CN113792782A - 运营车辆的轨迹监测方法、装置、存储介质及计算机设备 - Google Patents
运营车辆的轨迹监测方法、装置、存储介质及计算机设备 Download PDFInfo
- Publication number
- CN113792782A CN113792782A CN202111069904.6A CN202111069904A CN113792782A CN 113792782 A CN113792782 A CN 113792782A CN 202111069904 A CN202111069904 A CN 202111069904A CN 113792782 A CN113792782 A CN 113792782A
- Authority
- CN
- China
- Prior art keywords
- track
- vehicle
- monitored
- data
- service type
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 49
- 238000012544 monitoring process Methods 0.000 title claims abstract description 31
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 47
- 238000012549 training Methods 0.000 claims abstract description 36
- 230000002159 abnormal effect Effects 0.000 claims abstract description 28
- 238000007637 random forest analysis Methods 0.000 claims abstract description 26
- 238000003066 decision tree Methods 0.000 claims description 12
- 238000004590 computer program Methods 0.000 claims description 10
- 238000012545 processing Methods 0.000 claims description 8
- 238000012806 monitoring device Methods 0.000 claims description 6
- 230000001174 ascending effect Effects 0.000 claims description 3
- 230000005856 abnormality Effects 0.000 description 6
- 238000004891 communication Methods 0.000 description 4
- 238000001514 detection method Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000010365 information processing Effects 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24323—Tree-organised classifiers
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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"
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Economics (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Strategic Management (AREA)
- Evolutionary Biology (AREA)
- Human Resources & Organizations (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种运营车辆的轨迹监测方法、装置、存储介质及计算机设备。其中方法包括:获取待监测车辆的轨迹数据和业务类型;根据待监测车辆的业务类型,确定待监测车辆对应的轨迹预测模型,其中,轨迹预测模型基于孤立森林算法和随机森林算法训练得到;将待监测车辆的轨迹数据输入到所述轨迹预测模型中,得到待监测车辆的轨迹异常概率值。上述方法基于孤立森林算法和随机森林算法训练得到轨迹预测模型,并通过轨迹预测模型预测出待监测车辆的轨迹异常概率值,可以及时准确的监测出运营车辆出现轨迹异常的概率,从而有效的提高运营车辆的行驶轨迹监测的时效性和准确性。
Description
技术领域
本发明涉及人工智能及大数据处理技术领域,尤其是涉及一种运营车辆的轨迹监测方法、装置、存储介质及计算机设备。
背景技术
随着我国汽车工业的迅猛发展以及国民生活水平的不断提高,汽车逐渐成为居民生活中一项非常重要的交通工具。在此背景下,汽车租赁服务也因为迎合了部分用户临时用车的需求而越来越受到市场的欢迎。
通常来说,运营车辆(被租赁的车辆)根据业务类型的不同可以划分为多种类型,如长租型、短租型、网约经租型和网约自营型等等。各种类型的运营车辆在运行的过程中都可能会出现多种多样的问题,如丢失、改装和损坏等等,为了避免此类问题,出租方通常会在运营车辆上安装GPS装置,然后通过GPS装置对运营车辆的行驶轨迹和车辆位置进行实时监控。
在现有技术中,车辆出租方通常是通过监测运营车辆的轨迹是否经常进入危险路段,运营车辆是否经常停驻在二手车市场或修车店附近,以及运营车辆是否行驶至过远的距离等指标来判断运营车辆是否存在运营风险。但是,这种简单的轨迹监测方法无法帮助车辆出租方及时准确的了解运到运营车辆的实际运营风险,并且,由于运营车辆的类型较多,各类型的行驶轨迹也各有不同,这更加大了运营车辆的监控难度,并降低了运营车辆轨迹监测的整体准确性,最终造成车辆出租方的财产受到损失。
发明内容
有鉴于此,本申请提供了一种运营车辆的轨迹监测方法、装置、存储介质及计算机设备,主要目的在于解决运营车辆的行驶轨迹监测时效性差且不够准确的技术问题。
根据本发明的第一个方面,提供了一种运营车辆的轨迹监测方法,该方法包括:
获取待监测车辆的轨迹数据和业务类型;
根据待监测车辆的业务类型,确定待监测车辆对应的轨迹预测模型,其中,轨迹预测模型基于孤立森林算法和随机森林算法训练得到;
将待监测车辆的轨迹数据输入到轨迹预测模型中,得到待监测车辆的轨迹异常概率值。
根据本发明的第二个方面,提供了一种运营车辆的轨迹监测装置,该装置包括:
数据获取模块,用于获取待监测车辆的轨迹数据和业务类型;
模型确定模块,用于根据待监测车辆的业务类型,确定待监测车辆对应的轨迹预测模型,其中,轨迹预测模型基于孤立森林算法和随机森林算法训练得到;
数据处理模块,用于将待监测车辆的轨迹数据输入到轨迹预测模型中,得到待监测车辆的轨迹异常概率值。
根据本发明的第三个方面,提供了一种存储介质,其上存储有计算机程序,所述程序被处理器执行时实现上述运营车辆的轨迹监测方法。
根据本发明的第四个方面,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,所述处理器执行所述程序时实现上述运营车辆的轨迹监测方法。
本发明提供的一种运营车辆的轨迹监测方法、装置、存储介质及计算机设备,首先获取待监测车辆的轨迹数据和业务类型,然后根据业务类型确定待监测车辆对应的轨迹预测模型,最后通过轨迹预测模型得到待监测车辆的轨迹异常概率值。在上述方法中,轨迹预测模型是基于孤立森林算法和随机森林算法训练得到的,其中,孤立森林算法可以分离出样本中的正常轨迹和异常轨迹,从而为随机森林算法提供充足的预判后的样本数据,而随机森林算法可以根据预判后的样本数据,对轨迹数据的异常概率进行准确的预测,从而及时准确的监测出运营车辆出现轨迹异常的概率,进而有效的提高运营车辆的行驶轨迹监测的时效性和准确性。
上述说明仅是本申请技术方案的概述,为了能够更清楚了解本申请的技术手段,而可依照说明书的内容予以实施,并且为了让本申请的上述和其它目的、特征和优点能够更明显易懂,以下特举本申请的具体实施方式。
附图说明
此处所说明的附图用来提供对本发明的进一步理解,构成本申请的一部分,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。在附图中:
图1示出了本发明实施例提供的一种运营车辆的轨迹监测方法的流程示意图,
图2示出了本发明实施例提供的一种轨迹预测模型的训练方法的流程示意图,
图3示出了本发明实施例提供的一种运营车辆的轨迹监测装置的结构示意图。
具体实施方式
下文中将参考附图并结合实施例来详细说明本发明。需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。
在一个实施例中,如图1所示,提供了一种运营车辆的轨迹监测方法,以该方法应用于服务器等计算机设备为例进行说明,包括以下步骤:
101、获取待监测车辆的轨迹数据和业务类型。
其中,待监测车辆指的是需要进行轨迹监测的运营车辆,运营车辆指的是由车辆运营方或由车辆出租方以出租、经租、自营等方式提供给车辆承租方或提供给个体司机的车辆。一般来说,运营车辆根据其出租、经租、自营方式的不同可以划分为多种不同的业务类型,如长租、短租、网约经租和网约自营等等。在本实施例中,计算机设备可以通过安装在待监测车辆上的GPS装置实时采集待监测车辆的轨迹数据,并且可以根据待监测车辆的车辆标识(如车牌号)在数据库中获取待监测车辆当前的业务类型。可以理解的是,待监测车辆的数量可以为一台或多台,待监测车辆的业务类型可以根据实际的运营方式的改变而改变。为了便于说明运营车辆的业务类型的具体含义,下面提供几个业务类型的定义可供参考。
在本实施例中,长租指的是车辆租赁合同超过6个月以上,承租方以企事业单位为主,在合同执行期间作为企事业单位公务用车,司机由其自行安排,与出租方无关。短租指的是车辆租赁合同不超过60天,承租方以个人客户为主,在合同执行期间由承租方客户自行使用。网约经租指的是车辆归属出租方,个体司机在网约车平台租赁车辆,进行网约车业务获取报酬支付租金。网约自营指的是车辆归属于网约车平台,平台自行招聘司机、培训,司机开展网约车业务,平台支付司机报酬。需要说明的是,除上述几种业务类型之外,运营车辆还可以有其他的业务类型,本实施例在此不再一一列举。
102、根据待监测车辆的业务类型,确定待监测车辆对应的轨迹预测模型,其中,轨迹预测模型基于孤立森林算法和随机森林算法训练得到。
其中,轨迹预测模型指的是对运营车辆的轨迹进行预测的模型,该模型的输入为运营车辆的轨迹数据,输出为运营车辆的轨迹异常概率值,通过轨迹异常概率值,可以获知待监测车辆的轨迹发生异常的概率,即轨迹异常概率值越高,待监测车辆的运营风险越高,反之则待监测车辆的运营风险越低。
具体的,轨迹预测模型可以根据运营车辆类型的不同而不同,即每一种业务类型都对应了一个相应的轨迹预测模型,通过这种方式,可以提高不同业务类型的运营车辆轨迹监测的准确性。在本实施例中,在模型训练之前,可以首先将样本数据进行分类,然后根据分类后的各个业务类型对应的数据样本训练相应的轨迹预测模型,从而得到每种业务类型对应的轨迹预测模型。此外,针对每一种业务类型对应的轨迹预测模型,均可以通过孤立森林算法和随机森林算法进行训练后得到。其中,孤立森林算法是一种适用于连续数据的无监督异常检测方法,即不需要有标记的样本即可将样本中的异常数据分离出去;随机森林算法是一种通过集成学习的方式将多棵决策树集成为一个分类模型的算法。具体的,可以通过孤立森林算法的随机切分样本策略,准确的查找出大量数据中被孤立的异常样本数据,即查到到大量的历史轨迹数据中异常的轨迹数据,然后通过训练好的孤立森林模型,对大量的历史轨迹样本进行二分类,即将历史轨迹数据划分为正常轨迹和异常轨迹,最后利用分类好的历史轨迹数据作为随机森林的样本,对随机森林中的多颗决策树进行训练,最后得到能够预测出轨迹异常概率值的轨迹预测模型。
103、将待监测车辆的轨迹数据输入到轨迹预测模型中,得到待监测车辆的轨迹异常概率值。
具体的,在确定了待监测车辆对应的轨迹预测模型之后,计算机设备可以将待监测车辆的轨迹数据输入到轨迹预测模型中,得到待监测车辆的轨迹异常概率值。然后,计算机设备可以对轨迹异常概率值进行展示或输出,以使用户可以及时获知待监测车辆的轨迹异常状况。另外,也可以设定一个报警阈值,并在待监测车辆的轨迹异常概率值超过该报警阈值时自动发出报警提示,或在待监测车辆的轨迹异常概率值连续升高的情况下自动发出报警提示等等。可以理解的是,轨迹异常概率值的应用场景还可以有很多,本实施在此不再一一举例,现有技术中常规的数据输出方式,均可适用于本实施例。
本实施例提供的运营车辆的轨迹监测方法,首先获取待监测车辆的轨迹数据和业务类型,然后根据业务类型确定待监测车辆对应的轨迹预测模型,最后通过轨迹预测模型得到待监测车辆的轨迹异常概率值。在上述方法中,轨迹预测模型是基于孤立森林算法和随机森林算法训练得到的,其中,孤立森林算法可以分离出样本中的正常轨迹和异常轨迹,从而为随机森林算法提供充足的预判后的样本数据,而随机森林算法可以根据预判后的样本数据,对轨迹数据的异常概率进行准确的预测,从而及时准确的监测出运营车辆出现轨迹异常的概率,进而有效的提高运营车辆的行驶轨迹监测的时效性和准确性。
在一个实施例中,步骤101可以通过以下方式实现:首先通过安装在待监测车辆上的GPS装置,实时采集待监测车辆的位置数据,然后根据实时采集的待监测车辆的位置数据,生成待监测车辆的行驶轨迹,最后从行驶轨迹中选取出多个定位点,并根据多个定位点的经纬度坐标值生成待监测车辆的轨迹数据。其中,GPS装置指的是汽车租赁方安装在车辆上进行位置监控的设备,一般分为有源和无源两种GPS,有源GPS需要连接车辆电瓶,无源则不需要;行驶轨迹指的是车辆行驶过程中形成的轨迹路线,即汽车在每个时刻上的位置构成的连线;轨迹数据指的是从行驶轨迹中抽取出的多个定位点坐标值组成的数据。在本实施例中,可以通过抽取定位点经纬度坐标值的方式生成待监测车辆的轨迹数据,从而减少轨迹数据的计算量,提高轨迹监测的时效性。
在一个实施例中,步骤101中的选取定位点生成轨迹数据的方法可以通过以下方式实现:首先将行驶轨迹截取为n段,并从每一段行驶轨迹中选取出一个定位点,以得到行驶轨迹的n个定位点,然后按照n个定位点的采集时间的先后顺序,对n个定位点进行升序排列,得到n个定位点的排列序号,最后以n个定位点的排列序号为权值,对n个定位点的经纬度坐标绝对值进行加权处理,得到待监测车辆的轨迹数据。在本实施例中,行驶轨迹可以进行平均截取也可以随机截取,定位点可以取中位数也可以取随机位置数,本实施例在此不做限制。可以理解的是,从提高定位点取值准确性的角度考虑,可以对行驶轨迹进行平均截取,如平均截取为10段,定位点可以取每一段轨迹经纬度坐标值的中位数,然后对n个定位点的经纬度坐标值按照排列序号进行加权,如第一个定位点的经度*1,纬度*1,第二个定位点的经度*2,纬度*2,以此类推,最终得到待监测车辆的轨迹数据。需要说明的是,一条轨迹在起始位置处异常概率较小,而在靠近终点位置的异常概率会升高,本实施例通过对定位点的坐标值进行加权,可以提高异常轨迹检测的准确性。
在一个实施例中,步骤101中的经纬度坐标绝对值的获取方法可以通过以下方式实现:获取待检测车辆所在城市的欧式距离中心点,并计算欧式距离中心点与预设的城市中心点之间的距离,当欧式距离中心点与城市中心点之间的距离小于预设偏差值时,根据n个定位点的经纬度坐标值与欧式距离中心点之间的差值,得到n个定位点的经纬度坐标绝对值;当欧式距离中心点与城市中心点之间的距离不小于预设偏差值时,根据n个定位点的经纬度坐标值与城市中心点之间的差值,得到n个定位点的经纬度坐标绝对值。其中,欧式距离中心点指的是使数据集中要素之间的总欧氏距离达到最小的位置点,该点可用于识别一组要素的地理中心或密度中心,城市中心点可以进行预设,例如,可以取市政府所在位置的经纬度作为城市中心点。在本实施例中,每个城市的实际情况不同,因此城市的中心点就会有所不同。例如,对于一些城市来说,车辆活动区域比较聚集,且主要围绕在城市周边,这个时候就可以取城市中心点作为计算经纬度坐标绝对值的基准;而对于另外一些城市来说,车辆活动区域比较分散,这种情况就可以取欧式距离中心点作为计算经纬度坐标绝对值的基准,从而避免数据倾斜的问题。本实施例通过欧式距离中心点与城市中心点之间的距离来设定经纬度坐标绝对值的基准,可以提高定位点坐标值取值的准确度,从而提高不同城市情况下车辆轨迹监测的准确性。
在一个实施例中,如图2所示,步骤102中轨迹预测模型的训练方法可以通过以下方式实现:
201、获取多个运营车辆的多条历史轨迹数据,并根据每个运营车辆的业务类型对多条历史轨迹数据进行分类,得到每种业务类型的多条历史轨迹数据。
202、根据每种业务类型的多条历史轨迹数据,通过孤立森林算法,训练得到每种业务类型对应的轨迹判断模型。
203、将每种业务类型的每条历史轨迹数据分别输入到对应业务类型的轨迹判断模型中,得到每条历史轨迹数据的轨迹判断结果,其中,轨迹判断结果包括正常和异常。
204、根据每种业务类型的多条历史轨迹数据和每条历史轨迹数据的轨迹判断结果,通过随机森林算法,训练得到每种业务类型对应的轨迹预测模型。
在上述实施例中,可以首先采集多个区域、多个业务类型、多个运营车辆的多条历史轨迹数据,然后根据业务类型对上述多条历史轨迹数据进行分类,从而得到每种业务类型下的历史轨迹数据,进而,可以根据分类后的历史轨迹数据分别训练每种业务类型对应的轨迹判断模型和轨迹预测模型。其中,轨迹判断模型通过孤立森林算法训练得到,轨迹预测模型通过随机森林算法训练得到。具体的,轨迹判断模型可以对采集到的历史轨迹数据进行异常轨迹预判,从而得到每条历史轨迹数据的轨迹判断结果(正常或异常),根据预判后的有标签历史轨迹数据(标签即为历史轨迹数据的轨迹判断结果)训练随机森林的多颗决策树,即可得到每种业务类型对应的轨迹预测模型。上述实施例通过对历史轨迹数据进行分类,可以有效的提高每种业务类型下的车辆轨迹监测准确度,此外,本实施例通过先训练孤立森林,再训练随机森林的方式得到轨迹预测模型,也可以有效的减少为样本数据打标签的工作量,从而提高模型训练的速度。
在一个实施例中,过孤立森林算法训练得到轨迹判断模型的方法可以通过以下方式实现:首先从每种业务类型的多条历史轨迹数据中分别抽取出多个历史轨迹样本组,其中,每个历史轨迹样本组均包含预定数量的历史轨迹数据,然后通过递归算法,在每个历史轨迹样本组的最大值和最小值之间随机选择一个历史轨迹数据对历史轨迹样本组进行切分,直至每个历史轨迹样本组不可再切分,得到每种业务类型对应的多颗二叉树,最后对每种业务类型对应的多颗二叉树进行集成,得到每种业务类型对应的轨迹判断模型。
在一个实施例中,通过随机森林算法训练得到轨迹预测模型的方法可以通过以下方式实现:首先根据每种业务类型的多条历史轨迹数据和每条历史轨迹数据的轨迹判断结果,构建轨迹预测模型的样本集,然后随机且有放回地从训练集中的抽取出多个历史轨迹样本组,并根据每个历史轨迹样本组训练一个决策树,得到每种业务类型对应的多颗决策树,最后对每种业务类型对应的多颗决策树进行集成,得到每种业务类型对应的轨迹预测模型。
进一步的,作为图1、图2所示方法的具体实现,本实施例提供了一种运营车辆的轨迹监测装置,如图3所示,该装置包括:数据获取模块31、模型确定模块32和数据处理模块33。
数据获取模块31,可用于获取待监测车辆的轨迹数据和业务类型;
模型确定模块32,可用于根据待监测车辆的业务类型,确定待监测车辆对应的轨迹预测模型,其中,轨迹预测模型基于孤立森林算法和随机森林算法训练得到;
数据处理模块33,可用于将待监测车辆的轨迹数据输入到轨迹预测模型中,得到待监测车辆的轨迹异常概率值。
在具体的应用场景中,数据获取模块31,具体可用于通过安装在待监测车辆上的GPS装置,实时采集待监测车辆的位置数据,根据实时采集的待监测车辆的位置数据,生成待监测车辆的行驶轨迹,从行驶轨迹中选取出多个定位点,并根据多个定位点的经纬度坐标值生成待监测车辆的轨迹数据。
在具体的应用场景中,数据获取模块31,具体可用于将行驶轨迹截取为n段,并从每一段行驶轨迹中选取出一个定位点,以得到行驶轨迹的n个定位点,按照n个定位点的采集时间的先后顺序,对n个定位点进行升序排列,得到n个定位点的排列序号,以n个定位点的排列序号为权值,对n个定位点的经纬度坐标绝对值进行加权处理,得到待监测车辆的轨迹数据。
在具体的应用场景中,数据获取模块31,具体可用于获取待检测车辆所在城市的欧式距离中心点,并计算欧式距离中心点与预设的城市中心点之间的距离,当欧式距离中心点与城市中心点之间的距离小于预设偏差值时,根据n个定位点的经纬度坐标值与欧式距离中心点之间的差值,得到n个定位点的经纬度坐标绝对值,当欧式距离中心点与城市中心点之间的距离不小于预设偏差值时,根据n个定位点的经纬度坐标值与城市中心点之间的差值,得到n个定位点的经纬度坐标绝对值。
在具体的应用场景中,本装置还包括模型训练模块34,模型训练模块34具体可用于获取多个运营车辆的多条历史轨迹数据,并根据每个运营车辆的业务类型对多条历史轨迹数据进行分类,得到每种业务类型的多条历史轨迹数据,根据每种业务类型的多条历史轨迹数据,通过孤立森林算法,训练得到每种业务类型对应的轨迹判断模型,将每种业务类型的每条历史轨迹数据分别输入到对应业务类型的轨迹判断模型中,得到每条历史轨迹数据的轨迹判断结果,其中,轨迹判断结果包括正常和异常,根据每种业务类型的多条历史轨迹数据和每条历史轨迹数据的轨迹判断结果,通过随机森林算法,训练得到每种业务类型对应的轨迹预测模型。
在具体的应用场景中,模型训练模块34,具体可用于从每种业务类型的多条历史轨迹数据中分别抽取出多个历史轨迹样本组,其中,每个历史轨迹样本组均包含预定数量的历史轨迹数据,通过递归算法,在每个历史轨迹样本组的最大值和最小值之间随机选择一个历史轨迹数据对历史轨迹样本组进行切分,直至每个历史轨迹样本组不可再切分,得到每种业务类型对应的多颗二叉树,对每种业务类型对应的多颗二叉树进行集成,得到每种业务类型对应的轨迹判断模型。
在具体的应用场景中,模型训练模块34,具体可用于根据每种业务类型的多条历史轨迹数据和每条历史轨迹数据的轨迹判断结果,构建轨迹预测模型的样本集,随机且有放回地从训练集中的抽取出多个历史轨迹样本组,并根据每个历史轨迹样本组训练一个决策树,得到每种业务类型对应的多颗决策树,对每种业务类型对应的多颗决策树进行集成,得到每种业务类型对应的轨迹预测模型。
需要说明的是,本实施例提供的一种运营车辆的轨迹监测装置所涉及各功能单元的其它相应描述,可以参考图1、图2中的对应描述,在此不再赘述。
基于上述如图1、图2所示方法,相应的,本实施例还提供了一种存储介质,其上存储有计算机程序,该程序被处理器执行时实现上述如图1、图2所示的运营车辆的轨迹监测方法。
基于这样的理解,本申请的技术方案可以以软件产品的形式体现出来,该待识别软件产品可以存储在一个非易失性存储介质(可以是CD-ROM,U盘,移动硬盘等)中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本申请各个实施场景所述的方法。
基于上述如图1、图2所示的方法,以及图3所示的运营车辆的轨迹监测装置实施例,为了实现上述目的,本实施例还提供了一种运营车辆的轨迹监测的实体设备,具体可以为个人计算机、服务器、智能手机、平板电脑、智能手表、或者其它网络设备等,该实体设备包括存储介质和处理器,存储介质,用于存储计算机程序,处理器,用于执行计算机程序以实现上述如图1、图2所示的方法。
可选的,该实体设备还可以包括用户接口、网络接口、摄像头、射频(RadioFrequency,RF)电路,传感器、音频电路、WI-FI模块等等。用户接口可以包括显示屏(Display)、输入单元比如键盘(Keyboard)等,可选用户接口还可以包括USB接口、读卡器接口等。网络接口可选的可以包括标准的有线接口、无线接口(如WI-FI接口)等。
本领域技术人员可以理解,本实施例提供的一种运营车辆的轨迹监测的实体设备结构并不构成对该实体设备的限定,可以包括更多或更少的部件,或者组合某些部件,或者不同的部件布置。
存储介质中还可以包括操作***、网络通信模块。操作***是管理上述实体设备硬件和待识别软件资源的程序,支持信息处理程序以及其它待识别软件和/或程序的运行。网络通信模块用于实现存储介质内部各组件之间的通信,以及与信息处理实体设备中其它硬件和软件之间通信。
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本申请可以借助软件加必要的通用硬件平台的方式来实现,也可以通过硬件实现。通过应用本申请的技术方案,首先获取待监测车辆的轨迹数据和业务类型,然后根据业务类型确定待监测车辆对应的轨迹预测模型,最后通过轨迹预测模型得到待监测车辆的轨迹异常概率值。与现有技术相比,上述方法可以及时准确的监测出运营车辆出现轨迹异常的概率,进而有效的提高运营车辆的行驶轨迹监测的时效性和准确性。
本领域技术人员可以理解附图只是一个优选实施场景的示意图,附图中的模块或流程并不一定是实施本申请所必须的。本领域技术人员可以理解实施场景中的装置中的模块可以按照实施场景描述进行分布于实施场景的装置中,也可以进行相应变化位于不同于本实施场景的一个或多个装置中。上述实施场景的模块可以合并为一个模块,也可以进一步拆分成多个子模块。
上述本申请序号仅仅为了描述,不代表实施场景的优劣。以上公开的仅为本申请的几个具体实施场景,但是,本申请并非局限于此,任何本领域的技术人员能思之的变化都应落入本申请的保护范围。
Claims (10)
1.一种运营车辆的轨迹监测方法,其特征在于,所述方法包括:
获取待监测车辆的轨迹数据和业务类型;
根据所述待监测车辆的业务类型,确定所述待监测车辆对应的轨迹预测模型,其中,所述轨迹预测模型基于孤立森林算法和随机森林算法训练得到;
将所述待监测车辆的轨迹数据输入到所述轨迹预测模型中,得到所述待监测车辆的轨迹异常概率值。
2.根据权利要求1所述的方法,其特征在于,所述获取待监测车辆的轨迹数据,包括:
通过安装在所述待监测车辆上的GPS装置,实时采集所述待监测车辆的位置数据;
根据所述实时采集的待监测车辆的位置数据,生成所述待监测车辆的行驶轨迹;
从所述行驶轨迹中选取出多个定位点,并根据所述多个定位点的经纬度坐标值生成待监测车辆的轨迹数据。
3.根据权利要求2所述的方法,其特征在于,所述从行驶轨迹中选取出多个定位点,并根据所述多个定位点的经纬度坐标值生成待监测车辆的轨迹数据,包括:
将所述行驶轨迹截取为n段,并从每一段行驶轨迹中选取出一个定位点,以得到所述行驶轨迹的n个定位点;
按照所述n个定位点的采集时间的先后顺序,对所述n个定位点进行升序排列,得到所述n个定位点的排列序号;
以所述n个定位点的排列序号为权值,对所述n个定位点的经纬度坐标绝对值进行加权处理,得到待监测车辆的轨迹数据。
4.根据权利要求3所述的方法,其特征在于,所述经纬度坐标绝对值的获取方法,包括:
获取待检测车辆所在城市的欧式距离中心点,并计算所述欧式距离中心点与预设的城市中心点之间的距离;
当所述欧式距离中心点与所述城市中心点之间的距离小于预设偏差值时,根据所述n个定位点的经纬度坐标值与所述欧式距离中心点之间的差值,得到所述n个定位点的经纬度坐标绝对值;
当所述欧式距离中心点与所述城市中心点之间的距离不小于预设偏差值时,根据所述n个定位点的经纬度坐标值与所述城市中心点之间的差值,得到所述n个定位点的经纬度坐标绝对值。
5.根据权利要求1-4任一项所述的方法,其特征在于,所述轨迹预测模型的训练方法,包括:
获取多个运营车辆的多条历史轨迹数据,并根据每个所述运营车辆的业务类型对所述多条历史轨迹数据进行分类,得到每种业务类型的多条历史轨迹数据;
根据每种业务类型的多条历史轨迹数据,通过孤立森林算法,训练得到每种业务类型对应的轨迹判断模型;
将每种业务类型的每条历史轨迹数据分别输入到对应业务类型的轨迹判断模型中,得到每条历史轨迹数据的轨迹判断结果,其中,所述轨迹判断结果包括正常和异常;
根据每种业务类型的多条历史轨迹数据和所述每条历史轨迹数据的轨迹判断结果,通过随机森林算法,训练得到每种业务类型对应的轨迹预测模型。
6.根据权利要求5所述的方法,其特征在于,所述根据每种业务类型的多条历史轨迹数据,通过孤立森林算法,训练得到每种业务类型对应的轨迹判断模型,包括:
从每种业务类型的多条历史轨迹数据中分别抽取出多个历史轨迹样本组,其中,每个所述历史轨迹样本组均包含预定数量的历史轨迹数据;
通过递归算法,在每个历史轨迹样本组的最大值和最小值之间随机选择一个历史轨迹数据对所述历史轨迹样本组进行切分,直至每个所述历史轨迹样本组不可再切分,得到每种业务类型对应的多颗二叉树;
对所述每种业务类型对应的多颗二叉树进行集成,得到每种业务类型对应的轨迹判断模型。
7.根据权利要求5所述的方法,其特征在于,所述根据每种业务类型的多条历史轨迹数据和所述每条历史轨迹数据的轨迹判断结果,通过随机森林算法,训练得到每种业务类型对应的轨迹预测模型,包括:
根据每种业务类型的多条历史轨迹数据和所述每条历史轨迹数据的轨迹判断结果,构建轨迹预测模型的样本集;
随机且有放回地从所述训练集中的抽取出多个历史轨迹样本组,并根据每个历史轨迹样本组训练一个决策树,得到每种业务类型对应的多颗决策树;
对所述每种业务类型对应的多颗决策树进行集成,得到每种业务类型对应的轨迹预测模型。
8.一种运营车辆的轨迹监测装置,其特征在于,所述装置包括:
数据获取模块,用于获取待监测车辆的轨迹数据和业务类型;
模型确定模块,用于根据所述待监测车辆的业务类型,确定所述待监测车辆对应的轨迹预测模型,其中,所述轨迹预测模型基于孤立森林算法和随机森林算法训练得到;
数据处理模块,用于将所述待监测车辆的轨迹数据输入到所述轨迹预测模型中,得到所述待监测车辆的轨迹异常概率值。
9.一种存储介质,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7中任一项所述的方法的步骤。
10.一种计算机设备,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,所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111069904.6A CN113792782A (zh) | 2021-09-13 | 2021-09-13 | 运营车辆的轨迹监测方法、装置、存储介质及计算机设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111069904.6A CN113792782A (zh) | 2021-09-13 | 2021-09-13 | 运营车辆的轨迹监测方法、装置、存储介质及计算机设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113792782A true CN113792782A (zh) | 2021-12-14 |
Family
ID=79183024
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111069904.6A Pending CN113792782A (zh) | 2021-09-13 | 2021-09-13 | 运营车辆的轨迹监测方法、装置、存储介质及计算机设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113792782A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114509283A (zh) * | 2022-01-05 | 2022-05-17 | 中车唐山机车车辆有限公司 | ***故障监测方法、装置、电子设备和存储介质 |
CN114677254A (zh) * | 2022-03-17 | 2022-06-28 | 北京中交兴路信息科技有限公司 | 一种货车事故识别方法、装置、存储介质及程序产品 |
CN115640997A (zh) * | 2022-10-15 | 2023-01-24 | 河北省交通规划设计研究院有限公司 | 交通事故风险动态识别方法和识别模型构建方法 |
CN115984992A (zh) * | 2022-12-22 | 2023-04-18 | 云控智行(上海)汽车科技有限公司 | 一种车辆运行数据的检测方法、装置及设备 |
CN117077042A (zh) * | 2023-10-17 | 2023-11-17 | 北京鑫贝诚科技有限公司 | 一种农村平交路口安全预警方法及*** |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107153906A (zh) * | 2017-03-21 | 2017-09-12 | 北京工业大学 | 一种出租车违法行为判定方法及*** |
CN107451593A (zh) * | 2017-07-07 | 2017-12-08 | 西安交通大学 | 一种基于图像特征点的高精度gps定位方法 |
CN109635059A (zh) * | 2018-11-23 | 2019-04-16 | 武汉烽火众智数字技术有限责任公司 | 基于轨迹相似度匹配的人车关联分析方法及*** |
CN109785595A (zh) * | 2019-02-26 | 2019-05-21 | 成都古河云科技有限公司 | 一种基于机器学习的车辆异常轨迹实时识别方法 |
CN109886724A (zh) * | 2018-12-29 | 2019-06-14 | 中南大学 | 一种鲁棒性的居民出行轨迹识别方法 |
CN110288032A (zh) * | 2019-06-27 | 2019-09-27 | 武汉中海庭数据技术有限公司 | 一种车辆行驶轨迹类型检测方法及装置 |
CN111160089A (zh) * | 2019-11-22 | 2020-05-15 | 南京航空航天大学 | 一种基于不同车辆类型的轨迹预测***及方法 |
-
2021
- 2021-09-13 CN CN202111069904.6A patent/CN113792782A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107153906A (zh) * | 2017-03-21 | 2017-09-12 | 北京工业大学 | 一种出租车违法行为判定方法及*** |
CN107451593A (zh) * | 2017-07-07 | 2017-12-08 | 西安交通大学 | 一种基于图像特征点的高精度gps定位方法 |
CN109635059A (zh) * | 2018-11-23 | 2019-04-16 | 武汉烽火众智数字技术有限责任公司 | 基于轨迹相似度匹配的人车关联分析方法及*** |
CN109886724A (zh) * | 2018-12-29 | 2019-06-14 | 中南大学 | 一种鲁棒性的居民出行轨迹识别方法 |
CN109785595A (zh) * | 2019-02-26 | 2019-05-21 | 成都古河云科技有限公司 | 一种基于机器学习的车辆异常轨迹实时识别方法 |
CN110288032A (zh) * | 2019-06-27 | 2019-09-27 | 武汉中海庭数据技术有限公司 | 一种车辆行驶轨迹类型检测方法及装置 |
CN111160089A (zh) * | 2019-11-22 | 2020-05-15 | 南京航空航天大学 | 一种基于不同车辆类型的轨迹预测***及方法 |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114509283A (zh) * | 2022-01-05 | 2022-05-17 | 中车唐山机车车辆有限公司 | ***故障监测方法、装置、电子设备和存储介质 |
CN114677254A (zh) * | 2022-03-17 | 2022-06-28 | 北京中交兴路信息科技有限公司 | 一种货车事故识别方法、装置、存储介质及程序产品 |
CN115640997A (zh) * | 2022-10-15 | 2023-01-24 | 河北省交通规划设计研究院有限公司 | 交通事故风险动态识别方法和识别模型构建方法 |
CN115984992A (zh) * | 2022-12-22 | 2023-04-18 | 云控智行(上海)汽车科技有限公司 | 一种车辆运行数据的检测方法、装置及设备 |
CN117077042A (zh) * | 2023-10-17 | 2023-11-17 | 北京鑫贝诚科技有限公司 | 一种农村平交路口安全预警方法及*** |
CN117077042B (zh) * | 2023-10-17 | 2024-01-09 | 北京鑫贝诚科技有限公司 | 一种农村平交路口安全预警方法及*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113792782A (zh) | 运营车辆的轨迹监测方法、装置、存储介质及计算机设备 | |
CA3069511C (en) | Distributed data processing systems for processing remotely captured sensor data | |
CN112598192B (zh) | 一种车辆进入物流园区的预测方法、装置、存储介质及终端 | |
CN110598917B (zh) | 一种基于路径轨迹的目的地预测方法、***及存储介质 | |
CN116437291B (zh) | 一种基于手机信令的文化圈规划方法和*** | |
CN111639786A (zh) | 资源配置方法、装置、存储介质及计算机设备 | |
CN114841712B (zh) | 网约车巡游违规运营状态的确定方法和装置及电子设备 | |
CN115384516A (zh) | 运输车的轮胎磨损里程计算方法、装置及设备 | |
Habtie et al. | Artificial neural network based real-time urban road traffic state estimation framework | |
CN115083161B (zh) | 车辆停留点的评估方法、装置、电子设备及可读存储介质 | |
Wang et al. | GPS‐data‐driven dynamic destination prediction for on‐demand one‐way carsharing system | |
CN112233428A (zh) | 车流量预测方法、装置、存储介质及设备 | |
CN113743815A (zh) | 运营车辆的风险监控方法、装置、存储介质及计算机设备 | |
CN110533094B (zh) | 一种用于驾驶员的评价方法和*** | |
CN113822487A (zh) | 运营车辆的风险预警方法、装置、存储介质及计算机设备 | |
CN113256405A (zh) | 欺诈用户集中区域的预测方法、装置、设备及存储介质 | |
CN111832599B (zh) | 一种基于机器学习随机森林的加油站预测方法 | |
CN116862591A (zh) | 信息推送方法、装置、计算机设备及可读存储介质 | |
CN116664025A (zh) | 装卸货位置点生成方法、装置及设备 | |
CN114394099B (zh) | 车辆行驶异常识别方法、装置、计算机设备及存储介质 | |
Li et al. | A simulation approach to detect arterial traffic congestion using cellular data | |
CN112053098B (zh) | 订单处理方法、装置、服务器及计算机存储介质 | |
Chen et al. | Using data mining techniques on fleet management system | |
CN103942403A (zh) | 一种对海量变量进行筛选的方法及设备 | |
CN112434877A (zh) | 一种基于云计算的智慧城市数据处理方法及装置 |
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 |