CN109918368A - 一种通过轨迹关联度识别车辆驾驶者的系统和方法 - Google Patents
一种通过轨迹关联度识别车辆驾驶者的系统和方法 Download PDFInfo
- Publication number
- CN109918368A CN109918368A CN201910238047.4A CN201910238047A CN109918368A CN 109918368 A CN109918368 A CN 109918368A CN 201910238047 A CN201910238047 A CN 201910238047A CN 109918368 A CN109918368 A CN 109918368A
- Authority
- CN
- China
- Prior art keywords
- track
- driver
- data
- vehicle
- time
- 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
Landscapes
- Traffic Control Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
一种通过轨迹关联度识别车辆驾驶者的系统,包括时序轨迹采集模块、数据清洗模块和轨迹关联度计算模块。时序轨迹采集模块,用于采集包括车辆行驶轨迹与驾驶人员行为轨迹的时序轨迹数据,并且形成轨迹数据库。数据清洗模块,用于对包括车辆信息和驾驶人员信息的数据进行处理和整合,对采集到的轨迹数据进行分类及匹配后,结合时间和空间维度进行轨迹还原,按照业务需求确定划分维度区间,分别形成以车辆轨迹场景和驾驶人员行为轨迹、时间、空间为三要素的三维共振图。轨迹关联度计算模块,根据确定的维度区间,将车辆轨迹与驾驶人员行为轨迹进行对比,根据业务需求设定共振阈值,超过该阈值的群体为轨迹吻合度高群体,从中确定车辆当时的驾驶人员。
Description
技术领域
本发明属于交通大数据技术领域,特别涉及一种通过轨迹关联度识别车辆驾驶者的系统和方法。
背景技术
城市的快速扩张带来了城市人口的迅速膨胀,随之而来的是车辆给城市交通带来的堵塞和交通事故频发,增加了城市道路秩序维护成本。在车辆事故处理时,快速确定事故车辆驾驶人员信息,对于提高后续事故处理事件效率,降低执法成本是非常重要的环节。
同时,随着定位技术的高速发展和道路监控系统的完善,在提高城市交通畅通以及快速定位当时驾驶人员方面,对于车辆行为建立分析体系变得可行。由于在城市交通流特征中,车辆的行驶轨迹包含详细的交通流微观参数,通过对城市交通路网中车辆行为轨迹的提取、聚集和整合分析,可以系统科学地再现车辆的运行场景,有效获得城市网络交通流的宏观运行状态,结合驾驶人员行为轨迹分析结构和时空分布特点为快速定位当时驾驶人员分析提供重要数据支撑。
发明内容
本发明提供了一种通过轨迹关联度识别车辆驾驶者的系统和方法,通过车辆信息再现车辆行为轨迹,定位系统驾驶人员行为轨迹,根据车辆行为轨迹与人员行为轨迹进行时空轨迹共振,确定目标驾驶人员。
本发明实施了之一,一种通过轨迹关联度识别车辆驾驶者的系统,该系统包括时序轨迹采集模块、数据清洗模块和轨迹关联度计算模块,
时序轨迹采集模块,用于采集包括车辆行驶轨迹与驾驶人员行为轨迹的时序轨迹数据,并且形成轨迹数据库,
数据清洗模块,用于对包括车辆信息和驾驶人员信息的数据进行处理和整合,对采集到的轨迹数据进行分类及匹配后,结合时间和空间维度进行轨迹还原,按照业务需求确定划分维度区间,分别形成以车辆轨迹场景和驾驶人员行为轨迹、时间、空间为三要素的三维共振图,
轨迹关联度计算模块,根据确定的维度区间,将车辆轨迹与驾驶人员行为轨迹进行对比,根据业务需求设定共振阈值,超过该阈值的群体为轨迹吻合度高群体,从中确定车辆当时的驾驶人员。
本发明建立的车辆轨迹数据库以及驾驶人员行为轨迹数据库,可以助力城市交通流分析,并且为轨迹的分析挖掘带来更好的参考价值。同时,采用时空序列计算模型,并对数据进行时空序列聚类分析,极大地提高了轨迹的分析挖掘准确性与完善性,更加准确快速识别确定车辆驾驶人员。
附图说明
通过参考附图阅读下文的详细描述,本发明示例性实施方式的上述以及其他目的、特征和优点将变得易于理解。在附图中,以示例性而非限制性的方式示出了本发明的若干实施方式,其中:
图1本发明实施了中涉及的基于聚类的空间尺度转换过程示意图。
图2本发明实施了中识别车辆驾驶者的系统的流程示意图。
具体实施方式
根据一个或者多个实施例,如图2所示,一种通过轨迹关联度识别车辆驾驶者的系统,该系统包括时序轨迹采集模块、数据清洗模块和轨迹关联度计算模块。
时序轨迹采集模块,用于采集包括车辆行驶轨迹与驾驶人员行为轨迹的时序轨迹数据,并且形成轨迹数据库。
数据清洗模块,用于对包括车辆信息和驾驶人员信息的数据进行处理和整合,对采集到的轨迹数据进行分类及匹配后,结合时间和空间维度进行轨迹还原,按照业务需求确定划分维度区间,分别形成以车辆轨迹场景和驾驶人员行为轨迹、时间、空间为三要素的三维共振图。
轨迹关联度计算模块,根据确定的维度区间,将车辆轨迹与驾驶人员行为轨迹进行对比,根据业务需求设定共振阈值,超过该阈值的群体为轨迹吻合度高群体,从中确定车辆当时的驾驶人员。
根据一个或者多个实施例,一种通过轨迹关联度识别车辆驾驶者的系统,包括,
时序轨迹采集模块,该模块包括一系列的时序轨迹采集工具,通过收集这些工具采集的时序轨迹数据形成轨迹库,包括车辆行驶轨迹与驾驶人员行为轨迹。
数据清洗模块,其中的数据包括车辆信息和驾驶人员信息,
车辆信息是从道路监控设备以及平台抽取并整合而成,因车辆数据包含许多属性,该算法仅利用到车牌号、检测时间、设备点位地址、设备点位编号、进口道方向及车道编号作为属性数据。
驾驶人员信息是通过移动端信息采集系统,采集驾驶人员的活动信息数据,例如网吧数据、旅店数据、Wi-Fi移动端数据等,以确定驾驶人员的日常行为轨迹。
对车辆信息和驾驶人员信息进行数据整合,将采集到的轨迹信息进行相关的分类及匹配后,结合时间和空间维度进行轨迹还原,按照业务需求确定划分维度区间,分别形成以车辆轨迹场景和驾驶人员行为轨迹、时间、空间为三要素的三维共振图。
轨迹关联度计算模块,根据确定的维度区间,将车辆轨迹与驾驶人员行为轨迹进行对比,根据业务需求设定共振阈值,超过该阈值的群体(物理位置共振,时间范围共振,同时满足)为轨迹吻合度高群体,以此确定车辆当时驾驶人员。轨迹关联度计算模块的计算步骤包括:
步骤S1,确定轨迹、时间、空间的三维共振图,基于点与多边形的叠加,面积加权,最大化保留以及修正的面域加权等,进行空间尺度的转换。利用聚类分析技术,将小粒度的空间单元或对象进行合并为较大的空间单元,病采用统计值对簇的特征进行特征描述。该步骤结合空间尺度的转换,如图1所示。转换过程是,
当前小尺度时空序列由大尺度下反映整体特征的数据与当前小尺度中反映局部特征的数据构成表达式为:
对应的时间序列在小尺度下的偏差序列表达式为:
对时空序列数据进行聚类分析,获取反映当前尺度趋势部分的大尺度数据,然后将当前尺度的趋势部分剔除掉,剩余的为当前尺度数据中反映偏差部分。
步骤S2,选择共振区域确定共振群体,根据步骤S1确定的三维共振图,可根据条件筛选出共振的群体。利用时空序列聚类分析依据空间单元在空间域上的邻接性与时间域上的相似性,可以将时空序列划分为不同的簇,并使得在满足空间邻接性的条件下,簇内的相似性尽可能大,而簇间的相似性尽可能小,由此确定出满足条件的共振群体。
根据一个或者多个实施例,设车辆信息如下表。
车A | 地点A | 检测时间A | 车道信息A | 进道口信息A |
车B | 地点B | 检测时间B | 车道信息B | 进道口信息B |
车C | 地点C | 检测时间C | 车道信息C | 进道口信息C |
… | … | … | … | … |
一种通过轨迹关联度识别车辆驾驶者的方法包括步骤:
Step1:抽取车辆行驶轨迹数据;
Step2:抽取驾驶人员行为轨迹数据;
Step3:结合路况复杂程度设置时间窗口阈值为10min,根据检测到的车牌号,将地点、车道信息、进道口信息结合时间维度确定车辆行驶轨迹图;
Step4:结合时间维度、驾驶人员的上网数据(包含上网地点、上网时间以及下网时间)、住店信息(包含住店时间、离店时间)、Wi-Fi探测到的信息(包含地址、时间)、停车场信息(停车时间段)确定驾驶人员行为轨迹图;
Step5:利用时空序列模型,将车辆行驶轨迹与驾驶人员行驶轨迹进行计算,形成映射关系。
根据路况设定共振阈值为3次,即车辆行驶轨迹与驾驶人员行为轨迹产生3次以上共振筛选出来,以上为车C与驾驶员A为轨迹高度相似群体,可以初步判定为当时驾驶人员。将车辆C的信息与驾驶人员A的信息提供给有关部门做后续事件的跟踪查询。
值得说明的是,虽然前述内容已经参考若干具体实施方式描述了本发明创造的精神和原理,但是应该理解,本发明并不限于所公开的具体实施方式,对各方面的划分也不意味着这些方面中的特征不能组合,这种划分仅是为了表述的方便。本发明旨在涵盖所附权利要求的精神和范围内所包括的各种修改和等同布置。
Claims (5)
1.一种通过轨迹关联度识别车辆驾驶者的系统,其特征在于,该系统包括时序轨迹采集模块、数据清洗模块和轨迹关联度计算模块,
时序轨迹采集模块,用于采集包括车辆行驶轨迹与驾驶人员行为轨迹的时序轨迹数据,并且形成轨迹数据库,
数据清洗模块,用于对包括车辆信息和驾驶人员信息的数据进行处理和整合,对采集到的轨迹数据进行分类及匹配后,结合时间和空间维度进行轨迹还原,按照业务需求确定划分维度区间,分别形成以车辆轨迹场景和驾驶人员行为轨迹、时间、空间为三要素的三维共振图,
轨迹关联度计算模块,根据确定的维度区间,将车辆轨迹与驾驶人员行为轨迹进行对比,根据业务需求设定共振阈值,超过该阈值的群体为轨迹吻合度高群体,从中确定车辆当时的驾驶人员。
2.根据权利要求1所述的识别车辆驾驶者的系统,其特征在于,在数据清洗模块中,车辆信息包括从道路监控设备以及监控平台抽取并整合车辆数据,车辆数据包含到车牌号、过车时间、设备点位地址、设备点位编号、进口道方向及车道编号,驾驶人员信息包括通过移动端采集的驾驶人员的日常活动数据,包括网吧数据、旅店数据、Wi-Fi移动端数据,以确定驾驶人员的日常行为轨迹。
3.根据权利要求2所述的识别车辆驾驶者的系统,其特征在于,轨迹关联度计算模块的计算步骤包括:
步骤S1,确定轨迹、时间、空间的三维共振图,基于点与多边形的叠加,面积加权,最大化保留以及修正的面域加权等,进行空间尺度的转换。利用聚类分析技术,将小粒度的空间单元或对象进行合并为较大的空间单元,并采用统计值对簇的特征进行特征描述;
步骤S2,选择共振区域确定共振群体,根据确定的三维共振图,筛选出共振的群体,利用时空序列聚类分析依据空间单元在空间域上的邻接性与时间域上的相似性,将时空序列划分为不同的簇,并使得在满足空间邻接性的条件下,簇内的相似性尽可能大,而簇间的相似性尽可能小,由此确定出满足条件的共振群体。
4.根据权利要求3所述的识别车辆驾驶者的系统,其特征在于,步骤S1中进行的空间尺度的转换,包括:
将当前小尺度时空序列由大尺度下反映整体特征的数据与当前小尺度中反映局部特征的数据构成表达式为:
j=1,2,...,m
对应的时间序列在小尺度下的偏差序列表达式为:
对时空序列数据进行聚类分析,获取反映当前尺度趋势部分的大尺度数据,然后将当前尺度的趋势部分剔除掉,剩余的为当前尺度数据中反映偏差部分。
5.一种通过轨迹关联度识别车辆驾驶者的方法,其特征在于,该方法包括:
利用时序轨迹采集工具,采集的时序轨迹数据形成轨迹数据库,时序轨迹数据包括车辆行驶轨迹与驾驶人员行为轨迹;
从时序轨迹数据中抽取车牌号、过车时间、设备点位地址、设备点位编号、进口道方向及车道编号形成车辆信息,通过移动端采集驾驶人员的包括网吧数据、酒店数据、停车场数据、Wi-Fi探针数据,形成驾驶人员日常行为轨迹信息,将采集到的轨迹信息进行相关的分类及匹配后,结合时间和空间维度进行轨迹还原,按照业务需求确定划分维度区间,分别形成以车辆轨迹场景和驾驶人员行为轨迹、时间、空间为三要素的三维共振图;
根据确定的维度区间,将车辆轨迹与驾驶人员行为轨迹进行对比,根据业务需求设定共振阈值,超过该阈值的群体为轨迹吻合度高群体,以此确定车辆当时驾驶人员,具体过程为:
步骤S1,确定轨迹、时间、空间的三维共振图,基于点与多边形的叠加,面积加权,最大化保留以及修正的面域加权等,进行空间尺度的转换,利用聚类分析技术,将小粒度的空间单元或对象进行合并为较大的空间单元,并采用统计值对簇的特征进行特征描述;
步骤S2,选择共振区域确定共振群体,根据步骤S1确定的三维共振图,筛选出共振的群体,利用时空序列聚类分析依据空间单元在空间域上的邻接性与时间域上的相似性,将时空序列划分为不同的簇,并使得在满足空间邻接性的条件下,簇内的相似性尽可能大,而簇间的相似性尽可能小,由此确定出满足条件的共振群体。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910238047.4A CN109918368A (zh) | 2019-03-27 | 2019-03-27 | 一种通过轨迹关联度识别车辆驾驶者的系统和方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910238047.4A CN109918368A (zh) | 2019-03-27 | 2019-03-27 | 一种通过轨迹关联度识别车辆驾驶者的系统和方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109918368A true CN109918368A (zh) | 2019-06-21 |
Family
ID=66967163
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910238047.4A Pending CN109918368A (zh) | 2019-03-27 | 2019-03-27 | 一种通过轨迹关联度识别车辆驾驶者的系统和方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109918368A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110489400A (zh) * | 2019-08-23 | 2019-11-22 | 武汉白虹软件科技有限公司 | 一种实现人车采集数据准实时关联的算法模型 |
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 |
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 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2018122585A1 (zh) * | 2016-12-30 | 2018-07-05 | 同济大学 | 一种基于浮动车数据的城市道路交通异常检测方法 |
CN109145982A (zh) * | 2018-08-17 | 2019-01-04 | 上海汽车集团股份有限公司 | 驾驶员的身份识别方法及装置、存储介质、终端 |
-
2019
- 2019-03-27 CN CN201910238047.4A patent/CN109918368A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2018122585A1 (zh) * | 2016-12-30 | 2018-07-05 | 同济大学 | 一种基于浮动车数据的城市道路交通异常检测方法 |
CN109145982A (zh) * | 2018-08-17 | 2019-01-04 | 上海汽车集团股份有限公司 | 驾驶员的身份识别方法及装置、存储介质、终端 |
Non-Patent Citations (1)
Title |
---|
孙扬等: "基于混沌理论的无人驾驶车辆行驶轨迹量化分析", 《机械工程学报》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110489400A (zh) * | 2019-08-23 | 2019-11-22 | 武汉白虹软件科技有限公司 | 一种实现人车采集数据准实时关联的算法模型 |
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 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109242024B (zh) | 一种基于卡口数据的车辆行为相似度计算方法 | |
Karagiorgou et al. | On vehicle tracking data-based road network generation | |
CN105303197B (zh) | 一种基于机器学习的车辆跟车安全自动评估方法 | |
CN106856049B (zh) | 基于卡口号牌识别数据的关键交叉口需求集聚分析方法 | |
CN111243277A (zh) | 基于车牌识别数据的通勤车辆时空轨迹重构方法及系统 | |
CN109918368A (zh) | 一种通过轨迹关联度识别车辆驾驶者的系统和方法 | |
CN105719489B (zh) | 一种基于卡口车辆流向概率的套牌车检测方法 | |
CN106971534A (zh) | 基于号牌数据的通勤出行特征分析方法 | |
CN109359690B (zh) | 基于卡口数据的车辆出行轨迹识别方法 | |
CN108417023A (zh) | 基于出租车上下客点空间聚类的交通小区中心点选取方法 | |
Hussein et al. | Automated pedestrian safety analysis at a signalized intersection in New York City: Automated data extraction for safety diagnosis and behavioral study | |
CN109523186B (zh) | 城市区域划分方法及装置 | |
CN105448092A (zh) | 一种关联车辆的分析方法及装置 | |
CN103903438A (zh) | 客运车辆违规停车地点识别方法及系统 | |
CN102779410A (zh) | 一种多源异类海量交通数据融合的并行实现方法 | |
CN106096507A (zh) | 智慧交通黑车识别方法 | |
Zhang et al. | Rethinking semantic segmentation evaluation for explainability and model selection | |
CN104269057A (zh) | 一种基于浮动车od数据的卡口传感器部署方法 | |
CN110021161B (zh) | 一种交通流向的预测方法及系统 | |
Wang et al. | Real-time Traffic Pattern Analysis and Inference with Sparse Video Surveillance Information. | |
Cyril et al. | Electronic ticket machine data analytics for public bus transport planning | |
Patlins et al. | The new approach for passenger counting in public transport system | |
Sadeghian et al. | A stepwise methodology for transport mode detection in GPS tracking data | |
Pi et al. | Visual recognition for urban traffic data retrieval and analysis in major events using convolutional neural networks | |
DE112016007440T5 (de) | Fahrradverfolgung für Bike-Sharing-System |
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 | ||
AD01 | Patent right deemed abandoned | ||
AD01 | Patent right deemed abandoned |
Effective date of abandoning: 20230728 |