CN111445700A - 一种基于车牌识别数据的区域行停车辆的监测方法 - Google Patents
一种基于车牌识别数据的区域行停车辆的监测方法 Download PDFInfo
- Publication number
- CN111445700A CN111445700A CN202010490311.6A CN202010490311A CN111445700A CN 111445700 A CN111445700 A CN 111445700A CN 202010490311 A CN202010490311 A CN 202010490311A CN 111445700 A CN111445700 A CN 111445700A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- time
- parking
- target
- driving
- 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 76
- 238000012544 monitoring process Methods 0.000 title claims abstract description 29
- 238000006243 chemical reaction Methods 0.000 claims description 10
- 238000012163 sequencing technique Methods 0.000 claims description 9
- 238000004458 analytical method Methods 0.000 claims description 6
- 238000012935 Averaging Methods 0.000 claims description 2
- 230000006399 behavior Effects 0.000 description 17
- 230000006872 improvement Effects 0.000 description 8
- 238000011160 research Methods 0.000 description 7
- 230000002159 abnormal effect Effects 0.000 description 3
- 238000002790 cross-validation Methods 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 238000012937 correction Methods 0.000 description 2
- 238000012217 deletion Methods 0.000 description 2
- 230000037430 deletion Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000002045 lasting effect Effects 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 239000004576 sand Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/065—Traffic control systems for road vehicles by counting the vehicles in a section of the road or in a parking area, i.e. comparing incoming count with outgoing count
-
- 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
- G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
-
- 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
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明实施例公开了一种基于车牌识别数据的区域行停车辆的监测方法。该监测方法包括步骤:获取预设区域内外的车牌识别数据；基于所述车牌识别数据进行所述预设区域内的行车识别，实时获得所述预设区域内的行车车辆指标、驶入驶出车次指标和过境车辆指标；基于所述车牌识别数据进行所述预设区域内的停车识别，实时获得或者预测所述预设区域内的停车车辆指标和停车特征指标。本发明实施例提供的基于车牌识别数据的区域行停车辆的监测方法能够有效地应用车牌识别数据实现行停车辆的监测，从而给解决城市不同区域“行停”难的问题提供基础。
Description
技术领域
本发明涉及智能交通的技术领域，特别是涉及一种基于车牌识别数据的区域行停车辆的监测方法。
背景技术
随着城镇化和机动化进程的快速推进，“行车慢，停车难”现象严重影响了居民日常出行，降低了城市宜居水平，已成为限制城市可持续发展的重要城市病。城市不同区域时变“行停”供需矛盾的准确、实时感知直接影响交通管理措施实施效果。
目前，针对车牌识别获得的数据存在多种研究，如阮树斌等提出了一种基于K则最短路径算法(KSP)及灰色关联法(GRA)的出行轨迹补全决策算法；王晰等采用对数正态分布混合模型拟合数据，依据噪音数据的三个分布特征剔除异常数据；胡正华等利用卡口间的空间位置关系构建邻接矩阵，剔除异常数据，根据最长路径算法构建车辆出行轨迹。针对车牌识别获得的数据的应用，大多集中在出行特征的研究和交通参数的采集等方面上。如龚越通过提取车辆出行特征识别通勤车辆，以及分析雨天对于出行的影响；畅玉皎等识别路网中的通勤车辆，并分析其在路网中的时空分布；Chen等根据出行特征将工作日和非工作日的出行分别做聚类，并从空间出行模式和时间变化的角度详细分析每组出行；龙小强等在识别车辆出行轨迹、分析车辆出行特征的基础上，识别车辆职住地，对外地车辆进行分类。
通过基于车牌识别获得的数据研究现状可知，目前，基于车牌识别获得的数据研究主要集中车牌识别数据的修正和补全、交通特征的分析方面，而较少有专门基于车牌识别获得数据进行区域车辆行停车辆的监测的方法，从而解决城市不同区域“行停”难的问题。
因此，针对上述技术问题，有必要提供一种基于车牌识别数据的区域行停车辆的监测方法。
发明内容
有鉴于此，本发明实施例的目的在于提供一种基于车牌识别数据的区域行停车辆的监测方法。本发明实施例提供的基于车牌识别数据的区域行停车辆的监测方法能够有效地应用车牌识别数据实现行停车辆的监测，从而给解决城市不同区域“行停”难的问题提供基础。
为了实现上述目的，本发明实施例提供的技术方案如下：一种基于车牌识别数据的区域行停车辆的监测方法，包括步骤S1:获取预设区域内外的车牌识别数据；步骤S2：基于所述车牌识别数据进行所述预设区域内的行车识别，实时获得所述预设区域内的行车车辆指标、驶入驶出车次指标和过境车辆指标；步骤S3：基于所述车牌识别数据进行所述预设区域内的停车识别，实时获得或者预测所述预设区域内的停车车辆指标和停车特征指标。
作为本发明的进一步改进，步骤S2具体包括定义区域行车的指标，所述指标包括时段行车车辆指标，时刻行车车辆指标，驶入车次指标，驶出车次指标和过境车辆指标。
作为本发明的进一步改进，获取时段行车车辆指标的方法包括：提取出在目标小时内被识别到且卡口位置是所述预设区域内部的车辆，将所提取的车辆计入所述目标时间的时段行车车辆指标；获取时刻行车车辆指标的方法包括：比较同一辆车前后两次相邻记录，若所述同一辆车的第k条记录的时间在目标时刻之前且卡口位置是内部，所述同一辆车的第k+1条记录的时间在目标时刻之后，同时两条记录属于同一辆车的同一次出行，则将所述同一辆车计入目标时间的时刻行车车辆指标；其中，k为自然数；获取驶入车次指标的方法包括：比较同一辆车前后两次相邻记录，若所述同一辆车的第k条记录的卡口位置是外部，且所述同一辆车的第k+1条记录的的卡口位置是内部且经过时间在目标小时内，则将所述同一辆车计入目标时间的驶入车次指标；其中，k为自然数；获取驶出车次指标的方法包括：比较同一辆车前后两次相邻记录，若所述同一辆车的第k条记录的卡口位置是内部，且所述同一辆车的第k+1条记录的的卡口位置是外部且经过时间在目标小时内，则将所述同一辆车计入目标时间的驶出车次指标；获得过境车辆的方法包括：提取出目标小时被识别到且卡口位置是内部的车辆，再提取同一车辆同一次出行的起点和终点，若起终点的卡口位置均是外部，则计入目标时间的过境车辆。
作为本发明的进一步改进，步骤S3的停车识别包括判断停车行为、判断停车地点和判断停车周期。
作为本发明的进一步改进，所述判断停车行为包括若车辆同时满足时间限制条件和速度限制条件，则判断车辆的动作为停车行为。
作为本发明的进一步改进，所述时间限制条件为时间大于30分钟，所述速度限制条件为所述车辆的速度持续低于5km/h。
作为本发明的进一步改进，所述判断停车周期包括选取当天及当天前后预设天数的数据作为停车行为识别的分析数据。
作为本发明的进一步改进，所述步骤S3还包括定义停车指标，所述停车指标包括时段停车车辆指标，时段非完全停车车辆指标和时刻停车车辆指标，停车特征指标包括行停转化率指标，时变停车时长指标和停车车小时指标。
作为本发明的进一步改进，获得所述时段停车车辆指标的方法包括：提取出每辆车每次出行的起点和终点，按时间排序，比较同一辆车前后两次记录，若第k条记录的时间在目标小时的开始时刻之前且卡口位置是内部，第k+1条记录的时间在目标小时的结束时刻之后，同时两条记录不属于同一次出行，则将所述车辆计入目标时间的时段停车车辆；其中，k为自然数；获得所述时段非完全停车车辆指标的方法包括：提取出每辆车每次出行的起点和终点，按时间排序，比较同一辆车前后两次记录，若第k条记录的时间在目标小时结束时刻之前且卡口位置是内部，第k+1条记录的时间在目标小时开始时刻之后，同时两条记录不属于同一次出行，则将所述车辆计入目标时间的时段非完全停车车辆；其中，k为自然数；获得所述时刻停车车辆指标的方法包括：提取出每辆车每次出行的起点和终点，按时间排序，比较同一辆车前后两次记录，若第k条记录的时间在目标时刻之前且卡口位置是内部，第k+1条记录的时间在目标时刻之后，同时两条记录不属于同一次出行，则将所述车辆计入目标时间的时刻停车车辆；其中，k为自然数；获得所述行停转化率指标的方法包括：提取出车辆每次出行的起点，若时间在目标小时内且卡口位置是内部的车辆，则将所述车辆计入目标时间的开始停车车辆，将所述目标时间的开始停车车辆总数除以目标时间的时段行车车辆总数，获得目标时间的行停转化率；获得所述时变停车时长指标的方法包括：基于目标时间的开始停车车辆，对所述开始停车车辆的停车时长求平均；获得所述停车车小时指标的方法包括：基于目标时间的非完全停车车辆，对所述非完全停车车辆在目标小时的停车时长求和。
作为本发明的进一步改进，结合目标时间的时段行车车辆指标、驶入车次指标和驶出车次指标，采用K最近邻算法预测目标时间的时段停车车辆指标。
本发明具有以下优点：
本发明实施例所提供基于车牌识别数据的区域行停车辆的监测方法基于车牌识别数据提取出个体车辆出行轨迹，根据出行轨迹计算各区域不同时段的行车量与驶入驶出量并建立停车行为判断条件集合，识别出行轨迹中的停车行为并计算各区域不同时段的停车量。本发明实施例提供的基于车牌识别数据的区域行停车辆的监测方法能够有效地应用车牌识别数据，实现行停车辆的监测，从而给解决城市不同区域“行停”难的问题提供基础。
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简单地介绍，显而易见地，下面描述中的附图仅仅是本发明中记载的一些实施例，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为本发明实施例提供的一种基于车牌识别数据的区域行停车辆的监测方法的流程示意图；
图2为本发明实施例提供的预设区域内各卡口间平均直线距离的示意图；
图3为本发明实施例提供的预设区域内的拥堵分析示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明中的技术方案，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，所描述的实施例仅仅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做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明保护的范围。
如图1所示，一种基于车牌识别数据的区域行停车辆的监测方法的流程示意图。在该实施例中，基于车牌识别数据的区域行停车辆的监测方法包括三个步骤，每个步骤的具体内容如下所示。
步骤S1:获取预设区域内外的车牌识别数据。车牌识别数据来自预设区域内外的卡口车牌识别设备所获取的数据。由于受到卡口车牌识别设备的车辆捕获率及车牌识别率的影响，车牌识别数据一般存在车辆丢失、车牌失准等问题。针对车牌识别数据所存在的问题，在一优选实施例中，在获取预设区域内外的车牌识别数据的过程中还包括控制车牌识别数据质量步骤。控制车牌识别数据质量步骤的方法包括删除符合删除条件的车牌识别数据。删除条件具体包括：车牌号码、经过时间、卡口编号信息完全一致的数据；缺少卡口编号、车牌号码或经过时间中任意一项；不符合车牌号的组织规则的异常车牌号。
步骤S2：基于所述车牌识别数据进行所述预设区域内的行车识别，实时获得所述预设区域内的行车车辆指标、驶入驶出车次指标和过境车辆指标。在该步骤中还包括定义区域行车的指标，所述指标包括时段行车车辆指标，时刻行车车辆指标，驶入车次指标，驶出车次指标和过境车辆指标。各个指标的具体描述如表1所示。
表1 区域行车的指标定义表格
获取时段行车车辆指标的方法包括：提取出在目标小时p内被识别到且卡口位置是所述预设区域内部的车辆，如公式1所示，根据车牌号去重后计入目标时间p的时段行车车辆DP_p。
其中，RT和RL为每条记录的经过时间和卡口位置，ps和pe为目标小时p的开始时刻和结束时刻。
获取时刻行车车辆指标的方法包括：比较同一辆车前后两次相邻记录，若所述同一辆车的第k条记录的时间在目标时刻p之前且卡口位置是内部，所述同一辆车的第k+1条记录的时间在目标时刻p之后，同时两条记录属于同一辆车的同一次出行，如公式2所示，则将所述同一辆车计入目标时间p的时刻行车车辆指标DT_p；其中，k为自然数。
其中，RV_k，RT_k，RL_k和RC_k为第k条记录的车牌号，经过时间，卡口位置和出行次序。
获取驶入车次指标的方法包括：比较同一辆车前后两次相邻记录，若所述同一辆车的第k条记录的卡口位置是外部，且所述同一辆车的第k+1条记录的的卡口位置是内部且经过时间在目标小时p内，如公式3所示，则将所述同一辆车计入目标时间p的驶入车次DPI_p指标；其中，k为自然数。
驶入：
获取驶出车次指标的方法包括：比较同一辆车前后两次相邻记录，若所述同一辆车的第k条记录的卡口位置是内部，且所述同一辆车的第k+1条记录的的卡口位置是外部且经过时间在目标小时p内，如公式4所示，则将所述同一辆车计入目标时间p的驶出车次DPO_p指标。
驶出：
获得过境车辆的方法包括：提取出目标小时p被识别到且卡口位置是内部的车辆，如公式1所示，再提取同一车辆同一次出行起点和终点，若起终点的卡口位置均是外部，则计入目标时间p的过境车辆DPT_p。
步骤S3：基于所述车牌识别数据进行所述预设区域内的停车识别，实时计算所述预设区域内的停车车辆指标和停车特征指标。
在该步骤中，停车行为识别包括判断停车行为，若车辆同时满足时间限制条件和速度限制条件，则判断所述车辆的动作为停车行为。其中，时间限制条件为时间大于30分钟，所述速度限制条件为所述车辆的速度持续低于5km/h。
符合时间限制条件的车辆可能存在停车和距离较远两种情况，针对距离较远的问题，可以利用速度条件来判断。符合速度限制条件的车辆可能存在停车和拥堵两种情况，对于拥堵问题，根据预设区域内各卡口间平均直线距离(平均是指与卡口相接的四个最短直线距离的平均值)。如图2所示，可以发现大部分卡口间的距离在1.4km以内，以5km/h以上的速度行驶最多需要15分钟左右，同时考虑到城市道路拥堵产生的时间影响不会很长，所以理论上可以利用时间条件判断拥堵。
如图3所示，预设区域内的两个相邻卡口作为研究对象，分析时间限制条件是否能识别出拥堵产生的短时停车。如图3所示，先通过时间限制条件判断停车行为，划分车辆的出行次序，然后计算平均速度和低速(低于5km/h)车辆占比，可以看到，在早晚高峰时间存在平均速度低、低速车辆占比高的现象，但是速度大于4m/s，低速车辆比例小于60％，说明大部分车辆处于低速行驶的状态，拥堵产生的短时停车已经被识别出来，从而证明符合时间限制条件可以解决拥堵问题。
停车行为识别还包括判断停车地点。区域停车监测的对象是停放在预设区域内部的车辆，根据车辆的出行轨迹，车辆的停车位置可能是上一次出行的终点，也可能是下一次出行的起点，因此将预设区域内部的停车车辆分为三种，如表2所示。
表2 车牌识别数据的问题
其中，第一种停车车辆P1是真实的停车车辆，直接计入停车车辆集合；后两种停车车辆P2和P3则是潜在的停车车辆，需要分别乘以一定的修正系数α2和α3，再计入停车车辆集合。对三种停车车辆求和，才能得到目标时间的停车量P，如公式5所示。
P＝P1+α2·P2+α3·P3 (公式5)
公式5中，α2+α3＝1。
停车行为识别还包括判断停车周期。在本发明实施例中，停车行为的定义是从车辆上一次出行终点到下一次出行起点。如果采用目标时间以前的车牌识别数据分析，由于缺乏目标时间以后的数据，导致没有下一次出行的记录，将低估停车量。因此，本发明实施对于停车行为的分析，结合前后多天的数据。本发明实施例取目标时间前后各一天为一个周期，周期数取0、1、2…分别表示使用当天、当天及前后各1天、当天及前后各2天…的数据作为研究对象。在本发明实施例中，选取当天及前后各3天的数据作为停车行为判断的研究对象。
计算所述预设区域内的停车指标的方法为还包括定义停车指标，所述停车车辆指标包括时段停车车辆指标，时段非完全停车车辆指标和时刻停车车辆指标，停车特征指标包括行停转化率指标，时变停车时长指标和停车小时指标。各项指标的具体描述如表3所示。
表3 区域停车指标定义描述
获得所述时段停车车辆指标的方法包括：提取出每辆车每次出行的起点和终点，按时间排序，比较同一辆车前后两次记录，若第k条记录的时间在目标小时p的开始时刻之前且卡口位置是内部，第k+1条记录的时间在目标小时p的结束时刻pe之后，同时两条记录不属于同一次出行，如公式6所示，则将所述车辆计入目标时间p的时段停车车辆PP_p；其中，k为自然数。
获得所述时段非完全停车车辆指标的方法包括：提取出每辆车每次出行的起点和终点，按时间排序，比较同一辆车前后两次记录，若第k条记录的时间在目标小时p结束时刻pe之前且卡口位置是内部，第k+1条记录的时间在目标小时p开始时刻ps之后，同时两条记录不属于同一次出行，如公式7所示，则将所述车辆计入目标时间p的时段非完全停车车辆PPU_p；其中，k为自然数。
获得所述时刻行车车辆指标的方法包括：提取出每辆车每次出行的起点和终点，按时间排序，比较同一辆车前后两次记录，若第k条记录的时间在目标时刻p之前且卡口位置是内部，第k+1条记录的时间在目标时刻p之后，同时两条记录不属于同一次出行，如公式8所示，则将所述车辆计入目标时间的时刻停车车辆；其中，k为自然数。
停车特征指标包括行停转化率、时变停车时长和停车车小时。获得所述行停转化率指标的方法包括：提取出车辆每次出行的起点，若时间在目标小时p内且卡口位置是内部的车辆，如公式1所示，则将所述车辆计入目标时间p的开始停车车辆PTS_p，将所述目标时间p的开始停车车辆PTS_p总数除以目标时间p的时段行车车辆DP_p总数，获得目标时间p的行停转化率Sp，如公式9所示。
获得所述时变停车时长指标的方法包括：基于目标时间p的开始停车车辆PTS_p，对所述开始停车车辆的停车时长
求平均，如公式10所示。
获得所述停车车小时指标的方法包括：基于目标时间p的非完全停车车辆PPU_p，对所述非完全停车车辆在目标小时p的停车时长
求和,如公式11所示。
本发明实施例，还提供一种预测所述预设区域内的停车车辆指标的方法。预测所述预设区域内的停车车辆指标的方法为：结合目标时间的时段行车车辆指标、驶入车次指标和驶出车次指标，采用K最近邻算法预测目标时间的时段停车车辆指标。K最近邻算法预测目标时间的时段停车车辆指标包括以下步骤：
步骤S31：构建特征向量：本发明实施例以时段停车车辆为预测目标，考虑到区域内部的行停需求间相互影响、相互作用，并且行车监测指标能够从车牌识别数据中及时获得以满足实时要求，因此，选择预设区域在目标时间p的时段行车车辆DP_p、驶入车次DPI_p、驶出车次DPO_p作为特征来预测在目标时间p的时段停车车辆PP_p。
步骤S32：选择样本数据：样本数据可以为多天的车牌识别数据，分析间隔可以设置为60分钟；将所述样本数据分为训练集和测试集，分别占比为8:2。
步骤S33：标定K值：通常运用交叉验证(Cross Validation，简称CV)的方法来选择各训练样本的最优K值。在本发明实施例中，K取1至15中的奇数，依次进行5折交叉验证，最终选择效果最好的K值。
步骤S34：距离测量：采用欧几里德距离度量预测值与样本数据的特征向量的差异。方法如公式12所示：
其中，d(PP_p，Pp_i)为在目标时间p的时段停车车辆PP_p的特征向量与样本数据集中在目标时间i的时段停车车辆PP_i的特征向量的欧几里德距离；F为特征向量中属性的数量，F＝3；N为样本数据集的数据量；y(p，f)与x(i，f)分别为PP_p与PP_i特征向量中的第f个属性。
步骤S35：局部加权估计：选取前K个与预测值特征向量距离最近的样本数据，对所述距离最近的样本数据进行加权以获取最终的预测值。与预测值特征向量更接近的样本数据应对预测值具有更高的影响度，其加权估计方法如公式13和公式14所示：
其中，PP_p为在目标时间p的时段停车车辆；PP_i为K个值中目标时间i的时段停车车辆；w(PP_p，PP_i)为PP_p与PP_i依据其欧几里德距离确定的权重。
本发明实施例所提供基于车牌识别数据的区域行停车辆的监测方法基于车牌识别数据提取出个体车辆出行轨迹，根据出行轨迹计算各区域不同时段的行车量与驶入驶出量并建立停车行为判断条件集合，识别出行轨迹中的停车行为并计算各区域不同时段的停车量。
本发明实施例提供的基于车牌识别数据的区域行停车辆的监测方法能够有效地应用车牌识别数据，实现行停车辆的监测，从而给解决城市不同区域“行停”难的问题提供基础。
对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。
此外，应当理解，虽然本说明书按照实施方式加以描述，但并非每个实施方式仅包含一个独立的技术方案，说明书的这种叙述方式仅仅是为清楚起见，本领域技术人员应当将说明书作为一个整体，各实施例中的技术方案也可以经适当组合，形成本领域技术人员可以理解的其他实施方式。
Claims (10)
1.一种基于车牌识别数据的区域行停车辆的监测方法，其特征在于，所述监测方法包括：
步骤S1：获取预设区域内外的车牌识别数据；
步骤S2：基于所述车牌识别数据进行所述预设区域内的行车识别，实时获得所述预设区域内的行车车辆指标、驶入驶出车次指标和过境车辆指标；
步骤S3：基于所述车牌识别数据进行所述预设区域内的停车识别，实时获得或者预测所述预设区域内的停车车辆指标和停车特征指标。
2.根据权利要求1所述的一种基于车牌识别数据的区域行停车辆的监测方法，其特征在于，步骤S2具体包括定义区域行车的指标，所述指标包括时段行车车辆指标，时刻行车车辆指标，驶入车次指标，驶出车次指标和过境车辆指标。
3.根据权利要求2所述的一种基于车牌识别数据的区域行停车辆的监测方法，其特征在于，
获取时段行车车辆指标的方法包括：提取出在目标小时内被识别到且卡口位置是所述预设区域内部的车辆，将所提取的车辆计入所述目标时间的时段行车车辆指标；
获取时刻行车车辆指标的方法包括：比较同一辆车前后两次相邻记录，若所述同一辆车的第k条记录的时间在目标时刻之前且卡口位置是内部，所述同一辆车的第k+1条记录的时间在目标时刻之后，同时两条记录属于同一辆车的同一次出行，则将所述同一辆车计入目标时间的时刻行车车辆指标；其中，k为自然数；
获取驶入车次指标的方法包括：比较同一辆车前后两次相邻记录，若所述同一辆车的第k条记录的卡口位置是外部，且所述同一辆车的第k+1条记录的的卡口位置是内部且经过时间在目标小时内，则将所述同一辆车计入目标时间的驶入车次指标；其中，k为自然数；
获取驶出车次指标的方法包括：比较同一辆车前后两次相邻记录，若所述同一辆车的第k条记录的卡口位置是内部，且所述同一辆车的第k+1条记录的的卡口位置是外部且经过时间在目标小时内，则将所述同一辆车计入目标时间的驶出车次指标；
获得过境车辆的方法包括：提取出目标小时被识别到且卡口位置是内部的车辆，再提取同一车辆同一次出行的起点和终点，若起终点的卡口位置均是外部，则计入目标时间的过境车辆。
4.根据权利要求1所述的一种基于车牌识别数据的区域行停车辆的监测方法，其特征在于，所述步骤S3的停车识别包括判断停车行为、判断停车地点和判断停车周期。
5.根据权利要求4所述的一种基于车牌识别数据的区域行停车辆的监测方法，其特征在于，所述判断停车行为包括若车辆同时满足时间限制条件和速度限制条件，则判断车辆的动作为停车行为。
6.根据权利要求5所述的一种基于车牌识别数据的区域行停车辆的监测方法，其特征在于，所述时间限制条件为时间大于30分钟，所述速度限制条件为所述车辆的速度持续低于5km/h。
7.根据权利要求4所述的一种基于车牌识别数据的区域行停车辆的监测方法，其特征在于，所述判断停车周期包括选取当天及当天前后预设天数的数据作为停车行为识别的分析数据。
8.根据权利要求1所述的一种基于车牌识别数据的区域行停车辆的监测方法，其特征在于，所述步骤S3还包括定义停车指标，所述停车车辆指标包括时段停车车辆指标，时段非完全停车车辆指标和时刻停车车辆指标，停车特征指标包括行停转化率指标，时变停车时长指标和停车车小时指标。
9.根据权利要求8所述的一种基于车牌识别数据的区域行停车辆的监测方法，其特征在于，
获得所述时段停车车辆指标的方法包括：提取出每辆车每次出行的起点和终点，按时间排序，比较同一辆车前后两次记录，若第k条记录的时间在目标小时的开始时刻之前且卡口位置是内部，第k+1条记录的时间在目标小时的结束时刻之后，同时两条记录不属于同一次出行，则将所述车辆计入目标时间的时段停车车辆；其中，k为自然数；
获得所述时段非完全停车车辆指标的方法包括：提取出每辆车每次出行的起点和终点，按时间排序，比较同一辆车前后两次记录，若第k条记录的时间在目标小时结束时刻之前且卡口位置是内部，第k+1条记录的时间在目标小时开始时刻之后，同时两条记录不属于同一次出行，则将所述车辆计入目标时间的时段非完全停车车辆；其中，k为自然数；
获得所述时刻停车车辆指标的方法包括：提取出每辆车每次出行的起点和终点，按时间排序，比较同一辆车前后两次记录，若第k条记录的时间在目标时刻之前且卡口位置是内部，第k+1条记录的时间在目标时刻之后，同时两条记录不属于同一次出行，则将所述车辆计入目标时间的时刻停车车辆；其中，k为自然数；
获得所述行停转化率指标的方法包括：提取出车辆每次出行的起点，若时间在目标小时内且卡口位置是内部的车辆，则将所述车辆计入目标时间的开始停车车辆，将所述目标时间的开始停车车辆总数除以目标时间的时段行车车辆总数，获得目标时间的行停转化率；
获得所述时变停车时长指标的方法包括：基于目标时间的开始停车车辆，对所述开始停车车辆的停车时长求平均；
获得所述停车车小时指标的方法包括：基于目标时间的非完全停车车辆，对所述非完全停车车辆在目标小时的停车时长求和。
10.根据权利要求1所述的一种基于车牌识别数据的区域行停车辆的监测方法，其特征在于，结合目标时间的时段行车车辆指标、驶入车次指标和驶出车次指标，采用K最近邻算法预测目标时间的时段停车车辆指标。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010490311.6A CN111445700B (zh) | 2020-06-02 | 2020-06-02 | 一种基于车牌识别数据的区域行停车辆的监测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010490311.6A CN111445700B (zh) | 2020-06-02 | 2020-06-02 | 一种基于车牌识别数据的区域行停车辆的监测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111445700A true CN111445700A (zh) | 2020-07-24 |
| CN111445700B CN111445700B (zh) | 2021-06-11 |
Family
ID=71657350
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010490311.6A Active CN111445700B (zh) | 2020-06-02 | 2020-06-02 | 一种基于车牌识别数据的区域行停车辆的监测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111445700B (zh) |
Cited By (3)
| 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 |
| CN114416710A (zh) * | 2021-12-29 | 2022-04-29 | 苏州大学 | 一种快速路车辆od位置提取方法及系统 |
| CN115273476A (zh) * | 2022-08-09 | 2022-11-01 | 公安部交通管理科学研究所 | 确定车辆通行起始位置位于目标区域的方法 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20130262194A1 (en) * | 2006-04-14 | 2013-10-03 | Accenture Global Services Limited | Electronic toll management for fleet vehicles |
| CN107545757A (zh) * | 2016-06-24 | 2018-01-05 | 中国第汽车股份有限公司 | 基于车牌识别的城市道路流速测量装置和方法 |
| CN107622673A (zh) * | 2017-09-22 | 2018-01-23 | 广东方纬科技有限公司 | 一种基于卡口数据的停车需求分析方法、系统和装置 |
| CN107978156A (zh) * | 2017-12-22 | 2018-05-01 | 武汉万集信息技术有限公司 | 一种隧道内车辆检测方法和系统 |
-
2020
- 2020-06-02 CN CN202010490311.6A patent/CN111445700B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20130262194A1 (en) * | 2006-04-14 | 2013-10-03 | Accenture Global Services Limited | Electronic toll management for fleet vehicles |
| CN107545757A (zh) * | 2016-06-24 | 2018-01-05 | 中国第汽车股份有限公司 | 基于车牌识别的城市道路流速测量装置和方法 |
| CN107622673A (zh) * | 2017-09-22 | 2018-01-23 | 广东方纬科技有限公司 | 一种基于卡口数据的停车需求分析方法、系统和装置 |
| CN107978156A (zh) * | 2017-12-22 | 2018-05-01 | 武汉万集信息技术有限公司 | 一种隧道内车辆检测方法和系统 |
Cited By (4)
| 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 |
| CN114416710A (zh) * | 2021-12-29 | 2022-04-29 | 苏州大学 | 一种快速路车辆od位置提取方法及系统 |
| CN114416710B (zh) * | 2021-12-29 | 2023-04-07 | 苏州大学 | 一种快速路车辆od位置提取方法及系统 |
| CN115273476A (zh) * | 2022-08-09 | 2022-11-01 | 公安部交通管理科学研究所 | 确定车辆通行起始位置位于目标区域的方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111445700B (zh) | 2021-06-11 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111445700B (zh) | 一种基于车牌识别数据的区域行停车辆的监测方法 | |
| CN109448367B (zh) | 一种基于大数据图像采集的智能道路交通追踪管理系统 | |
| WO2022247677A1 (zh) | 基于混合深度学习模型的城市区域路网过车流量预测方法及其系统 | |
| CN112512020B (zh) | 一种基于多源数据融合的交通状态弱信号感知研判方法 | |
| CN106295888B (zh) | 一种基于实测数据的公共建筑物配建停车泊位共享时间窗口确定方法 | |
| CN105405293B (zh) | 一种道路旅行时间短期预测方法和系统 | |
| CN114049765B (zh) | 基于自动车辆号牌识别数据的城市路网车流od估计方法 | |
| CN110390349A (zh) | 基于XGBoost模型的公交车客流量预测建模方法 | |
| CN110836675B (zh) | 一种基于决策树的自动驾驶搜索决策方法 | |
| CN113470362B (zh) | 基于svr-dea模型的城市路段交通拥堵时空精准判别方法 | |
| CN109697854A (zh) | 多维度的城市道路交通状态评估方法 | |
| CN105513362B (zh) | 一种公交站台毗邻区公交车运行状态评价验证方法 | |
| CN113380036B (zh) | 一种基于电子警察数据的排队长度计算方法 | |
| CN110738855A (zh) | 一种数据稀疏时间段的道路交通流状况预测方法 | |
| CN107918826B (zh) | 一种驾驶环境感知的司机评价与调度方法 | |
| CN110400462B (zh) | 基于模糊理论的轨道交通客流监测预警方法及其系统 | |
| CN109146506A (zh) | 审查作弊订单的方法及系统、终端设备、计算机设备 | |
| CN101551940A (zh) | 城市快速道路交通状态判别与发布系统及其方法 | |
| CN113436432A (zh) | 一种利用路侧观测数据进行路段短时交通风险预测的方法 | |
| CN115995149A (zh) | 一种基于多源数据的停车供需特征动态评估方法及系统 | |
| CN114596700A (zh) | 一种基于门架数据的高速公路路段实时流量估计方法 | |
| CN114501336B (zh) | 一种公路出行量测算方法、装置、电子设备及存储介质 | |
| CN114091581A (zh) | 一种基于稀疏轨迹的车辆运营行为类型识别方法 | |
| CN109523788B (zh) | 一种路段运行效果评价方法 | |
| CN115798212B (zh) | 一种基于出租车轨迹的交通拥堵检测方法 |
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 | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20231020 Address after: 1301, Building 1, Tongji Science and Technology Plaza, No. 2 Hushan Road, Southeast Street, Changshu City, Suzhou City, Jiangsu Province, 215500 Patentee after: Suzhou Hongtu Smart City Technology Co.,Ltd. Address before: 215000 8 Ji Xue Road, Xiangcheng District, Suzhou, Jiangsu. Patentee before: SOOCHOW University |
|
| TR01 | Transfer of patent right |