CN111367906B - 异常车辆识别方法、装置、设备及计算机可读存储介质 - Google Patents

异常车辆识别方法、装置、设备及计算机可读存储介质 Download PDF

Info

Publication number
CN111367906B
CN111367906B CN201910668249.2A CN201910668249A CN111367906B CN 111367906 B CN111367906 B CN 111367906B CN 201910668249 A CN201910668249 A CN 201910668249A CN 111367906 B CN111367906 B CN 111367906B
Authority
CN
China
Prior art keywords
vehicle
preset
period
time
historical
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
CN201910668249.2A
Other languages
English (en)
Other versions
CN111367906A (zh
Inventor
林若宇
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.)
Hangzhou Hikvision System Technology Co Ltd
Original Assignee
Hangzhou Hikvision System 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 Hangzhou Hikvision System Technology Co Ltd filed Critical Hangzhou Hikvision System Technology Co Ltd
Priority to CN201910668249.2A priority Critical patent/CN111367906B/zh
Publication of CN111367906A publication Critical patent/CN111367906A/zh
Application granted granted Critical
Publication of CN111367906B publication Critical patent/CN111367906B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • 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
    • G06F16/2462—Approximate or statistical queries
    • 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
    • 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
    • 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
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Databases & Information Systems (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Tourism & Hospitality (AREA)
  • Software Systems (AREA)
  • Probability & Statistics with Applications (AREA)
  • Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Educational Administration (AREA)
  • Economics (AREA)
  • General Health & Medical Sciences (AREA)
  • Human Resources & Organizations (AREA)
  • Marketing (AREA)
  • Remote Sensing (AREA)
  • Strategic Management (AREA)
  • General Business, Economics & Management (AREA)
  • Development Economics (AREA)
  • Fuzzy Systems (AREA)
  • Mathematical Physics (AREA)
  • Computational Linguistics (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明实施例提供一种异常车辆识别方法、装置、设备及计算机可读存储介质，该方法包括：在监测到经过布控区域内任一卡口的第一车辆时，记录第一车辆的标识、当前经过的第一卡口的标识和第一时间，根据第一时间和预设时间粒度，确定第一时间所属的第一时段；根据第一车辆的标识和第一时段，从预设统计数据表中查找第一历史活动规律集合；确定第一卡口的标识是否属于第一历史活动规律集合；在第一卡口的标识不属于第一历史活动规律集合时，确定第一车辆为异常车辆。本发明实施例通过对比经过布控区域的车辆所经过的卡口，与该车辆在同时段的历史活动规律集合，能够准确从经过布控区域的车辆中识别出异常车辆，提高异常车辆识别的精准度。

Description

异常车辆识别方法、装置、设备及计算机可读存储介质
技术领域
本发明实施例涉及计算机技术领域，尤其涉及一种异常车辆识别方法、装置、设备及计算机可读存储介质。
背景技术
随着信息化进程的加快，海量道路智能监测设备被部署在交通道路之上，逐步形成了网络化的车辆监测格局，为对异常车辆的识别提供了数据基础。异常车辆是指行驶行为表现异常的车辆，例如，车辆在检查站、重要机构、学校、高档小区等区域无目的性的来回移动，很可能是为盗抢车辆、入室盗窃等违法犯罪行为做准备，蕴含很大的安全隐患。识别出异常车辆，对异常车辆进行重点监控，能够有效预防犯罪行为，减少安全隐患。
现有技术中，通过对车辆的轨迹数据进行分析，将轨迹数据满足预设轨迹特征的车辆，识别为异常车辆。其中，预设轨迹特征由人工经验进行确定。
然而现有技术中，由于预设轨迹特征根据人工经验进行设定，人工经验难以确定出准确的预设轨迹特征，在预设轨迹特征设定存在偏差时，容易将正常车辆误识别为异常车辆，因此，现有的异常车辆识别方法精准性较差。
发明内容
本发明实施例提供一种异常车辆识别方法、装置、设备及计算机可读存储介质，以解决目前异常车辆识别方法精准性差的问题。
第一方面，本发明实施例提供一种异常车辆识别方法，包括：
在监测到经过布控区域内任一卡口的第一车辆时，记录所述第一车辆的标识、当前经过的第一卡口的标识和第一时间，其中，所述第一时间为所述第一车辆经过所述第一卡口的时间；
根据所述第一时间和预设时间粒度，确定所述第一时间所属的第一时段；
根据所述第一车辆的标识和所述第一时段，从预设统计数据表中查找第一历史活动规律集合，其中，所述预设统计数据表包括多个车辆对应的各个时段的历史活动规律集合，所述历史活动规律集合包括车辆所经过的卡口的标识，所述第一历史活动规律集合为所述第一车辆在所述第一时段的历史活动规律集合；
确定所述第一卡口的标识是否属于所述第一历史活动规律集合；
在所述第一卡口的标识不属于所述第一历史活动规律集合时，确定所述第一车辆为异常车辆。
第二方面，本发明实施例提供一种异常车辆识别装置，包括：
记录模块，用于在监测到经过布控区域内任一卡口的第一车辆时，记录所述第一车辆的标识、当前经过的第一卡口的标识和第一时间，其中，所述第一时间为所述第一车辆经过所述第一卡口的时间；
处理模块，用于根据所述第一时间和预设时间粒度，确定所述第一时间所属的第一时段；
查找模块，用于根据所述第一车辆的标识和所述第一时段，从预设统计数据表中查找第一历史活动规律集合，其中，所述预设统计数据表包括多个车辆对应的各个时段的历史活动规律集合，所述历史活动规律集合包括车辆所经过的卡口的标识，所述第一历史活动规律集合为所述第一车辆在所述第一时段的历史活动规律集合；
所述处理模块，还用于确定所述第一卡口的标识是否属于所述第一历史活动规律集合；
所述处理模块，还用于在所述第一卡口的标识不属于所述第一历史活动规律集合时，确定所述第一车辆为异常车辆。
第三方面，本发明实施例提供一种异常车辆识别设备，包括：至少一个处理器和存储器；
所述存储器存储计算机执行指令；
所述至少一个处理器执行所述存储器存储的计算机执行指令，使得所述至少一个处理器执行如上第一方面以及第一方面各种可能的实施方式所述的异常车辆识别方法。
第四方面，本发明实施例提供一种计算机可读存储介质，所述计算机可读存储介质中存储有计算机执行指令，当处理器执行所述计算机执行指令时，实现如上第一方面以及第一方面各种可能的实施方式所述的异常车辆识别方法。
本实施例提供的异常车辆识别方法、装置、设备及计算机可读存储介质，通过在监测到经过布控区域内任一卡口的第一车辆时，记录第一车辆的标识、当前经过的第一卡口的标识和第一时间，其中，第一时间为第一车辆经过第一卡口的时间；根据第一时间和预设时间粒度，确定第一时间所属的第一时段；根据第一车辆的标识和第一时段，从预设统计数据表中查找第一历史活动规律集合，其中，预设统计数据表包括多个车辆对应的各个时段的历史活动规律集合，历史活动规律集合中包括车辆所经过的卡口的标识，第一历史活动规律集合为第一车辆在第一时段的历史活动规律集合；确定第一卡口的标识是否属于第一历史活动规律集合；在第一卡口的标识不属于第一历史活动规律集合时，确定第一车辆为异常车辆，通过对比经过布控区域的车辆所经过的卡口，与该车辆在同时段的历史活动规律集合，能够准确从经过布控区域的车辆中识别出异常车辆，提高异常车辆识别的精准度。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，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为本发明一实施例提供的异常车辆识别方法的流程示意图；
图2为本发明又一实施例提供的异常车辆识别方法的流程示意图；
图3为本发明另一实施例提供的异常车辆识别方法中生成预设统计数据表的流程示意图；
图4为本发明再一实施例提供的异常车辆识别方法中确定车辆各个时段的历史活动规律集合的流程示意图；
图5为本发明下一实施例提供的异常车辆识别方法的流程示意图；
图6为本发明实施例提供的多个卡口集合形成交集的示意图；
图7为本发明一实施例提供的异常车辆识别装置的结构示意图；
图8为本发明又一实施例提供的异常车辆识别装置的结构示意图；
图9为本发明一实施例提供的异常车辆识别设备的硬件结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
异常车辆是指行驶行为表现异常的车辆，例如，车辆在检查站、重要机构、学校、高档小区等区域无目的性的来回移动，很可能是为盗抢车辆、入室盗窃等违法犯罪行为做准备，蕴含很大的安全隐患。识别出异常车辆，对异常车辆进行重点监控，能够有效预防犯罪行为，减少安全隐患。
本发明实施例通过对比经过布控区域的车辆所经过的卡口和经过时间，与该车辆在同时段的历史活动规律集合，能够准确从经过布控区域的车辆中识别出异常车辆，提高异常车辆识别的精准度，以便对识别出的异常车辆进行重点监控，从而提高重点区域安防的安全程度，有效预防犯罪行为，减少安全隐患。
图1为本发明一实施例提供的异常车辆识别方法的流程示意图。如图1所示，该方法包括：
S101、在监测到经过布控区域内任一卡口的第一车辆时，记录所述第一车辆的标识、当前经过的第一卡口的标识和第一时间，其中，所述第一时间为所述第一车辆经过所述第一卡口的时间。
在本实施例中，布控区域可以根据实际需求进行设定，在此不作限定。例如，布控区域可以为银行、学校、医院等机构位置周围一定范围内的区域。卡口为安装卡口监控设备的道路节点，其中，卡口监控设备用于监控和记录经过卡口的车辆和经过时间。布控区域内包括至少一个卡口，具体布控区域的选择和布控区域内的卡口个数和位置可以根据实际需求进行设定，在此不作限定。
可以通过卡口监控设备监测经过布控区域内卡口的车辆。在第一车辆经过布控区域内的第一卡口时，记录第一车辆的标识、第一卡口的标识和经过第一时间。
S102、根据所述第一时间和预设时间粒度，确定所述第一时间所属的第一时段。
在本实施例中，预设时间粒度用于将一日划分为多个时段，预设时间粒度可以根据实际需求进行确定，在此不作限定。例如，预设时间粒度可以为1小时，2小时等。根据预设时间粒度可以确定划分出的多个时段，再从多个时段中确定出第一时间所属的时段。例如，第一时间为9:35，预设时间粒度为1小时，则第一时间所属的时段为9:00～10:00。
S103、根据所述第一车辆的标识和所述第一时段，从预设统计数据表中查找第一历史活动规律集合，其中，所述预设统计数据表包括多个车辆对应的各个时段的历史活动规律集合，所述历史活动规律集合包括车辆所经过的卡口的标识，所述第一历史活动规律集合为所述第一车辆在所述第一时段的历史活动规律集合。
在本实施例中，预设统计数据表为根据车辆在预设历史时间段内经过的卡口和经过卡口的时间进行处理得到的统计结果。预设统计数据表包括不同车辆对应的各个时段的历史活动规律集合。其中对于一个车辆，该车辆各个时段分别对应于历史活动规律集合。可以根据第一车辆的标识和第一时段，从预设统计数据表中查找第一历史活动规律集。
S104、确定所述第一卡口的标识是否属于所述第一历史活动规律集合。
在本实施例中，根据第一卡口的标识，以及第一历史活动规律集合中包含的卡口标识，可以确定出第一卡口的标识是否属于第一历史活动规律集合。
S105、在所述第一卡口的标识不属于所述第一历史活动规律集合时，确定所述第一车辆为异常车辆。
在本实施例中，若第一卡口的标识不属于第一历史活动规律集合，则表明第一车辆经过第一卡口的行为与第一车辆的历史活动规律不相符，因此将第一车辆确定为异常车辆。若第一卡口的标识属于第一历史活动规律集合，则表明第一车辆经过第一卡口的行为与第一车辆的历史活动规律相符，因此将第一车辆确定为非异常车辆。
本发明实施例通过在监测到经过布控区域内任一卡口的第一车辆时，记录第一车辆的标识、当前经过的第一卡口的标识和第一时间，其中，第一时间为第一车辆经过第一卡口的时间；根据第一时间和预设时间粒度，确定第一时间所属的第一时段；根据第一车辆的标识和第一时段，从预设统计数据表中查找第一历史活动规律集合，其中，预设统计数据表包括多个车辆对应的各个时段的历史活动规律集合，历史活动规律集合中包括车辆所经过的卡口的标识，第一历史活动规律集合为第一车辆在第一时段的历史活动规律集合；确定第一卡口的标识是否属于第一历史活动规律集合；在第一卡口的标识不属于第一历史活动规律集合时，确定第一车辆为异常车辆，通过对比经过布控区域的车辆所经过的卡口，与该车辆在同时段的历史活动规律集合，能够准确从经过布控区域的车辆中识别出异常车辆，提高异常车辆识别的精准度。
图2为本发明又一实施例提供的异常车辆识别方法的流程示意图。本实施例首先识别出车辆是否为特定车辆，对于特定车辆不进行异常车辆识别，对于非特定车辆进行异常车辆识别。如图2所示，该方法包括：
S201、在监测到经过布控区域内任一卡口的第一车辆时，记录所述第一车辆的标识、当前经过的第一卡口的标识和第一时间，其中，所述第一时间为所述第一车辆经过所述第一卡口的时间。
在本实施例中，S201与图1实施例中的S101类似，此处不再赘述。
S202、根据预设识别策略识别所述第一车辆是否为特定车辆。
在本实施例中，特定车辆可以为如警车、救护车、消防车等不需要进行异常车辆识别的车辆。预设识别策略可以有多种，例如，可以根据车辆的标识与预设的特定车辆的标识数据表确定车辆是否为特定车辆，或者通过图像识别来识别车辆的图像特征，确定车辆是否为特定车辆。预设识别策略还可以有其他实现形式，在此不作限定。
S203、若识别出所述第一车辆不是特定车辆，则执行所述根据所述第一时间和预设时间粒度，确定所述第一时间所属的第一时段的步骤。
在本实施例中，若识别出第一车辆不是特定车辆，则执行S204至S207的步骤来识别第一车辆是否为异常车辆。若识别出第一车辆是特定车辆，则确定该车辆不是异常车辆，不再执行S204至S207的步骤。
S204、根据所述第一时间和预设时间粒度，确定所述第一时间所属的第一时段。
在本实施例中，S204与图1实施例中的S102类似，此处不再赘述。
S205、根据所述第一车辆的标识和所述第一时段，从预设统计数据表中查找第一历史活动规律集合，其中，所述预设统计数据表包括多个车辆对应的各个时段的历史活动规律集合，所述历史活动规律集合包括车辆所经过的卡口的标识，所述第一历史活动规律集合为所述第一车辆在所述第一时段的历史活动规律集合。
在本实施例中，S205与图1实施例中的S103类似，此处不再赘述。
S206、确定所述第一卡口的标识是否属于所述第一历史活动规律集合。
在本实施例中，S206与图1实施例中的S104类似，此处不再赘述。
S207、在所述第一卡口的标识不属于所述第一历史活动规律集合时，确定所述第一车辆为异常车辆。
在本实施例中，S207与图1实施例中的S105类似，此处不再赘述。
本实施例中，通过首先识别第一车辆是否为特定车辆，在识别出第一车辆不是特定车辆时再识别第一车辆是否为异常车辆，能够排除特定车辆对异常车辆识别过程的干扰，避免将特定车辆误识别为异常车辆的情况，提高异常车辆识别的精准度和效率。
可选地，在S205之后，上述方法还可以包括：
若没有查找到所述第一历史活动规律集合，则将所述第一车辆确定为异常车辆。
在本实施例中，根据第一车辆的标识和第一时段，从预设统计数据表中查找第一历史活动规律集合，若在预设统计数据表中查找到第一历史活动规律集合，则按照S206和S207的方式确定第一车辆是否为异常车辆；若在预设统计数据表中没有查找到第一历史活动规律集合，则直接将第一车辆确定为异常车辆。例如，第一车辆为外地车辆或者新车辆时，预设统计数据表中没有第一车辆对应的各个时段的第一历史活动规律集合。
图3为本发明另一实施例提供的异常车辆识别方法中生成预设统计数据表的流程示意图。本实施例对生成预设统计数据表的具体实现过程进行了详细说明。如图3所示，该方法包括：
S301、获取过车记录表，其中，所述过车记录表包括多个车辆在第一预设历史时间段的过车记录，所述第一预设历史时间段包括多日。
在本实施例中，过车记录可以包括车辆标识、经过的卡口标识和过车时间。第一预设历史时间段可以根据实际需求进行选择，在此不作限定。例如，第一预设历史时间段可以为在当前时间之前的一个月，两个月，或者20日等。
具体地，可以在每日凌晨执行预处理，从过车记录表中全局加载以月为单位的历史过车数据，并对加载的数据进行预处理，将经过预处理的数据按照车辆标识(如车牌号等)进行分组，得到各车辆对应一组数据。其中，预处理可以包括去重，对缺失值和噪音数据进行删除操作等，在此不作限定。
S302、针对所述过车记录表中的每个车辆，根据该车辆在所述第一预设历史时间段的过车记录，确定该车辆的各个时段的历史活动规律集合，其中，各个时段为按照所述预设时间粒度将一日进行划分得到的。
S303、根据所述过车记录表中各个车辆的各个时段的历史活动规律集合，生成所述预设统计数据表。
在本实施例中，针对过车记录表中的每个车辆，可以根据该车辆在第一预设历史时间段的过车记录，确定该车辆的各个时段的历史活动规律集合。然后可以根据过车记录表中各个车辆的各个时段的历史活动规律集合，生成预设统计数据表。
本实施例通过对第一预设时间段内的车辆的过车记录，可以生成相应的预设统计数据表，以便后续根据预设统计数据表对车辆进行异常车辆识别处理。
可选地，图4为本发明再一实施例提供的异常车辆识别方法中确定车辆各个时段的历史活动规律集合的流程示意图。本实施例对确定车辆各个时段的历史活动规律集合的具体实现过程进行了详细说明。在本实施例中，过车记录包括卡口的标识和卡口对应的过车时间。如图4所示，S302可以包括：
S401、从该车辆在所述第一预设历史时间段的过车记录中，提取该车辆同日经过的卡口的标识，并将该车辆同日经过的卡口的标识组合为一个卡口集合，得到该车辆对应的多个卡口集合。
在本实施例中，该车辆一日的过车记录对应生成一个卡口集合，该车辆在第一预设时间段内多日的过车记录得到该车辆对应的多个卡口集合。例如，第一预设时间段为1个月，则将第一预设时间段内第n日该车辆的过车记录生成该车辆的第n个卡口集合。
S402、确定该车辆对应的各个卡口集合之间的交集，并计算该车辆对应的每个交集的第一占比值，其中，所述第一占比值为交集所属的卡口集合的个数在卡口集合总数中的占比。
在本实施例中，根据该车辆对应的多个卡口集合可以确定出该车辆对应的多个交集，然后计算出各个交集的第一占比值。第一占比值用于表征该交集在该车辆所有卡口集合中所占的比重程度。
下面以图6为例进行说明。图6为本发明实施例提供的多个卡口集合形成交集的示意图。如图6所示，共有三个卡口集合A，B和C，这三个卡口集合相交形成四个交集，分别为交集AB、AC、BC和ABC。下面分别计算各个交集的第一占比值。卡口集合总数为3。对于交集AB，该交集属于卡口集合A和卡口集合B的子集，即该交集所属的卡口集合的个数为2，因此该交集的第一占比值为2/3。对于交集AC，该交集属于卡口集合A和卡口集合C的子集，即该交集所属的卡口集合的个数为2，因此该交集的第一占比值为2/3。对于交集BC，该交集属于卡口集合B和卡口集合C的子集，即该交集所属的卡口集合的个数为2，因此该交集的第一占比值为2/3。对于交集ABC，该交集属于卡口集合A、卡口集合B和卡口集合C的子集，即该交集所述的卡口集合的个数为3，因此该交集的第一占比值为3/3＝1。
S403、将该车辆对应的所有交集中，第一占比值大于预设占比阈值的交集作为该车辆的高比重集合。
在本实施例中，预设占比阈值可以根据实际需求进行设定。例如可以设为50％，70％等，在此不作限定。预设占比阈值用于从该车辆对应的所有交集中筛选出占比较高的集合。如图6所示，在预设占比阈值取为50％时，该车辆的高比重集合为AB、AC、BC和ABC四个集合。在预设占比阈值取为70％时，该车辆的高比重集合为ABC一个集合。
S404、根据该车辆的各个高比重集合中所包含的卡口对应的过车时间，确定该车辆的各个时段对应的的高比重集合，并将该车辆的各个时段对应的高比重集合，作为该车辆的各个时段的历史活动规律集合。
在本实施例中，某时段的历史活动规律集合可以包括一个或多个高比重集合。对于某时段，从该车辆的所有高比重集合中选取出第一高比重集合，其中，第一高比重集合中存在至少一个对应过车时间属于该时段的卡口，将选取到的所有第一高比重集合作为该车辆在该时段的历史活动规律集合。
在图6的示例基础上进行说明，假设该车辆的高比重集合为AB、AC、BC和ABC四个集合，其中，高比重集合AB包括两个卡口标识，对应的过车时间分别9:20，10:34。高比重集合AC包括三个卡口标识，对应的过车时间分别9:18，9:20，11:33。高比重集合BC包括三个卡口标识，对应的过车时间分别7:18，11:20，11:10。高比重集合ABC包括两个卡口标识，对应的过车时间分别6:10，10:35。
则该车辆6:00～7:00时段的历史活动规律集合为ABC；7:00～8:00时段的历史活动规律集合为BC；8:00～9:00时段不存在历史活动规律集合；9:00～10:00时段的历史活动规律集合为AB和AC；10:00～11:00时段的历史活动规律集合为AB和ABC；11:00～12:00时段的历史活动规律集合为AC和BC。
本实施例通过预设占比阈值从车辆的所有交集中筛选出高比重集合，再按照高比重集合中所包含的卡口对应的过车时间确定车辆各个时段的历史活动规律集合，能够使确定出的各时段的历史活动规律集合准确表征各时段的活动规律，从而提高异常车辆识别的准确度。
可选地，所述预设统计数据表还包括各个车辆的各个时段的活动偏移量；上述方法还可以包括：
针对所述过车记录表中的每个车辆，计算该车辆的各个高比重集合的第二占比值，其中，所述第二占比值为高比重集合所包含的卡口个数与该车辆的平均日活动卡口数的比值，所述平均日活动卡口数为该车辆在所述第一预设历史时间段内平均每日经过的卡口个数。
计算该车辆的每个高比重集合对应的各个时段的第三占比值。
将该车辆的各个时段的历史活动规律集合中所有的高比重集合的第二占比值和第三占比值，作为该车辆的各个时段的活动偏移量。
在本实施例中，活动偏移量用于判断车辆偏移历史活动规律的程度。平均日活动卡口数为该车辆在第一预设历史时间段内平均每日经过的卡口个数。例如，若第一预设历史时间段为30天，第一预设历史时间段内通过的卡口的总个数为600个，则平均日活动卡口数为600/30＝20。对于一个车辆，分别计算各个高比重集合的第二占比值和第三占比值，将某时段的历史活动规律集合中的所有的高比重集合的第二占比值和第三占比值，作为该车辆在该时段的活动偏移量。
可选地，还可以将某时段的历史活动规律集合中的所有的高比重集合的第一占比值，也作为该车辆在该时段的活动偏移量。
可选地，所述计算该车辆的每个高比重集合对应的各个时段的第三占比值，可以包括：
针对该车辆的每个高比重集合，计算该高比重集合中过车时间属于某时段的卡口的个数，与该高比重集合中的卡口总个数的比值，作为该高比重集合对应的该时段的第三占比值。
例如，假设该车辆的高比重集合为AB、AC、BC和ABC四个集合，其中，高比重集合AB包括两个卡口标识，对应的过车时间分别9:20，10:34。高比重集合AC包括三个卡口标识，对应的过车时间分别9:18，9:20，11:33。高比重集合BC包括三个卡口标识，对应的过车时间分别7:18，11:20，11:10。高比重集合ABC包括两个卡口标识，对应的过车时间分别6:10，10:35。
对于高比重集合AB，其包含的卡口总个数为2，对应9:00～10:00时段的第三占比值为1/2，对应10:00～11:00时段的第三占比值为1/2。对于高比重集合AC，其包含的卡口总个数为3，对应9:00～10:00时段的第三占比值为2/3，对应11:00～12:00时段的第三占比值为1/3。对于高比重集合BC，其包含的卡口总个数为3，对应7:00～8:00时段的第三占比值为1/3，对应11:00～12:00时段的第三占比值为2/3。对于高比重集合ABC，其包含的卡口总个数为2，对应6:00～7:00时段的第三占比值为1/2，对应10:00～11:00时段的第三占比值为1/2。
进一步地，预设统计数据表中该车辆的数据可以表示为：
表1预设统计数据表的示例
其中，α表示第一占比值，β表示第二占比值，γ表示第三占比值。
本实施例通过计算车辆各个时段的活动偏移量，将车辆各个时段的活动偏移量统计到预设统计数据表中，便于后续根据该车辆的历史活动规律集合和活动偏移量确定车辆是否为重点异常车辆。
图5为本发明下一实施例提供的异常车辆识别方法的流程示意图。本实施例在识别出异常车辆后，进一步地从异常车辆中确定出重点异常车辆。如图5所示，该方法包括：
S501、在监测到经过布控区域内任一卡口的第一车辆时，记录所述第一车辆的标识、当前经过的第一卡口的标识和第一时间，其中，所述第一时间为所述第一车辆经过所述第一卡口的时间。
在本实施例中，S501与图1实施例中的S101类似，此处不再赘述。
S502、根据所述第一时间和预设时间粒度，确定所述第一时间所属的第一时段。
在本实施例中，S502与图1实施例中的S102类似，此处不再赘述。
S503、根据所述第一车辆的标识和所述第一时段，从预设统计数据表中查找第一历史活动规律集合，其中，所述预设统计数据表包括多个车辆对应的各个时段的历史活动规律集合，所述历史活动规律集合包括车辆所经过的卡口的标识，所述第一历史活动规律集合为所述第一车辆在所述第一时段的历史活动规律集合。
在本实施例中，S503与图1实施例中的S103类似，此处不再赘述。
S504、确定所述第一卡口的标识是否属于所述第一历史活动规律集合。
在本实施例中，S504与图1实施例中的S104类似，此处不再赘述。
S505、在所述第一卡口的标识不属于所述第一历史活动规律集合时，确定所述第一车辆为异常车辆。
在本实施例中，S505与图1实施例中的S105类似，此处不再赘述。
S506、在确定出所述第一车辆为异常车辆后，获取所述第一车辆在第二预设历史时间段的过车记录。
在本实施例中，第二预设历史时间段可以选择距离当前时间较近的一个时间段，第二预设历史时间段可以根据实际需求确定，例如，第二预设历史时间段可以设为当前时间的前一日，或者当前时间的前一周中的一日或多日，在此不作限定。
S507、根据所述第一车辆在所述第二预设历史时间段的过车记录，确定所述第一车辆在布控区域内是否活动频繁，并在确定出所述第一车辆在布控区域内活动频繁时，将所述第一车辆确定为重点异常车辆；
和/或，根据所述第一车辆在所述第二预设历史时间段的过车记录，计算所述第一车辆在所述第二预设历史时间段的活动卡口集合与所述预设统计数据表中所述第一车辆的历史活动规律集合之间的活动偏移变化量，并在所述活动偏移变化量超过第一预设阈值时，将所述第一车辆确定为重点异常车辆。
在本实施例中，重点异常车辆为异常车辆中活动相对更异常，更有可能是违法车辆的车辆。本实施例为从异常车辆中识别出重点异常车辆提供了两种实现方式，可以选择两种实现方式中的一种或者采用两种实现方式进行重点异常车辆的识别，在此不作限定。第一种实现方式是通过第一车辆是否在布控区域内活动频繁，来识别第一车辆是否为重点异常车辆。第二种实现方式是通过计算活动偏移变化量，对比活动偏移变化量和第一预设阈值，来识别第一车辆是否为重点异常车辆。
其中，活动偏移变化量是指第一车辆在第二预设历史时间段的活动卡口集合，与预设统计数据表中第一车辆的历史活动规律集合之间的活动偏移量的变化量。
本实施例通过将在布控区域内活动频繁的异常车辆，和/或活动偏移变化量较大的异常车辆确定为重点异常车辆，能够从异常车辆中识别出重点异常车辆，以便对重点异常车辆进行重点监控，有效预防违法行为的发生，减少安全隐患。
可选地，S507中所述根据所述第一车辆在所述第二预设历史时间段的过车记录，确定所述第一车辆在布控区域内是否活动频繁，可以包括：
根据所述第一车辆在所述第二预设历史时间段的过车记录，统计所述第一车辆在所述第二预设历史时间段内经过布控区域内各个卡口的次数之和；
计算第一比值，所述第一比值为所述次数之和与所述第一车辆在所述第二预设历史时间段内所经过卡口的总次数之间的比值；
若所述第一比值大于第二预设阈值，则确定所述第一车辆在布控区域内活动频繁。
在本实施例中，可以统计第一车辆在第二预设历史时间段内经过布控区域内各个卡口的次数之和，计算该次数之和与第一车辆在第二预设历史时间段内所经过卡口的总次数之间的第一比值，在第一比值大于第二预设阈值时，确定第一车辆在布控区域内活动频繁。
例如，第二预设阈值为60％，假设第一车辆在第二预设历史时间段内经过布控区域内各个卡口的次数之和为67次，在第二预设历史时间段内所经过卡口的总次数为100次，则第一比值为67/100＝67％，第一比值大于第二预设阈值，因此确定第一车辆在布控区域内活动频繁。假设第一车辆在第二预设历史时间段内经过布控区域内各个卡口的次数之和为46次，在第二预设历史时间段内所经过卡口的总次数为100次，则第一比值为46/100＝46％，第一比值小于第二预设阈值，因此确定第一车辆没有在布控区域内活动频繁。
本实施例通过计算第一车辆在第二预设历史时间段内经过布控区域内各个卡口的次数之和与所经过卡口的总次数之间的比值，将比值与第二预设阈值进行对比，能够准确确定出车辆是否在布控区域内活动频繁，进而提高重点异常车辆的识别准确度。
可选地，所述第二预设历史时间段为所述第一时间的前一日；S507中所述根据所述第一车辆在所述第二预设历史时间段的过车记录，计算所述第一车辆在所述第二预设历史时间段的活动卡口集合与所述预设统计数据表中所述第一车辆的历史活动规律集合之间的活动偏移变化量，可以包括：
根据所述预设时间粒度和所述第一车辆在所述前一日的过车记录，得到所述第一车辆在所述前一日的各个时段的卡口集合；
针对每个时段，计算所述第一车辆在所述前一日的该时段的卡口集合的第一活动偏移量，并从所述预设统计数据表中获取与该时段相对应的第二活动偏移量，计算所述第一活动偏移量与所述第二活动偏移量之间的变化量；
统计变化量大于预设变化量阈值的时段的个数，并计算该个数在所有时段总数中的占比，将所述占比作为所述活动偏移变化量。
在本实施例中，第二预设历史时间段为第一时间的前一日。例如，第一时间为5月6日12:10，则第二预设历史时间段可以取为5月5日00:00～24:00。对于前一日的某个时段，将第一车辆在该时段所经过的卡口的标识组合成为该时段对应的卡口集合。分别计算第一车辆在前一日各个时段的卡口集合的第一活动偏移量。某时段对应的第一活动偏移量为该时段的卡口集合所包含的卡口个数与第一车辆前一日所有卡口集合所包含的卡口总数的比值。某时段对应的第二活动偏移量，为该时段对应的历史活动规律集合中第一活动集合对应的活动偏移量，其中，第一活动集合为该车辆在前一日的该时段的卡口集合的子集。
活动偏移变化量为变化量大于预设变化量阈值的时段的个数，在所有时段总数中的占比。例如，时段总数为12，若变化量超过预设变化量阈值的时段数为5，则计算得到活动偏移变化量为5/12。
本实施例通过计算车辆在前一日各时段对应的第一活动偏移量，与预设统计数据表中相应时段的第二活动偏移量之间的变化量，将变化量大于预设变化量阈值的时段的个数在所有时段总数中的占比作为该车辆的活动偏移变化量，能够使计算出的活动偏移变化量准确表征车辆的活动情况，从而提高重点异常车辆的识别准确度。
本发明实施例基于车辆历史活动规律，通过分析布控区域内的车辆的历史活动规律，判断车辆行为是否正常，能够提高异常车辆识别的准确度，提高重点区域安防的安全程度，对危害公共安全的异常行为提供一定的预警，以便提前预防或者专项抓捕。
本发明实施例通过在监测到经过布控区域内任一卡口的第一车辆时，记录第一车辆的标识、当前经过的第一卡口的标识和第一时间，其中，第一时间为第一车辆经过第一卡口的时间；根据第一时间和预设时间粒度，确定第一时间所属的第一时段；根据第一车辆的标识和第一时段，从预设统计数据表中查找第一历史活动规律集合，其中，预设统计数据表包括多个车辆对应的各个时段的历史活动规律集合，历史活动规律集合中包括车辆所经过的卡口的标识，第一历史活动规律集合为第一车辆在第一时段的历史活动规律集合；确定第一卡口的标识是否属于第一历史活动规律集合；在第一卡口的标识不属于第一历史活动规律集合时，确定第一车辆为异常车辆，通过对比经过布控区域的车辆所经过的卡口，与该车辆在同时段的历史活动规律集合，能够准确从经过布控区域的车辆中识别出异常车辆，提高异常车辆识别的精准度。
图7为本发明一实施例提供的异常车辆识别装置的结构示意图。如图7所示，该异常车辆识别装置70包括：记录模块701、处理模块702和查找模块703。
记录模块701，用于在监测到经过布控区域内任一卡口的第一车辆时，记录所述第一车辆的标识、当前经过的第一卡口的标识和第一时间，其中，所述第一时间为所述第一车辆经过所述第一卡口的时间。
处理模块702，用于根据所述第一时间和预设时间粒度，确定所述第一时间所属的第一时段。
查找模块703，用于根据所述第一车辆的标识和所述第一时段，从预设统计数据表中查找第一历史活动规律集合，其中，所述预设统计数据表包括多个车辆对应的各个时段的历史活动规律集合，所述历史活动规律集合包括车辆所经过的卡口的标识，所述第一历史活动规律集合为所述第一车辆在所述第一时段的历史活动规律集合。
所述处理模块702，还用于确定所述第一卡口的标识是否属于所述第一历史活动规律集合。
所述处理模块702，还用于在所述第一卡口的标识不属于所述第一历史活动规律集合时，确定所述第一车辆为异常车辆。
本发明实施例通过在监测到经过布控区域内任一卡口的第一车辆时，记录第一车辆的标识、当前经过的第一卡口的标识和第一时间，其中，第一时间为第一车辆经过第一卡口的时间；根据第一时间和预设时间粒度，确定第一时间所属的第一时段；根据第一车辆的标识和第一时段，从预设统计数据表中查找第一历史活动规律集合，其中，预设统计数据表包括多个车辆对应的各个时段的历史活动规律集合，历史活动规律集合中包括车辆所经过的卡口的标识，第一历史活动规律集合为第一车辆在第一时段的历史活动规律集合；确定第一卡口的标识是否属于第一历史活动规律集合；在第一卡口的标识不属于第一历史活动规律集合时，确定第一车辆为异常车辆，通过对比经过布控区域的车辆所经过的卡口，与该车辆在同时段的历史活动规律集合，能够准确从经过布控区域的车辆中识别出异常车辆，提高异常车辆识别的精准度。
图8为本发明又一实施例提供的异常车辆识别装置的结构示意图。如图8所示，本实施例提供的异常车辆识别装置70在图7所示实施例提供的异常车辆识别装置的基础上，还可以包括：生成模块704。
可选地，所述记录模块701，还用于：
在监测到经过布控区域内任一卡口的第一车辆时，记录所述第一车辆的标识、当前经过的第一卡口的标识和第一时间之后，根据预设识别策略识别所述第一车辆是否为特定车辆；
若识别出所述第一车辆不是特定车辆，则执行所述根据所述第一时间和预设时间粒度，确定所述第一时间所属的第一时段的步骤。
可选地，所述处理模块702，还用于：
在根据所述第一车辆的标识和所述第一时段，从预设统计数据表中查找所述第一车辆在所述第一时段内的第一历史活动规律集合之后，若没有查找到所述第一历史活动规律集合，则将所述第一车辆确定为异常车辆。
可选地，所述装置还包括生成模块704，所述生成模块704用于：
获取过车记录表，其中，所述过车记录表包括多个车辆在第一预设历史时间段的过车记录，所述第一预设历史时间段包括多日；
针对所述过车记录表中的每个车辆，根据该车辆在所述第一预设历史时间段的过车记录，确定该车辆的各个时段的历史活动规律集合，其中，各个时段为按照所述预设时间粒度将一日进行划分得到的；
根据所述过车记录表中各个车辆的各个时段的历史活动规律集合，生成所述预设统计数据表。
可选地，所述生成模块704，具体用于：
从该车辆在所述第一预设历史时间段的过车记录中，提取该车辆同日经过的卡口的标识，并将该车辆同日经过的卡口的标识组合为一个卡口集合，得到该车辆对应的多个卡口集合；
确定该车辆对应的各个卡口集合之间的交集，并计算该车辆对应的每个交集的第一占比值，其中，所述第一占比值为交集所属的卡口集合的个数在卡口集合总数中的占比；
将该车辆对应的所有交集中，第一占比值大于预设占比阈值的交集作为该车辆的高比重集合；
根据该车辆的各个高比重集合中所包含的卡口对应的过车时间，确定该车辆的各个时段对应的的高比重集合，并将该车辆的各个时段对应的高比重集合，作为该车辆的各个时段的历史活动规律集合。
可选地，所述预设统计数据表还包括各个车辆的各个时段的活动偏移量；
所述生成模块704，还用于：
针对所述过车记录表中的每个车辆，计算该车辆的各个高比重集合的第二占比值，其中，所述第二占比值为高比重集合所包含的卡口个数与该车辆的平均日活动卡口数的比值，所述平均日活动卡口数为该车辆在所述第一预设历史时间段内平均每日经过的卡口个数；
计算该车辆的每个高比重集合对应的各个时段的第三占比值；
将该车辆的各个时段的历史活动规律集合中所有的高比重集合的第二占比值和第三占比值，作为该车辆的各个时段的活动偏移量。
可选地，所述生成模块704，具体用于：
针对该车辆的每个高比重集合，计算该高比重集合中过车时间属于某时段的卡口的个数，与该高比重集合中的卡口总个数的比值，作为该高比重集合对应的该时段的第三占比值。
可选地，所述处理模块702，还用于：
在确定出所述第一车辆为异常车辆后，获取所述第一车辆在第二预设历史时间段的过车记录；
根据所述第一车辆在所述第二预设历史时间段的过车记录，确定所述第一车辆在布控区域内是否活动频繁，并在确定出所述第一车辆在布控区域内活动频繁时，将所述第一车辆确定为重点异常车辆；
和/或，根据所述第一车辆在所述第二预设历史时间段的过车记录，计算所述第一车辆在所述第二预设历史时间段的活动卡口集合与所述预设统计数据表中所述第一车辆的历史活动规律集合之间的活动偏移变化量，并在所述活动偏移变化量超过第一预设阈值时，将所述第一车辆确定为重点异常车辆。
可选地，所述处理模块702，具体用于：
根据所述第一车辆在所述第二预设历史时间段的过车记录，统计所述第一车辆在所述第二预设历史时间段内经过布控区域内各个卡口的次数之和；
计算第一比值，所述第一比值为所述次数之和与所述第一车辆在所述第二预设历史时间段内所经过卡口的总次数之间的比值；
若所述第一比值大于第二预设阈值，则确定所述第一车辆在布控区域内活动频繁。
可选地，所述第二预设历史时间段为所述第一时间的前一日；
所述处理模块702，具体用于：
根据所述预设时间粒度和所述第一车辆在所述前一日的过车记录，得到所述第一车辆在所述前一日的各个时段的卡口集合；
针对每个时段，计算所述第一车辆在所述前一日的该时段的卡口集合的第一活动偏移量，并从所述预设统计数据表中获取与该时段相对应的第二活动偏移量，计算所述第一活动偏移量与所述第二活动偏移量之间的变化量；
统计变化量大于预设变化量阈值的时段的个数，并计算该个数在所有时段总数中的占比，将所述占比作为所述活动偏移变化量。
本发明实施例提供的异常车辆识别装置，可用于执行上述的方法实施例，其实现原理和技术效果类似，本实施例此处不再赘述。
图9为本发明一实施例提供的异常车辆识别设备的硬件结构示意图。如图9所示，本实施例提供的异常车辆识别设备90包括：至少一个处理器901和存储器902。该异常车辆识别设备90还包括通信部件903。其中，处理器901、存储器902以及通信部件903通过总线904连接。
在具体实现过程中，至少一个处理器901执行所述存储器902存储的计算机执行指令，使得至少一个处理器901执行如上的异常车辆识别方法。
处理器901的具体实现过程可参见上述方法实施例，其实现原理和技术效果类似，本实施例此处不再赘述。
在上述的图9所示的实施例中，应理解，处理器可以是中央处理单元(英文：Central Processing Unit，简称：CPU)，还可以是其他通用处理器、数字信号处理器(英文：Digital Signal Processor，简称：DSP)、专用集成电路(英文：Application SpecificIntegrated Circuit，简称：ASIC)等。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。结合发明所公开的方法的步骤可以直接体现为硬件处理器执行完成，或者用处理器中的硬件及软件模块组合执行完成。
存储器可能包含高速RAM存储器，也可能还包括非易失性存储NVM，例如至少一个磁盘存储器。
总线可以是工业标准体系结构(Industry Standard Architecture，ISA)总线、外部设备互连(Peripheral Component，PCI)总线或扩展工业标准体系结构(ExtendedIndustry Standard Architecture，EISA)总线等。总线可以分为地址总线、数据总线、控制总线等。为便于表示，本申请附图中的总线并不限定仅有一根总线或一种类型的总线。
本申请还提供一种计算机可读存储介质，所述计算机可读存储介质中存储有计算机执行指令，当处理器执行所述计算机执行指令时，实现如上的异常车辆识别方法。
上述的计算机可读存储介质，上述可读存储介质可以是由任何类型的易失性或非易失性存储设备或者它们的组合实现，如静态随机存取存储器(SRAM)，电可擦除可编程只读存储器(EEPROM)，可擦除可编程只读存储器(EPROM)，可编程只读存储器(PROM)，只读存储器(ROM)，磁存储器，快闪存储器，磁盘或光盘。可读存储介质可以是通用或专用计算机能够存取的任何可用介质。
一种示例性的可读存储介质耦合至处理器，从而使处理器能够从该可读存储介质读取信息，且可向该可读存储介质写入信息。当然，可读存储介质也可以是处理器的组成部分。处理器和可读存储介质可以位于专用集成电路(Application Specific IntegratedCircuits，简称：ASIC)中。当然，处理器和可读存储介质也可以作为分立组件存在于设备中。
本领域普通技术人员可以理解：实现上述各方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成。前述的程序可以存储于一计算机可读取存储介质中。该程序在执行时，执行包括上述各方法实施例的步骤；而前述的存储介质包括：ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。

Claims (14)

1.一种异常车辆识别方法，其特征在于，包括：
在监测到经过布控区域内任一卡口的第一车辆时，记录所述第一车辆的标识、当前经过的第一卡口的标识和第一时间，其中，所述第一时间为所述第一车辆经过所述第一卡口的时间；
根据所述第一时间和预设时间粒度，确定所述第一时间所属的第一时段；
根据所述第一车辆的标识和所述第一时段，从预设统计数据表中查找第一历史活动规律集合，其中，所述预设统计数据表包括多个车辆对应的各个时段的历史活动规律集合，所述历史活动规律集合包括车辆所经过的卡口的标识，所述第一历史活动规律集合为所述第一车辆在所述第一时段的历史活动规律集合；
确定所述第一卡口的标识是否属于所述第一历史活动规律集合；
在所述第一卡口的标识不属于所述第一历史活动规律集合时，确定所述第一车辆为异常车辆；
所述方法还包括：
获取过车记录表，其中，所述过车记录表包括多个车辆在第一预设历史时间段的过车记录，所述第一预设历史时间段包括多日，所述过车记录包括卡口的标识和卡口对应的过车时间；
针对所述过车记录表中的每个车辆，从该车辆在所述第一预设历史时间段的过车记录中，提取该车辆同日经过的卡口的标识，并将该车辆同日经过的卡口的标识组合为一个卡口集合，得到该车辆对应的多个卡口集合；
确定该车辆对应的各个卡口集合之间的交集，并计算该车辆对应的每个交集的第一占比值，其中，所述第一占比值为交集所属的卡口集合的个数在卡口集合总数中的占比；
将该车辆对应的所有交集中，第一占比值大于预设占比阈值的交集作为该车辆的高比重集合；
根据该车辆的各个高比重集合中所包含的卡口对应的过车时间，确定该车辆的各个时段对应的的高比重集合，并将该车辆的各个时段对应的高比重集合，作为该车辆的各个时段的历史活动规律集合，其中，各个时段为按照所述预设时间粒度将一日进行划分得到的；
根据所述过车记录表中各个车辆的各个时段的历史活动规律集合，生成所述预设统计数据表。
2.根据权利要求1所述的方法，其特征在于，在所述在监测到经过布控区域内任一卡口的第一车辆时，记录所述第一车辆的标识、当前经过的第一卡口的标识和第一时间之后，所述方法还包括：
根据预设识别策略识别所述第一车辆是否为特定车辆；
若识别出所述第一车辆不是特定车辆，则执行所述根据所述第一时间和预设时间粒度，确定所述第一时间所属的第一时段的步骤；
在所述根据所述第一车辆的标识和所述第一时段，从预设统计数据表中查找所述第一车辆在所述第一时段内的第一历史活动规律集合之后，所述方法还包括：
若没有查找到所述第一历史活动规律集合，则将所述第一车辆确定为异常车辆。
3.根据权利要求1所述的方法，其特征在于，所述预设统计数据表还包括各个车辆的各个时段的活动偏移量；
所述方法还包括：
针对所述过车记录表中的每个车辆，计算该车辆的各个高比重集合的第二占比值，其中，所述第二占比值为高比重集合所包含的卡口个数与该车辆的平均日活动卡口数的比值，所述平均日活动卡口数为该车辆在所述第一预设历史时间段内平均每日经过的卡口个数；
计算该车辆的每个高比重集合对应的各个时段的第三占比值；
将该车辆的各个时段的历史活动规律集合中所有的高比重集合的第二占比值和第三占比值，作为该车辆的各个时段的活动偏移量；
其中，所述计算该车辆的每个高比重集合对应的各个时段的第三占比值，包括：
针对该车辆的每个高比重集合，计算该高比重集合中过车时间属于某时段的卡口的个数，与该高比重集合中的卡口总个数的比值，作为该高比重集合对应的该时段的第三占比值。
4.根据权利要求1至3任一项所述的方法，其特征在于，所述方法还包括：
在确定出所述第一车辆为异常车辆后，获取所述第一车辆在第二预设历史时间段的过车记录；
根据所述第一车辆在所述第二预设历史时间段的过车记录，确定所述第一车辆在布控区域内是否活动频繁，并在确定出所述第一车辆在布控区域内活动频繁时，将所述第一车辆确定为重点异常车辆；
和/或，根据所述第一车辆在所述第二预设历史时间段的过车记录，计算所述第一车辆在所述第二预设历史时间段的活动卡口集合与所述预设统计数据表中所述第一车辆的历史活动规律集合之间的活动偏移变化量，并在所述活动偏移变化量超过第一预设阈值时，将所述第一车辆确定为重点异常车辆。
5.根据权利要求4所述的方法，其特征在于，所述根据所述第一车辆在所述第二预设历史时间段的过车记录，确定所述第一车辆在布控区域内是否活动频繁，包括：
根据所述第一车辆在所述第二预设历史时间段的过车记录，统计所述第一车辆在所述第二预设历史时间段内经过布控区域内各个卡口的次数之和；
计算第一比值，所述第一比值为所述次数之和与所述第一车辆在所述第二预设历史时间段内所经过卡口的总次数之间的比值；
若所述第一比值大于第二预设阈值，则确定所述第一车辆在布控区域内活动频繁。
6.根据权利要求4所述的方法，其特征在于，所述第二预设历史时间段为所述第一时间的前一日；
所述根据所述第一车辆在所述第二预设历史时间段的过车记录，计算所述第一车辆在所述第二预设历史时间段的活动卡口集合与所述预设统计数据表中所述第一车辆的历史活动规律集合之间的活动偏移变化量，包括：
根据所述预设时间粒度和所述第一车辆在所述前一日的过车记录，得到所述第一车辆在所述前一日的各个时段的卡口集合；
针对每个时段，计算所述第一车辆在所述前一日的该时段的卡口集合的第一活动偏移量，并从所述预设统计数据表中获取与该时段相对应的第二活动偏移量，计算所述第一活动偏移量与所述第二活动偏移量之间的变化量；
统计变化量大于预设变化量阈值的时段的个数，并计算该个数在所有时段总数中的占比，将所述占比作为所述活动偏移变化量。
7.一种异常车辆识别装置，其特征在于，包括：
记录模块，用于在监测到经过布控区域内任一卡口的第一车辆时，记录所述第一车辆的标识、当前经过的第一卡口的标识和第一时间，其中，所述第一时间为所述第一车辆经过所述第一卡口的时间；
处理模块，用于根据所述第一时间和预设时间粒度，确定所述第一时间所属的第一时段；
查找模块，用于根据所述第一车辆的标识和所述第一时段，从预设统计数据表中查找第一历史活动规律集合，其中，所述预设统计数据表包括多个车辆对应的各个时段的历史活动规律集合，所述历史活动规律集合包括车辆所经过的卡口的标识，所述第一历史活动规律集合为所述第一车辆在所述第一时段的历史活动规律集合；
所述处理模块，还用于确定所述第一卡口的标识是否属于所述第一历史活动规律集合；
所述处理模块，还用于在所述第一卡口的标识不属于所述第一历史活动规律集合时，确定所述第一车辆为异常车辆；
所述装置还包括生成模块，所述生成模块用于：
获取过车记录表，其中，所述过车记录表包括多个车辆在第一预设历史时间段的过车记录，所述第一预设历史时间段包括多日，所述过车记录包括卡口的标识和卡口对应的过车时间；
针对所述过车记录表中的每个车辆，从该车辆在所述第一预设历史时间段的过车记录中，提取该车辆同日经过的卡口的标识，并将该车辆同日经过的卡口的标识组合为一个卡口集合，得到该车辆对应的多个卡口集合；
确定该车辆对应的各个卡口集合之间的交集，并计算该车辆对应的每个交集的第一占比值，其中，所述第一占比值为交集所属的卡口集合的个数在卡口集合总数中的占比；
将该车辆对应的所有交集中，第一占比值大于预设占比阈值的交集作为该车辆的高比重集合；
根据该车辆的各个高比重集合中所包含的卡口对应的过车时间，确定该车辆的各个时段对应的的高比重集合，并将该车辆的各个时段对应的高比重集合，作为该车辆的各个时段的历史活动规律集合，其中，各个时段为按照所述预设时间粒度将一日进行划分得到的；
根据所述过车记录表中各个车辆的各个时段的历史活动规律集合，生成所述预设统计数据表。
8.根据权利要求7所述的装置，其特征在于，所述记录模块，还用于：
在监测到经过布控区域内任一卡口的第一车辆时，记录所述第一车辆的标识、当前经过的第一卡口的标识和第一时间之后，根据预设识别策略识别所述第一车辆是否为特定车辆；
若识别出所述第一车辆不是特定车辆，则执行所述根据所述第一时间和预设时间粒度，确定所述第一时间所属的第一时段的步骤；
所述处理模块，还用于：
在根据所述第一车辆的标识和所述第一时段，从预设统计数据表中查找所述第一车辆在所述第一时段内的第一历史活动规律集合之后，若没有查找到所述第一历史活动规律集合，则将所述第一车辆确定为异常车辆。
9.根据权利要求7所述的装置，其特征在于，所述预设统计数据表还包括各个车辆的各个时段的活动偏移量；
所述生成模块，还用于：
针对所述过车记录表中的每个车辆，计算该车辆的各个高比重集合的第二占比值，其中，所述第二占比值为高比重集合所包含的卡口个数与该车辆的平均日活动卡口数的比值，所述平均日活动卡口数为该车辆在所述第一预设历史时间段内平均每日经过的卡口个数；
计算该车辆的每个高比重集合对应的各个时段的第三占比值；
将该车辆的各个时段的历史活动规律集合中所有的高比重集合的第二占比值和第三占比值，作为该车辆的各个时段的活动偏移量；
其中，所述生成模块，具体用于：
针对该车辆的每个高比重集合，计算该高比重集合中过车时间属于某时段的卡口的个数，与该高比重集合中的卡口总个数的比值，作为该高比重集合对应的该时段的第三占比值。
10.根据权利要求7至9任一项所述的装置，其特征在于，所述处理模块，还用于：
在确定出所述第一车辆为异常车辆后，获取所述第一车辆在第二预设历史时间段的过车记录；
根据所述第一车辆在所述第二预设历史时间段的过车记录，确定所述第一车辆在布控区域内是否活动频繁，并在确定出所述第一车辆在布控区域内活动频繁时，将所述第一车辆确定为重点异常车辆；
和/或，根据所述第一车辆在所述第二预设历史时间段的过车记录，计算所述第一车辆在所述第二预设历史时间段的活动卡口集合与所述预设统计数据表中所述第一车辆的历史活动规律集合之间的活动偏移变化量，并在所述活动偏移变化量超过第一预设阈值时，将所述第一车辆确定为重点异常车辆。
11.根据权利要求10所述的装置，其特征在于，所述处理模块，具体用于：
根据所述第一车辆在所述第二预设历史时间段的过车记录，统计所述第一车辆在所述第二预设历史时间段内经过布控区域内各个卡口的次数之和；
计算第一比值，所述第一比值为所述次数之和与所述第一车辆在所述第二预设历史时间段内所经过卡口的总次数之间的比值；
若所述第一比值大于第二预设阈值，则确定所述第一车辆在布控区域内活动频繁。
12.根据权利要求10所述的装置，其特征在于，所述第二预设历史时间段为所述第一时间的前一日；
所述处理模块，具体用于：
根据所述预设时间粒度和所述第一车辆在所述前一日的过车记录，得到所述第一车辆在所述前一日的各个时段的卡口集合；
针对每个时段，计算所述第一车辆在所述前一日的该时段的卡口集合的第一活动偏移量，并从所述预设统计数据表中获取与该时段相对应的第二活动偏移量，计算所述第一活动偏移量与所述第二活动偏移量之间的变化量；
统计变化量大于预设变化量阈值的时段的个数，并计算该个数在所有时段总数中的占比，将所述占比作为所述活动偏移变化量。
13.一种异常车辆识别设备，其特征在于，包括：至少一个处理器和存储器；
所述存储器存储计算机执行指令；
所述至少一个处理器执行所述存储器存储的计算机执行指令，使得所述至少一个处理器执行如权利要求1至6任一项所述的异常车辆识别方法。
14.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质中存储有计算机执行指令，当处理器执行所述计算机执行指令时，实现如权利要求1至6任一项所述的异常车辆识别方法。
CN201910668249.2A 2019-07-23 2019-07-23 异常车辆识别方法、装置、设备及计算机可读存储介质 Active CN111367906B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910668249.2A CN111367906B (zh) 2019-07-23 2019-07-23 异常车辆识别方法、装置、设备及计算机可读存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910668249.2A CN111367906B (zh) 2019-07-23 2019-07-23 异常车辆识别方法、装置、设备及计算机可读存储介质

Publications (2)

Publication Number Publication Date
CN111367906A CN111367906A (zh) 2020-07-03
CN111367906B true CN111367906B (zh) 2023-09-05

Family

ID=71206219

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910668249.2A Active CN111367906B (zh) 2019-07-23 2019-07-23 异常车辆识别方法、装置、设备及计算机可读存储介质

Country Status (1)

Country Link
CN (1) CN111367906B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112734242B (zh) * 2021-01-13 2023-12-22 北京中交兴路车联网科技有限公司 一种车辆运行轨迹数据的可用度分析方法、装置、存储介质及终端
CN114494998B (zh) * 2022-01-19 2022-12-06 东莞先知大数据有限公司 一种车辆数据智能分析方法及系统
CN115100861B (zh) * 2022-06-22 2023-07-21 公安部交通管理科学研究所 一种酒驾车辆识别方法

Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103020222A (zh) * 2012-12-13 2013-04-03 广州市香港科大霍英东研究院 用于车辆gps数据分析与异常监测的可视挖掘方法
CN104933870A (zh) * 2015-05-21 2015-09-23 中兴软创科技股份有限公司 基于车辆行为分析的车辆套牌识别方法与装置
CN105976617A (zh) * 2016-03-21 2016-09-28 江苏智通交通科技有限公司 非法营运车辆检测方法和系统
CN106297292A (zh) * 2016-08-29 2017-01-04 苏州金螳螂怡和科技有限公司 基于高速公路卡口及综合监控的轨迹系统
CN106846801A (zh) * 2017-02-06 2017-06-13 安徽新华博信息技术股份有限公司 一种基于车辆轨迹的区域徘徊异常行为检测方法
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
CN107563288A (zh) * 2017-07-31 2018-01-09 东软集团股份有限公司 一种套牌车车辆的识别方法和装置
CN107967323A (zh) * 2017-11-24 2018-04-27 泰华智慧产业集团股份有限公司 基于大数据进行异常出行车辆分析的方法及系统
CN108632097A (zh) * 2018-05-14 2018-10-09 平安科技（深圳）有限公司 异常行为对象的识别方法、终端设备及介质
CN109471907A (zh) * 2018-11-15 2019-03-15 刘长山 一种基于卡口数据的行车规律分析系统和方法
CN109766902A (zh) * 2017-11-09 2019-05-17 杭州海康威视系统技术有限公司 对同区域的车辆聚类的方法、装置和设备

Family Cites Families (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP4826609B2 (ja) * 2008-08-29 2011-11-30 トヨタ自動車株式会社 車両用異常解析システム及び車両用異常解析方法
US9355071B2 (en) * 2013-03-01 2016-05-31 Sas Institute Inc. System and method for Multivariate outlier detection
US9380065B2 (en) * 2014-03-12 2016-06-28 Facebook, Inc. Systems and methods for identifying illegitimate activities based on historical data
CN105425699A (zh) * 2014-11-11 2016-03-23 冯春魁 车辆运行监控、监视、数据处理、超载监控的方法及系统
US10592870B2 (en) * 2016-07-01 2020-03-17 International Business Machines Corporation System and method to analyze and detect anomalies in vehicle service procedures
US20180268238A1 (en) * 2017-03-14 2018-09-20 Mohammad Ayub Khan System and methods for enhancing license plate and vehicle recognition
TWI674210B (zh) * 2017-12-04 2019-10-11 財團法人資訊工業策進會 偵測具威脅性車輛之系統及方法
US10745010B2 (en) * 2017-12-21 2020-08-18 International Business Machines Corporation Detecting anomalous vehicle behavior through automatic voting

Patent Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103020222A (zh) * 2012-12-13 2013-04-03 广州市香港科大霍英东研究院 用于车辆gps数据分析与异常监测的可视挖掘方法
CN104933870A (zh) * 2015-05-21 2015-09-23 中兴软创科技股份有限公司 基于车辆行为分析的车辆套牌识别方法与装置
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
CN105976617A (zh) * 2016-03-21 2016-09-28 江苏智通交通科技有限公司 非法营运车辆检测方法和系统
CN106297292A (zh) * 2016-08-29 2017-01-04 苏州金螳螂怡和科技有限公司 基于高速公路卡口及综合监控的轨迹系统
CN106846801A (zh) * 2017-02-06 2017-06-13 安徽新华博信息技术股份有限公司 一种基于车辆轨迹的区域徘徊异常行为检测方法
CN107563288A (zh) * 2017-07-31 2018-01-09 东软集团股份有限公司 一种套牌车车辆的识别方法和装置
CN109766902A (zh) * 2017-11-09 2019-05-17 杭州海康威视系统技术有限公司 对同区域的车辆聚类的方法、装置和设备
CN107967323A (zh) * 2017-11-24 2018-04-27 泰华智慧产业集团股份有限公司 基于大数据进行异常出行车辆分析的方法及系统
CN108632097A (zh) * 2018-05-14 2018-10-09 平安科技（深圳）有限公司 异常行为对象的识别方法、终端设备及介质
CN109471907A (zh) * 2018-11-15 2019-03-15 刘长山 一种基于卡口数据的行车规律分析系统和方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
赵清华等.基于时空大数据的异常车辆检测.传感器与微系统.2019,全文. *

Also Published As

Publication number Publication date
CN111367906A (zh) 2020-07-03

Similar Documents

Publication Publication Date Title
CN111367906B (zh) 异常车辆识别方法、装置、设备及计算机可读存储介质
CN106846801B (zh) 一种基于车辆轨迹的区域徘徊异常行为检测方法
CN106875679B (zh) 识别伴随车辆的方法及装置
CN111241149B (zh) 一种人员异常判定方法、装置、电子设备及存储介质
CN111369801B (zh) 车辆识别方法、装置、设备和存储介质
Reich et al. Partially supervised spatiotemporal clustering for burglary crime series identification
CN112905667A (zh) 无人驾驶信息存储和回放方法、装置及存储介质
CN115082277A (zh) 车辆管控区域行程识别方法、装置、电子设备及存储介质
CN114662772A (zh) 交通噪音预警方法、模型训练方法、装置、设备及介质
CN116720161B (zh) 一种智能权限系统权限控制方法、装置、电子设备及介质
CN111382986A (zh) 学生管理方法及装置、计算机装置和计算机可读存储介质
Hamad et al. Geovisualization of archived ITS data-case studies
CN112328649A (zh) 一种多轨迹数据相似度的计算方法和存储设备
CN111064924B (zh) 一种基于人工智能的视频监控方法及系统
CN111090655A (zh) 基于监控数据的预警方法及装置、电子设备和存储介质
CN111368868A (zh) 确定车辆套牌的方法、装置及设备
Thongsatapornwatana et al. Suspect vehicle detection using vehicle reputation with association analysis concept
CN115359658A (zh) 交通事件的检测方法、装置、设备、存储介质及程序产品
CN113989715A (zh) 车辆违停检测方法、装置、电子设备及存储介质
CN112989382A (zh) 一种基于区块链的人口防疫方法、设备、存储介质
CN112749239A (zh) 一种事件图谱构建方法、装置及计算设备
CN114418244B (zh) 一种案件的预测分析方法、装置、电子设备及存储介质
CN111723604A (zh) 车辆套牌检测方法及装置
CN111368616A (zh) 从车的识别方法、装置及设备
CN113450236B (zh) 基于时空数据的可疑人员识别方法、装置、系统和介质

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