CN109887285A - 一种停车原因的确定方法及装置 - Google Patents
一种停车原因的确定方法及装置 Download PDFInfo
- Publication number
- CN109887285A CN109887285A CN201910197654.0A CN201910197654A CN109887285A CN 109887285 A CN109887285 A CN 109887285A CN 201910197654 A CN201910197654 A CN 201910197654A CN 109887285 A CN109887285 A CN 109887285A
- Authority
- CN
- China
- Prior art keywords
- data
- parking
- time section
- down time
- reason
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 53
- 238000012216 screening Methods 0.000 claims description 16
- 238000001914 filtration Methods 0.000 claims description 9
- 230000008569 process Effects 0.000 description 29
- 238000003032 molecular docking Methods 0.000 description 9
- 239000013598 vector Substances 0.000 description 7
- 230000006855 networking Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 230000008901 benefit Effects 0.000 description 2
- 238000005096 rolling process Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- PEDCQBHIVMGVHV-UHFFFAOYSA-N Glycerine Chemical compound OCC(O)CO PEDCQBHIVMGVHV-UHFFFAOYSA-N 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000012790 confirmation Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
Landscapes
- Traffic Control Systems (AREA)
Abstract
本发明提供了一种停车原因的确定方法及装置,该方法包括:获取目标车辆的车辆行驶数据,依据车辆行驶数据,确定出目标车辆在不同行车时间段的行驶数据和在不同停车时间段的停车数据,根据不同行车时间段的行驶数据和不同停车时间段的停车数据,确定待分析停车原因的目标停车时间段,根据目标停车时间段、不同行车时间段的行驶数据和不同停车时间段的停车数据,确定在目标停车时间段内目标车辆的停车原因。通过本发明,可以自动识别得到停车原因。
Description
技术领域
本发明涉及数据处理领域,更具体的说,涉及一种停车原因的确定方法 及装置。
背景技术
货运车辆多属于运营车辆,车辆停驶时长与经济效益直接相关,掌握车 辆停车原因信息有助于更准确地掌握车辆以及驾驶员的状态。车辆停车原因 可以是长时停车休息、短时服务区停车休息或装卸货物停车休息等原因。
现有技术中,货车停车原因只能是依据驾驶员或者车辆所属物流公司人 工提供,不能自动分析得到货车停车原因。
发明内容
有鉴于此,本发明提供一种停车原因的确定方法及装置,以解决不能自 动分析得到货车停车原因的问题。
为解决上述技术问题,本发明采用了如下技术方案:
一种停车原因的确定方法,包括:
获取目标车辆的车辆行驶数据;
依据所述车辆行驶数据,确定出所述目标车辆在不同行车时间段的行驶 数据和在不同停车时间段的停车数据;
根据不同所述行车时间段的所述行驶数据和不同所述停车时间段的所述 停车数据,确定待分析停车原因的目标停车时间段;
根据不同所述行车时间段的所述行驶数据和不同所述停车时间段的所述 停车数据,确定在所述目标停车时间段内所述目标车辆的停车原因。
优选地,依据所述车辆行驶数据,确定出所述目标车辆在不同行车时间 段的行驶数据和在不同停车时间段的停车数据,包括:
根据所述车辆行驶数据,筛选出满足预设停车条件的时间段作为所述停 车时间段;所述预设停车条件包括预设断电停车条件和预设怠速停车条件中 的任一个;
基于所述车辆行驶数据中所述停车时间段对应的数据,确定所述停车时 间段的停车数据;
根据所述车辆行驶数据,筛选出满足预设行驶条件的时间段作为所述行 车时间段;
从所述行车时间段中确定出行驶怠速时间段;
基于所述车辆行驶数据中所述行车时间段对应的数据以及所述行驶怠速 时间段对应的数据,确定所述行车时间段的行驶数据。
优选地,根据不同所述行车时间段的所述行驶数据和不同所述停车时间 段的所述停车数据,确定待分析停车原因的目标停车时间段,包括:
筛选出满足预设停车筛选要求的停车时间段;所述预设停车筛选要求包 括:所述停车时间段的停车数据中的停车时间、与位于所述停车时间段之前 且紧邻所述停车时间段的行车时间段的行驶数据中的停车时间相同;
将筛选出的停车时间段作为所述目标停车时间段。
优选地,根据不同所述行车时间段的所述行驶数据和不同所述停车时间 段的所述停车数据,确定在所述目标停车时间段内所述目标车辆的停车原因, 包括:
确定待分析数据;所述待分析数据包括:所述目标停车时间段的所述停 车数据、位于所述目标停车时间段之前且紧邻所述目标停车时间段的所述行 车时间段的所述行驶数据、以及位于所述目标停车时间段之前的上一所述停 车时间段的所述停车数据;
获取停车原因预测模型;所述停车原因预测模型用于预测停车原因;
基于所述待分析数据以及所述停车原因预测模型,确定在所述目标停车 时间段内所述目标车辆的停车原因。
优选地,基于所述待分析数据以及所述停车原因预测模型,确定在所述 目标停车时间段内所述目标车辆的停车原因之后,还包括:
获取所述目标停车时间段内所述目标车辆的人工预测停车原因;
基于所述人工预测停车原因以及所述停车原因的比较结果,对所述停车 原因分析模型进行修正。
一种停车原因的确定装置,包括:
数据获取模块,用于获取目标车辆的车辆行驶数据;
数据确定模块,用于依据所述车辆行驶数据,确定出所述目标车辆在不 同行车时间段的行驶数据和在不同停车时间段的停车数据;
时间段确定模块,用于根据不同所述行车时间段的所述行驶数据和不同 所述停车时间段的所述停车数据,确定待分析停车原因的目标停车时间段;
原因确定模块,用于根据不同所述行车时间段的所述行驶数据和不同所 述停车时间段的所述停车数据,确定在所述目标停车时间段内所述目标车辆 的停车原因。
优选地,所述数据确定模块包括:
第一筛选子模块,用于根据所述车辆行驶数据,筛选出满足预设停车条 件的时间段作为所述停车时间段;所述预设停车条件包括预设断电停车条件 和预设怠速停车条件中的任一个;
第一数据确定子模块,用于基于所述车辆行驶数据中所述停车时间段对 应的数据,确定所述停车时间段的停车数据;
第二筛选子模块,用于根据所述车辆行驶数据,筛选出满足预设行驶条 件的时间段作为所述行车时间段;
第一时间段确定子模块,用于从所述行车时间段中确定出行驶怠速时间 段;
第二数据确定子模块,用于基于所述车辆行驶数据中所述行车时间段对 应的数据以及所述行驶怠速时间段对应的数据,确定所述行车时间段的行驶 数据。
优选地,所述时间段确定模块包括:
第三筛选子模块,用于筛选出满足预设停车筛选要求的停车时间段;所 述预设停车筛选要求包括:所述停车时间段的停车数据中的停车时间、与位 于所述停车时间段之前且紧邻所述停车时间段的行车时间段的行驶数据中的 停车时间相同;
第二时间段确定子模块,用于将筛选出的停车时间段作为所述目标停车 时间段。
优选地,所述原因确定模块包括:
第三数据确定子模块,用于确定待分析数据;所述待分析数据包括:所 述目标停车时间段的所述停车数据、位于所述目标停车时间段之前且紧邻所 述目标停车时间段的所述行车时间段的所述行驶数据、以及位于所述目标停 车时间段之前的上一所述停车时间段的所述停车数据;
模型获取子模块,用于获取停车原因预测模型;所述停车原因预测模型 用于预测停车原因;
原因确定子模块,用于基于所述待分析数据以及所述停车原因预测模型, 确定在所述目标停车时间段内所述目标车辆的停车原因。
优选地,还包括:
原因获取子模块,用于所述原因确定子模块基于所述待分析数据以及所 述停车原因预测模型,确定在所述目标停车时间段内所述目标车辆的停车原 因之后,获取所述目标停车时间段内所述目标车辆的人工预测停车原因;
修正子模块,用于基于所述人工预测停车原因以及所述停车原因的比较 结果,对所述停车原因分析模型进行修正。
相较于现有技术,本发明具有以下有益效果:
本发明提供了一种停车原因的确定方法及装置,获取目标车辆的车辆行 驶数据,依据所述车辆行驶数据,确定出所述目标车辆在不同行车时间段的 行驶数据和在不同停车时间段的停车数据,根据不同所述行车时间段的所述 行驶数据和不同所述停车时间段的所述停车数据,确定待分析停车原因的目 标停车时间段,根据所述目标停车时间段、不同所述行车时间段的所述行驶 数据和不同所述停车时间段的所述停车数据,确定在所述目标停车时间段内 所述目标车辆的停车原因。通过本发明,可以自动识别得到停车原因。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实 施例或现有技术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,还可以根据提供的附图获得其他的附图。
图1为本发明实施例提供的一种停车原因的确定方法的方法流程图;
图2为本发明实施例提供的另一种停车原因的确定方法的方法流程图;
图3为本发明实施例提供的再一种停车原因的确定方法的方法流程图;
图4为本发明实施例提供的一种停车原因的确定装置的结构示意图。
具体实施方式
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,都属于本发明保护的范围。
本发明实施例提供了一种停车原因的确定方法,参照图1,包括:
S11、获取目标车辆的车辆行驶数据;
具体的,本发明实施例针对的车辆行驶行程可以是车辆已经行驶过的历 史行程,对历史行程中的停车原因进行预测。
可以从车联网数据后台获取车辆行驶数据,该数据由目标车辆上的数据 采集设备自目标车辆启动后从车上总线线束获取并周期上传至数据后台。车 辆行驶数据可以包括:
数据采集时刻时间戳:Time,格式'yyyy-mm-dd hh:mm:ss';
车速信号:VhlSpd,单位km/h;
转速信号:EngSpd,单位rpm;
总里程信号:ODO,单位km;
纬度信号:Latd,取GCJ02坐标系,即中国坐标系;
经度信号:Longd,取GCJ02坐标系,即中国坐标系;
数据采集设备故障码信号:Loger_DTC
上述数据的采样频率使用车联网数据采集频率,但应不低于每30s进行一 次数据采样,每辆目标车辆的数据量满足至少3个月的行驶量或2万公里行驶 量。对获取的车辆行驶数据按照行车时间由前到后排序,排序后的数据集则 对应了车辆运行过程,后续步骤对排序后的数据集进行操作。
S12、依据车辆行驶数据,确定出目标车辆在不同行车时间段的行驶数据 和在不同停车时间段的停车数据;
具体的,将车辆行驶数据区分为行车时间段的行驶数据XTravel及停车时间 段的停车数据XStop,其中,行驶包括正常运行及行驶怠速两部分,停车包括断 电停车及怠速停车两种情况,且停车过程与行驶过程间隔出现,根据XTravel所 包含的停车时刻与XStop所包含的停车时刻的关联关系得到如下事件序列
(XStop)1,(XTravel)2,(XStop)2
S13、根据不同行车时间段的行驶数据和不同停车时间段的停车数据,确 定待分析停车原因的目标停车时间段;
具体的,只需要分析目标停车时间段的停车原因。
可选的,在本实施例的基础上,步骤S13可以包括:
1)筛选出满足预设停车筛选要求的停车时间段;预设停车筛选要求包括: 停车时间段的停车数据中的停车时间、与位于停车时间段之前且紧邻停车时 间段的行车时间段的行驶数据中的停车时间相同;
2)将筛选出的停车时间段作为目标停车时间段。
具体的,参照(XStop)1,(XTravel)2,(XStop)2,若满足(XTravel)2中停车时间StopT0与(XStop)2中停车时间StopT0相同,则说明车辆从行驶过程切换到停车过程,则可 以对(XStop)2停车原因进行预测。
S14、根据不同行车时间段的行驶数据和不同停车时间段的停车数据,确 定在目标停车时间段内目标车辆的停车原因。
具体的,车辆停车原因可以是长时停车休息、短时服务区停车休息、装 卸货物停车休息以及其他原因休息等原因。
本实施例中,获取目标车辆的车辆行驶数据,依据车辆行驶数据,确定 出目标车辆在不同行车时间段的行驶数据和在不同停车时间段的停车数据, 根据不同行车时间段的行驶数据和不同停车时间段的停车数据,确定待分析 停车原因的目标停车时间段,根据目标停车时间段、不同行车时间段的行驶 数据和不同停车时间段的停车数据,确定在目标停车时间段内目标车辆的停 车原因。通过本发明,可以自动识别得到停车原因。
另外,本实施例可以直接利用从车联网数据后台获得的与车辆行驶相关 的信号数据,对车辆运行及行驶过程进行识别,并对停车原因进行预测,避 免了人为统计引起的误差。
可选的,在上述任一实施例的基础上,参照图2,步骤S12可以包括:
S21、根据车辆行驶数据,筛选出满足预设停车条件的时间段作为停车时 间段;预设停车条件包括预设断电停车条件和预设怠速停车条件中的任一个。
S22、基于车辆行驶数据中停车时间段对应的数据,确定停车时间段的停 车数据;
具体的,先对断电停车的停车时间段进行介绍。
对于车联网数据,默认设置目标车辆停止以后不再有数据上传至数据平 台,识别无数据的断电停车过程需要对排序后的数据进行数据采集时间间隔 及位置间隔计算。对于从前到后相邻的两条数据D1和D2,该两条数据所含的 信号值如下:
D1:Time1,ODO1,Latd1,Longd1,Loger_DTC1;
D2:Time2,ODO2,Latd2,Longd2,Loger_DTC2。
其中,数据采集时刻时间戳:Time,格式'yyyy-mm-dd hh:mm:ss';
总里程信号:ODO,单位km;
纬度信号:Latd,取GCJ02坐标系,即中国坐标系;
经度信号:Longd,取GCJ02坐标系,即中国坐标系;
数据采集设备故障码信号:Loger_DTC
当数据D1和D2满足以下预设断电停车条件时可正确识别断电停车过程:
1).通过Loger_DTC确认车载数据采集设备无故障,即确认无数值异常;
2).前后两条数据D1D2采集时间间隔高于限定阈值,即:
ΔT=(Time2-Time1)minute,ΔT>Stop_Timethr
式中Stop_Timethr为停车时间阈值,单位为分钟(min);
3).无数据丢失,即满足:
ODO2-ODO1≤ODOthr或
式中ODOthr为里程阈值,单位为km,AvgSpdthr为平均速度阈值,单位km/h;
4).GPS信息无较显著变化,即:
|Latd2-Latd1|<GPSthr且|Longd2-Longd1|<GPSthr
式中GPSthr为GPS变化阈值,取值小于0.01;
对于满足上述条件的从前到后相邻的两条数据D1和D2,则识别为D1和D2之间存在一次断电停车过程,为一个停车时间段。
该停车时间段的停车数据为XStop,包含以下信息:
停车时刻:StopT0,时间戳数据,数值取Time1;
停车GPS信息:(Stop_Latd,Stop_Longd),数值取(Latd1,Longd1);
停车时长:Stop_Time,单位min,数值取(Time2-Time1)minute;
怠速标识:IdlingMark,规定取值为0
即将XStop表示为
XStop=(StopT0,(Stop_Latd,Stop_Longd),Stop_Time,IdlingMark)
另外对怠速停车的停车时间段进行介绍。
具体的,在车辆运行过程中识别怠速停车过程,假设存在数据序列 D1,D2,...,Di,...,Dm,其中Di代表该序列中的第i条数据,i=1,2,...,m,且, m>2,数据按照时间从前到后顺序排列。该数据序列所代表的过程满足以下 预设怠速停车条件可识别为怠速停车:
1).车辆持续静止,即任一数据Di,车速满足
VhlSpdi≤VhlSpdthr,
VhlSpdthr为车速浮动阈值,单位km/h;
2).发动机转速接近怠速转速,即任一数据Di,发动机转速满足
EngSpd≈EngSpdthr
其中EngSpdthr为稳定怠速转速,单位rpm,式中≈指EngSpd可允许在 EngSpdthr邻域区间内存在波动,但建议不超过±50rpm(注:本方案中的建议 值均为实际应用中某种情形的范围,在其他应用环境中根据实际情形进行设 定);
3).该过程总持续时长超过限定阈值,即
(Tm-T1)min≥Idling_Timethr,
Idling_Timethr为怠速停车时间阈值,单位min;
4).序列中无上述所定义的断电停车过程。
对于满足上述条件的数据序列D1,D2,...,Di,...,Dm,将整个数据序列识 别为一次怠速停车过程,该停车过程仍命名为XStop,包含以下信息:
停车时刻:StopT0,时间值取序列中D1时间Time1;
停车GPS信息:(Stop_Latd,Stop_Longd),数值取(Latd1,Longd1);
停车时长:Stop_Time,数值取(Timem-Time1)minute;
怠速标记:IdlingMark,规定取值为1;
此时仍然将XStop表示为
XStop=(StopT0,(Stop_Latd,Stop_Longd),Stop_Time,IdlingMark)
S23、根据车辆行驶数据,筛选出满足预设行驶条件的时间段作为行车时 间段;
具体的,在车辆运行过程中识别车辆行驶过程,假设存在数据序列 D1,D2,...,Di,...,Dm,其中,Di代表该序列中的第i条数据,i=1,2,...,m,且, m>2,数据按照时间从前到后顺序排列。若该数据序列所代表的过程未发生 断电停车且未发生怠速停车,则认为该数据序列描述了一个完整的连续的车 辆行驶行程,为一个行车时间段。该行车时间段的行驶数据命名为XTravel,包 含以下信息:
运行时长:Travel_Time,单位min,数值取(Timem-Time1)minute;
运行里程:Travel_S,单位km,数值取ODOm-ODO1;
运行平均车速:avgVhlSpd,单位km/h,数值取
运行最高车速:maxVhlSpd,单位km/h,数值取序列内最高车速;
停车时刻:StopT0,时间值取序列中Dm时间Timem;
即将XTravel暂时表示为
XTravel=(Travel_Time,Travel_S,avgVhlSpd,maxVhlSpd,StopT0)
S24、从行车时间段中确定出行驶怠速时间段;
S25、基于车辆行驶数据中行车时间段对应的数据以及行驶怠速时间段对 应的数据,确定行车时间段的行驶数据。
对上述识别出的XTravel,即序列D1,D2,...,Di,...,Dm进行行驶怠速段识别, 一个行驶时间段内可能存在至少一次的行驶怠速过程,如服务区稍微休息、 十字路口等红灯等情况。此外,还可能不存在行驶怠速过程。
假设存在数据序列Dp,Dp+1,...,Dk,...,Dq,该序列所代表的过程满足以下 条件可识别为行驶怠速段。
1).该序列为D1,D2,...,Di,...,Dm的子序列,即满足
1<p<q<m且Time1<Timep<Timeq<Timem
2).车辆持续静止,即任一数据Dk,车速满足VhlSpdk≤VhlSpdthr,
3).发动机转速接近怠速转速,即任一数据Dk,发动机转速满足 EngSpd≈EngSpdthr;
满足上述条件的序列Dp,Dp+1,...,Dk,...,Dq被识别为行驶怠速时间段,该 行驶怠速时间段对应的数据命名为XIdling,该过程包含如下信息:
怠速前行驶时长:pre_travel_Time,单位min,
怠速前行驶距离:pre_travel_S,单位km,
怠速时长:Idling_Time,单位min,数值取(Timeq-Timep)minute;
根据上述方法识别XTravel中所含全部XIdling,并规定:怠速前行驶时长 pre_travel_Time取值为上一次行驶怠速时间段结束至当前行驶怠速时间段开 始所间隔时长,怠速前行驶距离pre_travel_S取值为上一次行驶怠速时间段结 束至当前行驶怠速时间段开始所行驶里程,从而对识别出的全部XIdling计算以 下数据:
统计符合条件的行驶怠速段个数:Idling_n
平均怠速前行驶时长:avg_pre_travel_Time
最大怠速前行驶时长:max_pre_travel_Time
平均怠速前行驶距离:avg_pre_travel_S
最大怠速前行驶距离:max_pre_travel_S
最小怠速前行驶距离:min_pre_travel_S
平均怠速时长:avg_Idling_Time
则XTravel内数据被划分如下:
D1,D2,...,Dp-1,Xidling,Dq+1,...,Xidling,...,Dm
且XTravel包含的信息维度扩展为(共12维)
XTravel=(Travel_Time,Travel_S,avgVhlSpd,maxVhlSpd,StopT0,Idling_n,avg_pre_travel_Time,max_pre_travel_Time,avg_pre_travel_S, max_pre_travel_S,min_pre_travel_S,avg_Idling_Time)。
本实施例中,给出了确定断电停车、怠速停车、行车过程和行车怠速的 判断过程,进而可以根据本实施例中的判断过程确定车辆的整个行驶过程的 不同行车状态。
可选的,在上述任一实施例的基础上,参照图3,步骤S14可以包括:
S31、确定待分析数据;
待分析数据包括:目标停车时间段的停车数据、位于目标停车时间段之 前且紧邻目标停车时间段的行车时间段的行驶数据、以及位于目标停车时间 段之前的上一停车时间段的停车数据。
具体的,参照(XStop)1,(XTravel)2,(XStop)2,若要确定(XStop)2的停车原因,则需 要获取(XStop)2、(XTravel)2和(XStop)1。
对于停车段(XStop)2,构建数据样本向量X命名为停车信息向量,其中,为 (StopT0,(Stop_Latd,Stop_Longd),Stop_Time,IdlingMark),为 (Travel_Time,Travel_S,avgVhlSpd,maxVhlSpd,StopT0,Idling_n, avg_pre_travel_Time,max_pre_travel_Time,avg_pre_travel_S, max_pre_travel_S,min_pre_travel_S,avg_Idling_Time)。
需要说明的是,优选地,对于(XStop)1,GPS信息可以取与(XStop)2内GPS坐 标的差值,而非原坐标值。此外,对于(XStop)1,GPS信息也可以取原坐标值, 对此并不限定。
S32、获取停车原因预测模型;
停车原因预测模型用于预测停车原因。
具体的,停车原因预测模型的构建过程可以包括:
对于无停车原因标签的数据进行预测,选择聚类算法,本发明中选择高 斯混合聚类GMM算法进行训练学习。使用大量的已被提取和处理的停车信息 向量样本X,输入机器算法进行学习和训练,其学习过程中,机器学习算法 通过计算将停车信息向量X按相似度或关联性进行聚类,且按定义聚为4类; 分别为车辆停车原因可以是长时停车休息、短时服务区停车休息、装卸货物 停车休息以及其他原因休息等原因。
通过停车信息向量样本X以及聚类分析构建得到停车原因预测模型。
S33、基于待分析数据以及停车原因预测模型,确定在目标停车时间段内 目标车辆的停车原因。
具体的,将步骤S31构建的数据样本向量X输入到停车原因预测模型中, 即可预测得到目标车辆的停车原因。
可选的,在本实施例的基础上,步骤S33之后,还可以包括:
1)获取目标停车时间段内目标车辆的人工预测停车原因;
具体的,将车辆行驶数据中每一时间点的GPS坐标标注入地图,观察停车 点和运行过程的可视化关系,人工分析得到每一目标停车时间段的停车原因, 并作为人工预测停车原因。
2)基于人工预测停车原因以及停车原因的比较结果,对停车原因分析模 型进行修正。
将每一目标停车时间段的人工预测停车原因以及停车原因作比较,若一 致,则保留,若不一致,则忽略,利用所有正确预测的数据样本向量对停车 原因分析模型所得到的簇中心进行修正和调整,若无法通过簇中心修改达到 模型优化目的,则进行维度增减等处理,以提高停车原因分析模型的预测结 果的准确度。
本实施例中,能够根据停车原因分析模型预测得到停车原因,此外,还 能够不断修正停车原因分析模型,提高预测准确度。
可选的,在上述停车原因的确定方法的实施例的基础上,本发明的另一 实施例提供了一种停车原因的确定装置,参照图4,可以包括:
数据获取模块101,用于获取目标车辆的车辆行驶数据;
数据确定模块102,用于依据车辆行驶数据,确定出目标车辆在不同行车 时间段的行驶数据和在不同停车时间段的停车数据;
时间段确定模块103,用于根据不同行车时间段的行驶数据和不同停车时 间段的停车数据,确定待分析停车原因的目标停车时间段;
原因确定模块104,用于根据不同行车时间段的行驶数据和不同停车时间 段的停车数据,确定在目标停车时间段内目标车辆的停车原因。
进一步,时间段确定模块103包括:
第三筛选子模块,用于筛选出满足预设停车筛选要求的停车时间段;预 设停车筛选要求包括:停车时间段的停车数据中的停车时间、与位于停车时 间段之前且紧邻停车时间段的行车时间段的行驶数据中的停车时间相同;
第二时间段确定子模块,用于将筛选出的停车时间段作为目标停车时间 段。
本实施例中,获取目标车辆的车辆行驶数据,依据车辆行驶数据,确定 出目标车辆在不同行车时间段的行驶数据和在不同停车时间段的停车数据, 根据不同行车时间段的行驶数据和不同停车时间段的停车数据,确定待分析 停车原因的目标停车时间段,根据目标停车时间段、不同行车时间段的行驶 数据和不同停车时间段的停车数据,确定在目标停车时间段内目标车辆的停 车原因。通过本发明,可以自动识别得到停车原因。
另外,本实施例可以直接利用从车联网数据后台获得的与车辆行驶相关 的信号数据,对车辆运行及行驶过程进行识别,并对停车原因进行预测,避 免了人为统计引起的误差。
需要说明的是,本实施例中的各个模块和子模块的工作过程,请参照上 述实施例中的相应说明,在此不再赘述。
可选的,在上述任一确定装置的实施例的基础上,数据确定模块102可 以包括:
第一筛选子模块,用于根据车辆行驶数据,筛选出满足预设停车条件的 时间段作为停车时间段;预设停车条件包括预设断电停车条件和预设怠速停 车条件中的任一个;
第一数据确定子模块,用于基于车辆行驶数据中停车时间段对应的数据, 确定停车时间段的停车数据;
第二筛选子模块,用于根据车辆行驶数据,筛选出满足预设行驶条件的 时间段作为行车时间段;
第一时间段确定子模块,用于从行车时间段中确定出行驶怠速时间段;
第二数据确定子模块,用于基于车辆行驶数据中行车时间段对应的数据 以及行驶怠速时间段对应的数据,确定行车时间段的行驶数据。
本实施例中,给出了确定断电停车、怠速停车、行车过程和行车怠速的 判断过程,进而可以根据本实施例中的判断过程确定车辆的整个行驶过程的 不同行车状态。
需要说明的是,本实施例中的各个模块和子模块的工作过程,请参照上 述实施例中的相应说明,在此不再赘述。
可选的,在上述任一确定装置的实施例的基础上,原因确定模块104可 以包括:
第三数据确定子模块,用于确定待分析数据;待分析数据包括:目标停 车时间段的停车数据、位于目标停车时间段之前且紧邻目标停车时间段的行 车时间段的行驶数据、以及位于目标停车时间段之前的上一停车时间段的停 车数据;
模型获取子模块,用于获取停车原因预测模型;停车原因预测模型用于 预测停车原因;
原因确定子模块,用于基于待分析数据以及停车原因预测模型,确定在 目标停车时间段内目标车辆的停车原因。
进一步,还包括:
原因获取子模块,用于原因确定子模块基于待分析数据以及停车原因预 测模型,确定在目标停车时间段内目标车辆的停车原因之后,获取目标停车 时间段内目标车辆的人工预测停车原因;
修正子模块,用于基于人工预测停车原因以及停车原因的比较结果,对 停车原因分析模型进行修正。
本实施例中,能够根据停车原因分析模型预测得到停车原因,此外,还 能够不断修正停车原因分析模型,提高预测准确度。
需要说明的是,本实施例中的各个模块和子模块的工作过程,请参照上 述实施例中的相应说明,在此不再赘述。
对所公开的实施例的上述说明,使本领域专业技术人员能够实现或使用 本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易 见的,本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下, 在其它实施例中实现。因此,本发明将不会被限制于本文所示的这些实施例, 而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (10)
1.一种停车原因的确定方法,其特征在于,包括:
获取目标车辆的车辆行驶数据;
依据所述车辆行驶数据,确定出所述目标车辆在不同行车时间段的行驶数据和在不同停车时间段的停车数据;
根据不同所述行车时间段的所述行驶数据和不同所述停车时间段的所述停车数据,确定待分析停车原因的目标停车时间段;
根据不同所述行车时间段的所述行驶数据和不同所述停车时间段的所述停车数据,确定在所述目标停车时间段内所述目标车辆的停车原因。
2.根据权利要求1所述的确定方法,其特征在于,依据所述车辆行驶数据,确定出所述目标车辆在不同行车时间段的行驶数据和在不同停车时间段的停车数据,包括:
根据所述车辆行驶数据,筛选出满足预设停车条件的时间段作为所述停车时间段;所述预设停车条件包括预设断电停车条件和预设怠速停车条件中的任一个;
基于所述车辆行驶数据中所述停车时间段对应的数据,确定所述停车时间段的停车数据;
根据所述车辆行驶数据,筛选出满足预设行驶条件的时间段作为所述行车时间段;
从所述行车时间段中确定出行驶怠速时间段;
基于所述车辆行驶数据中所述行车时间段对应的数据以及所述行驶怠速时间段对应的数据,确定所述行车时间段的行驶数据。
3.根据权利要求1所述的确定方法,其特征在于,根据不同所述行车时间段的所述行驶数据和不同所述停车时间段的所述停车数据,确定待分析停车原因的目标停车时间段,包括:
筛选出满足预设停车筛选要求的停车时间段;所述预设停车筛选要求包括:所述停车时间段的停车数据中的停车时间、与位于所述停车时间段之前且紧邻所述停车时间段的行车时间段的行驶数据中的停车时间相同;
将筛选出的停车时间段作为所述目标停车时间段。
4.根据权利要求1所述的确定方法,其特征在于,根据不同所述行车时间段的所述行驶数据和不同所述停车时间段的所述停车数据,确定在所述目标停车时间段内所述目标车辆的停车原因,包括:
确定待分析数据;所述待分析数据包括:所述目标停车时间段的所述停车数据、位于所述目标停车时间段之前且紧邻所述目标停车时间段的所述行车时间段的所述行驶数据、以及位于所述目标停车时间段之前的上一所述停车时间段的所述停车数据;
获取停车原因预测模型;所述停车原因预测模型用于预测停车原因;
基于所述待分析数据以及所述停车原因预测模型,确定在所述目标停车时间段内所述目标车辆的停车原因。
5.根据权利要求4所述的确定方法,其特征在于,基于所述待分析数据以及所述停车原因预测模型,确定在所述目标停车时间段内所述目标车辆的停车原因之后,还包括:
获取所述目标停车时间段内所述目标车辆的人工预测停车原因;
基于所述人工预测停车原因以及所述停车原因的比较结果,对所述停车原因分析模型进行修正。
6.一种停车原因的确定装置,其特征在于,包括:
数据获取模块,用于获取目标车辆的车辆行驶数据;
数据确定模块,用于依据所述车辆行驶数据,确定出所述目标车辆在不同行车时间段的行驶数据和在不同停车时间段的停车数据;
时间段确定模块,用于根据不同所述行车时间段的所述行驶数据和不同所述停车时间段的所述停车数据,确定待分析停车原因的目标停车时间段;
原因确定模块,用于根据不同所述行车时间段的所述行驶数据和不同所述停车时间段的所述停车数据,确定在所述目标停车时间段内所述目标车辆的停车原因。
7.根据权利要求6所述的确定装置,其特征在于,所述数据确定模块包括:
第一筛选子模块,用于根据所述车辆行驶数据,筛选出满足预设停车条件的时间段作为所述停车时间段;所述预设停车条件包括预设断电停车条件和预设怠速停车条件中的任一个;
第一数据确定子模块,用于基于所述车辆行驶数据中所述停车时间段对应的数据,确定所述停车时间段的停车数据;
第二筛选子模块,用于根据所述车辆行驶数据,筛选出满足预设行驶条件的时间段作为所述行车时间段;
第一时间段确定子模块,用于从所述行车时间段中确定出行驶怠速时间段;
第二数据确定子模块,用于基于所述车辆行驶数据中所述行车时间段对应的数据以及所述行驶怠速时间段对应的数据,确定所述行车时间段的行驶数据。
8.根据权利要求6所述的确定装置,其特征在于,所述时间段确定模块包括:
第三筛选子模块,用于筛选出满足预设停车筛选要求的停车时间段;所述预设停车筛选要求包括:所述停车时间段的停车数据中的停车时间、与位于所述停车时间段之前且紧邻所述停车时间段的行车时间段的行驶数据中的停车时间相同;
第二时间段确定子模块,用于将筛选出的停车时间段作为所述目标停车时间段。
9.根据权利要求6所述的确定装置,其特征在于,所述原因确定模块包括:
第三数据确定子模块,用于确定待分析数据;所述待分析数据包括:所述目标停车时间段的所述停车数据、位于所述目标停车时间段之前且紧邻所述目标停车时间段的所述行车时间段的所述行驶数据、以及位于所述目标停车时间段之前的上一所述停车时间段的所述停车数据;
模型获取子模块,用于获取停车原因预测模型;所述停车原因预测模型用于预测停车原因;
原因确定子模块,用于基于所述待分析数据以及所述停车原因预测模型,确定在所述目标停车时间段内所述目标车辆的停车原因。
10.根据权利要求9所述的确定装置,其特征在于,还包括:
原因获取子模块,用于所述原因确定子模块基于所述待分析数据以及所述停车原因预测模型,确定在所述目标停车时间段内所述目标车辆的停车原因之后,获取所述目标停车时间段内所述目标车辆的人工预测停车原因;
修正子模块,用于基于所述人工预测停车原因以及所述停车原因的比较结果,对所述停车原因分析模型进行修正。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910197654.0A CN109887285B (zh) | 2019-03-15 | 2019-03-15 | 一种停车原因的确定方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910197654.0A CN109887285B (zh) | 2019-03-15 | 2019-03-15 | 一种停车原因的确定方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109887285A true CN109887285A (zh) | 2019-06-14 |
CN109887285B CN109887285B (zh) | 2021-04-20 |
Family
ID=66932407
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910197654.0A Active CN109887285B (zh) | 2019-03-15 | 2019-03-15 | 一种停车原因的确定方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109887285B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110427992A (zh) * | 2019-07-23 | 2019-11-08 | 杭州城市大数据运营有限公司 | 数据匹配方法、装置、计算机设备及存储介质 |
CN111402577A (zh) * | 2020-02-27 | 2020-07-10 | 北京交通大学 | 一种信号交叉口驾驶员停车时间预测方法 |
CN113327078A (zh) * | 2021-05-08 | 2021-08-31 | 北京中交兴路信息科技有限公司 | 基于lstm算法的货车装卸车停靠类型判断方法、***及介质 |
CN113327078B (zh) * | 2021-05-08 | 2024-07-26 | 北京中交兴路信息科技有限公司 | 基于lstm算法的货车装卸车停靠类型判断方法、***及介质 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101201974A (zh) * | 2006-12-11 | 2008-06-18 | 厦门雅迅网络股份有限公司 | 一种基于无线传输技术的汽车停车统计方法 |
CN103886753A (zh) * | 2014-03-31 | 2014-06-25 | 姜廷顺 | 一种信号灯控制路口异常停车原因快速确认***及方法 |
CN103903439A (zh) * | 2014-03-14 | 2014-07-02 | 深圳先进技术研究院 | 客运车辆违规停车地点识别方法及*** |
CN105355054A (zh) * | 2015-11-23 | 2016-02-24 | 上海汽车集团股份有限公司 | 驾驶行为的识别方法和装置 |
CN106097709A (zh) * | 2016-06-27 | 2016-11-09 | 江苏迪纳数字科技股份有限公司 | 基于智能车载终端的驾驶行为识别方法 |
CN107273520A (zh) * | 2017-06-22 | 2017-10-20 | 北京理工大学 | 一种基于货车监控数据的装卸货地点识别方法 |
-
2019
- 2019-03-15 CN CN201910197654.0A patent/CN109887285B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101201974A (zh) * | 2006-12-11 | 2008-06-18 | 厦门雅迅网络股份有限公司 | 一种基于无线传输技术的汽车停车统计方法 |
CN103903439A (zh) * | 2014-03-14 | 2014-07-02 | 深圳先进技术研究院 | 客运车辆违规停车地点识别方法及*** |
CN103886753A (zh) * | 2014-03-31 | 2014-06-25 | 姜廷顺 | 一种信号灯控制路口异常停车原因快速确认***及方法 |
CN105355054A (zh) * | 2015-11-23 | 2016-02-24 | 上海汽车集团股份有限公司 | 驾驶行为的识别方法和装置 |
CN106097709A (zh) * | 2016-06-27 | 2016-11-09 | 江苏迪纳数字科技股份有限公司 | 基于智能车载终端的驾驶行为识别方法 |
CN107273520A (zh) * | 2017-06-22 | 2017-10-20 | 北京理工大学 | 一种基于货车监控数据的装卸货地点识别方法 |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110427992A (zh) * | 2019-07-23 | 2019-11-08 | 杭州城市大数据运营有限公司 | 数据匹配方法、装置、计算机设备及存储介质 |
CN111402577A (zh) * | 2020-02-27 | 2020-07-10 | 北京交通大学 | 一种信号交叉口驾驶员停车时间预测方法 |
CN113327078A (zh) * | 2021-05-08 | 2021-08-31 | 北京中交兴路信息科技有限公司 | 基于lstm算法的货车装卸车停靠类型判断方法、***及介质 |
CN113327078B (zh) * | 2021-05-08 | 2024-07-26 | 北京中交兴路信息科技有限公司 | 基于lstm算法的货车装卸车停靠类型判断方法、***及介质 |
Also Published As
Publication number | Publication date |
---|---|
CN109887285B (zh) | 2021-04-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109191876B (zh) | 一种基于车联网技术的特殊车辆交通诱导***及其控制方法 | |
CN102136190B (zh) | 城市公交客运事件应急响应调度管理***及方法 | |
CN110363984B (zh) | 交通流量预测方法和设备 | |
CN108873905A (zh) | 自动驾驶车辆控制方法、自动驾驶车辆及可读存储介质 | |
CN109448363B (zh) | 基于轨迹预测的嫌疑车辆智能封控方法、***及处理终端 | |
CN109166337B (zh) | 公交到站时间生成方法、装置及公交乘客出行od获取方法 | |
CN108074396A (zh) | 安全行驶评价方法及*** | |
CN104794915A (zh) | 一种连续交叉路口车辆通行控制方法及装置 | |
CN106781460B (zh) | 一种路段交通状态确定方法及装置 | |
CN109255951B (zh) | 一种勤务控制的方法及装置 | |
CN109887285A (zh) | 一种停车原因的确定方法及装置 | |
CN114140300A (zh) | 基于gps数据识别车辆停靠点方法、装置、存储介质及终端 | |
CN109493606A (zh) | 一种高速公路上违停车辆的识别方法及*** | |
CN113763695A (zh) | 一种自动驾驶车辆的调度方法和*** | |
CN115830848A (zh) | 一种基于lstm模型的共享停车位智能分配***及方法 | |
CN113870569B (zh) | 智能网联车辆无信号交叉口通行协调方法及*** | |
JP2006134158A (ja) | 区間旅行時間情報収集システム及び車載装置 | |
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 | |
CN107038857A (zh) | 一种公交数据获取方法及公交数据平台 | |
CN109383372A (zh) | 基于高级驾驶辅助的提醒方法、装置及高级辅助驾驶*** | |
CN116682282B (zh) | 一种路内预约停车*** | |
CN117409584A (zh) | 基于碳中和的新型智慧城市交通管理方法和*** | |
CN115909785A (zh) | 一种基于多智能体强化学习的混行多匝道协作合流控制方法 | |
CN113240207A (zh) | 交通工具的巡游方法、装置、电子设备和可读存储介质 | |
CN116386365B (zh) | 一种提升港区道路安全性的交通路径诱导方法及*** |
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 | ||
CB02 | Change of applicant information |
Address after: 4 / F, building 1, No.14 Jiuxianqiao Road, Chaoyang District, Beijing 100020 Applicant after: Beijing Jingwei Hirain Technologies Co.,Inc. Address before: 8 / F, block B, No. 11, Anxiang Beili, Chaoyang District, Beijing 100101 Applicant before: Beijing Jingwei HiRain Technologies Co.,Ltd. |
|
CB02 | Change of applicant information | ||
GR01 | Patent grant | ||
GR01 | Patent grant |