CN115619103B - 基于货车行驶轨迹的典型行业物流联运分析方法及系统 - Google Patents
基于货车行驶轨迹的典型行业物流联运分析方法及系统 Download PDFInfo
- Publication number
- CN115619103B CN115619103B CN202211422011.XA CN202211422011A CN115619103B CN 115619103 B CN115619103 B CN 115619103B CN 202211422011 A CN202211422011 A CN 202211422011A CN 115619103 B CN115619103 B CN 115619103B
- Authority
- CN
- China
- Prior art keywords
- enterprise
- transportation
- track
- segment
- data
- 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
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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
-
- 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
- G06Q10/08—Logistics, e.g. warehousing, loading or distribution; Inventory or stock management
- G06Q10/083—Shipping
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Quality & Reliability (AREA)
- Development Economics (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Game Theory and Decision Science (AREA)
- Educational Administration (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供了基于货车行驶轨迹的典型行业物流联运分析方法及系统,包括:获取所有载货货车的轨迹数据集;获取每个载货货车的完整出行链;获取典型行业对应的头部企业的企业空间标准位置信息和企业预设物流辐射范围值,根据企业空间标准位置信息和企业预设物流辐射范围值确定每一个头部企业的货运空间关联位置范围;确定重货运输起点,确定重货运输终点;获取各个交通设施节点的节点空间位置标准信息;若重货运输起点或重货运输终点在交通设施节点的运输辐射范围内,则确定典型行业对应的头部企业的运输方式为企业多式联运方式。本发的基于货车行驶轨迹的典型行业物流联运分析方法,解决了现有的缺乏对多式联运货运特征的分析的技术问题。
Description
技术领域
本发明涉及基于计算机处理的物流分析技术领域,尤其涉及基于货车行驶轨迹的典型行业物流联运分析方法及系统。
背景技术
目前,通过对高速公路联网收费数据进行分析,识别货车起终点,还原货车运行轨迹,推算货运流量,分析货运流向。
现有技术中的货物流量流向分析方法均没有将公路转水运、公路转铁路或航路等多式联运的货运行为考虑在内,缺乏对多式联运货运特征的分析,仅仅通过对高速公路联网收费数据进行货运流量、流向分析,分析维度不够精细。
鉴于此,有必要提供一种基于货车行驶轨迹的典型行业物流联运分析方法。
发明内容
本发明的主要目的是提供一种基于货车行驶轨迹的典型行业物流联运分析方法,旨在解决现有的缺乏对典型行业对应的头部企业的多式联运货运特征分析的技术问题。
为实现上述目的,本发明提供了一种基于货车行驶轨迹的典型行业物流联运分析方法,包括如下步骤:S10,获取目标地区内且处于历史目标时间段的具有预设载重的所有载货货车的轨迹数据集;S20,对轨迹数据集进行数据清洗和数据处理,获取每个载货货车的完整出行链,完整出行链具有出行链起点和出行链终点; S30,获取目标地区内典型行业对应的头部企业的企业空间标准位置信息和企业预设物流辐射范围值,根据企业空间标准位置信息和企业预设物流辐射范围值确定每一个头部企业的货运空间关联位置范围,所有的头部企业的货运空间关联位置范围的数据集合组成典型行业对应的头部企业的货运空间关联位置范围数据集;S40,确定空间位置在货运空间关联位置范围数据集内的出行链起点为重货运输起点,确定空间位置在货运空间关联位置范围数据集内的出行链终点为重货运输终点;S50,获取目标区域内的各个交通设施节点的节点空间位置标准信息,节点空间位置标准信息包括每一个交通设施节点对应的节点唯一标识、节点类别、节点等级、节点经纬度;S60,融合重货运输起点、重货运输终点以及交通设施节点的节点空间位置标准信息,若重货运输起点或重货运输终点在交通设施节点的运输辐射范围内,则确定典型行业对应的头部企业的运输方式为企业多式联运方式。
进一步地,还包括步骤:采用公式计算获取任意头部企业的企业多式联运占比,其中,i点为交通设施节点的位置点,o点为重货运输起点,d点为重货运输终点,/>为运行轨迹为(i,d)的载货货车,运行轨迹为/>的载货货车/>的集合记为/>为运行轨迹为(o,i)的载货货车,运行轨迹为(o,i)的载货货车集合记为/>,运行轨迹为/>的载货货车/>的最大承载载重记为/>运行轨迹为/>的载货货车/>的最大承载载重记为/>,R为交通设施节点的总数量,交通设施节点包括港口转运节点、火车站转运节点以及机场站转运节点。
进一步地,步骤S30具体包括:获取目标区域内的企业数据信息,企业数据信息包括企业名称、企业类型、企业注册资金、企业地址信息以及企业经营范围;根据企业经营范围确定与典型行业关联的企业为拟定企业;基于企业注册资金采用一维K-means算法将拟定企业按规模分类,从拟定企业中确定与典型行业关联的头部企业;将头部企业的企业数据信息融合至地理地图兴趣数据,获取头部企业的厂房空间面域数据,以确定头部企业的企业空间位置信息;根据企业空间位置信息和企业预设物流辐射范围值确定每一个头部企业的货运空间关联位置范围,所有的头部企业的货运空间关联位置范围的数据集合组成典型行业对应的头部企业的货运空间关联位置范围数据集。
进一步地,步骤S20具体包括步骤: S21,对轨迹数据集进行数据处理和数据清洗,获取每个载货货车的单车片段轨迹,单车片段轨迹具有轨迹停留点,轨迹停留点包括单车片段起点和单车片段终点;S22,获取每个单车片段轨迹的片段关键指标,片段关键指标包括单车片段里程、单车片段平均行驶速度、单车片段空间范围以及单车片段停留时长,其中,单车片段空间范围为单车片段轨迹的单车片段起点和单车片段终点之间的直线距离,当前的单车片段停留时长为下一个单车片段轨迹的单车片段起点与当前单车片段轨迹的单车片段终点之间的间隔时长;S23,对片段关键指标进行数据处理,获取每个载货货车的完整出行链,完整出行链具有出行链起点和出行链终点。
进一步地,步骤S21具体包括:对轨迹数据集进行数据处理具体包括:在轨迹数据集内按照车牌唯一编码进行分类,同一车牌唯一编码在对应的记录时间上具有车方位角、当前经度、当前维度;依据记录时间进行排序获取同一车牌唯一编码在相邻两个记录时间之间的时间间隔、瞬时速度、加速度、方位角变化;对轨迹数据集进行数据清洗具体包括:若同一车牌唯一编码在对应的记录时间上存在信息缺失,则剔除同一车牌唯一编码在对应的记录时间的一组数据;若同一车牌唯一编码在对应的记录时间上存在时刻重叠,则保留同一车牌唯一编码在对应的记录时间的一组数据;若瞬时速度大于预设有效速度则剔除瞬时速度对应的一组数据;若加速度大于预设有效加速度则剔除加速度对应的一组数据;若方位角变化大于预设角度变化阈值则剔除方位角变化对应的一组数据;依据获取数据的时间间隔确定每个载货货车的单车片段轨迹,若获取数据的时间间隔大于第一时间阈值则确认当前轨迹点为当前单车片段轨迹和单车片段起点和下一单车片段轨迹的单车片段终点。
本发明还提供一种基于货车行驶轨迹的典型行业物流强度分析系统,包括存储器、处理器以及存储在存储器内并可在处理器上运行的计算机程序,计算机程序被处理器执行时,实现如上述的基于货车行驶轨迹的典型行业物流联运分析方法的步骤。
与现有技术相比,本发明具有以下优点:
本发明提供了一种基于货车行驶轨迹的典型行业物流联运分析方法,通过在获取目标地区内且处于历史目标时间段的具有预设载重的所有载货货车的轨迹数据集后,对轨迹数据集进行数据处理和数据清洗,进而获取每个载货货车的出行链起点和出行链终点,出行链起点和出行链终点为载货货车完整出行链的起终点;然后通过获取所述目标地区内典型行业对应的头部企业的企业空间位置信息和企业预设物流辐射范围值,确定每一个所述头部企业的货运空间关联位置范围,获取典型行业对应的所述头部企业的货运空间关联位置范围数据集;通过确定空间位置在所述货运空间关联位置范围数据集内的所述出行链起点为重货运输起点,确定空间位置在所述货运空间关联位置范围数据集内的所述出行链终点为重货运输终点,获取所述目标区域内的各个交通设施节点的节点空间位置标准信息;最后融合所述重货运输起点、所述重货运输终点以及所述交通设施节点的节点空间位置标准信息,若所述重货运输起点或所述重货运输终点在所述交通设施节点的运输辐射范围内,则确定所述典型行业对应的所述头部企业的运输方式为企业多式联运方式,能为规划管理部门提供精准的数据支撑,解决了现有的缺乏对多式联运货运特征的分析的技术问题。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,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的前提下,还可以根据这些附图示出的结构获得其他的附图。
本发明目的的实现、功能特点及优点将结合实施方式,参照附图做进一步说明;
图1为本发明的一实施例的一种基于货车行驶轨迹的典型行业物流联运分析方法的流程示意图;
图2为本发明的另一实施例的一种基于货车行驶轨迹的典型行业物流联运分析方法的流程示意图。
具体实施方式
下面将结合本发明实施方式中的附图,对本发明实施方式中的技术方案进行清楚、完整地描述,显然,所描述的实施方式仅仅是本发明的一部分实施方式,而不是全部的实施方式。基于本发明中的实施方式,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施方式,都属于本发明保护的范围。
本发明各个实施方式之间的技术方案可以相互结合,但是必须是以本领域普通技术人员能够实现为基础,当技术方案的结合出现相互矛盾或无法实现时应当认为这种技术方案的结合不存在,也不在本发明要求的保护范围之内。
请参阅附图1,本发明的一实施例提供了一种基于货车行驶轨迹的典型行业物流联运分析方法,包括如下步骤:S10,获取目标地区内且处于历史目标时间段的具有预设载重的所有载货货车的轨迹数据集;S20,对所述轨迹数据集进行数据清洗和数据处理,获取每个所述载货货车的完整出行链,所述完整出行链具有出行链起点和出行链终点;S30,获取所述目标地区内典型行业对应的头部企业的企业空间标准位置信息和企业预设物流辐射范围值,根据所述企业空间标准位置信息和所述企业预设物流辐射范围值确定每一个所述头部企业的货运空间关联位置范围,所有的所述头部企业的货运空间关联位置范围的数据集合组成所述典型行业对应的所述头部企业的货运空间关联位置范围数据集;S40,确定空间位置在所述货运空间关联位置范围数据集内的所述出行链起点为重货运输起点,确定空间位置在所述货运空间关联位置范围数据集内的所述出行链终点为重货运输终点;S50,获取所述目标区域内的各个交通设施节点的节点空间位置标准信息,所述节点空间位置标准信息包括每一个所述交通设施节点对应的节点唯一标识、节点类别、节点等级、节点经纬度;S60,融合所述重货运输起点、所述重货运输终点以及所述交通设施节点的节点空间位置标准信息,若所述重货运输起点或所述重货运输终点在所述交通设施节点的运输辐射范围内,则确定所述典型行业对应的所述头部企业的运输方式为企业多式联运方式。
本发明提供了一种基于货车行驶轨迹的典型行业物流联运分析方法,通过在获取目标地区内且处于历史目标时间段的具有预设载重的所有载货货车的轨迹数据集后,对轨迹数据集进行数据处理和数据清洗,进而获取每个载货货车的出行链起点和出行链终点,出行链起点和出行链终点为载货货车完整出行链的起终点;然后通过获取所述目标地区内典型行业对应的头部企业的企业空间位置信息和企业预设物流辐射范围值,确定每一个所述头部企业的货运空间关联位置范围,获取典型行业对应的所述头部企业的货运空间关联位置范围数据集;通过确定空间位置在所述货运空间关联位置范围数据集内的所述出行链起点为重货运输起点,确定空间位置在所述货运空间关联位置范围数据集内的所述出行链终点为重货运输终点,获取所述目标区域内的各个交通设施节点的节点空间位置标准信息;最后融合所述重货运输起点、所述重货运输终点以及所述交通设施节点的节点空间位置标准信息,若所述重货运输起点或所述重货运输终点在所述交通设施节点的运输辐射范围内,则确定所述典型行业对应的所述头部企业的运输方式为企业多式联运方式,能为规划管理部门提供精准的数据支撑,解决了现有的缺乏对多式联运货运特征的分析的技术问题。
可以理解地,本发明中,目标地区可以是某一国家(例如中国),也可以是某一国家的某个省份或者自治区(例如湖南省、重庆等);历史目标时间段可以是一年,也可以是一个月或者其他时间等,历史目标时间段可以根据实际需求进行设置;预设载重可以是预设12吨及其以上,也可以是预设10吨及其以上,预设载重可以根据实际需求进行设置。
可以理解地,根据每个载货货车的轨迹数据,可以确定单个载货货车的完整出行链,完整出行链具有出行链起点和出行链终点,其中,出行链起点和出行链终点为载货货车完整出行链的起终点。本发明中,可以基于出行链起点和出行链终点的经纬度关联轨迹数据坐标系;可以基于地理信息系统使货运空间关联位置范围关联地理信息数据坐标系,最后在关联轨迹数据坐标系与地理信息数据坐标系后,确定空间位置在所述货运空间关联位置范围数据集内的所述出行链起点为重货运输起点,确定空间位置在所述货运空间关联位置范围数据集内的所述出行链终点为重货运输终点;获取所述目标区域内的各个交通设施节点的节点空间位置标准信息,基于地理信息系统使节点空间位置标准信息关联地理信息数据坐标系,融合所述重货运输起点、所述重货运输终点以及所述交通设施节点的节点空间位置标准信息,若所述重货运输起点或所述重货运输终点在所述交通设施节点的运输辐射范围内,则确定所述典型行业对应的所述头部企业的运输方式为企业多式联运方式。可以精准地确定目标地区内典型行业对应的头部企业是否采用多式联运方式进行运送。
可以理解地,典型行业可以是某个特定产业,例如冷链产业、工程机械产业、钢铁产业以及农产品产业等;头部企业为典型行业靠前的企业。
请参考图2,进一步地,在本发明的另一实施例中,为了获取任意所述头部企业的企业多式联运占比,还包括步骤:
采用公式计算获取任意所述头部企业的企业多式联运占比,其中,i点为所述交通设施节点的位置点,o点为所述重货运输起点,d点为所述重货运输终点,/>为运行轨迹为(i,d)的所述载货货车,所述运行轨迹为/>的所述载货货车/>的集合记为/>为所述运行轨迹为(o,i)的所述载货货车,所述运行轨迹为(o,i)的所述载货货车集合记为/>,所述运行轨迹为/>的所述载货货车/>的最大承载载重记为/>所述运行轨迹为/>的所述载货货车/>的最大承载载重记为/>,R为所述交通设施节点的总数量,所述交通设施节点包括港口转运节点、火车站转运节点以及机场站转运节点。
进一步地,获取目标区域内的企业数据信息,所述企业数据信息包括企业名称、企业类型、企业注册资金、企业地址信息以及企业经营范围;根据所述企业经营范围确定与所述典型行业关联的企业为拟定企业;基于所述企业注册资金采用一维K-means算法将所述拟定企业按规模分类,从所述拟定企业中确定与所述典型行业关联的头部企业;将所述头部企业的企业数据信息融合至地理地图兴趣数据,获取所述头部企业的厂房空间面域数据,以确定所述头部企业的企业空间位置信息;根据所述企业空间位置信息和所述企业预设物流辐射范围值确定每一个所述头部企业的货运空间关联位置范围,所有的所述头部企业的货运空间关联位置范围的数据集合组成所述典型行业对应的所述头部企业的货运空间关联位置范围数据集。
可选地,首先对初始的企业数据进行数据预处理。由于初始的企业数据中记录字段较多,部分字段与货品流量流向相关性不强,因此需要对初始数据进行清洗,数据经过清洗后不仅能提高挖掘分析的准确性,同时有助于降低运算难度、节约计算资源。在具体实施时:第一步,删除无关字段,初始的企业数据中包含14个字段,并不是所有字段在货品流量流向分析中均需要用到,故仅从中提取公司名称、注册资本、公司类型、地址信息、经营范围共5个字段进行分析;第二步,删除缺失数据,空值在数据挖掘和分析中为无效数据,在客观上不利于数据分析效率的提升,甚至可能导致错误的分析结果,因此,定位数据中的空值,并删除含空值的整条数据;第三部,数据标准化,标准化主要是针对注册资本、地址信息两个字段而言。注册资本中,原数据存在“元、万元”等不同单位以及单位缺失等问题,需将单位统一为万元;地址信息中,原数据格式不统一,例如“慈利县零阳镇琵琶村5组”缺少省级和市级地址,“湖南省桑植县刘家坪乡新阳村”缺市级地址等。为方便后续进行AOI、POI匹配,需要将地址格式统一为“省—市(州)—区(县)—街道(乡镇)—门牌号”。首先将原数据根据目标格式拆成“省、市(州)、区(县)、街道(乡镇)、门牌号”五级地址;然后根据五级地址是否齐全判断地址是否需要进行标准化,筛选出需要进行标准化的行数据;最后对于筛选出的行数据,提取公司名称,利用Python语言中的selenium、BeautifulSoup等模块从百度地图网页批量提取公司具体地址,按照目标格式储存。处理后的企业数据字段情况如表1所示的企业信息数据。
表1
序号 | 字段 | 介绍 |
1 | 公司名称 | 企业的唯一标识 |
2 | 注册资本 | 统一格式为“阿拉伯数字+万元” |
3 | 公司类型 | 包含有限责任公司、股份有限公司等28种类型 |
4 | 地址信息 | 格式统一为“省—市—区(县)—街道(乡镇)—门牌号”五级地址 |
5 | 经营范围 | 多个关键字概括企业经营范围,如货物道路运输服务、货运代理等。 |
具体地,实施典型行关联的业头部企业的筛选和空间化操作如下:筛选典型行业对应的企业数据信息企业数据。上述步骤中初步对企业数据进行了字段标准化,明确了企业的经营类别、企业类型、注册资金、地址信息、经营范围等基本信息。对经营范围字段进行关键词检索和语义分类,提取拟研究行业的企业数据;行业内企业数据分类,筛选头部企业。本方法应用一维K-means算法对企业数据进行分类,目的是将企业按规模分类,以便提取各行业内主要的生产企业。以企业注册资金信息为分类依据字段,优点是可以依据数据自身分布特点进行分类,相似性越高的数据对象越有可能被分在一个类别,重点是要不停调整分类数(K),以方差拟合优度(GVF)指标判定分类效果好坏,比较得到最优分类结构。
其中,SDAM是原始数据的方差,SDCM是每一类方差的和。SDAM是一个常数,而SDCM、GVF与分类数有关,随着值增大,SDCM值减小,GVF值增大,一定范围内,GVF越大,分类效果越好,当等于/>时,/>,/>,考虑到/>值不能太大,本方法取/>时的/>值为分类数量;头部企业数据空间化,目的是得到头部企业实际生产空间的空间面域数据,首先基于头部企业地址信息进行空间索引和模糊定位。企业数据缺少精确的空间定位信息,因此选用地址信息作为空间定位依据,匹配得到较为准确的企业空间定位点,然后将头部企业定位点匹配至AOI、POI数据。将上一步骤得到的企业空间点与AOI、POI数据进行叠加,综合企业名称、经营类别、POI类别、AOI类别等信息进行匹配,进一步提高企业空间数据的精度。考虑到期望输出是企业面数据,且POI、AOI数据空间定位精度较地址信息定位数据更高,匹配过程中数据选用的优先级为:AOI>POI>基于地址信息空间索引得到的企业点;最后对整理得到的企业点数据进行影像叠加和面域提取。叠加现势性较高的遥感影像,以企业点数据为定位中心,解译和提取企业厂房空间面域数据。其中,POI通常称作兴趣点,泛指互联网电子地图中的点类数据,基本包含名称、地址、坐标、类别四个属性;AOI叫兴趣面,AOI相比于POI,除了名称、类型等信息外,多了一个边界坐标列表。其中,POI数据主要字段如表2所示。
表2
字段 | 说明 | 介绍 |
Poi_id | 车牌号 | poi的唯一标识编码 |
name | 名称 | 地图上具有地理意义点的名称 |
Type | 类别 | POI数据共分为六大类 |
adress | 地址 | 格式为“省-市-区(县)-街道-门牌号” |
weidu | 纬度 | ddd°mm.mmmm′,度分格式 |
Jingdu | 经度 | ddd°mm.mmmm′,度分格式 |
进一步地,进一步地,步骤S10具体包括步骤:S11,在目标地区内且处于历史目标时间段,每预设单位时间报送一次具有载货货车的货运轨迹点的运行数据信息,其中,载货货车处于熄火停放时不报送运行数据信息,运行数据信息包括载货货车对应的车牌唯一编码,以及车牌唯一编码对应的记录时间记录的车方位角、当前经度、当前维度;S12,所有的运行数据信息的集合形成轨迹数据集。可以理解地,预设单位时间可以是15秒,可以是20秒、30秒、60秒、120秒等其它时间值;通过载货货车处于熄火停放时不报送运行数据信息,进而便于在不报送运行数据信息的时长大于一定时长(第一时间阈值)后确定载货货车处于熄火停车状态,以便于获取载货货车的单车片段轨迹,其中,第一时间阈值的时长大于预设单位时间的时长。可选地,可以时载货货车处于熄火停放时不报送运行数据信息的时间间隔为停留时间;也可以时当前的单车片段停留时长为下一个单车片段轨迹的单车片段起点与当前单车片段轨迹的单车片段终点之间的间隔时长。
请参考表3(轨迹数据集使用字段),轨迹数据集包括车牌唯一编码(车牌唯一ID)、车牌唯一编码对应的记录时间(GPS报送时间)记录的车方位角、当前经度、当前维度以及载重量。本发明中可以通过车牌唯一编码对应的载重量(吨)确定具有预设载重的所有载货货车。
表3
车牌唯一编码 | 车方位角 | GPS报送时间 | 当前纬度 | 当前经度 | 载重量 |
1104797915287110 | 289 | 2021/6/1 23:35 | 28.58573 | 111.07001 | 11.78 |
1972948023840940 | 326 | 2021/6/1 23:37 | 28.592786 | 111.092586 | 10.10 |
1567865372090860 | 11 | 2021/6/1 23:44 | 28.625226 | 111.177291 | 12.05 |
1757272118176660 | 94 | 2021/6/1 23:45 | 28.628721 | 111.189616 | 12.90 |
1688143499144770 | 337 | 2021/6/1 23:46 | 28.634161 | 111.201881 | 9.75 |
1501152476828150 | 156 | 2021/6/1 23:35 | 29.427751 | 113.214205 | 5.65 |
1222217908973130 | 27 | 2021/6/1 23:37 | 29.42129 | 113.195335 | 20.30 |
1874171863099970 | 82 | 2021/6/1 23:39 | 29.410195 | 113.181718 | 22.55 |
1944933784526310 | 124 | 2021/6/1 23:42 | 29.398385 | 113.180105 | 8.98 |
1376092011687900 | 353 | 2021/6/1 23:44 | 29.390326 | 113.179071 | 6.88 |
1161304462298880 | 118 | 2021/6/1 23:46 | 29.374283 | 113.177021 | 20.05 |
1575037507802430 | 157 | 2021/6/1 23:51 | 29.36286 | 113.17557 | 22.35 |
1559259011758730 | 148 | 2021/6/1 23:53 | 29.36286 | 113.17557 | 9.75 |
1623958910795730 | 123 | 2021/6/1 23:57 | 29.362848 | 113.175566 | 6.20 |
1270505318695890 | 318 | 2021/6/1 23:59 | 29.36284 | 113.175563 | 13.20 |
1491423422809110 | 17 | 2021/6/1 23:34 | 27.03214 | 110.663535 | 16.30 |
1735150964901490 | 122 | 2021/6/1 23:36 | 27.03214 | 110.663535 | 17.50 |
1861344092286190 | 141 | 2021/6/1 23:34 | 28.224595 | 113.201411 | 12.20 |
1789257302555510 | 306 | 2021/6/1 23:34 | 28.224575 | 113.20141 | 8.98 |
1590042016194950 | 183 | 2021/6/1 23:34 | 28.22456 | 113.201411 | 6.88 |
1128454073720930 | 39 | 2021/6/1 23:39 | 28.20598 | 113.199725 | 20.05 |
1684350192154350 | 330 | 2021/6/1 23:46 | 28.152741 | 113.197755 | 22.35 |
1061291341695560 | 63 | 2021/6/1 23:51 | 28.13931 | 113.22234 | 9.75 |
1304588545326850 | 151 | 2021/6/1 23:35 | 27.360065 | 109.345496 | 6.20 |
1568999531869330 | 32 | 2021/6/1 23:37 | 27.360121 | 109.362655 | 13.20 |
1195126996529610 | 259 | 2021/6/1 23:39 | 27.363506 | 109.395611 | 16.30 |
1481125722272210 | 195 | 2021/6/1 23:42 | 27.365891 | 109.424941 | 9.75 |
1144496023542430 | 128 | 2021/6/1 23:44 | 27.366275 | 109.427481 | 6.20 |
1590651501542760 | 217 | 2021/6/1 23:45 | 27.366275 | 109.427481 | 13.20 |
1965341778084910 | 76 | 2021/6/1 23:46 | 27.383661 | 109.455636 | 16.30 |
1714681817566900 | 252 | 2021/6/1 23:51 | 27.41929 | 109.51438 | 5.60 |
1951727526805060 | 224 | 2021/6/1 23:53 | 27.428346 | 109.533281 | 3.60 |
进一步地,为了精准获取每个载货货车的出行链起点和出行链终点,步骤S20具体包括步骤:S21,对轨迹数据集进行数据处理和数据清洗,获取每个载货货车的单车片段轨迹,单车片段轨迹具有轨迹停留点,轨迹停留点包括单车片段起点和单车片段终点;S22,获取每个单车片段轨迹的片段关键指标,片段关键指标包括单车片段里程、单车片段平均行驶速度、单车片段空间范围以及单车片段停留时长,其中,单车片段空间范围为单车片段轨迹的单车片段起点和单车片段终点之间的直线距离,当前的单车片段停留时长为下一个单车片段轨迹的单车片段起点与当前单车片段轨迹的单车片段终点之间的间隔时长;S23,对片段关键指标进行数据处理,获取每个载货货车的完整出行链,完整出行链具有出行链起点和出行链终点,其中,出行链起点和出行链终点关联轨迹数据坐标系。
进一步地,步骤S21具体包括:对轨迹数据集进行数据处理具体包括:在轨迹数据集内按照车牌唯一编码进行分类,同一车牌唯一编码在对应的记录时间上具有车方位角、当前经度、当前维度;依据记录时间进行排序获取同一车牌唯一编码在相邻两个记录时间(货运轨迹点)之间的时间间隔瞬时速度、加速度、方位角变化/>对轨迹数据集进行数据清洗具体包括:若同一车牌唯一编码在对应的记录时间上存在信息缺失,则剔除同一车牌唯一编码在对应的记录时间的一组数据;若同一车牌唯一编码在对应的记录时间上存在时刻重叠,则保留同一车牌唯一编码在对应的记录时间的一组数据;若瞬时速度大于预设有效速度则剔除瞬时速度对应的一组数据;若加速度大于预设有效加速度则剔除加速度对应的一组数据;若方位角变化大于预设角度变化阈值则剔除方位角变化对应的一组数据;依据获取数据的时间间隔确定每个载货货车的单车片段轨迹,若获取数据的时间间隔大于第一时间阈值则确认当前轨迹点为当前单车片段轨迹的单车片段起点和下一单车片段轨迹的单车片段终点。其中,第一时间阈值的时长大于预设单位时间的时长,第一时间阈值的时长可以是30分钟,也可以是40分钟、还可以是60分钟或90分钟等其它时长,第一时间阈值根据实际情况进行设置。
通过研究发现,轨迹数据集中的运行数据信息存在异常值现象如下:第一,关键属性信息缺失,由于网络信号、设备故障等问题,极少部分数据的关键属性如记录时间、当前经度、当前纬度、车牌唯一编码缺失;第二,时间信息错误,少部分数据的时间信息出现时刻重复、多次报送的问题;第三,车辆行驶速度(瞬时速度v)异常,按照车辆行驶轨迹中的经纬度数据也可以求出两点间的距离,通过车辆行驶的时间差可以估算出两点间的瞬时速度v,如果瞬时速度v明显大于车辆正常行驶速度,则判断该运行轨迹数据信息存在异常;第四,车辆加速度a异常,当轨迹点出现偏移时,加速度a多表现出较大异常,超过路段或车辆硬件允许的最大加速度;第五,车辆方位角变化异常,车辆在道路上正常行驶时应产生比较平滑的轨迹,车辆在短时间内方位角连续产生较大变化应判断为数据异常;第六,车辆位置异常,部分漂移的数据离开了实际行驶的道路较大距离,但在瞬时速度v、加速度a、方位角变化/>等指标上异常表现不明显,需结合实际路网空间分布进行分析。
具体地,本发明中,针对轨迹数据集中的运行数据信息存在的上述六种异常现象进行预处理如下:第一,存在关键属性信息缺失时,对该组数据删除处理;第二,存在时间信息错误时,同时刻数据保留第一条数据,其余重复数据删除;第三,存在车辆行驶速度(瞬时速度v)异常时,考虑国内车辆最大限制速度为120km/h,对于货车的最大限制速度为100km/h,预设到一定的数据误差,增加部分容差,设置车辆速度合理范围为0至120 km/h,删除瞬时速度超出该合理范围的轨迹点;第四,请参考表4(汽车制动减速度标准参考)、表5(汽车制动减速度标准参考)和表6(各级公路车道参数),其中,M1是指不超过8座小客车;M2是指8座以上且总质量不超过5吨的客车;M3是指8座以上且总质量5吨以上的客车;N1是指总质量不超过3.5吨的载货汽车或牵引车;N2是指总质量在3.5吨至12吨的载货汽车;N3是指总质量12吨以上的载货汽车,载货货车最大制动减速度不超过4.4m/s2,同时在典型行驶工况下货车速度变化率一般不会超过2.5m/s2,考虑到一定的数据误差,预设增加部分容差,设置车辆加速度a合理范围为-5.0至3.0m/s2,删除加速度a不在合理范围的轨迹点;第五,车辆方位角变化异常:对单车片段轨迹中的第一、第二个货运轨迹点计算方位角/>,第二个、第三个货运轨迹点计算方位角/>,正常数据方位角变化应小于90°,即:
以此类推,对连续轨迹中的相邻轨迹点计算车辆方位角变化率,删除方位角变化率超出该合理范围的货运轨迹点;第六,车辆位置异常:通过地理信息系统分析方法中的缓冲区分析和叠置分析方法来进行位置异常判别。
可以理解地,缓冲区分析是对一组或一类地图要素按照设定的距离条件,围绕这组要素形成具有一定范围的多边形实体,从而实现数据在二维空间扩展的信息分析的方法。叠置分析是将代表不同主题的各个数据层面进行叠置产生一个新的数据层面,用来提取空间隐含信息的方法。各等级公路车道数应满足表5规定,不同设计速度的车道宽度应满足表6规定。考虑到应设置中央分隔带等其他要素宽度和轨迹采集微小偏移的容差,由此设定高速、一级公路最大路面宽度为50米,二级公路最大路面宽度30米,三级公路最大路面宽度20米,四级公路最大路面宽度15米。以此为标准设置道路缓冲带,与货运轨迹点进行叠置分析,落在缓冲带范围外的货运轨迹点点即判断为位置异常,需要进行修复。取每个异常漂移点的采样时间与瞬时速度的乘积进行累加,得到該段缺失轨迹的轨迹距离,再与可视化的底图路线进行匹配找到实际轨迹路线,以轨迹缺失的开始点为起点,沿着道路线,按照点与点之间的间距进行轨迹点标定,最终将单车片段轨迹补充完整。
表4
表5
公路等级 | 高速、一级公路 | 二级公路 | 三级公路 | 四级公路 |
车道数 | ≥4 | 2 | 2 | 2(1) |
表6
设计速度(km/h) | 120 | 100 | 80 | 60 | 40 | 30 | 20 |
车道宽度(m) | 3.75 | 3.75 | 3.75 | 3.50 | 3.50 | 3.25 | 3.00 |
进一步地,步骤S23具体包括步骤:获取目标地区的货运相关POI数据,货运相关POI数据包括POI大类别,POI大类别包括公司企业类、汽车服务类、汽车维修类、餐饮服务类、住宿服务类、商务住宅类、交通设施服务类以及道路附属设施类;依据货车行驶相关性对POI大类别设置POI优先级;基于地理信息系统,依据POI优先级关联轨迹停留点对应的POI大类别;若单车片段轨迹的单车片段里程在第一里程阈值范围,单车片段空间范围在第一空间阈值范围,单车片段内平均行驶速度在第一平均速度阈值范围,且单车片段终点关联的POI属性空间为公司企业类和/或交通设施服务类时,确定单车片段轨迹为货物运输轨迹;若单车片段轨迹的单车片段里程在第二里程阈值范围,单车片段空间范围在第二空间阈值范围,单车片段内平均行驶速度在第二平均速度阈值范围,且单车片段终点、单车片段起点关联的POI属性空间为公司企业类、交通设施服务类时,确定单车片段轨迹为装、卸货轨迹;若停留时间在第一停留阈值时间范围则确认为短时间停留,若停留时间在第二停留阈值时间范围则确认为中时间停留;若停留时间在第三停留阈值时间范围则确认为长时间停留;若停留时间为短时停留或中时停留,且单车片段终点关联的POI属性空间为与货车司机休憩相关,确定轨迹停留点为中途休息停留点;若停留时间为长时停留,且单车片段终点关联的POI属性空间为与货车司机长时休憩相关,确定轨迹停留点为待家休息停留点;若停留时间为短时停留,且单车片段的轨迹停留点关联的POI属性空间为与汽车行驶服务相关,确定轨迹停留点为运输途中行为停留点;若述单车片段轨迹点关联的POI属性空间为与汽车维修服务相关轨迹停留点相关则确定为运输无关停留点;对每个载货货车的单车片段轨迹进行处理并合并,获取每个载货货车的完整出行链,完整出行链具有出行链起点和出行链终点,其中,出行链起点和出行链终点关联轨迹数据坐标系。可以理解地,第一停留阈值时间的时长小于第二停留阈值时间的时长,第二停留阈值时间的时长小于第三停留阈值时间的时长。本发明中,将停留时间阈值设定为3分钟,即认为数据报送时间间隔大于3分钟的货运轨迹点才会作为轨迹起终点,并将停留时间小于30分钟的划分为短时停留;停留时间在30分钟至120分钟之间的划分为中时停留,停留时间超过120分钟的划分为长时停留。
在具体实施时,第一时间阈值为3分钟,若获取数据的时间间隔大于3分钟则确认当前轨迹点为当前单车片段轨迹的单车片段起点和下一单车片段轨迹的单车片段终点;若所述单车片段轨迹的所述单车片段里程大于10km,所述单车片段空间范围大于3km,所述单车片段内平均行驶速度大于30km/h,且所述单车片段终点关联的POI属性空间为公司企业类和/或交通设施服务类时,确定所述单车片段轨迹为货物运输轨迹;若所述单车片段轨迹的所述单车片段里程大于10km,所述单车片段空间范围小于3km,所述单车片段内平均行驶速度小于30km/h,且所述单车片段终点、所述单车片段起点关联的POI属性空间为公司企业类、交通设施服务类时,确定所述单车片段轨迹为装、卸货轨迹;若所述停留时间小于30分钟则确认为短时间停留,若所述停留时间大于30分钟且小于120分钟则确认为中时间停留;若所述停留时间大于120分钟则确认为长时间停留;若停留时间为短时停留或中时停留,且所述单车片段终点关联的POI属性空间为与货车司机休憩相关,确定所述轨迹停留点为中途休息停留点;若停留时间为长时停留,且所述单车片段终点关联的POI属性空间为与货车司机长时休憩相关,确定所述轨迹停留点为待家休息停留点;若停留时间为短时停留,且所述单车片段的轨迹停留点关联的POI属性空间为与汽车行驶服务相关,确定所述轨迹停留点为运输途中行为停留点;若述单车片段轨迹点关联的POI属性空间为与汽车维修服务相关轨迹停留点相关则确定为运输无关停留点。
可以理解地,利用网络接口获取湖南省范围内的货车运输相关POI数据。POI数据可以获得研究区内的汽车服务、汽车维修、餐饮服务、住宿服务、商务住宅、交通设施服务、道路附属设施等属性数据,根据这些数据可以进行用地功能分类;筛选与货车运输相关的POI类别,使用爬虫技术采集数据;获取货车运输相关POI的经度、纬度、名称等属性,并将其矢量化;由于部分POI点数量较多,但与货车运行相关性偏小,如餐饮服务等,此类POI容易对标识结果的准确性造成一定影响。例如,当货车轨迹点同时距离餐饮服务POI和公司企业POI较近时,优先将轨迹点与公司企业POI相连接。因此按照货车行驶相关性再对各POI点赋优先权,相关POI数据及权重表如表7(货车运输相关POI数据)所示。
表7
POI编号 | 大类 | 中类 | 优先级 |
10100 | 汽车服务 | 加油站 | 第二优先级 |
10200 | 汽车服务 | 其它能源站 | 第二优先级 |
10300 | 汽车服务 | 加气站 | 第二优先级 |
10400 | 汽车服务 | 汽车养护/装饰 | 第二优先级 |
10500 | 汽车服务 | 洗车场 | 第二优先级 |
10700 | 汽车服务 | 汽车救援 | 第二优先级 |
10800 | 汽车服务 | 汽车配件销售 | 第二优先级 |
30000 | 汽车维修 | 汽车维修 | 第二优先级 |
50100 | 餐饮服务 | 中餐厅 | 第二优先级 |
50200 | 餐饮服务 | 外国餐厅 | 第二优先级 |
50300 | 餐饮服务 | 快餐厅 | 第二优先级 |
50400 | 餐饮服务 | 休闲餐饮场所 | 第二优先级 |
50500 | 餐饮服务 | 咖啡厅 | 第二优先级 |
50600 | 餐饮服务 | 茶艺馆 | 第二优先级 |
50700 | 餐饮服务 | 冷饮店 | 第二优先级 |
50800 | 餐饮服务 | 糕饼店 | 第二优先级 |
50900 | 餐饮服务 | 甜品店 | 第二优先级 |
100100 | 住宿服务 | 宾馆酒店 | 第二优先级 |
100200 | 住宿服务 | 旅馆招待所 | 第二优先级 |
120000 | 商务住宅 | 商务住宅相关 | 第二优先级 |
120100 | 商务住宅 | 产业园区 | 第二优先级 |
120200 | 商务住宅 | 楼宇 | 第二优先级 |
120300 | 商务住宅 | 住宅区 | 第二优先级 |
150100 | 交通设施服务 | 机场相关 | 第一优先级 |
150200 | 交通设施服务 | 火车站 | 第一优先级 |
150300 | 交通设施服务 | 港口码头 | 第一优先级 |
150400 | 交通设施服务 | 长途汽车站 | 第一优先级 |
150900 | 交通设施服务 | 停车场 | 第一优先级 |
151000 | 交通设施服务 | 过境口岸 | 第一优先级 |
151200 | 交通设施服务 | 轮渡站 | 第一优先级 |
170100 | 公司企业 | 知名企业 | 第一优先级 |
170200 | 公司企业 | 公司 | 第一优先级 |
170300 | 公司企业 | 工厂 | 第一优先级 |
170400 | 公司企业 | 农林牧渔基地 | 第一优先级 |
180200 | 道路附属设施 | 收费站 | 第一优先级 |
180300 | 道路附属设施 | 服务区 | 第一优先级 |
180400 | 道路附属设施 | 红绿灯 | 第一优先级 |
本发明中,可以设置道路附属设施类、公司企业类以及交通设施服务类的优先级大于汽车服务类、汽车维修类、餐饮服务类、住宿服务类、商务住宅类的优先级,进而便于准确确定载货货车的当前状态。
在具体实施时,设置的优先级如表7,将POI属性空间连接至起点、终点;利用地理信息系统,以POI点为中心点计算100米缓冲区,将POI的属性空间连接至起点、终点,设置优先连接权重更大的POI属性。
进一步地,步骤“对片段关键指标进行数据处理,获取每个载货货车的完整出行链,完整出行链具有出行链起点和出行链终点”具体包括:保留货物运输轨迹的起点和终点;保留装、卸货轨迹的起点和终点;将相邻的中途休息停留点、运输途中行为停留点的起点和终点进行合并;滤除待家休息停留点及运输无关停留点;将有效的每个单车片段轨迹的轨迹停留点进行顺序连接,获取每个载货货车的完整出行链,完整出行链具有出行链起点和出行链终点。
在具体实施时,对每一个单车片段轨迹的轨迹起点、轨迹终点进行再判断和合并,得到目标区域内货运行为的出行链起点和出行链终点。其中,对于货物运输、装/卸货行为的起终点对(),均保留;对于中途休息、运输途中其他行为的起终点(/>),删除/>点和下一个起点/>,即将该起终点对(/>)与下一个起终点对(/>)合并,认为(/>)才是一次完整出行。对于待家、运输无关行为的起终点对(/>),进行删除处理。
本发明还提供一种基于货车行驶轨迹的典型行业物流强度分析系统,其特征在于,包括存储器、处理器以及存储在所述存储器内并可在所述处理器上运行的计算机程序,所述计算机程序被所述处理器执行时,实现上述的基于货车行驶轨迹的典型行业物流联运分析方法的步骤。
本发明的上述技术方案中,以上仅为本发明的优选实施例,并非因此限制本发明的专利范围,凡是在本发明的技术构思下,利用本发明说明书及附图内容所作的等效结构变换,或直接/间接运用在其他相关的技术领域均包括在本发明的专利保护范围。
Claims (7)
1.一种基于货车行驶轨迹的典型行业物流联运分析方法,其特征在于,包括如下步骤:
S10,获取目标地区内且处于历史目标时间段的具有预设载重的所有载货货车的轨迹数据集;
S20,对所述轨迹数据集进行数据清洗和数据处理,获取每个所述载货货车的完整出行链,所述完整出行链具有出行链起点和出行链终点;进而获取每个载货货车的出行链起点和出行链终点,出行链起点和出行链终点为载货货车完整出行链的起终点;
S30,获取所述目标地区内典型行业对应的头部企业的企业空间标准位置信息和企业预设物流辐射范围值,根据所述企业空间标准位置信息和所述企业预设物流辐射范围值确定每一个所述头部企业的货运空间关联位置范围,所有的所述头部企业的货运空间关联位置范围的数据集合组成所述典型行业对应的所述头部企业的货运空间关联位置范围数据集;
S40,确定空间位置在所述货运空间关联位置范围数据集内的所述出行链起点为重货运输起点,确定空间位置在所述货运空间关联位置范围数据集内的所述出行链终点为重货运输终点;
S50,获取所述目标区域内的各个交通设施节点的节点空间位置标准信息,所述节点空间位置标准信息包括每一个所述交通设施节点对应的节点唯一标识、节点类别、节点等级、节点经纬度;所述交通设施节点包括港口转运节点、火车站转运节点以及机场站转运节点;
S60,融合所述重货运输起点、所述重货运输终点以及所述交通设施节点的节点空间位置标准信息,若所述重货运输起点或所述重货运输终点在所述交通设施节点的运输辐射范围内,则确定所述典型行业对应的所述头部企业的运输方式为企业多式联运方式。
4.根据权利要求2所述的一种基于货车行驶轨迹的典型行业物流联运分析方法,其特征在于,所述步骤S30具体包括:
获取目标区域内的企业数据信息,所述企业数据信息包括企业名称、企业类型、企业注册资金、企业地址信息以及企业经营范围;
根据所述企业经营范围确定与所述典型行业关联的企业为拟定企业;
基于所述企业注册资金采用一维K-means算法将所述拟定企业按规模分类,从所述拟定企业中确定与所述典型行业关联的头部企业;
将所述头部企业的企业数据信息融合至地理地图兴趣数据,获取所述头部企业的厂房空间面域数据,以确定所述头部企业的企业空间位置信息;
根据所述企业空间位置信息和所述企业预设物流辐射范围值确定每一个所述头部企业的货运空间关联位置范围,所有的所述头部企业的货运空间关联位置范围的数据集合组成所述典型行业对应的所述头部企业的货运空间关联位置范围数据集。
5.根据权利要求2所述的一种基于货车行驶轨迹的典型行业物流联运分析方法,其特征在于,所述步骤S20具体包括步骤:
S21,对所述轨迹数据集进行数据处理和数据清洗,获取每个所述载货货车的单车片段轨迹,所述单车片段轨迹具有轨迹停留点,所述轨迹停留点包括单车片段起点和单车片段终点;
S22,获取每个所述单车片段轨迹的片段关键指标,所述片段关键指标包括单车片段里程、单车片段平均行驶速度、单车片段空间范围以及单车片段停留时长,其中,所述单车片段空间范围为所述单车片段轨迹的所述单车片段起点和所述单车片段终点之间的直线距离,当前的所述单车片段停留时长为下一个所述单车片段轨迹的所述单车片段起点与当前所述单车片段轨迹的所述单车片段终点之间的间隔时长;
S23,对所述片段关键指标进行数据处理,获取每个所述载货货车的完整出行链,所述完整出行链具有出行链起点和出行链终点。
6.根据权利要求5所述的一种基于货车行驶轨迹的典型行业物流联运分析方法,其特征在于,所述步骤S21具体包括:
对所述轨迹数据集进行数据处理具体包括:在所述轨迹数据集内按照车牌唯一编码进行分类,同一所述车牌唯一编码在对应的记录时间上具有车方位角、当前经度、当前维度;依据记录时间进行排序获取同一所述车牌唯一编码在相邻两个记录时间之间的时间间隔、瞬时速度、加速度、方位角变化;
对所述轨迹数据集进行数据清洗具体包括:若同一所述车牌唯一编码在对应的记录时间上存在信息缺失,则剔除同一所述车牌唯一编码在对应的记录时间的一组数据;若同一所述车牌唯一编码在对应的记录时间上存在时刻重叠,则保留同一所述车牌唯一编码在对应的记录时间的一组数据;若所述瞬时速度大于预设有效速度则剔除所述瞬时速度对应的一组数据;若所述加速度大于预设有效加速度则剔除所述加速度对应的一组数据;若所述方位角变化大于预设角度变化阈值则剔除所述方位角变化对应的一组数据;
依据获取数据的时间间隔确定每个所述载货货车的单车片段轨迹,若获取数据的时间间隔大于第一时间阈值则确认当前轨迹点为当前单车片段轨迹和单车片段起点和下一单车片段轨迹的单车片段终点。
7.一种基于货车行驶轨迹的典型行业物流强度分析系统,其特征在于,包括存储器、处理器以及存储在所述存储器内并可在所述处理器上运行的计算机程序,所述计算机程序被所述处理器执行时,实现如权利要求1-6中任一项所述的基于货车行驶轨迹的典型行业物流联运分析方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211422011.XA CN115619103B (zh) | 2022-11-15 | 2022-11-15 | 基于货车行驶轨迹的典型行业物流联运分析方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211422011.XA CN115619103B (zh) | 2022-11-15 | 2022-11-15 | 基于货车行驶轨迹的典型行业物流联运分析方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115619103A CN115619103A (zh) | 2023-01-17 |
CN115619103B true CN115619103B (zh) | 2023-03-31 |
Family
ID=84878916
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211422011.XA Active CN115619103B (zh) | 2022-11-15 | 2022-11-15 | 基于货车行驶轨迹的典型行业物流联运分析方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115619103B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116092037B (zh) * | 2023-02-13 | 2023-07-28 | 长沙理工大学 | 融合轨迹空间-语义特征的车辆类型识别方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105809401A (zh) * | 2016-03-11 | 2016-07-27 | 惠龙易通国际物流股份有限公司 | 一种基于动态规划算法的货运信息处理方法及系统 |
WO2018006281A1 (zh) * | 2016-07-06 | 2018-01-11 | 石莉 | 汽车物流路径生成方法及系统 |
CN114971011A (zh) * | 2022-05-24 | 2022-08-30 | 燕山大学 | 一种基于改进遗传模拟退火算法的多式联运路径优化方法 |
Family Cites Families (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150248639A1 (en) * | 2014-02-28 | 2015-09-03 | SynchroNet Logistics, Inc. | Determining optimal routes and rates for cargo transportation |
CN105702021B (zh) * | 2016-04-13 | 2018-01-05 | 广州市沃希信息科技有限公司 | 一种基于计程车的快递派送方法、系统及服务器 |
US11810023B2 (en) * | 2018-10-22 | 2023-11-07 | Circlesx Llc | System and method for a transportation or freight capacity exchange for one or more transportation or freight capacity units |
CN109299819A (zh) * | 2018-09-17 | 2019-02-01 | 重庆长安民生物流股份有限公司 | 基于互联网+的汽车物流多式联运系统 |
CN110599765A (zh) * | 2019-08-16 | 2019-12-20 | 华南理工大学 | 一种基于多源数据融合的公路客货运输量指标统计方法 |
DE102019006830A1 (de) * | 2019-09-30 | 2021-04-01 | Deutsche Bahn Ag | Verfahren zur Ermittlung der Belastung eines Netzes von Transportwegen |
CN113033885A (zh) * | 2021-03-17 | 2021-06-25 | 长沙理工大学 | 多式联运路径优化方法、系统、存储介质、计算机设备 |
CN112987757B (zh) * | 2021-04-27 | 2021-08-31 | 北京航空航天大学 | 一种货物多式联运的路径规划方法 |
CN113392488A (zh) * | 2021-06-04 | 2021-09-14 | 东南大学 | 综合交通一体化网络枢纽节点拆解及虚拟网络构建方法 |
CN114298419A (zh) * | 2021-12-30 | 2022-04-08 | 北京世纪超越管理咨询服务有限公司 | 一种多式联运运输规划方法和装置、电子设备、存储介质 |
CN115049111A (zh) * | 2022-05-26 | 2022-09-13 | 四川省交通运输发展战略和规划科学研究院 | 多式联运路径规划方法、装置、设备及存储介质 |
CN115018421A (zh) * | 2022-06-15 | 2022-09-06 | 藕丝科技(深圳)有限公司 | 一种货物运输路径生成方法及系统 |
CN114971085B (zh) * | 2022-07-13 | 2022-11-11 | 湖南省交通科学研究院有限公司 | 一种公交站点可达性的预测方法、系统及存储介质 |
CN115345548A (zh) * | 2022-08-10 | 2022-11-15 | 浙江万里学院 | 基于区块链技术的货物多式联运物流配送方法 |
-
2022
- 2022-11-15 CN CN202211422011.XA patent/CN115619103B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105809401A (zh) * | 2016-03-11 | 2016-07-27 | 惠龙易通国际物流股份有限公司 | 一种基于动态规划算法的货运信息处理方法及系统 |
WO2018006281A1 (zh) * | 2016-07-06 | 2018-01-11 | 石莉 | 汽车物流路径生成方法及系统 |
CN114971011A (zh) * | 2022-05-24 | 2022-08-30 | 燕山大学 | 一种基于改进遗传模拟退火算法的多式联运路径优化方法 |
Also Published As
Publication number | Publication date |
---|---|
CN115619103A (zh) | 2023-01-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112904820B (zh) | 无人驾驶工程车辆矿区流量调配方法及装置 | |
CN103050013B (zh) | 基于车联网技术的车辆分级限速监控方法及其装置 | |
CN113011815A (zh) | 一种货车停靠点提取方法和出行特征确定方法、装置 | |
CN115619103B (zh) | 基于货车行驶轨迹的典型行业物流联运分析方法及系统 | |
CN108932255B (zh) | 一种车辆综合能力分析方法及装置 | |
CN111340674B (zh) | 一种交通运力承运意图辨识方法 | |
CN114613151B (zh) | 一种货车od确定方法、系统、设备及存储介质 | |
CN115409430B (zh) | 基于货车行驶轨迹的物流强度分析方法、系统及存储介质 | |
Ilchenko et al. | Analysis of the main types of automated information systems in the transport sector, functioning mainly in urban agglomerations | |
CN115423841B (zh) | 一种面向大宗物流的运输终点校准方法及系统 | |
CN113139765A (zh) | 基于时态网络的物流推荐方法、装置及计算设备 | |
Buroni et al. | Cluster Analysis of On-Board-Unit Truck Big Data from the Brussels Capital Region | |
Tak et al. | A study on the introduction for automated vehicle-based mobility service considering the level of service of road infrastructure | |
CN115456485B (zh) | 基于货车行驶轨迹的典型行业物流分析方法及系统 | |
Huo et al. | Mining massive truck GPS data for freight OD estimation: Case study of liaoning province in China | |
CN114461933B (zh) | 基于周边搜索的车辆推荐方法、装置、设备及存储介质 | |
CN116029624B (zh) | 一种融合货车轨迹和poi数据的货源地识别方法 | |
Yuan | Parking Reason Inference of Trucks Based on Trajectory Data | |
CN116226598B (zh) | 一种基于车辆性质及货物属地原则的公路货运量计算方法 | |
CN115271260B (zh) | 一种公铁联运运量预测方法、装置、设备及可读存储介质 | |
Kumar et al. | GIS-based air pollution distribution mapping of emissions from public buses for Coimbatore Corporation, Tamil Nadu, India | |
Mishra et al. | CFIRE | |
Nafis et al. | Analysis of Freight Mode Characteristics on The Northern Coastline Route using Mixed Data based Cluster Analysis | |
Sun et al. | Loading and Unloading Points Identification Based on Freight Trajectory Big Data and Clustering Method | |
Dulebenets et al. | A GUIDEBOOK FOR FREIGHT TRANSPORTATION PLANNING USING TRUCK GPS DATA |
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 |