CN114613151A - 一种货车od确定方法、系统、设备及存储介质 - Google Patents
一种货车od确定方法、系统、设备及存储介质 Download PDFInfo
- Publication number
- CN114613151A CN114613151A CN202210503205.6A CN202210503205A CN114613151A CN 114613151 A CN114613151 A CN 114613151A CN 202210503205 A CN202210503205 A CN 202210503205A CN 114613151 A CN114613151 A CN 114613151A
- Authority
- CN
- China
- Prior art keywords
- truck
- data
- license plate
- bayonet
- land
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 77
- 238000003860 storage Methods 0.000 title claims abstract description 21
- 238000009826 distribution Methods 0.000 claims abstract description 28
- 230000002159 abnormal effect Effects 0.000 claims abstract description 7
- 238000013075 data extraction Methods 0.000 claims abstract description 5
- 230000008569 process Effects 0.000 claims description 31
- 238000004590 computer program Methods 0.000 claims description 14
- 230000009191 jumping Effects 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 8
- 230000002093 peripheral effect Effects 0.000 claims description 5
- 230000009467 reduction Effects 0.000 claims description 4
- 239000000284 extract Substances 0.000 claims description 2
- 238000007726 management method Methods 0.000 abstract description 11
- 238000004458 analytical method Methods 0.000 abstract description 3
- 238000010586 diagram Methods 0.000 description 7
- 230000006870 function Effects 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000005314 correlation function Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
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
- G08G1/017—Detecting movement of traffic to be counted or controlled identifying vehicles
- G08G1/0175—Detecting movement of traffic to be counted or controlled identifying vehicles by photographing vehicles, e.g. when violating traffic rules
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/123—Traffic control systems for road vehicles indicating the position of vehicles, e.g. scheduled vehicles; Managing passenger vehicles circulating according to a fixed timetable, e.g. buses, trains, trams
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Traffic Control Systems (AREA)
Abstract
一种货车OD确定方法、系统、设备及存储介质，属于交通规划和交通需求管理技术领域。本发明包括包括以下步骤：步骤S1、从卡口车牌识别数据中提取黄色车牌数据，清除异常数据，解析卡口经纬度坐标；步骤S2、根据货车与大中型客车、公交车的出行特征差异，从黄色车牌数据中提取货车数据，将货车OD定位到卡口位置；步骤S3、将定位到卡口位置的货车OD结合周边用地性质，将OD精确定位到地块，得到货车交通分布。本发明的系统包括数据提取模块、异常清除模块、货车OD卡口定位模块和货车交通量OD生成模块。本发明为货车出行特征研究提供分析依据，为城市管理、交通规划等相关领域工作提供了技术支撑。
Description
技术领域
本发明涉及一种基于卡口车牌识别数据实现货车OD分布方法、系统、设备及介质，属于交通规划和交通需求管理技术领域。
背景技术
OD调查即交通起止点调查，又称OD交通量调查，OD交通量就是指起终点间的交通出行量，通常利用个人出行调查和机动车OD调查等来获取OD交通量。这其中又可分为客流OD调查和货流OD调查。客流OD调查的调查内容主要有起止点分布、出行目的、出行方式、出行时间、出行距离、出行次数等。由此可以确定公交线网上的乘客分布规律，为公交线网优化提供数据，也可以确定各线路的乘客平均乘距及乘客平均乘行时间，建立居民出行量与车流量之间的换算关系。通过个人出行调查获得的数据是进行城市综合交通体系规划与评价的基础数据。货流OD调查内容主要有各单位的货运人，运出量、调查日各交通区之间及各交通区与外地之间的货物来往量、各单位历年的一些基础数据等。由此可以为分析、预测货物发生（即各交通区的货运人、运出量），分布（即各交通区之间及交通区与外地之间的货物来往量）提供必要的基础数据。
对于具有大量工业仓储用地、大型港口等货运交通较为发达的城市，货运交通对城市整体交通运行态势的影响愈发重要。货运交通研究离不开对货车OD的提取分析，但现状卡口车牌识别数据难以精确区分车辆类型，且提取的OD只能定位到道路上；从货车GPS数据中提取出的货车OD，受制于样本的覆盖率问题，不可能掌握一个城市的货车出行行为特征。现有的货车OD识别方法主要包括以下两种：
1、基于卡口车牌识别数据，提取带有时间标签的车辆所经过卡口的集合，得到定位到卡口位置的车辆OD。
2、基于货车GPS数据，在货车连续轨迹中通过算法识别货车停留点，提取作为货车OD。现有的这两种方法主要存在以下缺点：
首先，基于卡口车牌识别数据，提取带有时间标签的车辆所经过卡口的集合，得到定位到卡口位置的车辆OD，虽然卡口车牌识别数据中含有可区分客车、货车等车辆类型的字段，但该字段对交警执法帮助不大，准确识别车辆类型将消耗大量算力，并不经济，因此由于算力限制，卡口车牌识别数据车辆类型字段不可用，为提取货车OD，需根据货车出行特征从卡口车牌识别数据中提取货车数据。除此之外，从中提取的车辆OD只能定位到卡口的位置上，即定位到道路交叉口或路段上，而现实中车辆的OD必然在地块上。
其次，基于货车GPS数据，在货车连续轨迹中通过算法识别货车停留点，提取作为货车OD，由于各省的货车GPS数据由各省进行管理，研究一个城市的货运交通只能对注册在省内的货车GPS数据提取货车OD，对于有大量外省市货车在市内运行的城市，样本缺乏代表性。
基于上述陈述，亟需提出一种货车OD确定方法，根据货车和其他类型车辆的出行特征差异，解决从车辆数据中提取货车数据的问题。
发明内容
本发明的目的在于提供一种货车OD确定方法、系统、设备及存储介质，根据货车和其他类型车辆的出行特征差异，解决了从所有车辆数据中提取货车数据的问题；结合卡口周边的用地数据构建概率计算公式，解决了从卡口车牌识别数据中提取出的OD难以定位到周边地块上的问题；利用卡口布设的广覆盖率，解决了利用货车GPS数据提取出的货车OD难以解决的样本缺乏代表性的问题，提取出的货车OD能为货车出行特征研究提供分析依据。在下文中给出了关于本发明的简要概述，以便提供关于本发明的某些方面的基本理解。应当理解，这个概述并不是关于本发明的穷举性概述。它并不是意图确定本发明的关键或重要部分，也不是意图限定本发明的范围。
本发明提供了一种货车OD确定方法，包括以下步骤：
步骤S1、从卡口车牌识别数据中提取黄色车牌数据，清除异常数据，解析卡口经纬度坐标；
步骤S2、根据货车与大中型客车、公交车的出行特征差异，从黄色车牌数据中提取货车数据，将货车OD定位到卡口位置；
步骤S3、将定位到卡口位置的货车OD结合周边用地性质，将OD精确定位到地块，得到货车交通分布。
进一步地：所述步骤S1中，从卡口车牌识别数据中提取黄色车牌数据具体是从卡口数据中提取所需字段，字段包括车牌、卡口编号、过车时间、车牌颜色。
进一步地：所述步骤S1中，清除异常数据根据以下条件清除异常数据：（1）删除车牌字段为无车牌、车牌的错误记录；（2）删除车牌、卡口编号、过车时间、车道编号任一字段数据为空的记录。
进一步地：所述步骤S1中，解析卡口经纬度坐标的具体方法是：首先将卡口名称作为输入参数，输入到开放的高德地理逆编译接口上，该接口将根据卡口名称解析出经纬度坐标及其对应的地址作为输出地址，其次，人工判断输出地址和卡口名称是否为同一地点，若二者描述的不是同一地点，则在高德坐标拾取网页，根据卡口名称，人工拾取坐标。
进一步地：步骤S2的具体方法为：
步骤S21、根据步骤S1中解析出的卡口经度与纬度坐标之和、城市限货管理区域和旅游景区区域的覆盖范围，判断卡口是否落在城市限货管理区域和旅游景区区域，落在城市限货管理区域和旅游景区区域的卡口标记为限货区域卡口或旅游景区卡口；
步骤S22、凡禁货时间内，在限货区域卡口或在旅游景区卡口留下车牌识别数据的车辆，均认定为大中型客车，从黄色车牌数据中删除大中型客车的数据；
步骤S23、基于车牌的唯一性，从删除大中型客车后的数据中提取每一辆车的数据，其中，每一条卡口车牌识别数据即为车辆的一个轨迹点，所有数据形成了轨迹数据集合，通过轨迹数据集合推算定位到卡口位置上的车辆OD，具体方法如下：
（1）一辆车一天内共x个轨迹点，x>1；
（2）第1个轨迹点为第1次行程的O点，n=1；
（3）判断n是否等于x-1，若是，跳至过程（7），若否，继续执行下一过程；
（4）计算第n+1个轨迹和第n个轨迹的时间差，若时间差大于等于2小时，继续执行下一过程，若时间差小于2个小时，跳至过程（6）；
（5）第n个轨迹点为本次行程的D点，第n+1个轨迹点为下次行程的O点；
（6）n=n+1，跳至过程（3）；
（7）第n+1个轨迹点为本次行程的D点，流程结束；
执行过程（1）至过程（7），逐一识别每一辆车的数据，导出定位到卡口的OD表；
步骤S24、计算车辆OD两点经纬度直线距离和经过各轨迹点之间的距离之和，如果二者的比值小于0.5，则将所述车辆定义为折返行驶的公交车，根据公交车和货车出行特征的差异，从OD表中剔除公交车的数据。
进一步地：步骤S3中将定位到卡口位置的货车OD结合周边用地性质，将OD精确定位到地块，得到货车交通分布，具体是结合地块类型、地块和卡口距离与地块面积，构建卡口OD分配到地块上的概率计算公式，将定位到卡口的OD定位到地块上得到货车交通分布，具体步骤如下：
步骤S31、导入“待分析样地”用地数据，用地数据包含地块编号、地块类型、面积、中心点经纬度坐标，根据地块中心点经纬度坐标和步骤S1中解析出的卡口经纬度坐标，计算卡口与周边地块的经纬度直线距离，提取与卡口距离最近的10个商业/工业/仓储用地作为备选地块，根据地块类型、距离和地块面积计算OD分配到地块上的概率，概率计算公式如下：
其中，
为地块i的地块类型折减系数，工业/仓储用地为1.0，商业用地为0.3；
为地块i面积；
为地块i到卡口的距离；
根据以上公式，计算得出概率，根据概率，对[0，1]区间分段，将概率转化为随机数区间，得到卡口与地块匹配表；
步骤S32、为步骤S2得到的定位到卡口的车辆OD表中每一行的O点卡口和D点卡口各自生成一个0-1之间的随机数，判断随机数落在哪个区间，将O点和D点匹配对应的地块，导出定位到地块的车辆OD表；
步骤S33、将定位到地块的车辆OD表，导入TransCad软件中，生成货车交通量OD分布期望线图。
一种货车OD确定系统，包括数据提取模块、异常清除模块、货车OD卡口定位模块和货车交通量OD生成模块；
数据提取模块用于从卡口车牌识别数据中提取黄色车牌数据；
异常清除模块用于清除黄色车牌数据中“车牌字段为无车牌、车牌的错误记录”和“车牌、卡口编号、过车时间、车道编号任一字段数据为空的记录”；
货车OD卡口定位模块根据货车与大中型客车、公交车的出行特征差异，从黄色车牌数据中提取货车数据，将货车OD定位到卡口位置；
货车交通量OD生成模块用于将定位到卡口位置的货车OD结合周边用地性质，将OD精确定位到地块，得到货车交通量OD分布期望线图。
进一步地：货车交通量OD生成模块生成的货车交通量OD分布期望线图支持 pdf、jpg、bmp、tif、html 输出格式。
一种货车OD确定设备，包括存储器和处理器，存储器存储有计算机程序，所述的处理器执行所述计算机程序时实现一种货车OD确定方法的步骤。
一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现一种货车OD确定方法。
本发明具有以下有益效果：
1、本发明提供了一种具有极高样本覆盖率的货车OD确定方法：利用具有广覆盖率的卡口车牌识别数据，根据货车出行特征，从中提取货车数据，并结合卡口周边用地属性，将货车OD定位到地块上。本发明为货车出行特征研究提供分析依据，为城市管理、交通规划等相关领域工作提供了技术支撑；
2、本发明具有很强的复用性，可推广至不同类型的城市。
附图说明
图1是一种货车OD确定方法流程图；
图2是卡口数据所需字段示意图；
图3是卡口位置地理逆编译；
图4是无锡市限货和景区区域；
图5是一辆车的卡口车牌识别数据；
图6是卡口轨迹数据推算OD流程图；
图7是定位到卡口的车辆OD表；
图8是无锡市现状用地数据表；
图9是卡口与地块匹配表；
图10是定位到地块的车辆OD表；
图11是无锡市货车交通量OD分布期望线图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明了，下面通过附图中示出的具体实施例来描述本发明。但是应该理解，这些描述只是示例性的，而并非要限制本发明的范围。此外，在以下说明中，省略了对公知结构和技术的描述，以避免不必要地混淆本发明的概念。
具体实施方式一：
结合图1说明本实施方式，本实施方式提出一种货车OD确定方法，具体是一种基于卡口车牌识别数据的货车OD确定方法，包括以下步骤：
步骤S1、从卡口车牌识别数据中提取黄色车牌数据，清除异常数据，解析卡口经纬度坐标；
步骤S1为数据预处理阶段，具体包括：
步骤S11：从卡口数据中提取所需字段，字段包括车牌、卡口编号、过车时间、车牌颜色，图2所示。虽然卡口数据中含有可区分客车、货车等车辆类型的字段，但准确识别车辆类型将消耗大量算力，并不经济，一般不会为其部署足够的算力，识别结果大多为无法识别。因此需要先提取车牌颜色为黄牌的数据，再进一步从中筛选出货车数据；
步骤S12：清除异常数据，根据以下条件清除异常数据：（1）删除车牌字段为无车牌、车牌的错误记录；（2）删除车牌、卡口编号、过车时间、车道编号任一字段数据为空的记录；
步骤S13：地理逆编译，将卡口名称作为输入参数，输入到开放的高德地理逆编译接口上，该接口将根据卡口名称解析出经纬度坐标及其对应的地址作为输出地址，输出数据见图3。人工判断输出地址和卡口名称是否为同一地点，若二者描述的不是同一地点，则在高德坐标拾取网页，根据卡口名称，人工拾取坐标。
步骤S2、根据货车与大中型客车、公交车的出行特征差异，从黄色车牌数据中提取货车数据，将货车OD定位到卡口位置；步骤S2中创新性地根据大中型客车与货车的出行分布差异，公交车与货车的出行特征差异，从黄色车牌数据中剔除大中型客车和公交车数据，提取货车数据，具体步骤为：
步骤S21、根据步骤S1中解析出的卡口经度与纬度坐标之和、城市限货管理区域和旅游景区区域的覆盖范围，判断卡口是否落在城市限货管理区域和旅游景区区域，落在城市限货管理区域和旅游景区区域的卡口标记为限货区域卡口或旅游景区卡口；
步骤S22、凡禁货时间内，在限货区域卡口或在旅游景区卡口留下车牌识别数据的车辆，均认定为大中型客车，从黄色车牌数据中删除大中型客车的数据；
步骤S23、基于车牌的唯一性，从删除大中型客车后的数据中提取每一辆车的数据，其中，每一条卡口车牌识别数据即为车辆的一个轨迹点，所有数据形成了轨迹数据集合，通过轨迹数据集合推算定位到卡口位置上的车辆OD，具体过程如下：
（1）一辆车一天内共x个轨迹点，x>1；
（2）第1个轨迹点为第1次行程的O点，n=1；
（3）判断n是否等于x-1，若是，跳至过程（7），若否，继续执行下一过程；
（4）计算第n+1个轨迹和第n个轨迹的时间差，若时间差大于等于2小时，继续执行下一过程，若时间差小于2个小时，跳至过程（6）；
（5）第n个轨迹点为本次行程的D点，第n+1个轨迹点为下次行程的O点；
（6）n=n+1，跳至过程（3）；
（7）第n+1个轨迹点为本次行程的D点，流程结束；
执行过程（1）至过程（7），逐一识别每一辆车的数据，导出定位到卡口的OD表；
步骤S24、计算车辆OD两点经纬度直线距离和经过各轨迹点之间的距离之和，如果二者的比值小于0.5，则将所述车辆定义为折返行驶的公交车，根据公交车和货车出行特征的差异，从OD表中剔除公交车的数据。
步骤S3、将定位到卡口位置的货车OD结合周边用地性质，将OD精确定位到地块，得到货车交通分布，具体包括以下步骤：
步骤S31、导入“待分析样地”用地数据，用地数据包含地块编号、地块类型、面积、中心点经纬度坐标，根据地块中心点经纬度坐标和步骤S1中解析出的卡口经纬度坐标，计算卡口与周边地块的经纬度直线距离，提取与卡口距离最近的10个商业/工业/仓储用地作为备选地块，根据地块类型、距离和地块面积计算OD分配到地块上的概率，概率计算公式如下：
其中，
为地块i的地块类型折减系数，工业/仓储用地为1.0，商业用地为0.3；
为地块i面积；
为地块i到卡口的距离；
根据以上公式，计算得出概率，根据概率，对[0，1]区间分段，将概率转化为随机数区间，得到卡口与地块匹配表；
步骤S32、为步骤S2得到的定位到卡口的车辆OD表中每一行的O点卡口和D点卡口各自生成一个0-1之间的随机数，判断随机数落在哪个区间，将O点和D点匹配对应的地块，导出定位到地块的车辆OD表；
步骤S33、将定位到地块的车辆OD表，导入TransCad软件中，生成货车交通量OD分布期望线图。
具体实施方式二：
本实施方式以无锡市为例，在步骤S2中、根据货车与大中型客车、公交车的出行特征差异，从黄色车牌数据中提取货车数据，将货车OD定位到卡口位置的具体实现方法是：
步骤S21：由于黄色车牌适用于大中型客车、公交车、货车等，因此需要参考城市限货管理区域和旅游景区区域位置，根据大中型客车与货车不同的出行分布差异，从黄色车牌数据中剔除大中型客车数据。具体步骤如下：
①以无锡市为例，图4为无锡市不同禁货时间的限货区域和旅游景区区域，通过Arcmap软件的空间关联功能，根据步骤S1中解析出的卡口经纬度和上述区域的覆盖范围，判断卡口是否落在上述区域，落在上述区域的卡口标记为限货区域卡口或旅游景区卡口；
②凡在禁货时间在限货区域卡口或在旅游景区卡口留下车牌识别数据的车辆，均认定为大中型客车，从黄色车牌数据中删除该类车辆的数据；
步骤22：基于车牌的唯一性，从删除大中型客车的数据中提取每一辆车的数据，以一辆车的数据为例，见图5，每一条卡口车牌识别数据即为车辆的一个轨迹点，所有数据形成了轨迹数据集合。
通过轨迹数据集合推算定位到卡口位置上的车辆OD， OD推算流程图见图6，具体过程如下：
①一辆车一天内共x个轨迹点，x>1；
②第1个轨迹点为第1次行程的O点，n=1；
③判断n是否等于x-1，若是，跳至过程⑦，若否，继续执行下一过程；
④计算第n+1个轨迹和第n个轨迹的时间差，若时间差大于等于2小时，继续执行下一过程，若时间差小于2个小时，跳至过程⑥；
⑤第n个轨迹点为本次行程的D点，第n+1个轨迹点为下次行程的O点；
⑥n=n+1，跳至过程③；
⑦第n+1个轨迹点为本次行程的D点，流程结束。
根据上述推算方法，导出定位到卡口的OD表，见图7；
步骤2.3：计算车辆OD两点经纬度直线距离和经过各轨迹点之间的距离之和，如果二者的比值小于0.5，则将该种车辆定义为折返行驶的公交车，即根据公交车和货车出行特征的差异，从OD表中剔除公交车的数据。
具体实施方式三：
本实施方式以无锡市为例，步骤S3、将定位到卡口位置的货车OD结合周边用地性质，将OD精确定位到地块，得到货车交通分布，具体包括以下步骤：
步骤S31：导入无锡市现状用地数据，数据包含地块编号、地块类型、面积、中心点经纬度坐标四个字段，见图8。
根据地块中心点经纬度坐标和步骤S1中解析出的卡口经纬度坐标，计算卡口与周边地块的经纬度直线距离，提取和卡口距离最近的10个商业/工业/仓储用地作为备选地块，根据地块类型、距离和地块面积计算OD分配到地块上的概率，概率计算公式如下：
其中，
为地块i的地块类型折减系数，工业/仓储用地为1.0，商业用地为0.3；
为地块i面积；
为地块i到卡口的距离。
根据以上公式，计算得出概率，根据概率，对[0,1]区间分段，将概率转化为随机数区间，得到卡口与地块匹配表，见图9；
步骤S32：为步骤S23得到的定位到卡口的车辆OD表中每一行的O点卡口和D点卡口各自生成一个0-1之间的随机数，判断随机数落在哪个区间，将O点和D点匹配对应的地块，导出定位到地块的车辆OD表，见图10；
步骤S33：将定位到地块的车辆OD表，导入TransCad软件中，可生成无锡市的货车交通量OD分布期望线图，见图11。
具体实施方式四：
本领域内的技术人员通过上述实施例提及的系统及方法，本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，模块之间也可根据计算机逻辑结构进行重新组织。而且，本实施例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。
根据本实施例的方法、设备（系统）、和计算机程序产品的流程图或方框图来描述的。应理解可由计算机程序指令实现流程图或方框图中的每一流程或方框、以及流程图或方框图中的流程或方框的结合。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或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中，计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
存储器可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flashRAM)。存储器是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，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)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitorymedia)，如调制的数据信号和载波。
本实施方式只是对本专利的示例性说明，并不限定它的保护范围，本领域技术人员还可以对其局部进行改变，只要没有超出本专利的精神实质，都在本专利的保护范围内。
Claims (10)
1.一种货车OD确定方法，其特征在于，包括以下步骤：
步骤S1、从卡口车牌识别数据中提取黄色车牌数据，清除异常数据，解析卡口经纬度坐标；
步骤S2、根据货车与大中型客车、公交车的出行特征差异，从黄色车牌数据中提取货车数据，将货车OD定位到卡口位置；
步骤S3、将定位到卡口位置的货车OD结合周边用地性质，将OD精确定位到地块，得到货车交通分布。
2.根据权利要求1所述的一种货车OD确定方法，其特征在于：所述步骤S1中，从卡口车牌识别数据中提取黄色车牌数据具体是从卡口数据中提取所需字段，字段包括车牌、卡口编号、过车时间、车牌颜色。
3.根据权利要求1所述的一种货车OD确定方法，其特征在于：所述步骤S1中，清除异常数据根据以下条件清除异常数据：（1）删除车牌字段为无车牌、车牌的错误记录；（2）删除车牌、卡口编号、过车时间、车道编号任一字段数据为空的记录。
4.根据权利要求1所述的一种货车OD确定方法，其特征在于：所述步骤S1中，解析卡口经纬度坐标的具体方法是：首先将卡口名称作为输入参数，输入到开放的高德地理逆编译接口上，该接口将根据卡口名称解析出经纬度坐标及其对应的地址作为输出地址，其次，人工判断输出地址和卡口名称是否为同一地点，若二者描述的不是同一地点，则在高德坐标拾取网页，根据卡口名称，人工拾取坐标。
5.根据权利要求1所述的一种货车OD确定方法，其特征在于：步骤S2的具体方法为：
步骤S21、根据步骤S1中解析出的卡口经度与纬度坐标之和、城市限货管理区域和旅游景区区域的覆盖范围，判断卡口是否落在城市限货管理区域和旅游景区区域，落在城市限货管理区域和旅游景区区域的卡口标记为限货区域卡口或旅游景区卡口；
步骤S22、凡禁货时间内，在限货区域卡口或在旅游景区卡口留下车牌识别数据的车辆，均认定为大中型客车，从黄色车牌数据中删除大中型客车的数据；
步骤S23、基于车牌的唯一性，从删除大中型客车后的数据中提取每一辆车的数据，其中，每一条卡口车牌识别数据即为车辆的一个轨迹点，所有数据形成了轨迹数据集合，通过轨迹数据集合推算定位到卡口位置上的车辆OD，具体过程如下：
（1）一辆车一天内共x个轨迹点，x>1；
（2）第1个轨迹点为第1次行程的O点，n=1；
（3）判断n是否等于x-1，若是，跳至过程（7），若否，继续执行下一过程；
（4）计算第n+1个轨迹和第n个轨迹的时间差，若时间差大于等于2小时，继续执行下一过程，若时间差小于2个小时，跳至过程（6）；
（5）第n个轨迹点为本次行程的D点，第n+1个轨迹点为下次行程的O点；
（6）n=n+1，跳至过程（3）；
（7）第n+1个轨迹点为本次行程的D点，流程结束；
执行过程（1）至过程（7），逐一识别每一辆车的数据，导出定位到卡口的OD表；
步骤S24、计算车辆OD两点经纬度直线距离和经过各轨迹点之间的距离之和，如果二者的比值小于0.5，则将所述车辆定义为折返行驶的公交车，根据公交车和货车出行特征的差异，从OD表中剔除公交车的数据。
6.根据权利要求1所述的一种货车OD确定方法，其特征在于：步骤S3中将定位到卡口位置的货车OD结合周边用地性质，将OD精确定位到地块，得到货车交通分布，具体是结合地块类型、地块和卡口距离与地块面积，构建卡口OD分配到地块上的概率计算公式，将定位到卡口的OD定位到地块上得到货车交通分布，具体步骤如下：
步骤S31、导入“待分析样地”用地数据，用地数据包含地块编号、地块类型、面积、中心点经纬度坐标，根据地块中心点经纬度坐标和步骤S1中解析出的卡口经纬度坐标，计算卡口与周边地块的经纬度直线距离，提取与卡口距离最近的10个商业/工业/仓储用地作为备选地块，根据地块类型、距离和地块面积计算OD分配到地块上的概率，概率计算公式如下：
其中，
为地块i的地块类型折减系数，工业/仓储用地为1.0，商业用地为0.3；
为地块i面积；
为地块i到卡口的距离；
根据以上公式，计算得出概率，根据概率，对[0，1]区间分段，将概率转化为随机数区间，得到卡口与地块匹配表；
步骤S32、为步骤S2得到的定位到卡口的车辆OD表中每一行的O点卡口和D点卡口各自生成一个0-1之间的随机数，判断随机数落在哪个区间，将O点和D点匹配对应的地块，导出定位到地块的车辆OD表；
步骤S33、将定位到地块的车辆OD表，导入TransCad软件中，生成货车交通量OD分布期望线图。
7.一种货车OD确定系统，其特征在于，包括数据提取模块、异常清除模块、货车OD卡口定位模块和货车交通量OD生成模块；
数据提取模块用于从卡口车牌识别数据中提取黄色车牌数据；
异常清除模块用于清除黄色车牌数据中“车牌字段为无车牌、车牌的错误记录”和“车牌、卡口编号、过车时间、车道编号任一字段数据为空的记录”；
货车OD卡口定位模块根据货车与大中型客车、公交车的出行特征差异，从黄色车牌数据中提取货车数据，将货车OD定位到卡口位置；
货车交通量OD生成模块用于将定位到卡口位置的货车OD结合周边用地性质，将OD精确定位到地块，得到货车交通量OD分布期望线图。
8.根据权利要求7所述的一种货车OD确定系统，其特征在于：货车交通量OD生成模块生成的货车交通量OD分布期望线图支持 pdf、jpg、bmp、tif、html 输出格式。
9.一种货车OD确定设备，其特征在于，包括存储器和处理器，存储器存储有计算机程序，所述的处理器执行所述计算机程序时实现权利要求1至6任一项所述的一种货车OD确定方法的步骤。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至6任一项所述的一种货车OD确定方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210503205.6A CN114613151B (zh) | 2022-05-10 | 2022-05-10 | 一种货车od确定方法、系统、设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210503205.6A CN114613151B (zh) | 2022-05-10 | 2022-05-10 | 一种货车od确定方法、系统、设备及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114613151A true CN114613151A (zh) | 2022-06-10 |
| CN114613151B CN114613151B (zh) | 2022-09-23 |
Family
ID=81867949
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210503205.6A Active CN114613151B (zh) | 2022-05-10 | 2022-05-10 | 一种货车od确定方法、系统、设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114613151B (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115410375A (zh) * | 2022-11-02 | 2022-11-29 | 华路易云科技有限公司 | 一种基于雷卡融合交通数据的融合交通指标集生成方法 |
| CN116187871A (zh) * | 2023-04-27 | 2023-05-30 | 广州市交通规划研究院有限公司 | 一种基于多源数据的公路货运交通模型构建方法 |
| CN117392854A (zh) * | 2023-12-13 | 2024-01-12 | 深圳市城市交通规划设计研究中心股份有限公司 | 一种基于高速公路收费数据提取行政区域od方法 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104966049A (zh) * | 2015-06-01 | 2015-10-07 | 江苏大为科技股份有限公司 | 基于图像的货车检测方法 |
| CN206646344U (zh) * | 2017-09-30 | 2017-11-17 | 彭章义 | 与高速公路相连接的物流分拣场所 |
| CN108021879A (zh) * | 2017-11-30 | 2018-05-11 | 天津天地基业科技有限公司 | 一种基于视频图像的交通车辆类型识别方法 |
| CN111191604A (zh) * | 2019-12-31 | 2020-05-22 | 上海眼控科技股份有限公司 | 检测车牌完整性的方法、设备和存储介质 |
| CN111950368A (zh) * | 2020-07-09 | 2020-11-17 | 深圳神目信息技术有限公司 | 货运车辆监控方法、装置、电子设备和介质 |
| CN112382083A (zh) * | 2020-10-13 | 2021-02-19 | 厦门市交通研究中心 | 一种基于gps数据的货运交通od分析方法、装置及设备 |
| CN112767688A (zh) * | 2020-12-27 | 2021-05-07 | 交通运输部规划研究院 | 一种基于交通量观测数据的区域路网货车流量分配方法 |
| KR20210149448A (ko) * | 2020-06-02 | 2021-12-09 | 정재환 | 외부기기 제어 및 차량번호판 인식기능을 가진 영상감시장치 |
-
2022
- 2022-05-10 CN CN202210503205.6A patent/CN114613151B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104966049A (zh) * | 2015-06-01 | 2015-10-07 | 江苏大为科技股份有限公司 | 基于图像的货车检测方法 |
| CN206646344U (zh) * | 2017-09-30 | 2017-11-17 | 彭章义 | 与高速公路相连接的物流分拣场所 |
| CN108021879A (zh) * | 2017-11-30 | 2018-05-11 | 天津天地基业科技有限公司 | 一种基于视频图像的交通车辆类型识别方法 |
| CN111191604A (zh) * | 2019-12-31 | 2020-05-22 | 上海眼控科技股份有限公司 | 检测车牌完整性的方法、设备和存储介质 |
| KR20210149448A (ko) * | 2020-06-02 | 2021-12-09 | 정재환 | 외부기기 제어 및 차량번호판 인식기능을 가진 영상감시장치 |
| CN111950368A (zh) * | 2020-07-09 | 2020-11-17 | 深圳神目信息技术有限公司 | 货运车辆监控方法、装置、电子设备和介质 |
| CN112382083A (zh) * | 2020-10-13 | 2021-02-19 | 厦门市交通研究中心 | 一种基于gps数据的货运交通od分析方法、装置及设备 |
| CN112767688A (zh) * | 2020-12-27 | 2021-05-07 | 交通运输部规划研究院 | 一种基于交通量观测数据的区域路网货车流量分配方法 |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115410375A (zh) * | 2022-11-02 | 2022-11-29 | 华路易云科技有限公司 | 一种基于雷卡融合交通数据的融合交通指标集生成方法 |
| CN116187871A (zh) * | 2023-04-27 | 2023-05-30 | 广州市交通规划研究院有限公司 | 一种基于多源数据的公路货运交通模型构建方法 |
| CN117392854A (zh) * | 2023-12-13 | 2024-01-12 | 深圳市城市交通规划设计研究中心股份有限公司 | 一种基于高速公路收费数据提取行政区域od方法 |
| CN117392854B (zh) * | 2023-12-13 | 2024-03-26 | 深圳市城市交通规划设计研究中心股份有限公司 | 一种基于高速公路收费数据提取行政区域od方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114613151B (zh) | 2022-09-23 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN114613151B (zh) | 一种货车od确定方法、系统、设备及存储介质 | |
| Holl et al. | The geography of logistics firm location: the role of accessibility | |
| CN112447041B (zh) | 识别车辆的营运行为的方法、装置及计算设备 | |
| CN111612670B (zh) | 一种构建机动车排放清单的方法、装置和计算机设备 | |
| CN103177412A (zh) | 一种出租车载客信息的计算方法和系统 | |
| You et al. | A GPS data processing framework for analysis of drayage truck tours | |
| CN113538072A (zh) | 一种货运车辆的出行链智能识别方法、装置及电子设备 | |
| Oskarbski et al. | Potential for ITS/ICT solutions in urban freight management | |
| CN110969190A (zh) | 非法营运车辆检测方法、介质、设备及装置 | |
| CN114298642A (zh) | 从轨迹数据中提取城市内货车出行od的方法 | |
| Sakai et al. | Location choice models of urban logistics facilities and the impact of zoning on their spatial distribution and efficiency | |
| Yeow et al. | Using spatially explicit commodity flow and truck activity data to map urban material flows | |
| Heitz et al. | Rethinking data collection on logistics facilities: New approach for determining the number and spatial distribution of warehouses and terminals in metropolitan areas | |
| CN114186619A (zh) | 车辆停靠点聚类的方法、装置、设备及存储介质 | |
| Cyril et al. | Electronic ticket machine data analytics for public bus transport planning | |
| Asborno et al. | GIS-based identification and visualization of multimodal freight transportation catchment areas | |
| Fageda et al. | Port charges in Spain: the roles of regulation and market forces | |
| CN114169588A (zh) | 一种交通运力的预测方法、装置、设备及存储介质 | |
| Wei et al. | Recognition of operating characteristics of heavy trucks based on the identification of GPS trajectory stay points | |
| Ferreira Jr et al. | Estimating the Vehicle‐Miles‐Traveled Implications of Alternative Metropolitan Growth Scenarios: AB oston Example | |
| Guerson et al. | Brazilian national program for vehicle overload prevention: pilot application | |
| Ribeiro et al. | Real-Time Detection of Vehicle-Based Logistics Operations | |
| EP4209951A1 (en) | A method, a computer program product and a device for dynamic spatial anonymization of vehicle data in a cloud environment | |
| Pennetti | Improving Supply Chain Logistics with Agent-Based Spatiotemporal Mechanistic Enumeration and Probe Vehicle Data | |
| CN117726252A (zh) | 货物类型确定方法、装置、电子设备和存储介质 |
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 |