CN108717790B - 一种基于卡口车牌识别数据的车辆出行分析方法 - Google Patents
一种基于卡口车牌识别数据的车辆出行分析方法 Download PDFInfo
- Publication number
- CN108717790B CN108717790B CN201810735730.4A CN201810735730A CN108717790B CN 108717790 B CN108717790 B CN 108717790B CN 201810735730 A CN201810735730 A CN 201810735730A CN 108717790 B CN108717790 B CN 108717790B
- Authority
- CN
- China
- Prior art keywords
- vehicle
- travel
- trip
- data
- license plate
- 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.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/017—Detecting movement of traffic to be counted or controlled identifying vehicles
- G08G1/0175—Detecting movement of traffic to be counted or controlled identifying vehicles by photographing vehicles, e.g. when violating traffic rules
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
- G06V30/10—Character recognition
- G06V30/14—Image acquisition
- G06V30/148—Segmentation of character regions
- G06V30/153—Segmentation of character regions using recognition of characters or words
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/60—Type of objects
- G06V20/62—Text, e.g. of license plates, overlay texts or captions on TV images
- G06V20/625—License plates
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Multimedia (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开一种基于卡口车牌识别数据的车辆出行分析方法。基于预处理后的卡口车牌数据辨识个体出行;首先将卡口车牌识别数据基于车牌号分组,并以时间排序,生成卡口感知序列;再根据前后卡口感知对的行程时间阈值识别单次出行,将车辆的卡口感知序列分割成若干个出行子序列;基于车辆的出行子序列信息,结合卡口感知序列,提取车辆的个体出行信息;基于车辆个体出行信息,从个体车辆对象的角度能分析车辆的出行规律和通勤特征,包括车辆职住地识别;从集计统计的层面能获取各个卡口感知对之间的OD矩阵以及重要路段的交通流量;还能结合车牌属性对车辆进行群体划分,对不同车辆群体的出行特征进行统计分析,包括外地车特征聚类分类。
Description
技术领域
本发明涉及城市道路交通领域,更具体地,涉及一种基于卡口车牌识别数据的车辆出行分析方法。
背景技术
车辆出行是城市道路交通的基本组成单元,车辆的出行行为中隐含着丰富的交通出行与状态信息,包含完整的出行路径、出行时间、行驶路段、出行者路径选择行为等信息。因此,车辆出行信息可看作是对路网交通运行的动态存储,通过对路网中全部车辆的出行信息进行深入分析,能获取丰富的交通运行状况信息。近年来,随着城市交通管理系统的智能化水平不断提高,各类视频监控、电子拍照设备得到广泛布设应用,通过车牌自动识别技术可以从中提取海量的车牌数据,为车辆出行分析提供了丰富的数据来源。
利用车牌识别信息对路网运行的所有车辆的个体出行进行辨识,提取所有车辆出行的路径和行程信息,分析路网中交通运行状态,提取个体、群体、集计、网络等多层面的车辆出行时空特征,掌握交通分布规律,为城市交通管理提供辅助决策信息,是本发明研究的重点和目的所在。
关于车辆出行分析,现在的国内外研究和技术现状主要如下:
第一,数据采集来源方面,如论文“Chu,K.,Chapleau,R.,2010.Augmentingtransit trip characterization and travel behavior comprehension[J].Transport.Res.Rec.2183,29–40.”、“Eiji Hato.Development of behavioral contextaddressable loggers in the shell for travel-activity analysis[J].Transportation Research Part C:Emerging Technologies,2010,18(1):55-67.”和“杨东援,段征宇.大数据环境下城市交通分析技术[M].上海:同济大学出版社,2015:51.”公开的技术。可知传统的交通调查如起讫点(OD)调查、居民出行调查、车辆出行调查、交通量调查等,需要投入大量的人力物力,并且样本覆盖范围较低,数据处理较为低效,以上传统调查方式的局限性已难以满足当今复杂交通系统分析的信息需求。随着交通信息采集的方式和智能化程度在不断提升,全球定位系统(GPS)、无线通信、车牌自动识别、手机定位等技术都可用于追踪、识别车辆在路网中的完整出行信息。这种以数据驱动的形式获取交通实体出行信息的调查分析理念,相比传统调查方法,近年来也越来越受到交通研究者和管理者的重视。
第二,GPS数据及手机数据方面,如论文“赵慧,于雷,郭继孚,赵娜乐,温慧敏,朱琳.基于浮动车和RTMS数据的动态OD估计模型[J].交通运输系统工程与信息,2010,10(1):72-80.”、“唐炉亮,郑文斌,王志强,等.城市出租车上下客的GPS轨迹时空分布探测方法[J].地球信息科学学报,2015,17(10):1179-1186”、“唐小勇,周涛,陆百川.一种基于手机信令的通勤OD训练方法[J].交通运输系统工程与信息,2016,16(5):64-70.”和“吴亦政.基于手机定位信息和出行调查的动态OD获取方法:[D].北京交通大学,2014”公开的技术。可知当前国内外学者利用GPS数据分析车辆出行的研究主要思路是:利用GPS定位数据生成交通出行小群体车辆(出租车)的出行轨迹,结合车辆即时运行状态感知道路交通运行状态,并进行路径选择行为分析、出行特征分析。通过GPS数据能够采集到较为精细、完整的车辆出行轨迹信息,但是GPS数据覆盖的车辆群体在整个路网中渗透率较低,对于路网交通出行分析的样本量较低,结果的准确性有待论证。近年来,国内外学者和研究人员开展对于手机定位数据进行交通调查的研究越来越多,但目前的主要研究侧重于路段车速采集、交通参数估计、交通状态识别等,对于出行信息获取方面多用于居民出行调查,车辆出行分析方面研究较少。手机定位数据具有成本低、数据采样率高、采集信息完整等优点,但是对于出行方式如何判定,以及乘客数量和车辆长度等因素的影响会对采集车辆出行信息产生较大影响,其实际应用前景有待进一步的研究。
第三,车牌识别数据方面,如论文“郭旦怀,崔伟宏.面向实时交通信息提取的车辆轨迹数据挖掘[J].武汉大学学报,2010,34(1):6-9.”、“王龙飞.给予车牌照的车辆出行轨迹分析方法与实践研究[D].长安:长安大学博士论文,2011.”和“孙剑,冯羽.自动识别环境下车辆的出行矩阵估计新方法[J].同济大学学报(自然科学版),2011,39(12):1801-1804.”的技术内容。可知车牌自动识别技术实质上是一种定点交通感知技术,但通过多个检测器组合也能应用于路段、区域的交通检测。随着信息技术的不断进步,处理分析大规模路网下海量车牌识别数据已成为可行。早期对于车牌识别数据的研究大多数集中在车牌自动识别技术和算法本身以及构建各式车牌自动识别系统,对于利用车牌识别数据分析车辆出行的研究相对较少。目前国内外学者对于应用车牌识别数据开展的研究主要有交通管理、行程时间估计、OD矩阵估计等方面。
另外如以下公开技术:1)论文“赵明,王寒凝.基于车牌照识别技术的OD调查系统分析与设计[J].公路交通科技(应用技术版),2008,48(12):188-190”提出以网格的形式对城市交通进行划分,网格的中心即各类不同的城市功能中心,利用车牌照识别数据中记录进出网格的车辆情况,应用数据挖掘的方法获得车辆在城市内的近似行驶路线,进而汇总获得一个全局的OD调查数据,并依此对基于车牌照识别技术的OD调查系统建设分析和系统设计进行了阐述和实例分析,但并未给出系统的实现方案,也未对方案进行验证。2)“Mellegard E.Obtaining Origin/Destination-Matrices From Cellular NetworkData:[D].Gothenburg,Sweden:Chalmers University of Technology,2011”利用部分手机数据、安卓应用提供的数据和与实际路网中采集得到的数据类似的合成数据来获得OD矩阵。但是由于研究时间长度的设定不大合理,会出现将一次出行划分成多次出行的情况。另一方面,由于人们无法每时每刻都在使用手机,导致手机数据不能很好地描述其出行特征。3)“张治华.基于GPS轨迹的出行信息提取研究[D].华东师范大学博士学位论文,2010.”的论文开展研究如何最大限度地利用GPS轨迹数据固有的时空结构结合先验知识挖掘出高质量的出行信息,重点研究了面向对象的轨迹数据分割方法设计、出行端点提取方法、出行方式判别和出行目的推断技术,但研究中对轨迹数据的应用理论没有深入展开研究,而且样本量也较小,研究成果的精度还有待提高。4)“畅玉姣,杨东援.基于车牌照数据的通勤特征车辆识别研究[J].交通运输系统工程与信息,2016,16(2):77-82.”利用k-means聚类算法对车牌识别数据进行挖掘,提取路网中的通勤特征车辆,并分析了通勤特征车辆在路网中的出行时空分布。但该研究仅单纯基于车辆被卡口检测的记录情况进行聚类,没有对车辆的完整出行信息进行重构。5)“杨帅,于海洋.基于卡口数据的车辆出行轨迹重构方法研究[C].第十一届中国智能交通年会大会论文集:1350-1357.”基于卡口数据,针对出行车辆的旅行轨迹不完整情况,建立了一种OWA算子和TOPSIS算法相结合的车辆轨迹重构模型,并以实例验证了模型的可靠性,最终形成了一系列的车辆个体信息构建的思路与方法。但该研究主要侧重于车辆出行轨迹的重构方法,对于车辆出行的分析方法涉入较少。
发明内容
本发明为克服上述现有技术所述的至少一种缺陷(不足),提供一种基于卡口车牌识别数据的车辆出行分析方法。本发明基于卡口车牌识别数据,对全路网运行的所有车辆的个体出行进行辨识,提取所有车辆出行的路径和行程信息。
为解决上述技术问题,本发明的技术方案如下:
一种基于卡口车牌识别数据的车辆出行分析方法,对卡口车牌识别数据进行以下处理,具体为:
S1:对卡口车牌识别数据进行数据清洗及预处理;
S2:基于由S1预处理后的数据辨识个体出行;
首先生成卡口感知序列,即基于车牌号分组,并以时间排序,将卡口车牌识别数据分割成以车辆车牌号标记的组别,每组为一个车辆的卡口感知序列;
再基于行程时间阈值识别单次出行,即根据每辆车连续的卡口检测数据来划分其所有的单次出行,将车辆的卡口感知序列分割成若干个出行子序列,具体是:采取单次出行划分方式,根据行程时间阈值来辨别单次出行,即认为两个连续的单次出行之间的时间差是满足预设条件;
S3:出行信息提取;
基于S2的个体出行辨别,能够得到车辆的个体出行的卡口子序列信息,结合卡口感知序列,能够提取该次出行的个体出行信息;
将所有车辆的所有个体出行信息提取结果存储在数据库中,基于车辆的个体出行信息,从个体车辆对象的角度能分析车辆在工作日与非工作日的出行规律和通勤特征,从集计统计的层面能获取各个卡口感知对之间的OD矩阵以及重要路段、路网关键节点的交通流量;还能结合车牌颜色、车牌归属地对车辆进行群体划分,对不同车辆群体的出行特征进行统计分析,包括车辆职住地识别,居住地识别和工作地识别;
S4:外地车特征分类,是采用K-means++算法进行外地车运行特征聚类。
优选的,所述卡口车牌识别数据是由城市路网各个卡口布设的高清摄像抓拍系统对经过卡口的所有车辆进行实时记录,通过对车辆的视频或图像进行自动识别生成的结构化数据,主要包括车辆牌照、车牌颜色、卡口点位、卡口方向和抓拍时刻这些基本信息。
优选的,所述S1的过程为:
S11:原始数据去重,即当原始数据满足以下任一原则则进行数据去重:
(1)车牌、卡口点位和方向信息完全一致,
(2)相邻记录的时间差小于设定阈值Yth;
S12:异常数据过滤:即将全部数据按车牌和时间排序,根据相邻两条数据的卡口点位经纬度计算路网距离ΔS和两条数据的时间差ΔT,并计算空间移动速度将ΔT超出数据源研究时间范围或者v0超出路网最大车速阈值的记录标记为穿越的脏数据,将其剔除。
优选的,所述设定阈值Yth取该点位交叉口的最小红灯时间。
优选的,S2的具体过程为:
S21:生成卡口感知序列,将所有经过预处理的数据按车牌号分组,并以时间排序,以此将数据分割成以车辆车牌号标记的组别,每组为一个车辆的卡口感知序列,卡口感知序列为一系列包含车辆时空信息的点集,其表示为一组集合{P1,P2,P3,...,Pn},其中,n为研究时段内该车辆所经过卡口点位总数,Pi为某时刻卡口点;对于任一Pi点,有i∈(1,n);在卡口车牌识别数据基本构成的基础上,根据需要,Pi设计为包含6项基本信息的一维数组,Pi={li,ci,xi,yi,ti,di},其中li为车牌,ci为车牌颜色,xi和yi分别为ti时刻车辆所经过卡口点的经纬度值,di为卡口方向;
S22:基于行程时间阈值识别单次出行,是根据每辆车连续的卡口感知数据来划分其所有的单次出行,继而将车辆的卡口感知序列分割成若干个出行子序列;
具体是:采取单次出行划分方式,根据行程时间阈值来辨别单次出行,即认为两个连续的单次出行之间的时间差是满足一定值的,在此设置此阈值为B,结合GPS数据统计浮动车重载行程中经过该卡口感知对(连续前后两个卡口作为一个卡口感知对,利用浮动车数据来统计该卡口感知对之间所需的行程时间,以此来判别这两条卡口感知数据是否属于同一次出行,以此确定是否属于同一个卡口感知序列)的行程时间,将95百分位的行程时间作为判别是否为单次出行的阈值,即:
B=T95 (1)
其中T是路网内所有重载浮动车在该感知对之间的行程时间集合,即T={T1,T2,T3,...,Tn},由各重载浮动车GPS轨迹信息计算得到;
若相邻卡口感知对之间的行程时间小于该时间阈值,则判定该卡口感知对的前后两次卡口感知属于同一次出行,反之则不属于同一次出行,以此将车辆的卡口感知序列分割为若干个出行子序列。
优选的,S3的具体过程为:
基于车辆个体出行辨识过程,得到车辆的个体出行的卡口子序列信息P1'→P’2→...→P’m,其中P1'为行程的起点卡口,P’m为行程的终点卡口;结合卡口点位时空信息Pi={li,ci,xi,yi,ti,di},能够提取该次出行的行程信息,其中:车辆li本次出行的起点卡口为P1',出发时间为t1',终点卡口为P’m,到达时间为t'm,行程时间为t'm-t’1,行驶里程为其中Dis(P’k,P’k+1)为前后两个卡口的路网距离,通过统计浮动车轨迹数据中所有行经该两个卡口的行驶距离的平均值来计算;
对所有车辆进行个体出行辨识以及出行信息提取过程,所有车辆的所有个体出行信息提取结果存储在数据库中,包括车牌编号、车牌颜色、起点时间、起点经纬度、终点时间、终点经纬度、行程时间、行程距离、途经卡口经纬度等信息;基于车辆的个体出行信息,从个体车辆对象的角度能分析车辆在工作日与非工作日的出行规律和通勤特征,从集计统计的层面能获取各个卡口感知对之间的OD矩阵以及重要路段、路网关键节点的交通流量,还能结合车牌颜色、车牌归属地对车辆进行群体划分,对不同车辆群体的出行特征进行统计分析,
(1)车辆职住地识别
基于城市车辆出行目的,从出行需求的类型分来划分,能划分为基本出行和非基本出行,基本出行包括回家和工作;回家和工作的通勤出行通常是车辆出行的主要出行组成,出行行为规律性较强,出行特征明显;利用卡口数据得到的车辆出行信息,能够对具有本地化特征的车辆的职住地进行识别;
(2)居住地识别
绝大部分本地化特征车辆都有一个常用居住地,少部分车辆拥有两个或以上的常用居住地;从出行规律上看,居住地一般为车辆每日第一次出行的起点,因此本发明以日首次出行率作为居住地判别的主要依据;
日首次出行率是指对于车辆的某个卡口检测点位,该卡口点作为出行日第一次出行的起点卡口的总次数与出行日总数的比值;卡口k的日首次出行率rk的计算公式如下:
rk=Nk/dk (2)
其中Nk为卡口k作为日首次出行起点的总次数,dk为车辆有出行的总天数;
该车辆的某起点卡口的日首次出行率超过判别阈值,则区域识别为车辆的居住地;
(3)工作地识别
将除居住地外,满足到达次数最多、停留时间最长且日均停留时间超过停留时间阈值T停留阈值小时的卡口点位作为该车辆的工作地。
优选的,居住地识别中,车辆的某起点卡口的日首次出行率超过判别阈值,则该区域识别为车辆的居住地,其中判别阈值的确定方式为:对所有车辆的各个起点卡口的日首次出行率以及日首次出行率最高的卡口的日首次出行率频次分布进行统计,统计结果显示超过95%的本地化特征车辆均具有一个日首次出行率超过40%的起点卡口,具有显著的居住地特征,因此将基于日首次出行率的居住地判别阈值设置为40%,即若该车辆的某起点卡口的日首次出行率超过40%,则该区域识别为车辆的居住地。
优选的,工作地识别中,停留时间阈值T停留阈值的确定方式为:对所有车辆出行的各个行程终点的日均到达次数进行统计,并挑选出每辆车日均到达次数最高的前三个卡口点位;对除居住地外日均到达次数最高的区域的日均停留时间频数分布进行统计,来确定工作地的停留时间阈值;
从统计结果来看,对超过95%车辆来说,除居住地以外,到达次数最多且停留时间最长的活动区域日均停留时间超过4小时,因此将停留时间阈值T停留阈值设定为4小时。
优选的,S4的具体过程为:是从车牌识别数据的角度,提出外地车出行行为的3个特征参数作为聚类特征参数:
a)v1:车辆在一个月内的出行总次数;
b)v2:车辆在一个月内有出行活动的天数;
c)v3:车辆在早晚高峰时段有出行活动的天数。
采用K-means++算法进行外地车运行特征聚类,具体流程如下:
1)基于车辆出行信息提取结果,统计所有外地车的特征参数值;
2)为了均衡输入的三个聚类特征参数,首先基于式(3)对所有输入特征值进行归一化处理,确保每个标准化特征值落在0和1之间;
z=(ν-min(ν))/(max(ν)-min(ν)) (3)
上述中,v代表原特征值,z代表标准化后的特征值;
3)输入所有车辆的标准化特征值,进行K-means++聚类过程,包括随机种子初始化聚类中心和标准K-means聚类过程;
4)初始化定义o个聚类等级,设置聚类个数为o,得到的聚类中心表示为:
c1=(v11,v12,v13)
c2=(ν21,ν22,ν23)
…
cO=(νO1,νO2,νO3) (4)
其中voj代表乘客第o个类,第j个特征的标准化特征值;
5)计算聚类中心与零点的欧式距离,这个聚类定义为聚类中心距离:
通过计算所有外地车特征点到各个聚类中心的空间距离,取距离最小的聚类中心即为该车辆的特征类别,由此对所有外地车进行分类;
6)通过选取不同的o值进行多次聚类,根据Calinski-Harabasz值计算结果,选取最佳的类内距离和类间距离来确定聚类数量o;
7)根据得到的各个聚类中心的3个标准化特征值,结合车辆出行行为特征,对聚类结果进行定义划分,以得到外地车的特征分类。
与现有技术相比,本发明技术方案的有益效果是:本发明基于卡口车牌识别数据,对全路网运行的所有车辆的个体出行进行辨识,提取所有车辆出行的路径和行程信息。通过对路径和行程信息进行统计分析,能够进一步得到OD分布、路段交通流量、路网关键节点流量、车辆出行时空分布特征;并且能够按照车辆属性、车牌归属地、结构特征等采集特定车辆对象群体的出行信息和特征,实现精细化交通出行特征分析,满足多种数据分析需求。
综上所述,本发明提出的基于卡口车牌识别数据的车辆出行分析方法具有以下几个特点:
(1)数据易于获取,样本覆盖范围广,可满足多尺度的数据分析需求;
(2)具有数据驱动性,算法简单,处理效率高;
(3)由于卡口布设密度限制,分析精度有限,但具有较高的容错性。
附图说明
图1为本发明的整体流程图。
图2为基于卡口车牌识别数据的车辆个体出行辨识流程图。
具体实施方式
附图仅用于示例性说明,不能理解为对本专利的限制;为了更好说明本实施例,附图某些部件会有省略、放大或缩小,并不代表实际产品的尺寸;
对于本领域技术人员来说,附图中某些公知结构及其说明可能省略是可以理解的。下面结合附图和实施例对本发明的技术方案做进一步的说明。
本发明以海量卡口车牌识别数据为基础,如图1,首先通过数据清洗及预处理流程,过滤掉冗余及异常数据。按照车辆个体组织数据,构建每辆车的卡口序列,并确定合理的行程时间阈值对非连续出行进行辨识,从而生成所有个体出行的卡口子序列。基于所有车辆出行的个体出行信息,通过统计分析得到OD分布、路段交通流量、路网关键节点流量等路网运行指标,并结合车辆属性、车牌归属地、结构特征等分析车辆出行的个体通勤、群体、集计的多层次特征,基于特征进行车辆职住地识别、外地车种群分类等。
(一)数据清洗与预处理
卡口车牌识别数据由城市路网中各个卡口布设的高清摄像抓拍系统对经过卡口的所有车辆进行实时记录,通过对车辆的视频或图像的一系列自动识别处理而生成的结构化数据。数据内容中主要包括车辆牌照、车牌颜色、卡口点位、卡口方向、抓拍时刻等基本信息。由于检测系统检测到的数据具有特定的格式,同时由于检测设备自身和周围环境等因素的影响,导致原始数据存在一定的缺陷。为了提高原始数据的质量,提升车辆出行信息获取的准确度,需要对原始数据进行以下数据清洗及预处理流程:
步骤1:原始数据去重。由于交叉口卡口的红灯时间、设备检测数据重复上传等因素导致车牌检测数据重复出现,会影响车辆出行分析的准确度,故对重复记录进行筛选进行去重处理,主要根据以下原则:(1)车牌、卡口点位、方向等信息完全一致;(2)相邻记录的时间差小于阈值Yth(取该点位交叉口的最小红灯时间)。
步骤2:异常数据过滤。由于检测设备的技术原因,车牌识别数据中存在部分异常数据。将全部数据按车牌和时间排序,根据相邻两条数据的卡口点位经纬度计算路网距离ΔS和两条数据的时间差ΔT,并计算空间移动速度将ΔT超出数据源研究时间范围或者v0超出路网最大车速阈值(根据实际情况取值为120km/h)的记录标记为穿越的脏数据,将异常数据进行剔除。
(二)个体出行辨识
1)生成卡口感知序列
对于车辆出行分析的研究都是基于单个车辆的单次出行。在挖掘车辆出行信息之前,首先需要构建完整的每个车辆的个体出行信息。路网上运行车辆的出行通常会触发多个卡口点位的检测,由各个卡口点位的位置和按照检测时间序列线性连接,可构成车辆出行轨迹,并可反映车辆出行的OD点、出行时间、途经路段等信息。因此第一步则是根据车牌号将所有经过预处理的数据按车牌号分组,并以时间排序,以此将数据分割成以车辆车牌号标记的组别,每组为一个车辆的卡口感知序列。
卡口感知序列为一系列包含车辆时空信息的点集,其可表示为1组集合{P1,P2,P3,...,Pn},其中,n为研究时段内该车辆所经过卡口点位总数,Pi为某时刻卡口点;对于任一Pi点,有i∈(1,n)。在卡口车牌识别数据基本构成的基础上,根据研究需要,Pi可设计为包含,6项基本信息的一维数组,Pi={li,ci,xi,yi,ti,di}。其中li为车牌,ci为车牌颜色,xi和yi分别为ti时刻车辆所经过卡口点的经纬度值,di为卡口方向。
2)基于行程时间阈值识别单次出行
一辆车每天出行记录包含多个单次出行,因为人们通常驾驶车辆从家到工作地点,中间车辆处于停止状态,直到下次使用。因此需要根据每辆车辆连续的卡口检测数据来划分其所有的单次出行,将车辆的卡口感知序列分割成若干个出行子序列。本发明采取的单次出行划分思路,根据行程时间阈值来辨别单次出行,即认为两个连续的单次出行之间的时间差是满足一定值的,在此设置此阈值为B,结合GPS数据统计出租车重载行程中经过该卡口感知对的行程时间,将95百分位的行程时间作为判别是否为单次出行的阈值,即:
B=T95 (1)
其中T是路网内所有重载出租车在该感知对之间的行程时间集合,即T={T1,T2,T3,...,Tn},由各重载出租车GPS轨迹信息计算得到。
若相邻卡口感知对之间的行程时间小于该时间阈值,则判定该感知对的前后两次卡口感知属于同一次出行,反之则不属于同一次出行,以此将车辆的卡口感知序列分割为若干个出行子序列,具体处理流程如图2所示。
(三)出行信息提取
基于上述车辆个体出行辨识流程,得到车辆的个体出行的卡口子序列信息P1'→P’2→...→Pm,其中P1'为行程的起点卡口,P’m为行程的终点卡口。结合卡口点位时空信息Pi={li,ci,xi,yi,ti,di},可以提取该次出行的行程信息,其中:车辆li本次出行的起点卡口为P1',出发时间为t’1,终点卡口为P’m,到达时间为t'm,行程时间为t'm-t’1,行驶里程为其中Dis(P’k,P’k+1)为前后两个卡口的路网距离,通过统计出租车轨迹数据中所有行经该两个卡口的行驶距离的平均值来计算。
所有车辆的所有个体出行信息提取结果存储在数据库中,包括车牌编号、车牌颜色、起点时间、起点经纬度、终点时间、终点经纬度、行程时间、行程距离、途经卡口经纬度等信息。基于车辆的个体出行信息,从个体车辆对象的角度能分析车辆在工作日与非工作日的出行规律和通勤特征,从集计统计的层面能获取各个卡口感知对之间的OD矩阵以及重要路段、路网关键节点的交通流量。此外,结合车牌颜色、车牌归属地等属性可以对车辆进行群体划分,对不同车辆群体的出行特征进行统计分析。
(1)车辆职住地识别
城市车辆出行目的从出行需求的类型上,可以分为基本出行(回家、上班)和非基本出行(娱乐、购物、聚餐、探访、看病等)。回家和工作的通勤出行通常是车辆出行的主要出行组成,出行行为规律性较强,出行特征明显。利用卡口数据得到的车辆出行信息,能够对具有本地化特征的车辆的职住地进行识别。
(2)居住地识别
绝大部分本地化特征车辆都有一个常用居住地,少部分车辆拥有两个或以上的常用居住地。从出行规律上看,居住地一般为车辆每日第一次出行的起点,因此本发明以日首次出行率作为居住地判别的主要依据。
日首次出行率是指对于车辆的某个卡口检测点位,该卡口点作为出行日第一次出行(取凌晨2点起)的起点卡口的总次数与出行日总数的比值。卡口k的日首次出行率rk的计算公式如下:
rk=Nk/dk (2)
其中Nk为卡口k作为日首次出行起点的总次数,dk为车辆有出行的总天数。
对所有车辆的各个起点卡口的日首次出行率以及日首次出行率最高的卡口的日首次出行率频次分布进行统计,统计结果显示超过95%的本地化特征车辆均具有一个日首次出行率超过40%的起点卡口,具有显著的居住地特征,因此将基于日首次出行率的居住地判别阈值设置为40%,即若该车辆的某起点卡口的日首次出行率超过40%,则该区域识别为车辆的居住地。
(3)工作地识别
从出行规律上看,工作地是除居住地以外,到达次数最多,停留时间最长的活动区域。对所有车辆出行的各个行程终点的日均到达次数进行了统计,并挑选出每辆车日均到达次数最高的前三个卡口点位。对除居住地外日均到达次数最高的区域的日均停留时间频数分布进行统计,来确定工作地的停留时间阈值。
从统计结果来看,对大部分车辆(超过95%)来说,除居住地以外,到达次数最多且停留时间最长的活动区域日均停留时间超过4小时,因此将停留时间阈值设定为4小时。最后将除居住地外,满足到达次数最多、停留时间最长且日均停留时间超过4小时的卡口点位作为该车辆的工作地。
(四)外地车特征分类
从卡口车牌检测记录来看,外地车数量已经显著超出本地车数量,一定程度上占用了道路资源并带来交通压力。外地车辆群体庞大,且运行特征呈现多样化,为了综合评估外地车辆出行情况,本发明提出对外地车群体的专项分析方法。从车牌识别数据的角度,提出外地车出行行为的3个特征参数作为聚类变量:
a)v1:车辆在一个月内的出行总次数;
b)v2:车辆在一个月内有出行活动的天数;
c)v3:车辆在早晚高峰时段有出行活动的天数。
采用K-means++(Arthur,D.,Vassilvitskii,S.,2007.K-means++:theadvantages of careful seeding[C].In:Proceedings of the Eighteenth Annual ACM-SIAM Symposium on Discrete Algorithms,pp.1027–1035.)算法进行外地车运行特征聚类,具体流程如下:
1)基于车辆出行信息提取结果,统计所有外地车的特征参数值;
2)为了均衡输入的三个聚类特征参数,首先对所有输入特征值进行归一化处理,确保每个标准化特征值落在0和1之间;
z=(ν-min(ν))/(max(ν)-min(ν)) (3)
3)输入所有车辆的标准化特征值,进行K-means++聚类过程,包括随机种子初始化聚类中心和标准K-means聚类过程;
4)初始化定义o个聚类等级,设置聚类个数为o,得到的聚类中心可表示为:
c1=(v11,v12,v13)
=(v21,v22,v23)
…
cO=(vO1,vO2,vO3) (4)
其中voj代表乘客第o个类,第j个特征的标准化特征值;
5)计算聚类中心与零点的欧式距离,这个聚类定义为聚类中心距离:
通过计算所有外地车特征点到各个聚类中心的空间距离,取距离最小的聚类中心即为该车辆的特征类别,由此对所有外地车进行分类;
6)通过选取不同的o值进行多次聚类,根据Calinski-Harabasz值计算结果,选取最佳的类内距离和类间距离来确定聚类数量o;其中Calinski-Harabasz值一般简称就是CH指标,是一种对于聚类算法的评价指标。
CH指标通过类内离差矩阵描述紧密度,类间离差矩阵描述分离度,指标定义为:
o表示聚类的数目,k表示当前的类,trB(k)表示类间离差矩阵的迹,trW(k)表示类内离差矩阵的迹。有关公式更详细的解释可参考论文“A dendrite method for clusteranalysis”。可以得出CH越大代表着类自身越紧密,类与类之间越分散,即更优的聚类结果。
7)根据得到的各个聚类中心的3个标准化特征值,结合车辆出行行为特征,对聚类结果进行定义划分,如“本地化使用”、“短期到访”、“过境车辆”等。
基于上述内容:(一)本发明的个体出行辨识步骤采用的基于行程时间阈值的方法,同时结合了GPS数据中的行程时间信息,实际应用时也可以选择其它适用的算法。(二)本发明的车辆职住地识别步骤是基于日首次出行率、日均到达次数、停留时长等指标的统计分布特征,实际应用时也可采用其它系统聚类方法来进行识别。(三)本发明的外地车特征分类步骤中,结合外地车出行特点选取了三个关键特征参数,实际应用也可根据分析需求选取其它特征参数。(四)本发明的外地车特征分类步骤中,采用的是K-means++算法进行特征聚类,实际应用时也可采用其它无监督聚类算法。
显然,本发明的上述实施例仅仅是为清楚地说明本发明所作的举例,而并非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说,在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。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,均应包含在本发明权利要求的保护范围之内。
Claims (3)
1.一种基于卡口车牌识别数据的车辆出行分析方法,其特征在于,对卡口车牌识别数据进行以下处理,具体为:
S1:对卡口车牌识别数据进行数据清洗及预处理;
S2:基于由S1预处理后的数据辨识个体出行;
首先生成卡口感知序列,即基于车牌号分组,并以时间排序,将卡口车牌识别数据分割成以车辆车牌号标记的组别,每组为一个车辆的卡口感知序列;
再基于行程时间阈值识别单次出行,即根据每辆车连续的卡口检测数据来划分其所有的单次出行,将车辆的卡口感知序列分割成若干个出行子序列,具体是:采取单次出行划分方式,根据行程时间阈值来辨别单次出行,即认为两个连续的单次出行之间的时间差是满足预设条件;
S3:出行信息提取;
基于S2的个体出行辨别,能够得到车辆的个体出行的卡口子序列信息,结合卡口感知序列,能够提取该次出行的个体出行信息;
将所有车辆的所有个体出行信息提取结果存储在数据库中,基于车辆的个体出行信息,从个体车辆对象的角度能分析车辆在工作日与非工作日的出行规律和通勤特征,从集计统计的层面能获取各个卡口感知对之间的OD矩阵以及重要路段、路网关键节点的交通流量;还能结合车牌颜色、车牌归属地对车辆进行群体划分,对不同车辆群体的出行特征进行统计分析,包括车辆职住地识别,居住地识别和工作地识别;
S4:外地车特征分类,是采用K-means++算法进行外地车运行特征聚类;
所述卡口车牌识别数据是由城市路网各个卡口布设的高清摄像抓拍系统对经过卡口的所有车辆进行实时记录,通过对车辆的视频或图像进行自动识别生成的结构化数据,包括车辆牌照、车牌颜色、卡口点位、卡口方向和抓拍时刻这些基本信息;
所述S1的过程为:
S11:原始数据去重,即当原始数据满足以下任一原则则进行数据去重:
(1)车牌、卡口点位和方向信息完全一致;
(2)相邻记录的时间差小于设定阈值Yth;
S12:异常数据过滤:即将全部数据按车牌和时间排序,根据相邻两条数据的卡口点位经纬度计算路网距离ΔS和两条数据的时间差ΔT,并计算空间移动速度将ΔT超出数据源研究时间范围或者v0超出路网最大车速阈值的记录标记为穿越的脏数据,将其剔除;
所述设定阈值Yth取该点位交叉口的最小红灯时间;
S2的具体过程为:
S21:生成卡口感知序列,将所有经过预处理的数据按车牌号分组,并以时间排序,以此将数据分割成以车辆车牌号标记的组别,每组为一个车辆的卡口感知序列,卡口感知序列为一系列包含车辆时空信息的点集,其表示为一组集合{P1,P2,P3,...,Pn},其中,n为研究时段内该车辆所经过卡口点位总数,Pi为某时刻卡口点;对于任一Pi点,有i∈(1,n);在卡口车牌识别数据基本构成的基础上,根据需要,Pi设计为包含6项基本信息的一维数组,Pi={li,ci,xi,yi,ti,di},其中li为车牌,ci为车牌颜色,xi和yi分别为ti时刻车辆所经过卡口点的经纬度值,di为卡口方向;
S22:基于行程时间阈值识别单次出行,是根据每辆车连续的卡口感知数据来划分其所有的单次出行,继而将车辆的卡口感知序列分割成若干个出行子序列;
具体是:采取单次出行划分方式,根据行程时间阈值来辨别单次出行,即认为两个连续的单次出行之间的时间差是满足一定值的,在此设置此阈值为B,结合GPS数据统计浮动车重载行程中经过该卡口感知对的行程时间,将95百分位的行程时间作为判别是否为单次出行的阈值,即:
B=T95 (1)
其中T是路网内所有重载浮动车在该感知对之间的行程时间集合,即T={T1,T2,T3,...,Tn},由各重载浮动车GPS轨迹信息计算得到;
若相邻卡口感知对之间的行程时间小于该时间阈值,则判定该卡口感知对的前后两次卡口感知属于同一次出行,反之则不属于同一次出行,以此将车辆的卡口感知序列分割为若干个出行子序列;
S3的具体过程为:
基于车辆个体出行辨识过程,得到车辆的个体出行的卡口子序列信息P1'→P′2→...→P′m,其中P1'为行程的起点卡口,P′m为行程的终点卡口;结合卡口点位时空信息Pi={li,ci,xi,yi,ti,di},能够提取该次出行的行程信息,其中:车辆li本次出行的起点卡口为P1',出发时间为t′1,终点卡口为P′m,到达时间为t'm,行程时间为t'm-t′1,行驶里程为其中Dis(P′k,P′k+1)为前后两个卡口的路网距离,通过统计浮动车轨迹数据中所有行经该两个卡口的行驶距离的平均值来计算;
对所有车辆进行个体出行辨识以及出行信息提取过程,将所有车辆的所有个体出行信息提取结果存储在数据库中,包括车牌编号、车牌颜色、起点时间、起点经纬度、终点时间、终点经纬度、行程时间、行程距离、途经卡口经纬度信息;基于车辆的个体出行信息,从个体车辆对象的角度能分析车辆在工作日与非工作日的出行规律和通勤特征,从集计统计的层面能获取各个卡口感知对之间的OD矩阵以及重要路段、路网关键节点的交通流量,还能结合车牌颜色、车牌归属地对车辆进行群体划分,对不同车辆群体的出行特征进行统计分析,
(1)车辆职住地识别
基于城市车辆出行目的,从出行需求的类型分来划分,能划分为基本出行和非基本出行,基本出行包括回家和工作;回家和工作的通勤出行通常是车辆出行的主要出行组成,出行行为规律性较强,出行特征明显;利用卡口数据得到的车辆出行信息,能够对具有本地化特征的车辆的职住地进行识别;
(2)居住地识别
绝大部分本地化特征车辆都有一个常用居住地,少部分车辆拥有两个或以上的常用居住地;从出行规律上看,居住地为车辆每日第一次出行的起点,因此以日首次出行率作为居住地判别的主要依据;
日首次出行率是指对于车辆的某个卡口检测点位,该卡口点作为出行日第一次出行的起点卡口的总次数与出行日总数的比值;卡口k的日首次出行率rk的计算公式如下:
rk=Nk/dk (2)
其中Nk为卡口k作为日首次出行起点的总次数,dk为车辆有出行的总天数;
该车辆的某起点卡口的日首次出行率超过判别阈值,则区域识别为车辆的居住地;
(3)工作地识别
将除居住地外,满足到达次数最多、停留时间最长且日均停留时间超过停留时间阈值T停留阈值小时的卡口点位作为该车辆的工作地;
S4的具体过程为:是从车牌识别数据的角度,提出外地车出行行为的3个特征参数作为聚类特征参数:
a)v1:车辆在一个月内的出行总次数;
b)v2:车辆在一个月内有出行活动的天数;
c)v3:车辆在早晚高峰时段有出行活动的天数;
采用K-means++算法进行外地车运行特征聚类,具体流程如下:
1)基于车辆出行信息提取结果,统计所有外地车的特征参数值;
2)为了均衡输入的三个聚类特征参数,首先基于式(3)对所有输入特征值进行归一化处理,确保每个标准化特征值落在0和1之间;
z=(ν-min(ν))/(max(ν)-min(ν)) (3)
上述中,v代表原特征值,z代表标准化后的特征值;
3)输入所有车辆的标准化特征值,进行K-means++聚类过程,包括随机种子初始化聚类中心和标准K-means聚类过程;
4)初始化定义o个聚类等级,设置聚类个数为o,得到的聚类中心表示为:
c1=(v11:v12:v13)
c2=(v21:ν22:v33)
…
co=(vo1,vo2,vo3) (4)
其中voj代表乘客第o个类,第j个特征的标准化特征值;
5)计算聚类中心与零点的欧式距离,这个聚类定义为聚类中心距离:
通过计算所有外地车特征点到各个聚类中心的空间距离,取距离最小的聚类中心即为该车辆的特征类别,由此对所有外地车进行分类;
6)通过选取不同的o值进行多次聚类,根据Calinski-Harabasz值计算结果,选取最佳的类内距离和类间距离来确定聚类数量o;
7)根据得到的各个聚类中心的3个标准化特征值,结合车辆出行行为特征,对聚类结果进行定义划分,以得到外地车的特征分类。
2.根据权利要求1所述的方法,其特征在于,居住地识别中,车辆的某起点卡口的日首次出行率超过判别阈值,则该区域识别为车辆的居住地,其中判别阈值的确定方式为:对所有车辆的各个起点卡口的日首次出行率以及日首次出行率最高的卡口的日首次出行率频次分布进行统计,统计结果显示超过95%的本地化特征车辆均具有一个日首次出行率超过40%的起点卡口,具有显著的居住地特征,因此将基于日首次出行率的居住地判别阈值设置为40%,即若该车辆的某起点卡口的日首次出行率超过40%,则该区域识别为车辆的居住地。
3.根据权利要求2所述的方法,其特征在于,工作地识别中,停留时间阈值T停留阈值的确定方式为:对所有车辆出行的各个行程终点的日均到达次数进行统计,并挑选出每辆车日均到达次数最高的前三个卡口点位;对除居住地外日均到达次数最高的区域的日均停留时间频数分布进行统计,来确定工作地的停留时间阈值;
从统计结果来看,对超过95%车辆来说,除居住地以外,到达次数最多且停留时间最长的活动区域日均停留时间超过4小时,因此将停留时间阈值T停留阈值设定为4小时。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810735730.4A CN108717790B (zh) | 2018-07-06 | 2018-07-06 | 一种基于卡口车牌识别数据的车辆出行分析方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810735730.4A CN108717790B (zh) | 2018-07-06 | 2018-07-06 | 一种基于卡口车牌识别数据的车辆出行分析方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108717790A CN108717790A (zh) | 2018-10-30 |
CN108717790B true CN108717790B (zh) | 2021-02-26 |
Family
ID=63913493
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810735730.4A Active CN108717790B (zh) | 2018-07-06 | 2018-07-06 | 一种基于卡口车牌识别数据的车辆出行分析方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108717790B (zh) |
Families Citing this family (38)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109493608B (zh) * | 2018-12-06 | 2020-10-16 | 湖南科创信息技术股份有限公司 | 非法营运车辆的识别方法及系统和计算机可读的存储介质 |
CN109461312B (zh) * | 2018-12-27 | 2020-10-30 | 泰华智慧产业集团股份有限公司 | 基于redis的过车数据去重方法 |
CN110097074B (zh) * | 2019-03-19 | 2021-06-22 | 中国科学院信息工程研究所 | 一种基于序列相似度的车辆轨迹压缩方法 |
CN109887288B (zh) * | 2019-03-27 | 2021-06-15 | 江苏智通交通科技有限公司 | 一种基于出行结构的城市路网诱导方案发布方法和系统 |
CN109948723A (zh) * | 2019-03-28 | 2019-06-28 | 北京交通发展研究院 | 一种手机用户中通勤人口的识别方法 |
CN110163408B (zh) * | 2019-04-03 | 2021-10-29 | 浙江工业大学 | 一种基于客源地属性特征的旅行刺激策略有效性分析方法 |
CN109887294B (zh) * | 2019-04-08 | 2020-09-11 | 东南大学 | 一种多源数据融合的道路平面交叉口交通量分析方法 |
CN110570650B (zh) * | 2019-05-17 | 2021-05-11 | 东南大学 | 一种基于rfid数据的出行路径与节点流量预测方法 |
CN110362557B (zh) * | 2019-05-27 | 2022-04-26 | 华南理工大学 | 一种基于机器学习和车牌识别数据的缺失路径修复方法 |
CN110232823B (zh) * | 2019-06-14 | 2022-02-01 | 重庆大学 | 一种基于rfid电子车牌数据的慢行车判定分析方法 |
CN110148298B (zh) * | 2019-06-24 | 2022-03-18 | 重庆大学 | 基于机动车电子标识数据的私家车规律出行行为发现方法 |
CN110264719A (zh) * | 2019-06-27 | 2019-09-20 | 武汉理工大学 | 一种基于多源数据的机动车动态od矩阵估计方法 |
CN110491157B (zh) * | 2019-07-23 | 2022-01-25 | 中山大学 | 一种基于停车场数据和卡口数据的车辆关联方法 |
CN110659808A (zh) * | 2019-08-30 | 2020-01-07 | 广东方纬科技有限公司 | 一种基于车辆出行数据的交通分析方法、系统及存储介质 |
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 |
CN110838232A (zh) * | 2019-09-27 | 2020-02-25 | 浙江工业大学 | 基于过车电警数据的单一车辆od获取方法 |
CN110874369A (zh) * | 2019-10-25 | 2020-03-10 | 广州纳斯威尔信息技术有限公司 | 一种多维数据融合侦查系统及其方法 |
CN110827540B (zh) * | 2019-11-04 | 2021-03-12 | 黄传明 | 一种多模态数据融合的机动车移动模式识别方法及系统 |
CN111369803B (zh) * | 2019-11-05 | 2021-11-19 | 杭州海康威视系统技术有限公司 | 边际卡口的检测方法、装置及计算机可读存储介质 |
CN111047167B (zh) * | 2019-11-29 | 2023-04-28 | 阿里巴巴集团控股有限公司 | 线路数据处理方法、装置、设备和存储介质 |
CN111127930A (zh) * | 2019-12-13 | 2020-05-08 | 青岛海信网络科技股份有限公司 | 车辆常用行驶路线获取方法及装置 |
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 |
CN112991804B (zh) * | 2019-12-18 | 2022-06-07 | 浙江大华技术股份有限公司 | 停留区域确定方法以及相关装置 |
CN111190984B (zh) * | 2019-12-30 | 2024-03-08 | 北京世纪高通科技有限公司 | 职住地提取方法、装置及计算机可读存储介质 |
CN113128282A (zh) * | 2019-12-31 | 2021-07-16 | 深圳云天励飞技术有限公司 | 一种人群类别的划分方法、装置及终端 |
CN111243277B (zh) * | 2020-03-09 | 2021-08-20 | 山东大学 | 基于车牌识别数据的通勤车辆时空轨迹重构方法及系统 |
CN111523562B (zh) * | 2020-03-20 | 2021-06-08 | 浙江大学 | 一种基于车牌识别数据的通勤模式车辆识别方法 |
CN112306998B (zh) * | 2020-10-13 | 2023-11-24 | 武汉中科通达高新技术股份有限公司 | 交委数据去重方法、装置及服务器 |
CN112257589B (zh) * | 2020-10-22 | 2024-03-05 | 大连交通大学 | 一种异常停留车辆的检测方法 |
CN112395955B (zh) * | 2020-10-27 | 2022-07-12 | 南威软件股份有限公司 | 一种涉车常驻落脚点分析方法、装置、设备和介质 |
CN112562315B (zh) * | 2020-11-02 | 2022-04-01 | 鹏城实验室 | 一种获取车流信息的方法、终端及存储介质 |
CN112309129B (zh) * | 2020-11-03 | 2022-04-01 | 广州市交通规划研究院 | 一种基于卡口车牌识别的车辆出行特征分类的od矩阵形成方法 |
CN112885105B (zh) * | 2021-01-15 | 2022-04-01 | 广州市市政工程设计研究总院有限公司 | 基于高清卡口数据的通勤车辆识别方法、装置和存储介质 |
CN113376526A (zh) * | 2021-04-29 | 2021-09-10 | 广汽三菱汽车有限公司 | 汽车电池容量预测方法、寿命预测方法、装置及存储介质 |
CN114416710B (zh) * | 2021-12-29 | 2023-04-07 | 苏州大学 | 一种快速路车辆od位置提取方法及系统 |
CN114944083B (zh) * | 2022-05-13 | 2023-03-24 | 公安部交通管理科学研究所 | 一种高速公路上行驶车辆与前车距离的判断方法 |
CN114913690B (zh) * | 2022-07-13 | 2022-10-11 | 北京融信数联科技有限公司 | 交通精细化监控方法、系统和可读存储介质 |
CN116994441B (zh) * | 2023-09-26 | 2023-12-12 | 北京清创美科环境科技有限公司 | 一种交通流信息数据处理方法及系统 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP6594645B2 (ja) * | 2015-04-10 | 2019-10-23 | 東日本旅客鉄道株式会社 | 歩行者のod通行量の推計方法 |
CN105513348B (zh) * | 2015-11-27 | 2018-04-24 | 西南交通大学 | 基于手机信令出行链的od矩阵获取方法 |
CN106971534B (zh) * | 2017-02-09 | 2019-09-06 | 江苏智通交通科技有限公司 | 基于号牌数据的通勤出行特征分析方法 |
CN107885795B (zh) * | 2017-10-24 | 2021-05-25 | 广东方纬科技有限公司 | 一种卡口数据的数据校验方法、系统和装置 |
CN108122186B (zh) * | 2017-12-29 | 2021-11-05 | 北京航空航天大学 | 一种基于卡口数据的职住位置估计方法 |
CN108242149B (zh) * | 2018-03-16 | 2020-06-30 | 成都智达万应科技有限公司 | 一种基于交通数据的大数据分析方法 |
-
2018
- 2018-07-06 CN CN201810735730.4A patent/CN108717790B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN108717790A (zh) | 2018-10-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108717790B (zh) | 一种基于卡口车牌识别数据的车辆出行分析方法 | |
CN110245981B (zh) | 一种基于手机信令数据的人群类型识别方法 | |
CN108765404B (zh) | 一种基于深度学习图像分类的道路破损检测方法及装置 | |
CN104200669B (zh) | 一种基于Hadoop的套牌车识别方法及系统 | |
CN108961747B (zh) | 一种不完备卡口数据条件下的城市道路交通状态信息提取方法 | |
CN103578119B (zh) | 基于超像素的Codebook动态场景中目标检测方法 | |
CN110288001B (zh) | 基于目标数据特征训练学习的目标识别方法 | |
CN109344736A (zh) | 一种基于联合学习的静态图像人群计数方法 | |
CN102496034B (zh) | 基于直线单词的高空间分辨率遥感图像词袋分类方法 | |
CN106570477A (zh) | 基于深度学习的车型识别模型构建方法及车型识别方法 | |
CN110378236A (zh) | 基于深度学习的车辆身份识别模型构建、识别方法和系统 | |
CN110414441B (zh) | 一种行人行踪分析方法及系统 | |
CN104268599A (zh) | 一种基于车辆轨迹时空特征分析的黑车智能发现方法 | |
CN106407277A (zh) | 一种基于车联网数据对车主驻留点聚类后的属性分析方法 | |
CN109935080A (zh) | 一种交通线路上的车流量实时计算的监测系统及方法 | |
CN108319693A (zh) | 一种基于立体遥感数据库的地貌特征聚类分析方法 | |
CN104269057A (zh) | 一种基于浮动车od数据的卡口传感器部署方法 | |
CN113450573A (zh) | 基于无人机图像识别的交通监测方法和交通监测系统 | |
DE112019004319T5 (de) | Verfahren und system zum erkennen eines schildes | |
CN113806419B (zh) | 基于时空大数据的城市区域功能识别模型及识别方法 | |
CN110399781A (zh) | 智能化道路信息分析系统 | |
CN108682153B (zh) | 一种基于rfid电子车牌数据的城市道路交通拥堵状态判别方法 | |
CN113255552A (zh) | 公交车载视频乘客od分析系统、方法、装置及存储介质 | |
CN116168356A (zh) | 一种基于计算机视觉的车辆损伤判别方法 | |
CN107730717B (zh) | 一种基于特征提取的公共交通可疑卡识别方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CP03 | Change of name, title or address | ||
CP03 | Change of name, title or address |
Address after: 510000 second floor, building 10, yard 36, Xianlie Dongheng Road, Tianhe District, Guangzhou City, Guangdong Province Patentee after: Guangzhou Transportation Research Institute Co.,Ltd. Address before: 510627 5-6 / F, 24 Machang Road, Tianhe District, Guangzhou City, Guangdong Province Patentee before: GUANGZHOU TRANSPORT Research Institute |