车辆关键路径的识别方法、系统和电子装置与流程

1.本技术涉及城市道路交通技术领域，特别是涉及车辆关键路径的识别方法、系统和电子装置。


背景技术：

2.缓解交通拥堵一直是大城市所面临的最重要的难题之一，随着车辆保有量不断增加，道路越来越拥堵，尤其是在早晚高峰。可以通过采取强硬的缓堵措施解决道路拥堵的问题，比如限行政策，但出行者对于强硬的缓堵措施越来越反感，导致出行者体验感不好，因此精细化、个性化的缓堵措施越来越被看重。而制定精细化的缓堵措施的前提就需要对出行车辆的轨迹分析作为基础。比如近年来流行的定制公交，需要了解出行者的出行轨迹以便更好的制定定制公交的时间和线路。然而在相关技术中，一般是通过人工识别车辆的关键路径，导致识别结果不准确，效率低。
3.目前针对相关技术中通过人工识别车辆的关键路径，导致识别结果不准确，效率低的问题，尚未提出有效的解决方案。


技术实现要素：

4.本技术实施例提供了一种车辆关键路径的识别方法、系统和电子装置，以至少解决相关技术中通过人工识别车辆的关键路径，导致识别结果不准确，效率低的问题。
5.第一方面，本技术实施例提供了一种车辆关键路径的识别方法，所述方法包括：
6.通过总车辆数据库识别出预设区域内车辆的类型；
7.根据车辆的时空轨迹，获得每种类型车辆的时空轨迹集，根据所述每种类型车辆的时空轨迹集，获得每种类型车辆的时空轨迹相似性矩阵；
8.使用聚类算法，基于每种类型车辆的时空轨迹相似性矩阵，将每种类型车辆划分为不同的簇，获得每种类型车辆的关键路径。
9.在其中一些实施例中，所述通过总车辆数据库识别出预设区域内车辆的类型之前，所述方法还包括：
10.所述总车辆数据库将通过下述方法划分成出租车数据库、网约车数据库、临时办事车辆数据库、频繁过境车辆数据库和剩余车辆数据库；
11.基于车牌规则和出行频率，识别出出租车，构建所述出租车数据库；
12.根据车辆的日检测次数、总出行时长、总出行距离和夜间总出行时长，获得所有车辆的分数值；
13.根据出租车最小分数值和最大分数值筛选出出租车和网约车后，剔除出租车，构建所述网约车数据库；
14.根据出行天数识别出临时办事车辆，构建所述临时办事车辆数据库，根据日均被检测频次识别出频繁过境车辆，构建所述频繁过境车辆数据库；
15.排除出租车、网约车、临时办事车辆和频繁过境车辆，得到剩余车辆，所述剩余车
辆类别包括通勤模式车辆、家庭不常用车辆和公司商务车辆；
16.根据剩余车辆的特征向量和类别标签训练决策树模型，获得预训练的决策树模型，根据预训练的决策树模型获得剩余车辆类别的识别规则，根据剩余车辆类别的识别规则获得所述剩余车辆数据库。
17.在其中一些实施例中，所述根据车辆的日检测次数、总出行时长、总出行距离和夜间总出行时长，获得所有车辆的分数值包括：
18.根据车辆的日检测次数、总出行时长、总出行距离和夜间总出行时长，构建标准化后的正向化特征值矩阵；
19.根据所述标准化后的正向化特征值矩阵，获得每辆车与最优解的距离和每辆车与最劣解的距离；
20.根据所述每辆车与最优解的距离和所述每辆车与最劣解的距离，获得每辆车的分数值。
21.在其中一些实施例中，所述根据剩余车辆的特征向量和类别标签训练决策树模型之前，所述方法包括：
22.根据剩余车辆类别数确定聚类数目，对剩余车辆使用迭代自组织数据分析算法进行聚类分析，获得聚类结果和聚类特征，将所述聚类结果作为类别标签，所述聚类特征作为剩余车辆的特征向量；
23.其中，所述聚类特征为剩余车辆的车辆行为特征，所述剩余车辆的车辆行为特征包括：出行天数、日均被检测频次、早晚高峰出行天数、早晚高峰日均被检测频次、非早晚高峰出行天数和非早晚高峰日均被检测频次。
24.在其中一些实施例中，获取所述预设区域内早晚高峰时间段包括如下步骤：
25.将一天划分为预设数值个时间间隔；
26.获取在各个时间间隔内首次被检测到的车辆数占总车辆数的比例，比例高于设定阈值的时间间隔为早高峰；
27.获取在各个时间间隔内末次被检测到的车辆数占总车辆数的比例，比例高于设定阈值的时间间隔为晚高峰。
28.在其中一些实施例中，所述根据车辆的时空轨迹，获得每种类型车辆的时空轨迹集包括：
29.所述车辆的时空轨迹包括车辆在一天中被检测到的时间以及被检测到时所在的经纬度位置构成的时空序列，每种类型所有车辆的时空轨迹构成所述每种类型车辆的时空轨迹集。
30.在其中一些实施例中，所述根据每种类型车辆的时空轨迹集，获得每种类型车辆的时空轨迹相似性矩阵包括：
31.所述时空轨迹集包括时间轨迹集和空间轨迹集；
32.根据动态时间规整算法获得所述时间轨迹集中任意两个时间轨迹之间的相似性，根据所述任意两个时间轨迹之间的相似性，获得时间轨迹相似性矩阵；
33.根据动态时间规整算法获得所述空间轨迹集中任意两个空间轨迹之间的相似性，根据所述任意两个空间轨迹之间的相似性，获得空间轨迹相似性矩阵；
34.根据每种类型车辆的时间轨迹相似性矩阵和每种类型车辆的空间轨迹相似性矩
阵，获得每种类型车辆的时空轨迹相似性矩阵。
35.在其中一些实施例中，根据时间轨迹相似性矩阵和空间轨迹相似性矩阵，获得时空轨迹相似性矩阵包括：
36.尺寸比例系数倍的所述时间轨迹相似性矩阵与所述空间轨迹相似性矩阵之和为所述时空轨迹相似性矩阵。
37.第二方面，本技术实施例提供了一种车辆关键路径的识别系统，所述系统包括识别模块、获取模块和划分模块，
38.所述识别模块，用于通过总车辆数据库识别出预设区域内车辆的类型；
39.所述获取模块，用于根据车辆的时空轨迹，获得每种类型车辆的时空轨迹集，根据所述每种类型车辆的时空轨迹集，获得每种类型车辆的时空轨迹相似性矩阵；
40.所述划分模块，用于使用聚类算法，基于每种类型车辆的时空轨迹相似性矩阵，将每种类型车辆划分为不同的簇，获得每种类型车辆的关键路径。
41.第三方面，本技术实施例提供了一种电子装置，包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如上述第一方面所述的车辆关键路径的识别方法。
42.相比于相关技术，本技术实施例提供的车辆关键路径的识别方法，通过总车辆数据库识别出预设区域内车辆的类型，根据车辆的时空轨迹，获得每种类型车辆的时空轨迹集，根据每种类型车辆的时空轨迹集，获得每种类型车辆的时空轨迹相似性矩阵，使用聚类算法，基于每种类型车辆的时空轨迹相似性矩阵，将每种类型车辆划分为不同的簇，获得每种类型车辆的关键路径，基于对每种类型车辆的关键路径进行分析，解决了通过人工识别车辆的关键路径导致识别结果不准确，效率低的问题，提高了车辆关键路径的识别效率。
附图说明
43.此处所说明的附图用来提供对本技术的进一步理解，构成本技术的一部分，本技术的示意性实施例及其说明用于解释本技术，并不构成对本技术的不当限定。在附图中：
44.图1是根据本技术实施例的车辆关键路径的识别方法的流程图；
45.图2是根据本技术实施例的车辆关键路径的识别系统的结构框图。
具体实施方式
46.为了使本技术的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本技术进行描述和说明。应当理解，此处所描述的具体实施例仅仅用以解释本技术，并不用于限定本技术。基于本技术提供的实施例，本领域普通技术人员在没有作出创造性劳动的前提下所获得的所有其他实施例，都属于本技术保护的范围。此外，还可以理解的是，虽然这种开发过程中所作出的努力可能是复杂并且冗长的，然而对于与本技术公开的内容相关的本领域的普通技术人员而言，在本技术揭露的技术内容的基础上进行的一些设计，制造或者生产等变更只是常规的技术手段，不应当理解为本技术公开的内容不充分。
47.在本技术中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本技术的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域普通技术人员显
式地和隐式地理解的是，本技术所描述的实施例在不冲突的情况下，可以与其它实施例相结合。
48.除非另作定义，本技术所涉及的技术术语或者科学术语应当为本技术所属技术领域内具有一般技能的人士所理解的通常意义。本技术所涉及的“一”、“一个”、“一种”、“该”等类似词语并不表示数量限制，可表示单数或复数。本技术所涉及的术语“包括”、“包含”、“具有”以及它们任何变形，意图在于覆盖不排他的包含；例如包含了一系列步骤或模块(单元)的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元，而是可以还包括没有列出的步骤或单元，或可以还包括对于这些过程、方法、产品或设备固有的其它步骤或单元。本技术所涉及的“连接”、“相连”、“耦接”等类似的词语并非限定于物理的或者机械的连接，而是可以包括电气的连接，不管是直接的还是间接的。本技术所涉及的“多个”是指大于或者等于两个。“和/或”描述关联对象的关联关系，表示可以存在三种关系，例如，“a和/或b”可以表示：单独存在a，同时存在a和b，单独存在b这三种情况。本技术所涉及的术语“第一”、“第二”、“第三”等仅仅是区别类似的对象，不代表针对对象的特定排序。
49.本实施例提供了一种车辆关键路径的识别方法，图1是根据本技术实施例的车辆关键路径的识别方法的流程图，如图1所示，该方法包括如下步骤：
50.步骤s101，通过总车辆数据库识别出预设区域内车辆的类型；本实施例中，总车辆数据库包括每种类型车辆的数据库，预先构建好每种类型车辆的数据库后，即可在识别到车牌号时，基于总车辆数据库判断该车牌号对应的车辆类型。
51.步骤s102，根据车辆的时空轨迹，获得每种类型车辆的时空轨迹集，根据每种类型车辆的时空轨迹集，获得每种类型车辆的时空轨迹相似性矩阵；具体的，当检测到车辆时，记录检测到车辆时的时间和空间位置，车辆一天内被检测到时所对应的时间和空间位置构成车辆的时空轨迹。
52.步骤s103，使用聚类算法，基于每种类型车辆的时空轨迹相似性矩阵，将每种类型车辆划分为不同的簇，获得每种类型车辆的关键路径。本实施例中，聚类算法可以采用dbscan算法，dbscan算法为基于密度的噪点空间聚类算法，根据该算法将每种类型车辆中时空轨迹相似的车辆划分为一个簇，从而得到不同的簇，每个簇代表每种类型车辆的关键路径，通过对车辆类型进行划分，聚焦于某种出行模式，不会被其他出行模式所干扰，减小了样本数据集的异质性。
53.通过对每种类型车辆的关键路径进行分析从而制定精细化、个性化的缓堵措施，例如基于通勤模式车辆数据库的关键路径分析便可以为定制公交的线路制定及优化提供支持，此外也可以为绿波带的设置路径提供理论依据，基于出租车数据库的关键路径分析可以用于出租车调度，防止出租车过度集中在相似的路径。
54.通过步骤s101至步骤s103，相对于相关技术中通过人工识别车辆的关键路径，导致识别结果不准确，效率低的问题本实施例通过总车辆数据库识别出预设区域内车辆的类型，根据车辆的时空轨迹，获得每种类型车辆的时空轨迹集，根据每种类型车辆的时空轨迹集，获得每种类型车辆的时空轨迹相似性矩阵，使用聚类算法，基于每种类型车辆的时空轨迹相似性矩阵，将每种类型车辆划分为不同的簇，获得每种类型车辆的关键路径，基于对每种类型车辆的关键路径进行分析，可以制定精细化、个性化的缓堵措施，解决了相关技术中通过人工识别车辆的关键路径，导致识别结果不准确，效率低的问题，提高了车辆关键路径
的识别效率，且本实施例中的车辆关键路径的识别方法可以容易地迁徙到任何一种时空出行数据中，比如gps轨迹数据、lbs数据等。
55.在其中一些实施例中，在通过总车辆数据库识别出预设区域内车辆的类型之前，需先构建每种类型车辆的数据库，得到总车辆数据库，总车辆数据库包括出租车数据库、网约车数据库、临时办事车辆数据库、频繁过境车辆数据库和剩余车辆数据库。构建每种类型车辆的数据库过程如下：
56.首先，对路网上的出租车和网约车进行识别。出租车往往有特殊的车牌标志，比如杭州市的出租车一定是“浙at****”，即车牌中必须带有字母t，且出租车出行的频率较高，因此首先基于车牌规则和出行频率对路网上的出租车进行识别，若车辆i满足公式1、2所述规则，则标志为出租车，为所有识别得到的出租车构建出租车数据库。
57.carnumi＝当地的出租车车牌规则
ꢀꢀ
公式1
58.f
ti
≥θ
ꢀꢀ
公式2
59.其中，carnumi为第i辆车的车牌号，f
ti
为车辆i的日均被检测频次，θ为人为设定阈值，推荐值为所有车辆日均被检测频次的95％分位数。
60.提取所有车辆的四个特征值用于网约车识别，包括日检测次数、总出行时长、总出行距离和夜间总出行时长，日检测次数单位为“次”，总出行时长单位为“秒”，总出行距离单位为“千米”，夜间出行时长单位为“秒”。
61.计算所有车辆的特征值矩阵并进行标准化，采用优劣解距离法(topsis,technique for order preference by similarity to an ideal solution)计算所有车辆的分数值。优劣解距离法的步骤如下：
62.1.构建正向化特征值矩阵。假设有n辆车，m个经过正向化的特征值，则构成的正向化特征值矩阵x如公式3所示：
[0063][0064]
2.将正向化特征值矩阵x标准化，消除量纲的影响，标准化后的正向化特征值矩阵为z，z中第i行第j列的元素z
ij
计算方式如公式4所示：
[0065][0066]
3.计算每辆车分别与最优解和最劣解的距离，由于经正向化处理后，最优解即为最大值，最劣解即为最小值，定义最大值z
+
：
[0067][0068]
定义最小值z-：
[0069]
[0070]
则第i(i＝1，2，...，n)辆车与最大值的距离如公式5所示：
[0071][0072]
第i(i＝1，2，...，n)辆车与最小值的距离如公式6所示：
[0073][0074]
其中，ωj为第j个特征的指标权重，指标权重可以使用熵权法或层次分析法等方法确定，也可人为指定，默认设为1。
[0075]
4.根据每辆车分别与最优解和最劣解的距离计算每辆车的分数值，记为gi并进行排序，如公式7所示：
[0076][0077]
针对上文中识别得到的出租车样本，计算每个出租车样本的分数值并进行统计分析，得到出租车的最小分数值为g
min
，最大分数值为g
max
，由于网约车和出租车在出行特征上表现较为一致，因此，网约车和出租车分数值相近，对所有车辆样本计算分数值后，分数值在[g
min
，g
max
]内的样本为出租车样本和网约车样本，剔除出租车样本，若网约车必须为本地车辆，则通过车牌属地进一步筛选，过滤掉外地车辆，剩余的车辆样本即为网约车样本，为所有识别得到的网约车构建网约车数据库。
[0078]
构建其余的车辆数据库，需先对预设区域早晚高峰时间段进行识别，提取出所有车辆每个工作日的首次出行被检测到的时间和每个工作日的末次出行被检测到的时间，然后以30分钟为一个时间间隔，将一天划分为48个时间间隔，分为以1-48作为各个时间间隔的索引，1代表00:00-00:30，2代表00:30-01:00，
…
，48代表23:30-24:00，这些整数值被定义为被检测时间索引。统计在各个被检测时间索引首次被检测到的车辆数占总车辆数的比例，以及末次被检测到的车辆数占总车辆数的比例。设定阈值α(推荐值为3.5％)，将首次被检测到的车辆数占总车辆数的比例高于α的时间段定为早高峰，末次被检测到的车辆数占总车辆数的比例高于α的时间段定为晚高峰。
[0079]
基于车牌号对除出租车和网约车外的所有车辆进行车辆行为特征，共提取出6个特征，包括：出行天数n
t
、日均被检测频次f
t
、早晚高峰出行天数n
tp
、早晚高峰日均被检测频次f
tp
、非早晚高峰出行天数n
to
和非早晚高峰日均被检测频次f
to
。
[0080]
设定阈值β(推荐值为2)，将n
t
＜β的车辆识别为临时办事车辆，构建临时办事车辆数据库。
[0081]
设定阈值γ(推荐值为2)，将f
t
≤γ的车辆识别为频繁过境车辆，构建频繁过境车辆数据库。
[0082]
排除出租车、网约车、临时办事车辆和频繁过境车辆，得到剩余车辆，对剩余车辆进行随机抽样，随机采样nv(推荐值为10000)辆车，使用迭代自组织数据分析算法(isodata)进行聚类分析，获得聚类结果和聚类特征，若剩余车辆类别包括通勤模式车辆、家庭不常用车辆和公司商务车辆三种，则isodata聚类算法的聚类数目k推荐设定为3。
[0083]
聚类特征即剩余车辆的车辆行为特征，将聚类结果作为类别标签，六个聚类特征作为特征向量，训练决策树模型，获得预训练的决策树模型后，通过预训练的决策树模型提
取出剩余车辆类别的识别规则，基于该识别规则对剩余车辆进行车辆画像，获得剩余车辆数据库，其中，剩余车辆数据库包括通勤模式车辆数据库、家庭不常用车辆数据库和公司商务车辆数据库。
[0084]
在其中一些实施例中，根据车辆的时空轨迹，获得每种类型车辆的时空轨迹集包括：
[0085]
对于车辆vi，它在一天中的时空轨迹si＝{[l
i1
，t
i1
]，...，[l
ij
，t
ij
]，...，[l
in
，t
in
]}，其中，l
ij
为时刻tj被路网上的检测器所检测到的经纬度位置，该出行车辆这一天共被检测到n次，时空轨迹si又可以被划分为时间轨迹sti以及空间轨迹ssi，sti＝{[t
i1
，...，t
iu
，...，t
in
]}，stj＝{[t
j1
，...，t
jw
，...，t
jm
]}，每辆出行车辆均可挖掘出其时空轨迹si，因此，一种类型车辆的时空轨迹集为d＝{s1，...，si，...，sn}，其中共有n辆出行车辆的时空轨迹，时空轨迹集也可以划分为时间轨迹集dt和空间轨迹集ds，dt＝{st1，...，sti，...，stn}，ds＝{ss1，...，ssi，...，ssn}。
[0086]
在其中一些实施例中，根据每种类型车辆的时空轨迹集，获得每种类型车辆的时空轨迹相似性矩阵包括：
[0087]
时空轨迹相似性矩阵m
st
包括时间轨迹相似性矩阵m
t
和空间轨迹相似性矩阵ms，构建时间轨迹相似性矩阵m
t
过程如下：
[0088]
假设两辆出行车辆的时间轨迹分别为sti和stj，sti＝{[t
i1
，...，t
iu
，...，t
in
]}，stj＝{[t
j1
，...，t
jw
，...，t
jm
]}，则通过公式8计算时间轨迹元素t
iu
和t
jw
之间的距离。
[0089]duw
＝|sec(t
iu
)-sec(t
jw
)|
ꢀꢀ
公式8
[0090]
其中，sec(.)为将时间转化为以秒为单位，d
uw
为t
iu
和t
jw
之间的距离。
[0091]
为了使用动态时间规整算法(dtw算法)得到两条时间轨迹的相似性，根据两辆出行车辆时间轨迹元素之间的距离，构建一个n*m的距离矩阵m
n，m
，如公式9所示：
[0092][0093]
得到距离矩阵m
n，m
之后，通过一个连续的元素序列w定义时间轨迹sti和stj之间的一个映射，其中，序列w中的元素是距离矩阵m
n，m
中的元素，序列w如公式10所示：
[0094]
w＝w1，w2，...，wk，...，wk，max(n，m)＜k≤m+n-1
ꢀꢀ
公式10
[0095]
序列w需要满足下列三个条件：
[0096]
1.边界条件：w1＝(1，1)，wk＝(n，m)，即w从距离矩阵m
n，m
的d
11
元素开始，到d
nm
元素结束。
[0097]
2.连续性：若w
k-1
＝(a
′
，b
′
)，那么对于路径的下一个点wk＝(a，b)，有a-a
′
≤1和b-b
′
≤1，这个限制要求w中相邻元素只能是距离矩阵m
n，m
中的相邻元素或对角元素。
[0098]
3.单调性：对于条件2中的wk和w
k-1
，需满足以下约束0≤(a-a
′
)和0≤(b-b
′
)，该约束条件使得w中的元素是在时间上是单调的。
[0099]
基于dtw算法计算两个时间轨迹之间的相似性如公式11所示：
[0100][0101]
ωk表示第k个元素的权重，一般设定从(a-1，b-1)到(a，b)的ω＝2，而从(a-1，b)或(a，b-1)到(a，b)的ω＝1，通过如此设置来补偿不同的元素序列有不同长度的情况。
[0102]
借助公式11可以构建时间轨迹相似性矩阵m
t
如公式12所示：
[0103][0104]
其中，d
tij
为第i个时间轨迹与第j个时间轨迹之间的相似性，总共有n辆出行车辆。
[0105]
构建空间轨迹相似性矩阵ms过程如下：
[0106]
假设两辆出行车辆的空间轨迹分别为ssi和ssj，ssi＝{[l
i1
，...，l
iu
，...，l
in
]}，ssj＝{[l
j1
，...，l
jw
，...，l
jm
]}，则空间轨迹元素l
iu
和l
jw
之间的距离计算方式为公式13所示：
[0107]duw
＝dist(l
iu
，l
jw
)
ꢀꢀ
公式13
[0108]
其中，l
iu
为ssi中的第u个元素，l
jw
为ssj中的第w个元素，dist(.)为两个经纬度点的直线距离。
[0109]
基于两条空间轨迹元素的距离计算公式，可以应用dtw算法计算两条空间轨迹之间的相似性，计算步骤与时间轨迹相似性的计算步骤一致，构建得到空间轨迹相似性矩阵ms如公式14所示：
[0110][0111]
其中，d
sij
为第i个空间轨迹与第j个空间轨迹之间的相似性，总共有n辆出行车辆。
[0112]
根据每种类型车辆的时间轨迹相似性矩阵和每种类型车辆的空间轨迹相似性矩阵，获得每种类型车辆的时空轨迹相似性矩阵。
[0113]
可选的，根据时间轨迹相似性矩阵和空间轨迹相似性矩阵，获得时空轨迹相似性矩阵m
st
包括：
[0114]
尺寸比例系数倍的时间轨迹相似性矩阵m
t
与空间轨迹相似性矩阵ms之和为时间轨迹相似性矩阵，如公式15所示：
[0115]mst
＝ms+λ*m
t
ꢀꢀ
公式15
[0116]
其中，λ为尺寸比例系数，可根据实际分析中时间轨迹相似性和空间轨迹相似性的情况设置不同值，实现时空轨迹相似性矩阵对时间维度和空间维度不同的权重分配。
[0117]
需要说明的是，在上述流程中或者附图的流程图中示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。
[0118]
本实施例还提供了一种车辆关键路径的识别系统，该系统用于实现上述实施例及优选实施方式，已经进行过说明的不再赘述。如以下所使用的，术语“模块”、“单元”、“子单元”等可以实现预定功能的软件和/或硬件的组合。尽管以下实施例所描述的装置较佳地以软件来实现，但是硬件，或者软件和硬件的组合的实现也是可能并被构想的。
[0119]
图2是根据本技术实施例的车辆关键路径的识别系统的结构框图，如图2所示，该系统包括识别模块21、获取模块22和划分模块23，识别模块21用于通过总车辆数据库识别出预设区域内车辆的类型，获取模块22用于根据车辆的时空轨迹，获得每种类型车辆的时空轨迹集，根据每种类型车辆的时空轨迹集，获得每种类型车辆的时空轨迹相似性矩阵，划
分模块23用于使用聚类算法，基于每种类型车辆的时空轨迹相似性矩阵，将每种类型车辆划分为不同的簇，获得每种类型车辆的关键路径，基于对每种类型车辆的关键路径进行分析，可以制定精细化、个性化的缓堵措施，解决了相关技术中通过人工识别车辆的关键路径，导致识别结果不准确，效率低问题。
[0120]
需要说明的是，上述各个模块可以是功能模块也可以是程序模块，既可以通过软件来实现，也可以通过硬件来实现。对于通过硬件来实现的模块而言，上述各个模块可以位于同一处理器中；或者上述各个模块还可以按照任意组合的形式分别位于不同的处理器中。
[0121]
本实施例还提供了一种电子装置，包括存储器和处理器，该存储器中存储有计算机程序，该处理器被设置为运行计算机程序以执行上述任一项方法实施例中的步骤。
[0122]
可选地，上述电子装置还可以包括传输设备以及输入输出设备，其中，该传输设备和上述处理器连接，该输入输出设备和上述处理器连接。
[0123]
需要说明的是，本实施例中的具体示例可以参考上述实施例及可选实施方式中所描述的示例，本实施例在此不再赘述。
[0124]
另外，结合上述实施例中的车辆关键路径的识别方法，本技术实施例可提供一种存储介质来实现。该存储介质上存储有计算机程序；该计算机程序被处理器执行时实现上述实施例中的任意一种车辆关键路径的识别方法。
[0125]
在一个实施例中，提供了一种计算机设备，该计算机设备可以是终端。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口、显示屏和输入装置。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种车辆关键路径的识别方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏，该计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。
[0126]
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，该计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本技术所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(rom)、可编程rom(prom)、电可编程rom(eprom)、电可擦除可编程rom(eeprom)或闪存。易失性存储器可包括随机存取存储器(ram)或者外部高速缓冲存储器。作为说明而非局限，ram以多种形式可得，诸如静态ram(sram)、动态ram(dram)、同步dram(sdram)、双数据率sdram(ddrsdram)、增强型sdram(esdram)、同步链路(synchlink)dram(sldram)、存储器总线(rambus)直接ram(rdram)、直接存储器总线动态ram(drdram)、以及存储器总线动态ram(rdram)等。
[0127]
本领域的技术人员应该明白，以上所述实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
[0128]
以上所述实施例仅表达了本技术的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本技术构思的前提下，还可以做出若干变形和改进，这些都属于本技术的保护范围。因此，本技术专利的保护范围应以所附权利要求为准。