CN111949701A - 一种基于轨迹相似度的移动对象出行规律分析方法及装置 - Google Patents
一种基于轨迹相似度的移动对象出行规律分析方法及装置 Download PDFInfo
- Publication number
- CN111949701A CN111949701A CN202010612131.0A CN202010612131A CN111949701A CN 111949701 A CN111949701 A CN 111949701A CN 202010612131 A CN202010612131 A CN 202010612131A CN 111949701 A CN111949701 A CN 111949701A
- Authority
- CN
- China
- Prior art keywords
- track
- similarity
- travel
- tracks
- time
- 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
- 238000004458 analytical method Methods 0.000 title claims description 18
- 230000002354 daily effect Effects 0.000 claims abstract description 32
- 230000002159 abnormal effect Effects 0.000 claims abstract description 18
- 230000003203 everyday effect Effects 0.000 claims abstract description 11
- 238000004364 calculation method Methods 0.000 claims description 19
- 238000012216 screening Methods 0.000 claims description 9
- 230000002085 persistent effect Effects 0.000 claims description 6
- 238000012163 sequencing technique Methods 0.000 claims description 6
- 238000000034 method Methods 0.000 abstract description 17
- 238000005516 engineering process Methods 0.000 abstract description 4
- 206010000117 Abnormal behaviour Diseases 0.000 abstract description 2
- 230000000694 effects Effects 0.000 description 4
- 239000003086 colorant Substances 0.000 description 2
- 241001622623 Coeliadinae Species 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 210000000056 organ Anatomy 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
Images
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
- G06F16/2477—Temporal data 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
- G06F16/24—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
- G06F16/29—Geographical information databases
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- 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—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Databases & Information Systems (AREA)
- General Engineering & Computer Science (AREA)
- Probability & Statistics with Applications (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Tourism & Hospitality (AREA)
- Fuzzy Systems (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- Evolutionary Biology (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Remote Sensing (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Traffic Control Systems (AREA)
- Image Analysis (AREA)
Abstract
本发明提供了一种基于轨迹相似度的移动对象出行规律分析方法及装置,方法包括如下步骤:通过前端车辆卡口抓拍的车辆过车数据,使用图像识别技术获取车牌;对指定车牌的车辆进行查询分析;依次对比目标对象的每两条轨迹记录,引入时间相似参数表示的目标用户在每天特定时间范围内出现在相同地理位置的比例;结合时间相似度参数,利用最长公共子序列方法计算不同轨迹之间的相似度;将相似度高、频次大的轨迹集合作为日常出行轨迹,并返回相似度低的轨迹作为异常轨迹。本发明意在解决公安业务中重点人员、重点车辆的异常轨迹问题,通过对目标对象近期异常出行的梳理,进而帮助公安人员更准确、更快速了解目标对象近期异常行为,为案件提供线索。
Description
技术领域
本发明涉及警务信息分析研判领域,尤其涉及一种基于轨迹相似度的移动对象出行规律分析方法及装置。
背景技术
随着城市高速现代化的发展,城市汽车保有量呈现不断增长的状态。智能化交通程度不断提升,移动车辆的地理位置信息获取也变得越来越便捷。
目前,公安机关接收的各类警情中,利用汽车进行违法犯罪活动的案件屡见不鲜。基于这样的现状,公安机关通过在城市中建设高密度车辆卡口,可以实时采集城市内车辆通行状况,从而可以让公安部门掌握目标对象的实时动向。特别是对于重点人员或重点对象的车辆,可查看这些重点关注车辆所经过的路线,通过对历史轨迹的分析与研判,为各类案事件工作提供有效的线索。
发明内容
本发明提供了一种基于轨迹相似度的移动对象出行规律分析方法及装置,旨在为用户提供目标对象的历史异常轨迹,进而分析其行动规律,为案件提供支撑。
本发明按如下方式实现:本发明公开了一种基于轨迹相似度的移动对象出行规律分析方法,包括以下步骤:
获取前端卡口设备捕获的数据,并存入数据库;前端卡口设备捕获的数据包括捕获位置、捕获时间以及捕获对象的唯一分配号码;
按照用户设置的查询时间段对指定的唯一分配号码对应的目标对象进行查询,从数据库中获取该时间段内目标对象的若干个轨迹点,将同一天的若干个轨迹点按照时间排序构成一条出行轨迹记录;
依次选取目标对象的每两条不同日期的出行轨迹记录,计算每两条不同日期的出行轨迹之间的轨迹相似度;
将计算的每两条不同日期的出行轨迹之间的轨迹相似度分别与设定的阈值进行比较,筛选出日常出行轨迹,当轨迹相似度大于或等于设定的阈值,则判定两条不同日期的出行轨迹之间具有相似性,否则,判定两条不同日期的出行轨迹之间不具有相似性,返回与日常出行轨迹不具有相似性的轨迹作为异常轨迹展示给用户。
进一步地,计算每两条不同日期的出行轨迹之间的轨迹相似度,具体包括:计算每两条不同日期的出行轨迹之间的时间相似度系数SIM,根据时间相似度系数SIM,使用最长公共子序列算法计算每两条不同日期的出行轨迹之间的轨迹相似度;
时间相似度系数计算公式为:
其中,ΔT为设定的时间精度,Ti(a)表示该车辆在第a天某个时间点达到某个卡口Li(a)的准确时刻,Tj(b)表示该车辆在第b天某个时间点达到某个卡口Lj(b)的准确时刻,δ(Li(a),Lj(b))表示位置重合度,当两个轨迹点的卡口相同时,δ(Li(a),Lj(b))为1,否则为0。
设定的时间精度ΔT越小,误差越小,设定的时间精度ΔT越大,误差越大,时间精度一般设置为半小时,当然,可以根据实际需要设置。
进一步地,使用最长公共子序列算法计算不同日期间的轨迹相似度的计算公式为:
其中,SIM为时间相似度系数,lena为轨迹序列La的长度,lenb为轨迹序列Lb的长度,min(lena,lenb)指lena、lenb中的较小值,L(a,b)为两条轨迹序列La、Lb的最长公共子序列的长度,其中设La=<a1,a2,…,ai>,Lb=<b1,b2,…,bj>,ai表示轨迹序列La第i个轨迹点,bi表示轨迹序列Lb第j个轨迹点,当i=0或j=0时,空序列是ai和bj的最长公共子序列,故L(a,b)=0;当ai=bj时,L(a,b)等于ai-1和bj-1的最长公共子序列;当ai≠bj时,即找出ai-1和bj的一个最长公共子序列及ai和bj-1的一个最长公共子序列,L(a,b)等于这两个公共子序列中较长者。
进一步地,步骤S1)中的前端卡口为抓拍过车图片的车辆卡口,车辆卡口采集过车数据,通过图像识别后,其所包含的数据类型有:
{DeviceId,StorageUrl1,Longitude,Latitude,AppearTime,PlateNo,PlateColor,…},其中,DeviceId表示车卡设备ID,StorageUrl1表示前端设备抓拍图片,Longitude与Latitude表示车辆抓拍时的经纬度,AppearTime表示抓拍时车辆出现的时间节点,PlateNo表示抓拍车牌号码,PlateColor表示车牌颜色,将这些结构化数据写入数据库中持久化保存。
进一步地,本专利的前端卡口设备还可以是捕获手机MAC的Wi-Fi卡口点位等等。
进一步地,将计算的每两条不同日期的出行轨迹之间的轨迹相似度分别与设定的阈值进行比较,筛选出日常出行轨迹,具体包括:每天轨迹两两比较后,若有多条轨迹互相之间的相似度均大于或等于设定阈值时,那么将这些互相之间的相似度均大于或等于设定阈值的多条轨迹判定为同一组相似轨迹集合,选出轨迹数量最多的一组相似轨迹集合作为日常出行轨迹。
本发明还提供了一种基于轨迹相似度的移动对象出行规律分析装置,包括:数据获取模块、目标对象轨迹获取模块、轨迹相似度计算模块以及结果展示模块,所述数据获取模块用于获取前端卡口设备捕获的数据,并存入数据库;前端卡口设备捕获的数据包括捕获位置、捕获时间以及捕获对象的唯一分配号码;
所述目标对象轨迹获取模块用于按照用户设置的查询时间段对指定的唯一分配号码对应的目标对象进行查询,从数据库中获取该时间段内目标对象的若干个轨迹点,将同一天的若干个轨迹点按照时间排序构成一条出行轨迹记录;
所述轨迹相似度计算模块用于依次选取目标对象的每两条不同日期的出行轨迹记录,计算每两条不同日期的出行轨迹之间的轨迹相似度;
所述结果展示模块用于将计算的每两条不同日期的出行轨迹之间的轨迹相似度分别与设定的阈值进行比较,筛选出日常出行轨迹,当轨迹相似度大于或等于设定的阈值,则判定两条不同日期的出行轨迹之间具有相似性,否则,判定两条不同日期的出行轨迹之间不具有相似性,以及返回与日常出行轨迹不具有相似性的轨迹作为异常轨迹展示给用户。
进一步地,所述轨迹相似度计算模块用于计算每两条不同日期的出行轨迹之间的时间相似度系数SIM,根据时间相似度系数SIM,使用最长公共子序列算法计算每两条不同日期的出行轨迹之间的轨迹相似度;
时间相似度系数计算公式为:
其中,ΔT为设定的时间精度,Ti(a)表示该车辆在第a天某个时间点达到某个卡口Li(a)的准确时刻,Tj(b)表示该车辆在第b天某个时间点达到某个卡口Lj(b)的准确时刻,δ(Li(a),Lj(b))表示位置重合度,当两个轨迹点的卡口相同时,δ(Li(a),Lj(b))为1,否则为0。
进一步地,使用最长公共子序列算法计算不同日期间的轨迹相似度的计算公式为:
其中,SIM为时间相似度系数,lena为轨迹序列La的长度,lenb为轨迹序列Lb的长度,min(lena,lenb)指lena、lenb中的较小值,L(a,b)为两条轨迹序列La、Lb的最长公共子序列的长度,其中设La=<a1,a2,…,ai>,Lb=<b1,b2,…,bj>,ai表示轨迹序列La第i个轨迹点,bi表示轨迹序列Lb第j个轨迹点,当i=0或j=0时,空序列是ai和bj的最长公共子序列,故L(a,b)=0;当ai=bj时,L(a,b)等于ai-1和bj-1的最长公共子序列;当ai≠bj时,即找出ai-1和bj的一个最长公共子序列及ai和bj-1的一个最长公共子序列,L(a,b)等于这两个公共子序列中较长者。
进一步地,所述数据获取模块用于获取车辆卡口抓拍的数据,通过图像识别后,其所包含的数据类型有:
{DeviceId,StorageUrl1,Longitude,Latitude,AppearTime,PlateNo,PlateColor,…},其中,DeviceId表示车卡设备ID,StorageUrl1表示前端设备抓拍图片,Longitude与Latitude表示车辆抓拍时的经纬度,AppearTime表示抓拍时车辆出现的时间节点,PlateNo表示抓拍车牌号码,PlateColor表示车牌颜色,将这些结构化数据写入数据库中持久化保存。
进一步地,所述结果展示模块用于将计算的每两条不同日期的出行轨迹之间的轨迹相似度分别与设定的阈值进行比较,筛选出日常出行轨迹,具体包括:每天轨迹两两比较后,若有多条轨迹互相之间的相似度均大于或等于设定阈值时,那么将这些互相之间的相似度均大于或等于设定阈值的多条轨迹判定为同一组相似轨迹集合,选出轨迹数量最多的一组相似轨迹集合作为日常出行轨迹。
与现有技术相比,本发明具有以下有益效果:
本发明提供的这种基于轨迹相似度的移动对象出行规律分析方法,基于智慧感知平台的支撑,获取公安机关建设的前端车辆卡口抓拍捕获的车辆过车数据,并基于“一车一档”与图像识别技术,将识别后的车辆结构化数据存入数据库中;对指定车牌的车辆(目标对象车牌)进行查询,默认查询该目标对象近半年的卡口抓拍数据,查询结果按照每天的出行轨迹划分;从车辆结构化数据中抽取车牌号码、抓拍时间、抓拍设备ID、抓拍设备名称等信息序列,引入时间相似度参数表示目标对象在每天特定时间范围内出现在相同卡口位置的比例;通过LCS(最长公共子序列)算法计算轨迹间相似度;通过设置阈值筛选,将相似度高、出现频次高的轨迹集合作为日常出行轨迹,返回相似度低的轨迹作为异常轨迹展示给用户。进而分析出目标对象近期异常轨迹记录,从而帮助用户发现线索,排查嫌疑目标当天异常轨迹,提高民警办案以及侦查效率。
附图说明
为了更清楚地说明本发明实施例中的技术方案,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为本发明实施例提供的一种基于轨迹相似度的移动对象出行规律分析方法;
图2为本发明实施例提供的一种基于轨迹相似度的移动对象出行规律分析装置的原理框图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
实施例一
如图1所示为本发明实施例提供的一种基于轨迹相似度的移动对象出行规律分析方法的流程图,所述方法包括以下步骤:
步骤1)注册机动车车主信息,实现一车一档,即每辆车都能溯源到其车主信息。通过前端车辆卡口抓拍的车辆过车数据,使用图像识别技术获取抓拍车辆的车牌号码、车身颜色、车辆品牌等车辆特征的结构化数据,同时将结构化数据存入数据库;
步骤2)按照用户设置的查询时间段对指定车牌的车辆(目标对象车牌)进行查询,从数据库中获取该时间段内目标对象的若干个轨迹点,将同一天的若干个轨迹点按照时间排序构成一条出行轨迹记录。
本实施例默认查询该目标对象近一个月的卡口抓拍数据。将查询条件默认为近一个月的活动轨迹,并根据阈值去除轨迹信息中少量无效的冗余数据;通过目标对象更多的近期轨迹作为行为分析依据,查询结果按照每天的出行轨迹划分,最多可划分出31条当日轨迹记录;
步骤3)依次对比目标对象的每两条轨迹记录,从车辆结构化数据中抽取车牌号码、抓拍时间、抓拍设备ID、抓拍设备名称、抓拍位置(抓拍位置经度、纬度)等信息序列,如车卡抓拍数据
T={carnumber,shottime,deviceid,devicename,longitude,latitude}。为了提高目标对象轨迹的准确度,本发明结合抓拍时间因素,引入时间相似度参数表示目标对象在每天特定时间范围内出现在相同卡口位置的比例,从而考虑到时间维度对于轨迹相似度的影响。时间相似度系数公式如下所示:
其中,ΔT为设定的时间精度(一般设定为60分钟),Ti(a)表示该车辆在第a天某个时间点达到某个卡口Li(a)的准确时刻,Tj(b)表示该车辆在第b天某个时间点达到某个卡口Lj(b)的准确时刻,δ(Li(a),Lj(b))表位置重合度,当两个轨迹点的卡口相同时,δ(Li(a),Lj(b))为1,否则为0;
步骤4)根据步骤3中确定的轨迹时间相似度系数SIM,通过LCS(最长公共子序列)算法计算轨迹间相似度:
其中,L(a,b)是计算最长公共子序列的长度公式,如下所示:
这里用L(a,b)来记录两条轨迹序列La和Lb的最长公共子序列的长度,其中La=<a1,a2,…,ai>,Lb=<b1,b2,…,bj>。当i=0或j=0时,空序列是ai和bj的最长公共子序列,故L(a,b)=0;当ai=bj时,找出ai-1和bj-1的最长公共子序列;当ai≠bj时,即找出ai-1和bj的一个最长公共子序列及ai和bj-1的一个最长公共子序列,这两个公共子序列中较长者即为a和b的一个最长公共子序列。
步骤5)将计算的每两条不同日期的出行轨迹之间的轨迹相似度分别与设定的阈值进行比较,筛选出日常出行轨迹,当轨迹相似度大于或等于设定的阈值,则判定两条不同日期的出行轨迹之间具有相似性,否则,判定两条不同日期的出行轨迹之间不具有相似性,返回与日常出行轨迹不具有相似性的轨迹作为异常轨迹展示给用户。
进一步地,将计算的每两条不同日期的出行轨迹之间的轨迹相似度分别与设定的阈值进行比较,筛选出日常出行轨迹,具体包括:每天轨迹两两比较后,若有多条轨迹互相之间的相似度均大于或等于设定阈值时,那么将这些互相之间的相似度均大于或等于设定阈值的多条轨迹判定为同一组相似轨迹集合,选出轨迹数量最多的一组相似轨迹集合作为日常出行轨迹。
比如一个月内,每天轨迹两两比较后,有多条轨迹相似度大于60%,那么这些多条轨迹认为是同一组相似轨迹,按照各组数量多少,数量最多的即为日常轨迹,其余则是异常轨迹。
当然,还可以采用如下方案:每次计算两条不同日期的出行轨迹之间的轨迹相似度后,当计算得到的轨迹相似度大于或等于设定阈值时,记录这两条不同日期的出行轨迹,然后根据统计的出行轨迹出现频次判断出日常出行轨迹。
本发明基于前端交通卡口采集的海量过车数据集,针对重点目标对象分析其日常活动规律,进而挖掘目标对象近期的异常轨迹状态。通过前端车辆卡口抓拍的车辆过车数据,使用图像识别技术获取车牌、车身颜色等结构化数据,并持久化过车的结构化数据;对指定车牌的车辆进行查询分析,默认查询目标对象近半年的活动轨迹,过滤轨迹信息中少量无效的冗余数据;依次对比目标对象的每两条轨迹记录,从车辆结构化数据中抽取抓拍位置、抓拍时间等信息序列,引入时间相似参数表示的目标用户在每天特定时间范围内出现在相同地理位置的比例;结合时间相似度参数,利用最长公共子序列方法计算不同轨迹之间的相似度;根据轨迹相似度判定轨迹之间是否具有相似性,将相似度高、频次大的轨迹集合作为日常出行轨迹,并返回相似度低的轨迹作为异常轨迹。本发明意在解决公安业务中重点人员、重点车辆的异常轨迹问题,通过对目标对象近期异常出行的梳理,进而帮助公安人员更准确、更快速了解目标对象近期异常行为,为案件提供线索。
当然,本发明不仅仅限于上述实施例,本发明的前端卡口设备还可以是捕获手机MAC的Wi-Fi卡口点位等等。
实施例二
基于同一发明构思,本发明实施例还提供一种基于轨迹相似度的移动对象出行规律分析装置,由于该系统解决问题的原理与前述实施例一的基于轨迹相似度的移动对象出行规律分析方法相似,因此该系统的实施可以参见前述方法的实施,重复之处不再赘述。
如图2所示,为本发明实施例提供的一种基于轨迹相似度的移动对象出行规律分析装置,可以用于执行上述方法实施例,该系统包括:数据获取模块、目标对象轨迹获取模块、轨迹相似度计算模块以及结果展示模块,所述数据获取模块用于获取前端卡口设备捕获的数据,并存入数据库;前端卡口设备捕获的数据包括捕获位置、捕获时间以及捕获对象的唯一分配号码;
所述目标对象轨迹获取模块用于按照用户设置的查询时间段对指定的唯一分配号码对应的目标对象进行查询,从数据库中获取该时间段内目标对象的若干个轨迹点,将同一天的若干个轨迹点按照时间排序构成一条出行轨迹记录;
所述轨迹相似度计算模块用于依次选取目标对象的每两条不同日期的出行轨迹记录,计算每两条不同日期的出行轨迹之间的轨迹相似度;
所述结果展示模块用于将计算的每两条不同日期的出行轨迹之间的轨迹相似度分别与设定的阈值进行比较,筛选出日常出行轨迹,当轨迹相似度大于或等于设定的阈值,则判定两条不同日期的出行轨迹之间具有相似性,否则,判定两条不同日期的出行轨迹之间不具有相似性,以及返回与日常出行轨迹不具有相似性的轨迹作为异常轨迹展示给用户。
进一步地,所述轨迹相似度计算模块用于计算每两条不同日期的出行轨迹之间的时间相似度系数SIM,根据时间相似度系数SIM,使用最长公共子序列算法计算每两条不同日期的出行轨迹之间的轨迹相似度;
时间相似度系数计算公式为:
其中,ΔT为设定的时间精度,Ti(a)表示该车辆在第a天某个时间点达到某个卡口Li(a)的准确时刻,Tj(b)表示该车辆在第b天某个时间点达到某个卡口Lj(b)的准确时刻,δ(Li(a),Lj(b))表示位置重合度,当两个轨迹点的卡口相同时,δ(Li(a),Lj(b))为1,否则为0。
进一步地,使用最长公共子序列算法计算不同日期间的轨迹相似度的计算公式为:
其中,lena为轨迹序列La的长度,lenb为轨迹序列Lb的长度,min(lena,lenb)指lena、lenb中的较小值,L(a,b)为两条轨迹序列La、Lb的最长公共子序列的长度,其中设La=<a1,a2,…,ai>,Lb=<b1,b2,…,bj>,ai表示轨迹序列La第i个轨迹点,bi表示轨迹序列Lb第j个轨迹点,当i=0或j=0时,空序列是ai和bj的最长公共子序列,故L(a,b)=0;当ai=bj时,L(a,b)等于ai-1和bj-1的最长公共子序列;当ai≠bj时,即找出ai-1和bj的一个最长公共子序列及ai和bj-1的一个最长公共子序列,L(a,b)等于这两个公共子序列中较长者。
进一步地,所述数据获取模块用于获取车辆卡口抓拍的数据,通过图像识别后,其所包含的数据类型有:
{DeviceId,StorageUrl1,Longitude,Latitude,AppearTime,PlateNo,PlateColor,…},其中,DeviceId表示车卡设备ID,StorageUrl1表示前端设备抓拍图片,Longitude与Latitude表示车辆抓拍时的经纬度,AppearTime表示抓拍时车辆出现的时间节点,PlateNo表示抓拍车牌号码,PlateColor表示车牌颜色,将这些结构化数据写入数据库中持久化保存。
进一步地,所述结果展示模块用于将计算的每两条不同日期的出行轨迹之间的轨迹相似度分别与设定的阈值进行比较,筛选出日常出行轨迹,具体包括:每天轨迹两两比较后,若有多条轨迹互相之间的相似度均大于或等于设定阈值时,那么将这些互相之间的相似度均大于或等于设定阈值的多条轨迹判定为同一组相似轨迹集合,选出轨迹数量最多的一组相似轨迹集合作为日常出行轨迹。
本领域普通技术人员可以理解实施例的各种方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成,该程序可以存储于一计算机可读存储介质中,存储介质可以包括:只读存储器(ROM,Read Only Memory)、随机存取存储器(RAM,RandomAccessMemory)、磁盘或光盘等。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种基于轨迹相似度的移动对象出行规律分析方法,其特征在于,包括以下步骤:
获取前端卡口设备捕获的数据,并存入数据库;前端卡口设备捕获的数据包括捕获位置、捕获时间以及捕获对象的唯一分配号码;
按照用户设置的查询时间段对指定的唯一分配号码对应的目标对象进行查询,从数据库中获取该时间段内目标对象的若干个轨迹点,将同一天的若干个轨迹点按照时间排序构成一条出行轨迹记录;
依次选取目标对象的每两条不同日期的出行轨迹记录,计算每两条不同日期的出行轨迹之间的轨迹相似度;
将计算的每两条不同日期的出行轨迹之间的轨迹相似度分别与设定的阈值进行比较,筛选出日常出行轨迹,当轨迹相似度大于或等于设定的阈值,则判定两条不同日期的出行轨迹之间具有相似性,否则,判定两条不同日期的出行轨迹之间不具有相似性,返回与日常出行轨迹不具有相似性的轨迹作为异常轨迹展示给用户。
2.如权利要求1所述的基于轨迹相似度的移动对象出行规律分析方法,其特征在于:
计算每两条不同日期的出行轨迹之间的轨迹相似度,具体包括:计算每两条不同日期的出行轨迹之间的时间相似度系数SIM,根据时间相似度系数SIM,使用最长公共子序列算法计算每两条不同日期的出行轨迹之间的轨迹相似度;
时间相似度系数计算公式为:
其中,ΔT为设定的时间精度,Ti(a)表示该车辆在第a天某个时间点达到某个卡口Li(a)的准确时刻,Tj(b)表示该车辆在第b天某个时间点达到某个卡口Lj(b)的准确时刻,δ(Li(a),Lj(b))表示位置重合度,当两个轨迹点的卡口相同时,δ(Li(a),Lj(b))为1,否则为0。
3.如权利要求2所述的基于轨迹相似度的移动对象出行规律分析方法,其特征在于:使用最长公共子序列算法计算不同日期间的轨迹相似度的计算公式为:
其中,SIM为时间相似度系数,lena为轨迹序列La的长度,lenb为轨迹序列Lb的长度,min(lena,lenb)指lena、lenb中的较小值,L(a,b)为两条轨迹序列La、Lb的最长公共子序列的长度,其中设La=<a1,a2,…,ai>,Lb=<b1,b2,…,bj>,ai表示轨迹序列La第i个轨迹点,bi表示轨迹序列Lb第j个轨迹点,当i=0或j=0时,空序列是ai和bj的最长公共子序列,故L(a,b)=0;当ai=bj时,L(a,b)等于ai-1和bj-1的最长公共子序列;当ai≠bj时,即找出ai-1和bj的一个最长公共子序列及ai和bj-1的一个最长公共子序列,L(a,b)等于这两个公共子序列中较长者。
4.如权利要求1所述的基于轨迹相似度的移动对象出行规律分析方法,其特征在于:步骤S1)中的前端卡口为抓拍过车图片的车辆卡口,车辆卡口采集过车数据,通过图像识别后,其所包含的数据类型有:
{DeviceId,StorageUrl1,Longitude,Latitude,AppearTime,PlateNo,PlateColor,…},其中,DeviceId表示车卡设备ID,StorageUrl1表示前端设备抓拍图片,Longitude与Latitude表示车辆抓拍时的经纬度,AppearTime表示抓拍时车辆出现的时间节点,PlateNo表示抓拍车牌号码,PlateColor表示车牌颜色,将这些结构化数据写入数据库中持久化保存。
5.如权利要求1所述的基于轨迹相似度的移动对象出行规律分析方法,其特征在于:将计算的每两条不同日期的出行轨迹之间的轨迹相似度分别与设定的阈值进行比较,筛选出日常出行轨迹,具体包括:每天轨迹两两比较后,若有多条轨迹互相之间的相似度均大于或等于设定阈值时,那么将这些互相之间的相似度均大于或等于设定阈值的多条轨迹判定为同一组相似轨迹集合,选出轨迹数量最多的一组相似轨迹集合作为日常出行轨迹。
6.一种基于轨迹相似度的移动对象出行规律分析装置,其特征在于,包括:数据获取模块、目标对象轨迹获取模块、轨迹相似度计算模块以及结果展示模块,所述数据获取模块用于获取前端卡口设备捕获的数据,并存入数据库;前端卡口设备捕获的数据包括捕获位置、捕获时间以及捕获对象的唯一分配号码;
所述目标对象轨迹获取模块用于按照用户设置的查询时间段对指定的唯一分配号码对应的目标对象进行查询,从数据库中获取该时间段内目标对象的若干个轨迹点,将同一天的若干个轨迹点按照时间排序构成一条出行轨迹记录;
所述轨迹相似度计算模块用于依次选取目标对象的每两条不同日期的出行轨迹记录,计算每两条不同日期的出行轨迹之间的轨迹相似度;
所述结果展示模块用于将计算的每两条不同日期的出行轨迹之间的轨迹相似度分别与设定的阈值进行比较,筛选出日常出行轨迹,当轨迹相似度大于或等于设定的阈值,则判定两条不同日期的出行轨迹之间具有相似性,否则,判定两条不同日期的出行轨迹之间不具有相似性,以及返回与日常出行轨迹不具有相似性的轨迹作为异常轨迹展示给用户。
8.如权利要求6所述的基于轨迹相似度的移动对象出行规律分析装置,其特征在于:使用最长公共子序列算法计算不同日期间的轨迹相似度的计算公式为:
其中,SIM为时间相似度系数,lena为轨迹序列La的长度,lenb为轨迹序列Lb的长度,min(lena,lenb)指lena、lenb中的较小值,L(a,b)为两条轨迹序列La、Lb的最长公共子序列的长度,其中设La=<a1,a2,…,ai>,Lb=<b1,b2,…,bj>,ai表示轨迹序列La第i个轨迹点,bi表示轨迹序列Lb第j个轨迹点,当i=0或j=0时,空序列是ai和bj的最长公共子序列,故L(a,b)=0;当ai=bj时,L(a,b)等于ai-1和bj-1的最长公共子序列;当ai≠bj时,即找出ai-1和bj的一个最长公共子序列及ai和bj-1的一个最长公共子序列,L(a,b)等于这两个公共子序列中较长者。
9.如权利要求6所述的基于轨迹相似度的移动对象出行规律分析装置,其特征在于:所述数据获取模块用于获取车辆卡口抓拍的数据,通过图像识别后,其所包含的数据类型有:
{DeviceId,StorageUrl1,Longitude,Latitude,AppearTime,PlateNo,PlateColor,…},其中,DeviceId表示车卡设备ID,StorageUrl1表示前端设备抓拍图片,Longitude与Latitude表示车辆抓拍时的经纬度,AppearTime表示抓拍时车辆出现的时间节点,PlateNo表示抓拍车牌号码,PlateColor表示车牌颜色,将这些结构化数据写入数据库中持久化保存。
10.如权利要求6所述的基于轨迹相似度的移动对象出行规律分析装置,其特征在于:所述结果展示模块用于将计算的每两条不同日期的出行轨迹之间的轨迹相似度分别与设定的阈值进行比较,筛选出日常出行轨迹,具体包括:每天轨迹两两比较后,若有多条轨迹互相之间的相似度均大于或等于设定阈值时,那么将这些互相之间的相似度均大于或等于设定阈值的多条轨迹判定为同一组相似轨迹集合,选出轨迹数量最多的一组相似轨迹集合作为日常出行轨迹。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010612131.0A CN111949701B (zh) | 2020-06-30 | 2020-06-30 | 一种基于轨迹相似度的移动对象出行规律分析方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010612131.0A CN111949701B (zh) | 2020-06-30 | 2020-06-30 | 一种基于轨迹相似度的移动对象出行规律分析方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111949701A true CN111949701A (zh) | 2020-11-17 |
CN111949701B CN111949701B (zh) | 2022-07-08 |
Family
ID=73337475
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010612131.0A Active CN111949701B (zh) | 2020-06-30 | 2020-06-30 | 一种基于轨迹相似度的移动对象出行规律分析方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111949701B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113780386A (zh) * | 2021-08-30 | 2021-12-10 | 浪潮软件科技有限公司 | 车辆轨迹特征的分析方法、装置及计算机可读介质 |
CN114040167A (zh) * | 2021-11-11 | 2022-02-11 | 浩云科技股份有限公司 | 一种人员轨迹生成方法及装置 |
CN115795115A (zh) * | 2023-02-11 | 2023-03-14 | 云南师范大学 | 一种基于图存储的多轨迹集合相似性搜索方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104794153A (zh) * | 2015-03-06 | 2015-07-22 | 河海大学 | 利用用户交互的相似水文过程搜索方法 |
US20160364457A1 (en) * | 2015-06-09 | 2016-12-15 | AVAST Software s.r.o. | Length of the longest common subsequence algorithm optimization |
CN109242024A (zh) * | 2018-09-13 | 2019-01-18 | 中南大学 | 一种基于卡口数据的车辆行为相似度计算方法 |
CN109635059A (zh) * | 2018-11-23 | 2019-04-16 | 武汉烽火众智数字技术有限责任公司 | 基于轨迹相似度匹配的人车关联分析方法及系统 |
-
2020
- 2020-06-30 CN CN202010612131.0A patent/CN111949701B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104794153A (zh) * | 2015-03-06 | 2015-07-22 | 河海大学 | 利用用户交互的相似水文过程搜索方法 |
US20160364457A1 (en) * | 2015-06-09 | 2016-12-15 | AVAST Software s.r.o. | Length of the longest common subsequence algorithm optimization |
CN109242024A (zh) * | 2018-09-13 | 2019-01-18 | 中南大学 | 一种基于卡口数据的车辆行为相似度计算方法 |
CN109635059A (zh) * | 2018-11-23 | 2019-04-16 | 武汉烽火众智数字技术有限责任公司 | 基于轨迹相似度匹配的人车关联分析方法及系统 |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113780386A (zh) * | 2021-08-30 | 2021-12-10 | 浪潮软件科技有限公司 | 车辆轨迹特征的分析方法、装置及计算机可读介质 |
CN113780386B (zh) * | 2021-08-30 | 2023-07-18 | 浪潮软件科技有限公司 | 车辆轨迹特征的分析方法、装置及计算机可读介质 |
CN114040167A (zh) * | 2021-11-11 | 2022-02-11 | 浩云科技股份有限公司 | 一种人员轨迹生成方法及装置 |
CN114040167B (zh) * | 2021-11-11 | 2023-11-03 | 浩云科技股份有限公司 | 一种人员轨迹生成方法及装置 |
CN115795115A (zh) * | 2023-02-11 | 2023-03-14 | 云南师范大学 | 一种基于图存储的多轨迹集合相似性搜索方法 |
CN115795115B (zh) * | 2023-02-11 | 2023-05-02 | 云南师范大学 | 一种基于图存储的多轨迹集合相似性搜索方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111949701B (zh) | 2022-07-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111949701B (zh) | 一种基于轨迹相似度的移动对象出行规律分析方法及装置 | |
CN110505583B (zh) | 一种基于卡口数据与信令数据的轨迹匹配方法 | |
CN109635857B (zh) | 人车轨迹监测分析方法、装置、设备及存储介质 | |
CN110674236A (zh) | 基于时空轨迹匹配的移动目标关联方法、装置、设备及存储介质 | |
CN109615572B (zh) | 基于大数据的人员亲密度分析的方法及系统 | |
CN107993444B (zh) | 基于卡口过车大数据分析的嫌疑车认定方法 | |
CN107665289B (zh) | 一种运营商数据的处理方法及系统 | |
CN111368134B (zh) | 一种交通数据处理的方法、装置、电子设备及存储介质 | |
US20230073717A1 (en) | Systems And Methods For Electronic Surveillance | |
CN112447041A (zh) | 识别车辆的营运行为的方法、装置及计算设备 | |
CN111369797A (zh) | 车辆监测方法、电子围栏的构建方法、电子围栏及装置 | |
CN113094388B (zh) | 一种用户工作地与居住地的检测方法及相关装置 | |
US20230162310A1 (en) | Systems and methods for electronic signature tracking | |
CN110956822B (zh) | 套牌车识别方法、装置、电子设备和可读存储介质 | |
CN112328649A (zh) | 一种多轨迹数据相似度的计算方法和存储设备 | |
CN112507939A (zh) | 一种重点车辆检测方法、系统、设备及存储介质 | |
CN113470369A (zh) | 一种基于多维度信息判断套牌车辆真实号牌的方法及系统 | |
CN114705178A (zh) | 一种基于视频轨迹与mac数据的目标分析方法 | |
CN117271940A (zh) | 单条高速公路上行驶车辆的碳排放量计算方法及相关设备 | |
CN112528901A (zh) | 一种基于大数据的车辆聚集告警方法及系统 | |
US20230073876A1 (en) | Systems And Methods For High Volume Processing Support Of Electronic Signature Tracking | |
CN111899559B (zh) | 一种停车位管理方法、服务器及停车管理系统 | |
CN113723316B (zh) | 一种车辆识别方法、装置、设备及存储介质 | |
CN111079033A (zh) | 一种基于智慧社区数据的人员定位分析方法 | |
CN111369803B (zh) | 边际卡口的检测方法、装置及计算机可读存储介质 |
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 |