CN117236819A - 货运车辆位置预测方法、装置、计算机设备及存储介质 - Google Patents
货运车辆位置预测方法、装置、计算机设备及存储介质 Download PDFInfo
- Publication number
- CN117236819A CN117236819A CN202311356460.3A CN202311356460A CN117236819A CN 117236819 A CN117236819 A CN 117236819A CN 202311356460 A CN202311356460 A CN 202311356460A CN 117236819 A CN117236819 A CN 117236819A
- Authority
- CN
- China
- Prior art keywords
- information
- position information
- historical
- generate
- freight
- 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 40
- 238000001914 filtration Methods 0.000 claims abstract description 27
- 239000013598 vector Substances 0.000 claims description 82
- 230000006399 behavior Effects 0.000 claims description 36
- 238000004590 computer program Methods 0.000 claims description 22
- 238000010276 construction Methods 0.000 claims description 3
- 230000002123 temporal effect Effects 0.000 claims description 2
- 230000000694 effects Effects 0.000 abstract description 3
- 238000010586 diagram Methods 0.000 description 10
- 230000003287 optical effect Effects 0.000 description 7
- 239000011159 matrix material Substances 0.000 description 4
- 238000004891 communication Methods 0.000 description 3
- 230000002411 adverse Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 230000008054 signal transmission Effects 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 230000007704 transition Effects 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 229910021389 graphene Inorganic materials 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000008707 rearrangement Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- 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
- Train Traffic Observation, Control, And Security (AREA)
Abstract
本发明涉及物流技术领域,尤其涉及一种货运车辆位置预测方法、装置、计算机设备及存储介质,方法包括:响应于货运车辆停止上报位置信息,获取货运车辆的历史位置信息与货运平台行为信息;过滤历史位置信息生成滤后位置信息,对滤后位置信息进行编码生成轨迹状态序列;基于货运平台行为信息、历史位置信息,以及与历史位置信息对应的时间特征,生成观测序列;基于轨迹状态序列与观测序列构建位置预测模型;本发明具有提升推荐服务的精准度的效果。
Description
技术领域
本发明涉及物流技术领域,尤其涉及一种货运车辆位置预测方法、装置、计算机设备及存储介质。
背景技术
在货运物流的过程中,为了保证司机的安全,一般在司机所在的货运车辆上安装定位装置,定位装置与货运平台通信连接,货运平台通过定位装置以一定频率获取并记录货运车辆的行驶信息,行驶信息包括当前时刻的位置信息、行驶速度等,然后基于行驶信息生成与该司机对应的历史货运数据。
货运平台可以根据司机的历史货运数据了解司机的常去的若干个货源地,然后根据货运车辆当前时刻的位置信息为司机推荐合适的货运地,但是,当货运车辆经过山区路线,或者受如台风等极端天气影响,或者人为误关闭定位装置,以至于车辆在对应的一段时期难以向货运平台上报自己的位置信息;货运平台为了该段时期可以继续向司机提供货运地推荐服务,需要对货运车辆在该段时期的位置进行预测,目前一种预测货运车辆的方式为,货运平台基于已经获取到的货运车辆历史位置数据以及回归预测模型对货运车辆的当前位置进行回归预测,从而获取货运车辆当前的位置。
但是,回归预测模型对货运车辆的当前位置进行回归预测的难度较大,且预测出当前位置与实际位置差距较大,从而导致推荐服务的精准度较低。
发明内容
本发明实施例提供一种货运车辆位置预测方法、装置、计算机设备及存储介质,第一方面,本发明实施例提供的一种货运车辆位置预测方法包括:
响应于货运车辆停止上报位置信息,获取所述货运车辆的历史位置信息与货运平台行为信息;
过滤所述历史位置信息生成滤后位置信息,对所述滤后位置信息进行编码生成轨迹状态序列;
基于所述货运平台行为信息、所述历史位置信息,以及与所述历史位置信息对应的时间特征,生成观测序列;
基于所述轨迹状态序列与所述观测序列构建位置预测模型。
在一个具体的可实施方案中,所述过滤所述历史位置信息生成滤后位置信息,包括:
计算所述历史位置信息中相邻历史位置样本点之间的时差,得到样本点时差信息;
对所述样本点时差信息进行过滤,生成所述滤后位置信息。
在一个具体的可实施方案中,所述对所述样本点时差信息进行过滤,生成所述滤后位置信息,包括:
基于预设的时差阈值处理所述样本点时差信息,生成初滤位置信息;
计算所述初滤位置信息中相邻所述历史位置样本点之间的平均速度,得到样本间均速信息;
基于预设的均速阈值处理所述样本间均速信息,生成所述滤后位置信息。
在一个具体的可实施方案中,所述对所述滤后位置信息进行编码生成轨迹状态序列,包括:
对所述滤后位置信息中的历史位置样本点进行区间划分编码,得到经纬码;
对所述经纬码进行转码生成历史位置码;
基于所述历史位置码生成所述轨迹状态序列。
在一个具体的可实施方案中,所述基于所述货运平台行为信息、所述历史位置信息、与所述历史位置信息对应的时间特征生成观测序列,包括:
处理所述货运平台行为信息,生成第一向量分量信息;
处理所述滤后位置信息中的历史位置样本点,生成第二向量分量信息;
处理与所述历史位置样本点对应的所述时间特征,生成第三向量分量信息;
基于所述第一向量分量信息、所述第二向量分量信息以及所述第三向量分量信息生成所述观测序列。
在一个具体的可实施方案中,所述基于所述第一向量分量信息、所述第二向量分量信息以及所述第三向量分量信息生成所述观测序列,包括:
处理所述第一向量分量信息、所述第二向量分量信息以及所述第三向量分量信息生成观测向量;
基于与每个所述历史位置样本点对应的所述观测向量生成所述观测序列。
第二方面,本发明实施例提供的一种货运车辆位置预测装置包括:
信息获取模块,用于响应于货运车辆停止上报位置信息,获取所述货运车辆的历史位置信息与货运平台行为信息;
状态序列生成模块,用于过滤所述历史位置信息生成滤后位置信息,对所述滤后位置信息进行编码生成轨迹状态序列;
观测序列生成模块,用于基于所述货运平台行为信息、所述历史位置信息,以及与所述历史位置信息对应的时间特征,生成观测序列;
模型构建模块,用于基于所述轨迹状态序列与所述观测序列构建位置预测模型。
第三方面,本发明实施例提供了一种计算机设备,计算机设备包括存储器和处理器,所述存储器存储有计算机程序,处理器执行该计算机程序时实现上述的方法中的步骤。
第四方面,本发明实施例提供了一种计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现上述的方法中的步骤。
第五方面,本发明实施例还提供了一种计算机程序产品。所述计算机程序产品,包括计算机程序,该计算机程序被处理器执行时实现上述任一方法实施例中的步骤。
上述货运车辆位置预测方法、装置、计算机设备、存储介质以及计算机程序产品,通过在货运车辆停止上报位置信息时,获取车辆的历史位置信息与货运平台行为信息,然后过滤历史位置信息中的异常信息,并对过滤后的历史位置信息进行编码得到轨迹状态序列,然后通过处理货运平台行为信息、历史位置信息,以及与历史位置信息对应的时间特征得到观测序列,然后基于轨迹状态序列与观测序列创建出位置预测模型,后续通过位置预测模型可以对历史位置信息进行处理,从而得到较为准确的车辆预测位置,进而提升推荐服务的精准度。
附图说明
图1为本发明实施例提供的一种货运车辆位置预测方法流程图;
图2为本发明实施例提供的一种四等分第一经纬区域的示意图;
图3为本发明实施例提供的一种四等分第二经纬区域的示意图;
图4为本发明实施例提供的一种货运车辆位置预测装置的结构示意图;
图5为本发明实施例提供的一种计算机设备的结构示意图;
图6为本发明实施例提供的一种计算机可读存储介质的内部结构图。
具体实施方式
下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是,此处所描述的具体实施例仅仅用于解释本发明,而非对本发明的限定。另外还需要说明的是,为了便于描述,附图中仅示出了与本发明相关的部分而非全部结构。
图1为本发明实施例提供的一种货运车辆位置预测方法流程图,参考图1,该方法可以由执行该种方法的装置来执行,该装置可以由软件和/或硬件的方式实现,该方法包括:
S100、响应于货运车辆停止上报位置信息,获取货运车辆的历史位置信息与货运平台行为信息。
需要说明的是,货运车辆上安装有定位装置,定位装置基于定位卫星对货运车辆进行定位,获取货运车辆的位置信息,位置信息包括货运车辆的坐标信息、定位时刻、海拔高度、行驶速度、行驶方向以及地址等信息,其中坐标信息包括货运车辆的经度与纬度;定位装置与货运平台通信连接,货运平台控制定位装置以一定频率获取对应货运车辆的位置信息,并将定位信息发送至货运平台;在本实施例中,获取的相邻两次位置信息之间的时间间隔为3分钟;也即,货运平台每隔3分钟在一个获取时刻获取一次货运车辆的位置信息,并对获取的若干次位置信息进行存储,将存储的位置信息记为历史位置信息。
在当货运车辆经过山区路线,或者受如台风等极端天气影响,或者人为误关闭定位装置时,货运平台在最后一次获取到货运车辆的位置信息并间隔3分钟后,不能再接收到货运车辆的位置信息;若货运平台获取到一次车辆的位置信息并间隔3分钟后未接收到下一次的位置信息,则货运平台读取存储的对应货运车辆历史位置信息,同时还获取该货运车辆的货运平台行为信息;需要说明的是,货运车辆司机每次的运输任务对应一个订单,货运车辆司机准备执行一个运输任务时,可通过货运平台接下对应的订单;货运平台行为信息是货运车辆司机远程通过货运平台接下订单时产生的信息;具体的,货运平台行为信息包括:订单存在情况is_order、出发省份provinces、出发城市citys、出发区县countys、接单时间order_time、目的省份provincee、目的城市citye、目的区县countye;其中,订单存在情况is_order表征该订单的完成情况,若订单已经被货运司机完成,则订单存在情况is_order为不存在;若订单尚未被货运司机完成,则订单存在情况is_order为存在。
S200、过滤历史位置信息生成滤后位置信息,对滤后位置信息进行编码生成轨迹状态序列。
具体的,S200包括以下步骤:
S210、计算历史位置信息中相邻历史位置样本点之间的时差,得到样本点时差信息。
与货运车辆对应的历史位置信息包括若干历史位置样本点,其中,历史位置样本点包括与获取时刻对应的坐标信息、定位时刻、海拔高度、行驶速度、行驶方向以及地址等信息;相邻两个历史位置样本点之间的时间间隔为3分钟。
需要说明的是,正常情况下,相邻两个历史位置样本点中的定位时刻之间的时间间隔为3分钟,但是,若车辆处于隧道、山区等信号传输不佳的区域时,相邻两个历史位置样本点中的定位时刻之间的时间间隔可能大于3分钟;若某一历史位置样本点中的定位时刻与上一定位时刻之间的时间间隔大于3分钟,则该历史位置样本点中的坐标信息,极有可能受到信号传输不佳等因素的影响导致不准确。
为了防止不准确的坐标信息带来不利影响,在实施中,获取到历史位置信息后,计算相邻两两历史位置样本点中的定位时刻之间的时间间隔,且将任意相邻两个历史位置样本点中的定位时刻之间的时间间隔记为时差,如此得到由若干时差组成的时差信息。
S220、对样本点时差信息进行过滤,生成滤后位置信息。
具体的,S220包括以下步骤:
S221、基于预设的时差阈值处理样本点时差信息,生成初滤位置信息。
货运平台中预设有时差阈值,在本实施例中时差阈值选为3分钟;在实施中,判断上述时差信息中的时差是否大于时差阈值,若是,则说明与该时差对应的历史位置样本点中定位时刻靠后的历史位置样本点可能是不准确的,此时,将该历史位置样本点从历史位置数据中滤除;否则,不滤除;如此,得到初滤位置信息。
S222、计算初滤位置信息中相邻历史位置样本点之间的平均速度,得到样本间均速信息。
需要说明的是,在上述时差限定的时间范围内,货运车辆的行进路程是有限的,也即货运车辆在上述时差限定的时间范围内其平均速度是有限的,并对应有相应的均速阈值,在本实施例中,均速阈值设定为200km/h;若计算出货运车辆在上述时差限定的时间范围的平均速度大于该均速阈值,则说明相应的历史位置样本点不准确,为了防止不准确的历史位置样本点带来的不利影响,需要对其进行滤除。
为了便于将不准确的历史位置样本点进行滤除,在实施中,将相邻的历史位置样本点的坐标信息映射到预设的地图上,然后计算对应相邻的历史位置样本点之间的路程,然后将路程除以对应的时差计算出货运车辆在对应两历史位置样本点之间行驶时的平均速度;基于上述平均速度的计算方式,计算初滤位置信息中与任意两两相邻的历史位置样本点对应的平均速度,得到由平均速度信息成的集合,记为样本间均速信息。
S223、基于预设的均速阈值处理样本间均速信息,生成滤后位置信息。
在实施中,判断样本间均速信息中的每个平均速度是否大于预设的均速阈值,若大于,则将与该平均速度对应的两历史位置样本点中定位时刻靠后的历史位置样本点进行滤除;若不大于,则不滤除该历史位置样本点;如此,得到滤后位置信息。
S230、对滤后位置信息进行编码生成轨迹状态序列.
具体的,S230包括以下步骤:
S231、对滤后位置信息中的历史位置样本点进行区间划分编码,得到经纬码。
在实施中,为了便于后续对滤后位置信息进行处理,需要对其中的各个历史位置样本点进行编码。
具体的,以一个历史位置样本点为例,获取该历史位置样本点中的坐标信息(A1,B1),其中,A1为货运车辆的经度,B1为货运车辆的纬度。
需要说明的是,参照图4,坐标信息对应的最大的经纬度区间包括经度区间[-180°,180°],以及纬度区间[-90°,90°],经度区间与纬度区间构成第一经纬区域;将经度区间[-180°,180°]等分为[-180°,0°)和(0°,180°],还将[-90°,90°]等分为[-90°,0°)和(0°,90°],如此第一经纬区域被四等分为四个第二经纬区域,将四个第二经纬区域分别编码为00、01、10和11;然后确定(A1,B1)对应的第二经纬区域,然后得出与该第二经纬区对应的编码。举例来说,假设确定出(A1,B1)所在的第二经纬区域对应的编码为01,则先获取01。
进一步的,参照图5,同理,将每个第二经纬区域四等分为四个第三经纬区域,还将四个第三经纬区域分别编码为00、01、10和11;然后确定(A1,B1)对应的第三经纬区域,然后得出与该第三经纬区对应的编码。举例来说,假设确定出(A1,B1)所在的第三经纬区域对应的编码为01,则再获取01。
依次类推,对经纬区域四等分至预设次数后,获取与(A1,B1)有关的所有编码,并依次拼接得到二进制的经纬码。
S232、对经纬码进行转码生成历史位置码。
在实施中,获取到经纬码后,先将二进制的经纬码转化为十进制码,然后通过Base编码器再将十进制码转化为对应的Base码,记为历史位置码;历史位置码与滤后位置信息中每个历史位置样本点一一对应。
S233、基于历史位置码生成轨迹状态序列。
通过上述步骤的实施,可以获取滤后位置信息中每个历史位置样本点的历史位置码,按照历史位置样本点中定位时刻的时序将历史位置码信息合为轨迹状态序列O={Base1,Base1……Baset},其中,Base1为与滤后位置信息中第一个历史位置样本点对应的历史位置码,Baset为与滤后位置信息中最后一个历史位置样本点对应的历史位置码。
S300、基于货运平台行为信息、历史位置信息,以及与历史位置信息对应的时间特征,生成观测序列。
具体的,S300包括以下步骤:
S310、处理货运平台行为信息,生成第一向量分量信息。
需要说明的是,货运平台行为信息和滤后位置信息中每个历史位置样本点一一对应,也即每个历史位置样本点对应有相应的一条货运平台行为信息。
在实施中,以其中一条货运平台行为信息为例,获取一条货运平台行为信息后,处理货运平台行为信息中的订单存在情况is_order生成第一向量分量i1,若订单存在情况为存在,则第一向量分量i1为1,若订单存在情况为不存在,则第一向量分量i1为0;通过对货运平台行为信息中的出发省份provinces进行编码生成第二向量分量i2,通过对货运平台行为信息中的出发城市citys进行编码生成第三向量分量i3,通过对货运平台行为信息中的出发区县countys进行编码生成第四向量分量i4,通过对货运平台行为信息中的接单时间order_time进行编码生成第五向量分量i5,通过对货运平台行为信息中的目的省份provincee进行编码生成第六向量分量i6,通过对货运平台行为信息中的目的城市citye进行编码生成第七向量分量i7,通过对货运平台行为信息中的目的区县countye进行编码生成第八向量分量i8,按照上述顺序组合第一向量分量i1、第二向量分量i2、第三向量分量i3、第四向量分量i4、第五向量分量i5、第六向量分量i6、第七向量分量i7、第八向量分量i8,得到第一向量分量信息。
S320、处理滤后位置信息中的历史位置样本点,生成第二向量分量信息。
在实施中,获取与上述一条货运平台行为信息对应的历史位置样本点,对该历史位置样本点进行编码得到第九向量分量i9,将第九向量分量i9记为第二向量分量信息。
S330、处理与历史位置样本点对应的时间特征,生成第三向量分量信息。
需要说明的是,每个历史位置样本点对应有其时间特征,时间特征包括该历史位置样本点上报至货运平台时的日期以及时、分、秒。
在实施中,获取与上述一条货运平台行为信息对应的历史位置样本点的同时,还获取与历史位置样本点对应的时、分、秒;对与历史位置样本点对应的小时进行编码得到第十向量分量i10,对与历史位置样本点对应的分钟进行编码得到第十一向量分量i11,对与历史位置样本点对应的秒钟进行编码得到第十二向量分量i12,然后按上述顺序信息合第十向量分量i10、第十一向量分量i11以及第十二向量分量i12得到第三向量分量信息。
S340、基于第一向量分量信息、第二向量分量信息以及第三向量分量信息生成观测序列。
具体的,S340包括以下步骤:
S341、处理第一向量分量信息、第二向量分量信息以及第三向量分量信息生成观测向量。
获取到第一向量分量信息、第二向量分量信息以及第三向量分量信息后,按顺序信息合第一向量分量信息、第二向量分量信息以及第三向量分量信息得到观测向量I={i1,i2,i3,i4,i5,i6,i7,i8,i9,i10,i11,i12}。
S342、基于与每个历史位置样本点对应的观测向量生成观测序列。
需要说明的是,通过上述步骤的实施,计算出滤后位置信息中的每个历史位置样本点对应的观测向量I,其中,将滤后位置信息中的第一个历史位置样本点对应的观测向量记为I1,将滤后位置信息中的第二个历史位置样本点对应的观测向量记为I2……,将滤后位置信息中的最后一个历史位置样本点对应的观测向量记为It;进一步的,按照上述顺序信息合各个观测向量,得到观测序列S,S={I1,I2……It}。
S400、基于轨迹状态序列与观测序列构建位置预测模型。
在实施中,基于S233步骤计算出的轨迹状态序列O,并基于S342步骤计算出的观测序列S,计算出状态转移概率矩阵A、观测状态概率矩阵B、隐藏状态初始概率分布Π;然后基于状态转移概率矩阵A、观测状态概率矩阵B、隐藏状态初始概率分布Π建立位置预测模型λ=(A,B,Π)。
S500、基于预测模型处理观测序列得到车辆预测位置。
通过S400完成位置预测模型的建立后,进一步的,将观测序列中在时序上最后的观测向量输入上述位置预测模型λ=(A,B,Π),位置预测模型对输入的观测向量进行处理,得到下一定时时刻的历史位置码,通过对历史位置码进行解析获知对应的坐标信息,也即货运车辆在下一定时时刻的经纬度坐标;如此可在货运车辆停止上报位置信息时,对货运车辆接下来的位置进行准确预测,以便于接下来货运平台可以继续向货运车辆提供精准的货源地等的推荐服务。
图1为一个实施例中货运车辆位置预测方法的流程示意图。应该理解的是,虽然图1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,这些步骤可以以其它的顺序执行;并且图1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,这些子步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它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。
图4为本发明实施例提供的一种货运车辆位置预测装置的结构示意图,参照图4,该装置包括:
信息获取模块,用于响应于货运车辆停止上报位置信息,获取货运车辆的历史位置信息与货运平台行为信息;
状态序列生成模块,用于过滤历史位置信息生成滤后位置信息,对滤后位置信息进行编码生成轨迹状态序列;
观测序列生成模块,用于基于货运平台行为信息、历史位置信息,以及与历史位置信息对应的时间特征,生成观测序列;
模型构建模块,用于基于轨迹状态序列与观测序列构建位置预测模型。
需要说明的是,一种货运车辆位置预测装置提供的解决技术问题的技术方案与上述一种货运车辆位置预测方法限定的技术方案相似,此处不再对货运车辆位置预测装置提供的技术方案进行赘述。
图5是本发明实施例提供的一种计算机设备的结构示意图,参考图5,计算机设备60包括存储器602、处理器601及存储在存储器602上并可在处理器上运行的计算机程序,处理器601执行程序时实现上述实施例中的方法。图5示出了适于用来实现本发明实施方式的示例性计算机设备的框图。图5显示的计算机设备60仅仅是一个示例,不应对本发明实施例的功能和使用范围带来任何限制。如图5所示,该计算机设备60以通用计算设备的形式表现。该计算机设备60的信息件可以包括但不限于:一个或者多个处理器601,系统存储器602,连接不同系统信息件(包括系统存储器602和处理器601)的总线603。
总线603表示几类总线结构中的一种或多种,包括存储器总线或者存储器控制器,外围总线,图形加速端口,处理器或者使用多种总线结构中的任意总线结构的局域总线。举例来说,这些体系结构包括但不限于工业标准体系结构(ISA)总线,微通道体系结构(MAC)总线,增强型ISA总线、视频电子标准协会(VESA)局域总线以及外围信息件互连(PCI)总线。
计算机设备60典型地包括多种计算机系统可读介质。这些介质可以是任何能够被计算机设备60访问的可用介质,包括易失性和非易失性介质,可移动的和不可移动的介质。
系统存储器602可以包括易失性存储器形式的计算机系统可读介质,例如随机存取存储器(RAM)604和/或高速缓存存储器605。计算机设备60可以进一步包括其它可移动/不可移动的、易失性/非易失性计算机系统存储介质。仅作为举例,存储系统606可以用于读写不可移动的、非易失性磁介质(图5未显示,通常称为“硬盘驱动器”)。尽管图5中未示出,可以提供用于对可移动非易失性磁盘(例如“软盘”)读写的磁盘驱动器,以及对可移动非易失性光盘(例如CD-ROM,DVD-ROM或者其它光介质)读写的光盘驱动器。在这些情况下,每个驱动器可以通过一个或者多个数据介质接口与总线603相连。系统存储器602可以包括至少一个程序产品,该程序产品具有一信息(例如至少一个)程序模块,这些程序模块被配置以执行本发明各实施例的功能。
具有一信息(至少一个)程序模块607的程序/实用工具608,可以存储在例如系统存储器602中,这样的程序模块607包括但不限于操作系统、一个或者多个应用程序、其它程序模块以及程序数据,这些示例中的每一个或某种信息合中可能包括网络环境的实现。程序模块607通常执行本发明所描述的实施例中的功能和/或方法。
计算机设备60也可以与一个或多个外部设备609(例如键盘、指向设备、显示器610等)通信,还可与一个或者多个使得用户能与该设备交互的设备通信,和/或与使得该计算机设备60能与一个或多个其它计算设备进行通信的任何设备(例如网卡,调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口611进行。并且,计算机设备60还可以通过网络适配器612与一个或者多个网络(例如局域网(LAN),广域网(WAN)和/或公共网络,例如因特网)通信。如图5所示,网络适配器612通过总线603与计算机设备60的其它模块通信。应当明白,尽管图中未示出,可以结合计算机设备60使用其它硬件和/或软件模块,包括但不限于:微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。
处理器601通过运行存储在系统存储器602中的程序,从而执行各种功能应用以及数据处理。
本发明实施例还提供了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可实现上述实施例的方法。
本发明实施例的计算机存储介质,可以采用一个或多个计算机可读的介质的任意信息合。计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质。计算机可读存储介质例如可以是但不限于:电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的信息合。计算机可读存储介质的更具体的例子(非穷举的列表)包括:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的信息合。在本文件中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的信息合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。
计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于:无线、电线、光缆、RF等等,或者上述的任意合适的信息合。
可以以一种或多种程序设计语言或其信息合来编写用于执行本发明操作的计算机程序代码,程序设计语言包括面向对象的程序设计语言,诸如Java、Smalltalk、C++,还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络,包括局域网(LAN)或广域网(WAN),连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
在一些实施例中,如图6所示提供了一种计算机可读存储介质的内部结构图,计算机可读存储介质存储有计算机程序,该计算机程序被处理器执行时实现上述各方法实施例中的步骤。
在一些实施例中,提供了一种计算机程序产品,该计算机程序产品包括计算机程序,该计算机程序被处理器执行时实现上述各方法实施例中的步骤。
需要说明的是,本申请所涉及的用户信息(包括但不限于用户设备信息、用户个人信息等)和数据(包括但不限于用于分析的数据、存储的数据、展示的数据等),均为经用户授权或者经过各方充分授权的信息和数据,且相关数据的收集、使用和处理需要遵守相关国家和地区的相关法律法规和标准。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、数据库或其它介质的任何引用,均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-Only Memory,ROM)、磁带、软盘、闪存、光存储器、高密度嵌入式非易失性存储器、阻变存储器(ReRAM)、磁变存储器(Magnetoresistive Random Access Memory,MRAM)、铁电存储器(FerroelectricRandom Access Memory,FRAM)、相变存储器(Phase Change Memory,PCM)、石墨烯存储器等。易失性存储器可包括随机存取存储器(Random Access Memory,RAM)或外部高速缓冲存储器等。作为说明而非局限,RAM可以是多种形式,比如静态随机存取存储器(StaticRandom Access Memory,SRAM)或动态随机存取存储器(Dynamic Random Access Memory,DRAM)等。本申请所提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等,不限于此。本申请所提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器等,不限于此。
在一些实施例中,如图6所示提供了一种计算机可读存储介质的内部结构图,计算机可读存储介质存储有计算机程序,该计算机程序被处理器执行时实现上述各方法实施例中的步骤。
注意,上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解,本发明不限于这里的特定实施例,对本领域技术人员来说能够进行各种明显的变化、重新调整、相互结合和替代而不会脱离本发明的保护范围。因此,虽然通过以上实施例对本发明进行了较为详细的说明,但是本发明不仅仅限于以上实施例,在不脱离本发明构思的情况下,还可以包括更多其他等效实施例,而本发明的范围由所附的权利要求范围决定。
Claims (10)
1.一种货运车辆位置预测方法,其特征在于,包括:
响应于货运车辆停止上报位置信息,获取所述货运车辆的历史位置信息与货运平台行为信息;
过滤所述历史位置信息生成滤后位置信息,对所述滤后位置信息进行编码生成轨迹状态序列;
基于所述货运平台行为信息、所述历史位置信息,以及与所述历史位置信息对应的时间特征,生成观测序列;
基于所述轨迹状态序列与所述观测序列构建位置预测模型。
2.根据权利要求1所述的一种方法,其特征在于,所述过滤所述历史位置信息生成滤后位置信息,包括:
计算所述历史位置信息中相邻历史位置样本点之间的时差,得到样本点时差信息;
对所述样本点时差信息进行过滤,生成所述滤后位置信息。
3.根据权利要求2所述的一种方法,其特征在于,所述对所述样本点时差信息进行过滤,生成所述滤后位置信息,包括:
基于预设的时差阈值处理所述样本点时差信息,生成初滤位置信息;
计算所述初滤位置信息中相邻所述历史位置样本点之间的平均速度,得到样本间均速信息;
基于预设的均速阈值处理所述样本间均速信息,生成所述滤后位置信息。
4.根据权利要求1所述的一种方法,其特征在于,所述对所述滤后位置信息进行编码生成轨迹状态序列,包括:
对所述滤后位置信息中的历史位置样本点进行区间划分编码,得到经纬码;
对所述经纬码进行转码生成历史位置码;
基于所述历史位置码生成所述轨迹状态序列。
5.根据权利要求1所述的一种方法,其特征在于,所述基于所述货运平台行为信息、所述历史位置信息,以及与所述历史位置信息对应的时间特征,生成观测序列,包括:
处理所述货运平台行为信息,生成第一向量分量信息;
处理所述滤后位置信息中的历史位置样本点,生成第二向量分量信息;
处理与所述历史位置样本点对应的所述时间特征,生成第三向量分量信息;
基于所述第一向量分量信息、所述第二向量分量信息以及所述第三向量分量信息生成所述观测序列。
6.根据权利要求5所述的一种方法,其特征在于,所述基于所述第一向量分量信息、所述第二向量分量信息以及所述第三向量分量信息生成所述观测序列,包括:
处理所述第一向量分量信息、所述第二向量分量信息以及所述第三向量分量信息生成观测向量;
基于与每个所述历史位置样本点对应的所述观测向量生成所述观测序列。
7.一种货运车辆位置预测装置,其特征在于,包括:
信息获取模块,用于响应于货运车辆停止上报位置信息,获取所述货运车辆的历史位置信息与货运平台行为信息;
状态序列生成模块,用于过滤所述历史位置信息生成滤后位置信息,对所述滤后位置信息进行编码生成轨迹状态序列;
观测序列生成模块,用于基于所述货运平台行为信息、所述历史位置信息,以及与所述历史位置信息对应的时间特征,生成观测序列;
模型构建模块,用于基于所述轨迹状态序列与所述观测序列构建位置预测模型。
8.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至6中任一项所述的方法的步骤。
9.一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,所述计算机程序被处理器执行时实现权利要求1至6中任一项所述的方法的步骤。
10.一种计算机程序产品,包括计算机程序,其特征在于,该计算机程序被处理器执行时实现权利要求1至6中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311356460.3A CN117236819A (zh) | 2023-10-19 | 2023-10-19 | 货运车辆位置预测方法、装置、计算机设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311356460.3A CN117236819A (zh) | 2023-10-19 | 2023-10-19 | 货运车辆位置预测方法、装置、计算机设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117236819A true CN117236819A (zh) | 2023-12-15 |
Family
ID=89096721
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311356460.3A Pending CN117236819A (zh) | 2023-10-19 | 2023-10-19 | 货运车辆位置预测方法、装置、计算机设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117236819A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117709553A (zh) * | 2024-02-04 | 2024-03-15 | 南京满运冷链科技有限公司 | 一种预测司机未来首个装货城市的方法 |
-
2023
- 2023-10-19 CN CN202311356460.3A patent/CN117236819A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117709553A (zh) * | 2024-02-04 | 2024-03-15 | 南京满运冷链科技有限公司 | 一种预测司机未来首个装货城市的方法 |
CN117709553B (zh) * | 2024-02-04 | 2024-05-24 | 南京满运冷链科技有限公司 | 一种预测司机未来首个装货城市的方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109214584B (zh) | 用于预测客流量的方法和装置 | |
US11195125B2 (en) | Pollution prediction | |
CN109543909B (zh) | 车辆案件数量的预测方法、装置和计算机设备 | |
US8880962B2 (en) | Maintenance planning and failure prediction from data observed within a time window | |
CN110363810B (zh) | 建立图像检测模型的方法、装置、设备和计算机存储介质 | |
CN117236819A (zh) | 货运车辆位置预测方法、装置、计算机设备及存储介质 | |
US10359770B2 (en) | Estimation of abnormal sensors | |
US11055364B2 (en) | Parking search time estimation using cognitive analytics | |
CN110647675B (zh) | 停留点识别及预测模型训练方法、装置及存储介质 | |
CN112541852A (zh) | 城市人流监控方法、装置、电子设备及存储介质 | |
CN112668238B (zh) | 一种降雨量处理方法、装置、设备和存储介质 | |
CN112785030A (zh) | 船舶行为识别系统、方法和平台 | |
US9684872B2 (en) | Method and apparatus for generating data in a missing segment of a time data sequence | |
CN113361690A (zh) | 水质预测模型训练、水质预测方法、装置、设备及介质 | |
CN110134754B (zh) | 区域兴趣点的作业时长预测方法、装置、服务器和介质 | |
CN111859172A (zh) | 信息推送方法、装置、电子设备和计算机可读存储介质 | |
CN114201482A (zh) | 人口动态分布统计方法、装置、电子设备及可读存储介质 | |
US10796036B2 (en) | Prediction of inhalable particles concentration | |
CN110309974B (zh) | 物流运输目的地预测方法、装置、电子设备、存储介质 | |
CN110598989B (zh) | 一种货源质量评估方法、装置、设备和存储介质 | |
CN110782652A (zh) | 速度预测系统和方法 | |
CN111582589A (zh) | 一种租车出险预测方法、装置、设备及存储介质 | |
CN112560267B (zh) | 一种斜坡单元的划分方法、装置、设备和存储介质 | |
CN110659280A (zh) | 道路阻断异常检测方法、装置、计算机设备及存储介质 | |
JPWO2019159585A1 (ja) | 学習システム、推定システム及び学習済モデル |
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 |