CN102411846A - 一种车辆行为预警分析方法 - Google Patents

Abstract

本发明公开了一种车辆行为预警分析方法，包括：a、将车辆抓拍点位与城市区域划分相结合，构成多个封闭的环状结构，建立基础模型；b、在步骤a所述基础模型的基础上，结合车辆行驶轨迹形成的线状和/或环状结构，建立行为模型；c、结合步骤b所述行为模型，分析静态的城市区域与动态的车辆行踪结构，获取车辆的具体行驶行为信息；d、根据步骤c所得车辆的具体行驶行为信息，进行车辆行为的预警和决策处理。本发明所述车辆行为预警分析方法，可以克服现有技术中人工劳动量大、工作效率低、可靠性低与工作难度大等缺陷，以实现人工劳动量小、工作效率高、可靠性高与工作难度小的优点。

Description

一种车辆行为预警分析方法

技术领域

本发明涉及交通安全预警技术，具体地，涉及一种车辆行为预警分析方法。

背景技术

目前，随着公安部门对车辆管控的程度日渐增加，在公安工作中，需要对一些高危车辆、问题车辆的可能行为进行一个系统性预测，配合研判分析人员进行车辆违法行为的判断，达到一个防范未然的目的，减少车辆违法的可能性，对于社会治安防控起到一定的积极作用。

车辆行为预警分析技术的应用，解决车辆行为自动分析预警，可以在很大程度上实现车辆行为的自动分析判断。

常规方式中，采用人工方式进行车辆行为的判断，需要耗损大量的人力和时间，当面规模庞大的数据量时，人工方式已经无法进行任何操作，只能对其中的小部分车辆信息进行判断分析，工作效率极低。

可见，在实现本发明的过程中，发明人发现现有技术中至少存在人工劳动量大、工作效率低、可靠性低与工作难度大等缺陷。 

发明内容

本发明的目的在于，针对上述问题，提出一种车辆行为预警分析方法，以实现人工劳动量小、工作效率高、可靠性高与工作难度小的优点。

为实现上述目的，本发明采用的技术方案是：一种车辆行为预警分析方法，包括以下步骤：

a、将车辆抓拍点位与城市区域划分相结合，构成多个封闭的环状结构，建立基础模型；

b、在步骤a所述基础模型的基础上，结合车辆行驶轨迹形成的线状和/或环状结构，建立行为模型；

c、结合步骤b所述行为模型，分析静态的城市区域与动态的车辆行踪结构，获取车辆的具体行驶行为信息；

d、根据步骤c所得车辆的具体行驶行为信息，进行车辆行为的预警和决策处理。

进一步地，在步骤b中，所述行为模型包括车辆初次驶入城市或区域的行为模型，车辆快速过境城市或区域的行为模型，车辆重复路径动作的行为模型，以及车辆调头的行为模型。

进一步地，步骤c具体包括：

c1、根据所述基础模型和行为模型，获取车辆的当前行踪数据，即车辆当前的空间地点和时间信息；

c2、获取车辆的当前数据后，调用并加载相应车辆的历史行踪数据；

c3、加载所述车辆的历史行踪数据后，加载相应车辆当前的行为模型；

c4、加载相应车辆当前的行为模型后，进行行为模型匹配处理；

c5、判断行为模型匹配处理是否完毕，若是，则车辆行为的预警分析完成；否则，返回步骤c4。

进一步地，步骤c4具体包括：

c41：判断车辆当前的行为模型与历史行踪数据是否匹配，若是，则调用并加载与历史行踪数据相应的积分模型；否则，执行步骤c5；

c42：根据步骤c41所得已与车辆当前的行为模型相匹配的历史行踪数据，判断该历史行踪数据与积分模型是否匹配，若是，则进行积分累加后，执行步骤c5；否则，直接执行步骤c5。

本发明各实施例的车辆行为预警分析方法，由于包括：将车辆抓拍点位与城市区域划分相结合，构成多个封闭的环状结构，建立基础模型；在该基础模型的基础上，结合车辆行驶轨迹形成的线状和/或环状结构，建立行为模型；结合该行为模型，分析静态的城市区域与动态的车辆行踪结构，获取车辆的具体行驶行为信息；根据所得车辆的具体行驶行为信息，进行车辆行为的预警和决策处理；从而可以克服现有技术中人工劳动量大、工作效率低、可靠性低与工作难度大的缺陷，以实现人工劳动量小、工作效率高、可靠性高与工作难度小的优点。

本发明的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。

下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。

附图说明

附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。在附图中：

图1为根据本发明车辆行为预警分析方法的流程示意图；

图2为根据本发明车辆行为预警分析方法

图3为根据本发明车辆行为预警分析方法中基础模型的结构示意图；

图4为根据本发明车辆行为预警分析方法中行为模型示例一的结构示意图；

图5为根据本发明车辆行为预警分析方法中行为模型示例二的结构示意图；

图6为根据本发明车辆行为预警分析方法中行为模型示例三的结构示意图；

图7为根据本发明车辆行为预警分析方法中行为模型示例四的结构示意图。

具体实施方式

以下结合附图对本发明的优选实施例进行说明，应当理解，此处所描述的优选实施例仅用于说明和解释本发明，并不用于限定本发明。

根据本发明实施例，如图1-图7所示，提供了一种车辆行为预警分析方法。

如图1所示，本实施例的车辆行为预警分析方法，包括以下步骤：

步骤100：将车辆抓拍点位与城市区域划分相结合，构成多个封闭的环状结构，建立基础模型；

步骤101：在步骤100所得基础模型的基础上，结合车辆行驶轨迹形成的线状和/或环状结构，建立行为模型；

步骤102：结合步骤101所得行为模型，分析静态的城市区域与动态的车辆行踪结构，获取车辆的具体行驶行为信息；

步骤103：根据步骤102所得车辆的具体行驶行为信息，进行车辆行为的预警和决策处理。

在步骤102中，如图2所示，结合步骤101所得行为模型，分析静态的城市区域与动态的车辆行踪结构，获取车辆的具体行驶行为信息的步骤，具体可以包括以下步骤：

步骤200：根据上述基础模型和行为模型，获取车辆的当前行踪数据，即车辆当前的空间地点和时间信息，执行步骤201；

步骤201：获取车辆的当前数据后，调用并加载相应车辆的历史行踪数据，执行步骤202；

步骤202：加载所述车辆的历史行踪数据后，加载相应车辆当前的行为模型，执行步骤203；

步骤203：加载相应车辆当前的行为模型后，开始行为模型匹配处理，执行步骤204；

步骤204：判断车辆当前的行为模型与历史行踪数据是否匹配，若是，则执行步骤205；否则，执行步骤208；

步骤205：调用并加载与历史行踪数据相应的积分模型，执行步骤206；

步骤206：根据步骤204所得已与车辆当前的行为模型相匹配的历史行踪数据，判断该历史行踪数据与积分模型是否匹配，若是，则执行步骤207；否则，执行步骤208；

步骤207：进行积分累加后，执行步骤208；

步骤208：判断行为模型匹配处理是否完毕，若是，则执行步骤209；否则，返回步骤203；

步骤209：车辆行为的预警分析完成，用户可以根据所得车辆的具体行驶行为信息，进行车辆行为的预警和决策处理。

其中，步骤100所得基础模型，如图3所示；步骤101所得行为模型，可以包括如图4所示的车辆初次驶入城市或区域的行为模型，如图5所示的车辆快速过境城市或区域的行为模型，如图6所示的车辆重复路径动作的行为模型，以及如图7所示的车辆调头的行为模型。

在上述实施例中，所有车辆的行为都是通过自动分析取得的，对车辆的有关行为进行抽象提取，转化成数值的积分累积，来进行车辆行为的一个分析。

具体地，上述实施例的分析模型如下：

⑴基础数据依托：

在上述实施例的车辆行为预警分析方法中，车辆抓拍点位基本上对整个路网都进行了覆盖，这样，就为系统提供了大量的连续的车辆行踪位置信息。所有的信息中，最主要的就是车辆的空间和时间信息，在车辆的空间与时间信息连续分布的情况下，可以以此两项数据为依据，并且结合日常经验来对车辆的一个动作行为作出分析与推断；

⑵空间动作：

针对车辆抓拍点分布密集、覆盖完全的特点，把抓拍点位与城市区域划分相结合，构成多个封闭的环状结构，参见图3；在区域分布的基础上面，车辆行驶的轨迹又会形成新的线状或者环状结构，通过分析静态的区域和动态的车辆行踪结构我们可以获得车辆的一个行驶行为，从而为用户的决策分析提供支持；

⑶时间动作：

与车辆的空间动作相对应，还有时间动作，配合车辆的空间和时间行为再加上车辆本身的属性，就可以对行为进行判断和预测。

下面，列举几个的行为模型，具体说明上述实施例的车辆行为预警分析方法。

⑴初次进入：即是对指定车辆是否第一次进入城市或者某一区域。

如图4所示，抓拍点位的区域划分已经完成，从中可以选取出属于城市或者指定区域边界的点位集群P = {p1,p2…px}，然后判断是否从入口出现In(p)，从数据仓库中搜索指定车辆的历史轨迹，辨识是否有曾今在边界内部出现的数据记录E（y）

当两个条件同时成立，即A（初次） = In(P)& E（y）结果为真时，则该行为成立。

⑵快速出入：车辆的快速出入指的是不做停留，快速过境一个城市或者一个区域。

如图5所示，抓拍点位的区域划分已经完成，从中可以选取出属于城市或者指定区域边界的点位集群P = {p1,p2…px}，然后判断是否从入口出现In(p)已经最后从出口出现Out(p)，并且中间没有或少有重复地点经过No(y)。

当多个条件同时成立，即指定车辆从一边界进入，中间无重复路径，最后从同一边界驶出，A（快速出入） = In(P)& Out(P)& No（y）为真，则可以判定为车辆的快速出入行为。

⑶重复路径：车辆的重复路径动作，指的是车辆反复在同一条行驶路线上运动。

如图6所示，此次分析与区域划分无关，主要以车辆的行踪轨迹为主，及多次通过一个或多个地点，或者通过的地点位置有大比率是重复的，即A（重复） = IF（|P(x)| / P(y) < Z%），其中|P(x)|表示实际通过地点个数，P(y)表示通过的总地点数量，两者的比率越小就表明重复通行的路径可能性越高，Z%表示行为判定的阀值，当低于门限阀值是就表示车辆正在进行重复路径的行驶行为。

⑷调头：车辆调头是一种特殊行为。

如图7所示，指的是车辆在同一地点连续进行相反方向的行驶行为，即三组条件，P（x1，x2），是否同一地点，D（x，y）是否相反方向，L（x）是否连续发生，当A（调头）= P（x1，x2）&D（x，y）&L（x）结果为真时就表示车辆进行调头行为。

在上述实施例中，进行积分累加时，需要使用积分预置算法，具体说明如下：

由前述描述可知，车辆行为已经可以初步进行判断，为了能够在系统中进行量化分析，把车辆的描述性的行为转换为系统可以进行甄别决策量化数据，方便对一些异常行为进行预测，所以采用积分预警的方式。

其中，可疑行为分值定制的具体方法，可参见下表：

车辆行为	判定依据	实现方法
			可疑时间	在指定的时间段内多次出现	车辆通行时间积分是指某一辆车在指定的时间段内出现，系统就会给那一辆车增加积分，例如，系统设置的 限制时间为凌晨2点至3点，积分分值为10分，那么只要是在凌晨2点至3点出现并且被系统抓拍到车辆，这些辆车的分数就会自动增加10分。
可疑地点	在指定地区内多次出现	设定的地点可以是路口，也可以是一条道路，甚至可以是某一个大的区域，当车辆经过这些预先设定好的地点时，并且被系统抓拍到，那么就会给相应的车辆进行积分的增加。
			可疑轨迹	在深夜持续在某个区域循环活动	对于午夜23点至凌晨3点在系统中出现的车牌，自动分析它在午夜的行程，分析是否存在重复路线,即是否多次出现同一个出线地点。
	车辆在高发案地区持续活动	对在指定的高发案地区出前的车牌，自动分析在多日内（如一周）是否多次出现。
			临时过境车辆	在地区边界驶入后短时间内又从地区边界驶出	对于从地区边界驶出的车辆，自动检查它的最后一次边界驶入的纪录，分析两者的时间差，如果在指定的时间段内就表明是临时过境车辆。
换牌嫌疑	从地区边界出现后不再出现的车牌	对于从地区边界驶入的车辆，首先做好记录，等到指定的时间段后再次检查是否在其他地区出现，如果出现则消去，等到指定时间段后再重复上述步骤，如果多次重复检查之后仍然没有轨迹出现,则初步判定为换牌嫌疑。
				从地区边界外出的车辆在本地没有运行轨迹	对于从地区边界驶出的车辆，自动检查它在指定时间段内是否出现过行踪轨迹（如一周），如果没有检索到车牌轨迹,则初步判定为换牌嫌疑。
套牌嫌疑	连续出现的地点间隔较远,为不可能实现的路线；或者同一地点同一方向连续出现	对于系统中出现的每一个车牌,分析它的最近出现的时间、地点，如果短时间内地点相差过远，或者同一地点同一方向短时间内连续出现，则列为套牌嫌疑。
			连续违法	在短时间内多次出现交通违法行为	在短时间内多次出现交通违法行为，则作为该车出现连续违法行为。

由上表可知，针对每一种行为模型，指定相应分数，通过累计这些特殊行为的分数，来达到预警的目的；具体说明如下：

⑴通行时间积分判定：

车辆通行时间积分是指某一辆车在指定的时间段内出现，系统就会给那一辆车增加积分，例如，系统设置的 限制时间为凌晨2点至3点，积分分值为10分，那么只要是在凌晨2点至3点出现并且被系统抓拍到车辆，这些辆车的分数就会自动增加10分；

⑵出现地点积分判定：

除了时间以外，还可以对车辆的行驶地点进行积分的判定，设定的地点可以是路口，也可以是一条道路，甚至可以是某一个大的区域，当车辆经过这些预先设定好的地点时，并且被系统抓拍到，那么就会给相应的车辆进行积分的增加；

⑶车辆行为积分判定：

车辆的一些行为也可以作为积分的依据，当然，行为的积分可以有多种方式，下面就以违法行为为例说明，比如，直接以违法行为本身作为积分的依据，车辆只要一出现违法行为就直接进行积分的增加；可以对违法行为的次数进行分别的积分，比对可以设定连续违法2次增加多少分数，连续违法5次以上又是增加多少分数；也可以对车辆出现和违法的比例来进行积分的判断，当比例高于多少时就进行积分的增加。

上述方式都是对车辆行动方式或者行为的基本的积分判断，在实际的使用过程中为了更好于实际相结合，上述的方式通常都是混合使用，混合使用后可以延伸出多种灵活的积分方式。

随着公安部门对车辆管控的程度日渐增加，现在公安工作中，需要对一些高危车辆、问题车辆的可能行为进行一个系统性预测，配合研判分析人员进行车辆违法行为的判断，达到一个防范未然的目的，减少车辆违法的可能性，对于社会治安防控起到一定的积极作用。

利用上述车辆行为预警分析方法后，把车辆的行为通过算法和模型，来抽象和提取，把车辆的行为转化为分值的累积，将之量化，随后根据量化的数值进行分析，预测车辆的可能的持续性行为，从而在一定程度上替代人工判断方式，提高工作效率和可靠性。

综上所述，本发明各实施例的车辆行为预警分析方法，由于包括：将车辆抓拍点位与城市区域划分相结合，构成多个封闭的环状结构，建立基础模型；在该基础模型的基础上，结合车辆行驶轨迹形成的线状和/或环状结构，建立行为模型；结合该行为模型，分析静态的城市区域与动态的车辆行踪结构，获取车辆的具体行驶行为信息；根据所得车辆的具体行驶行为信息，进行车辆行为的预警和决策处理；从而可以克服现有技术中人工劳动量大、工作效率低、可靠性低与工作难度大的缺陷，以实现人工劳动量小、工作效率高、可靠性高与工作难度小的优点。

最后应说明的是：以上所述仅为本发明的优选实施例而已，并不用于限制本发明，尽管参照前述实施例对本发明进行了详细的说明，对于本领域的技术人员来说，其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (4)

1.一种车辆行为预警分析方法，其特征在于，包括以下步骤：

a、将车辆抓拍点位与城市区域划分相结合，构成多个封闭的环状结构，建立基础模型；

b、在步骤a所述基础模型的基础上，结合车辆行驶轨迹形成的线状和/或环状结构，建立行为模型；

c、结合步骤b所述行为模型，分析静态的城市区域与动态的车辆行踪结构，获取车辆的具体行驶行为信息；

d、根据步骤c所得车辆的具体行驶行为信息，进行车辆行为的预警和决策处理。

2.根据权利要求1所述的车辆行为预警分析方法，其特征在于，在步骤b中，所述行为模型包括车辆初次驶入城市或区域的行为模型，车辆快速过境城市或区域的行为模型，车辆重复路径动作的行为模型，以及车辆调头的行为模型。

3.根据权利要求1或2所述的车辆行为预警分析方法，其特征在于，步骤c具体包括：

c1、根据所述基础模型和行为模型，获取车辆的当前行踪数据，即车辆当前的空间地点和时间信息；

c2、获取车辆的当前数据后，调用并加载相应车辆的历史行踪数据；

c3、加载所述车辆的历史行踪数据后，加载相应车辆当前的行为模型；

c4、加载相应车辆当前的行为模型后，进行行为模型匹配处理；

c5、判断行为模型匹配处理是否完毕，若是，则车辆行为的预警分析完成；否则，返回步骤c4。

4.根据权利要求3所述的车辆行为预警分析方法，其特征在于，步骤c4具体包括：

c41：判断车辆当前的行为模型与历史行踪数据是否匹配，若是，则调用并加载与历史行踪数据相应的积分模型；否则，执行步骤c5；

c42：根据步骤c41所得已与车辆当前的行为模型相匹配的历史行踪数据，判断该历史行踪数据与积分模型是否匹配，若是，则进行积分累加后，执行步骤c5；否则，直接执行步骤c5。

Images