本發(fā)明涉及交通，特別是涉及一種目標(biāo)車輛篩選系統(tǒng)。

背景技術(shù)：

1、在城市化的大背景下，隨著通勤距離增加，越來越多的人從傳統(tǒng)的通勤方式轉(zhuǎn)變?yōu)樗郊臆囃ㄇ冢郊臆囃ㄇ诘目焖僭龆?，對高峰期的交通產(chǎn)生了很大的影響，通勤問題不僅涉及到每個人的出行，也能反映出整個城市的交通管理水平，因此從交通流中準(zhǔn)確地篩選出通勤私家車，能夠從時空維度有效發(fā)現(xiàn)高峰期通勤交通情況，也有利于采取實時高效的管控策略。目前，在判斷車輛是否是通勤車時，主要根據(jù)車輛在交通部門的登記信息等資料、各種方式的調(diào)查問卷或?qū)€別車輛的跟蹤調(diào)查來確定其出行屬性，浪費大量人力，準(zhǔn)確性低，且難以推廣到對一個城市甚至更大范圍的眾多車輛的識別。

技術(shù)實現(xiàn)思路

1、針對上述技術(shù)問題，本發(fā)明采用的技術(shù)方案為：

2、一種目標(biāo)車輛篩選系統(tǒng)，所述系統(tǒng)包括：存儲有第一車輛集c＝{c1，c2，……，ci，……，cm}的第一存儲介質(zhì)、存儲有c對應(yīng)的m個初始出行特征集的第二存儲介質(zhì)、處理器和存儲有計算機程序的存儲器，其中，ci為第i個第一車輛，i＝1，2，……，m，m為第一車輛的數(shù)量，第一車輛與初始出行特征集一一對應(yīng)，每一初始出行特征集包括若干個初始出行特征值，當(dāng)所述計算機程序被處理器執(zhí)行時，實現(xiàn)以下步驟：

3、s100，根據(jù)每一ci對應(yīng)的若干個初始出行特征值，采用k-means聚類模型將c聚類為初始車輛簇集u＝{u1，u2，……，ug，……，uh}，其中，ug為第g個初始車輛簇，g＝1，2，……，h，h為初始車輛簇的數(shù)量；每一初始車輛簇中包括有若干初始車輛。

4、s200，根據(jù)u，獲取給定的自迭代聚類模型的初始分裂系數(shù)ζ。

5、其中，初始分裂系數(shù)ζ符合如下條件：

6、ζ＝∑hg＝1((∑zgv＝1(lgv/λg))/zg)/h，其中，lgv為ug中的第v個初始車輛對應(yīng)的出行特征值向量與ug的中心點向量的距離，λg為ug中的所有初始車輛對應(yīng)的出行特征值向量分別與ug的中心點向量的距離中的最大距離，zg為ug中的初始車輛的數(shù)量；每一初始車輛對應(yīng)的出行特征向量為初始車輛自身對應(yīng)的若干初始出行特征值組成的向量。

7、s300，基于ζ、預(yù)設(shè)的最大合并數(shù)、預(yù)設(shè)的初始迭代次數(shù)和根據(jù)u獲取的自迭代聚類模型對應(yīng)的若干目標(biāo)參數(shù)，采用自迭代聚類模型對u進(jìn)行迭代聚類，獲取到若干個最終車輛簇。

8、s400，根據(jù)預(yù)設(shè)的篩選條件，從若干個最終車輛簇中篩選出對應(yīng)的最終車輛簇，并將篩選出的最終車輛簇中的每一第一車輛均確定為具有給定出行特征的目標(biāo)車輛。

9、本發(fā)明與現(xiàn)有技術(shù)相比具有明顯的有益效果，借由上述技術(shù)方案，本發(fā)明提供的一種目標(biāo)車輛篩選系統(tǒng)可達(dá)到相當(dāng)?shù)募夹g(shù)進(jìn)步性及實用性，并具有產(chǎn)業(yè)上的廣泛利用價值，其至少具有以下有益效果：

10、本發(fā)明提供了一種目標(biāo)車輛篩選系統(tǒng)，當(dāng)系統(tǒng)內(nèi)的計算機程序被處理器執(zhí)行時，首先根據(jù)每一第一車輛對應(yīng)的若干初始出行特征值，將若干第一車輛聚類為若干個初始車輛簇，并根據(jù)若干初始車輛簇以及每個簇內(nèi)的樣本分散情況，獲取到若干目標(biāo)參數(shù)和自迭代聚類模型的初始分裂系數(shù)，其中，在k-means聚類模型的聚類結(jié)果基礎(chǔ)上獲取初始分裂系數(shù)，有利于簇內(nèi)樣本的合理分裂，并加快自迭代聚類模型的收斂，進(jìn)而提高自迭代聚類的效率與可靠性；然后結(jié)合預(yù)設(shè)的最大合并數(shù)和初始迭代次數(shù)，進(jìn)行聚類處理并得到若干最終車輛簇，根據(jù)預(yù)設(shè)的篩選條件，從若干最終車輛簇中篩選出符合條件的最終車輛簇，并將篩選出的最終車輛簇中的每一初始車輛均確定為具有給定出行特征的目標(biāo)車輛，也即，篩選出具有高峰期穩(wěn)定出行特性的通勤車輛；本發(fā)明通過兩種聚類模型的結(jié)合，能提高聚類效率和可靠性，有利于較為全面且準(zhǔn)確地篩選出所需的通勤車輛。

技術(shù)特征：

1.一種目標(biāo)車輛篩選系統(tǒng)，其特征在于，所述系統(tǒng)包括：存儲有第一車輛集c＝{c1，c2，……，ci，……，cm}的第一存儲介質(zhì)、存儲有c對應(yīng)的m個初始出行特征集的第二存儲介質(zhì)、處理器和存儲有計算機程序的存儲器，其中，ci為第i個第一車輛，i＝1，2，……，m，m為第一車輛的數(shù)量，第一車輛與初始出行特征集一一對應(yīng)，每一初始出行特征集包括若干個初始出行特征值，當(dāng)所述計算機程序被處理器執(zhí)行時，實現(xiàn)以下步驟：

2.根據(jù)權(quán)利要求1所述的目標(biāo)車輛篩選系統(tǒng)，其特征在于，每一第一車輛對應(yīng)的初始出行特征集包括第一車輛自身在歷史時間段對應(yīng)的空間穩(wěn)定系數(shù)、高峰出行頻率、總出行頻率、非高峰期平均出行頻率、非高峰期出行頻率偏差系數(shù)，以及預(yù)先獲取的第一車輛在歷史時間段的預(yù)設(shè)早高峰時段分別對應(yīng)的起點的穩(wěn)定程度值和終點的穩(wěn)定程度值、在歷史時間段的預(yù)設(shè)晚高峰時段分別對應(yīng)的起點的穩(wěn)定程度值和終點的穩(wěn)定程度值。

3.根據(jù)權(quán)利要求1所述的目標(biāo)車輛篩選系統(tǒng)，其特征在于，在s100步驟中通過以下步驟獲取u：

4.根據(jù)權(quán)利要求3所述的目標(biāo)車輛篩選系統(tǒng)，其特征在于，在s300步驟中通過以下步驟確定出最大合并數(shù)：

5.根據(jù)權(quán)利要求1所述的目標(biāo)車輛篩選系統(tǒng)，其特征在于，所述若干目標(biāo)參數(shù)包括聚類簇數(shù)量、每一聚類簇對應(yīng)的中心點向量、每一聚類簇對應(yīng)的初始樣本數(shù)、每一聚類簇對應(yīng)的樣本標(biāo)準(zhǔn)差閾值和聚類簇之間的初始最短距離。

6.根據(jù)權(quán)利要求2所述的目標(biāo)車輛篩選系統(tǒng)，其特征在于，在s400步驟中還包括以下步驟：

7.根據(jù)權(quán)利要求6所述的目標(biāo)車輛篩選系統(tǒng)，其特征在于，η1為根據(jù)所有第一車輛的空間穩(wěn)定系數(shù)計算得到的平均值，f1、q1、k1、θ1、s1、e1、s01和e01的獲取方式與η1一致。

8.根據(jù)權(quán)利要求6所述的目標(biāo)車輛篩選系統(tǒng)，其特征在于，η2為根據(jù)任一最終車輛簇中的所有第一車輛的空間穩(wěn)定系數(shù)計算得到的平均值，f2、q2、k2、θ2、s2、e2、s02和e02的獲取方式與η2一致。

技術(shù)總結(jié)
本申請涉及交通技術(shù)領(lǐng)域，特別是涉及一種目標(biāo)車輛篩選系統(tǒng)，所述系統(tǒng)包括：第一存儲介質(zhì)、第二存儲介質(zhì)、處理器和存儲有計算機程序的存儲器，計算機程序被處理器執(zhí)行時，實現(xiàn)以下步驟：根據(jù)每一第一車輛對應(yīng)的若干初始出行特征值，將若干第一車輛聚類為若干個初始車輛簇，并根據(jù)若干初始車輛簇，獲取自迭代聚類模型的初始分裂系數(shù)和若干目標(biāo)參數(shù)，然后結(jié)合預(yù)設(shè)的最大合并數(shù)和初始迭代次數(shù)，進(jìn)行聚類處理并得到若干最終車輛簇，根據(jù)預(yù)設(shè)的篩選條件，從所有最終車輛簇中篩選出符合條件的最終車輛簇以及具有給定出行特征的目標(biāo)車輛；本發(fā)明通過兩種聚類模型的結(jié)合，能提高聚類效率和可靠性，有利于較為全面且準(zhǔn)確地篩選出所需的通勤車輛。

技術(shù)研發(fā)人員：何凱煌,喻睿佳,曲俊秋,汪子逸
受保護(hù)的技術(shù)使用者：浙江云通數(shù)達(dá)科技有限公司
技術(shù)研發(fā)日：
技術(shù)公布日：2025/5/15