CN111127930A - 车辆常用行驶路线获取方法及装置 - Google Patents

车辆常用行驶路线获取方法及装置 Download PDF

Info

Publication number
CN111127930A
CN111127930A CN201911282586.4A CN201911282586A CN111127930A CN 111127930 A CN111127930 A CN 111127930A CN 201911282586 A CN201911282586 A CN 201911282586A CN 111127930 A CN111127930 A CN 111127930A
Authority
CN
China
Prior art keywords
vehicle
time interval
travel
trip
path
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
Application number
CN201911282586.4A
Other languages
English (en)
Inventor
吕建辉
王雯雯
曹强
李忠芝
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.)
Hisense TransTech Co Ltd
Original Assignee
Hisense TransTech 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 Hisense TransTech Co Ltd filed Critical Hisense TransTech Co Ltd
Priority to CN201911282586.4A priority Critical patent/CN111127930A/zh
Publication of CN111127930A publication Critical patent/CN111127930A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/09—Arrangements for giving variable traffic instructions
    • G08G1/0962—Arrangements for giving variable traffic instructions having an indicator mounted inside the vehicle, e.g. giving voice messages
    • G08G1/0967—Systems involving transmission of highway information, e.g. weather, speed limits
    • G08G1/096766—Systems involving transmission of highway information, e.g. weather, speed limits where the system is characterised by the origin of the information transmission
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
    • G01C21/26—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network
    • G01C21/34—Route searching; Route guidance
    • G01C21/3453—Special cost functions, i.e. other than distance or default speed limit of road segments
    • G01C21/3484—Personalized, e.g. from learned user behaviour or user-defined profiles
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/09—Arrangements for giving variable traffic instructions
    • G08G1/0962—Arrangements for giving variable traffic instructions having an indicator mounted inside the vehicle, e.g. giving voice messages
    • G08G1/0968—Systems involving transmission of navigation instructions to the vehicle
    • G08G1/096833—Systems involving transmission of navigation instructions to the vehicle where different aspects are considered when computing the route
    • G08G1/096838—Systems involving transmission of navigation instructions to the vehicle where different aspects are considered when computing the route where the user preferences are taken into account or the user selects one route out of a plurality

Landscapes

  • Engineering & Computer Science (AREA)
  • Remote Sensing (AREA)
  • Physics & Mathematics (AREA)
  • Radar, Positioning & Navigation (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Social Psychology (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Atmospheric Sciences (AREA)
  • Automation & Control Theory (AREA)
  • Mathematical Physics (AREA)
  • Traffic Control Systems (AREA)
  • Navigation (AREA)

Abstract

本申请涉及智能交通控制技术领域，特别地，涉及车辆常用行驶路线获取方法及装置。本申请提供了一种车辆常用行驶路线获取方法，包括：通过车辆信息在数据库过车表中获取车辆通过检测点位的时间间隔，然后通过求平均值的方法得到时间间隔平均值；基于时间间隔和时间间隔平均值通过贝塞尔公式计算得到时间间隔标准差；当所述车辆的第m+1个时间间隔与第m个时间间隔平均值的差值大于3倍的第m个时间间隔标准差时，判定第m个检测点位为车辆单次出行目的地并识别得到单次车辆出行路径；基于相同的起点和目的地，在数据库中识别得到单次车辆出行路径集合，筛选内容重复次数最多的单次车辆出行路径判定为所述车辆的车辆常用行驶路线。

Description

车辆常用行驶路线获取方法及装置
技术领域
本申请涉及智能交通控制技术领域，特别地，涉及车辆常用行驶路线获取方法及装置。
背景技术
车辆常用行驶路线是随着电子警察及卡口设备的普及应用而衍生的一种大数据产品。车辆在经过设置在城市路口等检测点位时其经过信息可以被记录，所记录的过车数据蕴含着丰富的时空信息。通过分析过车数据可以发现出行车辆的常用行驶路线等行为特性，可以为城市案件侦破、公众出行等提供数据分析基础。
目前获取车辆常用行驶路线的一些方法中，划分路网区域中的交通小区及道路，检测行驶车辆的唯一标识，在统计周期内利用车辆检测设备不间断地采集道路上行驶的车辆的信息，并将其存储到后台数据库中，提取每辆车在该统计周期内的时间和位置数据，获取该车辆在该统计周期内的路径信息并进行存储，根据所述路径信息获取该车辆的初始地和目的地所处的交通小区，综合考虑所有车辆的起讫点，从而得到统计周期内的OD矩阵进一步得到车辆常用行驶路线。
但是，在上述的车辆常用行驶路线挖掘方法中，没有对车辆在出行中的各个停留点的时间进行分析，忽略了出行中的停留点了；并且当车辆的单次出行出现跨天的情况，无法准确的判断一次车辆出行的准确路径，进而无法准确分析得到车辆常用行驶路线。
发明内容
本申请提供了车辆常用行驶路线获取方法及装置，通过车辆在检测点位的时间间隔和阈值的比对，进一步通过拉依达准则对时间间隔进行判定，一定程度上能够解决识别车辆的出行路径忽略停留点、时间段内车辆连续出行难以准确识别出行路径造成车辆常用行驶路线挖掘不准确的问题。
本申请的实施例是这样实现的：
本申请实施例的第一方面提供一种车辆常用行驶路线获取方法，包括：
通过车辆信息在数据库过车表中计算获取车辆通过所有检测点位的时间间隔，所述时间间隔为所述车辆通过相邻检测点位所需的时间；
基于所述时间间隔通过求算术平均值的方法得到时间间隔平均值；
基于所述时间间隔和所述时间间隔平均值通过贝塞尔公式计算得到时间间隔标准差；
当所述车辆的第m+1个时间间隔与第m个时间间隔平均值的差值大于3倍的第m个时间间隔标准差时，判定第m个检测点位为所述车辆单次出行目的地地址并识别得到单次车辆出行路径；
基于相同的起点和目的地，在数据库过车表中识别得到单次车辆出行路径集合；
基于所述单次车辆出行路径集合，筛选内容重复次数最多的单次车辆出行路径判定为所述车辆的车辆常用行驶路线。
本申请实施例的第二方面提供一种车辆常用行驶路线获取装置，包括存储器、处理器及存储在存储器上的计算机程序，所述处理器执行所述计算机程序时执行如本申请实施例第一方面提供的发明内容。
本申请的有益效过：通过分析车辆在经过检测点位的时间间隔信息，可以识别车辆出行过程中所经过检测点位大于3个的时候的停留点，为案件侦破，公众出行等提供数据支撑；进一步通过拉依达准则对时间间隔进行分析识别车辆的出行路径，可以解决车辆连续出行难以分别识别的问题；通过筛选重复次数最多的出行路径从而得到车辆常用行驶路径。
附图说明
具体为了更清楚地说明本申请的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，对于本领域普通技术人员而言，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1示出了本申请实施例一种车辆常用行驶路线获取系统100的示意图；
图2示出了本申请实施例一种示例性计算设备200的示意图；
图3示出了本申请实施例车辆的出行规律示意图；
图4示出了本申请实施例车辆的第i次车辆出行时间轴示意图；
图5示出了本申请实施例车辆常用行驶路线获取方法的流程图。
具体实施方式
现在将描述某些示例性实施方案，以从整体上理解本文所公开的装置和方法的结构、功能、制造和用途的原理。这些实施方案的一个或多个示例已在附图中示出。本领域的普通技术人员将会理解，在本文中具体描述并示出于附图中的装置和方法为非限制性的示例性实施方案，并且本发明的多个实施方案的范围仅由权利要求书限定。结合一个示例性实施方案示出或描述的特征可与其他实施方案的特征进行组合。这种修改和变型旨在包括在本发明的范围之内。
本说明书通篇提及的″多个实施例″、″一些实施例″、″一个实施例″或″实施例″等，意味着结合该实施例描述的具体特征、结构或特性包括在至少一个实施例中。因此，本说明书通篇出现的短语″在多个实施例中″、″在一些实施例中″、″在至少另一个实施例中″或″在实施例中″等并不一定都指相同的实施例。此外，在一个或多个实施例中，具体特征、结构或特性可以任何合适的方式进行组合。因此，在无限制的情形下，结合一个实施例示出或描述的具体特征、结构或特性可全部或部分地与一个或多个其他实施例的特征、结构或特性进行组合。这种修改和变型旨在包括在本发明的范围之内。
本申请中使用了流程图用来说明根据本申请的一些实施例的系统所执行的操作。应当明确理解，流程图的操作可以不按顺序来精确地执行。相反，这些操作可以以相反的顺序或同时执行。而且，可以将一个或多个其他操作添加到流程图。一个或多个操作可以从流程图中移除。
本申请所述的车辆常用行驶路线获取方法及系统中的车辆可以包括出租车、私家车、便车、公共汽车、无人驾驶车辆等，或其任何组合。本申请的系统或方法的应用可以包括网页、浏览器的插件、客户终端、定制系统、内部分析系统、人工智能机器人等，或其任何组合。
本申请中使用的定位技术可以基于全球定位系统(GPS)、全球导航卫星系统(GLONASS)、罗盘导航系统(COMPASS)、伽利略定位系统、准天顶卫星系统(QZSS)、无线保真(WiFi)定位技术等，或其任何组合。上述定位系统中的一个或多个可以在本申请中互换使用。
图1是根据本申请的一些实施例所示的一种车辆常用行驶路线获取系统100的示意图。车辆常用行驶路线获取系统100是一个为可以获得车辆行驶常用路线的平台。车辆常用行驶路线获取系统100可以包括一个服务器110、至少一个存储设备120、至少一个网络130、一个或多个检测设备150-1、150-2......150-N。服务器110可以包括一个处理引擎112。
在一些实施例中，服务器110可以是一个单独的服务器或者一个服务器群组。所述服务器群可以是集中式的或分布式的(例如，服务器110可以是一个分布式的系统)。在一些实施例中，服务器110可以是本地的或远程的。例如，服务器110可以通过网络130访问存储在存储设备120中的数据。服务器110可以直接连接到存储设备120访问存储数据。在一些实施例中，服务器110可以在一个云平台上实现。所述云平台可以包括私有云、公共云、混合云、社区云、分布云、多重云等或上述举例的任意组合。在一些实施例中，服务器110可以在与本申请图2所示的计算设备上实现，包括计算设备200中的一个或多个部件。
在一些实施例中，服务器110可以包括一个处理引擎112。处理引擎112可以处理与服务请求相关的信息和/或数据以执行本申请描述的一个或多个功能。例如，处理引擎112可以基于获取监测点位设置的检测设备150采集的信息，并通过网络130发送至存储设备120，用于更新存储在其中的数据。在一些实施例中，处理引擎112可以包括一个或多个处理器。处理引擎112可以包括一个或多个硬件处理器，例如中央处理器(CPU)、专用集成电路(ASIC)、专用指令集处理器(ASIP)、图像处理器(GPU)、物理运算处理器(PPU)、数字信号处理器(DSP)、现场可编辑门阵列(FPGA)、可编辑逻辑器件(PLD)、控制器、微控制器单元、精简指令集计算机(RISC)、微处理器等或上述举例的任意组合。
存储设备120可以存储数据和/或指令。在一些实施例中，存储设备120可以存储从检测点位设置的检测设备150获得的数据。在一些实施例中，存储设备120可以存储供服务器110执行或使用的数据和/或指令，服务器110可以通过执行或使用所述数据和/或指令以实现本申请描述的实施例方法。在一些实施例中，存储设备120可以包括大容量存储器、可移动存储器、挥发性读写存储器、只读存储器(ROM)等或上述举例的任意组合。在一些实施例中，存储设备120可以在一个云平台上实现。例如所述云平台可以包括私有云、公共云、混合云、社区云、分布云、多重云等或上述举例的任意组合。
在一些实施例中，存储设备120可以与网络130连接以实现与车辆常用行驶路线获取系统100中的一个或多个部件之间的通信。车辆常用行驶路线获取系统100的一个或多个部件可以通过网络130访问存储在存储设备120中的数据或指令。在一些实施例中，存储设备120可以直接与车辆常用行驶路线获取系统100的一个或多个部件连接或通信。在一些实施例中，存储设备120可以是服务器110的一部分。
网络130可以促进信息和/或数据的交换。在一些实施例中，车辆常用行驶路线获取系统100中的一个或多个部件可以通过网络130向车辆常用行驶路线获取系统100中的其他部件发送信息和/或数据。例如，服务器110可以通过网络130从检测设备150获取/得到请求。在一些实施例中，网络130可以是有线网络或无线网络中的任意一种，或其组合。在一些实施例中，网络130可以包括一个或多个网络接入点。例如，网络130可能包括有线或无线网络接入点，如基站和/或互联网交换点130-1、130-2等等。通过接入点，车辆常用行驶路线获取系统100的一个或多个部件可能连接到网络130以交换数据和/或信息。
检测设备150设置在可以包括图像传感器、速度传感器、压力传感器、声音传感器。在一些实施例中，检测设备150可以用于对所在位置的周边环境进行摄像和/或拍照。在一些实施例中，检测设备150可以将采集到的各种数据信息发送到车辆常用行驶路线获取系统100中的一个或多个设备中。例如，检测设备150可以将拍摄的图片或影像发送至服务器110进行处理，或存储设备120中进行存储。在一些实施例中，可以在城市道路的路口布设检测设备，用于交通数据的获取。所述检测设备可以选择设置在道路路口停止线或道路线的下方或者前后的一定范围内，所述检测设备还可以设置在道路路口的高处，其位置还可以设置在沿道路纵向设置的绿化带或隔离带。
图2是根据本申请的一些实施例所示的一种示例性计算设备200的示意图。服务器110、存储设备120和检测设备150可以在计算设备200上实现。例如，处理引擎112可以在计算设备200上实现并被配置为实现本申请中所披露的功能。
计算设备200可以包括用来实现本申请所描述的系统的任意部件。例如，处理引擎112可以在计算设备200上通过其硬件、软件程序、固件或其组合实现。为了方便起见图中仅绘制了一台计算机，但是本申请所描述的与车辆常用行驶路线获取系统100相关的计算功能可以以分布的方式、由一组相似的平台所实施，以分散系统的处理负荷。
计算设备200可以包括与网络连接的通信端口250，用于实现数据通信。计算设备200可以包括一个处理器220，可以以一个或多个处理器的形式执行程序指令。示例性的电脑平台可以包括一个内部总线210、不同形式的程序存储器和数据存储器包括，例如，硬盘270、和只读存储器(ROM)230或随机存储器(RAM)240，用于存储由计算机处理和/或传输的各种各样的数据文件。示例性的计算设备可以包括存储在只读存储器230、随机存储器240和/或其他类型的非暂时性存储介质中的由处理器220执行的程序指令。本申请的方法和/或流程可以以程序指令的方式实现。计算设备200也包括输入/输出部件260，用于支持电脑与其他部件之间的输入/输出。计算设备200也可以通过网络通讯接收本披露中的程序和数据。
为理解方便，图2中仅示例性绘制了一个处理器。然而，需要注意的是，本申请中的计算设备200可以包括多个处理器，因此本申请中描述的由一个处理器实现的操作和/或方法也可以共同地或独立地由多个处理器实现。例如，如果在本申请中，计算设备200的处理器执行步骤1和步骤2，应当理解的是，步骤1和步骤2也可以由计算设备200的两个不同的处理器共同地或独立地执行。
车辆出行分析涉及到的参数包括：每次车辆出行起始时间(timestart)，每次车辆出行起始地点(roadstart)，每次车辆出行路径(path)，每次车辆出行目的地时间(timeend)，每次车辆出行目的地地址(roadend)。使用向量Cartrip表示上述分析内容，表示如下：
Cartrip＝{timestart，roadstart，path，timeend，roadend}
在本实施例中，由于所述车辆在每次的出行中会出现途中临时停靠的场景，即可以认为会发生在所述每次车辆出行起始地点和每次车辆出行目的地地址之间形成的多段单次出行，这是由于车辆在某个检测点位停留时间超过合理的临时停靠，对于这样的场景本申请认为可以单独形成一次单词车辆出行。因此，在本实施例中引入单词车辆出行向量来表示其具体内容，如下文所述。
单次车辆出行分析涉及到的参数包括：单次车辆出行起始时间timestart(i)、单次车辆出行起始路段roadstart(i)、单次车辆出行路径path(i)、单次车辆出行到达停留点时间timeend(i)、单次车辆出行停留点路段roadend(i)、单次车量出行旅行时间traveltime(i)。用向量Cartrip(i)表示某辆车的第i次车辆出行分析，表示如下：
Cartrip(i)＝{timestart(i)，roadstart(i)，path(i)，timeend(i)，roadend(i)，traveltime(i)}
其中：
Cartrip(i)：表示第i次车辆出行信息；
timestart(i)：表示第i次车辆出行起始时间；
roadstart(i)：表示第i次车辆出行起始路段；
path(i)：表示第i次车辆出行路径；
timeend(i)：表示第i次车辆出行到达停留点时间；
roadend(i)：表示第i次车辆出行停留点路段；
traveltime(i)：表示第i次车辆出行旅行时间。
其中，第i次车辆出行旅行时间可以用所述车辆经过所述第i次车辆出行路径的全部检测点位的各个时间片段的和来计算，表示如下：
Figure BDA0002317173850000061
Figure BDA0002317173850000062
表示第i次车辆出行路径过程中经过第j个检测点位与第j+1个检测点位的时间间隔。
在本实施例中，car表示所述车辆，carnumber表示所述车辆的车牌号，cartype表示所述车辆的车牌类型，则根据carnumber和cartype可以在检测点位确定所述车辆的通过信息。
图3示出了本申请实施例车辆的出行规律示意图。图中的五角星代表所述车辆。
timestart1，timestart2，…，timestartn表示时间轴上所有的检测点位所识别得到所述车辆car第1次至第n次车辆出行起始时间。
roadstart1，roadstart2，…roadstartn(图中未显示)表示时间轴上所有的检测点位所识别得到所述车辆car第1次至第n次车辆出行起始地点。
timeend1，timeend2，…，timeendn表示时间轴上所有的检测点位所识别得到所述车辆car第1次至第n次车辆出行到达停留点时间。
roadend1，roadend2，…，roadendn(图中未显示)表示时间轴上所有的检测点位所识别得到所述车辆car第1次至第n次车辆出行停留点路段。
path1，path2，…，pathn表示时间轴上所有的检测点位所识别得到所述车辆car第1次至第n次车辆出行路径，所述车辆出行的路径起点和终点可以由所述roadstartn和roadendn来确定。
Figure BDA0002317173850000071
表示时间轴上所有检测点位所识别得到所述车辆car第i次车辆出行所经过相邻检测点位之间的时间间隔。
由于各个检测点位的硬件条件和技术水平的差异，各个城市检测点位所采集的过车数据的内容和精度存在一定的差异。
本申请实施例将以中国山东省青岛市的检测点位的过车数据为示例，对青岛市检测点位所采集的过车数据的内容及结构进行说明，进一步分析车辆出行的停留点。青岛市检测点位采集的过车数据来源于青岛市公安局交警支队，所述过车数据来自采集全市约1300个路口的采集设备，以Oracle数据存储为基础，大数据检索平台及大数据分析平台各存储备份，所述数据存储以日为单位，每日采集数据条目数约3000万。
车辆出行分析可以通过车辆信息在数据库中进行筛选识别车辆，进一步查询所述车辆的出行数据。所述车辆信息可以包括5个字段信息：CLICENSETYPE、CCARNUMBER、DCOLLECTIONDATE、CADDRESSCODE、CCOLLECTIONADDRESS。
需要说明的是，在一些实施例中，所述车辆信息包括上述字段信息中至少一种或几种的组合，但并不限于上述5个字段信息的种类。
CLICENSETYPE，为号牌种类，其数据类型为字符串型。CLICENSETYPE字段信息用于区分检测点位的车辆类型，例如大型汽车、小型汽车、境外汽车等41种类型。
号牌种类代表车辆的类型，例如大型汽车号牌配色为黄底黑字；小新汽车号牌配色为蓝底白色；使馆汽车号牌配色为黑底白字，其中″使″为红色；境外汽车号牌配色为黑底白色或黑底红色；教练汽车号牌配色为黄底黑字黑框线等。
CCARNUMBER，为号牌号码，其数据类型为字符串型。用以记录区分车辆，CCARNUMBER字段信息是车辆之间区分的主要标识，每辆车都有其固定唯一的号牌号码。
号牌号码是法定机关登记的准予机动车在中华人民共和国境内道路上行驶的法定标志。号牌一般在车辆的特定位置悬挂，其号码是车辆登记编号。车辆号牌包含：用汉字表示的省、自治区、直辖市简称、用英文字母表示的发牌机关代号、由阿拉伯数字和英文字母组成的序号以及用汉字表示的专用号牌简称。
DCOLLECTIONDATE，为采集时间，其数据类型为日期类型。DCOLLECTIONDATE字段信息用以描述当条数据采集的时间信息，所述时间信息包括年、月、日、时、分、秒等时间信息。利用所述DCOLLECTIONDATE字段信息可以记录车辆在检测点位的时间轴上的经过信息。
CADDRESSCODE，为采集地点编号，其数据类型为字符串型。DCOLLECTIONDATE字段信息用以记录存储车辆经过检测点位时检测设备的位置信息的编号。
CCOLLECTIONADDRESS，为采集地点名称，其数据类型为字符串型，CCOLLECTIONADDRESS字段信息用以存储车辆经过检测点位的检测设备的位置信息的名称。所述采集地点名称和采集地点编号一一对应，方便数据库的检索的分析处理引用。
在一些实施例中，所述DCOLLECTIONDATE字段信息和CCOLLECTIONADDRESS字段信息可以附加包括位所述检测设备的经度、纬度、高度等位置信息(geolocationinformation)，可以由所述检测设备附加的定位单元来实现，例如，所述定位单元可以包含可使用广域增强系统(WAAS：Wide Area Augmentation System)的美国海洋电子设备协会(NMEA：National MarineElectronics Association)单元、无线电三角测量单元或者它们的组合等全球定位系统(GPS)单元。
3σ准则，也称为拉依达准则，其假设一组检测数据只含有随机误差，对其进行计算处理得到标准偏差，按一定概率确定一个区间，认为凡超过这个区间的误差，就不属于随机误差而是粗大误差，含有该误差的数据应予以剔除。
这种判别处理原理及方法对正态或近似正态分布的样本数据处理效果较好，它是以测量次数充分大为前提的，当测量次数少的情形用准则剔除粗大误差是不够可靠的。
本实施例中，所述车辆出行数据来自青岛市公安局交警支队设置在全市约1300个路口的采集设备，每日采集数据条目数达3000余万，因此使用拉依达准则对所述数据分析处理剔除粗大误差有较好的效果。
在正态分布分析中，σ代表标准差，μ代表均值，x＝μ即为图像的对称轴，3σ原则可以用下列数值分布说明：
数值分布在(μ-σ，μ+σ)中的概率为0.6827；
数值分布在(μ-2σ，μ+2σ)中的概率为0.9545；
数值分布在(μ-3σ，μ+3σ)中的概率为0.9973；
由上述数值分布的特点可以认为，Y的取值几乎全部集中在(μ-3σ，μ+3σ)区间内，超出这个范围的可能性仅占不到0.3％。
基于所述3σ准则的数值分布原理，下文中本实施例将对构建车辆出行行驶路线识别模型进行详细的阐述。
车辆出行停留点，简称停留点，定义停留点状态为一个向量。
Cartrip(i)＝{timestart(i)，roadsstart(i)，timeend(i)，roadend(i)，path(i)}
其中，
Cartrip(i)：表示第i次车辆出行信息；
timestart(i)：表示第i次车辆出行起始时间；
roadstart(i)：表示第i次车辆出行起始路段；
timeend(i)：表示第i次车辆出行到达停留点时间；
roadend(i)：表示第i次车辆出行停留点路段；
path(i)：表示第i次车辆出行路径；
图4示出了本申请实施车辆的第i次车辆出行时间轴示意图。
某辆车第i次出行，在时间t内从起点到终点共计经过m个检测点位，其每两个检测点位检测的时间间隔分别记为：
Figure BDA0002317173850000091
图5示出了本申请实施例一种车辆常用行驶路线获取方法的流程图。
在步骤501中，通过车辆信息在数据库过车表中计算获取车辆通过所有检测点位的时间间隔，所述时间间隔为所述车辆通过相邻检测点位所需的时间。
从数据库过车表中通过所述车辆的车辆信息识别出所述车辆经过第一个检测点位的采集信息，所述信息包括过车地点、过车时间。
在一些实施例中，还可以选择一定的时间段P(Period)，则根据选择时间范围于所述数据库过车表中识别所述车辆的第一个检测点位的采集信息。根据所需的时间范围对数据库过车表对所述车辆的信息筛选，可以降低数据分析处理的时间和有针对性的对车辆出行常用路线进行挖掘。
在本实施例中，所述数据库过车表来自于青岛市1300个路口每日约3000万次的数据采集。根据所述车辆的车辆信息，例如使用CCARNUMBER字段信息进行搜索，进一步的和所述车辆的CLICENSETYPE字段信息进行核对，以确保车辆筛选识别的准确。
所述过车地点可以通过数据库中通过所述车辆的CADDRESSCODE字段信息和CCOLLECTIONADDRESS字段信息获得，从而得到所述车辆第一次通过检测点位的位置信息。所述位置信息用采集地点编号和采集地点名称来表示。在一些实施例中，还可以根据上述字段信息附加其他地理信息，例如经度、纬度、高度等位置信息。
所述过车时间通过数据库中通过所述车辆的DCOLLECTIONDATE字段信息获得，从而得到所述车辆通过第一个检测点位的时间信息。
在数据库过车表中计算获取所述车辆第i次出行的第一个检测点位与第二个检测点位之间的时间间隔
Figure BDA0002317173850000101
所述数据库过车表中记录了所述车辆经过每个检测点位的时间信息，可以通过所述时间信息的差值来计算获取所述时间间隔。若
Figure BDA0002317173850000102
其中θ为初设阈值，例如θ＝0.5h，则判别第一个检测点位为所述车辆单次车辆出行停留点。
需要说明的是，当相邻的两个检测点位所检测的时间间隔超过所述初设阈值时，即可以认为所述车辆在第一个检测点位停留的时间不是用来在路径中行驶，所述第一个检测点位是所属车辆的停留点，所述车辆在所述停留点离开后，开始了一个新的车辆出行。所述初设阈值θ可以根据实际需要进行设置，本申请不做具体的限制。
在数据库过车表中计算获取所述车辆第i次出行经过第二个检测点位与第三个检测点位之间的时间间隔
Figure BDA0002317173850000103
若
Figure BDA0002317173850000104
其中θ为初设阈值，则判别所述第二个检测点位为停留点。
当车辆出行过程中所经过的检测点位大于3个的时候，本实施例可以识别停留点，为案件侦破，公众出行等提供数据支撑。
以此类推，在数据库过车表中计算获取所述车辆第i次出行经过第j个检测点位与经过与其相邻的第j+1个检测点位之间时间间隔
Figure BDA0002317173850000105
在步骤502中，基于所述时间间隔通过求算术平均值的方法得到时间间隔平均值。
基于所述车辆经过的m个检测点位的各个时间间隔，通过求算术平均值的方法得到所述车辆通过第m个检测点位时间间隔平均值，也可以称为平均行程时间。所述时间间隔是由所述车辆通过相邻的检测点位的时间信息差值产生的，所述相邻检测点位之间的路径也可以称为所述车辆的经过路段。
所述车辆的经过路段的时间间隔平均值μm表示如下：
Figure BDA0002317173850000106
其中，m≥1。
例如：
当m＝1时，
Figure BDA0002317173850000107
当m＝2时，
Figure BDA0002317173850000108
当m＝3时，
Figure BDA0002317173850000109
在步骤503中，基于所述时间间隔和所述时间间隔平均值通过贝塞尔公式计算得到时间间隔标准差。
基于所述车辆经过不同的检测点位的时间间隔和相应的时间间隔平均值，即平均行程时间，通过贝塞尔公式计算得到所述车辆的各个时间间隔的时间间隔标准差σ，表示如下：
σ1＝0，
Figure BDA0002317173850000111
Figure BDA0002317173850000112
...，
Figure BDA0002317173850000113
其中，m≥3，i≥1
在步骤504中，当所述车辆的第m+1个时间间隔与第m个时间间隔平均值的差值大于3倍的第m个时间间隔标准差时，判定第m个检测点位为所述车辆单次出行目的地地址并识别得到单次车辆出行路径，所述判定关系表示如下：
Figure BDA0002317173850000114
其中，
Figure BDA0002317173850000115
表示所述车辆第i次出行的第m+1个时间间隔，
Figure BDA0002317173850000116
表示所述车辆第i次出行的第m个时间间隔平均值，σm表示所述车辆第i次出行的第m个时间间隔标准差。当所述车辆的第m+1个时间间隔与第m个时间间隔平均值的差值大于3倍的第m个时间间隔标准差时，则认为所述第m+1个检测点位的时间间隔数据异常判定为粗大误差，则可以判定第m个检测点位为所述车辆第i次车辆出行的目的地。
其中，为所述车辆在第i次车辆出行过程中经过第m个点位的停留时长，通过上述拉依达准则对时间间隔进行分析识别车辆的出行路径，可以解决车辆连续出行难以分别识别的问题。
例如，所述车辆在24小时内累积出行3次，则按照时间的先后顺序，通过停留点识别方法，先识别出第一个停留点，即为第一次出行；然后再执行一次停留点识别的方法，识别得到第二个停留点，即为第二次出行；然后再从头执行停留点识别方法，识别得到第三个停留点，即为第三次出行。
在确定单次车辆出行的目的地后，既可以识别所述单次车辆出行路径，即将所述车辆第i次车辆出行过程中经过m个检测点位的行驶路线进行记录，第i次车辆出行路径表示如下：
path(i)＝{road1，road2，…，roadm}。
其中，road1，road2，…，roadm表示所述车辆的单次车辆出行所经过的检测点位，i表示所述车辆出行的序列号。
在步骤505中，基于相同的起点和目的地，在数据库过车表中识别得到单次车辆出行路径集合；
根据步骤501至504识别单次车辆出行路劲的方法，在数据库过车表中识别得到所述车辆在一定时间段内的第i次车辆出行路径，以相同的起点和停留点stop(X)为目的地地址的单次车辆出行路径集合pathX，表示如下：
pathX＝{path(1)，path(2)，…，path(n)}，n∈N，
pathX表示以停留点位stop(X)为目的地地址的单次车辆出行路径集合；
path(i)表示所述车辆单次车辆出行路径集合中的第i条出行路径；
Figure BDA0002317173850000121
其中，
Figure BDA0002317173850000122
表示所述车辆第i条出行路径中经过的第j个路段，所述第j个路段是从单次车辆出行起始路段算起。
需要说明的是，path(i)在第i次车辆出行路径的识别过程中表示了所述车辆在第i次车辆出行的情形下，所述车辆经过的检测点位集合，从而形成一个路径。而在单次车辆出行路径集合pathX中，path(i)的意义则发生了变化，由识别过程中的某一次的时间概念，变换为在相同起点和重点情形下的某一条路径，其向量内容一样，但是对于本申请实施例挖掘所述车辆出行常用路线的意义则发生了变化。
在步骤506中，基于所述单次车辆出行路径集合，筛选内容重复次数最多的单次车辆出行路径判定为所述车辆的车辆常用行驶路线。
如果第i条出行路径path(i)和第j条出行路径path(j)中包含相同的路段，且其顺序也相同，则认为第i条出行路径path(i)和第j条出行路径path(j)是相同的出行路径。从而推理得到，在单次车辆出行路径集合pathX中，包含相同的路段，且顺序也相同的出行路径可以认为是所述车辆的常用出行路径。
通过比较path(i)与path(j)(i＜j)，若两条出行路径完全一致，则path(i)出现的次数加1，否则path(j)记为1次(全部历史数据或所选周期数据)，取次数最高的路径作为常用行驶路线。
例如：车牌号鲁B08＊＊8车辆在2019年7月8日至2019年7月12日(周一至周五)这五天中，在所述数据库过车表中根据车辆信息得到如下车辆出行路径：
2019年7月8日(周一)8:05:00从家A1出发，8:26:00到达公司A8，第1条出行路径表示为：
path(1)＝{A1，A2，A3，A4，A5，A6，A7，A8}
2019年7月9日(周二)8:10:00从家A1出发，8:30:00到达公司A8，第2条出行路径表示为：
path(2)＝{A1，A2，A3，A4，A5，A6，A7，A8}
2019年7月10日(周三)8:03:00从家A1出发，8:24:00到达公司A8，第3条出行路径表示为：
path(3)＝{A1，A2，A3，B1，B2，A6，A7，A8}
2019年7月11日(周四)8:07:00从家A1出发，8:29:00到达公司A8，第4条出行路径表示为：
path(4)＝{A1，A2，A3，A4，A5，A6，A7，A8}
2019年7月12日(周五)7:56:00从家A1出发，8:20:00到达公司A8。第5条出行路径表示为：
path(5)＝{A1，A2，A3，A4，A5，A6，A7，A8}
通过去重判断path(1)，path(2)，path(4)，path(5)的出行路径内容完全一致，为同一条路径记为path(1)，统计次数为4；
路径path(3)，统计次数为1，4＞1，故识别path(1)为车牌号鲁B08＊＊8车辆在2019年7月8日至2019年7月12日(周一至周五)这五天中的车辆出行常用路线。
本申请还提出了一种车辆常用行驶路线获取装置，其特征在于，包括存储器、处理器及存储在存储器上的计算机程序，所述处理器执行所述计算机程序时执行如本申请实施例提供的车辆常用行驶路线获取方法。
本申请实施例的有效效果在于，通过分析车辆在经过检测点位的时间间隔信息，可以判定车辆出行的停留点；进一步通过拉依达准则对时间间隔进行分析识别车辆的出行路径，可以解决车辆连续出行难以分别识别的问题；通过筛选重复次数最多的出行路径从而得到车辆常用行驶路径，可以为城市案件侦破、公众出行等提供数据基础。
此外，本领域技术人员可以理解，本申请的各方面可以通过若干具有可专利性的种类或情况进行说明和描述，包括任何新的和有用的工序、机器、产品或物质的组合，或对他们的任何新的和有用的改进。相应地，本申请的各个方面可以完全由硬件执行、可以完全由软件(包括固件、常驻软件、微码等)执行、也可以由硬件和软件组合执行。以上硬件或软件均可被称为″数据块″、″模块″、″引擎″、″单元″、″组件″或″系统″。此外，本申请的各方面可能表现为位于一个或多个计算机可读介质中的计算机产品，该产品包括计算机可读程序编码。
计算机存储介质可能包含一个内合有计算机程序编码的传播数据信号，例如在基带上或作为载波的一部分。该传播信号可能有多种表现形式，包括电磁形式、光形式等，或合适的组合形式。计算机存储介质可以是除计算机可读存储介质之外的任何计算机可读介质，该介质可以通过连接至一个指令执行系统、装置或设备以实现通讯、传播或传输供使用的程序。位于计算机存储介质上的程序编码可以通过任何合适的介质进行传播，包括无线电、电缆、光纤电缆、RF、或类似介质，或任何上述介质的组合。
本申请各部分操作所需的计算机程序编码可以用任意一种或多种程序语言编写，包括面向对象编程语言如Java、Scala、Smalltalk、Eiffel、JADE、Emerald、C++、C#、VB.NET、Python等，常规程序化编程语言如C语言、Visual Basic、Fortran 2003、Perl、COBOL 2002、PHP、ABAP，动态编程语言如Python、Ruby和Groovy，或其他编程语言等。该程序编码可以完全在用户计算机上运行、或作为独立的软件包在用户计算机上运行、或部分在用户计算机上运行部分在远程计算机运行、或完全在远程计算机或服务器上运行。在后种情况下，远程计算机可以通过任何网络形式与用户计算机连接，比如局域网(LAN)或广域网(WAN)、或连接至外部计算机(例如通过因特网)、或在云计算环境中、或作为服务使用如软件即服务(SaaS)。
此外，除非权利要求中明确说明，本申请所述处理元素和序列的顺序、数字字母的使用、或其他名称的使用，并非用于限定本申请流程和方法的顺序。尽管上述披露中通过各种示例讨论了一些目前认为有用的发明实施例，但应当理解的是，该类细节仅起到说明的目的，附加的权利要求并不仅限于披露的实施例，相反，权利要求旨在覆盖所有符合本申请实施例实质和范围的修正和等价组合。例如，虽然以上所描述的系统组件可以通过硬件设备实现，但是也可以只通过软件的解决方案得以实现，如在现有的服务器或移动设备上安装所描述的系统。
同理，应当注意的是，为了简化本申请披露的表述，从而帮助对一个或多个发明实施例的理解，前文对本申请实施例的描述中，有时会将多种特征归并至一个实施例、附图或对其的描述中。但是，这种披露方法并不意味着本申请对象所需要的特征比权利要求中提及的特征多。实际上，实施例的特征要少于上述披露的单个实施例的全部特征。
针对本申请引用的每个专利、专利申请、专利申请公开物和其他材料，如文章、书籍、说明书、出版物、文档等，特此将其全部内容并入本申请作为参考。与本申请内容不一致或产生冲突的申请历史文件除外，对本申请权利要求最广范围有限制的文件(当前或之后附加于本申请中的)也除外。需要说明的是，如果本申请附属材料中的描述、定义、和/或术语的使用与本申请所述内容有不一致或冲突的地方，以本申请的描述、定义和/或术语的使用为准。

Claims (9)

1.一种车辆常用行驶路线获取方法，其特征在于，包括：
通过车辆信息在数据库过车表中计算获取车辆通过所有检测点位的时间间隔，所述时间间隔为所述车辆通过相邻检测点位所需的时间；
基于所述时间间隔通过求算术平均值的方法得到时间间隔平均值；
基于所述时间间隔和所述时间间隔平均值通过贝塞尔公式计算得到时间间隔标准差；
当所述车辆的第m+1个时间间隔与第m个时间间隔平均值的差值大于3倍的第m个时间间隔标准差时，判定第m个检测点位为所述车辆单次出行目的地地址并识别得到单次车辆出行路径；
基于相同的起点和目的地，在数据库过车表中识别得到单次车辆出行路径集合；
基于所述单次车辆出行路径集合，筛选内容重复次数最多的单次车辆出行路径判定为所述车辆的车辆常用行驶路线。
2.如权利要求1所述的车辆常用行驶路线获取方法，其特征在于，所述车辆信息包括5个字段信息：
CLICENSETYPE，为字符串型，用于区分车辆类型；
CCARNUMBER，为字符串型，用于区分车辆唯一的号牌号码；
DCOLLECTIONDATE，为日期类型，用于记录车辆在检测点位的时间轴上的经过信息；
CADDRESSCODE，字符串型，用于记录车辆经过检测点位的检测设备的位置信息编号；
CCOLLECTIONADDRESS，为字符串型，用于记录车辆经过检测点位的检测设备的位置信息名称。
3.如权利要求2所述的车辆常用行驶路线获取方法，其特征在于，所述CADDRESSCODE和CCOLLECTIONADDRESS一一对应，便于数据库过车表的检索处理。
4.如权利要求1所述的车辆常用行驶路线获取方法，其特征在于，所述通过车辆信息在数据库过车表中计算获取车辆通过所有检测点位的时间间隔，可根据需要选择所需的时间范围在所述数据库过车表中筛选数据。
5.如权利要求1所述的车辆常用行驶路线获取方法，其特征在于，所述时间间隔大于初设阈值θ时，判定所述时间间隔所对应的检测点位为所述车辆的单次车辆出行停留点。
6.如权利要求1所述的车辆常用行驶路线获取方法，其特征在于，所述判定第m个检测点位为所述车辆单次出行目的地地址，具体表示为：
Figure FDA0002317173840000011
其中，
Figure FDA0002317173840000021
表示所述车辆第i次出行的第m+1个时间间隔，
Figure FDA0002317173840000022
表示所述车辆第i次出行的第m个时间间隔平均值，所述时间间表示所述车辆在第i次车辆出行过程中经过第某个点位的停留时长，σm表示所述车辆第i次出行的第m个时间间隔标准差。
7.如权利要求1所述的车辆常用行驶路线获取方法，其特征在于，所述单次车辆出行路径表示为：
path(i)＝{road1，road2，…，roadm}
其中，road1，road2，…，roadm表示所述车辆的单次车辆出行所经过的检测点位，i表示所述车辆出行的序列号。
8.如权利要求1所述的车辆常用行驶路线获取方法，其特征在于，所述单次车辆出行路径集合表示为：
pathX＝{path(1)，path(2)，…，path(n)}，n∈N，
其中，pathX表示以停留点位stop(X)为目的地地址的单次车辆出行路径集合；path(i)表示所述车辆单次车辆出行路径集合中的第i条出行路径。
9.一种车辆常用行驶路线获取装置，其特征在于，包括存储器、处理器及存储在存储器上的计算机程序，所述处理器执行所述计算机程序时执行如权利要求1-8中任一所述的车辆常用行驶路线获取方法。
CN201911282586.4A 2019-12-13 2019-12-13 车辆常用行驶路线获取方法及装置 Pending CN111127930A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911282586.4A CN111127930A (zh) 2019-12-13 2019-12-13 车辆常用行驶路线获取方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911282586.4A CN111127930A (zh) 2019-12-13 2019-12-13 车辆常用行驶路线获取方法及装置

Publications (1)

Publication Number Publication Date
CN111127930A true CN111127930A (zh) 2020-05-08

Family

ID=70498636

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911282586.4A Pending CN111127930A (zh) 2019-12-13 2019-12-13 车辆常用行驶路线获取方法及装置

Country Status (1)

Country Link
CN (1) CN111127930A (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112053566A (zh) * 2020-08-24 2020-12-08 青岛海信网络科技股份有限公司 电子设备及车辆的出行类型识别方法
CN112991739A (zh) * 2021-03-23 2021-06-18 苏州蓝图智慧城市科技有限公司 一种基于出行强度的车辆引导方法、装置、介质及设备
CN115775449A (zh) * 2021-09-07 2023-03-10 青岛海信网络科技股份有限公司 一种车辆类型检测方法及装置
CN115964545A (zh) * 2023-03-16 2023-04-14 四川国蓝中天环境科技集团有限公司 一种基于运渣车轨迹点推断污染点位的方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2000276688A (ja) * 1999-03-29 2000-10-06 Hitachi Software Eng Co Ltd 輸送計画作成方法及びシステム
CN101964148A (zh) * 2009-07-24 2011-02-02 日立(中国)研究开发有限公司 道路交通信息记录服务器和gps用户终端
CN102840867A (zh) * 2011-06-21 2012-12-26 歌乐株式会社 基于常用路线的路线搜索系统及方法
CN105513356A (zh) * 2015-12-28 2016-04-20 中兴软创科技股份有限公司 一种基于轨迹追踪的od矩阵估计方法与系统
CN108550261A (zh) * 2018-05-31 2018-09-18 重庆大学 基于rfid电子车牌的城市交通od计算方法
CN108717790A (zh) * 2018-07-06 2018-10-30 广州市交通运输研究所 一种基于卡口车牌识别数据的车辆出行分析方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2000276688A (ja) * 1999-03-29 2000-10-06 Hitachi Software Eng Co Ltd 輸送計画作成方法及びシステム
CN101964148A (zh) * 2009-07-24 2011-02-02 日立(中国)研究开发有限公司 道路交通信息记录服务器和gps用户终端
CN102840867A (zh) * 2011-06-21 2012-12-26 歌乐株式会社 基于常用路线的路线搜索系统及方法
CN105513356A (zh) * 2015-12-28 2016-04-20 中兴软创科技股份有限公司 一种基于轨迹追踪的od矩阵估计方法与系统
CN108550261A (zh) * 2018-05-31 2018-09-18 重庆大学 基于rfid电子车牌的城市交通od计算方法
CN108717790A (zh) * 2018-07-06 2018-10-30 广州市交通运输研究所 一种基于卡口车牌识别数据的车辆出行分析方法

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112053566A (zh) * 2020-08-24 2020-12-08 青岛海信网络科技股份有限公司 电子设备及车辆的出行类型识别方法
CN112053566B (zh) * 2020-08-24 2022-01-11 青岛海信网络科技股份有限公司 电子设备及车辆的出行类型识别方法
CN112991739A (zh) * 2021-03-23 2021-06-18 苏州蓝图智慧城市科技有限公司 一种基于出行强度的车辆引导方法、装置、介质及设备
CN115775449A (zh) * 2021-09-07 2023-03-10 青岛海信网络科技股份有限公司 一种车辆类型检测方法及装置
CN115964545A (zh) * 2023-03-16 2023-04-14 四川国蓝中天环境科技集团有限公司 一种基于运渣车轨迹点推断污染点位的方法

Similar Documents

Publication Publication Date Title
EP3333824B1 (en) Automatic detection of lane closures using probe data
CN111127930A (zh) 车辆常用行驶路线获取方法及装置
US11544950B2 (en) Method and apparatus for updating road map geometry based on received probe data
EP3318844B1 (en) Method, apparatus, and computer program product for verifying and/or updating road map geometry based on received probe data
US11244177B2 (en) Methods and systems for roadwork zone identification
Chang et al. Estimating real-time traffic carbon dioxide emissions based on intelligent transportation system technologies
JP5833567B2 (ja) デジタル地図におけるネットワーク生成のための時間および／または正確度に依存した重み
US10032368B1 (en) Method and apparatus for measurement of parking duration from anonymized data
US10255807B1 (en) Method and apparatus for providing a map data update based on region-specific data turbulence
US20120277985A1 (en) Method of analyzing points of interest with probe data
US20180357890A1 (en) Reversible lane active direction detection based on gnss probe data
US10713943B1 (en) Method and apparatus for detecting a vehicle parking, stopping, or standing location
CN104299415A (zh) 基于蓝牙技术的分布式交通状态检测系统及其方法
US10755118B2 (en) Method and system for unsupervised learning of road signs using vehicle sensor data and map data
CN111951554A (zh) 一种违停路段信息采集方法和系统
CN108337309A (zh) 一种车辆数据管理方法及系统
CN110969190A (zh) 非法营运车辆检测方法、介质、设备及装置
US11670163B2 (en) Method of predicting a traffic behaviour in a road system
CN110926498B (zh) 车辆里程补偿方法、装置、计算机设备
Wibisono et al. Traffic intelligent system architecture based on social media information
CN111222898B (zh) 网约车的计程方法及计算机可读存储介质
US11337035B1 (en) Selective enabling of offline positioning
US20240361465A1 (en) Mitigating effects of large-area gnss spoofing and/or jamming on crowd-sourcing-based map updates
EP3617651A1 (en) Use of geographic database comprising lane level information for traffic parameter prediction
CN114072864A (zh) 地图数据生成装置

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20200508

RJ01 Rejection of invention patent application after publication