CN112261093B - 人车数据匹配方法及装置 - Google Patents
人车数据匹配方法及装置 Download PDFInfo
- Publication number
- CN112261093B CN112261093B CN202011061397.7A CN202011061397A CN112261093B CN 112261093 B CN112261093 B CN 112261093B CN 202011061397 A CN202011061397 A CN 202011061397A CN 112261093 B CN112261093 B CN 112261093B
- Authority
- CN
- China
- Prior art keywords
- vehicle
- user
- parameter
- calculating
- data
- 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 75
- 238000004364 calculation method Methods 0.000 claims abstract description 65
- 238000005070 sampling Methods 0.000 claims description 71
- 238000003860 storage Methods 0.000 claims description 15
- 238000004422 calculation algorithm Methods 0.000 claims description 11
- 238000001514 detection method Methods 0.000 claims description 5
- 238000013507 mapping Methods 0.000 claims description 5
- 230000008569 process Effects 0.000 description 17
- 238000010586 diagram Methods 0.000 description 12
- 230000006870 function Effects 0.000 description 10
- 230000006872 improvement Effects 0.000 description 9
- 238000012545 processing Methods 0.000 description 8
- 238000004590 computer program Methods 0.000 description 7
- 108091026890 Coding region Proteins 0.000 description 6
- 230000002776 aggregation Effects 0.000 description 6
- 238000004220 aggregation Methods 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 6
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 230000002085 persistent effect Effects 0.000 description 1
- 229920001296 polysiloxane Polymers 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
- 238000009966 trimming Methods 0.000 description 1
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/01—Protocols
- H04L67/12—Protocols specially adapted for proprietary or special-purpose networking environments, e.g. medical networks, sensor networks, networks in vehicles or remote metering networks
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/50—Network services
- H04L67/52—Network services specially adapted for the location of the user terminal
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Traffic Control Systems (AREA)
- Navigation (AREA)
Abstract
本说明书实施例提供了人车数据匹配方法及装置,其中,一种人车数据匹配方法包括:获取车辆的车辆定位数据以及对应的时间信息组成的车辆数据序列,以及候选用户的用户定位数据以及对应的时间信息组成的用户数据序列;根据所述车辆所处的位置区域的区域单元、所述车辆数据序列以及所述用户数据序列,计算所述车辆与所述候选用户二者的位置重合参数,并计算二者的移动参数以及移动路径的距离参数;将所述位置重合参数、所述距离参数以及所述移动参数作为输入,输入匹配计算模型进行位置匹配计算,获得所述车辆与所述候选用户的匹配度。
Description
技术领域
本文件涉及信息处理技术领域,尤其涉及一种人车数据匹配方法及装置。
背景技术
随着互联网技术的飞速发展,越来越多的业务利用互联网实现,与此同时,用户的信用度也成为了用户在进行业务操作时的衡量标准,为了提高对用户信用度的管理,一些业务平台会对用户提交的数据与提交数据的实际场景进行比较,来确定用户提交的数据是否属实,以此来评估用户的信用情况。
发明内容
本说明书一个或多个实施例提供了一种人车数据匹配方法。所述人车数据匹配方法包括:获取车辆的车辆定位数据以及对应的时间信息组成的车辆数据序列,以及候选用户的用户定位数据以及对应的时间信息组成的用户数据序列。根据所述车辆所处的位置区域的区域单元、所述车辆数据序列以及所述用户数据序列,计算所述车辆与所述候选用户二者的位置重合参数,并计算二者的移动参数以及移动路径的距离参数。将所述位置重合参数、所述距离参数以及所述移动参数作为输入,输入匹配计算模型进行位置匹配计算,获得所述车辆与所述候选用户的匹配度。
本说明书一个或多个实施例提供了一种人车数据匹配装置,包括:获取模块,被配置为获取车辆的车辆定位数据以及对应的时间信息组成的车辆数据序列,以及候选用户的用户定位数据以及对应的时间信息组成的用户数据序列。参数计算模块,被配置为根据所述车辆所处的位置区域的区域单元、所述车辆数据序列以及所述用户数据序列,计算所述车辆与所述候选用户二者的位置重合参数,并计算二者的移动参数以及移动路径的距离参数。匹配度计算模块,被配置为将所述位置重合参数、所述距离参数以及所述移动参数作为输入,输入匹配计算模型进行位置匹配计算,获得所述车辆与所述候选用户的匹配度。
本说明书一个或多个实施例提供了一种人车数据匹配设备,包括:处理器;以及,被配置为存储计算机可执行指令的存储器,所述计算机可执行指令在被执行时使所述处理器:获取车辆的车辆定位数据以及对应的时间信息组成的车辆数据序列,以及候选用户的用户定位数据以及对应的时间信息组成的用户数据序列。根据所述车辆所处的位置区域的区域单元、所述车辆数据序列以及所述用户数据序列,计算所述车辆与所述候选用户二者的位置重合参数,并计算二者的移动参数以及移动路径的距离参数。将所述位置重合参数、所述距离参数以及所述移动参数作为输入,输入匹配计算模型进行位置匹配计算,获得所述车辆与所述候选用户的匹配度。
本说明书一个或多个实施例提供了一种存储介质,用于存储计算机可执行指令,所述计算机可执行指令在被执行时实现以下流程:获取车辆的车辆定位数据以及对应的时间信息组成的车辆数据序列,以及候选用户的用户定位数据以及对应的时间信息组成的用户数据序列。根据所述车辆所处的位置区域的区域单元、所述车辆数据序列以及所述用户数据序列,计算所述车辆与所述候选用户二者的位置重合参数,并计算二者的移动参数以及移动路径的距离参数。将所述位置重合参数、所述距离参数以及所述移动参数作为输入,输入匹配计算模型进行位置匹配计算,获得所述车辆与所述候选用户的匹配度。
附图说明
为了更清楚地说明本说明书一个或多个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图作简单地介绍,显而易见地,下面描述中的图仅仅是本说明书中记载的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些图获得其他的图。
图1为本说明书一个或多个实施例提供的一种人车数据匹配方法处理流程图;
图2为本说明书一个或多个实施例提供的一种应用于业务场景的人车数据匹配方法处理流程图;
图3为本说明书一个或多个实施例提供的一种人车数据匹配装置示意图;
图4为本说明书一个或多个实施例提供的一种人车数据匹配设备的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本说明书一个或多个实施例中的技术方案,下面将结合本说明书一个或多个实施例中的图,对本说明书一个或多个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说明书的一部分实施例,而不是全部的实施例。基于本说明书一个或多个实施例,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,都应当属于本文件的保护范围。
本说明书提供的一种人车数据匹配方法实施例:
参照图1,其示出了本实施例提供的一种人车数据匹配方法处理流程图,参照图2,其示出了本实施例提供的一种应用于业务场景的人车数据匹配方法处理流程图。
参照图1,本实施例提供的人车数据匹配方法具体包括下述步骤S102至步骤S106。
步骤S102,获取车辆的车辆定位数据以及对应的时间信息组成的车辆数据序列,以及候选用户的用户定位数据以及对应的时间信息组成的用户数据序列。
本实施例提供的一种人车数据匹配方法,通过多个维度来计算车辆与候选用户的匹配度,具体的,首先获取车辆数据序列以及用户数据序列,再根据所述车辆数据序列与所述用户数据序列,计算车辆与候选用户的重合参数、移动参数以及距离参数,最后将得到的重合参数、移动参数以及距离参数作为输入,输入到匹配计算模型进行位置匹配计算来获得所述车辆与所述候选用户在位置上的匹配度,以此来提高匹配计算的精确度,提高匹配的准确度。
本实施例所述车辆定位数据,是指所述车辆所处位置的经度数据以及纬度数据;所述车辆数据序列,是指由一系列所述车辆定位数据以及对应的时间信息组成的数据序列,具体在数据采集的过程中,在采集车辆定位数据的同时,采集对应的时间点。具体实施时,根据所述车辆定位数据与获得该车辆定位数据的时间确定所述车辆的坐标点。例如,在北京时间12.00获取车辆的车辆定位数据为(39°52′48″N,116°24′20″E),则获得所述车辆的坐标点C1(12.00,39°52′48″N,116°24′20″E),多个坐标点中的时间数据与定位数据构成车辆数据序列。所述用户定位数据,是指所述用户所处位置的经度数据以及纬度数据;所述用户数据序列,是指由一系列所述车辆定位数据以及对应的时间信息组成的数据序列,具体在数据采集的过程中,在采集用户定位数据的同时,采集对应的时间点。
实际应用中,在进行人车匹配计算的过程中,计算一辆车与多个候选用户之间的匹配度,此处,需要获取车辆的车辆数据序列与每个候选用户的用户数据序列,相应的,后续进行人车匹配计算时,计算每个候选用户与所述车辆的匹配度,以获得与所述车辆匹配度最高的候选用户,将所述候选用户作为所述车辆的有效操作用户。
步骤S104,根据所述车辆所处的位置区域的区域单元、所述车辆数据序列以及所述用户数据序列,计算所述车辆与所述候选用户二者的位置重合参数,并计算二者的移动参数以及移动路径的距离参数。
本实施例所述位置区域,是指根据所述车辆的车辆定位数据中包含的经纬度坐标确定的地理位置区域,所述区域单元是指将所述地理区域按照一定的标准进行划分得到的网格。
本实施例中,通过多个维度计算人车的匹配度,具体的,包括时空网格匹配统计、POI(Point of Information,信息点)聚集性计算、路径曲线一致性以及移动速度一致性,其中,时空网格匹配统计的结果用第一位置重合参数表示,POI聚集性计算的结果用第二位置重合参数表示,路径曲线一致性的结果用距离参数表示,移动速度一致性的结果用移动参数表示,且上述四个维度在具体实现时可以串行实现,也可以并行实现。以下分别对四个维度的人车数据匹配方法做进一步说明:
第一维度:时空网格匹配统计
实际应用中,对所述位置区域按照不同的区域划分精度进行划分,会获得不同大小的区域单元。为了防止直接采用人和车在同一时刻的定位数据是否完全相等来确定人与车的位置是否匹配造成匹配率极低的信息损失问题,本实施例通过区域单元的划分,提高人与车匹配的准确率。
具体实施时,为了提高匹配的准确率,对所述位置区域进行不同大小的划分,并且通过统计所述车辆与所述候选用户在不同大小区域单元的重合次数来计算所述车辆与所述候选用户的匹配度。本实施例提供的一种可选实施方式中,所述位置区域的区域单元,采用如下方式确定:
根据所述车辆定位数据确定所述车辆所处的位置区域;
按照至少一个区域划分精度,将所述位置区域划分为各区域划分精度对应的区域单元。
例如,要对车辆C以及用户P进行位置匹配度计算,获取到车辆C的车辆数据序列之后,根据该车辆数据序列中的定位数据确定车辆C处于地理位置区域甲,对于位置区域甲,按照10米的精度划分为区域单元,针对10米的区域单元计算重合参数;再将位置区域甲,按照20米、30米、…、50米的精度进行划分,分别在各个精度对应的区域单元计算重合参数。
在获得按照不同的区域划分精度划分的区域单元的基础上,在每一种区域划分精度下的区域单元中计算所述车辆与所述候选用户的重合参数,具体的,以按照任意一种区域划分精度为例,在获得该区域划分精度对应的区域单元之后,要根据所述区域单元,所述车辆数据序列以及所述用户数据序列来计算所述车辆与所述候选用户二者的位置重合参数,为了使所述位置重合参数更加准确,本实施例提供的一种可选实施方式中,采用如下方式确定所述位置重合参数:
根据所述车辆定位数据确定车辆坐标点,以及根据所述用户定位数据确定用户坐标点;
计算所述车辆坐标点和所述用户坐标点在相同时间切片映射至相同区域单元的第一位置重合参数;其中,所述时间切片由所述时间信息所处的时间段按照特定时间标准切分获得。
实际应用中,所述车辆坐标点与所述用户坐标点由时间、经度数据以及纬度数据三元属性构成,所述车辆的第i个坐标点表示为Ci,具体的,将Ci表示为(ti,Loni,Lati),其中,ti表示所述车辆轨迹中第i个坐标点的定位时间,Loni表示所述车辆轨迹中的i个坐标点的经度,Lati表示所述车辆轨迹中第i个坐标点的纬度;所述用户的第j个坐标点表示为Pj,具体的,将Pj表示为(tj,Lonj,Latj),其中,tj表示所述候选用户轨迹中第j个坐标点的定位时间,Lonj表示所述候选用户轨迹中的j个坐标点的经度,Latj表示所述候选用户的轨迹中第j个坐标点的纬度。
具体的,根据所述车辆定位数据对应的时间信息,获取到所述车辆所处的时间段,为了使匹配计算更准确,将所述时间段按照特定的时间标准切分为不同的时间切片;根据所述车辆定位数据,确定所述车辆在所述位置区域中的坐标点,以及根据所述用户定位数据,确定所述候选用户在所述位置区域中的坐标点;在确定了所述车辆坐标点与所述用户坐标点的基础上,通过计算所述车辆坐标点与所述用户点在相同时间切片是否映射至相同的区域单元,获得所述第一位置重合参数。
例如,要对车辆C以及用户P进行位置匹配度计算,首先要获取到由车辆C的一系列轨迹坐标点中的时间信息以及坐标信息构成的车辆数据序列,以及由用户P的一系列轨迹坐标点中的时间信息以及坐标信息构成的用户数据序列;在车辆C所处的位置区域中,根据车辆数据序列中包含的坐标信息,确定车辆C的坐标点,以及根据用户数据序列,确定用户P的坐标点,在按照任意一个区域划分标准划分的区域单元,判断在相同时间切片是否有车辆C的坐标点与用户P的坐标点映射到同一个区域单元中,如果是,则判定车辆C与用户P在该时间切片重合于该区域单元。
具体实施时,为了进一步提高所述车辆与所述候选用户匹配的准确性,本实施例提供的一种可选实施方式中,具体采用如下方式计算所述第一位置重合参数:
针对任意一个区域划分精度对应的区域单元,确定所述车辆坐标点所处的区域单元,以及所述用户坐标点所处的区域单元;
在所述时间段,计算所述车辆与所述候选用户在相同时间切片位置重合的合计次数,和/或,计算所述车辆与所述候选用户在至少一个时间属性的位置重合次数以及所述车辆与所述候选用户在各时间属性的位置重合次数与所述合计次数的占比;
将所述合计次数和/或所述时间属性的位置重合参数以及所述占比作为所述第一位置重合参数。
具体的,在计算所述车辆坐标点与所述用户坐标点在相同时间映射至相同区域单元的第一位置重合参数的过程中,首先根据任意一个区域划分精度划分区域单元,并确定所述车辆坐标点所处的区域单元以及所述用户坐标点所处的区域单元,再根据所述车辆定位数据对应的时间段,计算所述车辆与所述候选用户在相同时间切片位置重合的次数;除此之外,将所述时间段按照不同的时间属性进行划分,例如将所述时间段按照白天、黑夜划分、按照周划分、按照月划分和按照季度划分等,并且计算在不同的时间属性所述车辆与所述候选用户在相同时间切片位置重合的次数,计算所述车辆与所述候选用户在各时间属性的位置重合次数与在所述时间段内所述车辆与所述候选用户的位置重合次数的占比,将所述车辆与所述候选用户在所述时间段的位置重合次数与在不同时间属性下的位置重合次数以及所述占比共同作为所述第一位置重合参数。
例如,要对车辆C以及用户P进行位置匹配度计算,将车辆C所处的位置区域甲按照500米的区域划分精度划分,获得对应的区域单元,确定车辆C的坐标点映射的区域单元,以及用户P的坐标点映射的区域单元,如果在同一时间切片,车辆C的坐标点与用户P的坐标点映射至同一个区域单元,则判定车辆C与用户P位置重合,计算在根据车辆C的车辆定位数据对应的时间信息确定的时间段内,车辆C与用户P的位置重合次数;将该时间段按照白天、黑夜划分,并且分别计算该时间段在白天车辆C与候选用户P的位置重合次数以及在黑夜车辆C与候选用户P的位置重合次数,在此基础上,计算车辆C与候选用户P在白天的重合次数在整个时间段重合次数的占比,以及在黑夜的重合次数在整个时间段重合次数的占比,此时,将车辆C与候选用户P在整个时间段的重合次数、在白天的重合次数、在黑夜的重合次数、白天重合次数的占比、黑夜重合次数的占比一起作为车辆C与候选用户P的第一位置重合参数。
具体实施时,为了提高位置匹配的有效性,进一步提高人车匹配的准确性,本实施例采用编码的方式计算所述第一位置重合参数;本实施例提供的一种可选实施方式中,具体采用如下操作确定所述第一位置重合参数:
针对任意一个区域划分精度对应的区域单元,对按照该区域划分精度划分得到的区域单元进行编码获得区域单元编码;
基于所述区域单元编码,将所述车辆坐标点所处的区域单元的区域单元编码按照时间顺序组合,获得车辆编码序列,以及将所述用户坐标点所处的区域单元的区域单元编码按照所述时间顺序组合,获得用户编码序列;
根据所述车辆编码序列与所述用户编码序列,计算所述车辆与所述候选用户的编码重合度作为所述第一位置重合参数。
例如,要对车辆C以及用户P进行位置匹配度计算,将车辆C所处的位置区域甲按照500米的区域划分精度划分,获得对应的区域单元,并对该区域单元进行编码,根据车辆C的车辆坐标点所处的区域单元编码,读取车辆C的车辆坐标点的编码,并将针对车辆坐标点读取的编码按照时间顺序组合,获得车辆C的车辆编码组合,以及根据候选用户P的用户坐标点所处的区域单元的编码,读取用户坐标点对应的编码,并将针对用户坐标点读取的编码按照与车辆编码组合相同的时间顺序组合起来,具体的,如果在车辆C的某一编码时刻没有获得候选用户P的编码,该时刻对应的编码位置的编码为空;比对获得的车辆C的车辆编码数据以及候选用户P的用户编码数据,若在相同时刻车辆C的编码与候选用户P的编码相同,则判定车辆C与候选用户P在该时刻位置重合,如在t3时刻,车辆C与候选用户P的编码都为b,则车辆C与候选用户P在t3时刻重合,基于这种通过编码计算匹配度的方式,计算车辆C与候选用户P在整个时间段内的第一位置重合参数。
第二维度:POI聚集性计算
实际应用中,由卡车司机客群的工作特点决定了卡车司机群体在实际地理位置中会有一些异于其他行业的POI聚集性,例如卡车司机通常会到物流园区寻找货源;在高速公路上停留时间较长,需要在高速入口、高速出口和服务区进行较长时间的修整,因而卡车司机会在物流园区、高速入口、高速出口和服务区等具有物流业态的POI具有很强的聚集性。
针对这一点,为了获得更加全面的位置重合参数,以此来提升人车匹配的准确率,本实施例在计算参数的过程中,通过对卡车轨迹和用户轨迹定位的位置进行POI类型打标,在区域单元匹配的基础上统计所述车辆与所述候选用户在上述关键POI单元内的轨迹重合次数,得到所述车辆与所述候选用户的POI聚集性特征,即为所述第二位置重合参数。
本实施例提供的一种可选实施方式中,采用如下方式计算所述第二位置重合参数:
在所述时间段,针对任意一个区域划分精度对应的区域单元,确定所述车辆与所述候选用户位置重合的重合区域单元;
基于所述重合区域单元,计算所述车辆与所述候选用户在相同时间切片在所述地理信息标识点所属的区域单元位置重合的合计次数,和/或,计算所述车辆与所述候选用户在至少一个时间属性的位置重合次数,以及在各时间属性的位置重合次数与所述合计次数的占比;
将所述合计次数和/或所述时间属性的位置重合参数以及所述占比作为所述第二位置重合参数。
例如,要对车辆C以及用户P进行位置匹配度计算,首先根据车辆C的定为数据确定车辆C所处的位置区域,并且在所述位置区域中查找包括高速入口、高速出口、服务站、物流园区这样的地理信息标识点,并且确定这些地理信息标识点在该位置区域中所处的区域单元;在此基础上,首先确定车辆C与候选用户P在该地理区域上重合的区域单元,再计算车辆C与候选用户P位置重合的区域单元中属于地理信息标识点所处的区域单元的次数,换句话说,就是确定车辆C的坐标点与候选用户P的坐标点在相同时间切片映射到相同的地理信息标识点所处的区域单元的次数;并且将车辆C所处的时间段按照白天、黑夜进行划分,分别计算车辆C与候选用户P在该时间段的白天重合于地理信息标识点所处的区域单元的次数以及在黑夜重合于地理信息标识点所处的区域单元的次数,进一步计算车辆C与候选用户P白天在地理信息标识点所处的区域单元的重合次数与在整个时间段在地理信息标识点所处的区域单元的重合次数的占比,以及黑夜在地理信息标识点所处的区域单元的重合次数与在整个时间段在地理信息标识点所处的区域单元的重合次数的占比,将所述车辆C与候选用户P在整个时间段在地理信息标识点的重合次数、白天在地理信息标识点的重合次数、黑夜在地理信息标识点的重合次数、白天重合次数的占比以及黑夜重合次数的占比一起作为车辆C与候选用户P的第二位置重合参数。
本实施例为了提高位置匹配的有效性,采用编码的方式计算所述第一位置重合参数;与之相类似,本实施例提供的一种可选实施方式中,具体采用如下操作确定所述第二位置重合参数:
针对任意一个区域划分精度对应的区域单元,对按照该区域划分精度划分得到的区域单元进行编码获得区域单元编码,并确定所述地理信息标识点所属的区域单元编码;
基于所述区域单元编码,将所述车辆坐标点所处的区域单元的区域单元编码按照时间顺序组合,获得车辆编码序列,以及将所述用户坐标点所处的区域单元的区域单元编码按照所述时间顺序组合,获得用户编码序列;
根据所述车辆编码序列与所述用户编码序列,计算所述车辆以及所述候选用户与所述地理信息标识点所属的区域单元编码的编码重合度作为所述第二位置重合参数。
例如,要对车辆C以及用户P进行位置匹配度计算,将车辆C所处的位置区域甲按照500米的区域划分精度划分,获得对应的区域单元,并对该区域单元进行编码,与此同时,获得地理信息标识点所处的区域单元编码;将根据车辆C的车辆坐标点所处的区域单元编码,读取车辆坐标点的编码,并将针对车辆坐标点读取的编码按照时间顺序组合,获得车辆C的车辆编码组合,以及根据候选用户P的用户坐标点所述的区域单元的编码,读取用户坐标点对应的编码,并将针对用户坐标点读取的编码按照与车辆编码组合相同的时间顺序组合起来,具体的,如果在车辆C的某一编码时刻没有获得候选用户P的编码,则用空格表示;比对获得的车辆C的车辆编码数据以及候选用户P的用户编码数据,若在相同时刻车辆C的编码与候选用户P的编码相同,且与地理信息标识点所处的区域单元的编码相同,则判定车辆C与候选用户P在该时刻在地理信息标识点位置重合,如在t3时刻,车辆C与候选用户P的编码都为b,且地理信息标识点对应的一个区域单元编码也为b,则车辆C与候选用户P在t3时刻重合于地理信息标识点,基于这种方法,计算车辆C与候选用户P在整个时间段内的第二位置重合参数。
除此之外,所述第二位置重合参数,还可以通过以下步骤计算:
对所述车辆所处的位置区域按照不同的区域划分精度进行划分,获得按照任意一个区域划分精度划分的区域单元;
在所述区域单元,对所述车辆坐标点与所述用户坐标点进行信息点打标;
确定地理信息点中关键信息点所处的区域单元作为关键信息点区域单元;
基于所述关键信息点区域单元,计算所述车辆与所述用户的重合次数;
确定所述第二位置重合参数。
第三维度:路径曲线一致性
实际应用中,由于轨迹定位存在时间和空间上的偏差,上述时空网格匹配维度与POI聚集性计算维度依然存在一定的漏配的情况,为了降低漏配的发生概率,从路径曲线一致性维度,通过计算距离参数,以此来提升所述车辆与所述候选用户匹配的准确度;假设所述车辆与所述候选用户相匹配,那么所述车辆与所述候选用户的GPS轨迹路径应该是具有较高相似性的,因此可以通过计算所述候选用户与所述车辆的打点路径曲线的相似性来衡量所述车辆与所述候选用户匹配的概率。
具体实施时,为了确保距离参数的准确性,本实施例提供的一种可选实施方式中,采用如下方式计算所述距离参数:
(1)根据所述车辆定位数据确定车辆坐标点,以及根据所述用户定位数据确定用户坐标点。
(2)基于所述车辆坐标点构建所述车辆在所述地理区域的车辆移动路径,以及基于所述用户坐标点构建所述候选用户在所述地理区域的用户移动路径。
具体的,在构建所述车辆移动路径与所述用户移动路径的过程中,为了减少计算量,提高计算效率,本实施例提供的一种可选实施方式中,在构建所述车辆移动路径与所述用户移动路径时,具体采用如下方式:
基于所述车辆坐标点构建所述车辆在所述地理区域的车辆移动路径,包括:
针对所述车辆坐标点进行采样,获得车辆采样点;
建立所述车辆采样点之间的连接关系,获得所述车辆移动路径;
和/或,
基于所述用户坐标点构建所述候选用户在所述地理区域的用户移动路径,包括:
针对所述用户坐标点进行采样,获得用户采样点;
建立所述用户采样点之间的连接关系,获得所述用户移动路径;
所述针对所述车辆坐标点进行采样与针对所述用户坐标点进行采样必须在相同的时间切片进行。
例如,要对车辆C以及用户P进行距离参数计算,按照一定的时间标准将车辆C所处的时间段划分为一个或者多个时间切片,在相同的时间切片中,对车辆C的坐标点进行采样,对候选用户P的坐标点进行采样;按照时间顺序,建立车辆C的采样点之间的连接关系获得车辆C的移动路径,建立候选用户P的采样点之间的连接关系获得候选用户P的移动路径。
(3)基于所述车辆移动路径与所述用户移动路径,采用距离检测算法计算所述车辆与所述用户二者的距离参数。
具体的,在计算距离参数的过程中,为了使所述距离参数更全面且更有效,本实施例提供的一种可选实施方式中,采用如下步骤计算所述距离参数:
计算在相同时刻所述车辆采样点与所述用户采样点之间的距离;
采用曲线相似度算法,计算所述车辆移动路径与所述用户移动路径的路径相似度;
计算所述距离小于距离阈值的采样点数目与总采样点数目的距离占比,与所述相似度作为所述距离参数。
例如,要对车辆C以及用户P进行距离参数计算,首先采用距离检测算法计算相同时刻车辆C的采样点与用户P的采样点之间的距离,然后采用曲线相似度算法计算车辆与用户地洞路径的相似度,给定一个距离阈值为100千米,获取使采样点距离小于100千米的采样点个数,并计算该采样点个数与总采样点个数的占比,将车辆C与用户P移动路径相似度以及该占比作为车辆C与用户P的距离参数。
具体的,采用Frechet距离算法计算所述车辆与所述候选用户的路径相似度,假设所述车辆的采样点为Cα(t),所述候选用户的采样点为Pβ(t),使用地球距离定义采样点的距离:
N=sin(Lat(Pβ(t)))×sin(Lat(Cα(t)))×cos(Lon(Pβ(t))-Lon(Cα(t)))+cos(Lat(Pβ(t)))×cos(Lat(Cα(t)));
其中,R为地球半径6371.004km,N表示在相同时刻车辆采样点与用户采样点的距离,d(Pβ(t),Cα(t))表示使用地球距离定义的相同时刻车辆采样点与用户采样点的距离,Lat(Pβ(t))为t时刻用户采样点的经度,Lon(Cα(t))为t时刻车辆采样点的纬度;在每次采样中遍历离散点,得到在该种采样方式下的最大距离max{d(Pβ(t),Cα(t))},Frechet距离即是使该最大距离最小化时的采样方式的值:
其中,F(P,C)表示车辆与候选用户在路径曲线上的相似度。
例如,要对车辆C以及用户P进行位置匹配度计算,首先要获取到由车辆C的一系列轨迹坐标点中的时间信息以及坐标信息构成的车辆数据序列,以及由用户P的一系列轨迹坐标点中的时间信息以及坐标信息构成的用户数据序列;在车辆C所处的位置区域中,根据车辆数据序列中包含的坐标信息,确定车辆C的坐标点,以及根据用户数据序列,确定用户P的坐标点,根据车辆C的坐标点,构建车辆C在所属时间段的移动路径曲线,并且根据候选用户P的坐标点,构建候选用户P在所属时间段的移动路径曲线,采用Frechet距离算法计算车辆C与候选用户P二者的距离参数。
第四维度:移动速度一致性
实际应用中,当卡车司机在驾驶卡车时,同一时间段内的用户速度和卡车速度应当是一致的,为了进一步提高人车匹配的准确性,本实施例通过计算所述车辆与所述候选用户的移动参数来进行位置匹配计算。
本实施例提供的一种可选实施方式中,采用如下方式计算所述移动参数:
基于所述车辆数据序列,获取所述车辆在所述时间段的不同时间切片的车辆切片平均速度,计算所述车辆切片平均速度的平均速度,作为车辆平均速度;
和/或,
基于所述用户数据序列,获取所述候选用户在所述时间段的不同时间切片的用户切片平均速度,计算所述用户切片平均速度的平均速度,作为用户平均速度;
基于所述车辆平均速度与所述用户平均速度,计算所述车辆与所述候选用户在所述时间段的平均速度差,以及计算所述速度差小于速度阈值的时间切片数目与总时间切片数目的速度差占比,与所述平均速度差作为所述移动参数;
其中,所述车辆切片平均速度与所述用户切片平均速度通过所属时间切片的距离与时间得到;所述车辆平均速度与所述用户平均速度通过所属时间段的切片平均速度得到。
具体的,在同一时间切片内卡车可能有多次GPS打点,使用每一次起始切片和结束切片两两配对计算对应的卡车速度,取平均值作为卡车的平均速度:在同一时间切片内候选用户可能有多次GPS打点,使用每一次起始切片和结束切片两两配对计算对应的候选用户速度,取平均值作为候选用户的平均速度其中, d(MB-MA)为两次打点之间的距离,tB-tA为两次打点之间的时间,通过计算同一时间段内卡车速度与用户速度的速度差来衡量人车间的移动速度匹配一致性。
例如,要对车辆C以及用户P进行移动参数计算,计算车辆C在所属时间段的不同时间切片的平均速度,再计算车辆C在该时间段的平均速度;计算用户P在所属时间段的不同时间切片的平均速度,再计算用户P在该时间段的平均速度,给定移动阈值为3千米/小时,计算车辆C与用户P在该时间段的每个时间切片的平均速度的速度差,以及在该时间段整体平均速度的速度差,还要计算速度差小于3千米/小时的时间切片的数目与总时间切片的数目的占比,将该时间段整体平均速度的速度差以及占比作为移动参数。
需要说明的是,上述四个维度中的任意一个参数都可以单独计算所述车辆与所述候选用户的匹配度,也可以将多个维度的参数进行组合来计算所述车辆与所述候选用户的匹配度,并且,参数可以任意组合,相应的,计算参数特征的实现方式也可以进行组合。
步骤S106,将所述位置重合参数、所述距离参数以及所述移动参数作为输入,输入匹配计算模型进行位置匹配计算,获得所述车辆与所述候选用户的匹配度。
实际应用中,为了提高匹配计算的准确性,确保与所述车辆匹配的候选用户的信用度不受影响,需要将至少一个候选用户的用户数据序列与所述车辆的车辆数据序列进行匹配度计算,以此选出与所述车辆匹配度最高的候选用户,且在利用匹配计算模型计算匹配度的过程中,输入多个维度的参数。
具体的,本实施例提供的一种可选实施方式中,所述车辆数据序列由在一个时间段内所述车辆的轨迹坐标点的经度、纬度以及定位时间组成;其中,所述匹配计算匹配模型包括:GBDT树模型。
例如,要对车辆C以及用户P进行位置匹配计算,将计算得到的包括第一位置重合参数以及第二位置重合参数的位置重合参数、移动路径的距离参数以及移动参数共同输入GBDT树模型,得到车辆C与用户P的匹配概率。
下述结合图2,以本实施例提供的人车数据匹配方法在业务场景的应用为例,对本实施例提供的人车数据匹配方法进行进一步说明。参照图2,应用于业务场景的人车数据匹配方法具体包括步骤S202至步骤S242。
步骤S202,获取车辆数据序列以及用户数据序列。
车辆数据序列中包含车辆的经度数据、纬度数据以及对应的时间信息;用户数据序列包含用户的经度数据、纬度数据以及对应的时间信息。
步骤S204,确定车辆所处的时间段、车辆坐标点以及用户坐标点。
步骤S206,将时间段按照10min的时间精度进行划分,获得一个或多个时间切片。
步骤S208,确定车辆所处的地理区域。
步骤S210,将地理区域按500m的精度进行划分,获得对应的区域单元。
具体实施时,对地理区域的长和宽都按500m的精度进行划分。
步骤S212,确定车辆坐标点与用户坐标点所处的区域单元。
步骤S214,对区域单元进行编码,并确定车辆编码序列以及用户编码序列。
具体实施时,将车辆坐标点所处的区域单元的区域单元编码按照时间顺序组合,获得车辆编码序列;将用户坐标点所处的区域单元的区域单元编码按照与车辆坐标点组合中相同的时间顺序进行组合,获得用户编码序列。
步骤S216,比对车辆编码序列与用户编码序列。
步骤S218,确定第一位置重合参数。
第一位置重合参数包括在整个时间段内,车辆坐标点与用户坐标点总重合次数、白天重合次数、黑夜重合次数以及白天、黑夜的重合次数分别与总重合次数的占比。
具体实施时,比对车辆编码序列与用户车辆序列,若在相同时刻车辆编码与用户编码一致,则判定车辆与用户在该点重合于该编码对应的区域单元,计算车辆编码序列与用户编码序列中的重合次数,将时间段划分为白天、黑夜,计算车辆与用户在白天、黑夜的重合次数,再计算白天重合次数与整体重合次数的占比以及黑夜重合次数与整体重合次数的占比,将总重合次数、白天重合次数、黑夜重合次数以及两个占比作为第一位置重合参数。
步骤S220,确定地理信息标识点所处的区域单元。
具体实施时,在车辆所处的地理区域查询处于该地理区域的地理信息标识点,再确定地理信息标识点对应的编码。
步骤S222,确定第二位置重合参数。
第二位置重合参数包括在整个时间段内,车辆坐标点与用户坐标点在地理信息标识点的总重合次数、白天重合次数、黑夜重合次数以及白天、黑夜的重合次数分别与总重合次数的占比。
步骤S224,确定车辆采样点与用户采样点。
具体实施时,在相同的时间切片,利用算法得到的采样方法对车辆坐标点进行采样获得车辆采样点,对用户坐标点进行采样获得用户采样点。
步骤S226,确定车辆移动路径与用户移动路径。
具体实施时,将车辆采样点按照时间顺序建立连接关系,获得车辆移动路径;将用户采样点按照时间顺序建立连接关系,获得用户移动路径。
步骤S228,利用Frechet距离算法计算车辆与用户在移动路径上的相似度。
具体的,车辆的采样点为Cα(t),所述候选用户的采样点为Pβ(t),使用地球距离定义采样点的距离:
N=sin(Lat(Pβ(t)))×sin(Lat(Cα(t)))×cos(Lon(Pβ(t))-Lon(Cα(t)))+cos(Lat(Pβ(t)))×cos(Lat(Cα(t)));
其中,R为地球半径6371.004km,N表示在相同时刻车辆采样点与用户采样点的距离,d(Pβ(t),Cα(t))表示使用地球距离定义的相同时刻车辆采样点与用户采样点的距离,Lat(Pβ(t))为Pβ(t)采样点的经度,Lon(Pβ(t))为Pβ(t)采样点的纬度;在每次采样中遍历离散点,得到在该种采样方式下的最大距离max{d(Pβ(t),Cα(t))},Frechet距离即是使该最大距离最小化时的值:
其中,F(P,C)表示车辆与候选用户在路径曲线上的相似度。
步骤S230,确定距离参数。
距离参数包括车辆采样点与用户采样点之间的最大距离、车辆与用户在移动路径上的相似度、车辆采样点与用户采样点距离小于距离阈值的占比。
具体实施时,给定一个距离阈值为100km,计算采样点距离中小于100km的采样点数目与总采样点数目的距离占比,与获得的最大距离以及相似度一起作为距离参数。
步骤S232,计算车辆以及用户在每个时间切片的距离。
步骤S234,确定每个时间切片车辆的平均速度与用户的平均速度。
首先确定车辆在每个时间切片的平均速度以及用户在每个时间切片的平均速度,车辆在每个时间切片的平均速度根据车辆在该时间切片中的路程与时间确定;用户在每个时间切片的平均速度根据用户在该时间切片中的路程与时间确定。
步骤S236,确定车辆平均速度与用户平均速度。
具体实施时,车辆平均速度根据时间段内车辆在每个时间切片中的平均速度确定;用户平均速度根据时间段内用户在每个时间切片中的平均速度确定。
步骤S238,计算车辆平均速度与用户平均速度的速度差。
具体实施时,计算车辆与用户在每个时间切片的速度差以及在整个时间段的速度差。
步骤S240,确定移动参数。
移动参数包括车辆与用户在整个时间段的速度差、以及速度差小于速度阈值的时间切片数目在总时间切片数目的占比。
具体实施时,给定一个速度阈值为3km/h获得车辆与用户在每个时间切片的速度差以及在整个时间段的速度差之后,计算在各个时间切片的速度差小于3km/h的时间切片数目与总时间切片数目的占比,与获得的速度差作为移动参数。
步骤S242,将获得的第一位置重合参数、第二位置重合参数、距离参数以及移动参数作为输入,输入GBDT模型,获得车辆与用户的匹配度。
综上所述,本实施例提供的一种人车数据匹配方法,通过多个维度来计算车辆与候选用户的匹配度,具体的,首先获取车辆数据序列以及用户数据序列,再根据所述车辆数据序列与所述用户数据序列,计算车辆与候选用户的重合参数、移动参数以及距离参数,最后将得到的重合参数、移动参数以及距离参数作为输入,输入到匹配计算模型进行位置匹配计算来获得所述车辆与所述候选用户在位置上的匹配度,以此来提高匹配计算的精确度,减少计算量,进一步提高匹配的准确度。
本说明书提供的一种人车数据匹配装置实施例如下:
在上述的实施例中,提供了一种人车数据匹配方法,与之相对应的,还提供了一种人车数据匹配装置,下面结合图进行说明。
参照图3,其示出了本实施例提供的一种人车数据匹配装置示意图。
由于装置实施例对应于方法实施例,所以描述得比较简单,相关的部分请参照上述提供的方法实施例的对应说明即可。下述描述的装置实施例仅仅是示意性的。
本实施例提供一种人车数据匹配装置,包括:
获取模块302,被配置为获取车辆的车辆定位数据以及对应的时间信息组成的车辆数据序列,以及候选用户的用户定位数据以及对应的时间信息组成的用户数据序列;
参数计算模块304,被配置为根据所述车辆所处的位置区域的区域单元、所述车辆数据序列以及所述用户数据序列,计算所述车辆与所述候选用户二者的位置重合参数,并计算二者的移动参数以及移动路径的距离参数;
匹配度计算模块306,被配置为将所述位置重合参数、所述距离参数以及所述移动参数作为输入,输入匹配计算模型进行位置匹配计算,获得所述车辆与所述候选用户的匹配度。
可选的,所述位置区域的区域单元,通过运行如下模块确定:
位置区域确定模块,被配置为根据所述车辆定位数据确定所述车辆所处的位置区域;
划分模块,被配置为按照至少一个区域划分精度,将所述位置区域划分为各区域划分精度对应的区域单元。
可选的,所述区域单元包括所述位置区域内的地理信息标识点;所述地理信息标识点通过运行如下模块确定:
位置区域确定模块,被配置为根据所述车辆定位数据确定所述车辆所处的位置区域;
信息点确定模块,被配置为在所述位置区域内查找所述地理信息标识点,并确定所述地理信息标识点所属的区域单元。
可选的,所述参数计算模块304,包括:
坐标点确定子模块,被配置为根据所述车辆定位数据确定车辆坐标点,以及根据所述用户定位数据确定用户坐标点;
第一参数计算子模块,被配置为计算所述车辆坐标点和所述用户坐标点在相同时间切片映射至相同区域单元的第一位置重合参数;
其中,所述时间切片由所述时间信息所处的时间段按照特定时间标准切分获得。
可选的,所述第一参数计算子模块,包括:
区域单元确定单元,被配置为针对任意一个区域划分精度对应的区域单元,确定所述车辆坐标点所处的区域单元,以及所述用户坐标点所处的区域单元;
第一计算单元,被配置为在所述时间段,计算所述车辆与所述候选用户在相同时间切片位置重合的合计次数,和/或,计算所述车辆与所述候选用户在至少一个时间属性的位置重合次数以及所述车辆与所述候选用户在各时间属性的位置重合次数与所述合计次数的占比;
第一构成单元,被配置为将所述合计次数和/或所述时间属性的位置重合参数以及所述占比作为所述第一位置重合参数。
可选的,所述参数计算模块304,还包括:
区域确定子模块,被配置为根据所述车辆定位数据确定所述车辆所处的位置区域;
信息点查询子模块,被配置为在所述位置区域内查找所述地理信息标识点,并确定所述地理信息标识点所属的区域单元;
重合确定子模块,被配置为在所述时间段,针对任意一个区域划分精度对应的区域单元,确定所述车辆与所述候选用户位置重合的重合区域单元;
第二计算子模块,被配置为基于所述重合区域单元,计算所述车辆与所述候选用户在相同时间切片在所述地理信息标识点所属的区域单元位置重合的合计次数,和/或,计算所述车辆与所述候选用户在至少一个时间属性的位置重合次数,以及在各时间属性的位置重合次数与所述合计次数的占比;
第二构成子模块,被配置为将所述合计次数和/或所述时间属性的位置重合参数以及所述占比作为所述第二位置重合参数。
可选的,所述第一参数计算子模块,包括:
编码单元,被配置为针对任意一个区域划分精度对应的区域单元,对按照该区域划分精度划分得到的区域单元进行编码获得区域单元编码;
编码序列获取单元,被配置为基于所述区域单元编码,将所述车辆坐标点所处的区域单元的区域单元编码按照时间顺序组合,获得车辆编码序列,以及将所述用户坐标点所处的区域单元的区域单元编码按照所述时间顺序组合,获得用户编码序列;
第一重合参数计算单元,被配置为根据所述车辆编码序列与所述用户编码序列,计算所述车辆与所述候选用户的编码重合度作为所述第一位置重合参数。
可选的,所述第二位置重合参数,通过运行如下子模块确定:
信息点编码子模块,被配置为针对任意一个区域划分精度对应的区域单元,对按照该区域划分精度划分得到的区域单元进行编码获得区域单元编码,并确定所述地理信息标识点所属的区域单元编码;
编码序列读取子模块,被配置为基于所述区域单元编码,将所述车辆坐标点所处的区域单元的区域单元编码按照时间顺序组合,获得车辆编码序列,以及将所述用户坐标点所处的区域单元的区域单元编码按照所述时间顺序组合,获得用户编码序列;
信息点计算子模块,被配置为根据所述车辆编码序列与所述用户编码序列,计算所述车辆以及所述候选用户与所述地理信息标识点所属的区域单元编码的编码重合度作为所述第二位置重合参数。
可选的,所述移动路径上的距离参数,通过运行如下子模块确定:
坐标点确定子模块,被配置为根据所述车辆定位数据确定车辆坐标点,以及根据所述用户定位数据确定用户坐标点;
路径获取子模块,被配置为基于所述车辆坐标点构建所述车辆在所述地理区域的车辆移动路径,以及基于所述用户坐标点构建所述候选用户在所述地理区域的用户移动路径;
距离参数计算子模块,被配置为基于所述车辆移动路径与所述用户移动路径,采用距离检测算法计算所述车辆与所述用户二者的距离参数。
可选的,所述路径获取子模块,包括:
车辆采样单元,被配置为车辆采样单元,被配置为针对所述车辆坐标点进行采样,获得车辆采样点;
车辆路径建立单元,被配置为车辆路径建立单元,被配置为建立所述车辆采样点之间的连接关系,获得所述车辆移动路径;
和/或,
可选的,所述路径获取子模块,包括:
用户采样单元,被配置为用户采样单元,被配置为针对所述用户坐标点进行采样,获得用户采样点;
用户路径建立单元,被配置为建立所述用户采样点之间的连接关系,获得所述用户移动路径;
所述针对所述车辆坐标点进行采样与针对所述用户坐标点进行采样必须在相同的时间切片进行。
可选的,所述距离参数计算子模块,包括:
距离计算单元,被配置为计算在相同时刻所述车辆采样点与所述用户采样点之间的距离;
相似度计算单元,被配置为采用曲线相似度算法,计算所述车辆移动路径与所述用户移动路径的路径相似度;
距离占比计算单元,被配置为计算所述距离小于距离阈值的采样点数目与总采样点数目的距离占比,与所述相似度作为所述距离参数。
可选的,所述移动参数,通过运行如下子模块确定:
车辆速度获取子模块,被配置为基于所述车辆数据序列,获取所述车辆在所述时间段的不同时间切片的车辆切片平均速度,计算所述车辆切片平均速度的平均速度,作为车辆平均速度;
和/或,
用户速度获取子模块,被配置为基于所述用户数据序列,获取所述候选用户在所述时间段的不同时间切片的用户切片平均速度,计算所述用户切片平均速度的平均速度,作为用户平均速度;
速度计算子模块,被配置为基于所述车辆平均速度与所述用户平均速度,计算所述车辆与所述候选用户在所述时间段的平均速度差,以及计算所述速度差小于速度阈值的时间切片数目与总时间切片数目的占比,与所述平均速度差作为所述移动参数;
其中,所述车辆切片平均速度与所述用户切片平均速度通过所属切片的距离与时间得到;所述车辆平均速度与所述用户平均速度通过所属时间段的切片平均速度得到。
可选的,所述车辆数据序列由在一个时间段内所述车辆的轨迹坐标点的经度、纬度以及定位时间组成;
所述候选用户的数目为至少一个;所述匹配计算模型的输入包括:所述卡车与所述候选用户的位置重合参数、距离参数以及移动参数;
其中,所述匹配计算匹配模型包括:GBDT树模型。
本说明书提供的一种人车数据匹配设备实施例如下:
对应上述描述的一种人车数据匹配方法,基于相同的技术构思,本说明书一个或多个实施例还提供一种人车数据匹配设备,该设备用于执行上述的一种人车数据匹配方法,图4为本说明书一个或多个实施例提供的一种人车数据匹配设备的结构示意图。
如图4所示,人车数据匹配设备可因配置或性能不同而产生比较大的差异,可以包括一个或一个以上的处理器401和存储器402,存储器402中可以存储有一个或一个以上存储应用程序或数据。其中,存储器402可以是短暂存储或持久存储。存储在存储器402的应用程序可以包括一个或一个以上模块(图示未示出),每个模块可以包括人车数据匹配设备中的一系列计算机可执行指令。更进一步地,处理器401可以设置为与存储器402通信,在人车数据匹配设备上执行存储器402中的一系列计算机可执行指令。人车数据匹配设备还可以包括一个或一个以上电源403,一个或一个以上有线或无线网络接口404,一个或一个以上输入输出接口405,一个或一个以上键盘406等。
在一个具体的实施例中,人车数据匹配设备包括有存储器,以及一个或一个以上的程序,其中一个或者一个以上程序存储于存储器中,且一个或者一个以上程序可以包括一个或一个以上模块,且每个模块可以包括对人车数据匹配设备中的一系列计算机可执行指令,且经配置以由一个或者一个以上处理器执行该一个或者一个以上程序包含用于进行以下计算机可执行指令:
获取车辆的车辆定位数据以及对应的时间信息组成的车辆数据序列,以及候选用户的用户定位数据以及对应的时间信息组成的用户数据序列;
根据所述车辆所处的位置区域的区域单元、所述车辆数据序列以及所述用户数据序列,计算所述车辆与所述候选用户二者的位置重合参数,并计算二者的移动参数以及移动路径的距离参数;
将所述位置重合参数、所述距离参数以及所述移动参数作为输入,输入匹配计算模型进行位置匹配计算,获得所述车辆与所述候选用户的匹配度。
可选的,所述计算所述车辆坐标点和所述用户坐标点在相同时间切片映射至相同区域单元的第一位置重合参数,包括:
针对任意一个区域划分精度对应的区域单元,对按照该区域划分精度划分得到的区域单元进行编码获得区域单元编码;
基于所述区域单元编码,将所述车辆坐标点所处的区域单元的区域单元编码按照时间顺序组合,获得车辆编码序列,以及将所述用户坐标点所处的区域单元的区域单元编码按照所述时间顺序组合,获得用户编码序列;
根据所述车辆编码序列与所述用户编码序列,计算所述车辆与所述候选用户的编码重合度作为所述第一位置重合参数。
可选的,所述第二位置重合参数,具体采用如下方式计算,包括:
针对任意一个区域划分精度对应的区域单元,对按照该区域划分精度划分得到的区域单元进行编码获得区域单元编码,并确定所述地理信息标识点所属的区域单元编码;
基于所述区域单元编码,将所述车辆坐标点所处的区域单元的区域单元编码按照时间顺序组合,获得车辆编码序列,以及将所述用户坐标点所处的区域单元的区域单元编码按照所述时间顺序组合,获得用户编码序列;
根据所述车辆编码序列与所述用户编码序列,计算所述车辆以及所述候选用户与所述地理信息标识点所属的区域单元编码的编码重合度作为所述第二位置重合参数。
本说明书提供的一种存储介质实施例如下:
对应上述描述的一种人车数据匹配方法,基于相同的技术构思,本说明书一个或多个实施例还提供一种存储介质。
本实施例提供的存储介质,用于存储计算机可执行指令,所述计算机可执行指令在被执行时实现以下流程:
获取车辆的车辆定位数据以及对应的时间信息组成的车辆数据序列,以及候选用户的用户定位数据以及对应的时间信息组成的用户数据序列;
根据所述车辆所处的位置区域的区域单元、所述车辆数据序列以及所述用户数据序列,计算所述车辆与所述候选用户二者的位置重合参数,并计算二者的移动参数以及移动路径的距离参数;
将所述位置重合参数、所述距离参数以及所述移动参数作为输入,输入匹配计算模型进行位置匹配计算,获得所述车辆与所述候选用户的匹配度。
可选的,所述计算所述车辆坐标点和所述用户坐标点在相同时间切片映射至相同区域单元的第一位置重合参数,包括:
针对任意一个区域划分精度对应的区域单元,对按照该区域划分精度划分得到的安全区域单元进行编码获得区域单元编码;
基于所述区域单元编码,将所述车辆坐标点所处的区域单元的区域单元编码按照时间顺序组合,获得车辆编码序列,以及将所述用户坐标点所处的区域单元的区域单元编码按照所述时间顺序组合,获得用户编码序列;
根据所述车辆编码序列与所述用户编码序列,计算所述车辆与所述候选用户的编码重合度作为所述第一位置重合参数。
可选的,所述第二位置重合参数,具体采用如下方式计算,包括:
针对任意一个区域划分精度对应的区域单元,对按照该区域划分精度划分得到的区域单元进行编码获得区域单元编码,并确定所述地理信息标识点所属的区域单元编码;
基于所述区域单元编码,将所述车辆坐标点所处的区域单元的区域单元编码按照时间顺序组合,获得车辆编码序列,以及将所述用户坐标点所处的区域单元的区域单元编码按照所述时间顺序组合,获得用户编码序列;
根据所述车辆编码序列与所述用户编码序列,计算所述车辆以及所述候选用户与所述地理信息标识点所属的区域单元编码的编码重合度作为所述第二位置重合参数。
需要说明的是,本说明书中关于存储介质的实施例与本说明书中关于用户资源处理方法的实施例基于同一发明构思,因此该实施例的具体实施可以参见前述对应方法的实施,重复之处不再赘述。
上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下,在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外,在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中,多任务处理和并行处理也是可以的或者可能是有利的。
在20世纪30年代,对于一个技术的改进可以很明显地区分是硬件上的改进(例如,对二极管、晶体管、开关等电路结构的改进)还是软件上的改进(对于方法流程的改进)。然而,随着技术的发展,当今的很多方法流程的改进已经可以视为硬件电路结构的直接改进。设计人员几乎都通过将改进的方法流程编程到硬件电路中来得到相应的硬件电路结构。因此,不能说一个方法流程的改进就不能用硬件实体模块来实现。例如,可编程逻辑器件(Programmable Logic Device,PLD)(例如现场可编程门阵列(Field Programmable GateArray,FPGA))就是这样一种集成电路,其逻辑功能由用户对器件编程来确定。由设计人员自行编程来把一个数字***“集成”在一片PLD上,而不需要请芯片制造厂商来设计和制作专用的集成电路芯片。而且,如今,取代手工地制作集成电路芯片,这种编程也多半改用“逻辑编译器(logic compiler)”软件来实现,它与程序开发撰写时所用的软件编译器相类似,而要编译之前的原始代码也得用特定的编程语言来撰写,此称之为硬件描述语言(Hardware Description Language,HDL),而HDL也并非仅有一种,而是有许多种,如ABEL(Advanced Boolean Expression Language)、AHDL(Altera Hardware DescriptionLanguage)、Confluence、CUPL(Cornell University Programming Language)、HDCal、JHDL(Java Hardware Description Language)、Lava、Lola、MyHDL、PALASM、RHDL(RubyHardware Description Language)等,目前最普遍使用的是VHDL(Very-High-SpeedIntegrated Circuit Hardware Description Language)与Verilog。本领域技术人员也应该清楚,只需要将方法流程用上述几种硬件描述语言稍作逻辑编程并编程到集成电路中,就可以很容易得到实现该逻辑方法流程的硬件电路。
控制器可以按任何适当的方式实现,例如,控制器可以采取例如微处理器或处理器以及存储可由该(微)处理器执行的计算机可读程序代码(例如软件或固件)的计算机可读介质、逻辑门、开关、专用集成电路(Application Specific Integrated Circuit,ASIC)、可编程逻辑控制器和嵌入微控制器的形式,控制器的例子包括但不限于以下微控制器:ARC 625D、Atmel AT91SAM、Microchip PIC18F26K20以及Silicone Labs C8051F320,存储器控制器还可以被实现为存储器的控制逻辑的一部分。本领域技术人员也知道,除了以纯计算机可读程序代码方式实现控制器以外,完全可以通过将方法步骤进行逻辑编程来使得控制器以逻辑门、开关、专用集成电路、可编程逻辑控制器和嵌入微控制器等的形式来实现相同功能。因此这种控制器可以被认为是一种硬件部件,而对其内包括的用于实现各种功能的装置也可以视为硬件部件内的结构。或者甚至,可以将用于实现各种功能的装置视为既可以是实现方法的软件模块又可以是硬件部件内的结构。
上述实施例阐明的***、装置、模块或单元,具体可以由计算机芯片或实体实现,或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的,计算机例如可以为个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。
为了描述的方便,描述以上装置时以功能分为各种单元分别描述。当然,在实施本说明书实施例时可以把各单元的功能在同一个或多个软件和/或硬件中实现。
本领域内的技术人员应明白,本说明书一个或多个实施例可提供为方法、***或计算机程序产品。因此,本说明书一个或多个实施例可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本说明书可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本说明书是参照根据本说明书实施例的方法、设备(***)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中,计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器,随机存取存储器(RAM)和/或非易失性内存等形式,如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括,但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带,磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。按照本文中的界定,计算机可读介质不包括暂存电脑可读媒体(transitory media),如调制的数据信号和载波。
还需要说明的是,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
本说明书一个或多个实施例可以在由计算机执行的计算机可执行指令的一般上下文中描述,例如程序模块。一般地,程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本说明书的一个或多个实施例,在这些分布式计算环境中,由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中,程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于***实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
以上所述仅为本文件的实施例而已,并不用于限制本文件。对于本领域技术人员来说,本文件可以有各种更改和变化。凡在本文件的精神和原理之内所作的任何修改、等同替换、改进等,均应包含在本文件的权利要求范围之内。
Claims (16)
1.一种人车数据匹配方法,包括:
获取车辆的车辆定位数据以及对应的时间信息组成的车辆数据序列,以及候选用户的用户定位数据以及对应的时间信息组成的用户数据序列;
根据所述车辆所处的位置区域的区域单元、所述车辆数据序列以及所述用户数据序列,计算所述车辆与所述候选用户二者的第一位置重合参数和第二位置重合参数,并计算二者的移动参数以及移动路径的距离参数;所述第一位置重合参数根据车辆坐标点与用户坐标点在相同时间切片是否映射至相同的区域单元的映射结果确定;所述第二位置重合参数通过统计所述车辆与所述候选用户在相同的地理信息标识点所处的区域单元的次数确定;
将所述第一位置重合参数、所述第二位置重合参数、所述距离参数以及所述移动参数作为输入,输入匹配计算模型进行位置匹配计算,获得所述车辆与所述候选用户的匹配度。
2.根据权利要求1所述的人车数据匹配方法,所述位置区域的区域单元,采用如下方式确定:
根据所述车辆定位数据确定所述车辆所处的位置区域;
按照至少一个区域划分精度,将所述位置区域划分为各区域划分精度对应的区域单元。
3.根据权利要求1所述的人车数据匹配方法,所述地理信息标识点所处的区域单元包括所述位置区域内的地理信息标识点;所述地理信息标识点采用如下方式确定:
根据所述车辆定位数据确定所述车辆所处的位置区域;
在所述位置区域内查找所述地理信息标识点,并确定所述地理信息标识点所属的区域单元。
4.根据权利要求2所述的人车数据匹配方法,所述第一位置重合参数,采用如下方式获得:
根据所述车辆定位数据确定车辆坐标点,以及根据所述用户定位数据确定用户坐标点;
计算所述车辆坐标点和所述用户坐标点在相同时间切片映射至相同区域单元的第一位置重合参数;
其中,所述时间切片由所述时间信息所处的时间段按照特定时间标准切分获得。
5.根据权利要求4所述的人车数据匹配方法,所述计算所述车辆坐标点和所述用户坐标点在相同时间切片映射至相同区域单元的第一位置重合参数,包括:
针对任意一个区域划分精度对应的区域单元,确定所述车辆坐标点所处的区域单元,以及所述用户坐标点所处的区域单元;
在所述时间段,计算所述车辆与所述候选用户在相同时间切片位置重合的合计次数,和/或,计算所述车辆与所述候选用户在至少一个时间属性的位置重合次数以及所述车辆与所述候选用户在各时间属性的位置重合次数与所述合计次数的占比;
将所述合计次数和/或不同时间属性的位置重合参数以及所述占比作为所述第一位置重合参数。
6.根据权利要求4所述的人车数据匹配方法,还包括:
根据所述车辆定位数据确定所述车辆所处的位置区域;
在所述位置区域内查找地理信息标识点,并确定所述地理信息标识点所属的区域单元;
在所述时间段,针对任意一个区域划分精度对应的区域单元,确定所述车辆与所述候选用户位置重合的重合区域单元;
基于所述重合区域单元,计算所述车辆与所述候选用户在相同时间切片在所述地理信息标识点所属的区域单元位置重合的合计次数,和/或,计算所述车辆与所述候选用户在至少一个时间属性的位置重合次数,以及在各时间属性的位置重合次数与所述合计次数的占比;
将所述合计次数和/或时间属性的位置重合参数以及所述占比作为所述第二位置重合参数。
7.根据权利要求5所述的人车数据匹配方法,所述计算所述车辆坐标点和所述用户坐标点在相同时间切片映射至相同区域单元的第一位置重合参数,包括:
针对任意一个区域划分精度对应的区域单元,对按照该区域划分精度划分得到的区域单元进行编码获得区域单元编码;
基于所述区域单元编码,将所述车辆坐标点所处的区域单元的区域单元编码按照时间顺序组合,获得车辆编码序列,以及将所述用户坐标点所处的区域单元的区域单元编码按照所述时间顺序组合,获得用户编码序列;
根据所述车辆编码序列与所述用户编码序列,计算所述车辆与所述候选用户的编码重合度作为所述第一位置重合参数。
8.根据权利要求6所述的人车数据匹配方法,所述第二位置重合参数,采用如下方式计算:
针对任意一个区域划分精度对应的区域单元,对按照该区域划分精度划分得到的区域单元进行编码获得区域单元编码,并确定所述地理信息标识点所属的区域单元编码;
基于所述区域单元编码,将所述车辆坐标点所处的区域单元的区域单元编码按照时间顺序组合,获得车辆编码序列,以及将所述用户坐标点所处的区域单元的区域单元编码按照所述时间顺序组合,获得用户编码序列;
根据所述车辆编码序列与所述用户编码序列,计算所述车辆以及所述候选用户与所述地理信息标识点所属的区域单元编码的编码重合度作为所述第二位置重合参数。
9.根据权利要求1所述的人车数据匹配方法,所述移动路径上的距离参数,采用如下方式计算:
根据所述车辆定位数据确定车辆坐标点,以及根据所述用户定位数据确定用户坐标点;
基于所述车辆坐标点构建所述车辆在地理区域的车辆移动路径,以及基于所述用户坐标点构建所述候选用户在所述地理区域的用户移动路径;
基于所述车辆移动路径与所述用户移动路径,采用距离检测算法计算所述车辆与所述候选用户二者的距离参数。
10.根据权利要求9所述的人车数据匹配方法,所述基于所述车辆坐标点构建所述车辆在地理区域的车辆移动路径,包括:
针对所述车辆坐标点进行采样,获得车辆采样点;
建立所述车辆采样点之间的连接关系,获得所述车辆移动路径;
和/或,
所述基于所述用户坐标点构建所述候选用户在所述地理区域的用户移动路径,包括:
针对所述用户坐标点进行采样,获得用户采样点;
建立所述用户采样点之间的连接关系,获得所述用户移动路径;
针对所述车辆坐标点进行采样与针对所述用户坐标点进行采样必须在相同的时间切片进行。
11.根据权利要求9所述的人车数据匹配方法,所述基于所述车辆移动路径与所述用户移动路径,采用距离检测算法计算所述车辆与所述候选用户二者的距离参数,包括:
计算在相同时刻车辆采样点与用户采样点之间的距离;
采用曲线相似度算法,计算所述车辆移动路径与所述用户移动路径的路径相似度;
计算所述距离小于距离阈值的采样点数目与总采样点数目的距离占比,与所述相似度作为所述距离参数。
12.根据权利要求1所述的人车数据匹配方法,所述移动参数,采用如下方式计算:
基于所述车辆数据序列,获取所述车辆在时间段的不同时间切片的车辆切片平均速度,计算所述车辆切片平均速度的平均速度,作为车辆平均速度;
和/或,
基于所述用户数据序列,获取所述候选用户在所述时间段的不同时间切片的用户切片平均速度,计算所述用户切片平均速度的平均速度,作为用户平均速度;
基于所述车辆平均速度与所述用户平均速度,计算所述车辆与所述候选用户在每个时间切片的速度差以及在所述时间段的平均速度差,以及计算所述速度差小于速度阈值的时间切片数目与总时间切片数目的占比,与所述平均速度差作为所述移动参数;
其中,所述车辆切片平均速度与所述用户切片平均速度通过所属切片的距离与时间得到;所述车辆平均速度与所述用户平均速度通过所属时间段的切片平均速度得到。
13.根据权利要求1所述的人车数据匹配方法,所述车辆数据序列由在一个时间段内所述车辆的轨迹坐标点的经度、纬度以及定位时间组成。
14.一种人车数据匹配方法装置,包括:
获取模块,被配置为获取车辆的车辆定位数据以及对应的时间信息组成的车辆数据序列,以及候选用户的用户定位数据以及对应的时间信息组成的用户数据序列;
参数计算模块,被配置为根据所述车辆所处的位置区域的区域单元、所述车辆数据序列以及所述用户数据序列,计算所述车辆与所述候选用户二者的第一位置重合参数和第二位置重合参数,并计算二者的移动参数以及移动路径的距离参数;所述第一位置重合参数根据车辆坐标点与用户坐标点在相同时间切片是否映射至相同的区域单元的映射结果确定;所述第二位置重合参数通过统计所述车辆与所述候选用户在相同的地理信息标识点所处的区域单元的次数确定;
匹配度计算模块,被配置为将所述第一位置重合参数、所述第二位置重合参数、所述距离参数以及所述移动参数作为输入,输入匹配计算模型进行位置匹配计算,获得所述车辆与所述候选用户的匹配度。
15.一种人车数据匹配方法设备,包括:
处理器;以及,
被配置为存储计算机可执行指令的存储器,所述计算机可执行指令在被执行时使所述处理器:
获取车辆的车辆定位数据以及对应的时间信息组成的车辆数据序列,以及候选用户的用户定位数据以及对应的时间信息组成的用户数据序列;
根据所述车辆所处的位置区域的区域单元、所述车辆数据序列以及所述用户数据序列,计算所述车辆与所述候选用户二者的第一位置重合参数和第二位置重合参数,并计算二者的移动参数以及移动路径的距离参数;所述第一位置重合参数根据车辆坐标点与用户坐标点在相同时间切片是否映射至相同的区域单元的映射结果确定;所述第二位置重合参数通过统计所述车辆与所述候选用户在相同的地理信息标识点所处的区域单元的次数确定;
将所述第一位置重合参数、所述第二位置重合参数、所述距离参数以及所述移动参数作为输入,输入匹配计算模型进行位置匹配计算,获得所述车辆与所述候选用户的匹配度。
16.一种存储介质,用于存储计算机可执行指令,所述计算机可执行指令在被执行时实现以下流程:
获取车辆的车辆定位数据以及对应的时间信息组成的车辆数据序列,以及候选用户的用户定位数据以及对应的时间信息组成的用户数据序列;
根据所述车辆所处的位置区域的区域单元、所述车辆数据序列以及所述用户数据序列,计算所述车辆与所述候选用户二者的第一位置重合参数和第二位置重合参数,并计算二者的移动参数以及移动路径的距离参数;所述第一位置重合参数根据车辆坐标点与用户坐标点在相同时间切片是否映射至相同的区域单元的映射结果确定;所述第二位置重合参数通过统计所述车辆与所述候选用户在相同的地理信息标识点所处的区域单元的次数确定;
将所述第一位置重合参数、所述第二位置重合参数、所述距离参数以及所述移动参数作为输入,输入匹配计算模型进行位置匹配计算,获得所述车辆与所述候选用户的匹配度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011061397.7A CN112261093B (zh) | 2020-09-30 | 2020-09-30 | 人车数据匹配方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011061397.7A CN112261093B (zh) | 2020-09-30 | 2020-09-30 | 人车数据匹配方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112261093A CN112261093A (zh) | 2021-01-22 |
CN112261093B true CN112261093B (zh) | 2022-09-02 |
Family
ID=74234766
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011061397.7A Active CN112261093B (zh) | 2020-09-30 | 2020-09-30 | 人车数据匹配方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112261093B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116980828A (zh) * | 2022-12-30 | 2023-10-31 | 腾讯科技(深圳)有限公司 | 车辆匹配方法、装置、设备、存储介质和计算机程序产品 |
CN115877343B (zh) * | 2023-02-02 | 2023-05-05 | ***数字城市科技有限公司 | 基于雷达目标跟踪的人车匹配方法、装置和电子设备 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103632532A (zh) * | 2012-08-22 | 2014-03-12 | 北京掌城科技有限公司 | 一种出租车的打车诱导方法 |
CN105282251A (zh) * | 2015-10-30 | 2016-01-27 | 小米科技有限责任公司 | 叫车方法和装置 |
WO2018216863A1 (ko) * | 2017-05-22 | 2018-11-29 | (주)여기요 | 교통사고 처리 방법, 이를 수행하기 위한 서버 및 컴퓨터 프로그램 |
CN110168537A (zh) * | 2017-01-06 | 2019-08-23 | 微软技术许可有限责任公司 | 上下文和社交距离感知的快速活性人员卡片 |
CN110222135A (zh) * | 2019-06-06 | 2019-09-10 | 武汉元光科技有限公司 | 公交线路站点数据准确性判定方法及装置 |
CN110751831A (zh) * | 2019-10-10 | 2020-02-04 | 珠海市岭南大数据研究院 | 出行方式识别方法、装置、计算机设备和存储介质 |
CN111649750A (zh) * | 2020-04-29 | 2020-09-11 | 中国平安财产保险股份有限公司 | 车辆gps数据地图匹配方法、装置、终端及存储介质 |
-
2020
- 2020-09-30 CN CN202011061397.7A patent/CN112261093B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103632532A (zh) * | 2012-08-22 | 2014-03-12 | 北京掌城科技有限公司 | 一种出租车的打车诱导方法 |
CN105282251A (zh) * | 2015-10-30 | 2016-01-27 | 小米科技有限责任公司 | 叫车方法和装置 |
CN110168537A (zh) * | 2017-01-06 | 2019-08-23 | 微软技术许可有限责任公司 | 上下文和社交距离感知的快速活性人员卡片 |
WO2018216863A1 (ko) * | 2017-05-22 | 2018-11-29 | (주)여기요 | 교통사고 처리 방법, 이를 수행하기 위한 서버 및 컴퓨터 프로그램 |
CN110222135A (zh) * | 2019-06-06 | 2019-09-10 | 武汉元光科技有限公司 | 公交线路站点数据准确性判定方法及装置 |
CN110751831A (zh) * | 2019-10-10 | 2020-02-04 | 珠海市岭南大数据研究院 | 出行方式识别方法、装置、计算机设备和存储介质 |
CN111649750A (zh) * | 2020-04-29 | 2020-09-11 | 中国平安财产保险股份有限公司 | 车辆gps数据地图匹配方法、装置、终端及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN112261093A (zh) | 2021-01-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10663305B2 (en) | Map matched aggregation for K-anonymity in trajectory data | |
US11562168B2 (en) | Clustering for K-anonymity in location trajectory data | |
US10546043B1 (en) | Triangulation for K-anonymity in location trajectory data | |
Hashemi et al. | Assessment of logical consistency in OpenStreetMap based on the spatial similarity concept | |
Graser et al. | Towards an open source analysis toolbox for street network comparison: Indicators, tools and results of a comparison of OSM and the official A ustrian reference graph | |
CN112261093B (zh) | 人车数据匹配方法及装置 | |
US11042648B2 (en) | Quantification of privacy risk in location trajectories | |
Li et al. | Robust inferences of travel paths from GPS trajectories | |
Wang et al. | A context-based geoprocessing framework for optimizing meetup location of multiple moving objects along road networks | |
US20220082405A1 (en) | System and method for vehicle event data processing for identifying parking areas | |
John et al. | Deriving incline values for street networks from voluntarily collected GPS traces | |
CN111931077A (zh) | 数据处理方法、装置、电子设备及存储介质 | |
Cho et al. | A basis of spatial big data analysis with map-matching system | |
WO2020005594A1 (en) | Geocode interpolation | |
CN113642313A (zh) | 地址文本的处理方法、装置、设备、存储介质及程序产品 | |
Chandio et al. | An approach for map-matching strategy of GPS-trajectories based on the locality of road networks | |
Zhang et al. | Online vehicle trajectory compression algorithm based on motion pattern recognition | |
CN116753973A (zh) | 一种路径预测方法、***、设备及介质 | |
US20230126317A1 (en) | System and method for processing vehicle event data for improved journey trace determination | |
CN115658836A (zh) | 区域搜索方法、装置、电子设备及可读存储介质 | |
CN114676344A (zh) | 一种兴趣点坐标确定方法、装置、存储介质及电子设备 | |
CN113869715A (zh) | 站点分组方法、归属站点确定方法、装置和计算机设备 | |
Khanna et al. | Mining entry gates for points of interest | |
CN106568429B (zh) | 一种建立兴趣点的方法及装置 | |
CN117743491B (zh) | 地理实体编码方法、装置、计算机设备及介质 |
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 |