CN112199454B - 一种基于有向图的管控车辆拦截点设置方法及装置 - Google Patents
一种基于有向图的管控车辆拦截点设置方法及装置 Download PDFInfo
- Publication number
- CN112199454B CN112199454B CN202010608782.2A CN202010608782A CN112199454B CN 112199454 B CN112199454 B CN 112199454B CN 202010608782 A CN202010608782 A CN 202010608782A CN 112199454 B CN112199454 B CN 112199454B
- Authority
- CN
- China
- Prior art keywords
- directed
- directed graph
- vertex
- edge
- control vehicle
- 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 25
- 238000000605 extraction Methods 0.000 claims abstract description 16
- 230000000903 blocking effect Effects 0.000 claims description 8
- 238000005065 mining Methods 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000012216 screening Methods 0.000 claims description 6
- 230000001276 controlling effect Effects 0.000 claims 2
- 230000001105 regulatory effect Effects 0.000 claims 1
- 238000012163 sequencing technique Methods 0.000 abstract description 13
- 230000002093 peripheral effect Effects 0.000 abstract description 3
- 238000001514 detection method Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 241001622623 Coeliadinae Species 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000003111 delayed effect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012827 research and development Methods 0.000 description 1
- 238000012916 structural analysis Methods 0.000 description 1
- 238000012360 testing method 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
- G06F16/29—Geographical information databases
-
- 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
- G06F16/2457—Query processing with adaptation to user needs
-
- 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
- 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
- G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
- G08G1/0137—Measuring and analyzing of parameters relative to traffic conditions for specific applications
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Databases & Information Systems (AREA)
- Tourism & Hospitality (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Educational Administration (AREA)
- Development Economics (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Remote Sensing (AREA)
- Traffic Control Systems (AREA)
Abstract
一种基于有向图的管控车辆拦截点设置方法及装置,通过对交通路网进行有向图提取,当管控车辆经过管控卡点时,系统实时报警,基于报警卡点位置对应的有向图顶点挖掘管控车辆可选逃跑线路,并转化为有向图的边或边的集合;挖掘管控车辆归属地信息、历史行车习惯等,同时,结合逃跑线路上的实时路况等生成有向图边上的权重值,对有向图进行权重值的排序,按照权重值从大到小的顺序依次进行智能推荐,并就近调度周边警力进行设卡拦截,该拦截点推荐准确性高和可操作性强,实现难度和研发成本均较低,同时,方法灵活性高,有效弥补传统管控车辆拦截依靠人工经验,拦截动作滞后等问题。
Description
技术领域
本发明涉及智能交通以及车辆侦查领域,具体涉及基于有向图的管控车辆拦截点设置方法及装置。
背景技术
随着经济的飞速发展,城市规模不断扩大,人口数量、机动车保有量持续增长,交通案事件频发,特别是各种涉车违法犯罪行为,给交通管控工作带来了巨大考验。如何高效地进行交通管控、如何提高在复杂交通环境下及时精准地对车辆进行监控、管制,对管控车辆拦截已成为目前亟待解决的问题。
目前,各地交通管理部门大力建设路面视频监控系统、智能卡口系统、闯红灯抓拍系统、视频车流量检测系统等,同时,车辆视频实时结构化分析、车辆图片二次识别、大数据挖掘分析等技术的快速发展,为管控车辆管控提供了基础数据和技术支撑,大量的管控系统应运而生。然而,传统的管控系统或者方法往往存在以下问题:数据来源单一,有能综合多维度数据进行统合分析挖掘;信息孤岛,数据不能有效共享;拦截点设置依靠线下人工经验判断;没有把道路交通当作一个有机的、整体的模型来进行分析。
发明内容
鉴于现有技术中存在的技术缺陷和技术弊端,本发明实施例提供克服上述问题或者至少部分地解决上述问题的一种基于有向图的管控车辆拦截点设置方法及装置,具体方案如下:
一种基于有向图的管控车辆拦截点设置方法,其特征在于,所述方法包括:
步骤1,对交通路网进行有向图提取,得到交通路网有向图以及对应的有向边集合;
步骤2,针对管控车辆进行管控,当管控车辆经过管控卡点时,系统实时报警;
步骤3,以报警的管控卡点位置对应的有向图顶点为源点,基于管控车辆所有可选逃跑线路,在有向图中查找出与所有可选逃跑线路对应的所有有向边,作为有向边子集;
步骤4,基于所述管控车辆的大数据信息以及实时道路交通信息,计算所述有向边子集中的各有向边的权重值,并基于各有向边的权重值得到带权有向图;
步骤5,对带权有向图的各有向边按照权重值的大小从大到小进行排序,并按照有向边的排序顺序依次推荐设卡拦截点。
进一步地,步骤1具体为:对交通路网进行有向图提取,以交通路网中的管控卡点作为有向图的顶点,以两管控卡点之间的道路作为有向图边,以道路的方向作为边的箭头方向,从而得到有向图以及有向图的有向边集合。
进一步地,在有向图中查找出与所有可选逃跑线路对应的所有有向边,作为有向边子集具体为:
基于报警的管控卡点位置,查找该报警的管控卡点在有向图中对应的顶点,从所述有向边集合中找出以该顶点为源点的所有有向边,作为有向边子集。
进一步地,步骤4中,所述管控车辆的大数据信息包括管控车辆的归属地信息以及历史行车习惯信息,基于所述管控车辆的大数据信息以及实时道路交通信息,计算所述有向边子集中的各有向边的权重值具体包括:
步骤4.11,基于管控车辆的归属地信息,将与归属地方向拟合的有向边子集中的有向边按照拟合度大小增加相应的权重值;
步骤4.12,基于管控车辆的历史行车习惯信息,挖掘管控车辆在过去一段时间T内的历史行车轨迹,将与所述历史行车轨迹对应的有向边子集中的有向边上按照经过次数增加相应的权重值;
步骤4.13,基于实时道路交通信息,获取线路交通拥堵指数,按照线路交通拥堵指数在对应的有向边子集中的有向边上增加相应的权重值;
步骤4.14,对有向边子集中每个有向边上基于步骤4.11、步骤4.12和步骤4.13得到的权重值进行叠加,得到有向边子集中的各有向边的权重值。
进一步地,所述方法还包括,运用Dijkstra算法原理,求有向图中各顶点到其余顶点的最大权重路径,具体包括:
步骤4.21,令带权有向图为G=<V,E>,其中,V表示顶点,E表示有向边,令S为已确定了最大权重值顶点的集合,令V-S为剩余未确定最大权重值顶点的集合,令报警的管控卡点对应的顶点V0为源点,则初始S={V0},用数组Distance表示源点V0到其余顶点的有向边权重值,用数组pre[i]表示最大权重路径序列上顶点i的前一个顶点,初始时,pre[i]都是源点的下标;
步骤4.22,从当前Distance[i]找出权重值最大的一个有向边,记录其下标v=i,得到源点V0到顶点的最大权重路径以及最大权重路径对应的顶点Vv,把Vv加入S;
步骤4.23,更新源点到剩余顶点的最大权重路径长度,具体为:以上一步的顶点Vv为中间点,若Distance[v]+weight(v,i)<Distance[i],则修改值:pre[i]=v;Distance[i]=Distance[v]+weight(v,i),其中,weight(v,i)表示V到i之间的权重路径值;
重复步骤4.22和4.23,直至源点到所有顶点的最大权重路径都已找到,从而得到带权有向图。
作为本发明的第二方面,提供一种基于有向图的管控车辆拦截点设置装置,所述装置包括有向图提取模块、报警模块、筛选模块、带权模块以及推荐模块;
所述有向图提取模块,用于对交通路网进行有向图提取,得到交通路网有向图以及对应的有向边集合;
所述报警模块,用于针对管控车辆进行管控,当管控车辆经过管控卡点时,系统实时报警;
所述筛选模块,用于以报警的管控卡点位置对应的有向图顶点为源点,基于管控车辆所有可选逃跑线路,在有向图中查找出与所有可选逃跑线路对应的所有有向边,作为有向边子集;
所述带权模块,用于基于所述管控车辆的大数据信息以及实时道路交通信息,计算所述有向边子集中的各有向边的权重值,并基于各有向边的权重值得到带权有向图;
所述推荐模块,用于对带权有向图的各有向边按照权重值的大小从大到小进行排序,并按照有向边的排序顺序依次推荐设卡拦截点。
进一步地,所述有向图提取模块具体用于:对交通路网进行有向图提取,以交通路网中的管控卡点作为有向图的顶点,以两管控卡点之间的道路作为有向图边,以道路的方向作为边的箭头方向,从而得到有向图以及有向图的有向边集合。
进一步地,在有向图中查找出与所有可选逃跑线路对应的所有有向边,作为有向边子集具体为:基于报警的管控卡点位置,查找该报警的管控卡点在有向图中对应的顶点,从所述有向边集合中找出以该顶点为源点的所有有向边,作为有向边子集。
进一步地,所述管控车辆的大数据信息包括管控车辆的归属地信息以及历史行车习惯信息,基于所述管控车辆的大数据信息以及实时道路交通信息,计算所述有向边子集中的各有向边的权重值具体包括:
加权指标1:基于管控车辆的归属地信息,将与归属地方向拟合的有向边子集中的有向边按照拟合度大小增加相应的权重值;
加权指标2:基于管控车辆的历史行车习惯信息,挖掘管控车辆在过去一段时间T内的历史行车轨迹,将与所述历史行车轨迹对应的有向边子集中的有向边上按照经过次数增加相应的权重值;
加权指标3:基于实时道路交通信息,获取线路交通拥堵指数,按照线路交通拥堵指数在对应的有向边子集中的有向边上增加相应的权重值;
对有向边子集中每个有向边上基于加权指标1-3得到的权重值进行叠加,得到有向边子集中的各有向边的权重值。
进一步地,所述装置还包括最大权重路径计算模块,所述最大权重路径计算模块用于运用Dijkstra算法原理,求有向图中各顶点到其余顶点的最大权重路径:
A:令带权有向图为G=<V,E>,令S为已确定了最大权重值顶点的集合,令V-S为剩余未确定最大权重值顶点的集合,令报警的管控卡点对应的顶点V0为源点,则初始S={V0},用数组Distance表示源点V0到其余顶点的有向边权重值,用数组pre[i]表示最大权重路径序列上顶点i的前一个顶点,初始时,pre[i]都是源点的下标;
B:从当前Distance[i]找出权重值最大的一个有向边,记录其下标v=i,得到源点V0到顶点的最大权重路径以及最大权重路径对应的顶点Vv,把Vv加入S;
C:更新源点到剩余顶点的最大权重路径长度,具体为:以上一步的顶点Vv为中间点,若Distance[v]+weight(v,i)<Distance[i],则修改值:pre[i]=v;Distance[i]=Distance[v]+weight(v,i);
重复A和C,直至源点到所有顶点的最大权重路径都已找到,从而得到带权有向图。
本发明具有以下有益效果:
本发明提供的一种基于有向图的管控车辆拦截点设置方法及装置,适用于智能交通、车辆侦查领域,涉及针对管控车辆的管控拦截,通过对交通路网进行有向图提取、优化,针对管控车辆进精确管控,当管控车辆经过管控卡点时,系统实时报警,基于报警卡点位置挖掘管控车辆可选逃跑线路,并转化为有向图的边或边的集合;基于过车抓拍数据、车驾管数据等对管控车辆进行实时数据分析,挖掘管控车辆归属地信息、历史行车习惯等,同时,结合管控车辆行车速度、逃跑线路上的实时路况等生成有向图边上的权重值,对有向图进行权重值排序,按照权重值从大到小的顺序依次进行智能推荐,并就近调度周边警力进行设卡拦截,该拦截点推荐准确性高和可操作性强,实现难度和研发成本均较低,同时,方法灵活性高,有效弥补传统管控车辆拦截依靠人工经验,拦截动作滞后等问题。
附图说明
图1为本发明实施例提供的一种基于有向图的管控车辆拦截点设置方法流程图;
图2为本发明实施例提供的以V0为源点的有向图示意图;
图3为本发明实施例提供的以V0为源点的带权有向图示意图,图中数字仅表示有向边的权重值,而并非附图标记。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分,而不是全部的实施例。基于本发明中的实施例,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,都属于本发明保护的范围。
如图1所示,作为本发明的第一实施例,提供一种基于有向图的管控车辆拦截点设置方法,其特征在于,所述方法包括:
步骤1,对交通路网进行有向图提取,以交通路网中的管控卡点作为有向图的顶点,以两管控卡点之间的道路作为有向图边,以道路的方向作为边的箭头方向,从而得到有向图以及有向图的有向边集合,如图2所示,图中顶点V0、V1…V6表示交通路网中的车辆监控卡点,如:智能卡口、电子警察等,通常安装在路口;图中边表示两个卡点间的道路,箭头表示道路的方向,于是得到交通路网有向图的有向边集合{<V0,V1>、<V0,V2>、<V0,V4>、<V0,V6>、<V1,V5>、<V1,V6>、<V2,V3>、<V3,V4>、<V4,V5>、<V5,V6>};
步骤2,针对管控车辆进行管控,当管控车辆经过管控卡点时,系统实时报警;
步骤3,以报警的管控卡点位置对应的有向图顶点为源点,基于管控车辆所有可选逃跑线路,在有向图中查找出与所有可选逃跑线路对应的所有有向边,作为有向边子集,子集中有向边上的权重值默认为0;
其中,在有向图中查找出与所有可选逃跑线路对应的所有有向边,作为有向边子集具体为:基于报警的管控卡点位置,查找该报警的管控卡点在有向图中对应的顶点,从所述有向边集合中找出以该顶点为源点的所有有向边,作为有向边子集,例如,在V0处报警,则有向边子集为{<V0,V1>、<V0,V2>、<V0,V4>、<V0,V6>};
步骤4,基于所述管控车辆的大数据信息以及实时道路交通信息,计算所述有向边子集中的各有向边的权重值,并基于各有向边的权重值得到带权有向图,如图3所示;
其中,基于所述管控车辆的大数据信息以及实时道路交通信息,计算所述有向边子集中的各有向边的权重值具体包括:
步骤4.11,基于管控车辆的归属地信息,将与归属地方向拟合的有向边子集中的有向边按照拟合度大小增加相应的权重值,权重值取值视有向边的方向与归属地所在方向的拟合度而灵活设定,拟合度越高,取值越大;
步骤4.12,基于管控车辆的历史行车习惯信息,如常规行车轨迹等,挖掘管控车辆在过去一段时间T内的历史行车轨迹,将与所述历史行车轨迹对应的有向边子集中的有向边上按照经过次数增加相应的权重值,权重值取值依据管控车辆在该有向边上的经过次数取值,经过次数越多,取值越大;
步骤4.13,基于实时道路交通信息,获取线路交通拥堵指数,按照线路交通拥堵指数在对应的有向边子集中的有向边上增加相应的权重值,权重值取值按照交通拥堵指数取值,交通拥堵指数越小,取值越大;
步骤4.14,对有向边子集中每个有向边上基于步骤4.11、步骤4.12和步骤4.13得到的权重值进行叠加,得到有向边子集中的各有向边的权重值,例如,有向边<V0,V1>在步骤4.12得到的权重值为m1,在步骤4.12得到的权重值为m2,在步骤4.13得到的权重值为m3,则进行叠加后,有向边<V0,V1>的权重值为m1+m2+m3,依次得到所有有向边的权重值。
步骤5,对带权有向图的各有向边按照权重值的大小从大到小进行排序,并按照有向边的排序顺序依次推荐设卡拦截点。
优选地,所述方法还包括,运用Dijkstra算法原理,求有向图中各顶点到其余顶点的最大权重路径,具体包括:
步骤4.21,令带权有向图为G=<V,E>,其中,V表示顶点,E表示有向边,令S为已确定了最大权重值顶点的集合,令V-S为剩余未确定最大权重值顶点的集合,令报警的管控卡点对应的顶点V0为源点,则初始S={V0},用数组Distance表示源点V0到其余顶点的有向边权重值,用数组pre[i]表示最大权重路径序列上顶点i的前一个顶点,初始时,pre[i]都是源点的下标;
步骤4.22,从当前Distance[i]找出权重值最大的一个有向边,记录其下标v=i,得到源点V0到顶点的最大权重路径以及最大权重路径对应的顶点Vv,把Vv加入S;
步骤4.23,更新源点到剩余顶点的最大权重路径长度,具体为:以上一步的顶点Vv为中间点,若Distance[v]+weight(v,i)<Distance[i],则修改值:pre[i]=v;Distance[i]=Distance[v]+weight(v,i),其中,weight(v,i)表示V到i之间的权重路径值;
重复步骤4.22和4.23,直至源点到所有顶点的最大权重路径都已找到,从而获得源点到每个顶点的最大权重路径,对获得的各最大权重路径按照权重值的大小从大到小进行排序,并按照排序顺序在权重值最大的一条最大权重路径上依次推荐设卡拦截点,由于管控车辆在每一个具有多条叉路的卡点都存在一定的选择不确定性,所以本专利中只考虑顶点到下一个直接相连顶点的集合。
例如:
假设管控车辆当前在卡点V0报警,对有向图进行权重值排序,得到:
可选逃跑路线 | 权重值(降序排列) |
<V0,V6> | 32 |
<V0,V4> | 30 |
<V0,V1> | 13 |
<V0,V2> | 8 |
故推荐设卡拦截点依次是V6、V4、V1、V2。
假设管控车辆当前在卡点V1报警,对有向图进行权重值排序,得到:
故推荐设卡拦截点依次是V5、V6。
假设管控车辆当前在卡点V2报警,对有向图进行权重值排序,得到:
可选逃跑路线 | 权重值(降序排列) |
<V2,V3> | 5 |
故推荐设卡拦截点是V3,由于V3只有一个出口V4,V4只有一个出口V5,V5只有一个出口V6,所以可以根据实际情况(如周边警力位置、管控车辆车速等)在V3-V4-V5-V6线路<V3,V4,V5,V6>上的任意位置设卡拦截。
其它顶点Vi,同理。
作为本发明的第二方面,提供一种基于有向图的管控车辆拦截点设置装置,所述装置包括有向图提取模块、报警模块、筛选模块、带权模块以及推荐模块;
所述有向图提取模块,用于对交通路网进行有向图提取,得到交通路网有向图以及对应的有向边集合;
所述报警模块,用于针对管控车辆进行管控,当管控车辆经过管控卡点时,系统实时报警;
所述筛选模块,用于以报警的管控卡点位置对应的有向图顶点为源点,基于管控车辆所有可选逃跑线路,在有向图中查找出与所有可选逃跑线路对应的所有有向边,作为有向边子集;
所述带权模块,用于基于所述管控车辆的大数据信息以及实时道路交通信息,计算所述有向边子集中的各有向边的权重值,并基于各有向边的权重值得到带权有向图;
所述推荐模块,用于对带权有向图的各有向边按照权重值的大小从大到小进行排序,并按照有向边的排序顺序依次推荐设卡拦截点。
优选地,所述有向图提取模块具体用于:对交通路网进行有向图提取,以交通路网中的管控卡点作为有向图的顶点,以两管控卡点之间的道路作为有向图边,以道路的方向作为边的箭头方向,从而得到有向图以及有向图的有向边集合。
优选地,在有向图中查找出与所有可选逃跑线路对应的所有有向边,作为有向边子集具体为:基于报警的管控卡点位置,查找该报警的管控卡点在有向图中对应的顶点,从所述有向边集合中找出以该顶点为源点的所有有向边,作为有向边子集。
优选地,所述管控车辆的大数据信息包括管控车辆的归属地信息以及历史行车习惯信息,基于所述管控车辆的大数据信息以及实时道路交通信息,计算所述有向边子集中的各有向边的权重值具体包括:
加权指标1:基于管控车辆的归属地信息,将与归属地方向拟合的有向边子集中的有向边按照拟合度大小增加相应的权重值;
加权指标2:基于管控车辆的历史行车习惯信息,挖掘管控车辆在过去一段时间T内的历史行车轨迹,将与所述历史行车轨迹对应的有向边子集中的有向边上按照经过次数增加相应的权重值;
加权指标3:基于实时道路交通信息,获取线路交通拥堵指数,按照线路交通拥堵指数在对应的有向边子集中的有向边上增加相应的权重值;
对有向边子集中每个有向边上基于加权指标1-3得到的权重值进行叠加,得到有向边子集中的各有向边的权重值。
优选地,所述装置还包括最大权重路径计算模块,所述最大权重路径计算模块用于运用Dijkstra算法原理,求有向图中各顶点到其余顶点的最大权重路径:
A:令带权有向图为G=<V,E>,其中,V表示顶点,E表示有向边,令S为已确定了最大权重值顶点的集合,令V-S为剩余未确定最大权重值顶点的集合,令报警的管控卡点对应的顶点V0为源点,则初始S={V0},用数组Distance表示源点V0到其余顶点的有向边权重值,用数组pre[i]表示最大权重路径序列上顶点i的前一个顶点,初始时,pre[i]都是源点的下标;
B:从当前Distance[i]找出权重值最大的一个有向边,记录其下标v=i,得到源点V0到顶点的最大权重路径以及最大权重路径对应的顶点Vv,把Vv加入S;
C:更新源点到剩余顶点的最大权重路径长度,具体为:以上一步的顶点Vv为中间点,若Distance[v]+weight(v,i)<Distance[i],则修改值:pre[i]=v;Distance[i]=Distance[v]+weight(v,i),其中,weight(v,i)表示V到i之间的权重路径值;
重复A和C,直至源点到所有顶点的最大权重路径都已找到,由于管控车辆在每一个具有多条叉路的卡点都存在一定的选择不确定性,所以本专利中只考虑顶点到下一个直接相连顶点的集合。
以上所述仅为本发明的较佳实施例,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 (8)
1.一种基于有向图的管控车辆拦截点设置方法,其特征在于,所述方法包括:
步骤1,对交通路网进行有向图提取,得到交通路网有向图以及对应的有向边集合;
步骤2,针对管控车辆进行管控,当管控车辆经过管控卡点时,系统实时报警;
步骤3,以报警的管控卡点位置对应的有向图顶点为源点,基于管控车辆所有可选逃跑线路,在有向图中查找出与所有可选逃跑线路对应的所有有向边,作为有向边子集;
步骤4,基于所述管控车辆的大数据信息以及实时道路交通信息,计算所述有向边子集中的各有向边的权重值,并基于各有向边的权重值得到带权有向图;
步骤5,对带权有向图的各有向边按照权重值的大小从大到小进行排序,并按照有向边的排序顺序依次推荐设卡拦截点;
其中,所述方法还包括,运用Dijkstra算法原理,求有向图中各顶点到其余顶点的最大权重路径,具体包括:
步骤4.21,令带权有向图为G=<V,E>,其中,V表示顶点,E表示有向边,令S为已确定了最大权重值顶点的集合,令V-S为剩余未确定最大权重值顶点的集合,令报警的管控卡点对应的顶点V0为源点,则初始S={V0},用数组Distance表示源点V0到其余顶点的有向边权重值,用数组pre[i]表示最大权重路径序列上顶点i的前一个顶点,初始时,pre[i]都是源点的下标;
步骤4.22,从当前Distance[i]找出权重值最大的一个有向边,记录其下标v=i,得到源点V0到顶点的最大权重路径以及最大权重路径对应的顶点Vv,把Vv加入S;
步骤4.23,更新源点到剩余顶点的最大权重路径长度,具体为:以上一步的顶点Vv为中间点,若Distance[v]+weight(v,i)<Distance[i],则修改值:pre[i]=v;Distance[i]=Distance[v]+weight(v,i),其中,weight(v,i)表示V到i之间的权重路径值;
重复步骤4.22和4.23,直至源点到所有顶点的最大权重路径都已找到。
2.根据权利要求1所述的基于有向图的管控车辆拦截点设置方法,其特征在于,步骤1具体为:对交通路网进行有向图提取,以交通路网中的管控卡点作为有向图的顶点,以两卡点之间的道路作为有向图边,以道路的方向作为边的箭头方向,从而得到有向图以及有向图的有向边集合。
3.根据权利要求1所述的基于有向图的管控车辆拦截点设置方法,其特征在于,在有向图中查找出与所有可选逃跑线路对应的所有有向边,作为有向边子集具体为:
基于报警的管控卡点位置,查找该报警的管控卡点在有向图中对应的顶点,从所述有向边集合中找出以该顶点为源点的所有有向边,作为有向边子集。
4.根据权利要求1所述的基于有向图的管控车辆拦截点设置方法,其特征在于,步骤4中,所述管控车辆的大数据信息包括管控车辆的归属地信息以及历史行车习惯信息,基于所述管控车辆的大数据信息以及实时道路交通信息,计算所述有向边子集中的各有向边的权重值具体包括:
步骤4.11,基于管控车辆的归属地信息,将与归属地方向拟合的有向边子集中的有向边按照拟合度大小增加相应的权重值;
步骤4.12,基于管控车辆的历史行车习惯信息,挖掘管控车辆在过去一段时间T内的历史行车轨迹,将与所述历史行车轨迹对应的有向边子集中的有向边上按照经过次数增加相应的权重值;
步骤4.13,基于实时道路交通信息,获取线路交通拥堵指数,按照线路交通拥堵指数在对应的有向边子集中的有向边上增加相应的权重值;
步骤4.14,对有向边子集中每个有向边上基于步骤4.11、步骤4.12和步骤4.13得到的权重值进行叠加,得到有向边子集中的各有向边的权重值。
5.一种基于有向图的管控车辆拦截点设置装置,其特征在于,所述装置包括有向图提取模块、报警模块、筛选模块、带权模块以及推荐模块;
所述有向图提取模块,用于对交通路网进行有向图提取,得到交通路网有向图以及对应的有向边集合;
所述报警模块,用于针对管控车辆进行管控,当管控车辆经过管控卡点时,系统实时报警;
所述筛选模块,用于以报警的管控卡点位置对应的有向图顶点为源点,基于管控车辆所有可选逃跑线路,在有向图中查找出与所有可选逃跑线路对应的所有有向边,作为有向边子集;
所述带权模块,用于基于所述管控车辆的大数据信息以及实时道路交通信息,计算所述有向边子集中的各有向边的权重值,并基于各有向边的权重值得到带权有向图;
所述推荐模块,用于对带权有向图的各有向边按照权重值的大小从大到小进行排序,并按照有向边的排序顺序依次推荐设卡拦截点;
其中,所述装置还包括最大权重路径计算模块,所述最大权重路径计算模块用于运用Dijkstra算法原理,求有向图中各顶点到其余顶点的最大权重路径:
A:令带权有向图为G=<V,E>,其中,V表示顶点,E表示有向边,令S为已确定了最大权重值顶点的集合,令V-S为剩余未确定最大权重值顶点的集合,令报警的管控卡点对应的顶点V0为源点,则初始S={V0},用数组Distance表示源点V0到其余顶点的有向边权重值,用数组pre[i]表示最大权重路径序列上顶点i的前一个顶点,初始时,pre[i]都是源点的下标;
B:从当前Distance[i]找出权重值最大的一个有向边,记录其下标v=i,得到源点V0到顶点的最大权重路径以及最大权重路径对应的顶点Vv,把Vv加入S;
C:更新源点到剩余顶点的最大权重路径长度,具体为:以上一步的顶点Vv为中间点,若Distance[v]+weight(v,i)<Distance[i],则修改值:pre[i]=v;Distance[i]=Distance[v]+weight(v,i),其中,weight(v,i)表示V到i之间的权重路径值;
重复A和C,直至源点到所有顶点的最大权重路径都已找到。
6.根据权利要求5所述的基于有向图的管控车辆拦截点设置装置,其特征在于,所述有向图提取模块具体用于:对交通路网进行有向图提取,以交通路网中的管控卡点作为有向图的顶点,以两卡点之间的道路作为有向图边,以道路的方向作为边的箭头方向,从而得到有向图以及有向图的有向边集合。
7.根据权利要求5所述的基于有向图的管控车辆拦截点设置装置,其特征在于,在有向图中查找出与所有可选逃跑线路对应的所有有向边,作为有向边子集具体为:基于报警的管控卡点位置,查找该报警的管控卡点在有向图中对应的顶点,从所述有向边集合中找出以该顶点为源点的所有有向边,作为有向边子集。
8.根据权利要求5所述的基于有向图的管控车辆拦截点设置装置,其特征在于,所述管控车辆的大数据信息包括管控车辆的归属地信息以及历史行车习惯信息,基于所述管控车辆的大数据信息以及实时道路交通信息,计算所述有向边子集中的各有向边的权重值具体包括:
加权指标1:基于管控车辆的归属地信息,将与归属地方向拟合的有向边子集中的有向边按照拟合度大小增加相应的权重值;
加权指标2:基于管控车辆的历史行车习惯信息,挖掘管控车辆在过去一段时间T内的历史行车轨迹,将与所述历史行车轨迹对应的有向边子集中的有向边上按照经过次数增加相应的权重值;
加权指标3:基于实时道路交通信息,获取线路交通拥堵指数,按照线路交通拥堵指数在对应的有向边子集中的有向边上增加相应的权重值;
对有向边子集中每个有向边上基于加权指标1-3得到的权重值进行叠加,得到有向边子集中的各有向边的权重值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010608782.2A CN112199454B (zh) | 2020-06-30 | 2020-06-30 | 一种基于有向图的管控车辆拦截点设置方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010608782.2A CN112199454B (zh) | 2020-06-30 | 2020-06-30 | 一种基于有向图的管控车辆拦截点设置方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112199454A CN112199454A (zh) | 2021-01-08 |
CN112199454B true CN112199454B (zh) | 2022-12-13 |
Family
ID=74006123
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010608782.2A Active CN112199454B (zh) | 2020-06-30 | 2020-06-30 | 一种基于有向图的管控车辆拦截点设置方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112199454B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112949979B (zh) * | 2021-01-28 | 2024-04-09 | 迪爱斯信息技术股份有限公司 | 一种堵控规划方法及装置、围捕系统 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106225800A (zh) * | 2016-08-04 | 2016-12-14 | 广东石油化工学院 | 基于实时路况信息的环境友好型车辆导航路径构建方法 |
Family Cites Families (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
GB2443472A (en) * | 2006-10-30 | 2008-05-07 | Cotares Ltd | Method of generating routes |
WO2009158058A1 (en) * | 2008-06-24 | 2009-12-30 | Tele Atlas North America Inc. | Methods and systems for dynamically adaptive road network hierarchy and routing |
US9645577B1 (en) * | 2016-03-23 | 2017-05-09 | nuTonomy Inc. | Facilitating vehicle driving and self-driving |
CN106092111B (zh) * | 2016-06-03 | 2019-09-24 | 山东师范大学 | 一种车辆路径动态规划方法、服务器及导航系统 |
CN106203725A (zh) * | 2016-07-20 | 2016-12-07 | 上海交通大学 | 基于启发式搜索的门到门出行路径方案个性化推荐方法 |
EP3623759B1 (en) * | 2018-09-14 | 2024-04-17 | The Boeing Company | A computer-implemented method and a system for defining a path for a vehicle within an environment with obstacles |
CN109506667A (zh) * | 2018-11-28 | 2019-03-22 | 上海智能交通有限公司 | 一种用于重载大型车辆的智能出行的信息交互方法 |
CN110969852A (zh) * | 2019-12-09 | 2020-04-07 | 上海宝康电子控制工程有限公司 | 基于布控车辆行驶路径实现公安实时预测及缉查布控处理的方法 |
-
2020
- 2020-06-30 CN CN202010608782.2A patent/CN112199454B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106225800A (zh) * | 2016-08-04 | 2016-12-14 | 广东石油化工学院 | 基于实时路况信息的环境友好型车辆导航路径构建方法 |
Also Published As
Publication number | Publication date |
---|---|
CN112199454A (zh) | 2021-01-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109145954B (zh) | 一种基于多源时空数据的网约车出行安全评价方法及系统 | |
CN111081016B (zh) | 一种基于复杂网络理论的城市交通异常识别方法 | |
KR101638368B1 (ko) | 다변수 패턴 인식모델을 이용한 도시 교통 예측 시스템 및 그 방법 | |
Park et al. | Interpretation of Bayesian neural networks for predicting the duration of detected incidents | |
CN113115225A (zh) | 基于危险源监测与人员定位的电子围栏区域生成系统 | |
CN112669594A (zh) | 交通路况预测的方法、装置、设备及存储介质 | |
US20230140289A1 (en) | Traffic accident prediction systems and methods | |
CN110021161B (zh) | 一种交通流向的预测方法及系统 | |
CN115331425A (zh) | 一种交通预警方法、装置和系统 | |
CN112199454B (zh) | 一种基于有向图的管控车辆拦截点设置方法及装置 | |
Zhu et al. | Spatio-temporal point processes with attention for traffic congestion event modeling | |
Abpeykar et al. | Supervised and unsupervised learning DSS for incident management in intelligent tunnel: A case study in Tehran Niayesh tunnel | |
Evans et al. | A random forest incident detection algorithm that incorporates contexts | |
Taheri Sarteshnizi et al. | Temporal pattern mining of urban traffic volume data: A pairwise hybrid clustering method | |
CN117251722A (zh) | 一种基于大数据的智慧交通管理系统 | |
SH et al. | Prediction and Prevention Analysis Using Machine Learning Algorithms for Detecting the Crime Data | |
Naheliya et al. | A Hybrid Deep Learning Method for Short-Term Traffic Flow Forecasting: GSA-LSTM | |
Nguyen et al. | An automated detection framework for multiple highway bottleneck activations | |
Fahs et al. | Traffic congestion prediction based on multivariate modelling and neural networks regressions | |
CN115169588A (zh) | 电像计算时空轨迹车码关联方法、装置、设备及存储介质 | |
Sikora et al. | Rough natural hazards monitoring | |
Nagy et al. | Identifying Hidden Influences of Traffic Incidents' Effect in Smart Cities | |
Szénási et al. | Comparison of road accident black spot searching methods | |
Li | A deep learning approach for real-time crash risk prediction at urban arterials | |
Li et al. | Urban trip generation forecasting based on gradient boosting algorithm |
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 |