CN102568209B - 一种基于浮动车技术的营运车辆集聚事件预警方法 - Google Patents
一种基于浮动车技术的营运车辆集聚事件预警方法 Download PDFInfo
- Publication number
- CN102568209B CN102568209B CN201210039021.5A CN201210039021A CN102568209B CN 102568209 B CN102568209 B CN 102568209B CN 201210039021 A CN201210039021 A CN 201210039021A CN 102568209 B CN102568209 B CN 102568209B
- Authority
- CN
- China
- Prior art keywords
- subregion
- vehicle
- information
- level
- value
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Expired - Fee Related
Links
Images
Landscapes
- Traffic Control Systems (AREA)
Abstract
本发明提供一种基于浮动车技术的营运车辆集聚事件预警方法,首先采集营运车辆的编号和位置信息,其次在数据中心动态区域数据库中记录各级子区域信息序列中营运车辆的数量,然后通过对各级子区域信息序列执行集聚事件异常信息发现算法实现预警信息分析,并将检测到的营运车辆集聚信息主动推送给主管部门,从而实现了营运车辆集聚事件的预警发现与定位,对于提高运输营运车辆的安全维稳有着重要意义。
Description
【技术领域】
本发明涉及一种基于浮动车技术的营运车辆集聚事件预警方法。
【背景技术】
随着城市公共交通的发展,营运车辆的数量增速迅猛,对营运车辆的管理也更加困难。目前营运车辆发生集聚事件时,主管部门往往大都是事后才知道,难以对营运车辆集聚事件进行有效的预防和处理。
现有的预警方法一般定时定期判断区域内营运车辆的总数量,难以实现多级子区域的判断,提示区域信息不够全面,主管部门搜索到准确区域的工作量比较大。随着车联网等新技术的发展与应用,基于浮动车技术的营运车辆集聚事件预警的主动提醒逐渐成为可能,为此本发明提出了一种基于浮动车技术的营运车辆集聚事件预警方法。
【发明内容】
本发明要解决的技术问题,在于提供一种基于浮动车技术的营运车辆集聚事件预警方法,实现了营运车辆集聚事件的预警发现与定位,且提高了区域定位的准确性。
本发明是这样实现的:
一种基于浮动车技术的营运车辆集聚事件预警方法,该方法包括如下步骤:
步骤10、数据采集:由车载信息终端在营运车辆行驶过程中定期采集其编号和位置信息,并将采集到的信息传送到数据中心;
具体为:由车载信息终端在营运车辆行驶过程中以周期τ定期采集营运车辆的编号u和位置l,得到编号u的营运车辆的行车数据序列xn=<u,l>,并将采集得到的数据通过移动蜂窝通信等技术传送到设有GIS系统的数据中心,其中n为行车数据序列x的编号;
步骤20、维护数据中心的一动态区域数据库:数据中心将监控区域划分为复数个一级子区域,并在所述动态区域数据库记录各个一级子区域内营运车辆的数量;将各个所述一级子区域再划分复数个二级子区域,并在所述动态区域数据库记录各二级子区域内营运车辆的数量,以此类推,可设置三个级别以上的子区域,所述监控区域内子区域的级别数根据监控需求设定,如果需要获得更准确的预警,就划分多个级别的子区域;
具体地:将监控区域划分为两级子区域,首先,将整个区域分成复数个一级子区域,并在所述动态区域数据库记录各个一级子区域内营运车辆的数量;其次,在各所述一级区域内又划分复数个二级子区域,并在所述动态区域数据库记录各二级子区域内营运车辆的数量;不同级别的子区域均为所述监控区域的子区域,不同级别的子区域用不同的区域编号表示,例如编号为i,j的子区域表示该子区域位于编号为i的一级子区域内的编号为j的二级子区域;
所述营运车辆数量的记录过程具体包括如下步骤:
步骤21、数据中心从接收到的行车数据序列xn中提取营运车辆编号u和位置l,根据车辆位置l,与数据中心的GIS系统进行匹配,获取当前车辆所在子区域的编号i,j;
步骤22、所述动态区域数据库存储各级子区域的信息序列:一级子区域的信息序列表示为:Ai=<Ni,Nmax(i),NT(i)>,其中i为子区域的编号,Ni为该一级子区域内车辆数量的动态值,Nmax(i)为该一级子区域内车辆数量的历史最大值,NT(i)为该一级子区域内车辆数量的阈值;二级子区域的信息序列表示为:Aij=<Nij,Nmax(ij),NT(ij),Cij>,其中i,j为该二级子区域的编号,Nij为该二级子区域内车辆数量的动态值,Nmax(ij)为该二级子区域内车辆数量的历史最大值,NT(ij)为该二级子区域内车辆数量的阈值,Cij为存储该二级子区域内车辆编号的集合,只有最后一级的子区域信息序列中包含集合C;各级子区域的信息序列中阈值是根据路面交通情况设置;
在所述动态区域数据库中查询车辆编号u是否已存在,若否,则执行步骤23;若是,则数据中心从所述动态区域数据库中提取编号为u的营运车辆上次所在的二级子区域信息序列Ai′j′,Ai′j′=<Ni′j′,Nmax(i′j′),NT(i′j′),Ci′j′>,其中i’j’表示编号为u的营运车辆上次所在子区域的编号,Ni′j′为编号为i’j’的二级子区域内车辆数量的动态值,Nmax(i′j′)为编号为i’j’的二级子区域内车辆数量的历史最大值,NT(i′j′)为编号为i’j’的二级子区域内车辆数量的阈值,Ci′j′为存储编号为i’j’的二级子区域内车辆编号的集合判断i′=i且j′=j是否成立,若不成立,则执行步骤23;若成立,则执行步骤24;
步骤23、从所述动态区域数据库中提取Aij,Ai,Ai'j',Ai',将车辆编号u存储到Aij的集合Cij中,同时将Aij中车辆数量的动态值Nij加1,将Ai中车辆数量的动态值Ni加1,即将车辆当前所在的子区域内的车辆数量的动态值分别加1;将Ai'j'中集合Ci′j′的车辆编号u删除,并将Ai'j'中车辆数量的动态值Ni'j'减1,将Ai'中车辆数量的动态值Ni'减1,即将车辆上次所在子区域内的车辆数量的动态值分别减1,将更新后的Aij,Ai'j'保存到动态区域数据库中;
步骤24、判断是否完成最后一个行车数据序列的提取,若否,则提取下一个行车数据序列,执行步骤21;若是,则完成各级子区域内营运车辆数量的记录。
步骤30、预警信息分析:通过对各级子区域以从大到小的递归方式,实现营运车辆集聚事件的预警发现与定位,具体过程如下:数据中心首先提取各一级子区域中营运车辆的数量,并将各一级子区域的营运车辆数量与数据中心设定的各一级子区域对应的营运车辆数量的阈值和历史最大值进行比较,比较顺序是先与阈值进行比较,若大于阈值,则再与历史最大值比较;若发现其中某一一级子区域内的营运车辆数辆超过数据中心设定的该一级子区域营运车辆数量的阈值和历史最大值,则提取该一级子区域内的各二级子区域的营运车辆数量,并将该一级子区域的各二级子区域的车辆数量与数据中心设定的该一级子区域的各二级子区域对应的营运车辆数量的阈值与历史最大值进行比较,其比较顺序亦是先与阈值进行比较,若大于阈值,则再与历史最大值比较;若发现该一级子区域内的某一二级子区域的营运车辆数量超过数据中心设定的该一级子区域的该二级子区域营运车辆的阈值和历史最大值,则以此类推判断下一级子区域,一直判断到最后一级子区域内的营运车辆数量超过数据中心设定的该最后一级子区域内的营运车辆的阈值和历史最大值,则产生营运车辆的集聚信息;
步骤40、系统预警:数据中心检测是否存在营运车辆集聚信息,若存在,数据中心将营运车辆的集聚信息主动推送给监控区域的交通信息中心、运政管理部门、交巡警部门。
进一步地,所述步骤30具体包括:
步骤31、数据中心从所述动态区域数据库提取一级子区域信息序列Ai,其中若首次提取,则i的初始值为1,然后对Ai执行一集聚事件异常信息发现算法,生成提示信息,判断所述提示信息是否为异常提示信息,所述异常提示信息是指编号为i的子区域内营运车辆数量超过该子区域营运车辆的历史最大值,若是,则执行步骤32;若否,则i+1,然后判断i+1后i是否为一级子区域数量的最大值,若否,则重复此步骤,若是,则完成一级子区域信息序列的分析;
步骤32、数据中心从所述动态区域数据库提取二级子区域信息序列Aij,其中若首次提取,则j的初始值为1,然后对Aij执行所述集聚事件异常信息发现算法,生成提示信息,判断所述提示信息是否为异常提示信息,若是,则产生营运车辆集聚信息,并执行步骤33;若否,则j+1,然后判断j+1后j是否为二级子区域数量的最大值,若否,则重复此步骤,若是,则完成二级子区域信息序列的分析;
步骤33、判断j是否为二级子区域数量的最大值;若否,则j+1,并执行步骤32;若是,则执行步骤34;
步骤34、判断i是否为一级子区域数量的最大值;若否,则i+1,并执行步骤31;若是,则完成所述监控区域的预警信息分析;
所述集聚事件异常信息发现算法具体如下:
步骤100、从需要执行该算法的信息序列中提取该子区域内车辆数量动态值N、车辆数量历史最大值Nmax、车辆数量阈值NT,所述信息序列是一级子区域信息序列或二级子区域信息序列;
步骤200、将车辆数量动态值N与该子区域车辆阈值NT作比较,即判断N>NT是否成立,若是,则进入步骤300;若否,产生无异常的提示信息。
步骤300、将营运车辆数据动态值N与该子区域历史车辆数据最大值Nmax作比较,即判断N>Nmax是否成立,若是,则产生区域异常的提示信息;若否,则产生无异常的提示信息。
进一步地,所述步骤40具体为:数据中心将营运车辆的集聚信息主动推送给监控区域的交通信息中心、运政管理部门、交巡警部门,所述集聚信息包括车辆聚集的数量、聚集位置信息和时间信息。
本发明具有如下优点:由车载信息终端在营运车辆行驶过程中定期采集营运车辆的编号、位置和时间信息,并通过移动蜂窝通信等技术传送到数据中心;数据中心将整个监控区域范围划分为复数个级别的子区域,并动态计算各级子区域内营运车辆的数目;若发现某个子区域内的车辆数据超过设定的阈值,并超过历史数据中的最大值,则动态计算该子区域的更高一级的各子区域内的车辆数量情况,并与相应设定的阈值与历史最大值进行判断,直至完成最高一级子区域内营运车辆的判断。通过各级子区域从大到小递归方式,提高区域定位的准确性,实现营运车辆集聚事件的预警发现与定位;数据中心将营运车辆集聚事件的预警发现与定位的提醒信息主动推送给主管部门,对于交通运输营运车辆的安全维稳有着重要意义。
【附图说明】
下面参照附图结合实施例对本发明作进一步的说明。
图1为本发明的系统框架图。
图2为本发明维护动态区域数据库的流程图。
图3为本发明预警信息分析算法流程图。
图4为本发明集聚事件异常信息发现算法流程图。
【具体实施方式】
请参阅图1,一种基于浮动车技术的营运车辆集聚事件预警方法,该方法包括如下步骤:
步骤10、数据采集:由车载信息终端在营运车辆行驶过程中定期采集其编号和位置信息,并将采集到的信息传送到数据中心;
具体为:由车载信息终端在营运车辆行驶过程中以周期τ定期采集营运车辆的编号u和位置l,得到编号u的营运车辆的行车数据序列xn=<u,l>,并将采集得到的数据通过移动蜂窝通信等技术传送到设有GIS系统的数据中心,其中n为行车数据序列x的编号;
步骤20、维护数据中心的一动态区域数据库:数据中心将监控区域划分为复数个一级子区域,并在所述动态区域数据库记录各个一级子区域内营运车辆的数量;将各个所述一级子区域再划分复数个二级子区域,并在所述动态区域数据库记录各二级子区域内营运车辆的数量,以此类推,可设置三个级别以上的子区域,所述监控区域内子区域的级别数根据监控需求设定,如果需要获得更准确的预警,可划分多个级别的子区域;
现结合本实施例,具体阐述本发明的实现过程,本实施例以划分两级子区域为例,当监控区域面积较大时,可划分多级子区域,其具体实现原理与两级子区域相同。
所述步骤20具体为:如图2所示,图2为本发明维护动态区域数据库的流程图。所述步骤20将监控区域划分为两级子区域,首先,将整个区域分成复数个一级子区域,并在所述动态区域数据库记录各个一级子区域内营运车辆的数量;其次,在各所述一级区域内又划分复数个二级子区域,并在所述动态区域数据库记录各二级子区域内营运车辆的数量;不同级别的子区域均为所述监控区域的子区域,不同级别的子区域用不同的区域编号表示,例如编号为i,j的子区域表示该子区域位于编号为i的一级子区域内的编号为j的二级子区域;
所述营运车辆数量的记录过程具体包括如下步骤:
步骤21、数据中心从接收到的行车数据序列xn中提取营运车辆编号u和位置l,根据车辆位置l,与数据中心的GIS系统进行匹配,获取当前车辆所在子区域的编号i,j;
步骤22、所述动态区域数据库存储各级子区域的信息序列:一级子区域的信息序列表示为:Ai=<Ni,Nmax(i),NT(i)>,其中i为子区域的编号,Ni为该一级子区域内车辆数量的动态值,Nmax(i)为该一级子区域内车辆数量的历史最大值,NT(i)为该一级子区域内车辆数量的阈值;二级子区域的信息序列表示为:Aij=<Nij,Nmax(ij),NT(ij),Cij>,其中i,j为该二级子区域的编号,Nij为该二级子区域内车辆数量的动态值,Nmax(ij)为该二级子区域内车辆数量的历史最大值,NT(ij)为该二级子区域内车辆数量的阈值,Cij为存储该二级子区域内车辆编号的集合,只有最后一级的子区域信息序列中包含集合C;各级子区域的信息序列中阈值是根据路面交通情况设置;
在所述动态区域数据库中查询车辆编号u是否已存在,若否,则执行步骤23;若是,则数据中心从所述动态区域数据库中提取编号为u的营运车辆上次所在的二级子区域信息序列Ai′j′,Ai′j′=<Ni′j′,Nmax(i′j′),NT(i′j′),Ci′j′>,其中i’j’表示编号为u的营运车辆上次所在子区域的编号,Ni′j′为编号为i’j’的二级子区域内车辆数量的动态值,Nmax(i′j′)为编号为i’j’的二级子区域内车辆数量的历史最大值,NT(i′j′)为编号为i’j’的二级子区域内车辆数量的阈值,Ci′j′为存储编号为i’j’的二级子区域内车辆编号的集合判断i′=i且j′=j是否成立,若不成立,则执行步骤23;若成立,则执行步骤24;
步骤23、从所述动态区域数据库中提取Aij,Ai,Ai'j',Ai',将车辆编号u存储到Aij的集合Cij中,同时将Aij中车辆数量的动态值Nij加1,将Ai中车辆数量的动态值Ni加1,即将车辆当前所在的子区域内的车辆数量的动态值分别加1;将Ai'j'中集合Ci′j′的车辆编号u删除,并将Ai'j'中车辆数量的动态值Ni'j'减1,将Ai'中车辆数量的动态值Ni'减1,即将车辆上次所在子区域内的车辆数量的动态值分别减1,将更新后的Aij,Ai'j'保存到动态区域数据库中;
步骤24、判断是否完成最后一个行车数据序列的提取,若否,则提取下一个行车数据序列,执行步骤21;若是,则完成各级子区域内营运车辆数量的记录。
步骤30、预警信息分析:通过对各级子区域以从大到小的递归方式,实现营运车辆集聚事件的预警发现与定位,具体过程如下:数据中心首先提取各一级子区域中营运车辆的数量,并将各一级子区域的营运车辆数量与数据中心设定的各一级子区域对应的营运车辆数量的阈值和历史最大值进行比较,比较顺序是先与阈值进行比较,若大于阈值,则再与历史最大值比较;若发现其中某一一级子区域内的营运车辆数辆超过数据中心设定的该一级子区域营运车辆数量的阈值和历史最大值,则提取该一级子区域内的各二级子区域的营运车辆数量,并将该一级子区域的各二级子区域的车辆数量与数据中心设定的该一级子区域的各二级子区域对应的营运车辆数量的阈值与历史最大值进行比较,其比较顺序亦是先与阈值进行比较,若大于阈值,则再与历史最大值比较;若发现该一级子区域内的某一二级子区域的营运车辆数量超过数据中心设定的该一级子区域的该二级子区域营运车辆的阈值和历史最大值,则以此类推判断下一级子区域,一直判断到最后一级子区域内的营运车辆数量超过数据中心设定的该最后一级子区域内的营运车辆的阈值和历史最大值,则产生营运车辆的集聚信息;
如图3所示,图3为本发明预警信息分析算法流程图。所述步骤30的预警信息分析具体包括如下步骤:
步骤31、数据中心从所述动态区域数据库提取一级子区域信息序列Ai,其中若首次提取,则i的初始值为1,然后对Ai执行一集聚事件异常信息发现算法,生成提示信息,判断所述提示信息是否为异常提示信息,所述异常提示信息是指编号为i的子区域内营运车辆数量超过该子区域营运车辆的历史最大值,若是,则执行步骤32;若否,则i+1,然后判断i+1后i是否为一级子区域数量的最大值,若否,则重复此步骤,若是,则完成一级子区域信息序列的分析;
步骤32、数据中心从所述动态区域数据库提取二级子区域信息序列Aij,其中若首次提取,则j的初始值为1,然后对Aij执行所述集聚事件异常信息发现算法,生成提示信息,判断所述提示信息是否为异常提示信息,若是,则产生营运车辆集聚信息,并执行步骤33;若否,则j+1,然后判断j+1后j是否为二级子区域数量的最大值,若否,则重复此步骤,若是,则完成二级子区域信息序列的分析;
步骤33、判断j是否为二级子区域数量的最大值;若否,则j+1,并执行步骤32;若是,则执行步骤34;
步骤34、判断i是否为一级子区域数量的最大值;若否,则i+1,并执行步骤31;若是,则完成所述监控区域的预警信息分析;
如图4所示,图4为本发明集聚事件异常信息发现算法流程图。所述集聚事件异常信息发现算法具体如下:
步骤100、从需要执行该算法的信息序列中提取该子区域内车辆数量动态值N、车辆数量历史最大值Nmax、车辆数量阈值NT,所述信息序列是一级子区域信息序列或二级子区域信息序列;
步骤200、将车辆数量动态值N与该子区域车辆阈值NT作比较,即判断N>NT是否成立,若是,则进入步骤300;若否,产生无异常的提示信息。
步骤300、将营运车辆数据动态值N与该子区域历史车辆数据最大值Nmax作比较,即判断N>Nmax是否成立,若是,则产生区域异常的提示信息;若否,则产生无异常的提示信息。
步骤40、系统预警:数据中心检测是否存在营运车辆集聚信息,若存在,数据中心将营运车辆的集聚信息主动推送给监控区域的交通信息中心、运政管理部门、交巡警部门。
所述步骤40具体为:数据中心将营运车辆的集聚信息主动推送给监控区域的交通信息中心、运政管理部门、交巡警部门,所述集聚信息包括车辆聚集的数量、聚集位置信息和时间信息。
需要说明的是,所述阈值根据路面交通情况设置,反映正常交通情况下子区域内车辆通行量的平均水平,所述正常交通情况的判定标准可采用道路交通管理部门的路况判定标准,将某一子区域的营运车辆数量先与该子区域的营运车辆数量的阈值比较,可减少误报率。
所述历史最大值的初始值为零,所述历史最大值的更新机制是:当某一子区域产生营运车辆的集聚信息时,若该子区域的现场并无集聚事件时,则将产生营运车辆集聚信息时的该子区域的营运车辆数量设置为该子区域的历史最大值,若该子区域的现场确实发生集聚事件,则保持历史最大值不变。由于历史最大值的初始值为零,因此采用本方法的系统在正式运行前,必须经过一段时间的试运行,即系统经过一训练学习期,这段时间必须覆盖工作日和周末,在所述训练学习期,各监控子区域内并无集聚事件但系统可能会频繁发出营运车辆的集聚信息,此时会出现各监控子区域的历史最大值不断更新的现象,因处于试运行阶段,属正常现象。
本发明通过各级子区域从大到小递归方式,提高区域定位的准确性,实现营运车辆集聚事件的预警发现与定位;数据中心将营运车辆集聚事件的预警发现与定位的提醒信息主动推送给主管部门,对于交通运输营运车辆的安全维稳有着重要意义。
虽然以上描述了本发明的具体实施方式,但是熟悉本技术领域的技术人员应当理解,我们所描述的具体的实施例只是说明性的,而不是用于对本发明的范围的限定,熟悉本领域的技术人员在依照本发明的精神所作的等效的修饰以及变化,都应当涵盖在本发明的权利要求所保护的范围内。
Claims (3)
1.一种基于浮动车技术的营运车辆集聚事件预警方法,其特征在于:该方法包括如下步骤:
步骤10、数据采集:由车载信息终端在营运车辆行驶过程中定期采集其编号和位置信息,并将采集到的信息传送到数据中心;
具体为:由车载信息终端在营运车辆行驶过程中以周期τ定期采集营运车辆的编号u和位置l,得到编号u的营运车辆的行车数据序列xn=<u,l>,并将采集得到的数据通过移动蜂窝通信等技术传送到设有GIS系统的数据中心,其中n为行车数据序列x的编号;
步骤20、维护数据中心的一动态区域数据库:数据中心将监控区域划分为复数个一级子区域,并在所述动态区域数据库记录各个一级子区域内营运车辆的数量;将各个所述一级子区域再划分复数个二级子区域,并在所述动态区域数据库记录各二级子区域内营运车辆的数量,以此类推,可设置三个级别以上的子区域,所述监控区域内子区域的级别数根据监控需求设定,如果需要获得更准确的预警,就划分多个级别的子区域;
具体为:将监控区域划分为两级子区域,首先,将整个区域分成复数个一级子区域,并在所述动态区域数据库记录各个一级子区域内营运车辆的数量;其次,在各所述一级区域内又划分复数个二级子区域,并在所述动态区域数据库记录各二级子区域内营运车辆的数量;不同级别的子区域均为所述监控区域的子区域,不同级别的子区域用不同的区域编号表示,例如编号为i,j的子区域表示该子区域位于编号为i的一级子区域内的编号为j的二级子区域;
所述营运车辆数量的记录过程具体包括如下步骤:
步骤21、数据中心从接收到的行车数据序列xn中提取营运车辆编号u和位置l,根据车辆位置l,与数据中心的GIS系统进行匹配,获取当前车辆所在子区域的编号i,j;
步骤22、所述动态区域数据库存储各级子区域的信息序列:一级子区 域的信息序列表示为:Ai=<Ni,Nmax(i),NT(i)>,其中i为子区域的编号,Ni为该一级子区域内车辆数量的动态值,Nmax(i)为该一级子区域内车辆数量的历史最大值,NT(i)为该一级子区域内车辆数量的阈值;二级子区域的信息序列表示为:Aij=<Nij,Nmax(ij),NT(ij),Cij>,其中i,j为该二级子区域的编号,Nij为该二级子区域内车辆数量的动态值,Nmax(ij)为该二级子区域内车辆数量的历史最大值,NT(ij)为该二级子区域内车辆数量的阈值,Cij为存储该二级子区域内车辆编号的集合,只有最后一级的子区域信息序列中包含集合C;各级子区域的信息序列中阈值是根据路面交通情况设置;
在所述动态区域数据库中查询车辆编号u是否已存在,若否,则执行步骤23;若是,则数据中心从所述动态区域数据库中提取编号为u的营运车辆上次所在的二级子区域信息序列Ai′j′,Ai′j′=<Ni′j′,Nmax(i′j′),NT(i′j′),Ci′j′>,其中i’j’表示编号为u的营运车辆上次所在子区域的编号,Ni′j′为编号为i’j’的二级子区域内车辆数量的动态值,Nmax(i′j′)为编号为i’j’的二级子区域内车辆数量的历史最大值,NT(i′j′)为编号为i’j’的二级子区域内车辆数量的阈值,Ci′j′为存储编号为i’j’的二级子区域内车辆编号的集合判断i′=i且j′=j是否成立,若不成立,则执行步骤23;若成立,则执行步骤24;
步骤23、从所述动态区域数据库中提取Aij,Ai,Ai'j',Ai',将车辆编号u存储到Aij的集合Cij中,同时将Aij中车辆数量的动态值Nij加1,将Ai中车辆数量的动态值Ni加1,即将车辆当前所在的子区域内的车辆数量的动态值分别加1;将Ai'j'中集合Ci′j′的车辆编号u删除,并将Ai'j'中车辆数量的动态值Ni'j'减1,将Ai'中车辆数量的动态值Ni'减1,即将车辆上次所在子区域内的车辆数量的动态值分别减1,将更新后的Aij,Ai'j'保存到动态区域数据库中;
步骤24、判断是否完成最后一个行车数据序列的提取,若否,则提取下一个行车数据序列,执行步骤21;若是,则完成各级子区域内营运车辆数量的记录;
步骤30、预警信息分析:通过对各级子区域以从大到小的递归方式,实现营运车辆集聚事件的预警发现与定位,具体过程如下:数据中心首先提取各一级子区域中营运车辆的数量,并将各一级子区域的营运车辆数量与数 据中心设定的各一级子区域对应的营运车辆数量的阈值和历史最大值进行比较,比较顺序是先与阈值进行比较,若大于阈值,则再与历史最大值比较;若发现其中某一一级子区域内的营运车辆数辆超过数据中心设定的该一级子区域营运车辆数量的阈值和历史最大值,则提取该一级子区域内的各二级子区域的营运车辆数量,并将该一级子区域的各二级子区域的车辆数量与数据中心设定的该一级子区域的各二级子区域对应的营运车辆数量的阈值与历史最大值进行比较,其比较顺序亦是先与阈值进行比较,若大于阈值,则再与历史最大值比较;若发现该一级子区域内的某一二级子区域的营运车辆数量超过数据中心设定的该一级子区域的该二级子区域营运车辆的阈值和历史最大值,则以此类推判断下一级子区域,一直判断到最后一级子区域内的营运车辆数量超过数据中心设定的该最后一级子区域内的营运车辆的阈值和历史最大值,则产生营运车辆的集聚信息;
步骤40、系统预警:数据中心检测是否存在营运车辆集聚信息,若存在,数据中心将营运车辆的集聚信息主动推送监控区域的交通信息中心、运政管理部门、交巡警部门。
2.根据权利要求1所述的一种基于浮动车技术的营运车辆集聚事件预警方法,其特征在于:所述步骤30具体包括:
步骤31、数据中心从所述动态区域数据库提取一级子区域信息序列Ai,其中若首次提取,则i的初始值为1,然后对Ai执行一集聚事件异常信息发现算法,生成提示信息,判断所述提示信息是否为异常提示信息,所述异常提示信息是指编号为i的子区域内营运车辆数量超过该子区域营运车辆的历史最大值,若是,则执行步骤32;若否,则i+1,然后判断i+1后i是否为一级子区域数量的最大值,若否,则重复此步骤,若是,则完成一级子区域信息序列的分析;
步骤32、数据中心从所述动态区域数据库提取二级子区域信息序列Aij,其中若首次提取,则j的初始值为1,然后对Aij执行所述集聚事件异常信息发现算法,生成提示信息,判断所述提示信息是否为异常提示信息,若是,则产生营运车辆集聚信息,并执行步骤33;若否,则j+1,然后判断j+1后 j是否为二级子区域数量的最大值,若否,则重复此步骤,若是,则完成二级子区域信息序列的分析;
步骤33、判断j是否为二级子区域数量的最大值;若否,则j+1,并执行步骤32;若是,则执行步骤34;
步骤34、判断i是否为一级子区域数量的最大值;若否,则i+1,并执行步骤31;若是,则完成所述监控区域的预警信息分析;
所述集聚事件异常信息发现算法具体如下:
步骤100、从需要执行该算法的信息序列中提取该子区域内车辆数量动态值N、车辆数量历史最大值Nmax、车辆数量阈值NT,所述信息序列是一级子区域信息序列或二级子区域信息序列;
步骤200、将车辆数量动态值N与该子区域车辆阈值NT作比较,即判断N>NT是否成立,若是,则进入步骤300;若否,产生无异常的提示信息;
步骤300、将营运车辆数据动态值N与该子区域历史车辆数据最大值Nmax作比较,即判断N>Nmax是否成立,若是,则产生区域异常的提示信息;若否,则产生无异常的提示信息。
3.根据权利要求1所述的一种基于浮动车技术的营运车辆集聚事件预警方法,其特征在于:所述步骤40具体为:数据中心将营运车辆的集聚信息主动推送给监控区域的交通信息中心、运政管理部门、交巡警部门,所述集聚信息包括车辆聚集的数量、聚集位置信息和时间信息。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201210039021.5A CN102568209B (zh) | 2012-02-21 | 2012-02-21 | 一种基于浮动车技术的营运车辆集聚事件预警方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201210039021.5A CN102568209B (zh) | 2012-02-21 | 2012-02-21 | 一种基于浮动车技术的营运车辆集聚事件预警方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN102568209A CN102568209A (zh) | 2012-07-11 |
CN102568209B true CN102568209B (zh) | 2014-03-12 |
Family
ID=46413529
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201210039021.5A Expired - Fee Related CN102568209B (zh) | 2012-02-21 | 2012-02-21 | 一种基于浮动车技术的营运车辆集聚事件预警方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN102568209B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108280997A (zh) * | 2018-01-30 | 2018-07-13 | 青岛中兴智能交通有限公司 | 一种车辆异常聚焦的判断方法和装置 |
Families Citing this family (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103593977B (zh) * | 2013-11-28 | 2015-06-03 | 福建工程学院 | 私家车非法营运的检测方法 |
CN106611494A (zh) * | 2015-10-21 | 2017-05-03 | 北京计算机技术及应用研究所 | 检测机动车异常群组的方法 |
CN105336162B (zh) * | 2015-10-26 | 2018-09-21 | 厦门蓝斯通信股份有限公司 | 车辆异常聚集的预警方法及预警系统 |
CN105788253B (zh) * | 2016-03-24 | 2018-05-29 | 福建工程学院 | 一种基于交通轨迹数据的停车场发现方法及系统 |
CN106530704B (zh) * | 2016-11-25 | 2019-01-25 | 杭州电子科技大学 | 一种基于多元数据融合的浮动车聚集检测方法 |
CN109272389A (zh) * | 2018-09-26 | 2019-01-25 | 蜜小蜂智慧(北京)科技有限公司 | 一种识别车辆刷单骗补行为的方法和装置 |
CN111932880A (zh) * | 2020-08-12 | 2020-11-13 | 韦毅勇 | 车流量精准管控方法及装置 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6150961A (en) * | 1998-11-24 | 2000-11-21 | International Business Machines Corporation | Automated traffic mapping |
JP2001076012A (ja) * | 1999-08-31 | 2001-03-23 | Hitachi Ltd | 車両情報収集方法および装置 |
JP4035814B2 (ja) * | 2002-05-21 | 2008-01-23 | アイシン・エィ・ダブリュ株式会社 | 移動体集合位置提示システム |
CN102117532B (zh) * | 2009-12-31 | 2014-03-19 | 厦门雅迅网络股份有限公司 | 一种基于gps系统实现出租车非法聚集预报警的方法 |
CN101799990A (zh) * | 2010-02-08 | 2010-08-11 | 深圳市同洲电子股份有限公司 | 一种车辆非正常聚集的预警方法及系统 |
CN102024325B (zh) * | 2010-12-23 | 2012-07-25 | 福建工程学院 | 基于浮动车技术的交通堵塞点识别方法 |
-
2012
- 2012-02-21 CN CN201210039021.5A patent/CN102568209B/zh not_active Expired - Fee Related
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108280997A (zh) * | 2018-01-30 | 2018-07-13 | 青岛中兴智能交通有限公司 | 一种车辆异常聚焦的判断方法和装置 |
Also Published As
Publication number | Publication date |
---|---|
CN102568209A (zh) | 2012-07-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102568209B (zh) | 一种基于浮动车技术的营运车辆集聚事件预警方法 | |
CN102509449B (zh) | 基于模糊决策的车辆调度方法 | |
CN103500503B (zh) | 一种基于众包模式的精准路况分析方法及系统 | |
US20110172874A1 (en) | Fault prediction framework using temporal data mining | |
US20150345972A1 (en) | Vehicle information providing device | |
CN103841576A (zh) | 高速铁路用户分离方法、系统及信令数据处理方法和系统 | |
CN105336162A (zh) | 车辆异常聚集的预警方法及预警系统 | |
CN109410639B (zh) | 基于车载导航地图的空闲停车位查询方法与系统 | |
CN103891319A (zh) | 用于确定用于充电站的位置的方法和设备 | |
CN108281039B (zh) | 适用于车载短距离通信网络的危险路段交通事故预警方法 | |
CN101247392B (zh) | 目标活动预测装置及方法 | |
CN108718440B (zh) | 一种敏感区域的安防方法及平台 | |
CN104917639A (zh) | 基于集群监控分配数据业务方法及装置 | |
CN110189182A (zh) | 一种基于车联网的里程焦虑管理方法 | |
EP3697658A1 (en) | Method and system for evaluating contextual risk profiles in a vehicle | |
CN104464356A (zh) | 一种出租车司机行车安全防范方法 | |
CN113822487A (zh) | 运营车辆的风险预警方法、装置、存储介质及计算机设备 | |
CN110556014A (zh) | 智能公交调度平台系统 | |
CN111832867A (zh) | 分时租赁车辆管理方法、电子设备及存储介质 | |
CN114593733A (zh) | 一种巡逻路线设置方法、装置 | |
US20220407868A1 (en) | Detection device, vehicle, detection method, and detection program | |
CN111368626A (zh) | 车辆识别方法、装置、电子设备和存储介质 | |
CN115334560B (zh) | 基站异常的监测方法、装置、设备及计算机可读存储介质 | |
US20110166741A1 (en) | Mobile telemetry system | |
Liu et al. | Applying deep recurrent neural network to predict vehicle mobility |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20140312 |
|
CF01 | Termination of patent right due to non-payment of annual fee |