CN114140780A - 一种异常车辆的检测方法、装置及设备 - Google Patents
一种异常车辆的检测方法、装置及设备 Download PDFInfo
- Publication number
- CN114140780A CN114140780A CN202111410662.2A CN202111410662A CN114140780A CN 114140780 A CN114140780 A CN 114140780A CN 202111410662 A CN202111410662 A CN 202111410662A CN 114140780 A CN114140780 A CN 114140780A
- Authority
- CN
- China
- Prior art keywords
- point
- time
- minimum
- data
- 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.)
- Pending
Links
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
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/2433—Single-class perspective, e.g. one-against-all classification; Novelty detection; Outlier detection
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Traffic Control Systems (AREA)
Abstract
本申请提供一种异常车辆的检测方法、装置及设备,包括:若目标车辆从第一位置点行驶到第二位置点,获取目标车辆处于第一位置点的第一时间点、目标车辆处于第二位置点的第二时间点、目标车辆从第一位置点行驶到第二位置点所经过的目标位置点数量;若第二时间点与第一时间点之间的差值小于第一位置点与第二位置点之间的最小通行时长,确定目标车辆是异常车辆;若第二时间点与第一时间点之间的差值不小于最小通行时长,且第一位置点与第二位置点之间的最小位置点数量大于目标位置点数量与预设数量阈值之和,确定目标车辆是异常车辆。通过本申请的技术方案,可以识别目标车辆是否为异常车辆,区分安装真实车牌的正常车辆和安装套牌车牌的异常车辆。
Description
技术领域
本申请涉及智能交通领域,尤其是一种异常车辆的检测方法、装置及设备。
背景技术
安装有套牌车牌的车辆称为套牌车辆,套牌车辆是一种异常车辆,需要及时发现道路上行驶的套牌车辆,从而对套牌车辆进行有效管理。套牌车牌是指参照真实车牌,将与真实车牌的车牌标识相同的假车牌安装到套牌车辆。
针对道路等特定场所,通常会部署大量摄像机(如模拟摄像机或者网络摄像机等),可以通过这些摄像机采集道路上行驶的车辆的图像,并基于图像分析出车辆的车牌标识,将具有同一车牌标识的车辆确认为同一车辆,针对该车辆的道路行驶行为,对该车辆进行管理,从而规范车辆的道路行驶行为。
但是,由于正常车辆的真实车牌的车牌标识与异常车辆的套牌车牌的车牌标识相同,因此,在将具有同一车牌标识的车辆确认为同一车辆时,可能将正常车辆和异常车辆识别为同一车辆,在对该车辆进行管理时,就会发生管理错误,比如说,将针对异常车辆的管理手段应用到正常车辆,造成管理错误。
发明内容
本申请提供一种异常车辆的检测方法,所述方法包括:
若目标车辆从第一位置点行驶到第二位置点,则获取所述目标车辆处于第一位置点的第一时间点、所述目标车辆处于第二位置点的第二时间点、所述目标车辆从第一位置点行驶到第二位置点所经过的目标位置点数量;
若所述第二时间点与所述第一时间点之间的差值小于所述第一位置点与所述第二位置点之间的最小通行时长,则确定所述目标车辆是异常车辆;
若所述第二时间点与所述第一时间点之间的差值不小于所述最小通行时长,且所述第一位置点与所述第二位置点之间的最小位置点数量大于所述目标位置点数量与预设数量阈值之和,则确定所述目标车辆是异常车辆。
本申请提供一种异常车辆的检测装置,所述装置包括:
获取模块,用于若目标车辆从第一位置点行驶到第二位置点,则获取目标车辆处于第一位置点的第一时间点、所述目标车辆处于第二位置点的第二时间点、所述目标车辆从第一位置点行驶到第二位置点所经过的目标位置点数量;
确定模块,用于若所述第二时间点与所述第一时间点之间的差值小于所述第一位置点与所述第二位置点之间的最小通行时长,则确定所述目标车辆是异常车辆;若所述第二时间点与所述第一时间点之间的差值不小于所述最小通行时长,且所述第一位置点与所述第二位置点之间的最小位置点数量大于所述目标位置点数量与预设数量阈值之和,则确定所述目标车辆是异常车辆。
本申请提供一种异常车辆的检测设备,包括:处理器和机器可读存储介质,所述机器可读存储介质存储有能够被所述处理器执行的机器可执行指令;其中,所述处理器用于执行所述机器可执行指令,以实现上述的异常车辆的检测方法。
本申请提供一种机器可读存储介质,所述机器可读存储介质存储有能够被处理器执行的机器可执行指令;其中,所述处理器用于执行所述机器可执行指令,以实现上述的异常车辆的检测方法。
本申请提供一种计算机程序,所述计算机程序存储于机器可读存储介质,当处理器执行所述计算机程序时,促使处理器实现上述的异常车辆的检测方法。
由以上技术方案可见,本申请实施例中,基于第一位置点与第二位置点之间的最小通行时长以及最小位置点数量,若目标车辆处于第二位置点的第二时间点与目标车辆处于第一位置点的第一时间点之间的差值小于该最小通行时长,则确定目标车辆是异常车辆,若该差值不小于该最小通行时长,且该最小位置点数量大于目标位置点数量(即目标车辆从第一位置点行驶到第二位置点所经过的位置点数量)与预设数量阈值之和,则确定目标车辆是异常车辆,上述方式可以识别出目标车辆是否为异常车辆(即安装有套牌车牌的套牌车辆),从而区分出安装有真实车牌的正常车辆和安装有套牌车牌的异常车辆,虽然正常车辆的真实车牌的车牌标识与异常车辆的套牌车牌的车牌标识相同,也能够将正常车辆和异常车辆识别为不同的车辆,在对车辆进行管理时,减少管理错误的发生,比如说,减少将针对异常车辆的管理手段应用到正常车辆的次数。
附图说明
为了更加清楚地说明本申请实施例或者现有技术中的技术方案,下面将对本申请实施例或者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中记载的一些实施例,对于本领域普通技术人员来讲,还可以根据本申请实施例的这些附图获得其他的附图。
图1是本申请一种实施方式中的位置点的网络拓扑示意图;
图2是本申请一种实施方式中的异常车辆的检测方法的流程示意图;
图3是本申请一种实施方式中的异常车辆的检测方法的流程示意图;
图4是本申请一种实施方式中的历史数据的过滤示意图;
图5是本申请一种实施方式中的网络拓扑的示意图;
图6是本申请一种实施方式中的异常车辆的检测方法的流程示意图;
图7是本申请一种实施方式中的异常车辆的检测装置的结构示意图;
图8是本申请一种实施方式中的异常车辆的检测设备的硬件结构图。
具体实施方式
在本申请实施例使用的术语仅仅是出于描述特定实施例的目的,而非限制本申请。本申请和权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式,除非上下文清楚地表示其它含义。还应当理解,本文中使用的术语“和/或”是指包含一个或多个相关联的列出项目的任何或所有可能组合。
应当理解,尽管在本申请实施例可能采用术语第一、第二、第三等来描述各种信息,但这些信息不应限于这些术语。这些术语仅用来将同一类型的信息彼此区分开。例如,在不脱离本申请范围的情况下,第一信息也可以被称为第二信息,类似地,第二信息也可以被称为第一信息。取决于语境,此外,所使用的词语“如果”可以被解释成为“在……时”或“当……时”或“响应于确定”。
在介绍本申请实施例的技术方案之前,先介绍与本申请有关的技术术语。
位置点:针对道路等特定场所(如高速收费站、交通检查站、公路等场所),通常会部署大量摄像机(如模拟摄像机或者网络摄像机等),可以通过这些摄像机采集道路上行驶的车辆的图像,每个摄像机就对应一个位置点,即将摄像机所在位置记为位置点,位置点也可以称为卡口点,也就是说,通过在大量位置点部署摄像机,从而通过这些摄像机采集道路上行驶的车辆的图像。
参见图1所示,为位置点的网络拓扑示意图,该网络拓扑可以是用户根据经验配置,也可以是采用算法学习,对此不做限制,只要能够得到该网络拓扑即可,该网络拓扑可以包括所有位置点,即所有位置点组成该网络拓扑。在图1中,是以6个位置点(如位置点A、位置点B、位置点C、位置点D、位置点E和位置点F等)为例,在实际应用中,位置点的数量远远大于6个。
针对每个位置点部署的摄像机,该摄像机可以采集经过该位置点的车辆的图像,并基于图像分析出车牌标识、车辆颜色、车辆外观等特征。摄像机还可以将车辆数据发送给存储设备,由存储设备在历史数据库中存储车辆数据,将历史数据库中存储的车辆数据称为历史数据,历史数据包括大量数据记录,每条数据记录是一条车辆数据,可以包括车牌标识、车辆特征(如车辆颜色、车辆外观等)、车辆的图像、采集时刻(表示该车辆的图像是摄像机在该采集时刻采集,表示该车辆在该采集时刻处于该位置点)、该位置点的信息(可以是位置点的标识,如位置点A、位置点B等,也可以是位置点的经纬度坐标,以位置点的标识为例)。当然,该数据记录还可以包括其它内容,对此不做限制。
正常车辆和异常车辆:将具有真实车牌的车辆称为正常车辆,将具有套牌车牌的车辆称为异常车辆,本实施例中的异常车辆是指套牌车辆。套牌车牌是指参照真实车牌,将与真实车牌的车牌标识相同的假车牌安装到套牌车辆。
指定统计周期:可以将一天的24小时(如0时-24时)作为一个指定统计周期,也可以将一周的7*24小时作为一个指定统计周期,对此不做限制。
本申请实施例中提出一种异常车辆的检测方法,该方法可以应用于管理设备,管理设备与存储设备可以部署在同一设备,即管理设备直接从历史数据库中获取车辆数据,基于车辆数据分析车辆是否为异常车辆。管理设备与存储设备可以部署在不同设备,即管理设备与存储设备连接,管理设备可以从存储设备的历史数据库中获取车辆数据,基于车辆数据分析车辆是否为异常车辆。
参见图2所示,为该异常车辆的检测方法的流程示意图,该方法可以包括:
步骤201、若目标车辆从第一位置点行驶到第二位置点,则获取目标车辆处于第一位置点的第一时间点、目标车辆处于第二位置点的第二时间点、目标车辆从第一位置点行驶到第二位置点所经过的目标位置点数量。
示例性的,目标车辆是任一车辆,第一位置点是所有位置点中的任一位置点,第二位置点是所有位置点中的任一位置点,且第二位置点与第一位置点不同。假设目标车辆是车辆s1(即车牌标识为s1),第一位置点是位置点A,第二位置点是位置点D,则:从历史数据库中获取与车辆s1对应的所有数据记录,每条数据记录均包括车牌标识s1、采集时刻、位置点标识。按照采集时刻从前到后的顺序对这些数据记录进行排序,假设第一条数据记录中的位置点标识是位置点A,第二条数据记录中的位置点标识是位置点B,第三条数据记录中的位置点标识是位置点D,第四条数据记录中的位置点标识是位置点C,以此类推,车辆s1从位置点A行驶到位置点D时,第一时间点是第一条数据记录中的采集时刻,第二时间点是第三条数据记录中的采集时刻,目标位置点数量是2,即从位置点A行驶到位置点D时,依次经过位置点B和位置点D,经过2个位置点。
步骤202、确定第二时间点与第一时间点之间的差值是否小于第一位置点与第二位置点之间的最小通行时长。若否,执行步骤203,若是,执行步骤204。
示例性的,可以先确定第一位置点与第二位置点之间的最小通行时长,该最小通行时长可以根据经验配置,也可以采用某种算法得到,对此不做限制。
示例性的,在得到该第二时间点和该第一时间点之后,可以计算该第二时间点与该第一时间点之间的差值。若该差值不小于该最小通行时长,则可以执行步骤203,若该差值小于该最小通行时长,则可以执行步骤204。
步骤203、确定第一位置点与第二位置点之间的最小位置点数量是否大于目标位置点数量与预设数量阈值之和,如果是,则可以执行步骤204。
示例性的,可以确定第一位置点与第二位置点之间的最小位置点数量,该最小位置点数量可以根据经验配置,也可以采用某种算法得到,对此不做限制。
示例性的,在得到目标车辆从第一位置点行驶到第二位置点所经过的目标位置点数量之后,可以计算目标位置点数量与预设数量阈值(可以根据经验配置,对此预设数量阈值不做限制,如2、3等)之和。若该最小位置点数量大于目标位置点数量与预设数量阈值之和,则可以执行步骤204。
步骤204、确定目标车辆是异常车辆(即套牌车辆)。
综上可以看出,若第二时间点与第一时间点之间的差值小于第一位置点与第二位置点之间的最小通行时长,则可以确定目标车辆是异常车辆。或者,若第二时间点与第一时间点之间的差值不小于第一位置点与第二位置点之间的最小通行时长,且第一位置点与第二位置点之间的最小位置点数量大于目标位置点数量与预设数量阈值之和,则可以确定目标车辆是异常车辆。
在一种可能的实施方式中,针对步骤203,如果判断结果为否,即,该最小位置点数量不大于目标位置点数量与预设数量阈值之和,则还可以包括以下步骤205(步骤205是可选步骤,在图2中并未示出步骤205):
步骤205、确定目标车辆是正常车辆,即目标车辆不是套牌车辆。
综上,若第二时间点与第一时间点之间的差值不小于第一位置点与第二位置点之间的最小通行时长,且第一位置点与第二位置点之间的最小位置点数量不大于目标位置点数量与预设数量阈值之和,则确定目标车辆是正常车辆。
在一种可能的实施方式中,最小通行时长是指定统计周期对应的最小通行时长,最小位置点数量是指定统计周期对应的最小位置点数量,即针对指定统计周期,确定第一位置点与第二位置点之间的最小通行时长和最小位置点数量。
在另一种可能的实施方式中,最小通行时长是目标时间段对应的最小通行时长,最小位置点数量是目标时间段对应的最小位置点数量,即针对目标时间段,确定第一位置点与第二位置点之间的最小通行时长和最小位置点数量。
比如说,针对指定统计周期,可以将指定统计周期划分为多个时间段,对此划分方式不做限制,可以任意划分多个时间段。例如,将指定统计周期(如0时-24时)平均划分为4个时间段,时间段1(0时-6时]、时间段2(6时-12时]、时间段3(12时-18时]、时间段4(18时-24时]。又例如,按照行车高峰将指定统计周期(如0时-24时)划分为5个时间段,时间段1(0时-7时]、时间段2(7时-9时]、时间段3(9时-17时]、时间段4(17时-19时]、时间段4(19时-24时],即时间段2和时间段4是行车高峰。当然,上述只是划分方式的示例。
在将指定统计周期划分为多个时间段后,针对每个时间段(如时间段1-时间段4),确定第一位置点与第二位置点之间的与该时间段对应的最小通行时长和最小位置点数量,如时间段1对应最小通行时长t1和最小位置点数量n1,时间段2对应最小通行时长t2和最小位置点数量n2,时间段3对应最小通行时长t3和最小位置点数量n3,时间段4对应最小通行时长t4和最小位置点数量n4。
在此基础上,在获取第一时间点和第二时间点之后,若指定统计周期被划分为多个时间段,则基于第一时间点或者第二时间点从多个时间段中选取出目标时间段。比如说,若基于第一时间点从多个时间段中选取出目标时间段,则将第一时间点所处的时间段作为目标时间段。若基于第二时间点从多个时间段中选取出目标时间段,则将第二时间点所处的时间段作为目标时间段。在得到目标时间段之后,就可以确定目标时间段对应的的最小通行时长和最小位置点数量,在步骤201-步骤205中,最小通行时长是指与目标时间段对应的最小通行时长,最小位置点数量是指与目标时间段对应的最小位置点数量。
在一种可能的实施方式中,可以确定第一位置点与第二位置点之间的最小通行时长和最小位置点数量,也就是说,未将指定统计周期划分为多个时间段,确定第一位置点与第二位置点之间的与指定统计周期对应的最小通行时长和最小位置点数量,在该情况下,可以基于指定统计周期内的所有数据确定最小通行时长和最小位置点数量。或者,若指定统计周期被划分为多个时间段,针对各时间段,可以确定第一位置点与第二位置点之间的与该时间段对应的最小通行时长和最小位置点数量,在该情况下,可以基于该时间段内的所有数据确定最小通行时长和最小位置点数量。综上所述,可以确定第一位置点与第二位置点之间的与统计时间段对应的最小通行时长和最小位置点数量,统计时间段可以为指定统计周期的完整时间段,或者,指定统计周期被划分为多个时间段时,该统计时间段为多个时间段中的任一时间段。比如说,统计时间段是指定统计周期时,就可以基于指定统计周期内的所有数据确定与指定统计周期对应的最小通行时长和最小位置点数量。统计时间段是某个时间段时,就可以基于该时间段内的所有数据确定与该时间段对应的最小通行时长和最小位置点数量。
示例性的,为了确定第一位置点与第二位置点之间的与统计时间段对应的最小通行时长和最小位置点数量,可以采用如下方式:确定第一位置点与第二位置点的目标路径经过的至少一个相邻点对,基于该目标路径经过的相邻点对的通行时长及相邻点对数量,确定第一位置点与第二位置点之间的与统计时间段对应的最小通行时长和最小位置点数量;其中,相邻点对的通行时长是基于历史数据库中的与统计时间段对应的样本数据确定,该样本数据包括样本车辆处于网络拓扑中各位置点的位于该统计时间段内的采集时刻,相邻点对包括相邻两个位置点,通行时长是基于样本车辆处于相邻两个位置点的采集时刻确定。
示例性的,基于历史数据库中的与统计时间段对应的样本数据确定相邻点对的通行时长的过程,可以包括但不限于:针对任一相邻点对,获取与该相邻点对匹配的M(M为正整数)个数据对,各数据对均包括样本车辆处于该相邻点对中相邻两个位置点的位于统计时间段内的采集时刻;针对每个数据对来说,基于该数据对中的两个采集时刻确定通行时长;将M个数据对对应的通行时长中的最小值确定为该相邻点对的通行时长。
示例性的,基于目标路径经过的相邻点对的通行时长及相邻点对数量,确定第一位置点与第二位置点之间的与统计时间段对应的最小通行时长和最小位置点数量,可以包括但不限于:基于第一位置点与第二位置点之间的各路径经过的所有相邻点对的通行时长之和,选取通行时长之和最小的路径作为目标路径,将该目标路径经过的所有相邻点对的通行时长之和确定为与统计时间段对应的最小通行时长(即第一位置点与第二位置点之间的最小通行时长),并将该目标路径经过的所有相邻点对的总数量确定为与统计时间段对应的最小位置点数量(即第一位置点与第二位置点之间的最小位置点数量)。
示例性的,为了得到与统计时间段对应的样本数据,可以从历史数据库中选取与统计时间段对应的历史数据,该历史数据包括样本车辆处于各位置点的位于该统计时间段内的采集时刻;对历史数据进行过滤,将过滤剩余的历史数据确定为样本数据。其中,对历史数据进行过滤可以包括但不限于以下至少一种:针对任一样本车辆,若该样本车辆经过相邻两个位置点的通行时长小于预设时长阈值,则过滤该样本车辆经过相邻两个位置点的历史数据。针对相邻两个位置点,若相邻两个位置点对应的数据对的总数量小于预设次数阈值,则过滤相邻两个位置点对应的所有数据对,该数据对包括样本车辆经过相邻两个位置点的历史数据。针对相邻两个位置点,获取相邻两个位置点对应的所有数据对;基于各数据对对应的通行时长,过滤通行时长小的X1个数据对(即从通行时长最小的数据对开始,依次选取通行时长小的X1个数据对),并过滤通行时长大的X2个数据对(即从通行时长最大的数据对开始,依次选取通行时长大的X2个数据对),X1和X2均为正整数。针对两个位置点,若两个位置点之间经过的异常车辆的总数量大于异常次数阈值,则过滤两个位置点对应的所有数据对。当然,上述只是过滤方式的示例,对此不做限制。
示例性的,确定第一位置点与第二位置点之间的与统计时间段对应的最小通行时长和最小位置点数量,可以包括但不限于:确定是否已满足数据更新条件;若是,则确定第一位置点与第二位置点之间的与统计时间段对应的最小通行时长和最小位置点数量。其中,若第一位置点与第二位置点之间经过的异常车辆的总数量大于异常次数阈值,则确定已满足数据更新条件;或,若当前时间点与上一次数据更新时间点之间的时长达到预设更新时长,则确定已满足数据更新条件,上一次数据更新时间点是上一次确定最小通行时长和最小位置点数量的时间点。
由以上技术方案可见,本申请实施例中,基于第一位置点与第二位置点之间的最小通行时长以及最小位置点数量,若目标车辆处于第二位置点的第二时间点与目标车辆处于第一位置点的第一时间点之间的差值小于该最小通行时长,则确定目标车辆是异常车辆,若该差值不小于该最小通行时长,且该最小位置点数量大于目标位置点数量(即目标车辆从第一位置点行驶到第二位置点所经过的位置点数量)与预设数量阈值之和,则确定目标车辆是异常车辆,上述方式可以识别出目标车辆是否为异常车辆(即安装有套牌车牌的套牌车辆),从而区分出安装有真实车牌的正常车辆和安装有套牌车牌的异常车辆,虽然正常车辆的真实车牌的车牌标识与异常车辆的套牌车牌的车牌标识相同,也能够将正常车辆和异常车辆识别为不同的车辆,在对车辆进行管理时,减少管理错误的发生,比如说,减少将针对异常车辆的管理手段应用到正常车辆的次数。
以下结合具体应用场景,对本申请实施例的技术方案进行说明。
若指定统计周期被划分为多个时间段,针对每个时间段(如时间段1、时间段2、时间段3和时间段4),可以确定任意两个位置点之间的与该时间段对应的最小通行时长和最小位置点数量,为了方便描述,以时间段1为例,其它时间段的实现方式与此类似,本实施例中不再赘述。当然,在实际应用中,也可以确定任意两个位置点之间的与指定统计周期对应的最小通行时长和最小位置点数量,将与时间段1匹配的历史数据替换为所有历史数据(即不用区分历史数据所处时间段)即可,本实施例中不再赘述。参见图3所示,为了确定与时间段1对应的最小通行时长和最小位置点数量,可以采用如下步骤:
步骤301、从历史数据库中选取与时间段1匹配的历史数据,该历史数据包括样本车辆处于网络拓扑中各位置点的位于时间段1内的采集时刻;对与时间段1匹配的该历史数据进行过滤,将过滤剩余的历史数据确定为与时间段1匹配的样本数据,即得到与时间段1匹配的样本数据,该样本数据可以包括样本车辆处于网络拓扑中各位置点的位于时间段1内的采集时刻。在后续过程中,历史数据或者样本数据中的采集时刻均是指位于时间段1内的采集时刻。
示例性的,历史数据库可以存储大量历史数据,该历史数据包括大量数据记录,每条数据记录可以是一条车辆数据,该数据记录可以包括车牌标识、采集时刻、位置点标识等内容,参见表1所示,为历史数据的一个示例。
表1
车牌标识 | 采集时刻 | 位置点标识等 |
车牌标识s1 | pt11 | 位置点A |
车牌标识s1 | pt12 | 位置点B |
车牌标识s1 | pt13 | 位置点C |
车牌标识s1 | pt14 | 位置点D |
车牌标识s1 | pt15 | 位置点E |
车牌标识s1 | pt16 | 位置点F |
车牌标识s2 | pt21 | 位置点A |
车牌标识s2 | pt22 | 位置点C |
车牌标识s2 | pt23 | 位置点E |
车牌标识s2 | pt24 | 位置点F |
… | … | … |
假设表1所示的历史数据与时间段1匹配,将历史数据中的车牌标识对应的车辆称为样本车辆,则该历史数据包括样本车辆s1(即车牌标识是s1)处于各位置点的采集时刻、样本车辆s2处于各位置点的采集时刻,以此类推。
在得到与时间段1匹配的历史数据之后,可以对历史数据进行过滤,比如说,采用如下方式的至少一种对历史数据进行过滤。例如,采用方式1对历史数据进行过滤,将过滤剩余的历史数据作为样本数据,或采用方式2对历史数据进行过滤,将过滤剩余的历史数据作为样本数据,或采用方式3对历史数据进行过滤,将过滤剩余的历史数据作为样本数据,或采用方式1和方式2对历史数据进行过滤,将过滤剩余的历史数据作为样本数据,或采用方式1和方式3对历史数据进行过滤,将过滤剩余的历史数据作为样本数据,或采用方式2和方式3对历史数据进行过滤,将过滤剩余的历史数据作为样本数据,或采用方式1、方式2和方式3对历史数据进行过滤,将过滤剩余的历史数据作为样本数据,对此过滤方式不做限制,在过滤完成后将剩余历史数据作为样本数据。
方式1、针对任一样本车辆,若该样本车辆经过相邻两个位置点的通行时长小于预设时长阈值,则过滤该样本车辆经过相邻两个位置点的历史数据。
比如说,针对样本车辆s1来说,样本车辆s1对应多个数据记录,参见表1所示。可以根据各数据记录对应的采集时刻对各位置点进行排序,如按照采集时刻从小到大的顺序对各位置点进行排序,或按照采集时刻从大到小的顺序对各位置点进行排序,假设排序结果为位置点A、位置点B、位置点C、位置点D、位置点E、位置点F,则位置点A和位置点B是相邻两个位置点,位置点B和位置点C是相邻两个位置点,位置点C和位置点D是相邻两个位置点,位置点D和位置点E是相邻两个位置点,位置点E和位置点F是相邻两个位置点。
确定样本车辆s1经过位置点A和位置点B的通行时长(即pt12与pt11的差值),若该通行时长小于预设时长阈值(可以根据经验配置),则过滤样本车辆s1处于位置点A和位置点B的历史数据,即删除数据记录(车牌标识s1+pt11+位置点A)和数据记录(车牌标识s1+pt12+位置点B),若该通行时长不小于预设时长阈值,则保留样本车辆s1处于位置点A和位置点B的历史数据。
然后,确定样本车辆s1经过位置点B和位置点C的通行时长(即pt13与pt12的差值),若该通行时长小于预设时长阈值,则过滤样本车辆s1处于位置点B和位置点C的历史数据,若该通行时长不小于预设时长阈值,则保留样本车辆s1处于位置点B和位置点C的历史数据,以此类推。
显然,针对样本车辆s1,可以采用方式1对样本车辆s1经过相邻两个位置点的历史数据进行过滤,同理,可以采用方式1对其它样本车辆(如样本车辆s2、样本车辆s3等)经过相邻两个位置点的历史数据进行过滤,在此不再赘述。
方式2、针对相邻两个位置点,若相邻两个位置点对应的数据对的总数量小于预设次数阈值,则过滤相邻两个位置点对应的所有数据对。其中,针对每个数据对来说,该数据对可以包括样本车辆经过这相邻两个位置点的历史数据。
比如说,针对样本车辆s1,参见表1所示,可以根据采集时刻对各位置点进行排序,排序后的相邻两个位置点组成一个相邻点对(即相邻点对包括相邻两个位置点),从而得到多个相邻点对,例如,相邻点对1(位置点A和位置点B)、相邻点对2(位置点B和位置点C)、相邻点对3(位置点C和位置点D)、相邻点对4(位置点D和位置点E)、相邻点对5(位置点E和位置点F)。
针对样本车辆s2,参见表1所示,可以根据采集时刻对各位置点进行排序,排序后的相邻两个位置点组成一个相邻点对,例如,相邻点对6(位置点A和位置点C)、相邻点对7(位置点C和位置点E)、相邻点对5(位置点E和位置点F)。显然,基于样本车辆s2的历史数据确定的相邻点对5与基于样本车辆s1的历史数据确定的相邻点对5相同,二者是同一个相邻点对。
以此类推,基于所有样本车辆的历史数据均可以对各位置点进行排序,从而能够得到多个相邻点对,基于不同样本车辆的历史数据确定的相邻点对可能存在重复,对此过程不再赘述。综上所述,在基于所有样本车辆的历史数据进行上述处理后,可以得到多个相邻点对,每个相邻点对均包括相邻两个位置点。
针对每个相邻点对,该相邻点对包括相邻两个位置点,可以统计该相邻点对对应的数据对的总数量。比如说,以相邻点对1为例,相邻点对1包括位置点A和位置点B,若样本车辆s1从位置点A行驶到位置点B(即依次经过位置点A和位置点B,在位置点A和位置点B之间未经过其它位置点),则样本车辆s1处于位置点A的历史数据和处于位置点B的历史数据是相邻点对1的一个数据对。在实际应用中,样本车辆s1可能多次(如K次,K为大于1的正整数)从位置点A行驶到位置点B,即样本车辆s1的历史数据包括K个处于位置点A的历史数据和K个处于位置点B的历史数据,这些历史数据对应K个数据对。
同理,若样本车辆s2从位置点A行驶到位置点B,则样本车辆s2处于位置点A的历史数据和处于位置点B的历史数据是相邻点对1的一个数据对。
以此类推,针对相邻点对1,可以基于历史数据统计相邻点对1对应的数据对的总数量(按照采集时刻对样本车辆的历史数据进行排序后,若历史数据依次包括位置点A的历史数据和位置点B的历史数据,则对应一个数据对)。
综上所述,可以得到相邻点对1对应的数据对的总数量,针对每个数据对来说,该数据对包括样本车辆处于位置点A的历史数据和样本车辆处于位置点B的历史数据。在此基础上,若相邻点对1对应的数据对的总数量小于预设次数阈值(可以根据经验配置),则过滤相邻点对1对应的所有数据对,例如,过滤样本车辆s1处于位置点A和位置点B的历史数据,即删除数据记录(车牌标识s1+pt11+位置点A)和数据记录(车牌标识s1+pt12+位置点B),过滤样本车辆s2处于位置点A和位置点B的历史数据,以此类推。若相邻点对1对应的数据对的总数量不小于预设次数阈值,则保留相邻点对1对应的所有数据对。
需要说明的是,针对数据对来说,该数据对包括位置点A的历史数据和位置点B的历史数据,这里的历史数据需要是相邻两个位置点的历史数据。比如说,按照采集时刻对样本车辆的历史数据进行排序后,若依次包括位置点A的历史数据和位置点B的历史数据,则位置点A的历史数据和位置点B的历史数据就是相邻两个位置点的历史数据,是一个数据对。但是,按照采集时刻对样本车辆的历史数据进行排序后,若依次包括位置点A的历史数据、位置点C的历史数据和位置点B的历史数据,则位置点A的历史数据和位置点B的历史数据不是相邻两个位置点的历史数据,也就不是针对相邻点对1的数据对。
显然,可以采用方式2对相邻点对1的所有数据对的历史数据进行过滤,或者保留相邻点对1的所有数据对的历史数据,同理,可以采用方式2对其它相邻点对(如相邻点对2、相邻点对3等)的所有数据对的历史数据进行过滤,或者保留其它相邻点对的所有数据对的历史数据,在此不再赘述。
综上所述,通过设置预设次数阈值,可以对相邻点对的所有数据对的历史数据进行过滤,即,当相邻点对的过车次数较少时,就过滤这个相邻点对的所有数据对的历史数据,不再保留这个相邻点对,从而减少不合理数据的干扰。
方式3、针对相邻两个位置点,获取相邻两个位置点对应的所有数据对;基于各数据对对应的通行时长,过滤通行时长小的X1个数据对,并过滤通行时长大的X2个数据对。例如,基于各数据对对应的通行时长对各数据对进行排序,按照通行时长从小到大的顺序对各数据对进行排序,或者按照通行时长从大到小的顺序对各数据对进行排序,后续以按照通行时长从小到大的顺序对各数据对进行排序为例。基于排序结果,可以过滤前面X1个数据对,并过滤后面X2个数据对,X1和X2均为正整数,也就是说,可以过滤通行时长较小的X1个数据对,过滤通行时长较大的X2个数据对,保留通行时长处于中间的数据对。
比如说,可以基于所有样本车辆的历史数据得到多个相邻点对,每个相邻点对均包括相邻两个位置点,相邻点对的获取方式参见方式2,在此不再赘述。
针对每个相邻点对来说,可以基于历史数据统计该相邻点对对应的所有数据对,以相邻点对1为例,相邻点对1包括位置点A和位置点B,相邻点对1对应的数据对包括样本车辆处于位置点A的历史数据和样本车辆处于位置点B的历史数据,各相邻点对对应的数据对的获取方式参见方式2,在此不再赘述。
在得到相邻点对(以相邻点对1为例)对应的所有数据对之后,可以确定每个数据对对应的通行时长,即样本车辆处于位置点B的采集时刻(基于样本车辆处于位置点B的历史数据获知)与样本车辆处于位置点A的采集时刻(基于样本车辆处于位置点A的历史数据获知)之间的差值。比如说,参见表1所示,样本车辆s1对应的数据对包括“车牌标识s1+pt11+位置点A”和“车牌标识s1+pt12+位置点B”,这个数据对对应的通行时长是pt12与pt11的差值。
在得到每个数据对对应的通行时长之后,就可以按照通行时长从小到大的顺序对所有数据对进行排序,基于排序结果,可以过滤前面X1个数据对,并过滤后面X2个数据对。针对待过滤的每个数据对,该数据对可以包括样本车辆处于位置点A的历史数据和样本车辆处于位置点B的历史数据,也就是说,需要过滤样本车辆处于位置点A的历史数据和样本车辆处于位置点B的历史数据。
示例性的,X1可以根据经验配置,如1、2、3等,也可以基于所有数据对的通行时长确定,对此不做限制,X2可以根据经验配置,如1、2、3等,也可以基于所有数据对的通行时长确定,对此不做限制。在基于所有数据对的通行时长确定X1和X2的取值时,参见图4所示,可以采用如下方式实现:
对所有数据对的通行时长进行排序,依次得到t1、t2、t3、t4、t5、t6、t7,若t2与t1的差值大于预设阈值,且t3与t2的差值不大于预设阈值,则表示t2是通行时长呈现稳定的线性增长时的第一个通行时长,需要过滤的就是t1对应的数据对,即X1的取值为1。若t3与t2的差值大于预设阈值,且t4与t3的差值不大于预设阈值,则表示t3是通行时长呈现稳定的线性增长时的第一个通行时长,需要过滤的就是t1和t2对应的数据对,即X1的取值为2,以此类推。
若t7与t6的差值大于预设阈值,且t6与t5的差值不大于预设阈值,则表示t6是通行时长呈现稳定线性增长时的最后一个通行时长,需要过滤的是t7对应的数据对,即X2的取值为1。若t6与t5的差值大于预设阈值,且t5与t4的差值不大于预设阈值,则表示t5是通行时长呈现稳定线性增长时的最后一个通行时长,需要过滤的是t7和t6对应的数据对,即X2的取值为2,以此类推。
显然,可以采用方式3对相邻点对1的数据对进行过滤,即过滤通行时长较小的X1个数据对,并过滤通行时长较大的X2个数据对,并保留通行时长位于中间的数据对(即过滤剩余的数据对),同理,可以采用方式3对其它相邻点对(如相邻点对2、相邻点对3等)的数据对进行过滤,在此不再赘述。
综上所述,通过过滤通行时长较小的X1个数据对,并过滤通行时长较大的X2个数据对,从而去除无效数据对的干扰,即通行时长较小和通行时长较大的数据对均是无效数据对,减少不合理数据的干扰,保留最合适的数据对。
综上所述,基于方式1、方式2和方式3,均可以对历史数据进行过滤,当然,也可以采用其它方式对历史数据进行过滤,对此不做限制。将过滤剩余的历史数据确定为与时间段1匹配的样本数据,基于样本数据执行后续步骤。
步骤302、基于样本数据(即与时间段1匹配的样本数据)确定各相邻点对的通行时长,该相邻点对可以包括相邻两个位置点,该样本数据可以包括样本车辆处于各位置点的位于时间段1内的采集时刻,该通行时长可以是基于样本车辆处于相邻两个位置点的采集时刻确定。
示例性的,针对任一相邻点对来说,可以获取与该相邻点对匹配的M个数据对,针对每个数据对,该数据对可以包括样本车辆处于该相邻点对中相邻两个位置点的采集时刻,即该数据对包括两个采集时刻(这两个采集时刻均是位于时间段1内的采集时刻)。针对每个数据对,基于该数据对中的两个采集时刻确定通行时长,即该数据对对应的通行时长。将M个数据对对应的通行时长中的最小值确定为该相邻点对的通行时长。
比如说,可以基于所有样本车辆的样本数据得到多个相邻点对,每个相邻点对均包括相邻两个位置点,相邻点对的获取方式参见步骤301,将历史数据替换为样本数据即可,在此不再赘述。在得到多个相邻点对后,针对每个相邻点对,可以基于所有样本车辆的样本数据确定该相邻点对对应的所有数据对,即与该相邻点对匹配的M个数据对,每个数据对可以包括样本车辆处于该相邻点对中相邻两个位置点的采集时刻。例如,以相邻点对1为例,相邻点对1包括位置点A和位置点B,可以获取与相邻点对1匹配的M个数据对,且数据对包括样本车辆处于位置点A的样本数据(如采集时刻)和样本车辆处于位置点B的样本数据(如采集时刻),数据对的获取方式参见步骤301,在此不再赘述。
示例性的,针对每个相邻点对,在得到该相邻点对对应的M个数据对之后,针对每个数据对,基于该数据对中的两个采集时刻确定该数据对对应的通行时长,并将M个数据对对应的通行时长中的最小值确定为该相邻点对的通行时长。
以相邻点对1为例,针对M个数据对中的每个数据对,计算该数据对中样本车辆处于位置点B的采集时刻与该数据对中样本车辆处于位置点A的采集时刻之间的差值,该差值就是该数据对对应的通行时长,从而能够得到M个通行时长,然后,将M个通行时长中的最小值作为相邻点对1的通行时长。
综上所述,在步骤302中,可以得到每个相邻点对的通行时长。
步骤303、针对网络拓扑中的任意两个位置点(可以是相邻位置点,也可以不是相邻位置点),确定这两个位置点之间的目标路径经过的至少一个相邻点对,并基于该目标路径经过的相邻点对的通行时长及相邻点对数量,确定这两个位置点之间的与时间段1对应的最小通行时长和最小位置点数量。
示例性的,针对网络拓扑中任意两个位置点,基于这两个位置点之间的各路径经过的所有相邻点对的通行时长之和,可以选取出通行时长之和最小的路径作为目标路径,将目标路径经过的所有相邻点对的通行时长之和确定为最小通行时长,并将目标路径经过的所有相邻点对的总数量确定为最小位置点数量。
比如说,参见图1所示,网络拓扑包括位置点A、位置点B、位置点C、位置点D、位置点E和位置点F,在得到所有相邻点对之后,可以构建图5所示的网络拓扑,该网络拓扑用于显示所有相邻点对,及相邻点对的通行时长。
参见图5所示,具有直接连接关系的两个位置点组成相邻点对,且相邻点对具有方向,如箭头方向是位置点A指向位置点B时,表示相邻点对“位置点A-位置点B”,即从位置点A行驶到位置点B,箭头方向是位置点B指向位置点A时,表示相邻点对“位置点B-位置点A”,即从位置点B行驶到位置点A。
参见图5所示,t1是相邻点对“位置点A-位置点B”的通行时长,t2是相邻点对“位置点B-位置点C”的通行时长,t3是相邻点对“位置点C-位置点D”的通行时长,t4是相邻点对“位置点E-位置点D”的通行时长,以此类推。
针对网络拓扑中的任意两个位置点,如位置点A-位置点B(或位置点C、位置点D、位置点E、位置点F)、位置点B-位置点A(或位置点C、位置点D、位置点E、位置点F)、位置点C-位置点A(或位置点B、位置点D、位置点E、位置点F)、位置点D-位置点A(或位置点B、位置点C、位置点E、位置点F)、位置点E-位置点A(或位置点B、位置点C、位置点D、位置点F)、位置点F-位置点A(或位置点B、位置点C、位置点D、位置点E),后续以位置点A-位置点D为例,可以采用如下方式获取最小通行时长和最小位置点数量:
参见图5所示,位置点A-位置点D包括如下路径:A-B-C-D,A-E-D,基于上述两条路径,A-B-C-D的通行时长之和是t1+t2+t3,A-E-D的通行时长之和是t7+t4,若t1+t2+t3小于t7+t4,则位置点A-位置点D之间的目标路径是A-B-C-D,若t1+t2+t3大于t7+t4,则位置点A-位置点D之间的目标路径是A-E-D。
比如说,若目标路径是A-B-C-D,则基于该目标路径经过的所有相邻点对的通行时长之和确定该最小通行时长,比如说,最小通行时长可以是t1+t2+t3,最小通行时长也可以是(t1+t2+t3)*w,w为大于0且小于1的数值。以及,基于该目标路径经过的所有相邻点对的总数量3确定最小位置点数量,比如说,最小位置点数量可以为3。若目标路径是A-E-D,则基于该目标路径经过的所有相邻点对的通行时长之和确定该最小通行时长,如最小通行时长可以是t7+t4,最小通行时长也可以是(t7+t4)*w。以及,基于该目标路径经过的所有相邻点对的总数量2确定最小位置点数量,比如说,最小位置点数量可以为2。
需要说明的是,在实际应用中,考虑到通行时长之和最小的路径,通常是行车速度最快的路径,而实际道路情况,红绿灯数量越少时,行车速度越快,即位置点数量越少。基于上述情况,本实施例中,可以将通行时长之和最小的路径经过的所有相邻点对的总数量确定为最小位置点数量。
综上所述,针对时间段1,可以确定网络拓扑中的任意两个位置点的最小通行时长和最小位置点数量,针对时间段2,可以确定网络拓扑中的任意两个位置点的最小通行时长和最小位置点数量,以此类推,在此不再重复赘述。
在一种可能的实施方式中,考虑到道路环境的变化,会影响车辆的行驶情况,因此,可以周期性确定最小通行时长和最小位置点数量,以保证最小通行时长和最小位置点数量更贴近实际的道路环境,也就是说,步骤301-步骤303可以周期性执行。在此基础上,若当前时间点与上一次数据更新时间点(即上一次确定最小通行时长和最小位置点数量的时间点)之间的时长达到预设更新时长(如一个月、两个月等),则确定已满足数据更新条件,需要重新执行步骤301-步骤303,得到更新后的最小通行时长和最小位置点数量。
在一种可能的实施方式中,异常车辆(即套牌车辆)的出行时间和出行轨迹具有非常大的随机性,理论上,在两个位置点之间出现异常车辆的概率非常小,几乎为0,也就是说,出现异常车辆的次数应该小于异常次数阈值,若出现异常车辆的次数大于异常次数阈值,则表示两个位置点之间的道路环境发生变化(如路况变好、或路况变差等),需要重新确定最小通行时长和最小位置点数量,以避免误判的情况发生。在此基础上,若两个位置点之间经过的异常车辆的总数量大于异常次数阈值,则确定已满足数据更新条件,需要重新执行步骤301-步骤303,得到更新后的最小通行时长和最小位置点数量。
需要说明的是,若两个位置点之间经过的异常车辆的总数量大于异常次数阈值,在重新确定最小通行时长和最小位置点数量时,针对步骤301,可以采用方式1-方式3中的至少一种对历史数据进行过滤,在此基础上,也可以采用方式4对历史数据进行过滤,过滤完成后将剩余历史数据作为样本数据。
方式4、针对两个位置点(可以是相邻的两个位置点,也可以是不相邻的两个位置点,对此不做限制),若这两个位置点之间经过的异常车辆的总数量大于异常次数阈值,则过滤这两个位置点对应的所有数据对。
参见上述描述,在两个位置点之间出现异常车辆的概率非常小,几乎为0,若出现异常车辆的次数大于异常次数阈值,则表示两个位置点之间的道路环境发生变化,也就是说,这两个位置点之间的数据可能为无效数据,因此,可以获取这两个位置点对应的所有数据对,并过滤这两个位置点对应的所有数据对。关于两个位置点对应所有数据对的获取方式,可以参见步骤301,在此不再赘述。
在一种可能的实施方式中,基于每个时间段对应的最小通行时长和最小位置点数量(如时间段1对应的最小通行时长和最小位置点数量、时间段2对应的最小通行时长和最小位置点数量、以此类推),可以检测车辆是否为异常车辆,将待检测的车辆称为目标车辆,基于每个时间段对应的最小通行时长和最小位置点数量,参见图6所示,采用如下步骤检测目标车辆是否为异常车辆。
步骤601、若目标车辆从第一位置点行驶到第二位置点,则获取目标车辆处于第一位置点的第一时间点、目标车辆处于第二位置点的第二时间点、目标车辆从第一位置点行驶到第二位置点所经过的目标位置点数量。
示例性的,可以从历史数据库中获取与目标车辆对应的所有数据记录,每条数据记录均包括车牌标识s1、采集时刻、位置点标识,按照采集时刻从前到后的顺序对这些数据记录进行排序,假设排序结果为:车牌标识s1+pt1+位置点A、车牌标识s1+pt2+位置点B、车牌标识s1+pt3+位置点F、车牌标识s1+pt4+位置点D、车牌标识s1+pt5+位置点E、车牌标识s1+pt6+位置点C。
第一位置点是所有位置点中的任一位置点,如位置点B,第二位置点是所有位置点中的任一位置点,如位置点F,那么,目标车辆处于第一位置点的第一时间点就是pt2,目标车辆处于第二位置点的第二时间点就是pt3,目标车辆从第一位置点行驶到第二位置点所经过的目标位置点数量就是1。
在一种可能的实施方式中,步骤601之前,可以获取目标车辆对应的车辆特征(如车辆颜色、车辆型号、车辆外观等),从特征管理库(用于存储正常车辆的正常车辆特征)中选取与目标车辆的车牌标识对应的正常车辆特征,若目标车辆对应的车辆特征与该正常车辆特征不同,如车辆颜色不同,则直接确定目标车辆是异常车辆,不再执行步骤601,若目标车辆对应的车辆特征与该正常车辆特征相同,则执行步骤601及后续步骤,确定目标车辆是否为异常车辆。
步骤602、基于第一时间点从所有时间段中选取出目标时间段,比如说,将第一时间点所处的时间段作为目标时间段。或者,基于第二时间点从所有时间段中选取出目标时间段,比如说,将第二时间点所处的时间段作为目标时间段。
步骤603、确定第一位置点与第二位置点之间的与目标时间段对应的最小通行时长和最小位置点数量。比如说,目标时间段是时间段1,则确定位置点B与位置点F之间的与时间段1对应的最小通行时长和最小位置点数量。
步骤604、基于该第一时间点、该第二时间点、该目标位置点数量、该最小通行时长和该最小位置点数量,确定目标车辆是异常车辆还是正常车辆。
情况1、若该第二时间点与该第一时间点之间的差值小于第一位置点与第二位置点之间的最小通行时长,则可以确定目标车辆是异常车辆。
比如说,目标车辆在第一时间点pt2处于位置点B,在第二时间点pt3处于位置点F,位置点B到位置点F的最小通行时长为已知,若pt3与pt2的差值小于该最小通行时长,则说明目标车辆无法在这段时间内从位置点B行驶到位置点F,也就是说,目标车辆从位置点B行驶到位置点F是在不合理的时长内到达,位置点B的车辆与位置点F的车辆不是同一车辆,即目标车辆是异常车辆。
情况2、若该第二时间点与该第一时间点之间的差值不小于第一位置点与第二位置点之间的最小通行时长,且第一位置点与第二位置点之间的最小位置点数量大于目标位置点数量与预设数量阈值之和,则确定目标车辆是异常车辆。
比如说,目标车辆在第一时间点pt2处于位置点B,在第二时间点pt3处于位置点F,从位置点B行驶到位置点F所经过的目标位置点数量是1,位置点B到位置点F的最小通行时长为已知,位置点B到位置点F的最小位置点数量为已知,若pt3与pt2的差值不小于该最小通行时长,则需要分析位置点数量。
假设位置点B到位置点F的最小位置点数量是5,表示最少经过5个位置点,才能够从位置点B行驶到位置点F,且假设预设数量阈值是2(可以根据经验配置),那么,由于从位置点B行驶到位置点F的目标位置点数量(也即实际位置点数量)是1,且最小位置点数量5大于目标位置点数量1与预设数量阈值2之和,因此,说明目标车辆途径的位置点在地理空间上是不符合实际情况的,位置点B的车辆与位置点F的车辆不是同一车辆,即目标车辆是异常车辆。
情况3、若该第二时间点与该第一时间点之间的差值不小于第一位置点与第二位置点之间的最小通行时长,且第一位置点与第二位置点之间的最小位置点数量不大于目标位置点数量与预设数量阈值之和,则确定目标车辆是正常车辆。
由以上技术方案可见,本申请实施例中,可以预先对历史数据进行大数据分析,推算任意两个位置点之间符合实际用车的最小通行时长和最小位置点数量,无需人工治理数据。分别从高峰、平峰、低峰等时间段来推算最小通行时长和最小位置点数量,最大可能的贴近车辆在该段时间内行车环境与行车速度,解决潮汐车道,早晚高峰时间差异大,分时单循环等一系列影响车辆行车速度与轨迹的问题。通过对历史数据进行大数据分析,推算任意两个位置点之间通过时需要经过的最小位置点数量,通过比较实际过车时两个位置点之间途径的目标位置点数量与大数据推算出的最小位置点数量的差异,是基于地理空间的比较,解决套牌车场景中正常车辆和异常车辆不在相同时间段内出现在路上的情况。时空分析和地理空间分析所使用的参照数据(即最小通行时长和最小位置点数量)均是大数据定期推算所得,会随着道路环境等变化自动调整数据,更贴近实际的行车情况,在使用数据层面,会过滤掉与之前分析出的异常车辆相关的过车记录,减少异常车辆不合理的过车数据对大数据推算路径时的影响。对时空分析、地理空间分析的结果再进行二次匹配,针对一定时间段内相同位置点出现异常车辆次数大于阈值的情况,会进行过滤,减少因为道路环境调整等因素导致的过车时间发生变化而对分析结果的准确度造成的影响。
基于与上述方法同样的申请构思,本申请实施例中提出一种异常车辆的检测装置,参见图7所示,为所述装置的结构示意图,所述装置可以包括:
获取模块71,用于若目标车辆从第一位置点行驶到第二位置点,则获取目标车辆处于第一位置点的第一时间点、所述目标车辆处于第二位置点的第二时间点、所述目标车辆从第一位置点行驶到第二位置点所经过的目标位置点数量;
确定模块72,用于若所述第二时间点与所述第一时间点之间的差值小于所述第一位置点与所述第二位置点之间的最小通行时长,则确定所述目标车辆是异常车辆;若所述第二时间点与所述第一时间点之间的差值不小于所述最小通行时长,且所述第一位置点与所述第二位置点之间的最小位置点数量大于所述目标位置点数量与预设数量阈值之和,则确定所述目标车辆是异常车辆。
在一种可能的实施方式中,所述确定模块72,还用于若所述第二时间点与所述第一时间点之间的差值不小于所述第一位置点与所述第二位置点之间的最小通行时长,且所述第一位置点与所述第二位置点之间的最小位置点数量不大于所述目标位置点数量与预设数量阈值之和,则确定所述目标车辆是正常车辆。
在一种可能的实施方式中,所述获取模块71,还用于若指定统计周期被划分为多个时间段,则基于所述第一时间点或者所述第二时间点,从所述多个时间段中选取出目标时间段;其中,所述最小通行时长是与所述目标时间段对应的最小通行时长;其中,所述最小位置点数量是与所述目标时间段对应的最小位置点数量。
在一种可能的实施方式中,所述确定模块72,还用于确定所述第一位置点与所述第二位置点之间的与统计时间段对应的最小通行时长和最小位置点数量;其中,所述统计时间段为指定统计周期的完整时间段,或者,指定统计周期被划分为多个时间段时,所述统计时间段为所述多个时间段中的任一时间段;所述确定模块确定所述第一位置点与所述第二位置点之间的与统计时间段对应的最小通行时长和最小位置点数量时具体用于:确定第一位置点与第二位置点的目标路径经过的至少一个相邻点对,基于所述目标路径经过的相邻点对的通行时长及相邻点对数量,确定所述第一位置点与第二位置点之间的与统计时间段对应的最小通行时长和最小位置点数量;其中,相邻点对的通行时长是基于历史数据库中的与统计时间段对应的样本数据确定,所述样本数据包括样本车辆处于网络拓扑中各位置点的位于所述统计时间段内的采集时刻,相邻点对包括相邻两个位置点,通行时长是基于样本车辆处于相邻两个位置点的采集时刻确定。
在一种可能的实施方式中,所述确定模块72基于历史数据库中的与统计时间段对应的样本数据确定相邻点对的通行时长时具体用于针对任一相邻点对,获取与该相邻点对匹配的M个数据对,各数据对包括样本车辆处于该相邻点对中相邻两个位置点的位于统计时间段内的采集时刻;针对各数据对,基于该数据对中的两个采集时刻确定通行时长;将M个数据对对应的通行时长中的最小值确定为该相邻点对的通行时长。
在一种可能的实施方式中,所述确定模块72基于所述目标路径经过的相邻点对的通行时长及相邻点对数量,确定所述第一位置点与第二位置点之间的与统计时间段对应的最小通行时长和最小位置点数量时具体用于:基于所述第一位置点与所述第二位置点之间的各路径经过的所有相邻点对的通行时长之和,选取通行时长之和最小的路径作为目标路径,将所述目标路径经过的所有相邻点对的通行时长之和确定为与所述统计时间段对应的最小通行时长,并将所述目标路径经过的所有相邻点对的总数量确定为与所述统计时间段对应的最小位置点数量。
在一种可能的实施方式中,所述确定模块72还用于:从历史数据库中选取与所述统计时间段匹配的历史数据,所述历史数据包括样本车辆处于各位置点的位于所述统计时间段内的采集时刻;对历史数据进行过滤,将过滤剩余的历史数据确定为所述样本数据;其中,对所述历史数据进行过滤包括以下至少一种:针对任一样本车辆,若该样本车辆经过相邻两个位置点的通行时长小于预设时长阈值,则过滤该样本车辆经过所述相邻两个位置点的历史数据;针对相邻两个位置点,若所述相邻两个位置点对应的数据对的总数量小于预设次数阈值,则过滤所述相邻两个位置点对应的所有数据对;其中,所述数据对包括样本车辆经过所述相邻两个位置点的历史数据;针对相邻两个位置点,获取所述相邻两个位置点对应的所有数据对;基于各数据对对应的通行时长,过滤通行时长小的X1个数据对,并过滤通行时长大的X2个数据对,所述X1和所述X2均为正整数;针对两个位置点,若所述两个位置点之间经过的异常车辆的总数量大于异常次数阈值,则过滤所述两个位置点对应的所有数据对。
在一种可能的实施方式中,所述确定模块72确定所述第一位置点与所述第二位置点之间的与统计时间段对应的最小通行时长和最小位置点数量时具体用于:确定是否已满足数据更新条件;如果是,则确定所述第一位置点与所述第二位置点之间的与统计时间段对应的最小通行时长和最小位置点数量;其中,若所述第一位置点与所述第二位置点之间经过的异常车辆的总数量大于异常次数阈值,则确定已满足数据更新条件;或,若当前时间点与上一次数据更新时间点之间的时长达到预设更新时长,则确定已满足数据更新条件,所述上一次数据更新时间点是上一次确定最小通行时长和最小位置点数量的时间点。
基于与上述方法同样的申请构思,本申请实施例中提出一种异常车辆的检测设备(如管理设备),参见图8所示,异常车辆的检测设备可以包括:处理器81和机器可读存储介质82,所述机器可读存储介质82存储有能够被所述处理器81执行的机器可执行指令;所述处理器81用于执行机器可执行指令,以实现本申请上述示例公开的异常车辆的检测方法。
基于与上述方法同样的申请构思,本申请实施例还提供一种机器可读存储介质,所述机器可读存储介质上存储有若干计算机指令,所述计算机指令被处理器执行时,能够实现本申请上述示例公开的异常车辆的检测方法。
其中,上述机器可读存储介质可以是任何电子、磁性、光学或其它物理存储装置,可以包含或存储信息,如可执行指令、数据,等等。例如,机器可读存储介质可以是:RAM(Radom Access Memory,随机存取存储器)、易失存储器、非易失性存储器、闪存、存储驱动器(如硬盘驱动器)、固态硬盘、任何类型的存储盘(如光盘、dvd等),或者类似的存储介质,或者它们的组合。
基于与上述方法同样的申请构思,本申请实施例还提供一种计算机程序,所述计算机程序存储于机器可读存储介质,当处理器执行所述计算机程序时,促使处理器实现本申请上述示例公开的异常车辆的检测方法。
上述实施例阐明的系统、装置、模块或单元,具体可以由计算机芯片或实体实现,或者由具有某种功能的产品来实现。一种典型的实现设备为计算机,计算机的具体形式可以是个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件收发设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任意几种设备的组合。
为了描述的方便,描述以上装置时以功能分为各种单元分别描述。当然,在实施本申请时可以把各单元的功能在同一个或多个软件和/或硬件中实现。
本领域内的技术人员应明白,本申请的实施例可提供为方法、系统、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请实施例可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可以由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其它可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其它可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
而且,这些计算机程序指令也可以存储在能引导计算机或其它可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或者多个流程和/或方框图一个方框或者多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其它可编程数据处理设备上,使得在计算机或者其它可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其它可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上所述仅为本申请的实施例而已,并不用于限制本申请。对于本领域技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等,均应包含在本申请的权利要求范围之内。
Claims (10)
1.一种异常车辆的检测方法,其特征在于,所述方法包括:
若目标车辆从第一位置点行驶到第二位置点,则获取所述目标车辆处于第一位置点的第一时间点、所述目标车辆处于第二位置点的第二时间点、所述目标车辆从第一位置点行驶到第二位置点所经过的目标位置点数量;
若所述第二时间点与所述第一时间点之间的差值小于所述第一位置点与所述第二位置点之间的最小通行时长,则确定所述目标车辆是异常车辆;
若所述第二时间点与所述第一时间点之间的差值不小于所述最小通行时长,且所述第一位置点与所述第二位置点之间的最小位置点数量大于所述目标位置点数量与预设数量阈值之和,则确定所述目标车辆是异常车辆。
2.根据权利要求1所述的方法,其特征在于,
所述获取所述目标车辆处于第一位置点的第一时间点、所述目标车辆处于第二位置点的第二时间点之后,所述方法还包括:
若指定统计周期被划分为多个时间段,则基于所述第一时间点或者所述第二时间点,从所述多个时间段中选取出目标时间段;
其中,所述最小通行时长是与所述目标时间段对应的最小通行时长;
其中,所述最小位置点数量是与所述目标时间段对应的最小位置点数量。
3.根据权利要求1或2所述的方法,其特征在于,
所述获取所述目标车辆处于第一位置点的第一时间点、所述目标车辆处于第二位置点的第二时间点之前,所述方法还包括:确定所述第一位置点与所述第二位置点之间的与统计时间段对应的最小通行时长和最小位置点数量;其中,所述统计时间段为指定统计周期的完整时间段,或者,指定统计周期被划分为多个时间段时,所述统计时间段为所述多个时间段中的任一时间段;
其中:所述确定所述第一位置点与所述第二位置点之间的与统计时间段对应的最小通行时长和最小位置点数量,包括:
确定第一位置点与第二位置点的目标路径经过的至少一个相邻点对,基于所述目标路径经过的相邻点对的通行时长及相邻点对数量,确定所述第一位置点与第二位置点之间的与统计时间段对应的最小通行时长和最小位置点数量;
其中,相邻点对的通行时长是基于历史数据库中的与统计时间段对应的样本数据确定,所述样本数据包括样本车辆处于网络拓扑中各位置点的位于所述统计时间段内的采集时刻,相邻点对包括相邻两个位置点,通行时长是基于样本车辆处于相邻两个位置点的采集时刻确定。
4.根据权利要求3所述的方法,其特征在于,基于历史数据库中的与统计时间段对应的样本数据确定相邻点对的通行时长的过程包括:
针对任一相邻点对,获取与该相邻点对匹配的M个数据对,各数据对包括样本车辆处于该相邻点对中相邻两个位置点的位于统计时间段内的采集时刻;
针对各数据对,基于该数据对中的两个采集时刻确定通行时长;
将M个数据对对应的通行时长中的最小值确定为该相邻点对的通行时长。
5.根据权利要求3所述的方法,其特征在于,所述基于所述目标路径经过的相邻点对的通行时长及相邻点对数量,确定所述第一位置点与第二位置点之间的与统计时间段对应的最小通行时长和最小位置点数量,包括:
基于所述第一位置点与所述第二位置点之间的各路径经过的所有相邻点对的通行时长之和,选取通行时长之和最小的路径作为目标路径;
将所述目标路径经过的所有相邻点对的通行时长之和确定为与所述统计时间段对应的最小通行时长,并将所述目标路径经过的所有相邻点对的总数量确定为与所述统计时间段对应的最小位置点数量。
6.根据权利要求3所述的方法,其特征在于,所述方法还包括:
从历史数据库中选取与所述统计时间段对应的历史数据,所述历史数据包括样本车辆处于各位置点的位于所述统计时间段内的采集时刻;
对所述历史数据进行过滤,将过滤剩余的历史数据确定为所述样本数据;其中,对所述历史数据进行过滤包括以下至少一种:
针对任一样本车辆,若该样本车辆经过相邻两个位置点的通行时长小于预设时长阈值,则过滤该样本车辆经过所述相邻两个位置点的历史数据;
针对相邻两个位置点,若所述相邻两个位置点对应的数据对的总数量小于预设次数阈值,则过滤所述相邻两个位置点对应的所有数据对;其中,所述数据对包括样本车辆经过所述相邻两个位置点的历史数据;
针对相邻两个位置点,获取所述相邻两个位置点对应的所有数据对;基于各数据对对应的通行时长,过滤通行时长小的X1个数据对,并过滤通行时长大的X2个数据对,所述X1和所述X2均为正整数;
针对两个位置点,若所述两个位置点之间经过的异常车辆的总数量大于异常次数阈值,则过滤所述两个位置点对应的所有数据对。
7.根据权利要求3所述的方法,其特征在于,确定所述第一位置点与所述第二位置点之间的与统计时间段对应的最小通行时长和最小位置点数量,包括:
确定是否已满足数据更新条件;如果是,则确定所述第一位置点与所述第二位置点之间的与统计时间段对应的最小通行时长和最小位置点数量;
其中,若第一位置点与第二位置点之间经过的异常车辆的总数量大于异常次数阈值,则确定已满足数据更新条件;或,若当前时间点与上一次数据更新时间点之间的时长达到预设更新时长,则确定已满足数据更新条件,所述上一次数据更新时间点是上一次确定最小通行时长和最小位置点数量的时间点。
8.一种异常车辆的检测装置,其特征在于,所述装置包括:
获取模块,用于若目标车辆从第一位置点行驶到第二位置点,则获取目标车辆处于第一位置点的第一时间点、所述目标车辆处于第二位置点的第二时间点、所述目标车辆从第一位置点行驶到第二位置点所经过的目标位置点数量;
确定模块,用于若所述第二时间点与所述第一时间点之间的差值小于所述第一位置点与所述第二位置点之间的最小通行时长,则确定所述目标车辆是异常车辆;若所述第二时间点与所述第一时间点之间的差值不小于所述最小通行时长,且所述第一位置点与所述第二位置点之间的最小位置点数量大于所述目标位置点数量与预设数量阈值之和,则确定所述目标车辆是异常车辆。
9.根据权利要求8所述的装置,其特征在于,
其中,所述获取模块,还用于若指定统计周期被划分为多个时间段,则基于所述第一时间点或者所述第二时间点,从所述多个时间段中选取出目标时间段;其中,所述最小通行时长是与所述目标时间段对应的最小通行时长;其中,所述最小位置点数量是与所述目标时间段对应的最小位置点数量;
其中,所述确定模块,还用于确定所述第一位置点与所述第二位置点之间的与统计时间段对应的最小通行时长和最小位置点数量;其中,所述统计时间段为指定统计周期的完整时间段,或者,指定统计周期被划分为多个时间段时,所述统计时间段为所述多个时间段中的任一时间段;所述确定模块确定所述第一位置点与所述第二位置点之间的与统计时间段对应的最小通行时长和最小位置点数量时具体用于:确定第一位置点与第二位置点的目标路径经过的至少一个相邻点对,基于所述目标路径经过的相邻点对的通行时长及相邻点对数量,确定所述第一位置点与第二位置点之间的与统计时间段对应的最小通行时长和最小位置点数量;其中,相邻点对的通行时长是基于历史数据库中的与统计时间段对应的样本数据确定,所述样本数据包括样本车辆处于网络拓扑中各位置点的位于所述统计时间段内的采集时刻,相邻点对包括相邻两个位置点,通行时长是基于样本车辆处于相邻两个位置点的采集时刻确定;
其中,所述确定模块基于历史数据库中的与统计时间段对应的样本数据确定相邻点对的通行时长时具体用于针对任一相邻点对,获取与该相邻点对匹配的M个数据对,各数据对包括样本车辆处于该相邻点对中相邻两个位置点的位于统计时间段内的采集时刻;针对各数据对,基于该数据对中的两个采集时刻确定通行时长;将M个数据对对应的通行时长中的最小值确定为该相邻点对的通行时长;
其中,所述确定模块基于所述目标路径经过的相邻点对的通行时长及相邻点对数量,确定所述第一位置点与第二位置点之间的与统计时间段对应的最小通行时长和最小位置点数量时具体用于:基于所述第一位置点与所述第二位置点之间的各路径经过的所有相邻点对的通行时长之和,选取通行时长之和最小的路径作为目标路径,将所述目标路径经过的所有相邻点对的通行时长之和确定为与所述统计时间段对应的最小通行时长,并将所述目标路径经过的所有相邻点对的总数量确定为与所述统计时间段对应的最小位置点数量;
其中,所述确定模块还用于:从历史数据库中选取与所述统计时间段匹配的历史数据,所述历史数据包括样本车辆处于各位置点的位于所述统计时间段内的采集时刻;对历史数据进行过滤,将过滤剩余的历史数据确定为所述样本数据;其中,对所述历史数据进行过滤包括以下至少一种:针对任一样本车辆,若该样本车辆经过相邻两个位置点的通行时长小于预设时长阈值,则过滤该样本车辆经过所述相邻两个位置点的历史数据;针对相邻两个位置点,若所述相邻两个位置点对应的数据对的总数量小于预设次数阈值,则过滤所述相邻两个位置点对应的所有数据对;其中,所述数据对包括样本车辆经过所述相邻两个位置点的历史数据;针对相邻两个位置点,获取所述相邻两个位置点对应的所有数据对;基于各数据对对应的通行时长,过滤通行时长小的X1个数据对,并过滤通行时长大的X2个数据对,所述X1和所述X2均为正整数;针对两个位置点,若所述两个位置点之间经过的异常车辆的总数量大于异常次数阈值,则过滤所述两个位置点对应的所有数据对;
其中,所述确定模块确定所述第一位置点与所述第二位置点之间的与统计时间段对应的最小通行时长和最小位置点数量时具体用于:确定是否已满足数据更新条件;如果是,则确定所述第一位置点与所述第二位置点之间的与统计时间段对应的最小通行时长和最小位置点数量;其中,若所述第一位置点与所述第二位置点之间经过的异常车辆的总数量大于异常次数阈值,则确定已满足数据更新条件;或,若当前时间点与上一次数据更新时间点之间的时长达到预设更新时长,则确定已满足数据更新条件,所述上一次数据更新时间点是上一次确定最小通行时长和最小位置点数量的时间点。
10.一种异常车辆的检测设备,其特征在于,所述异常车辆的检测设备包括:处理器和机器可读存储介质,所述机器可读存储介质存储有能够被所述处理器执行的机器可执行指令;其中,所述处理器用于执行所述机器可执行指令,以实现权利要求1-8任一项所述的方法步骤。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111410662.2A CN114140780A (zh) | 2021-11-19 | 2021-11-19 | 一种异常车辆的检测方法、装置及设备 |
PCT/CN2022/131621 WO2023088201A1 (zh) | 2021-11-19 | 2022-11-14 | 异常车辆的检测方法、装置及设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111410662.2A CN114140780A (zh) | 2021-11-19 | 2021-11-19 | 一种异常车辆的检测方法、装置及设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114140780A true CN114140780A (zh) | 2022-03-04 |
Family
ID=80391658
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111410662.2A Pending CN114140780A (zh) | 2021-11-19 | 2021-11-19 | 一种异常车辆的检测方法、装置及设备 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN114140780A (zh) |
WO (1) | WO2023088201A1 (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114495031A (zh) * | 2022-03-31 | 2022-05-13 | 青岛海信网络科技股份有限公司 | 一种车牌信息校正方法、设备及装置 |
CN115601974A (zh) * | 2022-09-29 | 2023-01-13 | 广州天长信息技术有限公司(Cn) | 一种高速路套牌车辆确定方法及装置 |
WO2023088201A1 (zh) * | 2021-11-19 | 2023-05-25 | 杭州海康威视数字技术股份有限公司 | 异常车辆的检测方法、装置及设备 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107204114A (zh) * | 2016-03-18 | 2017-09-26 | 中兴通讯股份有限公司 | 一种车辆异常行为的识别方法及装置 |
CN111402574B (zh) * | 2018-12-13 | 2023-04-07 | 阿里巴巴集团控股有限公司 | 车辆检测方法、装置、设备和存储介质 |
CN111369801B (zh) * | 2019-08-27 | 2021-11-23 | 杭州海康威视系统技术有限公司 | 车辆识别方法、装置、设备和存储介质 |
CN111767776B (zh) * | 2019-12-28 | 2024-03-29 | 西安宇视信息科技有限公司 | 一种异常车牌推选方法及装置 |
CN114140780A (zh) * | 2021-11-19 | 2022-03-04 | 杭州海康威视数字技术股份有限公司 | 一种异常车辆的检测方法、装置及设备 |
-
2021
- 2021-11-19 CN CN202111410662.2A patent/CN114140780A/zh active Pending
-
2022
- 2022-11-14 WO PCT/CN2022/131621 patent/WO2023088201A1/zh unknown
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2023088201A1 (zh) * | 2021-11-19 | 2023-05-25 | 杭州海康威视数字技术股份有限公司 | 异常车辆的检测方法、装置及设备 |
CN114495031A (zh) * | 2022-03-31 | 2022-05-13 | 青岛海信网络科技股份有限公司 | 一种车牌信息校正方法、设备及装置 |
CN115601974A (zh) * | 2022-09-29 | 2023-01-13 | 广州天长信息技术有限公司(Cn) | 一种高速路套牌车辆确定方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
WO2023088201A1 (zh) | 2023-05-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114140780A (zh) | 一种异常车辆的检测方法、装置及设备 | |
CN111402580B (zh) | 车辆行驶轨迹预测方法、装置及电子设备 | |
CN105513339B (zh) | 一种车辆轨迹分析方法和设备 | |
Cao et al. | Maximizing the probability of arriving on time: A practical q-learning method | |
Lai et al. | Urban traffic Coulomb’s law: A new approach for taxi route recommendation | |
CN110579219B (zh) | 轨迹数据处理方法、装置、存储介质和计算机设备 | |
US8706459B2 (en) | Traffic sensor management | |
CN106650771A (zh) | 基于聚类分析的轨迹去噪方法以及装置 | |
CN109243173B (zh) | 基于道路高清卡口数据的车辆轨迹分析方法及系统 | |
CN113808400B (zh) | 车流迁徙情况的展示方法、装置、设备及介质 | |
CN111768629B (zh) | 车辆调度方法、装置和系统 | |
CN110851490B (zh) | 一种基于过车数据的车辆出行常用停留点挖掘方法及装置 | |
CN114647684A (zh) | 基于stacking算法的流量预测方法、装置及相关设备 | |
CN115880894A (zh) | 一种交通状态确定方法、装置及设备 | |
CN111367906B (zh) | 异常车辆识别方法、装置、设备及计算机可读存储介质 | |
CN114881279A (zh) | 一种车辆轨迹预测方法、设备和装置 | |
CN110021161A (zh) | 一种交通流向的预测方法及系统 | |
Ding et al. | Mit-avt clustered driving scene dataset: Evaluating perception systems in real-world naturalistic driving scenarios | |
Barth et al. | Scalable unsupervised multi-criteria trajectory segmentation and driving preference mining | |
Axer et al. | Signal timing estimation based on low frequency floating car data | |
CN112652164A (zh) | 一种交通时段划分方法、装置及设备 | |
Provoost et al. | Short term prediction of parking area states using real time data and machine learning techniques | |
CN111046360A (zh) | 一种基于人脸识别的客户信息管理方法和系统 | |
CN108287973A (zh) | 交通状态的模拟方法及装置 | |
CN111161120B (zh) | 一种卡口位置的确定方法及卡口管理装置 |
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 |