本发明涉及车联网技术领域，特别是指一种基于车辆聚点属性的营运性车辆的判断方法和装置。
背景技术：
随着网约车的发展，很多私家车都安装了司机端app(应用程序)，在上下班路上共享车辆资源，或在闲暇时间接单，也有些私家车做起了专职司机。
同时，有很多方式可以获取车辆的时空轨迹数据，如前装的车载tbox(telematicsbox)设备、后装的车载诊断系统(on-boarddiagnostic，简称obd)设备、智能手机app等，据此可以得到大量的时空轨迹数据。通过分析这些数据，可以得到一些有意义的信息，例如车辆的性能信息、速度信息，还可以推断出用户的居住地和工作地的位置，兴趣点等等。
在实现本发明过程中，发明人发现现有技术中至少存在如下问题：无法判断车辆是否为营运性车辆。
技术实现要素：
有鉴于此，本发明的目的在于提出一种营运性车辆的判断方法和装置，以解决无法判断车辆是否为营运性车辆的技术问题。
基于上述目的，在本发明的第一方面，本发明提供了一种营运性车辆的判断方法，所述方法包括：
获取车辆的行程数据，所述行程数据包括用户id、一段时间内的行程起点、行程开始时间、行程终点、行程结束时间、行程停留时间、行程时长和精确到日的日期；
根据所述行程数据，确定所述车辆的用户的居住地信息和工作地信息；
根据所述车辆的行程数据以及用户的居住地信息和工作地信息，判断所述车辆是否为营运性车辆。
在本发明的一些实施例中，所述方法还包括：
对所有行程起点、行程终点的经纬度进行距离计算，把距离近的行程起点和行程终点作为一个聚点，从而得到多个聚点。
在本发明的一些实施例中，根据所述车辆的行程数据以及用户的居住地信息和工作地信息，判断所述车辆是否为营运性车辆，包括：
根据所述车辆的行程数据以及用户的居住地信息和工作地信息，判断所述车辆是否为通勤车辆；若是，则所述车辆为非营运性车辆；若否，则继续判断所述车辆是否为营运性车辆。
在本发明的一些实施例中，根据所述车辆的行程数据以及用户的居住地信息和工作地信息，判断所述车辆是否为营运性车辆，包括：
判断用户是否有居住地，如果用户没有居住地，则判断用户的车辆为非营运性车辆；如果用户有居住地，则继续判断用户是否有工作地，如果用户有工作地，则用户的车辆为通勤车辆，判断用户的车辆为非营运性车辆；如果用户没有工作地，则继续判断车辆是否为营运性车辆。
在本发明的一些实施例中，对于非通勤车辆，判断车辆是否为营运性车辆，包括：
根据车辆的每天聚点个数、一段时间内的不常去聚点个数、总聚点个数和行程时长，计算所述车辆为营运性车辆的概率；
根据所述车辆为营运性车辆的概率，判断所述车辆是否为营运性车辆。
可选地，根据车辆的每天聚点个数、一段时间内的不常去聚点个数、总聚点个数和行程时长，计算所述车辆为营运性车辆的概率，包括：
根据行程数据计算车辆的每天聚点个数、一段时间内的不常去聚点个数、总聚点个数和行程时长；
对所述车辆的每天聚点个数、一段时间内的不常去聚点个数、总聚点个数和行程时长分别进行归一化处理；
通过双重阈值和乘积加权的方法计算归一化处理后的车辆的每天聚点个数、一段时间内的不常去聚点个数、总聚点个数和行程时长，得到所述车辆为营运性车辆的概率。
在本发明的第二方面，本发明提供了一种营运性车辆的判断装置，包括：
获取模块，用于获取车辆的行程数据，所述行程数据包括用户id、一段时间内的行程起点、行程开始时间、行程终点、行程结束时间、行程停留时间、行程时长和精确到日的日期；
计算模块，用于根据所述行程数据，确定所述车辆的用户的居住地信息和工作地信息；
判断模块，用于根据所述车辆的行程数据以及用户的居住地信息和工作地信息，判断所述车辆是否为营运性车辆。
在本发明的一些实施例中，所述获取模块还用于：
对所有行程起点、行程终点的经纬度进行距离计算，把距离近的行程起点和行程终点作为一个聚点，从而得到多个聚点。
在本发明的一些实施例中，所述判断模块，用于：
根据所述车辆的行程数据以及用户的居住地信息和工作地信息，判断所述车辆是否为通勤车辆；若是，则所述车辆为非营运性车辆；若否，则继续判断所述车辆是否为营运性车辆
在本发明的一些实施例中，所述判断模块，用于：
判断用户是否有居住地，如果用户没有居住地，则判断用户的车辆为非营运性车辆；如果用户有居住地，则继续判断用户是否有工作地，如果用户有工作地，则用户的车辆为通勤车辆，判断用户的车辆为非营运性车辆；如果用户没有工作地，则继续判断车辆是否为营运性车辆。
在本发明的一些实施例中，判断车辆是否为营运性车辆，包括：
根据车辆的每天聚点个数、一段时间内的不常去聚点个数、总聚点个数和行程时长，计算所述车辆为营运性车辆的概率；
根据所述车辆为营运性车辆的概率，判断所述车辆是否为营运性车辆。
在本发明的一些实施例中，根据车辆的每天聚点个数、一段时间内的不常去聚点个数、总聚点个数和行程时长，计算所述车辆为营运性车辆的概率，包括：
根据行程数据计算车辆的每天聚点个数、一段时间内的不常去聚点个数、总聚点个数和行程时长；
对所述车辆的每天聚点个数、一段时间内的不常去聚点个数、总聚点个数和行程时长分别进行归一化处理；
通过双重阈值和乘积加权的方法计算归一化处理后的车辆的每天聚点个数、一段时间内的不常去聚点个数、总聚点个数和行程时长，得到所述车辆为营运性车辆的概率。
在本发明的第三方面，本发明提供了一种电子设备，包括：
一个或多个处理器；
存储装置，用于存储一个或多个程序，
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现上述任一实施例所述的方法。
在本发明的第四方面，本发明提供了一种计算机可读介质，其上存储有计算机程序，所述程序被处理器执行时实现上述任一实施例所述的方法。
本发明实施例提供的营运性车辆的判断方法和装置通过选取一段时间内的行程数据，以行程“长度”和“分散度”作为判断车辆是否是营运性车辆的指标，筛选出开车时长较长，去的聚点数较多较杂乱的非通勤用户；然后对用户的行程数据进行进一步计算，得到其是营运车辆的概率，并设定阈值判断该用户的车辆是否是营运性车辆。本发明的优点在于结合用户居住地和工作地信息进行数据的初步筛选，能有效减小数据干扰和计算量，以月行程时长为主，月聚点分散度、日聚点分散度、低频访问点为辅共同衡量车辆是营运性车辆的可能性，对各项因素采取双重阈值和乘积加权，从而得到是营运性车辆的概率。
附图说明
图1为本发明一个实施例中提供的营运性车辆的判断方法的方法流程图；
图2为本发明另一个实施例中提供的营运性车辆的判断方法的方法流程图；
图3为本发明一个实施例中提供的营运性车辆的判断装置的结构示意图；
图4为根据本发明实施例的基于营运性车辆的判断方法的电子设备的硬件结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明白，以下结合具体实施例，并参照附图，对本发明进一步详细说明。
参见图1，其为本发明一个实施例中提供的营运性车辆的判断方法的方法流程图。作为本发明的一个实施例，所述方法包括：
步骤101，获取车辆的行程数据，所述行程数据包括用户id、一段时间内的行程起点、行程开始时间、行程终点、行程结束时间、行程停留时间、行程时长和精确到日的日期。
根据单条行程不足以判断车辆是否为营运性车辆，在本发明的一些实施例中，所述行程数据是指一段时间内的行程数据，例如一天、一周、一个月、一个季度、半年或者一年内的行程数据。
以下以一个月内的行程数据为例，获取车辆的行程数据，所述行程数据包括：车辆的用户id、在一个月内的行程起点、行程开始时间、行程终点、行程结束时间、行程停留时间、行程时长和精确到日的日期。
作为本发明的一个实施例，可以从ubi_dw_cluster_point(行程聚点表)中获取用户id、时间区间内的行程起点、行程开始时间、行程终点、行程结束时间、行程停留时间、行程时长和精确到日的日期等，该表以行程为单位存储信息，即每条行程对应一条信息。
举例来说，针对一条行程，所述行程聚点表的字段信息包括：
表1
按照stat_date(日期字段，精确到月)提取一个月的行程。在本发明实施例提供的方法中，步骤103用到行程聚点表的字段信息包括用户id、行程时长、行程起点编号、精确到日的日期，具体如下：
表2
在该实施例中，获取一个月内的所有起点编号，根据起点编号的不同判断去过多少个不同的地方。因此，通过一个月内的所有起点编号，可以获得一个月内不同行程起点的数量，每天不同行程起点的数量，以及只去过一次的行程起点数量，这些信息可以用来衡量行程的分散程度。
作为本发明的又一个实施例，所述方法还包括：对所述行程起点和行程终点进行聚点编号。具体地，所述聚点编号的步骤是：对所有行程起点、行程终点的经纬度进行距离计算，把距离近的行程起点和行程终点聚在一起，算作一个聚点，定义一个相同的编号1，再把剩余的起点、终点中距离近的经纬度聚在一起，算作一个聚点，定义一个相同的聚点编号2，依次得到聚点编号3、4、5等。这样每个起点和终点不仅有经纬度，也有聚点编号。
进行聚点编号的工作有两个好处：1.把一些相近的点聚在一起，提高判断准确性；2.经纬度是二维的，也就是一个点要用经度、纬度两个值来表示，并且是带有很多位小数的，而聚点编号只用一个整数，便于将其用于判断步骤中。
在本发明中，聚点是起点和终点的总称。聚点比经纬度更笼统，更简洁，更有代表意义。例如，即便都是在家楼下，用户不可能每次都停在同一个位置分毫不差，而经纬度精度又很高，所以如果看经纬度的话每次的位置都不同，也就是相当于用户每开一次车就去了不同的地方，这显然会影响判断结果。因此，本发明通过聚点，把一定范围以内的起点或终点聚合到一起视为一个聚点，就可以把家楼下的一小块范围都算作一个聚点，并对其进行编号，在保持精度要求的前提下避免了将同一地点不同停车位置视为不同地点的问题。
该行程聚点表将1公里以内的起点或终点聚合到一起视为一个聚点，在保持精度要求的前提下避免了将同一地点不同停车位置视为不同地点的问题。需要指出的是，1公里以内只是本发明的一种实施方式，也可以将1.2公里以内的起点或终点聚合到一起视为一个聚点，也可以将2公里以内的起点或终点聚合到一起视为一个聚点，本发明对此不作限制。
需要指出的是，第1条行程的终点就是第2条行程的起点，第2条行程的终点就是第3条行程的起点，所以采集了所有的行程起点就相当于采集了所有的行程终点。本发明实施例对全部车辆都只统计起点，在这种情况下，起点和聚点可以认为是等价的。
步骤102，根据所述行程数据，确定所述车辆的用户的居住地信息和工作地信息。
一般来说，要以一段时间内的车辆的行程起点和行程终点来确定用户的居住地和工作地，以提高准确性。比如，一周、半个月、一个月、一个季度、半年或者一年内的行程起点和行程终点。需要说明的是，所述车辆的用户的居住地和工作地可以根据所述行程数据而确定。确定居住地信息和工作地信息需要用到的行程数据包括：用户id、起点(编号和经纬度)、行程开始时间、终点(编号和经纬度)、行程结束时间、行程停留时间。
具体地，根据行程聚点表以及聚点编号可以统计车辆去过哪些地方(起点、终点)，去过多少次，停留多长时间，在哪里过夜(晚上停留在哪里)，工作日去哪里，在哪里停留，几点到达这些点，于是可以推算用户的居住地和工作地的位置。
作为本发明的再一个实施例，通过行程聚点表得到ubi_dm_address_recognition(居住地和工作地表)，并可以从中获取用户id、居住地和工作地等信息，该表以用户id为单位存储信息，即每个用户id每个月对应一条信息，包含用户id、用户的居住地和工作地的聚点编号。
举例来说，针对一个用户id一个月的信息，所述表格的字段信息包括：
表3
在本发明实施例提供的方法中，用到居住地和工作地表的字段信息包括用户id、居住地的聚点编号和工作地的聚点编号：
表4
步骤103，根据所述车辆的行程数据以及用户的居住地信息和工作地信息，判断所述车辆是否为营运性车辆。
在该步骤中，根据deviceid和imei将表2和表4进行连接，将车辆的行程数据以及用户的居住地和工作地的信息结合在一起。需要说明的是，deviceid和imei具有相同的含义，只是为了便于区分表格以及在验证过程中更好的区分数据来源。
具体地，所述步骤103包括：
根据所述车辆的行程数据以及用户的居住地和工作地，判断所述车辆是否为通勤车辆；若是，则所述车辆为非营运性车辆；若否，则继续判断所述车辆是否为营运性车辆。在本发明的实施例中，如果一个车辆是通勤车辆，即每天规律的上下班，则直接判断这个车辆为非营运车辆；而对于非通勤车辆，则要继续判断其是否为营运性车辆。
可选地，判断所述车辆是否为通勤车辆，包括：判断是否有用户的居住地的聚点编号，若否，则所述车辆为非营运性车辆；若是，则继续判断是否有用户的工作地的聚点编号；若是，则所述车辆为通勤车辆，若否，则所述车辆为非通勤车辆。
作为本发明的再一个实施例，如图2所示，所述步骤103包括：
判断用户是否有居住地，如果用户没有居住地(体现为居住地和工作地表的home1字段为0)，则直接判断用户的车辆为非营运性车辆(表明该用户该月行程信息较少，那么也不考虑其是否为营运车辆)；如果用户有居住地(体现为居住地和工作地表的home1字段不为0)，则继续判断用户是否有工作地，如果用户有工作地(体现为居住地和工作地表的company1字段不为0)，则用户的车辆为通勤车辆，判断用户的车辆为非营运性车辆；如果用户没有工作地(体现为居住地和工作地表的company1字段为0)，则继续判断车辆是否为营运性车辆。
如果一辆车为营运性车辆，那么它应该具有如下特点：行程多且分散。因此本发明实施例提供的方法从多个维度衡量车辆的行程量以及行程的分散程度。作为本发明的又一个实施例，对于非通勤车辆，判断车辆是否为营运性车辆，包括：根据车辆的每天聚点个数、不常去聚点个数、总聚点个数和行程时长，计算所述车辆为营运性车辆的概率；根据所述车辆为营运性车辆的概率，判断所述车辆是否为营运性车辆。
所述不常去聚点个数、总聚点个数和行程时长是指一段时间内的不常去聚点个数、总聚点个数和行程时长，例如一天、一周、一个月、一个季度、半年或者一年内的不常去聚点个数、总聚点个数和行程时长。
仍然以一个月为例，在该步骤中，根据车辆的每天聚点个数、一个月的不常去聚点个数、一个月的总聚点个数和一个月的行程时长，计算所述车辆为营运性车辆的概率；根据所述车辆为营运性车辆的概率，判断所述车辆是否为营运性车辆。
具体地，计算过程如下：
1)根据所述行程数据计算车辆的每天聚点个数、一段时间内的不常去聚点个数、总聚点个数和行程时长。
以一个月为例，如下表：
表5
可选地，每天聚点个数的计算方法为：
统计该用户每天所有起点编号(表2中的第23个字段)，对每天的起点编号去重，取不重复项，即看该用户每天去了多少个不同的地方，再按月求平均，即sum(每天去过的不同的聚点个数)/车辆在线天数。
可选地，不常去聚点个数的计算方法为：
统计该用户一个月内所有起点编号(表2中的第23个字段)，计算各个聚点的频率，计算频率等于1的聚点的个数。
可选地，总聚点个数的计算方法为：
统计该用户一个月内所有起点编号(表2中的第23个字段)，去重，取不重复项，得到不重复的聚点编号的个数。
可选地，行程时长的计算方法为：
统计该用户一个月内所有行程时长(表2中的第7个字段)，并进行累加，得到该月的总行程时长，此时的单位是秒，再换算为小时。
2)上述四个参量(每天聚点个数、不常去聚点个数、总聚点个数和行程时长)分别进行归一化，每天聚点个数、不常去聚点个数、总聚点个数、行程时长分别以3，10，25，40作为下限基准，以5，20，50，120作为上限基准，即当dis_sp_ac＝3，dis_op＝10，s_mp＝25，s_fre＝40时，分别归一化为0，0，0，0，当dis_sp_ac＝5，dis_op＝20，s_mp＝50，s_fre＝120时，分别归一化为1，1，1，1。
例如只考虑每天聚点个数这一部分，若每天聚点个数3，则它归一化为0，若每天聚点个数4，则它归一化为0.5，若每天聚点个数5，则它归一化为1。特别的，为了不使某项因素对结果的影响过分大，当该项因素超过它的上限标准时，归一化为1，当该项因素低于它的下限标准时，归一化为0，同时，这样做也保证了概率不为负数。例如，当每天聚点个数大于5时，它依然归一化为1，当每天聚点个数小于3时，它依然归一化为0。
同理，当不常去聚点个数、总聚点个数、行程时长处于上下限基准之间时，分别将它们进行线性归一化，得到一个0-1范围的值。
prob1＝floor(dis_sp_ac-3)×0.5
prob2＝floor((dis_op-10)/5)×0.5
prob3＝floor((s_mp-25)/5)×0.2
prob4＝floor((s_fre-40)/10)×0.125
3)计算其为营运性车辆的概率：
①当dis_sp_ac<3，dis_op<8，s_m<20，s_fre<40时，判断其是非营运性车辆，同时，将其是营运性车辆的概率置0。
oper_prob＝0
②当dis_sp_ac>＝3，dis_op>＝10，s_mp>＝25，s_fre>＝40时，即所有的指标都符合设定的阈值，认为其很可能是营运性车辆，给予它一个较高的基础概率，比如0.5，并且，每天聚点个数、不常去聚点个数、总聚点个数、行程时长分别占比0.1，0.1，0.1，0.2，所以其是营运车辆的概率为：
oper_prob＝0.5+0.1×prob1+0.1×prob2+0.1×prob3+0.2×prob4
需要说明的是，所述基础概率也可以是0.55，0.58，0.6，0.63等等。
③当dis_sp_ac>＝3，10>dis_op>＝8，25>s_mp>＝20，s_fre>＝40时，即不满足条件②中的所有指标，但是某些指标很高，认为其也有可能是营运性车辆，给予它一个较低的基础概率，比如0.2，并且，每天聚点个数、不常去聚点个数、总聚点个数、行程时长分别占比0.1，0.1，0.1，0.2，所以其是营运车辆的概率为：
oper_prob＝0.2+0.1×prob1+0.1×prob2+0.1×prob3+0.2×prob4
需要说明的是，所述基础概率也可以是0.16，0.18，0.24，0.3等等。
于是，通过计算可以得到车辆是营运性车辆的概率：
4)根据所述车辆为营运性车辆的概率，判断所述车辆是否为营运性车辆。
具体地，可以分别设置多个阈值，来判断所述车辆是否为营运性车辆。例如，阈值分别为0.6和0.8，见下表：
本发明对各项因素(每天聚点个数、不常去聚点个数、总聚点个数、行程时长)采取双重阈值(上文中的dis_sp_ac>＝3，dis_op>＝10，s_mp>＝25，s_fre>＝40和dis_sp_ac>＝3，10>dis_op>＝8，25>s_mp>＝20，s_fre>＝40)，并采取乘积加权(上文中的oper_prob＝0.5+0.1×prob1+0.1×prob2+0.1×prob3+0.2×prob4和oper_prob＝0.2+0.1×prob1+0.1×prob2+0.1×prob3+0.2×prob4)得到最终的是营运性车辆的概率。
而且，本发明分别统计每天的不同聚点数，一段时间内的不同聚点数，只去过一次的聚点数以及开车时长等多维因素；对各项因素采取双重阈值，对满足较高条件的给予较高的基础概率，对满足较低条件的给予较低的基础概率，可以进一步提高计算结果的准确性。
由此可见，本发明实施例提供的营运性车辆的判断方法通过选取一段时间内的行程数据，以行程“长度”和“分散度”作为判断车辆是否是营运性车辆的指标，筛选出开车时长较长，去的聚点数较多较杂乱的非通勤用户；然后对用户的行程数据进行进一步计算，得到其是营运车辆的概率，并设定阈值判断该用户的车辆是否是营运性车辆。本发明的优点在于结合用户居住地和工作地信息进行数据的初步筛选，能有效减小数据干扰和计算量，以月行程时长为主，月聚点分散度、日聚点分散度、低频访问点为辅共同衡量车辆是营运性车辆的可能性，对各项因素采取双重阈值和乘积加权，从而得到是营运性车辆的概率。
作为本发明的又一个实施例，本发明实施例还提供了一种营运性车辆的判断装置，如图3所示，包括获取模块301、计算模块302和判断模块303，其中，所述获取模块301用于获取车辆的行程数据，所述行程数据包括一段时间内的行程起点、行程开始时间、行程终点、行程结束时间和行程时长；所述计算模块302用于根据所述行程数据，确定所述车辆的用户的居住地信息和工作地信息；所述判断模块303用于根据所述车辆的行程数据以及用户的居住地信息和工作地信息，判断所述车辆是否为营运性车辆。
可选地，所述获取模块还用于对所有行程起点、行程终点的经纬度进行距离计算，把距离近的行程起点和行程终点作为一个聚点，从而得到多个聚点。
可选地，所述判断模块用于根据所述车辆的行程数据以及用户的居住地信息和工作地信息，判断所述车辆是否为通勤车辆；若是，则所述车辆为非营运性车辆；若否，则继续判断所述车辆是否为营运性车辆
可选地，所述判断模块用于判断用户是否有居住地，如果用户没有居住地，则判断用户的车辆为非营运性车辆；如果用户有居住地，则继续判断用户是否有工作地，如果用户有工作地，则用户的车辆为通勤车辆，判断用户的车辆为非营运性车辆；如果用户没有工作地，则继续判断车辆是否为营运性车辆。
可选地，判断车辆是否为营运性车辆，包括：
根据车辆的每天聚点个数、一段时间内的不常去聚点个数、总聚点个数和行程时长，计算所述车辆为营运性车辆的概率；
根据所述车辆为营运性车辆的概率，判断所述车辆是否为营运性车辆。
可选地，根据车辆的每天聚点个数、一段时间内的不常去聚点个数、总聚点个数和行程时长，计算所述车辆为营运性车辆的概率，包括：
根据行程数据计算车辆的每天聚点个数、一段时间内的不常去聚点个数、总聚点个数和行程时长；
对所述车辆的每天聚点个数、一段时间内的不常去聚点个数、总聚点个数和行程时长分别进行归一化处理；
通过双重阈值和乘积加权的方法计算归一化处理后的车辆的每天聚点个数、一段时间内的不常去聚点个数、总聚点个数和行程时长，得到所述车辆为营运性车辆的概率。
由此可见，本发明实施例提供的营运性车辆的判断装置通过选取一段时间内的行程数据，以行程“长度”和“分散度”作为判断车辆是否是营运性车辆的指标，筛选出开车时长较长，去的聚点数较多较杂乱的非通勤用户；然后对用户的行程数据进行进一步计算，得到其是营运车辆的概率，并设定阈值判断该用户的车辆是否是营运性车辆。本发明的优点在于结合用户居住地和工作地信息进行数据的初步筛选，能有效减小数据干扰和计算量，以月行程时长为主，月聚点分散度、日聚点分散度、低频访问点为辅共同衡量车辆是营运性车辆的可能性，对各项因素采取双重阈值和乘积加权，从而得到是营运性车辆的概率。
根据本发明的实施例，本发明还提供了一种电子设备和一种计算机可读存储介质。
本发明的电子设备包括：至少一个处理器；以及，与该至少一个处理器通信连接的存储器；其中，该存储器存储有可被该一个处理器执行的指令，该指令被该至少一个处理器执行，以使该至少一个处理器执行本发明所提供的营运性车辆的判断方法。
本发明实施例提供的计算机可读存储介质存储有计算机指令，该计算机指令用于使计算机执行本发明所提供的营运性车辆的判断方法。
图4是根据本发明实施例的基于营运性车辆的判断方法的电子设备的硬件结构示意图。如图4所示，该电子设备包括：一个或多个处理器401以及存储器402，图4中以一个处理器401为例。其中，存储器402即为本发明所提供的非暂态计算机可读存储介质。所述电子设备还可以包括：输入装置403和输出装置404。
处理器401、存储器402、输入装置403和输出装置404可以通过总线或者其他方式连接，图4中以通过总线连接为例。
存储器402作为一种计算机可读存储介质，可用于存储软件程序、计算机可执行程序指令以及模块，如与本发明实施例中的营运性车辆的判断方法对应的程序指令——例如，图3所示的获取模块、计算模块和判断模块。处理器401通过运行存储在存储器402中的软件程序、指令以及模块，从而执行基于营运性车辆的判断方法的各种功能应用以及数据处理，即实现上述方法实施例中的营运性车辆的判断方法。
存储器402可以包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需要的应用程序。此外，存储器402可以包括高速随机存取存储器，还可以包括非暂态存储器，例如至少一个磁盘存储器件、闪存器件、或其他非暂态固态存储器件。在一些实施例中，存储器402可选包括相对于处理器401远程设置的存储器，这些远程存储器可以通过网络连接至该电子设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。输出装置404可包括显示屏等显示设备
所述一个或者多个模块存储在存储器402中，当被一个或者多个处理器401执行时，执行实现上述任意方法实施例中的营运性车辆的判断方法。
上述产品可执行本发明实施例所提供的方法，具备执行方法相应的功能模块和有益效果。未在本实施例中详尽描述的技术细节，可参见本发明实施例所提供的方法。
所属领域的普通技术人员应当理解：以上任何实施例的讨论仅为示例性的，并非旨在暗示本公开的范围(包括权利要求)被限于这些例子；在本发明的思路下，以上实施例或者不同实施例中的技术特征之间也可以进行组合，并存在如上所述的本发明的不同方面的许多其它变化，为了简明它们没有在细节中提供。因此，凡在本发明的精神和原则之内，所做的任何省略、修改、等同替换、改进等，均应包含在本发明的保护范围之内。