CN114220191B - 行车状态识别方法、装置、计算机设备及可读存储介质 - Google Patents
行车状态识别方法、装置、计算机设备及可读存储介质 Download PDFInfo
- Publication number
- CN114220191B CN114220191B CN202111521740.6A CN202111521740A CN114220191B CN 114220191 B CN114220191 B CN 114220191B CN 202111521740 A CN202111521740 A CN 202111521740A CN 114220191 B CN114220191 B CN 114220191B
- Authority
- CN
- China
- Prior art keywords
- path
- driving
- vehicle
- data
- information
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 72
- 238000004458 analytical method Methods 0.000 claims abstract description 127
- 238000012163 sequencing technique Methods 0.000 claims abstract description 8
- 238000011156 evaluation Methods 0.000 claims description 53
- 230000008569 process Effects 0.000 claims description 15
- 238000004590 computer program Methods 0.000 claims description 10
- 238000004891 communication Methods 0.000 claims description 4
- 238000013473 artificial intelligence Methods 0.000 abstract description 9
- 230000000694 effects Effects 0.000 abstract description 6
- 238000010801 machine learning Methods 0.000 description 12
- 238000005516 engineering process Methods 0.000 description 11
- 239000000284 extract Substances 0.000 description 6
- 230000006870 function Effects 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 5
- 238000005094 computer simulation Methods 0.000 description 5
- 238000012545 processing Methods 0.000 description 5
- 238000004422 calculation algorithm Methods 0.000 description 4
- 238000010276 construction Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 239000000446 fuel Substances 0.000 description 3
- 230000006855 networking Effects 0.000 description 3
- 238000000605 extraction Methods 0.000 description 2
- 230000010354 integration Effects 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000013075 data extraction Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 238000007477 logistic regression Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G07—CHECKING-DEVICES
- G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
- G07C5/00—Registering or indicating the working of vehicles
- G07C5/008—Registering or indicating the working of vehicles communicating information to a remotely located station
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G07—CHECKING-DEVICES
- G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
- G07C5/00—Registering or indicating the working of vehicles
- G07C5/08—Registering or indicating performance data other than driving, working, idle, or waiting time, with or without registering driving, working, idle or waiting time
- G07C5/0808—Diagnosing performance data
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Artificial Intelligence (AREA)
- Navigation (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明涉及人工智能技术领域,公开了一种行车状态识别方法、装置、计算机设备及可读存储介质,包括:获取车辆的路径数据,识别路径数据中的停留点并将其保存至定位堆栈中,按照停留点的停留时间段对定位堆栈中的停留点进行排序;提取定位堆栈中任意两个相邻位次的停留点得到停留对,构建停留对中两个停留点之间的移动路线得到行车路径,及计算车辆在行车路径上的行车时间,整合行车路径和行车时间得到行车信息;获取行车信息对应的行驶数据并将其设为行驶分析数据,根据行驶分析数据分析车辆在行车路径上的行车状态,整合行车状态和行车信息得到车辆的行车数据。本发明实现了获取车辆的行车状态的技术效果,提高了对车辆运营情况的管控程度。
Description
技术领域
本发明涉及人工智能的机器学习技术领域,尤其涉及一种行车状态识别方法、装置、计算机设备及可读存储介质。
背景技术
目前,主要通过GPS等车联网设备或直接与整车厂对接的方式,实现对车辆位置的获取及远程锁车等能力,从而实现对租后物流车车辆资产在线监管及对出险后的车辆资产进行追踪与控制,已成为汽车金融行业实现物流车租后监管的行业标准操作。
然而,发明人意识到,当前仅能够通过所述车联网设备,对车辆的位置及出现在该位置上的时间进行定位,但是无法获得车辆在运行过程中的空载、满载、超载等情况,造成无法掌控车辆的行车状态的情况发生。
发明内容
本发明的目的是提供一种行车状态识别方法、装置、计算机设备及可读存储介质,用于解决现有技术存在的当前无法获得车辆在运行过程中的空载、满载、超载等情况,造成无法掌控车辆的行车状态的问题。
为实现上述目的,本发明提供一种行车状态识别方法,包括:
获取车辆的路径数据,识别所述路径数据中的停留点并将其保存至预置的定位堆栈中,按照所述停留点的停留时间段对所述定位堆栈中的停留点进行排序;其中,所述路径数据表征了车辆在各时间点上的位置坐标;
提取所述定位堆栈中任意两个相邻位次的停留点得到停留对,构建所述停留对中两个停留点之间的移动路线得到行车路径,及计算车辆在所述行车路径上的行车时间,整合所述行车路径和所述行车时间得到行车信息;
获取所述行车信息对应的行驶数据并将其设为行驶分析数据,根据所述行驶分析数据分析所述车辆在所述行车路径上的行车状态,整合所述行车状态和所述行车信息得到所述车辆的行车数据;其中,所述行驶数据记载了车辆在各时间点上的速度及油耗;所述行车状态表征了车辆的载货重量大小,其包括空载、装载和满载。
上述方案中,所述获取车辆的路径数据之前,所述方法还包括:
与车联网平台构建通信连接,从所述车联网平台中获取车辆的路径数据和行驶数据,将所述路径数据和所述行驶数据保存在预置的本地库中。
上述方案中,所述获取车辆的路径数据,识别所述路径数据中的停留点并将其保存至预置的定位堆栈中,包括:
接收终端发送的分析请求,提取所述分析请求中的车辆分析编号;
识别所述本地库中与所述车辆分析编号对应的车辆,并将所述车辆设为目标车辆,从所述本地库中提取所述目标车辆对应的路径数据;其中,所述路径数据中具有用于反映目标车辆在各位置时间上所处位置坐标的位点信息;
按照时间顺序汇总所述路径数据中位置坐标一致的位点信息形成位置集合,所述位点信息在所述位置集合中以时间顺序排列;
将所述位置集合中首位的位点信息对应的位置时间作为起始时间,将所述位置集合中末位的位点信息对应的位置时间作为终止时间,将从所述起始时间到所述终止时间的时间段所述位置集合的停留时间;
整合所述位点信息集合的所述位置坐标和所述停留时间得到停留点。
上述方案中,所述按照所述停留点的停留时间段对所述定位堆栈中的停留点进行排序之后,所述方法还包括:
提取所述定位堆栈中任一停留点并将其设为目标点,并将所述定位堆栈中位于所述目标点下一位次的停留点设为所述目标点的邻近点,计算所述目标点和所述邻近点之间的距离得到所述目标点的目标移动距离;
判断所述目标移动距离是否小于预置的移动阈值;
若所述目标移动距离小于所述移动阈值,则判定所述目标点表征了车辆移动过程中的堵车状态、或排队状态、或临时挪车状态,将所述目标点从所述定位堆栈中删除;
若所述目标移动距离不小于所述移动阈值,则判断所述目标点的停留时间是否超过预置的停留阈值;
若所述停留时间超过所述停留阈值,则判定所述目标点表征了所述车辆到达装货或卸货的目的地,将所述目标点保留在所述定位堆栈中;
若所述停留时间不超过所述停留阈值,则判定所述目标点处于车辆移动过程中的临时停靠状态或等待红绿灯状态,将所述目标点从所述定位堆栈中删除。
上述方案中,所述构建所述停留对中两个停留点之间的移动路线得到行车路径,及计算车辆在所述行车路径上的行车时间,包括:
提取所述停留对中位于上一位次的停留点的位置坐标,并将其设为起点坐标;提取所述停留对中位于下一位次的停留点地位置坐标,并将其设为终点坐标;构建从所述起点坐标到所述终点坐标的行车路径;
提取所述停留对中位于上一位次的停留点的停留时间的终止时间,提取所述停留对中位于下一位次的停留点的停留时间的起始时间,计算从所述终止时间到所述起始时间的时间段并将其设为行车时间。
上述方案中,所述获取所述行车信息对应的行驶数据并将其设为行驶分析数据,根据所述行驶分析数据分析所述车辆在所述行车路径上的行车状态,包括:
获取车辆的行驶数据并提取所述行车信息的行车时间,将与所述行车时间对应的行驶数据设为行驶分析数据;
将所述行驶分析数据以及所述车辆的车辆属性信息录入预置的分析模型,运行所述分析模型根据所述行驶分析数据判断车辆的行车状态;其中,所述分析模型中具有表征速度及油耗与行车状态之间关系的分析曲线,获取与所述行驶分析数据匹配的分析曲线,将所述分析曲线的行车状态设为所述车辆的行车状态。
上述方案中,所述整合所述行车状态和所述行车信息得到所述车辆的行车数据之后,所述方法还包括:
汇总车辆的行车数据形成行车集合,提取所述行车集合中所述行车数据的行车路径和行车状态,根据所述行车路径和所述行车状态生成所述车辆的运营评价信息;
将所述运营评价信息上传至区块链中。
为实现上述目的,本发明还提供一种行车状态识别装置,包括:
停留点识别模块,用于获取车辆的路径数据,识别所述路径数据中的停留点并将其保存至预置的定位堆栈中,按照所述停留点的停留时间段对所述定位堆栈中的停留点进行排序;所述路径数据表征了车辆在各时间点上的位置坐标;
路径时间模块,用于提取所述定位堆栈中任意两个相邻位次的停留点得到停留对,构建所述停留对中两个停留点之间的移动路线得到行车路径,及计算车辆在所述行车路径上的行车时间,整合所述行车路径和所述行车时间得到行车信息;
状态分析模块,用于获取所述行车信息对应的行驶数据并将其设为行驶分析数据,根据所述行驶分析数据分析所述车辆在所述行车路径上的行车状态,整合所述行车状态和所述行车信息得到所述车辆的行车数据;其中,所述行驶数据记载了车辆在各时间点上的速度及油耗;所述行车状态表征了车辆的载货重量大小,其包括空载、装载和满载。
为实现上述目的,本发明还提供一种计算机设备,其包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序,所述计算机设备的处理器执行所述计算机程序时实现上述行车状态识别方法的步骤。
为实现上述目的,本发明还提供一种计算机可读存储介质,所述可读存储介质上存储有计算机程序,所述可读存储介质存储的所述计算机程序被处理器执行时实现上述行车状态识别方法的步骤。
本发明提供的行车状态识别方法、装置、计算机设备及可读存储介质,通过提取所述定位堆栈中任意两个相邻位次的停留点得到停留对,构建所述停留对中两个停留点之间的移动路线得到行车路径,及计算车辆在所述行车路径上的行车时间,整合所述行车路径和所述行车时间得到行车信息的方式,以实现通过所述行车信息对车辆移动路线及在该路线的行驶时间进行管控,以便于后续对车辆的行车状态进行分析。
通过获取行车信息对应的行驶数据并将其设为行驶分析数据,根据行驶分析数据分析车辆在行车路径上的行车状态,整合行车状态和行车信息得到车辆的行车数据的方式,实现获取车辆的行车路径、在该行车路径上的行车时间、以及所述车辆在该行车路径上的行车状态的技术效果,即:描述车辆在所述行车时间上在所述行车路径中为空载、或装载、或满载的状态,进而提高了对车辆运营情况的管控程度。
附图说明
图1为本发明行车状态识别方法实施例一的流程图;
图2为本发明行车状态识别方法实施例二中行车状态识别方法的环境应用示意图;
图3是本发明行车状态识别方法实施例二中行车状态识别方法的具体方法流程图;
图4为本发明行车状态识别装置实施例三的程序模块示意图;
图5为本发明计算机设备实施例四中计算机设备的硬件结构示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅用以解释本发明,并不用于限定本发明。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。
本发明提供的行车状态识别方法、装置、计算机设备及可读存储介质,适用于人工智能的机器学习技术领域,为提供一种基于停留点识别模块、路径时间模块、状态分析模块的行车状态识别方法。本发明通过获取车辆的路径数据,识别路径数据中的停留点并将其保存至预置的定位堆栈中,按照停留点的停留时间段对定位堆栈中的停留点进行排序;提取定位堆栈中任意两个相邻位次的停留点得到停留对,构建停留对中两个停留点之间的移动路线得到行车路径,及计算车辆在行车路径上的行车时间,整合行车路径和行车时间得到行车信息;获取行车信息对应的行驶数据并将其设为行驶分析数据,根据行驶分析数据分析车辆在行车路径上的行车状态,整合行车状态和行车信息得到车辆的行车数据。
实施例一:
请参阅图1,本实施例的一种行车状态识别方法,包括:
S102:获取车辆的路径数据,识别所述路径数据中的停留点并将其保存至预置的定位堆栈中,按照所述停留点的停留时间段对所述定位堆栈中的停留点进行排序;
S104:提取所述定位堆栈中任意两个相邻位次的停留点得到停留对,构建所述停留对中两个停留点之间的移动路线得到行车路径,及计算车辆在所述行车路径上的行车时间,整合所述行车路径和所述行车时间得到行车信息;
S105:获取所述行车信息对应的行驶数据并将其设为行驶分析数据,根据所述行驶分析数据分析所述车辆在所述行车路径上的行车状态,整合所述行车状态和所述行车信息得到所述车辆的行车数据;其中,所述行驶数据记载了车辆在各时间点上的速度及油耗;所述行车状态表征了车辆的载货重量大小,其包括空载、装载和满载。
在示例性的实施例中,通过获取车辆的路径数据,识别所述路径数据中的停留点并将其保存至所述定位堆栈中的方式,使得反映车辆停留的位置坐标以及车辆在所述位置坐标上的停留时间,在所述定位堆栈中进行保存;通过按照所述停留点的停留时间段对所述定位堆栈中的停留点进行排序,其中,所述停留时间表征了车辆从到达所述位置坐标的时刻,至离开所述位置坐标的时刻的时间区间。
因此,实现了识别车辆的停留位置以及在该位置的停留时间,以便于后续识别出该车辆的行车路线及其始停点的技术效果。
通过提取所述定位堆栈中任意两个相邻位次的停留点得到停留对,构建所述停留对中两个停留点之间的移动路线得到行车路径,及计算车辆在所述行车路径上的行车时间,整合所述行车路径和所述行车时间得到行车信息的方式,以实现通过所述行车信息对车辆移动路线及在该路线的行驶时间进行管控,以便于后续对车辆的行车状态进行分析。
通过获取行车信息对应的行驶数据并将其设为行驶分析数据,根据行驶分析数据分析车辆在行车路径上的行车状态,整合行车状态和行车信息得到车辆的行车数据的方式,实现获取车辆的行车路径、在该行车路径上的行车时间、以及所述车辆在该行车路径上的行车状态的技术效果,即:描述车辆在所述行车时间上在所述行车路径中为空载、或装载、或满载的状态,进而提高了对车辆运营情况的管控程度。
实施例二:
本实施例为上述实施例一的一种具体应用场景,通过本实施例,能够更加清楚、具体地阐述本发明所提供的方法。
下面,以在运行有行车状态识别方法的服务器中,识别路径数据中的停留点并构建两个停留点之间的移动路线得到行车路径,及分析车辆在行车路径上的行车状态为例,来对本实施例提供的方法进行具体说明。需要说明的是,本实施例只是示例性的,并不限制本发明实施例所保护的范围。
图2示意性示出了根据本申请实施例二的行车状态识别方法的环境应用示意图。
在示例性的实施例中,行车状态识别方法所在的服务器2通过网络分别连接车联网平台3和终端4;所述服务器2可以通过一个或多个网络提供服务,网络可以包括各种网络设备,例如路由器,交换机,多路复用器,集线器,调制解调器,网桥,中继器,防火墙,代理设备和/或等等。网络可以包括物理链路,例如同轴电缆链路,双绞线电缆链路,光纤链路,它们的组合和/或类似物。网络可以包括无线链路,例如蜂窝链路,卫星链路,Wi-Fi链路和/或类似物;所述终端4可为智能手机、平板电脑、笔记本电脑、台式电脑等计算机设备。
图3是本发明一个实施例提供的一种行车状态识别方法的具体方法流程图,该方法具体包括步骤S201至S207。
S201:与车联网平台构建通信连接,从所述车联网平台中获取车辆的路径数据和行驶数据,将所述路径数据和所述行驶数据保存在预置的本地库中。
本步骤中,所述车联网平台是用于收集车辆路径数据和行驶数据的计算机系统,其中,所述路径数据表征了车辆在各时间点上的位置坐标,所述行驶数据记载了车辆在各时间点上的速度及油耗。
于本实施例中,获取所述车联网平台通过车辆上安装的GPS系统所采集到的路径数据,以及所述行驶数据中的速度信息;获取所述车联网平台通过车辆上安装的OBD系统所采集到的所述行驶数据中的油耗信息。其中,GPS系统是指全球定位系统(GlobalPositioning System,GPS),其为一种以人造地球卫星为基础的高精度无线电导航的定位系统,它在全球任何地方以及近地空间都能够提供准确的地理位置(即:所述位置信息)、车行速度(即:所述速度信息)及精确的时间信息(即:所述时间点);OBD系统的全称是OnBoard Diagnostics,其为一种为汽车故障诊断而延伸出来的一种检测系统,因此,可通过所述OBD系统可采集所述车辆在各时间点上的油耗信息,并将其上传至所述车联网平台。
在一个优选的实施例中,所述从所述车联网平台中获取车辆的路径数据和行驶数据,包括:
S11:接收终端发送的车辆请求信息,提取所述数据请求信息中的车辆属性信息;
S12:将所述车辆属性信息作为预置的查询组件的查询参数,调用所述查询组件用以从所述车联网平台中,获取所述车辆属性信息对应车辆的路径数据和行驶数据。
具体地,本实施例所提供的场景是:按照车辆属性对目标车辆的路径数据和行驶数据进行搜索。可采用基于Vlookup函数、或HLookup函数、或Index函数、或Match函数构建的计算机组件作为所述查询组件,将所述车辆请求信息中的车辆属性信息作为所述查询组件的入参,以作为所述查询参数,并运行所述查询组件,用以从所述车联网平台中查询与所述车辆属性信息对应的路径数据和行驶数据,其中,所述车辆属性信息包括所述车辆的载重量,以及所述车辆的牌照,和/或所述车辆的VIN码,所述VIN码为车辆识别号码(VehicleIdentification Number,或车架号码),
可选的,所述从所述车联网平台中获取车辆的路径数据和行驶数据,包括:
S13:接收终端发送的主体请求信息,提取所述主体请求信息中的主体属性信息;
S14:将所述主体属性信息作为预置的导出组件的导出参数,调用所述导出组件用以从所述车联网平台中识别所述主体属性信息对应的车辆,及导出所述车辆的路径数据和行驶数据。
具体地,本实施例所提供场景是:按照车辆所属公司的主体属性进行查询,用以获得该主体属性对应主体旗下的车辆,及获取该主体旗下所有车辆的路径数据和行驶数据。将所述车辆的车辆属性信息、路径数据和行驶数据以清单的形式保存在本地库中,同时,还获取所述车辆的主体属性信息,所述主体属性信息是表征所述车辆所有者的名称信息,其反映了所述车辆属于哪个企业或组织。将所述主体属性信息在所述本地库中与所述车辆属性信息关联。于本实施例中,所述导出组件可为采用dll的导出函数所构建的计算机组件。
进一步地,所述关联的方式包括但不限于:键值对关联:以所述主体属性信息为主键,以所述车辆属性信息、所述路径数据和所述行驶数据所构建的清单为键值创制键值对,将所述键值对保存在所述本地库中;
清单关联:将所述主体属性信息记载于所述清单中与所述车辆属性信息对应的列上,以标记所述车辆的所有者,进而实现将所述主体属性信息与所述车辆属性信息之间进行关联。
S202:获取车辆的路径数据,识别所述路径数据中的停留点并将其保存至预置的定位堆栈中,按照所述停留点的停留时间段对所述定位堆栈中的停留点进行排序。
为能够识别车辆的停留位置以及在该位置的停留时间,以便于后续识别出该车辆的行车路线及其始停点,本步骤通过获取车辆的路径数据,识别所述路径数据中的停留点并将其保存至所述定位堆栈中的方式,使得反映车辆停留的位置坐标以及车辆在所述位置坐标上的停留时间,在所述定位堆栈中进行保存;
通过按照所述停留点的停留时间段对所述定位堆栈中的停留点进行排序,其中,所述停留时间表征了车辆从到达所述位置坐标的时刻,至离开所述位置坐标的时刻的时间区间。
在一个优选的实施例中,所述获取车辆的路径数据,识别所述路径数据中的停留点并将其保存至预置的定位堆栈中,包括:
S21:接收终端发送的分析请求,提取所述分析请求中的车辆分析编号;
S22:识别所述本地库中与所述车辆分析编号对应的车辆,并将所述车辆设为目标车辆,从所述本地库中提取所述目标车辆对应的路径数据;其中,所述路径数据中具有用于反映目标车辆在各位置时间上所处位置坐标的位点信息;
S23:按照时间顺序汇总所述路径数据中位置坐标一致的位点信息形成位置集合,所述位点信息在所述位置集合中以时间顺序排列;
S24:将所述位置集合中首位的位点信息对应的位置时间作为起始时间,将所述位置集合中末位的位点信息对应的位置时间作为终止时间,将从所述起始时间到所述终止时间的时间段所述位置集合的停留时间;
S25:整合所述位点信息集合的所述位置坐标和所述停留时间得到停留点。
具体地,本实施例中所述定位堆栈中的停留点用于表征车辆装货或卸货的目的地,所述路径数据表征了车辆在各时间点上的位置坐标,其通过车联网平台在车辆上安装的物联网设备(如:GPS)获得。
其中,所述路径数据记载有车辆在预置的时间周期内所在的位置坐标,以及所述车辆在所述位置坐标上的位置时间的数据集合,例如:时间周期为1天,如:11月26日,那么路径数据记载了该车辆在11月26日,这24小时之内所在的位置坐标,以及,该车辆在各所述位置坐标上的位置时间。于本实施例中,获取路径数据的位置坐标及其位置时间的粒度可根据需要调整,如果需要精细控制车辆的路径数据,可将位置时间的粒度设置为秒,那么,将获得从0时0分0秒,到23时59分59秒期间,所述车辆各秒钟所在的位置坐标;如果无需精细控制车辆的路径数据,可将位置时间的粒度设置为分,时刻(15分),那么,将获得从0时0分,到23时59分期间,所述车辆各分钟所在的位置坐标。
S203:提取所述定位堆栈中任一停留点并将其设为目标点,并将所述定位堆栈中位于所述目标点下一位次的停留点设为所述目标点的邻近点,计算所述目标点和所述邻近点之间的距离得到所述目标点的目标移动距离;
判断所述目标移动距离是否小于预置的移动阈值;
若所述目标移动距离小于所述移动阈值,则判定所述目标点表征了车辆移动过程中的堵车状态、或排队状态、或临时挪车状态,将所述目标点从所述定位堆栈中删除;
若所述目标移动距离不小于所述移动阈值,则判断所述目标点的停留时间是否超过预置的停留阈值;
若所述停留时间超过所述停留阈值,则判定所述目标点表征了所述车辆到达装货或卸货的目的地,将所述目标点保留在所述定位堆栈中;
若所述停留时间不超过所述停留阈值,则判定所述目标点处于车辆移动过程中的临时停靠状态或等待红绿灯状态,将所述目标点从所述定位堆栈中删除。
为消除车辆因处于堵车状态、或排队状态、或临时挪车状态生成的停留点,对后续对行车状态的作业产生干扰,本步骤首先通过提取所述定位堆栈中任一停留点并将其设为目标点,并将所述定位堆栈中位于所述目标点下一位次的停留点设为所述目标点的邻近点,计算所述目标点和所述邻近点之间的距离得到所述目标点的目标移动距离,获取各停留点距其下一位次的停留点的目标移动距离。
利用车辆在堵车状态、排队状态和临时挪车状态下会短距离移动的特性,本步骤通过判断目标移动距离是否小于预置的移动阈值的方式,判断所述停留点是否处于堵车状态、还是排队状态、还是临时挪车状态;如果判定所述停留点为堵车状态、或排队状态、或临时挪车状态,就从定位堆栈中删除所述停留点,以避免定位堆栈中的停留点对后续行车状态分析作业造成干扰的情况发生。
利用车辆在临时停靠状态和等待红绿灯状态下会短时间停留的特性,本步骤通过判断所述目标点的停留时间是否超过预置的停留阈值的方式,判断所述停留点是否处于临时停靠状态或等待红绿灯状态;如果判定所述停留点为临时停靠状态或等待红绿灯状态,就从定位堆栈中删除所述停留点,以避免定位堆栈中的停留点对后续行车状态分析作业造成干扰的情况发生。
于所述图3中,所述S203采用以下标注展示:
S203-1:提取所述定位堆栈中任一停留点并将其设为目标点,并将所述定位堆栈中位于所述目标点下一位次的停留点设为所述目标点的邻近点,计算所述目标点和所述邻近点之间的距离得到所述目标点的目标移动距离;
S203-2:判断所述目标移动距离是否小于预置的移动阈值;
S203-3:若所述目标移动距离小于所述移动阈值,则判定所述目标点表征了车辆移动过程中的堵车状态、或排队状态、或临时挪车状态,将所述目标点从所述定位堆栈中删除;
S203-4:若所述目标移动距离不小于所述移动阈值,则判断所述目标点的停留时间是否超过预置的停留阈值;
S203-5:若所述停留时间超过所述停留阈值,则判定所述目标点表征了所述车辆到达装货或卸货的目的地,将所述目标点保留在所述定位堆栈中;
S203-6:若所述停留时间不超过所述停留阈值,则判定所述目标点处于车辆移动过程中的临时停靠状态或等待红绿灯状态,将所述目标点从所述定位堆栈中删除。
S204:提取所述定位堆栈中任意两个相邻位次的停留点得到停留对,构建所述停留对中两个停留点之间的移动路线得到行车路径,及计算车辆在所述行车路径上的行车时间,整合所述行车路径和所述行车时间得到行车信息。
为获得车辆的行车路径以便于对车辆的移动路线进行识别及管控,本步骤通过提取所述定位堆栈中任意两个相邻位次的停留点得到停留对,构建所述停留对中两个停留点之间的移动路线得到行车路径,及计算车辆在所述行车路径上的行车时间,整合所述行车路径和所述行车时间得到行车信息的方式,以实现通过所述行车信息对车辆移动路线及在该路线的行驶时间进行管控,以便于后续对车辆的行车状态进行分析。
于本实施例中,通过将所述行车路径和所述行车时间汇总到预置的行车数据表中的方式,实现整合所述行车路径和所述行车时间得到行车信息的技术效果。
在一个优选的实施例中,所述构建所述停留对中两个停留点之间的移动路线得到行车路径,及计算车辆在所述行车路径上的行车时间,包括:
S41:提取所述停留对中位于上一位次的停留点的位置坐标,并将其设为起点坐标;提取所述停留对中位于下一位次的停留点地位置坐标,并将其设为终点坐标;构建从所述起点坐标到所述终点坐标的行车路径;
本步骤中,从所述路径数据中获取从所述起点坐标到所述终点坐标的位点信息,并将其作为路径信息,提取所述路径信息中的位置坐标并排列形成所述行车路径。
S42:提取所述停留对中位于上一位次的停留点的停留时间的终止时间,提取所述停留对中位于下一位次的停留点的停留时间的起始时间,计算从所述终止时间到所述起始时间的时间段并将其设为行车时间。
本步骤中,通过将所述终止时间与所述起始时间相减,以作为所述行车路径的行车时间。
S205:获取所述行车信息对应的行驶数据并将其设为行驶分析数据,根据所述行驶分析数据分析所述车辆在所述行车路径上的行车状态,整合所述行车状态和所述行车信息得到所述车辆的行车数据。其中,所述行驶数据记载了车辆在各时间点上的速度及油耗;所述行车状态表征了车辆的载货重量大小,其包括空载、装载和满载。
为识别车辆在各行车路径上的行车状态,以便于管控车辆在各行车路径上的行车状态,本步骤通过获取行车信息对应的行驶数据并将其设为行驶分析数据,根据行驶分析数据分析车辆在行车路径上的行车状态,整合行车状态和行车信息得到车辆的行车数据的方式,实现获取车辆的行车路径、在该行车路径上的行车时间、以及所述车辆在该行车路径上的行车状态的技术效果,即:描述车辆在所述行车时间上在所述行车路径中为空载、或装载、或满载的状态,进而提高了对车辆运营情况的管控程度。
在一个优选的实施例中,所述获取所述行车信息对应的行驶数据并将其设为行驶分析数据,根据所述行驶分析数据分析所述车辆在所述行车路径上的行车状态,包括:
S51:获取车辆的行驶数据并提取所述行车信息的行车时间,将与所述行车时间对应的行驶数据设为行驶分析数据;
本步骤中,所述行驶分析数据表征了车辆在行车路径上的速度及油耗。
S52:将所述行驶分析数据以及所述车辆的车辆属性信息录入预置的分析模型,运行所述分析模型根据所述行驶分析数据判断车辆的行车状态;其中,所述分析模型中具有表征速度及油耗与行车状态之间关系的分析曲线,获取与所述行驶分析数据匹配的分析曲线,将所述分析曲线的行车状态设为所述车辆的行车状态。
本步骤中,所述分析模型根据车辆在行车路径上的速度和油耗,分析所述车辆在所述行车路径上的行车状态;于本实施例中,所述行车状态为所述储量的载货重量;如果所述载货重量为零,则判定所述行车状态为空载,如果所述载货重量不为零,且所述载货重量不超过车辆载重量,则判定所述行车状态为装载;如果所述载货重量超过所述车辆载重量,则判定所述行车状态为超载。
具体地,获取与所述车辆属性信息的车辆载重量对应的分析模型,将所述行驶分析数据录入所述分析模型中,以形成用于表征所述车辆的车辆点;调用所述分析模型中的计算模块,计算所述车辆点与所述分析模型中各分析曲线之间的距离,以分别获得各所述分析曲线的曲线距离;将曲线距离最短的分析曲线设为目标曲线,将所述目标曲线对应的结论信息设为所述车辆的行车状态。
进一步地,所述分析模型的训练方法包括:
S521:获取样本车辆的特征信息和结论信息;其中,所述特征信息包括样本车辆的行驶分析数据,和所述样本车辆的车辆属性信息,所述结论信息表征了所述样本车辆的行车状态;
S522:将所述特征信息和所述结论信息录入预置的机器学习模型中,使所述特征信息和所述结论信息在所述机器学习模型中构建成用于表征所述样本车辆的样本点;
S523:通过所述机器学习模型对所述样本点进行拟合运算,以构建至少一个用于拟合所述样本点的分析曲线,调用所述机器学习模型将所述分析曲线输出至预置的计算机模型中,使所述计算机模型转为所述分析模型;其中,所述分析模型中具有距离计算组件。
具体地,识别车辆属性信息的车辆载重量,汇总所述车辆载重量一致的样本车辆形成样本集合,其中,所述样本集合中记载了所述样本车辆的特征信息和结论信息;将所述样本车辆中的特征信息和结论信息录入机器学习模型中,用以在在所述机器学习模型中形成表征所述样本集合中样本车辆的样本点;其中,所述特征信息为所述样本车辆的速度和油耗,所述结论信息为所述样本车辆的载货重量。
于本实施例中,采用具有回归算法的机器学习模型,对所述样本点进行线性回归、或非线性回归、或逻辑回归拟合运算,得到用于拟合所述样本点的分析曲线;所述拟合运算是用于将把平面上一系列的点,用一条光滑的曲线连接起来的计算机算法;将所述分析曲线录入所述计算机模型中,并将所述样本集合的车辆载重量作为所述计算机模型的标注信息,使所述计算机模型转为所述分析模型,并在所述分析模型中构建用于计算车辆点和分析曲线之间距离的计算组件。
S206:汇总车辆的行车数据形成行车集合,提取所述行车集合中所述行车数据的行车路径和行车状态,根据所述行车路径和所述行车状态生成所述车辆的运营评价信息。
为实现使用者能够根据各行车路径上的行车状态,得到对所述车辆进行运营状态的直观化评价,本步骤通过汇总车辆的行车数据形成行车集合,提取所述行车集合中所述行车数据的行车路径和行车状态,根据所述行车路径和所述行车状态生成所述车辆的运营评价信息的方式,使得使用者能够根据所述运营评价信息直观了解所述车辆的运营情况,提高了使用者对车辆的管控度。
具体地,所述汇总车辆的行车数据形成行车集合,提取所述行车集合中所述行车数据的行车路径和行车状态,根据所述行车路径和所述行车状态生成所述车辆的运营评价信息,包括:
整合预置的分析周期内,所述车辆的行车数据得到行车集合,提取所述行车集合中所述行车数据的行车路径和行车状态,其中,所述分析周期为预置的时间段,于本实施例中,所述分析周期可由使用者根据需求自行设置,例如:某一天,或某一个月,或某一年等;
计算行车状态为装载的行车路径的总和得到装载路径,计算所述行车状态为空载的行车路径的总和得到空载路径,计算所述行车状态为超载的行车路径总和得到超载路径,计算所述装载路径、所述空载路径和所述超载路径之和得到总路径;
计算所述装载路径在所述总路径中之间的比值得到有效路径比例,计算所述空载路径与所述总路径之间的比值得到无效路径比例,计算所述超载路径关于所述总路径之间的比值得到风险路径比例;
若所述总路径不超过预置的运营里程阈值,则生成路径无效能信息;若所述无效路径比例超过预置的无效阈值,则生成路径低效能信息;若所述风险路径比例超过预置的风险阈值,则生成路径风险信息;若未得到所述路径无效能信息和/或所述路径低效能信息、和/或所述路径风险信息,则生成路径正常运营信息;
构建记载有所述路径正常运营信息,或所述路径无效能信息,和/或所述路径低效能信息、和/或所述路径风险信息的运营评价信息,用以在所述分析周期内对所述车辆进行评价。
可选的,所述汇总车辆的行车数据形成行车集合,提取所述行车集合中所述行车数据的行车路径和行车状态,根据所述行车路径和所述行车状态生成所述车辆的运营评价信息之后,所述方法还包括:
整合预置的分析周期内,所述车辆的行车数据得到行车集合,提取所述行车集合中所述行车数据的行车时间和行车状态,其中,所述分析周期为预置的时间段,于本实施例中,所述分析周期可由使用者根据需求自行设置,例如:某一天,或某一个月,或某一年等;
计算行车状态为装载的行车时间的总和得到装载时间,计算所述行车状态为空载的行车时间的总和得到空载时间,计算所述行车状态为超载的行车时间总和得到超载时间,计算所述装载时间、所述空载时间和所述超载时间之和得到总时间;
计算所述装载时间在所述总时间中之间的比值得到有效时间比例,计算所述空载时间与所述总时间之间的比值得到无效时间比例,计算所述超载时间关于所述总时间之间的比值得到风险时间比例;
若所述总时间不超过预置的运营里程阈值,则生成时间无效能信息;若所述无效时间比例超过预置的无效阈值,则生成时间低效能信息;若所述风险时间比例超过预置的风险阈值,则生成时间风险信息;若未得到所述时间无效能信息和/或所述时间低效能信息、和/或所述时间风险信息,则生成时间正常运营信息;
构建记载有所述时间正常运营信息,或所述时间无效能信息,和/或所述时间低效能信息、和/或所述时间风险信息的运营评价信息,用以在所述分析周期内对所述车辆进行评价。
优选的,将所述运营评价信息上传至区块链中。
需要说明的是,基于运营评价信息得到对应的摘要信息,具体来说,摘要信息由运营评价信息进行散列处理得到,比如利用sha256s算法处理得到。将摘要信息上传至区块链可保证其安全性和对用户的公正透明性。用户设备可以从区块链中下载得该摘要信息,以便查证运营评价信息是否被篡改。本示例所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(Blockchain),本质上是一个去中心化的数据库,是一串使用密码学方法相关联产生的数据块,每一个数据块中包含了一批次网络交易的信息,用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。
S207:接收主体属性信息,获取所述主体属性信息对应所有车辆的运营评价信息并汇总得到评价集合,根据所述评价集合分析所述目标主体营运状况得到主体评价信息。
为实现使用者能够根据各车辆的运营评价信息对所述车辆的所有者的运营状态进行直观的评价,本步骤通过获取所述主体属性信息对应所有车辆的运营评价信息并汇总得到评价集合,根据所述评价集合分析所述目标主体营运状况得到主体评价信息的方式,使得使用者能够根据所述主体评价信息直观了解所述所有者的运营情况,提高了使用者对车辆所有者的管控度。
具体地,所述获取所述主体属性信息对应所有车辆的运营评价信息并汇总得到评价集合,根据所述评价集合分析所述目标主体营运状况得到主体评价信息,包括:
将所述主体属性信息发送至所述车联网平台,接收所述车联网平台根据所述主体属性信息发送的车辆属性信息,其中,所述车联网平台中记载有相互关联的主体属性信息和车辆属性信息,用于表征车辆的所有者信息;
获取所述车辆属性信息对应车辆的运营评价信息并汇总得到主体集合,及获取所述主体集合中所述运营评价信息的数量,并将所述数量设为主体数量;提取所述主体集合中运营评价信息中的路径无效能信息、和/或路径低效能信息、和/或路径风险信息、和/或路径正常运营信息;
若所述路径无效能信息在所述主体数量中的占比超过预置的路径主体无效阈值,则生成路径主体无效信息;若所述路径低效能信息在所述主体数量中的占比超过预置的路径主体低效阈值,则生成路径主体低效信息;若所述路径风险信息在所述主体数量中的占比超过预置的路径主体风险预置,则生成路径主体风险信息;若未得到所述路径主体无效信息、或路径主体低效信息、或路径主体风险信息,则生成路径主体正常信息;
构建记载有所述路径体正常信息,或所述路径主体无效信息、和/或路径主体低效信息、和/或路径主体风险信息的主体评价信息。
可选的,所述获取所述主体属性信息对应所有车辆的运营评价信息并汇总得到评价集合,根据所述评价集合分析所述目标主体营运状况得到主体评价信息之后,所述方法还包括:
将所述主体属性信息发送至所述车联网平台,接收所述车联网平台根据所述主体属性信息发送的车辆属性信息,其中,所述车联网平台中记载有相互关联的主体属性信息和车辆属性信息,用于表征车辆的所有者信息;
获取所述车辆属性信息对应车辆的运营评价信息并汇总得到主体集合,及获取所述主体集合中所述运营评价信息的数量,并将所述数量设为主体数量;提取所述主体集合中运营评价信息中的时间无效能信息、和/或时间低效能信息、和/或时间风险信息、和/或时间正常运营信息;
若所述时间无效能信息在所述主体数量中的占比超过预置的时间主体无效阈值,则生成时间主体无效信息;若所述时间低效能信息在所述主体数量中的占比超过预置的时间主体低效阈值,则生成时间主体低效信息;若所述时间风险信息在所述主体数量中的占比超过预置的时间主体风险预置,则生成时间主体风险信息;若未得到所述时间主体无效信息、或时间主体低效信息、或时间主体风险信息,则生成时间主体正常信息;
构建记载有所述时间体正常信息,或所述时间主体无效信息、和/或时间主体低效信息、和/或时间主体风险信息的主体评价信息。
实施例三:
请参阅图4,本实施例的一种行车状态识别装置1,包括:
停留点识别模块12,用于获取车辆的路径数据,识别所述路径数据中的停留点并将其保存至预置的定位堆栈中,按照所述停留点的停留时间段对所述定位堆栈中的停留点进行排序;所述路径数据表征了车辆在各时间点上的位置坐标;
路径时间模块14,用于提取所述定位堆栈中任意两个相邻位次的停留点得到停留对,构建所述停留对中两个停留点之间的移动路线得到行车路径,及计算车辆在所述行车路径上的行车时间,整合所述行车路径和所述行车时间得到行车信息;
状态分析模块15,用于获取所述行车信息对应的行驶数据并将其设为行驶分析数据,根据所述行驶分析数据分析所述车辆在所述行车路径上的行车状态,整合所述行车状态和所述行车信息得到所述车辆的行车数据;其中,所述行驶数据记载了车辆在各时间点上的速度及油耗;所述行车状态表征了车辆的载货重量大小,其包括空载、装载和满载。
可选的,所述行车状态识别装置1还包括:
连接模块11,用于与车联网平台构建通信连接,从所述车联网平台中获取车辆的路径数据和行驶数据,将所述路径数据和所述行驶数据保存在预置的本地库中。
可选的,所述连接模块11还包括:
属性提取单元111,用于接收终端发送的车辆请求信息,提取所述数据请求信息中的车辆属性信息;
数据获取单元112,用于将所述车辆属性信息作为预置的查询组件的查询参数,调用所述查询组件用以从所述车联网平台中,获取所述车辆属性信息对应车辆的路径数据和行驶数据。
可选的,所述停留点识别模块12还包括:
编号提取单元121,用于接收终端发送的分析请求,提取所述分析请求中的车辆分析编号;
数据提取单元122,用于识别所述本地库中与所述车辆分析编号对应的车辆,并将所述车辆设为目标车辆,从所述本地库中提取所述目标车辆对应的路径数据;其中,所述路径数据中具有用于反映目标车辆在各位置时间上所处位置坐标的位点信息;
集合排列单元123,用于按照时间顺序汇总所述路径数据中位置坐标一致的位点信息形成位置集合,所述位点信息在所述位置集合中以时间顺序排列;
时间计算单元124,用于将所述位置集合中首位的位点信息对应的位置时间作为起始时间,将所述位置集合中末位的位点信息对应的位置时间作为终止时间,将从所述起始时间到所述终止时间的时间段所述位置集合的停留时间;
停留识别单元125,用于整合所述位点信息集合的所述位置坐标和所述停留时间得到停留点。
可选的,所述行车状态识别装置1还包括:
停留点筛选模块13,用于提取所述定位堆栈中任一停留点并将其设为目标点,并将所述定位堆栈中位于所述目标点下一位次的停留点设为所述目标点的邻近点,计算所述目标点和所述邻近点之间的距离得到所述目标点的目标移动距离;
判断所述目标移动距离是否小于预置的移动阈值;若所述目标移动距离小于所述移动阈值,则判定所述目标点表征了车辆移动过程中的堵车状态、或排队状态、或临时挪车状态,将所述目标点从所述定位堆栈中删除;若所述目标移动距离不小于所述移动阈值,则判断所述目标点的停留时间是否超过预置的停留阈值;
若所述停留时间超过所述停留阈值,则判定所述目标点表征了所述车辆到达装货或卸货的目的地,将所述目标点保留在所述定位堆栈中;
若所述停留时间不超过所述停留阈值,则判定所述目标点处于车辆移动过程中的临时停靠状态或等待红绿灯状态,将所述目标点从所述定位堆栈中删除。
可选的,所述路径时间模块14还包括:
路径构建单元141,用于提取所述停留对中位于上一位次的停留点的位置坐标,并将其设为起点坐标;提取所述停留对中位于下一位次的停留点地位置坐标,并将其设为终点坐标;构建从所述起点坐标到所述终点坐标的行车路径;
时间构建单元142,用于提取所述停留对中位于上一位次的停留点的停留时间的终止时间,提取所述停留对中位于下一位次的停留点的停留时间的起始时间,计算从所述终止时间到所述起始时间的时间段并将其设为行车时间。
可选的,所述状态分析模块15还包括:
数据获取单元151,用于获取车辆的行驶数据并提取所述行车信息的行车时间,将与所述行车时间对应的行驶数据设为行驶分析数据;
状态分析单元152,用于将所述行驶分析数据以及所述车辆的车辆属性信息录入预置的分析模型,运行所述分析模型根据所述行驶分析数据判断车辆的行车状态;其中,所述分析模型中具有表征速度及油耗与行车状态之间关系的分析曲线,获取与所述行驶分析数据匹配的分析曲线,将所述分析曲线的行车状态设为所述车辆的行车状态。
可选的,所述行车状态识别装置1还包括:
车辆评价模块16,用于汇总车辆的行车数据形成行车集合,提取所述行车集合中所述行车数据的行车路径和行车状态,根据所述行车路径和所述行车状态生成所述车辆的运营评价信息。
可选的,所述行车状态识别装置1还包括:
主体评价模块17,用于接收主体属性信息,获取所述主体属性信息对应所有车辆的运营评价信息并汇总得到评价集合,根据所述评价集合分析所述目标主体营运状况得到主体评价信息。
本技术方案应用于人工智能的机器学习领域,获取车辆的路径数据,识别路径数据中的停留点并将其保存至预置的定位堆栈中,按照停留点的停留时间段对定位堆栈中的停留点进行排序;提取定位堆栈中任意两个相邻位次的停留点得到停留对,构建停留对中两个停留点之间的移动路线得到行车路径,及计算车辆在行车路径上的行车时间,整合行车路径和行车时间得到行车信息;获取行车信息对应的行驶数据并将其设为行驶分析数据,通过机器学习模型根据行驶分析数据分析车辆在行车路径上的行车状态,整合行车状态和行车信息得到车辆的行车数据。
本申请实施例可以基于人工智能技术对相关的数据进行获取和处理。其中,人工智能(Artificial Intelligence,AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能,感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。
人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互系统、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、机器人技术、生物识别技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。
实施例四:
为实现上述目的,本发明还提供一种计算机设备5,实施例三的行车状态识别装置的组成部分可分散于不同的计算机设备中,计算机设备5可以是执行程序的智能手机、平板电脑、笔记本电脑、台式计算机、机架式服务器、刀片式服务器、塔式服务器或机柜式服务器(包括独立的服务器,或者多个应用服务器所组成的服务器集群)等。本实施例的计算机设备至少包括但不限于:可通过系统总线相互通信连接的存储器51、处理器52,如图5所示。需要指出的是,图5仅示出了具有组件-的计算机设备,但是应理解的是,并不要求实施所有示出的组件,可以替代的实施更多或者更少的组件。
本实施例中,存储器51(即可读存储介质)包括闪存、硬盘、多媒体卡、卡型存储器(例如,SD或DX存储器等)、随机访问存储器(RAM)、静态随机访问存储器(SRAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、可编程只读存储器(PROM)、磁性存储器、磁盘、光盘等。在一些实施例中,存储器51可以是计算机设备的内部存储单元,例如该计算机设备的硬盘或内存。在另一些实施例中,存储器51也可以是计算机设备的外部存储设备,例如该计算机设备上配备的插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(Flash Card)等。当然,存储器51还可以既包括计算机设备的内部存储单元也包括其外部存储设备。本实施例中,存储器51通常用于存储安装于计算机设备的操作系统和各类应用软件,例如实施例三的行车状态识别装置的程序代码等。此外,存储器51还可以用于暂时地存储已经输出或者将要输出的各类数据。
处理器52在一些实施例中可以是中央处理器(Central Processing Unit,CPU)、控制器、微控制器、微处理器、或其他数据处理芯片。该处理器52通常用于控制计算机设备的总体操作。本实施例中,处理器52用于运行存储器51中存储的程序代码或者处理数据,例如运行行车状态识别装置,以实现实施例一和实施例二的行车状态识别方法。
实施例五:
为实现上述目的,本发明还提供一种计算机可读存储介质,如闪存、硬盘、多媒体卡、卡型存储器(例如,SD或DX存储器等)、随机访问存储器(RAM)、静态随机访问存储器(SRAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、可编程只读存储器(PROM)、磁性存储器、磁盘、光盘、服务器、App应用商城等等,其上存储有计算机程序,程序被处理器52执行时实现相应功能。本实施例的计算机可读存储介质用于存储实现所述行车状态识别方法的计算机程序,被处理器52执行时实现实施例一和实施例二的行车状态识别方法。
上述本发明实施例序号仅仅为了描述,不代表实施例的优劣。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件,但很多情况下前者是更佳的实施方式。
以上仅为本发明的优选实施例,并非因此限制本发明的专利范围,凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本发明的专利保护范围内。
Claims (10)
1.一种行车状态识别方法,其特征在于,包括:
获取车辆的路径数据,识别所述路径数据中的停留点并将其保存至预置的定位堆栈中,按照所述停留点的停留时间段对所述定位堆栈中的停留点进行排序;其中,所述路径数据表征了车辆在各时间点上的位置坐标;
提取所述定位堆栈中任意两个相邻位次的停留点得到停留对,构建所述停留对中两个停留点之间的移动路线得到行车路径,及计算车辆在所述行车路径上的行车时间,整合所述行车路径和所述行车时间得到行车信息;
获取所述行车信息对应的行驶数据并将其设为行驶分析数据,根据所述行驶分析数据分析所述车辆在所述行车路径上的行车状态,整合所述行车状态和所述行车信息得到所述车辆的行车数据;其中,所述行驶数据记载了车辆在各时间点上的速度及油耗;所述行车状态表征了车辆的载货重量大小,其包括空载、装载和满载;
整合预置的分析周期内,所述车辆的行车数据得到行车集合,提取所述行车集合中所述行车数据的行车路径和行车状态;
计算行车状态为装载的行车路径的总和得到装载路径,计算所述行车状态为空载的行车路径的总和得到空载路径,计算所述行车状态为超载的行车路径总和得到超载路径,计算所述装载路径、所述空载路径和所述超载路径之和得到总路径;
计算所述装载路径在所述总路径中之间的比值得到有效路径比例,计算所述空载路径与所述总路径之间的比值得到无效路径比例,计算所述超载路径关于所述总路径之间的比值得到风险路径比例;
若所述总路径不超过预置的运营里程阈值,则生成路径无效能信息;若所述无效路径比例超过预置的无效阈值,则生成路径低效能信息;若所述风险路径比例超过预置的风险阈值,则生成路径风险信息;若未得到所述路径无效能信息和/或所述路径低效能信息、和/或所述路径风险信息,则生成路径正常运营信息;
构建记载有所述路径正常运营信息,或所述路径无效能信息,和/或所述路径低效能信息、和/或所述路径风险信息的运营评价信息。
2.根据权利要求1所述的行车状态识别方法,其特征在于,所述获取车辆的路径数据之前,所述方法还包括:
与车联网平台构建通信连接,从所述车联网平台中获取车辆的路径数据和行驶数据,将所述路径数据和所述行驶数据保存在预置的本地库中。
3.根据权利要求2所述的行车状态识别方法,其特征在于,所述获取车辆的路径数据,识别所述路径数据中的停留点并将其保存至预置的定位堆栈中,包括:
接收终端发送的分析请求,提取所述分析请求中的车辆分析编号;
识别所述本地库中与所述车辆分析编号对应的车辆,并将所述车辆设为目标车辆,从所述本地库中提取所述目标车辆对应的路径数据;其中,所述路径数据中具有用于反映目标车辆在各位置时间上所处位置坐标的位点信息;
按照时间顺序汇总所述路径数据中位置坐标一致的位点信息形成位置集合,所述位点信息在所述位置集合中以时间顺序排列;
将所述位置集合中首位的位点信息对应的位置时间作为起始时间,将所述位置集合中末位的位点信息对应的位置时间作为终止时间,将从所述起始时间到所述终止时间的时间段所述位置集合的停留时间;
整合所述位点信息集合的所述位置坐标和所述停留时间得到停留点。
4.根据权利要求1所述的行车状态识别方法,其特征在于,所述按照所述停留点的停留时间段对所述定位堆栈中的停留点进行排序之后,所述方法还包括:
提取所述定位堆栈中任一停留点并将其设为目标点,并将所述定位堆栈中位于所述目标点下一位次的停留点设为所述目标点的邻近点,计算所述目标点和所述邻近点之间的距离得到所述目标点的目标移动距离;
判断所述目标移动距离是否小于预置的移动阈值;
若所述目标移动距离小于所述移动阈值,则判定所述目标点表征了车辆移动过程中的堵车状态、或排队状态、或临时挪车状态,将所述目标点从所述定位堆栈中删除;
若所述目标移动距离不小于所述移动阈值,则判断所述目标点的停留时间是否超过预置的停留阈值;
若所述停留时间超过所述停留阈值,则判定所述目标点表征了所述车辆到达装货或卸货的目的地,将所述目标点保留在所述定位堆栈中;
若所述停留时间不超过所述停留阈值,则判定所述目标点处于车辆移动过程中的临时停靠状态或等待红绿灯状态,将所述目标点从所述定位堆栈中删除。
5.根据权利要求1所述的行车状态识别方法,其特征在于,所述构建所述停留对中两个停留点之间的移动路线得到行车路径,及计算车辆在所述行车路径上的行车时间,包括:
提取所述停留对中位于上一位次的停留点的位置坐标,并将其设为起点坐标;提取所述停留对中位于下一位次的停留点地位置坐标,并将其设为终点坐标;构建从所述起点坐标到所述终点坐标的行车路径;
提取所述停留对中位于上一位次的停留点的停留时间的终止时间,提取所述停留对中位于下一位次的停留点的停留时间的起始时间,计算从所述终止时间到所述起始时间的时间段并将其设为行车时间。
6.根据权利要求1所述的行车状态识别方法,其特征在于,所述获取所述行车信息对应的行驶数据并将其设为行驶分析数据,根据所述行驶分析数据分析所述车辆在所述行车路径上的行车状态,包括:
获取车辆的行驶数据并提取所述行车信息的行车时间,将与所述行车时间对应的行驶数据设为行驶分析数据;
将所述行驶分析数据以及所述车辆的车辆属性信息录入预置的分析模型,运行所述分析模型根据所述行驶分析数据判断车辆的行车状态;其中,所述分析模型中具有表征速度及油耗与行车状态之间关系的分析曲线,获取与所述行驶分析数据匹配的分析曲线,将所述分析曲线的行车状态设为所述车辆的行车状态。
7.根据权利要求1所述的行车状态识别方法,其特征在于,所述整合所述行车状态和所述行车信息得到所述车辆的行车数据之后,所述方法还包括:
将所述运营评价信息上传至区块链中。
8.一种行车状态识别装置,其特征在于,包括:
停留点识别模块,用于获取车辆的路径数据,识别所述路径数据中的停留点并将其保存至预置的定位堆栈中,按照所述停留点的停留时间段对所述定位堆栈中的停留点进行排序;所述路径数据表征了车辆在各时间点上的位置坐标;
路径时间模块,用于提取所述定位堆栈中任意两个相邻位次的停留点得到停留对,构建所述停留对中两个停留点之间的移动路线得到行车路径,及计算车辆在所述行车路径上的行车时间,整合所述行车路径和所述行车时间得到行车信息;
状态分析模块,用于获取所述行车信息对应的行驶数据并将其设为行驶分析数据,根据所述行驶分析数据分析所述车辆在所述行车路径上的行车状态,整合所述行车状态和所述行车信息得到所述车辆的行车数据;其中,所述行驶数据记载了车辆在各时间点上的速度及油耗;所述行车状态表征了车辆的载货重量大小,其包括空载、装载和满载;
车辆评价模块,用于整合预置的分析周期内,所述车辆的行车数据得到行车集合,提取所述行车集合中所述行车数据的行车路径和行车状态;计算行车状态为装载的行车路径的总和得到装载路径,计算所述行车状态为空载的行车路径的总和得到空载路径,计算所述行车状态为超载的行车路径总和得到超载路径,计算所述装载路径、所述空载路径和所述超载路径之和得到总路径;计算所述装载路径在所述总路径中之间的比值得到有效路径比例,计算所述空载路径与所述总路径之间的比值得到无效路径比例,计算所述超载路径关于所述总路径之间的比值得到风险路径比例;若所述总路径不超过预置的运营里程阈值,则生成路径无效能信息;若所述无效路径比例超过预置的无效阈值,则生成路径低效能信息;若所述风险路径比例超过预置的风险阈值,则生成路径风险信息;若未得到所述路径无效能信息和/或所述路径低效能信息、和/或所述路径风险信息,则生成路径正常运营信息;构建记载有所述路径正常运营信息,或所述路径无效能信息,和/或所述路径低效能信息、和/或所述路径风险信息的运营评价信息。
9.一种计算机设备,其包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述计算机设备的处理器执行所述计算机程序时实现权利要求1至7任一项所述行车状态识别方法的步骤。
10.一种计算机可读存储介质,所述可读存储介质上存储有计算机程序,其特征在于,所述可读存储介质存储的所述计算机程序被处理器执行时实现权利要求1至7任一项所述行车状态识别方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111521740.6A CN114220191B (zh) | 2021-12-13 | 2021-12-13 | 行车状态识别方法、装置、计算机设备及可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111521740.6A CN114220191B (zh) | 2021-12-13 | 2021-12-13 | 行车状态识别方法、装置、计算机设备及可读存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114220191A CN114220191A (zh) | 2022-03-22 |
CN114220191B true CN114220191B (zh) | 2023-11-21 |
Family
ID=80701592
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111521740.6A Active CN114220191B (zh) | 2021-12-13 | 2021-12-13 | 行车状态识别方法、装置、计算机设备及可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114220191B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115131897A (zh) * | 2022-07-01 | 2022-09-30 | 潍柴动力股份有限公司 | 行驶路线的存储方法以及其存储装置 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2010150020A (ja) * | 2008-12-26 | 2010-07-08 | Jfe Steel Corp | 車両運行計画作成方法及び装置 |
CN104429047A (zh) * | 2014-03-05 | 2015-03-18 | 华为终端有限公司 | 车联网数据处理方法、服务器和终端 |
CN105070048A (zh) * | 2015-08-25 | 2015-11-18 | 陈翀 | 一种基于行车记录数据和车联网传输的路面交通数据系统 |
CN109767023A (zh) * | 2019-01-16 | 2019-05-17 | 北京经纬恒润科技有限公司 | 一种车辆载重状态的预估方法及系统 |
CN112185131A (zh) * | 2020-10-14 | 2021-01-05 | 深圳壹账通智能科技有限公司 | 车辆行使状态判断方法、装置、计算机设备及存储介质 |
CN112613939A (zh) * | 2020-12-14 | 2021-04-06 | 北京优挂信息科技有限公司 | 一种车辆装卸状态的识别方法、装置、存储介质及终端 |
-
2021
- 2021-12-13 CN CN202111521740.6A patent/CN114220191B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2010150020A (ja) * | 2008-12-26 | 2010-07-08 | Jfe Steel Corp | 車両運行計画作成方法及び装置 |
CN104429047A (zh) * | 2014-03-05 | 2015-03-18 | 华为终端有限公司 | 车联网数据处理方法、服务器和终端 |
CN105070048A (zh) * | 2015-08-25 | 2015-11-18 | 陈翀 | 一种基于行车记录数据和车联网传输的路面交通数据系统 |
CN109767023A (zh) * | 2019-01-16 | 2019-05-17 | 北京经纬恒润科技有限公司 | 一种车辆载重状态的预估方法及系统 |
CN112185131A (zh) * | 2020-10-14 | 2021-01-05 | 深圳壹账通智能科技有限公司 | 车辆行使状态判断方法、装置、计算机设备及存储介质 |
CN112613939A (zh) * | 2020-12-14 | 2021-04-06 | 北京优挂信息科技有限公司 | 一种车辆装卸状态的识别方法、装置、存储介质及终端 |
Also Published As
Publication number | Publication date |
---|---|
CN114220191A (zh) | 2022-03-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10341819B2 (en) | Verifying sensor data using embeddings | |
CN112447041B (zh) | 识别车辆的营运行为的方法、装置及计算设备 | |
CN110705774A (zh) | 一种车辆能耗分析的预测方法和系统 | |
CN114220191B (zh) | 行车状态识别方法、装置、计算机设备及可读存储介质 | |
CN114862372B (zh) | 基于区块链的智慧教育数据防篡改处理方法及系统 | |
CN112598192A (zh) | 一种车辆进入物流园区的预测方法、装置、存储介质及终端 | |
CN112233428A (zh) | 车流量预测方法、装置、存储介质及设备 | |
CN114386892A (zh) | 运输车辆载重管理方法、系统、存储介质及设备 | |
CN111369790B (zh) | 过车记录校正方法、装置、设备及存储介质 | |
CN112950024A (zh) | 基于水电站应急指挥的决策方法、存储介质及电子设备 | |
CN114394099B (zh) | 车辆行驶异常识别方法、装置、计算机设备及存储介质 | |
CN116583891A (zh) | 用于车辆核查和验证的危急场景识别 | |
CN111369417A (zh) | 一种基于技战法模型的案件线索获取方法及装置 | |
CN115375237A (zh) | 一种冷链物流智能管理方法、系统、设备和存储介质 | |
CN114999166B (zh) | 车辆识别方法、装置、电子设备及计算机可读存储介质 | |
CN112866295B (zh) | 一种大数据防爬虫处理方法及云平台系统 | |
CN111830937B (zh) | 车辆故障识别模型的构建、识别方法及装置、管理系统 | |
CN114971641A (zh) | 虚拟商品的欺诈识别方法、装置、计算机设备及存储介质 | |
CN114553951A (zh) | 违章消息推送方法、装置、设备及存储介质 | |
CN114066288A (zh) | 一种基于智慧数据中心的营运道路应急检测方法及系统 | |
CN113593256A (zh) | 基于城市管理的无人机智能驱离控制方法、系统及云平台 | |
CN109934233B (zh) | 一种运输业务识别方法和系统 | |
CN114548463A (zh) | 线路信息预测方法、装置、计算机设备和存储介质 | |
CN110751567A (zh) | 车辆信息处理方法、装置、计算机设备和存储介质 | |
CN115860275B (zh) | 一种用于土地整备利益统筹测绘采集方法及系统 |
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 |