CN117290741B - 车辆聚类方法、装置、计算机设备和存储介质 - Google Patents
车辆聚类方法、装置、计算机设备和存储介质 Download PDFInfo
- Publication number
- CN117290741B CN117290741B CN202311507115.5A CN202311507115A CN117290741B CN 117290741 B CN117290741 B CN 117290741B CN 202311507115 A CN202311507115 A CN 202311507115A CN 117290741 B CN117290741 B CN 117290741B
- Authority
- CN
- China
- Prior art keywords
- vehicle
- vehicles
- target
- target vehicle
- reachable distance
- 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 58
- 238000012545 processing Methods 0.000 claims abstract description 24
- 238000004590 computer program Methods 0.000 claims description 20
- 238000010586 diagram Methods 0.000 description 10
- 235000019580 granularity Nutrition 0.000 description 10
- 230000008569 process Effects 0.000 description 9
- 238000004891 communication Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 4
- 229910052799 carbon Inorganic materials 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 229910021389 graphene Inorganic materials 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000003064 k means clustering 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
- 230000003287 optical effect Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D30/00—Reducing energy consumption in communication networks
- Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Traffic Control Systems (AREA)
Abstract
本申请涉及一种车辆聚类方法、装置、计算机设备和存储介质,包括:在目标区域内的车辆中确定目标车辆,将目标车辆的标识及目标车辆对应的可达距离添加至可达距离列表;更新目标车辆队列,并在更新后的目标车辆队列中,确定可达距离满足预设距离条件的第一车辆,作为新的目标车辆,执行将目标车辆的标识及目标车辆对应的可达距离添加至可达距离列表;根据可达距离列表中各车辆的标识、以及各车辆对应的可达距离生成可达距离二维图;在可达距离二维图中确定满足目标聚类密度条件的候选车辆,并根据候选车辆在可达距离二维图中的分布进行聚类处理,得到目标区域对应的车辆聚类结果。采用本方法能够提高聚类效率。
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聚类方法、装置、计算机设备和存储介质。
背景技术
随着互联网技术的发展,越来越多的城市区域中开始运营有共享车辆,以方便人们出行。对于运营共享电单车的城市,经常需要对车辆进行聚类,来实现对共享车辆的管理任务,比如执行挪车、换电等任务。
传统技术中,通常采用K-Means聚类算法,对某一区域中的共享车辆进行聚类,从而得到该区域对应的车辆聚类结果。
然而,基于上述方法,每次聚类处理的聚类粒度单一,在面临不同聚类粒度的需求场景下,需要重复执行多次聚类处理,导致聚类效率较低。
发明内容
基于此,有必要针对上述技术问题,提供一种能够提高聚类效率的车辆聚类方法、装置、计算机设备和存储介质。
第一方面,本申请提供了一种车辆聚类方法,包括:
在目标区域内的车辆中确定目标车辆,将所述目标车辆的标识及所述目标车辆对应的可达距离添加至可达距离列表;
在目标车辆为核心车辆的情况下,根据所述目标车辆与所述目标车辆对应的邻域车辆集合中车辆之间的可达距离,更新目标车辆队列,并在更新后的目标车辆队列中,确定可达距离满足预设距离条件的第一车辆,作为新的目标车辆,执行所述将所述目标车辆的标识及所述目标车辆对应的可达距离添加至可达距离列表,直到达到预设停止条件;
根据可达距离列表中各车辆的标识、以及所述各车辆对应的可达距离生成可达距离二维图;
在所述可达距离二维图中确定满足目标聚类密度条件的候选车辆,并根据所述候选车辆在所述可达距离二维图中的分布进行聚类处理,得到所述目标区域对应的车辆聚类结果。
在其中一个实施例中,所述方法还包括:
根据所述目标车辆的车辆位置信息、以及所述目标区域内的其他车辆的车辆位置信息,确定所述目标车辆与所述其他车辆的距离;
根据所述目标车辆与所述其他车辆的距离,确定处于所述目标车辆对应的目标邻域内的车辆的车辆数目;
若所述车辆数目大于或等于预设数目阈值,则确定所述目标车辆为核心车辆;若所述车辆数目小于预设数目阈值,则确定所述目标车辆为非核心车辆。
在其中一个实施例中,所述目标车辆队列中的车辆按照可达距离由小到大的顺序排列;所述根据所述目标车辆与所述目标车辆对应的邻域车辆集合中车辆之间的可达距离,更新目标车辆队列,包括:
获取当前的目标车辆队列、所述目标车辆对应的邻域车辆集合、以及所述目标车辆与所述目标车辆对应的邻域车辆集合中车辆之间的可达距离;
在所述当前的目标车辆队列中,确定除所述邻域车辆集合中的车辆以外的其他车辆;
基于所述其他车辆对应的可达距离、以及所述目标车辆与所述邻域车辆集合中车辆之间的可达距离,按照可达距离由小到大的顺序对所述其他车辆、以及所述邻域车辆集合中的车辆进行排序,得到更新后的目标车辆队列。
在其中一个实施例中,所述在更新后的目标车辆队列中,确定可达距离满足预设距离条件的第一车辆,作为新的目标车辆,包括:
在更新后的目标车辆队列中,确定可达距离最小的第一车辆,作为新的目标车辆。
在其中一个实施例中,所述目标聚类密度条件包含可达距离阈值,所述在所述可达距离二维图中确定满足目标聚类密度条件的候选车辆,包括:
在所述可达距离二维图中,确定可达距离小于或等于所述可达距离阈值的车辆,作为满足目标聚类密度条件的候选车辆。
在其中一个实施例中,所述根据所述候选车辆在所述可达距离二维图中的分布进行聚类处理,得到所述目标区域对应的车辆聚类结果,包括:
根据各所述候选车辆在所述可达距离二维图中的排列顺序,将排列顺序连续的候选车辆划分至一个聚类簇,得到所述目标区域对应的车辆聚类结果。
在其中一个实施例中,所述方法还包括:
响应于聚类密度级别的选择指令,根据所述选择指令对应的目标聚类密度级别,生成所述目标聚类密度级别对应的目标聚类密度条件。
第二方面,本申请还提供了一种车辆聚类装置,所述装置包括:
第一确定模块,用于在目标区域内的车辆中确定目标车辆,将所述目标车辆的标识及所述目标车辆对应的可达距离添加至可达距离列表;
更新模块,用于在目标车辆为核心车辆的情况下,根据所述目标车辆与所述目标车辆对应的邻域车辆集合中车辆之间的可达距离,更新目标车辆队列,并在更新后的目标车辆队列中,确定可达距离满足预设距离条件的第一车辆,作为新的目标车辆,执行所述将所述目标车辆的标识及所述目标车辆对应的可达距离添加至可达距离列表,直到达到预设停止条件;
第一生成模块,用于根据可达距离列表中各车辆的标识、以及所述各车辆对应的可达距离生成可达距离二维图;
聚类模块,用于在所述可达距离二维图中确定满足目标聚类密度条件的候选车辆,并根据所述候选车辆在所述可达距离二维图中的分布进行聚类处理,得到所述目标区域对应的车辆聚类结果。
在其中一个实施例中,所述装置还包括:
第二确定模块,用于根据所述目标车辆的车辆位置信息、以及所述目标区域内的其他车辆的车辆位置信息,确定所述目标车辆与所述其他车辆的距离;
第三确定模块,用于根据所述目标车辆与所述其他车辆的距离,确定处于所述目标车辆对应的目标邻域内的车辆的车辆数目;
第四确定模块,用于若所述车辆数目大于或等于预设数目阈值,则确定所述目标车辆为核心车辆;若所述车辆数目小于预设数目阈值,则确定所述目标车辆为非核心车辆。
在其中一个实施例中,所述目标车辆队列中的车辆按照可达距离由小到大的顺序排列;所述更新模块,用于:
获取当前的目标车辆队列、所述目标车辆对应的邻域车辆集合、以及所述目标车辆与所述目标车辆对应的邻域车辆集合中车辆之间的可达距离;
在所述当前的目标车辆队列中,确定除所述邻域车辆集合中的车辆以外的其他车辆;
基于所述其他车辆对应的可达距离、以及所述目标车辆与所述邻域车辆集合中车辆之间的可达距离,按照可达距离由小到大的顺序对所述其他车辆、以及所述邻域车辆集合中的车辆进行排序,得到更新后的目标车辆队列。
在其中一个实施例中,所述更新模块,用于:
在更新后的目标车辆队列中,确定可达距离最小的第一车辆,作为新的目标车辆。
在其中一个实施例中,所述目标聚类密度条件包含可达距离阈值,所述聚类模块,用于:
在所述可达距离二维图中,确定可达距离小于或等于所述可达距离阈值的车辆,作为满足目标聚类密度条件的候选车辆。
在其中一个实施例中,所述聚类模块,用于:
根据各所述候选车辆在所述可达距离二维图中的排列顺序,将排列顺序连续的候选车辆划分至一个聚类簇,得到所述目标区域对应的车辆聚类结果。
在其中一个实施例中,所述装置还包括:
第二生成模块,用于响应于聚类密度级别的选择指令,根据所述选择指令对应的目标聚类密度级别,生成所述目标聚类密度级别对应的目标聚类密度条件。
第三方面,本申请还提供了一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现上述方法步骤。
第四方面,本申请还提供了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上述方法步骤。
第五方面,本申请还提供了一种计算机程序产品,包括计算机程序,该计算机程序被处理器执行时实现上述方法步骤。
上述车辆聚类方法、装置、计算机设备、存储介质和计算机程序产品,在目标区域内的车辆中确定目标车辆,将目标车辆的标识及目标车辆对应的可达距离添加至可达距离列表,在目标车辆为核心车辆的情况下,根据目标车辆与目标车辆对应的邻域车辆集合中车辆之间的可达距离,更新目标车辆队列,并在更新后的目标车辆队列中,确定可达距离满足预设距离条件的第一车辆,作为新的目标车辆,执行将目标车辆的标识及目标车辆对应的可达距离添加至可达距离列表,直到达到预设停止条件,根据可达距离列表中各车辆的标识、以及各车辆对应的可达距离生成可达距离二维图,在可达距离二维图中确定满足目标聚类密度条件的候选车辆,并根据候选车辆在可达距离二维图中的分布进行聚类处理,得到目标区域对应的车辆聚类结果。通过本方案,可以生成能够反映目标区域内各车辆间的位置关联关系的可达距离二维图,基于该可达距离二维图,可以设置不同的目标聚类密度条件,来实现不同聚类粒度的聚类,无需重复执行整个聚类过程,从而有效提高了聚类效率。
附图说明
为了更清楚地说明本申请实施例或相关技术中的技术方案,下面将对实施例或相关技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本申请的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为一个实施例中车辆聚类方法的流程示意图;
图2为一个实施例中核心距离和可达距离的示意图;
图3为一个实施例中可达距离二维图的示意图;
图4为一个实施例中车辆聚类方法示例的流程示意图;
图5为一个实施例中车辆聚类装置的结构框图;
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。
在一个实施例中,如图1所示,提供了一种车辆聚类方法,本实施例以该方法应用于终端进行举例说明,可以理解的是,该方法也可以应用于服务器,还可以应用于包括终端和服务器的***,并通过终端和服务器的交互实现。本实施例中,该方法包括以下步骤:
步骤102,在目标区域内的车辆中确定目标车辆,将目标车辆的标识及目标车辆对应的可达距离添加至可达距离列表。
其中,目标区域可以是预先配置的区域,或者,目标区域可以是响应于区域选择指令,确定出的区域。目标区域可以是一个城市,或者是一个预先划分的任意区域。
本申请实施例中,终端可以获取位于目标区域中的全部车辆的车辆信息。该车辆信息可以包含车辆的标识、以及车辆的位置信息。例如,车辆的位置信息可以是经纬度坐标点。终端中还可以创建有可达距离列表和一个空队列(即初始的目标车辆队列)。其中,可达距离列表可以用于存储二元组数据,即(车辆的标识,可达距离),车辆的标识可以为车辆编号,各车辆对应的初始化可达距离为正无穷大(如100)。终端在首次处理时,可以在目标区域内的车辆中,随机确定一个车辆作为目标车辆,然后,可以将目标车辆对应的初始化可达距离存储至可达距离列表。
步骤104,在目标车辆为核心车辆的情况下,根据目标车辆与目标车辆对应的邻域车辆集合中车辆之间的可达距离,更新目标车辆队列,并在更新后的目标车辆队列中,确定可达距离满足预设距离条件的第一车辆,作为新的目标车辆,执行将目标车辆的标识及目标车辆对应的可达距离添加至可达距离列表,直到达到预设停止条件。
本申请实施例中,终端可以判断目标车辆是否为核心车辆,如果目标车辆为非核心车辆,则可以将目标车辆标记为边界车辆,不执行后续处理。如果终端判定目标车辆为核心车辆,则终端可以获取目标车辆对应的邻域车辆集合、以及目标车辆与邻域车辆集合中每个车辆的欧氏距离,进而按照目标车辆与邻域车辆集合中每个车辆的欧氏距离由小到大的顺序,对车辆集合中的车辆进行排序,并在排序得到的序列中,确定车辆数目等于预设数目阈值时的欧氏距离,将该欧氏距离作为目标车辆的核心距离。然后,终端可以根据目标车辆的核心距离,确定邻域车辆集合中每个车辆与目标车辆的可达距离。在一个示例中,核心车辆可记为C,邻域车辆集合中每个车辆记为S,则C与S之间的可达距离为max(C的核心距离, C与S的欧氏距离)。参照图2,为本申请实施例提供的核心距离和可达距离的示意图,其中,R表示邻域半径,v为核心车辆,r为核心车辆v的核心距离,p和q为邻域车辆集合中的两个车辆,车辆p对应的可达距离为r,车辆q对应的可达距离为车辆q与车辆v的欧氏距离。
终端确定出目标车辆与目标车辆对应的邻域车辆集合中车辆之间的可达距离后,可以基于计算出的各车辆的可达距离,对当前的目标车辆队列进行更新,得到更新后的目标车辆队列,具体的更新过程后续会进行详细说明。目标车辆队列中包含的各车辆可以按照可达距离由小到大排列。终端可以在更新后的目标车辆队列中,确定可达距离满足预设距离条件的第一车辆,并将第一车辆作为新的目标车辆,返回执行将目标车辆的标识及目标车辆对应的可达距离添加至可达距离列表。可以理解的是,此时目标车辆对应的可达距离为本次计算得到可达距离,而非初始化可达距离。这样,终端重复执行上述处理过程,直至达到预设停止条件为止,比如目标车辆队列为空。
步骤106,根据可达距离列表中各车辆的标识、以及各车辆对应的可达距离生成可达距离二维图。
本申请实施例中,终端可以按照可达距离列表中各车辆的排列顺序(即各车辆的标识的添加次序),以车辆的标识为x轴、以可达距离为y轴,构建可达距离二维图。由上述处理过程可知,各车辆是根据可达距离依次选择出的,因此,可达距离二维图能够反映出目标区域内各车辆间的位置关联关系。参见图3,为本申请实施例提供的可达距离二维图的示意图。
步骤108,在可达距离二维图中确定满足目标聚类密度条件的候选车辆,并根据候选车辆在可达距离二维图中的分布进行聚类处理,得到目标区域对应的车辆聚类结果。
本申请实施例中,终端生成可达距离二维图后,可以在可达距离二维图中筛选满足目标聚类密度条件的候选车辆,并根据候选车辆在可达距离二维图中的分布情况,将在可达距离二维图的分布满足预设接近度条件的候选车辆,划分至一个聚类簇,从而得到多个聚类簇,实现对目标区域内的车辆的聚类。其中,目标聚类密度条件可以有多个,具体可以由技术人员根据实际的聚类密度需求进行设定,本申请实施例不做限定。
本申请实施例中,终端可以生成能够反映目标区域内各车辆间的位置关联关系的可达距离二维图,该可达距离二维图还可以反映聚类簇的层次结构,基于该可达距离二维图,可以通过不同的目标聚类密度条件,来实现不同聚类粒度的聚类,无需重复执行整个聚类过程,在提高了聚类灵活性、丰富聚类粒度同时,提高了聚类效率。
可选的,判断目标车辆是否为核心车辆的具体该过程为:根据目标车辆的车辆位置信息、以及目标区域内的其他车辆的车辆位置信息,确定目标车辆与其他车辆的距离;根据目标车辆与其他车辆的距离,确定处于目标车辆对应的目标邻域内的车辆的车辆数目;若车辆数目大于或等于预设数目阈值,则确定目标车辆为核心车辆;若车辆数目小于预设数目阈值,则确定目标车辆为非核心车辆。
本申请实施例中,终端中可以存储有预先配置的邻域半径、以及预设数目阈值。终端可以根据车辆信息中各车辆的车辆位置信息,计算目标车辆与目标车辆与其他车辆的欧氏距离,然后,终端可以统计欧氏距离小于邻域半径的车辆的车辆数目,并将该车辆数目与预设数目阈值进行比较。若车辆数目大于或等于预设数目阈值,则确定目标车辆为核心车辆;若车辆数目小于预设数目阈值,则确定目标车辆为非核心车辆。
基于上述处理过程,终端可以识别出目标区域内的核心车辆,这些核心车辆的邻域车辆分布达到一定的密度,这样,终端基于与核心车辆可达距离最小的车辆更新可达距离列表,可以使得可达距离二维图中的相邻车辆的位置关联度较大,进而提高车辆聚类的准确度。
可选的,目标车辆队列中的车辆按照可达距离由小到大的顺序排列;相应的,根据目标车辆与目标车辆对应的邻域车辆集合中车辆之间的可达距离,更新目标车辆队列,包括:获取当前的目标车辆队列、目标车辆对应的邻域车辆集合、以及目标车辆与目标车辆对应的邻域车辆集合中车辆之间的可达距离;在当前的目标车辆队列中,确定除邻域车辆集合中的车辆以外的其他车辆;基于其他车辆对应的可达距离、以及目标车辆与邻域车辆集合中车辆之间的可达距离,按照可达距离由小到大的顺序对其他车辆、以及邻域车辆集合中的车辆进行排序,得到更新后的目标车辆队列。
本申请实施例中,终端中可以预先存储有空的目标车辆队列,在终端确定首个核心车辆的情况下,终端可以将该核心车辆对应的邻域车辆集合中各车辆,按照可达距离由小到大的顺序进行排列,并将排序结果存储至目标车辆可达队列。对于终端判定为第N个核心车辆(N大于或等于2)的目标车辆,终端可以获取当前的目标车辆队列、目标车辆对应的邻域车辆集合、以及目标车辆与目标车辆对应的邻域车辆集合中车辆之间的可达距离。由于当前的目标车辆队列与该邻域车辆集合可能存在相同的车辆,因此,终端可以在当前的目标车辆队列中,确定除邻域车辆集合中的车辆以外的其他车辆(可称为第一车辆集合),进而基于第一车辆集合中各车辆对应的可达距离、以及目标车辆的邻域车辆集合中车辆对应的可达距离,按照可达距离由小到大的顺序对第一车辆集合、以及邻域车辆集合中的车辆进行综合排序,得到更新后的目标车辆队列。
基于上述处理过程,终端可以根据最新的可达距离,更新目标车辆队列,从而寻找出于与当前核心车辆的可达距离最小的车辆,添加至可达距离列表中,从而提高可达距离二维图中的相邻车辆的位置关联度,进而提高车辆聚类的准确度。
需要说明的是,在重复执行上述处理过程中,邻域车辆集合中可能会包含已处理过程的目标车辆,因此,终端可以在邻域车辆集合中,剔除已处理过程的目标车辆,仅对邻域车辆集合中的其他车辆进行上述处理过程,从而减少终端的处理量,提高车辆聚类的效率。
可选的,在更新后的目标车辆队列中,确定可达距离满足预设距离条件的第一车辆,作为新的目标车辆,包括:在更新后的目标车辆队列中,确定可达距离最小的第一车辆,作为新的目标车辆。
本申请实施例中,目标车辆队列中的车辆,可以按照可达距离由小到大的顺序进行排列,此时,终端可以将更新后的目标车辆队列中,排在队首的车辆作为新的目标车辆。或者,目标车辆队列中的车辆也可以按照可达距离由大到小的顺序排列,终端可以将排在队尾的车辆作为新的目标车辆。
可选的,终端在目标车辆队中,可以确定出可达距离最小的多个第一车辆。终端可以对多个目标车辆进行并行处理,或者,终端也可以在多个第一车辆中随机选择、或选择车辆编号最小的第一车辆,作为新的目标车辆,本申请对具体实现方式不做限定。
基于上述处理过程,终端可以寻找出于与当前核心车辆的可达距离最小的车辆,添加至可达距离列表中,从而提高可达距离二维图中的相邻车辆的位置关联度,进而提高车辆聚类的准确度。
可选的,目标聚类密度条件包含可达距离阈值,在可达距离二维图中确定满足目标聚类密度条件的候选车辆,包括:在可达距离二维图中,确定可达距离小于或等于可达距离阈值的车辆,作为满足目标聚类密度条件的候选车辆。
本申请实施例中,终端可以将在可达距离二维图中,各车辆的标识对应的可达距离与可达距离阈值进行比较,确定出可达距离小于或等于可达距离阈值的车辆,作为满足目标聚类密度条件的候选车辆,参照图3,可达距离阈值T为38,车辆bike5、bike10、bike4、bike6、bike9、bike7和bike8为候选车辆。
可选的,根据候选车辆在可达距离二维图中的分布进行聚类处理,得到目标区域对应的车辆聚类结果,包括:根据各候选车辆在可达距离二维图中的排列顺序,将排列顺序连续的候选车辆划分至一个聚类簇,得到目标区域对应的车辆聚类结果。
本申请实施例中,终端可以按照可达距离二维图中x轴的方向,确定各候选车辆在可达距离二维图中的排列顺序,然后将排列顺序连续的候选车辆划分至一个聚类簇,得到目标区域对应的车辆聚类结果。参照图3,可达距离阈值T为38、邻域半径R为50,车辆bike5、bike10、bike4和bike6为排列顺序连续的候选车辆,划分至一个聚类簇;车辆bike9、bike7和bike8为排列顺序连续的候选车辆,划分至另一个聚类簇,车辆bike1、bike3、bike2和bike11为边界点(即噪声点)。
基于上述处理过程,可以生成可达距离二维图,该可达距离二维图可以反映聚类簇的层次结构,从而实现不同密度级别的车辆实时聚类。通过调整参数可达距离阈值和预设数目阈值,可以得到不同粒度的聚类结果。
可选的,上述方法还包括:响应于聚类密度级别的选择指令,根据选择指令对应的目标聚类密度级别,生成目标聚类密度级别对应的目标聚类密度条件。
本申请实施例中,用户可以通过输入设备,向终端输入聚类密度级别的选择指令。终端响应于聚类密度级别的选择指令,可以确定选择指令对应的目标聚类密度级别,进而可以根据目标聚类密度级别生成目标聚类密度条件。在一个示例中,终端可以根据用户选择的目标聚类密度级别,确定目标聚类密度级别对应的可达距离阈值,进而根据该可达距离阈值生成目标聚类密度条件。或者,终端也可以展示目标聚类密度级别对应的多个可达距离阈值,进而根据用户选择的可达距离阈值生成目标聚类密度条件。
基于上述处理,用户可以根据实际的聚类粒度需求,来设置目标聚类密度级别,从而基于可达距离二维图,实现不同聚类粒度的车辆聚类处理。
在一个实施例中,如图4所示,提供了一种车辆聚类方法的示例,包括以下步骤:
步骤401,在目标区域内的车辆中随机确定一个车辆,作为目标车辆。
步骤402,将目标车辆的标识、目标车辆对应的可达距离添加至可达距离列表。
其中,目标车辆的可达距离初始化为正无穷大。
步骤403,识别目标车辆是否为核心车辆。
如果目标车辆为核心车辆,执行步骤404。如果目标车辆为非核心车辆,则在目标车辆队列中删除该目标车辆,并执行步骤407。
步骤404,计算目标车辆的核心距离。
步骤405,根据目标车辆的核心距离,计算目标车辆与目标车辆对应的邻域车辆集合中车辆之间的可达距离。
步骤406,根据目标车辆与邻域车辆集合中车辆之间的可达距离,更新目标车辆队列。
其中,目标车辆队列中的车辆按照可达距离由小到大排序、且目标车辆队列中不包含已识别过的车辆。
步骤407,在目标车辆队列不为空的情况下,在更新后的目标车辆队列中,确定可达距离最小的第一车辆,作为新的目标车辆,返回步骤402。
步骤408,在目标车辆队列为空的情况下,根据可达距离列表中各车辆的标识、以及各车辆对应的可达距离生成可达距离二维图。
步骤409,在可达距离二维图中,确定可达距离小于或等于可达距离阈值的车辆,作为满足目标聚类密度条件的候选车辆,根据各候选车辆在可达距离二维图中的排列顺序,将排列顺序连续的候选车辆划分至一个聚类簇,得到目标区域对应的车辆聚类结果。
本申请实施例中,终端可以生成能够反映目标区域内各车辆间的位置关联关系的可达距离二维图,该可达距离二维图还可以反映聚类簇的层次结构,基于该可达距离二维图,可以通过不同的目标聚类密度条件,来实现不同聚类粒度的聚类,无需重复执行整个聚类过程,在提高了聚类灵活性、丰富聚类粒度同时,提高了聚类效率。
应该理解的是,虽然如上所述的各实施例所涉及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,如上所述的各实施例所涉及的流程图中的至少一部分步骤可以包括多个步骤或者多个阶段,这些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中的步骤或者阶段的至少一部分轮流或者交替地执行。
基于同样的发明构思,本申请实施例还提供了一种用于实现上述所涉及的车辆聚类方法的车辆聚类装置。该装置所提供的解决问题的实现方案与上述方法中所记载的实现方案相似,故下面所提供的一个或多个车辆聚类装置实施例中的具体限定可以参见上文中对于车辆聚类方法的限定,在此不再赘述。
在一个示例性的实施例中,如图5所示,提供了一种车辆聚类装置,包括:第一确定模块510、更新模块520、第一生成模块530和聚类模块540,其中:
第一确定模块510,用于在目标区域内的车辆中确定目标车辆,将所述目标车辆的标识及所述目标车辆对应的可达距离添加至可达距离列表;
更新模块520,用于在目标车辆为核心车辆的情况下,根据所述目标车辆与所述目标车辆对应的邻域车辆集合中车辆之间的可达距离,更新目标车辆队列,并在更新后的目标车辆队列中,确定可达距离满足预设距离条件的第一车辆,作为新的目标车辆,执行所述将所述目标车辆的标识及所述目标车辆对应的可达距离添加至可达距离列表,直到达到预设停止条件;
第一生成模块530,用于根据可达距离列表中各车辆的标识、以及所述各车辆对应的可达距离生成可达距离二维图;
聚类模块540,用于在所述可达距离二维图中确定满足目标聚类密度条件的候选车辆,并根据所述候选车辆在所述可达距离二维图中的分布进行聚类处理,得到所述目标区域对应的车辆聚类结果。
在其中一个实施例中,所述装置还包括:
第二确定模块,用于根据所述目标车辆的车辆位置信息、以及所述目标区域内的其他车辆的车辆位置信息,确定所述目标车辆与所述其他车辆的距离;
第三确定模块,用于根据所述目标车辆与所述其他车辆的距离,确定处于所述目标车辆对应的目标邻域内的车辆的车辆数目;
第四确定模块,用于若所述车辆数目大于或等于预设数目阈值,则确定所述目标车辆为核心车辆;若所述车辆数目小于预设数目阈值,则确定所述目标车辆为非核心车辆。
在其中一个实施例中,所述目标车辆队列中的车辆按照可达距离由小到大的顺序排列;所述更新模块520,用于:
获取当前的目标车辆队列、所述目标车辆对应的邻域车辆集合、以及所述目标车辆与所述目标车辆对应的邻域车辆集合中车辆之间的可达距离;
在所述当前的目标车辆队列中,确定除所述邻域车辆集合中的车辆以外的其他车辆;
基于所述其他车辆对应的可达距离、以及所述目标车辆与所述邻域车辆集合中车辆之间的可达距离,按照可达距离由小到大的顺序对所述其他车辆、以及所述邻域车辆集合中的车辆进行排序,得到更新后的目标车辆队列。
在其中一个实施例中,所述更新模块520,用于:
在更新后的目标车辆队列中,确定可达距离最小的第一车辆,作为新的目标车辆。
在其中一个实施例中,所述目标聚类密度条件包含可达距离阈值,所述聚类模块540,用于:
在所述可达距离二维图中,确定可达距离小于或等于所述可达距离阈值的车辆,作为满足目标聚类密度条件的候选车辆。
在其中一个实施例中,所述聚类模块540,用于:
根据各所述候选车辆在所述可达距离二维图中的排列顺序,将排列顺序连续的候选车辆划分至一个聚类簇,得到所述目标区域对应的车辆聚类结果。
在其中一个实施例中,所述装置还包括:
第二生成模块,用于响应于聚类密度级别的选择指令,根据所述选择指令对应的目标聚类密度级别,生成所述目标聚类密度级别对应的目标聚类密度条件。
上述车辆聚类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。
在一个示例性的实施例中,提供了一种计算机设备,该计算机设备可以是终端,其内部结构图可以如图6所示。该计算机设备包括处理器、存储器、输入/输出接口、通信接口、显示单元和输入装置。其中,处理器、存储器和输入/输出接口通过***总线连接,通信接口、显示单元和输入装置通过输入/输出接口连接到***总线。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和内存储器。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。该计算机设备的输入/输出接口用于处理器与外部设备之间交换信息。该计算机设备的通信接口用于与外部的终端进行有线或无线方式的通信,无线方式可通过WIFI、移动蜂窝网络、NFC(近场通信)或其他技术实现。该计算机程序被处理器执行时以实现一种车辆聚类方法。该计算机设备的显示单元用于形成视觉可见的画面,可以是显示屏、投影装置或虚拟现实成像装置。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。
在一个示例性的实施例中,提供了一种计算机设备,包括存储器和处理器,存储器中存储有计算机程序,该处理器执行计算机程序时实现上述车辆聚类方法步骤。
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车辆聚类方法步骤。
在一个实施例中,提供了一种计算机程序产品,包括计算机程序,该计算机程序被处理器执行时实现上述车辆聚类方法步骤。
需要说明的是,本申请所涉及的用户信息(包括但不限于用户设备信息、用户个人信息等)和数据(包括但不限于用于分析的数据、存储的数据、展示的数据等),均为经用户授权或者经过各方充分授权的信息和数据,且相关数据的收集、使用和处理需要符合相关规定。
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、数据库或其它介质的任何引用,均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-OnlyMemory,ROM)、磁带、软盘、闪存、光存储器、高密度嵌入式非易失性存储器、阻变存储器(ReRAM)、磁变存储器(Magnetoresistive Random Access Memory,MRAM)、铁电存储器(Ferroelectric Random Access Memory,FRAM)、相变存储器(Phase Change Memory,PCM)、石墨烯存储器等。易失性存储器可包括随机存取存储器(Random Access Memory,RAM)或外部高速缓冲存储器等。作为说明而非局限,RAM可以是多种形式,比如静态随机存取存储器(Static Random Access Memory,SRAM)或动态随机存取存储器(Dynamic RandomAccessMemory,DRAM)等。本申请所提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等,不限于此。本申请所提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器等,不限于此。
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本申请专利范围的限制。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,本申请的保护范围应以所附权利要求为准。
Claims (10)
1.一种车辆聚类方法,其特征在于,所述方法包括:
在目标区域内的车辆中确定目标车辆,将所述目标车辆的标识及所述目标车辆对应的可达距离添加至可达距离列表;
根据所述目标车辆的车辆位置信息、以及所述目标区域内的其他车辆的车辆位置信息,确定所述目标车辆与所述其他车辆的距离;根据所述目标车辆与所述其他车辆的距离,确定处于所述目标车辆对应的目标邻域内的车辆的车辆数目;若所述车辆数目大于或等于预设数目阈值,则确定所述目标车辆为核心车辆;
在目标车辆为核心车辆的情况下,根据所述目标车辆的核心距离,确定邻域车辆集合中每个车辆与所述目标车辆的可达距离,根据所述目标车辆与所述目标车辆对应的所述邻域车辆集合中车辆之间的可达距离,更新目标车辆队列,并在更新后的目标车辆队列中,确定可达距离满足预设距离条件的第一车辆,作为新的目标车辆,执行所述将所述目标车辆的标识及所述目标车辆对应的可达距离添加至可达距离列表,直到达到预设停止条件;
根据可达距离列表中各车辆的标识、以及所述各车辆对应的可达距离生成可达距离二维图;
在所述可达距离二维图中确定满足目标聚类密度条件的候选车辆,并根据所述候选车辆在所述可达距离二维图中的分布进行聚类处理,得到所述目标区域对应的车辆聚类结果。
2.根据权利要求1所述的方法,其特征在于,所述方法还包括:
若所述车辆数目小于所述预设数目阈值,则确定所述目标车辆为非核心车辆。
3.根据权利要求1所述的方法,其特征在于,所述目标车辆队列中的车辆按照可达距离由小到大的顺序排列;所述根据所述目标车辆与所述目标车辆对应的邻域车辆集合中车辆之间的可达距离,更新目标车辆队列,包括:
获取当前的目标车辆队列、所述目标车辆对应的邻域车辆集合、以及所述目标车辆与所述目标车辆对应的邻域车辆集合中车辆之间的可达距离;
在所述当前的目标车辆队列中,确定除所述邻域车辆集合中的车辆以外的其他车辆;
基于所述其他车辆对应的可达距离、以及所述目标车辆与所述邻域车辆集合中车辆之间的可达距离,按照可达距离由小到大的顺序对所述其他车辆、以及所述邻域车辆集合中的车辆进行排序,得到更新后的目标车辆队列。
4.根据权利要求1所述的方法,其特征在于,所述在更新后的目标车辆队列中,确定可达距离满足预设距离条件的第一车辆,作为新的目标车辆,包括:
在更新后的目标车辆队列中,确定可达距离最小的第一车辆,作为新的目标车辆。
5.根据权利要求1所述的方法,其特征在于,所述目标聚类密度条件包含可达距离阈值,所述在所述可达距离二维图中确定满足目标聚类密度条件的候选车辆,包括:
在所述可达距离二维图中,确定可达距离小于或等于所述可达距离阈值的车辆,作为满足目标聚类密度条件的候选车辆。
6.根据权利要求1所述的方法,其特征在于,所述根据所述候选车辆在所述可达距离二维图中的分布进行聚类处理,得到所述目标区域对应的车辆聚类结果,包括:
根据各所述候选车辆在所述可达距离二维图中的排列顺序,将排列顺序连续的候选车辆划分至一个聚类簇,得到所述目标区域对应的车辆聚类结果。
7.根据权利要求1所述的方法,其特征在于,所述方法还包括:
响应于聚类密度级别的选择指令,根据所述选择指令对应的目标聚类密度级别,生成所述目标聚类密度级别对应的目标聚类密度条件。
8.一种车辆聚类装置,其特征在于,所述装置包括:
第一确定模块,用于在目标区域内的车辆中确定目标车辆,将所述目标车辆的标识及所述目标车辆对应的可达距离添加至可达距离列表;
第二确定模块,用于根据所述目标车辆的车辆位置信息、以及所述目标区域内的其他车辆的车辆位置信息,确定所述目标车辆与所述其他车辆的距离;
第三确定模块,用于根据所述目标车辆与所述其他车辆的距离,确定处于所述目标车辆对应的目标邻域内的车辆的车辆数目;
第四确定模块,用于若所述车辆数目大于或等于预设数目阈值,则确定所述目标车辆为核心车辆;
更新模块,用于在目标车辆为核心车辆的情况下,根据所述目标车辆的核心距离,确定邻域车辆集合中每个车辆与所述目标车辆的可达距离,根据所述目标车辆与所述目标车辆对应的所述邻域车辆集合中车辆之间的可达距离,更新目标车辆队列,并在更新后的目标车辆队列中,确定可达距离满足预设距离条件的第一车辆,作为新的目标车辆,执行所述将所述目标车辆的标识及所述目标车辆对应的可达距离添加至可达距离列表,直到达到预设停止条件;
第一生成模块,用于根据可达距离列表中各车辆的标识、以及所述各车辆对应的可达距离生成可达距离二维图;
聚类模块,用于在所述可达距离二维图中确定满足目标聚类密度条件的候选车辆,并根据所述候选车辆在所述可达距离二维图中的分布进行聚类处理,得到所述目标区域对应的车辆聚类结果。
9.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,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7中任一项所述的方法的步骤。
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7中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311507115.5A CN117290741B (zh) | 2023-11-14 | 2023-11-14 | 车辆聚类方法、装置、计算机设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311507115.5A CN117290741B (zh) | 2023-11-14 | 2023-11-14 | 车辆聚类方法、装置、计算机设备和存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117290741A CN117290741A (zh) | 2023-12-26 |
CN117290741B true CN117290741B (zh) | 2024-03-19 |
Family
ID=89240914
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311507115.5A Active CN117290741B (zh) | 2023-11-14 | 2023-11-14 | 车辆聚类方法、装置、计算机设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117290741B (zh) |
Citations (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107368807A (zh) * | 2017-07-20 | 2017-11-21 | 东南大学 | 一种基于视觉词袋模型的监控视频车型分类方法 |
CN109541654A (zh) * | 2018-11-19 | 2019-03-29 | 北京金州世纪信息技术有限公司 | 一种车辆停靠点的计算方法及装置 |
CN109686085A (zh) * | 2018-12-17 | 2019-04-26 | 北京交通大学 | 基于gps数据危险货物运输车辆停留节点活动类型识别方法 |
CN109766902A (zh) * | 2017-11-09 | 2019-05-17 | 杭州海康威视***技术有限公司 | 对同区域的车辆聚类的方法、装置和设备 |
WO2020098287A1 (zh) * | 2018-11-16 | 2020-05-22 | 广州小鹏汽车科技有限公司 | 基于多车位检测的自动泊车方法及车载控制*** |
CN112749743A (zh) * | 2021-01-04 | 2021-05-04 | 清华大学 | 一种轨迹时空聚类方法、***以及存储装置 |
CN112816959A (zh) * | 2021-01-14 | 2021-05-18 | 森思泰克河北科技有限公司 | 用于车辆的聚类方法、装置、设备和存储介质 |
CN112906812A (zh) * | 2021-03-09 | 2021-06-04 | 西安电子科技大学 | 基于带离群点去除的车辆轨迹聚类方法 |
CN113467851A (zh) * | 2021-05-24 | 2021-10-01 | 南京邮电大学 | 一种基于车辆聚类的动态车辆计算任务卸载方法和装置 |
CN114141014A (zh) * | 2021-11-30 | 2022-03-04 | 中寰卫星导航通信有限公司 | 一种停车场的确定方法、装置、设备及存储介质 |
CN115520216A (zh) * | 2022-09-26 | 2022-12-27 | 深圳元戎启行科技有限公司 | 行车状态判断方法、装置、计算机设备和存储介质 |
CN115631629A (zh) * | 2022-10-20 | 2023-01-20 | 湖南大学 | 一种基于轨迹预测的城市动态车辆云构建方法及*** |
CN116186571A (zh) * | 2023-04-25 | 2023-05-30 | 北京阿帕科蓝科技有限公司 | 车辆聚类方法、装置、计算机设备及存储介质 |
CN116321351A (zh) * | 2023-01-04 | 2023-06-23 | 武汉理工大学重庆研究院 | 基于区域路由算法的车联网优化方法、***和车辆 |
CN116304393A (zh) * | 2023-05-19 | 2023-06-23 | 北京阿帕科蓝科技有限公司 | 数据处理方法、装置、计算机设备和存储介质 |
CN116340443A (zh) * | 2021-12-24 | 2023-06-27 | 奥动新能源汽车科技有限公司 | 车辆行驶数据的热力图显示方法及***、设备及介质 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2019023324A1 (en) * | 2017-07-26 | 2019-01-31 | Via Transportation, Inc. | SYSTEMS AND METHODS FOR MANAGING AND ROUTING COOPERATING VEHICLES |
US11669853B2 (en) * | 2021-01-25 | 2023-06-06 | Capital One Services, Llc | Distance points interactive interface and related methods |
-
2023
- 2023-11-14 CN CN202311507115.5A patent/CN117290741B/zh active Active
Patent Citations (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107368807A (zh) * | 2017-07-20 | 2017-11-21 | 东南大学 | 一种基于视觉词袋模型的监控视频车型分类方法 |
CN109766902A (zh) * | 2017-11-09 | 2019-05-17 | 杭州海康威视***技术有限公司 | 对同区域的车辆聚类的方法、装置和设备 |
WO2020098287A1 (zh) * | 2018-11-16 | 2020-05-22 | 广州小鹏汽车科技有限公司 | 基于多车位检测的自动泊车方法及车载控制*** |
CN109541654A (zh) * | 2018-11-19 | 2019-03-29 | 北京金州世纪信息技术有限公司 | 一种车辆停靠点的计算方法及装置 |
CN109686085A (zh) * | 2018-12-17 | 2019-04-26 | 北京交通大学 | 基于gps数据危险货物运输车辆停留节点活动类型识别方法 |
CN112749743A (zh) * | 2021-01-04 | 2021-05-04 | 清华大学 | 一种轨迹时空聚类方法、***以及存储装置 |
CN112816959A (zh) * | 2021-01-14 | 2021-05-18 | 森思泰克河北科技有限公司 | 用于车辆的聚类方法、装置、设备和存储介质 |
CN112906812A (zh) * | 2021-03-09 | 2021-06-04 | 西安电子科技大学 | 基于带离群点去除的车辆轨迹聚类方法 |
CN113467851A (zh) * | 2021-05-24 | 2021-10-01 | 南京邮电大学 | 一种基于车辆聚类的动态车辆计算任务卸载方法和装置 |
CN114141014A (zh) * | 2021-11-30 | 2022-03-04 | 中寰卫星导航通信有限公司 | 一种停车场的确定方法、装置、设备及存储介质 |
CN116340443A (zh) * | 2021-12-24 | 2023-06-27 | 奥动新能源汽车科技有限公司 | 车辆行驶数据的热力图显示方法及***、设备及介质 |
CN115520216A (zh) * | 2022-09-26 | 2022-12-27 | 深圳元戎启行科技有限公司 | 行车状态判断方法、装置、计算机设备和存储介质 |
CN115631629A (zh) * | 2022-10-20 | 2023-01-20 | 湖南大学 | 一种基于轨迹预测的城市动态车辆云构建方法及*** |
CN116321351A (zh) * | 2023-01-04 | 2023-06-23 | 武汉理工大学重庆研究院 | 基于区域路由算法的车联网优化方法、***和车辆 |
CN116186571A (zh) * | 2023-04-25 | 2023-05-30 | 北京阿帕科蓝科技有限公司 | 车辆聚类方法、装置、计算机设备及存储介质 |
CN116304393A (zh) * | 2023-05-19 | 2023-06-23 | 北京阿帕科蓝科技有限公司 | 数据处理方法、装置、计算机设备和存储介质 |
Non-Patent Citations (1)
Title |
---|
一种基于核距离的车辆轨迹点聚类方法;陆川伟等;武汉大学学报(信息科学版);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN117290741A (zh) | 2023-12-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Chen et al. | TripImputor: Real-time imputing taxi trip purpose leveraging multi-sourced urban data | |
Suma et al. | Enabling next generation logistics and planning for smarter societies | |
Liu et al. | Think like a graph: Real-time traffic estimation at city-scale | |
Jiao et al. | A novel next new point-of-interest recommendation system based on simulated user travel decision-making process | |
CN111400555B (zh) | 图数据查询任务处理方法、装置、计算机设备和存储介质 | |
CN113656670A (zh) | 面向飞行数据的时空轨迹数据管理分析方法和装置 | |
Wang et al. | A framework for models of movement in geographic space | |
Baryannis et al. | A trajectory calculus for qualitative spatial reasoning using answer set programming | |
CN115687517A (zh) | 时空数据的存储方法、装置、数据库引擎和存储介质 | |
CN116186571B (zh) | 车辆聚类方法、装置、计算机设备及存储介质 | |
CN107798450B (zh) | 业务分配方法和装置 | |
CN117290741B (zh) | 车辆聚类方法、装置、计算机设备和存储介质 | |
CN111221827A (zh) | 基于图形处理器的数据库表连接方法、装置、计算机设备和存储介质 | |
US20220343146A1 (en) | Method and system for temporal graph neural network acceleration | |
Belcastro et al. | Evaluation of large scale roi mining applications in edge computing environments | |
CN114943407A (zh) | 区域规划方法、装置、设备、可读存储介质及程序产品 | |
Liu et al. | TL-TSD: A two-layer traffic sub-area division framework based on trajectory clustering | |
CN114511125A (zh) | 一种空间划分方法、装置、设备及介质 | |
CN117113732B (zh) | 适用于非超立方体约束空间的拉丁超立方设计方法 | |
Laha et al. | Travel time prediction for GPS taxi data streams | |
CN116882408B (zh) | 变压器图模型的构建方法、装置、计算机设备和存储介质 | |
CN116862358A (zh) | 多仓库路径规划方法、装置、计算机设备、介质和产品 | |
CN117876027A (zh) | 数据处理方法、装置、计算机设备和存储介质 | |
Chen et al. | Real-Time Imputing Trip Purpose Leveraging Heterogeneous Trajectory Data | |
CN117033766A (zh) | 业务处理行为预测方法、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 |