CN114841712A - 网约车巡游违规运营状态的确定方法和装置及电子设备 - Google Patents
网约车巡游违规运营状态的确定方法和装置及电子设备 Download PDFInfo
- Publication number
- CN114841712A CN114841712A CN202210199850.3A CN202210199850A CN114841712A CN 114841712 A CN114841712 A CN 114841712A CN 202210199850 A CN202210199850 A CN 202210199850A CN 114841712 A CN114841712 A CN 114841712A
- Authority
- CN
- China
- Prior art keywords
- abnormal
- vehicle
- determining
- track
- suspicion index
- 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 75
- 230000002159 abnormal effect Effects 0.000 claims abstract description 226
- 230000000875 corresponding effect Effects 0.000 claims description 66
- 238000012545 processing Methods 0.000 claims description 32
- 230000015654 memory Effects 0.000 claims description 21
- 238000003032 molecular docking Methods 0.000 claims description 15
- 238000004590 computer program Methods 0.000 claims description 14
- 230000000694 effects Effects 0.000 claims description 11
- 238000003860 storage Methods 0.000 claims description 11
- 230000002596 correlated effect Effects 0.000 claims description 3
- 238000005516 engineering process Methods 0.000 abstract description 6
- 230000006870 function Effects 0.000 description 9
- 230000006399 behavior Effects 0.000 description 8
- 238000009826 distribution Methods 0.000 description 8
- 238000012544 monitoring process Methods 0.000 description 8
- 238000004422 calculation algorithm Methods 0.000 description 7
- 238000010606 normalization Methods 0.000 description 7
- 230000008569 process Effects 0.000 description 7
- 238000004364 calculation method Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 230000003993 interaction Effects 0.000 description 5
- 230000001186 cumulative effect Effects 0.000 description 4
- 238000004891 communication Methods 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000007726 management method Methods 0.000 description 3
- 238000003672 processing method Methods 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 230000003203 everyday effect Effects 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 238000012163 sequencing technique Methods 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000002354 daily effect Effects 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000005304 joining Methods 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 230000011664 signaling Effects 0.000 description 1
- 238000005507 spraying Methods 0.000 description 1
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
- G06Q30/00—Commerce
- G06Q30/018—Certifying business or products
- G06Q30/0185—Product, service or business identity fraud
-
- 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
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- Development Economics (AREA)
- Accounting & Taxation (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Entrepreneurship & Innovation (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Primary Health Care (AREA)
- Tourism & Hospitality (AREA)
- Finance (AREA)
Abstract
本发明公开了一种网约车巡游违规运营状态的确定方法和装置及电子设备。其中,该方法包括:获取营运车辆的行车数据;将实际行驶轨迹和预设行驶轨迹之间的轨迹偏差量大于第一预设阈值的营运车辆确定为第一异常营运车辆集合,并根据第一异常营运车辆集合确定在预设时间段内的第一异常巡游嫌疑指数;将未执行订单时的行车轨迹和客流密集区域之间的重合里程大于第二预设阈值的营运车辆确定为第二异常营运车辆集合,根据第二异常营运车辆集合确定在第二异常巡游嫌疑指数;根据第一异常巡游嫌疑指数和/或第二异常巡游嫌疑指数确定营运车辆在线状态时的违规营运嫌疑指数。本发明解决了相关技术中未能对违规营运的网约车进行识别和管理的技术问题。
Description
技术领域
本发明数据处理技术领域,具体而言,涉及一种网约车巡游违规运营状态的确定方法和装置及电子设备。
背景技术
在网约车平台中,网约车违规进行巡游化运营通常为两种场景:一种是营运车辆未执行平台派发的有效订单,而巡游到客流密集区,以便更快地接到系统的派单;另一种是营运车辆不接收网约车订单情况下进行线下巡游运营。相关技术中未能对上述两种场景下的违规营运车辆进行识别和监管。
发明内容
本发明实施例提供了一种网约车巡游违规运营状态的确定方法和装置及电子设备,以至少解决相关技术中未能对违规营运的网约车进行识别和管理的技术问题。
根据本发明实施例的一个方面,提供了一种车辆营运状态的确定方法,包括:获取预设时间段内营运车辆集合中每个营运车辆的行车数据;其中,所述行车数据包括每个营运车辆在相邻两订单之间的实际行驶轨迹和预设行驶轨迹、每个营运车辆在未执行订单时的行车轨迹以及客流密集区域;将所述实际行驶轨迹和预设行驶轨迹之间的轨迹偏差量大于第一预设阈值的营运车辆确定为第一异常营运车辆集合,并根据所述第一异常营运车辆集合确定在所述预设时间段内的第一异常巡游嫌疑指数,所述预设行驶轨迹为营运车辆的上一订单结束后到达最近驻车点的最短路径;和/或将未执行订单时的行车轨迹和客流密集区域之间的重合里程大于第二预设阈值的营运车辆确定为第二异常营运车辆集合,根据所述第二异常营运车辆集合确定在所述预设时间段内的第二异常巡游嫌疑指数;根据所述第一异常巡游嫌疑指数和/或第二异常巡游嫌疑指数确定营运车辆在线状态时的违规营运嫌疑指数。
根据本发明实施例的另一方面,还提供了一种网约车巡游违规运营状态的确定装置,包括:第一获取单元,获取预设时间段内营运车辆集合中每个营运车辆的行车数据;其中,所述行车数据包括每个营运车辆在相邻两订单之间的实际行驶轨迹和预设行驶轨迹,以及每个营运车辆在未执行订单时的行车轨迹和客流密集区域;第一确定单元,用于将所述实际行驶轨迹和预设行驶轨迹之间的偏差量大于第一预设阈值的营运车辆确定为第一异常营运车辆集合,并根据所述第一异常营运车辆集合确定在所述预设时间段内的第一异常巡游嫌疑指数,所述预设行驶轨迹为营运车辆的上一订单结束后到达最近驻车点的最短路径;和/或第二确定单元,用于将未执行订单时的行车轨迹和客流密集区域之间的重合度大于第二预设阈值的营运车辆确定为第二异常营运车辆集合,根据所述第二异常营运车辆集合确定在所述预设时间段内的第二异常巡游嫌疑指数;第三确定单元,用于根据所述第一异常巡游嫌疑指数和/或第二异常巡游嫌疑指数确定营运车辆在线状态时的违规营运嫌疑指数。
根据本发明实施例的又一方面,还提供了一种电子设备,包括存储器和处理器,上述存储器中存储有计算机程序,上述处理器被设置为通过上述计算机程序执行上述的网约车巡游违规运营状态的确定方法。
根据本发明实施例的又一方面,还提供了一种计算机可读的存储介质,该计算机可读的存储介质中存储有计算机程序,其中,该计算机程序被设置为运行时执行上述网约车巡游违规运营状态的确定方法。
在本发明实施例中,采用了获取预设时间段内营运车辆集合中每个营运车辆的行车数据;其中,所述行车数据包括每个营运车辆在相邻两订单之间的实际行驶轨迹和预设行驶轨迹、每个营运车辆在未执行订单时的行车轨迹以及客流密集区域;将所述实际行驶轨迹和预设行驶轨迹之间的轨迹偏差量大于第一预设阈值的营运车辆确定为第一异常营运车辆集合,并根据所述第一异常营运车辆集合确定在所述预设时间段内的第一异常巡游嫌疑指数,所述预设行驶轨迹为营运车辆的上一订单结束后到达最近驻车点的最短路径;和/或将未执行订单时的行车轨迹和客流密集区域之间的重合里程大于第二预设阈值的营运车辆确定为第二异常营运车辆集合,根据所述第二异常营运车辆集合确定在所述预设时间段内的第二异常巡游嫌疑指数;根据所述第一异常巡游嫌疑指数和/或第二异常巡游嫌疑指数确定营运车辆在线状态时的违规营运嫌疑指数,在上述方法中,通过获取对营运车辆的实际行车轨迹与营运系统的预设轨迹之间的差异,以及监测、分析应用车辆以巡游方式进行揽客经营的行为,可以对营运车辆违规行为进行快速识别,可实现对营运车辆进行全时段的监督与管理,能够帮助监管人员对网约车违规营运行为进行精准打击,以维护城市出租汽车客运市场的正常秩序。而且还能记录违规营运车辆的违规营运数据,进而解决了相关技术中未能对违规营运的网约车进行识别和管理的技术问题。
附图说明
此处所说明的附图用来提供对本发明的进一步理解,构成本申请的一部分,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。在附图中:
图1是根据本发明实施例的一种可选的网约车巡游违规运营的确定方法的应用环境的示意图;
图2是根据本发明实施例的另一种可选的网约车巡游违规运营的确定方法的应用环境的示意图;
图3是根据本发明实施例的一种可选的网约车巡游违规运营状态的确定方法的流程示意图;
图4是根据本发明实施例的一种可选的网约车巡游违规运营状态的确定方法场景示意图;
图5是根据本发明实施例的又一种可选的网约车巡游违规运营状态的确定方法的流程示意图;
图6是根据本发明实施例的另一种可选的网约车巡游违规运营状态的确定方法的流程示意图;
图7是根据本发明实施例的一种可选的网约车巡游违规运营状态的确定装置的结构示意图;
图8是根据本发明实施例的一种可选的电子设备的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分的实施例,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做出创造性劳动前提下所获得的所有其他实施例,都应当属于本发明保护的范围。
需要说明的是,本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
根据本发明实施例的一个方面,提供了一种网约车巡游违规运营状态的确定方法,可选地,作为一种可选地实施方式,上述网约车巡游违规运营状态的确定方法可以但不限于应用于如图1所示的应用环境中。该应用环境中包括:与用户进行人机交互的终端设备102、网络104、服务器106。用户108与终端设备102之间可以进行人机交互,终端设备102中运行有网约车巡游违规运营状态的确定应用程序。上述终端设备102中包括人机交互屏幕1022,处理器1024及存储器1026。人机交互屏幕1022用于呈现异常营运车辆;处理器1024用于根获取预设时间段内营运车辆集合中每个营运车辆的行车数据。存储器1026用于存储上述第一异常营运车辆集合和第二异常营运车辆集合。
此外,服务器106中包括数据库1062及处理引擎1064,数据库1062中用于存储上述第一异常营运车辆集合和第二异常营运车辆集合信息。处理引擎1064用于获取预设时间段内营运车辆集合中每个营运车辆的行车数据;其中,所述行车数据包括每个营运车辆在相邻两订单之间的实际行驶轨迹和预设行驶轨迹、每个营运车辆在未执行订单时的行车轨迹以及客流密集区域;将所述实际行驶轨迹和预设行驶轨迹之间的轨迹偏差量大于第一预设阈值的营运车辆确定为第一异常营运车辆集合,并根据所述第一异常营运车辆集合确定在所述预设时间段内的第一异常巡游嫌疑指数,所述预设行驶轨迹为营运车辆的上一订单结束后到达最近驻车点的最短路径;和/或将未执行订单时的行车轨迹和客流密集区域之间的重合里程大于第二预设阈值的营运车辆确定为第二异常营运车辆集合,根据所述第二异常营运车辆集合确定在所述预设时间段内的第二异常巡游嫌疑指数;根据所述第一异常巡游嫌疑指数和/或第二异常巡游嫌疑指数确定营运车辆在线状态时的违规营运嫌疑指数;将所述营运车辆在线状态时的违规营运嫌疑指数发送至所述终端设备102的客户端。
在一个或多个实施例中,本申请上述网约车巡游违规运营状态的确定方法可以应用于图2所示的应用环境中。如图2所示,用户202与用户设备204之间可以进行人机交互。用户设备204中包含有存储器206和处理器208。本实施例中用户设备204可以但不限于参考执行上述终端设备102 所执行的操作,以获取上述营运车辆在线状态时的违规营运嫌疑指数。
可选地,上述终端设备102和用户设备204包括但不限于为手机(如 Android手机、iOS手机等)、笔记本电脑、平板电脑、掌上电脑、MID(Mobile Internet Devices,移动互联网设备)、PAD、台式电脑、智能电视,车载电子设备,可穿戴设备等终端,目标客户端可以是视频客户端、即时通信客户端、浏览器客户端、教育客户端等。上述网络104可以包括但不限于:有线网络,无线网络,其中。上述有线网络可以包括但不限于:广域网、城域网、局域网。上述服务器106可以包括但不限于任何可以进行计算的硬件设备。上述服务器可以是单一服务器,也可以是由多个服务器组成的服务器集群,或者是云服务器。上述仅是一种示例,本实施例中对此不作任何限定。
网约车的营运规则包括:网约车及其司机均应注册为合法的营运车辆和从业人员,网约出租汽车不同于巡游出租车,其只能接收网约车平台发布的出行订单,按用户的出发点和目的地完成运输服务。网约车统一的出租汽车喷码、城市出租汽车标志,其在没有订单时,应在就近停车点停靠。网约车平台发布订单时,网约车司机可以抢单,但需要响应网约车平台的派单。
在网约车平台中,网约车违规进行巡游化运营通常分为两种场景:一种是营运车辆未执行平台派发的有效订单,而巡游到客流密集区,以便更快地接到系统的派单;另一种是营运车辆不接收网约车订单情况下进行线下巡游运营。相关技术中未能对上述两种场景下的违规营运车辆进行识别和监管。
为了解决上述问题,作为一种可选地实施方式,如图3所示,本发明实施例提供了一种车辆营运状态的确定方法,包括如下步骤:
S302,获取预设时间段内营运车辆集合中每个营运车辆的行车数据;其中,所述行车数据包括每个营运车辆在相邻两订单之间的实际行驶轨迹和预设行驶轨迹、每个营运车辆在未执行订单时的行车轨迹以及客流密集区域。
在本发明实施例中,营运车辆的行车数据包括但不限于在营运系统中的城市行政区划、网约车临停点即驻车点(如出租汽车候客点)、根据大数据确定的出行热点区域,营运车辆在营运系统中的订单数据、订单的规划轨迹数据、网约车的实时位置数据,以及城市道路的卡口通过记录等数据。
此外,行车数据包括每个营运车辆在营运系统派发的相邻两订单之间的实际行驶轨迹和预设行驶轨迹、每个营运车辆在未执行订单时的行车轨迹以及客流密集区域。这里,针对刚完成订单的网约车(营运车辆)为例,如图4所示,记录该车辆第一订单中乘客下车点的位置,记为点p;以约定半径R(如预设500米)搜索p点周边的网约车临时停靠点(或出租车候客区)。如果搜索成功,结合城市路网,搜索最短路径,记为Rsp。如果搜索不成功,逐步扩大搜索半径,直到搜索成功,并形成网约车前往临近停靠点(最近驻车点)的最短路径Rsp。Rsp作为车辆的理想行车轨迹,即上述的预设行驶轨迹。
S304,将所述实际行驶轨迹和预设行驶轨迹之间的轨迹偏差量大于第一预设阈值的营运车辆确定为第一异常营运车辆集合,并根据所述第一异常营运车辆集合确定在所述预设时间段内的第一异常巡游嫌疑指数,所述预设行驶轨迹为营运车辆的上一订单结束后到达最近驻车点的最短路径;
在本发明实施例中,包括但不限于通过第一异常营运车辆集合中每个异常营运车辆在预设的时间段内的行驶里程和行驶时间以及停靠轨迹点的数量,来确定出异常营运车辆第一异常巡游嫌疑指数。
和/或
S306,将未执行订单时的行车轨迹和客流密集区域之间的重合里程大于第二预设阈值的营运车辆确定为第二异常营运车辆集合,根据所述第二异常营运车辆集合确定在所述预设时间段内的第二异常巡游嫌疑指数。
具体地,在本发明实施例中,包括但不限于通过第二异常营运车辆集合中每个异常营运车辆在预设的时间段内的与客流密集区的重合里程、以及在客流密集区的停留时长以及在客流密集区停靠轨迹点的数量,来确定出异常营运车辆第二异常巡游嫌疑指数。
S308,根据所述第一异常巡游嫌疑指数和/或第二异常巡游嫌疑指数确定营运车辆在线状态时的违规营运嫌疑指数。
在一实施例中,当营运车辆在预设时间段内未出现在客流密集区时,可以仅根据第一异常巡游嫌疑指数来确定营运车辆在线状态时的违规营运嫌疑指数;在另一实施例中,当营运车辆在预设时间段内仅出现在客流密集区时,可以仅根据第二异常巡游嫌疑指数来确定营运车辆在线状态时的违规营运嫌疑指数。
此外,在又一实施例中,当营运车辆同时包含在第一异常营运车辆集合和第二异常营运车辆集合中时,根据所述第一异常巡游嫌疑指数和第二异常巡游嫌疑指数确定营运车辆在线状态时的违规营运嫌疑指数。可选地,还能根据第一异常巡游嫌疑指数和第二异常巡游嫌疑指数各自的权重来确定营运车辆在线状态时的违规营运嫌疑指数。
在一实施例中,第一异常营运车辆集合中的车辆包括未按照营运系统的派发的订单有效执行的车辆,根据所述实际行驶轨迹和预设行驶轨迹之间的轨迹里程偏差量大于第一预设阈值的营运车辆确定为第一异常营运车辆集合。此外,在另一场景中,本发明实施例还能通过判断营运车辆在未执行订单时的行车轨迹和客流密集区域之间的重合里程的方式来判断当前营运车辆是否为未按照营运系统的派发的订单,而刻意前往客流密集区域的营运车辆。
在本发明实施例中,采用了将所述实际行驶轨迹和预设行驶轨迹之间的轨迹偏差量大于第一预设阈值的营运车辆确定为第一异常营运车辆集合,并根据所述第一异常营运车辆集合确定在所述预设时间段内的第一异常巡游嫌疑指数,所述预设行驶轨迹为营运车辆的上一订单结束后到达最近驻车点的最短路径;和/或将未执行订单时的行车轨迹和客流密集区域之间的重合里程大于第二预设阈值的营运车辆确定为第二异常营运车辆集合,根据所述第二异常营运车辆集合确定在所述预设时间段内的第二异常巡游嫌疑指数;根据所述第一异常巡游嫌疑指数和/或第二异常巡游嫌疑指数确定营运车辆在线状态时的违规营运嫌疑指数,在上述方法中,通过获取对营运车辆的实际行车轨迹与营运系统的预设轨迹之间的差异,以及监测、分析应用车辆以巡游方式进行揽客经营的行为,可以对营运车辆违规行为进行快速识别,可实现对营运车辆进行全时段的监督与管理,而且还能记录违规营运车辆的违规营运数据,进而解决了相关技术中未能对违规营运的网约车进行识别和管理的技术问题。
在一个或多个实施例中,所述根据所述第一异常营运车辆集合确定在所述预设时间段内的第一异常巡游嫌疑指数,包括:
确定所述实际行驶轨迹和预设行驶轨迹之间的行驶时间偏差量,以及确定出在所述实际行驶轨迹中的异常停靠轨迹点的第一统计数量;其中,所述异常停靠轨迹点为营运状态下非指定驻车点。
具体地,通过营运系统中相邻两个订单之间的时间,以及根据预设行驶轨迹所用的时间,将二者的差值作为所述行驶时间偏差量。这里的异常停靠轨迹点包括但不限于营运系统中规定的在营运状态下的驻车点之外的停靠点,例如除就近的出租车的停驻点。
将所述轨迹偏差量、行驶时间偏差量和第一统计数量进行标准化处理得到各自对应的第一标准化处理数据,以及每个第一标准化数据各对应的权重。
这里,由于轨迹,时间,统计数量在度量衡上属于不同维度的数据,因此,需要将所述轨迹偏差量、行驶时间偏差量和第一统计数量进行标准化处理。本发明实施例中的标准化处理方法包括但不限于零-均值标准化算法,极大值-极小值标准化算法。
基于标准化处理数据,以及每个第一标准化数据各对应的权重,确定出所述第一异常营运车辆集合中每个营运车辆的在所述预设时间段内的第一异常巡游嫌疑指数;其中,所述异常巡游嫌疑指数为根据每个营运车辆对应的第一标准化处理数据,以及每个第一标准化数据各对应的权重进行加权求和得到的结果。
在一个或多个实施例中,所述确定出在所述实际行驶轨迹中的异常停靠轨迹点的第一统计数量,包括:
将营运车辆在连续多个实际行驶轨迹点均相同的轨迹点确定为停靠轨迹点;将所述停靠轨迹点中不在预设停靠区域内的停靠轨迹点确定为异常停靠轨迹点,并确定所述异常停靠轨迹点的第一统计数量。
具体地,将网约车(营运车辆)行驶轨迹经纬度的坐标点匹配到地图中,生成待判定车辆的实际行驶轨迹,再结合各轨迹点的时刻,计算出各轨迹点之间的平均行驶速度。网约车在连续多个实际行驶轨迹点均相同的轨迹点确定为停靠轨迹点,该停靠轨迹点是网约车处于临时停止状态的轨迹点,记录该停靠轨迹点的位置和网约车的停靠时长。
结合已划定的网约车固定停靠区域(即驻车点)地图数据,对网约车停靠轨迹点进行分组,网约车在规定区域内停靠的轨迹点认为该车辆为正常停靠;如果网约车在网约车固定停靠区域以外的地点临时停靠时,则可能有停靠揽客的嫌疑,将该停靠轨迹点确定为异常停靠轨迹点。
在一个或多个实施例中,所述根据所述第二异常营运车辆集合确定在所述预设时间段内的第二异常巡游嫌疑指数,包括:
确定营运车辆在未执行订单时在客流密集区域内的重合时间,以及确定出在所述客流密集区域中的异常停靠轨迹点的第二统计数量。
具体地,异常停靠轨迹点包括但不限于在客流密集区域的网约车固定停靠区域以外的地点临时停靠的轨迹点。
将所述重合里程、重合时间和第二统计数量进行标准化处理得到各自对应的第二标准化处理数据,以及每个第二标准化数据各对应的权重。
这里,由于里程,时间,统计数量在度量衡上属于不同维度的数据,因此,需要将所述里程、行驶时间偏差量和第二统计数量进行标准化处理。本发明实施例中的标准化处理方法包括但不限于零-均值标准化算法,极大值-极小值标准化算法。
基于所述第二标准化处理数据,以及每个第二标准化数据各对应的权重,确定出所述第二异常营运车辆集合中每个营运车辆的在所述预设时间段内的第二异常巡游嫌疑指数;其中,所述第二异常巡游嫌疑指数为根据每个营运车辆对应的第二标准化处理数据,以及每个第二标准化数据各对应的权重进行加权求和得到的结果。
在一个或多个实施例中,所述将所述轨迹偏差量、行驶时间偏差量和第一统计数量进行标准化处理得到各自对应的第一标准化处理数据,以及每个第一标准化数据各对应的权重,包括:
将所述轨迹偏差量、行驶时间偏差量和第一统计数量通过零-均值标准化算法处理,得到各自对应的第一标准化处理数据;
根据所述第一标准化处理数据基于和积法获取所述轨迹偏差量、行驶时间偏差量和第一统计数量各自的第一标准化数据对应的权重。
在本发明实施例中,零-均值标准化算法是一种统计的处理方法,基于正态分布的假设,将数据变换为均值为0、标准差为1的标准正态分布。但即使数据不服从正态分布,也可以用此法。特别适用于数据的最大值和最小值未知,或存在孤立点。
具体地,例如,计算营运车辆的预设行车轨迹和实际行车轨迹在行驶里程和行驶时间的偏差量。将行驶里程的偏差量超过设定阈值的车辆确定为未接单异常巡游嫌疑(即第一异常巡游嫌疑)车辆,同时累计计算行驶轨迹里程偏差量le和行驶时间偏差量te。结合两轨迹的累计偏差量和异常停靠轨迹点累计数量Ne,计算未接单异常巡游嫌疑指数(第一异常巡游嫌疑)Im=fm(le,te,Ne),其中,fm(*)是车辆行车轨迹偏差异常的敏感函数,值域范围[0,100]。
在此过程中,首先通过标准化处理公式对le,te,Ne三个因子进行标准化处理;其中,Xnew为第一标准化数据,μ为所有样本数据的均值,σ为所有样本数据的标准差;然后分别得到三个标准因子le′,te′,Ne′,然后按照和积法,利用三个标准因子逐级进行权重计算,得到每个异常轨迹的嫌疑指数fmi=al′e+bt′e+cNe′(其中a、b、c分别表示和积法确定的三个标准因子le′,te′,Ne′的权重系数)。
此外,如果需要统计营运车辆在指定期限内的异常巡游嫌疑指数,可以将指定期限内所有异常嫌疑指数进行统计求和,得到未接单异常巡游嫌疑指数Im=∑fmi。
在一个或多个实施例中,所述将所述重合里程、重合时间和第二统计数量进行标准化处理得到各自对应的第二标准化处理数据,以及每个第二标准化数据各对应的权重,包括:
将所述重合里程、重合时间和第二统计数量通过零-均值标准化算法处理,得到各自对应的第二标准化处理数据;
根据所述第二标准化处理数据基于和积法获得所述重合里程、重合时间和第二统计数量各自的第二标准化数据对应的权重。
具体地,基于营运车辆对应的多组轨迹点集合,多组轨迹点集合可以包括线上或线下的轨迹,统计营运车辆无订单时在客流密集区域的实际轨迹点,统计行驶里程和行驶时间,计算车辆行车轨迹与客流密集区域的重合度,包括重合里程ls和重合时间ts,当重合度超过设定阈值时,则判定该车辆具有客流密集区异常巡游的嫌疑(即第二异常巡游嫌疑指数)。之后计算累计重合度。结合累计重合度和客流密集区域内路侧停靠轨迹点累计数量Ns,计算车辆客流密集区巡游的嫌疑指数In=fn(ls,ts,Ns),其中, fn(*)是车辆行车轨迹与客流密集区域相关的敏感函数,值域范围[0,100]。
在此过程中,通过对ls,ts,Ns三个因子进行标准化处理,其中,Xnew为第一标准化数据,μ为所有样本数据的均值,σ为所有样本数据的标准差;分别得到三个标准因子ls′,ts′,Ns′,然后按照和积法,利用三个标准因子逐级进行权重计算,得到每个异常轨迹的嫌疑指数 fni=al′s+bt′s+cNs′(其中a、b、c分别表示和积法确定的三个标准因子 ls′,ts′,Ns′的权重系数)。
此外,如果需要统计营运车辆在指定期限内的客流密集区巡游嫌疑指数,可以在指定期限内将所有异常嫌疑指数进行统计求和,得到客流密集区异常巡游嫌疑指数(即第二异常巡游嫌疑指数)In=∑fni。
在一个或多个实施例中,所述根据所述第一异常巡游嫌疑指数和第二异常巡游嫌疑指数确定营运车辆在线状态时的违规营运嫌疑指数,包括:
根据第一异常巡游嫌疑指数、所述第一异常巡游嫌疑指数在营运系统对应的权重,以及根据第二异常巡游嫌疑指数、所述第二异常巡游嫌疑指数在营运系统对应的权重,确定营运车辆在线状态时的违规营运嫌疑指数。
具体地,计算网约车在线状态时违规营运的嫌疑指数的公式为: Io=αIm+βIn,(α+β=1)。Io的取值范围[0,100],Io的数值越大,说明营运车辆,如网约车辆存在未接单异常巡游的嫌疑越大。需要说明的是第一异常巡游嫌疑指数的权重和第二异常巡游嫌疑指数的权重可以分别根据其发生的时长确定。
在一个或多个实施例中,所述行车数据还包括营运车辆在营运系统下线后的线下行驶轨迹,所述方法还包括:
获取当前营运车辆在营运系统下线后的正常活动范围;基于所述线下行驶轨迹,获取所述当前营运车辆在所述正常活动范围之外的线下巡游行驶轨迹对应的里程;其中,所述线下巡游行驶轨迹不包括所述当前营运车辆在营运系统下线的轨迹点到所述正常活动范围之间的轨迹。
根据所述里程确定所述当前营运车辆的线下巡游运营嫌疑指数,所述里程与所述线下巡游运营嫌疑指数正相关。
具体地,对营运车辆在营运系统下线后的行驶轨迹,匹配到营运系统中的地图上,并以城市道路的卡口(监控数据)检测到该车辆通过时间为依据,顺序连接其所通过卡口,形成卡口对之间的直线段,累加这些直线段的距离,记为Nd。Nd越大,该营运车辆在线下巡游运营的嫌疑越大,由此计算该车辆的线下巡游运营嫌疑指数Id=g(Nd),g(*)是车辆线下轨迹数据分布相关的敏感函数,Id的取值范围[0,100],Id的数值越大,说明网约车辆存在线下违规巡游营运的嫌疑越大。需要说明的是,所述线下巡游行驶轨迹不包括所述当前营运车辆在营运系统下线的轨迹点到所述正常活动范围之间的轨迹,即如果提取到的卡口的当前营运车辆数据是其下线前最后的位置到其常规活动范围可能经过的卡口过车数据,则删除该卡口记录,对其他卡口记录继续进行筛选和判断。正常活动范围可能是网约车日常出车、收车地点或者其居住地,可根据需要设定。
在一个或多个实施例中,所述车辆营运状态的确定方法还包括:
根据所述当前营运车辆在线状态时的违规营运嫌疑指数、所述当前营运车辆线下巡游运营嫌疑指数各自对应的时长,确定在线状态时的违规营运嫌疑指数对应的第一权重和线下巡游运营嫌疑指数对应的第二权重;
基于所述第一权重和第二权重计算所述当前营运车辆对应的违规营运嫌疑指数。
具体地,综合营运车辆在线违规巡游嫌疑指数、线下违规巡游经营嫌疑指数,计算得到该网约车违规营运的嫌疑指数Iw=H(Io,Id),H为权重函数,可以按发生Io和Id的对应总时长为各自对应权重计算得到Iw。
在一个或多个实施例中,所述基于所述第一权重和第二权重计算所述当前营运车辆对应的违规营运嫌疑指数之后,还包括:
将营运车辆集合中每个营运车辆的违规营运嫌疑指数大于预设阈值的营运车辆确定为目标违规营运车辆;输出所述目标违规营运车辆。
具体地,将营运车辆违规营运嫌疑指数进行排序,违规营运嫌疑指数大于预设阈值的营运车辆确定应重点关注的车辆。以网约车违规营运的嫌疑指数Iw从大到小排序,排在前面的是应重点关注的网约车辆。
如可将排在前面的网约车辆提供给网约车平台服务企业,责成其进行整改,对相关车辆进行处罚等。如果连续多次评估发现巡游化运营违规行为均集中在某些网约车平台,则可约谈该网约车平台,乃至降低平台的网约车服务资质,削减平台的网约车配额。
针对每台重点关注的网约车辆,网约车在完成订单后但未接到下一个订单前的实际行车路径、理想行车路径,在退出网约车APP之后的卡口拍照的时间和照片,都可以作为网约车违规进行巡游化运营的辅助证据提供给管理部门进行存储。
本实施例,通过对网约车在线和线下两种状态下的行车行为分析,评估营运车辆违规营运嫌疑指数,可以对营运车辆违规行为进行快速识别,实现对营运车辆进行全时段的监督与管理,能够帮助监管人员对网约车违规营运行为进行精准打击,以维护城市出租汽车客运市场的正常秩序。而且还能记录违规营运车辆的违规营运数据,进而解决了相关技术中未能对违规营运的网约车进行识别和管理的技术问题。
基于上述实施例,如图5所示,在一应用实施例中,上述的网约车巡游违规状态的确定方法还包括如下步骤:
S502,获取营运车辆行车数据并进行预处理。
数据汇聚,获得城市行政区划、网约车临停点(如出租汽车候客点)、出行热点区域;获取网约车平台(营运系统)的车辆订单数据、订单的规划轨迹数据、网约车的实时位置数据,以及城市道路卡口对网约车的卡口通过记录等有关数据。
出行热点特征计算。把城市行政区域按边长为L1(如预设500米) 划分正方形网格,每个网格分配唯一编码,称作网格码NetID;把车辆订单的起点、终点等位置信息按经纬度匹配等方式匹配到各个网格上,以 T1(预设,如30分钟)为时间间隔,对每个网格上出现的订单起点和终点进行统计,按统计结果大小排序,形成城市网约车出行热点网格码的集合{NetID}(含时间特征)。
S504,车辆行车数据与订单数据分组分析。
网约车(营运车辆)居留地点及营运时间特征抽取。针对每辆网约出租汽车,依据上述步骤形成的城市网格,对该车辆每日首单前营运系统的客户端上线位置、时间,每日末单后客户端下线位置、时间,对这两个位置进行聚类处理,提取每辆网约车的可能居留地点和出车、收车时间特征。
网约车行驶轨迹分组。选定辆营运车辆,将其轨迹经纬度坐标点匹配到地图中,生成待判定车辆的实际行驶轨迹,再结合各轨迹点的时刻,计算出各轨迹点之间的平均行驶速度。结合路况数据剔除行车速度异常的轨迹点,再将剔除后剩余的轨迹点按照平均行驶速度、停靠地点等分为连续行驶、路侧停靠(上述的异常停靠)、固定停车等不同类型的分组。
这里,营运车辆在连续多个轨迹点之间的平均行车速度为零的轨迹区段将被认为是网约车处于临时停止状态,记录该停靠点的车辆位置和停靠时长。
结合划定的网约车固定停靠(驻车点)区域地图数据,对车辆停靠轨迹点再次进行分组,车辆在规定区域内停靠的轨迹点认为该车辆为正常停靠,即固定停车分组;如果车辆在网约车固定停靠区域以外的地点临时停靠时,则可能有停靠揽客的嫌疑,即路侧停靠点分组。
S506,相邻两订单间营运车辆位置偏移量计算。
这里,针对刚完成订单的网约车(营运车辆)为例,如图4所示,记录该车辆第一订单中乘客下车点的位置,记为点p;以约定半径R(预设,如500米)搜索p点周边的网约车临时停靠点(或出租车候客区)。如果搜索成功,结合城市路网,搜索最短路径,记为Rsp。如果搜索不成功,逐步扩大搜索半径,直到搜索成功,并形成网约车前往临停地点的最短路径Rsp。Rsp作为车辆的理想行车轨迹,即上述的预设行驶轨迹。
S508,未接单异常巡游嫌疑指数计算。
跟踪并记录该网约车在接到下一个订单时的实际行车轨迹Rrp,并按照上述的计算方法对行车轨迹进行分组处理。
例如,计算营运车辆的预设行车轨迹和实际行车轨迹在行驶里程和行驶时间的偏差量。将行驶里程的偏差量超过设定阈值的车辆确定为未接单异常巡游嫌疑车辆,同时累计计算行驶里程偏差量le和行驶时间偏差量te。结合两轨迹的累计偏差量和异常停靠轨迹点累计数量Ne,计算未接单异常巡游嫌疑指数Im=fm(le,te,Ne),其中,fm(*)是车辆行车轨迹偏差异常的敏感函数,值域范围[0,100]。
在此过程中,首先通过标准化处理公式对le,te,Ne三个因子进行标准化处理;其中,Xnew为第一标准化数据,μ为所有样本数据的均值,σ为所有样本数据的标准差;然后分别得到三个标准因子le′,te′,Ne′,然后按照和积法,利用三个标准因子逐级进行权重计算,得到每个异常轨迹的嫌疑指数fmi=al′e+bt′e+cNe′(其中a、b、c分别表示和积法确定的三个标准因子le′,te′,N′e的权重系数)。
此外,如果需要统计营运车辆在指定期限内的异常巡游嫌疑指数,可以将指定期限内所有异常嫌疑指数进行统计求和,得到未接单异常巡游嫌疑指数Im=∑fmi。
S510,车辆行驶轨迹与客流密集区重合度计算。
S512,客流密集区异常巡游嫌疑指数计算。
基于营运车辆对应的多组轨迹点集合,多组轨迹集合包括在线轨迹和下线后的轨迹,统计营运车辆无订单时在客流密集区域的实际轨迹点,统计行驶里程和行驶时间,计算车辆行车轨迹与客流密集区域的重合度,包括重合里程ls和重合时间ts,当重合度超过设定阈值时,则判定该车辆具有客流密集区异常巡游的嫌疑。之后计算累计重合度。结合累计重合度和客流密集区域内路侧停靠轨迹点累计数量Ns,计算车辆客流密集区巡游的嫌疑指数In=fn(ls,ts,Ns),其中,fn(*)是车辆行车轨迹与客流密集区域相关的敏感函数,值域范围[0,100]。
在此过程中,通过对ls,ts,Ns三个因子进行标准化处理,其中,Xnew为第一标准化数据,μ为所有样本数据的均值,σ为所有样本数据的标准差;分别得到三个标准因子ls′,ts′,Ns′,然后按照和积法,利用三个标准因子逐级进行权重计算,得到每个异常轨迹的嫌疑指数 fni=al′s+bt′s+cNs′(其中a、b、c分别表示和积法确定的三个标准因子 ls′,ts′,Ns′的权重系数)。
此外,如果需要统计营运车辆在指定期限内的客流密集区巡游嫌疑指数,可以在指定期限内将所有异常嫌疑指数进行统计求和,得到客流密集区巡游嫌疑指数In=∑fni。
S514,网约车在线状态下违规营运嫌疑指数计算。
具体地,计算网约车在线状态时违规营运的嫌疑指数的公式为: Io=αIm+βIn,(α+β=1)。Io的取值范围[0,100],Io的数值越大,说明营运车辆,如网约车辆存在未接单异常巡游的嫌疑越大。
车辆从网约车平台下线(退出网约车营运系统的客户端)后,则无法对其进行实时位置监控,需要通过城市道路的卡口监控视频抓拍数据进行分析。
基于上述实施例,如图6所示,在一应用实施例中,上述的车辆营运状态的确定方法还包括如下步骤:
S602,道路卡口监控视频数据获取与预处理。
S604,监测车辆位置与轨迹计算。
S606,车辆历史行为数据分析与挖掘。
S608,车辆下线后巡游营运行为判定;
S610,车辆(网约车)线下违规巡游营运嫌疑指数计算。
具体地,上述方法包括如下步骤:
6.1:计算目标网约车的常规活动范围。
6.2:从城市道路卡口监控视频数据的卡口网约车过车数据中,抽取出退出网约车客户端的网约车辆清单。如果抽取失败,更换下一个车辆;如果抽取成功,则转向下一步。
6.3:如果提取到的卡口过车数据是下线前最后位置到其常规活动范围可能经过的卡口过车数据,则删除该卡口记录,对其他卡口记录继续进行筛选。如果需要筛选的卡口记录为空,则退出本车辆的嫌疑判断流程,转向下一辆网约车继续本步骤;否则转向下一步;
6.4:对删除常规活动范围相关的卡口过车记录外的剩余数据,匹配到地图上,并以卡口检测到该车辆通过时间为依据,顺序连接其所通过卡口,形成卡口对之间的直线段,累加这些直线段的距离,记为Nd。Nd越大,该网约车在线下巡游运营的嫌疑越大,由此计算该车辆的线下巡游运营嫌疑指数Id=g(Nd),g(*)是车辆线下轨迹数据分布相关的敏感函数,Id的取值范围[0,100],Id的数值越大,说明网约车辆存在线下违规巡游营运的嫌疑越大。
6.5:计算该网约车违规营运嫌疑指数。综合车辆网约车在线违规巡游嫌疑指数、线下违规巡游经营嫌疑指数,计算得到该网约车违规营运的嫌疑指数Iw=H(Io,Id),H为权重函数,可以按发生Io和Id的总时长为权重计算得到Iw。
6.6:网约车线下巡游营运嫌疑排序,确定应重点关注的车辆。以网约车违规营运的嫌疑指数Iw从大到小排序,排在前面的是应重点关注的网约车辆。
在本发明实施例中,还可以采用手机信令获取网约车驾驶员手机定位数据,从而代替卡口监控视频来实现对网约车下线后的异常轨迹追踪。
需要说明的是,对于前述的各方法实施例,为了简单描述,故将其都表述为一系列的动作组合,但是本领域技术人员应该知悉,本发明并不受所描述的动作顺序的限制,因为依据本发明,某些步骤可以采用其他顺序或者同时进行。其次,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优选实施例,所涉及的动作和模块并不一定是本发明所必须的。
根据本发明实施例的另一个方面,还提供了一种用于实施上述网约车巡游违规状态的确定方法的车辆营运状态的确定装置。如图7所示,该装置包括:
第一获取单元702,获取预设时间段内营运车辆集合中每个营运车辆的行车数据;其中,所述行车数据包括每个营运车辆在相邻两订单之间的实际行驶轨迹和预设行驶轨迹,以及每个营运车辆在未执行订单时的行车轨迹和客流密集区域;
第一确定单元704,用于将所述实际行驶轨迹和预设行驶轨迹之间的偏差量大于第一预设阈值的营运车辆确定为第一异常营运车辆集合,并根据所述第一异常营运车辆集合确定在所述预设时间段内的第一异常巡游嫌疑指数,所述预设行驶轨迹为营运车辆的上一订单结束后到达最近驻车点的最短路径;和/或
第二确定单元706,用于将未执行订单时的行车轨迹和客流密集区域之间的重合度大于第二预设阈值的营运车辆确定为第二异常营运车辆集合,根据所述第二异常营运车辆集合确定在所述预设时间段内的第二异常巡游嫌疑指数;
第三确定单元708,用于根据所述第一异常巡游嫌疑指数和/或第二异常巡游嫌疑指数确定营运车辆在线状态时的违规营运嫌疑指数。
在本发明实施例中,采用了获取预设时间段内营运车辆集合中每个营运车辆的行车数据;其中,所述行车数据包括每个营运车辆在相邻两订单之间的实际行驶轨迹和预设行驶轨迹、每个营运车辆在未执行订单时的行车轨迹以及客流密集区域;将所述实际行驶轨迹和预设行驶轨迹之间的轨迹偏差量大于第一预设阈值的营运车辆确定为第一异常营运车辆集合,并根据所述第一异常营运车辆集合确定在所述预设时间段内的第一异常巡游嫌疑指数,所述预设行驶轨迹为营运车辆的上一订单结束后到达最近驻车点的最短路径;和/或将未执行订单时的行车轨迹和客流密集区域之间的重合里程大于第二预设阈值的营运车辆确定为第二异常营运车辆集合,根据所述第二异常营运车辆集合确定在所述预设时间段内的第二异常巡游嫌疑指数;根据所述第一异常巡游嫌疑指数和/或第二异常巡游嫌疑指数确定营运车辆在线状态时的违规营运嫌疑指数,在上述方法中,通过获取对营运车辆的实际行车轨迹与营运系统的预设轨迹之间的差异,以及监测、分析应用车辆以巡游方式进行揽客经营的行为,可以对营运车辆违规行为进行快速识别,可实现对营运车辆进行全时段的监督与管理,而且还能记录违规营运车辆的违规营运数据,进而解决了相关技术中未能对违规营运的网约车进行识别和管理的技术问题。
在一个或多个实施例中,所述第一确定单元704,还包括:
第一确定模块,用于确定所述实际行驶轨迹和预设行驶轨迹之间的行驶时间偏差量,以及确定出在所述实际行驶轨迹中的异常停靠轨迹点的第一统计数量;其中,所述异常停靠轨迹点为营运状态下非指定驻车点;
第一处理模块,用于将所述轨迹偏差量、行驶时间偏差量和第一统计数量进行标准化处理得到各自对应的第一标准化处理数据,以及每个第一标准化数据各对应的权重;
第二确定模块,用于基于标准化处理数据,以及每个第一标准化数据各对应的权重,确定出所述第一异常营运车辆集合中每个营运车辆的在所述预设时间段内的第一异常巡游嫌疑指数;其中,所述异常巡游嫌疑指数为根据每个营运车辆对应的第一标准化处理数据,以及每个第一标准化数据各对应的权重进行加权求和得到的结果。
在一个或多个实施例中,所述第一确定模块,包括:
第一确定子单元,用于将营运车辆在连续多个实际行驶轨迹点均相同的轨迹点确定为停靠轨迹点;
第二确定子单元,用于将所述停靠轨迹点中不在预设停靠区域内的停靠轨迹点确定为异常停靠轨迹点,并确定所述异常停靠轨迹点的第一统计数量。
在一个或多个实施例中,所述第二确定单元706,还包括:
第三确定模块,用于确定营运车辆在未执行订单时在客流密集区域内的重合时间,以及确定出在所述客流密集区域中的所述异常停靠轨迹点的第二统计数量;
第四确定模块,用于确定营运车辆在未执行订单时在客流密集区域内的重合时间,以及确定出在所述客流密集区域中的异常停靠轨迹点的第二统计数量;
第一处理模块,用于将所述重合里程、重合时间和第二统计数量进行标准化处理得到各自对应的第二标准化处理数据,以及每个第二标准化数据各对应的权重;
第五确定模块,用于基于所述第二标准化处理数据,以及每个第二标准化数据各对应的权重,确定出所述第二异常营运车辆集合中每个营运车辆的在所述预设时间段内的第二异常巡游嫌疑指数;其中,所述第二异常巡游嫌疑指数为根据每个营运车辆对应的第二标准化处理数据,以及每个第二标准化数据各对应的权重进行加权求和得到的结果。
在一个或多个实施例中,所述第三确定单元708,还包括:
第六确定模块,用于根据第一异常巡游嫌疑指数、所述第一异常巡游嫌疑指数在营运系统对应的权重,以及根据第二异常巡游嫌疑指数、所述第二异常巡游嫌疑指数在营运系统对应的权重,确定营运车辆在线状态时的违规营运嫌疑指数。
在一个或多个实施例中,所述网约车巡游违规状态的确定装置,还包括:
第二获取单元,用于获取当前营运车辆在营运系统下线后的正常活动范围;
第三获取单元,用于基于所述线下行驶轨迹,获取所述当前营运车辆在所述正常活动范围之外的线下巡游行驶轨迹对应的里程;其中,所述线下巡游行驶轨迹不包括所述当前营运车辆在营运系统下线的轨迹点到所述正常活动范围之间的轨迹;
第四确定单元,用于根据所述里程确定所述当前营运车辆的线下巡游运营嫌疑指数,所述里程与所述线下巡游运营嫌疑指数正相关。
在一个或多个实施例中,所述网约车巡游违规状态的确定装置,还包括:
第五确定单元,根据所述当前营运车辆在线状态时的违规营运嫌疑指数、所述当前营运车辆线下巡游运营嫌疑指数各自对应的时长,确定在线状态时的违规营运嫌疑指数对应的第一权重和线下巡游运营嫌疑指数对应的第二权重;
第一计算单元,用于基于所述第一权重和第二权重计算所述当前营运车辆对应的违规营运嫌疑指数。
在一个或多个实施例中,所述网约车巡游违规状态的确定装置,还包括:
第六确定单元,用于将营运车辆集合中每个营运车辆的违规营运嫌疑指数大于预设阈值的营运车辆确定为目标违规营运车辆;
输出单元,用于输出所述目标违规营运车辆。
根据本发明实施例的又一个方面,还提供了一种用于实施上述网约车巡游违规状态的确定方法的电子设备,该电子设备可以是图8所示的终端设备或服务器。本实施例以该电子设备为终端为例来说明。如图8所示,该电子设备包括存储器802和处理器804,该存储器802中存储有计算机程序,该处理器804被设置为通过计算机程序执行上述任一项方法实施例中的步骤。
可选地,在本实施例中,上述电子设备可以位于计算机网络的多个网络设备中的至少一个网络设备。
可选地,在本实施例中,上述处理器可以被设置为通过计算机程序执行以下步骤:
S1,获取预设时间段内营运车辆集合中每个营运车辆的行车数据;其中,所述行车数据包括每个营运车辆在相邻两订单之间的实际行驶轨迹和预设行驶轨迹、每个营运车辆在未执行订单时的行车轨迹以及客流密集区域;
S2,将所述实际行驶轨迹和预设行驶轨迹之间的轨迹偏差量大于第一预设阈值的营运车辆确定为第一异常营运车辆集合,并根据所述第一异常营运车辆集合确定在所述预设时间段内的第一异常巡游嫌疑指数,所述预设行驶轨迹为营运车辆的上一订单结束后到达最近驻车点的最短路径;
S3,将未执行订单时的行车轨迹和客流密集区域之间的重合里程大于第二预设阈值的营运车辆确定为第二异常营运车辆集合,根据所述第二异常营运车辆集合确定在所述预设时间段内的第二异常巡游嫌疑指数;
S4,根据所述第一异常巡游嫌疑指数和/或第二异常巡游嫌疑指数确定营运车辆在线状态时的违规营运嫌疑指数。
可选地,本领域普通技术人员可以理解,图8所示的结构仅为示意,电子装置电子设备也可以是智能手机(如Android手机、iOS手机等)、平板电脑、掌上电脑以及移动互联网设备(Mobile Internet Devices,MID)、 PAD等终端设备。图8其并不对上述电子装置电子设备的结构造成限定。例如,电子装置电子设备还可包括比图8中所示更多或者更少的组件(如网络接口等),或者具有与图8所示不同的配置。
其中,存储器802可用于存储软件程序以及模块,如本发明实施例中的网约车巡游违规状态的确定方法和装置对应的程序指令/模块,处理器 804通过运行存储在存储器802内的软件程序以及模块,从而执行各种功能应用以及数据处理,即实现上述的车辆营运状态的确定方法。存储器802 可包括高速随机存储器,还可以包括非易失性存储器,如一个或者多个磁性存储装置、闪存、或者其他非易失性固态存储器。在一些实例中,存储器802可进一步包括相对于处理器804远程设置的存储器,这些远程存储器可以通过网络连接至终端。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。其中,存储器802具体可以但不限于用于存储第一异常营运车辆和第二异常营运车辆信息。作为一种示例,如图8所示,上述存储器802中可以但不限于包括上述车辆营运状态的确定装置中的第一获取单元702、第一确定单元704、第二确定单元706 与第三确定单元。此外,还可以包括但不限于上述网约车巡游违规状态的确定装置中的其他模块单元,本示例中不再赘述。
可选地,上述的传输装置806用于经由一个网络接收或者发送数据。上述的网络具体实例可包括有线网络及无线网络。在一个实例中,传输装置806包括一个网络适配器(Network Interface Controller,NIC),其可通过网线与其他网络设备与路由器相连从而可与互联网或局域网进行通讯。在一个实例中,传输装置806为射频(Radio Frequency,RF)模块,其用于通过无线方式与互联网进行通讯。
此外,上述电子设备还包括:显示器808,用于显示第一异常营运车辆和第二异常营运车辆;和连接总线810,用于连接上述电子设备中的各个模块部件。
在其他实施例中,上述终端设备或者服务器可以是一个分布式系统中的一个节点,其中,该分布式系统可以为区块链系统,该区块链系统可以是由该多个节点通过网络通信的形式连接形成的分布式系统。其中,节点之间可以组成点对点(P2P,Peer To Peer)网络,任意形式的计算设备,比如服务器、终端等电子设备都可以通过加入该点对点网络而成为该区块链系统中的一个节点。
根据本申请的一个方面,提供了一种计算机程序产品或计算机程序,该计算机程序产品或计算机程序包括计算机指令,该计算机指令存储在计算机可读存储介质中。计算机设备的处理器从计算机可读存储介质读取该计算机指令,处理器执行该计算机指令,使得该计算机设备执行上述车辆营运状态的确定方法,其中,该计算机程序被设置为运行时执行上述任一项方法实施例中的步骤。
可选地,在本实施例中,上述计算机可读的存储介质可以被设置为存储用于执行以下步骤的计算机程序:
S1,获取预设时间段内营运车辆集合中每个营运车辆的行车数据;其中,所述行车数据包括每个营运车辆在相邻两订单之间的实际行驶轨迹和预设行驶轨迹、每个营运车辆在未执行订单时的行车轨迹以及客流密集区域;
S2,将所述实际行驶轨迹和预设行驶轨迹之间的轨迹偏差量大于第一预设阈值的营运车辆确定为第一异常营运车辆集合,并根据所述第一异常营运车辆集合确定在所述预设时间段内的第一异常巡游嫌疑指数,所述预设行驶轨迹为营运车辆的上一订单结束后到达最近驻车点的最短路径;
S3,将未执行订单时的行车轨迹和客流密集区域之间的重合里程大于第二预设阈值的营运车辆确定为第二异常营运车辆集合,根据所述第二异常营运车辆集合确定在所述预设时间段内的第二异常巡游嫌疑指数;
S4,根据所述第一异常巡游嫌疑指数和/或第二异常巡游嫌疑指数确定营运车辆在线状态时的违规营运嫌疑指数。
可选地,在本实施例中,本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令终端设备相关的硬件来完成,该程序可以存储于一计算机可读存储介质中,存储介质可以包括:闪存盘、只读存储器(Read-Only Memory,ROM)、随机存取器(Random Access Memory,RAM)、磁盘或光盘等。
上述本发明实施例序号仅仅为了描述,不代表实施例的优劣。
上述实施例中的集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在上述计算机可读取的存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在存储介质中,包括若干指令用以使得一台或多台计算机设备(可为个人计算机、服务器或者网络设备等)执行本发明各个实施例方法的全部或部分步骤。
在本发明的上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述的部分,可以参见其他实施例的相关描述。
在本申请所提供的几个实施例中,应该理解到,所揭露的客户端,可通过其它的方式实现。其中,以上所描述的装置实施例仅仅是示意性的,例如单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,单元或模块的间接耦合或通信连接,可以是电性或其它的形式。
作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
以上仅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,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (11)
1.一种网约车巡游违规运营状态的确定方法,其特征在于,包括:
获取预设时间段内营运车辆集合中每个营运车辆的行车数据;其中,所述行车数据包括每个营运车辆在相邻两订单之间的实际行驶轨迹和预设行驶轨迹、每个营运车辆在未执行订单时的行车轨迹以及客流密集区域;
将所述实际行驶轨迹和预设行驶轨迹之间的轨迹偏差量大于第一预设阈值的营运车辆确定为第一异常营运车辆集合,并根据所述第一异常营运车辆集合确定在所述预设时间段内的第一异常巡游嫌疑指数,所述预设行驶轨迹为营运车辆的上一订单结束后到达最近驻车点的最短路径;和/或
将未执行订单时的行车轨迹和客流密集区域之间的重合里程大于第二预设阈值的营运车辆确定为第二异常营运车辆集合,根据所述第二异常营运车辆集合确定在所述预设时间段内的第二异常巡游嫌疑指数;
根据所述第一异常巡游嫌疑指数和/或第二异常巡游嫌疑指数确定营运车辆在线状态时的违规营运嫌疑指数。
2.根据权利要求1所述的方法,其特征在于,所述根据所述第一异常营运车辆集合确定在所述预设时间段内的第一异常巡游嫌疑指数,包括:
确定所述实际行驶轨迹和预设行驶轨迹之间的行驶时间偏差量,以及确定出在所述实际行驶轨迹中的异常停靠轨迹点的第一统计数量;其中,所述异常停靠轨迹点为营运状态下非指定驻车点;
将所述轨迹偏差量、行驶时间偏差量和第一统计数量进行标准化处理得到各自对应的第一标准化处理数据,以及每个第一标准化数据各对应的权重;
基于所述第一标准化处理数据,以及每个第一标准化数据各对应的权重,确定出所述第一异常营运车辆集合中每个营运车辆的在所述预设时间段内的第一异常巡游嫌疑指数;其中,所述异常巡游嫌疑指数为根据每个营运车辆对应的第一标准化处理数据,以及每个第一标准化数据各自对应的权重进行加权求和得到的结果。
3.根据权利要求2所述的方法,其特征在于,所述确定出在所述实际行驶轨迹中的异常停靠轨迹点的第一统计数量,包括:
将营运车辆在连续多个实际行驶轨迹点均相同的轨迹点确定为停靠轨迹点;
将所述停靠轨迹点中不在预设停靠区域内的停靠轨迹点确定为异常停靠轨迹点,并确定所述异常停靠轨迹点的第一统计数量。
4.根据权利要求2所述的方法,其特征在于,所述根据所述第二异常营运车辆集合确定在所述预设时间段内的第二异常巡游嫌疑指数,包括:
确定营运车辆在未执行订单时在客流密集区域内的重合时间,以及确定出在所述客流密集区域中的所述异常停靠轨迹点的第二统计数量;
将所述重合里程、重合时间和第二统计数量进行标准化处理得到各自对应的第二标准化处理数据,以及每个第二标准化数据各对应的权重;
基于所述第二标准化处理数据,以及每个第二标准化数据各对应的权重,确定出所述第二异常营运车辆集合中每个营运车辆的在所述预设时间段内的第二异常巡游嫌疑指数;其中,所述第二异常巡游嫌疑指数为根据每个营运车辆对应的第二标准化处理数据,以及每个第二标准化数据各对应的权重进行加权求和得到的结果。
5.根据权利要求4所述的方法,其特征在于,所述根据所述第一异常巡游嫌疑指数和第二异常巡游嫌疑指数确定营运车辆在线状态时的违规营运嫌疑指数,包括:
根据第一异常巡游嫌疑指数、所述第一异常巡游嫌疑指数在营运系统对应的权重,以及根据第二异常巡游嫌疑指数、所述第二异常巡游嫌疑指数在营运系统对应的权重,确定营运车辆在线状态时的违规营运嫌疑指数。
6.根据权利要求1所述的方法,其特征在于,所述行车数据还包括营运车辆在营运系统下线后的线下行驶轨迹,所述方法还包括:
获取当前营运车辆在营运系统下线后的正常活动范围;
基于所述线下行驶轨迹,获取所述当前营运车辆在所述正常活动范围之外的线下巡游行驶轨迹对应的里程;其中,所述线下巡游行驶轨迹不包括所述当前营运车辆在营运系统下线的轨迹点到所述正常活动范围之间的轨迹;
根据所述里程确定所述当前营运车辆的线下巡游运营嫌疑指数,所述里程与所述线下巡游运营嫌疑指数正相关。
7.根据权利要求6所述的方法,其特征在于,所述方法还包括:
根据所述当前营运车辆在线状态时的违规营运嫌疑指数、所述当前营运车辆线下巡游运营嫌疑指数各自对应的时长,确定在线状态时的违规营运嫌疑指数对应的第一权重和线下巡游运营嫌疑指数对应的第二权重;
基于所述第一权重和第二权重计算所述当前营运车辆对应的违规营运嫌疑指数。
8.根据权利要求7所述的方法,其特征在于,所述基于所述第一权重和第二权重计算所述当前营运车辆对应的违规营运嫌疑指数之后,还包括:
将营运车辆集合中每个营运车辆的违规营运嫌疑指数大于预设阈值的营运车辆确定为目标违规营运车辆;
输出所述目标违规营运车辆。
9.一种网约车巡游违规运营状态的确定装置,其特征在于,包括:
第一获取单元,获取预设时间段内营运车辆集合中每个营运车辆的行车数据;其中,所述行车数据包括每个营运车辆在相邻两订单之间的实际行驶轨迹和预设行驶轨迹,以及每个营运车辆在未执行订单时的行车轨迹和客流密集区域;
第一确定单元,用于将所述实际行驶轨迹和预设行驶轨迹之间的偏差量大于第一预设阈值的营运车辆确定为第一异常营运车辆集合,并根据所述第一异常营运车辆集合确定在所述预设时间段内的第一异常巡游嫌疑指数,所述预设行驶轨迹为营运车辆的上一订单结束后到达最近驻车点的最短路径;和/或
第二确定单元,用于将未执行订单时的行车轨迹和客流密集区域之间的重合度大于第二预设阈值的营运车辆确定为第二异常营运车辆集合,根据所述第二异常营运车辆集合确定在所述预设时间段内的第二异常巡游嫌疑指数;
第三确定单元,用于根据所述第一异常巡游嫌疑指数和/或第二异常巡游嫌疑指数确定营运车辆在线状态时的违规营运嫌疑指数。
10.一种电子设备,包括存储器和处理器,其特征在于,所述存储器中存储有计算机程序,所述处理器被设置为通过所述计算机程序执行所述权利要求1至8中任一项所述的方法。
11.一种计算机可读的存储介质,其特征在于,所述计算机可读的存储介质包括存储的程序,其中,所述程序运行时执行所述权利要求1至8任一项中所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210199850.3A CN114841712B (zh) | 2022-03-01 | 2022-03-01 | 网约车巡游违规运营状态的确定方法和装置及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210199850.3A CN114841712B (zh) | 2022-03-01 | 2022-03-01 | 网约车巡游违规运营状态的确定方法和装置及电子设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114841712A true CN114841712A (zh) | 2022-08-02 |
CN114841712B CN114841712B (zh) | 2023-03-24 |
Family
ID=82561874
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210199850.3A Active CN114841712B (zh) | 2022-03-01 | 2022-03-01 | 网约车巡游违规运营状态的确定方法和装置及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114841712B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116386339A (zh) * | 2023-06-06 | 2023-07-04 | 中路高科交通科技集团有限公司 | 一种省际客运未按线路行驶违法行为智能检测方法 |
CN116631198A (zh) * | 2023-06-05 | 2023-08-22 | 南京观为智慧软件科技有限公司 | 基于物联网设备的交通综合执法研判系统 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106548241A (zh) * | 2016-10-25 | 2017-03-29 | 先锋智道(北京)科技有限公司 | 网约车运行状态的确定方法、装置及系统 |
CN106557955A (zh) * | 2016-11-29 | 2017-04-05 | 流量海科技成都有限公司 | 网约车异常订单识别方法及系统 |
US20180108103A1 (en) * | 2016-01-27 | 2018-04-19 | Beijing Didi Infinity Technology And Development Co., Ltd. | Systems and methods for matching and displaying service request and available vehicles |
CN108665698A (zh) * | 2018-05-21 | 2018-10-16 | 杭州优行科技有限公司 | 基于轨迹的网约车监管方法及装置 |
CN108717784A (zh) * | 2018-05-21 | 2018-10-30 | 杭州优行科技有限公司 | 网约车监管方法、装置及计算机可读存储介质 |
CN110942640A (zh) * | 2019-12-04 | 2020-03-31 | 无锡华通智能交通技术开发有限公司 | 一种主动发现非法从事网约车客运的嫌疑车辆的方法 |
CN111008805A (zh) * | 2019-12-06 | 2020-04-14 | 京东数字城市(成都)科技有限公司 | 妥投时间确定方法、装置、存储介质与电子设备 |
CN111191949A (zh) * | 2020-01-03 | 2020-05-22 | 北京三快在线科技有限公司 | 网约车辆异常行驶行为识别方法、装置、电子设备 |
CN112232723A (zh) * | 2020-12-14 | 2021-01-15 | 南京领行科技股份有限公司 | 异常行为的实时检测方法、装置、电子设备及存储介质 |
CN112687099A (zh) * | 2020-12-16 | 2021-04-20 | 北京北大千方科技有限公司 | 一种超载嫌疑车辆判定方法和装置 |
-
2022
- 2022-03-01 CN CN202210199850.3A patent/CN114841712B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180108103A1 (en) * | 2016-01-27 | 2018-04-19 | Beijing Didi Infinity Technology And Development Co., Ltd. | Systems and methods for matching and displaying service request and available vehicles |
CN106548241A (zh) * | 2016-10-25 | 2017-03-29 | 先锋智道(北京)科技有限公司 | 网约车运行状态的确定方法、装置及系统 |
CN106557955A (zh) * | 2016-11-29 | 2017-04-05 | 流量海科技成都有限公司 | 网约车异常订单识别方法及系统 |
CN108665698A (zh) * | 2018-05-21 | 2018-10-16 | 杭州优行科技有限公司 | 基于轨迹的网约车监管方法及装置 |
CN108717784A (zh) * | 2018-05-21 | 2018-10-30 | 杭州优行科技有限公司 | 网约车监管方法、装置及计算机可读存储介质 |
CN110942640A (zh) * | 2019-12-04 | 2020-03-31 | 无锡华通智能交通技术开发有限公司 | 一种主动发现非法从事网约车客运的嫌疑车辆的方法 |
CN111008805A (zh) * | 2019-12-06 | 2020-04-14 | 京东数字城市(成都)科技有限公司 | 妥投时间确定方法、装置、存储介质与电子设备 |
CN111191949A (zh) * | 2020-01-03 | 2020-05-22 | 北京三快在线科技有限公司 | 网约车辆异常行驶行为识别方法、装置、电子设备 |
CN112232723A (zh) * | 2020-12-14 | 2021-01-15 | 南京领行科技股份有限公司 | 异常行为的实时检测方法、装置、电子设备及存储介质 |
CN112687099A (zh) * | 2020-12-16 | 2021-04-20 | 北京北大千方科技有限公司 | 一种超载嫌疑车辆判定方法和装置 |
Non-Patent Citations (2)
Title |
---|
叶骐铭 等: ""巡游出租车运力规模动态调整回归树模型"", 《宁波大学学报(理工版)》 * |
林鹏飞 等: ""基于网约车轨迹数据的城市路网宏观运行质量评价方法"", 《交通信息与安全》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116631198A (zh) * | 2023-06-05 | 2023-08-22 | 南京观为智慧软件科技有限公司 | 基于物联网设备的交通综合执法研判系统 |
CN116631198B (zh) * | 2023-06-05 | 2023-12-22 | 南京观为智慧软件科技有限公司 | 基于物联网设备的交通综合执法研判系统 |
CN116386339A (zh) * | 2023-06-06 | 2023-07-04 | 中路高科交通科技集团有限公司 | 一种省际客运未按线路行驶违法行为智能检测方法 |
CN116386339B (zh) * | 2023-06-06 | 2023-08-15 | 中路高科交通科技集团有限公司 | 一种省际客运未按线路行驶违法行为智能检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN114841712B (zh) | 2023-03-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108242149B (zh) | 一种基于交通数据的大数据分析方法 | |
CN114841712B (zh) | 网约车巡游违规运营状态的确定方法和装置及电子设备 | |
Wang et al. | A big data approach for smart transportation management on bus network | |
CN107205022A (zh) | 用于新能源汽车服务与管理的系统及其服务与管理方法 | |
CN110866642A (zh) | 安全监控方法、装置、电子设备和计算机可读存储介质 | |
CN110969861B (zh) | 一种车辆识别方法、装置、设备及计算机存储介质 | |
JP5951903B2 (ja) | 料金払戻しシステムおよびその方法 | |
CN112447041A (zh) | 识别车辆的营运行为的方法、装置及计算设备 | |
CN105574698A (zh) | 基于大数据下的智能仓储管理系统 | |
Shao et al. | Estimating taxi demand-supply level using taxi trajectory data stream | |
CN112801552A (zh) | 基于交通大数据挖掘和智能分析的网约车和巡游车的监管方法 | |
CN113792782A (zh) | 运营车辆的轨迹监测方法、装置、存储介质及计算机设备 | |
CN104700630A (zh) | 一种高速公路车流量的监测方法及系统 | |
CN113487877A (zh) | 一种道路车辆违规停车监控方法 | |
CN111105330A (zh) | 基于一站式管理平台的智慧社区管理系统 | |
CN206058521U (zh) | 一种基于rfid的车辆管理系统 | |
CN111539864A (zh) | 一种基于lbs大数据的踩踏事件的情报分析方法和装置 | |
CN110096804A (zh) | 基于移动终端数据的高速公路服务区的布局方法及系统 | |
Carli et al. | Monitoring traffic congestion in urban areas through probe vehicles: A case study analysis | |
Bacon et al. | TIME: An open platform for capturing, processing and delivering transport-related data | |
Kurkcu et al. | Data visualization tool for monitoring transit operation and performance | |
CN105933463A (zh) | 基于智能设备标识信息的城市人员进出城监测方法与系统 | |
CN112396196A (zh) | 针对智能交通系统实现智慧运维管理的系统 | |
CN112308356A (zh) | 一种社区设备巡查、安保巡查方法及系统 | |
US20220277551A1 (en) | Vehicle dispatch and tracking based on vehicle-carring image processing |
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 |