CN111696351A - 基于大数据的可疑车辆判别方法及系统 - Google Patents
基于大数据的可疑车辆判别方法及系统 Download PDFInfo
- Publication number
- CN111696351A CN111696351A CN202010525390.XA CN202010525390A CN111696351A CN 111696351 A CN111696351 A CN 111696351A CN 202010525390 A CN202010525390 A CN 202010525390A CN 111696351 A CN111696351 A CN 111696351A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- vehicles
- information
- suspicious
- night
- 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
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
- G08G1/0104—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
Abstract
本发明涉及一种基于大数据的可疑车辆判别方法,包括以下步骤:步骤S1:获取各卡口的卡口信息,并获取经过卡口的车辆信息;步骤S2:根据各卡口的卡口信息及车辆信息历史数据,获取车辆的车辆轨迹,并将车辆轨迹信息传送至后台管理单元;步骤S3:根据车辆轨迹,判断是否存在可疑车辆,获取可疑车辆的车辆轨迹及车主信息,判断所述可疑车辆是否为非法车辆;步骤S4:若为非法车辆,则调取该车辆最近的车辆轨迹,并将信息传送至附近的交警,用于及时发现并控制非法车辆。本发明能够解决现有技术中由于可疑车辆识别不完善,提高可疑车辆的识别准确率,并及时提供预警信息,方便及时发现并控制非法车辆。
Description
技术领域
本发明涉及涉及通信技术领域,具体涉及一种基于大数据的可疑车辆判别方法及系统。
背景技术
随着我国综合实力和国民收入水平的提高,机动车保有量每年以15%~20%的速度在迅猛增长,道路建设步伐不断加快,全国城市化水平也在不断提高,交通管理现状和需求的矛盾进一步加剧,与交通相关的刑事和治安案件也逐年上升,对案件的预警时一个很大的课程,需要进一步的提高预警力度和监控技术。
在现代智能交通管理中,利用视频技术获取各种交通数据和对违章车辆进行检测和监控,具有快速、准确、直观等优点,便于交通指挥管理部门和道路使用者及时了解道路交通状况,准确做出决策进行道路交通指挥管理和合理行车路径选择,其中典型的应用便是道路交通卡口系统。道路交通卡口系统安装在公路任意断面上(包括的城市的出入口、收费站、省际和市际卡口等处),能够对过往车辆进行自动实时拍摄与记录,并由确定机进行车牌识别以及对车辆进行行驶速度和各类违章的检测、数据采集与报警,以此提高道路交通管理的智能化、现代化水平。
发明内容
有鉴于此,本发明的目的在于提供一种基于大数据的可疑车辆判别方法及系统,解决现有技术中由于可疑车辆识别不完善,提高可疑车辆的识别准确率,并及时提供预警信息,方便及时发现并控制非法车辆。
为实现上述目的,本发明采用如下技术方案:
一种基于大数据的可疑车辆判别方法,包括以下步骤:
步骤S1:获取各卡口的卡口信息,并获取经过卡口的车辆信息;
步骤S2:根据各卡口的卡口信息及车辆信息历史数据,获取车辆的车辆轨迹,并将车辆轨迹信息传送至后台管理单元;
步骤S3:根据车辆轨迹,判断是否存在可疑车辆,获取可疑车辆的车辆轨迹及车主信息,判断所述可疑车辆是否为非法车辆;
步骤S4:若为非法车辆,则调取该车辆最近的车辆轨迹,并将信息传送至附近的交警,用于及时发现并控制非法车辆。
进一步的,所述可疑车辆包括伴随车辆、昼伏夜出车辆和徘徊车辆。
进一步的,所述伴随车辆判断,具体为:
(1)获取预设时间内各卡口的车辆通过记录,对每个卡口的记录按时间顺序排序
(2)对排序的记录按固定的时间窗口(如10秒)扫描,出现在同一窗口内的任意一对车辆称为一次伴随出现;计算该窗口内的强度归一化因子;
(3)扫描过程中将每一次伴随出现的影响强度累积计入该车辆对的伴随强度
(4)将伴随强度低于伴随阈值的车辆对过滤掉,得到伴随车辆对。
进一步的,所述强度归一化因子具体为:
其中nt为窗口内的车辆数量
进一步的,所述昼伏夜出车辆判断,具体为:
(1)获取各卡口若干天的夜间车辆通过记录,过滤掉通过天数小于预设值的车辆,得到夜间行驶车辆;
(2)根据得到的夜间行驶车辆,获取车辆白天通过卡口记录,构成车辆出现特征;
(3)设对一辆车属于昼伏夜出车辆为概率为θ的二项分布,其各出现记录互相独立,对各卡口各车辆类型有各自的夜间出现,假设为二项分布,先验概率pi,即各卡口各类型车辆夜间出现次数除以全天出现次数;各车之间,各卡口之间夜间出现概率互相独立;若车辆属昼伏夜出车辆,则其应当在卡口记录中夜间出现,否则其是否夜间出现由卡口的先验概率决定;
(4)根据实际的车辆记录y,建立y的昼伏夜出概率模型,求该车属于昼伏夜出车辆的概率θ。
进一步的,所述昼伏夜出概率模型具体为:
其中车辆y在最近一定日期内具有卡口1到n的出现记录,若在卡口i夜间出现,则yi为1,否则yi为0;θ和pi的定义见上文;θ为待求解的未知量
使用牛顿法求θ的数值解,得到p(y|θ)的最大似然估计,即符合车辆y出现特征的昼伏夜出概率。
进一步的,所述徘徊车辆,具体为:
(1)获取车辆预设时间内行车轨迹;
(4)根据车辆平均信息熵,判断车辆是否属于疑似徘徊车辆;平均信息熵小于一定预设阈值的车辆为疑似徘徊车辆,进行下一步判别;
(5)根据获取的疑似徘徊车辆,求徘徊路段重复模式即卡口id最长公共子序列;扫描车辆轨迹序列,对当前元素若重复出现,记录重复出现次数并求它开始的序列与之前出现以其开始或结尾序列的最长公共子序列。
一种基于大数据的可疑车辆判别系统,包括前端采集终端、分析单元、后台管理单元和告警单元;
所述前端采集终端用于获取各卡口的卡口信息,并获取经过卡口的车辆信息;
所述分析单元根据各卡口的卡口信息及车辆信息,判断是否存在可疑车辆,并将可疑车辆的车辆信息传送至后台管理单元;
所述后台管理单元用于提供数据信息给管理人员,并存储系统历史数据;
所述告警单元用于将信息传送至附近的交警,方便及时发现并控制非法车辆。
本发明与现有技术相比具有以下有益效果:
本发明解决现有技术中由于可疑车辆识别不完善,提高可疑车辆的识别准确率,并及时提供预警信息,方便及时发现并控制非法车辆。
附图说明
图1是本发明方法流程图。
具体实施方式
下面结合附图及实施例对本发明做进一步说明。
请参照图1,本发明提供一种基于大数据的可疑车辆判别方法,包括以下步骤:
步骤S1:获取各卡口的卡口信息,并获取经过卡口的车辆信息;
步骤S2:根据各卡口的卡口信息及车辆信息历史数据,获取车辆的车辆轨迹,并将车辆轨迹信息传送至后台管理单元;
步骤S3:根据车辆轨迹,判断是否存在可疑车辆,获取可疑车辆的车辆轨迹及车主信息,判断所述可疑车辆是否为非法车辆;
步骤S4:若为非法车辆,则调取该车辆最近的车辆轨迹,并将信息传送至附近的交警,用于及时发现并控制非法车辆。
在本实施例中,所述可疑车辆包括伴随车辆、昼伏夜出车辆和徘徊车辆。
在本实施例中,汇总一段时间内(如4小时)各卡口的车辆通过记录来寻找多次伴随出现的车辆对,计算其伴随强度,伴随出现指在给定的较短时间窗口(如10秒)内,两辆车都被同一卡口记录下来;不同状态下的伴随出现不应当等同对待,考虑一个繁忙的卡口,一辆车可能与其他很多车辆伴随出现,此时伴随出现记录应当对整体伴随强度影响较小,而在流量小的路段两车伴随出现就应当引起注意了;假设某车与另一车伴随出现的影响程度与某车在那个时间窗口内与所有车辆的伴随出现总数呈反比,而任两车伴随强度为观察时间内这两车各次伴随出现影响程度的和;
在本实施例中,样例数据,设总观察时间10000样例中有100个卡口,平均来车间隔时间interval产生自期望为10的指数分布正常来车记录ts产生自平均来车间隔时间加单位正态分布,按每个卡口的时间排序记录随机赋给卡口*观察时间/平均来车间隔时间期望-2=99998个不同车辆id;车0和车1相互伴随,它们在卡口0,1,2,3,4各产生2个伴随出现记录,车0记录时间为观察时间范围内均匀随机,车1记录时间为车0记录时间加3倍标准正态随机值;
gates=100
T=10000
meanInterval=10
cars=int(T*gates/meanInterval)
interval=1/torch.empty((gates,)).exponential_(meanInterval)
ts=[(torch.randn((int(T/interval[i])+1,))+interval[i]).clamp(0).cu
msum(0)foriinrange(gates)]
rs=[torch.randint_like(ts[i],cars)+2foriinrange(gates)]
设置卡口0,1,2,3,4的平均来车间隔时间,
interval[:5]
Out:tensor([2.5156,11.9032,3.8044,5.7784,23.4492])
计算车0和车1的出现时间
t0=torch.rand((10,))*T
t1=t0+torch.randn_like(t0)*3
Out:
插入车0和车1的出现记录
伴随出现
求每个卡口记录所有时间窗口内伴随出现的车辆id和影响强度
扫描数据计算伴随出现
按汇总伴随强度阈值过滤
filterByWeight=lambdaw:sum((list(map(lambdab:(a,b,couples[a][b]),filter(lambdab:couples[a][b]>w,couples[a])))foraincouples),[])
伴随出现数量和总强度
sum(map(lambdaa:len(couples[a]),couples)),sum(map(lambdaa:sum(map(lambdab:couples[a][b],couples[a])),couples))
Out:(171661,79977.9999999954)
判别结果
以2为阈值,伴随出现强度大于该阈值的仅有车0和车1
filterByWeight(2)
Out:[(0,1,4.333333333333333)]
在本实施例中,所述昼伏夜出车辆判断,具体为:根据单辆车最近若干天在各卡口的出现轨迹,判断该车昼伏夜出概率
本实施例中,取夜间时段为晚上9点到次日5点,称车辆在该时段内在各卡口的出现为夜间出现,车辆是否在某卡口夜间出现为该车在该卡口的特征,该车白天黑夜在所出现过的各卡口记录构成了其出现特征;设对一辆车属于昼伏夜出车辆为概率为θ的二项分布,其各出现记录互相独立,对各卡口各车辆类型有各自的夜间出现,假设为二项分布,先验概率pi,即各卡口各类型车辆夜间出现次数除以全天出现次数;各车之间,各卡口之间夜间出现概率互相独立;若某车属昼伏夜出车辆,则其应当在卡口记录中夜间出现,否则其是否夜间出现由卡口的先验概率决定
优选的,本实施例中使用牛顿法求θ的数值解,得到p(y|θ)的最大似然估计,即最符合某车辆出现记录的昼伏夜出概率;由上式可知,观察到的夜间出现比例越小,式中分母也应当越小,而卡口pi越大,相应的θ也应当越小,即卡口正常情况下夜间车辆较多则观察到该卡口的一次夜间出现越不倾向于认为车辆是昼伏夜出。
在本实施例中,对某卡口车辆进行昼伏夜出车辆判断,具体如下:
卡口的统计数据,以3个卡口为例,计算先验概率p
countNight=[1,2,.5]
countAll=[10,10,10.]
pSource=countNight/countAll
获取车辆轨迹
车A有六个出现记录,卡口序号traceA,是否夜间出现labelA
车B有五个出现记录,卡口序号traceB,是否夜间出现labelB
traceA=[0,2,1,2,0,2]
labelA=[1,0,1,1,1,1]
traceB=[0,1,1,0,1]
labelB=[0,1,0,0,0]
选择夜间出现的卡口先验概率
getSample=lambdatrace,label:(len(label),
pSource[trace.masked_select(label)])
对数似然梯度方程函数
g=lambdap,x:1/(x+(1-x)*p)ifx>0else1/p
f=lambdan,p:lambdax:n-g(p,x).sum()
对数似然梯度方程函数的导数
计算车A的昼伏夜出概率
solve(traceA,labelA)
Out:0.8149502277374268
车B的昼伏夜出概率
solve(traceB,labelB)
Out:0.0
在本实施例中,对卡口车辆进行昼伏夜出车徘徊车判别,具体为:
统计一段时间内(如4小时)行车轨迹卡口的重复情况来判断该车是否在某一路段上重复徘徊,视一辆车轨迹为一长度为n的序列,其元素为按时间顺序经过的卡口id,序列中含有m≤n个不同元素,第i个不同元素的出现次数为第i个不同元素的出现频率
判别疑似异常车辆后可能还需要得到徘徊路段即频繁重复的卡口id子序列,我们扫描序列,对当前元素若重复出现,记录重复出现次数并求它开始的序列与之前出现以其开始或结尾序列的最长公共子序列
公共子序列指的是若干输入序列全部包含的子序列,子序列在原序列中必需顺序相同,但不一定连续;车在多次徘徊中可能有少量卡口漏拍或者行车轨迹略有不同但仍然近似符合同一模式,公共子序列能够刻画这样的干扰情况;同时我们希望公共子序列尽量长以寻找最大重复模式;
车辆轨迹例子
车A有10个出现记录,卡口id序列traceA
车B有10个出现记录,卡口id序列traceB
traceA=[0,1,2,3,2,1,2,3,4,0]
traceB=[0,1,2,3,4,5,6,7,8,0]
信息熵
getCount=lambdat:t.unique(sorted=False,return_counts=True)[1]
getRatio=lambdac,n:c.float()/n
entropy=lambdap:-(p*p.log()).sum()
discriminant=lambdat:float(entropy(getRatio(getCount(t),len(t))))/np.log(len(t))
获取车A和B的信息熵
discriminant(traceA),discriminant(traceB)
Out:(0.6762456577007839,0.9397939110446499)
可以得到车B的平均信息熵较接近1,表明轨迹基本不重复,车A的平均信息熵小于车B的,指示轨迹存在重复模式,可以选择平均信息熵0.8左右的值作为判别标准,小于该值的为疑似徘徊车
设置一个显著概率以0.8为中值,放大12倍信息熵偏离度计算sigmoid
getProb=lambdax:torch.sigmoid((0.8-torch.tensor(x))*12).tolist()
getProb([discriminant(traceA),discriminant(traceB)])
Out:[0.8153345584869385,0.15742327272891998]
优选的,使用动态规划求解两个序列的最长公共子序列,设输入序列a和b,定义状态s(i,j)为a从头到第i位与b从头到第j位的两个子串中的最长公共子序列的长度,则状态转移方程如下
满足最优子结构性质,s(length(a),length(b))即a和b最长公共子序列的长度,从该状态回溯取出s(i,j)>s(i-1,j-1)位置的序列元素即得到最长公共子序列的一个解
求得徘徊轨迹,输出重复次数大于1的卡口id其重复次数和以其起始或结尾的重复序列,按卡口id的重复次数从大到小排序
车A的徘徊轨迹结果为,输出结果为3元组的列表,每一项分别是卡口id、重复次数ci、以其起始或结尾的徘徊轨迹;可以得到卡口2经过次数最多达3次,找到的最长徘徊轨迹是[1,2,3],该轨迹重复次数至少2次,最多重复2ci-1=3次
优选的,本实施例还提供一种基于大数据的可疑车辆判别系统,包括前端采集终端、分析单元、后台管理单元和告警单元;
所述前端采集终端用于获取各卡口的卡口信息,并获取经过卡口的车辆信息;
所述分析单元根据各卡口的卡口信息及车辆信息,判断是否存在可疑车辆,并将可疑车辆的车辆信息传送至后台管理单元;
所述后台管理单元用于提供数据信息给管理人员,并存储系统历史数据;
所述告警单元用于将信息传送至附近的交警,方便及时发现并控制非法车辆。
以上所述仅为本发明的较佳实施例,凡依本发明申请专利范围所做的均等变化与修饰,皆应属本发明的涵盖范围。
Claims (8)
1.一种基于大数据的可疑车辆判别方法,其特征在于,包括以下步骤:
步骤S1:获取各卡口的卡口信息,并获取经过卡口的车辆信息;
步骤S2:根据各卡口的卡口信息及车辆信息历史数据,获取车辆的车辆轨迹,并将车辆轨迹信息传送至后台管理单元;
步骤S3:根据车辆轨迹,判断是否存在可疑车辆,获取可疑车辆的车辆轨迹及车主信息,判断所述可疑车辆是否为非法车辆;
步骤S4:若为非法车辆,则调取该车辆最近的车辆轨迹,并将信息传送至附近的交警,用于及时发现并控制非法车辆。
2.根据权利要求1所述的一种基于大数据的可疑车辆判别方法,其特征在于:所述可疑车辆包括伴随车辆、昼伏夜出车辆和徘徊车辆。
3.根据权利要求2所述的一种可疑车辆判别方法,其特征在于:所述伴随车辆判断,具体为:
(1)获取预设时间内各卡口的车辆通过记录,对每个卡口的记录按时间顺序排序
(2)对排序的记录按固定的时间窗口扫描,出现在同一窗口内的任意一对车辆称为一次伴随出现;计算该窗口内的强度归一化因子;
(3)扫描过程中将每一次伴随出现的影响强度累积计入该车辆对的伴随强度
(4)将伴随强度低于伴随阈值的车辆对过滤掉,得到伴随车辆对。
5.根据权利要求2所述的一种基于大数据的可疑车辆判别方法,其特征在于:所述昼伏夜出车辆判断,具体为:
(1)获取各卡口若干天的夜间车辆通过记录,过滤掉通过天数小于预设值的车辆,得到夜间行驶车辆;
(2)根据得到的夜间行驶车辆,获取车辆白天通过卡口记录,构成车辆出现特征;
(3)设对一辆车属于昼伏夜出车辆为概率为θ的二项分布,其各出现记录互相独立,对各卡口各车辆类型有各自的夜间出现,假设为二项分布,先验概率pi,即各卡口各类型车辆夜间出现次数除以全天出现次数;各车之间,各卡口之间夜间出现概率互相独立;若车辆属昼伏夜出车辆,则其应当在卡口记录中夜间出现,否则其是否夜间出现由卡口的先验概率决定;
(4)根据实际的车辆记录y,建立y的昼伏夜出概率模型,求该车属于昼伏夜出车辆的概率θ。
7.根据权利要求2所述的一种基于大数据的可疑车辆判别方法,其特征在于:所述徘徊车辆,具体为:
(1)获取车辆预设时间内行车轨迹;
(4)根据车辆平均信息熵,判断车辆是否属于疑似徘徊车辆;平均信息熵小于一定预设阈值的车辆为疑似徘徊车辆,进行下一步判别;
(5)根据获取的疑似徘徊车辆,求徘徊路段重复模式即卡口id最长公共子序列;扫描车辆轨迹序列,对当前元素若重复出现,记录重复出现次数并求它开始的序列与之前出现以其开始或结尾序列的最长公共子序列。
8.一种基于大数据的可疑车辆判别系统,其特征在于,包括前端采集终端、分析单元、后台管理单元和告警单元;
所述前端采集终端用于获取各卡口的卡口信息,并获取经过卡口的车辆信息;
所述分析单元根据各卡口的卡口信息及车辆信息,判断是否存在可疑车辆,并将可疑车辆的车辆信息传送至后台管理单元;
所述后台管理单元用于提供数据信息给管理人员,并存储系统历史数据;
所述告警单元用于将信息传送至附近的交警,方便及时发现并控制非法车辆。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010525390.XA CN111696351B (zh) | 2020-06-10 | 2020-06-10 | 基于大数据的可疑车辆判别方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010525390.XA CN111696351B (zh) | 2020-06-10 | 2020-06-10 | 基于大数据的可疑车辆判别方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111696351A true CN111696351A (zh) | 2020-09-22 |
CN111696351B CN111696351B (zh) | 2022-08-09 |
Family
ID=72480265
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010525390.XA Active CN111696351B (zh) | 2020-06-10 | 2020-06-10 | 基于大数据的可疑车辆判别方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111696351B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113191305A (zh) * | 2021-05-17 | 2021-07-30 | 武汉中科通达高新技术股份有限公司 | 一种基于Flink框架的数据管理方法及装置 |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH0954891A (ja) * | 1995-08-15 | 1997-02-25 | Babcock Hitachi Kk | 画像処理による車種判別方法と装置 |
WO2001033503A1 (en) * | 1999-11-03 | 2001-05-10 | Cet Technologies Pte Ltd | Image processing techniques for a video based traffic monitoring system and methods therefor |
US20050270178A1 (en) * | 2003-02-12 | 2005-12-08 | Ioli Edward D | System for tracking suspicious vehicular activity |
CN104408934A (zh) * | 2014-11-28 | 2015-03-11 | 深圳市华仁达技术有限公司 | 一种基于交通数据的涉案车辆分析方法 |
CN105894539A (zh) * | 2016-04-01 | 2016-08-24 | 成都理工大学 | 基于视频识别和侦测运动轨迹的预防盗窃方法和系统 |
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 |
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 |
CN106875679A (zh) * | 2017-03-14 | 2017-06-20 | 东软集团股份有限公司 | 识别伴随车辆的方法及装置 |
CN108074400A (zh) * | 2016-11-14 | 2018-05-25 | 北京航天长峰科技工业集团有限公司 | 一种基于海量数据分析的重点车辆分析模型 |
CN109461106A (zh) * | 2018-10-11 | 2019-03-12 | 浙江公共安全技术研究院有限公司 | 一种多维信息感知处理方法 |
CN109635000A (zh) * | 2018-11-26 | 2019-04-16 | 武汉烽火众智数字技术有限责任公司 | 一种基于大数据的昼伏夜出实时分析方法及装置 |
CN110765155A (zh) * | 2019-10-22 | 2020-02-07 | 广州阳光耐特电子有限公司 | 一种移动端警用车辆查询布控系统 |
CN111009120A (zh) * | 2019-10-22 | 2020-04-14 | 广州阳光耐特电子有限公司 | 一种车辆综合应用管理系统 |
-
2020
- 2020-06-10 CN CN202010525390.XA patent/CN111696351B/zh active Active
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH0954891A (ja) * | 1995-08-15 | 1997-02-25 | Babcock Hitachi Kk | 画像処理による車種判別方法と装置 |
WO2001033503A1 (en) * | 1999-11-03 | 2001-05-10 | Cet Technologies Pte Ltd | Image processing techniques for a video based traffic monitoring system and methods therefor |
US20050270178A1 (en) * | 2003-02-12 | 2005-12-08 | Ioli Edward D | System for tracking suspicious vehicular activity |
CN104408934A (zh) * | 2014-11-28 | 2015-03-11 | 深圳市华仁达技术有限公司 | 一种基于交通数据的涉案车辆分析方法 |
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 |
CN105894539A (zh) * | 2016-04-01 | 2016-08-24 | 成都理工大学 | 基于视频识别和侦测运动轨迹的预防盗窃方法和系统 |
CN108074400A (zh) * | 2016-11-14 | 2018-05-25 | 北京航天长峰科技工业集团有限公司 | 一种基于海量数据分析的重点车辆分析模型 |
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 |
CN106875679A (zh) * | 2017-03-14 | 2017-06-20 | 东软集团股份有限公司 | 识别伴随车辆的方法及装置 |
CN109461106A (zh) * | 2018-10-11 | 2019-03-12 | 浙江公共安全技术研究院有限公司 | 一种多维信息感知处理方法 |
CN109635000A (zh) * | 2018-11-26 | 2019-04-16 | 武汉烽火众智数字技术有限责任公司 | 一种基于大数据的昼伏夜出实时分析方法及装置 |
CN110765155A (zh) * | 2019-10-22 | 2020-02-07 | 广州阳光耐特电子有限公司 | 一种移动端警用车辆查询布控系统 |
CN111009120A (zh) * | 2019-10-22 | 2020-04-14 | 广州阳光耐特电子有限公司 | 一种车辆综合应用管理系统 |
Non-Patent Citations (1)
Title |
---|
王路辉: "基于车牌识别流数据的伴随车辆发现算法", 《计算机工程》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113191305A (zh) * | 2021-05-17 | 2021-07-30 | 武汉中科通达高新技术股份有限公司 | 一种基于Flink框架的数据管理方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN111696351B (zh) | 2022-08-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105976617B (zh) | 非法营运车辆检测方法和系统 | |
WO2017157119A1 (zh) | 一种车辆异常行为的识别方法及装置 | |
CN106846801B (zh) | 一种基于车辆轨迹的区域徘徊异常行为检测方法 | |
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 | |
US8805639B1 (en) | Idle detection for improving fuel consumption efficiency in a vehicle | |
CN105678247A (zh) | 徘徊事件时空大数据分析的异常行为预警方法及系统 | |
CN108710827B (zh) | 一种社区微警务巡查和信息自动分析系统及方法 | |
CN104766479A (zh) | 基于超高频射频与视频图像双识别匹配的汽车身份识别方法及装置 | |
CN109191861B (zh) | 一种基于视频检测器的高速公路逃费车辆异常行为检测系统及方法 | |
CN107067730B (zh) | 基于卡口设备的网约车人车不一致监测方法 | |
CN111696351B (zh) | 基于大数据的可疑车辆判别方法及系统 | |
CN107329977B (zh) | 一种基于概率分布的假牌车二次筛选方法 | |
CN106875679A (zh) | 识别伴随车辆的方法及装置 | |
CN108986478A (zh) | 一种定点甄别违法车辆的方法 | |
CN111815995A (zh) | 一种智慧社区用车辆管控系统 | |
CN112309162A (zh) | 一种处理路内停车监控数据的方法、装置及系统 | |
CN110164136B (zh) | 套牌车辆识别方法 | |
CN107195181B (zh) | 一种根据套牌车识别规则库识别套牌车的方法 | |
CN107507425A (zh) | 一种基于物联网的防盗防占位停车场系统 | |
CN206039847U (zh) | 智能卡口联网系统 | |
CN113313051B (zh) | 一种违规使用他人etc行为的检测识别方法及系统 | |
CN207182665U (zh) | 一种基于物联网的防盗防占位停车场系统 | |
CN109584594A (zh) | 一种违章停车智能控制系统及其方法 | |
CN114913363A (zh) | 一种异常聚集的研判分析方法及系统 | |
CN213123078U (zh) | 一种智能停车场运营监控系统 |
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 |