CN113282835B - 停车地点推荐方法、装置和电子设备 - Google Patents

停车地点推荐方法、装置和电子设备 Download PDF

Info

Publication number
CN113282835B
CN113282835B CN202110669225.6A CN202110669225A CN113282835B CN 113282835 B CN113282835 B CN 113282835B CN 202110669225 A CN202110669225 A CN 202110669225A CN 113282835 B CN113282835 B CN 113282835B
Authority
CN
China
Prior art keywords
potential
parking place
parking
vehicle
places
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
Application number
CN202110669225.6A
Other languages
English (en)
Other versions
CN113282835A (zh
Inventor
密子恒
董旭
袁志勇
李万
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Neusoft Ruichi Automotive Technology Dalian Co ltd
Original Assignee
Neusoft Ruichi Automotive Technology Dalian Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Neusoft Ruichi Automotive Technology Dalian Co ltd filed Critical Neusoft Ruichi Automotive Technology Dalian Co ltd
Priority to CN202110669225.6A priority Critical patent/CN113282835B/zh
Publication of CN113282835A publication Critical patent/CN113282835A/zh
Application granted granted Critical
Publication of CN113282835B publication Critical patent/CN113282835B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/95—Retrieval from the web
    • G06F16/953—Querying, e.g. by the use of web search engines
    • G06F16/9535—Search customisation based on user profiles and personalisation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • 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
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Databases & Information Systems (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • General Engineering & Computer Science (AREA)
  • Educational Administration (AREA)
  • Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Development Economics (AREA)
  • Quality & Reliability (AREA)
  • Artificial Intelligence (AREA)
  • Operations Research (AREA)
  • Game Theory and Decision Science (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Marketing (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明公开了一种停车地点推荐方法、装置和电子设备。根据车辆数据确定待推荐车辆的潜在停车地点集合；对潜在停车地点集合中的非公共的潜在停车地点进行过滤，得到新的停车地点集合；确定新的停车地点集合中每个潜在停车地点的最大车位数和当前停车数，并基于最大车位数和当前停车数确定新的停车地点集合中每个潜在停车地点的推荐等级；根据每个潜在停车地点的推荐等级对待推荐车辆进行停车地点推荐。该方法对停车地点的确定不依赖于第三方数据，也不需要训练建模，实现过程简单方便，难度低，车辆数据的收集不局限于停车场，能覆盖路边的停车地点，可推荐的停车地点范围更加丰富。

Description

停车地点推荐方法、装置和电子设备
技术领域
本发明涉及数据处理的技术领域，尤其是涉及一种停车地点推荐方法、装置和电子设备。
背景技术
随着国民经济的发展，汽车保有量激增，随之而来的停车难问题困扰着大部分车主们。
现有的停车位推荐方法大多是通过采集停车场的信息进行分析推荐，但是停车场的信息一般很难获取到。因此，依赖第三方数据的停车地点推荐方式存在数据获取难度大的问题。此外，已有的停车地点推荐方法需要通过大量的离线计算训练建模才能达到效果，实现难度较大。另外，一些路边停车地点也容易被忽视，致使所能推荐的停车地点比较局限。
综上，现有的停车地点推荐方法存在数据获取难度大、实现困难、覆盖的停车地点不够全面的技术问题。
发明内容
有鉴于此，本发明的目的在于提供一种停车地点推荐方法、装置和电子设备，以缓解现有的停车地点推荐方法数据获取难度大、实现困难、覆盖的停车地点不够全面的技术问题。
第一方面，本发明实施例提供了一种停车地点推荐方法，包括：
根据车辆数据确定待推荐车辆的潜在停车地点集合，所述潜在停车地点集合中包括多个潜在停车地点；
对所述潜在停车地点集合中的非公共的潜在停车地点进行过滤，得到新的停车地点集合；
确定所述新的停车地点集合中每个潜在停车地点的最大车位数和当前停车数，并基于所述最大车位数和所述当前停车数确定所述新的停车地点集合中每个潜在停车地点的推荐等级；
根据所述每个潜在停车地点的推荐等级对所述待推荐车辆进行停车地点推荐。
进一步的，根据车辆数据确定待推荐车辆的潜在停车地点集合，包括：
获取所述待推荐车辆的目标行程的终点位置；
获取第一预设时间区间内的以所述终点位置为中心和预设半径圈定的范围内处于关键状态的车辆的全球定位系统GPS数据；所述关键状态包括起火状态和熄火状态；
根据所述GPS数据中的经纬度数据确定二维向量；
对所有所述二维向量进行聚类分析，得到多个类簇，每个类簇对应一个潜在停车地点；
根据所述多个类簇确定所述潜在停车地点集合。
进一步的，对所有所述二维向量进行聚类分析，包括：
遍历计算所述二维向量中的任意两个二维向量的曼哈顿距离；
基于所述曼哈顿距离的大小进行聚类，得到所述多个类簇。
进一步的，对所述潜在停车地点集合中的非公共的潜在停车地点进行过滤，包括：
确定各处于关键状态的车辆将所述潜在停车地点集合中的每个潜在停车地点作为停车点的次数；所述停车点是指车辆发生熄火时对应的潜在停车地点；
根据各处于关键状态的车辆将所述潜在停车地点集合中的每个潜在停车地点作为停车点的次数，确定各处于关键状态的车辆将每个潜在停车地点作为停车点的次数的均值和标准差；
若所述均值大于第一预设阈值且所述标准差小于第二预设阈值，则确定与所述均值和所述标准差对应的潜在停车地点为非公共的潜在停车地点；
去除所述潜在停车地点集合中的所有非公共的潜在停车地点，得到所述新的停车地点集合。
进一步的，确定所述新的停车地点集合中每个潜在停车地点的最大车位数和当前停车数，包括：
确定所述新的停车地点集合中每个潜在停车地点的配对时间，进而构建所述新的停车地点集合中每个潜在停车地点对应的配对时间集合；所述配对时间为同一辆车将所述潜在停车地点作为停车点的停车时间和将所述潜在停车地点作为驶离点的驶离时间；所述停车点是指车辆发生熄火时对应的潜在停车地点，所述驶离点是指车辆发生起火时对应的潜在停车地点；
根据所述配对时间集合确定每个潜在停车地点的最大车位数；
获取第二预设时间区间内的所述新的停车地点集合中每个潜在停车地点的停车数量，并将所述每个潜在停车地点的停车数量作为当前停车数。
进一步的，基于所述最大车位数和所述当前停车数确定所述新的停车地点集合中每个潜在停车地点的推荐等级，包括：
计算所述新的停车地点集合中每个潜在停车地点的当前停车数和最大车位数的比值；
根据所述比值确定每个潜在停车地点的推荐等级。
进一步的，根据所述比值确定每个潜在停车地点的推荐等级，包括：
若所述比值小于50％，则确定与所述比值对应的潜在停车地点为一级推荐停车地点；
若所述比值不小于50％，且所述比值小于75％，则确定与所述比值对应的潜在停车地点为二级推荐停车地点；
若所述比值不小于75％，则确定与所述比值对应的潜在停车地点为三级推荐停车地点。
进一步的，根据所述每个潜在停车地点的推荐等级对所述待推荐车辆进行停车地点推荐，包括：
根据每个潜在停车地点的最大经度、最小经度、最大纬度和最小纬度在地图中标示出对应的潜在停车地点，并标示出对应的推荐等级，以完成对所述待推荐车辆停车地点的推荐。
第二方面，本发明实施例还提供了一种停车地点推荐装置，包括：
第一确定模块，用于根据车辆数据确定待推荐车辆的潜在停车地点集合，所述潜在停车地点集合中包括多个潜在停车地点；
过滤模块，用于对所述潜在停车地点集合中的非公共的潜在停车地点进行过滤，得到新的停车地点集合；
第二确定模块，用于确定所述新的停车地点集合中每个潜在停车地点的最大车位数和当前停车数，并基于所述最大车位数和所述当前停车数确定所述新的停车地点集合中每个潜在停车地点的推荐等级；
停车地点推荐模块，用于根据所述每个潜在停车地点的推荐等级对所述待推荐车辆进行停车地点推荐。
第三方面，本发明实施例还提供了一种电子设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述第一方面任一项所述的方法的步骤。
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，所述计算机可读存储介质存储有机器可运行指令，所述机器可运行指令在被处理器调用和运行时，所述机器可运行指令促使所述处理器运行上述第一方面任一项所述的方法。
在本发明实施例中，提供了一种停车地点推荐方法，包括：先根据车辆数据确定待推荐车辆的潜在停车地点集合；然后，对潜在停车地点集合中的非公共的潜在停车地点进行过滤，得到新的停车地点集合；进而，确定所述新的停车地点集合中每个潜在停车地点的最大车位数和当前停车数，并基于所述最大车位数和所述当前停车数确定所述新的停车地点集合中每个潜在停车地点的推荐等级；最后，根据所述每个潜在停车地点的推荐等级对所述待推荐车辆进行停车地点推荐。通过上述描述可知，本发明的停车地点推荐方法不依赖于第三方数据(例如停车场提供的数据)，而是依赖于车辆数据确定待推荐车辆的潜在停车地点集合，其中的潜在停车地点可能包括一部分不适用于任意车主停车的停车地点(例如企业专属的停车地点)，因此需要对潜在停车地点集合中的非公共的潜在停车地点进行过滤，从而获得更加准确的公共的潜在停车地点，以避免停车地点推荐后车主仍然停车失败，另外，本发明的方法可以根据新的停车地点集合中每个潜在停车地点的最大车位数和当前停车数确定每个潜在停车地点的推荐等级，最后根据每个潜在停车地点的推荐等级进行停车地点推荐。即该方法对停车地点的确定不依赖于第三方数据，也不需要训练建模，实现过程简单方便，难度低，另外，车辆数据的收集不局限于停车场，还可以覆盖路边的停车地点，因此可推荐的停车地点更加丰富，准确性好，帮助车主解决了停车难的问题，缓解了现有的停车地点推荐方法数据获取难度大、实现困难、覆盖的停车地点不够全面的技术问题。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体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，下面描述中的附图是本发明的一些实施方式，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，还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的一种停车地点推荐方法的流程图；
图2为本发明实施例提供的一种停车地点推荐装置的结构示意图；
图3为本发明实施例提供的一种电子设备的示意图。
具体实施方式
下面将结合实施例对本发明的技术方案进行清楚、完整地描述，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。
正如前文描述，目前已有的推荐停车地点的方法依赖于第三方数据。第三方数据获取是比较复杂的，容易受到一定的限制。此外，往往需要训练建模才能够实现停车地点推荐。因此，方案实现难度比较高。此外，由于一般是从停车场获取数据来进行停车地点推荐，因此，只能推荐停车场，路边的停车地点则无法受到推荐，导致车主可选的停车地点范围较小。
基于以上问题，发明人经过研究发现随着可定位智能设备的普及与无线通讯技术的发展，大规模的用户位置数据被采集并持久化保存，形成了海量的GPS数据，这些数据中蕴藏着丰富的知识。因此针对上述问题提供了一种停车地点推荐方法、装置和电子设备。通过对这些数据进行挖掘分析有效筛选出可便于停车的公共的停车地点，一定程度上帮助车主解决停车难的问题。此外，因为本申请提供的方案不依赖第三方数据挖掘潜在停车地点，仅基于车辆本身行车数据在线感知停车地点并进行推荐，因此可推荐的停车地点更加丰富，推荐停车地点的实现难度大大降低。
实施例一：
根据本发明实施例，提供了一种停车地点推荐方法的实施例，需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。
参见图1，该图为本发明实施例提供的一种停车地点推荐方法的流程图。在本发明技术方案中，推荐停车地点主要包括三个环节，分别是识别对于车主的目的地的潜在停车地点，去除前一步中非公共的停车地点，最后基于剩余的潜在停车地点的容纳和停车情况得到每个停车点的推荐等级。上述三个环节具体通过图1所示的步骤S101-S104进行介绍。
如图1所示的停车地点推荐方法包括：
步骤S101：根据车辆数据确定待推荐车辆的潜在停车地点集合，潜在停车地点集合中包括多个潜在停车地点。
首先需要说明的是，停车地点不是指一个停车位，而是指包含至少一个停车位的区域。例如，停车地点可以是停车场中的停车点，也可以是路边的停车地点。并且对于停车地点的形状不进行限定。本步骤的执行目的是挖掘出对于待推荐车辆的车主的目标行程的终点位置的可选停车地点，这些可选的停车地点在本方案中命名为潜在停车地点。
本步骤可以通过如下方式执行：
获取待推荐车辆的目标行程的终点位置；获取第一预设时间区间内的以终点位置为中心和预设半径圈定的范围内处于关键状态的车辆的全球定位系统GPS数据；根据GPS数据中的经纬度数据确定二维向量；对所有二维向量进行聚类分析，得到多个类簇，每一个类簇对应一个潜在停车地点；根据多个类簇确定潜在停车地点集合。
其中，第一预设时间区间为当前行车时间之前的预设时间，上述第一预设时间区间和预设半径均可以根据实际需求选取。例如，第一预设时间区间可以选为当前行车时间之前的一个月或者一个星期等。预设半径可以选为500米或者800米等。关键状态包括起火状态和熄火状态，可以理解的是停车时车辆需要熄火，车辆启动时需要起火，而车辆的关键状态的发生离不开停车地点。以终点位置为中心和预设半径圈定的范围即是锁定了要挖掘的潜在停车地点的空间范围。如果以过于久远的数据挖掘潜在停车地点，容易因停车地点工程实施变动等因素导致挖掘结果推荐不准确。例如某停车地点在一年前存在，但是后来取消了。于是，通过第一预设时间区间的约束，不但可以缩小需要处理的GPS数据量，同时也可以提升挖掘出的潜在停车地点在时间上的有效性。
此处获得的GPS数据可以是海量车辆的GPS数据，不局限于个别车辆。只要是在当前行车时间之前第一预设时间区间内，以终点位置为中心和预设半径圈定的范围内处于关键状态的车辆，其GPS数据均可以收集下来用以挖掘潜在停车地点。
作为示例，GPS数据L＝(Lng,Lat,status,ts)，其中Lng为经度，Lat为纬度，status为车辆状态(1表示起火状态，0表是熄火状态)，ts为时间戳。根据GPS数据中的经纬度数据可以获得二维向量，经度和纬度分别作为二维向量的两个不同的维度。对所有二维向量进行聚类分析的方法不进行限定，例如可以遍历计算二维向量中的任意两个二维向量的曼哈顿距离；再基于曼哈顿距离的大小进行基于密度的聚类分析(例如DBSCAN算法)，得到多个类簇。可见在本发明实施例技术方案中通过收集的符合时间、空间和关键状态的车辆的GPS数据，能够最终识别出潜在停车地点。这些潜在停车地点可以归拢于一个潜在停车地点集合中。
曼哈顿距离可以表示为：|ln gm-ln gn|+|latm-latn|，其中ln gm和ln gn是两个不同的二维向量中的经度，latm和latn是该两个不同的二维向量中的纬度。
步骤S102：对潜在停车地点集合中的非公共的潜在停车地点进行过滤，得到新的停车地点集合。
前面提到获得了潜在停车地点集合，其中可能包含了很多的潜在停车地点。但是一些潜在停车地点可能是不对外的，即非公共能够使用的。而在向待推荐车辆的车主推荐停车地点时，如果推荐了这些非公共的潜在停车地点而车主不知晓其非公共使用的属性，沿着推荐地点去停车可能停车失败。为此，需要从前面提到的潜在停车地点集合中进行非公共的潜在停车地点的过滤，仅保留下公共的潜在停车地点。
为此，本步骤可以依照如下方式执行：
确定各处于关键状态的车辆将潜在停车地点集合中的每个潜在停车地点作为停车点的次数；停车点是指车辆发生熄火时对应的潜在停车地点；根据各处于关键状态的车辆将潜在停车地点集合中的每个潜在停车地点作为停车点的次数，确定各处于关键状态的车辆将每个潜在停车地点作为停车点的次数的均值和标准差；若均值大于第一预设阈值且标准差小于第二预设阈值，则确定与均值和标准差对应的潜在停车地点为非公共的潜在停车地点；去除潜在停车地点集合中的所有非公共的潜在停车地点，得到新的停车地点集合。
需要说明的是，之所以将均值大于第一预设阈值且标准差小于第二预设阈值作为判定潜在停车地点为非公共潜在停车地点的条件，是因为均值较大且标准差较小表示该潜在停车点使用频率较高且车主较为固定，而这一类的停车地点通常是非公共的。
需要说明的是，第一预设阈值和第二预设阈值均可以根据经验和实际需求进行设置，此处不做数值上的限定。
步骤S103：确定新的停车地点集合中每个潜在停车地点的最大车位数和当前停车数，并基于最大车位数和当前停车数确定新的停车地点集合中每个潜在停车地点的推荐等级。
前面提到，停车点是指车辆在潜在停车地点发生熄火时的潜在停车地点，与之相对的是，驶离点是指车辆在潜在停车地点发生起火时的潜在停车地点。对于同一个潜在停车地点，当车辆在此处熄火时可以作为停车点，此外还可以当车辆在此处起火时作为驶离点。(status＝0)表示车辆在此熄火，(status＝1)表示车辆在此起火。
在本申请实施例中，对停车地点进行推荐，需要确定新的停车地点集合中每个公共的潜在停车地点的推荐等级。推荐等级在一定程度上反映了对停车地点的推荐程度。例如推荐等级越高，推荐的程度越高。本申请实施例中通过计算潜在停车地点的最大车位数和当前停车数来获得推荐等级。因为没有直接获取第三方(例如停车场)的数据，因此最大车位数可以通过可挖掘的数据来估算。在本申请实施例中，获取第二预设时间区间内的新的停车地点集合中每个潜在停车地点的停车数量，并将每个潜在停车地点的停车数量作为当前停车数。第二预设时间区间为当前行车时间之前的预设时间。例如第二预设时间区间为当前行车时间之前的一小时，则当前停车数就是指在此之前一小时内潜在停车地点的停车数量。
上述的最大车位数和当前停车数均可以通过分析车辆自身的GPS数据来获得，不需要取用第三方数据。而推荐等级的具体确定方式有多种，例如可以根据当前停车数和最大车位数的比值来确定推荐等级，还可以根据最大车位数和当前停车数的差值来确定推荐等级。因此本申请实施例中对于推荐等级确定方式不加以限定。
下面介绍最大车位数的确定方式。
确定新的停车地点集合中每个潜在停车地点的配对时间，进而构建新的停车地点集合中每个潜在停车地点对应的配对时间集合；配对时间为同一辆车将潜在停车地点作为停车点的停车时间和将潜在停车地点作为驶离点的驶离时间；停车点是指车辆发生熄火时对应的潜在停车地点，驶离点是指车辆发生起火时对应的潜在停车地点。
根据车辆状态和时间，将停车点和驶离点两两配对。例如，停车点Ss＝(lats,lngs,0,tss)，驶离点Se＝(late,lnge,0,tse)。配对时间包括：tss和tse。从tss到tse这段时间就是这次停车的时间范围。在一个潜在停车地点的配对时间集合中，每一个车位都可能停过车辆，将在此潜在停车地点停放过的所有车辆的配对时间收集到配对时间集合中。如果配对时间集合中不同的配对时间构成的时间范围存在重叠，表示重叠时间内在该潜在停车地点停放过多个车辆。进而，可以根据该配对时间集合确定每个潜在停车地点的最大车位数。
利用配对时间获得最大车位数的方法可以是通过求解整数规划问题获得。整数规划问题的求解属于比较成熟的技术，此处将该技术应用于求解最大车位数的场景中，对具体实现过程不做赘述。
对于每一个潜在停车地点，求取当前车位数属于统计学比较常规的技术，此处不再赘述。
步骤S104：根据每个潜在停车地点的推荐等级对待推荐车辆进行停车地点推荐。
前面提到，对于新的停车地点集合中每个潜在停车地点，可以计算新的停车地点集合中每个潜在停车地点的当前停车数和最大车位数的比值；根据比值确定每个潜在停车地点的推荐等级。比值越低推荐等级越高。在一种可选的实现方式中，若比值小于50％，则确定与比值对应的潜在停车地点为一级推荐停车地点；若比值不小于50％，且比值小于75％，则确定与比值对应的潜在停车地点为二级推荐停车地点；若比值不小于75％，则确定与比值对应的潜在停车地点为三级推荐停车地点。以上推荐等级划分方式可以根据实际需求进行调整，此处不做限定。例如还可以划分为四个等级进行推荐。其中一级的推荐等级高于二级，二级的推荐等级高于三级。
停车地点的推荐等级越高，车主到达停车地点后找到空闲车位的几率越大，越容易发现空闲车位，进而完成停车。
在依据每个潜在停车地点的推荐等级进行停车地点推荐时，可以根据每个潜在停车地点的最大经度、最小经度、最大纬度和最小纬度在地图中标示出对应的潜在停车地点，并标示出对应的推荐等级，以完成对待推荐车辆停车地点的推荐。上述将所推荐的潜在停车地点的最大经度、最小经度、最大纬度和最小纬度标示到地图中，可以方便车主(或者其他用车人员)根据所标示的内容准确找到推荐的停车地点。
本申请提供的停车地点推荐方法不依赖于第三方数据(例如停车场提供的数据)，而是依赖于车辆自身的GPS数据。该方法中，首先根据车辆自身的数据分析挖掘，以获得潜在停车地点集合，潜在停车地点集合中包括多个潜在停车地点。这些潜在停车地点中可能包括一部分不适用于任意车主停车的潜在停车地点，例如企业专属的停车地点，因此有必要进行过滤以获得更加准确的公共的潜在停车地点，避免停车地点推荐后车主仍然停车失败。在之前获得的潜在停车地点集合中过滤掉非公共的潜在停车地点，获得新的停车地点集合。
具体到新的停车地点集合中每一个潜在停车地点，其中车位的占用量或占用率可能是不同的，因此可以根据新的停车地点集合中每个潜在停车地点的最大车位数和当前停车数获得新的停车地点集合中每个潜在停车地点的推荐等级，再依据每个潜在停车地点的推荐等级进行停车地点推荐。该方法对停车地点的确定不依赖于第三方数据，也不需要训练建模，实现过程简单方便，难度低。另外，车辆数据的收集不局限于停车场，还可以覆盖路边的停车地点，因此可推荐的停车地点范围更加丰富。该方法通过分析潜在停车地点和过滤非公共的潜在停车地点，实现了停车地点的精准推荐，帮助车主解决了停车难的问题。
实施例二：
本发明实施例还提供了一种停车地点推荐装置，该停车地点推荐装置主要用于执行本发明实施例一中所提供的停车地点推荐方法，以下对本发明实施例提供的停车地点推荐装置做具体介绍。
图2是根据本发明实施例的一种停车地点推荐装置的示意图，如图2所示，该装置主要包括：第一确定模块10、过滤模块20、第二确定模块30和停车地点推荐模块40，其中：
第一确定模块，用于根据车辆数据确定待推荐车辆的潜在停车地点集合，潜在停车地点集合中包括多个潜在停车地点；
过滤模块，用于对潜在停车地点集合中的非公共的潜在停车地点进行过滤，得到新的停车地点集合；
第二确定模块，用于确定新的停车地点集合中每个潜在停车地点的最大车位数和当前停车数，并基于最大车位数和当前停车数确定新的停车地点集合中每个潜在停车地点的推荐等级；
停车地点推荐模块，用于根据每个潜在停车地点的推荐等级对待推荐车辆进行停车地点推荐。
在本发明实施例中，提供了一种停车地点推荐装置，包括：先根据车辆数据确定待推荐车辆的潜在停车地点集合；然后，对潜在停车地点集合中的非公共的潜在停车地点进行过滤，得到新的停车地点集合；进而，确定新的停车地点集合中每个潜在停车地点的最大车位数和当前停车数，并基于最大车位数和当前停车数确定新的停车地点集合中每个潜在停车地点的推荐等级；最后，根据每个潜在停车地点的推荐等级对待推荐车辆进行停车地点推荐。通过上述描述可知，本发明的停车地点推荐方法不依赖于第三方数据(例如停车场提供的数据)，而是依赖于车辆数据确定待推荐车辆的潜在停车地点集合，其中的潜在停车地点可能包括一部分不适用于任意车主停车的停车地点(例如企业专属的停车地点)，因此需要对潜在停车地点集合中的非公共的潜在停车地点进行过滤，从而获得更加准确的公共的潜在停车地点，以避免停车地点推荐后车主仍然停车失败，另外，本发明的方法可以根据新的停车地点集合中每个潜在停车地点的最大车位数和当前停车数确定每个潜在停车地点的推荐等级，最后根据每个潜在停车地点的推荐等级进行停车地点推荐。即该方法对停车地点的确定不依赖于第三方数据，也不需要训练建模，实现过程简单方便，难度低，另外，车辆数据的收集不局限于停车场，还可以覆盖路边的停车地点，因此可推荐的停车地点更加丰富，准确性好，帮助车主解决了停车难的问题，缓解了现有的停车地点推荐方法数据获取难度大、实现困难、覆盖的停车地点不够全面的技术问题。
可选地，第一确定模块还用于：获取待推荐车辆的目标行程的终点位置；获取第一预设时间区间内的以终点位置为中心和预设半径圈定的范围内处于关键状态的车辆的全球定位系统GPS数据；关键状态包括起火状态和熄火状态；根据GPS数据中的经纬度数据确定二维向量；对所有二维向量进行聚类分析，得到多个类簇，每个类簇对应一个潜在停车地点；根据多个类簇确定潜在停车地点集合。
可选地，第一确定模块还用于：遍历计算二维向量中的任意两个二维向量的曼哈顿距离；基于曼哈顿距离的大小进行聚类，得到多个类簇。
可选地，过滤模块还用于：确定各处于关键状态的车辆将潜在停车地点集合中的每个潜在停车地点作为停车点的次数；停车点是指车辆发生熄火时对应的潜在停车地点；根据各处于关键状态的车辆将潜在停车地点集合中的每个潜在停车地点作为停车点的次数，确定各处于关键状态的车辆将每个潜在停车地点作为停车点的次数的均值和标准差；若均值大于第一预设阈值且标准差小于第二预设阈值，则确定与均值和标准差对应的潜在停车地点为非公共的潜在停车地点；去除潜在停车地点集合中的所有非公共的潜在停车地点，得到新的停车地点集合。
可选地，第二确定模块还用于：确定新的停车地点集合中每个潜在停车地点的配对时间，进而构建新的停车地点集合中每个潜在停车地点对应的配对时间集合；配对时间为同一辆车将潜在停车地点作为停车点的停车时间和将潜在停车地点作为驶离点的驶离时间；停车点是指车辆发生熄火时对应的潜在停车地点，驶离点是指车辆发生起火时对应的潜在停车地点；根据配对时间集合确定每个潜在停车地点的最大车位数；获取第二预设时间区间内的新的停车地点集合中每个潜在停车地点的停车数量，并将每个潜在停车地点的停车数量作为当前停车数。
可选地，第二确定模块还用于：计算新的停车地点集合中每个潜在停车地点的当前停车数和最大车位数的比值；根据比值确定每个潜在停车地点的推荐等级。
可选地，第二确定模块还用于：若比值小于50％，则确定与比值对应的潜在停车地点为一级推荐停车地点；若比值不小于50％，且比值小于75％，则确定与比值对应的潜在停车地点为二级推荐停车地点；若比值不小于75％，则确定与比值对应的潜在停车地点为三级推荐停车地点。
可选地，停车地点推荐模块还用于：根据每个潜在停车地点的最大经度、最小经度、最大纬度和最小纬度在地图中标示出对应的潜在停车地点，并标示出对应的推荐等级，以完成对待推荐车辆停车地点的推荐。
本发明实施例所提供的装置，其实现原理及产生的技术效果和前述方法实施例相同，为简要描述，装置实施例部分未提及之处，可参考前述方法实施例中相应内容。
如图3所示，本申请实施例提供的一种电子设备600，包括：处理器601、存储器602和总线，所述存储器602存储有所述处理器601可执行的机器可读指令，当电子设备运行时，所述处理器601与所述存储器602之间通过总线通信，所述处理器601执行所述机器可读指令，以执行如上述停车地点推荐方法的步骤。
具体地，上述存储器602和处理器601能够为通用的存储器和处理器，这里不做具体限定，当处理器601运行存储器602存储的计算机程序时，能够执行上述停车地点推荐方法。
处理器601可能是一种集成电路芯片，具有信号的处理能力。在实现过程中，上述方法的各步骤可以通过处理器601中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器601可以是通用处理器，包括中央处理器(Central Processing Unit，简称CPU)、网络处理器(Network Processor，简称NP)等；还可以是数字信号处理器(DigitalSignal Processing，简称DSP)、专用集成电路(Application Specific IntegratedCircuit，简称ASIC)、现成可编程门阵列(Field-Programmable Gate Array，简称FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本申请实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本申请实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成，或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器，闪存、只读存储器，可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器602，处理器601读取存储器602中的信息，结合其硬件完成上述方法的步骤。
对应于上述停车地点推荐方法，本申请实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质存储有机器可运行指令，所述计算机可运行指令在被处理器调用和运行时，所述计算机可运行指令促使所述处理器运行上述停车地点推荐方法的步骤。
本申请实施例所提供的停车地点推荐装置可以为设备上的特定硬件或者安装于设备上的软件或固件等。本申请实施例所提供的装置，其实现原理及产生的技术效果和前述方法实施例相同，为简要描述，装置实施例部分未提及之处，可参考前述方法实施例中相应内容。所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，前述描述的系统、装置和单元的具体工作过程，均可以参考上述方法实施例中的对应过程，在此不再赘述。
在本申请所提供的实施例中，应该理解到，所揭露装置和方法，可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，又例如，多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些通信接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
再例如，附图中的流程图和框图显示了根据本申请的多个实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现方式中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本申请提供的实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台电子设备(可以是个人计算机，服务器，或者网络设备等)执行本申请各个实施例所述车辆标记方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(Read-Only Memory，简称ROM)、随机存取存储器(Random Access Memory，简称RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释，此外，术语“第一”、“第二”、“第三”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
最后应说明的是：以上所述实施例，仅为本申请的具体实施方式，用以说明本申请的技术方案，而非对其限制，本申请的保护范围并不局限于此，尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化，或者对其中部分技术特征进行等同替换；而这些修改、变化或者替换，并不使相应技术方案的本质脱离本申请实施例技术方案的范围。都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应以权利要求的保护范围为准。

Claims (10)

1.一种停车地点推荐方法，其特征在于，包括：
根据车辆数据确定待推荐车辆的潜在停车地点集合，所述潜在停车地点集合中包括多个潜在停车地点；
对所述潜在停车地点集合中的非公共的潜在停车地点进行过滤，得到新的停车地点集合；
确定所述新的停车地点集合中每个潜在停车地点的最大车位数和当前停车数，并基于所述最大车位数和所述当前停车数确定所述新的停车地点集合中每个潜在停车地点的推荐等级；
根据所述每个潜在停车地点的推荐等级对所述待推荐车辆进行停车地点推荐；
其中，对所述潜在停车地点集合中的非公共的潜在停车地点进行过滤，包括：
确定各处于关键状态的车辆将所述潜在停车地点集合中的每个潜在停车地点作为停车点的次数；所述停车点是指车辆发生熄火时对应的潜在停车地点；
根据各处于关键状态的车辆将所述潜在停车地点集合中的每个潜在停车地点作为停车点的次数，确定各处于关键状态的车辆将每个潜在停车地点作为停车点的次数的均值和标准差；
若所述均值大于第一预设阈值且所述标准差小于第二预设阈值，则确定与所述均值和所述标准差对应的潜在停车地点为非公共的潜在停车地点；
去除所述潜在停车地点集合中的所有非公共的潜在停车地点，得到所述新的停车地点集合。
2.根据权利要求1所述的方法，其特征在于，根据车辆数据确定待推荐车辆的潜在停车地点集合，包括：
获取所述待推荐车辆的目标行程的终点位置；
获取第一预设时间区间内的以所述终点位置为中心和预设半径圈定的范围内处于关键状态的车辆的全球定位系统GPS数据；所述关键状态包括起火状态和熄火状态；
根据所述GPS数据中的经纬度数据确定二维向量；
对所有所述二维向量进行聚类分析，得到多个类簇，每个类簇对应一个潜在停车地点；
根据所述多个类簇确定所述潜在停车地点集合。
3.根据权利要求2所述的方法，其特征在于，对所有所述二维向量进行聚类分析，包括：
遍历计算所述二维向量中的任意两个二维向量的曼哈顿距离；
基于所述曼哈顿距离的大小进行聚类，得到所述多个类簇。
4.根据权利要求1所述的方法，其特征在于，确定所述新的停车地点集合中每个潜在停车地点的最大车位数和当前停车数，包括：
确定所述新的停车地点集合中每个潜在停车地点的配对时间，进而构建所述新的停车地点集合中每个潜在停车地点对应的配对时间集合；所述配对时间为同一辆车将所述潜在停车地点作为停车点的停车时间和将所述潜在停车地点作为驶离点的驶离时间；所述停车点是指车辆发生熄火时对应的潜在停车地点，所述驶离点是指车辆发生起火时对应的潜在停车地点；
根据所述配对时间集合确定每个潜在停车地点的最大车位数；
获取第二预设时间区间内的所述新的停车地点集合中每个潜在停车地点的停车数量，并将所述每个潜在停车地点的停车数量作为当前停车数。
5.根据权利要求1所述的方法，其特征在于，基于所述最大车位数和所述当前停车数确定所述新的停车地点集合中每个潜在停车地点的推荐等级，包括：
计算所述新的停车地点集合中每个潜在停车地点的当前停车数和最大车位数的比值；
根据所述比值确定每个潜在停车地点的推荐等级。
6.根据权利要求5所述的方法，其特征在于，根据所述比值确定每个潜在停车地点的推荐等级，包括：
若所述比值小于50％，则确定与所述比值对应的潜在停车地点为一级推荐停车地点；
若所述比值不小于50％，且所述比值小于75％，则确定与所述比值对应的潜在停车地点为二级推荐停车地点；
若所述比值不小于75％，则确定与所述比值对应的潜在停车地点为三级推荐停车地点。
7.根据权利要求1所述的方法，其特征在于，根据所述每个潜在停车地点的推荐等级对所述待推荐车辆进行停车地点推荐，包括：
根据每个潜在停车地点的最大经度、最小经度、最大纬度和最小纬度在地图中标示出对应的潜在停车地点，并标示出对应的推荐等级，以完成对所述待推荐车辆停车地点的推荐。
8.一种停车地点推荐装置，其特征在于，包括：
第一确定模块，用于根据车辆数据确定待推荐车辆的潜在停车地点集合，所述潜在停车地点集合中包括多个潜在停车地点；
过滤模块，用于对所述潜在停车地点集合中的非公共的潜在停车地点进行过滤，得到新的停车地点集合；
第二确定模块，用于确定所述新的停车地点集合中每个潜在停车地点的最大车位数和当前停车数，并基于所述最大车位数和所述当前停车数确定所述新的停车地点集合中每个潜在停车地点的推荐等级；
停车地点推荐模块，用于根据所述每个潜在停车地点的推荐等级对所述待推荐车辆进行停车地点推荐；
所述过滤模块还用于：确定各处于关键状态的车辆将所述潜在停车地点集合中的每个潜在停车地点作为停车点的次数；所述停车点是指车辆发生熄火时对应的潜在停车地点；根据各处于关键状态的车辆将所述潜在停车地点集合中的每个潜在停车地点作为停车点的次数，确定各处于关键状态的车辆将每个潜在停车地点作为停车点的次数的均值和标准差；若所述均值大于第一预设阈值且所述标准差小于第二预设阈值，则确定与所述均值和所述标准差对应的潜在停车地点为非公共的潜在停车地点；去除所述潜在停车地点集合中的所有非公共的潜在停车地点，得到所述新的停车地点集合。
9.一种电子设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现上述权利要求1至7中任一项所述的方法的步骤。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有机器可运行指令，所述机器可运行指令在被处理器调用和运行时，所述机器可运行指令促使所述处理器运行上述权利要求1至7中任一项所述的方法。
CN202110669225.6A 2021-06-17 2021-06-17 停车地点推荐方法、装置和电子设备 Active CN113282835B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110669225.6A CN113282835B (zh) 2021-06-17 2021-06-17 停车地点推荐方法、装置和电子设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110669225.6A CN113282835B (zh) 2021-06-17 2021-06-17 停车地点推荐方法、装置和电子设备

Publications (2)

Publication Number Publication Date
CN113282835A CN113282835A (zh) 2021-08-20
CN113282835B true CN113282835B (zh) 2024-04-09

Family

ID=77284784

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110669225.6A Active CN113282835B (zh) 2021-06-17 2021-06-17 停车地点推荐方法、装置和电子设备

Country Status (1)

Country Link
CN (1) CN113282835B (zh)

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CA3002630A1 (en) * 2015-10-22 2017-04-27 Nissan Motor Co., Ltd. Parking support method and parking support device
CN107609067A (zh) * 2017-08-30 2018-01-19 重庆电子工程职业学院 基于大数据的智慧停车车位推荐方法和系统
US10424202B1 (en) * 2018-07-12 2019-09-24 Here Global B.V. Parking strategy recommendation based on parking space availability data
CN110795643A (zh) * 2019-11-04 2020-02-14 上海磁网科技有限公司 将感知场景从停车场细化到停车位的地图设计系统及方法
CN111326015A (zh) * 2020-03-27 2020-06-23 北京骑胜科技有限公司 一种停车点推荐方法及装置
CN112422671A (zh) * 2020-11-10 2021-02-26 四川长虹电器股份有限公司 一种停车场推荐方法及系统
CN112863235A (zh) * 2021-01-05 2021-05-28 北京智联云海科技有限公司 一种预测车位空闲率的方法和装置
WO2021109307A1 (zh) * 2019-12-04 2021-06-10 上海博泰悦臻电子设备制造有限公司 用于管理车辆泊车的方法、电子设备和计算机存储介质

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP3286777B2 (ja) * 1996-02-07 2002-05-27 株式会社日立製作所 駐車場誘導システム
CN105723433B (zh) * 2013-07-26 2018-06-22 艾纳高格有限公司 停车泊位占用率估计
WO2017128132A1 (zh) * 2016-01-27 2017-08-03 李强生 收集停车场推荐技术使用数据的方法以及推荐系统
US20170316690A1 (en) * 2016-04-29 2017-11-02 AssetWorks LLC Systems and method for estimating and communicating parking lot utilization
US10681513B2 (en) * 2016-10-20 2020-06-09 nuTonomy Inc. Identifying a stopping place for an autonomous vehicle
WO2019071414A1 (zh) * 2017-10-10 2019-04-18 深圳先进技术研究院 一种停车诱导方法、装置、计算设备及存储介质
US20200173808A1 (en) * 2018-11-30 2020-06-04 Here Global B.V. Methods and systems for providing recommendations for parking of vehicles

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CA3002630A1 (en) * 2015-10-22 2017-04-27 Nissan Motor Co., Ltd. Parking support method and parking support device
CN107609067A (zh) * 2017-08-30 2018-01-19 重庆电子工程职业学院 基于大数据的智慧停车车位推荐方法和系统
US10424202B1 (en) * 2018-07-12 2019-09-24 Here Global B.V. Parking strategy recommendation based on parking space availability data
CN110795643A (zh) * 2019-11-04 2020-02-14 上海磁网科技有限公司 将感知场景从停车场细化到停车位的地图设计系统及方法
WO2021109307A1 (zh) * 2019-12-04 2021-06-10 上海博泰悦臻电子设备制造有限公司 用于管理车辆泊车的方法、电子设备和计算机存储介质
CN111326015A (zh) * 2020-03-27 2020-06-23 北京骑胜科技有限公司 一种停车点推荐方法及装置
CN112422671A (zh) * 2020-11-10 2021-02-26 四川长虹电器股份有限公司 一种停车场推荐方法及系统
CN112863235A (zh) * 2021-01-05 2021-05-28 北京智联云海科技有限公司 一种预测车位空闲率的方法和装置

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
基于主观停车决策的停车场协同推荐模型研究;潘晟等;计算机与数字工程(12);第73-77+188页 *

Also Published As

Publication number Publication date
CN113282835A (zh) 2021-08-20

Similar Documents

Publication Publication Date Title
KR102415293B1 (ko) 주차 구역 식별을 위한 제어 장치 및 방법
CN112017447B (zh) 一种基于gps位置信息判定车辆逆行违规的方法及系统
CN107798876B (zh) 基于事件的道路交通异常拥堵判断方法
US11710074B2 (en) System for providing corridor metrics for a corridor of a road network
CN109916413B (zh) 基于网格划分的道路匹配方法、系统、装置和存储介质
CN106887137B (zh) 拥堵事件提示方法及装置
CN103065466B (zh) 一种交通异常状况的检测方法和装置
CN104422451A (zh) 一种道路识别方法及装置
CN105513370A (zh) 基于稀疏车牌识别数据挖掘的交通小区划分方法
US11238291B2 (en) Method, apparatus, and computer program product for determining if probe data points have been map-matched
CN114186619A (zh) 车辆停靠点聚类的方法、装置、设备及存储介质
CN115935056A (zh) 车辆虚假轨迹的识别方法、装置、设备及存储介质
CN107622656B (zh) 一种重点营运车辆跨区域数据处理方法和系统
CN106980029B (zh) 车辆超速判断方法及其系统
CN113282835B (zh) 停车地点推荐方法、装置和电子设备
CN116703132B (zh) 共享车辆动态调度的管理方法、装置及计算机设备
CN116664025A (zh) 装卸货位置点生成方法、装置及设备
Dash et al. From Mobile Phone Data to Transport Network--Gaining Insight about Human Mobility
CN113194408B (zh) 检测北斗信号覆盖盲区的方法、装置、设备及存储介质
CN110148298B (zh) 基于机动车电子标识数据的私家车规律出行行为发现方法
CN116348935A (zh) 用于预测未来超速的方法、电子装置及系统
CN113869715A (zh) 站点分组方法、归属站点确定方法、装置和计算机设备
CN110161544B (zh) 一种车辆驾驶状态的识别方法、装置及存储介质
CN112906984B (zh) 一种道路交通状态预测方法、装置、存储介质及电子设备
CN117909895A (zh) 车辆管理方法、装置、计算机设备和存储介质

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant