CN113240439A - 目标车辆识别方法、装置、电子设备及存储介质 - Google Patents
目标车辆识别方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN113240439A CN113240439A CN202110519131.0A CN202110519131A CN113240439A CN 113240439 A CN113240439 A CN 113240439A CN 202110519131 A CN202110519131 A CN 202110519131A CN 113240439 A CN113240439 A CN 113240439A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- predicted
- target
- area
- determining
- 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 54
- 238000003860 storage Methods 0.000 title claims abstract description 22
- 230000006855 networking Effects 0.000 claims description 34
- 238000004590 computer program Methods 0.000 claims description 3
- 230000000694 effects Effects 0.000 abstract description 6
- 238000012545 processing Methods 0.000 description 14
- 230000006399 behavior Effects 0.000 description 7
- 230000003287 optical effect Effects 0.000 description 6
- 238000005457 optimization Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 230000008859 change Effects 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 238000005192 partition Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000007619 statistical method Methods 0.000 description 3
- 239000013307 optical fiber Substances 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 241000282813 Aepyceros melampus Species 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 238000010230 functional analysis Methods 0.000 description 1
- 230000008707 rearrangement Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012360 testing method 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
- G06Q30/00—Commerce
- G06Q30/018—Certifying business or products
- G06Q30/0185—Product, service or business identity fraud
Landscapes
- Business, Economics & Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Accounting & Taxation (AREA)
- Development Economics (AREA)
- Economics (AREA)
- Finance (AREA)
- Marketing (AREA)
- Strategic Management (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明实施例公开了一种目标车辆识别方法、装置、电子设备及存储介质,该方法包括:获取各待预测车辆的车联网数据以及业务数据;其中,所述业务数据包括目标对象信息,负责对象信息以及登记区域;根据所述车联网数据,确定所述各待预测车辆在各预设区域内的区域行驶时长;根据所述区域行驶时长以及所述业务数据,确定目标车辆。通过本发明实施例的技术方案,实现了对不合规销售的目标车辆进行快速识别,进而提高业务人员的工作效率的技术效果。
Description
技术领域
本发明实施例涉及车联网技术,尤其涉及一种目标车辆识别方法、装置、电子设备及存储介质。
背景技术
在汽车产品的年度销售政策中,有一项关于跨区销售的政策。出台这项政策的目的是防止经销商之间相互跨区销售和扰乱市场价格,以维护市场秩序。
目前,针对跨区销售问题的处理方式是通过他人实名举报,在经由供应商找到被举报的经销商,根据经销商提供的证据判断是否存在跨区销售的问题。上述方式中存在许多的人员参与,耗费时间较长,并且还存在许多不确定因素的问题。同时,品牌商无法主动判断所售出的车辆是否存在跨区销售的违规行为,无法监控各经销商是否合规销售,给品牌商的业务人员的工作带来较大困难,甚至会导致大量经济损失和市场价格失衡的问题。
发明内容
本发明实施例提供了一种目标车辆识别方法、装置、电子设备及存储介质,以实现对不合规销售的目标车辆进行快速识别,进而提高业务人员的工作效率。
第一方面,本发明实施例提供了一种目标车辆识别方法,该方法包括:
获取各待预测车辆的车联网数据以及业务数据;其中,所述业务数据包括目标对象信息,负责对象信息以及登记区域;
根据所述车联网数据,确定所述各待预测车辆在各预设区域内的区域行驶时长;
根据所述区域行驶时长以及所述业务数据,确定目标车辆。
第二方面,本发明实施例还提供了一种目标车辆识别装置,该装置包括:
数据获取模块,用于获取各待预测车辆的车联网数据以及业务数据;其中,所述业务数据包括目标对象信息,负责对象信息以及登记区域;
区域行驶时长确定模块,用于根据所述车联网数据,确定所述各待预测车辆在各预设区域内的区域行驶时长;
目标车辆确定模块,用于根据所述区域行驶时长以及所述业务数据,确定目标车辆。
第三方面,本发明实施例还提供了一种电子设备,所述电子设备包括:
一个或多个处理器;
存储装置,用于存储一个或多个程序,
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如本发明实施例任一所述的目标车辆识别方法。
第四方面,本发明实施例还提供了一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现如本发明实施例任一所述的目标车辆识别方法。
本发明实施例的技术方案,通过获取各待预测车辆的车联网数据以及业务数据,以便于后续识别目标车辆,进而,根据车联网数据,确定各待预测车辆在各预设区域内的区域行驶时长,并根据区域行驶时长以及业务数据,确定目标车辆,解决了耗费人力资源来判断是否存在跨区销售的违规行为的问题,以及无法及时监控各经销商的销售行为的问题,实现了对不合规销售的目标车辆进行快速识别,进而提高业务人员的工作效率的技术效果。
附图说明
为了更加清楚地说明本发明示例性实施例的技术方案,下面对描述实施例中所需要用到的附图做一简单介绍。显然,所介绍的附图只是本发明所要描述的一部分实施例的附图,而不是全部的附图,对于本领域普通技术人员,在不付出创造性劳动的前提下,还可以根据这些附图得到其他的附图。
图1为本发明实施例一所提供的一种目标车辆识别方法的流程示意图;
图2为本发明实施例二所提供的一种目标车辆识别方法的流程示意图;
图3为本发明实施例三所提供的第一种目标车辆识别方法的流程示意图;
图4为本发明实施例三所提供的第二种目标车辆识别方法的流程示意图;
图5为本发明实施例三所提供的第三种目标车辆识别方法的流程示意图;
图6为本发明实施例三所提供的一种目标车辆识别方法的业务流程图;
图7为本发明实施例三所提供的一种目标车辆识别方法的数据处理流程图;
图8为本发明实施例三所提供的一种目标车辆识别结果导出流程图;
图9为本发明实施例四所提供的一种目标车辆识别装置的结构示意图;
图10为本发明实施例五所提供的一种电子设备的结构示意图。
具体实施方式
下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是,此处所描述的具体实施例仅仅用于解释本发明,而非对本发明的限定。另外还需要说明的是,为了便于描述,附图中仅示出了与本发明相关的部分而非全部结构。
实施例一
图1为本发明实施例一所提供的一种目标车辆识别方法的流程示意图,本实施例可适用于在对跨区域销售的目标车辆进行识别的情况,该方法可以由目标车辆识别装置来执行,该装置可以通过软件和/或硬件的形式实现,该硬件可以是电子设备,可选的,电子设备可以是移动终端,PC端等。
如图1所述,本实施例的方法具体包括如下步骤:
S110、获取各待预测车辆的车联网数据以及业务数据。
其中,待预测车辆可以是已售出的车辆,需要被判别是否属于跨区域销售。车联网数据可以包括待预测车辆行驶过程中的数据,例如:时间,经纬度,里程等。业务数据包括目标对象信息,负责对象信息以及登记区域。目标对象信息可以是购买待预测车辆的人员信息,可以包括购买人的姓名,所属城市等。负责对象信息可以是待预测车辆所对应的经销商的信息,可以包括经销商名称,经销商地址,所属城市等。登记区域可以是为待预测车辆上牌的城市。
具体的,为了判断待预测车辆是否是不合规销售的车辆,获取各待预测车辆的车联网数据以确定待预测车辆经常行驶的区域,获取业务数据以确定待预测车辆所对应的目标对象信息,负责对象信息和登记区域。
S120、根据车联网数据,确定各待预测车辆在各预设区域内的区域行驶时长。
其中,预设区域可以是预先划分的区域,例如:可以按照城市进行划分。区域行驶时长可以是待预测车辆在预设区域内行驶的时长,例如:待预测车辆在城市A的行驶时长为240小时。
具体的,在获取车联网数据后,可以根据车联网数据获取各待预测车辆的行驶数据。根据车联网数据中记录的待预测车辆的时间和经纬度信息,可以确定待预测车辆在不同预设区域内的行驶时长。
示例性的,根据车联网数据确定在过去90天(2160小时)内,待预测车辆A在城市X内的行驶时长为65天(1560小时),在城市Y内的行驶时长为10天(240小时),在城市Z内的行驶时长为15天(360小时)。
S130、根据区域行驶时长以及业务数据,确定目标车辆。
其中,目标车辆可以是不合规销售的车辆,即跨区销售的车辆。
具体的,根据区域行驶时长可以确定最长的区域行驶时长所对应的城市,结合负责对象所对应的城市,目标对象所对应的城市和登记区域,可以判断购买人所对应的城市中是否有经销商,判断待预测车辆上牌的城市与经销商所在城市是否一致和/或判断最长的区域行驶时长所对应的城市与经销商所在城市是否一致等。综合考量上述各判断结果,可以进一步确定待预测车辆是否为目标车辆。
本发明实施例的技术方案,通过获取各待预测车辆的车联网数据以及业务数据,以便于后续识别目标车辆,进而,根据车联网数据,确定各待预测车辆在各预设区域内的区域行驶时长,并根据区域行驶时长以及业务数据,确定目标车辆,解决了耗费人力资源来判断是否存在跨区销售的违规行为的问题,以及无法及时监控各经销商的销售行为的问题,实现了对不合规销售的目标车辆进行快速识别,进而提高业务人员的工作效率的技术效果。
实施例二
图2为本发明实施例二所提供的一种目标车辆识别方法的流程示意图,本实施例在上述各实施例的基础上,针对区域行驶时长的确定方式以及目标车辆的判断方式可参见本实施例的技术方案。其中,与上述各实施例相同或相应的术语的解释在此不再赘述。
如图2所示,本实施例的方法具体包括如下步骤:
S210、当接收到目标车辆识别请求时,确定目标车辆识别请求对应的待预测车辆。
其中,目标车辆识别请求可以是用于识别待预测车辆是否为目标车辆的指令或代码等,例如:目标车辆识别请求可以是当业务人员确定待预测车辆后,点击“识别”按钮时,生成的用于识别目标车辆的指令。目标车辆识别请求携带负责对象名称,车辆识别号码,大区名称中的至少一项。负责对象名称可以是经销商名称,车辆识别号码可以是车辆的VIN(Vehicle Identification Number,车架号码),是一组由十七个字母或数字组成,用于汽车上的一组独一无二的号码,可以识别汽车的生产商、引擎、底盘序号及其他性能等资料。大区名称可以是车辆品牌商划分的大区,例如:东区、西区、南区、北区和中区等,大区的具体划分规则可以根据品牌商的需求设定,在本实施例中不做具体。
具体的,业务人员可以根据实际需求选择识别范围,可以是根据负责对象名称,车辆识别号码,大区名称中的至少一项确定识别范围。进而,可以根据上述识别范围生成目标车辆识别请求。当接收到目标车辆识别请求时,可以对目标车辆识别请求进行解析,确定目标车辆识别请求所对应的待预测车辆。
示例性的,若根据目标车辆识别请求确定该请求携带的信息为经销商A,则可以将预设时间内(例如:3个月内,半年内等)由经销商A售出的车辆作为待预测车辆。若根据目标车辆识别请求确定该请求携带的信息为车辆识别号码B-车辆识别号码C,则可以将车辆识别号码B-车辆识别号码C所对应的售出车辆作为待预测车辆。若根据目标车辆识别请求确定该请求携带的信息为东区,则可以将东区范围内各经销商售出的车辆作为待预测车辆。若根据目标识别请求确定该请求携带的信息为经销商T,车辆识别号码H-车辆识别号码L,则可以将经销商T售出的车辆中车辆识别号码在H-L之间的车辆作为待预测车辆。
需要说明的是,预设时间可以是生成目标识别请求时确定的,时间的长短的具体设置可以根据业务人员需求设定。
S220、获取各待预测车辆的车联网数据以及业务数据。
具体的,获取各待预测车辆的车联网数据以确定待预测车辆经常行驶的区域,获取业务数据以确定待预测车辆所对应的目标对象信息,负责对象信息和登记区域。
若车辆售出时间较短,则可能会将车辆试驾、加油或运输等过程中的车联网数据会影响目标车辆的识别。因此,为了避免车辆销售之前的车联网数据的影响,可以根据车辆的销售时间来确定车辆网数据。
可选的,若当前待预测车辆的目标对象信息请求变更时的时间信息与当前时刻之间的使用时间间隔小于预设时间间隔,则从数据湖中获取当前待预测车辆从时间信息到当前时刻之间的车联网数据;若使用时间间隔大于或等于预设时间间隔,从数据湖中获取当前待预测车辆在当前时刻之前在预设时间间隔内的车联网数据。
其中,目标对象信息请求变更时的时间信息可以是当前待预测车辆从经销商转移至购买人手中的时间,例如:可以是购买合同签订的时间等。使用时间间隔可以是当前待预测车辆购买人手中的总时长,预设时间间隔可以是预先设置的用于判断待预测车辆是否是目标车辆的时长。数据湖可以是存储车联网数据的存储空间。
具体的,若当前待预测车辆的使用时间间隔小于预设时间间隔,则表明当前待预测车辆售出时间较短,预设时间间隔内包括当前待预测车辆仍在经销商手中的时间。此时,可以从数据湖中获取目标对象信息请求变更时的时间信息与当前时刻之间的车联网数据,以判别当前待预测车辆是否为目标车辆。若当前待预测车辆的使用时间间隔大于或等于预设时间间隔,则表明当前待预测车辆售出时间较长,预设时间间隔内的车联网数据可以全部用于判断是否为目标车辆。此时,从数据湖中获取当前待预测车辆在当前时刻之前,在预设时间间隔内的车联网数据,以判别当前待预测车辆是否为目标车辆。
示例性的,预设时间间隔为90天,当前日期为2021年4月1日,待预测车辆A的目标对象信息请求变更时的时间信息为2021年3月1日,待预测车辆B的目标对象信息请求变更时的时间信息为2020年4月1日。根据上述信息,可以确定待预测车辆A的使用时间间隔为31天,待预测车辆B的使用时间间隔为365天。由于待预测车辆A的使用时间间隔小于预设时间间隔,则可以从数据湖中获取待预测车辆A从2021年3与1日至2021年4月1日的车联网数据。由于待预测车辆B的使用时间间隔大于或等于预设时间间隔,则可以从数据湖中获取待预测车辆B从2021年1月1日至2021年4月1日的车联网数据。
S230、根据车联网数据获取各待预测车辆的在各预测时刻的经纬度信息,并确定经纬度信息对应的预设区域。
其中,预测时刻可以是车联网数据中记录的各个时刻,经纬度信息可以是待预测车辆在预测时刻的经度和维度。
具体的,根据车联网数据中记录的数据,确定待预测车辆在各预测时刻的经纬度信息,进而,根据经纬度信息确定预设区域。
示例性的,根据待预测车辆在2021年4月1日15:00的车联网数据可以确定待预测车辆的经纬度信息为经度:117.2E,纬度:39.1N,将经纬度信息输入经纬度-行政区转换器中,可以确定预设区域为天津市。根据待预测车辆在2021年4月2日15:00的车联网数据可以确定待预测车辆的经纬度信息为经度:118.11E,纬度:39.36N,将经纬度信息输入经纬度-行政区转换器中,可以确定预设区域为河北省唐山市。
S240、根据各预测时刻和与各预测时刻对应的预设区域,确定各待预测车辆在各预设区域内的区域行驶时长。
具体的,在确定待预测车辆各预测时刻对应的预设区域后,可以统计确定待预测车辆在各预设区域内的区域行驶时长。
示例性的,获取待预测车辆在2021年1月1日至2021年4月1日的车联网数据,确定待预测车辆在2021年1月1日至2021年3月10日的预设区域为浙江省杭州市,2021年3月10日至2021年3月15日的预设区域为江苏省南京市,2021年3月15日至2021年4月1日的预设区域为浙江省杭州市。通过统计可以确定待预测车辆在浙江省杭州市的区域行驶时长为85天,在江苏省南京市的区域行驶时长为5天。
需要说明的是,车联网数据可以是通过GPS(Global Positioning System,全球定位系统)获取的,车联网数据中的预测时刻可以是具体到分钟或秒钟等的数据,区域行驶时长的精度可以是天,小时,分钟等,具体精度可以根据实际需求来设定。
S250、针对当前待预测车辆,根据当前待预测车辆的目标对象信息,确定目标对象对应的目标区域,并确定目标区域中是否存在待选择负责对象信息。
其中,目标区域可以是目标对象信息中记录的城市信息,也就是目标对象对应的城市。待选择负责对象可以是某一个城市内的全部负责对象,即某一城市内的全部经销商。
具体的,根据待预测车辆的目标对象信息,可以确定目标区域,即购买人所属的城市。进而,可以确定目标区域内是否有待选择负责对象信息,即是否有待预测车辆对应的经销商。
需要说明的是,若购买人的城市没有某一车辆的经销商,则购买人可以在其余城市购买该车辆,此种情况下的购买的待预测车辆不属于目标车辆。
还需要说明的是,可以将待预测车辆的目标对象信息请求变更时的时间信息作为时间节点,在该时间节点之前目标区域内不存在待选择负责对象信息,可以认为待预测车辆属于合规销售。即使在时间节点之后,目标区域内新增了待预测车辆对应的经销商,待预测车辆也属于合规销售。
S260、若是,则根据当前待预测车辆的负责对象信息确定负责对象对应的负责区域,并确定负责区域与登记区域是否一致。
其中,负责区域可以是负责对象所属的区域,即经销商负责销售的城市。
具体的,若否,则表明待预测车辆的购买人所属的城市没有该类型车辆的经销商,因此,购买人跨区域购买该类型的车辆不属于违规操作。若是,则表明待预测车辆存在违规操作的可能,需要进行进一步的判断。判断负责区域与登记区域是否一致,即判断经销商所属的城市与待预测车辆上牌城市是否一致。
S270、若不一致,则根据区域行驶时长确定当前待预测车辆在各预设区域内的时间占比,并根据时间占比和负责区域确定目标车辆。
具体的,若负责区域与登记区域一致,则表明经销商所对应的城市与待预测车辆的上牌城市是一致的,不属于跨区销售。若负责区域与登记区域不一致,则表明经销商所对应的城市与待预测车辆的上牌城市是不一致的,此时,待预测车辆存在违规销售的可能,需要进一步的判断。根据区域行驶时长计算当前待预测车辆在各预设区域内的时间占比,将时间占比最大的预设区域与负责区域进行比较,若相同,则可以确定当前待预测车辆属于合规销售;若不同,则可以确定当前待预测车辆属于跨区销售,并且,可以将当前待预测车辆作为目标车辆。
示例性的,待预测车辆对应的负责区域为浙江省杭州市。在90天内,待预测车辆在浙江省杭州市的区域行驶时长为80天,在江苏省南京市的区域行驶时长为10天。因此,可以确定时间占比为浙江省杭州市:8/9,江苏省南京市:1/9。此时,可以确定时间占比最大的预设区域与负责区域相同,确定待预测车辆属于合规销售,不是目标车辆。
可选的,可以根据下述步骤确定当前待预测车辆是否为目标车辆:
步骤一、根据区域行驶时长以及总行驶时长,确定当前待预测车辆在各预设区域内的时间占比。
其中,总行驶时长可以是全部区域行驶时长之和。
具体的,根据区域行驶时长确定总行驶时长,并将各区域行驶时长分别除以总行驶时长,得到当前待预测车辆在各预设区域内的时间占比。
步骤二、根据时间占比和预设行驶区域确定条件,确定目标行驶区域。
其中,预设行驶区域确定条件可以是预先设定的用于确定目标行驶区域的条件,例如:将时间占比最高的预设区域作为目标行驶区域,或将时间占比满足某一数值的预设区域作为目标行驶区域。目标行驶区域可以是待预测车辆使用过程中经常行驶的城市。
具体的,将时间占比满足预设行驶区域确定条件的预设区域作为目标行驶区域。
示例性的,待预测车辆在城市A的时间占比为35%,在城市B的时间占比为40%,在城市C的时间占比为25%。若预设行驶区域确定条件为将时间占比最高的预设区域作为目标行驶区域,则可以将城市B作为待预测车辆对应的目标行驶区域。若预设行驶区域确定条件为将时间占比大于30%的预设区域作为目标行驶区域,则可以将城市A和城市B作为待预测车辆对应的目标行驶区域。
步骤三、若目标行驶区域与负责区域不同,则确定当前待预测车辆为目标车辆。
具体的,若目标行驶区域为一个,则判断目标行驶区域与负责区域是否相同,若相同,则确定当前待预测车辆为合规销售;若不同,则确定当前待预测车辆为跨区销售,将当前待预测车辆确定为目标车辆。若目标行驶区域为多个,则确定目标行驶区域中是否存在负责区域,若存在,则确定当前待预测车辆为合规销售;若不存在,则确定当前待预测车辆为跨区销售,将当前待预测车辆确定为目标车辆。
S280、将目标车辆的车辆信息以预设方式展示。
其中,预设方式包括在线网页方式和离线表格方式中的至少一种。车辆信息可以包括目标车辆的目标对象信息,负责对象信息以及登记区域等。
具体的,在将待预测车辆全部识别完成后,确定目标车辆,并将目标车辆的车辆信息进行展示和统计分析。进而,可以将展示和统计分析的结果以预设方式进行展示,以使业务人员能够快速获取自己所需的信息。
示例性的,业务人员可以选择以在线网页的方式或离线表格的方式展示目标车辆的车辆信息。以在线网页的方式展示车辆信息可以更加直观的将识别结果展示给业务人员。以离线表格的方式展示车辆信息后,业务人员可以对离线表格(如:csv格式的表格等)进行二次加工,例如:通过函数分析,统计分析等对目标车辆的车辆信息进行二次分析。
本发明实施例的技术方案,通过确定目标车辆识别请求对应的待预测车辆,以满足业务人员的识别需求,获取各待预测车辆的车联网数据以及业务数据,根据车联网数据获取各待预测车辆的在各预测时刻的经纬度信息,并确定经纬度信息对应的预设区域,并根据各预测时刻和与各预测时刻对应的预设区域,确定各待预测车辆在各预设区域内的区域行驶时长,以确定待预测车辆经常使用的城市,针对当前待预测车辆,根据当前待预测车辆的目标对象信息,确定目标对象对应的目标区域,并确定目标区域中是否存在待选择负责对象信息,若是,则根据当前待预测车辆的负责对象信息确定负责对象对应的负责区域,并确定负责区域与登记区域是否一致,若不一致,则根据区域行驶时长确定当前待预测车辆在各预设区域内的时间占比,并根据时间占比和负责区域确定目标车辆,并且,将目标车辆的车辆信息以预设方式展示,解决了耗费人力资源来判断是否存在跨区销售的违规行为的问题,以及无法及时监控各经销商的销售行为的问题,实现了对不合规销售的目标车辆进行多重判别识别,提高识别准确度,进而提高业务人员的工作效率的技术效果。
实施例三
作为上述各实施例的可选实施方案,图3为本发明实施例三所提供的第一种目标车辆识别方法的流程示意图。
如图3所示,该方法的具体步骤如下:
a、获取输入的经销商信息和销售日期,并确定待预测车辆。
其中,经销商信息可以是负责对象信息,销售日期可以是目标对象信息请求变更时的时间信息。
具体的,业务人员可以根据需求输入想要进行识别的经销商信息和销售日期,根据业务人员输入的信息可以确定待预测车辆。
需要说明的是,若不输入经销商信息,则默认查询全部的经销商。若不输入销售日期,则默认查询最新的销售日期。
b、获取待预测车辆的购买人所对应的目标城市,判断目标城市是否为空白城市,若是,则待预测车辆属于合规销售,若否,则执行c。
其中,空白城市可以是没有经销商的城市。目标城市可以是购买人所属城市。
具体的,获取当前待预测车辆购买人的所属城市,进而,可以根据城市名称判断该城市在当前待预测车辆售出时是否为空白城市。若是,则表明当前待预测车辆属于合规销售车辆,结束对当前待预测车辆的识别。若否,则表明当前待预测车辆存在跨区销售的可能,需要进一步判断。
c、判断待预测车辆的上牌城市与经销商所在城市是否一致,若是,则待预测车辆属于合规销售,若否,则执行d。
具体的,获取当前待预测车辆的上牌城市,以及售出当前待预测车辆的经销商所在城市。进而,可以判断上述两个城市是否相同。若是,则表明当前待预测车辆属于合规销售车辆,结束对当前待预测车辆的识别。若否,则表明当前待预测车辆存在跨区销售的可能,需要进一步判断。
d、获取待预测车辆行驶时间占比最高的目标行驶城市,判断目标行驶城市与经销商所在城市是否一致,若是,则待预测车辆属于合规销售,若否,则待预测车辆属于跨区销售,待预测车辆为目标车辆。
其中,目标行驶城市可以是待预测车辆从售出至今,行驶时间占比最高的城市,也可以是在过去的预设时间段内,行驶时间占比最高的城市。
具体的,获取当前待预测车辆的车辆网数据,将车联网数据输入经纬度-行政区域转换器中,得到行政区域划分结果。并且,通过统计确定当前待预测车辆在各城市内的行驶时间,进而,确定当前待预测车辆在各城市内的行驶时间占比。获得当前待预测车辆行驶时间占比最高的目标行驶城市,并将目标行驶城市与经销商所在城市进行比较,判断二者是否相同。若是,则待预测车辆属于合规销售,若否,则待预测车辆属于跨区销售,待预测车辆为目标车辆。
图4为本发明实施例三所提供的第二种目标车辆识别方法的流程示意图。
如图4所示,该方法的具体步骤如下:
a、获取输入的车辆识别号码或车牌号,并确定待预测车辆。
具体的,业务人员可以根据需求输入想要进行识别的车辆识别号码或车牌号,根据业务人员输入的信息可以确定待预测车辆。
需要说明的是,VIN或车牌号可以批量输入,在输入时可以用空格或英文逗号等分隔符隔开。
b、获取待预测车辆的购买人所对应的目标城市,判断目标城市是否为空白城市,若是,则待预测车辆属于合规销售,若否,则执行c。
c、判断待预测车辆的上牌城市与经销商所在城市是否一致,若是,则待预测车辆属于合规销售,若否,则执行d。
d、获取待预测车辆行驶时间占比最高的目标行驶城市,判断目标行驶城市与经销商所在城市是否一致,若是,则待预测车辆属于合规销售,若否,则待预测车辆属于跨区销售,待预测车辆为目标车辆。
图5为本发明实施例三所提供的第三种目标车辆识别方法的流程示意图。
如图5所示,该方法的具体步骤如下:
a、获取输入的待识别月份。
其中,待识别月份可以是业务人员输入的想要进行识别的一个或多个月份。
需要说明的是,若不输入待识别月份,则默认将最近的一个月份作为待识别月份。
b、获取输入的待识别区域。
其中,待识别区域可以是业务人员输入的想要进行识别的一个或多个城市。
需要说明的是,若不输入待识别区域,则默认将全部城市作为待识别区域。
c、获取输入的待识别经销商名称。
其中,待识别区域可以是业务人员输入的想要进行识别的一个或多个城市。
需要说明的是,若不输入待识别经销商,则默认将全部经销商作为待识别经销商。
d、根据待识别月份、待识别区域和待识别经销商名称进行查询,输出目标车辆信息。
具体的,根据待识别月份、待识别区域和待识别经销商名称,确定待预测车辆。进而,可以判断待预测车辆是否为目标车辆。当全部待预测车辆识别完成后,可以输出目标车辆信息,以供业务人员查看和分析。
图6为本发明实施例三所提供的一种目标车辆识别方法的业务流程图。
如图6所示,该业务流程包括数据获取,风险识别和结果输出三个部分。
数据获取部分,可以获取经销商信息,销售日期信息,车辆VIN号,以及预置时间占比。并根据上述获取的信息,得到各相关数据拼接得到的数据集合。其中,预置时间占比可以是预先设置的行驶时间占比等,可以根据业务人员需求进行选择。
风险识别部分,可以根据时间、位置和轨迹城市的识别顺序进行识别。获取的业务数据可以包括经销商城市、销售日期和车牌登记城市,车联网数据可以包括车联网时间、车联网位置以及根据车联网位置确定的车辆行驶城市。并且,还可以获取时间占比标准、城市标准和空白城市标准。其中,时间占比标准可以是当在某城市内的行驶时间满足何种条件时,将该城市作为目标行驶区域。城市标准可以是划分城市的标准,即根据经纬度信息确定城市名称的标准。空白城市标准可以是确定没有经销商的城市为空白城市。
结果输出部分,可以是根据上述获取的信息以及各标准,确定目标车辆。并且,将目标车辆和/或分析过程输出至WEB页面,也可以导出Excel。
示例性的,将车联网位置信息(经度、纬度)转换为行政区划,计算三个月行驶轨迹中各个城市的行驶时长。对比车辆上牌城市与经销商所在城市是否一致,并且,对比三个月内行驶时长占比最高的城市与经销商所在城市是否一致。进而,根据车辆上牌城市与经销商所在城市的对比和行驶时长占比最高的城市与经销商所在城市的对比,综合判断经销商是否存在跨区销售的违规行为。
需要说明的是,业务人员可以根据实际情况调整销售时间区间、时间占比是否最高、预置时间占比、所在城市是否一致、大区等条件,可以是下拉选择,进而,根据上述信息查询需要的结果。业务人员可以根据经销商名称、销售时间、车辆VIN等多种维度查询目标经销商、待预测车辆是否存在跨区销售的违规行为。
图7为本发明实施例三所提供的一种目标车辆识别方法的数据处理流程图。
如图7所示,该方法的具体包括:
数据来源包括数据湖TDS(Total Distribution System,营销管理系统)业务数据和车联网IOT(Internet of Things,物联网)数据。根据IOT确定Hive(数据仓库工具)数据表。
TDS业务数据通过Sqoop(开源数据库数据转移工具)定期全量或增量抽取,以到达准时更新的目的。将Sqoop脚本通过Oozie(工作流调度引擎)调度组件设置成定时抽取进程,针对各个数据表大小的不同分别设置增量或全量抽取命令保证抽取的时效性。其中,更新的目的在于车辆销售和行驶数据每天都在增加,经销商开业等信息也需要进行抽取。
车联网IOT数据是直接获取数据湖中实时数据表中的数据,并进行ETL(Extract-Transform-Load,数据仓库技术)处理。可以是进行加密数据,解密处理,数据清洗,获取销售数据匹配车联网数据等。
获取ETL处理后的数据,将车联网数据带入到经纬度-行政区划转换器中得到带有车辆行政区划信息的车联网数据。将行政区划车联网数据和业务数据在Impala(新型查询系统)中按照逻辑规则分步骤进行处理,处理过程保存中间结果集,处理完成后得到最终结果集。其中,逻辑规则可以是识别目标车辆的识别规则,即多重判断规则。最终结果集可以是根据各中间结果集的结果确定的。
将逻辑加工后的处理结果(最终结果集)保存到Hive组件中,对结果集进行分区优化,提取关键字段优化等处理,提高结果查询的效率。其中,分区优化可以是按照月份,经销商等进行划分。关键字段优化可以是为不同字段添加标签,例如月份,车架号等。进行分区优化和关键字段优化的好处在于可以为数据添加索引信息,提高查询和识别的效率。
图8为本发明实施例三所提供的一种目标车辆识别结果导出流程图。
如图8所示,该方法的具体包括:
获取各待预测车辆在对应的经销商所在城市的时间占比表,车联网数据表以及GPS转行政区划表。进一步,上述三个表通过VIN号和经销商名称进行拼接。进而,可以根据月份,大区以及经销商名称等将数据表进行分组聚合。最终,可以得到结果集,该结果集中包含用户关心的字段信息(如:月份,区域,区域排名,经销商,跨区销售数量等指标)。
本实施例的技术方案,通过根据业务人员输入的查询条件,以及预先设置的识别规则对目标车辆进行识别和展示,解决了耗费大量人力资源来判断是否存在跨区销售的违规行为的问题,以及识别效率低和识别结果显示单一的问题,实现了联合使用业务数据和车联网数据以及采用大数据分布式技术提高识别准确率和效率,并能够多方式展示识别结果的技术效果。
实施例四
图9为本发明实施例四所提供的一种目标车辆识别装置的结构示意图,该装置包括:数据获取模块910、区域行驶时长确定模块920和目标车辆确定模块930。
其中,数据获取模块910,用于获取各待预测车辆的车联网数据以及业务数据;其中,所述业务数据包括目标对象信息,负责对象信息以及登记区域;区域行驶时长确定模块920,用于根据所述车联网数据,确定所述各待预测车辆在各预设区域内的区域行驶时长;目标车辆确定模块930,用于根据所述区域行驶时长以及所述业务数据,确定目标车辆。
可选的,区域行驶时长确定模块920,具体用于根据所述车联网数据获取所述各待预测车辆的在各预测时刻的经纬度信息,并确定所述经纬度信息对应的预设区域;根据所述各预测时刻和与所述各预测时刻对应的预设区域,确定所述各待预测车辆在各预设区域内的区域行驶时长。
可选的,目标车辆确定模块930,具体用于针对当前待预测车辆,根据所述当前待预测车辆的目标对象信息,确定目标对象对应的目标区域,并确定所述目标区域中是否存在待选择负责对象信息;若是,则根据所述当前待预测车辆的负责对象信息确定负责对象对应的负责区域,并确定所述负责区域与所述登记区域是否一致;若不一致,则根据所述区域行驶时长确定所述当前待预测车辆在各预设区域内的时间占比,并根据所述时间占比和所述负责区域确定目标车辆。
可选的,目标车辆确定模块930,还用于根据所述区域行驶时长以及总行驶时长,确定当前待预测车辆在各预设区域内的时间占比;根据所述时间占比和预设行驶区域确定条件,确定目标行驶区域;若所述目标行驶区域与所述负责区域不同,则确定所述当前待预测车辆为目标车辆。
可选的,所述装置还包括:待预测车辆确定模块,用于当接收到目标车辆识别请求时,确定所述目标车辆识别请求对应的待预测车辆;其中,所述目标车辆识别请求携带负责对象名称,车辆识别号码,大区名称中的至少一项。
可选的,数据获取模块910,还用于若当前待预测车辆的目标对象信息请求变更时的时间信息与当前时刻之间的使用时间间隔小于预设时间间隔,则从数据湖中获取所述当前待预测车辆从所述时间信息到当前时刻之间的车联网数据;若所述使用时间间隔大于或等于所述预设时间间隔,从所述数据湖中获取所述当前待预测车辆在当前时刻之前在所述预设时间间隔内的车联网数据。
可选的,所述装置还包括:车辆信息展示模块,用于将所述目标车辆的车辆信息以预设方式展示;其中,所述预设方式包括在线网页方式和离线表格方式中的至少一种。
本发明实施例的技术方案,通过获取各待预测车辆的车联网数据以及业务数据,以便于后续识别目标车辆,进而,根据车联网数据,确定各待预测车辆在各预设区域内的区域行驶时长,并根据区域行驶时长以及业务数据,确定目标车辆,解决了耗费人力资源来判断是否存在跨区销售的违规行为的问题,以及无法及时监控各经销商的销售行为的问题,实现了对不合规销售的目标车辆进行快速识别,进而提高业务人员的工作效率的技术效果。
本发明实施例所提供的目标车辆识别装置可执行本发明任意实施例所提供的目标车辆识别方法,具备执行方法相应的功能模块和有益效果。
值得注意的是,上述装置所包括的各个单元和模块只是按照功能逻辑进行划分的,但并不局限于上述的划分,只要能够实现相应的功能即可;另外,各功能单元的具体名称也只是为了便于相互区分,并不用于限制本发明实施例的保护范围。
实施例五
图10为本发明实施例五所提供的一种电子设备的结构示意图。图10示出了适于用来实现本发明实施例实施方式的示例性电子设备100的框图。图10显示的电子设备100仅仅是一个示例,不应对本发明实施例的功能和使用范围带来任何限制。
如图10所示,电子设备100以通用计算设备的形式表现。电子设备100的组件可以包括但不限于:一个或者多个处理器或者处理单元1001,系统存储器1002,连接不同系统组件(包括系统存储器1002和处理单元1001)的总线1003。
总线1003表示几类总线结构中的一种或多种,包括存储器总线或者存储器控制器,外围总线,图形加速端口,处理器或者使用多种总线结构中的任意总线结构的局域总线。举例来说,这些体系结构包括但不限于工业标准体系结构(ISA)总线,微通道体系结构(MAC)总线,增强型ISA总线、视频电子标准协会(VESA)局域总线以及外围组件互连(PCI)总线。
电子设备100典型地包括多种计算机系统可读介质。这些介质可以是任何能够被电子设备100访问的可用介质,包括易失性和非易失性介质,可移动的和不可移动的介质。
系统存储器1002可以包括易失性存储器形式的计算机系统可读介质,例如随机存取存储器(RAM)1004和/或高速缓存存储器1005。电子设备100可以进一步包括其它可移动/不可移动的、易失性/非易失性计算机系统存储介质。仅作为举例,存储系统1006可以用于读写不可移动的、非易失性磁介质(图10未显示,通常称为“硬盘驱动器”)。尽管图10中未示出,可以提供用于对可移动非易失性磁盘(例如“软盘”)读写的磁盘驱动器,以及对可移动非易失性光盘(例如CD-ROM,DVD-ROM或者其它光介质)读写的光盘驱动器。在这些情况下,每个驱动器可以通过一个或者多个数据介质接口与总线1003相连。系统存储器1002可以包括至少一个程序产品,该程序产品具有一组(例如至少一个)程序模块,这些程序模块被配置以执行本发明各实施例的功能。
具有一组(至少一个)程序模块1007的程序/实用工具1008,可以存储在例如系统存储器1002中,这样的程序模块1007包括但不限于操作系统、一个或者多个应用程序、其它程序模块以及程序数据,这些示例中的每一个或某种组合中可能包括网络环境的实现。程序模块1007通常执行本发明所描述的实施例中的功能和/或方法。
电子设备100也可以与一个或多个外部设备1009(例如键盘、指向设备、显示器1010等)通信,还可与一个或者多个使得用户能与该电子设备100交互的设备通信,和/或与使得该电子设备100能与一个或多个其它计算设备进行通信的任何设备(例如网卡,调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口1011进行。并且,电子设备100还可以通过网络适配器1012与一个或者多个网络(例如局域网(LAN),广域网(WAN)和/或公共网络,例如因特网)通信。如图所示,网络适配器1012通过总线1003与电子设备100的其它模块通信。应当明白,尽管图10中未示出,可以结合电子设备100使用其它硬件和/或软件模块,包括但不限于:微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。
处理单元1001通过运行存储在系统存储器1002中的程序,从而执行各种功能应用以及数据处理,例如实现本发明实施例所提供的目标车辆识别方法。
实施例六
本发明实施例六还提供一种包含计算机可执行指令的存储介质,所述计算机可执行指令在由计算机处理器执行时用于执行一种目标车辆识别方法,该方法包括:
获取各待预测车辆的车联网数据以及业务数据;其中,所述业务数据包括目标对象信息,负责对象信息以及登记区域;
根据所述车联网数据,确定所述各待预测车辆在各预设区域内的区域行驶时长;
根据所述区域行驶时长以及所述业务数据,确定目标车辆。
本发明实施例的计算机存储介质,可以采用一个或多个计算机可读的介质的任意组合。计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本文件中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。
计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括——但不限于无线、电线、光缆、RF等等,或者上述的任意合适的组合。
可以以一种或多种程序设计语言或其组合来编写用于执行本发明实施例操作的计算机程序代码,所述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++,还包括常规的过程式程序设计语言——诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
注意,上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解,本发明不限于这里所述的特定实施例,对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此,虽然通过以上实施例对本发明进行了较为详细的说明,但是本发明不仅仅限于以上实施例,在不脱离本发明构思的情况下,还可以包括更多其他等效实施例,而本发明的范围由所附的权利要求范围决定。
Claims (10)
1.一种目标车辆识别方法,其特征在于,包括:
获取各待预测车辆的车联网数据以及业务数据;其中,所述业务数据包括目标对象信息,负责对象信息以及登记区域;
根据所述车联网数据,确定所述各待预测车辆在各预设区域内的区域行驶时长;
根据所述区域行驶时长以及所述业务数据,确定目标车辆。
2.根据权利要求1所述的方法,其特征在于,所述根据所述车联网数据,确定所述各待预测车辆在各预设区域内的区域行驶时长,包括:
根据所述车联网数据获取所述各待预测车辆的在各预测时刻的经纬度信息,并确定所述经纬度信息对应的预设区域;
根据所述各预测时刻和与所述各预测时刻对应的预设区域,确定所述各待预测车辆在各预设区域内的区域行驶时长。
3.根据权利要求1所述的方法,其特征在于,所述根据所述区域行驶时长以及所述业务数据,确定目标车辆,包括:
针对当前待预测车辆,根据所述当前待预测车辆的目标对象信息,确定目标对象对应的目标区域,并确定所述目标区域中是否存在待选择负责对象信息;
若是,则根据所述当前待预测车辆的负责对象信息确定负责对象对应的负责区域,并确定所述负责区域与所述登记区域是否一致;
若不一致,则根据所述区域行驶时长确定所述当前待预测车辆在各预设区域内的时间占比,并根据所述时间占比和所述负责区域确定目标车辆。
4.根据权利要求3所述的方法,其特征在于,所述根据所述区域行驶时长确定所述当前待预测车辆在各预设区域内的时间占比,并根据所述时间占比和所述负责区域确定目标车辆,包括:
根据所述区域行驶时长以及总行驶时长,确定当前待预测车辆在各预设区域内的时间占比;
根据所述时间占比和预设行驶区域确定条件,确定目标行驶区域;
若所述目标行驶区域与所述负责区域不同,则确定所述当前待预测车辆为目标车辆。
5.根据权利要求1所述的方法,其特征在于,在获取各待预测车辆的车联网数据以及业务数据之前,还包括:
当接收到目标车辆识别请求时,确定所述目标车辆识别请求对应的待预测车辆;其中,所述目标车辆识别请求携带负责对象名称,车辆识别号码,大区名称中的至少一项。
6.根据权利要求1所述的方法,其特征在于,所述获取各待预测车辆的车联网数据,包括:
若当前待预测车辆的目标对象信息请求变更时的时间信息与当前时刻之间的使用时间间隔小于预设时间间隔,则从数据湖中获取所述当前待预测车辆从所述时间信息到当前时刻之间的车联网数据;
若所述使用时间间隔大于或等于所述预设时间间隔,从所述数据湖中获取所述当前待预测车辆在当前时刻之前在所述预设时间间隔内的车联网数据。
7.根据权利要求1所述的方法,其特征在于,在所述确定目标车辆之后,还包括:
将所述目标车辆的车辆信息以预设方式展示;其中,所述预设方式包括在线网页方式和离线表格方式中的至少一种。
8.一种目标车辆识别装置,其特征在于,包括:
数据获取模块,用于获取各待预测车辆的车联网数据以及业务数据;其中,所述业务数据包括目标对象信息,负责对象信息以及登记区域;
区域行驶时长确定模块,用于根据所述车联网数据,确定所述各待预测车辆在各预设区域内的区域行驶时长;
目标车辆确定模块,用于根据所述区域行驶时长以及所述业务数据,确定目标车辆。
9.一种电子设备,其特征在于,所述电子设备包括:
一个或多个处理器;
存储装置,用于存储一个或多个程序,
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如权利要求1-7中任一所述的目标车辆识别方法。
10.一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,该程序被处理器执行时实现如权利要求1-7中任一所述的目标车辆识别方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110519131.0A CN113240439A (zh) | 2021-05-12 | 2021-05-12 | 目标车辆识别方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110519131.0A CN113240439A (zh) | 2021-05-12 | 2021-05-12 | 目标车辆识别方法、装置、电子设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113240439A true CN113240439A (zh) | 2021-08-10 |
Family
ID=77133837
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110519131.0A Pending CN113240439A (zh) | 2021-05-12 | 2021-05-12 | 目标车辆识别方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113240439A (zh) |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102446322A (zh) * | 2010-09-30 | 2012-05-09 | 司晓哲 | 一种基于位置信息的防串货方法 |
CN102663621A (zh) * | 2012-04-12 | 2012-09-12 | 上海傲文市场营销策划有限公司 | 基于汽车经销商的小区客户开发模式精准营销管理系统 |
CN105279653A (zh) * | 2014-05-31 | 2016-01-27 | 惠州市德赛西威汽车电子股份有限公司 | 一种通用车载导航防串货的方法 |
CN106131126A (zh) * | 2016-06-23 | 2016-11-16 | 广州亿程交通信息有限公司 | 基于车联网云平台服务的车辆管理系统 |
CN107146090A (zh) * | 2017-04-07 | 2017-09-08 | 广州中国科学院计算机网络信息中心 | 窜货识别方法和装置 |
CN109242507A (zh) * | 2018-08-14 | 2019-01-18 | 淮北创之社信息科技有限公司 | 一种基于区块链的汽车交易追溯方法 |
CN109658117A (zh) * | 2019-01-21 | 2019-04-19 | 北汽福田汽车股份有限公司 | 车辆销售的监控系统及方法 |
CN110400154A (zh) * | 2018-04-20 | 2019-11-01 | 宝沃汽车(中国)有限公司 | 车辆销售行为合规认证方法、装置、介质、服务器及系统 |
CN111027718A (zh) * | 2019-10-30 | 2020-04-17 | 刘子豪 | 一种车辆交易跟车方法及系统 |
CN111242641A (zh) * | 2020-01-13 | 2020-06-05 | 杭州沃朴物联科技有限公司 | 窜货判定方法、装置、设备及介质 |
WO2020216308A1 (zh) * | 2019-04-23 | 2020-10-29 | 华为技术有限公司 | 一种网络资源调度方法及相关设备 |
-
2021
- 2021-05-12 CN CN202110519131.0A patent/CN113240439A/zh active Pending
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102446322A (zh) * | 2010-09-30 | 2012-05-09 | 司晓哲 | 一种基于位置信息的防串货方法 |
CN102663621A (zh) * | 2012-04-12 | 2012-09-12 | 上海傲文市场营销策划有限公司 | 基于汽车经销商的小区客户开发模式精准营销管理系统 |
CN105279653A (zh) * | 2014-05-31 | 2016-01-27 | 惠州市德赛西威汽车电子股份有限公司 | 一种通用车载导航防串货的方法 |
CN106131126A (zh) * | 2016-06-23 | 2016-11-16 | 广州亿程交通信息有限公司 | 基于车联网云平台服务的车辆管理系统 |
CN107146090A (zh) * | 2017-04-07 | 2017-09-08 | 广州中国科学院计算机网络信息中心 | 窜货识别方法和装置 |
CN110400154A (zh) * | 2018-04-20 | 2019-11-01 | 宝沃汽车(中国)有限公司 | 车辆销售行为合规认证方法、装置、介质、服务器及系统 |
CN109242507A (zh) * | 2018-08-14 | 2019-01-18 | 淮北创之社信息科技有限公司 | 一种基于区块链的汽车交易追溯方法 |
CN109658117A (zh) * | 2019-01-21 | 2019-04-19 | 北汽福田汽车股份有限公司 | 车辆销售的监控系统及方法 |
WO2020216308A1 (zh) * | 2019-04-23 | 2020-10-29 | 华为技术有限公司 | 一种网络资源调度方法及相关设备 |
CN111027718A (zh) * | 2019-10-30 | 2020-04-17 | 刘子豪 | 一种车辆交易跟车方法及系统 |
CN111242641A (zh) * | 2020-01-13 | 2020-06-05 | 杭州沃朴物联科技有限公司 | 窜货判定方法、装置、设备及介质 |
Non-Patent Citations (1)
Title |
---|
李宗耀;潘海斌;陈诚;: "商用车销售管理信息系统的设计与实现", 电子元器件与信息技术, no. 06 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Deng et al. | Integrating operational decisions into the planning of one-way vehicle-sharing systems under uncertainty | |
US20150161566A1 (en) | Workforce planning and analytics | |
US20130238399A1 (en) | Computer-Implemented Systems and Methods for Scenario Analysis | |
Ram et al. | SMARTBUS: A web application for smart urban mobility and transportation | |
du Preez et al. | A quantitative clustering analysis of paratransit route typology and operating attributes in Cape Town | |
CN110675238A (zh) | 客户标签配置方法、系统、可读存储介质及电子设备 | |
Ye et al. | Passenger flow prediction in bus transportation system using ARIMA models with big data | |
Gong et al. | An application-oriented model of passenger waiting time based on bus departure time intervals | |
Ma et al. | Public transportation big data mining and analysis | |
Jiang et al. | A scheme for determining vehicle routes based on Arc-based service network design | |
Zuting et al. | A synchronized strategy to minimize vehicle dispatching time: a real example of steel industry | |
CN114090608A (zh) | 数据报表的生成方法及装置 | |
Duganova et al. | Problems of introduction of digital technologies in the transport industry | |
Ronald et al. | Simulating ad-hoc demand-responsive transportation: a comparison of three approaches | |
Zhang et al. | Optimizing single-depot vehicle scheduling problem: fixed-interval model and algorithm | |
CN113240439A (zh) | 目标车辆识别方法、装置、电子设备及存储介质 | |
Du et al. | MetroViz: Visual analysis of public transportation data | |
JP2020057356A (ja) | 予備部品のバンドルの知能的予測 | |
Montero et al. | Using GPS tracking data to validate route choice in OD trips within dense urban networks | |
Ruch et al. | The impact of fleet coordination on taxi operations | |
WO2002059808A1 (en) | System and method of estimating travel times | |
Han et al. | Modeling System-Wide Urban Rail Transit Energy Consumption: A Case Study of Boston | |
CN111062555B (zh) | 城市画像的构建方法、装置、介质及电子设备 | |
CN113723974A (zh) | 一种信息处理方法、装置、设备及存储介质 | |
Teng et al. | An integrated method for urban transit evaluation and optimization |
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 |