[发明专利]一种基于统计特征的运距计算方法及装置

说明书

本发明公开了一种基于统计特征的运距计算方法及装置，属于智能交通大数据领域。所述方法包括：采集货车的轨迹数据，分析轨迹数据得到第一系列停靠点；将第一系列停靠点与POI数据匹配并进行合并，得到第二系列停靠点；根据第二系列停靠点绘制曲线图，并利用回归模型预测出可能的装卸货停靠次数；对第二系列停靠点进行聚类运算得到多个聚类中心集合，聚类中心集合的数量不小于可能的装卸货停靠次数；将曲线图与聚类中心集合进行匹配得到装卸货停靠点；根据装卸货停靠点计算货车的运距。本发明中，通过对货车的运距进行计算，能够为物流行业建设提供指导性的数据依据，并促进相关行业的发展。

技术领域

本发明涉及智能交通大数据领域，尤其涉及一种基于统计特征的运距计算方法及装置。

背景技术

随着网络的快速发展，以及快节奏生活方式的到来，网购成为了大部分人群的购物方式，人们可以足不出户选购自己所需的物品。伴随着人们网购频率的不断剧增，物流行业也成为一个热点行业在不断的发展与壮大。由于购物人群来自四面八方、购物人群所选的商家也各有异同，因而在物流行业中，如何调度物流货车、如何进行物流园的选址、以及相关的如何进行加油站及服务器的选址都是有效的完成货物运输中非常重要的问题。然而，现阶段，虽然物流行业正运行着有效的管理措施，但是如何基于已有的物流运输的统计信息，为解决上述重要问题提供指导性建议的举措并不完善。

发明内容

为解决现有技术的缺陷，本发明提供一种基于统计特征的运距计算方法及装置。

一方面，一种基于统计特征的运距计算方法，包括：

步骤S1：采集货车的轨迹数据，分析所述轨迹数据得到第一系列停靠点；

步骤S2：将所述第一系列停靠点与POI数据匹配并进行合并，得到第二系列停靠点；

步骤S3：根据所述第二系列停靠点绘制曲线图，并利用回归模型预测出可能的装卸货停靠次数；

步骤S4：对所述第二系列停靠点进行聚类运算得到多个聚类中心集合，所述聚类中心集合的数量不小于所述可能的装卸货停靠次数；

步骤S5：将所述曲线图与所述聚类中心集合进行匹配得到装卸货停靠点；

步骤S6：根据所述装卸货停靠点计算货车的运距。

可选地，所述步骤S1，具体为：采集货车的车载设备上报的轨迹数据，分析所述轨迹数据得到第一系列停靠点、以及所述第一系列停靠点中各停靠点的停留时长、相邻停靠点之间的停留时间间隔和停留距离间隔；

可选地，所述步骤S2，具体为：将所述第一系列停靠点与POI数据中的加油站、服务区、物流园进行匹配，舍弃与加油站和服务器匹配的停靠点，并将保留的停靠点中相邻停靠点之间的停留时间间隔小于预设时间、停留距离间隔小于预设距离的停靠点进行合并；

可选地，所述步骤S3中，所述根据所述第二系列停靠点绘制曲线图，具体为：按照时间序列，根据所述第二系列停靠点中相邻停靠点之间的停留时间间隔和停留距离间隔绘制曲线图。

可选地，所述步骤S3中，所述利用回归模型预测出可能的装卸货停靠次数，具体为：利用预先训练得到的LASSO模型对所述第二系列停靠点进行计算，预测出可能的装卸货停靠次数；

可选地，所述步骤S4中，对所述第二系列停靠点进行聚类运算得到多个聚类中心集合，具体为：将所述可能的装卸货停靠次数作为输入数据，根据DBSCAN聚类算法对所述第二系列停靠点进行聚类运算得到多个聚类中心集合。

可选地，所述步骤S5，具体为：在所述曲线图中选择预设数量的相对位于波峰位置的停靠点，根据时间最近和距离最近原则，将选择的停靠点与所述聚类中心集合进行匹配得到装卸货停靠点。

可选地，所述步骤S6，具体为：