CN104318327A - 一种车辆轨迹预测分析方法 - Google Patents

一种车辆轨迹预测分析方法 Download PDF

Info

Publication number
CN104318327A
CN104318327A CN201410551180.2A CN201410551180A CN104318327A CN 104318327 A CN104318327 A CN 104318327A CN 201410551180 A CN201410551180 A CN 201410551180A CN 104318327 A CN104318327 A CN 104318327A
Authority
CN
China
Prior art keywords
time
license plate
plate number
track
server
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.)
Pending
Application number
CN201410551180.2A
Other languages
English (en)
Inventor
马华东
傅慧源
刘鑫辰
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing University of Posts and Telecommunications
Original Assignee
Beijing University of Posts and Telecommunications
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beijing University of Posts and Telecommunications filed Critical Beijing University of Posts and Telecommunications
Priority to CN201410551180.2A priority Critical patent/CN104318327A/zh
Publication of CN104318327A publication Critical patent/CN104318327A/zh
Pending legal-status Critical Current

Links

Classifications

    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06QINFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00Administration; Management
    • G06Q10/04Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G06Q10/047Optimisation of routes or paths, e.g. travelling salesman problem
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06VIMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00Scenes; Scene-specific elements
    • G06V20/60Type of objects
    • G06V20/62Text, e.g. of license plates, overlay texts or captions on TV images
    • G06V20/63Scene text, e.g. street names

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Development Economics (AREA)
  • Game Theory and Decision Science (AREA)
  • Multimedia (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明公开了一种车辆轨迹预测分析方法,该方法包括以下步骤:获取摄像机的原始视频,提取车牌号信息并记录实时时间;通过获取目标车辆在查询时间段内出现的位置点集合,计算任意相邻位置点的平均时间间隔,获取相邻位置点的最优子路径,连接最优子路径输出预测轨迹。本发明融合了监控视频、车牌号信息、时间信息、城市拓扑等多模数据,能够有效地通过不完整的、离散的数据合理地预测出车辆的轨迹;该方法的视频内容分析通过各个智能摄像机执行,服务器压力得到减轻,处理速度快;摄像机仅需将提取的车牌号信息发送给服务器,网络开销很小,传输速度快。

Description

一种车辆轨迹预测分析方法
技术领域
本发明涉及智能交通监控领域,具体为一种车辆轨迹预测分析方法。
背景技术
城市规模在不断变大,车辆数目不断增多,由此带来的交通问题也越来越严峻。目前,大多数的交通问题都是通过摄像机采集证据的,而且现在的智能摄像机的摄像能力、计算能力都已经达到了一定的水平,因而可以完成许多基本的分析任务,如目标识别、车辆分类、行人检测等等。
虽然智能摄像机能够提供许多珍贵的原始资料,但是目前的监控系统却仅仅提供非常简单的应用或服务,比如回放视频、车辆计数或者某一摄像机的车辆违章。可是硬盘中还存放着大量的有价值的信息,比如地图信息等,可这些非常有价值的信息并没有被利用。
鉴于此,充分利用智能摄像机获取的原始材料进而提供优质、高效的监控服务,在某个时间段内对车辆的轨迹进行合理、准确的预测是有很大意义的,比如,帮助政府或者安全部门寻找嫌疑车辆在过去某段时间内的位置和轨迹。
目前,对于目标的识别和跟踪主要采用两种方法:
1)基于视觉的方法:对单一摄像机下的车辆进行跟踪和分类,主要采用视觉特征匹配和时空关系约束的方法对目标进行跟踪。但是,这种方法仅关注于单个摄像机或少数几个摄像机间的目标跟踪,对于一个城市来说,摄像机的数量非常庞大,视频数据的规模急剧增长,视觉特征的维度急剧增加,所以基于视觉的方法是很难直接分析如此大规模的视觉数据和视觉特征的。
2)基于GPS的方法:通过安装在个人设备或者交通工具上的GPS定位设备进行跟踪,以此获得车辆的轨迹。但是,我们无法强制要求用户安装GPS定位设备或者类似工具,所以,这种方法的应用范围窄,无法得到广泛地推广,不适用于车辆轨迹的预测。
另外,实际应用中,由于车牌号识别错误、网路传输等问题,导致获得的数据很可能是不完整的,而目前的技术又无法通过这些离散的、不完整的数据中确定车辆的轨迹。所以,得到一种能够融合离散信息的车辆轨迹预测方法成为了本领域技术人员一直追求的目标。
发明内容
为解决现有技术中基于视觉、基于GPS的方法不适用于车辆轨迹预测且无法融合离散的、不完整信息的问题,本发明提供了一种车辆轨迹预测分析方法,解决了智能交通中车辆轨迹的预测问题。
为实现上述目的,本发明提供了如下的技术方案:
一种车辆轨迹预测分析方法,获取摄像机的原始视频,提取车牌号信息并记录实时时间,还包括以下步骤:
S1:车牌号、实时时间上传至服务器中,输入目标车牌号Num及查询时间段ΔT后,从服务器中读取一系列的离散的摄像机编号C={c0,c1,……,cm-1},结合摄像机所对应的地图位置,获得目标车辆在查询时间段内先后出现的位置点集合P={p0,p1……,pm-1};
S2:计算任意相邻位置点pi、pj的平均时间间隔Ti,j
S3:获取集合P中相邻位置点pi、pi+1的最优子路径spi
pi经过地图上的所有邻点pm向pi+1遍历,计算pi、pm的平均时间间隔Ti,m,判断Ti,m是否大于Ti,j+α,α为门限值,如果成立,则回溯到前驱结点pi并遍历其它邻点,如果不成立,则将当前结点加入候选路径,如果pm不是pi+1,则从pm继续向下遍历;pm向pm+1遍历,计算pi、pm+1的平均时间间隔Ti,m+1,判断Ti,m+1是否大于Ti,j+α,如果成立,则回溯到前驱结点pm并遍历其它邻点;如果不成立,则将当前结点加入候选路径,如果pm+1不是pi+1,则继续向下遍历,一直遍历到pi+1为止;
获得了pi至pi+1的一系列子路径spk之后,计算每条子路径spk所消耗的时间sck,计算排序值rk=|sck-Ti,j|,当rk=ri最小时,此时spi为pi至pi+1的最优子路径;
S4:将所有最优子路径spi按顺序连接,得到位置点集合P在查询时间段内的最优路径,即输出的预测轨迹SP={sp0,sp1,……,spn-1}。
通过摄像机获取车牌号信息,并将车牌号、摄像机编号、实时时间存入到服务器中,再结合城市地图拓扑等信息,获取相邻位置点之间的最优子路径,然后顺序连接最优子路径,获得车辆的轨迹信息。本发明能够将不完整的、离散的数据合理地预测出车辆的轨迹,且处理速度快,可靠性高,网络开销小,传输速度快。
进一步地,S1步骤中,服务器为每个摄像机分配一个摄像机表,摄像机表以顺序表形式实现,服务器将收到的车牌号信息和实时时间存入对应的摄像机表中,以时间为序;服务器为每个车牌号分配一个车牌号表,车牌号表以单链表形式实现。服务器将摄像机编号和实时时间存入对应的车牌号表中,以时间为序。
服务器开辟两处存储单元:摄像机表存储单元和车牌号表存储单元。这样做有两个好处:1)摄像机表能够直接接受并存储各个摄像机发来的车牌号信息和实时时间信息,网络开销小,速度快;2)服务器将摄像机表中的信息转存到车牌号表中,这样的存储方式有利于车牌号的检索和后续的轨迹预测,减少轨迹预测的时间,预测效率高。
进一步地,S1步骤中,对于输入的目标车牌号,通过字符串匹配的方式从服务器获取一系列的离散的摄像机编号。通过字符串匹配获取摄像机编号,简单且处理速度快,减小轨迹预测耗费时间,提高该方法的工作效率。
进一步地,S2步骤中,获取相邻结点pi、pj在查询时间段内通过的全部车辆的车牌号记录S和D,对于S中的每个车牌号,查找其在D中的记录,若找到对应记录,则求出两个记录的时间差Tsd=|ts-td|,求出所有的时间差Tsd的算术平均值,作为任意相邻位置点pi、pj的平均时间间隔Ti,j
计算相邻位置点的平均时间间隔,将所有通过相邻位置点的车辆都纳入其中,计算大量数据的算术平均值,能够提高准确率,使得预测效果更好,更贴近于真实情况。
本发明的有益效果为:1)本发明融合了监控视频、车牌号信息、时间信息、城市拓扑等多模数据,能够有效地通过不完整的、离散的数据合理地预测出车辆的轨迹;2)该方法的视频内容分析通过各个智能摄像机执行,服务器压力得到减轻,处理速度快;3)摄像机仅需将提取的车牌号信息发送给服务器,网络开销很小,传输速度快。
附图说明
图1为车辆轨迹预测分析方法的主流程图。
图2为摄像机获取车牌文本信息的流程图。
图3为简化的全局图模型示意图。
具体实施方式
下面结合附图对本发明的实施方式进行详细解释说明。
一种车辆轨迹预测分析方法,获取摄像机的原始视频,采用混合高斯模型(GMM)将经过的车辆从背景分割,得到车辆图像;如图2所示,采用Haar特征和AdaBoost算法训练分类器,对车辆图像中的车牌进行识别和定位,并采用逐步求精的策略对车牌图像进行去噪、裁剪、校正,从而得到合适的车牌图像;采用开源OCR软件Tesseract从车牌图像提取车牌文本信息。
如图1所示,一种车辆轨迹预测分析方法还包括以下步骤:
S1:获取目标车辆在查询时间段内出现的位置点集合
摄像机将车牌号信息、实时时间上传至服务器中,服务器为每个摄像机分配一个摄像机表,摄像机表以顺序表形式实现,服务器将收到的车牌号信息和实时时间存入对应的摄像机表中,以时间为序;服务器为每个车牌号分配一个车牌号表,车牌号表以单链表形式实现,服务器将摄像机表中的摄像机编号和实时时间转存入对应的车牌号表中,以时间为序。输入目标车牌号Num及查询时间段ΔT后,通过字符串匹配的方法找到车牌号表,从服务器中读取一系列的离散的摄像机编号C={c0,c1,……,cm-1};结合摄像机所对应的地图位置,获得目标车辆在查询时间段内先后出现的位置点集合P={p0,p1……,pm-1}。
根据摄像机表中的历史信息、城市道路拓扑及摄像机与地图位置的对应关系,结合已知摄像机对应的地图位置,构建出全局图模型,如图3所示的简化的全局图模型示意图,结点pi代表摄像机所在位置,结点连线Ti,j代表摄像机所在位置间的平均时间间隔。
S2:计算任意相邻位置点的平均时间间隔
计算任意相邻位置点pi、pj的平均时间间隔Ti,j,需要说明的是,pi、pj代表了全局图模型中的任意两个相邻的位置点,也包括了集合P中的相邻位置点。
获取相邻结点pi、pj在查询时间段内通过的全部车辆的车牌号记录S和D,对于S中的每个车牌号,查找其在D中的记录,若找到对应记录,则求出两个记录的时间差Tsd=|ts-td|,求出所有的时间差Tsd的算术平均值Ti,j,作为任意相邻位置点pi、pj的平均时间间隔。比如,相邻位置点p1、p2在查询时间段内通过了5辆车,所使用的时间分别为T1、T2、T3、T4、T5,则p1、p2之间的平均时间间隔为T1,2=(T1+T2+T3+T4+T5)/5。
S3:获取相邻位置点的最优子路径
获取集合P中相邻位置点pi、pi+1的最优子路径spi
pi经过地图内的所有邻点pm向pi+1遍历,计算pi、pm的平均时间间隔Ti,m,判断Ti,m是否大于Ti,j+α,α为门限值,α的取值范围根据实际应用情况的不同而不同,为经验值。上述条件如果成立,则回溯到前驱结点pi并遍历其它邻点,如果不成立,则将当前结点加入候选路径,如果pm不是pi+1,则从pm继续向下遍历;pm向pm+1遍历,计算pi、pm+1的平均时间间隔Ti,m+1,判断Ti,m+1是否大于Ti,j+α,如果成立,则回溯前驱结点pm并遍历其它邻点;如果不成立,则将当前结点加入候选路径,如果pm+1不是pi+1,则继续向下遍历,一直遍历到pi+1为止;
获得了pi至pi+1的一系列子路径spk之后,计算每条子路径spk所消耗的时间sck,计算排序值rk=|sck-Ti,j|,当rk=ri最小时,此时spi为pi至pi+1的最优子路径;
需要特别说明的是,上述的“相邻位置点”指的是地图中目标车辆在查询时间段内经过的位置中的前后相邻的地点,“邻点”指的是地图中与任一摄像机对应的地图位置任一相邻的地点。也就是说,从获得的车辆轨迹信息中无法判断目标车辆在“相邻位置点”之间的具体轨迹。本发明的核心就在于能够预测出摄像机没有直接拍摄到的车辆轨迹,细化车辆的轨迹,提高轨迹预测的精准度。
另外,上述的平均时间间隔Ti,m、Ti,m+1是通过摄像机存储历史、城市道路拓扑等信息计算出的。
S4:连接最优子路径、输出预测轨迹
将所有最优子路径spi按顺序连接,得到位置点集合P在查询时间段内的最优路径,即输出的预测轨迹SP={sp0,sp1,……,spn-1}。
实施例:
输入目标车牌号及时间段后,我们可以得到一组位置时间序列CS016(10:39:51)、CS019(11:29:08),两个位置的时间间隔为T=2957秒,令门限值α为1000秒,则T+α=3957秒。
首先从CS016开始遍历,其邻点包括CS021、GL020、GL025,对应的平均时间间隔分别为3635、2316、3596,都小于3957,因此可以从CS021、GL020、GL025继续遍历。当从GL020和GL025继续遍历时,后续结点的边权值和都大于3957,因此终止遍历。当从CS021继续遍历时,已到达该子路径的终点,且满足权值和小于3957,因此可得到CS016与CS019之间的子路径为CS016-CS021-CS019。
由于该查询只有2个离散点,不需将各个子路径连接,因此CS016到CS019的子路径即为预测出的整体路径。综上所述,该查询得到的整体输出路径为CS016-CS021-CS019,即为预测出的车辆轨迹。
本发明中,位置点pk及位置点pk+1为相邻位置点或者邻点,也就是说,角标数值相差为1的两个位置点在本发明中被定义为相邻位置点或者邻点;Ti,j被定义为位置点pi、pj的平均时间间隔。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明实质内容上所作的任何修改、等同替换和简单改进等,均应包含在本发明的保护范围之内。

Claims (4)

1.一种车辆轨迹预测分析方法,获取摄像机的原始视频,提取车牌号信息并记录实时时间,其特征在于:还包括以下步骤:
S1:车牌号、实时时间上传至服务器中,输入目标车牌号Num及查询时间段ΔT后,从服务器中读取一系列的离散的摄像机编号C={c0,c1,……,cm-1},结合摄像机所对应的地图位置,获得目标车辆在查询时间段内先后出现的位置点集合P={p0,p1……,pm-1};
S2:计算任意相邻位置点pi、pj的平均时间间隔Ti,j
S3:获取集合P中相邻位置点pi、pi+1的最优子路径spi
pi经过地图上的所有邻点pm向pi+1遍历,计算pi、pm的平均时间间隔Ti,m,判断Ti,m是否大于Ti,j+α,α为门限值,如果成立,则回溯到前驱结点pi并遍历其它邻点,如果不成立,则将当前结点加入候选路径,如果pm不是pi+1,则从pm继续向下遍历;pm向pm+1遍历,计算pi、pm+1的平均时间间隔Ti,m+1,判断Ti,m+1是否大于Ti,j+α,如果成立,则回溯到前驱结点pm并遍历其它邻点;如果不成立,则将当前结点加入候选路径,如果pm+1不是pi+1,则继续向下遍历,一直遍历到pi+1为止;
获得了pi至pi+1的一系列子路径spk之后,计算每条子路径spk所消耗的时间sck,计算排序值rk=|sck-Ti,j|,当rk=ri最小时,此时spi为pi至pi+1的最优子路径;
S4:将所有最优子路径spi按顺序连接,得到位置点集合P在查询时间段内的最优路径,即输出的预测轨迹SP={sp0,sp1,……,spn-1}。
2.根据权利要求1所述的车辆轨迹预测分析方法,其特征在于:S1步骤中,服务器为每个摄像机分配一个摄像机表,摄像机表以顺序表形式实现,服务器将收到的车牌号信息和实时时间存入对应的摄像机表中,以时间为序;服务器为每个车牌号分配一个车牌号表,车牌号表以单链表形式实现;服务器将摄像机编号和实时时间存入对应的车牌号表中,以时间为序。
3.根据权利要求1所述的车辆轨迹预测分析方法,其特征在于:S1步骤中,对于输入的目标车牌号,通过字符串匹配的方式从服务器获取一系列的离散的摄像机编号。
4.根据权利要求1所述的车辆轨迹预测分析方法,其特征在于:S2步骤中,获取相邻结点pi、pj在查询时间段内通过的全部车辆的车牌号记录S和D,对于S中的每个车牌号,查找其在D中的记录,若找到对应记录,则求出两个记录的时间差Tsd=|ts-td|,求出所有的时间差Tsd的算术平均值Ti,j,作为任意相邻位置点pi、pj的平均时间间隔。
CN201410551180.2A 2014-10-17 2014-10-17 一种车辆轨迹预测分析方法 Pending CN104318327A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201410551180.2A CN104318327A (zh) 2014-10-17 2014-10-17 一种车辆轨迹预测分析方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201410551180.2A CN104318327A (zh) 2014-10-17 2014-10-17 一种车辆轨迹预测分析方法

Publications (1)

Publication Number Publication Date
CN104318327A true CN104318327A (zh) 2015-01-28

Family

ID=52373555

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201410551180.2A Pending CN104318327A (zh) 2014-10-17 2014-10-17 一种车辆轨迹预测分析方法

Country Status (1)

Country Link
CN (1) CN104318327A (zh)

Cited By (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106251633A (zh) * 2016-08-09 2016-12-21 成都联众智科技有限公司 车牌自动识别与跟踪系统
CN106846538A (zh) * 2015-12-04 2017-06-13 杭州海康威视数字技术股份有限公司 过车记录处理方法和装置
CN106897354A (zh) * 2016-12-30 2017-06-27 浙江宇视科技有限公司 一种数据跟随关系分析方法以及分析服务器
CN108089572A (zh) * 2016-11-23 2018-05-29 百度(美国)有限责任公司 用于稳健且有效的车辆定位的算法和基础设施
CN109782806A (zh) * 2019-02-19 2019-05-21 北京邮电大学 一种无人机室内路径跟踪方法及装置
CN110110598A (zh) * 2019-04-01 2019-08-09 桂林电子科技大学 一种基于视觉特征与时空约束的行人再识别方法及系统
CN110163146A (zh) * 2019-05-21 2019-08-23 银河水滴科技(北京)有限公司 一种基于人体特征的监控方法及装置
WO2020143181A1 (zh) * 2019-01-07 2020-07-16 平安科技(深圳)有限公司 数据存储方法、装置、计算机设备及存储介质
CN111615061A (zh) * 2020-05-09 2020-09-01 国家计算机网络与信息安全管理中心山东分中心 移动终端轨迹数据的去噪方法及装置
CN112785077A (zh) * 2021-02-01 2021-05-11 南京航空航天大学 基于时空数据的出行需求预测方法及系统
CN112949912A (zh) * 2021-02-08 2021-06-11 浙江非线数联科技股份有限公司 一种基于图数据库的车辆路线预测方法
CN113837442A (zh) * 2021-08-26 2021-12-24 深圳市跨越新科技有限公司 校正轨迹震荡路线生成方法、系统、终端设备及存储介质
CN114297883A (zh) * 2021-12-15 2022-04-08 重庆交通大学 基于spzn的智能网联汽车系统随机事件预测方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101430828A (zh) * 2008-12-22 2009-05-13 交通部公路科学研究院 基于交通信息提取计算的车牌数据处理方法
CN102880642A (zh) * 2012-08-20 2013-01-16 浙江工业大学 一种基于加权有向网络模型的公交换乘方法
CN103325245A (zh) * 2013-06-25 2013-09-25 中国科学院信息工程研究所 一种黑名单车辆的时空行驶轨迹预测方法
CN103366566A (zh) * 2013-06-25 2013-10-23 中国科学院信息工程研究所 一种针对特定车辆潜在群体的行驶轨迹预测方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101430828A (zh) * 2008-12-22 2009-05-13 交通部公路科学研究院 基于交通信息提取计算的车牌数据处理方法
CN102880642A (zh) * 2012-08-20 2013-01-16 浙江工业大学 一种基于加权有向网络模型的公交换乘方法
CN103325245A (zh) * 2013-06-25 2013-09-25 中国科学院信息工程研究所 一种黑名单车辆的时空行驶轨迹预测方法
CN103366566A (zh) * 2013-06-25 2013-10-23 中国科学院信息工程研究所 一种针对特定车辆潜在群体的行驶轨迹预测方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
吴子珺 等: "一种针对特定车辆潜在群体的行驶轨迹预测方法", 《计算机应用研究》 *
李娅: "基于混沌扰动和邻域交换的蚁群算法求解车辆路径问题", 《计算机应用》 *

Cited By (20)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10810870B2 (en) 2015-12-04 2020-10-20 Hangzhou Hikvision Digital Technology Co., Ltd. Method of processing passage record and device
CN106846538A (zh) * 2015-12-04 2017-06-13 杭州海康威视数字技术股份有限公司 过车记录处理方法和装置
CN106846538B (zh) * 2015-12-04 2019-12-03 杭州海康威视数字技术股份有限公司 过车记录处理方法和装置
CN106251633A (zh) * 2016-08-09 2016-12-21 成都联众智科技有限公司 车牌自动识别与跟踪系统
CN108089572A (zh) * 2016-11-23 2018-05-29 百度(美国)有限责任公司 用于稳健且有效的车辆定位的算法和基础设施
US11320836B2 (en) 2016-11-23 2022-05-03 Baidu Usa Llc Algorithm and infrastructure for robust and efficient vehicle localization
CN106897354A (zh) * 2016-12-30 2017-06-27 浙江宇视科技有限公司 一种数据跟随关系分析方法以及分析服务器
WO2020143181A1 (zh) * 2019-01-07 2020-07-16 平安科技(深圳)有限公司 数据存储方法、装置、计算机设备及存储介质
CN109782806A (zh) * 2019-02-19 2019-05-21 北京邮电大学 一种无人机室内路径跟踪方法及装置
CN109782806B (zh) * 2019-02-19 2020-10-23 北京邮电大学 一种无人机室内路径跟踪方法及装置
CN110110598A (zh) * 2019-04-01 2019-08-09 桂林电子科技大学 一种基于视觉特征与时空约束的行人再识别方法及系统
CN110163146A (zh) * 2019-05-21 2019-08-23 银河水滴科技(北京)有限公司 一种基于人体特征的监控方法及装置
CN111615061A (zh) * 2020-05-09 2020-09-01 国家计算机网络与信息安全管理中心山东分中心 移动终端轨迹数据的去噪方法及装置
CN111615061B (zh) * 2020-05-09 2022-02-15 国家计算机网络与信息安全管理中心山东分中心 移动终端轨迹数据的去噪方法及装置
CN112785077A (zh) * 2021-02-01 2021-05-11 南京航空航天大学 基于时空数据的出行需求预测方法及系统
CN112785077B (zh) * 2021-02-01 2024-07-12 南京航空航天大学 基于时空数据的出行需求预测方法及系统
CN112949912A (zh) * 2021-02-08 2021-06-11 浙江非线数联科技股份有限公司 一种基于图数据库的车辆路线预测方法
CN112949912B (zh) * 2021-02-08 2022-07-12 浙江非线数联科技股份有限公司 一种基于图数据库的车辆路线预测方法
CN113837442A (zh) * 2021-08-26 2021-12-24 深圳市跨越新科技有限公司 校正轨迹震荡路线生成方法、系统、终端设备及存储介质
CN114297883A (zh) * 2021-12-15 2022-04-08 重庆交通大学 基于spzn的智能网联汽车系统随机事件预测方法

Similar Documents

Publication Publication Date Title
CN104318327A (zh) 一种车辆轨迹预测分析方法
Wu et al. A fast trajectory outlier detection approach via driving behavior modeling
US20200211374A1 (en) System, method, and apparatus for analyzing a traffic road condition
CN111966729B (zh) 一种车辆轨迹数据处理方法、装置、设备及存储介质
CN104050817B (zh) 限速信息库生成、限速信息检测的方法和系统
CN111818313B (zh) 一种基于监控视频的车辆实时追踪方法及装置
CN107885795B (zh) 一种卡口数据的数据校验方法、系统和装置
CN104599502A (zh) 一种基于视频监控的车流量统计方法
CN103578277B (zh) 套牌嫌疑车搜索方法及其装置
CN111737377B (zh) 一种漂移轨迹的识别方法、装置及计算设备、存储介质
CN108234961A (zh) 一种多路摄像机编码与视频流引流方法及系统
CN113379099B (zh) 一种基于机器学习与copula模型的高速公路交通流自适应预测方法
CN110598917B (zh) 一种基于路径轨迹的目的地预测方法、系统及存储介质
CN102867406B (zh) 一种应用车辆探测资料的交通路网生成方法
CN115203354B (zh) 一种车码轨迹预关联方法、装置、计算机设备及存储介质
CN106940929B (zh) 交通数据预测方法及装置
Tak et al. Development of AI‐Based Vehicle Detection and Tracking System for C‐ITS Application
CN112562330A (zh) 评估道路运行指数的方法和装置、电子设备、存储介质
CN104966398A (zh) 一种施工围挡道路的确认方法及系统
CN110400459A (zh) 针对交通状况的报警规则配置方法、报警方法及装置
CN113799793A (zh) 一种基于数据驱动的实现预测模型自动化迭代的系统
CN101673461B (zh) 一种路况信息的处理方法、装置和系统
Garg et al. Mining bus stops from raw GPS data of bus trajectories
CN113641874A (zh) 一种数据采集处理系统及数据采集处理方法
CN110827537B (zh) 一种潮汐车道的设置方法、装置及设备

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
RJ01 Rejection of invention patent application after publication

Application publication date: 20150128