CN116821659A - 车辆油耗分析方法、装置、计算机设备及可读存储介质 - Google Patents
车辆油耗分析方法、装置、计算机设备及可读存储介质 Download PDFInfo
- Publication number
- CN116821659A CN116821659A CN202310788095.7A CN202310788095A CN116821659A CN 116821659 A CN116821659 A CN 116821659A CN 202310788095 A CN202310788095 A CN 202310788095A CN 116821659 A CN116821659 A CN 116821659A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- data
- oil consumption
- influence factor
- engineering machinery
- 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
- 238000004458 analytical method Methods 0.000 title claims abstract description 170
- 239000000446 fuel Substances 0.000 title claims abstract description 90
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 27
- 230000015654 memory Effects 0.000 claims description 48
- 238000000034 method Methods 0.000 claims description 35
- 238000012549 training Methods 0.000 claims description 21
- 238000012800 visualization Methods 0.000 claims description 15
- 238000004590 computer program Methods 0.000 claims description 11
- 238000012545 processing Methods 0.000 claims description 7
- 239000000758 substrate Substances 0.000 claims 1
- 230000002159 abnormal effect Effects 0.000 description 18
- 238000004364 calculation method Methods 0.000 description 14
- 230000005540 biological transmission Effects 0.000 description 9
- 230000001360 synchronised effect Effects 0.000 description 9
- 238000010586 diagram Methods 0.000 description 5
- 230000005291 magnetic effect Effects 0.000 description 5
- 238000010276 construction Methods 0.000 description 4
- 238000013480 data collection Methods 0.000 description 4
- 238000010223 real-time analysis Methods 0.000 description 4
- 230000003068 static effect Effects 0.000 description 4
- 238000003066 decision tree Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 230000005294 ferromagnetic effect Effects 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 238000013075 data extraction Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000013210 evaluation model Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 238000006467 substitution reaction Methods 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
- G01—MEASURING; TESTING
- G01F—MEASURING VOLUME, VOLUME FLOW, MASS FLOW OR LIQUID LEVEL; METERING BY VOLUME
- G01F9/00—Measuring volume flow relative to another variable, e.g. of liquid fuel for an engine
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01F—MEASURING VOLUME, VOLUME FLOW, MASS FLOW OR LIQUID LEVEL; METERING BY VOLUME
- G01F9/00—Measuring volume flow relative to another variable, e.g. of liquid fuel for an engine
- G01F9/02—Measuring volume flow relative to another variable, e.g. of liquid fuel for an engine wherein the other variable is the speed of a vehicle
-
- 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
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Software Systems (AREA)
- Fluid Mechanics (AREA)
- Medical Informatics (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请公开了一种车辆油耗分析方法、装置、计算机设备及可读存储介质，包括：实时获取至少一工程机械车辆分别在当前时间点之前的预设时间段内的车辆数据，所述车辆数据包括业务数据和工况数据；对所述至少一工程机械车辆各自对应的所述车辆数据进行特征提取，获得所述至少一工程机械车辆各自对应的至少一油耗影响因子的特征数据；将目标特征数据输入预先训练的油耗分析模型进行油耗分析，获得对目标工程机械车辆在所述当前时间点之前的预设时间段内关于至少一油耗影响因子的分析结果，所述油耗分析模型是基于LightBGM算法构建的。如此，能够分时段同时对至少一工程机械车辆的油耗影响因子进行实时且准确分析，便于辅助用户管理工程机械车辆。
Description
技术领域
本发明涉及工程机械技术领域，特别是涉及一种车辆油耗分析方法、装置、计算机设备及计算机可读存储介质。
背景技术
随着油价飙升以及波动变化，企业用户对工程机械车辆的油耗越来越敏感。因此，对于工程机械车辆的油耗分析具有重要意义。
发明人在研究中发现现有的油耗分析方法存在以下问题：对油耗分析的影响因子偏少，即不能客观和全面分析影响工程机械车辆油耗的各种因素，使得无法获知导致油耗增大的主要因素，同时也不是实时分析，不能体现不同时间段内影响工程机械车辆油耗的因素。
发明内容
本申请的目的在于提供一种车辆油耗分析方法、装置、计算机设备及计算机可读存储介质，能够分时段同时对至少一工程机械车辆的油耗影响因子进行实时且准确分析，便于辅助用户管理工程机械车辆。
为达到上述目的：
第一方面，本申请实施例提供了一种车辆油耗分析方法，所述方法包括：
实时获取至少一工程机械车辆分别在当前时间点之前的预设时间段内的车辆数据，所述车辆数据包括业务数据和工况数据；
对所述至少一工程机械车辆各自对应的所述车辆数据进行特征提取，获得所述至少一工程机械车辆各自对应的至少一油耗影响因子的特征数据；
将目标特征数据输入预先训练的油耗分析模型进行油耗分析，获得对目标工程机械车辆在所述当前时间点之前的预设时间段内关于所述至少一油耗影响因子的分析结果，所述油耗分析模型是基于LightBGM算法构建的，所述目标工程机械车辆为任一所述工程机械车辆，所述目标特征数据为所述目标工程机械车辆对应的至少一油耗影响因子的特征数据。
在一实施方式中，所述实时获取至少一工程机械车辆分别在当前时间点之前的预设时间段内的车辆数据，包括：
通过Spark Streaming组件，从业务服务器实时采集至少一工程机械车辆分别在当前时间点之前的预设时间段内的业务数据，并从物联网服务器实时采集至少一工程机械车辆分别在当前时间点之前的预设时间段内的工况数据。
在一实施方式中，所述业务数据包括工作单数据、车辆基础数据、车辆加油数据；
所述工况数据包括车辆油耗数据、车辆里程数据、车辆位置数据、车辆行驶状况数据、车辆行驶轨迹数据。
在一实施方式中，所述油耗影响因子包括行驶距离、行驶时长、油耗值、行车速率变化率、绕路异常次数、堵车异常次数、车辆故障异常次数、油耗里程、单位里程行驶时长、车辆行驶轨迹。
在一实施方式中，所述分析结果包括影响占比；所述将目标特征数据输入预先训练的油耗分析模型进行油耗分析，获得对目标工程机械车辆在所述当前时间点之前的预设时间段内关于所述至少一油耗影响因子的分析结果之前，还包括：
获取至少一工程机械车辆在不同历史时间段内的历史车辆数据以及关于所述至少一油耗影响因子的历史影响占比；
对所述至少一工程机械车辆对应的所述历史车辆数据进行特征提取，获得所述至少一工程机械车辆各自对应的至少一油耗影响因子的历史特征数据；
利用所述历史特征数据和所述历史影响占比，训练基于LightBGM算法构建的油耗分析模型。
在一实施方式中，所述方法还包括：
将对所述目标工程机械车辆在所述当前时间点之前的预设时间段内关于所述至少一油耗影响因子的分析结果，通过可视化组件进行展示。
在一实施方式中，所述可视化组件包括直方图。
第二方面，本申请实施例提供一种车辆油耗分析装置，包括：
获取模块，用于实时获取至少一工程机械车辆分别在当前时间点之前的预设时间段内的车辆数据，所述车辆数据包括业务数据和工况数据；
计算模块，用于对所述至少一工程机械车辆各自对应的所述车辆数据进行特征提取，获得所述至少一工程机械车辆各自对应的至少一油耗影响因子的特征数据；
处理模块，用于将目标特征数据输入预先训练的油耗分析模型进行油耗分析，获得对目标工程机械车辆在所述当前时间点之前的预设时间段内关于所述至少一油耗影响因子的分析结果，所述油耗分析模型是基于LightBGM算法构建的，所述目标工程机械车辆为任一所述工程机械车辆，所述目标特征数据为所述目标工程机械车辆对应的至少一油耗影响因子的特征数据。
在一实施方式中，所述获取模块，具体用于：
通过Spark Streaming组件，从业务服务器实时采集至少一工程机械车辆分别在当前时间点之前的预设时间段内的业务数据，并从物联网服务器实时采集至少一工程机械车辆分别在当前时间点之前的预设时间段内的工况数据。
在一实施方式中，所述业务数据包括工作单数据、车辆基础数据、车辆加油数据；
所述工况数据包括车辆油耗数据、车辆里程数据、车辆位置数据、车辆行驶状况数据、车辆行驶轨迹数据。
在一实施方式中，所述油耗影响因子包括行驶距离、行驶时长、油耗值、行车速率变化率、绕路异常次数、堵车异常次数、车辆故障异常次数、油耗里程、单位里程行驶时长、车辆行驶轨迹。
在一实施方式中，所述分析结果包括影响占比；
所述获取模块，还用于获取至少一工程机械车辆在不同历史时间段内的历史车辆数据以及关于所述至少一油耗影响因子的历史影响占比；
所述计算模块，还用于对所述至少一工程机械车辆对应的所述历史车辆数据进行特征提取，获得所述至少一工程机械车辆各自对应的至少一油耗影响因子的历史特征数据；
所述处理模块，还用于利用所述历史特征数据和所述历史影响占比，训练基于LightBGM算法构建的油耗分析模型。
在一实施方式中，所述装置还包括输出模块，用于将对所述目标工程机械车辆在所述当前时间点之前的预设时间段内关于所述至少一油耗影响因子的分析结果，通过可视化组件进行展示。
在一实施方式中，所述可视化组件包括直方图。
第三方面，本申请实施例提供一种计算机设备，包括：处理器和存储有计算机程序的存储器，在所述处理器运行所述计算机程序时，实现上述文件车辆油耗分析方法的步骤。
第四方面，本申请实施例提供一种计算机可读存储介质，所述计算机可读存储介质中存储有计算机程序，所述计算机程序被处理器执行时实现上述车辆油耗分析方法的步骤。
本申请实施例提供的车辆油耗分析方法、装置、计算机设备及计算机可读存储介质，所述方法包括：实时获取至少一工程机械车辆分别在当前时间点之前的预设时间段内的车辆数据，所述车辆数据包括业务数据和工况数据；对所述至少一工程机械车辆各自对应的所述车辆数据进行特征提取，获得所述至少一工程机械车辆各自对应的至少一油耗影响因子的特征数据；将目标特征数据输入预先训练的油耗分析模型进行油耗分析，获得对目标工程机械车辆在所述当前时间点之前的预设时间段内关于所述至少一油耗影响因子的分析结果，所述油耗分析模型是基于LightBGM算法构建的，所述目标工程机械车辆为任一所述工程机械车辆，所述目标特征数据为所述目标工程机械车辆对应的至少一油耗影响因子的特征数据。如此，通过客观和全面获取与分析工程机械车辆在不同时间段内的车辆数据，以分析在不同时间段内影响工程机械车辆油耗的因素，实现分时段同时对至少一工程机械车辆的油耗影响因子进行实时且准确分析，满足用户实时性需求，便于辅助用户管理工程机械车辆，降低使用成本。
附图说明
图1为本发明实施例提供的车辆油耗分析方法的流程示意图；
图2为本发明实施例提供的车辆油耗分析装置的结构示意图一；
图3为本发明实施例提供的车辆油耗分析装置的结构示意图二；
图4为本发明实施例提供的车辆油耗分析装置进行油耗分析的过程示意图；
图5为本发明实施例中油耗分析模型的分析原理示意图；
图6为本发明实施例提供的车辆油耗分析方法的具体流程示意图；
图7为本发明实施例提供的车辆油耗分析装置的结构示意图三。
具体实施方式
这里将详细地对示例性实施例进行说明，其示例表示在附图中。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申请相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本申请的一些方面相一致的装置和方法的例子。
需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者装置不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者装置所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素，此外，本申请不同实施例中具有同样命名的部件、特征、要素可能具有相同含义，也可能具有不同含义，其具体含义需以其在该具体实施例中的解释或者进一步结合该具体实施例中上下文进行确定。
应当理解，尽管在本文可能采用术语第一、第二、第三等来描述各种信息，但这些信息不应限于这些术语。这些术语仅用来将同一类型的信息彼此区分开。例如，在不脱离本文范围的情况下，第一信息也可以被称为第二信息，类似地，第二信息也可以被称为第一信息。取决于语境，如在此所使用的词语"如果"可以被解释成为"在……时"或"当……时"或"响应于确定"。再者，如同在本文中所使用的，单数形式“一”、“一个”和“该”旨在也包括复数形式，除非上下文中有相反的指示。应当进一步理解，术语“包含”、“包括”表明存在所述的特征、步骤、操作、元件、组件、项目、种类、和/或组，但不排除一个或多个其他特征、步骤、操作、元件、组件、项目、种类、和/或组的存在、出现或添加。此处使用的术语“或”和“和/或”被解释为包括性的，或意味着任一个或任何组合。因此，“A、B或C”或者“A、B和/或C”意味着“以下任一个：A；B；C；A和B；A和C；B和C；A、B和C”。仅当元件、功能、步骤或操作的组合在某些方式下内在地互相排斥时，才会出现该定义的例外。
应该理解的是，虽然本申请实施例中的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，其可以以其他的顺序执行。而且，图中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，其执行顺序也不必然是依次进行，而是可以与其他步骤或者其他步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
需要说明的是，在本文中，采用了诸如S1、S2等步骤代号，其目的是为了更清楚简要地表述相应内容，不构成顺序上的实质性限制，本领域技术人员在具体实施时，可能会先执行S2后执行S1等，但这些均应在本申请的保护范围之内。
应当理解，此处所描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
在后续的描述中，使用用于表示元件的诸如“模块”、“部件”或者“单元”的后缀仅为了有利于本申请的说明，其本身没有特定的意义。因此，“模块”、“部件”或者“单元”可以混合地使用。
参阅图1，为本申请实施例提供的一种车辆油耗分析方法，该车辆油耗分析方法可以由本申请实施例提供的一种车辆油耗分析装置来执行，该车辆油耗分析装置可以采用软件和/或硬件的方式来实现，本实施例中以该车辆油耗分析方法的执行主体为计算机设备如服务器为例，本实施例提供的车辆油耗分析方法包括：
步骤S1、实时获取至少一工程机械车辆分别在当前时间点之前的预设时间段内的车辆数据，所述车辆数据包括业务数据和工况数据。
可选地，所述工程机械车辆可以基于实际需求进行设置，包括但不限于混凝土搅拌运输车、渣土运输车等，在此不做具体限定。所述预设时间段为当前时间点至上一指定时间点之间的时间长度，比如可以为5分钟、30分钟、1小时、24小时等。例如，以实时获取工程机械车辆在每10分钟内的车辆数据为例，若当前时间点为上午11:00，则相应实时获取工程机械车辆在上午10:50至上午11:00内的车辆数据。
可选地，所述车辆数据为与工程机械车辆的油耗相关的数据，包括业务数据和工况数据。其中，所述业务数据可包括工作单数据、车辆基础数据、车辆加油数据。这里，工作单数据用于表征工程机械车辆在当前时间点之前的预设时间段内实际工作数据，可包括在当前时间点之前的预设时间段内完成的工作单以及各工作单对应的工作量数据等，工作量数据可包括行驶距离和行驶时长等。以工程机械车辆为混凝土搅拌运输车为例，对应的工作单数据可包括运输单数据、泵单数据，其中，运输单数据包括已运输混凝土的次数，泵单数据可包括每次运输混凝土的立方量、运输时长、运输距离等。车辆基础数据用于表征工程机械车辆的实际参数，可包括重量、尺寸等。车辆加油数据用于表征对工程机械车辆每次加油的数据。
其中，所述工况数据可包括车辆油耗数据、车辆里程数据、车辆位置数据、车辆行驶状况数据、车辆行驶轨迹数据。这里，车辆油耗数据是指工程机械车辆在当前时间点之前的预设时间段内的实际油耗值；车辆里程数据是指工程机械车辆在当前时间点之前的预设时间段内的实际行驶里程数据；车辆位置数据是指工程机械车辆在当前时间点之前的预设时间段内的位置变化数据；车辆行驶状况数据包括车辆速度数据、停车次数与对应的停车时长、车辆故障数据等；车辆行驶轨迹数据是指工程机械车辆在当前时间点之前的预设时间段内所经过的位置形成的轨迹数据。
在一实施方式中，所述实时获取至少一工程机械车辆分别在当前时间点之前的预设时间段内的车辆数据，包括：
通过Spark Streaming组件，从业务服务器实时采集至少一工程机械车辆分别在当前时间点之前的预设时间段内的业务数据，并从物联网服务器实时采集至少一工程机械车辆分别在当前时间点之前的预设时间段内的工况数据。
可以理解，为了能够及时对工程机械车辆可能实时变化的业务数据和工况数据进行采集，本实施例中通过Spark Streaming组件从业务服务器实时采集至少一工程机械车辆分别在当前时间点之前的预设时间段内的业务数据，并通过Spark Streaming组件从物联网服务器实时采集至少一工程机械车辆分别在当前时间点之前的预设时间段内的工况数据。其中，业务服务器用于实时获取和存储至少一工程机械车辆的业务数据，而物联网服务器用于实时获取和存储至少一工程机械车辆的工况数据。如此，可实现同时对多个工程机械车辆的车辆数据进行快速、实时的获取，提高了分析工程机械车辆的油耗影响因子的效率。
步骤S2、对所述至少一工程机械车辆各自对应的所述车辆数据进行特征提取，获得所述至少一工程机械车辆各自对应的至少一油耗影响因子的特征数据。
其中，所述油耗影响因子包括行驶距离、行驶时长、油耗值、行车速率变化率、绕路异常次数、堵车异常次数、车辆故障异常次数、油耗里程、单位里程行驶时长、车辆行驶轨迹。这里，可以根据车辆油耗数据获取工程机械车辆在所述当前时间点之前的预设时间段内的油耗值，结合车辆里程数据可获取工程机械车辆在所述当前时间点之前的预设时间段内的油耗里程；可以根据车辆行驶轨迹数据获取工程机械车辆在所述当前时间点之前的预设时间段内的绕路异常次数、车辆行驶轨迹等；可以根据车辆行驶状况数据获取工程机械车辆在所述当前时间点之前的预设时间段内的堵车异常次数、车辆故障异常次数；可以根据行驶距离、行驶时长获取工程机械车辆在所述当前时间点之前的预设时间段内的单位里程行驶时长；可以根据车辆位置数据和行驶时长获取工程机械车辆在所述当前时间点之前的预设时间段内的行车速率变化率等。
需要说明的是，由于所述车辆数据中的部分数据的单位与所述油耗影响因子中部分因子的单位不相同，因此，在对所述车辆数据进行特征提取后，可能还需要对提取的特征数据进行转换与计算，才能获得油耗影响因子的特征数据。
步骤S3、将目标特征数据输入预先训练的油耗分析模型进行油耗分析，获得对目标工程机械车辆在所述当前时间点之前的预设时间段内关于所述至少一油耗影响因子的分析结果，所述油耗分析模型是基于LightBGM算法构建的，所述目标工程机械车辆为任一所述工程机械车辆，所述目标特征数据为所述目标工程机械车辆对应的至少一油耗影响因子的特征数据。
具体地，对于任一所述工程机械车辆即目标工程机械车辆，将所述目标工程机械车辆对应的油耗影响因子的特征数据即目标特征数据输入所述预先训练的油耗分析模型进行油耗分析，以获得所述预先训练的油耗分析模型输出的、对所述目标工程机械车辆在所述当前时间点之前的预设时间段内关于所述至少一油耗影响因子的分析结果。
其中，油耗分析模型用于分析各油耗影响因子对应的影响占比，即分析各油耗影响因子对于工程机械车辆的油耗的影响大小。所述分析结果可包括用于指示各油耗影响因子对工程机械车辆的油耗的影响占比，并具体可通过排名先后、打分高低等方式进行呈现。
综上，上述实施例提供的车辆油耗分析方法中，通过客观和全面获取与分析工程机械车辆在不同时间段内的车辆数据，以分析在不同时间段内影响工程机械车辆油耗的因素，实现分时段同时对至少一工程机械车辆的油耗影响因子进行实时且准确分析，满足用户实时性需求，便于辅助用户管理工程机械车辆，降低使用成本。
在一实施方式中，所述分析结果包括影响占比；所述将目标特征数据输入预先训练的油耗分析模型进行油耗分析，获得对目标工程机械车辆在所述当前时间点之前的预设时间段内关于所述至少一油耗影响因子的分析结果之前，还包括：
获取至少一工程机械车辆在不同历史时间段内的历史车辆数据以及关于所述至少一油耗影响因子的历史影响占比；
对所述至少一工程机械车辆对应的所述历史车辆数据进行特征提取，获得所述至少一工程机械车辆各自对应的至少一油耗影响因子的历史特征数据；
利用所述历史特征数据和所述历史影响占比，训练基于LightBGM算法构建的油耗分析模型。
具体地，首先获取至少一工程机械车辆在不同历史时间段内的历史车辆数据以及关于所述至少一油耗影响因子的历史影响占比，接着对所述至少一工程机械车辆在不同历史时间段内的历史车辆数据进行特征提取，获得所述至少一工程机械车辆在不同历史时间段内各自对应的至少一油耗影响因子的历史特征数据；然后，将每个工程机械车辆在每个历史时间段内的历史车辆数据和对应的关于所述至少一油耗影响因子的历史影响占比，作为一个训练样本，以获得训练样本集，并基于训练样本集对基于LightBGM算法构建的油耗分析模型进行训练。
可以理解，基于训练样本集对基于LightBGM算法构建的油耗分析模型进行训练的过程，可以看作是基于LightBGM算法构建的油耗分析模型对不同训练样本的预测结果，以对应调整油耗分析模型的模型参数，从而实现对油耗分析模型的训练。如此，通过不同工程机械车辆的历史车辆数据和关于所述至少一油耗影响因子的历史影响占比，对油耗分析模型进行训练，提高了油耗分析模型对影响工程机械车辆油耗的因素的分析准确性。
在一实施方式中，所述方法还包括：
将对所述目标工程机械车辆在所述当前时间点之前的预设时间段内关于所述至少一油耗影响因子的分析结果，通过可视化组件进行展示。
可选地，为了便于用户直观地了解到目标工程机械车辆在所述当前时间点之前的预设时间段内关于所述至少一油耗影响因子的分析结果，可通过可视化组件展示关于所述至少一油耗影响因子的分析结果。可选地，可视化组件可包括直方图、柱状图等，以使用户通过可视化组件可直接获取所述至少一油耗影响因子中各油耗因子的影响占比、影响排名等信息。
可选地，当所述工程机械车辆油耗分析的执行主体为服务器时，服务器可以将对所述目标工程机械车辆在所述当前时间点之前的预设时间段内关于所述至少一油耗影响因子的分析结果发送至终端设备，以由终端设备通过可视化组件展示所述分析结果。如此，通过可视化组件展示关于至少一油耗影响因子的分析结果，能够便于用户直观地了解影响工程机械车辆油耗的因素，提升了用户使用体验。
基于前述实施例相同的发明构思，下面通过一具体示例对前述实施例进行详细说明，本实施例中以工程机械车辆为混凝土搅拌运输车、预设时间段为10分钟为例。
假设对某个混凝土搅拌站下的混凝土搅拌运输车进行油耗分析，若该混凝土搅拌运输车从上午8:00至下午6:00处于工作状态，从上午8:01开始，由业务服务器实时采集该混凝土搅拌运输车的业务数据，并由物联网服务器实时采集该混凝土搅拌运输车的工况数据，则可在上午8:10时，根据该混凝土搅拌运输车在上午8:01至上午8:10内的业务数据和工况数据，提取该混凝土搅拌运输车对应的至少一油耗影响因子的特征数据，并通过油耗分析模型对上述特征数据进行油耗分析，输出该混凝土搅拌运输车在上午8:01至上午8:10内关于所述至少一油耗影响因子的影响占比。接着，在上午8:20时，根据该混凝土搅拌运输车在上午8:11至上午8:20内的业务数据和工况数据，提取该混凝土搅拌运输车对应的至少一油耗影响因子的特征数据，并通过油耗分析模型对上述特征数据进行油耗分析，输出该混凝土搅拌运输车在上午8:11至上午8:20内关于所述至少一油耗影响因子的影响占比；以此类推，循环执行上述步骤，直至获得该混凝土搅拌运输车在下午5:51至下午6:00内关于所述至少一油耗影响因子的影响占比，从而实现分时段对混凝土搅拌运输车的油耗影响因子进行实时分析。此外，还可以根据该混凝土搅拌运输车在上午8:01至下午6:00内所有的业务数据和工况数据，提取该混凝土搅拌运输车对应的至少一油耗影响因子的特征数据，并通过油耗分析模型对上述特征数据进行油耗分析，输出该混凝土搅拌运输车在上午8:01至下午6:00内关于所述至少一油耗影响因子的影响占比。
基于前述实施例相同的发明构思，参阅图2，本申请实施例提供了一种车辆油耗分析装置，包括：
获取模块，用于实时获取至少一工程机械车辆分别在当前时间点之前的预设时间段内的车辆数据，所述车辆数据包括业务数据和工况数据；
计算模块，用于对所述至少一工程机械车辆各自对应的所述车辆数据进行特征提取，获得所述至少一工程机械车辆各自对应的至少一油耗影响因子的特征数据；
处理模块，用于将目标特征数据输入预先训练的油耗分析模型进行油耗分析，获得对目标工程机械车辆在所述当前时间点之前的预设时间段内关于所述至少一油耗影响因子的分析结果，所述油耗分析模型是基于LightBGM算法构建的，所述目标工程机械车辆为任一所述工程机械车辆，所述目标特征数据为所述目标工程机械车辆对应的至少一油耗影响因子的特征数据。
综上，上述实施例提供的车辆油耗分析装置中，通过客观和全面获取与分析工程机械车辆在不同时间段内的车辆数据，以分析在不同时间段内影响工程机械车辆油耗的因素，实现分时段同时对至少一工程机械车辆的油耗影响因子进行实时且准确分析，满足用户实时性需求，便于辅助用户管理工程机械车辆，降低使用成本。
在一实施方式中，所述获取模块，具体用于：
通过Spark Streaming组件，从业务服务器实时采集至少一工程机械车辆分别在当前时间点之前的预设时间段内的业务数据，并从物联网服务器实时采集至少一工程机械车辆分别在当前时间点之前的预设时间段内的工况数据。
如此，可实现同时对多个工程机械车辆的车辆数据进行快速、实时的获取，提高了分析工程机械车辆的油耗影响因子的效率。
在一实施方式中，所述业务数据包括工作单数据、车辆基础数据、车辆加油数据；
所述工况数据包括车辆油耗数据、车辆里程数据、车辆位置数据、车辆行驶状况数据、车辆行驶轨迹数据。
在一实施方式中，所述油耗影响因子包括行驶距离、行驶时长、油耗值、行车速率变化率、绕路异常次数、堵车异常次数、车辆故障异常次数、油耗里程、单位里程行驶时长、车辆行驶轨迹。
在一实施方式中，所述分析结果包括影响占比；
所述获取模块，还用于获取至少一工程机械车辆在不同历史时间段内的历史车辆数据以及关于所述至少一油耗影响因子的历史影响占比；
所述计算模块，还用于对所述至少一工程机械车辆对应的所述历史车辆数据进行特征提取，获得所述至少一工程机械车辆各自对应的至少一油耗影响因子的历史特征数据；
所述处理模块，还用于利用所述历史特征数据和所述历史影响占比，训练基于LightBGM算法构建的油耗分析模型。
如此，通过不同工程机械车辆的历史车辆数据和关于所述至少一油耗影响因子的历史影响占比，对油耗分析模型进行训练，提高了油耗分析模型对影响工程机械车辆油耗的因素的分析准确性。
在一实施方式中，所述装置还包括输出模块，用于将对所述目标工程机械车辆在所述当前时间点之前的预设时间段内关于所述至少一油耗影响因子的分析结果，通过可视化组件进行展示。
如此，通过可视化组件展示关于至少一油耗影响因子的分析结果，能够便于用户直观地了解影响工程机械车辆油耗的因素，提升了用户使用体验。
在一实施方式中，所述可视化组件包括直方图。
关于车辆油耗分析装置的具体限定可以参见上文中对于车辆油耗分析方法的限定，在此不再赘述。上述车辆油耗分析装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
基于前述实施例相同的发明构思，下面通过一具体示例对前述实施例进行详细说明，本示例中以工程机械车辆为混凝土搅拌运输车(以下可简称为车辆)、工作单数据包括运输单和泵单数据为例。
下面先对本示例可能涉及的名词进行解释说明，具体如下：
LightGBM算法：是一种基于决策树的梯度提升算法，全称为Light GradientBoosting Machine，它的核心思想是基于梯度增强树的决策树作为基础，采用分布式并行算法等优化技术，可以处理大量样本量和高纬度的数据。
实时，是指基于流式计算技术，运用Spark Streaming实时计算框架，对数据进行实时计算分析，以满足业务对分析模型时效性的需求。
油耗分析模型，是一种分析混凝土搅拌运输车油耗的算法模型，它运用数据挖掘手段，对包含业务单据数据、车辆型号、路况数据在内的海量数据进行特征分析，提取出多个特征因子，可实现对车辆油耗进行客观的评估。
本示例旨在提供一种基于LightBGM算法构建的油耗分析模型的车辆油耗分析装置，用于客观、准确评估车辆油耗因子，满足用户对于降低经营成本，能够达到实时分析车辆油耗因素，实现效果包括：1)能够对大量数据进行收集整理；2)对收集的大量数据进行可靠的传输；3)实现对收集的大量数据进行实时计算分析；4)评估模型算法性能稳定，并且结果准确。
参阅图3，为本实施例提供的一种车辆油耗分析装置，主要包括六个部分：
车辆关联数据模块：该模块包括业务系统数据库、物联网车辆数据源、车辆轨迹数据源、车辆行驶路况数据源。
车辆数据收集模块：该模块用于针对业务数据、物联网车辆数据、车辆行驶路况数据、车辆运行轨迹进行实时收集。
车辆数据传输模块：对来源于不同数据源的数据按照来源进行区分，实现海量数据高并发传输。
车辆数据计算模块：对车辆相关的数据进行提取、转换、计算，提取出原始数据中的影响因子数据。
车辆算法模型模块：对计算得到的影响因子数据进行融合分析，并输出分析结果。
车辆油耗分析展示模块：使用可视化组件展示油耗分析模型的分析结果。
参阅图4，车辆油耗分析装置进行油耗分析的过程主要包括以下步骤：数据来源确定、数据收集、数据传输、数据实时计算、模型分析与训练、分析结果实时展示，具体介绍如下：
(1)数据来源确定
数据来源包含两个部分数据：业务数据、物联网数据(即工况数据)。
业务数据主要存储在云计算与大数据平台上的mysql数据库中，包括运输单、泵单数据、车辆基础数据、车辆加油数据等。
物联网数据主要存储在大数据数据库中，包括车辆油耗数据、车辆里程数据、车辆位置数据、车辆行驶状况数据、车辆行驶轨迹数据等。
(2)数据收集
这里，数据收集的方式是实时收集。其中，实时收集使用Spark Streaming组件，可以对新增数据和变更数据实现实时采集，并且能够与Kafka很好的集成。
(3)数据传输
数据传输包含三部分：车辆来源数据计算传输、油耗分析模型影响因子数据传输、分析结果数据传输。其中，
车辆来源数据计算传输主要对接Spark和DataX，由于来源数据量较大，需要按照车辆影响因子设置车辆主题数据，并且根据数据量的不同，合理设置分区数。需要说明的是，在Kafka中可对不同车辆设置不同的车辆主题。
油耗分析模型影响因子数据传输是指车辆数据计算模块的输出数据传输，该输出数据将用于油耗分析模型的输入数据和数据应用的展示。
分析结果数据传输是指油耗分析模型的输出数据。
(4)数据实时计算
借助大数据实时计算平台，可以实现对大规模数据进行分钟级的实时计算。大数据实时计算平台的核心是Spark集群，Spark是一个实时计算的轻量级框架，具有运行速度快，易用性，支持复杂查询，实时的流处理，也具有良好的容错性。
数据实时计算主要包括数据提取、转换、计算，其中计算的核心是提取原始数据中的特征因子(即油耗影响因子)，这些特征因子包括：行驶距离、行驶时长、油耗值、行车速率变化率、绕路异常次数、堵车异常次数、车辆故障异常次数、油耗里程、单位里程行驶时长、车辆行驶轨迹。
(5)模型分析与训练
油耗分析模型的核心是LightGBM算法，它是一种集成算法，支持大数据量和低内存，具有更快的训练效率，以及更高的准确率。其中，油耗分析模型的分析原理如图5所示。
参阅图6，为本发实施例提出的基于LightGBM算法构建的油耗分析模型的车辆油耗分析方法的具体流程示意图。其中，油耗分析模型的构建包括训练过程和分析过程。
其中，训练过程可分为四个步骤，包括：
步骤(1)、从Kafka集群存储的车辆主题中读取车辆数据；
步骤(2)、对读取到的车辆数据按车辆和时间窗口进行分组，每个车辆五分钟为一个时间窗口，一个时间窗口的数据为一个特征矩阵；
步骤(3)、以车辆和时间窗口为单位，作为油耗分析模型的输入数据，进行模型训练；
步骤(4)、根据训练结果，将同一个车的油耗分析模型参数进行调整，进入下一轮迭代。
其中，分析过程也可分为四个步骤，包括：
步骤(1)、从Kafka存储的特定车辆主题中读取待分析的车辆数据；
步骤(2)、对读取到的车辆数据按车辆和时间窗口进行分组，每个车辆五分钟为一个时间窗口，一个时间窗口的数据为一个特征矩阵；
步骤(3)、以车辆和时间窗口为单位，作为油耗分析模型的输入数据，进行模型分析；
步骤(4)、将对该车辆多个时间窗口的分析结果输出到Kafka中的对应车辆主题。
步骤(5)、每天的零点将前一天每个车辆的数据汇总重新进行分析，将分析结果输出到Kafka中的特定车辆主题。
(6)分析结果展示
终端设备的数据应用可通过订阅Kafka中的相关车辆主题，以获取分析结果，并可使用可视化组件展示分析结果。这里，根据混凝土搅拌运输车的业务数据以及物联网数据，在训练和分析过程中，可动态的展示不同时间段内的油耗影响因子。
综上，上述实施例提供的基于LightBGM算法构建的油耗分析模型的车辆油耗分析装置中，通过分析车辆关联的数据，提取出影响车辆油耗的主要因素进行展示，能够直观的展示出影响车辆油耗的因素占比。同时，借助云计算与大数据平台能够使油耗分析计算更新达到分钟级，满足用户实时性需求。此外，丰富的数据能够让油耗分析模型更加稳定，准确率更高。
基于前述实施例相同的发明构思，本发明实施例提供了一种计算机设备，如图7所示，该计算机设备包括：处理器310和存储有计算机程序的存储器311；其中，图7中示意的处理器310并非用于指代处理器310的个数为一个，而是仅用于指代处理器310相对其他器件的位置关系，在实际应用中，处理器310的个数可以为一个或多个；同样，图7中示意的存储器311也是同样的含义，即仅用于指代存储器311相对其他器件的位置关系，在实际应用中，存储器311的个数可以为一个或多个。在所述处理器310运行所述计算机程序时，实现应用于上述设备的所述车辆油耗分析方法。
该计算机设备还可包括：至少一个网络接口312。该计算机设备中的各个组件通过总线系统313耦合在一起。可理解，总线系统313用于实现这些组件之间的连接通信。总线系统313除包括数据总线之外，还包括电源总线、控制总线和状态信号总线。但是为了清楚说明起见，在图7中将各种总线都标为总线系统313。
其中，存储器311可以是易失性存储器或非易失性存储器，也可包括易失性和非易失性存储器两者。其中，非易失性存储器可以是只读存储器(ROM，Read Only Memory)、可编程只读存储器(PROM，Programmable Read-Only Memory)、可擦除可编程只读存储器(EPROM，Erasable Programmable Read-Only Memory)、电可擦除可编程只读存储器(EEPROM，Electrically Erasable Programmable Read-Only Memory)、磁性随机存取存储器(FRAM，ferromagnetic random access memory)、快闪存储器(Flash Memory)、磁表面存储器、光盘、或只读光盘(CD-ROM，Compact Disc Read-Only Memory)；磁表面存储器可以是磁盘存储器或磁带存储器。易失性存储器可以是随机存取存储器(RAM，Random AccessMemory)，其用作外部高速缓存。通过示例性但不是限制性说明，许多形式的RAM可用，例如静态随机存取存储器(SRAM，Static Random Access Memory)、同步静态随机存取存储器(SSRAM，Synchronous Static Random Access Memory)、动态随机存取存储器(DRAM，Dynamic Random Access Memory)、同步动态随机存取存储器(SDRAM，SynchronousDynamic Random Access Memory)、双倍数据速率同步动态随机存取存储器(DDRSDRAM，Double Data Rate Synchronous Dynamic Random Access Memory)、增强型同步动态随机存取存储器(ESDRAM，Enhanced Synchronous Dynamic Random Access Memory)、同步连接动态随机存取存储器(SLDRAM，SyncLink Dynamic Random Access Memory)、直接内存总线随机存取存储器(DRRAM，Direct Rambus Random Access Memory)。本发明实施例描述的存储器311旨在包括但不限于这些和任意其它适合类型的存储器。
本发明实施例中的存储器311用于存储各种类型的数据以支持该计算机设备的操作。这些数据的示例包括：用于在该计算机设备上操作的任何计算机程序，如操作系统和应用程序；联系人数据；电话簿数据；消息；图片；视频等。其中，操作系统包含各种系统程序，例如框架层、核心库层、驱动层等，用于实现各种基础业务以及处理基于硬件的任务。应用程序可以包含各种应用程序，例如媒体播放器(Media Player)、浏览器(Browser)等，用于实现各种应用业务。这里，实现本发明实施例方法的程序可以包含在应用程序中。
基于前述实施例相同的发明构思，本实施例还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中存储有计算机程序，计算机可读存储介质可以是磁性随机存取存储器(FRAM，ferromagnetic random access memory)、只读存储器(ROM，Read OnlyMemory)、可编程只读存储器(PROM，Programmable Read-Only Memory)、可擦除可编程只读存储器(EPROM，Erasable Programmable Read-Only Memory)、电可擦除可编程只读存储器(EEPROM，Electrically Erasable Programmable Read-Only Memory)、快闪存储器(FlashMemory)、磁表面存储器、光盘、或只读光盘(CD-ROM，Compact Disc Read-Only Memory)等存储器；也可以是包括上述存储器之一或任意组合的各种设备，如移动电话、计算机、平板设备、个人数字助理等。所述计算机可读存储介质中存储的计算机程序被处理器运行时，实现上述车辆油耗分析方法。所述计算机程序被处理器执行时实现的具体步骤流程请参考图1所示实施例的描述，在此不再赘述。
以上所述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。
在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，除了包含所列的那些要素，而且还可包含没有明确列出的其他要素。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以所述权利要求的保护范围为准。
Claims (10)
1.一种车辆油耗分析方法，其特征在于，包括：
实时获取至少一工程机械车辆分别在当前时间点之前的预设时间段内的车辆数据，所述车辆数据包括业务数据和工况数据；
对所述至少一工程机械车辆各自对应的所述车辆数据进行特征提取，获得所述至少一工程机械车辆各自对应的至少一油耗影响因子的特征数据；
将目标特征数据输入预先训练的油耗分析模型进行油耗分析，获得对目标工程机械车辆在所述当前时间点之前的预设时间段内关于所述至少一油耗影响因子的分析结果，所述油耗分析模型是基于LightBGM算法构建的，所述目标工程机械车辆为任一所述工程机械车辆，所述目标特征数据为所述目标工程机械车辆对应的至少一油耗影响因子的特征数据。
2.根据权利要求1所述的方法，其特征在于，所述实时获取至少一工程机械车辆分别在当前时间点之前的预设时间段内的车辆数据，包括：
通过Spark Streaming组件，从业务服务器实时采集至少一工程机械车辆分别在当前时间点之前的预设时间段内的业务数据，并从物联网服务器实时采集至少一工程机械车辆分别在当前时间点之前的预设时间段内的工况数据。
3.根据权利要求1所述的方法，其特征在于，
所述业务数据包括工作单数据、车辆基础数据、车辆加油数据；
所述工况数据包括车辆油耗数据、车辆里程数据、车辆位置数据、车辆行驶状况数据、车辆行驶轨迹数据。
4.根据权利要求3所述的方法，其特征在于，所述油耗影响因子包括行驶距离、行驶时长、油耗值、行车速率变化率、绕路异常次数、堵车异常次数、车辆故障异常次数、油耗里程、单位里程行驶时长、车辆行驶轨迹。
5.根据权利要求1至4中任一项所述的方法，其特征在于，所述分析结果包括影响占比；所述将目标特征数据输入预先训练的油耗分析模型进行油耗分析，获得对目标工程机械车辆在所述当前时间点之前的预设时间段内关于所述至少一油耗影响因子的分析结果之前，还包括：
获取至少一工程机械车辆在不同历史时间段内的历史车辆数据以及关于所述至少一油耗影响因子的历史影响占比；
对所述至少一工程机械车辆对应的所述历史车辆数据进行特征提取，获得所述至少一工程机械车辆各自对应的至少一油耗影响因子的历史特征数据；
利用所述历史特征数据和所述历史影响占比，训练基于LightBGM算法构建的油耗分析模型。
6.根据权利要求1至4中任一项所述的方法，其特征在于，所述方法还包括：
将对所述目标工程机械车辆在所述当前时间点之前的预设时间段内关于所述至少一油耗影响因子的分析结果，通过可视化组件进行展示。
7.根据权利要求6所述的方法，其特征在于，所述可视化组件包括直方图。
8.一种车辆油耗分析装置，其特征在于，所述装置包括：
获取模块，用于实时获取至少一工程机械车辆分别在当前时间点之前的预设时间段内的车辆数据，所述车辆数据包括业务数据和工况数据；
计算模块，用于对所述至少一工程机械车辆各自对应的所述车辆数据进行特征提取，获得所述至少一工程机械车辆各自对应的至少一油耗影响因子的特征数据；
处理模块，用于将目标特征数据输入预先训练的油耗分析模型进行油耗分析，获得对目标工程机械车辆在所述当前时间点之前的预设时间段内关于所述至少一油耗影响因子的分析结果，所述油耗分析模型是基于LightBGM算法构建的，所述目标工程机械车辆为任一所述工程机械车辆，所述目标特征数据为所述目标工程机械车辆对应的至少一油耗影响因子的特征数据。
9.一种计算机设备，其特征在于，包括：处理器和存储有计算机程序的存储器，在所述处理器运行所述计算机程序时，实现权利要求1至7中任一项所述的车辆油耗分析方法的步骤。
10.一种计算机可读存储介质，其特征在于，存储有计算机程序，所述计算机程序被处理器执行时，实现权利要求1至7中任一项所述的车辆油耗分析方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310788095.7A CN116821659A (zh) | 2023-06-29 | 2023-06-29 | 车辆油耗分析方法、装置、计算机设备及可读存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310788095.7A CN116821659A (zh) | 2023-06-29 | 2023-06-29 | 车辆油耗分析方法、装置、计算机设备及可读存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116821659A true CN116821659A (zh) | 2023-09-29 |
Family
ID=88127160
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310788095.7A Pending CN116821659A (zh) | 2023-06-29 | 2023-06-29 | 车辆油耗分析方法、装置、计算机设备及可读存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116821659A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117671963A (zh) * | 2024-02-01 | 2024-03-08 | 江苏群力技术有限公司 | 一种基于监控摄像头的智能交通控制系统 |
-
2023
- 2023-06-29 CN CN202310788095.7A patent/CN116821659A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117671963A (zh) * | 2024-02-01 | 2024-03-08 | 江苏群力技术有限公司 | 一种基于监控摄像头的智能交通控制系统 |
| CN117671963B (zh) * | 2024-02-01 | 2024-05-31 | 江苏群力技术有限公司 | 一种基于监控摄像头的智能交通控制系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Gandia et al. | Autonomous vehicles: scientometric and bibliometric review | |
| US10281284B2 (en) | Hybrid road network and grid based spatial-temporal indexing under missing road links | |
| Song et al. | Environmental performance evaluation with big data: Theories and methods | |
| Zhang et al. | SRBench: a streaming RDF/SPARQL benchmark | |
| EP3007081B1 (en) | Processing spatiotemporal data records | |
| US9207090B2 (en) | System and method for dynamic path optimization | |
| US10902445B2 (en) | Location evaluation | |
| Hildreth et al. | Reduction of short-interval GPS data for construction operations analysis | |
| CN116821659A (zh) | 车辆油耗分析方法、装置、计算机设备及可读存储介质 | |
| Gong et al. | A comparative study on fuel consumption prediction methods of heavy-duty diesel trucks considering 21 influencing factors | |
| US10521420B2 (en) | Analyzing search queries to determine a user affinity and filter search results | |
| CN114997344B (zh) | 一种基于城市大脑的多源数据规划方法及系统 | |
| CN114092056A (zh) | 项目管理方法、装置、电子设备、存储介质及产品 | |
| CN110147504B (zh) | 区域教育资源满足度评价方法及系统 | |
| US11244016B2 (en) | Journaling engine | |
| Duc et al. | A robust method for collecting and processing the on-road instantaneous data of fuel consumption and speed for motorcycles | |
| Leao et al. | Building a national-longitudinal geospatial bicycling data collection from crowdsourcing | |
| JP2022033712A (ja) | 行程分析のための車両イベントデータを処理するシステム及び方法 | |
| US20190156667A1 (en) | Vehicle dash cam sign reading | |
| CN112527945A (zh) | 一种地理空间大数据处理方法及装置 | |
| Ulrich et al. | Monitoring and Forecasting of Key Functions and Technologies for Automated Driving | |
| CN107357919A (zh) | 行为日志查询系统及方法 | |
| CN111507541A (zh) | 货量预测模型构建方法、货量测量方法、装置及电子设备 | |
| CN116433053A (zh) | 数据处理方法、装置、计算机设备和存储介质 | |
| Dillen et al. | MOBI-AID: A Big Data Platform for Real-Time Analysis of On Board Unit 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 |