手段提供了有利条件。将现代化信息技术引入政府管理,推动传统出租汽车行业转型升级,也将进一步改变当前的出租车业务形态,为网约车与出租车“量体裁衣”制定管理办法和制度,促进出租车新业态良好合规的发展。
附图说明
图1是本发明提供的基于交通大数据挖掘和智能分析的网约车和巡游车监管系统的结构示意图;
图2是本发明实施例提供的交通信息的采集方法的流程图;
图3是本发明实施例提供的用于大屏展示的地图车辆聚合处理的流程图;
图4是本发明实施例提供的车辆聚合统计方法的流程图。
具体实施方式
以下结合附图和具体实施例对本发明技术方案作进一步的描述。
实施例1
参见附图1,是本发明提供的基于交通大数据挖掘和智能分析的网约车和巡游车监管系统的结构示意图;监管系统包括交通信息层、硬件层、平台层、服务层和用户层。
交通信息层包括人员信息、车辆信息、车辆位置信息、道路信息和POI;
硬件层包括车载设备、海量存储、数据服务器、网络服务器;车载设备通过对车辆的视频、订单、地理位置数据采集,将采集的位置、人员、车辆、道路、POI信息上传数据库;
平台层包括应用支撑模块,用于连接硬件层与服务层;应用支撑模块包括数据库、分布式文件系统和GIS;其中数据库用于处理硬件层采集的各种交通信息;分布式文件系统有效解决数据的存储和管理难题;将固定于某个地点的某个文件系统,扩展到任意多个地点/多个文件系统,众多的节点组成一个文件系统网络;分布在不同地点的每个节点,通过网络进行节点间的通信和数据传输;GIS是在计算机硬、软件系统支持下,有关地理分布数据结合交通数据进分析、显示和描述;
服务层包括应用模块与数据处理模块;应用模块包括地图车辆聚合大屏展示系统、网约车监控系统、资质审核系统、考试及管理系统、应急处置平台与其他系统;数据处理模块包括信息采集、位置服务、信息推送、信息搜索、数据挖掘与数据分析,数据处理中主要为地图车辆聚合展示,车辆聚合,根据点位分析和车辆聚合分析为监管部门提供调度依据。
用户层主要为使用角色,包括车辆使用人员、车辆监管人员,领导决策人员和供应商。服务层为不同的用户提供不同的服务,为车辆使用人员提供交通拥堵等信息,为监管人员提供交通分析数据用以做出决策。
车载设备用于采集网约车视频、订单、地理位置数据,通过对位置、人员、车辆、道路、POI信息的采集,上传数据库;数据库是整个系统的核心,存储着所有的业务数据以及车辆行驶数据。数据服务器用于分析处理数据库中的数据,进行大数据分析,网络服务器用于在线服务及系统平台间的协作。
本实施例基于交通大数据挖掘和智能分析的网约车和巡游车行业监管系统通过Web服务器联结操作用户与中心数据库,完成用户对车辆的监控和管理的具体操作。
1.查询统计,实现对约车(网约车、巡游车和私人小客车合乘车)行业车辆营运各方面数据进行汇总、分析、统计、查询,方便管理人员对约车行业的管理。
其中包括首页,首页采用图表形式展示车辆数量,车辆在线率,上线率空载里程,网约车营运指标等功能;车辆基础信息查询,可根据车牌号码,行政区划,服务类型,公司名称,车架号,运输证号等查询车辆相关信息,如车辆基本信息,保险信息,驾驶员信息和营运信息;驾驶员基础信息查询,可根据驾驶员姓名,车牌号,公司,行政区划,服务类型等条件查询出符合条件的驾驶员及其相关信息;企业(平台)基础信息查询,根据公司名称、统一社会信用代码、行政区域、法人代表姓名、法人代表身份证等条件查询出符合条件的企业及其相关信息;营运信息查询,可根据服务类型、行政区划、公司名称、车辆号牌、车辆VIN码、发动机号等条件查询车辆的营运数据信息;企业营运数据查询,可根据服务类型、行政区划、公司名称、查询时间段起、查询时间段止等条件查询出企业经营区域、实时运营车辆数、实时订单等信息;未报备驾驶员经营活动统计,可根据服务类型、行政区划、公司名称、车辆号牌、订单编号、订单状态、查询时间起、查询时间止、订单金额、驾驶员姓名、驾驶员联系方式、机动车驾驶证号、车辆VIN码、发动机号、载客里程这些条件查询企业未报备驾驶员人数及其运营情况;未报备车辆经营活动统计,可根据服务类型、行政区划、公司名称、车辆号牌、订单编号、订单状态、查询时间起、查询时间止、订单金额、驾驶员姓名、驾驶员联系方式、机动车驾驶证号、车辆VIN码、发动机号、载客里程这些条件查询企业未报备车辆数及其运营情况;网约车营运数据统计,可根据公司名称、行政区划、公司名称、车辆号牌、订单编号、订单状态、查询时间起、查询时间止、订单金额、驾驶员姓名、驾驶员联系方式、机动车驾驶证号、车辆VIN码、发动机号、载客里程这些条件查询网约车企业营运的相关数据;巡游车营运数据统计,可根据公司名称、行政区划、公司名称、车辆号牌、订单编号、订单状态、查询时间起、查询时间止、订单金额、驾驶员姓名、驾驶员联系方式、机动车驾驶证号、车辆VIN码、发动机号、载客里程这些条件查询巡游车企业营运的相关数据等26个子功能。
建立网约车资质审查与管理系统,为行业监管单位提供一种便捷的管理手段,通过对从互联网上申报而来的行业基础信息,依据《本市网络预约出租汽车和私人小客车合乘管理实施细则(试行)》的要求,依法统一受理并进行资质审查与管理,为后期行业监管把好关口。在申报入网和日常运营资质审查过程中,做好申报信息的报备、注册、注销管理。
2.营运监管,实现约车(网约车、巡游车和私人小客车合乘车)行业车辆营运动态监管,对网约车行业进行全过程、全方位、实时动态监管,增强网约车行业营运信息的实时监测和预报警。 借助电子地图,实时了解和掌握情况,真实的将数据反应到地图上,使看似无序、杂乱的数据,在地图上真实的展示行业监管所要监控的信息,提高行业监管信息化水平。
其中包括大屏展示,根据实时数据,将企业(平台)数指标、上线率指标、车辆上线数指标、地图等信息展示在大屏中;综合仪表盘,根据实时数据展示网约车、巡游车的运行基本情况;车辆定位展示,根据车辆号牌查询车辆实时位置;车辆聚合分布展示,在电子地图上以聚合的方式展现车辆分布信息,以分级缩放在地图上显示车辆卫星定位点的聚集度和实时位置状态,并定时刷新;车辆聚合展示,在电子地图上以聚合的方式展现车辆分布信息,以分级缩放在地图上显示车辆卫星定位点的聚集度和实时位置状态,并定时刷新;车辆实时跟踪,根据车牌号等信息查询指定车辆后,对指定车辆进行实时位置跟踪;车辆轨迹回放,根据车辆号牌查询某时间段内车辆行驶轨迹等22个子功能。
建立行业管理辅助决策支撑系统,实现各服务平台提交的营运业务数据收集,对接入的大量数据进行深度挖掘和数据的可视化分析,并定期形成报告,协助监管部门对约租车实时监测,为巡游出租车顶层管理提供决策依据。
3.服务质量,实现网约车(网约车、巡游车和私人小客车合乘车)投诉信息、评价信息等服务信息等服务质量信息的收集,并根据行业相关标准和规范,对驾驶员服务评价、投诉执法等人员信用信息进行记录和查询。
其中包括企业(平台)信誉档案查询,根据查询条件查询企业信誉相关信息;服务信息查询,根据订单编号查询驾驶员相关信息及订单的服务评价相关信息;自动评分计算,根据相关的查询条件查询从业人员相关信息以及从业资格等相关信息;服务质量查询分析,根据相关的查询条件查询从业人员相关信息以及从业资格等相关信息;评分异常提醒,根据相关的查询条件查询从业人员的相关信息以及从业信息和评分相关信息。
建立服务质量综合管理系统,实现约租车投诉信息、评价信息、执法稽查等服务质量信息的收集,并根据行业相关标准和规范,实现管理服务平台、约租车以及驾驶员等服务质量信息的查询。
4.出租车调度系统查询功能包括电调查询,根据相关的搜索条件搜索电调订单的相关信息;电召统计,根据相关的查询条件统计符合条件的电召订单相关信息;导航查询,根据相关的搜索条件搜索符合条件的来电请求导航的车辆的及订单的相关信息;导航统计,根据相关的查询条件统计电召总数、成功数量等相关信息;司机信息管理,根据相关查询条件统计司机电召成功率等相关信息;召车乘客信息管理,根据相关的查询条件查询召车乘客的相关信息。
5.大数据应用功能,现在的社会是一个高速发展的社会,科技发达,信息流通,人们之间的交流越来越密切,生活也越来越方便。大数据的价值体现在以下几个方面:
(1)对大量消费者提供产品或服务的企业可以利用大数据进行精准营销;
(2)做小而美模式的中小微企业可以利用大数据做服务转型;
(3)面临互联网压力之下必须转型的传统企业需要与时俱进充分利用大数据的价值;
其中包括上下车地点迁徙,将大量的车辆的点位信息进行分析,将车辆的上下车地点以点的形式标记在地图上从而得到迁移点图;上下车热点分析,根据车辆的点位信息以及营运信息,对订单的上下车地点进行分析;订单热点分析,将不同地区订单的数量以热成像图的形式呈现在地图上,从而直观的看到地区订单热点状况;实时路况图,根据大量车辆的信息展示实时路况图。
车辆轨迹数据包含时间,车辆唯一代号,地理信息(经纬度),速度,方向,运营情况等数据。每分钟将产生大量的车辆轨迹信息,通过轨迹匹配算法可以生成车辆行驶道路路径,并通过轨迹聚类分析,识别出车辆的行为模式,加上速度,方向的数据维度,计算道路交通情况。 同时可以在以上维度的基础上加上区域的社会功能信息,实现热点区域,途径区域,上下车区域的实际情况分析。
空载车辆轨迹分析,对空载出租车的轨迹分析,研究当前驾驶员在空载时采取的行为(热点区域等待,热点道路巡游等),将来可以作为增值服务,为司机推荐空载时最佳驾驶路线,实现空载时间最短,油耗最少,收益最大化。
营运出租车轨迹分析,营运时出租车的轨迹,直接反映了道路的拥堵,驾驶人员的行为模式,包括正常的行为(躲避拥堵),异常的行为(绕路),一些行为通过聚类分析,可以有助于驾驶员营运效率,推送拥堵路段,拥堵时间,躲避拥堵的路线规划等增值服务给驾驶员。
6.私人客车合乘监管,包括私人小客车合乘信息服务平台查询,根据公司名称、统一社会信用代码、行政区域条件搜索企业信息以及企业法人相关信息并提供导出数据功能; 私人小客车合乘驾驶员行程发布查询,根据相关的查询条件搜索企业相关信息以及车辆号牌和驾驶员相关信息并提供操作功能;私人小客车合乘订单请求查询,根据相关的查询条件搜索符合查询条件的合乘订单信息;私人小客车合乘订单查询,根据相关的查询条件搜索符合查询条件的合乘订单信息;私人小客车合乘信息对比,根据相应的查询条件搜索企业相关信息以及合乘订单的相关信息;合乘效能统计,根据公司名称、开始时间、结束时间查询符合条件的合乘订单有关效能的信息;合乘订单统计,根据公司名称、开始时间、结束时间条件查询企业相关信息以及合乘订单数的相关信息。
本平台通过积极鼓励反馈行为的方式,最大化提升网约车软件设计使用率。适当增加奖励机制,提升乘客对于网约车用车体验进行反馈的可能性与参与热情。对应的需要权衡反馈信息真实性的审查方案;对于乘客已提交的反馈信息,平台作为乘客与司机之间的媒介平台,需要迅速反应、及时核查。并在判定反馈内容真实性的基础上,按照相应操作规范结合反馈内容进行处理,具体的处理措施需要针对具体情况,具体分析;加强追踪,对网约车辆与司机的实际行程时间、行车路线以及驾驶习惯等进行实时跟踪,并形成记录,针对订单完成过程中出现的问题,如发现司机疲劳驾驶、司机绕路、司机不规范驾驶等情况,软件端可以起到提醒语音播报功能。
7.系统管理功能包括用户管理、权限角色管理、外部接口管理和系统参数及常量管理。
8.建立约租车数据资源中心,采集在本市运营的,并涵盖传统巡游出租车、网约车、私人小客车合乘车等各服务类型的约租车的基础信息数据、经营信息数据、订单信息数据、定位信息数据、服务质量信息数据、执法稽查信息数据、以及私人小客车合乘信息数据等,建设本市约租车数据资源中心,为后续建设相关应用系统奠定良好的基础。
9.网约车及出租车对公共交通的影响分析。随着“互联网+”的出现,网约车业务蓬勃发展,研究发现越来越多的人放弃公共交通转而选择网约车出行。但是网约车是不是将替代公共交通(公交,地铁,轻轨),成为最终的出行方式,这将是政府交通管理部门关注的问题。通过对网约车与出租车监管平台的海量订单数据分析,可以研究网约车出租车的收益与公共交通潜在客户的流失是否存在显著相关性,以及通过分析人口因素,城市公交交通覆盖面,网约车及出租车覆盖率面,发掘公共交通和网约车公司之间的关系以及与城市街道交通拥堵情况的变化,车辆排放量的关系以及网约车用户与其他交通出行方式的用户之间的关系。最终提供网约车出租车与公交服务的互补服务,为公交服务发挥最后一公里的作用,实现与公交车的便捷换乘,而不是对公共交通的替代。
本发明通过软件系统平台的网约车数据对接系统和网约车智能监控平台,系统能够处理网约车基础数据接入、网约车人车信息监管、服务评价和质量监管,违法违章监管,以及大数据分析等功能。
查询统计功能实现对约车(网约车、巡游车和私人小客车合乘车)行业车辆营运各方面数据进行汇总、分析、统计、查询,方便管理人员对约车行业的管理。包括首页、车辆基础信息查询、驾驶员基础信息查询、企业(平台)基础信息查询等26种查询统计功能。
营运监管功能实现约车(网约车、巡游车和私人小客车合乘车)行业车辆营运动态监管,对网约车行业进行全过程、全方位、实时动态监管,增强网约车行业营运信息的实时监测和预报警。 借助电子地图,实时了解和掌握情况,真实的将数据反应到地图上,使看似无序、杂乱的数据,在地图上真实的展示行业监管所要监控的信息,提高行业监管信息化水平。
服务质量功能实现网约车(网约车、巡游车和私人小客车合乘车)投诉信息、评价信息等服务信息的收集,并根据行业相关标准和规范,对驾驶员服务评价、投诉执法等人员信用信息进行记录和查询。
出租车调度系统查询功能主要包括电调查询、电召统计、导航查询、导航统计、司机信息管理和召车乘客信息管理功能。
大数据应用现在的社会是一个高速发展的社会,科技发达,信息流通,人们之间的交流越来越密切,生活也越来越方便。大数据的价值体现在以下几个方面:
(1)对大量消费者提供产品或服务的企业可以利用大数据进行精准营销
(2)做小而美模式的中小微企业可以利用大数据做服务转型
(3)面临互联网压力之下必须转型的传统企业需要与时俱进充分利用大数据的价值.大数据应用主要有上下车地点迁徙图、上下车热点分析、订单热点分析和实时路况图等功能。
私人小客车合乘监管主要包含私人小客车合乘信息服务平台查询、私人小客车合乘驾驶员行程发布查询、私人小客车合乘订单请求查询、私人小客车合乘订单查询等功能。
本发明的系统管理功能,包括用户管理、权限角色管理、外部接口管理和系统参数及常量管理。
每辆车和每位驾驶员的基本信息都能被移动设备(手机,出租车、网约车平台)记录,每辆车和每位驾驶员的服务行为,车辆行驶轨迹等都将可以通过物联网设备(IoT)如车载设备,GPS设备,视频监控设备进行采集,采集的信息通过网络设备上传到中心数据库。
监管部门通过服务器,对车载硬件设备采集的GPS数据、视频监控数据、每辆车和每位驾驶员的服务行为数据进行车辆点位、车辆聚合等大数据分析,从而提供相应的位置服务、信息推送、信息搜索等服务功能,并为监管平台开发大屏系统、网约车监控系统、资质审核系统、考试及管理系统、应急处置平台与其他系统提供数据支持。
针对以上的服务模块需求,平台层模块为其提供信息资源与应用支撑。信息资源包括位置、人员、车辆、道路、POI(Point of Interest,POI,兴趣点)兴趣点等信息。应用支撑包括数据库、中间件、分布式文件系统、GIS等。
综合上述模块建立网约车营运动态监管平台,借助GIS地图实现网约车行业营运动态监管,整合网约车行业。
服务器接受并解析车辆GPS数据、订单信息等,并将数据存储到中心数据库。车载设备主要包括车载GPS定位系统、车载摄像头等。车辆行驶轨迹等都将可以通过物联网设备(IoT)如车载设备,GPS设备,视频监控设备进行采集。服务器负责中心与终端之间的通信,实现数据采集和指令下发。
服务器的特点:1.数据交换频率大,通讯服务器必需提供能同时与3000台终端进行数据交换的能力,并将终端上传的数据保存到中心服务器。2.数据时效性高,终端上传车辆定位数据周期必需小于30秒,报警数据必需立即上报到中心。
中心数据库是整个系统的核心,存储着所有的业务数据以及车辆行驶数据。该数据库具有以下特点:1.数据量较大,数据交换能力要求较高,数据存储能力要求达到100T级别,设计系统能存储300000台车2年以上的数据,10000个在线用户的数据访问。2.数据保密性要求比较高,中心服务器要求运行在区电子政务网络,逻辑与外网隔离,用户只能权限访问数据库。
服务器负责中心与终端之间的通信,实现数据采集和指令下发。通讯服务器的特点:2.数据交换频率大,通讯服务器必需提供能同时与3000台终端进行数据交换的能力,并将终端上传的数据保存到中心服务器。2.数据时效性高,终端上传车辆定位数据周期必需小于30秒,报警数据必需立即上报到中心。
本发明提供的监管方法,通过硬件设备和服务模块中的数据处理模块对交通信息进行采集,硬件设备包括车载设备、海量存储、数据服务器、网络服务器;交通信息包括人员信息、车辆信息、车辆位置信息、道路信息和POI。
本实施例中,车辆位置信息采集频率30s;视频监控包括语音和视频两部分;大数据分析以半年至两年的数据作为分析。
参见附图2,为本发明提供的交通信息采集方法的流程图,本实施例提供的硬件设备对位置、人员、车辆、道路、POI等信息的采集并上传数据库的处理方法,具体步骤包括:
步骤1:数据服务器通过Internet接受从车载终端发送来的实时GPS数据、订单信息等,并进行简单的解析;
步骤2:数据服务器每隔一段时间,将收到解析过的若干个数据组成一个大的数据包,通过局域网或者专用网将该数据包发送给计算集群服务器;
步骤3:计算集群服务器先将大数据包拆分为多个单独的数据包,然后根据各工作站的当前负载进行调度,将数据包分配给各个工作站进行数据处理;
步骤4:工作站处理数据包,保存数据到数据库中,并对GPS数据进行经纬度计算的处理,然后将处理后的数据返回给GPS计算集群服务器;
步骤5:GPS计算集群的主服务器将步骤4中返回的GPS数据缓存到分布式缓存中的一个字典数据结构中,该字典数据结构的键是车辆的标识符,该键的值就是一个内存结构与步骤4返回的GPS数据一样的一个结构体,用于保存工作站处理返回的GPS数据,对应每个车辆标识符,字典数据结构中只保存一个对应的GPS时间最新的GPS数据,如果要保存的GPS数据的GPS时间比当前已保存的数据的GPS时间还要早的话,则放弃此次保存。
客户端地图聚合基于密度的聚类分析算法可发现任意形状的簇并且能够较好地处理含有噪声的数据,因此广泛应用于分析遥感,地理信息系统(GIS)等空间数据分布情况。
本实施例中,用于大屏展示的地图车辆聚合处理的流程图参见附图3,具体包括如下步骤:`
步骤1:用户车辆监管人员启动客户端软件,加载电子地图,并向GPS计算集群主服务器请求获取所有车辆的GPS数据,并发送当前地图范围的经纬度坐标及视野大小给GPS计算集群主服务器,请求进行车辆聚合的统计计算;
步骤2:GPS计算集群主服务器收到GPS数据及地图聚合统计请求,首先将所有车辆按车辆标识符排序,分为几个小的车辆列表,并给每个列表编号,排序后的结果放在分布式缓存内;然后将各工作站要处理的车辆列表序号,请求聚合的地图范围的经纬度坐标,发送给各个工作站,分配各个工作站进行每个车辆列表的具体的车辆聚合统计;
步骤3:工作站根据收到的请求聚合的地图范围的经纬度坐标,将这部分地图再分割为N行 N列的 N*N个矩形格子,并计算出每个格子的长和宽,同时创建一个字典数据结构来存储统计结果,字典的键是格子的行和列,对应的值是一个对象,这个对象有两个成员变量,第一个成员变量是一个车辆总数计数器,用来存放该键对应的格子内车辆的总数 ;第二个成员变量是一个List 对象,里面保存着该格子内的车辆标识符;然后工作站根据收到的自己要处理的车辆列表序号,从分布式缓存中获取待处理车辆列表的GPS数据,并循环遍历这个车辆GPS数据的List;
步骤4:工作站在步骤3中所述的循环内部,使用地图引擎提供的接口,首先根据每辆车当前的经纬度判断该车辆是否在请求的地图范围,如果否,则跳到下一辆车,重新开始本步骤;如果是,则判断该车辆所在的格子,算法是:列=(GPS数据的经度-地图范围左上角的经度)/格子宽度 ,如果列不为整数,则列=取整(列)+1;行= (地图范围左上角的纬度-GPS数据的纬度)/格子长度 ,如果行不为整数,则行=取整(行)+1;判断之后,根据得到的[行,列],从所述字典数据结构中找到此键对应的存储统计对象,将对应格子的车辆总数计数器加1;同时将此车辆的标识符加入到保存车辆标识符的List中;
步骤5:所有车辆GPS数据循环处理完成后,工作站将存储统计结果的字典进行二进制序列化后返回给GPS计算集群主服务器;
步骤6:GPS计算集群主服务器收到步骤5中各个工作站返回的统计结果,当确认所有分配了此次任务的工作站都返回结果后,GPS计算集群主服务器对所有的统计结果进行汇总:将各个统计结果中,有相同[行,列]对应的车辆总数计数器相加,得到步骤3中所述的地图范围格子内的车辆总数;
步骤7:GPS计算集群主服务器需要同时向客户端返回一个List结构的数据,该List的每个元素存储着一个步骤3中所述的地图范围格子内的统计数据对象,该统计数据对象内有以下的成员变量:步骤3中所述的地图各个格子区域内的车辆总数;步骤3中所述的地图各个格子区域的中心点经纬度坐标;如果某格子内的车辆总数小于某个阈值,则应包含该格子内的所有车辆标识符列表数据结构;如果车辆总数大于该阈值,则不需要包含该格子内的车辆标识符列表数据结构;
步骤8:客户端收到计算集群主服务器返回的统计结果List结构的数据,循环遍历该List,对每个步骤3中所述的地图范围格子的统计结果,判断是否存在着该区域的车辆标识列表,如果不存在,则使用步骤7中所述的格子区域的中心点经纬度坐标,在地图上绘制车辆聚合的标识图标,并在该图标下显示该区域的车辆数;如果统计结果中存在该区域的车辆标识列表,则根据这些车辆标识,从分布式缓存中获取这些车辆的最新GPS数据,并在地图上显示这些车辆的图标;
步骤9:客户端定时向GPS计算集群主服务器发送地图聚合统计请求,每次在刷新地图前,先将原来的车辆图标全部清除。
车辆聚合过程中的聚合方法主要为考察数据库中的某一个车辆点位对象p,若p是核心车辆点位对象,则通过区域查询得到该车辆点位对象的邻域,邻域中的车辆点位对象和p同属于一个类,这些车辆点位对象将作为下一轮的考察对象(即种子车辆点位对象),并通过不断地对种子车辆点位对象进行区域查询来扩展它们所在的类,直至找到一个完整的类。然后,依此过程寻找其它的类,最后剩下的不属于任何类的车辆点位对象即为噪声。
以Eps表示邻域半径,MinPts表示密度阈值,dist(p,q)表示车辆点位p和车辆点位q之间的距离,D表示车辆点位数据库,DBSCAN算法为:
(2)核心车辆点位对象:如果将空间中某一对象p的邻域内包含的对象数目称为该对象的密度,那么对于给定的密度阈值MinPts,如果对象p的密度大于MinPts,则该对象为核心对象,反之称为非核心对象。
(3)直接密度可达:在数据库D中,车辆点位对象p在车辆点位对象q的以Eps为半径的邻域内,而q是一个核心车辆点位对象,则称车辆点位对象p从车辆点位对象q关于Eps和MinPts直接密度可达。
(5)密度连接:若存在车辆点位对象o,使得车辆点位对象p和车辆点位对象q都从o密度可达,则称p和q是密度连接的。
(6)簇(或类):一个基于密度可达性的最大密度相连车辆点位对象的集合。
(7)噪声:数据库D中不属于任何类的车辆点位对象为噪声。
算法原理:通过分析DBSCAN算法可以发现,由于许多核心对象的邻域相互重叠,所以对数据库中每个对象都进行邻域查询是没有必要的。在查询完一个核心对象的邻域后,只需要选择其邻域内中的一部分对象作为种子对象。
引理l设对象p是空间中的任意一个对象,如果p是核心对象,则p的邻域内的所有的对象都是从对象p直接密度可达的,也就是说它们属于同一个类。
引理2设对象p和q是空间中的任意两个核心对象,如果它们的邻域重叠且在重叠区域内存在一个对象o是核心对象,那么p和q两个对象的邻域内的所有对象属于同一类。
基于上述两个引理,得到改进后的基于网格索引的高效聚类算法CDBSCAN。在该算法中选择邻域内最边缘的对象作为考察对象,在这里直接检查q点是否为核心对象,如果q点是核心对象,则在该方向继续进行聚类扩张。在这里可以看到在新的算法中避免了o点的考察,进行一次扩张后直接将所在区域的点确定为类中的对象。考虑到方向上的不同,将空间分成不同的区域。
基于上述算法,本实施例在地图车辆聚合处理的步骤2中所采用的车辆聚集统计的流程如附图4所示,步骤如下:
步骤3:将由核心车辆点位对象p确定的邻域平均分成八等分,在二维平面上,也就是形成了八个象限;
步骤4:取最边缘的类标记车辆点位对象p,加入优先队列,来考察其是否能够成为新的核心车辆点位对象,重复步骤s1-s3;
步骤6:产生一个新的聚类;
步骤7:重复步骤1~6,直到处理完所有的车辆点位对象。
在确定第一个核心车辆点位对象后,该区域的所有对象包括每个象限最边缘的车辆点位对象也进行了类标记。一旦这些边缘类标记车辆点位对象成为核心车辆点位对象后,在这个新的核心车辆点位对象的邻域先不进行类标记,这是为了区分那些新的边缘车辆点位对象,以便下一步的计算,等到将这些边缘车辆点位对象加入到核心车辆点位对象的优先队列之后,再进行类标记。
本发明技术方案的主要特点包括:
1. 综合出租车辆运力分析(网约车及出租车):
对城市交通管理部门管辖范围内的巡游车及网约车在一年内的不同时段,不同区域内的车辆运行速度,接单数量,订单需求数量,交通拥堵状况,通过聚合分析,关联分析等多种大数据及人工智能分析手段,客观科学的提供出每个季度的出租车的运力分析图。在此基础的上,客管部门综合评判考虑城市人口、经济发展水平等社会因素,对网约车运力规模进行动态监测,并以此提出运力规划方案。通过合理的出租车运力规划调整,优化网约车与巡游车的比例,避免网约车对巡游车业务的冲击,同时进一步利用网约车实现对巡游车业务的有效补充。
2. 订单热力图动态展示高峰时段巡游车动态运力分配(网约车及出租车):
研究表明城市交通的需求和供给对城市的经济发展与市民生活有着息息相关的影响,其中最显而易见的是,出租车与网约车的订单将直接体现一个城市的交通需求情况,通过对订单中上车地点及下车地点与车辆的实际行驶轨迹进行比对分析,确认订单的有效性和正确性,并将订单的上车地点与下车地点在地图上标注及实时动态展示,形成城市在不同时段,不同事件相等各种因素相互影响下的订单热力图,同时可提供各种因素对城市订单的影响和比对—如城市交通某个区域及时段的与去年同比,分析出主要影响要素,判断为拥堵区域,事故多发时段,事故多发区域等提供强有力的科学依据。
在大数据分析结果的基础上,政府交通运输管理部门可对不同时段,不同区域,不同事件等搭建预测模型,进行分析预警,同时根据分析预测的结果,优化分配巡游车及网约车的运力,在满足城市大众出行的基本需求的基础上,避免城市的拥堵以及减少车辆的排放量,确保城市的环保达标。
3. 车辆轨迹数据的多视角多维分析
车辆轨迹数据包含时间,车辆唯一代号,地理信息(经纬度),速度,方向,运营情况等数据。每分钟将产生大量的车辆轨迹信息,通过轨迹匹配算法可以生成车辆行驶道路路径,并通过轨迹聚类分析,识别出车辆的行为模式,加上速度,方向的数据维度,计算道路交通情况。 同时可以在以上维度的基础上加上区域的社会功能信息,实现热点区域,途径区域,上下车区域的实际情况分析。
空载车辆轨迹分析,对空载出租车的轨迹分析,研究当前驾驶员在空载时采取的行为(热点区域等待,热点道路巡游等),将来可以作为增值服务,为司机推荐空载时最佳驾驶路线,实现空载时间最短,油耗最少,收益最大化。
营运出租车轨迹分析,营运时出租车的轨迹,直接反映了道路的拥堵,驾驶人员的行为模式,包括正常的行为(躲避拥堵),异常的行为(绕路),一些行为通过聚类分析,可以有助于驾驶员营运效率,提醒拥堵路段,拥堵时间,躲避拥堵的路线规划等增值服务给驾驶员。
4. 出租车驾驶行为分析---巡游车司机营运额、营运里程、空驶里程及营运时长分析:
研究表明,驾驶员的收入与他们的驾驶行为模式及策略有很大关系,收入高的司机具有相似的活动模式。例如:在交通高峰期避开拥堵地段,在交通低谷进入需求高的区域。影响驾驶行为与收入的因素很多,其中主要包括:接单距离,载客距离,载客时间,空驶里程,营运时长等。通过对驾驶员的行为模式与收益之间建立关系模型,预判驾驶行为模式可能带来的收入,通过大量的网约车和巡游车的驾驶员行为分析,推荐较好的驾驶行为,由此将巡游车的驾驶员日常运营,新手培训等多个方面带去更好的增值服务,为驾驶员带去更多的收入。
Claims (4)
1.基于交通大数据挖掘和智能分析的网约车和巡游车的监管方法,其特征在于包括如下步骤:
(1)构建监管系统平台,包括交通信息层、硬件层、平台层、服务层、用户层;
所述的交通信息层包括人员信息、车辆信息、车辆位置信息、道路信息和POI;
所述的硬件层包括车载设备、海量存储、数据服务器、网络服务器;车载设备通过对车辆的视频、订单、地理位置数据采集,将采集的位置、人员、车辆、道路、POI信息上传数据库;
所述的平台层包括应用支撑模块,用于连接硬件层与服务层;所述的应用支撑模块包括数据库、分布式文件系统和GIS;其中,数据库用于存储和处理硬件层采集的各种交通信息;分布式文件系统用于解决数据的存储和管理;GIS在硬件层和软件系统支持下,用于地理分布数据结合交通数据进行分析、显示和描述;
所述的服务层包括应用模块与数据处理模块;所述的应用模块包括地图车辆聚合大屏展示系统、网约车监控系统、资质审核系统、考试及管理系统、应急处置平台;所述的数据处理模块包括信息采集、位置服务、信息推送、信息搜索、数据挖掘与数据分析;
所述的用户层包括车辆使用人员、车辆监管人员,领导决策人员和供应商;
(2)通过硬件设备和服务模块中的数据处理模块对交通信息进行采集,采集方法包括如下步骤:
A1:数据服务器通过Internet接受从车载终端发送来的实时GPS数据、订单信息,并进行解析;
A2:数据服务器每隔一段时间,将解析后的若干个数据组成一个大数据包,通过局域网或专用网将该数据包发送至数据服务器中的计算集群服务器;
A3:计算集群服务器将大数据包拆分为多个单独的数据包,再依据各工作站的当前负载进行调度,将数据包分配给各个工作站进行数据处理;
A4:工作站对数据包进行处理,将得到的数据保存至数据库中,并对GPS数据进行经纬度计算处理,将处理后的数据返回至计算集群服务器;
A5:计算集群服务器将步骤A4中返回的GPS数据缓存到分布式缓存中的一个字典数据结构中,字典数据结构的键为车辆的标识符,键的值为一个内存结构与步骤A4返回的GPS数据一致的一个结构体,用于保存工作站处理返回的GPS数据;对应每个车辆标识符,字典数据结构中只保存一个对应的GPS时间最新的GPS数据,若需要保存的GPS数据的GPS时间比当前已保存的数据的GPS时间还要早的话,则放弃此次保存;
A6: 将处理后的GPS数据、订单信息保存至数据库;
(3)通过服务模块中的应用模块,采用大屏系统,展示地图车辆聚合;
用于展示的地图车辆聚合的处理方法包括如下步骤:
B1:车辆监管人员启动客户端软件,加载电子地图,向数据服务器请求获取所有车辆的GPS数据,并发送当前地图范围的经纬度坐标及视野大小至数据服务器,请求进行地图内的车辆聚合统计;
B2:数据服务器收到GPS数据及地图内的车辆聚合统计请求,先将所有车辆按车辆标识符排序,分为几个小的车辆列表,并给每个列表编号,排序后的结果放在分布式缓存内;然后将各工作站要处理的车辆列表序号,请求聚合的地图范围的经纬度坐标,发送给各个工作站,分配各个工作站进行每个车辆列表的车辆聚合统计;
B3:数据服务器根据收到的请求车辆聚合统计的地图范围的经纬度坐标,将这部分地图再分割为N行 N列的 N*N个矩形格子,并计算出每个格子的长和宽,同时创建一个字典数据结构来存储统计结果,字典的键是格子的行和列,对应的值是一个对象,这个对象有两个成员变量,第一个成员变量是一个车辆总数计数器,用来存放该键对应的格子内车辆的总数 ;第二个成员变量是一个List对象,里面保存着该格子内的车辆标识符;然后工作站根据收到的自己要处理的车辆列表序号,从分布式缓存中获取待处理车辆列表的GPS数据,并循环遍历这个车辆GPS数据的List;
B4:工作站在步骤B3中所述的循环内部,使用地图引擎提供的接口,根据每辆车当前的经纬度判断该车辆是否在请求的地图范围,如果否,则跳到下一辆车,重新开始本步骤;如果是,则判断该车辆所在的格子,算法是:列=(GPS数据的经度-地图范围左上角的经度)/格子宽度 ,如果列不为整数,则列=取整(列)+1;行=(地图范围左上角的纬度-GPS数据的纬度)/格子长度 ,如果行不为整数,则行=取整(行)+1;判断之后,根据得到的[行,列],从所述字典数据结构中找到键对应的存储统计对象,将对应格子的车辆总数计数器加1;同时将此车辆的标识符加入到保存车辆标识符的List中;
B5:所有车辆GPS数据循环处理完成后,工作站将存储统计结果的字典进行二进制序列化后返回给服务器;
B6:数据服务器收到步骤B5中各个工作站返回的统计结果,当确认所有分配了任务的工作站都返回结果后服务器对所有的统计结果进行汇总:将各个统计结果中,有相同[行,列]对应的车辆总数计数器相加,得到步骤B3中所述的地图范围格子内的车辆总数;
B7:数据服务器需要同时向客户端返回一个List结构的数据,List的每个元素存储着一个步骤B3中所述的地图范围格子内的统计数据对象,统计数据对象内有的两个成员变量,分别为步骤B3中所述的地图各个格子区域内的车辆总数和地图各个格子区域的中心点经纬度坐标;设置一个阈值用于判断格子内的车辆总数,若车辆总数小于阈值,则包含该格子内的所有车辆标识符列表数据结构;若车辆总数大于阈值,则不需要包含该格子内的车辆标识符列表数据结构;
B8:客户端收到数据服务器返回的统计结果List结构的数据,循环遍历该List,对每个步骤B3中所述的地图范围格子的统计结果,判断是否存在着该区域的车辆标识列表,如果不存在,则使用步骤B7中所述的格子区域的中心点经纬度坐标,在地图上绘制车辆聚合的标识图标,并在该图标下显示该区域的车辆数;如果统计结果中存在该区域的车辆标识列表,则根据这些车辆标识,从分布式缓存中获取这些车辆的最新GPS数据,并在地图上显示地图车辆聚合图标,用于大屏展示;
(4)监管部门依据地图车辆聚合状况作出监管调度决策。
2.根据权利要求1所述的基于交通大数据挖掘和智能分析的网约车和巡游车的监管方法,其特征在于:所述的车辆聚合统计方法包括如下步骤:
C1:从数据库中获取车辆GPS点位信息,将点位对象放入优先队列;
C2:取出优先队列车辆点位对象p,若队列为空则取任意的车辆点位对象,搜索所取车辆点位的邻域,找到其邻域范围内的车辆点位对象,根据判断p是否为核心车辆点位对象;其中Eps表示邻域半径,MinPts表示密度阈值,表示车辆点位p对象的邻域;
C4:将由核心车辆点位对象p确定的邻域平均分成八等分,在二维平面上,形成八个象限;
C5:取最边缘的类标记车辆点位对象p,加入优先队列,来考察其是否能够成为新的核心车辆点位对象,重复步骤C1~C3;
C7:产生一个新的聚类;
C8:重复步骤C1~C6,直到完成全部车辆点位对象的处理,得到车辆点位对象的聚类结果,完成车辆聚合统计。
3.根据权利要求1所述的基于交通大数据挖掘和智能分析的网约车和巡游车的监管方法,其特征在于:所述的车载设备用于采集网约车视频、订单、地理位置数据,通过对位置、人员、车辆、道路、POI信息的采集,上传数据库。
4.根据权利要求1所述的基于交通大数据挖掘和智能分析的网约车和巡游车的监管方法,其特征在于:所述的分布式文件系统将固定于某个地点的某个文件系统,扩展到任意多个地点/多个文件系统,将众多的节点组成一个文件系统网络,并将分布于不同地点的每个节点,通过网络进行节点间的通信和数据传输。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110321874.7A CN112801552A (zh) | 2021-03-25 | 2021-03-25 | 基于交通大数据挖掘和智能分析的网约车和巡游车的监管方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110321874.7A CN112801552A (zh) | 2021-03-25 | 2021-03-25 | 基于交通大数据挖掘和智能分析的网约车和巡游车的监管方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112801552A true CN112801552A (zh) | 2021-05-14 |
Family
ID=75815790
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110321874.7A Pending CN112801552A (zh) | 2021-03-25 | 2021-03-25 | 基于交通大数据挖掘和智能分析的网约车和巡游车的监管方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112801552A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113177054A (zh) * | 2021-05-28 | 2021-07-27 | 广州南方卫星导航仪器有限公司 | 一种设备位置更新方法、装置、电子设备及存储介质 |
CN113469390A (zh) * | 2021-06-02 | 2021-10-01 | 上海赛可出行科技服务有限公司 | 一种适用于大型网约车上报监管平台的管理系统 |
CN113689064A (zh) * | 2021-05-24 | 2021-11-23 | 广西电网有限责任公司电力科学研究院 | 一种透明化变电站管理系统架构 |
CN113743736A (zh) * | 2021-08-11 | 2021-12-03 | 上海钧正网络科技有限公司 | 热力等级确定方法、热力图生成方法、装置和电子设备 |
CN115049419A (zh) * | 2022-03-07 | 2022-09-13 | 首约科技(北京)有限公司 | 一种供需失衡识别和预警方法 |
CN115691170A (zh) * | 2022-11-03 | 2023-02-03 | 东南大学 | 一种基于号牌数据的城市干线道路子区划分方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103139287A (zh) * | 2012-12-11 | 2013-06-05 | 厦门雅迅网络股份有限公司 | 一种基于分布式计算的地图聚合车辆刷新方法 |
CN104574939A (zh) * | 2013-10-29 | 2015-04-29 | 上海沐风数码科技有限公司 | 基于3g网络的面向特大人口城市的出租车车载终端调控系统 |
-
2021
- 2021-03-25 CN CN202110321874.7A patent/CN112801552A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103139287A (zh) * | 2012-12-11 | 2013-06-05 | 厦门雅迅网络股份有限公司 | 一种基于分布式计算的地图聚合车辆刷新方法 |
CN104574939A (zh) * | 2013-10-29 | 2015-04-29 | 上海沐风数码科技有限公司 | 基于3g网络的面向特大人口城市的出租车车载终端调控系统 |
Non-Patent Citations (1)
Title |
---|
李筠: "一种基于网格索引的数据聚类算法", 《计算机工程与应用》 * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113689064A (zh) * | 2021-05-24 | 2021-11-23 | 广西电网有限责任公司电力科学研究院 | 一种透明化变电站管理系统架构 |
CN113177054A (zh) * | 2021-05-28 | 2021-07-27 | 广州南方卫星导航仪器有限公司 | 一种设备位置更新方法、装置、电子设备及存储介质 |
CN113469390A (zh) * | 2021-06-02 | 2021-10-01 | 上海赛可出行科技服务有限公司 | 一种适用于大型网约车上报监管平台的管理系统 |
CN113743736A (zh) * | 2021-08-11 | 2021-12-03 | 上海钧正网络科技有限公司 | 热力等级确定方法、热力图生成方法、装置和电子设备 |
CN113743736B (zh) * | 2021-08-11 | 2024-02-27 | 上海钧正网络科技有限公司 | 热力等级确定方法、热力图生成方法、装置和电子设备 |
CN115049419A (zh) * | 2022-03-07 | 2022-09-13 | 首约科技(北京)有限公司 | 一种供需失衡识别和预警方法 |
CN115691170A (zh) * | 2022-11-03 | 2023-02-03 | 东南大学 | 一种基于号牌数据的城市干线道路子区划分方法 |
CN115691170B (zh) * | 2022-11-03 | 2023-08-29 | 东南大学 | 一种基于号牌数据的城市干线道路子区划分方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Narayanan et al. | Shared autonomous vehicle services: A comprehensive review | |
Gurumurthy et al. | Analyzing the dynamic ride-sharing potential for shared autonomous vehicle fleets using cellphone data from Orlando, Florida | |
CN112801552A (zh) | 基于交通大数据挖掘和智能分析的网约车和巡游车的监管方法 | |
US9043151B2 (en) | Large scale demand responsive transit framework | |
CN110705747A (zh) | 一种基于大数据的智慧公共交通云脑体系 | |
Powell et al. | Towards reducing taxicab cruising time using spatio-temporal profitability maps | |
Lin et al. | Impact of weather conditions and built environment on public bikesharing trips in Beijing | |
Austin et al. | Taxicabs as public transportation in Boston, Massachusetts | |
CN103337007A (zh) | 一种基于云平台的智慧停车管理和服务系统 | |
CN111275965A (zh) | 一种基于互联网大数据的实时交通仿真分析系统与方法 | |
CN112002138A (zh) | 一种基于车载机的智慧出行系统 | |
Oskarbski et al. | Potential for ITS/ICT solutions in urban freight management | |
Aemmer et al. | Measurement and classification of transit delays using GTFS-RT data | |
González et al. | Utilization rate of the fleet: a novel performance metric for a novel shared mobility | |
Feng et al. | Environmental benefits mining based on data-driven taxi cruising recommendation strategy | |
Zhang et al. | Analysis of public transit operation efficiency based on multi-source data: A case study in Brisbane, Australia | |
Yuan et al. | Taxi high-income region recommendation and spatial correlation analysis | |
CN116090785B (zh) | 针对大型活动散场场景两阶段的定制公交规划方法 | |
Panichpapiboon et al. | A big data analysis on urban mobility: Case of Bangkok | |
Link et al. | Combining GPS tracking and surveys for a mode choice model: Processing data from a quasi-natural experiment in Germany | |
Lee et al. | Incorporating e-technology to advantage in a greener taxi industry and its impact on driving performance and safety | |
Linh et al. | Exploring the spatial transferability of FEATHERS–An activity based travel demand model–For Ho Chi Minh city, Vietnam | |
Yang et al. | Taxicab availability: empirical study of Kunshan, China | |
Vitale et al. | A smartphone based DSS platform for assessing transit service attributes | |
Moreira-Matias et al. | An online learning framework for predicting the taxi stand's profitability |
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: 20210514 |
|
RJ01 | Rejection of invention patent application after publication |