CN111192451B - 车辆到达时间的预测方法、装置、计算机设备及存储介质 - Google Patents
车辆到达时间的预测方法、装置、计算机设备及存储介质 Download PDFInfo
- Publication number
- CN111192451B CN111192451B CN201911369725.7A CN201911369725A CN111192451B CN 111192451 B CN111192451 B CN 111192451B CN 201911369725 A CN201911369725 A CN 201911369725A CN 111192451 B CN111192451 B CN 111192451B
- Authority
- CN
- China
- Prior art keywords
- vehicle
- time
- destination
- arrival
- final
- 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
Images
Classifications
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
- G08G1/0125—Traffic data processing
- G08G1/0129—Traffic data processing for creating historical data or processing based on historical data
-
- 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
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
- G08G1/0137—Measuring and analyzing of parameters relative to traffic conditions for specific applications
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
- G08G1/0137—Measuring and analyzing of parameters relative to traffic conditions for specific applications
- G08G1/0145—Measuring and analyzing of parameters relative to traffic conditions for specific applications for active traffic flow control
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Analytical Chemistry (AREA)
- Business, Economics & Management (AREA)
- Chemical & Material Sciences (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Game Theory and Decision Science (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Operations Research (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Theoretical Computer Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请提供车辆到达时间的预测方法、装置、计算机设备及存储介质,属于交通预测技术领域。用于在目的地端对所有可能到达该目的地的车辆及到达该目的地的到达时间进行准确预测。该方法包括:根据车辆发出的GPS数据包获取每个车辆的行驶轨迹数据;计算对应车辆到达预设的同一目的地的概率;将计算的该概率大于预设概率阈值的车辆确定为备选到达车辆;计算每个备选到达车辆的预测到达时间;从该备选到达车辆中选取与当前时间相隔预设时间段内该概率最大的前预设个车辆作为最终到达车辆,获取该最终到达车辆的预测到达时间;实时计算该最终到达车辆与该目的地之间的拥堵时间;根据预测到达时间、拥堵时间及权重系数计算该最终到达车辆的最终到达时间。
Description
技术领域
本发明涉及交通预测技术领域,特别是涉及车辆到达时间的预测方法、装置、计算机设备及存储介质。
背景技术
基于用户的乘车需求,需要对用户的到达目的地的时间进行预估,目前市面上主流的打车软件及地图路线搜索工具中均存在对当前位置至目的地的到达时间进行预估。
不管是打车软件中对用户到达目的地的时间的预估方法,还是地图路线搜索工具中对用户到达目的地的时间的预估方法,该方法只能适用于用户端对当前用户的到达时间进行预估,在某些特殊场景下无法适用。
例如很多货柜车从四面八方行驶到同一港口,需要在该港口进行卸货,则港口需要对到港的货柜车进行初步统计,并对到港的货柜车的到港时间进行统计,以便于对卸货工作人员及装载设备进行安排,避免等待时间过长导致资源浪费。考虑到到港卸货的货柜车的排队情况会导致港口拥堵,而此拥堵情况是大面积的,与传统场景中单个用户、单条路线的拥堵情况不同、数据获取方式不同,因此无法直接将现有的到达时间的预测方法应用在本场景中。
现亟待提出一种应用于目的地的能对所有可能到达该目的地的车辆及到达该目的地的到达时间进行准确预测的方法。
发明内容
本发明实施例提供车辆到达时间的预测方法、装置、计算机设备及存储介质,应用于目的地且可以对所有可能到达该目的地的车辆及到达该目的地的到达时间进行准确预测。
根据本发明的一个方面提供的一种车辆到达时间的预测方法,该方法包括:
实时接收多个车辆发出的GPS数据包,解析该GPS数据包中的车辆标识及坐标信息;
按照时间先后顺序,生成与每个该车辆标识对应的坐标序列,得到对应车辆的行驶轨迹数据;
通过概率分布函数及该行驶轨迹数据,计算对应车辆到达预设的同一目的地的概率,该概率分布函数通过对存储的历史车辆轨迹数据及是否到达目的地进行求解得到;
将计算的该概率大于预设概率阈值的车辆确定为备选到达车辆;
根据该历史车辆轨迹数据及历史到达时间计算每个该备选到达车辆的预测到达时间;
从该备选到达车辆中选取与当前时间相隔预设时间段内该概率最大的前预设个车辆作为最终到达车辆,获取该最终到达车辆的预测到达时间;
实时计算该最终到达车辆与该目的地之间的拥堵时间,并获取该拥堵时间的权重系数;
根据该预测到达时间、该拥堵时间及该权重系数计算该最终到达车辆的最终到达时间。
根据本发明的另一个阶段提供的车辆到达时间的预测装置,该装置包括:
数据接收模块,用于实时接收多个车辆发出的GPS数据包,解析该GPS数据包中的车辆标识及坐标信息;
坐标序列生成模块,用于按照时间先后顺序,生成与每个该车辆标识对应的坐标序列,得到对应车辆的行驶轨迹数据;
第一计算模块,用于通过概率分布函数及该行驶轨迹数据,计算对应车辆到达预设的同一目的地的概率,该概率分布函数通过对存储的历史车辆轨迹数据及是否到达目的地进行求解得到;
车辆确定模块,用于将计算的该概率大于预设概率阈值的车辆确定为备选到达车辆;
第二计算模块,用于根据该历史车辆轨迹数据及历史到达时间计算每个该备选到达车辆的预测到达时间;
时间获取模块,用于从该备选到达车辆中选取与当前时间相隔预设时间段内该概率最大的前预设个车辆作为最终到达车辆,获取该最终到达车辆的预测到达时间;
第三计算模块,用于实时计算该最终到达车辆与该目的地之间的拥堵时间,并获取该拥堵时间的权重系数;
时间计算模块,用于根据该预测到达时间、该拥堵时间及该权重系数计算该最终到达车辆的最终到达时间。
根据本发明的又一个方面提供的一种计算机设备,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,该处理器执行该程序时实现上述车辆到达时间的预测方法。
根据本发明的还一个方面提供的一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现上述车辆到达时间的预测方法中的步骤。
本发明提供的车辆到达时间的预测方法、装置、计算机设备及存储介质,通过实时接收多个车辆发出的GPS数据包,解析该GPS数据包中的车辆标识及坐标信息,得到对应车辆的行驶轨迹数据,然后通过概率分布函数及该行驶轨迹数据,计算对应车辆到达预设的同一目的地的概率,将计算的该概率大于预设概率阈值的车辆确定为备选到达车辆,由于目的地同一时间段能够容纳的车辆有限,根据概率确定的备选到达车辆并非一定都能到达,因此还需要考虑目的地的能够容纳的最大车辆的数量,故本方案还设定从该备选到达车辆中选取与当前时间相隔预设时间段内该概率最大的前预设个车辆作为最终到达车辆,并从预先计算的每个该备选到达车辆的预测到达时间中获取该最终到达车辆的预测到达时间,然后实时计算该最终到达车辆与该目的地之间的拥堵时间,并获取该拥堵时间的权重系数,根据该预测到达时间、该拥堵时间及该权重系数计算该最终到达车辆的最终到达时间,根据本申请的方法计算的最终到达车辆及该最终到达车辆的最终到达时间考虑了目的地的容纳情况即车辆与该目的地之间的实时的拥堵情况,使得该应用于目的地且可以对所有可能最终到达该目的地的车辆及到达该目的地的到达时间进行准确预测。
附图说明
图1是本发明一实施例中车辆到达时间的预测方法的一应用环境示意图;
图2是根据本发明的一个实施例的车辆到达时间的预测方法的流程图;
图3是根据本发明的另一实施例的车辆到达时间的预测方法的流程图;
图4是根据本发明的又一实施例的车辆到达时间的预测方法的流程图;
图5是根据本发明一个实施例的拥堵时间的计算方法的适用环境示意图;
图6是根据本发明另一实施例的拥堵时间的计算方法的适用环境示意图;
图7为根据本发明的一个实施例的车辆到达时间的预测装置的示范性结构框图;
图8为根据本发明的一个实施例的计算机设备的内部结构示意图。
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作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。
本申请提供的车辆到达时间的预测方法,可应用在如图1的应用环境中,其中,计算机设备通过网络与各个车辆的车载***进行通信。其中,计算机设备包括但不限于各种个人计算机、服务器、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备。其中,该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。该计算机设备用于接收多个车辆发出的GPS(Global Positioning System,全球定位***)数据包,并依据该GPS数据包及车辆到达时间的预测方法判断哪些车辆为到达预设目的地的车辆,并预测到达该预设目的地的车辆的到达时间。
图2是根据本发明的一个实施例的车辆到达时间的预测方法的流程图,如图2所示,该车辆到达时间的预测方法包括以下步骤S101至S108。
S101、实时接收多个车辆发出的GPS数据包,解析该GPS数据包中的车辆标识及坐标信息。
在其中一个实施例中,该车辆标识用于标识不同的车辆,该车辆标识可以为车辆的车牌号,还可以为该车辆发动机的唯一识别码。
其中,所述车辆为货柜车,该GPS数据包中存储有车辆的类型。其中,该GPS数据包及历史车辆轨迹数据包中数据不同字段存储的数据内容例如:
车牌号码 | 车辆类型 | 业户名称 | 经纬度 | GPS速度 | 方向 |
进一步地,该GPS数据包及历史车辆轨迹数据包还包括车牌颜色信息,进一步地,可以用数字代码指代不同的颜色,例如:
数字代码 | 1 | 2 | 3 | 4 | 9 |
颜色 | 蓝色 | 黄色 | 黑色 | 白色 | 其它 |
S102、按照时间先后顺序,生成与每个该车辆标识对应的坐标序列,得到对应车辆的行驶轨迹数据。
其中,对应车辆的行驶轨迹数据可以用向量表征如下:
Fk(t)={ak(t1),ak(t2),ak(t3),……,ak(tn)};
其中k表示与所述车辆标识一一对应的车辆索引,tn表示时间索引,ak(tn)表示第k辆货柜车在tn时刻的GPS坐标。
S103、通过概率分布函数及该行驶轨迹数据,计算对应车辆到达预设的同一目的地的概率,该概率分布函数通过对存储的历史车辆轨迹数据及是否到达目的地进行求解得到。
在其中一个实施例中,所述目的地包括港口,该概率分布函数可以对历史车辆轨迹数据进行分析,通过EM(Expectation-maximizationalgorithm)最大期望算法和混合高斯分布模型,根据离散坐标点求取概率分布函数属于本领域技术人员的现有技术,其实现细节就不多赘述了。
在其中一个实施例中,在该步骤S103的步骤之前,该方法还包括:
对该行驶轨迹数据分别进行数据清洗、数据过滤及空值***处理,得到预处理后的行驶轨迹数据。
该步骤S103进一步为通过概率分布函数及该预处理后的行驶轨迹数据,计算对应车辆到达预设的同一目的地的概率。
S104、将计算的该概率大于预设概率阈值的车辆确定为备选到达车辆。
其中一个实施例中,该概率阈值为人为设定。其中,本步骤选出的备选到达车辆是初步预测出的到达目的地的车辆,该选择过程未考虑目的地的最大容车辆。
S105、根据该历史车辆轨迹数据及历史到达时间计算每个该备选到达车辆的预测到达时间。
在其中一个实施例中,该步骤S105进一步包括:
从该历史车辆轨迹数据中获取与该备选到达车辆当前位置的距离小于预设值的最小的预设个历史到达车辆,获取每个该历史到达车辆的到达时间;
根据每个该历史到达车辆的到达时间计算平均到达时间,将该平均到达时间作为该备选到达车辆的预测到达时间。
其中,所述从该历史车辆轨迹数据中获取与该备选到达车辆当前位置的距离小于预设值的车辆可以理解为:判断所有到达该目的地的每个到达历史车辆的轨迹数据中,是否存在某一坐标值与该车辆当前位置的坐标值的距离小于预设值的车辆,若存在,则获取该历史到达车辆的到达时间,轮询本步骤直到获取每个满足要求的历史到达车辆的到达时间,并从获取的所有历史到达车辆中查询与该车辆当前位置坐标点的距离小于预设值的最小的预设个历史到达车辆,求所述预设个历史到达车辆的平均到达时间,将该平均到达时间作为该备选到达车辆的预测到达时间。
S106、从该备选到达车辆中选取与当前时间相隔预设时间段内该概率最大的前预设个车辆作为最终到达车辆,获取该最终到达车辆的预测到达时间。
在其中一个实施例中,与当前时间相隔预设时间段可以人为设定,该预设时间段例如可以是20分钟。其中,所述前预设个车辆的个数可以理解为该目的地能够容纳的车辆的最大数,该预设个车辆的个数可以为100。
S107、实时计算该最终到达车辆与该目的地之间的拥堵时间,并获取该拥堵时间的权重系数。
在其中一个实施例中,所述拥堵时间的权重系数可以人为设定,也可以通过对历史车辆轨迹数据进行分析计算得到。
其中,所述拥堵时间可以体现出为以该目的地作为原点、以最终到达车辆与该目的地之间的距离作为半径的圆形区域内的拥堵情况。
S108、根据该预测到达时间、该拥堵时间及该权重系数计算该最终到达车辆的最终到达时间。
在其中一个实施例中,该最终到达时间T与该预测到达时间、该拥堵时间及该权重系数之间的关系可以用加权求和的方式体现出。
本实施例通过实时接收多个车辆发出的GPS数据包,解析该GPS数据包中的车辆标识及坐标信息,得到对应车辆的行驶轨迹数据,然后通过概率分布函数及该行驶轨迹数据,计算对应车辆到达预设的同一目的地的概率,将计算的该概率大于预设概率阈值的车辆确定为备选到达车辆,由于目的地同一时间段能够容纳的车辆有限,根据概率确定的备选到达车辆并非一定都能到达,因此还需要考虑目的地的能够容纳的最大车辆的数量,故本实施例还设定从该备选到达车辆中选取与当前时间相隔预设时间段内该概率最大的前预设个车辆作为最终到达车辆,并从预先计算的每个该备选到达车辆的预测到达时间中获取该最终到达车辆的预测到达时间,然后实时计算该最终到达车辆与该目的地之间的拥堵时间,并获取该拥堵时间的权重系数,根据该预测到达时间、该拥堵时间及该权重系数计算该最终到达车辆的最终到达时间,根据本申请的方法计算的最终到达车辆及该最终到达车辆的最终到达时间考虑了目的地的容纳情况即车辆与该目的地之间的实时的拥堵情况,使得该应用于目的地且可以对所有可能最终到达该目的地的车辆及到达该目的地的到达时间进行准确预测。
在其中一个实施例中,该步骤S108中根据该预测到达时间、该拥堵时间及该权重系数计算该最终到达车辆的最终到达时间的步骤包括:
通过以下公式(1)计算该最终到达车辆的最终到达时间:
T=b*Tavg+∑an*Yn/Xn (1)
其中,∑an表示所述拥堵时间的权重系数,b=1-∑an,an>0,b>0,Tavg表示所述最终到达车辆的预测到达时间,Xn表示当前时刻与所述目的地之间相隔n公里的里程距离或表示与所述目的地之间相距的第n个一公里,n≤k,且n为正整数,k表示预设值或所述最终到达车辆与所述目的地之间实际距离,Yn表示Xn指引的里程距离内的车辆的总数。
在其中的一个实施例中,b和∑an可以人为预设,也可以通过对历史车辆轨迹数据进行分析计算得到,可以由最小二乘法、最大似然法通过对历史车辆轨迹数据求解得到。
图5是根据本发明一个实施例的拥堵时间的计算方法的适用环境示意图,其中,D表示预设的同一目的地,若Xn表示当前时刻与所述目的地之间相隔n公里的里程距离,如图5所示,当n=3时,则∑an*Yn/Xn指引的拥堵情况表示图5中X1+X2+X3范围内的拥堵情况,其中,X1=1,Xn=Xn-1+1。
图6是根据本发明另一实施例的拥堵时间的计算方法的适用环境示意图,其中,D表示预设的同一目的地,若Xn表示与所述目的地之间相距的第n个一公里,如图6所示,当n=3时,则∑an*Yn/Xn指引的拥堵情况表示图6中X1+X2+X3范围内的拥堵情况,其中,Xn=Xn-1=1。
在其它实施例中,该步骤S108中根据该预测到达时间、该拥堵时间及该权重系数计算该最终到达车辆的最终到达时间的步骤包括:
通过以下公式(2)计算该最终到达车辆的最终到达时间:
T=b*Tavg+∑an*Yn/Xn+∑cm*Zm (2)
其中,b表示所述预测到达时间的权重系数,∑an表示所述拥堵时间的权重系数,∑cm=1-b-∑an,an>0,b>0,cm>0,Xn表示当前时刻与所述目的地之间相隔n公里的里程距离或表示与所述目的地之间相距的第n个一公里,n≤k,且n为正整数,k表示预设值或所述最终到达车辆与所述目的地之间实际距离,Yn表示Xn指引的里程距离内的车辆的总数,Zm表示所述最终到达车辆与所述目的地之间相隔m公里的里程距离,m为正整数,当k表示所述最终到达车辆与所述目的地之间实际距离时m=n。
在其中的一个实施例中,b、∑an和∑cm可以人为预设,也可以通过对历史车辆轨迹数据进行分析计算得到,可以由最小二乘法、最大似然法通过对历史车辆轨迹数据求解得到。
图5是根据本发明一个实施例的拥堵时间的计算方法的适用环境示意图,其中,D表示预设的同一目的地,若Xn表示当前时刻与所述目的地之间相隔n公里的里程距离,如图5所示,当n=3时,则∑an*Yn/Xn指引的拥堵情况表示图5中X1+X2+X3范围内的拥堵情况,∑cm*Zm指引车辆在距离目的地的不同距离受拥堵情况的影响,其中,X1=1,Xn=Xn-1+1。
图6是根据本发明另一实施例的拥堵时间的计算方法的适用环境示意图,其中,D表示预设的同一目的地,若Xn表示与所述目的地之间相距的第n个一公里,如图6所示,当n=3时,则∑an*Yn/Xn指引的拥堵情况表示图6中X1+X2+X3范围内的拥堵情况,∑cm*Zm指引车辆在距离目的地的不同距离受拥堵情况的影响,其中,Xn=Xn-1=1。
图3是根据本发明的另一实施例的车辆到达时间的预测方法的流程图,如图3所示,本实施例中该车辆到达时间的预测方法在包括上述步骤S101、S102、S104~S108的基础上,还包括以下步骤S301:
S301、对该行驶轨迹数据进行PCA(principal components analysis)主成分分析降维处理,得到降维轨迹数据。
在其中的一个实施例中,该步骤S301进一步包括以下步骤(1)至(7):
(1)、对某一车辆的行驶轨迹数据可以用向量表征如下:
Fk(t)={ak(t1),ak(t2),ak(t3),…,ak(tn)};
其中k表示与所述车辆标识一一对应的车辆索引,tn表示时间索引,ak(tn)表示第k辆货柜车在tn时刻的GPS坐标。
(2)、对所有车辆的行驶轨迹数据可以用向量表征如下:
D=(F1(t),F2(t),F3(t),...,Fk(t))。
(3)、对所有的样本进行中心化:F’k(t)=Fk(t)-(1/K)∑Fk(t)。
(4)、计算样本的协方差矩阵DDT。
(5)、对矩阵DDT进行特征值分解。
(6)、取出最大的N个特征值对应的特征向量(w1,w2,...,wN),将所有的特征向量标准化后,组成特征向量矩阵W。
(7)、对样本集中的每一个样本Fk(t),转化为新的样本Zk(t)=WTFk(t),Zk(t)即表示得到的降维轨迹数据。
上述步骤S103进一步为以下步骤S302:
S302、通过概率分布函数及该降维轨迹数据,计算对应车辆到达预设的同一目的地的概率,该概率分布函数通过对存储的历史车辆轨迹数据及是否到达目的地进行求解得到。
本实施例通过增加数据降维步骤,可以降低数据的计算量,提高车辆是否到达目的地及到达目的地的时间的预测速度。
图4是根据本发明的又一实施例的车辆到达时间的预测方法的流程图,如图4所示,本实施例中该车辆到达时间的预测方法在包括上述步骤S101、S102、S302~S108的基础上,还包括以下步骤S401:
S401、对该行驶轨迹数据分别进行数据清洗、数据过滤及空值***处理,得到预处理后的行驶轨迹数据。
上述步骤S301进一步为以下步骤S402:
S402、对预处理后的该行驶轨迹数据进行主成分分析降维处理,得到降维轨迹数据。
在其中的一个实施例中,对所述行驶轨迹数据进行数据清洗的步骤包括:
将已入网车辆的GPS数据包中的坐标信息存到数据库中;
根据已入网车辆的GPS数据包中的坐标信息过滤掉数据集中所有未入网车辆;
在过滤后的已入网车辆中提取每辆车在预设时间段内(例如8点到12点)的行驶轨迹数据;
在行驶轨迹数据中提取每辆的连续的若干个(如120个)轨迹点d,可以在8点到12点,每隔2分钟取一个轨迹点,如间隔区间内无轨迹数据则以空值填充。
在其中的一个实施例中,对所述行驶轨迹数据进行数据过滤的步骤包括:
对所述若干个轨迹点d进行特征提取;
对所述轨迹点中空值超过半数的车辆进行过滤筛除;
过滤坏点:根据《交法》规定,取最高时速120km/h,则2分钟最多行驶4km,如果两点之间的GPS坐标距离超过4km则判定为坏点,过滤坏点后如果空值超过半数则将对应的车辆进行过滤筛除。
在其中的一个实施例中,对所述行驶轨迹数据进行空值***处理的步骤包括:
如果某个轨迹坐标点为空值,则取其相邻的前一最近有值点和相邻的后一最近有值点的均值作为空值的坐标值。对于特殊点的处理:若第一点为空值,则取相邻的后一最近有值点的值为空值的坐标值;最后一点为空值,则取相邻的前一最近有值点的值为该空值的坐标值。
本实施例通过对该行驶轨迹数据分别进行数据清洗、数据过滤及空值***处理可以降低行驶轨迹数据的冗余,提高数据的有效性。
在其中一个实施例中,上述步骤S103中通过概率分布函数及该行驶轨迹数据,计算对应车辆到达预设的同一目的地的概率的步骤包括:
从该历史车辆轨迹数据及是否到达目的地的信息中提取到达目的地的车辆的第一轨迹向量及未到达目的地的第二轨迹向量;
计算每一个到达目的地的历史车辆轨迹与该第一轨迹向量的中心距离,得到第一集合构成的直方图分布,通过最大期望算法和和混合高斯分布模型并根据该第一直方图分布求解第一概率分布函数;
计算每一个到达目的地的历史车辆轨迹与该第二轨迹向量的中心距离,得到第二集合构成的直方图分布,通过最大期望算法和和混合高斯分布模型并根据该第二直方图分布求解第二概率分布函数;
计算每一个未到达目的地的历史车辆轨迹与该第一轨迹向量的中心距离,得到第三集合构成的直方图分布,通过最大期望算法和和混合高斯分布模型并根据该第三直方图分布求解第三概率分布函数;
计算每一个未到达目的地的历史车辆轨迹与该第二轨迹向量的中心距离,得到第四集合构成的直方图分布,通过最大期望算法和和混合高斯分布模型并根据该第四直方图分布求解第四概率分布函数;
将该车辆的行驶轨迹数据带入该第一概率分布函数和该第三概率分布函数,得到该车辆的第一到达概率和第二到达概率,将该第一到达概率和该第二到达概率的乘积作为该车辆到达目的地的概率;
将该车辆的行驶轨迹数据带入该第二概率分布函数和该第四概率分布函数,得到该车辆的第一未到达概率和第二未到达概率,将该第一未到达概率和该第二未到达概率的乘积作为该车辆不到达目的地的概率。
在其中一个实施例中,上述步骤S104中将计算的该概率大于预设概率阈值的车辆确定为备选到达车辆的步骤进一步包括:
若该车辆到达目的地的概率大于该车辆不到达目的地的概率,且该车辆到达目的地的概率大于该预设概率阈值,则判断该车辆为该备选到达车辆。
当所述目的地为港口、所述车辆为货柜车时,根据本实施例的一个使用场景例如:将历史车辆轨迹数据分为到港货柜车降维后轨迹向量类1及不到港货柜车降维后轨迹向量类2;
根据每一个到港货柜车与类1中心距离d11集合,可获得直方图分布,通过EM算法和混合高斯分布模型,求得第一概率分布函数p11
根据每一个到港货柜车与类2中心距离d12集合,可获得直方图分布,通过EM算法和混合高斯分布模型,求得第二概率分布函数p12;
根据每一个不到港货柜车与类1中心距离d21集合,可获得直方图分布,通过EM算法和混合高斯分布模型,求得第三概率分布函数p21;
根据每一个不到港货柜车与类2中心距离d22集合,可获得直方图分布,通过EM算法和混合高斯分布模型,求得第四概率分布函数p22;
则计算待预测的货柜车的行驶轨迹数据与类1的中心距离d1,计算待预测的货柜车的行驶轨迹数据与类2的中心距离d2;
将d1代入p11与p21,求得概率P11与P21;
将d2代入p12与p22,求得概率P12与P22。
假设货柜车到港与不到港之间相互独立,则待预测的货柜车到港的概率为P11*P12,不到港的概率为P21*P22。
此时,设定若P11*P12>P21*P22,且P11*P12>0.6,则将该待预测的货柜车纳入备选到达车辆,否则将该待预测的货柜车纳入不到达车辆。
根据本实施例的一个示例,上述步骤S101~S108的标号并不用于限定本实施例中各个步骤的先后顺序,各个步骤的编号只是为了使得描述各个步骤时可以通用引用该步骤的标号进行便捷的指代,只要各个步骤执行的顺序不影响本实施例的逻辑关系即可。
本实施例可应用于港口闸口流量分析、货柜车到港判断与到港时间预测,可进一步结合货柜车运输流向、分布情况,可形成物流、交通与港口相关指数,弥补了现行货柜车管理、统计与预测的不足。本实施例增加了观察、预测、分析到港货柜车运行发展趋势的新视角,本实施例基于数据平台所提供的历史车辆GPS数据进行分析,设计相应的货柜车到港预测逻辑,主要包括数据预处理、货柜车到港判断、货柜车到港时间预测三个部分。并增加对坐标数据消失、突变、停止、表征、清洗及滤波等预处理步骤提高预测结果的准确性。通过统计实际到港车辆及到港时间,并比对通过该车辆到达时间的预测方法预测出的到港车辆及到港时间,发现通过本发明提出的车辆到达时间的预测方法预测的车辆是否到港的准确率为91.69%,预测的最终到达时间的平均误差16分钟。
图7为根据本发明的一个实施例的车辆到达时间的预测装置的示范性结构框图,下面结合图7详细描述根据本发明的一个实施例的车辆到达时间的预测装置,如图7所示,该车辆到达时间的预测装置100包括数据接收模块11、坐标序列生成模块12、第一计算模块13、车辆确定模块14、第二计算模块15、时间获取模块16、第三计算模块17和时间计算模块18。
数据接收模块11,用于实时接收多个车辆发出的GPS数据包,解析该GPS数据包中的车辆标识及坐标信息。
坐标序列生成模块12,用于按照时间先后顺序,生成与每个该车辆标识对应的坐标序列,得到对应车辆的行驶轨迹数据。
第一计算模块13,用于通过概率分布函数及该行驶轨迹数据,计算对应车辆到达预设的同一目的地的概率,该概率分布函数通过对存储的历史车辆轨迹数据及是否到达目的地进行求解得到。
车辆确定模块14,用于将计算的该概率大于预设概率阈值的车辆确定为备选到达车辆。
第二计算模块15,用于根据该历史车辆轨迹数据及历史到达时间计算每个该备选到达车辆的预测到达时间。
在其中一个实施例中,该第二计算模块15包括:
历史到达时间获取单元,用于从该历史车辆轨迹数据中获取与该备选到达车辆当前位置的距离小于预设值的最小的预设个历史到达车辆,获取每个该历史到达车辆的到达时间;
平均时间计算单元,用于根据每个该历史到达车辆的到达时间计算平均到达时间,将该平均到达时间作为该备选到达车辆的预测到达时间。
时间获取模块16,用于从该备选到达车辆中选取与当前时间相隔预设时间段内该概率最大的前预设个车辆作为最终到达车辆,获取该最终到达车辆的预测到达时间。
第三计算模块17,用于实时计算该最终到达车辆与该目的地之间的拥堵时间,并获取该拥堵时间的权重系数。
时间计算模块18,用于根据该预测到达时间、该拥堵时间及该权重系数计算该最终到达车辆的最终到达时间。
在其中一个实施例中,该时间计算模块18通过以下公式(1)计算该最终到达车辆的最终到达时间:
T=b*Tavg+∑an*Yn/Xn (1)
其中,∑an表示所述拥堵时间的权重系数,b=1-∑an,an>0,b>0,Tavg表示所述最终到达车辆的预测到达时间,Xn表示当前时刻与所述目的地之间相隔n公里的里程距离或表示与所述目的地之间相距的第n个一公里,n≤k,且n为正整数,k表示预设值或所述最终到达车辆与所述目的地之间实际距离,Yn表示Xn指引的里程距离内的车辆的总数。
在另一实施例中,该时间计算模块18通过以下公式(2)计算该最终到达车辆的最终到达时间:
T=b*Tavg+∑an*Yn/Xn+∑cm*Zm (2)
其中,b表示所述预测到达时间的权重系数,∑an表示所述拥堵时间的权重系数,∑cm=1-b-∑an,an>0,b>0,cm>0,Xn表示当前时刻与所述目的地之间相隔n公里的里程距离或表示与所述目的地之间相距的第n个一公里,n≤k,且n为正整数,k表示预设值或所述最终到达车辆与所述目的地之间实际距离,Yn表示Xn指引的里程距离内的车辆的总数,Zm表示所述最终到达车辆与所述目的地之间相隔m公里的里程距离,m为正整数,当k表示所述最终到达车辆与所述目的地之间实际距离时m=n。
在其中一个实施例中,该车辆到达时间的预测装置100还包括:
降维模块,用于对该行驶轨迹数据进行主成分分析降维处理,得到降维轨迹数据。
其中,该第一计算模块13具体用于通过概率分布函数及该降维轨迹数据,计算对应车辆到达预设的同一目的地的概率。
在其中一个实施例中,该车辆到达时间的预测装置100还包括:
数据预处理模块,用于对该行驶轨迹数据分别进行数据清洗、数据过滤及空值***处理,得到预处理后的行驶轨迹数据。
其中,上述降维模块具体用于对预处理后的该行驶轨迹数据进行主成分分析降维处理,得到该降维轨迹数据。
在其中一个实施例中,该第一计算模块13包括:
向量提取单元,用于从该历史车辆轨迹数据及是否到达目的地的信息中提取到达目的地的车辆的第一轨迹向量及未到达目的地的第二轨迹向量;
第一概率分布函数计算单元,用于计算每一个到达目的地的历史车辆轨迹与该第一轨迹向量的中心距离,得到第一集合构成的直方图分布,通过最大期望算法和和混合高斯分布模型并根据该第一直方图分布求解第一概率分布函数;
第二概率分布函数计算单元,用于计算每一个到达目的地的历史车辆轨迹与该第二轨迹向量的中心距离,得到第二集合构成的直方图分布,通过最大期望算法和和混合高斯分布模型并根据该第二直方图分布求解第二概率分布函数;
第三概率分布函数计算单元,用于计算每一个未到达目的地的历史车辆轨迹与该第一轨迹向量的中心距离,得到第三集合构成的直方图分布,通过最大期望算法和和混合高斯分布模型并根据该第三直方图分布求解第三概率分布函数;
第四概率分布函数计算单元,用于计算每一个未到达目的地的历史车辆轨迹与该第二轨迹向量的中心距离,得到第四集合构成的直方图分布,通过最大期望算法和和混合高斯分布模型并根据该第四直方图分布求解第四概率分布函数;
到达概率计算单元,用于将该车辆的行驶轨迹数据带入该第一概率分布函数和该第三概率分布函数,得到该车辆的第一到达概率和第二到达概率,将该第一到达概率和该第二到达概率的乘积作为该车辆到达目的地的概率;
未到达概率计算单元,用于将该车辆的行驶轨迹数据带入该第二概率分布函数和该第四概率分布函数,得到该车辆的第一未到达概率和第二未到达概率,将该第一未到达概率和该第二未到达概率的乘积作为该车辆不到达目的地的概率。
在其中的一个实施例中,上述车辆确定模块14包括:
判断单元,用于当车辆到达目的地的概率大于该车辆不到达目的地的概率,且该车辆到达目的地的概率大于该预设概率阈值时,判断该车辆为该备选到达车辆。
其中上述第一计算模块至第三计算模块中的“第一”、“第二”和“第三”的意义仅在于将不同的计算模块加以区分,并不用于限定哪个预选区域的确定模块的优先级更高或者其它的限定意义。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模块的过程、方法、***、产品或设备不必限于清楚地列出的那些步骤或模块,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模块,本申请中所出现的模块的划分,仅仅是一种逻辑上的划分,实际应用中实现时可以有另外的划分方式。
其中,该车辆到达时间的预测装置中包括的各个模块可全部或部分通过软件、硬件或其组合来实现。进一步地,该车辆到达时间的预测装置中的各个模块可以是用于实现对应功能的程序段。
关于车辆到达时间的预测装置的具体限定可以参见上文中对于车辆到达时间的预测方法的限定,在此不再赘述。上述车辆到达时间的预测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。
本在一个实施例中,提供了一种计算机设备,该计算机设备可以是服务器,其内部结构图可以如图8所示。该计算机设备包括通过***总线连接的处理器、存储器、网络接口和数据库。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***、计算机程序和数据库。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。该计算机设备的数据库用于存储车辆到达时间的预测方法中涉及到的数据。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到达时间的预测方法。
在一个实施例中,提供了一种计算机设备,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,处理器执行计算机程序时实现上述实施例中车辆到达时间的预测方法的步骤,例如图2所示的步骤101至步骤108及该方法的其它扩展和相关步骤的延伸。或者,处理器执行计算机程序时实现上述实施例中车辆到达时间的预测装置的各模块/单元的功能,例如图7所示模块11至模块18的功能。为避免重复,这里不再赘述。
本领域技术人员可以理解,图8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,提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现上述实施例中车辆到达时间的预测方法的步骤,例如图2所示的步骤101至步骤108及该方法的其它扩展和相关步骤的延伸。或者,计算机程序被处理器执行时实现上述实施例中车辆到达时间的预测装置的各模块/单元的功能,例如图7所示模块11至模块18的功能。为避免重复,这里不再赘述。
所述处理器可以是中央处理单元(Central Processing Unit,CPU),还可以是其他通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现成可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等,所述处理器是所述计算机装置的控制中心,利用各种接口和线路连接整个计算机装置的各个部分。
所述存储器可用于存储所述计算机程序和/或模块,所述处理器通过运行或执行存储在所述存储器内的计算机程序和/或模块,以及调用存储在存储器内的数据,实现所述计算机装置的各种功能。所述存储器可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作***、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等;存储数据区可存储根据手机的使用所创建的数据(比如音频数据、视频数据等)等。此外,存储器可以包括高速随机存取存储器,还可以包括非易失性存储器,例如硬盘、内存、插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(Flash Card)、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
所述存储器可以集成在所述处理器中,也可以与所述处理器分开设置。
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上述实施例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,本申请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)中,包括若干指令用以使得一台终端(可以是手机,计算机,服务器或者网络设备等)执行本申请各个实施例所述的方法。
本实施例提供的车辆到达时间的预测方法、装置、计算机设备及存储介质,通过实时接收多个车辆发出的GPS数据包,解析该GPS数据包中的车辆标识及坐标信息,得到对应车辆的行驶轨迹数据,然后通过概率分布函数及该行驶轨迹数据,计算对应车辆到达预设的同一目的地的概率,将计算的该概率大于预设概率阈值的车辆确定为备选到达车辆,由于目的地同一时间段能够容纳的车辆有限,根据概率确定的备选到达车辆并非一定都能到达,因此还需要考虑目的地的能够容纳的最大车辆的数量,故本方案还设定从该备选到达车辆中选取与当前时间相隔预设时间段内该概率最大的前预设个车辆作为最终到达车辆,并从预先计算的每个该备选到达车辆的预测到达时间中获取该最终到达车辆的预测到达时间,然后实时计算该最终到达车辆与该目的地之间的拥堵时间,并获取该拥堵时间的权重系数,根据该预测到达时间、该拥堵时间及该权重系数计算该最终到达车辆的最终到达时间,根据本申请的方法计算的最终到达车辆及该最终到达车辆的最终到达时间考虑了目的地的容纳情况即车辆与该目的地之间的实时的拥堵情况,使得该应用于目的地且可以对所有可能最终到达该目的地的车辆及到达该目的地的到达时间进行准确预测。
以上所述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发明的几种实施方式,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,在不脱离本发明构思的前提下,还可以做出若干变形和改进,这些都属于本发明的保护范围。因此,本发明专利的保护范围应以所附权利要求为准。
Claims (5)
1.一种车辆到达时间的预测方法,其特征在于,所述方法包括:
实时接收多个车辆发出的GPS数据包,解析所述GPS数据包中的车辆标识及坐标信息;
按照时间先后顺序,生成与每个所述车辆标识对应的坐标序列,得到对应车辆的行驶轨迹数据;
通过概率分布函数及所述行驶轨迹数据,计算对应车辆到达预设的同一目的地的概率,所述概率分布函数通过对存储的历史车辆轨迹数据及是否到达所述目的地进行求解得到;
将计算的所述概率大于预设概率阈值的车辆确定为备选到达车辆;
根据所述历史车辆轨迹数据及历史到达时间计算每个所述备选到达车辆的预测到达时间;
从所述备选到达车辆中选取与当前时间相隔预设时间段内所述概率最大的前预设个车辆作为最终到达车辆,获取所述最终到达车辆的预测到达时间;
实时计算所述最终到达车辆与所述目的地之间的拥堵时间,并获取所述拥堵时间的权重系数;
根据所述预测到达时间、所述拥堵时间及所述权重系数计算所述最终到达车辆的最终到达时间;
其中,在所述通过概率分布函数及所述行驶轨迹数据,计算对应车辆到达预设的同一目的地的概率的步骤之前,所述方法还包括:
对所述行驶轨迹数据分别进行数据清洗、数据过滤及空值***处理,得到预处理后的行驶轨迹数据;
对预处理后的所述行驶轨迹数据进行主成分分析降维处理,得到所述降维轨迹数据;
其中,所述通过概率分布函数及所述行驶轨迹数据,计算对应车辆到达预设的同一目的地的概率的步骤进一步为:
通过概率分布函数及所述降维轨迹数据,计算对应车辆到达预设的同一目的地的概率;
其中,所述根据所述预测到达时间、所述拥堵时间及所述权重系数计算所述最终到达车辆的最终到达时间的步骤包括:
通过以下公式计算所述最终到达车辆的最终到达时间
T=b*Tavg+∑an*Yn/Xn;
其中,∑an表示所述拥堵时间的权重系数,b=1-∑an,b>0,an>0,Tavg表示所述最终到达车辆的预测到达时间,Xn表示当前时刻与所述目的地之间相隔n公里的里程距离或表示与所述目的地之间相距的第n个一公里,n≤k,且n为正整数,k表示预设值或所述最终到达车辆与所述目的地之间实际距离,Yn表示Xn指引的里程距离内的车辆的总数;
或
通过以下公式计算所述最终到达车辆的最终到达时间
T=b*Tavg+∑an*Yn/Xn+∑cm*Zm;
其中,b表示所述预测到达时间的权重系数,∑an表示所述拥堵时间的权重系数,∑cm=1-b-∑an,an>0,b>0,cm>0,Xn表示当前时刻与所述目的地之间相隔n公里的里程距离或表示与所述目的地之间相距的第n个一公里,n≤k,且n为正整数,k表示预设值或所述最终到达车辆与所述目的地之间实际距离,Yn表示Xn指引的里程距离内的车辆的总数,Zm表示所述最终到达车辆与所述目的地之间相隔m公里的里程距离,m为正整数,当k表示所述最终到达车辆与所述目的地之间实际距离时m=n。
2.根据权利要求1所述的方法,其特征在于,所述根据所述历史车辆轨迹数据及历史到达时间计算每个所述备选到达车辆的预测到达时间的步骤包括:
获取到达所述目的地的所有车辆的历史车辆轨迹数据及历史到达时间;
从所述历史车辆轨迹数据中获取与所述备选到达车辆当前位置的距离小于预设值的最小的预设个历史到达车辆,获取每个所述历史到达车辆的到达时间;
根据每个所述历史到达车辆的到达时间计算平均到达时间,将所述平均到达时间作为所述备选到达车辆的预测到达时间。
3.一种车辆到达时间的预测装置,其特征在于,所述装置包括:
数据接收模块,用于实时接收多个车辆发出的GPS数据包,解析所述GPS数据包中的车辆标识及坐标信息;
坐标序列生成模块,用于按照时间先后顺序,生成与每个所述车辆标识对应的坐标序列,得到对应车辆的行驶轨迹数据;
第一计算模块,用于通过概率分布函数及所述行驶轨迹数据,计算对应车辆到达预设的同一目的地的概率,所述概率分布函数通过对存储的历史车辆轨迹数据及是否到达目的地进行求解得到;
车辆确定模块,用于将计算的所述概率大于预设概率阈值的车辆确定为备选到达车辆;
第二计算模块,用于根据所述历史车辆轨迹数据及历史到达时间计算每个所述备选到达车辆的预测到达时间;
时间获取模块,用于从所述备选到达车辆中选取与当前时间相隔预设时间段内所述概率最大的前预设个车辆作为最终到达车辆,获取所述最终到达车辆的预测到达时间;
第三计算模块,用于实时计算所述最终到达车辆与所述目的地之间的拥堵时间,并获取所述拥堵时间的权重系数;
时间计算模块,用于根据所述预测到达时间、所述拥堵时间及所述权重系数计算所述最终到达车辆的最终到达时间;
其中,在所述第一计算模块之前,所述装置还包括:
预处理模块,用于对所述行驶轨迹数据分别进行数据清洗、数据过滤及空值***处理,得到预处理后的行驶轨迹数据;
降维模块,用于对预处理后的所述行驶轨迹数据进行主成分分析降维处理,得到所述降维轨迹数据;
其中,所述第一计算模块进一步为:
第一降维计算模块,用于通过概率分布函数及所述降维轨迹数据,计算对应车辆到达预设的同一目的地的概率;
其中,所述时间计算模块包括:
第一时间计算单元,用于通过以下公式计算所述最终到达车辆的最终到达时间
T=b*Tavg+∑an*Yn/Xn;
其中,∑an表示所述拥堵时间的权重系数,b=1-∑an,b>0,an>0,Tavg表示所述最终到达车辆的预测到达时间,Xn表示当前时刻与所述目的地之间相隔n公里的里程距离或表示与所述目的地之间相距的第n个一公里,n≤k,且n为正整数,k表示预设值或所述最终到达车辆与所述目的地之间实际距离,Yn表示Xn指引的里程距离内的车辆的总数;
或
第二时间计算单元,用于通过以下公式计算所述最终到达车辆的最终到达时间
T=b*Tavg+∑an*Yn/Xn+∑cm*Zm;
其中,b表示所述预测到达时间的权重系数,∑an表示所述拥堵时间的权重系数,∑cm=1-b-∑an,an>0,b>0,cm>0,Xn表示当前时刻与所述目的地之间相隔n公里的里程距离或表示与所述目的地之间相距的第n个一公里,n≤k,且n为正整数,k表示预设值或所述最终到达车辆与所述目的地之间实际距离,Yn表示Xn指引的里程距离内的车辆的总数,Zm表示所述最终到达车辆与所述目的地之间相隔m公里的里程距离,m为正整数,当k表示所述最终到达车辆与所述目的地之间实际距离时m=n。
4.一种计算机设备,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程序时实现如权利要求1至2中任一项的车辆到达时间的预测方法。
5.一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,所述程序被处理器执行时实现如权利要求1至2任一项所述车辆到达时间的预测方法中的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911369725.7A CN111192451B (zh) | 2019-12-26 | 2019-12-26 | 车辆到达时间的预测方法、装置、计算机设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911369725.7A CN111192451B (zh) | 2019-12-26 | 2019-12-26 | 车辆到达时间的预测方法、装置、计算机设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111192451A CN111192451A (zh) | 2020-05-22 |
CN111192451B true CN111192451B (zh) | 2021-07-09 |
Family
ID=70707570
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911369725.7A Active CN111192451B (zh) | 2019-12-26 | 2019-12-26 | 车辆到达时间的预测方法、装置、计算机设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111192451B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112330094A (zh) * | 2020-10-09 | 2021-02-05 | 广州市物联万方电子科技有限公司 | 集装箱的调度方法、装置及服务器 |
CN112598907B (zh) * | 2020-12-17 | 2021-12-07 | 东风商用车有限公司 | 拥堵预测方法、装置、设备及可读存储介质 |
CN113706874B (zh) * | 2021-10-28 | 2022-01-28 | 华清科盛(北京)信息技术有限公司 | 厂内物流车辆到达时间的实时预测方法和装置、电子设备 |
CN116976781A (zh) * | 2023-06-09 | 2023-10-31 | 湖南工商大学 | 时间位置依赖型多目标绿色车辆路径问题求解方法与装置 |
CN118055368B (zh) * | 2024-04-15 | 2024-06-21 | 成都能泊数产科技有限公司 | 一种基于智慧停车空余车位推送方法、***、设备及介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102087722A (zh) * | 2009-12-04 | 2011-06-08 | 索尼公司 | 学习设备和方法、预测设备和方法及程序 |
CN105900031A (zh) * | 2013-10-29 | 2016-08-24 | 沃尔沃建筑设备公司 | 用于计算期望的预计到达时间的*** |
CN108257378A (zh) * | 2016-12-29 | 2018-07-06 | 杭州海康威视数字技术股份有限公司 | 交通流量预测方法及装置 |
US10210751B1 (en) * | 2017-08-04 | 2019-02-19 | Verizon Patent And Licensing Inc. | Identification of traffic control mechanisms using machine learning |
-
2019
- 2019-12-26 CN CN201911369725.7A patent/CN111192451B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102087722A (zh) * | 2009-12-04 | 2011-06-08 | 索尼公司 | 学习设备和方法、预测设备和方法及程序 |
CN105900031A (zh) * | 2013-10-29 | 2016-08-24 | 沃尔沃建筑设备公司 | 用于计算期望的预计到达时间的*** |
CN108257378A (zh) * | 2016-12-29 | 2018-07-06 | 杭州海康威视数字技术股份有限公司 | 交通流量预测方法及装置 |
US10210751B1 (en) * | 2017-08-04 | 2019-02-19 | Verizon Patent And Licensing Inc. | Identification of traffic control mechanisms using machine learning |
Also Published As
Publication number | Publication date |
---|---|
CN111192451A (zh) | 2020-05-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111192451B (zh) | 车辆到达时间的预测方法、装置、计算机设备及存储介质 | |
US9240124B2 (en) | Traffic-volume prediction device and method | |
Li et al. | A general framework for unmet demand prediction in on-demand transport services | |
CN110647929B (zh) | 用于预测出行目的地的方法、及用于训练分类器的方法 | |
CN104933870A (zh) | 基于车辆行为分析的车辆套牌识别方法与装置 | |
CN110472999B (zh) | 基于地铁和共享单车数据的客流模式分析方法及装置 | |
CN104599002B (zh) | 预测订单价值的方法及设备 | |
CN111091215B (zh) | 车辆识别方法、装置、计算机设备和存储介质 | |
CN113155173A (zh) | 感知性能评测方法、装置、电子装置和存储介质 | |
CN110765615A (zh) | 物流仿真方法、装置及设备 | |
CN112837556A (zh) | 车辆位置信息监控处理方法和装置 | |
CN113611104B (zh) | 货运车辆的风险识别方法、装置、存储介质及终端 | |
CN111881243A (zh) | 一种出租车轨迹热点区域分析方法及*** | |
CN111179589A (zh) | 车辆od预测的方法、装置、设备及存储介质 | |
CN110969275A (zh) | 交通流量预测方法、装置、可读存储介质及电子设备 | |
CN110555473A (zh) | 行车线路规划方法、服务器及*** | |
CN111369790B (zh) | 过车记录校正方法、装置、设备及存储介质 | |
CN111640300B (zh) | 一种车辆检测处理方法及装置 | |
CN116543242B (zh) | 基于高速收费数据的车型检测方法、装置、设备及介质 | |
CN109360137B (zh) | 一种车辆事故评估方法、计算机可读存储介质及服务器 | |
CN112686125A (zh) | 车辆类型的确定方法及装置、存储介质、电子装置 | |
CN116664025A (zh) | 装卸货位置点生成方法、装置及设备 | |
CN111445715A (zh) | 基于物联网通信的智慧城市交通调度方法及调度设备 | |
CN113160565B (zh) | 一种***辆的识别方法、装置、存储介质及终端 | |
CN113284337B (zh) | 基于车辆轨迹多维数据的od矩阵计算方法及装置 |
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 |