CN109359169B - 一种基于概率图模型的共享单车逆行行为实时识别方法 - Google Patents

一种基于概率图模型的共享单车逆行行为实时识别方法 Download PDF

Info

Publication number
CN109359169B
CN109359169B CN201811274576.1A CN201811274576A CN109359169B CN 109359169 B CN109359169 B CN 109359169B CN 201811274576 A CN201811274576 A CN 201811274576A CN 109359169 B CN109359169 B CN 109359169B
Authority
CN
China
Prior art keywords
track
probability
shared bicycle
behavior
track 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.)
Expired - Fee Related
Application number
CN201811274576.1A
Other languages
English (en)
Other versions
CN109359169A (zh
Inventor
付川云
刘华
刘岩
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Southwest Jiaotong University
Original Assignee
Southwest Jiaotong University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Southwest Jiaotong University filed Critical Southwest Jiaotong University
Priority to CN201811274576.1A priority Critical patent/CN109359169B/zh
Publication of CN109359169A publication Critical patent/CN109359169A/zh
Application granted granted Critical
Publication of CN109359169B publication Critical patent/CN109359169B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N7/00—Computing arrangements based on specific mathematical models
    • G06N7/01—Probabilistic graphical models, e.g. probabilistic networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/04—Inference or reasoning models
    • 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
    • G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
    • H04W4/02—Services making use of location information
    • H04W4/029—Location-based management or tracking services
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
    • H04W4/30—Services specially adapted for particular environments, situations or purposes
    • H04W4/40—Services specially adapted for particular environments, situations or purposes for vehicles, e.g. vehicle-to-pedestrians [V2P]

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computing Systems (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Signal Processing (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • General Engineering & Computer Science (AREA)
  • Algebra (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Probability & Statistics with Applications (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Computational Linguistics (AREA)
  • Traffic Control Systems (AREA)
  • Navigation (AREA)

Abstract

本发明公开一种基于概率图模型的共享单车逆行行为实时识别方法，将共享单车GPS轨迹中出现的多个连续未匹配至标准机动车行驶方向道路范围内的轨迹点所构成的线事件定义为共享单车的逆行行为；利用百度地图的鹰眼轨迹接口，将某一用户一次骑行行为中的轨迹点实时匹配至地图上；通过构建共享单车轨迹点概率图模型，得到各轨迹点条件概率；当连续三个轨迹点落在标准机动车行驶方向道路范围内的概率均小于设定阈值时，则判定此线事件为逆行行为；本发明能够实时识别共享单车逆行行为，有利于对其进行及时干预，从而提高非机动车和机动车的交通安全水平，体现实际应用价值。

Description

一种基于概率图模型的共享单车逆行行为实时识别方法
技术领域
本发明涉及大数据交通安全管理领域，具体为一种基于概率图模型的共享单车逆行行为实时识别方法。
背景技术
在“创新、协调、绿色、开放、共享”的发展理念下，共享单车以惊人的速度在城市中崛起。第三方数据研究机构报告显示，2017年是中国共享单车行业用户增长最为迅猛的一年，增长率达到了632.1％。在2018年，用户规模将达到2.35亿人。然而，共享单车逆行现象十分突出。这不仅严重干预居民的正常交通出行，还严重影响机动车的道路交通安全，增加了交通事故发生的可能性，尤其是发生在交叉口的逆行行为，更是给人们的生命财产安全造成极大威胁。因此，亟需对共享单车逆行行为进行及时识别和干预。
目前，共享单车的研究主要集中在共享单车的定位、停放点设计规划、投放和违法行为治理等方面。值得注意的是，共享单车违法行为治理的研究大多只涉及乱停乱放问题，未探讨其逆行行为。再者，若仅仅讨论如何治理共享单车逆行违法行为，无法从根源上解决该问题。这需要及时地识别出共享单车的逆行行为。现存文献主要采用图像分析方法识别机动车的逆行行为，但未研究共享单车的逆行行为，且图像分析方法，难以及时识别出共享单车逆行行为。由此可见，有必要探究一种实时识别共享单车逆行行为的方法。
将共享单车实时产生的GPS轨迹数据与百度地图鹰眼轨迹API相连接，使得基于概率图模型实时识别出共享单车逆行行为成为可能。现今，对于共享单车逆行行为的识别方法十分稀少，而共享单车行业又将进入成熟期，增长态势将趋于稳定。因此，亟需探究基于概率图模型的共享单车逆行行为实时识别方法，及时判断骑行人的逆行行为，发挥共享单车覆盖公交盲区、强化轨道交通优势、解决最后一公里及完善城市微循环的积极作用。
发明内容
针对上述问题，本发明提供一种基于概率图模型的共享单车逆行行为实时识别方法，步骤如下：
步骤一：定义共享单车逆行行为：将共享单车GPS轨迹中出现的多个连续未匹配至标准机动车行驶方向道路范围内的轨迹点所构成的线事件定义为共享单车的逆行行为。
步骤二：利用百度地图开发者平台中的鹰眼轨迹接口，将共享单车的轨迹点位置以用户ID为类别，与鹰眼轨迹接口相连接，从终端对共享单车用户每一次骑行行为中的轨迹点进行实时追踪。
步骤三：利用概率图模型，并结合鹰眼轨迹接口将共享单车轨迹点实时匹配至标准机动车行驶方向道路范围内，经由基于概率图模型的表示、推理和学习过程，实现对共享单车逆行行为的实时识别。
更进一步地，所述步骤三具体包括：
步骤A：概率图模型的表示过程，可显示模型的随机变量在变量层面的依赖关系，即某一用户一次骑行行为中，按时间顺序出现的多个轨迹点落在标准机动车行驶方向道路范围内的概率，即正常骑行行为的概率，使用条件概率形式表示。
步骤B：概率图模型的推理过程，利用贝叶斯网络的结构信息，令其联合概率实现局部化，即验证步骤A中条件概率形式正确。
步骤C：进行概率图模型的学习过程，分为结构学习和参数学习两部分。通过有向图获取轨迹点间因果关系，通过确定条件概率判断其是否落在标准机动车行驶方向道路范围内。
更进一步地，所述步骤A具体包括：
(1)使用基于动态贝叶斯网络的有向无环图表示各轨迹点间的关系。动态贝叶斯网络服从马尔可夫特性，即某一轨迹点是否落在标准机动车行驶方向道路范围内的概率只与同一用户骑行行为中上一轨迹点的概率分布有关。
(2)设Zt＝(Ut,Xt,Yt)代表某一用户一次骑行行为中所有轨迹点的集合，Ut代表输入变量集，即轨迹点的经纬度信息；Xt代表隐状态变量集，即与轨迹点有关的速度和方向值；Yt代表输出变量集，即轨迹点通过鹰眼轨迹接口被匹配至地图显示的位置；系统是离散时间随机过程。
(3)一个动态贝叶斯网络由一个初始网B1和转换网B→组成，即(B1,B→)。其中，初始网代表一个轨迹点的经纬度信息、速度和方向值、在地图上显示位置三者间的关系；转换网则表示某一时刻轨迹点与上一轨迹点变量间的关系。
(4)给定动态贝叶斯网络B＝(B1,B→)，在Z1,Z2,…,ZT上的联合分布概率表示通过鹰眼轨迹接口，某一用户一次骑行行为中轨迹点匹配至道路上的可能性，即是否落在某一标准机动车行驶方向道路范围内，公式如下：
Figure BDA0001846704760000021
式中：
Figure BDA0001846704760000022
表示t时刻贝叶斯网中的第i个轨迹点；
Figure BDA0001846704760000023
为
Figure BDA0001846704760000024
的父结点，即上一轨迹点的取值。
更进一步地，所述步骤B具体包括：
(1)利用某一用户一次骑行行为中各轨迹点间信息，建立相邻轨迹点间的条件概率进行比较，以此验证概率图模型表示的正确性。下式表示：在上一轨迹点条件下，下一个轨迹点落在标准机动车行驶方向道路范围内的概率。
Figure BDA0001846704760000031
(2)同时，当每一轨迹点收到下一轨迹点的信息后立即更新其自身信息，将自身信息乘以新接收到的信息并除去上一轨迹点接收到的信息，以此作为新的发生概率。即通过下一轨迹点将信息传递给上一轨迹点，上一轨迹点再将更新后的信息传回，使算法收敛从而更接近于正确分布。
再进一步地，所述步骤C具体包括：
(1)通过两两轨迹点间的关系来确定轨迹点间的条件独立性，即按照某一用户一次骑行行为中按照时间顺序出现的轨迹点构造有向模型，完成模型的结构学习。
(2)基于贝叶斯估计的参数学习，得到每个轨迹点落在标准行驶方向道路范围内的条件概率。将此事件发生的概率看作符合某种先验概率分布，每个轨迹点被观测的过程就是把先验概率密度转化为后验概率密度的过程，即利用观测到轨迹点的信息修正对条件概率的初始判断。
(3)通过概率图模型的表示、推理和学习过程，得到每一轨迹点的条件概率，完成对某一用户一次骑行行为中按时间顺序出现的轨迹点是否落在标准方向道路范围内的判断。当条件概率大于设定阈值时，即判定骑行行为正常；当条件概率小于设定阈值时，则判定该轨迹点未落入标准行驶方向道路范围内。连续相邻三个轨迹点的条件概率小于设定阈值时，则为一起线事件，即逆行行为，进而完成对共享单车逆行行为的实时识别过程。
本发明的有益效果为：
在将共享单车产生的GPS轨迹点与百度地图鹰眼轨迹API相连接的基础上，通过构建概率图模型，实时识别共享单车逆行行为，这有利于对其进行及时干预，从而提高共享单车骑行和机动车行驶的交通安全水平，体现实际应用价值。发挥共享单车覆盖公交盲区、强化轨道交通优势、解决最后一公里及完善城市微循环的积极作用。
附图说明
图1为本发明的总体流程图；
图2为共享单车逆行行为定义示意图；
图3为动态贝叶斯网络的初始网和转化网。
具体实施方式
下面结合附图和具体实施例对本发明做进一步详细说明。
本实施例是一种基于概率图模型的共享单车逆行行为实时识别方法，将共享单车GPS轨迹中出现的多个连续未匹配至标准机动车行驶方向道路范围内的轨迹点所构成的线事件定义为共享单车的逆行行为。以用户ID为类别，利用百度地图API将每一用户一次骑行行为中的轨迹点实时匹配至地图，通过概率图模型找出轨迹点及轨迹点间的关系，以落在标准机动车行驶方向道路范围内的概率建立条件分布，验证其可靠性后，明确模型结构和参数，即确认模型。当连续三个轨迹点条件概率小于设定阈值时，认定该线事件为共享单车逆行行为，从而形成基于概率图模型的共享单车逆行行为实时识别方法。具体包括共享单车逆行行为描述，连接鹰眼轨迹接口将轨迹点匹配至地图，利用概率图模型三个关键的操作步骤，综合上述三个步骤实现的共享单车逆行行为识别算法步骤框图如图1所示，具体步骤如下：
(1)定义共享单车逆行行为：将共享单车GPS轨迹中出现的多个连续未匹配至标准机动车行驶方向道路范围内的轨迹点所构成的线事件定义为共享单车的逆行行为。如图2所示。
(2)利用百度地图开发者平台中的鹰眼轨迹接口，将共享单车的轨迹点位置以用户ID为类别，与鹰眼轨迹接口相连接，从终端对共享单车用户每一次骑行行为中的轨迹点进行实时追踪。
(3)利用概率图模型，并结合鹰眼轨迹接口将共享单车轨迹点实时匹配至标准机动车行驶方向道路范围内，经由基于概率图模型的表示、推理和学习过程，实现对共享单车逆行行为的实时识别。
(4)概率图模型的表示过程，可显示模型的随机变量在变量层面的依赖关系，即某一用户一次骑行行为中，按时间顺序出现的多个轨迹点落在标准机动车行驶方向道路范围内(即正常骑行行为，下同)的概率，使用条件概率形式表示。
(5)使用基于动态贝叶斯网络的有向无环图表示各轨迹点间的关系。动态贝叶斯网络服从马尔可夫特性，即某一轨迹点是否落在标准机动车行驶方向道路范围内的概率只与同一用户骑行行为中上一轨迹点的概率分布有关。
(6)设Zt＝(Ut,Xt,Yt)代表某一用户一次骑行行为中所有轨迹点的集合，Ut代表输入变量集，即轨迹点的经纬度信息；Xt代表隐状态变量集，即与轨迹点有关的速度和方向值；Yt代表输出变量集，即轨迹点通过鹰眼轨迹接口被匹配至地图显示的位置；系统是离散时间随机过程。
(7)一个动态贝叶斯网络由一个初始网B1和转换网B→组成，即(B1,B→)。其中，初始网代表一个轨迹点的经纬度信息、速度和方向值、在地图上显示位置三者间的关系；转换网则表示某一时刻轨迹点与上一轨迹点变量间的关系。如图3所示。
(8)给定动态贝叶斯网络B＝(B1,B→)，在Z1,Z2,…,ZT上的联合分布概率表示通过鹰眼轨迹接口，某一用户一次骑行行为中轨迹点匹配至道路上的可能性，即是否落在某一标准机动车行驶方向道路范围内，公式如下：
Figure BDA0001846704760000051
式中：
Figure BDA0001846704760000052
表示t时刻贝叶斯网中的第i个轨迹点；
Figure BDA0001846704760000053
为
Figure BDA0001846704760000054
的父结点，即上一轨迹点的取值。
(9)概率图模型的推理过程，利用贝叶斯网络的结构信息，令其联合概率实现局部化，即验证步骤(8)中条件概率形式正确。
(10)利用某一用户一次骑行行为中各轨迹点间信息，建立相邻轨迹点间的条件概率进行比较，以此验证概率图模型表示的正确性。下式表示：在上一轨迹点条件下，下一个轨迹点落在标准机动车行驶方向道路范围内的概率。
Figure BDA0001846704760000055
(11)同时，当每一轨迹点收到下一轨迹点的信息后立即更新其自身信息，将自身信息乘以新接收到的信息并除去上一轨迹点接收到的信息，以此作为新的发生概率。即通过下一轨迹点将信息传递给上一轨迹点，上一轨迹点再将更新后的信息传回，使算法收敛从而更接近于正确分布。
(12)进行概率图模型的学习过程，分为结构学习和参数学习两部分。通过有向图获取轨迹点间因果关系，通过确定条件概率判断其是否落在标准机动车行驶方向道路范围内。
(13)通过两两轨迹点间的关系来确定轨迹点间的条件独立性，即按照某一用户一次骑行行为中按照时间顺序出现的轨迹点构造有向模型，完成模型的结构学习。
(14)基于贝叶斯估计的参数学习，得到每个轨迹点落在标准行驶方向道路范围内的条件概率。将此事件发生的概率看作符合某种先验概率分布，每个轨迹点被观测的过程就是把先验概率密度转化为后验概率密度的过程，即利用观测到轨迹点的信息修正对条件概率的初始判断。
(15)通过概率图模型的表示、推理和学习过程，得到每一轨迹点的条件概率，完成对某一用户一次骑行行为中按时间顺序出现的轨迹点是否落在标准方向道路范围内的判断。当条件概率大于设定阈值时，即判定骑行行为正常；当条件概率小于设定阈值时，则判定该轨迹点未落入标准行驶方向道路范围内。连续相邻三个轨迹点的条件概率小于设定阈值时，则为一起线事件，即逆行行为，进而完成对共享单车逆行行为的实时识别过程。

Claims (3)

1.一种基于概率图模型的共享单车逆行行为实时识别方法，其特征在于，步骤如下：
步骤一：定义共享单车逆行行为：将共享单车GPS轨迹中出现的多个连续未匹配至标准机动车行驶方向道路范围内的轨迹点所构成的线事件定义为共享单车的逆行行为；
步骤二：利用百度地图开发者平台中的鹰眼轨迹接口，将共享单车的轨迹点位置以用户ID为类别，与鹰眼轨迹接口相连接，从终端对共享单车用户每一次骑行行为中的轨迹点进行实时追踪；
步骤三：利用概率图模型，并结合鹰眼轨迹接口将共享单车轨迹点实时匹配至标准机动车行驶方向道路范围内，经由基于概率图模型的表示、推理和学习过程，实现对共享单车逆行行为的实时识别，步骤三具体为：
步骤A：概率图模型的表示过程，可显示模型的随机变量在变量层面的依赖关系，即某一用户一次骑行行为中，按时间顺序出现的多个轨迹点落在标准机动车行驶方向道路范围内的概率，即正常骑行行为的概率，使用条件概率形式表示；
步骤B：概率图模型的推理过程，利用贝叶斯网络的结构信息，令其联合概率实现局部化，即验证步骤A中条件概率分布形式正确；
步骤C：进行概率图模型的学习过程，分为结构学习和参数学习两部分；通过有向图获取轨迹点间因果关系，并确定条件概率判断其是否落在标准机动车行驶方向道路范围内，步骤C具体为：
(1)通过两两轨迹点间的关系来确定轨迹点间的条件独立性，即按照某一用户一次骑行行为中按照时间顺序出现的轨迹点构造有向模型，完成模型的结构学习；
(2)基于贝叶斯估计的参数学习，得到每个轨迹点落在标准行驶方向道路范围内的条件概率，将此事件发生的概率看作符合某种先验概率分布，每个轨迹点被观测的过程就是把先验概率密度转化为后验概率密度的过程，即利用观测到轨迹点的信息修正对条件概率的初始判断；
(3)通过概率图模型的表示、推理和学习过程，得到每一轨迹点的条件概率，完成对某一用户一次骑行行为中按时间顺序出现的轨迹点是否落在标准方向道路范围内的判断；当条件概率大于设定阈值时，即判定骑行行为正常；当条件概率小于设定阈值时，则判定该轨迹点未落入标准行驶方向道路范围内，连续相邻三个轨迹点的条件概率小于设定阈值时，则为一起线事件，即逆行行为；进而完成对共享单车逆行行为的实时识别过程。
2.根据权利要求1所述的一种基于概率图模型的共享单车逆行行为实时识别方法，其特征在于，所述步骤A具体包括：
(1)使用基于动态贝叶斯网络的有向无环图表示各轨迹点间的关系，动态贝叶斯网络服从马尔可夫特性，即某一轨迹点是否落在标准机动车行驶方向道路范围内的概率只与同一用户骑行行为中上一轨迹点的概率分布有关；
(2)设Zt＝(Ut,Xt,Yt)代表某一用户一次骑行行为中所有轨迹点的集合，Ut代表输入变量集，即轨迹点的经纬度信息；Xt代表隐状态变量集，即与轨迹点有关的速度和方向值；Yt代表输出变量集，即轨迹点通过鹰眼轨迹接口被匹配至地图显示的位置；系统是离散时间随机过程；
(3)一个动态贝叶斯网络由一个初始网B1和转换网B→组成，即(B1,B→)，其中初始网代表一个轨迹点的经纬度信息、速度和方向值、在地图上显示位置三者间的关系；转换网则表示某一时刻轨迹点与上一轨迹点变量间的关系；
(4)给定动态贝叶斯网络B＝(B1,B→)，在Z1,Z2,…,ZT上的联合分布概率表示通过鹰眼轨迹接口，某一用户一次骑行行为中轨迹点匹配至道路上的可能性，即是否落在某一标准机动车行驶方向道路范围内，公式如下：
Figure FDA0003023714410000021
式中：
Figure FDA0003023714410000022
表示t时刻贝叶斯网中的第i个轨迹点；
Figure FDA0003023714410000023
为
Figure FDA0003023714410000024
的父结点，即上一轨迹点的取值。
3.根据权利要求1所述的一种基于概率图模型的共享单车逆行行为实时识别方法，其特征在于，所述步骤B具体包括：
(1)利用某一用户一次骑行行为中各轨迹点间信息，建立相邻轨迹点间的条件概率进行比较，以此验证概率图模型表示的正确性；下式表示：在上一轨迹点条件下，下一个轨迹点落在标准机动车行驶方向道路范围内的概率；
Figure FDA0003023714410000025
(2)同时，当每一轨迹点收到下一轨迹点的信息后立即更新其自身信息，将自身信息乘以新接收到的信息并除去上一轨迹点接收到的信息，以此作为新的发生概率；即通过下一轨迹点将信息传递给上一轨迹点，上一轨迹点再将更新后的信息传回，使算法收敛从而更接近于正确分布。
CN201811274576.1A 2018-10-30 2018-10-30 一种基于概率图模型的共享单车逆行行为实时识别方法 Expired - Fee Related CN109359169B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811274576.1A CN109359169B (zh) 2018-10-30 2018-10-30 一种基于概率图模型的共享单车逆行行为实时识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811274576.1A CN109359169B (zh) 2018-10-30 2018-10-30 一种基于概率图模型的共享单车逆行行为实时识别方法

Publications (2)

Publication Number Publication Date
CN109359169A CN109359169A (zh) 2019-02-19
CN109359169B true CN109359169B (zh) 2021-06-25

Family

ID=65347447

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811274576.1A Expired - Fee Related CN109359169B (zh) 2018-10-30 2018-10-30 一种基于概率图模型的共享单车逆行行为实时识别方法

Country Status (1)

Country Link
CN (1) CN109359169B (zh)

Families Citing this family (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109884338B (zh) * 2019-04-11 2021-04-27 武汉小安科技有限公司 共享电动车逆行检测方法、装置、设备及存储介质
CN110095126B (zh) * 2019-05-07 2021-03-12 北京百度网讯科技有限公司 地图匹配方法、装置、设备和介质
CN113327414B (zh) * 2020-02-28 2023-06-20 深圳市丰驰顺行信息技术有限公司 车辆逆行检测方法、装置、计算机设备和存储介质
CN114092902A (zh) * 2020-07-29 2022-02-25 顺丰科技有限公司 电动自行车违规行为的检测方法及装置
CN112017447B (zh) * 2020-08-20 2022-09-23 北京赛博星通科技有限公司 一种基于gps位置信息判定车辆逆行违规的方法及系统
CN114360261B (zh) * 2021-12-30 2023-05-19 北京软通智慧科技有限公司 车辆逆行的识别方法、装置、大数据分析平台和介质

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102568200A (zh) * 2011-12-21 2012-07-11 辽宁师范大学 车辆行驶状态实时判别的方法
CN104408924A (zh) * 2014-12-04 2015-03-11 深圳北航新兴产业技术研究院 一种基于耦合隐马尔可夫模型的城市道路异常交通流检测方法
CN105894808A (zh) * 2014-12-03 2016-08-24 北京旺德瑞通科技发展有限公司 检测交通事件的方法及装置
CN106184220A (zh) * 2016-06-30 2016-12-07 南京航空航天大学 一种基于车辆定位轨迹的车道内异常驾驶检测方法
CN107564312A (zh) * 2017-07-31 2018-01-09 上海与德科技有限公司 服务器、单车骑行速度的设定方法及控制方法
CN108364461A (zh) * 2018-01-05 2018-08-03 武汉中科通达高新技术股份有限公司 一种车辆行驶轨迹预测方法
CN108492564A (zh) * 2018-04-18 2018-09-04 山东省交通规划设计院 基于路网匹配测量高速公路车辆行驶速度的方法及系统

Family Cites Families (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP2048515B1 (de) * 2007-10-11 2012-08-01 JENOPTIK Robot GmbH Verfahren zur Erfassung und Dokumentation von Verkehrsverstössen an einer Verkehrsampel
CN103793920B (zh) * 2012-10-26 2017-10-13 杭州海康威视数字技术股份有限公司 基于视频的逆行检测方法及其系统
CN103235933B (zh) * 2013-04-15 2016-08-03 东南大学 一种基于隐马尔科夫模型的车辆异常行为检测方法
CN103605362B (zh) * 2013-09-11 2016-03-02 天津工业大学 基于车辆轨迹多特征的运动模式学习及异常检测方法
CN103942533A (zh) * 2014-03-24 2014-07-23 河海大学常州校区 一种基于视频监控系统的城市交通违规行为检测方法
CN104408203A (zh) * 2014-12-18 2015-03-11 西安电子科技大学宁波信息技术研究院 一种预测移动对象轨迹终点的方法
CN104809879B (zh) * 2015-05-14 2017-05-03 重庆大学 基于动态贝叶斯网络的高速公路路段交通状态估计方法
US10643478B2 (en) * 2017-03-15 2020-05-05 Nec Corporation Method for route optimization for demand responsive transportation
CN107967486B (zh) * 2017-11-17 2020-08-28 江苏大学 一种周边车辆行为识别方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102568200A (zh) * 2011-12-21 2012-07-11 辽宁师范大学 车辆行驶状态实时判别的方法
CN105894808A (zh) * 2014-12-03 2016-08-24 北京旺德瑞通科技发展有限公司 检测交通事件的方法及装置
CN104408924A (zh) * 2014-12-04 2015-03-11 深圳北航新兴产业技术研究院 一种基于耦合隐马尔可夫模型的城市道路异常交通流检测方法
CN106184220A (zh) * 2016-06-30 2016-12-07 南京航空航天大学 一种基于车辆定位轨迹的车道内异常驾驶检测方法
CN107564312A (zh) * 2017-07-31 2018-01-09 上海与德科技有限公司 服务器、单车骑行速度的设定方法及控制方法
CN108364461A (zh) * 2018-01-05 2018-08-03 武汉中科通达高新技术股份有限公司 一种车辆行驶轨迹预测方法
CN108492564A (zh) * 2018-04-18 2018-09-04 山东省交通规划设计院 基于路网匹配测量高速公路车辆行驶速度的方法及系统

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
Video-based intelligent multi-drive vehicle retrograde detection;Yinghong Li 等;《2010 3rd International Congress on Image and Signal Processing》;20101018;236-239 *
基于目标运动轨迹的交通状况及异常交通事件检测;杨媛;《中国优秀硕士学位论文全文数据库 信息科技辑》;20150215(第 02 期);I138-1001 *

Also Published As

Publication number Publication date
CN109359169A (zh) 2019-02-19

Similar Documents

Publication Publication Date Title
CN109359169B (zh) 一种基于概率图模型的共享单车逆行行为实时识别方法
CN110415516B (zh) 基于图卷积神经网络的城市交通流预测方法及介质
CN104157139B (zh) 一种交通拥堵预测方法及可视化方法
CN112258841B (zh) 一种基于它车辆轨迹预测的智能车辆风险评估方法
CN113076599A (zh) 一种基于长短时记忆网络的多模态车辆轨迹预测方法
CN102087788A (zh) 基于浮动车车速置信度的交通状态参数估计方法
CN107240264B (zh) 一种车辆非有效行驶轨迹识别方法和城市道路设施规划方法
CN111653096A (zh) 一种基于手机信令数据的城市出行方式识别方法
CN110400462B (zh) 基于模糊理论的轨道交通客流监测预警方法及其系统
CN111710162B (zh) 一种城市路网交通运行状况监测方法及系统
CN112489426A (zh) 一种基于图卷积神经网络的城市交通流量时空预测方案
CN115662113A (zh) 一种信号交叉口人车博弈冲突风险评估与预警方法
CN112734219A (zh) 一种车辆运输行驶行为分析方法及系统
CN111653093A (zh) 一种基于手机信令数据的城市出行方式综合识别方法
CN106960189A (zh) 一种基于隐含马尔可夫模型的驾驶意图判定方法
CN113762338A (zh) 一种基于多重图注意力机制的交通流预测方法、设备及介质
CN110634290A (zh) 一种基于自行车轨迹数据的逆行行为识别方法
Lv et al. Digital twins based VR simulation for accident prevention of intelligent vehicle
CN112507624A (zh) 一种城际公路出行方式识别模型构建、识别方法及装置
CN113674525B (zh) 基于稀疏数据的信号交叉口车辆排队长度预测方法
CN115565376B (zh) 融合graph2vec、双层LSTM的车辆行程时间预测方法及系统
CN114492544B (zh) 模型训练方法及装置、交通事件发生概率评估方法及装置
Zhu et al. Transportation modes behaviour analysis based on raw GPS dataset
WO2018107611A1 (zh) 城市道路的运行速度的处理方法、装置、设备及非易失性计算机存储介质
Qiu et al. Exploring the Non-linear Relationship between E-scooter Ridership and the Built Environment

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
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20210625

Termination date: 20211030

CF01 Termination of patent right due to non-payment of annual fee