CN105427586A - 一种基于多轨迹碰撞的车辆落脚点分析方法 - Google Patents
一种基于多轨迹碰撞的车辆落脚点分析方法 Download PDFInfo
- Publication number
- CN105427586A CN105427586A CN201510940865.0A CN201510940865A CN105427586A CN 105427586 A CN105427586 A CN 105427586A CN 201510940865 A CN201510940865 A CN 201510940865A CN 105427586 A CN105427586 A CN 105427586A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- tracing point
- locus
- trajectory
- target
- 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
Classifications
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/20—Monitoring the location of vehicles belonging to a group, e.g. fleet of vehicles, countable or determined number of vehicles
- G08G1/205—Indicating the location of the monitored vehicles as destination, e.g. accidents, stolen, rental
Abstract
本发明适用于车辆侦查、数据挖掘和智能交通领域,提供了基于多轨迹碰撞的车辆落脚点分析方法,包括:步骤1,提取目标车辆一个时间周期内的所有行车轨迹;步骤2,统计所述目标车辆经过所述行车轨迹上的各个轨迹点的次数,将次数最大的M个轨迹点连接成线得到虚拟轨迹;步骤3,参考所述虚拟轨迹计算各所述目标轨迹关于各所述轨迹点的加权平均值,得到加权平均值最大的所述目标轨迹为最优轨迹;步骤4,根据所述轨迹点的加权值和轨迹时间属性对所述最优轨迹上的各轨迹点时序分析,求出疑似落脚点概率矩阵。有效解决了涉车犯罪案件中,通过车辆可识别特征高效的、智能的对车辆轨迹和落脚点进行追踪和认定的问题。
Description
技术领域
本发明属于车辆侦查、数据挖掘和智能交通领域,尤其涉及基于多轨迹碰撞的车辆落脚点分析方法。
背景技术
当前刑事犯罪处于高发态势,犯罪涉及多时空、多区域。犯罪行为人利用车辆快速作案,快速逃离等特点作案,给侦查部门带来了巨大的挑战。传统的侦查手段已不能适应当前高效率、高质量打击刑事犯罪的要求。近年来,侦查机关应利用现代信息技术变革侦查模式,拓展侦查思维,转变侦查观念,创新侦查方法,建设大量涉车视频,包括治安卡口、治安监控、电子警察、交通监控等,在打击各类涉车违法犯罪活动中发挥了重要作用。对于涉车犯罪案件,通过车辆可识别特征对车辆进行追踪和认定,在此基础上进行车辆轨迹侦查有其现实必要性。将综合运用交通智能卡口及视频监控数据查找犯罪嫌疑人轨迹作为打击刑事犯罪的核心战斗力。
另外,随着物联网技术及传感器技术的不断推广,各类基于大范围车辆监测数据的智能交通应用快速发展。车辆的行车轨迹线信息是全面了解车辆驾驶行为的必备信息。涉案车辆在时空中的移动变化,会表现为一组或多组时空数据,且物、时间、空间三者是一一对应关系。根据这种对应的关系,犯罪嫌疑人在某特定的时间段(点)只能在某特定空间区域(点)。多行车轨迹碰撞是其中的一类重要应用,它利用目标车辆监控数据挖掘车辆轨迹间的相似关系,可以为公安民警办理涉车案件、犯罪嫌疑车辆落脚点分析提供支撑,具有重要的意义和实际应用价值。
现有技术中,在进行车辆落脚点分析时,主要利用治安卡口、电子警察、社会治安监控等监控设施进行实时人工监控、排查、跟踪,这种方法效率低下,耗时耗力,需要大量的人力投入,而且追踪结果受交通监控设备状态、操作人员业务水平、时间,甚至天气等客观因素影响。另外,也有一定程度上解放劳动力的技术手段,比如很多基于实时视频数据、实时卡口电警数据、GPS信号、电子围栏等数据的智能研判系统或者装置,但这些系统或装置开发成本都比较高、技术难度大、对使用者水平要求高,最重要的是这些系统往往需要实时数据的支撑,然而现实中的很多研判往往是事后研判,如果事后研判对象不再出现就会给研判造成困境。
发明内容
本发明实施例的目的在于提供基于多轨迹碰撞的车辆落脚点分析方法,至少可克服现有技术的部分缺陷。
本发明实施例涉及的基于多轨迹碰撞的车辆落脚点分析方法,包括:步骤1,提取目标车辆一个时间周期内的所有行车轨迹;
步骤2,统计所述目标车辆经过所述行车轨迹上的各个轨迹点的次数,将次数最大的M个轨迹点连接成线得到虚拟轨迹;
步骤3,参考所述虚拟轨迹计算各所述目标轨迹关于各所述轨迹点的加权平均值,得到加权平均值最大的所述目标轨迹为最优轨迹;
步骤4,根据所述轨迹点的加权值和轨迹时间属性对所述最优轨迹上的各轨迹点时序分析,求出疑似落脚点概率矩阵。
作为实施例一涉及的基于多轨迹碰撞的车辆落脚点分析方法,所述步骤1之前包括:所述目标车辆不明确时,根据车辆特征、时空范围限制综合分析以缩小目标范围,筛选获得所述目标车辆。
所述步骤1中对获取的所述目标轨迹的条数进行最小值限制,只有在获取的所述目标轨迹的条数大于等于设定的所述最小值时,才进行后续分析过程,否则延长所述时间周期,重新获取所述目标轨迹。
所述步骤2中所述虚拟轨迹的轨迹点数量M为一个所述时间周期内每天经过的轨迹点数量的平均值。
所述步骤3得到所述最优轨迹的过程包括:
步骤301,对各个所述轨迹点进行加权分析,得到各个所述目标轨迹的加权平均值;
不包含在所述虚拟路径中的所述轨迹点的权重按所述虚拟路径的权重的平均值计算;
步骤302,对所述加权平均值按降序排列,取所述加权平均值最高的所述目标轨迹作为最优轨迹。
所述步骤4中,如果所述最优轨迹没有闭合,则根据所述疑似落脚点概率矩阵和所述轨迹点的时间属性得到轨迹的起点或者终点为车辆的最大可能性落脚点;
如果所述最优轨迹闭合,则计算相邻两个所述轨迹点之间的间隔T,T值最大的两个相邻轨迹点按车辆经过时刻排列较早的那个轨迹点为车辆的最大可能性落脚点。
本发明实施例提供的基于多轨迹碰撞的车辆落脚点分析方法的有益效果包括:
本发明实施例提供的一种基于多轨迹碰撞的车辆落脚点分析方法,对目标车辆的历史行车轨迹进行分析,得到目标车辆的疑似落脚点概率矩阵,有效解决了涉车犯罪案件中,通过车辆可识别特征高效的、智能的对车辆轨迹和落脚点进行追踪和认定的问题。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1是本发明提供的基于多轨迹碰撞的车辆落脚点分析方法的实施例的流程图;
图2是本发明提供的目标车辆的实施例在一个时间周期内的行车轨迹图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
为了说明本发明所述的技术方案,下面通过具体实施例来进行说明。
本发明提供的基于多轨迹碰撞的车辆落脚点分析方法,包括以下步骤:
步骤1,提取目标车辆一个时间周期内的所有行车轨迹。
步骤2,统计目标车辆经过行车轨迹上的各个轨迹点的次数,将次数最大的M个轨迹点连接成线得到虚拟轨迹。M为自然数。
步骤3,参考该虚拟轨迹计算各目标轨迹关于各轨迹点的加权平均值,得到加权平均值最大的目标轨迹为最优轨迹。
步骤4,根据轨迹点的加权值和轨迹时间属性对最优轨迹上的各轨迹点时序分析,求出疑似落脚点概率矩阵。
本发明实施例提供的一种基于多轨迹碰撞的车辆落脚点分析方法,对目标车辆的历史行车轨迹进行分析,得到目标车辆的疑似落脚点概率矩阵,有效解决了涉车犯罪案件中,通过车辆可识别特征高效的、智能的对车辆轨迹和落脚点进行追踪和认定的问题。
实施例一
本发明提供的实施例一为本发明提供的一种基于多轨迹碰撞的车辆落脚点分析方法的实施例,如图1所示为本发明提供的基于多轨迹碰撞的车辆落脚点分析方法的实施例的流程图,由图1可知,本发明提供的基于多轨迹碰撞的车辆落脚点分析方法的实施例中:
步骤1之前包括目标车辆不明确时,筛选获得目标车辆:
如果目标车辆明确,即知道目标车牌号码则直接进行目标轨迹提取。
如果目标车辆不明确,比如,某刑事案件现场调查发现:只知道目标车辆颜色、品牌或者车型等车辆特征,这个时候就需要进行目标车辆筛选,根据车辆特征、时空范围限制综合分析以缩小目标范围。如果筛选结果仍然难以锁定唯一目标,则分别对各目标进行后续分析。
在本发明实施例中,步骤1中时间周期可以根据需要人为设定,以天为单位,以年、月、周为一个时间周期,选取数据样本的过程中,过滤掉特殊时间段行车数据(如节假日和周末等)能有效提高分析精度。
对获取的目标轨迹的条数可以进行最小值限制,只有在获取的目标轨迹的条数大于等于该设定的最小值时,才进行后续分析过程,否则延长时间周期,重新获取目标轨迹。该最小值可以为5,理论上轨迹数量越大分析结果越精确,可以跟据需要选择默认设置或者用户设置适当延长时间周期以丰富样本数据。
本发明实施例,步骤2中虚拟轨迹的轨迹点数量M为一个时间周期内每天经过的轨迹点数量的平均值。
步骤3得到最优轨迹的过程包括:
步骤301,对各轨迹点进行加权分析,得到各目标轨迹的加权平均值。
不包含在虚拟路径中的轨迹点的权重按虚拟路径的权重的平均值计算。
步骤302,对加权平均值按降序排列,取加权平均值最高的目标轨迹作为最优轨迹。
步骤4中,如果最优轨迹没有闭合,则可以根据疑似落脚点概率矩阵和轨迹点的时间属性得到轨迹的起点或者终点为车辆的最大可能性落脚点。如果最优轨迹闭合,则计算相邻两个轨迹点之间的间隔T,T值最大的两个相邻轨迹点按车辆经过时刻排列较早的那个轨迹点为车辆的最大可能性落脚点。
实施例二
本发明提供的实施例二为本发明提供的一种基于多轨迹碰撞的车辆落脚点分析方法的具体应用的实施例,如图2所示为本发明提供的目标车辆的实施例在一个时间周期内的行车轨迹图,由图2可知,该实施例中以一天为单位,一周的工作日为一个行车周期,行车轨迹中包括A、B、C、D、E、F、G和H八个行车轨迹点。目标车辆有五条目标轨迹:ABDCGE、AFCGE、ABCGE、ABDCE和ABCGE,符合分析的最低要求。
假设每天经过的轨迹点数量的平均值M为5,并且5天内目标车辆分别经过8个目标轨迹点的次数为:A(10次)、B(10次)、C(8次)、D(10次)、E(7次)、F(4次)、G(4次)、H(1次),于是得到虚拟轨迹Trace0:A-B-D-C-E,如图2中虚线所示。
分析周期内的分别对5条轨迹:ABDCGE、AFCGE、ABCGE、ABDCE和ABCGE的各轨迹点进行加权分析,权重为虚拟轨迹上的轨迹点占比。
以第二条轨迹AFCGE为例,如图2中粗线所示:
X0=((10+10+10+8+7)/5)/45=0.20
A=10*10/45=2.22
F=4*X0=0.80
C=8*8/45=1.42
G=4*X0=0.80
E=7*7/45=1.09
X2=(2.22+0.8+1.42+0.8+1.09)/5=1.27
轨迹点A、B、C、D和E的权重为其自身经过次数与虚拟轨迹中总经过次数的比,轨迹点F、G和H不在虚拟轨迹中,权重按虚拟轨迹的权重的平均值计算。
如下表表一为五条轨迹计算加权平均值时中各个轨迹点的值。
表一
依照上述计算方法依次得到5条轨迹X1、X2、X3、X4和X5的加权平均值由表一可知,降序排列得到最大的轨迹为第四条ABDCE(该实施例中恰好与虚拟轨迹重合,如图2中虚线所示),既定为最优轨迹Trace。
根据该最优轨迹Trace计算目标车辆的最大可能性落脚点。
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,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (6)
1.基于多轨迹碰撞的车辆落脚点分析方法,其特征在于,所述分析方法包括:
步骤1,提取目标车辆一个时间周期内的所有行车轨迹;
步骤2,统计所述目标车辆经过所述行车轨迹上的各个轨迹点的次数,将次数最大的M个轨迹点连接成线得到虚拟轨迹;
步骤3,参考所述虚拟轨迹计算各所述目标轨迹中关于各所述轨迹点的加权平均值,得到加权平均值最大的所述目标轨迹为最优轨迹;
步骤4,根据所述轨迹点的加权值和轨迹时间属性对所述最优轨迹上的各轨迹点时序分析,求出疑似落脚点概率矩阵。
2.如权利要求1所述的分析方法,其特征在于,所述步骤1之前包括:所述目标车辆不明确时,根据车辆特征、时空范围限制综合分析以缩小目标范围,筛选获得所述目标车辆。
3.如权利要求1所述的分析方法,其特征在于,所述步骤1中对获取的所述目标轨迹的条数进行最小值限制,只有在获取的所述目标轨迹的条数大于等于设定的所述最小值时,才进行后续分析过程,否则延长所述时间周期,重新获取所述目标轨迹。
4.如权利要求1所述的分析方法,其特征在于,所述步骤2中所述虚拟轨迹的轨迹点数量M为一个所述时间周期内每天经过的轨迹点数量的平均值。
5.如权利要求1所述的分析方法,其特征在于,所述步骤3得到所述最优轨迹的过程包括:
步骤301,对各个所述轨迹点进行加权分析,得到各个所述目标轨迹关于各个所述轨迹点的加权平均值;
不包含在所述虚拟路径中的所述轨迹点的权重按所述虚拟路径的权重的平均值计算;
步骤302,对所述加权平均值按降序排列,取所述加权平均值最高的所述目标轨迹作为最优轨迹。
6.如权利要求1所述的分析方法,其特征在于,所述步骤4中,
如果所述最优轨迹没有闭合,则根据所述疑似落脚点概率矩阵和所述轨迹点的时间属性得到轨迹的起点或者终点为车辆的最大可能性落脚点;
如果所述最优轨迹闭合,则计算相邻两个所述轨迹点之间的间隔T,T值最大的两个相邻轨迹点按车辆经过时刻排列较早的那个轨迹点为车辆的最大可能性落脚点。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510940865.0A CN105427586B (zh) | 2015-12-16 | 2015-12-16 | 一种基于多轨迹碰撞的车辆落脚点分析方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510940865.0A CN105427586B (zh) | 2015-12-16 | 2015-12-16 | 一种基于多轨迹碰撞的车辆落脚点分析方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105427586A true CN105427586A (zh) | 2016-03-23 |
CN105427586B CN105427586B (zh) | 2018-06-12 |
Family
ID=55505761
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510940865.0A Active CN105427586B (zh) | 2015-12-16 | 2015-12-16 | 一种基于多轨迹碰撞的车辆落脚点分析方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105427586B (zh) |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107507413A (zh) * | 2017-08-29 | 2017-12-22 | 广东蔚海数问大数据科技有限公司 | 车辆位置预测方法及装置 |
CN108875835A (zh) * | 2018-06-26 | 2018-11-23 | 北京旷视科技有限公司 | 对象落脚点确定方法、装置、电子设备和计算机可读介质 |
CN109448363A (zh) * | 2018-09-30 | 2019-03-08 | 佳都新太科技股份有限公司 | 基于轨迹预测的嫌疑车辆智能封控方法、系统及处理终端 |
CN109947758A (zh) * | 2019-04-03 | 2019-06-28 | 深圳市甲易科技有限公司 | 一种基于行为轨迹库的路线碰撞分析方法 |
CN110304073A (zh) * | 2019-06-26 | 2019-10-08 | 中国第一汽车股份有限公司 | 辅助驾驶方法、围栏生成方法、相应装置及服务器 |
CN110674236A (zh) * | 2019-09-23 | 2020-01-10 | 浙江省北大信息技术高等研究院 | 基于时空轨迹匹配的移动目标关联方法、装置、设备及存储介质 |
CN111291129A (zh) * | 2018-12-06 | 2020-06-16 | 浙江宇视科技有限公司 | 一种基于多维数据研判的目标人员追踪方法及装置 |
CN111402633A (zh) * | 2020-03-23 | 2020-07-10 | 北京安捷工程咨询有限公司 | 一种基于uwb定位的物体防碰撞方法和土建工程防碰撞系统 |
CN113536083A (zh) * | 2021-05-31 | 2021-10-22 | 中国人民公安大学 | 一种基于案事件时空坐标的目标人轨迹碰撞分析方法 |
CN113723346A (zh) * | 2021-09-09 | 2021-11-30 | 南威软件股份有限公司 | 基于人像和车辆卡口数据的多轨迹落脚点碰撞分析方法 |
CN116030367A (zh) * | 2023-03-27 | 2023-04-28 | 山东智航智能装备有限公司 | 一种无人机视角动目标检测方法及装置 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP0911778A2 (en) * | 1997-10-23 | 1999-04-28 | Toyota Jidosha Kabushiki Kaisha | Vehicle traffic control system |
WO2005095894A1 (en) * | 2004-03-31 | 2005-10-13 | British Telecommunications Public Limited Company | Pathfinding system |
US20090024357A1 (en) * | 2006-02-28 | 2009-01-22 | Toyota Jidosha Kabushiki Kaisha | Object Path Prediction Method, Apparatus, and Program, and Automatic Operation System |
CN103258440A (zh) * | 2013-05-02 | 2013-08-21 | 同济大学 | 一种基于道路属性和实时路况的行车轨迹还原算法 |
CN103456175A (zh) * | 2013-09-25 | 2013-12-18 | 武汉烽火众智数字技术有限责任公司 | 基于车辆号牌识别和网格化监控的伴随车实时检测方法 |
CN104952273A (zh) * | 2015-07-17 | 2015-09-30 | 东方网力科技股份有限公司 | 针对车辆行为的告警方法、装置及系统 |
CN105741598A (zh) * | 2014-12-09 | 2016-07-06 | 深圳中兴力维技术有限公司 | 嫌疑车辆落脚点分析处理方法及其装置 |
-
2015
- 2015-12-16 CN CN201510940865.0A patent/CN105427586B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP0911778A2 (en) * | 1997-10-23 | 1999-04-28 | Toyota Jidosha Kabushiki Kaisha | Vehicle traffic control system |
WO2005095894A1 (en) * | 2004-03-31 | 2005-10-13 | British Telecommunications Public Limited Company | Pathfinding system |
US20090024357A1 (en) * | 2006-02-28 | 2009-01-22 | Toyota Jidosha Kabushiki Kaisha | Object Path Prediction Method, Apparatus, and Program, and Automatic Operation System |
CN103258440A (zh) * | 2013-05-02 | 2013-08-21 | 同济大学 | 一种基于道路属性和实时路况的行车轨迹还原算法 |
CN103456175A (zh) * | 2013-09-25 | 2013-12-18 | 武汉烽火众智数字技术有限责任公司 | 基于车辆号牌识别和网格化监控的伴随车实时检测方法 |
CN105741598A (zh) * | 2014-12-09 | 2016-07-06 | 深圳中兴力维技术有限公司 | 嫌疑车辆落脚点分析处理方法及其装置 |
CN104952273A (zh) * | 2015-07-17 | 2015-09-30 | 东方网力科技股份有限公司 | 针对车辆行为的告警方法、装置及系统 |
Non-Patent Citations (3)
Title |
---|
李欢: "城市应急指挥系统的建设", 《中国安防》 * |
王龙飞等: "车辆出行轨迹调查分析中的丢点轨迹还原", 《计算机应用研究》 * |
范德耀: "浅析大数据安防应用", 《中国公共安全》 * |
Cited By (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107507413A (zh) * | 2017-08-29 | 2017-12-22 | 广东蔚海数问大数据科技有限公司 | 车辆位置预测方法及装置 |
CN108875835A (zh) * | 2018-06-26 | 2018-11-23 | 北京旷视科技有限公司 | 对象落脚点确定方法、装置、电子设备和计算机可读介质 |
CN108875835B (zh) * | 2018-06-26 | 2021-06-22 | 北京旷视科技有限公司 | 对象落脚点确定方法、装置、电子设备和计算机可读介质 |
CN109448363A (zh) * | 2018-09-30 | 2019-03-08 | 佳都新太科技股份有限公司 | 基于轨迹预测的嫌疑车辆智能封控方法、系统及处理终端 |
CN111291129A (zh) * | 2018-12-06 | 2020-06-16 | 浙江宇视科技有限公司 | 一种基于多维数据研判的目标人员追踪方法及装置 |
CN111291129B (zh) * | 2018-12-06 | 2024-02-02 | 浙江宇视科技有限公司 | 一种基于多维数据研判的目标人员追踪方法及装置 |
CN109947758A (zh) * | 2019-04-03 | 2019-06-28 | 深圳市甲易科技有限公司 | 一种基于行为轨迹库的路线碰撞分析方法 |
CN110304073B (zh) * | 2019-06-26 | 2021-07-23 | 中国第一汽车股份有限公司 | 辅助驾驶方法、围栏生成方法、相应装置及服务器 |
CN110304073A (zh) * | 2019-06-26 | 2019-10-08 | 中国第一汽车股份有限公司 | 辅助驾驶方法、围栏生成方法、相应装置及服务器 |
CN110674236A (zh) * | 2019-09-23 | 2020-01-10 | 浙江省北大信息技术高等研究院 | 基于时空轨迹匹配的移动目标关联方法、装置、设备及存储介质 |
CN111402633A (zh) * | 2020-03-23 | 2020-07-10 | 北京安捷工程咨询有限公司 | 一种基于uwb定位的物体防碰撞方法和土建工程防碰撞系统 |
CN113536083A (zh) * | 2021-05-31 | 2021-10-22 | 中国人民公安大学 | 一种基于案事件时空坐标的目标人轨迹碰撞分析方法 |
CN113536083B (zh) * | 2021-05-31 | 2023-11-24 | 中国人民公安大学 | 一种基于案事件时空坐标的目标人轨迹碰撞分析方法 |
CN113723346A (zh) * | 2021-09-09 | 2021-11-30 | 南威软件股份有限公司 | 基于人像和车辆卡口数据的多轨迹落脚点碰撞分析方法 |
CN116030367A (zh) * | 2023-03-27 | 2023-04-28 | 山东智航智能装备有限公司 | 一种无人机视角动目标检测方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN105427586B (zh) | 2018-06-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105427586A (zh) | 一种基于多轨迹碰撞的车辆落脚点分析方法 | |
CN109871876B (zh) | 一种基于浮动车数据的高速公路路况识别与预测方法 | |
CN110191424B (zh) | 一种特定嫌疑人的轨迹生成方法和装置 | |
CN102610102B (zh) | 一种嫌疑车辆查控方法及系统 | |
CN108629978A (zh) | 一种基于高维路网和循环神经网络的交通轨迹预测方法 | |
CN110874362A (zh) | 一种数据关联分析方法及装置 | |
CN103325259B (zh) | 一种基于多核并行的违章停车检测方法 | |
CN103294775B (zh) | 基于地理时空约束的警务云图像识别车辆管控系统 | |
CN106846801A (zh) | 一种基于车辆轨迹的区域徘徊异常行为检测方法 | |
Chen et al. | Traffic flow prediction with big data: A deep learning based time series model | |
CN110674238B (zh) | 一种基于大数据的禁毒情报研判系统 | |
CN109615572B (zh) | 基于大数据的人员亲密度分析的方法及系统 | |
CN103177436B (zh) | 物件追踪的方法、系统 | |
CN109191861B (zh) | 一种基于视频检测器的高速公路逃费车辆异常行为检测系统及方法 | |
CN109614418A (zh) | 基于大数据的挖掘嫌疑目标的方法及系统 | |
CN102254394A (zh) | 一种基于视频差异分析的输电线路杆塔防盗监控方法 | |
CN105913668A (zh) | 一种基于海量交通数据统计的定向套牌车检测方法 | |
CN103902966A (zh) | 基于序列时空立方体特征的视频交互事件分析方法及装置 | |
CN109634946A (zh) | 一种基于大数据挖掘的轨迹智能匹配关联分析算法模型 | |
CN106297304A (zh) | 一种基于MapReduce面向大规模卡口数据的套牌车识别方法 | |
Xiong et al. | Vehicle re-identification with image processing and car-following model using multiple surveillance cameras from urban arterials | |
Zhu et al. | Spatio-temporal point processes with attention for traffic congestion event modeling | |
Dai et al. | Attention based simplified deep residual network for citywide crowd flows prediction | |
CN110716925A (zh) | 一种基于轨迹分析的跨境行为识别方法 | |
CN110334572A (zh) | 一种多角度下车型精细识别方法 |
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 |