CN111882873B - 轨迹异常检测方法、装置、设备及介质 - Google Patents
轨迹异常检测方法、装置、设备及介质 Download PDFInfo
- Publication number
- CN111882873B CN111882873B CN202010712532.3A CN202010712532A CN111882873B CN 111882873 B CN111882873 B CN 111882873B CN 202010712532 A CN202010712532 A CN 202010712532A CN 111882873 B CN111882873 B CN 111882873B
- Authority
- CN
- China
- Prior art keywords
- track
- intersection
- probability
- abnormal
- track segment
- 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
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
- G08G1/0125—Traffic data processing
- G08G1/0129—Traffic data processing for creating historical data or processing based on historical data
-
- 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
- G08G1/0125—Traffic data processing
Abstract
本发明涉及人工智能领域,提供一种基于人工智能的轨迹异常检测方法、装置、设备及介质,能够根据当前轨迹数据及历史轨迹数据确定各个轨迹片段的概率,每条轨迹数据包括双向的路口及经过所述双向的路口的时间,增加了时间维度的信息,弥补了单纯利用空间信息的不足,从而有效提高了车辆轨迹异常检测的召回率,并将单向路口信息改进为双向路口信息,有效减少了由于行驶方向相反而造成的误检,从而提升了车辆轨迹异常检测的准确率,进而能够自动且准确地判定当前轨迹数据是否异常,以辅助进行车辆检测。本发明还涉及区块链技术,异常检测结果被存储于区块链。本发明可应用于智慧交通场景中,从而推动智慧城市的建设。
Description
技术领域
本发明涉及人工智能技术领域,尤其涉及一种基于人工智能的轨迹异常检测方法、装置、设备及介质。
背景技术
车辆的轨迹异常检测可以间接或直接地应用到交通领域的诸多场景中(例如:驾驶员酒驾、出租车绕路、嫌疑车逃逸等),在智能交通系统中具有十分重要的地位,吸引了越来越多的研究者关注,涌现出了许多车辆轨迹异常检测算法。
目前,从时效性和准确性的角度综合来看,基于路口信息的检测算法效果相对较好,并成为车辆轨迹异常检测方向比较受欢迎的算法之一。
但是,由于传统基于路口信息的车辆轨迹异常检测算法只使用了空间上的单向路口信息,导致准确率和召回率都受到了一定的限制,还存在很大的提升空间。
发明内容
鉴于以上内容,有必要提供一种轨迹异常检测方法、装置、设备及介质,能够增加时间维度的信息,弥补单纯利用空间信息的不足,从而有效提高了车辆轨迹异常检测的召回率,并将单向路口信息改进为双向路口信息,有效减少了由于行驶方向相反而造成的误检,从而提升了车辆轨迹异常检测的准确率,进而能够自动且准确地判定当前轨迹数据是否异常,以辅助进行车辆检测。
一种轨迹异常检测方法,所述轨迹异常检测方法包括:
连接采集设备,利用所述采集设备采集当前所经过车辆的车辆信息;
从所述车辆信息中获取车牌号信息;
调用配置数据库,根据所述车牌号信息从所述配置数据库中调取所述车辆在预设时间段内的历史轨迹数据;
从所述车辆信息中获取所述车辆的当前轨迹数据;
根据所述当前轨迹数据确定所述车辆当前所经过的各个轨迹片段,并确定各个轨迹片段的总数量;
根据所述当前轨迹数据及所述历史轨迹数据确定各个轨迹片段的概率,每条轨迹数据包括双向的路口及经过所述双向的路口的时间;
根据所述各个轨迹片段的概率,利用异常轨迹检测算法确定各个轨迹片段是否异常,并确定异常的轨迹片段的异常数量;
根据所述异常数量及所述各个轨迹片段的总数量确定所述当前轨迹数据是否异常,得到异常检测结果。
根据本发明优选实施例,所述根据所述当前轨迹数据及所述历史轨迹数据确定各个轨迹片段的概率包括:
对于所述当前轨迹数据中的每个轨迹片段,确定所述轨迹片段所包括的路口Si及路口Si+1,i为正整数;
基于所述历史轨迹数据,并根据所述轨迹片段所包括的路口Si及路口Si+1计算所述轨迹片段的路口序列概率;
在所述当前轨迹数据中,确定经过路口Si的时间Ti及确定经过路口Si+1的时间Ti+1;
基于所述历史轨迹数据,并根据时间Ti及时间Ti+1计算所述轨迹片段的时间序列概率;
根据所述路口序列概率及所述时间序列概率计算所述轨迹片段的概率。
根据本发明优选实施例,采用下述公式,基于所述历史轨迹数据,并根据所述轨迹片段所包括的路口Si及路口Si+1计算所述轨迹片段的路口序列概率:
其中,P(Ss)表示所述轨迹片段的路口序列概率,Trjnum1表示在所述预设时间段内的历史轨迹数据中存在从路口Si到路口Si+1的轨迹的数量,Trjnum2表示在所述预设时间段内的历史轨迹数据中存在从路口Si+1到路口Si的轨迹的数量,Trjnum3表示在所述预设时间段内的历史轨迹数据中包含路口Si的轨迹的数量,Trjnum4表示在所述预设时间段内的历史轨迹数据中包含路口Si+1的轨迹的数量。
根据本发明优选实施例,采用下述公式,基于所述历史轨迹数据,并根据时间Ti及时间Ti+1计算所述轨迹片段的时间序列概率:
其中,P(Tt)表示所述轨迹片段的时间序列概率;Trj1表示在所述预设时间段内的历史轨迹数据中存在从路口Si到路口Si+1的轨迹的数量,且经过路口Si的时间范围为(Ti-Q,Ti+Q),经过路口Si+1的时间范围为(Ti+1-Q,Ti+1+Q);Trj2表示在所述预设时间段内的历史轨迹数据中包含路口Si的轨迹的数量,且经过路口Si的时间范围为(Ti-Q,Ti+Q);Q为预设时长。
根据本发明优选实施例,采用下述公式根据所述路口序列概率及所述时间序列概率计算所述轨迹片段的概率:
P(Si,Si+1)=α*P(Ss)+β*P(Tt)
其中,P(Si,Si+1)表示所述轨迹片段的概率,α、β为权重,且α+β=1。
根据本发明优选实施例,采用下述公式根据所述各个轨迹片段的概率,利用异常轨迹检测算法确定各个轨迹片段是否异常:
P(Li+1)=P(Li)*P(Si,Si+1)
其中,Li+1表示从S1到Si+1的轨迹片段,P(Li+1)表示从S1到Si+1的轨迹片段的概率,P(Li)表示从S1到Si的轨迹片段的概率;
当P(Li)大于第一阈值,且P(Li+1)小于所述第一阈值时,确定从路口Si到路口Si+1的轨迹片段异常。
根据本发明优选实施例,所述根据所述异常数量及所述各个轨迹片段的总数量确定所述当前轨迹数据是否异常包括:
计算所述异常数量与所述各个轨迹片段的总数量的商,得到异常轨迹概率;
对比所述异常轨迹概率与第二阈值;
当所述异常轨迹概率大于所述第二阈值时,确定所述当前轨迹数据异常;或者
当所述异常轨迹概率小于或者等于所述第二阈值时,确定所述当前轨迹数据正常。
一种轨迹异常检测装置,所述轨迹异常检测装置包括:
采集单元,用于连接采集设备,利用所述采集设备采集当前所经过车辆的车辆信息;
获取单元,用于从所述车辆信息中获取车牌号信息;
调取单元,用于调用配置数据库,根据所述车牌号信息从所述配置数据库中调取所述车辆在预设时间段内的历史轨迹数据;
所述获取单元,还用于从所述车辆信息中获取所述车辆的当前轨迹数据;
确定单元,用于根据所述当前轨迹数据确定所述车辆当前所经过的各个轨迹片段,并确定各个轨迹片段的总数量;
所述确定单元,还用于根据所述当前轨迹数据及所述历史轨迹数据确定各个轨迹片段的概率,每条轨迹数据包括双向的路口及经过所述双向的路口的时间;
所述确定单元,还用于根据所述各个轨迹片段的概率,利用异常轨迹检测算法确定各个轨迹片段是否异常,并确定异常的轨迹片段的异常数量;
所述确定单元,还用于根据所述异常数量及所述各个轨迹片段的总数量确定所述当前轨迹数据是否异常,得到异常检测结果。
一种电子设备,所述电子设备包括:
存储器,存储计算机可读指令;及
处理器,执行所述存储器中存储的计算机可读指令以实现所述轨迹异常检测方法。
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可读指令,所述计算机可读指令被电子设备中的处理器执行以实现所述轨迹异常检测方法。
由以上技术方案可以看出,本发明能够连接采集设备,利用所述采集设备采集当前所经过车辆的车辆信息,从所述车辆信息中获取车牌号信息,调用配置数据库,根据所述车牌号信息从所述配置数据库中调取所述车辆在预设时间段内的历史轨迹数据,从所述车辆信息中获取所述车辆的当前轨迹数据,根据所述当前轨迹数据确定所述车辆当前所经过的各个轨迹片段,并确定各个轨迹片段的总数量,根据所述当前轨迹数据及所述历史轨迹数据确定各个轨迹片段的概率,每条轨迹数据包括双向的路口及经过所述双向的路口的时间,增加了时间维度的信息,弥补了单纯利用空间信息的不足,从而有效提高了车辆轨迹异常检测的召回率,并将单向路口信息改进为双向路口信息,有效减少了由于行驶方向相反而造成的误检,从而提升了车辆轨迹异常检测的准确率,根据所述各个轨迹片段的概率,利用异常轨迹检测算法确定各个轨迹片段是否异常,并确定异常的轨迹片段的异常数量,根据所述异常数量及所述各个轨迹片段的总数量确定所述当前轨迹数据是否异常,得到异常检测结果,进而能够自动且准确地判定当前轨迹数据是否异常,以辅助进行车辆检测。
附图说明
图1是本发明基于人工智能的轨迹异常检测方法的较佳实施例的流程图。
图2是本发明基于人工智能的轨迹异常检测装置的较佳实施例的功能模块图。
图3是本发明实现基于人工智能的轨迹异常检测方法的较佳实施例的电子设备的结构示意图。
具体实施方式
为了使本发明的目的、技术方案和优点更加清楚,下面结合附图和具体实施例对本发明进行详细描述。
如图1所示,是本发明基于人工智能的轨迹异常检测方法的较佳实施例的流程图。根据不同的需求,该流程图中步骤的顺序可以改变,某些步骤可以省略。
所述基于人工智能的轨迹异常检测方法应用于一个或者多个电子设备中,所述电子设备是一种能够按照事先设定或存储的指令,自动进行数值计算和/或信息处理的设备,其硬件包括但不限于微处理器、专用集成电路(Application Specific IntegratedCircuit,ASIC)、可编程门阵列(Field-Programmable Gate Array,FPGA)、数字处理器(Digital Signal Processor,DSP)、嵌入式设备等。
所述电子设备可以是任何一种可与用户进行人机交互的电子产品,例如,个人计算机、平板电脑、智能手机、个人数字助理(Personal Digital Assistant,PDA)、游戏机、交互式网络电视(Internet Protocol Television,IPTV)、智能式穿戴式设备等。
所述电子设备还可以包括网络设备和/或用户设备。其中,所述网络设备包括,但不限于单个网络服务器、多个网络服务器组成的服务器组或基于云计算(CloudComputing)的由大量主机或网络服务器构成的云。
所述电子设备所处的网络包括但不限于互联网、广域网、城域网、局域网、虚拟专用网络(Virtual Private Network,VPN)等。
S10,连接采集设备,利用所述采集设备采集当前所经过车辆的车辆信息。
其中,所述采集设备可以部署于每个交通卡口,例如:所述采集设备可以是卡口电警。
在本实施例中,所述车辆信息可以包括,但不限于:车牌号信息、所述车辆的当前轨迹数据等。
S11,从所述车辆信息中获取车牌号信息。
在本实施例中,通过所述采集设备能够采集到包含所述车辆的图像,并进一步通过图像识别算法识别到采集的图像中的车牌号信息。
S12,调用配置数据库,根据所述车牌号信息从所述配置数据库中调取所述车辆在预设时间段内的历史轨迹数据。
其中,所述配置数据库可以是交管部门的数据库。
在本实施例中,所述预设时间段可以自定义配置,如前一个月等。
S13,从所述车辆信息中获取所述车辆的当前轨迹数据。
其中,所述当前轨迹数据包括所述车辆在预设时长内行驶的轨迹数据,如:所述车辆在行驶当天所经过的路口序列及相应的时间序列信息。
S14,根据所述当前轨迹数据确定所述车辆当前所经过的各个轨迹片段,并确定各个轨迹片段的总数量。
在本实施例中,所述根据所述当前轨迹数据确定所述车辆当前所经过的各个轨迹片段包括:
从所述当前轨迹数据中确定所述车辆所经过的路口;
根据所述路口的经过顺序,以每两个路口为一组对所述车辆行驶轨迹数据进行拆分,得到所述车辆当前所经过的各个轨迹片段。
进一步地,逐个统计拆分后得到的各个轨迹片段,得到各个轨迹片段的总数量。
S15,根据所述当前轨迹数据及所述历史轨迹数据确定各个轨迹片段的概率,每条轨迹数据包括双向的路口及经过所述双向的路口的时间。
在本发明的至少一个实施例中,所述根据所述当前轨迹数据及所述历史轨迹数据确定各个轨迹片段的概率包括:
对于所述当前轨迹数据中的每个轨迹片段,确定所述轨迹片段所包括的路口Si及路口Si+1,i为正整数;
基于所述历史轨迹数据,并根据所述轨迹片段所包括的路口Si及路口Si+1计算所述轨迹片段的路口序列概率;
在所述当前轨迹数据中,确定经过路口Si的时间Ti及确定经过路口Si+1的时间Ti+1;
基于所述历史轨迹数据,并根据时间Ti及时间Ti+1计算所述轨迹片段的时间序列概率;
根据所述路口序列概率及所述时间序列概率计算所述轨迹片段的概率。
通过上述实施方式,增加了时间维度的信息,弥补了单纯利用空间信息的不足,从而有效提高了车辆轨迹异常检测的召回率。
具体地,采用下述公式,基于所述历史轨迹数据,并根据所述轨迹片段所包括的路口Si及路口Si+1计算所述轨迹片段的路口序列概率:
其中,P(Ss)表示所述轨迹片段的路口序列概率,Trjnum1表示在所述预设时间段内的历史轨迹数据中存在从路口Si到路口Si+1的轨迹的数量,Trjnum2表示在所述预设时间段内的历史轨迹数据中存在从路口Si+1到路口Si的轨迹的数量,Trjnum3表示在所述预设时间段内的历史轨迹数据中包含路口Si的轨迹的数量,Trjnum4表示在所述预设时间段内的历史轨迹数据中包含路口Si+1的轨迹的数量。
通过上述实施方式,将单向路口信息改进为双向路口信息,有效减少了由于行驶方向相反而造成的误检,从而提升了车辆轨迹异常检测的准确率。
具体地,采用下述公式,基于所述历史轨迹数据,并根据时间Ti及时间Ti+1计算所述轨迹片段的时间序列概率:
其中,P(Tt)表示所述轨迹片段的时间序列概率;Trj1表示在所述预设时间段内的历史轨迹数据中存在从路口Si到路口Si+1的轨迹的数量,且经过路口Si的时间范围为(Ti-Q,Ti+Q),经过路口Si+1的时间范围为(Ti+1-Q,Ti+1+Q);Trj2表示在所述预设时间段内的历史轨迹数据中包含路口Si的轨迹的数量,且经过路口Si的时间范围为(Ti-Q,Ti+Q);Q为预设时长。
Q可以进行自定义配置,例如:Q可以设置为1小时。
通过上述实施方式,以时间为角度计算每个轨迹片段的时间序列概率,为每个轨迹片段的概率增加了时间维度,以提升召回率。
具体地,采用下述公式根据所述路口序列概率及所述时间序列概率计算所述轨迹片段的概率:
P(Si,Si+1)=α*P(Ss)+β*P(Tt)
其中,P(Si,Si+1)表示所述轨迹片段的概率,α、β为权重,且α+β=1。
通过上述实施方式,在计算每个轨迹片段的概率时,同时考虑了时间及空间两个维度,使后续的异常检测更加准确。
S16,根据所述各个轨迹片段的概率,利用异常轨迹检测算法确定各个轨迹片段是否异常,并确定异常的轨迹片段的异常数量。
在本发明的至少一个实施例中,采用下述公式根据所述各个轨迹片段的概率,利用异常轨迹检测算法确定各个轨迹片段是否异常:
P(Li+1)=P(Li)*P(Si,Si+1)
其中,Li+1表示从S1到Si+1的轨迹片段,P(Li+1)表示从S1到Si+1的轨迹片段的概率,P(Li)表示从S1到Si的轨迹片段的概率;
当P(Li)大于第一阈值,且P(Li+1)小于所述第一阈值时,确定从路口Si到路口Si+1的轨迹片段异常。
其中,所述第一阈值是0-1间的数值,具体取值可根据实际需要自定义配置。
S17,根据所述异常数量及所述各个轨迹片段的总数量确定所述当前轨迹数据是否异常,得到异常检测结果。
在本发明的至少一个实施例中,所述根据所述异常数量及所述各个轨迹片段的总数量确定所述当前轨迹数据是否异常包括:
计算所述异常数量与所述各个轨迹片段的总数量的商,得到异常轨迹概率;
对比所述异常轨迹概率与第二阈值;
当所述异常轨迹概率大于所述第二阈值时,确定所述当前轨迹数据异常;或者
当所述异常轨迹概率小于或者等于所述第二阈值时,确定所述当前轨迹数据正常。
其中,所述第二阈值是0.5-1间的数值,具体取值可根据实际需要自定义配置。
通过上述实施方式,能够自动且准确地判定所述当前轨迹数据是否异常,以辅助进行车辆检测。
需要说明的是,为了提高数据的安全性,并保证异常检测结果不被篡改,将所述异常检测结果存储于区块链。
由以上技术方案可以看出,本发明能够连接采集设备,利用所述采集设备采集当前所经过车辆的车辆信息,从所述车辆信息中获取车牌号信息,调用配置数据库,根据所述车牌号信息从所述配置数据库中调取所述车辆在预设时间段内的历史轨迹数据,从所述车辆信息中获取所述车辆的当前轨迹数据,根据所述当前轨迹数据确定所述车辆当前所经过的各个轨迹片段,并确定各个轨迹片段的总数量,根据所述当前轨迹数据及所述历史轨迹数据确定各个轨迹片段的概率,每条轨迹数据包括双向的路口及经过所述双向的路口的时间,增加了时间维度的信息,弥补了单纯利用空间信息的不足,从而有效提高了车辆轨迹异常检测的召回率,并将单向路口信息改进为双向路口信息,有效减少了由于行驶方向相反而造成的误检,从而提升了车辆轨迹异常检测的准确率,根据所述各个轨迹片段的概率,利用异常轨迹检测算法确定各个轨迹片段是否异常,并确定异常的轨迹片段的异常数量,根据所述异常数量及所述各个轨迹片段的总数量确定所述当前轨迹数据是否异常,得到异常检测结果,进而能够自动且准确地判定当前轨迹数据是否异常,以辅助进行车辆检测。
如图2所示,是本发明基于人工智能的轨迹异常检测装置的较佳实施例的功能模块图。所述基于人工智能的轨迹异常检测装置11包括采集单元110、获取单元111、调取单元112、确定单元113。本发明所称的模块/单元是指一种能够被处理器13所执行,并且能够完成固定功能的一系列计算机程序段,其存储在存储器12中。在本实施例中,关于各模块/单元的功能将在后续的实施例中详述。
采集单元110连接采集设备,利用所述采集设备采集当前所经过车辆的车辆信息。
其中,所述采集设备可以部署于每个交通卡口,例如:所述采集设备可以是卡口电警。
在本实施例中,所述车辆信息可以包括,但不限于:车牌号信息、所述车辆的当前轨迹数据等。
获取单元111从所述车辆信息中获取车牌号信息。
在本实施例中,通过所述采集设备能够采集到包含所述车辆的图像,并进一步通过图像识别算法识别到采集的图像中的车牌号信息。
调取单元112调用配置数据库,根据所述车牌号信息从所述配置数据库中调取所述车辆在预设时间段内的历史轨迹数据。
其中,所述配置数据库可以是交管部门的数据库。
在本实施例中,所述预设时间段可以自定义配置,如前一个月等。
所述获取单元111从所述车辆信息中获取所述车辆的当前轨迹数据。
其中,所述当前轨迹数据包括所述车辆在预设时长内行驶的轨迹数据,如:所述车辆在行驶当天所经过的路口序列及相应的时间序列信息。
确定单元113根据所述当前轨迹数据确定所述车辆当前所经过的各个轨迹片段,并确定各个轨迹片段的总数量。
在本实施例中,所述确定单元113根据所述当前轨迹数据确定所述车辆当前所经过的各个轨迹片段包括:
从所述当前轨迹数据中确定所述车辆所经过的路口;
根据所述路口的经过顺序,以每两个路口为一组对所述车辆行驶轨迹数据进行拆分,得到所述车辆当前所经过的各个轨迹片段。
进一步地,逐个统计拆分后得到的各个轨迹片段,得到各个轨迹片段的总数量。
所述确定单元113根据所述当前轨迹数据及所述历史轨迹数据确定各个轨迹片段的概率,每条轨迹数据包括双向的路口及经过所述双向的路口的时间。
在本发明的至少一个实施例中,所述确定单元113根据所述当前轨迹数据及所述历史轨迹数据确定各个轨迹片段的概率包括:
对于所述当前轨迹数据中的每个轨迹片段,确定所述轨迹片段所包括的路口Si及路口Si+1,i为正整数;
基于所述历史轨迹数据,并根据所述轨迹片段所包括的路口Si及路口Si+1计算所述轨迹片段的路口序列概率;
在所述当前轨迹数据中,确定经过路口Si的时间Ti及确定经过路口Si+1的时间Ti+1;
基于所述历史轨迹数据,并根据时间Ti及时间Ti+1计算所述轨迹片段的时间序列概率;
根据所述路口序列概率及所述时间序列概率计算所述轨迹片段的概率。
通过上述实施方式,增加了时间维度的信息,弥补了单纯利用空间信息的不足,从而有效提高了车辆轨迹异常检测的召回率。
具体地,采用下述公式,基于所述历史轨迹数据,并根据所述轨迹片段所包括的路口Si及路口Si+1计算所述轨迹片段的路口序列概率:
其中,P(Ss)表示所述轨迹片段的路口序列概率,Trjnum1表示在所述预设时间段内的历史轨迹数据中存在从路口Si到路口Si+1的轨迹的数量,Trjnum2表示在所述预设时间段内的历史轨迹数据中存在从路口Si+1到路口Si的轨迹的数量,Trjnum3表示在所述预设时间段内的历史轨迹数据中包含路口Si的轨迹的数量,Trjnum4表示在所述预设时间段内的历史轨迹数据中包含路口Si+1的轨迹的数量。
通过上述实施方式,将单向路口信息改进为双向路口信息,有效减少了由于行驶方向相反而造成的误检,从而提升了车辆轨迹异常检测的准确率。
具体地,采用下述公式,基于所述历史轨迹数据,并根据时间Ti及时间Ti+1计算所述轨迹片段的时间序列概率:
其中,P(Tt)表示所述轨迹片段的时间序列概率;Trj1表示在所述预设时间段内的历史轨迹数据中存在从路口Si到路口Si+1的轨迹的数量,且经过路口Si的时间范围为(Ti-Q,Ti+Q),经过路口Si+1的时间范围为(Ti+1-Q,Ti+1+Q);Trj2表示在所述预设时间段内的历史轨迹数据中包含路口Si的轨迹的数量,且经过路口Si的时间范围为(Ti-Q,Ti+Q);Q为预设时长。
Q可以进行自定义配置,例如:Q可以设置为1小时。
通过上述实施方式,以时间为角度计算每个轨迹片段的时间序列概率,为每个轨迹片段的概率增加了时间维度,以提升召回率。
具体地,采用下述公式根据所述路口序列概率及所述时间序列概率计算所述轨迹片段的概率:
P(Si,Si+1)=α*P(Ss)+β*P(Tt)
其中,P(Si,Si+1)表示所述轨迹片段的概率,α、β为权重,且α+β=1。
通过上述实施方式,在计算每个轨迹片段的概率时,同时考虑了时间及空间两个维度,使后续的异常检测更加准确。
所述确定单元113根据所述各个轨迹片段的概率,利用异常轨迹检测算法确定各个轨迹片段是否异常,并确定异常的轨迹片段的异常数量。
在本发明的至少一个实施例中,所述确定单元113采用下述公式根据所述各个轨迹片段的概率,利用异常轨迹检测算法确定各个轨迹片段是否异常:
P(Li+1)=P(Li)*P(Si,Si+1)
其中,Li+1表示从S1到Si+1的轨迹片段,P(Li+1)表示从S1到Si+1的轨迹片段的概率,P(Li)表示从S1到Si的轨迹片段的概率;
当P(Li)大于第一阈值,且P(Li+1)小于所述第一阈值时,确定从路口Si到路口Si+1的轨迹片段异常。
其中,所述第一阈值是0-1间的数值,具体取值可根据实际需要自定义配置。
所述确定单元113根据所述异常数量及所述各个轨迹片段的总数量确定所述当前轨迹数据是否异常,得到异常检测结果。
在本发明的至少一个实施例中,所述确定单元113根据所述异常数量及所述各个轨迹片段的总数量确定所述当前轨迹数据是否异常包括:
计算所述异常数量与所述各个轨迹片段的总数量的商,得到异常轨迹概率;
对比所述异常轨迹概率与第二阈值;
当所述异常轨迹概率大于所述第二阈值时,确定所述当前轨迹数据异常;或者
当所述异常轨迹概率小于或者等于所述第二阈值时,确定所述当前轨迹数据正常。
其中,所述第二阈值是0.5-1间的数值,具体取值可根据实际需要自定义配置。
通过上述实施方式,能够自动且准确地判定所述当前轨迹数据是否异常,以辅助进行车辆检测。
需要说明的是,为了提高数据的安全性,并保证异常检测结果不被篡改,将所述异常检测结果存储于区块链。
由以上技术方案可以看出,本发明能够连接采集设备,利用所述采集设备采集当前所经过车辆的车辆信息,从所述车辆信息中获取车牌号信息,调用配置数据库,根据所述车牌号信息从所述配置数据库中调取所述车辆在预设时间段内的历史轨迹数据,从所述车辆信息中获取所述车辆的当前轨迹数据,根据所述当前轨迹数据确定所述车辆当前所经过的各个轨迹片段,并确定各个轨迹片段的总数量,根据所述当前轨迹数据及所述历史轨迹数据确定各个轨迹片段的概率,每条轨迹数据包括双向的路口及经过所述双向的路口的时间,增加了时间维度的信息,弥补了单纯利用空间信息的不足,从而有效提高了车辆轨迹异常检测的召回率,并将单向路口信息改进为双向路口信息,有效减少了由于行驶方向相反而造成的误检,从而提升了车辆轨迹异常检测的准确率,根据所述各个轨迹片段的概率,利用异常轨迹检测算法确定各个轨迹片段是否异常,并确定异常的轨迹片段的异常数量,根据所述异常数量及所述各个轨迹片段的总数量确定所述当前轨迹数据是否异常,得到异常检测结果,进而能够自动且准确地判定当前轨迹数据是否异常,以辅助进行车辆检测。
如图3所示,是本发明实现基于人工智能的轨迹异常检测方法的较佳实施例的电子设备的结构示意图。
所述电子设备1可以包括存储器12、处理器13和总线,还可以包括存储在所述存储器12中并可在所述处理器13上运行的计算机程序,例如基于人工智能的轨迹异常检测程序。
本领域技术人员可以理解,所述示意图仅仅是电子设备1的示例,并不构成对电子设备1的限定,所述电子设备1既可以是总线型结构,也可以是星形结构,所述电子设备1还可以包括比图示更多或更少的其他硬件或者软件,或者不同的部件布置,例如所述电子设备1还可以包括输入输出设备、网络接入设备等。
需要说明的是,所述电子设备1仅为举例,其他现有的或今后可能出现的电子产品如可适应于本发明,也应包含在本发明的保护范围以内,并以引用方式包含于此。
其中,存储器12至少包括一种类型的可读存储介质,所述可读存储介质可以是非易失性的,也可以是易失性的。所述可读存储介质包括闪存、移动硬盘、多媒体卡、卡型存储器(例如:SD或DX存储器等)、磁性存储器、磁盘、光盘等。存储器12在一些实施例中可以是电子设备1的内部存储单元,例如该电子设备1的移动硬盘。存储器12在另一些实施例中也可以是电子设备1的外部存储设备,例如电子设备1上配备的插接式移动硬盘、智能存储卡(Smart Media Card,SMC)、安全数字(Secure Digital,SD)卡、闪存卡(Flash Card)等。进一步地,存储器12还可以既包括电子设备1的内部存储单元也包括外部存储设备。存储器12不仅可以用于存储安装于电子设备1的应用软件及各类数据,例如基于人工智能的轨迹异常检测程序的代码等,还可以用于暂时地存储已经输出或者将要输出的数据。
处理器13在一些实施例中可以由集成电路组成,例如可以由单个封装的集成电路所组成,也可以是由多个相同功能或不同功能封装的集成电路所组成,包括一个或者多个中央处理器(Central Processing unit,CPU)、微处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。处理器13是所述电子设备1的控制核心(Control Unit),利用各种接口和线路连接整个电子设备1的各个部件,通过运行或执行存储在所述存储器12内的程序或者模块(例如执行基于人工智能的轨迹异常检测程序等),以及调用存储在所述存储器12内的数据,以执行电子设备1的各种功能和处理数据。
所述处理器13执行所述电子设备1的操作系统以及安装的各类应用程序。所述处理器13执行所述应用程序以实现上述各个基于人工智能的轨迹异常检测方法实施例中的步骤,例如图1所示的步骤。
示例性的,所述计算机程序可以被分割成一个或多个模块/单元,所述一个或者多个模块/单元被存储在所述存储器12中,并由所述处理器13执行,以完成本发明。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段,该指令段用于描述所述计算机程序在所述电子设备1中的执行过程。例如,所述计算机程序可以被分割成采集单元110、获取单元111、调取单元112、确定单元113。
上述以软件功能模块的形式实现的集成的单元,可以存储在一个计算机可读取存储介质中。上述软件功能模块存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机、计算机设备,或者网络设备等)或处理器(processor)执行本发明各个实施例所述基于人工智能的轨迹异常检测方法的部分。
所述电子设备1集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明实现上述实施例方法中的全部或部分流程,也可以通过计算机程序来指示相关的硬件设备来完成,所述的计算机程序可存储于一计算机可读存储介质中,该计算机程序在被处理器执行时,可实现上述各个方法实施例的步骤。
其中,所述计算机程序包括计算机程序代码,所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括:能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM,Read-Only Memory)。
进一步地,计算机可用存储介质可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需的应用程序等;存储数据区可存储根据区块链节点的使用所创建的数据等。
本发明所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(Blockchain),本质上是一个去中心化的数据库,是一串使用密码学方法相关联产生的数据块,每一个数据块中包含了一批次网络交易的信息,用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。
总线可以是外设部件互连标准(peripheral component interconnect,简称PCI)总线或扩展工业标准结构(extended industry standard architecture,简称EISA)总线等。该总线可以分为地址总线、数据总线、控制总线等。为便于表示,在图3中仅用一根箭头表示,但并不表示仅有一根总线或一种类型的总线。所述总线被设置为实现所述存储器12以及至少一个处理器13等之间的连接通信。
尽管未示出,所述电子设备1还可以包括给各个部件供电的电源(比如电池),优选地,电源可以通过电源管理装置与所述至少一个处理器13逻辑相连,从而通过电源管理装置实现充电管理、放电管理、以及功耗管理等功能。电源还可以包括一个或一个以上的直流或交流电源、再充电装置、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。所述电子设备1还可以包括多种传感器、蓝牙模块、Wi-Fi模块等,在此不再赘述。
进一步地,所述电子设备1还可以包括网络接口,可选地,所述网络接口可以包括有线接口和/或无线接口(如WI-FI接口、蓝牙接口等),通常用于在该电子设备1与其他电子设备之间建立通信连接。
可选地,该电子设备1还可以包括用户接口,用户接口可以是显示器(Display)、输入单元(比如键盘(Keyboard)),可选地,用户接口还可以是标准的有线接口、无线接口。可选地,在一些实施例中,显示器可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED(Organic Light-Emitting Diode,有机发光二极管)触摸器等。其中,显示器也可以适当的称为显示屏或显示单元,用于显示在电子设备1中处理的信息以及用于显示可视化的用户界面。
应该了解,所述实施例仅为说明之用,在专利申请范围上并不受此结构的限制。
图3仅示出了具有组件12-13的电子设备1,本领域技术人员可以理解的是,图3示出的结构并不构成对所述电子设备1的限定,可以包括比图示更少或者更多的部件,或者组合某些部件,或者不同的部件布置。
结合图1,所述电子设备1中的所述存储器12存储多个指令以实现一种基于人工智能的轨迹异常检测方法,所述处理器13可执行所述多个指令从而实现:
连接采集设备,利用所述采集设备采集当前所经过车辆的车辆信息;
从所述车辆信息中获取车牌号信息;
调用配置数据库,根据所述车牌号信息从所述配置数据库中调取所述车辆在预设时间段内的历史轨迹数据;
从所述车辆信息中获取所述车辆的当前轨迹数据;
根据所述当前轨迹数据确定所述车辆当前所经过的各个轨迹片段,并确定各个轨迹片段的总数量;
根据所述当前轨迹数据及所述历史轨迹数据确定各个轨迹片段的概率,每条轨迹数据包括双向的路口及经过所述双向的路口的时间;
根据所述各个轨迹片段的概率,利用异常轨迹检测算法确定各个轨迹片段是否异常,并确定异常的轨迹片段的异常数量;
根据所述异常数量及所述各个轨迹片段的总数量确定所述当前轨迹数据是否异常,得到异常检测结果。
具体地,所述处理器13对上述指令的具体实现方法可参考图1对应实施例中相关步骤的描述,在此不赘述。
在本发明所提供的几个实施例中,应该理解到,所揭露的系统,装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述模块的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的,作为模块显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能模块可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用硬件加软件功能模块的形式实现。
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涵括在本发明内。不应将权利要求中的任何附关联图标记视为限制所涉及的权利要求。
此外,显然“包括”一词不排除其他单元或步骤,单数不排除复数。系统权利要求中陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第二等词语用来表示名称,而并不表示任何特定的顺序。
最后应说明的是,以上实施例仅用以说明本发明的技术方案而非限制,尽管参照较佳实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或等同替换,而不脱离本发明技术方案的精神和范围。
Claims (5)
1.一种轨迹异常检测方法,其特征在于,所述轨迹异常检测方法包括:
连接采集设备,利用所述采集设备采集当前所经过车辆的车辆信息;
从所述车辆信息中获取车牌号信息;
调用配置数据库,根据所述车牌号信息从所述配置数据库中调取所述车辆在预设时间段内的历史轨迹数据;
从所述车辆信息中获取所述车辆的当前轨迹数据;
从所述当前轨迹数据中确定所述车辆所经过的路口;
根据所述路口的经过顺序,以每两个路口为一组对所述车辆行驶轨迹数据进行拆分,得到所述车辆当前所经过的各个轨迹片段,并确定各个轨迹片段的总数量;
根据所述当前轨迹数据及所述历史轨迹数据确定各个轨迹片段的概率,每条轨迹数据包括双向的路口及经过所述双向的路口的时间;
根据所述各个轨迹片段的概率,利用异常轨迹检测算法确定各个轨迹片段是否异常,并确定异常的轨迹片段的异常数量;
根据所述异常数量及所述各个轨迹片段的总数量确定所述当前轨迹数据是否异常,得到异常检测结果;
所述根据所述当前轨迹数据及所述历史轨迹数据确定各个轨迹片段的概率包括:
对于所述当前轨迹数据中的每个轨迹片段,确定所述轨迹片段所包括的路口Si及路口Si+1,i为正整数;
基于所述历史轨迹数据,并根据所述轨迹片段所包括的路口Si及路口Si+1计算所述轨迹片段的路口序列概率;
在所述当前轨迹数据中,确定经过路口Si的时间Ti及确定经过路口Si+1的时间Ti+1;
基于所述历史轨迹数据,并根据时间Ti及时间Ti+1计算所述轨迹片段的时间序列概率;
根据所述路口序列概率及所述时间序列概率计算所述轨迹片段的概率;
采用下述公式,基于所述历史轨迹数据,并根据所述轨迹片段所包括的路口Si及路口Si+1计算所述轨迹片段的路口序列概率:
其中,P(Ss)表示所述轨迹片段的路口序列概率,Trjnum1表示在所述预设时间段内的历史轨迹数据中存在从路口Si到路口Si+1的轨迹的数量,Trjnum2表示在所述预设时间段内的历史轨迹数据中存在从路口Si+1到路口Si的轨迹的数量,Trjnum3表示在所述预设时间段内的历史轨迹数据中包含路口Si的轨迹的数量,Trjnum4表示在所述预设时间段内的历史轨迹数据中包含路口Si+1的轨迹的数量;
采用下述公式,基于所述历史轨迹数据,并根据时间Ti及时间Ti+1计算所述轨迹片段的时间序列概率:
其中,P(Tt)表示所述轨迹片段的时间序列概率;Trj1表示在所述预设时间段内的历史轨迹数据中存在从路口Si到路口Si+1的轨迹的数量,且经过路口Si的时间范围为(Ti-Q,Ti+Q),经过路口Si+1的时间范围为(Ti+1-Q,Ti+1+Q);Trj2表示在所述预设时间段内的历史轨迹数据中包含路口Si的轨迹的数量,且经过路口Si的时间范围为(Ti-Q,Ti+Q);Q为预设时长;
采用下述公式根据所述路口序列概率及所述时间序列概率计算所述轨迹片段的概率:
P(Si,Si+1)=α*P(Ss)+β*P(Tt)
其中,P(Si,Si+1)表示所述轨迹片段的概率,α、β为权重,且α+β=1;
采用下述公式根据所述各个轨迹片段的概率,利用异常轨迹检测算法确定各个轨迹片段是否异常:
P(Li+1)=P(Li)*P(Si,Si+1)
其中,Li+1表示从S1到Si+1的轨迹片段,P(Li+1)表示从S1到Si+1的轨迹片段的概率,P(Li)表示从S1到Si的轨迹片段的概率;
当P(Li)大于第一阈值,且P(Li+1)小于所述第一阈值时,确定从路口Si到路口Si+1的轨迹片段异常。
2.如权利要求1所述的轨迹异常检测方法,其特征在于,所述根据所述异常数量及所述各个轨迹片段的总数量确定所述当前轨迹数据是否异常包括:
计算所述异常数量与所述各个轨迹片段的总数量的商,得到异常轨迹概率;
对比所述异常轨迹概率与第二阈值;
当所述异常轨迹概率大于所述第二阈值时,确定所述当前轨迹数据异常;或者
当所述异常轨迹概率小于或者等于所述第二阈值时,确定所述当前轨迹数据正常。
3.一种轨迹异常检测装置,其特征在于,所述轨迹异常检测装置包括:
采集单元,用于连接采集设备,利用所述采集设备采集当前所经过车辆的车辆信息;
获取单元,用于从所述车辆信息中获取车牌号信息;
调取单元,用于调用配置数据库,根据所述车牌号信息从所述配置数据库中调取所述车辆在预设时间段内的历史轨迹数据;
所述获取单元,还用于从所述车辆信息中获取所述车辆的当前轨迹数据;
确定单元,用于从所述当前轨迹数据中确定所述车辆所经过的路口;根据所述路口的经过顺序,以每两个路口为一组对所述车辆行驶轨迹数据进行拆分,得到所述车辆当前所经过的各个轨迹片段,并确定各个轨迹片段的总数量;
所述确定单元,还用于根据所述当前轨迹数据及所述历史轨迹数据确定各个轨迹片段的概率,每条轨迹数据包括双向的路口及经过所述双向的路口的时间;
所述确定单元,还用于根据所述各个轨迹片段的概率,利用异常轨迹检测算法确定各个轨迹片段是否异常,并确定异常的轨迹片段的异常数量;
所述确定单元,还用于根据所述异常数量及所述各个轨迹片段的总数量确定所述当前轨迹数据是否异常,得到异常检测结果;
所述确定单元根据所述当前轨迹数据及所述历史轨迹数据确定各个轨迹片段的概率包括:
对于所述当前轨迹数据中的每个轨迹片段,确定所述轨迹片段所包括的路口Si及路口Si+1,i为正整数;
基于所述历史轨迹数据,并根据所述轨迹片段所包括的路口Si及路口Si+1计算所述轨迹片段的路口序列概率;
在所述当前轨迹数据中,确定经过路口Si的时间Ti及确定经过路口Si+1的时间Ti+1;
基于所述历史轨迹数据,并根据时间Ti及时间Ti+1计算所述轨迹片段的时间序列概率;
根据所述路口序列概率及所述时间序列概率计算所述轨迹片段的概率;
其中,采用下述公式,基于所述历史轨迹数据,并根据所述轨迹片段所包括的路口Si及路口Si+1计算所述轨迹片段的路口序列概率:
其中,P(Ss)表示所述轨迹片段的路口序列概率,Trjnum1表示在所述预设时间段内的历史轨迹数据中存在从路口Si到路口Si+1的轨迹的数量,Trjnum2表示在所述预设时间段内的历史轨迹数据中存在从路口Si+1到路口Si的轨迹的数量,Trjnum3表示在所述预设时间段内的历史轨迹数据中包含路口Si的轨迹的数量,Trjnum4表示在所述预设时间段内的历史轨迹数据中包含路口Si+1的轨迹的数量;
采用下述公式,基于所述历史轨迹数据,并根据时间Ti及时间Ti+1计算所述轨迹片段的时间序列概率:
其中,P(Tt)表示所述轨迹片段的时间序列概率;Trj1表示在所述预设时间段内的历史轨迹数据中存在从路口Si到路口Si+1的轨迹的数量,且经过路口Si的时间范围为(Ti-Q,Ti+Q),经过路口Si+1的时间范围为(Ti+1-Q,Ti+1+Q);Trj2表示在所述预设时间段内的历史轨迹数据中包含路口Si的轨迹的数量,且经过路口Si的时间范围为(Ti-Q,Ti+Q);Q为预设时长;
采用下述公式根据所述路口序列概率及所述时间序列概率计算所述轨迹片段的概率:
P(Si,Si+1)=α*P(Ss)+β*P(Tt)
其中,P(Si,Si+1)表示所述轨迹片段的概率,α、β为权重,且α+β=1;
采用下述公式根据所述各个轨迹片段的概率,利用异常轨迹检测算法确定各个轨迹片段是否异常:
P(Li+1)=P(Li)*P(Si,Si+1)
其中,Li+1表示从S1到Si+1的轨迹片段,P(Li+1)表示从S1到Si+1的轨迹片段的概率,P(Li)表示从S1到Si的轨迹片段的概率;
当P(Li)大于第一阈值,且P(Li+1)小于所述第一阈值时,确定从路口Si到路口Si+1的轨迹片段异常。
4.一种电子设备,其特征在于,所述电子设备包括:
存储器,存储计算机可读指令;及
处理器,执行所述存储器中存储的计算机可读指令以实现如权利要求1或2所述的轨迹异常检测方法。
5.一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可读指令,所述计算机可读指令被电子设备中的处理器执行以实现如权利要求1或2所述的轨迹异常检测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010712532.3A CN111882873B (zh) | 2020-07-22 | 2020-07-22 | 轨迹异常检测方法、装置、设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010712532.3A CN111882873B (zh) | 2020-07-22 | 2020-07-22 | 轨迹异常检测方法、装置、设备及介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111882873A CN111882873A (zh) | 2020-11-03 |
CN111882873B true CN111882873B (zh) | 2022-01-28 |
Family
ID=73155286
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010712532.3A Active CN111882873B (zh) | 2020-07-22 | 2020-07-22 | 轨迹异常检测方法、装置、设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111882873B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112731492B (zh) * | 2020-12-18 | 2024-02-06 | 中国平安财产保险股份有限公司 | 一种检测虚拟行程的方法及其相关设备 |
CN113593218B (zh) * | 2021-06-28 | 2022-10-18 | 北京百度网讯科技有限公司 | 交通异常事件的检测方法、装置、电子设备及存储介质 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105528894A (zh) * | 2015-11-28 | 2016-04-27 | 浙江宇视科技有限公司 | 基于轨迹信息对监控前端设备进行运维检测的方法与装置 |
CN105785411A (zh) * | 2016-02-24 | 2016-07-20 | 重庆邮电大学 | 一种基于区域划分的异常轨迹检测方法 |
CN107316459A (zh) * | 2017-07-21 | 2017-11-03 | 武汉依迅北斗空间技术有限公司 | 一种车辆轨迹异常检测方法及系统 |
CN108364461A (zh) * | 2018-01-05 | 2018-08-03 | 武汉中科通达高新技术股份有限公司 | 一种车辆行驶轨迹预测方法 |
CN108804539A (zh) * | 2018-05-08 | 2018-11-13 | 山西大学 | 一种时间与空间双视角下的轨迹异常检测方法 |
CN108900975A (zh) * | 2018-06-05 | 2018-11-27 | 广州杰赛科技股份有限公司 | 用户移动轨迹的检测方法和装置、设备、存储介质 |
CN109766777A (zh) * | 2018-12-18 | 2019-05-17 | 东软集团股份有限公司 | 异常轨迹的检测方法、装置、存储介质及电子设备 |
CN110113368A (zh) * | 2019-06-27 | 2019-08-09 | 电子科技大学 | 一种基于子轨迹模式的网络行为异常检测方法 |
CN110490264A (zh) * | 2019-08-23 | 2019-11-22 | 中国民航大学 | 基于时间序列的多维距离聚类异常检测方法及系统 |
CN110609881A (zh) * | 2019-08-28 | 2019-12-24 | 中山大学 | 车辆轨迹偏离检测方法、系统和存储介质 |
Family Cites Families (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP5373591B2 (ja) * | 2009-12-25 | 2013-12-18 | 本田技研工業株式会社 | 相関分析システム |
US9158976B2 (en) * | 2011-05-18 | 2015-10-13 | International Business Machines Corporation | Efficient retrieval of anomalous events with priority learning |
US20130166188A1 (en) * | 2011-12-21 | 2013-06-27 | Microsoft Corporation | Determine Spatiotemporal Causal Interactions In Data |
CN103927521A (zh) * | 2014-04-17 | 2014-07-16 | 国通道路交通管理工程技术研究中心有限公司 | 一种基于人脸识别的驾驶员资格确认系统及方法 |
CN104573116B (zh) * | 2015-02-05 | 2017-11-03 | 哈尔滨工业大学 | 基于出租车gps数据挖掘的交通异常识别方法 |
GB201613138D0 (en) * | 2016-07-29 | 2016-09-14 | Unifai Holdings Ltd | Computer vision systems |
US11501572B2 (en) * | 2018-03-26 | 2022-11-15 | Nvidia Corporation | Object behavior anomaly detection using neural networks |
CN108710637B (zh) * | 2018-04-11 | 2021-06-04 | 上海交通大学 | 基于时空关系的出租车异常轨迹实时检测方法 |
CN110570658B (zh) * | 2019-10-23 | 2022-02-01 | 江苏智通交通科技有限公司 | 基于层次聚类的路口异常车辆轨迹识别分析方法 |
CN110942640B (zh) * | 2019-12-04 | 2022-01-25 | 无锡华通智能交通技术开发有限公司 | 一种主动发现非法从事网约车客运的嫌疑车辆的方法 |
CN111311910B (zh) * | 2020-02-19 | 2020-12-22 | 中南大学 | 多层次道路级浮动车异常轨迹探测方法 |
CN111402578B (zh) * | 2020-02-28 | 2022-11-04 | 深圳赛安特技术服务有限公司 | 基于轨迹监测的共享车辆监控方法、装置和计算机设备 |
-
2020
- 2020-07-22 CN CN202010712532.3A patent/CN111882873B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105528894A (zh) * | 2015-11-28 | 2016-04-27 | 浙江宇视科技有限公司 | 基于轨迹信息对监控前端设备进行运维检测的方法与装置 |
CN105785411A (zh) * | 2016-02-24 | 2016-07-20 | 重庆邮电大学 | 一种基于区域划分的异常轨迹检测方法 |
CN107316459A (zh) * | 2017-07-21 | 2017-11-03 | 武汉依迅北斗空间技术有限公司 | 一种车辆轨迹异常检测方法及系统 |
CN108364461A (zh) * | 2018-01-05 | 2018-08-03 | 武汉中科通达高新技术股份有限公司 | 一种车辆行驶轨迹预测方法 |
CN108804539A (zh) * | 2018-05-08 | 2018-11-13 | 山西大学 | 一种时间与空间双视角下的轨迹异常检测方法 |
CN108900975A (zh) * | 2018-06-05 | 2018-11-27 | 广州杰赛科技股份有限公司 | 用户移动轨迹的检测方法和装置、设备、存储介质 |
CN109766777A (zh) * | 2018-12-18 | 2019-05-17 | 东软集团股份有限公司 | 异常轨迹的检测方法、装置、存储介质及电子设备 |
CN110113368A (zh) * | 2019-06-27 | 2019-08-09 | 电子科技大学 | 一种基于子轨迹模式的网络行为异常检测方法 |
CN110490264A (zh) * | 2019-08-23 | 2019-11-22 | 中国民航大学 | 基于时间序列的多维距离聚类异常检测方法及系统 |
CN110609881A (zh) * | 2019-08-28 | 2019-12-24 | 中山大学 | 车辆轨迹偏离检测方法、系统和存储介质 |
Non-Patent Citations (8)
Title |
---|
"Finding Abnormal Vessel Trajectories Using Feature Learning";PEIGUO FU等;《IEEE Access》;20170427;第7898-7909页 * |
"LADD: A Length-Adaptive Approach to Detecting Taxi Anomalous Detours";Xuansheng Lu等;《2019 IEEE 25th International Conference on Parallel and Distributed Systems (ICPADS)》;20200130;第141-144页 * |
"基于GPS历史轨迹的路径规划技术研究";蒋金晟;《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》;20180315;C034-820 * |
"基于聚类的出租车异常轨迹检测";朱燕等;《计算机工程》;20170228;第43卷(第2期);第16-20页 * |
"基于路口信息的出租车异常轨迹检测";惠飞等;《计算机工程与应用》;20161231;第243-248页 * |
"基于轨迹点局部异常度的异常点检测算法";刘良旭等;《计算机学报》;20111031;第34卷(第10期);第1966-1975页 * |
"融合特征熵的轨迹结构异常检测方法";裴浩然等;《陕西师范大学学报(自然科学版)》;20190930;第47卷(第5期);第16-24页 * |
"面向静态轨迹的异常检测算法研究";张韵婷;《中国优秀硕士学位论文全文数据库 信息科技辑》;20190815;I138-433 * |
Also Published As
Publication number | Publication date |
---|---|
CN111882873A (zh) | 2020-11-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2022095351A1 (zh) | 目标区域划分方法、装置、电子设备及存储介质 | |
CN111882873B (zh) | 轨迹异常检测方法、装置、设备及介质 | |
CN111754110A (zh) | 基于人工智能的经营指标评价方法、装置、设备及介质 | |
CN111950621A (zh) | 基于人工智能的目标数据检测方法、装置、设备及介质 | |
CN111931729B (zh) | 基于人工智能的行人检测方法、装置、设备及介质 | |
CN111770317A (zh) | 用于智慧社区的视频监控方法、装置、设备及介质 | |
CN113139743A (zh) | 污水排放指标分析方法、装置、电子设备及存储介质 | |
CN112380454A (zh) | 培训课程推荐方法、装置、设备及介质 | |
CN111694843B (zh) | 缺失号码检测方法、装置、电子设备及存储介质 | |
CN114997709A (zh) | 一种道路废水回收利用调节系统 | |
CN114201482A (zh) | 人口动态分布统计方法、装置、电子设备及可读存储介质 | |
CN112017763B (zh) | 医疗影像数据传输方法、装置、设备及介质 | |
CN111985545A (zh) | 基于人工智能的目标数据检测方法、装置、设备及介质 | |
CN112651782B (zh) | 基于缩放点积注意力的行为预测方法、装置、设备及介质 | |
CN114187489A (zh) | 车辆异常驾驶风险检测方法、装置、电子设备及存储介质 | |
CN111950707A (zh) | 基于行为共现网络的行为预测方法、装置、设备及介质 | |
CN112115890B (zh) | 基于人工智能的酒驾识别方法、装置、设备及介质 | |
CN112396547B (zh) | 基于无监督学习的课程推荐方法、装置、设备及介质 | |
CN115239958A (zh) | 基于人工智能的轮毂损伤检测方法及相关设备 | |
CN115394080A (zh) | 一种基于交通大数据的路况识别管理系统及方法 | |
CN112132037B (zh) | 基于人工智能的人行道检测方法、装置、设备及介质 | |
CN117316359B (zh) | 血液检测过程跟踪方法、装置、设备及介质 | |
CN115240406B (zh) | 道路拥堵的管理方法、装置、计算机可读介质及电子设备 | |
CN112819593B (zh) | 基于位置信息的数据分析方法、装置、设备及介质 | |
CN112579924B (zh) | 道路生成方法、电子装置和存储介质 |
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 |