一种货运车辆的出行链智能识别方法、装置及电子设备与流程

1.本发明涉及智慧交通技术领域，具体而言，涉及一种货运车辆的出行链智能识别方法、装置及电子设备。


背景技术：

2.随着国家交通运输行业持续飞速发展，许多城市的货运量不断提升，对于城市货运需求的分析也变得愈发重要。
3.现有技术中，一部分货运需求获取方法采用人工调查等方式，其存在效率低下、耗费时力、结果时效性差等问题；另一部分基于gps数据的货运需求获取方法一般侧重于采取基于速度的变化来判定识别停留点等信息，识别误差较大，无法为规划管理部门的政策决策提供有效的技术支撑。


技术实现要素：

4.本发明解决的问题是：如何根据gps数据准确识别货运车辆的停留点、装卸货停驻点及出行链，以为城市货运需求的分析提供有效支撑。
5.为解决上述问题，本发明提供一种货运车辆的出行链智能识别方法，包括：获取货运车辆的gps数据；根据所述gps数据进行预处理，确定所述货运车辆的有效数据；根据所述有效数据进行聚类，确定所述货运车辆的停留点；根据所述停留点进行用地属性识别，确定所述货运车辆的装卸货停驻点；根据所述停留点和所述装卸货停驻点，确定所述货运车辆的出行链。
6.可选地，所述获取货运车辆的gps数据包括：获取位于标定时间段内的所述货运车辆的所述gps数据，其中，所述gps数据包括所述货运车辆的车辆编号、定位时刻以及所述货运车辆位于所述定位时刻时的位置坐标、瞬时速度和方向角。
7.可选地，所述根据所述gps数据进行预处理，确定所述货运车辆的有效数据包括：过滤所述gps数据中的时空异常数据、字段缺失数据、重复数据和漂移数据，得到所述货运车辆的所述有效数据。
8.可选地，所述根据所述有效数据进行聚类，确定所述货运车辆的停留点包括：根据所述有效数据，确定所述货运车辆以第一预设时间阈值为间隔的记录时间戳，以及确定所述第一记录时间戳对应的所述货运车辆的轨迹点；根据所述记录时间戳和所述轨迹点进行停留点识别，确定所述货运车辆的所述停留点。
9.可选地，所述根据所述记录时间戳和所述轨迹点进行停留点识别，确定所述货运车辆的所述停留点包括：根据所述记录时间戳和所述轨迹点，确定所述轨迹点中的可能停留点，其中，所述
可能停留点为距离小于预设距离阈值的相邻两个所述记录时间戳所对应的所述轨迹点；根据所述可能停留点，聚类连续的所述可能停留点为聚类簇；当所述聚类簇的持续时间大于第二预设时间阈值时，确定所述聚类簇为停留点集合。
10.可选地，所述确定所述聚类簇为停留点集合之后，所述根据所述记录时间戳和所述轨迹点，对所述轨迹点进行聚类，确定所述货运车辆的所述停留点还包括：根据所述停留点集合内所有所述可能停留点的位置坐标计算平均值，得到所述停留点的位置坐标。
11.可选地，所述根据所述停留点进行用地属性识别，确定所述货运车辆的装卸货停驻点包括：根据所述停留点进行空间聚类，确定常驻停留点；获取用地属性数据，匹配所述常驻停留点和所述用地属性数据，确定所述常驻停留点的用地属性；根据所述常驻停留点的用地属性，确定所述装卸货停驻点。
12.可选地，所述根据所述停留点和所述装卸货停驻点，确定所述货运车辆的出行链包括：根据所述停留点，生成相邻所述停留点之间的出行信息；根据所述装卸货停驻点和所述出行信息，确定所述货运车辆的所述出行链。
13.为解决上述问题，本发明还提供一种货运车辆的出行链智能识别装置，包括：获取单元，用于获取货运车辆的gps数据；计算识别单元，用于根据所述gps数据进行预处理，确定所述货运车辆的有效数据；根据所述有效数据进行聚类，确定所述货运车辆的停留点；根据所述停留点进行用地属性识别，确定所述货运车辆的装卸货停驻点；以及根据所述停留点和所述装卸货停驻点，确定所述货运车辆的出行链。
14.为解决上述问题，本发明还提供一种电子设备，包括处理器和存储器，所述存储器存储有计算机程序，所述计算机程序被所述处理器执行时，实现如上所述的货运车辆的出行链智能识别方法。
15.本发明与现有技术相比，具有以下有益效果：基于货运车辆的gps数据确定货运车辆的出行链，能够客观准确地提取出货运车辆的出行特征以用于城市（或其他区域）的货运需求分析，有助于决策者从宏观与微观角度去了解整个城市货运节点间的运行状况、把控货运出行对道路交通状况的影响，且根据本方法能够进一步统计出不同工业、物流片区之间的货运需求量，从而为交通仿真或四阶段宏观模型提供输入参数，为交通规划政策及城市货运节点的改造升级提供了有力依据。而且，在本方法中，对gps数据进行预处理，保证了所得有效数据的可靠性；通过聚类方法判定识别货运车辆的停留点等信息，提升了停留点等信息判定识别的准确性与可靠性；通过用地属性识别确定货运车辆所有停留点中的装卸货停驻点，保证了装卸货停驻点识别的准确且有效，使得本方法适用于城市货运需求分析；通过生成所有货运车辆的出行链用于城市货运需求分析，提升了采用本方法的货运需求分析的分析结果的准确性、可靠性和时效性。
附图说明
16.图1为本发明实施例中货运车辆的出行链智能识别方法的流程图；图2为图1的子流程图；图3为图2的子流程图；图4为图1的另一个子流程图；图5为图4的子流程图；图6为图1的又一个子流程图；图7为本发明实施例中货运车辆的出行链智能识别装置的结构框图。
17.附图标记说明：10
‑
获取单元，20
‑
计算识别单元。
具体实施方式
18.为使本发明的上述目的、特征和优点能够更为明显易懂，下面结合附图对本发明的具体实施例做详细的说明。
19.结合图1所示，本发明实施例提供一种货运车辆的出行链智能识别方法，包括以下步骤：步骤100、获取货运车辆的gps数据。
20.具体地，通过获取包括货运车辆的车辆编号、定位时刻以及货运车辆位于定位时刻时的位置坐标、瞬时速度和方向角等信息的gps数据，以为货运车辆的出行链智能识别方法提供有效的数据支撑，提升货运车辆的出行链智能识别方法识别结果的准确性、可靠性和时效性。且相对于传统方式中通过人工调查方法进行数据采集，gps数据的获取具有高效率、低成本等优点。
21.步骤200、根据gps数据进行预处理，确定货运车辆的有效数据。
22.具体地，对获取的货运车辆的gps数据进行预处理（数据清洗），去除gps数据中的异常数据，以得到有效数据，从而避免异常数据影响后续步骤识别结果的准确性。
23.步骤300、根据有效数据进行聚类，确定货运车辆的停留点。
24.具体地，基于有效数据的时空特性进行数据挖掘，采用空间聚类的方法对一段时间（即第二预设时间阈值，后文介绍）位于一定区域内的货运车辆的连续轨迹点进行聚类（后文具体介绍），从而得到所有货运车辆相应的停留点信息。如此，相对于现有技术中采取基于速度的变化来判定识别停留点等信息时容易产生误差（因gps数据存在数据漂移等情况），本方法通过聚类方法来判定识别货运车辆的停留点等信息，提升了停留点等信息判定识别的准确性与可靠性。
25.步骤400、根据停留点进行用地属性识别，确定货运车辆的装卸货停驻点。
26.具体地，结合片区用地性质信息对每个停留点进行筛选，过滤掉异常停留（非装卸货停留）产生的停留点，以从货运车辆的所有停留点中确定装卸货停驻点，即确定货运车辆的装货位置和卸货位置。
27.步骤500、根据停留点和装卸货停驻点，确定货运车辆的出行链。
28.具体地，以货运车辆的装货位置和卸货位置为起讫点，结合货运车辆位于装货位置和卸货位置之间的停留点以及相应的时间信息，生成货运车辆的出行链，以用于货运需
求分析，为交通规划政策及货运节点的改造升级提供有力依据。
29.这样，本方法基于货运车辆的gps数据确定货运车辆的出行链，能够客观准确地提取出货运车辆的出行特征以用于城市（或其他区域）的货运需求分析，有助于决策者从宏观与微观角度去了解整个城市货运节点间的运行状况、把控货运出行对道路交通状况的影响，且根据本方法能够进一步统计出不同工业、物流片区之间的货运需求量，从而为交通仿真或四阶段宏观模型提供输入参数，为交通规划政策及城市货运节点的改造升级提供了有力依据。而且，在本方法中，对gps数据进行预处理，保证了所得有效数据的可靠性；通过聚类方法判定识别货运车辆的停留点等信息，提升了停留点等信息判定识别的准确性与可靠性；通过用地属性识别确定货运车辆所有停留点中的装卸货停驻点，保证了装卸货停驻点识别的准确且有效，使得本方法适用于城市货运需求分析；通过生成所有货运车辆的出行链用于城市货运需求分析，提升了采用本方法的货运需求分析的分析结果的准确性、可靠性和时效性。
30.可选地，步骤100包括：获取位于标定时间段内的货运车辆的gps数据，其中，gps数据包括货运车辆的车辆编号、定位时刻以及货运车辆位于定位时刻时的位置坐标、瞬时速度和方向角。
31.随着gps定位技术的发展与广泛使用，越来越多的公司与机构将其应用到交通运输行业之中。2014年交通部颁布了《道路运输车辆动态监督管理办法》，要求客运车辆、危险品运输车辆、拖挂车以及重型载货车辆必须安装、使用具有行驶记录仪的功能的车载卫星定位装置，并接入道路货运车辆公共的监管平台进行实时的动态监控。因此，本方法通过获取货运车辆的gps数据，为货运车辆的出行链识别提供了有效的数据支撑，提升了本方法识别结果的准确性、可靠性和时效性，从而提升了采用本方法的货运需求分析的准确性、可靠性和时效性。步骤100中，通过获取位于标定时间段（例如五天）内的货运车辆的gps数据以作为样本数据，用于货运需求分析，以在保证分析结果的可靠性的同时，减少数据分析运算量。而且，通过获取相应区域（例如城市）内的货运车辆的gps数据以作为样本数据，能够用于分析区域（例如城市）的货运需求。
32.可选地，步骤200包括：过滤gps数据中的时空异常数据、字段缺失数据、重复数据和漂移数据，得到货运车辆的有效数据。
33.具体地，基于gps数据包括货运车辆的车辆编号、定位时刻以及货运车辆位于定位时刻时的位置坐标、瞬时速度和方向角等信息，为避免异常数据影响后续步骤识别结果的准确性，本方法通过步骤200对步骤100获取的gps数据进行预处理（数据清洗），以去除gps数据中的时空异常数据、字段缺失数据、重复数据和漂移数据等异常数据，从而得到gps数据中的有效数据。其中，时空异常数据为时间与经纬度异常的数据，即不在研究时间（上述的标定时间段）内以及不在研究区域内的数据；例如，研究区域为中国时，货运车辆的位置坐标的经纬度应当是经度位于73
°
33
′
e 至 135
°
05
′
e之间，纬度位于3
°
51
′
n 至53
°
33
′
n之间，精度不在73
°
33
′
e 至 135
°
05
′
e之间或纬度不在3
°
51
′
n 至53
°
33
′
n之间的数据即为经纬度异常数据。对于字段缺失数据，由于在gps定位设备运行过程中，可能遇到货运车辆经过隧道、系统故障、天气恶劣等原因而导致部分gps数据上传时丢失的情况，进而使得获取得到的gps数据中存在缺失字段的字段缺失数据。对于重复数据，由于设备自身等原因在某
一时刻出现重复上传而产生重复数据，虽然重复数据对后续识别结果无影响，但其会严重影响效率，因此需要对此类数据进行查重并删除。对于漂移数据，由于发生货运车辆经过大型基站、电力设备或货运车辆低速行驶、停车等情况时可能发生数据漂移，使得货运车辆的gps数据中的位置信息等可能会产生大量的偏差，从而产生漂移数据。
34.可选地，结合图1、图2所示，步骤300具体包括以下步骤：步骤310、根据有效数据，确定货运车辆以第一预设时间阈值为间隔的记录时间戳，以及确定记录时间戳对应的货运车辆的轨迹点。
35.具体地，根据有效数据（其包括货运车辆的车辆编号、定位时刻以及货运车辆位于定位时刻时的位置坐标、瞬时速度和方向角等），在标定时间段（研究时间）内以第一预设时间阈值为间隔选定多个连续的记录时间戳（定位时刻），记录时间戳对应的货运车辆的位置坐标即为货运车辆位于该记录时间戳时的轨迹点。
36.步骤320、根据记录时间戳和轨迹点，对轨迹点进行聚类，确定货运车辆的停留点。
37.具体地，根据步骤320确定的记录时间戳和记录时间戳对应的轨迹点进行分析处理，将一段时间位于一定区域内的货运车辆的连续轨迹点进行聚类（后文介绍），从而得到所有货运车辆相应的停留点信息。通过聚类方法来判定识别货运车辆的停留点等信息，提升了停留点等信息判定识别的准确性与可靠性。
38.可选地，结合图1
‑
图3所示，步骤320具体包括以下步骤：步骤321、根据记录时间戳和轨迹点，确定轨迹点中的可能停留点，其中，可能停留点为距离小于预设距离阈值的相邻两个记录时间戳所对应的轨迹点。
39.具体地，根据货运车辆的gps数据中的车辆编号区分每辆货运车辆。将货运车辆的轨迹点按照对应的记录时间戳的时间先后顺序进行排序，依次分析排序后的货运车辆的轨迹点，确定货运车辆的距离小于预设距离阈值（例如100m）的相邻（记录时间戳相邻）两个记录时间戳所对应的轨迹点均为可能停留点。其中，两个轨迹点之间的距离可结合相应的位置坐标的经纬度进行计算。
40.步骤322、根据可能停留点，聚类连续的可能停留点为聚类簇。
41.具体地，根据步骤321得到的货运车辆（位于标定时间段内）的所有可能停留点，将连续的可能停留点记为聚类簇，其中，一个聚类簇中所有相邻（记录时间戳相邻）的两个记录时间戳所对应的轨迹点之间的距离均小于预设距离阈值，且该聚类簇端部的两个轨迹点（按时间先后顺序，位于聚类簇中首端和末端的两个轨迹点）均存在一个距离不小于预设距离阈值的相邻（记录时间戳相邻）轨迹点。如此，以得到货运车辆位于标定时间段内的所有聚类簇。
42.步骤323、当聚类簇的持续时间大于第二预设时间阈值时，确定聚类簇为停留点集合。
43.具体地，确定货运车辆位于标定时间段内的所有聚类簇中持续时间（即聚类簇中首端和末端的两个轨迹点对应的两个记录时间戳的间隔时长）大于第二预设时间阈值（例如30min）的聚类簇为停留点集合，也就是说，每个停留点集合的持续时间均大于第二预设时间阈值。如此，以将一段时间（第二预设时间阈值）位于一定区域内的货运车辆的连续轨迹点进行聚类，得到货运车辆所有的停留点集合。明显地，第二预设时间阈值大于第一预设时间阈值。本方法通过聚类方法判定识别的货运车辆的停留点等信息，具有极高的准确性
与可靠性。
44.可选地，结合图1
‑
图3所示，在步骤323之后，步骤320还包括以下步骤：步骤324、根据停留点集合内所有可能停留点的位置坐标计算平均值，得到停留点的位置坐标。
45.具体地，计算停留点集合中所有轨迹点的位置坐标（经纬度坐标）的平均值，得到的位置坐标即为该停留点集合对应停留点的位置坐标，如此，以确定货运车辆的所有停留点，以及确定所有货运车辆各自的所有停留点。
46.可选地，结合图1、图4和图5所示，步骤400具体包括以下步骤：步骤410、根据停留点进行空间聚类，确定常驻停留点。
47.由于每个物流公司都有稳定的供应商与成熟的供应链体系，绝大部分的货运车辆（例如重型货车、重型罐装车、牵引车、泥头车等）都有着固定的货源地与运输线路，因此，本方法采用动态的dbscan算法对每辆货运车辆标定时间段的相应数据进行空间聚类，挖掘出每辆货运车辆的常驻点并过滤掉非常驻点（例如司机休息、中途加油、交通拥堵甚至是车辆故障等原因产生的驻点等）。对每辆货运车辆的停留点采取基于密度的空间聚类（例如dbscan聚类），具体地，将全部样本点（即货运车辆位于标定时间段内的所有停留点）分为三类：核心点、边界点、噪声点。其中，如果一个样本点（停留点）在其半径eps（定义密度时的邻域半径）的范围内包含超过minpts（定义核心点时的最小样本点数）的样本，则该点为核心点；如果一个样本点不属于核心点，但是在核心点邻域eps范围内，则该点为边界点；如果一个样本点既不属于核心点又不属于边界点，则该点为噪声点。如此，通过dbscan聚类算法首先查询每个对象（停留点）的邻域，判断邻域内的对象数量是否大于minpts；如果是，则以该对象为核心对象，并搜索该对象的密度可达对象，产生一个新簇（常驻停留点）；如果对象是边界上对象，算法继续判断下一个对象。当两个簇集彼此很近时，需要将minpts设置为更高值来合并这两个簇。也就是说，步骤410中包括以下步骤：步骤411、从货运车辆位于标定时间段内的所有停留点中任意选取一个未被划分的停留点进行分类，如果该停留点不是核心点则继续选取停留点直到选到核心点为止，并将核心点领域内的全部样本划分为一个簇；步骤412、将簇集内其他样本进行分类，如果出现新的核心点，则继续将新的核心点的邻域内的全部样本归并到该簇中；步骤413、重复步骤412，不断扩大簇集的集合范围，直到簇集再无新增簇集；步骤414、重复步骤411、步骤412和步骤413直到货运车辆位于标定时间段内的所有停留点中所有的样本都被划分到某个簇或被标记为噪声点。
48.其中，步骤414最终划分的每个簇分别对应一个常驻停留点。在dbscan聚类中，重点是两个参数eps和minpts的标定。在一些实施例中，minpts动态设置为每辆货运车辆在5天内出现的记录天数，例如某辆货运车辆有3天在送货产生了gps数据，通常情况每天至少有1次往返于常驻点的货运出行，因此默认该货运车辆5天内在一个区域出现次数超过3次，该区域则为常驻停留点；区域的范围eps则是根据国标gb/t 21334
‑
2008《物流园区分类与基本要求》中提到的单个物流园区用地面积不得小于1平方公里，因此设置eps为1km。
49.这样，根据每辆货运车辆5天（标定时间段）内的全部停留点，统计每辆货运车辆有记录的天数，标定每辆货运车辆的minpts与eps值，对每辆货运车辆的全部停留点做dbscan
聚类，保留所有的聚类簇结果（常驻停留点）过滤掉无聚类的噪声点（偶然停留点，即在1公里范围内出现的次数少于预设阈值），不断循环直到全部货运车辆都完成聚类。
50.步骤420、获取用地属性数据，匹配常驻停留点和用地属性数据，确定常驻停留点的用地属性。
51.具体地，将步骤410识别出的常驻停留点，与片区用地属性数据进行空间匹配，以为每一个常驻停留点打上区域属性标签（工业、居住、商业、交通、仓储等），确定常驻停留点的区域属性。其中，获取用地属性数据可以是来自互联网（例如调用百度或高德地图接口获取）等第三方或人工进行一手调查与采集。在一些实施例中，上述的空间匹配可以用各种gis的工具实现，例如使用python相应代码调用geopandas的第三方插件实现。
52.步骤430、根据常驻停留点的用地属性，确定装卸货停驻点。
53.具体地，根据常驻停留点与片区用地属性数据的空间匹配结果，可以进一步过滤司机休息、中途加油、交通拥堵甚至是车辆故障等原因产生的驻点等，筛选出用地性质为工业、仓储、储备以及交通等的停留点，即得到装卸货停驻点。
54.可选地，结合图1、图6所示，步骤500具体包括以下步骤：步骤510、根据停留点，生成相邻停留点之间的出行信息。
55.具体地，将所有货运车辆标定时间段内的所有停留点按照货运车辆编号及相应时间信息进行分组与排序，生成每辆货运车辆所有相邻（时间上相邻）的两个停留点之间的出行信息。
56.步骤520、根据装卸货停驻点和出行信息，确定货运车辆的出行链。
57.具体地，以货运车辆的装货位置和卸货位置为起讫点，结合货运车辆位于装货位置和卸货位置之间的停留点以及相应的时间信息（步骤510生成的出行信息），生成货运车辆的出行链。如此，本方法基于货运车辆的gps数据确定货运车辆的出行链，能够客观准确地提取出货运车辆的出行特征以用于城市（或其他区域）的货运需求分析，有助于决策者从宏观与微观角度去了解整个城市货运节点间的运行状况、把控货运出行对道路交通状况的影响，且根据本方法能够进一步统计出不同工业、物流片区之间的货运需求量，从而为交通仿真或四阶段宏观模型提供输入参数，为交通规划政策及城市货运节点的改造升级提供了有力依据。
58.结合图7所示，本发明另一实施例提供一种货运车辆的出行链智能识别装置，包括：获取单元10，用于获取货运车辆的gps数据；计算识别单元20，用于根据gps数据进行预处理，确定货运车辆的有效数据；根据有效数据进行聚类，确定货运车辆的停留点；根据停留点进行用地属性识别，确定货运车辆的装卸货停驻点；以及根据停留点和装卸货停驻点，确定货运车辆的出行链。
59.这样，货运车辆的出行链智能识别装置通过获取单元10、计算识别单元20等结构的配合，保证了货运车辆的出行链智能识别方法能够顺利且稳定地执行。且货运车辆的出行链智能识别装置通过执行货运车辆的出行链智能识别方法，以基于货运车辆的gps数据确定货运车辆的出行链，能够客观准确地提取出货运车辆的出行特征以用于城市（或其他区域）的货运需求分析，有助于决策者从宏观与微观角度去了解整个城市货运节点间的运行状况、把控货运出行对道路交通状况的影响，且根据本方法能够进一步统计出不同工业、
物流片区之间的货运需求量，从而为交通仿真或四阶段宏观模型提供输入参数，为交通规划政策及城市货运节点的改造升级提供了有力依据。
60.本发明又一实施例提供一种电子设备，包括处理器和存储器，存储器存储有计算机程序，计算机程序被处理器执行时，实现如上的货运车辆的出行链智能识别方法。
61.这样，电子设备通过电子设备的处理器、存储器等结构的配合，以顺利且稳定地执行货运车辆的出行链智能识别方法，以基于货运车辆的gps数据确定货运车辆的出行链，能够客观准确地提取出货运车辆的出行特征以用于城市（或其他区域）的货运需求分析，有助于决策者从宏观与微观角度去了解整个城市货运节点间的运行状况、把控货运出行对道路交通状况的影响，且根据本方法能够进一步统计出不同工业、物流片区之间的货运需求量，从而为交通仿真或四阶段宏观模型提供输入参数，为交通规划政策及城市货运节点的改造升级提供了有力依据。
62.虽然本公开披露如上，但本公开的保护范围并非仅限于此。本领域技术人员在不脱离本公开的精神和范围的前提下，可进行各种变更与修改，这些变更与修改均将落入本发明的保护范围。