CN114169589A - 一种预测车辆目的地的方法、装置、存储介质及终端 - Google Patents
一种预测车辆目的地的方法、装置、存储介质及终端 Download PDFInfo
- Publication number
- CN114169589A CN114169589A CN202111386804.6A CN202111386804A CN114169589A CN 114169589 A CN114169589 A CN 114169589A CN 202111386804 A CN202111386804 A CN 202111386804A CN 114169589 A CN114169589 A CN 114169589A
- Authority
- CN
- China
- Prior art keywords
- destination
- enterprise
- current
- entrance
- vehicle
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
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
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- 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
- G06F16/22—Indexing; Data structures therefor; Storage structures
- G06F16/2228—Indexing structures
- G06F16/2246—Trees, e.g. B+trees
-
- 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
- G06Q10/00—Administration; Management
- G06Q10/08—Logistics, e.g. warehousing, loading or distribution; Inventory or stock management
- G06Q10/083—Shipping
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Databases & Information Systems (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Quality & Reliability (AREA)
- General Business, Economics & Management (AREA)
- Development Economics (AREA)
- Tourism & Hospitality (AREA)
- Entrepreneurship & Innovation (AREA)
- Probability & Statistics with Applications (AREA)
- Software Systems (AREA)
- Operations Research (AREA)
- Fuzzy Systems (AREA)
- Remote Sensing (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Game Theory and Decision Science (AREA)
- Traffic Control Systems (AREA)
- Navigation (AREA)
Abstract
本发明公开了一种预测车辆目的地的方法、装置、存储介质及终端,方法包括:当接收到针对待预测的目标车辆的预测请求时,加载目标车辆所属企业对应的字典树;根据目标车辆的当前位置点从字典树中确定与当前时刻最近的时刻所经过的当前行政区出入口电子围栏;从内存数据库中查询当前行政区出入口电子围栏对应的目的地概率值;当当前目的地概率值大于预设概率阈值时,将当前目的地概率值对应的目的地确定为目标车辆的最终目的地。由于本申请通过车辆动态行驶过程中触碰不同的电子围栏从内存数据库中确定出经过的电子围栏对应的动态变化的目的地概率值,并根据该动态变化的目的地概率值判断最终的目的地的可信度,从而提升了目的地预测的准确度。
Description
技术领域
本发明涉及智慧交通技术领域,特别涉及一种预测车辆目的地的方法、装置、存储介质及终端。
背景技术
随着智能交通技术的发展,进行车辆目的地预测有着非常重要的现实意义,例如,通过预测货车的目的地,就可以将沿途物流站点的信息传输给货车管理人员,也可以将沿途物流站点中的货物信息传输给货车管理人员,从而方便货车管理人员进行货物的运输和管理。
目前,进行车辆目的地预测的方法例如专利CN110832284A,通过检索与出发地点和触发时间对应的历史目的地位置,然后使用预先存储的目的地匹配算法确定一个或以上历史目的地位置的选择概率,最后基于选择概率确定建议目的地位置,其与一个或以上历史目的地位置相同。由于车辆行驶过程中的实际场景中,随着车辆向真实目的地的接近过程中路径信息的持续补充,这个概率会发生变化,然后现有技术中是根据一开始的静态数据计算出的恒定概率,从而降低了目的地预测的准确度。
发明内容
本申请实施例提供了一种预测车辆目的地的方法、装置、存储介质及终端。为了对披露的实施例的一些方面有一个基本的理解,下面给出了简单的概括。该概括部分不是泛泛评述,也不是要确定关键/重要组成元素或描绘这些实施例的保护范围。其唯一目的是用简单的形式呈现一些概念,以此作为后面的详细说明的序言。
第一方面,本申请实施例提供了一种预测车辆目的地的方法,方法包括:
当接收到针对待预测的目标车辆的预测请求时,加载目标车辆所属企业对应的字典树;
根据目标车辆的当前位置点从字典树中确定与当前时刻最近的时刻所经过的当前行政区出入口电子围栏;
从内存数据库中查询当前行政区出入口电子围栏对应的目的地概率值;
当当前目的地概率值大于预设概率阈值时,将当前目的地概率值对应的目的地确定为目标车辆的最终目的地。
可选的,当接收到针对待预测的目标车辆的预测请求时之前,还包括:
获取每个车辆的实时行车轨迹点;
从预先生成的路线关系矩阵库中加载每个车辆所属企业对应的路线关系矩阵;
当行车轨迹点进入预先构建的行政区出入口电子围栏时,从路线关系矩阵中提取电子围栏对应的频数;
根据频数计算每个车辆当前目的地概率值,并将每个车辆当前目的地概率值保存至内存数据库。
可选的,方法还包括:
当目的地概率值小于预设概率阈值时,获取当前行政区出入口电子围栏的下游多个行政区出入口电子围栏;
构建当前行政区出入口电子围栏与下游多个行政区出入口电子围栏之间的线段,得到多个线段;
构建目标车辆的位置点与当前行政区出入口电子围栏之间的目标线段;
计算目标线段与多个线段中每个线段之间的角度;
基于角度的余弦值确定多个线段中每个线段的长度;
基于长度最小的线段对应的相似度计算目标车辆的最终目的地。
可选的,按照以下步骤生成路线关系矩阵库,包括:
根据车辆的停靠点创建每个企业的企业电子围栏;
获取每个企业中货运车辆的行车轨迹数据,并根据行车轨迹数据计算出入行政区轨迹点集合;
对出入行政区轨迹点集合进行聚类,生成每个企业的多个行政区出入口电子围栏;
根据每个企业的企业电子围栏和每个企业的多个行政区出入口电子围栏构建每个企业的第一字典树;
根据每个企业的第一字典树生成路线关系矩阵库。
可选的,根据行车轨迹数据计算出入行政区轨迹点集合,包括:
从行车轨迹数据中获取行政区发生变更前后的多组第一轨迹点;
计算多组第一轨迹点中每组轨迹点之间的距离,生成多个距离值;
逐一识别多个距离值中大于预设阈值的距离值;
逐一将大于预设阈值的距离值对应的一组第一轨迹点从多组第一轨迹点剔除后生成多组第二轨迹点;
计算多组第二轨迹点中每组第二轨迹点之间的中心点,生成出入行政区轨迹点集合。
可选的,对历史停靠点集合进行聚类,生成每个企业的多个行政区出入口电子围栏,包括:
采用聚类算法对轨迹点组中心点集合进行聚类后生成聚集区;
计算聚集区的中心点,并对中心点标记唯一的ID标识后得到行政区出入口;
以每个行政区出入口为圆心,并根据预设半径作圆后,生成每个行政区出入口的电子围栏;
将每个行政区出入口的电子围栏组合在一起后生成每个企业的多个行政区出入口电子围栏。
可选的,根据每个企业的第一字典树生成路线关系矩阵库,包括:
采用深度优先搜索算法对每个企业的第一字典树中各节点进行属性参数标记,生成每个企业的第二字典树;
对每个企业的第二字典树进行解构,生成每个企业的出入口到各终点的路线关系矩阵;
将每个企业的出入口到各终点的路线关系矩阵保存后生成路线关系矩阵库。
第二方面,本申请实施例提供了一种预测车辆目的地的装置,装置包括:
字典树加载模块,用于当接收到针对待预测的目标车辆的预测请求时,加载目标车辆所属企业对应的字典树;
当前行政区出入口电子围栏,用于根据目标车辆的当前位置点从字典树中确定与当前时刻最近的时刻所经过的当前行政区出入口电子围栏;
目的地概率值查询模块,用于从内存数据库中查询当前行政区出入口电子围栏对应的目的地概率值;
目的地确定模块,用于当当前目的地概率值大于预设概率阈值时,将当前目的地概率值对应的目的地确定为目标车辆的最终目的地。
第三方面,本申请实施例提供一种计算机存储介质,计算机存储介质存储有多条指令,指令适于由处理器加载并执行上述的方法步骤。
第四方面,本申请实施例提供一种终端,可包括:处理器和存储器;其中,存储器存储有计算机程序,计算机程序适于由处理器加载并执行上述的方法步骤。
本申请实施例提供的技术方案可以包括以下有益效果:
在本申请实施例中,预测车辆目的地的装置首先当接收到针对待预测的目标车辆的预测请求时,加载目标车辆所属企业对应的字典树,然后根据目标车辆的当前位置点从字典树中确定与当前时刻最近的时刻所经过的当前行政区出入口电子围栏,再从内存数据库中查询当前行政区出入口电子围栏对应的目的地概率值,最后在当前目的地概率值大于预设概率阈值时,将当前目的地概率值对应的目的地确定为目标车辆的最终目的地。由于本申请通过车辆动态行驶过程中触碰不同的电子围栏从内存数据库中确定出经过的电子围栏对应的动态变化的目的地概率值,并根据该动态变化的目的地概率值判断最终的目的地的可信度,从而提升了目的地预测的准确度。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性和解释性的,并不能限制本发明。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本发明的实施例,并与说明书一起用于解释本发明的原理。
图1是本申请实施例提供的一种预测车辆目的地的方法的流程示意图;
图2是本申请实施例提供的一种构建的企业字典树示意图;
图3是本申请实施例提供的一种企业车辆行车路线示意图;
图4是本申请实施例提供的一种路段构建示意图;
图5是本申请实施例提供的一种预测车辆目的地的过程示意框图;
图6是本申请实施例提供的一种高速公路出口位置构建的装置的结构示意图;
图7是本申请实施例提供的一种终端的结构示意图。
具体实施方式
以下描述和附图充分地示出本发明的具体实施方案,以使本领域的技术人员能够实践它们。
应当明确,所描述的实施例仅仅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作出创造性劳动前提下所获得的所有其它实施例,都属于本发明保护的范围。
下面的描述涉及附图时,除非另有表示,不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本发明相一致的所有实施方式。相反,它们仅是如所附权利要求书中所详述的、本发明的一些方面相一致的装置和方法的例子。
在本发明的描述中,需要理解的是,术语“第一”、“第二”等仅用于描述目的,而不能理解为指示或暗示相对重要性。对于本领域的普通技术人员而言,可以具体情况理解上述术语在本发明中的具体含义。此外,在本发明的描述中,除非另有说明,“多个”是指两个或两个以上。“和/或”,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,同时存在A和B,单独存在B这三种情况。字符“/”一般表示前后关联对象是一种“或”的关系。
本申请提供了一种预测车辆目的地的方法、装置、存储介质及终端,以解决上述相关技术问题中存在的问题。本申请提供的技术方案中,由于本申请通过车辆动态行驶过程中触碰不同的电子围栏从内存数据库中确定出经过的电子围栏对应的动态变化的目的地概率值,并根据该动态变化的目的地概率值判断最终的目的地的可信度,从而提升了目的地预测的准确度,下面采用示例性的实施例进行详细说明。
下面将结合附图1-附图5,对本申请实施例提供的预测车辆目的地的方法进行详细介绍。该方法可依赖于计算机程序实现,可运行于基于冯诺依曼体系的预测车辆目的地的装置上。该计算机程序可集成在应用中,也可作为独立的工具类应用运行。
请参见图1,为本申请实施例提供了一种预测车辆目的地的方法的流程示意图。如图1所示,本申请实施例的方法可以包括以下步骤:
S101,当接收到针对待预测的目标车辆的预测请求时,加载目标车辆所属企业对应的字典树;
其中,预测请求是用户提交的一个预测请求,字典树可以称为单词查找树或Trie树,是一种树形结构,是一种哈希树的变种。
在本申请实施例中,在生成字典树时,首先根据车辆的停靠点创建每个企业的企业电子围栏,然后获取每个企业中货运车辆的行车轨迹数据,并根据行车轨迹数据计算出入行政区轨迹点集合,其次对出入行政区轨迹点集合进行聚类,生成每个企业的多个行政区出入口电子围栏,最后根据每个企业的企业电子围栏和每个企业的多个行政区出入口电子围栏构建每个企业的第一字典树。
进一步地,根据行车轨迹数据计算出入行政区轨迹点集合时,首先从行车轨迹数据中获取行政区发生变更前后的多组第一轨迹点,然后计算多组第一轨迹点中每组轨迹点之间的距离,生成多个距离值,再逐一识别多个距离值中大于预设阈值的距离值,再逐一将大于预设阈值的距离值对应的一组第一轨迹点从多组第一轨迹点剔除后生成多组第二轨迹点,最后计算多组第二轨迹点中每组第二轨迹点之间的中心点,生成出入行政区轨迹点集合。
进一步地,在对历史停靠点集合进行聚类,生成每个企业的多个行政区出入口电子围栏时,首先采用聚类算法对轨迹点组中心点集合进行聚类后生成聚集区,然后计算聚集区的中心点,并对中心点标记唯一的ID标识后得到行政区出入口,其次以每个行政区出入口为圆心,并根据预设半径作圆后,生成每个行政区出入口的电子围栏,最后将每个行政区出入口的电子围栏组合在一起后生成每个企业的多个行政区出入口电子围栏。
具体的,在根据车辆的停靠点创建每个企业的企业电子围栏时,首先通过计算全部车辆历史停靠点,并对全部车辆历史停靠点聚类发现车辆的聚集区域,并以此作为人工标注的线索,建立企业的电子围栏。
具体的,在构建多个行政区出入口电子围栏时,通过获取每个企业中货运车辆的行车轨迹数据,然后提取行政区发生变更前后的轨迹点组,去除两点距离高于阈值m的异常点组,分别计算剩余点组各自的中心点,其次将点组中心点做聚类生成聚集区,并计算聚集区中心点,同时生成唯一ID,以表征行政区出入口,最后以聚集区中心点为圆心,阈值r为半径画圆,作为该出入口的电子围栏。
具体的,在根据每个企业的企业电子围栏和每个企业的多个行政区出入口电子围栏构建每个企业的第一字典树时,首先获取该企业全部车辆的行车轨迹数据,然后根据轨迹数据与运行时刻的先后顺序将该企业的电子围栏和该企业的多个行政区出入口电子围栏进行组合,生成第一字典树,例如图2所示。
具体的,在将企业全部车辆的行车轨迹数据进行表示时,将线路分为三个阶段:起始段、中间段、结束段。起始段是指从发货企业电子围栏中心点到发货行政区出入口的连线;结束段是指卸货行政区出入口到卸货企业电子围栏中心点的连线;而中间段,则是由一系列途经行政区出入口连线组成的折线段,例如图3所示。
在一种可能的实现方式中,在应用场景中,当用户主动请求时,生成预测请求发送至服务端,服务端当接收到针对待预测的目标车辆的预测请求时,首先需要从内存中加载到目标车辆所属企业对应的字典树。
S102,根据目标车辆的当前位置点从字典树中确定与当前时刻最近的时刻所经过的当前行政区出入口电子围栏;
在本申请实施例中,首先获取目标车辆的当前位置点,然后从字典树中确定与当前时刻最近的时刻所经过的当前行政区出入口电子围栏。
S103,从内存数据库中查询当前行政区出入口电子围栏对应的目的地概率值;
在本申请实施例中,内存数据库中的数据更新操作为:首先获取每个车辆的实时行车轨迹点,然后从预先生成的路线关系矩阵库中加载每个车辆所属企业对应的路线关系矩阵,再当行车轨迹点进入预先构建的行政区出入口电子围栏时,从路线关系矩阵中提取电子围栏对应的频数,然后根据频数计算每个车辆当前目的地概率值,并将每个车辆当前目的地概率值保存至内存数据库。
需要说明的是,内存数据库中的概率值随着车辆轨迹点动态变化时触碰到不同的电子围栏后动态更新的。在消息队列中发布订阅,并在内存数据库中维护每辆车的目的地预测状态,当车辆触碰行政区出入口时,触发当前出入口到各个可能终点的概率的计算,并将结果更新至该辆车的目的地预测结果中。
进一步的,路线关系矩阵库是根据第一字典树生成的,具体步骤包括:首先采用深度优先搜索算法对每个企业的第一字典树中各节点进行属性参数标记,生成每个企业的第二字典树,然后对每个企业的第二字典树进行解构,生成每个企业的出入口到各终点的路线关系矩阵,最后将每个企业的出入口到各终点的路线关系矩阵保存后生成路线关系矩阵库。
具体的,按行政区和出入口两个维度解构trie树,建立索引。每辆车维护一个静态的常跑路线的trie树及行政区、出入口索引,将树结构中相同行政区、出入口到各个可能终点行政区的频次分布进行归并。
将trie树的各个节点分解,生成出入口到每个可能终点的关系矩阵。
其中,m为目标企业去往该企业全部下游企业历史途经的出入口数量,n为目标企业历史到达过的终点企业数量,rij为出入口i和终点j的关系,含义为经由i到达终点j的频次。
进一步地,在根据频数计算每个车辆当前目的地概率值时,对于经由出入口i可能到达的目的地j的概率计算方法为:
其中,pij为经由出入口i到终点j的概率,rij为经由出入口i到终点j的频次,n为每个可能终点的数量。每条关系中存储的信息包含:前继出入口信息列表、后继出入口信息列表、前继行政区信息、后继行政区信息,目的地企业信息列表,候选目的地企业质心。
S104,当当前目的地概率值大于预设概率阈值时,将当前目的地概率值对应的目的地确定为目标车辆的最终目的地。
在一种可能的实现方式中,当当前目的地概率值大于预设概率阈值时,将当前目的地概率值对应的目的地确定为目标车辆的最终目的地。
在另一种可能的实现方式中,当目的地概率值小于预设概率阈值时,获取当前行政区出入口电子围栏的下游多个行政区出入口电子围栏,然后构建当前行政区出入口电子围栏与下游多个行政区出入口电子围栏之间的线段,得到多个线段,再构建目标车辆的位置点与当前行政区出入口电子围栏之间的目标线段,其次计算目标线段与多个线段中每个线段之间的角度,再基于角度的余弦值确定多个线段中每个线段的长度,最后基于长度最小的线段对应的相似度计算目标车辆的最终目的地。
具体的,如果预测概率不满足给定阈值,则触发线路相似度计算,即最新触碰出入口与各个后继出入口连线AB与最新触碰出入口与当前位置AC之间的相似度,如图4所示,其中,c为最新触碰出入口,f1、f2为该最新触碰出入口的两个后继出入口,p为当前位置,角度a和角度b的余弦值可用来度量线段cp与cf1、cf2的距离,距离越小,相似度越大。将相似度加权至该相似度对应的出入口终点行政区频数分布,计算并输出各个可能终点行政区的概率。
由于实际中长途货运场景中对线路的描述并不是精确的企业X-企业Y或者行政区A-行政区B,而是行政区A周边-行政区B周边、华北地区-华南地区这种更广域的方式,因此,为了适应实际的中长途货运场景,本发明还计算了当前可能抵达的各个下游可能终点的质心,以及各个可能终点相对于质心的离散程度。
例如图5所示,图5是本申请提供的一种预测车辆目的地的过程示意图,首先构建每个企业的企业电子围栏和行政区出入口电子围栏,并根据该企业的车辆行驶轨迹的线路表示将企业电子围栏和行政区出入口电子围栏进行组合得到字典树,然后对车辆实时状态进行跟踪并预测出目的地。
在本申请实施例中,预测车辆目的地的装置首先当接收到针对待预测的目标车辆的预测请求时,加载目标车辆所属企业对应的字典树,然后根据目标车辆的当前位置点从字典树中确定与当前时刻最近的时刻所经过的当前行政区出入口电子围栏,再从内存数据库中查询当前行政区出入口电子围栏对应的目的地概率值,最后在当前目的地概率值大于预设概率阈值时,将当前目的地概率值对应的目的地确定为目标车辆的最终目的地。由于本申请通过车辆动态行驶过程中触碰不同的电子围栏从内存数据库中确定出经过的电子围栏对应的动态变化的目的地概率值,并根据该动态变化的目的地概率值判断最终的目的地的可信度,从而提升了目的地预测的准确度。
下述为本发明装置实施例,可以用于执行本发明方法实施例。对于本发明装置实施例中未披露的细节,请参照本发明方法实施例。
请参见图6,其示出了本发明一个示例性实施例提供的预测车辆目的地的装置的结构示意图。该预测车辆目的地的装置可以通过软件、硬件或者两者的结合实现成为终端的全部或一部分。该装置1包括数据预处理模块10、车辆位置确定模块20、违停行为识别模块30、倒车行为识别模块40、预警信息生成模块50、车辆预警模块60。
字典树加载模块10,用于当接收到针对待预测的目标车辆的预测请求时,加载目标车辆所属企业对应的字典树;
当前行政区出入口电子围栏20,用于根据目标车辆的当前位置点从字典树中确定与当前时刻最近的时刻所经过的当前行政区出入口电子围栏;
目的地概率值查询模块30,用于从内存数据库中查询当前行政区出入口电子围栏对应的目的地概率值;
目的地确定模块40,用于当当前目的地概率值大于预设概率阈值时,将当前目的地概率值对应的目的地确定为目标车辆的最终目的地。
需要说明的是,上述实施例提供的预测车辆目的地的装置在执行预测车辆目的地的方法时,仅以上述各功能模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能模块完成,即将设备的内部结构划分成不同的功能模块,以完成以上描述的全部或者部分功能。另外,上述实施例提供的预测车辆目的地的装置与预测车辆目的地的方法实施例属于同一构思,其体现实现过程详见方法实施例,这里不再赘述。
上述本申请实施例序号仅仅为了描述,不代表实施例的优劣。
在本申请实施例中,预测车辆目的地的装置首先当接收到针对待预测的目标车辆的预测请求时,加载目标车辆所属企业对应的字典树,然后根据目标车辆的当前位置点从字典树中确定与当前时刻最近的时刻所经过的当前行政区出入口电子围栏,再从内存数据库中查询当前行政区出入口电子围栏对应的目的地概率值,最后在当前目的地概率值大于预设概率阈值时,将当前目的地概率值对应的目的地确定为目标车辆的最终目的地。由于本申请通过车辆动态行驶过程中触碰不同的电子围栏从内存数据库中确定出经过的电子围栏对应的动态变化的目的地概率值,并根据该动态变化的目的地概率值判断最终的目的地的可信度,从而提升了目的地预测的准确度。
本发明还提供一种计算机可读介质,其上存储有程序指令,该程序指令被处理器执行时实现上述各个方法实施例提供的预测车辆目的地的方法。
本发明还提供了一种包含指令的计算机程序产品,当其在计算机上运行时,使得计算机执行上述各个方法实施例的预测车辆目的地的方法。
请参见图7,为本申请实施例提供了一种终端的结构示意图。如图7所示,终端1000可以包括:至少一个处理器1001,至少一个网络接口1004,用户接口1003,存储器1005,至少一个通信总线1002。
其中,通信总线1002用于实现这些组件之间的连接通信。
其中,用户接口1003可以包括显示屏(Display)、摄像头(Camera),可选用户接口1003还可以包括标准的有线接口、无线接口。
其中,网络接口1004可选的可以包括标准的有线接口、无线接口(如WI-FI接口)。
其中,处理器1001可以包括一个或者多个处理核心。处理器1001利用各种借口和线路连接整个电子设备1000内的各个部分,通过运行或执行存储在存储器1005内的指令、程序、代码集或指令集,以及调用存储在存储器1005内的数据,执行电子设备1000的各种功能和处理数据。可选的,处理器1001可以采用数字信号处理(Digital Signal Processing,DSP)、现场可编程门阵列(Field-Programmable Gate Array,FPGA)、可编程逻辑阵列(Programmable Logic Array,PLA)中的至少一种硬件形式来实现。处理器1001可集成中央处理器(Central Processing Unit,CPU)、图像处理器(Graphics Processing Unit,GPU)和调制解调器等中的一种或几种的组合。其中,CPU主要处理操作系统、用户界面和应用程序等;GPU用于负责显示屏所需要显示的内容的渲染和绘制;调制解调器用于处理无线通信。可以理解的是,上述调制解调器也可以不集成到处理器1001中,单独通过一块芯片进行实现。
其中,存储器1005可以包括随机存储器(Random Access Memory,RAM),也可以包括只读存储器(Read-Only Memory)。可选的,该存储器1005包括非瞬时性计算机可读介质(non-transitory computer-readable storage medium)。存储器1005可用于存储指令、程序、代码、代码集或指令集。存储器1005可包括存储程序区和存储数据区,其中,存储程序区可存储用于实现操作系统的指令、用于至少一个功能的指令(比如触控功能、声音播放功能、图像播放功能等)、用于实现上述各个方法实施例的指令等;存储数据区可存储上面各个方法实施例中涉及到的数据等。存储器1005可选的还可以是至少一个位于远离前述处理器1001的存储装置。如图7所示,作为一种计算机存储介质的存储器1005中可以包括操作系统、网络通信模块、用户接口模块以及预测车辆目的地的应用程序。
在图7所示的终端1000中,用户接口1003主要用于为用户提供输入的接口,获取用户输入的数据;而处理器1001可以用于调用存储器1005中存储的预测车辆目的地的应用程序,并具体执行以下操作:
当接收到针对待预测的目标车辆的预测请求时,加载目标车辆所属企业对应的字典树;
根据目标车辆的当前位置点从字典树中确定与当前时刻最近的时刻所经过的当前行政区出入口电子围栏;
从内存数据库中查询当前行政区出入口电子围栏对应的目的地概率值;
当当前目的地概率值大于预设概率阈值时,将当前目的地概率值对应的目的地确定为目标车辆的最终目的地。
在一个实施例中,处理器1001在执行当接收到针对待预测的目标车辆的预测请求时之前时,还执行以下操作:
获取每个车辆的实时行车轨迹点;
从预先生成的路线关系矩阵库中加载每个车辆所属企业对应的路线关系矩阵;
当行车轨迹点进入预先构建的行政区出入口电子围栏时,从路线关系矩阵中提取电子围栏对应的频数;
根据频数计算每个车辆当前目的地概率值,并将每个车辆当前目的地概率值保存至内存数据库。
在一个实施例中,处理器1001还执行以下操作:
当目的地概率值小于预设概率阈值时,获取当前行政区出入口电子围栏的下游多个行政区出入口电子围栏;
构建当前行政区出入口电子围栏与下游多个行政区出入口电子围栏之间的线段,得到多个线段;
构建目标车辆的位置点与当前行政区出入口电子围栏之间的目标线段;
计算目标线段与多个线段中每个线段之间的角度;
基于角度的余弦值确定多个线段中每个线段的长度;
基于长度最小的线段对应的相似度计算目标车辆的最终目的地。
在一个实施例中,处理器1001按照以下步骤生成路线关系矩阵库:
根据车辆的停靠点创建每个企业的企业电子围栏;
获取每个企业中货运车辆的行车轨迹数据,并根据行车轨迹数据计算出入行政区轨迹点集合;
对出入行政区轨迹点集合进行聚类,生成每个企业的多个行政区出入口电子围栏;
根据每个企业的企业电子围栏和每个企业的多个行政区出入口电子围栏构建每个企业的第一字典树;
根据每个企业的第一字典树生成路线关系矩阵库。
在一个实施例中,处理器1001在执行根据行车轨迹数据计算出入行政区轨迹点集合时,具体执行以下操作:
从行车轨迹数据中获取行政区发生变更前后的多组第一轨迹点;
计算多组第一轨迹点中每组轨迹点之间的距离,生成多个距离值;
逐一识别多个距离值中大于预设阈值的距离值;
逐一将大于预设阈值的距离值对应的一组第一轨迹点从多组第一轨迹点剔除后生成多组第二轨迹点;
计算多组第二轨迹点中每组第二轨迹点之间的中心点,生成出入行政区轨迹点集合。
在一个实施例中,处理器1001在执行对历史停靠点集合进行聚类,生成每个企业的多个行政区出入口电子围栏时,具体执行以下操作:
采用聚类算法对轨迹点组中心点集合进行聚类后生成聚集区;
计算聚集区的中心点,并对中心点标记唯一的ID标识后得到行政区出入口;
以每个行政区出入口为圆心,并根据预设半径作圆后,生成每个行政区出入口的电子围栏;
将每个行政区出入口的电子围栏组合在一起后生成每个企业的多个行政区出入口电子围栏。
在一个实施例中,处理器1001在执行根据每个企业的第一字典树生成路线关系矩阵库时,具体执行以下操作:
采用深度优先搜索算法对每个企业的第一字典树中各节点进行属性参数标记,生成每个企业的第二字典树;
对每个企业的第二字典树进行解构,生成每个企业的出入口到各终点的路线关系矩阵;
将每个企业的出入口到各终点的路线关系矩阵保存后生成路线关系矩阵库。
在本申请实施例中,预测车辆目的地的装置首先当接收到针对待预测的目标车辆的预测请求时,加载目标车辆所属企业对应的字典树,然后根据目标车辆的当前位置点从字典树中确定与当前时刻最近的时刻所经过的当前行政区出入口电子围栏,再从内存数据库中查询当前行政区出入口电子围栏对应的目的地概率值,最后在当前目的地概率值大于预设概率阈值时,将当前目的地概率值对应的目的地确定为目标车辆的最终目的地。由于本申请通过车辆动态行驶过程中触碰不同的电子围栏从内存数据库中确定出经过的电子围栏对应的动态变化的目的地概率值,并根据该动态变化的目的地概率值判断最终的目的地的可信度,从而提升了目的地预测的准确度。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,预测车辆目的地的的程序可存储于计算机可读取存储介质中,该程序在执行时,可包括如上述各方法的实施例的流程。其中,的存储介质可为磁碟、光盘、只读存储记忆体或随机存储记忆体等。
以上所揭露的仅为本申请较佳实施例而已,当然不能以此来限定本申请之权利范围,因此依本申请权利要求所作的等同变化,仍属本申请所涵盖的范围。
Claims (10)
1.一种预测车辆目的地的方法,其特征在于,所述方法包括:
当接收到针对待预测的目标车辆的预测请求时,加载所述目标车辆所属企业对应的字典树;
根据所述目标车辆的当前位置点从所述字典树中确定与当前时刻最近的时刻所经过的当前行政区出入口电子围栏;
从内存数据库中查询所述当前行政区出入口电子围栏对应的目的地概率值;
当所述当前目的地概率值大于预设概率阈值时,将所述当前目的地概率值对应的目的地确定为所述目标车辆的最终目的地。
2.根据权利要求1所述的方法,其特征在于,所述当接收到针对待预测的目标车辆的预测请求时之前,还包括:
获取每个车辆的实时行车轨迹点;
从预先生成的路线关系矩阵库中加载所述每个车辆所属企业对应的路线关系矩阵;
当所述行车轨迹点进入预先构建的行政区出入口电子围栏时,从所述路线关系矩阵中提取所述电子围栏对应的频数;
根据所述频数计算每个车辆当前目的地概率值,并将所述每个车辆当前目的地概率值保存至内存数据库。
3.根据权利要求2所述的方法,其特征在于,所述方法还包括:
当所述目的地概率值小于预设概率阈值时,获取当前行政区出入口电子围栏的下游多个行政区出入口电子围栏;
构建所述当前行政区出入口电子围栏与所述下游多个行政区出入口电子围栏之间的线段,得到多个线段;
构建所述目标车辆的位置点与所述当前行政区出入口电子围栏之间的目标线段;
计算所述目标线段与所述多个线段中每个线段之间的角度;
基于所述角度的余弦值确定所述多个线段中每个线段的长度;
基于所述长度最小的线段对应的相似度计算所述目标车辆的最终目的地。
4.根据权利要求2所述的方法,其特征在于,按照以下步骤生成路线关系矩阵库,包括:
根据车辆的停靠点创建每个企业的企业电子围栏;
获取每个企业中货运车辆的行车轨迹数据,并根据所述行车轨迹数据计算出入行政区轨迹点集合;
对所述出入行政区轨迹点集合进行聚类,生成每个企业的多个行政区出入口电子围栏;
根据所述每个企业的企业电子围栏和所述每个企业的多个行政区出入口电子围栏构建每个企业的第一字典树;
根据所述每个企业的第一字典树生成路线关系矩阵库。
5.根据权利要求4所述的方法,其特征在于,所述根据所述行车轨迹数据计算出入行政区轨迹点集合,包括:
从所述行车轨迹数据中获取行政区发生变更前后的多组第一轨迹点;
计算所述多组第一轨迹点中每组轨迹点之间的距离,生成多个距离值;
逐一识别所述多个距离值中大于预设阈值的距离值;
逐一将大于预设阈值的所述距离值对应的一组第一轨迹点从所述多组第一轨迹点剔除后生成多组第二轨迹点;
计算所述多组第二轨迹点中每组第二轨迹点之间的中心点,生成出入行政区轨迹点集合。
6.根据权利要求5所述的方法,其特征在于,所述对所述历史停靠点集合进行聚类,生成每个企业的多个行政区出入口电子围栏,包括:
采用聚类算法对所述轨迹点组中心点集合进行聚类后生成聚集区;
计算聚集区的中心点,并对所述中心点标记唯一的ID标识后得到行政区出入口;
以每个所述行政区出入口为圆心,并根据预设半径作圆后,生成每个行政区出入口的电子围栏;
将每个行政区出入口的电子围栏组合在一起后生成每个企业的多个行政区出入口电子围栏。
7.根据权利要求4所述的方法,其特征在于,所述根据所述每个企业的第一字典树生成路线关系矩阵库,包括:
采用深度优先搜索算法对所述每个企业的第一字典树中各节点进行属性参数标记,生成每个企业的第二字典树;
对所述每个企业的第二字典树进行解构,生成每个企业的出入口到各终点的路线关系矩阵;
将所述每个企业的出入口到各终点的路线关系矩阵保存后生成路线关系矩阵库。
8.一种预测车辆目的地的装置,其特征在于,所述装置包括:
字典树加载模块,用于当接收到针对待预测的目标车辆的预测请求时,加载所述目标车辆所属企业对应的字典树;
当前行政区出入口电子围栏,用于根据所述目标车辆的当前位置点从所述字典树中确定与当前时刻最近的时刻所经过的当前行政区出入口电子围栏;
目的地概率值查询模块,用于从内存数据库中查询所述当前行政区出入口电子围栏对应的目的地概率值;
目的地确定模块,用于当所述当前目的地概率值大于预设概率阈值时,将所述当前目的地概率值对应的目的地确定为所述目标车辆的最终目的地。
9.一种计算机存储介质,其特征在于,所述计算机存储介质存储有多条指令,所述指令适于由处理器加载并执行如权利要求1-7任意一项的方法步骤。
10.一种终端,其特征在于,包括:处理器和存储器;其中,所述存储器存储有计算机程序,所述计算机程序适于由所述处理器加载并执行如权利要求1-7任意一项的方法步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111386804.6A CN114169589A (zh) | 2021-11-22 | 2021-11-22 | 一种预测车辆目的地的方法、装置、存储介质及终端 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111386804.6A CN114169589A (zh) | 2021-11-22 | 2021-11-22 | 一种预测车辆目的地的方法、装置、存储介质及终端 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114169589A true CN114169589A (zh) | 2022-03-11 |
Family
ID=80479961
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111386804.6A Pending CN114169589A (zh) | 2021-11-22 | 2021-11-22 | 一种预测车辆目的地的方法、装置、存储介质及终端 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114169589A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117082453A (zh) * | 2023-10-17 | 2023-11-17 | 深圳市麦谷科技有限公司 | 车辆电子围栏告警方法、装置、设备及存储介质 |
-
2021
- 2021-11-22 CN CN202111386804.6A patent/CN114169589A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117082453A (zh) * | 2023-10-17 | 2023-11-17 | 深圳市麦谷科技有限公司 | 车辆电子围栏告警方法、装置、设备及存储介质 |
CN117082453B (zh) * | 2023-10-17 | 2024-01-30 | 深圳市麦谷科技有限公司 | 车辆电子围栏告警方法、装置、设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111366160B (zh) | 路径规划方法、路径规划装置及终端设备 | |
US10119826B2 (en) | System and method for accelerating route search | |
CN113421432B (zh) | 交通限行信息检测方法、装置、电子设备和存储介质 | |
CN113682318B (zh) | 车辆行驶控制方法及装置 | |
WO2020024406A1 (zh) | 电子装置、基于路况因子的车险查勘调度方法及存储介质 | |
CN114169589A (zh) | 一种预测车辆目的地的方法、装置、存储介质及终端 | |
CN113190538A (zh) | 一种基于轨迹数据的道路构建方法、装置、存储介质及终端 | |
CN114926540A (zh) | 一种车道线标定的方法、装置、终端设备及可读存储介质 | |
CN111626664A (zh) | 配送线路规划方法和装置、存储介质和电子设备 | |
CN112765127B (zh) | 一种交通数据仓库的构建方法、装置、存储介质及终端 | |
CN110657813B (zh) | 优化地图中规划道路的方法和装置 | |
CN114519061A (zh) | 地图数据更新方法、装置、电子设备和介质 | |
CN114092909A (zh) | 一种车道线提取方法、装置、车辆及存储介质 | |
CN113887391A (zh) | 用于识别路面标识的方法、装置以及自动驾驶车辆 | |
CN114202272A (zh) | 一种基于电子围栏的车货匹配方法、装置、存储介质及终端 | |
CN116481513A (zh) | 地图生成方法、装置、电子设备 | |
CN115907580A (zh) | 城配物流的运输监控方法、装置、设备及存储介质 | |
WO2022142889A1 (zh) | 高精度地图更新方法及装置 | |
CN113838283B (zh) | 一种车辆的位置状态标记方法、装置、存储介质及终端 | |
CN115366919A (zh) | 一种轨迹预测方法、系统、电子设备及存储介质 | |
KR20220092821A (ko) | 길목 상태를 결정하는 방법, 장치, 전자 기기, 저장 매체 및 컴퓨터 프로그램 | |
CN114724113A (zh) | 道路标牌识别方法、自动驾驶方法、装置和设备 | |
CN115171075A (zh) | 道路类型识别方法、装置及设备 | |
CN110361016B (zh) | 一种建图方法和建图系统 | |
CN113607183A (zh) | 一种车辆的运输路线规划方法、装置、存储介质及终端 |
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 |