CN104167095A - 基于智慧城市的车辆行为模式稽查方法 - Google Patents

Abstract

一种基于智慧城市的车辆行为模式稽查方法，包括下列步骤：采集并存储城市道路车辆的通行信息，车辆通行信息包括车辆车牌号、通过时间和通过的监测点信息；监测点可以为RFID或视频监控共同构成；记录数据，形成车辆历史清单；根据最近30天的车辆运行清单，得出车辆的运行行为模式，对处于非法营运状态的车辆进行标识；实时采集城市道路车辆的通行信息，并与上述识别出的车牌号码进行比较，如发现被标识的车牌号码，则进行提示，告知管理人员该车辆出现的地点，并实时传递该车辆的监控影像。本发明结合智慧城市系统的实时监控与影像实时甄别，实现了对城市区域内非营运车辆的营运行为快速稽查。

Description

基于智慧城市的车辆行为模式稽查方法

技术领域

本发明涉及车辆的识别方法和系统，具体涉及一种车辆在城市区域内的非法营运行为的稽查方法。

背景技术

随着经济社会的发展，城市化过程快速推进，城市交通管理水平也有很大提高。但城市交通管理中仍然面临诸多难题。事实证明，虽然各地交通管理部门不断加大治理的投入，但仍然不能解决城市区域内的黑车行为，黑车带来的安全隐患和矛盾冲突也时有发生。

目前，城市区域的黑车的稽查方法主要靠执法人员人工进行。其缺点是效率低、检查区域有限。在城市各大区域内，由于无法准确获取车辆出现的时间以及行驶路线，使管理人员很难对这些车辆进行治理。由于现有的黑车大都有它固定的行驶路径和特定的时间特征，故为该方法提供了可能。

发明内容

本发明方法旨在提供一种根据车辆日常的行驶路径进行车牌自动甄别、行为模式自动判别的方法。从而对非营运车辆营运行为（后续称“黑车”）进行监测，为城市管理行为提供执法依据。

实现本发明目的的技术方案是：一种基于智慧城市的车辆行为模式稽查方法，包括下列步骤：

步骤1采集并存储城市道路车辆的通行信息，车辆通行信息包括车辆车牌号、通过时间和通过的监测点信息；监测点可以为RFID或视频监控共同构成；

步骤2 记录数据，形成车辆历史清单；

步骤3 根据最近30天的车辆运行清单，得出车辆的运行行为模式，对处于非法营运状态的车辆进行标识：

步骤301收集汇总24小时内城市道路上所有车辆的通行信息，以24小时为一个统计周期；时间的开始截止点可配置，建议配置值为当日5点整开始到次日5点整之间的24小时（前闭合后开放区间）；

步骤302 对该统计周期内的所有数据根据车牌号码颜色进行过滤，保留蓝色牌照车辆的通行信息；

步骤303 对过滤后的数据根据车牌号码进行进一步过滤，通过系统的白名单列表进行剔除，剔除掉不需要监测的车牌号码；

步骤304 对过滤后的数据根据车牌号码进行匹对，对于明确是属于出租车的车牌号码数据进行过滤，保留非出租车牌的数据；

步骤305 对上一步骤处理完的数据进行排序，根据车牌号码、通过时间、监测点进行排序，得到完整有序的车辆的日常通行记录；

步骤306对上一步骤处理完的数据进行存储结构转换，得到这样的存储格式数据：车牌号码、通过时间1、监测点1、通过时间2、监测点2、……通过时间N、监测点N；

步骤307 对时间格式进行转换，把绝对时间转换为相对时间，即该统计周期区间的起始时间至当前通过时间的差额，单位为秒；

步骤308 对监测点进行统一编号，每一个监测点对应一个编号；为了使后续处理方便，优选使用4位的十六进制方式进行编号（最大可以包含65535个监测点）；

通过上述的数据处理，可以得到如下的数据格式，比如：

苏A×××××、153、01AB、378、01AC、653、012B、821、012C、1153、01AB、1378、01AC、1653、012B、1821、012C……

步骤309 以每i个监测点作为一组，对上述数据进行统计汇总，i=1，2……n；

步骤310 以每i个监测点作为一组，对上述数据进行统计汇总，其中i=i+1；

步骤311 重复步骤210，直到满足如下任意一个条件，即停止该循环汇总过程：当一组监测点个数i大于预定义的阈值，或当次汇总统计的结果次数都不大于1；

步骤312 把该统计周期内的汇总数据存储到结果表中，形成30日的汇总统计数据；

步骤313 对最近30日的汇总统计数据进行进一步统计，对符合如下几种规则的车牌号码进行标识：

a，30日内出现在同一个或一组监测点的总次数大于设定阈值；

b，单日内出现在同一个或一组监测点的总次数大于设定阈值；

c，持续一段日期内都存在同一个或一组监测点的次数大于设定阈值的数据。

至此，根据车辆日常的行为统计，可以对非营运车辆的异常行为进行系统化的“可疑”识别，后续需进一步结合系统流程进行甄别。

步骤314 对于被标识的车牌号码的数据进行24小时时间分布统计，得出近30日内的活跃时间和活跃区域分布。

步骤4实时采集城市道路车辆的通行信息，并与上述识别出的车牌号码进行比较，如发现被标识的车牌号码，则进行提示，告知管理人员该车辆出现的地点，并实时传递该车辆的监控影像。

本发明的有益效果在于：本发明通过在城市道路上建设的RFID和视频监控采集到车辆的通行信息，将这些信息记录下来，将数据进行清洗、转换，识别出车辆的行为特征，将疑似黑车行为的车辆进行识别，结合智慧城市系统的实时监控与影像实时甄别，实现了对城市区域内非营运车辆的营运行为快速稽查，为管理人员提供辅助。

附图说明

图1是本发明实施例基于智慧城市的车辆行为模式稽查方法流程图；

图2是本发明实施例非营运车辆识别流程图。

具体实施方式

下面结合附图进行进一步说明。

如图1所示，在步骤102，进入方法100流程。

在步骤104，实时采集、存储车辆通行信息及影像信息。例如，第一个实例中，车辆实时信息可以从智能卡口所拍摄照片中，通过图像识别出车牌号信息及车辆位置信息（即基站位置信息）；第二个实例中，车辆信息可以是从智能卡口的RFID设备中获取的车辆号信息及位置信息；第三个实例中，车辆实时信息可以从车载设备中上传的车辆GPS信息及实时位置信息。

在步骤105中，根据步骤104提供的车辆通行信息，记录数据，形成车辆通行历史清单。根据车牌号顺序，从A-Z、0-9，将采集到的车辆信息存储在历史清单的数据库中，这些信息还包括这些车的颜色、通过时间、监测点、活跃时间、活跃地点等属性信息。

在步骤200中，在步骤105的历史清单基础上，根据对符合“黑车”行为模式的车辆进行自动标识。根据近30天的车辆运行清单，得出车辆的运行行为模式。例如车辆“苏A911XX”，平均每天晚上5点到8点之间，在天隆寺地铁站附近的监测点出入超过20次，那么这辆车就被作为疑似“黑车”并进行自动标识。以下均以本实例继续。步骤200会在图2的流程图内详细描述。

在步骤106中，根据步骤104、200提供的车辆实时信息和历史信息，判断车辆是否处于非法营运状态。符合的车辆执行步骤108，不符合的车辆执行步骤133结束流程。当“苏A911XX”又通过天隆寺附近安德门大街的监测点，根据历史信息，该车的通过次数已经达到“黑车”的阈值，则被定义为非法营运状态。

在步骤108中，根据步骤200，向预警系统推送车辆位置等信息，同时推送车辆30天内运行历史行为特征。在以上的实例中，“苏A911XX”已被判定为属于非法营运状态，则向预警系统推送它的位置等实时信息，同时推送该车辆30天内的运行历史信息和行为特征分析等信息。

在步骤110中，根据步骤108，结合影像数据和历史数据（历史影像、历史时间地点），判定是否需要对其进行执法。需要执法的执行步骤112，不需要进行执法的执行步骤120。例如“苏A911XX”在晚上5点到8点的过程中，多次出入天隆寺附近监测点，影像数据显示车上经常是不同的乘客，本次实时影像中又是运载不同的乘客，执法人员则认为该车属于“黑车”，需要对其进行执法。

在步骤112中，将车辆当前运营位置信息推送给管理人员，同时推送它的历史行为作为执法支撑。将“苏A911XX”的当前位置与其历史数据作为执法支撑，推送给现场管理人员或附近执法机构，供他们进行现场执法或事后处理。

在步骤120中，将该车列入疑似“黑车”清单，供维护人员甄别判断。若确定是“黑车”，执行步骤122，不是“黑车”的执行步骤124。维护人员通过对疑似“黑车”的车辆进行查看其30天内的历史数据（通行地点、时间、次数、车上乘客等），判断其是否属于“黑车”。

在步骤122中，记录车辆违法信息，供后续处理。若“苏A911XX”本次没有非法营运（例如没有运载乘客），但历史数据表明其多次运载不同的乘客，并短时间多次来回出入同一监测点（附近监测点）。则将该车违法信息记录下来，供后续处理。

在步骤124中，维护车辆白名单信息。通过维护人员甄别后，这些车辆不属于“黑车”，比如机关单位的公务车，则将其列入白名单，并进行白名单信息维护。

在步骤133中，结束本次方法100流程。

如图2所示，在步骤204中，根据步骤105提供的数据，收集汇总24小时内城市道路上所有车辆的通行信息，选取24小时为一个统计周期，时间的开始截止点可配置，建议配置值为当日5点整开始到次日5点整之间的24小时（前闭合后开放区间）。

在步骤206中，根据步骤204提供的数据，判断车牌颜色是否属于蓝色车牌。是蓝色车牌的执行步骤208，不是蓝色车牌的执行步骤210。例如，当一辆车被判定为黄色车牌时，该车可能是大车或农用车及教练车，白色车牌是特种车辆。不属于小车范围，不在此系统需要监测的范围内。

在步骤208中，根据步骤204提供的数据，判定车牌号码是否属于白名单。如果属于白名单，执行步骤210，如不属于白名单，则执行步骤218。白名单中的车辆都是经过维护人员人工甄别过的，比如机关单位的公务车，所以属于白名单的车辆，不属于“黑车”。

在步骤218中，根据208提供的数据，进一步判定车牌是否属于出租车。如果属于出租车，执行步骤210，如不属于出租车，则执行步骤220。出租车作为城市交通的一大公共能力，不在此系统监测的范围内。

在步骤220中，对数据根据车牌号码、通过时间、监测点进行排序。车牌号码的排列按照A-Z、0-9的顺序，通过时间为从早到晚的顺序。

在步骤222中，对数据进行“列”至“行”的存储结构转换。例如，在一条“列”数据中：row1（车牌号码、通过时间、监测点、照片）、row2（车牌号码、通过时间、监测点、照片、）。将它转换为“行”数据：车牌号码、（通过时间1、监测点1、照片1）、（通过时间2、监测点2、照片2）。

在步骤224中，把绝对时间格式转换为相对时间格式的数值形式。例如，假定系统的相对该周期的起始时间为凌晨5点整，那么转换公式为“当前时间-凌晨5点整”，单位为秒。即17点20分18秒转换为44418。

在步骤224中，将监测点按照4位十六进制进行唯一性编号。例如栖霞大道监测点被设置为215号监测点，那么其对应的十六进制为D7。因编号为4位，在前面进行补0，最终该监测点编号为00D7。该编号方式最大可以包含65535个记录，可以覆盖某个中大型城市的全部监控点。

在步骤230中，它是由步骤231、232、233、236这4个步骤组成了一个循环：

在步骤231中，它作为循环的开始，定义变量i=1；

在步骤232中，按照每i个监测点作为一组维度进行汇总统计。例数据为车牌号码、（通过时间1、监测点1、照片1）、（通过时间2、监测点2、照片2）、（通过时间3、监测点3、照片2）、（通过时间4、监测点1、照片4）。当i=1时，汇总数据为车牌号码、监测点1（2次）、监测点2（1次）、监测点3（1次）；当i=2时，汇总数据为车牌号码、监测点1&2（1次）、监测点2&3（1次）、监测点3&1（1次）；当i=3时，汇总数据为车牌号码、监测点1&2&3（1次）、监测点2&3&1（1次）；以此类推；

在步骤233中，它作为循环的递进的变化，修改定义的变量i=i+1；

在步骤236中，它作为循环的控制条件，但满足如下任意一个条件：i>=设定阈值（比如5），或者第i次汇总统计的结果次数都不大于1的情况，则退出循环。

在步骤242中，完整记录循环步骤230汇总统计的结果，此处仅包含该周期（24小时）内的统计数据。

在步骤244中，把步骤242提供的单个周期（24小时）内的统计数据，增量的存储到存放近30天的结果中，该处存放了近30天的历史统计数据，完整的记录了车辆近30天的行为特征数据，供后续分析。

在步骤246中，根据步骤244提供的近30天的车辆行为特征数据，进行特征分析提取，提取出具备疑似“黑车”行为的车牌号码，提取的规则如下： 30日内出现在某类监测点的总次数大于设定阈值；单日内出现在某类监测点的总次数大于设定阈值；持续一段日期内都存在某类监测点的次数大于设定阈值的数据。

在步骤248中，对步骤246提取出来的车牌号码进行标识。

在步骤250中，对步骤246标识出来的车辆，进一步进行其它各类主要行为特征分析，比如活跃时间，活跃路线等，例分析得出某“黑车”偏好在每天21点-23点，活跃在“安德门-江心洲”这条线路上。

在步骤2633中，结束本次方法200流程。

Claims (4)

1.一种基于智慧城市的车辆行为模式稽查方法，其特征是：包括下列步骤：

步骤1采集并存储城市道路车辆的通行信息，车辆通行信息包括车辆车牌号、通过时间和通过的监测点信息；

步骤2 记录数据，形成车辆历史清单；

步骤3 根据最近30天的车辆运行清单，得出车辆的运行行为模式，对处于非法营运状态的车辆进行标识：

步骤301收集汇总24小时内城市道路上所有车辆的通行信息，以24小时为一个统计周期； 

步骤302 对该统计周期内的所有数据根据车牌号码颜色进行过滤，保留蓝色牌照车辆的通行信息；

步骤303 对过滤后的数据根据车牌号码进行进一步过滤，通过系统的白名单列表进行剔除，剔除掉不需要监测的车牌号码；

步骤304 对过滤后的数据根据车牌号码进行匹对，对于明确是属于出租车的车牌号码数据进行过滤，保留非出租车牌的数据；

步骤305 对上一步骤处理完的数据进行排序，根据车牌号码、通过时间、监测点进行排序，得到完整有序的车辆的日常通行记录；

步骤306对上一步骤处理完的数据进行存储结构转换，得到这样的存储格式数据：车牌号码、通过时间1、监测点1、通过时间2、监测点2、……通过时间N、监测点N；

步骤307 对时间格式进行转换，把绝对时间转换为相对时间，即该统计周期区间的起始时间至当前通过时间的差额，单位为秒；

步骤308 对监测点进行统一编号，每一个监测点对应一个编号；

步骤309 以每i个监测点作为一组，对上述数据进行统计汇总，i=1，2……n；

步骤310 以每i个监测点作为一组，对上述数据进行统计汇总，其中i=i+1；

步骤311 重复步骤210，直到满足如下任意一个条件，即停止该循环汇总过程：当一组监测点个数i大于预定义的阈值，或当次汇总统计的结果次数都不大于1；

步骤312 把该统计周期内的汇总数据存储到结果表中，形成30日的汇总统计数据；

步骤313 对最近30日的汇总统计数据进行进一步统计，对符合如下规则之一的车牌号码进行标识：

a，30日内出现在同一个或一组监测点的总次数大于设定阈值；

b，单日内出现在同一个或一组监测点的总次数大于设定阈值；

c，持续一段日期内都存在同一个或一组监测点的次数大于设定阈值的数据；

步骤4实时采集城市道路车辆的通行信息，并与上述识别出的车牌号码进行比较，如发现被标识的车牌号码，则进行提示，告知管理人员该车辆出现的地点，并实时传递该车辆的监控影像。

2.根据权利要求1所述的稽查方法，其特征是：所述步骤301中，一个周期

的开始截止点配置值为当日5点整开始到次日5点整之间的24小时。

3.根据权利要求1所述的稽查方法，其特征是：所述步骤308中，编号监测点的优选使用4位的十六进制方式进行编号。

4.根据权利要求1所述的稽查方法，其特征是：所述步骤3中，步骤313之后还包括下列步骤：

步骤314 对于被标识的车牌号码的数据进行24小时时间分布统计，得出近30日内的活跃时间和地点分布。