CN110942640A - 一种主动发现非法从事网约车客运的嫌疑车辆的方法 - Google Patents
一种主动发现非法从事网约车客运的嫌疑车辆的方法 Download PDFInfo
- Publication number
- CN110942640A CN110942640A CN201911224016.XA CN201911224016A CN110942640A CN 110942640 A CN110942640 A CN 110942640A CN 201911224016 A CN201911224016 A CN 201911224016A CN 110942640 A CN110942640 A CN 110942640A
- Authority
- CN
- China
- Prior art keywords
- target vehicle
- vehicle
- passenger
- days
- state
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 22
- 238000005516 engineering process Methods 0.000 claims abstract description 10
- 230000002159 abnormal effect Effects 0.000 claims description 30
- 238000001514 detection method Methods 0.000 claims description 19
- 238000012790 confirmation Methods 0.000 claims description 3
- 230000002411 adverse Effects 0.000 abstract description 4
- 230000006399 behavior Effects 0.000 abstract description 3
- 238000012544 monitoring process Methods 0.000 abstract description 2
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 230000000192 social effect Effects 0.000 description 1
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
- G08G1/017—Detecting movement of traffic to be counted or controlled identifying vehicles
- G08G1/0175—Detecting movement of traffic to be counted or controlled identifying vehicles by photographing vehicles, e.g. when violating traffic rules
-
- 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—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
-
- G06Q50/40—
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle
- G06V20/58—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads
- G06V20/584—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads of vehicle lights or traffic lights
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/59—Context or environment of the image inside of a vehicle, e.g. relating to seat occupancy, driver state or inner lighting conditions
- G06V20/593—Recognising seat occupancy
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/08—Detecting or categorising vehicles
Abstract
本发明提供一种主动发现非法从事网约车客运的嫌疑车辆的方法,其无需使用人工蹲点的方法,主动发现有违法行为的嫌疑车辆,且可以不间断执行,提高了发现嫌疑车辆的效率,节省了大量人力成本,且不会引起任何不良社会影响。本发明的技术方案中,利用路面监控卡口设备采集的机动车轨迹数据,计算根据车辆的通行时长,基于开口设备采集的图片数据,利用现有的图像识别技术查询到车辆信息,从运营性质、车辆类型筛选出目标车辆范围,基于现有的图像识别技术确认每一个目标车辆的副驾驶乘客是否频繁变更,进而定位到有违法从事网约车客运的嫌疑车辆。
Description
技术领域
本发明涉及智能交通控制技术领域,具体为一种主动发现非法从事网约车客运的嫌疑车辆的方法。
背景技术
随着当前经济社会的高速发展,人民不断增长的出行需求和交通运输力能力的矛盾日益突出。随着移动互联网时代来临,网约车逐渐进入大家的日常生活。网约车利用互联网将乘客和司机直接连接在一起,使得乘客能够便捷的呼叫网约车出行,其便捷化的操作受到广大出行市民的喜爱。但同时,网约车具有难监管的特点,路面上运行的网约车中存在相当比例的车辆并未向运输部门申请网约车许可证。根据《中华人民共和国道路运输条例》第六十四条规定:未取得道路运输经营许可,擅自从事道路运输经营的,由县级以上道路运输管理机构责令停止经营;有违法所得的,没收违法所得,处违法所得2倍以上10倍以下的罚款;没有违法所得或者违法所得不足2万元的,处3万元以上10万元以下的罚款;构成犯罪的,依法追究刑事责任。
非法从事网约车进行载客的违法行为具有难以主动发现的特点,现有的查处防范中,监管部门往往采用人工蹲点,甚至“钓鱼执法”的方式进行发现查获非法载客的网约车。此类方法不仅需要花费大量的人力,执行效率低下,而且可能会带来不良的社会影响。
发明内容
为了解决现有的非法从事网约车的嫌疑车辆查处困难的问题,本发明提供一种主动发现非法从事网约车客运的嫌疑车辆的方法,其无需使用人工蹲点的方法,主动发现有违法行为的嫌疑车辆,且可以不间断执行,提高了发现嫌疑车辆的效率,节省了大量人力成本,且不会引起任何不良社会影响。
本发明的技术方案是这样的:一种主动发现非法从事网约车客运的嫌疑车辆的方法,其特征在于,其包括以下步骤:
S1:获取待检测区域内的所有卡口拍摄的过车图片,基于现有的图像识别技术,识别出在所述待检测区域内运行的所有车辆,作为目标车辆;
S2:设置检测时间T;
依次取出每一个所述目标车辆,获取在T天以内,所述目标车辆在所述待检测区域内的卡口轨迹集合:
K(k1,k2,...,kn)
其中:ki表示某一个单个轨迹数据,1≤i≤n,n为自然数,表示目标车辆轨迹个数;所述卡口轨迹集合内的ki按照时间顺序排序;
ki中的数据包括:采集轨迹卡口的经纬度、轨迹采集卡口的道路类型、采集时间、卡口轨迹过车图片;
S3:根据所述目标车辆的所述卡口轨迹集合K中的数据,计算其在所述检测时间T日以内,通行时长状态为异常的天数,设其通行时长状态异常天数共为d天;
S4:设置通行时长状态阈值为β天,则比较所述通行时长状态异常天数d和所述通行时长状态阈值为β:
否则,判断所述目标车辆通行状态异常,执行步骤S9;
S5:针对所述目标车辆,核查其车辆信息,当车辆信息同时符合下面两个条件:
所述目标车辆的运营性质为:非营运车辆
所述目标车辆的车辆类型为:小微型客车或者小微型面包车
则:执行步骤S6;
否则,判断所述目标车辆通行状态正常,不存在非法从事网约车客运的嫌疑,结束本次对所述目标车辆的检测;执行步骤S2,进行下一辆目标车辆的检测;
S6:判断所述目标车辆的副驾驶乘客是否频繁变更;
如果所述目标车辆的副驾驶乘客状态为:没有频繁变更,则不存在非法从事网约车客运的嫌疑,结束本次对所述目标车辆的检测;执行步骤S2,进行下一辆目标车辆的检测;
否则,判断所述目标车辆存在非法从事网约车客运的嫌疑,将所述目标车辆的车辆信息发送给交管指挥平台,由执法人员进行后续确认行动;结束本次对所述目标车辆的检测;执行步骤S2,进行下一辆目标车辆的检测。
其进一步特征在于:
步骤S3中,计算所述通行时长状态异常天数d的步骤包括:
a1:将所述卡口轨迹集合K中的每一个子集ki,以天为单位切分成T个子集,即所述目标车辆在第t日的卡口轨迹子集为Kt:
Kt(k1,k2,k3…,km)
其中,1≤t≤T;
a2:遍历Kt,根据经纬度信息获取相邻轨迹ki,kj之间的直线距离disi,j;
其中:j=i+1,且1≤i<j≤m;
a3:根据相邻轨迹ki,kj之间的道路类型,设置通行平均速度阈值σ,计算相邻轨迹ki,kj之间,所述目标车辆的通行时长τi,j:
叠加所有的相邻轨迹之间的通行时长,得出第t日的总的通行时长为τ:
τ=∑τi,j;
a4:根据所述待检测区域的具体情况,设置此区域内的机动车通行时长阈值α,比较第t日的总的通行时长和所述通行时长阈值:
如果τ≥α,则判断所述目标车辆在第t日通行时长状态为异常;
a5:重复步骤a1~a5,对所述目标车辆的以天为单位的所有的轨迹子集Kt,分别进行计算;
累加所述目标车辆的所述通行时长状态为异常的天数,得到通行时长状态异常天数共为d天;
步骤S6中,判断所述目标车辆的副驾驶乘客是否频繁变更的步骤包括:
b1:调取其在所述待检测区域内的所有过车图,利用图像识别技术,识别出所有出现在副驾驶区域的乘客,设所有出现在副驾驶区域的乘客的人数为M;
b2:设置一个副驾驶乘客的人数上限阈值δ,
b3:比较M和δ:
当M≤δ,则判断所述目标车辆通行状态正常,即,所述目标车辆的副驾驶乘客的状态为:没有频繁变更;
否则,所述目标车辆的副驾驶乘客的状态为:频繁变更。
本发明提供的一种主动发现非法从事网约车客运的嫌疑车辆的方法,利用路面监控卡口设备采集的机动车轨迹数据,计算根据车辆的通行时长,基于开口设备采集的图片数据,利用现有的图像识别技术查询到车辆信息,从运营性质、车辆类型筛选出目标车辆范围,基于现有的图像识别技术确认每一个目标车辆的副驾驶乘客是否频繁变更,进而定位到有违法从事网约车客运的嫌疑车辆;本发明的技术方案利用现有的道路卡口设备无需添加新的硬件设备,利用现有的车辆信息数据库,无需添加新的数据库,方案的成本低廉;可以不间断的计算,对嫌疑车辆进行查找,无需人力分辨,节省了大量人力资源,且查找过程无需惊动被调查车辆,不会引起不良的影响。
附图说明
图1为本发明的嫌疑车辆查找流程示意图。
具体实施方式
本发明一种主动发现非法从事网约车客运的嫌疑车辆的方法,其包括以下步骤。
S1:获取待检测区域内的所有卡口拍摄的过车图片,基于现有的图像识别技术,识别出在待检测区域内运行的所有车辆,作为目标车辆;对识别出来的所有目标车辆分别进行排查,具体实现的时候,如说明书的附图中的图1所以,可以设置每次识别出来的目标车辆的总数为TN辆,然后通过设置计数器Coun来控制目标车辆的查找循环。
S2:设置检测时间T,设置一个检测期间,在T天以内计算每一个目标车辆的行驶数据;
依次取出每一个目标车辆,获取在T天以内,目标车辆在待检测区域内的卡口轨迹集合:
K(k1,k2,...,kn)
其中:ki表示某一个单个轨迹数据,1≤i≤n,n为自然数,表示目标车辆轨迹个数;卡口轨迹集合内的ki按照时间顺序排序;
ki中的数据包括:采集轨迹卡口的经纬度、轨迹采集卡口的道路类型、采集时间、卡口轨迹过车图片。
如下面的表1,是某机动车C的在2019年7月1日的卡口轨迹集合,集合内轨迹按卡口采集的时间先后顺序排列。
表1某机动车的卡口轨迹详情
S3:根据目标车辆的卡口轨迹集合K中的数据,计算其在检测时间T日以内,通行时长状态为异常的天数,设其通行时长状态异常天数共为d天;
计算通行时长状态异常天数d的步骤包括:
a1:将卡口轨迹集合K中的每一个子集ki,以天为单位切分成T个子集,即目标车辆在第t日的卡口轨迹子集为Kt:
Kt(k1,k2,k3…,km)
其中,1≤t≤T;
a2:遍历Kt,根据经纬度信息获取相邻轨迹ki,kj之间的直线距离disi,j;
其中:j=i+1,且1≤i<j≤m;
a3:根据相邻轨迹ki,kj之间的道路类型,设置通行平均速度阈值σ,计算相邻轨迹ki,kj之间,目标车辆的通行时长τi,j:
叠加所有的相邻轨迹之间的通行时长,得出第t日的总的通行时长为τ:
τ=∑τi,j;
a4:根据待检测区域的具体情况,设置此区域内的机动车通行时长阈值α,比较第t日的总的通行时长和通行时长阈值:
如果τ≥α,则判断目标车辆在第t日通行时长状态为异常;
a5:重复步骤a1~a5,对目标车辆的以天为单位的所有的轨迹子集Kt,分别进行计算;
累加目标车辆的通行时长状态为异常的天数,得到通行时长状态异常天数共为d天。
基于表1的数据,对目标车辆:机动车C的通行时长状态异常天数进行计算。
从卡口轨迹去判定。先估算机动车C在当日的通行时长:
(1)根据卡口的经纬度,从卡口K2开始依次计算出与上一个卡口间的距离;
(2)据卡口的所在道路的道路类型设定速度阈值,如城市快速路为60Km/H、城区普通道路40Km/H;
(3)以此得出通行时长(通行时长=与上一个卡口间的距离*60/速度阈值);
(4)累加得出机动车在当日的通行时长为780分钟。
可以看出机动车C在当日的通行了较长时间,
本实施例中,设定通行异常阈值为480min,即认为每日的通行时长超过480分钟,则判定为通行异常。
则,估算机动车C在2019年7月份的所有日通行时长,如下面表2所示:
表2:机动车C在2019年7月的所有日通行时长
日期 | 通行时长(min) | 日期 | 通行时长(min) |
2019年7月1日 | 780* | 2019年7月16日 | 0 |
2019年7月2日 | 506* | 2019年7月17日 | 550* |
2019年7月3日 | 320 | 2019年7月18日 | 401 |
2019年7月4日 | 480* | 2019年7月19日 | 463 |
2019年7月5日 | 201 | 2019年7月20日 | 486* |
2019年7月6日 | 196 | 2019年7月21日 | 530* |
2019年7月7日 | 501* | 2019年7月22日 | 650* |
2019年7月8日 | 555* | 2019年7月23日 | 670* |
2019年7月9日 | 250 | 2019年7月24日 | 531* |
2019年7月10日 | 485* | 2019年7月25日 | 405 |
2019年7月11日 | 0 | 2019年7月26日 | 493* |
2019年7月12日 | 350 | 2019年7月27日 | 128 |
2019年7月13日 | 377 | 2019年7月28日 | 366 |
2019年7月14日 | 532* | 2019年7月29日 | 500* |
2019年7月15日 | 362 | 2019年7月30日 | 135 |
2019年7月16日 | 162 | 2019年7月31日 | 650* |
S4:设置通行时长状态阈值为β,则比较通行时长状态异常天数d和通行时长状态阈值为β:
否则,判断目标车辆通行状态异常,执行步骤S9。
本实施例中,在待检测区域内,根据本区域内实际的路况、区域面积、区域特点,设置β=0.49,本月内的T=31,则可知,本月内的通行异常天数阈值为T*β≈15天,即在本月内超过15天的日通行时长异常,则判定车辆具有非法从事网约车客运嫌疑。
表2中用*号标记的为大于等于480小时的通行时长,则,表2中记录的通行时长状态异常天数d=16,超过15天,则根据表2的数据,机动车C存在非法从事网约车客运的嫌疑;在一定的检查周期中,非法运营的车辆其异常行驶的天数大于非运营状态私家车辆,利用非法运营车辆的这个特点,根据待检测区间内的面积、路况、居民区设置等等特点,设置待检测区域内通行时长状态阈值β,进而通过卡口数据筛查出有非法运嫌疑的车辆;根据每个待检测区域自有的特点设置通行时长状态阈值,使计算出来的数值更加符合各个区域的特点,提高了本发明技术方案的准确性。
S5:针对目标车辆,核查其车辆信息,当车辆信息同时符合下面两个条件:
目标车辆的运营性质为:非营运车辆
目标车辆的车辆类型为:小微型客车或者小微型面包车
则:执行步骤S6;
否则,判断目标车辆通行状态正常,不存在非法从事网约车客运的嫌疑,结束本次对目标车辆的检测;执行步骤S2,进行下一辆目标车辆的检测。
经核实机动车C为非营运性质的车辆,是一辆7坐的小型客车。
S6:判断目标车辆的副驾驶乘客是否频繁变更;
判断目标车辆的副驾驶乘客是否频繁变更的步骤包括:
b1:调取其在待检测区域内的所有过车图,利用图像识别技术,识别出所有出现在副驾驶区域的乘客,设所有出现在副驾驶区域的乘客的人数为M;
b2:设置一个副驾驶乘客的人数上限阈值δ,本实施例中,设置上限阈值δ为10;
b3:比较M和δ:
当M<δ,则判断目标车辆通行状态正常,即,目标车辆的副驾驶乘客的状态为:没有频繁变更;
否则,目标车辆的副驾驶乘客的状态为:频繁变更。
抽取机动车C的卡口轨迹图片,利用图像识别确定副驾驶乘客变化情况。经确认,机动车C的副驾驶人员频繁更换,每日的变化次数超过10次,即:机动车C存在非法从事网约车客运的嫌疑;在待检测车辆的运行时间超出通行时长状态阈值的基础之上,对待检测车辆的副驾驶位置的乘客进行筛查,通过对乘客位置的人数的检查,确认待检测车辆是否有非法运营的嫌疑,进一步提高了本发明技术方案计算的准确性。
如果目标车辆的副驾驶乘客状态为:没有频繁变更,则不存在非法从事网约车客运的嫌疑,结束本次对目标车辆的检测;执行步骤S2,进行下一辆目标车辆的检测;
否则,判断目标车辆存在非法从事网约车客运的嫌疑,将目标车辆的车辆信息发送给交管指挥平台,由执法人员进行后续确认行动;结束本次对目标车辆的检测;执行步骤S2,进行下一辆目标车辆的检测。
使用本发明的技术方案,可以利用卡口轨迹,主动发现路面行驶的机动车是否有非法从事网约车客运的嫌疑,大大提升运输监管部门的执法效率。在本方法中,利用的卡口的经纬度信息,求取轨迹间的直线距离;根据不同道路类型设定平均通行速度,求取车辆通行时长;使用卡口的直线距离,而机动车在两个卡口间的实际通行距离更长,同时通过设定平均通行速度的方法,规避了用卡口轨迹采集时间相叠加,这都保证了本方法主动发现嫌疑车辆的准确率。
Claims (3)
1.一种主动发现非法从事网约车客运的嫌疑车辆的方法,其特征在于,其包括以下步骤:
S1:获取待检测区域内的所有卡口拍摄的过车图片,基于现有的图像识别技术,识别出在所述待检测区域内运行的所有车辆,作为目标车辆;
S2:设置检测时间T;
依次取出每一个所述目标车辆,获取在T天以内,所述目标车辆在所述待检测区域内的卡口轨迹集合:K(k1,k2,...,kn)
其中:ki表示某一个单个轨迹数据,1≤i≤n,n为自然数,表示目标车辆轨迹个数;所述卡口轨迹集合内的ki按照时间顺序排序;
ki中的数据包括:采集轨迹卡口的经纬度、轨迹采集卡口的道路类型、采集时间、卡口轨迹过车图片;
S3:根据所述目标车辆的所述卡口轨迹集合K中的数据,计算其在所述检测时间T日以内,通行时长状态为异常的天数,设其通行时长状态异常天数共为d天;
S4:设置通行时长状态阈值为β天,则比较所述通行时长状态异常天数d和所述通行时长状态阈值为β:
否则,判断所述目标车辆通行状态异常,执行步骤S9;
S5:针对所述目标车辆,核查其车辆信息,当车辆信息同时符合下面两个条件:
所述目标车辆的运营性质为:非营运车辆
所述目标车辆的车辆类型为:小微型客车或者小微型面包车
则:执行步骤S6;
否则,判断所述目标车辆通行状态正常,不存在非法从事网约车客运的嫌疑,结束本次对所述目标车辆的检测;执行步骤S2,进行下一辆目标车辆的检测;
S6:判断所述目标车辆的副驾驶乘客是否频繁变更;
如果所述目标车辆的副驾驶乘客状态为:没有频繁变更,则不存在非法从事网约车客运的嫌疑,结束本次对所述目标车辆的检测;执行步骤S2,进行下一辆目标车辆的检测;
否则,判断所述目标车辆存在非法从事网约车客运的嫌疑,将所述目标车辆的车辆信息发送给交管指挥平台,由执法人员进行后续确认行动;结束本次对所述目标车辆的检测;执行步骤S2,进行下一辆目标车辆的检测。
2.根据权利要求1所述一种主动发现非法从事网约车客运的嫌疑车辆的方法,其特征在于:步骤S3中,计算所述通行时长状态异常天数d的步骤包括:
a1:将所述卡口轨迹集合K中的每一个子集ki,以天为单位切分成T个子集,即所述目标车辆在第t日的卡口轨迹子集为Kt:
Kt(k1,k2,k3…,km)
其中,1≤t≤T;
a2:遍历Kt,根据经纬度信息获取相邻轨迹ki,kj之间的直线距离disi,j;
其中:j=i+1,且1≤i<j≤m;
a3:根据相邻轨迹ki,kj之间的道路类型,设置通行平均速度阈值σ,计算相邻轨迹ki,kj之间,所述目标车辆的通行时长τi,j:
叠加所有的相邻轨迹之间的通行时长,得出第t日的总的通行时长为τ:
τ=∑τi,j;
a4:根据所述待检测区域的具体情况,设置此区域内的机动车通行时长阈值α,比较第t日的总的通行时长和所述通行时长阈值:
如果τ≥α,则判断所述目标车辆在第t日通行时长状态为异常;
a5:重复步骤a1~a5,对所述目标车辆的以天为单位的所有的轨迹子集Kt,分别进行计算;
累加所述目标车辆的所述通行时长状态为异常的天数,得到通行时长状态异常天数共为d天。
3.根据权利要求1所述一种主动发现非法从事网约车客运的嫌疑车辆的方法,其特征在于:步骤S6中,判断所述目标车辆的副驾驶乘客是否频繁变更的步骤包括:
b1:调取其在所述待检测区域内的所有过车图,利用图像识别技术,识别出所有出现在副驾驶区域的乘客,设所有出现在副驾驶区域的乘客的人数为M;
b2:设置一个副驾驶乘客的人数上限阈值δ,
b3:比较M和δ:
当M≤δ,则判断所述目标车辆通行状态正常,即,所述目标车辆的副驾驶乘客的状态为:没有频繁变更;
否则,所述目标车辆的副驾驶乘客的状态为:频繁变更。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911224016.XA CN110942640B (zh) | 2019-12-04 | 2019-12-04 | 一种主动发现非法从事网约车客运的嫌疑车辆的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911224016.XA CN110942640B (zh) | 2019-12-04 | 2019-12-04 | 一种主动发现非法从事网约车客运的嫌疑车辆的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110942640A true CN110942640A (zh) | 2020-03-31 |
CN110942640B CN110942640B (zh) | 2022-01-25 |
Family
ID=69909553
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911224016.XA Active CN110942640B (zh) | 2019-12-04 | 2019-12-04 | 一种主动发现非法从事网约车客运的嫌疑车辆的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110942640B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111882873A (zh) * | 2020-07-22 | 2020-11-03 | 平安国际智慧城市科技股份有限公司 | 轨迹异常检测方法、装置、设备及介质 |
CN114841712A (zh) * | 2022-03-01 | 2022-08-02 | 北京北大千方科技有限公司 | 网约车巡游违规运营状态的确定方法和装置及电子设备 |
CN114944083A (zh) * | 2022-05-13 | 2022-08-26 | 公安部交通管理科学研究所 | 一种高速公路上行驶车辆与前车距离的判断方法 |
CN115631632A (zh) * | 2022-12-19 | 2023-01-20 | 北京码牛科技股份有限公司 | 一种基于车辆的轨迹特征识别网约车的方法和系统 |
CN116631198A (zh) * | 2023-06-05 | 2023-08-22 | 南京观为智慧软件科技有限公司 | 基于物联网设备的交通综合执法研判系统 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2003016579A (ja) * | 2001-06-29 | 2003-01-17 | Nissin Electric Co Ltd | 不法投棄監視支援方法および不法投棄監視支援システム |
CN104700646A (zh) * | 2015-03-31 | 2015-06-10 | 南京大学 | 一种基于在线gps数据的出租车异常轨迹实时检测方法 |
CN105741553A (zh) * | 2016-04-28 | 2016-07-06 | 泰华智慧产业集团股份有限公司 | 基于动态阈值的识别车辆轨迹中停靠路段的方法 |
JP2016151887A (ja) * | 2015-02-17 | 2016-08-22 | 株式会社東芝 | 路上監視装置、路上監視システム、方法及びプログラム |
CN106056903A (zh) * | 2016-06-22 | 2016-10-26 | 江苏迪纳数字科技股份有限公司 | 基于gps数据的道路拥塞区域的检测方法 |
KR101698026B1 (ko) * | 2016-06-17 | 2017-01-19 | 주식회사 파킹패스 | 이동차량 추적에 의한 cctv 불법주정차 단속시스템 |
CN107204114A (zh) * | 2016-03-18 | 2017-09-26 | 中兴通讯股份有限公司 | 一种车辆异常行为的识别方法及装置 |
CN107734291A (zh) * | 2017-08-24 | 2018-02-23 | 银江股份有限公司 | 一种机动车违法行为抓拍方法及系统 |
CN107862871A (zh) * | 2017-11-06 | 2018-03-30 | 喀什沃鑫通讯科技有限公司 | 一种驾驶员换驾、连续驾驶时间监控的装置及方法 |
CN108665698A (zh) * | 2018-05-21 | 2018-10-16 | 杭州优行科技有限公司 | 基于轨迹的网约车监管方法及装置 |
CN108986478A (zh) * | 2018-09-17 | 2018-12-11 | 公安部交通管理科学研究所 | 一种定点甄别违法车辆的方法 |
-
2019
- 2019-12-04 CN CN201911224016.XA patent/CN110942640B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2003016579A (ja) * | 2001-06-29 | 2003-01-17 | Nissin Electric Co Ltd | 不法投棄監視支援方法および不法投棄監視支援システム |
JP2016151887A (ja) * | 2015-02-17 | 2016-08-22 | 株式会社東芝 | 路上監視装置、路上監視システム、方法及びプログラム |
CN104700646A (zh) * | 2015-03-31 | 2015-06-10 | 南京大学 | 一种基于在线gps数据的出租车异常轨迹实时检测方法 |
CN107204114A (zh) * | 2016-03-18 | 2017-09-26 | 中兴通讯股份有限公司 | 一种车辆异常行为的识别方法及装置 |
CN105741553A (zh) * | 2016-04-28 | 2016-07-06 | 泰华智慧产业集团股份有限公司 | 基于动态阈值的识别车辆轨迹中停靠路段的方法 |
KR101698026B1 (ko) * | 2016-06-17 | 2017-01-19 | 주식회사 파킹패스 | 이동차량 추적에 의한 cctv 불법주정차 단속시스템 |
CN106056903A (zh) * | 2016-06-22 | 2016-10-26 | 江苏迪纳数字科技股份有限公司 | 基于gps数据的道路拥塞区域的检测方法 |
CN107734291A (zh) * | 2017-08-24 | 2018-02-23 | 银江股份有限公司 | 一种机动车违法行为抓拍方法及系统 |
CN107862871A (zh) * | 2017-11-06 | 2018-03-30 | 喀什沃鑫通讯科技有限公司 | 一种驾驶员换驾、连续驾驶时间监控的装置及方法 |
CN108665698A (zh) * | 2018-05-21 | 2018-10-16 | 杭州优行科技有限公司 | 基于轨迹的网约车监管方法及装置 |
CN108986478A (zh) * | 2018-09-17 | 2018-12-11 | 公安部交通管理科学研究所 | 一种定点甄别违法车辆的方法 |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111882873A (zh) * | 2020-07-22 | 2020-11-03 | 平安国际智慧城市科技股份有限公司 | 轨迹异常检测方法、装置、设备及介质 |
CN114841712A (zh) * | 2022-03-01 | 2022-08-02 | 北京北大千方科技有限公司 | 网约车巡游违规运营状态的确定方法和装置及电子设备 |
CN114841712B (zh) * | 2022-03-01 | 2023-03-24 | 北京北大千方科技有限公司 | 网约车巡游违规运营状态的确定方法和装置及电子设备 |
CN114944083A (zh) * | 2022-05-13 | 2022-08-26 | 公安部交通管理科学研究所 | 一种高速公路上行驶车辆与前车距离的判断方法 |
CN114944083B (zh) * | 2022-05-13 | 2023-03-24 | 公安部交通管理科学研究所 | 一种高速公路上行驶车辆与前车距离的判断方法 |
CN115631632A (zh) * | 2022-12-19 | 2023-01-20 | 北京码牛科技股份有限公司 | 一种基于车辆的轨迹特征识别网约车的方法和系统 |
CN116631198A (zh) * | 2023-06-05 | 2023-08-22 | 南京观为智慧软件科技有限公司 | 基于物联网设备的交通综合执法研判系统 |
CN116631198B (zh) * | 2023-06-05 | 2023-12-22 | 南京观为智慧软件科技有限公司 | 基于物联网设备的交通综合执法研判系统 |
Also Published As
Publication number | Publication date |
---|---|
CN110942640B (zh) | 2022-01-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110942640B (zh) | 一种主动发现非法从事网约车客运的嫌疑车辆的方法 | |
US9405988B2 (en) | License plate recognition | |
CN107645709B (zh) | 一种确定人员信息的方法及装置 | |
CN109523787B (zh) | 一种基于车辆通行轨迹的疲劳驾驶分析方法 | |
CN106022296B (zh) | 一种基于车辆热点区域的概率聚合的套牌车检测方法 | |
CN109409337B (zh) | 基于卷积神经网络的渣土车特征识别方法 | |
US20090016819A1 (en) | Electronic barrier and enforcement system and method | |
CN110969190B (zh) | 非法营运车辆检测方法、介质、设备及装置 | |
CN106314438A (zh) | 一种司机驾驶轨迹中异常轨迹的检测方法和系统 | |
CN108986478B (zh) | 一种定点甄别违法车辆的方法 | |
CN107329977B (zh) | 一种基于概率分布的假牌车二次筛选方法 | |
CN107590999B (zh) | 一种基于卡口数据的交通状态判别方法 | |
CN109344886B (zh) | 基于卷积神经网络的遮挡号牌判别方法 | |
CN106571040B (zh) | 一种可疑车辆确认方法及设备 | |
CN104021677A (zh) | 一种车辆翻牌检测方法和装置 | |
CN107067730A (zh) | 基于卡口设备的网约车人车不一致监测方法 | |
CN108898831B (zh) | 基于道路高清卡口数据的路段状况评估方法及系统 | |
CN111899517B (zh) | 一种高速公路疲劳驾驶违法行为判定方法 | |
Quintanar | Man vs. machine: An investigation of speeding ticket disparities based on gender and race | |
CN110164136B (zh) | 套牌车辆识别方法 | |
CN112507939A (zh) | 一种重点车辆检测方法、系统、设备及存储介质 | |
CN113470369B (zh) | 一种基于多维度信息判断套牌车辆真实号牌的方法及系统 | |
JP2019505892A (ja) | ビッグデータに基づいて道路状態を予測する方法及び装置 | |
CN103927512A (zh) | 车辆识别方法 | |
CN109344903A (zh) | 基于车载感知数据的城市道路路面故障实时检测方法 |
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 |