CN114582120B - 基于车辆轨迹的隐藏社区发现方法、装置、设备及介质 - Google Patents

基于车辆轨迹的隐藏社区发现方法、装置、设备及介质 Download PDF

Info

Publication number
CN114582120B
CN114582120B CN202210129481.0A CN202210129481A CN114582120B CN 114582120 B CN114582120 B CN 114582120B CN 202210129481 A CN202210129481 A CN 202210129481A CN 114582120 B CN114582120 B CN 114582120B
Authority
CN
China
Prior art keywords
vehicle
vehicles
parking
gathering
district
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
Application number
CN202210129481.0A
Other languages
English (en)
Other versions
CN114582120A (zh
Inventor
赵岩
蔡抒扬
夏曙东
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 CN202210129481.0A priority Critical patent/CN114582120B/zh
Publication of CN114582120A publication Critical patent/CN114582120A/zh
Application granted granted Critical
Publication of CN114582120B publication Critical patent/CN114582120B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
    • G08G1/0125—Traffic data processing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering

Landscapes

  • Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Probability & Statistics with Applications (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Traffic Control Systems (AREA)

Abstract

本申请公开了一种基于车辆轨迹的隐藏社区发现方法、装置、设备及介质，所述方法包括：采用聚类算法对车辆的停靠轨迹数据进行聚类，得到车辆的聚集区；根据预设时间段内车辆在各个行政区的停靠次数以及车辆在各个聚集区的停靠次数，构建车辆关系图；采用Louvain算法对所述车辆关系图进行社区分析，得到划分的一个或多个社区。根据本申请实施例提供的车辆隐藏社区发现方法，可以根据货运车辆的停靠轨迹数据，通过网格聚类与空间信息关联，建立车辆间的隐藏连接，并通过这种连接关系构造网络图，挖掘隐藏的车主社群，为车主社群特征分析、车主社群行为研究、以及精准高效的货运市场拓展提供数据依据。

Description

基于车辆轨迹的隐藏社区发现方法、装置、设备及介质
技术领域
本发明涉及智能交通技术领域，特别涉及一种基于车辆轨迹的隐藏社区发现方法、装置、设备及介质。
背景技术
目前，货运车辆在运输过程中，常按照固定路线行驶，在常年累月的货运旅途中，可能会与其他车主之间产生社交关系，且基于车辆的用户之间越来越希望能够有更多的交流机会，以获得更加愉快的行车体验。
因此，如何挖掘隐藏的车主社群是本领域技术人员亟待解决的技术问题。
发明内容
本申请实施例提供了一种基于车辆轨迹的隐藏社区发现方法、装置、设备及介质。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基于车辆轨迹的隐藏社区发现方法，包括：
采用聚类算法对车辆的停靠轨迹数据进行聚类，得到车辆的聚集区；
根据预设时间段内车辆在各个行政区的停靠次数以及车辆在各个聚集区的停靠次数，构建车辆关系图；
对车辆关系图进行社区分析，得到划分的一个或多个社区。
在一个实施例中，根据预设时间段内车辆在各个行政区的停靠次数以及车辆在各个聚集区的停靠次数，构建车辆关系图，包括：
统计预设时间段内车辆在各个行政区的停靠次数，并根据停靠次数计算车辆在行政区的停靠权重；
根据车辆在行政区的停靠权重以及车辆在各个聚集区的停靠次数，计算任意两个车辆之间的关系强度；
根据任意两个车辆之间的关系强度构建车辆关系图。
在一个实施例中，根据停靠次数计算车辆在行政区的停靠权重，包括：
根据如下公式计算车辆在行政区的停靠权重：
Figure BDA0003501850590000021
其中，θc表示车辆在行政区c的停靠权重，
Figure BDA0003501850590000022
表示车辆的停靠总次数，nc表示车辆在行政区c的停靠总次数。
在一个实施例中，根据车辆在行政区的停靠权重以及车辆在各个聚集区的停靠次数，计算任意两个车辆之间的关系强度，包括：
计算第一车辆在目标聚集区所在行政区的权重与第一车辆在目标聚集区的停靠次数的第一乘积；
计算第二车辆在目标聚集区所在行政区的权重与第二车辆在目标聚集区的停靠次数的第二乘积；
将第一乘积和第二乘积中数值较小的乘积作为第一车辆和第二车辆在目标聚集区的关系强度；
累加第一车辆和第二车辆在所有聚集区的关系强度，得到第一车辆和第二车辆之间的关系强度。
在一个实施例中，根据任意两个车辆之间的关系强度构建车辆关系图，包括：
以每个车辆为节点，以车辆之间的关系强度为边的权重，得到车辆关系图。
在一个实施例中，采用聚类算法对车辆的停靠轨迹数据进行聚类，得到车辆的聚集区，包括：
获取车辆的轨迹数据，提取轨迹数据中的停靠轨迹数据；
采用聚类算法对车辆的停靠轨迹数据进行聚类，得到车辆的初始聚集区；
根据POI数据过滤初始聚集区中的预设聚集区，得到过滤后的聚集区，预设聚集区包括加油站聚集区、停车场聚集区、维修站聚集区中的一种或多种。
第二方面，本申请实施例提供了一种基于车辆轨迹的隐藏社区发现装置，包括：
聚类模块，用于采用聚类算法对车辆的停靠轨迹数据进行聚类，得到车辆的聚集区；
关系图构建模块，用于根据预设时间段内车辆在各个行政区的停靠次数以及车辆在各个聚集区的停靠次数，构建车辆关系图；
社区发现模块，用于对车辆关系图进行社区分析，得到划分的一个或多个社区。
在一个实施例中，关系图构建模块，包括：
权重计算单元，用于统计预设时间段内车辆在各个行政区的停靠次数，并根据停靠次数计算车辆在行政区的停靠权重；
关系强度计算单元，用于根据车辆在行政区的停靠权重以及车辆在各个聚集区的停靠次数，计算任意两个车辆之间的关系强度；
构建单元，用于根据任意两个车辆之间的关系强度构建车辆关系图。
第三方面，本申请实施例提供了一种基于车辆轨迹的隐藏社区发现设备，包括处理器和存储有程序指令的存储器，处理器被配置为在执行程序指令时，执行上述实施例提供的基于车辆轨迹的隐藏社区发现方法。
第四方面，本申请实施例提供了一种计算机可读介质，其上存储有计算机可读指令，计算机可读指令被处理器执行以实现上述实施例提供的一种基于车辆轨迹的隐藏社区发现方法。
本申请实施例提供的技术方案可以包括以下有益效果：
根据本申请实施例提供的隐藏社区发现方法，基于货运车辆的停靠轨迹数据，通过网格聚类与空间信息关联，建立车辆间的隐藏连接，并通过这种连接关系构造网络图，基于Louvain算法进行社区检测，得到挖掘的多个隐藏社区。为车主社群特征分析、车主社群行为研究、以及精准高效的货运市场拓展提供数据依据。
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是根据一示例性实施例示出的一种基于车辆轨迹的隐藏社区发现方法的流程示意图；
图2是根据一示例性实施例示出的一种基于车辆轨迹的隐藏社区发现方法的示意图；
图3是根据一示例性实施例示出的一种聚集区的示意图；
图4是根据一示例性实施例示出的一种划分的社区的示意图；
图5是根据一示例性实施例示出的一种基于车辆轨迹的隐藏社区发现装置的结构示意图；
图6是根据一示例性实施例示出的一种基于车辆轨迹的隐藏社区发现设备的结构示意图；
图7是根据一示例性实施例示出的一种计算机存储介质的示意图。
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系统和方法的例子。
下面将结合附图对本申请实施例提供的基于车辆轨迹的隐藏社区发现方法进行详细介绍。参见图1，该方法具体包括以下步骤。
S101采用聚类算法对车辆的停靠轨迹数据进行聚类，得到车辆的聚集区。
在一种可能的实现方式中，首先，获取车辆的轨迹数据，提取轨迹数据中的停靠轨迹数据。
具体地，可获取车辆的GPS轨迹点数据，其中，GPS轨迹点是部署在车辆上的GPS(GlobalPositioning System，全球定位系统)设备实时上报的车辆位置数据。通常，GPS设备在实时上报时，上报的时间间隔可以根据实际情况进行设定，本申请优选时间间隔为10S。需要说明的是，本申请除了采用车辆安装GPS设备实时上报车辆的轨迹数据之外，还可以是由北斗设备定位车辆轨迹并进行上报。
进一步地，获取到车辆的GPS轨迹点之后，根据车辆的轨迹数据判断车辆是否发生停靠行为。具体地，获取轨迹信息中速度为0的点，并按时间间隔阈值和偏移量阈值进行合并，例如，将10分钟之内的多个停靠点进行合并，将距离较近的多个停靠点进行合并，获得以质心表示的停靠点，通过该步骤，可以对小停靠做一定范围的聚合，然后计算停靠时间，筛选出大于预设停靠阈值的停靠点，从而确定车辆发生停靠行为，得到停靠轨迹数据。
进一步地，采用聚类算法对车辆的停靠轨迹数据进行聚类，得到车辆的初始聚集区。例如采用K-means聚类算法对停靠数据进行聚类，采用DBSCAN聚类算法对停靠数据进行聚类等，本申请实施例对聚类方法不做具体限定。
进一步地，根据POI数据过滤初始聚集区中的加油站聚集区、停车场聚集区、维修站聚集区，得到过滤后的聚集区。
在一种可能的实现方式中，获取POI(Point of interesting，兴趣点)数据，关联POI数据过滤掉初始聚集区中的加油站聚集区、停车场聚集区、维修站聚集区等数据，得到有效的聚集区。
图3是根据一示例性实施例示出的一种聚集区的示意图，如图3所示，关联地图POI信息，去除聚集区中的加油站、停车场、维修站等停靠，对剩余聚集区计算车辆间的共现频次。如果有k辆车常出现的聚集区有很大一部分重叠，则这k辆车的车主存在或建立真实社交关系的可能性就大。
S102根据预设时间段内车辆在各个行政区的停靠次数以及车辆在各个聚集区的停靠次数，构建车辆关系图。
在一个可选地实施例中，构建车辆关系图，包括：统计预设时间段内车辆在各个行政区的停靠次数，并根据停靠次数计算车辆在行政区的停靠权重。
例如，统计并记录6个月内每辆车在各个行政区的停靠次数，并根据停靠次数计算车辆在行政区的停靠权重：
根据如下公式计算车辆在行政区的停靠权重：
Figure BDA0003501850590000061
其中，θc表示车辆在行政区c的停靠权重，
Figure BDA0003501850590000062
表示车辆的停靠总次数，nc表示车辆在行政区c的停靠总次数。
进一步地，根据车辆在行政区的停靠权重以及车辆在各个聚集区的停靠次数，计算任意两个车辆之间的关系强度。
具体地，计算第一车辆在目标聚集区所在行政区的权重与第一车辆在目标聚集区的停靠次数的第一乘积；计算第二车辆在目标聚集区所在行政区的权重与第二车辆在目标聚集区的停靠次数的第二乘积；取第一乘积和第二乘积中数值较小的乘积作为第一车辆和第二车辆在目标聚集区的关系强度；累加第一车辆和第二车辆在所有聚集区的关系强度，得到第一车辆和第二车辆之间的关系强度。
在一种可能的实现方式中，可以根据如下公式计算：
Figure BDA0003501850590000063
其中，ωij表示车辆i和车辆j之间的关系强度，m表示聚集区的个数，nai、naj分别表示聚集区a中车辆i和车辆j的停靠次数，θai、θaj分别表示车辆i和车辆j在聚集区a所在行政区的权重。
根据任意两个车辆之间的关系强度，可以构建车辆关系图。车辆关系图为一种无向加权图；
Gω＝(V，ω)
其中，V为全部货运车辆，ω为车辆之间的权重矩阵：
Figure BDA0003501850590000064
以每个车辆为节点，以车辆之间的关系强度为边的权重，得到车辆关系图。
S103对车辆关系图进行社区分析，得到划分的一个或多个社区。
在一种可能的实现方式中，利用Louvain算法进行社区发现，该算法基于模块度概念，采用聚合思想，也就是分层聚类中的自底向上的做法，适合处理超大规模网络，且支持加权图。
具体地，可根据如下步骤进行社区分析：
(1)将图中的每个节点看成一个独立的社区，社区的数目与节点个数相同；
(2)对每个节点i，依次尝试把节点i分配到其每个邻居节点所在的社区，计算分配前与分配后的模块度变化ΔQ，并记录ΔQ最大的那个邻居节点，如果maxΔQ>0，则把节点i分配ΔQ最大的那个邻居节点所在的社区，否则保持不变；
(3)重复步骤2，直到所有节点的所属社区不再变化；
(4)对图进行压缩，将所有在同一个社区的节点压缩成一个新节点，社区内节点之间的边的权重转化为新节点的环的权重，社区间的边权重转化为新节点间的边权重；
(5)重复步骤2至步骤4直到整个图的模块度不再发生变化。
如图4所示，通过使用Louvain算法进行社区发现，可以得到划分的一个或多个社区。
为了便于理解本申请实施例提供的基于车辆轨迹的隐藏社区发现方法，下面结合附图2进行说明。如图2所示，该方法包括如下步骤。
首先，对车辆的停靠轨迹数据进行聚类，得到车辆的停靠聚集区，然后关联POI数据，去除加油站停靠、维修站停靠等，得到有效聚集区。
进一步地，分析车辆的常跑行政区，统计预设时间段内车辆在各个行政区的停靠次数，并根据停靠次数计算车辆在行政区的停靠权重。根据车辆在行政区的停靠权重以及车辆在各个聚集区的停靠次数，计算任意两个车辆之间的关系强度。根据任意两个车辆之间的关系强度，可以构建车辆关系图。
最后，采用Louvain算法对车辆关系图进行社区分析，得到划分的一个或多个社区。
根据本申请实施例提供的隐藏社区发现方法，基于货运车辆的停靠轨迹数据，通过网格聚类与空间信息关联，建立车辆间的隐藏连接，并通过这种连接关系构造网络图，基于Louvain算法进行社区检测，得到挖掘的多个隐藏社区。为车主社群特征分析、车主社群行为研究、以及精准高效的货运市场拓展提供数据依据。
本申请实施例还提供一种基于车辆轨迹的隐藏社区发现装置，该装置用于执行上述实施例的基于车辆轨迹的隐藏社区发现方法，如图5所示，该装置包括：
聚类模块501，用于采用聚类算法对车辆的停靠轨迹数据进行聚类，得到车辆的聚集区；
关系图构建模块502，用于根据预设时间段内车辆在各个行政区的停靠次数以及车辆在各个聚集区的停靠次数，构建车辆关系图；
社区发现模块503，用于对车辆关系图进行社区分析，得到划分的一个或多个社区。
需要说明的是，上述实施例提供的基于车辆轨迹的隐藏社区发现装置在执行基于车辆轨迹的隐藏社区发现方法时，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，上述实施例提供的基于车辆轨迹的隐藏社区发现装置与基于车辆轨迹的隐藏社区发现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。
本申请实施例还提供一种与前述实施例所提供的基于车辆轨迹的隐藏社区发现方法对应的电子设备，以执行上述基于车辆轨迹的隐藏社区发现方法。
请参考图6，其示出了本申请的一些实施例所提供的一种电子设备的示意图。如图6所示，电子设备包括：处理器600，存储器601，总线602和通信接口603，处理器600、通信接口603和存储器601通过总线602连接；存储器601中存储有可在处理器600上运行的计算机程序，处理器600运行计算机程序时执行本申请前述任一实施例所提供的基于车辆轨迹的隐藏社区发现方法。
其中，存储器601可能包含高速随机存取存储器(RAM：Random Access Memory)，也可能还包括非不稳定的存储器(non-volatile memory)，例如至少一个磁盘存储器。通过至少一个通信接口603(可以是有线或者无线)实现该系统网元与至少一个其他网元之间的通信连接，可以使用互联网、广域网、本地网、城域网等。
总线602可以是ISA总线、PCI总线或EISA总线等。总线可以分为地址总线、数据总线、控制总线等。其中，存储器601用于存储程序，处理器600在接收到执行指令后，执行程序，前述本申请实施例任一实施方式揭示的基于车辆轨迹的隐藏社区发现方法可以应用于处理器600中，或者由处理器600实现。
处理器600可能是一种集成电路芯片，具有信号的处理能力。在实现过程中，上述方法的各步骤可以通过处理器600中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器600可以是通用处理器，包括中央处理器(Central Processing Unit，简称CPU)、网络处理器(Network Processor，简称NP)等；还可以是数字信号处理器(DSP)、专用集成电路(ASIC)、现成可编程门阵列(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。可以实现或者执行本申请实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本申请实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成，或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器，闪存、只读存储器，可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器601，处理器600读取存储器601中的信息，结合其硬件完成上述方法的步骤。
本申请实施例提供的电子设备与本申请实施例提供的基于车辆轨迹的隐藏社区发现方法出于相同的发明构思，具有与其采用、运行或实现的方法相同的有益效果。
本申请实施例还提供一种与前述实施例所提供的基于车辆轨迹的隐藏社区发现方法对应的计算机可读存储介质，请参考图7，其示出的计算机可读存储介质为光盘700，其上存储有计算机程序(即程序产品)，计算机程序在被处理器运行时，会执行前述任意实施例所提供的基于车辆轨迹的隐藏社区发现方法。
需要说明的是，计算机可读存储介质的例子还可以包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他光学、磁性存储介质，在此不再一一赘述。
本申请的上述实施例提供的计算机可读存储介质与本申请实施例提供的基于车辆轨迹的隐藏社区发现方法出于相同的发明构思，具有与其存储的应用程序所采用、运行或实现的方法相同的有益效果。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。

Claims (8)

1.一种基于车辆轨迹的隐藏社区发现方法，其特征在于，包括：
采用聚类算法对车辆的停靠轨迹数据进行聚类，得到车辆的聚集区；
根据预设时间段内车辆在各个行政区的停靠次数以及车辆在各个聚集区的停靠次数，构建车辆关系图，包括：统计预设时间段内车辆在各个行政区的停靠次数，并根据所述停靠次数计算车辆在行政区的停靠权重；根据所述车辆在行政区的停靠权重以及车辆在各个聚集区的停靠次数，计算任意两个车辆之间的关系强度；根据任意两个车辆之间的关系强度构建所述车辆关系图；
对所述车辆关系图进行社区分析，得到划分的一个或多个社区。
2.根据权利要求1所述的方法，其特征在于，根据所述停靠次数计算车辆在行政区的停靠权重，包括：
根据如下公式计算车辆在行政区的停靠权重：
Figure FDA0003945784510000011
其中，θc表示车辆在行政区c的停靠权重，
Figure FDA0003945784510000012
表示车辆的停靠总次数，nc表示车辆在行政区c的停靠总次数，m表示聚集区的个数。
3.根据权利要求1所述的方法，其特征在于，根据所述车辆在行政区的停靠权重以及车辆在各个聚集区的停靠次数，计算任意两个车辆之间的关系强度，包括：
计算第一车辆在目标聚集区所在行政区的权重与第一车辆在目标聚集区的停靠次数的第一乘积；
计算第二车辆在目标聚集区所在行政区的权重与第二车辆在目标聚集区的停靠次数的第二乘积；
将所述第一乘积和第二乘积中数值较小的乘积作为第一车辆和第二车辆在目标聚集区的关系强度；
累加第一车辆和第二车辆在所有聚集区的关系强度，得到第一车辆和第二车辆之间的关系强度。
4.根据权利要求1所述的方法，其特征在于，根据任意两个车辆之间的关系强度构建所述车辆关系图，包括：
以每个车辆为节点，以车辆之间的关系强度为边的权重，得到所述车辆关系图。
5.根据权利要求1所述的方法，其特征在于，采用聚类算法对车辆的停靠轨迹数据进行聚类，得到车辆的聚集区，包括：
获取车辆的轨迹数据，提取所述轨迹数据中的停靠轨迹数据；
采用聚类算法对车辆的停靠轨迹数据进行聚类，得到车辆的初始聚集区；
根据POI数据过滤所述初始聚集区中的预设聚集区，得到过滤后的聚集区，所述预设聚集区包括加油站聚集区、停车场聚集区、维修站聚集区中的一种或多种。
6.一种基于车辆轨迹的隐藏社区发现装置，其特征在于，包括：
聚类模块，用于采用聚类算法对车辆的停靠轨迹数据进行聚类，得到车辆的聚集区；
关系图构建模块，用于根据预设时间段内车辆在各个行政区的停靠次数以及车辆在各个聚集区的停靠次数，构建车辆关系图；其中，所述关系图构建模块，包括：权重计算单元，用于统计预设时间段内车辆在各个行政区的停靠次数，并根据所述停靠次数计算车辆在行政区的停靠权重；关系强度计算单元，用于根据所述车辆在行政区的停靠权重以及车辆在各个聚集区的停靠次数，计算任意两个车辆之间的关系强度；构建单元，用于根据任意两个车辆之间的关系强度构建所述车辆关系图；
社区发现模块，用于对所述车辆关系图进行社区分析，得到划分的一个或多个社区。
7.一种基于车辆轨迹的隐藏社区发现设备，其特征在于，包括处理器和存储有程序指令的存储器，所述处理器被配置为在执行所述程序指令时，执行如权利要求1至5任一项所述的基于车辆轨迹的隐藏社区发现方法。
8.一种计算机可读介质，其特征在于，其上存储有计算机可读指令，所述计算机可读指令被处理器执行以实现如权利要求1至5任一项所述的一种基于车辆轨迹的隐藏社区发现方法。
CN202210129481.0A 2022-02-11 2022-02-11 基于车辆轨迹的隐藏社区发现方法、装置、设备及介质 Active CN114582120B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210129481.0A CN114582120B (zh) 2022-02-11 2022-02-11 基于车辆轨迹的隐藏社区发现方法、装置、设备及介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210129481.0A CN114582120B (zh) 2022-02-11 2022-02-11 基于车辆轨迹的隐藏社区发现方法、装置、设备及介质

Publications (2)

Publication Number Publication Date
CN114582120A CN114582120A (zh) 2022-06-03
CN114582120B true CN114582120B (zh) 2023-01-06

Family

ID=81773640

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210129481.0A Active CN114582120B (zh) 2022-02-11 2022-02-11 基于车辆轨迹的隐藏社区发现方法、装置、设备及介质

Country Status (1)

Country Link
CN (1) CN114582120B (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104636382A (zh) * 2013-11-13 2015-05-20 华为技术有限公司 推理社会关系的方法及装置
CN108319647A (zh) * 2017-12-27 2018-07-24 福建工程学院 一种基于浮动车技术的社交关系发现方法及终端
CN110139231A (zh) * 2019-04-09 2019-08-16 惠州市德赛西威汽车电子股份有限公司 一种基于行车数据的车联网社交方法
CN113222492A (zh) * 2021-03-29 2021-08-06 北京中交兴路信息科技有限公司 一种车辆行驶线路类型的判别方法、装置、存储介质及终端
WO2021202613A1 (en) * 2020-03-31 2021-10-07 Woven Planet North America, Inc. Systems and methods for predicting agent trajectory

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104636382A (zh) * 2013-11-13 2015-05-20 华为技术有限公司 推理社会关系的方法及装置
CN108319647A (zh) * 2017-12-27 2018-07-24 福建工程学院 一种基于浮动车技术的社交关系发现方法及终端
CN110139231A (zh) * 2019-04-09 2019-08-16 惠州市德赛西威汽车电子股份有限公司 一种基于行车数据的车联网社交方法
WO2021202613A1 (en) * 2020-03-31 2021-10-07 Woven Planet North America, Inc. Systems and methods for predicting agent trajectory
CN113222492A (zh) * 2021-03-29 2021-08-06 北京中交兴路信息科技有限公司 一种车辆行驶线路类型的判别方法、装置、存储介质及终端

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
一种基于真实车辆轨迹的车辆关系挖掘方法;赵伟强等;《电脑编程技巧与维护》;20150418(第08期);67-68 *

Also Published As

Publication number Publication date
CN114582120A (zh) 2022-06-03

Similar Documents

Publication Publication Date Title
US20200211374A1 (en) System, method, and apparatus for analyzing a traffic road condition
Wang et al. GSNet: Learning spatial-temporal correlations from geographical and semantic aspects for traffic accident risk forecasting
CN108170793B (zh) 基于车辆语义轨迹数据的停留点分析方法及其系统
CN111612670B (zh) 一种构建机动车排放清单的方法、装置和计算机设备
EP3912150A1 (en) System and method for detection and quantification of irregular traffic congestion
CN110175691B (zh) 规划区域交通运营线路的方法、装置和电子设备
WO2021082464A1 (zh) 预测车辆的目的地的方法和装置
CN104331422A (zh) 一种路段类型推测方法
CN112579718B (zh) 一种城市用地功能的识别方法、装置及终端设备
CN110969190A (zh) 非法营运车辆检测方法、介质、设备及装置
CN114186619A (zh) 车辆停靠点聚类的方法、装置、设备及存储介质
CN112950937A (zh) 基于车辆轨迹预测道路限速值的方法、装置、设备及介质
CN105608895A (zh) 一种基于局部异常因子的城市交通拥堵路段检测方法
Wei et al. Turn-level network traffic bottleneck identification using vehicle trajectory data
CN111369810A (zh) 车辆出行特征获取方法、装置、电子设备及存储介质
CN116703132B (zh) 共享车辆动态调度的管理方法、装置及计算机设备
CN114582120B (zh) 基于车辆轨迹的隐藏社区发现方法、装置、设备及介质
CN111121803B (zh) 获取道路常用停靠点的方法及装置
CN110264725B (zh) 路段流量的确定方法及装置
CN116664025A (zh) 装卸货位置点生成方法、装置及设备
CN113706870B (zh) 一种拥堵场景下主车换道数据的收集方法及相关设备
CN115294773A (zh) 一种公交专用道优化配置方法、电子设备及存储介质
Galba et al. Public transportation bigdata clustering
CN112581060A (zh) 基于车辆装卸点的配货需求度检测方法、装置及设备
CN111161120B (zh) 一种卡口位置的确定方法及卡口管理装置

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