CN109448363B - 基于轨迹预测的嫌疑车辆智能封控方法、系统及处理终端 - Google Patents

基于轨迹预测的嫌疑车辆智能封控方法、系统及处理终端 Download PDF

Info

Publication number
CN109448363B
CN109448363B CN201811165242.0A CN201811165242A CN109448363B CN 109448363 B CN109448363 B CN 109448363B CN 201811165242 A CN201811165242 A CN 201811165242A CN 109448363 B CN109448363 B CN 109448363B
Authority
CN
China
Prior art keywords
bayonet
vehicle
target
gate
suspected
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
Application number
CN201811165242.0A
Other languages
English (en)
Other versions
CN109448363A (zh
Inventor
贾志忠
欧仕华
刘冬
廖海
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.)
PCI Technology Group Co Ltd
Original Assignee
PCI Technology Group Co Ltd
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 PCI Technology Group Co Ltd filed Critical PCI Technology Group Co Ltd
Priority to CN201811165242.0A priority Critical patent/CN109448363B/zh
Publication of CN109448363A publication Critical patent/CN109448363A/zh
Application granted granted Critical
Publication of CN109448363B publication Critical patent/CN109448363B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
    • G08G1/0137—Measuring and analyzing of parameters relative to traffic conditions for specific applications
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G06Q10/047—Optimisation of routes or paths, e.g. travelling salesman problem
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • G06Q50/26—Government or public services
    • 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

Landscapes

  • Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Human Resources & Organizations (AREA)
  • Engineering & Computer Science (AREA)
  • Economics (AREA)
  • Tourism & Hospitality (AREA)
  • Strategic Management (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Development Economics (AREA)
  • Theoretical Computer Science (AREA)
  • Analytical Chemistry (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Game Theory and Decision Science (AREA)
  • Chemical & Material Sciences (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Educational Administration (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Traffic Control Systems (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明涉及一种基于轨迹预测的嫌疑车辆智能封控方法、系统及处理终端，所述方法包括依次进行的如下步骤：步骤1：获取嫌疑车辆经过卡口的过车记录；步骤2：获取卡口信息记录；步骤3：通过嫌疑车辆的历史行车轨迹和卡口‑警力关系网络获得嫌疑车辆最大概率到达的目标卡口,确定对嫌疑车辆的封控方案。本发明能够有效提供对嫌疑车辆的封控方案，并相比于传统采用人工部署的封控方案，具有快速、智能部署的优点，且有效的节省了警力资源，提升警务办公的智能化水平。

Description

基于轨迹预测的嫌疑车辆智能封控方法、系统及处理终端
技术领域
本发明涉及车牌检测技术领域，具体是一种基于轨迹预测的嫌疑车辆智能封控方法、系统及处理终端。
背景技术
近年来，随着社会的不断发展，人民生活水平的大幅度提升，汽车的保有量增长迅猛，使得道路交通变得更复杂，对嫌疑车辆的智能封控也更为复杂。智能封控是指通过分析嫌疑车辆通过卡口信息、车辆行驶速度及通过卡口的前端路网情况等相关信息，并结合警员、警车定位、警力位置以及应急封控力量报备等实时封控力量的部署位置，自动生成车辆封控方案，实时规划警力及时到达应急封控卡口点守候，封控住嫌疑车辆。而传统的嫌疑车辆封控方案，主要是根据嫌疑车辆的当前位置和卡口的监控信息，针对当前路网制定封控方案，由于卡口关系网络的复杂程度较高，往往需要耗费大量时间制定封控方案，并部署较多的警力，费时费力。
发明内容
针对现有技术的不足，本发明的目的之一提供一种基于轨迹预测的嫌疑车辆智能封控方法，其能够解决嫌疑车辆封控的问题；
本发明的目的之二提供一种基于轨迹预测的嫌疑车辆智能封控系统，其能够解决嫌疑车辆封控的问题；
本发明的目的之三提供一种处理终端，其能够解决嫌疑车辆封控的问题。
实现本发明的目的之一的技术方案为：一种基于轨迹预测的嫌疑车辆智能封控方法，包括依次进行的如下步骤：
步骤1：获取嫌疑车辆经过卡口的过车记录，过车记录至少包括嫌疑车辆的车牌号码、嫌疑车辆经过卡口的卡口编号和该卡口所在地的经纬度，并将过车记录建立过车记录数据库；
步骤2：获取卡口信息记录，卡口信息记录至少包括所有卡口的卡口编号、行车方向、卡口间距离、带有编号的警力位置、警力位置所在地的经纬度和卡口所在地的经纬度；并以卡口和警力位置作为点，卡口编号和卡口所在地的经纬度和警力位置所在地的经纬度作为点属性，以行车方向作为有向边，卡口间距离和卡口与警力位置之间的距离作为有向边属性，构建卡口-警力关系网络；
步骤3：将预设指定时间内的嫌疑车辆的过车记录信息作为嫌疑车辆的历史行车轨迹，通过嫌疑车辆的历史行车轨迹和卡口-警力关系网络获得嫌疑车辆最大概率到达的目标卡口,从而确定对嫌疑车辆的封控方案，封控方案包括嫌疑车辆最大概率到达的目标卡口、所需出警的警力位置、警力位置到达目标卡口的最短路径。
进一步地，所述步骤3具体由以下依次进行的步骤实现：
步骤3-1：预设初始为空集的封堵目标卡口集合LT，通过迭代和最短路径规划方法，获得最终全部有效的封堵目标卡口集合LT；
步骤3-2：通过封堵目标卡口集合LT，构建嫌疑车辆历史行车轨迹，并采用朴素贝叶斯算法计算得出嫌疑车辆驶向所有目标卡口的概率，从而得到概率最大的目标卡口，并从卡口-警力关系网络中找出与概率最大的目标卡口的最近警力位置，以及从该警力位置到达概率最大的目标卡口的最短路径；
步骤3-3：将步骤3-2得出的概率最大的目标卡口、到达概率最大的目标卡口的最近警力位置以及从该警力位置到达概率最大的目标卡口的最短路径作为封控方案。
进一步地，所述步骤3-1具体由以下依次进行的步骤实现：
步骤3-1-1：预设封堵目标卡口的集合为LT，初始集合LT为空；
步骤3-1-2：获取嫌疑车辆当前通过卡口K0′和驶向下一个的过车卡口K0，通过卡口-警力关系网络计算出嫌疑车辆从当前通过卡口K0′到达过车卡口K0的时间
Figure BDA0001819936290000031
通过卡口-警力关系网络获取与过车卡口K0距离最近的警力位置P0，采用公式①计算得到从警力位置P0到过车卡口K0的实际时间
Figure BDA0001819936290000032
Figure BDA0001819936290000033
式中，
Figure BDA0001819936290000034
表示按照规划的最短路径从警力位置P0到过车卡口K0之间的距离，
Figure BDA0001819936290000035
表示按照规划的最短路径从警力位置P0到过车卡口K0的平均速度；
当
Figure BDA0001819936290000036
时，则将过车卡口K0作为封堵目标卡口、警力位置P0、出警到该目标卡口的最短路径
Figure BDA0001819936290000037
作为输出结果；
当
Figure BDA0001819936290000038
时，获取与过车卡口K0相邻的卡口集合L1＝{K1,K2,KT,...,Kw}中的任意一个卡口KT(T＝1,2,3,...,w)，作为目标卡口,其中w表示与过车卡口K0相邻的卡口总个数；
步骤3-1-3：采用公式②计算出嫌疑车辆从当前通过卡口K0′到达目标卡口KT需要花费的实际时间ΔTT：
Figure BDA0001819936290000041
步骤3-1-4：从卡口-警力关系网络获取与目标卡口KT的直线距离最近的警力位置Pj，采用公式③计算出从警力位置Pj到达目标卡口KT的理论最短时间
Figure BDA0001819936290000042
Figure BDA0001819936290000043
式中，m表示卡口-警力关系网络中警力位置的总个数，
Figure BDA0001819936290000044
是根据目标卡口KT和警力位置Pj的经纬度得出的直线距离；
步骤3-1-5：首先比较理论最短时间
Figure BDA0001819936290000045
与实际时间ΔTT的大小，当
Figure BDA0001819936290000046
则不将目标卡口KT添加到集合LT；
当
Figure BDA0001819936290000047
时，采用公式④计算出按最短路径规划的实际最短时间
Figure BDA0001819936290000048
Figure BDA0001819936290000049
当
Figure BDA00018199362900000410
时，将目标卡口KT添加到集合LT，当
Figure BDA00018199362900000411
时，则不将目标卡口KT添加到集合LT；
步骤3-1-6：从集合L1＝{K1,K2,KT,...,Kw}中选取不同于目标卡口KT的另一个任意卡口Ki(i≠T,i＝1,2,3,...,w)作为新的嫌疑车辆到达的目标卡口；
步骤3-1-7：重新循环执行步骤3-1-3至步骤3-1-6，直至将集合L1＝{K1,K2,KT,...,Kw}中所有的卡口均执行完一遍，如果集合L1＝{K1,K2,KT,...,Kw}中存在至少一个可将嫌疑车辆封控住的卡口，则获得最终全部有效的封堵目标卡口集合LT；
如果集合L1＝{K1,K2,KT,...,Kw}中仍不存在一个可将嫌疑车辆封控住的卡口，则执行步骤3-1-6-1：
步骤3-1-6-1：通过过车记录找出嫌疑车辆在集合L1＝{K1,K2,KT,...,Kw}中经过的卡口作为步骤3-1-2中新的当前通过卡口K0′，并跳转至步骤3-1-1重新开始执行，直至将卡口-警力关系网络的所有卡口执行完一遍，并获得最终全部有效的封堵目标卡口集合LT。
进一步地，所述步骤3-2具体由以下步骤实现：
步骤3-2-1：根据嫌疑车辆的车牌号码和封堵目标卡口集合LT，在过车记录数据库中检索出嫌疑车辆的过车记录的条数Qnum，当Qnum<Qc时，执行步骤3-2-2，否则，执行步骤3-2-3；
步骤3-2-2：接收由人工确定的目的地卡口；并根据预设的指定时间内的具有与嫌疑车辆相同目的地的其他车辆的历史行车轨迹，分析嫌疑车辆驶向目的地卡口的概率；
步骤3-2-3：根据嫌疑车辆的历史行车轨迹，分析嫌疑车辆驶向封堵目标卡口集合LT中各卡口的概率。
进一步地，所述步骤3-2-2包括：
步骤3-2-2-1：接收由人工从封堵目标卡口集合LT中筛选出来的目的地卡口集合LCT；
步骤3-2-2-2：根据目的地卡口集合LCT，在过车记录数据库中查询在预设的指定时间内，且具有与嫌疑车辆相同目的地的过车记录，从而获得与嫌疑车辆驶向相同目的地的车辆的车牌号码集合记为LC；
步骤3-2-2-3：根据车牌号码集合LC，在过车记录数据库中查找出集合LC所对应的所有车辆，获得所有车辆经过的卡口集合记为集合LQ，并将集合LT中不存在于集合LQ中的卡口剔除，得到新的封堵目标卡口集合L′T；
步骤3-2-2-4：从集合LQ中获取嫌疑车辆当前所在的卡口Ki，卡口Ki作为当前嫌疑车辆的出发卡口，并从新的封堵目标卡口集合L′T中获得任意一卡口Kt(Kt∈L′T)；按照位置卡口Ki在前，卡口Kt在后的原则，将集合LQ中的卡口依次分成多组嫌疑车辆的历史行车轨迹；获得历史行车轨迹后，将历史行车轨迹中的卡口按先后顺序获得目标卡口集合LK；
步骤3-2-2-5：首先从过车记录数据库中查找出嫌疑车辆当前的行驶轨迹，嫌疑车辆当前的行驶轨迹记为集合Lc′＝{Kc1,Kc2,…,Kcn}，集合Lc′＝{Kc1,Kc2,…,Kcn}表示嫌疑车辆从卡口Kc1出发依次经过卡口Kc2后，最终到达卡口Kcn，cn表示嫌疑车辆行驶经过的卡口总个数，并采用公式⑤计算出嫌疑车辆驶向目标卡口集合LK中的任一卡口的概率，从而获得最大概率到达的目标卡口：
Figure BDA0001819936290000061
式中，P(Kj)是指当前目标卡口Kj在历史行车轨迹中的概率；P(Kci|Kj)表示嫌疑车辆已经过当前目标卡口Kj的前提下又经过卡口Kci的条件概率，且
Figure BDA0001819936290000071
P(KciKj)表示嫌疑车辆经过卡口Kci和卡口Kj的联合概率，P(Lc′|Kj)是指根据当前行驶轨迹分析，到达目标卡口Kj的概率；P(Lc′|K)max是指根据当前行驶轨迹分析，计算得到概率最大的目标卡口K的概率。
进一步地，所述步骤3-2-3具体由以下步骤实现：
步骤3-2-3-1：根据嫌疑车辆的车牌号码，在过车记录数据库中查找获得嫌疑车辆指定时间内经过的卡口信息，并按照时间排序，获得卡口集合L′Q，并剔除集合LT中不存在于集合L′Q中的卡口，得到新的封堵目标卡口集合L′T；
步骤3-2-3-2：从集合L′Q中获取嫌疑车辆当前所在的卡口Ki′，卡口Ki′作为当前嫌疑车辆的出发卡口，并从封堵目标卡口集合L′T中获得任意一卡口Kt(Kt∈L′T)；按照位置卡口Ki′在前，卡口Kt在后的原则，将集合L′Q中的卡口依次分成多组嫌疑车辆的历史行车轨迹；获得历史行车轨迹后，将历史行车轨迹中的卡口按先后顺序获得目标卡口集合L′K；
步骤3-2-3-3：首先从过车记录数据库中查找出嫌疑车辆当前的行驶轨迹，嫌疑车辆当前的行驶轨迹记为集合Lc″＝{K′c1,K′c2,…,K′cn}，集合Lc″＝{K′c1,K′c2,…,K′cn}表示嫌疑车辆从卡口K′c1出发依次经过卡口K′c2后，最终到达卡口K′cn，cn表示嫌疑车辆行驶经过的卡口总个数，并采用公式⑥计算出嫌疑车辆驶向目标卡口集合L′K中的任一卡口的概率，从而获得最大概率到达的目标卡口：
Figure BDA0001819936290000081
式中，P(Kj)是指当前目标卡口Kj在历史行车轨迹中的概率；P(K′ci|Kj)表示嫌疑车辆已经过当前目标卡口Kj的前提下又经过卡口K′ci的条件概率，且
Figure BDA0001819936290000082
P(K′ciKj)表示嫌疑车辆经过卡口K′ci和卡口Kj的联合概率，P(Lc″|Kj)是指根据当前行驶轨迹分析，到达目标卡口Kj的概率；P(Lc″|K)max是指根据当前行驶轨迹分析，计算得到概率最大的目标卡口K的概率。
进一步地，所述过车记录数据采用Elasticsearch作为分布式搜索引擎，并按时间创建索引。
进一步地，所述卡口-警力关系网络采用Neo4j作为图数据库建立。
进一步地，还包括通过显示设备将所述封控方案进行展示。
实现本发明的目的之二的技术方案为：一种基于轨迹预测的嫌疑车辆智能封控系统，包括数据采集模块、实时搜索分析模块、卡口-警力关系网络模块和智能封控模块；
所述数据采集模块用于收集各个卡口的过车记录，并将新收集到的过车记录实时更新到原有的过车记录中，收集得到的过车记录作为本发明的基于轨迹预测的嫌疑车辆智能封控方法所需要使用的过车记录；
所述实时搜索分析模块是基于搜索引擎而建立的搜索服务器，将数据采集模块收集到的过车记录按时间创建索引后存储在实时搜索分析模块中，可以按天或按月或按年或其他时间单位进行创建索引，具体按多少时间创建索引可以根据实际情况进行调整，实时搜索分析模块还为智能封控程序运行模块提供检索服务；
所述卡口-警力关系网络模块将数据采集模块收集到的过车记录构建卡口-警力关系网络，从而提供任意一个卡口与另一个卡口之间的最短路径，以及任意一个卡口与任意一个警力位置之间的最短路径，也即是提供按行政规划的最短路径，或称为是两个位置之间实际行驶需要的实际路程；
所述智能封控模块用于运行前述基于轨迹预测的嫌疑车辆智能封控方法的程序，从而得到所述智能封控方法所对应的对嫌疑车辆构建的封控方案。
进一步地，还包括显示设备，所述显示设备：用于展示智能封控模块处理的结果，包括展示出封堵目标卡口位置、所需出警的警力位置以及最短出警路线
实现本发明的目的之三的技术方案为：一种处理终端，其包括，
存储器，用于存储程序指令；
处理器，用于运行所述程序指令，以执行前述基于轨迹预测的嫌疑车辆智能封控方法的步骤。
本发明的有益效果为：本发明能够有效提供对嫌疑车辆的封控方案，并相比于传统采用人工部署的封控方案，具有快速、智能部署的优点，且有效的节省了警力资源，提升警务办公的智能化水平。
附图说明
图1为本发明较佳实施例的流程图；
图2为本发明一种处理终端的结构示意图。
具体实施方式
下面，结合附图以及具体实施方式，对本发明做进一步描述：
首先，示例性定义相关符号的含义如下：
Pu(0≤u≤m)：编号为u的警力位置，m表示警力位置的总个数；
Ki(0≤i≤n)：编号为i的卡口，n表示卡口的总个数；
Figure BDA0001819936290000101
表示嫌疑车辆从Ki卡口到达Kj卡口所需要的时间；
LC：与嫌疑车辆驶向相同目的地的车辆的车牌号码集合；
LK:将历史行车轨迹中的卡口按先后顺序获得目标卡口集合；
LQ：根据车牌号码集合LC，在过车记录数据库中查找出集合LC所对应的所有车辆，获得所有车辆经过的卡口集合；
LCT：从封堵目标卡口集合LT中筛选出来的目的地卡口集合；
L1：与过车卡口K0相邻的卡口集合；
LT：封堵目标卡口集合；
Qc：嫌疑车辆历史记录条数阈值；
Figure BDA0001819936290000102
根据经纬度计算，得到的警力位置Pu与卡口Ki之间的直线距离；
Figure BDA0001819936290000103
从警力位置Pu到卡口Ki的实际最短时间；
Figure BDA0001819936290000104
按照规划的最短路径，得到警力位置Pu与卡口Ki之间的距离；
ΔTT：表示嫌疑车辆从当前卡口到达目标卡口需要花费的实际时间；
Figure BDA0001819936290000111
表示从警力位置Pj到达目标卡口KT的理论最短时间；
Figure BDA0001819936290000112
按照规划的最短路径，得到的从警力位置Pu出发，到卡口Kj的平均速度；
在本实施例中，卡口设有抓拍摄像机。
如图1所示，一种基于轨迹预测的嫌疑车辆智能封控方法，包括依次进行的如下步骤：
步骤1：获取嫌疑车辆经过卡口的过车记录，过车记录至少包括嫌疑车辆的车牌号码、嫌疑车辆经过卡口的卡口编号和该卡口所在地的经纬度；
而为了便于搜索查询及调取到过车记录，将过车记录按时间创建索引建立过车记录数据库，具体的，本实施例，采用Elasticsearch作为分布式搜索引擎，通过数据采集模块，比如将过车记录按月创建索引建立过车记录数据库，月的格式为yyMM，如2018年1月1日，则表示为1801,当然实际使用时，也可以按天、年等其他时间创建索引建立过车记录数据库，比如按天创建索引，则上述可表示为180101，具体可以根据实际情况进行调整；
步骤2：获取卡口信息记录，卡口信息记录至少包括所有卡口的卡口编号、行车方向、卡口间距离、带有编号的警力位置、警力位置所在地的经纬度和卡口所在地的经纬度，这里的卡口编号自然也包括步骤1中的嫌疑车辆经过卡口的卡口编号；并以卡口信息记录中的卡口和警力位置作为点，卡口编号和卡口所在地的经纬度和警力位置所在地的经纬度作为点属性，以行车方向作为有向边，卡口间距离和卡口与警力位置之间的距离作为有向边属性，构建卡口-警力关系网络，可以采用Neo4j作为图数据库来构建卡口-警力关系网络，通过卡口-警力关系网络可以确定任意一个卡口的最近警力位置和任意一个卡口的所有相邻卡口，需要注意的是，与某个卡口的距离最近的警力位置有可能有多个，即有多个与该卡口距离相同的警力位置，当然，实际中出现这样情况的概率非常小，为便于描述，本实施例假设任意一个卡口的最近警力位置有且只有一个，这并不影响到本发明的实际应用，因为如果某个卡口的最近警力位置有多个情况下，只需要从中选择任意一个警力位置即可，另外这里所说的最近警力位置是指从警力位置到某卡口所需要实际行驶路程的最短距离，也即是按行政道路规划得到的最短距离，并非指两点之间的直线距离；而通过警力位置所在地的经纬度和卡口所在地的经纬度可以计算出任意一个警力位置到达任意一个卡口的直线距离；
步骤3：将预设的指定时间内的，比如一个月内的嫌疑车辆的过车记录信息作为嫌疑车辆的历史行车轨迹，通过嫌疑车辆历史行车轨迹和卡口-警力关系网络获得嫌疑车辆最大概率到达的目标卡口,从而确定对嫌疑车辆的封控方案，封控方案包括嫌疑车辆最大概率到达的目标卡口、所需出警的警力位置、警力位置到达目标卡口的最短路径；
步骤4：通过带有web界面的显示设备或其他显示设备将封控方案进行展示，也即显示智能封控方案的输出结果，可以采用图表或其他方式展示。
进一步地，所述步骤3具体由以下步骤实现：
步骤3-1：预设初始为空集的封堵目标卡口集合LT，通过多次迭代和最短路径规划方法，获得最终全部有效的封堵目标卡口集合LT，所谓有效的封堵目标卡口是指警力到达该卡口的时间早于嫌疑车辆到达该卡口的时间，也即在该卡口处可将嫌疑车辆封控住；
步骤3-2：车辆轨迹预测，根据步骤3-1获取的封堵目标卡口集合LT，构建嫌疑车辆历史行车轨迹，采用朴素贝叶斯算法建立嫌疑车辆轨迹预测的模型，计算得出嫌疑车辆驶向所有目标卡口的概率，从而得到嫌疑车辆最有可能驶向的目标卡口，也即是概率最大的目标卡口，并从卡口-警力关系网络中找出与概率最大的目标卡口的最近警力位置，以及从该警力位置到达概率最大的目标卡口的最短路径；
步骤3-3：将步骤3-2得出的概率最大的目标卡口、到达概率最大的目标卡口所需出警的警力位置以及从警力位置到达概率最大的目标卡口的最短路径作为本发明的封控方案。
进一步地，所述步骤3-1具体由以下步骤实现：
步骤3-1-1：预设封堵目标卡口的集合为LT，初始集合LT为空；
步骤3-1-2：获取嫌疑车辆当前通过卡口K0′,驶向下一个的过车卡口K0，通过卡口-警力关系计算出嫌疑车辆从当前通过卡口K0′到达过车卡口K0的时间
Figure BDA0001819936290000131
通过卡口-警力关系网络获取与过车卡口K0距离最近的警力位置P0，采用公式(1)计算得到从警力位置P0到过车卡口K0的实际时间
Figure BDA0001819936290000132
也即是从警力位置P0到过车卡口K0的需要花费的实际时间
Figure BDA0001819936290000141
Figure BDA0001819936290000142
式中，
Figure BDA0001819936290000143
表示按照规划的最短路径从警力位置P0到过车卡口K0之间的距离，
Figure BDA0001819936290000144
表示按照规划的最短路径从警力位置P0到过车卡口K0的平均速度，当
Figure BDA0001819936290000145
时，表明可以在过车卡口K0处将嫌疑车辆封控住，则将过车卡口K0作为封堵目标卡口、警力位置P0、出警到该目标卡口的最短路径
Figure BDA0001819936290000146
作为封控方案的输出结果；
当
Figure BDA0001819936290000147
时，这意味着嫌疑车辆到达过车卡口K0的时间早于警方到达过车卡口K0，即警方无法在过车卡口K0处将嫌疑车辆封控住，需要继续判断是否能在下一个卡口将嫌疑车辆封控住，为此，获取与过车卡口K0相邻的卡口集合L1＝{K1,K2,KT,...,Kw}中的任意一个卡口KT(T＝1,2,3,...,w)，作为目标卡口,其中w表示与过车卡口K0相邻的卡口总个数，并继续执行步骤3-1-3至步骤3-1-7：
步骤3-1-3：采用公式(2)计算出嫌疑车辆从当前通过卡口K0′到达目标卡口KT需要花费的实际时间ΔTT：
Figure BDA0001819936290000148
步骤3-1-4：从卡口-警力关系网络获取与目标卡口KT的直线距离最近的警力位置Pj，采用公式(3)计算出从警力位置Pj到达目标卡口KT的理论最短时间
Figure BDA0001819936290000149
Figure BDA00018199362900001410
式中，m表示卡口-警力关系网络中警力位置的总个数，
Figure BDA00018199362900001411
是根据目标卡口KT和警力位置Pj的经纬度得出的直线距离，而不是按行政道路规划得到的最短距离；
步骤3-1-5：首先比较理论最短时间
Figure BDA0001819936290000151
与实际时间ΔTT的大小，当
Figure BDA0001819936290000152
则表明，在理论上，嫌疑车辆从当前通过卡口K0′到达目标卡口KT的花费的时间小于从警力位置Pj到达目标卡口KT的时间，也即从警力位置Pj出发的警车不能早于嫌疑车辆到达目标卡口KT，也即目标卡口KT也不能作为封控住嫌疑车辆的卡口，也即仍然不能在目标卡口KT处将嫌疑车辆封控住，也即是不将目标卡口KT添加到集合LT；
当
Figure BDA0001819936290000153
时，至少表明，在理论上，警力是可以在目标卡口KT封控住嫌疑车辆，为此还需要进一步计算出实际路程的最短路径，通过卡口-警力关系网络获取从距离目标卡口KT的距离最近警力位置Pj到目标卡口KT的最短路径
Figure BDA0001819936290000154
最短路径
Figure BDA0001819936290000155
也即是车辆实际需要行驶路程的最短路径，采用公式(4)计算出按最短路径规划的实际最短时间
Figure BDA0001819936290000156
Figure BDA0001819936290000157
当
Figure BDA0001819936290000158
时，表明在实际上，也可以在目标卡口KT处将嫌疑车辆封控住，则将目标卡口KT添加到集合LT，即将卡口KT作为封堵目标卡口中的一个；
当
Figure BDA0001819936290000159
时，表明目标卡口KT无法作为封控住嫌疑车辆的封堵目标卡口，即不将目标卡口KT添加到集合LT；
步骤3-1-6：从集合L1＝{K1,K2,KT,...,Kw}中选取不同于目标卡口KT的另一个任意卡口Ki(i≠T,i＝1,2,3,...,w)作为新的嫌疑车辆到达的目标卡口；
步骤3-1-7：重新循环执行步骤3-1-3至步骤3-1-6，直至将集合L1＝{K1,K2,KT,...,Kw}中所有的卡口均执行完一遍，如果集合L1＝{K1,K2,KT,...,Kw}中存在至少一个可将嫌疑车辆封控住的卡口，则获得最终全部有效的封堵目标卡口集合LT；
若集合L1＝{K1,K2,KT,...,Kw}中所有的卡口均执行完一遍后，仍不存在一个可将嫌疑车辆封控住的卡口，也即从警力位置到达集合L1＝{K1,K2,KT,...,Kw}中的任一个卡口的实际最短时间
Figure BDA0001819936290000161
均大于嫌疑车辆到达相应卡口的实际时间ΔTT，表明集合L1＝{K1,K2,KT,...,Kw}中所有的卡口均不能将嫌疑车辆封控住，此时，则执行步骤3-1-6-1：
步骤3-1-6-1：通过过车记录找出嫌疑车辆在集合L1＝{K1,K2,KT,...,Kw}中经过的卡口作为步骤3-1-2中新的当前通过卡口K0′，并跳转至步骤3-1-1重新开始执行，直至将卡口-警力关系网络的所有卡口执行完一遍，处理结束后，若将卡口-警力关系网络的所有卡口执行完一遍后，仍没有存在可将嫌疑车辆封控住的卡口，则表明警力部署的警力位置太少或部署不合理，这是符合实际场景的，当然，出现这样的情况的概率是非常低的，在现实中，几乎不可能发生；
通过步骤3-1-1至步骤3-1-6的处理，可以获得在该卡口处将嫌疑车辆封控住的有效卡口集合，即获得封堵目标卡口集合LT。
进一步地，所述步骤3-2具体由以下步骤实现：
步骤3-2-1：根据嫌疑车辆的车牌号码和封堵目标卡口集合LT，在过车记录数据库中检索出嫌疑车辆的过车记录的条数Qnum，也即通过嫌疑车辆的车牌号码在过车记录数据库种检索出有经过封堵目标卡口集合LT中的任意一个卡口的过车记录的总条数，因此Qnum表示嫌疑车辆的过车历史轨迹，当Qnum<Qc时，执行步骤3-2-2，否则，执行步骤3-2-3，其中，Qc为常数，表示嫌疑车辆历史记录条数阈值，具体取值可以根据经验来判断，比如取值100；
步骤3-2-2：此种情况，表明嫌疑车辆首次出现或嫌疑车辆的历史行车轨迹较少，此时可以根据驾驶嫌疑车辆的嫌疑人的个人信息，通过人工参与制定相应的目的地，并将人工指定的目的地作为预设目的地输入本发明；并根据预设的指定时间，在该指定时间内具有与嫌疑车辆相同目的地的其他车辆的历史行车轨迹，分析嫌疑车辆驶向目标卡口的概率；
步骤3-2-3：根据嫌疑车辆的历史行车轨迹，分析嫌疑车辆驶向封堵目标卡口集合LT中各卡口的概率。
进一步地，所述步骤3-2-2包括：
步骤3-2-2-1：根据车辆、嫌疑人的信息，由人工分析出有效的嫌疑车辆驶向目的地卡口，目的地卡口是从封堵目标卡口集合LT中筛选出来的，得到目的地卡口集合LCT，即有LCT∈LT；
例如，根据车辆的车牌号码等信息，获得车辆车牌号码所在的省市区域，进而分析可能驶向的高速或相应的交通卡口位置，即得到目的地卡口集合LCT；同时，还可以根据嫌疑人的喜好、习惯，分析出嫌疑人可能去的目的地，比如可能去到的娱乐场所等，进而确定嫌疑车辆所必须经过的卡口，该必须经过的卡口也加入目的地卡口集合LCT中；
步骤3-2-2-2：根据目的地卡口集合LCT，在过车记录数据库中查询在指定时间范围内，且同嫌疑车辆驶向相同目的地的过车记录，并获得这些与嫌疑车辆驶向相同目的地车辆的车牌号码，车牌号码集合记为LC，其中，指定时间范围可以根据实际情况进行调整，比如指定时间范围设为8个小时；
步骤3-2-2-3：根据车牌号码集合LC，在过车记录数据库中查找出集合LC所对应的所有车辆，并查找出所有车辆在所述指定时间内经过的卡口信息，获得所有车辆经过的卡口集合记为集合LQ，并将集合LT中不存在于集合LQ中的卡口剔除，得到新的封堵目标卡口集合L′T，集合L′T表示警力可到达范围内且具有实际意义的卡口集合；
步骤3-2-2-4：从集合LQ中获取嫌疑车辆当前所在的卡口Ki，卡口Ki作为当前嫌疑车辆的出发卡口，并从新的封堵目标卡口集合L′T中获得任意一卡口Kt(Kt∈L′T)；按照位置卡口Ki在前，卡口Kt在后的原则，将集合LQ中的卡口依次分成多组嫌疑车辆的历史行车轨迹，例如：
LQ＝{K5,K1,K2,K1,K3,…,Kn}，Ki＝K1
Kt＝{K2,K3},Kt∈L′T
则有两条历史行车轨迹：{K1,K2}、{K1,K3}；
获得历史行车轨迹后，将历史行车轨迹中的卡口按先后顺序获得目标卡口集合LK，例如将上述的两条历史行车轨迹：{K1,K2}、{K1,K3}按先后顺序获得的目标卡口集合LK＝{K1,K2,K3}；
步骤3-2-2-5：首先从过车记录数据库中查找出嫌疑车辆当前的行驶轨迹，嫌疑车辆当前的行驶轨迹记为集合Lc′＝{Kc1,Kc2,…,Kcn}，集合Lc′＝{Kc1,Kc2,…,Kcn}表示嫌疑车辆从卡口Kc1出发依次经过卡口Kc2后，最终到达卡口Kcn，cn表示嫌疑车辆行驶经过的卡口总个数，然后使用朴素贝叶斯算法计算出嫌疑车辆驶向目标卡口集合LK中的任一卡口的概率，即计算公式(5)，并筛选出嫌疑车辆到达目标卡口集合LK中的卡口的最大概率，该最大概率所对应的卡口即为嫌疑车辆最有可能前去的卡口，即为最大概率到达的目标卡口，从而在该卡口处进行车辆封控部署，将嫌疑车辆封控住：
Figure BDA0001819936290000191
式中，P(Kj)是指当前目标卡口Kj在历史行车轨迹中的概率；P(Kci|Kj)表示嫌疑车辆已经过当前目标卡口Kj的前提下又经过卡口Kci的条件概率，且
Figure BDA0001819936290000192
P(KciKj)表示嫌疑车辆经过卡口Kci和卡口Kj的联合概率，P(Lc′|Kj)是指根据当前行驶轨迹分析，到达目标卡口Kj的概率；P(Lc′|K)max是指根据当前行驶轨迹分析，计算得到概率最大的目标卡口K的概率。
进一步地，所述步骤3-2-3具体由以下步骤实现：
步骤3-2-3-1：根据嫌疑车辆的车牌号码，在过车记录数据库中查找获得嫌疑车辆指定时间内经过的卡口信息，并按照时间排序，获得卡口集合L′Q,并剔除集合LT中不存在于集合L′Q中的卡口，得到新的封堵目标卡口集合L′T；
步骤3-2-3-2：跳转到步骤3-2-2-4开始执行，并继续执行步骤3-2-2-4至步骤3-2-2-5，获得嫌疑车辆最有可能前去的卡口，从而在该卡口处进行车辆封控部署，将嫌疑车辆封控住。
通过以上步骤的处理，本发明取得很好的技术效果：
1)本发明相比于目前利用监控信息的人工规划的封控方案相比，本发明通过构建卡口-警力关系网络，可快速获取卡口与警力位置之间的最短路径；
2)本发明利用Elasticsearch的快速检索服务，优化了程序运行时间，采用了类似机器学习算法构建车辆轨迹预测模型，对嫌疑车辆的行车轨迹进行预测，能够快速、智能的制定嫌疑车辆封控方案，有效的节省了警力资源，提升警务办公的智能化水平。
另外，本发明还涉及一种基于轨迹预测的嫌疑车辆智能封控系统，包括数据采集模块、实时搜索分析模块、卡口-警力关系网络模块、智能封控模块和显示设备；
所述数据采集模块用于收集各个卡口的过车记录，并将新收集到的过车记录实时更新到原有的过车记录中，收集得到的过车记录作为本发明的基于轨迹预测的嫌疑车辆智能封控方法所需要使用的过车记录；
所述实时搜索分析模块是基于搜索引擎而建立的搜索服务器，优选的采用Elasticsearch的分布式搜索引擎，将数据采集模块收集到的过车记录按时间创建索引后存储在实时搜索分析模块中，可以按天或按月或按年或其他时间单位进行创建索引，具体按多少时间创建索引可以根据实际情况进行调整，实时搜索分析模块还为智能封控程序运行模块提供检索服务；
所述卡口-警力关系网络模块将数据采集模块收集到的过车记录构建卡口-警力关系网络，优选的通过采用Neo4j作为图数据库建立，从而提供任意一个卡口与另一个卡口之间的最短路径，以及任意一个卡口与任意一个警力位置之间的最短路径，也即是提供按行政规划的最短路径，或称为是两个位置之间实际行驶需要的实际路程；
所述智能封控模块用于运行基于轨迹预测的嫌疑车辆智能封控方法的程序，从而得到所述智能封控方法所对应的对嫌疑车辆构建的封控方案；
所述显示设备：用于展示智能封控模块处理的结果，包括展示出封堵目标卡口位置、所需出警的警力位置以及最短出警路线，最短出警路线也即是从所需出警的警力位置到封堵目标卡口位置所需要行驶的实际最短路程。
另外，如图2所示，本发明还涉及一种实现以上方法的实体装置的处理终端100，其包括，
存储器101，用于存储程序指令；
处理器102，用于运行所述程序指令，以执行基于轨迹预测的嫌疑车辆智能封控方法的步骤，具体步骤与前面所描述的基于轨迹预测的嫌疑车辆智能封控方法中的步骤相同，在此不再进行赘述。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
尽管已描述了本发明的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。
显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包括这些改动和变型在内。

Claims (12)

1.一种基于轨迹预测的嫌疑车辆智能封控方法，其特征在于：包括依次进行的如下步骤：
步骤1：获取嫌疑车辆经过卡口的过车记录，过车记录至少包括嫌疑车辆的车牌号码、嫌疑车辆经过卡口的卡口编号和该卡口所在地的经纬度，并将过车记录建立过车记录数据库；
步骤2：获取卡口信息记录，卡口信息记录至少包括所有卡口的卡口编号、行车方向、卡口间距离、带有编号的警力位置、警力位置所在地的经纬度和卡口所在地的经纬度；并以卡口和警力位置作为点，卡口编号和卡口所在地的经纬度和警力位置所在地的经纬度作为点属性，以行车方向作为有向边，卡口间距离和卡口与警力位置之间的距离作为有向边属性，构建卡口-警力关系网络；
步骤3：将预设指定时间内的嫌疑车辆的过车记录信息作为嫌疑车辆的历史行车轨迹，通过嫌疑车辆的历史行车轨迹和卡口-警力关系网络获得嫌疑车辆最大概率到达的目标卡口,从而确定对嫌疑车辆的封控方案，封控方案包括嫌疑车辆最大概率到达的目标卡口、所需出警的警力位置、警力位置到达目标卡口的最短路径。
2.根据权利要求1所述的基于轨迹预测的嫌疑车辆智能封控方法，其特征在于：所述步骤3具体由以下依次进行的步骤实现：
步骤3-1：预设初始为空集的封堵目标卡口集合LT，通过迭代和最短路径规划方法，获得最终全部有效的封堵目标卡口集合LT，有效的封堵目标卡口集合LT是指由有效的封堵目标卡口构成的集合，有效的封堵目标卡口是指警力到达该卡口的时间早于嫌疑车辆到达该卡口的时间；
步骤3-2：通过封堵目标卡口集合LT，构建嫌疑车辆历史行车轨迹，并采用朴素贝叶斯算法计算得出嫌疑车辆驶向所有目标卡口的概率，从而得到概率最大的目标卡口，并从卡口-警力关系网络中找出与概率最大的目标卡口的最近警力位置，以及从该警力位置到达概率最大的目标卡口的最短路径；
步骤3-3：将步骤3-2得出的概率最大的目标卡口、到达概率最大的目标卡口的最近警力位置以及从该警力位置到达概率最大的目标卡口的最短路径作为封控方案。
3.根据权利要求2所述的基于轨迹预测的嫌疑车辆智能封控方法，其特征在于：所述步骤3-1具体由以下依次进行的步骤实现：
步骤3-1-1：预设封堵目标卡口的集合为LT，初始集合LT为空；
步骤3-1-2：获取嫌疑车辆当前通过卡口K0′和驶向下一个的过车卡口K0，通过卡口-警力关系网络计算出嫌疑车辆从当前通过卡口K0′到达过车卡口K0的时间
Figure FDA0002986341980000021
通过卡口-警力关系网络获取与过车卡口K0距离最近的警力位置P0，采用公式①计算得到从警力位置P0到过车卡口K0的实际时间
Figure FDA0002986341980000022
Figure FDA0002986341980000023
式中，
Figure FDA0002986341980000024
表示按照规划的最短路径从警力位置P0到过车卡口K0之间的距离，
Figure FDA0002986341980000025
表示按照规划的最短路径从警力位置P0到过车卡口K0的平均速度；
当
Figure FDA0002986341980000031
时，则将过车卡口K0作为封堵目标卡口、警力位置P0、出警到该目标卡口的最短路径
Figure FDA0002986341980000032
作为输出结果；
当
Figure FDA0002986341980000033
时，获取与过车卡口K0相邻的卡口集合L1＝{K1,K2,KT,...,Kw}中的任意一个卡口KT(T＝1,2,3,...,w)，作为目标卡口,其中w表示与过车卡口K0相邻的卡口总个数；
步骤3-1-3：采用公式②计算出嫌疑车辆从当前通过卡口K0′到达目标卡口KT需要花费的实际时间ΔTT：
Figure FDA0002986341980000034
步骤3-1-4：从卡口-警力关系网络获取与目标卡口KT的直线距离最近的警力位置Pj，采用公式③计算出从警力位置Pj到达目标卡口KT的理论最短时间
Figure FDA0002986341980000035
Figure FDA0002986341980000036
式中，m表示卡口-警力关系网络中警力位置的总个数，
Figure FDA0002986341980000037
是根据目标卡口KT和警力位置Pj的经纬度得出的直线距离，
Figure FDA0002986341980000038
是指表示按照规划的最短路径从警力位置Pj到过车卡口KT的平均速度；
步骤3-1-5：首先比较理论最短时间
Figure FDA0002986341980000039
与实际时间ΔTT的大小，当
Figure FDA00029863419800000310
则不将目标卡口KT添加到集合LT；
当
Figure FDA00029863419800000311
时，采用公式④计算出按最短路径规划的实际最短时间
Figure FDA00029863419800000312
Figure FDA00029863419800000313
当
Figure FDA00029863419800000314
时，将目标卡口KT添加到集合LT，当
Figure FDA00029863419800000315
时，则不将目标卡口KT添加到集合LT，
Figure FDA0002986341980000041
表示按照规划的最短路径得到警力位置Pj与卡口KT之间的距离；
步骤3-1-6：从集合L1＝{K1,K2,KT,...,Kw}中选取不同于目标卡口KT的另一个任意卡口Ki(i≠T,i＝1,2,3,...,w)作为新的嫌疑车辆到达的目标卡口；
步骤3-1-7：重新循环执行步骤3-1-3至步骤3-1-6，直至将集合L1＝{K1,K2,KT,...,Kw}中所有的卡口均执行完一遍，如果集合L1＝{K1,K2,KT,...,Kw}中存在至少一个可将嫌疑车辆封控住的卡口，则获得最终全部有效的封堵目标卡口集合LT；
如果集合L1＝{K1,K2,KT,...,Kw}中仍不存在一个可将嫌疑车辆封控住的卡口，则执行步骤3-1-6-1：
步骤3-1-6-1：通过过车记录找出嫌疑车辆在集合L1＝{K1,K2,KT,...,Kw}中经过的卡口作为步骤3-1-2中新的当前通过卡口K0′，并跳转至步骤3-1-1重新开始执行，直至将卡口-警力关系网络的所有卡口执行完一遍，并获得最终全部有效的封堵目标卡口集合LT。
4.根据权利要求2所述的基于轨迹预测的嫌疑车辆智能封控方法，其特征在于：所述步骤3-2具体由以下步骤实现：
步骤3-2-1：根据嫌疑车辆的车牌号码和封堵目标卡口集合LT，在过车记录数据库中检索出嫌疑车辆的过车记录的条数Qnum，当Qnum<Qc时，执行步骤3-2-2，否则，执行步骤3-2-3，其中，Qc表示嫌疑车辆历史记录条数阈值；
步骤3-2-2：接收由人工确定的目的地卡口；并根据预设的指定时间内的具有与嫌疑车辆相同目的地的其他车辆的历史行车轨迹，分析嫌疑车辆驶向目的地卡口的概率；
步骤3-2-3：根据嫌疑车辆的历史行车轨迹，分析嫌疑车辆驶向封堵目标卡口集合LT中各卡口的概率。
5.根据权利要求4所述的基于轨迹预测的嫌疑车辆智能封控方法，其特征在于：所述步骤3-2-2包括：
步骤3-2-2-1：接收由人工从封堵目标卡口集合LT中筛选出来的目的地卡口集合LCT；
步骤3-2-2-2：根据目的地卡口集合LCT，在过车记录数据库中查询在预设的指定时间内，且具有与嫌疑车辆相同目的地的过车记录，从而获得与嫌疑车辆驶向相同目的地的车辆的车牌号码集合记为LC；
步骤3-2-2-3：根据车牌号码集合LC，在过车记录数据库中查找出集合LC所对应的所有车辆，获得所有车辆经过的卡口集合记为集合LQ，并将集合LT中不存在于集合LQ中的卡口剔除，得到新的封堵目标卡口集合L′T；
步骤3-2-2-4：从集合LQ中获取嫌疑车辆当前所在的卡口Ki，卡口Ki作为当前嫌疑车辆的出发卡口，并从新的封堵目标卡口集合L′T中获得任意一卡口Kt(Kt∈L′T)；按照位置卡口Ki在前，卡口Kt在后的原则，将集合LQ中的卡口依次分成多组嫌疑车辆的历史行车轨迹；获得历史行车轨迹后，将历史行车轨迹中的卡口按先后顺序获得目标卡口集合LK；
步骤3-2-2-5：首先从过车记录数据库中查找出嫌疑车辆当前的行驶轨迹，嫌疑车辆当前的行驶轨迹记为集合L′c＝{Kc1,Kc2,…,Kcn}，集合L′c＝{Kc1,Kc2,…,Kcn}表示嫌疑车辆从卡口Kc1出发依次经过卡口Kc2后，最终到达卡口Kcn，cn表示嫌疑车辆行驶经过的卡口总个数，并采用公式⑤计算出嫌疑车辆驶向目标卡口集合LK中的任一卡口的概率，从而获得最大概率到达的目标卡口：
Figure FDA0002986341980000061
式中，P(Kj)是指当前目标卡口Kj在历史行车轨迹中的概率；P(Kci|Kj)表示嫌疑车辆已经过当前目标卡口Kj的前提下又经过卡口Kci的条件概率，且
Figure FDA0002986341980000062
P(KciKj)表示嫌疑车辆经过卡口Kci和卡口Kj的联合概率，P(L′c|Kj)是指根据当前行驶轨迹分析，到达目标卡口Kj的概率；P(L′c|K)max是指根据当前行驶轨迹分析，计算得到概率最大的目标卡口K的概率。
6.根据权利要求4所述的基于轨迹预测的嫌疑车辆智能封控方法，其特征在于：所述步骤3-2-3具体由以下步骤实现：
步骤3-2-3-1：根据嫌疑车辆的车牌号码，在过车记录数据库中查找获得嫌疑车辆指定时间内经过的卡口信息，并按照时间排序，获得卡口集合L′Q，并剔除集合LT中不存在于集合L′Q中的卡口，得到新的封堵目标卡口集合L′T；
步骤3-2-3-2：从集合L′Q中获取嫌疑车辆当前所在的卡口K′i，卡口K′i作为当前嫌疑车辆的出发卡口，并从封堵目标卡口集合L′T中获得任意一卡口Kt(Kt∈L′T)；按照位置卡口K′i在前，卡口Kt在后的原则，将集合L′Q中的卡口依次分成多组嫌疑车辆的历史行车轨迹；获得历史行车轨迹后，将历史行车轨迹中的卡口按先后顺序获得目标卡口集合L′K；
步骤3-2-3-3：首先从过车记录数据库中查找出嫌疑车辆当前的行驶轨迹，嫌疑车辆当前的行驶轨迹记为集合L″c＝{K′c1,K′c2,…,K′cn}，集合L″c＝{K′c1,K′c2,…,K′cn}表示嫌疑车辆从卡口K′c1出发依次经过卡口K′c2后，最终到达卡口K′cn，cn表示嫌疑车辆行驶经过的卡口总个数，并采用公式⑥计算出嫌疑车辆驶向目标卡口集合L′K中的任一卡口的概率，从而获得最大概率到达的目标卡口：
Figure FDA0002986341980000071
式中，P(Kj)是指当前目标卡口Kj在历史行车轨迹中的概率；P(K′ci|Kj)表示嫌疑车辆已经过当前目标卡口Kj的前提下又经过卡口K′ci的条件概率，且
Figure FDA0002986341980000072
P(K′ciKj)表示嫌疑车辆经过卡口K′ci和卡口Kj的联合概率，P(L″c|Kj)是指根据当前行驶轨迹分析，到达目标卡口Kj的概率；P(L″c|K)max是指根据当前行驶轨迹分析，计算得到概率最大的目标卡口K的概率。
7.根据权利要求1所述的基于轨迹预测的嫌疑车辆智能封控方法，其特征在于：所述过车记录数据采用Elasticsearch作为分布式搜索引擎，并按时间创建索引。
8.根据权利要求1所述的基于轨迹预测的嫌疑车辆智能封控方法，其特征在于：所述卡口-警力关系网络采用Neo4j作为图数据库建立。
9.根据权利要求1所述的基于轨迹预测的嫌疑车辆智能封控方法，其特征在于：还包括通过显示设备将所述封控方案进行展示。
10.一种基于轨迹预测的嫌疑车辆智能封控系统，其特征在于：包括数据采集模块、实时搜索分析模块、卡口-警力关系网络模块和智能封控模块；
所述数据采集模块用于收集各个卡口的过车记录，并将新收集到的过车记录实时更新到原有的过车记录中，收集得到的过车记录作为基于轨迹预测的嫌疑车辆智能封控方法所需要使用的过车记录；
所述实时搜索分析模块是基于搜索引擎而建立的搜索服务器，将数据采集模块收集到的过车记录按时间创建索引后存储在实时搜索分析模块中，实时搜索分析模块还为智能封控程序运行模块提供检索服务；
所述卡口-警力关系网络模块将数据采集模块收集到的过车记录构建卡口-警力关系网络，从而提供任意一个卡口与另一个卡口之间的最短路径，以及任意一个卡口与任意一个警力位置之间的最短路径；
所述智能封控模块用于运行如权利要求1至8任一项所述的基于轨迹预测的嫌疑车辆智能封控方法的程序，从而得到所述智能封控方法所对应的对嫌疑车辆构建的封控方案。
11.根据权利要求10所述的基于轨迹预测的嫌疑车辆智能封控系统，其特征在于：还包括显示设备，所述显示设备：用于展示智能封控模块处理的结果，包括展示出封堵目标卡口位置、所需出警的警力位置以及最短出警路线。
12.一种处理终端，其特征在于：其包括，
存储器，用于存储程序指令；
处理器，用于运行所述程序指令，以执行如权利要求1至9任一项所述的基于轨迹预测的嫌疑车辆智能封控方法的步骤。
CN201811165242.0A 2018-09-30 2018-09-30 基于轨迹预测的嫌疑车辆智能封控方法、系统及处理终端 Active CN109448363B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811165242.0A CN109448363B (zh) 2018-09-30 2018-09-30 基于轨迹预测的嫌疑车辆智能封控方法、系统及处理终端

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811165242.0A CN109448363B (zh) 2018-09-30 2018-09-30 基于轨迹预测的嫌疑车辆智能封控方法、系统及处理终端

Publications (2)

Publication Number Publication Date
CN109448363A CN109448363A (zh) 2019-03-08
CN109448363B true CN109448363B (zh) 2021-06-08

Family

ID=65545543

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811165242.0A Active CN109448363B (zh) 2018-09-30 2018-09-30 基于轨迹预测的嫌疑车辆智能封控方法、系统及处理终端

Country Status (1)

Country Link
CN (1) CN109448363B (zh)

Families Citing this family (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110189520B (zh) * 2019-06-04 2021-04-27 杭州中奥科技有限公司 路线确定方法和路线确定装置
CN112085953B (zh) * 2019-06-12 2022-08-05 杭州海康威视系统技术有限公司 一种交通指挥方法、装置及设备
CN110459060B (zh) * 2019-08-19 2021-07-06 公安部交通管理科学研究所 一种嫌疑车辆信息分级分类推送方法
CN110516888B (zh) * 2019-09-02 2020-12-22 重庆紫光华山智安科技有限公司 轨迹预测方法、装置、电子设备和计算机可读存储介质
CN110969852A (zh) * 2019-12-09 2020-04-07 上海宝康电子控制工程有限公司 基于布控车辆行驶路径实现公安实时预测及缉查布控处理的方法
CN112949979B (zh) * 2021-01-28 2024-04-09 迪爱斯信息技术股份有限公司 一种堵控规划方法及装置、围捕系统
CN113053114B (zh) * 2021-03-12 2022-01-11 广西计算中心有限责任公司 高速公路违规车辆出口站及出口时间的动态预测稽查方法
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

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101303798A (zh) * 2008-06-04 2008-11-12 山东鼎讯信息产业有限公司 一种新型卡口
CN102096859A (zh) * 2010-12-29 2011-06-15 深圳奥士达电子有限公司 基于嵌入式arm11/wince系统的超高频物联网终端平台
CN103325245A (zh) * 2013-06-25 2013-09-25 中国科学院信息工程研究所 一种黑名单车辆的时空行驶轨迹预测方法
CN103383816A (zh) * 2013-07-01 2013-11-06 青岛海信网络科技股份有限公司 复用电子警察混合交通流检测的交通信号控制方法及装置
CN104679864A (zh) * 2015-02-28 2015-06-03 武汉烽火众智数字技术有限责任公司 一种基于gis的嫌疑目标智能跟踪方法和装置
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
CN107885795A (zh) * 2017-10-24 2018-04-06 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
CN108312984A (zh) * 2017-12-28 2018-07-24 浙江中新长清信息科技有限公司 基于eMTC的电子牌照、平台及系统

Family Cites Families (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP4161816B2 (ja) * 2003-06-18 2008-10-08 トヨタ自動車株式会社 盗難検知システム、その盗難検知システムに利用可能な盗難検知装置、盗難判定装置、および盗難検知方法
US20130278441A1 (en) * 2012-04-24 2013-10-24 Zetta Research and Development, LLC - ForC Series Vehicle proxying
CN104021677B (zh) * 2014-06-25 2016-09-14 浙江宇视科技有限公司 一种车辆翻牌检测方法和装置
CN104200669B (zh) * 2014-08-18 2017-02-22 华南理工大学 一种基于Hadoop的套牌车识别方法及系统
CN105225493B (zh) * 2015-10-09 2017-10-10 北京易华录信息技术股份有限公司 一种车辆识别方法、装置及稽查系统
CN105427586B (zh) * 2015-12-16 2018-06-12 武汉烽火众智数字技术有限责任公司 一种基于多轨迹碰撞的车辆落脚点分析方法
CN105719313B (zh) * 2016-01-18 2018-10-23 青岛邃智信息科技有限公司 一种基于智能实时视频云的运动目标跟踪方法
CN106251635A (zh) * 2016-08-18 2016-12-21 武汉中科通达高新技术股份有限公司 一种套牌嫌疑车牌号的识别方法及系统
CA3052234A1 (en) * 2017-02-02 2018-08-09 Yosef Mintz Integrative system and methods to apply predictive dynamic city-traffic load balancing and perdictive parking control that may further contribute to cooperative safe driving
CN107329977B (zh) * 2017-05-27 2019-08-16 银江股份有限公司 一种基于概率分布的假牌车二次筛选方法
CN107862868B (zh) * 2017-11-09 2019-08-20 泰华智慧产业集团股份有限公司 一种基于大数据进行车辆轨迹预测的方法
CN107945522B (zh) * 2017-11-24 2019-10-29 泰华智慧产业集团股份有限公司 基于大数据查找嫌疑车辆的方法和系统

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101303798A (zh) * 2008-06-04 2008-11-12 山东鼎讯信息产业有限公司 一种新型卡口
CN102096859A (zh) * 2010-12-29 2011-06-15 深圳奥士达电子有限公司 基于嵌入式arm11/wince系统的超高频物联网终端平台
CN103325245A (zh) * 2013-06-25 2013-09-25 中国科学院信息工程研究所 一种黑名单车辆的时空行驶轨迹预测方法
CN103383816A (zh) * 2013-07-01 2013-11-06 青岛海信网络科技股份有限公司 复用电子警察混合交通流检测的交通信号控制方法及装置
CN104679864A (zh) * 2015-02-28 2015-06-03 武汉烽火众智数字技术有限责任公司 一种基于gis的嫌疑目标智能跟踪方法和装置
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
CN107885795A (zh) * 2017-10-24 2018-04-06 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
CN108312984A (zh) * 2017-12-28 2018-07-24 浙江中新长清信息科技有限公司 基于eMTC的电子牌照、平台及系统

Also Published As

Publication number Publication date
CN109448363A (zh) 2019-03-08

Similar Documents

Publication Publication Date Title
CN109448363B (zh) 基于轨迹预测的嫌疑车辆智能封控方法、系统及处理终端
CN111966729B (zh) 一种车辆轨迹数据处理方法、装置、设备及存储介质
CN103325245B (zh) 一种黑名单车辆的时空行驶轨迹预测方法
CN117056558A (zh) 使用边缘计算的分布式视频存储和搜索
CN110176142B (zh) 车辆轨迹预测模型建立及预测方法
CN107357894B (zh) 一种道路交通设施数据采集纠偏方法及系统
CN110363984B (zh) 交通流量预测方法和设备
CN104318327A (zh) 一种车辆轨迹预测分析方法
CN107633675A (zh) 自动驾驶汽车管理方法和自动驾驶汽车管理系统
WO2021237768A1 (zh) 一种基于数据驱动的实现预测模型自动化迭代的系统
CN112085953B (zh) 一种交通指挥方法、装置及设备
CN117311395B (zh) 用于河道内污染巡检的无人机路径规划方法及系统
US20230386327A1 (en) Methods and internet of things systems for managing traffic road cleaning in smart city
CN112487894A (zh) 基于人工智能的轨道交通保护区自动巡查方法及装置
CN113129387A (zh) 一种相机位置检测方法、装置、设备及存储介质
CN109166336B (zh) 一种基于区块链技术的实时路况信息采集推送方法
CN103605960A (zh) 一种基于不同焦距视频图像融合的交通状态识别方法
CN107862019B (zh) 一种基于大数据分析昼伏夜出车辆的方法及装置
CN105719313B (zh) 一种基于智能实时视频云的运动目标跟踪方法
CN113703015B (zh) 数据处理方法、装置、设备及介质
CN112950960B (zh) 自动驾驶车辆逆行的判断方法
CN109521447B (zh) 一种基于贪心策略的失踪目标搜索方法
CN113902209A (zh) 出行路线推荐方法、边缘服务器、云服务器、设备及介质
CN113593057A (zh) 一种基于无人机巡检的路内停车位管理方法
CN113505788B (zh) 获取路网信息的方法、装置及存储介质

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
CB02 Change of applicant information

Address after: Room 306, area 2, building 1, Fanshan Venture Center, Panyu energy saving science and Technology Park, 832 Yingbin Road, Donghuan street, Panyu District, Guangzhou, Guangdong 510000

Applicant after: Jiadu Technology Group Co.,Ltd.

Address before: Room 306, zone 2, building 1, Fanshan entrepreneurship center, Panyu energy saving technology park, No. 832 Yingbin Road, Donghuan street, Panyu District, Guangzhou City, Guangdong Province

Applicant before: PCI-SUNTEKTECH Co.,Ltd.

CB02 Change of applicant information
GR01 Patent grant
GR01 Patent grant
EE01 Entry into force of recordation of patent licensing contract

Application publication date: 20190308

Assignee: Guangzhou Jiadu Technology Software Development Co.,Ltd.

Assignor: Jiadu Technology Group Co.,Ltd.

Contract record no.: X2021980015159

Denomination of invention: Intelligent sealing method, system and processing terminal of suspected vehicle based on trajectory prediction

Granted publication date: 20210608

License type: Common License

Record date: 20211215

EE01 Entry into force of recordation of patent licensing contract
EE01 Entry into force of recordation of patent licensing contract

Application publication date: 20190308

Assignee: Guangzhou Jiadu Technology Software Development Co.,Ltd.

Assignor: Jiadu Technology Group Co.,Ltd.

Contract record no.: X2021440000226

Denomination of invention: Intelligent sealing method, system and processing terminal of suspected vehicle based on trajectory prediction

Granted publication date: 20210608

License type: Common License

Record date: 20211222

EE01 Entry into force of recordation of patent licensing contract
EC01 Cancellation of recordation of patent licensing contract

Assignee: Guangzhou Jiadu Technology Software Development Co.,Ltd.

Assignor: Jiadu Technology Group Co.,Ltd.

Contract record no.: X2021980015159

Date of cancellation: 20220111

EC01 Cancellation of recordation of patent licensing contract