CN116071954A - 车辆停靠区域的识别方法、装置、设备及存储介质 - Google Patents
车辆停靠区域的识别方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN116071954A CN116071954A CN202211712246.2A CN202211712246A CN116071954A CN 116071954 A CN116071954 A CN 116071954A CN 202211712246 A CN202211712246 A CN 202211712246A CN 116071954 A CN116071954 A CN 116071954A
- Authority
- CN
- China
- Prior art keywords
- point
- points
- parking area
- longitude
- latitude
- 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
- 238000000034 method Methods 0.000 title claims abstract description 57
- 238000003860 storage Methods 0.000 title abstract description 12
- 238000012216 screening Methods 0.000 claims description 15
- 230000005484 gravity Effects 0.000 claims description 4
- 238000001914 filtration Methods 0.000 claims description 3
- 230000002776 aggregation Effects 0.000 abstract description 10
- 238000004220 aggregation Methods 0.000 abstract description 10
- 238000010586 diagram Methods 0.000 description 7
- 238000004891 communication Methods 0.000 description 4
- 238000004590 computer program Methods 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000015556 catabolic process Effects 0.000 description 2
- 238000006731 degradation reaction Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000000802 evaporation-induced self-assembly Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003032 molecular docking Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/14—Traffic control systems for road vehicles indicating individual free spaces in parking areas
- G08G1/141—Traffic control systems for road vehicles indicating individual free spaces in parking areas with means giving the indication of available parking spaces
- G08G1/142—Traffic control systems for road vehicles indicating individual free spaces in parking areas with means giving the indication of available parking spaces external to the vehicles
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
- G08G1/0108—Measuring and analyzing of parameters relative to traffic conditions based on the source of data
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
- G08G1/0125—Traffic data processing
- G08G1/0129—Traffic data processing for creating historical data or processing based on historical data
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
- G08G1/0137—Measuring and analyzing of parameters relative to traffic conditions for specific applications
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/123—Traffic control systems for road vehicles indicating the position of vehicles, e.g. scheduled vehicles; Managing passenger vehicles circulating according to a fixed timetable, e.g. buses, trains, trams
- G08G1/127—Traffic control systems for road vehicles indicating the position of vehicles, e.g. scheduled vehicles; Managing passenger vehicles circulating according to a fixed timetable, e.g. buses, trains, trams to a central station ; Indicators in a central station
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Traffic Control Systems (AREA)
Abstract
本申请公开了一种车辆停靠区域的识别方法、装置、设备及存储介质，所述方法包括：获取车辆的停靠点数据；根据预设的网格划分参数划分地理网格，将每个网格中的停靠点合并成一个经纬度点，将网格中所有停靠点的数量和作为所述经纬度点的数量字段；将所有经纬度点进行分组，在各组中通过改进的聚类算法进行聚类，生成聚类点簇；根据预设的边界生成算法以及全国道路数据对所述聚类点簇进行边界划分，得到车辆的停靠区域。根据本申请实施例提供的车辆停靠区域的识别方法，通过对聚类算法进行优化，从很大程度上提升了聚合的性能。而且采用边界生成算法，以及联合全国道路数据，可以对聚类后的点簇划分边界，生成精确的停靠区域。便于后续应用。
Description
技术领域
本发明涉及车联网技术领域，特别涉及一种车辆停靠区域的识别方法、装置、设备及存储介质。
背景技术
车辆经常聚集停靠的范围，基本都是具有特定业务属性的区域。从车辆的停靠点中，挖掘出这些区域的位置，对于车联网的多种业务场景，例如加油站、服务区、物流园的选址等都具有非常重要的意义。
目前，常见的停靠点聚合算法，主要包括DBScan、KMeans等经典机器学习算法。这些算法在数据量庞大的条件下，性能下降非常严重。并且这些算法只能定位到点簇，无法生成区域范围。
发明内容
本申请实施例提供了一种车辆停靠区域的识别方法、装置、设备及存储介质。为了对披露的实施例的一些方面有一个基本的理解，下面给出了简单的概括。该概括部分不是泛泛评述，也不是要确定关键/重要组成元素或描绘这些实施例的保护范围。其唯一目的是用简单的形式呈现一些概念，以此作为后面的详细说明的序言。
第一方面，本申请实施例提供了一种车辆停靠区域的识别方法，包括：
获取车辆的停靠点数据；
根据预设的网格划分参数划分地理网格，将每个网格中的停靠点合并成一个经纬度点，将网格中所有停靠点的数量和作为经纬度点的数量字段；
将所有经纬度点进行分组，在各组中通过改进的聚类算法进行聚类，生成聚类点簇；
根据预设的边界生成算法以及全国道路数据对聚类点簇进行边界划分，得到车辆的停靠区域。
在一个可选地实施例中，将每个网格中的停靠点合并成一个经纬度点，包括：
将每个网格中的停靠点合并成一个经纬度点，合并后的经纬度点的位置为网格内各个停靠点的重心。
在一个可选地实施例中，通过改进的聚类算法进行聚类，生成聚类点簇，包括：
通过改进的DBSCAN聚类算法对各组内的经纬度点进行聚类，生成聚类点簇；
其中，在运行改进的DBSCAN聚类算法时，将每遍历一个聚类半径内的经纬度点计数加1的方法，修改为计数累加经纬度点的数量字段。
在一个可选地实施例中，根据预设的边界生成算法以及全国道路数据对聚类点簇进行边界划分，得到车辆的停靠区域，包括：
根据预设的边界生成算法对聚类点簇进行边界划分，得到生成的初始停靠区域；
根据全国道路数据对初始停靠区域进行划分，去除初始停靠区域中的道路部分，得到车辆的停靠区域。
在一个可选地实施例中，根据预设的边界生成算法对聚类点簇进行边界划分，得到生成的初始停靠区域，包括：
根据GrahamScan凸包算法对聚类点簇进行边界划分，生成包含聚类点簇的最小凸包边界，将最小凸包边界作为初始停靠区域。
在一个可选地实施例中，获取车辆的停靠点数据，包括：
获取预设时段内车辆的停靠点；
设置停靠点筛选条件，根据筛选条件对停靠点进行过滤，去除不满足筛选条件的停靠点；
得到筛选后的停靠点数据。
在一个可选地实施例中，筛选条件，包括：
判断停靠点周边预设范围内是否有大于预设数量阈值的车辆，且车辆的停靠次数是否大于预设次数阈值；
若有大于预设数量阈值的车辆，且车辆的停靠次数大于预设次数阈值，则保留停靠点。
第二方面，本申请实施例提供了一种车辆停靠区域的识别装置，包括：
获取模块，用于获取车辆的停靠点数据；
合并模块，用于根据预设的网格划分参数划分地理网格，将每个网格中的停靠点合并成一个经纬度点，将网格中所有停靠点的数量和作为经纬度点的数量字段；
聚类模块，用于将所有经纬度点进行分组，在各组中通过改进的聚类算法进行聚类，生成聚类点簇；
边界划分模块，用于根据预设的边界生成算法以及全国道路数据对聚类点簇进行边界划分，得到车辆的停靠区域。
第三方面，本申请实施例提供了一种电子设备，包括处理器和存储有程序指令的存储器，处理器被配置为在执行程序指令时，执行上述实施例提供的车辆停靠区域的识别方法。
第四方面，本申请实施例提供了一种计算机可读介质，其上存储有计算机可读指令，计算机可读指令被处理器执行以实现上述实施例提供的一种车辆停靠区域的识别方法。
本申请实施例提供的技术方案可以包括以下有益效果：
根据本申请实施例提供的车辆停靠区域的识别方法，通过对聚类算法进行优化，从很大程度上提升了聚合的性能。而且采用边界生成算法，以及联合全国道路数据，可以对聚类后的点簇划分边界，生成精确的停靠区域。便于后续应用。
应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本发明。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本发明的实施例，并与说明书一起用于解释本发明的原理。
图1是根据一示例性实施例示出的一种车辆停靠区域的识别方法的流程示意图；
图2是根据一示例性实施例示出的一种车辆停靠区域的识别方法流程示意图；
图3是根据一示例性实施例示出的一种聚类点簇的示意图；
图4是根据一示例性实施例示出的一种停靠区域的示意图；
图5是根据一示例性实施例示出的一种车辆停靠区域的识别装置的结构示意图；
图6是根据一示例性实施例示出的一种电子设备的结构示意图；
图7是根据一示例性实施例示出的一种计算机存储介质的示意图。
具体实施方式
以下描述和附图充分地示出本发明的具体实施方案，以使本领域的技术人员能够实践它们。
应当明确，所描述的实施例仅仅是本发明一部分实施例，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作出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本发明相一致的所有实施方式。相反，它们仅是如所附权利要求书中所详述的、本发明的一些方面相一致的系统和方法的例子。
目前，常见的停靠点聚合算法，主要包括DBScan、KMeans等经典机器学习算法。这些算法在数据量庞大的条件下，性能下降非常严重。并且这些算法只能定位到点簇，无法生成区域范围。
基于此，本申请实施例提供了一种在大数据条件下，高效生成高频停靠范围的方法。通过对DBScan算法的优化，从很大程度上提升聚合的性能。而使用边界生成算法，并通过道路数据对成团的区域，进行合理划分，可以生成基本与实际情况一致的停靠区域。下面将结合附图对本申请实施例提供的车辆停靠区域的识别方法进行详细介绍。参见图1，该方法具体包括以下步骤。
S101获取车辆的停靠点数据。
在一种可能的实现方式中，分析车辆的常停靠区域时，可以根据预设时段内的车辆轨迹数据进行分析。例如，获取车辆近半年来的轨迹数据，可获取车辆的GPS轨迹点数据，其中，GPS轨迹点是部署在车辆上的GPS
(GlobalPositioning System，全球定位系统)设备实时上报的车辆位置数据。通常，GPS设备在实时上报时，上报的时间间隔可以根据实际情况进行设定，本申请优选时间间隔为10S。需要说明的是，本申请除了采用车辆安装GPS设备实时上报车辆的轨迹数据之外，还可以是由北斗设备定位车辆轨迹并进行上报。
进一步地，根据车辆的轨迹数据分析车辆的停靠点，具体地，按轨迹时间轴计算停靠点，例如，速度小于5公里/时,作为停靠基点,计算后续每个点与基点距离，如果连续小于等于200米，持续时间大于5分钟，标记该基点为停靠开始点，基点停靠开始时间作为本次停靠开始时间、基点停靠经纬度作为本次停靠点经纬度；继续判断后续所有行驶轨迹点，找到一个点，与基点位置距离，大于200米，持续时长超过2分钟，标记这一次停靠结束，结束点与基点之间的时间差，为本次停靠的总停靠时长。
进一步地，获取预设时段内车辆的停靠点之后，设置停靠点筛选条件，根据筛选条件对停靠点进行过滤，去除不满足筛选条件的停靠点，得到筛选后的停靠点数据。
在一个实施方式中，筛选条件为判断停靠点周边预设范围内是否有大于预设数量阈值的车辆，且车辆的停靠次数是否大于预设次数阈值，若有大于预设数量阈值的车辆，且车辆的停靠次数大于预设次数阈值，则保留停靠点，否则，去除该停靠点。其中，预设数量阈值和预设次数阈值可根据实际情况自行设定。
例如，以停靠点为中心，判断周边10米内是否满足超过50辆停靠车辆和超过5次停靠的条件，根据筛选条件对停靠点进行过滤，将不满足条件的停靠点去掉。
根据该步骤，得到初次筛选后的停靠点。
S102根据预设的网格划分参数划分地理网格，将每个网格中的停靠点合并成一个经纬度点，将网格中所有停靠点的数量和作为经纬度点的数量字段。
在一个实施例中，以360/pow(2,23)为经纬度边长，划分地理网格，划分的地理网格边长约5米，本领域技术人员也可自行设置网格划分参数，本申请不做具体限定。
进一步地，将每个网格中的所有停靠点合并成一个经纬度点，合并后的经纬度点的位置为网格内各停靠点的重心，并加上一个计数量，将网格中所有停靠点的数量和作为经纬度点的数量字段。
S103将所有经纬度点进行分组，在各组中通过改进的聚类算法进行聚类，生成聚类点簇。
得到合并后的经纬度点后，将所有经纬度点进行分组，例如，将数据按照县级行政区划进行分组，或按照区级行政区划进行分组，具体地分组方法可根据实际需求自行设定。在各组中通过改进的聚类算法进行聚类，生成聚类点簇。
具体地，通过改进的DBSCAN聚类算法对各组内的经纬度点进行聚类，生成聚类点簇。
传统的DBSCAN聚类算法，需要两个参数:扫描半径(eps)和最小包含点数(minPts)。任选一个未被访问的点开始，找出与其距离在扫描半径之内(包括扫描半径)的所有附近点。如果附近点的数量大于等于最小包含点数，则当前点与其附近点形成一个点簇，并且出发点被标记为已访问。然后递归，以相同的方法处理该簇内所有未被标记为已访问的点，从而对簇进行扩展。如果附近点的数量小于最小包含点数，则该点暂时被标记作为噪声点。
可见，传统的聚类算法，在累计附近点的数量时，每遍历一个扫描半径内的点，数量就加1，在运行改进的DBSCAN聚类算法时，将每遍历一个聚类半径内的经纬度点计数加1的方法，修改为计数累加经纬度点的数量字段。因为本申请的经纬度点是多个停靠点的聚合点，因此，每次累加的是经纬度点的数量字段。
图3是根据一示例性实施例示出的一种聚类点簇的示意图，如图3所示，经纬度点都是包含数量字段的点，在运行改进的DBSCAN聚类算法时，根据数量字段进行累加，较少数量的经纬度点也能聚合在一起，得到的聚类点簇如图3所示。
通过对聚类算法进行改进，面对海量停靠点数据的情况下，不仅可以提高数据的处理效率，还能提升聚合性能。
S104根据预设的边界生成算法以及全国道路数据对聚类点簇进行边界划分，得到车辆的停靠区域。
在一个可选地实施例中，根据预设的边界生成算法以及全国道路数据对聚类点簇进行边界划分，得到车辆的停靠区域，包括：
根据预设的边界生成算法对聚类点簇进行边界划分，得到生成的初始停靠区域。
具体地，根据Graham Scan凸包算法对聚类点簇进行边界划分，生成包含聚类点簇的最小凸包边界，将最小凸包边界作为初始停靠区域。凸包是一个计算几何(图形学)中的概念。在一个实数向量空间V中，对于给定集合X，所有包含X的凸集的交集S被称为X的凸包。X的凸包可以用X内所有点(X1，…Xn)的凸组合来构造。在二维欧几里得空间中，凸包可想象为一条刚好包著所有点的橡皮圈。用不严谨的话来讲，给定二维平面上的点集，凸包就是将最外层的点连接起来构成的凸多边形，它能包含点集中所有的点。
因此，生成的凸包边界可以包含聚类点簇中的所有点，将该凸包边界作为初始停靠区域。
进一步地，获取全国道路数据，根据全国道路数据对初始停靠区域进行划分，去除初始停靠区域中的道路部分，利用道路将初始停靠区域分割，得到结合路网数据优化后的车辆停靠区域。
如图4所示，优化后的车辆停靠区域不包含道路区域，划分的停靠区域较符合实际。
进一步地，地图中POI包含名称、类别、经纬度信息，如物流园，加油站，服务区等都是一个POI，POI在日常的生产生活中有重要作用。但由于POI只是一个点，只能判断靠近而不能判断进出，比如一个车在某工厂100m处，但车是在厂内还是厂外无法确认。需要人工标注POI的边界，判断车辆是否进出围栏。在本申请实施例中，得到停靠区域之后，还包括获取停靠区域的边界信息以及POI信息，根据停靠区域边界网格的经纬度信息，可以自动标注POI的边界。省去了大量测绘及人工标注POI边界的复杂工作，对货车进出围栏及货车装卸判断有重要意义。
为了便于理解本申请实施例提供的车辆停靠区域的识别方法，下面结合附图2进行说明。如图2所示，该方法包括如下步骤。
首先，改进经典DBScan聚类方法，增加一个样本重复数的参数，传统的聚类算法，在累计附近点的数量时，每遍历一个扫描半径内的点，数量就加1，在运行改进的DBSCAN聚类算法时，将每遍历一个聚类半径内的经纬度点计数加1的方法，修改为计数累加经纬度点的数量字段。因为本申请的经纬度点是多个停靠点的聚合点，因此，每次累加的是经纬度点的数量字段。
进一步地，获取车辆停靠点，设置停靠点筛选条件，采用停靠点周边n米内有超过x辆车和超过y次停靠的条件，对停靠点进行过滤。
进一步地，划分地理网格，将地理空间划分为以360/pow(2,23)经纬度为边长(约5米)的地理网格。
进一步地，将每个网格内的停靠点合并成一个经纬度点，位置为网格内各停靠点的重心，并以网格内停靠点数量和作为经纬度点的重复数。
进一步地，使用修改后的DBScan聚类算法对带有重复数的经纬度点进行聚类；
进一步地，在每个簇内，使用GrahamScan凸包算法，生成包含簇内所有点的最小凸包边界，将最小凸包边界作为初始停靠区域。
最后，使用全国道路数据，将聚合后的初始停靠区域，去除掉路线上的部分，生成最终的聚合区域。
根据本申请实施例提供的车辆停靠区域的识别方法，通过对聚类算法进行优化，从很大程度上提升了聚合的性能。而且采用边界生成算法，以及联合全国道路数据，可以对聚类后的点簇划分边界，生成精确的停靠区域。便于后续应用。还可以对停靠区域的边界和POI进行标注，通过标注POI的边界，可以对车辆进出围栏进行判定。
本申请实施例还提供一种车辆停靠区域的识别装置，该装置用于执行上述实施例的车辆停靠区域的识别方法，如图5所示，该装置包括：
获取模块501，用于获取车辆的停靠点数据；
合并模块502，用于根据预设的网格划分参数划分地理网格，将每个网格中的停靠点合并成一个经纬度点，将网格中所有停靠点的数量和作为经纬度点的数量字段；
聚类模块503，用于将所有经纬度点进行分组，在各组中通过改进的聚类算法进行聚类，生成聚类点簇；
边界划分模块504，用于根据预设的边界生成算法以及全国道路数据对聚类点簇进行边界划分，得到车辆的停靠区域。
需要说明的是，上述实施例提供的车辆停靠区域的识别装置在执行车辆停靠区域的识别方法时，仅以上述各功能模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能模块完成，即将设备的内部结构划分成不同的功能模块，以完成以上描述的全部或者部分功能。另外，上述实施例提供的车辆停靠区域的识别装置与车辆停靠区域的识别方法实施例属于同一构思，其体现实现过程详见方法实施例，这里不再赘述。
本申请实施例还提供一种与前述实施例所提供的车辆停靠区域的识别方法对应的电子设备，以执行上述车辆停靠区域的识别方法。
请参考图6，其示出了本申请的一些实施例所提供的一种电子设备的示意图。如图6所示，电子设备包括：处理器600，存储器601，总线602和通信接口603，处理器600、通信接口603和存储器601通过总线602连接；存储器601中存储有可在处理器600上运行的计算机程序，处理器600运行计算机程序时执行本申请前述任一实施例所提供的车辆停靠区域的识别方法。
其中，存储器601可能包含高速随机存取存储器(RAM：Random Access Memory)，也可能还包括非不稳定的存储器(non-volatile memory)，例如至少一个磁盘存储器。通过至少一个通信接口603(可以是有线或者无线)实现该系统网元与至少一个其他网元之间的通信连接，可以使用互联网、广域网、本地网、城域网等。
总线602可以是ISA总线、PCI总线或EISA总线等。总线可以分为地址总线、数据总线、控制总线等。其中，存储器601用于存储程序，处理器600在接收到执行指令后，执行程序，前述本申请实施例任一实施方式揭示的车辆停靠区域的识别方法可以应用于处理器600中，或者由处理器600实现。
处理器600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600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600可以是通用处理器，包括中央处理器(Central Processing Unit，简称CPU)、网络处理器(Network Processor，简称NP)等；还可以是数字信号处理器(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申请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。结合本申请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601，处理器600读取存储器601中的信息，结合其硬件完成上述方法的步骤。
本申请实施例提供的电子设备与本申请实施例提供的车辆停靠区域的识别方法出于相同的发明构思，具有与其采用、运行或实现的方法相同的有益效果。
本申请实施例还提供一种与前述实施例所提供的车辆停靠区域的识别方法对应的计算机可读存储介质，请参考图7，其示出的计算机可读存储介质为光盘700，其上存储有计算机程序(即程序产品)，计算机程序在被处理器运行时，会执行前述任意实施例所提供的车辆停靠区域的识别方法。
需要说明的是，计算机可读存储介质的例子还可以包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他光学、磁性存储介质，在此不再一一赘述。
本申请的上述实施例提供的计算机可读存储介质与本申请实施例提供的车辆停靠区域的识别方法出于相同的发明构思，具有与其存储的应用程序所采用、运行或实现的方法相同的有益效果。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种车辆停靠区域的识别方法，其特征在于，包括：
获取车辆的停靠点数据；
根据预设的网格划分参数划分地理网格，将每个网格中的停靠点合并成一个经纬度点，将网格中所有停靠点的数量和作为所述经纬度点的数量字段；
将所有经纬度点进行分组，在各组中通过改进的聚类算法进行聚类，生成聚类点簇；
根据预设的边界生成算法以及全国道路数据对所述聚类点簇进行边界划分，得到车辆的停靠区域。
2.根据权利要求1所述的方法，其特征在于，将每个网格中的停靠点合并成一个经纬度点，包括：
将每个网格中的停靠点合并成一个经纬度点，合并后的经纬度点的位置为网格内各个停靠点的重心。
3.根据权利要求1所述的方法，其特征在于，通过改进的聚类算法进行聚类，生成聚类点簇，包括：
通过改进的DBSCAN聚类算法对各组内的经纬度点进行聚类，生成所述聚类点簇；
其中，在运行所述改进的DBSCAN聚类算法时，将每遍历一个聚类半径内的经纬度点计数加1的方法，修改为计数累加所述经纬度点的数量字段。
4.根据权利要求1所述的方法，其特征在于，根据预设的边界生成算法以及全国道路数据对所述聚类点簇进行边界划分，得到车辆的停靠区域，包括：
根据预设的边界生成算法对所述聚类点簇进行边界划分，得到生成的初始停靠区域；
根据全国道路数据对所述初始停靠区域进行划分，去除所述初始停靠区域中的道路部分，得到车辆的停靠区域。
5.根据权利要求4所述的方法，其特征在于，根据预设的边界生成算法对所述聚类点簇进行边界划分，得到生成的初始停靠区域，包括：
根据GrahamScan凸包算法对所述聚类点簇进行边界划分，生成包含所述聚类点簇的最小凸包边界，将所述最小凸包边界作为所述初始停靠区域。
6.根据权利要求1所述的方法，其特征在于，获取车辆的停靠点数据，包括：
获取预设时段内车辆的停靠点；
设置停靠点筛选条件，根据所述筛选条件对停靠点进行过滤，去除不满足所述筛选条件的停靠点；
得到筛选后的停靠点数据。
7.根据权利要求6所述的方法，其特征在于，所述筛选条件，包括：
判断所述停靠点周边预设范围内是否有大于预设数量阈值的车辆，且车辆的停靠次数是否大于预设次数阈值；
若有大于预设数量阈值的车辆，且车辆的停靠次数大于预设次数阈值，则保留所述停靠点。
8.一种车辆停靠区域的识别装置，其特征在于，包括：
获取模块，用于获取车辆的停靠点数据；
合并模块，用于根据预设的网格划分参数划分地理网格，将每个网格中的停靠点合并成一个经纬度点，将网格中所有停靠点的数量和作为所述经纬度点的数量字段；
聚类模块，用于将所有经纬度点进行分组，在各组中通过改进的聚类算法进行聚类，生成聚类点簇；
边界划分模块，用于根据预设的边界生成算法以及全国道路数据对所述聚类点簇进行边界划分，得到车辆的停靠区域。
9.一种电子设备，其特征在于，包括处理器和存储有程序指令的存储器，所述处理器被配置为在执行所述程序指令时，执行如权利要求1至7任一项所述的车辆停靠区域的识别方法。
10.一种计算机可读介质，其特征在于，其上存储有计算机可读指令，所述计算机可读指令被处理器执行以实现如权利要求1至7任一项所述的一种车辆停靠区域的识别方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211712246.2A CN116071954A (zh) | 2022-12-29 | 2022-12-29 | 车辆停靠区域的识别方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211712246.2A CN116071954A (zh) | 2022-12-29 | 2022-12-29 | 车辆停靠区域的识别方法、装置、设备及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116071954A true CN116071954A (zh) | 2023-05-05 |
Family
ID=86174213
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211712246.2A Pending CN116071954A (zh) | 2022-12-29 | 2022-12-29 | 车辆停靠区域的识别方法、装置、设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116071954A (zh) |
Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20180364063A1 (en) * | 2017-06-14 | 2018-12-20 | Here Global B.V. | Mapping system and method for identifying a parking lot from probe data |
| CN109214740A (zh) * | 2017-07-04 | 2019-01-15 | 菜鸟智能物流控股有限公司 | 一种物流请求处理方法及装置 |
| CN110765219A (zh) * | 2019-08-05 | 2020-02-07 | 上海晶赞融宣科技有限公司 | 地理围栏生成方法、装置、计算机设备和存储介质 |
| CN111121803A (zh) * | 2019-11-27 | 2020-05-08 | 北京中交兴路信息科技有限公司 | 获取道路常用停靠点的方法及装置 |
| CN111832599A (zh) * | 2019-11-27 | 2020-10-27 | 北京中交兴路信息科技有限公司 | 一种基于机器学习随机森林的加油站预测方法 |
| US20200410861A1 (en) * | 2018-03-06 | 2020-12-31 | Scania Cv Ab | Method and control arrangement for identification of parking areas |
| CN113268678A (zh) * | 2021-04-07 | 2021-08-17 | 北京中交兴路信息科技有限公司 | 一种车辆停靠点的语义挖掘方法、装置、存储介质及终端 |
| CN114186619A (zh) * | 2021-11-29 | 2022-03-15 | 北京中交兴路信息科技有限公司 | 车辆停靠点聚类的方法、装置、设备及存储介质 |
| US20220164089A1 (en) * | 2020-11-23 | 2022-05-26 | Geotab Inc. | Intelligent zoning |
| CN114722890A (zh) * | 2022-01-30 | 2022-07-08 | 高德软件有限公司 | 目标场所的边界生成方法、装置、电子设备及存储介质 |
| CN115379464A (zh) * | 2022-08-22 | 2022-11-22 | 中国联合网络通信集团有限公司 | 基站的规划方法、装置、设备及计算机可读存储介质 |
| CN115423841A (zh) * | 2022-08-08 | 2022-12-02 | 华东师范大学 | 一种面向大宗物流的运输终点校准方法及系统 |
-
2022
- 2022-12-29 CN CN202211712246.2A patent/CN116071954A/zh active Pending
Patent Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20180364063A1 (en) * | 2017-06-14 | 2018-12-20 | Here Global B.V. | Mapping system and method for identifying a parking lot from probe data |
| CN109214740A (zh) * | 2017-07-04 | 2019-01-15 | 菜鸟智能物流控股有限公司 | 一种物流请求处理方法及装置 |
| US20200410861A1 (en) * | 2018-03-06 | 2020-12-31 | Scania Cv Ab | Method and control arrangement for identification of parking areas |
| CN110765219A (zh) * | 2019-08-05 | 2020-02-07 | 上海晶赞融宣科技有限公司 | 地理围栏生成方法、装置、计算机设备和存储介质 |
| CN111121803A (zh) * | 2019-11-27 | 2020-05-08 | 北京中交兴路信息科技有限公司 | 获取道路常用停靠点的方法及装置 |
| CN111832599A (zh) * | 2019-11-27 | 2020-10-27 | 北京中交兴路信息科技有限公司 | 一种基于机器学习随机森林的加油站预测方法 |
| US20220164089A1 (en) * | 2020-11-23 | 2022-05-26 | Geotab Inc. | Intelligent zoning |
| CN113268678A (zh) * | 2021-04-07 | 2021-08-17 | 北京中交兴路信息科技有限公司 | 一种车辆停靠点的语义挖掘方法、装置、存储介质及终端 |
| CN114186619A (zh) * | 2021-11-29 | 2022-03-15 | 北京中交兴路信息科技有限公司 | 车辆停靠点聚类的方法、装置、设备及存储介质 |
| CN114722890A (zh) * | 2022-01-30 | 2022-07-08 | 高德软件有限公司 | 目标场所的边界生成方法、装置、电子设备及存储介质 |
| CN115423841A (zh) * | 2022-08-08 | 2022-12-02 | 华东师范大学 | 一种面向大宗物流的运输终点校准方法及系统 |
| CN115379464A (zh) * | 2022-08-22 | 2022-11-22 | 中国联合网络通信集团有限公司 | 基站的规划方法、装置、设备及计算机可读存储介质 |
Non-Patent Citations (1)
| Title |
|---|
| 王忠民;韩娜;宋辉;纪中伟: "基于改进DBSCAN的移动用户兴趣点提取方法", 西安邮电大学学报, vol. 20, no. 006, 31 December 2015 (2015-12-31), pages 102 - 105 * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| EP3719716A1 (en) | Machine learning system for classifying an area as vehicle way | |
| CN111435570B (zh) | 一种公交线路匹配方法及装置 | |
| CN114664087B (zh) | 基于轨迹识别车辆上下高速的方法、装置、设备及介质 | |
| CN111881243B (zh) | 一种出租车轨迹热点区域分析方法及系统 | |
| CN114186619A (zh) | 车辆停靠点聚类的方法、装置、设备及存储介质 | |
| CN112785841B (zh) | 判断货车行驶路线拥堵状态的方法及装置 | |
| EP4396801A1 (en) | System and method for monitoring a vehicle | |
| CN114202903A (zh) | 基于dem数据的车辆预警方法、装置、设备及存储介质 | |
| CN111121803B (zh) | 获取道路常用停靠点的方法及装置 | |
| CN110264725B (zh) | 路段流量的确定方法及装置 | |
| CN116664025A (zh) | 装卸货位置点生成方法、装置及设备 | |
| CN116071954A (zh) | 车辆停靠区域的识别方法、装置、设备及存储介质 | |
| CN113821735B (zh) | 识别非法加油站点的方法、装置、设备及存储介质 | |
| CN112581060A (zh) | 基于车辆装卸点的配货需求度检测方法、装置及设备 | |
| CN114677254A (zh) | 一种货车事故识别方法、装置、存储介质及程序产品 | |
| CN113611130A (zh) | 一种本地与过境货车车流量获取方法、系统及存储介质 | |
| CN114461933B (zh) | 基于周边搜索的车辆推荐方法、装置、设备及存储介质 | |
| CN115965854A (zh) | 基于神经网络的停靠区域识别方法、装置、设备及介质 | |
| CN115630293A (zh) | 一种聚集区类型判断模型训练方法和系统 | |
| CN115936817B (zh) | 一种乘客订单起点聚合方法、装置及计算机设备 | |
| CN114463970B (zh) | 自动检测卡口封闭的方法、装置、设备及存储介质 | |
| CN114154577A (zh) | 一种基于停靠点聚类的企业车队识别方法和装置 | |
| CN113194408B (zh) | 检测北斗信号覆盖盲区的方法、装置、设备及存储介质 | |
| CN113282835B (zh) | 停车地点推荐方法、装置和电子设备 | |
| EP3913551A1 (en) | Method for defining road networks |
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 |