CN105913668A - 一种基于海量交通数据统计的定向套牌车检测方法 - Google Patents

Abstract

本发明公开了一种基于海量交通数据统计的定向套牌车检测方法，包括：步骤1，设置一个初始时间t₀，划定一个时间范围T₁，按车牌号码统计(t₀‑T₁,t₀)时间范围内的所有卡口行车数据，统计每个出现的车牌号码出现的次数，并将车牌号码按照出现次数从高到低进行排序；步骤2，将车牌号码按照出现次数从高到低进行排序得到的序列取前N个车牌号码；步骤3，从卡口行车数据中查询N个车牌号码在(t₀‑T₂,t₀)时间范围的所有数据记录；步骤4，根据车牌号码所对应的卡口数据记录集合以及卡口行车数据记录的车辆行车时间和卡口地点，对车辆所形成的轨迹进行判断，当出现不合理的轨迹时，则判定车辆是套牌车，否则判定车辆不是套牌车。

Description

一种基于海量交通数据统计的定向套牌车检测方法

技术领域

本发明属于套牌车检测领域，尤其涉及一种基于海量交通数据统计的定向套牌车检测方法。

背景技术

套牌车是指没有使用在相应的交通管理部门依照法律规定办理的车牌，而是悬挂伪造或者盗用他人的车牌上路行驶的车辆。套用他人的车牌是一种侵犯他人合法权利，对社会有很大安全隐患的交通违法行为。随着我国社会经济的高速发展，我国的汽车车保有量飞速增加，在各种违法犯罪案件中，使用汽车作为交通工具的案例也在急剧增加。使用套牌和假牌作为犯罪分子逃避公安机关破案和追捕的常用手段也在呈现多发的趋势。依据我国交通管理部门的统计，每年都有大量使用套牌、假牌进行违法犯罪的案件。，而且此类案件呈现出递增的趋势。传统的套牌车识别算法通过串行工作方式在网格化城市交通监控系统所产生的大规模数据中进行两两比对实现套牌车检测，因此在处理海量数据时存在性能瓶颈问题。

传统的套牌车检测主要是通过判断某个车牌同时出现在两个不同的地方，或出现在某个时间段内不可能到达的两个地方，来断定是否为套牌车。但此分析方法仍然是用微观的眼光来看问题，在海量数据的情况下，用此方法进行分析必然是计算量随着数据增加而数倍增加，不仅计算复杂还难以保证实时性。

发明内容

发明目的：本发明所要解决的技术问题是针对现有技术的不足，提供一种基于海量交通数据统计的定向套牌车检测方法。

本发明在面对海量数据时，采用大数据思维从宏观角度分析，提出了一种基于统计的套牌车分析方法，该方法的主要依据是：当一辆车被套牌时，在一定时间内它的车牌号码出现在卡口行车数据记录中的概率必然增加，因此可以从出现频率高的车牌号码入手进行套牌车检测。即现实情况中，一个假的套牌号牌会被2辆以上甚至更多的车辆同时使用。

本发明包括如下步骤：

步骤1，设置一个初始时间t₀，划定一个较短的时间范围T₁(如5分钟)，按车牌号码统计(t₀-T₁,t₀)时间范围内的所有卡口行车数据，统计每个出现的车牌号码出现的次数，并将车牌号码按照出现次数从高到低进行排序；

步骤2，由于一个城市的套牌车数量在一定时期内较固定，将车牌号码按照出现次数从高到低进行排序得到的序列取前N个车牌号码(C₁,C₂,…,C_N)，C_N表示第N个车牌号码，N是大于1的整数；

步骤3，从卡口行车数据中查询N个车牌号码在(t₀-T₂,t₀)时间范围的所有数据记录，T₂≥T₁，受到时间范围的约束，此时每辆车的数据记录个数有限，第i个车牌号码对应的卡口数据记录集合记为R_i，i取值为1～N，卡口数据记录集合包含的信息包括车辆的车牌、车辆通过卡口时间、卡口地点和车辆行驶方向；

步骤4，根据车牌号码C_i所对应的卡口数据记录集合R_i以及卡口行车数据记录的车辆行车时间和卡口地点，对车牌号码为C_i的车辆所形成的轨迹进行判断，当出现不合理的轨迹时，则判定车牌号码为C_i的车辆是套牌车，向用户推送此车牌号码，否则判定车牌号码为C_i的车辆不是套牌车；

步骤5，重复步骤4，直至将N个车牌号码全部判断完毕。

步骤4包括如下步骤：

步骤4-1，设g为从卡口行车数据中获得车牌号码为C_i的车辆一个点的轨迹数据，轨迹数据g包含车辆的车牌、车辆通过卡口时间、卡口地点和车辆行驶方向，按照通过卡口时间对车牌号码为C_i的车辆所对应的卡口数据记录集合R_i进行时间升序排序得到车辆轨迹序列R_i'，假设R_i中共有k个轨迹点，k≥2，则形成车辆轨迹序列为R_i'＝(g₁,g₂,…g_k)，结合卡口部署情况和路网情况外推轨迹点g_j必须经过的上一个路口位置pl_j和下一个路口位置pn_j，2≤j≤k，判断轨迹点g_j与g_j-1位置是否相同，相同时，判断时间间隔是否小于时间阈值Y1(设Y1＝60秒)，如果小于时间阈值Y1则判定g_j是不合理轨迹点，如果轨迹点g_j与g_j-1位置不相同或者位置相同但时间间隔大于或等于时间阈值Y1，则进行步骤4-2；

步骤4-2，通过轨迹点g_j与g_j-1的直线距离和间隔时间来计算车辆车速，判断车辆车速是否超出车速阈值Y2(设Y2＝120公里/小时)，超过车速阈值Y2则判定g_j是不合理轨迹点，否则进行步骤4-3；

步骤4-3，计算轨迹点g_j-1必须经过的下一个路口pn_j-1和轨迹点g_j必须经过的上一个路口pl_j之间的距离，利用该距离和轨迹点g_j与g_j-1之间的时间间隔来计算车辆速度，判断车辆车速是否超出车速阈值Y2，超过阈值Y2则判定g_j是不合理轨迹点，否则进行步骤4-4；

步骤4-5，判断g_j与g_j-1是否在t₀和t₀+T₁时间段内，若在该时间段内则进行步骤4-6，否则本次计算结束；

步骤4-6，计算轨迹点g_j-1与必须经过的下一个路口pn_j-1之间的的距离和轨迹点g_j与必须经过的上一个路口pl_j之间的距离，分别记为dn_j-1和dl_j，结合路网信息(即道路的通行情况和道路之间的连接关系)，利用改进的A-Star算法规划出轨迹点g_j-1必须经过的下一个路口pn_j-1和轨迹点g_j必须经过的上一个路口pl_j之间的最短路径，并计算出路口pn_j-1与pl_j之间的最短路径的实际距离，记为dnl_j，则轨迹点g_j与g_j-1之间的最短距离d_s＝dn_j-1+dl_j+dnl_j，通过d_s和g_j与g_j-1两点的间隔时间来计算车辆车速，车速大于阈值Y2则判定g_j是不合理轨迹点。

其中步骤2-6中仅对在t₀和t₀+T₁时间段内的轨迹点进行最短路径规划的原因是：在该时间段内车牌出现概率高，也即套牌车是确定存在的概率高，而采用最短路径规划算法比较耗时，因此仅对套牌车确定存在概率高的情况下应用最短路径计算，可在有效降低整体计算复杂度的情况下提高套牌车的检出率，其中求取最短路径采用改进的A-STAR算法，

A-Star(也写作A*)算法是一种静态路网中求解最短路径最有效的直接搜索方法，关于A-Star算法的原理在本发明中不再赘述。在本发明中，为了实时的检测出套牌车，必须进一步提高算法的效率，因此需要结合本发明所涉及的业务场景，对A-Star算法进行必要的改进，改进策略如下：

策略1：虽然求取的是在路网中pn_j-1到pl_j的最短路径，但与pn_j-1、pl_j相关的轨迹点g_j-1、g_j是已知项，按照车辆不倒着开的原则，排除pn_j-1到g_j-1、g_j到pl_j的路径，不对这两个路径进行搜索。(为了区别说明，真实路网的最短路径记为最短路网路径)。

策略2：当轨迹点需要进行最短路径规划时，其已经符合了时间间隔较短，即小于T₁，车辆速度合理，即未被步骤4-1，4-2，4-3排除，如果轨迹点g_j合理，则pn_j-1与pl_j之间的距离并不太远，且pn_j-1与pl_j之间最短路网路径和两者之间的直线路径差别不大，因此基于此原则限定A-Star算法搜索范围，范围限制原则见附图说明中的图1，限定改进A-Star算法搜索范围，通过搜索范围的限制可进一步提高算法效率。

如果轨迹点g_j合理，则判断路口pn_j-1与pl_j之间的距离接近，且pn_j-1与pl_j之间真实路网的最短路径和两者之间的直线路径差别不大，也即是真实路网的最短路径在直线路径附近，基于此原则限定改进A-Star算法搜索范围，限定原则见图1。

策略3：经过策略1、策略2的限制，在较小的范围内存在多条最短路径的概率已经大大降低，因此可以考虑增加信息度来让算法加速收敛，由于在A-STAR算法中使用起点到终点的直线距离作为启发式估计距离，但该估计距离一般都远远小于实际的路线距离，将A-STAR算法中使用的起点到终点的直线距离乘以系数X1(设X1＝1.4)来提高信息度，加速收敛，提高算法效率。

需要说明的是，在本发明中，时间范围T₁取较短时间的原因是，时间因素在“套牌车的车牌号码在一定时间内它的车牌号码出现在卡口行车数据记录中的概率必然增加”的规律中非常重要，当该时间变长后，该规律受到的干扰因素就会增加(如：2小时内某辆车因为要办事频繁经过某个卡口)，从而使得步骤(1)中排在前N个的车牌号码是套牌车的概率减少。

针对上述问题，设置两个时间间隔，一是统计排序的时间间隔T₁，另外一个是判定推送时间间隔T₂，每间隔T₁时间段进行步骤(1)，不断更新排在前N个的车牌，然后以T₂时间间隔来进行套牌车判定计算，并推送。同时检测的过程也可以不仅仅是一次计算的结果，为了检测出更多的套牌车，可以通过在算法中设置不同的T₁、T₂及起始时间来进行算法的多次计算，这样就可以在计算过程中形成不同的“检测网”，一方面将套牌车从海量数据中捞出来，另一方面可以利用多个“检测网”的检测结果进行相互印证，确保套牌车检测的准确性。

套用车牌是一种侵犯真正车主利益的交通违法行为，识别出套牌车将有助于公安机关进行交通管理和车辆管理。现有的套牌车算法在海量卡口行车数据面前往往存在性能上的瓶颈，本文提出了一种基于海量数据统计的方式来发现定向的套牌车数据，从而有效降低了套牌车的计算量，提高了套牌车的检出率。

有益效果：应用本发明方法，可大大减少参与套牌车计算的数据量，从而使得从海量数据中检测的问题变为从定向的数据中检测的问题。在工程应用中，由于警力资源有限，也不必追求将一个城市的所有套牌车一次性全部检测出来，可以根据警力的实际情况每天计算并向公安机关精确推荐的一定数量的套牌车号码。

附图说明

下面结合附图和具体实施方式对本发明做更进一步的具体说明，本发明的上述和/或其他方面的优点将会变得更加清楚。

图1为A-Star算法搜索范围限制原则示意图。

图2为套牌车检测方法的数据处理架构。

图3为实施例实验环境硬件平台示意图。

具体实施方式

本发明包括如下步骤：

步骤1，设置一个初始时间t₀，划定一个较短的时间范围T₁(如5分钟)，按车牌号码统计(t₀-T₁,t₀)时间范围内的所有卡口行车数据，统计每个出现的车牌号码出现的次数，并将车牌号码按照出现次数从高到低进行排序；

步骤2，由于一个城市的套牌车数量在一定时期内较固定，将车牌号码按照出现次数从高到低进行排序得到的序列取前N个车牌号码(C₁,C₂,…,C_N)，C_N表示第N个车牌号码，N是大于1的整数；

步骤3，从卡口行车数据中查询N个车牌号码在(t₀-T₂,t₀)时间范围的所有数据记录，T₂≥T₁，受到时间范围的约束，此时每辆车的数据记录个数有限，第i个车牌号码对应的卡口数据记录集合记为R_i，i取值为1～N，卡口数据记录集合包含的信息包括车辆的车牌、车辆通过卡口时间、卡口地点和车辆行驶方向；

步骤4，根据车牌号码C_i所对应的卡口数据记录集合R_i以及卡口行车数据记录的车辆行车时间和卡口地点，对车牌号码为C_i的车辆所形成的轨迹进行判断，当出现不合理的轨迹时，则判定车牌号码为C_i的车辆是套牌车，向用户推送此车牌号码，否则判定车牌号码为C_i的车辆不是套牌车；

步骤5，重复步骤4，直至将N个车牌号码全部判断完毕。

步骤4包括如下步骤：

步骤4-1，设g为从卡口行车数据中获得车牌号码为C_i的车辆一个点的轨迹数据，轨迹数据g包含车辆的车牌、车辆通过卡口时间、卡口地点和车辆行驶方向，按照通过卡口时间对车牌号码为C_i的车辆所对应的卡口数据记录集合R_i进行时间升序排序得到车辆轨迹序列R_i'，假设R_i中共有k个轨迹点，k≥2，则形成车辆轨迹序列为R_i'＝(g₁,g₂,…g_k)，结合卡口部署情况和路网情况外推轨迹点g_j必须经过的上一个路口位置pl_j和下一个路口位置pn_j，2≤j≤k，判断轨迹点g_j与g_j-1位置是否相同，相同时，判断时间间隔是否小于时间阈值Y1(设Y1＝60秒)，如果小于时间阈值Y1则判定g_j是不合理轨迹点，如果轨迹点g_j与g_j-1位置不相同或者位置相同但时间间隔大于或等于时间阈值，则进行步骤4-2；

步骤4-2，通过轨迹点g_j与g_j-1的直线距离和间隔时间来计算车辆车速，判断车辆车速是否超出车速阈值Y2(设Y2＝120公里/小时)，超过阈值Y2则判定g_j是不合理轨迹点，否则进行步骤4-3；

步骤4-3，计算轨迹点g_j-1必须经过的下一个路口pn_j-1和轨迹点g_j必须经过的上一个路口pl_j之间的距离，利用该距离和轨迹点g_j与g_j-1之间的时间间隔来计算车辆速度，判断车辆车速是否超出车速阈值Y2，超过阈值Y2则判定g_j是不合理轨迹点，否则进行步骤4-4；

步骤4-5，判断g_j与g_j-1是否在t₀和t₀+T₁时间段内，若在该时间段内则进行步骤4-6，否则本次计算结束；

步骤4-6，计算轨迹点g_j-1与必须经过的下一个路口pn_j-1之间的的距离和轨迹点g_j与必须经过的上一个路口pl_j之间的距离，分别记为dn_j-1和dl_j，结合路网信息(即道路的通行情况和道路之间的连接关系)，利用改进的A-Star算法规划出轨迹点g_j-1必须经过的下一个路口pn_j-1和轨迹点g_j必须经过的上一个路口pl_j之间的最短路径，并计算出路口pn_j-1与pl_j之间的最短路径的实际距离，记为dnl_j，则轨迹点g_j与g_j-1之间的最短距离d_s＝dn_j-1+dl_j+dnl_j，通过d_s和g_j与g_j-1两点的间隔时间来计算车辆车速，车速大于阈值Y2则判定g_j是不合理轨迹点。

结合本发明所涉及的业务场景，对A-Star算法进行了必要的改进，改进策略如下：

策略1：虽然求取的是在路网中pn_j-1到pl_j的最短路径，但与pn_j-1、pl_j相关的轨迹点g_j-1、g_j是已知项，按照车辆不倒着开的原则，排除pn_j-1到g_j-1、g_j到pl_j的路径，不对这两个路径进行搜索。(为了区别说明，真实路网的最短路径记为最短路网路径)。

策略2：当轨迹点需要进行最短路径规划时，其已经符合了时间间隔较短，即小于T₁，车辆速度合理，即未被步骤4-1，4-2，4-3排除，如果轨迹点g_j合理，则pn_j-1与pl_j之间的距离并不太远，且pn_j-1与pl_j之间最短路网路径和两者之间的直线路径差别不大，因此基于此原则限定A-Star算法搜索范围，范围限制原则见附图说明中的图1，限定改进A-Star算法搜索范围，通过搜索范围的限制可进一步提高算法效率。

如果轨迹点g_j合理，则判断路口pn_j-1与pl_j之间的距离接近，且pn_j-1与pl_j之间真实路网的最短路径和两者之间的直线路径差别不大，也即是真实路网的最短路径在直线路径附近，基于此原则限定改进A-Star算法搜索范围，限定原则见图1。

策略3：经过策略1、策略2的限制，在较小的范围内存在多条最短路径的概率已经大大降低，因此可以考虑增加信息度来让算法加速收敛，由于在A-STAR算法中使用起点到终点的直线距离作为启发式估计距离，但该估计距离一般都远远小于实际的路线距离，将A-STAR算法中使用的起点到终点的直线距离乘以系数X1(设X1＝1.4)来提高信息度，加速收敛，提高算法效率。

实施例

本发明提出了一种新的基于Hadloop的MapRaduce算法的一种基于海量交通数据统计的定向套牌车检测方法，该方法从宏观入手，先找到具有较大嫌疑的车辆，在对具有较大嫌疑的车辆进行精确分析，兼具高效性和准确性，而且算法具有并行特征，通过引入多台硬件计算资源协同处理大规模数据下的套牌车检测问题，显著提高了计算性能。

在工程应用中，搭建的数据处理架构是否合理将直接决定算法数据处理的性能。目前，采用Hadoop组件是主流的大数据处理技术，但大数据技术往往更偏向解决大的数据可计算的问题，而非计算实时性问题，因此在搭建数据架构时候需将大数据技术与其他技术有机结合，以满足实际的业务需求。本发明方法依托的数据处理架构也基于Hadoop组件，方法的数据处理架构见图2，系统从卡口系统的数据库读取原始卡口行车数据并放入Hbase中，并采用Elastic Search技术建立数据索引，在索引的基础上向上层的套牌车检测模块提供数据查询和数据统计服务。此架构中采用的Hbase是个高可靠性、高性能、面向列、可伸缩的分布式存储系统，Hbase虽然不能做复杂查询，但可以支持单条数据的增、删、改、查，并且支持稀疏数据存储，可动态增加列。而采用Elastic Search技术则可以充分利用其分布式搜索的特点，提高搜索的速度和效率。为了验证本发明方法的可行性和效率，本实施例中构建了一套大数据处理平台，见图3。该平台中包含4台HP DL580G8服务器、1台Cisco WS-C3750G-24TS-S1U交换机和3台Lenovo ThinkCentre M8400t工作站，平台中部署的软件见表1。

表1实验环境软件部署

在计算结果推送出套牌车的车牌号码后，对实验推送出的车牌号码任意抽取其中的20个进行人工数据研判，发现推荐的车辆确实为套牌车。

同时从实验数据可以看出当参与统计的数据变多时，查询统计用时也在增长，且用时的增长倍数大于数据增长的倍数，考虑到间隔时间长时，排在前列的车牌号码为套牌车的概率降低，因此可以通过设置时间间隔T₁和推送时间间隔T₂来增加排在前列的车牌为套牌车的概率，实验中对48小时卡口数据的计算效率的实验见表2。

其中，套牌车计算有效率＝推送为套牌车的次数/全部套牌车计算次数。

表2计算效率实验结果

从实验结果来看T₂越大，计算效率越高，但推荐出的套牌车数量却在变小，这是因为排序时间越久，出现了非套牌车也能排在前列的因素，因此从更多的发现套牌车的角度来看，第二种的时间间隔是比较适合的。在实际工程中，通过设置不同的T₁、T₂及起始时间即可以形成不同的“检测网”，便可以更多、更准确的从海量数据中检测出套牌车。目前，随着卡口系统的推广使用，每个城市每天都可积累大量的卡口数据，这其中蕴藏着巨大的有价值的信息，采用大数据技术挖掘其中的有价值的信息将是海量卡口数据处理的主流方式，本文提出了一种基于海量交通数据统计的定向套牌车检测方法，与传统方法相比，本发明方法结构简单、性能更优且实时性强，能有效解决套牌车检测问题，具有较好的工程适应性。

本发明提供了一种基于海量交通数据统计的定向套牌车检测方法，具体实现该技术方案的方法和途径很多，以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。本实施例中未明确的各组成部分均可用现有技术加以实现。

Claims (5)

1.一种基于海量交通数据统计的定向套牌车检测方法，其特征在于，包括如下步骤：

步骤1，设置一个初始时间t₀，划定一个时间范围T₁，按车牌号码统计(t₀-T₁,t₀)时间范围内的所有卡口行车数据，统计每个出现的车牌号码出现的次数，并将车牌号码按照出现次数从高到低进行排序；

步骤2，将车牌号码按照出现次数从高到低进行排序得到的序列取前N个车牌号码(C₁,C₂,…,C_N)，C_N表示第N个车牌号码，N是大于1的整数；

步骤3，从卡口行车数据中查询N个车牌号码在(t₀-T₂,t₀)时间范围的所有数据记录，T₂≥T₁，第i个车牌号码对应的卡口数据记录集合记为R_i，其中i取值为1～N，卡口数据记录集合包含的信息包括车辆的车牌、车辆通过卡口时间、卡口地点和车辆行驶方向；

步骤4，根据车牌号码C_i所对应的卡口数据记录集合R_i以及卡口行车数据记录的车辆行车时间和卡口地点，对车牌号码为C_i的车辆所形成的轨迹进行判断，当出现不合理的轨迹时，则判定车牌号码为C_i的车辆是套牌车，否则判定车牌号码为C_i的车辆不是套牌车；

步骤5，重复步骤4，直至将N个车牌号码全部判断完毕。

2.根据权利要求1所述的方法，其特征在于，步骤4包括如下步骤：

步骤4-1，设g为从卡口行车数据中获得车牌号码为C_i的车辆一个点的轨迹数据，轨迹数据g包含车辆的车牌、车辆通过卡口时间、卡口地点和车辆行驶方向，按照通过卡口时间对车牌号码为C_i的车辆所对应的卡口数据记录集合R_i进行时间升序排序得到车辆轨迹序列R_i'，假设R_i中共有k个轨迹点，k≥2，则形成车辆轨迹序列为R_i'＝(g₁,g₂,…g_k)，结合卡口部署情况和路网情况外推轨迹点g_j必须经过的上一个路口位置pl_j和下一个路口位置pn_j，2≤j≤k，判断轨迹点g_j与g_j-1位置是否相同，相同时，判断时间间隔是否小于时间阈值Y1，如果小于时间阈值Y1则判定g_j是不合理轨迹点，如果轨迹点g_j与g_j-1位置不相同或者位置相同但时间间隔大于或等于时间阈值Y1，则进行步骤4-2；

步骤4-2，通过轨迹点g_j与g_j-1的直线距离和间隔时间来计算车辆车速，判断车辆车速是否超出车速阈值Y2，超过车速阈值Y2则判定g_j是不合理轨迹点，否则进行步骤4-3；

步骤4-3，计算轨迹点g_j-1必须经过的下一个路口pn_j-1和轨迹点g_j必须经过的上一个路口pl_j之间的距离，利用该距离和轨迹点g_j与g_j-1之间的时间间隔来计算车辆速度，判断车辆车速是否超出车速阈值Y2，超过车速阈值Y2则判定g_j是不合理轨迹点，否则进行步骤4-4；

步骤4-5，判断g_j与g_j-1是否在t₀和t₀+T₁时间段内，若在该时间段内则进行步骤4-6，否则本次计算结束；

步骤4-6，计算轨迹点g_j-1与必须经过的下一个路口pn_j-1之间的的距离和轨迹点g_j与必须经过的上一个路口pl_j之间的距离，分别记为dn_j-1和dl_j，结合路网信息，利用改进的A-Star算法规划出轨迹点g_j-1必须经过的下一个路口pn_j-1和轨迹点g_j必须经过的上一个路口pl_j之间的最短路径，并计算出路口pn_j-1与pl_j之间的最短路径的实际距离，记为dnl_j，则轨迹点g_j与g_j-1之间的最短距离d_s＝dn_j-1+dl_j+dnl_j，通过d_s和g_j与g_j-1两点的间隔时间来计算车辆车速，车速大于阈值Y2则判定g_j是不合理轨迹点。

3.根据权利要求2所述的方法，其特征在于，步骤4-6中采用如下方法改进A-Star算法：虽然求取的是在路网中pn_j-1到pl_j的最短路径，但与pn_j-1、pl_j相关的轨迹点g_j-1、g_j是已知项，按照车辆不倒着开的原则，排除pn_j-1到g_j-1、g_j到pl_j的路径，不对这两个路径进行搜索。

4.根据权利要求3所述的方法，其特征在于，步骤4-6中采用如下方法改进A-Star算法：当轨迹点需要进行最短路径规划时，其已经符合了时间间隔较短，即小于T₁，车辆速度合理，即未被步骤4-1，4-2，4-3排除，如果轨迹点g_j合理，则pn_j-1与pl_j之间的距离并不太远，且pn_j-1与pl_j之间最短路网路径和两者之间的直线路径差别不大，因此基于此原则限定A-Star算法搜索范围。

5.根据权利要求4所述的方法，其特征在于，步骤4-6中采用如下方法改进A-Star算法：将A-STAR算法中使用的起点到终点的直线距离乘以系数X1来提高信息度，加速收敛。