CN113934800A - 一种临时号车伴随关系识别方法、装置、终端及介质 - Google Patents

一种临时号车伴随关系识别方法、装置、终端及介质 Download PDF

Info

Publication number
CN113934800A
CN113934800A CN202111187686.6A CN202111187686A CN113934800A CN 113934800 A CN113934800 A CN 113934800A CN 202111187686 A CN202111187686 A CN 202111187686A CN 113934800 A CN113934800 A CN 113934800A
Authority
CN
China
Prior art keywords
target object
vehicle
accompanying
identification
relation
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
Application number
CN202111187686.6A
Other languages
English (en)
Inventor
房俊
林清阳
李海宁
张尤彬
陈航
曾劲
卢云亮
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Guangzhou Teligen Communication Technology Co ltd
Original Assignee
Guangzhou Teligen Communication Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Guangzhou Teligen Communication Technology Co ltd filed Critical Guangzhou Teligen Communication Technology Co ltd
Priority to CN202111187686.6A priority Critical patent/CN113934800A/zh
Publication of CN113934800A publication Critical patent/CN113934800A/zh
Pending legal-status Critical Current

Links

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
    • G06F16/28—Databases characterised by their database models, e.g. relational or object models
    • G06F16/284—Relational databases
    • G06F16/288—Entity relationship models
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Databases & Information Systems (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Probability & Statistics with Applications (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Computation (AREA)
  • Evolutionary Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Fuzzy Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Computational Linguistics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Remote Sensing (AREA)
  • Traffic Control Systems (AREA)

Abstract

本申请公开了一种临时号车伴随关系识别方法、装置、终端及介质，本申请的方法通过移动号码或车牌号码作为第一对象标识，确定第一目标对象和目标地区网格区域，基于第一目标对象与目标地区网格区域内的第二目标对象在伴随识别时间段的号车轨迹相似度，根据号车轨迹相似度，结合预设的置信等级与号车轨迹相似度的对应关系，进而根据临时伴随关系置信等级确定出第一目标对象与第二目标对象的临时号车伴随关系。只需要确定移动号码或车牌号码之一，并设定大约的乘车时间段范围，即可发起号车伴随关系的识别，更符合网约车与乘车用户间伴随关系的特点，解决了现有技术无法还原网约车的真实号车伴随关系，存在号车关系识别精度低的技术问题。

Description

一种临时号车伴随关系识别方法、装置、终端及介质
技术领域
本申请涉及大数据技术领域，尤其涉及一种临时号车伴随关系识别方法、 装置、终端及介质。
背景技术
随着人工智能、大数据、云计算等技术进步，建设智慧城市成为了当今 的一个热门话题，智慧城市是以北斗、物联网、云计算、大数据和人工智能 等信息技术为支撑，汇聚各类警务资源，以GA信息化为核心，提供勤务实 战、JQ研判、治安防控、便民服务、移动警务等多个业务领域信息服务，提 高GA社会治理能力以及公共服务化水平。实现信息强度整合、高度共享、 深度应用的智慧警务。
如今，越来越多网约车平台公司获得经营许可，网约车业务的快速发展， 给人们带来出行便利。充分挖掘网约车带来的号车伴随关系，对网约车行业 的安全管理，对智慧城市的发展、城市深度治理以及公共资源配置的优化等 方面都具有重要的意义，其中，号车伴随关系指的是用户的第二对象标识与 第一对象标识的伴随关系，可以一定程度上反映用户与第一对象标识的驾乘 伴随关系。
目前，挖掘号车伴随关系的方式主要有以Hbase等列数据库为基础的时 空分析应用，时空伴随应用的号车关系识别方式需要指定具体的伴随对象， 还需要具体的时间区间，包括：伴随关系的起始时间和结束时间，再通过网 格碰撞找出具有伴随关系的号车，然而这种方式在应用第一对象标识对象为 网约车时，无法还原网约车的真实号车伴随关系，存在号车关系识别精度低 的技术问题。
发明内容
本申请提供了一种临时号车伴随关系识别方法、装置、终端及介质，用 于解决现有技术无法还原网约车的真实号车伴随关系，存在号车关系识别精 度低的技术问题。
本申请第一方面提供了一种临时号车伴随关系识别方法，包括：
响应于号车伴随关系识别指令，根据所述号车伴随关系识别指令中包含 的临时关系标识信息，确定第一目标对象，所述临时关系标识信息为基于预 设的第一对象标识与预设的伴随识别时间段生成的，所述第一对象标识为车 辆标识或移动号码标识。
基于所述第一目标对象的位置信息，结合地理网格区域与位置信息的对 应关系，确定所述第一目标对象所在的目标地理网格区域，其中，所述地理 网格区域为基于利用Geohash算法得到的，所述第一目标对象的位置信息为 基于所述第一目标对象在所述伴随识别时间段的移动轨迹确定的。
基于所述目标地理网格区域内的第二对象标识，确定第二目标对象，其 中，所述第二对象标识为与所述第一对象标识相对立的对象标识。
基于所述第一目标对象与所述第二目标对象在所述伴随识别时间段的移 动轨迹，计算所述第一目标对象与第二目标对象的号车轨迹相似度。
根据所述号车轨迹相似度，结合预设的临时伴随关系置信等级与号车轨 迹相似度的对应关系，确定所述第一目标对象与所述第二目标对象在所述伴 随识别时间段的临时伴随关系置信等级，以便根据所述临时伴随关系置信等 级确定所述第一目标对象与所述第二目标对象的临时号车伴随关系。
优选地，所述基于所述目标地理网格区域内的第二对象标识，确定第二 目标对象具体包括：
基于所述目标地理网格区域内的第二对象标识，确定所述第二对象标识 的位置信息。
基于所述第二对象标识的位置信息与所述第一目标对象的位置信息，通 过网格碰撞计算公式，得到所述第二对象标识与所述第一目标对象间的距离 分值，以便基于所述距离分值，从所述第二对象标识中确定出若干个第二目 标对象。
优选地，当所述第二对象标识为移动号码标识时，所述第二对象标识的 位置信息具体为所述第二对象标识在第一时间段内的平均位置，其中，所述 第一时间段与所述伴随识别时间段存在交集。
优选地，所述目标地理网格区域具体为：所述第一目标对象所在的第一 地理网格区域或由所述第一地理网格区域以及所述第一地理网格区域的邻域 网格区域共同构成的组合地理网格区域。
优选地，所述基于所述第一目标对象与第二目标对象在所述伴随识别时 间段的移动轨迹，计算所述第一目标对象与第二目标对象的号车轨迹相似度 具体包括：
基于所述第一目标对象与第二目标对象在所述伴随识别时间段的移动轨 迹，分别计算所述第一目标对象与所述第二目标对象的轨迹点距离相似度、 运动距离相似度以及轨迹时间相似度。
计算所述轨迹点相似度、所述运动距离相似度以及所述轨迹时间相似度 的加权和，并以所述加权和作为所述第一目标对象与第二目标对象的号车轨 迹相似度。
优选地，所述基于所述第一目标对象与第二目标对象在所述伴随识别时 间段的移动轨迹，计算所述第一目标对象与第二目标对象的号车轨迹相似度 之前还包括：
按照预设的特殊号车关系信息，对所述第一目标对象与所述第二目标对 象进行比对，当所述第一目标对象与所述第二目标对象属于特殊号车关系， 则按照所述特殊号车关系对应的置信等级，确定所述第一目标对象与所述第 二目标对象的号车伴随关系。
优选地，所述特殊号车关系信息具体包括：常伴随关系、车载卡伴随关 系以及一对一关系。
其中，所述常伴随关系是指在第二时间段内，当车辆标识与移动号码标 识的号车伴随关系累计时间达到预设时长阈值时，所述车辆标识与所述移动 号码标识所构成的号车伴随关系。
所述车载卡伴随关系是指当移动号码标识属于车载卡的号码，且所述车 载卡被装配在车辆标识对应的车辆上时，所述移动号码标识与所述车辆标识 所构成的号车伴随关系。
所述一对一关系是指在所述伴随识别时间段内，当识别到移动号码标识 与车辆标识绑定的车辆通信号码标识存在通信行为时，所述移动号码标识与 所述车辆标识所构成的号车伴随关系。
本申请第二方面提供了一种临时号车伴随关系识别装置，包括：
指令响应单元，用于响应于号车伴随关系识别指令，根据所述号车伴随 关系识别指令中包含的临时关系标识信息，确定第一目标对象，所述临时关 系标识信息为基于车辆标识与预设的伴随识别时间段生成的。
目标地理网格区域确定单元，用于基于所述第一目标对象的位置信息， 结合地理网格区域与位置信息的对应关系，确定所述第一目标对象所在的目 标地理网格区域，其中，所述地理网格区域为基于利用Geohash算法得到的， 所述第一目标对象的位置信息为基于所述第一目标对象在所述伴随识别时间 段的移动轨迹确定的。
第二目标对象确定单元，用于基于所述目标地理网格区域内的第二对象 标识，确定第二目标对象，其中，所述第二对象标识为与所述第一对象标识 相对立的对象标识。
号车轨迹相似度计算单元，用于基于所述第一目标对象与所述第二目标 对象在所述伴随识别时间段的移动轨迹，计算所述第一目标对象与第二目标 对象的号车轨迹相似度。
临时号车伴随关系确定单元，用于根据所述号车轨迹相似度，结合预设 的临时伴随关系置信等级与号车轨迹相似度的对应关系，确定所述第一目标 对象与所述第二目标对象在所述伴随识别时间段的临时伴随关系置信等级， 以便根据所述临时伴随关系置信等级确定所述第一目标对象与所述第二目标 对象的临时号车伴随关系。
本申请第三方面提供了一种终端，包括：存储器和处理器。
所述存储器用于存储程序代码，所述程序代码与如本申请第一方面提供 的一种临时号车伴随关系识别方法相对应。
所述处理器用于执行所述程序代码。
本申请第四方面提供了一种计算机可读存储介质，所述计算机可读存储 介质中存储有与如本申请第一方面提供的一种临时号车伴随关系识别方法相 对应的程序代码。
从以上技术方案可以看出，本申请具有以下优点：
本申请提供的方法通过移动号码或车牌号码作为第一对象标识，确定第 一目标对象和目标地区网格区域，基于第一目标对象与目标地区网格区域内 的第二目标对象在伴随识别时间段的号车轨迹相似度，根据号车轨迹相似度， 结合预设的置信等级与号车轨迹相似度的对应关系，进而根据临时伴随关系 置信等级确定出第一目标对象与第二目标对象的临时号车伴随关系。通过本 申请提供的方法，只需要确定移动号码或车牌号码之一，并设定大约的乘车 时间段范围，即可发起号车伴随关系的识别，符合网约车与乘车用户之间伴 随关系短暂、变化幅度大的特点，解决了现有技术无法还原网约车的真实号 车伴随关系，存在号车关系识别精度低的技术问题。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案，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申请的一些实施例，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它的附图。
图1为本申请提供的一种临时号车伴随关系识别方法的第一个实施例的 流程示意图。
图2为本申请提供的一种临时号车伴随关系识别方法的第二个实施例的 流程示意图。
图3为本申请提供的一种临时号车伴随关系识别装置的一个实施例的结 构示意图。
具体实施方式
本申请实施例提供了一种临时号车伴随关系识别方法、装置、终端及介 质，用于解决现有技术无法还原网约车的真实号车伴随关系，存在号车关系 识别精度低的技术问题。
为使得本申请的发明目的、特征、优点能够更加的明显和易懂，下面将 结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整 地描述，显然，下面所描述的实施例仅仅是本申请一部分实施例，而非全部 的实施例。基于本申请中的实施例，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，都属于本申请保护的范围。
本申请提供的方法可以应用在一个终端设备上运行，如服务器、主机等， 此终端包括：存储器和处理器。
终端中的存储器用于存储程序代码，所述程序代码与如本申请以下实施 例提供的一种临时号车伴随关系识别方法相对应。
终端中的处理器用于执行存储器中存储的程序代码，从而使得该终端可 以实现本申请实施例所提供的临时号车伴随关系识别方法。
请参阅图1，本申请第一个实施例提供的一种临时号车伴随关系识别方 法，包括：
步骤101、响应于号车伴随关系识别指令，根据所述号车伴随关系识别指 令中包含的临时关系标识信息，确定第一目标对象，所述临时关系标识信息 为基于预设的第一对象标识与预设的伴随识别时间段生成的，所述第一对象 标识为车辆标识，如车牌号码，或者为移动号码标识，如安装在如手机等特 定终端上的SIM卡号码。
需要说明的是，当需要执行临时号车伴随关系识别任务时，终端会生成 相应的号车伴随关系识别指令，作为方法执行开始的标志，号车伴随关系识 别指令中包含有临时关系标识信息，其中，该临时关系标识信息为基于预设 的第一对象标识与预设的伴随识别时间段生成的，所述第一对象标识为车辆 标识或移动号码标识，优选情况下，每个第一对象标识、每个伴随时间段对 应一个唯一的标识信息。
需要说明的是，本申请中提及的号车伴随关系识别指令可以通过人工操 作触发产生，比如工作人员按照需求设置好对应第一对象标识与伴随识别时 间段，由终端按照设定生成相应的指令；也可以是满足了预设的条件时，由 终端自动产生，比如按照预设的触发周期，按照终端中保存有的第一对象标 识以及实时时间自动生成的伴随识别时间段，周期性生成相应的指令，又或 者当检测到某第一对象标识移动了一定距离，则基于该第一对象标识以及伴 随识别时间段，生成相应的指令。
步骤102、基于所述第一目标对象的位置信息，结合地理网格区域与位置 信息的对应关系，确定所述第一目标对象所在的目标地理网格区域。
其中，所述地理网格区域为基于利用Geohash算法得到的，所述第一目 标对象的位置信息为基于所述第一目标对象在所述伴随识别时间段的移动轨 迹确定的。
需要说明的是，Geohash算法就是将经纬度编码，将二维空间编码为一维 字符串，给地理位置分区的一种算法。常用的Geohash算法包括Geohash (Gustavo Niemeyer发明)以及Google S2算法。
在本实施例的步骤102中，基于步骤101确定的第一目标对象，根据该 第一目标对象的位置信息，结合地理网格区域与位置信息的对应关系，确定 该第一目标对象所在的目标地理网格区域。
步骤103、基于所述目标地理网格区域内的第二对象标识，确定第二目标 对象。
需要说明的是，本实施例步骤103中提及的第二目标对象为基于所述目 标地理网格区域内的第二对象标识，从这些第二对象标识中确定出的目标对 象，其中，第二对象标识具体为与所述第一对象标识相对立的对象标识，即 当第一对象标识为车辆标识时，此时第二对象标识则为移动用户标识，反之 亦然。
步骤104、基于所述第一目标对象与第二目标对象在所述伴随识别时间段 的移动轨迹，计算所述第一目标对象与第二目标对象的号车轨迹相似度。
在本实施例的步骤104中，基于前序步骤中确定的第一目标对象和第二 目标对象，通过获取到它们在伴随识别时间段的移动轨迹记录，即目标车辆 的移动轨迹和目标移动号码的移动轨迹，然后计算第一目标对象与第二目标 对象移动轨迹的相似度，即可得到第一目标对象与第二目标对象的号车轨迹 相似度。
步骤105、根据所述号车轨迹相似度，结合预设的临时伴随关系置信等级 与号车轨迹相似度的对应关系，确定所述第一目标对象与所述第二目标对象 在所述伴随识别时间段的临时伴随关系置信等级，以便根据所述临时伴随关 系置信等级确定所述第一目标对象与所述第二目标对象的临时号车伴随关 系。
最后，根据步骤104得到的号车轨迹相似度，结合预设的置信等级与号 车轨迹相似度的对应关系，确定所述第一目标对象与所述第二目标对象在所 述伴随识别时间段的临时伴随关系置信等级，其中，本实施例提及的置信等 级可以分为可信、高疑似、疑似、低疑似、不可信，根据所述临时伴随关系 置信等级确定所述第一目标对象与所述第二目标对象的临时号车伴随关系， 在实际操作中，置信等级划分的阈值可根据验证集中的表现效果动态修正。
以上内容便是本申请提供的一种临时号车伴随关系识别方法的第一个实 施例的详细说明，通过本申请提供的方法，只需要确定移动号码或车牌号码 之一，并设定大约的乘车时间段范围，即可发起号车伴随关系的识别，符合 网约车与乘车用户之间伴随关系短暂、变化幅度大的特点，解决了现有技术 无法还原网约车的真实号车伴随关系，存在号车关系识别精度低的技术问题。 以下内容为本申请提供的一种临时号车伴随关系识别方法的第二个实施例的 详细说明。
请参阅图2，本申请第二个实施例在上述第一个实施例的基础上，进一步 提供了一种更具体的临时号车伴随关系识别方法，包括：
进一步地，实施例一中的步骤103，其过程具体包括：
步骤1031、基于所述目标地理网格区域内的第二对象标识，确定所述第 二对象标识的位置信息。
步骤1032、基于所述第二对象标识的位置信息与所述第一目标对象的位 置信息，通过网格碰撞计算公式，得到所述第二对象标识与所述第一目标对 象间的距离分值，以便基于所述距离分值，从所述第二对象标识中确定出若 干个第二目标对象。
假设以车辆为第一目标对象，计算网格中经过车辆的轨迹与网格中手机 号码的距离分值的计算公式是：
Figure BDA0003299944010000081
式中，Pphone代表手机号经纬度、代表车辆经纬度，d代表两点间欧几里得 距离，Dmax代表该级别地理网格的最大尺寸，例如14级S2网格的D值为600 米。视乎流计算集群的性能以及伴随覆盖度的要求，每辆车可以选取score值 最高的前N个号码作为第二目标对象(或全部号码，N受集群性能而定)。
优选地，当所述第二对象标识为移动号码标识时，所述第二对象标识的 位置信息具体为所述第二对象标识在第一时间段内的平均位置，其中，所述 第一时间段与所述伴随识别时间段存在交集。
需要说明的是，流计算集群实时分析手机信令数据，通过手机信令经纬 度字段，生成手机所在位置的Geohash。并在下层算子中按照Geohash归集手 机信令。下层算子中，对于每个手机号，计算其在2小时内的平均位置。因 为每个Geohash内基站的个数是有限的，利用移动号码的平均位置，更有利 于了解移动号码在该网格中的真实位置，能够进一步提高号车轨迹的评分的 区分度。
更具体地，所述目标地理网格区域具体为：所述第一目标对象所在的第 一地理网格区域或由所述第一地理网格区域以及所述第一地理网格区域的邻 域网格区域共同构成的组合地理网格区域，优选以第一地理网格区域及其扩8 邻域网格区域共同构成目标地理网格区域，从而增加识别对象的覆盖度。
更具体地，实施例一当中的步骤104，其过程具体包括：
步骤1041、基于所述第一目标对象与第二目标对象在所述伴随识别时间 段的移动轨迹，分别计算所述第一目标对象与所述第二目标对象的轨迹点距 离相似度、运动距离相似度以及轨迹时间相似度。
步骤1042、计算所述轨迹点相似度、所述运动距离相似度以及所述轨迹 时间相似度的加权和，并以所述加权和作为所述第一目标对象与第二目标对 象的号车轨迹相似度。
需要说明的是，和车发生过网格碰撞的每个号码，按照临时关系标识码 分组下发，同时下发相应评分。根据号车轨迹，计算进一步评分，包括但不 限于轨迹相似度评分、运动距离相似度评分、运动时间相似度评分等：
轨迹点相似度评分:即上文提到的score值经过聚合后的平均值
Figure BDA0003299944010000091
反映了号车路过并发生碰撞的每个网格中，号车轨迹的相似 度。
运动距离相似度评分，令Pt1为车辆在t1时间经过的坐标点，那么车辆轨迹 Tcar＝{Pt1,Pt2,......,PtN}，车辆运动距离
Figure BDA0003299944010000092
即将轨迹中每两个点的 距离相叠加。通过车辆轨迹点的点集，找到同时间出现的号码轨迹点， Tphone＝{Pt1',Pt2',......,PtM'}。车辆点集中，有些时间点可以找到对应的号码轨迹点， 有些时间点没有对应的号码轨迹点，因此产生{t'1,t'2,......t'M}{Pt1',Pt2',......,PtM'}的对 应关系，其中{t'1,t'2,......t'M}∈{t1,t2,......tN}。计算号码运动距离
Figure BDA0003299944010000101
最终，运动距离相似度为：
Figure BDA0003299944010000102
运动距离相似度在一 定程度内也代表号车运动轨迹的相似度。
时间相似度评分：和运动距离相似度评分一样，找到最长的和车辆轨迹 相对齐的号码时间点：{t'1,t'2,......t'M}，其中{t'1,t'2,......t'M}∈{t1,t2,......tN}，那么时间相 似度评分为：
Figure BDA0003299944010000103
时间相似度代表这段时间内有多长时间号车 处于伴随状态。
最终评分为多种相似度评分的加权和，加权后评分不超过100分，具体 计算方式为：
similar号车＝100·(w1·similar轨迹+w2·similar运动距离+w3·similar时间)。在实际操作中权 值可根据情况调整。
对得到的评分进行排序，得到车辆伴随的所有的号码临时关系，以便之 后利用结果集验证号车伴随评分，得到评分在结果集上的效果分布，可以根 据分布决定置信度标签的分数阈值，打上置信等级标签。
在一些可能的实施方式中，所述基于所述第一目标对象与第二目标对象 在所述伴随识别时间段的移动轨迹，计算所述第一目标对象与第二目标对象 的号车轨迹相似度之前还包括：
步骤100、按照预设的特殊号车关系信息，对所述第一目标对象与所述第 二目标对象进行比对，当所述第一目标对象与所述第二目标对象属于特殊号 车关系，则按照所述特殊号车关系对应的置信等级，确定所述第一目标对象 与所述第二目标对象的号车伴随关系。
更具体地，特殊号车关系信息具体包括：常伴随关系、车载卡伴随关系 以及一对一关系。
其中，常伴随关系是指在第二时间段内，当车辆标识与移动号码标识的 号车伴随关系累计时间达到预设时长阈值时，车辆标识与移动号码标识所构 成的号车伴随关系，例如：过去30天内累计有10天发生了号车伴随的号车 对，或者过去72小时里有24小时处于号车伴随状态的号车对。
车载卡伴随关系是指当移动号码标识属于车载卡的号码，且车载卡被装 配在车辆标识对应的车辆上时，移动号码标识与车辆标识所构成的号车伴随 关系，例如车载设备为联网使用的车载卡的号码与装配了该车载设备的车辆 车牌的号车伴随关系。
一对一关系是指在伴随识别时间段内，当识别到移动号码标识与车辆标 识绑定的车辆通信号码标识存在通信行为时，移动号码标识与车辆标识所构 成的号车伴随关系。
可以理解的是，本实施例通过实时离线数据融合的方式，为用户生成带 置信度的号车临时关系结果。融合过程主要分为两步：临时关系标签生成和 号车伴随结果融合。
首先，实时号车伴随加载离线专题，用于确定车辆与移动号码间的特殊 号车关系，包括：
常伴随表，记录有车辆与移动号码的常伴随关系。
车载卡汇总表，用于记录有移动号码是否属于车载卡，以及该车载卡所 绑定的车牌号码。
进一步地，还可以包括一对一关系，为经过预设的通信行为识别算法计 算，移动通信标识码和车牌打上一对一关系，例如当识别到某个用户号码在 预设的伴随识别时间段内与某个网约车车牌绑定的车辆通信号码通过通话、 短信或者是其他通讯行为进行通信时，可以确定该用户号码与该车牌符合一 对一关系，其中，车辆通信号码可以是司机的移动号码，也可以是可用于通 信的车载卡号码。
根据车牌-号码对应关系，打上相应的标签，如果对应多个标签，优先级 按车载卡-常伴随-一对一关系。
置信等级标签的生成，结合了号车临时关系评分、以及号车临时关系专 题。
例如在90分以上，结果集占比为95％，具有相当显著性，那么划定90 分为“可信”标签需要达到的阈值。对于假阳性概率较低的号车关系，比如 车载卡、常伴随等关系假阳性率较低，当号码是该车的车载卡，则按照车载 卡的置信等级阈值，较低的号车轨迹相似度也可为其打上“可信”标签(如 90分)。对于纯临时关系，难以判定号码一定在车辆上，需要达到更高的号车 轨迹相似度才能给出高疑似标签(如95分)，可参阅表1所示的车载卡与临 时号车关系的置信等级区别。
表1、车载卡与临时号车关系的置信等级区别
Figure BDA0003299944010000121
第二步，实时离线结果表融合。由于实时和离线伴随结果表的字段相同， 通过join的方式同步到一张表内。如果号车结果出现重复，以离线号车结果 为准，可以排除部分特殊号车对所产生的影响，例如可以排除司机的移动号 码与车辆的伴随关系以及车载设备的移动号码与车辆的伴随关系，提高针对 乘客的临时伴随关系识别准确度。
以下示例为本申请的方法确定临时号车伴随关系的过程示例如下：
8:45，乘客下达约车订单，司机在路上行驶，此时乘客和司机尚未构成任 何关系。
9:00，司机向乘客电联确认上车地点，经过算法计算得出乘客和车辆构成 一对一关系，但尚不构成伴随。
9:05，乘客上车，号车开始具备较低的轨迹相似度，但是相似度阈值未达 到标准。
9:15，乘客和司机在路上行驶了一段时间，具备较高轨迹相似度，判定置 信度为疑似，同时判断伴随的起始点在9:00-9:15这个区间。
9:45，乘客和司机在路上行驶了较长时间，轨迹高度相似，判断为可信。 如果使用者需要寻找可信的号车临时关系，可以通过可信标签找到这对号车 关系。
10:00，乘客在这个时间点下车，订单完成。但此时号车轨迹相似度仍处 于较高水平，置信度为可信。
10:15，车辆开出下车点、乘客步行前往目的地后，号车轨迹相似度虽具 备一定相似性，但是低于一定阈值，置信度轨迹为疑似。
10:30，随着时间推移，号车轨迹不具有相似性，系统停止这段号车伴随 计算，此时判断号车伴随结束在上一个具备置信度的区间，即10:00-10:15这 个区间，确定伴随关系结束后，号车关系可以从一对一关系转换回临时关系。
可参阅表2，表2展示了号车临时关系变化过程。
表2：时间区间不确定的短周期伴随示例
Figure RE-GDA0003421018000000131
在实际应用中，使用者掌握乘客A在8-10点乘坐车辆，但是不清楚具体 车辆以及乘坐时间。使用者通过可信度标签查到车牌号码B为可信，同时， 可以查询到系统判定的乘车开始点在9:00-9:15，乘车结束点在10:00-10:15。
以上为本申请提供的一种临时号车伴随关系识别方法的第二个实施例的 详细说明，下面为本申请提供的一种临时号车伴随关系识别装置的一个实施 例的详细说明。
本申请第三个实施例提供了一种临时号车伴随关系识别装置，包括：
指令响应单元201，用于响应于号车伴随关系识别指令，根据所述号车伴 随关系识别指令中包含的临时关系标识信息，确定第一目标对象，所述临时 关系标识信息为基于车辆标识与预设的伴随识别时间段生成的。
目标地理网格区域确定单元202，用于基于所述第一目标对象的位置信 息，结合地理网格区域与位置信息的对应关系，确定所述第一目标对象所在 的目标地理网格区域，其中，所述地理网格区域为基于利用Geohash算法得 到的，所述第一目标对象的位置信息为基于所述第一目标对象在所述伴随识 别时间段的移动轨迹确定的。
第二目标对象确定单元203，用于基于所述目标地理网格区域内的第二对 象标识，确定第二目标对象，其中，所述第二对象标识为与所述第一对象标 识相对立的对象标识。
号车轨迹相似度计算单元204，用于基于所述第一目标对象与所述第二目 标对象在所述伴随识别时间段的移动轨迹，计算所述第一目标对象与第二目 标对象的号车轨迹相似度。
临时号车伴随关系确定单元205，用于根据所述号车轨迹相似度，结合预 设的临时伴随关系置信等级与号车轨迹相似度的对应关系，确定所述第一目 标对象与所述第二目标对象在所述伴随识别时间段的临时伴随关系置信等 级，以便根据所述临时伴随关系置信等级确定所述第一目标对象与所述第二 目标对象的临时号车伴随关系。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描 述的终端，装置和单元的具体工作过程，可以参考前述方法实施例中的对应 过程，在此不再赘述。
在本申请所提供的几个实施例中，应该理解到，所揭露的终端，装置和 方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示 意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可 以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个 系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间 的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合 或通信连接，可以是电性，机械或其它的形式。
本申请的说明书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等 (如果存在)是用于区别类似的对象，而不必用于描述特定的顺序或先后次 序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本申 请的实施例，例如能够以除了在这里图示或描述的那些以外的顺序实施。此 外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含， 例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于 清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作 为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方， 或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或 者全部单元来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中， 也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单 元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单 元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售 或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本 发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的 全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个 存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机， 服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步 骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-OnlyMemory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘 等各种可以存储程序代码的介质。
以上所述，以上实施例仅用以说明本申请的技术方案，而非对其限制； 尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应 当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其 中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案 的本质脱离本申请各实施例技术方案的精神和范围。

Claims (10)

1.一种临时号车伴随关系识别方法，其特征在于，包括：
响应于号车伴随关系识别指令，根据所述号车伴随关系识别指令中包含的临时关系标识信息，确定第一目标对象，所述临时关系标识信息为基于预设的第一对象标识与预设的伴随识别时间段生成的，所述第一对象标识为车辆标识或移动号码标识；
基于所述第一目标对象的位置信息，结合地理网格区域与位置信息的对应关系，确定所述第一目标对象所在的目标地理网格区域，其中，所述地理网格区域为基于利用Geohash算法得到的，所述第一目标对象的位置信息为基于所述第一目标对象在所述伴随识别时间段的移动轨迹确定的；
基于所述目标地理网格区域内的第二对象标识，确定第二目标对象，其中，所述第二对象标识为与所述第一对象标识相对立的对象标识；
基于所述第一目标对象与所述第二目标对象在所述伴随识别时间段的移动轨迹，计算所述第一目标对象与第二目标对象的号车轨迹相似度；
根据所述号车轨迹相似度，结合预设的临时伴随关系置信等级与号车轨迹相似度的对应关系，确定所述第一目标对象与所述第二目标对象在所述伴随识别时间段的临时伴随关系置信等级，以便根据所述临时伴随关系置信等级确定所述第一目标对象与所述第二目标对象的临时号车伴随关系。
2.根据权利要求1所述的一种临时号车伴随关系识别方法，其特征在于，基于所述目标地理网格区域内的第二对象标识，确定第二目标对象具体包括：
基于所述目标地理网格区域内的第二对象标识，确定所述第二对象标识的位置信息；
基于所述第二对象标识的位置信息与所述第一目标对象的位置信息，通过网格碰撞计算公式，得到所述第二对象标识与所述第一目标对象间的距离分值，以便基于所述距离分值，从所述第二对象标识中确定出若干个第二目标对象。
3.根据权利要求2所述的一种临时号车伴随关系识别方法，其特征在于，当所述第二对象标识为移动号码标识时，所述第二对象标识的位置信息具体为所述第二对象标识在第一时间段内的平均位置，其中，所述第一时间段与所述伴随识别时间段存在交集。
4.根据权利要求1所述的一种临时号车伴随关系识别方法，其特征在于，所述目标地理网格区域具体为：所述第一目标对象所在的第一地理网格区域或由所述第一地理网格区域以及所述第一地理网格区域的邻域网格区域共同构成的组合地理网格区域。
5.根据权利要求1所述的一种临时号车伴随关系识别方法，其特征在于，所述基于所述第一目标对象与第二目标对象在所述伴随识别时间段的移动轨迹，计算所述第一目标对象与第二目标对象的号车轨迹相似度具体包括：
基于所述第一目标对象与第二目标对象在所述伴随识别时间段的移动轨迹，分别计算所述第一目标对象与所述第二目标对象的轨迹点距离相似度、运动距离相似度以及轨迹时间相似度；
计算所述轨迹点相似度、所述运动距离相似度以及所述轨迹时间相似度的加权和，并以所述加权和作为所述第一目标对象与第二目标对象的号车轨迹相似度。
6.根据权利要求1所述的一种临时号车伴随关系识别方法，其特征在于，所述基于所述第一目标对象与第二目标对象在所述伴随识别时间段的移动轨迹，计算所述第一目标对象与第二目标对象的号车轨迹相似度之前还包括：
按照预设的特殊号车关系信息，对所述第一目标对象与所述第二目标对象进行比对，当所述第一目标对象与所述第二目标对象属于特殊号车关系，则按照所述特殊号车关系对应的置信等级，确定所述第一目标对象与所述第二目标对象的号车伴随关系。
7.根据权利要求6所述的一种临时号车伴随关系识别方法，其特征在于，所述特殊号车关系信息具体包括：常伴随关系、车载卡伴随关系以及一对一关系；
其中，所述常伴随关系是指在第二时间段内，当车辆标识与移动号码标识的号车伴随关系累计时间达到预设时长阈值时，所述车辆标识与所述移动号码标识所构成的号车伴随关系；
所述车载卡伴随关系是指当移动号码标识属于车载卡的号码，且所述车载卡被装配在车辆标识对应的车辆上时，所述移动号码标识与所述车辆标识所构成的号车伴随关系；
所述一对一关系是指在所述伴随识别时间段内，当识别到移动号码标识与车辆标识绑定的车辆通信号码标识存在通信行为时，所述移动号码标识与所述车辆标识所构成的号车伴随关系。
8.一种临时号车伴随关系识别装置，其特征在于，包括：
指令响应单元，用于响应于号车伴随关系识别指令，根据所述号车伴随关系识别指令中包含的临时关系标识信息，确定第一目标对象，所述临时关系标识信息为基于预设的第一对象标识与预设的伴随识别时间段生成的，所述第一对象标识为车辆标识或移动号码标识；
目标地理网格区域确定单元，用于基于所述第一目标对象的位置信息，结合地理网格区域与位置信息的对应关系，确定所述第一目标对象所在的目标地理网格区域，其中，所述地理网格区域为基于利用Geohash算法得到的，所述第一目标对象的位置信息为基于所述第一目标对象在所述伴随识别时间段的移动轨迹确定的；
第二目标对象确定单元，用于基于所述目标地理网格区域内的第二对象标识，确定第二目标对象，其中，所述第二对象标识为与所述第一对象标识相对立的对象标识；
号车轨迹相似度计算单元，用于基于所述第一目标对象与所述第二目标对象在所述伴随识别时间段的移动轨迹，计算所述第一目标对象与第二目标对象的号车轨迹相似度；
临时号车伴随关系确定单元，用于根据所述号车轨迹相似度，结合预设的临时伴随关系置信等级与号车轨迹相似度的对应关系，确定所述第一目标对象与所述第二目标对象在所述伴随识别时间段的临时伴随关系置信等级，以便根据所述临时伴随关系置信等级确定所述第一目标对象与所述第二目标对象的临时号车伴随关系。
9.一种终端，其特征在于，包括：存储器和处理器；
所述存储器用于存储程序代码，所述程序代码与如权利要求1至7任意一项所述的一种临时号车伴随关系识别方法相对应；
所述处理器用于执行所述程序代码。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有与如权利要求1至7任意一项所述的一种临时号车伴随关系识别方法相对应的程序代码。
CN202111187686.6A 2021-10-12 2021-10-12 一种临时号车伴随关系识别方法、装置、终端及介质 Pending CN113934800A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111187686.6A CN113934800A (zh) 2021-10-12 2021-10-12 一种临时号车伴随关系识别方法、装置、终端及介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111187686.6A CN113934800A (zh) 2021-10-12 2021-10-12 一种临时号车伴随关系识别方法、装置、终端及介质

Publications (1)

Publication Number Publication Date
CN113934800A true CN113934800A (zh) 2022-01-14

Family

ID=79278426

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111187686.6A Pending CN113934800A (zh) 2021-10-12 2021-10-12 一种临时号车伴随关系识别方法、装置、终端及介质

Country Status (1)

Country Link
CN (1) CN113934800A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117557789A (zh) * 2024-01-12 2024-02-13 国研软件股份有限公司 一种海上目标的智能化检测方法及系统

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107967493A (zh) * 2017-12-18 2018-04-27 广州汇智通信技术有限公司 一种人车伴随的判定方法、系统及相关装置
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
CN110459059A (zh) * 2019-08-14 2019-11-15 深圳市天彦通信股份有限公司 交通违规确认方法和相关装置
CN112770252A (zh) * 2020-12-31 2021-05-07 深圳前海中电慧安科技有限公司 基于单点相似度的人车关联方法、装置、设备及存储介质

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107967493A (zh) * 2017-12-18 2018-04-27 广州汇智通信技术有限公司 一种人车伴随的判定方法、系统及相关装置
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
CN110459059A (zh) * 2019-08-14 2019-11-15 深圳市天彦通信股份有限公司 交通违规确认方法和相关装置
CN112770252A (zh) * 2020-12-31 2021-05-07 深圳前海中电慧安科技有限公司 基于单点相似度的人车关联方法、装置、设备及存储介质

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117557789A (zh) * 2024-01-12 2024-02-13 国研软件股份有限公司 一种海上目标的智能化检测方法及系统
CN117557789B (zh) * 2024-01-12 2024-04-09 国研软件股份有限公司 一种海上目标的智能化检测方法及系统

Similar Documents

Publication Publication Date Title
Ding et al. FraudTrip: Taxi fraudulent trip detection from corresponding trajectories
CN103236166A (zh) 一种使用卫星定位技术进行车辆违章行为辨识的方法
CN103325245A (zh) 一种黑名单车辆的时空行驶轨迹预测方法
US11172168B2 (en) Movement or topology prediction for a camera network
CN107832364B (zh) 一种基于时空数据锁定目标对象的方法及装置
CN102843547A (zh) 一种嫌疑目标智能追踪方法和系统
CN108062857B (zh) 用于出租车乘客出行目的的预测方法
CN103377555A (zh) 用于自动检测交通交叉路口的异常的方法和系统
CN110084308B (zh) 一种基于车辆轨迹分析构建通勤路径的方法
CN110046218B (zh) 一种用户出行模式的挖掘方法、装置、系统和处理器
CN110570652A (zh) 车辆套牌检测提醒方法及相关产品
CN106227859A (zh) 从gps数据中识别交通工具的方法
CN109670431A (zh) 一种行为检测方法及装置
Xue et al. A context-aware framework for risky driving behavior evaluation based on trajectory data
CN113934800A (zh) 一种临时号车伴随关系识别方法、装置、终端及介质
CN111078973A (zh) 基于大数据的套牌车识别方法、设备及存储介质
CN104715614A (zh) 一种嫌疑套牌车捕获方法
Van Hinsbergh et al. Vehicle point of interest detection using in-car data
Muñoz-Organero et al. Detecting different road infrastructural elements based on the stochastic characterization of speed patterns
Zhou et al. Identification of taxi pick-up and drop-off hotspots using the density-based spatial clustering method
CN109800685A (zh) 一种视频中对象的确定方法及装置
Minh et al. Traffic state estimation with mobile phones based on the “3R” philosophy
CN112991720B (zh) 目标位置确定方法和装置
CN115841243A (zh) 非法运营车辆的识别方法及电子设备
CN114913690A (zh) 交通精细化监控方法、系统和可读存储介质

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