申请/专利权人：北京经纬恒润科技股份有限公司

申请日：2019-03-15

公开（公告）日：2021-04-20

公开（公告）号：CN109887285B

主分类号：G08G1/01(20060101)

分类号：G08G1/01(20060101);G07C5/08(20060101)

优先权：

专利状态码：有效-授权

法律状态：2021.04.20#授权;2019.07.09#实质审查的生效;2019.06.14#公开

摘要：本发明提供了一种停车原因的确定方法及装置，该方法包括：获取目标车辆的车辆行驶数据，依据车辆行驶数据，确定出目标车辆在不同行车时间段的行驶数据和在不同停车时间段的停车数据，根据不同行车时间段的行驶数据和不同停车时间段的停车数据，确定待分析停车原因的目标停车时间段，根据目标停车时间段、不同行车时间段的行驶数据和不同停车时间段的停车数据，确定在目标停车时间段内目标车辆的停车原因。通过本发明，可以自动识别得到停车原因。

主权项：1.一种停车原因的确定方法，其特征在于，包括：获取目标车辆的车辆行驶数据；从所述车辆行驶数据中筛选出所述目标车辆在不同行车时间段的行驶数据和在不同停车时间段的停车数据；根据不同所述行车时间段的所述行驶数据和不同所述停车时间段的所述停车数据，确定待分析停车原因的目标停车时间段；确定待分析数据；所述待分析数据包括：所述目标停车时间段的所述停车数据、位于所述目标停车时间段之前且紧邻所述目标停车时间段的所述行车时间段的所述行驶数据、以及位于所述目标停车时间段之前的上一所述停车时间段的所述停车数据；基于所述待分析数据以及停车原因预测模型，确定在所述目标停车时间段内所述目标车辆的停车原因。

全文数据：一种停车原因的确定方法及装置技术领域本发明涉及数据处理领域，更具体的说，涉及一种停车原因的确定方法及装置。背景技术货运车辆多属于运营车辆，车辆停驶时长与经济效益直接相关，掌握车辆停车原因信息有助于更准确地掌握车辆以及驾驶员的状态。车辆停车原因可以是长时停车休息、短时服务区停车休息或装卸货物停车休息等原因。现有技术中，货车停车原因只能是依据驾驶员或者车辆所属物流公司人工提供，不能自动分析得到货车停车原因。发明内容有鉴于此，本发明提供一种停车原因的确定方法及装置，以解决不能自动分析得到货车停车原因的问题。为解决上述技术问题，本发明采用了如下技术方案：一种停车原因的确定方法，包括：获取目标车辆的车辆行驶数据；依据所述车辆行驶数据，确定出所述目标车辆在不同行车时间段的行驶数据和在不同停车时间段的停车数据；根据不同所述行车时间段的所述行驶数据和不同所述停车时间段的所述停车数据，确定待分析停车原因的目标停车时间段；根据不同所述行车时间段的所述行驶数据和不同所述停车时间段的所述停车数据，确定在所述目标停车时间段内所述目标车辆的停车原因。优选地，依据所述车辆行驶数据，确定出所述目标车辆在不同行车时间段的行驶数据和在不同停车时间段的停车数据，包括：根据所述车辆行驶数据，筛选出满足预设停车条件的时间段作为所述停车时间段；所述预设停车条件包括预设断电停车条件和预设怠速停车条件中的任一个；基于所述车辆行驶数据中所述停车时间段对应的数据，确定所述停车时间段的停车数据；根据所述车辆行驶数据，筛选出满足预设行驶条件的时间段作为所述行车时间段；从所述行车时间段中确定出行驶怠速时间段；基于所述车辆行驶数据中所述行车时间段对应的数据以及所述行驶怠速时间段对应的数据，确定所述行车时间段的行驶数据。优选地，根据不同所述行车时间段的所述行驶数据和不同所述停车时间段的所述停车数据，确定待分析停车原因的目标停车时间段，包括：筛选出满足预设停车筛选要求的停车时间段；所述预设停车筛选要求包括：所述停车时间段的停车数据中的停车时间、与位于所述停车时间段之前且紧邻所述停车时间段的行车时间段的行驶数据中的停车时间相同；将筛选出的停车时间段作为所述目标停车时间段。优选地，根据不同所述行车时间段的所述行驶数据和不同所述停车时间段的所述停车数据，确定在所述目标停车时间段内所述目标车辆的停车原因，包括：确定待分析数据；所述待分析数据包括：所述目标停车时间段的所述停车数据、位于所述目标停车时间段之前且紧邻所述目标停车时间段的所述行车时间段的所述行驶数据、以及位于所述目标停车时间段之前的上一所述停车时间段的所述停车数据；获取停车原因预测模型；所述停车原因预测模型用于预测停车原因；基于所述待分析数据以及所述停车原因预测模型，确定在所述目标停车时间段内所述目标车辆的停车原因。优选地，基于所述待分析数据以及所述停车原因预测模型，确定在所述目标停车时间段内所述目标车辆的停车原因之后，还包括：获取所述目标停车时间段内所述目标车辆的人工预测停车原因；基于所述人工预测停车原因以及所述停车原因的比较结果，对所述停车原因分析模型进行修正。一种停车原因的确定装置，包括：数据获取模块，用于获取目标车辆的车辆行驶数据；数据确定模块，用于依据所述车辆行驶数据，确定出所述目标车辆在不同行车时间段的行驶数据和在不同停车时间段的停车数据；时间段确定模块，用于根据不同所述行车时间段的所述行驶数据和不同所述停车时间段的所述停车数据，确定待分析停车原因的目标停车时间段；原因确定模块，用于根据不同所述行车时间段的所述行驶数据和不同所述停车时间段的所述停车数据，确定在所述目标停车时间段内所述目标车辆的停车原因。优选地，所述数据确定模块包括：第一筛选子模块，用于根据所述车辆行驶数据，筛选出满足预设停车条件的时间段作为所述停车时间段；所述预设停车条件包括预设断电停车条件和预设怠速停车条件中的任一个；第一数据确定子模块，用于基于所述车辆行驶数据中所述停车时间段对应的数据，确定所述停车时间段的停车数据；第二筛选子模块，用于根据所述车辆行驶数据，筛选出满足预设行驶条件的时间段作为所述行车时间段；第一时间段确定子模块，用于从所述行车时间段中确定出行驶怠速时间段；第二数据确定子模块，用于基于所述车辆行驶数据中所述行车时间段对应的数据以及所述行驶怠速时间段对应的数据，确定所述行车时间段的行驶数据。优选地，所述时间段确定模块包括：第三筛选子模块，用于筛选出满足预设停车筛选要求的停车时间段；所述预设停车筛选要求包括：所述停车时间段的停车数据中的停车时间、与位于所述停车时间段之前且紧邻所述停车时间段的行车时间段的行驶数据中的停车时间相同；第二时间段确定子模块，用于将筛选出的停车时间段作为所述目标停车时间段。优选地，所述原因确定模块包括：第三数据确定子模块，用于确定待分析数据；所述待分析数据包括：所述目标停车时间段的所述停车数据、位于所述目标停车时间段之前且紧邻所述目标停车时间段的所述行车时间段的所述行驶数据、以及位于所述目标停车时间段之前的上一所述停车时间段的所述停车数据；模型获取子模块，用于获取停车原因预测模型；所述停车原因预测模型用于预测停车原因；原因确定子模块，用于基于所述待分析数据以及所述停车原因预测模型，确定在所述目标停车时间段内所述目标车辆的停车原因。优选地，还包括：原因获取子模块，用于所述原因确定子模块基于所述待分析数据以及所述停车原因预测模型，确定在所述目标停车时间段内所述目标车辆的停车原因之后，获取所述目标停车时间段内所述目标车辆的人工预测停车原因；修正子模块，用于基于所述人工预测停车原因以及所述停车原因的比较结果，对所述停车原因分析模型进行修正。相较于现有技术，本发明具有以下有益效果：本发明提供了一种停车原因的确定方法及装置，获取目标车辆的车辆行驶数据，依据所述车辆行驶数据，确定出所述目标车辆在不同行车时间段的行驶数据和在不同停车时间段的停车数据，根据不同所述行车时间段的所述行驶数据和不同所述停车时间段的所述停车数据，确定待分析停车原因的目标停车时间段，根据所述目标停车时间段、不同所述行车时间段的所述行驶数据和不同所述停车时间段的所述停车数据，确定在所述目标停车时间段内所述目标车辆的停车原因。通过本发明，可以自动识别得到停车原因。附图说明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，还可以根据提供的附图获得其他的附图。图1为本发明实施例提供的一种停车原因的确定方法的方法流程图；图2为本发明实施例提供的另一种停车原因的确定方法的方法流程图；图3为本发明实施例提供的再一种停车原因的确定方法的方法流程图；图4为本发明实施例提供的一种停车原因的确定装置的结构示意图。具体实施方式下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。本发明实施例提供了一种停车原因的确定方法，参照图1，包括：S11、获取目标车辆的车辆行驶数据；具体的，本发明实施例针对的车辆行驶行程可以是车辆已经行驶过的历史行程，对历史行程中的停车原因进行预测。可以从车联网数据后台获取车辆行驶数据，该数据由目标车辆上的数据采集设备自目标车辆启动后从车上总线线束获取并周期上传至数据后台。车辆行驶数据可以包括：数据采集时刻时间戳：Time，格式'yyyy-mm-ddhh:mm:ss'；车速信号：VhlSpd，单位kmh；转速信号：EngSpd，单位rpm；总里程信号：ODO，单位km；纬度信号：Latd，取GCJ02坐标系，即中国坐标系；经度信号：Longd，取GCJ02坐标系，即中国坐标系；数据采集设备故障码信号：Loger_DTC上述数据的采样频率使用车联网数据采集频率，但应不低于每30s进行一次数据采样，每辆目标车辆的数据量满足至少3个月的行驶量或2万公里行驶量。对获取的车辆行驶数据按照行车时间由前到后排序，排序后的数据集则对应了车辆运行过程，后续步骤对排序后的数据集进行操作。S12、依据车辆行驶数据，确定出目标车辆在不同行车时间段的行驶数据和在不同停车时间段的停车数据；具体的，将车辆行驶数据区分为行车时间段的行驶数据XTravel及停车时间段的停车数据XStop，其中，行驶包括正常运行及行驶怠速两部分，停车包括断电停车及怠速停车两种情况，且停车过程与行驶过程间隔出现，根据XTravel所包含的停车时刻与XStop所包含的停车时刻的关联关系得到如下事件序列XStop1，XTravel2，XStop2S13、根据不同行车时间段的行驶数据和不同停车时间段的停车数据，确定待分析停车原因的目标停车时间段；具体的，只需要分析目标停车时间段的停车原因。可选的，在本实施例的基础上，步骤S13可以包括：1筛选出满足预设停车筛选要求的停车时间段；预设停车筛选要求包括：停车时间段的停车数据中的停车时间、与位于停车时间段之前且紧邻停车时间段的行车时间段的行驶数据中的停车时间相同；2将筛选出的停车时间段作为目标停车时间段。具体的，参照XStop1，XTravel2，XStop2，若满足XTravel2中停车时间StopT0与XStop2中停车时间StopT0相同，则说明车辆从行驶过程切换到停车过程，则可以对XStop2停车原因进行预测。S14、根据不同行车时间段的行驶数据和不同停车时间段的停车数据，确定在目标停车时间段内目标车辆的停车原因。具体的，车辆停车原因可以是长时停车休息、短时服务区停车休息、装卸货物停车休息以及其他原因休息等原因。本实施例中，获取目标车辆的车辆行驶数据，依据车辆行驶数据，确定出目标车辆在不同行车时间段的行驶数据和在不同停车时间段的停车数据，根据不同行车时间段的行驶数据和不同停车时间段的停车数据，确定待分析停车原因的目标停车时间段，根据目标停车时间段、不同行车时间段的行驶数据和不同停车时间段的停车数据，确定在目标停车时间段内目标车辆的停车原因。通过本发明，可以自动识别得到停车原因。另外，本实施例可以直接利用从车联网数据后台获得的与车辆行驶相关的信号数据，对车辆运行及行驶过程进行识别，并对停车原因进行预测，避免了人为统计引起的误差。可选的，在上述任一实施例的基础上，参照图2，步骤S12可以包括：S21、根据车辆行驶数据，筛选出满足预设停车条件的时间段作为停车时间段；预设停车条件包括预设断电停车条件和预设怠速停车条件中的任一个。S22、基于车辆行驶数据中停车时间段对应的数据，确定停车时间段的停车数据；具体的，先对断电停车的停车时间段进行介绍。对于车联网数据，默认设置目标车辆停止以后不再有数据上传至数据平台，识别无数据的断电停车过程需要对排序后的数据进行数据采集时间间隔及位置间隔计算。对于从前到后相邻的两条数据D1和D2，该两条数据所含的信号值如下：D1:Time1,ODO1,Latd1,Longd1,Loger_DTC1；D2:Time2,ODO2,Latd2,Longd2,Loger_DTC2。其中，数据采集时刻时间戳：Time，格式'yyyy-mm-ddhh:mm:ss'；总里程信号：ODO，单位km；纬度信号：Latd，取GCJ02坐标系，即中国坐标系；经度信号：Longd，取GCJ02坐标系，即中国坐标系；数据采集设备故障码信号：Loger_DTC当数据D1和D2满足以下预设断电停车条件时可正确识别断电停车过程：1.通过Loger_DTC确认车载数据采集设备无故障，即确认无数值异常；2.前后两条数据D1D2采集时间间隔高于限定阈值，即：ΔT＝Time2-Time1minute，ΔT＞Stop_Timethr式中Stop_Timethr为停车时间阈值，单位为分钟min；3.无数据丢失，即满足：ODO2-ODO1≤ODOthr或式中ODOthr为里程阈值，单位为km，AvgSpdthr为平均速度阈值，单位kmh；4.GPS信息无较显著变化，即：|Latd2-Latd1|＜GPSthr且|Longd2-Longd1|＜GPSthr式中GPSthr为GPS变化阈值，取值小于0.01；对于满足上述条件的从前到后相邻的两条数据D1和D2，则识别为D1和D2之间存在一次断电停车过程，为一个停车时间段。该停车时间段的停车数据为XStop，包含以下信息：停车时刻：StopT0，时间戳数据，数值取Time1；停车GPS信息：Stop_Latd,Stop_Longd，数值取Latd1,Longd1；停车时长：Stop_Time，单位min，数值取Time2-Time1minute；怠速标识：IdlingMark，规定取值为0即将XStop表示为XStop＝StopT0,Stop_Latd,Stop_Longd,Stop_Time,IdlingMark另外对怠速停车的停车时间段进行介绍。具体的，在车辆运行过程中识别怠速停车过程，假设存在数据序列D1,D2,...,Di,...,Dm，其中Di代表该序列中的第i条数据，i＝1,2,...,m，且，m2，数据按照时间从前到后顺序排列。该数据序列所代表的过程满足以下预设怠速停车条件可识别为怠速停车：1.车辆持续静止，即任一数据Di，车速满足VhlSpdi≤VhlSpdthr，VhlSpdthr为车速浮动阈值，单位kmh；2.发动机转速接近怠速转速，即任一数据Di，发动机转速满足EngSpd≈EngSpdthr其中EngSpdthr为稳定怠速转速，单位rpm，式中≈指EngSpd可允许在EngSpdthr邻域区间内存在波动，但建议不超过±50rpm注：本方案中的建议值均为实际应用中某种情形的范围，在其他应用环境中根据实际情形进行设定；3.该过程总持续时长超过限定阈值，即Tm-T1min≥Idling_Timethr，Idling_Timethr为怠速停车时间阈值，单位min；4.序列中无上述所定义的断电停车过程。对于满足上述条件的数据序列D1,D2,...,Di,...,Dm，将整个数据序列识别为一次怠速停车过程，该停车过程仍命名为XStop，包含以下信息：停车时刻：StopT0，时间值取序列中D1时间Time1；停车GPS信息：Stop_Latd,Stop_Longd，数值取Latd1,Longd1；停车时长：Stop_Time，数值取Timem-Time1minute；怠速标记：IdlingMark，规定取值为1；此时仍然将XStop表示为XStop＝StopT0,Stop_Latd,Stop_Longd,Stop_Time,IdlingMarkS23、根据车辆行驶数据，筛选出满足预设行驶条件的时间段作为行车时间段；具体的，在车辆运行过程中识别车辆行驶过程，假设存在数据序列D1,D2,...,Di,...,Dm，其中，Di代表该序列中的第i条数据，i＝1,2,...,m，且，m2，数据按照时间从前到后顺序排列。若该数据序列所代表的过程未发生断电停车且未发生怠速停车，则认为该数据序列描述了一个完整的连续的车辆行驶行程，为一个行车时间段。该行车时间段的行驶数据命名为XTravel，包含以下信息：运行时长：Travel_Time，单位min，数值取Timem-Time1minute；运行里程：Travel_S，单位km，数值取ODOm-ODO1；运行平均车速：avgVhlSpd，单位kmh，数值取运行最高车速：maxVhlSpd，单位kmh，数值取序列内最高车速；停车时刻：StopT0，时间值取序列中Dm时间Timem；即将XTravel暂时表示为XTravel＝Travel_Time,Travel_S,avgVhlSpd,maxVhlSpd,StopT0S24、从行车时间段中确定出行驶怠速时间段；S25、基于车辆行驶数据中行车时间段对应的数据以及行驶怠速时间段对应的数据，确定行车时间段的行驶数据。对上述识别出的XTravel，即序列D1,D2,...,Di,...,Dm进行行驶怠速段识别，一个行驶时间段内可能存在至少一次的行驶怠速过程，如服务区稍微休息、十字路口等红灯等情况。此外，还可能不存在行驶怠速过程。假设存在数据序列Dp,Dp+1,...,Dk,...,Dq，该序列所代表的过程满足以下条件可识别为行驶怠速段。1.该序列为D1,D2,...,Di,...,Dm的子序列，即满足1＜p＜q＜m且Time1＜Timep＜Timeq＜Timem2.车辆持续静止，即任一数据Dk，车速满足VhlSpdk≤VhlSpdthr，3.发动机转速接近怠速转速，即任一数据Dk，发动机转速满足EngSpd≈EngSpdthr；满足上述条件的序列Dp,Dp+1,...,Dk,...,Dq被识别为行驶怠速时间段，该行驶怠速时间段对应的数据命名为XIdling，该过程包含如下信息：怠速前行驶时长：pre_travel_Time，单位min，怠速前行驶距离：pre_travel_S，单位km，怠速时长：Idling_Time，单位min，数值取Timeq-Timepminute；根据上述方法识别XTravel中所含全部XIdling，并规定：怠速前行驶时长pre_travel_Time取值为上一次行驶怠速时间段结束至当前行驶怠速时间段开始所间隔时长，怠速前行驶距离pre_travel_S取值为上一次行驶怠速时间段结束至当前行驶怠速时间段开始所行驶里程，从而对识别出的全部XIdling计算以下数据：统计符合条件的行驶怠速段个数：Idling_n平均怠速前行驶时长：avg_pre_travel_Time最大怠速前行驶时长：max_pre_travel_Time平均怠速前行驶距离：avg_pre_travel_S最大怠速前行驶距离：max_pre_travel_S最小怠速前行驶距离：min_pre_travel_S平均怠速时长：avg_Idling_Time则XTravel内数据被划分如下：D1,D2,...,Dp-1,Xidling,Dq+1,...,Xidling,...,Dm且XTravel包含的信息维度扩展为共12维XTravel＝Travel_Time,Travel_S,avgVhlSpd,maxVhlSpd,StopT0,Idling_n,avg_pre_travel_Time,max_pre_travel_Time,avg_pre_travel_S,max_pre_travel_S,min_pre_travel_S,avg_Idling_Time。本实施例中，给出了确定断电停车、怠速停车、行车过程和行车怠速的判断过程，进而可以根据本实施例中的判断过程确定车辆的整个行驶过程的不同行车状态。可选的，在上述任一实施例的基础上，参照图3，步骤S14可以包括：S31、确定待分析数据；待分析数据包括：目标停车时间段的停车数据、位于目标停车时间段之前且紧邻目标停车时间段的行车时间段的行驶数据、以及位于目标停车时间段之前的上一停车时间段的停车数据。具体的，参照XStop1，XTravel2，XStop2，若要确定XStop2的停车原因，则需要获取XStop2、XTravel2和XStop1。对于停车段XStop2，构建数据样本向量X命名为停车信息向量，其中，为StopT0,Stop_Latd,Stop_Longd,Stop_Time,IdlingMark，为Travel_Time,Travel_S,avgVhlSpd,maxVhlSpd,StopT0,Idling_n,avg_pre_travel_Time,max_pre_travel_Time,avg_pre_travel_S,max_pre_travel_S,min_pre_travel_S,avg_Idling_Time。需要说明的是，优选地，对于XStop1，GPS信息可以取与XStop2内GPS坐标的差值，而非原坐标值。此外，对于XStop1，GPS信息也可以取原坐标值，对此并不限定。S32、获取停车原因预测模型；停车原因预测模型用于预测停车原因。具体的，停车原因预测模型的构建过程可以包括：对于无停车原因标签的数据进行预测，选择聚类算法，本发明中选择高斯混合聚类GMM算法进行训练学习。使用大量的已被提取和处理的停车信息向量样本X，输入机器算法进行学习和训练，其学习过程中，机器学习算法通过计算将停车信息向量X按相似度或关联性进行聚类，且按定义聚为4类；分别为车辆停车原因可以是长时停车休息、短时服务区停车休息、装卸货物停车休息以及其他原因休息等原因。通过停车信息向量样本X以及聚类分析构建得到停车原因预测模型。S33、基于待分析数据以及停车原因预测模型，确定在目标停车时间段内目标车辆的停车原因。具体的，将步骤S31构建的数据样本向量X输入到停车原因预测模型中，即可预测得到目标车辆的停车原因。可选的，在本实施例的基础上，步骤S33之后，还可以包括：1获取目标停车时间段内目标车辆的人工预测停车原因；具体的，将车辆行驶数据中每一时间点的GPS坐标标注入地图，观察停车点和运行过程的可视化关系，人工分析得到每一目标停车时间段的停车原因，并作为人工预测停车原因。2基于人工预测停车原因以及停车原因的比较结果，对停车原因分析模型进行修正。将每一目标停车时间段的人工预测停车原因以及停车原因作比较，若一致，则保留，若不一致，则忽略，利用所有正确预测的数据样本向量对停车原因分析模型所得到的簇中心进行修正和调整，若无法通过簇中心修改达到模型优化目的，则进行维度增减等处理，以提高停车原因分析模型的预测结果的准确度。本实施例中，能够根据停车原因分析模型预测得到停车原因，此外，还能够不断修正停车原因分析模型，提高预测准确度。可选的，在上述停车原因的确定方法的实施例的基础上，本发明的另一实施例提供了一种停车原因的确定装置，参照图4，可以包括：数据获取模块101，用于获取目标车辆的车辆行驶数据；数据确定模块102，用于依据车辆行驶数据，确定出目标车辆在不同行车时间段的行驶数据和在不同停车时间段的停车数据；时间段确定模块103，用于根据不同行车时间段的行驶数据和不同停车时间段的停车数据，确定待分析停车原因的目标停车时间段；原因确定模块104，用于根据不同行车时间段的行驶数据和不同停车时间段的停车数据，确定在目标停车时间段内目标车辆的停车原因。进一步，时间段确定模块103包括：第三筛选子模块，用于筛选出满足预设停车筛选要求的停车时间段；预设停车筛选要求包括：停车时间段的停车数据中的停车时间、与位于停车时间段之前且紧邻停车时间段的行车时间段的行驶数据中的停车时间相同；第二时间段确定子模块，用于将筛选出的停车时间段作为目标停车时间段。本实施例中，获取目标车辆的车辆行驶数据，依据车辆行驶数据，确定出目标车辆在不同行车时间段的行驶数据和在不同停车时间段的停车数据，根据不同行车时间段的行驶数据和不同停车时间段的停车数据，确定待分析停车原因的目标停车时间段，根据目标停车时间段、不同行车时间段的行驶数据和不同停车时间段的停车数据，确定在目标停车时间段内目标车辆的停车原因。通过本发明，可以自动识别得到停车原因。另外，本实施例可以直接利用从车联网数据后台获得的与车辆行驶相关的信号数据，对车辆运行及行驶过程进行识别，并对停车原因进行预测，避免了人为统计引起的误差。需要说明的是，本实施例中的各个模块和子模块的工作过程，请参照上述实施例中的相应说明，在此不再赘述。可选的，在上述任一确定装置的实施例的基础上，数据确定模块102可以包括：第一筛选子模块，用于根据车辆行驶数据，筛选出满足预设停车条件的时间段作为停车时间段；预设停车条件包括预设断电停车条件和预设怠速停车条件中的任一个；第一数据确定子模块，用于基于车辆行驶数据中停车时间段对应的数据，确定停车时间段的停车数据；第二筛选子模块，用于根据车辆行驶数据，筛选出满足预设行驶条件的时间段作为行车时间段；第一时间段确定子模块，用于从行车时间段中确定出行驶怠速时间段；第二数据确定子模块，用于基于车辆行驶数据中行车时间段对应的数据以及行驶怠速时间段对应的数据，确定行车时间段的行驶数据。本实施例中，给出了确定断电停车、怠速停车、行车过程和行车怠速的判断过程，进而可以根据本实施例中的判断过程确定车辆的整个行驶过程的不同行车状态。需要说明的是，本实施例中的各个模块和子模块的工作过程，请参照上述实施例中的相应说明，在此不再赘述。可选的，在上述任一确定装置的实施例的基础上，原因确定模块104可以包括：第三数据确定子模块，用于确定待分析数据；待分析数据包括：目标停车时间段的停车数据、位于目标停车时间段之前且紧邻目标停车时间段的行车时间段的行驶数据、以及位于目标停车时间段之前的上一停车时间段的停车数据；模型获取子模块，用于获取停车原因预测模型；停车原因预测模型用于预测停车原因；原因确定子模块，用于基于待分析数据以及停车原因预测模型，确定在目标停车时间段内目标车辆的停车原因。进一步，还包括：原因获取子模块，用于原因确定子模块基于待分析数据以及停车原因预测模型，确定在目标停车时间段内目标车辆的停车原因之后，获取目标停车时间段内目标车辆的人工预测停车原因；修正子模块，用于基于人工预测停车原因以及停车原因的比较结果，对停车原因分析模型进行修正。本实施例中，能够根据停车原因分析模型预测得到停车原因，此外，还能够不断修正停车原因分析模型，提高预测准确度。需要说明的是，本实施例中的各个模块和子模块的工作过程，请参照上述实施例中的相应说明，在此不再赘述。对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。

权利要求：1.一种停车原因的确定方法，其特征在于，包括：获取目标车辆的车辆行驶数据；依据所述车辆行驶数据，确定出所述目标车辆在不同行车时间段的行驶数据和在不同停车时间段的停车数据；根据不同所述行车时间段的所述行驶数据和不同所述停车时间段的所述停车数据，确定待分析停车原因的目标停车时间段；根据不同所述行车时间段的所述行驶数据和不同所述停车时间段的所述停车数据，确定在所述目标停车时间段内所述目标车辆的停车原因。2.根据权利要求1所述的确定方法，其特征在于，依据所述车辆行驶数据，确定出所述目标车辆在不同行车时间段的行驶数据和在不同停车时间段的停车数据，包括：根据所述车辆行驶数据，筛选出满足预设停车条件的时间段作为所述停车时间段；所述预设停车条件包括预设断电停车条件和预设怠速停车条件中的任一个；基于所述车辆行驶数据中所述停车时间段对应的数据，确定所述停车时间段的停车数据；根据所述车辆行驶数据，筛选出满足预设行驶条件的时间段作为所述行车时间段；从所述行车时间段中确定出行驶怠速时间段；基于所述车辆行驶数据中所述行车时间段对应的数据以及所述行驶怠速时间段对应的数据，确定所述行车时间段的行驶数据。3.根据权利要求1所述的确定方法，其特征在于，根据不同所述行车时间段的所述行驶数据和不同所述停车时间段的所述停车数据，确定待分析停车原因的目标停车时间段，包括：筛选出满足预设停车筛选要求的停车时间段；所述预设停车筛选要求包括：所述停车时间段的停车数据中的停车时间、与位于所述停车时间段之前且紧邻所述停车时间段的行车时间段的行驶数据中的停车时间相同；将筛选出的停车时间段作为所述目标停车时间段。4.根据权利要求1所述的确定方法，其特征在于，根据不同所述行车时间段的所述行驶数据和不同所述停车时间段的所述停车数据，确定在所述目标停车时间段内所述目标车辆的停车原因，包括：确定待分析数据；所述待分析数据包括：所述目标停车时间段的所述停车数据、位于所述目标停车时间段之前且紧邻所述目标停车时间段的所述行车时间段的所述行驶数据、以及位于所述目标停车时间段之前的上一所述停车时间段的所述停车数据；获取停车原因预测模型；所述停车原因预测模型用于预测停车原因；基于所述待分析数据以及所述停车原因预测模型，确定在所述目标停车时间段内所述目标车辆的停车原因。5.根据权利要求4所述的确定方法，其特征在于，基于所述待分析数据以及所述停车原因预测模型，确定在所述目标停车时间段内所述目标车辆的停车原因之后，还包括：获取所述目标停车时间段内所述目标车辆的人工预测停车原因；基于所述人工预测停车原因以及所述停车原因的比较结果，对所述停车原因分析模型进行修正。6.一种停车原因的确定装置，其特征在于，包括：数据获取模块，用于获取目标车辆的车辆行驶数据；数据确定模块，用于依据所述车辆行驶数据，确定出所述目标车辆在不同行车时间段的行驶数据和在不同停车时间段的停车数据；时间段确定模块，用于根据不同所述行车时间段的所述行驶数据和不同所述停车时间段的所述停车数据，确定待分析停车原因的目标停车时间段；原因确定模块，用于根据不同所述行车时间段的所述行驶数据和不同所述停车时间段的所述停车数据，确定在所述目标停车时间段内所述目标车辆的停车原因。7.根据权利要求6所述的确定装置，其特征在于，所述数据确定模块包括：第一筛选子模块，用于根据所述车辆行驶数据，筛选出满足预设停车条件的时间段作为所述停车时间段；所述预设停车条件包括预设断电停车条件和预设怠速停车条件中的任一个；第一数据确定子模块，用于基于所述车辆行驶数据中所述停车时间段对应的数据，确定所述停车时间段的停车数据；第二筛选子模块，用于根据所述车辆行驶数据，筛选出满足预设行驶条件的时间段作为所述行车时间段；第一时间段确定子模块，用于从所述行车时间段中确定出行驶怠速时间段；第二数据确定子模块，用于基于所述车辆行驶数据中所述行车时间段对应的数据以及所述行驶怠速时间段对应的数据，确定所述行车时间段的行驶数据。8.根据权利要求6所述的确定装置，其特征在于，所述时间段确定模块包括：第三筛选子模块，用于筛选出满足预设停车筛选要求的停车时间段；所述预设停车筛选要求包括：所述停车时间段的停车数据中的停车时间、与位于所述停车时间段之前且紧邻所述停车时间段的行车时间段的行驶数据中的停车时间相同；第二时间段确定子模块，用于将筛选出的停车时间段作为所述目标停车时间段。9.根据权利要求6所述的确定装置，其特征在于，所述原因确定模块包括：第三数据确定子模块，用于确定待分析数据；所述待分析数据包括：所述目标停车时间段的所述停车数据、位于所述目标停车时间段之前且紧邻所述目标停车时间段的所述行车时间段的所述行驶数据、以及位于所述目标停车时间段之前的上一所述停车时间段的所述停车数据；模型获取子模块，用于获取停车原因预测模型；所述停车原因预测模型用于预测停车原因；原因确定子模块，用于基于所述待分析数据以及所述停车原因预测模型，确定在所述目标停车时间段内所述目标车辆的停车原因。10.根据权利要求9所述的确定装置，其特征在于，还包括：原因获取子模块，用于所述原因确定子模块基于所述待分析数据以及所述停车原因预测模型，确定在所述目标停车时间段内所述目标车辆的停车原因之后，获取所述目标停车时间段内所述目标车辆的人工预测停车原因；修正子模块，用于基于所述人工预测停车原因以及所述停车原因的比较结果，对所述停车原因分析模型进行修正。

百度查询： 北京经纬恒润科技股份有限公司 一种停车原因的确定方法及装置

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD