CN117252633A - 一种基于车联网数据的工作地识别的营销方法及系统 - Google Patents
一种基于车联网数据的工作地识别的营销方法及系统 Download PDFInfo
- Publication number
- CN117252633A CN117252633A CN202311541085.XA CN202311541085A CN117252633A CN 117252633 A CN117252633 A CN 117252633A CN 202311541085 A CN202311541085 A CN 202311541085A CN 117252633 A CN117252633 A CN 117252633A
- Authority
- CN
- China
- Prior art keywords
- workplace
- longitude
- latitude
- vehicle
- occupation
- 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 54
- 238000007781 pre-processing Methods 0.000 claims abstract description 8
- 238000012216 screening Methods 0.000 claims description 16
- 238000012545 processing Methods 0.000 claims description 10
- 238000012800 visualization Methods 0.000 claims description 6
- 230000008030 elimination Effects 0.000 claims description 3
- 238000003379 elimination reaction Methods 0.000 claims description 3
- 230000000007 visual effect Effects 0.000 claims description 3
- 238000005516 engineering process Methods 0.000 abstract description 5
- 238000007405 data analysis Methods 0.000 abstract description 2
- 238000009412 basement excavation Methods 0.000 abstract 1
- 238000004458 analytical method Methods 0.000 description 3
- 238000006243 chemical reaction Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/29—Geographical information databases
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
- G06Q30/0204—Market segmentation
- G06Q30/0205—Location or geographical consideration
-
- 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
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Accounting & Taxation (AREA)
- Data Mining & Analysis (AREA)
- Development Economics (AREA)
- Finance (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Engineering & Computer Science (AREA)
- Economics (AREA)
- Game Theory and Decision Science (AREA)
- Databases & Information Systems (AREA)
- Marketing (AREA)
- Probability & Statistics with Applications (AREA)
- Remote Sensing (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供了一种基于车联网数据的工作地识别的营销方法,包括以下步骤:S1,获取车机端N天内的车辆所有行程记录数据,并对行程记录数据进行预处理得到行程停留终点的经纬度;通过结合车联网技术、地理定位技术、大数据分析和挖掘等技术手段,实现对单个车主工作地和职业以及工作班次的准确识别,并在此基础上,汇总大量车主的工作地信息,识别车主密集工作区域和该区域内的车主主导职业以及主要班次。利用车主的工作地位置,职业和工作班次信息推测车主的个人习惯,消费行为,有针对性的制定营销方案和策略。
Description
技术领域
本发明涉及大数据处理技术领域,更具体地说,涉及一种基于车联网数据的工作地识别的营销方法及系统。
背景技术
随着车联网技术的快速发展,车辆与互联网的连接已经成为现实。借助车联网技术,车辆的位置信息、行驶轨迹等数据可以被实时获取和利用。这为企业精准定位目标用户和开展个性化营销提供了新的机遇。
然而,传统的营销方法往往缺乏针对性,无法精确把握目标用户的需求和特点。而车主的工作地信息往往与其生活习惯、消费行为等紧密相关,因此车主工作地的识别成为精准营销的关键。
目前,通过激励性政策采用调研问卷的方式直接获取车主职业的方法在汽车存量市场不管扩大的今天已经不再适合,且人工填写的方式,其准确性无法验证,耗时长,更新时效无法保证。
发明内容
本发明要解决的技术问题在于,针对上述技术方案存在的不足,提供一种解决传统营销方法的不足,实现对目标用户的精准定位和个性化营销的基于车联网数据的工作地识别的营销方法。
本发明提供一种基于车联网数据的工作地识别的营销方法,所述方法包括以下步骤:
S1,获取车机端N天内的车辆所有行程记录数据,并对行程记录数据进行预处理得到行程停留终点的经纬度;
S2,采用DBSCAN对行程停留终点的经纬度进行密度聚类得到多个疑似工作地位置,并根据场景规则进行筛选得到每一辆车的最近工作地位置信息;
S3,根据车主工作地位置信息和行程目的地为工作地位置的行程信息,解析车主职业类型和工作班次;
S4,根据步骤S1、步骤S2与步骤S3得到的车主工作地的经纬度、职业类型与工作班次后进行识别车主在各省级区域、市级区域及自定义地图区域范围内的主要工作地点和大部分人群的职业类型以及主要工作班次。
本发明所述的基于车联网数据的工作地识别的营销方法中;所述步骤S2包括以下步骤:
S21,提取N天内车辆所有的行程终点的经纬度,并得到m个行程终点的经纬度集合,其中/>,/>为第i个行程终点的经度,/>为第i个行程终点的纬度;
S22,提取每次行程开始和结束时间,并计算车辆在m个行程终点的经纬度停留时长,其中/>。
本发明所述的基于车联网数据的工作地识别的营销方法中;所述步骤S2还包括以下步骤:
S23,对经纬度集合进行墨卡托转换后得到/>,其中/>,对/>进行DBSCAN聚类得/>,/>,其中,/>为聚类结果为a类的聚类点,j为该聚类类型的聚类数量,该聚类半径为r,最小聚类点数为num。
本发明所述的基于车联网数据的工作地识别的营销方法中;所述步骤S2还包括以下步骤:
S24,根据每个聚类点的聚类数量选取聚类量最多的前5个聚类类型得到TOP5={},以该聚类类型经纬度集合中的众数作为其中心点经纬度/>,故/>聚类类型的中心点经纬度为/>,其中,为/>经纬度序列的众数经纬度,其中,m为众数的索引,m∈(1,j)。
本发明所述的基于车联网数据的工作地识别的营销方法中;所述步骤S2还包括以下步骤:
S25,对聚类数量最多的前5个聚类类型中心点经纬度通过调用地图服务商的API,依次得到中心点的详细地理位置address和POI类型,将中心点位置为住宅区的经纬度进行剔除,对聚类类型中平均停留时长进行判断,剔除不具有工作地停留特点的聚类类型,并计算每个聚类类型的平均停留时长/>,其中,/>为聚类类型a的平均停留时长,/>为该聚类类型a的聚类点数量;若/>小于阈值下限/>,或大于阈值上限/>,则判断该聚类类型不具备工作地特点,并进行剔除;剔除后在剩余的p个候选点中选取聚类量最多的聚类类型作为工作地的经纬度,其中p<=5;则工作地具体的经纬度为该聚类类型的中心点位置/>,其中/>,且工作地具体位置为/>,POI类型为/>。
本发明所述的基于车联网数据的工作地识别的营销方法中;所述步骤S3包括以下步骤:
S31,根据标准化职业名称和典型工作场所关键字的标准化字典,对某个工作地点详细位置/>和poi类别/>进行提取关键字,其中,;其中/>为i职业名称,/>为i职业名称其典型工作场所的第m关键字。
本发明所述的基于车联网数据的工作地识别的营销方法中;所述步骤S3还包括以下步骤:
S32,将提取关键字与标准化字典进行对比,确认关键字所在的字典键,则该工作地为定义的键职业,若/>的关键字/>包括/>所定义的典型工作场所关键字,则认为该工作地对应的车主职业为/>。
本发明所述的基于车联网数据的工作地识别的营销方法中;所述步骤S3还包括以下步骤:
S33,提取工作地聚类类型中的全部行程信息得到以工作地为目的地的每段行程结束的时刻集合,其中/>为p工作地的第k个行程结束时刻,根据工作班次对每段行程的结束时刻划分早班、中班、晚班的分类标签。
本发明所述的基于车联网数据的工作地识别的营销方法中;所述步骤S4包括以下步骤:
S41,获取车主的工作地的经纬度、职业类型与工作班次,对每个行政区域内的全部车主工作地经纬度再进行DBSCAN密度聚类,获取聚类数量最多的聚类点作为该行政区域车主的密集工作区域,选取该聚类点中车主工作地经纬度的众数作为该区域车主密集工作区域的中心经纬度,该聚类点中的职业类型的众数为该工作区域内车主的主导职业。
根据本申请实施例的第二方面,提供一种基于车联网数据的工作地识别的营销系统,所述系统包括数据采集和处理模块、车主工作地筛选模块、车主工作职业和工作班次识别模块、密集区域和主导职业及主要班次识别模块与信息可视化模块,所述数据采集和处理模块用于获取车机端N天内的车辆所有行程记录数据,并对行程记录数据进行预处理得到行程停留终点的经纬度;所述车主工作地筛选模块用于采用DBSCAN对行程停留终点的经纬度进行密度聚类得到多个疑似工作地位置,并根据场景规则进行筛选得到每一辆车的最近工作地位置信息;所述车主工作职业和工作班次识别模块用于根据车主工作地位置信息和行程目的地为工作地位置的行程信息,解析车主职业类型和工作班次;所述密集区域和主导职业及主要班次识别模块用于根据数据采集和处理模块、车主工作地筛选模块、车主工作职业和工作班次识别模块得到的车主工作地的经纬度、职业类型与工作班次后进行识别车主在各省级区域、市级区域及自定义地图区域范围内的主要工作地点和大部分人群的职业类型以及主要工作班次;所述信息可视化模块用于将车主密集区域及其相对应的明细车主工作信息进行可视化展示。
本发明的基于车联网数据的工作地识别的营销方法通过结合车联网技术、地理定位技术、大数据分析和挖掘等技术手段,实现对单个车主工作地和职业以及工作班次的准确识别,并在此基础上,汇总大量车主的工作地信息,识别车主密集工作区域和该区域内的车主主导职业以及主要班次。利用车主的工作地位置,职业和工作班次信息推测车主的个人习惯,消费行为,有针对性的制定营销方案和策略。
附图说明
图1是本发明基于车联网数据的工作地识别的营销方法实施例的流程示意图;
图2是本发明基于车联网数据的工作地识别的营销系统的工作流程框图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
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。
如图1所示,是本发明一种基于车联网数据的工作地识别的营销方法实施例的流程示意图。提供一种基于车联网数据的工作地识别的营销方法,包括以下步骤:
在步骤S1中,获取车机端N天内的车辆所有行程记录数据,并对行程记录数据进行预处理得到行程停留终点的经纬度;N可以根据实际场景设置,本实施例中N=90。
在步骤S1中预处理包括以下:1)通过车联网系统获取车辆所有行程的相关信息,具体包括但不限于行程起点,终点,行程开始和结束时间,行程结束停留的经纬度位置。
2)对车辆的经纬度坐标统一和转换,将获取的行程结束的经纬度统一坐标系,同时车辆经纬度为WGS84坐标系,一般需要将车辆经纬度WGS84坐标转换为常用GCJ02坐标系,剔除缺失经纬度进行剔除缺失经纬度数据。
3)对于经纬度超出地球范围的异常点进行剔除,比如经度为0或者纬度为0的经纬度。
在步骤S2中,采用DBSCAN对行程停留终点的经纬度进行密度聚类得到多个疑似工作地位置,并根据场景规则进行筛选得到每一辆车的最近工作地位置信息;
在步骤S3中,根据车主工作地位置信息和行程目的地为工作地位置的行程信息,解析车主职业类型和工作班次;
在步骤S4中,根据步骤S1、步骤S2与步骤S3得到的车主工作地的经纬度、职业类型与工作班次后进行识别车主在各省级区域、市级区域及自定义地图区域范围内的主要工作地点和大部分人群的职业类型以及主要工作班次。
本发明所述的基于车联网数据的工作地识别的营销方法中;所述步骤S2包括以下步骤:
在步骤S21中,提取N天内车辆所有的行程终点的经纬度,并得到m个行程终点的经纬度集合,其中/>,/>为第i个行程终点的经度,/>为第i个行程终点的纬度;
在步骤S22中,提取每次行程开始和结束时间,并计算车辆在m个行程终点的经纬度停留时长,其中/>。
本发明所述的基于车联网数据的工作地识别的营销方法中;所述步骤S2还包括以下步骤:
在步骤S23中,对经纬度集合进行墨卡托转换后得到/>,其中/>,对/>进行DBSCAN聚类得/>,/>,其中,/>为聚类结果为a类的聚类点,j为该聚类类型的聚类数量,该聚类半径为r,最小聚类点数为num。在本实施例中,r=200米,num=5。
在一实施例中,所述步骤S2还包括以下步骤:
在步骤S24中,根据每个聚类点的聚类数量选取聚类量最多的前5个聚类类型得到TOP5={},以该聚类类型经纬度集合中的众数作为其中心点经纬度/>,故/>聚类类型的中心点经纬度为/>,其中,/>为/>为经纬度序列的众数经纬度,其中,m为众数的索引,m∈(1,j)。
在一实施例中,所述步骤S2还包括以下步骤:
在步骤S25中,对聚类数量最多的前5个聚类类型中心点经纬度通过调用地图服务商的API,依次得到中心点的详细地理位置address和POI类型,将中心点位置为住宅区的经纬度进行剔除,对聚类类型中平均停留时长进行判断,剔除不具有工作地停留特点的聚类类型,并计算每个聚类类型的平均停留时长/>,其中,/>为聚类类型a的平均停留时长,/>为该聚类类型a的聚类点数量;若/>小于阈值下限/>,或大于阈值上限/>,则判断该聚类类型不具备工作地特点,并进行剔除;剔除后在剩余的p个候选点中选取聚类量最多的聚类类型作为工作地的经纬度,其中p<=5;则工作地具体的经纬度为该聚类类型的中心点位置/>,其中/>,且工作地具体位置为/>,POI类型为/>。
具体的对中心点位置为住宅区的经纬度做剔除,目的是防止该位置是车主的家所在地,主要是判断POI类型和详细地址中是否包括住宅,小区等关键字,具体实施为IF (POIlike 商务住宅|小区) or (address like 商务住宅|小区) then 1 ELSE 0。对于工作地刚好在小区的的复杂样本,为了排除干扰,一并剔除。在本实施例中,设置=3小时,/>=12小时。
通过上述经纬度聚类和场景规则筛选后,可个性化动态获取每一辆车的最近工作地信息和历史工作地信息,设置合适的更新周期和计算周期,即使车主工作地发生变动,该方法也可以较快速的同步更新其工作地信息。
在一实施例中,所述步骤S3包括以下步骤:
在步骤S31中,根据标准化职业名称和典型工作场所关键字的标准化字典,对某个工作地点详细位置/>和poi类别/>进行提取关键字,其中,;其中/>为i职业名称,/>为i职业名称其典型工作场所的第m关键字。比如医护,其典型工作场所名称一般为:医院,卫生服务中心,医疗保健服务等;教师,其典型工作场所名称一般为:小学,中学,大学,科教文化服务等。比如:address=xx省xx市xx人民医院,因包括“医院”关键字,可认为车主职业为医护。
在一实施例中,所述步骤S3还包括以下步骤:
在步骤S32中,将提取关键字与标准化字典进行对比,确认关键字所在的字典键,则该工作地为定义的键职业,若/>的关键字/>包括/>所定义的典型工作场所关键字,则认为该工作地对应的车主职业为/>。
需要说明的是通过关键字检索标准化字典只是本申请中确定职业类别的其中一种方法,若要增加分类精度亦可通过NLP领域相关分类模型进行训练和预测。
在一实施例中,所述步骤S3还包括以下步骤:
在步骤S33中,提取工作地聚类类型中的全部行程信息得到以工作地为目的地的每段行程结束的时刻集合,其中/>为p工作地的第k个行程结束时刻,根据工作班次对每段行程的结束时刻划分早班、中班、晚班的分类标签。比如将10点之前的行程定义为早班行程,10-17点的行程定义为中班行程,17:00之后的行程定义为晚班行程。按照此规则,可获得时刻集合对应的分类班次集合,取班次集合的众数确定为该车主的工作班次。
在一实施例中,所述步骤S4包括以下步骤:
在步骤S41中,S41,获取车主的工作地的经纬度、职业类型与工作班次,对每个行政区域内的全部车主工作地经纬度再进行DBSCAN密度聚类,获取聚类数量最多的聚类点作为该行政区域车主的密集工作区域,选取该聚类点中车主工作地经纬度的众数作为该区域车主密集工作区域的中心经纬度,该聚类点中的职业类型的众数为该工作区域内车主的主导职业。
需要说明的是此处的聚类数量和聚类半径可根据实际的营销方案和车主的工作地设置,使其既满足营销人群的数量也满足聚类精度要求。其中聚类数量为和聚类半径为/>;本实施例中,设置/>=500米,/>=50。
通过上述步骤,可以很容易的为精准营销提供营销方案上的支持,比如根据密集工作区域,选择广告投放地点。根据密集工作区域和主导职业以及主导班次,分析主导职业的营销需求,制定该职业的定制化方案,选择适当的时间到所在区域做营销活动等。
如图2所示,具体的,根本申请实施例还提供一种基于车联网数据的工作地识别的营销系统,所述系统包括数据采集和处理模块、车主工作地筛选模块、车主工作职业和工作班次识别模块、密集区域和主导职业及主要班次识别模块与信息可视化模块,所述数据采集和处理模块用于获取车机端N天内的车辆所有行程记录数据,并对行程记录数据进行预处理得到行程停留终点的经纬度;所述车主工作地筛选模块用于采用DBSCAN对行程停留终点的经纬度进行密度聚类得到多个疑似工作地位置,并根据场景规则进行筛选得到每一辆车的最近工作地位置信息;所述车主工作职业和工作班次识别模块用于根据车主工作地位置信息和行程目的地为工作地位置的行程信息,解析车主职业类型和工作班次;所述密集区域和主导职业及主要班次识别模块用于根据数据采集和处理模块、车主工作地筛选模块、车主工作职业和工作班次识别模块得到的车主工作地的经纬度、职业类型与工作班次后进行识别车主在各省级区域、市级区域及自定义地图区域范围内的主要工作地点和大部分人群的职业类型以及主要工作班次;所述信息可视化模块用于将车主密集区域及其相对应的明细车主工作信息进行可视化展示。
具体的,对步骤S21中获得的经纬度集合L进行墨卡托转换;具体具体转换过程为:首先根据L坐标集合逐一生成与其对应的墨卡托坐标系下的坐标集合;以中的WGS84坐标系下的/>为例:
将WGS84经纬度坐标转换为其对应的弧度表示为
;/>;
使用公式计算墨卡托投影的x坐标;使用/>公式计算墨卡托投影的Y坐标;其中,R为地球平均半径,R=6378137米,/>= 3.141592653589;经过上述转换,L经纬度集合的坐标集合转换为。
将进行聚类,聚类后会得到s个聚类类型(/>),每个相同聚类类型中的原始经纬度总满足:任意取一个经纬度(/>,在和其同一个聚类类型的经纬度集合中,总能找到另一个经纬度(/>,满足(/>与(/>的距离小于等于r。
本发明实施例提供的一种基于车联网数据的工作地识别的营销方法的有益效果至少在于:
1、通过预测车主的工作地,可以更准确地定位目标用户,了解其所在地区的消费习惯、需求特点等信息,为企业提供更精准的市场研究和营销策略。
2、基于车主工作地的识别进而识别其职业和工作班次,可以为企业提供个性化营销服务。通过了解车主所在地区的特点,职业特点,工作班次特点,企业可以针对性地制定推广活动、优惠政策等,提高用户参与度和满意度。
3、通过车主工作地的识别,进而获取大量车主密集型工作区域和主导职业,并基于这些数据的分析,企业可以进行市场趋势分析、主要消费人群特点分析,从而结合当地特点完善市场定位。
需要说明的是,对于前述的各方法实施例,为了简单描述,故将其都表述为一系列的动作组合,但是本领域技术人员应该知悉,本发明并不受所描述的动作顺序的限制,因为依据本发明,某些步骤可以采用其他顺序或者同时进行。其次,本领域技术人员也应该知悉,说明书中所描述的实施例均属于优选实施例,所涉及的动作和模块并不一定是本发明所必须的。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到根据上述实施例的方法可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件,但很多情况下前者是更佳的实施方式。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软 件产品的形式体现出来,该计算机软件产品存储在一个存储介质(如 ROM/RAM、磁碟、光盘)中,包括若干指令用以使得一台终端设备(可以是手机,计算机,服务器,或者网络设备等)执行本发明各个实施例所述的方法。
因此,以上所述,仅为本发明较佳的具体实施方式,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,可轻易想到的变化或替换,都应涵盖在本发明的保护范围之内,本发明的保护范围应该以权利要求的保护范围为准。
Claims (10)
1.一种基于车联网数据的工作地识别的营销方法,其特征在于,所述方法包括以下步骤:
S1,获取车机端N天内的车辆所有行程记录数据,并对行程记录数据进行预处理得到行程停留终点的经纬度;
S2,采用DBSCAN对行程停留终点的经纬度进行密度聚类得到多个疑似工作地位置,并根据场景规则进行筛选得到每一辆车的最近工作地位置信息;
S3,根据车主工作地位置信息和行程目的地为工作地位置的行程信息,解析车主职业类型和工作班次;
S4,根据步骤S1、步骤S2与步骤S3得到的车主工作地的经纬度、职业类型与工作班次后进行识别全国的车主在各个行政区域内主要的工作地点和大部分人群的职业类型以及主要工作班次。
2.根据权利要求1所述的基于车联网数据的工作地识别的营销方法,其特征在于,所述步骤S2包括以下步骤:
S21,提取N天内车辆所有的行程终点的经纬度,并得到m个行程终点的经纬度集合,其中/>,/>为第i个行程终点的经度,/>为第i个行程终点的纬度;
S22,提取每次行程开始和结束时间,并计算车辆在m个行程终点的经纬度停留时长,其中/>。
3.根据权利要求2所述的基于车联网数据的工作地识别的营销方法,其特征在于,所述步骤S2还包括以下步骤:
S23,对经纬度集合进行墨卡托转换后得到/>,其中/>,对进行DBSCAN聚类得/>,/>,其中,/>为聚类结果为a类的聚类点,j为该聚类类型的聚类数量,该聚类半径为r,最小聚类点数为num。
4.根据权利要求3所述的基于车联网数据的工作地识别的营销方法,其特征在于,所述步骤S2还包括以下步骤:
S24,根据每个聚类点的聚类数量选取聚类量最多的前5个聚类类型得到TOP5={},以该聚类类型经纬度集合中的众数作为其中心点经纬度/>,故/>聚类类型的中心点经纬度为/>,其中,为/>为经纬度序列的众数经纬度,其中,m为众数的索引,m∈(1,j)。
5.根据权利要求4所述的基于车联网数据的工作地识别的营销方法,其特征在于,所述步骤S2还包括以下步骤:
S25,对聚类数量最多的前5个聚类类型中心点经纬度通过调用地图服务商的API,依次得到中心点的详细地理位置address和POI类型,将中心点位置为住宅区的经纬度进行剔除,对聚类类型中平均停留时长进行判断,剔除不具有工作地停留特点的聚类类型,并计算每个聚类类型的平均停留时长/>,其中,/>为聚类类型a的平均停留时长,/>为该聚类类型a的聚类点数量;若/>小于阈值下限/>,或大于阈值上限/>,则判断该聚类类型不具备工作地特点,并进行剔除;剔除后在剩余的p个候选点中选取聚类量最多的聚类类型作为工作地的经纬度,其中p<=5;则工作地具体的经纬度为该聚类类型的中心点位置/>,其中/>,且工作地具体位置为/>,POI类型为/>。
6.根据权利要求5所述的基于车联网数据的工作地识别的营销方法,其特征在于,所述步骤S3包括以下步骤:
S31,根据标准化职业名称和典型工作场所关键字的标准化字典,对某个工作地点详细位置/>和poi类别/>进行提取关键字,其中,;其中/>为i职业名称,/>为i职业名称其典型工作场所的第m关键字。
7.根据权利要求6所述的基于车联网数据的工作地识别的营销方法,其特征在于,所述步骤S3还包括以下步骤:
S32,将提取关键字与标准化字典进行对比,确认关键字所在的字典键,则该工作地为定义的键职业,若/>的关键字/>包括/>所定义的典型工作场所关键字,则认为该工作地对应的车主职业为/>。
8.根据权利要求7所述的基于车联网数据的工作地识别的营销方法,其特征在于,所述步骤S3还包括以下步骤:
S33,提取工作地聚类类型中的全部行程信息得到以工作地为目的地的每段行程结束的时刻集合,其中/>为p工作地的第k个行程结束时刻,根据工作班次对每段行程的结束时刻划分早班、中班、晚班的分类标签。
9.根据权利要求8所述的基于车联网数据的工作地识别的营销方法,其特征在于,所述步骤S4包括以下步骤:
S41,获取车主的工作地的经纬度、职业类型与工作班次,对每个行政区域内的全部车主工作地经纬度再进行DBSCAN密度聚类,获取聚类数量最多的聚类点作为该行政区域车主的密集工作区域,选取该聚类点中车主工作地经纬度的众数作为该区域车主密集工作区域的中心经纬度,该聚类点中的职业类型的众数为该工作区域内车主的主导职业。
10.一种基于车联网数据的工作地识别的营销系统,其特征在于,所述系统包括数据采集和处理模块、车主工作地筛选模块、车主工作职业和工作班次识别模块、密集区域和主导职业及主要班次识别模块与信息可视化模块,所述数据采集和处理模块用于获取车机端N天内的车辆所有行程记录数据,并对行程记录数据进行预处理得到行程停留终点的经纬度;所述车主工作地筛选模块用于采用DBSCAN对行程停留终点的经纬度进行密度聚类得到多个疑似工作地位置,并根据场景规则进行筛选得到每一辆车的最近工作地位置信息;所述车主工作职业和工作班次识别模块用于根据车主工作地位置信息和行程目的地为工作地位置的行程信息,解析车主职业类型和工作班次;所述密集区域和主导职业及主要班次识别模块用于根据数据采集和处理模块、车主工作地筛选模块、车主工作职业和工作班次识别模块得到的车主工作地的经纬度、职业类型与工作班次后进行识别车主在各省级区域、市级区域及自定义地图区域范围内的主要工作地点和大部分人群的职业类型以及主要工作班次;所述信息可视化模块用于将车主密集区域及其相对应的明细车主工作信息进行可视化展示。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311541085.XA CN117252633A (zh) | 2023-11-20 | 2023-11-20 | 一种基于车联网数据的工作地识别的营销方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311541085.XA CN117252633A (zh) | 2023-11-20 | 2023-11-20 | 一种基于车联网数据的工作地识别的营销方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117252633A true CN117252633A (zh) | 2023-12-19 |
Family
ID=89128086
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311541085.XA Pending CN117252633A (zh) | 2023-11-20 | 2023-11-20 | 一种基于车联网数据的工作地识别的营销方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117252633A (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106407277A (zh) * | 2016-08-26 | 2017-02-15 | 北京车网互联科技有限公司 | 一种基于车联网数据对车主驻留点聚类后的属性分析方法 |
CN108255944A (zh) * | 2017-12-12 | 2018-07-06 | 北京荣之联科技股份有限公司 | 确定用户的居住地和工作地的方法和装置 |
WO2020052152A1 (zh) * | 2018-09-13 | 2020-03-19 | 深圳壹账通智能科技有限公司 | 用户常驻地判断方法、装置、设备及计算机可读存储介质 |
CN111190984A (zh) * | 2019-12-30 | 2020-05-22 | 上海炬宏信息技术有限公司 | 职住地提取方法、装置及计算机可读存储介质 |
CN117056620A (zh) * | 2023-08-02 | 2023-11-14 | 支付宝(杭州)信息技术有限公司 | 一种基于职业信息处理业务的方法、装置、设备及介质 |
CN117056823A (zh) * | 2023-07-24 | 2023-11-14 | 东南大学 | 一种识别共享单车通勤用户职业类型的方法及系统 |
-
2023
- 2023-11-20 CN CN202311541085.XA patent/CN117252633A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106407277A (zh) * | 2016-08-26 | 2017-02-15 | 北京车网互联科技有限公司 | 一种基于车联网数据对车主驻留点聚类后的属性分析方法 |
CN108255944A (zh) * | 2017-12-12 | 2018-07-06 | 北京荣之联科技股份有限公司 | 确定用户的居住地和工作地的方法和装置 |
WO2020052152A1 (zh) * | 2018-09-13 | 2020-03-19 | 深圳壹账通智能科技有限公司 | 用户常驻地判断方法、装置、设备及计算机可读存储介质 |
CN111190984A (zh) * | 2019-12-30 | 2020-05-22 | 上海炬宏信息技术有限公司 | 职住地提取方法、装置及计算机可读存储介质 |
CN117056823A (zh) * | 2023-07-24 | 2023-11-14 | 东南大学 | 一种识别共享单车通勤用户职业类型的方法及系统 |
CN117056620A (zh) * | 2023-08-02 | 2023-11-14 | 支付宝(杭州)信息技术有限公司 | 一种基于职业信息处理业务的方法、装置、设备及介质 |
Non-Patent Citations (3)
Title |
---|
刘丽萍;: "墨卡托投影与高斯投影的坐标转换研究", 中国新技术新产品, no. 04, 28 February 2013 (2013-02-28), pages 13 - 14 * |
吴忠性等编著: "数学制图学原理", 30 June 1989, 测绘出版社, pages: 349 - 350 * |
聂良涛等: "基于网络地理信息服务的选线数字地形获取方法", 西南交通大学学报, vol. 50, no. 5, 31 October 2015 (2015-10-31), pages 803 - 810 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zhong et al. | Inferring building functions from a probabilistic model using public transportation data | |
Rosero-Bixby | Spatial access to health care in Costa Rica and its equity: a GIS-based study | |
Richardson et al. | Survey methods for transport planning | |
Martin et al. | Taking the bus: incorporating public transport timetable data into health care accessibility modelling | |
Jacobs et al. | Completeness of citizen science biodiversity data from a volunteered geographic information perspective | |
Gesler et al. | Use of mapping technology in health intervention research | |
Wittich et al. | Recommending plant taxa for supporting on-site species identification | |
Christensen | The role of web interviews as part of a national travel survey | |
CN112380425A (zh) | 社区推荐方法、系统、计算机设备及存储介质 | |
Mukherjee et al. | A comprehensive review of trip generation models based on land use characteristics | |
Santala et al. | On the potential of social media data in urban planning: Findings from the beer street in curitiba, brazil | |
CN112836146B (zh) | 一种基于网络消息的地理空间坐标信息获取方法及装置 | |
Quinn | A geolinguistic approach for comprehending local influence in OpenStreetMap | |
Drackley et al. | Defining socially-based spatial boundaries in the Region of Peel, Ontario, Canada | |
Chow et al. | Spatial mining of migration patterns from web demographics | |
Goodspeed et al. | Assessing the value of new big data sources for transportation planning: Benton Harbor, Michigan case study | |
Zhou et al. | Delineating race-specific driving patterns for identifying racial segregation | |
Tao et al. | Big data applications in urban transport research in Chinese cities: an overview | |
CN117252633A (zh) | 一种基于车联网数据的工作地识别的营销方法及系统 | |
Thériault et al. | Web versus pencil-and-paper surveys of weekly mobility: conviviality, technical and privacy issues | |
CN112785163A (zh) | 职业识别方法、装置、设备及介质 | |
Son et al. | Noncoverage errors in travel surveys due to mobile phone–only households | |
Ong et al. | Mobility, Accessibility and Disadvantaged Neighborhoods: Assessing Diversity in Transportation-Related Needs and Opportunities | |
Tanser | The application of geographical information systems to infectious diseases and health systems in Africa. | |
Cooper | Using geotagged Twitter data to uncover hidden church populations |
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 |