CN114564627A - 基于货车数据的企业关系分析方法、系统及存储介质 - Google Patents

基于货车数据的企业关系分析方法、系统及存储介质 Download PDF

Info

Publication number
CN114564627A
CN114564627A CN202210116261.4A CN202210116261A CN114564627A CN 114564627 A CN114564627 A CN 114564627A CN 202210116261 A CN202210116261 A CN 202210116261A CN 114564627 A CN114564627 A CN 114564627A
Authority
CN
China
Prior art keywords
area
aggregation
data
enterprise
areas
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
CN202210116261.4A
Other languages
English (en)
Inventor
赵岩
蔡抒扬
夏曙东
张志恒
孙智彬
张志平
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.)
Beijing Transwiseway Information Technology Co Ltd
Original Assignee
Beijing Transwiseway Information 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 Beijing Transwiseway Information Technology Co Ltd filed Critical Beijing Transwiseway Information Technology Co Ltd
Priority to CN202210116261.4A priority Critical patent/CN114564627A/zh
Publication of CN114564627A publication Critical patent/CN114564627A/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
    • G06F16/903—Querying
    • G06F16/9035—Filtering based on additional data, e.g. user or group profiles
    • 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
    • G06F16/906—Clustering; Classification
    • G06Q50/40—

Abstract

本申请提供了一种基于货车数据的企业关系分析方法、系统及计算机介质，具体的，根据货运数据获取货运区域的多个聚集区；根据车辆的停靠数据，获得车辆的聚集区序列；聚集区序列为按照时间前后排列的多个聚集区；根据车辆的聚集区序列，通过数据遍历和过滤，得到聚集区关系数据；将目标企业的地理区域映射为聚集区，根据聚集区关系数据获得目标企业的上下游关系。本申请通过企业之间货运数据的分析获得企业之间上下游关系，解决了目前企业的产业关系进行分析和识别中，效率低、准确性差的问题。

Description

基于货车数据的企业关系分析方法、系统及存储介质
技术领域
本申请属于互联网技术领域，具体地，涉及一种基于货车数据的企业关系分析方法、系统及存储介质。
背景技术
目前，企业产业链可以客观反映企业的经营能力，在对企业进行风险识别时，企业产业链可以作为重要的参考或依据。并在企业的风险传导以及行业关联性分析等诸多方面均有着至关重要的参考价值所以，因此，有必要对企业的产业关系进行分析和识别。
然而，现有方法中有些采用发票信息构建企业间关系，此方法只能收集单一平台中产生交易的企业及其关系。或者，通过对企业季报、年报以及招股书等公开文件的分析，获取企业间关联关系，但是由于这些数据文本是非结构化数据，且语义理解命题复杂，因此，此方法的信息获取效率以及准确性非常低。
发明内容
本发明提出了一种基于货车数据的企业关系分析方法系统及存储介质，旨在解决目前企业的产业关系进行分析和识别中，效率低、准确性差的问题。
根据本申请实施例的第一个方面，提供了一种基于货车数据的企业关系分析方法，具体包括以下步骤：
根据货运数据获取货运区域的多个聚集区；
根据车辆的停靠数据，获得车辆的聚集区序列；聚集区序列为按照时间前后排列的多个聚集区；
根据车辆的聚集区序列，通过数据遍历和过滤，得到聚集区关系数据；
将目标企业的地理区域映射为聚集区，根据聚集区关系数据获得目标企业的上下游关系。
在本申请一些实施方式中，根据货运数据获取货运区域的多个聚集区，具体包括：
根据货运数据中的车辆聚集数据，获得多种物流事件；
从多种物流事件中筛选货运事件，并通过网格聚类确定货运事件对应的区域，得到货运区域的多个聚集区。
在本申请一些实施方式中，根据车辆的停靠数据，获得车辆的聚集区序列，具体包括：
根据每一车辆的停靠数据，获得每一车辆的聚集区序列；聚集区序列为按照时间排列的多个聚集区；
汇总一段时间内货运区域所有车辆的聚集区序列。
在本申请一些实施方式中，根据车辆的聚集区序列，通过数据遍历和过滤，得到聚集区关系数据，具体包括：
遍历某一辆车在统计周期内的所有聚集区序列，得到侯选边集合；侯选边集合中的任意一个侯选边为由任意两个聚集区构成的有向关系向量；
通过聚集区之间运行时长阈值、直线距离阈值、车辆ID限定和/或起终点所属位置限定，过滤侯选边集合，得到目标侯选边；
将目标候选边进行合并和构建，得到聚集区关系数据。
在本申请一些实施方式中，聚集区关系数据具体为聚集区关系的有向加权图，有向加权图Gω的具体表示为：
Gω＝(A，ω)；
其中，A为目标侯选边的列表；ω为目标侯选边的权重矩阵，即目标侯选边对应的两个聚集区之间的关系强度；关系强度包括两个聚集区之间的车辆次数、车辆ID和/或运行时长。
在本申请一些实施方式中，将目标候选边进行合并和构建，得到聚集区关系数据之前，还包括：
通过空间关联，建立聚集区与地图POI的联系，将地图POI的属性作为聚集区特征；或者，
通过空间关联，判断聚集区是否包含目标道路；若包含，则将目标道路的道路属性作为聚集区特征；或者，
将聚集区内统计周期内停靠车辆的车辆信息作为聚集区特征。
在本申请一些实施方式中，将目标候选边进行合并和构建，得到聚集区关系数据，具体包括：
根据聚集区特征，去除无效聚集区；无效聚集区包括服务区、加油站、收费站、停车场、维修站、检查站、路边停靠点以及工地；
去除无效聚集区对应的目标侯选边；
将剩余的目标侯选边以起点聚集区ID和终点聚集区ID为唯一标识进行合并，得到聚集区关系数据；同时统计并记录聚集区之间的关系强度。
在本申请一些实施方式中，将目标企业的地理区域映射为聚集区，根据聚集区关系数据获得目标企业的上下游关系，具体包括：
获取目标企业的地理区域，并将目标企业的地理区域转换为地图信息的网格ID列表；
通过预先设定的网格ID列表与聚集区ID列表映射规则，搜索映射获得目标企业对应的聚集区；
根据聚集区关系数据获得目标企业的上下游关系。
根据本申请实施例的第二个方面，提供了一种基于货车数据的企业关系分析系统，具体包括：
聚集区模块：用于根据货运数据获取货运区域的多个聚集区；
聚集区序列模块：用于根据车辆的停靠数据，获得车辆的聚集区序列；聚集区序列为按照时间前后排列的多个聚集区；
聚集区关系模块：用于根据车辆的聚集区序列，通过数据遍历和过滤，得到聚集区关系数据；
企业关系模块：用于将目标企业的地理区域映射为聚集区，根据聚集区关系数据获得目标企业的上下游关系。
根据本申请实施例的第三个方面，提供了一种基于货车数据的企业关系分析设备，包括：
存储器：用于存储可执行指令；以及
处理器:用于与存储器连接以执行可执行指令从而完成基于货车数据的企业关系分析方法。
根据本申请实施例的第四个方面，提供了一种计算机可读存储介质，其上存储有计算机程序；计算机程序被处理器执行以实现基于货车数据的企业关系分析方法。
采用本申请实施例中的基于货车数据的企业关系分析方法、系统及计算机介质，具体的，根据货运数据获取货运区域的多个聚集区；根据车辆的停靠数据，获得车辆的聚集区序列；聚集区序列为按照时间前后排列的多个聚集区；根据车辆的聚集区序列，通过数据遍历和过滤，得到聚集区关系数据；将目标企业的地理区域映射为聚集区，根据聚集区关系数据获得目标企业的上下游关系。本申请通过企业之间货运数据的分析获得企业之间上下游关系，解决了目前企业的产业关系进行分析和识别中，效率低、准确性差的问题。
附图说明
此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：
图1中示出了根据本申请实施例的基于货车数据的企业关系分析方法的步骤示意图；
图2中示出了根据本申请实施例中得到聚集区关系数据的步骤示意图；
图3中示出了根据本申请实施例中S103中聚集区序列的示意图；
图4中示出了根据本申请实施例中网格ID列表与聚集区ID列表映射规则的原理示意图；
图5中示出了根据本申请实施例中某企业的下游关系的示意图；
图6中示出了根据本申请实施例的基于货车数据的企业关系分析系统的结构示意图；
图7中示出了根据本申请实施例的基于货车数据的企业关系分析设备的结构示意图。
具体实施方式
在实现本申请的过程中，发明人发现现在企业、产业关系分析中，例如采用发票信息构建企业间关系，只能收集单一平台中产生交易的企业及其关系。又例如通过对企业季报、年报以及招股书等公开文件的分析，获取企业间关联关系，由于文本是非结构化数据，且语义理解命题复杂，因此，此方法的信息获取效率及准确性存疑。
基于此，本申请依据货运车辆停靠、地理信息等数据，通过网格聚类、聚集区关系挖掘、空间信息关联等方式，构建企业上下游关系，为物流相关产业宏观、微观分析提供数据支撑。
具体的，本申请为一种基于货车数据的企业关系分析方法、系统及计算机介质，根据货运数据获取货运区域的多个聚集区；根据车辆的停靠数据，获得车辆的聚集区序列；聚集区序列为按照时间排列的多个聚集区；根据车辆的聚集区序列，通过数据遍历和过滤，得到聚集区关系数据；将目标企业的地理区域映射为聚集区，根据聚集区关系数据获得目标企业的上下游关系。
本申请通过企业之间货运数据的分析获得企业之间上下游关系，解决了目前企业的产业关系进行分析和识别中，效率低、准确性差的问题。
为了使本申请实施例中的技术方案及优点更加清楚明白，以下结合附图对本申请的示例性实施例进行进一步详细的说明，显然，所描述的实施例仅是本申请的一部分实施例，而不是所有实施例的穷举。需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。
实施例1
图1中示出了根据本申请实施例的基于货车数据的企业关系分析方法的步骤示意图。
如图1所示，本申请实施例的基于货车数据的企业关系分析方法，具体包括以下步骤：
S101：根据货运数据获取货运区域的多个聚集区。
具体的，首先，根据货运数据中的车辆聚集数据，获得多种物流事件；然后，从多种物流事件中筛选货运事件，并通过网格聚类确定货运事件对应的区域，得到货运区域的多个聚集区。
具体实施时，鉴于货运车辆聚集的区域就是有物流事件发生的区域，因此，将聚集数据中的这些物流事件可以划分为装卸货、休息、加油以及拥堵等事件。从众多物流事件中确定与物流相关的货运事件，例如装卸货，而休息、加油或者拥堵事件属于非货运事件，之后进一步确定货运事件的聚集区域；
通过网格聚类的方式，将货运事件的聚集区域基于地图信息进行网格聚类，得到多个聚集区。最后，通过聚集区ID列表与网格ID列表进行对应得到相应的映射规则。
S102：根据车辆的停靠数据，获得车辆的聚集区序列。
具体的，根据每一车辆的停靠数据，获得每一车辆的聚集区序列；聚集区序列为按照时间排列的多个聚集区；然后汇总一段时间内货运区域所有车辆的聚集区序列。
S103：根据车辆的聚集区序列，通过数据遍历和过滤，得到聚集区关系数据。
图2中示出了根据本申请实施例中得到聚集区关系数据的步骤示意图。
如图2所示，具体包括以下步骤：
S1031：遍历某一辆车在统计周期内的所有聚集区序列，得到侯选边集合；侯选边集合中任意一个侯选边为由任意两个聚集区构成的有向关系向量；
S1032：通过聚集区之间运行时长阈值、直线距离阈值、车辆ID限定和/或起终点所属位置限定，过滤侯选边集合，得到目标侯选边；
S1033：将目标候选边进行合并和构建，得到聚集区关系数据。
其中，在S1032中，通过聚集区之间运行时长阈值、直线距离阈值、车辆ID限定和/或起终点所属位置限定，过滤侯选边集合时，本申请采用基于时间窗裁剪的方法。
图3中示出了根据本申请实施例中S103中聚集区序列的示意图。
首先，利用单辆车停靠点的时间序列，结合已聚合的聚集区，形成单辆车不同聚集区序列。
如图3所示，对于序列中的某一聚集区Ai，其与后续任一聚集区Ai+1、Ai+2……Ai+k……An都能形成二元有向关系AiAi+k。在单次货物运输中，某个聚集区只会与下游的有限个地点产生有业务含义的有效关系。
为了防止关系数量爆炸，本发明引入一个时间窗，来剪除无效聚集区关系，方法如下：
1)遍历某辆车在计算周期内(如一年)的所有聚集区序列，生成候选边集合AiAj；
2)计算AiAj的平均时速vij；计算方法为两个聚集区间的距离除以车辆从聚集区Ai到聚集区Aj的用的时间，平均时速vij的计算公式为：
Figure BDA0003496446180000061
其中，Sij为两个聚集区间的距离，tj、ti分别为车辆经过聚集区Aj、Ai的记录时间。
3)判断平均时速vij与经验时速v0的关系，如果vij大于v0，则保留该边，否则剪除该边。经验时速v0为预先进行设置的数值。
最终，通过聚集区之间运行时长阈值的限定，过滤掉不在范围内的侯选边。
同理的，可选进行通过直线距离阈值、车辆ID限定和/或起终点所属位置限定，过滤侯选边集合。
最终生成包含两聚集区运行时长(Ai+k中停靠点集合的起始停靠时间减去Ai中停靠点集合的结束停靠时间)、直线距离(Ai+k中停靠点集合的几何中心与Ai中停靠点集合的几何中心的距离)以及车辆ID、起终点所属行政区等信息的边AiAi+k。
优选实施的，本申请考虑到此时生成的边采用的时间窗过于宽松，形成的侯选边并不能构成有效的围栏关系。
为了解决这一问题，本申请采用分位数法做进一步过滤。
首先，将起点为行政区X、终点为行政区Y的所有候选边进行聚合，计算出行政区间运行时长的列表。然后，利用运行时长的列表进行有效关系二次筛选，具体方法为：选取排序后运行时长列表的10分位数(含义为运输效率较高的车辆所用的时间)做为基准时间，乘以某一运输效率系数(如1.5，表示运输时长是头部车辆1.5倍)，以此过滤掉大于此运行时长的边。采用分位数法的原因是，相较于均值，分位数是一种稳定统计。
具体实施举例如下：
以北京-上海为例，按行政区聚合会生成一个排序后的时间列表(如最快记录300分钟，最慢记录1200分钟)，内容为两城市间所属聚集区之间的通行时间。假设列表长度为100，取位置10所记录的时间，如420分钟；最后取排序列表中位于整个列表长度*10％位置所记录的时间作为基准时间。
在本申请一些实施方式中，通过S1032得到目标侯选边之后，还包括：通过空间关联，建立聚集区与地图POI的联系，将地图POI的属性作为聚集区特征；通过空间关联，判断聚集区是否包含目标道路；若包含，则并将道路属性作为聚集区特征；将聚集区内统计周期内停靠车辆的车辆信息作为聚集区特征。
即构建聚集区画像，具体实施时：结合地图POI、路网、车辆信息等数据挖掘聚集区特征。对于POI数据，需要首先挖掘POI本身的深层标签，如通过POI名称中的关键字，确定加油站、服务区、物流园、工业园、厂矿、机场、码头、维修站、停车场等物流强相关的名称、类型标签。
然后通过空间关联，建立聚集区与POI的联系，将POI的属性传递给聚集区。对于路网数据，可直接利用空间关联，判断聚集区是否包含道路，并将道路等级等属性传递给聚集区。对于车辆信息，可通过分析在目标聚集区发生过停靠的车辆集合，获取深层次的信息，如车型分布、活跃天数、停靠时长分布、运营时间分布等。
接下来，通过S1033将目标候选边进行合并和构建，得到聚集区关系数据，具体包括：
根据聚集区特征，去除无效聚集区；无效聚集区包括服务区、加油站、收费站、停车场、维修站、检查站、路边停靠以及工地；去除无效聚集区对应的目标侯选边；将剩余的目标侯选边以起点聚集区ID和终点聚集区ID为唯一标识进行合并，得到聚集区关系数据；同时统计并记录聚集区之间的关系强度。
本实施例中，聚集区关系数据具体为聚集区关系的有向加权图，有向加权图Gω的具体表示为：
Gω＝(A，ω)；
其中，A为目标侯选边的列表；ω为目标侯选边的权重矩阵，即目标侯选边对应的两个聚集区之间的关系强度；关系强度包括两个聚集区之间的车辆次数、车辆ID和/或运行时长。
其中，ω的权重矩阵可具体表示为：
Figure BDA0003496446180000071
任意目标侯选边可表示为<Ai，Aj>，ωij代表从聚集区Ai到聚集区Aj的关系强度。
S104：将目标企业的地理区域映射为聚集区，根据聚集区关系数据获得目标企业的上下游关系。
具体的，首先，获取目标企业的实地理区域，并将目标企业的地理区域转换为地图信息的网格ID列表；通过预先设定的网格ID列表与聚集区ID列表映射规则，搜索映射获得目标企业对应的聚集区；根据聚集区关系数据获得目标企业的上下游关系。
图4中示出了根据本申请实施例中网格ID列表与聚集区ID列表映射规则的原理示意图。
预先设定网格ID列表与聚集区ID列表映射规则，即建立网格ID到聚集区ID的倒排索引，以便于进行上下游关系的搜索。
如图4所示，当获取到某目标企业的真实围栏A区域后，为了快速关联该真实围栏A区域所命中的聚集区B区域，需要先利用函数将真实围栏转换成其所覆盖的网格ID的列表，然后分别查询各个子网格ID所对应的聚集区。倒排索引的作用就是建立网格ID与聚集区之间的映射。
图5中示出了根据本申请实施例中某企业的下游关系的示意图。
最后，如图5所示，得到基于物流地图产生的中国西南某企业的下游关系，可以分析出同该企业有业务联系的下游行政区、企业、及对应的关系强度。
采用本申请实施例中的基于货车数据的企业关系分析方法，具体的，根据货运数据获取货运区域的多个聚集区；根据车辆的停靠数据，获得车辆的聚集区序列；聚集区序列为按照时间前后排列的多个聚集区；根据车辆的聚集区序列，通过数据遍历和过滤，得到聚集区关系数据；将目标企业的地理区域映射为聚集区，根据聚集区关系数据获得目标企业的上下游关系。本申请通过企业之间货运数据的分析获得企业之间上下游关系，解决了目前企业的产业关系进行分析和识别中，效率低、准确性差的问题。
实施例2
本实施例提供了一种基于货车数据的企业关系分析系统，对于本实施例的基于货车数据的企业关系分析系统中未披露的细节，请参照其它实施例中的基于货车数据的企业关系分析方法的具体实施内容。
图6中示出了根据本申请实施例的基于货车数据的企业关系分析系统的结构示意图。
如图6所示，本申请实施例的基于货车数据的企业关系分析系统，具体包括聚集区模块10、聚集区序列模块20、聚集区关系模块30以及企业关系模块40。
具体的，
聚集区模块10：用于根据货运数据获取货运区域的多个聚集区。
具体的，首先，根据货运数据中的车辆聚集数据，获得多种物流事件；然后，从多种物流事件中筛选货运事件，并通过网格聚类确定货运事件对应的区域，得到货运区域的多个聚集区。
聚集区序列模块20：用于根据车辆的停靠数据，获得车辆的聚集区序列。
具体的，根据每一车辆的停靠数据，获得每一车辆的聚集区序列；聚集区序列为按照时间排列的多个聚集区；然后汇总一段时间内货运区域所有车辆的聚集区序列。
聚集区关系模块30：用于根据车辆的聚集区序列，通过数据遍历和过滤，得到聚集区关系数据。
具体包括：遍历某一辆车在统计周期内的所有聚集区序列，得到侯选边集合；任意一个侯选边为由任意两个聚集区构成的有向关系向量；通过聚集区之间运行时长阈值、直线距离阈值、车辆ID限定和/或起终点所属位置限定，过滤侯选边集合，得到目标侯选边；将目标候选边进行合并和构建，得到聚集区关系数据。
其中，得到目标侯选边之后，还包括：通过空间关联，建立聚集区与地图POI的联系，将地图POI的属性作为聚集区特征；通过空间关联，判断聚集区是否包含目标道路；若包含，则并将道路属性作为聚集区特征；将聚集区内统计周期内停靠车辆的车辆信息作为聚集区特征。
企业关系模块40：用于将目标企业的地理区域映射为聚集区，根据聚集区关系数据获得目标企业的上下游关系。
具体的，首先，获取目标企业的实地理区域，并将目标企业的地理区域转换为地图信息的网格ID列表；通过预先设定的网格ID列表与聚集区ID列表映射规则，搜索映射获得目标企业对应的聚集区；根据聚集区关系数据获得目标企业的上下游关系。
采用本申请实施例中的基于货车数据的企业关系分析系统，具体的，聚集区模块10根据货运数据获取货运区域的多个聚集区；聚集区序列模块20根据车辆的停靠数据，获得车辆的聚集区序列；聚集区序列为按照时间排列的多个聚集区；聚集区关系模块30根据车辆的聚集区序列，通过数据遍历和过滤，得到聚集区关系数据；企业关系模块40将目标企业的地理区域映射为聚集区，根据聚集区关系数据获得目标企业的上下游关系。
本申请通过企业之间货运数据的分析获得企业之间上下游关系，解决了目前企业的产业关系进行分析和识别中，效率低、准确性差的问题。
实施例3
本实施例提供了一种基于货车数据的企业关系分析设备，对于本实施例的基于货车数据的企业关系分析设备中未披露的细节，请参照其它实施例中的基于货车数据的企业关系分析方法或系统具体的实施内容。
图7中示出了根据本申请实施例的基于货车数据的企业关系分析设备400的结构示意图。
如图7所示，企业关系分析设备400，包括：
存储器402：用于存储可执行指令；以及
处理器401:用于与存储器402连接以执行可执行指令从而完成运动矢量预测方法。
本领域技术人员可以理解，示意图7仅仅是企业关系分析设备400的示例，并不构成对企业关系分析设备400的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如企业关系分析设备400还可以包括输入输出设备、网络接入设备、总线等。
所称处理器401(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application SpecificIntegrated Circuit，ASIC)、现场可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器401也可以是任何常规的处理器等，处理器401是企业关系分析设备400的控制中心，利用各种接口和线路连接整个企业关系分析设备400的各个部分。
存储器402可用于存储计算机可读指令，处理器401通过运行或执行存储在存储器402内的计算机可读指令或模块，以及调用存储在存储器402内的数据，实现企业关系分析设备400的各种功能。存储器402可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等；存储数据区可存储根据企业关系分析设备400使用所创建的数据等。此外，存储器402可以包括硬盘、内存、插接式硬盘，智能存储卡(Smart Media Card，SMC)，安全数字(SecureDigital，SD)卡，闪存卡(Flash Card)、至少一个磁盘存储器件、闪存器件、只读存储器(Read-Only Memory，ROM)、随机存取存储器(Random Access Memory，RAM)或其他非易失性/易失性存储器件。
企业关系分析设备400集成的模块如果以软件功能模块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，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机可读指令来指令相关的硬件来完成，的计算机可读指令可存储于一计算机可读存储介质中，该计算机可读指令在被处理器执行时，可实现上述各个方法实施例的步骤。
实施例4
本实施例提供了一种计算机可读存储介质，其上存储有计算机程序；计算机程序被处理器执行以实现其他实施例中的基于货车数据的企业关系分析方法。
本申请实施例中的基于货车数据的企业关系分析设备及计算机存储介质，根据货运数据获取货运区域的多个聚集区；根据车辆的停靠数据，获得车辆的聚集区序列；聚集区序列为按照时间前后排列的多个聚集区；根据车辆的聚集区序列，通过数据遍历和过滤，得到聚集区关系数据；将目标企业的地理区域映射为聚集区，根据聚集区关系数据获得目标企业的上下游关系。本申请通过企业之间货运数据的分析获得企业之间上下游关系，解决了目前企业的产业关系进行分析和识别中，效率低、准确性差的问题。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在本发明使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本发明。在本发明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。还应当理解，本文中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。
应当理解，尽管在本发明可能采用术语第一、第二、第三等来描述各种信息，但这些信息不应限于这些术语。这些术语仅用来将同一类型的信息彼此区分开。例如，在不脱离本发明范围的情况下，第一信息也可以被称为第二信息，类似地，第二信息也可以被称为第一信息。取决于语境，如在此所使用的词语“如果”可以被解释成为“在……时”或“当……时”或“响应于确定”。
尽管已描述了本申请的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本申请范围的所有变更和修改。
显然，本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的精神和范围。这样，倘若本申请的这些修改和变型属于本申请权利要求及其等同技术的范围之内，则本申请也意图包含这些改动和变型在内。

Claims (10)

1.一种基于货车数据的企业关系分析方法，其特征在于，包括以下步骤：
根据货运数据获取货运区域的多个聚集区；
根据车辆的停靠数据，获得车辆的聚集区序列；所述聚集区序列为按照时间前后排列的多个聚集区；
根据所述车辆的聚集区序列，通过数据遍历和过滤，得到聚集区关系数据；
将目标企业的地理区域映射为聚集区，根据所述聚集区关系数据获得目标企业的上下游关系。
2.根据权利要求1所述的企业关系分析方法，其特征在于，所述根据货运数据获取货运区域的多个聚集区，具体包括：
根据所述货运数据中的车辆聚集数据，获得多种物流事件；
从所述多种物流事件中筛选货运事件，并通过网格聚类确定所述货运事件对应的区域，得到货运区域的多个聚集区。
3.根据权利要求1所述的企业关系分析方法，其特征在于，所述根据所述车辆的聚集区序列，通过数据遍历和过滤，得到聚集区关系数据，具体包括：
遍历某一辆车在统计周期内的所有聚集区序列，得到侯选边集合；所述侯选边集合中的任意一个侯选边为由任意两个聚集区构成的有向关系向量；
通过聚集区之间运行时长阈值、直线距离阈值、车辆ID限定和/或起终点所属位置限定，过滤所述侯选边集合，得到目标侯选边；
将所述目标候选边进行合并和构建，得到聚集区关系数据。
4.根据权利要求3所述的企业关系分析方法，其特征在于，所述聚集区关系数据具体为聚集区关系的有向加权图，所述有向加权图Gω的具体表示为：
Gω＝(A，ω)；
其中，A为目标侯选边的列表；ω为目标侯选边的权重矩阵，即目标侯选边对应的两个聚集区之间的关系强度；所述关系强度包括两个聚集区之间的车辆次数、车辆ID和/或运行时长。
5.根据权利要求4所述的企业关系分析方法，其特征在于，所述将所述目标候选边进行合并和构建，得到聚集区关系数据之前，还包括：
通过空间关联，建立聚集区与地图POI的联系，将地图POI的属性作为聚集区特征；或者，
通过空间关联，判断聚集区是否包含目标道路；若包含，则将所述目标道路的道路属性作为聚集区特征；或者，
将聚集区内统计周期内停靠车辆的车辆信息作为聚集区特征。
6.根据权利要求5所述的企业关系分析方法，其特征在于，所述将所述目标候选边进行合并和构建，得到聚集区关系数据，具体包括：
根据聚集区特征，去除无效聚集区；所述无效聚集区包括服务区、加油站、收费站、停车场、维修站、检查站、路边停靠点以及工地；
去除无效聚集区对应的目标侯选边；
将剩余的目标侯选边以起点聚集区ID和终点聚集区ID为唯一标识进行合并，得到聚集区关系数据；同时统计并记录聚集区之间的关系强度。
7.根据权利要求6所述的企业关系分析方法，其特征在于，所述将目标企业的地理区域映射为聚集区，根据所述聚集区关系数据获得目标企业的上下游关系，具体包括：
获取目标企业的地理区域，并将目标企业的地理区域转换为地图信息的网格ID列表；
通过预先设定的网格ID列表与聚集区ID列表映射规则，搜索映射获得所述目标企业对应的聚集区；
根据所述聚集区关系数据获得目标企业的上下游关系。
8.一种基于货车数据的企业关系分析系统，其特征在于，具体包括：
聚集区模块：用于根据货运数据获取货运区域的多个聚集区；
聚集区序列模块：用于根据车辆的停靠数据，获得车辆的聚集区序列；所述聚集区序列为按照时间前后排列的多个聚集区；
聚集区关系模块：用于根据所述车辆的聚集区序列，通过数据遍历和过滤，得到聚集区关系数据；
企业关系模块：用于将目标企业的地理区域映射为聚集区，根据所述聚集区关系数据获得目标企业的上下游关系。
9.一种基于货车数据的企业关系分析设备，其特征在于，包括：
存储器：用于存储可执行指令；以及
处理器:用于与所述存储器连接以执行所述可执行指令从而完成权利要求1-7任一项所述的基于货车数据的企业关系分析方法。
10.一种计算机可读存储介质，其特征在于，其上存储有计算机程序；计算机程序被处理器执行以实现如权利要求1-7任一项所述的基于货车数据的企业关系分析方法。
CN202210116261.4A 2022-02-07 2022-02-07 基于货车数据的企业关系分析方法、系统及存储介质 Pending CN114564627A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210116261.4A CN114564627A (zh) 2022-02-07 2022-02-07 基于货车数据的企业关系分析方法、系统及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210116261.4A CN114564627A (zh) 2022-02-07 2022-02-07 基于货车数据的企业关系分析方法、系统及存储介质

Publications (1)

Publication Number Publication Date
CN114564627A true CN114564627A (zh) 2022-05-31

Family

ID=81714165

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210116261.4A Pending CN114564627A (zh) 2022-02-07 2022-02-07 基于货车数据的企业关系分析方法、系统及存储介质

Country Status (1)

Country Link
CN (1) CN114564627A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115456485A (zh) * 2022-11-09 2022-12-09 湖南省交通科学研究院有限公司 基于货车行驶轨迹的典型行业物流分析方法及系统

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115456485A (zh) * 2022-11-09 2022-12-09 湖南省交通科学研究院有限公司 基于货车行驶轨迹的典型行业物流分析方法及系统

Similar Documents

Publication Publication Date Title
Massar et al. Impacts of autonomous vehicles on greenhouse gas emissions—positive or negative?
Gingerich et al. Classifying the purpose of stopped truck events: An application of entropy to GPS data
Ferreira et al. The impact of driving styles on fuel consumption: A data-warehouse-and-data-mining-based discovery process
Pan et al. Crowd sensing of traffic anomalies based on human mobility and social media
CN110363985B (zh) 一种交通数据分析方法、装置、存储介质及设备
CN108932255B (zh) 一种车辆综合能力分析方法及装置
CN112447041A (zh) 识别车辆的营运行为的方法、装置及计算设备
Sevlian et al. Travel time estimation using floating car data
Fernandes et al. Driving around turbo-roundabouts vs. conventional roundabouts: Are there advantages regarding pollutant emissions?
Ma et al. Driving style estimation by fusing multiple driving behaviors: a case study of freeway in China
CN113284343B (zh) 一种基于智慧交通物联网的交通监测系统及方法
Holden et al. Trip energy estimation methodology and model based on real-world driving data for green-routing applications
WO2023129224A1 (en) Systems and methods for updating maps and evaluating map accuracy based on collected image data
CN114564627A (zh) 基于货车数据的企业关系分析方法、系统及存储介质
Hu et al. Estimating micro-level on-road vehicle emissions using the k-means clustering method with GPS big data
Zhu et al. Mining large-scale GPS streams for connectivity refinement of road maps
Mtoi et al. An alternative approach to network demand estimation: Implementation and application in multi-agent transport simulation (MATSim)
CN115375237A (zh) 一种冷链物流智能管理方法、系统、设备和存储介质
CN109934233B (zh) 一种运输业务识别方法和系统
Montero et al. Using GPS tracking data to validate route choice in OD trips within dense urban networks
CN111062555B (zh) 城市画像的构建方法、装置、介质及电子设备
Koukounaris et al. Connected Intelligent Transportation System Model to Minimize Societal Cost of Travel in Urban Networks
CN113393011B (zh) 预测限速信息的方法、装置、计算机设备和介质
Sullivan et al. Identifying roadway physical characteristics that contribute to emissions differences between hybrid and conventional vehicles
Vasudevan et al. Predicting Congestion States from Basic Safety Messages by Using Big-Data Graph Analytics

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