CN117709553B - 一种预测司机未来首个装货城市的方法 - Google Patents
一种预测司机未来首个装货城市的方法 Download PDFInfo
- Publication number
- CN117709553B CN117709553B CN202410155594.7A CN202410155594A CN117709553B CN 117709553 B CN117709553 B CN 117709553B CN 202410155594 A CN202410155594 A CN 202410155594A CN 117709553 B CN117709553 B CN 117709553B
- Authority
- CN
- China
- Prior art keywords
- driver
- city
- time
- positioning
- current
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 36
- 239000011159 matrix material Substances 0.000 claims abstract description 44
- 230000007704 transition Effects 0.000 claims abstract description 17
- 238000004519 manufacturing process Methods 0.000 claims abstract description 4
- 238000012546 transfer Methods 0.000 claims description 26
- 238000011156 evaluation Methods 0.000 claims description 6
- 238000012216 screening Methods 0.000 claims description 4
- 238000012937 correction Methods 0.000 claims description 3
- 230000015572 biosynthetic process Effects 0.000 claims description 2
- 239000002131 composite material Substances 0.000 claims description 2
- 230000006399 behavior Effects 0.000 description 23
- 238000013145 classification model Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 102100024607 DNA topoisomerase 1 Human genes 0.000 description 1
- 102100040401 DNA topoisomerase 3-alpha Human genes 0.000 description 1
- 101000830681 Homo sapiens DNA topoisomerase 1 Proteins 0.000 description 1
- 101000611068 Homo sapiens DNA topoisomerase 3-alpha Proteins 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000003542 behavioural effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Landscapes
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种预测司机未来首个装货城市的方法,该方法包括:获取司机的实时北斗数据,基于所述实时北斗数据判别司机的停运状态和当前轨迹,所述实时北斗数据包含司机的瞬时速度与瞬时位置信息;获取司机的历史北斗轨迹,利用所述历史北斗轨迹和司机的当前轨迹制作司机的状态转移概率矩阵,基于所述状态转移概率矩阵预测司机的下一出发城市;获取司机的实时行为数据,区分实时订单的履约状态,再基于履约状态,细化区分司机找货场景,根据场景和所述下一出发城市预测出司机未来首个装货城市。本发明根据货车司机的北斗轨迹信息,和线上行为数据,实现对货车司机下一装货城市的小时级预测,不实际依赖司机主动上报定位与找货意图。
Description
技术领域
本发明涉及数字处理技术领域,具体涉及一种预测司机未来首个装货城市的方法。
背景技术
为预测司机下一装货城市(找货城市意图),目前采用司机主动上报下一装货城市意图、根据历史行为统计推断或者模型预测的方法来实现。上述三种方法的具体内容及其缺点如下:
(1)司机主动上报下一装货城市意图:货车司机通过找货平台提供的软件服务上报自己的位置或找货意图。平台根据司机上报的意图给司机提供合适的货源。该方法的缺陷是上报成本高,司机覆盖率低。首先,平台无法大规模要求司机上报自己的找货意图,部分对平台依赖度较低的司机一般不愿意花费时间与精力上报自己的意图;此外,司机上报存在严肃性问题,完全依赖司机提供自身意愿的机制在司机不严肃时很难捕捉司机的真实意愿。
(2)根据历史行为统计推断:通过货车司机在找货平台上的历史找货记录,统计司机的偏好找货城市。例如,统计司机过去一段时间内最常出发的城市,作为对司机当前找货城市意图的推断。该方法的缺陷是推断逻辑较弱,时间粒度较粗。司机的历史行为是在货车司机在一个较长时间周期内的行为统计,无法较好反映司机当前的找货意愿。该方法没有利用司机的实时行为数据,例如在平台当日的点击,电话,成交行为,缺乏司机行为捕捉的跟随性和实时性。
(3)模型预测:使用司机的各类特征,基于历史轨迹数据确定到达城市作为目标,训练分类模型预测司机的到达地。但是司机到达地具有时序特点,但状态变化的发生时点距离观察点不定长,使用分类模型难以对该特性建模,或者需要对预测目标根据预测时间进行离散化,但面临数据稀疏性的挑战。
综上,行业内急需研发这一种能结合货运司机的历史和实时找货行为数据,综合预测司机的下一装货城市的方法。
发明内容
本发明的目的是为了克服以上现有技术存在的不足,提供了一种综合司机的实时行为数据和历史行为数据对司机进行小时级的找货城市意图推断的预测司机未来首个装货城市的方法。
本发明的目的通过以下的技术方案实现:
一种预测司机未来首个装货城市的方法包括:S1,获取司机的实时北斗数据,基于所述实时北斗数据判别司机的停运状态和当前轨迹,所述实时北斗数据包含司机的瞬时速度与瞬时位置信息;S2,获取司机的历史北斗轨迹,利用所述历史北斗轨迹和司机的当前轨迹制作司机的状态转移概率矩阵,基于所述状态转移概率矩阵预测司机的下一出发城市;S3,获取司机的实时行为数据,区分实时订单的履约状态,再基于履约状态,细化区分司机找货场景,根据场景和所述下一出发城市预测出司机未来首个装货城市。
优选地,步骤S1包括:对瞬时位置信息采用预设打点间隔进行打点,形成打点间距,基于司机的瞬时速度和当前打点间距,判断当前时刻为停车状态还是移动状态。
优选地,步骤S1还包括:根据司机基于北斗定位系统上报的瞬时位置信息计算司机在相邻两个定位点之间的距离;根据司机在相邻两个定位点之间的距离和所述司机的瞬时速度判断司机是否处于广义停车状态;其中,将司机的速度V>0或者定位漂移作为司机处于停车状态。
优选地,步骤S1还包括:若在包含当前定位时刻的连续三个定位时刻里,司机的瞬时速度均小于或者等于第一速度阈值,且每个定位时刻司机的瞬时定位距其相邻的上一个瞬时定位小于或者等于第一距离阈值,则将司机当前定位时刻打为停车标,判断为停车状态;或若在包含当前定位时刻的连续三个定位时刻中,至少有一个定位时刻距其前一个相邻定位时刻的间隔时间大于第一时间阈值,同时满足当前时刻的瞬时速度小于或者等于第一速度阈值且定位距离差小于或者等于第一距离阈值,则将司机判定为停车状态;若上述步骤均未命中一个轨迹打点,则将该时刻的轨迹打标为移动状态。
优选地,步骤S2包括:将司机北斗轨迹切割为城市,得到城市之间的有向边;构建转移矩阵;所述转移矩阵包括司机、出发城市、目的城市和频次;采用线上订单修正转移矩阵,将线上订单的出发地和到达地加入转移矩阵,将依据北斗轨迹得到的频次与线上订单频次中的较大值作为最终频次;基于司机当前轨迹,计算司机当前的出发城市;预测司机的当前到达城市,将当前到达城市作为下一出发城市。
优选地,所述步骤S2中的基于所述状态转移概率矩阵预测司机的下一出发城市包括:基于司机近一个月的北斗轨迹数据,确定司机历史停车点;去除所述历史停车点停车前后行驶方向一致,且停留时间小于第二时间阈值的停留点,去除GeoHash6区块内有加油站或服务区的停留点,去除和上一停留点距离第二距离阈值的停留点;基于筛选后的有效停留统计每个司机的历史路线频次,形成城市转移矩阵;根据司机北斗轨迹数据,确定司机当前最后一次停留的城市;基于司机当前最后一次停留的城市在所述城市转移矩阵中查询出下一出发地的可能城市,并去除当前司机正在远离的城市,得到下一出发地城市列表;在所述城市转移矩阵中查询到下一出发地城市的对应频次,确定出司机的下一出发城市。
优选地,所述步骤S3包括:根据司机的已成交未取消订单,关联司机北斗轨迹;在订单成交后,检测司机定位处于出发地围栏内的最早时间t1到最晚时间t2时间段内是否在出发地围栏长时间停车,并检测司机定位处于到达地围栏内的最早时间t3到最晚时间t4时间段内,是否在到达地围栏长时间停车,来判定订单履约情况;根据订单履约情况,判定司机场景;根据司机场景和所述下一出发城市预测出司机未来首个装货城。
优选地,步骤S3之后包括:建立预测司机未来首个装货城市的方法的评估指标,所述评估指标的公式为:查准率=基础事实数据获取T0中首单出发地与有出发地预测司机群体P中预测装货地一致的司机数量/基础事实数据获取T0;其中,有出发地预测司机群体P为满足车长、车型、位置信息等条件的目标匹配司机;基础事实数据获取T0为对有出发地预测司机群体P中司机,预测后未来24小时内有平台成交订单的司机集合。
优选地,步骤S1还包括:若当前时刻的停运状态与前一时刻停运状态、后一时刻停运状态均不同,则将前一时刻停运状态作为当前停运状态。
本发明相对于现有技术具有如下优点:
本发明根据货车司机的北斗轨迹信息,和线上行为数据,实现对货车司机下一装货城市的小时级预测,不实际依赖司机主动上报定位与找货意图。具体来说,本发明所涉及的方法包括基于北斗轨迹序列的停车点判别、司机运输轨迹的城市转移矩阵统计、基于司机实时行为的场景识别与推断验证等,据此预测司机未来的首个出发(装货)城市。预测司机下一装货城市的能力实际上反映了对司机找货城市意图的判断,通过该判断,货运撮合平台有能力为找货的司机提供更合理的货源推荐,提高为司机推荐货源的成功率与总体推荐效率,降低无效推荐对司机的骚扰,同时向货主提供与给定货源相匹配的、具备潜在意愿与接货能力的运力数量。
附图说明
构成本申请的一部分的说明书附图用来提供对本发明的进一步理解,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。
在附图中:
图1为本发明的预测司机未来首个装货城市的方法的流程示意图。
图2为本发明的判定司机场景的流程示意图。
具体实施方式
下面结合附图和实施例对本发明作进一步说明。
一种预测司机未来首个装货城市的方法包括:停车点判别策略、司机历史行为统计和基于转移矩阵的预测;图1为本发明的预测司机未来首个装货城市的方法的流程示意图。如图1所示,一种预测司机未来首个装货城市的方法包括:
S1,停车点判别策略:获取司机的实时北斗数据,基于所述实时北斗数据判别司机的停运状态和当前轨迹,所述实时北斗数据包含司机的瞬时速度与瞬时位置信息。本方法使用的北斗数据包含司机的瞬时速度与瞬时位置(Geohash7区块)信息,打点约5分钟一次,且可能有缺失。为后续预测需要,本方法需基于北斗轨迹判别司机当时是处于停止状态还是移动状态。若仅用瞬时速度判断,会出现长时状态被短暂状态打断的案例,轨迹切分不稳定,无法满足后续使用。结合轨迹数据中的瞬时速度与打点间距,以下“距离”指当前打点位置与上一个打点位置的距离、“时间间隔”指当前打点时间与上一个打点时间的间隔。
具体地,步骤S1包括:对瞬时位置信息采用预设打点间隔进行打点,形成打点间距,基于司机的瞬时速度和当前打点间距,判断当前时刻为停车状态还是移动状态。
进一步,步骤S1还包括:
S11,根据司机基于北斗定位系统上报的瞬时位置信息计算司机在相邻两个定位点之间的距离;根据司机在相邻两个定位点之间的距离和所述司机的瞬时速度判断司机是否处于广义停车状态;这里的广义停车状态指:即使司机有微弱的速度(速度V>0)或定位漂移,也认为司机处于停车状态。具体规则为:
若在包含当前定位时刻的连续三个定位时刻里,司机的瞬时速度均小于或者等于第一速度阈值(<=10km/h),且每个定位时刻司机的瞬时定位距其相邻的上一个瞬时定位小于或者等于第一距离阈值(<=1km),则将司机当前定位时刻打为停车标,判断为停车状态;即当前速度<=10且距离<=1km,且{【(t-1速度<=10且t-1距离<=1)且(t-2速度<=10且t-2距离<=1)且(t-3速度<=10且t-3距离<=1)】或【(t-1速度<=10且t-1距离<=1)且(t-2速度<=10且t-2距离<=1)且(t+1速度<=10且t-3距离<=1)】
或【(t-1速度<=10且t-1距离<=1)且(t+1速度<=10且t+1距离<=1)且(t+2速度<=10且t+2距离<=1)】或【(t+1速度<=10且t+1距离<=1)且(t+2速度<=10且t+2距离<=1)且(t+3速度<=10且t+3距离<=1)】},则将当前时刻打为停车标。
S12,对一名固定的司机来说,由于司机网络不佳或偶发的数据缺失。若在包含当前定位时刻的连续三个定位时刻中,至少有一个定位时刻距其前一个相邻定位时刻的间隔时间大于第一时间阈值,同时满足当前时刻的瞬时速度小于或者等于第一速度阈值(<=10km/h)且定位距离差小于或者等于第一距离阈值(<=1km),则将司机判定为停车状态;步骤S12在前后两次相邻北斗定位的时间间隔>=15分钟时,放松停车的判定条件。具体规则为:
若在包含当前定位时刻的连续三个定位时刻里,至少有一个定位时刻距其上一个定位时刻的时间差>=15分钟,则在当前时刻的瞬时速度<=10km/h,且距上一时刻的定位距离差<=1km,则将司机当前定位时刻打为停车标,认为其处于停车状态;即(兜打点缺失情况)当前速度<=10且距离<=1km,且【(时间间隔>=15min)或(t-1瞬时速度<=10且t-1距离<=1km且t-1时间间隔>=15min)或(t-2瞬时速度<=10且t-2距离<=1km且t-2时间间隔>=15min)或(t+1瞬时速度<=10且t+1距离<=1km且t+1时间间隔>=15min)或(t+2瞬时速度<=10且t+2距离<=1km且t+2时间间隔>=15min)】,则将当前时刻打为停车标。
在本实施例,若当前时刻的状态与前一时刻与后一时刻状态均不同,则将当前状态更改为前一时刻状态。
S13,若步骤S11,S12均未命中一个轨迹打点,则将该时刻的轨迹打标为移动状态。
本申请能减少短时异常状态,使得司机分段稳定清晰:减少误判司机行驶中的短时暂停情况(由于红绿灯等原因瞬时速度为0),避免行驶状态被短时暂停切分。避免停车状态被短距离移动切分。
在本实施例,步骤S1还包括:若当前时刻的停运状态与前一时刻停运状态、后一时刻停运状态均不同,则将前一时刻停运状态作为当前停运状态。
S2,司机历史行为统计—状态转移概率矩阵(以下简称“转移矩阵”),具体为:获取司机的历史北斗轨迹,利用所述历史北斗轨迹和司机的当前轨迹制作司机的状态转移概率矩阵,基于所述状态转移概率矩阵预测司机的下一出发城市;司货撮合平台是货车司机的找货渠道之一,司机存在线下接单的货源,这从平台订单列表中无法体现,但有机会从司机定位轨迹中挖掘。利用司机的历史定位轨迹与历史接单情况,本申请制作司机的转移矩阵。
更具体地,步骤S2包括:将司机北斗轨迹切割为城市,得到城市之间的有向边;构建转移矩阵;所述转移矩阵包括司机、出发城市、目的城市和频次;采用线上订单修正转移矩阵,将线上订单的出发地和到达地加入转移矩阵,将依据北斗轨迹得到的频次与线上订单频次中的较大值作为最终频次;基于司机当前轨迹,计算司机当前的出发城市;预测司机的当前到达城市,将当前到达城市作为下一出发城市。
在本实施例,所述步骤S2中的基于所述状态转移概率矩阵预测司机的下一出发城市包括:基于司机近一个月的北斗轨迹数据,确定司机历史停车点;去除所述历史停车点停车前后行驶方向一致,且停留时间小于第二时间阈值(<30min)的停留点,去除GeoHash6区块内有加油站或服务区的停留点,去除和上一停留点距离第二距离阈值(<20km)的停留点;基于筛选后的有效停留统计每个司机的历史路线频次,形成城市转移矩阵;根据司机近期(当天)北斗轨迹数据,确定司机当前最后一次停留的城市(上一出发城市。当前所在城市若不在矩阵中,则时间向前推寻找,最早不超过当天0点);基于司机当前最后一次停留的城市在所述城市转移矩阵中查询出下一出发地的可能城市,并去除当前司机正在远离的城市,得到下一出发地城市列表;在所述城市转移矩阵中查询到下一出发地城市的对应频次,确定出司机的下一出发城市的前三位。
S3,利用分治策略定义基于找货场景的完备推理规则,具体为:获取司机的实时行为数据,区分实时订单的履约状态,再基于履约状态,细化区分司机找货场景,根据场景和所述下一出发城市预测出司机未来首个装货城市。
本申请通过北斗轨迹序列的停车点判别、司机运输轨迹的城市转移矩阵统计、基于司机实时行为的场景识别与推断验证等,据此预测司机未来的首个出发(装货)城市,因此,本申请不依赖司机主动上报定位与找货意图,根据司机在平台的历史与实时行为数据,使用Spark小时级调度任务自动化预测司机下一装货城市。
本申请利用司机的实时行为数据,制定策略区分实时订单的履约状态,再基于履约状态,细化区分司机找货场景,根据场景提供最终预测结果,过程包括:
1.结合司机在平台的订单、app行为(点击详情)与北斗轨迹信息,识别关键场景;
2.根据不同场景使用不同的出发地预测规则;
3.通过提升场景识别的准确度、优化场景区分定义,实现预测出发地能力的提升
4.构成场景的几个维度:位置、时间、运动状态、线上订单状态、app行为。
在货运撮合平台活跃的司机,在表达对平台中的货源的承接意向后(具体的,在平台接单或向货主支付定金),能被归属到如下几个与履约该票实时订单相关的状态:
1、未开始履约。判定策略为:成交司机车辆历史轨迹没有找到成交时间后在装货地范围内长时间停留的状态记录
2、开始履约。判定策略为:成交时间之后,成交司机车辆历史轨迹匹配到在装货地范围长时间停留的状态记录
3、履约中。判定策略为:成交时间之后,成交司机车辆历史轨迹匹配到在装货地范围长时间停留的状态记录且匹配到在装货地范围停留结束后有离开装货地的运动轨迹记录.
4、完成履约。判定策略为:成交时间之后,成交司机车辆历史轨迹匹配到在装货地范围长时间停留的状态记录。且匹配到在装货地范围停留结束后有离开装货地的运动轨迹记录且匹配到在卸货地范围长时间停留的状态记录。
在货运撮合平台活跃的司机,无论当前是否表达过对平台中的货源的承接意向,都能被归属到如下几个与司机找货相关的状态:线上订单履约行驶中、行驶且去往下一订单装货地、无平台订单行驶中(找货中)、停车且在上一订单卸货地、停车且已离开上一卸货地、停车且去往装货地途中、停车且已到达装货地、停车且已到达卸货地、仅有当前位置。
更具体地,所述步骤S3包括:根据司机的已成交未取消订单,关联司机北斗轨迹;定义在订单成交后,司机定位处于出发地围栏(6km距离内)内的最早、最晚时间为t1、t2;处于到达地围栏(6km)内的最早、最晚时间为t3、t4;检测t1-t2时间段内,司机是否在出发地围栏长时间停车,t3-t4时间段内,司机是否在到达地围栏长时间停车;根据上述信息,判定订单履约情况,记司机最后一次北斗打点时间为t;判定司机场景;根据司机场景预测出首个装货城市。其中,判定司机场景的步骤为:若一名司机有多单关联,暂取创建时间最晚的订单判定司机场景。记该订单的履约状态为d,司机最后状态(停车/行驶)为status。规则如下:
(1)、整体预测逻辑如图2所示。订单履约情况判定规则如下:
(2)、司机场景判定规则:
(3)、基于司机场景的首个装货城市预测规则
其中,a为基于实时订单信息给出预测结果;b为基于司机实时点击行为信息给出预测结果;c为基于转移矩阵给出预测结果;复合的策略代号代表综合多种策略进行预测。
在本实施例,步骤S3之后包括:建立预测司机未来首个装货城市的方法的评估指标,所述评估指标的公式为:查准率=基础事实数据获取T0中首单出发地与有出发地预测司机群体P中预测装货地一致的司机数量/基础事实数据获取T0;其中,有出发地预测司机群体P为满足车长、车型、位置信息等条件的目标匹配司机;基础事实数据获取T0为对有出发地预测司机群体P中司机,预测后未来24小时内有平台成交订单的司机集合。
本发明相对于现有技术具有如下优点:
1、本申请不依赖司机主动上报定位与找货意图,根据司机在平台的历史与实时行为数据,使用Spark小时级调度任务自动化预测司机下一装货城市。
2、本申请能小时级捕捉货运司机在APP的实时找货行为,并据此调整预测结果,其精准性与跟随性好于仅使用历史数据统计的预测方法。
3、本申请计算复杂度小于模型法,在同样的资源开销下适合更大规模的司机群体的预测。
4、本申请在实际使用时获得较高的预测准确率,在企业用车业务粗召回的司机群体中,TOP1城市查准率70%,TOP3城市查准率87%。
上述具体实施方式为本发明的优选实施例,并不能对本发明进行限定,其他的任何未背离本发明的技术方案而所做的改变或其它等效的置换方式,都包含在本发明的保护范围之内。
Claims (6)
1.一种预测司机未来首个装货城市的方法,其特征在于,包括:
S1,获取司机的实时北斗数据,基于所述实时北斗数据判别司机的停运状态和当前轨迹,所述实时北斗数据包含司机的瞬时速度与瞬时位置信息,对所述瞬时位置信息采用预设打点间隔进行打点,形成打点间距,基于司机的瞬时速度和当前打点间距,判断当前时刻为停车状态还是移动状态;具体为,根据司机基于北斗定位系统上报的瞬时位置信息计算司机在相邻两个定位点之间的距离;根据司机在相邻两个定位点之间的距离和所述瞬时速度判断司机是否处于广义停车状态;若是,则再判断在包含当前定位时刻的连续三个定位时刻中,至少有一个定位时刻距其前一个相邻定位时刻的间隔时间大于第一时间阈值,同时满足当前时刻的瞬时速度小于或者等于第一速度阈值且定位距离差小于或者等于第一距离阈值,则将司机判定为停车状态;否则,司机处于移动状态;
S2,获取司机的历史北斗轨迹,利用所述历史北斗轨迹和司机的当前轨迹制作司机的状态转移概率矩阵,基于所述状态转移概率矩阵预测司机的下一出发城市;具体为,将司机的轨迹切割为城市,得到城市之间的有向边;构建转移概率矩阵;所述转移概率矩阵包括司机、出发城市、目的城市和频次;采用线上订单修正转移概率矩阵,将线上订单的出发地和到达地加入转移概率矩阵,将依据北斗轨迹得到的频次与线上订单频次中的较大值作为最终频次;基于司机当前轨迹,计算司机当前的出发城市;预测司机的当前到达城市,将当前到达城市作为下一出发城市;所述基于司机当前轨迹,计算司机当前的出发城市;预测司机的当前到达城市,将当前到达城市作为下一出发城市具体包括:基于司机近一个月的北斗轨迹数据,确定司机历史停车点;去除所述历史停车点停车前后行驶方向一致,且停留时间小于第二时间阈值的停留点,去除有加油站或服务区的停留点,去除和上一停留点距离第二距离阈值的停留点;基于筛选后的有效停留统计每个司机的历史路线频次,形成城市转移矩阵;根据司机近期北斗轨迹数据,确定司机当前最后一次停留的城市;基于司机当前最后一次停留的城市在所述城市转移矩阵中查询出下一出发地的可能城市,并去除当前司机正在远离的城市,得到下一出发地城市列表;在所述城市转移矩阵中查询到下一出发地城市的对应频次,确定出司机的下一出发城市的前三位;
S3,获取司机的实时行为数据,区分实时订单的履约状态,再基于履约状态,细化区分司机找货场景,根据场景,结合司机的实时订单信息与实时点击行为,和所述下一出发城市预测出司机未来首个装货城市;具体包括:根据司机的已成交未取消订单,关联司机北斗轨迹;定义在订单成交后,司机定位处于出发地围栏内的最早、最晚时间为t1、t2;处于到达地围栏内的最早、最晚时间为t3、t4;检测t1-t2时间段内,司机是否在出发地围栏长时间停车,t3-t4时间段内,司机是否在到达地围栏长时间停车,所述出发地围栏为以出发地为圆心6km之内的区域,所述到达地围栏为以到达地为圆心6km之内的区域;根据上述信息,判定订单履约情况,记司机最后一次北斗打点时间为t;判定司机场景;根据司机场景预测出首个装货城市;其中,判定司机场景的步骤为:若一名司机有多单关联,暂取创建时间最晚的订单判定司机场景;记该订单的履约状态为d,司机最后状态为status;订单履约状态判定规则如下:
司机场景判定规则如下:
基于司机场景的首个装货城市预测规则如下:
其中,a为基于实时订单信息给出预测结果;b为基于司机实时点击行为信息给出预测结果;c为基于转移矩阵给出预测结果;复合的策略代号代表综合多种策略进行预测;
2.根据权利要求1所述的预测司机未来首个装货城市的方法,其特征在于,步骤S1还包括:
根据司机基于北斗定位系统上报的瞬时位置信息计算司机在相邻两个定位点之间的距离;根据司机在相邻两个定位点之间的距离和所述司机的瞬时速度判断司机是否处于广义停车状态;其中,将司机的速度V>0或者定位漂移作为司机处于停车状态。
3.根据权利要求2所述的预测司机未来首个装货城市的方法,其特征在于,步骤S1还包括:若在包含当前定位时刻的连续三个定位时刻里,司机的瞬时速度均小于或者等于第一速度阈值,且每个定位时刻司机的瞬时定位距其相邻的上一个瞬时定位小于或者等于第一距离阈值,则将司机当前定位时刻打为停车标,判断为停车状态;
或
若在包含当前定位时刻的连续三个定位时刻中,至少有一个定位时刻距其前一个相邻定位时刻的间隔时间大于第一时间阈值,同时满足当前时刻的瞬时速度小于或者等于第一速度阈值且定位距离差小于或者等于第一距离阈值,则将司机判定为停车状态;
若上述步骤均未命中一个轨迹打点,则将该时刻的轨迹打标为移动状态。
4.根据权利要求1所述的预测司机未来首个装货城市的方法,其特征在于,所述步骤S2中的基于所述状态转移概率矩阵预测司机的下一出发城市包括:
基于司机近一个月的北斗轨迹数据,确定司机历史停车点;
去除所述历史停车点停车前后行驶方向一致,且停留时间小于第二时间阈值的停留点,去除GeoHash6区块内有加油站或服务区的停留点,去除和上一停留点距离第二距离阈值的停留点;
基于筛选后的有效停留统计每个司机的历史路线频次,形成城市转移矩阵;
根据司机北斗轨迹数据,确定司机当前最后一次停留的城市;
基于司机当前最后一次停留的城市在所述城市转移矩阵中查询出下一出发地的可能城市,并去除当前司机正在远离的城市,得到下一出发地城市列表;
在所述城市转移矩阵中查询到下一出发地城市的对应频次,确定出司机的下一出发城市。
5.根据权利要求1所述的预测司机未来首个装货城市的方法,其特征在于,步骤S3之后包括:建立预测司机未来首个装货城市的方法的评估指标,所述评估指标的公式为:查准率=基础事实数据获取T0中首单出发地与有出发地预测司机群体P中预测装货地一致的司机数量/基础事实数据获取T0;其中,
有出发地预测司机群体P为满足车长、车型、位置信息的目标匹配司机;
基础事实数据获取T0为对有出发地预测司机群体P中司机,预测后未来24小时内有平台成交订单的司机集合。
6.根据权利要求1所述的预测司机未来首个装货城市的方法,其特征在于,步骤S1还包括:若当前时刻的停运状态与前一时刻停运状态、后一时刻停运状态均不同,则将前一时刻停运状态作为当前停运状态。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410155594.7A CN117709553B (zh) | 2024-02-04 | 2024-02-04 | 一种预测司机未来首个装货城市的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410155594.7A CN117709553B (zh) | 2024-02-04 | 2024-02-04 | 一种预测司机未来首个装货城市的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117709553A CN117709553A (zh) | 2024-03-15 |
CN117709553B true CN117709553B (zh) | 2024-05-24 |
Family
ID=90148237
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410155594.7A Active CN117709553B (zh) | 2024-02-04 | 2024-02-04 | 一种预测司机未来首个装货城市的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117709553B (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105760958A (zh) * | 2016-02-24 | 2016-07-13 | 电子科技大学 | 一种基于车联网的车辆轨迹预测方法 |
CN113859266A (zh) * | 2021-10-12 | 2021-12-31 | 北京理工大学 | 一种非结构化道路目标车辆换道轨迹预测方法及系统 |
CN117236819A (zh) * | 2023-10-19 | 2023-12-15 | 江苏满运软件科技有限公司 | 货运车辆位置预测方法、装置、计算机设备及存储介质 |
-
2024
- 2024-02-04 CN CN202410155594.7A patent/CN117709553B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105760958A (zh) * | 2016-02-24 | 2016-07-13 | 电子科技大学 | 一种基于车联网的车辆轨迹预测方法 |
CN113859266A (zh) * | 2021-10-12 | 2021-12-31 | 北京理工大学 | 一种非结构化道路目标车辆换道轨迹预测方法及系统 |
CN117236819A (zh) * | 2023-10-19 | 2023-12-15 | 江苏满运软件科技有限公司 | 货运车辆位置预测方法、装置、计算机设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN117709553A (zh) | 2024-03-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107273520B (zh) | 一种基于货车监控数据的装卸货地点识别方法 | |
CN110047279B (zh) | 一种基于订单数据确定共享单车调度量的方法 | |
US20060089787A1 (en) | Traffic scheduling system | |
CN104318327A (zh) | 一种车辆轨迹预测分析方法 | |
JP6805296B2 (ja) | 輸送サービス方法および車両隊列運行方法、車両グループ運行システム、連携走行可能な自走式車両、グループ車両誘導機 | |
CN108765018A (zh) | 基于人车关联的自适应广告推送方法及系统 | |
CN113345225B (zh) | 基于v2v通信的物流车辆前方道路实时路况的预测方法及系统 | |
US20240132126A1 (en) | Intelligent railroad at-grade crossings | |
CN112819185A (zh) | 一种网约车拒载监测方法、装置及系统 | |
CN108133345B (zh) | 一种基于货车海量轨迹数据判断回程车的方法及系统 | |
CN117709553B (zh) | 一种预测司机未来首个装货城市的方法 | |
Bonomi et al. | Last Mile Delivery with Parcel Lockers: Evaluating the environmental impact of eco-conscious consumer behavior | |
CN109754606B (zh) | 一种基于出租车定位预测道路拥堵情况的方法 | |
CN113379159B (zh) | 基于灰色模型和马尔可夫决策过程的出租车司机寻客路线推荐方法 | |
CN111127882A (zh) | 一种基于大数据的旅游景区停车场来车数量预测方法 | |
CN109598472A (zh) | 一种基于物流行业的云车辆管理系统及方法 | |
CN116823083A (zh) | 一种关于网络货运的数字物流管理平台 | |
Kutlimuratov et al. | Impact of stops for bus delays on routes | |
CN111626495A (zh) | 基于云平台的作业调度系统 | |
Kaltsidis et al. | A decision support system for taxi drivers | |
CN113945958A (zh) | 一种基于出租车gps数据的路段中寻客状态车辆识别方法 | |
CN112885138A (zh) | 一种泊位系统及其使用方法 | |
CN113240927A (zh) | 针对线下停车场提供导航服务的导航控制系统 | |
Fei et al. | Optimizing the Composite Cost Involved in Road Motor‐Transporting Trucks by Taking into Account Traffic Condition | |
CN109584594A (zh) | 一种违章停车智能控制系统及其方法 |
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 |