CN110766088B - 同行车辆分析方法、装置、及存储装置 - Google Patents

同行车辆分析方法、装置、及存储装置 Download PDF

Info

Publication number
CN110766088B
CN110766088B CN201911036638.XA CN201911036638A CN110766088B CN 110766088 B CN110766088 B CN 110766088B CN 201911036638 A CN201911036638 A CN 201911036638A CN 110766088 B CN110766088 B CN 110766088B
Authority
CN
China
Prior art keywords
vehicle
analyzed
distance
target vehicle
passing
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
CN201911036638.XA
Other languages
English (en)
Other versions
CN110766088A (zh
Inventor
徐伟平
何林强
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.)
Zhejiang Dahua Technology Co Ltd
Original Assignee
Zhejiang Dahua Technology 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 Zhejiang Dahua Technology Co Ltd filed Critical Zhejiang Dahua Technology Co Ltd
Priority to CN201911036638.XA priority Critical patent/CN110766088B/zh
Publication of CN110766088A publication Critical patent/CN110766088A/zh
Application granted granted Critical
Publication of CN110766088B publication Critical patent/CN110766088B/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
    • G06F18/22—Matching criteria, e.g. proximity measures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/22—Indexing; Data structures therefor; Storage structures
    • G06F16/2228—Indexing structures
    • G06F16/2237—Vectors, bitmaps or matrices
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/24—Querying
    • G06F16/245—Query processing
    • G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
    • G06F16/2474—Sequence data queries, e.g. querying versioned data
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/29—Geographical information databases

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Probability & Statistics with Applications (AREA)
  • Mathematical Physics (AREA)
  • Fuzzy Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Computational Linguistics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Remote Sensing (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明公开了一种同行车辆分析方法、装置、及存储装置。该同行车辆分析方法包括：获取目标车辆的第一过车轨迹序列和待分析车辆的第二过车轨迹序列；计算所述待分析车辆经过的每个卡口与所述目标车辆经过的每个卡口之间的第一距离，以形成距离矩阵；针对所述距离矩阵，计算待分析车辆轨迹与目标车辆轨迹间的距离；基于所述距离计算所述待分析车辆与所述目标车辆的轨迹序列相似度。通过上述方式，能够将时间维度对空间维度的动态影响考虑到同行度计算过程中，提高了同行车辆分析精度；且该方法还可以避免单个卡口的过车数据异常对计算同行度的影响。

Description

同行车辆分析方法、装置、及存储装置
技术领域
本申请涉及交通领域，特别是涉及一种同行车辆分析方法、装置、及存储装置。
背景技术
现有同行分析方法都是基于时间维度和空间维度两个层面独立计算同行度，然后对两个独立的相似度进行加权。但是时间维度对同行度的影响会随着车速产生不同程度的影响，车辆速度越快，相同的时间差，能够产生的空间距离越大。将两个维度单独考虑无法对时间维度的可变性进行正确的度量。
发明内容
本申请提供一种同行车辆分析方法、装置、及存储装置，能够解决现有技术中两个维度单独考虑无法对时间维度的可变性进行正确的度量的问题。
为解决上述技术问题，本申请采用的一个技术方案是：提供一种同行车辆分析方法，包括：
获取目标车辆的第一过车轨迹序列和待分析车辆的第二过车轨迹序列；其中，所述第一过车轨迹序列中包括所述目标车辆按时间排序经过M个卡口的过车数据，所述第二过车轨迹序列中包括所述待分析车辆按时间排序经过N个卡口的过车数据；其中，所述M和N均为大于或等于2的整数；各个所述过车数据中包括对应车辆经过对应卡口的时间和所述卡口的坐标；
计算所述待分析车辆经过的每个卡口与所述目标车辆经过的每个卡口之间的第一距离，以形成距离矩阵；
针对所述距离矩阵，计算待分析车辆轨迹与目标车辆轨迹间的距离；
基于所述距离计算所述待分析车辆与所述目标车辆的轨迹序列相似度。
为解决上述技术问题，本申请采用的另一个技术方案是：提供一种同行车辆分析装置，所述装置包括处理器、与所述处理器耦接的存储器，其中，
所述存储器存储有用于实现上述同行车辆分析方法的程序指令；
所述处理器用于执行所述存储器存储的所述程序指令以分析出同行车辆。
为解决上述技术问题，本申请采用的再一个技术方案是：提供一种存储装置，存储有能够实现上述同行车辆分析方法的程序文件。
本申请的有益效果是：本发明的同行车辆分析方法、装置、及存储装置通过获取目标车辆的第一过车轨迹序列和待分析车辆的第二过车轨迹序列；其中，所述第一过车轨迹序列中包括所述目标车辆按时间排序经过M个卡口的过车数据，所述第二过车轨迹序列中包括所述待分析车辆按时间排序经过N个卡口的过车数据；其中，所述M和N均为大于或等于2的整数；各个所述过车数据中包括对应车辆经过对应卡口的时间和所述卡口的坐标；计算所述待分析车辆经过的每个卡口与所述目标车辆经过的每个卡口之间的第一距离，以形成距离矩阵；针对所述距离矩阵，计算待分析车辆轨迹与目标车辆轨迹间的距离；基于所述距离计算所述待分析车辆与所述目标车辆的轨迹序列相似度。通过上述方式，能够将时间维度对空间维度的动态影响考虑到同行度计算过程中，从而对时间维度的可变性进行了正确的度量，提高了同行车辆分析精度；且该方法可以避免单个卡口的过车数据异常对计算同行度的影响，进一步提高了同行车辆分析精度；最后，该方法还能保留时空过车数据之间的顺序性。
附图说明
图1是本发明第一实施例的同行车辆分析方法的流程示意图；
图2是本发明第一实施例的同行车辆分析方法中基于该DTW距离计算待分析车辆与目标车辆的轨迹序列相似度的子流程示意图；
图3是本发明第二实施例的同行车辆分析方法的流程示意图；
图4是本发明实施例的同行车辆分析装置的第一结构示意图；
图5是本发明实施例的同行车辆分析装置的第二结构示意图；
图6是本发明实施例的同行车辆分析装置的第三结构示意图；
图7是本发明实施例的存储装置的结构示意图。
具体实施方式
下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本申请的一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
本申请中的术语“第一”、“第二”、“第三”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”、“第三”的特征可以明示或者隐含地包括至少一个该特征。本申请的描述中，“多个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。本申请实施例中所有方向性指示(诸如上、下、左、右、前、后……)仅用于解释在某一特定姿态(如附图所示)下各部件之间的相对位置关系、运动情况等，如果该特定姿态发生改变时，则该方向性指示也相应地随之改变。此外，术语“包括”和“具有”以及它们任何变形，意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元，而是可选地还包括没有列出的步骤或单元，或可选地还包括对于这些过程、方法、产品或设备固有的其它步骤或单元。
在本文中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是，本文所描述的实施例可以与其它实施例相结合。
图1是本发明第一实施例的同行车辆分析方法的流程示意图。需注意的是，若有实质上相同的结果，本发明的方法并不以图1所示的流程顺序为限。如图1所示，该方法包括步骤：
步骤S101：获取目标车辆的第一过车轨迹序列和待分析车辆的第二过车轨迹序列。
在步骤S101中，第一过车轨迹序列中包括目标车辆按时间排序经过M个卡口的过车数据，第二过车轨迹序列中包括待分析车辆按时间排序经过N个卡口的过车数据；各个过车数据中包括对应车辆经过对应卡口的时间和该卡口的坐标；可选地，该坐标包括经度坐标和纬度坐标。可以理解的是，M和N均为大于或等于2的整数。
具体地，在步骤S101中，先获取目标车辆的第一原始过车轨迹序列和待分析车辆的第二原始过车轨迹序列；然后分别对该第一原始过车轨迹序列和该第二原始过车轨迹序列进行预处理，以得到第一过车轨迹序列和第二过车轨迹序列；其中，预处理包括对原始过车轨迹序列中包括的若干个卡口的过车数据进行清洗和时间排序，其中，清洗包括对过车数据中出现的错误，如抓拍时间错误、经纬度坐标错误等进行更正，以及对重复上传的过车数据进行删除，该时间排序为对清洗后的卡口的过车数据按照时间排序，保留时空过车数据之间的顺序性。
步骤S102：计算待分析车辆经过的每个卡口与目标车辆经过的每个卡口之间的第一距离，以形成距离矩阵，其中，该第一距离为欧氏距离和第二距离之和。
时空过车数据具有时序性，且时序的轻微变动不会对同行分析结果产生影响，基于该特性，本发明引入了常用于语音识别行业中的DTW算法并对其进行改进后用于同行车辆分析，该方法可以避免单个卡口的过车数据异常对计算同行度的影响，因此分析精度高。具体地，在步骤S102中，先分别计算待分析车辆经过的每个卡口与目标车辆经过的每个卡口之间的欧氏距离和第二距离，然后再对应相加求和得到待分析车辆经过的每个卡口与目标车辆经过的每个卡口之间的第一距离，以形成距离矩阵；其中，欧氏距离基于待分析车辆经过的每个卡口与目标车辆经过的每个卡口之间的坐标差计算得到，第二距离基于待分析车辆经过的每个卡口与目标车辆经过的每个卡口之间的时间差计算得到，通过计算该第二距离，能够将时间维度对空间维度的动态影响考虑到同行度计算过程中，从而对时间维度的可变性进行了正确的度量，提高了同行车辆分析精度。
更具体地，该待分析车辆经过的第i个卡口与该目标车辆经过的第j个卡口之间的欧氏距离Sij的计算步骤包括：分别计算该待分析车辆经过的第i个卡口与该目标车辆经过的第j个卡口之间的经度坐标差△mij和纬度坐标差△nij；然后计算该经度坐标差的平方与该纬度坐标差的平方的第一求和值Mij＝(△mij)2+(△nij)2；最后计算该第一求和值的平方根，即得到该待分析车辆经过的第i个卡口与该目标车辆经过的第j个卡口之间的欧氏距离Sij为
Figure BDA0002251676550000051
更具体地，该待分析车辆经过的第i个卡口与该目标车辆经过的第j个卡口之间的第二距离Tij的计算步骤包括：计算该待分析车辆经过的第i个卡口与该目标车辆经过的第j个卡口之间的时间差△tij；若该待分析车辆经过第i个卡口的时间先于该目标车辆经过第j个卡口的时间，该第二距离Tij为该时间差的绝对值|△tij|与该待分析车辆在第i个卡口和第i+1个卡口间的平均速度Vfi的乘积；若该待分析车辆经过第i个卡口的时间晚于该目标车辆经过第j个卡口的时间，该第二距离Tij为该时间差的绝对值|△tij|与该目标车辆在第j个卡口和第j+1个卡口间的平均速度Vmj的乘积。其中，每个相邻卡口间的平均速度为该相邻卡口间的实际距离与对应车辆经过该相邻卡口所使用的时间的比值。可选地，在计算第二距离前，提前计算好待分析车辆和目标车辆经过每个卡口的平均速度，以便于计算第二距离时直接调用。
需要说明的是，在上述计算过程中，当前卡口的平均速度是基于当前卡口与下一个卡口间的实际距离与对应车辆经过该相邻卡口所使用的时间的比值，因此，对于目标车辆和待分析车辆经过的最后一个卡口的平均速度则无参考的数据进行计算，则该待分析车辆经过的最后一个卡口与该目标车辆经过的最后一个卡口之间的第二距离可以记为0，该操作不会影响同行车辆分析结果。
可以理解的是，在计算第二距离时，所使用的当前卡口的平均速度若基于当前卡口与上一个卡口间的实际距离与对应车辆经过该相邻卡口所使用的时间的比值，也属于本发明所保护的范围；相对应的，若该待分析车辆经过第i个卡口的时间先于该目标车辆经过第j个卡口的时间，则第二距离Tij为该时间差的绝对值|△tij|与该目标车辆在第j-1个卡口和第j个卡口间的平均速度V’mj的乘积；若该待分析车辆经过第i个卡口的时间晚于该目标车辆经过第j个卡口的时间，则第二距离Tij为该时间差的绝对值|△tij|与该待分析车辆在第i-1个卡口和第i个卡口间的平均速度V’fi的乘积，也应该属于本发明所保护的范围。
步骤S103：针对该距离矩阵，通过动态时间规整DTW算法计算待分析车辆轨迹与目标车辆轨迹间的DTW距离。
在步骤S103中，通过DTW算法计算待分析车辆轨迹与目标车辆轨迹之间的DTW距离，即最短距离和。
步骤S104：基于该DTW距离计算待分析车辆与目标车辆的轨迹序列相似度。
如图2所示，该步骤S104至少包括以下子步骤：
步骤S1041：计算待分析车辆轨迹与目标车辆轨迹间的平均DTW距离，该平均DTW距离为DTW距离与第一轨迹长度的比值，其中，该第一轨迹长度为M和N中的较大值。
由于各待分析车辆和目标车辆经过的卡口个数可能不同，经过的卡口个数越多，求得的DTW距离越大，若直接根据该DTW距离判断是否为同行车辆，易出现较大的误判，因此，在步骤S1041中，先计算待分析车辆轨迹与目标车辆轨迹间的平均DTW距离，即行程平均距离，以该行程平均距离来衡量行程相似度。
步骤S1042：基于该平均DTW距离计算待分析车辆与目标车辆的轨迹序列相似度。
相邻卡口间的距离大小存在差异，导致行程平均距离也会存在很大的差异，为了进一步统一度量标准，在步骤S1042中，引入了轨迹序列相似度计算公式，如式(1)所示：
Figure BDA0002251676550000071
其中，△dis为待分析车辆轨迹与目标车辆轨迹间的DTW距离。通过计算得到的轨迹序列相似度C来判断待分析车辆是否为目标车辆的同行车辆。
本发明第一实施例的同行车辆分析方法通过引入常用于语音识别行业中的DTW算法并对其进行改进后用于同行车辆分析，在建立距离矩阵以用于计算待分析车辆轨迹与目标车辆轨迹间的DTW距离时，不仅考虑了待分析车辆经过的每个卡口与目标车辆经过的每个卡口之间的欧氏距离，还考虑了待分析车辆经过的每个卡口与目标车辆经过的每个卡口之间的第二距离，而该第二距离基于待分析车辆经过的每个卡口与目标车辆经过的每个卡口之间的时间差计算得到；通过计算该第二距离，能够将时间维度对空间维度的动态影响考虑到同行度计算过程中，从而对时间维度的可变性进行了正确的度量，提高了同行车辆分析精度；且该方法可以避免单个卡口的过车数据异常对计算同行度的影响，进一步提高了同行车辆分析精度；最后，该方法还能保留时空过车数据之间的顺序性。
图3是本发明第二实施例的同行车辆分析方法的流程示意图。需注意的是，若有实质上相同的结果，本发明的方法并不以图3所示的流程顺序为限。如图3所示，该方法包括步骤：
步骤S201：获取目标车辆的第一过车轨迹序列和待分析车辆的第二过车轨迹序列。
步骤S202：计算待分析车辆经过的每个卡口与目标车辆经过的每个卡口之间的第一距离，以形成距离矩阵，其中，该第一距离为欧氏距离和第二距离之和。
步骤S203：针对该距离矩阵，通过动态时间规整DTW算法计算待分析车辆轨迹与目标车辆轨迹间的DTW距离。
步骤S204：基于该DTW距离计算待分析车辆与目标车辆的轨迹序列相似度。
在本实施例中，图3中的步骤S201至步骤S204分别与图1中的步骤S101至步骤S104类似，为简约起见，在此不再赘述。
步骤S205：将待分析车辆中与目标车辆的轨迹序列相似度大于预设的相似度阈值的待分析车辆作为该目标车辆的同行车辆输出。
可选地，在步骤S205中，该相似度阈值的预设范围为0.6～0.7，即将大于该相似度阈值的待分析车辆作为该目标车辆的同行车辆输出。
本发明第二实施例的同行车辆分析方法通过引入常用于语音识别行业中的DTW算法并对其进行改进后用于同行车辆分析，在建立距离矩阵以用于计算待分析车辆轨迹与目标车辆轨迹间的DTW距离时，不仅考虑了待分析车辆经过的每个卡口与目标车辆经过的每个卡口之间的欧氏距离，还考虑了待分析车辆经过的每个卡口与目标车辆经过的每个卡口之间的第二距离，而该第二距离基于待分析车辆经过的每个卡口与目标车辆经过的每个卡口之间的时间差计算得到；通过计算该第二距离，能够将时间维度对空间维度的动态影响考虑到同行度计算过程中，从而对时间维度的可变性进行了正确的度量，提高了同行车辆分析精度；且该方法可以避免单个卡口的过车数据异常对计算同行度的影响，进一步提高了同行车辆分析精度；最后，该方法还能保留时空过车数据之间的顺序性。
图4是本发明实施例的同行车辆分析装置的第一结构示意图。如图4所示，该装置30包括获取模块31、第一计算模块32、第二计算模块33、第三计算模块34、DTW模块35和第四计算模块36。
获取模块31，用于获取目标车辆的第一过车轨迹序列和待分析车辆的第二过车轨迹序列；其中，第一过车轨迹序列中包括目标车辆按时间排序经过M个卡口的过车数据，第二过车轨迹序列中包括待分析车辆按时间排序经过N个卡口的过车数据；其中，M和N均为大于或等于2的自然数；各个过车数据中包括对应车辆经过对应卡口的时间和该卡口的坐标，可选地，该坐标包括经度坐标和纬度坐标。
第一计算模块32与获取模块31耦接，用于计算待分析车辆经过的每个卡口与目标车辆经过的每个卡口之间的欧氏距离；其中，该欧氏距离基于待分析车辆经过的每个卡口与目标车辆经过的每个卡口之间的坐标差计算得到。
可选地，第一计算模块32计算待分析车辆经过的第i个卡口与目标车辆经过的第j个卡口之间的欧氏距离的操作可以包括：分别计算该待分析车辆经过的第i个卡口与该目标车辆经过的第j个卡口之间的经度坐标差和纬度坐标差；计算该经度坐标差的平方与该纬度坐标差的平方的第一求和值，该欧氏距离为该第一求和值的平方根值。
第二计算模块33与第一计算模块32耦接，用于计算待分析车辆经过的每个卡口与目标车辆经过的每个卡口之间的第二距离；其中，该第二距离基于待分析车辆经过的每个卡口与目标车辆经过的每个卡口之间的时间差计算得到。
可选地，第二计算模块33计算待分析车辆经过的第i个卡口与目标车辆经过的第j个卡口之间的第二距离的操作可以包括：计算待分析车辆经过的第i个卡口与目标车辆经过的第j个卡口之间的时间差；若待分析车辆经过第i个卡口的时间先于目标车辆经过第j个卡口的时间，第二距离为该时间差的绝对值与待分析车辆在第i个卡口和第i+1个卡口间的平均速度的乘积；若待分析车辆经过第i个卡口的时间晚于目标车辆经过第j个卡口的时间，第二距离为该时间差的绝对值与目标车辆在第j个卡口和第j+1个卡口间的平均速度的乘积；其中，每个相邻卡口间的平均速度为相邻卡口间的实际距离与对应车辆经过该相邻卡口所使用的时间的比值。
第三计算模块34与第二计算模块33耦接，用于计算待分析车辆经过的每个卡口与目标车辆经过的每个卡口之间的第一距离，以形成距离矩阵；其中，该第一距离为欧氏距离和第二距离之和。
DTW模块35与第三计算模块34耦接，用于针对该距离矩阵，通过动态时间规整DTW算法计算待分析车辆轨迹与目标车辆轨迹间的DTW距离。
第四计算模块36与DTW模块35耦接，用于基于该DTW距离计算待分析车辆与目标车辆的轨迹序列相似度。
可选地，第四计算模块36基于该DTW距离计算待分析车辆与目标车辆的轨迹序列相似度的操作可以为计算待分析车辆轨迹与目标车辆轨迹间的平均DTW距离，该平均DTW距离为DTW距离与第一轨迹长度的比值，其中，该第一轨迹长度为M和N中的较大值；基于该平均DTW距离计算待分析车辆与目标车辆的轨迹序列相似度。
可选地，第四计算模块36基于该平均DTW距离计算待分析车辆与目标车辆的轨迹序列相似度的操作可以为计算以10为底数，以1减去平均DTW距离得到的值为真数的第一对数值；计算该第一对数值与lg2的比值；计算该比值与1的第二求和值，该第二求和值为该待分析车辆与该目标车辆的轨迹序列相似度。
请参阅图5，图5为本发明实施例的同行车辆分析装置的第二结构示意图。如图5所示，该装置40包括获取模块41、第一计算模块42、第二计算模块43、第三计算模块44、DTW模块45、第四计算模块46和输出模块47。
在本实施例中，图5中的模块41至46分别与图4中的模块31至36类似，为简约起见，在此不再赘述。
输出模块47与第四计算模块46耦接，用于将待分析车辆中与目标车辆的轨迹序列相似度大于预设的相似度阈值的待分析车辆作为该目标车辆的同行车辆输出。
可选地，该相似度阈值的设定范围为0.6～0.7。
请参阅图6，图6为本发明实施例的同行车辆分析装置的第三结构示意图。如图6所示，该装置50包括处理器51及和处理器51耦接的存储器52。
存储器52存储有用于实现上述任一实施例所述的同行车辆分析方法的程序指令。
处理器51用于执行存储器52存储的程序指令以对同行车辆进行分析。
其中，处理器51还可以称为CPU(Central Processing Unit，中央处理单元)。处理器51可能是一种集成电路芯片，具有信号的处理能力。处理器51还可以是通用处理器、数字信号处理器(DSP)、专用集成电路(ASIC)、现成可编程门阵列(FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
参阅图7，图7为本发明实施例的存储装置的结构示意图。本发明实施例的存储装置存储有能够实现上述所有方法的程序文件61，其中，该程序文件61可以以软件产品的形式存储在上述存储装置中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)或处理器(processor)执行本申请各个实施方式所述方法的全部或部分步骤。而前述的存储装置包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质，或者是计算机、服务器、手机、平板等终端设备。
在本申请所提供的几个实施例中，应该理解到，所揭露的系统，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。以上仅为本申请的实施方式，并非因此限制本申请的专利范围，凡是利用本申请说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本申请的专利保护范围内。

Claims (10)

1.一种同行车辆分析方法，其特征在于，包括：
获取目标车辆的第一过车轨迹序列和待分析车辆的第二过车轨迹序列；其中，所述第一过车轨迹序列中包括所述目标车辆按时间排序经过M个卡口的过车数据，所述第二过车轨迹序列中包括所述待分析车辆按时间排序经过N个卡口的过车数据；其中，所述M和N均为大于或等于2的整数；各个所述过车数据中包括对应车辆经过对应卡口的时间和所述卡口的坐标；
计算所述待分析车辆经过的每个卡口与所述目标车辆经过的每个卡口之间的第一距离，以形成距离矩阵；其中，所述第一距离为欧氏距离和第二距离之和，所述欧氏距离基于所述待分析车辆经过的每个卡口与所述目标车辆经过的每个卡口之间的坐标差计算得到，所述第二距离基于所述待分析车辆经过的每个卡口与所述目标车辆经过的每个卡口之间的时间差计算得到；
针对所述距离矩阵，计算待分析车辆轨迹与目标车辆轨迹间的距离；其中，所述待分析车辆轨迹与目标车辆轨迹间的距离为通过动态时间规整DTW算法计算得到的DTW距离；
基于所述距离计算所述待分析车辆与所述目标车辆的轨迹序列相似度；
其中，所述待分析车辆经过的第i个卡口与所述目标车辆经过的第j个卡口之间的第二距离的计算步骤包括：
计算所述待分析车辆经过的第i个卡口与所述目标车辆经过的第j个卡口之间的时间差；
若所述待分析车辆经过第i个卡口的时间先于所述目标车辆经过第j个卡口的时间，所述第二距离为所述时间差的绝对值与所述待分析车辆在第i个卡口和第i+1个卡口间的平均速度的乘积；
若所述待分析车辆经过第i个卡口的时间晚于所述目标车辆经过第j个卡口的时间，所述第二距离为所述时间差的绝对值与所述目标车辆在第j个卡口和第j+1个卡口间的平均速度的乘积。
2.根据权利要求1所述的方法，其特征在于，每个相邻卡口间的平均速度为所述相邻卡口间的实际距离与对应车辆经过所述相邻卡口所使用的时间的比值。
3.根据权利要求1所述的方法，其特征在于，所述坐标包括经度坐标和纬度坐标，所述待分析车辆经过的第i个卡口与所述目标车辆经过的第j个卡口之间的欧氏距离的计算步骤包括：
分别计算所述待分析车辆经过的第i个卡口与所述目标车辆经过的第j个卡口之间的经度坐标差和纬度坐标差；
计算所述经度坐标差的平方与所述纬度坐标差的平方的第一求和值，所述欧氏距离为所述第一求和值的平方根值。
4.根据权利要求1所述的方法，其特征在于，所述基于所述距离计算所述待分析车辆与所述目标车辆的轨迹序列相似度的步骤包括：
计算待分析车辆轨迹与目标车辆轨迹间的平均距离，所述平均距离为所述距离与第一轨迹长度的比值，其中，所述第一轨迹长度为M和N中的较大值；
基于所述平均距离计算所述待分析车辆与所述目标车辆的轨迹序列相似度。
5.根据权利要求4所述的方法，其特征在于，所述基于所述平均距离计算所述待分析车辆与所述目标车辆的轨迹序列相似度的步骤包括：
计算以10为底数，以1减去所述平均距离得到的值为真数的第一对数值；
计算所述第一对数值与lg2的比值；
计算所述比值与1的第二求和值，所述第二求和值为所述待分析车辆与所述目标车辆的轨迹序列相似度。
6.根据权利要求1所述的方法，其特征在于，还包括：
将所述待分析车辆中与所述目标车辆的轨迹序列相似度大于预设的相似度阈值的待分析车辆作为所述目标车辆的同行车辆输出。
7.根据权利要求6所述的方法，其特征在于，所述相似度阈值的预设范围为0.6～0.7。
8.根据权利要求1-7中任一项所述的方法，其特征在于，所述获取目标车辆的第一过车轨迹序列和待分析车辆的第二过车轨迹序列的步骤包括：
获取目标车辆的第一原始过车轨迹序列和待分析车辆的第二原始过车轨迹序列；
分别对所述第一原始过车轨迹序列和所述第二原始过车轨迹序列进行预处理后以形成所述第一过车轨迹序列和所述第二过车轨迹序列；其中，所述预处理包括对原始过车轨迹序列中包括的若干个卡口的过车数据进行清洗和时间排序。
9.一种同行车辆分析装置，其特征在于，所述装置包括处理器、与所述处理器耦接的存储器，其中，
所述存储器存储有用于实现如权利要求1-8中任一项所述的同行车辆分析方法的程序指令；
所述处理器用于执行所述存储器存储的所述程序指令以分析出同行车辆。
10.一种存储装置，其特征在于，存储有能够实现如权利要求1-8中任一项所述的同行车辆分析方法的程序文件。
CN201911036638.XA 2019-10-29 2019-10-29 同行车辆分析方法、装置、及存储装置 Active CN110766088B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911036638.XA CN110766088B (zh) 2019-10-29 2019-10-29 同行车辆分析方法、装置、及存储装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911036638.XA CN110766088B (zh) 2019-10-29 2019-10-29 同行车辆分析方法、装置、及存储装置

Publications (2)

Publication Number Publication Date
CN110766088A CN110766088A (zh) 2020-02-07
CN110766088B true CN110766088B (zh) 2023-05-12

Family

ID=69334357

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911036638.XA Active CN110766088B (zh) 2019-10-29 2019-10-29 同行车辆分析方法、装置、及存储装置

Country Status (1)

Country Link
CN (1) CN110766088B (zh)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111488835B (zh) * 2020-04-13 2023-10-10 北京爱笔科技有限公司 一种同行人员的识别方法及装置
CN112070130B (zh) * 2020-08-25 2023-03-28 西安交通大学 一种基于动态时间规整的跨道车辆匹配方法及系统
CN112581761B (zh) * 2020-12-07 2022-04-19 浙江宇视科技有限公司 5g移动物联网节点的协同分析方法、装置、设备和介质
CN112612825B (zh) * 2020-12-18 2024-05-14 北京锐安科技有限公司 一种确定同行车辆的方法、装置、设备以及存储介质
CN112837369A (zh) * 2021-02-09 2021-05-25 北京市商汤科技开发有限公司 数据处理方法及装置、电子设备及计算机可读存储介质

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105225476A (zh) * 2014-06-10 2016-01-06 浙江宇视科技有限公司 一种车辆轨迹的生成、聚合方法和装置
WO2018053921A1 (zh) * 2016-09-22 2018-03-29 深圳市元征科技股份有限公司 一种行车轨迹的确定方法及其装置

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107274679B (zh) * 2017-06-06 2019-08-30 东莞理工学院 车辆识别方法、装置、设备及计算机可读存储介质
CN108242153A (zh) * 2018-03-12 2018-07-03 小草数语（北京）科技有限公司 异常卡口识别方法及装置
CN108932839B (zh) * 2018-06-19 2020-08-04 浙江大华技术股份有限公司 一种同行车辆判断方法及装置
CN109118766A (zh) * 2018-09-04 2019-01-01 华南师范大学 一种基于交通卡口的同行车辆判别方法及装置

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105225476A (zh) * 2014-06-10 2016-01-06 浙江宇视科技有限公司 一种车辆轨迹的生成、聚合方法和装置
WO2018053921A1 (zh) * 2016-09-22 2018-03-29 深圳市元征科技股份有限公司 一种行车轨迹的确定方法及其装置

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
樊志英.一种卡口车辆轨迹相似度算法的研究和实现.现代电子技术.2016,(第23期),全文. *
范菁等.基于二次谱聚类和HMM-RF混合模型的车辆行为识别方法研究.计算机科学.2016,(第05期),全文. *

Also Published As

Publication number Publication date
CN110766088A (zh) 2020-02-07

Similar Documents

Publication Publication Date Title
CN110766088B (zh) 同行车辆分析方法、装置、及存储装置
CN108090456B (zh) 识别车道线模型的训练方法、车道线识别方法及装置
US10359770B2 (en) Estimation of abnormal sensors
CN111008805B (zh) 妥投时间确定方法、装置、存储介质与电子设备
CN108228722B (zh) 破碎化区域采样点的地理空间分布均匀度检测方法
CN114520736B (zh) 一种物联网安全检测方法、装置、设备及存储介质
CN113743179A (zh) 路上障碍物检知装置、方法及记录介质
CN114897669A (zh) 一种标注方法、装置及电子设备
CN110646798B (zh) 目标航迹关联方法、雷达和终端设备
CN115965657A (zh) 目标跟踪方法、电子设备、存储介质及车辆
CN111666359B (zh) Poi候选到达点挖掘方法、装置与设备
CN111290053A (zh) 一种基于卡尔曼滤波的雷暴路径预测方法
CN111104438A (zh) 时间序列的周期性确定方法、装置及电子设备
CN111540202B (zh) 一种相似卡口确定方法、装置、电子设备及可读存储介质
CN111582378B (zh) 定位识别模型的训练生成方法、位置检测方法、装置
JP4516940B2 (ja) 累積和基盤の変化点分析を利用した虹彩認識方法及びその装置
CN110084157B (zh) 图像重识别的数据处理方法及装置
CN114394099B (zh) 车辆行驶异常识别方法、装置、计算机设备及存储介质
CN114019182B (zh) 零速状态检测方法、装置及电子设备
US10073538B2 (en) Assessment of a password based on characteristics of a physical arrangement of keys of a keyboard
CN112858725B (zh) 一种车速一致性检测方法、终端设备及存储介质
CN114882491A (zh) 一种非机动车目标的跟踪方法、装置和电子设备
CN110889979B (zh) 一种内河航道数据的融合方法及装置
CN111414804B (zh) 识别框确定方法、装置、计算机设备、车辆和存储介质
US11079238B2 (en) Calculating a most probable path

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