CN114298634A - 驻留点识别方法、装置、电子设备及机器可读存储介质 - Google Patents
驻留点识别方法、装置、电子设备及机器可读存储介质 Download PDFInfo
- Publication number
- CN114298634A CN114298634A CN202111625896.9A CN202111625896A CN114298634A CN 114298634 A CN114298634 A CN 114298634A CN 202111625896 A CN202111625896 A CN 202111625896A CN 114298634 A CN114298634 A CN 114298634A
- Authority
- CN
- China
- Prior art keywords
- point
- target vehicle
- resident
- type
- track
- 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
Landscapes
- Traffic Control Systems (AREA)
Abstract
本申请提供一种驻留点识别方法、装置、电子设备及机器可读存储介质,该方法包括:获取各目标车辆在第一时间段内的驻留点;对所述各目标车辆的驻留点进行聚类,得到多个驻留点类簇;对于任一驻留点类簇,依据该驻留点类簇中各驻留点的初始类型,将该驻留点类簇中的各驻留点的最终类型确定为目标类型。该方法可以实现依据定位数据的驻留点类型自动识别,提高驻留点类型识别的效率和准确性。
Description
技术领域
本申请涉及数据处理技术领域,尤其涉及一种驻留点识别方法、装置、电子设备及机器可读存储介质。
背景技术
建筑垃圾,是指建设单位、施工单位新建、改建、扩建和拆除各类建筑物、构筑物、管网等以及居民装饰装修房屋过程中所产生的弃土、弃料及其它废弃物。
建筑垃圾的违规处置,如渣土的乱倒偷倒,不仅会造成资源浪费,而且容易造成安全隐患,带来环境污染问题,危害附近群众的健康。
如何高效准确地发现建筑垃圾违规处置情况和位置成为一个亟待解决的技术问题。
发明内容
有鉴于此,本申请提供一种驻留点识别方法、装置、电子设备及机器可读存储介质。
根据本申请实施例的第一方面,提供一种驻留点识别方法,包括:
获取各目标车辆在第一时间段内的驻留点,其中,所述驻留点是依据所述各目标车辆在所述第一时间段内的定位数据确定的;
对所述各目标车辆的驻留点进行聚类,得到多个驻留点类簇;
对于任一驻留点类簇,依据该驻留点类簇中各驻留点的初始类型,将该驻留点类簇中的各驻留点的最终类型确定为目标类型。
根据本申请实施例的第二方面,提供一种驻留点识别装置,包括:
获取单元,被配置为获取各目标车辆在第一时间段内的驻留点,其中,所述驻留点是依据所述各目标车辆在所述第一时间段内的定位数据确定的;
聚类单元,被配置为对所述各目标车辆的驻留点进行聚类,得到多个驻留点类簇;
识别单元,被配置为对于任一驻留点类簇,依据该驻留点类簇中各驻留点的初始类型,将该驻留点类簇中的各驻留点的最终类型确定为目标类型。
根据本申请实施例的第三方面,提供一种电子设备,包括处理器、通信接口、存储器和通信总线,其中,处理器,通信接口,存储器通过通信总线完成相互间的通信;
存储器,用于存放计算机程序;
处理器,用于执行存储器上所存放的程序时,实现第一方面提供的方法。
根据本申请实施例的第四方面,提供一种计算机可读存储介质,计算机可读存储介质内存储有计算机程序,计算机程序被处理器执行时实现第一方面提供的方法。
根据本申请实施例的第五方面,提供一种计算机程序,该计算机程序存储于计算机可读存储介质,并且当处理器执行该计算机程序时,促使处理器执行第一方面提供的方法。
本申请实施例的驻留点识别方法,通过获取各目标车辆在第一时间段内的驻留点,并对各目标车辆的驻留点进行聚类,得到多个驻留点类簇,进而,对于任一驻留点类簇,依据驻留点类簇中各驻留点的初始类型,将该驻留点类簇中各驻留点的最终类型确定为目标类型,实现了依据定位数据的驻留点类型自动识别,提高了驻留点类型识别的效率和准确性,为自动发现建筑垃圾违规处置情况和位置提供了技术支持。
附图说明
图1是本申请实施例提供的一种驻留点识别方法的流程示意图;
图2是本申请实施例提供的一种驻留点检测流程的示意图;
图3是本申请实施例提供的一种驻留点识别装置的结构示意图;
图4是本申请实施例提供的另一种驻留点识别装置的结构示意图;
图5是本申请实施例提供的一种电子设备的硬件结构示意图。
具体实施方式
这里将详细地对示例性实施例进行说明,其示例表示在附图中。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申请相一致的所有实施方式。相反,它们仅是与如所附权利要求书中所详述的、本申请的一些方面相一致的装置和方法的例子。
在本申请使用的术语是仅仅出于描述特定实施例的目的,而非旨在限制本申请。在本申请和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式,除非上下文清楚地表示其他含义。
为了使本领域技术人员更好地理解本申请实施例提供的技术方案,并使本申请实施例的上述目的、特征和优点能够更加明显易懂,下面结合附图对本申请实施例中技术方案作进一步详细的说明。
需要说明的是,本申请实施例中各步骤的序号大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本申请实施例的实施过程构成任何限定。
请参见图1,为本申请实施例提供的一种驻留点识别方法的流程示意图,如图1所示,该驻留点识别方法可以包括以下步骤:
步骤S100、获取各目标车辆在第一时间段内的驻留点;其中,该驻留点是依据各目标车辆在第一时间段内的定位数据确定的。
本申请实施例中,第一时间段可以包括一周、半个月、一个月或10天等。
目标车辆可以包括用于进行指定物品托运的车辆,该指定物品是指需要在已登记的场所装载,并在已登记的场所卸载。
例如,该指定物品可以为建筑垃圾,该建筑垃圾需要从已登记的工地装载,并在已登记的消纳场卸载,该目标车辆可以为建筑垃圾运输车辆,如渣土车。
目标车辆的定位数据可以由目标车辆上安装的定位设备上报,该定位数据可以包括但不限于GPS(Global Positioning System,全球定位系统)数据。
示例性的,定位数据可以包括但不限于车辆标识信息、位置信息(如经纬度信息)以及定位时间信息等。
本申请实施例中,可以获取各目标车辆在第一时间段内的定位数据,并依据获取到的各目标车辆在第一时间段内的定位数据,确定各目标车辆在第一时间段内的驻留点。
示例性的,对于任一目标车辆,可以依据获取到的该目标车辆的定位数据,确定该目标车辆在第一时间段内的行驶轨迹。
示例性的,一条定位数据可以对应行驶轨迹中的一个轨迹点。
依据目标车辆的行驶轨迹中的各轨迹点对应的定位数据,可以确定该目标车辆的驻留点。
示例性的,可以依据设定的时间阈值和路径阈值(或称为距离阈值),识别驻留点。
举例来说,可以遍历目标车辆的行驶轨迹中的各轨迹点,从第一个轨迹点开始,以该轨迹点为锚点计算得到距离阈值(可以称为第一距离阈值)内的最长子轨迹,并确定该子轨迹的耗时(该子轨迹的最后一个轨迹点与第一个轨迹点的时间差)是否超过时间阈值;若是,则将该子轨迹内全部轨迹点的索引值作为一个集合放入候选驻留点集合中,并将该子轨迹之后的下一个轨迹点作为新的锚点,继续按照上述方式处理,直至全部轨迹点均遍历结束。
示例性的,该候选驻留点的位置可以为子轨迹中各轨迹点的平均位置。
示例性的,该候选驻留点的驻留时间范围可以为该子轨迹中各轨迹点的最早的定位时间到最晚的定位时间。
若该子轨迹的耗时未超过时间阈值,则将该轨迹点的下一个轨迹点作为新的锚点,继续按照上述方式处理,直至全部轨迹点均遍历结束。
举例来说,假设第一距离阈值为200米,时间阈值为300秒,在确定了目标车辆在第一时间段内的行驶轨迹的情况下,可以从该行驶轨迹中的第一个轨迹点(假设为轨迹点1)开始,以该轨迹点为锚点,计算得到200米内的最长子轨迹(假设依次包括轨迹点1、轨迹点2、轨迹点3和轨迹点4),并确定轨迹点1和轨迹点4的时间差,若该时间差超过预设300秒,则将该最长子轨迹内全部轨迹点(轨迹点1~4)的索引值作为一个集合放入到候选驻留点集合中,即轨迹点1~4对应一个候选驻留点,该候选驻留点的位置可以为轨迹点1~4的平均位置,并将轨迹点4之后的下一个轨迹点(如轨迹点5)作为新的锚点,继续按照上述方式处理,直至全部轨迹点均遍历结束;若轨迹点1和轨迹点4的时间差未超过300秒,则将当前锚点(即轨迹点1)的下一个轨迹点(即轨迹点2)作为新的锚点,继续按照上述方式处理,直至全部轨迹点均遍历结束。
其中,对于在轨迹点1~轨迹点4对应候选驻留点,该候选驻留点的驻留时间范围为轨迹点1对应的定位时间(假设为t1)到轨迹点4对应的定位时间(假设为t4),即(t1,t4)。
需要说明的是,在本申请实施例中,在按照上述方式得到候选驻留点的情况下,可以按照预设策略对候选驻留点进行合并。例如,可以遍历各候选驻留点,并依据相邻候选驻留点之间的距离,对距离在预设距离阈值(可以称为第二距离阈值)内的相邻候选驻留点进行合并。
对于合并后的相邻候选驻留点,计算该两个候选驻留点的平均位置,并以该平均位置作为合并后的候选驻留点的位置,继续与其余候选驻留点进行距离判定,确定是否合并,以得到最终的驻留点。
举例来说,假设候选驻留点包括候选驻留点1~4(按时间顺序从先到后),可以先计算候选驻留点1与候选驻留点2之间的距离,若该距离小于第二距离阈值(以1000米为例),则将候选驻留点1和候选驻留点2进行合并,并计算候选驻留点1和候选驻留点2的平均位置,作为合并后的候选驻留点的位置,并计算该合并后的候选驻留点与驻留点3之间的距离,确定该距离是否小于1000米,以此类推,直至遍历完全部候选驻留点。
此外,在本申请实施例中,当依据目标车辆在第一时间段内的定位数据,确定目标车辆在某个轨迹点的速度为0时,也可以将该速度为0的轨迹点作为目标车辆在第一时间段内的驻留点。
步骤S110、对各目标车辆的驻留点进行聚类,得到多个驻留点类簇。
步骤S120、对于任一驻留点类簇,依据该驻留点类簇中各驻留点的初始类型,将该驻留点类簇中的各驻留点的最终类型确定为目标类型。
本申请实施例中,考虑到实际场景中,不同目标车辆在同一个区域中驻留时,驻留位置可能会存在不同,但该多个目标车辆的驻留位置均与该区域的位置相关联。
例如,渣土车在工地装载渣土时,可能会存在多辆渣土车在同一工地的不同位置装载渣土的情况,此时,依据该多辆渣土车的定位数据确定的对应该工地的驻留点的位置可能会存在差异,但是该多个驻留点均对应同一工地。
相应地,为了提高驻留点类型识别的准确性,以避免单个驻留点类型识别错误导致驻留点类型最终识别错误,在对驻留点的类型进行识别时,不再单纯地以单个驻留点的类型识别结果作为最终的结果,而是可以通过对不同驻留点进行聚类,并依据同一类簇中多个驻留点的类型识别结果(可以称为初始类型识别结果),将该类簇中的指定驻留点类型(可以称为目标类型),确定为该类簇中各驻留点的类型(可以称为最终类型)。
示例性的,对于任一驻留点类簇,上述目标类型可以为该驻留点类簇中包括的驻留点的初始类型中,统计特征满足指定条件的初始类型。
在一个示例中,对于任一驻留点类簇,可以将该驻留点类簇中驻留点数量占比最多的初始类型,确定为目标类型,并将该驻留点类簇中各驻留点的最终类型确定为目标类型。
示例性的,对于任一驻留点类簇,可以依据该驻留点类簇中各驻留点的类型(即为初始类型),统计各初始类型的驻留点的数量,将驻留点数量占比最多的初始类型,确定为目标类型,并将该驻留点类簇中各驻留点的最终类型确定为目标类型。
在另一个示例中,对于任一驻留点类簇,可以将该驻留点类簇中驻留点数量占比超过预设比例阈值的初始类型,确定为目标类型,并将该驻留点类簇中各驻留点的最终类型确定为目标类型。
示例性的,对于任一驻留点类簇,可以依据该驻留点类簇中各驻留点的初始类型,统计各初始类型的驻留点的数量,将驻留点数量占比超过预设比例阈值的初始类型,确定为目标类型,并将该驻留点类簇中各驻留点的最终类型确定为目标类型。
在另一个示例中,对于任一驻留点类簇,将该驻留点类簇中驻留点数量占比最多,且占比超过预设比例阈值的初始类型,确定为目标类型,并将该驻留点类簇中各驻留点的最终类型确定为目标类型。
示例性的,可以依据该驻留点类簇中各驻留点的初始类型,统计各初始类型的驻留点的数量,确定驻留点数量占比最多的初始类型,并比较该初始类型的驻留点数量占比与预设比例阈值。
在该初始类型(驻留点数量占比最多的初始类型)的驻留点数量占比超过预设比例阈值的情况下,可以将该初始类型(本文中称为目标类型)确定为目标类型,并将该类簇中各驻留点的最终类型确定为目标类型。
需要说明的是,在本申请实施例中,在确定了类簇中驻留点数量占比最多的类型的情况下,若该类型的驻留点数量占比未超过预设比例阈值,则可以采用其它策略进一步确定该类簇中各驻留点的最终类型。例如,可以进行异常提示,以便相关人员进行人工确定。
可见,在图1所示方法流程中,通过获取各目标车辆在第一时间段内的驻留点,并对各目标车辆的驻留点进行聚类,得到多个驻留点类簇,进而,对于任一驻留点类簇,依据驻留点类簇中各驻留点的初始类型,将该驻留点类簇中各驻留点的最终类型确定为目标类型,实现了依据定位数据的驻留点类型自动识别,提高了驻留点类型识别的效率和准确性,为自动发现建筑垃圾违规处置情况和位置提供了技术支持。
在一些实施例中,本申请实施例提供的驻留点识别方案还可以包括:
依据各目标车辆在第一时间段内的驻留点,将各目标车辆在第一时间段内的行驶轨迹划分为多个轨迹段;
对于任一目标车辆,确定该目标车辆在各轨迹段的载重状态;
依据各目标车辆在各轨迹段的载重状态,分别识别各驻留点的初始类型。
示例性的,对于任一目标车辆,在确定了该目标车辆的驻留点的情况下,可以依据该目标车辆的驻留点对该目标车辆在第一时间段内的行驶轨迹进行分割,得到多个轨迹段(一个轨迹段可以称为一段行程)。
考虑到目标车辆在不同类型的驻留点之间行驶的载重状态通常是有固有特性的。
以渣土车为例,渣土车在工地和消纳场之间行驶的情况下,若渣土车从工地驶向消纳场,则渣土车通常为满载状态;若渣土车从消纳场驶向工地,则渣土车通常为空载状态。
因而,可以依据目标车辆在各轨迹段中的载重状态,如空载状态或满载状态等,分别识别各驻留点的类型(即初始类型)。
需要说明的是,在本申请实施例中,满载状态和空载状态并不限定目标车辆装载的指定物品的重量,满载状态可以指目标车辆完成装载之后的状态,空载状态可以指目标车辆完成卸载之后的状态。
示例性的,驻留点的类型可以包括用于目标车辆装载托运物的类型(本文中称为第一类型),如工地;或,用于目标车辆卸载托运物的类型(本文中称为第二类型),如消纳场。
在一个示例中,对于任一目标车辆,确定该目标车辆在各轨迹段的载重状态,可以包括:
依据该目标车辆的定位数据,对该目标车辆的各轨迹段进行指定维度的特征提取,并依据该目标车辆的各轨迹段的特征信息,利用机器学习算法,确定该目标车辆在各轨迹段的载重状态。
示例性的,考虑到目标车辆在满载状态或空载状态下行驶时通常会存在一些区别。
例如,满载状态下目标车辆行驶的速度一般会低于空载状态下目标车辆行驶的速度;满载状态下目标车辆行驶的角速度一般也会低于空载状态下目标车辆行驶的角速度(如转向更慢)。
因而,为了提高车辆载重状态确定的准确性,可以依据轨迹段中各轨迹点对应的定位数据,对目标车辆的各轨迹段进行指定维度的特征提取,得到目标车辆的各轨迹段的特征信息,并依据目标车辆的各轨迹段的特征信息,利用机器学习算法,确定目标车辆在各轨迹段的载重状态,进而,可以按照上述实施例中描述的方式,依据目标车辆在各轨迹段的载重状态,进行驻留点类型识别。
在一个示例中,上述依据该目标车辆的定位数据,对该目标车辆的各轨迹段进行指定维度的特征提取,可以包括:
对于任一轨迹段,依据该轨迹段首尾驻留点对应的定位数据,确定该轨迹段的驻留时长特征信息。
示例性的,考虑到目标车辆装载托运物或卸载托运物的耗时通常也存在差异,且装载托运物的耗时通常大于卸载托运物的耗时。
而目标车辆装载托运物的耗时和卸载托运物的耗时与目标车辆在不同类型的驻留点的驻留时长也会存在关联。
因此,为了准确确定出目标车辆在轨迹段的载重状态,对于任一轨迹段,可以依据该轨迹段的首尾驻留点对应的定位数据,确定该轨迹段的驻留时长特征信息,以便依据目标车辆在各轨迹段的驻留时长特征信息,确定目标车辆在对应轨迹段的载重状态。
示例性的,对于任一驻留点,可以依据确定该驻留点的子轨迹(确定方式参见上文中相关描述)中各轨迹点对应的定位数据,确定该驻留点的驻留时长。
例如,可以将该子轨迹中各轨迹点对应的定位数据中,最早的定时时间和最晚的定位时间的差值,确定为该驻留点的驻留时长。
举例来说,仍以步骤S100中的描述中的示例为例,对于轨迹点1~4对应的候选驻留点,假设该候选驻留点被作为最终的驻留点之一(例如经过驻留点合并后,未与其它候选驻留点合并),则该驻留点的驻留时长可以为t4-t1。
示例性的,驻留时长特征信息可以包括驻留时长标识,该驻留时长标识可以用于表征轨迹段的首驻留点的驻留时长与尾驻留点的驻留时长的大小关系。
示例性的,考虑到目标车辆在用于装载托运物的驻留点(即第一类型驻留点)的驻留时长一般会大于目标车辆在用于卸载托运物的驻留点(即第二类型驻留点)的驻留时长,因此,对于一个轨迹段,当该轨迹段的首驻留点的驻留时长长于尾驻留点的驻留时长时,该轨迹段为目标车辆从第一类型驻留点驶向第二类型驻留点的概率会相对较高,即该目标车辆在该轨迹段的载重状态为满载状态的概率会比较高。
同理,当该轨迹段的首驻留点的驻留时长短于尾驻留点的驻留时长时,该轨迹段为目标车辆从第二类型驻留点驶向第一类型驻留点的概率会相对较高,即该目标车辆在该轨迹段的载重状态为空载状态的概率会比较高。
因此,轨迹段的首驻留点的驻留时长与尾驻留点的驻留时长的大小关系可以用于目标车辆在轨迹段的载重状态的预测。
在另一个示例中,依据该目标车辆的定位数据,对该目标车辆的各轨迹段进行指定维度的特征提取,可以包括:
对于任一轨迹段,依据该轨迹段内各轨迹点对应的定位数据,确定该目标车辆在该轨迹段的速度特征信息和/或角速度特征信息
示例性的,考虑到不同载重状态下行驶的目标车辆在速度和角速度等特征上会存在一些较为显著的特征。
例如,满载状态下目标车辆行驶的速度一般会低于空载状态下目标车辆行驶的速度;满载状态下目标车辆行驶的角速度一般也会低于空载状态下目标车辆行驶的角速度(如转向更慢)。
因此,为了准确确定出目标车辆在轨迹段的载重状态,可以依据目标车辆的定位数据,对目标车辆的轨迹段进行速度维度以及角速度维度的特征提取。
示例性的,可以依据该轨迹段内各轨迹点对应的定位数据,确定该目标车辆在该轨迹段的速度特征和角速度特征信息。
示例性的,上述获取到的定位数据除了可以包括车辆标识信息、位置信息以及定位时间之外,还可以包括速度信息以及方向角信息等。
在一个示例中,速度特征信息包括轨迹段内平均速度、最大瞬时速度、瞬时速度方差、预设单位时间平均速度最大值、预设单位时间平均速度方差,以及预设单位时间平均速度最大值标识中的部分或全部。
示例性的,预设单位时间平均速度最大值标识用于表征该轨迹段的预设单位时间平均速度最大值与目标平均速度最大值的大小关系,目标平均速度最大值为第二时间段内该车辆各轨迹段的预设单位时间平均速度最大值的中位数,第一时间段包括一个或多个第二时间段。
示例性的,考虑到空载状态或满载状态下的目标车辆在行驶过程中的平均速度、最大瞬时速度,以及瞬时速度方差等特征上会存在较为显著的差异,因此,目标车辆在轨迹段中行驶的平均速度、最大瞬时速度,以及瞬时速度方差等特征可以用于目标车辆在轨迹段的载重状态的预测。
在一个示例中,角速度特征信息包括轨迹段内瞬时角速度最大值、瞬时角速度方差以及预设单位时间平均角速度方差中的部分或全部。
示例性的,考虑到空载状态或满载状态下的目标车辆在行驶过程中的平均角速度方差、瞬时角速度最大值,以及瞬时角速度方差等特征上会存在较为显著的差异,因此,目标车辆在轨迹段中行驶的平均角速度方差、瞬时角速度最大值,以及瞬时角速度方差等特征可以用于目标车辆在轨迹段的载重状态的预测。
在一些实施例中,上述载重状态可以为满载状态预测概率;
上述依据各目标车辆在各轨迹段的载重状态,分别识别各驻留点的初始类型,包括:
对于任一目标车辆的任一驻留点,当该目标车辆在该驻留点的前一段轨迹段中的满载状态预测概率大于第一阈值,且该目标车辆在该驻留点的后一段轨迹段中的满载状态预测概率小于第二阈值时,确定该驻留点的初始类型为第一类型;
当该目标车辆在该驻留点的前一段轨迹段中的满载状态预测概率小于第二阈值,且该目标车辆在该驻留点的后一段轨迹段中的满载状态预测大于第一阈值时,确定该驻留点的初始类型为第二类型;
其中,第一阈值大于第二阈值。
示例性的,目标车辆在任一轨迹段的载重状态可以通过该目标车辆在该轨迹段的满载状态预测概率来表征。
例如,可以构建用于进行车辆载重状态预测的机器学习模型,并构建用于对该机器学习模型进行训练的样本数据,通过构建的样本数据对所构建的机器学习模型进行训练。
在完成机器学习模型训练和测试的情况下,可以利用训练好的学习模型,以按照上述方式提取的目标车辆的各轨迹段的特征信息为输入特征,得到目标车辆在各轨迹段的载重状态预测概率。
示例性的,对于任一目标车辆的任一轨迹段,所确定的该目标车辆在该轨迹段的载重状态预测概率越大,该目标车辆在该轨迹段处于满载状态的概率越大;所确定的该目标车辆在该轨迹段的载重状态预测概率越小,该目标车辆在该轨迹段处于空载状态的概率越小。
需要说明的是,在样本数据的构建过程中,可以按照上述实施例中描述的方式提取用于进行样本数据获取的目标车辆的各轨迹段的特征信息。
此外,还可以获取同一时间段内目标车辆的举升数据或载重状态数据,以进行样本数据的标注,其具体实现可以在下文中结合具体实例进行说明;或者,也可以通过人工标注的方式进行样本数据的标注。
示例性的,对于用于目标车辆卸载托运物的驻留点(即第一类型驻留点),目标车辆驶向该驻留点时,通常为满载状态;目标车辆驶离该驻留点时,通常为空载状态。
对于用于目标车辆装载托运物的驻留点(即第二类型驻留点),目标车辆驶向该驻留点时,通常为空载状态;目标车辆驶离该驻留点时,通常为满载状态。
相应地,对于任一驻留点,可以依据目标车辆在该驻留点的前一段轨迹段(即目标车辆通过该轨迹段驶向该驻留点)的载重状态,以及该驻留点的后一段轨迹段(即目标车辆通过该轨迹段驶离该驻留点)的载重状态,确定驻留点的类型。
示例性的,当该目标车辆在该驻留点的前一段轨迹段中的载重状态预测概率大于第一阈值(即目标车辆为满载状态),且该目标车辆在该驻留点的后一段轨迹段中的载重状态预测概率小于第二阈值(即目标车辆为空载状态)时,确定该驻留点的初始类型为第一类型。
当该目标车辆在该驻留点的前一段轨迹段中的载重状态预测概率小于第二阈值,且该目标车辆在该驻留点的后一段轨迹段中的载重状态预测大于第一阈值时,确定该驻留点的初始类型为第二类型。
在一些实施例中,步骤S120中,对于任一驻留点类簇,依据该驻留点类簇中各驻留点的初始类型,将该驻留点类簇中的各驻留点的最终类型确定为目标类型之后,还可以包括:
对于任一驻留点,依据该驻留点的最终类型,以及该驻留点的位置信息,查询该类型的已登记区域信息;
若该类型的已登记区域信息中不存在与该驻留点匹配的区域信息,则确定该驻留点为未登记驻留点。
示例性的,为了实现未登记驻留点的自动识别,在按照上述方式确定了各驻留点的最终类型情况下,可以依据各驻留点的最终类型,以及已登记的各类型的区域信息,确定出未登记驻留点。
示例性的,对于任一驻留点,可以依据该驻留点的最终类型,以及该驻留点的位置信息,查询该类型的已登记区域信息。
举例来说,假设驻留点的最终类型为工地,则可以依据该驻留点的位置信息,查询已登记工地信息,确定是否存在与该驻留点的位置信息匹配的已登记工地信息。
示例性的,已登记区域信息可以包括区域的位置范围,例如,可以通过电子围栏标识已登记区域信息的位置范围。
示例性的,可以依据该驻留点的位置信息,以及该类型的已登记区域信息,确定该驻留点的位置是否位于某个该类型的已登记区域内部,若是,则确定该已登记区域为与该驻留点匹配的已登记区域(该已登记区域的信息即为匹配的已登记区域信息);否则,即该驻留点的位置未处于任一该类型的已登记区域内部,确定该驻留点不存在匹配的已登记区域。
示例性的,若该类型的已登记区域信息中不存在与该驻留点匹配的区域信息,则确定该驻留点为未登记驻留点。
示例性的,在按照上述方式确定了未登记驻留点的情况下,对于任一目标车辆,当该目标车辆的驻留点包括未登记驻留点时,确定该目标车辆为待处理目标车辆,即确定该目标车辆可能存在违规处置指定物品(如建筑垃圾)的情况。
或者,可以在该目标车辆的驻留点中包括的未登记驻留点的数量超过预设数量阈值的情况下,确定该目标车辆为待处理目标车辆,即确定该目标车辆可能存在违规处置指定物品(如建筑垃圾)的情况。
为了使本领域技术人员更好地理解本申请实施例提供的技术方案,下面结合具体实例对本申请实施例提供的技术方案进行说明。
在该实施例中,以渣土违规处置自动识别场景为例,上述目标车辆为渣土车。
在该实施例中,利用渣土车的定位数据(以GPS数据为例),通过驻留点检测算法计算渣土车的驻留点,确定驻留点位置以及驻留时长,将每个车辆的GPS轨迹按驻留点进行分割,得到每辆车的多个轨迹段(一个轨迹段可以称为一趟行程),每个轨迹段提取三个维度(驻留点时长维度、速度维度和角速度维度)的特征,进行模型训练和预测,预测得到车辆在每个轨迹段是满载状态还是空载状态的概率。
示例性的,可以将从空载状态转为满载状态的驻留点确定为工地,从满载状态转为空载状态的驻留点确定为消纳场,进而,依据正规的工地和消纳场位置数据(即上述已登记的区域信息),筛选出未登记的工地和消纳场(可以称为黑工地和黑消纳场)。
下面对方案中的部分实施细节进行详细说明。
在该实施例中,可以依据设定的时间阈值和路径阈值(或称为距离阈值),识别渣土车驻留点,依据渣土车驻留点将渣土车的GPS轨迹划分为多个轨迹段,提取各轨迹段三个维度(驻留点时长维度、速度维度和角速度维度)的特征,并依据渣土车的举升数据或载重状态数据,进行载重状态标注,得到样本数据,用于训练载重状态预测机器学习模型,并将训练得到的机器学习模型用于渣土车载重状态预测。
1、样本构建
获取一段时间(即上述第一时间段)内的渣土车GPS数据,该GPS数据可以包括但不限于:渣土车车辆唯一标识(车辆编号或者车牌号码)、采集位置经度、采集位置纬度、速度、方向角以及采集时间,记为“数据集一”。
获取同一时间段内的渣土车举升数据,该举升数据可以包括但不限于:渣土车车辆唯一标识(车辆编号或者车牌号码)、采集位置经度、采集位置纬度、举升状态(lift_status(举升状态)值可以包括:1-平放,2-举升)以及采集时间,记为“数据集二”,并且“数据集二”的车辆唯一标识包括在“数据集一”中。
示例性的,车辆举升数据来源可以包括但不限于通过传感设备将车辆车厢状态变化情况上报至车载主机。
或,
获取同一时间段内的渣土车载重状态数据,该载重状态数据可以包括但不限于:渣土车车辆唯一标识(车辆编号或者车牌号码)、采集位置经度、采集位置纬度、载重状态(1-重载,0-空载)以及采集时间,记为“数据集二”,并且“数据集二”的车辆唯一标识包括在“数据集一”。
示例性的,车辆载重状态数据来源可以包括但不限于通过车载监控视频识别车厢是否有载货,或者,通过传感设备将车辆重量变化情况上报至车载主机。
需要说明的是,在样本构建阶段,若车辆无法提供举升数据或载重状态数据,也可以通过人工查看车辆监控视频的方式来确定车辆载重状态。
在该实施例中,通过对获取到的渣土车GPS数据进行统计,渣土车在工地和消纳场之间往返运动时,载货时间约在10-60分钟,卸货时间在5-15分钟,由于来返频繁,驻留点检测后可以区分运动状态、装载货状态,结合“数据集二”,将在驻留点发生过举升的标记为消纳场,前后驻留点标记为工地。
按前一个驻留点结束时间到下一个驻留点开始时间切割轨迹段,记为“数据集三”,判断从工地到消纳场的轨迹段为满载状态,标记为1,从消纳场到工地的轨迹段为空载状态,标记为0。
示例性的,驻留点检测流程可以如图2所示,如图2所示,驻留点检测流程可以包括:
S1、以连续轨迹的第一个轨迹点作为锚点。
示例性的,对于任一车辆,该连续轨迹可以为该车辆在第一时间段内GPS轨迹。
S2、以当前的锚点为起点,计算得到预设距离阈值内的最长子轨迹。
S3、判断该最长子轨迹的耗时是否大于预设时间阈值。若是,则转至步骤S4;否则,转至步骤S5。
S4、将该最长子轨迹内的全部轨迹点的索引值作为一个集合加入候选驻留点集合,并将该最长子轨迹之后的下一个轨迹点确定为新锚点。
示例性的,该最长子轨迹对应的候选驻留点的位置可以为该最长子轨迹内各轨迹点对应的定位位置的平均值;该最长子轨迹对应的候选驻留点的时间范围可以为该最长子轨迹内各轨迹点对应的定位时间的时间范围(最早的定位时间到最晚的定位时间)。
S5、将当前锚点的下一个轨迹点确定为新锚点。
S6、判断新锚点是否为连续轨迹的最后一个轨迹点。若是,则结束当前流程;否则转至步骤S2。
2、特征提取
对于任一渣土车的任一轨迹段,可以提取驻留点时长维度、速度维度以及角速度维度的特征。
示例性的,对于任一渣土车的任一轨迹段,其提取的特征可以如表1所示:
其中,相邻轨迹点距离计算,计算相邻两个GPS点距离,其公式可以如下:
其中,r为地球半径,lon1、lat1分别为位置A的经度和纬度,lon2、lat2分别为位置B的经度和纬度。
示例性的,在该实施例中,依据上述提取到的特征构建样本用于模型训练和测试之前,还可以对所提取的特征进行预处理。
示例性的,特征预处理可以包括特征异常值处理(如将异常值和空值置换为0)、归一化等。
3、模型训练
将按照上述方式构建的样本数据以一定比例(如8:2)拆分为训练集和测试集,用于对机器学习模型进行训练和测试。
示例性的,机器学习模型可以采用随机森林分类算法。
示例性的,经测试,依据上述方式构建并训练得到的机器学习模型在样本数据的数量为565个的情况下,准确率和召回率均在88%左右,即通过上述方式可以较为准确地识别出渣土车在各轨迹段的载重状态。
4、模型预测
在该实施例中,在按照上述方式得到训练好的机器学习模型的情况下,可以获取实际场景中一定时间段(如上述第一时间段)内渣土车的实时GPS数据,并按照上述方式进行驻留点确定、轨迹段划分,以及特征提取,并将提取的特征输入到训练好的机器学习模型,得到渣土车在各轨迹段的载重状态预测概率。
示例性的,对于任一渣土车的任一轨迹段,预测概率越大,该渣土车在该轨迹段处于满载状态的概率越大;该预测概率越小,该渣土车在该轨迹段处于空载状态的概率越大。
5、模型应用
在该实施例中,基于渣土车行程载重状态情况,使用规则判断驻留点的初始类型,进而,依据各驻留点的初始类型,确定各驻留点的最终类型。
示例性的,驻留点的最终类型确定方式可以包括:
5.1、对上述时间段内的全部驻留点使用预设聚类算法进行聚类,得到多个驻留点类簇。
示例性的,该预设聚类算法可以包括但不限于DBSCAN(Density-Based SpatialClustering of Applications with Noise,基于密度的聚类算法)算法。
5.2、对每个驻留点类簇内的驻留点的初始类型进行规则判断。
示例性的,该规则可以包括:
对于单个驻留点,若该驻留点的前一段形行程的预测概率大于0.7(以上述第一阈值为0.7为例),且后一段行程的预测概率小于0.3(以上述第二阈值为0.3为例),则确定该驻留点的初始类型为消纳场。
若该驻留点的前一段形行程的预测概率小于0.3,且后一段行程的预测概率大于0.7,则确定该驻留点的初始类型为工地。
对于任一驻留点类簇,统计该驻留点类簇中消纳场类型的驻留点的数量占比,和/或,工地类型的驻留点的数量的占比。
当该驻留点类簇中消纳场类型的驻留点的数量占比最多,且超过预设比例阈值,则确定该驻留点类簇中各驻留点的最终类型为消纳场。
当该驻留点类簇中工地类型的驻留点的数量占比最多,且超过预设比例阈值,则确定该驻留点类簇中各驻留点的最终类型为工地。
在该实施例中,在按照上述方式确定了各驻留点的最终类型的情况下,可以依据各驻留点的最终类型,以及驻留点的位置信息,查询已登记的对应类型的区域信息。
例如,对于最终类型为消纳场的驻留点,可以依据该驻留点的位置信息,查询已登记的消纳场信息,确定该驻留点的位置是否处于任一已登记的消纳场的区域范围内;若是,则确定该驻留点为已登记的消纳场;否则,即该驻留点的位置未处于任一已登记的消纳场的区域范围内,确定该驻留点未登记的消纳场(即黑消纳场)。
在按照上述方式确定了未登记的消纳场和未登记的工地的情况下,可以将驻留点包括未登记的消纳场和/或未登记的工地的渣土车,确定为待处理渣土车(即黑渣土车)。或者,可以将驻留点中未登记的消纳场和未登记的工地的数量超过预设数量阈值的渣土车,确定为待处理渣土车。
需要说明的是,在该实施例中,考虑到实际场景中,渣土车的驻留点除了消纳场和工地之外,还会包括停车场,而渣土车出入停车场时可能不会存在空载状态转为满载状态,或满载状态转为空载状态的特征,但是渣土车在停车场的驻留时长通常会比较长,而且驻留时间通常会跨越0点。
相应地,对于上述驻留点类簇,当该驻留点类簇中驻留时长超过预设时间阈值(如8个小时),且驻留时间跨越0点的驻留点数量占比最大,且超过预设比例阈值时,可以将该驻留点类簇中各驻留点的最终类型确定为停车场。
以上对本申请提供的方法进行了描述。下面对本申请提供的装置进行描述:
请参见图3,为本申请实施例提供的一种驻留点识别装置的结构示意图,如图3所示,该驻留点识别装置可以包括:
获取单元310,被配置为获取各目标车辆在第一时间段内的驻留点,其中,该驻留点是依据各目标车辆在第一时间段内的定位数据确定的;
聚类单元320,被配置为对各目标车辆的驻留点进行聚类,得到多个驻留点类簇;
识别单元330,被配置为对于任一驻留点类簇,依据该驻留点类簇中各驻留点的初始类型,将该驻留点类簇中的各驻留点的最终类型确定为目标类型。
在一些实施例中,如图4所示,上述驻留点识别装置还可以包括:
划分单元340,被配置为依据各目标车辆在第一时间段内的驻留点,将各目标车辆在第一时间段内的行驶轨迹划分为多个轨迹段;
确定单元350,被配置为对于任一目标车辆,确定该目标车辆在各轨迹段的载重状态;
识别单元330,还被配置为依据各目标车辆在各轨迹段的载重状态,分别识别各驻留点的初始类型。
在一些实施例中,确定单元350,具体被配置为对于任一目标车辆,依据该目标车辆的定位数据,对该目标车辆的各轨迹段进行指定维度的特征提取,并依据该目标车辆的各轨迹段的特征信息,利用机器学习算法,确定该目标车辆在各轨迹段的载重状态。
在一些实施例中,确定单元350,具体被配置为对于任一轨迹段,依据该轨迹段首尾驻留点对应的定位数据,确定该轨迹段的驻留时长特征信息;该驻留时长特征信息包括驻留时长标识,该驻留时长标识用于表征轨迹段的首驻留点的驻留时长与尾驻留点的驻留时长的大小关系。
在一些实施例中,载重状态为满载状态预测概率。
识别单元330,具体被配置为对于任一目标车辆的任一驻留点,当该目标车辆在该驻留点的前一段轨迹段中的满载状态预测概率大于第一阈值,且该目标车辆在该驻留点的后一段轨迹段中的满载状态预测概率小于第二阈值时,确定该驻留点的初始类型为第一类型;当该目标车辆在该驻留点的前一段轨迹段中的满载状态预测概率小于第二阈值,且该目标车辆在该驻留点的后一段轨迹段中的满载状态预测大于第一阈值时,确定该驻留点的初始类型为第二类型;其中,第一阈值大于所述第二阈值。
在一些实施例中,识别单元330,还被配置为对于任一驻留点,依据该驻留点的最终类型,以及该驻留点的位置信息,查询该类型的已登记区域信息;若该类型的已登记区域信息中不存在与该驻留点匹配的区域信息,则确定该驻留点为未登记驻留点。
请参见图5,为本申请实施例提供的一种电子设备的硬件结构示意图。该电子设备可以包括处理器501、通信接口502、存储器503和通信总线505。处理器501、通信接口502以及存储器503通过通信总线505完成相互间的通信。其中,存储器503上存放有计算机程序;处理器501可以通过执行存储器503上所存放的程序,执行上文描述的驻留点识别方法。
本文中提到的存储器503可以是任何电子、磁性、光学或其它物理存储装置,可以包含或存储信息,如可执行指令、数据,等等。例如,存储器503可以是:RAM(Radom AccessMemory,随机存取存储器)、易失存储器、非易失性存储器、闪存、存储驱动器(如硬盘驱动器)、固态硬盘、任何类型的存储盘(如光盘、dvd等),或者类似的存储介质,或者它们的组合。
本申请实施例还提供了一种存储有计算机程序的计算机可读存储介质,例如图5中的存储器503,该计算机程序可由图5所示电子设备中的处理器501执行以实现上文中描述的驻留点识别方法。
本申请实施例还提供了一种计算机程序,存储于计算机可读存储介质,例如图5中的存储器503,并且当处理器执行该计算机程序时,促使处理器501执行上文中描述的驻留点识别方法。
需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
以上所述仅为本申请的较佳实施例而已,并不用以限制本申请,凡在本申请的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本申请保护的范围之内。
Claims (10)
1.一种驻留点识别方法,其特征在于,包括:
获取各目标车辆在第一时间段内的驻留点,其中,所述驻留点是依据所述各目标车辆在所述第一时间段内的定位数据确定的;
对所述各目标车辆的驻留点进行聚类,得到多个驻留点类簇;
对于任一驻留点类簇,依据该驻留点类簇中各驻留点的初始类型,将该驻留点类簇中的各驻留点的最终类型确定为目标类型。
2.根据权利要求1所述的方法,其特征在于,所述方法还包括:
依据所述各目标车辆在第一时间段内的驻留点,将所述各目标车辆在所述第一时间段内的行驶轨迹划分为多个轨迹段;
对于任一目标车辆,确定该目标车辆在各轨迹段的载重状态;
依据各目标车辆在各轨迹段的载重状态,分别识别各驻留点的初始类型。
3.根据权利要求2所述的方法,其特征在于,所述对于任一目标车辆,确定该目标车辆在各轨迹段的载重状态,包括:
依据该目标车辆的定位数据,对该目标车辆的各轨迹段进行指定维度的特征提取,并依据该目标车辆的各轨迹段的特征信息,利用机器学习算法,确定该目标车辆在各轨迹段的载重状态。
4.根据权利要求3所述的方法,其特征在于,所述依据该目标车辆的定位数据,对该目标车辆的各轨迹段进行指定维度的特征提取,包括:
对于任一轨迹段,依据该轨迹段首尾驻留点对应的定位数据,确定该轨迹段的驻留时长特征信息;所述驻留时长特征信息包括驻留时长标识,所述驻留时长标识用于表征轨迹段的首驻留点的驻留时长与尾驻留点的驻留时长的大小关系。
5.根据权利要求2所述的方法,其特征在于,所述载重状态为满载状态预测概率;所述依据各目标车辆在各轨迹段的载重状态,分别识别各驻留点的初始类型,包括:
对于任一目标车辆的任一驻留点,当该目标车辆在该驻留点的前一段轨迹段中的满载状态预测概率大于第一阈值,且该目标车辆在该驻留点的后一段轨迹段中的满载状态预测概率小于第二阈值时,确定该驻留点的初始类型为第一类型;
当该目标车辆在该驻留点的前一段轨迹段中的满载状态预测概率小于第二阈值,且该目标车辆在该驻留点的后一段轨迹段中的满载状态预测大于第一阈值时,确定该驻留点的初始类型为第二类型;
其中,所述第一阈值大于所述第二阈值。
6.根据权利要求1至5任一项所述的方法,其特征在于,所述对于任一驻留点类簇,依据该驻留点类簇中各驻留点的初始类型,将该驻留点类簇中的各驻留点的最终类型确定为目标类型之后,还包括:
对于任一驻留点,依据该驻留点的最终类型,以及该驻留点的位置信息,查询该类型的已登记区域信息;
若该类型的已登记区域信息中不存在与该驻留点匹配的区域信息,则确定该驻留点为未登记驻留点。
7.一种驻留点识别装置,其特征在于,包括:
获取单元,被配置为获取各目标车辆在第一时间段内的驻留点,其中,所述驻留点是依据所述各目标车辆在所述第一时间段内的定位数据确定的;
聚类单元,被配置为对所述各目标车辆的驻留点进行聚类,得到多个驻留点类簇;
识别单元,被配置为对于任一驻留点类簇,依据该驻留点类簇中各驻留点的初始类型,将该驻留点类簇中的各驻留点的最终类型确定为目标类型。
8.根据权利要求7所述的装置,其特征在于,所述装置还包括:
划分单元,被配置为依据所述各目标车辆在第一时间段内的驻留点,将所述各目标车辆在所述第一时间段内的行驶轨迹划分为多个轨迹段;
确定单元,被配置为对于任一目标车辆,确定该目标车辆在各轨迹段的载重状态;
所述识别单元,还被配置为依据各目标车辆在各轨迹段的载重状态,分别识别各驻留点的初始类型;
其中,所述确定单元,具体被配置为对于任一目标车辆,依据该目标车辆的定位数据,对该目标车辆的各轨迹段进行指定维度的特征提取,并依据该目标车辆的各轨迹段的特征信息,利用机器学习算法,确定该目标车辆在各轨迹段的载重状态;
其中,所述确定单元,具体被配置为对于任一轨迹段,依据该轨迹段首尾驻留点对应的定位数据,确定该轨迹段的驻留时长特征信息;所述驻留时长特征信息包括驻留时长标识,所述驻留时长标识用于表征轨迹段的首驻留点的驻留时长与尾驻留点的驻留时长的大小关系;
其中,所述载重状态为满载状态预测概率;
所述识别单元,具体被配置为对于任一目标车辆的任一驻留点,当该目标车辆在该驻留点的前一段轨迹段中的满载状态预测概率大于第一阈值,且该目标车辆在该驻留点的后一段轨迹段中的满载状态预测概率小于第二阈值时,确定该驻留点的初始类型为第一类型;当该目标车辆在该驻留点的前一段轨迹段中的满载状态预测概率小于第二阈值,且该目标车辆在该驻留点的后一段轨迹段中的满载状态预测大于第一阈值时,确定该驻留点的初始类型为第二类型;其中,所述第一阈值大于所述第二阈值;
和/或,
所述识别单元,还被配置为对于任一驻留点,依据该驻留点的最终类型,以及该驻留点的位置信息,查询该类型的已登记区域信息;若该类型的已登记区域信息中不存在与该驻留点匹配的区域信息,则确定该驻留点为未登记驻留点。
9.一种电子设备,其特征在于,包括处理器、通信接口、存储器和通信总线,其中,处理器,通信接口,存储器通过通信总线完成相互间的通信;
存储器,用于存放计算机程序;
处理器,用于执行存储器上所存放的程序时,实现权利要求1-6任一项所述的方法。
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内存储有计算机程序,所述计算机程序被处理器执行时实现权利要求1-6任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111625896.9A CN114298634A (zh) | 2021-12-28 | 2021-12-28 | 驻留点识别方法、装置、电子设备及机器可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111625896.9A CN114298634A (zh) | 2021-12-28 | 2021-12-28 | 驻留点识别方法、装置、电子设备及机器可读存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114298634A true CN114298634A (zh) | 2022-04-08 |
Family
ID=80972309
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111625896.9A Pending CN114298634A (zh) | 2021-12-28 | 2021-12-28 | 驻留点识别方法、装置、电子设备及机器可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114298634A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116911511A (zh) * | 2023-09-14 | 2023-10-20 | 中建三局信息科技有限公司 | 一种商砼运输车辆实时管理方法、装置、设备及存储介质 |
-
2021
- 2021-12-28 CN CN202111625896.9A patent/CN114298634A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116911511A (zh) * | 2023-09-14 | 2023-10-20 | 中建三局信息科技有限公司 | 一种商砼运输车辆实时管理方法、装置、设备及存储介质 |
CN116911511B (zh) * | 2023-09-14 | 2023-12-12 | 中建三局信息科技有限公司 | 一种商砼运输车辆实时管理方法、装置、设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP6247754B2 (ja) | 駐車場探し開始特定のために車両の測定データを処理する方法 | |
CN111340427B (zh) | 一种基于轨迹数据的货车运行状态识别方法 | |
CN110544373B (zh) | 一种基于北斗车联网的货车预警信息提取与风险识别方法 | |
CN106935039A (zh) | 用于获取驾驶员行为数据的平台 | |
CN110942640B (zh) | 一种主动发现非法从事网约车客运的嫌疑车辆的方法 | |
CN108932255B (zh) | 一种车辆综合能力分析方法及装置 | |
CN111179589B (zh) | 车辆od预测的方法、装置、设备及存储介质 | |
CN111144485B (zh) | 基于xgboost分类算法的车辆事故判断方法和系统 | |
CN108614262A (zh) | 一种车辆前方目标物检测方法及系统 | |
CN114613151B (zh) | 一种货车od确定方法、系统、设备及存储介质 | |
CN109493606B (zh) | 一种高速公路上违停车辆的识别方法及系统 | |
CN109493449B (zh) | 一种基于货车gps轨迹数据和高速交易数据的货车载货状态估计方法 | |
CN112613939A (zh) | 一种车辆装卸状态的识别方法、装置、存储介质及终端 | |
US8798896B2 (en) | Reliability of travel time estimation | |
CN114298634A (zh) | 驻留点识别方法、装置、电子设备及机器可读存储介质 | |
Žunić et al. | Improving performance of vehicle routing algorithms using GPS data | |
CN111126654A (zh) | 一种共享车辆骑回概率和丢失概率预测方法及装置 | |
CN112633557A (zh) | 一种基于大数据的道路安全预警方法、装置、电子设备及存储介质 | |
CN114997777A (zh) | 一种基于轨迹信息的车辆移动特征识别方法 | |
US7382278B2 (en) | Parked vehicle location system | |
CN107622666B (zh) | 一种平衡车巡航执法方法和装置 | |
CN111488417B (zh) | 信息处理方法、系统、装置、设备及计算机存储介质 | |
Van Hinsbergh et al. | Vehicle point of interest detection using in-car data | |
CN115357771A (zh) | 基于大数据分析研判溯源渣土偷倒方法及其应用 | |
CN114419894A (zh) | 一种路内停车泊位设置与使用监测的方法与系统 |
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 |