CN103366566A - 一种针对特定车辆潜在群体的行驶轨迹预测方法 - Google Patents

Abstract

本发明涉及一种针对特定车辆潜在群体的行驶轨迹预测方法，当发现某一特定车辆，则利用原始交通数据查找该特定车辆的潜在群体车辆，判断潜在群体车辆是否为特定车辆，如果不是则增加其危险系统，当其危险系数超过预定阈值时，将其车牌号码加入特定车辆名单；如果是则预测其行驶轨迹；轨迹预测时，首先利用类Apriori算法对特定车辆的行驶记录进行模式提取，生成规则集R；判断特定车辆最后行经的卡口是否存在于生成的规则集R中，如果是则根据R中相应的规则查找特定车辆的预测路径，否则通过建立特定车辆最后行经卡口的贝叶斯网络预测特定车辆的行驶轨迹；本发明所提供的预测结果能够为有关部门决策及保障城市道路安全供有效的技术支持。

Description

一种针对特定车辆潜在群体的行驶轨迹预测方法

技术领域

本发明涉及数据挖掘领域，针对城市智能交通信息系统所产生的大量原始交通数据，提出了一种针对特定车辆潜在群体的行驶轨迹预测方法。

背景技术

时序挖掘是近年来数据挖掘领域研究的热门，由于时间序列是一种数据之间存在时间关系的新的数据类型，对比于其他类型的数据其具有如下特性：明显的时间先后顺序、可反应出序列的特征、随机性与多噪声等。因此，在对时间序列进行数据挖掘的过程中，必须考虑数据集中数据间存在的时间关系。目前，对于时间序列挖掘的研究主要集中在以下六个方面：时间序列相似性搜索、时间序列分类、时间序列聚类、时间序列分割与模式发现、时间序列预测以及时间序列可视化。

与此同时，由于我国公安、交通等领域的信息化水平的不断提高，一大批的智能交通信息系统得以广泛的部署。该系统主要是使用部署在道路、桥梁、路口、重点区域等处的摄像头来完成数据的实时采集、回传工作。这些数据对于公安、交通等部门的主动预警和事后侦查具有重要的意义。而在面对如此大规模的时序交通数据时，若采用传统的统计学方法对其进行分析、预测则需要耗费大量的人力物力。因此，如何借助新兴的时序挖掘技术完成对大规模交通数据的分析、预测并快速地寻找出数据中所蕴含的未知模式，对于保障城市道路交通的安全则显得十分的紧迫和必要。目前，针对城市道路交通安全领域的时序挖掘技术已经成为了当前研究的热点问题，其中特定车辆的伴随车辆发现及行驶轨迹预测由于其自身存在的重要性受到了研究人员的广泛关注。

发明内容

本发明所要解决的技术问题是针对现有技术的不足，提供一种针对特定车辆潜在群体的行驶轨迹预测方法，该方法能有效找出某些特定车辆在某段时间段内与其有伴随关系的车辆，进而对确认为定位特定车辆的车辆进行行驶轨迹的预测，有利于对城市道路安全的分析。

本发明解决上述技术问题的技术方案如下：一种针对特定车辆潜在群体的行驶轨迹预测方法，包括如下步骤：

步骤1：通过现有智能交通信息系统获取原始交通数据；

步骤2：对原始交通数据进行预处理；

步骤3：将经过预处理的原始交通数据存储在源挖掘数据集S中；

步骤4：实时捕获行经各监测卡口的车辆的车牌号码，并与特定车辆名单List1进行对比，若所捕获车辆为特定车辆名单List1上的车辆则执行步骤5；否则执行步骤9；

步骤5：在源挖掘数据集S中查找捕获的特定车辆的潜在群体车辆，并将潜在群体车辆对应的车牌号记录在特定车辆潜在群体名单List2上；

步骤6：逐个判断特定车辆潜在群体名单List2上的潜在群体车辆是否为特定车辆名单List1上的特定车辆，如果是则确认该车辆为特定车辆并执行步骤8；否则确认该车辆为非特定车辆并执行步骤7；

步骤7：增加该车辆的危险系数，判断该车辆的危险系数是否大于预设阈值，如果大于预设阈值则将该车辆的车牌号码添加入特定车辆名单List1，执行步骤9；否则直接执行步骤9；

步骤8：对捕获的特定车辆及特定车辆潜在群体名单List2上确认为特定车辆的车辆的行驶轨迹进行预测，并记录所述特定车辆的预测行驶轨迹，随后执行步骤9；

步骤9：结束。

本发明的有益效果是：本发明可以利用大量丰富的原始交通数据，进行对特定的车辆伴随车辆的查询，以及对确认为特定车辆的车辆的行驶轨迹的预测，快速地完成对特定车辆的城市道路安全分析工作，为保障道路安全提供了技术支持。

在上述技术方案的基础上，本发明还可以做如下改进。

进一步，步骤2中所述对原始交通数据进行预处理包括数据的抽取、去冗余、去噪声以及数据转换。

采用上述进一步方案的有益效果是：对数据进行预处理，去除冗余数据和噪声等，利于数据的整理与存储。

进一步，步骤3中所述源挖掘数据集S，

S={S1(P1,D1,B1,G1),S2(P2,D2,B2,G2),…,Si(Pi,Di,Bi,Gi),…,SN(PN,DN,BN,GN)}，其中Si(Pi,Di,Bi,Gi)（i＝1，2，…，N）是经过预处理的车辆行经监测卡口的数据；i为当前该条数据的条目编号；Pi为车辆的车牌号码；Di为车辆驶过监测卡口的时间；Bi为监测卡口的卡口编号，Gi为车辆行驶的道次。

采用上述进一步方案的有益效果是：源挖掘数据采用集合形式，清晰记录现有智能交通信息系统获取原始交通数据，利于提高对数据进行查找及处理的速度并降低查找及处理的难度。

进一步，步骤5中查找捕获的特定车辆的潜在群体车辆的具体步骤如下：

步骤5.1：根据捕获的特定车辆的车牌号码，在源挖掘数据集S中查找特定时间段DS内该车牌号码对应的车辆的行驶轨迹T，其中，所述行驶轨迹T由若干个轨迹节点Ti（i=1,2,3，…，n）组成;

步骤5.2：在源挖掘数据集S中查找捕获的特定车辆在轨迹T上的所有伴随车辆，并计算每个伴随车辆的行驶轨迹与捕获的特定车辆行驶轨迹的相似度；

步骤5.3：判断相似度高于预设阈值的伴随车辆在距当前时刻预定时间段内是否有行驶记录，如果有则将该伴随车辆的车牌号码写入特定车辆潜在群体名单List2；否则丢弃该伴随车辆车牌号码信息。

采用上述进一步方案的有益效果是：找出与捕获的特定车辆有伴随关系且在距当前时刻特定时间段内具有行驶记录车辆，并认定为这些车辆为特定车辆潜在群体，利于在实际应用中，及时找出以团伙犯罪或其他以团体形式可能对城市道路交通安全造成重大影响的群体车辆，并为对这些车辆的进一步排查以及排查程度提供分析依据。

进一步，步骤5.2中查找捕获的特定车辆在轨迹T上的所有伴随车辆，并计算每个伴随车辆的行驶轨迹与捕获的特定车辆行驶轨迹的相似度的具体步骤如下：

步骤5.2.1：对特定车辆的行驶轨迹T的每个轨迹节点Ti（i=1,2,3，…，n）在源挖掘数据集S中搜索在时间区域[Di-Q，Di+Q]，与特定车辆行经卡口相同，且行驶方向相同的车辆的车牌号码，生成每个轨迹节点Ti的伴随关系记录TP={Tp1,Tp2,…,Tpq,…,Tpm}，其中Tpq(q=1,2,…,m)为在该节点与特定车辆有伴随关系的车辆的车牌号码；

步骤5.2.2：计算特定车辆整个行驶轨迹T中，每个与特定车辆有伴随关系的车辆的行驶轨迹与特定车辆的行驶轨迹的相似度

计算公式如下，

${\mathrm{Sim}}_{T_{\mathrm{pq}}}=\frac{\mathrm{Kq}}{n}\×100\%$

其中，Kq为与特定车辆有伴随关系的车辆的车牌号码出现的频次，n为特定车辆的行驶轨迹T包含轨迹节点Ti的个数。

采用上述进一步方案的有益效果是：查找特定车辆行驶轨迹上与特定车辆至少有一次伴随关系的所有车辆，并计算每个车辆的行驶轨迹与特定车辆行驶轨迹的相似度，为确认该车辆是否为特定车辆的伴随车辆提供分析依据。

进一步，步骤8中对捕获的特定车辆及特定车辆潜在群体名单List2上确认为特定车辆的车辆的行驶轨迹进行预测的具体步骤如下：

步骤8.1：利用处理时序序列的类Apriori算法对源挖掘数据集S中特定车辆的的行驶记录进行模式提取，生成规则集R；

步骤8.2：在源挖掘数据集S中查找距当前时刻预定时间段内特定车辆最后行经的卡口Bi；

步骤8.3：判断特定车辆最后行经的卡口Bi是否存在于步骤8.1中生成的规则集R中，如果存在于规则集R中，则根据规则集R中相应的规则查找到特定车辆的预测路径；否则执行步骤8.4；

步骤8.4：针对源挖掘数据集S中每个卡口的地理坐标周围的职能情况进行卡口的职能聚类，将具有相同或相近职能的卡口归到同一个职能卡口类；

步骤8.5：针对每个卡口结合与其职能同类的卡口，建立以该卡口为根节点的逐级延伸的有向无环图;

步骤8.6：在源挖掘数据集S中查找特定车辆在其最后行驶经过的卡口Bi所在的职能卡口类的行驶记录，计算特定车辆最后行驶经过的卡口Bi的有向无环图DAG_Bi的概率表；

步骤8.7：根据有向无环图DAG_Bi及其概率表建立该特定车辆最后行驶经过的卡口Bi对应的贝叶斯网络；

步骤8.8：利用特定车辆最后行驶经过的卡口Bi对应的贝叶斯网络计算概率最大的N条路径作为特定车辆的预测路径，其中N为预设条数。

采用上述进一步方案的有益效果是：当特定车辆最后行驶经过的卡口存在于规则集R中时，利用R中相应的规则即可预测出特定车辆的行驶轨迹，即便特定车辆最后行驶经过的卡口不存在于规则集R中时，可以通过构建特定车辆最后行驶经过的卡口的贝叶斯网络，进而利用贝叶斯网络预测该特定车辆最可能的行驶路径，方法灵活，可靠性强。

进一步，所述特定车辆的定义为，在日常生活中，已被有关部门掌握的曾参与违法行为或曾与对城市道路交通安全造成过重大影响的车辆。

进一步，伴随关系的定义为，在原始的交通数据中，如果存在某一车辆与另一车辆在定义的时间段内的经行卡口、行驶方向相同，则上述两辆车辆发生一次伴随，若在定义的时间段内，某一车辆与另一车辆存在大于预设阈值次数的多次伴随，即二者的行驶轨迹相似程度高于阈值，则两辆车辆具有伴随关系。

进一步，特定车辆潜在群体的定义为，与当前所捕获的特定车辆具有伴随关系且在距当前时刻预定时间段内具有行驶记录的车辆群体，默认当前所捕获的特定车辆为特定车辆潜在群体中的一员。

附图说明

图1为本发明所述一种针对特定车辆潜在群体的行驶轨迹的预测方法流程图；

图2为本发明所述步骤5的流程图；

图3为本发明所述步骤8的流程图；

图4为实施例中带有概率分布的有向无环图（贝叶斯网络）。

具体实施方式

以下结合附图对本发明的原理和特征进行描述，所举实例只用于解释本发明，并非用于限定本发明的范围。

本发明中所涉及的特定车辆的定义为，在日常生活中，已被有关执法部门掌握的曾参与偷、枪、敲诈、走私、贩毒等一系列违法行为或曾对城市道路交通安全造成过重大影响的车辆，上述车辆在日常生活中，受到有关部门的高度重视，因此，如果其在监控区域内出现时需要提醒有关部门进行防范或采取措施。

本发明中所涉及的伴随关系定义为，在原始的交通数据中，如果存在某一车辆与另一车辆在定义的时间段内的经行卡口、行驶方向相同，则认定上述两辆车辆发生一次伴随，若在定义的时间段内，某一车辆与另一车辆存在大于预设阈值次数的多次伴随，即认为二者的行驶轨迹相似程度高于阈值，则认定两辆车辆具有伴随关系。

本发明中所涉及的特定车辆潜在群体的定义为，与当前所捕获的特定车辆具有伴随关系且在当前的某一段时间内具有行驶记录的车辆群体(默认当前所捕获的特定车辆为潜在群体中的一员)。

如图1所示，一种针对特定车辆潜在群体的行驶轨迹预测方法，包括如下步骤：

步骤1：通过现有智能交通信息系统获取原始交通数据；

步骤2：对原始交通数据进行预处理；

步骤3：将经过预处理的原始交通数据存储在源挖掘数据集S中；

步骤4：实时捕获行经各监测卡口的车辆的车牌号码，与特定车辆名单List1进行对比，若所捕获车辆为特定车辆名单List1上的车辆则执行步骤5；否则执行步骤9；

步骤5：在源挖掘数据集S中查找捕获的特定车辆的潜在群体车辆，并将潜在群体车辆对应的车牌号记录在特定车辆潜在群体名单List2上；

步骤6：逐个判断特定车辆潜在群体名单List2上的潜在群体车辆是否为特定车辆名单List1上的特定车辆，如果是则确认该车辆为特定车辆并执行步骤8；否则确认该车辆为非特定车辆并执行步骤7；

步骤7：增加该车辆的危险系数，判断该车辆的危险系数是否大于预设阈值，如果大于预设阈值则将该车辆的车牌号码添加入特定车辆名单List1，执行步骤9；否则直接执行步骤9；

步骤8：对捕获的特定车辆及特定车辆潜在群体名单List2上确认为特定车辆的车辆的行驶轨迹进行预测，并记录所述特定车辆的预测行驶轨迹，随后执行步骤9；

步骤9：结束。

其中，所述源挖掘数据集S，

S={S1(P1,D1,B1,G1),S2(P2,D2,B2,G2),…,Si(Pi,Di,Bi,Gi),…,SN(PN,DN,BN,GN)}，其中Si(Pi,Di,Bi,Gi)（i＝1，2，…，N）是经过预处理的车辆行经监测卡口的数据；i为当前该条数据的条目编号；Pi为车辆的车牌号码；Di为车辆驶过监测卡口的时间；Bi为监测卡口的卡口编号，Gi为车辆行驶的道次。

如图2所示，步骤5中查找捕获的特定车辆的潜在群体车辆的具体步骤如下：

步骤5.1：根据捕获的特定车辆的车牌号码，在源挖掘数据集S中查找特定时间段DS内该车牌号码对应的车辆的行驶轨迹T，其中，所述行驶轨迹T由若干个轨迹节点Ti（i=1,2,3，…，n）组成;

步骤5.2：在源挖掘数据集S中查找捕获的特定车辆在轨迹T上的所有伴随车辆，并计算每个伴随车辆的行驶轨迹与捕获的特定车辆行驶轨迹的相似度；

步骤5.3：判断相似度高于预设阈值的伴随车辆在距当前时刻预定时间段内是否有行驶记录，如果有则将该伴随车辆的车牌号码写入特定车辆潜在群体名单List2；否则丢弃该伴随车辆车牌号码信息。

其中，步骤5.2中查找捕获的特定车辆在轨迹T上的所有伴随车辆，并计算每个伴随车辆的行驶轨迹与捕获的特定车辆行驶轨迹的相似度的具体步骤如下：

步骤5.2.1：对特定车辆的行驶轨迹T的每个轨迹节点Ti（i=1,2,3，…，n）在源挖掘数据集S中搜索在时间区域[Di-Q，Di+Q]，与特定车辆行经卡口相同，且行驶方向相同的车辆的车牌号码，生成每个轨迹节点Ti的伴随关系记录TP={Tp1,Tp2,…,Tpq,…,Tpm}，其中Tpq(q=1,2,…,m)为在该节点与特定车辆有伴随关系的车辆的车牌号码；

步骤5.2.2：计算特定车辆整个行驶轨迹T中，每个与特定车辆有伴随关系的车辆的行驶轨迹与特定车辆的行驶轨迹的相似度

计算公式如下，

${\mathrm{Sim}}_{T_{\mathrm{pq}}}=\frac{\mathrm{Kq}}{n}\×100\%$

其中，Kq为与特定车辆有伴随关系的车辆的车牌号码出现的频次，n为特定车辆的行驶轨迹T包含轨迹节点Ti的个数。

如图3所示，步骤8中对捕获的特定车辆及特定车辆潜在群体名单List2上确认为特定车辆的车辆的行驶轨迹进行预测的具体步骤如下：

步骤8.1：利用处理时序序列的类Apriori算法对源挖掘数据集S中特定车辆的的行驶记录进行模式提取，生成规则集R；

步骤8.2：在源挖掘数据集S中查找距当前时刻预定时间段内特定车辆最后行经的卡口Bi；

步骤8.3：判断特定车辆最后行经的卡口Bi是否存在于步骤8.1中生成的规则集R中，如果存在于规则集R中，则根据规则集R中相应的规则查找到特定车辆的预测路径；否则执行步骤8.4；

步骤8.4：针对源挖掘数据集S中每个卡口的地理坐标周围的职能情况进行卡口的职能聚类，将具有相同或相近职能的卡口归到同一个职能卡口类；

步骤8.5：针对每个卡口结合与其职能同类的卡口，建立以该卡口为根节点的逐级延伸的有向无环图;

步骤8.6：在源挖掘数据集S中查找特定车辆在其最后行驶经过的卡口Bi所在的职能卡口类的行驶记录，计算特定车辆最后行驶经过的卡口Bi的有向无环图DAG_Bi的概率表；

步骤8.7：根据有向无环图DAG_Bi及其概率表建立该特定车辆最后行驶经过的卡口Bi对应的贝叶斯网络；

步骤8.8：利用特定车辆最后行驶经过的卡口Bi对应的贝叶斯网络计算概率最大的N条路径作为特定车辆的预测路径，其中N为预设条数。

实施例：

1.通过现有智能交通信息系统获取原始交通数据；

2.对原始交通数据进行预处理(包括数据抽取、去冗余、去噪声以及数据转换等)；

3.将经过预处理的原始交通数据存储在源挖掘数据集S中；

4.实时捕获行经各监测卡口的车辆的车牌号码，并与特定车辆名单List1进行对比，若所捕获车辆为特定车辆名单List1上的车辆则执行步骤5；否则所捕获车辆不是特定车辆，结束；在实际的使用中，假设在监测的区域内的卡口“12”处捕获车辆牌号“京B34212”，该车再被捕获的瞬间的行驶数据为：车辆牌号：“京B34212”，行驶时间：“2012年4月19日10点47分53秒”，经行卡口：“4”，经行道次：“2”。通过与特定车辆名单中所包含车辆牌号进行对比，假设其属于其中一员，则执行步骤5。

5.针对预设的时间段DS，完成当前特定车辆行驶轨迹T={T1,T2,…,Tn}的生成。行驶轨迹T为当前特定车辆在源挖掘数据集S中，在时间段内的所有行驶记录情况。在实际使用中，我们通常将时间间隔DS定义为该特定车辆发现时间减去48小时，如按4中情况为例，则时间段DS应为[2012年4月17日10点47分53秒，2012年4月19日10点47分53秒]。这样处理的原因是避免由于数据量过大，范围过大导致的计算时间增加，并且长时间的关联车辆发现的意义不大。假设在时间间隔DS内有5条关于当前特定车辆的数据，则行驶轨迹T={T1,T2,…,T5}，其中每个点中都包含有详细的行驶信息，如T1的详细信息为行驶车辆的车牌：“京B34212”，行驶时间：“2012年4月17日14点32分19秒”，经行卡口：“6”，经行道次：“1”。

6.对组成轨迹的每一个轨迹节点Ti，i=1,2,…,n，在源挖掘数据集S中，反向搜索所有满足时间阈值Q，且经行卡口相同，行驶方向相同(根据道次的方向确定该道次下车辆的行驶方向)的车辆行驶记录，生成关于节点Ti的伴随关系记录TP={Tp1,Tp2,…,TpM}，其中,Tpq,q=1,2,…，M为在该节点与当前特定车辆具有一次伴随情况的车牌号。在实际使用中，一般设Q为10分钟，最好不超过1小时，该参数可以根据所需关联车辆的强度进行调节。若以步骤5中轨迹节点T1为例，则行驶时间区间为[2012年4月17日14点22分19秒，2012年4月17日14点42分19秒]，经行卡口：“6”，经行道次：“1”，并以上述3点为条件在源挖掘数据集S中查找，找出除“京B34212”外，所有满足查询条件内的车辆的车牌号码，并存储于伴随记录TP中，例如若满足条件的车辆有4个则针对于节点T1的伴随关系记录TP可表示为：TP={“京X51282”，“京C98423”，“京P50214”，“京S95336”}。

7.统计整个行驶轨迹T中，每一个Tpq（即每一个与当前特定车辆具有一次伴随情况的车辆的车牌）出现的频次Kq，完成该车与当前特定车辆行驶轨迹的相似度计算。在实际使用中，若T中n=15，且车牌Tp3=“京X51282”在整个轨迹T中出现了10次，即K3=10，则相似度Sim_Tp3=66.67%。

8.逐个查询所有的相似度

大于预设阈值的车辆在距当前时刻预定时间段内是否存在行驶记录。在实际使用中预设阈值一般设为30%，查询的距当前时刻预定时间段一般定义为2小时，假设以步骤7中车牌Tp3=“京X51282”为例，则在源挖掘数据集S中查询在时间段[2012年4月19日8点47分53秒,2012年4月19日10点47分53秒]内是否存在“京X51282”的行驶记录。

9.对所有在距当前时刻预定时间段内具有行驶记录且满足相似度阈值的车辆牌号写入该特定车辆潜在群体名单List2。假设有3辆车满足上述步骤8中的条件，则该特定车辆潜在群体名单List2可假设为{京B34212(当前捕获的特定车辆自身)，京X51282，京C98423，京S95336}。

10.将潜在群体名单List2中的车辆的车牌号分别与特定车辆名单List1中的车牌号码进行比对，逐个判断特定车辆潜在群体名单List2上的潜在群体车辆是否为特定车辆名单List1上的特定车辆，若其为特定车辆则执行步骤12，否则执行步骤11。本实施例中“京B34212”本身即为特定车辆，可假设该特定车辆的潜在群体名单中“京X51282”“京C98423”为特定车辆，“京S95336”为非特定车辆。

11.增加该非特定车辆的危险系数，当其危险系数大于预设阈值时，将该车添加入特定车辆信息名单List1中。在实际使用中是将非特定车辆“京S95336”的危险系数自动增加1，使用时的预设阈值为20，即当车辆的危险系数大于20时，将其加入特定车辆名单List1中，结束。

12.待预测轨迹的特定车辆的模式提取，即假设为车辆“京X51282”的模式提取，在提取过程中运用的是针对于时序序列的类Apriori算法完成的，可假设模式规则为R={R1(13—>21)，R2(4—>5)，R3(16，13—>7)，R4(16，11—>9)，R4(16，13，18—>7，10)……}。

13.在距当前时刻预定时间段内找出该特定车辆最后一次行驶记录中经行的卡口位置，若步骤12中所获模式规则集R的关系式左侧存在关于该卡口的有关信息则执行步骤14，否则执行步骤15。假设车辆“京X51282”在距当前时刻预定时间段[2012年4月19日8点47分53秒,2012年4月19日10点47分53秒]内最后一次行驶记录中经行的卡口位置为“卡口4”。然后查询步骤12中的规则集R中是否存在关于“卡口4”的规则。若步骤12的规则集R的关系式左侧存在“卡口4”的规则，则执行步骤14，若步骤12的规则集R的关系式左侧不存在“卡口4”的规则，则执行步骤15。

14.若规则集R中存在与该特定车辆“京X51282”在距当前时刻预定时间段[2012年4月19日8点47分53秒,2012年4月19日10点47分53秒]内最后一次行驶记录中经行的卡口位置为“卡口4”的相关规则时，可假设输出结果为：

强规则，可能行驶轨迹为卡口4—>卡口5(假设继承于步骤12中规则集R中规则集R2)。

15.针对卡口的功能完成所有卡口聚类工作；本实例例中假设在实际的监测区域中，共有卡口23个。采用SOM聚类后的结果为旅游={2,9,15,18,23}；生活服务={1,6,7,10,13,20}；购物={4,5,11,14，19,21,}；美食={3,8,12,16,17,22}。

针对每一个卡口Bi，结合与其同类的卡口，建立以该卡口Bi为根节点的、逐级延伸的有向无环图

若以卡口Bi=4为例则有向无环图

如图4所示。

根据源挖掘数据集S中该特定车辆“京X51282”在该类卡口（本实施例中该类卡口指的是与卡口4同类的卡口）的行驶记录，完成有向无环图

概率表

的计算工作，本实施例中为有向无环图

从而完成了针对该卡口的贝叶斯网络的建立，如图4所示。

若规则集R中不包含该特定车辆最后行驶“卡口4”相关的规则，则以卡口Bi=4的贝叶斯网络完成计算，其输出结果为：

无强规则借鉴，可能行驶的轨迹为(本实施例中只给出了概率最大的3个可能轨迹)：

卡口4—>卡口11，概率82%；

卡口4—>卡口11—>卡口14，概率34%；

卡口4—>卡口11—>卡口5，概率41%。

上述步骤完成了当前捕获的特定车辆“京B34212”的潜在群体中的一辆被确认为是特定车辆“京X51282”的行驶轨迹预测结果。特定车辆潜在群体名单List2中的特定车辆均可按照上述方法完成行驶轨迹的预测。

具体实施时，特定车辆潜在群体名单List2中的车辆可按照其危险系数的高低进行选择性处理，对于确认为是特定车辆的进行重点排查，对于确认为非特定车辆不排查：

重点排查车辆(特定车辆)

京B34212的预测结果：

存在强规则，其可能行驶轨迹为卡口4—>卡口9

京X51282的预测结果：

存在强规则，其可能行驶轨迹为卡口4—>卡口5。

京C98423的预测结果：

无强规则借鉴，可能行驶的轨迹为

卡口7—>卡口1，概率63%；

卡口7—>卡口6，概率37%；

卡口7—>卡口1—>卡口13，概率33%。

最后将上述结果生成报告文档提供给有关部门。

方法执行完毕。

至此，本发明通过提出的针对特定车辆潜在群体的行驶轨迹预测方法，有效地利用捕获到的单一特定车辆完成了其潜在群体行驶轨迹的预测功能，在实际的生活中，通过该方法所提供的预测结果能够有效地为有关部门的决策及城市道路安全的保障提供了有效的技术支持。

本实施例将发明的针对特定车辆潜在群体的行驶轨迹预测方法应用到实际的城市道路安全分析领域中，针对城市智能交通信息系统所产生的大量原始交通数据，从特定车辆潜在群体的行驶轨迹预测方面入手，有效地完成城市道路安全中特定车辆潜在群体的行驶轨迹预测工作，从而为保障城市道路的安全提供了一种可靠的方法保障。

以上所述仅为本发明的较佳实施例，并不用以限制本发明，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 (9)

1.一种针对特定车辆潜在群体的行驶轨迹预测方法，其特征在于，包括如下步骤：

步骤1：通过现有智能交通信息系统获取原始交通数据；

步骤2：对原始交通数据进行预处理；

步骤3：将经过预处理的原始交通数据存储在源挖掘数据集S中；

步骤4：实时捕获行经各监测卡口的车辆的车牌号码，并与特定车辆名单List1进行对比，若所捕获车辆为特定车辆名单List1上的车辆则执行步骤5；否则执行步骤9；

步骤5：在源挖掘数据集S中查找捕获的特定车辆的潜在群体车辆，并将潜在群体车辆对应的车牌号记录在特定车辆潜在群体名单List2上；

步骤6：逐个判断特定车辆潜在群体名单List2上的潜在群体车辆是否为特定车辆名单List1上的特定车辆，如果是则确认该车辆为特定车辆并执行步骤8；否则确认该车辆为非特定车辆并执行步骤7；

步骤7：增加该车辆的危险系数，判断该车辆的危险系数是否大于预设阈值，如果大于预设阈值则将该车辆的车牌号码添加入特定车辆名单List1，执行步骤9；否则直接执行步骤9；

步骤8：对捕获的特定车辆及特定车辆潜在群体名单List2上确认为特定车辆的行驶轨迹进行预测，并记录所述特定车辆的预测行驶轨迹，随后执行步骤9；

步骤9：结束。

2.根据权利要求1所述一种针对特定车辆潜在群体的行驶轨迹预测方法，其特征在于，步骤2中所述对原始交通数据进行预处理包括数据的抽取、去冗余、去噪声以及数据转换。

3.根据权利要求1所述一种针对特定车辆潜在群体的行驶轨迹预测方法，其特征在于，步骤3中所述源挖掘数据集S，

S={S1(P1,D1,B1,G1),S2(P2,D2,B2,G2),…,Si(Pi,Di,Bi,Gi),…,SN(PN,DN,BN,GN)}，其中Si(Pi,Di,Bi,Gi)（i＝1，2，…，N）是经过预处理的车辆行经监测卡口的数据；i为当前该条数据的条目编号；Pi为车辆的车牌号码；Di为车辆驶过监测卡口的时间；Bi为监测卡口的卡口编号，Gi为车辆行驶的道次。

4.根据权利要求1所述一种针对特定车辆潜在群体的行驶轨迹预测方法，其特征在于，步骤5中查找捕获的特定车辆的潜在群体车辆的具体步骤如下：

步骤5.1：根据捕获的特定车辆的车牌号码，在源挖掘数据集S中查找特定时间段DS内该车牌号码对应的车辆的行驶轨迹T，其中，所述行驶轨迹T由若干个轨迹节点Ti（i=1,2,3，…，n）组成;

步骤5.2：在源挖掘数据集S中查找捕获的特定车辆在轨迹T上的所有伴随车辆，并计算每个伴随车辆的行驶轨迹与捕获的特定车辆行驶轨迹的相似度；

步骤5.3：判断相似度高于预设阈值的伴随车辆在距当前时刻预定时间段内是否有行驶记录，如果有则将该伴随车辆的车牌号码写入特定车辆潜在群体名单List2；否则丢弃该伴随车辆车牌号码信息。

5.根据权利要求4所述一种针对特定车辆潜在群体的行驶轨迹预测方法，其特征在于，步骤5.2中查找捕获的特定车辆在轨迹T上的所有伴随车辆，并计算每个伴随车辆的行驶轨迹与捕获的特定车辆行驶轨迹的相似度的具体步骤如下：

步骤5.2.1：对特定车辆的行驶轨迹T的每个轨迹节点Ti（i=1,2,3，…，n）在源挖掘数据集S中搜索在时间区域[Di-Q，Di+Q]，与特定车辆行经卡口相同，且行驶方向相同的车辆的车牌号码，生成每个轨迹节点Ti的伴随关系记录TP={Tp1,Tp2,…,Tpq,…,Tpm}，其中Tpq(q=1,2,…,m)为在该节点与特定车辆有伴随关系的车辆的车牌号码；

步骤5.2.2：计算特定车辆整个行驶轨迹T中，每个与特定车辆有伴随关系的车辆的行驶轨迹与特定车辆的行驶轨迹的相似度SimT_pq，计算公式如下，

${\mathrm{Sim}}_{T_{\mathrm{pq}}}=\frac{\mathrm{Kq}}{n}\×100\%$

其中，Kq为与特定车辆有伴随关系的车辆的车牌号码出现的频次，n为特定车辆的行驶轨迹T包含轨迹节点Ti的个数。

6.根据权利要求1所述一种针对特定车辆潜在群体的行驶轨迹预测方法，其特征在于，步骤8中对捕获的特定车辆及特定车辆潜在群体名单List2上确认为特定车辆的车辆的行驶轨迹进行预测的具体步骤如下：

步骤8.1：利用处理时序序列的类Apriori算法对源挖掘数据集S中特定车辆的的行驶记录进行模式提取，生成规则集R；

步骤8.2：在源挖掘数据集S中查找距当前时刻预定时间段内特定车辆最后行经的卡口Bi；

步骤8.3：判断特定车辆最后行经的卡口Bi是否存在于步骤8.1中生成的规则集R中，如果存在于规则集R中，则根据规则集R中相应的规则查找到特定车辆的预测路径；否则执行步骤8.4；

步骤8.4：针对源挖掘数据集S中每个卡口的地理坐标周围的职能情况进行卡口的职能聚类，将具有相同或相近职能的卡口归到同一个职能卡口类；

步骤8.5：针对每个卡口结合与其职能同类的卡口，建立以该卡口为根节点的逐级延伸的有向无环图;

步骤8.6：在源挖掘数据集S中查找特定车辆在其最后行驶经过的卡口Bi所在的职能卡口类的行驶记录，计算特定车辆最后行驶经过的卡口Bi的有向无环图DAG_Bi的概率表；

步骤8.7：根据有向无环图DAG_Bi及其概率表建立该特定车辆最后行驶经过的卡口Bi对应的贝叶斯网络；

步骤8.8：利用特定车辆最后行驶经过的卡口Bi对应的贝叶斯网络计算概率最大的N条路径作为特定车辆的预测路径，其中N为预设条数。

7.根据权利要求1所述一种针对特定车辆潜在群体的行驶轨迹预测方法，其特征在于，所述特定车辆的定义为，在日常生活中，已被有关部门掌握的曾参与违法行为或曾与对城市道路交通安全造成过重大影响的车辆。

8.根据权利要求1所述一种针对特定车辆潜在群体的行驶轨迹预测方法，其特征在于，伴随关系的定义为，在原始的交通数据中，如果存在某一车辆与另一车辆在定义的时间段内的经行卡口、行驶方向相同，则上述两辆车辆发生一次伴随，若在定义的时间段内，某一车辆与另一车辆存在大于预设阈值次数的多次伴随，即二者的行驶轨迹相似程度高于阈值，则两辆车辆具有伴随关系。

9.根据权利要求1所述一种针对特定车辆潜在群体的行驶轨迹预测方法，其特征在于，特定车辆潜在群体的定义为，与当前所捕获的特定车辆具有伴随关系且在距当前时刻预定时间段内具有行驶记录的车辆群体，默认当前所捕获的特定车辆为特定车辆潜在群体中的一员。

Images