CN114676174B - 一种堆积车辆识别方法、系统及计算机存储介质 - Google Patents

一种堆积车辆识别方法、系统及计算机存储介质 Download PDF

Info

Publication number
CN114676174B
CN114676174B CN202210295436.2A CN202210295436A CN114676174B CN 114676174 B CN114676174 B CN 114676174B CN 202210295436 A CN202210295436 A CN 202210295436A CN 114676174 B CN114676174 B CN 114676174B
Authority
CN
China
Prior art keywords
vehicle
vehicles
preset
position information
real
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
CN202210295436.2A
Other languages
English (en)
Other versions
CN114676174A (zh
Inventor
滕志勇
刘永威
刘丁
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 Apoco Blue Technology Co ltd
Original Assignee
Beijing Apoco Blue 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 Apoco Blue Technology Co ltd filed Critical Beijing Apoco Blue Technology Co ltd
Priority to CN202210295436.2A priority Critical patent/CN114676174B/zh
Publication of CN114676174A publication Critical patent/CN114676174A/zh
Application granted granted Critical
Publication of CN114676174B publication Critical patent/CN114676174B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/24—Querying
    • G06F16/245—Query processing
    • G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
    • G06F16/2477—Temporal data queries
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/24—Querying
    • G06F16/245—Query processing
    • G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
    • G06F16/2462—Approximate or statistical queries
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/29—Geographical information databases
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/24323—Tree-organised classifiers
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
    • G06Q10/06311—Scheduling, planning or task assignment for a person or group
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/40—Business processes related to the transportation industry

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Databases & Information Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Strategic Management (AREA)
  • Probability & Statistics with Applications (AREA)
  • Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Fuzzy Systems (AREA)
  • Computational Linguistics (AREA)
  • General Business, Economics & Management (AREA)
  • Software Systems (AREA)
  • Tourism & Hospitality (AREA)
  • Mathematical Physics (AREA)
  • Marketing (AREA)
  • Game Theory and Decision Science (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Educational Administration (AREA)
  • Development Economics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Remote Sensing (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明涉及数据处理技术领域，特别涉及一种堆积车辆识别方法、系统及计算机存储介质，一种堆积车辆识别方法，包括以下步骤：获取车辆的实时位置信息；判断并筛选掉失联车辆、收缴车辆、正在运行中车辆、正在维修中车辆其中的一种或多种不可干预车辆；依据数据库中的数据提取筛选后剩余各车辆对应的特征信息，分析特征信息并结合车辆的实时位置信息，识别堆积车辆。本发明通过智能化方式识别出堆积的车辆，以方便及时的安排运维人员对堆积车辆进行调度，解决了车辆堆积的问题。

Description

一种堆积车辆识别方法、系统及计算机存储介质
【技术领域】
本发明涉及数据处理技术领域，其特别涉及一种堆积车辆识别方法、系统及计算机存储介质。
【背景技术】
目前，通过共享车辆骑行已经成为城市中新兴的出行方式，可以有效解决城市人群的短距离出行需求，并且绿色环保。
而随着共享车辆的用户规模日趋庞大，用车需求量爆发式增长，用车需求量随着交通高峰形成的“潮汐效应”越发明显，并且由于城市用车的时空特性，容易造成车辆堆积现象，不仅会导致车辆使用率下降，损失大量订单，还会挤占公共道路资源、影响周围环境，不符合文明创卫城市的建设。
因此提出一种堆积车辆识别方法，能够在不影响用户体验的前提下实现智能化识别堆积车辆，并及时同步运维人员进行挪车调度，解决堆车状况。
【发明内容】
为了解决车辆堆积的问题，本发明提供一种堆积车辆识别方法、系统及计算机存储介质。
本发明为解决上述技术问题，提供如下的技术方案：一种堆积车辆识别方法，包括以下步骤：
获取车辆的实时位置信息，获取车辆的实时位置信息的方式为GPS定位方式、北斗定位方式或者基站定位方式；
判断并筛选掉失联车辆、收缴车辆、正在运行中车辆、正在维修中车辆其中的一种或多种不可干预车辆，具体为：基于车辆的实时位置信息判断该车辆是否位于预设仓库的范围内；若否，搜索该车辆预设距离范围内的其他临近车辆并统计其他临近车辆数目，若数目大于第一预设值，则获取该车俩以及该车辆预设距离范围内的其他临近车辆在第一预设时间内的使用率，若使用率小于预设比值，则判定该车辆为收缴车辆；以及基于车辆的实时位置信息判断该车辆是否位于预设的服务区范围内，若是，搜索该车辆预设范围内的其他车辆并统计其他车辆数目，若数目小于第二预设值，则获取该车辆以及该车辆预设范围内的其他车辆在第二预设时间内的使用率，若使用率为0，则判定为该车辆为失联车辆；筛选掉判定的收缴车辆以及失联车辆；
依据数据库中的数据采用特征工程提取筛选后剩余各车辆对应的特征信息，所述特征信息包括车辆状态，区域需求以及位置信息，基于Lightgbm算法分析特征信息并结合车辆的实时位置信息，识别堆积车辆。
优选地，依据数据库中的数据提取各车辆对应的特征信息，分析筛选后剩余车辆的特征信息，识别堆积车辆包括以下步骤：
建立预测模型并训练预测模型；
输入特征信息至训练后的预测模型中，由预测模型分析得到预测结果。
优选地，所述预测模型为XGBoost模型优选地，在识别堆积车辆之后还包括步骤：
基于识别结果安排运维人员进行车辆调度。
优选地，基于识别结果安排运维人员进行车辆调度：
获取运维人员的实时位置信息；
基于运维人员的实时位置信息与堆积车辆的实时位置信息计算运维人员到达堆积车辆所在位置的预估时间；
选取预估时间最短的堆积车辆并生成相应的指令派送给运维人员，运维人员依据指令进行挪车调度。
本发明为解决上述技术问题，提供又一技术方案如下：一种堆积车辆识别系统，包括以下模块：
获取模块：获取车辆的实时位置信息，获取车辆的实时位置信息的方式为GPS定位方式、北斗定位方式或者基站定位方式；
筛选模块：判断并筛选掉失联车辆、城管收车车辆、正在运行中车辆、正在维修中车辆其中的一种或多种不可干预车辆，具体为：基于车辆的实时位置信息判断该车辆是否位于预设仓库的范围内；若否，搜索该车辆预设距离范围内的其他临近车辆并统计其他临近车辆数目，若数目大于第一预设值，则获取该车俩以及该车辆预设距离范围内的其他临近车辆在第一预设时间内的使用率，若使用率小于预设比值，则判定该车辆为收缴车辆；以及基于车辆的实时位置信息判断该车辆是否位于预设的服务区范围内，若是，搜索该车辆预设范围内的其他车辆并统计其他车辆数目，若数目小于第二预设值，则获取该车辆以及该车辆预设范围内的其他车辆在第二预设时间内的使用率，若使用率为0，则判定为该车辆为失联车辆；筛选掉判定的收缴车辆以及失联车辆；
处理模块：依据数据库中的数据提取筛选后剩余各车辆对应的特征信息，所述特征信息包括车辆状态，区域需求以及位置信息，基于Lightgbm算法分析特征信息并结合车辆的实时位置信息，识别堆积车辆。
本发明为解决上述技术问题，提供又一技术方案如下：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上述任一项所述的车辆识别方法。
与现有技术相比，本发明所提供的一种堆积车辆识别方法、系统及计算机存储介质，具有如下的有益效果：
1.本发明提供的车辆识别方法通过获取数据库中的数据以及车辆的实时位置信息，去除其中的不可干预车辆，其中的不可干预车辆即表示暂时无法进行调度的车辆，通过对处理后的车辆进行特征信息提取，并基于算法分析特征信息以识别出堆积车辆，通过智能化方式识别出堆积的车辆，并且结合车辆对应的实时位置信息很容易得到堆积车辆的位置，以方便及时的安排运维人员对堆积车辆进行调度，解决了车辆堆积的问题。
2.本发明基于数据库中的车辆的数据来判断出正在运行中车辆和/或正在维修中车辆，其中的正在运行中和正在维修中的车辆都是暂时无法进行调度的车辆，可以理解地，可从数据库中的数据直接得到车辆在运行中或者在维修中。
3.本发明通过先判定车辆是否在预设的仓库范围内，若是则获取车辆范围内的其他车辆数目，再次判定其他车辆的使用率是否小于预设值；可以理解地，收缴车辆一般是指妨碍公共道路资源，乱停乱放而被城市管理人员收缴的车辆，被收缴后的车辆不会在预设的仓库范围内，且收缴的车辆一般会被城市管理人员聚集的放置于某个地方并不会被用户使用，通过比对使用率即可判定车辆是否为收缴车辆。
4.本发明还可判定车辆是否为失联车辆，可以理解地，当车辆在服务器的范围内且使用率为0的车辆则可表示该车无人使用已经失联了，通过筛选掉该种类型的车辆以提高最后识别堆积车辆的精准度。
5.本发明通过将挪车指令派送给到达堆积车辆位置的时间最短的运维人员来进行挪车调度，就、提高调度效率。
6.本发明实施例还提供一种车辆识别系统，具有与上述一种车辆识别方法相同的有益效果，在此不做赘述。
7.本发明实施例还提供一种计算机存储介质，具有与上述一种车辆识别方法相同的有益效果，在此不做赘述。
【附图说明】
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1是本发明第一实施例提供的一种堆积车辆识别方法的步骤流程图一。
图2是本发明第一实施例提供的一种堆积车辆识别方法之步骤S2中的步骤流程图一。
图3是本发明第一实施例提供的一种堆积车辆识别方法之步骤S2中的步骤流程图二。
图4是本发明第一实施例提供的一种堆积车辆识别方法之步骤S3中的步骤流程图。
图5是本发明第一实施例提供的一种堆积车辆识别方法的步骤流程图二。
图6是本发明第一实施例提供的一种堆积车辆识别方法之步骤S4的步骤流程图。
图7是本发明第二实施例提供的一种堆积车辆识别系统的框图。
附图标识说明：
1、堆积车辆识别系统；
10、获取模块；20、筛选模块；30、处理模块。
【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实例，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仅用以解释本发明，并不用于限定本发明。
请参阅图1，本发明第一实施例提供一种堆积车辆识别方法，包括以下步骤：
S1：获取车辆的实时位置信息；
S2：判断并筛选掉失联车辆、收缴车辆、正在运行中车辆、正在维修中车辆其中的一种或多种不可干预车辆；
S3：依据数据库中的数据提取筛选后剩余各车辆对应的特征信息，分析特征信息并结合车辆的实时位置信息，识别堆积车辆。
其中“车辆”是任何可以被投放供用户以分时租赁、分地租赁等模式获取使用权的交通设备，例如，用于共享的共享自行车、共享助力车、共享电动车、共享车等等。车辆还可以是自行车、三轮车、电动助力车、摩托车以及四轮乘用车等各种形态。
可以理解地，数据库储存有与各车辆相对应的数据，相当于一个用来存放数据的仓库。
可以理解地，车辆包括定位装置、传感器等等；定位装置可用于提供定位功能以获取车辆的实时位置信息，其中可以是GPS定位模块、北斗定位模块等，因此获取车辆的实时位置信息的方式可以是GPS定位方式、北斗定位方式或者基站定位方式。
通过步骤S1的车辆的实时位置信息可直接了解当前车辆的位置；在一具体实施例中，车辆的实时位置可通过直接在线上地图上标注出来，其中的线上地图指的是可在电子设备上供用户查看的地图。
可以理解地，去除其中的不可干预车辆，其中的不可干预车辆即表示暂时无法进行调度的车辆，通过对处理后的车辆进行特征信息提取，并基于树模型分类算法分析特征信息以识别出堆积车辆，通过智能化方式识别出堆积的车辆，并且结合车辆对应的实时位置信息很容易得到堆积车辆的位置，以方便及时的安排运维人员对堆积车辆进行调度，解决了车辆堆积的问题。
进一步地，通过数据库中的数据可直接筛选掉正在运行中以及正在维修中车辆。
可以理解地，通过数据可直观的确定车辆的当前状态，其中车的当前状态就包括车辆的运行状态，损坏维修等状态，其中当车辆运行时，车辆的状态会发生变化，数据库会实时更新车辆的状态，同时，一般情况下当车辆需要维修时，会实时更行数据库中的数据。
请参阅图2，进一步地，步骤S2中包括以下步骤：
S21：基于车辆的实时位置信息判断该车辆是否位于预设仓库的范围内；
S22：若否，搜索该车辆预设距离范围内的其他临近车辆并统计其他临近车辆数目，若数目大于第一预设值，则获取该车俩以及该车辆预设距离范围内的其他临近车辆在第一预设时间内的使用率，若使用率小于预设比值，则判定该车辆为收缴车辆；
S23：筛选掉判定的收缴车辆。
其中的预设仓库是存放待维修车辆以及带投放车辆的一处建筑或者位置。
可以理解的，收缴车辆一般是指由于乱停乱放而影响道路环境安全的被城市管理人员收缴的车辆，当车辆被收缴之后，收缴车辆的人员一般会将这些收缴车辆放置在一处地方，且这些被收缴的车辆一定是不会位于预先设定的仓库内的，且当车辆被收缴后是不被提供给使用的，于是通过判断该车俩以及该车辆周围的车辆数以及使用率等判定该车辆是否被收缴，若车辆该车辆周围的车辆数量多，同时使用率低，那么可判定该车辆为收缴车辆。
其中的预设距离范围，第一预设值以及第一预设时间可根据具体的实际情况进行确定。
在一具体实施例中，通过搜索该车辆以及该车辆周围25m范围内的其他车辆并统计数量，若数量大于50辆，则再进一步的获取该车辆以及该车辆周围其他车辆的在最近3天内的使用率，若使用率小于5％，则判定该车辆为收缴车辆；若判定该车辆周围25m范围内的车辆小于50辆则认定该车辆为正常车辆，若是该车辆周围25m范围内的车辆大于50辆并且3天内的使用率大于5％则也认定为车辆为正常车辆。
请参阅图3,步骤S2中还包括以下步骤：
S24：基于车辆的实时位置信息判断该车辆是否位于预设的服务区范围内；
S25：若是，搜索该车辆预设范围内的其他车辆并统计其他车辆数目，若数目小于第二预设值，则获取该车辆以及该车辆预设范围内的其他车辆在第二预设时间内的使用率，若使用率为0，则判定为该车辆为失联车辆；
S26：筛选掉判定的失联车辆。
其中预设的服务区指的是给用户提供车辆，并且可行驶该车辆的区域，也可表示为该车辆的运营区域。
其中的预设范围，第二预设值以及第二预设时间可根据具体的实际情况进行确定。
在一具体实施例中，若判段车辆位于服务区内，则再搜索该车辆25m范围内的其他车辆并统计数量，若数量小于3辆，则获取该车辆以及该车辆周围车辆近7天的使用率，若使用率为0，则判定该车辆为失联车辆；其他的情况则判定为正常车辆。
可以理解地，若车辆以及该车辆周围的车辆数小于3辆，即使该车辆实际为正常车辆，由于该车辆周围车辆较少，该车辆最终也不会识别为堆积车辆，其不会影响最终的识别结果。
进一步地，特征信息包括车辆状态，区域需求以及位置信息。
具体地，车辆状态包括车辆等待时长，车辆型号以及车辆折损情况；其中的车辆等待时长可理解为车辆停放的时长，也就是现在距离上次被使用时候的时长，车辆型号包括了车辆所属的类型以及车辆的唯一标识，以便于区分各个车辆。
区域需求为车辆25m范围内的近7天内的车辆流入流出数量，前两周同天的的车辆流入流出数。
位置信息为车辆50m范围内的路网信息、禁停区信息，poi数量等信息。
可以理解地，通过特征信息可知车辆的具体信息，还可知车辆周围的环境道路等信息。
进一步地，步骤S3中基于Lightgbm算法对特征信息进行分析筛选，以识别出堆积车辆。
请参阅图4，步骤S3中包括以下步骤：
S31：采用特征工程从数据库的数据中抽取特征信息；
S32：建立预测模型并训练预测模型；
S33：输入特征信息至训练后的预测模型中，由预测模型分析得到预测结果。
可以理解地，步骤S31中的特征工程是一种提取特征的方式，具体为利用数据提取出特征并将其转换为适合预测模型的格式。
进一步地，将提取的特征信息按照一定的规则进行存储，具体可采用表格分类的方式进行存储。
具体地，预测模型采用XGBoost模型；对预测模型训练的方式为，向预测模型中输入预先准备的一组车辆特征信息的样本，并设置相应的参数；标签为y属于(0，1)，其中的0为非堆积车，1为堆积车；损失函数为均方误差损失函数，任务类型为回归任务。
步骤S33中将特征信息输入至训练好的预测模型中，由模型输出结果y，其中y属于[0,1]，如果y大于0.5，则判定为堆积车辆，如果y小于0.5，则为非堆积车辆。
在一具体实施例中，输入的特征信息满足以下情况时，车辆状态：车辆等待时长超过3h；区域需求：车辆半径25m内，近7天的订单流出流出数<7，前两周同天的订单流入流出数<2；位置信息：车辆半径50m内，没有路网，停放在禁停区，poi数量<5；预测模型基于Lightgbm算法分析得到结果为y大于0.5，则预测得到的结果是该车辆为堆积车辆。
可以理解地，基于预测结果在结合车辆的实时位置信息即可得到堆积车辆的实时位置以方便运维人员及时及时进行车辆调度。
请参阅图5，在步骤S3之后还包括步骤：
S4:基于识别结果安排运维人员进行车辆调度。
其中的识别结果即为识别出来的堆积车辆，基于车辆的实时位置信息即可得到堆积车辆的位置信息。
请参阅图6，步骤S4的具体步骤为：
S41：获取运维人员的实时位置信息；
S42：基于运维人员的实时位置信息与堆积车辆的实时位置信息计算运维人员到达堆积车辆所在位置的预估时间；
S43：选取预估时间最短的堆积车辆并生成相应的指令派送给运维人员，运维人员依据指令进行挪车调度。
其中相应的运维人员是指实施车辆调度的人员，可以是提供车辆使用服务的运营商的管理、运营或者维护人员。
可以理解地，步骤S42中的堆积车辆的实时位置信息可以是识别出的堆积车辆中的其中一辆车的位置，比如某个地方有堆积车辆，仅需通过该堆积车辆中的其中一辆车的位置与运维人员的位置来计算预估运维人员到达该存位置。
预估时间最短则代表着运维人员能够最快到达的堆积车辆，以便于运维人员能够及时的解决车辆堆积的状况。
示例性的如：在某个时间，识别出A地有10辆堆积车，B地有20辆堆积车。某个运维人员请求挪车指令，系统计算运维人员目前所处位置与A、B两地的路线距离，预估到达各地的时间。如果预估到达A地的时间比较短，则基于A地生成一个指令派送给运维人员，运维人员则基于收到的指令进行运维挪车工作。
其中运维人员收到指令的方式可基于网络通信方式，比如通过某APP接受指令，短信、电话通知等等方式。
请参阅图7，本发明第二实施例还提供一种堆积车辆识别系统1，包括以下模块：
获取模块10：获取数据库中的数据以及车辆的实时位置信息；
筛选模块20：判断并筛选掉失联车辆、城管收车车辆、正在运行中车辆、正在维修中车辆其中的一种或多种不可干预车辆；
处理模块30：依据数据库中的数据提取各车辆对应的特征信息，分析筛选后剩余车辆的特征信息，识别堆积车辆；依据识别结果安排运维人员进行挪车调度。
本发明另一实施例还提供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以上所述的一种堆积车辆识别方法。
在本发明所提供的实施例中，应理解，“与A对应的B”表示B与A相关联，根据A可以确定B。但还应理解，根据A确定B并不意味着仅仅根据A确定B，还可以根据A和/或其他信息确定B。
应理解，说明书通篇中提到的“一个实施例”或“一实施例”意味着与实施例有关的特定特征、结构或特性包括在本发明的至少一个实施例中。因此，在整个说明书各处出现的“在一个实施例中”或“在一实施例中”未必一定指相同的实施例。此外，这些特定特征、结构或特性可以以任意适合的方式结合在一个或多个实施例中。本领域技术人员也应该知悉，说明书中所描述的实施例均属于可选实施例，所涉及的动作和模块并不一定是本发明所必须的。
在本发明的各种实施例中，应理解，上述各过程的序号的大小并不意味着执行顺序的必然先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限定。
在本发明的附图中的流程图和框图，图示了按照本申请各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现方案中，方框中所标注的功能也可以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，在此基于涉及的功能而确定。需要特别注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
与现有技术相比，本发明所提供的一种堆积车辆识别方法、系统及计算机存储介质，具有如下的有益效果：
1.本发明提供的车辆识别方法通过获取数据库中的数据以及车辆的实时位置信息，去除其中的不可干预车辆，其中的不可干预车辆即表示暂时无法进行调度的车辆，通过对处理后的车辆进行特征信息提取，并基于树模型分类算法分析特征信息以识别出堆积车辆，通过智能化方式识别出堆积的车辆，并且结合车辆对应的实时位置信息很容易得到堆积车辆的位置，以方便及时的安排运维人员对堆积车辆进行调度，解决了车辆堆积的问题。
2.本发明基于数据库中的车辆的数据来判断出正在运行中车辆和/或正在维修中车辆，其中的正在运行中和正在维修中的车辆都是暂时无法进行调度的车辆，可以理解地，可从数据库中的数据直接得到车辆在运行中或者在维修中。
3.本发明通过先判定车辆是否在预设的仓库范围内，若是则获取车辆范围内的其他车辆数目，再次判定其他车辆的使用率是否小于预设值；可以理解地，收缴车辆一般是指妨碍公共道路资源，乱停乱放而被城市管理人员收缴的车辆，被收缴后的车辆不会在预设的仓库范围内，且收缴的车辆一般会被城市管理人员聚集的放置于某个地方并不会被用户使用，通过比对使用率即可判定车辆是否为收缴车辆。
4.本发明还可判定车辆是否为失联车辆，可以理解地，当车辆在服务器的范围内且使用率为0的车辆则可表示该车无人使用已经失联了，通过筛选掉该种类型的车辆以提高最后识别堆积车辆的精准度。
5.本发明通过将挪车指令派送给到达堆积车辆位置的时间最短的运维人员来进行挪车调度，就、提高调度效率。
6.本发明实施例还提供一种车辆识别系统，具有与上述一种车辆识别方法相同的有益效果，在此不做赘述。
7.本发明实施例还提供一种计算机存储介质，具有与上述一种车辆识别方法相同的有益效果，在此不做赘述。
以上对本发明实施例公开的一种堆积车辆识别方法、系统及计算机存储介质进行了详细介绍，本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制，凡在本发明的原则之内所作的任何修改，等同替换和改进等均应包含本发明的保护范围之内。

Claims (7)

1.一种堆积车辆识别方法，其特征在于：包括以下步骤：
获取数据库中的数据以及车辆的实时位置信息，获取车辆的实时位置信息的方式为GPS定位方式、北斗定位方式或者基站定位方式；
判断并筛选掉失联车辆、收缴车辆、正在运行中车辆、正在维修中车辆其中的一种或多种不可干预车辆，具体为：基于车辆的实时位置信息判断该车辆是否位于预设仓库的范围内；若否，搜索该车辆预设距离范围内的其他临近车辆并统计其他临近车辆数目，若数目大于第一预设值，则获取该车辆以及该车辆预设距离范围内的其他临近车辆在第一预设时间内的使用率，若使用率小于预设比值，则判定该车辆为收缴车辆；以及基于车辆的实时位置信息判断该车辆是否位于预设的服务区范围内，若是，搜索该车辆预设范围内的其他车辆并统计其他车辆数目，若数目小于第二预设值，则获取该车辆以及该车辆预设范围内的其他车辆在第二预设时间内的使用率，若使用率为0，则判定为该车辆为失联车辆；筛选掉判定的收缴车辆以及失联车辆；
依据数据库中的数据采用特征工程提取筛选后剩余各车辆对应的特征信息，所述特征信息包括车辆状态，区域需求以及位置信息，基于Lightgbm算法分析特征信息并结合车辆的实时位置信息，识别堆积车辆。
2.如权利要求1所述的堆积车辆识别方法，其特征在于：依据数据库中的数据提取各车辆对应的特征信息，分析筛选后剩余车辆的特征信息，识别堆积车辆包括以下步骤：
建立预测模型并训练预测模型；
输入特征信息至训练后的预测模型中，由预测模型分析得到预测结果。
3.如权利要求2所述的堆积车辆识别方法，其特征在于：所述预测模型为XGBoost模型。
4.如权利要求1所述的堆积车辆识别方法，其特征在于：在识别堆积车辆之后还包括步骤：
基于识别结果安排运维人员进行车辆调度。
5.如权利要求4所述的堆积车辆识别方法，其特征在于：基于识别结果安排运维人员进行车辆调度：
获取运维人员的实时位置信息；
基于运维人员的实时位置信息与堆积车辆的实时位置信息计算运维人员到达堆积车辆所在位置的预估时间；
选取预估时间最短的堆积车辆并生成相应的指令派送给运维人员，运维人员依据指令进行挪车调度。
6.一种堆积车辆识别系统，其特征在于：包括以下模块：
获取模块：获取数据库中的数据以及车辆的实时位置信息，获取车辆的实时位置信息的方式为GPS定位方式、北斗定位方式或者基站定位方式；
筛选模块：判断并筛选掉失联车辆、城管收车车辆、正在运行中车辆、正在维修中车辆其中的一种或多种不可干预车辆，具体为：基于车辆的实时位置信息判断该车辆是否位于预设仓库的范围内；若否，搜索该车辆预设距离范围内的其他临近车辆并统计其他临近车辆数目，若数目大于第一预设值，则获取该车辆以及该车辆预设距离范围内的其他临近车辆在第一预设时间内的使用率，若使用率小于预设比值，则判定该车辆为收缴车辆；以及基于车辆的实时位置信息判断该车辆是否位于预设的服务区范围内，若是，搜索该车辆预设范围内的其他车辆并统计其他车辆数目，若数目小于第二预设值，则获取该车辆以及该车辆预设范围内的其他车辆在第二预设时间内的使用率，若使用率为0，则判定为该车辆为失联车辆；筛选掉判定的收缴车辆以及失联车辆；
处理模块：依据数据库中的数据提取筛选后剩余各车辆对应的特征信息，所述特征信息包括车辆状态，区域需求以及位置信息，基于Lightgbm算法分析特征信息并结合车辆的实时位置信息，识别堆积车辆。
7.一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1-5任一项所述的堆积车辆识别方法。
CN202210295436.2A 2022-03-24 2022-03-24 一种堆积车辆识别方法、系统及计算机存储介质 Active CN114676174B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210295436.2A CN114676174B (zh) 2022-03-24 2022-03-24 一种堆积车辆识别方法、系统及计算机存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210295436.2A CN114676174B (zh) 2022-03-24 2022-03-24 一种堆积车辆识别方法、系统及计算机存储介质

Publications (2)

Publication Number Publication Date
CN114676174A CN114676174A (zh) 2022-06-28
CN114676174B true CN114676174B (zh) 2023-11-10

Family

ID=82074958

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210295436.2A Active CN114676174B (zh) 2022-03-24 2022-03-24 一种堆积车辆识别方法、系统及计算机存储介质

Country Status (1)

Country Link
CN (1) CN114676174B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115936409A (zh) * 2023-02-27 2023-04-07 北京阿帕科蓝科技有限公司 工单信息的生成方法、装置、计算机设备

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20200082187A1 (en) * 2018-09-10 2020-03-12 Baidu Online Network Technology (Beijing) Co., Ltd. Method, Apparatus and Device for Identifying Passenger State in Unmanned Vehicle, and Storage Medium
CN113554353A (zh) * 2021-08-25 2021-10-26 宁波工程学院 一种避免空间淤积的公共自行车空间调度优化方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20200082187A1 (en) * 2018-09-10 2020-03-12 Baidu Online Network Technology (Beijing) Co., Ltd. Method, Apparatus and Device for Identifying Passenger State in Unmanned Vehicle, and Storage Medium
CN113554353A (zh) * 2021-08-25 2021-10-26 宁波工程学院 一种避免空间淤积的公共自行车空间调度优化方法

Also Published As

Publication number Publication date
CN114676174A (zh) 2022-06-28

Similar Documents

Publication Publication Date Title
CN108162771B (zh) 一种电动汽车智能充电导航方法
CN102855760B (zh) 基于浮动车数据的在线排队长度检测方法
CN103106702B (zh) 基于云计算的公交出行服务系统
CN103325245B (zh) 一种黑名单车辆的时空行驶轨迹预测方法
CN106971516B (zh) 一种安防系统的警情处理线路规划方法及系统
CN103177561B (zh) 公交实时路况的生成方法
CN115222158B (zh) 一种基于物联网的智慧城市停车场管理方法、系统及装置
CN109166337B (zh) 公交到站时间生成方法、装置及公交乘客出行od获取方法
CN102324122B (zh) 可生成乘车方案并能预测客流量的智能乘车系统
CN103854483A (zh) 基于gps卫星定位及ecu的车辆动态信息系统
CN102087788A (zh) 基于浮动车车速置信度的交通状态参数估计方法
CN110375762B (zh) 一种协助规划导航路径的方法及装置
CN103050013A (zh) 基于车联网技术的车辆分级限速监控方法及其装置
CN114676174B (zh) 一种堆积车辆识别方法、系统及计算机存储介质
CN107067736B (zh) 基于时间路网的套牌车分析方法及其系统
CN111696384B (zh) 一种基于地图的智能共享停车系统及方法
CN113052405B (zh) 基于物联网和人工智能的交通拥堵预测与优化方法
CN103632541B (zh) 交通事件路链检测与数据填补方法
CN108573604A (zh) 基于移动终端定位的公交od数据获取方法及存储介质
CN102800212A (zh) 一种物联网环境下的智能泊车系统
CN106373399A (zh) 一种公交线路站点间运行瓶颈识别系统
CN111091222A (zh) 人流量预测方法、装置及系统
CN115714957A (zh) 基于手机信令的地铁出行识别方法、装置、设备及介质
CN202422416U (zh) 智能出租车综合应用系统
Oktorini et al. Integration of Public Transportation in Smart Transportation System (Smart Transportation System) in Jakarta

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