CN104834725A - 一种分析鉴别车辆尾随行为的系统 - Google Patents
一种分析鉴别车辆尾随行为的系统 Download PDFInfo
- Publication number
- CN104834725A CN104834725A CN201510240539.9A CN201510240539A CN104834725A CN 104834725 A CN104834725 A CN 104834725A CN 201510240539 A CN201510240539 A CN 201510240539A CN 104834725 A CN104834725 A CN 104834725A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- bayonet socket
- numerical value
- behavior
- socket point
- 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.)
- Granted
Links
Landscapes
- Traffic Control Systems (AREA)
Abstract
本发明提出一种在海量数据中挖掘可能存在尾随行为的车辆的系统。本发明对每一车辆的过车信息数据进行数学融合,即对所有卡口点位作连续编号,建立卡口点位-通行时间的二维坐标系,通过数学表达式融合一辆车经过相邻两个卡口点位的信息,得出能够反映该车辆行车轨迹和速度趋势的特征数值;记录对应于每一车辆的号牌号码及其特征数值;根据车辆的号牌号码及其特征数值进行聚合分组对比,即对不同的车辆两两比较其特征数值;按照特征数值相同组数数目由大到小的顺序,对两两比较的车辆进行排序。通过本发明,能够快速分析可能存在的尾随嫌疑车辆,为刑侦案件的侦破提供了保障,发挥了监控设施的价值和作用。
Description
技术领域
本发明涉及一种在海量数据中挖掘可能存在尾随行为的车辆的方法。
背景技术
随着我国城市道路交通的迅速发展,卡口监控在交通管理中得到了广泛的应用。各地公安机关通过卡口监控系统,为侦查破案提供了线索和证据,直接或者间接地破获了一大批案件。
部分犯罪分子在作案前,往往会锁定目标车辆并尾随。如果能在犯罪分子作案前,提前分析预判此类行为,公安机关在刑侦案件中会占据主动位置,更加有利于保护公民的财产和人身安全。
不过,由于卡口监控系统的数据量巨大,提前分析预判此类行为需要有有一套科学、准确的数据挖掘以及判别方案,目前也尚未见有关报道或技术文献公开。
发明内容
本发明提出一种在海量数据中挖掘可能存在尾随行为的车辆的方法,能够快速地鉴别可能存在的尾随嫌疑车辆,预防刑事案件发生,充分发挥监控设施的价值和作用。
本发明的技术方案如下:
一种分析鉴别车辆尾随行为的系统,包括
卡口监控系统数据库,该数据库中记录有监控范围内所有卡口的过车信息数据,每一条过车信息数据包括号牌号码、时间、地点这三个要素;
数学融合模块,对每一车辆的过车信息数据进行数学融合,即对所有卡口点位作连续编号,建立卡口点位-通行时间的二维坐标系,通过数学表达式融合一辆车经过相邻两个卡口点位的信息,得出能够反映该车辆行车轨迹和速度趋势的特征数值;
信息融合数据库,该数据库中记录有对应于每一车辆的号牌号码及其特征数值;
车辆融合数据比较模块,根据车辆的号牌号码及其特征数值进行聚合分组对比,即对不同的车辆两两比较其特征数值;
尾随行为预判排序模块,按照特征数值相同组数数目由大到小的顺序,对两两比较的车辆进行排序。
在以上方案的基础上,本发明进一步作了如下优化:
所有卡口点位的编号位数是相同。
设有α车在时刻1经过卡口点位A、时刻2经过卡口点位B,则两点在坐标系中的坐标为P1(x1,y1)、P2(x2,y2),其中x为卡口点位在横轴上的坐标,y为通行时间在纵轴上的坐标,连接P1与P2点,在坐标系上产生一条斜线,该斜线的余弦值为:
将卡口点位A编号x1、卡口点位B编号x2和cos(α)进行合并,x1、x2为整数位,cos(α)为小数位,得到NUM(α):
NUMAB(α)=x1x2.cos(α)
此数值即为反映了α车行车轨迹和速度趋势的特征数值。
上述特征数值保留2位小数。
在坐标系中,对应于通行时间每分钟,纵坐标加1。
本发明具有以下有益效果:
将过车信息的三大要素号牌号码、时间和地点融合为两个要素,即号牌号码和一个抽象数据NUM(χ),能够快速地分析挖掘尾随嫌疑车辆。
第一,减少了查询的条件;
第二,时间和地点作为两个独立的要素,在数据挖掘过程中难以综合使用,通过NUM(χ)将两个量产生紧密的关联;
第三,NUM(χ)是纯数字量,进行数据库计算时简便快捷,提高了分析的效率。
通过本发明,能够快速分析可能存在的尾随嫌疑车辆,为刑侦案件的侦破提供了保障,发挥了监控设施的价值和作用。
附图说明
图1为本发明的示意图。
图2为本发明的坐标系示意图。
图3为本发明的尾随与被尾随车辆在坐标系中的折线示意图。
图4为本发明的尾随与被尾随车辆的NUM(χ)对比示意图。
具体实施方式
分析预判车辆尾随行,基础在于过车信息数据。车辆通过监控设备所在的道路时,监控设备会通过技术手段拍摄照片并生成一条过车信息数据,其中包括三大要素:号牌号码、时间、地点,道路监控管理部门通常将此类通行车辆信息汇聚到统一的卡口监控系统,形成覆盖整个城市的数据库,便于查询和统计。
当卡口监控上传过车信息数据时,首先对过车信息的号牌号码、时间、地点要素进行数学整合,将自然的直观数据转化为抽象的数学数据,并找到该车辆上一次出现的过车信息数据,在此基础上融合车辆通过两个卡口点位的行车轨迹、速度趋势信息,便于进行进一步的数据分析。
通过以上处理,一辆车通过各个卡口点位的过车信息数据产生关联信息,通过数据库语句比对一辆车与另一辆车的行车轨迹和速度趋势信息,即可找到存在尾随嫌疑的车辆。
以下通过实施例具体说明本发明。
建立坐标系。横轴为卡口点位,纵轴为通行时间。
横轴:由于卡口点位在自然逻辑下是离散的,而坐标系是均匀连续的,卡口点位需要进行转化才能在坐标系中表示。将所有卡口点位从1000000开始使用整数域(1000001,1000002,1000003……)编号,离散量转化为线性量。从1000000开始编号而不是从1开始编号是为了使每个卡口点位的编号位数相同,便于后续计算和对比,若卡口点位数量非常多,超出了9999999,则可以考虑从10000000开始编号,保证每个卡口点位的编号位数是相同的。
纵轴:在城市交通领域,时间量可认为是连续均匀的。经过尝试,将时间量以分钟为粒度表示有利于计算和对比,纵坐标的原点可以以2015-01-0100:00为起点,每分钟加1,时间连续且线性化。
使用数学表达式融合一辆车经过两个卡口点位的信息,高度概括车辆通行信息,以便于进行查询时分析。
假设有α车在时刻1经过卡口点位A、时刻2经过卡口点位B,则两点在坐标系中的坐标为P1(x1,y1)、P2(x2,y2),其中x为卡口点位在横轴上的坐标,y为通行时间在纵轴上的坐标。
连接P1与P2点,在坐标系上产生一条斜线。
斜线的余弦值为:
此数值反映了α车的速度趋势。
将卡口点位A编号x1、卡口点位B编号x2、cos(α)进行合并,x1x2为整数位,cos(α)为小数位,得到NUM(α):
NUMAB(α)=x1x2.cos(α),
例如:x1为100005,x2为100007,cos(α)=0.65,则NUMAB(α)=100005100007.65。
此数值融合了α车的行车轨迹和速度趋势。通过以上转化,过车信息的三大要素号牌号码、时间、地点,融合为两个要素,号牌号码和NUMAB(α)。
假设有β车在时刻3经过卡口点位A、时刻4经过卡口点位B,根据两点坐标P3(x3,y3)、P4(x4,y4)计算cos(β),得到
NUMAB(β)=x3x4.cos(β)
此数值融合了β车的行车轨迹和速度趋势。
进行分析。
若α车被β车尾随,从卡口点位A到卡口点位B,则x1=x3,x2=x4,cos(α)≈cos(β),α和β的速度趋势越相似,cos(α)和cos(β)相同的小数位就越多,精确到某一位小数,则得到NUMAB(α)=NUMAB(β)。
也就是说,若α被β尾随,从卡口点位A到B,从B到C,从C到D,从D到E,一路尾随,会产生非常相似的行车轨迹和速度趋势(图3、图4),忽略cos(α)和cos(β)某位后小数,会产生如下结果:
NUMAB(α)=NUMAB(β),NUMBC(α)=NUMBC(β),NUMCD
(α)=NUMCD(β),NUMDE(α)=NUM DE(β),……
小数点保留位数越多,则判断尾随行为的条件越严格,有可能会漏掉个别尾随行为不明显的尾随嫌疑车辆;
小数点保留位数越少,则判断尾随行为的条件越宽松,会产生较多的尾随车辆;
在城市道路环境下,由于主要路口一般都存在行车指示灯,灯时30秒-90秒不等。车辆进行尾随时,为防止跟丢车辆,尾随的时间差一般不会高于最大绿灯灯时。据此,分析小数点位数与时间差的数学关系,保留2位小数进行对比较为合适。
在数据库中,通过对所有车辆号牌号码和NUM(χ)进行聚合分组对比,将两辆车中NUM(χ)相同组数目较多的车辆排在前面,作为重点嫌疑车辆。
Claims (5)
1.一种分析鉴别车辆尾随行为的系统,其特征在于:包括
卡口监控系统数据库,该数据库中记录有监控范围内所有卡口的过车信息数据,每一条过车信息数据包括号牌号码、时间、地点这三个要素;
数学融合模块,对每一车辆的过车信息数据进行数学融合,即对所有卡口点位作连续编号,建立卡口点位-通行时间的二维坐标系,通过数学表达式融合一辆车经过相邻两个卡口点位的信息,得出能够反映该车辆行车轨迹和速度趋势的特征数值;
信息融合数据库,该数据库中记录有对应于每一车辆的号牌号码及其特征数值;
车辆融合数据比较模块,根据车辆的号牌号码及其特征数值进行聚合分组对比,即对不同的车辆两两比较其特征数值;
尾随行为预判排序模块,按照特征数值相同组数数目由大到小的顺序,对两两比较的车辆进行排序。
2.根据权利要求1所述的分析鉴别车辆尾随行为的系统,其特征在于:所有卡口点位的编号位数是相同。
3.根据权利要求1所述的分析鉴别车辆尾随行为的系统,其特征在于:设有α车在时刻1经过卡口点位A、时刻2经过卡口点位B,则两点在坐标系中的坐标为P1(x1,y1)、P2(x2,y2),其中x为卡口点位在横轴上的坐标,y为通行时间在纵轴上的坐标,连接P1与P2点,在坐标系上产生一条斜线,该斜线的余弦值为:
将卡口点位A编号x1、卡口点位B编号x2和cos(α)进行合并,x1、x2为整数位,cos(α)为小数位,得到NUM(α):
NUMAB(α)=x1x2.cos(α)
此数值即为反映了α车行车轨迹和速度趋势的特征数值。
4.根据权利要求3所述的分析鉴别车辆尾随行为的系统,其特征在于:所述特征数值保留2位小数。
5.根据权利要求3所述的分析鉴别车辆尾随行为的系统,其特征在于:在坐标系中,对应于通行时间每分钟,纵坐标加1。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510240539.9A CN104834725B (zh) | 2015-05-12 | 2015-05-12 | 一种分析鉴别车辆尾随行为的系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510240539.9A CN104834725B (zh) | 2015-05-12 | 2015-05-12 | 一种分析鉴别车辆尾随行为的系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104834725A true CN104834725A (zh) | 2015-08-12 |
CN104834725B CN104834725B (zh) | 2018-07-17 |
Family
ID=53812611
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510240539.9A Active CN104834725B (zh) | 2015-05-12 | 2015-05-12 | 一种分析鉴别车辆尾随行为的系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104834725B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105448092A (zh) * | 2015-12-23 | 2016-03-30 | 浙江宇视科技有限公司 | 一种关联车辆的分析方法及装置 |
CN106097708A (zh) * | 2016-06-06 | 2016-11-09 | 浙江宇视科技有限公司 | 一种跟车确定方法及装置 |
CN107067778A (zh) * | 2017-04-28 | 2017-08-18 | 惠州华阳通用电子有限公司 | 一种车辆反跟踪预警方法及装置 |
CN108074400A (zh) * | 2016-11-14 | 2018-05-25 | 北京航天长峰科技工业集团有限公司 | 一种基于海量数据分析的重点车辆分析模型 |
CN109118766A (zh) * | 2018-09-04 | 2019-01-01 | 华南师范大学 | 一种基于交通卡口的同行车辆判别方法及装置 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1098254A2 (en) * | 1999-11-02 | 2001-05-09 | Hitachi, Ltd. | Method and apparatus for searching data |
CN101944292A (zh) * | 2010-09-16 | 2011-01-12 | 公安部交通管理科学研究所 | 基于轨迹碰撞的嫌疑车辆分析方法 |
CN102289659A (zh) * | 2011-06-23 | 2011-12-21 | 杭州诚道科技有限公司 | 伴随车检测方法 |
CN103871248A (zh) * | 2014-03-18 | 2014-06-18 | 浙江宇视科技有限公司 | 一种基于轨迹碰撞的嫌疑车尾随车辆分析方法及装置 |
CN104167095A (zh) * | 2014-08-05 | 2014-11-26 | 江苏省邮电规划设计院有限责任公司 | 基于智慧城市的车辆行为模式稽查方法 |
-
2015
- 2015-05-12 CN CN201510240539.9A patent/CN104834725B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1098254A2 (en) * | 1999-11-02 | 2001-05-09 | Hitachi, Ltd. | Method and apparatus for searching data |
CN101944292A (zh) * | 2010-09-16 | 2011-01-12 | 公安部交通管理科学研究所 | 基于轨迹碰撞的嫌疑车辆分析方法 |
CN102289659A (zh) * | 2011-06-23 | 2011-12-21 | 杭州诚道科技有限公司 | 伴随车检测方法 |
CN103871248A (zh) * | 2014-03-18 | 2014-06-18 | 浙江宇视科技有限公司 | 一种基于轨迹碰撞的嫌疑车尾随车辆分析方法及装置 |
CN104167095A (zh) * | 2014-08-05 | 2014-11-26 | 江苏省邮电规划设计院有限责任公司 | 基于智慧城市的车辆行为模式稽查方法 |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105448092A (zh) * | 2015-12-23 | 2016-03-30 | 浙江宇视科技有限公司 | 一种关联车辆的分析方法及装置 |
CN106097708A (zh) * | 2016-06-06 | 2016-11-09 | 浙江宇视科技有限公司 | 一种跟车确定方法及装置 |
CN106097708B (zh) * | 2016-06-06 | 2019-06-11 | 浙江宇视科技有限公司 | 一种跟车确定方法及装置 |
CN108074400A (zh) * | 2016-11-14 | 2018-05-25 | 北京航天长峰科技工业集团有限公司 | 一种基于海量数据分析的重点车辆分析模型 |
CN107067778A (zh) * | 2017-04-28 | 2017-08-18 | 惠州华阳通用电子有限公司 | 一种车辆反跟踪预警方法及装置 |
CN109118766A (zh) * | 2018-09-04 | 2019-01-01 | 华南师范大学 | 一种基于交通卡口的同行车辆判别方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN104834725B (zh) | 2018-07-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zheng et al. | Validating the bivariate extreme value modeling approach for road safety estimation with different traffic conflict indicators | |
CN104834725A (zh) | 一种分析鉴别车辆尾随行为的系统 | |
CN103971523B (zh) | 一种山区道路交通安全动态预警系统 | |
Ma et al. | Real-world driving cycles and energy consumption informed by large-sized vehicle trajectory data | |
CN104200669B (zh) | 一种基于Hadoop的套牌车识别方法及系统 | |
Kuwajima et al. | Engineering problems in machine learning systems | |
CN101930668B (zh) | 车牌识别的道路交通od信息采集系统的处理方法 | |
CN103413437B (zh) | 一种基于车辆数据采集的道路交叉口转向识别方法及系统 | |
CN102289659B (zh) | 伴随车检测方法 | |
CN105976617A (zh) | 非法营运车辆检测方法和系统 | |
CN106373406A (zh) | 车辆套牌稽查系统 | |
Hallmark et al. | Characterizing on-road variables that affect passenger vehicle modal operation | |
CN104732205A (zh) | 一种高速公路逃费稽查的系统 | |
CN105741553A (zh) | 基于动态阈值的识别车辆轨迹中停靠路段的方法 | |
CN104318315A (zh) | 一种城市道路交通污染物排放监控预警系统及方法 | |
CN106297304A (zh) | 一种基于MapReduce面向大规模卡口数据的套牌车识别方法 | |
CN103632540A (zh) | 基于浮动车数据的城市主干道交通运行信息处理方法 | |
CN112150810A (zh) | 一种车辆行为管理方法、系统、设备及介质 | |
CN107741331A (zh) | 一种测试轮胎性能的方法 | |
CN105427620A (zh) | 一种基于出租车运行数据的非法营运车辆识别方法 | |
CN104298832A (zh) | 一种基于rfid技术的路网交通流分析方法 | |
CN103101558A (zh) | 基于gps定位的列车防撞系统 | |
CN105355047A (zh) | 多交通检测源动态时间粒度的数据融合处理方法 | |
Luo et al. | Research of Vehicle Rear‐End Collision Model considering Multiple Factors | |
Zhai et al. | Comparative analysis of drive-cycles, speed limit violations, and emissions in two cities: Toronto and Beijing |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
EXSB | Decision made by sipo to initiate substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |