CN112163590A - 一种车辆异常轨迹检测与分类方法 - Google Patents
一种车辆异常轨迹检测与分类方法 Download PDFInfo
- Publication number
- CN112163590A CN112163590A CN202010836394.XA CN202010836394A CN112163590A CN 112163590 A CN112163590 A CN 112163590A CN 202010836394 A CN202010836394 A CN 202010836394A CN 112163590 A CN112163590 A CN 112163590A
- Authority
- CN
- China
- Prior art keywords
- track
- tracks
- grid
- point
- abnormal
- 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.)
- Pending
Links
- 230000002159 abnormal effect Effects 0.000 title claims abstract description 85
- 238000000034 method Methods 0.000 title claims abstract description 52
- 238000001514 detection method Methods 0.000 title claims description 23
- 238000013507 mapping Methods 0.000 claims description 30
- 238000010276 construction Methods 0.000 claims description 2
- 238000004364 calculation method Methods 0.000 abstract description 14
- 230000005856 abnormality Effects 0.000 abstract description 5
- 101100042371 Caenorhabditis elegans set-3 gene Proteins 0.000 abstract 1
- 101100421296 Caenorhabditis elegans set-6 gene Proteins 0.000 abstract 1
- 101100075995 Schizosaccharomyces pombe (strain 972 / ATCC 24843) fma2 gene Proteins 0.000 abstract 1
- 238000010586 diagram Methods 0.000 description 8
- 238000011156 evaluation Methods 0.000 description 3
- 238000012800 visualization Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 230000029305 taxis Effects 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S19/00—Satellite radio beacon positioning systems; Determining position, velocity or attitude using signals transmitted by such systems
- G01S19/38—Determining a navigation solution using signals transmitted by a satellite radio beacon positioning system
- G01S19/39—Determining a navigation solution using signals transmitted by a satellite radio beacon positioning system the satellite radio beacon positioning system transmitting time-stamped messages, e.g. GPS [Global Positioning System], GLONASS [Global Orbiting Navigation Satellite System] or GALILEO
- G01S19/42—Determining position
-
- 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
- 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
- G06Q50/265—Personal security, identity or safety
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Remote Sensing (AREA)
- Radar, Positioning & Navigation (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Tourism & Hospitality (AREA)
- Educational Administration (AREA)
- Data Mining & Analysis (AREA)
- Entrepreneurship & Innovation (AREA)
- General Business, Economics & Management (AREA)
- Development Economics (AREA)
- Marketing (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Biology (AREA)
- Primary Health Care (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computer Networks & Wireless Communication (AREA)
- Computer Security & Cryptography (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Train Traffic Observation, Control, And Security (AREA)
Abstract
Description
技术领域
本发明涉及异常轨迹检测领域,尤其是涉及一种车辆异常轨迹检测与分类方法。
背景技术
当前网约车司机故意绕路、见色起意、谋财害命等事故频发,每年都造成乘客伤亡和财产损失,因此,利用数据挖掘和机器学习技术从大量车辆轨迹数据中挖掘出异常轨迹模式对预防突发事件的发生具有十分重要的意义。
现有的如iBAT方法等异常轨迹检测技术都只关注轨迹是否异常,而没有考虑到轨迹的异常模式,然而,在实际中,不同异常轨迹其产生的原因不尽相同,因此有必要对异常轨迹进行分类,提需要出一种可以同时进行异常轨迹检测与分类的方法。
发明内容
本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种车辆异常轨迹检测与分类方法,通过计算轨迹之间的相似度,可以同时检测出不同类型的异常轨迹。
本发明的目的可以通过以下技术方案来实现:
一种车辆异常轨迹检测与分类方法,包括以下步骤:
3)根据集合中所有轨迹经过的真实地理范围建立局部网格空间并将集合中每条轨迹映射到局部网格空间中,映射后的轨迹为多个网格坐标的集合,表示为ATi={gs,...,gd},其中,gs,...,gd为中对应网格的坐标;
所述的步骤1)中,轨迹定义为一段完整的车辆送客行驶轨迹,包含乘客的上车地点以及下车地点,即上客点和下客点,轨迹点数据为车载GPS记录的车辆行驶数据,每个轨迹点包括车辆所经过地点的经纬度以及对应的时间,轨迹点的起点和终点分别对应乘客的上车地点和下车地点。
11)遍历所有车辆轨迹,获取轨迹点中的经度取值范围X和纬度取值范围Y;
所述的步骤3)具体包括以下步骤:
32)创建映射集{AT},用以表示轨迹所经过的网格坐标的集合,初始为空集;
33)从起始轨迹点开始,依次判断相邻轨迹点所对应的网格在局部网络空间中是否相邻,若是,则将该对网格坐标添加到映射集{AT}中,否则,通过线性插补法获取这对相邻轨迹点所经过的所有网格,并将对应的坐标添加到映射集{AT}中;
所述的步骤4)中,交差集距离用以计算任意两条轨迹对应的映射集之间的距离,其计算公式为:
第i条轨迹的初始异常分数S1(ATi)的表达式为:
其中,|ATi\ATj|为第i条轨迹的映射集ATi与第j条轨迹的映射集ATj的差集,|ATi∩ATj|为第i条轨迹的映射集ATi与第j条轨迹的映射集ATj的交集。
其中,GD代表全局绕路轨迹类别,LD代表局部绕路轨迹类别,NT代表正常轨迹类别,LS代表局部最短路轨迹类别,GS代表全局最短路轨迹类别,θ=(θ1,θ2,θ3,θ4)代表不同类别的分类阈值,其中,第一阈值θ1用以区分GD和LD,第二阈值θ2用以区分LD和NT,第三阈值θ3用以区分NT和LS,第四阈值θ4用以区分LS和GS。
与现有技术相比,本发明具有以下优点:
一、本发明的网格化操作将由GPS轨迹点构成的二维轨迹转换为由网格坐标构成的一维点集,有效降低了计算时间复杂度,提升了计算的效率,同时可以有效地处理轨迹长度差异较大的轨迹数据。
二、本发明使用的交叉集距离满足非对称性,且可以取负值,能够有效地量化不同类型轨迹之间的差异,特别是异常轨迹与正常轨迹之间的差异程度,便于直接对轨迹进行分类。
三、本发明将异常轨迹分为两大类,绕路和最短路,同时根据其程度又进一步分为四类,全局绕路,局部绕路,局部最短路和全局最短路,这样能够区分不同异常轨迹的异常模式,便于下游任务做出更加精准的判断。
四、异常轨迹检测与分类阶段采用了两级异常分数计算方法,先通过第一级大范围的比较找到绝对正常轨迹,再通过第二级小范围的比较来判断待检测轨迹的类型,这样先粗后精的方式可以保证轨迹异常分数计算的准确性,在旧金山湾区出租车轨迹数据上的实验结果表明上述提出的异常轨迹检测与分类方法能够准确地检测出异常轨迹并识别轨迹的异常类型。
附图说明
图1为一对源点和终点之间的5种类型轨迹示意图。
图2为本发明提出的异常轨迹检测与分类方法流程图。
图3为网格化后的轨迹数据示意图。
图4为线性插补法的示意图。
图5为异常分数值S1计算的示意图。
图6为异常轨迹检测与分类可视化结果。
图7为轨迹异常分数的分布图,该分数由本发明提出的异常检测与分类方法给出。
图8为轨迹异常分数的分布图,该分数由iBAT方法给出。
具体实施方式
下面结合附图给出本发明的一个或者多个实施例,以详细说明本发明的技术实施方案。应该指出,所描述的实施例仅是为了说明的目的,而不是对本发明范围的限制。
实施例1
本发明中,首次提出了同时进行异常轨迹检测与分类,并定义了四种类型的异常轨迹。如图1所示,S表示源点,D表示终点,从S到D的轨迹共分为5类,不同颜色代表不同类型的轨迹,其中除T1-T6外的轨迹均为正常轨迹,其余4类(T1-T6)为异常轨迹,T1和T2表示全局绕路轨迹,T3和T4表示局部绕路轨迹,T5表示全局最短路轨迹,T6表示局部最短路轨迹。除非另外定义,本发明中提到的轨迹类型均为上述5种。
进一步,本发明公开了一种异常轨迹检测与分类方法,该方法的流程图如图2所示,包括以下步骤:
步骤1:根据GPS轨迹数据建立网格化地图。根据所有轨迹经过的经度和纬度的范围来建立网格地图将选定的轨迹范围划分成n*m的网格,一般地,n和m的取值范围为500-1000米;统计落入每个网格的轨迹点数据,图3展示了网格化后的轨迹数据,颜色的深浅表示网格中轨迹点数量的多少。
步骤2:选定一对源点和终点。从中任意选择一对网格分别作为源点S和终点D,提取所有上客点在S、下客点在D的轨迹,若轨迹数量大于l条,则保留该集合并标记为实际中,源点S和终点D之间的距离越大,则落入其间的轨迹数量也越少,而l的值不能太小,一般设置为100及以上。
步骤3:将轨迹集合中的所有轨迹映射到局部网格空间中。第一步,先利用轨迹集合来建立局部网格空间遍历中所有轨迹,计算轨迹点中经度和纬度的取值范围X和Y;根据经度和纬度的取值范围,将它们确定的局部区域划分为s*q的网格空间,一般地,s和q的取值范围为50-100米;对网格空间中每个网格进行编号,用编号来表示网格的坐标。第二步,利用线性插补法将轨迹集合中的所有轨迹映射到局部网格空间中。为中每条轨迹创建空集ATi,表示该轨迹所经过网格的坐标的集合;在局部网络空间中找到所述轨迹里每个轨迹点的对应网格;从起始轨迹点开始,依次判断相邻轨迹点所对应的网格在中是否相邻,若是,则将这对网格的坐标添加到ATi中;否则,通过线性差值法找到这对相邻轨迹点所经过的所有网格,将它们的坐标添加到ATi中;最终得到的ATi即为该轨迹映射到中后的网格化表示。
步骤3中,所述线性插补法的具体操作为,在相邻轨迹点对应的网格之间连一条直线,直线经过的网格作为填充的伪轨迹点,从而使轨迹在网格空间中连续;如图4所示,黑色填充的网格为实际轨迹点,灰色填充的网格为伪轨迹点,黑色网格和灰色网格共同构成了轨迹的网格化表示。
其中,|ATi\ATj|表示轨迹ATi与轨迹ATj的差集,|ATi∩ATj|表示轨迹ATi与轨迹ATj的交集。交差集距离衡量了两条轨迹之间的差异,两条轨迹的交集越大,差集越少,则交差集距离越趋近于0,就说明两条轨迹越相似,反之则越不相似。轨迹异常分数S1(ATi)的计算公式为:
其中,N为中轨迹的数量。轨迹ATi的异常分数值S1衡量了它与其他轨迹的整体差异程度。S1值越接近于0,说明轨迹ATi越像正常轨迹;S1值越大于0,说明轨迹ATi越像绕路轨迹;S1值越小于0,说明轨迹ATi越像最短路轨迹。如图5所示,g1和g54分别为源点和起点,在g1和g54之间有20条轨迹(即AT1-AT20)和8条路线(即R1-R8),其中14条是正常轨迹(即AT1-AT14,AT1-AT7对应路线R1,AT8-AT14对应路线R2),其他6条为异常轨迹(AT15-AT20分别对应于R3-R8),其中AT15-AT16为全局绕路轨迹,AT17-AT18为局部绕路轨迹,AT19为全局最短路,AT20为局部最短路,从(c)中可以看出不同类型轨迹的异常分数值,AT1-AT14等正常轨迹的分数都在0附近,AT15-AT16等全局绕路轨迹的分数都大于0.5,AT17-AT18等局部绕路轨迹的分数在0.1和0.5之间,全局最短路AT19的分数低于-1,局部最短路AT20的分数在-0.1和-0.5之间。
步骤4中,由于中包含有各种类型的异常轨迹,用中所有轨迹来评估某条轨迹的异常程度会使结果存在误差,为提高评估的准确性,应当选用中的正常轨迹来进行比较。但是,在异常轨迹检测这种无监督任务中,正常轨迹是无法预知的。因此,本发明选定中S1值位于区间中的轨迹作为绝对正常轨迹,用以进一步评估每条轨迹的异常程度。本发明中,的取值比较小,一般在0.02-0.05之间。绝对正常轨迹构成的集合标记为
异常分数值S2衡量了轨迹ATi与k条绝对正常轨迹的整体差异程度,S2值越接近于0,说明轨迹ATi越像正常轨迹。
其中,GD代表全局绕路轨迹,LD代表局部绕路轨迹,NT代表正常轨迹,LS代表局部最短路,GS代表全局最短路;θ=(θ1,θ2,θ3,θ4)代表不同类别的分类阈值,θ1用以区分GD和LD,θ2用以区分LD和NT,θ3用以区分NT和LS,θ4用以区分LS和GS。θ的取值一般根据具体数据集来确定,本实施例中,θ1取0.5,θ2取0.1,θ3取-0.1,θ4取-0.5。
步骤6结束后,判断是否还存在未被选择的源点和终点对,若有则返回步骤2开始对新的轨迹数据集进行异常轨迹检测与分类,若无则返回所有轨迹数据集上的检测与分类结果。
实施例2:本发明在旧金山湾区出租车轨迹数据中的应用
为验证本发明的有效性,采用旧金山湾区2008年6月~7月536辆出租车的轨迹数据来验证。本实施例从该数据中选取了6对源点和终点,每对源点和终点之间的轨迹构成一个轨迹数据集,这6个轨迹数据集中的轨迹数量及其类型分布见表1所示,T-1代表第一个轨迹数据集,#T表示轨迹数据集中的轨迹数量,GD(%)表示全局绕路轨迹的数量以及在该数据集中的占比,其他符号的含义与此类同。
表1 6个轨迹数据集的样本分布情况
在上述6个轨迹数据集上进行实验,采用F1指标和Marco-F1指标进行评价,本发明提出的异常轨迹检测与分类方法的准确度如表2所示,每行分别展示了一个轨迹数据集上的分类结果,GD、LD、LS和GS四列下面的数值为F1分数,最后一列为Marco-F1分数,从图中结果可以看出,本发明提出的方法对GD和GS这两类异常轨迹的分类有很高的准确率(F1分数基本都在0.9以上),对LD和LS这两类异常轨迹的分类也有较高的准确率(F1分数大都在0.8-0.9之间),总体分类准确率即Marco-F1分数都到达了0.9左右,证明本发明提出的方法对异常轨迹具有很好的检测与分类效果。
表2异常轨迹检测与分类准确率结果
Datasets | GD | LD | LS | GS | Marco-F1 |
T-1 | 0.9677 | 0.8095 | 0.8 | 1 | 0.8943 |
T-2 | 1 | 0.8571 | 0.7778 | 1 | 0.9087 |
T-3 | 1 | 0.8 | 0.8554 | 0.8889 | 0.8861 |
T-4 | 1 | 0.8333 | 0.7857 | 1 | 0.9048 |
T-5 | 1 | 0.7473 | 0.9706 | 0.9296 | 0.9086 |
T-6 | 0.9767 | 0.8767 | 0.9144 | 0.9411 | 0.9273 |
上述6个轨迹数据集上的异常轨迹检测与分类可视化结果如图6所示,左边第一幅图可视化了该数据集上的所有轨迹,右边四幅图分别可视化了检测出的四类异常轨迹,依次为GD(全局绕路),LD(全局绕路),表示LS(全局最短路),表示GS(全局最短路)。从可视化结果也可以看出来本发明提出的方法对这四类异常轨迹具有很好的检测与分类效果。
实施例3:本发明与iBAT方法的比较
为进一步验证本发明的优越性,采用异常轨迹检测领域中的一种经典方法,即iBAT方法,进行对比验证。iBAT方法是Zhang等人于2011年在International Conferenceon Ubiquitous Computing会议上提出来的,它通过孤立点检测来识别异常轨迹,当发现某条轨迹经过了其他大部分轨迹都不会经过的孤立点时,便认为该轨迹有可能是异常轨迹同时为其分配一个异常分数,当一条轨迹的异常分数越接近1,意味着它越有可能是异常轨迹。
在上述旧金山湾区6个轨迹数据集上进行对比实验,图7和图8分别给出了本发明提出的方法和iBAT方法的异常分数计算结果,横轴均表示数据集,纵轴均表示异常分数,从图7中可以看出,本发明提出的方法具有明显的区分性,正常轨迹的异常分数基本都在0附近,绕路轨迹的异常分数在0.1以上,最短路轨迹的异常分数在-0.1以下,而且越是异常程度大的轨迹其异常分数距离0越远,这一情况在6个数据集中都是相似,而图8展示的iBAT方法的异常分数结果并不稳定,每个数据集中正常轨迹的异常分数均值均不相同,而异常轨迹的划分也没有一个固定的阈值,并且该方法只能判断轨迹是否异常不能区分轨迹的异常类型,因此,与iBAT方法相比,本发明提出的异常轨迹检测与分类方法具有显著的优越性。
Claims (10)
1.一种车辆异常轨迹检测与分类方法,其特征在于,包括以下步骤:
3)根据集合中所有轨迹经过的真实地理范围建立局部网格空间并将集合中每条轨迹映射到局部网格空间中,映射后的轨迹为多个网格坐标的集合,表示为ATi={gs,...,gd},其中,gs,...,gd为中对应网格的坐标;
2.根据权利要求1所述的一种车辆异常轨迹检测与分类方法,其特征在于,所述的步骤1)中,轨迹定义为一段完整的车辆送客行驶轨迹,包含乘客的上车地点以及下车地点,即上客点和下客点,轨迹点数据为车载GPS记录的车辆行驶数据,每个轨迹点包括车辆所经过地点的经纬度以及对应的时间,轨迹点的起点和终点分别对应乘客的上车地点和下车地点。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010836394.XA CN112163590A (zh) | 2020-08-19 | 2020-08-19 | 一种车辆异常轨迹检测与分类方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010836394.XA CN112163590A (zh) | 2020-08-19 | 2020-08-19 | 一种车辆异常轨迹检测与分类方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112163590A true CN112163590A (zh) | 2021-01-01 |
Family
ID=73859568
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010836394.XA Pending CN112163590A (zh) | 2020-08-19 | 2020-08-19 | 一种车辆异常轨迹检测与分类方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112163590A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113965618A (zh) * | 2021-10-19 | 2022-01-21 | 安徽师范大学 | 基于模糊理论的异常轨迹检测方法 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108345666A (zh) * | 2018-02-06 | 2018-07-31 | 南京航空航天大学 | 一种基于时间-空间孤立点的车辆异常轨迹检测方法 |
-
2020
- 2020-08-19 CN CN202010836394.XA patent/CN112163590A/zh active Pending
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108345666A (zh) * | 2018-02-06 | 2018-07-31 | 南京航空航天大学 | 一种基于时间-空间孤立点的车辆异常轨迹检测方法 |
Non-Patent Citations (1)
Title |
---|
JINGWEI WANG ET AL.: ""Anomalous Trajectory Detection and Classification Based on Difference and Intersection Set Distance"", 《IEEE TRANSACTIONS ON VEHICULAR TECHNOLOGY》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113965618A (zh) * | 2021-10-19 | 2022-01-21 | 安徽师范大学 | 基于模糊理论的异常轨迹检测方法 |
CN113965618B (zh) * | 2021-10-19 | 2024-02-23 | 安徽师范大学 | 基于模糊理论的异常轨迹检测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Biljecki et al. | Transportation mode-based segmentation and classification of movement trajectories | |
Zhang et al. | Integration of GPS traces with road map | |
US20240159543A1 (en) | Method and Apparatus for Detecting Deviations from Map Data | |
CN110379163B (zh) | 一种基于轨迹数据的车辆异常减速区域检测方法及系统 | |
Ai et al. | Automatic horizontal curve identification and measurement method using GPS data | |
CN111949896B (zh) | 基于轨迹大数据的轨迹异常检测方法 | |
US20220215749A1 (en) | Method for predicting at least one profile of the speed of a vehicle on a road network | |
CN111340427A (zh) | 一种基于轨迹数据的货车运行状态识别方法 | |
CN111311910B (zh) | 多层次道路级浮动车异常轨迹探测方法 | |
Kortmann et al. | Detecting various road damage types in global countries utilizing faster r-cnn | |
Lakshmi et al. | Identification of traffic accident hotspots using geographical information system (GIS) | |
Thomas | Multi-state and multi-sensor incident detection systems for arterial streets | |
CN112163590A (zh) | 一种车辆异常轨迹检测与分类方法 | |
CN115311858A (zh) | 基于交通流韧性的城市路段分级管制方法 | |
Li et al. | Driving performances assessment based on speed variation using dedicated route truck GPS data | |
CN117689693A (zh) | 一种基于图对比自监督学习的异常局部轨迹检测方法和装置 | |
Jafarlou et al. | Improving Fuzzy-logic based map-matching method with trajectory stay-point detection | |
Zourlidou et al. | Intersection detection based on qualitative spatial reasoning on stopping point clusters | |
Choudhry et al. | Inferring truck activities using privacy-preserving truck trajectories data | |
TW202228091A (zh) | 用於產生地圖資料之方法、資料處理設備及電腦程式產品 | |
CN113965618B (zh) | 基于模糊理论的异常轨迹检测方法 | |
Keler et al. | Detecting travel time variations in urban road networks by taxi trajectory intersections | |
Zou et al. | Inertia mutation energy model to extract roads by crowdsourcing trajectories | |
Setiawan et al. | Monitoring Road Surface Conditions with Cyclist's Smartphone Sensors | |
Yang et al. | Trajectory quality assessment based on movement feature stability |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210101 |