CN111951144B - 一种违章路段的确定方法、设备及计算机可读存储介质 - Google Patents
一种违章路段的确定方法、设备及计算机可读存储介质 Download PDFInfo
- Publication number
- CN111951144B CN111951144B CN202010869341.8A CN202010869341A CN111951144B CN 111951144 B CN111951144 B CN 111951144B CN 202010869341 A CN202010869341 A CN 202010869341A CN 111951144 B CN111951144 B CN 111951144B
- Authority
- CN
- China
- Prior art keywords
- road section
- violation
- track
- road
- candidate
- 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
- 238000000034 method Methods 0.000 title claims abstract description 64
- 238000003860 storage Methods 0.000 title claims abstract description 19
- 230000035515 penetration Effects 0.000 claims description 59
- 230000015654 memory Effects 0.000 claims description 26
- 238000010276 construction Methods 0.000 claims description 6
- 238000005516 engineering process Methods 0.000 abstract description 13
- 230000008569 process Effects 0.000 description 21
- 230000002159 abnormal effect Effects 0.000 description 19
- 238000010586 diagram Methods 0.000 description 11
- 238000012545 processing Methods 0.000 description 11
- 230000008859 change Effects 0.000 description 7
- 238000004891 communication Methods 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 4
- 230000006399 behavior Effects 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000010606 normalization Methods 0.000 description 3
- 238000005056 compaction Methods 0.000 description 2
- 238000004590 computer program Methods 0.000 description 2
- 230000014509 gene expression Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000013515 script Methods 0.000 description 2
- 206010039203 Road traffic accident Diseases 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 235000019800 disodium phosphate Nutrition 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000000149 penetrating effect Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- 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
-
- 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
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0635—Risk analysis of enterprise or organisation activities
-
- 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
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- 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
-
- 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
- G08G1/0175—Detecting movement of traffic to be counted or controlled identifying vehicles by photographing vehicles, e.g. when violating traffic rules
-
- 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
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Tourism & Hospitality (AREA)
- Educational Administration (AREA)
- General Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Traffic Control Systems (AREA)
Abstract
本申请提供了一种违章路段的确定方法、设备及计算机可读存储介质;该方法包括:接收车辆的多个轨迹点,获取至少一个路段对应的至少一个道路信息;依据至少一个道路信息,从至少一个路段中为多个轨迹点中的每个轨迹点,分别确定出匹配路段和匹配置信度;根据匹配置信度,从每个轨迹点对应的匹配路段中挑选出候选路段;获取候选路段的轨迹特征和流量信息,并基于流量信息、轨迹特征以及与候选路段对应的候选道路信息,确定出候选路段的违章发生指标;违章发生指标表征候选路段发生违章的可能程度;依据违章发生指标,确定候选路段是否为违章路段。通过本申请,能够基于大数据技术提高确定违章路段的智能程度。
Description
技术领域
本申请涉及大数据技术,尤其涉及一种违章路段的确定方法、设备及计算机可读存储介质。
背景技术
汽车的普及给用户的出行带来了便利,然而,用户在驾驶汽车出行时,可能会因为对道路情况不熟悉,或者是道路情况复杂而发生违章。为了尽量避免违章的发生,需要工作人员在违章高发路段进行现场管理,或者是导航系统为用户提醒其即将驶入违章高发路段。
无论是工作人员现场管理,还是给用户进行提醒,都先要先通过大数据识别出哪些路段是违章高发路段。相关技术中,大多是通过汽车的轨迹点,或者是行驶图像来判断汽车是否违章,然而,上述方式只能判断出车辆的行驶轨迹是否异常,对于道路情况的分析则较少,从而使得确定违章路段的智能程度较低。
发明内容
本申请实施例提供一种违章路段的确定方法、设备及计算机可读存储介质,能够提高确定违章路段的智能程度。
本申请实施例的技术方案是这样实现的:
本申请实施例提供一种违章路段的确定方法,包括:
接收车辆的多个轨迹点,获取至少一个路段对应的至少一个道路信息;所述至少一个道路信息描述了所述至少一个路段各自的属性;
依据所述至少一个道路信息,从所述至少一个路段中为所述多个轨迹点中的每个轨迹点,分别确定出匹配路段和匹配置信度;所述匹配置信度表征所述匹配路段为所述每个轨迹点所对应的正确路段的准确程度;
根据所述匹配置信度,从所述每个轨迹点对应的所述匹配路段中挑选出候选路段;
获取所述候选路段的轨迹特征和流量信息,并基于所述流量信息、所述轨迹特征以及与所述候选路段对应的候选道路信息,确定出所述候选路段的违章发生指标;所述违章发生指标表征所述候选路段发生违章的可能程度;
依据所述违章发生指标,确定所述候选路段是否为违章路段。
本申请实施例提供一种违章路段确定装置,包括:
数据获取模块,用于接收车辆的多个轨迹点,获取至少一个路段对应的至少一个道路信息;所述至少一个道路信息描述了所述至少一个路段各自的属性;获取所述候选路段的轨迹特征和流量信息;
轨迹匹配模块,用于依据所述至少一个道路信息,从所述至少一个路段中为所述多个轨迹点中的每个轨迹点,分别确定出匹配路段和匹配置信度;所述匹配置信度表征所述匹配路段为所述每个轨迹点所对应的正确路段的准确程度;
路段选择模块,用于根据所述匹配置信度,从所述每个轨迹点对应的所述匹配路段中挑选出候选路段;
指标确定模块,用于基于所述流量信息、所述轨迹特征以及与所述候选路段对应的候选道路信息,确定出所述候选路段的违章发生指标;所述违章发生指标表征所述候选路段发生违章的可能程度;
路段确定模块,用于依据所述违章发生指标,确定所述候选路段是否为违章路段。
在本发明的一些实施例中,所述每个轨迹点具有轨迹方向和轨迹位置;所述轨迹匹配模块,具体用于从所述至少一个道路信息中,解析出所述至少一个路段对应的路段方向和路段位置;根据所述每个轨迹点的所述轨迹方向、所述每个轨迹点的所述轨迹位置、所述至少一个路段的所述路段方向和所述至少一个路段的所述路段位置,计算出所述每个轨迹点和所述至少一个路段的至少一个匹配度;从所述至少一个匹配度中,挑选出最大的匹配度;将所述至少一个路段中,与所述最大的匹配度对应的路段,作为所述每个轨迹点的所述匹配路段,并将所述最大的匹配度作为所述每个轨迹点的所述匹配置信度。
在本发明的一些实施例中,所述路段选择模块,具体用于从所述每个轨迹点中,挑选出与当前匹配路段相对应的一个或多个当前轨迹点;所述一个或多个当前轨迹点为匹配到所述当前匹配路段的轨迹点,所述当前匹配路段为所述每个轨迹点对应的匹配路段中的任意路段;将所述一个或多个当前轨迹点所对应的一个或多个当前匹配置信度,分别与预设好的置信度阈值进行比较,得到一个或多个比较结果;所述一个或多个比较结果表征所述一个或多个当前匹配置信度是否小于所述预设好的置信度阈值;当所述一个或多个比较结果表征所述一个或多个当前匹配置信度均小于所述预设好的置信度阈值时,将所述当前匹配路段,作为所述候选路段。
在本发明的一些实施例中,所述指标确定模块,具体用于利用所述流量信息构造出第一违章指标;利用所述轨迹特征和所述候选道路信息,构造出第二违章指标;根据所述第一违章指标和所述第二违章指标,计算出所述违章发生指标。
在本发明的一些实施例中,所述指标确定模块,具体用于当所述贯穿量和所述掉头量之和大于预设好的流量阈值时,利用所述贯穿量和所述掉头量构造出所述第一违章指标;当所述贯穿量和所述掉头量之和小于或等于所述预设好的流量阈值时,确定获取到的第一预设违章指标为所述第一违章指标。
在本发明的一些实施例中,所述轨迹特征包括:目标轨迹数量和轨迹占比;
所述指标确定模块,具体用于当所述目标轨迹数量大于预设数量时,将获取到的第二预设违章指标作为所述第二违章指标;当所述目标轨迹数量小于或等于所述预设数量时,从所述候选道路信息中解析出电子眼信息,并利用所述电子眼信息和所述轨迹占比,构造出所述第二违章指标;其中,所述电子眼信息表征所述候选道路上是否设置有电子眼。
在本发明的一些实施例中,所述指标确定模块,具体用于利用所述贯穿量和所述掉头量计算出流量特征;根据所述流量特征和预设好的特征参数,构造出所述第一违章指标。
在本发明的一些实施例中,所述数据获取模块,具体用于从历史轨迹中,统计出所述候选路段的轨迹总数量和目标轨迹数量;所述轨迹总数量表征与所述候选路段相匹配的轨迹的总数量,所述目标轨迹数量表征与所述候选路段相匹配且所有轨迹点对应的匹配置信度均小于预设好的置信度阈值的轨迹的数量;所述历史轨迹是由历史时间段所接收到的多个历史轨迹点连接得到的;将所述目标轨迹数量和所述轨迹总数量相比,得到所述轨迹占比,并利用所述目标轨迹数量和所述轨迹占比,组成所述轨迹特征;从所述历史轨迹中,统计出所述候选路段的贯穿量和掉头量,并利用所述贯穿量和所述掉头量组成所述流量信息。
本申请实施例提供一种违章路段确定设备,包括:
存储器,用于存储可执行违章路段确定指令;
处理器,用于执行所述存储器中存储的可执行违章路段确定指令时,实现本申请实施例提供的违章路段的确定方法。
本申请实施例提供一种计算机可读存储介质,存储有可执行违章路段确定指令,用于引起处理器执行时,实现本申请实施例提供的违章路段的确定方法。
本申请实施例具有以下有益效果:
服务器能够先将至少一个路段对应的至少一个道路信息与车辆的每个轨迹点进行匹配,为每个轨迹点确定出匹配路段和匹配置信度,依据匹配置信度,判断出在哪些路段是异常行驶的,从而得到候选路段,然后再结合候选路段的轨迹特征和流量信息,即结合候选路段的道路情况,进一步分析出候选路段的道路信息是否准确,从而判断出候选路段发生违章的可能程度,进而确定出候选路段是否为违章路段。如此,服务器能够结合车辆的行驶状况和路段的道路情况,分析出违章高发路段,提高了确定违章路段的智能程度。
附图说明
图1是本申请实施例提供的违章路段的确定系统100的一个可选的架构示意图;
图2是本申请实施例提供的图1中的服务器200的结构示意图;
图3是本申请实施例提供的违章路段的确定方法的一个可选的流程示意图一;
图4是本申请实施例提供的违章路段的确定方法的一个可选的流程示意图二;
图5是本申请实施例提供的确定匹配路段和匹配置信度的示例图;
图6是本申请实施例提供的违章路段的确定方法的一个可选的流程示意图三;
图7是本申请实施例提供的违章路段的确定方法的一个可选的流程示意图四;
图8是本发明实施例提供的实际的应用场景中确定容易发生交通违章的路段的过程示例图;
图9是本发明实施例提供的构建违章概率模型的过程示例图。
具体实施方式
为了使本申请的目的、技术方案和优点更加清楚,下面将结合附图对本申请作进一步地详细描述,所描述的实施例不应视为对本申请的限制,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它实施例,都属于本申请保护的范围。
在以下的描述中,涉及到“一些实施例”,其描述了所有可能实施例的子集,但是可以理解,“一些实施例”可以是所有可能实施例的相同子集或不同子集,并且可以在不冲突的情况下相互结合。
在以下的描述中,所涉及的术语“第一\第二\第三”仅仅是是区别类似的对象,不代表针对对象的特定排序,可以理解地,“第一\第二\第三”在允许的情况下可以互换特定的顺序或先后次序,以使这里描述的本申请实施例能够以除了在这里图示或描述的以外的顺序实施。
除非另有定义,本文所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同。本文中所使用的术语只是为了描述本申请实施例的目的,不是旨在限制本申请。
对本申请实施例进行进一步详细说明之前,对本申请实施例中涉及的名词和术语进行说明,本申请实施例中涉及的名词和术语适用于如下的解释。
1)云技术(Cloud Technology)是指在广域网或局域网内将硬件、软件、网络等系列资源统一起来,实现数据的计算、存储、处理和共享的一种托管技术。
云技术是基于云计算商业模式应用的网络技术、信息技术、整合技术、管理平台技术、应用技术等的总称,可以组成资源池,按需所用,灵活遍历、云计算技术将变成重要支撑。技术网络系统的后台服务器需要大量的计算、存储资源,如视频类网站、图片类网站和更多的门户网站。伴随着互联网行业的高度发展和应用,将来每个物品都有可能存在自己的识别标志,都需要传输到后台系统进行逻辑处理,不同程度级别的数据将会分开处理,各类行业数据皆需要强大的后盾支撑,智能通过云计算来实现。
2)云计算(Cloud Computing)是一种计算模式,它将计算任务分布在大量计算机构成的资源池上,使各种应用系统能够根据需要获取计算力、存储空间和信息服务器。提供资源的网络被称为“云”。“云”中的资源在使用者看来是可以无限扩展的,并且可以随时获取,按需使用,随时扩展,按使用付费。
作为云计算的基础能力提供商,会建立云计算资源池(简称云平台,一般称为IaaS(Infrastructure as a Service),基础设施即服务)平台,在资源池中部署多种类型的虚拟资源,供外部客户选择使用。云计算资源池中主要包括:计算设备(为虚拟化机器,包含操作系统)、存储设备、网络设备。
3)大数据(Big Data)是指无法在一定时间范围内用常规软件工具进行捕捉、管理和处理的数据集合,是需要新处理模式才能具有更强的决策力、洞察发现力和流程优化能力的海量、高增长率和多样化的信息资产。随着云时代的来临,大数据也吸引了越来越多的关注,大数据需要特殊的技术,以有效地处理大量的容忍经过时间内的数据。适用于大数据的技术,包括大规模并行处理数据库、数据挖掘、分布式文件系统、分布式数据库、云计算平台、互联网和可扩展的存储系统。
4)轨迹地图匹配,是指将导航系统上传的轨迹数据,例如全球定位系统(GlobalPositioning System,GPS)数据与地图上的道路进行匹配,使得轨迹数据中的每个轨迹点都匹配到对应的一段道路上。
5)匹配置信度,表征在轨迹地图匹配时,将轨迹数据中的轨迹点匹配正确的可能性。匹配置信度越高,说明轨迹点匹配上的路段越有可能是轨迹点真实所处的路段。
6)电子眼,是指道路上设置的摄像头,可以拍摄车辆的行驶过程,得到行驶图像数据,以便于利用行驶图像来分析车辆是否违章。
7)贯穿量,表征在预设时间段内通过某段道路的轨迹的数量,例如,在一天内通过某段路的轨迹的数量。
8)掉头量,表示在预设时间段内某段路发生掉头行为的轨迹的数量,例如,在一天内在某段路掉头的轨迹的数量。
汽车的普及给用户的出行带来了巨大的便利,然而,由于种种原因,例如用户驾驶汽车出行时,可能会因为对道路情况不熟悉,或者是道路情况复杂而发生违章。为了尽量避免违章的发生,保证道路的正常路况,需要工作人员,例如交警,在违章高发路段进行现场管理,或者是导航系统在为用户提醒其即将驶入违章高发路段。
实际上,无论是工作人员现场管理,还是给用户进行提醒,都需要先识别出哪些路段是违章高发路段。相关技术中,具有三种判断车辆是否为异常驾驶的方式,分别为基于轨迹判断是否异常驾驶、基于图像判断是否异常驾驶,以及同时基于轨迹和和图像来判断是否异常驾驶。
基于轨迹判断是否异常驾驶,主要是通过定位系统获取轨迹的当前位置坐标点A,然后在已经存在的道路数据中寻找与A点距离最近的点B和C,计算A、B、C三点之间的球面距离AB、AC和BC,再判断(AB+AC)/BC的比值是否在预定值范围内,如果超出则认为未按规定路线行驶,即异常驾驶。其中,球面距离可以利用式(1)来进行计算:
D(x1,y1,x2,y2)=R×arcccos[sin(x1)×sin(x2)+cos(x1)×cos(x2)×cos(y1-y2)] (1)
其中,R为地球半径,x1、x2为纬度的弧度值,y1、y2为经度的弧度值。
基于图像判断是否异常驾驶的思想是根据交通规则,实线不能压,在车辆进行变道之前,识别出车道线是否是实线。车道线的识别主要分为两种方法,基于特征的识别和基于模式的识别。基于特征的识别主要是通过车道线的颜色和梯度进行判断;基于模型主要是对图像中的车道进行建模。异常驾驶判断的主要流程是,用Hough变换找到禁止变道线并进行拟合,通过车辆坐标拟合出与车道线的距离,然后计算距离的离散程度。当离散程度大于一定阈值,或者是车辆在车道线两边则会判定为异常,进一步的,如果车道线两边轨迹方向相反,则会判定车辆为违规掉头。
同时基于轨迹和图像来判断是否异常驾驶的原理是先通过图像识别的方法获取车辆的行驶轨迹,然后通过二值图像联通成分标记方法,得到车辆的中心位置,然后提取出车辆的加速度、方向变化、位置等特征,最后通过这些变量判断车辆是否为异常驾驶。
然而,上述相关技术中,基于轨迹判断是否异常驾驶无法区分发生异常的地方是由于车辆的轨迹出现问题,还是道路的属性数据存在问题。但是,这两种问题在轨迹特征上是比较相似的,因此,利用该方法无法对道路情况进行分析。基于图像判断是否异常驾驶也是判断车辆是否违章,该方法虽然对道路情况进行了一定的分析,但是,这种方式的适用条件比较苛刻,需要同时满足拍摄到车辆行驶的视频或图像,以及道路上要由比较清晰的车道线。而对于大部分车辆轨迹来说,这两点很难同时满足,从而使得对于道路分析依据较少。同理的,同时基于轨迹和和图像来判断是否异常驾驶,在判别交通事故方面比较具备优势,但是在判断交通违章,例如压实线掉头这一类违章,就无法看出较好的效果,并且,对于道路情况的分析也较少。
综上所述,相关技术中,只能是判断出车辆的形式轨迹是否异常,对于道路情况的分析较少,从而使得确定违章路段的智能程度较低。
本申请实施例提供一种违章路段的确定方法、设备和计算机可读存储介质,能够提高确定违章路段的智能程度。下面说明本申请实施例提供的违章路段确定设备的示例性应用,本申请实施例提供的违章路段确定设备可以实施为终端,也可以实施为服务器。其中,服务器可以是独立的物理服务器,也可以是多个物理服务器构成的服务器集群或者分布式系统,还可以是提供云服务器、云数据库、云计算、云函数、云存储、网络服务器、云通信、中间件服务、域名服务、安全服务、CDN、以及大数据和人工智能平台等基础云计算服务的云服务器。终端可以是智能手机、平板电脑、笔记本电脑、台式计算机、智能音箱、智能手表等,但并不局限于此。终端以及服务器可以通过有线或无线通信方式进行直接或间接地连接,本申请在此不作限制。下面,将说明设备实施为服务器时的示例性应用。
参见图1,图1是本申请实施例提供的违章路段的确定系统100的一个可选的架构示意图,为实现支撑一个违章路段的确定应用,终端400(示例性示出了终端400-1和终端400-2)通过网络300连接服务器200,网络300可以是广域网或者局域网,又或者是二者的组合。另外,服务器200还连接有数据库500,数据库500向服务器200提供数据服务。
终端400用于在图形界面显示导航路线,即终端400-1在图像界面400-11显示导航路线,终端400-2在图像界面400-21显示导航路线。同时,终端400会通过定位系统采集车辆的多个轨迹点,将多个轨迹点发送给服务器200。
服务器200用于从终端400接收车辆的多个轨迹点,从数据库500获取至少一条路段对应的道路信息,其中,道路信息表征了至少一个路段的属性特征。服务器200依据道路信息,从至少一个路段中为多个轨迹点中的每个轨迹点,分别确定出匹配路段和匹配置信度,其中,匹配置信度表征匹配路段为每个轨迹点所对应的正确路段的准确程度。服务器200根据匹配置信度,从每个轨迹点对应的匹配路段中挑选出候选路段。接着,服务器200从数据库500获取候选路段的轨迹特征和流量信息,并基于流量信息、轨迹特征以及候选路段对应的候选道路信息,确定出候选路段的违章发生指标,最后服务器200依据违章发生指标,确定候选路段是否为违章路段。在候选路段是违章路段时,服务器200向终端400发送违章路段提示,以提示用户即将驶入违章高发路段。
参见图2,图2是本申请实施例提供的图1中的服务器200的结构示意图,图2所示的服务器200包括:至少一个处理器210、存储器250、至少一个网络接口220和用户接口230。服务器200中的各个组件通过总线系统240耦合在一起。可理解,总线系统240用于实现这些组件之间的连接通信。总线系统240除包括数据总线之外,还包括电源总线、控制总线和状态信号总线。但是为了清楚说明起见,在图2中将各种总线都标为总线系统240。
处理器210可以是一种集成电路芯片,具有信号的处理能力,例如通用处理器、数字信号处理器(DSP,Digital Signal Processor),或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等,其中,通用处理器可以是微处理器或者任何常规的处理器等。
用户接口230包括使得能够呈现媒体内容的一个或多个输出装置231,包括一个或多个扬声器和/或一个或多个视觉显示屏。用户接口230还包括一个或多个输入装置232,包括有助于用户输入的用户接口部件,比如键盘、鼠标、麦克风、触屏显示屏、摄像头、其他输入按钮和控件。
存储器250可以是可移除的,不可移除的或其组合。示例性的硬件设备包括固态存储器,硬盘驱动器,光盘驱动器等。存储器250可选地包括在物理位置上远离处理器210的一个或多个存储设备。
存储器250包括易失性存储器或非易失性存储器,也可包括易失性和非易失性存储器两者。非易失性存储器可以是只读存储器(ROM,Read Only Me mory),易失性存储器可以是随机存取存储器(RAM,Random Access Memor y)。本申请实施例描述的存储器250旨在包括任意适合类型的存储器。
在一些实施例中,存储器250能够存储数据以支持各种操作,这些数据的示例包括程序、模块和数据结构或者其子集或超集,下面示例性说明。
操作系统251,包括用于处理各种基本系统服务和执行硬件相关任务的系统程序,例如框架层、核心库层、驱动层等,用于实现各种基础业务以及处理基于硬件的任务;
网络通信模块252,用于经由一个或多个(有线或无线)网络接口220到达其他计算设备,示例性的网络接口220包括:蓝牙、无线相容性认证(Wi-Fi)、和通用串行总线(USB,Universal Serial Bus)等;
呈现模块253,用于经由一个或多个与用户接口230相关联的输出装置231(例如,显示屏、扬声器等)使得能够呈现信息(例如,用于操作外围设备和显示内容和信息的用户接口);
输入处理模块254,用于对一个或多个来自一个或多个输入装置232之一的一个或多个用户输入或互动进行检测以及翻译所检测的输入或互动。
在一些实施例中,本申请实施例提供的违章路段确定装置可以采用软件方式实现,图2示出了存储在存储器250中的违章路段确定装置255,其可以是程序和插件等形式的软件,包括以下软件模块:数据获取模块2551、轨迹匹配模块2552、路段选择模块2553、指标确定模块2554和路段确定模块2555,这些模块是逻辑上的,因此根据所实现的功能可以进行任意的组合或进一步拆分。将在下文中说明各个模块的功能。
在另一些实施例中,本申请实施例提供的违章路段确定装置可以采用硬件方式实现,作为示例,本申请实施例提供的违章路段确定装置可以是采用硬件译码处理器形式的处理器,其被编程以执行本申请实施例提供的违章路段的确定方法,例如,硬件译码处理器形式的处理器可以采用一个或多个应用专用集成电路(ASIC,Application SpecificIntegrated Circuit)、DSP、可编程逻辑器件(PLD,Programmable Logic Device)、复杂可编程逻辑器件(CPLD,Comp lex Programmable Logic Device)、现场可编程门阵列(FPGA,Field-Programm able Gate Array)或其他电子元件。
示例性的,本发明实施例提供一种违章路段确定设备,包括:
存储器,用于存储可执行违章路段确定指令;
处理器,用于执行所述存储器中存储的可执行违章路段确定指令时,实现本发明实施例提供的违章路段的确定方法
下面,将结合本申请实施例提供的服务器的示例性应用和实施,说明本申请实施例提供的违章路段的确定方法。
参见图3,图3是本申请实施例提供的违章路段的确定方法的一个可选的流程示意图一,将结合图3示出的步骤进行说明。
S101、接收车辆的多个轨迹点,获取至少一个路段对应的至少一个道路信息。
本发明实施例是在结合车辆和路况情况,综合分析哪些路段是违章高发路段的情况下实现的。服务器在分析路段的违章发生情况时,需要先接收车辆的多个轨迹点,并从数据库中获取至少一个路段的道路信息。需要说明的是,至少一个道路信息描述了至少一个路段各自的属性特征。
需要说明的是,本发明实施例中的车辆的多个轨迹点,是车辆上的终端发送给服务器的,即,车辆上的终端采集车辆行驶过程中的轨迹点,然后将轨迹点发送给了服务器。
进一步的,每个轨迹点可以是车辆上的任意搭载了定位系统的终端所采集到的定位坐标点,例如,搭载了定位系统的车载导航系统采集到的坐标点,或者是搭载了定位系统的乘客的智能手机所采集到的坐标点等。可以理解的是,轨迹点是终端每隔预设时间采集一次的,例如,每隔1s采集一次,每隔0.5s采集一次等,故,在车辆行驶期间,终端可以采集到多个轨迹点,从而服务器可以接收到多个轨迹点。
可以理解的是,服务器可以是实时接收车辆的多个轨迹点的,即,终端每采集到一个轨迹点,就会将轨迹点实时发送给服务器。服务器还可以是非实时接收车辆的多个轨迹点的,例如,终端在车辆的整个行驶过程实时采集轨迹点,在行驶结束之后才一次性将所有的轨迹点全部发送给服务器。本发明实施例在此不作限定。
需要说明的是,本发明实施例中,每条路段都对应有一个道路信息,即每条路段都具有一个能够对路段的属性进行描述的信息。其中,路段的属性可以路段信息,例如,路段的名称、路段的位置、路段的起点、路段的终点、路段的方向、路段的拐弯情况等;路段的属性信息中还可以包括辅助信息,例如,路段上的红绿灯情况,路段上是否设置有电子眼等。当然,路段的属性中还可以包括路段的其他特性,本发明实施例在此不作限定。
S102、依据至少一个道路信息,从至少一个路段中为多个轨迹点中的每个轨迹点,分别确定出匹配路段和匹配置信度。
服务器在得到车辆的多个轨迹点,至少一个道路信息之后,就会开始轨迹地图匹配过程,即确定车辆是在地图的至少一个路段中的哪些路段上行驶。这时,服务器会将多个轨迹点中的每个轨迹点,与至少一个路段中的每个路段分别进行匹配,从而为每个轨迹点确定出其是属于至少一个路段中的哪个路段的,也即为每个轨迹点寻找出与其匹配的匹配路段,然后,将匹配路段所对应的置信度,作为每个轨迹点的匹配置信度。
需要说明的是,匹配置信度表征匹配路段为每个轨迹点所对应的正确路段的准确程度,也就是说,匹配置信度表征了将每个轨迹点正确匹配的可能程度。进一步的,当匹配置信度高于或等于预设置信度阈值时,说明匹配路段很有可能是轨迹点对应的正确道路,即车辆确定行驶在匹配路段上;当匹配置信度小于预设置信度阈值时,说明匹配路段有可能并不是轨迹点对应的正确道路,即轨迹点匹配可能是错误的,车辆可能并没有行驶在匹配路段上。
可以理解的是,由于在实际中,车辆极有可能行驶过多个路段,因此,在多个轨迹点中,一些轨迹点的匹配路段,和另一些轨迹点的匹配路段并不相同,即匹配路段并不是特指某一条路段。当然,在实际中,还可能由于定位系统的原因,使得某个轨迹点与其他轨迹点的位置偏离较大的情况,但是,这种一般是偶发的,若是该轨迹点后续的若干轨迹点的匹配路段没有发生变化,则认为车辆还行驶在匹配路段上。
进一步的,匹配路段可以是整条道路,也可以是整条道路中的一段,本发明实施例在此不作限定。
S103、根据匹配置信度,从每个轨迹点对应的匹配路段中挑选出候选路段。
服务器在确定出每个轨迹点的对应的匹配置信度之后,就可以对每个轨迹点的匹配置信度进行分析,从而判断出每个轨迹点的匹配路段是否是车辆真实行驶的路段。由于在异常行驶时,车辆有可能会偏离原来的匹配道路,例如,车辆压实线掉头,或者是车辆违规驶入非机动车道等,都会使得匹配路段不再是车辆实际所行驶的路段,故而使得轨迹点的匹配置信度较低。因此,本发明实施例中,服务器可以站在匹配路段的角度上,分析与匹配路段相匹配的轨迹点所对应的匹配置信度是否低于一定的置信度阈值,当与某个路段向匹配的轨迹点所对应的匹配置信度均低于置信度阈值时,服务器会将该路段挑选出来,作为候选路段,以便于在后续对该路段的道路情况进行分析。
需要说明的是,实际情况中,在车辆的行驶过程中,可能会存在某个轨迹点的匹配置信度较低的情况,但是,这种情况是偶发的,可能下一个轨迹点的匹配置信度就会恢复正常水平。然而,与某个匹配路段相匹配的所有轨迹点的匹配置信度都较低时,就会说明车辆确实是偏离了匹配路段,从而明确在该路段发生了异常行驶。
S104、获取候选路段的轨迹特征和流量信息,并基于轨迹特征、流量信息以及与候选路段对应的候选道路信息,确定出候选路段的违章发生指标。
由于在实际中,存在路段所对应的道路信息,与路段的实际信息之间具有差异的情况,例如,路段的起点发生了变化,但是路段对应的道路信息中的道路的起点未能及时更新,或者是道路信息中路段的位置,与路段的实际位置存在偏差等。当道路信息与路段的实际信息具有偏差时,即使是车辆在路段上正常行驶,也极有可能会被判定车辆是异常行驶。为了避免这种情况,服务器还需要进一步的对候选路段发生违章的可能性进行判断,才能确定出候选路段是否为违章路段。此时,服务器需要获取候选路段所对应的轨迹特征和流量信息,然后所获得的轨迹特征和流量信息,来得到行驶过候选路段的车辆,在候选路段的行驶情况,同时从至少一个路段对应的至少一个道路信息中,挑选出与候选路段所对应的候选道路信息,然后再利用行驶过候选路段的车辆在候选路段的行驶情况,以及候选道路本身的道路信息,为候选路段计算出违章发生指标。其中,违章发生指标表征候选路段发生违章的可能程度。
在本发明的一些实施例中,轨迹特征中可以包括轨迹数量和轨迹占比,流量信息中可以包括掉头量和贯穿量,服务器利用轨迹数量、轨迹占比、掉头量和贯穿量,来预测出候选路段的违章发生指标。其中,轨迹数量、轨迹占比、掉头量和贯穿量,都是服务器根据历史时间段行驶过候选路段的历史轨迹所统计出的。
需要说明的是,轨迹特征和流量信息描述了在候选路段上行驶过的车辆,在候选路段上的行驶情况。服务器对在候选路段上行驶过程的车辆,在候选路段上的形式情况进行分析,能够明确异常行驶是由于道路数据不准确引起的,还是由于车辆违章引起的,从而判断出候选路段发送违章的可能性。
当行驶过候选路段的车辆中的大多数车辆,在候选路段上都是异常行驶时,说明候选路段的道路信息可能存在问题,实际上车辆在候选路段发生违章的可能性并不大;当行驶过候选路段的车辆中的大多数车辆,在候选路段上都是正常行驶,即这些车辆的与候选路段相匹配的轨迹点的匹配置信度均高于置信度阈值时,仅有个别车辆在候选路段是异常行驶时,则说明候选路段的道路信息没有问题,而是上述个别车辆出现了违章,因此,在候选路段发生违章的可能性较大。这是因为,在实际生活中,违章的车辆毕竟是少数,在同一个地点,并不会出现行驶过的大部分车辆都是违章的情况,基于此,可以分析出是该地点的道路信息出现问题;当同一个地点,大部分车辆都是正常行驶时,说明该地点的道路信息是准确的,此时,异常行驶极有可能是车辆出现违章导致的。
可以理解的是,由于候选道路信息中包括有候选路段的属性信息,从而表明了候选路段上是否设置有电子眼、红绿灯情况,以及是否有交警常驻指挥等。由于在实际中,当道路上具有电子眼与交警常驻指挥时,车辆发生违章的可能性会降低,因此,在确定违章高发路段时,还需要综合考虑候选路段的候选道路信息。
在本发明的一些实施例中,违章发生指标可以是违章发生的概率,例如,0.5的概率发生违章、0.8的概率发生违章等,还可以是违章发生的可能性等级,例如,发生违章的可能性等级为高,发生违章的可能性等级为低等。违章发生指标还可以是其他形式的,本发明在此不作限定。
S105、依据违章发生指标,确定候选路段是否为违章路段。
当服务器确定出了违章发生指标之后,就会将违章发生指标和预设的指标标准进行比较,判断违章发生指标与预设的指标标准之间小关系。当违章发生指标大于或等于预设的指标标准时,服务器会认为候选路段极易容易出现违章现象,从而确定候选路段为违章路段。当违章发生指标小于预设的指标标准时,服务器就会认为候选路段并不容易出现违章,从而确定候选路段不是违章路段。如此,就结合车辆的行驶状况和路段的情况,分析出哪些路段是违章高发路段了。
本发明实施例中,服务器能够先将至少一个路段对应的至少一个道路信息与车辆的每个轨迹点进行匹配,为每个轨迹点确定出匹配路段和匹配置信度,依据匹配置信度,判断出在哪些路段是异常行驶的,从而得到候选路段,然后再结合候选路段的轨迹特征和流量信息,即结合候选路段的道路情况,进一步分析出候选路段的道路信息是否准确,从而判断出候选路段发生违章的可能程度,进而确定出候选路段是否为违章路段。如此,服务器能够结合车辆的行驶状况和路段的道路情况,分析出违章高发路段,提高了确定违章路段的智能程度。
参见图4,图4是本申请实施例提供的违章路段的确定方法的一个可选的流程示意图二。在本发明的一些实施例中,每个轨迹点具有轨迹方向和轨迹位置。依据至少一个道路信息,从至少一个路段中为多个轨迹点中的每个轨迹点,分别确定出匹配路段和匹配置信度,即S102的具体实现过程,可以包括:S1021-S1024,如下:
S1021、从至少一个道路信息中,解析出至少一个路段对应的路段方向和路段位置。
服务器在为每个轨迹点确定匹配路段时,先要对至少一个道路信息进行解析,得到每个路段对应的路段信息和属性信息。然后,服务器将每个路段对应的路段信息提取出来,并进一步解析每个路段的路段信息,从而得到每个路段的路段方向和路段位置,以便于将至少一个路段与每个轨迹点进行匹配。
S1022、根据每个轨迹点的轨迹方向、每个轨迹点的轨迹位置、至少一个路段的路段方向和至少一个路段的路段位置,计算出每个轨迹点和至少一个路段的至少一个匹配度。
服务器在得到每个路段的路段位置和路段方向之后,会先从所有的轨迹点中任意选择出一个当前轨迹点,然后利用当前轨迹点的当前轨迹位置、当前轨迹方向,以及各个路段的路段位置和路段方向,计算出当前轨迹点到至少一个路段中的每个路段的匹配度,从而确定出车辆在各个路段上行驶的可能性。由于当前轨迹点会与至少一个路段中的每个路段都进行匹配,因此,服务器会针对当前轨迹点,得到与至少一个路段一一对应的至少一个匹配度,从而针对每个轨迹点,得到与至少一个路段一一对应的至少一个匹配度。
S1023、从至少一个匹配度中,挑选出最大的匹配度。
S1024、将至少一个路段中,与最大的匹配度对应的路段,作为每个轨迹点的匹配路段,并将最大的匹配度作为每个轨迹点的匹配置信度。
服务器在得到当前轨迹点对应的至少一个匹配度之后,会从至少一个匹配度中,挑选出最大的一个匹配度,然后将最大的匹配度所对应的路段,作为当前轨迹点的匹配路段,并将最大的匹配度,作为当前轨迹点的匹配置信度。之后,服务器会重新选择另外一个轨迹点,作为新的当前匹配点,并对新的当前匹配点进行S1021-S1024的操作,如此循环往复,就可以得到每个轨迹点对应的匹配路段,以及每个轨迹点对应的匹配置信度。
在本发明的一些实施例中,服务器可以计算出当前轨迹点到每个路段的距离。然后,服务器会经过当前轨迹点,分别做出每个路段的平行线,并计算出当前轨迹点的方向,与每个路段的平行线的夹角。接着,服务器会利用当前轨迹点的方向和每个路段的平行线的夹角,以及当前轨迹点到每个路段的距离,以及预设好的归一化权重,构造出当前轨迹点与每个路段的匹配度。
可以理解的是,每个路段都有其对应的预设好的归一化权重,并且,所有路段的预设好的归一化权重之和应当为1。
进一步的,预设好的归一化权重中包括第一预设权重和第二预设权重。服务器可以将第一预设权重和当前轨迹点到每个路段的距离相乘,得到第一匹配参数,将第二预设权重和当前轨迹点的方向和每个路段的平行线的夹角的余弦值相乘,得到第二匹配参数,然后将第一匹配参数和第二匹配参数相加,得到每个轨迹点与每个路段的匹配度。
示例性的,本发明实施例提供了确定匹配路段和匹配置信度的示例图,如图5所示,P是当前轨迹点,虚线t是当前轨迹点P的方向,l1是一个路段,l2是另一个路段,P到l1的距离为d1,P到l2的距离为d2,t与l1的夹角为α1,t与l2的夹角为α2。从图5可以看出,d2小于d1且α2小于α1,比较P与l1的匹配度w1×d1+w2×cos(α1),P与l2的匹配度,w1×d2+w2×cos(α2),发现w1×d1+w2×cos(α1)大于w1×d2+w2×cos(α2),因此,l1为P的匹配路段,w1×d1+w2×cos(α1)即为P的匹配置信度。其中,w1为第一预设权重,w2为第二预设权重。
本发明实施例中,服务器先可以利用每个轨迹点的方向和位置,以及每个路段的方向和位置,分别计算出每个轨迹点和至少一个路段中的每个路段的匹配度,然后将最大匹配度的路段作为匹配路段,将最大的匹配度作为匹配置信度。如此,服务器能够从至少一个路段中,挑选出与每个轨迹点最匹配的路段,作为匹配路段,从而提高了匹配路段和匹配置信度的准确度。
参见图6,图6是本申请实施例提供的违章路段的确定方法的一个可选的流程示意图三。在本发明的一些实施例中,根据匹配置信度,从每个轨迹点对应的匹配路段中挑选出候选路段,即S103的具体实现过程,可以包括:S1031-S1033,如下:
S1031、从每个轨迹点中,挑选出与当前匹配路段相对应的一个或多个当前轨迹点。
由于每个轨迹点都有对应的匹配路段,也即,服务器针对车辆确定出的匹配路段并不止一个。服务器在挑选候选路段时,需要先从每个轨迹点对应的匹配路段中,选择出当前匹配路段,然后再利用每个轨迹点和匹配路段的对应关系,从所有的轨迹点中挑选出与当前匹配路段所对应的轨迹点,将挑选出的轨迹点作为当前轨迹点。由于对于某路段而言,可能有不止一个轨迹点与其匹配,因此,服务器可以为当前匹配路段找出与其对应的一个或多个当前匹配点。
需要说明的是,由于为每个轨迹点确定匹配路段,实质就是建立每个轨迹点与匹配路段的对应关系,因此,与当前匹配路段相对应的轨迹点,都是与匹配到当前匹配路段的,故,一个或多个当前轨迹点为匹配到当前匹配路段的轨迹点。
可以理解的是,当前匹配路段为每个轨迹点对应的匹配路段中的任意路段,也就是说,本发明实施例中,服务器是先从每个轨迹点对应的匹配路段中,任意选择一个匹配路段,作为当前匹配路段。
S1032、将一个或多个当前轨迹点所对应的一个或多个当前匹配置信度,分别与预设好的置信度阈值进行比较,得到一个或多个比较结果。
其中,一个或多个比较结果表征一个或多个当前匹配置信度是否小于预设好的置信度阈值。
由于每个轨迹点都对应有匹配置信度,服务器在得到一个或多个当前轨迹点之后,还会依据轨迹点与匹配置信度的对应关系,挑选与每个当前轨迹点相对应匹配置信度,得到每个当前轨迹点对应的当前匹配置信度,从而得到一个或多个当前匹配置信度。在实际情况中,某个轨迹点可能会偶发的出现匹配置信度低的情况,为了避免根据偶发情况而确定出错误的候选路段的情形,服务器会将一个或多个当前匹配置信度,逐个与预设好的置信度阈值进行大小比较,得到一个或多个比较结果。可以理解的是,一个或多个比较结果,与一个或多个当前轨迹点是一一对应的。
可以理解的是,预设好的置信度阈值的具体数值可以根据实际情况进行设置,例如设置为0.5,设置为0.7等,本发明实施例在此不作具体限定。
S1033、当一个或多个比较结果表征一个或多个当前匹配置信度均小于预设好的置信度阈值时,将当前匹配路段,作为候选路段。
当一个或多个比较结果表征的是一个或多个当前匹配置信度均小于预设好的置信度阈值,即所有的当前置信度均小于预设好的置信度阈值时,说明一个或多个当前轨迹点虽然是匹配到了当前匹配路段,但是,这些当前轨迹点的匹配准确程度并不高,车辆很有可能是异常行驶的,这时,服务器会将当前匹配路段作为候选路段。
本申请实施例中,服务器会先选出与当前匹配路段对应的一个或多个当前轨迹点,然后当一个或多个当前轨迹点对应的一个或多个当前匹配置信度均小于预设好的置信度阈值时,将当前匹配路段作为候选路段,这样,会提高确定候选路段的准确度,从而提高确定违章高发路段的准确度。
在本发明的一些实施例中,服务器在得到一个或多个比较结果之后,还可以依据一个或多个比较结果,将一个或多个当前轨迹点分为当前匹配置信度大于等于预设好的置信度阈值,和当前匹配置信度小于预设好的置信度阈值两类,然后统计当前匹配置信度大于等于预设好的置信度阈值的当前轨迹点的个数,统计当前匹配置信度小于预设好的置信度阈值的当前轨迹点的个数,当当前匹配置信度小于预设好的置信度阈值的当前轨迹点的个数大于预设个数,或者是当前匹配置信度小于预设好的置信度阈值的当前轨迹点的个数大于当前匹配置信度大于等于预设好的置信度阈值的当前轨迹点的个数时,将当前匹配路段作为候选路段。
参见图7,图7是本申请实施例提供的违章路段的确定方法的一个可选的流程示意图四。在本发明的一些实施例中,基于流量信息、轨迹特征以及与候选路段对应的候选道路信息,确定出候选路段的违章发生指标,即S104的具体实现过程,可以包括:S1041-S1043,如下:
S1041、利用流量信息构造出第一违章指标。
服务器在确定候选路段的违章发生指标时,会先对流量信息进行分析,得到候选路段的流量情况,然后基于候选路段的流量情况,构造出第一违章指标。其中,第一违章指标可以是候选路段发生违章的概率,还可以是候选路段发生违章的可能性等级。
在本发明的一些实施例中,流量信息包括贯穿量和掉头量,因此,服务器可以利用贯穿量和掉头量来构造出第一违章指标。
S1042、利用轨迹特征和候选道路信息,构造出第二违章指标。
服务器还会利用候选路段的轨迹特征,分析行驶过候选路段的车辆的行驶情况,然后结合行驶过候选路段的车辆的行驶情况,以及候选路段对应的候选道路信息,来构造出第二违章指标。
在本发明的一些实施例中,轨迹特征包括轨迹总数量和轨迹占比,候选道路信息包括候选路段的电子眼信息,因此,服务器可以根据轨迹总数量、轨迹占比和电子眼信息,来构造出第二违章指标。
S1043、根据第一违章指标和所述第二违章指标,计算出违章发生指标。
由于在确定候选路段发生违章的可能性时,需要综合考虑候选路段的流量情况、候选路段的车辆行驶情况以及候选路段的道路情况,只有根据流量情况判断出候选路段发生违章的可能性较高,且根据候选路段的车辆行驶情况和候选路段的道路情况也判断出候选路段发生违章的可能性也较高时,才认为候选路段发生违章的可能性是较高的。因此,服务器在得到第一违章指标和第二违章指标之后,会根据第一违章指标和第二违章指标,构造出违章发生指标。
可以理解的是,本发明实施例中,服务器可以直接将第一违章指标和第二违章指标相乘,将乘积结果作为违章发生指标;服务器还可以先判断第一违章指标是否为0,当第一违章指标为0时,将第二违章指标作为违章发生指标,当第一违章指标不为0时,服务器将第一违章指标和第二违章指标相乘,将成绩结果作为最终的违章发生指标。当然,服务器还可以对第一违章指标和第二违章指标进行其他运算,得到违章发生指标,本发明实施例在此不作限定。
示例性的,本发明实施例提供了一种计算违章发生指标的公式,参见式(2):
其中,p_flow是第一违章指标,p_camera是第二违章指标,P是违章发生指标。当服务器得到第一违章指标的具体数值、第二违章指标的具体数值之后,就可以将上述参数的具体数值代入至式(2)中,计算出违章发生指标。
本发明实施例中,服务器能够先利用流量信息构造出第一违章指标,然后利用轨迹特征和候选道路信息,构造出第二违章指标,再将第一违章指标和第二违章指标结合,得到违章发生指标,从而在计算候选路段对应的违章发生指标时,对候选路段的流量情况、道路情况以及车辆在候选路段的行驶情况,综合确定出候选路段发生违章的可能性,提高违章发生指标的准确度。同时,服务器在确定路段发生违章的可能性时,只是使用了流量信息、轨迹特征和候选道路信息,并没有使用道路的划线图像、车辆行驶的图像,减少了对图像进行识别处理所得到的时间,从而提高了确定违章发生指标的效率。
在本发明的一些实施例中,流量信息包括:贯穿量和掉头量;利用流量信息构造出第一违章指标,即S1041的具体实现过程,可以包括:S1041a或S1041b,如下:
S1041a、当贯穿量和掉头量之和大于预设好的流量阈值时,利用贯穿量和掉头量构造出所述第一违章指标。
贯穿量实质上表现了在历史时间有多少轨迹是穿过了候选路段,也就是有多少车辆从候选路段驶过,掉头量实质上表现了在历史时间有多少轨迹在候选路段是正常掉头,也就是有多少车辆是正常掉头。贯穿量和掉头量之和,其实就是表明了候选路段的车流量。在候选路段发生违章的可能性时,需要以达到一定的车流量,当车流量较少时,若是出现偶发的异常行驶,很容易使得对候选路段发生违章的可能性出现误判。因此,在本发明实施例中,服务器会先对贯穿量和掉头量求和,当贯穿量和掉头量之和大于预设好的流量阈值时,说明车流量较大,从而会利用贯穿量和掉头量来构造出第一违章指标。
可以理解的是,预设好的流量阈值可以根据实际需求进行设置,例如设置为20,设置为35等,本发明实施例在此不作限定。
S1041b、当贯穿量和掉头量之和小于或等于预设好的流量阈值时,确定获取到的第一预设违章指标为第一违章指标。
当贯穿量和掉头量之和小于或者等于预设好的流量阈值时,说明候选路段的车流量较少,服务器没有足够的有效车流量信息,难以通过贯穿量和掉头量构造出有效的第一违章指标。因此,服务器会直接获取第一预设违章指标,然后将第一预设违章指标,作为第一违章指标。
进一步的,第一预设违章指标的数值一般较低,即低于某个预设数值(例如0.5),这时,第一违章指标也会较低,从而候选路段发生违章的可能性也较低。这是因为:贯穿量和掉头量之和小于或者等于预设好的流量阈值时,候选路段的车流量较少,即几乎没有车辆驶过候选路段,也就不会存在候选路段发生违章的可能性。
可以理解的是,本发明实施例中,可以将第一预设违章指标设置为0,也可以将第一预设违章指标设置为0.1,具体的第一预设违章指标可以根据实际情况进行设置,只要保证其低于预设数值即可。
示例性的,本发明实施例提供了一种确定第一违章指标的公式,如式(3)所示:
p_flow=0((through_num+turn_num)≤20) (3)
其中,through_num是贯穿量,turn_num是掉头量,p_flow是第一违章指标,20为预设好的流量阈值。当服务器在得到贯穿量、掉头量的具体数值之后,就可以将上述参数的具体数值代入至式(3)中,从而得到第一违章指标。
本发明实施例中,服务器在构造第一违章指标时,会将候选路段的贯穿量和掉头量加和,然后根据贯穿量和掉头量之和与预设好的流量阈值的大小关系,来确定以何种方式得到第一违章指标,从而使得在构造第一违章指标时,充分考虑了候选路段的车流量,提高了第一违章指标的准确度。
在本发明的一些实施例中,利用贯穿量和掉头量构造出第一违章指标,即S1041a的具体实现过程,可以包括:S201-S202,如下:
S201、利用贯穿量和掉头量计算出流量特征。
服务器在利用贯穿量和掉头量构造第一违章指标时,会先利用贯穿量和掉头量来针对候选路段,构造出流量特征。在本发明的一些实施例中,服务器会先将掉头量作为指数,将自然数e作为底数,计算出指数结果,然后将贯穿量与指数结果相比,将比值结果作为流量特征。
示例性的,本发明实施例提供了一种计算流量特征的公式,参见式(4):
其中,through_num是贯穿量,turn_num是掉头量,v是流量特征。服务器在得到贯穿量和掉头量的具体数值之后,就可以将上述参数代入至式(4)中,计算出流量特征。
在本发明的另一些实施例中,服务器可以利用其他方式来计算流量特征,;例如,直接将贯穿量和掉头量相比,将比值结果作为流量特征,本发明实施例在此不作限定。
S202、根据流量特征和预设好的特征参数,构造出第一违章指标。
服务器在计算出流量特征之后,就会获取预设好的特征参数,然后利用流量特征和预设好的特征参数,来构造出第一违章指标。在本发明的一些实施例中,预设好的特征参数中包括第一预设参数和第二预设参数,服务器可以先利用流量特征的相反数,与第一预设参数相比,将比值结果作为自然数e的指数,计算出指数结果,最后对第二预设参数和指数结果做差,将最终的差值结果作为第一违章指标。
示例性的,本发明实施例提供了另一种计算第一违章指标的公式,如式(5)所示:
其中,through_num是贯穿量,turn_num是掉头量,v是流量特征,100是第一预设参数,1是第二预设参数。
可以理解的是,第一预设参数和第二预设参数是可以根据实际需求进行调整的,例如,将第一预设参数设置为0.9,将第二预设参数设置为50等,本发明在此不作限定。
需要说明的是,流量特征和第一违章指标是正相关的关系,也即,当流量特征增大时,第一违章指标也会相应增大。这是因为:由于贯穿量是贯穿候选路段的轨迹的数量,掉头量是在候选路段正常掉头的轨迹的数量。而在掉头时,可能会出现某些轨迹点偏离了候选路段,从而误判候选路段发生了违章。流量特征是对贯穿量和掉头量的综合考量,能够综合说明候选路段的出现异常行驶的情况,当流量特征较大时,候选特征容易出现异常行驶,而异常行驶与违章具有关联,因此,第一违章指标也会增大。
本发明实施例中,服务器会利用贯穿量和掉头量构造出流量特征,利用流量特征考量候选路段出现异常行驶的情况,再利用流量特征构造出第一违章指标。如此,服务器就可以构造出第一违章指标,便于后续利用第一违章指标确定出违章发生指标。
由于将若干个轨迹点按照时间顺序连接起来,可以得到一段轨迹,而将某个车辆所有的轨迹点中,与候选路段相匹配的轨迹点连接起来,就可以得到与候选路段相匹配的一条轨迹。在本发明的一些实施例中,轨迹特征包括:目标轨迹数量和轨迹占比,目标轨迹数量表征与候选路段相匹配且所有轨迹点对应的匹配置信度均小于预设好的置信度阈值的轨迹的数量,轨迹占比是指目标轨迹数量与候选路段相匹配的轨迹总数量的比值。利用候选路段的轨迹特征和候选道路信息,构造出第二违章指标,即S1042的具体实现过程,可以包括:S1042a或S1042b,如下:
S1042a、当目标轨迹数量大于预设数量时,将获取到的第二预设违章指标作为第二违章指标。
服务器在构造第二违章指标时,先获取预设数量,然后从轨迹特征中解析出目标轨迹数量和候选道路信息,并将目标轨迹数量和预设数量进行比较。当目标轨迹数量大于预设数量时,有较多的轨迹在候选路段发生了异常行驶,而在实际情况中,不可能是很多经过候选路段的车辆都发生了违章,因此,服务器可以认定是由于候选路段对应的候选道路信息不准确,即候选路段的路段位置、路段方向不准确,使得与候选路段匹配的每个轨迹点的匹配置信度较低,此时,服务器会直接获取第二预设违章指标,将第二预设违章指标直接作为第二违章指标。
可以理解的是,与第一预设违章指标类似,第二预设违章指标的数值一般也较低,即低于某个预设数值(例如0.5或是0.6),只要在低于某个预设数值的范围内,可以按照实际需求来设置第二预设违章指标的数值,例如,将第二预设违章指标设置为0.2,或者设置为0.25,本发明在此不作限定。
需要说明的是,预设数量可以设置为10,也可以设置为13,本发明实施例在此不作限定。
示例性的,本发明实施例提供了一种计算第二违章指标的公式,如式(6)所示:
p_camera=0.2(pn>10) (6)
其中,pn是目标轨迹数量。服务器在得到目标轨迹数量的具体数值之后,将可以代入至式(6)中,得到第二违章指标。
S1042b、当目标轨迹数量小于或等于预设数量时,从候选道路信息中解析出电子眼信息,并利用电子眼信息和轨迹占比,构造出第二违章指标。
其中,电子眼信息表征候选道路上是否设置有电子眼。
当目标轨迹数量小于或等于预设数量时,说明大部分经过候选路段的轨迹都是正常行驶的,只有小部分经过候选路段的轨迹是异常行驶的,故,候选路段的路段方向、路段位置应当是正确无误的。在确定了候选路段的道路信息是准确的之后,服务器会从候选道路信息的属性信息中解析出候选路段的电子眼信息,从而明确候选道路上是否有电子眼,然后根据电子眼信息、轨迹占比,以及预设构造参数,构造出第二违章指标。
需要说明的是,本发明实施例中,预设构造参数包括第一构造参数、第二构造参数和第三构造参数,其中,第一构造参数和第二构造参数的取值,会根据电子眼信息进行变化,例如,当电子眼信息表征候选路段不具有电子眼时,可以适当将第一构造参数和第二构造参数减小。
服务器在构造第二违章指标时,是利用第一构造参数和轨迹占比的平方相乘,得到第一相乘结果,将第二构造参数和轨迹占比直接相乘,得到第二相乘结果,然后用第一相乘结果减去第二相乘结果,再加上第三构造参数,得到第二违章指标。
示例性的,本发明实施例提供了计算第二违章指标的公式,如式(7)所示:
其中,ratio为轨迹占比,pn是目标轨迹数量,is_camera=1为候选路段具有电子眼,0.8为候选路段具有电子眼时的第一构造参数,1.8为候选路段具有电子眼时的第二构造参数;is_camera=0为候选路段不具有电子眼,0.6为候选路段具有电子眼时的第一构造参数,1.6为候选路段具有电子眼时的第二构造参数,1为第三构造参数。当服务器得到电子眼信息和轨迹占比的具体数值之后,就可以将上述参数代入至式(7)中,计算出第二违章指标。
在本发明的一些实施例中,第一构造参数和第二构造参数还可以设置为其他值,本发明实施例在此不作限定。
本发明实施例中,当目标轨迹数量大于预设数量时,服务器可以直接确定出第二违章指标,当目标轨迹数量小于或等于预设数量时,服务器可以利用轨迹占比和电子眼信息,构造出第二违章指标。如此,服务器就可以根据轨迹数量、轨迹占比以及候选道路上的电子眼情况,得到第二违章指标了。
在本发明的一些实施例中,获取候选路段的轨迹特征和流量信息,即S104的具体实现过程,可以包括:S1044-S1046,如下:
S1044、从历史轨迹中,统计出候选路段的轨迹总数量和目标轨迹数量。
其中,轨迹总数量表征与候选路段相匹配的轨迹的总数量,目标轨迹数量表征与候选路段相匹配且所有轨迹点对应的匹配置信度均小于预设好的置信度阈值的轨迹的数量;历史轨迹是由历史时间段所接收到的多个历史轨迹点连接得到的。
S1045、将目标轨迹数量和轨迹总数量相比,得到轨迹占比,并利用目标轨迹数量和轨迹占比,组成轨迹特征。
本发明实施例中,服务器先从将历史时间段车辆的轨迹点连接起来,得到历史时间段轨迹,即得到历史轨迹,然后从历史轨迹中,挑选出与候选路段相匹配的历史轨迹,再对挑选出的轨迹的数量进行统计,得到轨迹的总数量,也即,得到历史时间段经过候选路段的轨迹的总数量。接着,服务器会从与候选路段相匹配的历史轨迹中,寻找到所有轨迹点对应的匹配置信度均小于预设好的置信度阈值的轨迹的数量,即寻找低匹配置信度的轨迹,从而得到目标轨迹数量。之后,服务器会将目标轨迹数量和总数量相比,将比值作为轨迹占比,然后再将轨迹数量和轨迹占比进行打包,就得到了轨迹特征。
需要说明的是,轨迹占比实质表征的是低匹配置信度的轨迹占所有经过候选路段的轨迹的比例。
可以理解的是,历史时间段是可以根据实际需求进行设置的,例如,将历史时间段设置为1天,例如,统计1天内经过候选路段的轨迹的总数量,也可以将历史时间段设置为10天,或者是1个月,本发明实施例在此不作限定。
S1046、从历史轨迹中,统计出候选路段的贯穿量和掉头量,并利用贯穿量和掉头量组成流量信息。
服务器从历史轨迹中,统计出穿过候选路段的轨迹的数量,得到候选路段的贯穿量,然后再统计出在候选路段上掉头的轨迹的数量,得到候选路段的掉头量,最后将贯穿量和掉头量整合起来,就得到了流量信息。
本发明实施例中,服务器能够从历史时间段的历史轨迹中,统计出候选路段的轨迹总数量和目标轨迹数量,进而得到轨迹占比,同时统计出候选路段的贯穿量和掉头量,进而得到流量信息。如此,服务器就得到了轨迹特征和流量信息,以便于后续利用轨迹特征和流量信息,来确定出候选路段的违章发生指标。
在本发明的一些实施例中,服务器还可以为候选路段构建绕路特征,利用绕路特征计算出绕路惩罚因子,并在确定候选路段的违章发生指标时,综合考虑绕路惩罚因子,即基于流量信息、轨迹特征、候选道路信息和绕路惩罚因此,来确定出候选路段的违章发生指标。
需要说明的是,绕路特征可以结合导航系统给出的经过候选路段到达目的地的标准距离,以及车辆经过候选路段到达目的地的实际距离得出的。当导航系统给出的标准距离较长,但是车辆的实际距离较短时,说明车辆极有可能并没有按照正常的行驶路线行驶,从而车辆有可能在候选路段发生违章,因此,候选路段是违章高发路段的可能性也会增大。因此,服务器结合绕路惩罚因子构造出的违章发生指标,会进一步提高违章发生指标的准确度,从而进一步提高确定违章路段的准确度。
下面,将说明本申请实施例在一个实际的应用场景中的示例性应用。
本发明实施例是为确定容易发生交通违章的路段的场景下实现的,从而辅助交警进行交通管理,并在导航系统给驾驶员提供驾驶建议。
参见图8,图8是本发明实施例提供的实际的应用场景中确定容易发生交通违章的路段的过程示例图。在确定哪些路段是容易发生交通违章的路段时,先要给云端(服务器)输入汽车(车辆)的轨迹数据和地图道路数据(至少一个路段的至少一个道路信息)8-1。然后云端对输入的数据进行特征准备8-2,即进行轨迹地图匹配,获取电子眼数据(电子眼信息)和流量数据(流量信息)。其中,轨迹数据是通过导航软件上传到云端的车辆行驶过程中产生的数据,地图道路数据体现了每条路的特征(至少一个路段各自的属性)的数据。云端可以采用基于几何的匹配、基于概率的匹配、基于马尔科夫链的匹配,来进行轨迹地图匹配。在轨迹地图匹配时,会为每个轨迹点都匹配到相应的路段(匹配路段),并得到对应的匹配置信度。接下来,云端会从轨迹数据中获取置信度低的路段(候选路段),具体是若是某条轨迹的轨迹点匹配到某段路上的匹配置信度都低于50(预设好的置信度阈值),那么该路段就是匹配置信度低的路段,该轨迹就是匹配置信度低的轨迹。接着,云端会获取一天之内(历史时间段)该路段的匹配置信度低的轨迹的数量pn(目标轨迹数量),以及一天之内匹配置信度低的轨迹占所有经过该路段的轨迹(轨迹总数量)的比例ratio(轨迹占比)。其次,云端还会获取该路段的电子眼数据(电子眼信息)和流量数据(流量信息),其中,电子眼数据是道路数据中的一个属性,可以从道路数据中得到,流量数据是从轨迹数据中统计出的一天之内穿过该路段的贯穿量和掉头量。
在给云端输入汽车的轨迹数据和地图道路数据之后8-1之后,云端会开始特征处理与计算8-2。此时,云端会利用贯穿量和掉头量,构造流量特征。
接下来,云端会构建违章概率模型8-3。云端先构造电子眼模型,此时,云端会结合电子眼数据、pn和ratio,按照式(6)和式(7)来构造出电子眼模型,从而体现该路段发生交通违章的可能性(第二违章指标)。其中,交通违章发生的可能性与ratio是负相关的,即ratio越大,发生交通违章的可能性越低,发生交通违章的概率与ratio的负相关关系是越来越弱的;在同样的ratio下,有电子眼的地方比没有电子眼的地方更不容易发生交通违章,在pn大于10(预设数量)的情况下,发生交通违章的概率较低。之后,云端会通过流量数据,按照式(4)构造流量特征v,式(3)和式(5)构建流量概率模型,从而用流量数据给出的模型来表示该段路发生交通违章的可能性大小(第一违章指标)。其中,该路段发生交通违章的可能性与v是正相关关系,且v的取值可以取到无穷,因此,可以利用式(3)和式(5)构造出指数模型。在贯穿量和掉头量的和小于20的情况下,流量数据不足,很难通过浏览数据来判断是否有交通违章的发生,因此,在流量数据不足时,直接将较为违章的可能性设置为0。之后,云端会将构造出的电子眼模型和流量模型组合起来,将电子眼模型和流量模型相乘(得到交通违章发生指标),从而保证交通违章判断的准确率,也就是只有在两种特征条件都认为该路段发生交通违章的可能性均较大时,才会认为交通违章现象发生的可能性较大。而在流量数据无效时,只考虑电子眼数据计算得到的概率。
示例性的,本发明实施例提供了构建违章概率模型的过程示例图,参见图9,云端先选择出置信度低的路段特征、电子眼数据、路段流量数据9-1,当pn>10时,确定电子眼模型为p_camera=0.2 9-2,当pn≤10时,确定电子眼模型为p_camera=f(is_camera,ratio)9-3,即式(7)对应的模型,当流量数据为低流量时,确定流量模型p_flow=0 9-4,当流量数据为高流量时,确定p_flow=f(v)9-5,即是(3)对应的模型。最后,交通违章发生的可能性为P=f(is_camera,ratio)×f(v)9-6。
继续参见图8,云端在构建违章概率模型8-3之后,就是输出该路段发生交通违章的概率8-4,从而判断出该路段是不是容易发生交通违章,以辅助交警进行处理,并给驾驶员提供驾驶建议。
通过上述过程,能够先找出出现异常驾驶行为的路段,然后结合路段的道路情况,来预测出该路段出现交通违章的概率,从而找到违章多发路段,提高了确定违章路段的智能程度。并且,在上述过程中,不需要额外获取图像数据,减少了计算量。
下面继续说明本申请实施例提供的违章路段确定装置255的实施为软件模块的示例性结构,在一些实施例中,如图2所示,存储在存储器250的违章路段确定装置255中的软件模块可以包括:
数据获取模块2551,用于接收车辆的多个轨迹点,获取至少一个路段对应的至少一个道路信息;所述至少一个道路信息描述了所述至少一个路段各自的属性;获取所述候选路段的轨迹特征和流量信息;
轨迹匹配模块2552,用于依据所述至少一个道路信息,从所述至少一个路段中为所述多个轨迹点中的每个轨迹点,分别确定出匹配路段和匹配置信度;所述匹配置信度表征所述匹配路段为所述每个轨迹点所对应的正确路段的准确程度;
路段选择模块2553,用于根据所述匹配置信度,从所述每个轨迹点对应的所述匹配路段中挑选出候选路段;
指标确定模块2554,用于基于所述流量信息、所述轨迹特征以及与所述候选路段对应的候选道路信息,确定出所述候选路段的违章发生指标;所述违章发生指标表征所述候选路段发生违章的可能程度;
路段确定模块2555,用于依据所述违章发生指标,确定所述候选路段是否为违章路段。
在本发明的一些实施例中,所述每个轨迹点具有轨迹方向和轨迹位置;所述轨迹匹配模块2552,具体用于从所述至少一个道路信息中,解析出所述至少一个路段对应的路段方向和路段位置;根据所述每个轨迹点的轨迹方向、所述每个轨迹点的所述轨迹位置、所述至少一个路段的所述路段方向和所述至少一个路段的所述路段位置,计算出所述每个轨迹点和所述至少一个路段的至少一个匹配度;从所述至少一个匹配度中,挑选出最大的匹配度;将所述至少一个路段中,与所述最大的匹配度对应的路段,作为所述每个轨迹点的所述匹配路段,并将所述最大的匹配度作为所述每个轨迹点的所述匹配置信度。
在本发明的一些实施例中,所述路段选择模块2553,具体用于从所述每个轨迹点中,挑选出与当前匹配路段相对应的一个或多个当前轨迹点;所述一个或多个当前轨迹点为匹配到所述当前匹配路段的轨迹点,所述当前匹配路段为所述每个轨迹点对应的匹配路段中的任意路段;将所述一个或多个当前轨迹点所对应的一个或多个当前匹配置信度,分别与预设好的置信度阈值进行比较,得到一个或多个比较结果;所述一个或多个比较结果表征所述一个或多个当前匹配置信度是否小于所述预设好的置信度阈值;当所述一个或多个比较结果表征所述一个或多个当前匹配置信度均小于所述预设好的置信度阈值时,将所述当前匹配路段,作为所述候选路段。
在本发明的一些实施例中,所述指标确定模块2554,具体用于利用所述流量信息构造出第一违章指标;利用所述候选路段的轨迹特征和所述候选道路信息,构造出第二违章指标;根据所述第一违章指标和所述第二违章指标,计算出所述违章发生指标。
在本发明的一些实施例中,所述指标确定模块2554,具体用于当所述贯穿量和所述掉头量之和大于预设好的流量阈值时,利用所述贯穿量和所述掉头量构造出所述第一违章指标;当所述贯穿量和所述掉头量之和小于或等于所述预设好的流量阈值时,确定获取到的第一预设违章指标为所述第一违章指标。
在本发明的一些实施例中,所述轨迹特征包括:目标轨迹数量和轨迹占比;
所述指标确定模块2554,具体用于当所述目标轨迹数量大于预设数量时,将获取到的第二预设违章指标作为所述第二违章指标;当所述目标轨迹数量小于或等于所述预设数量时,从所述候选道路信息中解析出所述电子眼信息,并利用所述电子眼信息和所述轨迹占比,构造出所述第二违章指标;其中,所述电子眼信息表征所述候选道路上是否设置有电子眼。
在本发明的一些实施例中,所述指标确定模块2554,具体用于利用所述贯穿量和所述掉头量计算出流量特征;根据所述流量特征和预设好的特征参数,构造出所述第一违章指标。
在本发明的一些实施例中,所述数据获取模块2551,具体用于从历史轨迹中,统计出所述候选路段的轨迹总数量和轨迹数量;所述轨迹总数量表征与所述候选路段相匹配的轨迹的总数量,所述目标轨迹数量表征与所述候选路段相匹配且所有轨迹点对应的匹配置信度均小于预设好的置信度阈值的轨迹的数量;所述历史轨迹是由历史时间段所接收到的多个历史轨迹点连接得到的;将所述目标轨迹数量和所述轨迹总数量相比,得到所述轨迹占比,并利用所述目标轨迹数量和所述轨迹占比,组成所述轨迹特征;从所述历史轨迹中,统计出所述候选路段的贯穿量和掉头量,并利用所述贯穿量和所述掉头量组成所述流量信息。
本申请实施例提供了一种计算机程序产品或计算机程序,该计算机程序产品或计算机程序包括计算机指令,该计算机指令存储在计算机可读存储介质中。计算机设备的处理器从计算机可读存储介质读取该计算机指令,处理器执行该计算机指令,使得该计算机设备执行本申请实施例上述的违章路段的确定方法。
本申请实施例提供一种存储有可执行指令的计算机可读存储介质,其中存储有可执行违章路段确定指令,当可执行违章路段确定指令被处理器执行时,将引起处理器执行本申请实施例提供的违章路段的确定方法,例如,如图3、图4、图6和图7示出的方法。
在一些实施例中,计算机可读存储介质可以是FRAM、ROM、PROM、EP ROM、EEPROM、闪存、磁表面存储器、光盘、或CD-ROM等存储器;也可以是包括上述存储器之一或任意组合的各种设备。
在一些实施例中,可执行违章路段确定指令可以采用程序、软件、软件模块、脚本或代码的形式,按任意形式的编程语言(包括编译或解释语言,或者声明性或过程性语言)来编写,并且其可按任意形式部署,包括被部署为独立的程序或者被部署为模块、组件、子例程或者适合在计算环境中使用的其它单元。
作为示例,可执行违章路段确定指令可以但不一定对应于文件系统中的文件,可以可被存储在保存其它程序或数据的文件的一部分,例如,存储在超文本标记语言(HTML,Hyper Text Markup Language)文档中的一个或多个脚本中,存储在专用于所讨论的程序的单个文件中,或者,存储在多个协同文件(例如,存储一个或多个模块、子程序或代码部分的文件)中。
作为示例,可执行违章路段确定指令可被部署为在一个计算设备上执行,或者在位于一个地点的多个计算设备上执行,又或者,在分布在多个地点且通过通信网络互连的多个计算设备上执行。
以上所述,仅为本申请的实施例而已,并非用于限定本申请的保护范围。凡在本申请的精神和范围之内所作的任何修改、等同替换和改进等,均包含在本申请的保护范围之内。
Claims (9)
1.一种违章路段的确定方法,其特征在于,包括:
接收车辆的多个轨迹点,获取至少一个路段对应的至少一个道路信息;所述至少一个道路信息描述了所述至少一个路段各自的属性;
依据所述至少一个道路信息,从所述至少一个路段中为所述多个轨迹点中的每个轨迹点,分别确定出匹配路段和匹配置信度;所述匹配置信度表征所述匹配路段为所述每个轨迹点所对应的正确路段的准确程度;
从所述每个轨迹点中,挑选出与当前匹配路段相对应的一个或多个当前轨迹点;所述一个或多个当前轨迹点为匹配到所述当前匹配路段的轨迹点,所述当前匹配路段为所述每个轨迹点对应的匹配路段中的任意路段;
将所述一个或多个当前轨迹点所对应的一个或多个当前匹配置信度,分别与预设好的置信度阈值进行比较,得到一个或多个比较结果;所述一个或多个比较结果表征所述一个或多个当前匹配置信度是否小于所述预设好的置信度阈值;
当所述一个或多个比较结果表征所述一个或多个当前匹配置信度均小于所述预设好的置信度阈值时,将所述当前匹配路段,作为候选路段;
获取所述候选路段的轨迹特征和流量信息,并基于所述流量信息、所述轨迹特征以及与所述候选路段对应的候选道路信息,确定出所述候选路段的违章发生指标;所述违章发生指标表征所述候选路段发生违章的可能程度;
依据所述违章发生指标,确定所述候选路段是否为违章路段。
2.根据权利要求1所述的方法,其特征在于,所述每个轨迹点具有轨迹方向和轨迹位置;所述依据所述至少一个道路信息,从所述至少一个路段中为所述多个轨迹点中的每个轨迹点,分别确定出匹配路段和匹配置信度,包括:
从所述至少一个道路信息中,解析出所述至少一个路段对应的路段方向和路段位置;
根据所述每个轨迹点的所述轨迹方向、所述每个轨迹点的所述轨迹位置、所述至少一个路段的所述路段方向和所述至少一个路段的所述路段位置,计算出所述每个轨迹点和所述至少一个路段的至少一个匹配度;
从所述至少一个匹配度中,挑选出最大的匹配度;
将所述至少一个路段中,与所述最大的匹配度对应的路段,作为所述每个轨迹点的所述匹配路段,并将所述最大的匹配度作为所述每个轨迹点的所述匹配置信度。
3.根据权利要求1或2所述的方法,其特征在于,所述基于所述流量信息、所述轨迹特征以及与所述候选路段对应的候选道路信息,确定出所述候选路段的违章发生指标,包括:
利用所述流量信息构造出第一违章指标;
利用所述轨迹特征和所述候选道路信息,构造出第二违章指标;
根据所述第一违章指标和所述第二违章指标,计算出所述违章发生指标。
4.根据权利要求3所述的方法,其特征在于,所述流量信息包括:贯穿量和掉头量;所述利用所述流量信息构造出第一违章指标,包括:
当所述贯穿量和所述掉头量之和大于预设好的流量阈值时,利用所述贯穿量和所述掉头量构造出所述第一违章指标;
当所述贯穿量和所述掉头量之和小于或等于所述预设好的流量阈值时,确定获取到的第一预设违章指标为所述第一违章指标。
5.根据权利要求3所述的方法,其特征在于,所述轨迹特征包括:目标轨迹数量和轨迹占比;所述利用所述轨迹特征和所述候选道路信息,构造出第二违章指标,包括:
当所述目标轨迹数量大于预设数量时,将获取到的第二预设违章指标作为所述第二违章指标;
当所述目标轨迹数量小于或等于所述预设数量时,从所述候选道路信息中解析出电子眼信息,并利用所述电子眼信息和所述轨迹占比,构造出所述第二违章指标;
其中,所述电子眼信息表征所述候选道路上是否设置有电子眼。
6.根据权利要求4所述的方法,其特征在于,所述利用所述贯穿量和所述掉头量构造出所述第一违章指标,包括:
利用所述贯穿量和所述掉头量计算出流量特征;
根据所述流量特征和预设好的特征参数,构造出所述第一违章指标。
7.根据权利要求1或2、4至6任一项所述的方法,其特征在于,所述获取所述候选路段的轨迹特征和流量信息,包括:
从历史轨迹中,统计出所述候选路段的轨迹总数量和目标轨迹数量;所述轨迹总数量表征与所述候选路段相匹配的轨迹的总数量,所述目标轨迹数量表征与所述候选路段相匹配且所有轨迹点对应的匹配置信度均小于预设好的置信度阈值的轨迹的数量;所述历史轨迹是由历史时间段所接收到的多个历史轨迹点连接得到的;
将所述目标轨迹数量和所述轨迹总数量相比,得到轨迹占比,并利用所述目标轨迹数量和所述轨迹占比,组成所述轨迹特征;
从所述历史轨迹中,统计出所述候选路段的贯穿量和掉头量,并利用所述贯穿量和所述掉头量组成所述流量信息。
8.一种违章路段确定设备,其特征在于,包括:
存储器,用于存储可执行违章路段确定指令;
处理器,用于执行所述存储器中存储的可执行违章路段确定指令时,实现权利要求1至7任一项所述的方法。
9.一种计算机可读存储介质,其特征在于,存储有可执行违章路段确定指令,用于被处理器执行时,实现权利要求1至7任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010869341.8A CN111951144B (zh) | 2020-08-26 | 2020-08-26 | 一种违章路段的确定方法、设备及计算机可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010869341.8A CN111951144B (zh) | 2020-08-26 | 2020-08-26 | 一种违章路段的确定方法、设备及计算机可读存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111951144A CN111951144A (zh) | 2020-11-17 |
CN111951144B true CN111951144B (zh) | 2022-08-30 |
Family
ID=73366741
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010869341.8A Active CN111951144B (zh) | 2020-08-26 | 2020-08-26 | 一种违章路段的确定方法、设备及计算机可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111951144B (zh) |
Families Citing this family (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112685520B (zh) * | 2020-12-22 | 2024-06-25 | 北京中交兴路信息科技有限公司 | 根据车辆轨迹判断车辆进出收费站的方法及装置 |
CN112735133A (zh) * | 2020-12-30 | 2021-04-30 | 北京嘀嘀无限科技发展有限公司 | 标识禁限停路段的方法和装置 |
CN112991728B (zh) * | 2021-02-22 | 2022-11-18 | 北京嘀嘀无限科技发展有限公司 | 目标路段确定方法和装置 |
CN113033978A (zh) * | 2021-03-10 | 2021-06-25 | 北京嘀嘀无限科技发展有限公司 | 停车风险确定方法、位置推荐方法、装置和电子设备 |
CN113066283A (zh) * | 2021-03-12 | 2021-07-02 | 北京嘀嘀无限科技发展有限公司 | 数据处理方法和数据处理装置 |
CN113066284A (zh) * | 2021-03-12 | 2021-07-02 | 北京嘀嘀无限科技发展有限公司 | 数据处理方法和数据处理装置 |
CN113034910A (zh) * | 2021-03-12 | 2021-06-25 | 北京嘀嘀无限科技发展有限公司 | 数据处理方法和数据处理装置 |
CN113029180A (zh) * | 2021-03-25 | 2021-06-25 | 北京百度网讯科技有限公司 | 一种交通限制识别方法、装置、电子设备及存储介质 |
CN112991749B (zh) * | 2021-05-13 | 2021-07-20 | 腾讯科技(深圳)有限公司 | 车辆违章识别方法与装置、介质及电子设备 |
CN113643541B (zh) * | 2021-09-10 | 2022-10-21 | 杭州海康威视数字技术股份有限公司 | 实时路况的确定方法、装置、设备及存储介质 |
CN113591824B (zh) * | 2021-10-08 | 2022-02-01 | 浙江力嘉电子科技有限公司 | 交通违法数据录入异常检测方法和装置 |
CN114495514A (zh) * | 2022-02-16 | 2022-05-13 | 中南大学 | 一种多源数据协同的车辆违规掉头热点区域识别方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110095126A (zh) * | 2019-05-07 | 2019-08-06 | 北京百度网讯科技有限公司 | 地图匹配方法、装置、设备和介质 |
WO2019218861A1 (zh) * | 2018-05-14 | 2019-11-21 | 华为技术有限公司 | 一种行车道路的估计方法以及行车道路估计系统 |
CN111325986A (zh) * | 2019-04-04 | 2020-06-23 | 北京嘀嘀无限科技发展有限公司 | 异常停车监测方法、装置、电子设备以及存储介质 |
CN111489553A (zh) * | 2020-04-26 | 2020-08-04 | 百度在线网络技术(北京)有限公司 | 一种路线规划方法、装置、设备和计算机存储介质 |
-
2020
- 2020-08-26 CN CN202010869341.8A patent/CN111951144B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2019218861A1 (zh) * | 2018-05-14 | 2019-11-21 | 华为技术有限公司 | 一种行车道路的估计方法以及行车道路估计系统 |
CN111325986A (zh) * | 2019-04-04 | 2020-06-23 | 北京嘀嘀无限科技发展有限公司 | 异常停车监测方法、装置、电子设备以及存储介质 |
CN110095126A (zh) * | 2019-05-07 | 2019-08-06 | 北京百度网讯科技有限公司 | 地图匹配方法、装置、设备和介质 |
CN111489553A (zh) * | 2020-04-26 | 2020-08-04 | 百度在线网络技术(北京)有限公司 | 一种路线规划方法、装置、设备和计算机存储介质 |
Non-Patent Citations (1)
Title |
---|
基于GPS轨迹数据的地图匹配算法;李清泉等;《测绘学报》;20100415(第02期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN111951144A (zh) | 2020-11-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111951144B (zh) | 一种违章路段的确定方法、设备及计算机可读存储介质 | |
CN113642633B (zh) | 用于对驾驶场景数据进行分类的方法、装置、设备和介质 | |
EP3929805A1 (en) | Method and apparatus for identifying traffic accident, device and computer storage medium | |
CN111680362B (zh) | 一种自动驾驶仿真场景获取方法、装置、设备及存储介质 | |
EP3933345A2 (en) | Road event detection method, apparatus, device and storage medium | |
KR20210038712A (ko) | 도로 교차로들의 유효성 검증 | |
KR102558657B1 (ko) | 맵 데이터 업데이트 방법, 장치, 기기 및 판독 가능 저장매체 | |
CN109841078B (zh) | 导航数据处理方法及其装置、存储介质 | |
CN112233428B (zh) | 车流量预测方法、装置、存储介质及设备 | |
US20230159052A1 (en) | Method for processing behavior data, method for controlling autonomous vehicle, and autonomous vehicle | |
CN116959265A (zh) | 交通信息提示方法、装置、电子设备和可读存储介质 | |
CN115880928A (zh) | 自动驾驶高精地图实时更新方法、装置、设备及存储介质 | |
KR20200134040A (ko) | 보험료를 산정하기 위하여 자율 주행 차량의 운전자 개입 여부를 판단하는 시스템 및 방법 | |
WO2020241815A1 (en) | On-board apparatus, driving assistance method, and driving assistance system | |
Tchuente et al. | Providing more regular road signs infrastructure updates for connected driving: A crowdsourced approach with clustering and confidence level | |
CN114023095B (zh) | 一种交通限制识别方法、装置及电子设备 | |
CN114743395A (zh) | 一种信号灯检测方法、装置、设备及介质 | |
CN114998863A (zh) | 目标道路识别方法、装置、电子设备以及存储介质 | |
WO2020241813A1 (en) | Driving information providing system, on-board apparatus, and driving information providing method | |
CN113799799A (zh) | 一种安全补偿方法、装置、存储介质及电子设备 | |
CN113762030A (zh) | 数据处理方法、装置、计算机设备及存储介质 | |
CN113175940A (zh) | 数据处理方法、装置、设备和存储介质 | |
CN111047044B (zh) | Eta模型的训练方法、eta预估方法、装置及设备 | |
KR102484139B1 (ko) | 인공지능모델을 이용하여 이륜차의 운전 패턴 정보를 기초로 이륜차 보험료를 산출하는 방법, 장치 및 시스템 | |
CN117740021B (zh) | 园区导航任务执行方法、装置、电子设备及可读存储介质 |
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 |