一种车辆类型识别方法及装置制造方法及图纸

本申请提供一种车辆类型识别方法及装置，该方法包括：获取云端平台数据并进行预处理，得到预处理数据；对预处理数据进行分析，得到停车点信息

【技术实现步骤摘要】
一种车辆类型识别方法及装置


[0001]本申请涉及数据处理
，具体而言，涉及一种车辆类型识别方法及装置
。

技术介绍

[0002]目前，随着互联网的不断发展，网约车服务也越来越普及
。
由于网约车的经营性质，使其日常风险显著高于其他车辆，安全事件层出不穷
。
需要对网约车进行识别，以进行安全监测
。
现有技术中，通常通过获取交通管理部门的车辆注册信息的方式，来识别车辆类型是否为网约车
。
然而，在实践中发现，现有方法准确度低，且需要耗费大量时间等待传统的车辆注册信息，从而降低了识别效率
。

技术实现思路

[0003]本申请实施例的目的在于提供一种车辆类型识别方法及装置，能够基于大数据实现车辆类型识别，准确率高，能够直接获取准确的车辆类型信息，从而提升了识别效率
。
[0004]本申请第一方面提供了一种车辆类型识别方法，包括：
[0005]获取云端平台数据；
[0006]对所述云端平台数据进行预处理，得到预处理数据；
[0007]对所述预处理数据进行分析，得到停车点信息
、
运营时间信息和运营频率信息；
[0008]根据所述停车点信息
、
所述运营时间信息和所述运营频率信息，对车辆行驶区域进行划分，得到运营区域信息；
[0009]根据所述预处理数据和所述运营区域信息构建目标训练样本；
[0010]根据预设的随机森林算法构建原始模型；
[0011]通过所述目标训练样本对所述原始模型进行训练，得到车辆类别识别模型；
[0012]获取待识别车辆的目标行车轨迹数据；
[0013]将所述目标行车轨迹数据输入至所述车辆类别识别模型中进行车辆类型识别，得到车辆类型识别结果
。
[0014]在上述实现过程中，该方法可以优先获取云端平台数据，并对云端平台数据进行预处理，得到预处理数据；其次，对预处理数据进行分析，得到停车点信息
、
运营时间信息和运营频率信息；并根据停车点信息
、
运营时间信息和运营频率信息，对车辆行驶区域进行划分，得到运营区域信息；然后，根据预处理数据和运营区域信息构建目标训练样本；再根据预设的随机森林算法构建原始模型；再后，通过目标训练样本对原始模型进行训练，得到车辆类别识别模型；最后，获取待识别车辆的目标行车轨迹数据；再将目标行车轨迹数据输入至车辆类别识别模型中进行车辆类型识别，得到车辆类型识别结果
。
可见，该方法能够基于大数据实现车辆类型识别，准确率高，能够直接获取准确的车辆类型信息，从而提升了识别效率
。
[0015]进一步地，所述对所述云端平台数据进行预处理，得到预处理数据，包括：
[0016]对所述云端平台数据进行数据清洗处理，得到第一处理数据；
[0017]对所述第一处理数据进行缺失值处理，得到第二处理数据；
[0018]对所述第二处理数据进行异常值处理，得到第三处理数据；
[0019]对所述第三处理数据进行数据去重处理，得到预处理数据
。
[0020]进一步地，所述对所述预处理数据进行分析，得到停车点信息
、
运营时间信息和运营频率信息，包括：
[0021]根据所述预处理数据，获取行车轨迹数据
、
停车点数据
、
运营时间数据和车辆行驶区域；
[0022]根据所述行车轨迹数据和所述停车点数据进行停车点分析，得到停车点信息；
[0023]根据所述行车轨迹数据和所述运营时间数据进行运营时间分析，得到运营时间信息；
[0024]根据所述行车轨迹数据
、
所述停车点数据和所述运营时间数据进行运营频率分析，得到运营频率信息
。
[0025]进一步地，所述根据所述预处理数据和所述运营区域信息构建目标训练样本，包括：
[0026]对所述行车轨迹数据进行特征提取，得到轨迹特征信息；其中，所述轨迹特征信息至少包括平均速度
、
行驶距离以及停留时间；
[0027]根据所述轨迹特征信息和所述运营区域信息构建原始训练样本；
[0028]对所述原始训练样本进行车辆类别标记处理，得到目标训练样本
。
[0029]进一步地，在所述通过所述目标训练样本对所述原始模型进行训练，得到车辆类别识别模型之后，所述方法还包括：
[0030]获取测试数据；
[0031]通过所述测试数据对所述车辆类别识别模型进行模型测试，得到模型测试指标；其中，所述模型测试指标至少包括准确率
、
召回率和
F1
分数；
[0032]根据所述模型测试指标判断所述车辆类别识别模型是否为有效模型；
[0033]如果是，则执行所述的获取待识别车辆的目标行车轨迹数据
。
[0034]本申请第二方面提供了一种车辆类型识别装置，所述车辆类型识别装置包括：
[0035]获取单元，用于获取云端平台数据；
[0036]预处理单元，用于对所述云端平台数据进行预处理，得到预处理数据；
[0037]分析单元，用于对所述预处理数据进行分析，得到停车点信息
、
运营时间信息和运营频率信息；
[0038]划分单元，用于根据所述停车点信息
、
所述运营时间信息和所述运营频率信息，对车辆行驶区域进行划分，得到运营区域信息；
[0039]样本构建单元，用于根据所述预处理数据和所述运营区域信息构建目标训练样本；
[0040]模型构建单元，用于根据预设的随机森林算法构建原始模型；
[0041]训练单元，用于通过所述目标训练样本对所述原始模型进行训练，得到车辆类别识别模型；
[0042]第二获取单元，用于获取待识别车辆的目标行车轨迹数据；
[0043]识别单元，用于将所述目标行车轨迹数据输入至所述车辆类别识别模型中进行车
辆类型识别，得到车辆类型识别结果
。
[0044]在上述实现过程中，该装置可以通过获取单元获取云端平台数据；通过预处理单元对云端平台数据进行预处理，得到预处理数据；通过分析单元对预处理数据进行分析，得到停车点信息
、
运营时间信息和运营频率信息；通过划分单元来根据停车点信息
、
运营时间信息和运营频率信息，对车辆行驶区域进行划分，得到运营区域信息；通过样本构建单元来根据预处理数据和运营区域信息构建目标训练样本；通过模型构建单元来根据预设的随机森林算法构建原始模型；通过训练单元来通过目标训练样本对原始模型进行训练，得到车辆类别识别模型；通过第二获取单元获取待识别车辆的目标行车轨迹数据；再通过识别单元将目标行车轨迹数据输入至车辆类别识别模型中进行车辆类型识别，得到车辆类型识别结果本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种车辆类型识别方法，其特征在于，包括：获取云端平台数据；对所述云端平台数据进行预处理，得到预处理数据；对所述预处理数据进行分析，得到停车点信息
、
运营时间信息和运营频率信息；根据所述停车点信息
、
所述运营时间信息和所述运营频率信息，对车辆行驶区域进行划分，得到运营区域信息；根据所述预处理数据和所述运营区域信息构建目标训练样本；根据预设的随机森林算法构建原始模型；通过所述目标训练样本对所述原始模型进行训练，得到车辆类别识别模型；获取待识别车辆的目标行车轨迹数据；将所述目标行车轨迹数据输入至所述车辆类别识别模型中进行车辆类型识别，得到车辆类型识别结果
。2.
根据权利要求1所述的车辆类型识别方法，其特征在于，所述对所述云端平台数据进行预处理，得到预处理数据，包括：对所述云端平台数据进行数据清洗处理，得到第一处理数据；对所述第一处理数据进行缺失值处理，得到第二处理数据；对所述第二处理数据进行异常值处理，得到第三处理数据；对所述第三处理数据进行数据去重处理，得到预处理数据
。3.
根据权利要求1所述的车辆类型识别方法，其特征在于，所述对所述预处理数据进行分析，得到停车点信息
、
运营时间信息和运营频率信息，包括：根据所述预处理数据，获取行车轨迹数据
、
停车点数据
、
运营时间数据和车辆行驶区域；根据所述行车轨迹数据和所述停车点数据进行停车点分析，得到停车点信息；根据所述行车轨迹数据和所述运营时间数据进行运营时间分析，得到运营时间信息；根据所述行车轨迹数据
、
所述停车点数据和所述运营时间数据进行运营频率分析，得到运营频率信息
。4.
根据权利要求3所述的车辆类型识别方法，其特征在于，所述根据所述预处理数据和所述运营区域信息构建目标训练样本，包括：对所述行车轨迹数据进行特征提取，得到轨迹特征信息；其中，所述轨迹特征信息至少包括平均速度
、
行驶距离以及停留时间；根据所述轨迹特征信息和所述运营区域信息构建原始训练样本；对所述原始训练样本进行车辆类别标记处理，得到目标训练样本
。5.
根据权利要求1所述的车辆类型识别方法，其特征在于，在所述通过所述目标训练样本对所述原始模型进行训练，得到车辆类别识别模型之后，所述方法还包括：获取测试数据；通过所述测试数据对所述车辆类别识别模型进行模型测试，得到模型测试指标；其中，所述模型测试指标至少包括准确率
、
召回率和
F1<...

【专利技术属性】
技术研发人员：韩雨，
申请(专利权)人：广汽埃安新能源汽车股份有限公司，
类型：发明
国别省市：