基于货车行驶轨迹的典型行业物流分析方法及系统与流程

1.本发明涉及基于计算机处理的物流强度分析技术领域，尤其涉及基于货车行驶轨迹的典型行业物流分析方法及系统。


背景技术：

2.目前，摸清典型行业的货品流量流向的方法主要包括两种：一是调查问询法，即通过对典型企业发放问询表格，逐一调查企业的货运规模、产品主要运输方向和运输方式；二是高速公路联网收费数据分析法，即通过对高速公路联网收费数据进行分析，识别货车起终点，还原货车运行轨迹，推算货运流量，分析流向。
3.现有的摸清货品流量流向的方法存在问题如下：调查问询法存在工作量大、效率低、耗时长等缺点，调查结果准确率低，不能为规划管理部门提供精准的数据支撑，难以形成有效的分析结论；高速公路联网收费数据分析法存在仅能分析所有货物运输的总流量，不能区分货品进行货运特征分析的技术问题。
4.鉴于此，有必要提供一种基于货车行驶轨迹的典型行业物流分析方法，以解决或至少缓解上述缺陷。


技术实现要素：

5.本发明的主要目的是提供一种基于货车行驶轨迹的典型行业物流分析方法，旨在解决现有的采用调查问询下摸清货品流量流向，存在工作量大、调查结果准确率低的技术问题。
6.为实现上述目的，本发明提供了一种基于货车行驶轨迹的典型行业物流分析方法，包括如下步骤：s10，获取目标地区内且处于历史目标时间段的具有预设载重的所有载货货车的轨迹数据集；s20，对轨迹数据集进行数据清洗和数据处理，获取每个载货货车的完整出行链，完整出行链具有出行链起点和出行链终点；s30，获取目标地区内典型行业对应的头部企业的企业空间位置信息和企业预设物流辐射范围值，根据企业空间位置信息和企业预设物流辐射范围值确定每一个头部企业的货运空间关联位置范围，所有的头部企业的货运空间关联位置范围的数据集合组成典型行业对应的头部企业的货运空间关联位置范围数据集；s40，确定空间位置在货运空间关联位置范围数据集内的出行链起点为重货运输起点，确定空间位置在货运空间关联位置范围数据集内的出行链终点为重货运输终点； s50，融合重货运输起点、重货运输终点以及货运空间关联位置范围，根据重货运输起点和重货运输终点在货运空间关联位置范围的出现频数确定典型行业在目标地区内的实际物流强度。
7.进一步地，还包括步骤： s60，获取处于目标地区内的研究区域，获取研究区域内的各个交通设施节点的节点空间位置标准信息，所有的节点空间位置标准信息的数据集合组成节点空间位置标准信息数据集；
s70，采用公式计算任意的交通设施节点i对应的节点物流强度，其中，i点为交通设施节点的位置点，o点为重货运输起点，d点为重货运输终点，重货运输起点和重货运输终点组成运行轨迹为（o，d）的载货货车记为，运行轨迹为（o，d）的载货货车的集合记为，为运行轨迹为（i，d）的载货货车，运行轨迹为（i，d）的载货货车集合记为为运行轨迹为（o，i）的载货货车，运行轨迹为（o，i）的载货货车集合记为，运行轨迹为（o，d）的载货货车的最大承载载重记为，r为载货货车的平均载重率。
8.进一步地，步骤s60具体包括：获取处于目标地区内的研究区域，获取研究区域内的各个交通设施节点的节点空间位置初始信息；对节点空间位置初始信息进行数据清洗和数据处理从节点空间位置初始信息中确定节点空间位置标准信息，节点空间位置标准信息包括包括每一个交通设施节点对应的节点唯一标识、节点类别、节点等级、节点经纬度，所有的节点空间位置标准信息的数据集合组成节点空间位置标准信息数据集。
9.进一步地，还包括步骤：s80，获取处于目标地区内的各目标行政区内重货运输起点的出现频数，确定典型行业对应的货物运输的主要流出区域集合（）；s90，获取处于目标地区内的各目标行政区的重货运输终点的出现频数，确定典型行业对应的货物运输的主要流入区域集合（）；遍历主要流出区域集合（）和主要流入区域集合（），获取目标行政区的层级的所有货物运输流入流出组合（），其中，为货物运输的流出集合，为货物运输的流入集合，，。
10.进一步地，还包括步骤：采用公式计算获取典型行业对应的头部企业的日均货运行为频数，其中，为从至货物运输行为的货车集合， 为集合中的第k辆货车，为集合中的第k辆货车在历史目标研究时间段内完成从至货物运输行为的频数，t为载货货车的运行轨迹跨越的天数。
11.进一步地，还包括步骤：采用公式计算获取其中一个载货货车的运行轨迹对应的日均货物运输量m，其中，为从至货物运输行为的货车集合，为集合中的第k辆货车，为集合中的第k辆货车在历史目标研究时间段内完成从至货物运输行为的频数，t为载货货车的运行轨迹跨越的天数，为载货货车的最大载重量，r为载货货车的平均载重率。
12.进一步地，步骤s30具体包括：获取目标地区内的企业数据信息，企业数据信息包括企业名称、企业类型、企业注册资金、企业地址信息以及企业经营范围；根据企业经营范围确定与典型行业关联的企业为拟定企业；基于企业注册资金采用一维k-means算法将拟定企业按规模分类，从拟定企业中确定与典型行业关联的头部企业；将头部企业的企业数据信息融合至地理地图兴趣数据，获取头部企业的厂房空间面域数据，通过厂房空间面域
数据确定头部企业的企业空间位置信息；根据企业空间位置信息和企业预设物流辐射范围值确定每一个头部企业的货运空间关联位置范围，所有的头部企业的货运空间关联位置范围的数据集合组成典型行业对应的头部企业的货运空间关联位置范围数据集。
13.进一步地，若目标地区内的实际物流强度超过预设强度，则发出在对应的目标地区处增设货车司机服务站、加油站、停车设施、服务设施的提示信息。
14.本发明还提供一种基于货车行驶轨迹的物流分析系统，包括存储器、处理器以及存储在存储器内并可在处理器上运行的计算机程序，计算机程序被处理器执行时，实现如上述的基于货车行驶轨迹的典型行业物流分析方法的步骤。
15.与现有技术相比，本发明具有以下优点：本发明提供了一种基于货车行驶轨迹的典型行业物流分析方法，通过在获取目标地区内且处于历史目标时间段的具有预设载重的所有载货货车的轨迹数据集后，对轨迹数据集进行数据处理和数据清洗，进而获取每个载货货车的出行链起点和出行链终点，其中出行链起点和出行链终点为载货货车完整出行链的起终点；然后通过获取所述目标地区内典型行业对应的头部企业的企业空间位置信息和企业预设物流辐射范围值，确定每一个所述头部企业的货运空间关联位置范围，获取典型行业对应的所述头部企业的货运空间关联位置范围数据集；通过确定空间位置在所述货运空间关联位置范围数据集内的所述出行链起点为重货运输起点，确定空间位置在所述货运空间关联位置范围数据集内的所述出行链终点为重货运输终点；最后融合所述重货运输起点、所述重货运输终点以及所述货运空间关联位置范围，根据所述重货运输起点和所述重货运输终点在所述货运空间关联位置范围的出现频数确定所述典型行业在所述目标地区内的实际物流强度，实现了依据采集到的全国货运平台提供的载货货车的轨迹数据集、依据获取到的货运空间关联位置范围数据集，进行数据处理后确定典型行业在所述目标地区内的实际物流强度，能为规划管理部门提供精准的数据支撑，解决了现有的采用调查问询下摸清货品流量流向，存在工作量大、调查结果准确率低的技术问题。
附图说明
16.为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有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发明的一些实施例，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示出的结构获得其他的附图。
17.图1为本发明的一实施例的基于货车行驶轨迹的典型行业物流分析方法的流程示意图；图2为本发明的另一实施例的基于货车行驶轨迹的典型行业物流分析方法的流程示意图；图3为本发明的再一实施例的基于货车行驶轨迹的典型行业物流分析方法的流程示意图；图4为本发明再一实施例的各个行政中心的货运关系的示意图。
18.本发明目的的实现、功能特点及优点将结合实施方式，参照附图做进一步说明。
具体实施方式
19.下面将结合本发明实施方式中的附图，对本发明实施方式中的技术方案进行清楚、完整地描述，显然，所描述的实施方式仅仅是本发明的一部分实施方式，而不是全部的实施方式。基于本发明中的实施方式，本领域普通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方式，都属于本发明保护的范围。
20.并且，本发明各个实施方式之间的技术方案可以相互结合，但是必须是以本领域普通技术人员能够实现为基础，当技术方案的结合出现相互矛盾或无法实现时应当认为这种技术方案的结合不存在，也不在本发明要求的保护范围之内。
21.请参阅附图1，本发明的一实施例提供了一种基于货车行驶轨迹的典型行业物流分析方法，包括如下步骤：s10，获取目标地区内且处于历史目标时间段的具有预设载重的所有载货货车的轨迹数据集；s20，对所述轨迹数据集进行数据清洗和数据处理，获取每个所述载货货车的完整出行链，所述完整出行链具有出行链起点和出行链终点；s30，获取所述目标地区内典型行业对应的头部企业的企业空间位置信息和企业预设物流辐射范围值，根据所述企业空间位置信息和所述企业预设物流辐射范围值确定每一个所述头部企业的货运空间关联位置范围，所有的所述头部企业的货运空间关联位置范围的数据集合组成所述典型行业对应的所述头部企业的货运空间关联位置范围数据集；s40，确定空间位置在所述货运空间关联位置范围数据集内的所述出行链起点为重货运输起点，确定空间位置在所述货运空间关联位置范围数据集内的所述出行链终点为重货运输终点；s50，融合所述重货运输起点、所述重货运输终点以及所述货运空间关联位置范围，根据所述重货运输起点和所述重货运输终点在所述货运空间关联位置范围的出现频数确定所述典型行业在所述目标地区内的实际物流强度本发明提供了一种基于货车行驶轨迹的典型行业物流分析方法，通过在获取目标地区内且处于历史目标时间段的具有预设载重的所有载货货车的轨迹数据集后，对轨迹数据集进行数据处理和数据清洗，进而获取每个载货货车的出行链起点和出行链终点，其中出行链起点和出行链终点为载货货车完整出行链的起终点；然后通过获取所述目标地区内典型行业对应的头部企业的企业空间位置信息和企业预设物流辐射范围值，确定每一个所述头部企业的货运空间关联位置范围，获取典型行业对应的所述头部企业的货运空间关联位置范围数据集；通过确定空间位置在所述货运空间关联位置范围数据集内的所述出行链起点为重货运输起点，确定空间位置在所述货运空间关联位置范围数据集内的所述出行链终点为重货运输终点；最后融合所述重货运输起点、所述重货运输终点以及所述货运空间关联位置范围，根据所述重货运输起点和所述重货运输终点在所述货运空间关联位置范围的出现频数确定所述典型行业在所述目标地区内的实际物流强度，实现了依据采集到的全国货运平台提供的载货货车的轨迹数据集、依据获取到的货运空间关联位置范围数据集，进行数据处理后确定典型行业在所述目标地区内的实际物流强度，能为规划管理部门提供精准的数据支撑，解决了现有的采用调查问询下摸清货品流量流向，存在工作量大、调查结果准确率低的技术问题。
22.可以理解地，本发明中，目标地区可以是某一国家（例如中国），也可以是某一国家的某个省份或者直辖市（例如湖南省或重庆等）；历史目标时间段可以是一年，也可以是一个月或者其他时间等，历史目标时间段可以根据实际需求进行设置；预设载重可以是预设12吨及其以上，也可以是预设20吨及其以上，预设载重可以根据实际需求进行设置。
23.可以理解地，根据每个载货货车的轨迹数据，可以确定单个载货货车的完整出行链，完整出行链具有出行链起点和出行链终点。本发明中，可以基于出行链起点和出行链终点的经纬度关联轨迹数据坐标系；可以基于地理信息系统使货运空间关联位置范围关联地理信息数据坐标系，最后在关联轨迹数据坐标系与地理信息数据坐标系后，确定空间位置在所述货运空间关联位置范围数据集内的所述出行链起点为重货运输起点，确定空间位置在所述货运空间关联位置范围数据集内的所述出行链终点为重货运输终点，融合所述重货运输起点、所述重货运输终点以及所述货运空间关联位置范围，根据所述重货运输起点和所述重货运输终点在所述货运空间关联位置范围的出现频数确定所述典型行业在所述目标地区内的实际物流强度。其中，重货运输起点和所述重货运输终点在所述货运空间关联位置范围的出现频率越高，典型行业在所述目标地区内的实际物流强度越大。
24.可以理解地，典型行业可以是某个特定产业，例如冷链产业、工程机械产业、钢铁产业以及农产品产业等；头部企业为典型行业中重要性靠前的企业。
25.进一步地，请参考图2，在本发明的另一实施例中，还包括步骤s60，获取处于所述目标地区内的研究区域，获取所述研究区域内的各个交通设施节点的节点空间位置标准信息，所有的所述节点空间位置标准信息的数据集合组成节点空间位置标准信息数据集；s70，采用公式计算任意的所述交通设施节点i对应的节点物流强度，其中，i点为所述交通设施节点的位置点，o点为所述重货运输起点，d点为所述重货运输终点，所述重货运输起点和所述重货运输终点组成运行轨迹为（o，d）的所述载货货车记为，所述运行轨迹为（o，d）的所述载货货车的集合记为，为所述运行轨迹为（i，d）的所述载货货车，所述运行轨迹为（i，d）的所述载货货车集合记为为所述运行轨迹为（o，i）的所述载货货车，所述运行轨迹为（o，i）的所述载货货车集合记为，所述运行轨迹为（o，d）的所述载货货车的最大承载载重记为，r为所述载货货车的平均载重率。
26.可以理解地，交通设施节点包括港口转运节点、火车站转运节点以及机场站转运节点。交通设施节点数据记载了公、水、铁、空不同行业交通设施节点的基本信息，水路记录的关键节点为港口，铁路记录的关键节点为火车站，航空记录的关键节点为机场。分析可知，如果载货货车的货车轨迹的起点或终点落在不同交通运输方式的交通设施节点辐射范围内，交通设施节点本身并不具备产生或消化重要货物的能力或这种能力较低，若起点或终点落在港口转运节点辐射范围内，则将该轨迹视为公水联运/铁水联运的货运轨迹组成部分；起点或终点落在火车站转运节点辐射范围内的轨迹视为公铁联运/铁航联运，起点或终点落在机场站转运节点辐射范围内的视为公空联运/铁空联运。通过上述分析，可以精准地获取任意所述交通设施节点i对应的节点物流强度，进而准确判断所述目标地区内每一个交通设施节点对典型行业运输起到的具体作用。
27.可选地，研究区域可以国家，也可以是国家中的一个省份，还可以是某个省份的其中一个市（例如湖南省的长沙市）或多个市。可以理解地，通过上述步骤，可以分析得到如表1所示的节点物流强度。
28.表1
序号节点名称节点类别节点经度节点纬度平均物流强度（万吨/天）
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
进一步地，获取处于所述目标地区内的研究区域，获取所述研究区域内的各个交通设施节点的节点空间位置初始信息；对所述节点空间位置初始信息进行数据清洗和数据处理从所述节点空间位置初始信息中确定节点空间位置标准信息，所述节点空间位置标准信息包括包括每一个所述交通设施节点对应的节点唯一标识、节点类别、节点等级、节点经纬度，所有的所述节点空间位置标准信息的数据集合组成节点空间位置标准信息数据集。
29.进一步地，请参考图3，在本发明的再一实施例中，为了便于获取典型行业的货运空间联系特征，还包括步骤：s80，获取处于所述目标地区内的各目标行政区内所述重货运输起点的出现频数，确定所述典型行业对应的货物运输的主要流出区域集合（）；s90，获取处于所述目标地区内的各目标行政区的所述重货运输终点的出现频数，确定所述典型行业对应的货物运输的主要流入区域集合（）；遍历所述主要流出区域集合（）和所述主要流入区域集合（），获取所述目标行政区的层级的所有货物运输流入流出组合（），其中，为货物运输的流出集合，为货物运输的流入集合，，。
30.可选地，针对于典型行业的货运空间联系特征，可以分省（sh）、市（si）、县（xi）（流入区域和流出区域）三级分别统计典型行业货运起终点频数，识别分层级的主要货运联系区域，得到典型行业货物运输流向表，并结合货车轨迹数据统计每个流向情况下的主要运输指标。具体地，请参考图4，本发明中通过获取湖南省各市州的行政中心，判断各个行政中心的货运关系。
31.进一步地，还包括步骤：采用公式计算获取典型行业对应的头部企业的日均货运行为频数，其中，为从至货物运输行为的货车集合， 为集合中的第k辆货车，为集合中的第k辆货车在历史目标研究时间段内完成从至货物运输行为的频数，t为载货货车的运行轨迹跨越的天数。
32.进一步地，还包括步骤：采用公式计算获取其中一个载货货车的运行轨迹对应的日均货物运输量m，其中，为从至货物运输行为的货车集合，为集合中的第k辆货车，为集合中的第k辆货车在历史目标研究时间段内完成从至货物运输行为的频数，t为载货货车的运行轨迹跨越的天数，为载货货车的最大载重量，r为载货货车的平均载重率。
33.可以理解地，通过上述步骤，可以分析得到如表2所示的货物运输流向表。
34.表2
进一步地，所述步骤s30具体包括：获取所述目标地区内的企业数据信息，所述企业数据信息包括企业名称、企业类型、企业注册资金、企业地址信息以及企业经营范围；根据所述企业经营范围确定与所述典型行业关联的企业为拟定企业；基于所述企业注册资金采用一维k-means算法将所述拟定企业按规模分类，从所述拟定企业中确定与所述典型行业关联的头部企业；将所述头部企业的企业数据信息融合至地理地图兴趣数据，获取所述头部企业的厂房空间面域数据，通过所述厂房空间面域数据确定所述头部企业的企业空间位置信息；根据所述企业空间位置信息和所述企业预设物流辐射范围值确定每一个所述头部企业的货运空间关联位置范围，所有的所述头部企业的货运空间关联位置范围的数据集合组成所述典型行业对应的所述头部企业的货运空间关联位置范围数据集。
35.可选地，首先对初始的企业数据进行数据预处理。由于初始的企业数据中记录字段较多，部分字段与货品流量流向相关性不强，因此需要对初始数据进行清洗，数据经过清洗后不仅能提高挖掘分析的准确性，同时有助于降低运算难度、节约计算资源。在具体实施时：第一步，删除无关字段，初始的企业数据中包含14个字段，并不是所有字段在货品流量流向分析中均需要用到，故仅从中提取公司名称、注册资本、公司类型、地址信息、经营范围共5个字段进行分析；第二步，删除缺失数据，空值在数据挖掘和分析中为无效数据，在客观上不利于数据分析效率的提升，甚至可能导致错误的分析结果，因此，定位数据中的空值，并删除含空值的整条数据；第三部，数据标准化，标准化主要是针对注册资本、地址信息两个字段而言。注册资本中，原数据存在“元、万元”等不同单位以及单位缺失等问题，需将单位统一为万元；地址信息中，原数据格式不统一，例如“慈利县零阳镇琵琶村5组”缺少省级和市级地址，“湖南省桑植县刘家坪乡新阳村”缺市级地址等。为方便后续进行aoi、poi匹配，需要将地址格式统一为“省—市（州）—区（县）—街道（乡镇）—门牌号”。首先将原数据根据目标格式拆成“省、市（州）、区（县）、街道（乡镇）、门牌号”五级地址；然后根据五级地址是否齐全判断地址是否需要进行标准化，筛选出需要进行标准化的行数据；最后对于筛选出的行数据，提取公司名称，利用python语言中的selenium、beautifulsoup等模块从百度地图网页批量提取公司具体地址，按照目标格式储存。处理后的企业数据字段情况如表3所示的企业信息数据。
36.表3具体地，实施典型行关联的业头部企业的筛选和空间化操作如下：筛选典型行业
对应的企业数据信息企业数据。上述步骤中初步对企业数据进行了字段标准化，明确了企业的经营类别、企业类型、注册资金、地址信息、经营范围等基本信息。对经营范围字段进行关键词检索和语义分类，提取拟研究行业的企业数据；行业内企业数据分类，筛选头部企业。本方法应用一维k-means算法对企业数据进行分类，目的是将企业按规模分类，以便提取各行业内主要的生产企业。以企业注册资金信息为分类依据字段，优点是可以依据数据自身分布特点进行分类，相似性越高的数据对象越有可能被分在一个类别，重点是要不停调整分类数（k），以方差拟合优度（gvf）指标判定分类效果好坏，比较得到最优分类结构。
37.其中，sdam是原始数据的方差，sdcm是每一类方差的和。sdam是一个常数，而sdcm、gvf与分类数有关，随着值增大，sdcm值减小，gvf值增大，一定范围内，gvf越大，分类效果越好，当等于时，，，考虑到值不能太大，本方法取
ꢀꢀ
时的值为分类数量；头部企业数据空间化，目的是得到头部企业实际生产空间的空间面域数据，首先基于头部企业地址信息进行空间索引和模糊定位。企业数据缺少精确的空间定位信息，因此选用地址信息作为空间定位依据，匹配得到较为准确的企业空间定位点，然后将头部企业定位点匹配至aoi、poi数据。其中，poi通常称作兴趣点，泛指互联网电子地图中的点类数据，基本包含名称、地址、坐标、类别四个属性；aoi叫兴趣面，aoi相比于poi，除了名称、类型等信息外，多了一个边界坐标列表。将上一步骤得到的企业空间点与aoi、poi数据进行叠加，综合企业名称、经营类别、poi类别、aoi类别等信息进行匹配，进一步提高企业空间数据的精度。考虑到期望输出是企业面数据，且poi、aoi数据空间定位精度较地址信息定位数据更高，匹配过程中数据选用的优先级为：aoi＞poi＞基于地址信息空间索引得到的企业点；最后对整理得到的企业点数据进行影像叠加和面域提取。叠加现势性较高的遥感影像，以企业点数据为定位中心，解译和提取企业厂房空间面域数据。其中，poi数据主要字段如表4所示。
38.表4进一步地，若所述目标地区内的实际物流强度超过预设强度，则发出在对应的所述目标地区处增设货车司机服务站、加油站、停车设施、服务设施的提示信息。在具体实施时，若所述目标地区内的实际物流强度超过预设强度，增设或改善交通通道、货运枢纽、货运服务设施。
39.本发明还提供一种基于货车行驶轨迹的物流分析系统，包括存储器、处理器以及
存储在所述存储器内并可在所述处理器上运行的计算机程序，所述计算机程序被所述处理器执行时，实现上述的基于货车行驶轨迹的典型行业物流分析方法的步骤。
40.本发明的上述技术方案中，以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是在本发明的技术构思下，利用本发明说明书及附图内容所作的等效结构变换，或直接/间接运用在其他相关的技术领域均包括在本发明的专利保护范围。