CN114494998B - 一种车辆数据智能分析方法及系统 - Google Patents
一种车辆数据智能分析方法及系统 Download PDFInfo
- Publication number
- CN114494998B CN114494998B CN202210058330.0A CN202210058330A CN114494998B CN 114494998 B CN114494998 B CN 114494998B CN 202210058330 A CN202210058330 A CN 202210058330A CN 114494998 B CN114494998 B CN 114494998B
- Authority
- CN
- China
- Prior art keywords
- vehicle
- time
- analysis
- area
- intersection
- 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
- 238000004458 analytical method Methods 0.000 title claims abstract description 80
- 238000007405 data analysis Methods 0.000 claims abstract description 25
- 238000000034 method Methods 0.000 claims abstract description 17
- 230000008569 process Effects 0.000 claims abstract description 9
- 238000007418 data mining Methods 0.000 claims abstract description 8
- 230000002159 abnormal effect Effects 0.000 claims description 40
- 230000002776 aggregation Effects 0.000 claims description 23
- 238000004220 aggregation Methods 0.000 claims description 23
- 238000012163 sequencing technique Methods 0.000 claims description 15
- 230000000737 periodic effect Effects 0.000 claims description 13
- 238000003032 molecular docking Methods 0.000 claims description 11
- 238000004891 communication Methods 0.000 claims description 10
- 238000010586 diagram Methods 0.000 claims description 9
- 238000012545 processing Methods 0.000 claims description 9
- 239000011159 matrix material Substances 0.000 claims description 7
- 238000012549 training Methods 0.000 claims description 7
- 238000012937 correction Methods 0.000 claims description 6
- 230000001681 protective effect Effects 0.000 claims description 4
- 230000008859 change Effects 0.000 claims description 3
- 239000000284 extract Substances 0.000 claims description 2
- 238000011835 investigation Methods 0.000 claims 2
- 238000004364 calculation method Methods 0.000 claims 1
- 238000001514 detection method Methods 0.000 description 4
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000010223 real-time analysis Methods 0.000 description 1
- 239000000126 substance Substances 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
- G06F18/23—Clustering techniques
-
- G06T3/067—
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B25/00—Alarm systems in which the location of the alarm condition is signalled to a central station, e.g. fire or police telegraphic systems
- G08B25/01—Alarm systems in which the location of the alarm condition is signalled to a central station, e.g. fire or police telegraphic systems characterised by the transmission medium
- G08B25/08—Alarm systems in which the location of the alarm condition is signalled to a central station, e.g. fire or police telegraphic systems characterised by the transmission medium using communication transmission lines
Abstract
本发明涉及一种车辆数据智能分析方法及系统,属于公共安全技术领域。方法包括：摄像装置对布控车辆进行实时监测，获取布控车辆数据，将所述布控车辆数据传输至边缘计算装置；所述边缘计算装置对所述布控车辆数据进行分析处理，对重点场景进行实时预警，并将分析结果传输至云端大数据分析平台；所述云端大数据分析平台接收并存储所述边缘计算装置上传的分析数据，通过对历史分析数据进行数据挖掘，进行布控车辆轨迹倒查分析和告警区布控车辆轨迹分析。本方法能够对重点场景进行实时预警，能够进行布控车辆轨迹倒查分析和告警区布控车辆轨迹分析，能提高车辆现场布控拦截的成功率。
Description
技术领域
本发明属于公共安全技术领域，尤其涉及一种车辆数据智能分析方法及系统。
背景技术
目前的检测布控系统存在以下问题：当系统检测到布控车辆出现并向民警推送报警信息时，报警信息只有布控车辆出现的当前位置，民警无法准确判断布控车辆的后续行驶路径和方向，使得现场布控拦截十分困难。
目前的检测布控系统无法对布控车辆的行驶轨迹进行准确分析，无法对重点场景进行实时预警，不能够进行布控车辆轨迹倒查分析和告警区布控车辆轨迹分析。
发明内容
本发明的主要目的在于克服现有技术的缺点与不足，提供一种车辆数据智能分析方法及系统，能够对重点场景进行实时预警，能够进行布控车辆轨迹倒查分析和告警区布控车辆轨迹分析，能提高车辆现场布控拦截的成功率。
根据本发明的一个方面，本发明提供了一种车辆数据智能分析方法，所述方法包括以下步骤：
S1：摄像装置对布控车辆进行实时监测，获取布控车辆数据，将所述布控车辆数据传输至边缘计算装置；
S2：所述边缘计算装置对所述布控车辆数据进行分析处理，对重点场景进行实时预警，并将分析结果传输至云端大数据分析平台；
S3：所述云端大数据分析平台接收并存储所述边缘计算装置上传的分析数据，通过对历史分析数据进行数据挖掘，进行布控车辆轨迹倒查分析和告警区布控车辆轨迹分析。
优选地，所述对重点场景进行实时预警包括：
以重点场景的几何中心O(xo,yo)为防护圈中心，计算各路口中心 Or(xr,yr)到O(xo,yo)的距离；检测车辆行进方向，根据行进方向与路口 On(xn,yn)之间的连通关系提取下一个通过的路口信息Oe(xe,ye)，计算车辆轨迹的行进趋势系数：
当行进趋势系数Td＞Ty时，判定车辆行驶方向为重点区域，并将车辆轨迹信息上传至前端界面进行预警；其中，Cn和Cr为通过历史数据训练得到的预先设定的趋势计算常数，Ty为设定的趋势阈值。
优选地，所述对重点场景进行实时预警包括：
记录路口Or(xr,yr)到O(xo,yo)的距离
和时间，系统每隔时间tr提取设定时间长度Tr内布控车辆的距离信息集合
计算车辆的徘徊系数
当H大于设定的徘徊阈值Hy时，判定车辆异常徘徊并在前端界面进行预警；其中，Tr＞tr，m 为距离集合元素个数，my为设定数量阈值，ε和∈为大于零的修正常数，∈＜＜1。
优选地，所述进行布控车辆轨迹倒查分析包括：
获取布控车辆的停靠信息集合，建立三维点阵，所述三维点阵中x轴、 y轴为空间坐标，z轴表示时间；对所述停靠信息集合进行处理，得到点阵中每个点最终的停靠得分，并根据所述停靠得分的高低得到停靠信息的时空间热力图；
计算停靠得分在平面内的投影，提取平面的得分投影非零的点集，对点集根据平面坐标进行聚类并计算各类的得分投影之和作为各类的聚集得分，根据聚集得分从高至低排序得到布控车辆的停靠热点区域；
根据停靠时间分布将热点区域进行排序，并根据设定时段停靠区域分布，得到初始布控车辆周期性的时空间分布。
判定两辆布控车辆是否异常接触，当同一区域内异常接触的布控车辆的数量大于预设阈值时，判定区域内存在布控车辆异常聚集，并对该区域进行异常预警。
优选地，所述进行告警区布控车辆轨迹分析包括：
调取布控车辆的历史轨迹，检测布控车辆在告警区域的出现是否具备周期性，当布控车辆在告警区域的出现不具备周期性时，计算每次布控车辆经过告警区域的轨迹到告警区域的中心的距离与出现时间集合 {(dri,tri)}，当
判定布控车辆存在异常停留行为；当布控车辆在告警区域出现异常停留的次数nst与总经过次数ncon满足
时，判定布控车辆存在在告警区域踩点的可能性；其中，ξ为设定的停留阈值，pst为设定的概率阈值。
根据本发明的另一个方面，本发明还提供了一种车辆数据智能分析系统，所述系统包括摄像装置、边缘计算装置和云端大数据分析平台；
所述摄像装置对布控车辆进行实时监测，获取布控车辆数据，将所述布控车辆数据传输至所述边缘计算装置；
所述边缘计算装置对所述布控车辆数据进行分析处理，对重点场景进行实时预警，并将分析结果传输至所述云端大数据分析平台；
所述云端大数据分析平台接收并存储所述边缘计算装置上传的分析数据，通过对历史分析数据进行数据挖掘，进行布控车辆轨迹倒查分析和告警区布控车辆轨迹分析。
优选地，所述对重点场景进行实时预警包括：
以重点场景的几何中心O(xo,yo)为防护圈中心，计算各路口中心 Or(xr,yr)到O(xo,yo)的距离；检测车辆行进方向，根据行进方向与路口 On(xn,yn)之间的连通关系提取下一个通过的路口信息Oe(xe,ye)，计算车辆轨迹的行进趋势系数：
当行进趋势系数Td＞Ty时，判定车辆行驶方向为重点区域，并将车辆轨迹信息上传至前端界面进行预警；其中，Cn和Cr为通过历史数据训练得到的预先设定的趋势计算常数，Ty为设定的趋势阈值。
优选地，所述对重点场景进行实时预警包括：
记录路口Or(xr,yr)到O(xo,yo)的距离
和时间，系统每隔时间tr提取设定时间长度Tr内布控车辆的距离信息集合
计算车辆的徘徊系数
当H大于设定的徘徊阈值Hy时，判定车辆异常徘徊并在前端界面进行预警；其中，Tr＞tr，m 为距离集合元素个数，my为设定数量阈值，ε和∈为大于零的修正常数，∈＜＜1。
优选地，所述进行布控车辆轨迹倒查分析包括：
获取布控车辆的停靠信息集合，建立三维点阵，所述三维点阵中x轴、 y轴为空间坐标，z轴表示时间；对所述停靠信息集合进行处理，得到点阵中每个点最终的停靠得分，并根据所述停靠得分的高低得到停靠信息的时空间热力图；
计算停靠得分在平面内的投影，提取平面的得分投影非零的点集，对点集根据平面坐标进行聚类并计算各类的得分投影之和作为各类的聚集得分，根据聚集得分从高至低排序得到布控车辆的停靠热点区域；
根据停靠时间分布将热点区域进行排序，并根据设定时段停靠区域分布，得到初始布控车辆周期性的时空间分布。
判定两辆布控车辆是否异常接触，当同一区域内异常接触的布控车辆的数量大于预设阈值时，判定区域内存在布控车辆异常聚集，并对该区域进行异常预警。
优选地，所述进行告警区布控车辆轨迹分析包括：
调取布控车辆的历史轨迹，检测布控车辆在告警区域的出现是否具备周期性，当布控车辆在告警区域的出现不具备周期性时，计算每次布控车辆经过告警区域的轨迹到告警区域的中心的距离与出现时间集合 {(dri,tri)}，当
判定布控车辆存在异常停留行为；当布控车辆在告警区域出现异常停留的次数nst与总经过次数ncon满足
时，判定布控车辆存在在告警区域踩点的可能性；其中，ξ为设定的停留阈值，pst为设定的概率阈值。
有益效果：本发明通过摄像装置采集布控车辆数据，将布控车辆数据传输至边缘计算装置进行分析处理，然后将分析结果传输至云端大数据分析平台进行分析，能够对重点场景进行实时预警，能够进行布控车辆轨迹倒查分析和告警区布控车辆轨迹分析，能提高车辆现场布控拦截的成功率。
通过参照以下附图及对本发明的具体实施方式的详细描述，本发明的特征及优点将会变得清楚。
附图说明
图1是车辆数据智能分析方法流程图；
图2是车辆数据智能分析系统示意图。
具体实施方式
下面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实施例，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他实施例，都属于本发明保护的范围。
实施例1
图1是车辆数据智能分析方法流程图。如图1所示，本发明提供了一种车辆数据智能分析方法，所述方法包括以下步骤：
S1：摄像装置对布控车辆进行实时监测，获取布控车辆数据，将所述布控车辆数据传输至边缘计算装置。
具体地，摄像装置可以是智能摄像头，智能摄像头部署在监控区域内的各个路口，每个方向设置一个，工作时利用算法模块对视频图像进行实时布控车辆检测，并通过通信模块将检测到到的信息传输至边缘计算装置进行进一步的数据分析。智能摄像头搭载的算法模块还可以包括进行车牌检测和车身特征检测的功能模块。
S2：所述边缘计算装置对所述布控车辆数据进行分析处理，对重点场景进行实时预警，并将分析结果传输至云端大数据分析平台。
具体地，边缘计算装置支持8路1080P摄像头同时接入(一个路口最多8个方向)，负责对摄像头传输的视频数据进行实时分析和结构化处理，同时具有储存15天视频资源的功能。边缘计算装置搭载实时预警模块，通过接收智能摄像头传输的车辆轨迹数据，调用算法模块进行进一步的数据分析，对重点场景进行实时预警并通过通信模块将分析结果传输至云端大数据分析平台。
S3：所述云端大数据分析平台接收并存储所述边缘计算装置上传的分析数据，通过对历史分析数据进行数据挖掘，进行布控车辆轨迹倒查分析和告警区布控车辆轨迹分析。
具体地，云端大数据分析平台接收并存储边缘计算装置上传的分析数据，通过对历史分析数据进行数据挖掘，对车辆轨迹进行倒查分析，实现对监管策略的升级优化。在告警发生时平台自动调取视频对布控车辆进行轨迹分析，检测具有嫌疑的可疑车辆。平台支持对边缘计算装置及智能摄像头的调参配置，重点车辆库的部署及修改，重点场景设置，对边缘设备进行管理。
本实施例通过摄像装置采集布控车辆数据，将布控车辆数据传输至边缘计算装置进行分析处理，然后将分析结果传输至云端大数据分析平台进行分析，能够对重点场景进行实时预警，能够进行布控车辆轨迹倒查分析和告警区布控车辆轨迹分析，能提高车辆现场布控拦截的成功率。
优选地，所述对重点场景进行实时预警包括：
以重点场景的几何中心O(xo,yo)为防护圈中心，计算各路口中心 Or(xr,yr)到O(xo,yo)的距离；检测车辆行进方向，根据行进方向与路口 On(xn,yn)之间的连通关系提取下一个通过的路口信息Oe(xe,ye)，计算车辆轨迹的行进趋势系数：
当行进趋势系数Td＞Ty时，判定车辆行驶方向为重点区域，并将车辆轨迹信息上传至前端界面进行预警；其中，Cn和Cr为通过历史数据训练得到的预先设定的趋势计算常数，Ty为设定的趋势阈值。
具体地，设置重点区域的双层防护圈，使用坐标为经纬度转换后的平面坐标，以重点场景的几何中心O(xo,yo)为防护圈中心，设定内圈半径r1、外圈半径r2，计算各路口中心Or(xr,yr)到O(xo,yo)的距离
当dr＜r1时将该路口添加内圈标记，当 r1＜dr＜r2时将该路口添加外圈标记，其他将路口添加无关标记。
建立内圈路口之间的连通关系，定义路口Or(xr,yr)的信息向量Ur＝(Mr,dmark,Ar)，其中Mr表示路口的编号，dmark表示标记信息0对应无关、1表示外圈、2表示内圈，Ar＝(A1,...,An)表示与当前路口连通的路口信息，n表示连接的路口数(如十字路口为4，T字路口为3)， Ai＝(Vi,Mi,Di)中Vi表示路口的摄像头编号、Mi表示摄像头朝向的路口编号、Di表示路口之间的行进方向向量。
当dmark＝1的路口Or(xr,yr)检测到布控车辆时，系统自动记录车牌、当前时间t0，将路口中心坐标作为起点坐标记录，同时对布控车辆的轨迹进行跟踪分析。系统根据布控车辆在标记为外圈的路口的通过信息记录布控车辆轨迹，并检测车辆行进方向，根据行进方向与路口On(xn,yn)之间的连通关系提取下一个通过的路口信息Oe(xe,ye)，同时计算车辆轨迹的行进趋势系数：
其中Cn和Cr为预先设定的趋势计算常数，由历史数据训练得到。当行进趋势系数Td＞Ty，其中Ty为设定的趋势阈值，判定车辆行驶方向为重点区域，并将轨迹信息上传至前端界面进行外圈预警。
当外圈预警的布控车辆下一个通过路口的dmark＝2时，将车辆的外圈预警状态更新为内圈预警状态并记录信息。系统每隔时间tg提取前Tg时间窗内的内圈预警状态的布控车辆，其中Tg＞tg，当内圈预警的车辆数 Nc＞Ny，其中Ny为设定的车辆阈值，系统在前端界面生成重点场景布控车辆异常聚集预警。
当系统触发重点场景布控车辆异常聚集预警后，重点场景内圈路口检测到布控车辆记录发生时间tj，在车辆下一个通过的路口从时间tj到tj+Tj内检测布控车辆，其中Tj为设定的时间阈值，当未检测到布控车辆通过时，判定布控车辆在两个路口之间的道路停靠。同时提取两路口之间道路内的停车场信息，当存在停车场时，调取时间tj到tj+Tj内停车场的监控视频检测布控车辆，当检测到布控车辆时，对布控车辆进行轨迹跟踪，并调取停车场各出口的监控对布控车辆进行实时监控，当检测到布控车辆在停车场内停靠，将停车场各出口所在的道路标记为聚集区域，当检测到布控车辆离开停车场时，评估布控车辆的下一个通过路口检测布控车辆的停靠情况；当不存在停车场时，道路标记为聚集区域。对布控车辆的聚集区域根据道路中心坐标进行聚类，得到布控车辆异常聚集的区域信息。
优选地，所述对重点场景进行实时预警包括：
记录路口Or(xr,yr)到O(xo,yo)的距离
和时间，系统每隔时间tr提取设定时间长度Tr内布控车辆的距离信息集合
计算车辆的徘徊系数
当H大于设定的徘徊阈值Hy时，判定车辆异常徘徊并在前端界面进行预警；其中，Tr＞tr，m 为距离集合元素个数，my为设定数量阈值，ε和∈为大于零的修正常数，∈＜＜1。
具体地，当重点场景内圈路口检测到布控车辆时，记录路口Or(xr,yr) 到O(xo,yo)的距离
和时间，系统每个时间tr提取设定时间长度Tr内布控车辆的距离信息集合
其中Tr＞tr，计算车辆的徘徊系数
其中m为距离集合元素个数，my为设定数量阈值，ε为大于零的修正常数，∈为大于零的修正常数，∈＜＜1，当H大于设定的徘徊阈值Hy时，判定车辆异常徘徊并在前端界面进行预警。
优选地，所述进行布控车辆轨迹倒查分析包括：
获取布控车辆的停靠信息集合，建立三维点阵，所述三维点阵中x轴、 y轴为空间坐标，z轴表示时间；对所述停靠信息集合进行处理，得到点阵中每个点最终的停靠得分，并根据所述停靠得分的高低得到停靠信息的时空间热力图；
计算停靠得分在平面内的投影，提取平面的得分投影非零的点集，对点集根据平面坐标进行聚类并计算各类的得分投影之和作为各类的聚集得分，根据聚集得分从高至低排序得到布控车辆的停靠热点区域；
根据停靠时间分布将热点区域进行排序，并根据设定时段停靠区域分布，得到初始布控车辆周期性的时空间分布。
判定两辆布控车辆是否异常接触，当同一区域内异常接触的布控车辆的数量大于预设阈值时，判定区域内存在布控车辆异常聚集，并对该区域进行异常预警。
具体地，提取检测布控车辆的历史轨迹信息，得到布控车辆通过各路口时的时间信息t及路口信息Or(xr,yr)，根据时间排序得到布控车辆的轨迹序列{Ri＝(ti,(xr,yr))}，在时间上相邻的两个轨迹点(ti,(xr,yr))和(ti+1,(xr+1,yr+1))，计算路口(xr,yr)到路口(xr+1,yr+1)的连通图最短距离为L，估算布控车辆在通过路口(xr,yr)的速度为vs，当
其中Ts为设定的阈值，判定布控车辆在路口(xr,yr)到路口(xr+1,yr+1)之间的某一位置发生停靠行为，记录布控车辆的一组停靠信息 ((xs,ys),rs,tst,ted,tt)，
其中，
tst,ted分别为ti,ti+1对应的时间，tt为ti对应的日期。
对于布控车辆的停靠信息集合{((xs,ys),rs,tst,ted,tt)}，设定时间区间 t1＜tt＜t2，t1,t2为设定的时间范围下界与上界，提取对应的停靠信息集合。建立三维坐标系，x，y轴分别为空间坐标的x，y轴，坐标范围分别为[xds，xde]、[yds，yde]，空间上为包含所有检测路口的最小矩形， z轴为时间，坐标范围为[0,24]单位为小时，设定x,y,z轴的分割系数nx,ny,nz，三个系数均为正整数，建立三维点阵{(xdi,ydj,zdk)}，其中
对点阵每一个点 (xdi,ydj,zdk)及停靠信息((xs,ys),rs,tst,ted,tt)进行区间判断，当tst＜ted， (xdi,ydj,zdk)满足
且zdk∈[tst,ted]时，点 (xdi,ydj,zdk)的停靠得分gi,j,k＝gi,j,k+1(初始为0)；当tst≥ted， (xdi,ydj,zdk)满足
且
时，点 (xdi,ydj,zdk)的停靠得分gi,j,k＝gi,j,k+1(初始为0)。对设定时间区间内的停靠信息集合{((xs,ys),rs,tst,ted,tt)}重复上述操作，得到点阵每个点最终的停靠得分，并根据停靠得分的高低得到停靠信息的时空间热力图。
计算停靠得分在x-y平面的投影，对于x-y平面上一点(xdi,ydj)，停靠得分的投影
其中gxy为设定的得分阈值，提取x-y平面的得分投影非零的点集，对点集根据平面坐标进行聚类并计算各类的得分投影之和作为各类的聚集得分，根据聚集得分从高至低排序得到布控车辆的停靠热点区域；计算停靠得分在z轴上的投影对于 z轴上一点(zdk)，停靠得分的投影
其中gz为设定的得分阈值，提取z轴上的得分投影非零的点集，对点集根据z轴坐标进行聚类并计算各类的得分投影之和作为各类的聚集得分，根据聚集得分从高至低排序得到布控车辆的停靠热点时间。提取热点区域Ω包含的点集 {(xdi,ydj,zdk)|(xdi,ydj)∈Ω}并计算各时间点zdk的停靠得分
其中grz为设定的得分阈值，对得分非零的时间点进行聚类，得到布控车辆在热点区域的停靠时间分布，当不同的热点区域检测停靠时间分布的重合时间大于时间阈值，调取对应的停靠信息中日期信息，按日期将相同停靠时间的不同区域进行排列，得到区域序列，并根据序列周期性得到布控车辆的设定时段停靠区域分布。根据停靠时间分布将热点区域进行排序，并根据设定时段停靠区域分布，得到初始布控车辆周期性的时空间分布。根据热点时间出现的高频非热点区域出现日期周期性对初始布控车辆周期性的时空间分布进行完善。通过修改区间范围 t1,t2从而得到不同时间范围内的布控车辆周期性的时空间分布，继而分析布控车辆的停靠区域变化情况，得到近期与历史的热点时空间区域的差异部分进行区域差异预警。
当不同布控车辆近期的热点时空间区域的交集满足两个热点区域的中心距离dr＜dsh，其中dsh为设定的距离阈值，重合时间tr＞tsh，其中tsh为设定的时间阈值，同时区域至少一个存在区域差异预警，判定两辆布控车辆异常接触，当同一区域内异常接触的布控车辆数量nr＞nsh，判定区域内存在布控车辆异常聚集，并对该区域进行异常预警。
优选地，所述进行告警区布控车辆轨迹分析包括：
调取布控车辆的历史轨迹，检测布控车辆在告警区域的出现是否具备周期性，当布控车辆在告警区域的出现不具备周期性时，计算每次布控车辆经过告警区域的轨迹到告警区域的中心的距离与出现时间集合 {(dri,tri)}，当
判定布控车辆存在异常停留行为；当布控车辆在告警区域出现异常停留的次数nst与总经过次数ncon满足
时，判定布控车辆存在在告警区域踩点的可能性；其中，ξ为设定的停留阈值，pst为设定的概率阈值。
具体地，当系统接收的告警后，自动调取告警区域的位置信息与时间信息，并调取告警区域内各路口在告警时间前tp到告警后tn时间范围内各路口的检测到的布控车辆信息，并检测布控车辆在告警区域内的停靠情况，当布控车辆在告警区域内两路口之间出现的时间t1f,t2s满足|t1f-t2s|＞ T0并且告警时间t满足t∈[t1f,t2s]，判定布控车辆存在嫌疑。
调取存在嫌疑的布控车辆的近期轨迹信息，并对布控车辆在告警区域内路口出现的情况根据时间进行周期性检测，当布控车辆在近期周期性出现在告警区域，调取车辆的历史轨迹分析布控车辆，检测布控车辆在告警区域出现的周期性，当布控车辆历史上在告警区域出现不具备周期性，计算每次布控车辆经过告警区域的轨迹到告警区域的中心的距离与出现时间集合{(dri,tri)}，当
其中ξ为设定的停留阈值，判定布控车辆存在异常停留行为，当近期布控车辆在告警区域出现异常停留的次数nst与总经过次数ncon满足
其中pst为设定的概率阈值，判定布控车辆存在在告警区域踩点的嫌疑。
实施例2
图2是车辆数据智能分析系统示意图。如图2所示，本发明还提供了一种车辆数据智能分析系统，所述系统包括摄像装置、边缘计算装置和云端大数据分析平台；
所述摄像装置对布控车辆进行实时监测，获取布控车辆数据，将所述布控车辆数据传输至所述边缘计算装置；
所述边缘计算装置对所述布控车辆数据进行分析处理，对重点场景进行实时预警，并将分析结果传输至所述云端大数据分析平台；
所述云端大数据分析平台接收并存储所述边缘计算装置上传的分析数据，通过对历史分析数据进行数据挖掘，进行布控车辆轨迹倒查分析和告警区布控车辆轨迹分析。
优选地，所述对重点场景进行实时预警包括：
以重点场景的几何中心O(xo,yo)为防护圈中心，计算各路口中心 Or(xr,yr)到O(xo,yo)的距离；检测车辆行进方向，根据行进方向与路口 On(xn,yn)之间的连通关系提取下一个通过的路口信息Oe(xe,ye)，计算车辆轨迹的行进趋势系数：
当行进趋势系数Td＞Ty时，判定车辆行驶方向为重点区域，并将车辆轨迹信息上传至前端界面进行预警；其中，Cn和Cr为通过历史数据训练得到的预先设定的趋势计算常数，Ty为设定的趋势阈值。
优选地，所述对重点场景进行实时预警包括：
记录路口Or(xr,yr)到O(xo,yo)的距离
和时间，系统每隔时间tr提取设定时间长度Tr内布控车辆的距离信息集合
计算车辆的徘徊系数
当H大于设定的徘徊阈值Hy时，判定车辆异常徘徊并在前端界面进行预警；其中，Tr＞tr，m 为距离集合元素个数，my为设定数量阈值，ε和∈为大于零的修正常数，∈＜＜1。
优选地，所述进行布控车辆轨迹倒查分析包括：
获取布控车辆的停靠信息集合，建立三维点阵，所述三维点阵中x轴、 y轴为空间坐标，z轴表示时间；对所述停靠信息集合进行处理，得到点阵中每个点最终的停靠得分，并根据所述停靠得分的高低得到停靠信息的时空间热力图；
计算停靠得分在平面内的投影，提取平面的得分投影非零的点集，对点集根据平面坐标进行聚类并计算各类的得分投影之和作为各类的聚集得分，根据聚集得分从高至低排序得到布控车辆的停靠热点区域；
根据停靠时间分布将热点区域进行排序，并根据设定时段停靠区域分布，得到初始布控车辆周期性的时空间分布。
判定两辆布控车辆是否异常接触，当同一区域内异常接触的布控车辆的数量大于预设阈值时，判定区域内存在布控车辆异常聚集，并对该区域进行异常预警。
优选地，所述进行告警区布控车辆轨迹分析包括：
调取布控车辆的历史轨迹，检测布控车辆在告警区域的出现是否具备周期性，当布控车辆在告警区域的出现不具备周期性时，计算每次布控车辆经过告警区域的轨迹到告警区域的中心的距离与出现时间集合 {(dri,tri)}，当
判定布控车辆存在异常停留行为；当布控车辆在告警区域出现异常停留的次数nst与总经过次数ncon满足
时，判定布控车辆存在在告警区域踩点的可能性；其中，ξ为设定的停留阈值，pst为设定的概率阈值。
本实施例2中摄像装置、边缘计算装置和云端大数据分析平台所实现的功能的具体实施过程可参见实施例1中的方法步骤的实施过程，在此不再赘述。
以上所述仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是在本发明的构思下，利用本发明说明书及附图内容所作的等效结构变换，或直接/间接运用在其他相关的技术领域均包括在本发明的专利保护范围内。
Claims (8)
1.一种车辆数据智能分析方法，其特征在于，所述方法包括以下步骤：
S1：摄像装置对布控车辆进行实时监测，获取布控车辆数据，将所述布控车辆数据传输至边缘计算装置；
S2：所述边缘计算装置对所述布控车辆数据进行分析处理，对重点场景进行实时预警，并将分析结果传输至云端大数据分析平台；
S3：所述云端大数据分析平台接收并存储所述边缘计算装置上传的分析数据，通过对历史分析数据进行数据挖掘，进行布控车辆轨迹倒查分析和告警区布控车辆轨迹分析；
所述进行布控车辆轨迹倒查分析包括：
获取布控车辆的停靠信息集合，建立三维点阵，所述三维点阵中x轴、y轴为空间坐标，z轴表示时间，z轴坐标范围为[0，24]单位为小时，设定x，y，z轴的分割系数nx，ny，nz，三个系数均为正整数；对所述停靠信息集合进行处理，得到点阵中每个点最终的停靠得分，并根据所述停靠得分的高低得到停靠信息的时空间热力图；
计算停靠得分gi,j,k在x-y平面内的投影，停靠得分的投影
其中gxy为设定的得分阈值；
提取x-y平面的得分投影非零的点集，对点集根据平面坐标进行聚类并计算各类的得分投影之和作为各类的聚集得分，根据聚集得分从高至低排序得到布控车辆的停靠热点区域；
根据停靠时间分布将热点区域进行排序，并根据设定时段停靠区域分布，得到初始布控车辆周期性的时空间分布；根据热点时间出现的高频非热点区域出现日期周期性对初始布控车辆周期性的时空间分布进行完善，通过修改区间范围t1，t2从而得到不同时间范围内的布控车辆周期性的时空间分布，继而分析布控车辆的停靠区域变化情况，得到近期与历史的热点时空间区域的差异部分进行区域差异预警；当不同布控车辆近期的热点时空间区域的交集满足两个热点区域的中心距离dr＜dsh，其中dsh为设定的距离阈值，重合时间tr＞tsh，其中tsh为设定的时间阈值，同时区域至少一个存在区域差异预警，判定两辆布控车辆异常接触，当同一区域内异常接触的布控车辆的数量大于预设阈值时，判定区域内存在布控车辆异常聚集，并对该区域进行异常预警。
2.根据权利要求1所述的方法，其特征在于，所述对重点场景进行实时预警包括：
以所述重点场景的几何中心O(xo,yo)为防护圈中心，设定内圈半径r1、外圈半径r2，计算各路口中心Or(xr，yr)到O(xo,yo)的距离，
当dr＜r1时将该路口添加内圈标记，当r1＜dr＜r2时将该路口添加外圈标记，其他将路口添加无关标记，当标记为外圈的路口中心Or(xr，yr)检测到布控车辆时，将路口中心坐标作为起点坐标记录，同时对布控车辆的轨迹进行跟踪分析；检测车辆行进方向，根据行进方向与路口On(xn,yn)之间的连通关系提取下一个通过的路口信息Oe(xe,ye)，计算车辆轨迹的行进趋势系数：
当行进趋势系数Td>Ty时，判定车辆行驶方向为重点区域，并将车辆轨迹信息上传至前端界面进行预警；其中，Cn和Cr为通过历史数据训练得到的预先设定的趋势计算常数，Ty为设定的趋势阈值。
3.根据权利要求2所述的方法，其特征在于，所述对重点场景进行实时预警包括：
当重点场景内圈路口Or检测到布控车辆时，记录路口Or(xr,yr)到O(xo,yo)的距离
和时间，系统每隔时间tr提取设定时间长度Tr内布控车辆的距离信息集合
计算车辆的徘徊系数
当H大于设定的徘徊阈值Hy时，判定车辆异常徘徊并在前端界面进行预警；其中，Tr>tr，m为距离集合元素个数，my为设定数量阈值，ε和∈为大于零的修正常数，∈＜＜1。
4.根据权利要求3所述的方法，其特征在于，所述进行告警区布控车辆轨迹分析包括：
调取布控车辆的历史轨迹，检测布控车辆在告警区域的出现是否具备周期性，当布控车辆在告警区域的出现不具备周期性时，计算每次布控车辆经过告警区域的轨迹到告警区域的中心的距离与出现时间集合{(dri,tri)}，当
判定布控车辆存在异常停留行为；当布控车辆在告警区域出现异常停留的次数nst与总经过次数ncon满足
时，判定布控车辆存在在告警区域踩点的可能性；其中，ξ为设定的停留阈值，pst为设定的概率阈值。
5.一种车辆数据智能分析系统，其特征在于，所述系统包括摄像装置、边缘计算装置和云端大数据分析平台；
所述摄像装置对布控车辆进行实时监测，获取布控车辆数据，将所述布控车辆数据传输至所述边缘计算装置；
所述边缘计算装置对所述布控车辆数据进行分析处理，对重点场景进行实时预警，并将分析结果传输至所述云端大数据分析平台；
所述云端大数据分析平台接收并存储所述边缘计算装置上传的分析数据，通过对历史分析数据进行数据挖掘，进行布控车辆轨迹倒查分析和告警区布控车辆轨迹分析；
所述进行布控车辆轨迹倒查分析包括：
获取布控车辆的停靠信息集合，建立三维点阵，所述三维点阵中x轴、y轴为空间坐标，z轴表示时间，z轴坐标范围为[0，24]单位为小时，设定x，y，z轴的分割系数nx，ny，nz，三个系数均为正整数；对所述停靠信息集合进行处理，得到点阵中每个点最终的停靠得分，并根据所述停靠得分的高低得到停靠信息的时空间热力图；
计算停靠得分gi,j,k在x-y平面内的投影，停靠得分的投影
其中gxy为设定的得分阈值；
提取平面的得分投影非零的点集，对点集根据平面坐标进行聚类并计算各类的得分投影之和作为各类的聚集得分，根据聚集得分从高至低排序得到布控车辆的停靠热点区域；
根据停靠时间分布将热点区域进行排序，并根据设定时段停靠区域分布，得到初始布控车辆周期性的时空间分布；根据热点时间出现的高频非热点区域出现日期周期性对初始布控车辆周期性的时空间分布进行完善，通过修改区间范围t1，t2从而得到不同时间范围内的布控车辆周期性的时空间分布，继而分析布控车辆的停靠区域变化情况，得到近期与历史的热点时空间区域的差异部分进行区域差异预警；当不同布控车辆近期的热点时空间区域的交集满足两个热点区域的中心距离dr＜dsh，其中dsh为设定的距离阈值，重合时间tr＞tsh，其中tsh为设定的时间阈值，同时区域至少一个存在区域差异预警，判定两辆布控车辆异常接触，当同一区域内异常接触的布控车辆的数量大于预设阈值时，判定区域内存在布控车辆异常聚集，并对该区域进行异常预警。
6.根据权利要求5所述的系统，其特征在于，所述对重点场景进行实时预警包括：
以所述重点场景的几何中心O(xo,yo)为防护圈中心，设定内圈半径r1、外圈半径r2，计算各路口中心Or(xr，yr)到O(xo,yo)的距离，
当dr＜r1时将该路口添加内圈标记，当r1＜dr＜r2时将该路口添加外圈标记，其他将路口添加无关标记，当标记为外圈的路口中心Or(xr，yr)检测到布控车辆时，将路口中心坐标作为起点坐标记录，同时对布控车辆的轨迹进行跟踪分析；
检测车辆行进方向，根据行进方向与路口On(xn,yn)之间的连通关系提取下一个通过的路口信息Oe(xe,ye)，计算车辆轨迹的行进趋势系数：
当行进趋势系数Td>Ty时，判定车辆行驶方向为重点区域，并将车辆轨迹信息上传至前端界面进行预警；其中，Cn和Cr为通过历史数据训练得到的预先设定的趋势计算常数，Ty为设定的趋势阈值。
7.根据权利要求6所述的系统，其特征在于，所述对重点场景进行实时预警包括：
当重点场景内圈路口Or检测到布控车辆时，记录路口Or(xr,yr)到O(xo,yo)的距离
和时间，系统每隔时间tr提取设定时间长度Tr内布控车辆的距离信息集合
计算车辆的徘徊系数
当H大于设定的徘徊阈值Hy时，判定车辆异常徘徊并在前端界面进行预警；其中，Tr>tr，m为距离集合元素个数，my为设定数量阈值，ε和∈为大于零的修正常数，∈＜＜1。
8.根据权利要求7所述的系统，其特征在于，所述进行告警区布控车辆轨迹分析包括：
调取布控车辆的历史轨迹，检测布控车辆在告警区域的出现是否具备周期性，当布控车辆在告警区域的出现不具备周期性时，计算每次布控车辆经过告警区域的轨迹到告警区域的中心的距离与出现时间集合{(dri,tri)}，当
判定布控车辆存在异常停留行为；当布控车辆在告警区域出现异常停留的次数nst与总经过次数ncon满足
时，判定布控车辆存在在告警区域踩点的可能性；其中，ξ为设定的停留阈值，pst为设定的概率阈值。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210058330.0A CN114494998B (zh) | 2022-01-19 | 2022-01-19 | 一种车辆数据智能分析方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210058330.0A CN114494998B (zh) | 2022-01-19 | 2022-01-19 | 一种车辆数据智能分析方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114494998A CN114494998A (zh) | 2022-05-13 |
| CN114494998B true CN114494998B (zh) | 2022-12-06 |
Family
ID=81472843
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210058330.0A Active CN114494998B (zh) | 2022-01-19 | 2022-01-19 | 一种车辆数据智能分析方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114494998B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115457765A (zh) * | 2022-08-29 | 2022-12-09 | 无锡艾立德智能科技有限公司 | 一种融合物联网加密传输的智能交通监控系统 |
| CN116704751B (zh) * | 2023-05-10 | 2024-02-02 | 济南城市静态交通管理运营集团有限公司 | 一种基于大数据的车辆智能监控预警系统及方法 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103338441A (zh) * | 2013-05-28 | 2013-10-02 | 中国科学院信息工程研究所 | 基于车辆轨迹的数据传输方法及系统 |
| CN108074400A (zh) * | 2016-11-14 | 2018-05-25 | 北京航天长峰科技工业集团有限公司 | 一种基于海量数据分析的重点车辆分析模型 |
| CN110619277A (zh) * | 2019-08-15 | 2019-12-27 | 青岛文达通科技股份有限公司 | 一种多社区智慧布控方法以及系统 |
| CN111062847A (zh) * | 2019-10-22 | 2020-04-24 | 广州阳光耐特电子有限公司 | 一种车辆综合稽查布控系统 |
| CN111367906A (zh) * | 2019-07-23 | 2020-07-03 | 杭州海康威视系统技术有限公司 | 异常车辆识别方法、装置、设备及计算机可读存储介质 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US11538287B2 (en) * | 2019-09-20 | 2022-12-27 | Sonatus, Inc. | System, method, and apparatus for managing vehicle data collection |
-
2022
- 2022-01-19 CN CN202210058330.0A patent/CN114494998B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103338441A (zh) * | 2013-05-28 | 2013-10-02 | 中国科学院信息工程研究所 | 基于车辆轨迹的数据传输方法及系统 |
| CN108074400A (zh) * | 2016-11-14 | 2018-05-25 | 北京航天长峰科技工业集团有限公司 | 一种基于海量数据分析的重点车辆分析模型 |
| CN111367906A (zh) * | 2019-07-23 | 2020-07-03 | 杭州海康威视系统技术有限公司 | 异常车辆识别方法、装置、设备及计算机可读存储介质 |
| CN110619277A (zh) * | 2019-08-15 | 2019-12-27 | 青岛文达通科技股份有限公司 | 一种多社区智慧布控方法以及系统 |
| CN111062847A (zh) * | 2019-10-22 | 2020-04-24 | 广州阳光耐特电子有限公司 | 一种车辆综合稽查布控系统 |
Non-Patent Citations (2)
| Title |
|---|
| Development and Preliminary Field Testing of an In-Vehicle Eco-Speed Control System in the Vicinity of Signalized Intersections;HaoChen，et al.;《IFAC-PapersOnline》;20161231;249-254 * |
| 高速公路特殊车辆追踪与布控技术探析;汤伟军 等;《中国交通信息化》;20191231;71-74 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114494998A (zh) | 2022-05-13 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN114494998B (zh) | 一种车辆数据智能分析方法及系统 | |
| CN105744232B (zh) | 一种基于行为分析技术的输电线路视频防外破的方法 | |
| US11380105B2 (en) | Identification and classification of traffic conflicts | |
| US20240046653A1 (en) | Identifying suspicious entities using autonomous vehicles | |
| CN109993969A (zh) | 一种路况判定信息获取方法、装置及设备 | |
| CN109212513A (zh) | 多目标在雷达间数据传递、数据融合及连续跟踪定位方法 | |
| US11361556B2 (en) | Deterioration diagnosis device, deterioration diagnosis system, deterioration diagnosis method, and storage medium for storing program | |
| CN111833598B (zh) | 一种高速公路无人机交通事件自动监测方法及系统 | |
| CN110602449A (zh) | 一种基于视觉的大场景下施工安全智能监控系统方法 | |
| CN107067730B (zh) | 基于卡口设备的网约车人车不一致监测方法 | |
| CN108154146A (zh) | 一种基于图像识别的车辆追踪方法 | |
| CN114333330A (zh) | 一种基于路侧边缘全息感知的交叉口事件检测系统及方法 | |
| CN111524350B (zh) | 车路协同异常行驶状况检测方法、系统、终端设备及介质 | |
| CN111477011A (zh) | 一种用于道路路口预警的检测装置及检测方法 | |
| CN109887303B (zh) | 随意变更车道行为预警系统及方法 | |
| CN112150831A (zh) | 基于大数据的智慧城市路灯信息控制处理方法 | |
| CN111899521A (zh) | 一种高速公路的车辆违规行为检测方法 | |
| CN111985295A (zh) | 一种电动自行车行为识别方法、系统、工控机及摄像头 | |
| CN113870551B (zh) | 一种能够鉴别危险和非危险驾驶行为的路侧监控系统 | |
| CN109934161A (zh) | 基于卷积神经网络的车辆识别与检测方法及系统 | |
| CN104408942A (zh) | 车辆智能测速装置与方法 | |
| CN115440071A (zh) | 一种自动驾驶违规停车检测方法 | |
| CN114333331A (zh) | 一种多车道桥梁车辆通行信息与车重识别方法及系统 | |
| CN113919571A (zh) | 基于边缘计算的危化品运输保费预估方法 | |
| CN117494029B (zh) | 一种道路抛洒物事件识别方法及装置 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| CP03 | Change of name, title or address |
Address after: Building 7, No. 124 Dongbao Road, Dongcheng Street, Dongguan City, Guangdong Province, 523128 Patentee after: Guangdong Prophet Big Data Co.,Ltd. Country or region after: China Address before: 523128 Room 401, building 6, No.5 Weifeng Road, Dongcheng Street, Dongguan City, Guangdong Province Patentee before: Dongguan prophet big data Co.,Ltd. Country or region before: China |