CN116662788A - 一种车辆轨迹处理方法、装置、设备和存储介质 - Google Patents
一种车辆轨迹处理方法、装置、设备和存储介质 Download PDFInfo
- Publication number
- CN116662788A CN116662788A CN202310927406.3A CN202310927406A CN116662788A CN 116662788 A CN116662788 A CN 116662788A CN 202310927406 A CN202310927406 A CN 202310927406A CN 116662788 A CN116662788 A CN 116662788A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- track
- stay
- determining
- history
- 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
- 238000003672 processing method Methods 0.000 title claims abstract description 22
- 238000012545 processing Methods 0.000 claims abstract description 93
- 230000002159 abnormal effect Effects 0.000 claims abstract description 92
- 230000005484 gravity Effects 0.000 claims abstract description 60
- 238000000034 method Methods 0.000 claims description 27
- 238000012549 training Methods 0.000 claims description 27
- 238000013058 risk prediction model Methods 0.000 claims description 18
- 238000004590 computer program Methods 0.000 claims description 16
- 238000004458 analytical method Methods 0.000 claims description 7
- 230000008569 process Effects 0.000 claims description 5
- 238000000605 extraction Methods 0.000 abstract description 13
- 238000004891 communication Methods 0.000 description 8
- 238000004364 calculation method Methods 0.000 description 5
- 230000006835 compression Effects 0.000 description 5
- 238000007906 compression Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 230000008901 benefit Effects 0.000 description 4
- 230000006870 function Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000006399 behavior Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 230000000284 resting effect Effects 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T11/00—2D [Two Dimensional] image generation
- G06T11/20—Drawing from basic elements, e.g. lines or circles
- G06T11/203—Drawing of straight lines or curves
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- 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
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Mathematical Physics (AREA)
- Multimedia (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Medical Informatics (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Train Traffic Observation, Control, And Security (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种车辆轨迹处理方法、装置、设备和存储介质，包括：获取目标用户在目标业务处理周期内的车辆历史轨迹数据，并根据车辆历史轨迹数据，确定车辆历史停留位置；根据车辆历史停留位置，确定车辆历史轨迹数据的轨迹信息熵和车辆停留重心位置，并根据车辆历史停留位置和车辆停留重心位置确定异常轨迹点比例；确定车辆历史停留位置和车辆停留重心位置的距离标准差，以及车辆历史停留位置和车辆停留重心位置之间的距离均值，将距离标准差和距离均值的比值作为车辆历史轨迹数据的轨迹变异系数；根据轨迹信息熵、异常轨迹点比例和轨迹变异系数，确定目标用户在目标业务处理周期内的轨迹特征图像。可以提高车辆的轨迹特征提取效率。
Description
技术领域
本发明实施例涉及数据处理领域，尤其涉及一种车辆轨迹处理方法、装置、设备和存储介质。
背景技术
目前，车辆轨迹处理领域，对车辆的车辆历史轨迹数据进行处理，从车辆的车辆历史轨迹数据中提取出车辆的轨迹特征，可以去除车辆的车辆历史轨迹数据中的冗余数据，通过车辆的轨迹特征对车辆的行驶轨迹进行分析，可以获得准确的分析结果。但是在对车辆的车辆历史轨迹数据进行处理时，往往需要处理海量的车辆历史行驶轨迹的经纬度轨迹数据，由于经纬度轨迹数据杂乱且数据量庞大，导致对车辆的车辆历史轨迹数据进行轨迹特征提取的效率低下。因此，如何在保留车辆的车辆历史轨迹数据的信息量的基础上对车辆的车辆历史轨迹数据进行压缩处理，提高车辆的轨迹特征提取效率，是需要解决的问题。
发明内容
本发明提供了一种车辆轨迹处理方法、装置、设备和存储介质，可以实现在保留车辆的车辆历史轨迹数据的信息量的基础上对车辆的车辆历史轨迹数据进行压缩处理，提高车辆的轨迹特征提取效率。
根据本发明的一方面，提供了一种车辆轨迹处理方法，包括：
获取目标用户在目标业务处理周期内的车辆历史轨迹数据，并根据所述车辆历史轨迹数据，确定车辆历史停留位置；
根据所述车辆历史停留位置，确定所述车辆历史轨迹数据的轨迹信息熵和车辆停留重心位置，并根据所述车辆历史停留位置和所述车辆停留重心位置确定异常轨迹点比例；
确定所述车辆历史停留位置和所述车辆停留重心位置的距离标准差，以及所述车辆历史停留位置和所述车辆停留重心位置之间的距离均值，将所述距离标准差和所述距离均值的比值作为所述车辆历史轨迹数据的轨迹变异系数；
根据所述轨迹信息熵、所述异常轨迹点比例和所述轨迹变异系数，确定所述目标用户在所述目标业务处理周期内的轨迹特征图像。
根据本发明的另一方面，提供了一种车辆轨迹处理装置，该装置包括：
停留位置确定模块，用于获取目标用户在目标业务处理周期内的车辆历史轨迹数据，并根据所述车辆历史轨迹数据，确定车辆历史停留位置；
历史轨迹分析模块，用于根据所述车辆历史停留位置，确定所述车辆历史轨迹数据的轨迹信息熵和车辆停留重心位置，并根据所述车辆历史停留位置和所述车辆停留重心位置确定异常轨迹点比例；
轨迹变异系数获取模块，用于确定所述车辆历史停留位置和所述车辆停留重心位置的距离标准差，以及所述车辆历史停留位置和所述车辆停留重心位置之间的距离均值，将所述距离标准差和所述距离均值的比值作为所述车辆历史轨迹数据的轨迹变异系数；
轨迹特征图像确定模块，用于根据所述轨迹信息熵、所述异常轨迹点比例和所述轨迹变异系数，确定所述目标用户在所述目标业务处理周期内的轨迹特征图像。
根据本发明的另一方面，提供了一种电子设备，所述电子设备包括：
至少一个处理器；以及
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器能够执行本发明任一实施例所述的车辆轨迹处理方法。
根据本发明的另一方面，提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机指令，所述计算机指令用于使处理器执行时实现本发明任一实施例所述的车辆轨迹处理方法。
本发明实施例的技术方案，获取目标用户在目标业务处理周期内的车辆历史轨迹数据，并根据车辆历史轨迹数据，确定车辆历史停留位置；根据车辆历史停留位置，确定车辆历史轨迹数据的轨迹信息熵和车辆停留重心位置，并根据车辆历史停留位置和车辆停留重心位置确定异常轨迹点比例；确定历史停留位置和车辆停留重心位置的距离标准差，以及历史停留位置和车辆停留重心位置之间的距离均值，将距离标准差和距离均值的比值作为车辆历史轨迹数据的轨迹变异系数；根据车辆历史轨迹数据的轨迹信息熵、异常轨迹点比例和轨迹变异系数，确定目标用户在目标业务处理周期内的轨迹特征图像。上述方案，解决了在对车辆的车辆历史轨迹数据进行压缩处理时，往往需要处理海量的车辆历史行驶轨迹的经纬度轨迹数据，导致对车辆的车辆历史轨迹数据进行轨迹特征提取的效率低下的问题。根据目标用户的车辆历史轨迹数据，确定车辆历史轨迹数据的轨迹信息熵、异常轨迹点比例和轨迹变异系数，并根据车辆历史轨迹数据的轨迹信息熵、异常轨迹点比例和轨迹变异系数，确定目标用户在目标业务处理周期内的轨迹特征图像。实现了在保留车辆的车辆历史轨迹数据的信息量的基础上，对车辆的车辆历史轨迹数据进行压缩处理，提高车辆的轨迹特征提取效率和提取精确度的效果。同时，通过构建轨迹特征图像，便于用户快速且直观的了解车辆历史轨迹数据的特征。
应当理解，本部分所描述的内容并非旨在标识本发明的实施例的关键或重要特征，也不用于限制本发明的范围。本发明的其它特征将通过以下的说明书而变得容易理解。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例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获得其他的附图。
图1为本发明实施例一提供的一种车辆轨迹处理方法的流程图；
图2为本发明实施例二提供的一种车辆轨迹处理方法的流程图；
图3为本发明实施例三提供的一种车辆轨迹处理方法的流程图；
图4为本发明实施例四提供的一种车辆轨迹处理装置的结构示意图；
图5为本发明实施例五提供的一种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 “候选”和“目标”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“等”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。
实施例一
图1为本发明实施例一提供了一种车辆轨迹处理方法的流程图，本实施例可适用于对车辆轨迹数据进行处理的情况，尤其适用于对车辆历史轨迹数据进行处理，获取车辆历史轨迹数据的轨迹信息熵、异常轨迹点比例和轨迹变异系数，以根据车辆历史轨迹数据的轨迹信息熵、异常轨迹点比例和轨迹变异系数确定轨迹特征图像的情况。该方法可以由车辆轨迹处理装置来执行，该车辆轨迹处理装置可以采用硬件和/或软件的形式实现，该车辆轨迹处理装置可配置于电子设备中。如图1所示，该方法包括：
S110、获取目标用户在目标业务处理周期内的车辆历史轨迹数据，并根据车辆历史轨迹数据，确定车辆历史停留位置。
其中，目标用户是指根据规定条件选择的用户，例如目标用户可以是目标业务处理周期内，完成业务指标的用户。目标业务可以是企业规定的任意需要用户完成的任务。目标业务处理周期可以是根据需要规定的业务处理周期，例如可以设置以当前时间为基准的上一业务处理周期为目标业务处理周期。车辆历史轨迹数据可以包括车辆在目标业务处理周期内行驶轨迹对应的所有轨迹点的经纬度和定位时间。
具体的，在目标用户许可的情况下，根据车辆的GPS（Global PositioningSystem，全球定位系统）获取目标用户在目标业务处理周期内的车辆历史轨迹数据，根据车辆历史轨迹数据，确定在相邻定位时间的轨迹点的经纬度差值和定位时间差值，根据经纬度差值和定位时间差值的比值，确定车辆在相邻定位时间的行驶速度。若车辆在相邻定位时间的行驶速度小于规定的速度阈值，则认为车辆在该相邻定位时间内处于停留状态；若车辆在相邻定位时间的行驶速度大于或等于规定的速度阈值，则认为车辆在该相邻定位时间内处于行驶状态。速度阈值可以是0.6km/h。若车辆在相邻定位时间的行驶速度小于规定的速度阈值，则将相邻定位时间对应的轨迹点作为车辆历史停留位置。
示例性的，若车辆在相邻定位时间的轨迹点的经纬度分别为（X1,Y1)和(X2,Y2)，则经纬度差值的计算公式如公式（1）所示：
（1）
其中，D为经纬度差值； X1和X2为车辆在相邻定位时间的轨迹点的经度；Y1和Y2为车辆在相邻定位时间的轨迹点的纬度；R为地球半径，且R = 6371.0 km。
优选的，还可以根据车辆历史轨迹数据，确定车辆在车辆历史轨迹数据中的候选停留位置，以及车辆在候选停留位置上的停留时间；根据停留时间和时间阈值，从候选停留位置中确定车辆历史停留位置。
具体的，若车辆在相邻定位时间的行驶速度小于规定的速度阈值，可以先将相邻定位时间对应的轨迹点作为车辆在车辆历史轨迹数据中的候选停留位置。将相邻定位时间之间的时间间隔作为车辆在候选停留位置上的停留时间。若车辆在候选停留位置上的停留时间大于预先规定的时间阈值，则确定该候选停留位置为车辆历史停留位置。其中，时间阈值可以根据实际需要进行设置，例如时间阈值可以是三十分钟。
可以理解的是，根据停留时间和时间阈值，从候选停留位置中确定车辆历史停留位置，可以提高获取的车辆历史停留位置的准确度。区别于直接删除一些车辆历史轨迹数据来减少内存占用的方法，只保留停留时长大于时间阈值的车辆历史停留位置，更大程度上保留车辆历史轨迹数据的信息量，也大大减少了车辆历史停留位置存储的条数，减少了硬件存储成本。
S120、根据车辆历史停留位置，确定车辆历史轨迹数据的轨迹信息熵和车辆停留重心位置，并根据车辆历史停留位置和车辆停留重心位置确定异常轨迹点比例。
其中， 信息熵是用于衡量不确定性的指标，也就是离散随机事件出现的概率。车辆停留重心位置是指车辆历史停留位置的中心点位置，即车辆历史停留位置的经纬度重心坐标。异常轨迹点是指车辆历史轨迹数据中的存在异常的轨迹点。
具体的，根据车辆在车辆历史停留位置的停留时间，确定车辆历史停留位置的轨迹信息熵。确定车辆历史停留位置的经度坐标和纬度坐标，将车辆历史停留位置的经度坐标的中位数作为车辆停留重心位置的经度坐标，将车辆历史停留位置的纬度坐标的中位数作为车辆停留重心位置的纬度坐标。根据车辆历史停留位置与车辆停留重心位置之间的距离，从车辆历史停留位置中确定异常轨迹点，并将异常轨迹点的个数与车辆历史停留位置的个数的比值作为异常轨迹点比例。
S130、确定车辆历史停留位置和车辆停留重心位置的距离标准差，以及车辆历史停留位置和车辆停留重心位置之间的距离均值，将距离标准差和距离均值的比值作为车辆历史轨迹数据的轨迹变异系数。
其中，车辆历史停留位置和车辆停留重心位置之前的距离即为距离标准差。
具体的，计算车辆历史停留位置和车辆停留重心位置之间的距离，确定距离标准差。获取车辆历史停留位置的个数，并计算各车辆历史停留位置和车辆停留重心位置之间的距离，以确定车辆历史停留位置和车辆停留重心位置之间的距离均值。将距离标准差和距离均值的比值作为车辆历史轨迹数据的轨迹变异系数。
S140、根据车辆历史轨迹数据的轨迹信息熵、异常轨迹点比例和轨迹变异系数，确定目标用户在目标业务处理周期内的轨迹特征图像。
具体的，根据车辆历史轨迹数据的轨迹信息熵、异常轨迹点比例和轨迹变异系数，对目标用户在目标业务处理周期内的历史轨迹数据进行处理，以根据处理后的历史轨迹数据绘制目标用户在目标业务处理周期内的轨迹特征图像。轨迹特征图像可以反映出目标用户在目标业务处理周期内，车辆历史轨迹数据的轨迹信息熵、异常轨迹点比例和轨迹变异系数。
本实施例提供的技术方案，获取目标用户在目标业务处理周期内的车辆历史轨迹数据，并根据车辆历史轨迹数据，确定车辆历史停留位置；根据车辆历史停留位置，确定车辆历史轨迹数据的轨迹信息熵和车辆停留重心位置，并根据车辆历史停留位置和车辆停留重心位置确定异常轨迹点比例；确定车辆历史停留位置和车辆停留重心位置的距离标准差，以及车辆历史停留位置和车辆停留重心位置之间的距离均值，将距离标准差和距离均值的比值作为车辆历史轨迹数据的轨迹变异系数；根据车辆历史轨迹数据的轨迹信息熵、异常轨迹点比例和轨迹变异系数，确定目标用户在目标业务处理周期内的轨迹特征图像。上述方案，解决了在对车辆的车辆历史轨迹数据进行压缩处理时，往往需要处理海量的车辆历史行驶轨迹的经纬度轨迹数据，导致对车辆的车辆历史轨迹数据进行轨迹特征提取的效率低下的问题。根据目标用户的车辆历史轨迹数据，确定车辆历史轨迹数据的轨迹信息熵、异常轨迹点比例和轨迹变异系数，并根据车辆历史轨迹数据的轨迹信息熵、异常轨迹点比例和轨迹变异系数，确定目标用户在目标业务处理周期内的轨迹特征图像。实现了在保留车辆的车辆历史轨迹数据的信息量的基础上，对车辆的车辆历史轨迹数据进行压缩处理，提高车辆的轨迹特征提取效率和提取精确度的效果。同时，通过构建轨迹特征图像，便于用户快速且直观的了解车辆历史轨迹数据的特征。
实施例二
图2为本发明实施例二提供的一种车辆轨迹处理方法的流程图，本实施例在上述实施例的基础上进行了优化，给出了一种根据车辆历史停留位置，确定车辆历史轨迹数据的轨迹信息熵和车辆停留重心位置，并根据车辆历史停留位置和车辆停留重心位置确定异常轨迹点比例的优选实施方案。具体的，如图2所示，该方法包括：
S210、获取目标用户在目标业务处理周期内的车辆历史轨迹数据，并根据车辆历史轨迹数据，确定车辆历史停留位置。
S220、根据车辆历史停留位置，以及车辆停靠在车辆历史停留位置的概率，确定车辆历史轨迹数据的轨迹信息熵。
其中，车辆停靠在车辆历史停留位置的概率为车辆停靠在该车辆历史停留位置的次数与车辆在目标业务处理周期内车辆历史停留位置的数量的比值。
具体的，车辆历史轨迹数据的轨迹信息熵的计算公式如公式（2）所示：
（2）
其中，H(X)为车辆历史轨迹数据的轨迹信息熵，且0≤H(X)≤logn；pi为车辆停靠在车辆历史停留位置的概率；n为车辆在目标业务处理周期内车辆历史停留位置的数量。
S230、根据车辆历史停留位置，确定车辆停留重心位置，根据车辆历史停留位置和车辆停留重心位置之间的距离，从车辆历史停留位置中确定车辆异常停留位置。
具体的，确定车辆历史停留位置的经度坐标和纬度坐标，将车辆历史停留位置的经度坐标的中位数作为车辆停留重心位置的经度坐标，将车辆历史停留位置的纬度坐标的中位数作为车辆停留重心位置的纬度坐标。确定车辆历史停留位置与车辆停留重心位置之间的距离，根据车辆历史停留位置与车辆停留重心位置之间的距离，车辆历史停留位置与车辆停留重心位置之间的距离大于距离阈值，则确定该车辆历史停留位置为车辆异常停留位置。
示例性的，距离阈值的计算公式如公式（3）所示：
（3）
其中，y为距离阈值；Q1=1/4*d；Q2=3/4*d； d为车辆历史停留位置与车辆停留重心位置之间的距离。
S240、根据车辆历史停留位置和车辆异常停留位置，确定异常轨迹点比例。
示例性的，可以确定车辆历史停留位置的历史停留位置数量和车辆异常停留位置的异常停留位置数量，并将异常停留位置数量和历史停留位置数量的比值作为车辆历史轨迹数据的异常轨迹点比例。
上述方案提供了一种根据车辆历史停留位置和车辆异常停留位置，确定车辆历史轨迹数据的轨迹信息熵和异常轨迹点比例的可选计算方式，通过上述计算方式，可以获得更加准确的轨迹信息熵和异常轨迹点比例。
S250、确定车辆历史停留位置和车辆停留重心位置的距离标准差，以及车辆历史停留位置和车辆停留重心位置之间的距离均值，将距离标准差和距离均值的比值作为车辆历史轨迹数据的轨迹变异系数。
S260、根据车辆历史轨迹数据的轨迹信息熵、异常轨迹点比例和轨迹变异系数，确定目标用户在目标业务处理周期内的轨迹特征图像。
本实施例的技术方案，提供了一种确定车辆历史轨迹数据的轨迹信息熵和异常轨迹点比例的优选实施方式。根据车辆历史停留位置，以及车辆停靠在车辆历史停留位置的概率，确定车辆历史轨迹数据的轨迹信息熵，根据车辆历史停留位置，确定车辆停留重心位置，根据车辆历史停留位置和车辆停留重心位置，确定车辆异常停留位置，根据车辆历史停留位置和车辆异常停留位置，确定异常轨迹点比例。上述方案，对车辆的历史轨迹数据进行压缩处理，可以获得更加准确的车辆历史轨迹数据的轨迹信息熵和异常轨迹点比例。在根据车辆历史轨迹数据的轨迹信息熵、异常轨迹点比例和轨迹变异系数，确定目标用户在目标业务处理周期内的轨迹特征图像时，可以在提高车辆历史轨迹数据的压缩效率的同时，提高轨迹特征图像的精确性。
实施例三
图3为本发明实施例三提供的一种车辆轨迹处理方法的流程图，本实施例在上述实施例的基础上进行了优化，给出了一种根据目标用户在目标业务处理周期的相邻业务处理周期的逾期情况、车辆历史轨迹数据的轨迹信息熵、异常轨迹点比例和轨迹变异系数，对逾期风险预测模型进行训练的优选实施方式。具体的，如图3所示，该方法包括：
S310、获取目标用户在目标业务处理周期内的车辆历史轨迹数据，并根据车辆历史轨迹数据，确定车辆历史停留位置。
S320、根据车辆历史停留位置，确定车辆历史轨迹数据的轨迹信息熵和车辆停留重心位置，并根据车辆历史停留位置和车辆停留重心位置确定异常轨迹点比例。
S330、确定车辆历史停留位置和车辆停留重心位置的距离标准差，以及车辆历史停留位置和车辆停留重心位置之间的距离均值，将距离标准差和距离均值的比值作为车辆历史轨迹数据的轨迹变异系数。
S340、根据轨迹信息熵、异常轨迹点比例和轨迹变异系数，确定目标用户在目标业务处理周期内的轨迹特征图像。
S350、根据轨迹信息熵，异常轨迹点比例，轨迹变异系数，以及目标用户在目标业务处理周期的相邻业务处理周期的逾期情况，对逾期风险预测模型进行训练。
其中，逾期风险预测模型用于预测业务执行用户的逾期风险。
需要说明的是，用户每隔一个业务处理周期，需要向企业汇报业务处理任务的完成情况，若用户未完成业务处理任务，则可以确定用户在完成业务处理任务上存在逾期行为。经过测试得知，车辆历史轨迹数据的轨迹信息熵和逾期风险之间存在关联关系，轨迹信息熵越小，目标用户的逾期风险越高。车辆历史轨迹数据的异常轨迹点比例和逾期风险之间存在关联关系，异常轨迹点比例越大，目标用户的逾期风险越高。车辆历史轨迹数据的轨迹变异系数和逾期风险之间存在关联关系，轨迹变异系数越大，说明目标业务处理周期内，目标用户的车辆历史停留位置越分散。轨迹变异系数越小，目标用户的逾期风险越高。因此，可以将根据轨迹信息熵，异常轨迹点比例，轨迹变异系数，以及目标用户在目标业务处理周期的相邻业务处理周期的逾期情况，作为逾期风险预测模型的训练数据，对神经网络模型进行训练，以根据训练结果，获得用于预测业务执行用户的逾期风险的逾期风险预测模型。
在预测业务执行用户的逾期风险时，可以获取业务执行用户在当前业务处理周期的当前车辆行驶轨迹数据，根据当前车辆行驶轨迹数据确定当前车辆行驶轨迹数据对应的轨迹信息熵、异常轨迹点比例和轨迹变异系数，将当前车辆行驶轨迹数据对应的轨迹信息熵、异常轨迹点比例和轨迹变异系数作为逾期风险预测模型的输入参数，根据逾期风险预测模型的输出结果，确定业务执行用户是否具有逾期风险。
示例性的，在对神经网络模型进行训练以获取用于预测业务执行用户的逾期风险的逾期风险预测模型时，可以将轨迹信息熵、异常轨迹点比例和轨迹变异系数作为模型训练特征数据，将目标用户在目标业务处理周期的相邻业务处理周期的逾期情况作为模型训练标签数据，根据模型训练特征数据和模型训练标签数据对逾期风险预测模型进行训练。
上述方案，将轨迹信息熵、异常轨迹点比例和轨迹变异系数作为模型训练特征数据，将目标用户在目标业务处理周期的相邻业务处理周期的逾期情况作为模型训练标签数据，对逾期风险预测模型进行训练，可以获得更好的模型训练效果。
本实施例的技术方案，在根据目标用户在目标业务处理周期内的车辆历史轨迹数据的轨迹信息熵、异常轨迹点比例和轨迹变异系数，确定目标用户在目标业务处理周期内的轨迹特征图像的同时，还可以根据车辆历史轨迹数据的轨迹信息熵，异常轨迹点比例，轨迹变异系数，以及目标用户在目标业务处理周期的相邻业务处理周期的逾期情况，构建用于对业务执行用户的逾期风险进行预测的逾期风险预测模型。上述方案，构建了一种车辆历史轨迹数据和业务执行用户的逾期风险之间的关联关系，通过业务执行用户的车辆行驶数据的轨迹信息熵，异常轨迹点比例和轨迹变异系数，对业务执行用户的逾期风险进行预测，可以获得准确的业务执行用户的逾期风险预测结果，更大程度的避免用户在处理业务时产生逾期行为，提升企业运行效益的效果。
实施例四
图4为本发明实施例四提供的一种车辆轨迹处理装置的结构示意图。本实施例可适用于对车辆轨迹数据进行处理的情况。如图4所示，该车辆轨迹处理装置包括：停留位置确定模块410、历史轨迹分析模块420、轨迹变异系数获取模块430和轨迹特征图像确定模块440。
停留位置确定模块410，用于获取目标用户在目标业务处理周期内的车辆历史轨迹数据，并根据车辆历史轨迹数据，确定车辆历史停留位置；
历史轨迹分析模块420，用于根据车辆历史停留位置，确定车辆历史轨迹数据的轨迹信息熵和车辆停留重心位置，并根据车辆历史停留位置和车辆停留重心位置确定异常轨迹点比例；
轨迹变异系数获取模块430，用于确定车辆历史停留位置和车辆停留重心位置的距离标准差，以及车辆历史停留位置和车辆停留重心位置之间的距离均值，将距离标准差和距离均值的比值作为车辆历史轨迹数据的轨迹变异系数；
轨迹特征图像确定模块440，用于根据轨迹信息熵、异常轨迹点比例和轨迹变异系数，确定目标用户在目标业务处理周期内的轨迹特征图像。
本实施例提供的技术方案，获取目标用户在目标业务处理周期内的车辆历史轨迹数据，并根据车辆历史轨迹数据，确定车辆历史停留位置；根据车辆历史停留位置，确定车辆历史轨迹数据的轨迹信息熵和车辆停留重心位置，并根据车辆历史停留位置和车辆停留重心位置确定异常轨迹点比例；确定历史停留位置和车辆停留重心位置的距离标准差，以及历史停留位置和车辆停留重心位置之间的距离均值，将距离标准差和距离均值的比值作为车辆历史轨迹数据的轨迹变异系数；根据车辆历史轨迹数据的轨迹信息熵、异常轨迹点比例和轨迹变异系数，确定目标用户在目标业务处理周期内的轨迹特征图像。上述方案，解决了在对车辆的车辆历史轨迹数据进行压缩处理时，往往需要处理海量的车辆历史行驶轨迹的经纬度轨迹数据，导致对车辆的车辆历史轨迹数据进行轨迹特征提取的效率低下的问题。根据目标用户的车辆历史轨迹数据，确定车辆历史轨迹数据的轨迹信息熵、异常轨迹点比例和轨迹变异系数，并根据车辆历史轨迹数据的轨迹信息熵、异常轨迹点比例和轨迹变异系数，确定目标用户在目标业务处理周期内的轨迹特征图像。实现了在保留车辆的车辆历史轨迹数据的信息量的基础上，对车辆的车辆历史轨迹数据进行压缩处理，提高车辆的轨迹特征提取效率和提取精确度的效果。同时，通过构建轨迹特征图像，便于用户快速且直观的了解车辆历史轨迹数据的特征。
示例性的，历史轨迹分析模块420，包括：
轨迹信息熵确定单元，用于根据车辆历史停留位置，以及车辆停靠在车辆历史停留位置的概率，确定车辆历史轨迹数据的轨迹信息熵；
异常停留位置确定单元，用于根据车辆历史停留位置，确定车辆停留重心位置，根据车辆历史停留位置和车辆停留重心位置之间的距离，从车辆历史停留位置中确定车辆异常停留位置；
比例确定单元，用于根据车辆历史停留位置和车辆异常停留位置，确定异常轨迹点比例。
示例性的，比例确定单元具体用于：
确定车辆历史停留位置的历史停留位置数量和车辆异常停留位置的异常停留位置数量，并将异常停留位置数量和历史停留位置数量的比值作为车辆历史轨迹数据的异常轨迹点比例。
示例性的，停留位置确定模块410具体用于：
根据车辆历史轨迹数据，确定车辆在车辆历史轨迹数据中的候选停留位置，以及车辆在候选停留位置上的停留时间；
根据停留时间和时间阈值，从候选停留位置中确定车辆历史停留位置。
示例性的，上述车辆轨迹处理装置，还包括：
模型训练模块，用于根据轨迹信息熵，异常轨迹点比例，轨迹变异系数，以及目标用户在目标业务处理周期的相邻业务处理周期的逾期情况，对逾期风险预测模型进行训练；逾期风险预测模型用于预测业务执行用户的逾期风险。
示例性的，上述模型训练模块具体用于：
将轨迹信息熵、异常轨迹点比例和轨迹变异系数作为模型训练特征数据，将目标用户在目标业务处理周期的相邻业务处理周期的逾期情况作为模型训练标签数据，根据模型训练特征数据和模型训练标签数据对逾期风险预测模型进行训练。
本实施例提供的车辆轨迹处理装置可适用于上述任意实施例提供的车辆轨迹处理方法，具备相应的功能和有益效果。
实施例五
图5示出了可以用来实施本发明的实施例的电子设备10的结构示意图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备（如头盔、眼镜、手表等）和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本发明的实现。
如图5所示，电子设备10包括至少一个处理器11，以及与至少一个处理器11通信连接的存储器，如只读存储器（ROM）12、随机访问存储器（RAM）13等，其中，存储器存储有可被至少一个处理器执行的计算机程序，处理器11可以根据存储在只读存储器（ROM）12中的计算机程序或者从存储单元18加载到随机访问存储器（RAM）13中的计算机程序，来执行各种适当的动作和处理。在RAM 13中，还可存储电子设备10操作所需的各种程序和数据。处理器11、ROM 12以及RAM 13通过总线14彼此相连。输入/输出（I/O）接口15也连接至总线14。
电子设备10中的多个部件连接至I/O接口15，包括：输入单元16，例如键盘、鼠标等；输出单元17，例如各种类型的显示器、扬声器等；存储单元18，例如磁盘、光盘等；以及通信单元19，例如网卡、调制解调器、无线通信收发机等。通信单元19允许电子设备10通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
处理器11可以是各种具有处理和计算能力的通用和/或专用处理组件。处理器11的一些示例包括但不限于中央处理单元（CPU）、图形处理单元（GPU）、各种专用的人工智能（AI）计算芯片、各种运行机器学习模型算法的处理器、数字信号处理器（DSP）、以及任何适当的处理器、控制器、微控制器等。处理器11执行上文所描述的各个方法和处理，例如车辆轨迹处理方法。
在一些实施例中，车辆轨迹处理方法可被实现为计算机程序，其被有形地包含于计算机可读存储介质，例如存储单元18。在一些实施例中，计算机程序的部分或者全部可以经由ROM 12和/或通信单元19而被载入和/或安装到电子设备10上。当计算机程序加载到RAM 13并由处理器11执行时，可以执行上文描述的车辆轨迹处理方法的一个或多个步骤。备选地，在其他实施例中，处理器11可以通过其他任何适当的方式（例如，借助于固件）而被配置为执行车辆轨迹处理方法。
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列（FPGA）、专用集成电路（ASIC）、专用标准产品（ASSP）、芯片上系统的系统（SOC）、负载可编程逻辑设备（CPLD）、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
用于实施本发明的方法的计算机程序可以采用一个或多个编程语言的任何组合来编写。这些计算机程序可以提供给通用计算机、专用计算机或其他可编程车辆轨迹处理装置的处理器，使得计算机程序当由处理器执行时使流程图和/或框图中所规定的功能/操作被实施。计算机程序可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本发明的上下文中，计算机可读存储介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的计算机程序。计算机可读存储介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。备选地，计算机可读存储介质可以是机器可读信号介质。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器（RAM）、只读存储器（ROM）、可擦除可编程只读存储器（EPROM或快闪存储器）、光纤、便捷式紧凑盘只读存储器（CD-ROM）、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互，可以在电子设备上实施此处描述的系统和技术，该电子设备具有：用于向用户显示信息的显示装置（例如，CRT（阴极射线管）或者LCD（液晶显示器）监视器）；以及键盘和指向装置（例如，鼠标或者轨迹球），用户可以通过该键盘和该指向装置来将输入提供给电子设备。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈（例如，视觉反馈、听觉反馈、或者触觉反馈）；并且可以用任何形式（包括声输入、语音输入或者、触觉输入）来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统（例如，作为数据服务器）、或者包括中间件部件的计算系统（例如，应用服务器）、或者包括前端部件的计算系统（例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互）、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信（例如，通信网络）来将系统的部件相互连接。通信网络的示例包括：局域网（LAN）、广域网（WAN）、区块链网络和互联网。
计算系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器，又称为云计算服务器或云主机，是云计算服务体系中的一项主机产品，以解决了传统物理主机与VPS服务中，存在的管理难度大，业务扩展性弱的缺陷。
应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发明中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本发明的技术方案所期望的结果，本文在此不进行限制。
上述具体实施方式，并不构成对本发明保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本发明的精神和原则之内所作的修改、等同替换和改进等，均应包含在本发明保护范围之内。
Claims (10)
1.一种车辆轨迹处理方法，其特征在于，包括：
获取目标用户在目标业务处理周期内的车辆历史轨迹数据，并根据所述车辆历史轨迹数据，确定车辆历史停留位置；
根据所述车辆历史停留位置，确定所述车辆历史轨迹数据的轨迹信息熵和车辆停留重心位置，并根据所述车辆历史停留位置和所述车辆停留重心位置确定异常轨迹点比例；
确定所述车辆历史停留位置和所述车辆停留重心位置的距离标准差，以及所述车辆历史停留位置和所述车辆停留重心位置之间的距离均值，将所述距离标准差和所述距离均值的比值作为所述车辆历史轨迹数据的轨迹变异系数；
根据所述轨迹信息熵、所述异常轨迹点比例和所述轨迹变异系数，确定所述目标用户在所述目标业务处理周期内的轨迹特征图像。
2.根据权利要求1所述的方法，其特征在于，根据所述车辆历史停留位置，确定所述车辆历史轨迹数据的轨迹信息熵和车辆停留重心位置，并根据所述车辆历史停留位置和所述车辆停留重心位置确定异常轨迹点比例，包括：
根据所述车辆历史停留位置，以及车辆停靠在所述车辆历史停留位置的概率，确定所述车辆历史轨迹数据的轨迹信息熵；
根据所述车辆历史停留位置，确定车辆停留重心位置，根据所述车辆历史停留位置和所述车辆停留重心位置之间的距离，从所述车辆历史停留位置中确定车辆异常停留位置；
根据所述车辆历史停留位置和所述车辆异常停留位置，确定异常轨迹点比例。
3.根据权利要求2所述的方法，其特征在于，根据所述车辆历史停留位置和所述车辆异常停留位置，确定异常轨迹点比例，包括：
确定所述车辆历史停留位置的历史停留位置数量和所述车辆异常停留位置的异常停留位置数量，并将所述异常停留位置数量和所述历史停留位置数量的比值作为所述车辆历史轨迹数据的异常轨迹点比例。
4.根据权利要求1所述的方法，其特征在于，根据所述车辆历史轨迹数据，确定车辆历史停留位置，包括：
根据所述车辆历史轨迹数据，确定车辆在车辆历史轨迹数据中的候选停留位置，以及车辆在候选停留位置上的停留时间；
根据所述停留时间和时间阈值，从所述候选停留位置中确定车辆历史停留位置。
5.根据权利要求1所述的方法，其特征在于，还包括：
根据所述轨迹信息熵，所述异常轨迹点比例，所述轨迹变异系数，以及所述目标用户在所述目标业务处理周期的相邻业务处理周期的逾期情况，对逾期风险预测模型进行训练；所述逾期风险预测模型用于预测业务执行用户的逾期风险。
6.根据权利要求5所述的方法，其特征在于，根据所述轨迹信息熵，所述异常轨迹点比例，所述轨迹变异系数，以及所述目标用户在所述目标业务处理周期的相邻业务处理周期的逾期情况，对逾期风险预测模型进行训练，包括
将所述轨迹信息熵、所述异常轨迹点比例和所述轨迹变异系数作为模型训练特征数据，将所述目标用户在所述目标业务处理周期的相邻业务处理周期的逾期情况作为模型训练标签数据，根据所述模型训练特征数据和所述模型训练标签数据对逾期风险预测模型进行训练。
7.一种车辆轨迹处理装置，其特征在于，包括：
停留位置确定模块，用于获取目标用户在目标业务处理周期内的车辆历史轨迹数据，并根据所述车辆历史轨迹数据，确定车辆历史停留位置；
历史轨迹分析模块，用于根据所述车辆历史停留位置，确定所述车辆历史轨迹数据的轨迹信息熵和车辆停留重心位置，并根据所述车辆历史停留位置和所述车辆停留重心位置确定异常轨迹点比例；
轨迹变异系数获取模块，用于确定所述车辆历史停留位置和所述车辆停留重心位置的距离标准差，以及所述车辆历史停留位置和所述车辆停留重心位置之间的距离均值，将所述距离标准差和所述距离均值的比值作为所述车辆历史轨迹数据的轨迹变异系数；
轨迹特征图像确定模块，用于根据所述轨迹信息熵、所述异常轨迹点比例和所述轨迹变异系数，确定所述目标用户在所述目标业务处理周期内的轨迹特征图像。
8.根据权利要求7所述的装置，其特征在于，所述历史轨迹分析模块，包括：
轨迹信息熵确定单元，用于根据所述车辆历史停留位置，以及车辆停靠在所述车辆历史停留位置的概率，确定所述车辆历史轨迹数据的轨迹信息熵；
异常停留位置确定单元，用于根据所述车辆历史停留位置，确定车辆停留重心位置，根据所述车辆历史停留位置和所述车辆停留重心位置之间的距离，从所述车辆历史停留位置中确定车辆异常停留位置；
比例确定单元，用于根据所述车辆历史停留位置和所述车辆异常停留位置，确定异常轨迹点比例。
9.一种电子设备，其特征在于，所述电子设备包括：
至少一个处理器；以及
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1-6中任一项所述的车辆轨迹处理方法。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机指令，所述计算机指令用于使处理器执行时实现权利要求1-6中任一项所述的车辆轨迹处理方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310927406.3A CN116662788B (zh) | 2023-07-27 | 2023-07-27 | 一种车辆轨迹处理方法、装置、设备和存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310927406.3A CN116662788B (zh) | 2023-07-27 | 2023-07-27 | 一种车辆轨迹处理方法、装置、设备和存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116662788A true CN116662788A (zh) | 2023-08-29 |
| CN116662788B CN116662788B (zh) | 2024-04-02 |
Family
ID=87722712
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310927406.3A Active CN116662788B (zh) | 2023-07-27 | 2023-07-27 | 一种车辆轨迹处理方法、装置、设备和存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116662788B (zh) |
Citations (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110146100A (zh) * | 2018-02-13 | 2019-08-20 | 华为技术有限公司 | 轨迹预测方法、装置及存储介质 |
| CN111740981A (zh) * | 2020-06-18 | 2020-10-02 | 合肥市大数据资产运营有限公司 | 一种汽车gps轨迹数据压缩方法 |
| US20210174668A1 (en) * | 2019-12-10 | 2021-06-10 | Samsung Electronics Co., Ltd. | Systems and methods for trajectory prediction |
| WO2021134172A1 (zh) * | 2019-12-30 | 2021-07-08 | 华为技术有限公司 | 一种轨迹预测方法及相关设备 |
| WO2021218124A1 (zh) * | 2020-04-29 | 2021-11-04 | 北京百度网讯科技有限公司 | 用于检测车辆的方法和装置 |
| CN113838227A (zh) * | 2021-10-13 | 2021-12-24 | 中化现代农业有限公司 | 一种车辆异常停留监控方法及系统 |
| CN114494977A (zh) * | 2022-02-17 | 2022-05-13 | 青岛海信网络科技股份有限公司 | 一种异常停车检测方法、电子设备及存储介质 |
| CN114519849A (zh) * | 2022-01-27 | 2022-05-20 | 中汽创智科技有限公司 | 一种车辆跟踪数据处理方法、装置及存储介质 |
| CN114881279A (zh) * | 2022-03-24 | 2022-08-09 | 青岛海信网络科技股份有限公司 | 一种车辆轨迹预测方法、设备和装置 |
| CN115048412A (zh) * | 2022-03-30 | 2022-09-13 | 北京中交兴路信息科技有限公司 | 停靠点划分方法、装置、计算机设备和存储介质 |
| CN115731526A (zh) * | 2022-11-21 | 2023-03-03 | 禾多科技（北京）有限公司 | 车道线识别方法、装置、电子设备和计算机可读介质 |
| CN116012486A (zh) * | 2022-12-19 | 2023-04-25 | 联创汽车电子有限公司 | 前方目标历史轨迹生成方法及介质 |
| CN116401549A (zh) * | 2023-04-07 | 2023-07-07 | 中国第一汽车股份有限公司 | 车辆轨迹预测模型训练方法、装置、设备及存储介质 |
-
2023
- 2023-07-27 CN CN202310927406.3A patent/CN116662788B/zh active Active
Patent Citations (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110146100A (zh) * | 2018-02-13 | 2019-08-20 | 华为技术有限公司 | 轨迹预测方法、装置及存储介质 |
| US20210174668A1 (en) * | 2019-12-10 | 2021-06-10 | Samsung Electronics Co., Ltd. | Systems and methods for trajectory prediction |
| WO2021134172A1 (zh) * | 2019-12-30 | 2021-07-08 | 华为技术有限公司 | 一种轨迹预测方法及相关设备 |
| WO2021218124A1 (zh) * | 2020-04-29 | 2021-11-04 | 北京百度网讯科技有限公司 | 用于检测车辆的方法和装置 |
| CN111740981A (zh) * | 2020-06-18 | 2020-10-02 | 合肥市大数据资产运营有限公司 | 一种汽车gps轨迹数据压缩方法 |
| CN113838227A (zh) * | 2021-10-13 | 2021-12-24 | 中化现代农业有限公司 | 一种车辆异常停留监控方法及系统 |
| CN114519849A (zh) * | 2022-01-27 | 2022-05-20 | 中汽创智科技有限公司 | 一种车辆跟踪数据处理方法、装置及存储介质 |
| CN114494977A (zh) * | 2022-02-17 | 2022-05-13 | 青岛海信网络科技股份有限公司 | 一种异常停车检测方法、电子设备及存储介质 |
| CN114881279A (zh) * | 2022-03-24 | 2022-08-09 | 青岛海信网络科技股份有限公司 | 一种车辆轨迹预测方法、设备和装置 |
| CN115048412A (zh) * | 2022-03-30 | 2022-09-13 | 北京中交兴路信息科技有限公司 | 停靠点划分方法、装置、计算机设备和存储介质 |
| CN115731526A (zh) * | 2022-11-21 | 2023-03-03 | 禾多科技（北京）有限公司 | 车道线识别方法、装置、电子设备和计算机可读介质 |
| CN116012486A (zh) * | 2022-12-19 | 2023-04-25 | 联创汽车电子有限公司 | 前方目标历史轨迹生成方法及介质 |
| CN116401549A (zh) * | 2023-04-07 | 2023-07-07 | 中国第一汽车股份有限公司 | 车辆轨迹预测模型训练方法、装置、设备及存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116662788B (zh) | 2024-04-02 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113205037B (zh) | 事件检测的方法、装置、电子设备以及可读存储介质 | |
| CN114500339B (zh) | 一种节点带宽监测方法、装置、电子设备及存储介质 | |
| CN117993478A (zh) | 基于双向知识蒸馏和联邦学习的模型训练方法及装置 | |
| CN118210670A (zh) | 日志异常检测方法、装置、电子设备及存储介质 | |
| CN117649115A (zh) | 一种风险评估方法、装置、电子设备和存储介质 | |
| CN116662788B (zh) | 一种车辆轨迹处理方法、装置、设备和存储介质 | |
| CN111858267A (zh) | 预警方法、装置、电子设备及存储介质 | |
| CN116204522A (zh) | 一种数据稽核方法、装置、电子设备及存储介质 | |
| CN114999665A (zh) | 数据处理方法、装置、电子设备及存储介质 | |
| CN114186123A (zh) | 用于热点事件的处理方法、装置、设备及存储介质 | |
| CN116416500B (zh) | 图像识别模型训练方法、图像识别方法、装置及电子设备 | |
| CN116719621B (zh) | 一种针对海量任务的数据回写方法、装置、设备及介质 | |
| CN114579594A (zh) | 信息更新方法、装置、电子设备以及存储介质 | |
| CN115689574A (zh) | 一种交易风险预警方法、装置、电子设备及存储介质 | |
| CN117314245A (zh) | 用户出行活跃度确定方法、装置、设备及介质 | |
| CN117690277A (zh) | 阈值确定方法、装置、设备及存储介质 | |
| CN117291617A (zh) | 一种自动建立客服反馈工单的方法及智能研判系统 | |
| CN115695542A (zh) | 目标信息确定方法、装置、电子设备及存储介质 | |
| CN115017145A (zh) | 数据扩展方法、装置及存储介质 | |
| CN117455192A (zh) | 一种司货匹配方法、装置、设备以及存储介质 | |
| CN117350811A (zh) | 订单处理方法、装置、电子设备及存储介质 | |
| CN117635272A (zh) | 对象推荐方法、装置、电子设备及存储介质 | |
| CN118840876A (zh) | 一种信号灯显示时长确定方法、装置及介质 | |
| CN115545341A (zh) | 一种事件预测方法、装置、电子设备及存储介质 | |
| CN117540843A (zh) | 一种停车位预测方法、装置、电子设备及存储介质 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |