数据处理方法、装置、存储介质及服务器与流程

1.本技术涉电子计算机技术领域，尤其涉及一种数据处理方法、装置、存储介质及服务器。


背景技术：

2.现有的轨迹挖掘方案，大多是关于停留点的识别算法研究、客运行业的出租车上下客地点研究以及长途货车装卸货点研究。而关于同城货运场景货车装卸货点的识别算法研究，目前还处于空缺状态，然而同城货运行业对装卸货点识别的需求又越来越紧迫。
3.对于三方平台而言，同城货运具有代表性的运输轨迹是司机在平台确认接单，与客户电话确认订单后按约定时间前往订单起点，先在订单起点附近停车一段时间在平台确认到达并与客户电话确认实际装货点，然后前往实际装货点并停留一段时间装货，接着前往订单终点，同样在到达目的地后会停留一段时间在平台确认到达并与客户电话确认实际卸货点，然后前往实际卸货点并停留一段时间卸货。卸货完成后则会前往下一个订单的起点准备开始下一轮运输行程。可知，提高挖掘点为真实装卸点的占比，对提高碰面效率是有重要意义的。
4.目前三方平台用户在平台下单，部分订单在司机接单后根据用户下单时填写起点规划路线，并在到达起点前需要电话沟通用户进行人工导航，司机与用户货物碰面沟通成本大。在司机轨迹数据分析中发现，一是司机轨迹来自司机定位，大约5％的轨迹缺失率；二是司机确认装货点为真实装货点的比例为51％，司机确认卸货点为真实卸货点的比例为49％；三是用户下单起点为真实装货点的比例为13％，用户下单终点为真实装货点的比例为7％。可知，现有方案订单信息中装卸货位置信息的准确性较差。


技术实现要素：

5.本技术实施例提供一种数据处理方法、装置、存储介质及服务器，可提高真实位置点挖掘的准确性。
6.第一方面，本技术实施例提供一种数据处理方法，应用于货运场景下，包括：
7.获取订单数据和对应的行驶轨迹数据；
8.基于订单数据和司机操作数据，对所述行驶轨迹数据中轨迹点的时间和位置进行约束，从所述行驶轨迹数据中确定多个候选轨迹点；
9.对多个候选轨迹点进行聚类，得到多个聚类簇；
10.基于所述订单数据和所述司机操作数据，对所述多个聚类簇的簇中心点的位置进行约束，从多个聚类簇中确定出候选簇；
11.对司机在所述候选簇内各轨迹点上的停留时长、所述候选簇内各轨迹点的位置进行约束，从所述候选簇内的轨迹点中确定所述订单的目标起点。
12.第二方面，本技术实施例提供了另一种数据处理方法，应用于货运场景下，包括：
13.获取订单数据和对应的行驶轨迹数据；
14.基于订单数据和司机操作数据，对所述行驶轨迹数据中轨迹点的时间和位置进行约束，从所述行驶轨迹数据中确定多个候选轨迹点；
15.对多个候选轨迹点进行聚类，得到多个聚类簇；
16.基于所述订单数据和所述司机操作数据，对所述多个聚类簇的簇中心点的位置进行约束，从多个聚类簇中确定出候选簇；
17.对司机在所述候选簇内各轨迹点上的停留时长、所述候选簇内各轨迹点的位置进行约束，从所述候选簇内的轨迹点中确定所述订单的目标终点。
18.第三方面，本技术实施例提供了另一种数据处理装置，应用于货运场景下，包括：
19.第一获取单元，用于获取订单数据和对应的行驶轨迹数据；
20.第一确定单元，用于基于订单数据和司机操作数据，对所述行驶轨迹数据中轨迹点的时间和位置进行约束，从所述行驶轨迹数据中确定多个候选轨迹点；
21.第一聚类单元，用于对多个候选轨迹点进行聚类，得到多个聚类簇；
22.第二确定单元，用于基于所述订单数据和所述司机操作数据，对所述多个聚类簇的簇中心点的位置进行约束，从多个聚类簇中确定出候选簇；
23.第三确定单元，用于对司机在所述候选簇内各轨迹点上的停留时长、所述候选簇内各轨迹点的位置进行约束，从所述候选簇内的轨迹点中确定所述订单的目标起点。
24.第四方面，本技术实施例提供了另一种数据处理装置，应用于货运场景下，包括：
25.第二获取单元，用于获取订单数据和对应的行驶轨迹数据；
26.第四确定单元，用于基于订单数据和司机操作数据，对所述行驶轨迹数据中轨迹点的时间和位置进行约束，从所述行驶轨迹数据中确定多个候选轨迹点；
27.第二聚类单元，用于对多个候选轨迹点进行聚类，得到多个聚类簇；
28.第五确定单元，用于基于所述订单数据和所述司机操作数据，对所述多个聚类簇的簇中心点的位置进行约束，从多个聚类簇中确定出候选簇；
29.第六确定单元，用于对司机在所述候选簇内各轨迹点上的停留时长、所述候选簇内各轨迹点的位置进行约束，从所述候选簇内的轨迹点中确定所述订单的目标终点。
30.第五方面，本技术实施例还提供了一种计算机可读存储介质，所述存储介质中存储有多条指令，所述指令适于由处理器加载以执行上述的数据处理方法。
31.第六方面，本技术实施例还提供了一种服务器，包括处理器及存储器，所述处理器与所述存储器电性连接，所述存储器用于存储指令和数据，处理器用于执行上述的数据处理方法。
32.本技术实施例，基于订单数据和司机操作数据，对行驶轨迹数据中轨迹点的时间和位置进行约束，从行驶轨迹数据中确定多个候选轨迹点；对多个候选轨迹点进行聚类，得到多个聚类簇；基于订单数据和司机操作数据，对多个聚类簇的簇中心点的位置进行约束，从多个聚类簇中确定出候选簇；对司机在候选簇内各轨迹点上的停留时长、候选簇内各轨迹点的位置进行约束，从候选簇内的轨迹点中确定订单的目标起点或目标终点。本方案使用聚类算法和策略识别实际装卸货点，可以提升货运场景下真实位置点挖掘的准确性。
附图说明
33.为了更清楚地说明本技术实施例中的技术方案，下面将对实施例描述中所需要使
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技术的一些实施例，对于本领域技术人员来讲，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。
34.图1是本技术实施例提供的数据处理方法的流程示意图。
35.图2是本技术实施例提供的装卸货点挖掘系统的架构示意图。
36.图3是本技术实施例提供的数据处理方法的另一流程示意图。
37.图4是本技术实施例提供的数据处理装置的一结构示意图。
38.图5是本技术实施例提供的数据处理装置的一结构示意图。
39.图6是本技术实施例提供的电子设备的一结构示意图。
40.图7是本技术实施例提供的电子设备的另一结构示意图。
具体实施方式
41.下面将结合本技术实施例中的附图，对本技术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技术一部分实施例，而不是全部的实施例。基于本技术中的实施例，本领域技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本技术保护的范围。
42.目前业界货运场景下装卸货点识别基本都是基于货车监控数据分析车速、载重、车向变化，从而识别装卸货点，进而识别司机特定行为，为驾驶员推送配货信息，实现智能化配货。然而在三方货运平台发单进行同城货运服务场景下，一般可以获取的数据有司机定位信息、司机操作信息、其他订单信息。其中，司机操作确认的装货点为真实装货点的比例为51％，而这一比例在卸货点只有49％，用户下单起点为真实装货点的比例为13％，用户下单终点为真实装货点的比例为7％。因此，基于可获取数据挖掘真实装卸货点需要新方法。同时，挖掘点是真实装卸货点的占比越高，对用户推荐准确装卸货点的比例就越高，这对给发单用户提供装卸货点推荐服务、提高车货碰面效率、改善司乘体验有重要意义。
43.为了提高司机货物碰面效率，降低碰面成本，让更多的司机与用户选择并留存于平台，需要一种挖掘实际装卸货点的方法，进而生成真实装卸货点数据库，对用户提供装卸货点推荐服务。基于此，本技术实施例提供一种数据处理方法、装置、存储介质及服务器，结合用户订单数据、司机操作数据及行驶轨迹数据对真实装卸货点进行识别挖掘，可提高货运接单过程中的定点率。
44.在一实施例中，提供一种数据处理方法，应用服务器中。参考图1，该数据处理方法的具体流程可以如下：
45.101、获取订单数据和对应的行驶轨迹数据。
46.本方案应用于货运场景下。具体的，订单数据指用户通过电子设备中安装的货运app、小程序或网页所发起货运需求的相关数据，例如用户基本信息(如姓名、联系方式)、货运基本信息(如货运起点、货运终点、运货时间、货物明细等等)。
47.102、基于订单数据和司机操作数据，对所述行驶轨迹数据中轨迹点的时间和位置进行约束，从行驶轨迹数据中确定多个候选轨迹点。行驶轨迹数据指本次货运过程中的实际行驶路线数据和行驶时间数据。
48.在一实施方式中，在基于订单数据和司机操作数据，对行驶轨迹数据中轨迹点的
时间和位置进行约束，从行驶轨迹数据中确定多个候选轨迹点时，具体可以包括以下流程：
49.根据司机操作数据、所述行驶轨迹数据中各轨迹点的时间、及第一时间约束条件，确定订单轨迹的起点路段；
50.根据订单数据、所述司机操作数据、所述起点路段中各轨迹点的位置、起点路段中各轨迹点的时间、第一距离约束条件及第二时间约束条件，从起点路段中确定多个候选轨迹点。
51.在一实施方式中，司机操作数据包括：司机确认接单时间和司机确认到达起点时间。在根据司机操作数据、轨迹数据中各轨迹点的时间、及第一时间约束条件，确定订单轨迹的起点路段时，具体可以基于轨迹数据中各轨迹点的时间，选取司机确认接单时间对应的轨迹点、及司机确定到达起点前指定时间段内的轨迹点，作为订单轨迹的起点路段。
52.在一实施方式中，订单数据包括：订单起点，司机操作数据包括：司机确认接单时间、司机确认到达起点时间、司机确认装货点。在根据订单数据、所述司机操作数据、起点路段中各轨迹点的位置、起点路段中各轨迹点的时间、第一距离约束条件及第二时间约束条件，从起点路段中确定多个候选轨迹点时，具体可以包括以下流程：
53.基于行驶轨迹数据中各轨迹点与订单起点的距离、或者行驶轨迹数据中各轨迹点与司机确认装货点的距离，从起点路段中筛选出满足第一距离约束条件的轨迹点；
54.基于所筛选出的轨迹点的时间与司机确认装货时间的时间差、及所筛选出的轨迹点的时间与司机确认到达起点时间的时间差，从所筛选出的轨迹点中确定出时间差满足第二时间约束条件的轨迹点，作为候选轨迹点。
55.103、对多个候选轨迹点进行聚类，得到多个聚类簇。
56.具体的，可以用基于密度聚类方法dbscan分别对装卸货候选轨迹点进行聚类，最小样本量n为2，ε-邻域半径eps为0.00009。
57.104、基于订单数据和所述司机操作数据，对多个聚类簇的簇中心点的位置进行约束，从多个聚类簇中确定出候选簇。
58.在一实施方式中，订单数据可包括：订单起点，所述司机操作数据包括：司机确认装货完成点。在基于订单数据和所述司机操作数据，对所述多个聚类簇的簇中心点的位置进行约束，从多个聚类簇中确定出候选簇时，具体可包括以下流程：
59.获取簇中心点与订单起点的第一距离、及簇中心点与司机确认装货完成点的第二距离；
60.分别根据第一距离和第二距离对多个聚类簇进行排序，得到第一排序结果和第二排序结果；
61.分别根据第一排序结果和第二排序结果，从多个聚类簇中筛选出排序满足第一排序约束条件的聚类簇；
62.将筛选出的聚类簇、及司机确认装货完成点所在的聚类簇，作为候选簇。
63.105、对司机在候选簇内各轨迹点上的停留时长、候选簇内各轨迹点的位置进行约束，从候选簇内的轨迹点中确定订单的目标起点。
64.在一实施方式中，从候选簇内的轨迹点中确定所述订单的目标起点时，可以分别获取所述候选簇内各轨迹点与订单起点的第三距离、候选簇内各轨迹点与司机确认装货点的第四距离、候选簇内各轨迹点与司机确认装货完成点的第五距离；获取所述停留时长与
第三距离的第一比值、停留时长与第四距离的第二比值、停留时长与第五距离的第三比值。最后，基于第一比值、第二比值及第三比值，从候选簇内的轨迹点中确定订单的目标起点。
65.在一实施方式中，在基于第一比值、第二比值及第三比值，从候选簇内的轨迹点中确定所述订单的目标起点时，首先，可基于第一比值、第二比值、所述第三比值及预设评分策略，对所述候选簇内的轨迹点中的轨迹点进行打分。然后，根据打分结果，从候选簇内的轨迹点中筛选出分数最高的轨迹点，确为订单的目标起点。
66.同理，在一实施例中，对于轨迹订单目标终点的挖掘和识别，可参考上述逻辑策略。也即，还提供另一种数据处理方法，具体可以如下：
67.获取订单数据和对应的行驶轨迹数据；
68.基于订单数据和司机操作数据，对行驶轨迹数据中轨迹点的时间和位置进行约束，从行驶轨迹数据中确定多个候选轨迹点；
69.对多个候选轨迹点进行聚类，得到多个聚类簇；
70.基于订单数据和司机操作数据，对多个聚类簇的簇中心点的位置进行约束，从多个聚类簇中确定出候选簇；
71.对司机在候选簇内各轨迹点上的停留时长、候选簇内各轨迹点的位置进行约束，从候选簇内的轨迹点中确定订单的目标终点。
72.具体的，在挖掘目标终点时，订单数据可以包括：用户基本信息(如姓名、联系方式)、货运基本信息(如货运起点、货运终点、运货时间、货物明细等等)。用户操作数据可以包括：司机确认到达终点时间、司机确认完单时间、司机确认的卸货点信息、司机确认的卸货完成点信息。
73.由上可知，本实施例提供的数据处理方法，基于订单数据和司机操作数据，对行驶轨迹数据中轨迹点的时间和位置进行约束，从行驶轨迹数据中确定多个候选轨迹点；对多个候选轨迹点进行聚类，得到多个聚类簇；基于订单数据和司机操作数据，对多个聚类簇的簇中心点的位置进行约束，从多个聚类簇中确定出候选簇；对司机在候选簇内各轨迹点上的停留时长、候选簇内各轨迹点的位置进行约束，从候选簇内的轨迹点中确定订单的目标起点或目标终点。本方案使用聚类算法和策略识别实际装卸货点，可以提升货运场景下真实位置点挖掘的准确性。
74.在本技术又一实施例中，还提供一种实际装卸货点挖掘系统。参考图2，该系统架构可以包括：电子设备、通信设备、以及服务器设备。通信设备服务用于联通服务器与终端设备，提供数据交互链路；该通信设备可以通过但不限于以下设备实现：无线网络(wifi/4g/5g)、有线网络、卫星通讯等。
75.具体的，用户可使用电子设备通过通信设备与服务器完成数据发送与接收的交互操作。服务器和电子设备中可运行软件程序实现数据发送、数据接收、数据处理、数据展示、模型构建、模型预测等任务。
76.电子设备包括但不限于电脑、手机、平板等智能终端设备，可以通过通信设备接收来自服务器设备的数据。该电子设备中可安装货运app，用户可通过app下单形成货运订单，司机可通过电子设备中安装的app接受货运订单，并根据订单信息到达货运起点执行货运作业。本实施例中，服务器泛指服务器设施，可以是单个独立服务器或服务器集群，可通过在服务器中运行相应程序实现模型构建和部署。
77.服务器通过系统软件与应用软件提供基础服务能力，在此基础上，服务器提供了货运实际装卸货点的挖掘能力。在本方案中，参考图3，服务器可实现如下功能：
78.步骤一、数据的清洗与处理
79.(11)轨迹数据分段：取司机确认接单时间和司机确认到达起点前20min时间的较晚时间作为订单轨迹的起点，取司机确认完单后过20min的时间和司机确认卸货完成后20min时间的较早时间作为订单轨迹的终点，然后通过司机id与时间将订单数据与轨迹数据进行关联。
80.具体的，司机轨迹数据按时间存储，轨迹数据di＝{driver_id，loactioni，ti}，i＝1，2，
…
，m，其中driver_id为司机代号，loactioni＝{loni，lati}，loni为某时刻ti(例如“2021-12-1713:13:13”)位置的经度，lati为某时刻ti位置的纬度；订单数据order＝{order_id，driver_id，o_order_t，o_order_loaction，o_arrived_t，o_loading_t，o_loading_location，o_loaded_t，o_loaded_location，d_order_t，d_order_loaction，d_arrived_t，d_unloading_t，d_unloading_location，d_complete_t，d_complete_location}，其中order_id为司机代号，o_order_t，o_order_loaction分别为用户下单起点的时间和位置，o_arrived_t，o_loading_t，o_loading_location，o_loaded_t，o_loaded_location分别为司机确认的到达起点时间、装货开始时间和位置、装货完成时间和位置，d_order_t，d_order_loaction分别为用户下单终点的时间和位置，d_arrived_t，d_unloading_t，d_unloading_location，d_complete_t，d_complete_location分别为司机确认的到达终点时间、卸货开始时间和位置、订单完成时间和位置。取司机确认接单时间和司机确认到达起点前一段时间(如20min)的较晚时间作为订单轨迹的起点，取司机确认完单后过一段时间(如20min)的时间和司机确认卸货完成后一段时间(如20min)的较早时间作为订单轨迹的终点，然后通过司机id与时间将订单数据与轨迹数据进行关联。
81.(12)由于gps的定位精度和信号强度问题，部分司机轨迹中轨迹点漂移等情况。由于轨迹采集数据存在一定时间间隔，因此可通过计算轨迹点分别和前后轨迹点距离之和与前后轨迹点直线距离比例是否合理来进行判断。若超过设定比值，则轨迹数据出现漂移，将视为噪声数据进行剔除。
82.(13)订单数据中记录的用户和司机操作位置与时间，排除操作时间与操作顺序不符的数据。例如司机确认到达起点时间晚于确认装货开始时间，这是不符合操作顺序逻辑的。
83.(14)轨迹装卸货分类：筛选距离用户下单起点或司机确认装货点一定距离范围(如500m)内，且轨迹点时间与司机确认的装货时间、到达起点时间相差指定时长(如10min)内，标记为装货点候选轨迹点。同理，筛选距离用户下单终点或司机确认卸货点一定距离范围(如500m)内，且轨迹点时间与司机确认的卸货时间、到达终点时间相差指定时长(如10min)内，标记为卸货点候选轨迹点。
84.步骤二、对装卸货点进行判别
85.(21)用基于密度聚类方法dbscan分别对装卸货候选轨迹点进行聚类，最小样本量n为2，ε-邻域半径eps为0.00009，点簇中心点作为候选点位，进入后续打分阶段。
86.(22)由于有部分轨迹存在司机找路，间隔很久后重复轨迹点，若用簇内点位时间差值计算停留时间，则存在错误。因此，假设轨迹采集间隔时间为n秒，则停留时间的计算方
法可设为点簇的个数乘以n秒。
87.(23)选取聚类簇中心点与司机确认装货完成点距离最近的前三点位、簇中心点与用户下单起点距离最近的点位以及司机确认装货完成点作为实际装货点的候选点位；同理完成实际卸货点候选点位的选取。
88.(24)通过max{候选点位停留时长/(候选点位与用户下单起点距离)，候选点位停留时长/(候点位与司机确认装货开始点距离)，候选点位停留时长/(点位与司机确认装货完成点距离)}，给每个候选点位打分，取分数最高的一个点位作为装货点的挖掘点。同理可完成卸货点的判别，即max{候选点位停留时长/(候选点位与用户下单终点距离)，候选点位停留时长/(候点位与司机确认卸货开始点距离)，候选点位停留时长/(点位与司机确认卸货完成点距离)}，按照相同策略给每个候选点位打分，取分数最高的一个点位作为卸货点的挖掘点。
89.步骤三、效果评估
90.(31)计算人工标注装卸货点与上述挖掘算法输出的装卸货点的距离。
91.(32)计算各距离定点率。其中，装货地定点率为装货地挖掘点与装货地人工标注点距离一定范围(如30m)内的点个数与全部标注点个数的比值；卸货地定点率为卸货地挖掘点与卸货地人工标注点距离一定范围(如30m)内的点个数与全部标注点个数的比值。
92.可知，本方案结合了用户订单数据、行驶轨迹数据和司机操作数据对真实装货点和卸货点进行识别挖掘，可提高货运接单过程中的定点率。
93.在本技术又一实施例中，还提供一种数据处理装置。该数据处理装置可以软件或硬件的形式集成在服务器中。如图4所示，该数据处理装置200可以包括：第一获取单元201、第一确定单元202、第一聚类单元203、第二确定单元204和第三确定单元205，其中：
94.第一获取单元201，用于获取订单数据和对应的行驶轨迹数据；
95.第一确定单元202，用于基于订单数据和司机操作数据，对所述行驶轨迹数据中轨迹点的时间和位置进行约束，从所述行驶轨迹数据中确定多个候选轨迹点；
96.第一聚类单元203，用于对多个候选轨迹点进行聚类，得到多个聚类簇；
97.第二确定单元204，用于基于所述订单数据和所述司机操作数据，对所述多个聚类簇的簇中心点的位置进行约束，从多个聚类簇中确定出候选簇；
98.第三确定单元205，用于对司机在所述候选簇内各轨迹点上的停留时长、所述候选簇内各轨迹点的位置进行约束，从所述候选簇内的轨迹点中确定所述订单的目标起点。
99.在一实施方式中，第一确定单元202用于：
100.根据所述司机操作数据、所述行驶轨迹数据中各轨迹点的时间、及第一时间约束条件，确定订单轨迹的起点路段；
101.根据所述订单数据、所述司机操作数据、所述起点路段中各轨迹点的位置、所述起点路段中各轨迹点的时间、第一距离约束条件及第二时间约束条件，从所述起点路段中确定多个候选轨迹点。
102.在一实施方式中，所述司机操作数据包括：司机确认接单时间和司机确认到达起点时间；在根据所述司机操作数据、所述行驶轨迹数据中各轨迹点的时间、及第一时间约束条件，确定订单轨迹的起点路段时，第一确定单元202具体用于：
103.基于所述行驶轨迹数据中各轨迹点的时间，选取司机确认接单时间对应的轨迹
点、及司机确定到达起点前指定时间段内的轨迹点，作为订单轨迹的起点路段。
104.在一实施方式中，所述订单数据包括：订单起点，所述司机操作数据包括：司机确认接单时间、司机确认到达起点时间、司机确认装货点；在根据所述订单数据、所述司机操作数据、所述起点路段中各轨迹点的位置、所述起点路段中各轨迹点的时间、第一距离约束条件及第二时间约束条件，从所述起点路段中确定多个候选轨迹点时，第一确定单元202具体用于：
105.基于所述行驶轨迹数据中各轨迹点与所述订单起点的距离、或者所述行驶轨迹数据中各轨迹点与所述司机确认装货点的距离，从所述起点路段中筛选出满足第一距离约束条件的轨迹点；
106.基于所筛选出的轨迹点的时间与司机确认装货时间的时间差、及所筛选出的轨迹点的时间与司机确认到达起点时间的时间差，从所筛选出的轨迹点中确定出时间差满足第二时间约束条件的轨迹点，作为所述候选轨迹点。
107.在一实施方式中，所述订单数据包括：订单起点，所述司机操作数据包括：司机确认装货完成点；第二确定单元204用于：
108.获取簇中心点与订单起点的第一距离、及簇中心点与司机确认装货完成点的第二距离；
109.分别根据第一距离和第二距离对所述多个聚类簇进行排序，得到第一排序结果和第二排序结果；
110.分别根据第一排序结果和第二排序结果，从多个聚类簇中筛选出排序满足第一排序约束条件的聚类簇；
111.将筛选出的聚类簇、及司机确认卸货完成点所在的聚类簇，作为候选簇。
112.在一实施方式中，第三确定单元205用于：
113.分别获取所述候选簇内各轨迹点与订单起点的第三距离、所述候选簇内各轨迹点与司机确认装货点的第四距离、所述候选簇内各轨迹点与司机确认装货完成点的第五距离；
114.获取所述停留时长与所述第三距离的第一比值、所述停留时长与所述第四距离的第二比值、所述停留时长与所述第五距离的第三比值；
115.基于所述第一比值、所述第二比值及所述第三比值，从所述候选簇内的轨迹点中确定所述订单的目标起点。
116.在一实施方式中，在基于所述第一比值、所述第二比值及所述第三比值，从所述候选簇内的轨迹点中确定所述订单的目标起点时，第三确定单元205进一步用于：
117.基于所述第一比值、所述第二比值、所述第三比值及预设评分策略，对所述候选簇内的轨迹点中的轨迹点进行打分；
118.根据打分结果，从所述候选簇内的轨迹点中筛选出分数最高的轨迹点，确为所述订单的目标起点。
119.由上可知，本技术实施例提供的数据处理装置，基于订单数据和司机操作数据，对行驶轨迹数据中轨迹点的时间和位置进行约束，从行驶轨迹数据中确定多个候选轨迹点；对多个候选轨迹点进行聚类，得到多个聚类簇；基于订单数据和司机操作数据，对多个聚类簇的簇中心点的位置进行约束，从多个聚类簇中确定出候选簇；对司机在候选簇内各轨迹
点上的停留时长、候选簇内各轨迹点的位置进行约束，从候选簇内的轨迹点中确定订单的目标起点。本方案使用聚类算法和策略识别实际装货点，可以提升货运场景下真实位置点挖掘的准确性。
120.在本技术又一实施例中，还提供一种数据处理装置。该数据处理装置可以软件或硬件的形式集成在服务器中。如图5所示，该数据处理装置300可以包括：第二获取单元301、第四确定单元302、第二聚类单元303、第五确定单元304和第六确定单元305，其中：
121.第一获取单元301，用于获取订单数据和对应的行驶轨迹数据；
122.第四确定单元302，用于基于订单数据和司机操作数据，对所述行驶轨迹数据中轨迹点的时间和位置进行约束，从所述行驶轨迹数据中确定多个候选轨迹点；
123.第二聚类单元303，用于对多个候选轨迹点进行聚类，得到多个聚类簇；
124.第五确定单元304，用于基于所述订单数据和所述司机操作数据，对所述多个聚类簇的簇中心点的位置进行约束，从多个聚类簇中确定出候选簇；
125.第六确定单元305，用于对司机在所述候选簇内各轨迹点上的停留时长、所述候选簇内各轨迹点的位置进行约束，从所述候选簇内的轨迹点中确定所述订单的目标起点。
126.在一实施方式中，第四确定单元302用于：
127.根据所述司机操作数据、所述行驶轨迹数据中各轨迹点的时间、及第一时间约束条件，确定订单轨迹的终点路段；
128.根据所述订单数据、所述司机操作数据、所述终点路段中各轨迹点的位置、所述终点路段中各轨迹点的时间、第一距离约束条件及第二时间约束条件，从所述终点路段中确定多个候选轨迹点。
129.在一实施方式中，所述司机操作数据包括：司机确认完单时间和司机确认到达终点时间；在根据所述司机操作数据、所述行驶轨迹数据中各轨迹点的时间、及第一时间约束条件，确定订单轨迹的终点路段时，第四确定单元302具体用于：
130.基于所述行驶轨迹数据中各轨迹点的时间，选取司机确认完单时间对应的轨迹点、及司机确定到达终点前指定时间段内的轨迹点，作为订单轨迹的终点路段。
131.在一实施方式中，所述订单数据包括：订单终点，所述司机操作数据包括：司机确认完单时间、司机确认到达终点时间、司机确认卸货点；在根据所述订单数据、所述司机操作数据、所述终点路段中各轨迹点的位置、所述终点路段中各轨迹点的时间、第一距离约束条件及第二时间约束条件，从所述终点路段中确定多个候选轨迹点时，第四确定单元302具体用于：
132.基于所述行驶轨迹数据中各轨迹点与所述订单终点的距离、或者所述行驶轨迹数据中各轨迹点与所述司机确认卸货点的距离，从所述终点路段中筛选出满足第一距离约束条件的轨迹点；
133.基于所筛选出的轨迹点的时间与司机确认卸货时间的时间差、及所筛选出的轨迹点的时间与司机确认到达终点时间的时间差，从所筛选出的轨迹点中确定出时间差满足第二时间约束条件的轨迹点，作为所述候选轨迹点。
134.在一实施方式中，所述订单数据包括：订单终点，所述司机操作数据包括：司机确认卸货完成点；第五确定单元304用于：
135.获取簇中心点与订单终点的第一距离、及簇中心点与司机确认卸货完成点的第二
距离；
136.分别根据第一距离和第二距离对所述多个聚类簇进行排序，得到第一排序结果和第二排序结果；
137.分别根据第一排序结果和第二排序结果，从多个聚类簇中筛选出排序满足第一排序约束条件的聚类簇；
138.将筛选出的聚类簇、及司机确认卸货完成点所在的聚类簇，作为候选簇。
139.在一实施方式中，第六确定单元305用于：
140.分别获取所述候选簇内各轨迹点与订单终点的第三距离、所述候选簇内各轨迹点与司机确认卸货点的第四距离、所述候选簇内各轨迹点与司机确认卸货完成点的第五距离；
141.获取所述停留时长与所述第三距离的第一比值、所述停留时长与所述第四距离的第二比值、所述停留时长与所述第五距离的第三比值；
142.基于所述第一比值、所述第二比值及所述第三比值，从所述候选簇内的轨迹点中确定所述订单的目标终点。
143.在一实施方式中，在基于所述第一比值、所述第二比值及所述第三比值，从所述候选簇内的轨迹点中确定所述订单的目标终点时，第六确定单元305进一步用于：
144.基于所述第一比值、所述第二比值、所述第三比值及预设评分策略，对所述候选簇内的轨迹点中的轨迹点进行打分；
145.根据打分结果，从所述候选簇内的轨迹点中筛选出分数最高的轨迹点，确为所述订单的目标终点。
146.由上可知，本技术实施例提供的数据处理装置，基于订单数据和司机操作数据，对行驶轨迹数据中轨迹点的时间和位置进行约束，从行驶轨迹数据中确定多个候选轨迹点；对多个候选轨迹点进行聚类，得到多个聚类簇；基于订单数据和司机操作数据，对多个聚类簇的簇中心点的位置进行约束，从多个聚类簇中确定出候选簇；对司机在候选簇内各轨迹点上的停留时长、候选簇内各轨迹点的位置进行约束，从候选簇内的轨迹点中确定订单的目标终点。本方案使用聚类算法和策略识别实际卸货点，可以提升货运场景下真实位置点挖掘的准确性。
147.在本技术又一实施例中还提供一种服务器。如图6所示，服务器400包括处理器401和存储器402。其中，处理器401与存储器402电性连接。
148.处理器401是服务器400的控制中心，利用各种接口和线路连接整个服务器的各个部分，通过运行或加载存储在存储器402内的应用，以及调用存储在存储器402内的数据，执行服务器的各种功能和处理数据，从而对服务器进行整体监控。
149.在一实施例中，服务器400中的处理器401会按照如下的步骤，将一个或一个以上的应用的进程对应的指令加载到存储器402中，并由处理器401来运行存储在存储器402中的应用，从而实现各种功能：
150.获取订单数据和对应的行驶轨迹数据；
151.基于订单数据和司机操作数据，对所述行驶轨迹数据中轨迹点的时间和位置进行约束，从所述行驶轨迹数据中确定多个候选轨迹点；
152.对多个候选轨迹点进行聚类，得到多个聚类簇；
153.基于所述订单数据和所述司机操作数据，对所述多个聚类簇的簇中心点的位置进行约束，从多个聚类簇中确定出候选簇；
154.对司机在所述候选簇内各轨迹点上的停留时长、所述候选簇内各轨迹点的位置进行约束，从所述候选簇内的轨迹点中确定所述订单的目标起点。
155.在一实施方式中，在基于订单数据和司机操作数据，对所述行驶轨迹数据中轨迹点的时间和位置进行约束，从所述行驶轨迹数据中确定多个候选轨迹点时，处理器401可以执行以下操作：
156.根据所述司机操作数据、所述行驶轨迹数据中各轨迹点的时间、及第一时间约束条件，确定订单轨迹的起点路段；
157.根据所述订单数据、所述司机操作数据、所述起点路段中各轨迹点的位置、所述起点路段中各轨迹点的时间、第一距离约束条件及第二时间约束条件，从所述起点路段中确定多个候选轨迹点。
158.在一实施方式中，所述司机操作数据包括：司机确认接单时间和司机确认到达起点时间；在根据所述司机操作数据、所述行驶轨迹数据中各轨迹点的时间、及第一时间约束条件，确定订单轨迹的起点路段时，处理器401可以执行以下操作：
159.基于所述行驶轨迹数据中各轨迹点的时间，选取司机确认接单时间对应的轨迹点、及司机确定到达起点前指定时间段内的轨迹点，作为订单轨迹的起点路段。
160.在一实施方式中，所述订单数据包括：订单起点，所述司机操作数据包括：司机确认接单时间、司机确认到达起点时间、司机确认卸货点；在根据所述订单数据、所述司机操作数据、所述起点路段中各轨迹点的位置、所述起点路段中各轨迹点的时间、第一距离约束条件及第二时间约束条件，从所述起点路段中确定多个候选轨迹点时，处理器401可以执行以下操作：
161.基于所述行驶轨迹数据中各轨迹点与所述订单起点的距离、或者所述行驶轨迹数据中各轨迹点与所述司机确认卸货点的距离，从所述起点路段中筛选出满足第一距离约束条件的轨迹点；
162.基于所筛选出的轨迹点的时间与司机确认卸货时间的时间差、及所筛选出的轨迹点的时间与司机确认到达起点时间的时间差，从所筛选出的轨迹点中确定出时间差满足第二时间约束条件的轨迹点，作为所述候选轨迹点。
163.在一实施方式中，所述订单数据包括：订单起点，所述司机操作数据包括：司机确认卸货完成点；在基于所述订单数据和所述司机操作数据，对所述多个聚类簇的簇中心点的位置进行约束，从多个聚类簇中确定出候选簇时，处理器401可以执行以下操作：
164.获取簇中心点与订单起点的第一距离、及簇中心点与司机确认装货完成点的第二距离；
165.分别根据第一距离和第二距离对所述多个聚类簇进行排序，得到第一排序结果和第二排序结果；
166.分别根据第一排序结果和第二排序结果，从多个聚类簇中筛选出排序满足第一排序约束条件的聚类簇；
167.将筛选出的聚类簇、及司机确认装货完成点所在的聚类簇，作为候选簇。
168.在一实施方式中，在基于订单数据和司机操作数据，对所述行驶轨迹数据中轨迹
点的时间和位置进行约束，从所述行驶轨迹数据中确定多个候选轨迹点时，处理器401具体可以执行以下操作：
169.根据所述司机操作数据、所述行驶轨迹数据中各轨迹点的时间、及第一时间约束条件，确定订单轨迹的起点路段；
170.根据所述订单数据、所述司机操作数据、所述起点路段中各轨迹点的位置、所述起点路段中各轨迹点的时间、第一距离约束条件及第二时间约束条件，从所述起点路段中确定多个候选轨迹点。
171.在一实施方式中，司机操作数据包括：司机确认接单时间和司机确认到达起点时间；在根据所述司机操作数据、所述行驶轨迹数据中各轨迹点的时间、及第一时间约束条件，确定订单轨迹的起点路段时，处理器401具体可以执行以下操作：
172.基于所述行驶轨迹数据中各轨迹点的时间，选取司机确认接单时间对应的轨迹点、及司机确定到达起点前指定时间段内的轨迹点，作为订单轨迹的起点路段。
173.或者，在一实施例中，服务器400中的处理器401会按照如下的步骤，将一个或一个以上的应用的进程对应的指令加载到存储器402中，并由处理器401来运行存储在存储器402中的应用，从而实现各种功能：
174.获取订单数据和对应的行驶轨迹数据；
175.基于订单数据和司机操作数据，对所述行驶轨迹数据中轨迹点的时间和位置进行约束，从所述行驶轨迹数据中确定多个候选轨迹点；
176.对多个候选轨迹点进行聚类，得到多个聚类簇；
177.基于所述订单数据和所述司机操作数据，对所述多个聚类簇的簇中心点的位置进行约束，从多个聚类簇中确定出候选簇；
178.对司机在所述候选簇内各轨迹点上的停留时长、所述候选簇内各轨迹点的位置进行约束，从所述候选簇内的轨迹点中确定所述订单的目标终点。
179.存储器402可用于存储应用和数据。存储器402存储的应用中包含有可在处理器中执行的指令。应用可以组成各种功能模块。处理器401通过运行存储在存储器402的应用，从而执行各种功能应用以及数据处理。
180.在一些实施例中，如图7所示，服务器400还包括：显示屏403、控制电路404、射频电路405、输入单元406以及电源407。其中，处理器401分别与显示屏403、控制电路404、射频电路405、输入单元406以及电源407电性连接。
181.显示屏403可用于显示由用户输入的信息或提供给用户的信息以服务器的各种图形用户接口，这些图形用户接口可以由图像、文本、图标、视频和其任意组合来构成。
182.控制电路404与显示屏403电性连接，用于控制显示屏403显示信息。
183.射频电路405用于收发射频信号，以通过无线通信与电子设备或其他服务器构建无线通讯，与电子设备或其他服务器之间收发信号。
184.输入单元406可用于接收输入的数字、字符信息或用户特征信息(例如指纹)，以及产生与用户设置以及功能控制有关的键盘、鼠标、操作杆、光学或者轨迹球信号输入。其中，输入单元406可以包括指纹识别模组。
185.电源407用于给服务器400的各个部件供电。在一些实施例中，电源407可以通过电源管理系统与处理器401逻辑相连，从而通过电源管理系统实现管理充电、放电、以及功耗
管理等功能。
186.尽管图7中未示出，服务器400还可以包括扬声器、蓝牙模块、摄像头等，在此不再赘述。
187.由上可知，本技术实施例提供的服务器，基于订单数据和司机操作数据，对行驶轨迹数据中轨迹点的时间和位置进行约束，从行驶轨迹数据中确定多个候选轨迹点；对多个候选轨迹点进行聚类，得到多个聚类簇；基于订单数据和司机操作数据，对多个聚类簇的簇中心点的位置进行约束，从多个聚类簇中确定出候选簇；对司机在候选簇内各轨迹点上的停留时长、候选簇内各轨迹点的位置进行约束，从候选簇内的轨迹点中确定订单的目标起点或目标终点。本方案使用聚类算法和策略识别实际装卸货点，可以提升货运场景下真实位置点挖掘的准确性。
188.在一些实施例中，还提供了一种计算机可读存储介质，该存储介质中存储有多条指令，该指令适于由处理器加载以执行上述任一数据处理方法。
189.本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，该程序可以存储于一计算机可读存储介质中，存储介质可以包括：只读存储器(rom，read only memory)、随机存取记忆体(ram，random access memory)、磁盘或光盘等。
190.以上对本技术实施例所提供的数据处理方法、装置、存储介质及服务器进行了详细介绍，本文中应用了具体个例对本技术的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本技术的方法及其核心思想；同时，对于本领域的技术人员，依据本技术的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本技术的限制。