CN117241212A - 车辆常驻停车点的确定方法、装置、设备以及存储介质 - Google Patents
车辆常驻停车点的确定方法、装置、设备以及存储介质 Download PDFInfo
- Publication number
- CN117241212A CN117241212A CN202311316821.1A CN202311316821A CN117241212A CN 117241212 A CN117241212 A CN 117241212A CN 202311316821 A CN202311316821 A CN 202311316821A CN 117241212 A CN117241212 A CN 117241212A
- Authority
- CN
- China
- Prior art keywords
- parking
- vehicle
- target
- data
- cluster
- 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 60
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 39
- 238000004138 cluster model Methods 0.000 claims description 34
- 238000012545 processing Methods 0.000 claims description 17
- 238000004590 computer program Methods 0.000 claims description 16
- 230000008859 change Effects 0.000 claims description 14
- 238000004140 cleaning Methods 0.000 claims description 11
- 238000004458 analytical method Methods 0.000 abstract description 16
- 238000007621 cluster analysis Methods 0.000 abstract description 7
- 230000009286 beneficial effect Effects 0.000 abstract description 6
- 238000004891 communication Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 5
- 230000006399 behavior Effects 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 230000002159 abnormal effect Effects 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000003993 interaction Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000009313 farming Methods 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 238000003064 k means clustering Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000000284 resting effect Effects 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
- 230000029305 taxis Effects 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 239000013598 vector Substances 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Landscapes
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种车辆常驻停车点的确定方法、装置、设备以及存储介质。其中，该方法包括：在目标车辆的行驶状态为停车状态的情况下，记录目标车辆的车辆停车位置以及在车辆停车位置处的停车时长；基于预设聚类算法对车辆停车位置和停车时长进行聚类处理得到目标位置聚类簇；确定每个目标位置聚类簇的质心位置，将质心位置对应的车辆停车位置作为目标车辆的车辆常驻停车点。解决了现有技术中不能根据停车时长对车辆停车点进行聚类分析，进而无法对车辆的常驻停车点进行确定的技术问题。取得了基于地理位置和停车时长多参数进行混合聚类得到常驻停车点，进而为停车行为偏好分析、服务站选址、服务站推荐以及停车位推荐等提供分析依据的有益效果。
Description
技术领域
本发明涉及车辆数据应用技术领域，尤其涉及一种车辆常驻停车点的确定方法、装置、设备以及存储介质。
背景技术
在车联网数据应用中，车辆经常停靠的范围具有重要的价值。停靠范围不仅描述了车辆在行驶过程中停驶和启动的运行习惯，结合车辆用户的相关数据，还能刻画车辆的从业属性、用户标签、货物运输属性、运营线路、经常停靠的物流园、加油站、维修站等信息。因此常驻停车点的分析，对于服务站、停车场和物流园等设施的选址，以及刻画车辆画像和用户画像都具有非常重要的价值。
相关技术中，对车辆的常驻停车点的分析方式，往往只是简单地从地理位置上将停靠在不同地域的车辆进行分类，采用这种方式确定出的车辆的常驻停车点往往不够准确。
发明内容
本发明提供了一种车辆常驻停车点的确定方法、装置、设备以及存储介质，以解决现有技术中，不能根据停车时长对车辆停车点进行聚类分析，进而无法对车辆的常驻停车点进行确定的技术问题。
根据本发明的一方面，提供了一种车辆常驻停车点的确定方法，该方法包括：
在目标车辆的行驶状态为停车状态的情况下，记录目标车辆的车辆停车位置以及在车辆停车位置处的停车时长；
基于预设聚类算法对车辆停车位置和停车时长进行聚类处理得到目标位置聚类簇；
确定每个目标位置聚类簇的质心位置，将质心位置对应的车辆停车位置作为目标车辆的车辆常驻停车点。
根据本发明的另一方面，提供了一种车辆常驻停车点的确定装置，该装置包括：
停车记录模块，用于在目标车辆的行驶状态为停车状态的情况下，记录目标车辆的车辆停车位置以及在车辆停车位置处的停车时长；
聚类处理模块，用于基于预设聚类算法对车辆停车位置和停车时长进行聚类处理得到目标位置聚类簇；
停车点确定模块，用于确定每个目标位置聚类簇的质心位置，将质心位置对应的车辆停车位置作为目标车辆的车辆常驻停车点。根据本发明的另一方面，提供了一种电子设备，电子设备包括：
至少一个处理器；以及
与至少一个处理器通信连接的存储器；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，计算机程序被至少一个处理器执行，以使至少一个处理器能够执行本发明任一实施例的车辆常驻停车点的确定方法。
根据本发明的另一方面，提供了一种计算机可读存储介质，计算机可读存储介质存储有计算机指令，计算机指令用于使处理器执行时实现本发明任一实施例的车辆常驻停车点的确定方法。
本发明实施例的技术方案，通过在目标车辆的行驶状态为停车状态的情况下，记录目标车辆的车辆停车位置以及在车辆停车位置处的停车时长，为对车辆停车位置以及停车时长的聚类分析提供了数据来源。然后基于预设聚类算法对车辆停车位置和停车时长进行聚类处理得到目标位置聚类簇，实现了基于停车时长对停车位置的聚类进行分簇。最后确定每个目标位置聚类簇的质心位置，将质心位置对应的车辆停车位置作为目标车辆的车辆常驻停车点。解决了现有技术中不能根据停车时长对车辆停车点进行聚类分析，进而无法对车辆的常驻停车点进行确定的技术问题。取得了基于地理位置和停车时长多参数进行混合聚类得到常驻停车点，进而为停车行为偏好分析、服务站选址、服务站推荐以及停车位推荐等提供分析依据的有益效果。
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是根据本发明实施例一提供的一种车辆常驻停车点的确定方法的流程图；
图2是根据本发明实施例二提供的一种车辆常驻停车点的确定方法的流程图；
图3是根据本发明实施例三提供的一种车辆常驻停车点的确定装置的结构示意图；
图4是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。
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“第一”、“第二”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“具有”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常驻停车点的确定方法的流程图，本实施例可适用于确定车辆常驻停车点的情况，该方法可以由车辆常驻停车点的确定装置来执行，该车辆常驻停车点的确定装置可以采用硬件和/或软件的形式实现，该车辆常驻停车点的确定装置可配置于电子设备中。如图1所示，该方法包括：
S110、在目标车辆的行驶状态为停车状态的情况下，记录目标车辆的车辆停车位置以及在车辆停车位置处的停车时长。
本实施例中，目标车辆可以是用于确定常驻停车点的任意类型的车辆，例如家用车、工农用车、商用车、客运车以及货运车等类型的车辆。可选的，在分析特定类型的车辆停车数据时，可以仅筛选特定类型的车辆数据。例如，可以将特定领域企业的所有处理特定业务的商用车(如出租车)作为目标车辆进行研究分析。停车状态可以是车辆处于熄火并且静止的状态。目标车辆的停车位置可以是基于停车位置经纬度确定的目标车辆停车位置坐标。停车时长可以是目标车辆处于停车状态所持续的时间。例如，可以基于车载GPS设备的数据采集功能，记录目标车辆的停车位置以及在停车位置处的停车时长。
S120、基于预设聚类算法对车辆停车位置和停车时长进行聚类处理得到目标位置聚类簇。
本实施例中，预设聚类算法可以是预先设置的聚类算法。聚类算法可以按照特定标准把一个数据集分割成不同的类或簇，使得同一个簇内的数据对象的相似性尽可能大，同时不在同一个簇中的数据对象的差异性也尽可能地大。例如地图上一片区域内，有相聚较远的两个大型停车场A和B。可以根据地图区域中的所有目标车辆GPS数据，将停车位置数据聚类为停车场A的地理位置所对应的数据簇以及停车场B的地理位置所对应的数据簇。示例性的，预设聚类算法可以是DBSCAN(基于密度的聚类算法，Density-Based SpatialClustering of Applications with Noise)聚类算法。目标位置聚类簇可以是使用预设聚类算法对车辆停车位置以及停车时长两个维度进行聚类处理分析后得到的数据簇。可以理解的，目标位置聚类簇的位置信息可以对应于现实场景中的商超停车场以及小区地下车库等停车区域。地图上一片区域内的目标位置聚类簇可以为多个。
可选的，基于预设聚类算法对车辆停车位置和停车时长进行聚类处理得到目标位置聚类簇，包括：采用基于车辆停车位置的DBSCAN聚类模型对车辆停车位置进行聚类处理，得到初始位置聚类簇，其中，车辆停车位置包括车辆定位经度数据和车辆定位纬度数据；基于停车时长的DBSCAN聚类模型对初始位置聚类簇和停车时长进行聚类处理，得到目标位置聚类簇。
本实施例中，车辆停车位置的DBSCAN聚类模型可以是预先训练的，车辆停车位置聚类的算法模型。初始位置聚类簇可以是基于车辆停车位置的DBSCAN聚类模型对车辆停车位置进行聚类处理得到的聚类簇。具体的，可以是对停车位置车辆定位经度数据和车辆定位纬度数据进行聚类处理，得到的初始聚类分析结果。可以理解的，所有初始位置聚类簇中的所有点，都对应一个经纬度位置坐标。
示例性的，可以将停车点位置的经度和纬度输入到训练好的车辆停车位置的DBSCAN聚类模型中，然后输出聚类簇数K以及各簇的停车点的位置信息。
可选的，基于车辆停车位置的DBSCAN聚类模型的邻域半径通过如下方式确定：通过K邻近算法计算出每个车辆停车位置距离最近的m个车辆停车位置的第一距离，其中，m为基于车辆停车位置的DBSCAN聚类模型的最小样本数；将第一距离从小到大排列进行绘制第一距离变化曲线，基于将第一距离变化曲线中位于拐点处的第一距离作为基于车辆停车位置的DBSCAN聚类模型的邻域半径。
本实施例中，第一距离可以是通过K邻近算法计算出每个车辆停车位置距离最近的m个车辆之间的距离半径。第一距离变化曲线可以是位置距离半径数值构成的曲线图。停车位置基于将第一距离变化曲线中位于拐点处的第一距离确定的邻域半径可以作为车辆停车位置的DBSCAN聚类模型的模型参数。示例性的，基于车辆停车位置的DBSCAN聚类模型的最小样本数m可以是3。
示例性地，首先，训练基于车辆停车位置的DBSCAN聚类算法模型模型。具体可以是，初始化DBSCAN聚类算法模型中的邻域半径Eps与最小样本数MinPts，首先选择MinPts初始值为MinPts＝3(一般选择为2*数据维度-1)，利用K邻近算法计算出每个车辆停车位置距最近的第MinPts个车辆停车位置的距离，将该距离从小到大排列进行绘图，找到距离变化的拐点距离记为Eps，作为基于车辆停车位置的DBSCAN聚类算法模型的参数。然后，将停车点位置GPS经度和GPS纬度输入到训练好的DBSCAN模型中，输出聚类簇数K以及各簇的车辆停车位置。
可选的，基于停车时长的DBSCAN聚类模型的邻域半径通过如下方式确定：通过K邻近算法计算出每个停车时长距离最近的n个停车时长的第二距离，其中，n为基于车辆停车位置的DBSCAN聚类模型的最小样本数；将第二距离从小到大排列进行绘制第二距离变化曲线，基于将第二距离变化曲线中位于拐点处的第二距离作为基于停车时长的DBSCAN聚类模型的邻域半径。
停车时长的DBSCAN聚类模型可以是预先训练的，根据停车时长聚类的算法模型。基于停车时长的DBSCAN聚类模型对初始位置聚类簇和停车时长进行聚类处理，可以是基于初始位置聚类簇中停车点的位置信息，将每一簇的停车时长分别输入至训练好的停车时长DBSCAN聚类的算法模型中。然后，通过输出基于地理位置和停车时长的聚类总簇数，以及各簇停车点的位置信息和停车时长，作为目标位置聚类簇。
类似地，先进行模型训练：初始化DBSCAN聚类算法模型中的邻域半径Eps1与最小样本数MinPts1，首先选择MinPts1初始值为MinPts1＝1(一般选择为2*数据维度-1)，利用K邻近算法计算出每个停车时长最近的第MinPts1个点的距离，将该距离从小到大排列进行绘图，找到距离变化的拐点距离记为Eps1，作为基于停车时长的DBSCAN聚类算法的模型参；再将基于车辆位置的DBSCAN聚类得到的K簇的车辆停车位置，将每一簇的停车时长分别输入至训练好的DBSCAN模型中，输出聚类簇数M以及各簇的车辆停车位置及停车时长。
S130、确定每个目标位置聚类簇的质心位置，将质心位置对应的车辆停车位置作为目标车辆的车辆常驻停车点。
目标位置聚类簇的质心位置可以是针对每个目标位置聚类簇内，所有数据向量进行各维取平均后，得到的均值数据所对应的地理位置坐标。例如，可以利用K-means(K-均值)聚类算法，将参数k设为1，计算得到每一簇的质心位置[lng0,lat0]，作为目标车辆的车辆常驻停车点。其中，k为簇数，
[lng0,lat0]为车辆常驻停车点在地图上对应的经纬度坐标。
本实施例中，第一距离可以是通过K邻近算法计算出每个停车时长距离最近的n个停车时长之间的时长距离半径。第二距离变化曲线可以是时长距离半径数值构成的曲线图。基于将第二距离变化曲线中位于拐点处的第二距离确定的邻域半径可以作为停车时长的DBSCAN聚类模型的模型参数。示例性的，基于车辆停车位置的DBSCAN聚类模型的最小样本数n可以是1。
本实施例的技术方案，首先通过在目标车辆的行驶状态为停车状态的情况下，记录目标车辆的车辆停车位置以及在车辆停车位置处的停车时长；然后采用基于车辆停车位置的DBSCAN聚类模型对车辆停车位置进行聚类处理，得到初始位置聚类簇，基于停车时长的DBSCAN聚类模型对初始位置聚类簇和停车时长进行聚类处理，得到目标位置聚类簇；最后确定每个目标位置聚类簇的质心位置，将质心位置对应的车辆停车位置作为目标车辆的车辆常驻停车点。解决了现有技术中不能根据停车时长对车辆停车点进行聚类分析，进而无法对车辆的常驻停车点进行确定的技术问题。取得了基于地理位置和停车时长多参数进行混合聚类得到常驻停车点，进而为停车行为偏好分析、服务站选址、服务站推荐以及停车位推荐等提供分析依据的有益效果。
实施例二
图2为本发明实施例二提供的一种车辆常驻停车点的确定方法的流程图，本实施例是在上述各实施例的基础上，具体说明获取目标车辆的原始运行数据获取以及车辆常驻停车点应用的方法。具体实施方式可以参见本实施例的说明。其中，与前述实施例相同或相似的技术特征在此不再赘述。如图2所示，该方法包括：
S210、获取目标车辆的原始运行数据，基于原始运行数据确定目标运行数据，根据目标运行数据确定目标车辆的是否处于停车状态，其中，目标运行数据包括车速、发动机转速和点火开关位置信号。
本实施例中，目标车辆的原始运行数据可以是目标车辆车联网数据中，与车辆运行相关的原始数据。原始运行数据中可以包括GPS时间戳、车速、发动机转速、GPS经度、GPS纬度以及点火开关位置信号等数据。目标运行数据可以是用于确定目标车辆是否处于停车状态相关的运行数据。可以理解的，目标车辆处于停车状态时，车速为0，发动机转速为0，点火开关处于关闭状态。因此，目标运行数据中可以包括车速、发动机转速和点火开关位置信号。
可选的，基于原始运行数据确定目标运行数据，包括：基于原始运行数据对应的时间信息对原始运行数据进行排序，以及，基于预设的数据清洗方式对原始运行数据进行数据清洗，以获得目标运行数据；其中，数据清洗方式包括对小于预设数据长度数据的原始运行数据通过插值方法进行数据填充和/或对大于预设数据长度的原始运行数据进行数据剔除处理。
本实施例中，基于原始运行数据对应的时间信息对原始运行数据进行排序可以是按照GPS时间戳对原始运行数据进行排序。预设的数据清洗方式可以是根据实际情况预先设置的数据整理方式。预设数据长度可以是根据实际情况预先设置的数据时间连续长度，例如可以是连续20秒的数据。
具体的，对于原始运行数据中的缺失或异常数据，当缺失或异常时间长小于20秒情况下，可以通过插值方法进行数据填充实现数据清洗。当缺失或异常时间长大于20秒情况下，可以通过对原始运行数据进行数据剔除处理的方式实现数据清洗。
S220、在目标车辆的行驶状态为停车状态的情况下，记录目标车辆的车辆停车位置以及在车辆停车位置处的停车时长。
S230、基于预设聚类算法对车辆停车位置和停车时长进行聚类处理得到目标位置聚类簇。
S240、确定每个目标位置聚类簇的质心位置，将质心位置对应的车辆停车位置作为目标车辆的车辆常驻停车点。
S250、基于车辆常驻停车点获取与车辆常驻停车点之间的距离处于预设距离阈值内的目标区域数据，基于目标区域数据生成与目标车辆对应的车辆推荐信息。
本实施例中，预设距离阈值可以是根据实际情况预先设置的距离界限数值。例如，预设距离阈值可以是用于界定目标车辆的位置是否接近车辆常驻停车点的距离阈值。基于车辆常驻停车点获取与车辆常驻停车点之间的距离处于预设距离阈值内的目标区域数据，可以是以车辆常驻停车点为圆心，预设距离阈值为半径的圆形区域。目标区域数据可以是位于圆形区域内的目标车辆的运行数据。基于目标区域数据生成与目标车辆对应的车辆推荐信息，可以是基于目标区域数据中的目标车辆对应的用户特征，将常驻停车点的位置、规模、设施特点以及其他相关信息，推荐至目标车辆。例如，可以基于目标区域内的大货车的货物，累计驾驶时间等信息，推荐大货车行驶至车辆常驻停车点进行购物或者休息。
本实施例的技术方案，首先通过获取目标车辆的原始运行数据，基于原始运行数据确定目标运行数据，根据目标运行数据确定目标车辆的是否处于停车状态；在目标车辆的行驶状态为停车状态的情况下，记录目标车辆的车辆停车位置以及在车辆停车位置处的停车时长；然后基于预设聚类算法对车辆停车位置和停车时长进行聚类处理得到目标位置聚类簇；进而确定每个目标位置聚类簇的质心位置，将质心位置对应的车辆停车位置作为目标车辆的车辆常驻停车点；最后基于车辆常驻停车点获取与车辆常驻停车点之间的距离处于预设距离阈值内的目标区域数据，基于目标区域数据生成与目标车辆对应的车辆推荐信息。解决了现有技术中不能根据停车时长对车辆停车点进行聚类分析，进而无法对车辆的常驻停车点进行确定的技术问题。取得了基于地理位置和停车时长多参数进行混合聚类得到常驻停车点，进而为停车行为偏好分析、服务站选址、服务站推荐以及停车位推荐等提供分析依据的有益效果。
实施例三
图3为本发明实施例三提供的一种车辆常驻停车点的确定装置的结构示意图。如图3所示，该装置包括：停车记录模块310、聚类处理模块320和停车点确定模块330。
其中，停车记录模块310，用于在目标车辆的行驶状态为停车状态的情况下，记录目标车辆的车辆停车位置以及在车辆停车位置处的停车时长；
聚类处理模块320，用于基于预设聚类算法对车辆停车位置和停车时长进行聚类处理得到目标位置聚类簇；
停车点确定模块330，用于确定每个目标位置聚类簇的质心位置，将质心位置对应的车辆停车位置作为目标车辆的车辆常驻停车点。
本发明实施例的技术方案，通过在目标车辆的行驶状态为停车状态的情况下，记录目标车辆的车辆停车位置以及在车辆停车位置处的停车时长，为对车辆停车位置以及停车时长的聚类分析提供了数据来源。然后基于预设聚类算法对车辆停车位置和停车时长进行聚类处理得到目标位置聚类簇，实现了基于停车时长对停车位置的聚类进行分簇。最后确定每个目标位置聚类簇的质心位置，将质心位置对应的车辆停车位置作为目标车辆的车辆常驻停车点。解决了现有技术中不能根据停车时长对车辆停车点进行聚类分析，进而无法对车辆的常驻停车点进行确定的技术问题。取得了基于地理位置和停车时长多参数进行混合聚类得到常驻停车点，进而为停车行为偏好分析、服务站选址、服务站推荐以及停车位推荐等提供分析依据的有益效果。
在上述技术方案的基础上，可选的，聚类处理模块320可以包括目标位置聚类簇确定单元。
其中，目标位置聚类簇确定单元，用于采用基于车辆停车位置的DBSCAN聚类模型对车辆停车位置进行聚类处理，得到初始位置聚类簇，其中，车辆停车位置包括车辆定位经度数据和车辆定位纬度数据；
基于停车时长的DBSCAN聚类模型对初始位置聚类簇和停车时长进行聚类处理，得到目标位置聚类簇。
在上述技术方案的基础上，可选的，目标位置聚类簇确定单元可以包括车辆停车位置的DBSCAN聚类模型邻域半径确定子单元。
其中，车辆停车位置的DBSCAN聚类模型邻域半径确定子单元，用于通过执行以下操作中的至少一项，确定基于车辆停车位置的DBSCAN聚类模型的邻域半径：通过K邻近算法计算出每个车辆停车位置距离最近的m个车辆停车位置的第一距离，其中，m为基于车辆停车位置的DBSCAN聚类模型的最小样本数；将第一距离从小到大排列进行绘制第一距离变化曲线，基于将第一距离变化曲线中位于拐点处的第一距离作为基于车辆停车位置的DBSCAN聚类模型的邻域半径。
在上述技术方案的基础上，可选的，目标位置聚类簇确定单元可以包括停车时长的DBSCAN聚类模型邻域半径确定子单元。
其中，停车时长的DBSCAN聚类模型邻域半径确定子单元，用于通过执行以下操作中的至少一项，确定基于停车时长的DBSCAN聚类模型的邻域半径：通过K邻近算法计算出每个停车时长距离最近的n个停车时长的第二距离，其中，n为基于车辆停车位置的DBSCAN聚类模型的最小样本数；将第二距离从小到大排列进行绘制第二距离变化曲线，基于将第二距离变化曲线中位于拐点处的第二距离作为基于停车时长的DBSCAN聚类模型的邻域半径。
在上述技术方案的基础上，可选的，车辆常驻停车点的确定装置还包括停车状态确定模块。
其中，停车状态确定模块，用于在记录目标车辆的车辆停车位置以及在车辆停车位置处的停车时长之前，获取目标车辆的原始运行数据，基于原始运行数据确定目标运行数据，根据目标运行数据确定目标车辆的是否处于停车状态，其中，目标运行数据包括车速、发动机转速和点火开关位置信号。
在上述技术方案的基础上，可选的，停车状态确定模块包括目标运行数据确定单元。
其中，目标运行数据确定单元，用于通过执行以下操作中的至少一项，基于原始运行数据确定目标运行数据：基于原始运行数据对应的时间信息对原始运行数据进行排序，以及，基于预设的数据清洗方式对原始运行数据进行数据清洗，以获得目标运行数据；其中，数据清洗方式包括对小于预设数据长度数据的原始运行数据通过插值方法进行数据填充和/或对大于预设数据长度的原始运行数据进行数据剔除处理。
在上述技术方案的基础上，可选的，车辆常驻停车点的确定装置还包括车辆推荐信息生成模块。
其中，车辆推荐信息生成模块，用于在将质心位置对应的车辆停车位置作为目标车辆的车辆常驻停车点之后，基于车辆常驻停车点获取与车辆常驻停车点之间的距离处于预设距离阈值内的目标区域数据，基于目标区域数据生成与目标车辆对应的车辆推荐信息。
本发明实施例所提供的车辆常驻停车点的确定装置可执行本发明任意实施例所提供的车辆常驻停车点的确定方法，具备执行方法相应的功能模块和有益效果。
实施例四
图4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4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，例如车辆常驻停车点的确定方法。
在一些实施例中，车辆常驻停车点的确定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常驻停车点的确定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常驻停车点的确定方法。
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数据处理装置的处理器，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)
1.一种车辆常驻停车点的确定方法，其特征在于，包括：
在目标车辆的行驶状态为停车状态的情况下，记录所述目标车辆的车辆停车位置以及在所述车辆停车位置处的停车时长；
基于预设聚类算法对所述车辆停车位置和所述停车时长进行聚类处理得到目标位置聚类簇；
确定每个所述目标位置聚类簇的质心位置，将所述质心位置对应的所述车辆停车位置作为所述目标车辆的车辆常驻停车点。
2.根据权利要求1所述的方法，其特征在于，所述基于预设聚类算法对所述车辆停车位置和所述停车时长进行聚类处理得到目标位置聚类簇，包括：
采用基于所述车辆停车位置的DBSCAN聚类模型对所述车辆停车位置进行聚类处理，得到初始位置聚类簇，其中，所述车辆停车位置包括车辆定位经度数据和车辆定位纬度数据；
基于所述停车时长的DBSCAN聚类模型对所述初始位置聚类簇和所述停车时长进行聚类处理，得到目标位置聚类簇。
3.根据权利要求2所述的方法，其特征在于，所述基于所述车辆停车位置的DBSCAN聚类模型的邻域半径通过如下方式确定：
通过K邻近算法计算出每个所述车辆停车位置距离最近的m个所述车辆停车位置的第一距离，其中，m为所述基于所述车辆停车位置的DBSCAN聚类模型的最小样本数；
将所述第一距离从小到大排列进行绘制第一距离变化曲线，基于将所述第一距离变化曲线中位于拐点处的所述第一距离作为基于所述车辆停车位置的DBSCAN聚类模型的邻域半径。
4.根据权利要求2所述的方法，其特征在于，所述基于所述停车时长的DBSCAN聚类模型的邻域半径通过如下方式确定：
通过K邻近算法计算出每个所述停车时长距离最近的n个所述停车时长的第二距离，其中，n为所述基于所述车辆停车位置的DBSCAN聚类模型的最小样本数；
将所述第二距离从小到大排列进行绘制第二距离变化曲线，基于将所述第二距离变化曲线中位于拐点处的所述第二距离作为基于所述停车时长的DBSCAN聚类模型的邻域半径。
5.根据权利要求1所述的方法，其特征在于，在所述记录所述目标车辆的车辆停车位置以及在所述车辆停车位置处的停车时长之前，还包括：
获取目标车辆的原始运行数据，基于所述原始运行数据确定目标运行数据，根据所述目标运行数据确定所述目标车辆的是否处于停车状态，其中，所述目标运行数据包括车速、发动机转速和点火开关位置信号。
6.根据权利要求5所述的方法，其特征在于，所述基于所述原始运行数据确定目标运行数据，包括：
基于所述原始运行数据对应的时间信息对所述原始运行数据进行排序，以及，基于预设的数据清洗方式对所述原始运行数据进行数据清洗，以获得目标运行数据；其中，所述数据清洗方式包括对小于预设数据长度数据的所述原始运行数据通过插值方法进行数据填充和/或对大于所述预设数据长度的所述原始运行数据进行数据剔除处理。
7.根据权利要求1所述的方法，其特征在于，在所述将所述质心位置对应的所述车辆停车位置作为所述目标车辆的车辆常驻停车点之后，还包括：
基于所述车辆常驻停车点获取与所述车辆常驻停车点之间的距离处于预设距离阈值内的目标区域数据，基于所述目标区域数据生成与所述目标车辆对应的车辆推荐信息。
8.一种车辆常驻停车点的确定装置，其特征在于，包括：
停车记录模块，用于在所述目标车辆的所述行驶状态为所述停车状态的情况下，记录所述目标车辆的车辆停车位置以及在所述车辆停车位置处的停车时长；
聚类处理模块，用于基于预设聚类算法对所述车辆停车位置和所述停车时长进行聚类处理得到目标位置聚类簇；
停车点确定模块，用于确定每个所述目标位置聚类簇的质心位置，将所述质心位置对应的所述车辆停车位置作为所述目标车辆的车辆常驻停车点。
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1-7中任一项所述的车辆常驻停车点的确定方法。
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1-7中任一项所述的车辆常驻停车点的确定方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311316821.1A CN117241212A (zh) | 2023-10-11 | 2023-10-11 | 车辆常驻停车点的确定方法、装置、设备以及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311316821.1A CN117241212A (zh) | 2023-10-11 | 2023-10-11 | 车辆常驻停车点的确定方法、装置、设备以及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117241212A true CN117241212A (zh) | 2023-12-15 |
Family
ID=89087880
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311316821.1A Pending CN117241212A (zh) | 2023-10-11 | 2023-10-11 | 车辆常驻停车点的确定方法、装置、设备以及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117241212A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117877313A (zh) * | 2024-03-12 | 2024-04-12 | 浙江宇泛精密科技有限公司 | 基于物联网感知的停车场管理方法及装置 |
| CN118627715A (zh) * | 2024-08-12 | 2024-09-10 | 中汽信息科技(天津)有限公司 | 一种商用车运输路线的计算方法、装置、介质及设备 |
-
2023
- 2023-10-11 CN CN202311316821.1A patent/CN117241212A/zh active Pending
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117877313A (zh) * | 2024-03-12 | 2024-04-12 | 浙江宇泛精密科技有限公司 | 基于物联网感知的停车场管理方法及装置 |
| CN117877313B (zh) * | 2024-03-12 | 2024-05-31 | 浙江宇泛精密科技有限公司 | 基于物联网感知的停车场管理方法及装置 |
| CN118627715A (zh) * | 2024-08-12 | 2024-09-10 | 中汽信息科技(天津)有限公司 | 一种商用车运输路线的计算方法、装置、介质及设备 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US10713939B2 (en) | Artificial intelligent systems and methods for predicting traffic accident locations | |
| US10847031B2 (en) | Parking occupancy estimation | |
| CN117241212A (zh) | 车辆常驻停车点的确定方法、装置、设备以及存储介质 | |
| CN105160880A (zh) | 一种车辆载客状态的预估方法及装置 | |
| CN110472999B (zh) | 基于地铁和共享单车数据的客流模式分析方法及装置 | |
| CN112598192B (zh) | 一种车辆进入物流园区的预测方法、装置、存储介质及终端 | |
| Li et al. | Robust inferences of travel paths from GPS trajectories | |
| CN113689125A (zh) | 信息推送方法和装置 | |
| CN116321004A (zh) | 一种确定目标位置的方法、装置、系统及存储介质 | |
| US9671232B2 (en) | Grid-based arrival time prediction | |
| CN113284337B (zh) | 基于车辆轨迹多维数据的od矩阵计算方法及装置 | |
| CN114331568A (zh) | 基于车联网的商用车细分市场识别方法、设备和介质 | |
| CN113344277A (zh) | 预测模型训练方法、状态更新方法、装置、设备和介质 | |
| WO2023241388A1 (zh) | 模型训练方法及装置、补能意图识别方法及装置、设备、介质 | |
| CN109446437B (zh) | 信息挖掘方法、装置、服务器及存储介质 | |
| CN116664025A (zh) | 装卸货位置点生成方法、装置及设备 | |
| CN115767715A (zh) | 数字钥匙区域定位方法、装置、车辆及存储介质 | |
| CN113704643B (zh) | 确定目标物体状态的方法、装置、电子设备以及存储介质 | |
| CN115062240A (zh) | 一种停车场排序方法、装置、电子设备和存储介质 | |
| CN115481170A (zh) | 一种车辆轨迹的处理方法、装置、电子设备及存储介质 | |
| CN115526837A (zh) | 一种异常行车检测方法、装置、电子设备以及介质 | |
| CN111798237B (zh) | 基于应用日志的异常交易诊断方法及系统 | |
| CN113469232A (zh) | 车辆用户分类方法、设备及计算机可读存储介质 | |
| CN113052397A (zh) | 上车信息的确定方法、装置、电子设备和存储介质 | |
| CN113360786A (zh) | 一种出行位置推荐方法及相关装置和系统 |
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 |