CN113590943A - 一种加油站推荐方法、系统、电子设备及介质 - Google Patents

一种加油站推荐方法、系统、电子设备及介质 Download PDF

Info

Publication number
CN113590943A
CN113590943A CN202110833337.0A CN202110833337A CN113590943A CN 113590943 A CN113590943 A CN 113590943A CN 202110833337 A CN202110833337 A CN 202110833337A CN 113590943 A CN113590943 A CN 113590943A
Authority
CN
China
Prior art keywords
vehicle
current
refueling
current vehicle
gas station
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
Application number
CN202110833337.0A
Other languages
English (en)
Inventor
代庆龙
杨锐
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.)
Chengdu Youguanjia Technology Co ltd
Original Assignee
Chengdu Youguanjia Technology 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 Chengdu Youguanjia Technology Co ltd filed Critical Chengdu Youguanjia Technology Co ltd
Priority to CN202110833337.0A priority Critical patent/CN113590943A/zh
Publication of CN113590943A publication Critical patent/CN113590943A/zh
Pending legal-status Critical Current

Links

Images

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
    • 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
    • G06F16/9537—Spatial or temporal dependent retrieval, e.g. spatiotemporal queries
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • 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
    • G06Q50/06—Energy or water supply

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Databases & Information Systems (AREA)
  • General Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Business, Economics & Management (AREA)
  • Computational Linguistics (AREA)
  • Economics (AREA)
  • Computing Systems (AREA)
  • Evolutionary Computation (AREA)
  • Biophysics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Biomedical Technology (AREA)
  • Artificial Intelligence (AREA)
  • Molecular Biology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Water Supply & Treatment (AREA)
  • Human Resources & Organizations (AREA)
  • Marketing (AREA)
  • Primary Health Care (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Public Health (AREA)
  • Navigation (AREA)

Abstract

本发明涉及加油站技术领域，其目的在于提供一种加油站推荐方法、系统、电子设备及介质。其中的加油站推荐方法包括以下步骤：获取当前车辆到当前车辆预定范围内所有加油站的预测驾驶时长；获取当前车辆预定范围内所有加油站对应的等待车辆数量；获取并处理当前加油站的历史加油数据，得到当前加油站内车辆平均加油时长；根据等待车辆数量和车辆平均加油时长，得到加油等待时长；根据预测驾驶时长和加油等待时长，得到当前车辆到当前加油站的预测加油时长；按照预测加油时长从小到大的顺序对所述当前车辆预定范围内所有加油站进行依次排序，得到加油站推荐列表。本发明可提高加油站的分配效率。

Description

一种加油站推荐方法、系统、电子设备及介质
技术领域
本发明涉及加油站技术领域，特别是涉及一种加油站推荐方法、系统、电子设备及介质。
背景技术
加油站是指为汽车和其它机动车辆服务的、零售汽油和机油的补充站，一般用于补充驾驶过程中的燃料油、润滑油等。随着人们生活水平的提高，机动车的数量也在成倍增长，选择加油站进行加油是人们出行的必要程序。
现有技术中，进行加油站的推荐过程中，通常通过司机在导航软件上发起加油站搜寻请求，导航软件基于用户终端的位置为司机推荐最近的加油站。然而，但是，在使用现有技术过程中，发明人发现现有技术中至少存在如下问题：由于位于主要路段的汽车数量更多，使得在位于主要路段的加油站中，排队加油的现象成为常态，而位于相对次要路段的加油站中，由于车流量小使得其相对空闲，加油站的分配效率不佳。
发明内容
本发明旨在至少在一定程度上解决上述技术问题，本发明提供了一种加油站推荐方法、系统、电子设备及介质。
本发明采用的技术方案是：
一种加油站推荐方法，包括以下步骤：
获取当前车辆到当前车辆预定范围内所有加油站的预测驾驶时长；
获取当前车辆预定范围内所有加油站对应的等待车辆数量；
获取并处理当前加油站的历史加油数据，得到当前加油站内车辆平均加油时长；
根据等待车辆数量和车辆平均加油时长，得到加油等待时长，所述加油等待时长＝等待车辆数量*车辆平均加油时长；
根据预测驾驶时长和加油等待时长，得到当前车辆到当前加油站的预测加油时长，所述预测加油时长＝预测驾驶时长+加油等待时长；
按照预测加油时长从小到大的顺序对所述当前车辆预定范围内所有加油站进行依次排序，得到加油站推荐列表。
优选地，获取当前车辆到当前车辆预定范围内所有加油站的预测驾驶时长，包括：
获取当前车辆的定位信息和当前车辆预定范围内所有加油站的定位信息；
获取当前车辆的定位信息到当前车辆预定范围内所有加油站的定位信息之间的路径信息；
根据当前车辆的定位信息到当前车辆预定范围内所有加油站的定位信息之间的路径信息和预存的平均车速，得到当前车辆到当前车辆预定范围内所有加油站的预测驾驶时长。
优选地，获取当前车辆预定范围内所有加油站对应的等待车辆数量，包括：
获取当前车辆预定范围内所有加油站的等候区监控视频流，并读取等候区监控视频流连续视频帧中的监控图像；
构建车辆检测模型，并对车辆检测模型进行训练；
基于训练好的车辆检测模型，对当前监控图像进行车辆检测，得到当前监控图像中的被测车辆信息，所述被测车辆信息包括被测车辆的图像框；
基于被测车辆信息对当前监控图像中所有被测车辆进行计数，得到当前加油站对应的等待车辆数量。
优选地，所述被测车辆信息还包括被测车辆的坐标；
基于被测车辆信息对当前监控图像中所有被测车辆进行计数，得到当前加油站对应的等待车辆数量，包括：
对当前监控图像中所有被测车辆进行跟踪，并产生当前被测车辆在等候区监控视频流连续视频帧中监控图像内的坐标；
根据当前被测车辆在等候区监控视频流连续视频帧中监控图像内的坐标，生成当前被测车辆的移动轨迹；
判断当前车辆的移动轨迹的路径值在预定时间内是否大于预设值，若是，则进入下一步，若否，则删除当前车辆的图像框，然后重新对当前监控图像中所有被测车辆进行跟踪；
判定当前车辆图像框为有效图像框；
对当前检测图像中的所有有效图像框进行计数，得到当前加油站对应的等待车辆数量。
优选地，所述车辆检测模型基于深度学习进行构建，并基于YOLOv3网络结构对车辆检测模型进行训练。
优选地，获取并处理当前加油站的历史加油数据，得到当前加油站内车辆平均加油时长，包括：
获取并处理当前加油站对应的历史车辆驶入视频流和历史车辆驶出视频流；
根据历史车辆驶入视频流得到进站车辆信息，根据历史车辆驶出视频流得到出站车辆信息，所述进站车辆信息包括进站车牌号和进站时间，所述出站车辆信息包括出站车牌号和出站时间；
根据进站车辆信息和出站车辆信息将进站车辆和出站车辆进行匹配，并得到车牌号对应车辆的加油时长；
根据历史车辆驶入视频流和历史车辆驶出视频流内所有车辆的加油时长，得到车辆平均加油时长。
一种加油站推荐系统，用于实现上述任一项所述的加油站推荐方法；所述加油站推荐系统包括视频采集终端、服务器和用户终端，所述视频采集终端和用户终端均与服务器通信连接；
所述视频采集终端，用于获取加油站的等候区监控视频流、当前加油站对应的历史车辆驶入视频流和历史车辆驶出视频流，并将等候区监控视频流、当前加油站对应的历史车辆驶入视频流和历史车辆驶出视频流发送至服务器；所述视频采集终端设置有多组，多组视频采集终端配合当前车辆预定范围内加油站对应设置；
所述用户终端，用于获取当前车辆的定位信息和当前车辆预定范围内所有加油站的定位信息，并将当前车辆的定位信息和当前车辆预定范围内所有加油站的定位信息发送至服务器；
所述服务器，用于根据当前车辆预定范围内所有加油站的等候区监控视频流获取当前车辆预定范围内所有加油站对应的等待车辆数量；还用于根据当前车辆的定位信息和当前车辆预定范围内所有加油站的定位信息获取当前车辆到当前车辆预定范围内所有加油站的预测驾驶时长；还用于根据当前加油站对应的历史车辆驶入视频流和历史车辆驶出视频流获取并处理当前加油站的历史加油数据，得到当前加油站内车辆平均加油时长，根据等待车辆数量和车辆平均加油时长，得到加油等待时长，并根据预测驾驶时长和加油等待时长，得到当前车辆到当前加油站的预测加油时长，最后按照预测加油时长从小到大的顺序对所述当前车辆预定范围内所有加油站进行依次排序，得到加油站推荐列表。
一种电子设备，包括：
存储器，用于存储计算机程序指令；以及，
处理器，用于执行所述计算机程序指令从而完成上述任一所述的加油站推荐方法的操作。
一种计算机可读存储介质，用于存储计算机可读取的计算机程序指令，所述计算机程序指令被配置为运行时执行上述任一项所述的加油站推荐方法的操作。
本发明的有益效果是：可提高加油站的分配效率。具体地，在执行本实施例的过程中，通过当前车辆到当前车辆预定范围内所有加油站的预测驾驶时长，以及经当前车辆预定范围内所有加油站对应的等待车辆数量和对应加油站内车辆平均加油时长得到的加油等待时长，获取当前车辆到当前加油站的预测加油时长，最后根据当前车辆到当前车辆预定范围内所有加油站的预测加油时长的大小进行依次排序，得到加油站推荐列表。本实施例的加油站推荐方法中，通过引入对应加油站的等待车辆数量，使加油站的推荐结果更为科学，可保证用户驶向对应加油站的预测驾驶时长与加油等待时长的和为最短时长，避免只通过加油站与用户待加油车辆的距离来进行加油站的推荐造成的用户等待时间过长的问题，同时可实现对当前车辆预定范围内加油站的合理分配。
附图说明
图1是本发明中一种加油站推荐方法的流程图；
图2是本发明中一种加油站推荐系统的结构框图；
图3是本发明中一种电子设备的模块框图。
具体实施方式
下面结合附图及具体实施例来对本发明作进一步阐述。
应当理解，尽管本文可能使用术语第一、第二等等来描述各种单元，但是这些单元不应当受到这些术语的限制。这些术语仅用于区分一个单元和另一个单元。
应当理解，对于本文中可能出现的术语“和/或”，其仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，单独存在B，同时存在A和B三种情况。
应当理解，还应当注意到在一些备选实施例中，所出现的功能/动作可能与附图出现的顺序不同。例如，取决于所涉及的功能/动作，实际上可以实质上并发地执行，或者有时可以以相反的顺序来执行连续示出的两个图。
实施例1：
本实施例提供一种加油站推荐方法，如图1所示，包括以下步骤：
S1.获取当前车辆到当前车辆预定范围内所有加油站的预测驾驶时长；
S2.获取当前车辆预定范围内所有加油站对应的等待车辆数量；
S3.获取并处理当前加油站的历史加油数据，得到当前加油站内车辆平均加油时长；需要说明的是，此处的当前加油站为当前车辆预定范围内所有加油站中的各个加油站；
S4.根据等待车辆数量和车辆平均加油时长，得到加油等待时长，所述加油等待时长＝等待车辆数量*车辆平均加油时长；
S5.根据预测驾驶时长和加油等待时长，得到当前车辆到当前加油站的预测加油时长，所述预测加油时长＝预测驾驶时长+加油等待时长；
S6.按照预测加油时长从小到大的顺序对所述当前车辆预定范围内所有加油站进行依次排序，得到加油站推荐列表。
本实施例可提高加油站的分配效率。具体地，在执行本实施例的过程中，通过当前车辆到当前车辆预定范围内所有加油站的预测驾驶时长，以及经当前车辆预定范围内所有加油站对应的等待车辆数量和对应加油站内车辆平均加油时长得到的加油等待时长，获取当前车辆到当前加油站的预测加油时长，最后根据当前车辆到当前车辆预定范围内所有加油站的预测加油时长的大小进行依次排序，得到加油站推荐列表。本实施例的加油站推荐方法中，通过引入对应加油站的等待车辆数量，使加油站的推荐结果更为科学，可保证用户驶向对应加油站的预测驾驶时长与加油等待时长的和为最短时长，避免只通过加油站与用户待加油车辆的距离来进行加油站的推荐造成的用户等待时间过长的问题，同时可实现对当前车辆预定范围内加油站的合理分配。
本实施例的步骤S1中，获取当前车辆到当前车辆预定范围内所有加油站的预测驾驶时长，包括：
S101.获取当前车辆的定位信息和当前车辆预定范围内所有加油站的定位信息；应当理解的是，当前车辆预定范围可以但不仅限于设为以当前车辆定位信息为中心，方圆5-10公里的范围，可根据当前车辆定位信息周围的加油站数量而定，如在当前车辆定位信息周围的加油站数量较多时，设置为较小范围，反之设置为较大范围；
S102.获取当前车辆的定位信息到当前车辆预定范围内所有加油站的定位信息之间的路径信息；应当理解的是，如当前车辆的定位信息到当前车辆预定范围内所有加油站的定位信息之间的路径信息数量过多，则选取预定的驾驶时间最短的路径信息；
S103.根据当前车辆的定位信息到当前车辆预定范围内所有加油站的定位信息之间的路径信息和预存的平均车速，得到当前车辆到当前车辆预定范围内所有加油站的预测驾驶时长。应当理解的是，预测驾驶时长＝路径信息对应的路径长度/预存的平均车速。
本实施例的步骤S2中，获取当前车辆预定范围内所有加油站对应的等待车辆数量，包括：
S201.获取当前车辆预定范围内所有加油站的等候区监控视频流，并读取等候区监控视频流连续视频帧中的监控图像，并设置监控图像的有效区域；
S202.构建车辆检测模型，并对车辆检测模型进行训练；本实施例中，车辆检测模型基于深度学习进行构建，并基于YOLOv3网络结构对车辆检测模型进行训练；应当理解的是，所述行人检测模型也可采用Faster R-CNN(Faster Region-Based ConvolutionalNeural Network)、SSD(single shot multibox detector)或其他目标检测网络实现，采用YOLOv3网络训练可使模型兼顾性能与速度。
S203.基于训练好的车辆检测模型，对当前监控图像进行车辆检测，得到当前监控图像中的被测车辆信息，所述被测车辆信息包括被测车辆的图像框；需要说明的是，被测车辆的图像框用于指代在当前监控图像中的被测车辆；
S204.基于被测车辆信息对当前监控图像中所有被测车辆进行计数，得到当前加油站对应的等待车辆数量。
步骤S203中，所述被测车辆信息还包括被测车辆的坐标；需要说明的是，被测车辆的坐标为被测车辆图像框在当前监控图像中的坐标，用于指代在当前监控图像中被测车辆的位置；
步骤S204中，基于被测车辆信息对当前监控图像中所有被测车辆进行计数，得到当前加油站对应的等待车辆数量，包括：
S2041.对当前监控图像中所有被测车辆进行跟踪，并产生当前被测车辆在等候区监控视频流连续视频帧中监控图像内的坐标；
S2042.根据当前被测车辆在等候区监控视频流连续视频帧中监控图像内的坐标，生成当前被测车辆的移动轨迹；
S2043.判断当前车辆的移动轨迹的路径值在预定时间内是否大于预设值，若是，则进入下一步，若否，则判定当前车辆图像框为无效图像框，即当前车辆的移动轨迹为噪声轨迹，并删除当前车辆的图像框，然后重新对当前监控图像中所有被测车辆进行跟踪；
S2044.判定当前车辆图像框为有效图像框；
S2045.对当前检测图像中的所有有效图像框进行计数，得到当前加油站对应的等待车辆数量。
需要说明的是，步骤S204中步骤S2043-S2044的设置，可筛除位于当前加油站等候区内临时停车但不进行加油的车辆，进而使得等待车辆统计结果更为准确。
本实施例的步骤S3中，获取并处理当前加油站的历史加油数据，得到当前加油站内车辆平均加油时长，包括：
S301.获取并处理当前加油站对应的历史车辆驶入视频流和历史车辆驶出视频流；
S302.根据历史车辆驶入视频流得到进站车辆信息，根据历史车辆驶出视频流得到出站车辆信息，所述进站车辆信息包括进站车牌号和进站时间，所述出站车辆信息包括出站车牌号和出站时间；
S303.根据进站车辆信息和出站车辆信息将进站车辆和出站车辆进行匹配，并得到车牌号对应车辆的加油时长；
S304.根据历史车辆驶入视频流和历史车辆驶出视频流内所有车辆的加油时长，得到车辆平均加油时长。
实施例2：
本实施例提供一种加油站推荐系统，用于实现实施例1中加油站推荐方法；如图2所示，所述加油站推荐系统包括视频采集终端、服务器和用户终端，所述视频采集终端和用户终端均与服务器通信连接；
所述视频采集终端，用于获取加油站的等候区监控视频流、当前加油站对应的历史车辆驶入视频流和历史车辆驶出视频流，并将等候区监控视频流、当前加油站对应的历史车辆驶入视频流和历史车辆驶出视频流发送至服务器；所述视频采集终端设置有多组，多组视频采集终端配合当前车辆预定范围内加油站对应设置；应当理解的是，每组视频采集终端至少包括一个用于获取当前车辆预定范围内所有加油站的等候区监控视频流的第一视频采集终端、一个用于获取车辆驶入视频流的第二视频采集终端以及一个用于获取车辆驶出视频流的第三视频采集终端；
所述用户终端，用于获取当前车辆的定位信息和当前车辆预定范围内所有加油站的定位信息，并将当前车辆的定位信息和当前车辆预定范围内所有加油站的定位信息发送至服务器；
所述服务器，用于根据当前车辆预定范围内所有加油站的等候区监控视频流获取当前车辆预定范围内所有加油站对应的等待车辆数量；还用于根据当前车辆的定位信息和当前车辆预定范围内所有加油站的定位信息获取当前车辆到当前车辆预定范围内所有加油站的预测驾驶时长；还用于根据当前加油站对应的历史车辆驶入视频流和历史车辆驶出视频流获取并处理当前加油站的历史加油数据，得到当前加油站内车辆平均加油时长，根据等待车辆数量和车辆平均加油时长，得到加油等待时长，并根据预测驾驶时长和加油等待时长，得到当前车辆到当前加油站的预测加油时长，最后按照预测加油时长从小到大的顺序对所述当前车辆预定范围内所有加油站进行依次排序，得到加油站推荐列表。应当理解的是，服务器在得到加油站推荐列表后，发送加油站推荐列表至用户终端，以供当前车辆的用户参考。
实施例3：
在实施例1或2的基础上，本实施例公开了一种电子设备，该设备可以是智能手机、平板电脑、笔记本电脑或者台式电脑等。电子设备可能被称为用于终端、便携式终端、台式终端等，如图3所示，电子设备包括：
存储器，用于存储计算机程序指令；以及，
处理器，用于执行所述计算机程序指令从而完成如实施例1中任一所述的加油站推荐方法的操作。
具体地，处理器301可以包括一个或多个处理核心，比如4核心处理器、8核心处理器等。处理器301可以采用DSP(Digital Signal Processing，数字信号处理)、FPGA(Field－Programmable Gate Array，现场可编程门阵列)、PLA(Programmable LogicArray，可编程逻辑阵列)中的至少一种硬件形式来实现。处理器301也可以包括主处理器和协处理器，主处理器是用于对在唤醒状态下的数据进行处理的处理器，也称CPU(CentralProcessingUnit，中央处理器)；协处理器是用于对在待机状态下的数据进行处理的低功耗处理器。在一些实施例中，处理器301可以在集成有GPU(Graphics Processing Unit，图像处理器)，GPU用于负责显示屏所需要显示的内容的渲染和绘制。处理器301还可以包括AI(Artificial Intelligence，人工智能)处理器，该AI处理器用于处理有关机器学习的计算操作，使得图神经网络的节点编码模型可以自主训练学习，提高效率和准确度。
存储器302可以包括一个或多个计算机可读存储介质，该计算机可读存储介质可以是非暂态的。存储器302还可包括高速随机存取存储器，以及非易失性存储器，比如一个或多个磁盘存储设备、闪存存储设备。在一些实施例中，存储器302中的非暂态的计算机可读存储介质用于存储至少一个指令，该至少一个指令用于被处理器801所执行以实现本申请中方法实施例提供的图神经网络的节点编码方法。
在一些实施例中，终端还可选包括有：通信接口303和至少一个外围设备。处理器301、存储器302和通信接口303之间可以通过总线或信号线相连。各个外围设备可以通过总线、信号线或电路板与通信接口303相连。具体地，外围设备包括：射频电路304、显示屏305和电源306中的至少一种。
通信接口303可被用于将I/O(Input/Output，输入/输出)相关的至少一个外围设备连接到处理器301和存储器302。在一些实施例中，处理器301、存储器302和通信接口303被集成在同一芯片或电路板上；在一些其他实施例中，处理器301、存储器302和通信接口303中的任意一个或两个可以在单独的芯片或电路板上实现，本实施例对此不加以限定。
射频电路304用于接收和发射RF(Radio Frequency，射频)信号，也称电磁信号。射频电路304通过电磁信号与通信网络以及其他通信设备进行通信。
显示屏305用于显示UI(User Interface，用户界面)。该UI可以包括图形、文本、图标、视频及其它们的任意组合。
电源306用于为电子设备中的各个组件进行供电。
实施例4：
在实施例1至3任一项实施例的基础上，本实施例公开了一种计算机可读存储介质，用于存储计算机可读取的计算机程序指令，所述计算机程序指令被配置为运行时执行如实施例1所述的加油站推荐方法的操作。
需要说明的是，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，可以存储在一个处理器可执行的非易失的计算机可读取存储介质中。基于这样的理解，本发明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计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述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(ROM，Read-OnlyMemory)、随机存取存储器(RAM，RandomAccessMemory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换。而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
最后应说明的是，本发明不局限于上述可选的实施方式，任何人在本发明的启示下都可得出其他各种形式的产品。上述具体实施方式不应理解成对本发明的保护范围的限制，本发明的保护范围应当以权利要求书中界定的为准，并且说明书可以用于解释权利要求书。

Claims (9)

1.一种加油站推荐方法，其特征在于：包括以下步骤：
获取当前车辆到当前车辆预定范围内所有加油站的预测驾驶时长；
获取当前车辆预定范围内所有加油站对应的等待车辆数量；
获取并处理当前加油站的历史加油数据，得到当前加油站内车辆平均加油时长；
根据等待车辆数量和车辆平均加油时长，得到加油等待时长，所述加油等待时长＝等待车辆数量*车辆平均加油时长；
根据预测驾驶时长和加油等待时长，得到当前车辆到当前加油站的预测加油时长，所述预测加油时长＝预测驾驶时长+加油等待时长；
按照预测加油时长从小到大的顺序对所述当前车辆预定范围内所有加油站进行依次排序，得到加油站推荐列表。
2.根据权利要求1所述的一种加油站推荐方法，其特征在于：获取当前车辆到当前车辆预定范围内所有加油站的预测驾驶时长，包括：
获取当前车辆的定位信息和当前车辆预定范围内所有加油站的定位信息；
获取当前车辆的定位信息到当前车辆预定范围内所有加油站的定位信息之间的路径信息；
根据当前车辆的定位信息到当前车辆预定范围内所有加油站的定位信息之间的路径信息和预存的平均车速，得到当前车辆到当前车辆预定范围内所有加油站的预测驾驶时长。
3.根据权利要求1所述的一种加油站推荐方法，其特征在于：获取当前车辆预定范围内所有加油站对应的等待车辆数量，包括：
获取当前车辆预定范围内所有加油站的等候区监控视频流，并读取等候区监控视频流连续视频帧中的监控图像；
构建车辆检测模型，并对车辆检测模型进行训练；
基于训练好的车辆检测模型，对当前监控图像进行车辆检测，得到当前监控图像中的被测车辆信息，所述被测车辆信息包括被测车辆的图像框；
基于被测车辆信息对当前监控图像中所有被测车辆进行计数，得到当前加油站对应的等待车辆数量。
4.根据权利要求3所述的一种加油站推荐方法，其特征在于：所述被测车辆信息还包括被测车辆的坐标；
基于被测车辆信息对当前监控图像中所有被测车辆进行计数，得到当前加油站对应的等待车辆数量，包括：
对当前监控图像中所有被测车辆进行跟踪，并产生当前被测车辆在等候区监控视频流连续视频帧中监控图像内的坐标；
根据当前被测车辆在等候区监控视频流连续视频帧中监控图像内的坐标，生成当前被测车辆的移动轨迹；
判断当前车辆的移动轨迹的路径值在预定时间内是否大于预设值，若是，则进入下一步，若否，则删除当前车辆的图像框，然后重新对当前监控图像中所有被测车辆进行跟踪；
判定当前车辆图像框为有效图像框；
对当前检测图像中的所有有效图像框进行计数，得到当前加油站对应的等待车辆数量。
5.根据权利要求3所述的一种加油站推荐方法，其特征在于：所述车辆检测模型基于深度学习进行构建，并基于YOLOv3网络结构对车辆检测模型进行训练。
6.根据权利要求1所述的一种加油站推荐方法，其特征在于：获取并处理当前加油站的历史加油数据，得到当前加油站内车辆平均加油时长，包括：
获取并处理当前加油站对应的历史车辆驶入视频流和历史车辆驶出视频流；
根据历史车辆驶入视频流得到进站车辆信息，根据历史车辆驶出视频流得到出站车辆信息，所述进站车辆信息包括进站车牌号和进站时间，所述出站车辆信息包括出站车牌号和出站时间；
根据进站车辆信息和出站车辆信息将进站车辆和出站车辆进行匹配，并得到车牌号对应车辆的加油时长；
根据历史车辆驶入视频流和历史车辆驶出视频流内所有车辆的加油时长，得到车辆平均加油时长。
7.一种加油站推荐系统，其特征在于：用于实现权利要求1至6任一项所述的加油站推荐方法；所述加油站推荐系统包括视频采集终端、服务器和用户终端，所述视频采集终端和用户终端均与服务器通信连接；
所述视频采集终端，用于获取加油站的等候区监控视频流、当前加油站对应的历史车辆驶入视频流和历史车辆驶出视频流，并将等候区监控视频流、当前加油站对应的历史车辆驶入视频流和历史车辆驶出视频流发送至服务器；所述视频采集终端设置有多组，多组视频采集终端配合当前车辆预定范围内加油站对应设置；
所述用户终端，用于获取当前车辆的定位信息和当前车辆预定范围内所有加油站的定位信息，并将当前车辆的定位信息和当前车辆预定范围内所有加油站的定位信息发送至服务器；
所述服务器，用于根据当前车辆预定范围内所有加油站的等候区监控视频流获取当前车辆预定范围内所有加油站对应的等待车辆数量；还用于根据当前车辆的定位信息和当前车辆预定范围内所有加油站的定位信息获取当前车辆到当前车辆预定范围内所有加油站的预测驾驶时长；还用于根据当前加油站对应的历史车辆驶入视频流和历史车辆驶出视频流获取并处理当前加油站的历史加油数据，得到当前加油站内车辆平均加油时长，根据等待车辆数量和车辆平均加油时长，得到加油等待时长，并根据预测驾驶时长和加油等待时长，得到当前车辆到当前加油站的预测加油时长，最后按照预测加油时长从小到大的顺序对所述当前车辆预定范围内所有加油站进行依次排序，得到加油站推荐列表。
8.一种电子设备，其特征在于：包括：
存储器，用于存储计算机程序指令；以及，
处理器，用于执行所述计算机程序指令从而完成如权利要求1至6中任一所述的加油站推荐方法的操作。
9.一种计算机可读存储介质，用于存储计算机可读取的计算机程序指令，其特征在于：所述计算机程序指令被配置为运行时执行如权利要求1至6任一项所述的加油站推荐方法的操作。
CN202110833337.0A 2021-07-22 2021-07-22 一种加油站推荐方法、系统、电子设备及介质 Pending CN113590943A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110833337.0A CN113590943A (zh) 2021-07-22 2021-07-22 一种加油站推荐方法、系统、电子设备及介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110833337.0A CN113590943A (zh) 2021-07-22 2021-07-22 一种加油站推荐方法、系统、电子设备及介质

Publications (1)

Publication Number Publication Date
CN113590943A true CN113590943A (zh) 2021-11-02

Family

ID=78249398

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110833337.0A Pending CN113590943A (zh) 2021-07-22 2021-07-22 一种加油站推荐方法、系统、电子设备及介质

Country Status (1)

Country Link
CN (1) CN113590943A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115238206A (zh) * 2022-08-03 2022-10-25 深圳市汇深网信息科技有限公司 一种基于群体行为分析的核酸检测点推荐方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115238206A (zh) * 2022-08-03 2022-10-25 深圳市汇深网信息科技有限公司 一种基于群体行为分析的核酸检测点推荐方法
CN115238206B (zh) * 2022-08-03 2024-02-20 深圳市汇深网信息科技有限公司 一种基于群体行为分析的检测点推荐方法及装置

Similar Documents

Publication Publication Date Title
CN107491825B (zh) 一种约车处理方法及系统
CN110132293B (zh) 一种路线推荐方法及装置
CN113611104B (zh) 货运车辆的风险识别方法、装置、存储介质及终端
CN113590943A (zh) 一种加油站推荐方法、系统、电子设备及介质
CN114141014A (zh) 一种停车场的确定方法、装置、设备及存储介质
CN112616118A (zh) 一种车辆所经过的etc门架确定方法、装置及存储介质
CN110231048B (zh) 场所信息显示方法、装置、终端及存储介质
CN111654825A (zh) 关卡通行管理方法、装置及存储介质
EP4098978A2 (en) Data processing method and apparatus for vehicle, electronic device, and medium
CN111191850A (zh) 数据处理方法、装置及设备
CN115839721A (zh) 一种行驶路线的预测方法、装置、车载终端及介质
CN113175940B (zh) 数据处理方法、装置、设备和存储介质
CN115062240A (zh) 一种停车场排序方法、装置、电子设备和存储介质
CN114298772A (zh) 信息展示方法、装置、设备以及存储介质
CN110703289B (zh) 轨迹数据上报方法及移动轨迹还原方法
CN112948514A (zh) 一种汽车清洗地点的推送方法及装置
CN111770472A (zh) 车辆定位方法、装置、车辆、存储介质以及终端
CN113407839B (zh) 出行方式的确定方法、装置、设备和存储介质
CN115226152B (zh) 一种卫星网络的通信方法、系统、电子设备及存储介质
CN113868532B (zh) 一种地点推荐方法、装置、电子设备及存储介质
CN115412595B (zh) 一种请求处理方法、装置、电子设备及存储介质
US11995154B2 (en) Method of determining state of target object, electronic device, and storage medium
CN117291393A (zh) 一种网约车接力单的派单方法、设备、装置及存储介质
CN117648167A (zh) 资源调度方法、装置、设备及存储介质
CN116092045A (zh) 车位状态的确定方法、装置、电子设备与可读存储介质

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