CN110191429B - 一种基于群智能算法的车与wifi对碰的方法 - Google Patents

一种基于群智能算法的车与wifi对碰的方法 Download PDF

Info

Publication number
CN110191429B
CN110191429B CN201910455950.6A CN201910455950A CN110191429B CN 110191429 B CN110191429 B CN 110191429B CN 201910455950 A CN201910455950 A CN 201910455950A CN 110191429 B CN110191429 B CN 110191429B
Authority
CN
China
Prior art keywords
wifi
data stream
bayonet
vehicle
point location
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
CN201910455950.6A
Other languages
English (en)
Other versions
CN110191429A (zh
Inventor
林晓东
林树阳
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.)
Fujian Weidun Science And Technology Group Co ltd
Original Assignee
Fujian Weidun Science And 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 Fujian Weidun Science And Technology Group Co ltd filed Critical Fujian Weidun Science And Technology Group Co ltd
Priority to CN201910455950.6A priority Critical patent/CN110191429B/zh
Publication of CN110191429A publication Critical patent/CN110191429A/zh
Application granted granted Critical
Publication of CN110191429B publication Critical patent/CN110191429B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W24/00—Supervisory, monitoring or testing arrangements
    • H04W24/08—Testing, supervising or monitoring using real traffic
    • 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
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L2101/00—Indexing scheme associated with group H04L61/00
    • H04L2101/60—Types of network addresses
    • H04L2101/618—Details of network addresses
    • H04L2101/622—Layer-2 addresses, e.g. medium access control [MAC] addresses
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L2101/00—Indexing scheme associated with group H04L61/00
    • H04L2101/60—Types of network addresses
    • H04L2101/69—Types of network addresses using geographic information, e.g. room number

Landscapes

  • Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Signal Processing (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Molecular Biology (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明提供一种基于群智能算法的车与wifi对碰的方法，需提供复数个卡口、复数个点位以及一前端设备，卡口与点位均连接至所述前端设备，并将数据实时传输给前端设备，该方法包括：从前端设备获取卡口信息和点位信息；预定匹配值X、卡口与点位的关联距离值M；提取卡口的过车数据流和点位的wifi数据流；根据卡口信息、点位信息、关联距离值M，计算卡口与点位之间的矢量距离r；根据r、过车数据流与wifi数据流采集时间差创建粒子，利用群智能算法计算过车数据流与wifi数据流之间的匹配程度，过滤出匹配程度高于X的数据进行聚类分析，得到具有关联关系的过车数据流与wifi数据流，供后续数据分析。本发明可实现海量数据下的高精度、高准确度的车与WIFI对碰。

Description

一种基于群智能算法的车与wifi对碰的方法
技术领域
本发明涉及一种基于群智能算法的车与wifi对碰的方法。
背景技术
以往为捕捉过往车辆与车内人员的信息进行后续的数据分析，通常是需要通过手动关联卡口与点位之间的关联关系，其中，卡口为设置有抓拍功能的设备的拍摄口，主要用于收集车辆信息和拍摄时间，点位为设置有可获取手机信息的设备的安装位，主要是通过发射wifi信号，获取wifi覆盖区域内的手机的mac地址。实际使用过程中，通常是根据需要预先布置好卡口和点位后，分别收集卡口(该拍摄口此时抓拍到的a个车辆信息)和点位数据(该覆盖区内此时连接到的b个手机设备信息)，再采用笛卡尔积算出来二者的关系，最终得到某一车辆信息与一个或多个的手机设备信息关联关系，从而知晓该车辆该时间乘坐的乘客的信息，为后续数据分析提供依据，比如需要对超速车辆惩罚时可以惩罚到个人，或追踪违法使用车辆时可落实到个人等等。但随着数量增多呈指数级暴增，需要设置的卡口与点位量大，手动进行一对一的配置关联工作量大，且数据量大的情况下，采用传统的方式无法在一定时间范围内进行车辆与wifi碰撞求得满意的解，时效性低。
发明内容
本发明要解决的技术问题，在于提供一种基于群智能算法的车与wifi对碰的方法，实现大量车辆与车内人员信息的快速准确关联，为后续数据分析提供依据。
本发明是这样实现的：一种基于群智能算法的车与wifi对碰的方法，需提供复数个卡口、复数个点位以及一前端设备，所有卡口与点位均连接至所述前端设备，并将数据实时传输给所述前端设备，所述方法包括如下步骤：
步骤1、从前端设备获取所有卡口信息和点位信息；
步骤2、预先设定一匹配值X以及卡口与点位的关联距离值M；
步骤3、提取每一卡口的过车数据流和每一点位的wifi数据流；
步骤4、根据卡口信息、点位信息以及卡口与点位的关联距离值M，计算卡口与点位之间的矢量距离r；
步骤5、根据卡口与点位之间的矢量距离r以及过车数据流与wifi数据流采集时间差创建粒子，利用群智能算法计算过车数据流与wifi数据流之间的匹配程度，并过滤出匹配程度高于所述匹配值X的过车数据流与wifi数据流；
步骤6、将过滤出来的过车数据流与wifi数据流进行聚类分析，得到具有关联关系的过车数据流与wifi数据流，进行保存，供后续数据分析。
进一步的，所述过车数据流通过图片识别技术提取得到，所述过车数据流包括车牌号和过车时间。
进一步的，所述wifi数据流通过粒子群算法提取得到，所述wifi数据流包括wifi信息和采集时间，所述wifi信息包括终端mac。
进一步的，所述步骤4中卡口与点位之间的矢量距离r的计算公式如下：
Figure BDA0002076581760000021
其中，r卡口是卡口抓拍的范围，rwifi是点位采集的范围，|r卡口-rwifi|是卡口与点位的矢量和，M是卡口与点位之间的关联距离，N是卡口与点位实际距离。
进一步的，所述步骤5进一步包括：
步骤51、定义一个集合T，用于存放空间中的所有粒子，每一粒子由一过车数据流的车牌号和wifi数据流中的终端mac地址组成，且构成一粒子需同时满足当前卡口与点位的矢量距离r小于1以及当前卡口对应的过车数据流与点位对应的wifi数据流采集的时间差小于3；
步骤52、采用群智能算法将集合T中所有粒子进行碰撞匹配，当满足匹配程度高于匹配值时，将粒子从集合T中过滤出。
本发明具有如下优点：采用群智能算法实现车与wifi对碰，无需手动进行卡口与点位的关联，减少了繁琐的操作，同时，可以对海量数据进行快速分析，得到具有关联关系的车辆与手机设备数据对，便于后续的数据查找与分析，大大提高车与wifi对碰的速度、准确度和服务效能。
附图说明
下面参照附图结合实施例对本发明作进一步的说明。
图1为本发明一种基于群智能算法的车与wifi对碰的方法的执行流程图。
图2为本发明方法逻辑框架示意图。
图3为本发明的群智能算法的计算逻辑示意图。
图4为本发明的聚类分析的逻辑示意图。
具体实施方式
如图1所示，本发明一种基于群智能算法的车与wifi对碰的方法，需提供复数个卡口、复数个点位以及一前端设备，所述卡口与点位按照实际需要预先分布在需要检测的各个检测位置，所有卡口与点位均连接至所述前端设备，并将数据实时传输给所述前端设备，所述方法包括如下步骤：
步骤1、从前端设备获取所有卡口信息和点位信息，其中，卡口信息包括卡口的ID、位置信息以及卡口采集到的数据信息等，点位信息包括点位的ID、位置信息以及点位采集到的数据信息等；
步骤2、预先设定一匹配值X(一般的，匹配值可取95％～100％之间任意数值，具体根据实际需要选取)以及卡口与点位的关联距离值M；
步骤3、提取每一卡口的过车数据流和每一点位的wifi数据流；
步骤4、根据卡口信息、点位信息以及卡口与点位的关联距离值M，计算卡口与点位之间的矢量距离r；
步骤5、根据卡口与点位之间的矢量距离r以及过车数据流与wifi数据流采集时间差创建粒子，利用群智能算法计算过车数据流与wifi数据流之间的匹配程度，并过滤出匹配程度高于所述匹配值X的过车数据流与wifi数据流；
步骤6、将过滤出来的过车数据流与wifi数据流进行聚类分析，以卡口或wifi点位作为聚类中心点(卡口是一个中心点、wifi也可以是一个中心点)，每当有新数据进入判断是否属于某一类(一个卡口可对应多个wifi、一个wifi也可对应多个卡口)，是就归入其中，否则就创建新聚类中心点并归入，即将通过群智能算法得到的卡口与点位的关联度后利用聚类算法对对应卡口的过车数据流和对应点位的wifi数据流进行聚类分析，得到具有关联关系的过车数据流与wifi数据流，即最终可获取到每一车辆对应的一个或多个的终端mac地址(一个终端mac地址对应一辆或多辆车)，进行保存，供后续数据分析。
较佳的，所述过车数据流通过图片识别技术提取得到，所述过车数据流主要包括车牌号、过车时间、车辆颜色等等。
较佳的，所述wifi数据流通过粒子群算法提取得到，所述wifi数据流主要包括终端mac地址和采集时间等。
较佳的，所述步骤4中卡口与点位之间的矢量距离r的计算公式如下：
Figure BDA0002076581760000041
其中，r卡口是卡口抓拍的范围，rwifi是点位采集的范围，|r卡口-rwifi|是卡口与点位的矢量和，M是卡口与点位之间的关联距离，N是卡口与点位实际距离。
较佳的，所述步骤5进一步包括：
步骤51、定义一个集合T，用于存放空间中的所有粒子，每一粒子由一过车数据流的车牌号和wifi数据流中的终端mac地址组成，且构成一粒子需同时满足当前卡口与点位的矢量距离r小于1以及当前卡口对应的过车数据流与点位对应的wifi数据流采集的时间差小于3；
步骤52、采用群智能算法将集合T中所有粒子进行碰撞匹配，计算匹配程度，具体的匹配程度可以取漂移算子和波动算子之和，当满足匹配程度高于匹配值时，将粒子从集合T中过滤出。
其中，漂移算子主要是用来控制粒子在宏观上的运动，在设计漂移算子时需要考虑漂移的上界和下界，避免出现无效解，一般漂移算子的设计需要考虑两个方面：一个是漂移强度，即漂移的系数μ；另一个是漂移的过程，即粒子如何按照漂移强度来完成在领域内的漂移，可以设计一个可分离变量的函数来计算漂移算子，采用计算公式如下：
f(r)＝μmin+f1(r)*(μmax-μmin)
其中，μmax，μmin分别表示粒子的最大漂移强度和最小漂移强度，一般取μmax＝1，μmin＝0，f1(r)为粒子半径决定的漂移强度，一种可行的方案为：
Figure BDA0002076581760000051
其中rmin＝0，rmax＝1，常数λ≈1.3，自然底数e≈2.72。
波动算子，是用来控制粒子在微观上的运动，使粒子在领域内局部的扰动，其中波动算子也与漂移算子一样有两方面的问题需要考虑：一是波动强度，也即波动的系数γ；另一个是波动的过程，波动算子的计算公式为：γ＝f(r)*random()，random()是一个[0,1]随机数。
本发明基于群智能算法来实现车与WIFI对碰在精度上、准确度、服务效能等方面更加有效，在海量数据背景下抽取出更为有价值的数据，首先通过图片识别技术提取出车辆基本信息：如车牌号码、车身颜色、车辆形状等特征；利用粒子群算法对WIFI数据进行预处理提取终端MAC，过滤脏数据等。基于两者特征信息采取群智能算法对过车数据和WIFI数据进行比对碰撞分析，在匹配成功后再进行聚类分析，得到最终需要的关联数据，供后续数据分析使用。
虽然以上描述了本发明的具体实施方式，但是熟悉本技术领域的技术人员应当理解，我们所描述的具体的实施例只是说明性的，而不是用于对本发明的范围的限定，熟悉本领域的技术人员在依照本发明的精神所作的等效的修饰以及变化，都应当涵盖在本发明的权利要求所保护的范围内。

Claims (3)

1.一种基于群智能算法的车与wifi对碰的方法，其特征在于：需提供复数个卡口、复数个点位以及一前端设备，所有卡口与点位均连接至所述前端设备，并将数据实时传输给所述前端设备，所述方法包括如下步骤：
步骤1、从前端设备获取所有卡口信息和点位信息；
步骤2、预先设定一匹配值X以及卡口与点位的关联距离值M；
步骤3、提取每一卡口的过车数据流和每一点位的wifi数据流；
步骤4、根据卡口信息、点位信息以及卡口与点位的关联距离值M，计算卡口与点位之间的矢量距离r；
步骤5、根据卡口与点位之间的矢量距离r以及过车数据流与wifi数据流采集时间差创建粒子，利用群智能算法计算过车数据流与wifi数据流之间的匹配程度，并过滤出匹配程度高于所述匹配值X的过车数据流与wifi数据流；
步骤6、将过滤出来的过车数据流与wifi数据流进行聚类分析，得到具有关联关系的过车数据流与wifi数据流，进行保存，供后续数据分析；
所述步骤4中卡口与点位之间的矢量距离r的计算公式如下：
Figure 410092DEST_PATH_IMAGE002
，
其中，r卡口是卡口抓拍的范围，rwifi是点位采集的范围，|r卡口-rwifi|是卡口与点位的矢量和，M是卡口与点位之间的关联距离，N是卡口与点位实际距离；
所述步骤5进一步包括：
步骤51、定义一个集合T，用于存放空间中的所有粒子，每一粒子由一过车数据流的车牌号和wifi数据流中的终端mac地址组成，且构成一粒子需同时满足当前卡口与点位的矢量距离r小于1以及当前卡口对应的过车数据流与点位对应的wifi数据流采集的时间差小于3；
步骤52、采用群智能算法将集合T中所有粒子进行碰撞匹配，当满足匹配程度高于匹配值时，将粒子从集合T中过滤出。
2.根据权利要求1所述的一种基于群智能算法的车与wifi对碰的方法，其特征在于：所述过车数据流通过图片识别技术提取得到，所述过车数据流包括车牌号和过车时间。
3.根据权利要求1所述的一种基于群智能算法的车与wifi对碰的方法，其特征在于：所述wifi数据流通过粒子群算法提取得到，所述wifi数据流包括wifi信息和采集时间，所述wifi信息包括终端mac。
CN201910455950.6A 2019-05-29 2019-05-29 一种基于群智能算法的车与wifi对碰的方法 Active CN110191429B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910455950.6A CN110191429B (zh) 2019-05-29 2019-05-29 一种基于群智能算法的车与wifi对碰的方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910455950.6A CN110191429B (zh) 2019-05-29 2019-05-29 一种基于群智能算法的车与wifi对碰的方法

Publications (2)

Publication Number Publication Date
CN110191429A CN110191429A (zh) 2019-08-30
CN110191429B true CN110191429B (zh) 2022-09-27

Family

ID=67718402

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910455950.6A Active CN110191429B (zh) 2019-05-29 2019-05-29 一种基于群智能算法的车与wifi对碰的方法

Country Status (1)

Country Link
CN (1) CN110191429B (zh)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107948341A (zh) * 2017-11-30 2018-04-20 杭州中奥科技有限公司 Mac地址匹配方法及装置
CN108711119A (zh) * 2018-04-18 2018-10-26 特斯联（北京）科技有限公司 一种社区微卡口综合ai系统及其数据展现方法
CN109461106A (zh) * 2018-10-11 2019-03-12 浙江公共安全技术研究院有限公司 一种多维信息感知处理方法
CN109634946A (zh) * 2018-12-06 2019-04-16 南京森根科技发展有限公司 一种基于大数据挖掘的轨迹智能匹配关联分析算法模型

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9154982B2 (en) * 2009-04-02 2015-10-06 Trafficcast International, Inc. Method and system for a traffic management network

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107948341A (zh) * 2017-11-30 2018-04-20 杭州中奥科技有限公司 Mac地址匹配方法及装置
CN108711119A (zh) * 2018-04-18 2018-10-26 特斯联（北京）科技有限公司 一种社区微卡口综合ai系统及其数据展现方法
CN109461106A (zh) * 2018-10-11 2019-03-12 浙江公共安全技术研究院有限公司 一种多维信息感知处理方法
CN109634946A (zh) * 2018-12-06 2019-04-16 南京森根科技发展有限公司 一种基于大数据挖掘的轨迹智能匹配关联分析算法模型

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
基于卡口系统的车牌识别和车流量检测系统设计与实现;马玉帅;《万方》;20141028;全文 *

Also Published As

Publication number Publication date
CN110191429A (zh) 2019-08-30

Similar Documents

Publication Publication Date Title
CN110008298B (zh) 驻车多维信息感知应用系统及方法
CN104020751B (zh) 基于物联网的校园安全监测方法
CN101079109B (zh) 基于制服特征的身份识别方法和系统
US8339282B2 (en) Security systems
CN103258432B (zh) 基于视频的交通事故自动识别处理方法和系统
CN110119726A (zh) 一种基于YOLOv3模型的车辆品牌多角度识别方法
CN101017573A (zh) 一种基于视频监控的运动目标检测与识别方法
CN110517500B (zh) 一种人车关联处理方法及装置
CN111915583B (zh) 复杂场景中基于车载红外热像仪的车辆和行人检测方法
CN109871799A (zh) 一种基于深度学习的驾驶员玩手机行为的检测方法
CN111401188B (zh) 一种基于人体关键点特征的交警手势识别方法
CN107590500A (zh) 一种基于色彩投影分类的车牌颜色识别方法及装置
CN111950499A (zh) 一种检测车载人员统计信息的方法
CN105184301B (zh) 一种利用四轴飞行器判别车辆方位的方法
CN106570490A (zh) 一种基于快速聚类的行人实时跟踪方法
CN103871077A (zh) 一种道路车辆监控视频中的关键帧提取方法
CN104966305A (zh) 基于运动矢量划分的前景检测方法
CN111062319B (zh) 一种基于主动红外图像的驾驶员打电话检测方法
CN109969891A (zh) 一种基于深度学习的电梯乘客重识别分析系统
CN109325426B (zh) 一种基于三正交平面时空特征的黑烟车检测方法
CN110191429B (zh) 一种基于群智能算法的车与wifi对碰的方法
CN110049447B (zh) 一种基于位置信息的伙伴关系分析方法
CN104573703A (zh) 基于偏导分布与边界策略的输电线快速识别方法
CN113870555B (zh) 基于手机imsi码与电子车牌的人车协同识别方法
KR101199959B1 (ko) 영상 내 교통표지판 인식 시스템

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