CN115713168A - 用车出行时间预测方法、装置、服务器及存储介质 - Google Patents
用车出行时间预测方法、装置、服务器及存储介质 Download PDFInfo
- Publication number
- CN115713168A CN115713168A CN202211511816.1A CN202211511816A CN115713168A CN 115713168 A CN115713168 A CN 115713168A CN 202211511816 A CN202211511816 A CN 202211511816A CN 115713168 A CN115713168 A CN 115713168A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- user
- travel time
- time
- 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.)
- Pending
Links
Images
Landscapes
- Traffic Control Systems (AREA)
Abstract
本申请涉及汽车辅助功能技术领域,特别涉及一种用车出行时间预测方法、装置、服务器及存储介质,其中,包括:获取用户的用车数据集;识别用车数据集中满足有效用车条件的有效出行时间数据;根据有效出行时间数据的个数计算聚类算法的最小包含点数,并根据有效出行时间数据的开始时间对应位置之间的平均距离计算聚类算法的扫描半径;根据聚类算法的扫描半径和最小包含点数进行密度聚类,得到每个有效出行时间段的一个或多个聚类时间,基于每个有效出行时间段的一个或多个聚类时间预测用户的用车出行时间。由此,解决了相关技术中无法更加精准的预测用户多样性的用车时间,导致无法满足用户的用车需求,用户体验感较差等问题。
Description
技术领域
本申请涉及汽车辅助功能技术领域,特别涉及一种用车出行时间预测方法、装置、服务器及存储介质。
背景技术
目前针对出行时间预测的方法是基于位置的数字地图、导航系统服务的相关功能,被广泛应用于打车平台、外卖配送、公交车出行等平台上,如打车平台显示预计车辆达到乘客所在位置所需的时间、到达目的地所需要的时间和金钱;外卖配送平台会显示外卖送达的大致时间范围;公交出行中可以通过相关平台查询车辆到站情况以及预计多久到达用户所在站台,给用户提供了极大的便利。
相关技术中,关于车辆的出行时间预测方法有如下两种方式:(1)计算出用户在某个时间段出行的概率,主要是将时间划分为若干段,根据历史记录计算出车辆在各个时间段内的出现概率,从而预测出用户的大体出行时间,但是通过固定时间段的预测较为机械化,无法根据用户的用车需求及时调整,降低用户使用体验。(2)主要是针对通勤者所采用固定的模式满足用户上下班及中途用车,但是无法满足用户非工作日的多样化出现时间预测,降低用户的使用体验。
发明内容
本申请提供一种用车出行时间预测方法、装置、服务器及存储介质,以解决相关技术中无法更加精准的预测用户多样性的用车时间,导致无法满足用户的用车需求,用户体验感较差等问题。
本申请第一方面实施例提供一种用车出行时间预测方法,所述方法应用于服务器,包括以下步骤:获取用户的用车数据集;识别所述用车数据集中满足有效用车条件的有效出行时间数据;根据所述用车数据集中有效出行时间数据的个数计算聚类算法的最小包含点数,并根据有效出行时间数据的开始时间对应位置之间的平均距离计算聚类算法的扫描半径;根据所述聚类算法的所述扫描半径和所述最小包含点数对用户的有效出行时间数据进行密度聚类,得到每个有效出行时间段的一个或多个聚类时间,基于每个有效出行时间段的一个或多个聚类时间预测所述用户的用车出行时间。
根据上述技术手段,本申请实施例通过获取用户的用车数据集,识别用车数据集中满足有效用车条件的有效出行时间数据,并根据用车数据集中有效出行时间数据的个数计算聚类算法的最小包含点数,并根据有效出行时间数据的开始时间对应位置之间的平均距离计算聚类算法的扫描半径,通过聚类算法的扫描半径和最小包含点数对用户的有效出行时间数据进行密度聚类,得到有效出行时段的聚类时间,基于此预测用户的用车出行时间,采用密度聚类算法可以更加高效更加精准的预测出用户多样性的用车时间,满足用户的用车需求,提升用户的用车体验。
可选地,所述基于每个有效出行时间段的一个或多个聚类时间预测所述用户的用车出行时间,包括:根据所述每个有效出行时间段的一个或多个聚类时间计算所述每个有效出行时间段的聚类时间均值,将所述聚类时间均值作为所述有效出行时间段的用车出行时间的预测时间。
根据上述技术手段,本申请实施例根据每个有效出行时间段的聚类时间计算每个有效出行时间段的聚类时间均值,并将其作为有效出行时间段的用车出行时间的预测时间,可以更加高效更加精准的预测出用户多样性的用车时间,满足用户的用车需求,提升用户的用车体验。
可选地,所述根据所述用车数据集中有效出行时间数据的个数计算聚类算法的最小包含点数,包括:获取每个用户的有效出行时间数据的个数;根据第一预设比例因子和所述每个用户的有效出行时间数据的个数计算得到所述聚类算法的最小包含点数。
可选地,所述根据有效出行时间数据的开始时间对应位置之间的平均距离计算聚类算法的扫描半径,包括:获取每个用户的有效出行时间数据的开始时间对应位置之间的平均距离;根据第二预设比例因子和所述每个用户的有效出行时间数据的开始时间对应位置之间的平均距离计算得到所述聚类算法的扫描半径。
可选地,所述获取用户的用车数据集,包括:获取用户的用车日志数据;识别所述用车日志数据中所有出行时间数据的日期类型;根据所述日期类型对所述所有出行时间数据进行分类,得到分类结果,根据所述分类结果构建每个日期类型对应的用车数据集。
根据上述技术手段,本申请实施例通过获取用户的用车日志数据识别出其中所有出行时间数据的日期类型,根据日期类型对所有出行时间数据进行分类,得到分类结果并根据分类结果构建每个日期类型对应的用车数据集,便于从中找出相关规律,能够更加高效更加精准的预测出用户多样性的用车时间,满足用户的用车需求,提升用户的用车体验。
可选地,所述有效用车条件为每次出行时间距离上次行车完毕关闭发动机时间的时间间隔大于预设时长。
根据上述技术手段,本申请实施例的有效用车时间为每次出行时间距离上次行车完毕关闭发动机时间的时间间隔大于设定的时长,以此来判定是否是有效用车时间,避免由于其他原因操作造成干扰,导致无法准确预测出用户的有效用车时间。
本申请第二方面实施例提供一种用车出行时间预测方法,所述方法应用于服务器,包括以下步骤:获取用户的身份标识;以所述身份标识为索引,查询预设数据库,得到所述身份标识匹配的预测数据,基于所述预测数据预测所述用户的用车出行时间,其中,所述预设数据库包括基于用户的用车数据集和聚类算法预测的用车出行时间的预测数据。
可选地,所述基于所述预测数据预测所述用户的用车出行时间,包括:检测当前时间与所述预测数据中任意预测时间之间的时间间隔是否小于预设间隔;若是,则发送所述用户在预测时间的用车出行提醒至所述用户的用户终端。
可选地,在发送所述用户在预测时间的用车出行提醒至所述用户的用户终端的同时,还包括:根据所述预测时间生成车辆的启动服务时间;发送所述启动服务时间至所述用户终端,并在当前时间到达所述启动服务时间时,控制所述车辆启动对应服务。
可选地,在发送启动服务时间至所述用户终端之后,还包括:根据所述用户的修改指令修改所述启动服务时间。
本申请第三方面实施例提供一种用车出行时间预测装置,所述装置应用于服务器,包括:第一获取模块,用于获取用户的用车数据集;识别模块,用于识别所述用车数据集中满足有效用车条件的有效出行时间数据;计算模块,用于根据所述用车数据集中有效出行时间数据的个数计算聚类算法的最小包含点数,并根据有效出行时间数据的开始时间对应位置之间的平均距离计算聚类算法的扫描半径;第一预测模块,用于根据所述聚类算法的所述扫描半径和所述最小包含点数对用户的有效出行时间数据进行密度聚类,得到每个有效出行时间段的一个或多个聚类时间,基于每个有效出行时间段的一个或多个聚类时间预测所述用户的用车出行时间。
本申请第四方面实施例提供一种用车出行时间预测装置,所述装置应用于服务器,包括:第二获取模块,用于获取用户的身份标识;第二预测模块,用于以所述身份标识为索引,查询预设数据库,得到所述身份标识匹配的预测数据,基于所述预测数据预测所述用户的用车出行时间,其中,所述预设数据库包括基于用户的用车数据集和聚类算法预测的用车出行时间的预测数据。
本申请第五方面实施例提供一种服务器,包括:存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述处理器执行所述程序,以实现如上述实施例所述的用车出行时间预测方法。
本申请第六方面实施例提供一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行,以用于实现如上述实施例所述的用车出行时间预测方法。
由此,本申请至少具有如下有益效果:
(1)本申请实施例通过获取用户的用车数据集,识别用车数据集中满足有效用车条件的有效出行时间数据,并根据用车数据集中有效出行时间数据的个数计算聚类算法的最小包含点数,并根据有效出行时间数据的开始时间对应位置之间的平均距离计算聚类算法的扫描半径,通过聚类算法的扫描半径和最小包含点数对用户的有效出行时间数据进行密度聚类,得到有效出行时段的聚类时间,基于此预测用户的用车出行时间,采用密度聚类算法可以更加高效更加精准的预测出用户多样性的用车时间,满足用户的用车需求,提升用户的用车体验。
(2)本申请实施例根据每个有效出行时间段的聚类时间计算每个有效出行时间段的聚类时间均值,并将其作为有效出行时间段的用车出行时间的预测时间,可以更加高效更加精准的预测出用户多样性的用车时间,满足用户的用车需求,提升用户的用车体验。
(3)本申请实施例通过获取用户的用车日志数据识别出其中所有出行时间数据的日期类型,根据日期类型对所有出行时间数据进行分类,得到分类结果并根据分类结果构建每个日期类型对应的用车数据集,便于从中找出相关规律,能够更加高效更加精准的预测出用户多样性的用车时间,满足用户的用车需求,提升用户的用车体验。
(4)本申请实施例的有效用车时间为每次出行时间距离上次行车完毕关闭发动机时间的时间间隔大于设定的时长,以此来判定是否是有效用车时间,避免由于其他原因操作造成干扰,导致无法准确预测出用户的有效用车时间。
本申请附加的方面和优点将在下面的描述中部分给出,部分将从下面的描述中变得明显,或通过本申请的实践了解到。
附图说明
本申请上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解,其中:
图1为根据本申请一个实施例提供的一种用车出行时间预测方法的流程图;
图2为根据本申请另一个实施例的一种用车出行时间预测方法的流程图;
图3为根据本申请实施例提供的预测用车出发时间的系统框架示意图;
图4为根据本申请实施例提供的数据处理及算法流程;
图5为根据本申请实施例提供的动态DBSCAN算法流程图;
图6为根据本申请实施例提供的时序图;
图7为根据本申请一个实施例的用车出行时间预测装置的方框示意图;
图8为根据本申请另一个实施例的用车出行时间预测装置的方框示意图;
图9为根据本申请实施例的服务器的结构示意图。
具体实施方式
下面详细描述本申请的实施例,所述实施例的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的,旨在用于解释本申请,而不能理解为对本申请的限制。
在软件定义汽车(SDA)的时代背景之下,如何利用车辆网、大数据、云计算等先进技术为用户提供智能、优质的服务是各汽车公司的重要课题,持续提升用户用车体验是市场竞争必须面对的挑战。在这些课题中,如何提前预知用车出行时间并通过车辆网、云计算、大数据等手段为用户进行热管理、空调管理、座椅预热、座舱通风等服务是一个尤为重要的课题。
相关技术(1)中,根据用户用车历史预测各个预设时间段出行的概率,从而对电动汽车充电网络进行调度,进而避开高峰期。该发明把时间分成固定的若干段,根据历史记录,计算在各个时间段内的出行概率,根据概率大小预测出行时刻。但是采用固定的时间段,显得很机械化。
相关技术(2)中,通过预测通勤者用车时间预测,因此范围局限于通勤者的用车预测,因而采用了固定的模式,如上班、下班及中途用车模式。但这种方式无法满足多样化的用车出行时间预测。
下面参考附图描述本申请实施例的用车出行时间预测方法、装置、服务器及存储介质。具体而言,图1为本申请一个实施例所提供的一种用车出行时间预测方法的流程示意图。
如图1所示,该用车出行时间预测方法,方法应用于服务器,包括以下步骤:
在步骤S101中,获取用户的用车数据集。
其中,用车数据集可以是历史用车日志数据等,在此不做具体限定。
可以理解的是,本申请实施例通过获取用户的用车数据集,以便于后续从数据集中提取有效出行数据。
在本申请实施例中,获取用户的用车数据集,包括:获取用户的用车日志数据;识别用车日志数据中所有出行时间数据的日期类型;根据日期类型对所有出行时间数据进行分类,得到分类结果,根据分类结果构建每个日期类型对应的用车数据集。
其中,日期类型可以是工作日、周末以及节假日,在此不做具体限定。
可以理解的是,本申请实施例通过获取用户的用车日志数据识别出其中所有出行时间数据的日期类型,根据日期类型对所有出行时间数据进行分类,得到分类结果并根据分类结果构建每个日期类型对应的用车数据集,便于从中找出相关规律,能够更加高效更加精准的预测出用户多样性的用车时间,满足用户的用车需求,提升用户的用车体验。
在步骤S102中,识别用车数据集中满足有效用车条件的有效出行时间数据。
其中,有效用车条件为每次出行时间距离上次行车完毕关闭发动机时间的时间间隔大于预设时长。
其中,预设时长可以是用户事先设定的时长,例如:每次出行时间距离上次行车完毕关闭发动机的时间间隔为30min,在此不做具体限定。
可以理解的是,本申请实施例通过识别用车数据集中满足有效用车条件的有效出行数据,以便于后续根据有效出行数据预测出用户的用车出行时间。
在步骤S103中,根据用车数据集中有效出行时间数据的个数计算聚类算法的最小包含点数,并根据有效出行时间数据的开始时间对应位置之间的平均距离计算聚类算法的扫描半径。
可以理解的是,本申请实施例根据用车数据集中有效出行时间数据的个数计算聚类算法的最小包含点数,并根据有效出行时间数据的开始时间对应位置之间的平均距离计算聚类算法的扫描半径,扫描半径和最小包含点数能有效处理不属于同一分布的数据,以便于后续预测用户的用车出行时间。
在本申请实施例中,根据用车数据集中有效出行时间数据的个数计算聚类算法的最小包含点数,包括:获取每个用户的有效出行时间数据的个数;根据第一预设比例因子和每个用户的有效出行时间数据的个数计算得到聚类算法的最小包含点数。
其中,第一预设比例因子可以是α,在此不做具体限定。
其中,最小包含点数的计算公式为:
MinPts=αMi,
其中,MinPts表示最小包含点数,Mi表示第i个用户的有效出行时间数据的个数,α表示比例因子。
可以理解的是,本申请实施例通过获取用户的有效出行时间数据的个数和预设比例因子计算得到聚类算法的最小包含点数,使得采用动态调整的密度聚类算法的计算结果更加准确。
在本申请实施例中,根据有效出行时间数据的开始时间对应位置之间的平均距离计算聚类算法的扫描半径,包括:获取每个用户的有效出行时间数据的开始时间对应位置之间的平均距离;根据第二预设比例因子和每个用户的有效出行时间数据的开始时间对应位置之间的平均距离计算得到聚类算法的扫描半径。
其中,第二预设比例因子可以是γ,在此不做具体限定。
其中,扫描半径的计算公式为:
Eps=γRi
其中,Eps表示扫描半径,Ri表示第i个用户的有效出行时间数据的开始时间对应位置之间的平均距离,γ表示比例因子。
可以理解的是,本申请实施例通过获取每个用户的有效出行时间数据的开始时间对应位置之间的平均距离以及预设比例因子计算得到聚类算法的扫描半径,使得采用动态调整的密度聚类算法的计算结果更加准确。
在步骤S104中,根据聚类算法的扫描半径和最小包含点数对用户的有效出行时间数据进行密度聚类,得到每个有效出行时间段的一个或多个聚类时间,基于每个有效出行时间段的一个或多个聚类时间预测用户的用车出行时间。
可以理解的是,本申请实施例通过聚类算法的扫描半径和最小包含点数对用户的有效出行时间数据进行密度聚类,得到有效出行时段的聚类时间,基于此预测用户的用车出行时间,采用密度聚类算法可以更加高效更加精准的预测出用户多样性的用车时间,满足用户的用车需求,提升用户的用车体验。
在本申请实施例中,基于每个有效出行时间段的一个或多个聚类时间预测用户的用车出行时间,包括:根据每个有效出行时间段的一个或多个聚类时间计算每个有效出行时间段的聚类时间均值,将聚类时间均值作为有效出行时间段的用车出行时间的预测时间。
可以理解的是,本申请实施例根据每个有效出行时间段的多个聚类时间计算每个有效出行时间段的聚类时间均值,将聚类时间均值作为有效出行时间段的用车出行时间的预测时间,能够更加高效、准确的预测出用户的出行时间,提高用户的用车体验。
根据本申请实施例提出的用车出行时间预测方法,通过获取用户的用车数据集,识别用车数据集中满足有效用车条件的有效出行时间数据,并根据用车数据集中有效出行时间数据的个数计算聚类算法的最小包含点数,并根据有效出行时间数据的开始时间对应位置之间的平均距离计算聚类算法的扫描半径,通过聚类算法的扫描半径和最小包含点数对用户的有效出行时间数据进行密度聚类,得到有效出行时段的聚类时间,基于此预测用户的用车出行时间,采用密度聚类算法可以更加高效更加精准的预测出用户多样性的用车时间,满足用户的用车需求,提升用户的用车体验。由此,解决了相关技术中无法更加精准的预测用户多样性的用车时间,导致无法满足用户的用车需求,用户体验感较差等问题。
需要说明的是,上述实施例侧重于基于密度聚类算法预测出用户的用车出行时间,以下实施例中将对预测结果的在线应用进行阐述,实施例之间各有侧重,未详尽之处可以相互参考。
具体而言,图2是本申请另一个实施例的用车出行时间预测方法的流程图。
如图2所示,该用车出行时间预测方法,方法应用于服务器,包括以下步骤:
在步骤S201中,获取用户的身份标识。
其中,身份标识用于标识用户的身份信息,比如指纹、账号等,不作具体限定。
可以理解的是,本申请实施例通过多种方式获取用户的身份标识,以便于后续根据其匹配对应的预测数据。
在步骤S202中,以身份标识为索引,查询预设数据库,得到身份标识匹配的预测数据,基于预测数据预测用户的用车出行时间。
其中,预设数据库包括基于用户的用车数据集和聚类算法预测的用车出行时间的预测数据。
可以理解的是,本申请实施例以身份标识为索引,查询数据库得到身份标识匹配的预测数据,并基于预测数据预测用户的用车出行时间,可以更加高效更加精准的预测出用户多样性的用车时间,满足用户的用车需求,提升用户的用车体验。
在本申请实施例中,基于预测数据预测用户的用车出行时间,包括:检测当前时间与预测数据中任意预测时间之间的时间间隔是否小于预设间隔;若是,则发送用户在预测时间的用车出行提醒至用户的用户终端。
其中,预设间隔可以是用户事先设定的时间间隔,例如:当前时间与预测数据的预测时间的时间间隔为30min,可以根据用户的实际意愿进行设定或调整,在此不做具体限定。
可以理解的是,本申请实施例在检测到当前时间与预测数据中任意预测时间的时间间隔小于设定的时间时,发送相关提醒至用户终端,以便于用户决定是否提前开启相关服务,提高用户用车体验。
在本申请实施例中,在发送用户在预测时间的用车出行提醒至用户的用户终端的同时,还包括:根据预测时间生成车辆的启动服务时间;发送启动服务时间至用户终端,并在当前时间到达启动服务时间时,控制车辆启动对应服务。
其中,对应服务可以是电池热管理、空调启动、座椅加热等服务,在此不做具体限定。
可以理解的是,本申请实施例根据预测时间生成车辆的启动服务时间并发送启动服务至用户终端,并在当前时间达到启动服务时间时,控制车辆启动对应服务,提高用户的用车体验。
在本申请实施例中,在发送启动服务时间至用户终端之后,还包括:根据用户的修改指令修改启动服务时间。
可以理解的是,本申请实施例在发送启动服务时间至用户终端后,用户可以根据自己的意愿修改指令从而修改启动服务的时间,更加智能化和人性化,提高用户的用车体验。
根据本申请实施例提出的用车出行时间预测方法,通过获取用户的身份标识,并以身份标识为索引,查询数据库得到身份标识匹配的预测数据,并基于预测数据预测用户的用车出行时间,可以更加高效更加精准的预测出用户多样性的用车时间,满足用户的用车需求,提升用户的用车体验。由此,解决了相关技术中无法更加精准的预测用户多样性的用车时间,导致无法满足用户的用车需求,用户体验感较差等问题。
下面将结合图3、图4、图5和图6对用车出行时间预测方法进行详细阐述,具体如下:
(1)用车出行时间预测系统主要包括数据库、机器学习平台、用户移动端、远控以及车端控制器,如图3所示,具体地:
S110,数据库用于保存用户历史用车等日志信息,是建模的数据来源;
S120,机器学习平台主要是用户对数据库里面的日志信息进行预处理及建模,然后机器学习平台输出最终的模型结果,并保存到数据库中;
S130,远控从数据库里获取结果;
S140,远控根据每个用户出行预测结果时间的前T=30分钟发送消息到用户移动端,提示是否需要提前启动某服务,或修正启动服务的时间,比如电池热管理、空调启动、座椅加热等服务;
S150,将用户反馈信息写入到数据库里,便于下一次迭代使用;
S160,同时,将用户移动端的反馈信息反馈给远控;
S170,远控根据用户的反馈,启动一个定时任务给车端控制器;
S180,车端控制器把执行情况反馈给远控;
S190,用户在移动端可以随时查看、修正预启动服务。
(2)数据预处理及建模流程,如图4所示,具体如下:
S210,从数据库日志数据采集数据,用于建模;
S220,对数据进行预处理;
主要是对数据进行清洗,处理缺失值及异常值,数据集成及变换,如规范化、离散化等;
S230,统计有效的用车出行时间;
在具体实施过程中,由于在出行中途,用户可能会暂时停车,或因为其他意外事件暂时关闭发动机的情况,因此,统计有效出行时间的时候,确保每次出行时间距离上次行车完毕关闭发动机的时间大于30分钟,视为有效的行程开始时间,否则,当做同一行程的中途停车;
S240,根据日期类型进行分类;主要把用车记录分成三类,一类是工作日,即周一到周五;第二类是周末,即周六、周日;第三类是节假日;
其中,每一类采集数据分别为n=30天用于后续建模;
S250,对以上三个类型的数据分别建模;
S260,得出在不同的日期类型下,预测用户出行的时间。
(3)建模中用到的动态DBSCAN密度聚类算法,如图5所示,具体如下:
S310,采集并预处理、统计三类数据分别为T=30天备用,详见步骤S250及其以前的步骤;
S320,将每个用户的出行时间标注在时间轴上;
其中,采用DBSCAN密度聚类算法进行密度聚类,两个参数分别为Eps(扫描半径)和MinPts(最小包含点数);
在具体实施过程中,由于每个用户个性化特征,导致有些用户每次出行开始时间跨度小,即比较集中,而有些用户出行开始时间跨度大,即比较分散。因此如果采用统一的Eps和MinPts,并不符合用户的个性化。
因此,本申请实施例采用动态调整的DBSCAN算法,使结果更加准确;
1)在确定MinPts时,根据该用户有效出行时间的个数M正相关,公式如下:
MinPts=αMi (1)
其中,Mi表示第i个用户有效的出行时间记录数;i∈N,N表示用户个数,α表示比例因子,属于超参数,可以通过手动调整,本申请实施例设置α=0.25;
2)在确定Eps时,采用各个有效开始时间之间的平均距离R相关,公式如下:
Eps=γRi (2)
其中,Ri表示第i个用户各个有效开始时间之间的平均距离;i∈N,N表示用户个数,γ表示比例因子,属于超参数,可以通过手动调整,本申请实施例设置γ=4;
3)Ri计算如下公式:
S330,通过S320设定的Eps和MinPts两个参数,利用DBSCAN对每个用户的出行时刻数据进行密度聚类,找到每一组核心点;
计算每一组联系的核心点的均值,作为预测出行时刻,公式如下:
(4)在具体实施过程中,如图6所示的预测用车出行时刻的时序图,具体流程如下:
通过数据库提取用户的行车数据,然后及其学习平台对用户的行车数据进行预处理,并统计出有效的用车时间,通过聚类算法输出预测用车出行时刻的结果并保存,并根据预测的用户出行时刻前T小时通过远控定时发送是否启动服务或更改开启相关服务的时间给用户移动端,若用户启动相关服务或是更改启动时间时,远控记录下具体触发的时间并按时触发,同时计入数据库保存相关触发日记;与此同时,车端控制器接收来自远控发送的触发信息,并在规定时间内执行,执行完毕后然后发送相关执行报告至远控得到执行结果,并在用户移动端提示用户触发或是未触发等相关结果,整体更加智能化、人性化,提高了用户的用车体验。
综上所述,(1)本申请实施例区别于传统的概率法、k-mean(硬聚类算法)法等,采用DBSCAN密度聚类算法高效、准确预测用户出行时刻;(2)本申请实施例为了解决不同用户数据不服从同一分布难题,而动态DBSCAN算法是对经典的DBSCAN算法的改进,使用动态的Eps和MinPts更符合不同分布数据场景,对经典DBSCAN算法进行了创新性的大力扩展,使其能有效处理不属于同一分布的数据;(3)本申请实施例提供了一个汽车出行前服务预启动的一般框架,具有很高的通用性。
其次参照附图描述根据本申请实施例提出的用车出行时间预测装置。
图7是本申请一个实施例的用车出行时间预测装置的方框示意图。
如图7所示,该用车出行时间预测装置10,装置应用于服务器,包括:第一获取模块110、识别模块120、计算模块130和第一预测模块140。
其中,第一获取模块110用于获取用户的用车数据集;识别模块120用于识别用车数据集中满足有效用车条件的有效出行时间数据;计算模块130用于根据用车数据集中有效出行时间数据的个数计算聚类算法的最小包含点数,并根据有效出行时间数据的开始时间对应位置之间的平均距离计算聚类算法的扫描半径;第一预测模块140用于根据聚类算法的扫描半径和最小包含点数对用户的有效出行时间数据进行密度聚类,得到每个有效出行时间段的一个或多个聚类时间,基于每个有效出行时间段的一个或多个聚类时间预测用户的用车出行时间。
需要说明的是,前述对用车出行时间预测方法实施例的解释说明也适用于该实施例的用车出行时间预测装置,此处不再赘述。
根据本申请实施例提出的用车出行时间预测装置,通过获取用户的用车数据集,识别用车数据集中满足有效用车条件的有效出行时间数据,并根据用车数据集中有效出行时间数据的个数计算聚类算法的最小包含点数,并根据有效出行时间数据的开始时间对应位置之间的平均距离计算聚类算法的扫描半径,通过聚类算法的扫描半径和最小包含点数对用户的有效出行时间数据进行密度聚类,得到有效出行时段的聚类时间,基于此预测用户的用车出行时间,采用密度聚类算法可以更加高效更加精准的预测出用户多样性的用车时间,满足用户的用车需求,提升用户的用车体验。由此,解决了相关技术中无法更加精准的预测用户多样性的用车时间,导致无法满足用户的用车需求,用户体验感较差等问题。
其次参照附图描述根据本申请实施例提出的用车出行时间预测装置。
图8是本申请一个实施例的用车出行时间预测装置的方框示意图。
如图8所示,该用车出行时间预测装置20,装置应用于服务器,包括:第二获取模块210和第二预测模块220。
其中,第二获取模块210用于获取用户的身份标识;第二预测模块220用于以身份标识为索引,查询预设数据库,得到身份标识匹配的预测数据,基于预测数据预测用户的用车出行时间,其中,预设数据库包括基于用户的用车数据集和聚类算法预测的用车出行时间的预测数据。
需要说明的是,前述对用车出行时间预测方法实施例的解释说明也适用于该实施例的用车出行时间预测装置,此处不再赘述。
根据本申请实施例提出的用车出行时间预测装置,通过获取用户的身份标识,并以身份标识为索引,查询数据库得到身份标识匹配的预测数据,并基于预测数据预测用户的用车出行时间,可以更加高效更加精准的预测出用户多样性的用车时间,满足用户的用车需求,提升用户的用车体验。由此,解决了相关技术中无法更加精准的预测用户多样性的用车时间,导致无法满足用户的用车需求,用户体验感较差等问题。
图9为本申请实施例提供的服务器的结构示意图。该服务器可以包括:
存储器901、处理器902及存储在存储器901上并可在处理器902上运行的计算机程序。
处理器902执行程序时实现上述实施例中提供的用车出行时间预测方法。
进一步地,服务器还包括:
通信接口903,用于存储器901和处理器902之间的通信。
存储器901,用于存放可在处理器902上运行的计算机程序。
存储器901可能包含高速RAM(Random Access Memory,随机存取存储器)存储器,也可能还包括非易失性存储器,例如至少一个磁盘存储器。
如果存储器901、处理器902和通信接口903独立实现,则通信接口903、存储器901和处理器902可以通过总线相互连接并完成相互间的通信。总线可以是ISA(IndustryStandard Architecture,工业标准体系结构)总线、PCI(Peripheral Component,外部设备互连)总线或EISA(Extended Industry Standard Architecture,扩展工业标准体系结构)总线等。总线可以分为地址总线、数据总线、控制总线等。为便于表示,图9中仅用一条粗线表示,但并不表示仅有一根总线或一种类型的总线。
可选的,在具体实现上,如果存储器901、处理器902及通信接口903,集成在一块芯片上实现,则存储器901、处理器902及通信接口903可以通过内部接口完成相互间的通信。
处理器902可能是一个CPU(Central Processing Unit,中央处理器),或者是ASIC(Application Specific Integrated Circuit,特定集成电路),或者是被配置成实施本申请实施例的一个或多个集成电路。
本申请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,该程序被处理器执行时实现如上的用车出行时间预测方法。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本申请的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不是必须针对的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任一个或N个实施例或示例中以合适的方式结合。此外,在不相互矛盾的情况下,本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
此外,术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本申请的描述中,“N个”的含义是至少两个,例如两个,三个等,除非另有明确具体的限定。
流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为,表示包括一个或更N个用于实现定制逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分,并且本申请的优选实施方式的范围包括另外的实现,其中可以不按所示出或讨论的顺序,包括根据所涉及的功能按基本同时的方式或按相反的顺序,来执行功能,这应被本申请的实施例所属技术领域的技术人员所理解。
应当理解,本申请的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中,N个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。如,如果用硬件来实现和在另一实施方式中一样,可用本领域公知的下列技术中的任一项或他们的组合来实现:具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路,具有合适的组合逻辑门电路的专用集成电路,可编程门阵列,现场可编程门阵列等。
本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成,所述的程序可以存储于一种计算机可读存储介质中,该程序在执行时,包括方法实施例的步骤之一或其组合。
尽管上面已经示出和描述了本申请的实施例,可以理解的是,上述实施例是示例性的,不能理解为对本申请的限制,本领域的普通技术人员在本申请的范围内可以对上述实施例进行变化、修改、替换和变型。
Claims (14)
1.一种用车出行时间预测方法,其特征在于,所述方法应用于服务器,包括以下步骤:
获取用户的用车数据集;
识别所述用车数据集中满足有效用车条件的有效出行时间数据;
根据所述用车数据集中有效出行时间数据的个数计算聚类算法的最小包含点数,并根据有效出行时间数据的开始时间对应位置之间的平均距离计算聚类算法的扫描半径;
根据所述聚类算法的所述扫描半径和所述最小包含点数对用户的有效出行时间数据进行密度聚类,得到每个有效出行时间段的一个或多个聚类时间,基于每个有效出行时间段的一个或多个聚类时间预测所述用户的用车出行时间。
2.根据权利要求1所述的方法,其特征在于,所述基于每个有效出行时间段的一个或多个聚类时间预测所述用户的用车出行时间,包括:
根据所述每个有效出行时间段的一个或多个聚类时间计算所述每个有效出行时间段的聚类时间均值,将所述聚类时间均值作为所述有效出行时间段的用车出行时间的预测时间。
3.根据权利要求1所述的方法,其特征在于,所述根据所述用车数据集中有效出行时间数据的个数计算聚类算法的最小包含点数,包括:
获取每个用户的有效出行时间数据的个数;
根据第一预设比例因子和所述每个用户的有效出行时间数据的个数计算得到所述聚类算法的最小包含点数。
4.根据权利要求1所述的方法,其特征在于,所述根据有效出行时间数据的开始时间对应位置之间的平均距离计算聚类算法的扫描半径,包括:
获取每个用户的有效出行时间数据的开始时间对应位置之间的平均距离;
根据第二预设比例因子和所述每个用户的有效出行时间数据的开始时间对应位置之间的平均距离计算得到所述聚类算法的扫描半径。
5.根据权利要求1所述的方法,其特征在于,所述获取用户的用车数据集,包括:
获取用户的用车日志数据;
识别所述用车日志数据中所有出行时间数据的日期类型;
根据所述日期类型对所述所有出行时间数据进行分类,得到分类结果,根据所述分类结果构建每个日期类型对应的用车数据集。
6.根据权利要求1-5任意一项所述的方法,其特征在于,所述有效用车条件为每次出行时间距离上次行车完毕关闭发动机时间的时间间隔大于预设时长。
7.一种用车出行时间预测方法,其特征在于,所述方法应用于服务器,其中,所述方法包括以下步骤:
获取用户的身份标识;
以所述身份标识为索引,查询预设数据库,得到所述身份标识匹配的预测数据,基于所述预测数据预测所述用户的用车出行时间,其中,所述预设数据库包括基于用户的用车数据集和聚类算法预测的用车出行时间的预测数据。
8.根据权利要求7所述的方法,其特征在于,所述基于所述预测数据预测所述用户的用车出行时间,包括:
检测当前时间与所述预测数据中任意预测时间之间的时间间隔是否小于预设间隔;
若是,则发送所述用户在预测时间的用车出行提醒至所述用户的用户终端。
9.根据权利要求7所述的方法,其特征在于,在发送所述用户在预测时间的用车出行提醒至所述用户的用户终端的同时,还包括:
根据所述预测时间生成车辆的启动服务时间;
发送所述启动服务时间至所述用户终端,并在当前时间到达所述启动服务时间时,控制所述车辆启动对应服务。
10.根据权利要求7所述的方法,其特征在于,在发送启动服务时间至所述用户终端之后,还包括:
根据所述用户的修改指令修改所述启动服务时间。
11.一种用车出行时间预测装置,其特征在于,所述装置应用于服务器,包括:
第一获取模块,用于获取用户的用车数据集;
识别模块,用于识别所述用车数据集中满足有效用车条件的有效出行时间数据;
计算模块,用于根据所述用车数据集中有效出行时间数据的个数计算聚类算法的最小包含点数,并根据有效出行时间数据的开始时间对应位置之间的平均距离计算聚类算法的扫描半径;
第一预测模块,用于根据所述聚类算法的所述扫描半径和所述最小包含点数对用户的有效出行时间数据进行密度聚类,得到每个有效出行时间段的一个或多个聚类时间,基于每个有效出行时间段的一个或多个聚类时间预测所述用户的用车出行时间。
12.一种用车出行时间预测装置,其特征在于,所述装置应用于服务器,包括:
第二获取模块,用于获取用户的身份标识;
第二预测模块,用于以所述身份标识为索引,查询预设数据库,得到所述身份标识匹配的预测数据,基于所述预测数据预测所述用户的用车出行时间,其中,所述预设数据库包括基于用户的用车数据集和聚类算法预测的用车出行时间的预测数据。
13.一种服务器,其特征在于,包括:存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述处理器执行所述程序,以实现如权利要求1-10任一项所述的用车出行时间预测方法。
14.一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,该程序被处理器执行,以用于实现如权利要求1-10任一项所述的用车出行时间预测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211511816.1A CN115713168A (zh) | 2022-11-29 | 2022-11-29 | 用车出行时间预测方法、装置、服务器及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211511816.1A CN115713168A (zh) | 2022-11-29 | 2022-11-29 | 用车出行时间预测方法、装置、服务器及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115713168A true CN115713168A (zh) | 2023-02-24 |
Family
ID=85235240
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211511816.1A Pending CN115713168A (zh) | 2022-11-29 | 2022-11-29 | 用车出行时间预测方法、装置、服务器及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115713168A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116373692A (zh) * | 2023-06-07 | 2023-07-04 | 广汽埃安新能源汽车股份有限公司 | 一种电池加热控制方法及系统 |
-
2022
- 2022-11-29 CN CN202211511816.1A patent/CN115713168A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116373692A (zh) * | 2023-06-07 | 2023-07-04 | 广汽埃安新能源汽车股份有限公司 | 一种电池加热控制方法及系统 |
CN116373692B (zh) * | 2023-06-07 | 2023-09-01 | 广汽埃安新能源汽车股份有限公司 | 一种电池加热控制方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111769240B (zh) | 电动汽车远程热管理控制方法、装置、系统及存储介质 | |
WO2021135653A1 (zh) | 一种识别车辆的异常停留的方法和系统 | |
CN110176142B (zh) | 车辆轨迹预测模型建立及预测方法 | |
US20120065834A1 (en) | Driving management system and method | |
CN108230720B (zh) | 停车管理方法和装置 | |
US20190234336A1 (en) | Vehicle predictive control system based on big data and method thereof | |
CN106548246B (zh) | 一种电动车辆实时充电推荐方法及其系统 | |
US8577935B2 (en) | System and method for storing performance data in a transit organization | |
CN111815096B (zh) | 共享汽车投放方法、电子设备及存储介质 | |
CN111890873A (zh) | 智能启动车内空调和/或空气净化设备的方法和系统 | |
DE112016006754T5 (de) | Verfahren und vorrichtung zur on-demand-kraftstofflieferung | |
CN113538067B (zh) | 一种基于机器学习的城际网约车需求预测方法及系统 | |
CN113486261A (zh) | 基于大数据分析的充电推荐方法及装置 | |
CN115713168A (zh) | 用车出行时间预测方法、装置、服务器及存储介质 | |
WO2021031635A1 (zh) | 基于非空闲行程车辆的预约单混合连环派单方法和装置 | |
CN115339355A (zh) | 电动汽车实时充电决策方法、系统、介质、设备及终端 | |
CN114299746B (zh) | 基于图像识别的公交车辆调度方法、设备及介质 | |
CN116029510A (zh) | 车辆调度方法、装置、设备及存储介质 | |
CN113362527A (zh) | 一种充电车位计费方法、装置及存储介质 | |
CN111178558B (zh) | 网约车订单处理方法及装置、计算机设备和可读存储介质 | |
CN111768017B (zh) | 一种网约车业务的指引方法、装置、设备及存储介质 | |
CN114896482A (zh) | 一种模型训练和补能意图识别方法、装置、设备及介质 | |
CN112070571A (zh) | 智能化的网约车信息处理方法 | |
US20220300838A1 (en) | Behavior prediction device, behavior prediction method, and behavior prediction program | |
US20240174110A1 (en) | Augmenting charging station optimization with vehicle telematics |
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 |