[发明专利]基于在途数据的车辆用途识别方法

摘要

本发明提供一种基于在途数据的车辆用途识别方法，涉及运动轨迹研究计算领域，包括如下步骤：S1、每个车辆每天的行驶轨迹描述；S2、针对每个车辆每天的行驶轨迹，进行时间序列聚类，并根据聚类结果找出该类型车辆的主要行驶轨迹：S3、计算每个车辆在不同轨迹类中的数量占自身所有轨迹的比重，依次从大到小累加排序后的比重，将累加值大于且最靠近阈值的轨迹认为是该车辆的主要行驶轨迹；S4、根据主要行驶轨迹定义车辆用途。本发明以车辆每日行驶规律为中间变量进行聚类，结合统计知识分析车辆主要行驶规律，从时间、地理位置、里程三个纬度描述车辆运动轨迹相对于现有技术直接对车辆本身进行聚类更能贴切实际用车的真实情况。 1

主权项

1.一种基于在途数据的车辆用途识别方法，其特征在于，包括如下步骤：

S1、每个车辆每天的行驶轨迹描述：根据汽车上传感器获取的在途数据，形成一个可以表示车辆运行时间、车辆活动地理位置混乱程度、车辆里程需求的多维向量dr_ij；

S2、针对每个车辆每天的行驶轨迹，进行时间序列聚类，并根据聚类结果找出该类型车辆的主要行驶轨迹：

S3、计算每个车辆在不同轨迹类中的数量占自身所有轨迹的比重，依次从大到小累加排序后的比重，将累加值大于且最靠近阈值的轨迹认为是该车辆的主要行驶轨迹；

S4、根据主要行驶轨迹定义车辆用途：统计不同车辆的主要行驶轨迹给出车辆用途规则表。

2.根据权利要求1所述的基于在途数据的车辆用途识别方法，其特征在于，所述步骤S1包括以下三个步骤：

a、传感器每T分钟采取一次车辆目前行驶里程数据，利用每个车每天的行驶里程形成一个n维向量d_ij，n＝60×24/T；

b、传感器提取一个车辆一天停车点所有位置信息，并利用信息熵计算每个车辆一天停车点的混乱程度H(ij)；

c、将H(ij)作为之前向量d_ij的定n+1个向量值，形成一个可以表示车辆运行时间、车辆活动地理位置混乱程度、车辆里程需求的n+1维向量dr_ij。

3.根据权利要求1或2所述的基于在途数据的车辆用途识别方法，其特征在于，所述车辆活动地理位置混乱程度通过地理位置角度来表示。

4.根据权利要求2所述的基于在途数据的车辆用途识别方法，其特征在于，所述步骤a中d_ij＝{tr_ij1，tr_ij2，tr_ij3...tr_1400/T}，

d_ij：第i辆车第j天的车辆驾驶轨迹情况；

tr_ij1：第i辆车第j天的第1个时间段行驶里程情况。

5.根据权利要求2所述的基于在途数据的车辆用途识别方法，其特征在于，所述步骤b中

第i辆车第j天的第n次停车点位置；

H(ij)：第i量车第j天的信息熵；

i车第j天停车位置为的次数；

Nij：i车j天停车位置总数量。

6.根据权利要求2所述的基于在途数据的车辆用途识别方法，其特征在于，所述步骤c中dr_ij＝{tr_ij1，tr_ij2，tr_ij3...tr_1400/T，H(ij)}；

tr_ij1：第i辆车第j天的第1个时间段行驶里程情况；

H(ij)：第i量车第j天的信息熵。

7.根据权利要求1所述的基于在途数据的车辆用途识别方法，其特征在于，所述步骤S3中聚类是指以DTW为相似度度量，采用时间序列聚类的方式对每个车辆每天的行驶轨迹进行聚类，形成(C₁，C₂...C_m)，m类，即为该型号车辆的主要轨迹情况。

8.根据权利要求1所述的基于在途数据的车辆用途识别方法，其特征在于，所述步骤S3中计算每个车辆轨迹在不同轨迹类中数占自身轨迹的比重的公式为：

i车在Cm类中出现的轨迹占i车所有轨迹的比重；

N(c_m/i)：i车在Cm类中出现的轨迹数量；

t_i：i车中所有轨迹数量。

9.根据权利要求1所述的基于在途数据的车辆用途识别方法，其特征在于：步骤S3中，主要行驶轨迹公式为：p_δ+1C_δ+1+p_δC_δ+p_δ‑1C_δ‑1，其中p_δ+1>p_δ；p_δ+1+p_δ<ε；p_δ+1+p_δ+p_δ‑1>ε；

ε:阈值；

p_δ+1，p_δ，p_δ‑1所对应的Cm类为i车的主要轨迹。

10.根据权利要求1所述的基于在途数据的车辆用途识别方法，其特征在于：步骤S4中的统计分析可由二次聚类代替：根据据用户在每一类中的占比，进行二次聚类，将用户进行聚类，每一类用户即为一种用途。