CN114676867A - 车辆路线预测方法和装置 - Google Patents
车辆路线预测方法和装置 Download PDFInfo
- Publication number
- CN114676867A CN114676867A CN202011547091.2A CN202011547091A CN114676867A CN 114676867 A CN114676867 A CN 114676867A CN 202011547091 A CN202011547091 A CN 202011547091A CN 114676867 A CN114676867 A CN 114676867A
- Authority
- CN
- China
- Prior art keywords
- route
- vehicle
- data
- driving
- initial
- 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
Classifications
-
- 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
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- 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
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N7/00—Computing arrangements based on specific mathematical models
- G06N7/01—Probabilistic graphical models, e.g. probabilistic networks
-
- G—PHYSICS
- G07—CHECKING-DEVICES
- G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
- G07C5/00—Registering or indicating the working of vehicles
- G07C5/004—Indicating the operating range of the engine
-
- G—PHYSICS
- G07—CHECKING-DEVICES
- G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
- G07C5/00—Registering or indicating the working of vehicles
- G07C5/08—Registering or indicating performance data other than driving, working, idle, or waiting time, with or without registering driving, working, idle or waiting time
- G07C5/0808—Diagnosing performance data
Abstract
本发明提供一种车辆路线预测方法和装置,属于车辆数据分析处理技术领域。车辆路线预测方法,包括:获取车辆的多组历史行驶数据,每组所述历史行驶数据至少包括时间和与时间对应的车辆位置点;根据所述历史行驶数据得到所述车辆的多条初始行驶路线;计算每两条所述初始行驶路线之间的相似度;利用所述相似度对所述多条初始行驶路线进行聚类;利用聚类后的结果训练得到路线预测模型;将所述车辆的当前位置和当前时间输入所述路线预测模型,得到所述车辆的未来行程,所述车辆的未来行程为所述车辆即将行驶的路线。本发明能够获得更为准确的车辆路线预测值。
Description
技术领域
本发明涉及车辆数据分析处理技术领域,尤其涉及一种车辆路线预测方法和装置。
背景技术
随着电动汽车技术的不断发展,电动汽车逐渐成为了许多用户的购车选择,普及范围越来越广。由于电动汽车的动力电池电量较低时需要充电,相较于普通汽车燃料不足时加燃料而言,充电速度较慢、耗时长,出行中途馈电时道路救援难度较高。也就是说,在用户驾驶电动汽车出行时,最大的担忧就是电动汽车的剩余电量是否可以支撑电动汽车行驶到达目的地。
现有技术中,汽车的能耗是采用传统算法推算的,即,通过导航信息获取剩余里程,根据剩余里程与历史车辆状态信息推算获得该剩余里程的能耗,用户根据推算获得的能耗判断剩余电量或油量是否可以支撑汽车行驶到达目的地,从而合理做出出行安排。但现有传统算法推算行程能耗,只考虑剩余里程与车辆状态信息,导致推算出的能耗准确度较低,
发明内容
本发明要解决的技术问题是提供一种车辆路线预测方法和装置,能够获得更为准确的车辆路线预测值。
为解决上述技术问题,本发明的实施例提供技术方案如下:
一方面,提供一种车辆路线预测方法,包括:
获取车辆的多组历史行驶数据,每组所述历史行驶数据至少包括时间和与时间对应的车辆位置点;
根据所述历史行驶数据得到所述车辆的多条初始行驶路线;
计算每两条所述初始行驶路线之间的相似度;
利用所述相似度对所述多条初始行驶路线进行聚类;
利用聚类后的结果训练得到路线预测模型;
将所述车辆的当前位置和当前时间输入所述路线预测模型,得到所述车辆的未来行程,所述车辆的未来行程为所述车辆即将行驶的路线。
一些实施例中,获取所述车辆的历史行驶数据包括:
接收车辆实时或定时上报的原始行驶数据,所述原始行驶数据包括车辆标识、车辆位置点、时间、充电状态和钥匙状态;
根据所述充电状态和所述钥匙状态去除所述原始行驶数据中的不可用数据;
将去除不可用数据后的原始行驶数据按照所述车辆标识划分为多个数据集,每一数据集对应一车辆标识,每一数据集包括所述多组历史行驶数据。
一些实施例中,所述不可用数据包括充电状态为开的原始行驶数据。
一些实施例中,所述根据所述历史行驶数据得到所述车辆的多条初始行驶路线包括:
根据所述钥匙状态和所述历史行驶数据得到所述车辆的多条初始行驶路线,每一所述初始行驶路线对应同一开启周期内或相邻的多个开启周期,所述相邻的多个开启周期之间的间隔时间小于第一预设阈值,每一所述开启周期为所述钥匙状态从打开到关闭的时间段。
一些实施例中,所述计算每两条所述初始行驶路线之间的相似度之前,所述方法还包括:
利用拉默-道格拉斯-普克算法对每一所述初始行驶路线对应的历史行驶数据进行压缩。
一些实施例中,所述计算每两条所述初始行驶路线之间的相似度包括:
在初始行驶路线X或Y的长度大于或等于第二预设阈值时,利用以下公式计算初始行驶路线X和Y之间的相似度s(X,Y):
在初始行驶路线X和Y的长度均小于第二预设阈值时,利用以下公式计算初始行驶路线X和Y之间的相似度s(X,Y):
其中,LX为初始行驶路线X的长度,LY为初始行驶路线Y的长度,L(xi,xi+1)为初始行驶路线X上第i个车辆位置点与第i+1个车辆位置点之间的距离,T为第三预设阈值,为初始行驶路线X上第i个车辆位置点到初始行驶路线Y的距离,g(x1,y1)为初始行驶路线X上第1个车辆位置点到初始行驶路线Y上第1个车辆位置点的距离,g(xm,yn)为初始行驶路线X上第m个车辆位置点到初始行驶路线Y上第n个车辆位置点的距离,初始行驶路线X包括m个车辆位置点,初始行驶路线Y包括n个车辆位置点,m,n,i为正整数,i小于等于m。
确定初始行驶路线Y上与初始行驶路线X上第i个车辆位置点最近的两个车辆位置点A和B,A和B为初始行驶路线Y上相邻的两个车辆位置点,A和B所在直线为第一直线,若所述第i个车辆位置点在所述第一直线上的投影点位于线段AB上,则等于所述第i个车辆位置点与所述投影点之间的距离,若所述第i个车辆位置点在所述第一直线上的投影点位于线段AB外,则等于第一距离和第二距离之间的最小值,第一距离为A与所述第i个车辆位置点之间的距离,第二距离为B与所述第i个车辆位置点之间的距离。
一些实施例中,所述利用所述相似度对所述多条初始行驶路线进行聚类包括:
利用相似度大于第四预设阈值的两个所述初始行驶路线组成一个路线簇;
如果任两个路线簇中存在相同的初始行驶路线,将该两个路线簇合并为一个路线簇,重复这一操作,直至任两个路线簇中不存在相同的初始行驶路线。
一些实施例中,所述利用聚类后的结果训练得到路线预测模型包括:
将每个路线簇内的初始行驶路线进行合并,得到第一行驶路线,并对第一行驶路线进行编号;
将所述第一行驶路线与时间组合,得到多组特征数据,每组特征数据包括一所述第一行驶路线及对应的时间;
利用所述多组特征数据训练得到所述路线预测模型。
一些实施例中,所述利用所述多组特征数据训练得到所述路线预测模型包括:
利用所述多组特征数据建立时间和第一行驶路线的马尔可夫链;
将状态跳转概率大于第五预设阈值的状态链抽取出来,得到多条行驶规律数据,并对所述行驶规律数据进行编号;
利用所述多组特征数据对所述多条行驶规律数据已经进行的百分比进行标注;
利用标注后的所述多条行驶规律数据作为训练数据,训练生成所述路线预测模型。
本发明实施例还提供了一种车辆路线预测装置,包括:
获取模块,用于获取车辆的多组历史行驶数据,每组所述历史行驶数据至少包括时间和与时间对应的车辆位置点;
第一处理模块,用于根据所述历史行驶数据得到所述车辆的多条初始行驶路线;
第二处理模块,用于计算每两条所述初始行驶路线之间的相似度;
聚类模块,用于利用所述相似度对所述多条初始行驶路线进行聚类;
训练模块,用于利用聚类后的结果训练得到路线预测模型;
预测模块,用于将所述车辆的当前位置和当前时间输入所述路线预测模型,得到所述车辆的未来行程,所述车辆的未来行程为所述车辆即将行驶的路线。
一些实施例中,所述获取模块包括:
接收单元,用于接收车辆实时或定时上报的原始行驶数据,所述原始行驶数据包括车辆标识、车辆位置点、时间、充电状态和钥匙状态;
去除单元,用于根据所述充电状态和所述钥匙状态去除所述原始行驶数据中的不可用数据;
划分单元,用于将去除不可用数据后的原始行驶数据按照所述车辆标识划分为多个数据集,每一数据集对应一车辆标识,每一数据集包括所述多组历史行驶数据。
一些实施例中,所述第一处理模块具体用于根据所述钥匙状态和所述历史行驶数据得到所述车辆的多条初始行驶路线,每一所述初始行驶路线对应同一开启周期内或相邻的多个开启周期,所述相邻的多个开启周期之间的间隔时间小于第一预设阈值,每一所述开启周期为所述钥匙状态从打开到关闭的时间段。
一些实施例中,所述装置还包括:
压缩模块,用于利用拉默-道格拉斯-普克算法对每一所述初始行驶路线对应的历史行驶数据进行压缩。
一些实施例中,第二处理模块具体用于:
在初始行驶路线X或Y的长度大于或等于第二预设阈值时,利用以下公式计算初始行驶路线X和Y之间的相似度s(X,Y):
在初始行驶路线X和Y的长度均小于第二预设阈值时,利用以下公式计算初始行驶路线X和Y之间的相似度s(X,Y):
其中,LX为初始行驶路线X的长度,LY为初始行驶路线Y的长度,L(xi,xi+1)为初始行驶路线X上第i个车辆位置点与第i+1个车辆位置点之间的距离,T为第三预设阈值,为初始行驶路线X上第i个车辆位置点到初始行驶路线Y的距离,g(x1,y1)为初始行驶路线X上第1个车辆位置点到初始行驶路线Y上第1个车辆位置点的距离,g(xm,yn)为初始行驶路线X上第m个车辆位置点到初始行驶路线Y上第n个车辆位置点的距离,初始行驶路线X包括m个车辆位置点,初始行驶路线Y包括n个车辆位置点,m,n,i为正整数,i小于等于m。
一些实施例中,所述第二处理模块具体用于确定初始行驶路线Y上与初始行驶路线X上第i个车辆位置点最近的两个车辆位置点A和B,A和B为初始行驶路线Y上相邻的两个车辆位置点,A和B所在直线为第一直线,若所述第i个车辆位置点在所述第一直线上的投影点位于线段AB上,则等于所述第i个车辆位置点与所述投影点之间的距离,若所述第i个车辆位置点在所述第一直线上的投影点位于线段AB外,则等于第一距离和第二距离之间的最小值,第一距离为A与所述第i个车辆位置点之间的距离,第二距离为B与所述第i个车辆位置点之间的距离。
一些实施例中,所述聚类模块具体用于利用相似度大于第四预设阈值的两个所述初始行驶路线组成一个路线簇;如果任两个路线簇中存在相同的初始行驶路线,将该两个路线簇合并为一个路线簇,重复这一操作,直至任两个路线簇中不存在相同的初始行驶路线。
一些实施例中,所述训练模块具体用于将每个路线簇内的初始行驶路线进行合并,得到第一行驶路线,并对第一行驶路线进行编号;将所述第一行驶路线与时间组合,得到多组特征数据,每组特征数据包括一所述第一行驶路线及对应的时间;利用所述多组特征数据训练得到所述路线预测模型。
一些实施例中,所述预测模块具体用于利用所述多组特征数据建立时间和第一行驶路线的马尔可夫链;将状态跳转概率大于第五预设阈值的状态链抽取出来,得到多条行驶规律数据,并对所述行驶规律数据进行编号;利用所述多组特征数据对所述多条行驶规律数据已经进行的百分比进行标注;利用标注后的所述多条行驶规律数据作为训练数据,训练生成所述路线预测模型。
本发明实施例还提供了一种车辆路线预测设备,包括:
处理器;和
存储器,在所述存储器中存储有计算机程序指令,
其中,在所述计算机程序指令被所述处理器运行时,使得所述处理器执行如上所述的车辆路线预测方法中的步骤。
本发明实施例还提供了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器运行时,使得所述处理器执行如上所述的车辆路线预测方法中的步骤。
本发明的实施例具有以下有益效果:
上述方案中,获取车辆的历史行驶数据,根据车辆的历史行驶数据训练路线预测模型,利用路线预测模型对车辆的未来行程进行预测,以便根据车辆的未来行程对车辆在未来行程中的能耗进行预测,能够提高能耗预测的精度,获得更为准确的车辆能耗预测值,方便用户合理做出出行安排。
附图说明
图1为本发明实施例车辆路线预测方法的流程示意图;
图2为本发明实施例获取车辆的历史行驶数据的流程示意图;
图3为本发明实施例获取车辆的初始行驶路线的流程示意图;
图4为本发明实施例利用相似度对多条初始行驶路线进行聚类的流程示意图;
图5为本发明实施例计算初始行驶路线之间的距离的示意图;
图6为本发明实施例利用聚类后的结果训练得到路线预测模型的流程示意图;
图7为本发明实施例车辆路线预测方法的应用场景示意图;
图8为本发明实施例车辆路线预测装置的结构框图;
图9为本发明实施例车辆路线预测设备的组成示意图。
具体实施方式
为使本发明的实施例要解决的技术问题、技术方案和优点更加清楚,下面将结合附图及具体实施例进行详细描述。
本发明的实施例提供一种车辆路线预测方法和装置,能够获得更为准确的车辆路线预测值。
实施例一
本发明实施例提供一种车辆路线预测方法,如图1所示,包括:
步骤101:获取车辆的多组历史行驶数据,每组所述历史行驶数据至少包括时间和与时间对应的车辆位置点;
每组所述历史行驶数据还可以包括车辆标识、充电状态和钥匙状态等信息。
如图2所示,获取所述车辆的历史行驶数据包括:
步骤1011:接收车辆实时或定时上报的原始行驶数据,所述原始行驶数据包括车辆标识、车辆位置点、时间、充电状态和钥匙状态;
如图7所示,在行驶车辆中设置有车载控制器,车载控制器可以对行驶车辆的数据进行采集,并将采集的数据通过网关和远程终端(T-box)上传至云端,车载控制器采集的原始行驶数据可以包括车辆标识、车辆位置点、时间、充电状态和钥匙状态等。车载控制器按照预设的采集周期进行数据采集,在采集数据后,车载控制器可以将采集的数据实时上传至云端,也可以按照预设的上报周期将采集的数据定时上报至云端。
其中,时间具体可以为时间戳,车辆位置点可以为车辆的GPS(GlobalPositioning System,全球定位系统)点,时间戳用来对GPS点集进行排序。通过充电状态和钥匙状态,结合时间戳信息,可以划分一辆车的不同行程。比如,早上车辆启动然后从家行驶到公司后熄火停放,是一段行程;下午从公司启动车辆开车回家后熄火停放是另一段行程;短时间内多次开启熄火可以认为是同一段行程。
步骤1012:根据所述充电状态和所述钥匙状态去除所述原始行驶数据中的不可用数据;
云端设备在接收到车载控制器上传的数据后,可以先对数据进行预处理,去除其中的不可用数据,包括一些为空的数据和明显不合理的数据,具体地,可以根据充电状态和钥匙状态判断原始行驶数据中的不可用数据。一些实施例中,所述不可用数据包括充电状态为开的原始行驶数据。
由于测量或信息传递的不确实性等原因,原始行驶数据中一般都有噪音。常见的噪音类型有两种,一是数据异常,例如,有些原始行驶数据的经度和纬度值为零或在中国境外(状况一),再如充电状态和钥匙状态都处于打开状态(这意味着在车辆充电时引擎已经启动,这是禁止的操作)(状况二);另一类是数据缺失,比如一辆汽车的行驶记录(即原始行驶数据)中的两条记录的GPS点相近但时间相差数天,但这两条记录中的钥匙状态都是打开,这不意味着该车开着引擎在一个地方呆了几天,而很可能是熄火或启动记录丢失了(状况三);另一个例子是汽车在10分钟后突然出现在5公里外的某个地点,这应该意味着旅行记录丢失了(状况四)。
对不同的噪音状况需要进行不同的处理。对于状况一,可以直接将相关的记录去掉。对于状况二,可以通过检查充电状态的持续时间来确定车辆的实际状态。如果充电需要很长时间,认为钥匙的就绪状态是噪音并且车辆正在充电,可以直接将相关的记录去掉;相反亦然。对于状况三,可以增加记录补全钥匙的状态。对于状况四,可以利用算法来补足缺失的数据,比如通过计算平均值的方法来补足缺失的数据。
由于本实施例关注的是行程信息,所以与充电有关的所有记录将被删除。这些充电记录中的经度和纬度值会有所不同,但在静态点周围的距离很短,无法形成路径或路线。这些记录不会对路由路径发现有所帮助,所以相关记录会被删除。
步骤1013:将去除不可用数据后的原始行驶数据按照所述车辆标识划分为多个数据集,每一数据集对应一车辆标识,每一数据集包括所述多组历史行驶数据。
原始行驶数据是一系列GPS点以及其他信息。为了获得行程轨迹,首先按车辆标识将原始行驶数据划分为多个数据集,每一数据集对应一车辆标识,每一数据集包括多组历史行驶数据,每一组历史行驶数据包括一GPS点及其他信息。
另外,如果收集的数据中已有含有行程id(标识)且同一行程内的GPS点已经按时间先后排序,则只需要收集车辆ID,时间戳,GPS点,行程id四类信息即可。
步骤102:根据所述历史行驶数据得到所述车辆的多条初始行驶路线;
一些实施例中,根据所述钥匙状态和所述历史行驶数据得到所述车辆的多条初始行驶路线,每一所述初始行驶路线对应同一开启周期内或相邻的多个开启周期,所述相邻的多个开启周期之间的间隔时间小于第一预设阈值,每一所述开启周期为所述钥匙状态从打开到关闭的时间段。第一预设阈值可以根据需要进行设定,取值范围可以为5-10分钟。
在将每一数据集的数据划分为不同的行程,也就是多条初始行驶路线时,划分的主要依据是钥匙状态,具体操作如下:
如果钥匙关闭信号出现之后三十分钟以上才有钥匙打开信号或者GPS变化记录,则表示行程已结束。
如果钥匙打开信号出现,然后GPS发生变化,则表明行程已开始。
如果钥匙关闭信号未出现但充电状态为开并连续出现充电信号,则表示行程已结束。
如果相邻两组历史行驶数据的GPS点相近,但时间相差半小时以上且没有钥匙状态和充电状态信号或记录,则表示行程已结束,而又是新行程的开始。
如果有两个连续的钥匙信号都是断开信号或都是接通信号,并且两个信号之间存在GPS变换,则认为是两个行程。
步骤103:计算每两条所述初始行驶路线之间的相似度;
为了减少计算量,一些实施例中,所述计算每两条所述初始行驶路线之间的相似度之前,所述方法还包括:利用RDP(Ramer–Douglas–Peucker,拉默-道格拉斯-普克)算法对每一所述初始行驶路线对应的历史行驶数据进行压缩。
通常情况下,行程轨迹的GPS点采集是定时进行(比如每秒一次)。如果车辆在十字路口遇到红色交通灯,则在相同位置上将会有许多不同但相近的GPS点。此类GPS点将不会提供太多有用的信息并增加处理时间,因此可以使用RDP算法压缩数据,压缩将有助于降低计算成本并减少噪声。压缩后,平均只有约8%的GPS点及对应的历史行驶数据保留。
本实施例中,首先需要定义初始行驶路线(也就是轨迹)之间的距离,初始行驶路线之间的距离可以为一个值,记为dX,Y,代表初始行驶路线X与初始行驶路线Y之间的距离;也可以为一系列值,记为代表初始行驶路线X上第i个车辆位置点到初始行驶路线Y的距离,X=<x1,x2,…,xm>,Y=<y1,y2,…,yn>,其中每一个元素代表一个车辆位置点,初始行驶路线X包括m个车辆位置点,初始行驶路线Y包括n个车辆位置点,m,n为大于1的整数,i∈[1,m]。
初始行驶路线X=<x1,x2,…,xm>到初始行驶路线Y=<y1,y2,…,yn>的距离定义为其中i∈[1,m],g(x,y)是GPS点x和y之间的几何距离,本实施例中的距离是指几何距离,几何距离可以是球面距离。
由于可能没有固定的停车位,可以使用两条初始行驶路线的首点对之间距离g(x1,y1)和尾点对之间的距离g(xm,yn)来应对分散停车的情况。
确定初始行驶路线Y上与初始行驶路线X上第i个车辆位置点最近的两个车辆位置点A和B,A和B为初始行驶路线Y上相邻的两个车辆位置点,A和B所在直线为第一直线,若所述第i个车辆位置点在所述第一直线上的投影点位于线段AB上,则等于所述第i个车辆位置点与所述投影点之间的距离,若所述第i个车辆位置点在所述第一直线上的投影点位于线段AB外,则等于第一距离和第二距离之间的最小值,第一距离为A与所述第i个车辆位置点之间的距离,第二距离为B与所述第i个车辆位置点之间的距离。
对于初始行驶路线X上的任一GPS点xi,令A和B为初始行驶路线Y上最接近xi的两个相邻GPS点。则点xi可能在连接两个点A和B的线上或其延长线上,例如图5中所示的可能位置x',x”和x”';也可能在A和B的周围,此时xi有6种可能的位置,即x0,x1,x2,x3,x4,x5,如图5所示。可以称x”,x0,x4处于点对A和B的内部,其它点处于外部;称x2,x”',x5在A的后面,而x1,x',x3在B的前部。
在图5中,xi到Y的距离,当xi在x0或x4位置时,等于xi到AB的垂直距离,在x”位置时则为零;当xi在x1,x'或x3位置时,则是xi和B之间的球面距离;同样,当xi在x2,x”'或x5位置处时,则是在xi和A之间的球面距离。
(1)从xi和yj,yj+1开始,其中i=1,j=1,
(2)计算xi到yj,yj+1对的距离di,j,
(5)如果xi在yj+1前部,则令j=j+1,然后转到(2)步,
(6)如果xi是X的最后一点,计算结束。
(7)令i=i+1,然后转向(2)步。
通过比较可以确定初始行驶路线Y上离xi最近的相邻点A和B。在实际计算过程中,由于存在GPS测量的不确定性,可以通过再寻找两对AB值(即yj+1,yj+2和yj-1,yj)来尝试找到最合适的AB对。这样,可以在时间复杂度为O(N)的情况下计算一条初始行驶路线到另一条初始行驶路线的距离。
初始行驶路线之间的相似度与初始行驶路线的长度存在相关性,可以通过不同的公式分别计算长距离的初始行驶路线(比如城市间的行驶路线)之间的相似度以及短距离的初始行驶路线(比如城市内的行驶路线)之间的相似度。初始行驶路线之间的相似度需要满足以下条件:首先,初始行驶路线与其自身之间的相似度为1。第二,属于同一组的初始行驶路线之间的相似度越高,来自不同组的初始行驶路线之间的相似度越低。第三,相似度值是非负的。
一些实施例中,所述计算每两条所述初始行驶路线之间的相似度包括:
在初始行驶路线X或Y的长度大于或等于第二预设阈值时,利用以下公式计算初始行驶路线X和Y之间的相似度s(X,Y):
在初始行驶路线X和Y的长度均小于第二预设阈值时,利用以下公式计算初始行驶路线X和Y之间的相似度s(X,Y):
其中,LX为初始行驶路线X的长度,LY为初始行驶路线Y的长度,L(xi,xi+1)为初始行驶路线X上第i个车辆位置点与第i+1个车辆位置点之间的距离,T为第三预设阈值,为初始行驶路线X上第i个车辆位置点到初始行驶路线Y的距离,g(x1,y1)为初始行驶路线X上第1个车辆位置点到初始行驶路线Y上第1个车辆位置点的距离,g(xm,yn)为初始行驶路线X上第m个车辆位置点到初始行驶路线Y上第n个车辆位置点的距离,初始行驶路线X包括m个车辆位置点,初始行驶路线Y包括n个车辆位置点,m,n,i为正整数,i小于等于m。
第二预设阈值可以根据需要进行设定,第二预设阈值的取值范围可以为200-300千米。
步骤104:利用所述相似度对所述多条初始行驶路线进行聚类;
如图3所示,所述利用所述相似度对所述多条初始行驶路线进行聚类包括:
步骤1041:利用相似度大于第四预设阈值的两个所述初始行驶路线组成一个路线簇;
本实施例将相似度大于第四预设阈值的两个初始行驶路线称为候选对,每个候选对也就是一个路线簇,由此得到一个路线簇集合。
其中,第四预设阈值可以根据需要设定,取值范围可以为80-90%。
步骤1042:如果任两个路线簇中存在相同的初始行驶路线,将该两个路线簇合并为一个路线簇,重复这一操作,直至任两个路线簇中不存在相同的初始行驶路线。
最终得到的路线簇集合就是聚类的结果,每个路线簇都是一类轨迹。
步骤105:利用聚类后的结果训练得到路线预测模型;
如图4所示,所述利用聚类后的结果训练得到路线预测模型包括:
步骤1051:将每个路线簇内的初始行驶路线进行合并,得到第一行驶路线,并对第一行驶路线进行编号;
步骤1052:将所述第一行驶路线与时间组合,得到多组特征数据,每组特征数据包括一所述第一行驶路线及对应的时间;
比如第一行驶路线1为用户工作日上班的路线,对应的时间为周一到周五的八点到九点之间;第一行驶路线2为用户工作日下班的路线,对应的时间为周一到周五的十八点到十九点之间;将第一行驶路线1与“周一到周五的八点到九点”组成一组特征数据,将第一行驶路线2与“周一到周五的十八点到十九点”组成一组特征数据。
步骤1053:利用所述多组特征数据训练得到所述路线预测模型。
如图6所示,所述利用所述多组特征数据训练得到所述路线预测模型包括:
步骤10531:利用所述多组特征数据建立时间和第一行驶路线的马尔可夫链;
比如,状态链1为:工作日的八点到九点-第一行驶路线1;状态链2为:工作日的十八点到十九点-第一行驶路线2。
步骤10532:将状态跳转概率大于第五预设阈值的状态链抽取出来,得到多条行驶规律数据,并对所述行驶规律数据进行编号;
状态跳转的概率即从一个状态链跳转到另一个状态链的概率,比如,从状态链1跳转到状态链2的概率为100%。可以将状态链1和状态链2组成一条行驶规律数据,得到多条行驶规律数据后,对行驶规律数据进行编号。
其中,第五预设阈值可以根据实际情况进行设定,具体地,可以为80—90%。
步骤10533:利用所述多组特征数据对所述多条行驶规律数据已经进行的百分比进行标注;
比如行驶规律数据1包括状态链1和状态链2,当处于工作日上午8点时,行驶规律数据1已经进行的百分比为0%;当处于工作日上午9点时,行驶规律数据1已经进行的百分比为50%;当处于工作日下午6点半时,行驶规律数据1已经进行的百分比为75%;处于工作日下午7点时,行驶规律数据1已经进行的百分比为100%。
步骤10534:利用标注后的所述多条行驶规律数据作为训练数据,训练生成所述路线预测模型。
具体地,可以将时间戳和车辆位置作为输入,标注后的所述多条行驶规律数据作为训练目标,利用机器学习模型训练生成路线预测模型。此处在需要时可以根据时间戳衍生出工作日、节假日、季节等信息。路线预测模型可以根据车辆的当前时间和当前位置,预测车辆的未来行程,即车辆接下来要行进的路线。
如图7所示,云端设备在训练得到路线预测模型后,存储路线预测模型,还可以将路线预测模型下发至车载控制器进行存储,云端设备可以按照设定的更新周期下发路线预测模型,比如按月或者按季度下发路线预测模型。车载控制器接收路线预测模型后,可以利用路线预测模型进行路线预测。
步骤106:将所述车辆的当前位置和当前时间输入所述路线预测模型,得到所述车辆的未来行程,所述车辆的未来行程为所述车辆即将行驶的路线。
比如,车辆的当前位置是家,当前时间为工作日的上午八点,则可以预测车辆即将行驶的路线为第一行驶路线1(从家到公司);车辆的当前位置是公司,当前时间为工作日的下午六点,则可以预测车辆即将行驶的路线为第一行驶路线2(从公司到家)。
之后可以利用预测的车辆未来形成进行能耗预测,能够高能耗预测的精度。
在云端设备得到车辆的未来行程中后,可以将预测结果发送至手机用户端、车队管理终端、维修保养平台等其他平台或终端进行显示。
本实施例中,获取车辆的历史行驶数据,根据车辆的历史行驶数据训练路线预测模型,利用路线预测模型对车辆的未来行程进行预测,以便根据车辆的未来行程对车辆在未来行程中的能耗进行预测,能够提高能耗预测的精度,获得更为准确的车辆能耗预测值,方便用户合理做出出行安排。
实施例二
本发明实施例还提供了一种车辆路线预测装置,如图8所示,包括:
获取模块21,用于获取车辆的多组历史行驶数据,每组所述历史行驶数据至少包括时间和与时间对应的车辆位置点;
第一处理模块22,用于根据所述历史行驶数据得到所述车辆的多条初始行驶路线;
第二处理模块23,用于计算每两条所述初始行驶路线之间的相似度;
聚类模块24,用于利用所述相似度对所述多条初始行驶路线进行聚类;
训练模块25,用于利用聚类后的结果训练得到路线预测模型;
预测模块26,用于将所述车辆的当前位置和当前时间输入所述路线预测模型,得到所述车辆的未来行程,所述车辆的未来行程为所述车辆即将行驶的路线。
本实施例中,获取车辆的历史行驶数据,根据车辆的历史行驶数据训练路线预测模型,利用路线预测模型对车辆的未来行程进行预测,以便根据车辆的未来行程对车辆在未来行程中的能耗进行预测,能够提高能耗预测的精度,获得更为准确的车辆能耗预测值,方便用户合理做出出行安排。
一些实施例中,所述获取模块21包括:
接收单元,用于接收车辆实时或定时上报的原始行驶数据,所述原始行驶数据包括车辆标识、车辆位置点、时间、充电状态和钥匙状态;
去除单元,用于根据所述充电状态和所述钥匙状态去除所述原始行驶数据中的不可用数据;
划分单元,用于将去除不可用数据后的原始行驶数据按照所述车辆标识划分为多个数据集,每一数据集对应一车辆标识,每一数据集包括所述多组历史行驶数据。
一些实施例中,所述第一处理模块22具体用于根据所述钥匙状态和所述历史行驶数据得到所述车辆的多条初始行驶路线,每一所述初始行驶路线对应同一开启周期内或相邻的多个开启周期,所述相邻的多个开启周期之间的间隔时间小于第一预设阈值,每一所述开启周期为所述钥匙状态从打开到关闭的时间段。
一些实施例中,所述装置还包括:
压缩模块,用于利用拉默-道格拉斯-普克算法对每一所述初始行驶路线对应的历史行驶数据进行压缩。
一些实施例中,第二处理模块23具体用于:
在初始行驶路线X或Y的长度大于或等于第二预设阈值时,利用以下公式计算初始行驶路线X和Y之间的相似度s(X,Y):
在初始行驶路线X和Y的长度均小于第二预设阈值时,利用以下公式计算初始行驶路线X和Y之间的相似度s(X,Y):
其中,LX为初始行驶路线X的长度,LY为初始行驶路线Y的长度,L(xi,xi+1)为初始行驶路线X上第i个车辆位置点与第i+1个车辆位置点之间的距离,T为第三预设阈值,为初始行驶路线X上第i个车辆位置点到初始行驶路线Y的距离,g(x1,y1)为初始行驶路线X上第1个车辆位置点到初始行驶路线Y上第1个车辆位置点的距离,g(xm,yn)为初始行驶路线X上第m个车辆位置点到初始行驶路线Y上第n个车辆位置点的距离,初始行驶路线X包括m个车辆位置点,初始行驶路线Y包括n个车辆位置点,m,n,i为正整数,i小于等于m。
一些实施例中,所述第二处理模块23具体用于确定初始行驶路线Y上与初始行驶路线X上第i个车辆位置点最近的两个车辆位置点A和B,A和B为初始行驶路线Y上相邻的两个车辆位置点,A和B所在直线为第一直线,若所述第i个车辆位置点在所述第一直线上的投影点位于线段AB上,则等于所述第i个车辆位置点与所述投影点之间的距离,若所述第i个车辆位置点在所述第一直线上的投影点位于线段AB外,则等于第一距离和第二距离之间的最小值,第一距离为A与所述第i个车辆位置点之间的距离,第二距离为B与所述第i个车辆位置点之间的距离。
一些实施例中,所述聚类模块24具体用于利用相似度大于第四预设阈值的两个所述初始行驶路线组成一个路线簇;如果任两个路线簇中存在相同的初始行驶路线,将该两个路线簇合并为一个路线簇,重复这一操作,直至任两个路线簇中不存在相同的初始行驶路线。
一些实施例中,所述训练模块25具体用于将每个路线簇内的初始行驶路线进行合并,得到第一行驶路线,并对第一行驶路线进行编号;将所述第一行驶路线与时间组合,得到多组特征数据,每组特征数据包括一所述第一行驶路线及对应的时间;利用所述多组特征数据训练得到所述路线预测模型。
一些实施例中,所述预测模块26具体用于利用所述多组特征数据建立时间和第一行驶路线的马尔可夫链;将状态跳转概率大于第五预设阈值的状态链抽取出来,得到多条行驶规律数据,并对所述行驶规律数据进行编号;利用所述多组特征数据对所述多条行驶规律数据已经进行的百分比进行标注;利用标注后的所述多条行驶规律数据作为训练数据,训练生成所述路线预测模型。
实施例三
本发明实施例还提供了一种车辆路线预测设备30,如图9所示,包括:
处理器32;和
存储器34,在所述存储器34中存储有计算机程序指令,
其中,在所述计算机程序指令被所述处理器运行时,使得所述处理器32执行以下步骤:
获取车辆的多组历史行驶数据,每组所述历史行驶数据至少包括时间和与时间对应的车辆位置点;
根据所述历史行驶数据得到所述车辆的多条初始行驶路线;
计算每两条所述初始行驶路线之间的相似度;
利用所述相似度对所述多条初始行驶路线进行聚类;
利用聚类后的结果训练得到路线预测模型;
将所述车辆的当前位置和当前时间输入所述路线预测模型,得到所述车辆的未来行程,所述车辆的未来行程为所述车辆即将行驶的路线。
本实施例中,获取车辆的历史行驶数据,根据车辆的历史行驶数据训练路线预测模型,利用路线预测模型对车辆的未来行程进行预测,以便根据车辆的未来行程对车辆在未来行程中的能耗进行预测,能够提高能耗预测的精度,获得更为准确的车辆能耗预测值,方便用户合理做出出行安排。
进一步地,如图9所示,车辆路线预测设备30还包括网络接口31、输入设备33、硬盘35、和显示设备36。
上述各个接口和设备之间可以通过总线架构互连。总线架构可以是可以包括任意数量的互联的总线和桥。具体由处理器32代表的一个或者多个中央处理器(CPU),以及由存储器34代表的一个或者多个存储器的各种电路连接在一起。总线架构还可以将诸如外围设备、稳压器和功率管理电路等之类的各种其它电路连接在一起。可以理解,总线架构用于实现这些组件之间的连接通信。总线架构除包括数据总线之外,还包括电源总线、控制总线和状态信号总线,这些都是本领域所公知的,因此本文不再对其进行详细描述。
所述网络接口31,可以连接至网络(如因特网、局域网等),从网络中获取相关数据,例如原始行驶数据,并可以保存在硬盘35中。
所述输入设备33,可以接收操作人员输入的各种指令,并发送给处理器32以供执行。所述输入设备33可以包括键盘或者点击设备(例如,鼠标,轨迹球(trackball)、触感板或者触摸屏等。
所述显示设备36,可以将处理器32执行指令获得的结果进行显示。
所述存储器34,用于存储操作系统运行所必须的程序和数据,以及处理器32计算过程中的中间结果等数据。
可以理解,本发明实施例中的存储器34可以是易失性存储器或非易失性存储器,或可包括易失性和非易失性存储器两者。其中,非易失性存储器可以是只读存储器(ROM)、可编程只读存储器(PROM)、可擦除可编程只读存储器(EPROM)、电可擦除可编程只读存储器(EEPROM)或闪存。易失性存储器可以是随机存取存储器(RAM),其用作外部高速缓存。本文描述的装置和方法的存储器34旨在包括但不限于这些和任意其它适合类型的存储器。
在一些实施方式中,存储器34存储了如下的元素,可执行模块或者数据结构,或者他们的子集,或者他们的扩展集:操作系统341和应用程序342。
其中,操作系统341,包含各种系统程序,例如框架层、核心库层、驱动层等,用于实现各种基础业务以及处理基于硬件的任务。应用程序342,包含各种应用程序,例如浏览器(Browser)等,用于实现各种应用业务。实现本发明实施例方法的程序可以包含在应用程序342中。
上述处理器32,当调用并执行所述存储器34中所存储的应用程序和数据,具体的,可以是获取车辆的多组历史行驶数据,每组所述历史行驶数据至少包括时间和与时间对应的车辆位置点;根据所述历史行驶数据得到所述车辆的多条初始行驶路线;计算每两条所述初始行驶路线之间的相似度;利用所述相似度对所述多条初始行驶路线进行聚类;利用聚类后的结果训练得到路线预测模型;将所述车辆的当前位置和当前时间输入所述路线预测模型,得到所述车辆的未来行程,所述车辆的未来行程为所述车辆即将行驶的路线。
本发明上述实施例揭示的方法可以应用于处理器32中,或者由处理器32实现。处理器32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32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32可以是通用处理器、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发明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。结合本发明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34,处理器32读取存储器34中的信息,结合其硬件完成上述方法的步骤。
可以理解的是,本文描述的这些实施例可以用硬件、软件、固件、中间件、微码或其组合来实现。对于硬件实现,处理单元可以实现在一个或多个专用集成电路(ASIC)、数字信号处理器DSP)、数字信号处理设备(DSPD)、可编程逻辑设备(PLD)、现场可编程门阵列(FPGA)、通用处理器、控制器、微控制器、微处理器、用于执行本申请所述功能的其它电子单元或其组合中。
对于软件实现,可通过执行本文所述功能的模块(例如过程、函数等)来实现本文所述的技术。软件代码可存储在存储器中并通过处理器执行。存储器可以在处理器中或在处理器外部实现。
具体地,处理器32接收车辆实时或定时上报的原始行驶数据,所述原始行驶数据包括车辆标识、车辆位置点、时间、充电状态和钥匙状态;根据所述充电状态和所述钥匙状态去除所述原始行驶数据中的不可用数据;将去除不可用数据后的原始行驶数据按照所述车辆标识划分为多个数据集,每一数据集对应一车辆标识,每一数据集包括所述多组历史行驶数据。
具体地,所述不可用数据包括充电状态为开的原始行驶数据。
具体地,处理器32根据所述钥匙状态和所述历史行驶数据得到所述车辆的多条初始行驶路线,每一所述初始行驶路线对应同一开启周期内或相邻的多个开启周期,所述相邻的多个开启周期之间的间隔时间小于第一预设阈值,每一所述开启周期为所述钥匙状态从打开到关闭的时间段。
具体地,处理器32利用拉默-道格拉斯-普克算法对每一所述初始行驶路线对应的历史行驶数据进行压缩。
具体地,处理器32在初始行驶路线X或Y的长度大于或等于第二预设阈值时,利用以下公式计算初始行驶路线X和Y之间的相似度s(X,Y):
在初始行驶路线X和Y的长度均小于第二预设阈值时,利用以下公式计算初始行驶路线X和Y之间的相似度s(X,Y):
其中,LX为初始行驶路线X的长度,LY为初始行驶路线Y的长度,L(xi,xi+1)为初始行驶路线X上第i个车辆位置点与第i+1个车辆位置点之间的距离,T为第三预设阈值,为初始行驶路线X上第i个车辆位置点到初始行驶路线Y的距离,g(x1,y1)为初始行驶路线X上第1个车辆位置点到初始行驶路线Y上第1个车辆位置点的距离,g(xm,yn)为初始行驶路线X上第m个车辆位置点到初始行驶路线Y上第n个车辆位置点的距离,初始行驶路线X包括m个车辆位置点,初始行驶路线Y包括n个车辆位置点,m,n,i为正整数,i小于等于m。
确定初始行驶路线Y上与初始行驶路线X上第i个车辆位置点最近的两个车辆位置点A和B,A和B为初始行驶路线Y上相邻的两个车辆位置点,A和B所在直线为第一直线,若所述第i个车辆位置点在所述第一直线上的投影点位于线段AB上,则等于所述第i个车辆位置点与所述投影点之间的距离,若所述第i个车辆位置点在所述第一直线上的投影点位于线段AB外,则等于第一距离和第二距离之间的最小值,第一距离为A与所述第i个车辆位置点之间的距离,第二距离为B与所述第i个车辆位置点之间的距离。
具体地,处理器32利用相似度大于第四预设阈值的两个所述初始行驶路线组成一个路线簇;如果任两个路线簇中存在相同的初始行驶路线,将该两个路线簇合并为一个路线簇,重复这一操作,直至任两个路线簇中不存在相同的初始行驶路线。
一些实施例中,处理器32将每个路线簇内的初始行驶路线进行合并,得到第一行驶路线,并对第一行驶路线进行编号;将所述第一行驶路线与时间组合,得到多组特征数据,每组特征数据包括一所述第一行驶路线及对应的时间;利用所述多组特征数据训练得到所述路线预测模型。
具体地,处理器32利用所述多组特征数据建立时间和第一行驶路线的马尔可夫链;将状态跳转概率大于第五预设阈值的状态链抽取出来,得到多条行驶规律数据,并对所述行驶规律数据进行编号;利用所述多组特征数据对所述多条行驶规律数据已经进行的百分比进行标注;利用标注后的所述多条行驶规律数据作为训练数据,训练生成所述路线预测模型。
实施例四
本发明实施例还提供了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器运行时,使得所述处理器执行以下步骤:
获取车辆的多组历史行驶数据,每组所述历史行驶数据至少包括时间和与时间对应的车辆位置点;
根据所述历史行驶数据得到所述车辆的多条初始行驶路线;
计算每两条所述初始行驶路线之间的相似度;
利用所述相似度对所述多条初始行驶路线进行聚类;
利用聚类后的结果训练得到路线预测模型;
将所述车辆的当前位置和当前时间输入所述路线预测模型,得到所述车辆的未来行程,所述车辆的未来行程为所述车辆即将行驶的路线。
本实施例中,获取车辆的历史行驶数据,根据车辆的历史行驶数据训练路线预测模型,利用路线预测模型对车辆的未来行程进行预测,以便根据车辆的未来行程对车辆在未来行程中的能耗进行预测,能够提高能耗预测的精度,获得更为准确的车辆能耗预测值,方便用户合理做出出行安排。
进一步地,所述计算机程序被处理器运行时,还使得所述处理器执行以下步骤:
接收车辆实时或定时上报的原始行驶数据,所述原始行驶数据包括车辆标识、车辆位置点、时间、充电状态和钥匙状态;
根据所述充电状态和所述钥匙状态去除所述原始行驶数据中的不可用数据;
将去除不可用数据后的原始行驶数据按照所述车辆标识划分为多个数据集,每一数据集对应一车辆标识,每一数据集包括所述多组历史行驶数据。
进一步地,所述不可用数据包括充电状态为开的原始行驶数据。
进一步地,所述计算机程序被处理器运行时,还使得所述处理器执行以下步骤:
根据所述钥匙状态和所述历史行驶数据得到所述车辆的多条初始行驶路线,每一所述初始行驶路线对应同一开启周期内或相邻的多个开启周期,所述相邻的多个开启周期之间的间隔时间小于第一预设阈值,每一所述开启周期为所述钥匙状态从打开到关闭的时间段。
进一步地,所述计算机程序被处理器运行时,还使得所述处理器执行以下步骤:
利用拉默-道格拉斯-普克算法对每一所述初始行驶路线对应的历史行驶数据进行压缩。
进一步地,所述计算机程序被处理器运行时,还使得所述处理器执行以下步骤:
在初始行驶路线X或Y的长度大于或等于第二预设阈值时,利用以下公式计算初始行驶路线X和Y之间的相似度s(X,Y):
在初始行驶路线X和Y的长度均小于第二预设阈值时,利用以下公式计算初始行驶路线X和Y之间的相似度s(X,Y):
其中,LX为初始行驶路线X的长度,LY为初始行驶路线Y的长度,L(xi,xi+1)为初始行驶路线X上第i个车辆位置点与第i+1个车辆位置点之间的距离,T为第三预设阈值,为初始行驶路线X上第i个车辆位置点到初始行驶路线Y的距离,g(x1,y1)为初始行驶路线X上第1个车辆位置点到初始行驶路线Y上第1个车辆位置点的距离,g(xm,yn)为初始行驶路线X上第m个车辆位置点到初始行驶路线Y上第n个车辆位置点的距离,初始行驶路线X包括m个车辆位置点,初始行驶路线Y包括n个车辆位置点,m,n,i为正整数,i小于等于m。
进一步地,所述计算机程序被处理器运行时,还使得所述处理器执行以下步骤:确定初始行驶路线Y上与初始行驶路线X上第i个车辆位置点最近的两个车辆位置点A和B,A和B为初始行驶路线Y上相邻的两个车辆位置点,A和B所在直线为第一直线,若所述第i个车辆位置点在所述第一直线上的投影点位于线段AB上,则等于所述第i个车辆位置点与所述投影点之间的距离,若所述第i个车辆位置点在所述第一直线上的投影点位于线段AB外,则等于第一距离和第二距离之间的最小值,第一距离为A与所述第i个车辆位置点之间的距离,第二距离为B与所述第i个车辆位置点之间的距离。
进一步地,所述计算机程序被处理器运行时,还使得所述处理器执行以下步骤:利用相似度大于第四预设阈值的两个所述初始行驶路线组成一个路线簇;
如果任两个路线簇中存在相同的初始行驶路线,将该两个路线簇合并为一个路线簇,重复这一操作,直至任两个路线簇中不存在相同的初始行驶路线。
进一步地,所述计算机程序被处理器运行时,还使得所述处理器执行以下步骤:将每个路线簇内的初始行驶路线进行合并,得到第一行驶路线,并对第一行驶路线进行编号;
将所述第一行驶路线与时间组合,得到多组特征数据,每组特征数据包括一所述第一行驶路线及对应的时间;
利用所述多组特征数据训练得到所述路线预测模型。
进一步地,所述计算机程序被处理器运行时,还使得所述处理器执行以下步骤:
利用所述多组特征数据建立时间和第一行驶路线的马尔可夫链;
将状态跳转概率大于第五预设阈值的状态链抽取出来,得到多条行驶规律数据,并对所述行驶规律数据进行编号;
利用所述多组特征数据对所述多条行驶规律数据已经进行的百分比进行标注;
利用标注后的所述多条行驶规律数据作为训练数据,训练生成所述路线预测模型。
以上是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明所述原理的前提下,还可以作出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (19)
1.一种车辆路线预测方法,其特征在于,包括:
获取车辆的多组历史行驶数据,每组所述历史行驶数据至少包括时间和与时间对应的车辆位置点;
根据所述历史行驶数据得到所述车辆的多条初始行驶路线;
计算每两条所述初始行驶路线之间的相似度;
利用所述相似度对所述多条初始行驶路线进行聚类;
利用聚类后的结果训练得到路线预测模型;
将所述车辆的当前位置和当前时间输入所述路线预测模型,得到所述车辆的未来行程,所述车辆的未来行程为所述车辆即将行驶的路线。
2.根据权利要求1所述的车辆路线预测方法,其特征在于,获取所述车辆的历史行驶数据包括:
接收车辆实时或定时上报的原始行驶数据,所述原始行驶数据包括车辆标识、车辆位置点、时间、充电状态和钥匙状态;
根据所述充电状态和所述钥匙状态去除所述原始行驶数据中的不可用数据;
将去除不可用数据后的原始行驶数据按照所述车辆标识划分为多个数据集,每一数据集对应一车辆标识,每一数据集包括所述多组历史行驶数据。
3.根据权利要求2所述的车辆路线预测方法,其特征在于,所述不可用数据包括充电状态为开的原始行驶数据。
4.根据权利要求2所述的车辆路线预测方法,其特征在于,所述根据所述历史行驶数据得到所述车辆的多条初始行驶路线包括:
根据所述钥匙状态和所述历史行驶数据得到所述车辆的多条初始行驶路线,每一所述初始行驶路线对应同一开启周期内或相邻的多个开启周期,所述相邻的多个开启周期之间的间隔时间小于第一预设阈值,每一所述开启周期为所述钥匙状态从打开到关闭的时间段。
5.根据权利要求1所述的车辆路线预测方法,其特征在于,所述计算每两条所述初始行驶路线之间的相似度之前,所述方法还包括:
利用拉默-道格拉斯-普克算法对每一所述初始行驶路线对应的历史行驶数据进行压缩。
6.根据权利要求1所述的车辆路线预测方法,其特征在于,所述计算每两条所述初始行驶路线之间的相似度包括:
在初始行驶路线X或Y的长度大于或等于第二预设阈值时,利用以下公式计算初始行驶路线X和Y之间的相似度s(X,Y):
在初始行驶路线X和Y的长度均小于第二预设阈值时,利用以下公式计算初始行驶路线X和Y之间的相似度s(X,Y):
8.根据权利要求1所述的车辆路线预测方法,其特征在于,所述利用所述相似度对所述多条初始行驶路线进行聚类包括:
利用相似度大于第四预设阈值的两个所述初始行驶路线组成一个路线簇;
如果任两个路线簇中存在相同的初始行驶路线,将该两个路线簇合并为一个路线簇,重复这一操作,直至任两个路线簇中不存在相同的初始行驶路线。
9.根据权利要求8所述的车辆路线预测方法,其特征在于,所述利用聚类后的结果训练得到路线预测模型包括:
将每个路线簇内的初始行驶路线进行合并,得到第一行驶路线,并对第一行驶路线进行编号;
将所述第一行驶路线与时间组合,得到多组特征数据,每组特征数据包括一所述第一行驶路线及对应的时间;
利用所述多组特征数据训练得到所述路线预测模型。
10.根据权利要求9所述的车辆路线预测方法,其特征在于,所述利用所述多组特征数据训练得到所述路线预测模型包括:
利用所述多组特征数据建立时间和第一行驶路线的马尔可夫链;
将状态跳转概率大于第五预设阈值的状态链抽取出来,得到多条行驶规律数据,并对所述行驶规律数据进行编号;
利用所述多组特征数据对所述多条行驶规律数据已经进行的百分比进行标注;
利用标注后的所述多条行驶规律数据作为训练数据,训练生成所述路线预测模型。
11.一种车辆路线预测装置,其特征在于,包括:
获取模块,用于获取车辆的多组历史行驶数据,每组所述历史行驶数据至少包括时间和与时间对应的车辆位置点;
第一处理模块,用于根据所述历史行驶数据得到所述车辆的多条初始行驶路线;
第二处理模块,用于计算每两条所述初始行驶路线之间的相似度;
聚类模块,用于利用所述相似度对所述多条初始行驶路线进行聚类;
训练模块,用于利用聚类后的结果训练得到路线预测模型;
预测模块,用于将所述车辆的当前位置和当前时间输入所述路线预测模型,得到所述车辆的未来行程,所述车辆的未来行程为所述车辆即将行驶的路线。
12.根据权利要求11所述的车辆路线预测装置,其特征在于,所述获取模块包括:
接收单元,用于接收车辆实时或定时上报的原始行驶数据,所述原始行驶数据包括车辆标识、车辆位置点、时间、充电状态和钥匙状态;
去除单元,用于根据所述充电状态和所述钥匙状态去除所述原始行驶数据中的不可用数据;
划分单元,用于将去除不可用数据后的原始行驶数据按照所述车辆标识划分为多个数据集,每一数据集对应一车辆标识,每一数据集包括所述多组历史行驶数据。
13.根据权利要求12所述的车辆路线预测装置,其特征在于,所述第一处理模块具体用于根据所述钥匙状态和所述历史行驶数据得到所述车辆的多条初始行驶路线,每一所述初始行驶路线对应同一开启周期内或相邻的多个开启周期,所述相邻的多个开启周期之间的间隔时间小于第一预设阈值,每一所述开启周期为所述钥匙状态从打开到关闭的时间段。
14.根据权利要求11所述的车辆路线预测装置,其特征在于,所述装置还包括:
压缩模块,用于利用拉默-道格拉斯-普克算法对每一所述初始行驶路线对应的历史行驶数据进行压缩。
15.根据权利要求11所述的车辆路线预测装置,其特征在于,第二处理模块具体用于:
在初始行驶路线X或Y的长度大于或等于第二预设阈值时,利用以下公式计算初始行驶路线X和Y之间的相似度s(X,Y):
在初始行驶路线X和Y的长度均小于第二预设阈值时,利用以下公式计算初始行驶路线X和Y之间的相似度s(X,Y):
17.根据权利要求11所述的车辆路线预测装置,其特征在于,所述聚类模块具体用于利用相似度大于第四预设阈值的两个所述初始行驶路线组成一个路线簇;如果任两个路线簇中存在相同的初始行驶路线,将该两个路线簇合并为一个路线簇,重复这一操作,直至任两个路线簇中不存在相同的初始行驶路线。
18.根据权利要求17所述的车辆路线预测装置,其特征在于,所述训练模块具体用于将每个路线簇内的初始行驶路线进行合并,得到第一行驶路线,并对第一行驶路线进行编号;将所述第一行驶路线与时间组合,得到多组特征数据,每组特征数据包括一所述第一行驶路线及对应的时间;利用所述多组特征数据训练得到所述路线预测模型。
19.根据权利要求18所述的车辆路线预测装置,其特征在于,所述预测模块具体用于利用所述多组特征数据建立时间和第一行驶路线的马尔可夫链;将状态跳转概率大于第五预设阈值的状态链抽取出来,得到多条行驶规律数据,并对所述行驶规律数据进行编号;利用所述多组特征数据对所述多条行驶规律数据已经进行的百分比进行标注;利用标注后的所述多条行驶规律数据作为训练数据,训练生成所述路线预测模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011547091.2A CN114676867A (zh) | 2020-12-24 | 2020-12-24 | 车辆路线预测方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011547091.2A CN114676867A (zh) | 2020-12-24 | 2020-12-24 | 车辆路线预测方法和装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114676867A true CN114676867A (zh) | 2022-06-28 |
Family
ID=82069971
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011547091.2A Pending CN114676867A (zh) | 2020-12-24 | 2020-12-24 | 车辆路线预测方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114676867A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115131897A (zh) * | 2022-07-01 | 2022-09-30 | 潍柴动力股份有限公司 | 行驶路线的存储方法以及其存储装置 |
CN115164931A (zh) * | 2022-09-08 | 2022-10-11 | 南开大学 | 一种盲人出行辅助系统、方法及设备 |
-
2020
- 2020-12-24 CN CN202011547091.2A patent/CN114676867A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115131897A (zh) * | 2022-07-01 | 2022-09-30 | 潍柴动力股份有限公司 | 行驶路线的存储方法以及其存储装置 |
CN115164931A (zh) * | 2022-09-08 | 2022-10-11 | 南开大学 | 一种盲人出行辅助系统、方法及设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108362293B (zh) | 一种基于关键点技术的车辆轨迹匹配方法 | |
CN109927709B (zh) | 一种车辆行驶路线工况确定方法、能量管理方法及系统 | |
CN101271628B (zh) | 堵车状况运算系统 | |
CN107919014B (zh) | 面向多载客里程的出租车运行线路优化方法 | |
CN107025788B (zh) | 一种旅行时间预测方法及装置 | |
CN110363984B (zh) | 交通流量预测方法和设备 | |
CN103542858A (zh) | 车辆到达目标能力评估方法,数据库生成方法、导航系统 | |
CN114676867A (zh) | 车辆路线预测方法和装置 | |
CN114435138B (zh) | 一种车辆能耗预测方法、装置、车辆及存储介质 | |
CN104318327A (zh) | 一种车辆轨迹预测分析方法 | |
Zhang et al. | pCruise: Reducing cruising miles for taxicab networks | |
CN112396254A (zh) | 目的地预测方法、装置、介质及电子设备 | |
CN112734242A (zh) | 一种车辆运行轨迹数据的可用度分析方法、装置、存储介质及终端 | |
Abidin et al. | Towards improved vehicle arrival time prediction in public transportation: integrating SUMO and Kalman filter models | |
CN112356822A (zh) | 混动车辆及其发电量的预测方法、装置和预测系统 | |
CN109141459A (zh) | 一种带有电耗分析预测的电动汽车导航系统及方法 | |
CN115164922A (zh) | 一种路径规划方法、系统、设备及存储介质 | |
Ayman et al. | Data-driven prediction of route-level energy use for mixed-vehicle transit fleets | |
CN104596534A (zh) | 一种计算最优行车路径的方法 | |
CN112149906A (zh) | 一种计及充电时间的电动车出行线路综合优化方法 | |
CN114662726A (zh) | 车辆能耗预测方法和装置 | |
CN115839721A (zh) | 一种行驶路线的预测方法、装置、车载终端及介质 | |
CN113525385A (zh) | 一种车辆行程能耗的预测方法及装置 | |
CN114492161A (zh) | 一种公交车到站预测方法及装置 | |
CN113902209A (zh) | 出行路线推荐方法、边缘服务器、云服务器、设备及介质 |
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 |