一种融合货车轨迹和POI数据的货源地识别方法技术

本发明专利技术公开了一种融合货车轨迹和POI数据的货源地识别方法，包括以下步骤:获取货车运行轨迹数据，所述货车运行轨迹数据进行数据预处理获得特征数据集合，所述特征数据集合包括某一地点经停的车辆数、某一地点车辆的平均速度以及某一地点车辆的平均停留时间，所述特征数据集合通过数据分析获得车辆经过点位特征集，所述车辆经过点位特征集进行筛选获得货主普遍特征集，根据货主普遍特征集统计分析获得所需货主地理位置信息。本方法基于货车轨迹数据的分析，可以得到货车的行驶轨迹规律，从而发现这些货车服务的货主信息和服务规律，解决了不能大范围的进行货车出行端点识别以及出行端点准确率低的问题，以便于企业更好的进行后续的服务和管理。后续的服务和管理。后续的服务和管理。

【技术实现步骤摘要】
一种融合货车轨迹和POI数据的货源地识别方法


[0001]本专利技术涉及交通大数据和智能交通领域，尤其涉及一种融合货车轨迹和POI数据的货源地识别方法。

技术介绍

[0002]随着技术的发展，货车车载设备基于大数据服务提供了海量的货车轨迹数据资源，这些轨迹数据记录了货车的经纬度信息，时间信息、行驶速度等信息，但由于目前物流行业信息化程度较低，这些数据并没有得到充分的分析利用。关于货车轨迹数据的研究，现阶段国内研究及应用较少，常见的研究应用方向是利用车辆的轨迹数据对乘客的出行时间、需求量空间分布进行预测和估计；公共交通工具的轨迹数据一般与刷卡数据结合研究，对乘客的出行特征进行识别研究，识别上下车站点的应用现阶段比较成熟。而有关利用车辆轨迹数据识别车辆的出行端点的研究一直处于起步阶段。现存对货运车辆的轨迹数据分析判断货运车辆行驶路径情况，利用GIS技术将轨迹点捕捉到含有拓扑关系的临近路段，通过最短路径算法生成车辆沿道路的线型轨迹，最终获得完整的货运车辆出行轨迹数据，然而该方法依然只适合小范围、数据量较小的情况下的交通调查，不适合应用于现在的大数据分析，同时该方法所获取的货运出行端点准确率较低。
[0003]现有人们利用货运卡车轨迹数据，确定了货运卡车停留点，结合货运卡车行驶规律与城市主要物流节点位置，分析得到了城市主要物流节点区域的货车出行端点数据，对该数据进行结构分析，从而获得了城市物流空间、时间特征，但是该方法所适用的区域较小，而且需要已知货运卡车主要起讫点位置，当货运卡车经过的地区增多时，很难将该区域所有可能的位置进行标注，故很难将该方法应用于大范围的货车出行端点识别。
[0004]现有技术还包括如何利用货运卡车轨迹数据提取OD信息方法，该方法基于货运卡车停车速度阈值的确定识别出了货运卡车运行轨迹中的停车点，最后用地图匹配方法提取出了货运OD点，对OD点聚类后分析了城市群发展现状。该方法有一定的局限性，无法得到停留点的物流有关信息，如：到达车辆数量、停留时间等，这导致只能对结果进行宏观分析，无法对该地货主的物流情况进行具体分析。
[0005]国内还有一些专利技术研究虽然实现了车辆停靠点的识别，但是无法识别真正货主位置信息。停车点包含很多种，如：加油站、收费站、服务区等，这些都会对真正的货主信息进行干扰，也使得整个数据分析过程要复杂许多。
[0006]国外对于货车轨迹数据研究起步较早，但是目前也没有相关完善的研究方法。用已知的休息站和加油站信息来识别车辆轨迹数据中的休息、加油等行为，然而，随着研究区域规模的扩大，由其他原因导致的停车事件所对应的停车点的综合数据变得越来越难以分辨。人们目前采用三个变量(货运卡车的停留时间、到道路网络的距离以及航向变化量)的组合识别货运卡车的行程结束点，在轨迹数据中，小的航向变化表明车辆进行了二次停车，因为这种变化是为了方便货运卡车沿着通往目的地的路线行驶而发生的。然而，航向变化变量可能受到道路拓扑结构的影响(例如弯道)而导致错误的分类，因此该方法在识别货运
卡车行程终点的实际应用中存在着准确率低的问题。
[0007]综上所述，随着技术的发展，货车车载设备基于大数据服务提供了海量的货车轨迹数据资源，由于目前物流行业信息化程度较低，这些数据并没有得到充分的分析利用，且不能从复杂庞大的地理位置数据信息中去除非货主地理位置数据，保留货主地理位置数据，在识别货运卡车行程终点的实际应用中存在着准确率低的问题。

技术实现思路

[0008]本专利技术提供一种融合货车轨迹和POI数据的货源地识别方法，以克服基于大数据服务提供的大量货车轨迹数据资源，不能从复杂庞大的地理位置数据信息中去除非货主地理位置数据，保留货主地理位置数据，在识别货运卡车行程终点的实际应用中存在准确率低的问题。
[0009]为了实现上述目的，本专利技术的技术方案是：
[0010]一种融合货车轨迹和POI数据的货源地识别方法，包括：
[0011]步骤1：获取货车运行轨迹数据，所述货车运行轨迹数据至少包括车辆车牌号、车辆行驶里程数、货车行驶的经纬度、货车行驶时间以及货车行驶速度；
[0012]步骤2：根据所述货车运行轨迹数据进行数据预处理获得特征数据集合，所述特征数据集合包括某一地点经停的车辆数、某一地点车辆的平均速度以及某一地点车辆的平均停留时间；
[0013]步骤3：根据所述特征数据集合通过数据分析获得车辆经过点位特征集，所述车辆经过点位特征集包括货车在高速路路段的行驶速度、货车在城镇道路路段的行驶速度、货车在乡村道路上的行驶速度、货车停车装卸货物造成的停车地点、货车司机在途吃饭、休息的停留地点、货车加油地点以及交通拥堵或车祸造成的停车地点以及由于城市道路的交通收费造成的停车地点、车辆等待红绿灯造成的停车地点；
[0014]步骤4：根据所述车辆经过点位特征集进行筛选获得货主普遍特征集；所述货主普遍特征集包括货车滞留时间大于预设时间值的地点、货车行驶速度小于预设速度值的地点、经过货车数量大于预设车辆数的地点；
[0015]步骤5：对所述货主普遍特征集进行统计分析所需货主地理位置信息，进而获得货源地识别的查询信息。
[0016]进一步的，所述货车运行轨迹数据通过货车车载定位设备及GPS路测获得。
[0017]进一步的，所述步骤2中数据预处理包括数据结构化处理、数据过滤处理及数据特征提取，具体步骤为：
[0018]步骤2.1：对所述货车运行轨迹数据进行数据结构化处理，即基于所述货车运行轨迹数据进行整理归类获得初始货车运行轨迹数据；
[0019]步骤2.2：对初始货车运行轨迹数据进行数据过滤处理，即基于初始货车运行轨迹数据进行去除残缺数据、重复数据以及噪点获得优化货车运行轨迹数据；
[0020]步骤2.3：对所述优化货车运行轨迹数据进行数据特征提取，即基于所述优化货车运行轨迹数据进行特征提取获得特征数据集合，所述特征数据集合包括某一地点经停的车辆数、某一地点车辆的平均速度以及某一地点车辆的平均停留时间。
[0021]进一步的，步骤3中根据所述特征数据集合通过数据分析获得所述车辆经过点位
特征集，具体步骤为：
[0022]步骤3.1：采用降维方式对所述特征数据集合进行降维处理，即基于所述特征数据集合将高维的特征数据运用主成分分析法降维成二维数据，
[0023]步骤3.2：对所述二维数据进行归一化处理，即基于所述二维数据进行归一化处理获得优化轨迹数据，所述优化轨迹数据综合所述特征数据集合的特征；
[0024]步骤3.3：基于高斯混合聚类法对所述优化轨迹数据进行聚类，假设待聚类的所述优化轨迹数据是一个多高斯分布的混合体，可以分为k个类簇,此处将所述类簇分为必要类簇与补充类簇，所述必要类簇包括货车在高速路路段高速行驶；货车在城镇道路路段正常行驶；货车在乡村道路上慢速行驶；货车停车装卸货造成的停车点；货车司机在途吃饭、休息；货车加油点；交通拥堵等造成的停车点；由于城市道路的交通收费、车辆等待红绿灯等造成本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种融合货车轨迹和POI数据的货源地识别方法，其特征在于，包括：步骤1：获取货车运行轨迹数据，所述货车运行轨迹数据至少包括车辆车牌号、车辆行驶里程数、货车行驶的经纬度、货车行驶时间以及货车行驶速度；步骤2：根据所述货车运行轨迹数据进行数据预处理获得特征数据集合，所述特征数据集合包括某一地点经停的车辆数、某一地点车辆的平均速度以及某一地点车辆的平均停留时间；步骤3：根据所述特征数据集合通过数据分析获得车辆经过点位特征集，所述车辆经过点位特征集包括货车在高速路路段的行驶速度、货车在城镇道路路段的行驶速度、货车在乡村道路上的行驶速度、货车停车装卸货物造成的停车地点、货车司机在途吃饭、休息的停留地点、货车加油地点以及交通拥堵或车祸造成的停车地点以及由于城市道路的交通收费造成的停车地点、车辆等待红绿灯造成的停车地点；步骤4：根据所述车辆经过点位特征集进行筛选获得货主普遍特征集；所述货主普遍特征集包括货车滞留时间大于预设时间值的地点、货车行驶速度小于预设速度值的地点、经过货车数量大于预设车辆数的地点；步骤5：对所述货主普遍特征集进行统计分析所需货主地理位置信息，进而获得货源地识别的查询信息。2.根据权利要求1所述的一种融合货车轨迹和POI数据的货源地识别方法，其特征在于，所述货车运行轨迹数据通过货车车载定位设备及GPS路测获得。3.根据权利要求1所述的一种融合货车轨迹和POI数据的货源地识别方法，其特征在于，所述步骤2中数据预处理包括数据结构化处理、数据过滤处理及数据特征提取，具体步骤为：步骤2.1：对所述货车运行轨迹数据进行数据结构化处理，即基于所述货车运行轨迹数据进行整理归类获得初始货车运行轨迹数据；步骤2.2：对初始货车运行轨迹数据进行数据过滤处理，即基于初始货车运行轨迹数据进行去除残缺数据、重复数据以及噪点获得优化货车运行轨迹数据；步骤2.3：对所述优化货车运行轨迹数据进行数据特征提取，即基于所述优化货车运行轨迹数据进行特征提取获得特征数据集合，所述特征数据集合包括某一地点经停的车辆数、某一地点车辆的平均速度以及某一地点车辆的平均停留时间。4.根据权利要求1所述的一种融合货车轨迹和POI数据的货源地识别方法，其特征在于，步骤3中根据所述特征数据集合通过数据分析获得所述车辆经过点位特征集，具体步骤为：步骤3.1：采用降维方式对所述特征数据集合进行降维处理，即基于所述特征数据集合将高维的特征数据运用主成分分析法降维成二维数据，步骤3.2：对所述二维数据进行归一化处理，即基于所述二维数据进行归一化处理获得优化轨迹数据，所述优化轨迹数据保留所述特征数据集合的特征；步骤3.3：基于高斯混合聚类法对所述优化轨迹数据进行聚类，假设待聚类的所述优化轨迹数据是一个多高斯分布的混合体，可以分为k个类簇,此处将所述类簇分为必要类簇与补充类簇，所述必要类簇包括货车在高速路路段高速行驶；货车在城镇道路路段正常行驶；货车在乡村道路上慢速行驶；货车停车装卸货造成的停车点；货车司机在途吃饭、休息；货
车加油点；交通拥堵等造成的停车点；由于城市道路的交通收费、车辆等待红绿灯造成的停车点，所述补充类簇可根据用户实际需要进行补充使用，每各类簇样本服从一个高...

【专利技术属性】
技术研发人员：贾鹏，王宗尧，匡海波，孙思远，张圆生，杨彦博，刘芳名，
申请(专利权)人：大连海事大学，
类型：发明
国别省市：