CN117423232B - 基于车联网大数据的租赁性质车辆识别的方法 - Google Patents
基于车联网大数据的租赁性质车辆识别的方法 Download PDFInfo
- Publication number
- CN117423232B CN117423232B CN202311357431.9A CN202311357431A CN117423232B CN 117423232 B CN117423232 B CN 117423232B CN 202311357431 A CN202311357431 A CN 202311357431A CN 117423232 B CN117423232 B CN 117423232B
- Authority
- CN
- China
- Prior art keywords
- vehicle
- parking lot
- vehicles
- behavior
- rental
- 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 17
- 239000006185 dispersion Substances 0.000 claims abstract description 22
- 230000006399 behavior Effects 0.000 claims description 28
- 238000012549 training Methods 0.000 claims description 8
- 238000013500 data storage Methods 0.000 claims description 6
- 238000012360 testing method Methods 0.000 claims description 6
- 238000012795 verification Methods 0.000 claims description 6
- 230000003203 everyday effect Effects 0.000 claims description 3
- 230000001788 irregular Effects 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 2
- 238000002372 labelling Methods 0.000 claims description 2
- 230000008569 process Effects 0.000 claims description 2
- 238000005516 engineering process Methods 0.000 abstract description 3
- 230000006872 improvement Effects 0.000 description 5
- 238000007477 logistic regression Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 230000002354 daily effect Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 239000000446 fuel Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
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
- 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
- G08G1/017—Detecting movement of traffic to be counted or controlled identifying vehicles
-
- 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
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及车辆识别技术领域,具体地说,涉及基于车联网大数据的租赁性质车辆识别的方法。其包括S1、构建租车公司常用的停车场数据库;S2、对比目标车辆的常用停车场和租车公司常用的停车场;S3、识别目标车辆用于租赁的前置行为,在前置行为发生后进入S4;S4、结合驾驶时间的分散度D和车辆轨迹的分散度L进行评分。本发明中通过将私家车的常用停车场的坐标与租赁车公司常用停车场比对,以及结合驾驶时间的分散度D和车辆轨迹的分散度L进行评分来实现租赁性质车辆的识别,解决识别非营运车辆从事租赁行为技术空缺的问题,而且采用前置行为判定可以提高识别的效率以及准确性。
Description
技术领域
本发明涉及车辆识别技术领域,具体地说,涉及基于车联网大数据的租赁性质车辆识别的方法。
背景技术
随着新能源车辆的新增数量逐年升高,新能源车相较燃油车具有使用成本低的特点,促使越来越多新能源车辆从事营运行为,其中租赁市场也有大量新能源车从事租赁营运行为,从而也出现大量非营运性质车辆从事租赁营运行为,去降低车辆的车险费用;而车险机构、相关政府职能部门无法有效识别非营运车辆从事租赁行为,这将对社会和群众造成非常大的危害。
发明内容
本发明的目的在于提供基于车联网大数据的租赁性质车辆识别的方法,以解决上述背景技术中提出的问题。
为实现上述目的,提供了基于车联网大数据的租赁性质车辆识别的方法,其包括如下方法步骤:
S1、构建租车公司常用的停车场数据库;
S2、对比目标车辆的常用停车场和租车公司常用的停车场;
S3、识别目标车辆用于租赁的前置行为,在前置行为发生后进入S4;
S4、结合驾驶时间的分散度D和车辆轨迹的分散度L进行评分,将最终的得分与在先设定的判断阈值进行比较,最终的得分高于判断阈值时,目标车辆为租赁性质车辆;否则不为租赁性质车辆。
作为本技术方案的进一步改进,所述S1中将租车公司常用的停车场位置用WGS84坐标系的经纬度标注,其中:
对于比较规则的停车场用地图电子围栏圈出;
对于不规则的停车场用圆形的地图电子围栏圈出。
作为本技术方案的进一步改进,将所有停车场位置数据按照区分条件分类存储到数据库中,所述区分条件包括不同城市和不同公司。
作为本技术方案的进一步改进,所述S2中,查找目标车辆近30日内停车时长超过5小时的停车场,并且根据停车的常用位置的坐标,调用高德地图相关接口,判断是否在租车公司常用的停车场内,其中:
常用停车场与租车公司常用停车场重合,则标记为1,否则标记为0;
所述S3中发生前置行为的车辆被标记为1,模型入参时,仅选用标记为1的目标车辆。
作为本技术方案的进一步改进,所述驾驶时间的分散度D的计算过程如下:
通过国家平台的大数据存储平台Star-rocks,按照车架号检索于训练模型、测试模型和验证模型的近1个月的行驶时长数据;首先将时间分为24个驾驶时间段,每个时间段为1小时,然后按照车辆每天是否在该时段行驶过对其打标签,存在行驶行为的标签为1,不存在行驶行为的标签为0;统计近1个月每个时段存在驾驶行为的天数;如果这个时段的驾驶天数超过20天,则这个时段的标签f记为1,统计24个时段的标签的和,即为驾驶时间的分散度D,即:
作为本技术方案的进一步改进,车辆轨迹的分散度L的计算过程如下:
通过国家平台的大数据存储平台Star-rocks,按照车架号检索于训练模型、测试模型和验证模型的近1个月的车辆位置数据,在所有位置数据中,找到最东,最西,最南和最北的位置围成一个矩形区域,将每天的位置放到矩形区域中,形成轨迹图像,利用RMSE比较近一个月轨迹图像的相似度,RMSE即为车辆轨迹的分散度L。
与现有技术相比,本发明的有益效果:
该基于车联网大数据的租赁性质车辆识别的方法中,通过将私家车的常用停车场的坐标与租赁车公司常用停车场比对,以及结合驾驶时间的分散度D和车辆轨迹的分散度L进行评分来实现租赁性质车辆的识别,解决识别非营运车辆从事租赁行为技术空缺的问题,而且采用前置行为判定可以提高识别的效率以及准确性。
附图说明
图1为本发明的租赁性质车辆识别的方法步骤示意图。
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,所描述的实施例仅仅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做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。
本发明提供了基于车联网大数据的非营运性质车辆从事租赁性质行为识别的方法,涉及车联网大数据清晰、特征分析等相结合的技术,主要针对车险机构、相关政府职能部门无法有效识别非营运车辆从事租赁行为的问题;基于车联网大数据(GB/T 32960标准)及已知的租赁车辆的驾驶行为数据,通过大数据分析技术,快速识别车辆的租赁营运行为,规范营运车实测,建设有效的租赁车辆管理及车险承保体系。
基于车联网大数据的租赁性质车辆识别的方法,如图1所示,其包括如下方法步骤:
S1、构建租车公司常用的停车场数据库:
在全国各个城市展开租车公司常用停车场调研,并将停车场位置用WGS84坐标系的经纬度标注。对于比较规则的停车场用地图电子围栏圈出,对于不规则或者难以识别形状的停车场用圆形的地图电子围栏圈出,将所有数据按照不同城市,不同公司等条件分类存储到数据库中。
S2、对比车辆的常用停车场和租车公司常用的停车场:
查找车辆近30日内停车时长超过5小时的停车场,并且根据停车的常用位置的坐标,调用高德地图相关接口,判断是否在租车公司常用的停车场内。如果常用停车场与租车公司常用停车场重合,则标记为1,否则标记为0。模型入参时,仅选用标记为1的车辆。标记为0的车辆默认为正常的私家车。
S3、识别私家车用于租赁的前置行为:
将私家车的常用停车场的坐标与租赁车公司常用停车场比对,如果两者不相似,则认为该私家车没有用于租赁,如果相似,则进一步将驾驶时间的分散度D,车辆轨迹的分散度L,结果评分越高,表示待识别车辆是租赁车的可能性越低。
也就是说,通过S3进行一个前置行为判定,根据前置行为确定是否进行S4,而这个前置行为就是私家车的常用停车场停入租赁车公司的常用停车场,当此行为发生后说明这辆私家车具有租赁性质的条件。
S4、结合驾驶时间的分散度D和车辆轨迹的分散度L进行评分:
计算驾驶时间的分散度D:
通过国家平台的大数据存储平台Star-rocks,按照车架号检索于训练模型、测试模型和验证模型的近1个月的行驶时长数据。首先将时间分为24个驾驶时间段,每个时间段为1小时。然后按照车辆每天是否在该时段行驶过对其打标签,存在行驶行为的标签为1,不存在行驶行为的标签为0。统计近1个月每个时段存在驾驶行为的天数。如果这个时段的驾驶天数超过20天,则这个时段的标签f记为1,统计24个时段的标签的和,即为驾驶时间的分散度D。
计算车辆轨迹的分散度L:
通过国家平台的大数据存储平台Star-rocks,按照车架号检索于训练模型、测试模型和验证模型的近1个月的车辆位置数据。在所有位置数据中,找到最东,最西,最南和最北的位置围成一个矩形区域。将每天的位置放到矩形区域中,形成轨迹图像,利用RMSE比较近一个月轨迹图像的相似度。RMSE即为车辆轨迹的分散度L。
通过机器学习逻辑回归训练模型,然后将构建的所有特征放入逻辑回归模型中训练,从而通过最终的得分进一步对私家车是否具有租赁性质进行确定。
需要说明的是,获取车联网大数据(基于GB/T32960标准)的切片上报信息,通过对目标车联的车联网切面数据清洗、计算,获得非营运车辆从事租赁营运行为的特征数据;通过对已有的租赁性质车辆的驾驶行为特征数据探查,确定租赁性质车辆的驾驶行为特征及相应阈值,并计算出不同特征下的租赁性质车辆的特征权重;然后判断目标车辆在一段周期内的行驶轨迹分散程度、行驶里程分散程度、车辆驶离车场时间的分散程度、车辆返回车场时间的分散程度等,判断车辆的驾驶行为特征是否大于阈值,基于租赁车辆驾驶行为特征的阈值及对应的权重,进而得到最终的评分,根据最终的评分判断目标是否为租赁性质的车辆,这就要提前设定一个判断阈值,当评分高于该阈值时就是租赁性质的车辆,反之就不是租赁性质的车辆。
以上显示和描述了本发明的基本原理、主要特征和本发明的优点。本行业的技术人员应该了解,本发明不受上述实施例的限制,上述实施例和说明书中描述的仅为本发明的优选例,并不用来限制本发明,在不脱离本发明精神和范围的前提下,本发明还会有各种变化和改进,这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。
Claims (3)
1.基于车联网大数据的租赁性质车辆识别的方法,其特征在于,其包括如下方法步骤:
S1、构建租车公司常用的停车场数据库;
S2、对比目标车辆的常用停车场和租车公司常用的停车场;
S3、识别目标车辆用于租赁的前置行为,在前置行为发生后进入S4;
S4、结合驾驶时间的分散度D和车辆轨迹的分散度L进行评分,将最终的得分与在先设定的判断阈值进行比较,最终的得分高于判断阈值时,目标车辆为租赁性质车辆;否则不为租赁性质车辆;
所述S2中,查找目标车辆近30日内停车时长超过5小时的停车场,并且根据停车的常用位置的坐标,调用高德地图相关接口,判断是否在租车公司常用的停车场内,其中:
常用停车场与租车公司常用停车场重合,则标记为1,否则标记为0;
所述S3中发生前置行为的车辆被标记为1,模型入参时,仅选用标记为1的目标车辆;
所述驾驶时间的分散度D的计算过程如下:
通过国家平台的大数据存储平台Star-rocks,按照车架号检索于训练模型、测试模型和验证模型的近1个月的行驶时长数据;首先将时间分为24个驾驶时间段,每个时间段为1小时,然后按照车辆每天是否在时间段行驶过对其打标签,存在行驶行为的标签为1,不存在行驶行为的标签为0;统计近1个月每个时间段存在驾驶行为的天数;如果这个时间段的驾驶天数超过20天,则这个时间段的标签f记为1,统计24个时间段的标签的和,即为驾驶时间的分散度D,即:
车辆轨迹的分散度L的计算过程如下:
通过国家平台的大数据存储平台Star-rocks,按照车架号检索于训练模型、测试模型和验证模型的近1个月的车辆位置数据,在所有位置数据中,找到最东,最西,最南和最北的位置围成一个矩形区域,将每天的位置放到矩形区域中,形成轨迹图像,利用RMSE比较近一个月轨迹图像的相似度,RMSE即为车辆轨迹的分散度L。
2.根据权利要求1所述的基于车联网大数据的租赁性质车辆识别的方法,其特征在于,所述S1中将租车公司常用的停车场位置用WGS84坐标系的经纬度标注,其中:
对于比较规则的停车场用地图电子围栏圈出;
对于不规则的停车场用圆形的地图电子围栏圈出。
3.根据权利要求2所述的基于车联网大数据的租赁性质车辆识别的方法,其特征在于,将所有停车场位置数据按照区分条件分类存储到数据库中,所述区分条件包括不同城市和不同公司。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311357431.9A CN117423232B (zh) | 2023-10-19 | 2023-10-19 | 基于车联网大数据的租赁性质车辆识别的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311357431.9A CN117423232B (zh) | 2023-10-19 | 2023-10-19 | 基于车联网大数据的租赁性质车辆识别的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117423232A CN117423232A (zh) | 2024-01-19 |
CN117423232B true CN117423232B (zh) | 2024-04-02 |
Family
ID=89529462
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311357431.9A Active CN117423232B (zh) | 2023-10-19 | 2023-10-19 | 基于车联网大数据的租赁性质车辆识别的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117423232B (zh) |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
AU2006100846A4 (en) * | 2005-10-06 | 2006-11-02 | Move Yourself Trailer Hire Pty Ltd | Vehicle Rental System and Method |
CN105976617A (zh) * | 2016-03-21 | 2016-09-28 | 江苏智通交通科技有限公司 | 非法营运车辆检测方法和*** |
CN106096750A (zh) * | 2015-04-29 | 2016-11-09 | 福特全球技术公司 | 共乘用户的路径干扰和用户的重新规划路线 |
CN107316069A (zh) * | 2017-05-19 | 2017-11-03 | 芜湖恒天易开软件科技股份有限公司 | 一种基于rfid读写设备的租赁点汽车智能识别租赁*** |
CN107464365A (zh) * | 2017-08-08 | 2017-12-12 | 张飞凤 | 交通载具租赁***及管理方法 |
JP2018110029A (ja) * | 2018-03-07 | 2018-07-12 | Gホールディングス株式会社 | リース車両共同使用システム |
CN108805662A (zh) * | 2018-05-24 | 2018-11-13 | 公安部交通管理科学研究所 | 一种汽车租赁方法、装置及*** |
CN108960590A (zh) * | 2018-06-15 | 2018-12-07 | 平安科技(深圳)有限公司 | 车辆租赁方法、装置、计算机设备和存储介质 |
CN111833540A (zh) * | 2019-12-30 | 2020-10-27 | 北京嘀嘀无限科技发展有限公司 | 租赁车辆使用计费方法、电子设备及存储介质 |
CN116541786A (zh) * | 2022-12-22 | 2023-08-04 | 深圳鼎然信息科技有限公司 | 基于驾驶行为的网约车识别方法、装置及*** |
-
2023
- 2023-10-19 CN CN202311357431.9A patent/CN117423232B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
AU2006100846A4 (en) * | 2005-10-06 | 2006-11-02 | Move Yourself Trailer Hire Pty Ltd | Vehicle Rental System and Method |
CN106096750A (zh) * | 2015-04-29 | 2016-11-09 | 福特全球技术公司 | 共乘用户的路径干扰和用户的重新规划路线 |
CN105976617A (zh) * | 2016-03-21 | 2016-09-28 | 江苏智通交通科技有限公司 | 非法营运车辆检测方法和*** |
CN107316069A (zh) * | 2017-05-19 | 2017-11-03 | 芜湖恒天易开软件科技股份有限公司 | 一种基于rfid读写设备的租赁点汽车智能识别租赁*** |
CN107464365A (zh) * | 2017-08-08 | 2017-12-12 | 张飞凤 | 交通载具租赁***及管理方法 |
JP2018110029A (ja) * | 2018-03-07 | 2018-07-12 | Gホールディングス株式会社 | リース車両共同使用システム |
CN108805662A (zh) * | 2018-05-24 | 2018-11-13 | 公安部交通管理科学研究所 | 一种汽车租赁方法、装置及*** |
CN108960590A (zh) * | 2018-06-15 | 2018-12-07 | 平安科技(深圳)有限公司 | 车辆租赁方法、装置、计算机设备和存储介质 |
CN111833540A (zh) * | 2019-12-30 | 2020-10-27 | 北京嘀嘀无限科技发展有限公司 | 租赁车辆使用计费方法、电子设备及存储介质 |
CN116541786A (zh) * | 2022-12-22 | 2023-08-04 | 深圳鼎然信息科技有限公司 | 基于驾驶行为的网约车识别方法、装置及*** |
Also Published As
Publication number | Publication date |
---|---|
CN117423232A (zh) | 2024-01-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106940931B (zh) | 基于定位数据的卡口设备数据质量检验方法 | |
CN101587643A (zh) | 一种***的识别方法 | |
CN114419892B (zh) | 一种判定有疲劳驾驶交通违法风险的车辆的方法 | |
CN111369801B (zh) | 车辆识别方法、装置、设备和存储介质 | |
CN107918826B (zh) | 一种驾驶环境感知的司机评价与调度方法 | |
CN114613151B (zh) | 一种货车od确定方法、***、设备及存储介质 | |
CN114462553A (zh) | 一种面向车险反欺诈的图像标注及要素抽取方法与*** | |
CN111078973B (zh) | 基于大数据的***识别方法、设备及存储介质 | |
CN110895535A (zh) | 数据处理方法、装置及电子设备 | |
Rabbani et al. | Road accident data collection systems in developing and developed countries: a review | |
CN114997777A (zh) | 一种基于轨迹信息的车辆移动特征识别方法 | |
CN117423232B (zh) | 基于车联网大数据的租赁性质车辆识别的方法 | |
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 | |
Baguley | The importance of a road accident data system and its utilisation | |
CN113470369A (zh) | 一种基于多维度信息判断***辆真实号牌的方法及*** | |
CN116862591A (zh) | 信息推送方法、装置、计算机设备及可读存储介质 | |
CN115796584A (zh) | 一种城市道路运行风险排查方法、装置及电子设备 | |
CN111489556B (zh) | 一种营运车辆挂靠行为的判断方法 | |
CN112633163B (zh) | 一种基于机器学习算法实现非法运营车辆检测的检测方法 | |
CN203166989U (zh) | 一种基于车载gps 档案的辅助估价*** | |
Johnson et al. | Vehicle crime: Communicating spatial and temporal patterns | |
CN110021164B (zh) | 基于行驶时间数据的网约车路网占有率分析方法 | |
CN115100861B (zh) | 一种酒驾车辆识别方法 | |
CN111382926A (zh) | 一种评估地方交易场所风险的方法 | |
Farrell et al. | Rhode Island traffic stop statistics data collection study 2004-2005 |
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 |