CN107967493A - 一种人车伴随的判定方法、系统及相关装置 - Google Patents
一种人车伴随的判定方法、系统及相关装置 Download PDFInfo
- Publication number
- CN107967493A CN107967493A CN201711364089.XA CN201711364089A CN107967493A CN 107967493 A CN107967493 A CN 107967493A CN 201711364089 A CN201711364089 A CN 201711364089A CN 107967493 A CN107967493 A CN 107967493A
- Authority
- CN
- China
- Prior art keywords
- wheelpath
- time
- point
- movement locus
- car
- 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
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/40—Scenes; Scene-specific elements in video content
- G06V20/48—Matching video sequences
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Multimedia (AREA)
- Traffic Control Systems (AREA)
Abstract
本申请公开了一种人车伴随的判定方法,借助运营商提供的基站数据和公安部门提供的卡口数据,经过一系列处理算法,确定各车辆的行车轨迹和在卡口附近形成的时空覆盖范围、确定用户的运动轨迹,将两者进行匹配并结合预设的相似度公式计算得到存在伴随关系的用户和车辆。本申请所提供的人车伴随的判定方法能够弥补传统方式存在的缺陷,准确度高,适用性强,还能够进行路线预测,为案件侦破提供了强有力的依据。本申请还同时公开了一种人车伴随的判定系统、装置及计算机可读存储介质,具有上述有益效果。
Description
技术领域
本申请涉及数据处理技术领域,特别涉及一种人车伴随的判定方法、系统、装置及计算机可读存储介质。
背景技术
现代社会为充分保障普通公民的个人安全和财产不受侵害,如何及时发现犯罪嫌疑人,以及进一步的根据该犯罪嫌疑人的轨迹确定其是否存在同伙或是否搭乘存在一定轨迹形似度的交通工具,以挖掘其它嫌疑目标是提升城市治安水准、及时破案的一个重要研究方向。
现有技术中,通常卡口记录得到的过车记录中的图像数据分辨车辆上的随行人员和车辆牌照信息,再通过人工对随行人员特征进行辨认、归纳寻找到可能的目标人员,最终将找寻到的目标人员与该车辆建立联系形成关系库。传统方式得出来的车辆人员关系,存在识别人脸效率低,需要依赖巨大的人员图像库和昂贵的GPU设备,同时如果车辆经过没有卡口的地方,就不能进行匹配,数据采集不完全,分析结果实际应用价值低。
所以,如何针对现有人车伴随识别方法存在的缺陷,提供一种无须耗费大量人力、准确度高、成本较低、适用范围广以及实际应用价值高的方法是本领域技术人员亟待解决的问题。
发明内容
本申请的目的是提供一种人车伴随的判定方法,其借助运营商提供的基站数据和公安部门提供的卡口数据,经过一系列处理算法,确定各车辆的行车轨迹和在卡口附近形成的时空覆盖范围、确定用户的运动轨迹,将两者进行匹配并结合预设的相似度公式计算得到存在伴随关系的用户和车辆。能够弥补传统方式存在的缺陷,准确度高,适用性强,还能够进行路线预测,为案件侦破提供了强有力的依据。
本申请的另一目的是提供一种人车伴随的判定系统、装置及计算机可读存储介质。
为实现上述目的,本申请提供一种人车伴随的判定方法,该判定方法包括:
将卡口数据中所属同一车牌号的过车记录划分在同一所述车牌号下,得到各所述车牌号对应车辆的行车轨迹;
对各所述行车轨迹按第一时间间隔划分时间分片,得到各行车轨迹点集,并对各所述行车轨迹点集进行精简处理,得到精简行车轨迹点集;
将各卡口记录的车牌号对应的精简行车轨迹点每隔第二时间间隔进行汇总,得到所有经过各所述卡口的车辆的时空覆盖范围;
将运营商数据中所属同一用户的运动轨迹划分在同一所述用户下,得到各所述用户的运动轨迹;
对各所述运动轨迹按所述第一时间间隔划分时间分片,得到各运动轨迹点集,并对各所述运动轨迹点集进行所述精简处理,得到精简运动轨迹点集;
获取处于所述时空覆盖范围下的运动轨迹点,并通过预设的相似度公式计算得到存在伴随关系的用户和车辆。
可选的,对各所述行车轨迹按第一时间间隔划分时间分片,得到各行车轨迹点集,并对各所述行车轨迹点集进行精简处理,得到精简行车轨迹点集,包括:
对所述行车轨迹按时间顺序进行排序,得到时间排序结果;
将所述时间排序结果按所述第一时间间隔划分时间分片,以使每个所述时间分片上对应唯一的行车轨迹点,得到所述行车轨迹点集;
对所述行车轨迹点集中的所有行车轨迹点按预设停留规则进行停留时段分析,得到停留轨迹点;
从所有所述行车轨迹点中剔除所述停留轨迹点,得到去停留轨迹点集;
对所述去停留轨迹点集进行经纬度网格规整处理,得到精简行车轨迹点集;其中,每个所述精简行车轨迹点均覆盖预设面积的区域。
可选的,将各卡口记录的车牌号对应的精简行车轨迹点每隔第二时间间隔进行汇总,得到所有经过各所述卡口的车辆的时空覆盖范围,包括:
统计各所述卡口保存的过车记录中车牌号对应车辆的精简行车轨迹点;
每隔所述第二时间间隔保存间隔内出现的车牌号及对应车辆的精简行车轨迹点,得到所有经过各所述卡口的车辆的时空覆盖范围。
可选的,获取处于所述时空覆盖范围下的运动轨迹点,并通过预设的相似度公式计算得到存在伴随关系的用户和车辆,包括:
获得处于所述时空覆盖范围下的运动轨迹点所属的用户;
获取与所述时空覆盖范围下的运动轨迹点对应的车牌号,以建立用户与车牌号间的对应关系;
根据所述对应关系分别查得对应用户的运动轨迹和车牌号对应的车辆行驶轨迹,并利用所述相似度公式计算两者之间的相似度值;
判断所述相似度值是否超过阈值,若是,则判定存在所述对应关系的用户和车辆存在所述伴随关系。
可选的,将所述时间排序结果按所述第一时间间隔划分时间分片,以使每个所述时间分片上对应唯一的行车轨迹点,包括:
将所述时间排序结果按所述第一时间间隔执行时间分片划分操作,得到待处理时间分片;
判断所述待处理时间分片上行车轨迹点的个数是否超过一个;
若是,则对所述待处理时间分片上的所有行车轨迹点进行均值处理,以使每个所述时间分片对应唯一的行车轨迹点。
可选的,该判定方法还包括:
判断每两个相邻时间分片上的行车轨迹点间的物理位置距离是否超过预设距离范围;
若是,则通过所述物理位置距离以及两个所述行车轨迹点间的时间差进行匀速计算,得到匀速运动数值;
利用所述匀速运动数值在两个所述行车轨迹点间补充预设数量的运动补充轨迹点。
可选的,该判定方法还包括:
对所有得到的轨迹点进行异常剔除处理,以剔除因基站或卡口设备异常运行产生的异常轨迹点。
为实现上述目的,本申请还提供了一种人车伴随的判定系统,该判定系统包括:
行车轨迹汇总单元,用于将卡口数据中所属同一车牌号的过车记录划分在同一所述车牌号下,得到各所述车牌号对应车辆的行车轨迹;
第一精简处理单元,用于对各所述行车轨迹按第一时间间隔划分时间分片,得到各行车轨迹点集,并对各所述行车轨迹点集进行精简处理,得到精简行车轨迹点集;
覆盖范围获取单元,用于将各卡口记录的车牌号对应的精简行车轨迹点每隔第二时间间隔进行汇总,得到所有经过各所述卡口的车辆的时空覆盖范围;
运动轨迹汇总单元,用于将运营商数据中所属同一用户的运动轨迹划分在同一所述用户下,得到各所述用户的运动轨迹;
第二精简处理单元,用于对各所述运动轨迹按所述第一时间间隔划分时间分片,得到各运动轨迹点集,并对各所述运动轨迹点集进行所述精简处理,得到精简运动轨迹点集;
匹配及相似度计算单元,用于获取处于所述时空覆盖范围下的运动轨迹点,并通过预设的相似度公式计算得到存在伴随关系的用户和车辆。
为实现上述目的,本申请还提供了一种人车伴随的判定装置,该判定装置包括:
存储器,用于存储计算机程序;
处理器,用于执行所述计算机程序时实现如上述内容所描述的人车伴随的判定方法的步骤。
为实现上述目的,本申请还提供了一种计算机可读存储介质,所述计算机可读存储介质上存储有计算机程序,所述计算机程序被处理器执行时实现如上述内容所描述的人车伴随的判定方法的步骤。
本申请所提供的一种人车伴随的判定方法,将卡口数据中所属同一车牌号的过车记录划分在同一所述车牌号下,得到各所述车牌号对应车辆的行车轨迹;对各所述行车轨迹按第一时间间隔划分时间分片,得到各行车轨迹点集,并对各所述行车轨迹点集进行精简处理,得到精简行车轨迹点集;将各卡口记录的车牌号对应的精简行车轨迹点每隔第二时间间隔进行汇总,得到所有经过各所述卡口的车辆的时空覆盖范围;将运营商数据中所属同一用户的运动轨迹划分在同一所述用户下,得到各所述用户的运动轨迹;对各所述运动轨迹按所述第一时间间隔划分时间分片,得到各运动轨迹点集,并对各所述运动轨迹点集进行所述精简处理,得到精简运动轨迹点集;获取处于所述时空覆盖范围下的运动轨迹点,并通过预设的相似度公式计算得到存在伴随关系的用户和车辆。
显然,本申请所提供的技术方案,其借助运营商提供的基站数据和公安部门提供的卡口数据,经过一系列处理算法,确定各车辆的行车轨迹和在卡口附近形成的时空覆盖范围、确定用户的运动轨迹,将两者进行匹配并结合预设的相似度公式计算得到存在伴随关系的用户和车辆。能够弥补传统方式存在的缺陷,准确度高,适用性强,还能够进行路线预测,为案件侦破提供了强有力的依据。本申请同时还提供了一种人车伴随的判定系统、装置及计算机可读存储介质,具有上述有益效果,在此不再赘述。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案,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申请的实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据提供的附图获得其他的附图。
图1为本申请实施例所提供的一种人车伴随的判定方法的流程图;
图2为本申请实施例所提供的另一种人车伴随的判定方法的流程图;
图3为本申请实施例所提供的又一种人车伴随的判定方法的流程图;
图4为本申请实施例所提供的人车伴随的判定方法中一种使每个时间分片上对应唯一的目标轨迹点的流程图;
图5为本申请实施例所提供的还一种人车伴随的判定方法的流程图;
图6为本申请实施例所提供的一种运营商数据的处理系统的结构框图。
具体实施方式
本申请的核心是提供一种人车伴随的判定方法、系统、装置及计算机可读存储介质,其借助运营商提供的基站数据和公安部门提供的卡口数据,经过一系列处理算法,确定各车辆的行车轨迹和在卡口附近形成的时空覆盖范围、确定用户的运动轨迹,将两者进行匹配并结合预设的相似度公式计算得到存在伴随关系的用户和车辆。能够弥补传统方式存在的缺陷,准确度高,适用性强,还能够进行路线预测,为案件侦破提供了强有力的依据。
为使本申请实施例的目的、技术方案和优点更加清楚,下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例,都属于本申请保护的范围。
以下结合图1,图1为本申请实施例所提供的一种人车伴随的判定方法的流程图。
其具体包括以下步骤:
S101:将卡口数据中所属同一车牌号的过车记录划分在同一车牌号下,得到各车牌号对应车辆的行车轨迹;
由于每个卡口都会将经过此处的车辆特征信息记录下来,以作为过车记录进行保存,大多数情况下车牌号唯一对应了一辆车,因为车型、颜色等并不足以唯一定位目标车辆,且会为排查带来极大的负担。
因此,本步骤旨在将卡口数据中所属同一车牌号的过车记录划分在同一车牌号下,以得到各车牌号对应车辆的行车轨迹,当然,这是需要所有卡口的数据经过汇总才能够得到的。
S102:对各行车轨迹按第一时间间隔划分时间分片,得到各行车轨迹点集,并对各行车轨迹点集进行精简处理,得到精简行车轨迹点集;
在S101的基础上,本步骤旨在将得到的各行车轨迹按第一时间间隔划分时间分片,得到各行车轨迹点集。因为在S101中得到的行车轨迹全面且直接的反映了目标车辆出现过的大体经纬度位置,但仍是杂乱无章的,将其投射在一个直角坐标系中,只能得到一堆纷乱的点,因此对其进行处理是十分必要的。因为对于那样冗余、异常或错误的轨迹点会直接影响到后续判别匹配轨迹点的正确率和精度,甚至导致最终得出的结论和结果与真实情况相差甚远。
具体的,如何进行精简处理的方式多种多样,例如,去异常、按预定规则进行整合以减少数量来突出轨迹特征、去重、中断补足、去停留等等,其目的在于通过该精简处理能够使得剩余的轨迹点更好的反应目标车辆的行车轨迹,以便后续进行匹配使用,得到更加准确的匹配轨迹点以及对应的乘车用户,在目的不改变的情况下,可以进行适应性的调整,此处并不做具体限定
S103:将各卡口记录的车牌号对应的精简行车轨迹点每隔第二时间间隔进行汇总,得到所有经过各卡口的车辆的时空覆盖范围;
在S102的基础上,本步骤旨在将各卡口记录的车牌号对应的精简行车轨迹点每隔第二时间间隔进行汇总,得到所有经过各卡口的车辆的时空覆盖范围。即通过统计每个经纬度卡口下出现过车辆的时间分片,并一时间段的格式进行存储来减少存储空间,以此来获得所有车辆经过卡口的时空覆盖范围,便于后续过滤匹配用户的运动轨迹点数据。
具体的,还可以采用邻域算法,邻域算法是在确定每个精简行车轨迹点后,以每个精简行车轨迹点所占实际面积为一个网格单元,以上下左右全方位包围起来构建的邻域单元,通常有4邻域算法、8邻域算法以及更高的24邻域算法。
以四邻域算法为例,以一个精简行车轨迹点为中心,其正上方、正下方、正左方以及正右方存在四个相同大小的网格将中心的精简行车轨迹点包围起来;8邻域算法则4邻域基础上,以精简行车轨迹点为中心,构建了一个标准的3×3网格,去除中心的精简行车轨迹点所占的一个网格,还需要8个网格,故称8邻域算法;与之类似,24邻域算法构建了一个5×5的网格。之所以不存在构建4×4网格的邻域算法,是因为要以精简行车轨迹点为中心将其包围,需要做到两边对称的数量。具体使用什么程度的邻域算法可以根据实际情况以及计算速度、精度、性能等影响因素综合考虑,此处并不做具体限定
S104:将运营商数据中所属同一用户的运动轨迹划分在同一用户下,得到各用户的运动轨迹;
本步骤与S101方式大体相同,区别在于S101是从卡口数据中将所属同一车辆的过车记录划分在同一车牌号下,本步骤则是从运营商基站数据中将记录的所属同一用户携带的智能移动终端的SIM卡号出现位置划分在同一用户下,前者得到行车轨迹,后者则得到运动轨迹。
S105:对各运动轨迹按第一时间间隔划分时间分片,得到各运动轨迹点集,并对各运动轨迹点集进行精简处理,得到精简运动轨迹点集;
本步骤与S102大体相同,区别在于一个是对行车轨迹进行时间划分,本步骤是对运动轨迹进行时间划分。具体的,本步骤采用的时间间隔、精简处理步骤可以与S102相同,也可以考虑到其它可能造成影响的因素,在S101进行时间分片划分以及精简处理的基础上进行调整,例如根据行车速度和人运动速度进行略微的调整、增加或去除一些处理步骤,应视实际情况做出相应的选择,但其目的还是得到能够更好的匹配结果,因为使用与相同的时间分片划分和精简处理方法能够得到最相似、匹配度更好的结果。
S106:获取处于时空覆盖范围下的运动轨迹点,并通过预设的相似度公式计算得到存在伴随关系的用户和车辆。
在S105的基础上,本步骤旨在获取在时空覆盖范围下的运动轨迹点,并通过预设的相似度公式计算得到存在伴随关系的用户和车辆。
其中,该相似度计算公式是针对上面的处理过程提出的一种具体计算方法,在上面某步骤适应性的做出改变时,公式也应做出相应的改变以保证计算精度,不应一成不变。
基于上述技术方案,本申请实施例提供的一种人车伴随的判定方法,其借助运营商提供的基站数据和公安部门提供的卡口数据,经过一系列处理算法,确定各车辆的行车轨迹和在卡口附近形成的时空覆盖范围、确定用户的运动轨迹,将两者进行匹配并结合预设的相似度公式计算得到存在伴随关系的用户和车辆。能够弥补传统方式存在的缺陷,准确度高,适用性强,还能够进行路线预测,为案件侦破提供了强有力的依据。
以下结合图2,图2为本申请实施例所提供的另一种人车伴随的判定方法的流程图。
本实施例是针对上一实施例中S102和S103如何进行精简处理以及如何计算得到时空覆盖范围所做出的一个具体限定,其它步骤与上一实施例大体相同,相同部分可参见上一实施例相关部分,在此不再赘述。
其具体包括以下步骤:
S201:对行车轨迹按时间顺序进行排序,得到时间排序结果;
本步骤首先对纷乱的行车轨迹点按照各卡口为各轨迹点附加的记录时间参数进行时间排序,以得到以时间先后为顺序对应的行车轨迹的时间排序结果。
S202:将时间排序结果按第一时间间隔划分时间分片,以使每个时间分片上对应唯一的行车轨迹点,得到行车轨迹点集;
在S201的基础上,本步骤旨在将时间排序结果按预设周期划分出时间分片,以使每个时间分片上对应唯一的目标轨迹点,即通过这一方式减少轨迹点的数量。具体将该预设周期设定在何值能够在不影响反映行车轨迹的基础上进行,还需要结合实际情况、实际环境、其它特殊要求来综合设定。
S203:对行车轨迹点集中的所有行车轨迹点按预设停留规则进行停留时段分析,得到停留轨迹点;
S204:从所有行车轨迹点中剔除停留轨迹点,得到去停留轨迹点集;
S203和S204目的在于判别目标车辆是否在多个时间分片上没有进行明显的移动,处于停留阶段,对于整体大范围的轨迹识别来说,可以按照预设的停留规则进行处理,保留一部分停留点,而去除其它重复且无意义的点,使得轨迹点数更加精简,每个轨迹点更具有分析价值,减少工作量。
S205:对去停留轨迹点集进行经纬度网格规整处理,得到精简行车轨迹点集;其中,每个精简行车轨迹点均覆盖预设面积的区域;
在S204的基础上,本步骤对去停留轨迹点进行经纬度网格规整处理,得到第一精简运动轨迹点;其中,进行经纬度网格规整处理的目的为使每个第一精简行车轨迹点均覆盖预设面积的区域,以为后续步骤计算实例范围打好基础。
S206:统计各卡口保存的过车记录中车牌号对应车辆的精简行车轨迹点;
S207:每隔第二时间间隔保存间隔内出现的车牌号及对应车辆的精简行车轨迹点,得到所有经过各卡口的车辆的时空覆盖范围。
以下结合图3,图3为本申请实施例所提供的又一种人车伴随的判定方法的流程图。
本实施例是针对上一实施例中S106中如何判定是否存在伴随关系所做出的一个具体限定,其它步骤与上一实施例大体相同,相同部分可参见上一实施例相关部分,在此不再赘述。
其具体包括以下步骤:
S301:获得处于时空覆盖范围下的运动轨迹点所属的用户;
S302:获取与时空覆盖范围下的运动轨迹点对应的车牌号,以建立用户与车牌号间的对应关系;
S301和S302先后通过找到时空覆盖范围下的运动轨迹点所属的用户、找到对应的车牌号,以建立用户与车牌号间的对应关系。当然,如何判定两者是否真的存在对应关系,还需要进行一系列的判断,例如,所属用户的号码是否过少,不足以建立对应关系等,可以结合实际情况进行判断。
S303:根据对应关系分别查得对应用户的运动轨迹和车牌号对应的车辆行驶轨迹,并利用相似度公式计算两者之间的相似度值;
本实施例提供的一种相似度计算公式如下:
其中,公式中提及的精度差值和维度差值分别为同一时间分片下经过精简处理得到经度差值和维度差值,经纬度差值是根据经纬度数据在相同的时间分片内进行经纬度差值计算得到的。
S304:判断相似度值是否超过阈值;
该阈值为一个界限值,用于衡量是否存在伴随关系,具体的该阈值可以是经验老道的办案民警通过多年办案总结出的一个数值,还可以经过具体理论分析整理得到的,此处并不进行具体限定。进一步的,还可以设置多个阶段的阈值来进一步衡量相似度与伴随关系之间的判定。
S305:判定存在对应关系的用户和车辆不存在伴随关系;
本步骤建立在S304的判断结果为计算得到的相似度值不超过阈值的基础上,即可以判定存在对应关系的用户和车辆不存在伴随关系。
S306:判定存在对应关系的用户和车辆存在伴随关系。
本步骤建立在S304的判断结果为计算得到的相似度值超过了阈值的基础上,即可以判定存在对应关系的用户和车辆存在伴随关系。
以下结合图4,图4为本申请实施例所提供的人车伴随的判定方法中一种使每个时间分片上对应唯一的目标轨迹点的流程图。
本实施例是针对上一实施例中S202中如何使每个时间分片上对应唯一的行车轨迹点所做出的一个具体限定,其它步骤与上一实施例大体相同,相同部分可参见上一实施例相关部分,在此不再赘述。
其具体包括以下步骤:
S401:将时间排序结果按第一时间间隔执行时间分片划分操作,得到待处理时间分片;
S402:判断待处理时间分片上行车轨迹点的个数是否超过一个;
S403:对待处理时间分片上的所有行车轨迹点进行均值处理,以使每个时间分片对应唯一的行车轨迹点;
本步骤建立在S502的判断结果为待处理时间分片上行车轨迹点的个数超过一个的基础上,即对待处理时间分片上的所有行车轨迹点进行均值处理,以使每个时间分片上对应唯一的行车轨迹点。
S404:不执行任何操作。
本步骤建立在S504的判断结果为待处理时间分片上行车轨迹点的个数为一个的基础上,即无需进行任何操作。
本实施例是一种对于每个时间分片上存在超过一个行车轨迹点的情况提出的一种解决方法,即采用均值计算方式,将处于该时间分片上的所有行车轨迹点的坐标进行均值处理,得到有代表性且唯一的行车轨迹点,以使每个时间分片均对应唯一的行车轨迹点。
以下结合图5,图5为本申请实施例所提供的还一种人车伴随的判定方法的流程图。
本实施例是基于上述实施例对可能出现的一种现象所做出的一个补充说明,其它步骤与上一实施例大体相同,相同部分可参见上一实施例相关部分,在此不再赘述。
其具体包括以下步骤:
S501:判断每两个相邻时间分片对应的行车轨迹点间的物理位置距离是否超过预设距离范围;
S502:不进行任何操作;
本步骤建立在S501的判断结果为不超过预设距离范围的基础上,则无需进行任何处理。
S503:通过物理位置距离以及两个行车轨迹点间的时间差进行匀速计算,得到匀速运动数值;
S504:利用匀速运动数值在两个行车轨迹点间补充预设数量的运动补充轨迹点。
本步骤建立在S601的判断结果为超过预设距离范围的基础上,旨在利用匀速算法进行补足。
本实施例是针对两相邻时间分片上的行车轨迹点或运动轨迹点相距较大的物理距离的情况提出的一种解决方案,通过计算相距的实际物理距离和两个轨迹点的时间差以匀速进行计算,来补足相差的轨迹点,以使整体的轨迹点更清晰、明白的反应出目标的运动轨迹或行车轨迹。
基于上述技术方案,本申请实施例提供的一种人车伴随的判定方法,其借助运营商提供的基站数据和公安部门提供的卡口数据,经过一系列处理算法,确定各车辆的行车轨迹和在卡口附近形成的时空覆盖范围、确定用户的运动轨迹,将两者进行匹配并结合预设的相似度公式计算得到存在伴随关系的用户和车辆。能够弥补传统方式存在的缺陷,准确度高,适用性强,还能够进行路线预测,为案件侦破提供了强有力的依据。
因为情况复杂,无法一一列举进行阐述,本领域技术人员应能意识到更具本申请提供的基本方法原理结合实际情况可以存在很多的例子,在不付出足够的创造性劳动下,应均在本申请的保护范围内。
下面请参见图6,图6为本申请实施例所提供的一种人车伴随的判定系统的结构框图。
该判定系统可以包括:
行车轨迹汇总单元100,用于将卡口数据中所属同一车牌号的过车记录划分在同一车牌号下,得到各车牌号对应车辆的行车轨迹;
第一精简处理单元200,用于对各行车轨迹按第一时间间隔划分时间分片,得到各行车轨迹点集,并对各行车轨迹点集进行精简处理,得到精简行车轨迹点集;
覆盖范围获取单元300,用于将各卡口记录的车牌号对应的精简行车轨迹点每隔第二时间间隔进行汇总,得到所有经过各卡口的车辆的时空覆盖范围;
运动轨迹汇总单元400,用于将运营商数据中所属同一用户的运动轨迹划分在同一用户下,得到各用户的运动轨迹;
第二精简处理单元500,用于对各运动轨迹按第一时间间隔划分时间分片,得到各运动轨迹点集,并对各运动轨迹点集进行精简处理,得到精简运动轨迹点集;
匹配及相似度计算单元600,用于获取处于时空覆盖范围下的运动轨迹点,并通过预设的相似度公式计算得到存在伴随关系的用户和车辆。
以上各模块可以应用于以下的一个具体的实际例子中:
数据采集阶段:获取卡口数据和移动运营商的数据。
卡口数据预处理阶段:
第一步:通过卡口设备编号关联出卡口经纬度,过滤异常经纬度和车牌;
第二步:把过车记录以车牌号进行汇集,从而获得各车辆的行车轨迹,去除在短时间内连续出现同一地点的记录,对车辆轨迹点的时间进行时间片划分,40秒一个分片,去除冗余时间分片;
第三步:对卡口经纬度进行扩大取整,以使每个单位表示600米的距离,把实际的卡口位置归集于网格交叉点上;
第四步:以规整后的经纬度进行汇集,统计出每个经纬度下出现过车辆的时间分片,以时间段的格式存储以减少存储空间,这样可以获得所有有车辆经过卡口的时空覆盖范围,用于过滤手机的轨迹点数据;
第五步:根据时间分片,规整后的经纬度三维统计其出现的车辆;
运营商数据预处理阶段:
第一步:过滤掉经纬度异常,手机号异常的数据;
第二步:根据号码进行轨迹点的归集,划分时间分片,以时间分片排序一个号码的轨迹点,去除冗余时间分片;
第三步:计算停留时段,构造缓存存储轨迹点集经纬度的最值,依次把点入缓存,如果新增一个点使经度或纬度差超出限制(对应实际距离1000米)则新增点失败,继而判断缓存内点集的时间差大于阈值(半小时)则该段时间为停留时段;
第四步:补全轨迹点,考虑两点之间为匀速运动,每个点前后各补足60个时间分片;
第五步:去停留时段,判断点的时间分片在停留时段内就去掉改点;
第六步:对经纬度进行扩大取整,以使每个单位表示600米的距离;
第七步:根据卡口时空覆盖范围过滤,查询手机轨迹的每个规整经纬度后的时空点是否被卡口时空覆盖范围覆盖,没有则剔除该点;
第八步:去除轨迹点过少的号码;
第九步:对一个号码的轨迹,查询每个时空点下出现的车辆信息,获得所有点的车辆信息后,取车辆信息出现次数较多者,形成号码与车牌的对应关系。
相似度计算阶段:
第一步:根据车牌查询出车辆轨迹,根据求得的号码与车牌的关系,找出每个关系号码与车辆轨迹时间分片相同的轨迹点形成号码轨迹,对两轨迹序列计算。
第二步:计算公式:
其中,公式中提及的精度差值和维度差值分别为同一时间分片下经过精简处理得到经度差值和维度差值,经纬度差值是根据经纬度数据在相同的时间分片内进行经纬度差值计算得到的。
第三步:将计算结果保存到存储设备中,供后续的查询统计和分析。
基于上述实施例,本申请还提供了一种人车伴随的判定装置,可以包括存储器和处理器,其中,该存储器中存有计算机程序,该处理器调用该存储器中的计算机程序时,可以实现上述实施例所提供的步骤。当然该判定装置还可以包括各种必要的网络接口、电源以及其它零部件等。
本申请还提供了一种计算机可读存储介质,其上存有计算机程序,该计算机程序被执行终端或处理器执行时可以实现上述实施例所提供的步骤。该存储介质可以包括:U盘、移动硬盘、只读存储器(Read-Only Memory,ROM)、随机存取存储器(RandomAccessMemory,RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
专业人员还可以进一步意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、计算机软件或者二者的结合来实现,为了清楚地说明硬件和软件的可互换性,在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本申请的范围。
本文中应用了具体个例对本申请的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本申请的方法及其核心思想。应当指出,对于本技术领域的普通技术人员来说,在不脱离本申请原理的前提下,还可以对本申请进行若干改进和修饰,这些改进和修饰也落入本申请权利要求的保护范围内。
还需要说明的是,在本说明书中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其它变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其它要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括要素的过程、方法、物品或者设备中还存在另外的相同要素。
Claims (10)
1.一种人车伴随的判定方法,其特征在于,包括:
将卡口数据中所属同一车牌号的过车记录划分在同一所述车牌号下,得到各所述车牌号对应车辆的行车轨迹;
对各所述行车轨迹按第一时间间隔划分时间分片,得到各行车轨迹点集,并对各所述行车轨迹点集进行精简处理,得到精简行车轨迹点集;
将各卡口记录的车牌号对应的精简行车轨迹点每隔第二时间间隔进行汇总,得到所有经过各所述卡口的车辆的时空覆盖范围;
将运营商数据中所属同一用户的运动轨迹划分在同一所述用户下,得到各所述用户的运动轨迹;
对各所述运动轨迹按所述第一时间间隔划分时间分片,得到各运动轨迹点集,并对各所述运动轨迹点集进行所述精简处理,得到精简运动轨迹点集;
获取处于所述时空覆盖范围下的运动轨迹点,并通过预设的相似度公式计算得到存在伴随关系的用户和车辆。
2.根据权利要求1所述的判定方法,其特征在于,对各所述行车轨迹按第一时间间隔划分时间分片,得到各行车轨迹点集,并对各所述行车轨迹点集进行精简处理,得到精简行车轨迹点集,包括:
对所述行车轨迹按时间顺序进行排序,得到时间排序结果;
将所述时间排序结果按所述第一时间间隔划分时间分片,以使每个所述时间分片上对应唯一的行车轨迹点,得到所述行车轨迹点集;
对所述行车轨迹点集中的所有行车轨迹点按预设停留规则进行停留时段分析,得到停留轨迹点;
从所有所述行车轨迹点中剔除所述停留轨迹点,得到去停留轨迹点集;
对所述去停留轨迹点集进行经纬度网格规整处理,得到精简行车轨迹点集;其中,每个所述精简行车轨迹点均覆盖预设面积的区域。
3.根据权利要求2所述的判定方法,其特征在于,将各卡口记录的车牌号对应的精简行车轨迹点每隔第二时间间隔进行汇总,得到所有经过各所述卡口的车辆的时空覆盖范围,包括:
统计各所述卡口保存的过车记录中车牌号对应车辆的精简行车轨迹点;
每隔所述第二时间间隔保存间隔内出现的车牌号及对应车辆的精简行车轨迹点,得到所有经过各所述卡口的车辆的时空覆盖范围。
4.根据权利要求1至3任一项所述的判定方法,其特征在于,获取处于所述时空覆盖范围下的运动轨迹点,并通过预设的相似度公式计算得到存在伴随关系的用户和车辆,包括:
获得处于所述时空覆盖范围下的运动轨迹点所属的用户;
获取与所述时空覆盖范围下的运动轨迹点对应的车牌号,以建立用户与车牌号间的对应关系;
根据所述对应关系分别查得对应用户的运动轨迹和车牌号对应的车辆行驶轨迹,并利用所述相似度公式计算两者之间的相似度值;
判断所述相似度值是否超过阈值,若是,则判定存在所述对应关系的用户和车辆存在所述伴随关系。
5.根据权利要求4所述的判定方法,其特征在于,将所述时间排序结果按所述第一时间间隔划分时间分片,以使每个所述时间分片上对应唯一的行车轨迹点,包括:
将所述时间排序结果按所述第一时间间隔执行时间分片划分操作,得到待处理时间分片;
判断所述待处理时间分片上行车轨迹点的个数是否超过一个;
若是,则对所述待处理时间分片上的所有行车轨迹点进行均值处理,以使每个所述时间分片对应唯一的行车轨迹点。
6.根据权利要求5所述的判定方法,其特征在于,还包括:
判断每两个相邻时间分片上的行车轨迹点间的物理位置距离是否超过预设距离范围;
若是,则通过所述物理位置距离以及两个所述行车轨迹点间的时间差进行匀速计算,得到匀速运动数值;
利用所述匀速运动数值在两个所述行车轨迹点间补充预设数量的运动补充轨迹点。
7.根据权利要求6所述的判定方法,其特征在于,还包括:
对所有得到的轨迹点进行异常剔除处理,以剔除因基站或卡口设备异常运行产生的异常轨迹点。
8.一种人车伴随的判定系统,其特征在于,包括:
行车轨迹汇总单元,用于将卡口数据中所属同一车牌号的过车记录划分在同一所述车牌号下,得到各所述车牌号对应车辆的行车轨迹;
第一精简处理单元,用于对各所述行车轨迹按第一时间间隔划分时间分片,得到各行车轨迹点集,并对各所述行车轨迹点集进行精简处理,得到精简行车轨迹点集;
覆盖范围获取单元,用于将各卡口记录的车牌号对应的精简行车轨迹点每隔第二时间间隔进行汇总,得到所有经过各所述卡口的车辆的时空覆盖范围;
运动轨迹汇总单元,用于将运营商数据中所属同一用户的运动轨迹划分在同一所述用户下,得到各所述用户的运动轨迹;
第二精简处理单元,用于对各所述运动轨迹按所述第一时间间隔划分时间分片,得到各运动轨迹点集,并对各所述运动轨迹点集进行所述精简处理,得到精简运动轨迹点集;
匹配及相似度计算单元,用于获取处于所述时空覆盖范围下的运动轨迹点,并通过预设的相似度公式计算得到存在伴随关系的用户和车辆。
9.一种人车伴随的判定装置,其特征在于,包括:
存储器,用于存储计算机程序;
处理器,用于执行所述计算机程序时实现如权利要求1至7任一项所述的人车伴随的判定方法的步骤。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质上存储有计算机程序,所述计算机程序被处理器执行时实现如权利要求1至7任一项所述的人车伴随的判定方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711364089.XA CN107967493A (zh) | 2017-12-18 | 2017-12-18 | 一种人车伴随的判定方法、系统及相关装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711364089.XA CN107967493A (zh) | 2017-12-18 | 2017-12-18 | 一种人车伴随的判定方法、系统及相关装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107967493A true CN107967493A (zh) | 2018-04-27 |
Family
ID=61994266
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711364089.XA Pending CN107967493A (zh) | 2017-12-18 | 2017-12-18 | 一种人车伴随的判定方法、系统及相关装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107967493A (zh) |
Cited By (25)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108846316A (zh) * | 2018-05-11 | 2018-11-20 | 北京尚易德科技有限公司 | 一种基于卡口车辆数据的目标人员管控方法及装置 |
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 |
CN109635857A (zh) * | 2018-11-29 | 2019-04-16 | 东软集团股份有限公司 | 人车轨迹监测分析方法、装置、设备及存储介质 |
CN109977108A (zh) * | 2019-04-03 | 2019-07-05 | 深圳市甲易科技有限公司 | 一种基于行为轨迹库的多种轨迹碰撞分析方法 |
CN110334171A (zh) * | 2019-07-05 | 2019-10-15 | 南京邮电大学 | 一种基于Geohash的时空伴随对象挖掘方法 |
CN110443285A (zh) * | 2019-07-16 | 2019-11-12 | 浙江大华技术股份有限公司 | 相似轨迹的确定方法、装置及计算机存储介质 |
CN110517500A (zh) * | 2018-05-21 | 2019-11-29 | 上海大唐移动通信设备有限公司 | 一种人车关联处理方法及装置 |
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 |
CN110708673A (zh) * | 2019-10-16 | 2020-01-17 | 杭州云深科技有限公司 | 一种位置确定方法和便捷式多功能设备 |
CN110888884A (zh) * | 2019-11-26 | 2020-03-17 | 杭州三汇数字信息技术有限公司 | 基于geohash匹配的车码拟合方法及系统 |
CN110909799A (zh) * | 2019-11-26 | 2020-03-24 | 杭州三汇数字信息技术有限公司 | 一种乘车信息映射关系获取方法 |
CN111008323A (zh) * | 2019-11-29 | 2020-04-14 | 北京明略软件系统有限公司 | 一种身份标识的伴随关系确定方法及装置 |
CN111078973A (zh) * | 2019-12-16 | 2020-04-28 | 浙江省北大信息技术高等研究院 | 基于大数据的套牌车识别方法、设备及存储介质 |
CN111125279A (zh) * | 2019-11-25 | 2020-05-08 | 深圳市甲易科技有限公司 | 一种应用于轨迹伴随可能性分析的伴随系数计算方法 |
CN111325969A (zh) * | 2018-12-14 | 2020-06-23 | 中国电子科技集团公司电子科学研究院 | 基于大数据分析技术的车辆安全监管系统 |
CN111436017A (zh) * | 2018-12-25 | 2020-07-21 | 北京融信数联科技有限公司 | 一种基于聚类算法的移动用户一人多卡识别方法 |
CN111586586A (zh) * | 2020-05-14 | 2020-08-25 | 深圳力维智联技术有限公司 | 一种追踪方法和系统 |
CN111881379A (zh) * | 2020-09-27 | 2020-11-03 | 武汉中科通达高新技术股份有限公司 | 交管数据处理方法及装置 |
CN112860821A (zh) * | 2019-11-27 | 2021-05-28 | 深圳云天励飞技术有限公司 | 人车轨迹分析方法及相关产品 |
CN113837028A (zh) * | 2021-09-03 | 2021-12-24 | 广州大学 | 一种基于时空知识图谱的道路流量分析方法和装置 |
CN113934800A (zh) * | 2021-10-12 | 2022-01-14 | 广州汇智通信技术有限公司 | 一种临时号车伴随关系识别方法、装置、终端及介质 |
CN114092868A (zh) * | 2021-09-24 | 2022-02-25 | 山东高速建设管理集团有限公司 | 一种人车溯源监控管理系统及方法 |
CN115017247A (zh) * | 2022-06-02 | 2022-09-06 | 河南信安通信技术股份有限公司 | 移动对象伴随关系分析用动态时间片划分方法及系统 |
CN117177185A (zh) * | 2023-11-02 | 2023-12-05 | 中国信息通信研究院 | 一种基于手机通信数据的号码伴随辅助识别方法 |
CN117542004A (zh) * | 2024-01-10 | 2024-02-09 | 杰创智能科技股份有限公司 | 近海人船拟合方法、装置、设备及存储介质 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102128626A (zh) * | 2010-01-13 | 2011-07-20 | 华为技术有限公司 | 轨迹显示方法、系统和地图服务器 |
US20140328512A1 (en) * | 2013-05-05 | 2014-11-06 | Nice Systems Ltd. | System and method for suspect search |
CN105702030A (zh) * | 2016-03-01 | 2016-06-22 | 西安交通大学 | 基于车辆运行轨迹的城市安全监控摄像头部署方法 |
CN105825242A (zh) * | 2016-05-06 | 2016-08-03 | 南京大学 | 基于混合网格分层聚类的集群通信终端轨迹实时异常检测方法与系统 |
CN106303962A (zh) * | 2016-08-17 | 2017-01-04 | 公安部道路交通安全研究中心 | 一种实现人‑车信息关联的方法和系统 |
CN106846801A (zh) * | 2017-02-06 | 2017-06-13 | 安徽新华博信息技术股份有限公司 | 一种基于车辆轨迹的区域徘徊异常行为检测方法 |
CN106970945A (zh) * | 2017-02-24 | 2017-07-21 | 河海大学 | 一种出租车数据集的轨迹预处理方法 |
-
2017
- 2017-12-18 CN CN201711364089.XA patent/CN107967493A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102128626A (zh) * | 2010-01-13 | 2011-07-20 | 华为技术有限公司 | 轨迹显示方法、系统和地图服务器 |
US20140328512A1 (en) * | 2013-05-05 | 2014-11-06 | Nice Systems Ltd. | System and method for suspect search |
CN105702030A (zh) * | 2016-03-01 | 2016-06-22 | 西安交通大学 | 基于车辆运行轨迹的城市安全监控摄像头部署方法 |
CN105825242A (zh) * | 2016-05-06 | 2016-08-03 | 南京大学 | 基于混合网格分层聚类的集群通信终端轨迹实时异常检测方法与系统 |
CN106303962A (zh) * | 2016-08-17 | 2017-01-04 | 公安部道路交通安全研究中心 | 一种实现人‑车信息关联的方法和系统 |
CN106846801A (zh) * | 2017-02-06 | 2017-06-13 | 安徽新华博信息技术股份有限公司 | 一种基于车辆轨迹的区域徘徊异常行为检测方法 |
CN106970945A (zh) * | 2017-02-24 | 2017-07-21 | 河海大学 | 一种出租车数据集的轨迹预处理方法 |
Non-Patent Citations (5)
Title |
---|
ZHONGMEI ZHANG ET AL.: "Data Service for Carpooling Based on Large-Scale Traffic Data Analysis", 《2015 IEEE INTERNATIONAL CONFERENCE ON SERVICE COMPUTING》 * |
周彬涵等: "基于感知数据的交通仿真研究", 《中国优秀硕士学位论文全文数据库 工程科技II辑》 * |
樊志英: "一种卡口车辆轨迹相似度算法的研究与实现", 《现代电子技术》 * |
钱琨: "基于蜂窝信令数据的移动轨迹星期和预测方法研究与实现", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
陈典全: "LBS中基于轨迹的用户行为特征分析", 《全球定位系统》 * |
Cited By (35)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108846316A (zh) * | 2018-05-11 | 2018-11-20 | 北京尚易德科技有限公司 | 一种基于卡口车辆数据的目标人员管控方法及装置 |
CN110517500A (zh) * | 2018-05-21 | 2019-11-29 | 上海大唐移动通信设备有限公司 | 一种人车关联处理方法及装置 |
CN110517500B (zh) * | 2018-05-21 | 2021-04-13 | 上海大唐移动通信设备有限公司 | 一种人车关联处理方法及装置 |
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 |
CN109635857A (zh) * | 2018-11-29 | 2019-04-16 | 东软集团股份有限公司 | 人车轨迹监测分析方法、装置、设备及存储介质 |
CN111325969A (zh) * | 2018-12-14 | 2020-06-23 | 中国电子科技集团公司电子科学研究院 | 基于大数据分析技术的车辆安全监管系统 |
CN111436017B (zh) * | 2018-12-25 | 2023-11-10 | 北京融信数联科技有限公司 | 一种基于聚类算法的手机用户一人多卡识别方法 |
CN111436017A (zh) * | 2018-12-25 | 2020-07-21 | 北京融信数联科技有限公司 | 一种基于聚类算法的移动用户一人多卡识别方法 |
CN109977108A (zh) * | 2019-04-03 | 2019-07-05 | 深圳市甲易科技有限公司 | 一种基于行为轨迹库的多种轨迹碰撞分析方法 |
CN109977108B (zh) * | 2019-04-03 | 2021-04-27 | 深圳市甲易科技有限公司 | 一种基于行为轨迹库的多种轨迹碰撞分析方法 |
CN110334171A (zh) * | 2019-07-05 | 2019-10-15 | 南京邮电大学 | 一种基于Geohash的时空伴随对象挖掘方法 |
CN110443285A (zh) * | 2019-07-16 | 2019-11-12 | 浙江大华技术股份有限公司 | 相似轨迹的确定方法、装置及计算机存储介质 |
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 |
CN110708673A (zh) * | 2019-10-16 | 2020-01-17 | 杭州云深科技有限公司 | 一种位置确定方法和便捷式多功能设备 |
CN111125279A (zh) * | 2019-11-25 | 2020-05-08 | 深圳市甲易科技有限公司 | 一种应用于轨迹伴随可能性分析的伴随系数计算方法 |
CN111125279B (zh) * | 2019-11-25 | 2024-03-12 | 深圳市甲易科技有限公司 | 一种应用于轨迹伴随可能性分析的伴随系数计算方法 |
CN110909799A (zh) * | 2019-11-26 | 2020-03-24 | 杭州三汇数字信息技术有限公司 | 一种乘车信息映射关系获取方法 |
CN110888884A (zh) * | 2019-11-26 | 2020-03-17 | 杭州三汇数字信息技术有限公司 | 基于geohash匹配的车码拟合方法及系统 |
CN110888884B (zh) * | 2019-11-26 | 2022-08-23 | 杭州三汇数字信息技术有限公司 | 基于geohash匹配的车码拟合方法及系统 |
CN112860821A (zh) * | 2019-11-27 | 2021-05-28 | 深圳云天励飞技术有限公司 | 人车轨迹分析方法及相关产品 |
CN111008323A (zh) * | 2019-11-29 | 2020-04-14 | 北京明略软件系统有限公司 | 一种身份标识的伴随关系确定方法及装置 |
CN111078973A (zh) * | 2019-12-16 | 2020-04-28 | 浙江省北大信息技术高等研究院 | 基于大数据的套牌车识别方法、设备及存储介质 |
CN111078973B (zh) * | 2019-12-16 | 2023-10-20 | 浙江省北大信息技术高等研究院 | 基于大数据的套牌车识别方法、设备及存储介质 |
CN111586586A (zh) * | 2020-05-14 | 2020-08-25 | 深圳力维智联技术有限公司 | 一种追踪方法和系统 |
WO2022062289A1 (zh) * | 2020-09-27 | 2022-03-31 | 武汉中科通达高新技术股份有限公司 | 交管数据处理方法及装置 |
CN111881379A (zh) * | 2020-09-27 | 2020-11-03 | 武汉中科通达高新技术股份有限公司 | 交管数据处理方法及装置 |
CN113837028A (zh) * | 2021-09-03 | 2021-12-24 | 广州大学 | 一种基于时空知识图谱的道路流量分析方法和装置 |
CN113837028B (zh) * | 2021-09-03 | 2024-05-14 | 广州大学 | 一种基于时空知识图谱的道路流量分析方法和装置 |
CN114092868A (zh) * | 2021-09-24 | 2022-02-25 | 山东高速建设管理集团有限公司 | 一种人车溯源监控管理系统及方法 |
CN113934800A (zh) * | 2021-10-12 | 2022-01-14 | 广州汇智通信技术有限公司 | 一种临时号车伴随关系识别方法、装置、终端及介质 |
CN115017247A (zh) * | 2022-06-02 | 2022-09-06 | 河南信安通信技术股份有限公司 | 移动对象伴随关系分析用动态时间片划分方法及系统 |
CN117177185A (zh) * | 2023-11-02 | 2023-12-05 | 中国信息通信研究院 | 一种基于手机通信数据的号码伴随辅助识别方法 |
CN117177185B (zh) * | 2023-11-02 | 2024-03-26 | 中国信息通信研究院 | 一种基于手机通信数据的号码伴随辅助识别方法 |
CN117542004A (zh) * | 2024-01-10 | 2024-02-09 | 杰创智能科技股份有限公司 | 近海人船拟合方法、装置、设备及存储介质 |
CN117542004B (zh) * | 2024-01-10 | 2024-04-30 | 杰创智能科技股份有限公司 | 近海人船拟合方法、装置、设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107967493A (zh) | 一种人车伴随的判定方法、系统及相关装置 | |
CN103942811B (zh) | 分布式并行确定特征目标运动轨迹的方法与系统 | |
CN106920233B (zh) | 基于图像处理的划痕检测方法、装置及电子设备 | |
CN107529651A (zh) | 一种基于深度学习的城市交通客流预测方法和设备 | |
CN109000645A (zh) | 复杂环境目标经典航迹提取方法 | |
CN107665289B (zh) | 一种运营商数据的处理方法及系统 | |
CN109242024B (zh) | 一种基于卡口数据的车辆行为相似度计算方法 | |
CN109214345B (zh) | 基于相似度比对查找换牌车辆的行驶轨迹的方法 | |
KR20170100535A (ko) | 거래 위험 검출 방법 및 장치 | |
CN109118119A (zh) | 风控模型生成方法及装置 | |
CN105225523B (zh) | 一种车位状态检测方法及装置 | |
US10621873B1 (en) | Systems and methods for generating geofences | |
CN112860952B (zh) | 巡检机器人定位检修部件的方法及系统 | |
CN111369801B (zh) | 车辆识别方法、装置、设备和存储介质 | |
CN108053653A (zh) | 基于lstm的车辆行为预测方法和装置 | |
CN106650446A (zh) | 基于系统调用的恶意程序行为识别方法和系统 | |
CN114936332A (zh) | 一种风电场水域船舶交通流分析的方法、装置和存储介质 | |
CN113792782A (zh) | 运营车辆的轨迹监测方法、装置、存储介质及计算机设备 | |
CN110598999A (zh) | 基于个体数据的交通出行分析方法、系统及存储介质 | |
CN112733112A (zh) | 一种用户出行方式的确定方法、装置、电子设备和存储介质 | |
CN110120160B (zh) | 一种泊位编号确定方法、处理器及停车收费系统 | |
CN108538054A (zh) | 一种基于手机信令数据获取交通路况信息的方法及系统 | |
CN113470369B (zh) | 一种基于多维度信息判断套牌车辆真实号牌的方法及系统 | |
CN111899505B (zh) | 交通限制解除的检测方法和装置 | |
CN114782211B (zh) | 一种海山分布范围信息的获取方法及系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180427 |
|
RJ01 | Rejection of invention patent application after publication |