CN114724357B - 一种异常行驶车辆识别方法、装置和计算机设备 - Google Patents
一种异常行驶车辆识别方法、装置和计算机设备 Download PDFInfo
- Publication number
- CN114724357B CN114724357B CN202210157188.5A CN202210157188A CN114724357B CN 114724357 B CN114724357 B CN 114724357B CN 202210157188 A CN202210157188 A CN 202210157188A CN 114724357 B CN114724357 B CN 114724357B
- Authority
- CN
- China
- Prior art keywords
- path
- feature
- abnormal
- vehicle
- traffic
- 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
Images
Classifications
-
- 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
- G08G1/017—Detecting movement of traffic to be counted or controlled identifying vehicles
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Traffic Control Systems (AREA)
Abstract
本申请涉及一种异常行驶车辆识别方法、装置、计算机设备、存储介质和计算机程序产品。方法包括:获取目标车辆的节点通行记录,节点通行记录为目标车辆通过目标交通道路中的至少一个道路节点而产生的记录;对目标车辆对应的节点通行记录进行路径拟合还原,得到目标车辆对应的拟合还原行驶路径;基于目标车辆对应的拟合还原行驶路径进行特征提取,得到路径提取特征;按照预设的异常行驶行为分析需求,确定针对路径提取特征的异常判定条件,若路径提取特征满足所述异常判定条件,则判定所述目标车辆为在异常行驶行为分析需求下的异常行驶车辆。采用本方法能够提高异常行驶车辆数据采集的准确率,进一步提高判定异常行驶车辆的效率。
Description
技术领域
本申请涉及计算机技术领域,特别是涉及一种异常行驶车辆识别方法、装置和计算机设备。
背景技术
随着公路路网规模不断扩大,路网形态日益复杂,公路通行费单量和总量都在快速增长,出现无论客运以及货运对公路使用的异常行驶行为越来越普遍,而且异常行驶行为越来越难举证,极大地扰乱正常的交通运输的正常运作。
目前,传统技术往往只是利用车辆通行中单一节点的状态来分析该车辆是否存在异常行驶行为,往往因为信息收集以及处理不足,导致判断错误率高,因此对于车辆异常行驶的行为的识别效果准确率低。
发明内容
基于此,有必要针对上述技术问题,提供一种能够提高车辆异常行驶的行为的识别效果准确率的异常行驶车辆识别方法、装置、计算机设备、计算机可读存储介质和计算机程序产品。
第一方面,本申请提供了一种异常行驶车辆识别方法。所述方法包括:获取目标车辆的节点通行记录,所述节点通行记录为所述目标车辆通过目标交通道路中的至少一个道路节点而产生的记录;对所述目标车辆对应的所述节点通行记录进行路径拟合还原,得到所述目标车辆对应的拟合还原行驶路径;基于所述目标车辆对应的所述拟合还原行驶路径进行特征提取,得到路径提取特征;按照预设的异常行驶行为分析需求,确定针对所述路径提取特征的异常判定条件,若所述路径提取特征满足所述异常判定条件,则判定所述目标车辆为在所述异常行驶行为分析需求下的异常行驶车辆。
在其中一个实施例中,所述按照预设的异常行驶行为分析需求,确定针对所述路径提取特征的异常判定条件,若所述路径提取特征满足所述异常判定条件,则判定所述目标车辆为在所述异常行驶行为分析需求下的异常行驶车辆,包括:分别将各所述路径提取特征与各自对应的所述异常判定条件进行对比,得到多个对比结果;结合多个所述对比结果,判定所述目标车辆为所述异常行驶车辆。
在其中一个实施例中,所述路径提取特征具有对应的特征属性数值,所述分别将各所述路径提取特征与各自对应的所述异常判定条件进行对比,得到多个对比结果,包括:获取各所述异常判定条件对应的异常判定数值范围;将各所述路径提取特征对应的特征属性数值与各自对应的所述异常判定数值范围进行对比;若所述路径提取特征对应的特征属性数值符合所述异常判定数值范围,则判定所述路径提取特征满足对应的所述异常判定条件,作为所述对比结果。
在其中一个实施例中,所述基于所述目标车辆对应的所述拟合还原路径进行特征提取,得到路径提取特征,包括:对所述目标车辆对应的所述拟合还原行驶路径进行所述特征提取,得到原始路径提取特征;对所述原始路径提取特征按照预设的分类标准进行分类,得到分类后提取特征;基于所述分类后提取特征进行排序,得到所述路径提取特征。
在其中一个实施例中,所述基于所述分类提取特征进行排序,得到所述路径提取特征,包括:获取所述分类后提取特征所对应的时间标识,所述时间标识与所述分类后提取特征为一一对应关系;根据所述时间标识对所述分类后提取特征按照时间进行排序,得到所述路径提取特征。
在其中一个实施例中,所述方法还包括:获取所述异常行驶车辆对应的所述路径提取特征;获取所述目标交通道路所对应的交通地图;对所述路径提取特征转化为路径提取特征数据,将所述特路径提取特征数据叠加到所述交通地图,得到特征交通地图;根据所述特征交通地图进行展示,得到可视化特征交通地图。
第二方面,本申请还提供了一种异常行驶车辆识别装置。所述装置包括:节点通行记录获取模块,用于获取目标车辆的节点通行记录,所述节点通行记录为所述目标车辆通过目标交通道路中的至少一个道路节点而产生的记录;拟合还原行驶路径得到模块,用于对所述目标车辆对应的所述节点通行记录进行路径拟合还原,得到所述目标车辆对应的拟合还原行驶路径;路径提取特征得到模块,用于基于所述目标车辆对应的所述拟合还原行驶路径进行特征提取,得到路径提取特征;异常行驶车辆判定模块,用于按照预设的异常行驶行为分析需求,确定针对所述路径提取特征的异常判定条件,若所述路径提取特征满足所述异常判定条件,则判定所述目标车辆为在所述异常行驶行为分析需求下的异常行驶车辆。
在其中一个实施例中,异常行驶车辆判定模块,用于分别将各所述路径提取特征与各自对应的所述异常判定条件进行对比,得到多个对比结果;结合多个所述对比结果,判定所述目标车辆为所述异常行驶车辆。
在其中一个实施例中,异常行驶车辆判定模块,用于获取各所述异常判定条件对应的异常判定数值范围;将各所述路径提取特征对应的特征属性数值与各自对应的所述异常判定数值范围进行对比;若所述路径提取特征对应的特征属性数值符合所述异常判定数值范围,则判定所述路径提取特征满足对应的所述异常判定条件,作为所述对比结果。
在其中一个实施例中,路径提取特征得到模块,用于对所述目标车辆对应的所述拟合还原行驶路径进行所述特征提取,得到原始路径提取特征;对所述原始路径提取特征按照预设的分类标准进行分类,得到分类后提取特征;基于所述分类后提取特征进行排序,得到所述路径提取特征。
在其中一个实施例中,路径提取特征得到模块,用于获取所述分类后提取特征所对应的时间标识,所述时间标识与所述分类后提取特征为一一对应关系;根据所述时间标识对所述分类后提取特征按照时间进行排序,得到所述路径提取特征。
在其中一个实施例中,可视化特征交通地图得到模块,用于获取所述异常行驶车辆对应的所述路径提取特征;获取所述目标交通道路所对应的交通地图;对所述路径提取特征转化为路径提取特征数据,将所述特路径提取特征数据叠加到所述交通地图,得到特征交通地图;根据所述特征交通地图进行展示,得到可视化特征交通地图。
第三方面,本申请还提供了一种计算机设备。所述计算机设备包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现以下步骤:获取目标车辆的节点通行记录,所述节点通行记录为所述目标车辆通过目标交通道路中的至少一个道路节点而产生的记录;对所述目标车辆对应的所述节点通行记录进行路径拟合还原,得到所述目标车辆对应的拟合还原行驶路径;基于所述目标车辆对应的所述拟合还原行驶路径进行特征提取,得到路径提取特征;按照预设的异常行驶行为分析需求,确定针对所述路径提取特征的异常判定条件,若所述路径提取特征满足所述异常判定条件,则判定所述目标车辆为在所述异常行驶行为分析需求下的异常行驶车辆。
第四方面,本申请还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,其上存储有计算机程序,所述计算机程序被处理器执行时实现以下步骤:获取目标车辆的节点通行记录,所述节点通行记录为所述目标车辆通过目标交通道路中的至少一个道路节点而产生的记录;对所述目标车辆对应的所述节点通行记录进行路径拟合还原,得到所述目标车辆对应的拟合还原行驶路径;基于所述目标车辆对应的所述拟合还原行驶路径进行特征提取,得到路径提取特征;按照预设的异常行驶行为分析需求,确定针对所述路径提取特征的异常判定条件,若所述路径提取特征满足所述异常判定条件,则判定所述目标车辆为在所述异常行驶行为分析需求下的异常行驶车辆。
第五方面,本申请还提供了一种计算机程序产品。所述计算机程序产品,包括计算机程序,该计算机程序被处理器执行时实现以下步骤:获取目标车辆的节点通行记录,所述节点通行记录为所述目标车辆通过目标交通道路中的至少一个道路节点而产生的记录;对所述目标车辆对应的所述节点通行记录进行路径拟合还原,得到所述目标车辆对应的拟合还原行驶路径;基于所述目标车辆对应的所述拟合还原行驶路径进行特征提取,得到路径提取特征;按照预设的异常行驶行为分析需求,确定针对所述路径提取特征的异常判定条件,若所述路径提取特征满足所述异常判定条件,则判定所述目标车辆为在所述异常行驶行为分析需求下的异常行驶车辆。
上述异常行驶车辆识别方法、装置、计算机设备、存储介质和计算机程序产品,通过获取目标车辆的节点通行记录,节点通行记录为目标车辆通过目标交通道路中的至少一个道路节点而产生的记录;对目标车辆对应的节点通行记录进行路径拟合还原,得到目标车辆对应的拟合还原行驶路径;基于目标车辆对应的拟合还原行驶路径进行特征提取,得到路径提取特征;按照预设的异常行驶行为分析需求,确定针对路径提取特征的异常判定条件,若路径提取特征满足异常判定条件,则判定目标车辆为异常行驶车辆。通过获取目标车辆至少一个的节点通行记录,可以更准确地获取到目标车辆的实际行驶状况,然后对所有节点通行记录进行路径拟合还原,可以得到目标车辆位于目标交通道路中的拟合还原行驶路径,准确的行驶路径能够反映出该目标车辆的具体行驶轨迹,其次对拟合还原行驶路径进行特征提取,提取获得路径提取特征,可以反映出目标车辆位于目标交通道路中的行驶过程中具有哪一些特征,最后将路径提取特征与异常判定条件进行对比,如果满足异常判定条件,则被判定为异常行驶车辆。通过对路径提取特征与异常判定条件的对比,能够提供更多的对比结果,对于认定异常行驶车辆具有积极的效果,避免了独立结果对异常行驶车辆的判定不准确,同时经过多个的节点通行记录的数据采集,能够将目标交通道路中各个位置的异常情况反映出来,有助于提高数据采集的准确率,提高判定异常行驶车辆的效率。
附图说明
图1为一个实施例中异常行驶车辆识别方法的应用环境图;
图2为一个实施例中一种异常行驶车辆识别方法的流程示意图;
图3为一个实施例中另一种异常行驶车辆识别方法的流程示意图;
图4为一个实施例中又一种异常行驶车辆识别方法的流程示意图;
图5为另一个实施例中一种异常行驶车辆识别方法的流程示意图;
图6为另一个实施例中另一种异常行驶车辆识别方法的流程示意图;
图7为一个实施例中可视化方法的流程示意图;
图8为一个实施例中一种基于路径拟合还原的高速公路逃费分析方法的流程图;
图9为一个实施例中路径特征示意图;
图10为一种基于路径拟合还原的高速公路逃费分析系统的结构示意图;
图11为一个实施例中异常行驶车辆识别装置的结构框图;
图12为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
本申请实施例提供的异常行驶车辆识别方法,可以应用于如图1所示的应用环境中。其中,终端102通过网络与服务器104进行通信,服务器104也可以通过网络与可视化设备106进行数据传输。数据存储系统可以存储服务器104需要处理的数据。数据存储系统可以集成在服务器104上,也可以放在云上或其他网络服务器上。服务器104获取目标车辆的节点通行记录,节点通行记录为目标车辆通过目标交通道路中的至少一个道路节点而产生的记录;对目标车辆对应的节点通行记录进行路径拟合还原,得到目标车辆对应的拟合还原行驶路径;基于目标车辆对应的拟合还原行驶路径进行特征提取,得到路径提取特征;按照预设的目标交通道路对应的异常情况,确定针对路径提取特征的异常判定条件,若路径提取特征满足异常判定条件,则判定目标车辆为异常行驶车辆。其中,终端102可以但不限于是摄像头、传感器和雷达。服务器104可以用独立的服务器或者是多个服务器组成的服务器集群来实现。可视化设备106可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑、物联网设备和便携式可穿戴设备,物联网设备可为智能音箱、智能电视、智能空调、智能车载设备等。便携式可穿戴设备可为智能手表、智能手环、头戴设备等。
在一个实施例中,如图2所示,提供了一种异常行驶车辆识别方法,以该方法应用于图1中的服务器为例进行说明,包括以下步骤:
步骤202,获取目标车辆的节点通行记录,节点通行记录为目标车辆通过目标交通道路中的至少一个道路节点而产生的记录。
其中,目标车辆可以是行驶在被记录的道路上的车辆,这些车辆可以是小汽车、客车、货车以及特种车辆。
其中,节点通行记录可以是被记录的道路上的车辆经过一段距离后所有数据采集节点所记录下来车辆的通行信息的集合,例如道路入口信息、通行时间以及道路出口信息等。
其中,目标交通道路可以是装有数据采集节点的道路,这些道路可以为通过的车辆的通行状况进行记录。
其中,道路节点可以是目标交通道路上很多个数据采集节点中的其中一个记录节点,例如速度采集节点、时间采集节点或者车况采集节点等。
具体地,服务器通过装有数据采集节点的目标交通道路中获取到目标车辆的节点通行记录,这些记录有多个,获取后存储在服务器的数据库中。其中,节点通行记录有:车辆通行流水由入口流水、出口流水、门架流水、站识别流水、门架识别流水构成;路径拟合还原是需要多个业务处理环节的,包含但不限于根据通行时间排序、重复通行数据过滤、反向通行数据过滤、错误识别数据过滤、最小费额路径拟合、单一通行路径截取。
其中,重复通行数据过滤:一辆车的通行数据,由入口流水、门架流水、出口流水和对应的识别流水组成。在很多情况下,采集到的数据会有重复的情况。例如:一辆车在入口持有OBU,又领了一张CPC卡,就会形成两条入口流水;车辆通过省界门架(省界门架为双门架),有可能形成两条门架流水;以上情况均需要去重。
去重方法主要概括为对相同位置且在时间范围内的通行数据进行去重过滤。反向通行数据过滤:高速公路是双向通行的,一辆车在通行过程中,有可能会被反向的门架记录,形成错误的反向流水。单独查看门架记录是无法判定是否反向的,需通过前后通行门架流水进行路径连贯性的判定,进行反向门架流水的过滤。
错误识别数据过滤:通过车牌获取车辆的识别流水,由于车牌识别并非100%准确,有时获取到的识别流水可能是其他像是车牌识别错误产生的。需通过前后通行流水进行路径连贯性的判定,进行错误识别流水的过滤。
单一通行路径截取:理论上是有唯一通行标识id贯穿整个通行过程的。但实际上,由于出口忘记归还高速公路复合通行卡(CPC)卡或其它作弊行为,会导致车辆通行是不完整的,或者是多次通行串在一次。单一通行路径截取,主要是依赖通行标识id,并结合拟合还原后的路径,根据出入口站等关键信息,进行截取。
在一个实施例中,一段高速公路上布置了多个数据采集节点,这些数据采集节点均与服务器相连接。这些数据采集节点收集到小汽车A的入口信息、门架信息以及出口信息,服务器将这些信息获取到并存储到数据库中。
步骤204,对目标车辆对应的节点通行记录进行路径拟合还原,得到目标车辆对应的拟合还原行驶路径。
其中,路径拟合还原可以是对所有的节点通行记录进行拟合,可以还原出车辆的行驶轨迹;拟合还原行驶路径可以是通过节点通行记录进行拟合后所得到的车辆的行驶轨迹,并可以从该轨迹上得到额外的信息,例如通行速度、通行时间以及通行距离。
具体地,服务器提取同一辆目标车辆的节点通行记录,根据通行记录的大致分布选取对应的数学拟合模型进行拟合,该拟合可以是总体拟合,也可以是分段拟合,如果选择分段拟合,则不同分段使用各自合适的数学拟合模型,拟合完毕后按照顺序对各分段进行拼接,拟合完成后得到的目标车辆行驶路径为拟合还原行驶路径。
在一个实施例中,货车B有100个节点通行记录,该记录比较分散,难以使用一个数学模型进行拟合,因此采用了多段拟合,然后拼接的方法进行拟合。服务器根据节点的分布情况进行分析,分析完毕后对节点通行记录中的噪声点进行去除,去除后对同一个区域的节点通行记录进行拟合,然后对拟合进行误差调整,对得到的结果进行拼接,拼接完成后得到的初步拟合还原行驶路径进行圆滑处理,得到货车B所对应的拟合还原行驶路径。
步骤206,基于目标车辆对应的拟合还原行驶路径进行特征提取,得到路径提取特征。
其中,特征提取可以是对拟合还原行驶路径的特征使用人工智能模型进行提取,特征提取后的的特征值使用特征数据进行表示,人工智能模型可以是核心的算法包括最小二乘法、K近邻算法、K均值算法、PCA分析法、梯度下降法以及进化算法等,较为核心的模型包括线性回归、逻辑回归、决策树、聚类、支持向量机以及前馈神经网络等算法而训练的模型;路径提取特征可以是通过特征提取后,能够表现行驶路径的特征,该特征一般采用特征数据进行表示。
具体地,根据目标车辆所对应的拟合还原行驶路径使用人工智能模型进行特征提取,提取后得到了路径提取特征,该路径提取特征使用特征数据进行表示,能够准确地表示出目标车辆对应的拟合还原行驶路径。
在一个实施例中,货车B位于高速公路中行驶了一段距离,该距离被100个节点通行记录点进行记录,并且根据这100个记录点得到了拟合还原行驶路径。根据该拟合还原行驶路径进行特征提取,得到了货车B位于该高速公路中的路径提取特征,例如有入口的特征以及出口的特征等。
步骤208,按照预设的异常行驶行为分析需求,确定针对路径提取特征的异常判定条件,若路径提取特征满足异常判定条件,则判定目标车辆为异常行驶车辆。
其中,异常行驶行为分析需求可以是根据道路的状况进行改动的需求,该需求是预设的,例如下雨天的时候最高行驶速度为80千米每小时,右侧道路被淹而禁止驶入等状况;异常判定条件可以是根据异常行驶行为分析需求的变化而变动的条件,高于或者低于该条件则会被判断出现异常;异常行驶车辆可以是满足了异常判定条件的车辆,例如小汽车A只有入口信息和道路行驶信息,缺少了出口信息,满足了路径不完整的条件,因此判断为异常行驶车辆。
具体地,根据实际的状况预先设定交通分析所需要的要求,该需求可以是交通量调查、车速调查、密度调查、通行能力调查、行车延误调查、起讫点调查、车辆停放调查、行人交通调查、公共交通调查以及交通安全调查等,通过该要求来确定路径提取特征触发异常行驶判定的异常判定条件,如果路径提取特征触发了异常行驶的判定条件,则判定该路径提取特征所对应的目标车辆为异常行驶车辆。
在一个实施例中,货车B为了逃避高速公路费用,从入口X进入高速公路,然后根据高速公路的路径行驶了50公里,接着返回40公里,从出口Y驶离高速公路,货车B的路径提取特征中显示该货车具有无故折返的行驶特征,满足了异常行驶的判定条件,结合货车B上货物的数量以及车重等条件,能够判定该货车B为异常行驶车辆。
上述异常行驶车辆识别方法中,通过获取目标车辆的节点通行记录,节点通行记录为目标车辆通过目标交通道路中的至少一个道路节点而产生的记录;对目标车辆对应的节点通行记录进行路径拟合还原,得到目标车辆对应的拟合还原行驶路径;基于目标车辆对应的拟合还原行驶路径进行特征提取,得到路径提取特征;按照预设的异常行驶行为分析需求,确定针对路径提取特征的异常判定条件,若路径提取特征满足异常判定条件,则判定目标车辆为异常行驶车辆。通过获取目标车辆至少一个的节点通行记录,可以更准确地获取到目标车辆的实际行驶状况,然后对所有节点通行记录进行路径拟合还原,可以得到目标车辆位于目标交通道路中的拟合还原行驶路径,准确的行驶路径能够反映出该目标车辆的具体行驶轨迹,其次对拟合还原行驶路径进行特征提取,提取获得路径提取特征,可以反映出目标车辆位于目标交通道路中的行驶过程中具有哪一些特征,最后将路径提取特征与异常判定条件进行对比,如果满足异常判定条件,则被判定为异常行驶车辆。通过对路径提取特征与异常判定条件的对比,能够提供更多的对比结果,对于认定异常行驶车辆具有积极的效果,避免了单一结果对异常行驶车辆的判定不准确,同时经过多个的节点通行记录的数据采集,能够将目标交通道路中各个位置的异常情况反映出来,有助于提高数据采集的准确率,提高判定异常行驶车辆的效率。
在一个实施例中,如图3所示,按照预设的异常行驶行为分析需求,确定针对路径提取特征的异常判定条件,若路径提取特征满足异常判定条件,则判定目标车辆为异常行驶车辆,包括:
步骤302,分别将各路径提取特征与各自对应的异常判定条件进行对比,得到多个对比结果。
其中,对比可以是路径提取特征和对应的异常判定条件进行一一对比,例如路径提取特征M对应异常判定条件M,路径提取特征N对应异常判定条件N,不能路径提取特征M使用异常判定条件N进行判定;多个对比结果可以是多个路径提取特征与多个异常判定条件进行对比后形成的对比结果,可以根据对比结果来判定车辆是否存在异常行驶行为。
具体地,分别将每一个路径提取特征与之相对应的异常判定条件进行对比,多个路径提取特征可以用同一个异常判定条件进行对比,但一个路径提取特征不能使用多个异常判定条件进行对比,否则出现关于路径提取特征的对比结果的混乱,经过对比后得出对比结果,每一个路径提取特征对应一个对比结果,因此对比结果为多个。
在一个实施例中,小汽车A位于高速公路上行驶了100公里后提取得到了10个路径提取特征,对这10个路径提取特征进行异常判定条件对比,得出这10个路径提取特征的对比结果。
步骤304,结合多个对比结果,判定目标车辆为异常行驶车辆。
具体地,预先设定对比结果的阈值以及条件,如果异常的对比结果不满足该阈值或者条件,则判断目标车辆为异常行驶车辆,对于多个对比结果进行统计,基于不满足阈值或者条件的统计数量的多少判定目标车辆为异常行驶车辆。
在一个实施例中,预先设定一旦发现对比结果为异常,则判定该目标车辆为异常行驶车辆,小汽车A的10个对比结果中有3个为异常行驶结果,因此判定该小汽车A为异常行驶车辆。
本实施例中,通过各路径提取特征与各自对应的异常判定条件进行对比,能够为路径提取特征提供一个异常条件的判定,使得路径提取特征符合正常或者异常的标准。
在一个实施例中,如图4所示,分别将各路径提取特征与各自对应的异常判定条件进行对比,得到多个对比结果,包括:
步骤402,获取各异常判定条件对应的异常判定数值范围。
其中,异常判定数值范围可以是对于异常判定条件设定了一个数值,该数值是有具体的范围,超出了该范围则是异常行驶车辆,路径提取特征可以是大于该范围、小于该范围或者处于该范围。
具体地,预先位于服务器中设定用于判断异常行驶车辆的异常判定数值的范围,然后服务器使用该范围进行判定,异常判定数值可以有多个,而且每一个异常判定数值可以对于该项目的判定给出一个范围,计算机可以根据需要调取相应的异常判定数值,并且进行判定。
在一个实施例中,预先位于服务器中设定小汽车位于最左边的车道的行驶速度为100~120千米每小时,然后服务器根据该范围进行判断,如果小汽车A的行驶速度不落入该范围,则判定为异常行驶车辆。
步骤404,将各路径提取特征对应的特征属性数值与各自对应的异常判定数值范围进行对比。
其中,特征属性数值可以是表示该路径提取特征的数值,该数值能够反映出该路径提取特征的一些情况。
具体地,将路径提取特征中的表示该特征的特征属性数值与该路径提取特征相对应的异常判定数值进行对比,得出特征属性数值是否落入异常判定数值范围以内还是以外,一个特征属性数值只能跟一个异常判定数值进行对比,对比结果也只针对该特征属性数值。
在一个实施例中,小汽车A的其中一个路径提取特征为有识别无通行,该特征属性数值为数量大于5,拟合金额大于省内收费金额的数据,为屏蔽通行介质的逃费数据,根据异常判定数值的范围,判断特征属性数值是否落入异常判定数值范围内。
步骤406,若路径提取特征对应的特征属性数值符合异常判定数值范围,则判定路径提取特征满足对应的异常判定条件,作为对比结果。
具体地,如果路径提取特征所对应的特征属性数值落入异常判定数值的范围内,那么就可以判定该特征属性数值对应的路径提取特征是具有异常,输出对比结果,如果路径提取特征所对应的特征属性数值落入异常判定数值的范围外,则不输出任何对比情况,重复回到步骤404,对下一个特征属性数值进行对比。
在一个实施例中,小汽车A的其中一个路径提取特征为有识别无通行,该特征属性数值为数量大于5,而异常判定数值范围是大于3,因此该特征属性数值的数量大于5是落入异常判定数值的范围之内,因此可以判定该路径提取特征具有异常,并且输出对比结果。
在一个实施例中,对于异常判定条件,可以有以下步骤,包括:
(1)获取各异常判定条件对应的异常判定条件范围。
其中,异常判定条件范围可以是对于异常判定条件设定了一个条件,该条件是有具体的范围,超出了该条件范围则是异常行驶车辆,该条件范围可以是大于该条件范围、小于条件该范围或者处于条件该范围。
具体地,预先位于服务器中设定用于判断异常行驶车辆的异常判定条件的范围,然后服务器使用该范围进行判定,异常判定条件可以有多个,而且每一个异常判定条件可以对于该项目的判定给出一个范围,计算机可以根据需要调取相应的异常判定条件进行判定。
在一个实施例中,预先位于服务器中设定货车位于最右边的车道的进行行驶且不能够无故占用其它车道,然后服务器根据该条件范围进行判断,如果货车B的行驶在非最右边的车道,则判定为异常行驶车辆。
(2)将各路径提取特征对应的特征属性条件与各自对应的异常判定条件范围进行对比。
其中,特征属性条件可以是表示该路径提取特征的条件,该条件能够反映出该路径提取特征的一些情况。
具体地,将路径提取特征中的表示该特征的特征属性条件与该路径提取特征相对应的异常判定条件进行对比,得出特征属性条件是否落入异常判定条件范围以内还是以外,一个特征属性条件只能跟一个异常判定条件进行对比,对比结果也只针对该特征属性条件。
在一个实施例中,小汽车A的其中一个路径提取特征,提取路径完整性为有入有出路径不可达,判断特征属性条件是否落入异常判定条件范围内。
(3)若路径提取特征对应的特征属性条件符合异常判定条件范围,则判定路径提取特征满足对应的异常判定条件,作为对比结果。
具体地,如果路径提取特征所对应的特征属性条件落入异常判定条件的范围内,那么就可以判定该特征属性条件对应的路径提取特征是具有异常,对于存有异常的对比结果,并且把结果输出,如果路径提取特征所对应的特征属性条件落入异常判定条件的范围外,则不输出任何对比情况,重复回到步骤(2),对下一个特征属性条件进行对比。
在一个实施例中,路肩车道是除了发生突发情况的车辆以外,正常情况下任何车辆是不能够驶入或者停靠在路肩车道上。小汽车A因为司机需要喝水,把车停靠在路肩车道上,并且车辆以及车上人员并无异常,落入目标交通道路的异常行驶车辆的条件中,因此可以判定该路径提取特征具有异常,并且输出对比结果。
本实施例中,通过对比路径提取特征对应的特征属性数值或者条件和异常判定数值或者条件,能够精准地判定出该路径提取特征具有哪一种异常行驶情况,也能够统一标准,避免因为判定标准不统一而导致的错误。
在一个实施例中,如图5所示,基于目标车辆对应的拟合还原路径进行特征提取,得到路径提取特征,包括:
步骤502,对目标车辆对应的拟合还原行驶路径进行特征提取,得到原始路径提取特征。
其中,原始路径提取特征可以是对目标车辆对应的拟合还原行驶路径进行特征提取后所得到的提取特征,该特征提取采用人工智能模型,该人工智能可以是卷积神经网络或者是针对于需求而选择别的神经网络,提取后的提取特征采用特征数据进行表示,该特征数据能够真实地反映出该拟合还原路径的特征。
具体地,对目标车辆对应的已经处理好的拟合还原行驶路径使用人工智能模型进行特征提取,提取后的特征为原始路径提取特征,得到的原始路径提取特征将存储在关系型数据库中,并且关系型数据库将对原始路径提取特征的数据正确性进行核验,如果出现核验不通过,则对该数据进行分类到缺失数据,以方便随时调用。
在一个实施例中,客车C位于高速公路上行驶了200公里,得到了该车对应的拟合还原行驶路径,然后对客车C所产生的拟合还原行驶路径进行特征提取,得到了能够表示客车C的行驶路径的原始路径提取特征,例如特征1表示客车C的入口情况,特征2表示客车C的出口情况。
步骤504,对原始路径提取特征按照预设的分类标准进行分类,得到分类后提取特征。
其中,分类标准可以是根据客观情况进行划分的一个标准,该标准用作原始路径提取特征的分类,可以只有一类也可以有多类,而且该标准是预设的;分类后提取特征可以是经过预设的分类标准进行分类后的提取特征,分类后的提取特征可以只有一类,也可以具有多类。
具体地,预先设置对原始路径提取特征的分类标准,然后根据分类标准对原始路径提取特征进行分类,分类所得到的结果为每一个分类后提取特征。其中,原始路径提取特征分为五大类,分别为路径完整性、路径属性、金额属性、车辆通行属性和一致性判断。
路径完整性是对通行路径完整性的概述,按路径完整、有入无出、有出无入、有入有出路径不可达、其他分类。
路径属性记录通行路径节点状态与数量,包含入口数量、出口数量、成功交易门架数量、失败交易门架数量、拟合的门架数量、有识别有通行门架数量、无识别有通行门架数量、有识别无通行门架数量、行驶时长、行驶节点最大时差、行驶里程、入口属性、出口属性、CPC卡是否再现,入口通行标识、出口通行标识。
金额属性记录金额,分为出口流水收费金额、省内收费金额、路径拟合金额。
车辆通行属性记录通行路径车辆特征,包含入口车型、门架车型、出口车型、入口车种、门架车种、出口车种、入口车轴、门架车轴、出口车轴。
一致性判断是对关键路径属性、金额属性和车辆通行属性的一致性判断,包含通行标识是否一致、收费金额是否一致、车型是否一致、车种是否一致、车轴是否一致。可以根据多个原始路径提取特征的组合发掘逃费车辆。例如:取路径完整性是“入-门架-出”,路径属性中是出口无通行有识别,存在多个实际车牌,满足以上条件则为OBU闯关车辆。取路径完整性是“入-门架-出”,金额属性中省内收费金额大于0,一致性判断中拟合金额大于省内收费金额,满足以上条件则为最小费额少收费。
在一个实施例中,小汽车A通过高速公路后得到了10个原始路径提取特征,分别为特征1~特征10,根据预先设置好的分类标准对上述的特征进行分类,得到了特征1、3、5、7、9为第一种类型的特征,而特征2、4、6、8、10为第二种类型的特征。
步骤506,基于分类后提取特征进行排序,得到路径提取特征。
其中,进行排序可以是对分类提取特征按照一定的顺序进行排序,该顺序按照需求可以选择不同的标准。
具体地,将分类后提取特征按照客观的规则进行标识,该标识应当满足功能性、识别性、显著性、多样性、准确性以及持久性的其中一个条件,每个标识有一一对应的分类后提取特征,然后根据该标识对分类后提取特征进行排序,得到路径提取特征。
在一个实施例中,将分类后提取特征按照标准1进行标识,标准1进行的标识与分类后提取特征为一一对应关系,根据标准1进行的标识对分类后提取特征按照标准1进行排序,得到路径提取特征。
本实施例中,通过对原始路径提取特征按照预设的分类标准进行分类,然后根据分类结果进行排序,能够清晰地体现出该使得路径提取特征具有的异常行驶项目,而且能够从先后顺序反映出异常行驶项目的因果关系。
在一个实施例中,如图6所示,基于分类提取特征进行组合,得到路径提取特征,包括:
步骤602,获取分类后提取特征所对应的时间标识,时间标识与分类后提取特征为一一对应关系。
其中,时间标识可以是对于每一个分类后提取特征都用一个时间进行标识,每一个时间只能标识一个分类后提取特征。
具体地,获取时间标识,然后使用该时间标识对每一个分类后提取特征进行标识,该标识表示该分类后提取特征的发生的先后顺序,而且每一个分类后提取特征只有一个时间标识与之对应,如果出现两个或多个分类后提取特征对应一个时间标识,则根据人工智能模型自动选取信息量最大的那个分类后提取特征。
在一个实施例中,获取时间标识1~3,然后对三个分类后提取特征进行标识,特征1的时间标识为1,特征2的时间标识为2以及特征3的时间标识为3。
步骤604,根据时间标识对分类后提取特征按照时间进行排序,得到路径提取特征。
其中,按照时间进行排序可以是根据时间的先后顺序对拥有时间标识的分类后提取特征进行排序。
具体地,对于已经进行时间标识好的分类后提取特征按照时间的先后顺序进行排序,该排序至少具有两个已经进行时间标识的分类后提取特征,而且该排序不一定加入所有具有时间标识的分类后提取特征,可以根据需要由计算机进行智能选取,排序后有分类后提取特征形成的序列为路径提取特征。
在一个实施例中,特征1的时间标识为1,特征2的时间标识为2以及特征3的时间标识为3,基于标识后的特征按照时间标识进行排序,得到顺序为特征1、特征2和特征3的路径提取特征。
本实施例中,通过使用时间标识对分类提取特征进行标识,并且按照时间标识进行排序,能够获得正确的路径提取特征的排序,避免因为进行排序而导致道路提取特征与实际并不相符。
在一个实施例中,如图7所示,方法还包括:
步骤702,获取异常行驶车辆对应的路径提取特征。
具体地,将已经得到的路径提取特征传输到可视化设备的数据库中。
在一个实施例中,小汽车A所得到的路径提取特征1~3传输到可视化设备所配备的数据库中。
步骤704,获取目标交通道路所对应的交通地图。
其中,交通地图可以是进行节点通行记录的道路所对应的地图,该地图可以有多种形式,例如地理信息系统(Geographic Information System或Geo-Informationsystem,GIS)所自带的地图,地理信息系统属于信息系统的一类,不同在于它能运作和处理地理参照数据。地理参照数据描述地球表面(包括大气层和较浅的地表下空间)空间要素的位置和属性,在GIS中的两种地理数据成分:空间数据,与空间要素几何特性有关;属性数据,提供空间要素的信息。
具体地,调用可视化设备中预先设置好的与目标交通道路相对应的交通地图,该地图可以有多种形式,有选择地以二维(2D)或多维形式(3D),在平面或球面上表示目标交通道路若干现象的图形或图像,具有严格的数学基础、符号系统、文字注记,并能用地图概括原则。
在一个实施例中,可视化交通设备中内置有地理信息系统所自带的地图,而具有节点通行记录的高速公路为100千米,则可视化交通设备则调取这100千米的交通地图。
步骤706,对路径提取特征转化为路径提取特征数据,将特路径提取特征数据叠加到交通地图,得到特征交通地图。
其中,路径提取特征数据可以是路径提取特征经过转化后,由特征数据的形式转变成交通地图能够识别的数据;特征交通地图可以是经过路径提取特征数据与交通地图所叠加而形成的组合地图。
具体地,将路径提取特征从特征数据的表示形式转变成地图所能显示的路径提取特征数据,然后把该数据按照交通地图的空间顺序叠加到地图上,叠加后检查时间顺序是否有误,如果时间和空间上的顺序都无误,则得到特征交通地图。
在一个实施例中,货车B经过特征提取后具有100千米的路径提取特征,将这100千米的路径提取特征经过转换后,得到路径提取特征数据,然后把该数据叠加到可视化设备中内置的地理信息化系统地图,得到了货车B所行驶过的100千米所对应的特征交通地图。
步骤708,根据特征交通地图进行展示,得到可视化特征交通地图。
其中,展示可以是通过可视化设备进行播放,例如显示器,投影以及手机等;可视化特征交通地图可以是将特征交通地图进行可视化的的转变,可以直观地展示给相关人员进行判定。
具体地,将特征交通地图按照可视化的形式进行展示,得到可视化特征交通地图,可视化特征交通地图是利用计算机图形学和图像处理技术,将数据转换成图形或图像在屏幕上显示出来,再进行交互处理。
在一个实施例中,将货车B行驶了100千米的特征交通地图用大型显示器进行显示,显示得到了可视化特征交通地图。
在一个实施例中,数据展示可以是流水明细、车辆通行路径(收费路径、识别路径、拟合路径),可视化方式可以是静态图表、二维或三维地图,展示终端可以是桌面端,也可以是移动端,不限定可视化方式和展示终端的选用。
本实施例中,通过叠加路径提取特征数据和交通地图的数据,使得两组数据能够同时可视化展出,能够达到更为直观地看出异常行驶车辆的具体情况以及异常项目。
对于本技术方案,具体的实施流程如下:目标交通道路的目标车辆的节点通行记录在经过路径拟合还原进行处理后,实时将相应路径特征写入关系型数据库;结合业务分析需求,将路径特征进行分析挖掘,包含但不限于路径不可达、有识别无通行、拟合金额大于实际收费;从关系型数据库中读取数据以可视化方式进行数据展示,该方法能够在海量通行数据中,通过路径特征精确筛查出逃费车辆通行数据。基于上述流程的关系,如图8所示。
其中,路径提取特征分为五大类,分别为路径完整性、路径属性、金额属性、车辆通行属性和一致性判断,这五大类中又细分多个小类,对于异常行驶车辆的判定,可以是满足其中一个小类,也可以同时满足多个类别,具体的判定条件,要根据实际的目标交通道路的具体情况进行取舍,不能一概而论。路径提取特征的分类的关系图如图9所示。
对应异常行驶车辆识别方法,实现方法的每一个步骤是具备有相关的异常行驶车辆识别系统,该系统的结构示意图如图10所示。
应该理解的是,虽然如上的各实施例所涉及的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,如上的各实施例所涉及的流程图中的至少一部分步骤可以包括多个步骤或者多个阶段,这些步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
基于同样的发明构思,本申请实施例还提供了一种用于实现上述所涉及的异常行驶车辆识别方法的异常行驶车辆识别装置。该装置所提供的解决问题的实现方案与上述方法中所记载的实现方案相似,故下面所提供的一个或多个异常行驶车辆识别装置实施例中的具体限定可以参见上文中对于异常行驶车辆识别方法的限定,在此不再赘述。
在一个实施例中,如图11所示,提供了一种异常行驶车辆识别装置,包括:节点通行记录获取模块、拟合还原行驶路径得到模块、路径提取特征得到模块和异常行驶车辆判定模块,其中:
节点通行记录获取模块1102,用于获取目标车辆的节点通行记录,节点通行记录为目标车辆通过目标交通道路中的至少一个道路节点而产生的记录;
拟合还原行驶路径得到模块1104,用于对目标车辆对应的节点通行记录进行路径拟合还原,得到目标车辆对应的拟合还原行驶路径;
路径提取特征得到模块1106,用于基于目标车辆对应的拟合还原行驶路径进行特征提取,得到路径提取特征;
异常行驶车辆判定模块1108,用于按照预设的异常行驶行为分析需求,确定针对路径提取特征的异常判定条件,若路径提取特征满足异常判定条件,则判定目标车辆为异常行驶车辆。
在其中一个实施例中,异常行驶车辆判定模块,用于分别将各路径提取特征与各自对应的异常判定条件进行对比,得到多个对比结果;结合多个对比结果,判定目标车辆为异常行驶车辆。
在其中一个实施例中,异常行驶车辆判定模块,用于获取各异常判定条件对应的异常判定数值范围;将各路径提取特征对应的特征属性数值与各自对应的异常判定数值范围进行对比;若路径提取特征对应的特征属性数值符合异常判定数值范围,则判定路径提取特征满足对应的异常判定条件,作为对比结果。
在其中一个实施例中,路径提取特征得到模块,用于对目标车辆对应的拟合还原行驶路径进行特征提取,得到原始路径提取特征;对原始路径提取特征按照预设的分类标准进行分类,得到分类后提取特征;基于分类后提取特征进行排序,得到路径提取特征。
在其中一个实施例中,路径提取特征得到模块,用于获取分类后提取特征所对应的时间标识,时间标识与分类后提取特征为一一对应关系;根据时间标识对分类后提取特征按照时间进行排序,得到路径提取特征。
在其中一个实施例中,可视化特征交通地图得到模块,用于获取异常行驶车辆对应的路径提取特征;获取目标交通道路所对应的交通地图;对路径提取特征转化为路径提取特征数据,将特路径提取特征数据叠加到交通地图,得到特征交通地图;根据特征交通地图进行展示,得到可视化特征交通地图。
上述异常行驶车辆识别装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中,提供了一种计算机设备,该计算机设备可以是服务器,其内部结构图可以如图12所示。该计算机设备包括通过系统总线连接的处理器、存储器和网络接口。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质和内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储服务器数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种异常行驶车辆识别方法。
本领域技术人员可以理解,图12中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个实施例中,还提供了一种计算机设备,包括存储器和处理器,存储器中存储有计算机程序,该处理器执行计算机程序时实现上述各方法实施例中的步骤。
在一个实施例中,提供了一种计算机可读存储介质,存储有计算机程序,该计算机程序被处理器执行时实现上述各方法实施例中的步骤。
在一个实施例中,提供了一种计算机程序产品或计算机程序,该计算机程序产品或计算机程序包括计算机指令,该计算机指令存储在计算机可读存储介质中。计算机设备的处理器从计算机可读存储介质读取该计算机指令,处理器执行该计算机指令,使得该计算机设备执行上述各方法实施例中的步骤。
需要说明的是,本申请所涉及的用户信息(包括但不限于用户设备信息、用户个人信息等)和数据(包括但不限于用于分析的数据、存储的数据、展示的数据等),均为经用户授权或者经过各方充分授权的信息和数据。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、数据库或其它介质的任何引用,均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-OnlyMemory,ROM)、磁带、软盘、闪存、光存储器、高密度嵌入式非易失性存储器、阻变存储器(ReRAM)、磁变存储器(Magnetoresistive Random Access Memory,MRAM)、铁电存储器(Ferroelectric Random Access Memory,FRAM)、相变存储器(Phase Change Memory,PCM)、石墨烯存储器等。易失性存储器可包括随机存取存储器(Random Access Memory,RAM)或外部高速缓冲存储器等。作为说明而非局限,RAM可以是多种形式,比如静态随机存取存储器(Static Random Access Memory,SRAM)或动态随机存取存储器(Dynamic RandomAccess Memory,DRAM)等。本申请所提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等,不限于此。本申请所提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器等,不限于此。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对本申请专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请的保护范围应以所附权利要求为准。
Claims (10)
1.一种异常行驶车辆识别方法,其特征在于,所述方法包括:
获取目标车辆的节点通行记录,所述节点通行记录为所述目标车辆通过目标交通道路中的至少一个道路节点而产生的记录;
对所述目标车辆对应的所述节点通行记录进行路径拟合还原,得到所述目标车辆对应的拟合还原行驶路径;
基于所述目标车辆对应的所述拟合还原行驶路径进行特征提取,得到路径提取特征;获取所述目标交通道路所对应的交通地图;对所述路径提取特征转化为路径提取特征数据,将所述路径提取特征数据叠加到所述交通地图,得到特征交通地图;根据所述特征交通地图进行展示,得到可视化特征交通地图;
按照预设的异常行驶行为分析需求,确定针对所述路径提取特征的异常判定条件,若所述路径提取特征满足所述异常判定条件,则判定所述目标车辆为在所述异常行驶行为分析需求下的异常行驶车辆。
2.根据权利要求1所述的方法,其特征在于,当所述路径提取特征具有多种不同类型时,所述按照预设的异常行驶行为分析需求,确定针对所述路径提取特征的异常判定条件,若所述路径提取特征满足所述异常判定条件,则判定所述目标车辆为在所述异常行驶行为分析需求下的异常行驶车辆,包括:
分别将各所述路径提取特征与各自对应的所述异常判定条件进行对比,得到多个对比结果;
结合多个所述对比结果,判定所述目标车辆为所述异常行驶车辆。
3.根据权利要求2所述的方法,其特征在于,所述路径提取特征具有对应的特征属性数值,所述分别将各所述路径提取特征与各自对应的所述异常判定条件进行对比,得到多个对比结果,包括:
获取各所述异常判定条件对应的异常判定数值范围;
将各所述路径提取特征对应的特征属性数值与各自对应的所述异常判定数值范围进行对比;
若所述路径提取特征对应的特征属性数值符合所述异常判定数值范围,则判定所述路径提取特征满足对应的所述异常判定条件,作为所述对比结果。
4.根据权利要求1所述的方法,其特征在于,所述基于所述目标车辆对应的所述拟合还原路径进行特征提取,得到路径提取特征,包括:
对所述目标车辆对应的所述拟合还原行驶路径进行所述特征提取,得到原始路径提取特征;
对所述原始路径提取特征按照预设的分类标准进行分类,得到分类后提取特征;
基于所述分类后提取特征进行排序,得到所述路径提取特征。
5.根据权利要求4所述的方法,其特征在于,所述基于所述分类提取特征进行排序,得到所述路径提取特征,包括:
获取所述分类后提取特征所对应的时间标识,所述时间标识与所述分类后提取特征为一一对应关系;
根据所述时间标识对所述分类后提取特征按照时间进行排序,得到所述路径提取特征。
6.一种异常行驶车辆识别装置,其特征在于,所述装置包括:
节点通行记录获取模块,用于获取目标车辆的节点通行记录,所述节点通行记录为所述目标车辆通过目标交通道路中的至少一个道路节点而产生的记录;
拟合还原行驶路径得到模块,用于对所述目标车辆对应的所述节点通行记录进行路径拟合还原,得到所述目标车辆对应的拟合还原行驶路径;
路径提取特征得到模块,用于基于所述目标车辆对应的所述拟合还原行驶路径进行特征提取,得到路径提取特征;获取所述目标交通道路所对应的交通地图;对所述路径提取特征转化为路径提取特征数据,将所述路径提取特征数据叠加到所述交通地图,得到特征交通地图;根据所述特征交通地图进行展示,得到可视化特征交通地图;
异常行驶车辆判定模块,用于按照预设的异常行驶行为分析需求,确定针对所述路径提取特征的异常判定条件,若所述路径提取特征满足所述异常判定条件,则判定所述目标车辆为在所述异常行驶行为分析需求下的异常行驶车辆。
7.根据权利要求6所述的装置,其特征在于,所述装置还用于获取分类后提取特征所对应的时间标识,时间标识与分类后提取特征为一一对应关系;根据时间标识对分类后提取特征按照时间进行排序,得到路径提取特征。
8.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至5中任一项所述的方法的步骤。
9.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至5中任一项所述的方法的步骤。
10.一种计算机程序产品,包括计算机程序,其特征在于,该计算机程序被处理器执行时实现权利要求1至5中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210157188.5A CN114724357B (zh) | 2022-02-21 | 2022-02-21 | 一种异常行驶车辆识别方法、装置和计算机设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210157188.5A CN114724357B (zh) | 2022-02-21 | 2022-02-21 | 一种异常行驶车辆识别方法、装置和计算机设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114724357A CN114724357A (zh) | 2022-07-08 |
CN114724357B true CN114724357B (zh) | 2023-05-26 |
Family
ID=82236187
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210157188.5A Active CN114724357B (zh) | 2022-02-21 | 2022-02-21 | 一种异常行驶车辆识别方法、装置和计算机设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114724357B (zh) |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108242153A (zh) * | 2018-03-12 | 2018-07-03 | 小草数语(北京)科技有限公司 | 异常卡口识别方法及装置 |
JP7404035B2 (ja) * | 2019-11-13 | 2023-12-25 | 株式会社東芝 | 経路別料金処理システム、経路判定装置、経路判定方法、及び経路判定プログラム |
CN111144945A (zh) * | 2019-12-27 | 2020-05-12 | 泰斗微电子科技有限公司 | 一种车辆通行管理方法、服务器及车辆通行管理系统 |
CN112802215B (zh) * | 2020-12-31 | 2023-10-03 | 千方捷通科技股份有限公司 | 高速公路通行费用的稽核方法、装置、设备及存储介质 |
CN112785736B (zh) * | 2020-12-31 | 2023-10-03 | 千方捷通科技股份有限公司 | 高速公路车辆通行费漏费稽核判断方法、装置、介质及设备 |
-
2022
- 2022-02-21 CN CN202210157188.5A patent/CN114724357B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN114724357A (zh) | 2022-07-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110364008B (zh) | 路况确定方法、装置、计算机设备和存储介质 | |
CN112700072B (zh) | 交通状况预测方法、电子设备和存储介质 | |
KR102124955B1 (ko) | 시각적 분석을 통한 교통 혼잡 원인 식별 방법 및 서버 | |
CN112447041B (zh) | 识别车辆的营运行为的方法、装置及计算设备 | |
CN113272838A (zh) | 虚拟场景生成方法、装置、计算机设备和存储介质 | |
CN109740420A (zh) | 车辆违法识别方法及相关产品 | |
CN115080638B (zh) | 微观仿真的多源数据融合分析方法、电子设备及存储介质 | |
Shahin et al. | Cluster-based association rule mining for an intersection accident dataset | |
Trirat et al. | Df-tar: a deep fusion network for citywide traffic accident risk prediction with dangerous driving behavior | |
CN110021161B (zh) | 一种交通流向的预测方法及系统 | |
Iqbal et al. | An efficient traffic incident detection and classification framework by leveraging the efficacy of model stacking | |
Zhang et al. | A framework of abnormal behavior detection and classification based on big trajectory data for mobile networks | |
CN113867367B (zh) | 测试场景的处理方法、装置及计算机程序产品 | |
CN114323042A (zh) | 地图数据的处理方法、装置、非易失性存储介质及处理器 | |
Bobermin et al. | A novel approach to set driving simulator experiments based on traffic crash data | |
CN114724357B (zh) | 一种异常行驶车辆识别方法、装置和计算机设备 | |
Hu et al. | Detecting socially abnormal highway driving behaviors via recurrent graph attention networks | |
CN116310748A (zh) | 一种自动驾驶场景恢复及自动驾驶原型测试方法和系统 | |
Eftelioglu et al. | RING-Net: Road inference from gps trajectories using a deep segmentation network | |
CN115359658A (zh) | 交通事件的检测方法、装置、设备、存储介质及程序产品 | |
Lee et al. | Proactive detection of crash hotspots using in-vehicle driving recorder | |
WO2021180441A1 (fr) | Mises a jour de bases de donnees de navigation | |
Hamzah et al. | Parking Violation Detection on The Roadside of Toll Roads with Intelligent Transportation System Using Faster R-CNN Algorithm | |
Song | Traffic Crash Patterns and Causations Based on Sequence of Events: Preparing for a Transition into Automated Transportation | |
Esselborn et al. | Map Attribute Validation using Historic Floating Car Data and Anomaly Detection Techniques. |
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 |