CN111091215B - 车辆识别方法、装置、计算机设备和存储介质 - Google Patents
车辆识别方法、装置、计算机设备和存储介质 Download PDFInfo
- Publication number
- CN111091215B CN111091215B CN201911268470.5A CN201911268470A CN111091215B CN 111091215 B CN111091215 B CN 111091215B CN 201911268470 A CN201911268470 A CN 201911268470A CN 111091215 B CN111091215 B CN 111091215B
- Authority
- CN
- China
- Prior art keywords
- vehicle
- day
- time period
- identified
- classification
- 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 43
- 238000013145 classification model Methods 0.000 claims abstract description 66
- 230000003203 everyday effect Effects 0.000 claims abstract description 16
- 238000012549 training Methods 0.000 claims description 42
- 230000006399 behavior Effects 0.000 claims description 16
- 238000004590 computer program Methods 0.000 claims description 12
- 230000002354 daily effect Effects 0.000 claims description 8
- 238000007499 fusion processing Methods 0.000 claims description 5
- 238000003066 decision tree Methods 0.000 claims description 4
- 230000004927 fusion Effects 0.000 claims description 4
- 238000007637 random forest analysis Methods 0.000 claims description 4
- 238000012706 support-vector machine Methods 0.000 claims description 4
- 238000012545 processing Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 238000010276 construction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003068 static effect Effects 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
- G06Q10/00—Administration; Management
- G06Q10/02—Reservations, e.g. for tickets, services or events
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- 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
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/40—Business processes related to the transportation industry
-
- G—PHYSICS
- G07—CHECKING-DEVICES
- G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
- G07C5/00—Registering or indicating the working of vehicles
- G07C5/08—Registering or indicating performance data other than driving, working, idle, or waiting time, with or without registering driving, working, idle or waiting time
- G07C5/0841—Registering performance data
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Data Mining & Analysis (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Computational Biology (AREA)
- Development Economics (AREA)
- Quality & Reliability (AREA)
- Life Sciences & Earth Sciences (AREA)
- Operations Research (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Entrepreneurship & Innovation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Traffic Control Systems (AREA)
Abstract
本申请涉及一种车辆识别方法、装置、计算机设备和存储介质。所述方法包括:获取待识别车辆在时间周期内的行驶轨迹数据;根据时间周期内待识别车辆每天所对应的行驶轨迹数据,确定待识别车辆每天不同时间段内分别对应的行驶特征数据;将待识别车辆每天不同时间段内分别对应的行驶特征数据,分别输入至训练好的车辆分类模型中,以对待识别车辆进行分类,得到待识别车辆每天的分类结果;当在时间周期内的分类结果满足预设条件时,判定待识别车辆为网络预约车辆。采用本方法能够准确识别网络预约车辆。
Description
技术领域
本申请涉及计算机技术领域,特别是涉及一种车辆识别方法、装置、计算机设备和存储介质。
背景技术
随着计算机技术的发展,人们日常出行的方式越来越多样化,网络预约车辆已经成为人们出行打车的主要方式。乘客可以在各类网络预约车辆平台上进行预约,司机接单后到达乘客指定地点,接乘客前往目的地,这种便捷的网络预约车辆出行方式深得人们的喜爱。为了便于管理,需要将网络预约车辆和非网络预约车辆进行区分。
目前,传统的网络预约车辆的识别方式,基本都是通过获取各类网络预约车辆平台上网络预约车辆登记的相关数据来判断的。然而,针对那些没有在各类网络预约车辆平台上登记过的网络预约车辆,则无法进行识别。
发明内容
基于此,有必要针对上述技术问题,提供一种能够准确识别网络预约车辆的车辆识别方法、装置、计算机设备和存储介质。
一种车辆识别方法,所述方法包括:
获取待识别车辆在时间周期内的行驶轨迹数据;
根据所述时间周期内所述待识别车辆每一天所对应的行驶轨迹数据,确定所述待识别车辆每天不同时间段内分别对应的行驶特征数据;
将所述待识别车辆每天不同时间段内分别对应的行驶特征数据,分别输入至训练好的车辆分类模型中,以对所述待识别车辆进行分类,得到所述待识别车辆每天的分类结果;
当在所述时间周期内的分类结果满足预设条件时,判定所述待识别车辆为网络预约车辆。
一种车辆识别装置,所述装置包括:
获取模块,用于获取待识别车辆在时间周期内的行驶轨迹数据;
确定模块,用于根据所述时间周期内所述待识别车辆每一天所对应的行驶轨迹数据,确定所述待识别车辆每天不同时间段内分别对应的行驶特征数据;
分类模块,用于将所述待识别车辆每天不同时间段内分别对应的行驶特征数据,分别输入至训练好的车辆分类模型中,以对所述待识别车辆进行分类,得到所述待识别车辆每天的分类结果;
判定模块,用于当在所述时间周期内的分类结果满足预设条件时,判定所述待识别车辆为网络预约车辆。
一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现以下步骤:
获取待识别车辆在时间周期内的行驶轨迹数据;
根据所述时间周期内所述待识别车辆每一天所对应的行驶轨迹数据,确定所述待识别车辆每天不同时间段内分别对应的行驶特征数据;
将所述待识别车辆每天不同时间段内分别对应的行驶特征数据,分别输入至训练好的车辆分类模型中,以对所述待识别车辆进行分类,得到所述待识别车辆每天的分类结果;
当在所述时间周期内的分类结果满足预设条件时,判定所述待识别车辆为网络预约车辆。
一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现以下步骤:
获取待识别车辆在时间周期内的行驶轨迹数据;
根据所述时间周期内所述待识别车辆每一天所对应的行驶轨迹数据,确定所述待识别车辆每天不同时间段内分别对应的行驶特征数据;
将所述待识别车辆每天不同时间段内分别对应的行驶特征数据,分别输入至训练好的车辆分类模型中,以对所述待识别车辆进行分类,得到所述待识别车辆每天的分类结果;
当在所述时间周期内的分类结果满足预设条件时,判定所述待识别车辆为网络预约车辆。
上述车辆识别方法、装置、计算机设备和存储介质,通过待识别车辆的行驶轨迹数据,确定待识别车辆在每天的不同时间段内分别对应的行驶特征数据,进而可记录待识别车辆在一天内的不同时间段内的行驶情况。将记录下来的行驶特征数据输入至车辆分类模型中,车辆分类模型将对输入的行驶特征数据进行处理,进而输出对每天的待识别车辆进行分类的分类结果。统计时间周期内待识别车辆的分类结果,以将满足预设条件的待识别车辆判定为网络预约车辆。这样,通过对车辆的行驶轨迹数据进行处理,能够精确地识别出网络预约车辆。
附图说明
图1为一个实施例中车辆识别方法的应用场景图;
图2为一个实施例中车辆识别方法的流程示意图;
图3为另一个实施例中车辆识别方法的流程示意图;
图4为一个实施例中车辆识别装置的结构框图;
图5为另一个实施例中车辆识别装置的结构框图;
图6为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
本申请提供的车辆识别方法,可以应用于如图1所示的应用环境中。该应用环境包括待识别车辆102和计算机设备104。待识别车辆102中装载有导航设备。计算机设备104可从待识别车辆102中,获取由导航设备采集的待识别车辆的行驶轨迹数据。计算机设备104可根据待识别车辆的行驶轨迹数据,确定待识别车辆的行驶特征数据。计算机设备104可将行驶特征数据输入车辆分类模型中对待识别车辆进行识别。其中,计算机设备可以是终端或服务器,服务器可以用独立的服务器或者是多个服务器组成的服务器集群来实现。终端具体可以是台式终端或移动终端,移动终端具体可以手机、平板电脑、笔记本电脑等中的至少一种。本领域技术人员可以理解,图1中示出的应用环境,仅仅是与本申请方案相关的部分场景,并不构成对本申请方案应用环境的限定。
在一个实施例中,如图2所示,提供了一种车辆识别方法,以该方法应用于图1中的计算机设备104为例进行说明,包括以下步骤:
S202,获取待识别车辆在时间周期内的行驶轨迹数据。
其中,时间周期是识别车辆的时间长度,比如,识别车辆的时间周期为七天,那么就需要获取待识别车辆在七天内的所有行驶轨迹数据。行驶轨迹数据是待识别车辆行驶情况的轨迹记录,比如待识别车辆的GPS(Global Positioning System,全球定位***)数据。
具体地,待识别车辆中装载有导航设备,导航设备可采集待识别车辆的行驶轨迹数据。导航设备可将待识别车辆时间周期内的行驶轨迹数据存储至服务器,进而计算机设备可从服务器中获取时间周期内的行驶轨迹数据。其中,导航设备可将待识别车辆多于一天的时间周期内的行驶轨迹数据存储至服务器。
在一个实施例中,待识别车辆的行驶轨迹数据可包括待识别车辆的定位点所对应的位置信息和定位时间。待识别车辆的定位点可按预设时长进行更新,比如,待识别车辆中装载的导航设备,可设定每间隔0.5秒进行定位点更新。其中,位置信息可包括定位点所对应的经度值和纬度值。
S204,根据时间周期内所述待识别车辆每天所对应的行驶轨迹数据,确定待识别车辆每天不同时间段内分别对应的行驶特征数据。
其中,行驶特征数据是待识别车辆在行驶过程中产生的、且与车辆识别结果具有关联性的数据。
在一个实施例中,可按照预设时间段将时间周期内的每一天划分为不同时间段。比如,0点到6点、6点到9点、9点到12点、12点到18点、18点到21点、21点到24点。计算机设备可根据待识别车辆的行驶轨迹数据,确定以上时间段内分别对应的待识别车辆的行驶特征数据。
在一个实施例中,可按照早晚上下班高峰时间,单独将时间周期内的每一天划分出不同的时间段。由于上下班高峰时间,网络预约车辆行驶轨迹将会更加特殊,因此上下班高峰时间段内待识别车辆的行驶特征数据,对识别网络预约车辆更具有意义。其中,网络预约车辆是依赖于网络平台进行乘车交易的车辆。
在一个实施例中,行驶特征数据可包括待识别车辆在不同时间段内的行驶距离、停车次数以及行驶区域。行驶距离可包括行驶总里程数、行驶总米数和行驶总英尺数等。行驶区域可包括郊区、市区以及工业区等。本实施例在此对待识别车辆的行驶距离和行驶区域不做限定。
S206,将所述待识别车辆每天不同时间段内分别对应的行驶特征数据,分别输入至训练好的车辆分类模型中,以对所述待识别车辆进行分类,得到所述待识别车辆每天的分类结果。
其中,车辆分类模型是具有分类功能的模型,用于将待识别车辆进行分类。分类结果是待识别车辆的类别识别的结果。比如,分类结果可以是网络预约车辆和非网络预约车辆。
具体地,计算机设备可确定时间周期内各天分别对应的行驶特征数据,进而计算机设备可将行驶特征数据分别输入至提前训练好的车辆分类模型中,通过车辆分类模型的分类功能,可将待识别车辆进行分类,得到与各天分别对应的该待识别车辆的分类结果。
在一个实施例中,车辆分类模型可以是分类器,分类器具体可以是GBDT(GradientBoosting Decision Tree,梯度提升决策树)分类器、SVM(Support Vector Machine,支持向量机)分类器、RF(Random Forest,随机森林)分类器等。本实施例在此对车辆分类模型不做限定。
在一个实施例中,行驶特征数据可包括待识别车辆的行驶距离和停车次数,行驶距离具体可以是待识别车辆的行车总里程数。将待识别车辆各天分别对应的行驶距离和停车次数输入至车辆分类模型中,最终可输出分类结果,具体地,可使用输出1代表识别结果为网络预约车辆,输出0代表识别结果为非网络预约车辆。其中,车辆分类模型具体可以是GBDT分类器。
S208,当在时间周期内的分类结果满足预设条件时,判定待识别车辆为网络预约车辆。
具体地,计算机设备将待识别车辆在时间周期内的分类结果,与预设条件进行比较。当分类结果满足预设条件时,计算机设备可判定该待识别车辆为网络预约车辆。
在一个实施例中,步骤S208,也就是当在时间周期内的分类结果满足预设条件时,判定待识别车辆为网络预约车辆的步骤,具体包括:确定在时间周期内,待识别车辆对应的分类结果为网络预约车辆类别的次数;当次数大于或等于预设次数时,判定待识别车辆为网络预约车辆。
具体地,待识别车辆对应的分类结果中,可包括待识别车辆被判定为网络预约车辆类别和非网络预约车辆的类别。计算机设备可确定在时间周期内,待识别车辆对应的分类结果为网络预约车辆类别的次数。将时间周期内被判定网络预约车辆类别的次数,与最终被识别为网络预约车辆所需要达到的预设次数进行比较,当次数大于或等于预设次数时,判定待识别车辆为网络预约车辆。
这样,通过先确定时间周期内每一天待识别车辆的分类结果,进而对时间周期内每一天的分类结果进行统计,最终确定待识别车辆的分类结果。避免了仅依赖待识别车辆某一天的行驶特征数据而片面地确定待识别车辆的分类类别,进而提升了车辆识别的准确性。
举例说明,识别待识别车辆的时间周期可以设定为七天,判定为网络预约车辆的预设条件可以设定为五天。当待识别车辆在七天内被判定为网络预约车辆的天数大于或者等于五天时,则判定该待识别车辆为网络预约车辆。
上述车辆识别方法中,通过待识别车辆的行驶轨迹数据,确定待识别车辆在每天的不同时间段内分别对应的行驶特征数据,进而可记录待识别车辆在一天内的不同时间段内的行驶情况。将记录下来的行驶特征数据输入至车辆分类模型中,车辆分类模型将对输入的行驶特征数据进行处理,进而输出对每天的待识别车辆进行分类的分类结果。统计时间周期内待识别车辆的分类结果,以将满足预设条件的待识别车辆判定为网络预约车辆。这样,通过对车辆的行驶轨迹数据进行处理,能够精确地识别出网络预约车辆。
在一个实施例中,步骤S204,也就是根据时间周期内所述待识别车辆每天所对应的行驶轨迹数据,确定待识别车辆每天不同时间段内分别对应的行驶特征数据的步骤,具体包括:确定时间周期内所述待识别车辆每天各自对应的多个时间段;对于每个时间段,将定位时间落在时间段内的多个定位点所构成的集合,作为与时间段对应的定位点集合;对于每天的各时间段,根据不同时间段各自对应的定位点集合中各定位点的位置信息和定位时间,计算待识别车辆每天不同时间段内分别对应的行驶距离和停车次数。
具体地,时间周期内的每一天可由多个时间段组成,计算机设备可确定时间周期内每一天各自对应的多个时间段。对于每个时间段,计算机设备可将定位时间落在时间段内的多个定位点所构成的集合,作为与该时间段对应的定位点集合。计算机设备可根据不同时间段各自对应的定位点集合中各定位点的位置信息和定位时间,按照时序将各定位点所确定的距离进行累加,得到待识别车辆在每一天的不同时间段内的行驶距离。计算机设备可将不同时间段内各定位点所确定的停车情况进行统计,得到待识别车辆在每一天的不同时间段内的停车次数。
在一个实施例中,定位点的位置信息可以是定位点的位置坐标,具体可以是定位点所确定的经度值和纬度值。计算机设备可根据两个定位点所确定的经度值和纬度值的差值来计算两个定位点之间的距离。进而,终端可将每个时间段内所有定位点之间的距离进行累加,得到待识别车辆在每一天的不同时间段内分别对应的行驶距离。
上述实施例中,通过确定每个时间段内所包括的所有定位点,可确定不同时间段各自对应的定位点集合中各定位点的位置信息和定位时间,进而,可快速高效地计算出待识别车辆在每一天的不同时间段内分别对应的行驶距离和停车次数。
在一个实施例中,对于每天的各时间段,根据不同时间段各自对应的定位点集合中各定位点的位置信息和定位时间,计算所述待识别车辆每天不同时间段内分别对应的行驶距离和停车次数,具体包括:对于每天的各时间段,按照时间段对应的定位点集合中各定位点的定位时间的时序,根据各定位点的位置信息,确定相邻两个定位点之间的距离;对于每天的各时间段,当预设时间间隔内的多组距离均小于等于预设距离阈值时,则判定在时间间隔内发生停车行为;统计每天的各时间段内发生停车行为的次数,并将次数作为相应的停车次数;对于每天的各时间段,累积各相邻两个定位点之间的距离,得到待识别车辆每天不同时间段内分别对应的行驶距离。
具体地,定位点集合中的各定位点都具有不同的位置信息和定位时间,计算机设备可按照时间段对应的定位点集合中各定位点的定位时间的时序,根据各定位点的位置信息,确定相邻两个定位点之间的距离。对于每一天的各时间段,计算机设备可确定每个定位点的定位时间,进而可确定多个相邻定位点之间的时间间隔。计算机设备可根据每个定位点的位置信息,确定相邻两个定位点之间的距离。当预设时间间隔内的多组距离均小于等于预设距离阈值时,计算机设备可判定在时间间隔内,待识别车辆发生了停车行为,且将各时间段内发生停车行为的次数作为相应的停车次数。计算机设备可将各时间段内两个相邻定位点之间的距离进行累积,得到待识别车辆在每一天的不同时间段内分别对应的行驶距离。
在一个实施例中,对于每一天的各时间段,可根据各时间段内的多个相邻的定位点的定位时间确定时间间隔,该多个相邻的定位点之间每两个相邻的定位点所确定的距离可作为该时间间隔内的一组距离。设定判断待识别车辆发生停车行为的预设时间间隔和预设距离阈值,当在预设时间间隔内存在多组距离均小于或者等于预设距离阈值时,计算机设备可判定在时间间隔内待识别车辆发生了停车行为。其中,时间间隔的时间长度,小于对应的时间段的时间长度。
在一个实施例中,车辆装载有导航设备,导航设备可定时进行GPS数据采集。比如,导航设备可每间隔1s进行一次定位,采集当前的位置信息和定位时间。例如,时间段为6点到9点,时间间隔为30s。当在这30s内存在30组相邻定位点间的距离均为0,或者接近于0时,比如,30组相邻定位点间的距离都为0时,则可认为待识别车辆为静止状态,计算机设备可判定在该时间间隔内发生了停车行为。
上述实施例中,在预设时间间隔内,通过比较对应的多组定位点所确定的距离和预设距离阈值,可准确地判定待识别车辆是否发生了停车行为,进而可快速确定待识别车辆在对应时间段内的停车次数。通过累积各相邻两个定位点之间的距离,可快速计算出待识别车辆在各时间段内的行驶距离。
在一个实施例中,步骤S206,也就是将所述待识别车辆每天不同时间段内分别对应的行驶特征数据,分别输入至训练好的车辆分类模型中,以对所述待识别车辆进行分类,得到所述待识别车辆每天的分类结果的步骤,具体包括:对于每天所对应的行驶特征数据,将当天的行驶特征数据,按各时间段分别输入至训练好的车辆分类模型中,得到不同时间段所对应的中间结果;分别将每天不同时间段所对应的中间结果进行融合处理,得到与每天分别对应的分类结果。
具体地,计算机设备上运行有预先训练好的车辆分类模型,分别将每一天所对应的行驶特征数据,按各时间段分别输入预先训练好的车辆分类模型中,车辆分类模型可对各时间段对应的行驶特征数据进行处理,得到不同时间段所对应的中间结果。进而,车辆分类模型可将各天不同时间段所对应的中间结果进一步进行融合处理,最终得到与各天分别对应的分类结果。
上述实施例中,通过将每一天各时间段所对应的行驶特征数据输入车辆分类模型获得中间结果,进而再将中间结果进行融合处理,可有效提高分类模型的分类效率,快速得到准确的分类结果。
在一个实施例中,分别将每天不同时间段所对应的中间结果进行融合处理,得到与每天分别对应的分类结果,具体包括:根据每天的交通状况,为不同时间段的中间结果分配相应的权重系数;基于权重系数,对不同时间段的中间结果进行融合处理,得到与每天分别对应的分类结果。
其中,交通状况是交通数据所反馈的状态,包括交通拥堵、交通畅通等。交通状况可以反映出一天当中的哪些时间段是上下班高峰期。比如,在一天当中,经常发生交通拥堵的时间段可判断为上下班高峰期。具体地,时间周期内每一天各时间段所对应的交通状况都是不同的,计算机设备可根据交通状况,为不同时间段的中间结果分配相应的权重系数,进而,不同时间段的中间结果对最终的分类结果的影响程度也是不同的。最后,基于权重系数,计算机设备可对不同时间段的中间结果进行融合处理,得到与各天分别对应的分类结果。
在一个实施例中,对于每一天的各时间段,计算机设备可为上下班高峰期所在的时间段分配较大的权重系数,为非上下班高峰期所对应的时间段分配较小的权重系数。例如,计算机设备可为6点到9点和18点到20点这两个时间段分配较大的权重系数,为6点到9点和18点到20点这两个时间段之外的时间段分配较小的权重系数。
上述实施例中,根据每一天各时间段的交通状况不同,为各时间段的中间处理结果分配对应的权重,使得各时间段的中间处理结果对最终的分类结果的影响程度不同,进一步提高了分类准确率。
在一个实施例中,车辆识别方法还包括:获取车辆分类模型的训练样本数据;训练样本数据包括与样本车辆对应的样本轨迹数据和分类标签;将样本轨迹数据输入至车辆分类模型,得到预测输出;按照预测输出与分类标签的差异,调整车辆分类模型的模型参数并继续训练,直至满足训练停止条件时结束训练。
其中,训练停止条件是结束车辆分类模型训练的条件。训练停止条件可以是达到预设的迭代次数,或者是调整模型参数后的车辆分类模型的分类性能指标达到预设指标。调整车辆分类模型的模型参数,是对车辆分类模型的模型参数进行调整。
具体地,训练车辆分类模型需要依赖于训练样本数据,计算机设备可获取车辆分类模型的训练样本数据,该训练样本数据可包括与样本车辆对应的样本轨迹数据和分类标签。计算机设备可将样本轨迹数据输入至车辆分类模型中,车辆分类模型可对样本轨迹数据进行分类处理得到预测输出。计算机设备可将预测输出与分类标签进行对比得到对比结果,得到比对的差异,朝减小差异的方向调整车辆分类模型的模型参数并继续训练,直至达到训练停止条件时结束训练。
在一个实施例中,训练样本数据可包括样本车辆对应的行驶距离和停车次数,行驶距离具体可以是样本车辆的行车总里程数。将样本车辆各天分别对应的行驶距离和停车次数输入至车辆分类模型中,反复训练调整车辆分类模型的模型参数,直至满足训练停止条件时结束训练。
上述实施例中,通过训练样本数据对车辆分类模型进行训练,比较预测输出和训练样本数据的分类标签,可使得车辆分类模型的模型参数达到最优,进而可得到分类准确率更高的车辆分类模型。
如图3所示,在一个具体的实施例中,车辆识别方法包括以下步骤:
S302,获取待识别车辆在时间周期内的行驶轨迹数据。
S304,确定时间周期内所述待识别车辆每天各自对应的多个时间段。
S306,对于每个时间段,将定位时间落在时间段内的多个定位点所构成的集合,作为与时间段对应的定位点集合。
S308,对于每天的各时间段,按照时间段对应的定位点集合中各定位点的定位时间的时序,根据各定位点的位置信息,确定相邻两个定位点之间的距离。
S310,对于每天的各时间段,当预设时间间隔内的多组距离均小于等于预设距离阈值时,则判定在时间间隔内发生停车行为。
S312,统计每天的各时间段内发生停车行为的次数,并将次数作为相应的停车次数。
S314,对于每天的各时间段,累积各相邻两个定位点之间的距离,得到待识别车辆每天不同时间段内分别对应的行驶距离。
S316,获取车辆分类模型的训练样本数据;训练样本数据包括与样本车辆对应的样本轨迹数据和分类标签。
S318,将样本轨迹数据输入至车辆分类模型,得到预测输出。
S320,按照预测输出与分类标签的差异,调整车辆分类模型的模型参数并继续训练,直至满足训练停止条件时结束训练。
S322,对于每天所对应的行驶特征数据,将当天的行驶特征数据,按各时间段分别输入至训练好的车辆分类模型中,得到不同时间段所对应的中间结果。
S324,根据每天的交通状况,为不同时间段的中间结果分配相应的权重系数。
S326,基于权重系数,对不同时间段的中间结果进行融合处理,得到与每天分别对应的分类结果。
S328,确定在时间周期内,待识别车辆对应的分类结果为网络预约车辆类别的次数。
S330,当次数大于或等于预设次数时,判定待识别车辆为网络预约车辆。
上述车辆识别方法,通过待识别车辆的行驶轨迹数据,确定待识别车辆在每天的不同时间段内分别对应的行驶特征数据,进而可记录待识别车辆在一天内的不同时间段内的行驶情况。将记录下来的行驶特征数据输入至车辆分类模型中,车辆分类模型将对输入的行驶特征数据进行处理,进而输出对每天的待识别车辆进行分类的分类结果。统计时间周期内待识别车辆的分类结果,以将满足预设条件的待识别车辆判定为网络预约车辆。这样,通过对车辆的行驶轨迹数据进行处理,能够精确地识别出网络预约车辆。
应该理解的是,虽然图3的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,图3中的至少一部分步骤可以包括多个子步骤或者多个阶段,这些子步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些子步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中,如图4所示,提供了一种车辆识别装置,包括:获取模块401、确定模块402、分类模块403和判定模块404,其中:
获取模块401,用于获取待识别车辆在时间周期内的行驶轨迹数据;
确定模块402,用于根据时间周期内所述待识别车辆每天所对应的行驶轨迹数据,确定待识别车辆每天不同时间段内分别对应的行驶特征数据;
分类模块403,用于将所述待识别车辆每天不同时间段内分别对应的行驶特征数据,分别输入至训练好的车辆分类模型中,以对所述待识别车辆进行分类,得到所述待识别车辆每天的分类结果;
判定模块404,用于当在时间周期内的分类结果满足预设条件时,判定待识别车辆为网络预约车辆。
在一个实施例中,获取模块401还用于获取车辆分类模型的训练样本数据;训练样本数据包括与样本车辆对应的样本轨迹数据和分类标签。
在一个实施例中,确定模块402还用于确定时间周期内所述待识别车辆每天各自对应的多个时间段;对于每个时间段,将定位时间落在时间段内的多个定位点所构成的集合,作为与时间段对应的定位点集合;对于每天的各时间段,根据不同时间段各自对应的定位点集合中各定位点的位置信息和定位时间,计算待识别车辆每天不同时间段内分别对应的行驶距离和停车次数。
在一个实施例中,确定模块402还用于对于每天的各时间段,按照时间段对应的定位点集合中各定位点的定位时间的时序,根据各定位点的位置信息,确定相邻两个定位点之间的距离;对于每天的各时间段,当预设时间间隔内的多组距离均小于等于预设距离阈值时,则判定在时间间隔内发生停车行为;统计每天的各时间段内发生停车行为的次数,并将次数作为相应的停车次数;对于每天的各时间段,累积各相邻两个定位点之间的距离,得到待识别车辆每天不同时间段内分别对应的行驶距离。
在一个实施例中,分类模块403还用于对于每天所对应的行驶特征数据,将当天的行驶特征数据,按各时间段分别输入至训练好的车辆分类模型中,得到不同时间段所对应的中间结果;分别将每天不同时间段所对应的中间结果进行融合处理,得到与每天分别对应的分类结果。
在一个实施例中,分类模块403还用于根据每天的交通状况,为不同时间段的中间结果分配相应的权重系数;基于权重系数,对不同时间段的中间结果进行融合处理,得到与每天分别对应的分类结果。
在一个实施例中,判定模块404还用于确定在时间周期内,待识别车辆对应的分类结果为网络预约车辆类别的次数;当次数大于或等于预设次数时,判定待识别车辆为网络预约车辆。
参考图5,在一个实施例中,车辆识别装置还包括:预测模块405和调整模块406,其中:
预测模块405,用于将样本轨迹数据输入至车辆分类模型,得到预测输出。
调整模块406,用于按照预测输出与分类标签的差异,调整车辆分类模型的模型参数并继续训练,直至满足训练停止条件时结束训练。
上述车辆识别装置,通过待识别车辆的行驶轨迹数据,确定待识别车辆在每天的不同时间段内分别对应的行驶特征数据,进而可记录待识别车辆在一天内的不同时间段内的行驶情况。将记录下来的行驶特征数据输入至车辆分类模型中,车辆分类模型将对输入的行驶特征数据进行处理,进而输出对每天的待识别车辆进行分类的分类结果。统计时间周期内待识别车辆的分类结果,以将满足预设条件的待识别车辆判定为网络预约车辆。这样,通过对车辆的行驶轨迹数据进行处理,能够精确地识别出网络预约车辆。
关于车辆识别装置的具体限定可以参见上文中对于车辆识别方法的限定,在此不再赘述。上述车辆识别装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中,提供了一种计算机设备,该计算机设备可以是上述图1中的计算机设备104,其内部结构图可以如图6所示。该计算机设备包括通过***总线连接的处理器、存储器、网络接口、显示屏和输入装置。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作***和计算机程序。该内存储器为非易失性存储介质中的操作***和计算机程序的运行提供环境。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种车辆识别方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏,该计算机设备的输入装置可以是显示屏上覆盖的触摸层,也可以是计算机设备外壳上设置的按键、轨迹球或触控板,还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解,图6中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个实施例中,提供了一种计算机设备,包括存储器和处理器,存储器存储有计算机程序,计算机程序被处理器执行时,使得处理器执行上述车辆识别方法的步骤。此处车辆识别方法的步骤可以是上述各个实施例的车辆识别方法中的步骤。
在一个实施例中,提供了一种计算机可读存储介质,存储有计算机程序,计算机程序被处理器执行时,使得处理器执行上述车辆识别方法的步骤。此处车辆识别方法的步骤可以是上述各个实施例的车辆识别方法中的步骤。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限,RAM以多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种车辆识别方法,所述方法包括:
获取车辆分类模型的训练样本数据;所述训练样本数据包括与样本车辆对应的样本轨迹数据和分类标签;
将所述样本轨迹数据输入至所述车辆分类模型,得到预测输出;
按照所述预测输出与所述分类标签的差异,调整所述车辆分类模型的模型参数并继续训练,直至满足训练停止条件时结束训练;
获取待识别车辆在时间周期内的行驶轨迹数据;所述行驶轨迹数据包括多个定位点各自对应的位置信息和定位时间;所述行驶特征数据包括行驶距离和停车次数;
确定所述时间周期内所述待识别车辆每天各自对应的多个时间段;
对于每个时间段,将定位时间落在所述时间段内的多个定位点所构成的集合,作为与所述时间段对应的定位点集合;
对于每天的各时间段,按照所述时间段对应的定位点集合中各定位点的定位时间的时序,根据各定位点的位置信息,确定相邻两个定位点之间的距离;
对于每天的各时间段,当预设时间间隔内的多组距离均小于等于预设距离阈值时,则判定在所述时间间隔内发生停车行为;
统计每天的各时间段内发生停车行为的次数,并将所述次数作为相应的停车次数;
对于每天的各时间段,累积各相邻两个定位点之间的距离,得到所述待识别车辆每天不同时间段内分别对应的行驶距离;
对于每天所对应的行驶特征数据,将当天的行驶特征数据,按各时间段分别输入至训练好的车辆分类模型中,得到不同时间段所对应的中间结果;
分别将每天不同时间段所对应的中间结果进行融合处理,得到与每天分别对应的分类结果;
确定在所述时间周期内,所述待识别车辆对应的分类结果为网络预约车辆类别的次数;
当所述次数大于或等于预设次数时,判定所述待识别车辆为网络预约车辆。
2.根据权利要求1所述的方法,其特征在于,所述分别将每天不同时间段所对应的中间结果进行融合处理,得到与每天分别对应的分类结果,包括:
根据每天的交通状况,为不同时间段的中间结果分配相应的权重系数;
基于所述权重系数,对不同时间段的中间结果进行融合处理,得到与每天分别对应的分类结果。
3.根据权利要求1所述的方法,其特征在于,所述车辆分类模型包括梯度提升决策树分类器、支持向量机分类器或随机森林分类器中的至少一种。
4.根据权利要求1所述的方法,其特征在于,所述训练停止条件包括迭代训练的次数达到预设的迭代次数,或者调整模型参数后的所述车辆分类模型的分类性能指标达到预设指标中的至少一种。
5.一种车辆识别装置,其特征在于,所述装置包括:
获取模块,用于获取车辆分类模型的训练样本数据;所述训练样本数据包括与样本车辆对应的样本轨迹数据和分类标签;
预测模块,用于将所述样本轨迹数据输入至所述车辆分类模型,得到预测输出;
调整模块,用于按照所述预测输出与所述分类标签的差异,调整所述车辆分类模型的模型参数并继续训练,直至满足训练停止条件时结束训练;
所述获取模块还用于获取待识别车辆在时间周期内的行驶轨迹数据;所述行驶轨迹数据包括多个定位点各自对应的位置信息和定位时间;所述行驶特征数据包括行驶距离和停车次数;
确定模块,用于确定所述时间周期内所述待识别车辆每天各自对应的多个时间段;对于每个时间段,将定位时间落在所述时间段内的多个定位点所构成的集合,作为与所述时间段对应的定位点集合;对于每天的各时间段,按照所述时间段对应的定位点集合中各定位点的定位时间的时序,根据各定位点的位置信息,确定相邻两个定位点之间的距离;对于每天的各时间段,当预设时间间隔内的多组距离均小于等于预设距离阈值时,则判定在所述时间间隔内发生停车行为;统计每天的各时间段内发生停车行为的次数,并将所述次数作为相应的停车次数;对于每天的各时间段,累积各相邻两个定位点之间的距离,得到所述待识别车辆每天不同时间段内分别对应的行驶距离;
分类模块,用于对于每天所对应的行驶特征数据,将当天的行驶特征数据,按各时间段分别输入至训练好的车辆分类模型中,得到不同时间段所对应的中间结果;分别将每天不同时间段所对应的中间结果进行融合处理,得到与每天分别对应的分类结果;
判定模块,用于确定在所述时间周期内,所述待识别车辆对应的分类结果为网络预约车辆类别的次数;当所述次数大于或等于预设次数时,判定所述待识别车辆为网络预约车辆。
6.根据权利要求5所述的装置,其特征在于,所述分类模块还用于根据每天的交通状况,为不同时间段的中间结果分配相应的权重系数;基于所述权重系数,对不同时间段的中间结果进行融合处理,得到与每天分别对应的分类结果。
7.根据权利要求5所述的装置,其特征在于,所述车辆分类模型包括梯度提升决策树分类器、支持向量机分类器或随机森林分类器中的至少一种。
8.根据权利要求5所述的装置,其特征在于,所述训练停止条件包括迭代训练的次数达到预设的迭代次数,或者调整模型参数后的所述车辆分类模型的分类性能指标达到预设指标中的至少一种。
9.一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至4中任一项所述方法的步骤。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至4中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911268470.5A CN111091215B (zh) | 2019-12-11 | 2019-12-11 | 车辆识别方法、装置、计算机设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911268470.5A CN111091215B (zh) | 2019-12-11 | 2019-12-11 | 车辆识别方法、装置、计算机设备和存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111091215A CN111091215A (zh) | 2020-05-01 |
CN111091215B true CN111091215B (zh) | 2023-10-20 |
Family
ID=70394970
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911268470.5A Active CN111091215B (zh) | 2019-12-11 | 2019-12-11 | 车辆识别方法、装置、计算机设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111091215B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113192340B (zh) * | 2021-03-26 | 2022-09-20 | 北京中交兴路信息科技有限公司 | 高速公路施工车辆的识别方法、装置、设备及存储介质 |
CN116561604B (zh) * | 2023-07-10 | 2023-09-29 | 北京千方科技股份有限公司 | 货车的识别方法、装置、电子设备及介质 |
CN117373143B (zh) * | 2023-12-06 | 2024-05-31 | 山东高速股份有限公司 | 一种道路车辆的预约通行方法、装置、设备及存储介质 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105320966A (zh) * | 2015-10-30 | 2016-02-10 | 东软集团股份有限公司 | 一种车辆行驶状态识别方法及装置 |
CN107025459A (zh) * | 2016-01-29 | 2017-08-08 | 中兴通讯股份有限公司 | 一种车型识别方法及装置 |
CN107301433A (zh) * | 2017-07-14 | 2017-10-27 | 南京华苏科技有限公司 | 基于聚类判别模型的网约车鉴别方法和*** |
CN107316459A (zh) * | 2017-07-21 | 2017-11-03 | 武汉依迅北斗空间技术有限公司 | 一种车辆轨迹异常检测方法及*** |
WO2018000931A1 (zh) * | 2016-07-01 | 2018-01-04 | 广州地理研究所 | 一种多约束网络集约小客车调度方法 |
CN109145982A (zh) * | 2018-08-17 | 2019-01-04 | 上海汽车集团股份有限公司 | 驾驶员的身份识别方法及装置、存储介质、终端 |
CN109584133A (zh) * | 2018-10-15 | 2019-04-05 | 深圳壹账通智能科技有限公司 | 网约车安全控制方法、装置、计算机设备及存储介质 |
CN109887292A (zh) * | 2019-04-04 | 2019-06-14 | 上海赢科信息技术有限公司 | 车辆类型的识别方法及*** |
CN109934233A (zh) * | 2019-03-11 | 2019-06-25 | 北京经纬恒润科技有限公司 | 一种运输业务识别方法和*** |
CN110443185A (zh) * | 2019-07-31 | 2019-11-12 | 京东城市(北京)数字科技有限公司 | 驾驶员识别方法、驾驶员识别装置、电子设备及存储介质 |
-
2019
- 2019-12-11 CN CN201911268470.5A patent/CN111091215B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105320966A (zh) * | 2015-10-30 | 2016-02-10 | 东软集团股份有限公司 | 一种车辆行驶状态识别方法及装置 |
CN107025459A (zh) * | 2016-01-29 | 2017-08-08 | 中兴通讯股份有限公司 | 一种车型识别方法及装置 |
WO2018000931A1 (zh) * | 2016-07-01 | 2018-01-04 | 广州地理研究所 | 一种多约束网络集约小客车调度方法 |
CN107301433A (zh) * | 2017-07-14 | 2017-10-27 | 南京华苏科技有限公司 | 基于聚类判别模型的网约车鉴别方法和*** |
CN107316459A (zh) * | 2017-07-21 | 2017-11-03 | 武汉依迅北斗空间技术有限公司 | 一种车辆轨迹异常检测方法及*** |
CN109145982A (zh) * | 2018-08-17 | 2019-01-04 | 上海汽车集团股份有限公司 | 驾驶员的身份识别方法及装置、存储介质、终端 |
CN109584133A (zh) * | 2018-10-15 | 2019-04-05 | 深圳壹账通智能科技有限公司 | 网约车安全控制方法、装置、计算机设备及存储介质 |
CN109934233A (zh) * | 2019-03-11 | 2019-06-25 | 北京经纬恒润科技有限公司 | 一种运输业务识别方法和*** |
CN109887292A (zh) * | 2019-04-04 | 2019-06-14 | 上海赢科信息技术有限公司 | 车辆类型的识别方法及*** |
CN110443185A (zh) * | 2019-07-31 | 2019-11-12 | 京东城市(北京)数字科技有限公司 | 驾驶员识别方法、驾驶员识别装置、电子设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN111091215A (zh) | 2020-05-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111091215B (zh) | 车辆识别方法、装置、计算机设备和存储介质 | |
CN107945507B (zh) | 行程时间预测方法及装置 | |
CN110210604B (zh) | 一种终端设备移动轨迹预测方法及装置 | |
CN112700072A (zh) | 交通状况预测方法、电子设备和存储介质 | |
CN109800984B (zh) | 驾驶水平评估方法、装置、计算机设备和存储介质 | |
CN104169990A (zh) | 用于提供关于空闲停车位的驻车信息的方法 | |
CN110969834B (zh) | 处理方法、装置、计算机设备、存储介质及车辆调度*** | |
CN112509317B (zh) | 基于机器学习算法的公交实时到站预测方法、装置和设备 | |
US11250031B2 (en) | Method of predicting a traffic behaviour in a road system | |
CN113587944B (zh) | 准实时的车辆行驶路线生成方法、***及设备 | |
CN112037518A (zh) | 一种用于预测交通状态的计算方法、***及车辆 | |
CN110455302B (zh) | 导航***控制方法、装置、计算机设备和存储介质 | |
CN106940929B (zh) | 交通数据预测方法及装置 | |
US9747801B2 (en) | Method and device for determining surroundings | |
CN113064916B (zh) | 异常打卡行为的监测方法、装置、计算机设备及存储介质 | |
CN111582378B (zh) | 定位识别模型的训练生成方法、位置检测方法、装置 | |
CN116453371B (zh) | 共享车辆的还车识别方法、装置、计算机设备和存储介质 | |
CN117077928A (zh) | 网约车需求预测方法、装置、设备及存储介质 | |
CN111695820A (zh) | 工程车辆电子联单管理方法、装置、终端及存储介质 | |
CN116443032A (zh) | 一种未来长时车速预测方法、***、设备和存储介质 | |
CN115204755B (zh) | 服务区入区率测算方法、装置、电子设备及可读存储介质 | |
CN116312023A (zh) | 引导停车方法、装置、设备及存储介质 | |
CN112991712B (zh) | 预测交通密度的方法、***、计算机设备和存储介质 | |
CN111161533B (zh) | 交通事故处理方法和装置、电子设备 | |
CN111383471B (zh) | 交通灯倒计时的获取方法、装置、计算机设备和存储介质 |
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 |