TWI667582B - 基於大數據的行駛路線分析系統及其分析方法 - Google Patents
基於大數據的行駛路線分析系統及其分析方法 Download PDFInfo
- Publication number
- TWI667582B TWI667582B TW107121074A TW107121074A TWI667582B TW I667582 B TWI667582 B TW I667582B TW 107121074 A TW107121074 A TW 107121074A TW 107121074 A TW107121074 A TW 107121074A TW I667582 B TWI667582 B TW I667582B
- Authority
- TW
- Taiwan
- Prior art keywords
- pixel
- big data
- driving
- route
- maps
- Prior art date
Links
Landscapes
- Traffic Control Systems (AREA)
- Navigation (AREA)
Abstract
一種基於大數據的行駛路線分析系統,其可包含記錄器及大數據分析平台。記錄器可記錄車輛之位置資訊及時間資訊。大數據分析平台可根據地圖、位置資訊及時間資訊產生車輛在一時間區間內的複數個行駛軌跡圖。其中,大數據分析平台可將各個行駛軌跡圖轉換為灰階圖,並可計算各個灰階圖之每一像素之特徵值,以產生各個行駛軌跡圖之圖像指紋,再可對該些行駛軌跡圖之該些圖像指紋進行兩兩比較以判斷該些行駛軌跡圖是否為同一路線,並產生分析結果。
Description
本發明係有關於一種行駛路線分析系統,特別是一種基於大數據的行駛路線分析系統。本發明還涉及此基於大數據的行駛路線分析系統之分析方法。
一般而言,汽車保險產品通常是根據使用者的年齡及性別等數據來計算保費;然而,由於近年來大數據技術愈趨成熟,採用大數據分析的汽車保險產品也成為了未來的趨勢。
例如,使用者可以在車上安裝車載診斷系統(On-board diagnostic system),而車載診斷系統可記錄關於使用者平時開車習慣的數據,產險公司就可分析這些數據以計算保費。為了能夠滿足不同的需求,保險公司需要提供多種計算保費的參考因子使其可以提供客製化的汽車保險產品,而其中一種計算保費的參考因子為使用者行駛於固定路線的頻率;然而,目前的車載診斷系統及其它相關的技術並無法有效地計算使用者行駛於固定路線的頻率,故目前並無法根據此參考因子來精確地計算保費。
因此,如何提出一種分析系統,能夠有效地計算使用者行駛於固定路線的頻率已成為一個刻不容緩的問題。
有鑑於上述習知技藝之問題,本發明之其中一目的就是在提供一種基於大數據的行駛路線分析系統及其分析方法,以有效地計算使用者行駛於固定路線的頻率。
根據本發明之其中一目的,提出一種基於大數據的行駛路線分析系統,其可包含記錄器及大數據分析平台。記錄器可記錄車輛之位置資訊及時間資訊。大數據分析平台可根據位置資訊及時間資訊產生車輛在一時間區間內的複數個行駛路線。其中,大數據分析平台可根據各個行駛路線之總里程數將該些行駛路線分為複數個群組,並可根據各個群組之各個行駛路線之總行駛時間將各個群組分為複數個子群組,大數據分析平台可再對各個該子群組之該些行駛路線之實際距離進行兩兩比較以判斷各個子群組之該些行駛路線是否為同一路線,並可產生分析結果。
根據本發明之其中一目的,再提出一種基於大數據的行駛路線分析系統,其可包含記錄器及大數據分析平台。記錄器可記錄車輛之位置資訊及時間資訊。大數據分析平台可根據地圖、位置資訊及時間資訊產生車輛在一時間區間內的複數個行駛軌跡圖。其中,大數據分析平台可將各個行駛軌跡圖轉換為灰階圖,並可計算各個灰階圖之每一像素之特徵值,以產生各個行駛軌跡圖之圖像指紋,再可根據任一個行駛軌跡圖之圖像指紋與另一個行駛軌跡圖之圖像指紋值判斷的比對以判斷二者是否為同一路線,並可產生分析結果。
根據本發明之其中一目的,再提出一種行駛路線分析方法,其可包含下列步驟:記錄車輛之位置資訊及時間資訊;根據地圖、位置資訊及時間資訊產生車輛在一時間區間內的複數個行駛軌跡圖;將各個行駛軌跡圖轉換為灰階圖;計算各個灰階圖之每一像素之特徵值以產生各個行駛軌跡圖之圖像指紋;以及根據任一個行駛軌跡圖之圖像指紋與另一個行駛軌跡圖之圖像指紋的比對以判斷二者是否為同一路線,並產生分析結果。
承上所述,依本發明之基於大數據的行駛路線分析系統及其分析方法,其可具有一或多個下述優點:
(1)本發明之一實施例中,基於大數據的行駛路線分析系統可收集一車輛之位置資訊及時間資訊,並透過特殊的機制針對上述位置資訊及時間資訊進行進一步的分析以產生分析結果,因為可更為精確地判斷使用者行駛於固定路線的頻率,以做為車聯網產險計算保費的參考因子。
(2)本發明之一實施例中,基於大數據的行駛路線分析系統可精確地判斷使用者是否行駛於固定的路線,因此不但可應用於計算保費,更可應用於車隊管理系統及其它各種物聯網相關應用,故應用上極為廣泛。
(3)本發明之一實施例中,基於大數據的行駛路線分析系統可透過視覺化的介面來顯示分析結果,故可提供更為人性化的人機介面,使用上更為方便。
(4)本發明之一實施例中,基於大數據的行駛路線分析系統可將收集到的數據進行清洗,故可進一步提高系統的精確度。
(5)本發明之一實施例中,基於大數據的行駛路線分析系統不但可透過即時式處理來收集及分析數據,更可透過批次處理及交互式處理等方式來收集及分析數據,因此可在不耗費大量系統資源的前提下達到所欲達到的功效。
以下將參照相關圖式,說明依本發明之基於大數據的行駛路線分析系統及其分析方法之實施例,為了清楚與方便圖式說明之故,圖式中的各部件在尺寸與比例上可能會被誇大或縮小地呈現。在以下描述及/或申請專利範圍中,當提及元件「連接」或「耦合」至另一元件時,其可直接連接或耦合至該另一元件或可存在介入元件;而當提及元件「直接連接」或「直接耦合」至另一元件時,不存在介入元件,用於描述元件或層之間之關係之其他字詞應以相同方式解釋。為使便於理解,下述實施例中之相同元件係以相同之符號標示來說明。
請參閱第1圖及第2圖,其係為本發明之基於大數據的行駛路線分析系統之第一實施例之方塊圖及示意圖。如第1圖所示,基於大數據的行駛路線分析系統1可包含記錄器11及大數據分析平台12。
記錄器11可記錄使用者駕駛之車輛V之位置資訊P及時間資訊T,並可透過網路N傳送至大數據分析平台12;在一實施例中,位置資訊P可包含經度座標及緯度座標;在一實施例中,記錄器11可為車載診斷裝置(OBD Dongle)、車機、智慧車載終端(T-Box)、行車記錄器或行動裝置(例如:智慧型手機、平板電腦或筆記型電腦等)中之一或任二者以上之組合。
大數據分析平台12可以針對上述的數據進行清洗以去除異常值(outlier);例如,大數據分析平台12可以去除旅程距離或旅程時間太短的數據(例如:旅程時間少於1分鐘)、經度座標/緯度座標異常的數據(例如:經度座標及緯度座標在海中)、15秒內行駛距離異常的數據(例如:車速大於400km/h)、時間異常的數據(例如:出現未來時間)、時間格式不正確的數據、經度座標/緯度座標明顯不正確的數據。
然後,大數據分析平台12可根據位置資訊P及時間資訊T產生車輛V在一時間區間(如一周、一季、一個月或一年等等)內的複數個行駛路線。
接下來,大數據分析平台12可透過大數據分析的方式對該些行駛路線進行分析;其中,大數據分析平台12可根據各個行駛路線之總里程數將該些行駛路線分為複數個群組,並可將各個群組之各個行駛路線之總行駛時間將各個群組分為複數個子群組;最後,大數據分析平台12可對各個子群組之該些行駛路線之實際距離進行兩兩比較以判斷各個子群組之該些行駛路線是否為同一路線,並可產生分析結果;在一實施例中,分析結果可為車輛V之行駛固定路線頻率及行駛非固定路線頻率中之一者或以上。
例如,當分析者欲對使用者駕駛之車輛V一個月內之所有行駛路線進行分析時,分析者可透過大數據分析平台12分析車輛V一個月內之位置資訊P及時間資訊T以產生所有行駛路線的數據。
然後,大數據分析平台12可根據一里程數門檻值(例如:1公里)將該些行駛路線分為複數個群組,如下表1所示;換句話說,任一群組中之任二個行駛路線之總里程數差小於上述里程數門檻值;此里程數門檻值可依實際需求變化,使分析結果更精確。 表1
群組 A B C D 里程數 (公里) 3-4 9-10 13-14 20-21 旅程 次數 6 18 19 7
接下來,大數據分析平台12可根據一時間門檻值(例如:10分鐘)將各個群組之該些行駛路線分為複數個子群組,如下表2所示;換句話說,任一子群組之任二個行駛路線之總行駛時間差小於上述時間門檻值;此時間門檻值可依實際需求變化,使分析結果更精確。 表2
群組 A B C D 里程數 (公里) 3-4 9-10 13-14 20-21 子群組 A1 A2 B1 B2 B3 C1 C2 D1 D2 D3 總行駛 時間 (分鐘) 5- 15 15-25 5- 15 17- 27 35- 45 30- 40 40- 50 30- 40 40- 50 50- 60 旅程 次數 2 4 15 2 1 9 10 4 2 1 總旅程 次數 6 18 19 7
最後,大數據分析平台12可對各個子群組之該些行駛路線之實際距離進行兩兩比較;其中,大數據分析平台12可分別計算各個子群組之一行駛路線R1之複數個座標點R1
c1~R1
c9與另一行駛路線R2之複數個座標點R2
c1~R2
c9之間的距離以產生複數個實際距離值D1~D9,並可計算該些實際距離值D1~D9之最小值、第一四分位數、中位數、第三四分位數及最大值中之一者或以上,並可根據上述數據來判斷此二個行駛路線是否為同一路線。在本實施例中,大數據分析平台12可計算該些實際距離值D1~D9之第三四分位數,並可判斷第三四分位數是否小於一距離門檻值;若第三四分位數小於距離門檻值,大數據分析平台12可判斷此二個行駛路線為同一路線;同樣的,此距離門檻值可依實際需求變化,使分析結果能更為精確。
因此,透過上述的方式,大數據分析平台12可判斷各個子群組中之該些行駛路線彼此之間的相似度以判斷是否有相同的路線,並可進而產生車輛V之行駛固定路線頻率(例如:次數/每周、次數/每月、次數/ 每季、次數/每年或次數/每百公里)及行駛非固定路線頻率(例如:次數/每周、次數/每月、次數/ 每季、次數/每年或次數/每百公里)以做為分析結果,再透過視覺化的介面在使用者之行動裝置或其它電腦裝置顯示此分析結果。
由上述可知,本實施例之基於大數據的行駛路線分析系統1可收集車輛V之位置資訊P及時間資訊T,並可透過特殊的機制針對上述位置資訊及時間資訊進行進一步的分析以產生分析結果,因為可更為精確地判斷使用者行駛於固定路線的頻率或行駛非固定路線頻率,以做為車聯網產險計算保費的參考因子、應用於車隊管理系統及其它各種物聯網相關應用。
當然,上述僅為舉例,本實施例之基於大數據的行駛路線分析系統1之各元件及其協同關係均可依實際需求變化,本發明並不以此為限。
請參閱第3圖,其係為本發明之基於大數據的行駛路線分析系統之第一實施例之流程圖。如圖所示,本實施例之基於大數據的行駛路線分析系統1之行駛路線分析方法可包含下列步驟:
步驟S31:記錄車輛之位置資訊及時間資訊。
步驟S32:根據位置資訊及時間資訊產生車輛在一時間區間內的複數個行駛路線。
步驟S33:根據各個行駛路線之總里程數將該些行駛路線分為複數個群組。
步驟S34:並根據各個群組之各個行駛路線之總行駛時間將各個群組分為複數個子群組。
步驟S35:對各個子群組之該些行駛路線之實際距離進行兩兩比較以判斷各個子群組之該些行駛路線是否為同一路線,並產生分析結果。
請參閱第4圖、第5圖、第6圖及第7圖,其係為本發明之基於大數據的行駛路線分析系統之第二實施例之方塊圖、第一示意圖、第二示意圖及第三示意圖。如第4圖所示,基於大數據的行駛路線分析系統1可包含記錄器11及大數據分析平台12。
記錄器11可記錄使用者駕駛之車輛V之位置資訊P及時間資訊T,並可透過網路N傳送至大數據分析平台12;在一實施例中,位置資訊P可包含經度座標及緯度座標;在一實施例中,記錄器11可為車載診斷裝置(OBD)、車機、智慧車載終端(T-BOX)、行車記錄器(DVR)或行動裝置(例如:智慧型手機、平板電腦或筆記型電腦等)中之一或任二者以上之組合。
大數據分析平台12可針對上述的數據進行清洗以去除異常值;例如,大數據分析平台12可去除旅程距離或旅程時間太短的數據(例如:旅程時間少於1分鐘)、經度座標及緯度座標異常的數據(例如:經度座標及緯度座標在海中)、15秒內行駛距離異常的數據(例如:車速大於400km/h)、時間異常的數據(例如:出現未來時間)、時間格式不正確的數據及經度座標/緯度座標明顯不正確的數據。
大數據分析平台12可根據地圖M、位置資訊P及時間資訊T產生車輛V在一時間區間內的複數個行駛軌跡圖TD,且該些行駛軌跡圖TD具有相同的尺寸、格式及解析度;行駛軌跡圖TD如第5圖所示。
例如,當分析者欲對使用者駕駛之車輛V一個月內之所有行駛路線進行分析時,分析者可透過大數據分析平台12分析地圖、車輛V一個月內之位置資訊P及時間資訊T以產生所有行駛軌跡圖TD。
然後,大數據分析平台12可計算各個灰階圖之該些像素之平均像素值,且分別將該些像素之像素值與平均像素值進行比較以決定各個像素之特徵值,以產生對應的行駛軌跡圖TD之圖像指紋IF(例如:若行駛軌跡圖TD之解析度為600*370,則可產生具有222,000個位元的圖像指紋);圖像指紋IF如第6圖所示,在本實施例中,若一像素之像素值大於或等於平均像素值,大數據分析平台12可將此像素之特徵值設為1,而若此像素之像素值小於平均像素值,大數據分析平台12可將像素之該特徵值設為0。
最後,大數據分析平台12可對該些行駛軌跡圖TD之該些圖像指紋IF進行兩兩比較;其中,大數據分析平台12可根據一行駛軌跡圖TD之圖像指紋IF與另一個行駛軌跡圖TD之圖像指紋IF計算對應的二者之漢明距離(Hamming Distance)以判斷對應的二個行駛軌跡圖TD是否為同一路線;在本實施例中,大數據分析平台12可在漢明距離小於一預設門檻值時判斷此二個行駛軌跡圖TD為同一路線;此距離門檻值可依實際需求變化,使分析結果能更為精確。
因此,透過上述的方式,大數據分析平台12可判斷該些行駛軌跡圖TD中是否有相同的路線,並可進而產生車輛V之行駛固定路線頻率(例如:次數/每周、次數/每月、次數/ 每季、次數/每年或次數/每百公里)及行駛非固定路線頻率(例如:次數/每周、次數/每月、次數/ 每季、次數/每年或次數/每百公里)以做為分析結果,再透過視覺化的介面在使用者之行動裝置或其它電腦裝置來顯示此分析結果。
大數據分析平台12可透過視覺化的介面,如第7圖所示之APP儀表板121來表示分析結果,並可同時計算保費;在另一實施例中,大數據分析平台12也可透過網頁或其它不同的視覺化的介面來顯示此分析結果。
另外,本實施例之基於大數據的行駛路線分析系統1不但可透過即時式處理來收集及分析數據,更可透過批次處理及交互式處理等方式來收集及分析數據,因此不會大量耗費系統資源。
由上述可知,本實施例之基於大數據的行駛路線分析系統1可收集車輛V之位置資訊P及時間資訊T,並可透過特殊的機制針對上述位置資訊及時間資訊進行進一步的分析以產生分析結果,因為可更為精確地判斷使用者行駛於固定路線的頻率或行駛非固定路線頻率,以做為車聯網產險計算保費的參考因子、應用於車隊管理系統及其它各種物聯網相關應用。
當然,上述僅為舉例,本實施例之基於大數據的行駛路線分析系統1之各元件及其協同關係均可依實際需求變化,本發明並不以此為限。
請參閱第8圖,其係為本發明之基於大數據的行駛路線分析系統之第二實施例之流程圖。如圖所示,本實施例之基於大數據的行駛路線分析系統1之行駛路線分析方法可包含下列步驟:
步驟S81:記錄車輛之位置資訊及時間資訊。
步驟S82:根據地圖、位置資訊及時間資訊產生車輛在一時間區間內的複數個行駛軌跡圖。
步驟S83:將各個行駛軌跡圖轉換為灰階圖。
步驟S84:計算各個灰階圖之該些像素之平均像素值,且比較各個像素之像素值與平均像素值以決定此像素之特徵值,以產生各個行駛軌跡圖之圖像指紋。
步驟S85:對該些行駛軌跡圖之該些圖像指紋進行兩兩比較以判斷該些行駛軌跡圖是否為同一路線,並產生分析結果。
值得一提的是,目前的車載診斷系統及其它相關的技術並無法有效地計算使用者行駛於固定路線的頻率,故目前並無法根據此參考因子來精確地計算保費。相反的,根據本發明之實施例,基於大數據的行駛路線分析系統可收集一車輛之位置資訊及時間資訊,並透過特殊的機制針對上述位置資訊及時間資訊進行進一步的分析以產生分析結果,因為可更為精確地判斷使用者行駛於固定路線的頻率,以做為車聯網產險計算保費的參考因子。
又,根據本發明之實施例,基於大數據的行駛路線分析系統可精確地判斷使用者是否行駛於固定的路線,因此不但可應用於計算保費,更可應用於車隊管理系統及其它各種物聯網相關應用,故應用上極為廣泛。
此外,根據本發明之實施例,基於大數據的行駛路線分析系統可透過視覺化的介面來顯示分析結果,故可提供更為人性化的人機介面,使用上更為方便。
另外,根據本發明之實施例,基於大數據的行駛路線分析系統可將收集到的數據進行清洗,故可進一步提高系統的精確度。
再者,根據本發明之實施例,基於大數據的行駛路線分析系統不但可透過即時式處理來收集及分析數據,更可透過批次處理及交互式處理等方式來收集及分析數據,因此可在不耗費大量系統資源的前提下達到所欲達到的功效。由上述可知,本發明實具進步性之專利要件。
請參閱第9圖,其係為本發明之基於大數據的行駛路線分析系統之第三實施例之方塊圖。如第9圖所示,基於大數據的行駛路線分析系統1可以包含記錄器11以及大數據分析平台12。
與前述實施例不同的是,記錄器11則可包含車機111及行動裝置112;其中,記錄器11可記錄使用者駕駛之車輛V之位置資訊P及時間資訊T,並可傳送至行動裝置112,行動裝置112可再透過網路N傳送至大數據分析平台12;當然,如同前述,車機111還可以置換為車載診斷裝置(OBD)、智慧車載終端(T-BOX)或行車記錄器(DVR)等等。
同樣的,當分析者欲對使用者駕駛之車輛V一個月內之所有行駛路線進行分析時,分析者可透過大數據分析平台12分析地圖M、車輛V一個月內之位置資訊P及時間資訊T以產生所有行駛軌跡圖。
然後,大數據分析平台12可計算各個灰階圖之該些像素之平均像素值,且分別將該些像素之像素值與平均像素值進行比較以決定各個像素之特徵值,以產生對應的行駛軌跡圖之圖像指紋。
與前述實施例不同的是,在本實施例中,大數據分析平台12可透過另一種的方式來計算各個灰階圖之像素之特徵值以產生各個行駛軌跡圖之圖像指紋。在本實施例中,大數據分析平台12可透過比較各個灰階圖之各個列中各個像素與其相鄰的像素以決定各個像素之特徵值;其中,若一像素之像素值小於或等於其右側的相鄰的像素之像素值,大數據分析平台12可將此像素之特徵值設為0;相反的,若此像素之像素值大於其右側的相鄰的像素之像素值,大數據分析平台12可將此像素之特徵值設為1。
同樣的,大數據分析平台12可對該些行駛軌跡圖之該些圖像指紋進行兩兩比較;其中,大數據分析平台12可根據一行駛軌跡圖之圖像指紋與另一個行駛軌跡圖之圖像指紋計算對應的二者之漢明距離以判斷對應的二個行駛軌跡圖是否為同一路線;在本實施例中,大數據分析平台12可在漢明距離小於一預設門檻值時判斷此二個行駛軌跡圖為同一路線。
同樣的,透過上述的方式,大數據分析平台12可判斷該些行駛軌跡圖中是否有相同的路線,再可透過視覺化的介面在使用者之行動裝置或其它電腦裝置顯示上述分析結果。
當然,上述僅為舉例,本實施例之基於大數據的行駛路線分析系統1之記錄器11還可為車載診斷裝置(OBD)、智慧車載終端(T-BOX)或行車記錄器(DVR)或行動裝置(例如:智慧型手機、平板電腦或筆記型電腦等)中之一或任二者以上之組合,而其各元件及其協同關係均可依實際需求變化,本發明並不以此為限。
請參閱第10圖,其係為本發明之基於大數據的行駛路線分析系統之第三實施例之流程圖。如圖所示,本實施例之基於大數據的行駛路線分析系統1之行駛路線分析方法可包含下列步驟:
步驟S101:記錄車輛之位置資訊及時間資訊。
步驟S102:根據地圖、位置資訊及時間資訊產生車輛在一時間區間內的複數個行駛軌跡圖。
步驟S103:將各個行駛軌跡圖轉換為灰階圖。
步驟S104:比較各個灰階圖之各個列中各個像素與其相鄰的像素以決定各個像素之特徵值,以產生各個行駛軌跡圖之圖像指紋。
步驟S105:對該些行駛軌跡圖之該些圖像指紋進行兩兩比較以判斷該些行駛軌跡圖是否為同一路線,並產生分析結果。
綜上所述,根據本發明之實施例,基於大數據的行駛路線分析系統可收集一車輛之位置資訊及時間資訊,並透過特殊的機制針對上述位置資訊及時間資訊進行進一步的分析以產生分析結果,因為可更為精確地判斷使用者行駛於固定路線的頻率,以做為車聯網產險計算保費的參考因子。
又,根據本發明之實施例,基於大數據的行駛路線分析系統可精確地判斷使用者是否行駛於固定的路線,因此不但可應用於計算保費,更可應用於車隊管理系統及其它各種物聯網相關應用,故應用上極為廣泛。
此外,根據本發明之實施例,基於大數據的行駛路線分析系統可透過視覺化的介面來顯示分析結果,故可提供更為人性化的人機介面,使用上更為方便。
另外,根據本發明之實施例,基於大數據的行駛路線分析系統可將收集到的數據進行清洗,故可進一步提高系統的精確度。
再者,根據本發明之實施例,基於大數據的行駛路線分析系統不但可透過即時式處理來收集及分析數據,更可透過批次處理及交互式處理等方式來收集及分析數據,因此可在不耗費大量系統資源的前提下達到所欲達到的功效。
可見本發明在突破先前之技術下,確實已達到所欲增進之功效,且也非熟悉該項技藝者所易於思及,其所具之進步性、實用性,顯已符合專利之申請要件,爰依法提出專利申請,懇請 貴局核准本件發明專利申請案,以勵創作,至感德便。
以上所述僅為舉例性,而非為限制性者。其它任何未脫離本發明之精神與範疇,而對其進行之等效修改或變更,均應該包含於後附之申請專利範圍中。
1‧‧‧基於大數據的行駛路線分析系統
11‧‧‧記錄器
111‧‧‧車機
112‧‧‧行動裝置
12‧‧‧大數據分析平台
P‧‧‧位置資訊
T‧‧‧時間資訊
V‧‧‧車輛
M‧‧‧地圖
N‧‧‧網路
TD‧‧‧行駛軌跡圖
IF‧‧‧圖像指紋
121‧‧‧APP儀表板
R1~R2‧‧‧行駛路線
R1c1~R1c9、R2c1~R2c9‧‧‧座標點
D1~D9‧‧‧實際距離值
S31~S35、S81~S85、S101~S105‧‧‧步驟流程
第1圖 係為本發明之基於大數據的行駛路線分析系統之第一實施例之方塊圖。
第2圖 係為本發明之基於大數據的行駛路線分析系統之第一實施例之示意圖。
第3圖 係為本發明之基於大數據的行駛路線分析系統之第一實施例之流程圖。
第4圖 係為本發明之基於大數據的行駛路線分析系統之第二實施例之方塊圖。
第5圖 係為本發明之基於大數據的行駛路線分析系統之第二實施例之第一示意圖。
第6圖 係為本發明之基於大數據的行駛路線分析系統之第二實施例之第二示意圖。
第7圖 係為本發明之基於大數據的行駛路線分析系統之第二實施例之第三示意圖。
第8圖 係為本發明之基於大數據的行駛路線分析系統之第二實施例之流程圖。
第9圖 係為本發明之基於大數據的行駛路線分析系統之第三實施例之方塊圖。
第10圖 係為本發明之基於大數據的行駛路線分析系統之第三實施例之流程圖。
Claims (20)
- 一種基於大數據的行駛路線分析系統,係包含: 一記錄器,係記錄一車輛之一位置資訊及一時間資訊;以及 一大數據分析平台,係根據該位置資訊及該時間資訊產生該車輛在一時間區間內的複數個行駛路線; 其中,該大數據分析平台根據各個該行駛路線之總里程數將該些行駛路線分為複數個群組,並根據各個該群組之各個該行駛路線之總行駛時間將各個該群組分為複數個子群組,該大數據分析平台再對各個該子群組之該些行駛路線之實際距離進行兩兩比較以判斷各個該子群組之該些行駛路線是否為同一路線,並產生一分析結果。
- 如申請專利範圍第1項所述之基於大數據的行駛路線分析系統,其中任一該位置資訊包含經度座標及緯度座標,而該分析結果為該車輛之一行駛固定路線頻率及一行駛非固定路線頻率之一者或以上。
- 如申請專利範圍第1項所述之基於大數據的行駛路線分析系統,其中任一該群組中之該些行駛路線之任二個之總里程數差小於一里程數門檻值。
- 如申請專利範圍第3項所述之基於大數據的行駛路線分析系統,其中任一該子群組之該些行駛路線之任二個之總行駛時間差小於一時間門檻值。
- 如申請專利範圍第4項所述之基於大數據的行駛路線分析系統,其中該大數據分析平台分別計算各個該子群組之任一個該行駛路線之複數個座標點與另一該行駛路線之複數個座標點之間的距離以產生複數個實際距離值。
- 如申請專利範圍第5項所述之基於大數據的行駛路線分析系統,其中該大數據分析平台計算該些實際距離值之一第三四分位數,若該第三四分位數小於一距離門檻值,該大數據分析平台判斷此二個該行駛路線為同一路線。
- 一種基於大數據的行駛路線分析系統,係包含: 一記錄器,係記錄一車輛之一位置資訊及一時間資訊;以及 一大數據分析平台,係根據一地圖、該位置資訊及該時間資訊產生該車輛在在一時間區間內的複數個行駛軌跡圖; 其中,該大數據分析平台將各個該行駛軌跡圖轉換為一灰階圖,並計算各個該灰階圖之每一像素之一特徵值,以產生各個該行駛軌跡圖之一圖像指紋,再對該些行駛軌跡圖之該些圖像指紋進行兩兩比較以判斷該些行駛軌跡圖是否為同一路線,並產生一分析結果。
- 如申請專利範圍第7項所述之基於大數據的行駛路線分析系統,其中該位置資訊包含經度座標及緯度座標,而該分析結果為該車輛之一行駛固定路線頻率及一行駛非固定路線頻率之一者或以上。
- 如申請專利範圍第7項所述之基於大數據的行駛路線分析系統,其中該大數據分析平台根據任一個該行駛軌跡圖之該圖像指紋與另一個該行駛軌跡圖之該圖像指紋計算此二者之一漢明距離,並在該漢明距離小於一預設門檻值時判斷此二者為同一路線。
- 如申請專利範圍第7項所述之基於大數據的行駛路線分析系統,其中該大數據分析平台計算各個該灰階圖之該些像素之一平均像素值,且比較各個該像素之一像素值與該平均像素值以決定該像素之該特徵值。
- 如申請專利範圍第10項所述之基於大數據的行駛路線分析系統,其中若該像素之該像素值大於或等於該平均像素值,該大數據分析平台將該像素之該特徵值設為1,而若該像素之該像素值小於該平均像素值,該大數據分析平台將該像素之該特徵值設為0。
- 如申請專利範圍第7項所述之基於大數據的行駛路線分析系統,其中該大數據分析平台比較各個該灰階圖之各列中各個該像素與其相鄰的該像素以決定各個該像素之該特徵值。
- 如申請專利範圍第12項所述之基於大數據的行駛路線分析系統,其中若該像素之該像素值小於或等於其右側的相鄰的該像素之該像素值,該大數據分析平台將該像素之該特徵值設為0,而若該像素之該像素值大於其右側的相鄰的該像素之該像素值,該大數據分析平台將該像素之該特徵值設為1。
- 一種行駛路線分析方法,係包含下列步驟: 記錄一車輛之一位置資訊及一時間資訊; 根據一地圖、該位置資訊及該時間資訊產生該車輛在一時間區間內的複數個行駛軌跡圖; 將各個該行駛軌跡圖轉換為一灰階圖; 計算各個該灰階圖之每一像素之一特徵值以產生各個該行駛軌跡圖之一圖像指紋;以及 對該些行駛軌跡圖之該些圖像指紋進行兩兩比較以判斷該些行駛軌跡圖是否為同一路線,並產生一分析結果。
- 如申請專利範圍第14項所述之行駛路線分析方法,其中該位置資訊包含經度座標及緯度座標,而該分析結果為該車輛之一行駛固定路線頻率及一行駛非固定路線頻率之一者或以上。
- 如申請專利範圍第14項所述之行駛路線分析方法,其中對該些行駛軌跡圖之該些圖像指紋進行兩兩比較以判斷該些行駛軌跡圖是否為同一路線,並產生該分析結果之步驟更包含下列步驟: 根據任一個該行駛軌跡圖之該圖像指紋與另一個該行駛軌跡圖之該圖像指紋計算此二者之一漢明距離,並在該漢明距離小於一預設門檻值時判斷此二者為同一路線。
- 如申請專利範圍第14項所述之行駛路線分析方法,其中計算各個該灰階圖之每一像素之該特徵值以產生各個該行駛軌跡圖之該圖像指紋之步驟更包含下列步驟: 計算各個該灰階圖之該些像素之一平均像素值,且比較各個該像素之一像素值與該平均像素值以決定該像素之該特徵值。
- 如申請專利範圍第17項所述之行駛路線分析方法,其中計算各個該灰階圖之該些像素之該平均像素值,且比較各個該像素之該像素值與該平均像素值以決定該像素之該特徵值之步驟更包含下列步驟: 若該像素之該像素值大於或等於該平均像素值,將該像素之該特徵值設為1,而若該像素之該像素值小於該平均像素值,將該像素之該特徵值設為0。
- 如申請專利範圍第14項所述之行駛路線分析方法,其中計算各個該灰階圖之每一像素之該特徵值以產生各個該行駛軌跡圖之該圖像指紋之步驟更包含下列步驟: 比較各個該灰階圖之各個列中各個該像素與其相鄰的該像素以決定各個該像素之該特徵值。
- 如申請專利範圍第19項所述之行駛路線分析方法,其中比較各個該灰階圖之各個列中各個該像素與其相鄰的該像素以決定各個該像素之該特徵值之步驟更包含下列步驟: 若該像素之該像素值小於或等於其右側的相鄰的該像素之該像素值,將該像素之該特徵值設為0,而若該像素之該像素值大於其右側的相鄰的該像素之該像素值,將該像素之該特徵值設為1。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TW107121074A TWI667582B (zh) | 2018-06-20 | 2018-06-20 | 基於大數據的行駛路線分析系統及其分析方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TW107121074A TWI667582B (zh) | 2018-06-20 | 2018-06-20 | 基於大數據的行駛路線分析系統及其分析方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
TWI667582B true TWI667582B (zh) | 2019-08-01 |
TW202001600A TW202001600A (zh) | 2020-01-01 |
Family
ID=68316421
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
TW107121074A TWI667582B (zh) | 2018-06-20 | 2018-06-20 | 基於大數據的行駛路線分析系統及其分析方法 |
Country Status (1)
Country | Link |
---|---|
TW (1) | TWI667582B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113379945A (zh) * | 2021-07-26 | 2021-09-10 | 陕西天行健车联网信息技术有限公司 | 一种车辆驾驶行为分析装置、方法及系统 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TWI472719B (zh) * | 2013-04-01 | 2015-02-11 | Univ Nan Kai Technology | 依據歷史乘車資料提供行車路線之系統及其方法 |
CN105761149A (zh) * | 2016-04-08 | 2016-07-13 | 深圳市中天安驰有限责任公司 | 车辆保险系统和车辆保险计费方法 |
US20160253853A1 (en) * | 2014-03-12 | 2016-09-01 | Komatsu Ltd. | Driving Analyzer and Driving Analyzing Method for Haulage Vehicles |
US20170138744A1 (en) * | 2015-11-12 | 2017-05-18 | International Business Machines Corporation | Personalized optimal travel route planning |
US20170221149A1 (en) * | 2016-02-02 | 2017-08-03 | Allstate Insurance Company | Subjective route risk mapping and mitigation |
CN107818377A (zh) * | 2016-09-12 | 2018-03-20 | 法乐第(北京)网络科技有限公司 | 基于云计算平台的车辆全局优化控制方法、系统、车辆和云计算平台 |
US20180130095A1 (en) * | 2014-03-28 | 2018-05-10 | Joseph Khoury | Methods and systems for collecting driving information and classifying drivers and self-driving systems |
-
2018
- 2018-06-20 TW TW107121074A patent/TWI667582B/zh active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TWI472719B (zh) * | 2013-04-01 | 2015-02-11 | Univ Nan Kai Technology | 依據歷史乘車資料提供行車路線之系統及其方法 |
US20160253853A1 (en) * | 2014-03-12 | 2016-09-01 | Komatsu Ltd. | Driving Analyzer and Driving Analyzing Method for Haulage Vehicles |
US20180130095A1 (en) * | 2014-03-28 | 2018-05-10 | Joseph Khoury | Methods and systems for collecting driving information and classifying drivers and self-driving systems |
US20170138744A1 (en) * | 2015-11-12 | 2017-05-18 | International Business Machines Corporation | Personalized optimal travel route planning |
US20170221149A1 (en) * | 2016-02-02 | 2017-08-03 | Allstate Insurance Company | Subjective route risk mapping and mitigation |
CN105761149A (zh) * | 2016-04-08 | 2016-07-13 | 深圳市中天安驰有限责任公司 | 车辆保险系统和车辆保险计费方法 |
CN107818377A (zh) * | 2016-09-12 | 2018-03-20 | 法乐第(北京)网络科技有限公司 | 基于云计算平台的车辆全局优化控制方法、系统、车辆和云计算平台 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113379945A (zh) * | 2021-07-26 | 2021-09-10 | 陕西天行健车联网信息技术有限公司 | 一种车辆驾驶行为分析装置、方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
TW202001600A (zh) | 2020-01-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11842404B2 (en) | Enhancement using analytics based on vehicle kinematic data | |
US11132853B1 (en) | Vehicle gateway device and interactive cohort graphical user interfaces associated therewith | |
US11365980B1 (en) | Vehicle gateway device and interactive map graphical user interfaces associated therewith | |
US11216888B2 (en) | Electronic system for dynamic, quasi-realtime measuring and identifying driver maneuvers solely based on mobile phone telemetry, and a corresponding method thereof | |
US10885590B2 (en) | Granting access to a blockchain ledger | |
US9558665B2 (en) | Method and system for avoidance of parking violations | |
US10140782B2 (en) | Vehicle sharing tool based on vehicle condition assessments | |
US20110320492A1 (en) | System and method for tracking vehicle operation through user-generated driving incident reports | |
Circella et al. | What affects millennials’ mobility? Part II: The impact of residential location, individual preferences and lifestyles on young adults’ travel behavior in California | |
JP2023505122A (ja) | クラウドソーシングされたオンデマンドaiデータの注釈、収集、処理 | |
US10127457B2 (en) | System and methods for generating quality, verified, and synthesized information | |
US20180045526A1 (en) | System and Method for Estimating and Predicting Vehicle Trip Energy Consumption | |
US20170336215A1 (en) | Classifying entities in digital maps using discrete non-trace positioning data | |
Huang et al. | Building intelligence in automated traffic signal performance measures with advanced data analytics | |
US20210233393A1 (en) | Systems and Methods for Improved Traffic Conditions Visualization | |
US20150199636A1 (en) | Method and system for performance metric anomaly detection in transportation systems | |
TWI667582B (zh) | 基於大數據的行駛路線分析系統及其分析方法 | |
Yasmin et al. | Addressing endogeneity in modeling speed enforcement, crash risk and crash severity simultaneously | |
Halpern et al. | Dimensions of uncertainty: a spatiotemporal review of five COVID-19 datasets | |
US9799058B2 (en) | Vehicle valuation system and method | |
Zhou et al. | Review of usage of real-world connected vehicle data | |
Sterk et al. | Unlocking the value from car data: A taxonomy and archetypes of connected car business models | |
TWM566381U (zh) | Driving route analysis system based on big data | |
US9965528B2 (en) | System and methods for generating quality, verified, synthesized, and coded information | |
Gerber et al. | Impact of road grade on the risk profile of driver behavior |